Académique Documents
Professionnel Documents
Culture Documents
II-2010
ii
Índice general
I Teorı́a de Matrices 1
1. Matrices 3
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Definición y Ejemplos . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Operaciones con Matrices . . . . . . . . . . . . . . . . . . . . 6
1.3.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . 6
1.3.2. Producto . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.3. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . 14
1.4. La Matriz Inversa . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6. Matriz escalonada . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7. Operaciones Elementales . . . . . . . . . . . . . . . . . . . . . 24
1.7.1. Intercambio de Filas . . . . . . . . . . . . . . . . . . . 25
1.7.2. Multiplicación de una Fila por un escalar . . . . . . . 26
1.7.3. Suma a una Fila un múltiplo escalar de otra . . . . . . 29
1.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
1.9. Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . 37
1.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.10.1. Operaciones Elementales por Columna . . . . . . . . . 39
1.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2. Determinantes 43
2.1. introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2. Función Determinante . . . . . . . . . . . . . . . . . . . . . . 43
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4. Propiedades del Determinante . . . . . . . . . . . . . . . . . . 46
2.5. Determinantes y Operaciones Elementales . . . . . . . . . . . 54
2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.7. Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
iii
iv ÍNDICE GENERAL
3. Sistemas de Ecuaciones 67
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Soluciones de Sistemas de Ecuaciones Lineales . . . . . . . . . 67
3.3. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.4. Resolución de sistemas de Ecuaciones Lineales . . . . . . . . . 73
3.5. Sistemas inconsistentes . . . . . . . . . . . . . . . . . . . . . . 73
3.6. Sistemas consistentes . . . . . . . . . . . . . . . . . . . . . . . 75
3.6.1. Soluciones únicas . . . . . . . . . . . . . . . . . . . . . 75
3.6.2. Infinitas soluciones . . . . . . . . . . . . . . . . . . . . 77
3.7. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . 81
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
II Algebra Lineal 89
4. Espacios Vectoriales 91
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2. Definición y ejemplos. . . . . . . . . . . . . . . . . . . . . . . 91
4.3. Propiedades de los espacio vectoriales . . . . . . . . . . . . . 94
4.4. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . 96
4.5. Subespacio generado . . . . . . . . . . . . . . . . . . . . . . . 99
4.6. Dependencia e independencia lineal . . . . . . . . . . . . . . . 105
4.7. Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . 109
4.8. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.9. Matriz de Cambio de Base . . . . . . . . . . . . . . . . . . . . 115
Teorı́a de Matrices
1
Capı́tulo 1
Matrices
1.1. Introducción
En el presente capı́tulo definiremos arreglos rectangulares, los cuales lla-
maremos MATRICES y al conjunto de arreglos rectangulares del mismo
tamaño le dotaremos de una estructura algebraica con la cual podremos
hacer varias operaciones simultáneamente. Nuestro estudio de las matrices
tiene, en principio, el objetivo de estudiar sistemas de ecuaciones lineales, los
cuales reduciremos al estudios de ecuaciones matriciales del tipo A · X = B
en donde A, X, B son matrices.
En lo que sigue consideraremos que los elementos de las matrices están en
un campo F el cual en general se puede suponer que son los números reales o
complejos. Esta consideración obedece a lograr la mayor generalidad posible
sin un esfuerzo adicional. Por ejemplo en la teorı́a de grafos se consideran
las matrices con elementos en un algebra Booleana y en otras aplicaciones
matrices con elementos en el campo Z2 .
3
4 CAPÍTULO 1. MATRICES
Del mismo modo la j-ésima columna de A es:
a1j
a2j
Cj = .
..
anj
para j = 1, 2, ..., m.
Usaremos también la notación:
[A]ij
luego
2 1 −1
A+B = 5 0 4
−1 5 1
Ejercicios
1. Determinar el tamaño de las siguientes matrices:
0 0 1 3 2
0 0 −1 3 2 −1 2 −1
A= , B=
1 ,
C=
−1 4 1 0 2 1 6
−3 1 2 2 1
1.3. OPERACIONES CON MATRICES 7
7. Calcular A + B, B + C, C + A donde
2 1 −1 0 0 −1 −2 −1 −1
A = −2 2 4 , B = 2 0 −2 , C = 2 −1 −1
−1 4 1 1 2 −1 1 2 1
Calcular A + (I + B) + 0.
8 CAPÍTULO 1. MATRICES
1.3.2. Producto
Vamos a definir dos tipos de productos:
Producto por un escalar
Definición 5. Sea A ∈ Mn×m (F) y sea α ∈ F. Definimos el producto de la
matriz A por el escalar α como la matriz α · A ∈ Mn×m (F) dada por
[α · A]ij = α · [A]ij
es decir:
α · a11 α · a12 ··· α · a1m
α · a21 α · a22 ··· α · anm
α·A= .. .. .. ..
. . . .
α · an1 α · an2 · · · α · anm
Ejemplo 3. Sea la matriz
1 −1 4
A=
3 −2 3
1 −1 4 5 · 1 5 · (−1) 5 · 4 5 −5 20
5·A =5· = =
3 −2 3 5 · 3 5 · (−2) 5 · 3 15 −10 15
1
0
[AB]23 = −1 −2 0 2 · = ((−1)·1)+((−2)·0)+(0·(−1))+(2·(−2)) = −5.
| {z } −1
fila 2 −2
| {z }
columna 3
Finalmente obtenemos:
−4 0 2
AB =
5 8 −5
An = A
| · A{z· · · A}
n−veces
1. A + B = B + A, (Conmutatividad).
2. (A + B) + C = A + (B + C), (Asociatividad).
A + 0 = A.
A+B =0
9. A (B + C) = A B + A C.
1. A Im = A
2. In A = A
Ejercicios
1. Realizar las siguientes operaciones:
2 1 −1 −1 i 0 1+i 1
· , ·
−2 2 1 −2 −i 1 − i −1 1 + i
12 CAPÍTULO 1. MATRICES
2. Calcular AB y BC donde
1 −1 −1 −2 −1 −1 −2
2 1 −1
A= , B = −2 1 −2 , C = 2 −1 −1 2
−2 2 4
1 2 −1 1 2 1 1
Calcular
(I − A)2 + AX = I.
9. Dada la matriz
0 cos θ sen θ
A = cos θ 0 −1
sen θ 1 0
calcular A3 .
a) Determinar Ak donde k ∈ N.
P
b) Calcular nk=1 Ak
a) Determinar Ak donde k ∈ N.
P
b) Calcular nk=1 Ak
A2 − traza(A) · A + 3 · I2 = 0
c) Muestre que
i) traza(A + B) = traza(A) + traza(B).
ii) traza(αA) = α traza(A).
iii) traza(A) = traza(At ).
iv) traza(AB) = traza(BA).
d) Muestre que si A ∈ Mn (F) y si A At = 0 entonces A = 0.
[At ]i j = [A]j i .
Ejemplo 6. Sea
−1 0 2 −1
A=
i 1 −3 2 2×4
Ejercicios
1. Calcular la transpuesta de las siguientes matrices:
−2 1 −1 −2
−1 −2 0
2 1 −1 2 1 −5 2
A= , B = −2 1 −4 , C=
−2 0 0 4 1 0 7
1 4 −1
1 2 0 0
Si una matriz tiene inversa diremos que es inversible o que es una matriz
singular. Veamos un ejemplo
Ejemplo 7. Si
0 1 1 −1 0 1
A = 1 0 1 , B = 0 −1 1
1 1 1 1 1 −1
1.4. LA MATRIZ INVERSA 17
entonces
1 0 0
AB = BA = 0 1 0
0 0 1
Ası́ B es la matriz inversa de A (o A es la inversa de B).
Teorema 12. Si A ∈ Mn (F) y la matriz inversa de A existe, esta es única.
Demostración. Supongamos que B, C ∈ Mn (F) son inversas de A entonces
AB = BA = In y AC = CA = In luego como
B = C.
(AB)−1 = B −1 A−1
Basta calcular:
h i
In + A + A2 + · · · + Ak−1 (In − A) = In + A + A2 + · · · + Ak−1
+ (In + A + A2 + A3 − · · · − Ak−1 )(−A)
= In + A + A2 + · · · + Ak−1 − A − A2 − · · · − Ak
= In
A2 − A − I = 0
A(A − I) = I
veamos:
h i h i
(A + B) A−1 (In + BA−1 )−1 = (A + B)A−1 (In + BA−1 )−1
= (AA−1 + BA−1 )(In + BA−1 )−1
= (In + BA−1 )(In + BA−1 )−1
= In
Es claro que las preguntas que debemos hacernos en este momento son:
estas son preguntas importantes en este punto, veamos una respuesta parcial:
1.5. Ejercicios
1. Determinar si la inversa de las siguientes matrices existe y determinar
la inversa cuando exista.
0 1 2 1 2 1
A= , B= , C= .
2 1 1 1 −2 −1
(I + A2 )−1 = I − 2A2
3. Con la matriz !
√i 0
A= 2
0 √i
2
verifique el item anterior.
4. Muestre que si
cos θ − sen θ
A(θ) =
sen θ cos θ
Definición 16. Una matriz A ∈ Mn×m (F) se dice que es una matriz ESCALON-
ADA REDUCIDA si:
1. Todas las filas nulas se encuentran por debajo de las filas no nulas.
2. El pivote de la fila i + 1 aparece a la derecha del pivote de la fila i para
i = 1, 2, ..., n − 1.
3. El pivote de cada fila no nula es igual a 1.
4. Si una columna contiene un pivote entonces todos los demás elementos
de la columna son iguales a cero.
Una matriz que cumple 1 y 2 más no necesariamente 2 y 4 se denomina
matriz ESCALONADA.
Ejemplo 14. Dada la matriz
0 1 3 −1
A= 0 0 2 0
0 0 0 0
notemos que tiene los siguientes pivotes :
0 1 3 −1
A= 0 0 2 0
0 0 0 0
primero determinaremos si es escalonada, para esto debe cumplir (1) y (2).
1. Cumple (1) pues todas la filas nulas están al final de la matriz.
2. Cumple (2) el pivote de la fila dos esta a la derecha del pivote de la
fila uno.
Luego es una matriz escalonada. No es escalona reducida pues sus pivotes
no son todos iguales a uno.
Por ejemplo las siguientes matrices son escalonadas:
1 3 −1 2 3 −1 0 0 1 2 1 1
0 2 0 , 0 5 −2 0 , 0 0 0 1 3
0 0 0 0 0 1 1 0 0 0 0 3
las matrices:
1 0 −1 1 0 0 0 0 1 2 0 0
0 1 0 , 0 1 0 0 , 0 0 0 1 0
0 0 0 0 0 1 1 0 0 0 0 1
son ejemplos de matrices escalonadas reducidas.
24 CAPÍTULO 1. MATRICES
Observación 4. Sea A′ ∈ Mn (F) una matriz escalonada, supongamos que
su elemento a′ii 6= 0, 1, entonces no es un pivote, luego debe existir a′ik = 1
con k < i un pivote de A′ , en realidad el i-ésimo pivote de A′ , pero esto es
imposible pues no pueden haber i − 1 pivotes distribuidos en por lo menos
i − 2 columnas.
Ası́ toda matriz cuadrada escalonada reducida tiene los elementos de su di-
agonal principal iguales a ceros o unos. Por ejemplo:
1 0 0 2 0 1 0 0
0 1 0 1 0 0 1 0 1 0 0
0 0 0 0 , 0 0 0 1 ,
0 1 0
0 0 0
0 0 0 0 0 0 0 0
ası́ podemos decir que:
1. Si la matriz A′ tiene todos los elementos de la diagonal principal
iguales a 1 entonces A′ = In .
2. Una matriz escalonada reducida por filas A ∈ Mn (F) es una matriz
identidad o una matriz con una fila llena de ceros.
Ejercicios
1. Determine si las siguientes matrices son escalonadas.
1 1 2 0 1 −1 2 0 1 2 1 0 1 0 2
0 4 0 0 0 −2 1 0 0 1 0 0 0 1 1
0 0 0 ,
, ,
0 0 0 0 0 0 0 1 0 0 0 1
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0
luego como:
1 0 0 0 1 0 0 0 1
0 1 0 0 0 1
0 0
1
E3,4 · E3,4 =
0 =
0 0 1 0 0 0 1 1
0 0 1 0 0 0 1 0 1
−1
concluimos que E3,4 = E3,4 .
1 2 −1 1
Ejemplo 16. Consideremos la matriz A = 0 0 0 1 entonces
0 0 2 2
1 2 −1 1 1 2 −1 1
F ↔F
A= 0 0 0 1 2∼ 3 0 0 2 2 = A′
0 0 2 2 0 0 0 1
1 0 0 1 2 −1 1 1 2 −1 1
E2,3 · A = 0 0 1 · 0 0 0 1 = 0 0 2 2 = A′
0 1 0 0 0 2 2 0 0 0 1
F1 F1
.. ..
.
i .
Fi αF
∼ αFi
.. ..
. .
Fn Fn
Donde
αFi = (αai1 αai2 ...αaim )
Por ejemplo
1 2 −1 1 1 2 −1 1
2 3 0 1 αF3 2 3 0 1
A= ∼ = A′
1 −1 3 1 α1 α(−1) α3 α1
2 1 0 0 2 1 0 0
si α = 2 tenemos que
1 2 −1 1 1 2 −1 1 1 2 −1 1
2 3 0 1 2F3 2 3 0 1 2 3 0 1
A=
1 −1
∼ =
3 1 2 · 1 2 · (−1) 2 · 3 2 · 1 2 −2 6 2
2 1 0 0 2 1 0 0 2 1 0 0
tenemos que:
1 0 0 0 1 2 −1 1 1 2 −1 1
0 1 0 0
· 2 3 0 1
= 2 3 0 1
E3 (2) · A =
0 0 2 0 1 −1 3 1 2 −2 6 2
0 0 0 1 2 1 0 0 2 1 0 0
28 CAPÍTULO 1. MATRICES
Ejemplo 18. Veamos que si α 6= 0 entonces:
1 0 0 0 1 0 0 0
, y E2 1 =
0 α 0 0 0 1/α 0 0
E2 (α) =
0 0 1
0 α 0 0 1 0
0 0 0 1 0 0 0 1
si multiplicamos ambas matrices tenemos que:
1 0 0 0 1 0 0 0 1
1 0 α 0 0 0 1/α 0 0 1
E2 (α)·E2 = 0 0 1 0 · 0 0 1
=
α 0 1
0 0 0 1 0 0 0 1 1
−1
Luego E2 (α) · E2 α1 = I4 por lo tanto E2 (α) = E2 α1 .
αF
Teorema 18. Si A ∈ Mn×m (F) y A ∼i A′ entonces
Ei (α)A = A′ .
1 2 −1 1
Ejemplo 19. Consideremos la matriz A = 0 0 0 1 no esta en
0 0 2 2
forma escalonada pero si:
1 2 −1 1 1 2 −1 1 1 2 −1 1
F ↔F (1/2)F
1 1 = A′
2
A= 0 0 0 1 2∼ 3 0 0 2 2 ∼ 0 0
0 0 2 2 0 0 0 1 0 0 0 1
entonces la nueva matriz A′ esta en la forma escalonada reducida. Se puede
verificar que
E2 (1/2) E2,3 A = A′
pues si:
1 0 0 1 1 0 0
E2,3 = 0 0 1 , E2 = 0 1/2 0
2
0 1 0 0 0 1
entonces
1 1 0 0 1 0 0 1 2 −1 1
E2 E2,3 A = 0 1/2 0 0 0 1 0 0 0 1
2
0 0 1 0 1 0 0 0 2 2
1 0 0 1 2 −1 1
= 0 0 1/2 0 0 0 1
0 1 0 0 0 2 2
1 2 −1 1
= 0 0 1 1
0 0 0 1
1.7. OPERACIONES ELEMENTALES 29
Definimos
Fi +αFj
In ∼ Ei,j (α)
la matriz Ei,j (α)Mn (F) es invertible, para esto basta ver que
−1
Ei,j (α) = Ei,j (−α)
Ei,j (α)A = A′ .
1 0 −1 1
Ejemplo 21. Consideremos la matriz A = 2 0 0 2 esta no esta
0 0 1 1
en la forma escalonada sin embargo:
1 0 −1 1 1 0 −1 1
F2 +(−2)F1
2 0 0 2 ∼ 0 −2 2 0
0 0 1 1 0 0 1 1
1 0 −1 1
(−1/2)F2
∼ 0 1 −1 0
0 0 1 1
1 0 0 2
F2 +F3
∼ 0 1 0 1
F1 +F3
0 0 1 1
Dada una matriz A ∈ Mn×m (F) las operaciones elementales por filas que
hemos estudiado se pueden utilizar para transformar la matriz A en otra
matriz A′ escalonada reducida ó simplemente escalonada, como se hizo en
el ejemplo 21. Más aún existen E1 , E2 , ..., Ek ∈ Mn (F) matrices elementales
(una para cada operación elemental) tales que:
E1 E2 · · · Ek A = A′
En particular si A ∈ Mn (F) entonces A′ ∈ Mn (F) además si A′ = In entonces
la matriz A es invertible y la inversa es
A−1 = E1 E2 · · · Ek
A−1 = E1 E2 · · · Ek In
E1 · E2 · E3 · · · Ek · A = A′ (1.5)
A tiene inversa ⇔ A ∼ In
usamos al elemento [A]22 = 1 como pivote, pero como todos los elementos
de su columna ya son iguales a cero entonces pasamos a buscar el pivote en
32 CAPÍTULO 1. MATRICES
la tercera fila:
1 0 −1 1 1 0 −1 1 1 0 0 0
0 1 2 −1
(−1)F 3
0 1 2 −1 +F3
F1∼ 0 1 2 −1
∼
0 0 -1 1 0 0 1 −1 0 0 1 −1
0 0 −6 4 0 0 −6 4 0 0 −6 4
1 0 0 0 1 0 0 0
F2 −2F3 0 1 0 1 F4 +6F 3 0 1 0 1
∼ ∼
0 0 1 −1 0 0 1 −1
0 0 −6 4 0 0 0 -2
1 0 0 0 1 0 0 0
(−1/2)F4 0 1 0 1 F3 +F4 0 1 0 0
∼ ∼
0 0 1 −1 F2 −F4 0 0 1 0
0 0 0 1 0 0 0 1
1 0 −1 1 1 0 0 0 1 0 −1 1 1
0 0 0
−2 0 −4 2 0 1 0 0 0 0 −6 4 2 1 0 0
F2 +2F
∼ 1
0 0 −1 1 0 0 1 0 F4 −2F1 0 0 −1 1 0
0 1 0
2 −2 2 0 0 0 0 1 0 2 4 −2 −2 0 0 1
| {z }| {z }
A I
1 0 −1 1 1 0 0 0
F2 ↔F4 0 1 2 −1 −1 0 0 12
∼
(−1/2)F2 0 0 −1 1 0 0 1 0
0 0 −6 4 2 1 0 0
1 0 −1 1 1 0 0 0
(−1)F3 0 1 2 −1 −1 0 0 12
∼
0 0 1 −1 0 0 −1 0
0 0 −6 4 2 1 0 0
1 0 0 0 1 0 −1 0
F1 +F3 0 1 0 1 −1 0 2 12
∼
F2 −2F3 0 0 1 −1 0 0 −1 0
0 0 −6 4 2 1 0 0
1 0 0 0 1 0 −1 0
F4 +6F3 0 1 0 1 −1 0 2 12
∼
(−1/2)F4 0 0 1 −1 0 −1 0
0
0 0 0 1 −1 − 12 3 0
1 0 0 0 1 0 −1 0
F3 +F4 0 1 0 0 0 1/2 −1 1/2
∼
F2 −F4 0 0 1 0 −1 −1/2 2 0
0 0 0 1 −1 −1/2 3 0
| {z }| {z }
I A−1
E1 E2 · · · Ek A = A′
donde A′ es una matriz escalonada reducida entonces A′ X = 0 ası́ por la
Observación 4 la matriz A′ es la identidad o tiene una fila de ceros. En
el segundo caso al tener una fila de ceros debe haber una columna sin un
elemento no nulo ( ver Ob.4) entonces a la variable correspondiente a esta
columna se le puede dar un valor arbitrario, digamos t de modo que si t 6= 0
entonces la solución Xt 6= 0
1.8. Ejercicios
1. Dada la matriz
−1 −2 −3 −4
4 3 2 1
A=
−5 −6 −7 −8
5 6 7 8
realizar las siguientes operaciones en el orden indicado.
a) F1 + F2 , F2 ↔ F4 , (−1)F2
b) F3 ↔ F2 , F2 + 2F4 , F1 + (−1)F2
Dada la matriz
−1 2 −1
A = −1 3 2
2 1 −1
calcular E1,2 A, E3,2 (2)A, E2 (−2)A, E2,1 (4)A
ó de manera similar:
0 1 9 0 1 9
0 2 0 F2 −2F
∼ 1 0 0 −18
0 0 0 0 0 0
1.10. Ejercicios
1. Escalonar las siguientes matrices
0 1 −1 2 0 2 −4 −2
0 4 −8 0 0 −8 4 −4
A= 5 5 −10 , B =
0 0 0 0 0
1 1 −2 6 0 12 −24 −6
a) A ∼ A, .
b) Si A ∼ B entonces B ∼ A.
c) Si A ∼ B y B ∼ C entonces A ∼ C.
notemos que
t t t
Ei,j = Ei,j , Ei (α) = Ei (α), Ei,j (α) = Ej,i (α)
Del mismo modo podemos definir operaciones elementales por columna, y
sus respectivas matrices elementales:
y si consideramos la matriz
a b c
A= d e f
g h i
40 CAPÍTULO 1. MATRICES
entonces
a b c 0 0 1 c b a
A · I1,3 = d e f 0 1 0 = f e d
g h i 1 0 0 i h g
a b c 1 0 0 a αb c
A · I2 (α) = d e f 0 α 0 = d αe f
g h i 0 0 1 g αh i
a b c 1 0 0 a + αc b c
A · I1,3 (α) = d e f 0 1 0 = d + αf e f
g h i α 0 1 g + αi h i
1.11. Ejercicios
1. Dadas las Matrices:
1 4
2 −3 1 −1 −1
A= , B = −2 0 , C=
0 −2 5 3 4
3 −1
Determinantes
2.1. introducción
En el T.15 establecemos una condición necesaria y suficiente para la ex-
istencia de la inversa de una matriz cuadrada de orden 2, esta depende
simplemente de ver si una determinada expresión es diferente de cero. ¿Se
puede llegar a un resultado similar para matrices de orden n? este capı́tulo
se dedica a dar una respuesta a esta pregunta.
Por ejemplo si
2 3
A= entonces det(A) = 2 · 1 − 3 · 2 = −4
2 1
43
44 CAPÍTULO 2. DETERMINANTES
Es decir si
a11 ... a1(j−1) a1j a1(j+1) ... a1m
.. .. .. .. ..
. ... . . . ... .
a(i−1)1 . . . a(i−1)(j−1) a(i−1)j a(i−1)(j+1) . . . a(i−1)m
ai1
A= ... ai(j−1) aij ai(j+1) ... aim
a . . . a(i+1)(j−1) a(i+1)j a(i+1)(j+1) . . . a(i+1)m
(i+1)1
.. .. .. .. ..
. ... . . . ... .
an1 ... an(j−1) anj an(j+1) ... anm
entonces el menor Mij de A es la matriz:
a11 ... a1(j−1) a1(j+1) ... a1m
.. .. .. ..
. ... . . ... .
a(i−1)1 . . . a(i−1)(j−1) a(i−1)(j+1) . . . a(i−1)m
Mij = a(i+1)1 . . . a(i+1)(j−1) a(i+1)(j+1)
. . . a(i+1)m
.. .. .. ..
. ... . . ... .
an1 ... an(j−1) an(j+1) ... anm
Ejemplo 26. Si
2 3 3
A= 2 1 4
4 7 8
entonces
1 4 2 3 2 3
M11 = , M23 = , M32 =
7 8 4 7 2 4
entonces
1+1 1 4 3+2 2 3
C11 = (−1) det = −20, C32 = (−1) det = −2
7 8 2 4
Definición 26. Dada A ∈ Mn (F) con n > 2 entonces definimos
n
X
det(A) = (−1)1+j [A]1j det(M1j ) (2.4)
j=1
el determinante de la matriz A.
Observación 6. Para aplicar la fórmula 2.4 se debe se debe calcular el
determinante det(M1j ) pero notemos que el menor Mij ∈ Mn−1 F es de un
orden menor que A. Ası́ tenemos que
1. Por la definición 2.4 si
a11 a12
A= entonces det(A) = a11 a22 − a12 a21
a21 a22
2.3. EJERCICIOS 45
2. Supongamos que
a11 a12 a13
A = a21 a22 a23
a31 a32 a33
entonces
3
X
det(A) = (−1)1+j a1j det(M1j )
j=1
2.3. Ejercicios
1. Calcular
1 3 −2 3
det , det
2 1 −2 1
10 15 175 65 145 −356
2. Calcular: , , .
2 −7 −125 705 571 247
3. Calcule el determinate de
−1 3 3 −1 0 0
A = 0 −1 2 , B = 2 −1 −2
−1 −2 −1 −1 6 3
1 0 3 3 −1 4 −2 −3 1
4. Calcular: 0 1 4 ,
6
3 5 ,
4
6 5 .
2 1 0 2 −1 6 0 2 1
46 CAPÍTULO 2. DETERMINANTES
5. Calcular el determinante de las siguientes matrices:
1 0 1 2 2 −1 1 0
−1 1 0 0 0 1 2 0
det
2 −1 0
, det
1 3 1 0 −1
0 0 1 −1 −1 0 1 0
8. Calcular
z −z 0
∆ = 0 z2 −1
1 z z+1
sabiendo que z ∈ C es tal que z 5 = 1 y z 6= 1.
Fi = αFi′ + βFi′′
Caso 1. Si
αF1′ + βF1′′ F1′ F1′′
F2 F2 F2
A′ = A′′ =
A= .. y .. , ..
. . .
Fn Fn Fn
j=1 j=1
′ ′′
det(A) = α|A | + β|A |
48 CAPÍTULO 2. DETERMINANTES
Caso 2. Supongamos que i > 1 entonces
n
X
det(A) = a1j C1j
j=1
Xn
′ ′′
= a1j (αC1j + β C1j ) Por H. I.
j=1
Xn n
X
′ ′′
=α a1j C1j +β a1j C1j
j=1 j=1
′ ′′
det(A) = α|A | + β|A |
det(A) = 0
entonces
a b
det(A) = det = a,
0 1
a b c
det(B) = det 1 0 0 = ce − bf
d e f
b c
= (−1) det
e f
Lema 30. Sea una matriz A ∈ Mn (F) tal que Fi = ek para algún k entonces
det(A) = Cik
Caso 1. Si i = 1 entonces
n
X
det(A) = (−1)1+j a1j M1j
j=1
por lo tanto
n
X
det(A) = (−1)1+j a1j det(M1j )
j=1
X X
= (−1)1+j a1j (−1)(i−1)+(k−1) det(Bj ) + (−1)1+j a1j (−1)(i−1)+k det(Bj )
j<k j>k
" #
X X
i+k j−1 1+(j−1)
= (−1) (−1) a1j det(Bj ) + (−1) a1j det(Bj )
j<k j>k
n
X
det(A) = aik Cik
k=1
para cualquier 1 ≤ i ≤ n.
n
X
Fi = aik ek
k=1
2.4. PROPIEDADES DEL DETERMINANTE 51
Veamos algunos ejemplos en los cuales podemos aplicar esta nuevas her-
ramientas.
Ejemplo 29. Sean las matrices:
2 3 4 1 2 3 4 1
0 1 0 3 2 −1 0 3
A= 2 −1 0 2
, B=
0
2 0 0
1 2 2 0 0 4 0 0
1. Para calcular el determinante de A podemos elegir cualquier fila para el
desarrollo por cofactores gracias al Teorema 31 por supuesto elegimos
la que tiene mayor cantidad de ceros ası́:
2 4 1 2 3 4
det(A) = (−1)2+2 · 1 · 2 0 2 + (−1)2+4 · 3 · 2 −1 0
1 2 0 1 2 2
= 1 · 4 + 3 · 4 = 16
Demostraremos en T.36 que det(A) = det(At ), esto nos dice que podemos
aplicar la regla de cofactores a las columnas de A. Además:
2.4. PROPIEDADES DEL DETERMINANTE 53
Ejercicios
1. Calcular el determinate de las siguientes matrices. Usando el método
de cofactores en la tercera fila.
2 2 1 0 0
1 2 0 0 4 0 1 1
2 1 2 0 0
, 0 0 2 4 2
−1 2 2 0
0 0 2 4 2
3 2 1 1
1 2 2 1 −1
2. det(Ei,j ) = −1 entonces
det(A′ ) = det(Ei,j ) · det(A)
E1 · · · Ek A = At Ik · · · I1
1
det(A−1 ) =
det(A)
Hasta aquı́ el T.36 resuelve parte del problema planteado al inicio de este
capı́tulo: Una matriz A ∈ Mn (F) tiene inversa si y solo si det(A) 6= 0. Por
supuesto en el camino hemos dado varias propiedades que nos ayudan al
cálculo del determinante de una matriz, es más el item 3 del Teorema 36 nos
dice que toda propiedad de determinantes referente a las filas de una matriz
son también propiedades referentes a las columnas.
1 2 −1 0 1
−1 −1
2 1
0 −1 −1 2 1
−3
2 0 −3
det(A) = (−4) 0 −3 2 0 −3 = (−4)
1 −1 3 0
0 1 −1 3 0
1 2 −2 0
0 1 2 −2 0
1 1 −2 −1 1
1 −2 −1
(−1)F1 −3 2 0 −3 F4 −F1 0
5 −6 −6
= −(−4) = 4
F3 −F1 0 −2 5 1 F2 +3F1 0 −2 5 1
1 2 −2 0 0 1 0 1
5 −6 −6
= 4 −2 5 1 = 4 · 37 = 141
1 0 1
x−3 0 3
x−3 3
|A| = 0 x+2 0 = (x + 2)
−5 −5 x+5
0 x+5
x 0 x 0 −3 3 −3 3
= (x + 2) +
−5 5 + 0 x
+
−5 5
0 x
|A| = (x + 2) · x(x + 2) = x(x + 2)2
Solución.-
a−b b−c c−a a−b b−c c−a
F3 +F1
det b − c c − a a − b = b−c c−a a−b
c−a a−b b−c c−b a−c b−a
a − b b − c c − a
F3 +F2
= b − c c − a a − b = 0
0 0 0
entonces
a1 + 1 a2 a3
··· an
−1 1 0 ··· 0
−1 0 1 ··· 0
|A| =
.
.. .. .. .. ..
. . . .
−1 0 0 ··· 1
2.5. DETERMINANTES Y OPERACIONES ELEMENTALES 59
ii) Haciendo
Fi − F1 =(n 1 1 . . . i . . . 1) − (n 1 1 . . . 1 . . . 1)
=(0 0 0 . . . i − 1 . . . 0), ∀i = 2, 3, ..., n
60 CAPÍTULO 2. DETERMINANTES
entonces tenemos que
n 1 1 1 ··· 1
n 1 1 1 ··· 1
n 2 1 1 ··· 1
0 1 0 0 ··· 0
n 1 3 1 ··· 1
0 0 2 0 ··· 0
det n 1 1 4 ··· 1 = 0 0 0 3 ··· 0
.. .. .. .. .. .. .. .. .. .. .. ..
. . . . . .
. . . . .
.
n 1 1 1 ··· n 0 0 0 0 ··· n−1
=n · (2 · 3 · · · (n − 1)) = n!
2.6. Ejercicios
1. Supongamos que det(A) = 5 calcular los siguientes determinantes:
a31 a32 a33 a31 a32 a33 a11 a12 a13
det a21 a22 a23 , det a11 a12 a13 , det −2a21 −2a22 −2a23
a11 a12 a13 a21 a22 a23 a31 a32 a33
3.
demuestre que
n
Y
det(Vn ) = (aj − ai )
i=1
j>i
Adj(A) = Cof(A)t
Es claro que det(A′ ) = 0 pues tiene dos filas iguales, además Cjk = Cjk ′ en-
1
A−1 = Adj(A)
det(A)
1
A= Adj(A)
det(A)
2.8. EJERCICIOS 65
2.8. Ejercicios
1. Hallar la inversa de la matriz
−1 2 −1
A= 2 2 2
0 0 1
Sistemas de Ecuaciones
3.1. Introducción
Dado un sistema de ecuaciones lineales
a11 x1 + a12 x2 + · · · + a1m xm = b1
a21 x1 + a22 x2 + · · · + a2m xm = b2
.. .. .. .. .. .. .. .. (3.1)
. . . . . . . .
an1 x1 + an2 x2 + · · · + anm xm = bn
67
68 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Teorema 41. Si un sistema tiene dos soluciones distintas entonces tiene
infinitas soluciones.
Demostración. Sea el sistema AX = b si X0 , X1 son soluciones distintas de
este sistema, entonces sea
Ejercicios
1. Escribir los siguientes sistemas de ecuaciones lineales en términos de
matrices:
z + x = 0 x − y = −1
x + y + z = 1
, 2y − x = 0 , −x + y = −1
2x + y + 2z = −1
−x + y − z = 0 3x = 0
luego
1 h i
xi = · C1i b1 + C2i b2 + C3i b3 + · · · + Cni bn
det(A)
Si consideramos la matriz
a11 a12 · · · a1(i−1) b1 a1(i+1) · · · a1n
a21 a22 · · · a2(i−1) b2 a2(i+1) · · · a2n
Ai = .. .. .. .. .. ..
. . . . . .
an1 an2 · · · an(i−1) bn an(i+1) · · · ann
el sistema tiene solución única, luego por la regla de Cramer sus soluciones
son:
1 1 1 1 1 1 1 1 1
−1 1 2 −2 −1 2 −2 1 −1
0 1 −1 −1 0 −1 −1 1 0
x= , y= , z=
−8 −8 −8
entonces la solución del sistema es:
x 5/8
y = 1/2
z −1/8
notemos que
1 2 −3
det 3 −1 5 = −7a2 + 112
4 1 a2 − 14
no tiene solución.
Observación 8. Es decir el sistema no tiene soluciones si la matriz (A′ |b′ )
tiene un pivote en la columna b′ .
74 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Ejemplo 44. Sea el sistema
x + y + 3z + w =0
x + z − w =1
−y + z − w =0
x − y + 2z − 2w =2
1 −1 2 −2 w 2
| {z } | {z } | {z }
A X b
1 1 3 1
0 1 1 3 1 0
1 0 1 −1 1 F 2 −F 2
0 −1 −2 −2 1
(A|b) = 0 −1 1
∼
−1
0 F4 −F1 0 −1 1 −1 0
1 −1 2 −2 2 0 −2 −1 −3 2
1 1 3 1 0 1 1 3 1 0
(−1)F2 0 1 2 2 −1 F4 +2F
0 1 2 2 −1
∼ ∼ 2
F3 +F2 0 0 3 1 −3
0 0 3 1 −1
0 −2 −1 −3 2 0 0 3 1 0
1 1 3 1 0
F4 −F3 0 1 2 2 −1 ′ ′
∼ −1 = (A |b )
0 0 3 1
0 0 0 0 1
Ejercicios
1. Determine si el siguiente sistema tiene soluciones
x + y − z = −1
−x + 2y + z = 4
−2x + y + 2z = 2
1 −1 1 1 1 0 0
2
0 1 −1 1 F1 +F2 0 1 0 2
(A|b) ∼
0
∼
0 1 1 F2 +F3 0 0 1
1
0 0 0 0 0 0 0 0
ası́ la solución es
x 2
y = 2
z 1
y = −1 − z − w, z = 1+y−z+w
0 0 1 −1
−1 −1 −1 −2
0 −2 0 4
X2 = 0 + (−2) 1 + 3 0
=
−2
0 0 1 3
Ejemplo 48. Sea la matriz
1 −1 1 1
A = 0 −1 1 2
2 −1 1 0
Resuelva el sistema AX = 0.
x 3/2 −1/2 1 0
y
5/2
1/2
0
1
z =
0 +t
1 +r
0 + s
0 ,
t, r, s ∈ R
w 0 0 1 0
u 0 0 0 1
80 CAPÍTULO 3. SISTEMAS DE ECUACIONES
Ejemplo 50. Resuelva el sistema AX = b donde:
0 −1 2 1 1 0 −1
0 1 1 1 −1 0 0
A= y b=
0 0 0 −1 1 0 −1
0 −1 −1 0 0 0 1
a 1 1 2a − 1 1 1 a −3a + 3
F ↔F
(A|b) ∼ 1 a 1 a 1 ∼ 3 1 a 1 a
1 1 a −3a + 3 a 1 1 2a − 1
1 1 a −3a + 3
F2 −F1
∼ 0 a − 1 1 − a 4a − 3
a 1 1 2a − 1
1 1 a −3a + 3
F3 −aF1
∼ 0 a − 1 1 − a 4a − 3
0 1−a 1−a 2 2
3a − a − 1
1 1 a −3a + 3
F3 +F2
∼ 0 a−1 1 − a 4a − 3
0 2
0 −a − a + 2 2
3a + 3a − 4
3.8. Ejercicios
1. Resolver los siguientes sistemas de ecuaciones lineales:
x − 2y + 3z = 2 3x − 2y + 3z = 0
2x − z = 1 2x − y − z = 1
x + y − 2z = −3 −3x + y + 2z = 0
3.8. EJERCICIOS 83
6. Dado el sistema
2x − y + 3z = a
3x + y − 5z = b
− 5x − 5y + 21z = c
8. Dado el sistema
2x + 3y + 5z = 0
− x − 7y − z = 0
4x − 11y + kz = 0
Sabiendo que una de sus soluciones es: (1, 0, 0). (Use el ejercicio ante-
rior).
tal que pase por los puntos P1 = (0, 10), P2 = (1, 7), P3 = (3, −11) y
P4 = (4, −14).
x2 + y 2 + ax + by + c = 0
que pasa por los puntos P1 = (−2, 7), P2 = (−4, 5) y P3 = (4, −3).
16. Se dice que A ∈ M3 (R) es una matriz mágica si al sumar los elementos
de cada fila, cada columna y de las diagonales principal y secundaria se
obtiene siempre el mismo valor. Determinar todas matrices simétricas.
18. Un turista que fue a Europa gastó $30 por hospedaje en Inglaterra,
$20 al dı́a en Francia y $20 al dı́a en España. En cuanto a alimentos,
el turista gastó $20 diarios en Inglaterra, $30 diarios en Francia y $20
diarios en España. Además, por conceptos varios el turista gastó $10
diarios en cada uno de los paı́ses mencionados. A su regreso, el registro
de gastos del viajero indicaba un total de $340 por hospedaje, $320
por alimentos y $140 por gastos varios. Calcule el número de dı́as que
el viajero estuvo en cada uno de los tres paı́ses.
20. En el problema anterior suponga que hay 15000 unidades del primer
alimento, 10000 unidades del segundo y 35000 unidades del tercero
de los alimentos vertidos en el lago cada semana. Suponiendo que se
consume la totalidad de los tres alimentos, ¿Qué poblaciones de las
tres especies pueden coexistir en el lago?
26. Una refinerı́a produce gasolina con y sin azufre. Cada tonelada de
gasolina sin azufre requiere de 5 minutos en la planta de mezclado y 4
en la planta de refinación. Por su parte, cada tonelada de gasolina con
azufre requiere 4 minutos en la planta de mezclado y 2 en la planta
de refinación. Si la planta de mezclado tiene 3 horas disponibles y la
de refinación 2, ¿cuántas toneladas de cada gasolina se deben producir
para que las plantas se utilicen al máximo?
28. Un nutricionista está preparando una dieta que consta de los ali-
mentos A, B y C. Cada onza del alimento A contiene 2 unidades de
proteı́na, 3 unidades de grasa y 4 unidades de carbohidratos. Cada
onza del alimento B contiene 3 unidades de proteı́na, 2 unidades de
88 CAPÍTULO 3. SISTEMAS DE ECUACIONES
grasa y 1 unidad de carbohidratos. Cada onza del alimento C con-
tiene 3 unidades de proteı́na, 3 unidades de grasa y 2 unidades de
carbohidratos. Si la dieta debe proporcionar exactamente 25 unidades
de proteı́na, 24 unidades de grasa y 21 unidades de carbohidratos,
¿cuántas onzas de cada comida se necesitan?
Parte II
Algebra Lineal
89
Capı́tulo 4
Espacios Vectoriales
4.1. Introducción
91
92 CAPÍTULO 4. ESPACIOS VECTORIALES
S1. Clausura P1. Clausura
u+v ∈V α·u∈V
u + (v + w) = (u + v) + w (α · β) · v = α · (β · v) = α · (β · v)
S3. Conmutatividad
u+v =v+u
∃e ∈ V : v + e = v 1·v =v
∃ v′ ∈ V : v + v′ = 0
D. Distributividad
α · (u + v) = α · u + α · u
(α + β) · u = α · u + β · u
[−A]ij = −[A]ij .
(α · f )(x) = α · f (x), ∀x ∈ F
1. u + w = v + w ⇔ u = v.
3. Si α · v = 0 si y solo si α = 0 ó v = 0.
4. (−1) · v = −v.
u = u + 0 =u + (w + (−w))
=(u + w) + (−w)
=(v + w) + (−w)
=v + (w + (−w))
=v + 0 = v.
2. 0 · u = (0 + 0) · u = 0 · u + 0 · u si 0V = 0 como 0 + (0 · u) = 0 · u entonces
4.
v + (−1) · v = 1 · v + (−1) · v = (1 + (−1)) · v = 0 · v = 0.
Ejemplo 57. Los vectores (1, 2), (−2, −4) ∈ R2 son paralelos pues
(−2, −4) = −2 · (1, 2)
Ejemplo 58. Sean (2, 3, −1), (2, −1, 1) ∈ R3 , no son paralelos pues si existe
α ∈ R tal que (2, 3, −1) = α(2, −1, 1) esto ocurre si y solo si existe α ∈ R
tal que (2, 3, −1) = (2α, −α, α) luego
2 = 2α
3 = −α
−1 = α
ası́ de la primera y segunda ecuación tenemos que α = 1 y α = −1, lo cual
es imposible. Luego los vectores (2, 3, −1), (2, −1, 1) no son paralelos.
Proposición 47. Supongamos que u, w ∈ VR son paralelos a v ∈ VR , en-
tonces si α ∈ R , u + αw es paralelo a v.
Demostración. Si u, w son vectores paralelos a v existen β1 , β2 ∈ R tales que
u = β1 v y w = β2 v entonces
u + αw =(β1 v) + α (β2 v)
=(β1 v) + (α β2 ) v
=(β1 + α β2 )v
por lo tanto existe β = β1 + α β2 ∈ R tal que u + αw = β v luego son
paralelos.
S = {(1, b) : b ∈ R} ⊆ R2
s
(1,1)
W ≤F V, o simplemente W ≤V
4.4. SUBESPACIOS VECTORIALES 97
αu + βv ∈ W. (4.1)
αu + βv = 0 · u + 0 · v = 0 ∈ W
{0} ≤ V, V ≤V
L = {α v0 : α ∈ R}
entonces
L = {α v0 + P0 : α ∈ R}
tiene a (1, 2) como vector direccional y pasa por el punto (1, −2), ¿es un
subespacio de R2 ? para ser un subespacio de R2 un condición necesaria es
(0, 0) ∈ L pero si esto fuese ası́, existirı́a α ∈ R tal que
N = {X ∈ Mm×1 (F) : AX = 0}
luego X1 + αX2 ∈ N .
por lo tanto N ≤ Mm×1 (F).
α1 v1 + α2 v2 + · · · + αn vn
donde α1 , α2 , . . . , αn ∈ F.
Si S ⊆ V , no vacı́o, diremos que v ∈ V es una combinación lineal de los
elementos de S si: Existen v1 , v2 , . . . , vm ∈ S y escalares α1 , α2 , . . . , αm ∈ F
tales que
α1 v1 + α2 v2 + · · · + αn vm = v
100 CAPÍTULO 4. ESPACIOS VECTORIALES
En particular si S = {v1 , v2 , . . . , vm } ⊆ V , es decir es finito, diremos que
un vector v es combinación lineal de los elementos de S si: Existen escalares
α1 , α2 , . . . , αm ∈ F tales que
α1 v1 + α2 v2 + · · · + αn vm = v
hSi ≤F V
Demostración. Como S 6= ∅ entonces sea v ∈ S, una combinacion lineal
formada por v es: 1 · v = v ∈ hSi luego hSh6= ∅.
Sean u, v ∈ hSh, entonces existen u1 , u2 , ..., uk , v1 , v2 , ..., vm , S y escalares
α1 , α2 , ..., αk , β1 , β2 , ..., βm ∈ F tales que
u = α1 u1 + α2 u2 + · · · + αk uk
v = β1 v1 + β2 v2 + · · · + βm vm
entonces si α, β ∈ F
α u + β v = α(α1 u1 + α2 u2 + · · · + αk uk ) + β(β1 v1 + β2 v2 + · · · + βm vm )
= (α α1 )u1 + · · · + (α αk )uk ) + (β β1 )v1 + · · · + (β βm )βm vm ) ∈ hSi
0
4.5. SUBESPACIO GENERADO 101
Notemos que
luego W ′ = R2 .
u+αv ∈ W ∩U
Como dijimos antes los e.v. que nos interesan son precisamente del tipo hSi.
Recordemos que:
{(2, −1), (−2, −1)} = {(2, −1), (2, 1) , (0, 2)} = R2
Supongamos que S = {(2, −1), (2, 1) , (0, 2)} y notemos que
es decir si S ′ = {(2, −1), (2, 1)} hemos probado que hSi ⊆ hS ′ i, además si
u ∈ hS ′ i ⇔ existen α, β ∈ R tales que
1. Si S ′ ⊆ S entonces hS ′ i ⊆ hSi.
2. Si v ∈ hS ′ i entonces hS ′ i = S ′ ∪ {v}
se tiene que
a1 v1 + a2 v2 + ... + am vm = v
luego S ′ = S ′ ∪ {v}.
4.6. DEPENDENCIA E INDEPENDENCIA LINEAL 105
α1 v1 + α2 v2 + ... + αn vn = v
{(2, −1), (−2, −1), }, {(2, −1), (2, 1), (0, 2)}, {(1, 0), (0, 1)}
Ejemplo 71. Sea S = {(1, −1, 2), (0, 1, 1), (−1, 2, −1), (−2, 3, −3), (0, 2, 2)} ⊆
R3 , entonces v ∈ hSi si y solo si existen escalares x1 , x2 , x3 , x4 , x5 tales que
v1 1 0 −1 −2 0
v2 = x1 −1 +x2 1 +x3 2 +x4 3 +x5 2
v3 2 1 −1 −3 2
escalonando tenemos:
1 0 −1 −2 0 v1
1 0 −1 −2 0 v1
−1 1 2 3 2 v2 ∼ 0 1 1 1 2 v1 + v2
2 1 −1 −3 2 v3 0 0 0 0 0 −3v1 − v2 + v3
106 CAPÍTULO 4. ESPACIOS VECTORIALES
este sistema tiene solución si y solamente si −3v1 − v2 + v3 = 0 es decir si
y solo si
v1 −1/3 1/3
v2 = t 1 + r 0 , t, r ∈ R
v3 0 1
ası́ hSi = {(−1/3, 1, 0), (1/3, 0, 1)} .
Hemos encontrado un conjunto más simple que genera el mismo espacio que
S, aún queda por determinar si este conjunto es el más pequeño posible.
Notemos que en el camino hemos perdido información acerca de los elemen-
tos de S.
α1 v1 + α2 v2 + · · · + αn vn = 0 ⇒ α1 = α2 = · · · = αn = 0.
Ejemplo 72. Sea S = {(1, 2, −1), (2, 1, 1), (1, 2, 1)} ⊂ R3 vamos a deter-
minar si este conjunto es L.I.
tiene como única solución la trivial. Para determinar esto basta notar que
1 2 1 1 2 1 1 2 1
2 1 2 ∼ 0 −3 0 ∼ 0 1 0
−1 1 1 0 3 2 0 0 1
α1 (1 − x) + α2 (x2 ) + α3 (2 − x) + α4 (x − 2x2 ) = 0
recordemos que dos polinomios son iguales si sus coeficientes del mismo
grado lo son, entonces como
tenemos que
α1 + + 2α3 = 0
−α1 − α3 + α4 = 0
α2 − 2α4 = 0
para analizar este sistema de ecuaciones lineales, notemos que la matriz del
sistema es:
1 0 2 0 1 0 2 0 1 0 2 0
−1 0 −1 1 ∼ 0 0 1 1 ∼ 0 1 0 −2
0 1 0 −2 0 1 0 −2 0 0 1 1
v1 = α2 v2 + α3 v3 + ... + αm vm
entonces
(−1) v1 + α2 v2 + α3 v3 + ... + αm vm = 0
luego B no es L.I. lo cual es una contradicción, con lo que queda demostrado
el teorema.
Ejemplo 74. Sean S = {(1, 2, −1), (1, 0, 1), (2, 1, −1), (1, 2, −1)} vamos a
determinar si es L.I o no. Supongamos que
1 1 2 1 0
α1 2 + α2 0 + α3 1 + α4 2 = 0 (4.3)
−1 1 −1 −1 0
el conjunto S será L.I. si los únicos escalares que hacen esto posible son
todos iguales a cero caso contrario el conjunto será L.D. notemos que (4.3)
es equivalente a un sistema de ecuaciones, que en su forma matricial es:
α1
1 1 2 1 α2 0
2 0 1 2 = 0
α3
−1 1 −1 −1 0
α4
es importante notar que las columnas de la matriz de coeficientes son los
vectores de S. Escalonando tenemos:
1 1 2 1 1 1 2 1
2 0 1 2 ∼ 0 2 1 0
−1 1 −1 −1 0 0 0 0
ası́ existen una infinidad de escalares α1 , α2 , α3 , α4 que satisfacen (4.3) no
todos iguales a cero, luego el conjunto es L.D.
Resolviendo el sistema podemos escribir: α3 = t, α4 = r luego α2 = −t/2, α1 =
−(3/2)t − r. Entonces
3 1 1 2 1 0
t
− t−r 2 −
0 +t 1 +r
2 = 0 (4.4)
2 2
−1 1 −1 −1 0
4.7. BASES Y DIMENSIÓN 109
Siguiendo los pasos de la Ob. 13 podemos decir que (1, 2, −1) es combinación
lineal de {(1, 2, −1), (1, 0, 1), (2, 1, −1)}, ¿Este conjunto el L.I.? igual que
antes podemos observar
1 1 2 1 1 2
2 0 1 ∼ 0 2 1
−1 1 −1 0 0 0
nuevamente el sistema tiene infinidad de soluciones, son L.D. entonces ha-
ciendo α3 = t tenemos que
1 1 2 0
3 t
− t 2 − 0 +t 1 = 0 (4.5)
2 2
−1 1 −1 0
entonces (2, 1, −1) es combinación lineal de {(1, 2, −1), (1, 0, 1)} por la Ob.
13, el conjunto {(1, 2, −1), (1, 0, 1)} es L.I. ? basta ver:
1 1 1 1
2 0 ∼ 0 2
−1 1 0 0
tiene solución única, luego son L.I. ası́
{(1, 2, −1), (1, 0, 1), (2, 1, −1), (1, 2, −1)} = {(1, 2, −1), (1, 0, 1)}
m
X m
X m
X m
X
xj wj = xj α1j v1 + xj α2j v2 + .... + xj αnj vn = 0
j=1 j=1 j=1 j=1
Pm
esto es verdad, por ejemplo, si cada j=1 xj αij = 0 para cada i = 1, ..., n.
es decir si el sistema tiene solución:
x1 α11 + x2 α12 + · · · + xm α1m = 0
x1 α21 + x2 α22 + · · · + xm α2m = 0
.. .. .. .. . . . .. .. ..
. . . . . .. . . .
x1 αn1 + x2 αn2 + · · · + xm αnm = 0
La matriz de coeficientes de este sistema tiene el número de filas n menor
que el número de columnas m, por la Ob. 14 este existen x1 , ..., xm ∈ F no
todos iguales a cero tales que satisfacen este sistema y por lo tanto tales que
x1 w1 + x2 w2 + ... + xm wm = 0, luego {w1 , w2 , ..., wm } es L.D.
α1 v1 + α2 v2 + · · · + αm vm + αv = 0
{1, x, x2 , ..., xn }
si α0 · 1 + α1 x + α2 x2 + · · · + αn xn = 0 donde 0 ∈ Pn
podemos escribir
α0 · 1 + α1 x + α2 x2 + · · · + αn xn = 0 · 1 + 0 x + 0 x2 + · · · + 0 xn
Ejemplo 76. El conjunto {(1, 2, −1), (2, 3, 5), (1, 1, 6)} ⊆ R3 no es base de
R3 pues
1 2 −1
det 2 3 5 =0
1 1 6
Sin embargo el conjunto {(1, −1, 0), (1, 1, 1), (0, −2, 2)} ⊆ R3 si es una base
pues:
1 −1 0
det 1 1 1 =6
0 −2 2
Observación 16. Como algunas consecuencias inmediatas del T.64 pode-
mos decir que:
4.8. Coordenadas
Supongamos que B = {v1 , v2 , ..., vn } es una base de VF , entonces dado v ∈ V
existen α1 , α2 , ..., αn ∈ F tales que
α1 v1 + α2 v2 + · · · + αn vn = v
4.8. COORDENADAS 113
β1 v1 + β2 v2 + · · · + βn vn = v
α1 v1 + α2 v2 + · · · + αn vn = v
α1 v1 + α2 v2 + · · · + αn vn = v,
[u]B = u
Ejemplo 78. Sea B = {(1, 1, −1), (−1, 0, 0), (1, 1, 0)} ⊆ R3 como
| {z } | {z } | {z }
v1 v2 v
3
1 −1 1
det 1 0 1 =1
−1 0 0
entonces es un conjunto L.I. y como dim R3 = 3 entonces es una base de R3 .
Para calcular las coordenadas del vector v = (2, 1, 3) en la base B buscamos
escalares α1 , α2 , α3 tales que
α1 v1 + α2 v2 + α3 v3 = v
u = β1 v1 + β2 v2 + · · · + βn vn (4.6)
entonces [u]B = (β1 , β2 , ..., βn ) como B ′ es base de V entonces podemos
encontrar escalares tales que:
entonces
n
X n
X n
X
u = β1 ci1 ui + β2 ci2 ui + · · · + βn cin ui
i=1 i=1 i=1
(B ′ | B) ∼(I|P )
(B ′ |B) = (B ′ |I)
por lo tanto (B ′ |I) ∼ I|(B ′ )−1 luego
−1
−1 1 1 −1 2 −1
1
P = (B ′ )−1 = 2 1 0 = 2 0 2
4
1 1 −1 1 2 −3
[u]B′ = P · [u]B
5.1. Introducción
Hemos estudiado los espacios vectoriales los cuales son estructuras que gen-
eralizan a Rn . En este capitulo vamos a dotar a un espacio vectorial de
la noción de distancia y de ortogonalidad, lograremos esto introduciendo
una función denominada Producto Interno. A los largo de este capı́tulo V
denotará un espacio vectoriales sobre el campo de los numeros reales.
h , i:V ×V →R
I1. hu, ui ≥ 0.
117
118 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
además
hu, vi = u1 v1 + u2 v2 + · · · + un vn (5.1)
Por lo tanto (5.1) define un producto interior den Rn , este producto interior
se denomina producto interior Euclidiano.
||u||
d(u, v) = ku − vk
ku − λ vk2 = hu − λ v, u − λ vi
= hu, ui − 2λ hu, vi + λ2 hv, vi
Si λ > 0 entonces
2λ hu, vi ≤ λ−1 kuk2 + λ kvk2
poniendo λ = kuk/kvk tenemos que
2. kα · uk = |α| · kuk.
hu, vi
cos θ =
kuk kvk
Ası́ decir que dos vectores son ortogonales si el ángulo entre ellos es de 90o
ó π/2.
Demostración.
ku + vk2 = hu + v, u + vi
= hu, ui + 2hu, vi + hv, vi
= kuk2 + 2hu, vi + kvk2
Ejemplo 89. El conjunto {(1, −1, 1), (1, 0, −1), (1, 2, 1)} ⊆ R3 es ortogonal.
Como √ √ √
k(1, −1, 1)k = 3, k(1, 0, −1)k = 2, k(1, 2, 1)k = 6
entonces normalizando tenemos que:
( )
1 −1 1 1 −1 1 2 1
√ , √ , √ , √ , 0, √ , √ , √ , √
3 3 3 2 2 6 6 6
es un conjunto ortonormal.
Demostración. Si v = α1 v1 + α2 v2 + · · · + αn vn entonces
n
DX E n
X
hv, vi i = αj vj , vi = αj hvj , vi i
j=1 j=1
= αi hvi , vi i
hv, vi i
αi =
hvi , vi i
α1 v1 + α2 v2 + · · · + αn vn = 0
Una pregunta natural en este punto es: Todo espacio vectorial, de dimensión
finita, tiene una base ortogonal (ortogonal)?
Para dar una respuesta veamos primero:
Observación 20. Sean u, v ∈ V queremos hallar α ∈ R tal que hv, u−α vi =
0 es decir
entonces como
hv, u − α vi = hv, ui − α hv, vi
tenemos que hv, u − α vi = 0 si y solo si
hu, vi
α=
hv, vi
entonces el vector
hu, vi
P royv u = v
hv, vi
se denomina proyección ortogonal de u sobre v.
Es un vector en la dirección de v tal u − P royv u es ortogonal a v.
Si u, v no son paralelos entonces el conjunto {u, v} es L.I. luego es base del
espacio que generan W = h{u, v}i.
Si w = u − P royv u es claro que v, w ∈ h{u, v}i entonces h{v, w}i ⊆ h{u, v}i
y como u = w + P royv u ∈ h{w, v}i tenemos que h{u, v}i ⊆ h{w, v}i por lo
tanto
h{v, w}i = h{u, v}i
es decir {v, w} genera a W luego hemos conseguido una base de W en donde
sus elementos son ortogonales.
126 CAPÍTULO 5. ESPACIOS CON PRODUCTO INTERIOR
hSi = hS ′ i.
k
X hvk+1 , uj i
uk+1 = vk+1 − uj
huj , uj i
j=1
P hv ,uj i
si uk+1 = 0 entonces vk+1 = kj=1 huk+1 j ,uj i
uj ∈ hSk′ i lo cual nos dice que
Sk+1 es L.D. que nos lleva a una contradicción. Por lo tanto uk+1 6= 0 además
5.5. PROCESO DE GRAM SCHMIDT 127
dado 1 ≤ i ≤ k
k
D X hvk+1 , uj i E
huk+1 , ui i = vk+1 − uj , ui
huj , uj i
j=1
k
X hvk+1 , uj i
= hvk+1 , ui i − huj , ui i
huj , uj i
j=1
hvk+1 , ui i
= hvk+1 , ui i − hui , ui i
hui , ui i
=0
′
hSk+1 i = hSk+1 i
Observación 21. Se sigue del teorema T.76 que todo espacio de dimensión
finita admite una base ortonormal.
entonces como
0 1 −1
det 1 −1 −1 = −2
−1 0 0
u1 = v1 = (0, 1, −1)
hv2 , u1 i
u2 = v2 − u1
hu1 , u1 i
h(1, −1, 0), (0, 1, −1)i
= (1, −1, 0) − (0, 1, −1)
h(0, 1, −1), (0, 1, −1)i
1
= (1, −1, 0) + (0, 1, −1)
2
= (1, −1/2, −1/2)
hv3 , u1 i hv3 , u2 i
u3 = v3 − u1 − u2
hu1 , u1 i hu2 , u2 i
h(−1, −1, 0), (0, 1, −1)i
= (−1, −1, 0) − (0, 1, −1)−
h(0, 1, −1), (0, 1, −1)i
h(−1, −1, 0), (1, −1/2, −1/2)i
− (1, −1/2, −1/2)
h(1, −1/2, −1/2), (1, −1/2, −1/2)i
1 1
= (−1, −1, 0) (0, 1, −1) + (1, −1/2, −1/2)
2 3
= (−2/3, −2/3, −2/3)
Ası́ el conjunto
forma una base ortogonal de R3 . Podemos normalizar para obtener una base
ortonormal:
n 1 1 2 2 2 o
B ′ = (0, 1, −1), 1, − , − , − , − , −
2 2 3 3 3
Ejemplo 91. Analizando nuevamente el ejemplo anterior, los vectores v2 , v3
son ortogonales, entonces podemos poner
u1 = v2 = (1, −1, 0)
u2 = v3 = (−1, −1, 0)
hv1 , u1 i hv1 , u2 i
u3 = v1 − u1 − u2
hu1 , u1 i hu2 , u2 i
= (0, 0, −1)
luego otra base ortogonal de R3 es {(1, −1, 0), (−1, −1, 0), (0, 0, −1)}.
Índice alfabético
129