Alineal Edunam PDF

Mario Matiauda, Cristian Kornuta
Coronel

Flix Bogado 2160 | Posadas - Misiones | Tel-Fax: (0376) 4428601

Correos electrnicos:
direccion@editorialunam.com.ar
produccion@editorialunam.com.ar
diagramacion@editorialunam.com.ar
administracion@editorialunam.com.ar
ventas@editorialunam.com.ar
Pgina Web:
www.editorial.unam.edu.ar
Coleccin: Ediciones Especiales
Coordinacin de la edicin: Claudio O. Zalazar

Hecho el depsito de la Ley N 11.723
ISBN: 978-950-579-238-2
Impreso en Argentina
Editorial Universitaria
Universidad Nacional de Misiones
Posadas, 2012

Matiauda, Mario Eugenio
Introduccin al lgebra lineal.
-1a ed.- Posadas: EdUNaM -
Editorial Universitaria de la Universidad Nacional de Misiones, 2012.
E-Book.
ISBN 978-950-579-238-2
1. lgebra Lineal. I. Ttulo
CDD 512.5

Unidad 1-INTRODUCCION
1.1-INTRODUCCION
1.2-SISTEMAS HOMOGENEOS
1.3-MATRICES
1.3.1- PROPIEDADES DISTRIBUTIVAS:
Aplicaciones en MATLAB
Unidad 2- ESPACIOS VECTORIALES
2.1-DEFINICION
2.2- ESPACIO VECTORIAL DE LAS FUNCIONES
2.3-PROPIEDADES EN UN ESPACIO VECTORIAL
2.4-DEFINICION Y CARACTERIZACION DE LOS SUBESPACIOS
VECTORIALES
2.4.1-INTERSECCION DE SUBESPACIOS
2.5-COMBINACIONES LINEALES
Elementos de Algebra Lineal - 2011 2

2.6- SUBESPACIO GENERADO
2.6.1-CONJUNTOS EQUIVALENTES DE VECTORES
2.6.2-INDEPENDENCIA Y DEPENDENCIA LINEAL
2.6.3-PROPIEDADES DE LA INDEPENDENCIA Y
DEPENDENCIA LINEAL
2.7-CARDINAL DE LAS BASES DE UN ESPACIO VECTORIAL
2.8-DIMENSION DE UN ESPACIO VECTORIAL
2.8.1- COORDENADAS DE UN VECTOR
2.9-PRODUCTO INTERIOR
2.9.1-PROPIEDADES DEL PRODUCTO INTERNO
2.10- ESPACIO VECTORIAL NORMADO
2.10.1-NORMA INDUCIDA POR UNA PRODUCTO
INTERIOR

Unidad 3- APLICACIONES LINEALES
3.1- DEFINICION
3.2-CONDICION NECESARIA Y SUFICIENTE PARA LA
EXISTENCIA DE UNA APLICACION LINEAL
3.3-PROPIEDADES DE LAS APLICACIONES LINEALES
3.4-NUCLEO DE UNA APLICACION LINEAL
3.5- IMAGEN DE UNA APLICACION LINEAL
3.5.1-RELACION ENTRE LAS DIMENSIONES DEL NUCLEO
E IMAGEN
3.6-OPERACIONES CON APLICACIONES LINEALES
3.7-EL ESPACIO VECTORIAL DE LAS APLICACIONES
LINEALES
3.8- COMPOSICION DE APLICACIONES LINEALES

3.9- TEOREMA FUNDAMENTAL DE LAS APLICACIONES
LINEALES
3.9.1-VECTOR DE COORDENADAS
3.9.2-ASOCIACION ENTRE MATRICES Y APLICACIONES
LINEALES
3.10-SUMA DE MATRICES
3.11-MULTIPLICACION DE UN ESCALAR POR UNA MATRIZ
3.12-ISOMORFISMO ENTRE APLICACIONES LINEALES Y
MATRICES
3.13-ESPACIO VECTORIAL DE LAS MATRICES
3.14-PRODUCTO ENTRE MATRICES
3.15-ALGUNAS MATRICES ESPECIALES
3.16- TRASPUESTA DE UNA MATRIZ
3.17-MATRIZ INVERSIBLE

3.18-CAMBIO DE BASE
Unidad 4-EL SISTEMA COMO APLICACION LINEAL
4.1- DEFINICION
4.2-NOTACIN MATRICIAL
4.3-REDUCCION POR FILAS A FORMAS ESCALONADAS
4.4-ALGORITMO PARA OBTENER UNA MATRIZ TRIANGULAR
Y TRIANGULAR REDUCIDA
4.5-CONJUNTO SOLUCION DE UN SISTEMA LINEAL
4.6-EL SISTEMA COMO UNA APLICACION LINEAL
Unidad 5-DETERMINANTES Y SISTEMAS LINEALES
INTRODUCCION

5.1-APLICACIONES BILINEALES
5.1.1-APLICACION BILINEAL ALTERNADA
5.2-DETERMINANTE DE ORDEN 2
5.3-LA PERMUTACION Y SU SIGNO
5.4-APLICACIONES TRILINEALES ALTERNADAS
5.6- PROPIEDADES DE LOS DETERMINANTES DE ORDEN 3
5.7-DESARROLLO DEL DETERMINANTE POR LOS
ELEMENTOS DE UNA LINEA
5.8-APLICACIONES MULTILINEALES
5.9-APLICACIONES MULTILINEALES ALTERNADAS
5.10-DETERMINANTE DE ORDEN n
5.11-DETERMINANTE DE UNA MATRIZ DE M
n
(K)
5.12-PROPIEDADES

5.13-DESARROLLO DE UN DETERMINANTE POR LOS
5.14- MATRIZ ADJUNTA
5.15-RANGO DE UNA MATRIZ
5.15.1-CALCULO DEL RANGO DE UNA MATRIZ
5.15.2-CALCULO DEL RANGO POR EL METODO DE GAUSS-
JORDAN
5.16- SISTEMA DE CRAMER
5.16.1-SOLUCION DE UN SISTEMA DE CRAMER
5.17- TEOREMA DE ROUCHE-FROBENIUS
5.18-SOLUCION DE UN SISTEMA MEDIANTE EL METODO DE
GAUSS-JORDAN

Unidad 6- AUTOVALORES - AUTOVECTORES-DIAGONALIZACION
6.1-INTRODUCCIN
6.2-MULTIPLICIDAD ALGEBRAICA Y GEOMETRICA
6.3-SEMEJANZA DE MATRICES
6.4-DIAGONALIZACION
6.5-DIAGONALIZACION ORTOGONAL
6.6-TEOREMA DE CAYLEY HAMILTON
Unidad 7-DESCOMPOSICION EN VALORES SINGULARES.
FORMAS CUADRTICAS
7.1-INTRODUCCION
7.2-FORMAS CUADRATICAS
7.3-EXPRESION DIAGONAL DE UNA FORMA CUADRATICA
7.3.1- TIPOS DE FORMAS CUADRATICAS

7.3.2-ESTUDIO DEL SIGNO DE UNA FORMA CUADRTICA
REAL DE n VARIABLES
Apndice 1- DEFINICIN, NOTACIN Y CLASIFICACIN DE LOS
VECTORES
INTRODUCCION
Tipos de vectores
Representacin
Grficamente
Operaciones fundamentales; suma y diferencia de vectores
Forma trinmica y vectores unitarios
Anexo 1 - Introduccin bsica sobre MATLAB
QUE ES MATLAB?
POR QUE ELEGIR MATLAB?

DISTINTOS CAMPOS DE ACCIN
ALGUNAS GRAFICAS EN MATLAB
EL ENTORNO DE MATLAB
ARCHIVOS *.m DE MATLAB
EL EDITOR DE MATLAB
EJEMPLO DE FUNCION EN MATLAB
TOOLBOX
ALGUNOS TOOLBOXES
Anexo 2
consec.m
homsoln.m
lincomb.m

lisub.m
rowcomb.m
rowscale.n
rowswap.m
solucion.m
utristep.m
rrefstep.m
dependencia.m
span.m
spanview.m
angulo.m
plano.m
vector.m
vector3.m
dist.m
drawec.m
plotangle
BIBLIOGRAFA FUNDAMENTAL CONSULTADA
MAS... BIBLIOGRAFA DE INTERES


INTRODUCCION
El Algebra Lineal es una herramienta bsica para casi todas las ramas de la
matemtica as como para disciplinas afines tales como la fsica, la ingeniera y la
computacin entre otras, comnmente esta denominacin de Algebra Lineal,
simplifica en realidad lo lineal, que es el concepto central, presente en el
coloquio y actividades ms sencillas de la vida diaria, ligado a lo proporcional.

Existen muchsimos buenos textos de Algebra Lineal ,esta presentacin es
slo una introduccin bsica al tema, pensada en los contenidos curriculares de
cursos del tema y, al mismo tiempo, una gua de estudios para los interesados.

En el objetivo de Algebra + Lineal, se propone, iniciar con una secuencia
preliminar de ecuaciones lineales y elementos del clculo matricial, empleando el
concepto familiar de una columna y una fila, para posteriormente entrar en la
antiptica abstraccin (estructuras y espacios).

Tambin incluimos la herramienta del software como ayuda complemento
del conjunto de operaciones, en su versin elemental.

1.1-INTRODUCCION
Una ecuacin lineal en las variables (o incgnitas) x
1
;...; x
n
es una expresin
de la forma a
1
x
1
+ + a
n
x
n
= b

A a
1
;...; a
n
K se les denomina coeficientes de la ecuacin, y a b K trmino
independiente.

Muchas veces los coeficientes a
1
;...;a
n
y el trmino independiente b sern
elementos de un cuerpo K (con K = R C). En tal caso se dice que la ecuacin
anterior es una ecuacin lineal con coeficientes en K:
Ejemplo
Si n = 2 y a
1
; a
2
R, la ecuacin lineal a
1
x + a
2
y = b (I) representa una recta en
el plano R
2
; es decir, el conjunto de pares (x; y) que satisfacen la ecuacin (I)
constituyen una recta.

Por ejemplo
La ecuacin y = 2x + 2 representa la recta que pasa por el punto (0,2) de
pendiente dos

y
x o
(0,2)
Es importante observar que las operaciones que afectan a las variables que
intervienen en las ecuaciones lineales se reducen a multiplicarlas por los
coeficientes y sumarlas.

As por ejemplo,

3x + 4y = 16
x
1
- x
2
+ x
4
= 1

son expresiones lineales

Se dice que (
1
;;
n
) K
n
es solucin de la ecuacin

a
1
x
1
+ + a
n
x
n
= b
si
a
1
1
+ + a
n
n
= b
Ejemplo (x; y; z) = (3; 2;-1) es solucin de x + y + z = 4:

Por otra parte (x; y; z) = (4; 0; 0) tambin es solucin de dicha ecuacin.

Un sistema de ecuaciones lineales es una sucesin finita de ecuaciones
lineales. Es usual representar los sistemas de ecuaciones lineales colocando la
sucesin de ecuaciones lineales en columna.

As, un sistema de m ecuaciones lineales con n incgnitas se representara por

a
11
x
1
+ + a
1n
x
n
= b
1

.
.
.
a
m1
x
1
+ ::: + a
mn
x
n
= b
m


Ejemplo: el sistema
x
2
+ x
3
= 1
2x
1
- x
3
= 2
x
2
+ x
3
= 4

es un sistema de 3 ecuaciones con 3 incgnitas.

Se dice que (
1
;;
n
) K
n
es solucin del sistema de ecuaciones
a
11
x
1
+ + a
1n
x
n
= b
1

.
.
.
a
m1
x
1
+ + a
mn
x
n
= b
m

si
a
11

1
+ ... + a
1n

n
= b
1

.
.
.
a
m1

1
+ + a
mn

n
= b
m


Es importante tener presente que los sistemas de ecuaciones lineales pueden
no tener soluciones o tener ms de una.

Los sistemas de ecuaciones lineales que no tienen solucin, como el del
ejemplo anterior, se denominan sistemas incompatibles.

Los que tienen al menos una solucin, esto es, los sistemas compatibles,
pueden tener una nica solucin, en cuyo caso se denominan compatibles
determinados, o ms de una solucin, en cuyo caso, si los coeficientes del sistema
son nmeros reales o complejos, el sistema tiene infinitas soluciones y los sistemas
correspondientes se denominan compatibles indeterminados.

Si tomamos un caso sencillo, de dos ecuaciones con dos incgnitas:

a
1
x+b
1
y=c
1

a
2
x+b
2
y=c
2

segn su nmero de soluciones, tendremos:

Sistemas con una solucin: Las ecuaciones del sistema son rectas secantes. Se
cortan en un punto (x, y) que es la solucin del sistema

Sistemas sin solucin: Las ecuaciones del sistema son rectas paralelas. No
tienen ningn punto en comn, y por tanto no hay solucin

Sistemas con infinitas soluciones: Las ecuaciones del sistema son rectas
coincidentes. Tienen todos los puntos en comn, y por tanto todos ellos son
soluciones.

1.2-SISTEMAS HOMOGENEOS
Definicin: se dice que un sistema de ecuaciones lineales es homogneo si los
trminos independientes de todas las ecuaciones que lo constituyen son iguales a
0.
Ejemplo
x
1
+ x
3
= 0
2x
1
- x
2
+ x
3
= 0
es un sistema homogneo de 2 ecuaciones con 3 incgnitas.
Observacin : Cualquier sistema de ecuaciones lineales homogneo
a
11
x
1
+ + a
1n
x
n
= 0
.
.
.
a
m1
x
1
+ + a
mn
x
n
= 0

es compatible, puesto que (0; ; 0) K
n
es siempre una solucin de dicho sistema.
A esta solucin se la conoce como solucin trivial. Si un sistema homogneo tiene
soluciones distintas de la trivial, a cualquiera de dichas soluciones la
denominaremos solucin no trivial.

Ms adelante se ver que un sistema homogneo de ecuaciones lineales con
coeficientes en R C satisface exactamente una de las siguientes proposiciones:

El sistema homogneo slo tiene la solucin trivial.
El sistema homogneo tiene infinitas soluciones adems de la trivial.

En particular, se ver que todo sistema homogneo con coeficientes en R C
que tenga ms incgnitas que ecuaciones, tiene infinitas soluciones.


Es prctico trabajar los sistemas de ecuaciones con las matrices ampliadas,
apuntando su resolucin a aplicar lo que se denominan transformaciones
elementales por filas. Estas son las siguientes:

1. Sumar a una la otra multiplicada por un nmero: F
i
= F
i
+ F
j
2. Multiplicar una fila por un nmero distinto de cero: F
i
= F
i
3. Intercambiar dos las: F
i
F
j

La aplicacin sucesiva de transformaciones elementales por filas sobre un
sistema de ecuaciones lineales (o sobre su matriz ampliada) permite pasar de un
sistema de ecuaciones lineales a otro que, teniendo las mismas soluciones que el
planteado, es ms sencillo de resolver. En esta seccin demostraremos con todo
detalle que esto es efectivamente as. Por otra parte, las transformaciones
elementales son reversibles, es decir, si realizando transformaciones elementales
sobre un sistema de ecuaciones lineales S obtenemos un sistema de ecuaciones
lineales S, recuperndose S a partir de S realizando las transformaciones
elementales inversas en el orden adecuado (el orden inverso del que se ha
seguido para pasar de S a S).

Se dice que dos sistemas de m ecuaciones lineales con n incgnitas son
equivalentes si uno de ellos puede obtenerse a partir del otro realizando sobre el
primero una sucesin finita de transformaciones elementales por filas.

TRAFORMACION TRANSFORMACION INVERSA
( 0)
=
1

1.3-MATRICES
Introducimos algunos conceptos, a costa de aparecer con cierto desorden,
sobre las matrices, para valernos de ellas en esta introduccin de resolucin de
sistemas de ecuaciones lineales, volviendo a una presentacin ms rigurosa en
secciones posteriores.

Sean n,m N. El conjunto de las matrices de n filas y m columnas con
coeficientes en un cuerpo K es

11

1

, 1 , 1

para definir una matriz en K
nxm
basta especificar, para cada 1 i n y cada
1: j m, qu elemento de K se halla en el lugar ij (correspondiente a la
interseccin de la fila i y la columna j) de la matriz.


As, sean n,m N, y sean 1 k n, 1 l m. Se define la matriz E
kl
K
nxm

ij
=
1 si i=k,j=l
0 si no

Matriz cannica o identidad de K
nxm

Sean A,B K
nxm.
Entonces A = B si y slo si A
ij
= Bi
j
para cada 1i n; 1
j m.

Se definen la suma de matrices y el producto por escalares como

+:
1 1 , 1
. :
= .
1 1 , 1

Definiremos ahora un producto que, dadas dos matrices A y B con
coeficientes en K tales que la cantidad de columnas de A sea igual a la cantidad de filas
de B, calcula una nueva matriz C.

Sean A K
nxm
y B K
mxr
. Se define el producto de A por B como la matriz C
K
nxr
tal que
, 1 1 , 1
=1

1. Propiedad asociativa: dadas A K
nxm
B K
mxr
, y C K
rxs
, se tiene que
(A.B).C = A.(B.C).

2. Para cada n N, sea In K
nxn
definida por

=
1 =
0

Entonces, si A K
nxm
, se verifica: In.A = A.In = A

La matriz In se denomina matriz identidad de K
nxn
.

1.3.1- PROPIEDADES DISTRIBUTIVAS
(a) Si A K
nxm
y B, C K
mxr
, entonces A.(B + C) = A.B + A.C.
(b) Si A,B K
nxm
y C K
mxr
, entonces (A + B).C = A.C + B.C

Observemos que, en particular, el producto de matrices est definido para
cualquier par de matrices en K
nxn
. y, por lo tanto, se tiene una operacin
producto" en K
nxn
.para cada n N, pudiendo entonces inferir que (K
nxn
,+,.) es un
anillo.

Propiedades que difieren , en el producto matricial, de las usuales de nmeros reales,
como ser: El producto de matrices no es conmutativo, incluso en el caso de matrices
cuadradas; el hecho que A.B = 0 no implica que A = 0 o B = 0.


Incluimos dos nociones de utilidad para la seccin de estudio actual

Sea A K
nxm
. Se llama matriz traspuesta de A, y se nota A
t
, a la matriz

A
t
K
mxn
definida por (A
t
)
ij
= A
ji
para cada 1 i m, 1 j n.

Sea A K
nxn
. Se llama traza de la matriz A, y se nota tr(A), al escalar

=
=1

Sobre la inversa de una matriz: Una matriz A K
nxn
admite inversa(no singular)si
existe una matriz B K
nxn
tal que A.B = B.A = In.

La matriz B de la definicin es nica. Pues, si A.B = B.A = In y A.C = C.A =
In, entonces

B = In.B = (C.A).B = C.(A.B) = C.In = C

Se puede entonces establecer la siguiente definicin:

Si una matriz A se obtiene realizando transformaciones elementales por filas
sobre una matriz A; diremos que las matrices A y A son equivalentes por
filas(vlido para columnas).

A las transformaciones elementales por filas, realizadas, ya sea directamente
sobre las ecuaciones del sistema, bien sobre las filas de su matriz ampliada las
denotaremos del mismo modo. De manera que estamos en condiciones de
representar un sistema de m ecuaciones con n incgnitas, a travs de la
representacin matricial como:

A x= b. La matriz A se llama matriz del sistema, es de dimensin m x n y
sus elementos son los coeficientes de las incgnitas. La matriz x es una matriz
columna, de dimensin n x 1, formada por las incgnitas del sistema. Por ltimo,
la matriz b es otra matriz columna, de dimensin m x 1, formada por los
trminos independientes. Es decir:
=
11

1

x=
y b=


Adems, se llama matriz ampliada del sistema, que representaremos por A*, a
la matriz de dimensin m x (n+1) que se obtiene a partir de la
matriz A, aadindole la columna formada por los trminos independientes

Lema: Si dos sistemas de ecuaciones son equivalentes, entonces tienen
exactamente las mismas soluciones. En otras palabras, si S y S son equivalentes,
(
1
; ;
n
) es solucin de S , (
1
; ;
n
) es solucin de S

Aplicaciones
en MATLAB
Elementos de Algebra Lineal

VARIABLES MATRICIALES
GENERALIDADES
La matriz, conceptualmente, como conjunto de vectores
Por ejemplo:
>> A=[1 2 3; 1 3 4;-1 2 3] o mat=[1 2 3; 1 3 4;-1 2 3]

A = mat=
1 2 3 1 2 3
1 3 4 1 3 4
-1 2 3 -1 2 3

A los elementos de una matriz se accede sin ms que escribir el nombre de la
matriz y, entre parntesis, los respectivos ndices:

>>A=(1,3) % Elemento en la primera fila y tercera columna de A
ans =
3

Tambin se puede acceder a un fila o columna completas

>>mat(:,2) % Segunda columna de mat
ans =
2
3
2

>>mat(2,:) % Su segunda fila
ans =
1 3 4
Existen comandos que permiten crear de forma sencilla matrices.
Por ejemplo, dado el vector v

>>v=[ 1 2 3];
>>diag(v) % Matriz diagonal cuya diagonal es el vector v
ans =
1 0 0
0 2 0
0 0 3

>>diag(diag(M)) % Matriz diagonal con la diagonal de M. La sentencia diag(M) da
el vector formado por la diagonal de la matriz M

ans =
1 0 0
0 5 0
0 0 9

>>diag(ones(1,4),1)+diag(ones(1,4),-1) % Matriz tridiagonal 5x5 con 0 en la
diagonal principal y 1 en la sub y superdiagonal

ans =
0 1 0 0 0
1 0 1 0 0
0 1 0 1 0
0 0 1 0 1
0 0 0 1 0

>>tril(M) % Matriz formada por la parte triangular inferior de M

OPERACIONES CON MATRICES
>> A+B % suma de las matrices A y B (igual dimensiones)
>> A-B % resta de las matrices A y B (igual dimensiones)
>> A*B % producto de matrices, si es posible efectuarla
>> *A % producto del escalar alfa por la matriz A
>> A^p % eleva la matriz A a la potencia escalar p

MATRICES ESPECIALES EN MATLAB
>> eye(3) % genera la matriz identidad cuadrada
ans =
1 0 0
0 1 0
0 0 1

>> ones(3,2) % matriz 3x2 de unos
ans =
1 1
1 1
1 1

>> zeros(3,2) % llena de ceros
ans =
0 0
0 0
0 0

Para generar una matriz formada por nmeros aleatorios uniformemente
distribuidos entre 0 y 1, se usa: rand(3,2)
Matrices dispersas (huecas)
Cuando se trabaja con matrices con muchos ceros, Matlab las genera con el
comando sparse empleando menos bytes
Sea la matriz

>> A=[0 0 0 3; 0 0 1 2; 3 0 0 1; 0 0 0 2];
>> s=sparse(A) % la convierte a dispersa
s =
(3,1) 3
(2,3) 1
(1,4) 3
(2,4) 2
(3,4) 1
(4,4) 2
se la recupera con full(s)


Se pueden generar directamente matrices dispersas con:

>>sparse(i,j,s,m,n) % Donde i, j son los subndices de los elementos no nulos, s es
un vector con los valores de los no nulos, (m, n) el tamao de la matriz. As:

>> i=[1 2 2 3 3 3]; % vector
>> j=[4 3 4 1 4 4]; % vector
>> s=[3 1 2 3 1 2]
s =
3 1 2 3 1 2
>> m=4; n=4;
>> sparse(i,j,s,m,n)
ans =
(3,1) 3
(2,3) 1
(1,4) 3
(2,4) 2
(3,4) 3
>> full(s) se recupera


Para acceder a determinados elementos o partes de una matriz dada A
A(m,n) Da el elemento (m,n) de A (fila m y columna n)
A(a:b,c:d) Da la submatriz de A formada por las filas que hay entre la
a-sima y la b-sima y por las columnas entre la c-sima y la
d-sima
A(a:p:b,c:q:d) Da la submatriz de A formada por las filas que hay entre la
a-sima y la b-sima de p en p,y por las columnas entre la
c-sima y la d-sima tomndolas de q en q
A([a b],[c d]) Da la submatriz de A formada por la interseccin de las
filas a-sima y la b-sima y las columnas c-sima y la d-
sima
A([a b c...],[e f g...d]) Da la submatriz de A formada por la interseccin de las
filas a,b,c... y las columnas e,f,g...
A(:,c:d) Da la submatriz de A formada por todas las filas de A y
las columnas que hay entre la c-sima y la d-sima
A(:,[c d e...]) Da la submatriz de A formada por todas las filas de A y
las columnas c,d,e...
A(a:b,:) Da la submatriz de A formada por todas las columnas de
A y las filas entre la a-sima y la b-sima.

Para acceder a determinados elementos o partes de una matriz dada A
A([a b c...],:) Da la submatriz de A formada por todas las columnas de
A y las filas a,b,c...
A(a;: ) Da la fila a-sima de A
A(:;b) Da la columna b-sima de A
A(: ) Da un vector columna cuyos elementos son las columnas
de A en orden una debajo de otra
[A,B,C,...] Define la matriz formada por las submatrices A,B,C,...
S
A
Borra la submatriz de la matriz A,S
A
,dando el resto
diag(v) Genera una matriz diagonal con el vector v en la diagonal
diag(A) Extrae la diagonal de A como vector columna
eye(m,n) Genera la mxn con unos en la diagonal principal y ceros
en el resto
zeros(m,n) Genera la nula mxn
ones(mn,n) Genera la mxn de unos
size(A) Da el tamao de A
tril(A) Da la parte triangular inferior de A
triu(A) Da la parte triangular superior de A
As, por ejemplo:

>>A=[1 7;3 9;5 0]
A =
1 7
3 9
0 0
si se genera

>> B=[A eye(3)] % Genera la mxn con unos en la diagonal principal y ceros en el
resto

B =
1 7 1 0 0
3 9 0 1 0
5 0 0 0 1

o >> B(1,:)
ans =
1 7 1 0 0

Otros ejemplos:

Dadas las matrices A,B,C, hallar:
a)AB BA
b)A
2
+B
2
+C
2

c)ABC d) sqrt(A)+sqrt(B)-sqrt(C)
e) e
A
(e
B
+e
C
)

>>A=[1 1 0;0 1 1;0 0 1];
>>B=[i 1-i 2+i;0 1 3-i;0 0 i];
>>C=[1 1 1;0 sqrt(2)*i sqrt(2)*i;1 1 1];
a) AB-BA
>>A*B-B*A
ans =
0 -1.0000 - 1.0000i 2.0000
0 0 1.0000 - 1.0000i
0 0 0

b) A^2+B^2+C^2

>>A^2+B^2+C^2

ans =

2.0000 2.0000 + 3.4142i 3.0000 - 5.4142i
0 - 1.4142i - 0.0000 + 1.4142i 0.0000 - 0.5858i
0 2.0000 - 1.4142i 2.0000 + 1.4142i

c) A*B*C

>>A*B*C

ans =

5.0000 + 1.0000i - 3.5858 + 1.0000i - 6.4142 + 1.0000i
3.0000 - 2.0000i - 3.0000 + 0.5858i - 3.0000 + 3.4142i
0 - 1.0000i 0 + 1.0000i 0 + 1.0000i
d) sqrt(A)+sqrt(B)-sqrt(C)

>>sqrt(A)+sqrt(B)-sqrt(C)

ans =

0.7071 + 0.7071i 1.0987 - 0.4551i 0.4553 + 0.3436i
0 0.1591 + 0.1591i 1.9144 + 0.5560i
-1.0000 0 - 1.0000i 1.7071 - 1.7071i

e) expm(A)*(expm(B)+expm(C))

(expm: eleva la cte. e a la potencia matriz)

>> expm(A)*(expm(B)+expm(C))

ans =

14.1906 - 0.0822i 5.4400 + 4.2724i 17.9169 - 9.5842i
4.5854 - 1.4972i 0.6830 + 2.1575i 8.5597 - 7.6573i
3.5528 + 0.3560i 0.1008 - 0.7488i 3.2433 - 1.8406i

MANEJO DE LAS OPERACIONES EN SISTEMAS LINEALES
Tomemos como referencia una matriz A
>>A=[ 1 2 3;2 5 4;1 -1 10];
>>A([2 3];:)= A([3 2];:)% Intercambio de renglones: por ejemplo entre dos y tres
A =
1 2 3
1 -1 10
2 5 4
R=[A eye(size(A))]% Supongamos la bsqueda de inversa de A
R =
1 2 3 1 0 0
2 5 4 0 1 0
1 -1 10 0 0 1
>> R(2,:)=R(2,:)-2*R(1,:); R(3,:)=R(3,:)-R(1,:)
R =
1 2 3 1 0 0
0 1 -2 -2 1 0
0 -3 7 -1 0 1
>> R(1,:)=R(1,:)-2*R(2,:);R(3,:)=R(3,:)+3*R(2,:)
R =
1 0 7 5 -2 0
0 1 -2 -2 1 0
0 0 1 -7 3 1

>> R(1,:)=R(1,:)-7*R(3,:);R(2,:)=R(2,:)+2*R(3,:)
R =
1 0 0 54 -23 -7
0 1 0 -16 7 2
0 0 1 -7 3 1

Si queremos verificar

>>B=[ 54 -23 -7;-16 7 2;-7 3 1];A*B
ans =
1 0 0
0 0 1
0 1 0
Para llevar a forma escalonada un sistema lineal procedemos de misma forma

SISTEMAS DE ECUACIONES LINEALES

solve(ecuacin,x)

Resuelve la ecuacin en la variable x

syms x,solve(ecu(x),x)

Resuelve la ecuacin ecu(x) en la
variable x

solve(ec1,ec2,...,ecn,x1,x2,...,xn)

Resuelve las n ecuaciones simultneas
en x
1
,x
2
,..., x
n

X=A\B (o X=A/B)

Resuelve A*X=B (o X*A=B)
sea el sistema x+y+z=1, 3x+y=3, x-2y-z=0

solve(ec1,ec2,...,ecn,x1,x2,...,xn) Resuelve las n ecuaciones simultneas
en x1,x2,...,xn

>> [x,y,z]=solve('x+y+z=1', '3*x+y=3', 'x-2*y-z=0','x','y','z')
x = 4/5
y =3/5
z =-2/5

idnticamente, se podra escribir:

>> [x,y,z]=solve('x+y+z=1, 3*x+y=3, x-2*y-z=0','x','y','z')

X=A\B (o X=A/B) Resuelve A*X=B (o X*A=B)

>>A\B % o sencillamente

ans = 1.1429
-0.4286
0.2857
REPRESENTACION GRAFICA SOLUCION DE UN SISTEMAS DE
ECUACIONES LINEALES

-
3
2
4
3
= 0
6
1
3
2
4
3
= 0
6
1
9
2
+ 4
3
= 0
1
+
2
+
3
= 1
o
3 4 = 0
6 3 4 = 0
6 9 + 4 = 0
+ + = 1

>> [x,y] = meshgrid(-4:0.5:5)
>> z = 3*y/4;
>> surf(x,y,z)

Se obtiene el plano de la figura 1

-4
-2
0
2
4
6
-5
0
5
-4
-2
0
2
4

>> hold on
>> z = (6*x - 3*y)/4;
>> surf(x,y,z)

Se obtienen los planos de la figura 2 interceptados en una lnea recta

-4
-2
0
2
4
6
-5
0
5
-10
-5
0
5
10
15

>> z = (-6*x + 9*y)/4;
>> surf(x,y,z)

Se obtiene los planos de la figura 3 interceptados en una lnea recta

-4
-2
0
2
4
6
-5
0
5
-20
-10
0
10
20

>> z = 1- x - y;
>> surf(x,y,z)

Se obtienen los cuatro planos de la figura 4 interceptados en el punto
(4/11. 4/11,3/11) de R
3

-4
-2
0
2
4
6
-5
0
5
-20
-10
0
10
20

Comparando

>>A = [0 3 -4; 6 -3 -4; 6 -9 4; 1 1 1]; B = [0; 0; 0; 1]
>>X = A\B

X =0.3636
0.3636
0.2727

Uso de la forma escalonada
Sea por ejemplo

>> R=[2 4 6 18;4 5 6 24;3 1 -2 4];
>> R(1,:)=0.5*R(1,:)

R =
1 2 3 9
4 5 6 24
3 1 -2 4
>> R(2,:)=R(2,:)-4*R(1,:);R(3,:)=R(3,:)-3*R(1,:)
R =
1 2 3 9
0 -3 -6 -12
0 -5 -11 -23

>>R(2,:)=(-1/3)*R(2,:)
R =
1 2 3 9
0 1 2 4
0 -5 -11 -23

>>R(3,:)=R(3,:)+5*R(2,:)
R =
1 2 3 9
0 1 2 4
0 0 -1 -3

X
3
=3;x
2
=-2;x
3
=4

function C=creador(n)

% El comando C=creador(n) genera una matriz C nxn,
%cuyas entradas alternan entre 1 y 0.
%
%Particularmente C(i,j)=1 si i+j es par, sino C(i,j)=0.
%
%Asi creador(4) generar la matriz
%
% 1 0 1 0
% 0 1 0 1
% 1 0 1 0
% 0 1 0 1

C=ones(5,1)*[1:5]
C=rem(C+C'+1,2)

C=ones(n,1)*[1:n];
C=rem(C+C'+1,2);

>>creador(6)

ans =
1 0 1 0 1 0
0 1 0 1 0 1
1 0 1 0 1 0
0 1 0 1 0 1
1 0 1 0 1 0
0 1 0 1 0 1

2.1-DEFINICION
Tomemos un cuerpo conmutativo K. Llamaremos espacio vectorial sobre el
cuerpo K al objeto formado por un conjunto E, una ley interna en E llamada
suma, denotada por (x,y) x + y, y una ley de composicin externa de K. E
en E llamada producto y denotada (o,x) ox. Estas leyes deben cumplir los
siguientes axiomas:

A1) El par (E,+) es un grupo conmutativo.
A2) El producto cumple con las siguientes condiciones:

1.- (y + x) = y + x
2.- ( + )x = x + x
3.- (x) = () x
4.- 1x = x

Llamaremos escalares a los elementos del cuerpo K y vectores a los elementos de E.
El espacio vectorial
2
. Vamos a denotar con
2
al conjunto de las
matrices columna de dos filas. Por ejemplo:

1
2
y
2

dos elementos del conjunto
2
.

Consideremos, por lo tanto, el conjunto
2
y definamos en l las dos
siguientes leyes:

1.
2
+
2
=
1
+
1
2
+
2

2.
2
=
1
1

Vamos a demostrar que el conjunto
2
, con las leyes as definidas, tiene
estructura de espacio vectorial. Para eso probemos, en primer lugar, el
cumplimiento del axioma A1; por definicin, la operacin que hemos definido,
es una ley interna; es muy fcil probar que es asociativa, conmutativa y que tiene
elemento neutro que es el vector:

=
0
0

y, por otra parte, el opuesto de
2
es
2
. Por consiguiente, el
axioma
1
se satisface y podemos decir que (
2
,+) es un grupo conmutativo.
La segunda ley satisface el axioma
2
. En efecto, es una ley de R x
2
. en
2
que, para todo , de R, cumple con:

1.
2
+
2
=
2
=
2
=
2
+
2
=
2
+
2

2. +
2
=
+
1
+
2
=
1
+
1
2
+
2
=
2
+
2
=
2
+
2

3. -
2
=
2
=
2
=
2

4. -1
2
=
1
1
1
2
=
2

Por consiguiente, el axioma
2
se satisface y, por ende, hemos probado que
la cuaterna (R,+,R,.) tiene estructura de espacio vectorial.

Muchas veces nos convendr utilizar al vector como una matriz fila para lo
cual nos bastar utilizar la transposicin de matrices que hemos definido.

Algunas veces, por conveniencia, consideramos a
como el par ordenado

(
1
,
2
), lo cual es absolutamente lcito; por supuesto que u =
, porque las
matrices, aunque tengan los mismos elementos, tienen formas distintas.
En general, para n N, el conjunto R" de las n-uplas ordenadas de nmeros
reales es un espacio vectorial sobre el cuerpo de los nmeros reales (R, +, .) con
la suma de n-uplas y el producto de un nmero real por una n-upla.
En smbolos:

=

={(
1
,
2
, ,
)/
, = 1,2, , }

La suma de n-uplas es una ley de composicin interna

+:

(u, v) u + v

definida del siguiente modo,

Si u=(
1
,
2
, ,
, = (
1,
2,
,
, se define
u+v = (
1
,
2
, ,
) +(
1
,
2,
,
) = (
1
+
1
,
2
+
2
, ,
)

El producto de un escalar por una n-upla es una ley de composicin externa

(, u) u

definida como sigue

Si eR, u= (
1
,
2
, ,
) R, u = (
1
,
2
, ,
) =
(
1
,
2
, ,
)

Es claro que para n=1,
ES un espacio vectorial, es el espacio vectorial del

conjunto de los reales sobre el cuerpo de los nmeros reales. Geomtricamente
los vectores de este espacio vectorial se representan en la recta real.

2.2- ESPACIO VECTORIAL DE LAS FUNCIONES
Denotemos con F(A,R) al conjunto de funciones con dominio en un
conjunto A c R no vaco y codominio en el cuerpo conmutativo R. Es decir:

F(A,R) = { f / f : AR}

Vamos a definir las dos leyes que siguen:

i) Una ley interna en F(A,R) llamada suma, denotada mediante

(g, f ) g + f y definida mediante la regla:

(g + f )(x) = g(x) + f (x), x e A

ii) Una ley de composicin externa de Rx F(A,R) en F(A,R) llamada
producto, denotada ( ,f ) f y definida mediante la regla:

(f )(x) = f (x), x e A
Vamos a demostrar que la cuaterna (F(A,R),+,R,.) es un espacio vectorial.
Para ello tendremos que probar el cumplimiento de los axiomas
1
y
2
que
definen la estructura.

Comencemos con el primer axioma, que exige que el par (F(A,R),+) sea
un grupo conmutativo. En tal sentido, la suma, que por definicin, es una ley
interna en F(A,R), es asociativa. En efecto:

( f , g e F(A,R))

((f+g)+h)(x) = (f+g)(x) + h(x) = f(x)+g(x)+h(x) = f(x) + (g+h)(x)
= (f+(g+h))(x)

Existe un elemento neutro para la suma; dicho elemento es la funcin e
definida por:

e(x) = 0, x e A

En efecto, si f e F(A,R), tendremos:

(f + e)(x) = f (x) + e(x) = f (x) + 0 = f (x)

Es fcil probar que la funcin es tambin un elemento neutro por la
izquierda.

Cada funcin f e F(A,R) tiene un opuesto, que es la funcin f e F(A,R)
definida por:

(f )(x) = f (x)

En efecto:

(f + (f ))(x) = f (x) + (f )(x) = 0 = e(x)
Resta probar que f es opuesto por la izquierda, demostracin que es
sencilla de realizar. Por ltimo, la suma es conmutativa; en efecto:

(f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x)

y, por consiguiente, terminamos de probar que el par (F(A,R),+) es un grupo
conmutativo.

Nos resta comprobar el cumplimiento de segundo axioma que define la
estructura de espacio vectorial, que se refiere a la ley de composicin externa.

Por definicin, el producto de un escalar por una funcin es una ley de
composicin externa. Adems:

1. ( (f+g))(x)= (f+g)(x)=(f(x)+g(x))=(f)(x)+(g)(x)=(f+
g)(x)

2. ((+)f)(x)=(+)f(x)=
f(x)+f(x)=(f)(x)+(f)(x)=(f+f)(x)

3. ((f))(x)= ((f)(x))= (f(x))=() f(x)

4. (1f)(x)=1f(x)=f(x)

Por lo tanto, queda probado que la cuaterna (F(A,R),+,R,.) es un espacio
vectorial. En este caso, las funciones, que son los elementos de F(A,R),
constituyen los vectores de este espacio. Es obvio decir que, si en vez del cuerpo
conmutativo R utilizramos cualquier otro cuerpo K, todas las demostraciones
anteriores seran vlidas.

2.3-PROPIEDADES EN UN ESPACIO VECTORIAL

Sea un espacio vectorial (E+,K,.); entonces, x e E; , e K se cumplen
las siguientes propiedades:

1. 0x=

2. =0

3. x==0 x=

4. (-)x=-(x)

2.4-DEFINICION Y CARACTERIZACION DE LOS
SUBESPACIOS VECTORIALES
DEFINICIN: Tomemos un espacio vectorial (E,+,K,.) y un subconjunto
S de E. Decimos que S es un subespacio de E si la cuaterna (S,+,K,.) es un
espacio vectorial.

CONDICIN NECESARIA Y SUFICIENTE: Sea S un subconjunto no
vaco de un espacio vectorial E. Para que S sea subespacio de E es necesario y
suficiente que:

(, e K) u e S . v e S u + v e S
Las condiciones son necesarias.

S V
) , +
)
^

Por hiptesis S es subespacio vectorial de V, entonces por Definicin l
resulta que S es un espacio vectorial. Por lo tanto

1. la suma es ley de composicin interna en S. es decir que se verifica i).
2. el producto por escalares es ley de composicin externa en S con
escalares en F. por lo tanto se verifica ii).

Las condiciones son suficientes.

Hiptesis

) , +
) ^

Tesis S V =
1)
2)
3) , +
4) , ;
5) , , ; + = +
6) , , ; + = +
7) , , ; =
8) ; 1 =

En efecto
1) S V, por hiptesis
2) S , por hiptesis
3) (S, +) es grupo abeliano. En efecto

La condicin i) nos indica que + es ley de composicin interna en S.
+ es asociativa, ya que se verifica por herencia puesto que S .

; +

=
+ =
En efecto, por hiptesis ii)
^ ,
Entonces para = ^ se tiene

.
; : + = + =

Por hiptesis ii)
^
Luego tomando = 1 ^ , resulta

(1) u .
+ es conmutativa en S. Se verifica por herencia, pues S V.
4),5),6),7) y 8) se verifican por herencia, pues S V.
Ejemplo: Sea el espacio vectorial (F(A,R),+,R,.) ya definido.
Tomemos el conjunto P(A,R) de las funciones pares, definido de la siguiente
manera:

P(A,R) = { f / f e F(A,R) y f (x) = f (-x)}

Probar que P(A,R) es un subespacio de F(A,R).

Solucin

Debemos demostrar, en este problema, que:

(, e R) f e P(A,R) . g e P(A,R) f + g e P(A,R)

El hecho de que f + g e P(A,R) implica el cumplimiento de la condicin:

(f + g)(x) = (f + g)(- x), x e A

de acuerdo a la definicin de funcin par. Tomemos entonces dos funciones f y g de
P(A,R); las mismas deben cumplir:

f (x) = f (-x) y g(x) = g(-x)

Multiplicando la primera igualdad por y la segunda por y luego
sumando miembro a miembro, obtenemos:

f (x) + g(x) = f (-x) + g(-x)

o sea:

(f )(x) + (g)(x) = (f )(-x) + (g)(-x)

y entonces:

(f + g)(x) = (f + g)(-x)

Por lo tanto, queda probado que f + g e P(A,R) y, por consiguiente,
P(A,R) es un subespacio de F(A,R).
Sea el espacio vectorial

2
. Son subespacios vectoriales de
2
:

Los conjuntos {(0,0)} y
2
.

Toda recta que contiene al origen. Por ejemplo:

El eje OX, que viene representado analticamente por

S = OX = { X, Y R
2
/ y =0}

El eje OY, que viene representado analticamente por T= OY={ ,
2
/ x =0}

La primera bisectriz, que esta representada analticamente por

H={ ,
2
/ y =x}
2.4.1-INTERSECCION DE SUBESPACIOS
TEOREMA: Una interseccin cualquiera de subespacios de un espacio
vectorial E tambin es un subespacio de E. La suma de subespacios tambin es
un subespacio

La unin de subespacios , en general, no es un subespacio

Sea el espacio vectorial
2
, y sean los subespacios vectoriales

1
= {(, )
2
/y=x} y
2
= ,
2
/ = 0 ,

Entonces la unin de estos dos subespacios es el conjunto

1

2
= {(, )
2
/ y=x y=0}

Es claro que,

1

2

2
, por definicin de
1

2

1

2
, pues (0,0)
1

2

Pero
1

2
no es cerrado para la suma de vectores, ya que
(1,1)
1

2
^ (1,0)
1

2
sin embargo (1,1)+(1,0) = (2,1)
1

2

Por lo tanto
1

2
no es un subespacio vectorial de
2

2.5-COMBINACIONES LINEALES
Definicin: Sean un espacio vectorial (E,+,K,.) y un subconjunto finito
=
1
,
2
, ,
de E. Un vector v de E es combinacin lineal de los vectores

de A si existen escalares
1
,
2
,
tales que:

v =
1
1
+
2
2
++

A los escalares
1
,
2
, ,
los llamaremos coeficientes de la combinacin

lineal.
2.6- SUBESPACIO GENERADO
Sea =
1
,
2
, ,
un subconjunto no vaco de un espacio vectorial E.

A partir de ese conjunto podemos formar otro, que denotaremos Gen(A),
cuyos elementos sean todas las combinaciones lineales posibles de hacer con los
vectores de A. Es decir:

Gen(A) = {
=1
,oi }

Sea el espacio
2
y el conjunto A={(1,1)}. El subespacio generado por el conjunto
A es

A={(x, y)
2
/(x, y)=a(1,1)}

Es decir todo vector de A tiene la forma

(x, y)= a(1,1) con a
(x, y)=(a, a)

Luego, (x, y) x=y

es decir A={(x, y)
2
/ y=x}

La representacin geomtrica de A es la recta de ecuacin y=x (es la primera
bisectriz). Para generar este subespacio vectorial basta solo un vector el (1,1)
y
x o
(1,1)
Ejemplo Sea el espacio vectorial (F(A,),+,R,.), con A = R{1}. Caracterizar
el subespacio Gen(B), siendo B ={ f ,g} es un subconjunto de F(A,R), con:

F(x)=
1
+1
y g(x)=
1
1

Solucin
Por definicin, si
1
y
2
son elementos de R, tendremos:

Gen(B ) = { heR (A,F) / h =
1
f +
2
g}

Por lo tanto:

h(x)=
1
1
+1
+
2
1
1
=
1
1 +
2
+1
+1 1
=
1
+
2
+
2
2
1

Si hacemos
1
+
2
= y
1
-
2
= , entonces podemos decir que:

Gen (B) = {h e F(A,R) / h (x) =
+
2
1
, x A, , e R

2.6.1-CONJUNTOS EQUIVALENTES DE VECTORES
Sean =
1
,
2
, ,
y =
1
,
2
, ,
dos conjuntos de vectores

de un espacio
. Se dice que A y B son dos conjuntos de vectores equivalentes

si y slo si Gen(A) = Gen(B). Esta relacin, como es fcil probarlo, es una
relacin de equivalencia, es decir, es reflexiva, simtrica y transitiva.
2.6.2-INDEPENDENCIA Y DEPENDENCIA LINEAL
DEFINICIN Sea un conjunto finito =
1
,
2
, ,
de un espacio
(E,+,K,.) Decimos que A es linealmente independiente si y slo si:

1
+
2
2
+ +
=
1
=
2
=
= 0

DEFINICIN Si un conjunto finito =
1
,
2
, ,
de un espacio
vectorial (E,+,K,.) no es linealmente independiente, se dice que es linealmente
dependiente.
Ejemplo: En el espacio
2
tomemos el conjunto

A=
2
0
,
0
1
,
1
2

Determinar si A es linealmente independiente.

Solucin
De manera similar a la utilizada en el ejemplo anterior, tendremos:

1
2
0
+
2
0
1
+
3
1
2
=
0
0

y, por lo tanto:

2
1
+
3
= 0
3
2
+ 2
3
= 0

Resolviendo el sistema, obtenemos:

2
=
2
3

3
y
1
=(
1
2
)
3

Quiere decir que el sistema tiene infinitas soluciones, una para cada valor
que le asignemos a
3
y todas ellas satisfacen la condicin exigida. El conjunto
A, por consiguiente, es linealmente dependiente.

2.6.3-PROPIEDADES DE LA INDEPENDENCIAY DEPENDENCIA
LINEAL
1. Sea A un conjunto unitario. Solo si el nico elemento de A es el vector
nulo, entonces A es un conjunto linealmente independiente. Por el contrario, si
el nico elemento de A es el vector nulo, entonces A es linealmente
dependiente.

2. Un conjunto cualquiera que contenga al vector nulo es linealmente
dependiente.

3. Un conjunto A no vaco y finito de vectores de un espacio vectorial E es
linealmente dependiente si y slo si algn vector de A es combinacin lineal de
los dems.

4. Un conjunto =
1
,
2
, ,
es linealmente independiente si y slo

si todo vector v del subespacio Gen(A) generado por los vectores de A se puede
expresar mediante una nica combinacin lineal de los vectores de A.
DEFINICIN: Un espacio vectorial (E,+,K,.) se dice que es finito si est
generado por un conjunto finito de vectores. Si E es un espacio vectorial finito,
decimos que un conjunto =
1
,
2
, ,
es una base de E si A genera a E

y, adems, es linealmente independiente.

TEOREMA: Todo conjunto generador de un espacio vectorial de tipo
finito E incluye una base de E. Por lo tanto, todo espacio vectorial E
tiene base.

2.7-CARDINAL DE LAS BASES DE UN ESPACIO
VECTORIAL

TEOREMA: Si =
1
,
2
, ,
es una base de un espacio E, entonces,

para todo conjunto linealmente independiente B de E se cumple que card B
n.

TEOREMA: En un espacio vectorial de dimensin finita, todas las bases
tienen el mismo cardinal.
2.8-DIMENSION DE UN ESPACIO VECTORIAL
Si un espacio vectorial E tiene una base de n elementos, el nmero natural
n se llama dimensin de E. Dicho de otro modo, llamamos dimensin de un
espacio al cardinal de cada una de sus bases. En tal caso escribiremos que n =
dim E.

2.8.1- CCOORDENADAS DE UN VECTOR

TEOREMA: Sea =
1
,
2
, ,
una base de un espacio vectorial E.

Para cada v de E, existe un nico conjunto de escalares
1
,
2
, ,
tales que:

=
1
1
+
2
2
++

Un cambio en el orden de los vectores v
1
,, v
n
da por resultado un cambio
correspondiente en el orden de los coeficientes del vector v: Esta situacin
justifica la definicin de base ordenada: una base ordenada B = (v
1
,, v
n
) de un K
espacio vectorial de E. es un sistema de vectores libre, generador y ordenado
El sistema { (1, 0, , 0); ; (0,, 0, 1) } de vectores de K
n
que hemos visto
que es un sistema generador de K
n
tambin es libre, puesto que si (
1
;;
n
) K
n

es tal que
1
(1, 0,, 0) + +
n
(0, , 0, 1) = (0,, 0); tendremos que (
1
;,
n
)
=(0,, 0); Por consiguiente, Bn = ((1, 0,, 0); ; (0, , 0, 1)) es una base
ordenada de K
n
: A esta base se la conoce con el nombre de base cannica de K
n
y se la denota como Bn: Como caso particular, resulta que B1 = (1) es una base
del K espacio vectorial de K
Definicin: Sea E un espacio vectorial de dimensin finita sobre un cuerpo
K. Si =
1
,
2
, ,
una base de E, entonces para cada vector v de E

existen escalares
1
,
2
, ,
nicos, tales que =

1
1
+
2
2
++
.
Decimos que los escalares
1
,
2
, ,
son las coordenadas del vector v en la

base A y, en tal caso, el vector

1
.
.
.

es el vector de coordenadas de v en la base A. A la funcin v
la
llamaremos funcin de coordenadas.
TEOREMA: Sea =
1
,
2
, ,
una base del espacio vectorial E. La

funcin v
cumple con las propiedades:

i) +

y, adems, es biyectiva.

Ejemplo: Obtener una base del subespacio S de
4
, siendo:

S=
4

4
/
1
3
+
4
= 0
Solucin
Si
1
e S entonces
1
=
2
+
3
4
y, por lo tanto:

4
=
2
+
3

4
4
=
2
0
0
+
3
0
3
0
+
4
0
0
4
=
2
1
1
0
0
+
3
1
0
1
0
+
4
1
0
0
1

O sea que, una cuaterna de S se obtuvo mediante una combinacin lineal
de las cuaternas del conjunto:

A=
1
1
0
0
,
1
0
1
0
,
1
0
0
1

lo que quiere decir que A genera al subespacio S. Es A un conjunto linealmente
independiente? Se puede comprobar fcilmente que lo es. Por lo tanto, hemos
hallado en A una base del subespacio S.
Ejemplo: Dado el conjunto

A=
1
2
3
,
2
4
6
,
0
1
1

de R3. i) Encontrar el subespacio Gen(A). ii) Hallar una base para Gen(A).

Solucin

Como siempre, planteemos, en primer lugar, la combinacin lineal: (
1
,
2
,
3
, e K)

x
1
x
2
x
3
=
1
1
2
3
+
2
2
4
6
+
3
+
0
1
1

De la misma surge:

1
21
3
1

2
2
+ 4
2
+
6
2
+

=
1
3
=
2
3
=
3

Resolviendo el sistema, obtenemos que
3
= 5
1
+
1
. Por lo tanto:

G en (A)=
3

3
/
3
=5
1
+
2

ii) Como es obvio, ya sabemos que A genera al subespacio Gen(A). Resta,
por consiguiente, probar que A es linealmente independiente. Es fcil
demostrar que no lo es y, por lo tanto no es base de Gen(A). Pero si le
quitamos vectores a un conjunto linealmente dependiente hasta lograr un
conjunto linealmente independiente, no le quitamos la propiedad
generadora del mismo subespacio Gen(A), y, de tal forma, podemos obtener
una base a expensas del conjunto original. Por lo tanto, sacndole a al
conjunto A, por ejemplo, al vector 1 2 3
, podemos probar fcilmente

que el conjunto resultante:

A=
2
4
6
,
0
1
1

es linealmente independiente y, por lo tanto, se constituye en una base de
Gen(A). Por consiguiente, dim Gen(A) = 2.
En esta situacin las siguientes expresiones son equivalentes

A es un generador de V
El espacio vectorial V es generado por el conjunto A
A genera a V

2.9-PRODUCTO INTERIOR
Definicin
Sea V espacio vectorial real y sea la funcin . que a cada par ordenado de
vectores de V le hace corresponder un nico escalar real, esto es
: V V R
(u. v) u v
La funcin es un producto interior si y slo si se verifican los siguientes
axiomas:
Ax.1. , ; =
Ax.2. , , ; + = +
Ax.3. , , ; = ( )
Ax.4. ; 0 ^
= 0 = 0

Definicin

Se llamar espacio euclideo a todo espacio vectorial real de dimensin
finita dotado de un producto interior.

En el espacio vectorial real
(n ), es un producto interior la funcin

:
R definida por

(
1
,
2
,,
)(
1
,
2
,,
)=
1
1
+
2
2
++
=1

Luego
es un espacio vectorial eucldeo

Cualquier sea n , el producto interior definido precedentemente se
suele denominar Producto escalar o Producto punto.
2.9.1-PROPIEDADES DEL PRODUCTO INTERNO
Sea V un espacio vectorial eucldeo. Entonces:

, , ; = ( )


;
=0


, ;

Sea v un espacio vectorial eucldeo, y sea la funcin (doble barra)

:
u

La funcin es una norma si y solo si verifica los siguientes axiomas:

Ax.1. ; 0 ^

=0u=0

Ax.2. , ; =

Ax.3. , ; + +

2.10- ESPACIO VECTORIAL NORMADO
Un espacio vectorial normado es un espacio vectorial en el que se
encuentra definida una norma.

Todo espacio vectorial eucldeo es un espacio vectorial normado, ya que
la norma es inducida por el producto interior definido en V como veremos
ahora.
2.10.1-NORMA INDUCIDA POR UNA PRODUCTO INTERIOR
Proposicin

Sea V un espacio vectorial euclideo, la funcin definida por

:
u =

es una norma.
Aplicaciones
en MATLAB

Sea n los vectores x,z realizar la combinacin lineal x+z.

>> x=[-0.5 0 .5]
>> z=[0.4 -0.81 0.4]
>> w = lincomb({1,-1},{x,z})

w =
-0.9000 0.8100 0.1000

Dadas las matrices A1=(2 4 3 ;0 3 2;0 1 4) y A2=[2 1 1 ;0 3 2;0 0 4], realizar la
combinacin lineal 1.A1-2.A2, usando lincomb( las matrices ingresar como
celdas) se tiene.

>>A1=[2 4 3 ;0 3 2;0 1 4];A2= [2 1 1 ;0 3 2;0 0 4];A= A={A1 A2};c= {1,-2};
lincomb(c,A)

ans =
-2 2 1
0 -3 -2
0 1 -4

Estudiar si los vectores u=(2,0,0)t; v=(1,3,0)t y w=(1,2,4)t presentan
dependencia o independencia lineal

El archivo dependence determina si un conjunto de vectores columnas es
linealmente independiente o dependiente

>> A=[2 1 1 ;0 3 2;0 0 4]
A =
2 1 1
0 3 2
0 0 4

>> [d]=Dependence(A)

Los vectores son linealmente independientes

Los conjuntos de vectores

G1={(-1,1,0),(-1,0,1)} y G2={(-1,1,0),(-1,0,1),(-2,1,1)}

Sern generadores de W?
Si formamos las ecuaciones para la definicin de W

x[-1 1 0]+y[-1 0 1]=[0 0 0], o sea
-x-y=0;x=0;y=0
Con

>>[x,y,z]=solve('-x-y=0', 'x=0', 'y=0','x','y')
x=0,y=0
para G2

x[-1 1 0]+y[-1 0 1]+z[-2 1 1]=[0 0 0]
-x-y-2z=0;x+z=;y+z=0
>>[x,y,z]=solve(-x-y-2z=0;x+z=;y+z=0,x,y,z)

es linealmente dependiente


Sea W={(x,y,z)/x+y+z=0}

Al ser dos sistemas de generadores, cualquier vector del subespacio se podr
expresar como combinacin lineal de cada uno de los vectores del conjunto.

Por ejemplo el vector (3,0,-3).podr ser expresado como combinacin de
G1?

x[-1 1 0]+y[-1 0 1]=[3 0 -3]
entonces
x[-1 1 0]+y[-1 0 1]=[3 0 -3]
que nos da
-x-y=3;x=0;y=-3

Pruebe para G2; observe el resultado y se tendr

-x-y-2z=3;x+z=0;y+z=-3

-Sea el espacio generado por la matrices A = pascal(4);B = rand(4), estudiar
si el vector v = ones(4) est en tal espacio, usando archivo span( verifica si un
vector determinado est en el espacio generado por un conjunto de vectores)

>>v = ones(4); A = pascal(4); B = rand(4); span(v, A, B)

vector dado no est en el espacio.

Otra manera
>> clear, syms x y
>> eq1='0.5=(200+3*x+4*y)^2/(20+2*x+3*y)^2/x'
>> eq2='10=(20+2*x+3*y)*y/x'
>> [x y]=solve(eq1,eq2,x,y)

Ejercicios de base

- Calcular una base del subespacio engendrado por los vectores de
R
4
, {v
1
; v
2
; v
3
; v
4
; v
5
},
donde
v
1
= (1; 3; 2; 1), v
2
= (1; 1; 1; 1), v
3
= (0; 2; 1; 0), v
4
= (2; 4; 3; 1), v
5
= (1; 1; 1;
2).
Usamos el base.m

>> A=[1 3 2 1 ; 1 1 1 1 ; 0 2 1 0; 2 4 3 1 ; 1 1 1 2];
>> base
Matriz cuyas filas son los vectores del sistema:

A
3

La base del subespacio son las columnas de la matriz

1 0 0
0 1 0
1/2 1/2 0

conocidos los generadores de dos subespacios V1 y V2 nos devuelva la
dimensin y una base del subespacio suma.

V1 ={ (1; 2; 5; 3; 2); (3; 1; 5; 6; 6); (1; 1; 3; 2; 0) }
V2 ={ (2; 1; 4; 3; 4); (3; 1; 3;-2; 2); (9; 2; 3; -1;-2)}

Dados dos subespacios vectoriales V1 y V2 sabemos que la unin de dos
sistemas generadores de ambos nos proporciona un sistema generador del
subespacio suma V1 + V2.

Usar el archivo suma.m

>> suma

Matriz cuyas filas engendran V1, A1= [1 2 5 3 2;3 1 5 -6 6;1 1 3 2 0];
Matriz cuyas filas engendran V2, A2= [2 1 4 -3 4;3 1 3 -2 2;9 2 3 -1 -2];

La dimensin es
4

La base del subespacio son las columnas de la matriz B

1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
-1 3 0 -1

Expresar el vector a de R
3
respecto de la base {v
1
,v
2
,v
3
} si respecto de la base
{u
1
,u
2
,u
3
} tiene la siguiente expresin a =2u
1
+3u
2
2u
3
, y los vectores v
j
estn
definidos por:

v
1
= u
1
+3u
2
u
3
, v
2
= u
1
u
2
u
3
,v
3
= u
2
u
3
a =[u
1
u
2
u
3
]X, siendo XT==(2, 3,2),
[v
1
v
2
v
3
]=[u
1
u
2
u
3
] P, siendo P=[1 1 0;3 -1 1;-1 -1 1-]

Es decir [v
1
v
2
v
3
]=[u
1
u
2
u
3
] P, siendo P
-1
regular

Reemplazando :a =[v
1
v
2
v
3
] P
1
X =[v
1
v
2
v
3
] X-

>> p = [1 1 0;3 -1 1;-1 -1 -1];
>> x = [2 3 -2]';
>> xb = inv(p)*x

xb =
1.2500
0.7500
0
Ejemplo:
Demostrar que el vector b=
2
4
3
4
se encuentra en el subespacio generado
por los vectores

2
0
1
4
y
2
1
0
2

Si b esta en el subespacio generado por los dos vectores dados entonces b es
una combinacin lineal de tales vectores, es decir, existen escalares
1
y
2
tales
que
1
2
0
1
4
+
2
2
1
0
2
=
2
4
3
4

Lo que es equivalente a resolver la ecuacin matricial

2 2
0 1
1 0
4 2
2
=
2
4
3
4

Mediante MATLAB sean A = 2 2; 0 1; 1 0; 4 2 = 2; 4; 3; 4
y c = , . Usando el comando U=ref(C) obtenemos la forma escalonada
reducida de la matriz C.
U=
1 0 3
0 1 -4
0 0 0
0 0 0

Lo que indica que la ecuacin matricial es consistente y tiene solucin
nica
1
= 3 y
2
= 4. Por lo tanto el valor b =
2
4
3
4
se encuentra en el
subespacio generado por los valores
2
0
1
4
y
2
1
0
2

Sea a1=[1 -2 3]t , a2=[5 -13 -3]t y b=[-3 8-1], estar b en el plano generado
por a1 y a2? Desde la geometra Gen[a1,a2] es un plano que pasa por el origen
en R3, entonces estudiamos la solucin de x
1
a
1
+ x
2
a
2
=b, generando la matriz
ampliada [a
1
a
2
b].
Con Matlab
>> A=[1 5 -3;-2 13 8;3 -3 1];
>> rrefstep(A)
Llegamos a
Upper Triangular Form STEP-BY-STEP <><><><>
The current matrix is:
1 5 -3
0 -3 2
0 0 -2
Elimination complete in column 2.

De este resultado vemos que 0x
2
=-2, sistema sin solucin, entonces b no
est en Gen[a
1
,a
2
]


Es tal vez el tema fundamental en el lgebra Lineal porque pueden
utilizarse para introducir, asociar y explicar prcticamente todos los
temas del lgebra Lineal. Sus propiedades, bien utilizadas, abrevian el
trabajo en las demostraciones.
3.1- DEFINICION
Sean E y F dos espacios vectoriales sobre el mismo cuerpo K. Se llama
aplicacin lineal a toda funcin f de E en F que cumple con las siguientes
condiciones:

(x, y e E; e K)

i) f (x + y) = f (x) +f (y)
ii) f ( x) = f (x)

Las aplicaciones lineales tambin se llaman homomorfismos, y, como surge
de la definicin, estas funciones asocian dos espacios vectoriales E y F
transformando una suma de elementos de E en una suma de sus imgenes en F
y el producto de un escalar por un elemento de E en el producto del escalar por
la imagen de dicho elemento en F.
3.2-CONDICION NECESARIA Y SUFICIENTE PARA LA
EXISTENCIA DE UNA APLICACIN LINEAL
Sean dos espacios vectoriales E y F sobre el mismo cuerpo K. Una funcin
f de E en F es una aplicacin lineal si y slo si se cumple que:

(, e K; x,y e E)
f (x + y) = f (x) + f (y)

Ejemplo: Sea el espacio (R
2
,+,R,.). Demostrar que la funcin f en R
2

definida por

2
=
1

f es una aplicacin lineal en R
2
.
Solucin
La condicin necesaria y suficiente, traducida a la situacin dada en el
ejemplo, dice:

2
+
2
=
2
+
2

Desarrollando el primer miembro, y siempre teniendo presente la regla de
definicin de f, tendremos:

2
+
2
=
1
+
1
2
+
2
=
2
+
2
1
+
1

Haciendo lo mismo con el segundo miembro de la igualdad:

2
+
2
=
1
+
1

Ambos miembros, como se ve, coinciden. Por lo tanto, f es una aplicacin
lineal.

3.3-PROPIEDADES DE LAS APLICACIONES LINEALES
Si f es una aplicacin lineal de E en F, entonces:

1. La imagen del vector nulo de E es el vector nulo de F.
2. La imagen del opuesto de cualquier vector de E es igual al opuesto de su
imagen.

Si E y E son espacios vectoriales sobre el mismo K y f : E E es lineal,
entonces se verifica que

1. f(0) = 0;

u E,f(u)=-f(u)

Vemos que E ; f(0) = f(0 . u) = 0 . f(u) = 0:

Por otra parte

f(u) + f(-u) = f(u + (-u)) = f(0) = 0;

por lo que podemos concluir que f(-u) es el opuesto de f(u) o, lo que es lo
mismo, que f(-u) = -f(u); puesto que (E; +) es un grupo.

Si E es un espacio vectorial sobre K y u
0
un vector fijo no nulo en E, la
transformacin E ,f(u) = u + u
0
(la traslacin por el vector u
0
) no es
lineal, ya que f(0) = u
0
0.

El siguiente resultado nos permite asegurar que la funcin suma de dos
funciones lineales es una funcin lineal y que, si multiplicamos una funcin
lineal por un escalar, la funcin as obtenida es tambin una funcin lineal.

3.4-NUCLEO DE UNA APLICACION LINEAL
DEFINICIN: Sea f una aplicacin lineal de E en F. Se llama ncleo de f
y se denota N(f ),al subconjunto de E formado por todos los vectores que tienen
como imagen al vector nulo de F. O sea:

N(f ) = {x e E / f (x) = 0}

3.5- IMAGEN DE UNA APLICACION LINEAL
DEFINICIN: Sea f una aplicacin lineal de E en F. El conjunto imagen
de f, al que denotaremos I (f ), es el subconjunto de F formado por todos los
elementos que son imagen de algn elemento de E. O sea:

I(f ) = {y e F / -x e E . y = f (x)}
Sean E y E espacios vectoriales sobre K ,f : E E una funcin lineal.

Entonces a la dimensin del imagen de f se denomina rango de f y a la
dimensin del ncleo de f se denomina nulidad de f

Sean E y E espacios vectoriales sobre K .Entonces, el ncleo de la funcin
identidad Id : E E es el subespacio {0} y su imagen es el espacio E; el ncleo
de la funcin cero f : E E es el espacio E y su imagen es el subespacio {0}

3.5.1-RELACION ENTRE LAS DIMENSIONES DEL NUCLEO E
IMAGEN

Sean E y E espacios vectoriales sobre K f : E E una funcin lineal. Se
verifica que

1. f es inyectiva Ker(f) = {0};
2. f es sobreyectiva , Im(f) = E

En el sentido puesto que f es lineal, f(0) = 0 y en consecuencia:

0 Ker(f) o, lo que es lo mismo, {0} est en Ker(f): Por otra parte si u E
es tal que u Ker(f); resulta que f(u) = 0 y f(0) = 0; y, puesto que por hiptesis
f es inyectiva, concluimos que u = 0; con lo que Ker(f) est en el conjunto {0}:
En definitiva, Ker(f) = {0}
En el sentido Supongamos que Ker(f) ={0} y que u, v E son tales que
f(u) = f(v). En ese caso f(u) + (-f(v)) = 0 y, puesto que f es lineal,

f(u) + (-f(v)) = f(u) + f(-v) = f(u + (-v)):

En consecuencia f(u + (-v)) = 0; o lo que es lo mismo, u + (-v)

Ker(f) = {0}; es decir, u + (-v) = 0; de donde u = v.

2. Por definicin, f es sobreyectiva si y slo si Im(f) = E:
Comprobar que si f : E E es un isomorfismo, entonces (
,,
) en E
es libre si y slo si {(
),,(
)} es libre.

Ejemplo Las funciones IC :K
n
Mnx1(K)

(
1
;...;

e

IF : K
n
M1xn(K)

(
) (
; ;
)

son isomorfismos. A IC le denominaremos isomorfismo columna y a IF
isomorfismo fila.

3.6-OPERACIONES CON APLICACIONES LINEALES
Conjunto de las aplicaciones lineales:
Sean E y F dos espacios vectoriales sobre el mismo cuerpo K. Vamos a
denotar con L(E,K) al conjunto de todas las aplicaciones lineales que tienen a E
y F como dominio y codominio, respectivamente. De otra forma:

L(E,K) ={ f / f es una aplicacin lineal de E en F}
Nuestro objetivo es dotar a L(E,K) de una estructura de espacio vectorial;
para ello definiremos, en primer lugar, la suma de aplicaciones lineales y luego
el producto de escalares por dichas aplicaciones.

Suma de aplicaciones lineales:

DEFINICIN: Sean f y g dos elementos de L(E,K). Llamaremos suma de f
y g (f ,g) f + g a la ley definida por:

(f + g)(x) = f (x) + g (x), x e E

PROPIEDAD: La suma de dos aplicaciones lineales es una aplicacin
lineal.

Producto de escalares por aplicaciones lineales:

DEFINICIN: Sean y f elementos de K y L(E,K) respectivamente.
Llamaremos producto de escalares por aplicaciones lineales a la ley (,f ) f
definida por:

(f )(x) = f (x), x e E

PROPIEDAD: El producto de un escalar por una aplicacin lineal es una
aplicacin lineal.

3.7-EL ESPACIO VECTORIAL DE LAS APLICACIONES
LINEALES
El par (L(E,K),+) es un grupo conmutativo La suma es una ley interna en
L(E,K), tal como lo hemos probado. Adems es asociativa y conmutativa, por
serlo la suma en F; tiene elemento neutro, que es la aplicacin lineal nula e(x)
= 0 y, por ltimo, toda f de L(E,K) admite un opuesto -f definido por
(f )(x) = f (x). Por lo tanto, el par (L(E,K),+) es un grupo
conmutativo.

Ley de composicin externa Por definicin, el producto de escalares por
aplicaciones lineales es una ley de composicin externa, tal como lo hemos
probado. Se puede demostrar, sin dificultad, que:

(f,g e L(E ,F);, e K)
1. ( + )f = f + f
2. (f + g) = f + g
3. (f ) = ()f
4. 1f = f

La cuaterna (L(E,K),+,K,.) es un espacio vectorial De las dos secciones
anteriores podemos afirmar que la cuaterna (L(E,K),+,K,.) es un espacio
vectorial. En dicho espacio, los vectores son las aplicaciones lineales.
3.8- COMPOSICION DE APLICACIONES LINEALES
Es evidente que, como toda funcin, una aplicacin lineal se puede
componer con otra, bajo las condiciones adecuadas, que por otra parte, son
conocidas. Pero, el resultado de componer dos aplicaciones lineales, es una
aplicacin lineal?. Es fcil probar que la respuesta a esta pregunta es afirmativa.
En efecto, sean f e L(E,G) y g e L(G,F). Vamos a probar que la composicin
de g con f, definida por:

(g o f )(x) = g(f (x))

es una aplicacin lineal.
Teniendo en cuenta la condicin necesaria y suficiente para la existencia de
una aplicacin lineal, tendremos que probar que:

(x,y e E;, e K)

(g o f )(x + y) = (g o f )(x) + (g o f )(y)

Veamos:

(g o f )(x+y) = g(f (x+y)) = g(f (x)+f (y))
= g (f (x))+g (f (y)) = (g o f )(x)+(g o f )(y)

lo que prueba que si f e L(E,G) y g e L(G,F), entonces g o f e L(E,F).
3.9- TEOREMA FUNDAMENTAL DE LAS
APLICACIONES LINEALES
TEOREMA: Sean E y F dos espacios vectoriales sobre el mismo cuerpo K.
Sea A = {
, ,
} una base de E. Tomemos el conjunto

B = {
, ,
} incluido en F. Existe una nica aplicacin lineal f de E

en F que cumple que:

f (
) =
, f (
) =
,..., f (
) =

Nota: en las secciones siguientes de la unidad se denotan los
vectores8 en negrita) con el suprandice
a-Existencia
Cada se escribe como combinacin lineal de la base =
1
1
++

Como f es lineal () =
1
(
1
)++
) y considerando que
buscamos

= (
), = 1, , ,

Se tendr: () =
1
1
++

b-Unicidad
Supongamos existe otra aplicacin : /(
) =
, = 1, ,

Entonces de
, c/ , =
1
1
+ +

() =
1
(
1
)++

() =
1
(
1
)++
) =
1
1
+ +
= ()
De donde =

3.9.1-VECTOR DE COORDENADAS
Sea E espacio vectorial, =
1
, ,
base ordenada de E, si , se
define el vector de coordenadas de respecto de B como:[]
siempre
que se cumpla =
1
1
++

O sea, el vector de coordenadas de es la n-ada que se forma con los
coeficientes de los vectores de la base, al escribir a como combinacin lineal
de stas.

Si ahora tenemos =
1
, ,
y =
1
, ,
bases de E y F,
respectivamente, con : lineal, para cada
se puede calcular el vector

de coordenadas de f(
) respecto a la base C, formndose una matriz con estos

vectores coordenadas como columnas, es decir:

=
1
1
++
, = 1, . . ,

11

1
21

2

3.9.2-ASOCIACION ENTRE MATRICES Y APLICACIONES
LINEALES
La relacin que existe entre matrices y aplicaciones lineales, evidenciada en
la seccin anterior, tiene mucha importancia y merece que la formalicemos con
mayor rigor.
Denotemos con M
m,n
(K) al conjunto de matrices de m filas y n columnas,
cuyos elementos pertenecen al cuerpo K. Elegida la base A de E y B de F,
espacios vectoriales de dimensin n y m respectivamente, existe, en relacin con
dichas bases, una nica funcin biyectiva f M(f ) de L(E,F) en M
m,n
(K) y
adems, por ser M una funcin biyectiva (como es fcil probarlo), existe tambin
una nica funcin M(f ) f de M
m,n
(K) en L(E,F). Esta relacin biunvoca
entre aplicaciones y matrices nos permitir analizar a stas utilizando conceptos
ya estudiados para aplicaciones lineales, en beneficio de una economa en las
demostraciones.

Ejemplo: Dada la aplicacin lineal f de R
3
en R
2
definida por
3
=
1
+
2
2

3

Encontrar la matriz asociada a f, M(f ), respecto de las bases
=
1
1
1
,
1
1
0
,
1
0
0
y =
2
0
,
0
1

de R
3
y R
2
respectivamente.

Solucin
Obtenemos las imgenes de las vectores de la base A y las expresamos como
combinacin lineal de los vectores de la base B:

1
1
1
=
2
0
= 1
2
0
+ 0
0
1

1
1
0
=
2
1
= 1
2
0
+ 1
0
1

=
1 1 1/2
0 1 0

Como las coordenadas de las imgenes de los vectores de A son la primera,
segunda y tercer columna de la matriz M(f ), respectivamente, se tiene:

3.10-SUMA DE MATRICES
DEFINICIN: La suma de matrices es una funcin que asocia a todo par
[a
ij
] y [b
ij
] de M
m,n
(K), otra matriz [a
ij
] + [b
ij
] del mismo conjunto, y que est
definida como sigue:

[a
ij
] + [b
ij
] = [a
ij
+ b
ij
]

3.11-MULTIPLICACION DE UN ESCALAR POR UNA
MATRIZ
DEFINICIN: El producto de un escalar por una matriz [a
ij
] del
conjunto M
m,n
(K) es otra matriz de M
m,n
(K) que se obtiene mediante la
siguiente regla:

[a
ij
] = [a
ij
]

3.12-ISOMORFISMO ENTRE APLICACIONES LINEALES
Y MATRICES
Lo analizado en las dos ltimas secciones nos permite sacar una conclusin
muy importante.
En efecto, la funcin f M (f ) de L(E,F) en M
m,n
(K) cumple con las
propiedades:

M(f +g) = M(f ) + M(g)
M(f ) = M(f )

y, por consiguiente, M es una aplicacin lineal; las operaciones de adicin y
multiplicacin por escalares se conservan a travs de esa correspondencia.
3.13-ESPACIO VECTORIAL DE LAS MATRICES
El hecho de que la funcin f M(f ) de L(E,F) en M
m,n
(K) conserva la
suma y el producto por escalares, nos permite considerar a los conjuntos L(E,F)
y M
m,n
(K) "como si fueran iguales". O sea que, como a travs del isomorfismo
se conserva la estructura, entonces podemos asegurar que tambin la cuaterna
(M
m,n
(K),+,K,.) tiene estructura de espacio vectorial.

En dicho espacio los vectores son las matrices de m filas y n columnas.
3.14-PRODUCTO ENTRE MATRICES
DEFINICIN: Al par de matrices [b
ik
] de M
m,p
(K) y [a
kj
] de M
p,n
(K)
asociamos otra matriz [c
ij
] de M
m,n
(K) llamada producto de las dos primeras, y
definida como sigue:

[c
ij
] = [b
ik
] [a
kj
] = b
ik
a
kj

K=1
p
Sean las aplicaciones t, u sobre los espacios V,W,Z

:
:

En trminos de la composicin se podr escribir

:

Definida como ()() = , , al ser u y t lineales lo ser ut

Ahora si , , (, ), con B,C,D bases ordenadas de V,W, Z
respectivamente

=
1
, ,
, =
1
, ,
, =
1
, ,

Entonces

=
1
1
++
, = 1, . . ,

=
1
1
++
, = 1, . . ,

= 1, . .

=
1
1
++
1
(
1
) ++
)

=
1
(
1
1
++
) ++
(
1
1
++
)

= (
1
11
++
1
)
1
++(
1
1
++
)

Utilizando sumatorias

= (
1
=1
)
1
+(
=1
, quedando la matriz
asociada como

=1
1

1
=1
=1
=1
11

1

11

1

(pxm) (mxn)
3.15-ALGUNAS MATRICES ESPECIALES
Matriz identidad Sea la aplicacin lineal en E definida por i (x) = x
(Recurdese de que se trata de la homotecia de razn 1).
Si A = {v
1
,v
2
,...,v
n
} es cualquier base de E, entonces la matriz asociada a i
es:

=
1 0 0
0 1 0

0 0 1

A esta matriz, asociada a la aplicacin lineal identidad, se la denomina
matriz identidad, a la cual denotaremos In, donde n es el nmero de filas o
columnas que dicha matriz posee. En particular, para todo nmero natural n
>1, vamos a denotar Mn (K) al conjunto de las matrices cuadradas de n filas y
n columnas.
Es fcil probar que, cualquiera sea M e M
n
(K), se verifica que:
MI
n
= I
n
M = M

o sea que la matriz I
n
es el elemento neutro para el producto de matrices
pertenecientes a M
n
(K).
Muchos autores utilizan el conocido "smbolo de Kronecker" o "delta de
Kronecker".

Recibe este nombre todo elemento
ji
del cuerpo K, con 1 < i,
j < n que cumple con la condicin:

i = j
ji
=1
i j
ji
= 0

Utilizando este smbolo, la matriz identidad I
n
se denota directamente [
ji
].
Matriz escalar Una matriz de M
n
(K) se llama escalar si se la puede escribir
de la forma I
n
, donde es un escalar cualquiera. De otra manera, una matriz es
escalar si tiene la forma:

0 0
0 0

0 0

Es fcil probar que, si dim E = n, entonces la matriz escalar est asociada a
la homotecia de razn , o sea a la aplicacin lineal f en E definida por la regla f
(x) = x, para todo x de E.

Es importante llamar la atencin sobre un detalle que seguramente ha
pasado inadvertido: cuando hablamos de la matriz asociada a una homotecia,
no hemos fijado una base para E. En realidad, la matriz asociada a una
homotecia (que es un endomorfismo) es independiente de la base elegida y, ms
an, las homotecias son los nicos endomorfismos que tienen esa propiedad.

Matriz diagonal Una matriz perteneciente a M
n
(K) se llama diagonal si
todos sus elementos que no se encuentran sobre la diagonal principal son nulos,
es decir, si i j, entonces a
ij
= 0. Por consiguiente, dicha matriz tiene la forma:

1
0 0
0
2
0

0 0

donde algunos de los elementos de la diagonal principal pueden ser nulos.

Quiere decir que la matriz escalar tambin es una matriz diagonal.
Matriz triangular Una matriz cuadrada [a
ij
] se llama triangular si tiene nulos
todos los elementos debajo de la diagonal principal, es decir, si a
ij
= 0 siempre
que i > j. Por lo tanto, la matriz triangular tiene la forma:

11
12

1
0
22

2

0 0

3.16- TRASPUESTA DE UNA MATRIZ
Sea una matriz M = [a
ij
] de M
m,n
(K). Se llama traspuesta de M a la matriz
M
T
de M
m,n
(K) obtenida a partir de M cambiando filas por columnas. Es decir
que, si M = [a
ij
], con m 1 < i < m y 1 < j < n, entonces M
T
= [b
ji
], con b
ji
=
a
ij
.
3.17-MATRIZ INVERSIBLE
Se dice que una matriz M de M
n
(K) es inversible si existe una matriz M
1

tal que:

MM
1
= M
1
M = I
n

3.18-CAMBIO DE BASE
La matriz A de M
n
(K), cuyas columnas son las coordinas de los vectores de
la base A en la base B, o sea:

=
11
12

1
21
22

2

se llama matriz de paso o matriz de transicin de la base A a la base B.
TEOREMA Sea un espacio vectorial E y sean A y B dos bases de dicho
espacio. Si P es la matriz de paso de A a B, entonces, para todo v de E, se
cumple que:

[v]
B
= P[v]
A

Ejemplo: Sea el espacio R
3
y elijamos para dicho espacio las bases:

=
1
0
0
,
0
1
0
,
0
0
1
y =
1
0
2
,
3
1
0
,
0
1
2

Si x = [x
1
x
2
x
3
]
T
es un vector de R
3
, exprese x en trminos de los
vectores de la base B.
Solucin
Estudiando el problema, surge inmediatamente que la matriz de paso de B
a A, es:

=
1 3 0
0 1 1
2 0 2

Antes de seguir, el alumno debera investigar el porqu de la afirmacin
anterior. Una vez hecho esto, hagamos el siguiente anlisis: si P es la matriz de
paso de A a B, entonces, para todo x de R
3
se tendr que [x]
B
= P[x]
A
, por lo
tanto

[x]
A
= P
1
[x]
B
Necesitamos, por lo tanto, calcular P
1
; es fcil comprobar que:

1
=
1
4
3
4
3
8
1
4
1
4
1
8
1
4
3
4
1
8

Entonces, si por ejemplo, [x]
A
= [1 2 4]
T
, entonces:

=
1
4
3
4
3
8
1
4
1
4
1
8
1
4
3
4
1
8
1
2
4
=
1
4
1
4
7
4

De que forma podra el alumno verificar la solucin hallada?
Todo lo que hemos explicado acerca del cambio de base para un dado
espacio vectorial, se comprender mejor a partir del diagrama que sigue:

v(en E)
)
Aplicaciones
en MATLAB

Matriz asociada a una transformacin lineal

Uso de tranf.3

Se plantea para la aplicacin lineal T(x,y,z)=(x+y,x-z,y+2z), siendo las
respectivas bases

A=[0,-3,3;-3,3,0;-2,2,3] y B=[1,2,4; 2,1,-1; 0.5,-1,2].

>>tranf.3

En todos los casos los vectores deben ser ingresados como una matriz fila
Ingrese el 1er vector de la 1er base en R
3
: [0 -3 3]
Ingrese el 2do vector de la 1er base en R
3
: [-3 3 0]
Ingrese el 3ro vector de la 1er base en R
3
: [-2 2 3]
B =
0 -3 -2
-3 3 2
3 0 3

Ingrese el 1er vector de la 2da base en R^3: [1 2 4]
Ingrese el 2do vector de la 2da base en R^3: [2 1 -1]
Ingrese el 2do vector de la 2da base en R^3: [0.5 -1 2]

B1 =
1.0000 2.0000 0.5000
2.0000 1.0000 -1.0000
4.0000 -1.0000 2.0000

M =
Columns 1 through 5

1.0000 2.0000 0.5000 -3.0000 0
2.0000 1.0000 -1.0000 -3.0000 -3.0000
4.0000 -1.0000 2.0000 6.0000 3.0000

Column 6
0
-5.0000
11.0000
La matriz asociada a la transformacin lineal es:

Masoc =
0 0.2500 -0.3333
0 -2.0000 -0.3333
1.0000 1.5000 2.0000

Con el archivo tranlineal se puede practicar para R
3
en R
2
: T(x,y,z)=(x+y,x-z)

>> En todos los casos los vectores deben ser ingresados como una matriz fila

Ingrese el 1er vector de la 1er base en R^3: [1 1 1]
Ingrese el 2do vector de la 1er base en R^3: [1 1 0]
Ingrese el 3ro vector de la 1er base en R^3: [1 0 0]

B =
1 1 1
1 1 0
1 0 0

Ingrese el 1er vector de la 2da base en R^2: [2 0]
Ingrese el 2do vector de la 2da base en R^2: [0 1]

B1 =
2 0
0 1

M =
2 0 2 2 1
0 1 0 1 1

La matriz asociada a la transformacin lineal es:

Masoc =
1.0000 1.0000 0.5000
0 1.0000 1.0000

Hallar inversa de una matriz por gauss jordan

Sea la matriz A=[1 1 1;1 2 3;1 3 6], encontrar su inversa.Se crea la matriz
aumentada B con A seguida de la identidad I del mismo tamao que A

>> A=[1 1 1;1 2 3;1 3 6]; B = [A eye(size(A))]

B =
1 1 1 1 0 0
1 2 3 0 1 0
1 3 6 0 0 1

>> B = rref([A eye(size(A))])

B =

1 0 0 3 -3 1
0 1 0 -3 5 -2
0 0 1 1 -2 1

Entonces

>>B = B(:, 4:6)

B =
3 -3 1
-3 5 -2
1 -2 1

Verificando

>> A*B

ans =
1 0 0
0 1 0
0 0 1

Idntico resultado a

>>inv(A)

ans =

3.0000 -3.0000 1.0000
-3.0000 5.0000 -2.0000
1.0000 -2.0000 1.0000

Hallar las bases fundamentales a una matriz asociada A

El espacio fila de A(rs) es ortogonal al espacio nulo de A(ns) y el espacio
columna de A(cs) es ortogonal al espacio nulo izquierdo de A(nls); se usa fourb.m

>> A = randn(3,5)

A =
0.5377 0.8622 -0.4336 2.7694 0.7254
1.8339 0.3188 0.3426 -1.3499 -0.0631
-2.2588 -1.3077 3.5784 3.0349 0.7147

Se crea una matriz de ceros y unos de la matriz random A

>> A = A >= 0

A =
1 1 0 1 1
1 1 1 0 0
0 0 1 1 1

Las bases de los cuatro espacios sern
[cs, ns, rs, lns] = fourb(A)

cs =
1 1 1
1 0 0
1 1 0

ns =
-1 0
0 -1
1 0
0 0
0 1

rs =
1 0 0
0 1 0
1 0 0
0 0 1
0 1 0

lns =
Empty matrix: 3-by-0


Hallar la matriz de transicin de un espacio vectorial a otro espacio,
supondremos que las bases ordenadas se almacenan en columnas de las matrices T
y S, respectivamente, usando el archivo transmat.m

>> T = [1 2;3 4]; S = [0 1;1 0];
>> V = transmat(T, S)

V =
3 4
1 2

Con V calculamos un vector de coordenadas en la base S:as para el x=[1 1]T

>> xs = V*[1;1]
xs =
7
3

-filmina 321 desde cambio de base hasta 329(inclusive)
Cambio de base
Se consideran la matriz P =(1 -3 4;2 -5 6;-1 0 1) y los vectores de R
3
:
v
1
= (-2, 2, 3); v
2
= (-8, 5, 2); v
3
= (-7, 2, 6)

Encuntrese una base B1={u
1
, u
2
, u
3
} para R
3
tal que P sea la matriz del
cambio de base de B1 a B2 ={v
1
, v
2
, v
3
}

Calclense las coordenadas en la base B2 del vector v cuyas coordenadas en
la base B1 son (1, 2, 3).
>> cambio de base1
punto1
Respecto de la base cannica:
u1 =
28
-9
-3

u2 =
38
-13
2

u3 =
21
-7
3
Punto2

X2 =

36
-22
-9

En el espacio vectorial R
4
se consideran las bases: B1 = {u
1
, u
2
, u
3
; u
4
} y
B2 = {v
1
, v
2
, v
3
,v
4
} donde

u
1
= (1, 1, 1, 1)
u
2
= (0, 1, 1, 1)
u
3
= (0, 0, 1, 1)
u
4
= (0, 0, 0, 1)
v
1
= (1, 3, 2,-3)
v
2
= (1,-2, 0, 2)
v
3
= (-3,-1;-3, 0)
v
4
= (3, 4, 4,-3)

Calclese la matriz P que realiza el cambio de base de B2 a B1. Calclense las
coordenadas en B1 del vector cuyas coordenadas en la base B2 son (1, 1, 1, 1).
>>cambiobase2

La matriz P buscada es

-4.0000 -2.0000 1.0000 -2.0000
-1.0000 -4.0000 -4.0000 -1.0000
1.0000 -3.0000 -5.0000 0
3.0000 -1.0000 -4.0000 1.0000

Las coordenadas pedidas en la base {B1} son:

2.0000
2.0000
-1.0000
-7.0000
-Considerando la transformacin lineal, cuya matriz est conformada por la
familia de vectores {(0,-3,-1,3), (-3,3,-1,0), (-2,2,1,3)}
Hallar una base de su ncleo.

>>A=[0,-3,-1,3;-3,3,-1,0;-2,2,1,3;]

A =
0 -3 -1 3
-3 3 -1 0
-2 2 1 3

>> null(A)

ans =
0.6448
0.4690
-0.5276
0.2931
4.1- DEFINICION
Dado el cuerpo R, llamaremos sistema lineal de m ecuaciones con n
incgnitas con coeficientes reales o complejos a todo conjunto de relaciones del
tipo:

11
1
+
12
2
+ +
1
=
1
21
1
+
22
2
+ +
2
=
2

1
+
2
2
+ +

donde:
i) Los elementos a
ij
, con 1 < i < m y 1 < j < n son nmeros reales o
complejos a los que llamaremos coeficientes del sistema.
ii) los elementos b
i
, son elementos de R que llamaremos trminos
independientes del sistema.
iii) los elementos x
j
, que tambin son elementos de R, y representan las
incgnitas del sistema.
Qu significa resolver un sistema?. Es encontrar un conjunto de nmeros
(s
1
,s
2
,..., s
n
) que, reemplazados por x
1
,x
2
,...,x
n
en el sistema, lo satisfacen,
Obviamente, tales nmeros pueden no existir; en tal caso se dice que el sistema
carece de solucin.

Cuando un sistema tiene solucin, lo llamaremos sistema consistente; en caso
contrario, estaremos ante un sistema inconsistente. Un sistema consistente puede
tener una solucin nica o un conjunto de infinitas soluciones. Al conjunto de
todas las soluciones lo denominaremos conjunto solucin del sistema.
4.2-NOTACION MATRICIAL
Si nos detenemos un poco a analizar los elementos que componen un sistema
lineal, nos daremos cuenta que la informacin bsica que contiene puede
presentarse en una matriz.
Si tomamos, por ejemplo, el sistema:

1
+ 2
2

3
= 1
2
+
3
= 5
1
+ 3
2
4
3
= 2

entonces, las matrices que siguen resumen sus datos fundamentales del sistema
anterior:

1 2 1
0 1 1
1 3 4
y
1 2 1 1
0 1 1 5
1 3 4 2

La primera se llama matriz de los coeficientes y la segunda matriz
aumentada del sistema. Como vemos, la matriz aumentada consiste en la matriz
de coeficientes a la que se le agrega una columna que consiste de los elementos
del lado derecho del sistema. La utilizacin de las matrices simplificar la
bsqueda del conjunto solucin pero, para que la utilizacin de esta
herramienta sea ms fructfera deberemos dedicar un poco de nuestro tiempo
para estudiarla.
4.3-REDUCCION POR FILAS A FORMAS
ESCALONADAS
Una matriz rectangular est en forma escalonada si tiene las siguientes
propiedades:
i) Todas las filas distintas de cero deben estar arriba de cualquier fila con
todos ceros.
ii) Cada elemento principal de una fila debe estar a la derecha del elemento
principal de la fila inmediatamente anterior.
iii) Todos los elementos de una columna que estn debajo del elemento
principal, deben ser ceros.
Una matriz est en forma escalonada reducida si, adems, cumple las
condiciones:
i) El elemento principal de cada fila diferente de cero es 1.
ii) Cada 1 que es elemento principal es el nico elemento no nulo en su
columna.
Los siguientes son ejemplos de matrices escalonadas y de una matriz
escalonada reducida:

1 2 1 3
0 1 4 6
0 0 5 1
y
1 0 0 8
0 1 0 3
0 0 1 9

Ejemplo:

Sea la matriz:

=
1 1 2 0 1
2 1 1 1 2
3 0 2 1 1
1 2 0 0 3

Transformar dicha matriz en su forma escalonada y su forma escalonada
reducida.
Solucin


Hemos terminado ya que la ltima matriz es triangular; a menudo es
conveniente transformar los pivotes en unos, mediante el producto de toda la
fila por un nmero adecuado.

Esta ltima transformacin facilita los clculos cuando se trata de encontrar
el conjunto solucin de sistemas lineales.
3

2

3
4

2
+ 3
4
1 1 2 0 1
0 3 3 1 0
0 0 1 2 4
0 0 9 1 12

4
9
3
+
4
1 1 2 0 1
0 3 3 1 0
0 0 1 2 4
0 0 0 17 24

4.4-ALGORITMO PARA OBTENER UNA MATRIZ
TRIANGULAR Y TRIANGULAR REDUCIDA
i) Elija la primer columna diferente de cero y, en ella, un elemento no nulo
que ser el pivote.
ii) Si el pivote no est en la primera fila, colquelo en esa posicin
mediante un intercambio de filas.
iii) Utilice operaciones entre filas para transformar en ceros todos los
elementos que estn debajo del pivote.
iv) Tome la submatriz que quedara al eliminar la primer fila y la primer
columna y realice nuevamente los pasos i) , ii) y iii). Repita este proceso hasta
que no queden filas diferentes de cero para modificar.
v) Para obtener la forma escalonada reducida, comenzando con el pivote
que est ms a la derecha, cree ceros arriba de cada pivote. Transforme cada
pivote en 1 mediante una divisin por el nmero adecuado.
El sistema lineal y su expresin matricial
Haciendo uso de nuestro conocimiento acerca de las matrices, podemos
presentar el sistema en forma matricial. En efecto, sean:

=
11
12

1
21
22

2

donde A es una matriz de M
m,n
(R) llamada matriz de los coeficientes del
sistema, X es una matriz de M
n,1
(R) llamada matriz de las incgnitas del sistema
y B es una matriz de M
m,1
(R) que recibe el nombre de matriz de los trminos
independientes del sistema.
Como se puede apreciar, el sistema se puede poner de la siguiente manera:

AX = B

que es la traduccin matricial del sistema mencionado.

Estamos aqu, pues, ante una ecuacin matricial, cuya solucin, si la hay,
estar dada por el conjunto de todas las matrices X que, reemplazadas en la
relacin, la satisfacen.
4.6-EL SISTEMA COMO UNA APLICACION LINEAL
Prosiguiendo nuestro camino, cuya meta es transformar el sistema en una
expresin que sea ms fcil de estudiar, tomemos dos espacios vectoriales E y F,
ambos definidos sobre el cuerpo R, cuyas dimensiones sean n y m
respectivamente.
Introduzcamos ahora una aplicacin lineal f de E en F que tenga a A como
matriz asociada, en relacin a la base cannica de ambos espacios; adems,
denotemos con b al vector de F, cuyas coordenadas sean b
1
,b
2
,...,b
m
en la base
cannica de F.

Sabemos, por lo visto en el captulo anterior, que la forma matricial es
absolutamente equivalente a la aplicacin lineal f : E F definida por:

f (x) = b

Es evidente que, en esas condiciones, el conjunto solucin del sistema (A) no
es otra cosa que el conjunto cuyos elementos son todos los vectores x
T
= [x
1
, x
2
,...,
x
n
] de Rn que verifican la relacin f (x) = b. La utilizacin de una aplicacin
lineal como algo equivalente a un sistema de ecuaciones lineales nos permitir
caracterizar, con mayor facilidad, al conjunto solucin del sistema.
Denotemos con S al conjunto solucin del sistema, cuyos elementos sern,
por lo tanto, todos los vectores x de Rn que satisfacen la relacin. Pueden
presentarse dos situaciones:

i) Sistema inconsistente. En este caso el vector b no pertenece al conjunto I
(f ) . Lgicamente, entonces, no habr ningn x en E, tal que f (x) = b. El
sistema, por lo tanto, carece de solucin, y:

S =

ii) Sistema consistente. En este caso el vector b es un elemento de I (f ) . Por
lo tanto, habr un x de E, por ejemplo x
0
, de tal manera que:

f (x
0
) = b
Cualquier otra solucin x que hubiera, cumplir tambin con:

f (x) = b

Restando miembro a miembro la relacin, y teniendo en cuenta que f es
una aplicacin lineal, obtenemos:

f (x) f (x
0
) = f (x x
0
) = 0

Hagamos x x
0
= y; dicho vector, como su imagen a travs de f es 0, y
pertenece a N (f ) . Por consiguiente, todo vector
x = x
0
+ y es una solucin del sistema o, dicho de otro modo, dada una
solucin particular cualquiera x
0
del sistema, el conjunto solucin del mismo
es:

S = {xe E / -y e I(f ), x = x
0
+ y}
Por lo tanto, el conjunto S estar formado por cualquier solucin particular
del sistema ms los elementos de N(f ) . En N(f ) estarn aquellos vectores que
son solucin del sistema homogneo deducido del (A), entendindose como
sistema homogneo como aquel que tiene sus lados derechos nulos.

El sistema homogneo deducido del (A) tiene por ecuacin la expresin
AX = 0; Un sistema como ste siempre tiene, al menos, la solucin trivial X =
0; la pregunta importante que nos tenemos que hacer es si existe o no una
solucin no trivial, o sea, una solucin distinta de X = 0. Cuando un sistema
lineal no homogneo es consistente indeterminado (o sea, cuando tiene muchas
soluciones), el conjunto solucin consta de todos los vectores que se puedan
expresar como una suma entre una solucin particular cualquiera y una
combinacin lineal arbitraria de vectores que satisfaga el sistema homogneo.

Supongamos que un sistema se cambia a uno nuevo mediante la
transformacin anterior. Considerando cada operacin de fila, es fcil ver que
cualquier solucin del sistema original sigue siendo una solucin del sistema
nuevo. Recprocamente, ya que el sistema original se puede producir por medio
de operaciones de fila en el sistema nuevo (las operaciones de fila son
invertibles), cada solucin del sistema nuevo tambin es solucin del sistema
original. Por lo tanto: si las matrices aumentadas de dos sistemas lineales son
equivalentes por filas, entonces los dos sistemas tienen el mismo conjunto
solucin.

Ejemplo
Resolver el sistema, utilizando la forma escalonada de la matriz ampliada, el
sistema:

1
+ 3
2
= 1
2
1
+
2
= 3
2
1
+ 2
2
= 0

Solucin

1 3 1
2 1 3
2 2 0
2

2
2
1
3

3
2
1

1 3 1
0 5 5
0 4 2
3
5
3
4
2

1 3 1
0 5 5
0 0 10

Observamos que una de las ecuaciones que se obtiene es inconsistente ya
que 0 10.
El sistema es, por lo tanto, inconsistente, o sea que carece de soluciones.
Aplicaciones
en MATLAB
-Veamos ejemplos sencillos de sistemas

a)igual nmero de ecuaciones que incgnitas

>> A = [1 2 3;4 5 6;7 8 10],b=ones(3,1);
>>x = A\b
x =
-1.0000
1.0000
0.0000

Si se calcula el vector de error residual (debe ser cero)

>> b - A*x

1.0e-015 *

0.1110
0.6661
0.2220
b)mayor nmero de ecuaciones que incgnitas(sobre determinado), con el de
mnimos cuadrados sera

>>A = [2 1; 1 10; 1 2];
>> x = A\b

x =
0.5849
0.0491

>>b - A*x

-0.1208
-0.0755
0.3170

c) mayor nmero de incgnitas que ecuaciones, Matlab nos da una solucin
particular si el sistema es consistente

>> A = [1 2 3; 4 5 6];b = ones(2,1);x = A\b

x =
-0.5000
0
0.5000

Una solucin general se obtiene generando una combinacin lineal de x con
las columnas del espacio nulo de A

>>t= null(A)

t =
0.4082
-0.8165
0.4082

Si los coeficientes son 1 y -1 de la combinacin lineal:

>>z = lincomb({1,-1},{x,t})

z =
-0.9082
0.8165
0.0918

>> r = b - A*z

r =
1.0e-015 *

0.8882
0.1110

-Uso de rref

Sea el sistema de coeficientes y el vector de lado derecho, respectivamente:

>>A = magic(3); b = ones(3,1);
>> [x, pivot] = rref([A b])

x =
1.0000 0 0 0.0667
0 1.0000 0 0.0667
0 0 1.0000 0.0667

pivot =

1 2 3 %ndices de las columnas pivotes


>> x = x(:,4)
x =
0.0667
0.0667
0.0667
>> b - A*x

ans =
0
0
0
Uso del solve de matlab
>>[x,y,z]=solve('x+y+z=1', '3*x+y=3', 'x-2*y-z=0','x','y','z')
x =
4/5
y =
3/5
z =
-2/5
O con la sintaxis

>>[x,y,z]=solve('x+y+z=1', '3*x+y=3', 'x-2*y-z=0')

x =
4/5

y =
3/5

z =
-2/5

-empleando el symbolic toolbox
Sea un sistema x+2*y-u, 4*x+5*y-v
>> syms u v x y;
>> S = solve(x+2*y-u, 4*x+5*y-v);
>> sol = [S.x;S.y]
sol =

(2*v)/3 - (5*u)/3
(4*u)/3 - v/3
Ahora

A = [1 2; 4 5];
b = [u; v];
z = A\b
z =
(2*v)/3 - (5*u)/3
(4*u)/3 - v/3

Sol y z producen la misma solucin, aunque los resultados se asignan a
variables diferentes

INTRODUCCION

En este captulo desarrollaremos la teora de los determinantes. En el fondo,
se trata de un nmero real que se asocia con una matriz al cual podemos
introducirlo de dos maneras: una de ellas se basa en definirlo y deducir sus
propiedades a partir de esa definicin; la otra consiste, por el contrario, en
encontrar su regla de definicin a partir de las propiedades de las aplicaciones
multilineales alternadas. Elegimos la segunda posibilidad, ya que, por una parte,
introduce al determinante de una manera ms natural para nosotros, teniendo en
cuenta los conocimientos que ya poseemos de las aplicaciones lineales.
De todos modos, cualquiera sea la opcin elegida, nos encontraremos ante
una teora difcil, la cual, por los objetivos de la materia que nos ocupa, ser
simplificada en gran medida.

5.1-APLICACIONES BILINEALES
DEFINICION: Sean E, L y F tres espacios vectoriales sobre el mismo cuerpo
K. Una aplicacin (x ,y) f (x ,y) de E L en F se llama bilineal si cumple con
las siguientes condiciones:

i) f (x,y) = f (x,y) = f (x,y)
ii) f (x +x ,y) = f (x,y) + f (x ,y)
iii) f (x ,y+ y) = f (x,y) + f (x ,y)
5.1.1-APLICACION BILINEAL ALTERNADA
DEFINICION: Una aplicacin bilineal (x ,y) f (x ,y) de E E en F se
llama alternada si f (x,x) = 0

PROPIEDAD: Si f es una aplicacin bilineal alternada, entonces se cumple:

f (x,y) = f (y,x)

Ejemplo: Sea E un espacio vectorial de dimensin 3 sobre el cuerpo K y sea
A ={ v
1
, v
2
, v
3
} una base de E. Si:

=
1
+
2
+
3

=
1
+
2
+
3

Definimos una funcin f de E
2
en E mediante la regla:

, =
2
+
3
+(
1
1
)

Demostrar que f es una aplicacin bilineal alternada.

Solucin
Probemos que se cumple. En efecto:

,
=
2
+
3
+
1
=
=
2
+
3
+
1
= (, )

con lo que queda probada la mencionada condicin. Por otra parte, si
x = x
1
v
1
+ x
2
v
2
+ x
3
v
3
entonces:

+
,
=
2
+
3

3
+
3
+
3
+
1

1
+
+
1
+
2

2
+
=
2
+
3
+
1
+
2
+
3
+
1
= , +(
, )

De manera semejante se puede probar que f (x ,y+ y) = f (x,y) + f (x ,y),
demostrando con ello que f es bilineal. Adems:

, =
2
+
3
+
1
=0

y, por lo tanto, f es alternada. Esta aplicacin bilineal alternada que terminamos
de definir se llama producto vectorial entre los vectores x e y.
TEOREMA: Sean E y F dos espacios vectoriales sobre el mismo cuerpo K y
sea dim E = 2. Cualquiera sea A ={ v
1
, v
2
} elegida como base de E, y para todo
vector w de F, existe una nica aplicacin bilineal alternada (x ,y) f (x ,y) de
E
2
en F tal que f (v
1
,v
2
) = w.

DEFINICION: En el Teorema anterior tomemos F = K y w = 1. En tal
caso, el mismo nos dice que existe una y solamente una aplicacin bilineal
alternada (x ,y) f (x ,y) de E
2

en K, tal que f (v
1
,v
2
) = 1. Dicha aplicacin se
llama determinante de los vectores x e y con relacin a la base A elegida.
Determinante de una matriz cuadrada de dos filas

Sea la matriz:

=

Se llama determinante de M, y se denota d (M) , al escalar:

=

=

En virtud de esta definicin, podemos ver que d (A) = d (AT). Adems,
intercambiando las filas o columnas, d (A) cambia de signo, propiedad sta que
surge como una consecuencia lgica de su condicin de forma bilineal alternada.
5.3-LA PERMUTACION Y SU SIGNO
Introduccin: Para poder desarrollar la teora de los determinantes de orden
mayor que dos, necesitamos utilizar nuestros conocimientos de las
permutaciones. Por ello, comenzaremos esta seccin haciendo una rpida
revisin de dicho tema.

a-Permutacin

DEFINICION: Sea el conjunto I
n
= {1,2,...,n}. Denotemos con F
n
al
conjunto de todas las funciones biyectivas en I
n
. Llamaremos permutacin p a
toda funcin biyectiva perteneciente a F
n
. La misma queda caracterizada por el
conjunto de las imgenes:

p =( p (1) , p (2) ,..., p (n) )

donde, por ejemplo, p(2) es la imagen de 2 a travs de p.
As, si consideramos el conjunto I
4
= {1,2,3,4}, entonces la permutacin p
= (1,3,4,2) significa que p es una funcin biyectiva en I
4
que asocia los
elementos de la siguiente manera:

1 1
2 3
3 4
4 2

Por otra parte, sabemos que componiendo dos funciones biyectivas,
obtenemos otra funcin biyectiva; por consiguiente, la composicin de dos
permutaciones es una nueva permutacin.

El nmero de elementos de F
n
es n!, o, dicho de otro modo, dado el
conjunto I
n
= {1,2,...,n}, entonces es factible efectuar n! permutaciones distintas
de los n elementos de I
n
.
b-INVERSION
DEFINICION: Tomemos nuevamente el conjunto I
n
= {1,2,...,n}. Decimos
que el par (a ,b) de elementos de I
n
presenta inversin para la permutacin p de
F
n
si:

a < b p(a) > p(b)

Por ejemplo, dado el conjunto I
5
= {1,2,3,4,5} y la permutacin
p = (3,1,4,5,2), analicemos qu pares (a ,b) de elementos de I
5
presentan
inversin; para ello escribamos dichos pares con sus correspondientes imgenes:

(1,2) 3,1 (2,3) (1,4)
(1,3) 3,4 (2,5) (1,2)
(1,4) 3,5 (3,4) (4,5)
(1,5) 3,2 (3,5) (4,2)
(4,5) (5,2)

Como se puede apreciar, los pares (1,2), (1,5), (3,5) y (4,5) presentan
inversin. Una manera ms prctica de conocer el nmero de inversiones que
hay en una permutacin es la siguiente: sea la permutacin p =
(p(1),p(2),...,p(n)); para cada p(i), con i e[1,n], se cuentan los trminos de la
sucesin p que son posteriores a p(i) y menores que l mismo. En el ejemplo
anterior, cuando

p = (3,1,4,5,2), este nmero es la suma:

2+0+1+1 = 4

y, entonces, diremos que inv (p) = 4.

Conociendo el nmero inv (p) de una permutacin p e F
n
, decimos que p
es par o impar si se produce un nmero par o impar de inversiones. A partir de
all se define el signo de p, que denotaremos Sgn (p) , de la manera siguiente:

Sgn(p)=
1,
1,

Ejemplo:
A partir del conjunto I
7
= {1,2,3,4,5,6,7}se define la permutacin p =
(1,3,5,7,2,4,6). Determinar el nmero de inversiones de p y su signatura.

Solucin
Para esta permutacin, el nmero de inversiones es:

inv(p) = 0 + 1 + 2 + 3 + 0 + 0 + 0 = 6

y, por lo tanto, Sgn (p) = 1.
5.4-APLICACIONES TRILINEALES ALTERNADAS
DEFINICION: Sean dos espacios vectoriales E y F sobre el mismo cuerpo
K. Una aplicacin (x,y,z) f (x,y,z) de E
2
en F es trilineal alternada si:

i) es lineal en cada uno de los vectores x, y , z.
ii) es nula si coinciden dos de los tres vectores.
Propiedades
1. Si se intercambian dos de los tres vectores de (x,y,z), f (x,y,z) cambia
de signo.
2. Si uno de los tres vectores de (x,y,z) es combinacin lineal de los
otros, entonces f (x,y,z) = 0.
3. Si a uno de los tres vectores de (x,y,z) se le suma una combinacin
lineal de los otros dos, f (x,y,z) no cambia.
TEOREMA: Sean E y F dos espacios vectoriales sobre el mismo cuerpo K y
sea dim E = 3. Cualquiera sea la base A = {v
1
,v
2
,v
3
} de E que se elija y para todo
vector w de F, existe una y slo una aplicacin trilineal alternada f de E
3
en F tal
que f (v
1
,v
2
,v
3
) = w

Demostracin: Sean x ,y y z tres vectores de E. Siendo A una base de E,
podemos decir:

=
1
1
+
2
2
+
3
3
=
3
=1

=
1
1
+
2
2
+
3
3
=
3
=1

=
1
1
+
2
2
+
3
3
=
3
=1

Suponiendo la existencia de una aplicacin trilineal f de E
3
en F, entonces:

, , =
3
=1
3
=1
3
=1
=
)

donde la suma se extiende para todos los subndices i , j , k tomados en I
3
=
{1,2,3} de manera arbitraria. Estaramos, por lo tanto, ante una permutacin
con repeticin del conjunto I
3
, que como bien sabemos, tiene 27 trminos.
Ahora bien, como f es alternada, se anularn todas aquellas imgenes f (v
i
,v
j
,v
k
)
que no tengan los subndices i , j , k distintos entre s, o dicho de otra manera,
donde el conjunto (i , j , k ) sea la imagen de {1,2,3} a travs de una
permutacin. Para nuestra suerte, de los 27 trminos de la suma que tenamos
originalmente, quedar solamente 3!=6, los cuales sern los siguientes:

, ,
=
1
3

1
,
2
,
3
+
1
2

1
,
3
,
2
+
2
3

2
,
1
,
3
+
2
1

2
,
3
,
1
+
2
2

3
,
1
,
2
+
3
1
(
3
,
2
,
1
)

Observemos los subndices de los vectores de la base de A. Evidentemente
que los mismos son las permutaciones de {1,2,3}, a saber:

1
= 1,2,3
2
= (1,3,2)

1
= 2,1,3
2
= (2,3,1)

1
= 3,1,2
2
= (3,2,1)

Fcilmente podemos ver que la signatura de p
1
, p
4
y p
5
es + 1 y la de p
2
,
p
3
y p
6
es -1 y, por consiguiente, podemos decir:

=
3
,
1
,
2
=

Agrupando los trminos por su signo y extrayendo factor comn f
(v
1
,v
2
,v
3
), tendremos:
, , =
1
3
+
2
1
+
3
1

donde, como sabemos, w = f (v
1
,v
2
,v
3
).

La relacin establece la unicidad de f, cuya existencia hemos supuesto.
Existencia: Probemos que la funcin definida es lineal en x, suponiendo
constantes los otros dos vectores. Si:
+
=
1
+
1
1
+
2
+
2
2
+(
3
+
3
)
3

entonces, aplicando la regla dada, tendremos:

+
, , = (
1
+
3
+
2
+
1
+
1
+
1
1
+
2
-
2
+
3

3
+
1
) =
, , =
1
3
+
2
1
+
3
1

Por otra parte, es fcil demostrar que f (x,y,z) = f (x,y,z), siendo, por lo
tanto, la aplicacin f lineal en x. De manera similar se prueba la linealidad en los
otros dos vectores. Adems, como:

3
+
2
1
+
3
= , , + (, , )
entonces f es alternada, lo que demuestra que la funcin que hemos supuesto
que es una aplicacin trilineal alternada, realmente lo es. De esta manera, el
Teorema queda demostrado.
, , =
1
3
+
2
1
+
3
= 0 =
Definicin del Determinante de Orden 3: En el enunciado del Teorema
anterior, si F = K y eligiendo, adems, w = 1, la forma trilineal alternada f
(x,y,z) se llama determinante de los vectores x, y , z con relacin a la base A
elegida.
Determinante de una matriz de M
3
(K).
Sea la matriz:

=
11
12
13
21
22
23
31
32
33

una matriz de M
3
(K). Recibe el nombre de determinante de M, y se denota d
(M), al escalar:

() =
11
12
13
21
22
23
31
32
33

=
11
22
33
+
31
12
23
+
21
32
13
-
31
22
13
-
21
12
33
-
11
32
23

Observemos los subndices de cada uno de los trminos de la suma: los
segundos son siempre 1, 2 y 3 (los hemos ubicado ex-profeso de esa manera) y
los primeros son las permutaciones de {1,2,3} con su correspondiente signatura.
Teniendo en cuenta eso, la suma anterior puede expresarse de la siguiente
manera:

= ()
1 1
2 2
3 3

siendo p un elemento de P
3
(conjunto de las permutaciones de los elementos
{1,2,3}).
5.6- PROPIEDADES DE LOS DETERMINANTES DE
ORDEN 3
1. El determinante de una matriz M es igual al determinante de su
traspuesta.

2. En un determinante se puede extraer como factor a todo escalar que
multiplique a una lnea (llamamos lnea a una fila o columna). O sea:

3
=
3

3. Si los elementos de una lnea son combinaciones lineales, el
determinante se puede descomponer en una suma de determinantes.

3
=
3
+
3

4. Si a una lnea de un determinante se le suma una combinacin lineal de
las otras dos, el determinante no vara.

1
+
1
+
1
2
+
2
+
2
3
+
3
+
3
=
3

5. Si una lnea del determinante es combinacin lineal de las otras dos, el
determinante es cero.

1
+
1
2
+
2
3
+
3
= 0
5.7-DESARROLLO DEL DETERMINANTE POR LOS
Extraigamos en el desarrollo, como factores, a los elementos de una lnea
cualquiera, por ejemplo la segunda fila:

11
12
13
21
22
23
31
32
33

=
21
(
13
32
12
33
) +
22
(
11
33
13
31
)
23
(
12
31
11
32
)

Esta forma de expresar el determinante se denomina desarrollo por los
elementos de la segunda fila. Para ver el lado prctico del mtodo, expresemos la
igualdad anterior de la siguiente manera:

11
12
13
21
22
23
31
32
33
=
21
12
13
32
33
+
22
11
13
31
33
23
11
12
31
32

Los coeficientes de a
21
, a
22
y a
23
se llaman cofactores de los mismos. El
cofactor de un elemento es, por consiguiente, el determinante que se obtiene
suprimiendo en el determinante original la fila y la columna del elemento
considerado y el signo es positivo o negativo segn que la suma de los subndices
del elemento sea par o impar respectivamente.
As como hemos tomado la segunda fila como base para el desarrollo,
hubiramos podido utilizar cualquier lnea distinta.
5.8-APLICACIONES MULTILINEALES
DEFINICION: Sean E y F dos espacios vectoriales sobre el mismo cuerpo
K. Una aplicacin (x
1
,x
2
,...,x
n
) f (x
1
,x
2
,..., x
n
)) de E
n
en F es multilineal si es
lineal en cada uno de los vectores x
1
,x
2
,...,x
n
.

PROPIEDAD: Cualesquiera que sean los escalares
1
,
2
,...,
n
se cumple:
f (x
1
,x
2
,...,x
n
) =
1
,
2
,...,
n
f (x
1
,x
2
,...,x
n
)
5.9-APLICACIONES MULTILINEALES ALTERNADAS
DEFINICION: Una aplicacin multilineal (x
1
,x
2
,...,x
n
) f (x
1
,x
2
,...,x
n
) de
E
n
en F es alternada si f (x
1
,x
2
,...,x
n
) = 0 siempre que existan dos ndices i y j
distintos, tales que x
i
= x
j
.

PROPIEDADES:

1. Si en una aplicacin multilineal alternada (x
1
,x
2
,...,x
n
) f
(x
1
,x
2
,...,x
n
) de E
n
en F se intercambian de posicin dos de los n
vectores x
1
,x
2
,...,x
n
entonces f (x
1
,x
2
,...,x
n
) cambia de signo. Dicho de
otra manera, si permutamos los vectores x
i
y x
j
, con i < j, entonces:

, ,
, ,
, ,
= (
, ,
, ,
, ,
)

2. Si p es una permutacin de In = {1,2,...,n} cuya signatura es Sgn(p),
entonces, para toda aplicacin multilineal alternada (x
1
,x
2
,...,x
n
) f
(x
1
,x
2
,...,x
n
) se cumple:

(1)
,
(2)
, ,
()
= (
1
,
2
, ,
)

3. Si cada uno de los vectores x
1
,x
2
,...,x
n
es una combinacin lineal de los
vectores de {v
1
,v
2
,...,v
n
} de la siguiente manera:

=
11
+
21
++
1
=
12
+
22
++
2
=
1
+
2
++

entonces para toda aplicacin multilineal alternada (x
1
,x
2
,...,x
n
) f (x
1
,x
2
,...,x
n
)
se cumple:

, ,
=
1 1
2 2
, ,
)
donde la suma se realiza sobre el conjunto F
n
de las permutaciones p de
{1,2,...,n} con su correspondiente signatura Sgn(p).
5.10-DETERMINANTE DE ORDEN n

TEOREMA: Dados los espacios vectoriales E y F sobre el mismo cuerpo K. Sea
dim E = n. Cualquiera sea la base A = {v
1
,v
2
,...,v
n
} de E elegida y para todo vector
w de F, existe una nica aplicacin multiplicacin multilineal alternada
(x
1
,x
2
,...,x
n
) f (x
1
,x
2
,...,x
n
) de E
n
en F tal que f (x
1
,x
2
,...,x
n
) = w.

DEFINICION: Tomemos el enunciado del Teorema y hagamos F = K. Si
adems consideramos w = 1, entonces queda f (v
1
,v
2
,...,v
n
) = 1 y, en tal caso, f
(x
1
,x
2
,...,x
n
) se llama determinante de los vectores x
1
,x
2
,...,x
n
en la base A elegida.
Por lo tanto, si:

1,
=
1
+
2
++

donde A = {v
1
,v
2
,...,v
n
} es la base de E, entonces:

, ,
=
1 1
2 2

= (
, ,
)
donde la suma se realiza sobre todas las permutaciones p de los ndices {1,2,...,n}.
5.11-DETERMINANTE DE UNA MATRIZ DE MN(K)
DEFINICION

Sea la matriz:

=
11
12

1
21
22

2

Llamamos determinante de A al escalar:

=
1 1
2 2

donde la suma se realiza sobre las permutaciones p de los ndices {1,2,...,n}.
5.12-PROPIEDADES
1. Si A e M
n
(K), entonces se cumple que d(A) = d(AT).
2. Sea una matriz A de M
n
(K). Si en A se intercambia la posicin de dos
lneas paralelas, el determinante de A cambia de signo.
3. Si una matriz A de M
n
(K) tiene dos o mas lneas iguales, entonces d(A)
= 0.
4. Si una matriz A de M
n
(K) tiene una lnea que es combinacin lineal de
otras, entonces d(A) = 0.
5. Si a una lnea de una matriz A de M
n
(K) se le suma una combinacin
lineal de las otras, el determinante de A no vara.
6. Si una lnea de una matriz A de M
n
(K) se multiplica por un escalar,
entonces el determinante de A queda multiplicado por dicho escalar.
7. Cualesquiera sean las matrices A y B de M
n
(K), se cumple que d(AB) =
d(A)d(B), siempre que el producto AB est definido.
5.13-DESARROLLO DE UN DETERMINANTE POR LOS
Matriz menor complementaria de un elemento

DEFINICION: Dada una matriz A de M
n
(K), con n 2, la matriz
cuadrada de orden n-1 obtenida suprimiendo la fila i y la columna j de A se
llama menor complementaria del elemento a
ij
de A y se denota A
ij
.

Cofactor de un elemento de una matriz

DEFINICION: Sea A una matriz de M
n
(K). Se llama cofactor de un
elemento a
ij
de A al nmero denotado A
ij
y definido por:

A
ij
= (1)
I + j
d(A
ij
)
El cofactor y el clculo de un determinante

Es posible utilizar el cofactor para calcular el determinante de cualquier
matriz A de M
n
(K). En tal sentido, se puede demostrar que:

=
1
1
+
2
2
++
=1

Observemos que d(A) se ha calculado sumando los productos de cada
elemento de la fila i por su respectivo cofactor. Diremos, por ello, que se ha
calculado el determinante de A por los elementos de la fila i. Es importante
completar lo expuesto aclarando que, as como hemos utilizado una fila i
cualquiera como base del clculo, hubiramos podido utilizar cualquier columna
de la matriz.
5.14- MATRIZ ADJUNTA
DEFINICION: Sea A una matriz de Mn (K). Llamaremos adjunta de A a la
traspuesta de la matriz que resulta de reemplazar cada elemento de A por su
respectivo cofactor.

Producto de una matriz por su adjunta
PROPIEDAD: Para toda matriz A de M
n
(K) se cumple que:

= = ()

donde I
n
es la matriz identidad de M
n
(K).

Inversa de una matriz por la adjunta
TEOREMA: Una matriz A de M
n
(K) es invertible si y slo si d(A) no es
cero. En tal caso se cumple que:

1
=
()
()

5.15-RANGO DE UNA MATRIZ
El estudio del rango de una matriz es, tal vez, una de las principales
aplicaciones de la teora de los determinantes. Adems, una vez definido el
concepto, nos servir de importante herramienta en el anlisis de los sistemas
lineales.
Nosotros, en realidad, ya hemos utilizado este concepto, sin mencionarlo
en forma explcita. As, dado un conjunto A = {v
1
,v
2
,...,v
n
} incluido en un
espacio vectorial E, se define el rango de A a la dimensin del subespacio de E
generado por A. Asimismo, dada una aplicacin lineal f de E en F, se llama
rango de f , y se denota r(f) , a la dimensin de I(f) . O sea:

r(f) = dim f(E) = dim I(f)

En la seccin que sigue, ampliaremos este concepto mediante la definicin
del rango de una matriz.

DEFINICION: Dada la matriz A e M
m,n
(K), siendo A = [a
ij
]. Llamamos
rango de A, al que denotaremos r(A), al nmero de columnas linealmente
independientes que tiene A.
5.15.1-CALCULO DEL RANGO DE UNA MATRIZ
Introduccin: Sea A la matriz [a
ij
] de M
n
(K). De dicha matriz podemos
extraer matrices cuadradas, de tal forma que las filas y columnas de las mismas
sean parte de las filas y columnas de A. Es obvio que, si p es el orden de
cualquier matriz cuadrada extrada de A, entonces p = min{m,n}.

Si llamamos Ap a una matriz cuadrada de orden p extrada de A, y
teniendo en cuenta que Ap ser inversible si d(Ap) 0, entonces toda matriz A
no nula contiene al menos una matriz inversible, cuyo determinante sea, por lo
tanto, distinto de cero. Si llamamos r al mayor orden de una matriz extrada de
A tal de que d(A) 0, en el Teorema que enunciaremos a continuacin, se
relacionar el nmero r con el rango de la matriz A.

TEOREMA: Sea A e M
m,n
(K) la matriz [a
ij
]. El rango de A es el entero
mayor r, tal que pueda extraerse de A una matriz de orden r, cuyo determinante
sea no nulo.
5.15.2-CALCULO DEL RANGO POR EL METODO DE GAUSS-
JORDAN

El mtodo de Gauss-Jordan permite, mediante un determinado nmero de
operaciones muy sencillas, calcular el rango de una matriz, obtener la inversa de
una matriz inversible y, como veremos ms adelante, hallar la solucin de un
sistema lineal compatible.

El mtodo utiliza las mismas operaciones que las usadas en el mtodo de
Gauss, con la nica diferencia de que las mismas estn sistematizadas de tal
forma que es posible aplicarlo de manera automtica. Mediante las operaciones
mencionadas, se trata de formar el mayor nmero posible de vectores cannicos
como columnas de la matriz.

Dicho nmero ser, precisamente, el rango de la matriz.
Se procede de la siguiente manera: en la matriz

=
11
12

1
21
22

2

se elige un elemento no nulo como pivote, por ejemplo el a
11
, y se divide la
primera fila por dicho nmero, para obtener la matriz:

1
12
11
13
11
11
21
22
23

2

Luego se reducen a cero los dems elementos de la primer columna; para
ello, a la segunda fila, por ejemplo, se debe sumar la primera multiplicada por
a
21
/a
11
. As, los elementos de la segunda fila de A se transforman de la
siguiente manera:
21
0

22

22
21
12
11

23

23
21
13
11

2

2
21
11

De la misma manera se procede para todos los elementos de A.
Observemos que queda formado un rectngulo; por ejemplo, si transformamos
el a
22
, tendremos:

11
12
13

1
21
22
23

2

Llamando diagonal principal del rectngulo a la que una los vrtices del
pivote y del elemento a transformar y simplemente diagonal a la otra, el
transformado de cada elemento que no se encuentre en la fila y columna del
pivote es igual a la diferencia entre dicho elemento y el producto de los
elementos de la diagonal dividido por el pivote. El proceso contina con la
eleccin de un nuevo pivote, que se encuentra en filas y columnas distintas a las
de los anteriores, y termina cuando no se puede elegir ningn pivote en esas
condiciones. Como hemos dicho, el nmero de vectores cannicos que
aparecen nos indicar el rango de la matriz.
5.16- SISTEMA DE CRAMER
Dado el sistema:

11
1
+
12
2
+
1
=
1
21
1
+
22
2
+
2
=
2

1
+
2
2
+

Si dicho sistema tiene el mismo nmero de incgnitas que de ecuaciones y
adems la matriz de los coeficientes es invertible, entonces recibe el nombre de
sistema de Cramer. Ello hace de que el sistema de Cramer siempre sea
compatible determinado.
5.16.1-SOLUCION DE UN SISTEMA DE CRAMER
Tomemos el sistema anterior en su forma matricial:
AX = B

Por ser A una matriz invertible, podemos multiplicar ambos miembros por
A1, con lo que obtenemos:

X = A1B

La matriz X es la solucin nica que tiene el sistema. Adems, teniendo en
cuenta que:
1
=
()
()

entonces queda:

=
()
()

Desarrollando todas las matrices, tendremos:

=
1
()
11
21

1

Por lo tanto, cualquier incgnita, xi por ejemplo, vale:

=1
()

donde la sumatoria va desde k = 1 hasta k = n. Ahora bien; si analizamos ms
detenidamente el numerador, veremos que ste no es otra cosa que el desarrollo
del determinante que se obtiene sustituyendo la columna i de M por los
trminos independientes del sistema, que son b
1
, b
2
,, b
n
.
O sea que queda:

11

11
1+1

1

1

1
+1

11

1

Esta expresin hay que calcularla para cada una de las incgnitas. El
mtodo propuesto de encontrar la solucin de un sistema de Cramer es
interesante desde el punto de vista terico, pero a la hora de aplicarlo resulta
poco prctico, por la gran cantidad de clculos que es necesario realizar. Existen
mtodos ms fuertes para solucionar un sistema de esas caractersticas; un
ejemplo es el ya utilizado mtodo de Gauss.
5.17- TEOREMA DE ROUCHE-FROBENIUS
Este Teorema nos permite determinar si un sistema lineal dado es
consistente o no, y en caso afirmativo, si es determinado o indeterminado. Para
ello se utilizan dos matrices:

i) La matriz de los coeficientes del sistema, a la que hemos denotado A.
ii) La matriz ampliada, que denotaremos Ab, que es la matriz A a la
que se le ha agregado una columna formada con los trminos independientes
del sistema. O sea que:

=
11

1

Definidas ambas matrices, y siendo r (A) y r (Ab) los rangos de ambas,
estamos en condiciones de enunciar el Teorema:

TEOREMA: Un sistema dado de m ecuaciones y n incgnitas es consistente
s y slo si r(A) = r(Ab). En tal caso:

i) Si r(A) = r(Ab) = n, entonces el sistema es determinado.
ii) Si r(A) = r(Ab) < n entonces el sistema es indeterminado.

En este caso, a la diferencia h = r (A) n se la llama grado de libertad del
sistema. Fijando el valor de h incgnitas, el sistema se convierte en determinado.
5.18-SOLUCION DE UN SISTEMA MEDIANTE EL
METODO DE GAUSS-JORDAN

Introduccin: Hemos introducido el mtodo de Gauss-Jordan para el
clculo del rango de una matriz dada. Por el mismo mtodo, que no es otra cosa
que una derivacin del de eliminacin de Gauss, puede ser utilizado para
encontrar la inversa de una matriz invertible y para hallar la solucin de un
sistema compatible determinado.

Mtodo de Gauss-Jordan

Un alumno que ha estudiado con atencin el anlisis de la consistencia de
un sistema, se habr percatado que, para sistemas consistentes determinados, el
mtodo de Gauss-Jordan proporciona de manera automtica, la solucin del
mismo. La mejor manera de comprobar esta afirmacin es resolviendo un caso
prctico, tal como lo haremos en el ejemplo que sigue.
Ejemplo
Dado el sistema:

1
+
3
+ 2
4
= 1
1
+
2

3

4
= 2
2
1
3
2
+
4
= 1
2
+
3

4
= 2

Estudiar la compatibilidad del mismo y, en caso de que sea posible, hallar
su solucin mediante el mtodo de Gauss-Jordan.

Solucin
Aplicamos el mtodo de Gauss-Jordan para estudiar la compatibilidad del
sistema:
1 0 1 2 1
-1 1 -1 -1 2
2 -3 0 1 -1
0 1 1 -1 2
1 0 1 2 1
0 1 0 1 3
0 -3 -2 -3 -3
0 1 1 -1 2
1 0 1 2 1
0 1 0 1 3
0 0 -2 0 6
0 0 1 -2 -1

Por lo tanto, r(A) = r(Ab); quiere decir que el sistema es compatible.
Como adems, dicho rango comn coincide con el nmero de incgnitas, el
sistema es determinado. Como se puede apreciar en el ltimo paso,
reconstruyendo el sistema, la solucin es

x1 = 6, x2 = 4, x3 = 3 y x4 = 1.
1 0 0 4 2
0 1 0 1 3
0 0 0 -4 4
0 0 1 -2 -1
1 0 0 0 6
0 1 0 0 4
0 0 0 1 -1
0 0 1 0 -3
Aplicaciones
en MATLAB
Demostrar que el conjunto de vectores
1
1
1
0
,
2
1
0
1
es linealmente
independiente.
Si tales vectores son linealmente independiente entonces la ecuacin vectorial
1
1
1
1
0
+
2
2
1
0
1
=
0
0
0
0

tiene solucin trivial nica. Tal ecuacin vectorial es equivalente a la ecuacin
matricial
1 2
1 1
1 0
0 1
2
=
0
0
0
0

Construimos en MATLAB la matriz A=[1 2;1 1;1 0;0 1].El comando
B=null(A)
Determina el conjunto solucin de la ecuacin matricial Ax=0 y lo guarda
en la variable B. En el caso anterior tenemos que MATLAB retorna la salida

Sea W={(x,y,z)/x+y+z=0}

Al ser dos sistemas de generadores, cualquier vector del subespacio se podr
expresar como combinacin lineal de cada uno de los vectores del conjunto.

Por ejemplo el vector (3,0,-3).podr ser expresado como combinacin de
G1?

x[-1 1 0]+y[-1 0 1]=[3 0 -3]
entonces
x[-1 1 0]+y[-1 0 1]=[3 0 -3]
que nos da
-x-y=3;x=0;y=-3

Pruebe para G2; observe el resultado y se tendr

-x-y-2z=3;x+z=0;y+z=-3

B=null(A)
B=Empty matrix:2-by-0

Lo que indica que la nica solucin de la ecuacin Ax=0 es la solucin
trivial. Por lo tanto, los dos vectores dados son linealmente independientes.

Haciendo A=[1 2 0 -1;0 3 1 5] y mediante B=null(A) se obtiene como salida
la matriz

B =
0.0975 0.9072
-0.1129 -0.3412
0.9804 -0.1001
-0.1283 0.2248

Dado que no se obtuvo como resultado Empty matrix concluimos que el
conjunto de vectores es efectivamente linealmente dependiente. Analicemos la
matriz B proporcionada por MATLAB. Cada columna de la Matriz B puede ser
vista como un vector en
4
. Todo

vector no cero combinacin lineal de los vectores
0,0975
0,1129
0,9804
0,1283
y
0,9072
0,3412
0,1001
0,2248
es
una solucin

Demostrar que el conjunto de vectores
1
0
,
2
3
,
0
1
,
1
5
es
linealmente dependiente.

Haciendo A=[1 2 0 -1; 0 3 1 5] y mediante B=null(A) se obtiene como
salida la matriz

B =
0.0975 0.9072
-0.1129 -0.3412
0.9804 -0.1001
-0.1283 0.2248

Dados los espacios vectoriales R
3
, R
4
y R
5
, determinar si los siguientes
conjuntos de vectores son L.I. o L.D.

a) {(3,2,-1), (1,0,0), (0,1,2)}

>> A = [3 2 -1; 1 0 0; 0 1 2]
>> det(A)

ans =-5

Puesto que, el determinante es diferente de cero, la familia de vectores es
L.I

b) {(2,1,-3,4), (-1,3,2,1),(-5,1,8,-7), (3,2,1,-1)}

>> B = [2 1 -3 4;-1 3 2 1;-5 1 8 -7;3 2 1 -1]
>>det(B)

ans =0

Puesto que, el determinante es igual a cero, la familia de vectores es L.D.

c) (c) {(1,2,-1,5,3), (1,-1,4,-2,0), (1,1,-1,3,12), (0,4,3,1,-1)}

>> C = [1,2,-1,5,3;1,-1,4,-2,0;1,1,-1,3,12;0,4,3,1,-1]
>> rank(C)

ans =4

Puesto que, los 4 vectores pertenecen al espacio R
5
, no es posible aplicar el
determinante, sin embargo son L.I., ya que el rango de la matriz, que
conforman, es 4. Si es menor que 4 es L.D.

Estudiar si los vectores constituyen una base en R
3

Se calcula el determinante de la matriz cuyas filas(columnas) sean las
coordenadas de vectores dados.

>>det([2 3 1;0 0 1;2 1 0])

ans=4

como es distinto de cero, el conjunto es linealmente independiente, formando
una base sabiendo que la dimensin del espacio es 3

Alternativamente se puede estudiar el rango de la matriz de coordenadas

>>rank([2 3 1;0 0 1;2 1 0])

ans=3

recordemos que alternativamente si se calcula la forma reducida escalonada por
filas (Jordan) de la matriz de coordenadas:

>>rref([2 3 1;0 0 1;2 1 0])

se ve que el conjunto es linealmente independiente y base.

Analizar si el conjunto de vectores en R
4
es linealmente independiente o
no.

Se calcula el rango

>>rank([1 2 2 1;3 4 4 3;1 0 0 1])

ans=2

al ser dos el rango, el conjunto es ligado

Sea el espacio vectorial en R
5
; considerando el subespacio en R
5
dado por ,
obtener la dimensin de V y una base del subespacio; estudiar si el vector
pertenece al subespacio V?

>> format rat
>>A=[2 3 4 -1 1;3 4 7 -2 -1;1 3 -1 1 8;0 5 5 -1 4];

se calcula forma escalonada

>> rref.(A)
ans =
1 0 0 0 0
0 1 0 1/5 11/5
0 0 1 -2/5 -7/5
0 0 0 0 0
de su anlisis se ve que la dimensin de V es tres, siendo una base para V el
conjunto
C={(1 0 0 0 0); (0 1 0 1/5 11/5);( 0 0 1 -2/5 -7/5)}

Uno de los mtodos clsicos para calcular determinantes es emplear la
expansin de cofactores , aunque no es recomendable para grandes matrices,
por su complejidad de clculo, de cualquier se incluyen ejemplos, arrancando
por su vinculacin, con el menor de una matriz

>> A=rand(5)

A =
0.7547 0.1190 0.2238 0.8909 0.2575
0.2760 0.4984 0.7513 0.9593 0.8407
0.6797 0.9597 0.2551 0.5472 0.2543
0.6551 0.3404 0.5060 0.1386 0.8143
0.1626 0.5853 0.6991 0.1493 0.2435

>> minor(A,5,3)

la submatriz es
0.7547 0.1190 0.8909 0.2575
0.2760 0.4984 0.9593 0.8407
0.6797 0.9597 0.5472 0.2543
0.6551 0.3404 0.1386 0.8143

el menor es
-0.5559

>> cofact(A,5,3)

ans =
-0.5559

Con el manejo de cofactores se puede calcular la adjunta de una matriz

>> adj(A)

ans =
-0.2760 0.2955 0.0050 -0.1918 -0.0922
0.2490 -0.0598 -0.3335 0.0707 0.0551
-0.2128 0.1098 0.2988 0.0268 -0.5559
-0.1205 -0.1985 -0.0213 0.2195 0.1007
0.2707 -0.2472 -0.0467 -0.2534 0.3794

Y teniendo en cuenta A
-1
= adj(A)/det(A), se puede hallar la inversa de A

>>det(A)
>>inv(A)=adj(A)/det(A)

ans =
1.0456 -1.1196 -0.0191 0.7267 0.3494
-0.9435 0.2266 1.2635 -0.2678 -0.2088
0.8064 -0.4161 -1.1323 -0.1017 2.1063
0.4566 0.7520 0.0807 -0.8318 -0.3817
-1.0256 0.9365 0.1770 0.9601 -1.4376

REGLA DE CRAMER
Sea el sistema: x1 + 2 x2 - 2 x3 = - 1; x1 - x3 = - 1; 2 x1 - x2 + x3 = 3,
cuadrado

>>cramer(A,B')

toda la informacin? y/n: n

ans =
1 1 2

>> cramer(A,B')

toda la informacin? y/n: y

det_matriz_coeffs =
-5

variable =
1

Matriz =
-1 2 -2
-1 0 -1
3 -1 1

determinante =
-5

variable =
2

Matriz =
1 -1 -2
1 -1 -1
2 3 1

determinante =
-5

variable =
3

Matriz =
1 2 -1
1 0 -1
2 -1 3

determinante =
-10

ans =
1 1 2

Resolviendo con Matlab
Sern infinitas las posibles combinaciones lineales, ya que
Un vector de un subespacio vectorial W se genera de FORMA NICA por
sistemas de generadores de W que sean L.I.; y por el contrario existen infinitas
formas de generar un vector del subespacio W mediante sistemas de generadores
de W que sean L.D.

Dado que no se obtuvo como resultado Empty matrix concluimos que
el conjunto de vectores es efectivamente linealmente independiente.

sistemas lineales

>>[L,U,P]=lu(A); % Este es el comando que calcula las matrices L, U, P
>>B=P*b;
>>y=L\B;
>>x=U\y

Graficar sistemas lineales con MATLAB

>>X = -20 : 20;
>>[x1, x2] = meshgrid(X,X);
>>f = 0.5*x1 - x2 + 9.5;
>>g = 1.02*x1 - 2*x2 + 18.8;
>>surf(x1, x2, f)

-20
-10
0
10
20
-20
-10
0
10
20
-40
-20
0
20
40
>>hold on
>>surf(x1, x2, g)

-20
-10
0
10
20
-20
-10
0
10
20
-50
0
50
100
Otra manera
>> clear, syms x y
>> eq1='0.5=(200+3*x+4*y)^2/(20+2*x+3*y)^2/x'
>> eq2='10=(20+2*x+3*y)*y/x'
>> [x y]=solve(eq1,eq2,x,y)

Estudiar si los vectores {(2,3,-1),(0,0,1),(2,1,0)} forman una base del espacio
vectorial R
3
>> det([2,3,-1;0,0,1;2,1,0])
ans =
4
El determinante es no nulo, los vectores son linealmente independientes,
formando base, sabiendo que la dimensin del espacio es 3
Si calculamos el rango de la matriz de coordenadas
>> rank([2,3,-1;0,0,1;2,1,0])
ans =
3
El conjunto es linealmente independiente formando base
Equivalente a calcular la forma escalonada
>>rref([2,3,-1;0,0,1;2,1,0])
ans =
1 0 0
0 1 0
0 0 1
Conjunto libre y base

6.1-INTRODUCCION
Vemos algunos conceptos antes de entrar directamente en el ncleo central
Una matriz U C
n
_n es unitaria si sus columnas forman una base ortonormal
de vectores de C
n
.
Una matriz P R
nxn
es ortogonal si sus columnas forman una base ortonormal
de vectores de R
n
Equivalentemente, para U C
nxn
se puede considerar

U es unitaria.
U es no singular y U
*
= U
_1
. (recordemos que U
*
es la traspuesta
conjugada)
UU*= In.
U* es unitaria.
Las filas de U forman un sistema ortonormal de vectores de C
n
.
Para todo x C
n
se tiene
2
=
2

Cmo hallarlos?

Sea AMn(R), para encontrar los autovalores de A debemos encontrar
escalares tales que Ax = x , Ax x = 0 (A I)x = 0

Para que el sistema (AI)x = 0 tenga soluciones no triviales ha de
verificarse que det(A I)=0.

El polinomio PA()=det(AI) recibe el nombre de polinomio
caracterstico de A, y sus races son los autovalores de A. PA() es un polinomio
de grado n y por tanto A tiene a lo sumo n autovalores distintos.

Una vez obtenidos los autovalores de la matriz, para cada uno de ellos se
obtienen los autovectores resolviendo el sistema (A I)x =0, pues V ()= N(A
I)= {x Rn :(A I)x = 0}
Ejemplo: obtener los subespacios propios de

=
1 2 1
1 0 1
4 4 5
Del polinomio caracterstico
3
6
2
+11 6=0
los autovalores de A son:
1
=1,
2
=2,
3
=3.Para cada uno de ellos debemos
calcular el correspondiente subespacio propio, as para

1
=1 : V (1) = N(A I)= {x Rn :(A I)x = 0}.
(A I)x = 0

0 2 1
1 1 1
4 4 4
3
=
0
0
0
, llevando a la forma escalonada la matriz de
coeficientes
Se tendr
1 1 1
0 2 1
0 0 0
,x
1
x
2
= x
3
y 2x
2
= x
3
de donde

x
1
= x
3
/2 y x
2
= x
3
/2 x
1
= , x
2
=/2,x
3
=

entonces, V (1) = L{(1/2 ,1/2 , 1)} = L{(1, 1, 2)}.
Dada la matriz A =[ 2 2;2 -1] los vectores u = (2 ; 1) y v = (1; -2) son
autovectores de A, siendo los respectivos autovalores = 3 y = -2. Puede verificar
haciendo A.u=u,
igual para v.

Los vectores u y v determinan la direccin de dos rectas r1

y r2

respectivamente, que pasan por el origen.

Geomtricamente, A.x es la transformacin lineal que dilata a cualquier
vector u de r1

en un factor =3 , en tanto que los vectores v a lo largo de r2

se
reflejan respecto al origen de coordenadas y luego sufren un dilatamiento en un
factor = 2.
6.2-MULTIPLICIDAD ALGEBRAICA Y GEOMETRICA
Se llama multiplicidad algebraica de un autovalor
0
al nmero de veces que
aparece
0
como factor en el polinomio caracterstico de A.

b) Se llama multiplicidad geomtrica de un autovalor
0
a la dimensin del
subespacio propio V (
0
)

La dimV (
0
)=dimN(A
0
I)= n r(A
0
I).

Para un autovalor , la multiplicidad algebraica se denota por m (), la
geomtrica se denota por ().

En el ejemplo se verifica que = m =1 para los tres autovalores.

Para cada autovalor, el valor de la multiplicidad geomtrica est acotado por
el valor de la multiplicidad algebraica., es decir: si es un autovalor de A, 1 m()
().

Lema: sea autovalor de A y x V
A
(),x 0.

i- es un autovalor de A y x V
A
().
ii-
p
es un autovalor de A
p
y x V
Ap
(
p
)
iii- A es singular,si y slo si =0 es un autovalor de A.
iv- Si A es regular, entonces 0 y
1
1
y x V
A1
(
1
).

Veamos:
i- autovalor de A y x VA(),x 0, entonces Ax = x Ax = x (A)x =()x
luego es un autovalor de A y x V
A
().
ii-Por induccin sobre p :
-Se verica para p =2:

A
2
x = AAx = A(x)= (Ax)= (x)=
2
x luego
2
2
y
x VA
2
(
2
)

Se supone cierto para p 1, es decir
p
1 es un autovalor de A
p
1 y x ,queda
analizar si se cumple para p:

x=AA
p1
x=A(
p1
x)=
p1
(Ax)= p
1
(x)=
p
x.

Finalmente luego
p
p
y x

Por tanto, para todo p se cumple:
p
p
y x
iii- A es singular det(A)=0 det(A 0I)=0 =0 es un autovalor de A.
iv-Si A es regular, entonces sus autovalores son no nulos.

Por tanto, si es un autovalor cualquiera de A, se verifica:

Ax = x A
1
Ax = A
1
x x = A
1
x A
1
x = (1/)x

Significando 1/ es un autovalor de A
1
y . x Lema: Si v
1
, ..., v
k
son
autovectores correspondientes a autovalores distintos
1
, ...,
k
, de una matriz A
entonces {v
1
,...,v
k
} es un conjunto linealmente independiente.

Nota: Si A tiene n autovalores distintos podemos obtener una base de R
n

formada por n autovectores {v
1
,...,v
n
} tales que v
i
V (
i
),i =1, ..., n.
En la matriz ejemplo, sus tres autovalores distintos:
1
=1,
2
=2 y
3
=3, y que
sus subespacios propios son:

V (1) = L{(1, 1, 2)},V (2) = L{(2, 1, 4)} y V (3) = L{(1, 1, 4)}

Para obtener una base C de R
3
formada por autovectores de A, basta unir las
bases de los subespacios propios de A:

C = {(1, 1, 2), (2, 1, 4), (1, 1, 4)}
6.3-SEMEJANZA DE MATRICES
Dos matrices A, B Mn(R) son semejantes si existe una matriz P Mn(R)
regular tal que B = P
1
AP.

Lema: Si A y B son dos matrices semejantes, con B = P
1
AP, entonces:

i- PA() = PB().
ii- det(A) = det(B).
iii- tr(A) = tr(B).
iv Si x VA(), x 0, entonces P
1
x VB().

Ejemplo: sean las matrices

A=
1 2 1
1 0 1
4 4 5
, D=
1 0 0
0 2 0
0 0 3
,P=
1 2 1
1 1 1
2 4 4

Mediante el mto de Gauss-Jordan se puede hallar

P
1
=
0 2 1/2
1 1 0
1 0 1/2

Haciendo D = P
1
AP, nos da:

D=
1 0 0
0 2 0
0 0 3

PA() = det(A I)=
1 2 1
1 1
4 4 1
=
3
+ 6
2
11 + 6.

El polinomio caracterstico de D es:

PD() = det(D I) =
1 0 0
0 2 0
0 0 3
=(1 ) (2 ) (3 )
=
3
+ 6
2
11 + 6
Igual procedimiento seguimos para demostrar iii e iv en el ejemplo

Con el concepto de semejanza podemos introducir una definicin:

Una matriz A Mn(R) es diagonalizable si es semejante a una matriz diagonal.

Lema: Una matriz A es diagonalizable s y slo si existe una base de Rn formada por
autovectores de A.

Sea B = {v1, ..., vn} una base de Rn formada por n autovectores de A, con vi
V (i), siendo los autovalores i iguales o distintos.

Se verifica:

AP=A[v1| |vn] = [Av1| |Avn] = [
1
v
1
| |
n
vn] =

[v
1
| |v
n
]
=P D
En consecuencia D = P
1
AP, siendo P = [v
1
| |v
n
] una matriz regular pues
sus columnas son linealmente independientes.al ser B una base.

El razonamiento recproco es inmediato, pues si D = P
1
AP, entonces
B = {v
1
, ..., v
n
} es una base de Rn formada por autovectores de A.

Ejemplo: La matriz A =
1 2 1
1 0 1
4 4 5
tiene tres autovalores distintos: 1 =
1, 2 = 2 y 3 = 3.

Los subespacios propios de A son:

V (1) = L{(1, 1, 2)}, V (2) = L{(2, 1, 4)} y V (3) = L{(1, 1, 4)}.

Uniendo las bases de estos subespacios se tiene una base de R
3
formada por
autovectores:

B = {v
1
, v
2
, v
3
} siendo v
1
= (1, 1, 2), v
2
= (2, 1, 4) y v
3
= (1, 1, 4).
La matriz de paso P se obtiene escribiendo por columnas los vectores de B.

P = [v
1
|v
2
|v
3
] =
1 2 1
1 1 1
2 4 4
verificndose D = P
1
AP =
1 0 0
0 2 0
0 0 3

Las columnas de P estn determinadas segn el orden de escritura de los
autovalores. As, si se hubieran ordenado los autovalores como:

1
= 3,
2
= 2 y
3
= 1., los subespacios seran:
V (
1
) = V (3) = L{(1, 1, 4)}, V (
2
) = V (2) = L{(2, 1, 4)} y
V (
3
) =V (1) = L{(1, 1, 2)}.

En consecuencia, la base B formada por autovectores de A, y las matrices D
y P seran:
B = {(1, 1, 4), (2, 1, 4), (1, 1, 2)},D=
1 0 0
0 2 0
0 0 3
P=
1 2 1
1 1 1
4 4 2

6.4-DIGONALIZACION
Un criterio para la diagonalizacin de matrices se establece a travs del lema:
Una matriz A Mn(R) es diagonalizable si y slo si posee n autovalores
(iguales o distintos) y sus multiplicidades verifican las siguientes condiciones:

a) m
1
+ + m
p
= n.
b)
, para todo autovalor

i
, i = 1, ..., p.

Una matriz A con n autovalores distintos siempre verifica las dos condiciones
anteriores.
Entonces para una matriz A Mn(R), para diagonalizar se fectan los pasos:

a) Se calculan los autovalores de A, y ha de verificarse que:
m
1
+ + m
p
= n. Es decir, ha de haber n races de PA();i = mi, para todo
autovalor
i
, i = 1, ..., p.

b) Para cada autovalor
i
, i = 1, ..., p., se determina una base de cada
subespacio propio V (i).
3) Se obtiene la base B = {v
1
, ..., v
n
} uniendo las bases de los subespacios
propios de A.

Una vez obtenida la base B, disponiendo las componentes de sus vectores por
columnas se obtiene la matriz de paso P.

La matriz diagonal viene determinada por los autovalores, escritos en el
mismo orden que los vectores correspondientes de la base B, o sea:,

P = [v
1
| |v
n
] D =
1
0 0
0 0
0 0

6.5-DIAGONALIZACION ORTOGONAL
Una matriz A Mn(R) es ortogonalmente diagonalizable si existe una
matriz Q ortogonal, tal que D = Q
t
AQ es una matriz diagonal.

Quiere decir que diagonalizar ortogonalmente una matriz A equivale a
encontrar una base ortonormal de R
n
formada por autovectores.

Las matrices reales simtricas son matrices, que tienen todos los autovalores
reales, y que se pueden diagonalizar ortogonalmente. Adems sus autovalores y
autovectores tiene propiedades como las que se mencionan seguidamente:

P1- Si A Mn(R) una matriz simtrica, entonces los autovectores correspondientes a
autovalores distintos son ortogonales.
Dados x, y R
n
, se verifica: (Ax)y = y
t
Ax = (A
t
y)
t
x = x(A
t
y) =

Sean ahora v
1
VA(
1
) y v
2
VA(
2
), cualesquiera, entonces:

Av
1
=
1
v
1
y Av
2
=
2
v
2
, veamos que v
1
v
2
= 0.

1
(v
1
v
2
) = (
1
v
1
) v
2
= (Av
1
) v
2
=v
1
(Av
2
) = v
1
(
2
v
2
) =
2
(v
1
v
2
)

luego,
1
(v
1
v
2
) =
2
(v
1
v
2
) (
1

2
)(v
1
v
2
) =0 v
1
v
2
= 0
v
1
v
2
.

Se desprende: Si A Mn(R) es simtrica, los subespacios propios de A son
ortogonales.

Y el lema: Una matriz A Mn(R) es ortogonalmente diagonalizable si y slo
si es simtrica.
Veamos en un sentido: Si A es ortogonalmente diagonalizable, entonces
existe una matriz Q ortogonal y una matriz D diagonal, tales que Q
t
AQ = D. Se
verifica que A = Q
t
DQ,y A
t
= (Q
t
DQ)
t
= Q
t
DQ = A A = A
t
.

Si partimos de la condicin simtrica: Si A es simtrica los subespacios
propios de A son ortogonales. Si hallamos una base ortonomal para cada uno de
ellos y reunimos las bases obtendremos una base ortonormal B = {w
1
, ..., w
n
} de R
n

formada por autovectores de A , y por tanto A ser diagonalizable ortogonalmente
siendo Q = [w
1
| |w
n
] la matriz de paso
El procedimiento , para hallar la base ortonormal de autovectores, constar
de los pasos:
a-Dada una matriz simtrica A Mn(R
n
) se calculan los autovalores de A,
debiendo cumplirse m
1
+ + m
p
= n., ha de haber n races de PA().
i = mi, para todo autovalor
i
, i = 1, ..., p.
b- Para cada autovalor
i
, i = 1, ..., p., se determina una base ortonormal de
cada subespacio propio V (i).
c- Se obtiene la base B = {w
1
, ..., w
n
} uniendo las bases ortonormales de los
subespacios propios de A.
Una vez obtenida la base B, disponiendo las componentes de sus vectores por
columnas se obtiene la matriz de paso Q ortogonal. La matriz diagonal viene
determinada por los autovalores, escritos en el mismo orden que los vectores
correspondientes de la base B, o sea:

Q = [w
1
| |w
n
], D =
1
0 0
0 0
0 0

Ejemplo: Diagonalizar ortogonalmente la matriz

A =
1 2 0
2 2 2
0 2 3
,

det(AI)=
3
+6
2
310 = ( 5) ( 2) ( + 1); los
autovalores son:
1
= 1,
2
= 2 y
3
= 5.
Clculo de los subespacios propios:
Para
1
= 1:V (1) = N(A + I) = {x R
n
: (A + I)x = 0}.
(A + I)x = 0

2 2 0
2 3 2
0 2 4
3
=
0
0
0

Reduciendo por filas la matriz de coeficientes llegamos al sistema:
2
1
2
2
= 0
2
= 2
3

De donde x
1
= 2 ;x
2
= 2; x
3
=

De aqu V (1) = L{(2, 2, 1)} = L{( 2/3 , 2/3 , 1/3 ), ya dividido por la norma
del vector (2, 2, 1), ya que deber unitario.

Repitiendo el proceso para los otros dos autovectores, se llega a:
-V (2) = L{(1, 1/2 , 1)} = L{(2/3 , 1/3 , 2/3 )}
-V (5) = L{(1, 2, 2)} = L{( 1/3 , 2/3 , 2/3 )}.
Ya se disponen los tres subespacios propios a travs de una base ortonormal

V (1) = L{(2, 2, 1)} = L{( 2/3 , 2/3 , 1/3 )
V (2) = L{(1, 1/2 , 1)} = L{(2/3 , 1/3 , 2/3 )}
V (5) = L{(1, 2, 2)} = L{( 1/3 , 2/3 , 2/3 )}.

Uniendo estas bases de los subespacios propios se tiene una base ortonormal
de R
3
formada por autovectores:

B = {w
1
, w
2
, w
3
} siendo w
1
= (2/3 , 2/3 , 1/3 ), w
2
= (2/3 , 1/3 , 2/3 ) y w
3
=
(1/3 , 2/3 , 2/3 ).

Q = [w
1
|w
2
|w
3
] =
2/3 2/3 1/3
2/3 1/3 2/3
1/3 2/3 2/3
y

D=Q
t
AQ=
1 0 0
0 2 0
0 0 5

6.6-TEOREMA DE CAYLEY - HAMILTON
Toda matriz cuadrada satisface su propia ecuacin caracterstica. Es decir, si p() =
0 es la ecuacin caracterstica de A, entonces p(A) = 0, es decir el polinomio
caracterstico de A anula A.

Se tiene

a
11
- a
12
. . . a
1n

P() = det (A - I) = a
21
a
22
- . . . a
2n

: : :
a
n1
a
n2
. . . a
nm
-

Toda matriz cuadrada satisface su propia ecuacin caracterstica. Es decir, si
p() = 0 es la ecuacin caracterstica de A, entonces p(A) = 0, es decir el
polinomio caracterstico de A anula a A.

Se tiene

a
11
- a
12
. . . a
1n

P() = det (A - I) = a
21
a
22
- . . . a
2n

: : :
a
n1
a
n2
. . . a
nm
-

Es claro que cualquier cofactor de (A - I) en un polinomio en . As, la
adjunta de A - I es una matriz de n * n en la que cada componente es un
polinomio en . Es decir,

p
11
() p
12
() . . . p
1n
()
Adj (A - I) = p
21
() p
22
() . . . p
2n
()
: : :
p
n1
() p
n2
() . . . p
nm
()

Entonces podemos ver la adj (A - I) como en un polinomio, Q(), en
cuyos coeficientes son matrices de n * n. Para entender esto, se ve lo siguiente:

-
2
- 2 + 1 2
2
- 7 - 4 = -1 2
2
+ -2 -7 + 1 -4
4
2
+ 5 -2 -3
2
- + 3 4 -3 5 -1 -2 3

En algunas situaciones el teorema de Cayley-Hamilton es til para calcular la
inversa de una matriz. Si existe A
-1
y p(A) = 0, entonces A
-1
p(A) = 0. Veamos, si
p() =
n
+ a
n-1
n-1
+ ... + a
1
+ a
0
, entonces

P(A) = A
n
+ a
n-1
A
n-1
+ ... + a
1
A + a
0
I = 0
y
A
-1
p(A) = A
n-1
+ a
n-1
A
n-2
+ ... + a
2
A + a
1
I + a
0
A
-1
= 0

As
A
-1
= 1/a
0
(-A
n-1
a
n-1
A
n-2
- ... a
2
A a
1
I)

Ver que que a
0
= 0 porque a
0
= det A y se supuso que A era invertible.
Aplicaciones
en MATLAB

eig(A) Da los valores propios de A cuadrada
[V,D]=eig(A) Da la matriz diagonal D de valores propios de A y una
matriz V cuyas columnas son los vectores propios
correspondientes/A*V=V*D
eig(A,B) Da un vector con los valores propios generalizados de A y
B cuadradas(races de det(*B-A))
[V,D]=eig(A,B) Da la matriz diagonal D de valores propios generalizados
de A y B y una matriz V cuyas columnas son los vectores
propios correspondientes/A*V=B*V*D
[AA,BB,Q,Z,V]=qz(A,B) Da las triangulares superiores AA y BB y las matrices Q y
Z/Q*A*Z=AA y Q*B*Z=BB, y da la matriz V de vectores
generalizados de A y B, cumplindose
A*V*diag(BB)=B*V*diag(AA)
balance(A) Da la matriz B balanceada de A, til para aproximar los
valores propios de A cuando son difciles de hallar,
cumplindose eig(A)=eig(balance(A))

[U,T]=schur(A) Da una matriz T y una unitaria U/A=U*T*U
t
y U
t
*U=eye(U); si a
es compleja, T es una triang. sup con los valores propios de A en la
diagonal, si es real, T tiene los valores propios en la diagonal.
[L,U]=lu(A) Factoriza A en A=L*U, U es triang sup. y L una pseudotriang.
inferior
[L,U,P]=lu(A) Factoriza A en P*A=L*U, U es triang sup. y L una triang. Inferior, P
matriz de permutacin
R=chol(A) Da R(triang. Sup)/R
t
*R=A, pero A debe ser definida positiva
[Q,R]=qr(A) Da la triang. sup. R de igual dimensin que A y la ortogonal
Q/A=Q*R( para matrices no cuadradas)
[Q,R,E]=qr(A) Da la triang. sup. R de igual dimensin que A, la de permutacin E
y la ortogonal Q/A*E=Q*R( para matrices no cuadradas)

jordan(A) Da la matriz cannica J de A( J tiene los valores propios de A
en la diagonal)
[V,J]=jordan(A) Da la matriz cannica J de A y la matriz de paso V cuyas
columnas son los autovectores de A/V
-1
*A*V=J
condeig(A) Vector con los nmeros de condicin para los valores propios
de A
hess(A) Da la matriz de Hessenberg H
poly(A) Da el polinomio caracterstico de A
poly(v) Da un vector cuyas componentes son los coeficientes del
polinomio, cuyas races son los elementos del vector v
Ejemplos:

>>[ V,D]=eig(A,B)
V =
-1.0000 0.2500 - 0.7500i -0.5833 - 0.4167i
0 -0.5000 -0.5000 + 0.5000i
0 0 0 + 0.3333i

D =
0 - 1.0000i 0 0
0 -1.0000 0
0 0 0 + 1.0000i

Sea A=[-0,4326 0.2877 1.1892; -1,6656 1.1465 0.0376; 0.1253 1.1909
0.3273] y B la matriz de Hesenberg de A, dada por B=[ -0.4326 -0.1976 1.2074;
1.6703 -1.2245 0.1544; 0 -1.0741 0.4053]


>> [V,D]=eig(A)
V =
0.2827 0.4094 - 0.3992i 0.4094 + 0.3992i
0.8191 -0.0950 + 0.5569i -0.0950 - 0.5569i
-0.4991 0.5948 0.5948
D =
-1.6984 0 0
0 0.2233 + 1.0309i 0
0 0 0.2233 - 1.0309i

>> [V,D]=cdf2rdf(V,D)
V =
0.2827 0.4094 -0.3992
0.8191 -0.0950 0.5569
-0.4991 0.5948 0

D =
-1.6984 0 0
0 0.2233 1.0309
0 -1.0309 0.2233

>> [U,T]=schur(A)

U =
0.2827 0.2924 0.9136
0.8191 -0.5691 -0.0713
-0.4991 -0.7685 0.4004
T =
-1.6984 0.2644 -1.2548
0 0.2233 0.7223
0 -1.4713 0.2233

>> [Q,R,E]=qr(A)

Q =
-0.2507 0.4556 -0.8542
-0.9653 -0.0514 0.2559
0.0726 0.8887 0.4527
R =
1.7254 1.1211 -0.2380
0 1.2484 0.8346
0 0 -0.8772
E =
1 0 0
0 1 0
0 0 1
Tomando A= [1 5 -2; -7 3 1;2 2 -2];

>> [L,U,P]=lu(A)

L =
1.0000 0 0
-0.1429 1.0000 0
-0.2857 0.5263 1.0000
U =
-7.0000 3.0000 1.0000
0 5.4286 -1.8571
0 0 -0.7368

P =
0 1 0
1 0 0
0 0 1
>> [Q,R,E]=qr(A)
Q =
-0.1361 -0.8785 -0.4579
0.9526 -0.2430 0.1831
-0.2722 -0.4112 0.8700
R =
-7.3485 1.6330 1.7691
0 -5.9442 2.3366
0 0 -0.6410
E =
1 0 0
0 1 0
0 0 1
>> R=chol(A)
??? Error using ==> chol
Matrix must be positive definite.

>> X=pinv(A)

X =
0.2857 -0.2143 -0.3929
0.4286 -0.0714 -0.4643
0.7143 -0.2857 -1.3571

>>jordan(A)

ans =
-0.8163 0 0
0 1.4082 - 5.6847i 0
0 0 1.4082 + 5.6847i
Estudiamos la diagonalizacin de una matriz a travs del archivo
diagonalizacin

>>A=[1 1 1;1 2 3;1 3 6];
>>diagonalizacion(A)

analizamos la primera propiedad de diagonalizacinla cual nos dice que A es
diagonalizable si A tiene n valores propios distintos, los valores propios son:
Vp =
0.1270
1.0000
7.8730
la matriz A es diagonalizable por ser todos los valores propios distintos
La matriz diagonal semejante a "A"es D=

D =
0.1270 0 0
0 1.0000 0
0 0 7.8730
matriz que contiene en su diagonal los valores propios de A

>> X=pinv(A)
X =
0.2857 -0.2143 -0.3929
0.4286 -0.0714 -0.4643
0.7143 -0.2857 -1.3571
>>jordan(A)
ans =
-0.8163 0 0
0 1.4082 - 5.6847i 0
0 0 1.4082 + 5.6847i

-El teorema de Cayley Hamilton establece que pol(A)=poly(A)=0, es decir que
cada matriz satisfice su ecuacin caracterstica , usando el archivo lincomb

>>Q = lincomb(num2cell(pol), {A^3, A^2, A, eye(size(A))})
Q =
1.0e-012 *
-0.2842 -0.4547 -0.4547
-0.4547 -0.2842 -0.4547
-0.4547 -0.4547 -0.2842

7.1-INTRODUCCION
Sea A Mn(R), el nmero real es un autovalor de A (o valor propio) si existe
un vector x 0, tal que Ax = x. Todo vector no nulo que satisfaga esta relacin se
denomina autovector de A (o vector propio) asociado al autovalor .

Un autovector slo est asociado a un autovalor: En efecto , si x es un
autovalor de A asociado a
1
y
2
, entonces: Ax =
1
x =
2
x (x0)
1
=
2
.

Ahora, un autovalor tiene asociados infinitos autovectores.

Es decir, si x es un autovector correspondiente a tambin x es un
autovector correspondiente a . De hecho todos los vectores del subespacio
N(AI),excepto el vector nulo, son autovectores correspondientes a .

Se puede esbozar la definicin: si es un autovalor de una matriz A Mn(R), el
subespacio N(AI) se denomina subespacio propio de A asociado al autovalor
,y se denota por VA() o V ().
Una norma .
2
en C
mxn
se dice que es unitariamente invariantes si
y para todo par de matrices unitarias U C

mxm
y V C
nxn
se cumple que
= los valores singulares son el resultado de la bsqueda de una forma
de reducir las formas cuadrticas a forma diagonal mediante cambios de base
ortonormales.

Una hiperelipse es la generalizacin a m dimensiones de una elipse.

Podramos definirla como la superficie que se obtiene al estirar o comprimir
la esfera unidad en m direcciones ortogonales por factores
1
,
2
,. . . ,
m

(posiblemente cero). Es decir, si se fijan m vectores ortonormales u
1
, . . . , u
m
F
m
,
los vectores
1
u
1
,. . . ,
m
u
m
son los semiejes de la hiperelipse con longitudes
1
,
2
,. . . ,
m
.

Si
1
=
/
2
= 1 es la esfera unidad y A F
mn
_ entonces A(S
n-1
)
es una hiperelipse. La Figura representa el caso n = m=2 y F= R

Las matrices transforman esferas en elipses

Qu significa esto trminos de matrices. Supongamos que la matriz de la
aplicacin lineal es A F
mxn
y que, por sencillez, r(A)=n m. Notemos que, como
aplicacin lineal, A : F
n
F
m
.
Como hemos mencionado, la hiperelipse queda determinada, en principio,
por m vectores ortonormales {u
1
, . . . , u
m
} y las correspondientes longitudes de los
semiejes
1
,
2
,. . . ,
m
que los vamos a suponer ordenados de forma que
1

2
. . .
m

2

2

1

As
i
u
i
es el i-simo semieje ms largo de A(S
n-1
). Entonces, para i=1,..,m
i
u
i
A(S
n-1
) pero como los vectores {u
1
, . . . , u
m
} son ortonormales, y por lo tanto
son linealmente independientes, si r(A)=r debe haber como mximo r vectores
i
u
i

linealmente independientes.

De todo ello se sigue que hay r de los
i
que son distintos de cero. Es decir, si
la hiperelipse es la imagen por A de la esfera unidad, debe estar en ImA de forma
que slo puede contener r vectores linealmente independientes. Finalmente sean
{v
1
, . . . , v
n
} de S
n-1
, las anteimgenes de los semiejes no nulos de la hiperelipse:
Av
i
=
i
u
i
, i=1,, r.

Por ahora admitamos que los vectores v
i
son ortogonales (y, por lo tanto,
ortonormales porque estan en la esfera unidad).

La condicin Av
i
=
i
u
i
, i=1,, r , se puede escribir en forma matricial:

Si escribimos

1
, . . . , y

1
, ,
tenemos que
con
=diag(
1
,
2
,. . . , r ) siendo
matrices cuyas columnas son

vectores ortonormales.

Si escogemos base ortonormal de KerA y que sean ortogonales a los de
podemos formar una matrix unitaria V=[
que es unitaria y AV =
[ 0],
entonces: A=
[ 0]V
*
=
*

A esta factorizacin de A se le llama Descomposicin en Valores Singulares
Reducida de A, SVD reducida de A.

Definimos: Sea m, n enteros positivos y A C
mxn
. Una descomposicin en valores
singulares (completa) de A es una factorizacin A=UV
*
donde: U C
mxm
y V C
nxn

son unitarias y es diagonal. Adems,

1
, ,

1
, ,
si m n
si n


En cualquier caso,
1

2
. . . p 0,p=mn{m.n} son nmeros reales
no negativos ordenados de mayor a menor y se llaman valores singulares de A.

Adems, a los vectores u
1
, . . . , u
m
y v
1
, . . . , v
n
que forman las columnas de U
y V se les llama vectores singulares de A por la izquierda y por la derecha,
respectivamente.

Si A R
mxn
slo cambia matriz unitaria por matriz ortogonal.

Quedando establecido de manera rigurosa que tal descomposicin es siempre
posible y que los valores singulares estn determinados de forma nica por A.

Lema: Toda matriz A F
mxn
admite una descomposicin en valores singulares.
Adems, los valores singulares estn determinados de forma nica, y, si A es cuadrada y sus
valores singulares son todos distintos, entonces los vectores singulares estn tambin
determinados de forma nica excepto producto por un nmero complejo de mdulo 1.
7.2-FORMAS CUADRATICAS
Se haba visto que una matriz A es simtrica si A
t
=A, necesariamente
cuadrada

De la condicin de simetra de A, tambin se mencion que implicaba que
cualesquiera dos vectores propios de espacios propios son ortogonales, y la
condicin de simetra de A(nxn) era indispensable para la diagonalizacin
ortogonal.

Una forma cuadrtica sobre R es una aplicacin q : R
n
R que a cada vector x =
(x
1
, x
2
, , x
n
) Rn le hace corresponder un nmero real dado por:
q(x
1
, x
2
, , x
n
) = a
11
x
2
1+a
22
x
22
+ +a
nn
x
2n
+2a
12
x
1
x
2
+
+2a
1n
x
1
x
n
+ +2a
n-1n
x
n
-
1n
x
n

con a
ij
R, i, j = 1, 2, , n, y que corresponde a un polinomio homogneo de
segundo grado en las n variables x
1
, x
2
, x
n
.

Esta expresin polinmica puede expresarse como una expresin matricial de
la forma:

1
,
2
, . ,
=
1
,
2
, . ,
11

1

=X
t
AX
donde la matriz A asociada a la forma cuadrtica, es una matriz simtrica de orden
n cuyos elementos de la diagonal principal son los coeficientes de los trminos
cuadrticos de la expresin polinmica, y los restantes elementos de la matriz son
la mitad de los coeficientes de los trminos no cuadrticos de dicha expresin.
Esta relacin entre los elementos de una y otra expresin de la forma
cuadrtica, permite obtener facilmente cada una de ellas a partir de la otra.

Ejemplo La forma cuadrtica q : R
2
R cuya expresin polinmica es q(x, y)
= 3x
2
6xy + y
2
tiene por expresin matricial: , = (, )
3 3
3 1

7.3-EXPRESION DIAGONAL DE UNA FORMA
CUADRATICA
Una expresin diagonal o cannica de una forma cuadrtica q : R
n
R viene
dada por:

1
,
2
, . ,
=
1
+
2
=
1
,
2
, . ,
1
0

0

es decir, la expresin polinmica slo contiene trminos cuadrticos y la matriz
asociada es diagonal.

Cualquier forma cuadrtica admite, al menos, una expresin diagonal que es
la que viene dada por los autovalores de la matriz asociada, aunque, bajo ciertas
condiciones, tambin pueden existir otras expresiones diagonales.


Lema: Para toda forma cuadrtica q : R
n
R, con A su matriz asociada, y 1,
2, , n los autovalores de A, existe una expresin diagonal dada por
q(x
1
, x
2
, , x
n
) =
1
x
2
1
1 +
2
x
2
2
+ +
n
x
2
n.

Ejemplo. Sea la forma cuadrtica q : R
3
R dada por:

q(x, y, z) = 3x
2
+ 3y
2
+ 5z
2
4xy = (x, y, z)
3 2 0
2 3 0
0 0 5

La matriz asociada A tiene los autovalores
1
= 1,
2
=
3
= 5 por lo que una
expresin diagonal de q es q(x, y, z) = x
2
+ 5y
2
+ 5z
2
.

Lema de Jacobi: Sea una forma cuadrtica q : R
n
R , A su matriz asociada,
D1,D2, ,Dn los menores principales de A(los formados con las i primeras filas y las i
primeras columnas) y r(A) = r n. La expresin diagonal de Jacobi de la forma cuadrtica
q viene dada por:

q(x
1
, x
2
, , x
n
) = D1x
2
1
+(D2/D1)x
2
2
+ +(Dr/Dr-1)x
2
r
,siempre que D1 = 0,
D2 = 0, ,Dr = 0.
Ejemplo: Sea q la forma cuadrtica del ejemplo anterior: Los menores
principales son D1 = 3,

2 =
3 2
2 3
, 3 =
3 2 0
2 3 0
0 0 5
=25

Como r(A) = 3 y los tres menores principales son distintos de cero, la
expresin diagonal de Jacobi es:

q(x, y, z) = 3x
2
+(5/3)y
2
+(25/5)z
2
= 3x
2
+5/3y2 + 5z
2
.


7.3.1- TIPOS DE FORMAS CUADRATICAS
Sea q : R
n
R una forma cuadrtica y x = (x
1
,
x2
, ,
xn
) R
n
.
Se dice que:

q(x) es definida positiva si q(x) > 0, x R
n
, x = 0.
q(x) es definida negativa si q(x) < 0, x R
n
, x = 0.
q(x) es semidefinida positiva si q(x) 0, x R
n
, y u = 0 : q(u) = 0.
q(x) es semidefinida negativa si q(x) 0, x R
n
, y u = 0 : q(u) = 0.
q(x) es indefinida si u, v R
n
: q(u) > 0, q(v) < 0.

Por ejemplo ,la forma cuadrtica q(x, y) = (x y)
2
es semidefinida positiva pues
q(x, y) 0 (x, y) R
2
y q(x, x) = 0.

En trmino de autovalores
Sea q : Rn R una forma cuadrtica y
1
,
2
, ,
n
los autovalores de su
matriz asociada. Se verifica:

q(x) es definida positiva si y slo si los autovalores de A son todos positivos.
q(x) es definida negativa si y slo si los autovalores de A son todos negativos.
q(x) es semidefinida positiva si y slo si los autovalores de A son positivos y nulos.
q(x) es semidefinida negativa si y slo si los autovalores de A son negativos y
nulos.
q(x) es indefinida si y slo si los autovalores de A son positivos y negativos.

O de la forma:

Sea q : Rn R una forma cuadrtica, A su matriz asociada,

Di : 1 i n los menores principales de A, y r = r(A).

7.3.2-ESTUDIO DEL SIGNO DE UNA FORMA CUADRATICA REAL
DE N VARIABLES
Es comn que stas tengan que satisfacer un conjunto de restricciones, o lo
que es lo mismo, que el vectorx pertenezca a algn subespacio de R
n
. Por tanto,
interesa clasificar la forma cuadrtica en el subespacio en el que estn restringidas
las variables.

Sean q : Rn R una forma cuadrtica y E un subespacio vectorial de R
n
.

q restringida a E es definida positiva si q(x) > 0, x E, x = 0.
q restringida a E es definida negativa si q(x) < 0, x E, x = 0.
q restringida a E es semidefinida positiva si q(x) 0, x E, y u E,
u = 0 : q(u) = 0.
q restringida a E es semidefinida negativa si q(x) 0, x E, y u E,
u = 0 : q(u) = 0..
q(x) es indefinida si u, v E : q(u) > 0, q(v) < 0
Veremos como nos ayudamos con Matlab para una aplicacin de las formas
cuadrticas.

Una forma cuadrtica en R
n
es una aplicacin q : R
nx
R
n
R; cuyos valores se
obtienen mediante una frmula del tipo q(X) = X
T
AX; siendo X = (x
1
, , x
n
)
T
y
A M
n
, una matriz simtrica, es decir, A cumple la condicin A = A
T

O sea debemos hallar un cambio de variable o de base
X = PY, Y = (y
1
; ; y
n
)
T
, para el cual se tenga que P
T
AP = D, siendo matriz
diagonal

La nueva forma cuadrtica Y
T
DY no tendr productos cruzados
(
,
= 0, )y ser una suma que slo tiene trminos cuadrados
,
=
2
, la diagonal principal de D sern los coeficientes
1
, ,

Sea X=(x
1
,,x
4
)
t
, nos piden clasificar la forma cuadrtica

= 2
1
2
6
2
2
9
3
2
9
4
2
+4
1
2
+4
1
3
+ 4
1
4
+
3
4

empleando diagonalizacin ortogonal y transformaciones elementales.

Escriba la nueva forma cuadrtica.

La matriz asociada a q es A=[- 2 2 2 2;2 -6 0 0;2 0 -9 3;2 0 3 -9)

Si
,
es el producto cruzado
, entonces las entradas

(i,j) y (j,i) de A= (a
i,j
)son
,
=
,
=
,
/2
Calculamos autovalores y autovectores aplicando el comando eig
>>A=[-2 2 2 2; 2 -6 0 0;2 0 -9 3;2 0 3 -9];
>>format rat
>>[P,D]=eig(A)
P =
Columns 1 through 3
* -1/2 *
* 1/2 881/1079
985/1393 1/2 -881/2158
-985/1393 1/2 -881/2158

Column 4

-1170/1351
-390/1351
-390/1351
-390/1351

D =
Columns 1 through 3

-12 0 0
0 -8 0
0 0 -6
0 0 0

Column 4

0
0
0
*
el asterisco * signica que se trata de nmeros muy pequeos,menores que < 1:0e
15/2, que pueden ser considerados iguales a cero y que el formato
RATIONAL no les encuentra una representacin adecuada como cociente de
enteros.
La matriz P es ortogonal hasta donde la precisin lo permite. En efecto P P
T
=
P
T
P = I
4
, tal como lo muestra Matlab

>>P*P

ans =
Columns 1 through 3

1 0 *
0 1 *
* * 1
* * 0

Column 4

*
*
0
1

>> P'*P
ans =

Columns 1 through 3

1 * *
* 1 *
* * 1
* * *

Column 4

*
*
*
1

Las columnas de P forman una base ortonormal de autovectores de A

La matriz P es la matriz del cambio de variable X = PY, que permite obtener
una representacin de q como suma de cuadrados.

= 8
1
2
6
2
2
12
3
2

La forma cuadrtica es semidefinida negativa, conclusin a la cual tambin
podemos llegar con solo mirar a la matriz diagonal D

Las coordenadas (y1;, y4) son las correspondientes a la base formada por
las columnas de P = [C1;; C4]. Cuando escribimos q(Y) estamos significando
que evaluamos q en el vector V

V = y
1
C
1
+ + Y4c
4

Hemos utilizado una de las formas de obtener una suma de cuadrados, a
travs de la diagonalizacin ortogonal de A, siendo las otras alternativas
meediante transformaciones elementales por filas y columnas manteniendo la
simetra y/o completando cuadrados perfectos (Lagrange)


INTRODUCCION

Un vector (en Geometra) es un ente geomtrico definido por un segmento
orientado de recta, que se utiliza para la representacin de magnitudes llamadas
magnitudes vectoriales. Otra definicin (ligada a la Mecnica) es la de una
cantidad que tiene magnitud, direccin y sentido. Desde la visin matemtica,
elemento de un espacio vectorial (como se ve en el captulo de Espacios
vectoriales). Entonces, en Mecnica, una magnitud es vectorial cuando queda
definida por su medida (mdulo), direccin y un sentido.

Por tanto, los vectores se representan grficamente por segmentos limitados
en una punta de flecha. Queda determinado su mdulo por la longitud del
segmento; su direccin por la recta a que pertenece y su sentido por la punta de
la flecha. Al origen del vector se le llama punto de aplicacin.

Tipos de vectores
Los vectores en general pueden ser:

Libres.- Sin localizacin especifica en el espacio. Un vector libre puede
trasladar su origen a cualquier punto del espacio, siempre que conserve su mdulo
y sentido y mantenga paralela su direccin.

Ej. momento de un par.

Deslizantes.- Sin localizacin especifica a lo largo de una recta dada. Un
vector deslizante solo puede trasladar su origen a lo largo de su recta de aplicacin.
Ej. la fuerza aplicada a un slido

Fijos.- Un vector fijo es el de origen fijo. Ej. la intensidad del campo
gravitatorio en un punto dado.

Comparativamente pueden ser:

Vectores equipolentes.- Son los que tienen igual mdulo, la misma direccin
o direcciones paralelas y el mismo sentido. La equipolencia es una relacin de
equivalencia, que establece una particin del conjunto de los vectores en clases de
equivalencia.

Vectores iguales.- Son los que tienen la misma magnitud, direccin y sentido.

Vectores equivalentes.- Son los que producen el mismo efecto.
Atendiendo a lo que representan pueden ser:

Vectores polares.- Son los que representan magnitudes fsicas relacionadas
con una traslacin, como la velocidad lineal por ejemplo.

Vectores axiales.- Son los que representa magnitudes fsicas ligadas a una
rotacin, como el vector velocidad angular.

Fijado un sistema de referencia, se denominan componentes de un vector V
los valores de las proyecciones del vector sobre los ejes del sistema de referencia,
por ejemplo; Vx,Vy,Vz.

Representacin
Para el estudio de cualquier fenmeno fsico necesitamos un sistema de
referencia, la forma ms simple empleada, es el de coordenadas cartesianas
ortogonales .

Inicialmente, podemos asociar un conjunto de puntos X con el conjunto de
los nmeros reales, lo que constituira un sistema coordenado del espacio
unidireccional formado por los puntos de X. Podemos enunciar que el par de
nmeros(x,y) que representen las coordenadas de un punto P en el plano, y la
correspondencia biunvoca de parejas ordenadas de nmeros con el conjunto de
puntos del plano XY es el sistema coordenado ortogonal del espacio bidimensional
constituido por los puntos del plano. Por tanto, la terna ordenada de nmeros
(x,y,z) que representan las coordenadas de un punto P en el espacio, y la
correspondencia biunvoca de ternas ordenadas de nmeros con el conjunto de
puntos del espacio XYZ es el sistema coordenado ortogonal del espacio tridimensional de
los puntos del espacio
P(x,y,z)
y
N
R Z
O
X
M
Grficamente

Convenimos llamar triedro trirrectangulo positivo o dextrogiro el
representado en la figura.

Operaciones fundamentales; suma y diferencia de vectores

Adicin de vectores

Sumar o componer dos o ms vectores es hallar otro vector resultante cuyas
componentes sean iguales a la suma de las componentes de los vectores
sumados.
Grficamente se pueden sumar vectores usando la ley del paralelogramo.
Propiedades de la suma de vectores
Conmutativa: a + b = b + a
Asociativa: (a + b) + c = a + (b + c)

Sustraccin de vectores
Se cambia de sentido uno de ellos y se suman.
a - b = a + (-b)
Por el Teorema de los cosenos deducimos:
2
=
2
+
2
2. . . cos 180 =
2
+
2
+2. . cos
=
2
+
2
+ 2. . .
O tambin sumando las componentes cartesianas, situando el eje x en b tendremos:
2
=
2

+
2
,
2
=
2
+
2
= ,
= .
=
2
+
2
+ 2.
luego;

2
=
2
+
2
+2.
+
2
=
2
+
2
+ 2. . .

=
= (

)
El ngulo ser:
O aplicando el teorema de los senos:
90
1
= (

)

A
C
D
B
O
a

y
x

180

Forma trinmica y vectores unitarios

En el espacio tridimensional hemos definido un punto por tres coordenadas
(x,y,z).

Definimos lo mismo mediante un vector r = r (x,y,z) llamado vector de
posicin, a la terna ordenada de nmeros (x,y,z) los llamamos componentes
coordenados del vector. Si utilizamos un sistema de coordenadas diferente, los tres
nmeros cambian a(x,y,z), sin embargo, el vector r es el mismo en ambos
sistemas, es decir la definicin de vector permanece invariable o independiente del
sistema de coordenadas elegido.

En un sistema coordenado ortogonal X, Y, Z como en el de la figura, y
dndole carcter vectorial a las proyecciones ortogonales, x, y, z; de r sobre los
ejes, se escribe.
Forma trinmica y vectores unitarios.

r=x + y + z

Las componentes x, y, z, tienen de modulo:

Los cosenos de ngulos , , , que forma r con cada uno de los ejes se les
llama cosenos directores.

El modulo de r (diagonal del paralelepipedo construido con x, y, z como
lados) es:

Si elevamos al cuadrado las igualdades (1) y sumamos, obtendremos:

2
+
2
+
2
=
2
.
2
+
2
+
2
=>
x=r cos x y=r cos x=r cos y
r=
2
+
2
+
2

2
+
2
+
2
= 1
P(x,y,z)
y
Z
O
X
r= x+ y + z
y
z
x


Si el vector viene dado por las coordenadas de su origen A (x,y,z) y de su
extremo B(x,y,z), entonces las componentes coordenadas del vector AB sern:

X
Z
O
Y
B(x, y ,z)
A(x, y ,z)
(x- x, y- y, z- z).
Tendremos:
X = x- x
Y = y- y escribiremos: AB = X + Y + Z
Z = z- z

Como vector unitario (o versor)se significa todo vector de mdulo unidad,
por tanto; el vector unitario en una direccin se obtiene dividiendo cualquier
vector en esa direccin por su mdulo.

Si las componentes de un vector v son x, y, z, su ecuacin vectorial ser:
v = x + y + z

Llamando i, j, k, a los vectores unitarios en la direccin y sentido de los ejes,
se verificar:

x = xi, y = yj, z = zk; siendo x, y, z, los mdulos de x, y, z. Sustituyendo en la
ecuacin vectorial tendremos: v = xi + yj + zk
Al ser los cosenos directores:

cos = x/v, cos = y/v, cos = z/v,

el vector unitario en la direccin de v ser:

e = x/v i + y/v j v + z/v k = cos i + cos j + cos k

Y
X
Z
v=x i+y j+z k
i
x
f
k
o y
v (x, y, z)
z
Aplicaciones
en MATLAB
Variables vectoriales

Para el ingreso de vectores desde la ventana de comandos

V=[v1,v2,v3,,vn] o V=[v1 v2 v3 vn]

As >>vector1=[1,4,9,3,1/2]

vector1 =

1.0000 4.0000 9.0000 3.0000 0.5000

la raz cuadrada de tal vector se calcula como:

>>sqrt(vector1)
ans =
1.0000 2.0000 3.0000 1.7321 0.7071

formas de definir una variable vectorial en forma comprensiva:
Variable=[a,b] Define el vector cuyos primeros y ltimos
elementos son a y b, los intermedios se
diferencian en una unidad
Variable=[a.s:b] Primer y ltimo elementos a y b, los intermedios
se diferencian en s
Variable=linespace[a,b,n] Primer y ltimo elementos a y b, y tiene en total
n elementos igualmente espaciados entre s
Variable=logespace[a,b,n] Primer y ltimo elementos a y b, y tiene en total
n elementos en escala logartmica igualmente
espaciados entre s
>>vector3=[10:30]

vector3 =

Columns 1 through 19
10 11 12 13 14 15 16 17 18 19 20 21 22 23
24 25 26 27 28

Columns 20 through 21
30


representar vector columna: separar sus elementos por punto y coma,

>>a=[10;14;21;15]
a =
10
14
21
15

o transponiendo

>>a=(10:14);b=a
b =
10
11
12
13
14
- Cmo seleccionar un elemento de un vector o un subconjunto de elementos?

>>vector1=(2:3:9)
vector1 =
2 5 8
(puede ir o no el parntesis)
Equivalentemente, si lo que conocemos del vector es que la primera coordenada
vale 0, la ltima 20 y que tiene 11 en total, se escribe:
>>vect2=linspace(0,20,11)
vect2 =
0 2 4 6 8 10 12 14 16 18 20
x(n) Da el ensimo elemento de x
x(a:b) Da los elementos ubicados entre el a-esimo y el be-simo,
incluyendo ambos
x(a:p:b) Da los elementos ubicados entre el a-simo y el b-simo, incluyendo
ambos, separados de p en p unidades
x(b:-p:a) Da los elementos ubicados entre el b-simo y el a-simo,
incluyndolos, separados de p en p empezando por el b-simo(b>a)

A las coordenadas de un vector se accede sin ms que escribir el nombre del
vector y, entre parntesis, su ndice:

>>vect2(3)
ans =
4

y se pueden extraer subvectores, por ejemplo:

>>vect2(2:5)
ans= % linea de (-1, 1, 1) a (0, 0, 0)
a = -1 : .1 : 0;
b = 1 : -.1 : 0;
c = b;

plot3(a, b, c)
2 4 6 8

Graficar un vector(falta hacer)

Productos
Un vector fila y un vector columna de igual dimensin se pueden multiplicar
en cualquier orden dando un escalar (producto interno) o una matriz (exterior),
as:

>>u = [3; 1; 4];
>>v = [2 0 -1];
>>x = v*u
x = 2

o

>>X = u*v

>>X =
6 0 -3
2 0 -1
8 0 -4

El ngulo entre ellos:

theta = acos(dot(a,b)/(norm(a)*norm(b)))
theta =
0.2257

>> 360*theta/(2*pi)
ans =
12.9332

Para obtener el rea del paralelogramo cuyos lados adyacentes son los vectores
a y b.

>> area = norm(a)*norm(b)*(sin(theta))^2
area =
1.6447


El producto cruz se obtiene de la forma:

>>a = [1 2 3];
>>b = [4 5 6];
>>c = cross(a,b)

c =

-3 6 -3

Con ambos productos se puede calcular el producto mixto

>> a=[ 1 2 3];
>> b=[1 -1 4];
>> (cross(a,b)*(a'*b))

ans =

0 0 0

Para vectores complejos, los dos productos escalares x'*y and y'*x son
conjugados complejos de cada uno y el producto x'*x es un real (x es el
transpuesto).

Para complejos:

>>z = [1+2i 3+4i]
>>z
1-2i
3-4i
y
>>z %' es
1+2i
3+4i
Anexo 1 -
Introduccin bsica sobre
MATLAB

QUE ES MATLAB?

MATLAB es un lenguaje de programacin funcional, especficamente
diseado para el Clculo Numrico, representando en la prctica por un
conjunto de herramientas.


QUE ES MATLAB?

Matlab = Matrix Laboratory.

Programa comercial de The Mathworks Inc
(Natick, MA). http://www.mathworks.com

Creado en California por Jack Little and Cleve Moler en 1984, para
realizar clculo matricial en ordenadores sin necesidad de
conocimientos de programacin.


QUE ES MATLAB?

Sistemas operativos donde MATLAB corre

Unix
Linux
Solaris
MacOS
Windows

Existe un uso generalizado de MATLAB en Ingeniera, es una herramienta de gran
popularidad y es til para una carrera profesional. Esto lo ha convertido en un
estndar de-facto para la escritura de pequeos programas de simulacin.
De-facto: Se usa en la expresin latina de facto, que significa 'por hechos

MATLAB cuenta con una extensa biblioteca de funciones que cubren
casi todas las disciplinas de la Ciencia y la Ingeniera extensamente
documentada y de fcil uso.
Por lo general, los programas de alto nivel no ofrecen acceso fcil para la
graficacin, que es una aplicacin en la que destaca MATLAB.
MATLAB es ptimo para clculos matriciales.

DISTINTOS CAMPOS DE ACCIN
Teora de control
Tratamiento de seales
Inteligencia artificial
Diseo de sistemas de potencia
Control de procesos mecnicos, de aviacin, automocin
Financiero
Mapeo y tratamiento de imgenes
Instrumentacin y adquisicin de datos
Identificacin de sistemas

EL ENTORNO DE MATLAB
Ventana de comandos
Ventana del rea de trabajo
Historial de comandos
Directorio de trabajo
VENTANA DE COMANDOS (COMMAND WINDOW)
El empleo de la ventana de
comandos le permite guardar los
valores que calcule, mas no los
comandos que us para generarlos.
Si desea guardar la secuencia de
comandos, necesitar emplear la
ventana de edicin para crear un
archivo-m (m-file).

VENTANA DE HISTORIA DE COMANDOS
(COMMAND HISTORY)

La ventana de historia de
comandos registra los comandos
que se escriben en la ventana de
comandos. Cuando sale de
MATLAB, o cuando escribe el
comando clc (clear), la ventana de
comandos se limpia.
CONSIDERACIONES DE LA VENTANA HISTORIA DE
COMANDOS
La ventana de historia de comandos conserva una lista de todos sus
comandos. Tambin puede limpiar la historia de comandos con el men
edit. Si trabaja en una computadora pblica, entonces, como medida de
seguridad, las opciones de MATLAB por defecto se pueden establecer de
modo que limpie la historia cuando salga del programa.
IMPORTANCIA DE LA VENTANA HISTORIA DE
COMANDOS
Porque permite revisar sesiones anteriores de MATLAB
Para la transferencia de comandos a la ventana de comandos.

VENTANA DEL REA DE TRABAJO (WORKSPACE)
La ventana del rea de trabajo le
mantiene informado de las variables
que usted define conforme ejecuta
comandos en la ventana de
comandos.

VENTANA DE DOCUMENTO (DOCUMENT WINDOW)
Hacer doble clic sobre cualquier variable mencionada en la ventana del rea
de trabajo lanza automticamente una ventana de documento que contiene el
Array Editor (editor de arreglos).
Los valores que se almacenan en la variable se despliegan en un formato de
hoja de clculo.
Puede cambiar los valores en el editor de arreglos o puede agregar nuevos
valores.

VENTANA DE DOCUMENTO (DOCUMENT WINDOW)
VENTANA DE DIRECTORIO ACTUAL (CURRENT
DIRECTORY)
La ventana de directorio actual
lista todos los archivos en una
carpeta de la computadora llamada
directorio actual.
El directorio actual se puede
cambiar al seleccionar otro
directorio de la lista desplegable
que se ubica junto a la lista de
directorio o al navegar entre los
archivos de su computadora.
VENTANA DE DIRECTORIO ACTUAL (CURRENT
DIRECTORY)
La ventana de directorio actual
lista todos los archivos en una
carpeta de la computadora llamada
directorio actual.
El directorio actual se puede
cambiar al seleccionar otro
directorio de la lista desplegable
que se ubica junto a la lista de
directorio o al navegar entre los
archivos de su computadora.
Un archivo *.m de MATLAB, no es ms que un archivos de texto ASCII, con
la extensin *.m, que contienen definiciones de funciones o conjuntos de
comandos que MATLAB puede interpretarlos y ejecutarlos; similar a los
archivos de cdigo fuente de C o Pascal.

nro = input('Ingrese un nmero positivo: ');
if nro==1 disp('Ud. ingreso 1');
elseif nro==2 disp('Ud. ingreso 2');
else disp('El nmero es mayor que 2');
end

MATLAB permite que utilicemos cualquier editor (edit de DOS, Word,
Notepad, etc.), para la creacin de estos archivos *.m y su posterior ejecucin
en MATLAB, ya que los archivos *.m son slo de archivos de texto con
extensin *.m como lo dijimos anteriormente.

EL EDITOR DE MATLAB
El editor de MATLAB permite crear, modificar archivos *.m, conjuntamente
como ejecutarlos, ejecutarlos paso a paso; con el fin de realizar el proceso de
Debug o depuracin. De la misma manera que otras caractersticas que
iremos viendo.

EL EDITOR DE MATLAB
El editor muestra con diferentes colores los diferentes tipos o elementos de la
sintaxis. (en verde los comentarios, en azul las cadenas de caracteres, etc.). El
editor adems indica que las comillas o parntesis que se abren se cierren
correctamente

EL EDITOR DE MATLAB
LA BARRA DE HERRAMIENTAS ESTANDAR
Abrir nuevo M-file archivo

Abrir nuevo M-file existente

Guardar M-file existente

Pegar

Copiar

Cortar

Deshacer
Ir a una funcion

Imprimir

Rehacer
Buscar

Paso, ejecuta la linea actual

Paso a paso, ejecutar la lnea actual del M-archivo
Paso salida, ejecuta las llamadas a funciones o
subrutinas

Sale del modo depuracion

Continue, Reanuda la ejecucin del M-archivo hasta la
finalizacin o hasta un punto de interrupcin.

Asigna/Limpia un punto de interrrupcion

Depurar, Limpiar puntos de interrupcin en todos los archivos
DECLARACION DE VARIABLES
En MATLAB , una variable consiste en una matriz de unas dimensiones
dadas. En cuanto al tipo de variables a utilizar puede ser: entero, real,
complejo, carcter, etc.
En MATLAB no se requiere ningn tipo de declaracin de variables sino que, una vez
que se utiliza una variable, MATLAB crea la respectiva variable reservando el espacio
de memoria necesario y declarando su tipo de dato a partir del dato asignado. Por
tanto, si la variable ya existe, MATLAB nicamente cambia su contenido.

syms x
Una variable de MATLAB puede cambiar su tipo de dato varias veces en una misma
sesin de MATLAB o en su ejecucin, la forma de cambiar su tipo es simplemente
cambindole el valor asignado a la variable.
En lo que se refiere a la nomenclatura de las variables. MATLAB distingue
entre maysculas y minsculas

(Variable es distinto de variable) permitiendo nombres de variables que
contengan al menos una letra.
Los clculos que no se asignan a una variable en concreto se asignan a la variable de
respuesta por defecto que es ans (del ingls, answer):
>>2+3
ans =
5
Sin embargo, si el clculo se asigna a una variable, el resultado queda guardado en
ella:
>>x=2+3
x=
5

Para conocer el valor de una variable, basta teclear su nombre:
>>x
x=
5
Si se aade un punto y coma (;) al final de la instruccin, la mquina no muestra la
respuesta...
>>y=5*4;
Pero no por ello deja de realizarse el clculo, lo que sucede es que no muestra su
resultado.
>>y
y =
20

Para obtener informacin sobre variables que se estn usando y sus dimensiones (si son
matrices) en Workspace teclee
>> who
>> whos (da ms informacin)
Para eliminar alguna variable se ejecuta
>> clear variable1 variable2
Si se quieren borrar todas las variables:
>> clear
Constantes caractersticas:
pi=t, Inf=.
Nmeros complejos: i=sqrt(-1) (slo se puede usar i o j), z=2+i*4, z=2+4i

Cuidado con no usar luego i como contador en un bucle trabajando con
complejos.
ALGUNOS TIPOS DE DATOS
FLOAT
LOGICAL
INTEGER
INT8
INT16
INT32
INT64
ALGUNOS TIPOS DE DATOS
ENTEROS SIN SIGNOS
UINT8
UINT16
UINT32
UINT64
BOOLEAN
STRING
CLASE DE DATOS ESTRUCTURAS
Una estructura (struct) es una agrupacin de datos de tipo diferente bajo un
mismo nombre. Estos datos se llaman miembros (members) o campos
(fields).
Por ejemplo, la estructura cliente puede contener los campos nombre (una
cadena de caracteres) y DNI (un nmero).

CLASE DE DATOS ESTRUCTURAS
En MATLAB, por ejemplo la estructura Cliente se crea creando un objeto de
dicha estructura. Para lo cual, no hace falta definir previamente el modelo o
patrn de la estructura, sino una posible forma de hacerlo es crear uno a
uno los distintos campos, como en el ejemplo siguiente:
>>Cliente.Nombre=Andres
Cliente =
Nombre: Andres
VARIABLES GLOBALES Y LOCALES
El mbito de una variable puede ser:
Local: cuando la variable slo puede ser accedida por un subconjunto
de instrucciones del programa como ser:
Un bloque condicional
Un bucle
Una funcin
Global: cuando la variable puede ser accedida por cualquier
instruccin del programa
IMPLEMENTACION DE UNA FUNCION
Una cualidad de MATLAB es la de permitir generar nuestras propias
funciones para un problema especfico que queramos resolver. De esta
forma ampliamos la potencia de MATLAB ya que estas nuevas funciones
adaptadas a nuestras necesidades se pueden utilizar del mismo modo que
las que ya tiene MATLAB predefinidas, como son por ejemplo, det, rank,
sum

EJEMPLO DE FUNCION EN MATLAB

function x=diagonal(A)
% x=diagonal(A)
% Devuelve un vector con la diagonal de A en orden inverso
% A : matriz
% x : vector de la diagonal de A reordenada
n=size(A,1); % # filas de A
x=diag(A);
x=x(n:-1:1); % reordenamos

TOOLBOX
Libreras de funciones MATLAB asociadas a diferentes reas como ser:
Inteligencia artificial
Financieras
Procesamiento de imgenes
Procesamiento de seales
TOOLBOX
En MATLAB: Start->Toolboxes
ALGUNOS TOOLBOXES
Frequency Domain System Identification Toolbox
Fuzzy Logic Toolbox
Higher Order Spectral Analisys Toolbox
Image Processing Toolbox
Model Predective Control Toolbox
Mu Analisis and Synthesis Toolbox
NAG Foundation Toolbox
Neural Network Toolbox
ALGUNOS TOOLBOXES
Nonlinear Control Design Toolbox
Optimization Toolbox
Quantitative Feedback Theory Toolbox
Signal Processing Toolbox
Spline Toolbox
Statistics Toolbox
Symbolic Math Toolbox
System Identification Toolbox.

ALGUNOS TOOLBOX
IMAGE PROCESSING TOOLBOX
Es un amplio conjunto de algoritmos estndar y herramientas grficas
para el procesamiento de imgenes, anlisis, visualizacin y desarrollo
de algoritmos.
Se puede realizar la mejora de la imagen, reduccin de ruido, la
segmentacin de imgenes, transformaciones espaciales etc.
ALGUNOS TOOLBOX
IMAGE PROCESSING TOOLBOX

ALGUNOS TOOLBOX
NEURAL NETWORK TOOLBOX
Proporciona herramientas para el diseo, implementacin, visualizacin
y simulacin de redes neuronales.
Las redes neuronales se utilizan para aplicaciones en el anlisis
formal, como reconocimiento de patrones y la identificacin de sistemas no
lineales y control.
Ejemplo reconocimientos de rostros, matriculas, controles de calidad etc.
ALGUNOS TOOLBOX
NEURAL NETWORK TOOLBOX

ALGUNOS TOOLBOX
STATISTICS TOOLBOX
Proporciona un conjunto completo de herramientas para evaluar y
entender los datos. Incluye funciones y herramientas interactivas para el
modelado de datos, anlisis de tendencias histricas, la simulacin de
sistemas, desarrollo de algoritmos estadsticos; el aprendizaje y la enseanza
de la estadstica.

ALGUNOS TOOLBOX
STATISTICS TOOLBOX


Anexo 2

consec.m

function A=consec(n)

% El comando A=consec(n) genera una matriz nxn cuyas entradas son los %enteros
consecutivos de 1 a n^2.
%La primera fila ser [1, 2, ..., n], la segunda [n+1, n+2, ..., 2n], etc.

%As consec(3) generar
%
% 1 2 3
% 4 5 6
% 7 8 9

A=reshape([1:n^2],n,n)';

homsoln.m
HOMSOLN encuentra la solucin general de un sistema homogneo de
ecuaciones.

Devuelve un conjunto de vectores bsicos para el espacio nulo de Ax = 0.
Se emplea

--> ns = homsoln(A) <--

Si hay un segundo argumento se muestra la solucin general
Se emplea la forma

--> homsoln(A,1) <--

Esta opcin supone que la solucin general tiene como mximo constantes
arbitrarias.

lincomb.m
Combinacin lineal m de varias matrices del mismo tamao.

Coeficientes v = {v
1
,v
2
,,v
m
} de la combinacin lineal y las matrices
A = {A
1
,A
2
,...,A
m
} deben ingresarse como celdas.

lincomb.m
function M = lincomb(v,A)

% Combinacin lineal M de varias matrices del mismo %tamao.
% Coeficientes v = {v1,v2,,vm} de la combinacin %lineal y las
% matrices A = {A1,A2,...,Am} deben ingresarse como %celdas.

m = length(v);
[k, l] = size(A{1});
M = zeros(k, l);
for i = 1:m
M = M + v{i}*A{i};
end

lisub.m
Halla un subconjunto linealmente independientes de vectores.

Si code = 'r' los vectores son filas de A.

Si code = 'c' los vectores son las columnas de A.

La rutina devuelve un subconjunto linealmente independientes del
conjunto original.

Usar --> S = lisub(A,'r') o lisub(A,'c') <--

lisub.m
function S = lisub(A,code)
%LISUB halla un subconjunto de vectores linealmente independientes.
% si code = 'r' los vectores son las filas de A.
% si code = 'c' los vectores son las columnas de A.
% Retorna
% un subconjunto de vectores linealmente independientes
% del conjunto original.
%
% se llama --> S = lisub(A,'r') o lisub(A,'c') <--
%

lisub.m
err='ERROR: code no adecuado; segundo argumento debe ser ''r'' o ''c''';
if code=='r'
B=A';
elseif code == 'c'
B=A;
else
disp(err)
return
end
[m,n]=size(B);
B=rref(B);
l1=[];
lisub.m
for ki=1:m
z=find(B(ki,:)>0);
if isempty(z)==0,
l1=[l1 z(1)];
end
end % l1 contiene la columna #s con ppal 1's
if length(l1)~=0
if code=='r'
S=A(l1,:); %filas de S son un subconjunto L.I.
else
S=A(:,l1); %columnas de S son un subconjunto L.I.
end
else
S=[]; %devuelve matriz vaca slo si A es la matriz cero
end
rowcomb.m
rowcomb(A,i,j,c) forma una matriz a partir de A sumando c veces la fila
i-sima de A a la la fila j-sima.

rowcomb.m
function B=rowcomb(A,i,j,c)
% rowcomb(A,i,j,c) forma una matriz
% a partir de A sumando c veces la fila ith de A
% a la fila jth .

[m,n]=size(A);
if i<1|i>m|j<1|j>m
error('Indice fuera de rango')
end
if i==j
error('operacin de fila no permitida')
end
B=A;
B(j,:)=c*A(i,:)+A(j,:);

rowscale.n
rowscale(A,i,c) multiplica la fila i de la matriz A por el escalar c y su salida
es la matriz resultante.

function B=rowscale(A,i,c)
% rowscale(A,i,c) multiplica
% la fila i de matriz A por el escalar c
% y la salida de la matriz resultante.

[m,n]=size(A);
if i<1|i>m
end
B=A;
B(i,:)=c*A(i,:);

rowswap.m
rowswap(A,i,j) intercambia filas i y j de la matriz A mostrando la matriz
resultante.

function B=rowswap(A,i,j)
% rowswap(A,i,j) intercambia
% filas i y j de la matriz A devolviendo la matriz
% resultante.

[m,n]=size(A);
if i<1|i>m|j<1|j>m
end
B=A;
B(i,:)=A(j,:);
B(j,:)=A(i,:);
solucion.m
solucion(A,b) usa el archivo rref de [A,b] para hallar una solucin x de Ax
= b como si se realizara manualmente.
function x = solution(A,b)
% SOLUTION(A,b) usa el archivo rref de [A,b] para hallar una solucin x
% de Ax = b como si se realizara manualmente.

[R,jp] = rref([A,b]);
[m,n] = size(A);
r = length(jp);
if jp(r) == n+1
x = [];
else
x = zeros(n,1);
x(jp) = R(1:r,n+1);
end
utristep.m
function A = utristep(A,swcode,pivcode)
% Halla paso a paso la matriz triangular superior de
A.
% En cada paso se muestra un mensaje que describe la
%accin a tomar. Usted puede realizar la accin y
%ver el resultado o solicitar una explicacin de la
% misma.
% Esta rutina es para matrices pequeas y se
%utilizan para el desarrollo de habilidades en la
%obtencin de la forma triangular superior de una
%matriz. Formato de pantalla racional o real, se
%puede elegir, as como una opcin para forzar a
%los pivotes que sean 1.

Acceso al archivo en cuestin
utristep.m

rrefstep.m
function rrefstep(A)
% Halla la matriz en forma escalonada reducida de A
% En cada paso se muestra un mensaje que describe la
% accin que se debe tomar. Usted puede realizar la
% accin y ver el resultado o solicitar una
% explicacin de la misma.
% Esta rutina es para matrices pequeas y se utiliza
% para el desarrollo de habilidades en la obtencin
% de la forma escalonada reducida por filas
% de una matriz.
% El formato de visualizacin racional o real, se
% puede elegir.

Acceso al archivo en cuestin
rrefstep.m

dependencia.m
Dependence(A) determina si un conjunto de vectores columnas es
linealmente independiente o dependiente. Recibe una matriz "A" devolviendo
un nmero la respuesta si las columnas de A son LI o LD

dependencia.m
Dependencia(A) determina si un conjunto de vectores columnas es
linealmente independiente o dependiente.

Recibe una matriz "A" devolviendo un nmero "c" igual a 1 si las columnas
de A son LI y 0 si ellas son LD

dependencia.m
%este programa determina si un conjunto de vectores
%columnas es linealmente
%independiente o dependiente. Recibe una matriz
%"A" devolviendo un nmero la respuesta si las
%columnas de A son LI o LD.

dependencia.m
function [d]=Dependence(A)
C=rref(A);
m=length(diag(A(:,1)));
n=length(A(1,:));
if n>m
d=0;
else
s=sum(diag(C));
if n>s
disp('Los vectores son linealmente dependientes ')
else
disp('Los vectores son linealmente independientes ')
end
end

span.m
Span(v) prueba si el vector v est en el espacio generado por un conjunto de
vectores. Debe ingresar la matriz del conjunto de vectores y luego averiguar si el
vector deseado v est o no en el espacio generado por A,ej: span(v)

span.m
function span(v, varargin)
% prueba si el vector v est en el espacio generado por un conjunto de
% vectores. Debe ingresar la matriz del conjunto de vectores y luego
% averiguar si el vector deseado v est o no en el espacio generado por A

A = [];
n = length(varargin);
for i=1:n
u = varargin{i};
u = u';
A = [A u(:)];
end

span.m
v = v';
v = v(:);
if rank(A) == rank([A v])
disp(' vector dado est en el espacio.')
else
disp(' vector dado no est en el espacio.')
end

spanview.m
SPANVIEW es un utilitario para visualizar la generacin de un conjunto
de vectores en el spacio3-d.

El comando spanview(x,n) graficar n mltiplos aleatorios del vector x, cada
uno de estos vectores se representa por un punto.

El usuario debe ingresar un segundo vector y se calcula n combinaciones
lineales aleatorias de los dos vectores de entrada.

Seguir pidiendo ms vectores hasta que se hayan ingresado tres vectores
linealmente independientes; ej. s=[ 1 2 -4]; spanview(s,2)

Suma,cambiodebase1,sumacambiodebase2

spanview.m
function spanview(s,numvec)
% SPANVIEW es un utilitario para visualizar la generacin
% de un conjunto de vectores en el espacio3-d. El comando
% spanview(x,n) graficar n mltiplos aleatorios del
% vector x, cada uno de estos vectores se representa por un punto
% El usuario debe ingresarun segundo vector y se calcula
% n combinaciones lineales aleatorias de los dos vectores de entrada
% Seguira pidiendo ms vectores hasta que se hayan
% ingresado tres vectores linealmente independientes

spanview.m
if size(s)==[3,1]
s=reshape(s,1,3);
end
whitebg('w')
A=[];
x=[0,0]';
y=x;
z=x;
r=0;
n=0;
colors='brgmc';
close

spanview.m
while r<3
n=n+1;
if n>1
s=input('Agregue otro vector a S. Entre como un triple [x y z]: ');
delete(t)
hold off
end
A=[A s'];
c=randn(n,numvec);
v=A*c;
axiscale=3*max(max(abs(A)))+1;
x(:,n)=[0;A(1,n)];
y(:,n)=[0;A(2,n)];
z(:,n)=[0;A(3,n)];
r=fix(rank(A));

spanview.m
color=[colors(mod(n,5)+1),'.'];
plot3(x(:,n),y(:,n),z(:,n),'k')
hold on
plot3([-axiscale axiscale],[0 0 ],[0 0],'k',[0 0],[-axiscale axiscale],[0 0],'k',[0 0],[0
0],[-axiscale axiscale],'k')
plot3(v(1,:),v(2,:),v(3,:),color)
t=title(['generador de S ' 'Dimension = ' sprintf('%4.0f',r)]);
figure(1)
end
hold off
angulo.m
Para hallar el ngulo entre dos vectores

angulo.m
function a=Angulo(X,Y)
%Angulo
%el ngulo entre dos vectores, X e Y,en grados.
%llamar como: a = Angle(X,Y)

temp = X*Y';
normX = sqrt(X*X');
normY = sqrt(Y*Y');
a = acos(temp/(normX*normY));
a = a*180/pi;

if (a < 1.0e-10)
a = 0;
end

plano.m
El archivo grafica un plano en 3D. se puede llamar como
plano(P,N,width, height)

plano.m
% El archivo grafica un plano en 3D. se puede llamar
% como plano(P,N,width, height)
% P = [x0,y0,z0] es un punto del plano,
% N = [a,b,c] es uno normal(usar cross para hallarlo), tercer y cuarto
% argumentos opcionales; al llamar plano(P,N),
% la porcin del plano es un cuadrado de lado 2, centrado en P.
% Si se llama plano(P,N,a,b) produce una porcin del plano 2b por 2b centrada
en P.

plano.m

function z = plano(P,N, width, height)
if nargin < 3
width = 1; height= 1;
end
x0 = P(1);
y0 = P(2);
z0 = P(3);
N = N/norm(N);
a = N(1); b = N(2); c = N(3);

plano.m

s = - width: .1*width : width; t = -height: .1*height: height;

[S,T] = meshgrid(s,t);
hhchek = ishold;
arrow3(P,N,'r')
hold on
arrow3(P-.3*N,.3*N,'r')

r = sqrt(a^2 +b^2);

plano.m
if r > 0
v = [b/r, -a/r, 0];
w = [-a*c/r, -b*c/r, r];

else
v = [1 0 0];
w = [0 -1 0];
end

X = x0 + v(1)*S +w(1)*T;
Y = y0 + v(2)*S +w(2)*T;
Z = z0 + v(3)*S +w(3)*T;

low = min(min(Z));
high = max(max(Z));

plano.m

surf(X,Y,Z);
colormap(gray);
caxis([low-6, high]);
axis equal

if hhchek == 0
hold off
end

plano.m
function out = arrow3(P,V,color)

x0 =P(1); y0 = P(2); z0 = P(3);
a = V(1); b = V(2); c = V(3);
l = max(norm(V), eps);

x = [x0 x0+a]; y = [y0 y0+b]; z = [z0 z0+c];
hchek = ishold;
plot3(x,y,z,color)
hold on

h = l - min(.2*l, .2) ;
v = min(.2*l/sqrt(3), .2/sqrt(3) );

plano.m
upper = [h, v*tan(pi/6), 0]';
lower = [h, -v*tan(pi/6), 0]';

r = sqrt(a^2 +b^2);
if r > 0

col1 = [a b c]/l;
col2 = [-b/r, a/r, 0];
col3 = [-a*c/(l*r), -b*c/(l*r), r/l];

Q = [col1; col2; col3]' ;

plano.m
else
if c > 0
Q = [0 0 -1; 0 1 0; 1 0 0];
else
Q = [0 0 1; 0 1 0; -1 0 0];
end
end
p = Q*upper; q = Q*lower;
plot3([x0+p(1), x0+a], [y0+p(2), y0+b], [z0+p(3), z0+c], color)
plot3([x0+q(1), x0+a], [y0+q(2), y0+b], [z0+q(3), z0+c], color)

if hchek == 0
hold off
end

vector.m
Permite graficar un vector con origen (x0, y0) y extremo (x0+a, y0+b).
Escribiendo P = [x0, y0] y V = [a,b], debe llamarse arrow(P,V, color), el tercer
argumento, color, es opcional,por dfecto es azul.

vector.m
% permite graficar un vector con origen (x0, y0) y extremo
% (x0+a, y0+b). Escribiendo P = [x0, y0] y
% V = [a,b], debe llamarse arrow(P,V, color), el tercer argumento,
% color, es opcional,por dfecto es azul.
% Para uno rojo, arrow(P,V, 'r').
function y = vector(P,V,color)
if nargin < 3
color = 'b';
end
x0 = P(1); y0 = P(2);
a = V(1); b = V(2);
u = [x0 x0+a]; v = [y0 y0+b];
hchek = ishold;

vector.m
plot(u,v,color)
hold on
h = l - min(.2*l, .2) ; v = min(.2*l/sqrt(3), .2/sqrt(3) );
a1 = (a*h -b*v)/l;
b1 = (b*h +a*v)/l;
plot([x0+a1, x0+a], [y0+b1, y0+b], color)

a2 = (a*h +b*v)/l;
b2 = (b*h -a*v)/l;

plot([x0+a2, x0+a], [y0+b2, y0+b], color)
if hchek == 0
hold off
end

vector3.m
Grafica un vector 3D con origen (x0, y0, z0) y extremo (x0+a, y0+b, z0+c).
Escribir P = [x0, y0, z0] y V = [a,b,c], se llama vector3(P,V, color). El tercer
argumento, color, es opcional, por defecto es azul,

vector3.m
% grafica un vector 3D con origen (x0, y0, z0)y
% extremo (x0+a, y0+b, z0+c). Escribir P = [x0, y0, z0]y
% V = [a,b,c], se llama vector3(P,V, color). El tercer argumento,
% color, es opcional., por defecto es azul, si se desea rojo, llamar
% llamar vector3(P,V, 'r').

function out = vector3(P,V,color)

if nargin < 3
color = 'b';
end

x0 =P(1); y0 = P(2); z0 = P(3);
a = V(1); b = V(2); c = V(3);
vector3.m
x = [x0 x0+a];
y = [y0 y0+b];
z = [z0 z0+c];
hchek = ishold;
plot3(x,y,z,color)
hold on
h = l - min(.2*l, .2) ;
v = min(.2*l/sqrt(3), .2/sqrt(3) );

upper = [h, v*tan(pi/6), 0]';
lower = [h, -v*tan(pi/6), 0]';

r = sqrt(a^2 +b^2);

vector3.m
if r > 0
col1 = [a b c]/l;
col2 = [-b/r, a/r, 0];
col3 = [-a*c/(l*r), -b*c/(l*r), r/l];
Q = [col1; col2; col3]' ;
else
if c > 0
Q = [0 0 -1; 0 1 0; 1 0 0];
else
Q = [0 0 1; 0 1 0; -1 0 0];
end
end
p = Q*upper; q = Q*lower;
plot3([x0+p(1), x0+a], [y0+p(2), y0+b], [z0+p(3), z0+c], color)
plot3([x0+q(1), x0+a], [y0+q(2), y0+b], [z0+q(3), z0+c], color)
dist.m
Distancia entre puntos X e Y en Rn. Lllamar como: Dist(X,Y)

dist.m

function d = Dist(X,Y)
%Dist
%Distancia entre puntos X e Y en Rn.
%Llamar como: Dist(X,Y)

Z=X-Y;
d=sqrt(Z*Z');

drawec.m
drawvec(v,color,s) grafica el vector v empleando el color definido como
segundo argumento de entrada (por defecto es rojo).El punto inicial del dibujo
es el origen; una flecha se dibuja en el extremo
Los ejes se establecen como [-s,s,-s,s]. Si s no se especifica por default es 5

drawec.m
function[ handle ] = drawvec(v,color,s);
% DRAWVEC(v,color,s) grafica el vector v empleando
% el color definido como segundo argumento de entrada
% (por defecto es rojo).El punto inicial del dibujo es
% el origen; una flecha se dibuja en el extremo
% Los ejes se establecen como [-s,s,-s,s]. Si s no se
% especifica por default es 5

if nargin==1
color = 'r';
end
if nargin < 3
s=5;
end

drawec.m
handle = plot([0,v(1)],[0,v(2)],color);
axis([-s,s,-s,s])
axis('square')
hold on
[m,n]=size(v);
if n==1 % Change to row vector
v=v';
end
atip=tip(v,s);
fill(atip(1,:),atip(2,:),color)
hold off

plotangle
s = plotangle(x,y) dar el ngulo s(radianes)entre vectores no nulos x, y. Si
estn en espacio bidimensional, el ngulo ser graficado( en rojo, y el unitario
en azul)

Si se usa [s,t] = plotangle(x,y) s en radianes y t en grados

plotangle
function [s,t]=plotangle(x,y)
% s = plotangle(x,y) dar el ngulo s(radianes)entre
% vectores no nulos x, y. Si estn en espacio bidimensional,
% el ngulo ser graficado( en rojo y el unitario en azul)
% Si se usa [s,t] = plotangle(x,y)
% s en radianes y t en grados
%
[m,n]=size(x);
if m==1
x=x';
end
[j,k]=size(y);

plotangle
if j==1
y=y';
end
if ([m,n]~=[j,k])
error('Vectores tienen distinto tamao')
end
if (norm(x)==0)|(norm(y)==0)
error('Ingrese vectores no nulos')
end
nx=norm(x);
ny=norm(y);
aa=max(nx,ny)+1;
u=x/nx;
v=y/ny;

plotangle
s=acos(u'*v);
t=s*180/pi;
anglestr=sprintf( '%6.3f', t);
if max([m,n])>2
x=[nx;0];
u=[1;0];
v=[cos(s);sin(s)];
y=norm(y)*v;
end
drawvec(x,'r'); hold on
drawvec(y,'r'); hold on
drawvec(u,'b'); hold on
drawvec(v,'b'); hold on
A=u;
mm=max(abs(v-[cos(s),-sin(s);sin(s),cos(s)]*u));

plotangle
if mm<100*eps
ss=1;
else
ss=-1;
end
for w=.1:.1:1
z=[cos(w*s),-ss*sin(w*s);ss*sin(w*s),cos(w*s)]*u;
A=[A z];
end
plot(A(1,:),A(2,:))
hold off
axis([-aa,aa,-aa,aa])
xlabel(['el ngulo entre los vectores es ' anglestr ' grados'])

plotangle
s=acos(u'*v);
t=s*180/pi;
anglestr=sprintf( '%6.3f', t);
if max([m,n])>2
x=[nx;0];
u=[1;0];
v=[cos(s);sin(s)];
y=norm(y)*v;
end
drawvec(x,'r'); hold on
drawvec(y,'r'); hold on
drawvec(u,'b'); hold on
drawvec(v,'b'); hold on
A=u;
mm=max(abs(v-[cos(s),-sin(s);sin(s),cos(s)]*u));
ENLACES DE INTERES
Curso Matlab 1 -
Disponible en http://www.youtube.com/watch?v=715nqD8Fhhs -
consultado el 1 de abril del 2011.

BIBLIOGRAFA FUNDAMENTAL CONSULTADA
Lay,D -Algebra Lineal y sus aplicaciones-3 edicin-Pearson Educacion
Grossman,S-Algebra Lineal-6t. edicin Mac Graw Hill
Pita Ruiz,J-Algebra Lineal-Mac Graw Hill
Anton,H.- INTRODUCCION AL ALGEBRA LINEAL-2da. Edicin-Edit Limusa
PEREZ,C-MATLAB Y SuS aplicaciones en las Ciencias y la Ingeniera-Pearson-
Prentice Hall

MAS... BIBLIOGRAFA DE INTERES
Mario Matiauda 2010 - Editorial Universitaria - Clculo con MATLAB.
Disponible en
http://editorial.unam.edu.ar/index.php?option=com_content&view=article&id=247:
calculo-con-matlab&catid=42:cuadernos-de-catedra consultado el 1 de abril del 2011.
Mario Matiauda 2010 Editorial Universitaria - Algebra y MATLAB.
Disponible en
http://www.editorial.unam.edu.ar/index.php?option=com_content&view=article&id
=249:algebra-y-matlab&catid=42:cuadernos-de-catedra consultado el 1 de abril del
2011.
Holly Moore Prentice Hall - MATLAB para Ingenieros.
Matlab Help - versin 7.8.0.347 .


Alineal Edunam PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Alineal Edunam PDF

Cargado por

Copyright:

Formatos disponibles

Mario Matiauda, Cristian Kornuta

como el par ordenado

ES un espacio vectorial, es el espacio vectorial del

de E. Un vector v de E es combinacin lineal de los vectores

los llamaremos coeficientes de la combinacin

un subconjunto no vaco de un espacio vectorial E.

dos conjuntos de vectores

. Se dice que A y B son dos conjuntos de vectores equivalentes

es linealmente independiente si y slo

es una base de E si A genera a E

es una base de un espacio E, entonces,

una base de un espacio vectorial E.

una base de E, entonces para cada vector v de E

nicos, tales que =

son las coordenadas del vector v en la

una base del espacio vectorial E. La

cumple con las propiedades:

, podemos probar fcilmente

(n ), es un producto interior la funcin

es un espacio vectorial eucldeo

} una base de E. Tomemos el conjunto

} incluido en F. Existe una nica aplicacin lineal f de E

se puede calcular el vector

) respecto a la base C, formndose una matriz con estos

, para todo autovalor

y para todo par de matrices unitarias U C

matrices cuyas columnas son

podemos formar una matrix unitaria V=[

, entonces las entradas

También podría gustarte