Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sistemas Deecuacoines
Sistemas Deecuacoines
ALGEBRA
LINEAL Y GEOMETRIA
1.
2.
Calcular la matriz diagonal semejante a una matriz A dada como recurso para efectuar su potencia n-esima.
Calcular la matriz asociada a una aplicacion lineal y saber obtener la nueva expresion de la misma al efectuar un cambio de base.
MATEM ATICAS
118
A un conjunto de varias ecuaciones lineales se le denomina sistema de ecuaciones lineales. Es decir un sistema
de m ecuaciones lineales y n variables o incognitas, es una expresion del tipo
............................................
=
=
=
b1
b2
...
bm
Una solucion de este sistema es una n-upla de numeros reales (1 , 2 , ..., n ) que sea a su vez solucion de las m
ecuaciones de las que se compone el sistema.
Ejemplo. En el siguiente sistema de 2 ecuaciones y 3 incognitas
3x 2y + z = 1
x + 3y 2z = 5
14
on del sistema, ya que lo es de cada una de las ecuaciones que lo forman. La terna
la terna 13
11 , 11 , 0 es una soluci
(4, 6, 1) no es solucion del mismo ya que aunque es solucion de la primera ecuacion no lo es de la segunda. Se
2
puede demostrar que este sistema de ecuaciones lineales tiene infinitas soluciones.
Atendiendo a la existencia o no de soluciones y a su numero (finito o infinito), los sistemas de ecuaciones lineales
se clasifican de la siguiente manera:
a33 z
Observese que a21 = a31 = a32 = 0.
= b1
= b2
= b3
ALGEBRA
LINEAL Y GEOMETRI A
119
Intenta responder ahora a las siguientes preguntas: Como sera un sistema triangular de cuatro ecuaciones y
cuatro incognitas? Sabras definir el mismo concepto para un sistema de n ecuaciones y n incognitas?
En este tipo de sistemas con n ecuaciones y n incognitas (si ann 6= 0) se obtiene facilmente una solucion u nica,
despejando y sustituyendo sucesivamente de la u ltima ecuacion a la primera.
Parece claro que nuestro interes principal lo centraremos en realizar operaciones en las ecuaciones que forman el
sistema original del que queremos conocer sus soluciones, hasta transformarlo en otro que sea lo mas parecido
posible a un sistema triangular. Debemos por tanto hacer referencia a las reglas u operaciones que consideramos
validas, es decir, que transforman un sistema en otro equivalente:
2x + 3y 4z = 1
3x 2y + 5z = 3
7x + 4y 3z = 5
V
2x + 3y 4z = 1
V
13y + 22z = 3
13y + 22z = 3
2x + 3y 4z =
V (3a ec. + 2a ec. (1)) V
13y + 22z =
0.z
=
Despejando y en la segunda
V
V
ecuacion y sustituyendo
1
2x + 3y 4z = 1
3 V
13y + 22z = 3
3
7
x = 11
13 13 z
3
y = 13 + 22
13 z
x + 3y z + t
2x + y + 2z
yt
= 1
= 7
= 0
x + 3y z + t =
a
a
= (2 ec. + 1 ec. 2) =
7y + 2t
=
yt
=
1
9 =
0
MATEM ATICAS
120
x + 3y z + t
(Intercambiamos la 2a ec. y la 3a ec) =
yt
7y + 2t
= 1
= 0
= 9
x + 3y z + t = 1
= (3a ec. 2a ec. 7) =
yt
= 0
9t
= 9
x + 3y z + t
1
a
= (3 ec. ) =
yt
9
t
xz
= (1a ec. 2a ec. 3) =
yt
= 1
= 0
= 1
= 3
= 0
= 1
1 3 1
1 1
2 1
2
0 7
0 1
0 1 0
Esta ordenacion de los coeficientes recibira el nombre de matriz ampliada. La matriz
1
2
0
3 1
1
1
2
0
1
0 1
a11
a21
a31
a12
a22
a32
a13
a23
a33
b1
b2
b
3
(ver Ejemplo 1), al intentar resolverlo y por lo tanto transformarlo en uno equivalente que sea triangular,
llegaremos a un sistema representado por una matriz del tipo
0
0
0
0
a11 a12 a13 b1
0
0
0
a22 a23 b2
0
0
0
0
0
a33 b3
0
ALGEBRA
LINEAL Y GEOMETRI A
121
(3) En el caso representado en el Ejemplo 2, observemos que la matriz ampliada resultado de efectuar las
sucesivas transformaciones a las que hemos sometido el sistema original es
1
0
0
0 1 0 3
1
0 0 1
0
0 1 1
Que tiene de comun esta matriz con la correspondiente a un sistema triangular? Resaltamos a continuacion
una caracterstica que podemos considerar comun a las dos:
Ambas son matrices escalonadas, en el sentido de que puede trazarse una escalera descendente, por
debajo de cual todos los elementos seran ceros.
Metodo de Gauss. El metodo de Gauss para la resolucion de sistemas de ecuaciones lineales consiste en realizar
transformaciones en la matriz del sistema de partida hasta conseguir una matriz escalonada, de las caractersticas
descritas anteriormente.
Como es logico, no todos los sistemas son compatibles (determinados o indeterminados), y algunas veces nos
encontraremos con sistemas que no tengan solucion. Como los podremos identificar?
Ejemplo 3. El sistema de ecuaciones
x + 2y 3z
2x y + z
3x + 2y + 2z
7x + 5y 3z
es equivalente a
=
1
= 2
= 3
=
3
1
1
2 3
0 5
7 4
0
0 27 14
0
0
0 30
(Intenta dar los pasos pertinentes para lograr llegar a esta u ltima expresion de un sistema equivalente). Observa
que como la u ltima ecuacion no tiene solucion el sistema no tiene solucion.
Observacion. En general, cuando al efectuar operaciones en la matriz de un sistema, conseguimos una matriz en
la que todos los elementos de una fila son ceros menos el coeficiente que corresponde el termino independiente de
la ecuacion, el sistema sera incompatible.
Resumimos a continuacion las situaciones genericas con las que nos encontramos al aplicar el metodo de eliminacion de Gauss.
... ...
0 0
....
....
.... ... ...
....
MATEM ATICAS
122
(3) El numero de ecuaciones resultantes no eliminadas es menor que el numero de incognitas del sistema.
Entonces el sistema es compatible e indeterminado. La matriz ampliada se podra transformar en una de la
forma:
= 0
a11 X1 + a12 X2 + ... + a1n Xn
a X + a X + ... + a X
= 0
21 1
22 2
2n n
.............................................
...
= 2
x + 2y + z
x + 3y + z = 0
x + y + mz = 1
1
1
1
2
1 2
0 V (Sumando la 2a fila a la 3a y la 1a a la 2a ) V 0 5
1
0 3
1 2
1
V (Multiplicando la 3a fila por 5 y la 2a por 3) V 0 15
6
0 0 5m 1
2
3
1
1
1
m
1
2
m+1
2
6
2
2
3
1
5
ALGEBRA
LINEAL Y GEOMETRI A
(2) 5m 1 6=
1
5
m 6=
1
5
123
x + y + mz
x + my + z
mx + y + z
Debes transformar esta ecuacion en:
1
1
0 m1
0
0
= 1
= 1
= 1
m
1m
(1 m)(2 + m)
0
1m
a11
a21
A=
....
am1
a12
a22
.....
am2
....
....
....
....
a1n
a2n
....
amn
Con la notacion aij significamos el elemento de la matriz A que ocupa el lugar perteneciente a la fila i y a la
columna j. De forma abreviada tambien notaremos A = (aij )i=1...m
j=1...n
Al conjunto de todas las matrices con coeficientes reales, con m filas y n columnas (dimension m n) lo denotaremos por Mmn (R). En general abusaremos del lenguaje y cuando hablemos de matrices entenderemos que
sus coeficientes son numeros reales.
A las matrices que solo tienen una fila se les llama matrices fila. Analogamente a las que tienen solo una columna
se les denomina matrices columna.
Dada una matriz A, se denomina traspuesta de A, denotandose t A, a la matriz que se obtiene cambiando en A
las filas por columnas.
Las matrices en las que coincide el numero de filas con el de columnas se denominan matrices cuadradas.
Para una matriz cuadrada de dimension n n se suele decir que es de orden n. El conjunto de elementos
(a11 , a22 , ...., ann ) se denomina diagonal principal.
Una matriz cuadrada A se dice que es simetrica cuando aij = aji para todo i = 1, . . . , m y j = 1, . . . , n.
Otros tipos especiales de matrices son:
Matriz nula: Aquella en que todos sus elementos son cero.
MATEM ATICAS
124
O=
0
0
0
0
es un ejemplo de matriz nula de orden 2.
Matriz diagonal: Cualquier matriz cuadrada en la que los elementos que no estan ubicados en la diagonal principal son ceros.
7
0
0
D = 0 2
0 es un ejemplo de matriz diagonal de orden 3.
0
0 3
Matriz unidad o identidad: Se denomina as a cualquier matriz diagonal en la que todos los elementos pertenecientes a la diagonal principal son iguales a 1. La matriz diagonal de orden n sera denotada por In .
1 0 0
I3 = 0 1 0 es un ejemplo de matriz identidad de orden 3.
0 0 1
Matriz triangular: Se denomina de esta manera a toda matriz cuadrada en la que los elementos que estan por
encima o por debajo de la diagonal principal son iguales a cero. Se dice triangular superior cuando los
elementos nulos estan por debajo o triangular inferior si estan por encima.
1 2
3
A = 0 4 5 es un ejemplo de matriz triangular superior de orden tres.
0 0
6
j=1...n
como C = (cij )i=1...m donde cij = aij + bij , para todo i = 1...m y j = 1...n.
j=1...n
a11 + b11
a21 + b21
C =A+B =
...............
am1 + bm1
a12 + b12
a22 + b22
...............
...............
....
....
....
....
a1n + b1n
a2n + b2n
...............
amn + bmn
ALGEBRA
LINEAL Y GEOMETRI A
125
a11
a21
....
am1
3
Por ejemplo, 4 5
7
a12
a22
.....
am2
12
2
6 = 20
28
8
j=1...n
....
....
....
....
a1n
a11
a2n a21
=
.... ....
amn
am1
a12
a22
.....
am2
....
....
....
....
a1n
a2n
....
amn
8
24 .
32
j=1...p
C = (cij )i=1...m , tal que cij = ai1 b1j + ai2 b2j + ai3 b3j + ... + ain bnj o en expresion mas reducida
j=1...p
cij =
n
X
aik bkj .
k=1
Observese que para que este bien definido el producto de matrices, el numero de columnas de la primera matriz
debe coincidir con el numero de filas de la segunda.
Ejemplo. En el siguiente producto de matrices, el punto . denota la multiplicacion en los numeros reales.
1 2
5 6
1.5 + 2.7 1.6 + 2.8
19 22
=
=
3 4
7 8
3.5 + 4.7 3.6 + 4.8
43 30
126
MATEM ATICAS
(3) Si A Mmn (R), AIn = A (donde In representa la matriz identidad de orden n) y tambien Im A = A.
(4) A(B + C) = AB + AC.
De todo lo anterior se deduce que Mn (R) (conjunto de matrices cuadradas de orden n, con coeficientes reales)
dotado de las operaciones suma y producto de matrices tiene estructura de anillo (no conmutativo) con elemento
unidad.
fila
(
fila)
(2
1
4 2 0
4 2 0 1
2
2 0 1 12
a
a
(1a f ila 2)) + 2a f ila)
(1 fila 2)) + 2 fila)
0
0 2 2
1 0 12 41
0 1 1 0
Despues de los anteriores calculos y segun lo expresado al comienzo concluiremos que
1 1
2 4
.
A1 =
1 0
ALGEBRA
LINEAL Y GEOMETRI A
127
Numero
de inversiones
0
2
2
3
1
1
Producto
+a11 a22 a33
+a12 a23 a31
+a13 a21 a32
a13 a22 a31
a12 a21 a33
a11 a23 a32
Llamaremos determinante de A y lo notaremos por det(A) o por |A|, a la suma de todos estos productos. Es decir,
|A| = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a12 a21 a33 a11 a23 a32 .
Siguiendo esta misma tecnica de definicion podemos llegar a definir el concepto de determinante para una matriz
generica de orden n, A = (aij ).
Definimos el determinante de A por la expresion
X
(1)s() a1(1) a2(2) ...an(n)
det(A) =
Pn
donde por ((1), (2), ..., (n)) indicamos los subndices que representa la permutacion .
Observacion. En un determinante de orden n aparecen n! sumandos. Como vemos el numero de sumandos crece
rapidamente en relacion con el orden del determinante. No es por tanto demasiado operativo como metodo de
MATEM ATICAS
128
calculo la definicion de determinante que hemos introducido con anterioridad. Procede por tanto que introduzcamos un metodo mas practico que nos facilite el trabajo en el calculo de determinantes.
Dada la matriz A = (aij ), llamaremos menor complementario del elemento aij al determinante de la matriz que
resulta de suprimir en A la fila i y la columna j. Lo denotaremos por Mij .
Llamaremos adjunto de aij a la expresion Aij = (1)i+j Mij .
Ejemplo. Dada la matriz
1 2
3
4
0 2
2
3
A=
0 0 6 4
0 0
0 2
el menor complementario de 4 es
0 2
= 0 0
0 0
2
6
0
=0
2
2
= 0 6
0
0
3
4
2
= 24.
M44
y el del 1 corresponde a
M11
2.3.1. Calculo del determinante por el desarrollo de los elementos de una fila o columna
Se puede demostrar sin demasiada dificultad (ver bibliografa recomendada) que dada una matriz generica de
orden n, A = (aij ), el determinante viene dado por
det(A) = a11 A11 + a21 A21 + ... + an1 An1 .
A esta expresion se llama desarrollo del determinante de la matriz A por los elementos de la primera columna,
puesto que son (a11 , a21 , ..., an1 ) los elementos que forman la primera columna de la matriz A.
Esta importante propiedad se puede hacer mas generica y la expresion anterior sera tambien valida eligiendo para
el desarrollo los elementos de cualquier fila o columna del determinante.
Por ejemplo para la fila i-esima (ai1 , ai2 , ..., ain ) obtendramos det(A) = ai1 Ai1 + ai2 Ai2 + ... + ain Ain y para
la columna j-esima (a1j , a2j , ..., anj ) se tiene det(A) = a1j A1j + a2j A2j + ... + anj Anj .
La gran ventaja que presentan estas expresiones es que podemos reducir el calculo de un determinante de orden n
al calculo de otros (los adjuntos) que tienen el orden disminuido en una unidad (una fila y una columna menos).
Aplicando sucesivamente este criterio, podremos acabar reduciendo cualquier determinante a calculos de determinantes de orden 2.
Ejemplo. Desarrollando por los elementos de una lnea (fila o columna) vamos a calcular el valor del siguiente
determinante
1 3
2 6
3
2
1 0
=
1 4 5
2
0
0 4 0
ALGEBRA
LINEAL Y GEOMETRI A
129
La primera cuestion que nos surge es la fila o columna que mas nos conviene escoger para el posterior desarrollo.
Parece claro para este ejemplo que es la cuarta fila y en general debemos escoger aquella que tenga el mayor
numero de elementos iguales a cero. As
1 3 6
3 6
Desarrollando por la
+ 2 1 6 ) = 388.
=
4(3
= (4) 3
2 0 =
a
2 5
2 fila
1 5
2
1 5
(2) det(C1 , ..., Ci + Ci , ..., Cn ) = det(C1 , ..., Ci , ..., Cn ) + det(C1 , ..., Ci , ..., Cn )
(3) El determinante de una matriz que tenga dos columnas iguales vale cero:
det(C1 , ..., Ci , ..., Ci , ..., Cn ) = 0
(4) det(0n ) = 0 (donde 0n es la matriz de orden n con todos sus elementos iguales a 0), det(In ) = 1.
(5) Si se intercambian dos columnas el determinante cambia de signo:
det(C1 , ..., Ci , ..., Cj , ..., Cn ) = det(C1 , ..., Cj , ..., Ci , ..., Cn )
(6) Si a una columna se le suma una combinacion lineal de las demas, el determinante no vara:
det(C1 , ..., Cn ) = det(C1 + 2 C2 + 3 C3 + ... + n Cn , C2 , ..., Cn )
(7) Si en una matriz cambiamos filas por columnas el valor del determinante no vara:
det(A) = det(t A)
(8) Si A y B son matrices cuadradas del mismo orden n, det(AB) = det(A) det(B).
Observacion. La propiedad (7) demuestra que en todas las propiedades anteriormente enunciadas podemos cambiar las referencias a columnas por filas, verificandose igualmente el enunciado resultante.
De las propiedades de los determinantes y del desarrollo de los mismos por los elementos de una fila o columna,
podemos deducir que es posible mediante operaciones elementales entre las filas o columnas (segun las propiedades anteriormente descritas) conseguir poner ceros en el mayor numero de elementos de la fila o columna por la
que vayamos a desarrollar, con la finalidad de simplificar considerablemente los calculos.
Ejemplo. Calculemos el valor de
1
2
6
1
1
3
7
4
2
4
8
5
1
5
9
7
MATEM ATICAS
130
a
0
= 12.
1
A11
A12
Adj(A) =
....
A1n
A21
A22
.....
A2n
....
....
....
....
An1
An2
,
....
Ann
donde por Aij entendemos el adjunto del elemento aij concepto que ya hemos introducido con anterioridad.
Una matriz cuadrada A = (aij ) tiene inversa si y solo si det(A) 6= 0, verificandose la siguiente igualdad
A1 =
1
Adj(A).
det(A)
Ejemplo. Como ejemplo de que se cumple la expresion anterior, puedes comprobar que
1 3 2
16 12
3
1
A1 = 7
3 donde A = 5 0
1 .
3
10
3
6
1
6
52
4 3
ALGEBRA
LINEAL Y GEOMETRI A
131
..............................................
=
=
b1
b2
...
= bm
Segun los conceptos y las operaciones introducidas con anterioridad, lo podramos expresar de la siguiente forma:
.... a1n
X1
.... a2n X2
.... .... ...
.... amn
Xn
a12
a22
.....
am2
a11
a21
....
am1
b1
b2
=
...
bn
Esta u ltima expresion recibe el nombre de forma matricial del sistema de ecuaciones lineales.
Cuando el sistema esta formado por n ecuaciones y n incognitas y el determinante de la matriz de los coeficientes
del sistema es distinto de cero, entonces se asegura la existencia de matriz inversa y podemos obtener las soluciones
despejando la matriz columna t (X1 X2 . . . Xn ) de la siguiente forma:
a11
X1
X2 a21
... = ....
Xn
an1
a12
a22
.....
an2
....
....
....
....
1
a1n
a2n
....
ann
b1
b2
...
bn
Esta expresion es lo que basicamente se conoce como regla de Cramer, y los sistemas con el mismo numero de
ecuaciones que de incognitas que cumplen la condicion
a11 a12 .... a1n
a21 a22 .... a2n
.... ..... .... .... 6= 0
a
.... ann
n1 an2
se denominan sistemas de Cramer. La regla de Cramer estamos acostumbrados a verla de otra forma, que resulta
de efectuar las operaciones matriciales correspondientes. Si llamamos
a11 a12 .... a1n
a21 a22 .... a2n
=
.... ..... .... ....
a
.... ann
n1 an2
obtendremos las siguientes expresiones:
X1 =
X2 =
b1
b2
....
bn
a12
a22
.....
an2
....
....
....
....
a1n
a2n
....
ann
a11
a21
....
an1
b1
....
b2
....
..... ....
bn ....
a1n
a2n
....
ann
, ...
MATEM ATICAS
132
Xn =
a11
a21
....
an1
a12
a22
.....
an2
....
....
....
....
b1
b2
....
bn
Observacion. Para obtener el valor correspondiente a la incognita Xi , efectuamos el cociente entre el determinante
de la matriz resultado de sustituir en la matriz de los coeficientes del sistema la columna i-esima por la columna
de los terminos independientes, y el determinante de la matriz de los coeficientes.
Ejemplos.
(1) El sistema
3x + 2y z
2x y + z
x 2y + z
=
1
= 1
=
2
3
2 1
A = 2 1
1
1 2
1
tiene por determinante |A| = 4. Aplicando la regla de Cramer se tiene:
1
2 1
1 1
1
2 2
1
3
= ,
x=
4
4
(2) El sistema homogeneo
3
1 1
2 1
1
1
2
1
15
y=
=
,
4
4
3x + 2y z
2x y + z
x 2y + z
3
2
1
2 1 1
1 2 2
z=
4
25
4
= 0
= 0
= 0
admite solo la solucion trivial x = y = z = 0, ya que la matriz de los coeficientes coincide con la del sistema
anterior y es por tanto un sistema de Cramer.
(3) La regla de Cramer tambien se puede usar para resolver sistemas de ecuaciones que tengan infinitas soluciones.
Consideremos el siguiente sistema:
3x + 2y 5z + 6t = 4
2x + y + 3z t
= 2
x 3y + 2z + 5t = 0
si pasamos los terminos en los que aparece la incognita t al otro lado del signo igual obtendremos:
3x + 2y 5z
2x + y + 3z
x 3y + 2z
= 4 6t
= 2+t
= 5t
Considerando como incognitas solo a x, y, z para cada valor de t obtendramos un sistema de Cramer, puesto que
3
2 5
= 2
6 0
1
3 =
1 3
2
ALGEBRA
LINEAL Y GEOMETRI A
133
(Comprueba que es cierto lo que afirmamos). Finalmente obtendramos aplicando la regla de Cramer
3 4 6t 5
4 6t
2 5
2 2+t
2+t
3
1
3
1
5t 3
5t
2
2
5
3
56
= 1 t,
y=
=
+ t,
x=
11 33
3
2 4 6t
2
1 2 + t
1 3
5t
1
29
= + t.
z=
11 33
Es decir, el conjunto de soluciones viene expresado por
3
56
1
29
5
+ , + ) : R .
S = (1 ,
3 11 33
11 33
y otra externa: u (producto de un escalar por un vector que da otro vector). Las propiedades verificadas para
todos los vectores de V y todos los escalares de K , que hacen de V con las operaciones anteriormente citadas un
espacio vectorial son las siguientes:
(1)
u +
v =
v +
u.
(2) u + ( v + w ) =
u + (
v +
w ).
(3) Existe un elemento de V que denotaremos por 0 (elemento neutro) tal que 0 +
u =
u.
(5) 1.
u =
u (1 es el elemento unidad de K).
(6) (
u ) = ()
u.
(7) ( + )
u =
u +
u.
(8) (
u +
v ) =
u +
v.
Habitualmente en el caso en que el cuerpo sea el conjunto de los numeros reales, diremos que V es un espacio
vectorial real.
Ejemplo. El conjunto Rn = {(x1 , x2 , ..., xn ) : xi R con i = 1, ..., n} con las operaciones:
(1) (x1 , x2 , ..., xn ) + (y1 , y2 , ..., yn ) = (x1 + y1 , x2 + y2 , ..., xn + yn )
(2) (x1 , x2 , ..., xn ) = (x1 , x2 , ..., xn )
es un espacio vectorial sobre R (Compruebalo).
MATEM ATICAS
134
2.4.1. Vectores y ecuaciones lineales
Dos importantes conceptos relativos a vectores, las combinaciones lineales y la dependencia lineal, estan estrechamente relacionadas con los sistemas de ecuaciones lineales.
binacion lineal 1
v
1 +2 v2 +...+n vn = 0 , en la que alguno de los coeficientes escalares i es distinto
de 0. En el caso en que esto no sea posible los vectores se dicen linealmente independientes.
Consideremos el siguiente sistema homogeneo de m ecuaciones con n incognitas:
= 0
a11 X1 + a12 X2 + + a1n Xn
= 0
a21 X1 + a22 X2 + + a2n Xn
...............................................
...
a12
a1n
0
a11
a22
a2n
0
a21
v
X1
1 + X2 v2 + + Xn vn = 0 ,
a1i
a2i
donde
vi =
... , i = 1, ..., n.
ami
Despues de los conceptos introducidos anteriormente te proponemos que contestes a las siguientes preguntas.
se tiene u + v S.
2.4.3. Subespacio engendrado por un conjunto de vectores. Sistema de generadores. Bases y dimension de
un espacio vectorial
v
vectores de G. Es decir, L(G) = { 1
1 + 2 v 2 + + n vn | 1 , 2 , ..., n K }
ALGEBRA
LINEAL Y GEOMETRI A
135
= (1, 0, 0, ..., 0)
e
1
= (0, 1, 0, ..., 0)
e
2
...
.....................
en = (0, 0, ..., 0, 1)
Puedes comprobar que efectivamente se trata de un sistema de vectores linealmente independientes y generadores.
3
Ejemplo. Los vectores
v
1 = (1, 1, 1), v2 = (1, 1, 0) y v3 = (1, 0, 0) forman una base de R . No sucede lo
2
mismo con los vectores u1 = (1, 1, 1), u2 = (2, 1, 3), u3 = (1, 5, 3) ya que 3 u1 2 u2 + u3 = 0 .
En un espacio vectorial dado V , todas las bases tienen el mismo numero de elementos, a ese numero se le llama
dimension del espacio vectorial, la denotaremos por dim V .
Observaciones.
Despues de lo visto anteriormente queda demostrado que la dimension del espacio vectorial Rn es n.
Observa que en Rn (en general en cualquier espacio vectorial de dimension n) n vectores lineamente independientes forman una base. Analogamente sucede con n vectores generadores. Nunca puede haber mas de n
vectores linealmente independientes ni menos de n vectores generadores.
Aunque la dimension de Rn esta clara, es muy importante para nosotros establecer algun metodo que nos pueda
dar la dimension de los subespacios generados por vectores de Rn . Supongamos que tenemos el siguiente sistema
de vectores de R4 :
= (2, 1, 4, 0),
= (3, 1, 1, 2),
= (1, 1, 16, 11)
= (1, 0, 2, 3),
u
u
u
u
1
2
3
4
,
on de este subespacio sera la misma, si sustituimos en
Queremos calcular dim L({
u
1 u2 , u3 , u4 }). La dimensi
el sistema de vectores generadores, cualquier vector por una combinacion lineal de los vectores generadores en
la que necesariamente aparezca e l. Esto se traduce en que podemos hacer operaciones elementales (las que ya
hacamos con el metodo de Gauss y para la resolucion de los determinantes) sin que la dimension vare. Es decir,
en nuestro caso particular, poniendo las coordenadas de los vectores como filas de una matriz obtenemos:
u
1
u2
u
3
u
4
1
2
=
3
1
u
1
0
=
u
u
2
2 2 u1
0
=
3
u
u
u
3
3
1
0
u4 = u4 + u 1
0
2
3
1
4
0
=
1 1
2
1 16 11
1
0
=
0
0
2
1
0
1 7
1 16
3
6
=
7
8
MATEM ATICAS
136
1 0
2
3
0 1
0 6
=
0
0
7
1
0 2
0
0 0
0
0
u
u
4
3
u
1
0
u2
0
u
0
0
0
0
,
dim L({
u
1 u2 , u 3 , u4 }) = dim L({ u1 , u2 , u3 , u4 2 u3 }) = 3.
1
2 1
1
A = 2 1
1 2
0
5 3
4
1
2 1
1
A = 2 1
1 2
0
y dado el menor de orden 2
5 3
1
2
M2 =
2 1
ALGEBRA
LINEAL Y GEOMETRI A
137
Tambien es conveniente que repases las justificaciones teoricas de este metodo, pudiendolas encontrar en cualquier
libro de matematicas generales (ver bibliografa recomendada).
=
=
b1
b2
...
= bm
La condicion necesaria y suficiente para que tenga soluciones (sea compatible) es que el rango de la matriz de los
coeficientes A coincida con el rango de la matriz ampliada A .
Una de las principales aplicaciones de este teorema es la discusion de un sistema de ecuaciones lineales en funcion
de uno o varios parametros. Por ejemplo, consideremos el siguiente sistema de ecuaciones lineales y discutamos
segun los valores de m.
= m1
(m + 2)x + y + z
mx + (m 1)y + z = m 1
(m + 1)x + (m + 1)z = m 1
Denotamos por M la matriz de los coeficientes del sistema y por M la matriz ampliada, es decir:
m+2
m+2
1
1
yM =
M=
m
m
m1
1
m+1
m+1
0
m+1
1
1
m1
m1
1
m1
0
m+1 m1
El sistema es compatible r(M ) = r(M ). Ademas det(M ) = m(m + 1)(m 1) obteniendose lo siguiente:
Si m 6= 0 y m 6= 1 y m 6= 1 rango(M ) = 3 = rango(M ) y el sistema es compatible y determinado. (Se
deja al lector continuar con la discusion del sistema, examinando que sucede con los rangos r(M ) , r(M ) en los
demas casos).
MATEM ATICAS
138
2.5. Valores y vectores propios de una matriz
Consideremos la matriz
a12
a22
.....
an2
a11
a21
A=
.....
an1
entonces la matriz
t a11
a21
tIn A =
.....
an1
...
...
...
...
a1n
a2n
,
.....
ann
a12
t a22
.....
an2
...
...
...
...
a1n
a2n
.....
t ann
A=
1
5
2
4
,
2
Dos matrices cuadradas de orden n se dicen semejantes cuando existe una matriz no singular (que tiene inversa)
P tal que B = P 1 AP .
Propiedad. Dos matrices semejantes tienen el mismo polinomio caracterstico.
Veamos explcitamente el polinomio caracterstico para una matriz de orden 2 y 3. Si n = 2 entonces:
a
a12
A (t) = t2 (a11 + a22 )t + 11
a21 a22
mientras que si n = 3 se satisface:
a11
A (t) = t3 (a11 + a22 + a33 )t2 + (M11 + M22 + M33 )t a21
a
31
a12
a22
a32
a13
a23
a33
v
Para la matriz generica A = (aij ) un escalar se denomina valor propio, si existe un vector (columna) no nulo
para el que A v = v . Todo vector que satisfaga e sta relacion se denomina vector propio de A perteneciente al
ALGEBRA
LINEAL Y GEOMETRI A
139
El espacio propio E sera el espacio solucion del sistema homogeneo (In A) X = 0 o bien (A In ) X =
0.
Llamaremos multiplicidad algebraica del valor propio a la multiplicidad de como raz del polinomio caracterstico y denominaremos multiplicidad geometrica de a la dimension de E .
Propiedad. La multiplicidad geometrica de un valor propio es siempre menor o igual que la multiplicidad algebraica.
4
A= 2
1
1
1
5 2 ,
1 2
0
x
1 1 1
E1 : 2 2 2 y = 0 ,
0
z
1 1 1
es decir, x + y z = 0, de donde obtenemos dos vectores propios linealmente independientes
u = (1, 1, 0)
y
v = (1, 0, 1).
0
x
1 1 1
=
E 2 :
0 ,
y
2 0 2
0
z
1 1 3
MATEM ATICAS
140
es decir,
x + y z
2x 2z
x + y 3z
=
=
=
0
xz
0
y 2z
0
= 0
= 0
w = (1, 2, 1).
La matriz A es, por tanto, diagonalizable, ya que tiene tres vectores propios linealmente independientes, obteniendose
3 0 0
1 1 1
y
P 1 AP = 0 3 0 .
P = 1 0 2
0 0 5
0 1 1
1
1
5 2 .
1 2
4
A= 2
1
Para ello tendremos que calcular la matriz inversa de
P =
1
0
obteniendo que esta dada por
P 1 = 12
1
2
1
2 ,
1
1
0
1
12
1
2
3
2
1
2
y por tanto
A = PD P
=
1
0
1
0
1
n
3
1
2
0
1
0
1
0
0
1
1
0
2 2
0
3n
0
1
2
1
2
3
2
1
2
ALGEBRA
LINEAL Y GEOMETRI A
141
1 0
J3 () = 0 1 ,
0 0
1 0 0
0 1 0
J4 () =
0 0 1 ,
0 0 0
=
Se llama matriz de Jordan a la matriz que se forma yuxtaponiendo matrices elementales Jordan a lo largo de la
diagonal principal, y ceros en el resto, es decir a una matriz del estilo
Jk1 (1 )
Jk2 (2 )
..
Jkr (r )
Propiedad. Toda matriz cuadrada es semejante a una matriz de Jordan (real o compleja), que se determina de
forma u nica salvo permutaciones de los bloques diagonales de matrices elementales Jordan que la forman.
En lo que sigue vamos a obtener las formas canonicas de Jordan para matrices de o rdenes 2 y 3.
Consideremos n = 2, sabemos que si A tiene dos valores propios 1 y 2 distintos, entonces es diagonalizable.
El caso interesante lo tenemos cuando 1 = 2 .
Ejemplo. Vamos a calcular la forma de Jordan de la matriz
0 2
A=
.
2 4
Primero obtenemos A (t) = 2 1 = 0, y de aqu 1 = 2 = 2. Puedes comprobar que E1 viene expresado
=
=
=
w 6= 0 .
(A 1 I2 )
0
2 2
0
2
La matriz P de cambio de base que conduce a la forma canonica se construye tomando los vectores
w y
v como
columnas respectivas (en este orden), es decir,
P =
2
2
1
0
2
0
1
2
=
2
2
1
0
1
0
2
2
4
2
2
1
0
.
MATEM ATICAS
142
2
Consideremos ahora el caso n = 3; al igual que en el caso de orden 2, la reflexion que requiere nuestro interes la
encontramos cuando la matriz A no es diagonalizable.
Ejemplo. Vamos a calcular la forma canonica de Jordan de la matriz
0
3
1
A = 2 1 1 .
2 1 1
Se tiene que
A (t) = 3 22 + 4 + 8 = 0,
y de aqu los valores propios son:
1 = 2 (simple)
2 = 2 (doble)
2x 3y z
4y 4z
E 1 :
= 0
,
= 0
= (1, 1, 1)
u
1
como base del mismo. Por otro lado
E 2 :
2x + 3y + z
2y 2z
= 0
= 0
0
x
: (A + 2I3 )2 y = 0 ,
0
z
0
x
8
8 0
8
8 0 y = 0 = x + y = 0,
0
z
8 8 0
v
1 = (1, 1, 0)
v
2 = (0, 0, 1).
Como E1 y E0 2 llenan todo el espacio, podemos elegir ahora una base de manera conveniente para obtener la
matriz de Jordan. La forma de elegirla es la siguiente:
= (0, 0, 1)
u
(1) Cogemos un vector de E0 2 que no este en E2 , por ejemplo
3
1
0
= (A + 2I ) 0 = 1
(2) Se coge
u
2
3
1
1
ALGEBRA
LINEAL Y GEOMETRI A
143
,
de Jordan. En otras palabras las columnas de la matriz P son las coordenadas de los vectores
u
1 u2 , u3 ,
obteniendose
1
1 0
0
3
1
1
1 0
2
0
0
0 2
1 = 1 1 0 2 1 1 1 1 0 .
1
1 1
2 1 1
1
1 1
0
0 2
n
2
0
0
1
1 0
1
0
3
1
2 1 1 = 1 1 0 0 2
1 1
0
0 2
1
1 1
1
2 1 1
1
1 0
1 0
1 1
teniendo en cuenta para ello que basta con calcular la potencia n-esima de cada uno de los bloques diagonales, es
n
2
1
n
, poniendo ceros en el resto.
decir, 2 y
0 2
Un espacio vectorial real V se dice eucldeo si hay una regla que asigne a cada par de vectores
u ,
v V un
numero real llamado producto escalar de los vectores u y v , que denotaremos por ( u , v ) (tambien a veces
por
u .
v ), de manera que se cumplan las siguientes propiedades:
Simetrica: (
u ,
v ) = (
v ,
u ) para todo
u ,
v V.
Distributiva: (
u , (
v +
w )) = (
u ,
v ) + (
u ,
w ) para todo
u ,
v ,
w V.
(
u ,
v ) = (
u ,
v ) para todo
u ,
v V y para todo R.
MATEM ATICAS
144
(
u ,
u ) > 0 para todo
u V,
u =
6 0
Ejemplos.
(1) Rn se puede dotar del siguiente producto escalar (puedes comprobar las propiedades):
(x1 , x2 , ..., xn ).(y1 , y2 , ..., yn)= x1 y1 + x2 y2 + .... + xn yn
(2) En Rn tambien se pueden definir otros productos escalares. Por ejemplo, en R2 definimos
1 1
(y1 , y2 ).
(x1 , x2 ).(y1 , y2 ) = (x1 , x2 )
1 2
Comprueba que cumple todas las propiedades del producto escalar.
En V3 (espacio vectorial real de los vectores libres de R3 ) tambien podemos definir un producto escalar de la
u .
v = u1 v1 + u2 v2 + u3 v3 .
u .
u.
k
uk=
u .
u tiene sentido debido a la propiedad cuarta del producto escalar). Si consideramos
u =
(Observese que
k
u k = u21 + u22 + u23 .
u ,
v)=
El a ngulo que forman dos vectores
u ,
v V3 esta determinado por cos(
u .
v
.
|
u ||
v|
saria y suficiente u . v = 0.
que fueran ortogonales? Parece claro que segun lo dicho anteriormente la condicion es que
u .
v = 0 y de aqu
2
deducimos que deber ser p = 4.
Una propiedad muy importante para este tipo de conjuntos es la siguiente: Sean
u ,
v y
w vectores no nulos
ortogonales de V3 , entonces son linealmente independientes.
Un conjunto ortogonal de vectores S se dice que es ortonormal cuando todos los vectores del conjunto tienen
norma igual a 1.
ALGEBRA
LINEAL Y GEOMETRI A
145
Especial importancia tienen las llamadas bases ortonormales de V3 en las cuestiones relativas a curvas en R3 ,
que desarrollaremos posteriormente en el Captulo 6.
Distancia entre dos puntos. Dados dos puntos de R3 , A(a1 , a2 , a3 ) y B(b1 , b2 , b3 ), se define la distancia entre
ya que AB = (b1 a1 , b2 a2 , b3 a3 ).
Ejemplo. Como un sencillo ejercicio de la definicion de distancia entre dos puntos, puedes comprobar que el
2
triangulo ABC, con A(3, 1, 2), B(0, 4, 2) y C(3, 2, 1) es isosceles.
u y
v y lo denotaremos por
u
v al vector libre que tiene
Sean
u ,
v V3 . Se llama producto vectorial de
las siguientes propiedades:
(1) |
u
v | = |
u | |
v | sen(
u ,
v)
Figura 5.1: Regla del sacacorchos para determinar el sentido del producto vectorial.
(1)
u
v = (
v
u ).
(2) Si
u y
v tienen la misma direccion entonces
u
v = 0.
(3)
u
v = (
u
v ).
u v = ( u v ).
(4)
u (
v +
w) =
u
v +
u
w.
MATEM ATICAS
146
2.8.2. Area
de un paralelogramo
Consideremos el paralelogramo formado por los puntos A, B, C, D R3 , de forma que AB y DC son paralelos y
libre v . En estas condiciones no es demasiado complicado demostrar (ver bibliografa recomendada) que el a rea
u = (u1 , u2 , u3 ) y
v = (v1 , v2 , v3 ) ,
Dados los vectores
u ,
v V3 , con coordenadas en la base canonica
las coordenadas en esa misma base del vector u v vienen expresadas por el desarrollo formal del siguiente
onica de V3 :
determinante, en donde
e
1 , e2 , e3 representan a los vectores de la base can
e
u u3
1 e2 e3
, u1 u3 , u1 u2
u v = u1 u2 u3 = 2
v2 v3
v1 v3
v1 v2
v
v2 v3
1
Ejemplo. Si
u = (2, 1, 3) y
v = (1, 3, 5), entonces
u
v = (14, 7, 7).
Sean
u ,
v ,
w V3 , definimos el producto mixto como la siguiente expresion:
[
u ,
v ,
w] =
u .(
v
w)
u = (u1 , u2 , u3 ),
v = (v1 , v2 , v3 )
Dados los vectores
u ,
v y
w V3 , con coordenadas en la base canonica
y w = (w1 , w2 , w3 ) el valor del producto mixto de los tres vectores viene expresado por:
u1 u2 u3
u .(
v
w ) = v1 v2 v3
w w w
1
2
3
Si
u ,
v y
w son tres vectores de V3 y R, se tiene:
(1) [
u ,
v ,
w ] = [
w,
u ,
v ] = [
v ,
w,
u ] = [
u ,
w,
v ] = [
w,
v ,
u ].
ALGEBRA
LINEAL Y GEOMETRI A
147
(2) [
u ,
v ,
w ] = [
u ,
v ,
w ] = [
u ,
v ,
w ] = [
u ,
v , w].
,
+
u
endose tambien la propiedad distributiva para las
(3) [
u
1
2 v , w ] = [ u1 , v , w ] + [ u2 , v , w ] , cumpli
otras dos variables.
(4) [
u ,
v ,
w ] = 0 si y solo si los vectores
u ,
v y
w son linealmente independientes.
u ,
v y
w determinan un paraleppedo de vertices O, A, B,
Tres vectores de V3 linealmente independientes
C, D, E, F , G, de forma que OA, CF , ED y CF son vectores que representen a la clase del vector libre
u.
Analogamente OC, AF , GD, BE para v y OB, AG, F D, CE para w . En estas condiciones se puede probar
que [
u ,
v ,
w ] determina el volumen del mencionado paraleppedo.
Figura 5.3: El producto mixto de OA, OB y OC permite hallar el volumen del paraleleppedo que determinan.
MATEM ATICAS
148
Cuando el a ngulo que forman el plano y el eje es inferior al que forma el eje y las generatrices, obtenemos
una hiperbola, excepto cuando el plano pasa por el vertice que obtendremos dos rectas que se cortan (ver
Figura 5.7).
Los casos excepcionales que aparecen descritos con anterioridad se llaman conicas degeneradas.
a11
a12
a1
a12
a22
a2
x
a1
a2 y = 0
a0
1
ALGEBRA
LINEAL Y GEOMETRI A
149
de un cono y un plano.
Figura 5.5: Una elipse como interseccion
de un cono y un plano.
Figura 5.6: Una parabola
como interseccion
La matriz
a11
a12
a1
a12
a22
a2
a1
a2
a0
2
0
2
x
0 2
2
3 y = 0,
1
3
3
7
2
MATEM ATICAS
150
de un cono y un plano.
Figura 5.7: Una hiperbola
como interseccion
2.9.2. Cuadricas en R3
Por rotacion en torno a un eje de las secciones conicas circunferencia, elipse, parabola e hiperbola se obtienen
superficies de revolucion en R3 , llamadas respectivamente superficie esferica, elipsoide, paraboloide e hiperboloide.
Eligiendo de forma adecuada los ejes coordenados las ecuaciones de las mencionadas superficies satisfacen ecuaciones bastante sencillas:
Esfera: x2 + y 2 + z 2 = R2 .
Elipsoide:
y2
z2
x2
+
+
= 1.
a2
b2
c2
Paraboloide: x2 + y 2 = a2 z.
Hiperboloide de una hoja:
y2
z2
x2
+ 2 2 = 1.
2
a
b
c
ALGEBRA
LINEAL Y GEOMETRI A
151
Sin embargo la situacion cambia considerablemente si se somete la superficie a un movimiento (traslacion, giro,...)
y aparecen ecuaciones mas complicadas en sus expresiones. La forma general de todas estas ecuaciones es la
siguiente:
Ax2 + By 2 + Cz 2 + Dxy + Exz + F yz + Gx + Hy + Iz + K = 0,
donde A, B, C, D, E, F, G, H, I, K R.
Analogamente a como hacamos con las conicas se puede plantear la cuestion de identificar las figuras geometricas
que describe una ecuacion como la anterior. Las llamaremos superficies cuadricas.
Si expresamos la ecuacion general de las cuadricas de la siguiente forma:
a11 x2 + 2a12 xy + a22 y 2 + 2a13 xz + 2a23 yz + a33 z 2 + 2a1 x + 2a2 y + 2a3 z + a0 = 0
tenemos la ventaja de poder traducirla facilmente a forma matricial:
x
a11 a12 a13
x y z a12 a22 a23 y + 2 a1
a13 a23 a33
z
a2
a3
x
y + a0 = 0
z
Ejemplo. La ecuacion 7x2 + 6y 2 + 5z 2 4xy 4yz + 14x 8y + 10z + 6 = 0, que en forma matricial se expresa
como
x
x
7 2
0
6 2 y + 2 7 4 5 y + 6 = 0
x y z 2
z
z
0 2
5
mediante un giro y una traslacion convenientes se puede convertir en la ecuacion del elipsoide de revolucion
y2
z2
x2
+
+
= 1.
1
2
2/3
MATEM ATICAS
152
Un punto P de R2 queda totalmente determinado por la distancia de dicho punto al origen de coordenadas O,
que notaremos por y el a ngulo que forma la recta OP con el eje OX (contado en el sentido positivo). Al par
ordenado de numeros (, ) se le llaman coordenadas polares del punto P .
P
y
ALGEBRA
LINEAL Y GEOMETRI A
153
tan
p
x2 + y 2
y
=
x
=
Consideramos el punto P (x, y, z) de R3 y P (x, y, 0) su proyeccion ortogonal sobre el plano XY . En dicho plano
0
el punto P esta totalmente determinado por sus coordenadas polares (, ), en consecuencia el punto P estara
ahora totalmente determinado por (, ) y por el valor de la coordenada z. A la terna de numeros reales (, , z),
se le llama coordenadas cilndricas de P .
z
z
z
0
r
y
P0
x
Figura 5.12: Sistema de coordenadas cilndricas en el espacio.
Las relaciones entre coordenadas cilndricas y cartesianas rectangulares son las ya conocidas para las coordenadas
polares en el plano.
Ejemplo. Consideremos la superficie dada por su ecuacion en coordenadas cilndricas r2 + z 2 = c2 , donde c
es una constante. La transformacion a coordenadas rectangulares es x2 + y 2 + z 2 = c2 , que como sabemos
2
representa a una esfera.
MATEM ATICAS
154
2.10.4. Coordenadas esfericas
Consideremos P un punto de R3 que no este situado en el eje OZ. P esta totalmente deteminado por la longitud
de OP, el a ngulo que forma el plano determinado por OZ y P con el plano OXZ y el a ngulo que forma la
recta OP con el eje OZ. La terna de numeros ( , , ) se llaman coordenadas esfericas de P respecto al sistema
de referencia polar formado por el polo O, el plano polar OXZ y el eje polar OZ. Observese que puede tomar
todos los valores reales positivos, [0, 2) y (0, ).
z
P
ALGEBRA
LINEAL Y GEOMETRI A
155
(1) f (
u +
v ) = f (
u ) + f (
v ) para todo
u ,
v V
(2) f (
u ) = f (
u ) para todo
u V y para todo K.
Cuando f es una aplicacion lineal biyectiva diremos que es un isomorfismo. Si es inyectiva le llamaremos monomorfismo y si es sobreyectiva diremos que es un epimorfismo.
Ejemplo. Si consideramos la matriz A Mmn (R) la aplicacion f : Rm Rn definida por
x1
x2
f ((x1 , x2 , ..., xn )) = A
...
xn
es lineal. Habitualmente se le denomina aplicacion lineal asociada a la matriz A.
(1) f ( 0 ) = 0 .
(2) f ( u ) = f (
u ) para todo
u V.
2.11.1. Nucleo
e imagen de una aplicacion lineal
Ker f =
u V | f (
u)= 0
Denominaremos imagen de f al siguiente conjunto:
Im f = { f (
u )|
u V}
Se verifican las siguientes propiedades:
(1) Ker f es un subespacio de V y analogamente Im f es un subespacio de W .
(2) Si
v
1 , v2 , ..., vn es una base de V , se tiene que f ( v1 ), f ( v2 ), ..., f ( vn ) es un sistema de generadores de
Im f.
(3) dim(Ker f ) + dim(Im f ) = dim V
MATEM ATICAS
156
que todo espacio vectorial posee una base, un aplicacion lineal f : V W estara unvocamente determinada
por las imagenes de los elementos de la base. En el caso en que tratemos con espacios vectoriales de dimension finita, se puede dar una importante relacion entre las aplicaciones lineales y las matrices. Supongamos que
dim V = m y dim W = n , considerando bases de los respectivos espacios vectoriales formadas por los vectores
v
= {
w
on en la base BW de los
BV = {
1n, v2 , ..., vn } V y BW o
1 w2 , ..., wm } W . Consideremos la expresi
f (
v
1 ) = 11 w1 + 21 w2 + + m1 wm
f (
v
2 ) = 12 w1 + 22 w2 + + m2 wm
...
............................................
)
=
f (
v
m
1m w1 + 2m w2 + + mm wm
Estas igualdades las podemos escribir en notacion mas abreviada como
f (
v
j) =
m
X
,
ij
w
i
j = 1, 2, ..., n.
i=1
12
22
.....
m2
11
21
A=
....
m1
1n
2n
....
mn
....
....
....
....
2
u = (x, y) R . Puedes comprobar facilmente que la matriz asociada a f con respecto a las bases canonicas
sera
1
1
A= 2
2
3 1
(2) Una rotacion R (rotacion de a ngulo en el plano alrededor del origen en sentido positivo) es una aplicacion
lineal R : R2 R2 , que tiene como matriz asociada
cos
sen
sen
cos
.
2
Parece claro que la expresion de la matriz asociada a una aplicacion lineal cambia si cambiamos las bases que
prefijamos en los dos espacios vectoriales. Pero sabramos encontrar una relacion entre dos matrices asociadas
a una misma aplicacion lineal, aunque referidas a bases distintas?
Te introduciremos en esta cuestion con un ejemplo. Supongamos que una aplicacion lineal f : R2 R2 tiene
asociada en la base canonica la matriz
6 2
A=
6 1
= (2, 3). La matriz cambio
= (1, 2),
u
y queremos encontrar la expresion de la matriz asociada a f en la base
u
1
2
de base (ver bibliografa recomendada) viene expresada por
C=
1
2
2
3
.
ALGEBRA
LINEAL Y GEOMETRI A
157
Esto te recordamos que quiere decir que considerados como vectores columna, por ejemplo el vector
v = t (2, 5)
expresado en la base canonica, tiene como coordenadas en la nueva base, el resultado de efectuar
1
2
2
3
1
2
5
=
3
2
2 1
2
5
=
4
1
.
,
De esta forma la matriz de la aplicacion lineal f expresada en la base {
u
1 u2 } vendra dada por
A =
1
2
2
3
1
6 2
6 1
1
2
2
3
=
2
0
0
3
.
3.
DE LOS CONOCIMIENTOS
ACTIVIDADES DE APLICACION
2x + y 4z
x + 5y z
2x 4y z
x y z
5x + 5y z
2x 4y + 5z
= 14
= 1
= 13
= 2
= 1
= 13
3x + 2y 5z + 6t
2x + y + 3z t
x 3y + 2z + 5t
= 4
= 2
= 0
1
4
2
5
3
6
,B =
1 1
2
0
3 5
,C =
1 2
3
4
5 6
,D =
3
7
0
1
2
8
y calcular A + B; C + D ; 3A 5B ; 2C 3D .
A.5.3. Calcular AB y BA (cuando sea posible) siendo A y B las siguientes matrices:
1
3
2
0 4
(a) A =
yB=
2 1
3 2
6
2 1
1 2 5
(b) A =
yB=
1
0
3
4
0
3
4
2 1
0 6
2
3 1
(c) A =
yB= 1
3 5 1
4 2
5
4
1 2 2
A.5.4. Resolver la siguiente ecuacion matricial (X A)B = C, donde B es una matriz invertible.
A.5.5. Encontrar todas las matrices M de la forma M =
x y
x t
que conmutan con la matriz A =
3A 2B
2A + 7B
1
0
1
1
.
MATEM ATICAS
158
A.5.7. Para completar la idea del metodo que sugerimos en el texto para calcular la matriz inversa sin usar determinantes, responder a las siguientes cuestiones:
(a) Explicar las razones en las que se basa el metodo descrito anteriormente para calcular la matriz inversa.
(b) Aplcarlo en el calculo de matrices inversas de o rdenes superiores a dos. Por ejemplo demostrar que
1
5
1
1
3 2
0
1 =
4 3
2
3
7
3
10
3
16
1
6
1
6
12
32
52
A.5.8. Determinar usando determinantes si las siguientes matrices son invertibles y calcular su inversa en el caso
de que exista:
1 3
4
1
2 4
3 5
C= 1 5
A=
,
B = 1 1
1 .
5 ,
2 3
3 13 6
2
7 3
A.5.9. Calcular An para las siguientes matrices:
A=
a 2
0 a
0 0
b 0 ,
0 c
A=
0
0
0 a
A=
0 0
0 0
b
a
0
A.5.10. A continuaci
on se propone
completar el siguiente cuadro hasta obtener el determinante de una matriz
a11 a12
2 2, A =
.
a21 a22
Permutaciones
12
21
No de inversiones
Producto
4
0
2
1
5 = 178
9
1 2
3
4
0 2
2
3
0 0 6 4
0 0
0 2
= 24
A.5.12. Calcular los determinantes propuestos en el ejercicio anterior, pero desarrollando esta vez por los elementos de sus filas o columnas.
A.5.13. Responder a las siguientes cuestiones:
(a) Como se puede calcular el determinante de una matriz triangular superior? Y de una inferior?
(b) Si A es una matriz con det(A) = 5 Cuanto vale det(A1 )? (Indicacion: AA1 = In , aplicar despues
la propiedad (8) de los determinantes).
A.5.14. Calcular los siguientes determinantes:
1 x
1 y
1 z
x2
y2
z2
t+3
1
1
5
t
3
1
6
6 t + 4
5
4
2
1
2
5
1 2
5 7 3
9
1 2 1
4
= (1, 1, 1),
= (1, 2, 3) y
= (2, 1, 1). Escribir el vector
u
u
u
A.5.15. Consideremos los vectores de R3 ,
1
2
3
ALGEBRA
LINEAL Y GEOMETRI A
159
= (1, 1, 1),
= (2, 1, 3),
= (1, 5, 3) son linealmente dependientes
A.5.16. Determinar si los vectores
u
u
u
1
2
3
o independientes.
A.5.17. Demostrar que cualquier conjunto de vectores que contenga el vector 0 es linealmente dependiente.
A.5.18. Determinar si los siguientes vectores son linealmente independientes y en caso de no serlo expresar uno
de ellos como combinacion lineal de los otros:
= (1, 2, 3),
= (3, 2, 5).
= (1, 0, 1),
u
u
(a)
u
1
= (1, 1, 1),
= (0, 1, 1).
= (1, 0, 1),
u
u
(b)
u
1
2
3
A.5.19. Determinar a y b para que los siguientes vectores sean linealmente dependientes:
= (1, 0, 2, 4),
= (1, 3, a, b)
= (3, 2, 1, 3),
u
u
u
1
2
3
A.5.20. Estudiar para que valores de los parametros a y b son compatibles los siguientes sistemas y resolverlos
cuando sea posible:
= 2x
x + 2y + 2z = 2
ax y + z
ax + y + z = 1
2x y + 3z = 2
x + 2ay az =
y
x + ay + z = b
5x y + az = 6
x + ay z
=
0
x + y + az = b2
A.5.21. Determinar si son o no diagonalizables cada una de las siguientes matrices, y en el caso en que lo sean
calcular la potencia n-esima:
4
2
(a)
3 1
5 1
(b)
,
4 1
2 5
(c)
,
1 2
2 4
(d)
,
3 1
4 1 1
(e) 2 5 2 ,
1 1
2
3
1 1
(f) 7
5 1 ,
6 6 2
1 2 3
(g) 0 2 3 .
0 0 3
A.5.22. Estudiar la posibilidad de diagonalizar la matriz
a 1 1
0
1 3
0
2 2
segun los distintos valores del parametro a.
A.5.23. Determinar los valores de xn e yn , para todo n > 0, sabiendo que
xn+1
yn+1
y que x0 = 1 e y0 = 2.
=
=
2xn + 4yn
3xn + yn
MATEM ATICAS
160
A.5.24. Calcular la forma de Jordan de las matrices
1
2 3
A= 0
1 1
1 1
2
0
1 1
B= 1
0
1
1 1
2
0
A= 1
0
1
0
0
0
0
2
es diagonalizable.
A.5.26. Dada la matriz
a 1 1
A= 1 a 1
1 1 a
0
(D + 6)y1 + 3y2 14y3 =
(b)
0
4y1 + (D 3)y2 + 8y3 =
u .
v = (u1 u2 )(v1 v2 ) + u2 v2 + a3 b3 ,
u =
A.5.28. Demostrar que el producto definido en V3 por
A.5.29. Sabiendo que ABCD es un cuadrado, con A(2, 0, 2), B(1, 1, 0) y C(0, y, z), hallar las coordenadas
que faltan en C.
0
A.5.30. Sea ABCDA B C D un paraleppedo. Sabiendo que A(0, 1, 1), B(2, 1, 0), C(1, 1, 3) y A (2, 0, 1),
hallar los vertices restantes y el volumen del mencionado paraleppedo.
A.5.31. Que tipo de conica representan las siguientes ecuaciones?
x2 + y 2 4x + 2y 4 = 0;
4x2 + y 2 + 4z 2 8x 8y 8z + 11 = 0.
A.5.33. Consideremos la aplicacion f : R3 R3 dada por las expresiones referidas a coordenadas en la base
canonica f (x, y, z) = (x + y, z, y z) . Se pide:
(a) Demostrar que es una aplicacion lineal y encontrar la matriz asociada en la base canonica.
=
= (1, 0, 1),
u
(b) Cual es la expresion de la matriz asociada en la base formada por los vectores
u
1
2
ALGEBRA
LINEAL Y GEOMETRI A
4.
161
ACTIVIDADES PRACTICAS
DEL CAPITULO
4.1. Introduccion
La practica se va a realizar con el programa de calculo matematico DERIVE for Windows, version 4.05, de Soft
Warehouse. DERIVE for Windows permite realizar calculos y manipulaciones matematicas de caracter general,
lo cual significa que realiza muchas cosas de forma aceptable aunque no tiene la potencia de otros programas
especficos. No obstante, DERIVE for Windows permite realizar todos los calculos que un usuario medio puede
necesitar.
Antes de comenzar la practica sera conveniente que recordemos brevemente la botonera de DERIVE for Windows (ver Figura 5.14), ya que simplifica enormemente la introduccion de datos y la realizacion de calculos. Los
botones permiten realizar las siguientes tareas (de izquierda a derecha): New (abrir una nueva hoja de trabajo),
Open (abrir una hoja de trabajo existente), Save (guardar la sesion de trabajo), Print (imprimir la sesion de trabajo), Remove (eliminar la expresion marcada), Unremove (recuperar la u ltima expresion eliminada), Renumber
(renumerar las expresiones), Author expression (introducir una expresion sencilla), Author vector (introducir un vector), Author matrix (introducir una matriz), Simplify (simplificar), Approximate (calcular un valor
aproximado), Solve (resolver algebraicamente o numericamente una expresion), Substitute for variables
(realizar una sustitucion), Calculate limit (calcular un lmite), Calculate derivative (calcular una derivada), Calculate integral (calcular una integral), Calculate sum (calcular una suma), Calculate product
(calcular un producto), 2D-plot window (realizar un grafico bidimensional) y 3D-plot window (realizar un
grafico tridimensional).
Figura 5.14: El uso de la botonera de DERIVE for Windows nos puede simplificar mucho el trabajo. Otro elemento
interesante es la existencia de teclas calientes que nos permiten evitar los menus,
con lo que se gana
en rapidez.
En esta practica vamos a manipular vectores y matrices de cualquier orden, resolver sistemas de ecuaciones lineales, operar matrices (calculo de la matriz inversa, suma, producto) y calcular los valores y vectores propios de una
matriz. Por tanto, debemos saber en primer lugar como introducir estos datos en el programa. Aunque algunas
aplicaciones funcionan sin cargar ningun paquete adicional, es conveniente que para esta practica se cargue la
utilidad VECTOR.MTH mediante las opciones File|Load|Utility.
MATEM ATICAS
162
de un vector.
Figura 5.15: Ventana para introducir la dimension
filas (Rows) y de columnas (Columns). A continuacion debemos completar los elementos de la matriz (ver Figura
5.18).
La forma general consiste, como antes, en seleccionar las opciones Author|Expression e introducir la matriz
en la forma [f1,f2,...,fm], donde cada fi es una fila de la matriz. Por ejemplo, la matriz de orden 3 3
siguiente
1 2 3
1 4 9
1 8 27
se introducira como sigue: [[1,2,3], [1,4,9], [1,8,27]]. Notemos que los delimitadores de las matrices
son tambien los corchetes y no los parentesis ni las llaves.
ALGEBRA
LINEAL Y GEOMETRI A
163
(3/5, 0.15, x y)
1 3
4 x
3x + 4y 2z
2x + 3y = 12
4x 3y + 9z
4x 7y = 3
5x 4y + 2z
=
5
= 3
=
1
MATEM ATICAS
164
Operacion
Sintaxis
Suma de a y b
a + b
Resta de a y b
a - b
Producto de a y b
a . b
Producto de a por un escalar t
t*a o ta
Producto escalar de v y w
v . w
Producto vectorial de v y w
CROSS(v,w)
a y b son vectores o matrices con las dimensiones apropiadas.
Observemos que para no confundir el punto decimal . con el punto de las operaciones producto anteriores,
debemos dejar un espacio en blanco antes y despues del punto; as, no es valido indicar el producto de a y b
como a.b o a. b o a .b. En relacion con el producto vectorial debemos hacer una precision: si los vectores
son tridimensionales, entonces CROSS(v,w) devuelve el producto vectorial de v y w, pero si los vectores son de
dimension dos entonces CROSS(v,w) devuelve el determinante de v y w.
Ejercicio. Calcular las siguientes operaciones:
(1, 2, 3) + (2, 4, 6), (2, 4, 8) (4, 9, 13)
El producto escalar de (5(1, 3, 5) + 2(3, 2, 1)) y (1, 3, 5).
El producto vectorial de (3, 8, 1) y (3, 1, 10).
ALGEBRA
LINEAL Y GEOMETRI A
165
SUB: Es un sufijo que permite extraer un elemento de un vector o una fila de una matriz. Por ejemplo, [a,b,c]
SUB 2 aparece en pantalla como [a,b,c]2 y se simplifica a b. Sin embargo [[1,2],[3,4]] SUB 1
permite extraer la primera fila de la matriz, es decir, [1,2], por lo que [[1,2],[3,4]] SUB 1 SUB 2
identifica al segundo elemento de la primera fila, es decir, 2.
ELEMENT(v,n): Extrae el elemento n-esimo del vector v.
ELEMENT(a,m,n): Extrae el elemento (m, n) (fila m y columna n) de la matriz a.
APPEND(v1,v2,...,vn): Concatena dos o mas vectores. Por ejemplo, APPEND([3,1],[2,4]) produce como
resultado el vector [3,1,2,4]. Si a es una matriz, entonces APPEND(a) produce un vector cuyos elementos
son todos los elementos de la matriz.
DELETE ELEMENT(v,n): Elimina el elemento n-esimo del vector v. Si v es una matriz, entonces se borra la fila
n-esima.
INSERT ELEMENT(u,v,n): Agrega el elemento u al vector v antes del elemento n-esimo. Por ejemplo,
INSERT ELEMENT(d,[a,b,c],2)
da lugar al vector [a,d,b,c]. Si se omite n, entonces el elemento se coloca al principio del vector, y si el
valor de n es uno mas que la dimension del vector, el nuevo elemento se colocara al final del vector.
REPLACE ELEMENT(u,v,n): Reemplaza el n-esimo elemento del vector v por la expresion u. Por ejemplo,
REPLACE ELEMENT(d,[a,b,c],2)
da lugar al vector [a,d,c]. Si se omite n, entonces el elemento reemplazado sera el primero.
REVERSE VECTOR(v): Construye un nuevo vector cambiando de orden los elementos del vector v. As,
REVERSE VECTOR([1,2,3,4])
produce el vector [4,3,2,1].
SELECT(u,k,v): Produce un nuevo vector con los elementos k del vector v tales que u(k) es cierto. Por ejemplo,
SELECT(PRIME(k),k,[1,2,3,4,5,6]) produce el vector [1,2,3,5] formado por los numeros primos
que hay en el vector original.
SELECT(u,k,m,n,s): Permite seleccionar los elementos k de la sucesion que empieza en m, acaba en n y esta
construida con un paso s tales que u(k) es cierta. Por defecto s = 1, de forma que
SELECT(PRIME(k),k,1,100)
da lugar a un vector cuyos elementos son los numeros primos entre 1 y 100.
Ejercicio. Generar todos los numeros pares entre 1 y 100 y todos los numeros impares entre 100 y 200. (En este
ejercicio debe utilizarse la funcion FLOOR(n), que genera la parte entera del numero n).
Sintaxis
m 1
m
ADJOINT(m)
TRACE(m)
DET(m)
m . n
mk
MATEM ATICAS
166
Ejercicio. Se consideran las siguentes matrices:
2
3
2 3
5
7
1
a = 1
3
1
b= 5
13
2 3
7 11
17 19
x 2 3
1 2 3 = 0.
4 4 6
EIGENVALUES(a,t)
que determina los valores propios de la matriz a en terminos de la variable t.
Como es muy frecuente que los polinomios de grado superior a cuatro no se puedan factorizar por metodos
racionales, y la factorizacion de polinomios de grado cuatro es de una complejidad enorme, la funcion anterior
solo es u til para matrices de orden 2 2 o 3 3. En consecuencia, suele ser habitual calcular primero el polinomio
caracterstico y posteriormente utilizar metodos aproximados para determinar sus races (es decir, los valores
propios de la matriz).
Una vez determinados los valores propios de una matriz A, disponemos de dos funciones para calcular los vectores
propios asociados:
EXACT EIGENVECTOR(A,): Se utiliza cuando es un valor propio exacto de la matriz A. Cuando es una
aproximacion a un valor propio, entonces la matriz A I no es singular, por lo que esta funcion devolvera
el vector cero como solucion.
APPROX EIGENVECTOR(A,): Aproxima a un vector propio numerico de A cuyo valor propio asociado es aproximado por y el resultado es un vector de norma uno. Naturalmente, no debe ser un valor propio
exacto. Para mayor generalidad, podemos multiplicar el resultado por un parametro, por ejemplo @1. Los
parametros en DERIVE for Windows se indican por @1, @2, @3, .... Por ejemplo, un resultado como
[@1,3@2,-5@1] es lo que usualmente se escribe como [s,3t,-5s].
ALGEBRA
LINEAL Y GEOMETRI A
167
Ejercicio. Hallar el polinomio caracterstico, los valores propios y los vectores propios asociados de la siguiente
matriz:
2
1
1 1
1
1 3 1 0 1
1 0 3
1 1
1
0
0 3
0
1 1 3 0
2
4.8. Bibliografa
C. Paulogorron y C. Perez. Calculo matematico con DERIVE para PC, Ed. RA-MA, 1a Ed., 1994.
5.
DEL CAPITULO
BIBLIOGRAFIA
J. HEINHOLD y B. RIEDMULLER Algebra Lineal y Geometra Analtica, Ed. Reverte SA, 1981. Captulos 1
y 2.
R.E. LARSON, R.P. HOSTETLER y B.H. EDWARDS Calculo y Geometra Analtica, 5a ed., McGraw-Hill, Madrid, 1995. Captulos 11, 13 y 14.
J.L. MALAINA y otros Lecciones Basicas de Algebra Lineal, Universidad del Pais Vasco, 1995. Captulos 16,
9, 11 y 12.
J. STEWART Calculo, 2a ed. Grupo Editorial Iberoamerica, Mexico, 1994. Captulo 11.
J.R. TORREGROSA y C.JORDAN Algebra Lineal y sus Aplicaciones, serie Schaum, McGraw Hill, Madrid,
1987. Captulos 1 y 2.
6.
PREGUNTAS DE EVALUACION
= 1
= b
= 1
x 1 0 0
0 x 1 0
A=
0 0 x 1
0 0 0 x
= (1, 0, 0, 1),
E.5.3. Encontrar la dimension y una base del subespacio vectorial generado por los vectores
u
1
u2 = (2, 1, 1, 0), u3 = (1, 1, 1, 1), u4 = (1, 2, 3, 4) y u5 = (0, 1, 2, 3). Determinar las ecuaciones
cartesianas de este subespacio.
MATEM ATICAS
168
E.5.4. Decidir cuales de las siguientes matrices pueden reducirse a una matriz diagonal y encontrar matrices Pi
que hagan posible la diagonalizacion (P 1 Ai P = Di ):
1 3
1
(a) A1 = 3 5 1 ,
3 3
1
4 1 1
(b) A2 = 1
2 1 ,
1 1
2
0 0 0 1
0 0 1 0
(c) A3 =
0 1 0 0 .
1
0
A= 1
0
1
0
0
0
0
2
ALGEBRA
LINEAL Y GEOMETRI A
169
ANOTACIONES
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................