Está en la página 1de 285

ALGEBRA PARA EL CBC PARTE 1

LAL-1

ALGEBRA
Para el CBC
PARTE 1 * * * * VECTORES EN R2 Y R3 MATRICES DETERMINANTES ESPACIOS VECTORIALES

Algebra para el CBC, Parte 1 - 2da edicin. Buenos Aires: Editorial Asimov, 2010 160 p.; 21x27 cm. ISBN: 978-987-23462-0-1

Algebra para el CBC : parte I - 2a ed. - Buenos Aires : Asimov, 2010. v. 1, 160 p. ; 20x28 cm. ISBN 978-987-23462-0-1 1. Algebra. I. Ttulo CDD 512

Fecha de catalogacin: 08/03/2007

2010 Editorial Asimov Derechos exclusivos Editorial asociada a Cmara del Libro

Impreso y encuadernado por: Grfica Laigln - Lavalle 2047, C.A.B.A. 2da edicin. Tirada: 100 ejemplares. Se termin de imprimir en agosto de 2010 HECHO EL DEPSITO QUE ESTABLECE LA LEY 11.723 Prohibida su reproduccin total o parcial IMPRESO EN ARGENTINA

LAL-1

Ves algo en este libro que no est bien ? Hay algo que te parece que habra que cambiar ? Encontraste algn error ? Hay algo mal explicado ? Mandame un mail y lo corrijo.

www.asimov.com.ar

Pods bajar Parciales viejos de www.asimov.com.ar

OTROS APUNTES ASIMOV


* EJERCICIOS RESUELTOS DE LA GUIA DE ALGEBRA.
Son todos los ejercicios de la gua resueltos y explicados

* PARCIALES RESUELTOS

Son parciales que fueron tomados el ao pasado. Hay tambin parciales de aos anteriores. Todos los ejercicios estn resueltos.

* FINALES DE ALGEBRA RESUELTOS

* LIBRO ANALISIS PARA EL CBC * LIBRO FISICA PARA EL CBC * LIBRO QUIMICA PARA EL CBC

ALGEBRA PARA EL CBC


Hola. Bienvenido a lgebra, la materia ms difcil del CBC. Este no es el libro oficial de la ctedra. Este es un libro que escrib yo junto con otros docentes. Lo hicimos a nuestra manera siguiendo el programa de la materia lgebra del CBC. La idea es que puedas estudiar si te perdiste una clase, si tens que dar el final o si te toc un docente medio-medio. En principio lo que pongo ac sirve principalmente para las carreras de exactas, ingeniera y ciencias econmicas de la UBA. Pero lgebra es lgebra en todos lados. Perfectamente pods usar este librito si ests cursando en una universidad privada, en la UTN, o en alguna facultad del interior. Incluso si alguna vez viajs afuera, te llevars una sorpresa al descubrir que lo que ellos estudian all, es lo mismo que vos estudis ac. No hay magia. Algebra es lgebra . Vamos a unas cosas importantes: Por favor record que saber lgebra es SABER RESOLVER EJERCICIOS. Est perfecto que quieras leer teora, pero no te olvides de agarrar la gua de TP y hacerte todos los problemas. Y no slo eso. Conseguite parciales y finales viejos y resolvelos todos. Esta materia se aprende haciendo ejercicios. Tens ejercicios en la gua de TP de la ctedra. Tens parciales y finales viejos para bajar de pgina de Asimov:

www.asimov.com.ar
Ahora, vamos a esto otro: es cierto que lgebra de CBC es difcil. Pero atencin. Recin vas a ver lo que es una materia realmente difcil cuando entres a la facultad. Si segus Ingeniera te topars con 2 monstruos gigantescos: lgebra II y Anlisis II. Si segus Qumica te topars tambin con Anlisis II, con las Orgnicas, con las inorgnicas y las FQ. Si segus computacin te topars con Anlisis II, Algoritmos II y otras. Una vez que curses estas materias en los aos que vengan, recordars con una sonrisa el haber pensado que el CBC era un filtro y que lgebra de CBC era una materia difcil. ( Esto no es mala onda. Esto es as ). Vamos a esto: Por que cuesta tanto entender lgebra ? Rta: Hay 2 motivos bsicos: 1 - Vos hiciste un secundario que en la prctica casi ni existi. No te explicaron nada. No te ensearon nada. No tens el nivel suficiente para ponerte a cursar lgebra. No se puede entender lgebra si no se sabe matemtica antes.

Salvo algunos pocos colegios que se salvan, el secundario no existe como entidad educativa. Te engaaron. Te hicieron creer que te estaban enseando algo. Pues te mintieron, che. El secundario no existe. El verdadero secundario exista en la poca de tu abuelo. Ah se aprenda. Ahora el secundario, fue. 2 - La rapidez con la que se dan los temas en lgebra es tan grande, que tu cabeza no tiene tiempo de procesar la informacin. Tu cerebro se tilda, lo mismo que le pasa a la computadora cuando le peds que ejecute 20 tareas al mismo tiempo. Simplemente uno no puede asimilar tanta informacin en tan poco tiempo y colapsa. Pero entonces qu hago ?! Cmo superar todo esto ?! Est todo perdido ?! Rta: Bueno, no est todo perdido. O sea, casi. Pero hay una salida. Es muy simple: Tens que estudiar. Estudiar como un salvaje. Tens que hacerlo por varios motivos. Por un lado, tens que aprobar la materia. Pero por otro lado, el ao que viene vas a tener materias ms difciles que lgebra. Y para entender estas materias, vas a tener razonar en forma parecida a como lo hiciste en lgebra de CBC. Pero tambin hay una cosa: Matarte estudiando no te va a venir mal. Despus de que apruebes el final te vas a dar cuenta de que ya no sos el mismo de antes. Vas a ser un hombre nuevo. Un ser pensante. Notars esto que te digo cuando hables con tus viejos amigos de la secundaria. Dirs: Pero a estos que les pasa ? Son tontos o se hacen ? Qu pas ac ? Rta: No, ellos no son tontos. Ellos son los mismos de siempre. VOS cambiaste. Ellos se quedaron en el pasado. En cambio vos sos una persona que aprob lgebra de CBC. No es lo mismo. Resumiendo: No hay salida. La materia va rpido. Ellos explican poco. No hay tiempo. Imposible seguirles el ritmo. Encima vos vens con poco nivel matemtico... Solo te queda estudiar como un salvaje. As son las cosas, amigo. Bienvenido a la Universidad de Buenos Aires. Por ltimo: Te fue mal ? Tens que recursar ? Bueno. No es terrible, che. Es lo normal. No pasa nada. Cursala de nuevo y sacate mil. Por cualquier consulta o sugerencia entr a la pgina y mandame un mail. Y sino ven a verme directamente a mi. Los chicos saben donde encontrarme.
SUERTE EN EL EXAMEN !

ndice
Pg. 1.............Vectores en R2 y en R3
4...................Operaciones con vectores 8 Mdulo y Norma de un vector 11...................Producto escalar 16 Producto Vectorial 20...................Rectas 22 Interseccin de Rectas 25...................Angulo entre Rectas 27 Planos 31...................Planos paralelos Interseccin entre planos 32 Interseccin entre un plano y una recta 34...................Distancia de un punto a un plano 36 Ejercicios de parciales

43.............Sist. lineales - Matrices


44...................Sistemas compatibles e incompatibles 45 Sistemas Lineales Homogneos 46...................Matrices 47 Tipos de Matrices 48...................Propiedades de los sistemas lineales 51 Mtodo de Gauss 53...................Rango de una Matriz 53 Sistemas Li y Ld 55...................Operaciones entre Matrices 58 Inversa de una Matriz 61...................Ejercicios de parciales

71.............Determinantes
72..................Determinante de una matriz cuadrada 74 Propiedades de los determinantes 75..................Desarrollo por cofactores 76 Clculo del determinante de una matriz usando cofactores 78..................Regla de Cramer 78 Matriz de cofactores y matriz adjunta 79..................Solucin nica 82 Ejercicios de parciales

85............Espacios Vectoriales
88..................Definicin de Espacio Vectorial 91 Combinacin Lineal 93..................Dependencia e Independencia lineal 102 Subespacios 106..................Subespacios generados 109 Base y dimensin de un Subespacio 113..................Coordenadas de un vector en una base 118 Matriz de cambio de base 120..................Propiedades de la matriz de cambio de base 121 Unin, Interseccin y Suma de Subespacios 126..................Suma directa 127 Extensin de bases 130..................Producto Interno 131 Angulo entre vectores 134..................Complemento Ortogonal 135 Proyeccin Ortogonal 137..................Coordenadas en una base ortonormal 139 Ejercicios de parciales

ASIMOV

-1-

Vectores en R2 y R3

VECTORES EN R2 Y R3.
Vectores es un tema medianamente simple, pero uno de los ms importantes en todo lo que sea lgebra lineal. Por eso es lo primero que vemos. Por qu son tan importantes los vectores ? Porque se usan mucho. Acordate que la matemtica no es otra cosa que una herramienta para resolver problemas reales de fsica. Y muchos de estos problemas (casi todos) se resuelven mucho ms fcil con vectores. Hasta ahora venimos resolviendo problemas fsicos donde solamente aparecen magnitudes escalares. Ehhhhh? Qu es eso? Por ejemplo, las distancias y los tiempos son magnitudes escalares. Si me preguntan cunto tarda una maceta en caerse desde un sptimo piso yo respondo 12 segundos. Y si me preguntan a qu distancia llega una bala de can yo respondo 5 kilmetros. Qu tienen en comn esas dos respuestas? Fijate que las dos incluyen un nmero (o sea un escalar) y una unidad (segundos, kilmetros); y nada ms. Eso significa que, si nos pusiramos todos de acuerdo en usar una sola unidad (por ejemplo, si midiramos los tiempos en segundos), hace falta un solo nmero para que la respuesta sea completa: la maceta tarda 12 (segundos) en caer. A eso se le llama magnitud escalar, cuando solamente hace falta un escalar para dar la informacin completa. Algunos ejemplos son las distancias, los tiempos, la temperatura, las masas, y muchos ms. Pero para otras magnitudes no alcanza con un solo escalar. Imaginate esta situacin: ests en tu casa y le pregunts a tu hermano donde est el control remoto y te contesta: "a 3 metros". Lo quers matar, porque eso no te dice dnde est el control remoto: hay muchos lugares que estn a 3 metros. La respuesta correcta sera "3 metros a tu izquierda" O sea que para dar una posicin, adems de un nmero hace falta una direccin. Por eso decimos que la posicin es una magnitud vectorial. Y pasa lo mismo con muchas magnitudes fsicas: velocidades, fuerzas, .... Bueno, ahora que tenemos una idea de qu es un vector, veamos una definicin. Definicin. Un vector en R2 o en R3 es una "flecha" entre dos puntos, uno llamado origen y otro llamado extremo que lo determinan completamente. (o sea, que si fijamos el origen y el extremo, hay un solo vector entre esos dos puntos).

ASIMOV

-2-

Vectores en R2 y R3

Los vectores tienen tres tristes caractersticas principales:

Mdulo o Norma: de alguna forma nos dice cunto mide el vector. Por eso, tambin se lo llama la longitud del vector. Direccin: nos dice sobre qu recta est ubicado el vector. Por ejemplo, si es vertical u horizontal. Sentido: esto no tiene secreto, es exactamente lo que dice el nombre: nos dice si la "flecha" apunta para adelante o para atrs (o para arriba abajo)

Como vimos en la definicin, para decir cunto vale un vector, tenemos que dar el origen y el extremo. As, por ejemplo, el vector AB es el que tiene origen en el punto A y extremo en el punto B Una aclaracin de notacin: la flecha arriba de AB quiere decir que es un vector. Esto es muy importante, para no confundirse: si no tuviera flecha arriba, AB significa: la recta que pasa por los puntos A y B. Muchas veces, en vez de usar una flecha arriba, lo que se hace para indicar que es un vector es escribirlo en "negrita", as: AB es lo mismo que AB . A veces tambin es cmodo ponerle un nombre a los vectores. As, en vez de llamarlos por el origen y el extremo, decimos que AB es el vector v. Vectores equivalentes. Se dice que dos vectores son equivalentes si tienen el mismo mdulo, la misma direccin y el mismo sentido. Pero, si tienen todo eso iguales, no son el mismo vector? No, acordate que cada vector viene definido por su origen y su extremo.

ASIMOV

-3-

Vectores en R2 y R3

Mejor te muestro un ejemplo grfico:

Los vectores u, v, w y z son equivalentes. No tiene el mismo origen ni extremos, pero fijate que lo longitud, direccin y sentido son iguales

Sirven de algo los vectores equivalentes? S, porque muchas veces lo nico que nos interesa de un vector es su longitud, direccin y sentido. Entonces, para ese caso es como si fueran todos iguales, y me puedo manejar con cualquier de los cuatro vectores. Lo ms cmodo siempre es trabajar con vectores que tengan su origen en el centro de coordenadas, o sea en el (0,0) si estamos en R2 o el (0,0,0) si estamos hablando de R3. Y por qu es ms cmodo eso? Bueno .... La idea es que si todos nos ponemos de acuerdo y ponemos el origen de todos los vectores en un mismo punto (en el 0), solamente necesitamos decir cul es el extremo para definir al vector. O sea, podemos dar un solo punto en vez de dos.

Por eso, es lo mismo hablar del punto P que del vector OP (en realidad, como el origen ya sabemos que es el O, podemos llamarlo directamente vector P). Entonces, por ejemplo el vector v = (3,2) es aquel con origen en O y extremo en el punto P = (3,2). En R3 es exactamente lo mismo.

Cmo hago para darme cuenta si dos vectores son equivalentes? Muy fcil. La idea es buscar el equivalente de cada uno con origen en el O y ver si son iguales. O sea, fijate en el grfico:

ASIMOV

-4-

Vectores en R2 y R3

Bueno, a ojo se ve que los vectores AB y CD no son equivalentes, porque no tienen la misma direccin, y uno es ms largo que el otro. S, en este caso se ve muy fcil en el dibujo. Pero no hay ninguna forma, haciendo cuentas en vez de graficando? S, para eso buscamos los equivalentes con origen en el O. Y cmo se hace eso? Muy simple, todo lo que hay que hacer es restar el extremo menos el origen, componente a componente. Fijate: AB = B A = (3,2) (0,1) AB = (3,1) CD = D C = (-4,3) - (-1,2) CD = (-3 , 5)

Como no nos dio el mismo resultado, no son equivalentes. Bueno, ahora que sabemos qu son los vectores equivalentes, solamente vamos a trabajar con vectores con origen en el O. Entonces, cada vector viene dado por un solo punto (el extremo). OPERACIONES BSICAS CON VECTORES: SUMA Y PRODUCTO POR UN ESCALAR Suma: si tenemos dos vectores de R2: v = (v1, v2) y w = (w1, w2) se define la suma de v y w como: v + w = (v1 + w1 , v2 + w2) Nota: la operacin de suma es cerrada: toma dos vectores y da como resultado algo del mismo tipo, o sea otro vector. En R3 es exactamente lo mismo, sumamos componente a componente. Esta operacin de suma cumple con algunas propiedades muy importantes: 1) Es conmutativa, o sea que u + v = v + u 2) Es asociativa, o sea que (u + v) + w = u + (v + w) 3) Hay un elemento neutro, que es el vector O = (0,0,) en R2 o O = (0,0,0) en R3. Eso significa que O + v = v para cualquier vector v. 4) Hay un elemento inverso. O sea que a cualquier vector v le puedo sumar otro vector y que me de como resultado el O: v + (-v) = O Estas propiedades no tienen mucho misterio. Fijate que son exactamente las mismas propiedades que tiene la suma entre dos nmeros reales. Eso es porque no estamos haciendo otra cosa que sumar nmeros reales: la suma es componente a componente, y esos son nmeros.

ASIMOV

-5-

Vectores en R2 y R3

Formas grficas de la suma: regla del paralelogramo y regla de la cadena. Ya tenemos una frmula para sumar dos vectores, pero tambin se puede hacer sin ninguna cuenta, de forma grfica. Para eso hay dos mtodos. Mtodo del paralelogramo.

La idea es, a partir del extremo de uno de los vectores, trazar una recta paralela al otro. Si hacemos eso con los dos vectores, nos queda dibujado un paralelogramo, de vrtices O,A,C y B. Bueno, la suma de u y v es igual a la diagonal OC del paralelogramo. Este mtodo est bueno, porque es muy simple; y podemos obtener la suma de dos vectores sin hacer ninguna cuenta. Pero tiene un solo defecto: solamente sirve para sumar de a dos vectores. Entonces, qu pasa si yo quiero sumar v1 + v2 + v3 + v4 + v5 ? Ya vimos antes que una de las propiedades de la suma es que es asociativa. Entonces, lo que se puede hacer es ir sumando los vectores de a 2. Pero eso es muy rebuscado. Por eso es que hay otro mtodo grfico: Regla de la cadena. Este mtodo es mucho ms simple, y es ms general, porque sirve para sumar cualquier cantidad de vectores. Es una cosa as: La idea es as: Lo que hay que hacer es poner un vector a continuacin del otro. El resultado final lo tengo uniendo el origen del primer vector con la punta del ltimo. Tambin sirve para sumar dos vectores solos, y a mucha gente le resulta ms cmodo que el mtodo del paralelogramo

ASIMOV

-6-

Vectores en R2 y R3

Producto por un escalar. Antes que nada, aclaremos una cosa: un escalar es un nmero, o sea que estamos multiplicando un vector por nmero. Igual que en la suma, se define componente a componente. O sea que si v = (a,b) es un vector y k es un escalar, se define el producto entre k y v como: k . v = k . (a ,b) = (k . a, k . b) Esta operacin tiene algunas propiedades bsicas: 1) Es distributiva con la suma de vectores, o sea: k . (u + v) = k . u + k . v 2) Es distributiva con la suma de escalares, o sea: (k1 + k2) . v = k1 . v + k2 . v 3) Es asociativa: (k1 . k2) . v = k1 . (k2 . v) 4) k = 1 es el elemento neutro, o sea que 1 . v = v 5) Si k = 0,

0 . v = O para cualquier vector v.

Tiene alguna interpretacin geomtrica el producto por un escalar? Rta: S. Mir el grfico:

Fijate que cuando multiplicamos por un escalar, no cambia la direccin. O sea que el resultado es un vector paralelo al original. Esto es muy importante, acordtelo: si dos vectores son paralelos, uno es mltiplo del otro (o sea que puede multiplicarlo por un escalar y que me de como resultado el otro). Entonces, si no cambia la direccin, lo nico que puede cambiar es el mdulo, y el sentido.

ASIMOV

-7-

Vectores en R2 y R3

Por ejemplo, al calcular . w, el resultado tiene el mismo sentido que w, pero se achic el mdulo (fijate que la flecha es ms chica). Y cuando calculamos -2 . u, cambi tambin el sentido. Hay una regla general:

Si k es positivo, k . v tiene el mismo sentido que v Si k es negativo, k . v tiene sentido contrario a v. Si |k| > 1, k . v tiene mayor mdulo que v Si |k| < 1, k . v tiene menor mdulo que v Si |k| = 1 (o sea k = 1, k = -1), k . v tiene igual mdulo que v.

Todava no sabemos muy bien qu es el mdulo de un vector, ni cmo se calcular. Lo nico que sabemos es que de alguna forma nos dice cun larga es la "flecha". Pero bueno, eso lo vamos a ver mejor despus. Ahora que ya sabemos sumar y multiplicar por un escalar, veamos un par de problemas tpicos:

Calcular el punto medio del segmento AB con A = (2, 3) y B = (-4 , 1)

Como siempre es mucho ms fcil de resolver si primero hacemos un grfico:

Fijate que el punto medio (C) es exactamente el punto donde se cruzan las dos diagonales del paralelogramo. Y, como una de las propiedades de los paralelogramos es que las diagonales se cortan en el mundo medio, podemos calcular el punto C como: C = . (A + B) Y esto no es otra cosa que una suma de dos vectores y un producto por un escalar. Bueno, hagamos las cuentas:

ASIMOV

-8-

Vectores en R2 y R3

C = . [(2,3) + (-4,1)] = . (-2 , 4) C = (-1,2)

Encontrar un punto D tal que los vectores AB y CD sean paralelos, con: A = (3,0,1) ; B = (2,1,-2) ; C = (-2,-3,4)

Acordate que para que dos vectores sean paralelos, uno tiene que ser mltiplo del otro. Entonces, planteamos algo as: AB = k . CD

B A = k . (D C)

Y cunto vale k? Puede valer cualquier nmero real distinto de cero. Digo distinto de cero, porque sino nos quedara que AB = O, y eso no es verdad. Entonces, si podemos elegir cualquier nmero, elegimos uno fcil: k = 1 BA=DC D=BA+C

D = (2,1,-2) (3,0,1) + (-2,-3,4) = (-3 , -2 , 1) Y listo, encontramos una solucin. Digo UNA solucin porque hay muchas. Acordate que k poda valer cualquier nmero distinto de cero. Si tomamos k = 2, vamos a llegar a otro resultado, y las dos cosas estn bien. Mdulo de un vector. Acordate que dijimos que el mdulo de un vector nos dice cunto mide. Primero veamos el caso ms fcil: en R2. Fijate en el grfico.

La norma de un vector v = (x1, x2) en R2 se define como: ||v|| =

x1 + x 2
2

Y en R3 es algo similar. La norma de v = (x1 , x2 , x3) se define como:

ASIMOV

-9||v|| =
x1 + x 2 + x3
2 2 2

Vectores en R2 y R3

En R2 esto tiene bastante sentido, no es otra cosa que el Teorema de Pitgoras. ( Pensalo ). Entonces, la norma nos dice exactamente cunto mide el vector. En R3 no es tan fcil de verlo; pero la norma es una extensin de Pitgoras a dimensiones ms grandes (despus vamos a ver que esto tambin vale para Rn). Algunas propiedades importantes: 1) Como estamos calculando una raz, la norma de un vector es siempre positiva o cero (o sea que no es negativa). Y el nico caso en que puede valer cero es si x1 = x2 = x3 = 0, o sea si el vector es el vector nulo. Esto lo escribimos as: Si v = O ||v|| = 0 2) ||c . v|| = |c| . ||v|| Esto quiere decir que podemos sacar los escalares afuera de la norma, pero en mdulo. O sea que da lo mismo si c es positivo o negativo., Una consecuencia de esto es que ||v|| = ||(-1) . v|| = ||-v|| 3) Desigualdad triangular: ||u + v|| ||u|| + ||v|| ; Si v O ||v|| > 0

El nico caso en que son iguales es cuando u y v tienen la misma direccin y el mismo sentido. Sino, la norma de la suma es menor. Veamos algunos ejemplos:

v1 = (1,2,3)

||v1|| =

12 + 2 2 + 3 2 = 14 (2) 2 + 3 2 + 0 2 = 13 3 2 + (1) 2 + 3 2 = 19

v2 = (-2,3,0) ||v2|| = v3 = (3,-1,3) ||v3|| =

Fijate que v1 = v2 + v3, y se verifica la desigualdad triangular. Un caso particular, es el de los vectores de norma 1. Se los llama versores, porque, sirven para indicar una direccin. Si tenemos un vector v, puedo encontrar el versor que le corresponde como 1 w= .v v

En serio? Y w es un versor?

ASIMOV

- 10 -

Vectores en R2 y R3

- Rta: S, porque fijate que tiene norma 1: ||w|| = ||


1 1 . v || = . ||v|| v v

||w|| = 1

w es un versor

Los versores se usan mucho, y en particular los que dan las direcciones de los ejes (x,y) en R2 o (x,y,z) en R3. Esos tiene nombre propio:

i es el versor del eje x j es el versor del eje y k es el versor del eje z

Pero acordate que los versores tienen, adems de una direccin, un sentido. Decimos que i es el versor en el sentido positivo del eje x, y lo mismo con los dems. Estos son los nombres ms comunes, pero tambin hay veces que se los llama directamente x, y y z. Es lo mismo, es solo una cuestin de notacin. Estos tres versores nos sirven para escribir cualquier vector de R3 (en R2 es lo mismo) como una suma de tres vectores. Veamos un ejemplo: (2,1,5) = 2 . i + 1 . j + 5 . k 2 es la primera componente, o sea la componente del eje x. Por eso es que lo multiplicamos por el versor del eje x. Y lo mismo con los dems. Esto parece que no sirve para nada, pero a veces es ms fcil hacer cuentas, con los vectores escritos as como suma en vez de cmo una terna de nmeros.

Interpretacin de la norma como distancia.


Esto es algo parecido a lo que pasa con los nmeros reales: el mdulo de un nmero es su distancia al cero, por eso nunca es negativo Bueno, con los vectores tambin es algo as: dijimos que la norma de un vector es su longitud, entonces es igual a la distancia entre el origen y el extremo. Si siempre tomamos el origen en el O, entonces la norma de un vector es la distancia de ese punto al O. Veamos algn ejemplo:

Hallar todos los puntos X = (x1, x2) tal que ||X (2,1)|| = 3/2 .

Bueno, una forma de resolver esto es calcular la norma como la raz, y resolver la ecuacin. Pero tambin hay otra forma que es ms grfica y ms fcil.

ASIMOV

- 11 -

Vectores en R2 y R3

Como la norma significa algo as como distancia; estamos buscando todos los puntos X que estn a una distancia 3/2 del punto (2,1). O sea, es una cosa as:

Y si fuera lo mismo pero en R3 ? Bueno, es lo mismo: todos los puntos que estn a esa distancia de ese punto. La nica diferencia es que, en vez de formar una circunferencia forman una esfera. Calcular la distancia entre los puntos A = (1,0,2) y B = (-3,2,-2)

Como dijimos antes, la distancia es igual a la norma del vector que une esos dos puntos. Entonces, la cuenta que tenemos que hacer es: d(A,B) = ||B A|| = ||(4,-2,4)|| =

4 2 + (2) 2 + 4 2 = 6

PRODUCTO ESCALAR ENTRE VECTORES ( PRODUCTO INTERNO )


Esta es una operacin nueva, que no tiene nada que ver con las que vimos antes. En realidad hay muchos tipos de productos internos posibles (eso lo vamos a ver bien en el captulo de espacios vectoriales), pero por ahora solamente vamos a ver el ms comn, el que se usa casi siempre. En R2, se define el producto escalar entre los vectores v = (v1, v2) y w = (w1, w2) como: v . w = v1 . w1 + v2 . w2 Nota: fijate que el resultado de este producto es un nmero. Por eso se lo llama producto escalar. Hay que tener cuidado con la notacin que se usa: el smbolo es el mismo que el del producto comn entre nmeros: solamente un punto. Por eso, siempre conviene acordarse de escribir la flechita sobre los vectores, o marcarlos en negrita, para no confundirse. A veces tambin se usa un punto gordo para marcar que es un producto escalar entre dos vectores. En R3 es exactamente lo mismo. Si v = (v1, v2, v3) y w = (w1, w2, w3): v . w = v1 . w1 + v2 . w2 + v3 . w3

ASIMOV

- 12 -

Vectores en R2 y R3

Veamos algunas propiedades del producto escalar, que salen directo de la definicin: 1) Fijate que v . v = ||v||2 Esto que parece poco importante te va a servir mucho cuando veas otros tipos de productos internos (claro, este que vimos recin no es el nico que existe, solamente es el ms comn) en alguna otra materia: la norma se define a partir del producto interno, pero ya nos estamos yendo de tema 2) Es conmutativo, o sea que v.w=w.v u . (v + w) = u . v + u .w

3) Tambin es distributivo con la suma:

4) Es asociativo con el producto por escalares:

k . (v . w) = (k . v) . w

Estas son las propiedades ms bsicas. Tambin hay un propiedad muy importante, llamada la Desigualdad de Cauchy Schwarz, que dice as: |v . w| ||v|| . ||w|| Esta propiedad es muy importante, porque se cumple para cualquier producto interno. La demostracin general es bastante rebuscada, pero te muestro la demostracin para el caso particular del producto escalar que usamos nosotros. Para eso, nos conviene hacer esta cuenta: (||v|| . ||w||)2 (v. w)2 Hagamos el caso fcil, donde v y w son vectores de R2. v = ( v1, v2 ) y w = ( w1, w1 ). Si estuviramos trabajando en R3 es algo muy parecido. (||v|| . ||w||)2 (v. w)2 = (v12 + v22) . (w12 + w22) (v1 . w1 + v2 . w2)2 = v12 . w12 + v22 . w22 + v12 . w22 + v22 . w12 (v12 . w12 + v22 . w22 + 2 . v1 . w1 . v2 . w2) = v12 . w22 + v22 . w12 2 . v1 . w1 . v2 . w2 = (v1 . w2 v2 . w1)2 Y esto, no s cuanto da, pero seguro que es positivo o cero, porque es el cuadrado de un nmero real, y eso nunca puede dar negativo. Entonces: (||v|| . ||w||)2 (v. w)2 0 (||v|| . ||w||)2 (v. w)2

ASIMOV

- 13 -

Vectores en R2 y R3

||v|| . ||w|| |v. w| Y listo, acabamos de demostrar la desigualdad. Te muestro esta demostracin para que vayas aprendiendo como se hacen este tipo de cosas que aparecen a cada rato. Fijate que empezamos calculando algo que, en principio, pareca que no serva nada. Bueno, muchas veces es as. Las demostraciones siempre salen con algn truco: calculo algo porque s que as funciona. Ya te vas a ir dando cuenta solo a medida que hagas muchos ejercicios.

Y de qu sirve esa desigualdad? Nos sirve para hacer una interpretacin geomtrica del producto escalar. El ngulo a entre dos vectores v y w se puede calcular como el valor de entre 0 y 180 grados que cumple que:

cos =

v w. || v || . || w ||

Y si no fuera por la desigualdad de Cauchy-Schwarz no podramos hacer esta interpretacin con el ngulo Por qu? Porque gracias a esa propiedad sabemos que esa divisin va a dar como resultado un nmero entre -1 y 1; y entonces va a haber un nico valor de a que cumpla con esa ecuacin. S ? Y qu pasa si fuera cos = 3, por ejemplo? Bueno, eso no tiene solucin, porque el seno y el coseno siempre dan como resultado un nmero entre -1 y 1. Con esta interpretacin del ngulo, encontramos otra forma de calcular el producto escalar. Simplemente, despejando de esa ltima expresin: v . w = ||v|| . ||w|| . cos Entonces, si conocemos el ngulo podemos calcular el producto escalar, y al revs tambin. As queda bien claro, veamos algunos ejemplos:

Calcular el ngulo entre v = (1,2) y w = (-2,1)

ASIMOV

- 14 -

Vectores en R2 y R3

Esto es fcil, todo lo que hay que hacer es usar la frmula anterior: cos = v w. || v || . || w ||

Fijate que nos queda v . w = 0 cos = 0 = 90 Esto quiere decir que son perpendiculares. Y s, fijate en el grfico.

Pero en el idioma del lgebra no se dice perpendiculares, sino que decimos que v y w son ortogonales. Quiere decir exactamente lo mismo, pero bueno, a los matemticos les gusta usar palabras rebuscadas (ms adelante vas a ver por qu). Es ms, si los vectores son ortogonales y adems tienen ambos norma uno (o sea son versores), decimos que son ortonormales.

Encontrar un vector w = (w1,w2,w3) de norma 4 que forme un ngulo de 60 con u = (1,0,0) y un ngulo de 120 con v = (0,1,0).

Veamos, ac tenemos tres incgnitas: w1, w2 y w3, y nos dan tres condiciones que tienen que cumplir. Vamos de a una: Sabemos que forma un ngulo de 60 grados con u, o sea: cos(60) =
(1,0,0) ( w1 , w2 , w3 ). || (1,0,0) || . || ( w1 , w2 , w3 ) ||

u w. || u || . || w || 0,5 = w1 / 4 w1 = 2

0,5 =

Tambin sabemos el ngulo que forma con v: cos(120) =


(0,1,0) ( w1 , w2 , w3 ). || (0,1,0) || . || ( w1 , w2 , w3 ) ||

v w. || v || . || w || - 0,5 = w2 / 4 w2 = - 2

- 0,5 =

ASIMOV

- 15 -

Vectores en R2 y R3

Ahora solamente nos falta calcular w3. Para eso usamos el dato de la norma. Para no tener que andar haciendo cuentas con races, mejor elevamos la norma al cuadrado, y nos queda algo as: ||w|| = 4 ||w||2 = 16 w12 + w22 +w32 = 16

22 + (-2)2 + w32 = 16 w32 = 8 Ac hay que tener cuidado, porque hay dos soluciones. O sea, hay dos valores de w3 que elevados al cuadrado dan como resultado 8: w3 = 8 y w3 = -8. Como no nos dicen nada en especial del vector w podemos elegir cualquiera de los dos resultado: nos quedamos con el positivo. Entonces, el resultado es: w = (2 , -2 , 8) = 2 . (1, - 1, 2) En este ejercicio llegamos a dos soluciones posibles. Pero hay ejercicios donde hay ms todava. Por ejemplo, si nos dan solamente dos condiciones:

Encontrar los vectores w = (w1,w2,w3) ortogonales a v = (0,0,1) y de norma 2.

Como w es ortogonal a v, tenemos que w . v = w3 = 0. Y tambin sabemos que la norma de w es 2, o sea que: ||w|| = 2 ||w||2 = w12 + w22 + w32 = 4

Como ya sabemos cunto vale w3, esta ecuacin nos queda: w12 + w22 = 4 Hay infinitas soluciones, porque hay muchas combinaciones de w1 y w2 que cumplen con esa ecuacin. Pero como solamente nos piden un vector, elegimos una solucin cualquiera, por ejemplo w1 = 0 , w2 = 2. w = (0,2,0)

ASIMOV

- 16 -

Vectores en R2 y R3

PRODUCTO VECTORIAL EN R3
En R3 existe otro tipo de producto entre vectores adems del escalar: Se llama " Producto vectorial ". Cuando decs " multiplico dos vectores de R3 " tens que aclarar cul de los dos productos uss. Te vas dando una idea de cmo funciona este nuevo producto? El otro se llama producto escalar y da como resultado un nmero (escalar). Bueno, entonces me imagino que ste da como resultado un vector. Exacto. Si v = (v1,v2,v3) y w = (w1,w2,w3) son dos vectores de R3, se define el producto vectorial entre ellos como: v x w = (v2 . w3 v3 . w2 ; v3 . w1 v1 . w3 ; v1 . w2 v2 . w1) Por ms feo que parezca, esto es simplemente un frmula. Si te la acords, pods calcular cualquier producto escalar. Veamos un ejemplo:

Calcular v x w con v = (1,2,0) y w = (3,-2,-1)

Todo lo que hay que hacer es meter los nmeros en la frmula y hacer las cuentas: v x w = (2 . 3 0 . (-2) ; 0 . 3 1 . (-1) ; 1 . (-2) 2 . (-1))

v x w = (6 ; 1 ; 0) S, ya s, esto no es muy complicado, todo lo que hay que hacer es meter nmeros en una frmula. El nico problema es que esa frmula es bastante complicada para acordrsela. Hay otra forma. Podemos calcular el producto vectorial entre v y w como el determinante de la matriz:

i v1 w 1

j v2 w2

k v3 w3

Ms adelante vamos a ver bien cmo se calculan los determinantes. Por ahora, solamente te voy diciendo que en este caso, lo podemos calcular multiplicando en tres nmeros diagonal: las diagonales hacia la derecha van sumando, y hacia la izquierda van restando. Entonces nos queda as: v x w = (v2 . w3 v3 . w2) i + (v3 . w1 v1 . w3) j + (v1 . w2 v2 . w1) k

Fijate que es lo mismo que la frmula anterior, pero es ms fcil acordarse.

ASIMOV

- 17 -

Vectores en R2 y R3

Este producto tiene unas cuantas propiedades: 1) A diferencia de todo lo que vinimos viendo hasta ahora, no es conmutativo. O sea que no es lo mismo v x w que w x v. Bueno, pero tampoco es tan grave, la nica diferencia es que tienen distinto signo: v x w = - (w x v) 2) Es distributivo con la suma de vectores, a izquierda y a derecha: u x (v + w) = u x v + u x w y (u + v) x w = u x w + v x w

3) Es asociativo con el producto por escalares: (k . v) x w = k . (v x w) 4) v x v = O para cualquier vector v

5) Todas las propiedades anteriores se pueden ver muy fcil a partir de la definicin. Esta ltima propiedad no es tan obvia, y es la ms importante: v x w es ortogonal a v y a w O sea que el producto vectorial es una forma de encontrar vectores ortogonales. Ahora cierra ms el porqu a alguien se le ocurri usar esa frmula extraa: porque sirve para algo. Entonces, ahora sabemos resolver problemas del estilo:

Encontrar un vector w que sea ortogonal a u = (1,1,1) y v = (-2,0,3)

Todo lo que hay que hacer es el producto vectorial entre u y v, o sea: w = u x v = (1,1,-1) x (-2,0,3) = (3,-5,2)
-

Y ese es el nico? No, fijate que cualquier vector que sea paralelo a w tambin es ortogonal a u y a v. O sea, que ese resultado lo podemos multiplicar por cualquier nmero (que no sea 0), y tambin es solucin. Pero como solamente nos piden uno, no nos hacemos problema

ASIMOV

- 18 -

Vectores en R2 y R3

Esto tambin se puede hacer de otra forma: usando el producto escalar. Queremos que w sea ortogonal a u y a v. O sea, que se cumplan las dos ecuaciones: w.u=0 y w. v = 0 (w1,w2,w3) . (1,1,-1) = 0 w1 + w2 w3 = 0 y y (w1,w2,w3) . (-2,0,3) = 0. -2 . w1 + 3 . w3 = 0

Ac tenemos dos ecuaciones con tres incgnitas. Esto no es muy complicado de resolver pero s es ms difcil que calcular el producto vectorial. Justamente para eso se invent el producto vectorial, para no tener que hacer tantas cuentas. Como en el producto escalar, hay una relacin con el ngulo entre los vectores. Es una cosa as: || u x v|| = ||u|| x ||v|| . |sen| O sea que para ||u|| y ||v|| fijos, el producto vectorial es mximo cuando = 90 y es mnimo cuando = 0. Es exactamente al revs que en el producto escalar A partir de esta relacin con el ngulo, sabemos que ||u x v|| es igual al rea del paralelogramo de lados u y v. Mir el grfico:

Claro, el rea del paralelogramo la podemos calcular como base por altura. La base mide ||v||, y la altura mide ||u|| . |sen| (ac hay que usar mdulo porque no sabemos si el seno es positivo o negativo, y no nos puede quedar nunca una altura negativo). Entonces nos queda: rea = ||u|| . ||v|| . |sen| = ||u x v||

ASIMOV

- 19 -

Vectores en R2 y R3

Veamos un ejemplo: Calcular el rea del tringulo de vrtices A = (0,2,-1); B = (0,0,1) y C = (-3,2,0) Bueno, antes que nada hagamos un dibujito:

Podemos calcular el rea del tringulo como la mitad del rea del paralelogramo de lados AB y AC. O sea que: rea tringulo = . ||AB x AC|| Entonces, lo primero que hay que hacer es encontrar esos dos vectores y despus hacer el producto vectorial: AB = B- A = (0,0,1) (0,2,-1) = (0,-2,2) AC = C A = (-3,2,0) (0,2,-1) = (-3,0,1) Ahora calculamos el producto vectorial: AB x AC = (0,-2,2) x (-3,0,1) = (-2,-6,-6) = -2 . (1,3,3) Bueno, lo nico que nos falta es calcular el mdulo de este vector: ||-2. (1,3,3)|| = 2 . ||(1,3,3)|| = 2 . rea tringulo = . 2 . 19

12 + 3 2 + 3 2 = 2 . 19
rea tringulo = 19

Bueno, ya vimos bastante sobre los vectores: qu son, qu operaciones se pueden hacer Ahora pasemos a otra cosa, veamos qu interpretacin geomtrica tienen los vectores.

ASIMOV

- 20 -

Vectores en R2 y R3

Vos sabs lo que es una recta, lo vens viendo desde la primaria. Pero viste que en lgebra siempre hace falta una definicin formal para que no haya lugar a confusiones. Se te ocurre algo? Y podemos decir que una recta es una lnea que no tiene ni extremo ni origen; bueno la definicin que nos dieron en la primaria Mmmm eso est bien como para empezar a tener idea de qu es una recta. Pero ahora que sabemos un poco de vectores, y de la ubicacin de los puntos en R2 y R3, con los ejes x,y,z, y todo eso, podemos dar una definicin ms completa. Es algo as: una recta es un conjunto de puntos que estn alineados Y qu significa que unos puntos estn alineados? Decimos que los puntos A,B y C estn alineados si los vectores AB y BC son paralelos. Fijate en el grfico:

Rectas

Los puntos A,B y C estn alineados. Por eso estn en la misma recta. Lo mismo pasa con los puntos B,D y E. De acuerdo a la definicin que vimos recin, para fijarme si el punto D est en la misma recta que A,B y C tengo que fijarme si est alineado, o sea si AD // AB (esto significa que AD es paralelo a AB) Como eso no se cumple, D no est en la misma recta que A,B y C.
-

Bueno, eso lo podamos ver fcil en el grfico. S, pero tambin lo podemos hacer sin ningn grfico, solamente haciendo cuentas. Y eso es muy importante, porque hoy en da todas estas cosas se pueden hacer con computadoras, que las nicas cuentas que hacen son sumar y multiplicar.

Bien, ya sabemos cmo fijarnos si un punto est o no en una recta. Ahora veamos qu pinta tienen todos los puntos X que estn en una recta. Dijimos que para que X est en la misma recta que A y B, tiene que ser: AX // AB

ASIMOV

- 21 -

Vectores en R2 y R3

Y, como vimos antes, para que dos vectores sean paralelos, uno tiene que ser mltiplo del otro. Entonces nos queda una cosa as: X A = k . AB X = k . AB + A

En realidad, ac tendramos que haber sido un poco ms cuidadosos. En principio, k no puede valer 0. Pero fijate que no hay problema, porque nos queda X = A, y ese es un punto de la recta. Por lo general, a las rectas se les da nombre con una letra mayscula, y a AB se lo llama vector director de la recta. Entonces nos queda algo as: L = {(x,y) R2 tal que (x,y) = k . v + A donde k es un nmero real} Esa es la definicin precisa de la recta L, que tiene la direccin del vector v y pasa por el punto A. A esta expresin se la llama forma paramtrica de la recta L, porque todo queda definido a partir del parmetro k: si voy cambiando el valor de k, encuentro nuevos puntos de la recta. Veamos un par de ejemplos:

Encontrar la forma paramtrica de la recta que pasa por (1,0,2) y (0,0,1)

En R3 es exactamente lo mismo que en R2: primero tenemos que encontrar el vector director de la recta, restando esos dos puntos: v = (1,0,2) (0,0,1) v = (1,0,1)

Y listo, esa es la parte difcil del problema. Porque lo otro que necesitamos es un punto de la recta, y eso ya lo tenemos: podemos elegir cualquiera de los dos que nos dan. Si elegimos el primero, nos queda: L = {(x,y,z) R3 tal que (x,y,z) = k .(1,0,1) + (1,0,2)} OJO: Muchas veces la gente solamente escribe la parte de k . (1,0,1) + (1,0,2). Pero eso est mal. Acordate que una recta es un conjunto de puntos, y entonces tenemos que escribirlo como un conjunto, no solamente como una ecuacin. Otra cosa: fijate que esta igualdad tambin la podemos escribir as: x=k.1+1 y=0 z=k+2 Esto es exactamente igual a lo otra, as que tambin se la llama forma paramtrica.

ASIMOV

- 22 -

Vectores en R2 y R3

O sea que cuando te pidan que paremetrices una recta, pods dar cualquiera de las dos respuestas.
-

Qu pasaba si en vez de tomar el punto (1,0,1) tomamos el (0,0,1)? Nada, nos hubiera quedado algo as: L = {(x,y,z) R3 tal que (x,y,z) = t .(1,0,1) + (0,0,1)}

Es la misma recta, la nica diferencia es que est "corrida"; o sea que fijate que cuando k = 0 tenemos el mismo punto que cuando t = 1. Pero en definitiva, estn los mismo puntos, as que la recta es la misma.

Interseccin de rectas
Ahora que definimos las rectas como conjuntos de puntos, esto no tiene ningn secreto: la interseccin es como con los conjuntos: incluye todos los puntos que estn en ambas rectas. Veamos, si tenemos dos rectas: L1 = {(x,y,z) R3 tal que (x,y,z) = k . v + A} L2 = {(x,y,z) R3 tal que (x,y,z) = t . w + B} Si un punto est en la interseccin L1 L2 es porque cumple con las dos ecuaciones, o sea que: (x,y,z) = k . v + A = t . w + B Quizs es ms fcil de ver si lo escribimos en cada componente: x = k . v1 + a1 = t . w1 + b1 y = k . v2 + a2 = t . w2 + b2 z = k . v3 + a3 = t . w3 + b3 Ac tenemos tres ecuaciones y solamente dos incgnitas (los nicos que no sabemos cunto valen son k y t). Y esto puede tener una nica solucin, infinitas o ninguna. O sea que dos rectas en R3 pueden cortarse en un solo punto, o en infinitos (si son la misma), o nunca. Veamos algunos ejemplos:

Calcular la interseccin entre L = {X R3 tal que X = t . (1,2,3) + (1,0,0)} y M = {X R3 tal que X = s . (2,2,1) + (0,0,2)}

Si x L M, entonces se tienen que cumplir tres ecuaciones:

ASIMOV

- 23 t.1+1=s.2 t.2 =s.2

Vectores en R2 y R3

t.3=s+2 En realidad no hay ningn mtodo fijo para resolver estas ecuaciones. Conviene empezar por la ms fcil: en esta caso, la segunda nos dice que t = s. Entonces, eso lo podemos reemplazar en la tercera ecuacin, y nos queda 3s = s + 2 2s = 2 s=1 t = 1.

Ahora hay que ver si tambin se cumple la primera ecuacin. Para eso reemplazamos estos valores y vemos qu pasa: 1.1+1=1.2 2=2

S, se verifica as que est todo bien. Las soluciones son esas que encontramos. Fijate que la solucin es nica (un solo valor de s y uno solo de t). Entonces, el nico punto de la interseccin L M lo podemos calcular de dos formas: reemplazando t = 1 o s = 1: X = 1 . (1,2,3) + (1,0,0) = (2,2,3)

L = {X R2 tal que X = k . (1,1) + (2,0)} y M = {X R2 tal que X = t . (2,2) + (1,-4)}

Es lo mismo que antes, nada ms que en R2, as que hay solamente dos ecuaciones: k+2=2.t k = 2t 4 A partir de la primera ecuacin, podemos despejar k en funcin de t k = 2t 2, y podemos reemplazar esto en la segunda ecuacin: 2t 2 = 2t 4 -2 = -4

Esto no tiene sentido, es un absurdo. Entonces, no hay ningn valor de k ni de t que sea solucin de esas dos ecuaciones al mismo tiempo. Esto quiere decir que esas dos rectas no se cruzan, o sea que L M = . Y claro, si esas dos rectas son paralelas, no se cruzan nunca. Me d cuenta de que son paralelas porque los vectores directores son paralelos (1,1) // (2,2).

ASIMOV

- 24 -

Vectores en R2 y R3

Si hacemos un grfico de las dos rectas, se ve muy fcil que no se cruzan nunca: fijate que las dos rectas son iguales, nada ms que corridas. Eso es exactamente lo que significa ser paralelas.

Pero OJO: En R2, la nica forma en que dos rectas no se cruzan nunca es si son paralelas, pero en R3 no. Por ejemplo: L = {X R3 tal que X = t . (1,1,1)} M = {X R3 tal que X = s . (1,0,0) + (3,2,1)}

Hac las cuentas y fijate que no se cruzan nunca. Pero no son paralelas, porque los vectores directores no son paralelos (o sea que uno no es mltiplo del otro). Adems de la forma paramtrica hay varias formas ms de decir cunto vale una recta. Una de las ms comunes es la forma implcita. La idea es escribir una ecuacin del estilo a.x+b.y=c que cumpla todos los puntos de la recta. Y cmo se encuentra esta forma implcita? La idea siempre es depejar el parmetro t en funcin de una de las componentes, y reemplazarlo en la otra ecuacin. Por ejemplo: L = {X R2 tal que X = k . (1,1) + (2,0) y=k x=k+2 k=x2 xy=2

y=x2

Esto no tiene mucho secreto, y por eso no se le da mucho importancia. Adems, la forma ms til es la paramtrica.

ASIMOV

- 25 -

Vectores en R2 y R3

En R3 es algo muy parecido, con la nica diferencia de que, en vez de una sola ecuacin hay dos, porque hay tres compontes x,y,z. Por ejemplo: M = {X R3 tal que X = s . (2,2,1) + (0,0,2)} x = 2s y = 2s s=.x y=x yx=0

z=s+2=x+2 z.x=2

ngulo entre rectas


Definimos el ngulo entre dos rectas como el ngulo que forman sus vectores directores (and un poco ms atrs y le la parte de ngulo entre vectores). OJO: ac hay que tener cuidado, porque dos vectores forman dos ngulos, uno mayor que 90 y otro menor.La costumbre es quedarnos con el ngulo menor que 90. Esto es bastante arbitrario, como cuando calculamos races cuadradas y nos quedamos solamente con el resultado positivo. Esta definicin es bastante intuitiva cuando las rectas se cruzan, porque ah forman un ngulo. Pero lo raro de esta definicin es que tambin existe un ngulo entre rectas que no se cruzan, porque siempre podemos calcular el ngulo entre dos vectores. En el ejemplo anterior, las rectas L y M forman un ngulo , que lo calculamos como: cos =

(1,1,1) (1,0,0). = || (1,1,1) || . || (1,0,0) ||


= 54,7

1 3

Otro ejemplo: calcular el ngulo entre: L = {X R2 tal que X = k . (1,0)} y M = {X R2 tal que X = (-1,1) . t + (2,-1)}

ASIMOV

- 26 -

Vectores en R2 y R3

En el grfico se v bastante fcil que forman un ngulo de 45. Ahora veamos qu dicen las cuentas: 1 (1,0) (1,1). cos = = = 135 || (1,0) || . || (1,1) || 2 Pero acordate que nos tenemos que quedar con el ngulo menor que 90. Ese lo calculamos como 180 - 135 = 45. Por ltimo, decimos que dos rectas son perpendiculares si sus vectores directores lo son; y son paralelas si sus vectores directores lo son. O sea, fijate que todo el tiempo nos estamos haciendo cuentas con los vectores directos. Ahora vas viendo qu impotancia tienen los vectores, porque las rectas aparecen en todos lados, y para hacer cuentas con las rectas necesitamos a los vectores. Tendiste ? No ? Es razonable que no logres captar las cosas de entrada. Algebra no se entiende leyendo. O sea, hay que leer, pero despus tens que hacer miles de ejercicios. entends como es la cosa ? Ya vimos rectas. Ahora pasemos a los planos.

ASIMOV

- 27 -

Vectores en R2 y R3

Antes que nada, aclaremos algo: slo tiene sentido hablar de planos en R3 (o quizs algn espacio ms grande): NO EN R2. Eso es porque R2 es solo un plano en particular de R3 (el plano xy), pero eso lo vemos despus. Lo primero que tenemos que hacer es dar una definicin de plano. Esto es un poco ms comlpicado que con las rectas, pero podemos empezar de la misma forma: un plano es un conjunto de puntos (de R3). Ahora veamos que caractersticas tienen esos puntos. Fijate cuando definimos las rectas: decimos que A, B y C estn en la misma recta si AB // AC. O sea que la caracterstica en comn que tienen todos esos vectores es que son paralelos. En el caso de los planos, la caracterstica en comn es que todos son perpendiculares a un vector normal N. Entonces, decimos que los puntos A,B,C y D estn en el mismo plano si todos los vectores AB, AC, AD, BC, BD y CD son perpendiculares al normal N. Fijate en el grfico:

Planos en R3

Fijate que dibuj los bordes del plano como medio borrosos. Con eso te quiero decir que los planos son infinitos, que no se terminan ah donde se termina el dibujo: siguen y siguen Ah, una aclaracin: a los planos se les da nombre con letras griegas. La que se usa siempre es , ( Pi ) que equivale a nuestra letra "p" (de plano). Entonces, un plano viene definido por un vector normal. Pero eso no alcanza, por ejemplo, en el grfico, el plano 2 y el plano xz tienen el mismo vector normal, pero no son iguales.

ASIMOV

- 28 -

Vectores en R2 y R3

Entonces, igual que con las rectas, necesitamos decir un punto P por el que pasa. Y, como dijimos antes, para que un punto X pertenezca al plano, PX debe ser perpendicular a N, o sea que: PX . N = 0 (P X) . N = 0 P.N=X.N

O sea que nos queda algo as: si es el plano normal al vector N que pasa por el punto P entonces: = {X R3 tal que X . N = P . N} Antes de seguir con tanta teora, veamos un ejemplo:

Encontrar el plano normal al vector N = (1,2,3) que pasa por el punto P = (0,0,1)

No hay que hacer otra cosa que usar la frmula que tenemos arriba: X.N=P.N (x,y,z) . (1,2,3) = (0,0,1) . (1,2,3) x + 2y + 3z = 3 Esta expresin se conoce como la ecuacin del plano. Fijate que los coeficientes que acompaan a x,y,z son los componentes del vector normal. Por eso decimos que la ecuacin de un plano normal a (a,b,c) es: a . x + b.y + c. z = d OJO: Esta es la ecuacin del plano. Pero si queremos definirlo bien, acordate que un plano es un conjunto, entonces tenemos que escribir algo as: = {(x,y,z) R3 tal que x + 2y + 3z = 3 } Espero que hayas entendido bien esto, porque la parte difcil todava no lleg. El problema es siempre el mismo: encontrar la ecuacin del plano. Esto es muy fcil si tenemos el vector normal. Pero, y si no lo tenemos?. Bueno, habr que encontrarlo de alguna forma: para esto nos sirve el producto vectorial que vimos antes. Hay tres casos posibles:

Encontrar la ecuacin del plano a partir de dos vectores v = (1,1,0); w = (-2,0,1) y un punto P = (0,1,2)

Este es el caso ms simple. En definitiva, los dems casos se terminan reduciendo a

ASIMOV

- 29 -

Vectores en R2 y R3

este. La idea es encontrar un vector N = (a,b,c) que sea perpendicular a v y a w al mismo tiempo. La forma ms fcil de hacerlo es con el producto escalar entre esos dos vectores: N = v x w = (1,1,0) x (-2,0,1) = (1,-1,2) Y a partir de ahora ya sabes cmo sigue: N.X=N.P (1,-1,2) . (x,y,z) = (1,-1,2) . (0,1,2) x y + 2z = 1

Lo bueno de la ecuacin del plano es que es la forma ms fcil de ver si un punto est en el plano o no. Por ejemplo, el (2,1,0) est en porque cumple con esa ecuacin, y el (1,1,1) no.

A partir de 3 puntos no alineados: A = (1,2,0) ; B = (3,3,1) y C = (-2,0,3)

La idea es reducir este problema al caso anterior. Para eso, necesitamos encontrar dos vectores del plano. Ah, eso es fcil, uno es el AB y otro el AC: AB = B A = (2,1,1) ; AC = C- A = (-3,-2,3)

Ahora que tenemos dos vectores, calculamos el vector normal: N = AB x AC = (2,1,1) x (-3,-2,3) = (5,-9,-1) Y ahora, con el vector normal y un punto del plano (podemos elegir cualquiera de los tres y el resultado es el mismo) encontramos el plano: N.X=N.A (5,-9,-1). (x,y,z) = (5,-9,-1) . (1,2,0) 5x 9y z = -13 Este tipo de problema es bastante comn, porque muchas veces te dan como datos las intersecciones del plano con los tres ejes, algo as como en el grfico. Una aclaracin importante: si un punto est en cada eje, est claro que no estn alineados. Pero, qu pasa si estn alineados? Bueno, si estn alineados, los tres forman parte de una misma recta, y hay infinitos planos que pasan por ella. Ms adelante vamos a ver que una recta es un interseccin de dos planos.

ASIMOV

- 30 -

Vectores en R2 y R3

Tenemos tres puntos del plano: (x0,0,0) ; (0,y0,0) y (0,0,z0), y sabemos que la ecuacin del plano va a tener esta forma: a.x + b.y + c.z = d donde (a,b,c) es el vector normal. Pero en realidad, podemos tomar como vector normal a cualquier mltiplo de (a,b,c). Para hacer las cuentas fciles, nos conviene trabajar con un mltiplo tal que k.a = 1 (1,b , c). Entonces, la ecuacin del plano nos queda: x + b . y + c . z = d Fijate que tenemos tres incgnitas (b , c y d) y nos dan tres datos (los tres puntos, que cumplen con esa ecuacin). Bueno, reemplazando esos tres puntos en la ecuacin, podemos calcular estas tres incgnitas, as: x0 = d b . y0 = d c . z0 = d Y listo. Una vez que calculamos b, c y d ya tenemos la ecuacin del plano.

A partir de un vector v = (0,0,1) y dos puntos: A = (3,1,2) y B = (-4,0,-2)

Bueno, ya tenemos un vector, y el otro lo podemos encontrar con los dos puntos: AB = B A = (-4,0,-2) (3,1,2) = (-7,-1,-4) Ahora podemos calcular el vector normal como: N = v x AB = (0,0,1) x (-7,-1,-4) = (1,-7,0) Y ahora con el vector normal, la ecuacin del plano nos queda:

ASIMOV

- 31 N . X = N . A (1,-7,0) . (x,y,z) x 7y = -4 = (1,-7,0) . (3,1,2)

Vectores en R2 y R3

Y listo, esos son los tres casos posibles. Fijate que en realidad son todas variaciones del primero, as que si te acords ese est bien. Un cuarto caso es cuando te dan una recta y un punto, pero en realidad es exactamente igual que el segundo, porque nos dicen el vector director de la recta, un punto de la recta y otro punto ms, o sea tenemos un vector y dos puntos.

Planos paralelos
Al principio dijimos que un plano viene definido por su vector normal. Entonces, decimos que dos planos son paralelos si sus vectores normales son paralelos. De la misma forma decimos que son perpendiculares si los vectores normales son perpendiculares. En realidad, podemos generalizar y dar una definicin del ngulo entre dos planos como el ngulo que forman sus vectores directores. Aunque esto no se usa nunca, lo nico que se usa es lo de los planos paralelos. Hay una forma muy fcil de ver si dos planos son o no paralelos a partir de las ecuaciones, ya que los coeficientes son los componentes de la normal. Los planos: 1 : ax + by + cz = d y 2: k.a.x+ k.b.y + k.c.z = e

son paralelos, porque las normales: (a,b,c) y (k.a, k.b ,k.c) son paralelos entre s.

Un ejemplo: encontrar el plano paralelo a 1: x + 2y 3z = 4 que pasa por el punto P = (1,-1,2)

Como es paralelo a 1, tiene el mismo vector normal N = (1,2,-3). Entonces, la ecuacin del nuevo plano 2 va a ser: N.X=N.P x + 2y 3z = -7

Interseccin entre planos.


Pasa algo parecido a la interseccin entre rectas: pueden no cruzarse nunca (si son paralelos), cruzar una vez o siempre (si son el mismo plano). La gran diferencia es que si se cruzan una vez, en vez de hacerlo en un solo punto, la

ASIMOV

- 32 -

Vectores en R2 y R3

interseccin resulta ser toda una recta. Esto lo vas a entender mejor cuando veas espacios vectoriales. Por ahora dejmoslo as.

Ejemplo: encontrar la interseccin entre los planos 1 = {(x,y,z) tal que x y = 2} y 2 = {(x,y,z) tal que 2x + y z = 5}

La idea es que si un punto pertenece a 1 2 entonces cumple con las dos ecuaciones, o sea: x y = 2 2 x + y z = 5 Y esto no es otra cosa que la forma implcita de una recta en R3. Si quers, se puede despejar la forma paramtrica, despejando todo en funcin de una sola de las componentes, por ejemplo de la x: xy=2 2x + y z = 5 y = x-2 z = 3x 7

2x + x -2 z = 5

(x,y,z) = (x,x-2,3x-7) = x . (1,1,3) + (0,-2,-7) Y esa es la forma paramtrica. Quizs parece medio rara, porque nos qued x como parmetro. No hay problema, si no te gusta as pods cambiarle el nombre a t y nos queda algo un poco ms lindo: 1 2 = {(x,y,z) R3 tal que (x,y,z) = t . (1,1,3) + (0,-2,-7)} Si dos planos distintos son paralelos, no se cruzan nunca, o sea que su interseccin es vaca. Esto es bastante obvio, porque no hay forma de que un punto (x,y,z) cumpla al mismo tiempo las dos ecuaciones: a.x+b.y+c.z=d y a.x+b.y+c.z=e si d e

Interseccin entre un plano y una recta


Siempre acordate que definimos a las rectas y los planos como conjuntos de puntos. Entonces, la interseccin va a ser el conjunto de todos los puntos que estn en los dos: o sea, donde se cruzan. Hay tres casos posibles: la interseccin entre un plano y una recta L puede ser:

Una recta: si la recta est incluida en el plano, entonces la interseccin es la misma recta.

ASIMOV

- 33 -

Vectores en R2 y R3

Un punto: este es el caso tpico donde realmente la recta "cruza" el plano. Por ejemplo, en el grfico, la recta L1 y el plano se cruzan en un solo punto.

Cmo calculamos ese punto? Como siempre, en la interseccin estn los puntos que cumplen las dos condiciones: est en el plano (o sea cumple la ecuacin del plano) y est en la recta (o sea tambin cumple la ecuacin paramtrica de la recta). y L: (x,y,z) = t . (0,01) + (0,3,0).

En este caso, tenemos : z = 4

Veamos para qu valor de t se encuentra la interseccin: (x,y,z) = (0,3,t)

t=4

(x,y,z) = (0,3,4)

Vaca: cuando la recta es paralela al plano pero no est incluida en l. En el grfico anterior, L2 es paralela al plano y por eso no se intersecan.
-

Cmo es esto de una recta paralela a un plano? Hasta ahora solamente venamos hablando de vectores paralelos Bueno, en este caso decimos que la recta y el plano son paralelos si el vector normal del plano es perpendicular al vector director de la recta.

ASIMOV

- 34 -

Vectores en R2 y R3

Y, del mismo modo, decimos que son perpendiculares si N y v son paralelos. Esto parece medio rebuscado, pero si te fijs en el grfico tiene bastante sentido.

Distancia de un punto a un plano


Unas pginas atrs aprendimos cmo se calcula la distancia entre dos puntos: Se calcula como la norma del vector que los une. La distancia de un punto Q a un plano se define como la distancia entre Q y P, donde P es un punto del plano tal que la recta PQ es perpendicular a . Par par, vamos ms despacio. Primero vemoslo en un grfico.

P es el punto del plano que est ms cercano a Q. Por qu es eso? Porque se puede demostrar que la menor distancia siempre es la perpendicular. Pensalo as: si vos ests en Av. Rivadavia y quers llegar a Av. Corrientes, la forma ms rpida es por una de las calles que cortan perpendicular, no te conviene ir por una diagonal. Y la demostracin no es para nada complicada, se puede hacer usando solamente el Teorema de Pitgoras, o la Desigualdad Triangular que vimos ms arriba, pero eso te lo dejo para que lo pienses Y entonces solamente tenemos que calcular la distancia entre dos puntos, y eso lo sabemos hacer. Bueno, en realidad no es tan fcil, porque primero tenemos que encontrar el punto P, y eso no es para nada sencillo. Dijimos que PQ es perpendicular al plano , o sea que es paralelo al vector normal N. La forma correcta de resolver este problema es primero encontrando una recta L que pase por Q y que sea paralela a N.

ASIMOV

- 35 -

Vectores en R2 y R3

Una vez que tenemos esa recta, podemos encontrar el punto P como la interseccin entre la recta y el plano. Mejor vemoslo en un ejemplo:

Calcular la distancia del punto Q = (2,-2,1) al plano de ecuacin x + 2y z = 1

Lo primero que hay que hacer es encontrar la recta perpendicular al plano (o sea, paralela al vector normal (1,2,-1)) que pasa por el punto Q. Eso es fcil, es como los primero ejercicios de rectas. Nos queda as: L = { (x,y,z) R3 tal que (x,y,z) = t . (1,2,-1) + (2,-2,1) } Ahora que tenemos la recta, podemos calcular el punto P como la interseccin de esa recta con el plano, as: (x,y,z) = (t+2 , 2t 2 , -t + 1) t + 2 + 2 . (2t 2) (-t+1) = 1 t = 1/3

6t 1 = 1 6t = 2

P = 1/3 . (1,2,-1) + (2,-2,1)

P = (7/3 , -4/3 , 2/3)

Y una vez que tenemos el punto P, todo lo que hay que hacer es calcular la distancia entre P y Q as: d(P,Q) = ||PQ|| = ||P Q|| = ||(7/3 , -4/3 , 2/3) (2,-2,1)|| = = ||(1/3 , 2/3 , -1/3)|| =
1

/3 . ||(1,2,-1)|| = 1/3 . 12 + 2 2 + (1) 2

d(P,Q) = 1/3 . 6 Fijate que nos qued justamente 1/3 . (1 , 2 , -1), que es el trmino t . v. La distancia del punto Q al plano p es 1/3 . 6, y se escribe as: d(Q,) = 1/3 . 6 Vectores en Rn. En este tema nos enfocamos ms que nada en las interpretaciones geomtricas de los vectores. Por eso solamente trabajamos en R2 y R3. El asunto de Rn lo dejamos para despus: en el captulo de espacios vectoriales. Para terminar vamos a algunos ejercicios sacados de parciales

ASIMOV

- 36 -

Vectores en R2 y R3

EJERCICIOS DE PARCIALES
1 - Sea 1 el plano de ecuacin x + 3 y z = 2 y 2 el plano que pasa por A = (1,-1,0) , B = (1,0,-1) y C = (3,-1,0) Hallar una recta L tal que: L 2 = y (1,2,0) L L 1 = , Antes de empezar a resolver el ejercicio, siempre conviene tener todo escrito como nos conviene: las rectas en su forma paramtrica, y los planos con sus ecuaciones. En este caso, nos conviene primero calcular la ecuacin del plano 2 a partir de esos tres puntos. Te acords como se hace? Primero buscamos dos vectores que estn en ese plano. Eso es fcil: AB = B A = (1,0,-1) (1,-1,0) = (0,1,-1) AC = C A = (3,-1,0) (1,-1,0) = (2,0,0) Una vez que tenemos estos dos vectores, podemos encontrar el vector normal n2 como el producto vectorial de esos dos: n2 = AB x AC = (0,1,-1) x (2,0,0) = (0,-2,-2) Si ya tenemos el vector normal, podemos obtener la ecuacin del plano 2 como: n2 . X = n2 . A (0,-2,-2) . (x,y,z) = (0,-2,-2) . (1,-1,0) -2 y 2 z = 2 y + z = -1

Entonces, repasemos un poco los datos que tenemos: 1: x + 3y z = 2 y 2: y + z = -1

Bueno, recin ahora veamos qu nos piden. Fijate que todava no empezamos a hacer nada, as que mejor practic muchos ejercicios, porque si perds mucho tiempo en lo que hicimos recin en un parcial, ests sonado. Nos piden una recta que no se intersecte con ninguno de los dos planos. Por lo que vimos antes, para que pase eso, la recta tiene que ser paralela a ambos planos; o sea que el vector director v de la recta, tiene que ser perpendicular a n1 (el vector normal al plano 1, lo sacamos a partir de la ecuacin del plano 1) y a n2, que son los dos vectores normales. Ah bueno, entonces podemos encontrar a v como el producto vectorial entre n1 y n2.

ASIMOV

- 37 -

Vectores en R2 y R3

Nos queda algo as:

v = n1 x n2 = (1,3,-1) x (0,-2,-2) = (-6,2,-2)

Te acords qu nos hace falta para encontrar la ecuacin de una recta ? Rta: Solamente un punto y el vector director. Recin encontramos y el vector director, y adems nos piden que pase por el punto (1,2,0). Entonces, la ecuacin paramtrica de la recta L es (x,y,z) = t . (-6,2,-2) + (1,2,0) Pero esta no es la respuesta final del ejercicio, porque no nos piden la ecuacin paramtrica. Nos piden que digamos cul es la recta. Y como una recta es un conjunto, tenemos que escribirlo como conjunto, as: L = {(x,y,z) R3 tal que (x,y,z) = t . (-6,2,-2) + (1,2,0) para algn t R} Y listo, as est bien. Mucho cuidado con esto, es un error muy comn.

Este problema te puede llegar a resultar fcil si te hacs una buena idea de lo que te estn pidiendo. Y qu te estn pidiendo ? Cmo lo tens que interpretar ? Vamos a ir viendo poco a poco as no te perds. Lo ms difcil suele ser elegir por dnde empezar. Lo ideal en este caso es atacar el problema buscando los puntos que estn a distancia 3 del plano. Estos puntos forman dos planos paralelos a , que estn a distancia 3 para un lado y para el otro. Para encontrar los dos planos necesitamos conocer un vector normal (que es el mismo que tiene porque tienen que ser paralelos a ste para que TODOS los puntos estn a la misma distancia) y dos puntos cualesquiera que pertenezcan cada uno a cada plano. La direccin normal (n) la podemos sacar de la ecuacin de .

: 2x 4 y + 4z = 0
n = ( 2, 4,4 )
Y los puntos ? Tenemos que hacer esto: primero buscamos un punto que est en por ejemplo el ( 0, 0, 0)- y le sumamos un versor o vector unitario- que tenga la

ASIMOV

- 38 -

Vectores en R2 y R3

direccin normal al plano y est multiplicado por 3, que es la distancia a la que tienen que estar. El versor normal lo encontramos fcilmente dividiendo n por su propia norma:

= n

( 2, 4, 4 ) n 2 2 = = (1 3, 3 , 3) n 4 + 16 + 16

Ahora buscamos uno de los puntos como te dije recin:


1 2 2 P 1 = ( 0,0,0 ) + 3n = 3 ( 3 , 3 , 3 )

P 1 = (1, 2, 2 )
Si quers fijarte que la distancia al (0,0,0) es 3, calculla como siempre: . Para encontrar el otro punto que est a distancia 3 del origen d ( , P 1) = P 1

vamos ahora a RESTARLE 3n : sobre la direccin de n


2 2 = 3 ( 1 P2 = ( 0, 0, 0 ) 3n 3, 3 , 3)

P2 = ( 1, 2, 2 )
Ahora tenemos la direccin de los planos paralelos a y un punto que pertenece a cada uno de ellos. Con esto es suficiente para escribir sus ecuaciones. Vamos a hacerlo, te va a venir bien el repaso. Empecemos por el primero de los dos planos al que vamos a llamar 1. La ecuacin la escribimos haciendo: ( X P1 ) n = 0 , o lo que es lo mismo: X n = P . 1 n

1 :

( x, y, z ) ( 2, 4, 4 ) = ( 1,2, 2 ) ( 2, 4, 4 )
2 x 4 y + 4 = 18

Y hacemos lo mismo para encontrar el segundo plano:

2 :

( x, y, z ) ( 2, 4,4 ) = (1, 2,2 ) ( 2, 4,4 )


2 x 4 y + 4 = 18

Bien, bien. Ahora ya conocemos los dos planos 1 y 2 donde estn todos los puntos del espacio que estn a distancia 3 de . Qu quiere decir esto ? Que las rectas que nos piden tienen que estar incluidas en alguno de estos planos. Pero ojo !, nos dicen que las rectas tienen que ser alabeadas, o sea que no tienen que cortarse ni ser paralelas. Si las dos rectas estn en un mismo plano esto no sera posible: o son

ASIMOV

- 39 -

Vectores en R2 y R3

paralelas o se cortan, no hay otra. Por lo tanto, las rectas que buscamos tienen que estar una en cada plano y, adems, NO pueden que ser paralelas. Para encontrar los vectores directores de las rectas, vamos a buscar dos vectores paralelos a los planos pero que NO sean paralelos entre s. Cmo hacemos ? Rta: As: para encontrar todas los vectores paralelos a los planos, agarramos el plano que nos dan y despejamos una de las variables en funcin de las otras, por ejemplo:

2x 4 y + 4z = 0 x = 2 y 2z
Y ahora podemos escribir todos los vectores ( x, y, z) paralelos a los planos usando esto :

( x, y, z ) = ( 2 y 2 z, y , z ) = y ( 2,1,0 ) + z ( 2,0,1)

Estos dos vectores el ( 2 , 1 , 0) y el ( -2 , 0 , 1 )- son paralelos a los planos, y al mismo tiempo NO son paralelos entre s. As que stos podran ser los vectores directores de nuestras rectas. Para terminar, vamos a buscar por qu puntos pasan estas rectas. Como sabemos que las rectas pertenecen a los planos y se cortan con L , podemos encontrar estos puntos buscando la interseccin entre L y cada uno de los planos 1 y 2. Llamemos ( x, y, z ) al punto de cada interseccin, entonces:

L 1 :

Cumple con la ecuacin de L ( x, y, z ) = ( 0,1, 2 ) + (1, 1,0 )

desarrollando

x = 1 x = 1 y = 1 z = 2 y + 2 z = 2
Reemplazamos en la ecuacin de 1:
Ecuacin de 1 x =1 z =2 y +2 2 x 4 y + 4 z = 18 2 4 y + 4 ( 2 y + 2 ) = 18

x = 1 y = 7 Q1 = (1, 7, 12 ) z = 12

ASIMOV

- 40 Ecuacin de 2 x =1 z =2 y + 2 2 x 4 y + 4 z = 18 2 4 y + 4 ( 2 y + 2 ) = 18

Vectores en R2 y R3

L 2 :

x = 1 y = 2 Q2 = (1, 2,6 ) z = 6
Ahora s !, tenemos dos vectores directores y dos puntos por donde pasan las rectas. Elegite la combinacin que te guste, es lo mismo, porque de todas maneras, todos los puntos de las rectas van a estar a distancia 3 de , van a ser alabeadas y van a cortar a la recta L. Te dejo una posibilidad:

( x, y, z ) = ( 2,1,0 ) + (1, 7, 12 )
3-

( x, y, z ) = ( 2,0,1) + (1, 2,6 )

Este ejercicio no tiene demasiadas vueltas pero es bastante largo. Lo que hay que buscar son los
14 de distancia puntos que estn en la interseccin de 1 y 2, y que al mismo tiempo estn a 14 de 3. Y como hacemos eso ? As: Primero buscamos el conjunto de puntos que est en la interseccin de los dos primeros planos ( P 1 2 ). Despus buscamos el conjunto de los

puntos que estn a

14 14

de distancia del tercero (P tal que d ( P, 3 ) =

14 14

).

Por ltimo buscamos la interseccin de estos dos conjuntos, es decir, todos los puntos que cumplen con las dos condiciones que nos piden. Arranquemos con la interseccin de 1 y 2. Los puntos de esa interseccin tienen que cumplir con las ecuaciones de ambos planos, as que tenemos un sistema de dos ecuaciones lineales:

x + y 2z = 1 y = 1 x + 2z y = 1 x + 4x + 2 y 2 Despejando 2 x + y z = 1 z = 2x + y 1 z = 2x + y 1
Seguimos despejando y nos queda:

y = 3x + 1 z = x

( x, y, z ) = ( x, 3x + 1, x )

ASIMOV

- 41 -

Vectores en R2 y R3

Entonces, los puntos de la interseccin tienen la forma de una recta y son:

( x, y, z ) = x (1, 3, 1) + ( 0,1,0 )
14 Busquemos ahora todos los puntos del espacio que estn a distancia 14 de 3. Estos puntos forman dos planos paralelos a cada lado de 3, o sea que el vector normal es el mismo para los tres planos. Saqumoslo, pues, de la ecuacin que nos da el enunciado.

3 : 3x + y 2 z = 6 n = ( 3,1, 2 )
Para poder escribir las ecuaciones slo nos falta encontrar un punto que pertenezca a cada uno de los dos planos. Esto lo hacemos as: buscamos un punto P3 perteneciente a 3, y le sumamos el vector n dividido por su norma y multiplicado por la distancia a la que queremos que estn. Para encontrar el punto del otro plano, en lugar de sumarle ese choclo, se lo restamos. A P3 lo podemos sacar a ojo. Usemos, por ejemplo, el (2, 0, 0) . Fijte que cumple con la ecuacin de 3 .
14 del (2, 0, 0) en la direccin del Ahora llamemos P3 y P3 a los puntos que estn a distancia 14 vector normal a los planos. Haciendo las cuentas que dije, encontramos que son:

P3 = ( 2,0,0 ) +

14 14

( 3,1, 2 )
9 +1+ 4
14

3 1 = ( 2,0,0 ) + ( 14 , 14 , 1 7)

31 1 P3 = ( 14 , 14 , 1 7)
3 1 1 P3 ( 2,0,0 ) ( 14 , 14 , 7 )

25 1 1 P3 = ( 14 , 14 ,7)

Ahora s, ya encontramos los dos planos cuyos puntos estn todos a distancia Escribamos sus ecuaciones
3 : ( x, y , z ) n = P3 n
31 1 1 3x + y 2 z = ( 3,1, 2 ) ( 14 , 14 , 7 )=7

14 14

de 3.

3 : 3x + y 2 z = 7

3 : ( x, y , z ) n = P3 n
25 1 1 3x + y 2 z = ( 3,1, 2 ) ( 14 , 14 ,7) = 5

ASIMOV

- 42 3 : 3x + y 2 z = 5

Vectores en R2 y R3

Bueno, paremos un poco porque ya estoy mareado Qu sacamos hasta ahora ? Primero, la interseccin entre 1 y 2: una recta. Y despus, dos planos que tienen a todos los puntos que
14 de P3. Los puntos que nos pide el problema son los que estn en la estn a distancia 14 interseccin de la recta con los planos. Los puntos de la recta los escribimos:

1 2 :
As que tienen que cumplir que:

( x, y, z ) = x (1, 3, 1) + ( 0,1, 0 )
x = x y = 3 x + 1 z = x
Ecuacin de 3 3 x + ( 3 x + 1) 2 ( x ) = 7 2 x + 1 = 7

( 1 2 ) 3

Resolviendo eso y reemplazando el valor de x en las ecuaciones que sacamos de la recta encontramos que x = 3 ; y = -8 y z = -3. Y ahora, sacamos el segundo:
Ecuacin de 3 3x + ( 3x + 1) 2 ( x ) = 5 2 x + 1 = 5

Entonces:

x = 2 ; y = -5 y z = -2.

Por lo tanto, los punto que cumplen con las dos condiciones que pide el enunciado son:

{( 3, 8, 3) ; ( 2, 5, 2 )}
FIN VECTORES EN R2 Y EN R3

ASIMOV

- 43 -

Sistemas lineales - Matrices

SISTEMAS LINEALES - MATRICES


INTRODUCCION
Los sistemas de ecuaciones son cosas interesantes. A veces uno tiene que resolver un sistema de varias ecuaciones para encontrar la solucion a un problema. Por otro lado los sistemas de ecuaciones tambin son tiles en geometra: las ecuaciones lineales se interpretan a veces como rectas y a veces como planos. Para resolver sistemas de ecuaciones lineales usamos dos herramientas matemticas que nos van a facilitar los clculos: las matrices y los determinantes. En este captulo vamos a entender bien el tema de MATRICES y vamos a ver como se relacionan estos nuevos objetos matemticos con la resolucin de sistemas de ecuaciones lineales.

SISTEMAS LINEALES

Un sistema lineal de m ecuaciones con n incgnitas es un conjunto de m ecuaciones lineales en las variables {x1, x2, , xn}, y se define segn la siguiente frmula: a11 x1 + a12 x2 + a13 x3 + a21 x1 + a22 x2 + a23 x3 + a31 x1 + a32 x2 + a33 x3 + am1 x1 + am2 x2 + am3 x3 + a1n xn = b1 a2n xn = b2 a3n xn = b3 amn xn = bm

Las variables a y b con subndices son constantes y {x1, x2, , xn} son las incgnitas, o sea lo que vos tens que encontrar haciendo algunas cuentitas. Se dice que el sistema es lineal porque las incgnitas estn elevadas a la 1, o sea, (x1) 1 = x1. Por ejemplo: 3 x1 + 4 x2 + 7 x3 + x4 = 2 x1 + 6 x2 + 2 x3 + 3 x4 = 0 En este caso, tenemos: nmero de ecuaciones m = 2 numero de incgnitas n = 4 Para la primera ecuacin: a11 = 3, a12 = 4, a13 = 7, a14 = 1, b1 = 2 Para la segunda ecuacin: a12 = 1, a22 = 6, a23 = 2, a24 = 3, b2 = 0

Todava faltan algunas definiciones importantes, pero enseguida vamos a ver ejemplos y todo esto te va a quedar mucho ms claro, no desesperes.

ASIMOV

- 44 -

Sistemas lineales - Matrices

Sistemas compatibles e incompatibles


Llamamos solucin del sistema lineal a la n-upla {s1, s2,, sn} tal que al reemplazar {x1, x2, , xn} por {s1, s2,, sn} se satisface cada una de las m ecuaciones. Podemos tener 3 casos distintos: El sistema se dice INCOMPATIBLE si no tiene NINGUNA SOLUCIN El sistema se dice COMPATIBLE DETERMINADO si tiene UNA NICA SOLUCIN El sistema se dice COMPATIBLE INDETERMINADO si tiene INFINITAS SOLUCIONES.

Veremos ahora algunos ejemplos sencillos para que esto te quede bien claro. Ejemplo 1:
2 x1 + x 2 = 7 S = x1 + 4 x 2 = 1

S es un sistema de m = 2 ecuaciones con n = 2 incgnitas. Veamos en cual de los 3 casos anteriores estamos si pedimos que {1,1} sea solucin. Reemplazando {x1, x2} por {1,1}, nos da esto: 2 * 1 + 1 * 1 = 2 + 1 = 3 7 S = 1 * 1 + 4 * 1 = 1 + 4 = 3 1 Vemos que {1,1} no verifica el sistema, entonces el sistema es incompatible. Veamos qu pasa si pedimos que {3,1} sea solucin del sistema. Reemplazando {x1, x2} por {3,1}, te va a quedar este sistemita: 2 * 3 + 1 * 1 = 6 + 1 = 7 S = 1 * 3 + 4 * 1 = 3 + 4 = 1 Entonces decimos que el sistema es compatible determinado. Ahora analicemos el caso en el cual tengo m ecuaciones con m+1 incgnitas. Sea por ejemplo, un sistema con m = 3 ecuaciones y 4 incgnitas {x1, x2, x3, x4}. Este tipo de sistema SIEMPRE VA A TENER SOLUCION, PORQUE SIEMPRE VAMOS A PODER ESCRIBIR AL MENOS UNA INCOGNITA EN FUNCION DE OTRA. Mir este ejemplo:

ASIMOV

- 45 -

Sistemas lineales - Matrices

x1 + x2 + x3 + x4 = 4 S = 2x1 + x2 + 2x3 + x4 = 2 x + x + x = 3 1 2 3
Despus te voy a contar cmo resolver este tipo de sistemas. Lo importante es que veas que resolviendo este sistema de 3 ecuaciones con 4 incgnitas, obtenemos el siguiente conjunto de soluciones { -2-x3, 5, x3, 1 } y que para cada valor que le demos a x3 , tendremos una solucin distinta y vlida. Para que te convenzas de esto, veamos qu pasa si le asignamos distintos valores a x3. Con x3 = 1 tenemos que la solucin es { -3, 5, 1, 1 }, y reemplazando estos valores en S llegamos a:
3 + 5 + 1 + 1 = 4 S = 2 * ( 3 ) + 5 + 2 *1 + 1 = 2 3 + 5 + 1 = 3

Entonces vemos que las tres igualdades se verifican, como esperbamos. Pods intentar asignarle cualquier valor a x3 y vas a llegar a la misma conclusin: UN SISTEMA CON M ECUACIONES Y M+1 INCGNITAS TIENE INFINITAS SOLUCIONES. SE TRATA DE UN SISTEMA COMPATIBLE INDETERMINADO. Sistemas Lineales Homogneos Se dice que el sistema es homogneo cuando bm es cero en las m ecuaciones simultneamente. Por ejemplo: 2x1 +x2 + 9x3 + 5x4 = 0 7x1 + 4 x2 +2 x3 + x4 = 0 x1 + x2 + 2 x3 + 3 x4 = 0 Adems fijate que {0, 0,, 0, 0} siempre va a ser solucin de un sistema homogneo ya que al reemplazar {x1, x2, , xn} por {0, 0,, 0, 0} obtendremos "0 = 0", que es trivial. Por ltimo, decimos que dos sistemas de ecuaciones son equivalentes cuando tienen el mismo conjunto de soluciones.

MATRICES DEFINICIONES
El sistema de ecuaciones lineales (1) puede escribirse en notacin matricial de la siguiente manera: Ax = B Es decir:

ASIMOV

- 46 a11 a12 a13 ........a1n x1 b1 a 21 a 22 a 23 ......... * x 2 = b2 ...................... ... ... ...................... x b n m a m1 a m 2 a m3 .......a mn

Sistemas lineales - Matrices

Donde pods ver que:


a 11 a 12 a 13 ........ a 1 n a 21 a 22 a 23 ......... A = .......... .......... .. .......... .......... .. a m 1 a m 2 a m 3 ....... a mn

X = (x1, x2, , xn) B = {b1, b2, , bm} OJO CON ESTO: Llamamos filas a los arreglos de nmeros horizontales y columnas a los arreglos verticales. Tens que ser prudente con el tema de las dimensiones. Fijate lo siguiente. A es una matriz de dimensin m x n, o sea con m filas y n columnas. El vector X por el cual multiplics a la matriz A tiene que tener la dimensin de la las columnas de A, es decir, X tiene dimensin n. El vector B entonces va a tener la misma dimensin que las filas de A, es decir, B tiene dimensin m. OTRA COSITA MS, PARA FIJAR IDEAS: Fijate que el nmero de filas viene directamente asociada a la cantidad de ecuaciones y el nmero de columnas viene dado por la cantidad de incgnitas. El vector X es la solucin del sistema, y es lo que hay que buscar. ADEMAS: Mir esto otro: * Si x e y son dos soluciones distintas del sistema homogneo, entonces, la suma de ambas x + y tambin lo es. * Si x es una solucin del sistema, entonces un mltiplo de x, kx tambin lo es, siendo k un nmero real. * Si x e y son soluciones de un sistema no homogneo entonces, x y es solucin del homogneo asociado ( que es el mismo que el no homogneo, pero que en lugar de B tiene el vector columna nulo ).

ASIMOV

- 47 -

Sistemas lineales - Matrices

* Cualquier solucin particular del sistema puede obtenerse si le sums a una solucin del no homogneo una solucin del homogneo asociado

MATRICES: MODELOS

Matriz cuadrada: Diremos que una matriz A de dimensin m x n es cuadrada si m=n (igual nmero de filas y columnas). Ejemplo: 1 3 2 4

Matriz rectangular: Diremos que una matriz m x n es rectangular si tiene m distinto de n (distinto nmero de filas y columnas).
1 3 5 2 4 6
7 5)

Matriz o vector fila: matriz o vector que slo tiene una fila : (1

Matriz o vector columna: matriz o vector que slo tiene una columna. 1 8 23 7

Matriz nula: Es aquella que tiene todos sus elementos iguales a cero.
0 0 0 0 0 0 0 0 0 0

Matriz diagonal: Una matriz CUADRADA se llama DIAGONAL si son cero los elementos que no pertenecen a su diagonal principal.

2 0 0

0 4 0

0 0 9

Matriz identidad: Una matriz cuadrada se llama matriz identidad si es diagonal y los

ASIMOV

- 48 1 0 0 0 1 0

Sistemas lineales - Matrices

elementos de su diagonal principal valen la unidad.

0 0 1

Matriz traspuesta: Sea A una matriz de m x n. Llamamos matriz traspuesta de A a la matriz At de dimensiones n x m. 2 9 7 1 2 7 5 0 1 A= Siendo su traspuesta: At = 5 1 9 1 1 3 0 0 3 1 0 O sea, tomo la primera fila de A y la pongo como primer columna de At, tomo la segunda fila de A y la pongo como segunda columna de At, etc

SISTEMAS LINEALES Y MATRICES PROPIEDADES


Ahora vamos a ver algunas propiedades que te van a resultar tiles para resolver sistemas de ecuaciones lineales. Todas estas propiedades dejan el sistema de ecuaciones intacto respecto a su solucin, es decir, por ms que operemos en el sistema, la solucin es la misma. 1- Multiplicar una de las ecuaciones por una constante no nula. Por ejemplo, consideremos esta ecuacin de una incgnita: X+1=2 La solucin de esta ecuacin es x = 1. Si multiplicamos esta ecuacin por un nmero real distinto de cero, por ejemplo por 5, nos da: 5 * (X + 1) = 5 * 2 Lo que equivale a multiplicar cada uno de los miembros de la ecuacin por 5: 5*X+5*1=5*2 Y si te fijs, la solucin sigue siendo x = 1. 2- Intercambiar dos de las ecuaciones. Esto es bastante obvio no ? Fijate: o sea 5x + 5 = 10

ASIMOV

- 49 -

Sistemas lineales - Matrices

2x+y=3 4x5y=-1 Haciendo la cuentita vas a ver que la solucin te da: { 1, 1 } . Resulta evidente (o, para usar un trmino que te debe resultar muy conocido, TRIVIAL ) que intercambiando las ecuaciones: 4x5y=-1 2x+y=3 Nos da la misma solucin. Si no te parece obvio, pods probar resolver ambos sistemas y convencerte 3- Sumar un mltiplo de una de las ecuaciones a otra ecuacin. Usemos el ltimo sistema para ver que esto es as. 2x+y=3 4x5y=-1 Sumemos tres veces la ecuacin (1) a la ecuacin (2): 2x + y = 3 3 * (2x + y) + 4x 5y = -1 + 3*3 Distribuyendo y agrupando "x con x" e "y con y", este choclito da: 2x + y = 3 10x 2y = 8 Si haces la cuenta vas a ver que el conjunto solucin del sistema viejo y del nuevo es {1, 1}. ATENCION CON ESTO: not que al sumar 3 veces la ecuacin (1) a la (2) multipliqu por 3 a ambos lados del signo " = " en (1) y sum a ambos lados del signo " = " en (2) y esto es algo re importante a tener en cuenta para que esta propiedad se verifique. No te olvides de esto. Las tres propiedades que te cont ac arriba para ecuaciones lineales se corresponden totalmente con las siguientes operaciones sobre las filas de la matriz asociada al (1) (2)

ASIMOV

- 50 -

Sistemas lineales - Matrices

sistema. Entonces, existen 3 operaciones elementales sobre las filas y son las siguientes: 1- Multiplicar una de las filas por una constante no nula. Por ejemplo, veamos qu pasa con el siguiente sistema escrito en notacin matricial:
1 3 1 x 2 = 7 4 y

NOTACIN: Fijate que la expresin


1 3 1 x 2 = 7 4 y

es equivalente a escribir:
1 3 1 2 4 7

que es la matriz aumentada o ampliada del sistema. A partir de ahora vamos a usar esta notacin, pero no te olvides de lo que representa en realidad. Si hacs la cuenta te da que la solucin es {1, 1}. Ahora, agarro y multiplico la primera fila por 5 y me da:
5 *1 3 5 5 *1 5 * 2 3 4 7 5 10 4 7

Donde {1, 1}.es tambin la solucin. 2- Intercambiar dos o ms las filas. Consider por ejemplo el sistema que sigue:

1 2 5

1 3 4

1 3 1 6 7 16
1 5 2 1 4 3 1 3 7 16 1 6

La solucin de este sistema es {1, 1, 1}. Intercambiemos ahora la fila (2) con la (3). Ahora reemplaz { 1, 1, 1 } en este sistema y fijate que las igualdades se verifican.

ASIMOV

- 51 -

Sistemas lineales - Matrices

Ahora reemplaz { 1, 1, 1 }.en este sistema y fijate que las igualdades se verifican. 3- Sumar un mltiplo de una de las filas a otra. Por ejemplo, usando la matriz de 3 x 3 de ac arriba, sumemos 4 veces la fila (1) a 2 veces la fila (3). Nos queda este sistema equivalente:

1 2 ( 4 * 1) + ( 2 * 5 )
Que es igual a

1 3 ( 4 * 1) + ( 2 * 4 )

1 6 ( 4 * 1 ) + ( 2 * 7 ) ( 4 * 3 ) + ( 2 * 16 ) 1 3

1 2 14

1 3 12

3 1 6 18 44 1

Y si multiplics esta matriz por el vector solucin del sistema {1, 1, 1} te da:

1 2 14
Tal como lo esperbamos.

1 3 12

1 1 3 1 1 = 6 18 1 44

Me imagino que hay cosas hasta ac te deben parecer medio sacadas de la galera. No te preocupes, que enseguida te voy a explicar bien algunos mtodos para resolver estos problemas matemticos y todo te va a resultar un poco ms fcil.

COMO RESOLVER ESTOS SISTEMAS ? METODO DE GAUSS


El mtodo de Gauss, conocido tambin como de triangulacin o de cascada, nos permite resolver sistemas de ecuaciones lineales con cualquier nmero de ecuaciones y de incgnitas. La idea es muy simple; por ejemplo, para el caso de un sistema de tres ecuaciones con tres incgnitas se trata de obtener un sistema equivalente cuya primera ecuacin tenga tres incgnitas, la segunda dos y la tercera una. Se obtiene as un sistema triangular o en cascada. Fijate :

1 2 4

2 1 2

3 6 1 4 0 6

(1)

ASIMOV

- 52 -

Sistemas lineales - Matrices

Ahora vas a ver qu significa sistema triangular y cmo obtener tal sistema haciendo uso de las propiedades que vimos ms arriba. La idea es tratar de poner un 0 en lugar del 2 en el primer lugar de la fila 2. Para lograr esto, podemos multiplicar por ejemplo la fila 1 por 2 y luego restarle la fila 2, esto es: 2F1 F2. Fijate:

1 ( 2 * 1) ( 2 ) 4

2 (2 * 2) 1 2

(2 * 3) 1 (2 * 6) 4 6 0 3 6

Y fijate cmo esto da un 0 en el primer lugar de la fila 2:

1 0 4

2 3 2

3 6 5 8 0 6

Ahora vamos a hacer lo mismo con la fila 3: multipliquemos la fila 1 por 4 y restmosle la fila 3: 4F1 F3

1 0 (4 * 1) (4 )
Y este choclazo da:

2 3 (4 * 2) (2)
1 0 0

3 6 5 8 (4 * 3) (0 ) (4 * 6 ) (6 )
3 5 12 6 8 18

2 3 6

Ahora el punto es poner un 0 en el segundo lugar de la fila 3, es decir en lugar del 6. Operamos de la siguiente forma: 2L2 L3:

1 0 0

2 3 (2 * 3) (6 )

8 5 ( 2 * 5 ) ( 12 ) ( 2 * 8 ) ( 18 ) 3 6
1 0 0 8 2 6

Ahora resolvemos las cuentitas y da:

2 3 0

3 5 2

(2)

ASIMOV

- 53 -

Sistemas lineales - Matrices

Ves que el tema era llegar a una cosa de esta pinta para poder resolver todo bien fcil ? La resolucin del sistema es ahora inmediata. Basta calcular z en la tercera ecuacin, llevar este valor de z a la segunda ecuacin para obtener el valor de y, y as despejar la incgnita x en la primera ecuacin, conocidos ya z e y. En la fila 3 da z = (-2/-2) = 1. Ahora metemos este valor de z en la fila 2 para calcular y: 3y + 5z = 8 o sea 3y + 5 * 1 = 8

Despejando y nos da: y = 1. Con estos valores de {y, z} queda que: x + 2y + 3z = 6 o sea x + 2 * 1 + 3 * 1 = 6

Y entonces, x = 1. O sea obtenemos el siguiente conjunto solucin del sistema: {1, 1, 1}

QUE COSAS PODEMOS APRENDER DE UNA MATRIZ ?


Estudiamos en este apartado el concepto de rango de una matriz y la forma de hallarlo. Sea A una matriz m x n. Definimos los siguientes conceptos primero, y despus te cuento qu significa cada uno. rang f (A) = Nmero de vectores fila linealmente independientes rang c (A) = Nmero de vectores columna linealmente independientes Adems se cumple que rang f (A) = rang c (A), es decir que el rango por filas es igual al rango por columnas. Llamaremos rango de una matriz A, rang(A), al nmero de vectores fila o vectores columna linealmentes. A esta altura ya te debs estar preguntando qu quiere decir linealmente independiente. No te hagas drama, aqu llega la explicacin. Dicho en criollo, un sistema de ecuaciones es linealmente independiente ( L. i.) cuando ninguna de las filas puede ser obtenida como suma de mltiplos de otras filas. Esto significa que cuando triangules la matriz no te va a quedar ninguna fila nula (o sea, todos ceros). Para que termine de cerrar el concepto sin demostraciones complicadas, vemoslo con este ejemplito:
1 1 1 1 5 13 3 2 8 4 18 1

ASIMOV

- 54 -

Sistemas lineales - Matrices

Si mirs fijo el problema te vas a dar cuenta de que la fila 3 es el resultado de la siguiente operacin: 2 F1 3 F2, es decir, 2 veces la fila 1 menos 3 veces la fila 2 ( verificalo !!! ). Si ahora te pons a triangular el sistema con Gauss, vas a ver que la ltima fila te va a quedar 0 = 0. Si no me cres, fijate esto: Pongo un cero en el primer lugar de la fila 2 haciendo: F2 F1:
1 0 1 1 4 13 3 1 5 4 18 1

Ahora pongo un cero en el primer lugar de la fila 3 sumando F1 y F2:

1 0 0

1 4 12

3 1 5 3 15 1

Fijate que la fila 3 es (-3) veces la fila 2. Si todava no lo ves hac esta cuenta para poner un cero en el segundo lugar de la fila 3: 3F2 + F3

1 0 0

1 4 0

1 3 1 5 0 0

Entonces el sistema original no era linealmente independiente. Decimos que es un sistema linealmente dependiente ( L.d.). Para expresar la solucin cuando un sistema te queda indeterminado, tens que elegir una o ms variables como parmetros, y escribir el resto en funcin de estas. La cantidad de parmetros que vas a usar para expresar las dems variables tiene que ser igual a: Cantidad de parmetros total cantidad de ecuaciones no nulas En este caso eso se reduce a 3 2 = 1. En cambio, el sistema (1) es linealmente independiente . Pods comprobarlo despus de operar con el mtodo de Gauss y llegar al sistema equivalente (2) .

ASIMOV

- 55 -

Sistemas lineales - Matrices

OPERACIONES ENTRE MATRICES

As como los vectores, las matrices se suman y se multiplican. Suena lgico, no? Ya vimos que los vectores pueden pensarse como matrices fila o columna. Entonces, veamos cmo se opera entre matrices. SUMA y RESTA: Viste que para sumar vectores necesitas que tengan la misma dimensin. O sea, no pods sumar un vector de dimensin 2 con uno de dimensin 3, por ejemplo, (2, 7) + (3, -9, -4) no es una operacin vlida. Consideremos dos matrices A, B con las mismas dimensiones. No importa que sean cuadradas o rectangulares, slo importa que tengan la misma dimensin. Supongamos:

2 A= 5
La suma A + B es:

8 4

7 B = 9

20 6

2 A+B = 5

8 7 + 4 9

20 2 + ( 7 ) = 6 5 + (9)

8 + 20 4 + 6

Es decir: suma de matrices de las mismas dimensiones, es la aplicacin que asocia a cada par de matrices otra matriz de las mismas dimensiones cuyos elementos se obtienen sumando trmino a trmino los elementos correspondientes en dichas matrices. Y esto da:

5 A+B = 4

28 2

Propiedades de la suma de matrices: Dadas A, B y C tres matrices de m x n, se cumplen las siguientes propiedades: 1234A+0=A 0A = 0 A+B=B+A (A + B ) + C = A + ( B + C )

MULTIPLICACION Ahora vamos a ver cmo multiplicar matrices. Para que se puedan multiplicar dos matrices, preciso que el nmero de columnas de la primera es igual al nmero de filas de la segunda matriz. Para que te quede ms claro vemoslo con un ejemplo :

ASIMOV

- 56 1 1 2 4 B = 0 1 3 1 4 7 6 1

Sistemas lineales - Matrices

1 2 3 A= 4 5 6

Ahora, qu hacemos con esto ? Grficamente, la cosa es as:


(1 * 1) + (2 * 0) + (3 * 4) (1 * 1) + (2 * 1) + (3 * 7) (1 * 2) + (2 * 3) + (3 * 6) (1 * 4) + (2 * 1) + (3 * 1) A B = (4 * 1) + (5 * 0) + (6 * 4) (4 * 1) + (5 * 1) + (6 * 7) (4 * 2) + (5 * 3) + (6 * 6) (4 * 4) + (5 * 1) + (6 * 1)

O sea, en el primer lugar de la fila 1 de la matriz producto pongo la suma de lo siguiente: (el lugar 1 de la fila 1 de A por el lugar 1 de la columna 1 de B) + (el lugar 2 de la fila 1 de A por el lugar 2 de la columna 1 de B) + (el lugar 3 de la fila 1 de A por el lugar 3 de la columna 1 de B) + En el segundo lugar de la fila 1 de la matriz producto pongo: (el lugar 1 de la fila 1 de A por el lugar 1 de la columna 2 de B) + (el lugar 2 de la fila 1 de A por el lugar 2 de la columna 2 de B) + (el lugar 3 de la fila 1 de A por el lugar 3 de la columna 2 de B) + Y as sucesivamente, como vas a darte cuenta siguiendo las cuentas de la matriz producto. O sea, lo que hacs es tomar cada fila de A con cada columna de B y hacer el producto escalar entre ambas. Siempre control las dimensiones del resultado para quedarte tranquilo/a, en este caso, como A es de 2 x 3 y B es de 3 x 4, el resultado te queda de 2 x 4. Es ms complicado escribirlo que la cuenta en s, no te preocupes. Con un par de ejercicios de multiplicacin de matrices todo va a quedar realmente claro. Pero, segu las cuentas que hice arriba para tener el detalle. Propiedades de la multiplicacin: 1-Es asociativa: (A . B) . C = A . ( B . C ) para mostrar un ejemplo Sean A, B y C 3 matrices de 2 x 2 :

1 4 A= 3 2

5 1 B= 2 1

2 0 C= 1 4

Veamos cunto da el producto A.B:

ASIMOV

- 57 -

Sistemas lineales - Matrices

1 4 5 1 (5 * 1) + (4 * 2) (1 * 1) + (1 * 4) 3 3 A.B = = = 3 2 2 1 (5 * 3) + (2 * 2) (3 * 1) + (1 * 2) 11 1
Y multipliquemos el resultado por C:

12 3 3 2 0 (3 * 2) + (3 * 1) (3 * 0) + (3 * 4) 3 ( A.B).C = 21 4 (11 * 2) + (1 * 1) (11 * 0) + (1 * 4) = 11 1 1 4 =


Ahora veamos el producto B.C:

5 1 2 0 (5 * 2) + (1 * 1) (5 * 0) + (1 * 4) 9 4 B.C = 2 1 = = 1 4 (2 * 2) + (1 * 1) (2 * 0) + (1 * 4) 3 4
Y multipliquemos por A a la izquierda:

12 1 4 9 4 (9 * 1) + (4 * 3) (1 * 4) + (4 * 4) 3 A.( B.C ) = = = 3 2 3 4 (9 * 3) + (2 * 3) (3 * 4) + (4 * 2) 21 4
Y quedo demostrado que la multiplicacin de matrices es asociativa. 2-Es distributiva: A (B + C) = A B + A C Veamos la suma B + C:

5 1 2 0 5 + 2 1 + 0 3 1 B+C = + = = 2 1 1 4 2 + 1 1 + 4 3 3
Ahora multipliquemos A por la izquierda:

1 4 3 1 ( 3*1) + (4*3) (1*1) + (3* 4) 9 13 A.( B + C ) = = = 3 2 3 3 ( 3*3) + (2*3) (3*1) + (3* 2) 3 9


Ahora veamos el producto A.C:

1 4 2 0 (1 * 2) + (4 * 1) (1 * 0) + (4 * 4) 6 16 A.C = = = 3 2 1 4 (3 * 2) + (2 * 1) (3 * 0) + (2 * 4) 8 8
Y summosle lo que nos dio A.B ms arriba:

3 3 6 16 3 + 6 3 + 16 9 13 A.B + A.C = + = = 11 1 8 8 11 + 8 1 + 8 3 9

ASIMOV

- 58 -

Sistemas lineales - Matrices

Y qued demostrado que la multiplicacin es distributiva. Pero ojo, no es

conmutativa !!!!!!!! Mira lo que pasa con los productos A.C y C.A:
A.C ya lo tenemos. Calculemos C.A.

2 C.A = 1 Y A.C daba:

0 1 4 3

4 ( 2 * 1) + ( 0 * 3) = 2 (1 * 1) + ( 4 * 3)

( 2 * 4) + ( 0 * 2) 2 8 = (1 * 4 ) + () 4 * 2 13 12

6 A .C = 8

16 8

As que ya quedo demostrado que no es conmutativa. Sin embargo, para algunas matrices particulares si se cumple, pero esto no ocurre siempre, as que ojo con esto !

INVERSA DE UNA MATRIZ

Primero unas definiciones. Para poder definir inversa es preciso aclarar que slo podemos calcularla si la matriz es cuadrada, sino, no. Sea entonces A una matriz de n x n y sea B su inversa. A y B verifican que: A. B = B. A = I Donde I es la matriz identidad de dimensin n x n, y como te dars cuenta en este caso la multiplicacin de A. B es conmutativa, ya que A. B = B. A. El tema es que no siempre es posible calcular la inversa, pero esto ya lo vamos a ver ms adelante, cuando estudiemos determinantes. La cosa es que si existe, B es nica y por notacin escribimos: A-1 como la inversa de A. Cmo obtener la matriz inversa de A ? Para obtener la inversa trabajamos en 2 etapas. Para verlo claramente, usemos la siguiente matriz:

2 A= 1
Calculemos su inversa de esta forma:

3 5
3 1 5 0 0 1

2 1

El tema es triangular A por encima y por debajo de su diagonal principal de modo que nos quede la identidad de 2 x 2 a la izquierda, y a la derecha, la matriz inversa de A. Ojo, que si no te queda la identidad a la izquierda, significa que A no es inversible.

ASIMOV

- 59 -

Sistemas lineales - Matrices

Parece complicado, pero no es tan terrible si la matriz no es enorme. El primer paso es triangular por debajo, como hicimos cuando estudiamos el mtodo de Gauss. Hagmoslo ! Hago esta operacin entre filas: L1 2 L2

2 2 2 *1
Y esto nos da:

3 1 3 2*51 2*0
2 0 3 1 7 1 0 2

0 0 2 *1

Ahora triangulemos por encima de la diagonal. O sea, queremos poner un cero en lugar del 3 que esta en la fila 1 y en la columna 2 de la matriz de la izquierda. Para eso, hacemos esta cuenta: 7L1 + 3L2:

(7 * 2 ) + (3 * 0 ) 0 Esto da:

( 7 * 3 ) + ( 7 * 3 ) ( 7 * 1) + ( 3 * 1) 7 14 0 0 10 7 1 1 6 2

(7 * 0 ) + ( 2 * 3) 2

Ahora lo que queremos es dejar la identidad a la izquierda, as que vamos a dividir la fila 1 de cada matriz por 14 y la fila 2 por -7:

14 / 14 0 /( 7 )

0 / 14 10 / 14 7 /( 7 ) 1 /( 7 )

6 / 14 2 /( 7 )

Y tenemos finalmente, simplificando cuando es posible:

1 0

0 5/7 1 1/7

3/7 2/7

Siendo la matriz de la derecha, la inversa de A. Ahora verifiquemos que est bien el resultado ! Es re importante que siempre verifiques para estar tranquilo de que no cometiste ningn error de cuentas. Es fcil tener errores pavos al hacer una doble triangulacin. Para verificar, te alcanza con ver que A. A-1 = I, con I la matriz identidad de 2 x 2. Mir:

ASIMOV

- 60 -

Sistemas lineales - Matrices

A.A

2 = 1

3 5

5 / 7 1 / 7

3 / 7 2 / 7

0 1

(2 * 5 / 7 ) + ( 3 * 1 / 7 ) = (1 * 5 / 7 ) + ( 5 * 1 / 7 ) 10 / 7 3 / 7 = 5 / 7 5 / 7

( 2 * 3 / 7 ) + (3 * 2 / 7 ) ( 1 * 3 / 7 ) + (5 * 2 / 7 ) 7 / 7 = 0

6 / 7 + 6 / 7 3 / 7 + 10 / 7

0 1 = 0 7 / 7

Y entonces podemos decir que el resultado que tenemos para la inversa de A es correcto, y no slo eso: ES UNICO ! Esto es sper importante: SI EXISTE LA INVERSA, ES NICA, O SEA, SOLO HAY UNA MATRIZ A-1 QUE VERIFIQUE QUE A.A-1 = I.

CONCLUSIONES:

Todas estas afirmaciones son equivalentes, y tens que entenderlas y poder usarlas indistintamente:

A es inversible La solucin del sistema Ax = b es nica, cualquiera sea b. (O sea que la solucin sea nica depende slo de cmo es la matriz A) El sistema homogneo Ax = 0 slo admite la solucin trivial: x = 0

Cuando veamos determinantes, vamos a poder imponer otro criterio para saber qu tipo de sistema tenemos. Fin de la teora de Matrices y sistemas de ecuaciones. Vamos a los ejercicios.

ASIMOV

- 61 -

Sistemas lineales - Matrices

EJERCICIOS SACADOS DE PARCIALES

El tema ac es no asustarse y mirar fijo el enunciado. Lo que tenemos ac es un sistema del tipo Ax = x + b. Como lo que te piden es que encuentres todos los valores de a real para que el sistema sea compatible, lo ms prctico es que pongas todas las "x" del mismo lado al fin y al cabo, se trata de una ecuacin matricial, as que, respetando las propiedades matriciales, lo pods manejar como una ecuacin cualquiera. Ax = x + b => Ax x = b

Como te dije antes, usamos esta propiedad de la matriz identidad: x=x*I=I*x Entonces, hacemos: Ax x = b => Ax Ix = b => (A - I) x = b

Y ahora el sistema que vamos a resolver es (A - I) x = b Calculemos A I:

6 15 12 15 1 0 2 6 3 0 0 1 A I = 1 1 1 2 0 0 1 4 3 4 0 0

0 0 1 0

0 5 15 12 15 0 2 7 3 0 = 0 1 1 0 2 3 3 1 1 4

De manera general, para ver si un sistema es compatible hay dos maneras:

Triangulando por Gauss Con el clculo del determinante de (A - I)

Vamos a triangular por Gauss. Resolvamos:

ASIMOV

- 62 5 15 12 15 a + 2 2 7 3 0 a 1 1 1 0 2 2a 1 4 3 3 a

Sistemas lineales - Matrices

=>

2 F1 5F2 F1 5F3 F1 5F 4

=>

5 15 12 15 a + 2 0 65 39 30 3a + 9 0 20 12 5 11a + 2 0 5 3 0 4a + 2

Como 65 y 20 son mltiplos de 5, vamos a hacer el cambiazo de filas, y nos va a quedar:


5 15 12 15 a + 2 0 5 3 0 4a + 2 0 20 12 5 11a + 2 => 0 65 39 30 3a + 9 5 15 12 15 a + 2 0 5 3 0 4a + 2 0 0 0 5 5a + 10 0 0 0 30 55 a + 35

4 F2 + F3 13F2 + F 4

=>

6 F3 F4

=>

5 15 12 15 a + 2 0 5 3 0 4a + 2 0 0 0 5 5a + 10 0 0 0 0 25 a + 25

Entonces, despus de triangular toda la matriz, Se nos anul una sola fila, la ltima. Fijate bien que si a es distinto de -1, queda un absurdo del tipo "cero igual a algo distinto de cero". De esta forma, concluimos que el nico valor de a para el cual el sistema es compatible es: a=-1 Como te piden que para alguno de los valores de a encontrados resuelvas el sistema, reemplazamos por a = -1, que es el nico valor de a tal que el sistema sea compatible. Como ya tenemos la matriz triangulada, la cosa es sencilla:
5 15 12 15 1 0 5 3 0 6 0 0 0 5 15 0 0 0 0 0

De la tercera fila, queda: x4 = 3. En la segunda fila despejamos x2.en funcin de x3. Esto nos da: 6 3 => x 2 = x 3 - 5 x2 = 6 + 3 x3 5 5

ASIMOV

- 63 -

Sistemas lineales - Matrices

Y con los valores de x2 y x4 vamos a despejar x1 en funcin de x3

6 3 5 x1 = 1 15 x 2 12 x 3 15 x 4 = 1 15 x 3 12 x 3 15 * 3 = 26 + 3 x 3 5 5 26 3 + x3 De modo que x1 = 5 5
Conclusin: El conjunto de soluciones del sistema compatible para a = -1 es infinito (hay una solucin para cada valor de x3):

6 3 6 3 3 26 26 3 , , 0 ,3 + x 3 , ,1, 0 S = + x 3 , x 3 , x 3 ,3 = 5 5 5 5 5 5 5 5
O sea, con a = -1 te queda un sistema compatible, pero como la solucin te queda en funcin de una de las variables, el sistema es indeterminado.

Ac te estn pidiendo todos los valores de k tales que (0, 1, k, -1) sea una de las infinitas soluciones del sistema. Primero, veamos que (0, 1, k, -1) es efectivamente solucin Lo que hacemos es reemplazar la cuaterna (x1, x2, x3, x4) por (0, 1, k, -1) e igualar a b = (7, -3, 3, -11). Nos queda el siguiente sistemita: 0+6 0 k2 0+4 -8 (-1) = 7 = 7 (-1) = 1 k2 = -3 + (-1) = 3 = 3 + (-3) = -11 = -11

Tres de las cuatros ecuaciones se verifican de manera trivial. Entonces nos queda slo por analizar la ecuacin: 1 k2 = -3 Esto se cumple si y slo si: => 4 k2 = 0 k=2 o => k = -2 (2 - k) (2 + k) = 0

ASIMOV

- 64 -

Sistemas lineales - Matrices

Entonces, hasta ac, recapitulemos: Encontramos dos valores de k tales que el vector (0, 1, k, -1) sea solucin del sistema planteado, o sea, para otros valores de k distintos de 2 o de -2 este vector no va a verificar las 4 ecuaciones. Veamos que (0, 1, k, -1) es slo una de las INFINITAS soluciones Ahora, el enunciado dice: " hallar todos los valores de k tales que (0, 1, k, -1) ES UNA DE LAS INFINITAS SOLUCIONES ". Entonces, tenemos que ver que tipo de sistema nos queda para cada uno de los dos nicos valores de k obtenidos. As que manos a la obra. Vamos a reemplazar por los valores de k en el sistema y vamos a triangularlo. Si nos quedan una o ms filas como combinacin lineal de otras filas, entonces el sistema tendr infinitas soluciones (que es lo que estamos buscando). En cambio, si el sistema es linealmente independiente, (0, 1, k, -1) ser la nica solucin posible. Primero escribamos el sistema en forma matricial, como lo hicimos anteriormente:
1 6 0 3 0 k k 4 0 0 8 0 1 7 1 3 1 3 3 11

Empecemos reemplazando por k = -2 y triangulemos. Te dejo a vos ver qu operaciones entre filas uso, pero es bastante evidente de todos modos:
1 6 0 3 2 4 0 8 0 1 7 2 1 3 0 1 3 0 3 11 1 6 0 1 7 0 18 2 2 24 0 16 0 1 17 0 8 0 11 3

=>

Intercambio las filas 2 y 4 y sigo triangulando:


1 0 0 0 6 8 16 18 0 0 0 2 1 3 1 2 7 11 17 24 1 0 0 0 6 8 0 18 0 0 0 2 1 3 5 2 7 11 5 24

=>

Ya no vale la pena seguir adelante con la triangulacin. Claramente el sistema es linealmente independiente, ya que ninguna de sus filas puede ser obtenida como

ASIMOV

- 65 -

Sistemas lineales - Matrices

combinacin lineal de otra/s. Fijate que F1, F2 y F3 son L. i. y adems F2 y F4 tambin lo son, as que por carcter transitivo, el sistema es L. i. para k = - 2. Ahora reemplacemos por k = 2 y triangulemos:
1 6 0 1 7 3 0 2 1 3 2 4 0 1 3 0 8 0 11 3 1 6 0 18 0 8 0 8 1 7 2 2 24 0 3 11 0 3 11 0

=>

Ac ya podemos parar un cachito, porque es trivial que F4 = ( -1 ) F3. As que con k = 2 obtenemos un sistema de infinitas soluciones Resolucin del sistema: Ahora, y por ltimo, nos piden que resolvamos el sistema para alguno de los k hallados (o sea, para el nico en este caso).
1 6 0 1 7 0 18 2 2 24 0 0 8 19 3 0 0 0 0 0

Elijo poner todo en funcin de x4. Me queda: 8x3 = - 3 19 x4 =>

3 19 x3 = x 4 8 8

3 19 24 2 x 4 + 2 x 4 (24 2 x3 + 2 x 4 ) 8 8 = 11 + 3 x Asimismo: x 2 = = 4 18 18 8 8
Y finalmente:

5 5 11 3 x1 = 7 6x2 + x4 = 7 6 + x4 + x4 = x4 4 4 8 8

Conclusin: Las infinitas soluciones del sistema con k = 2 se pueden escribir segn:

11 3 3 19 5 5 S = x 4 , + x 4 , x4 , x4 8 8 8 8 4 4
Que tambin puede expresarse segn:

ASIMOV

- 66 -

Sistemas lineales - Matrices

5 11 3 5 3 19 S = , , ,0 + , , ,1 x4 8 4 8 8 4 8
Fijate que el ejercicio es bastante fcil. Lo ms importante es saber por dnde vas a empezar y hacia donde tens que ir, antes de comenzar a resolver tens que tener en claro el plan del trabajo a realizar.

En este problema el razonamiento es similar al del ejercicio anterior, as que slo te pongo las cuentas claves y listo. Si (1, 1, 1, -1) es solucin, entonces tenemos el sistema S1: 1 + a2 + 5 a -1 = - a2 + 3 1 +2 -b=9 2 + 9 - 13 + 5 = 3 Si (3, 4, 3, 0) es solucin, entonces tenemos el sistema S2: 3 + 4 a2 + 15 a + 0 = -a2 + 3 3 +6 +0=9 6 + 36 -39 +0=3 De S1 tenemos que b debe ser tal que: 1 + 2 b = 9 => Adems, de S1 nos queda: 1 + a2 + 5 a -1 + a2 3 = 0 => 2 a2 + 5 a 3 = 0 b = -6

Y resolviendo la cuadrtica en a nos quedan estos dos valores posibles:

a = 3

a=

1 2

ASIMOV

- 67 -

Sistemas lineales - Matrices

Por otro lado, de S2 tenemos que: 3 + 4 a2 + 15 a + a2 3 = 0 De donde sacamos que: a= -3 o a = 0 Por lo tanto, para satisfacer ambos sistemas S1 y S2 de modo tal que ambos vectores (1, 1, 1, -1) y (3, 4, 3, 0) sean soluciones slo puede ser el valor de a comn a S1 y S2: a = -3 Ahora, para a = -3 y b = -7, resolvemos el problema: => 5 a2 +15 a = 0

1 9 15 1 6 2 6 9 1 0 2 9 13 5 3

=>

1 9 15 1 6 0 9 17 7 15 0 9 17 7 15

Fijate que la fila 3 es igual a la fila 2, as que nos quedan 2 parmetros libres. Elijo arbitrariamente a x3 y a x4 y despejo:

x2 =

1 ( 15 + 17 x3 7 x 4 ) 9
1 ( 15 + 17 x 3 7 x 4 ) + 15 x 3 x 4 9

x 1 = 6 9 x 2 + 15 x 3 x 4 = 6 9 *

= 6 ( 15 + 17 x 3 7 x 4 ) + 15 x 3 x 4 = 9 2 x 3 + 6 x 4

De modo que la solucin a nuestro problema se puede escribir como:


1 S = 9 2 x3 + 6 x4 , ( 15 + 17 x3 7 x4 ) , x3 , x4 9

O, lo que es lo mismo,

7 5 17 S = 9, ,0,0 + 2, ,1,0 x3 + 6, ,0,1 x4 3 9 9

ASIMOV

- 68 -

Sistemas lineales - Matrices

Nos piden encontrar una solucin de Ax = b que tambin lo sea de Bx = b. O sea, lo que tenemos que hacer es buscar la interseccin de los conjuntos solucin de ambos sistemas lineales. El conjunto solucin SA de Ax = b es un dato del problema. El conjunto solucin SB de Bx = b es desconocido por el momento, pero nos dan dos soluciones particulares de este sistema, as que no es tan complicado calcularlo. En lo nico que tens que tener cuidado es en lo que te explico a continuacin. Estamos en R3, de modo que podemos tener las siguientes soluciones en un tal espacio vectorial:

un punto una recta un plano


Como el enunciado nos da 2 puntos que verifican Bx = b, entonces, sabemos que como mnimo el conjunto de soluciones ser una recta, y como mximo, un plano. Como igual lo que nos interesa es ver la interseccin de SA y de SB, y adems, cualquier recta que una dos puntos que pertenecen a un plano cualquiera est tambin incluida en dicho plano. Es decir que si encontramos la recta que une a los puntos dados por el enunciado, podemos asegurar que esta recta pertenece a SB. Podemos calcular la pendiente de esta recta LB restando los puntos dados: (3, 0, -2) (0, 3, -5) = (3, -3, 3) Adems, como ambos puntos pertenecen a la recta, podemos escribir la ecuacin de LB como: LB : (3, -3, 3) + (3, 0, -2) Ahora la cosa ya es sencillita: buscamos la interseccin de LB y la recta solucin de Ax = b, LA, cuya ecuacin es dato, como ya dijimos antes: LA: (1, 1, -2) + (-2, -1, 2) Te acords cmo hacamos esto? Igualbamos ambas ecuaciones componente a componente y hallbamos los parmetros desconocidos. 3+3=-2 -3 = - 1 3 2 = -2 + 2 Restando la tercera ecuacin a la primera, eliminamos y obtenemos: 5=3-4 => =3

De la segunda ecuacin obtenemos: = - 2/3. Reemplazando en la ecuacin de LA

ASIMOV

- 69 -

Sistemas lineales - Matrices

obtenemos:

3 (1, 1, -2) + (-2, -1, 2) = (1, 2, -4)

Fijate que da lo mismo que reemplaces en la ecuacin de LA o en la ecuacin de LB. Si esto no te convence, hac la cuenta para comprobarlo. Conclusin: El punto que pertenece simultneamente a ambos conjuntos de soluciones, SA Y SB es: ( 1, 2, -4 ).

Este problema es muy similar a los primeros que resolvimos. Es incluso un poco ms sencillo, porque tiene menos cuentas. Como te piden que ( 1, 0, 1, 2 ) sea solucin del sistema, metemos esto en las ecuaciones y resolvemos: 2 +0+1+0=3 1 -0+32=2 2a+0+74=7 1 +0a+2=b De la tercera ecuacin obtenemos a: en la cuarta ecuacin, obtenemos b: 2 a = 7 7 + 4 => a = 2. Metiendo este valor => b=1

12+2=b

Y para estos valores de a y b, nos piden que resolvamos el sistema, as que al igual que antes, vamos a triangular
2 2 1 0 3 1 1 3 1 2 4 0 7 2 7 1 3 2 1 1 2 2 1 0 3 0 4 1 1 1 0 4 5 2 1 0 4 5 2 1

=>

La fila 4 es mltiplo de la fila 3, entonces, ni vale la pena seguir con esa fila.

ASIMOV

- 70 -

Sistemas lineales - Matrices

Me alcanza con hacer una operacin ms y chau.


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

Me quedar un parmetro libre nicamente. Elijo que sea x3. Entonces: x4 = 4x3

x2 =
Y por ltimo,

1 3 1 1 ( 1 + x 3 x 4 ) = ( 1 + x 3 4 x 3 ) = x 3 4 4 4 4

x1 =

7 1 1 1 3 (3 2 x 2 x3 ) = 1 3 2 x 3 x 3 = + x 3 2 2 4 4 4 4

Conclusin: El conjunto de soluciones del sistema, para a = 2 y b = 1 puede escribirse como:

1 3 1 3 1 7 1 7 S = + x 3 , x 3 , x 3 , 4 x 3 = , , 0 , 0 + , ,1, 4 x 3 4 4 4 4 4 4 4 4
FIN MATRICES Y SISTEMAS DE ECUACIONES

ASIMOV

- 71 -

DETERMINANTES

DETERMINANTES
INTRODUCCION
En este captulo definiremos el determinante de una matriz n x n. Esto se puede hacer de muchas formas. La definicin que daremos nos permite obtener un procedimiento relativamente fcil para el clculo de determinantes, parte de la teora de determinantes envuelve procesos engorrosos y difciles que no sern expuestos. As que asumiremos sin prueba aquellos resultados que caen dentro de esta categora. El determinante es una funcin que le asigna a una matriz de orden n, un nico nmero real llamado el determinante de la matriz.

Primero lo primero: SOLO ES POSIBLE PENSAR EN CALCULAR UN DETERMINANTE SI LA MATRIZ ES CUADRADA, SI NO, NO. Entonces, a partir de esto comencemos Dada una matriz cuadrada cualquiera A, el DETERMINANTE es una operacin que se realiza sobre matrices cuadradas cuyo resultado es un nmero real. Para entender su definicin consideremos previamente algunos conceptos. PERMUTACIN DE UN CONJUNTO DE N DATOS Consideremos un ejemplo concreto. Sean 3 nmeros cualesquiera, {1, 2, 3}, se entiende por permutacin de esos 3 nmeros a las distintas formas que tenemos de ordenar ese conjunto. De esta forma podemos decir que este conjunto tiene las siguientes permutaciones: {1,2,3}, {1,3,2},{2,3,1}, {2,1,3}, {3,1,2}, {3,2,1} Es decir un total de 6 permutaciones, nmero que coincide con 3 ! ( Tres factorial ). En general si tenemos un total de n-elementos y deseamos obtener todas las permutaciones que podemos obtener al ordenar esos n-elementos, podremos conseguir un total de n ! permutaciones. TRASPOSICIN DE UNA PERMUTACIN Una trasposicin de una permutacin es el cambio de orden entre dos elementos de una permutacin, as por ejemplo si pasamos de la permutacin { 1, 3, 2 } a la permutacin { 1, 2, 3 } hemos realizado una trasposicin pues hemos intercambiado los lugares del 2 y 3.

DEFINICIONES Y DEMAS YERBAS:

ASIMOV

- 72 -

DETERMINANTES

En este terreno suele resultar conveniente obtener el nmero de trasposiciones necesarios para reordenar una permutacin cualquiera y transformarla en la permutacin inicial { 1, 2,...., n }. Veamos esto con un ejemplo. Las siguientes permutaciones requieren los siguientes cambios: {3, 2, 1} -> {1, 2, 3} {2, 3, 1} -> {1, 3, 2} 1 sola trasposicin 2 trasposiciones: cambio 1 por 2 -> {1, 2, 3} y el 2 por el 3.

A partir de estos conceptos, podemos llegar a la definicin de determinante. Fijate: DEFINICIN DETERMINANTE DE UNA MATRIZ CUADRADA Sea A una matriz cuadrada de orden n, se define el determinante de A y se suele denotar por |A| o bien det(A) a la suma de los n ! productos (con el signo que corresponde al nmero de permutaciones) formados por n-factores que se obtienen al multiplicar n-elementos de la matriz de tal forma que cada producto contenga un solo elemento de cada fila y columna de A. En forma analtica:

dnde:

A = det( A) = (1) sk a1 j1 a2 j2 a3 j3 ....anjn


k =1

n!

(j1, j2,..., jn) es una de las n ! permutaciones del conjunto { 1,2,...., n }. sk es el nmero de trasposiciones requeridos para reordenar la permutacin {j1, j2,..., jn} en el orden de {1, 2,..., n}.

De este modo, si sk es un nmero par, (-1) sk es igual a 1 y decimos que la permutacin es PAR, mientras que si sk es un nmero impar, (-1) sk es igual a 1, y decimos que la permutacin es IMPAR. Ahora vamos a ver un par de ejemplillios para que todo te quede ms claro, porque con el choclo de ac arriba todo parece ms complicado de lo que realmente es. Veamos cmo se calcula el determinante de una matriz de 2 x 2: Sea A la matriz tal que: 3 2 A= 8 1 Todas las posibles permutaciones de {1, 2} son: {1, 2} que es permutacin par, signo + y {2, 1} que es permutacin impar, signo -

ASIMOV

- 73 -

DETERMINANTES

Entonces, el determinante de A es:

A = det( A ) = ( 1 ) a 11 a 22 + ( 1) 1 a 12 a 21 = 3 * 1 + ( 1 ) * ( 2 ) * 8 = 19
2

Dnde el primer producto corresponde a la permutacin par con 0 trasposiciones: {1, 2} -> {2, 1}, mientras que el segundo producto corresponde a la permutacin impar: {1, 2} -> {2, 1} Veamos cmo se calcula el determinante de una matriz de 3 x 3: Sea A la matriz tal que:
1 3 1 A= 0 5 2 6 1 1

Las permutaciones posibles en este caso son 3! = 3 x 2 x 1 = 6, y son las siguientes: {1, 2, 3} -> permutacin par -> signo + {1, 3, 2} -> permutacin impar -> signo {2, 1, 3} -> permutacin impar -> signo {2, 3, 1} -> permutacin impar -> signo {3, 1, 2} -> permutacin impar -> signo {3, 2, 1} -> permutacin par -> signo + Entonces el determinante de A es: -

A = det( A) = +a11a22 a33 a11a23a32 a12 a21a33 a12 a23a31 a13a21a32 + a13a22 a31
Y reemplazando por los valores de los coeficientes, tenemos:

A = 1 * 5 * 1 1 * 2 * 1 ( 3) * 0 * 1 ( 3) * 2 * ( 6 ) 1 * 0 * 1 + 1 * 5 * ( 6 ) = 5 2 + 0 36 + 0 30 = 63
Y mir esto: cada uno de los productos involucrados en el clculo de det(A) se llaman productos elementales. Llamamos producto elemental al producto de n elementos de la matriz en cuestin, sin que dos de ellos, cualesquiera sean, provengan de una misma fila ni de una misma columna. Comprobalo as te convencs.

ASIMOV

- 74 -

DETERMINANTES

ALGUNAS PROPIEDADES DE LOS DETERMINANTES ( Ver )


1- Si todos los elementos de una lnea (fila o columna) de una matriz cuadrada se descomponen en dos sumandos, entonces su determinante es igual a la suma de dos determinantes que tienen en esa lnea los primeros y segundos sumandos, respectivamente, y en las dems los mismos elementos que el determinante inicial. det (L1 + L'1, L2, L3...) = det (L1, L2, L3...) + det (L'1, L2, L3...) 2- Si se multiplican todos los elementos de una lnea de una matriz cuadrada por un nmero, el determinante queda multiplicado por dicho nmero. det (kL1, L2, L3...) = k det (L1, L2, L3...) Asimismo, si se multiplican a todos los elementos de A por un nmero, el determinante es: det (kA) = kn x det (A) 3- Si A y B son dos matrices cuadradas del mismo orden, entonces se verifica: det (AB) = det (A) x det (B) 4- Si permutamos dos lneas paralelas de una matriz cuadrada, su determinante cambia de signo con respecto al inicial: det (L1, L2, L3...) = - det (L2, L1, L3...) 5- Si una matriz cuadrada tiene una lnea con todos los elementos nulos, su determinante vale cero. det (0, L2, L3...) = 0 6- Si una matriz cuadrada tiene dos lneas paralelas iguales, su determinante vale cero. det (L1, L1, L3...) = 0 7- Si dos lneas paralelas de una matriz cuadrada son proporcionales, su determinante se anula. det (L1, kL1, L3...) = 0 8- Si una fila (columna) de una matriz cuadrada es combinacin lineal de algunas de las restantes filas (columnas), su determinante vale cero.

ASIMOV

- 75 det (L1, L2, aL1 + bL2...) = 0

DETERMINANTES

9- Si a una lnea de una matriz cuadrada se le suma otra paralela, su determinante no vara. det (F1 + F2, F2) = det (F1, F2) + det (F2, F2) = det (F1, F2) 10- Si a una lnea de una matriz cuadrada se le suma otra paralela multiplicada por un nmero, su determinante no vara. det (L1 + k L2, L2, L3...) = det (L1, L2, L3...) + det (kL2, L2, L3...) = det (L1, L2, L3...) + 0 11- Si A es una matriz de n x n, y B es la matriz traspuesta de A, entonces: det (A) = det (B) 12- Si el determinante de una matriz A es distinto de cero, entonces la matriz es inversible y viceversa. 13- Si A es inversible, y su inversa es B, entonces se cumple que:

det( B) =

1 det( A)

DESARROLLO DEL DETERMINANTE POR COFACTORES


Antes de definir el determinante por cofactores de una matriz, tenemos que definir otros conceptos. Menor de un elemento: Sea una matriz cuadrada n x n. Llamaremos menor del elemento aij (fila i, columna j) de A, y lo denotaremos Mij al determinante de la submatriz resultante de eliminar la fila i y la columna j donde se encuentra el elemento. Veamos un ejemplo. Sea A la matriz tal que:
2 A= 3 1 1

Veamos los menores asociados a cada uno de los elementos de esta matriz:

ASIMOV

- 76 El El El El menor menor menor menor asociado asociado asociado asociado al al al al elemento elemento elemento elemento a11 = 2 es M11 = det(1) = 1 a12 = -1 es M12 = det(3) = 3 a21 = 3 es M21 = det(-1) = -1 a22 = 1 es M22 = det(2) = 2

DETERMINANTES

Cofactor asociado a un elemento: El cofactor cij asociado al elemento aij de A est dado por.

c ij = ( 1) i + j M ij
Ahora, veamos los cofactores asociados a cada uno de los 4 elementos que vimos hace un ratito. El El El El cofactor cofactor cofactor cofactor asociado asociado asociado asociado al al al al elemento elemento elemento elemento a11 = 2 es c11 = (-1)1+1 M11 = (-1)2 * 1 = 1 a12 = -1 es c12 = (-1)1+2 M12 = (-1)3 * 3 = -3 a21 = 3 es c21 = (-1)2+1 M21 = (-1)3 * (-1) = 1 a22 = 1 es c22 = (-1)2+2 M22 = (-1)4 * 2 = 2

Clculo del determinante de una matriz usando cofactores Para calcular el determinante mediante cofactores, multiplicamos los elementos de cualquier fila (o columna) por sus cofactores, y sumamos los productos que resulten. O sea, la formulita que tens que aplicar cada vez que uses este mtodo con una matriz A de i filas y j columnas es:

det( A) = a1 j C1 j + a 2 j C 2 j + ... + a nj C nj
Esto es el determinante desarrollando cofactores por la j-sima columna. Desarrollando cofactores por la i-sima fila, tens esto:

det( A) = ai1Ci1 + ai 2Ci 2 + ... + ain Cin


NOTA: Fijate que vas a ir usando el mtodo de cofactores hasta que los Mij sean de orden 2 x 2, y recin ah uss que

A =

a c

b = ad bc d

Ahora veamos como se calcula det(A) Siendo A una matriz de 3 x 3 tal que:

1 2 1 A = 0 3 1 2 1 4

ASIMOV

- 77 -

DETERMINANTES

Antes de largarte a calcular a lo bestia, te conviene mirar fijo la matriz para ver por donde te conviene desarrollar los cofactores: y * por fila o por columna * por cual de las filas o por cual de las columnas

El tema es este: si tens una fila o una columna con ms ceros que otra, te va a convenir desarrollar los cofactores por esa lnea, ya que te vas a ahorrar el clculo de uno o ms menores. De hecho, slo vas a calcular los Cij que correspondan a los aij no nulos. Cuando la matriz es de orden 2 x 2, est todo bien y ni vale la pena usar cofactores, pero si tens una matriz de orden 3 x 3 o mayor es un alivio ahorrar cuentas. Ojo, puede haber ms de una opcin igualmente buena. Entonces, para la matriz dada ac arriba lo mejor es desarrollar cofactores por la columna 1 o por la fila 2, ya que en el lugar a21 tenemos un 0. Lo vamos a calcular de las dos formas. 1) Desarrollo de cofactores por la columna 1 de la matriz A: Desarrollando por la columna 1 tenemos: Det(A) = a11c11 + a21c21 + a31c31 La cosa funciona as: Me paro en el elemento a11 y elimino la primera fila y la primera columna de A, y calculo el menor asociado, M11

M 11 =

3 1 = 3 * 4 1 * 1 = 12 1 = 11 1 4

Como el elemento a21 es 0, ni me gasto en calcular el menor M21. Me paro en el elemento a31 y elimino la tercera fila y la primera columna de A y calculo el menor asociado, M31

M 31 =
As que el determinante de A es:

2 1 = 2 * 1 3 * (1) = 2 + 3 = 5 3 1

Det(A) = 1 * C11 + 2 * C31 = 1 * (-1)1+1 * 11 + 2 * (-1)1+3 *5 = 11 + 10 = 21 2) Desarrollo de cofactores por la fila 2 de la matriz A: Desarrollando por la fila 2 tenemos:

ASIMOV

- 78 Det(A) = a21c21 + a22c22 + a23c23 Det(A) = a22c22 + a23c23

DETERMINANTES

Como a21 = 0, nos queda:

Me paro en el elemento a22 y elimino la segunda fila y la segunda columna de A, y calculo el menor M22

M 22 =

1 1 = 1* 4 ( 1) * 2 = 4 + 2 = 6 2 4

Ahora me paro en el elemento a31 y elimino la segunda fila y la tercera columna de A, y calculo M23 1 2 M 23 = = 1 * 1 2 * 2 = 1 4 = 3 2 1 Entonces, el determinante de A es: Det(A) = 3 * (-1)2+2 * M22 + 1 * (-1)2+3 * M23 = 3 * 1 * 6 + 1 * (-1) * (-3) = 21 De modo que comprobamos que da lo mismo por dnde desarrolles los cofactores. Lo importante es simplificar al mximo los clculos.

REGLA DE CRAMER

El mtodo de Gauss que vimos en el captulo de matrices es sencillo y eficaz para resolver un sistema de ecuaciones lineales. Sin embargo, tiene un inconveniente. Si de un sistema de 300 incgnitas tan slo nos interesan 7, siguiendo el mtodo de Gauss, habramos de seguir el proceso de triangulacin como si nos interesaran todas ellas. La regla de Cramer, que ahora veremos, aprovecha con astucia las propiedades de las matrices y sus determinantes para despejar, separadamente, cualquiera de las incgnitas de un sistema de ecuaciones lineales. Entonces, para poder usar la regla de Cramer, pedimos que el sistema sea compatible determinado, o sea, que tenga solucin nica. Primero veamos un par de conceptos, algunos ya conocidos, pero vistos desde otro ngulo. 1) Matriz de cofactores y matriz adjunta de A: Habamos visto que el cofactor del elemento aij de una matriz A n x n, denotado cij , est definido como:

ASIMOV

- 79 -

DETERMINANTES

c ij = ( 1) i + j M ij
Reemplazando los elementos aij de una matriz A por sus cofactores, se obtiene la matriz de cofactores de A, denotada por cof(A). De este modo tenemos:
C11 C cof ( A) = 21 ... C n1 C12 C 22 ... Cn2 ... C1n ... C 2 n ... ... ... C nn

Asimismo, la matriz adjunta adj(A) es la traspuesta de la matriz de cofactores:


C11 C adj ( A) = 12 ... C 1n C 21 C 22 ... C 2n ... C n1 ... C n 2 ... ... ... C nn

Seguro que ahora no le ves utilidad a esas definiciones, pero vas a ver que estos conceptos sern necesarios a la hora de usar la regla de Cramer. 2) Solucin nica y determinantes: cmo se relacionan estos conceptos? Ahora te voy a contar qu tiene que ver el determinante con que un sistema tenga o no solucin nica. Cuando vimos matrices, te cont que para que un sistema tenga solucin nica, tena que pasar alguna de estas 3 cosas:

A es inversible La solucin del sistema Ax = b es nica, cualquiera sea b. (O sea que la solucin sea nica depende slo de cmo es la matriz A) El sistema homogneo Ax = 0 slo admite la solucin trivial: x = 0

Ahora vamos a introducir una nueva forma de determinar rpidamente si el sistema es compatible determinado o no lo es. Te voy a hacer una mini demostracin, slo para que te convenzas de lo que te digo, y adems, porque de paso vemos un truquito sencillo y bastante piola que te puede servir para resolver algunos ejercicios. Aqu vamos Suponete que tens este sistema: Ax = b

ASIMOV

- 80 -

DETERMINANTES

Donde: A matriz cuadrada, para poder calcularle el determinante. x vector de incgnitas que solamos calcular usando Gauss b, el vector de trminos independientes. Para ver si A es inversible sin calcular su inversa la cosa es simple: Sabemos que vale siempre que A sea cuadrada que: A. A-1 = A-1. A = I Tambin sabemos que det(A.B) = det(A). det(B). Entonces tenemos:
A 1 A = A 1 A = I = 1

Si det(A) es distinto de cero, despejemos det(A-1).


A 1 = 1 A

Como supusimos que det(A) es no nulo, entonces exite el determinante de A-1, y obviamente, si existe el determinante de A-1 es porque existe A-1. O sea, pudimos determinar si la matriz posee inversa sin siquiera calcularla, usando slo el determinante de A. Ahora bien, cmo conectamos todo esto con lo primero que te dije, lo de encontrar la solucin nica sin usar Gauss. De Ax = b, tenemos que, si A es inversible, podemos usar este truco: A-1 Ax = A-1 b => x = A-1 b

Entonces, no slo hallamos el valor del vector incgnita x, sino que adems comprobamos que este es nico, ya que A-1 y b tambin lo son. Aparte, fijate que multipliqu por A-1 por izquierda a ambos lados acordate que la multiplicacin de matrices no es conmutativa. 3) Y por fin, la famosa regla de Cramer Primero voy a enunciar la regla y despus te voy a contar bien para qu sirve. Regla de Cramer: Tenemos A de n x n. Sea Ax = b un sistema de n ecuaciones con n incgnitas tal que det(A) sea distinto de 0, es decir, tal que la solucin sea nica. Entonces, podemos decir que la solucin del sistema es (x1, x2, ,xn) donde definimos:

ASIMOV

- 81 A A

DETERMINANTES

Con xj la componente j-sima del vector solucin, y Aj la matriz que se obtiene al reemplazar la j-sima columna de A por el vector columna b. O sea, el valor de la incgnita xj en un sistema de Cramer es una fraccin, cuyo numerador es un determinante que se obtiene al reemplazar la columna j por la columna que forman los trminos independientes, y cuyo denominador es det(A). No voy a hacer la demostracin, pero vamos a ver un ejemplo as esto te termina de cerrar. Resolvamos el siguiente sistema Ax = b segn Cramer:
1 2 1 x1 4 1 1 3 x 2 = 1 2 1 1 x 2 3

Calculemos primero det(A) desarrollando cofactores por la columna 1, dado que lo vamos a necesitar para el clculo de cada xj.
1 A = 1 2 2 1 1 1 3 1

1+1 2+1 3+1 A = 1*(1) * (1*1 (1)*(3) ) + 1*(1) *(2*1 (1)*1) + 2*(1) *(2*(3) 1*1)

Y acomodando esto da:

det(A) = 2 1 + 10 = 7

Ahora s, calculemos el valor de x1:


4 1 x1 = A1 2 = A 2 1 1 7 1 3 1 = 4 * (1 3 ) 1 * ( 2 + 1 ) + 2 * ( 6 1 ) 3 = 7 7

Donde desarroll |A1| por cofactores por la primera columna de A1. Del mismo modo, calculamos el valor de x2:

ASIMOV

- 82 1 1 4 1 2 7 1 3 1 =

DETERMINANTES

x2 =

A2 = A

1 * (1 + 6 ) 4 * ( 1 + 6 ) + 1 * ( 2 2 ) 17 = 7 7

Donde desarroll |A2| por cofactores por la primera fila de A2. Finalmente, calculemos x3
1 1 x3 = A3 = A 2 2 1 1 7 4 1 2 = 9 1 * ( 4 + 4) + 1 * (2 8) 1 * (1 + 4) = 7 7

Donde calcul por cofactores en la segunda fila de A3 atencin con los signos eh !!! Te recomiendo que pruebes seguir las cuentas Entonces, finalmente resolvimos el problema Ax = b, y podemos decir que el vector 3 17 9 , solucin es: , . 7 7 7 Entonces, recapitulando: Cramer es super prctico cuando slo necesits calcular alguna incgnita, porque no tens que triangular todo el sistema para por fin llegar a la variable deseada. El tema es que te obliga a calcular dos determinantes: el de A y el de Aj para la j-sima componente.

AHORA UN EJERCICIO DE PARCIAL

Este problema ya lo resolvimos en el captulo de Sistemas Lineales y Matrices.

ASIMOV

- 83 -

DETERMINANTES

Ahora vamos a resolverlo desde otro punto de vista, usando una nueva herramienta: el DETERMINANTE. La primera parte del ejercicio se resuelve igual que en el captulo anterior, as que no lo voy a hacer ahora. Slo te pongo el resultado al que llegamos: Los valores de k tales que (0, 1, k, -1) sea una solucin del sistema son: k=-2 o k=2

Acordate que para ver esto, agarrbamos y reemplazbamos (0, 1, k, -1) en las ecuaciones, y resolvamos la ecuacin que nos quedaba para k (quedaba una cuadrtica de la forma (a + b) (a - b) = 0). Ahora, en lugar de triangular el sistema para cada valor de k y ver si queda l. i. o l. d., vamos a calcular el determinante y ver si se anula o no. La matriz asociada al sistema queda as:

0 1 6 3 0 k A= k 4 0 0 8 0

1 1 1 3

Yo creo que lo ms prctico es calcular det(A) en funcin de k y reemplazar al final, porque de este modo, calculamos el determinante una sla vez acordate que ahorrar en cuentas es ahorrar en tiempo durante un examen !

1 6 0 3 0 k A= k 4 0 0 8 0

1 1 6 1 1 6 1 1 2+5 = k * (1) k 4 1 =k k 4 1 1 0 8 3 0 8 3 3

Donde hice un desarrollo por cofactores por la tercera columna (porque tiene ms ceros y hago menos cuentas). Ahora desarrollo por cofactores por la primera columna de la matriz de 3 x 3:
A = k [1(12 (8) ) k (18 8)] = k (20 10k )

Ahora, reemplazamos por los valores de k y vemos qu da para cada uno. Si k = -2, queda: Det(A) = -2 (20 10 * (-2)) = -2 * 40 = -80 0 Entonces, si k = - 2, det(A) es distinto de cero, el sistema tiene solucin nica (que

ASIMOV

- 84 -

DETERMINANTES

claramente es la que da el enunciado: (0, 1, k, -1)). Si k = 2, queda: Det(A) = 2 (20 10 * 2) = 2 * 0 = 0 De modo que el nico valor de k tal que el sistema tenga infinitas soluciones es k = 2 Ahora te piden que resuelvas el sistema para alguno de los k hallados tal que haya infinitas soluciones. Como esto ya lo hicimos en el captulo anterior, slo te escribo los resultados la solucin. Sale triangulando A

11 3 3 19 5 5 5 11 3 5 3 19 S = x 4 , + x 4 , x 4 , x 4 = , , ,0 + , , ,1 x 4 8 8 8 8 8 4 4 4 8 8 4 8
Observacin: Fijate que de todos modos, como te piden que resuelvas y halles la solucin, vas a tener que triangular, as que, a mi modo de ver te conviene ver qu pasa para cada valor de k usando Gauss directamente y no el clculo del determinante. Claro, vos me vas a decir seguro; En vez de usar Gauss, puedo usar la regla de Cramer para calcular (x1, x2, x3, x4). Rta:No!!! Acordate de que Cramer slo vale para matrices cuadradas, y a vos TE ESTN PIDIENDO QUE DES LA SOLUCIN PARA EL VALOR DE k TAL QUE EL SISTEMA TENGA INFINITAS SOLUCIONES. Ojo con esto!!!! FIN DETERMINANTES

ASIMOV

- 85 -

ESPACIOS VECTORIALES

ESPACIOS VECTORIALES
- Hola ! Primero, antes de meternos con ochocientos mil teoremas y cuentas y frmulas y vectores quiero hacer una pregunta: Por qu estudiar lgebra lineal ? -Qu tul? Respuestas? Nada? Ni la menor idea? Claro que si sos estudiante de Matemtica la respuesta es simplemente porque en el lgebra lineal hay una gran belleza. Es como una torre altsima construida con cimientos que definiciones, con ladrillos que son teoremas y lemas y corolarios que son un revoque finsimo. A diferencia del Clculo, en el lgebra todo es limpito, claro y reluciente. Ahora, si no sos matemtico probablemente esta respuesta te parezca ms bien un delirio... Entonces te puedo dar otra. El pensar en rectas y planos y puntos es una cosa ms o menos abstracta. El pensar en espacios generales de cualquier nmero de dimensiones, y en objetos que viven ah y en sus propiedades e interrelacin, es TOTALMENTE ABSTRACTO. Y aprender a pensar en eso sirve y mucho. - Para qu ? Para TODO!! Por qu ?, por que todo el tiempo, en cualquier actividad se nos plantean situaciones, " problemas " a resolver (desde hacerte un snguche hasta resolver un examen de la facultad; desde planear la construccin de un edificio hasta pilotear una cena con una suegra insoportable). La resolucion de cualquier tipo de situacin requiere de la abstraccin. As funciona el cerebro y cuanto ms "abierta" tengas la cabeza, ms capacidad de resolucin. El lgebra lineal te abre la cabeza y mucho. Y eso, al menos para mi ya es suficiente motivo para ponerle ganas al estudio de estas cosas que para algunos pueden resultar tediosas slo por ser abstractas. Ah... y otro detallecito... el nico truco ac es hacer miles de millones de problemas!!!!. As que.... Manos a las cuentas !!

ASIMOV

- 86 -

ESPACIOS VECTORIALES

ESPACIOS VECTORIALES
Para poder arrancar te digo cmo vamos a atacar esta materia tan "matemtica". En lgebra lineal todo SE CONSTRUYE, todo se basa en algunas DEFINICIONES formales y PROPIEDADES, que dan lugar a LEMAS, TEOREMAS y COROLARIOS. Todo cierra muy bien. Nada queda "colgado". Pero para que cierre, las definiciones a veces tienen que ser muy formales. Esto hace que a veces no se entiendan. Las lees y no te dicen nada !!. Entonces, como la idea de este libro es APRENDER y ENTENDER, nuestro modus operandi en este captulo ser primero explicarte qu es la cosa, y ah, ya con la idea de qu es lo que estamos estudiando, tratar de llevarlo a un plano ms formal, ms sinttico y conciso y firme, para convertirlo en ladrillito y utilizarlo para seguir construyendo nuestro edificio/torre matemtica. Guarda que ah v !!!! Qu es un espacio vectorial? Cuando yo escucho espacio vectorial (EV), lo primero en lo que pienso es en vectores. Los vectores los vimos cuando vimos rectas y planos: son como flechas que tienen una direccin, un sentido y un mdulo. Son muy importantes, porque hay muchsimas cosas (problemas matemticos) que pueden describirse por medio de vectores; para darles una representacin geomtrica (o sea con rectas, planos y cosas por el estilo). Ese es el caso ms simple, porque tiene una interpretacin geomtrica. Pero un EV es un bicho complejo. Con un montn de estructura. Son conjuntos de objetos, con ciertas propiedades que iremos viendo, claro, que se llaman vectores. Se llaman as porque tienen las mismas propiedades (no desesperes, ahora vemos cules son) que los que vimos antes como "flechas"; pero un vector en realidad puede ser cualquier cosa. Las ms comunes son: - n-uplas: as se llaman los paquetitos de n componentes. Por ejemplo: (0,1) es una 2-upla; y (8,2,5,2,7,4) es una 6-upla. Antes vimos que las n-uplas de dos o de tres componentes, las podemos pensar como "flechas" en R2 o en R3. Esos son ms fciles porque te los pods imaginar y hacer un dibujito. Bueno, y las de un solo componente son los nmeros comunes. Pero las n-uplas pueden tener cualquier nmero de componentes (n). Ya s qu ests pensando: las de 2 y 3 componentes sirven para algo, pero y el resto?. Claro, parece que no sirven para nada porque hasta ahora no las usamos nunca, pero en realidad s. Son una forma de dar mucha informacin junta.

ASIMOV

- 87 -

ESPACIOS VECTORIALES

Por ejemplo, si te pregunto cuntas horas de clase tens cada da de la semana, vos me pods responder (4,4,0,3,3,0,0), y yo entiendo 4 horas los lunes, 4 los martes, ninguna los mircoles, 3 los jueves, 3 los viernes y ninguna el fin de semana. Entonces, en lenguaje matemtico solamente hace falta una 7-upla para decir algo que en lenguaje normal lleva un rengln y medio. Este es un vector de R7. - Matrices: son como las n-uplas pero ms complicadas. Tambin forman un EV, as que tienen las mismas propiedades que los vectores. - Funciones: bueno esto ya es muy abstracto. Pero por ms complicado que parezca, tambin son vectores. Esto es bastante abstracto pero es muy importante. Las funciones (quizs ya lo viste en otra materia como anlisis) son operaciones que relacionan dos conjuntos de nmeros: agarran valores de uno, y tiran resultados en el otro. Por ejemplo, la funcin y = 2.x, agarra valores de x ( por ejemplo x = 1, x = 3), y me da un resultado y (y = 2 , y = 6). Esta es bastante sencillita, pero hay funciones tan complicadas como se te ocurra; por ejemplo y = x3 + 4; y = 3.x.sen(2x) ; y = 1/x Est bien, parecen mucho ms complicadas, pero la idea es siempre la misma. Las funciones agarran valores de x, hacen la cuenta que dice ah, y me da un resultado y. Muchas veces, en vez de escribir y = 2x se pone f(x) = 2x. Eso es nada ms para darle nombre: a esa funcin la llamamos f(x). Bueno, si ya qued claro qu es una funcin, ahora vamos un paso ms all. Imaginate un conjunto tal que sus elementos son funciones. Por ejemplo, el conjunto A = {f(x) = x2; g(x) = 3-x}. O sea, los elementos del conjunto A son las funciones f(x) y g(x). Ahora imaginate un conjunto con ms elementos: un conjunto con todas las funciones que existen. Par par, eso son muchas funciones. S son infinitas; pero bueno, trat de imaginrtelo. La idea es que ese conjunto es un EV; y las funciones se portan igual que vectores. - OK, los EV son conjuntos de vectores, pero eso es muy amplio, qu ms me pods decir sobre estos espacios? - Bueno para que un conjunto sea un EV tiene que contar con dos tipos de operaciones: una adicin, entre sus elementos ( los vectores ), y un producto, entre vectores y escalares. (Acordate que los escalares son nmeros, que pueden ser reales, complejos, etc.). Entonces ya tenemos: 1 conjunto de vectores, 1 conjunto de escalares y dos operaciones. - Y esto es un espacio vectorial ?

ASIMOV

- 88 -

ESPACIOS VECTORIALES

- Casi. - Casi ? - S, casi. Porque para que todo esto sea un EV, estas operaciones de adicin entre vectores y producto por escalares tienen que satisfacer una serie de propiedades que te voy a dar en la definicin formal. Bueh, pero entonces est claro no? Un espacio vectorial es un conjunto de vectores que pueden "sumarse" entre s y pueden "multiplicarse" por escalares (pertenecientes a un conjunto de escalares llamado cuerpo), y estas dos operaciones cumplen ciertas propiedades. Ya tens idea de lo que es un espacio vectorial. Ahora ms formalmente: Espacio Vectorial. Definicin formal Segn los libros, un "espacio vectorial V sobre un cuerpo F" es un objeto compuesto que consta de 1. Un conjunto V de objetos llamados vectores. Acordate que los vectores pueden ser cualquier cosa, as se llama a los objetos de V. 2. Un cuerpo F de escalares, o sea nmeros, que pueden ser reales o complejos, pero eso lo dejamos para despus. 3. Una operacin llamada "adicin" que, dados dos vectores y de V, asocia un elemento + en V. La adicin es: (a) cerrada (Toma dos elementos de V y su suma tambin est en V ) (b) tiene elemento neutro (nico): +0=0+= (c) asociativa : +(+)= (+)+ (d) conmutativa : +=+ (e) elemento opuesto (nico): + ( -) = 0 4. Una operacin llamada "multiplicacin por escalar" que, dado cualquier vector en V y cualquier escalar k en F, asocia un vector k . en V, llamado producto de k y . Esta operacin satisface ciertas propiedades: (a) es cerrada (Toma un elemento de V y devuelve otro tambin en V) (b) tiene elemento neutro ( nico ): 1. = .1 = (c) asociatividad: (k1 . k2). = k1 (k2.) (d) distributividad: k.( + ) = k. + k. (e) (k1 + k2). = k1. + k2.

ASIMOV

- 89 -

ESPACIOS VECTORIALES

Leste la definicin ? Esta definicin, que parece muy formal y muy fea, es muy importante. Para ver si algo es un EV, tengo que fijarme si cumple con todas las propiedades esas. Leela de nuevo, y seguimos. Ahora... Notas algo raro en las propiedades ? Yo la primera vez que las vi dije: y ?!? claro que la adicin y el producto son distributivo y asociativo y que el 0 y el 1 son neutros para estas operaciones... Eso lo s desde la primaria ! Peeeero... yo pensaba en trminos de nmeros. Claro, con los nmeros funciona porque el conjunto de los nmeros reales tiene estructura de EV sobre el cuerpo de nmeros reales ( o sea, sobre s mismo ). Bueno, ac hay que empezar a abrir la cabeza. Alfa y beta no son nmeros. Son bichos mucho ms generales, cualquier tipo de vectores, o sea cualquier cosa que cumpla con todas esas propiedades. Por lo tanto, los simbolitos + y . no significan necesariamente lo mismo que la adicin un multiplicacin usuales entre nmeros. Por ejemplo, si los elementos del conjunto V, o sea, los vectores, son n-uplas, la adicin y el producto por escalares usuales se definen como: y + = (1, 2, ... , n) + (1, 2, ... , n) = (1+ 1, 2 + 2, ... , n + n) k. = k.(1, 2, ... , n) = (k.1, k.2, ... , k.n)

Esos son la suma y el producto ms comunes, los que se usan casi siempre. Pero tambin puede haber otros. Por ejemplo, en R2, o sea, con vectores de la forma (1,2) podemos usar la suma + = (1,2) + (1,2) = (1 + 1 1 ; 2 + 2 1) y el producto k . = k . (1,2) = (k . 1 k + 1 ; k . 2 k + 1) Ya s, esta suma y este producto son medio raros, pero si te fijs bien, cumplen con todas las propiedades que dijimos antes; as que R2 con estas operaciones raras es un espacio vectorial. Este tipo de cosas son muy raras, no aparecen casi nunca, pero es bueno saber que existen. Qu aprendimos ? Que para decir de qu EV estamos hablando, no alcanza con decir R2 o R3, tambin tenemos que decir como son la suma y el producto.

ASIMOV

- 90 -

ESPACIOS VECTORIALES

No todos los espacios vectoriales son grandes y tienen muchos elementos. Por ejemplo, si los elementos del espacio vectorial se resumen a dos nmeros, V = { 0, 1 }, tenemos un espacio vectorial definiendo las operaciones segn: 0+0=0 y 0.0 = 0 ; 0.1 = 0 ; 1.0 = 0 ; 1.1 = 1 Todas estas operaciones cumplen las propiedades de la definicin1. - Seguro ? Mir que ac pasa algo rarsimo como que sumo 1 ms 1 y me da cero!! Eso no es precisamente una suma usual... - Te digo que s. Fijate, de la definicin noms ya tenemos que tanto la suma como la multiplicacin son operaciones asociativas y adems cerradas ya que el resultado siempre cae en V. Tambin tienen al 0 como elemento neutro para la suma y el 1 para la multiplicacin, ya que no cambian el valor del elemento al cual se suma o multiplica, ya sea el 0 el 1 .. Claro que este es un ejemplo bastante particular, un conjunto con solamente 2 elementos al que se le puede dar la estructura de espacio vectorial!! 2 Pero lo que quiero mostrarte es precisamente eso. A partir de ahora, + y . ya no son los simbolitos inocentes que conocemos desde la primaria. Ahora pueden ser cosas muy raras. Son operaciones abstractas entre bichos abstractos. A ver, que quede claro una cosa: cuando digo abstracto no me refiero a ninguna cuestin esotrica, sino a algo que en principio no representa una cosa tangible. Si pienso en la suma de aritmtica, y digo 2 + 2 puede ser la abstraccin de llevarme de la ferretera 2 tornillos con sus tuercas, dos tornillos ms dos tuercas. Ahora, si hablo de la suma de dos funciones continuas, o de matrices, o de ceros y unos como en el ejemplo de arriba, no estoy hablando de la suma como una acumulacin de objetos sino como algo ms abstracto estamos?. Ojo!, ac el cero y el uno, adems de ser los vectores o elementos del conjunto V, tambin la juegan de escalares (elementos del cuerpo F = { 0, 1 }) y por eso la multiplicacin por escalares es, simplemente, multiplicar a los vectores 0 1 por los escalares 0 1. 2 En realidad el conjunto {0,1} es un Cuerpo, que es un objeto que tiene todas las propiedades de un EV y algunas ms, por lo que tiene ms estructura que un EV.
1

0+1=1

1+0=1

1+1=0

ASIMOV

- 91 -

ESPACIOS VECTORIALES

Ya vimos un par de ejemplos de espacios raros que son EV. Ahora te voy a mostrar uno que no es EV. Por ejemplo, tomemos vectores de R2, o sea 2-uplas, pero en vez de usar la suma y el producto comunes usamos la suma + = (1 , 2) + (1 , 2) = (1 + 2 1 ; 2 + 2 2) y el producto comn k . (1 , 2) = (k . 1 , k . 2) Para ser un EV, tiene que cumplir con todas las propiedades de la definicin. Si no cumple con una (cualquiera) ya est, no es un EV. La ms fcil de ver es que la suma no es conmutativa. Cmo ? Muy fcil, te lo muestro con un ejemplo: (1,1) + (2,3) = (1 + 2.2 , 1 + 2.3) = (5 , 7) (2,3) + (1,1) = (2 + 2.1 , 3 + 2.1) = (4, 5) Como no da lo mismo, la suma no es conmutativa, y no es un EV. - Cmo? R2 no es un espacio vectorial?. Si siempre hablamos de "vectores en R2" - Claro, pero acordate que un EV no est formado solamente por los elementos que llamamos "vectores". Tambin es una parte importante la suma y el producto que usamos. Entonces, R2 es un EV con la suma y el producto usuales (y tambin con el otro ejemplo que vimos y muchos ms); pero no lo es con esta suma y este producto que definimos recin.

Combinacin lineal ( Atento )


Definicin muuuy fcil, pero MUY importante porque se usa para definir los conceptos de dependencia o independencia lineal, generadores, bases y dimensin de los espacios vectoriales. As que hoy mismo te la aprends Estamos? Je!. Para decirlo en pocas palabras es simplemente la suma de vectores multiplicados cada uno por un "coeficiente" escalar. Fijate: Se dice que un vector de un espacio vectorial V es combinacin lineal de los vectores 1, 2, .... , n) si existen escalares k1, k2, ..., kn que verifiquen la igualdad = k1 . 1 + k2 . 2 + ..... + kn . n Eso es todo, no tiene mucho secreto. Para dejarlo bien en claro, te muestro un par de ejemplos medio pavos: * El vector (2 , 3) es combinacin lineal de los (2 , 1) y (1 , 1), porque

ASIMOV

- 92 (2 , 3) = -1 . (2 , 1) + 4 . (1 , 1)

ESPACIOS VECTORIALES

4 2 1 0 0 1 0 0 0 0 * La matriz es CL de 1 5 0 0 ; ; y porque 0 0 0 1 0 1 4 2 1 0 = 4 . 1 5 0 0 2. 0 0 0 0 0 1 + 1 . + 5 . 0 0 0 1 0 1

No es muy complicado, no? Claro, as parece fcil, porque te estoy mostrando cuales son los coeficientes, entonces vos decs "Ah, s, mir, es una CL". Eso es demasiado cmodo. Qu pasa si te doy un vector y te pregunto si es CL de otros dos ? Veamos con algunos ejemplos: El vector (1 , 2, 3), es CL de (-1 , 4 , 2) y (0 , 0 , 1) ?

Hay una sola forma de resolver esto. La definicin nos dice que es CL si podemos encontrar dos coeficientes k1 y k2 que cumplan: (1 , 2, 3) = k1 . (-1 , 4, 2) + k2 . (0 , 0, 1) Par un segundo, ac nos salteamos una parte muy importante. Nadie nos dijo en qu EV estamos, as que no sabemos como sumar vectores ni como multiplicarlos por un escalar. Bueno, cuando no nos dicen nada, las operaciones son las usuales. Entonces nos queda algo as: (1 , 2, 3) = (-k1 , 4k1 , 2k1 + k2) Acordate que para que dos vectores sean iguales todas las componentes tienen que ser iguales. As que en realidad tenemos tres ecuaciones: 1 = - k1 k1 = - 1 2 = 4 k1 k1 = 3 = 2 k1 + k2 Para que se cumpla la primera igualdad, k1 tiene que tener un valor, y para que se cumpla la segunda, otro. O sea, no se pueden cumplir las dos al mismo tiempo, y no hay forma de escribir ( 1,2,3 ) como CL de los otros dos vectores. Ahora uno ms fcil: (5,3) es CL de (1,0) y (0,1) ?

Hacemos lo mismo que en el caso anterior: buscamos dos coeficientes k1 y k2

ASIMOV

- 93 -

ESPACIOS VECTORIALES

para que se cumpla: (5, 3) = k1 . (1 , 0) + k2 . (0, 1) (5,3) = (k1 , k2) Como todas las componentes tienen que ser iguales, k1 = 5 y k2 = 3. Entonces s, como encontramos los coeficientes, es una CL. (5,10) es CL de (1,2) y de (2,4) ?

Ya sabs que hacer, hay que plantear la igualdad ( 5 , 10 ) = k1 . (1 , 2) + k2 . (2 , 4) (5 , 10) = (k1 + 2k2 , 2k1 + 4k2) Igual que en los otros casos, tenemos dos igualdades: 5 = k1 + 2 k2 10 = 2 k1 + 4 k2 Fijate que estas dos ecuaciones son bsicamente la misma: la segunda es igual a la primera, pero toda multiplicada por 2. As que en realidad tenemos una sola ecuacin, y dos incgnitas (k1 y k2). Como hay ms incgnitas que ecuaciones, esto no tiene una sola solucin, tiene infinitas. Pero eso a nosotros no nos importa. Le bien la definicin de CL: solamente hace falta que existan unos coeficientes k1 y k2 que cumplan con la igualdad, si hay muchos, mejor. Una solucin es k1 = 5 y k2 = 0; otra es k1 = 1 y k2 = 2; en fin ... hay muchas. Eleg la solucin que ms te guste. Lo importante es que hay alguna solucin: entonces (5 , 10) es CL de (1 , 2) y de (2, 4) Esos son los tres casos que te pueden tocar cuando quers verificar una CL: que no sea CL, que s sea con solucin nica, o con muchas soluciones.

DEPENDENCIA E INDEPENDENCIA LINEAL


La dependencia o independencia lineal es una cualidad de un conjunto de vectores, y tiene que ver con la relacin que tienen estos entre s. La "dependencia" lineal refiere a que los vectores dependen de alguna forma entre ellos. De qu forma ? La definicin es clara, pero hablando en criollo podemos decir que un conjunto es linealmente dependiente (LD), si es posible escribir alguno de los vectores del conjunto como combinacin lineal de los restantes.

ASIMOV

- 94 -

ESPACIOS VECTORIALES

( Vaya ya mismo unos prrafos ms arriba y lea otra vez la definicin de comb. Lineal !! ). Y un conjunto es linealmente independiente (LI) cuando... bueno... simplemente cuando no es LD. Escribamos esto formalmente: Dependencia lineal. Definicin. Un conjunto de vectores A ={1 , 2, .... , n} es linealmente dependiente si existen algunos coeficientes k1, k2, ... , kn no todos nulos que cumplan: k1 . 1 + k2 . 2 + .... + kn . n = 0 Si no existen esos coeficientes (o sea, si la nica solucin es k1 = k2 = ...= kn =0), el conjunto A es linealmente independiente Ac hay que aclarar algo muy importante. Cuando alguien dice vector cero, est hablando del elemento neutro del EV. Se le dice cero porque casi siempre (o sea, con las operaciones ms comunes) es un vector con todas las componentes iguales a cero. Pero antes vimos que hay EV con otras operaciones. En esos casos, el vector cero ya no ser (0 , 0 , 0, ...). Cmo se ve si un conjunto de vectores {1, 2, ... n} es LI o LD ? Muy fcil. Imponemos la ecuacin vectorial: k1.1 + k2. 2 + ... + kn. n = 0 con k1, k2,..., kn arbitrarios. Si el conjunto es LI, por definicin, ninguno de los vectores puede escribirse como combinacin lineal de los otros. Pero entonces la nica solucin que tiene esta ecuacin es que todos los escalares sean nulos (k1 = k2 = ... = kn = 0). Caso contrario, si hubiera ks distintos de cero, por ejemplo kj, podramos escribir -kj . j = k1. 1 + ... + kj-1 . j-1 + kj+1 . j+1 + ... + kn. n o, si pasamos kj dividiendo (eso solo se puede hacer si kj 0), j = -( k1/kj ).1 - ... - (kj-1/kj ).j-1 - ( kj+1/kj ).j+1 - ... - ( kn/kj ). n y esto no es otra cosa que expresar al vector j como CL de los otros vectores del conjunto, lo cual contradice la definicin de conjunto LI !! En resumen, el conjunto es LI si la nica solucin posible es que todos los coeficientes sean cero. Sino, el conjunto es LD.

ASIMOV

- 95 -

ESPACIOS VECTORIALES

Bueno, hasta ac lo planteamos formalmente. Qu tal unos ejemplos ? El conjunto de vectores de R3 A = {(-2,0,1) ; (1,3,0) ; (-5,-3,2)} es LI o LD?

La nica forma de responder esa pregunta es plantear una combinacin lineal de los tres vectores igualada a cero (al vector (0 , 0 , 0)), o sea: k1 . (-2 , 0 , 1) + k2 . (1 , 3 , 0) + k3 . (-5 , -3 , 2) = (0 , 0 , 0) (-2 k1 + k2 5 k3 ; 3 k2 -3 k3 ; k1 + 2k3) = (0 , 0 , 0) Acordate que en realidad ac hay tres ecuaciones, una por cada componente: - 2 k1 + k2 5 k3= 0 3 k2 3 k3 = 0 k1 + 2k3 = 0 Fijate que como k2 = k3, la primera y la tercera ecuacin son iguales (la primera queda -2k1 -4k3 = 0; y eso es igual a la ltima ecuacin, toda multiplicada por -2). As que en realidad hay dos ecuaciones con tres incgnitas; y esto no tiene solucin nica. Hay una solucin que funciona siempre, y es k1 = k2 = k3 = 0. Si la solucin fuera nica, sera esa, y los tres vectores seran LI., pero no es la nica. Entonces ya est? Ya demostramos que no son LI, o sea, que son LD? Bueno, en realidad s, pero con esta demostracin nadie se va contento. Podemos hacer un pasito ms: mostrar un ejemplo de una solucin que no sea la de todos los coeficientes nulos. Por ejemplo, una solucin es k1 = 2 ; k2 = k3 = -1. Ahora s, estamos mostrando una CL con no todos los coeficientes nulos. Si te fijs en la definicin, esto significa que el conjunto A es linealmente dependiente (LD). Como este fue el primer ejercicio de dependencia lineal que hicimos, nos llev un ratito largo. Despus de muchos ejercicios, te vas a acostumbrar a hacerlo a ojo: fijate que el tercer vector es CL de los primeros dos. Es igual a dos veces el primero menos una vez el segundo. Entonces, si uno de los vectores es CL de los dems, el conjunto es LD. En general, es ms fcil probar que un conjunto es LD que probar que es LI. Por qu ? Porque para probar que es LD, todo lo que hay que hacer es mostrar una CL con algunos coeficientes no nulos y listo. Cmo se te ocurre esa combinacin lineal no importa, puede ser totalmente sacada de la galera y vale igual. Para probar que es LI, hay que demostrar que hay una sola solucin, y eso ya es ms k2 = k3

ASIMOV

- 96 -

ESPACIOS VECTORIALES

complicado. Veamos un ejemplo de eso, uno sencillito. Probar que el conjunto de vectores de R2 B= {(1 , 2) ; (3 , 4)} es LI.

Cmo se hace eso? Siempre que hay que ver que un conjunto es LI o LD, planteamos una CL y la igualamos a cero. k1 . (1 , 2) + k2 . (3 , 4) = (k1 + 3 k2 , 2k1 + 4k2) = (0 , 0) De esta igualdad sacamos dos ecuaciones: k1 + 3k2 = 0 2k1 + 4k2 = 0 Este es un sistema de dos ecuaciones con dos incgnitas. Hay una solucin ms o menos obvia, y es que k1 = k2 = 0. S, eso ya lo sabamos: siempre que todas las ecuaciones estn igualadas a cero, esta esa solucin. Lo difcil es demostrar que es la nica solucin. Hay muchas formas de resolver esto: vamos a hacerlo de una forma fcil. De la primera ecuacin despejamos una incgnita en funcin de la otra, y reemplazamos eso en la otra ecuacin: k1 + 3 k2 = 0 k1 = -3 k2

2k1 + 4k2 = 2 . (-3 k2) + 4k2 = - 2 k2 = 0 k2 = 0 k1 = 0 Como la nica solucin es k1 = k2 = 0, el conjunto es LI. Fijate que en realidad, cuando queremos ver si un conjunto es LI o no, no nos interesa encontrar todas las soluciones de la ecuacin k1 .1 + k2 . 2 + .... + kn . n = 0 solamente nos interesa saber si la solucin es nica o no. Para eso no necesitamos resolver toda la ecuacin, hay formas ms fciles. Veamos cmo se hace para los casos ms fciles, o sea para n-uplas (en general, se puede hacer para cualquier espacio vectorial con cualquier forma, pero eso es ms complicado, y lo vemos ms adelante cuando veamos coordenadas). Si queremos ver si el conjunto {1, 2, .... , r} es LI, armamos una matriz donde ponemos los vectores como filas. La idea es, mediante una serie de operaciones permitidas, dejar la mxima cantidad de ceros posible en alguna fila. Si se puede llenar una fila toda de ceros, el conjunto es LD, y sino, es LI. As de simple.

ASIMOV

- 97 -

ESPACIOS VECTORIALES

Las operaciones permitidas entre dos filas son: 1) Intercambiar filas de lugar: eso no tiene mucho secreto, y casi nunca la usamos porque lo nico que queremos hacer es llenar una fila de ceros, no nos importa si es la primera, la segunda o la ltima. 2) Multiplicar una fila por un escalar que no sea el 0. 3) Sumar a una fila, otra fila multiplicada por un escalar que no sea el 0. Para entender bien esto mejor veamos un ejemplo: El conjunto {(1,3,2) ; (4,0,-2) ; (3,3,1)} es LI?

Bueno, antes que nada nos armamos la matriz:

1 3 2 4 0 2 3 3 1
Ahora tratamos, con las operaciones permitidas de llenar una fila de ceros: la ms fcil parece la del medio, porque ya hay un cero. Pero eso es bastante engaoso, porque se termina complicando ms de lo que parece. Casi siempre (excepto en algn caso que parezca muy obvio otra cosa) lo ms fcil es llenar de ceros toda la parte que est por abajo de la diagonal principal, o sea el triangulo de la izquierda. Bueno, vamos por partes. Para poner un cero en la posicin Fila 2 Columna 1 ( o sea posicin 2 1 ), podemos restarle a la fila 2 cuatro veces la fila 1; y para poner un cero en la posicin 3-1, le restamos a la fila 3, tres veces la fila 1. Nos queda algo as:

2 1 3 1 3 2 4 0 2 f2 4 * f1 0 12 10 0 6 5 3 3 1 f 3 3 * f1
Fijate que nos qued: la fila del medio es exactamente el doble de la ltima fila. Entonces, si a la fila 2 le restamos dos veces la fila 3 nos queda:

2 1 3 0 12 10 f2 2 * f3 0 6 5

2 1 3 0 0 0 0 6 5

Y listo, como nos qued una fila llena de ceros, es un conjunto LD.

ASIMOV

- 98 -

ESPACIOS VECTORIALES

Ya s lo que ests pensando. Esto parece ms complicado que resolver la ecuacin. Pero no es as, cuando te acostumbres, esto lo vas a poder hacer en dos segundos. Un ejercicio que aparece mucho es el de independencia lineal con parmetros. Un ejemplito rpido para entender bien qu es un parmetro: El conjunto A = {(1,0) ; (1, k)} es LD si k = 0, y es LI si k 0. En este caso decimos que k es un parmetro, porque dependiendo de cuanto valga k, cambia alguna propiedad del conjunto A: es LI o LD. Y bueno, los ejercicios son siempre como este, un poco ms complicados. Veamos uno tpico, antes de pasar a otro tema: Para qu valores de k R es LI el conjunto {(0,1,-2) ; (-1,1,k) ; (k + 2,-2,0)}?

Lo resolvemos armando la matriz, y operando con las filas:

k 1 k 1 1 1 1 1 k 2 f3 - k * f2 0 1 2 1 2 f3 + (k+2) * f1 0 1 0 0 k k 2 + 2k k + 2 2 0 0 0 k2
Acordate que el conjunto es LD si podemos llenar alguna fila de ceros. Entonces, solamente es LD si k = 0, y es LI para cualquier otro valor de k R. Consecuencias De la definicin de dependencia/independencia lineal se desprenden algunas consecuencias directas que permiten saber rpidamente si algunos conjuntos son LI o LD, a ojo, sin hacer muchas cuentas. Uno. "Cualquier conjunto que contenga al vector cero es LD." Esto es muy fcil de ver. Si tenemos el conjunto {1, 2, ... r, 0 }, me alcanza porque me alcanza con escribir una combinacin lineal k1.1 + k2. 2 + ... + kr. r + kr+1. 0 Podemos tomar k1 = ... = kr = 0 y kr+1 = 1 entonces tenemos kr+1. 0 = 1. 0 = 0 O sea, el vector cero escrito como una combinacin lineal de los vectores del conjunto, con escalares no todos nulos. En otras palabras, un conjunto LD ! Dos. "Cualquier conjunto que contenga a un subconjunto LD es tambin LD"

ASIMOV

- 99 -

ESPACIOS VECTORIALES

Esto tambin es muy fcil de ver. Si yo tengo un conjunto LD {1, 2, ... r}, puedo escribir al cero como comb. lineal de sus vectores con coeficientes que no sean todos nulos ( eso me dice la definicin ) k1.1 + k2. 2 + ... + kr. r = 0 Si ahora tengo un conjunto ms grande que lo contiene ({ 1,... r, 1, ... s}), puedo escribir una combinacin lineal que sea la misma que antes, pero agregando los vectores que faltan, cada uno con su coeficiente k1.1 + ... + kr. r + kr+1 . 1 + kr+2.2 + ... + kr+ s. s = 0 Y ahora ? Muy fcil !, eligiendo los escalares kr+1 = kr+2 = ... = kr+ s = 0, y el resto igual que antes, lo que tenemos es una combinacin lineal que da el vector cero, con los escalares no todos nulos, pues el conjunto de los vectores alfa es LD. Tres. " Todo subconjunto de un conjunto LI es LI ". A ver ? pensemos un cachito... Tenemos un conjunto LI. Entonces ninguno de los vectores puede escribirse como combinacin lineal de los otros. Si ahora nos quedamos con un subconjunto de esos vectores, menos todava vamos a poder escribir alguno de ellos como combinacin de los otros. Es decir, tenemos menos vectores, menos vectores que antes. Si los vectores del conjunto inicial ya eran independientes entres s, son independientes todos de todos as que por ms que nos quedemos con un puadito no los vamos a poder obligar a depender los unos de los otros !! Cuatro. " Un conjunto de dos vectores es linealmente independiente excepto cuando uno de los vectores es mltiplo escalar del otro " Esto es fcil de chequear: si el conjunto es LD, entonces podemos escribir al vector cero como combinacin lineal de ellos: k1.1 + k2. 2 = 0 Pero entonces k1.1 = -k2. 2 1 = (-k2/ k1 ). 2

O sea, 1 es mltiplo de 2. En caso contrario el conjunto es LI. Todo esto de hablar de un espacio vectorial V muy general est muy lindo, pero en la prctica, los EV que ms usamos son R2 o R3. Y en estos dos espacios, la dependencia lineal tiene toda una interpretacin geomtrica.

ASIMOV

- 100 -

ESPACIOS VECTORIALES

En R2. Un par de prrafos ms arriba vimos que dos vectores son LD cuando uno es un mltiplo del otro. Y eso qu significa geomtricamente? Significa que tiene la misma direccin. O sea que si dibujamos los dos en un grafiquito de ejes x,y; los dos quedan sobre la misma recta. As es mucho ms fcil: un conjunto de dos vectores de R2 es LD si estn en la misma recta, y sino, son LI. y u v x w

Los vectores v y w son LD porque estn en la misma recta; pero los conjuntos { u, v } y { u , w } son LI porque los vectores no estn en la misma recta. En R3. Si tenemos dos vectores, es exactamente lo mismo que en R2. . Y si tenemos tres vectores?. Y cuatro?, Y muchos vectores?. Bueno, vamos ms despacio. Primero veamos qu pasa si tenemos tres vectores en R3. z

v1

v2

v3

ASIMOV

- 101 -

ESPACIOS VECTORIALES

Un vector de R3 es CL de otros dos si estn los tres en el mismo plano. Fijate en el grfico: los tres vectores v1, v2 y v3 estn en el plano x,y (o sea cuando z = 0), y podemos escribir el vector v3 como la suma de uno que tiene la direccin de v1 (o sea, un mltiplo de v1) y otro con la direccin de v2 (o sea, un mltiplo de v2). Eso no es ni ms ni menos que una CL. Y si podemos escribir un vector como CL de los dems, el conjunto es LD. Y cundo son LI tres vectores ? Fcil, cuando no son LD, o sea, cuando no estn los tres en el mismo plano. Por ejemplo, el conjunto {v1, v2, w} es LI, porque v1 y v2 estn en el mismo plano, pero w no. Qu pasa con un conjunto de cuatro vectores de R3? Bueno, eso es siempre LD. La demostracin es bastante rebuscada, as que la dejamos para despus. Pero ya te voy adelantando que en R3 no puede haber ms de tres vectores LI. Bueno, ya te imagins ms o menos que significa que dos o tres vectores sean LI: te arms el dibujito en la cabeza y ya est. Y con las funciones? Cmo sabemos si dos funciones son linealmente dependientes o no? Esto ya es difcil de imaginrselo, pero bsicamente, son LI cuando no tienen nada que ver una con la otra. Por ejemplo, f(x) = x2 y g(x) = sen(x). Estas dos seguro que son LI. Pero hay casos ms difciles. Por ejemplo, el conjunto B = {f1(x) = 3 + x ; f2(x) = 4 5x ; f3(x) = x} es LI o LD? Bueno, esto ya es complicado, no podemos sacarlo "a ojo". La nica que nos queda es plantear la combinacin lineal igualada a cero. OJO: cuando digo "cero" quiero decir el elemento neutro, o sea la funcin g(x) = 0. Lo que te quiero decir es que tiene que valer cero para cualquier valor de x. Bueno, las cuentas son bastante largas, son algo as: k1 . f1(x) + k2. f2(x) + k3 . f3(x) = 0 k1. (3 + x) + k2 . (4 5x) + k3 . x = 0 (k1 5k2 + k3) . x + (3k1 + 4k2) = 0 Para que esta suma sea igual a cero para cualquier valor de x, los dos parntesis tienen que ser cero. Entonces, tenemos dos ecuaciones con dos incgnitas, y eso no tiene una nica solucin. As que, adems de la solucin fcil (k1 = k2 = k3 = 0 ) hay otras. Alcanza con mostrar una sola, no importa como se te ocurri, para demostrar que son LD. Por ejemplo, una solucin es k1 = 4 ; k2 = -3 ; k3 = -19. Por qu mostr esa solucin y no otra? Porque fue la primera que se me ocurri: pods mostrar cualquiera, es lo mismo.

ASIMOV

- 102 -

ESPACIOS VECTORIALES

Subespacios
Un subespacio es una cosa simple de definir pero de gran utilidad. Esta utilidad radica en que TODAS las propiedades o teoremas que pueden aplicarse a un EV, pueden se aplican tambin a un sub-EV. Y esto sale directo de la definicin: Sea V un espacio vectorial. Si W es un subconjunto de V, se dice que W es un subespacio de V si cumple con todas las propiedades de un espacio vectorial (las mismas que V) - En otras palabras un sub-EV es un EV en s mismo con las operaciones heredadas del EV. - Pero entonces un sub-EV es un EV metido adentro de otro!. S. - Y cmo puede pasar eso ? - Y, muy lgico, fijate que de las propiedades que definen a un EV, las de asociatividad y distributividad son inherentes a las operaciones de adicin y multiplicacin, no importa con cules de los elementos de V estemos tratando. As que con eso no tenemos problemas. Pero OJO: no todos los subconjuntos W de un EV son subespacios. Por ejemplo, el conjunto de dos elementos A = {(1,1) ; (5,0)} es un subconjunto de R2, pero no es subespacio. Por qu no es un SEV? No cumple las propiedades de la adicin y el producto? Bueno, cumple muchas de las propiedades, por ejemplo, la suma sigue siendo conmutativa, el producto tambin. Pero para ser un EV en s mismo, tiene que cumplir todas las propiedades, y hay una muy importante que no cumple: la suma no es cerrada. Eso quiere decir que si yo sumo dos elementos de A, el resultado no es otro elemento de A. Entonces hay que tener cuidado: no todos los subconjuntos son SEV. Tienen que cumplir tres propiedades bsicas: 1) Tiene que estar el "cero" o elemento neutro del EV. Esto es muy importante, porque, como tiene que ser un EV en s mismo, tiene que tener elemento neutro, sino est todo mal. En el lenguaje extrao del lgebra, esto se dice que 0 W. Esto ya me est diciendo que W tiene que tener por lo menos un elemento (el 0), o sea que no puede ser vaco. As que ya lo dejamos bien clarito: el conjunto vaco no es un subespacio !!!!

ASIMOV

- 103 -

ESPACIOS VECTORIALES

2) La suma tiene que ser cerrada. Esto quiere decir que si sumo dos vectores cualesquiera de W, me tiene que dar otro vector de W. O sea que si W y W, + tambin tiene que estar en W. Importante: esto se tiene que cumplir para cualquier y W 3) Lo mismo con el producto por escalares, tambin tiene que ser cerrado. Si es un vector de W y k un escalar, k . tiene que ser un vector de W. Igual que con la suma, se tiene que cumplir para cualquier k y cualquier a W Par par, vamos ms despacio. Antes de seguir con definiciones y propiedades y cosas por el estilo, vamos a un ejemplo. Uno bien simple: en R2 (par un segundo, antes dijimos que no me alcanza con decir R2, tambin tenemos que decir como es la suma y el producto. Bueno, vamos a hacerla fcil, son la suma y el producto usuales, las que usamos siempre), qu subespacios hay?. Hay dos que se me ocurren rpido:

R2: claro. El mismo EV es un subespacio de s mismo. Este es el subespacio "ms grande" que podemos encontrar en un EV: el mismo EV. Digo que es el ms grande porque fijate que ocupa todo el plano. El conjunto de un solo elemento {0}. Fijate que cumple con todo, est el cero; y la suma y el producto son cerrados, porque dan siempre 0. Este subespacio est siempre: en todos los EV, el conjunto formado solamente por el elemento neutro es un subespacio.

Hay alguno ms? S hay, pero no son tan obvios. Algunas rectas son subespacios, pero no todas: solamente las que pasan por el cero. Antes que nada, qu quiere decir eso de una recta?. No estbamos hablando de vectores en R2? S tens razn. Pero cada vector de R2 lo podemos representar por un punto (x,y). Cuando hablamos de una recta nos referimos a todos los vectores que tienen los puntos (x,y) alineados en una recta. O sea que tienen la misma direccin. Mejor miralo en el grfico:

Bueno, ahora que tenemos bien una definicin de subespacio, veamos un par de ejercicios fciles y rpidos. Decidir si los siguientes conjuntos son SEV:

ASIMOV

- 104 A = {(x1 , x2 , x3) R3 tal que x12 + x22 + x32 > 0}

ESPACIOS VECTORIALES

Siempre la forma ms fcil de ver si un conjunto es subespacio o no, es ver si est el vector 0. Como en este caso nos dicen cmo es el conjunto con una desigualdad, nos fijamos si el (0,0,0) la cumple: no, porque 02 + 02 + 02 = 0, y eso no es mayor que 0. Listo, ya est, como no est el 0, no es SEV. B = {(x1 , x2) R2 con x1 = 0}

Para ver si es un SEV, hay que verificar tres cosas: 1) Primero lo ms fcil: veamos si est el (0 , 0). Para eso primero veamos qu pinta tienen los vectores de B: en la primera componente tienen un cero, y en la segunda cualquiera cosa. Ah mir qu bueno: el vector 0 tiene esa pinta, as que 0 B. Vamos bien, ahora veamos el resto. 2) La suma tiene que ser cerrada, o sea que si tenemos dos vectores y de B, queremos ver si la suma + es un elemento de B. Para eso no nos queda otra que hacer la cuenta y ver qu da:

+ = (1 , 2) + (1 , 2) = (1 + 1 , 2 + 2)
Veamos: y son vectores de B, as que 1 = 0 y 1 = 0. Entonces:

+ = (0 , 2 + 2)
Fijate que eso tiene la pinta de los elementos de B: un cero en la primera componente y cualquier cosa en la segunda: entonces + B. Listo, as demostramos que la suma es cerrada para cualquier y de B

3) Por ltimo, tenemos que ver si el producto por un escalar es cerrado, o sea si k . da como resultado un elemento de B para cualquier escalar k y cualquier vector B. Bueno, hagamos la cuenta:
k . = k . (1 , 2) = (k . 1 , k . 2) Ahora usemos los datos que tenemos: como a es un vector de B, 1 = 0, y: k . = (0 , k . 2) Es lo mismo del punto anterior. El resultado nos qued con un cero en la primera componente, y algo en la segunda. Eso es exactamente la pinta de los elementos de B. O sea, k . es un elemento de B. Listo, como cumple con las tres cosas, B es un SEV de R2.

ASIMOV

- 105 C = {(x1 , x2 , x3) R3 tal que x12 = x22}

ESPACIOS VECTORIALES

1) El vector cero est en C, porque 02 = 02. Vamos bien, sigamos. 2) La suma es cerrada ? Antes que nada, qu te parece: s o no? Te pregunto eso porque es mucho ms fcil demostrar algo cuando tens una idea de a qu quers llegar. A m me parece que no, porque esta materia se llama lgebra Lineal, y eso tiene que ver con sumas y productos, nada ms rebuscado que eso, y ac nos aparecen cosas elevadas al cuadrado. Bueno, entonces a m me parece que no es cerrada. Cmo lo demuestro ? Fcil, con un contraejemplo.

= (1 , 1 , 0) y = (2 , -2 , 4) son vectores de C, porque cumplen que x12 = x22


Veamos qu pasa con la suma:

+ = (1 , 1, 0) + (2 , -2 , 4) = (3 , -1 , 4)
Ese no es un vector de C, porque 32 = 9 y (-1)2 = 1. Como no son iguales, la suma no es cerrada; y C no es un subespacio. No hace falta que verifiquemos la parte 3 (si el producto es cerrado), porque tiene que cumplir las tres propiedades al mismo tiempo: alcanza con demostrar que no cumple una. Bueno, ya vimos ejemplos de SEV de los ms comunes, o sea con vectores de R2 y R3. Ahora, para terminar, veamos ejemplos de subespacios de funciones, o sea que los elementos son funciones. D = { f(x) tal que f(1) = 1 + f(0) }

1) Este ejercicio es bastante fcil, porque la funcin nula no est en D. La funcin nula es esa que vale cero para cualquier valor de x, o sea f(x) = 0. Fijate que no es de la pinta de los elementos de D, porque f(0) = f(1) = 0, y entonces no es verdad que f(1) = 1 + f(0). Listo, como no est la funcin nula, D no es un subespacio Antes de pasar a otro tema, una ltima cosa sobre los subespacios de R2, R3 y en general, de Rn. Si tenemos un sistema de ecuaciones lineales homogneo (o sea que todas las ecuaciones estn igualadas a cero), las soluciones forman un subespacio; y tambin vale al revs: todo subespacio podemos escribirlo como las soluciones de algn sistema de ecuaciones lineal y homogneo (S.L.H.). En este momento, si ya te fuiste armando una mente matemtica, debs estar pensando en un par de ejemplos y ves que se cumple. Pero, ser verdad eso para cualquier subespacio, as en general ? Bueno, si ests pensando eso vamos bien, porque significa que dudas de las cosas que nadie demostr. Y tens razn, si te digo algo as de general, te lo tengo que demostrar.

ASIMOV

- 106 -

ESPACIOS VECTORIALES

Antes de ver si las soluciones de un S.L.H. cumplen con las tres propiedades, repasemos un poco. Todos los sistemas de ecuaciones se pueden representar con una matriz, y la solucin es un vector. Si lo escribimos as, la ecuacin que tenemos que resolver es A.x = 0 , donde A es una matriz, x es un vector de Rn y 0 es el vector cero de Rn (o sea con n componentes iguales a cero.) Ahora s, si definimos el conjunto E = { x Rn tal que A . x = 0 }, o sea el que tiene todas las soluciones del S.L.H., para ver si es subespacio nos fijamos en tres cosas: 1) El vector cero pertenece a E, porque cualquier matriz ( acordate que estamos hablando de cualquier S.L.H., as que A puede ser cualquier matriz ) multiplicada por el vector cero da como resultado 0. 2) La suma es cerrada. Si tenemos dos vectores x, y de E, la suma tambin est en E, porque A . (x + y) = A . x + A . y = 0 + 0 = 0 A . (x + y ) = 0 3) Lo mismo con el producto por un escalar. Es cerrado porque A . (k . x) = k . (A . x) = k . 0 = 0 A . (k . x) = 0 Listo, cumple con las tres propiedades: E es un subespacio de Rn. (Sub)Espacios generados Si tomamos un puado de vectores { 1, 2, ..., r }, pertenecientes a un espacio vectorial V, y escribimos una combinacin lineal con ellos, lo que obtenemos es un nuevo vector, que tambin est en V. (Obvio, porque una combinacin lineal no es ms que multiplicacin por escalares y suma de vectores, y estas operaciones son cerradas, o sea, siempre nos devuelven algo que esta en el EV... ). Si tomamos esos mismos vectores y escribimos otra combinacin lineal, o sea, elegimos otros escalares, obtendremos un nuevo vector en V. Si ahora tomamos todos los vectores que pueden obtenerse haciendo combinaciones lineales de los vectores del puadito inicial o, lo que es lo mismo, consideramos el conjunto de toooodas las combinaciones lineales de estos vectores, lo que obtenemos resulta ser un espacio vectorial. Este EV est contenido en V y por lo tanto es un subespacio de V, que se le llama subespacio generado por los vectores {1, 2, ..., r}; y a ese grupo de vectores se lo llama sistema de generadores del subespacio. Hay diferentes notaciones para expresar que un conjunto es un subespacio generado por tal y tal vectores. Por ejemplo, si llamamos U = {1, 2, ..., r} y W al subespacio de V generado por U, se escribe:

ASIMOV

- 107 W = lin (U) o W = S(U) o

ESPACIOS VECTORIALES

W=<U>

o directamente W = lin {1, 2, ..., r} o W = S (1, 2, ..., r) o W = < 1, 2, ..., r >

( La S ac viene de "spanned" que quiere decir "generado por" en ingls y algunos libros lo usan. Y "lin" viene de "combinaciones lineales ". ) Una cosa importante que casi nunca se dice: si W = <1, 2, ...., r>, todos los vectores 1, 2, ... , r pertenecen al subespacio W. Qu significa eso ? Nada en especial. Solamente quiero dejar claro que los generadores pertenecen al subespacio generado. Y claro, esto no tiene ningn secreto: son CL de ellos, porque 1 = 1 . 1 + 0 .2 + + 0 . r, y lo mismo con los dems.

Como siempre, la forma ms intuitiva de ver las cosas es, cuando se puede, mirar la interpretacin geomtrica tomando como ejemplo vectores en R2 o R3. Por ejemplo, si tomamos un vectorcito a en R2, y miramos cul es el espacio que genera vemos que no hay demasiadas opciones... Cualquier combinacin lineal se escribe como = k. . Esto, geomtricamente no es otra cosa que una recta con vector director . Si ahora tomamos 2 vectores (no colineales) y en R3, el subespacio por ellos generado ser un plano. Por ejemplo, ej plano xy est generado por los vectores (1,0,0), en la direccin del eje x, y el (0,1,0), en la direccin del eje y. Todo muy lindo con esta definicin, no parece muy complicada. Pero para entender en serio de qu estamos hablando hay que ver algunos ejemplos:

Escribir el sistema de generadores del SEV A = {(x1 , x2) R2 tal que x1 = 0}


Antes de empezar a hacer cuentas, veamos qu pinta tienen los vectores de A: tienen un cero en la primera componente, y cualquier cosa en la segunda. O sea, que si v es un vector de A, lo podemos escribir como v = (0 , x2) = x2 . (0 , 1) Fijate qu nos qued: podemos escribir ese vector v (acordate que v es un elemento cualquiera de A) como un mltiplo de (0,1). Bueno, eso no es otra cosa que una CL de un solo vector: el (0,1). Eso quiere decir que podemos generar todo el subespacio A con ese vector, o sea que A = < ( 0 , 1 ) >

ASIMOV

- 108 -

ESPACIOS VECTORIALES

Antes dijimos que en general cualquier conjunto que sea la solucin de un sistema de ecuaciones lineales homogneas (o sea, igualadas a cero, como en el ejemplo anterior) es un subespacio. Y muchos problemas son as, te dan un sistema de ecuaciones y tens que encontrar el sistema de generadores del subespacio. Veamos un ejemplo ms complicado: S = {(x1, x2, x3, x4, x5) R5 tal que x1 2x3 + x4 = x2 + 2x1 = x3 3x4 + x2 = 0} Esto que tenemos ac, todo escrito en un rengln son tres ecuaciones (una por cada signo =) todas igualadas a cero. La idea es en cada una, poder despejar una de las incgnitas en funcin de las dems, e ir reemplazando en las otras ecuaciones. No es muy complicado, algo as: x1 2x3 + x4 = 0 x1 = 2x3 x4

x2 + 2x1 = 0 x2 = -2 x1 = -2 . (2x3 x4) x2 = 2x4 4x3 x3 3x4 + x2 = 0 x3 3x4 + 2x4 4x3 = -x4 3x3 = 0 x4 = -3x3 Bueno, entonces tenemos x1 y x2 en funcin de x3 y x4. Pero adems tenemos x4 en funcin de x3, as que podemos escribir todo en funcin de x3 (menos el x5 que no aparece en ninguna de las ecuaciones). x1 = 2 x3 x4 = 2 x3 - (-3 x3) x1 = 5 x3 x2 = 2x4 4x3 = 2 . (-3 x3) 4x3 x2 = -10 x3 x3 = x3 x4 = -3x3 x5 = x5 Despus de tantas cuentas, el vector X = (x1, x2, x3, x4, x5) nos queda: X = (5x3, -10 x3, x3 , -3x3 , x5) = x3 . (-5,-10,1,-3,0) + x5 . (0,0,0,0,1) Qu quiere decir eso? Quiere decir que cualquier vector X del subespacio B lo podemos escribir como una CL de dos vectores: el (-5,-10,1,-3,0) y el (0,0,0,0,1) Y eso es justamente lo que buscamos: con esos dos vectores podemos generar todo el subespacio, as que S = < (-5,-10,1,-3,0) , (0,0,0,0,1) >

ASIMOV

- 109 -

ESPACIOS VECTORIALES

Base de un subespacio En el ejemplo anterior, con dos vectores pudimos generar el subespacio S. Pero tambin lo podemos generar con tres, por ejemplo as: S = < ( -5,-10,1,-3,0 ) ; ( 0,0,0,0,1 ) ; ( 0,0,0,0,2 ) > Ah claro, si el tercer vector es un mltiplo del segundo. Con ese mismo truco, podemos generar S con cuatro vectores, o cinco, o lo que se te ocurra. Bueno, ya vimos que no hay lmite mximo para el nmero de vectores que generan un subespacio. La idea ahora es encontrar si hay algn mnimo: se puede generar ese subespacio S con un solo vector? Para responder este tipo de preguntas, aparece el concepto de base de un subespacio. Primero te doy la definicin formal. Si S es un subespacio contenido en un espacio vectorial V, se dice que el subconjunto B V es una base de S si cumple dos propiedades: 1) Es linealmente independiente 2) Es un sistema de generadores de S. O sea, una base no es otra cosa que un sistema de generadores LI. Entonces, en el ejemplo anterior: B = {-5,-10,1,-3,0) , (0,0,0,0,1)} es una base de S, porque lo genera (o sea que cualquier vector de S se puede escribir como CL de esos vectores), y es LI (ninguno de los dos vectores es mltiplo del otro); C = {-5,-10,1,-3,0) , (0,0,0,0,1), (0,0,0,0,2)} no es una base, porque no es LI. D = {(-5,-10,1,-3,0) ; (0,0,0,0,2)} es una base, porque genera S y es LI. Ac encontramos dos bases del mismo subespacio S: B Y D. Desde ya te voy adelantando que para cualquier subespacio de ms de un elemento ( o sea, estoy descartando el subespacio { 0 } ) tiene infinitas bases. Bueno, y de qu nos sirven las bases? Sirven bastante, porque tienen algunas propiedades interesantes, por ejemplo: Teorema: si B1 y B2 son dos bases de un subespacio S (S 0), B1 y B2 tienen la misma cantidad de elementos. A la cantidad de elementos de una base de S se la llama dimensin de S. Bueno, veamos algn ejemplo: encontrar dos bases distintas del subespacio T = { (x1,x2,x3,x4) R4 tal que x1 + 2x3 x2 = x4 3x3 + 2x1 = 0 }

ASIMOV

- 110 -

ESPACIOS VECTORIALES

Como una base es un sistema de generadores LI, primero tenemos que ver con qu vectores podemos generar el subespacio. Para eso, resolvemos las dos ecuaciones que tenemos: x1 + 2x3 x2 = 0 x2 = x1 + 2x3

x4 3x3 + 2x1 = 0 x4 = 3x3 2x1 Con estas dos igualdades, un vector X = (x1,x2,x3,x4) de T nos queda: X = (x1 , x1 + 2x3 , x3 , 3x3 - 2x1 ) = x1 . (1,1,0,-2) + x3 . (0,2,1,3) X es CL de dos vectores, y como X es un vector cualquiera de T, entonces T = <(1,1,0,-2) ; (0,2,1,3)> Listo, ya tenemos un sistema de generadores (S.G.). Ahora, cmo conseguimos una base? Acordate que una base es un S.G. LI. Entonces, si ese S.G. que encontramos es LI ya est. Fijate que es linealmente independiente, porque ninguno de los vectores es mltiplo del otro. Entonces B1 = { (1,1,0,-2) ; (0,2,1,3) } es una base de T Nos piden dos bases. Cmo hacemos para encontrar la otra, si hasta ahora solamente sabemos encontrar bases resolviendo las ecuaciones y eso ya lo hicimos?. Pero tambin podemos encontrar bases nuevas a partir de una base que ya tenemos. Un truco muy comn es reemplazar uno de los vectores por una CL de todos o algunos de los vectores de la base. Por ejemplo, si en vez del segundo vector, lo reemplazamos por la suma de los dos, nos queda: B2 = {(1,1,0,-2) ; (1,3,0,1)} tambin es una base de T Y del mismo modo, podemos encontrar muchas bases de T, acordate que hay infinitas. Como las dos bases tiene dos elementos, decimos que la dimensin de T es 2, y eso se escribe as: dimT = 2. Existen espacios de dimensin finita, y de dimensin infinita. Los primeros son los ms fciles, son aquellos que tienen una base con un nmero finito de elementos. Por ejemplo R3 es un espacio de dimensin 3, porque tiene una base B = {(1,0,0) ; (0,1,0) ; (0,0,1)} que tiene tres elementos. Los espacios de dimensin infinita son ms complicados, y por eso son menos frecuentes. Estos espacios no tienen ninguna base con un nmero finito de elementos. Quiere decir que no existe ningn conjunto de n elementos con los

ASIMOV

- 111 -

ESPACIOS VECTORIALES

que pueda generar todo el espacio. El ejemplo ms comn es el del espacio de funciones. Como por lo general las funciones son alguna combinacin extraa de las funciones ms comunes (potencias, exponenciales, logaritmos, senos y cosenos, etc.); no necesariamente puedo escribir una funcin como combinacin lineal de otras. Por ejemplo, la funcin f(x) = cos (2x), es una combinacin de la funcin cos (x) y de 2x, pero no es lineal. Pero por ahora no te preocupes de los espacios de dimensin infinita que no aparecen en los ejercicios. Algunos ejemplos de espacios de dimensin finita: Rn: o sea, las n-uplas (x1,x2, ....., xn): tiene dimensin n. Cmo lo s? Fcil, la dimensin es el nmero de elementos de una base (de cualquier base, acordate que todas tienen el mismo nmero de elementos), y ac te muestro una base: B = { (1,0,0, ....,0,0) ; (0,1,0,.....,0,0) ; ..... ; (0,0,0, ..... , 0,1) } Esta base con los vectores que tienen un 1 en una componente y un 0 en el resto, se llama la base cannica de Rn, y muchas veces se la llama E(Rn). Entonces decimos que el vector (1,0,...,0) es el primer vector cannico.

Una recta en R2 o en R3, o sea todos los vectores que son mltiplos de un solo nmero, por ejemplo A = <(1,2,3)>. Encontrar la base de este subespacio es muy fcil, es B = {(1,2,3)}. Como la base tiene un solo elemento, dimA = 1.
Esto es en general para cualquiera recta que pase por el cero (acordate que si el conjunto no incluye al cero, no es subespacio), tiene dimensin 1. Un plano en R3: por ejemplo el plano xy, lo podemos generar con dos vectores: xy = <(1,0,0) ; (0,0,1)>. Como son LI y son un S.G., forman una base. Entonces, la dimensin de un plano en R3 es 2

Cuando vimos las primeras cosas de subespacios, dijimos que las soluciones de un sistema de ecuaciones lineales homogneas (o sea de la forma A.x = 0 donde A es una matriz y x es una n-upla (x1, x2, ...., xn)) forman un subespacio. Y despus vimos como hacer para encontrar una base de ese subespacio: simplemente resolviendo la ecuacin. Ahora vamos a ver como es el proceso inverso, o sea, si tenemos un subespacio y queremos ver qu sistema de ecuaciones resuelve. Para esto viene bien la idea de qu son los grados de libertad: bsicamente es la cantidad de nmeros que tens que dar para dar toda la informacin. Por ejemplo, para decir donde est un auto en la ruta 2, solamente me hace falta dar

ASIMOV

- 112 -

ESPACIOS VECTORIALES

un nmero: la distancia a Bs As, por ejemplo, o la distancia a Mar del Plata: hay varias opciones, pero la idea es que con un solo nmero me alcanza. Y los grados de libertad estn relacionados con la dimensin del subespacio. Si tomamos a la ruta 2 como una recta, es un subespacio de dimensin 1: esto coincide con que un auto en la ruta 2 tiene 1 grado de libertad. Vemoslo mejor en un ejemplo. Si tenemos el subespacio de R4 S = <( 1,-1,0,2 ) ; ( 3,-2,0,0 )> Este subespacio tiene dimensin 2, porque los dos vectores que lo generan son LI, as que forman una base de dos elementos. Y es un subconjunto de R4, as que tenemos un subespacio de dimensin 2 adentro de otro de dimensin 4. Un vector cualquiera de R4, o sea (x1,x2,x3,x4) tiene cuatro grados de libertad, porque necesito cuatro nmeros: x1, x2, x3 y x4 para decir exactamente cul es. Pero en S hay solamente dos grados de libertad, quiere decir que de alguna forma desaparecieron otros dos grados de libertad. Esto es porque en S estn las soluciones de un sistema de 2 ecuaciones. Por eso es que la dimensin de S es dimS = 4 2 = 2. El problema ahora es cmo encontrar cules son esas dos ecuaciones. Algunas veces salen a ojo, como en este caso vemos que cualquier vector de S tiene un cero en la tercera componente. Entonces, una de las ecuaciones es x3 = 0. Pero y la otra? A simple vista no se ve. Veamos qu pinta tienen los vectores de S. Como son CL de esos dos vectores, tienen esta forma: (x1,x2,x3,x4) = a . (1,-1,0,2) + b .(3,-2,0,0) = (a+3b , -a-2b , 0 , 2a) La idea es encontrar alguna relacin lineal entre las componentes (son contar x3, que ya sabemos que vale 0), que sea igual a cero sin depender de a ni de b. Para que no dependa de b, podemos sumar 2.x1+3.x2 = -a, por ejemplo Para que tampoco nos dependa de a, a eso le podemos sumar . x4 2.x1 + 3.x2 + . x4 = 0 ; x3 = 0

Y listo, ese es el sistema de dos ecuaciones que resuelven los elementos de S. Ya s no es nada fcil, y hay que sacarlo ms o menos a ojo, pero ya te vas a ir acostumbrando a medida que hagas ejercicios. No hay un mtodo muy estricto para seguir, solamente fijarte qu pinta tienen los vectores de S, y buscar una relacin lineal entre las componentes que sea igual a cero sin depender de los coeficientes a y b. Veamos un ejemplo ms as queda bien claro:

ASIMOV

- 113

ESPACIOS VECTORIALES

Escribir el subespacio S = <(2,-1,3) ; (0,2,-5) ; (2,1,-2)> como solucin de un sistema de ecuaciones lineales.

Siempre, antes que nada hay que fijarse qu dimensin tiene el subespacio. A simple vista parece de dimensin 3, porque est generado por tres vectores. Pero OJO: acordate qu es la dimensin: es la cantidad de elementos de una base. Entonces, lo primero que hay que hacer es encontrar una base del subespacio. A = {(2,-1,3) ; (0,2,-5) ; (2,1,-2)} no es una base, porque no es LI: fijate que el ltimo vector es la suma de los dos primeros. Entonces, lo podemos descartar y quedarnos con la base B = {(2,-1,3) ; (0,2,-5)} que s es LI Pero, est bien eso que hicimos? Esos dos vectores generan el mismo subespacio S que los tres juntos? S, porque como el que sacamos era CL de esos dos, no hay drama, como que sobra en el sistema de generadores. Entonces, dimS = 2. Como es un subespacio de R3, quiere decir que es la solucin de 3 - 2 = 1 ecuaciones lineales. Para darnos cuenta cul es, veamos qu pinta tienen los vectores de S. (x1,x2,x3) = a . (2,-1,3) + b.(0,2,-5) = (2a , 2b a , 3a 5b) Acordate que hay que plantear una relacin lineal entre las tres componentes que no dependa de a ni de b. Para sacarnos de encima la dependencia de b, podemos hacer 5x2 + 2x3 = a Ahora, para que tampoco nos dependa de a, podemos restarle a ese resultado . x1. Entonces, nos queda esta ecuacin: 5x2 + 2x3 . x1 = 0. Y listo, esa es la ecuacin que cumplen todos los elementos de S. Entonces, podemos escribir al subespacio como S = {X R3 tal que 5x2 + 2x3 - x1=0 Coordenadas de un vector en una base Seguramente alguna vez escuchaste hablar de las coordenadas (x,y). Qu significa que las coordenadas de un vector v sean (x,y) = (3,1) Quiere decir que ese punto est ubicado 3 (metros o alguna unidad por el estilo) en la direccin del eje x, y 1 en la direccin del eje y. Mir el grfico:

ASIMOV

- 114 -

ESPACIOS VECTORIALES

(3,1)

Cuando decimos "3 en la direccin del eje x" estamos diciendo que es tres veces el vector (1,0); y cuando decimos "1 en la direccin del eje y" estamos diciendo que es una vez el vector (0,1). Entonces, lo que nos estn diciendo con las coordenadas xy es que v = 3 . (1,0) + 1 . (0,1) O sea, las coordenadas del vector v son esos coeficientes (3,1) en una CL de dos vectores que da como resultado v. Esa es la idea bsica de las coordenadas: son los coeficientes en una CL que da como resultado el vector. No tiene ms secreto que eso. Ahora veamos la definicin formal. Coordenadas. Definicin formal Sea V un espacio vectorial de dimensin n, y B = {1, 2, ..... , n} una base ordenada de B. Si v es un elemento de V tal que v = k1 . 1 + k2 . 2 + ..... + kn . n entonces decimos que (k1, k2, ...., kn) Rn es el vector de coordenadas de v en la base ordenada B, y se escribe como [v]B = (k1,k2,...,kn). Una propiedad importante: las coordenadas de un elemento v en una base son nicas, o sea, no existen dos vectores distintos que sean coordenadas de un mismo elemento del EV. Ac hay que aclarar algo muy importante: Qu es una base ordenada? Rta: Quiere decir que importa el orden qu tienen los vectores 1 , 2, ...., n de la base. O sea, que las dos bases de R2: B1 = {(1,1) ; (2,3)} y B2 = {(2,3) ; (1,1)}, tienen los mismos elementos pero no son iguales como bases ordenadas de R2.

ASIMOV

- 115 -

ESPACIOS VECTORIALES

Entonces, en el ejemplo anterior, las coordenadas del vector (2,3) en la base cannica E = {(1,0) ; (0,1)} son [(2,3)]E = (2,3). Las coordenadas de un vector de Rn en la base cannica, son iguales al vector. Las bases cannicas tambin existen para otro tipo de espacios vectoriales. Por ejemplo, para espacios de matrices, la base cannica es la que tiene las matrices con un 1 en una posicin y el resto ceros. Para matrices de 2 x 2:

1 0 0 1 0 0 0 0 E2x2 = { 0 0 , , , } 0 0 1 0 0 1
Las bases cannicas sirven mucho porque es muy fcil encontrar las coordenadas de un vector. Por ejemplo, en R2x2:

2 3 [ 0 1 ]E2x2 = (2,3,0,1)
Tambin hay bases cannicas en los espacios de polinomios. Los polinomios son funciones donde solamente aparecen potencias enteras de x, por ejemplo p(x) = 3x4 8x3 + x2 + 2x 5. Como la potencia de x ms grande que aparece es x4, decimos que f(x) es un polinomio de cuarto grado. No te preocupes ahora mucho por eso, lo vamos a ver mejor ms adelante. Y los polinomios forman una estructura de espacio vectorial. Por ejemplo, el espacio de polinomios de cuarto grado se llama R4[x], y la base cannica es: ER4[x] = {1 , x , x2 , x3 , x4} Fijate que esa base tiene cinco elemento. As que los polinomios de cuarto grado forman un EV de dimensin 5. En general, los polinomios de grado n forman un EV de dimensin n + 1. Fijate que ac tambin es muy fcil encontrar las coordenadas. Por ejemplo, para ese polinomio p(x) = 3x4 8x3 + x2 + 2x - 5 [p(x)]ER4[x] = (-5 , 2 , 1, -8 , 3) Bueno, ahora veamos algunos ejemplos de encontrar coordenadas en alguna base que no sea la cannica (esa es demasiado fcil, se puede hacer a ojo).

Encontrar las coordenadas del vector v = (2,5,0) en la base de R3 B = {(1,4,-2) ; (3,0,1) ; (4,1,-4)}.

Un consejo: siempre antes de empezar con el ejercicio verifica que el conjunto B sea una base de R3: con el mtodo de la matriz se hace en dos segundos.

ASIMOV

- 116 -

ESPACIOS VECTORIALES

En este caso est bien, B es una base de R3. Pero, y si no era? Y,...., si no era una base, estaba mal el ejercicio. Bueno, eso no es tan raro, a veces los enunciados estn mal, o es un ejercicio con engao. Ahora s, seguimos con el ejercicio. La definicin de coordenadas nos dice que para encontrarlas, tenemos que plantear una CL de los vectores de la base, igualada a v. v = (2,5,1/3) = k1 . (1,4,-2) + k2 . (3,0,1) + k3 . (0,1,0) 1 = k1 + 3 k2 5 = 4 k1 + k3 k2 = 1/3 1/3 . k1 k3 = 5 - 4k1

1/3 = k2 2k1 = 1/3 1/3 k1 2k1 k1 = 0 k2 = 1/3 k3 = 5 Una vez que resolvimos el sistema de ecuaciones nos queda: [v]B = (k1,k2,k3) = (0,1/3,5) Nos qued k1 = 0. Eso quiere decir que el primer vector de la base B no aparece en la CL. O sea, que podemos escribir a v como CL solamente de los otros dos vectores v = 1/3 . (3,0,1) + 5 . (0,1,0) Y si v es CL de esos dos vectores, pertenece al subespacio que generan esos dos vectores S = <(3,0,1) ; (0,1,0)> Este subespacio es " ms chico " que R3, tiene dimensin 2. Entonces, las coordenadas del vector v en la base B'= {(3,0,1) ; (0,1,0)} estn dadas por un vector de R2: [v]B'= (1/3 , 5) Cmo es esto, puede ser que las coordenadas de un vector de R3 sean un vector de R2? Y s, puede ser; porque las coordenadas dependen de la base de la que estamos hablando. Como B' es la base de S, y dimS = 2, [v]B' es un vector de R2; y como B es la base de R3 y dim R3 = 3, [v]B es un vector de R3. Y en la base B'' = {(0,1,0) ; (3,0,1)}? Esta base no es igual que la anterior, porque los vectores tienen distinto orden. Pero no hace falta calcular de vuelta los coeficientes de la CL, ya sabemos que v = 1/3 . (3,0,1) + 5 . (0,1,0); o sea 5 veces el primer vector de B'' y 1/3 por el segundo vector. Entonces: [v]B'' = (5 , 1/3) Fijate que es igual que [v]B', nada ms que cambiado de orden. Y claro, si lo nico que hicimos fue dar vuelta un par de vectores.

ASIMOV

- 117 -

ESPACIOS VECTORIALES

MUCHO CUIDADO con este tipo de cosas. Acordate que si te dicen que las coordenadas de un vector en una base son (1,2); esto quiere decir que ese vector es igual a una vez el primer elemento de la base ms dos veces el segundo elemento. Entonces, hay que tener bien claro cul es el primero y cul es el segundo. Si no, sale todo mal. Todo muy lindo con este tema de las coordenadas, ya vimos cmo se calculan, y que dependen de la base. Pero, de qu sirven? Las coordenadas sirven mucho cuando estamos trabajando con EV que no son los ms comunes; porque los vectores pueden ser cualquier cosa (como polinomios, matrices); y las coordenadas son siempre vectores de Rn, y entonces son ms fciles de usar. Pero, se puede hacer eso as noms ? En vez de manejarme con los vectores me puedo manejar con las coordenadas ? S, se puede, porque las coordenadas conservan las propiedades de linealidad. Eso quiere decir que , si un conjunto es LI (o LD), las coordenadas de los vectores, en cualquier base, tambin ser LI (o LD). Y tambin vale al revs. Veamos un ejemplo: Si B = {v1, v2, v3} es una base un espacio vectorial V, decidir para qu valores de k el conjunto A = {w1,w2,w3} con w1 = v1 2v2 ; w2 = v2 + (k+1) v3 ; w3 = (k-1) v1 - v3 es LI.

Esto es mucho ms fcil de hacer si en vez de trabajar con los vectores w1,w2,w3 nos manejamos con sus coordenadas en la base B. [w1]B = (1,-2,0) ; [w2]B = (0,1,k+1) ; [w3]B = (k-1 , 0 , -1)

Ahora es ms fcil, tenemos que fijarnos si los tres vectores de coordenadas (todos vectores de R3) son LI. Eso lo podemos hacer as:

2 0 1 1 2 1 k + 1 f3 (k-1) * f1 0 1 0 k 1 0 0 1 k 1

0 1 2 0 k + 1 f3 + (k-1) * f2 0 1 k + 1 0 0 k2 1

Para que el conjunto sea LI, no se tiene que anular la ltima fila, o sea tiene que ser k2 0 k 0. Si k = 0, el conjunto A es LD. Fijate que en este ejercicio nunca nos enteramos de qu pinta era el espacio vectorial V. O sea, no sabemos si v1, v2, ... son vectores, matrices o cualquier cosa; pero pudimos resolver el ejercicio igual usando coordenadas.

ASIMOV

- 118 -

ESPACIOS VECTORIALES

Igual, seguro que todava no te convencen mucho las coordenadas. La verdad, que no parece que sirvan de mucho, pero se usan mucho para transformaciones lineales. Siempre los ejercicios de T.L. salen ms fcil tomando coordenadas.

Coordenadas en distintas bases. Matriz de cambio de base ( Ojo )


Si tengo las coordenadas de un vector v en una base B1... puedo encontrar las coordenadas en otra base B2 ?

Y, ...., s, como poderse se puede, pero son muchas cuentas. Lo primero que se me ocurre es esto: si conozco [v]B1, puedo calcular cunto vale el vector v; porque es la CL de los elementos de la base B1, y los coeficientes son las coordenadas. Y una vez que s cuanto vale el vector v, calculo las coordenadas en la base B2. Pero eso es muy largo, no hay una forma ms fcil? Alguna formulita rpida tal que agarro [v]B1, lo meto en la frmula, hago la cuenta y obtengo [v]B2. S, se puede. Prest atencin, que te muestro como se arma esa formulita.

Veamos. Antes que nada, tenemos un espacio vectorial V. Tambin tenemos dos bases de ese EV: B1 = {v1,v2, ...., vn} y B2 = {w1,w2,....,wn} Como esas dos son bases, generan todo el espacio V. Eso quiere decir que a cualquier vector v eV lo puedo escribir como CL de los elementos de B1, y tambin como CL de los elementos de B2, o sea: v = a1 . v1 + a2 . v2 + .... + an . vn = b1 . w1 + b2 . w2 + ... + bn . wn donde (a1, a2, ...., an) = [v]B1 y (b1, b2, ....., bn) = [v]B2

Como w1, ...., wn son elementos de V (para ser base, antes que nada tienen que estar en el EV), tambin los puedo escribir como CL de los elementos de B1: w1 = c11 . v1 + c21 . v2 + .... + cn1 . vn (c11, c21, ...., cn1) = [w1]B1 (c12, c22, ...., cn2) = [w2]B1 (c1n, c2n, ..., cnn) = [wn]B1

w2 = c12 . v1 + c22 . v2 + .... + cn2 . vn wn = c1n . v1 + c2n . v2 + ..... + cnn . vn

Si reemplazamos todo eso en la igualdad de ms arriba, llegamos a que: a1 . v1 + ... + an . vn = b1 . (c11 . v1 + .... + cn1 . vn ) + ..... + bn . (c1n . v1 + .... + cnn . vn) a1 . v1 + .... + an . vn = (c11 . b1 + ..... + c1n . bn) . v1 + .... + (cn1 . b1 + .... + cnn . bn) . vn

ASIMOV

- 119 -

ESPACIOS VECTORIALES

Como los vectores v1, v2, ...., vn son LI ( porque son una base ), para que se cumpla la igualdad, v1 tiene que tener el mismo coeficiente en ambos miembros, y lo mismo para v2, ...., vn. Entonces, tenemos n igualdades: a1 = c11 . b1 + .... + c1n . bn an = cn1 . b1 + ..... + cnn . bn Esto que parece tan complicado, y con muchos coeficientes y muchos subndices, lo podemos resumir en una sola igualdad: [v]B1 = CB2B1 * [v]B2 donde CB2B1 es la llamada matriz de cambio de base de B2 a B1, y se forma poniendo como columnas, a las coordenadas de los elementos de la base B2, respecto de la base B1, o sea: CB2B1 = ([w1]B1 [w2]B1 ..... [wn]B1)

...

Se entendi o te perdiste un poco en los clculos ? Quizs las cuentas te parezcan rebuscadas porque aparecen muchos subndices, pero no hay mucho secreto. Todo lo que hice fue escribir los elementos de una base (B2) como CL de los elementos de la otra (B1). Y as llegu a n igualdades, que se pueden resumir en esa formulita. Y esa frmula vale siempre? S. Te mostr toda la deduccin para que veas que no hay ninguna cuenta extraa, esas cuentas se pueden hacer siempre para cualquier base B1 y B2.

Mejor veamos algn ejemplo as queda bien claro.

Si tenemos dos bases de R2: B1 = {(1,1) ; (0,1)} y B2 = {(2,3) ; (-2,0)}. Hallar la matriz de cambio de base de B1 a B2.

And un par de prrafos ms arriba y fijate como se arma esa matriz: tenemos que poner como columnas las coordenadas de los elementos de la base de llegada (o sea B2) respecto de la base de salida (o sea B1). Bueno, hagamos las cuentas noms: las CL lineales nos queda: (2,3) = c11 . (1,1) + c21 . (0,1) >>>> c11 = 2 , c21 = 1 >>>>> [(2,3)]B1 = (2,1)

(-2,0) = c12 . (1,1) + c22 . (0,1) >>>> c12 = -2 , c22 = 2 >>> [(-2,0)]B1 = (-2,2)

ASIMOV

- 120 2 2 CB1B2 = 1 2

ESPACIOS VECTORIALES

Ahora que ya encontramos la matriz, aprovechemos y veamos un ejemplo de cmo se hace el cambio de base. Tengo un vector v, que no s cuanto vale pero s que sus coordenadas en la base B1 son [v]B1 = (1,0). Entonces, sus coordenadas en la base B2 son: [v]B2 = CB1B2 * [v]B1 = (2,-2,1,2) * (1,0) [v]B2 = (2, 1)

Como ves, la parte difcil es encontrar la matriz de cambio de base. Pero una vez que tens la matriz hacer el cambio de coordenadas es muy fcil, todo lo que hay que hacer es multiplicar una matriz por un vector. Propiedades de la matriz de cambio de base 1) CB1B3 = CB2B3 * CB1B2

Si quiero pasar de las coordenadas en la base B1 a las coordenadas en la base B3, lo puedo hacer pasando primero por la base B2. Para eso, primero multiplico por CB1B2, y despus, para pasar de B2 a B3, multiplico por CB2B3. Por eso es que CB1B3 no es ms que el producto de las dos matrices.

2) CB2B1 = (CB1B2)-1.
Esto es un corolario del punto anterior: CB1B1 = CB2B1 * CB1B2. Pero CB1B1 es la matriz identidad, porque son las coordenadas de los vectores de B1, en la base B1. Entonces, tenemos unos sobre la diagonal, y ceros en el resto. Eso no es otra cosa que la matriz identidad. Y si el producto de dos matrices da como resultado la identidad, quiere decir que una es la inversa de la otra.

ASIMOV

- 121 -

ESPACIOS VECTORIALES

OPERACIONES ENTRE SUBESPACIOS


Ya vimos muchas cosas de los subespacios: qu son, los sistemas de generadores, las bases, coordenadas. Pero todava no sabemos qu hacer con ellos. Qu operaciones se pueden hacer entre dos subespacios? Se pueden sumar ? Se pueden restar ? Y ...., no s. En principio, como los subespacios son subconjuntos de un EV ms grande. As que las operaciones que se me ocurren que pueden funcionar son las tpicas entre conjuntos: unin e interseccin. Veamos: Interseccin de subespacios Se define igual que la interseccin de conjuntos que ya conocemos. Si tenemos dos subespacios S y T incluidos en un EV ms grande V, la interseccin es: S T = {X V tal que X S y X T} O sea, en la interseccin estn los elementos que estn repetidos en los dos conjuntos. La interseccin de dos subespacios da como resultado otro subespacio, y la demostracin es muy sencilla. Te acords como se demuestra que un conjunto es SEV ? Hay que demostrar que cumple tres propiedades:

1) Incluye al vector cero. Esto se cumple, porque 0 S (porque S es subespacio) y 0 T (porque T tambin es subespacio). As que, como el cero est en los dos conjuntos, 0 e S T. 2) La suma es cerrada, o sea que si y son dos vectores de S T, la suma + tambin es un elemento de S T. Como y son elementos de S (si estn en S T, quiere decir que estn en S y tambin en T), la suma es un elemento de S, porque, como S es un subespacio, la suma cerrada. Lo mismo con T: la suma + es un elemento de T. Entonces, la suma + est en los dos subespacios: + e S T. 3) El producto por un escalar es cerrado. O sea, que si es un vector de ST y k es un escalar, el producto k . tambin es un vector de S T. La demostracin es igual a la del puntos anterior, como el producto es cerrado en S y en T (porque son SEV), k . e S y k . e T. Entonces, como pertenece a ambos subespacios, tambin est en la interseccin.
Ya demostramos que S I T es un subespacio, pero cmo lo calculamos? Muy fcil, es el conjunto de todos los vectores que estn en S y en T al mismo tiempo. Mejor veamos un ejemplo:

ASIMOV

- 122 -

ESPACIOS VECTORIALES

S = <(1,0,1,1) ; (0,0,2,3)> T = {X R4 tal que x1 + 2x2 x3 = 0} Encontrar S T = { X R4 tal que X S y X T }.

Como quiero que X S, tiene que ser una CL de los dos generadores, o sea: X = a . (1,0,1,1) + b . (0,0,2,3) X = (a , 0 , a + 2b , 3b) Adems, quiero que est en T, o sea que x1 + 2x2 x3 = 0. Pero recin vimos cunto valen cada componente, as que la ecuacin nos queda: a (a + 2b) = 0 b = 0 Esto quiere decir que para que X pertenezca a ambos subespacios, el coeficiente que acompaa al (0,0,2,3) en la combinacin lineal tiene que ser 0. O sea, X slo puede ser CL del (1,0,1,1). Entonces, la interseccin nos queda: S T = <(1,0,1,1)> S = <(1,1,1) ; (0,2,-3)> ; T = <(0,0,1) ; (2,-1,2)>. Calcular S T.

X S X = a . (1,1,1) + b . (0,2,-3) = (a , a + 2b , a 3b) X T X = c . (0,0,1) + d . (2,-1,2) = (2d , -d , c + 2d) Como X tiene que pertenecer a ambos SEV, esas dos combinaciones lineales tienen que ser iguales. As, podemos encontrar una relacin entre a,b,c y d: (a , a + 2b , a 3b) = (2d , -d , c + 2d) Acordate que para que dos vectores sean iguales, tienen que ser iguales componente a componente. Entonces, tenemos tres igualdades: a=2d a + 2b = -d 2d + 2b = -d b = -3/2 . d a 3b = c + 2d 2d 3 . (-3/2 . d) = c + 2d c = 9/2 d Tenemos todos los coeficientes en funcin de unos solo (d). Si lo reemplazamos en la segunda CL nos queda: X = (2d, -d , c + 2d) = (2d , -d , 9/2 . d + 2d) X = d . (2 , -1 , 13/2) Cualquier vector X e S T es un mltiplo del (2 , -1 , 13/2). Entonces:

ASIMOV

- 123 S T = <(2 , -1 , 13/2)>

ESPACIOS VECTORIALES

S = {X R4 tal que x1 + 2x3 x4 = x2 + x3 = 0} T = {X R4 tal que x4 - x1 = 0}

La interseccin de ambos subespacios incluye a los X que cumplan con las tres ecuaciones al mismo tiempo. Las resolvemos: x4 x1 = 0 x4 = x1 x1 + 2x3 x4 = 0 2x3 = 0 x3 = 0 x2 + x3 = 0 x2 = 0 Ya sabemos cunto vale cada componente. Si juntamos todo, los vectores X nos quedan: X = (x1,x2,x3,x4) = (x1, 0, 0, x1) = x1 . (1,0,0,1) S T = <(1,0,0,1)> Estos tres ejemplos que vimos recin, son los tres casos tpicos de un ejercicio de interseccin de subespacios. Claro, porque el subespacio te lo pueden dar a partir de un sistema de generadores, o a partir de las ecuaciones que resuelve. Entonces, si entendiste estos tres ejemplos, entendiste todo el tema de interseccin de subespacios, no tiene ms secreto, Unin de subespacios La otra operacin tpica entre conjuntos es la unin. Si tenemos dos conjuntos A y B, en la unin A B estn todos los elementos que estn en, al menos uno de los dos conjuntos. O sea, se define formalmente as: A B = {X tal que X A X B} Pero hay un problema, la unin de dos subespacios, no siempre da como resultado un subespacio; solamente si uno est incluido adentro del otro (en ese caso, el resultado de la unin es el subespacio ms grande). Fallan las propiedades de que la suma y el producto sean cerrados. Entonces, como el resultado de la unin no es un subespacio, esta operacin no se usa nunca. Pero existe otra operacin, que es muy parecida a la unin, y es la suma de subespacios, que s da como resultado otro SEV. Suma de subespacios Se define como la suma de dos subespacios S y T ( incluidos en un EV ms grande V)

ASIMOV

- 124 -

ESPACIOS VECTORIALES

al conjunto S + T que incluye todos los vectores que pueden ser escritos como suma de un vector s S y otro t T. O sea: S + T = {X V tal que X = s + t con s S y t T} Directamente de la definicin podemos sacar un mtodo muy fcil para calcular S + T. Si S = <v1, v2, ...., vk> y T = <w1, w2, ...., wr>, a cada uno de los vectores s S y t T, los puedo escribir como CL de los vectores generadores. Entonces, un vector cualquiera X (S + T) lo puedo escribir como X = s + t = a1 . v1 + ..... + ak . vk + ak+1 . w1 + ..... + ak+r . wk Escribimos al vector X como una CL de los vectores v1, ..., vk, w1, ...., wk. Entonces, el sistema de generadores de S + T es igual a la unin de los S.G. de S y de T. Por eso es que esta operacin es muy parecida a la unin de conjuntos: en vez de unir los SEV, unimos los sistemas de generadores. Todo muy lindo, pero... S + T es un subespacio? S. Para demostrarlo, hay que fijarse que cumple las tres propiedades. Fijate que podemos escribir cualquier vector de S + T como combinacin lineal de un sistema de generadores. Y la suma de dos CL es otra CL, lo mismo con el producto por un escalar. Entonces, estas dos operaciones son cerradas. Adems, incluye al vector cero, porque podemos hacer una combinacin lineal con todos los coeficientes iguales a cero. Entonces, cumple las tres condiciones, y S + T es un subespacio de V. Veamos un par de ejemplos: Calcular S + T con S = <(1,1,1,1)> y T = {X R4 tal que {2x1 5x4 = x3 + x2 = 0}, y encontrar una base.

Sera ms fcil si tuviramos los generadores de T, pero nos lo dan como un sistema de ecuaciones. Entonces, tenemos que resolverlas y encontrar los generadores, no queda otra opcin: 2x1 5x4 = 0 x4= 2/5 . x1 x3 + x2 = 0 x3 = -x2 X = (x1, x2, x3, x4) = (x1,x2,-x2,2/5 x1) = x1 . (1,0,0,2/5) + x2 . (0,1,-1,0) T = < ( 1,0,0,2/5 ) ; ( 0,1,-1,0 ) >

ASIMOV

- 125 -

ESPACIOS VECTORIALES

Ahora que tenemos los generadores de los dos subespacios, para la suma S + T unimos los dos conjuntos de generadores y nos queda: S + T = <(1,1,1,1) ; (1,0,0,2/5) ; (0,1,-1,0)> Tambin nos piden encontrar una base. Ya tenemos un S.G., si es LI ya est. Verificalo, son LI. Entonces B = {(1,1,1,1) ; (1,0,0,2/5) ; (0,1,-,1,0)} es una base de S + T OJO: en este ejercicio, dim S = 1, dim T = 2 y la dimensin de la suma da igual a la suma de las dimensiones, o sea dimS+T = 3. Pero eso no es siempre as. En este caso s, pero en otros casos puede ser que no. Y de qu depende eso? Depende de como sea la interseccin entre S y T. Como es eso ? Hay un teorema que relaciona las dimensiones de todos esos SEV: Dim S + dim T = dim S+T + dim ST La demostracin es bastante engorrosa, as que no te la muestro, pero te cuento como es la idea. Si dimST = k 0, la unin de los dos sistemas de generadores no es LI, sino que hay k vectores que se pueden escribir como CL de los otros. Entonces, de ah sale la igualdad. Veamos algn ejemplo para ver que se cumple esa igualdad. S = <(1,1,3) ; (0,1,0)> ; T = <(1,0,1) ; (1,2,3)> Antes de calcular la suma y la interseccin, veamos qu dimensin tienen S y T. Como los dos sistemas de generadores son LI (verificalo), dimS = 2 y dimT = 2. Ahora s, calculemos la interseccin. : X S >>>>> X = a . (1 , 1, 3) + b . (0,1,0) = (a, a + b ,3a) X T >>>>> X = c . (1,0,1) + d . (1,2,3) = (c + d , 2d , c + 3d) Como X tiene que estar en ambos subespacios al mismo tiempo: (a , a + b , 3a) = (c + d , 2d , c + 3d) Esta igualdad la podemos reemplazar por tres igualdades: a=c+d

ASIMOV

- 126 a+b=2d 3a = c + 3d 3 . (c + d) = c + 3d

ESPACIOS VECTORIALES

3c = c c = 0

Si reemplazamos este resultado en la CL que nos da X, nos queda: X = c . (1,0,1) + d . (1,2,3) X = d . (1,2,3) S T = <(1,2,3)> dim S T = 1

Bueno, ya tenemos la interseccin, ahora calculemos la suma. S + T = <(1,1,3) ; (0,1,0) ; (1,0,1) ; (1,2,3)> Eso fue fcil. Ya sabemos cul es la suma. Ahora, para saber cual es su dimensin, tenemos que encontrar una base. Obviamente ese conjunto de generadores no es una base de S + T porque no es LI (en R3 no puede haber ms de tres vectores LI). Es ms, fijate que el ltimo vector es igual a la suma del primero y el segundo. Entonces, lo descartamos y nos queda: B = {(1,1,3) ; (0,1,0) ; (1,0,1)} Este conjunto s es LI (verificalo), y genera S + T. O sea, B es una base de S + T. Como tiene tres elementos, dim(S+T) = 3. Fijate que se cumple la igualdad: Dim S + dim T = dim (S+T) + dim (ST) >>>>> 2 + 2 = 3 + 1 Esta formulita sirve mucho. Por ejemplo, en este ejercicio, podamos calcular Dim (S+T) = dim S + dim T dim ST = 2 + 2 1 = 3 Y el nico SEV de dimensin 3 incluido en R3 es todo el espacio R3, y es el mismo resultado al que llegamos (fijate que la base B genera todo R3). Suma directa Antes que nada, te aviso que la suma y la interseccin son las dos nicas operaciones entre subespacios que siempre dan como resultado un SEV (antes vimos que la unin no funcionaba). As que la suma directa no es otra operacin. La suma de dos subespacios se llama directa cuando la interseccin entre ellos es lo ms chica posible, o sea solamente el vector 0 (acordate que la interseccin siempre es un subespacio, y el SEV ms chico es el que solamente incluye al 0). Se usa otro smbolo: cuando la suma entre S y T es directa, la escribimos S T. As que siempre que te pidan calcular S T, primero tens que verificar que la suma sea directa ( o sea que la interseccin sea el 0 ).

ASIMOV

- 127 -

ESPACIOS VECTORIALES

La suma directa tiene algunas propiedades: 1) Como la interseccin de ambos subespacios es el vector nulo (o sea un SEV de dimensin 0), la frmula de las dimensiones que vimos antes nos queda: dim S T = dim S + dim T 2) Cuando definimos la operacin suma dijimos que era S + T = {X tal que X = s + t con s S y t T} Bueno, si la suma es directa, esos vectores s y t son nicos. Hay un solo vector s S y un t T que cumplen esa igualdad para cada X e S T. Esto se puede demostrar. Como la interseccin de ambos SEV es nula, la unin de los dos sistemas de generadores resulta un conjunto LI, o sea una base de S+OT. Y, como las coordenadas en un base son nicas, hay una sola combinacin lineal de esos generadores que da como resultado X. Como estn fijos todos los coeficientes, hay un solo valor posible para s e S, y un solo valor posible para t e T. Es algo as: X = k1 . v1 + .... + k2 . vr + kr+1 . w1 + ..... + kr+d . wd sS Extensin de bases Un ejercicio tpico es, por ejemplo, si tenemos un subespacio de R3 S = < (1,1,1) ; (1,1,0) >, y nos piden que extendamos la base de este subespacio hasta una base de R3. Cmo se hace ? Y, ..., bueno. En principio, tenemos que agregar un vector, porque dim S = 2 y R3 es un espacio de dimensin 3. Cualquier vector? No, cualquiera no. Tiene que ser uno que no est en S, porque sino no es LI con los generadores de S. Por ejemplo, podemos agregar el (0,1,0). Est bien, ese funciona. Pero como me doy cuenta qu vector hay que agregar? Pods agregar cualquier que no est en S, el primero que se te ocurra. Si no se te ocurre ninguno, una forma segura de hacerlo (pero muy larga) es escribir a S como un sistema de ecuaciones. Entonces, para encontrar un vector que no est en S, elegs uno que no cumpla esas ecuaciones. En este caso, S= {X R3 tal que x1 = x2}. Si elegs un vector tal que la primera y la segunda componente sean distintas, funciona. tT

ASIMOV

- 128 -

ESPACIOS VECTORIALES

Este tipo de ejercicios no tienen un mtodo estricto que hay que seguir. La idea es encontrar a ojo o como sea, un vector que no est en S. Otra opcin es ir probando con los vectores de la base cannica: fijarse si estn o no en S: seguro que todos no estn, porque si estuvieran todos, habra 3 vectores LI en S, que es un subespacio de dimensin 2, y eso no puede ser. Veamos otro ejemplo: Extender una base de S = <(-1,2,-1,2) ; (0,1,1,0)> hasta una base de R4. Primero tratamos de extenderlo a un subespacio de dimensin 3, agregando un vector que no est en S. Por ejemplo, podemos agregar el (1,0,0,1): fijate que no est en S porque no se puede escribir como CL de esos dos vectores. Entonces por ahora tenemos un nuevo subespacio de dimensin 3: T = <(-1,2,-1,2) ; (0,1,1,0) ; (1,0,0,1)> Ahora tenemos que agregar un nuevo vector, que no est en T. Por ejemplo, podemos agregar el primer vector de la base cannica, el (1,0,0,0). Y listo, con esto formamos una base de R4: B = {(-1,2,-1,2) ; (0,1,1,0) ; (1,0,0,1) ; (1,0,0,0)} donde los dos primeros vectores son una base de S. El otro tipo de problemas tpico es escribir una base de un espacio vectorial V que contenga bases de dos espacios vectoriales ms chicos S y T. OJO: para que se pueda hacer el ejercicio, se tiene que cumplir que S + T = V. Bueno, quizs ni siquiera se haya entendido como es el problema. Mejor veamos un ejemplo. Escribir una base de R3 que contenga bases de los subespacios S = <(2,0,1) ; (1,-1,1)> y T = {X R3 tal que x1 = 0} Antes que nada, escribamos el subespacio T con su sistema de generadores. Como la nica condicin es que la primera coordenada sea un cero, X = (x1,x2,x3) = (0,x2,x3) = x2 . (0,1,0) + x3 . (0,0,1) T = <(0,1,0) ; (0,0,1)> Veamos. R3 es un espacio de dimensin 3, y los dos subespacios S y T tienen dimensin 2 (fijate que los generadores son LI). As que no podemos unir las dos

ASIMOV

- 129 -

ESPACIOS VECTORIALES

bases, porque nos quedara un conjunto de cuatro vectores, y eso nunca puede ser LI. Entonces, hay que hacer otra cosa. La idea para resolver esto es encontrar dos bases de los subespacios, que tengan un vector en comn, as la unin tiene tres elementos, no cuatro. Y cmo se hace para que tengan un vector en comn ? Fcil, ese vector tiene que ser el generador de la interseccin. Calculemos S I T: X S >>>>> X = a . (2,0,1) + b . (1,-1,1) >>>>> X = (2a + b, -b , a + b) X T >>>>> x1 = 0 >>>> 2a + b = 0 >>>>> b = -2a X = a . (2,0,1) 2a . (1,-1,1) = (0 , 2a , -a) = a . (0,2,-1) S T = <(0,2,-1)> Ahora que tenemos la interseccin, podemos armarnos dos bases de S y T que contengan al (0,2,-1). Nos queda algo as: B1 = {(2,0,1) ; (0,2,-1)} es base de S. Fijate que lo nico que hicimos fue remplazar un vector por una CL de todos los elementos de la base, as que este conjunto sigue generando a S, y adems es LI >>> es una base de S B2 = {(0,2,-1) ; (0,0,1)} es base de T Si ahora unimos las dos nos queda: B = {(2,0,1) ; (0,2,-1) ; (0,0,1)} es base de R3 As encontramos una base de R3 donde los dos primeros vectores son una base de S, y los dos ltimos son una base de T. Qu aprendimos ? Rta: Que el truco para resolver estos ejercicios es encontrar la interseccin, y buscar dos bases que incluyan al generador de S T. Despus, unimos los dos bases y ya est.

ASIMOV

- 130 -

ESPACIOS VECTORIALES

PRODUCTO INTERNO Este es un tema muy, pero muy grande. Pero nosotros no vamos a ver mucho, solamente una pequea introduccin. Un producto interno es una operacin entre dos elementos de un espacio vectorial V que da como resultado un escalar, y cumple con ciertas propiedades. Pero mejor no nos metamos en cosas muy generales, y vayamos directo al nico producto interno que vamos a usar: el usual en Rn. Si tenemos dos vectores X = (x1, x2, .... , xn) e Y = (y1, y2, .... , yn) de Rn, se define el producto escalar (o interno) entre ellos como: X . Y = x1 . y1 + x2 . y2 + .... + xn . yn Antes de ver qu interpretacin geomtrica tiene este producto interno, veamos qu es la norma de un vector: es algo as como su longitud (si la flecha es ms larga, mayor es la norma), y se define como ||X|| = X .X =
x1 + x 2 + .... + x n
2 2 2

Bueno, por ahora vimos un par de definiciones (de producto interno y de norma), pero .... sirve para algo? S, acordate que estamos en Rn, y casi todo tiene una interpretacin geomtrica. Veamos: Interpretacin de la norma. Es algo as como la longitud del vector. Por ejemplo, en el grfico

4 v1

la norma del vector v1 la podemos calcular como: ||v1|| =

32 + 4 2

ASIMOV

- 131 -

ESPACIOS VECTORIALES

Esto quiere decir que "el vector v1 mide 5" . Pero 5 qu ? Rta: 5 unidades. Eso depende de cmo estemos midiendo. Si los ejes x e y estn en metros, entonces "el vector v1 mide 5 metros". Fijate que es exactamente el mismo resultado al que hubiramos llegado usando el Teorema de Pitgoras. Claro, porque la norma en este producto interno es algo as como la generalizacin del Teorema de Pitgoras a Rn. Ahora que sabemos que la norma de un vector es su longitud, podemos usarlo para medir distancias. Por ejemplo, si quiero calcular la distancia entre los puntos P1= (10,2) y P2 = (-2,-3), la puedo calcular como la norma del vector que une esos dos puntos. Ese vector es v = (10,2) - (-2,-3) = (12,5) Y su norma es ||v|| =

12 2 + 5 2

O sea, que la distancia entre los puntos P1 y P2 es 13. Interpretacin del producto interno como ngulo entre vectores Hay una frmula que relaciona el producto escalar entre dos vectores con sus normas y el ngulo a que forman. Es as: X . Y = ||X|| . ||Y|| . cos En el grfico anterior, podemos calcular el ngulo que forman los vectores v1 y v2 con esa frmula. Nos queda as: cos = v1 . v2 / (||v1|| . ||v2||) = (3,4) . (0,1) / (||(3,4)|| . ||(0,1)||) cos = 4/5 = 37 Fijate que este es el mismo resultado al que hubiramos llegado planteando la relacin trigonomtrica cos a = adyacente/hipotenusa = 4/5 De alguna forma el producto interno nos dice cunto vale el lado adyacente a a. adyacente = X . Y / (||Y||) Al vector Y / ||Y|| lo llamamos versor y, porque tiene longitud (norma) 1. Esto quiere decir que si queremos encontrar cunto mide la "proyeccin" de un vector sobre una recta, todo lo que tenemos que hacer es multiplicarlo por el versor de esa recta

ASIMOV

- 132 Un caso particular, cuando v1 . v2 = 0.

ESPACIOS VECTORIALES

Qu quiere decir que el producto de dos vectores (no nulos) sea cero ? And un par de prrafos ms arriba y fijate la interpretacin como ngulo. Eso quiere decir que cos a = 0, o sea que a = 90 . Eso no es otra cosa que decir que los dos vectores son perpendiculares. Ac hay que tener cuidado. La palabra perpendicular tiene sentido si estamos hablando de R2 o de R3. Para dimensiones ms grandes no significa nada. Por eso, para generalizar, se usa el trmino ortogonal. Entonces, decimos que dos vectores v1 y v2 son ortogonales cuando v1 . v2 = 0 Por ejemplo, los vectores (1,1) y (1,-1) son ortogonales porque (1,1) . (1,-1) = 1 1 = 0. Fijate que si los dibujs en R2, forman un ngulo de 90 grados, o sea, son perpendiculares. Este concepto de ortogonalidad se puede extender a ms de dos vectores. Si tenemos un conjunto A = {v1, v2, ...., vn}, decimos que es un conjunto ortogonal si cualquier par de vectores de A es ortogonal entre s. Por ejemplo, el conjunto A = {(1,2,0,3) ; (-4,2,1,0) ; (0,1,0,0)} es ortogonal. De la mano del concepto de ortogonal, viene el de ortonormal.Decimos que dos vectores son ortonormales si son ortogonales y adems tienen norma 1. Lo mismo vale para los conjuntos ortonormales (C.O.N.). Y cmo armamos un C.O.N ? Muy fcil, a partir de un conjunto ortogonal. Todo lo que hay que hacer es dividir todos los vectores por su norma. Teorema: todo conjunto ortogonal que no incluya al cero es LI. La demostracin de este teorema no es muy simple, pero te la muestro as ves cmo es una demostracin por el absurdo. La idea es empezar suponiendo que lo que queremos demostrar est mal, y despus de varios pasos llegar a una contradiccin (o sea un absurdo). Veamos: Tenemos el conjunto A = {v1, v2, .... , vn} que es ortogonal y no incluye al cero. Ahora supongamos que es LD, o sea que podemos escribir uno de los vectores como combinacin lineal de los dems, por ejemplo el ltimo: vn = k1 . v1 + k2 . v2 + .... + kn-1 . vn-1

ASIMOV

- 133 -

ESPACIOS VECTORIALES

Como el conjunto es ortogonal, el producto de vn con cualquier otro vector vi de A tiene que dar cero, o sea: vn . vi = k1 . v1 . vi + k2 . v2 . vi + .... + ki . vi . vi + .... + kn-1 . vn-1 . vi = 0 De vuelta, como el conjunto es ortogonal, el producto de vi con cualquier otro vector que no sea vi es 0; y el producto de vi . vi no es otra cosa que su norma elevada al cuadrado. Entonces, la cuenta nos queda: ki . ||vi||2 = 0 Para que un producto de dos nmeros sea cero, alguno de los dos tiene que ser cero. Pero ||vi||2 no puede ser cero, porque eso significara que ||vi|| = 0, o sea que es un vector de longitud cero. Y el nico vector de longitud nula es el 0, y dijimos que ese vector no est en A. Entonces, ki = 0. O sea, si multiplicamos vn . v1, llegamos a la conclusin de que k1 = 0. Lo mismo si multiplicamos vn . v2, llegamos a que k2 = 0. Si hacemos eso con todos los vectores, vamos a llegar a que todos los coeficientes son cero, o sea que vn = k1 + v1 + ..... + kn-1 . vn-1 = 0 . v1 + ... + 0 . vn-1 >>>>> vn = 0 Y esto no puede ser (es un absurdo), porque empezamos diciendo que el cero no es un vector de A. Y donde fallamos ? Todo el procedimiento est bien, as que fallamos en suponer que el conjunto es LD. Esta es una tpica demostracin por el absurdo >>> todo conjunto ortogonal que no incluye al 0 es LI.

Y de qu sirve que los conjuntos ortogonales sean LI ? Bueno, eso quiere decir que existen bases ortogonales (B.O.G.). Por ejemplo, las bases ms comunes, las que usamos siempre: las bases cannicas, son ortonormales. Ah, qu bueno. Y cmo encuentro una B.O.G. Veamos un ejemplo:

Encontrar una base ortogonal del subespacio S = <(1,1,-1) ; (2,2,3)>

La podemos encontrar a partir de una base cualquiera, por ejemplo, a partir de la base B = {(1,1,-1) ; (2,2,3)} Cmo se hace? La idea es reemplazar el segundo vector por uno que sea ortogonal al primero, y que generen juntos el subespacio S. Para eso, tiene que ser una CL de los vectores de la base B, o sea:

ASIMOV

- 134 -

ESPACIOS VECTORIALES

v = a . (1,1,-1) + b . (2,2,3) = (a + 2b , a + 2b , 3b a) Como adems que sea ortogonal al (1,1,-1) se tiene que cumplir que: v . (1,1,-1) = 0 a + 2b + a + 2b + a 3b = 3a + b = 0 b = - 3a v =a . (1,1,-1) 3a . (2,2,3) v = a . (-5,-5,-10) = -5a . (1,1,2)

Y cunto vale a ? Puede valer cualquier cosa (siempre que no sea cero), porque solamente estamos buscando un vector v cualquiera que cumpla eso. Por ejemplo, si tomamos 5 a = 1, v = (1,1,2), y nos queda B' = {(1,1,-1) ; (1,1,2)}, es una base ortogonal de S. Se puede hacer lo mismo con subespacios de dimensin ms grandes. Siempre es lo mismo: el primer vector queda igual, y reemplazamos el segundo por un vector del subespacio que sea ortogonal al primero. Ahora, reemplazamos el tercero por uno que sea ortogonal a los dos primeros, y as hasta terminar. Complemento ortogonal Si tenemos un subespacio S incluido en un EV V, se define el complemento ortogonal S como el conjunto de todos los vectores de V que son ortogonales a todos los elementos de S, o sea: S = {X V tal que X . s = 0 para todo s e S} Un detalle importante: S es un subespacio de V. Esto se puede verificar, fijate que cumple con las tres propiedades que vimos antes.

Y cmo se calcula S ? Fcil, para que un vector sea ortogonal a todos los de S (o sea para que X pertenezca a S), alcanza con que sea ortogonal a todos los generadores de S. Seguro? Alcanza con eso? S, porque como cualquier vector de S es CL de los generadores, el producto de X con cualquier vector s e S va a ser una CL de los productos de X con cada uno de los generadores. O sea, una suma de cero, o sea, cero. Mejor veamos un ejemplo. Encontrar el complemento ortogonal del SEV S = <(1,0,1) ; (-2,1,0)>

X S si es ortogonal a esos dos vectores, o sea si:

ASIMOV

- 135 -

ESPACIOS VECTORIALES

(x1,x2,x3) . (1,0,1) = 0 x1 + x3 = 0 x3 = -x1 (x1,x2,x3) . (-2,1,0) = 0 - 2 x1 + x2 = 0 x2 = 2 x1 X = (x1, 2x1, -x1) = x1 . (1,2,-1) S = <(1,2,-1)>

Listo ? As de corto ? S, no tiene ms secreto que eso. Fijate que los elementos de S son soluciones de un sistema de ecuaciones, donde los coeficientes son las componentes de los generadores de S. Eso tambin nos sirve para encontrar S si nos dan a S como un sistema de ecuaciones. Por ejemplo Encontrar S si S = { X R4 tal que x1 + x3 x4 = x2 + 2x3 = 0 }

Respuesta rpida: S = <(1,0,1,-1) ; (0,1,2,0)>. Si haces todas las cuentas como en el caso anterior, vas a llegar al mismo resultado.

Hay alguna otra relacin entre S y S? S, s, hay unas cuantas: 1) S S = {0}. En la interseccin estn los vectores de S que son ortogonales a todos los elementos de S, en particular, que son ortogonales a s mismo. Y el nico vector que cumple con eso es el 0. 2) (S) = S 3) Si S es un subespacio incluido en un espacio vectorial V, S S = V.

Proyeccin ortogonal La ltima propiedad nos dice que podemos escribir cualquier vector v e V como suma de un vector s S y otro s S. Incluso ms, esos dos vectores son nico. Bueno, a ese vector s lo llamamos proyeccin ortogonal de v sobre S. La proyeccin ortogonal tiene una propiedad importante: es el vector de S ms cercano a V, o sea que la distancia ||v-s|| es mnima. Mir el grfico.

ASIMOV

- 136 S S

ESPACIOS VECTORIALES

Y claro, si siempre supimos que la menor distancia a un plano o a una recta est dada por la perpendicular. Bueno, la proyeccin ortogonal es una generalizacin de esa idea a cualquier espacio Rn. Cmo se encuentra la proyeccin ortogonal sobre un subespacio. La mejor explicacin es con un ejemplo:

Encontrar el vector s S ms cercano al (1,1,1) con S = <(1,0,0) ; (0,1,0)>

Lo primero que hay que hacer es encontrar una base del espacio vectorial (en este caso de R3), que contenga una base de S y otra de S. En este caso es muy fcil, podemos tomar la base cannica. B = {(1,0,0) ; (0,1,0) ; (0,0,1)} Los dos primeros vectores forman una base de S, y el ltimo es una base de S El prximo paso es encontrar las coordenadas del vector en esa base. Como es la cannica, es muy fcil: las coordenadas son iguales al vector: [(1,1,1)]B = (1,1,1) Entonces ya tenemos los coeficientes de la CL de los vectores de la base que da como resultado el vector (1,1,1). En otras palabras: (1,1,1) = 1 . (1,0,0) + 1 (0,1,0) + 1 . (0,0,1) = (1,1,0) + (0,0,1) La suma de los dos primeros da como resultado un vector de S, y el ltimo es un vector de S. Entonces ya est, logramos escribir al vector como suma de un vector de S y otro de S; y como la suma de esos dos subespacios es directa, los vectores son nicos. Listo, ya encontramos la proyeccin ortogonal sobre S: s = (1,1,0)

ASIMOV

- 137 -

ESPACIOS VECTORIALES

Coordenadas en una base ortonormal Si B ={v1, v2, .... , vn} es una base de un espacio vectorial V, las coordenadas un vector v V en esa base se calculan como: [v]B = (v . v1 , v . v2 , .... , v . vn) And unas pginas ms atrs hasta la parte de interpretacin del producto interno como ngulo entres dos vectores, y vas a entender mejor esto. Por ltimo, para terminar, veamos todo un ejercicio:

W = {X R4 tal que x1 + x3 = 0} T = {X R4 tal que x2 + x3 + x4 - x1 = x1 + x3 - x4 = x2 + 2x3 + x4= 0} Encontrar un subespacio S tal que S T = W

Bueno, por como viene planteado el ejercicio, nos conviene primero calcular S y despus obtener S. Antes que nada, veamos qu dimensin tiene que tener. Como S T = W, la suma es directa y la frmula de la dimensin nos dice que: Dim S + dim T = dim W dim S + 1 = 3 dim S = 2 Adems, como la suma tiene que ser directa: S T = {0} Esas son las dos condiciones para S. La forma ms fcil de encontrar S es escribir una base de W que incluya una base de T. Para eso, primero tenemos que encontrar bases de los dos subespacios> T = {X R4 tal que x2 + x3 + x4 - x1 = x1 + x3 - x4 = x2 + 2x3 + x4= 0} x2 +x3 +x4 x1 = 0 x1 = x2 +x3 + x4 x1 +x3 x4 = 0 x2 + x3 + x4 + x3 x4 = 0 x2 = -2x3 x2 + 2x3 + x4 = 0 x4 = 0 x1 = x2 + x3 = -x3 X T = (-x3, -2x3, x3, 0) = x3 . (-1,-2,1,0) X es combinacin lineal de un solo vector. Como ese vector no es el cero, forma una base del subespacio. O sea que B = {(-1,-2,1,0)} es una base de T Ahora lo mismo con W = {X R4 tal que x1 + x3 = 0} X W >>>> x1 + x3 = 0 >>> x3 = -x1

ASIMOV

- 138 -

ESPACIOS VECTORIALES

Entonces, un vector cualquiera X de W nos queda: X = (x1,x2,-x1,x4) = x1 . (1,0,-1,0) + x2 . (0,1,0,0) + x4 . (0,0,0,1) Como nos qued una combinacin lineal de tres vectores que son LI (verificalo). Esos tres vectores forman una base. Entonces: C = {(1,0,-1,0) ; (0,1,0,0) ; (0,0,0,1)} es una base de W. Ahora tenemos que conseguir otra base de W, que contenga a una base de T. Para eso, tenemos que reemplazar uno de estos tres vectores por el (-1,-2,1,0). Fijate que este vector es CL de los dos primeros vectores, pero no del tercero (es igual dos veces el segundo menos el primero). Entonces, OJO: no podemos reemplazar al tercer vector por el (-1,-2,1,0), porque nos quedara un conjunto LD. La parte difcil del problema es darse cuenta de eso. Bueno, entonces reemplazamos el primer vector y nos queda: D = {(-1,-2,1,0) ; (0,1,0,0) ; (0,0,0,1)} es una base de W Como el primer vector es base de T y S T = W, los ltimos dos vectores forman una base de S. O sea que ya encontramos S: S = < (0,1,00) ; (0,0,0,1) > Pero eso no es lo que nos piden, nos piden encontrar el subespacio S. Bueno, es el complemento ortogonal de S. La forma ms fcil es expresar a S como un sistema de ecuaciones, nos queda: S = { X R4 tal que x2 = x4 = 0 } Y listo, se termin el problema. Esto es todo lo que necesits saber de espacios vectoriales. Ahora, ponerse a resolver ejercicios FIN ESPACIOS VECTORIALES

ASIMOV

- 139 -

ESPACIOS VECTORIALES

EJEMPLOS SACADOS DE PARCIALES

Bueno, este ejercicio lo podemos resolver con cierta facilidad si entendemos bien lo que nos estn pidiendo. Vamos a ver: si nos piden una base de R lo que
4

tenemos que hacer es buscar 4 vectores l.i. de R (son cuatro porque las bases de subespacios de dimensin finita n tienen n vectores). El tema es que los mismos vectores agrupados de determinada manera tienen que formar una base de S y una de T . Primero buscamos las bases de S y T a partir de las ecuaciones que nos dan:
4

S: x4 = x1 + x2 3x3 ( x1 , x2 , x3 , x4 ) = ( x1 , x2 , x3 , x1 + x2 3x3 ) = = x1 (1,0,0,1) + x2 ( 0,1,0,1) + x3 ( 0,0,1, 3)


BS = {(1,0,0,1) ; ( 0,1,0,1) ; ( 0,0,1, 3)}

T:

x1 = 2 x4 2 x2 3x3 x1 = 3x3 x2 = x4 x2 = x4 ( x1 , x2 , x3 , x4 ) = ( 3x3 , x4 , x3 , x4 ) = = x3 ( 3,0,1,0 ) + x4 ( 0,1,0,1)


BT = {( 3,0,1,0 ) ; ( 0,1,0,1)}

S tiene 3 vectores en su base y T tiene 2, pero fijte ahora que el ( 0,1,0,1)


se repite en ambas bases, as que si ponemos los tres vectores de la base de S y el vector que nos falta de la base de T , tenemos cuatro vectores de R . Para que puedan formar una base tienen que ser l.i., as que vamos a triangular para ver si no se nos elimina ninguno:
4

1 0 0 3

0 1 0 0

0 1 1 0 0 1 1 3 3F1 +F4 0 1 0 0

0 1 0 0

0 1 1 0 0 1 1 3 F4 -F3 0 1 3 0

0 1 0 0

0 1 0 1 1 3 0 6

ASIMOV

- 140 -

ESPACIOS VECTORIALES

Son todos l.i. ! Eso quiere decir que los cuatro vectores forman una base del espacio vectorial R mientras que los primeros tres son tambin una base de S y los ltimos dos son una base de T :
4

BR4 = {(1,0,0,1) ; ( 0,0,1, 3) ; ( 0,1,0,1) ; ( 3,0,1,0 )}


EJEMPLO

Bueno, bueno, este problemita es peludo. Lo primero que tens que hacer es acordarte bien qu es una suma directa V V = W . Una suma como sa es directa cuando los subespacios a sumar tienen por interseccin nicamente al vector nulo ( 0,0,0,0 ) :

V V = {}
Cuando la suma es directa, la dimensin de W es igual a la suma de las dimensiones de V y V :

dim ( W ) = dim ( V ) + dim ( V ) dim ( V V )

esto es cero porque la interseccin es {}

dim ( W ) = dim ( V ) + dim ( V )


incluidos en S . Volviendo al problema, como S = W1 W2 podemos usar que W1 y W2 estn

W1 S
W1 T

W2 S
W3 T

Y lo mismo podemos hacer con T = W1 W3 .


y

que estar en la interseccin de S y T porque est incluido en los dos al mismo tiempo.

Si te fijs bien en lo que acabo de escribir, te vas a dar cuenta que W1 tiene

W1 S T

ASIMOV

- 141 -

ESPACIOS VECTORIALES

As que lo mejor que podemos hacer es empezar a buscar la interseccin de S y T . Ya lo debs haber hecho varias veces en la prctica, pero no est de ms recordarte cmo tens que hacer cuando quers encontrar la interseccin entre dos subespacios cuando a uno te lo dan en forma de generadores y al otro en forma de ecuaciones. Cualquier vector v que est en la interseccin, tiene que poder ser escrito como una combinacin lineal de los vectores de la base de S , y, al mismo tiempo, tiene que cumplir con la ecuacin de T . Veamos qu nos sale:
Combinacin lineal de los vectores de la base de S v = ( v1 , v2 , v3 , v4 ) = ( 0,1, 1,0 ) + ( 0,1,0,1) + (1,0,1,0 )

vS

( v1 , v2 , v3 , v4 ) = ( , + , + , )
v T
Ecuacin de T v2 v3 + v 4 = 0

+ + +

= 2 + 2
Y ahora reemplazamos por 2 + 2 en v:

v = 2 + 2 , + , 2 + 2 , =

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

S T = ( 2,1,1,0 ) ; ( 2,1, 2,1)


Fijte ahora que S T es de dimensin 2 (porque est generado por dos vectores l.i.), y como W1 est incluido en S T , su dimensin tiene que ser est pidiendo que la interseccin entre W2 y W3 no sea el cero, o sea,

menor o igual a 2. Antes de elegir W1 pensemos con cuidado. El problema te

dim ( W2 W3 ) > 0 . Como W2 y W3 son subespacios de S y T respectivamente, todos los vectores de W2 pertenecen tambin a S , y todos los de W3 pertenecen a T . En particular, todos lo vectores que estn en la interseccin de W2 y W3 tienen que pertenecer a S y a T al mismo tiempo. Opa !, entonces todos lo vectores de W2 W3 pertenecen tambin a S T .

ASIMOV

- 142 -

ESPACIOS VECTORIALES

subespacio que est incluido en S T y que tiene dimensin mayor a 0.

Y para qu tanto lo ? Para que te des cuenta de que W2 W3 es un

W2 W3 S T

dim ( W2 W3 ) > 0

S T , la dimensin de W1 tiene que ser o bien 1 (y la dimensin de W2 W3 tambin es 1) o la dimensin de W1 es 0 y la W2 W3 es 2. Fijte que en los
dos casos, estamos cumpliendo con lo que piden en el problema:

Entonces, como antes habamos dicho que W1 tambin estaba incluido en

W2 W3 {} .
El problema lo pods terminar ac, diciendo que W1 = {} , W2 = S y W3 = T ( en el enunciado no dice que no pueda ser as ). Te dejo a vos para que compruebes que cumplen con todos los requisitos. Pero vamos a seguir y vamos a elegir un W1 de dimensin 1. Cmo hacemos ? Simple: tomamos uno de los vectores generadores de S T , cualquiera y decimos que W1 es el generado por ese vector. Por ejemplo, agarremos el

( 2,1,1,0 ) .

W1 = ( 2,1,1,0 )
Para encontrar W2 y W3 tenemos que empezar por asegurarnos que la interde hacer esto es decir que W2 y W3 tienen que estar incluidos en el comple

seccin con W1 sea el cero, para que estn en suma directa. Una manera fcil

mento ortogonal de W1 (Acordte que para cualquier subespacio W se cumple que W W = {} ) Y cmo sacabas el complemento ortogonal ? Buscando todos los vectores ortogonales al generador de W1 , o sea, todos los

( x1 , x2 , x3 , x4 ) que tengan producto escalar nulo con el ( 2,1,1,0 ) : ( x1 , x2 , x3 , x4 ) ( 2,1,1,0 ) = 0


2 x1 + x2 + x3 = 0
W1 = {x R 4 / 2 x1 + x2 + x3 = 0}

ASIMOV

- 143 -

ESPACIOS VECTORIALES

Vamos a buscar ahora a W2 . Cmo lo encuentro? Bueno, W2 tiene que estar incluido en S y al mismo tiempo en W1 para que la suma con W1 sea directa:

W2 = S W1 . Lo hacs como antes:


v = ( v1 , v2 , v3 , v4 ) = ( , + , , )
2 + + + = 0

= 2
Y volviendo a v:

v = ( , 2 , , 2 ) = ( 0,1, 1, 0 ) + (1, 2,1, 2 )

W2 = ( 0,1, 1,0 ) ; (1, 2,1 2 )


Para terminar, vamos a buscar los generadores de W3 . ACORDTE: cuando tens que buscar la interseccin de dos subespacios que tens dados en forma de ecuaciones, lo que tens que hacer es juntar todas las ecuaciones.

x2 x3 + x4 = 0 x4 = 2 x1 + 2 x3 x W2 2 x1 + x2 + x3 = 0 x2 = 2 x1 x3

( x1 , x2 , x3 , x4 ) = ( x1 , 2 x1 x3 , x3 , 2 x1 + 2 x3 ) = x1 (1, 2,0, 2 ) + x3 ( 0, 1,1, 2 )


W3 = (1, 2,0, 2 ) ; ( 0, 1,1, 2 )
As, ya tens los tres subespacios que necesitamos. Si quers, corrobor que cumplen con todo lo que piden.

OTRO EJEMPLO

ASIMOV

- 144 -

ESPACIOS VECTORIALES

Nos dicen que las coordenadas en la base B de los vectores de H tienen la forma ( a , b,0,0 ) . Eso quiere decir que cualquier vector x de ese subespacio se puede escribir como:

x H x = a ( v1 + v 2 ) + b ( v 2 + v 3 )

Por otra parte, cualquier vector x del subespacio S puede escribirse como una c.l. de sus generadores:

x S x = ( v1 ) + ( 2 v 2 + v 3 ) + ( v 4 )

En particular, los vectores que estn en S H son aquellos que pueden ser escritos de ambas maneras al mismo tiempo, o sea:

a ( v1 + v 2 ) + b ( v 2 + v 3 ) = ( v1 ) + ( 2 v 2 + v 3 ) + ( v 4 )

Distribuyendo cada producto y agrupando todo del lado derecho nos queda:

= v1 av1 + 2 v 2 av 2 bv 2 + v 3 bv 3 + v 4
Y agrupando todo lo que multiplica a cada vector:

= ( a ) v1 + ( 2 a b ) v 2 + ( b ) v 3 + ( ) v 4

Como estos cuatro vectores son l.i. (porque nos dicen que forman una base de V ), al igualarse una combinacin lineal de ellos al vector nulo los coeficientes que los multiplican deben ser cero.

a = 0 = a 2 a b = 0 b = 0 = b = 0
Reemplazando lo que obtuvimos en la primera y tercera ecuacin en la segunda, sacamos que a = b , o lo que es lo mismo: = y = 0 . Reemplazando esto en las expresiones que sacamos antes nos queda que:

x = a ( v1 + v 2 ) + a ( v 2 + v 3 ) = a ( v1 + 2 v 2 + v 3 )

Fijte que es lo mismo reemplazar , y en la otra expresin. Esto quiere decir que S H es el subespacio generado por el vector v1 + 2 v 2 + v 3 . Entonces la base que nos piden es:

BSH = {v1 + 2 v 2 + v 3 }

ASIMOV

- 145 -

ESPACIOS VECTORIALES

De donde deducimos que dim ( S H ) = 1 porque es un subespacio generado por un nico vector. OTRO EJEMPLO SACADO DE UN PARCIAL

En este ejercicio lo ms fcil es empezar por encontrar a S y luego buscar su complemento ortogonal que es el subespacio que nos piden, o sea S . Hallemos una base de W y una de T . De la ecuacin de W sacamos que x1 = x3 , o sea que sus vectores son los que tienen la forma X = ( x1 , x2 , x1 , x4 ) .

X = x1 (1,0, 1,0 ) + x2 ( 0,1,0,0 ) + x4 ( 0,0,0,1)


W = (1,0, 1,0 ) ; ( 0,1,0,0 ) ; ( 0,0,0,1)
Hagamos un despeje similar sobre las ecuaciones de T :

x1 = x2 + x3 + x4 x4 = x1 + x3 x = 2 x x 2 3 4
este resultado en la segunda ecuacin sabemos que x4 = 0 , y si llevamos esto a la tercera nos queda que x2 = 2 x3 . En definitiva, los vectores de T son los que tienen la forma: Reemplazando la tercera ecuacin el la primera sacamos que x1 = x3 . Poniendo

X = ( x3 , 2 x3 , x3 ,0 ) = x3 ( 1, 2,1,0 )
T=

( 1, 2,1,0 )

Averigemos la dimensin de S . Tras haber encontrado sus bases, sabemos que dim ( W ) = 3 y que dim ( T ) = 1 , as que podemos aplicar el Teorema de la Dimensin:

ASIMOV

- 146 3 1 dim ( S ) = dim ( W ) dim ( T ) = 2

ESPACIOS VECTORIALES

Siendo S un subespacio de dimensin 2, tenemos que encontrar dos vectores de R que estn incluidos en W y que sean l.i. con el generador de T . Esto lo podemos hacer a ojo, sacndolos de entre los generadores de W , por ejemplo ( 0,1,0,0 ) y ( 0,0,0,1) cumplen con lo que necesitamos (chequelo). As, nuestro
4

subespacio S es el:

S = ( 0,1,0,0 ) ; ( 0,0,0,1)
Los vectores de su complemento ortogonal ( S ) son todos los X cuyo producto escalar con los generadores de S da cero:

( x1 , x2 , x3 , x4 ) ( 0,1,0,0 ) = 0

x2 = 0 x4 = 0

( x1 , x2 , x3 , x4 ) ( 0, 0, 0,1) = 0

sas son las ecuaciones del subespacio que nos piden, por lo tanto:

S = {x R 4 / x2 = x4 = 0}

- 147 -

- 148 -

Viste algo en este libro que no est bien ? Hay algo que te parece que habra que cambiar ? Encontraste algn error ? Hay algo mal explicado ? Mandame un mail y lo corrijo.

www.asimov.com.ar

- 149 -

OTROS APUNTES ASIMOV


* EJERCICIOS RESUELTOS DE LA GUIA DE ALGEBRA.
Son todos los ejercicios de la gua resueltos y explicados

* PARCIALES RESUELTOS

Son parciales que fueron tomados el ao pasado. Hay tambin parciales de aos anteriores.Todos los ejercicios estn resueltos.

* FINALES DE ALGEBRA RESUELTOS

* LIBRO ANALISIS PARA EL CBC * LIBRO FISICA PARA EL CBC * LIBRO QUIMICA PARA EL CBC

- 150 -

ndice
Pg.

Vectores en R2 y en R3
4...................Operaciones con vectores 8 Mdulo y Norma de un vector 11..................Producto escalar 16 Producto Vectorial 20..................Rectas 22 Interseccin de Rectas 25..................Angulo entre Rectas 27 Planos 31..................Planos paralelos Interseccin entre planos 32 Interseccin entre un plano y una recta 34..................Distancia de un punto a un plano 36 Ejercicios de parciales

Sist. lineales Matrices


44...................Sistemas compatibles e incompatibles 45 Sistemas Lineales Homogneos 46...................Matrices 47 Tipos de Matrices 48...................Propiedades de los sistemas lineales 51 Mtodo de Gauss 53...................Rango de una Matriz 53 Sistemas Li y Ld 55...................Operaciones entre Matrices 58 Inversa de una Matriz 61...................Ejercicios de parciales

- 151 -

Determinantes
72..................Determinante de una matriz cuadrada 74 Propiedades de los determinantes 75..................Desarrollo por cofactores 76 Clculo del determinante de una matriz usando cofactores 78..................Regla de Cramer 78 Matriz de cofactores y matriz adjunta 79..................Solucin nica 82 Ejercicios de parciales

88..................Definicin de Espacio Vectorial 91 Combinacin Lineal 93..................Dependencia e Independencia lineal 102 Subespacios 106..................Subespacios generados 109 Base y dimensin de un Subespacio 113..................Coordenadas de un vector en una base 118 Matriz de cambio de base 120..................Propiedades de la matriz de cambio de base 121 Unin, Interseccin y Suma de Subespacios 126..................Suma directa 127 Extensin de bases 130..................Producto Interno 131 Angulo entre vectores 134..................Complemento Ortogonal 135 Proyeccin Ortogonal 137..................Coordenadas en una base ortonormal 139 Ejercicios de parciales

Espacios Vectoriales

LAL-2

ALGEBRA
Para el CBC
PARTE 2
* TRANSFORMACIONES LINEALES * NUMEROS COMPLEJOS * POLINOMIOS * AUTOVALORES Y AUTOVECTORES

ndice
Pg.
1.............TRANSFORMACIONES LINEALES
3....................Ncleo e Imagen de una Transformacin Lineal 3 TEOREMA de la dimensin 6....................Tipos de Transformaciones Lineales 7 Algunas propiedades 10...................Composicin de Transformaciones Lineales 12 Rg A = dim Im (f) 20...................MBB(gof) = MBB(g) MBB(f) 20 MBB(f-1) = (MBB(f))-1 21...................Cambio de base 22 MB(f) = CBB MB(f) CBB 23................... MEE = CBE.MBB.CEB 25 Proyector. V = Nu(p) Im(p) 26............... Cmo armar Transformaciones Lineales ? 27 Resumen 30...................Ejercicios de parciales

45.............NUMEROS COMPLEJOS
46...................Definicin de Nro complejo 47 Conjugado de un Nro complejo 47...................El plano complejo 48 Mdulo y Argumento 52...................Forma trigonomtrica 53 Producto y cociente de Complejos 56...................Notacin Exponencial 57 Potencias y races de un nmero complejo 60...................Resumen 63 Ejercicios de parciales

69.............POLINOMIOS
69...................Definicin de Polinomio 70 Grado de un Polinomio 71...................Divisin de Polinomios 72 Divisin por polinomios de la forma Q = x a 73...................Regla de Ruffini 74 Calculo de races 75...................Multiplicidad de una raz 76 Races de Polinomios de 1er y 2do grado 78...................Polinomios de grado mayor que 2 83 Resumen 84...................Ejercicios de parciales

89............AUTOVALORES Y AUTOVECTORES
89...................Definicin de autovalores y autovectores 89 Ecuacin caracterstica: det (I-A)=0 94...................Propiedades de los autovalores y autovectores 104 Diagonalizacin 109...................Mtodo de Gram-Schmidt 113 Resumen 115...................Ejercicios de parciales

ASIMOV

-1-

TRANSFORMACIONES LINEALES

TRANSFORMACIONES LINEALES
Antes que nada quiero advertirte que este tema que ests empezando a ver es largo, pesado, tedioso, engorroso ... pero est bueno ! Masoquismo ? No ! Slo que con el tiempo vas a ver que es muy prctico: siempre que exista una matriz habr realmente una Transformacin Lineal. Ahora s, arranquemos con esa pregunta que me quers hacer:

Y eso de las Transformaciones Lineales... con qu se come ?!


Empezamos. Una Transformacin Lineal es una funcin ( como cualquier otra ), pero que cumple ciertos requisitos particulares. Como primer cosa a notar es que tiene como Dominio y Codominio a dos espacios vectoriales f: V W (o sea, se aplica a vectores pertenecientes a V, y produce vectores pertenecientes a W), y adems debe cumplir con estas propiedades: I) f(x + y) = f(x) + f(y) II) f(x) = f(x) x, y V

K, x V

En el tem II K simboliza a un cuerpo, que es algo parecido a un espacio vectorial de dimensin igual a 1, pero no te preocupes, siempre va a ser un nmero real, o a lo sumo, un complejo. Ejemplos de T.L.? Ac van algunos: f(v) = v (se llama Identidad)

Cmo sabemos que es una T.L? Simplemente corroborando que cumple con las propiedades de vimos recin. Fijate: f(x + y) = x + y = f(x) + f(y) f(x) = x = f(x) x, y V

K, x V

Otro ejemplo no tan fcil, de esos que se ven ms seguido, y que es mucho ms parecido a los que te pueden tomar en los parciales. Sea f : IR2 IR2 dada por: f(x1 , x2) = (0 , x1)

Hay que ver que f cumpla las propiedades. Como x, y son vectores de IR2 los puedo escribir x = (x1 , x2) y = (y1 , y2)

ASIMOV

-2-

TRANSFORMACIONES LINEALES

Ahora veamos si valen las propiedades: I) f(x + y) = f(x1 + y1 , x2 + y2) = (0 , x1 + y1) = (0 , x1) + (0 , y1) = f(x) + f(y) x, y V II) f(x) = f( x1 , x2) = (0 , x1) = (0 , x1) = f( x1 , x2) = f(x) K, x V Como llegamos a que cumple con las propiedades, es una T.L.!! Ahora pasemos a algunos ejemplos ms complicados: Sea f(x1 , x2) = (cos (x1) , x2)

I) f(x + y) = (cos(x1 + y1) , x2 + y2) (cos (x1) + cos (y1) , x2 + y2) = f(x) + f(y) Como una de las propiedades ya no se cumple, entonces f no es una T.L. !! Sea f(x1 , x2 , x3 , x4) = 3x1 + x22 x3 + 2x4

Ahora probemos con la segunda propiedad en vez de la primera, para practicar con esta tambin: II) f(x) = 3x1 + 2x22 x3 + 2x4 3x1 + x22 x3 + 2x4 = f(x) Por lo que esta tampoco es una T.L. !! De estos ejemplos se empieza a ver por qu es que se llaman Transformaciones Lineales: son lineales porque slo pueden ser funciones lineales de las coordenadas de los vectores que transforman. Si aparecen cosas raras como funciones trigonomtricas, o coordenadas elevadas a alguna potencia, entonces ya no corresponde a una T.L. ALGUNAS PROPIEDADES

Si f: V W es una T.L., entonces cumple estas propiedades: f(0) = 0. f(-v) = -f(v) v V. f(v + w) = f(v) + f(w) v, w V. f(a1x1 + ... + anxn) = a1f(x1) + ... + anf(xn) donde ai K y xi V. Si S es un subespacio de V entonces f(S) es un subespacio de W. Si T es un subespacio de W entonces f-1(T) es un subespacio de V.

ASIMOV

-3-

TRANSFORMACIONES LINEALES

Ncleo, Imagen de una Transformacin Lineal y otras yerbas


El ncleo de una T.L. dada por f: V W, es el conjunto de los vectores x V que cumplen que f(x) = 0. Lo vas a encontrar como Nu(f) o Kernel de f. La imagen de una T.L. es el conjunto f(x) o sea, los w W para los cuales hay algn x V que cumple que f(x) = w. Hay que tener mucho cuidado y no confundir a W con Im(f); Im(f) siempre es un subespacio de W, pero no necesariamente son iguales (aunque varias veces nos vamos a encontrar con que s). Algunas cosas para recordar del ncleo, imagen y etcteras: Sea una T.L. dada por f: V W: El Un (f) es un subespacio de V. La Im (f) es un subespacio de W. Si la dim V = n n dim Im(f) Si la dim V = n n dim Nu(f) Si {v1 , v2 , ... , vn} generan a V {f(v1) , f(v2) , ... , f(vn)} generan a Im(f).

Algo til de saber es que se define como nulidad a la dim Nu(f) y como rango a la dim Im(f). Y por ltimo, un teorema que hay que aprender a querer, y despus a usar: TEOREMA (de la dimensin) Sea f: V W una T.L. Si la dimV es finita se cumple que dimV = rango(f) + nulidad(f) Ahora que contamos con ciertas armas podemos enfrentarnos a algunos ejemplos prcticos. Calcular las imgenes y los ncleos de las T.L. no es tan difcil como parece. Veamos un ejemplo particular de este clculo: Sea f : IR2 IR3 la T.L. dada por f(v1 , v2) = (v1 + v2 , 0 , v1 - v2)

ASIMOV

-4-

TRANSFORMACIONES LINEALES

Para encontrar el ncleo quiero buscar que f(v1 , v2) = (0 , 0 , 0) (v1 + v2 , 0 , v1 - v2) = (0 , 0 , 0) Y como dos vectores son iguales si y slo si sus componentes son iguales entre s, entonces tengo: v1 + v2 = 0 v1 = -v2 0=0 v1 - v2 = 0 -v2 - v2 = 0 -2v2 = 0 v2 = 0 v1 = 0 Entonces para que f(v1 , v2) = (0 , 0 , 0) encontramos que (v1 , v2) = (0 , 0) Y como quera calcular el ncleo, tengo que Nu(f) = {(0 , 0)} Ya vimos cmo se calcula el ncleo, ahora cmo veo si algo est en la imagen? Vemoslo con otro ejemplito: Sea f : IR2 IR2 tal que f(x1 , x2) = (2 x1 - x2 , - 8 x1 + 4 x2), entonces, (1 , -4) Im(f) ? Para responder la pregunta, tendremos que ver si existe algn vector x para el que se cumpla que f(x) = (1 , - 4). Cmo lo buscamos ? Parece muy difcil, pero en realidad busco x = (x1 , x2) que cumpla: f(x1 , x2) = ( 1 , - 4 ) (2 x1 x2 , - 8 x1 + 4 x2) = ( 1 , - 4 ) Ahora podremos plantear: 2 x1 x2 = 1 - 8 x1 + 4 x2 = - 4 Slo me interesa que haya solucin as que veo si este sistema que planteamos es compatible. 2 1M 1 2 1M 1 8 4 M 4 0 0 M0 Me queda la ecuacin: 2x1 x2 = 1 . Y de ah me doy cuenta que puedo obtener infinitas soluciones. Lo que me preguntaba era si (1 , -4) Im(f) y como encontr al menos una solucin entonces es verdad que (1 , -4) Im(f). Definir, si es posible, una T.L. f: IR4 IR4 que verifique simultneamente: Nu(f) + Im(f) = S

ASIMOV

-5-

TRANSFORMACIONES LINEALES

(2 , 0 , 1 , 0) Nu(f) y (2 , 0 , 1 , 0) Im(f) (0 , 1 , 1 , 2) Nu(f) y (0 , 1 , 1 , 2) Im(f) Ah !! Se ve muy feo, No? Cmo hacemos para que se cumpla TODO ESO al mismo tiempo?!?!?! A no desesperarse ! No es tan complicado, fijate: Viendo la forma de los vectores que nos dan en el enuciado, llegamos a: S = { x IR4 / x1 = -x4 + 2x3 } = { x IR4 / x = (-x4 + 2x3 , x2 , x3 , x4) } Entonces, una base de S sera = { (2, 0 , 1 ,0) , (0 , 1 , 1 , 2) , (-1 , 0 , 0 , 1) } Una de las condiciones que nos imponen es: (2 , 0 , 1 , 0) Nu(f) Por otro lado, nos piden: Supongamos que (-1 , 0 , 0 , 1) Nu(f) y a su vez f(-1 , 0 , 0 , 1) = (0 , 0 , 0 , 0) u / f(u) = (-1 , 0 , 0 , 1) f( 2 , 0 , 1 , 0) = (0 , 0 , 0 , 0) v /f(v) = (0 , 1 , 1 , 2)

(0 , 1 , 1 , 2) Im(f)

(-1 , 0 , 0 , 1) Im(f)

Entonces podemos definir a f de manera tal que: Nu(f) = gen{ (2 , 0 , 1 , 0) , (-1 , 0 , 0 , 1) } pues asumo que (0 , 1 , 1 , 2) Nu(f) Im(f) = gen{ (0 , 1 , 1 , 2) , (-1 , 0 , 0 , 1) } pues asumo que (2 , 0 , 1 , 0) Im(f) Por lo tanto, tomando el conjunto de vectores (que forman una base de IR4) { (2 , 0 , 1 , 0) ; (-1 , 0 , 0 , 1) ; (0 , 1 , 0 , 0) ; (0 , 0 , 0 , 1) } Y definiendo: f(2 , 0 , 1 , 0) = (0 , 0 , 0 , 0) f(-1 , 0 , 0 , 1) = (0 , 0 , 0 , 0) f(0 , 1 , 0 , 0) = (-1 , 0 , 0 , 1) f(0 , 0 , 0 , 1) = (2 , 0 , 1 , 0)

Obtenemos una definicin unvoca de f. Adems podemos ver que: Nu(f) + Im(f) = gen{ (2 , 0 , 1 , 0) , (-1 , 0 , 0 , 1) , (0 , 1 , 1 , 2) }

ASIMOV

-6-

TRANSFORMACIONES LINEALES

= gen { (2 , 0 , 1 , 0) , (-1 , 0 , 0 , 1) , (0 , 1 , 0 , 0) } = S Como peda el enunciado !!! Tipos de T.L. A veces las T.L. se pueden caracterizar de las siguientes formas: Monomorfismo: cuando la T.L. es inyectiva, lo cual significa que si f(x1) = f(x2) x1 = x2. Epimorfismo: cuando la T.L. es suryectiva, es decir que w W existe algn v tal que f(v) = w. Isomorfismo: cuando la T.L. es a la vez un monomorfismo y un epimorfismo. Es el equivalente de decir que una funcin es biyectiva (suryectiva e inyectiva a la vez). Probar que un T.L. es un monomorfismo parece medio feo, pero usando la definicin se simplifica bastante. Si queremos saber si una T.L. es un monomorfismo entonces vemos si dos vectores distintos pueden tener el mismo elemento en la imagen (si esto ocurriera, sera porque no se trata de un monomorfismo, se entiende?) Veamos entonces, Si f(v) = f(w) entonces v = w Al primer miembro lo podemos escribir de otra manera: f(v) = f(w) f(v) - f(w) = 0 y como es una T.L. vale que f(v) - f(w) = f(v - w) = 0 y f(0) = 0 vw=0v=w Entonces lo que realmente vamos a comprobar es que f(v - w) = 0 slo sucede cuando v = w. Otra consecuencia importante de lo que estuvimos viendo es la siguiente: Si tengo una T.L. f: V W que es un monomorfismo, y adems dimV = dimW, resulta que Im(f) = W.

ASIMOV

-7-

TRANSFORMACIONES LINEALES

Dado que f es un monomorfismo, y sabiendo que f(0) = 0 para todas las T.L. , ya sabemos que Nu(f) = 0. Entonces, por el teorema de la dimensin, tengo que dimV = dim Im (f). Pero Im(f) es un subespacio de W, y dimW = dimV = dimIm(f). Esto significa que la imagen de f es igual a W. De esto se desprende que f es un epimorfismo. Un ejemplito corto, para aclarar ( y no oscurecer, esperemos ! ): Sea f: V W dada por f(v1 , v2) = (v1 + v2 , v1 - v2). Lo primero que tenemos que notar es que tanto V como W son de dimensin 2. Ahora resolvamos para ver cul es el ncleo de f, haciendo f(v) = 0. (v1 + v2 , v1 - v2) = 0 v1 = v2 = 0 Con lo que el Nu(f) = 0, y de acuerdo al teorema de la dimensin, y a las propiedades que vimos, Im(f) = W. Sacamos que la T.L. era un epimorfismo sabiendo muy poco y sin hacer cuentas. Esto se usa en muchos ejercicios. Si hubiese tenido que dim V < dim W y la T.L. sigue siendo un monomorfismo, entonces usando lo de arriba, sabemos que la T.L. no puede ser nunca un epimorfismo ( porque el Rango de f es siempre menor que la dimensin de W ). Ac vienen algunas propiedades nuevas que generalizan estas ideas. PROPIEDADES Si f es una T.L. f: V W es un monomorfismo es lo mismo que decir que Nu(f) = 0 Si {f(v1) , f(v2) , ... , f(vn)} es un conjunto L.I. {v1 , v2 , ... , vn} es L.I. Si f es un monomorfismo y {v1 ,v2 , ... , vn} es L.I. {f(v1) , f(v2) , ... , f(vn)} es L.I. Si f es un isomorfismo y {v1 , v2 , ... , vn} es base de V {f(v1) , f(v2) , ... , f(vn)} es base de W. Si f es un monomorfismo y {v1 , v2 , ... , vn} es base de V {f(v1) , f(v2) , ... , f(vn)} es base de Im(f).

La diferencia entre los ltimos dos puntos es que cuando f es un isomorfismo la imagen es W y por eso es base de W. En cambio, como Im(f) no es igual a W, slo resulta en una base de Im(f).

ASIMOV

-8-

TRANSFORMACIONES LINEALES

Todo muy lindo, pero... qu pasa si slo me dan lo que vale una T.L. para una base ? Rta: Si tengo lo que una T.L. vale en una base, y como a los vectores los puedo escribir como combinaciones lineales de la base, al final voy a poder aplicar la T.L. a cualquier vector. Para que quede ms claro ac va un ejemplo: Sea f : IR3 IR3 una T.L. que cumple f(1 , 0 , 0) = (0 , 3 , 1) f(0 , 1 , 0) = (0 , 0 , 3) f(0 , 0 , 1) = (1 , 0 , 0) Entonces tengo lo que vale la T.L. en una base de IR3. Si quiero ver lo que vale en cualquier v = (v1 , v2 , v3) IR3, lo pienso as: f(v) = f(v1(1 , 0 , 0) + v2(0 , 1 , 0) + v3(0 , 0 , 1)) = = v1f(1 , 0 , 0) + v2f(0 , 1 , 0) + v3f(0 , 0 , 1) Esto lo puedo hacer porque f es una T.L. Reemplazando f de cada uno de los vectores de la base obtengo lo siguiente: f(v) = v1(0 , 3 , 1) + v2(0 , 0 , 3) + v3(1 , 0 , 0) = (v3 , 3v1 , v1 +3 v2) Y llegamos a la frmula original de la T.L. !!! Esto se puede hacer con cualquier T.L. (f: V W) de la cual nos den su valor para una base de V (y es importante tambin darse cuenta de que la T.L. aplicada a esa base devuelve una base de Im(f), la cual no necesariamente es una base de W ). As llegamos a este ... TEOREMA Si {v1 , v2 , ... , vn} es base de V y {w1 , w2 , ... , wn} vectores de W (no tienen por qu ser L.I., ni siquiera tienen que ser distintos). Hay una (y solamente una) T.L. f: V W que cumple que f(v1) = w1 , f(v2) = w2 , ... , f(vn) = wn Lo ms importante para saber aplicar este teorema, es que los vectores de V sobre

ASIMOV

-9-

TRANSFORMACIONES LINEALES

los cuales estemos trabajando sean linealmente independientes. Si no lo son, entonces no estamos trabajando con una base, y puede que todo el desarrollo no tenga valor y es probable que sea imposible terminar el clculo. A veces es difcil obtener una frmula explcita de una T.L. Por ejemplo, si tuvisemos una T.L. dada por: f(2 , 1) = (0 , 3) f(1 , 2) = (1 , 1) Los vectores (2 , 1) y (1 , 2) son linealmente independientes, pero ahora, se complica bastante para obtener una frmula de la T.L... Lo que tenemos que hacer es buscar una forma de escribir cualquier vector del espacio V en la base de la cual tenemos el valor de f. A ver... Antes que nada vamos a tener que escribir al vector general v = (v1 , v2) en la base {(2 , 1) ; (1 , 2)}: v = (v1 , v2) = a (2 , 1) + b (1 , 2) v1 = 2a + b v2 = a + 2b b = v1 2a a = v2 2b b = 2/3 v2 1/3 v1 a = 2/3 v1 1/3 v2

Y ahora aplicamos f a v escrito de esta forma: f(v) = f[ (2/3 v1 1/3 v2)(2 , 1) + (2/3 v2 1/3 v1)(1 , 2) ] = (2/3 v1 1/3 v2) f(2 , 1) + (2/3 v2 1/3 v1) f(1 , 2) = (2/3 v1 1/3 v2) (0 , 3) + (2/3 v2 1/3 v1) (1 , 1) = (0 , 2v1 v2) + (2/3 v2 1/3 v1 , 2/3 v2 1/3 v1) = (2/3 v2 1/3 v1, 5/3 v1 1/3 v2) Y ya tenemos la forma general de esta T.L.: f(v1 , v2) = (2/3 v2 1/3 v1, 5/3 v1 1/3 v2) Con las siguientes propiedades podemos seguir averiguando cosas tiles de las T.L. con las que nos encontremos, sin sumergirnos en toneladas de cuentas: Sea f: V W Si f es un monomorfismo se cumple que dim W dim V Si f es un epimorfismo se cumple que dim V dim W Si f es un isomorfismo se cumple que dim V = dim W Si dimV = dim W entonces es equivalente decir que f es un epimorfismo, un isomorfismo o un monomorfismo (si vale una valen todas)

ASIMOV

- 10 -

TRANSFORMACIONES LINEALES

Veamos un ejemplito simple, como para entender qu se supone que tenemos que poder hacer con estas propiedades: Tengo una T.L. f: IR4 IR3 Puede f ser un monomorfismo ? Si f es un monomorfismo, de las propiedades se desprende que: Dim W dim V. Pero dim V = 4 y dim W = 3. Entonces f no puede ser nunca un monomorfismo.

Composicin de Transformaciones Lineales


Ahora, si adems de f: V W, tenemos otra T.L., por ejemplo, g: U S, podemos combinarlas para hacer una Transformacin Lineal Compuesta. Tendramos: gof : V S y fog : U W

Decir fog(v) es lo mismo que f(g(v)) igual vale para gof(v) g(f(v)). Ten cuidado porque no siempre son posibles de hacer, necesitamos que los espacios involucrados cumplan con ciertas condiciones. Cules son ? Rta: Estas: Si Im(g) V, entonces podemos construir fog : U W Si en cambio, Im(f) U, entonces podemos construir gof : V S Ac va un ejemplo: Sea f: IR2 IR2 y g: IR2 IR2 f(x1 , x2) = (2x1 , x2) g(x1 , x2) = (2x1 - x2 , x1 + x2) Si calculo fog hago (fog)(x) = f(g(x)) = f(2x1 - x2 , x1 + x2)

Lo que hago ahora es hacer la cuenta de f usando a (2x1 - x2) como la primer coordenada y a (x1 + x2) como la segunda.

f ( 2x1 x2 , x1 + x2 ) = ( 2 ( 2x1 x2 ) , x1 + x2 ) =
= ( 4x1 2x2 , x1 + x2 ) Entonces (fog)(x) = ( 4x1 2x2 , x1 + x2 ) Y ahora algunas propiedades de las T.L. y sus composiciones, para ayudarnos en el futuro.

ASIMOV

- 11 -

TRANSFORMACIONES LINEALES

Si tengo dos T.L. f: V W y g: W U entonces se cumple: gof: V U es una T.L. Si f es un isomorfismo entonces hay una T.L. f-1: W V (que es la inversa de f) y es un isomorfismo. Si f y g son isomorfismos entonces gof es un isomorfismo y va a valer que (gof)-1 = f-1og-1 Olvidemos un rato la composicin de T.L. y veamos estos ejemplos de T.L. f(v) = v f(v) = 5v f(x1 , x2) = (0 , x1) f(v1 , v2) = (v1 + v2 , 0 , v1 - v2) f(v) = (v3 , 3v1 , v1 + 3v2)

Para todas estas T.L., las imgenes se obtienen haciendo cuentas (como sumas, restas y multiplicaciones por nmeros) con cada una de las coordenadas de los vectores . Esto lo van a cumplir todas las T.L. Pero tambin existe un mtodo para describir las T.L. que es ms compacto y menos propenso a errores (una vez que se aprende bien a manejarse as!!!). Se pueden escribir las transformaciones como multiplicacin de un vector por una matriz, para encontrar el resultado. Hagmoslo con cada ejemplo de los que copiamos:
1 0 v1 v1 f (v ) = 0 1 = v2 v2 5 0 v1 5v1 f (v ) = 0 5 = v2 5v2 0 0 x1 0 f ( x) = 1 0 = x2 x1 1 1 v + v v1 1 2 f (v) = 0 0 = 0 1 1 v2 v v 1 2 0 0 1 v1 v3 f (v) = 3 0 0 v2 = 3v1 1 3 0 v v + 3v 2 3 1

Como se ve en el cuarto punto, no se necesita que la matriz sea cuadrada, lo que s tiene que pasar es que se pueda hacer la multiplicacin entre la matriz y el vector.

ASIMOV

- 12 -

TRANSFORMACIONES LINEALES

( La cantidad de columnas de la matriz tiene que ser igual al nmero de filas del vector ) Ahora lo que realmente vamos a querer saber es cmo hacemos para obtener esa matriz en casos ms complicados, para esto, tenemos el prximo teorema que asegura que siempre encontraremos una matriz que nos sirva, como las de arriba. TEOREMA

Muy Importante

Para cualquier T.L. Sea f: IRn IRm hay una matriz A IRmxn,
a11 ..... a1n A= a m1 ..... amn

y entonces podemos escribir a la T.L. como f(v) = Av. Y ahora vamos a ver que la dimensin de la imagen de la T.L. es igual al rango de A (cosa que vamos a comprobar un poco mejor ms adelante): Rg A = dim Im (f) A esta matriz la voy a llamar la matriz de la T.L. y la armo poniendo en cada columna la imagen de los vectores de la base cannica. A lo mejor con algunos ejemplos se entiende un poco ms qu es la dim Im(f). De paso saco el ncleo de la T.L. ! f: IR3 IR3 f(x , y , z) = (x + y + z , 2x - y , 3x + z) Aplicando f a la base cannica: f(1 , 0 , 0) = (1 , 2 , 3) f(0 , 1 , 0) = (1 , -1 , 0) f(0 , 0 , 1) = (1 , 0 , 1) Escribamos la matriz de la T.L. armndola colocando cada vector que acabamos de encontrar como columna .

ASIMOV

- 13 -

TRANSFORMACIONES LINEALES

1 1 1 x f ( x, y, z ) = 2 1 0 y 3 0 1 z

Para calcular el ncleo igualamos el sistema a cero, y resolvemos el sistema homogneo, para lo cual usamos todo lo que sabemos de temas anteriores:
1 1 1 x 0 2 1 0 y = 0 3 0 1 z 0

Ac se pueden sacar las soluciones de las ecuaciones a mano, pero muchas veces es mejor resolver el sistema triangulando por Gauss.

1 1 1M 0 2 1 0 M 0 3 0 1M 0

1 M0 1 1 0 3 2 M 0 0 3 2 M 0

1 M0 1 1 0 3 2 M 0 0 0 0 M0

Ya tenemos triangulada la matriz as que logramos una expresin del ncleo de la T.L. a partir de: x+y+z=0 x=-y-z -3y 2z = 0 2z = 3y z = -3/2 y con la segunda ecuacin reemplazamos en la primera y queda, x = - y + 3/2 y x = y adems tenamos que z = -3/2 y Al final me queda que Nu(f) = ( y , y , -3/2 y ) = y( , 1 , -3/2) Como y puede valer cualquier nmero,tengo que Nu(f) = ( , 1 , -3/2). (o sea cualquier mltiplo de ese vector) Lo otro que estbamos por calcular era la dim Im (f). Pero en la cuenta que hicimos antes para el ncleo, sin querer sacamos el rango de la matriz ! Y como dim Im(f) es lo mismo que el rango de la matriz, tenemos: Dim Im (f) = 2 La ventaja de expresar en forma matricial a las transformaciones lineales, es que

ASIMOV

- 14 -

TRANSFORMACIONES LINEALES

facilitan mucho la mayora de las cuentas, y organizan mucho mejor los datos para tenerlos de forma ms clara. En este ejemplo lo que hicimos fue resolver sistemas de ecuaciones. Encontrar el ncleo de la T.L. es como resolver el sistema homogneo A.X = 0 siendo A la matriz de la T.L. Ya que la tens ms clara, te paso este ejercicio que engloba muuuuuuuuucho de que hablamos hasta ahora: Sea f : IR3 IR3 f(x1 , x2 , x3) = (3x1 - 2x2 , 2x1 + 2x2 , x2 - x3) 1) Es una T.L.? 2) Encontrar la matriz de la transformacin. 3) Hallar una base del ncleo y una de la imagen de esta transformacin. 4) Cul es la dimensin del Nu(f)? Y la de la Im(f)? O sea, encontrar nulidad y rango. 5) El vector (1 , 0 , 0) pertenece a Im(f)? 1) Primero veamos que efectivamente es una T.L. Record que para hacerlo verificamos las propiedades que la definen: I) f(x + y) = f(x1 + y1 , x2 + y2 , x3 + y3) = = (3(x1 + y1) 2(x2 + y2) , 2(x1 + y1)+ 2(x2 + y2) , (x2 + y2) (x3 + y3 ) = = (3x1 - 2x2 + 3y1 2y2 , 2x1 + 2x2 + 2y1 + 2y2, x2 - x3 + y2 - y3 ) = = f(x) + f(y) x, y V II) f(x) = f(x1 , x2 , x3) = ((3x1 - 2x2) , (2x1 + 2x2) , (x2 - x3)) = = (3x1 - 2x2 , 2x1 + 2x2 , x2 - x3) = f(x1 , x2 , x3) = f(x) K, x V Concluimos entonces que s es una T.L porque efectivamente cumple con las propiedades. 2) Para hallar la matriz de la transformacin deberemos escribirla buscando primero la imagen de la funcin aplicada a la base cannica: f(1 , 0 , 0) = (3 , 2 , 0) f(0 , 1 , 0) = (-2 , 2 , 1) f(0 , 0 , 1) = (0 , 0 , -1) As que nuestra matriz de transformacin sera:

ASIMOV

- 15 -

TRANSFORMACIONES LINEALES

3 2 0 M ( f ) = 2 2 0 0 1 1
3) Empecemos por el Nu (f), record que por definicin: Nu (f) es el conjunto de los vectores x V que cumplen que f(x) = 0. Si replanteamos f(x) = 0 f(x1 , x2 , x3) = (0 , 0 , 0). Entonces podemos plantear el siguiente sistema de ecuaciones 3x1 - 2x2 =0 =0 2x1 + 2x2 x2 - x3 = 0 Las cuentas te las dejo a vos, slo te digo que llegs a que x1 = x2 = x3 = 0 Entonces: Nu(f) = {x IR3/ x = (x1 , x2 , x3) = (0 , 0 , 0)} la dim Un (f) = 0 Para hallar la base de la Im (f), usamos 2), ya que en ese inciso aplicamos la Transformacin a la base cannica, por lo que: Im(f) = {(3 , 2 , 0) ; (-2 , 2 , 1) ; (0 , 0 , -1)} la dim Im = 3 4) Nu(f) = {x IR3/ x = (x1 , x2 , x3) = (0 , 0 , 0)} la dim Nu = 0 Corroboremos si es correcto a lo que hemos llegado respecto de las dimensiones: Sabemos que dimV = 3, y por el Teorema de la dimensin: Dim V = dim Nu + dim Im 3 = 0 + 3 perfecto ! Todo concuerda ! 5) Esta parte es fcil: Dado que el Nu (f) = 0, entonces todos los vectores distintos de 0 (incluido este, por supuesto) pertenecen a Im(f), y listo ! Pero para practicar, veamos que es lo que haramos de no saber que el ncleo de f slo contiene al vector nulo. Sea un vector x para el cual f(x) = (1 , 0 , 0), entonces: f(x1 , x2 , x3) = (3x1 - 2x2 , 2x1 + 2x2 , x2 - x3) = (1 , 0 , 0) 3x1 - 2x2 =1

ASIMOV

- 16 -

TRANSFORMACIONES LINEALES

2x1 + 2x2 =0 x2 - x3 = 0 Con lo que el sistema queda resuelto para (x1 , x2 , x3) = (1/5 , -1/5 , -1/5), o sea, encontramos el x para el cual f(x) = (1 , 0 , 0), con lo que (1 , 0 , 0) pertenece a Im (f) !!! Sigamos ahora con nuevos conceptos. Fijate esta propiedad: Si A IRmxn y S IRn es el subespacio de soluciones del sistema AX = 0, entonces S = Nu (f) si f es la T.L. que hace f(x) = Ax. Lo que esta propiedad nos dice es justamente que si A es la matriz que caracteriza a la T.L. f, entonces el conjunto S de soluciones del sistema homogneo AX = 0, es el Nu(f). Si te fijs bien es justamente lo que estuvimos haciendo en los ejemplos anteriores cuando calculbamos el ncleo. TEOREMA Si A IRmxn, entonces la dimensin del subespacio de soluciones del sistema de ecuaciones AX = 0 es n - rgA Este teorema es una consecuencia del teorema de la dimensin, y de la propiedad de arriba. Todas estas propiedades y teoremas se desprenden unos de otros, es por eso que es til saberlo, y por lo que es bueno aprenderlos ( adems de que algunos son importantsimos para poder resolver varios problemas ). Volvamos a la composicin de T.L. Miremos qu pasa con sus matrices. Sean f: IR2 IR2 y g: IR2 IR2 T.L. con las matrices: 2 1 M(f ) = 4 7 1 0 M (g) = 3 9

Encontrar la matriz de la composicin M(fog). x Acordate que f ( x, y ) = M ( f ) y y lo mismo para g. Entonces (fog)(x , y) = f(g(x , y))

ASIMOV

- 17 -

TRANSFORMACIONES LINEALES

1 0 x 2 1 1 0 x = f = 3 9 y 4 7 3 9 y
2 1 1 0 x = 4 7 3 9 y Entonces la matriz de la composicin queda: 2 1 1 0 4 7 3 9 que es hacer M(f) M(g)

Esto es algo que se usa bastante, as que a prestar atencin ! Siempre para la composicin de T.L. se multiplican las matrices de cada una en el orden en que se haga la composicin. M(fog)= M(f)M(g) Con las T.L. escritas como matrices hay muchas cosas que son re fciles de calcular, qu bueno, no? Para calcular el rango y la nulidad de f, ahora es mucho ms simple, dado que dim Im(f) = rg(M(f)), donde M(f) es la matriz de la T.L. Y usando el teorema de la dimensin se calcula cunto vale dim Nu(f). As de rpido, tambin se puede averiguar si una T.L. es un epimorfismo, un monomorfismo o un isomorfismo. Si tengo que f: IR3 IR3 f(x1 , x2 , x3) = (x1 - x2 , x1 + x3 , x1 + x2 + 2x3) Armo la matriz de la T.L. (acordate que era aplicar la transformacin a la base cannica y escribir los vectores de la imagen obtenida en columnas)
1 1 0 M ( f ) = 1 0 1 1 1 2 Y ahora triangulo la matriz para ver cul es el rango 1 1 0 1 0 1 1 1 2 1 1 0 0 1 1 0 2 2 1 1 0 0 1 1 0 0 0

Entonces el rg(M(f)) = 2 as que dim Im (f) = 2.

ASIMOV

- 18 -

TRANSFORMACIONES LINEALES

Por el teorema de la dimensin me queda que dim Nu (f) = 3 2 = 1. Con esto puedo decir que la T.L. no es un monomorfismo ni un epimorfismo (entonces tampoco es un isomorfismo). Por ahora siempre las T.L. estaban escritas en la base cannica, pero podra pasar que me la den en otra base, y ahora nos metemos en otro lo, que son los cambios de base. Ahora realmente hay que prestar atencin, el cambio de base es un tema complicado, pero por enredado, no por difcil. TEOREMA Sean V, W dos espacios vectoriales con dimV = n y dimW = m Tenemos B = {v1 , v2 , ... , vn} base de V B = {w1 , w2 , ... , wm} base de W Para cualquier T.L. f: V W se puede escribir f(vi) = a1iw1 + a2iw2 + ... + amiwm Y vamos a decir que

a11 L L a1n M O M M BB ( f ) = M O M am1 L L amn


es la matriz de f en las bases B, B Las columnas de la matriz son los coeficientes de f(vi) en la base B. Cuando las bases B, B son las mismas, llamamos MB(f) a la matriz de la T.L. Si una T.L. es un isomorfismo, lo va a seguir siendo aunque cambie de base. Lo mismo con epimorfismo y monomorfismo. Para todos los teoremas de antes no nos importaba la base de la T.L., tampoco para calcular las dimensiones del ncleo ni de la imagen. Lo que s cambia con la base es la matriz. Sea una T.L. f: IR3 IR3 , donde la matriz de la transformacin en las bases B, B es:

M BB

3 4 = 2 3 1 5

2 4 5

Es f un isomorfismo ?

Para verlo hacemos lo mismo que antes y no nos preocupamos por el hecho que est en otra base.

ASIMOV

- 19 -

TRANSFORMACIONES LINEALES

Calculemos el rango de la matriz:


3 2 3 3 2 2 2 4 4 4 4 3 6 0 3 6 0 3 6 2 3 4 0 3 1 5 5 0 17 18 0 17 18 0 0 48

La matriz MBB(f) tiene rango = 3 as que dim Im = 3 y dim Nu = 0. Entonces la T.L. es un isomorfismo !!! A veces nos dan la T.L. escrita en una base B = {v1 , v2 , v3} y piden que calculemos cosas, pero sin darnos la forma explcita de los vectores de la base. Por ejemplo: Sea B base como arriba y una T.L. f: V V con una matriz correspondiente,

0 2 1 M B ( f ) = 0 0 1 0 0 0

Calcular:

f(2v1) f(- v1 - v2)

Como f es una T.L. , cumple que f(2v1) = 2f(v1) entonces lo que debemos encontrar es f(v1). La matriz de f la tenemos en la base B as que escribiremos a v1 en esa base: v1 = 1.v1 + 0.v2 + 0.v3 = (1 , 0 , 0)B
0 2 1 1 0 entonces f (v1 ) = 0 0 1 0 = 0 0 0 0 0 0

y f(2v1) = 2f(v1) = (0 , 0 , 0) Ahora calculemos f(- v1 - v2) haciendo lo mismo f(- v1 - v2) = - f(v1) - f(v2) como f(v1) = 0 : f(- v1 - v2) = - f(v2) Repetimos lo que hicimos en el clculo de f(v1): v2 = 0.v1 + 1.v2 + 0.v3 = (0 , 1 , 0)B
0 2 1 0 2 entonces f (v2 ) = 0 0 1 1 = 0 0 0 0 0 0

ASIMOV

- 20 -

TRANSFORMACIONES LINEALES

f(v2) = (2 , 0 , 0)B = 2v1 f(-v1- v2) = -f(v2) = -2v1 ---------------------------La regla de multiplicacin de matrices para composicin de T.L. sigue valiendo con cambios de base, con una regla adicional: PROPIEDAD Sean f: V W y g: W U transformaciones lineales. Sean B, B, B bases de V, W, U en ese orden. Entonces, vale que MBB(gof) = MBB(g) MBB(f) La T.L. MBB(gof) se aplica sobre vectores expresados en la base B, y devuelve vectores expresados en la base B. Esta regla lo que nos dice es que la base B debe ser la misma para f y para g. Veamos cmo es que funciona esto: Sean f: V W y g: W U, y un vector (v)B de V (expresado en la base B) La matriz MBB(f) se aplica primero sobre (v)B y devuelve un vector (w)B que pertenece a W. Luego aplicamos la matriz MBB(g) a (w)B, y eso nos arroja un vector (u)B. MBB(f) (v)B = (w)B MBB(g) (w)B = (u)B Si queremos hacer fog, entonces lo que los queda es lo siguiente: fog(v) = u MBB(g) MBB(f) (v)B = MBB(g) (w)B = (u)B PROPIEDAD Tengo f: V W una T.L. que es un isomorfismo (tiene inversa). Sean B, B bases de V, W (en ese orden), entonces:

MBB(f-1) = (MBB(f))-1
Observ que cambia el orden de las bases. Esto pasa porque

ASIMOV

- 21 -

TRANSFORMACIONES LINEALES

VB

(W)B

Si queremos ir de atrs para adelante (que es lo que hace la inversa), partimos de B y llegamos a B. Veamos un ejemplo: Si f: IR3 IR3 tiene la siguiente matriz:

1 2 0 M B B ( f ) = 0 1 1 1 1 1

Calcular MBB(f-1). Primero que nada tenemos que ver si es que f es un isomorfismo. Como dim V = dimW, para hacer eso slo nos fijamos si dim Nu(f) = 0.
1 2 0 1 2 0 1 2 0 0 1 1 0 1 1 0 1 1 1 1 1 0 3 1 0 0 4

Con eso vemos que el rango de la matriz es 3, con lo que dim Im(f) = 3, y por lo tanto dimNu(f) = 0. Ahora que sabemos que f es un isomorfismo, podemos aplicar la propiedad que mencionamos arriba, MBB(f-1) = (MBB(f))-1, y lo nico que debemos hacer, entonces, es invertir MBB(f).

M B 'B f

( )
1

1/ 2 1/ 2 1/ 2 1/ 4 1/ 4 = 1/ 4 1/ 4 3 / 4 1/ 4

CAMBIOS DE BASE ( Atento )


Hay unas matrices que se usan para pasar vectores de una base a otra. Son como traductores. Si tenemos un vector escrito en una base, nos lo traduce a otra base ( nos dice como lo escribimos en otra base, sus nuevas coordenadas ).

Matrices de cambio de base


Si B = {v1 , v2 , ... , vn} B = {w1 , w2 , ... , wn} dos bases de un mismo espacio vectorial V, se llama a CBB la matriz de cambio de base B a la base B. Cmo la conseguimos ? Tenemos que escribir a cada vector de B en la base B

ASIMOV

- 22 -

TRANSFORMACIONES LINEALES

vi = a1iw1 + a2iw2 + ... + aniwn y la matriz va a ser

C BB

a11 L L a1n M O M = M O M ami L L amn

Podemos pensar que en realidad son la matriz de la T.L. identidad pero en donde la base de salida es B y la base de llegada es B. CBB= MBB(id) PROPIEDAD Si tenemos una matriz de cambio de una base B a otra base B, la matriz que cambia de B a B est dada por: (CBB ) 1 = CBB Ahora que tenemos la matriz de cambio de base podemos pasar la T.L. escrita en una base a otra cualquiera. Esto sirve para lo que viene ahora: PROPIEDAD Si f: V V es una T.L. y tengo B y B bases de V Entonces MB(f) = CBB MB(f) CBB

Muy Importante

Si pensamos que multiplicamos por un vector (escrito en la base B), vamos de atrs para adelante. Primero multiplicamos por la matriz de cambio de base, y queda escrito en base B. Despus le aplico la T.L. y me lo tira en la base B y despus lo paso a la base B. Volvamos a un ejemplo viejo. Si nos dan una la T.L. as: f(2 , 1) = (0 , 3) f(1 , 2) = (1 , 1) Queremos averiguar la matriz en la base cannica.

ASIMOV

- 23 -

TRANSFORMACIONES LINEALES

Pensemos que tenemos la matriz escrita en otra base. Como salimos de los vectores (2 , 1) y (1 , 2), los tomamos para que sean nuestra base B y a sus imgenes las tomamos como nuestra base B. Entonces la matriz de f la podemos pensar como:

1 0 M BB ( f ) = 0 1
Para obtener la matriz en la base cannica buscamos las de cambio de base a la cannica. Tenemos 2 1 0 1 CBE = 1 2 Y C B E = 3 1 Como ME(f)= CBE MBB(f) CEB. Entonces nos falta CEB, pero CEB = (CBE)-1 . Calcular la inversa de una matriz de dos por dos se hace rpido.

2 / 3 1/ 3 C EB = 1/ 3 2 / 3 Entonces 0 1 1 0 2 / 3 1/ 3 ME ( f ) = . . 3 1 0 1 1/ 3 2 / 3 1/ 3 2 / 3 ME( f ) = 5 / 3 1/ 3
Por ahora vimos lo de cambio de base si la T.L. sale y llega al mismo espacio vectorial. Pero podemos hacer lo mismo aunque los E.V. no sean el mismo o las bases sean distintas. PROPIEDAD Sean V , W dos e.v. con E, B bases de V y E, B bases de W. Si f: V W es una T.L. Entonces M EE = CBE.M BB.CEB La idea es la misma que antes. Sean f y h dos T.L. f(x1 , x2) = (3x1 - x2 , x2) h(x1 , x2) = (3x1 + x2 , 2x1 + x2 , x1 + x2) y las bases B = { (1 , 1) ; (0 , -1) } y B = { (1 , -1 , 1) ; (0 , -1 , 2) ; (0 , 0 , 1) } Calcular MBB(hof)

ASIMOV

- 24 -

TRANSFORMACIONES LINEALES

Tenemos las matrices de las T.L. expresadas en la base cannica,

3 1 M EE (h) = 2 1 1 1 Como hay que encontrar MBB(hof) tenemos que salir de la base B y llegar a la base B. Para salir de la base B calculamos MBE(f)
3 1 ME( f ) = 0 1
MBE(f) = ME(f) . CBE

3 1 1 0 M BE ( f ) = . 0 1 1 1

1 0 C BE = 1 1

2 1 M BE ( f ) = 1 1
Ahora hacemos algo parecido con la matriz de h. Como queremos que todo termine en la base B calculamos MEB(h) MEB(h) = CEB . MEE(h) Es mas fcil calcular CBE y sabemos que CEB = (CBE)-1

C B E
Calculando la inversa nos queda que:

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

C E B

MEB(h) = CEB MEE(h)

1 0 0 3 1 M EB (h) = 1 1 0 . 2 1 1 2 1 1 1 1 3 M EB ( h ) = 5 2 8 4

ASIMOV

- 25 -

TRANSFORMACIONES LINEALES

Ahora que tenemos esas dos matrices podemos calcular MBB(hof) MBB(hof) = MEB(h) MBE(f) Como cambiamos la T.L. de bases se enganchan bien las bases para hacer la multiplicacin. 3 1 2 1 M BB (hof ) = 5 2 . 1 1 8 4

2 7 M BB ( hof ) = 12 3 20 4
Hay otra manera de resolver este ejercicio. Puedo calcular primero la matriz de la composicin en la base cannica MEE(hof). Despus cambio de base con las matrices de cambio de base. La cantidad de cuentas que tenemos que hacer es la misma que arriba. Antes de terminar veamos un tipo de T.L. que tiene algunas propiedades especiales. PROYECTOR Si p: V V es una T.L. que cumple que pop = p se llama proyector. O sea si aplicamos p dos veces la T.L. es lo mismo que hacerlo una sola. Un ejemplo de un proyector es: Sea f: IR2 IR2 dada por: f(x1 , x2) = (0 , x2) Probemos qu pasa al hacer fof f(f(x1 , x2)) = f(0 , x2) = (0 , x2) PROPIEDAD Si p: V V es un proyector entonces V = Nu(p) Im(p) No hay muchos ejercicios con proyectores pero es un nombre que hay que saber por las dudas. Definir un proyector p: IR2 IR2 que cumpla que Nu(p) = <(-1 , 1)> e Im(p) = <(1 , 1)>

ASIMOV

- 26 -

TRANSFORMACIONES LINEALES

Nos dicen que (-1,1) esta en Nu(p) entonces p(-1,1)=(0,0) Adems como (1,1) esta en Im(p) hay algn vector v que cumple: p(v)=(1,1) y como p es proyector, pop(v) = p(v) entonces p(1,1)=(1,1)

1 0 Si tomamos como base B = {(1,1);(-1,1)} nos queda la matriz M B ( p) = 0 0 Y ya definimos nuestro proyector.

Cmo armar Transformaciones Lineales ?


Hay muchos ejercicios en los que nos piden que encontremos una T.L. que cumpla ciertas condiciones. Como el ejercicio de recin, o por ejemplo: Encontrar f: IR4 IR4 que cumpla : fof = 0 f(1 , 0 , 0 , 0) = (1 , 2 , 2 , -1) f(0 , 1 , 0 , 0) = (0 , -1 , 1 , 0)

Para estos ejercicios no hay una regla segura. Todo depende de lo que nos pidan, pero con todo lo que vimos antes, se pueden hacer. Mir cmo se hace este para tener una idea. Como fof = 0 tiene que valer f( f(1 , 0 , 0 , 0) ) = (0 , 0 , 0 , 0) f( f(0 , 1 , 0 , 0) ) = (0 , 0 , 0 , 0) Entonces, f(1 , 2 , 2 , -1) = (0 , 0 , 0 , 0) f(0 , -1 , 1 , 0) = (0 , 0 , 0 , 0) Como los cuatro vectores son L.I y sabemos lo que vale f ah, la T.L. queda definida. Si queremos escribir la matriz de la T.L. podemos hacerla armando una base como hicimos en otros ejercicios. Tomamos B = { (1 , 0 , 0 , 0) ; (0 , 1 , 0 , 0) ; (1 , 2 , 2 , -1) ; (0 , -1 , 1 , 0) } que son los vectores donde esta definida la T.L. Me da:

1 0 2 1 M BE ( f ) = 2 1 1 0
Y ya tenemos la matriz de la T.L. !!

0 0 0 0

0 0 0 0

FIN TEORIA DE TRANSFORMACIONES LINEALES

ASIMOV

- 27 -

TRANSFORMACIONES LINEALES

Hagamos un pequeo resumen TRANSFORMACIONES LINEALES Y MATRIZ CAMBIO DE BASE


Una Transformacin Lineal f: nn es una funcin que toma un vector x del espacio n y nos devuelve otro vector y de este mismo espacio ( f(x) = y ). Ahora, este vector x sobre el que acta f puede estar expresado en cualquiera de las bases que describa al espacio n ( Acordate que base es un conjunto de n vectores linealmente independientes, donde n es la dimensin del espacio ). Es decir, si consideramos la base B que genera a n, el vector x tiene asociado una terna de coordenadas (x)B respecto a esta base. A su vez, la transformacin f puede asociarse a una matriz MBB(f) con base de entrada B y base de salida B que, al multiplicarla por el vector de coordenadas de x respecto a B, nos da el vector de coordenadas de y respecto a la base B. Tanto palabrero lo escribimos as MBB(f)(x)B = (y)B Pero qu pasa si queremos escribir un vector dado en la base B, en otra B ? Es posible esto tambin? S, ellos estn relacionados por medio de la matriz de cambio de base CBB de esta forma: CBB (x)B = (x)B ( fijate que el vector x es el mismo, slo que estn dadas sus coordenadas en relacin a distintas bases ). Lo mismo si tengo un vector expresado en la base B y lo quiero escribir expresado en la base B, uso la matriz de cambio de base CBB, de esta manera CBB (x)B = (x)B. Podemos ver entonces que CBB = (CBB)-1, lo que significa que CBB hace lo inverso que CBB . Bien. Muy bonito todo, pero Cmo calculamos CBB ? Rta:Es una receta...lo que hacemos es: 1) tomar cada vector de la base B y escribirlo como combinacin lineal de los vectores de la base B. 2) colocarlos como columnas de una matriz y luego bautizar a sta como CBB. Veamos un ejemplo para que resulte ms fcil entenderlo: Sean las bases de 3

ASIMOV

- 28 -

TRANSFORMACIONES LINEALES

B = { ( 1, 1, 1 ), ( 1, 1, 0 ), ( 1, 0, 0 ) }

B = { ( 1, 1, 0 ), ( 0, 1, 0), ( 0, 1, 1 ) }

Tomamos el primer vector de la base B y lo escribimos como combinacin lineal de los de la base B ( 1, 1, 1 ) = a ( 1, 1, 0 ) + b ( 0, 1, 0 ) + c ( 0, 1, 1 ) = ( a, a + b + c, c ) Y encontramos que los valores de los coeficientes, para que la igualdad se satisfaga, deben ser: a = 1, b = 1 y c = 1. Estas son entonces las coordenadas del vector ( 1, 1, 1 ) en la base B: ( 1, 1, 1 )B = ( 1, 1, 1 ) Calculamos de la misma manera las coordenadas de los dems vectores de la base B en la B y obtenemos que: ( 1, 1, 0 )B = ( 1, 2, 0 ) y ( 1, 0, 0 )B = ( 1, 1, 0 )

Y finalmente colocamos estos vectores escritos en la base B como columnas en una matriz a la que llamaremos matriz de cambio de base de B a B :
1 1 1 = 1 2 1 1 0 0

CBB'

Si necesitamos la de cambio de base de B a B, esto es CBB , slo tenemos que calcular la inversa de CBB. ( pues CBB = (CBB)1 ). Tambin puede pasar que en ciertos casos, nos den la matriz de transformacin de f, MBB(f), que es la que acta sobre vectores expresados en la base B y nos devuelve otros en la base B. Pero qu pasa si queremos que nos devuelva vectores en la misma base B? es posible esto? Cmo es la matriz MBB(f) que hace esto?? Veamos qu podemos hacer MBB(f) (x)B es un vector (y)B. Lo que nosotros estamos buscando es que este vector est expresado en la base B, pero ya vimos que con la matriz de cambio de base CBB podemos escribir CBB (y)B = (y)B. De modo que aplicando CBBMBB(f) a (x)B obtenemos (y)B , un vector expresado en la base B, como queramos. Por lo tanto, podemos identificar MBB(f) = CBB MBB(f) como la matriz de transformaciones de f que toma y devuelve vectores expresados en la base B. Estas son algunas de las situaciones o problemas en los que nos podemos encontrar.

ASIMOV

- 29 -

TRANSFORMACIONES LINEALES

Pero como estamos viendo, pensando un poquito y valindonos de lo que sabemos, vamos a poder encontrarle la vuelta para resolverlos. Volviendo ahora a la f, de la que todava tenemos para hablar un rato, pues ni mencionamos que existe la funcin f -1 muy emparentada con ella, ya que es la inversa de f y acta exactamente al revs, esto es, f -1(y) = x. Hasta ahora, hablamos de transformaciones lineales. Vimos que stas transforman vectores, pero nos preguntamos porqu decimos " lineales " ?? Rta: Simplemente, porque tienen esta importante cualidad: f(a x1 + b x2 ) = a f( x1 ) + b f( x2 ). Existen adems otras propiedades que deben cumplir las transformaciones lineales, una muy importante y que vamos a usar mucho es el teorema de la dimensin: Sean los espacios vectoriales V y W , y la T.L. f : V W , entonces se cumple que dim V = dim Nu(f) + dim Im(f) Donde el ncleo de f ( Nu(f) ) es el conjunto de todos los vectores del dominio V, que al ser transformados por f dan cero ( van a parar al vector nulo del codominio ): Nu(f) = { v V/ f(v) = 0 } Y el otro conjunto, la imagen de f ( Im(f) ), est formado por todos los vectores de W que son imagen de algn vector de V : Im(f) = { w W/ f(v) = w para algn v V } Ahora, si adems de f : V W, tenemos otra T.L., por ejemplo, g: U S, podemos combinarlas para hacer una Transformacin Lineal Compuesta. Con estas 2 podramos hacer las siguientes composiciones: g f: V S y f g: U W. Pero ojo ! No siempre son posibles de hacer, slo si los espacios involucrados cumplen con ciertas relaciones, veamos Si Im(g) V, entonces podemos construir f g: U W

ASIMOV

- 30 -

TRANSFORMACIONES LINEALES

Si en cambio, Im(f) U, entonces podemos construir gof : V S

( Un detallecito, decir f g(x) es lo mismo que f(g(x)), son expresiones equivalentes).

EJERCICIOS SACADOS DE PARCIALES


1. Sean f: IR3 IR3 g: IR3 IR2 dos T.L. Sean B base de IR3 y B base de IR2 que cumplen que, 1 3 0 1 0 1 M B ( f ) = 0 1 1 M BB ( gof ) = 1 2 0 2 1 0 Probar que: a) f es un isomorfismo b) Hallar MBB(g) a) Como f sale de un espacio de dim = 3 y llega a otro de la misma dimensin, nos alcanza con probar que es epimorfismo o que es monomorfismo. Triangulamos MB(f) y miramos qu rango tiene:
1 3 0 0 1 1 1 2 0 1 3 0 0 1 1 0 1 0 1 3 0 0 1 1 0 1 0 1 3 0 0 1 1 0 0 1

La matriz que queda tiene rango = 3. Entonces MB(f) tiene rango = 3. La T.L. f es un epimorfismo y por lo que dijimos antes, entonces es un isomorfismo. Ya probamos la parte a) ! b) Tenemos MBB(gof), entonces para sacar MBB(g) debemos hacer desaparecer a f de la composicin. Como f es un isomorfismo, sabemos que tiene inversa, y usando las propiedades, podemos calcular MBB(g) a partir de los datos que tenemos. Pensemos que g = go(fof -1) porque fof 1 = identidad. Entonces, MBB(g) = MBB(gofof-1) = MBB(gof) MB(f-1) = MBB(gof) (MB(f))-1

ASIMOV

- 31 -

TRANSFORMACIONES LINEALES

Hay que encontrar (MB(f))-1 que es la inversa de la que tenemos


1 3 0 0 1 1 1 2 0
1

Calculemos los determinantes chiquitos Primera columna

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

Segunda columna

Tercera columna

Ahora escribimos la matriz con estos minideterminantes

2 1 1 0 1 0 3 1 1
A esta matriz la trasponemos y dividimos todos los nmeros por el det de MB(f). La traspuesta es

2 0 3 1 0 1 1 1 1
Y para el determinante podemos usar los determinantes chiquitos que calculamos antes 1 1 3 0 3 0 det( M B ( f )) = 1. 0. + 1. = 2 0 2 0 1 1

= 1.2 0.0 + 1.(3) = 2 3 = 1


Entonces al dividir por 1 nos queda la matriz

2 0 3 0 1 = ( M B ( f )) 1 1 1 1 1

ASIMOV

- 32 -

TRANSFORMACIONES LINEALES

Y finalmente tenemos que

MBB(g) = MBB(gof) (MB(f))-1

Entonces:

2 0 3 1 0 1 M BB ( g ) = . 1 0 1 2 1 0 1 1 1
3 1 4 M BB ( g ) = 3 0 5

Que era lo que nos pedan !! 2. Sean: B = { (1 , 1 , 1) ; (1 , 0 , -1) ; (0 , 0 , 1) } , B = { (-1 , 1 , 1) ; (0 , 1 , -1) ; w } y f: IR3 IR3 la T.L. tal que: 2 0 1 M BB ' ( f ) = 1 1 0 0 2 1 Hallar w tal que B sea base de IR3 y f(4 , -5 , 1) = (2 , 1 , 1) Tenemos MBB(f) que es la matriz que define f con respecto a B y B. Entonces, para poder aplicar f al vector (4, -5, 1), tenemos que escribirlo en la base B. Nos queda (4 , -5 , 1) = - 5 (1 , 1 , 1) + 9 (1 , 0 , -1) + 15 (0 , 0 , 1) Entonces ahora le aplicamos la matriz de f:
1 5 5 2 0 = 1 1 0 9 = 4 0 2 1 15 3

MB'B (f)(4, 5,1)B

Como esto est representado en la base B, y nos piden que el resultado sea igual al vector (2,1,1) escribimos: 5 (-1 , 1 , 1) + (4) (0 , 1 , -1) + 3 (w1 , w2 , w3) = (2, 1, 1) Entonces podemos escribir este sistema de ecuaciones:

ASIMOV

- 33 -

TRANSFORMACIONES LINEALES

-5 + 3 w1 = 2 1 + 3 w2 = 1 9 + 3 w3 = 1

w1 = 7/3 w2 = 0 w3 = -8/3

w = (7/3 , 0 , -8/3)

Ahora solamente falta verificar que con este vector w que obtuvimos el conjunto B = { (-1 , 1 , 1) , (0 , 1 , -1) , w } es una base de IR3. Para eso hay que ver si los vectores son linealmente independientes ... pero... y cmo hacemos eso?

si (-1, 1, 1), (0, 1, -1), (7/3, 0, -8/3) son base, la combinacin lineal
0 = a (-1,1,1) + b (0,1,-1) + c (7/3, 0, -8/3) tiene que dar a = b = c = 0 Resolvamos las ecuaciones y corroboremos si los resultados son los correctos... -a + c 7/3 = 0 a = 7/3 c a + b = 0 b = -a =- 7/3 c a b c 8/3 = 0 7/3 c (-7/3 c) 8/3 c = 14/11 c = 0

a=b=c=0
Por lo que podemos ver, el resultado es el esperado, es decir B es base de IR 3 !! As que el vector que encontramos nos sirve !!

1) Tenemos que definir una transformacin lineal g ( de 4 en 4 ) que no sea un isomorfismo y que acte sobre los elementos del conjunto S, de modo tal que f(g(S)) = T Para encontrar una g que satisfaga esto, antes que nada tenemos que saber cmo son los vectores que generan S. Y a estos los vamos a encontrar a partir de la informacin que nos dan sobre las componentes de los vectores que pertenecen a este espacio: S = { x 4 / x1 + x2 x4 = x1 + x3 = 0 } De aqu, vemos que podemos expresar algunas componentes en funcin de otras, porque reescribiendo las ecuaciones tenemos que x3 = x1 y x4 = x1 + x2 .

ASIMOV

- 34 -

TRANSFORMACIONES LINEALES

Y as podemos decir que los vectores x que forman S slo dependen de 2 variables ( x1 y x2 ) y se pueden escribir como x = ( x1, x2, x1, x1 +x2 ) = x1 ( 1, 0, 1, 1 ) + x2 ( 0, 1, 0, 1 ) As, cualquier combinacin lineal de estos ltimos 2 vectores nos dar algn vector en S y, por lo tanto, estos vectores generan el espacio. Como adems son linealmente independientes ( LI ) tambin forman una base para S: ( se ve a ojo, no?? ) S = { s1, s2 } = { ( 1, 0, -1, 1 ); ( 0, 1, 0, 1 ) } Por qu queramos conocer estos vectores de la base ? Rta: Porque queremos definir g(S), O sea, decir cmo g transforma a los vectores de este espacio. Pero como a todo vector de S lo puedo expresar como una combinacin lineal de los vectores de la base, esto es: xS = a. s1 + b. s2, vemos que es lo mismo hacer g( xS ) que g( a s1 + b s2 ). Adems, nos piden que g sea lineal, por lo que debe cumplir g( a.s1 + b.s2 ) = a g(s1) + b g(s2). Y ac vemos bien clarito que definiendo cmo transforma g a los vectores de la base de S, estamos definiendo como transforma g a todo el espacio. Bueno. Todo esto sali de que queremos que f(g(S)) = T. Este ltimo espacio, est generado por los vectores t1 = ( 1, 3, 1, 2 ) y t2 = ( 1, 1, 0, 1 ), que tambin son LI y por lo tanto base de T, con lo que un vector de T tiene la pinta xT = c.t1 + d.t2 . Entonces, si por ejemplo definimos la ley de transformacin en una forma resimple: f(g( s1)) = t1 y f(g( s2)) = t2 ,

g satisface parte de lo que buscamos. Ahora, del enunciado sabemos cmo transforma f y cmo son los vectores t1 y t2, veamos qu podemos hacer con este saber Queremos que sea f(g(s1)) = ( 1, 3, 1, 2 ), pero considerando que la f acta segn f( x1, x2, x3, x4 ) = ( x1 + x3 + x4, 2x1 + x2 + x3, x1 + x3, x1 + x2 + x3 ). Entonces deben cumplirse las relaciones
x1 + x3 + x4 = 1 2x1 + x2 + x3 = 3 x1 + x3 = 1 x1 + x2 + x3 = 2 Despejando encontramos que las componentes del vector sobre el cual acta f para darnos t1, es decir, las componentes de g(s1) ni mas ni menos, son

x 1 ; x2 = 1 ; x3 = 0 ; x4 = 0 1 = g( s 1) = ( 1, 1, 0, 0 )

ASIMOV

- 35 -

TRANSFORMACIONES LINEALES

Del mismo modo, si queremos que f(g( s2)) = ( 1, 1, 0, 1 ), tenemos el siguiente sistema de ecuaciones a resolver
x1 + x3 + x4 = 1 2x1 + x2 + x3 = 1 x1 + x3 = 0 x1 + x2 + x3 = 1

Despejando vemos que las componentes del vector g(s2) son x1 = 0 ; x2 = 1 ; x3 = 0 ; x4 = 1

g(s2) = ( 0, 1, 0, 1 )

Entonces ya tenemos definida g de modo que cumple con f(g(S)) = T. Pero para definir g completamente debemos dar g(4), esto es, decir cmo acta sobre el espacio 4 entero, no slo sobre el subespacio S. Y para esto, debemos decir cmo transforma a alguna base de 4. Por supuesto que podemos, y vamos a, utilizar una base que contenga a los vectores s1 y s2, pues ya definimos de qu manera g acta sobre ellos. Agarrando 2 vectores linealmente independientes, entre ellos y adems con s1 y s2, tendremos una base de 4. Busquemos una entonces Tomemos un vector humilde y sencillo como el ( 1, 0, 0, 0 ) por ejemplo, e intentemos escribirlo como combinacin lineal de s1 y s2. s3 = ( 1, 0, 0, 0 ) = a ( 1, 0, -1, 1 ) + b ( 0, 1, 0, 1 ) = ( a, b, a, a + b ) Pero entonces debe ser a = 1 y - a = 0 al mismo tiempo Absurdo ! Y as vemos que este s3 no puede ser escrito a partir de s1 y s2, por lo tanto ya tenemos una terna de vectores L.I. Pero necesitamos un vector ms, tomemos otro vector sencillo, como el ( 0, 1, 0, 0 ) y veamos si podemos escribirlo o no en funcin de los otros. ( 0, 1, 0, 0 ) = a ( 1, 0, -1, 1 ) + b ( 0, 1, 0, 1 ) + c ( 1, 0, 0, 0 )

= ( a + c, b, a, a + b )
Luego debe ser a + b = 0 y adems b = 1 y a = 0, lo que es imposible.

s4 = ( 0, 1, 0, 0 ).
Y as encontramos 4 vectores LI que forman una base de 4. ( B = {s1, s2, s3, s4 } ). Como dijimos, tenemos que definir la accin de g sobre toda la base del espacio donde acta ( 4 ). Para esto, slo nos falta definir g( s3 ) y g( s4 ).

ASIMOV

- 36 -

TRANSFORMACIONES LINEALES

Pero ojo ! Ac falta imponer la ltima restriccin que nos pide el enunciado: que g sea no isomorfa. Bien. Isomfris, ehisofrismo, isfomsri.. frismosis mmm.. s morfi snif, snif. Es qu ???! Aclaremos: se dice que una transformacin que va desde un espacio vectorial a otro es un isomorfismo si es lineal y biyectiva ( esto es: inyectiva y sobreyectiva ) Uff.. viste por qu siempre es bueno saber estas cosas ? Je je.. Bueno son dos definiciones bien sencillas: Una aplicacin inyectiva es aquella que lleva siempre dos vectores distintos en dos vectores distintos. Si x1 x2 entonces f( x1 ) f( x2 ) Una aplicacin se dice sobreyectiva si todo elemento del espacio de llegada es imagen de algn elemento del espacio de salida. O sea Si f: V W entonces todo w W, puede escribirse como w = f( v ), para algn v de V. Pero nosotros queremos justamente que g no sea isomorfismo, como ella es lineal, deber pasar que no sea biyectiva. Hay muchas formas de lograr eso. Basta con que g no sea inyectiva o sobreyectiva. Entonces, podemos definir, por ejemplo, que g lleve dos vectores distintos a un solo vector en el espacio de llegada ( vector imagen ), con esto g no deja de ser inyectiva. Teniendo esta arbitrariedad con respecto a la definicin de g, es posible obtener muchas ( hasta infinitas ) funciones g que satisfagan lo que nos piden. Una posible es: g: 4 4 tal que g( s1 g( s2 g( s3 g( s4 ) = g ( ( 1, 0, -1, 1 ) ) = ( 1, 1, 0, 0 ) ) = g ( ( 0, 1, 0, 1 ) ) = ( 1, 2, 1, 1 ) ) = g ( ( 1, 0, 0, 0 ) ) = ( 0, 0, 0, 0 ) ) = g ( ( 0, 1, 0, 0 ) ) = ( 0, 0, 0, 0 )

O sea, matamos la inyectividad de g mandando dos vectores ( s3 y s4 ), al mismo vector (el vector nulo ).

ASIMOV

- 37 -

TRANSFORMACIONES LINEALES

La matriz asociada a la transformacin f, MBE(f), toma vectores de 3escritos en la base B que nos dan y luego de actuar sobre ellos nos devuelve un vector, tambin de 3 pero expresado en la base cannica que es la E = {( 1, 0, 0 ), ( 0, 1, 0 ), ( 0, 0, 1 )} Ahora bien, lo que nos piden es encontrar a y b tales que ocurran simultneamente estas dos cosas: i) dim Nu(f) = 1 ii) f( b, 1, 1 ) = ( 1, 1 b, 0) Empecemos con la primera.... que nos quiere decir? Si el ncleo de la transformacin tiene dimensin uno quiere decir que existe slo un vector v0 0 tal que f(v0) = 0. ( En realidad esto pasa con v0 y todos sus mltiplos, pero la cuestin es que no hay dos o ms vectores LI que estn en el ncleo). Podemos pensar que v0, escrito en la base B, tiene estas componentes (v0)B = ( v1, v2, v3 ), entonces, aplicando la matriz MBE(f) a este vector, debemos obtener el vector nulo. Hagamos este producto y veamos qu condiciones encontramos sobre a y b para que esto pase:
a 1 0 v1 a v1 + v 2 0 MBE (f)( v 0 )B = 0 1 - 1 v2 = v2 - v3 = 0 1 - 1 b v v - v + b v 0 3 3 1 2

v2 = - a v1 v3 = v2 v - ( av ) + b (- a v ) = 0 1 1 1

v1 + a v1 b a v1 = 0 ( 1 + a a b ) v1 = 0

Fijate que v1 tiene que ser 0, pues sino el vector v0 sera nulo pues las 3 coordenadas dependen de este valor. Por lo tanto, para que se cumpla la ecuacin lo que debe ser nulo es el parntesis que multiplica a v1, esto es:
1+ a-ab = 0

ASIMOV

- 38 -

TRANSFORMACIONES LINEALES

a =

1 b -1

con b 1

Y ac ya tenemos una condicin y relacin sobre a y b. Fijate que el nico valor que b no puede tomar es el 1, pues en este caso el denominador es nulo y la divisin por cero no es posible !!! Ahora, lo segundo que debe pasar es que f( b, 1, 1 ) = ( 1, 1 b, 0). Hagamos entonces esta cuenta matricialmente, pero ojo !! Debemos escribir los vectores en sus bases correspondientes !!! La matriz de transformacin de la funcin f acta sobre vectores escritos en la base B, por lo tanto, vamos a encontrar como es ( b, 1, 1 )B. y cmo hacamos esto? Fcil, fcil !! Escribindolo como combinacin lineal de los vectores de B: ( b, 1, 1 )B = c1 ( 1, 0, 1 ) + c2 ( 0, 1, 1 ) + c3 ( 1, 0, 0 ) ( b, 1, 1 )B = ( c1 + c3 , c2 , c1 + c2 ) Debe ser entonces
c2 = 1 c1 + c2 = 1 c1 = 0 c + c = b c = b 3 3 1

Estos coeficientes que encontramos son justamente las coordenadas del vector en la base B. As, lo escribimos como: ( b, 1, 1 )B = ( 0, 1, b ) Por otro lado, el ( 1, 1 b, 0 ) ( que debemos imponer como vector resultado ) ya est expresado en la base en que la f nos devuelve los vectores ( la base cannica ), as que no necesitamos hacer nada ms, ya podemos ir a las cuentas y ver que pasa
a 1 0 0 1 0 1 -1 1 = 1 -b 1 - 1 b b b2 - 1 y pedimos 1 1 1 - b = 1 - b b2 - 1 0

Para que se cumpla la igualdad debe cumplirse b2 - 1 = 0 b = 1.

ASIMOV

- 39 -

TRANSFORMACIONES LINEALES

Encontramos entonces que b puede tomar slo 2 valores, 1 1. Pero si adems debe cumplir con la primera condicin, slo nos queda la opcin de b = - 1. Como adems, a est en funcin de b, simplemente reemplazamos el valor de b en esa relacin y encontramos que a = - 1/2 .

( por lo tanto )

b = 1 y a = 1/2 son los bichos que buscbamos

Estos problemas en los que nos piden definir una transformacin lineal que cumpla tal y tal cosa, generalmente tienen varias soluciones, es decir, podemos definir ms de una funcin que satisfagan el pedido ( o infinitas, depende las restricciones ). As que ahora vamos a encontrar slo una de esas Veamos la condicin i) nos exige Nu f = Im f ( oja aca!!! este Im es imagen y no imaginario!!! ). Al leer el resumen terico recordamos o aprendimos el teorema que relaciona la dimensin del espacio, la imagen y el ncleo no? Mmm por si sos poco memorioso: Teorema de la dimensin. Sea f: V W

dim V = dim Nu(f) + dim Im(f)

En nuestro problema, el espacio vectorial de llegada y salida sobre los cuales acta f es 4 , por lo que el teo de la dim queda: dim 4 = dim Nu(f) + dim Im(f) 4 = dim Nu(f) + dim Nu(f) 4 = 2. dim Nu(f) ( pues tenemos Nu(f) = Im(f) )

dim Nu(f) = dim Im(f) = 2

Y as encontramos que la dimensin del ncleo, tanto como la de la imagen, es 2.

ASIMOV

- 40 -

TRANSFORMACIONES LINEALES

Esto nos indica que vamos a tener exactamente 2 vectores LI tal que f de ellos es cero (de estos 2 vectores y todas sus combinaciones lineales posibles) y que a la vez, estos 2 vectores pertenecen a la imagen, as que tambin precisamos que ellos sean el resultado de alguna transformacin de f. La condicin ii) nos dice
Para simplificar llamemos: f( 2, 1, 1, 0 ) = f( 1, 0, 3, 1 ) = ( 1, 0, 2, 1 ) v1 v2 v3

Y de ac vemos que v3 Im f y, por ende, l tambin Nu(f), ( pues Nu(f) = Im(f) ). Sabemos que la dimensin de los mismos es 2, por lo que todava nos est faltando un vector linealmente independiente con v3 que pertenezca al ncleo e imagen simultneamente. La transformacin f que estamos queriendo definir, es lineal. Esto quiere decir que cumple que f( a u1 b u2 ) = a f( u1 ) b f( u2 ) , donde a, b son ctes y u1 y u2 son vectores. Tenemos adems que f( v1 ) = f( v2 ) = v3, lo que nos da pie para generar al vector nulo restando simplemente f( v2 ) a f( v1 ) f( v1 v2 ) = f( v1 ) f( v2 ) = 0

f( v1 v2 ) = 0

Este nuevo vector v1 v2 = ( 1, 1, 4, 1 ) es LI con v1 ( y con v2 ), esto lo vemos sin necesidad de hacer cuentas ya que v1 tiene la cuarta componente nula, lo que hace imposible generarnos el 1 del vector v1 v2. Entonces, ya encontramos otro vector que est en el Nu(f) y en consecuencia en la Im(f). Entonces nos falta definir una transformacin de algn vector que mediante la accin de la f vaya a parar a v1 v2 , es decir definir un v4, tal que f( v4 ) = v1 v2. Y este v4 puede ser cualquier vector ? Cmo lo encontramos ? Recordemos que la f acta sobre todo el espacio 4, por lo tanto, para definirla completamente debemos decir como acta no sobre cada uno de los vectores que forman 4, ( esto sera una locura pues son infinitos !! ), sino sobre cada uno de los vectores de alguna base de este espacio. Hasta ahora definimos que f(v1) = v3 f(v1 v2 ) = 0 f(v3) = 0 Estos 3 vectores v1, v1v2, v3 son LI. Por lo tanto, encontrando un vector v4, LI con los otros 3, tenemos una base de 4.

ASIMOV

- 41 -

TRANSFORMACIONES LINEALES

Tomemos uno bien sencillo, como el ( 1, 0, 0, 0 ) y veamos si es posible expresarlo como combinacin lineal de los otros 3.

( 1, 0, 0, 0 ) =

a ( 2, 1, - 1, 0 ) + b ( 1, 1, - 4, - 1 ) + c ( 1, 0, 2, 1 = ( 2a + b + c, a + b, - a - 4b + 2c, - b + c )

Igualando componente a componente tenemos por la 2 y 4 que debe ser a = b = c. Reemplazando estas relaciones en la ecuacin resultante de la 3 componente tenemos que a 4b + 2c = a + 4a 2a = a = 0 a = 0 y, en consecuencia, b = c = 0. Por lo tanto, el vector ( 1, 0, 0, 0 ), al que vamos a llamar v4, no puede escribirse como comb. lineal de los otros y es LI con ellos. Y entonces listo !!! No es eso lo que queramos ? Saber quien era v4 ? Pues ya definimos cmo debe transformar f este vector, deba ser f( v4 ) = v1 v2. As que ya tenemos definida una f que verifica simultneamente i) y ii). Ella es f: 4 4 tal que f( v1 ) = v3 f( v4 ) = v1 v2 f( v1 v2 ) = 0 f( v3 ) = 0

Bien. Ahora slo nos falta calcular f( 0, 0, 3, 0 ). Cmo ??!?!! No habamos terminado ?!?!? Rta: No. Pero falta poquito pues ahora que tenemos definida la f, sabemos cmo acta sobre cualquier vector de 4. Slo basta expresar a ste en la base que conocemos Hagmoslo:

( 0, 0, 3, 0 ) = a ( 2, 1, - 1, 0 )

= ( 2a + b + c + d, a + b, - a - 4b + 2c, - b + c

+ b ( 1, 1, - 4, - 1 ) + c ( 1, 0, 2, 1 ) + d ( 1, 0, 0, 0

De la 2da. y 4ta. componentes tenemos que:


a + b = 0 b = a b + c = 0 c = b c = b = a

Y de la primera y tercera componentes tenemos


2a + b + c + d = 0 d = c a = (a) a = 0 a 4b + 2c = 3 a + 4a 2a = a = 3 d=0 y a=3

Luego los coeficientes son:

a =3, b = 3, c = 3, d = 0

Y as, podemos escribir al vector ( 0, 0, 3, 0 ) como:

ASIMOV

- 42 -

TRANSFORMACIONES LINEALES

( 0, 0, 3, 0 ) = 3 v1 3 ( v1 v2 ) 3 v3 + 0 v4. Considerando entonces la linealidad de f podemos calcular lo que nos piden: f( 0, 0, 3, 0 ) = f( 3 v1 3 ( v1 v2 ) 3 v3 )

= 3 { f( v1 ) f( v1 v2 ) f( v3 ) }
f( 0, 0, 3, 0 ) = f( 3 v1 - 3( v1 - v 2 ) - 3 v 3 )
( por linealidad de f )

= 3 f(v1 ) f(v1 v2 ) f(v3 ) = 3v3 { 1 4 2 4 3 1 2 3 v 0 0 3

Uffff. Al siguiente !

f( 0, 0, 3, 0 ) = 3 v3 = 3 ( 1, 0, 2, 1 )

La funcin f acta as f( x ) = y y su inversa f1 de esta manera f1( y ) = x. Por lo tanto, una forma alternativa de calcular f1( y ) es encontrar para qu x pasa que f( x ) = y. Resolverlo de esta forma resulta conveniente en este caso que lo que conocemos es la matriz de transformacin de f y no de f1. Pero tenemos que tener en cuenta que esta matriz de transformacin, MBB ( f ), acta sobre vectores x expresados en la base B y nos devuelve vectores y escritos en la base B. Esto es: MBB f( xB ) = yB As que lo que debemos hacer es escribir nuestra y = ( 1, 2, 3, 2 ) en la base de salida.

yB = ( 1, 2, 3, 2 )B

ASIMOV

- 43 -

TRANSFORMACIONES LINEALES

= a ( 1, 2, 1, 1 ) + b ( 0, 1, 2, 1 ) + c ( 0, 0, 2, 1 ) + d ( 0, 0, 0, 1 ) = ( a, 2 a + b, a + 2 b +2 c, a + b + c + d )
O sea

a 1= 2 = 2a + b b=0 3 = a + 2b + 2c - 3 = 1 + 2c c = 2 2 = a + b + c + d - 2 = 1 + c + d d = 1
yB = ( 1, 2, 3, 2 )B = ( a, b, c, d ) = ( 1, 0, 2, 1 )

Y ahora s, podemos hacer el producto considerando un xB con componenetes x1, x2, x3 en la base B, las cuales vamos a determinar para que la igualdad efectivamente se cumpla:
1 1 2 1 MB B' (f)( x )B = 0 -1 1 0 1 x1 + x 2 + x 3 1 x1 3 2 x1 + x 2 + 3 x 3 0 = ( y ) B' = x2 = x2 + x3 - 2 1 x3 x +2x -1 2 1 3

Tenemos un sistema de 4 ecuaciones a resolver


x1 + x2 + x3 2x + x + 3x 1 2 3 + x x 2 3 + 2x3 x1 = 1 = 0 =2 = 1
Si reemplazamos estos valores en las otras 2 ecuaciones, vemos que ellas se cumplen para todo x3 y no slo para un valor en particular.

x2 = x3 + 2 x1 = 1 2x3

Entonces los vectores de la forma (x)B = ( 1 2x3, x3 + 2, x3 ) = x3 ( 2, 1, 1 ) + ( 1, 2, 0 ) con x3 son llevados por f a (y)B = ( 1, 0 ,2,1 ). Bien, ya casi tenemos la respuesta, slo debemos expresar estos vectores en la base cannica, lo que no es complicado, porque ya conocemos los coeficientes que multiplican a los vectores de la base B. A ver: ( 2, 1, 1 ) ( 1, 2, 0 )

2 ( 1, 0, 1 ) + 1 ( 1, 0, 1 ) + 1 ( 0, 1, 0 ) = ( 3, 1, 1 )B

1 ( 1, 0, 1 ) + 2 ( 1, 0, 1 ) + 0 ( 0, 1, 0 ) = ( 3, 0, 1 )B

ASIMOV

- 44 -

TRANSFORMACIONES LINEALES

x = x3 ( 3, 1, 1 ) + ( 3, 0, 1 ) con x3
As que no tenemos una respuesta, tenemos infinitas !!!! Porque por cada valor distinto que de a la variable x3 obtengo otro valor de f1( 1, 2, 3, 2 ). Pero como hoy da se trata de economizar en todo, tambin lo vamos hacer en las palabras por eso reducimos estas quichicientas soluciones en un simple rengln: f1( 1, 2, 3, 2 ) = x3 ( 3, 1, 1 ) + ( 3, 0, 1 ) con x3

FIN TRANSFORMACIONES LINEALES

ASIMOV

- 45 -

NUMEROS COMPLEJOS

NMEROS COMPLEJOS
Hasta ahora venamos haciendo cuentas con nmeros reales, y pareca que estaba todo bien. Pero ahora aparecen los nmeros complejos. Para qu sirven estos nmeros raros ? Hacen falta en serio o son un invento ms de los matemticos para complicar las cosas ? Rta: Los nmeros complejos se inventaron porque hay cuentas que no se pueden hacer con los nmeros reales. Eso quizs suene medio raro, pero en realidad es lo mismo que venimos haciendo desde la primaria: cuando hay cuentas que no se pueden hacer, inventamos un tipo de nmeros nuevos. Fijate: Al principio, empezamos haciendo cuentas con los nmeros naturales (N), o sea 1,2,3, ... Se llaman as porque son los que usamos para contar, y uno siempre sabe contar aunque no sepa nada de lgebra (es algo natural...). Pero cuando empezamos a trabajar con las operaciones ms comunes (sumar, restar, multiplicar, dividir), vemos que hay cuentas muy simples que no se pueden hacer con los nmeros naturales. Por ejemplo, 2 5. Eso no se puede calcular, porque 5 es ms grande que 2. Para arreglar eso, inventamos un nuevo conjunto de nmeros: los nmeros enteros (Z), que incluyen a los positivos y los negativos. Ahora s, la cuenta 2 5 nos da como resultado -3. Tambin hay problemas con las divisiones. Por ejemplo 2/3 no se puede calcular, porque no da como resultado un nmero entero. Entonces, inventamos el conjunto de los nmeros racionales (Q), que incluye todas las fracciones, positivas y negativas. Cuando nos metemos con operaciones ms complicadas, como las potencias y las races, tambin nos aparecen problemas, porque las races casi nunca dan como resultado una fraccin. El ejemplo tpico es 2. Como no se puede escribir como una fraccin, decimos que es un nmero irracional (o sea, que no es racional, que no est en Q). Y como los nmeros irracionales aparecen mucho (por ejemplo, es un nmero irracional), inventamos el conjunto de los nmeros reales (R). Pero con los nmeros reales no est todo arreglado, porque sigue habiendo muchas cuentas que no se pueden hacer: dividir por cero, races pares de nmeros negativos, log(0), y muchas ms. Con los nmeros complejos (C) arreglamos el tema de las races de nmeros negativos. Para eso, definimos un nuevo nmero i que cumple que i2 = -1 Fijate que i no puede ser un nmero real, porque cualquier nmero real elevado al cuadrado da como resultado un nmero positivo (o cero). Entonces, como no es un nmero real, decimos que es un nmero imaginario.

ASIMOV

- 46 -

NUMEROS COMPLEJOS

Todos los mltiplos de i tambin son imaginarios, porque cuando los elevamos al cuadrado dan como resultado un nmero negativo. Fijate que, si k es un nmero real nos queda: (k . i)2 = k2 . i2 = k2 (-1) = - k2 Como k R, k2 es positivo (o cero) y -k2 es negativo. Entonces, definimos como nmero imaginario a cualquier mltiplo de i. Ahora que ya sabemos qu es un nmero imaginario, veamos una definicin ms o menos formal de complejos. NMEROS COMPLEJOS. DEFINICIN Se define como un nmero complejo, a la suma de un nmero real y otro imaginario. O sea que z es un nmero complejo (z C) si se lo puede escribir como z=a+b.i En la expresin z = a + b . i, a y b son nmeros reales. Veamos ahora un par de definiciones ms:

La parte real de z es Re(z) = a. Cuando a = 0, decimos que z = b . i es un nmero imaginario puro, porque su parte real es 0. La parte imaginaria de z es Im(z) = b. Cuando b = 0, nos queda z = a, que es un nmero real. Esto quiere decir que los nmeros reales son solamente un caso particular de los nmeros complejos ( cuando Im(z) = 0 ). Esto no es tan sorprendente, es lo mismo que cuando vimos por primera vez los nmeros enteros: los naturales son solamente un caso particular de los enteros.

Sumar, restar o multiplicar dos nmeros complejos no tiene mucho secreto: es exactamente lo mismo que con los nmeros reales, acordandote que i2 = -1. Veamos algunos ejemplos:

z = (1 + 2i) . (-4 i) = ?

Distribuimos el producto de los dos parntesis como: z = (1 + 2i) . (-4) (1 + 2i) . (i) = -4 8i i 2 .i2 = -4 9i + 2 z= -2 9i

z = (2 + i) . (5 3i) (4 2i) = ?

z = 2 . (5 3i) + i . (5 3i) 4 + 2i = 10 6i + 5i 3i2 4 + 2i z=9+i

ASIMOV

- 47 -

NUMEROS COMPLEJOS

CONJUGADO DE UN NMERO COMPLEJO El conjugado de un complejo z = a + bi se define como:


z = a bi

O sea, todo lo que hicimos fue cambiar el signo de la parte imaginaria. Ya vamos a ver de qu sirve, por ahora veamos qu propiedades tiene. 1) Es distributivo con la suma, resta, producto y divisin (siempre que no se divida por cero). O sea, que el conjugado de una suma es igual a la suma de los conjugados, y lo mismo con la resta, el producto y la divisin
z1 + z 2

z1 + z 2

2) z + z = 2 . a = 2 . Re(z) 3) z z = 2 . b . i = 2 . Im(z) . i
4)

z . z = a2 + b2 = [Re(z))2 + (Im(z)]2

Estas ltimas tres propiedades se pueden demostrar muy fcil: solamente hay que hacer la cuenta y ver que son verdad. Plano complejo El plano complejo es el equivalente a la recta real en el caso de los nmeros complejos. Cmo era eso? En la recta real aparecen todos los nmeros reales positivos y negativos ordenados de menor a mayor. Y en los complejos es lo mismo? Es algo parecido, pero no es lo mismo. Una propiedad muy importante de los complejos es que no estn ordenados, o sea que no se puede decir que un complejo sea ms grande o ms chico que el otro. ( Atento ! ). Entonces lo que hacemos es ubicarlos en un plano. Para eso, hacemos un grfico con dos ejes: en uno ponemos la parte real de z (eje real), y en el otro la parte imaginaria (eje imaginario). Lo bueno de esto es que como Re(z) y Im(z) son nmeros reales, los dos ejes son algo as como dos rectas reales porque s estn ordenados. El grfico es una cosa as:

ASIMOV

- 48 -

NUMEROS COMPLEJOS

Im(z) b
REPRESENTACIN DEL NMERO COMPLEJO

z=a+b.i

Re(z) a O sea que a cada nmero le corresponde un punto en el plano complejo. Y ese punto lo podemos representar por un vector de R2. Entonces, el nmero z = a + b . i corresponde al vector (a,b). Esto sirve solamente para tener una interpretacin geomtrica de los nmeros complejos: podemos pensarlos como vectores en un plano

MDULO Y ARGUMENTO
Hasta ahora venimos escribiendo a los nmeros complejos como z = a + b .i. Esta forma de escribirlos se llama la forma binmica de z (bi quiere decir dos: es la suma de dos trminos, uno real y otro imaginario). Pero no es la nica forma de escribir un nmero complejo. Como vimos que son algo as como vectores de R2, para decir cunto vale z tenemos que dar dos nmeros. Y bueno, esos dos nmeros son la parte real y la parte imaginaria S, est bien. Esa es una forma (la binmica). Pero tambin podemos dar otros dos datos de z. La ms comn es con el mdulo y el argumento.

El mdulo de un complejo z = a + b . i es |z| =

a2 + b2

Fijate que el mdulo de un complejo no es otra cosa que la norma del vector (a,b). O sea, nos est diciendo la longitud de ese vector. De alguna forma, significa lo mismo que para los nmeros reales: el mdulo es la distancia al cero. Nota: |z|2 = a2 + b2 = z . z

El argumento de un complejo z = a + b . i es el ngulo que forma el vector (a,b) con el eje real. Acordate que los ngulos se miden en el sentido antihorario (o sea, al revs que como giran las agujas del reloj).

Vemos todo esto en un grfico.

ASIMOV

- 49 Im(z) b

NUMEROS COMPLEJOS

EL ARGUMENTO DE Z ES EL NGULO .

Re(z)

Entonces, el argumento de z es el ngulo . Bueno, y cmo se calcula ? Rta: No es tan simple. Antes repasemos un poco de ngulos y trigonometra. Antes que nada, veamos un poco cmo medimos los ngulos. Hasta ahora, los venimos usando el sistema sexagesimal: o sea, con grados, minutos y segundos ( 1 grado son 60 minutos y un minuto son 60 segundos ). As, un ngulo recto mide 90, y uno llano mide 180. Este sistema se invent porque 60 es el nmero menor que cien con mayor cantidad de divisores. Entonces, es ms fcil hacer cuentas. Pero una vez que se invent la calculadora, dej de ser importante que las cuentas sean fciles, total las hace una mquina. Entonces, se busc un nuevo sistema que arregle las pequeas fallas del sistema sexagesimal: hay que manejarse con unidades (grados, minutos, segundos); y pasar de una a otra es engorroso (hay que hacer muchas cuentas) El ngulo ms grande que hay es 360, que sera todo un crculo. Para eso se invent el sistema de radianes. Ahora los ngulos se definen distinto. En el sistema sexagesimal, 1 grado se define como 1/90 de un ngulo recto ( que entonces mide 90 ). Ahora, se definen a partir de una circunferencia.

(x,y)

ASIMOV

- 50 -

NUMEROS COMPLEJOS

Definimos los ngulos a partir de la relacin entre el arco de circunferencia y el radio, as: = longitud arco / radio Fijate que no tiene unidades de nada porque las longitudes estn en metros. Entonces, las unidades son m/m = 1. Un ngulo de 1 radin es aquel donde el arco y el radio son iguales. Pero como suena muy mal eso, decimos que ese ngulo mide 1 radin. Y cmo paso un ngulo en radianes a grados ? Para eso necesitamos saber cunto vale algn ngulo en particular. Lo ms fcil es tomar la circunferencia entera, o sea un ngulo de 360. - Cunto vale en radianes?

Muy fcil. Usamos la frmula anterior y nos queda:

= long. circunferencia / radio = 2 . radio / radio = 2


O sea que 360 es lo mismo que 2 radianes. O sea que un radin equivale a 1 radin = 360 / 2 = 57,29577... Pero no hace falta que te acuerdes ese nmero feo. Nada ms acordate que 2 es lo mismo que 360. Y a partir de ah pods sacar cualquier ngulo. Por ejemplo, 180 es ; 90 es /2; 60 es /3 ..... Ya vimos que no tenemos ms el problema de las unidades. Tampoco tenemos el problema de ngulos mayores a 360. Ahora est todo bien: un ngulo de 540 (o sea, de 3 radianes) equivale a una circunferencia y media. Pero entonces 180 ( ) es lo mismo que 540 ( 3 ) ? No, no es lo mismo. Pens en una carrera de atletismo. No es lo mismo dar media vuelta ( 180 ) que una vuelta y media ( 540 ). Es verdad que termins en el mismo lugar, pero recorriste ms distancia. Entonces de alguna forma, los ngulos se repiten cada 2. Fijate en la circunferencia de la pgina anterior, de radio R. A cada ngulo a le corresponde un punto (x,y) de la circunferencia. A partir de esto, se definen las tres funciones trigonomtricas bsicas, que van a aparecer todo el tiempo. sen = y / R ; cos = x / R ; tang = y / x

As noms de la definicin, salen dos propiedades de estas funciones que se usan mucho: 1) (sen)2 + (cos )2 = 1 >>>>>> tambin se escribe como sen2 + cos2 = 1 2) tang = sen / cos

ASIMOV

- 51 -

NUMEROS COMPLEJOS

Ahora que ya repasamos un poco, volvamos a nuestro tema: cmo calculamos el argumento de un nmero complejo ? Veamoslo en el plano complejo:

A cada punto z = (a,b) = a + b .i , lo podemos poner sobre una circunferencia de radio |z|. Entonces, fijate que en las definiciones de seno y coseno de un ngulo. Queda as: Cos () = a / |z| y sen () = b / |z|

El argumento de z es el valor de que verifica esas dos ecuaciones al mismo tiempo. Pero, .... hay un problema. Antes te dije que los ngulos de alguna forma se repiten cada 2. Entonces, hay infinitas soluciones de esas ecuaciones Es verdad. Como nos tenemos que quedar con una sola, nos quedamos con la que est en el intervalo [0 , 2). O sea, a es mayor o igual que cero y menor que 2. En ese intervalo, la solucin es nica. Fijate que si dividimos la segunda ecuacin por la primera nos queda: tang = b / a = Im (z) / Re (z) Veamos un ejemplo:

Hallar el mdulo y el argumento de z = 3 + 4 . i El mdulo es siempre la parte ms fcil. Nos queda: |z| =

32 + 4 2

|z| = 5

Ahora el argumento. Es el valor de a entre 0 y 2 que cumple las dos ecuaciones: cos = 3/5 ; sen = 4/5

Para resolver esto, nos conviene dividir la segunda ecuacin por la primera:

ASIMOV

- 52 sen / cos = 4/5 / >>>>> tang = 4/3


3

NUMEROS COMPLEJOS

/5

Para resolver esto, tenemos que pasar la tangente al otro miembro. Para eso existen las funciones inversas a las trigonomtricas. En este caso, usamos la funcin arco tangente, ( a veces se la llama tang-1 ). Esta funcin resuelve el problema: tang = 4/3 >>>>> = tang-1 (4/3) = 53 = 0,925 radianes

Y listo, eso es todo. Ahora que tenemos el mdulo y el argumento, podemos escribirlo como: z = 3 + 4.i = 5 . (cos 53 + i . sen 53 ) Esta ltima es la forma trigonomtrica de z., justamente porque aparecen el seno y el coseno (funciones trigonomtricas) del argumento. Encontrar la forma binmica a partir de la trigonomtrica no tiene ningn secreto, todo lo que hay que hacer es calcular el seno y el coseno.

Encontrar la forma trigonomtrica de z = -3 4.i

Haciendo las mismas cuentas de antes, llegamos a que |z| = 5, y que tang = 4/3 Si usamos la arco tangente, llegamos al mismo resultado de antes. Y eso no puede ser, porque los dos nmeros son distintos, entonces no pueden tener el mismo mdulo y el mismo argumento. Claro, pasa que nos estamos olvidando de algo. La ecuacin tang = 4/3 tiene dos soluciones en el intervalo [0, 2) Pero la arco tangente nos da una sola solucin. Cmo encontramos la otra? Por cada ngulo a entre 0 y 2 hay dos ngulos para los que el seno, el coseno y la tangente valen lo mismo y otros dos con el signo cambiados. Algo as

ASIMOV

- 53 Y cmo sabemos en qu cul es el positivo y cul el negativo ? Ah, para eso hay una regla que sirve mucho: En En En En

NUMEROS COMPLEJOS

el Primer cuadrante, todas las funciones son Positivas el Segundo cuadrante, solamente el Seno es positivo, y el resto negativos el Tercero, la Tangente es positiva el Cuarto, el Coseno es positivo, y los dems negativos

Se entendi la reglita ? Bueno, en este caso, estamos buscando que la tangente sea positiva. Entonces, el resultado puede estar en el primer o en el tercer cuadrante. Por eso siempre conviene ubicar primero al nmero en el plano complejo. Como las a y b (las partes real e imaginaria) son negativas, est en el tercer cuadrante. Entonces, el argumento es 53 + 180 = 233 = 4,066 radianes. z = - 3 4 . i = 5 . ( cos 233 + i . sen 233 ) Por ltimos, veamos cules son los argumentos en casos muy simples:

Los nmeros reales tienen argumento 0 si son positivos o 180 = si son negativos. Y si es cero? Bueno, el nmero z = 0 es el nico que no tiene argumento. Eso es porque, como su mdulo es |0| = 0, no importa cul sea el valor de Los nmeros imaginarios puros tienen argumento 90 = /2 si son positivos, o 270 = 3/2 si son negativos.

Esto que hicimos recin de pasar de la forma binmica a la trigonomtrica se hace mucho; y no solamente para nmeros complejos sino para cualquier vector de R2. En definitiva, hicimos un cambio de coordenadas, porque en vez de manejarnos con (x,y), trabajamos con el mdulo y el ngulo. Esto se llama pasar de coordenadas rectangulares (x,y) a polares. Y se usa mucho, en especial cuando son problemas con circunferencias, donde el mdulo es una constante (el radio) y slo cambia el ngulo. PRODUCTO ENTRE COMPLEJOS La suma y la resta de complejos se puede hacer muy fcil con la forma binmica; pero el producto no es tan fcil. Es mucho ms simple multiplicar trabajando con la forma trigonomtrica. Hay un teorema, llamado Teorema de De Moivre que dice que si z y w son dos nmeros complejos con argumentos a y b respectivamente: z . w = |z| . |w| . ( cos ( + ) + i . sen ( + ) ) O sea que el mdulo del producto es igual al producto de los mdulos; y el argumento es igual a la suma de los argumentos.

ASIMOV

- 54 -

NUMEROS COMPLEJOS

OJO: si esta suma es mayor que 2 (o menor que 0), hay que restarle (o sumarle) 2; porque acordate que el argumento tiene que ser un nmero entre 0 y 2 Este teorema no es para nada difcil de demostrar. Todo lo que hay que hacer es multiplicar los dos nmeros a partir de su forma trigonomtrica; y ver que da ese resultado. Para eso hay que usar las frmulas del coseno de la suma de dos ngulo, y lo mismo para el seno; por eso no te lo muestro, pero no es nada complicado. Veamos algunos ejemplos: (2 + 2 . i) . (-3 + 4 . i) = ? Tenemos el producto de dos complejos: z = 2 + 2 . i = 2 . ( cos (45 ) + i . sen ( 45) ) w = -3 + 4.i = 5 . ( cos (127 ) + i . sen ( 127 ) Como dijimos antes, el mdulo del resultado es |z . w| = |z| . |w| = 2 . 5 = 10 Y el argumento es 45 + 127 = 172. Entonces, el resultado es: (2 + 2 . i) . (-3 + 4 . i) = 10 . ( cos 172 + i . sen 172) y

As de simple. Ahora veamos: qu pasa si multiplicamos por un nmero de mdulo 1 y argumento ? El mdulo no cambia, porque todo lo que hacemos es multiplicar por 1. Pero s cambia el argumento porque le estamos sumando . Entonces, todo lo que hicimos fue girar el nmero complejo un ngulo . Por ejemplo, si multiplicamos (3 + 2.i) . i, todo lo que hicimos fue rotar (3 + 2 . i) un ngulo de 90, porque el argumento de i es 90. Esto refuerza la idea de la interpretacin geomtrica de los nmeros complejos como vectores de R2. COCIENTE ENTRE COMPLEJOS Antes que nada, dejemos en claro que igual que en los nmeros reales, no se puede dividir por 0. Ese es un principio bsico de la matemtica, y todo va a cambiar el da que se descubra cmo dividir por cero. Entonces, a partir de ahora, siempre que diga dividimos por z, estamos suponiendo que z no es 0.

Te acords de cuando vimos el conjugado, que vimos unas cuntas propiedades pero no para qu sirve? Bueno, uno de los usos que tiene es para dividir. Cmo es eso?

Una de las propiedades ms importantes del conjugado es que: z . z = a2 + b2 = |z|2 z . ( z / |z|2) = 1

ASIMOV

- 55 -

NUMEROS COMPLEJOS

O sea que encontramos un nmeros que cuando lo multiplicamos por z nos da 1. Eso no es otra cosa que el inverso multiplicativo de z, y se escribe z-1. z-1 = z / |z|2 Para entenderlo un poco mejor, pensmoslo en los nmeros reales. ( Acordate que los nmeros reales son un caso particular de los complejos ). El inverso multiplicativo de 3 es 3-1 = 1/3. Esto quiere decir que si yo quiero dividir por 3, tengo que multiplicar por 1/3. O sea que 8/3 = 8 . 1/3. Entonces, estamos diciendo que dividir por z es lo mismo que multiplicar por z-1. Veamos algn ejemplo en los complejos:

Calcular w/z con w = 3 +

z=1i

Lo primero que hay que hacer es calcular z-1.


z= 1 + i

; |z|2 = 12 + (-1)2 = 2

z-1 = (1 + i) / 2 Ahora que tenemos el inverso multiplicativo de z, hacemos la cuenta: w/z = w . z-1 = (3 + i) . (1 + i)/2 w/z = 1 + 2 i Bueno, eso no fue tan complicado. Pero si fuera un ejercicio con nmeros no tan simples, o si hubiera que hacer muchas divisiones seguidas, se complicara ms. Para eso hay un mtodo ms fcil, trabajando con la forma trigonomtrica; o sea, con el mdulo y el argumento. La idea es la misma, multiplicar por z-1. Pero veamos:

= (3 + i + 3i + i2) /2

El mdulo de z-1 es : |z-1| = | z | / |z|2 = |z| / |z|2 >>>>> |z-1| = 1 / |z| = |z|-1

Tambin podemos calcular el argumento, as: z . z-1 = 1 arg (z) + arg (z-1) = arg (1) = 0 arg (z-1) = - arg (z)

Nota: como z-1 es un mltiplo de z , tambin se cumple que arg ( z ) = - arg (z) O sea que si z = |z| . (cos + i . sen ) >>>>

ASIMOV

- 56 z-1 = 1/|z| . (cos (a) + i . sen (a))

NUMEROS COMPLEJOS

Entonces veamos cmo queda la divisin de dos complejos w /z con: w = |w| . (cos + i . sen ) ; z = |z| . ( cos + i . sen )

w/z = w . z-1 = |w| / |z| . ( cos () + i . sen ( ) ) Fijate que nos qued algo muy parecido al producto: El mdulo de un producto es igual al producto de los mdulos. Bueno, con la divisin es lo mismo pero al revs: el mdulo de un cociente es igual al cociente de los mdulos El argumento de un producto es igual a la suma de los argumentos: para la divisin es al revs, nos da la resta de ambos argumentos. Veamos cmo nos queda la divisin del ejemplo anterior con este mtodo:

Calcular w/z con w = 3 + i

yz=1i

Lo primero que hay que hacer es pasar ambos nmeros a su forma trigonomtrica. Esto te dejo que lo hagas vos, te paso los resultados. Nos quedan as: w = 10 . (cos 18,4+ i . sen 18,4) ; z = 2 . (cos 315 + i . sen 315)

w/z = 10 / 2 . (cos(18,4-315) + i . sen(18,4 315) w/z = 5 . (cos -296,6 + i . sen-296,6)

OJO: acordate que el argumento es un nmero entre 0 y 2 ( o sea entre 0 y 360 ). Entonces, tenemos que sumarle 2 (360), y nos queda -296,6 + 360 = 63,4 w/z = 5 . (cos 63,4 + i . sen 63,4) =1+2.i

Llegamos al mismo resultado. O sea que las dos formas valen. Eleg la que ms te guste. Cuando hay que hacer una divisin muy simple, quizs convenga hacerlo con la forma binmica; pero por lo general siempre conviene manejarse con el mdulo y el argumento.

NOTACIN EXPONENCIAL
Ya vimos que los nmeros complejos se pueden escribir de dos formas: la binmica (con la parte real y la imaginaria) y la trigonomtrica (con el mdulo y el argumento).

ASIMOV

- 57 -

NUMEROS COMPLEJOS

La notacin exponencial es como un forma resumida de la trigonomtrica. Si z es un complejo de mdulo |z| y argumento , se escribe: z = |z| . (cos + i . sen ) = |z| . ei. Esta notacin es mucho ms simple para las divisiones y productos, porque todo lo que hay que hacer es sumar (si es producto) o restar (si es divisin) los exponentes. Veamos algunos ejemplos:

w = 3 . ei = -3

z = 2 . ei/3 = 1 + 3 . i

w . z = 3 . ei . 2 . ei/3 = 6 . ei4/3 = 6 . (cos4/3 + i . sen4/3) = -3 3 . 3 i w / z = 3 . ei / (2 . ei/3) = 3/2 . ei2/3 = 3/2 . (cos2/3 + i . sen2/3) w/z = -3/4 + 3/4 . 3 i No tiene ms secreto, y sirve mucho para productos y cocientes.

POTENCIAS DE UN NMERO COMPLEJO


La potencia es multiplicar un nmero por s mismo. Por ejemplo, z2 = z . z; z3 = z . z . z En general, zn = z . z ..... z , n veces. Entonces, si aprendiste bien cmo es el producto no vas a tener problema con la potencia. Las potencias grandes son difciles de calcular con la forma binmica. Por ejemplo, para calcular (1 + i)8, hay que multiplicar 1 + i por s mismo 8 veces, y eso es muy complicado. Por eso, siempre se trabaja con la forma trigonomtrica (o la notacin exponencial, que es lo mismo); excepto para calcular z2, que se puede hacer con la forma binmica, porque no son tantas cuentas. Con la notacin exponencial es ms fcil: zn = (|z| . ei)n = |z|n . ein Esto es muy fcil. Entonces, la nica parte difcil de calcular una potencia es pasar primero el nmero complejo a la forma trigonomtrica o exponencial. Algunos ejemplos:

Calcular z6 con z = 3 + i

Primero buscamos la forma exponencial. Para eso necesitamos:

el mdulo:

|z| =

( 3 ) 2 + 12 = 2

ASIMOV

- 58 el argumento : tang = Im(z) / Re(z) = 1 / 3.

NUMEROS COMPLEJOS

Como es un ngulo del primer cuadrante, nos queda El nmero z en forma exponencial es

a = 30 = /6

z = 2 . ei/6. Y ahora es muy simple.

z6 = (2 .ei/6)6 = 26 . e6.i/6 = 64 . ei = 64 . (cos + i . sen) z6 = - 64

RACES DE UN NMERO COMPLEJO


La radicacin es la operacin inversa de la potencia. O sea, que si decimos que z = 7 2 , queremos decir que z7 = 2. Ah, entonces si s como calcular potencias, tambin se cmo calcular races: es la operacin inversa. S, pero no es tan simple. Para los nmeros reales s es as de simple, porque las races son nicas. Quiero decir que hay un slo nmero real tal que x3 = 8, y es x = 2. Esto quiere decir que la raz cbica de 8 es nica y vale 2. Y en los complejos no es nica ? No. Por ejemplo, existen tres races cbicas de 8. Adems de x = 2, hay dos soluciones ms. Quizs suene raro, pero es as. Es ms, en general, hay n races n-simas distintas de cualquier nmero complejo. Esto es muy poco intuitivo, pero ya lo vamos a ver mejor. Veamos cmo se calculan las races. Dijimos que es la operacin inversa de la potencia. O sea que, si la z1/n = w, quiere decir que wn = z. Una vez ms, es mucho ms fcil con la forma exponencial. Si es el argumento de w y es el argumento de z nos queda: wn = z |w|n . ein = |z| . ei.

Para que dos nmeros complejos sean iguales, tienen que ser iguales los mdulos y los argumentos tienen que diferir en un mltiplo de 2 (acordate que los ngulos se repiten cada 2p, porque el seno y coseno valen lo mismo). Entonces tenemos dos ecuaciones: |w|n = |z| y n.=+2.k. donde k es un nmero entero.

La primera ecuacin es fcil, porque los mdulos son nmeros reales. La solucin es |w| = |z|1/n. La segunda ecuacin nos queda:

= ( + 2 k) / n

ASIMOV

- 59 -

NUMEROS COMPLEJOS

Entonces vemos que hay ms de 1 solucin, porque k puede tomar muchos valores. Es ms, en principio hay infinitas soluciones, porque k es cualquier nmero entero. Pero en realidad, no hay ms de n soluciones distintas. Porque despus de n valores de k, se empiezan a repetir, ya que si los argumentos difieren en un mltiplo de 2 es como si fueran iguales. Para entender mejor esto, veamos un ejemplo:

Calcular todas las races cbicas de 1.

O sea, buscamos nmeros complejos w = |w| . ei tales que w3 = 1 |w| = |1|1/3 = 11/3 = 1

= (arg (1) + 2 k)/ 3 = (0 + 2 k)/3 = 2/3 k


En principio, k es un nmero entero cualquiera. Pero en realidad no puede tomar cualquier valor, porque a (el argumento de w) tiene que estar entre 0 y 2. Entonces, k puede tomar solamente tres valores: k1 = 0 k2 = 1

1 = 0 2 = 2/3

w1 = 1 . ei0 = 1 . (cos0 + i . sen0)

w1 = 1

w2 = 1 . ei2/3 = 1 . (cos2/3 + i . sen2/3) w2 = -1/2 + 3/2 i

k3 = 2

3 = 4/3

w3 = 1 . ei4/3 = 1 . (cos4/3 + i . sen4/3) w3 = -1/2 - 3/2 i

Si tomamos k = 3 nos da exactamente el mismo resultado que con k = 0. Eso es lo que dijimos antes: las races se empiezan a repetir despus de n valores de k. Y con esto podemos resolver muchas ecuaciones con nmeros complejos. No hace falta saber nada ms. Veamos un ejemplo ms y ya terminamos:

Encontrar todos los valores de z C tales que z3 = (1 + i)6

Lo primero que uno piensa en hacer es pasar el 3 para el otro miembro como raz cbica y simplificarla con el seis. Nos quedara algo as: z3 = (1 + i)6 z = (1 + i)2

Pero ac hay un problema: llegamos a una solucin nica, y eso no puede ser. Si estamos calculando una raz cbica, tiene que haber tres soluciones distintas. Entonces, no podemos simplificar as noms. Mejor calculemos primero cunto vale (1 + i)6.

ASIMOV

- 60 -

NUMEROS COMPLEJOS

Para eso, primero escribimos 1 + i en su forma exponencial: 1 + i = 2 . ei/4. (1 + i)6 = (2 . ei/4)6 = 23 . e6i/4 = 8 . ei3/2 = - 8 . i Nos qued para resolver z3 = 8 . ei3/2. O sea, tenemos que calcular las tres races cbicas de ese nmeros. Para eso necesitamos: el mdulo: |z| = 81/3 = 2 el argumento: arg(z) = = (3/2 + 2k)/3 = /2 + 2/3 k k es un nmero entero, que puede tomar 3 valores (porque son races cbicas). Y como tiene que estar entre 0 y 2, los nicos valores para k son 0, 1 y 2 (si k es ms grande o ms chico, queda afuera del intervalo [0,2)) k=0

1 = /2

z1 = 2 . ei/2 = 2 . (cos/2 + i . sen/2) z1 = 2.i

k=1

2 = 7/6

z2 = 2 . ei7/6 = 2 . (cos7/6 + i . sen7/6) z2 = -3 - i

k=2

3 = 11 /6

z3 = 2 . ei11/6 = 2 . (cos11/6 + i . sen11/6) z3 = 3 - i

Entonces, las tres soluciones son z1 = 2.i ; z2 = -3 - i y z3 = 3 i. NMEROS COMPLEJOS - RESUMEN No existe una nica forma de escribir a los nmeros complejos z, pero esto no es para confusin, al contrario, es conveniente manejarse bien con todas las representaciones pues esto nos permite luego tener ms opciones a la hora de encarar un problema, pues saber elegir en qu notacin trabajar suele simplificar muchsimo el trabajo. Vamos entonces a repasar o conocer las distintas formas de escribir este mismo N: REPRESENTACIN BINMICA. Expresamos al nmero z como suma de un trmino real y otro puramente imaginario: z = x + iy, donde x e y

Y es por esto entonces que se dice que x es la parte real de z, esto es: x = Re (z) y

ASIMOV

- 61 es la parte imaginaria de z ( ojo !

NUMEROS COMPLEJOS

del mismo modo que y = Im (z) y = Im (z)

La notacin

no tiene nada que ver con la imagen de una funcin !! ).

En esta notacin, el mdulo del nmero se obtiene tomando la raz a la suma de los cuadrados de la parte real e imaginaria, esto es:
z =

(Re(z) )2

+ (Im( z ) )

x2 + y2

El complejo conjugado z de z, se obtiene cambiando la parte Im(z) por Im(z), es decir

z = x i y
REPRESENTACION TRIGONOMTRICA. Escribimos a z en funcin de un radio r y un ngulo polar : z = r (cos + i sen ) Donde
r= x 2 + y 2 , y como vimos r= z es la longitud del n complejo.

= arctan

y x

= Arg(z) es el argumento del complejo.


z = r ( cos i sen

y en esta notacin el complejo conjugado se escribe REPRESENTACIN GRFICA

Es fcil representar a z grficamente, veamos Consideremos el espacio bidimensional, es decir, un plano. Coloquemos un eje coordenado, xy, donde decimos ahora que el eje de las x representa el eje real y el de las y, el eje imaginario. Ya dijimos cmo obtener r, la longitud del vector que parte desde el origen, pero hacia dnde? Esto es fcil de responder si conocemos ( o cmo calcularlo ) pues ste es el ngulo que forma el vector con respecto al eje real. Veamos el dibujito :

ASIMOV

- 62 -

NUMEROS COMPLEJOS

Del grfico podemos ver un detalle muy importante: hay infinitas formas de describir al mismo n complejo z. Del grfico vemos eso ?? Infinitas ???!!! Rta: S! Fijate, marquemos en el mismo plano el n z = r ( cos ( + 2) + i sen ( + 2 )). No es exactamente el mismo que z ? s, porque dimos una vuelta entera y llegamos al mismo punto. (Acordate que 2 es equivalente a 360 grados, por lo que cambiar el valor de en 2 es lo mismo que sumarle una vuelta, despus de la cul caemos en el mismo punto que al comienzo...) Y si en vez de una damos 2, 3, 4, 1000 ??? Es lo mismo. De modo que si sumamos al argumento de un Nro. complejo mltiplos de 2, vamos a seguir hablando del mismo nmero. REPRESENTACIN EXPONENCIAL. Como en la forma anterior, de nuevo escribimos a z en funcin de un radio r y un ngulo polar : z = r ei, donde ei cos + i sen

El mdulo de z es r ( siempre positivo eh ?!!! ), pues para cualquier argumento (ngulo) pasa que

e i = cos + i sen =

(cos )2 + (sen )2 = 1 ,

| z | = | r.ei| = |r|.|ei| = r

El conjugado z = e - i y el arg(z) = ( o lo que sea que est multiplicando a la i en la exponencial ). Ahora rapidito veamos cmo escribir 2 nmeros muy usados en las distintas representaciones: el i y el 1. Empezamos por este ltimo. Fijate que en la forma binominal es simplemente tomar x = 1 e y = 0, quedando z = 1. Y tanto en la forma trigonomtrica como en la exponencial, es r = 1 y el ngulo es tal que
cos = - 1 sen = 0

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

- 1 = e i ( 2n + 1 ) con n

Ahora, i en la forma binomial exige que x = 0 e y = 1. Mientras que en las otras representaciones tenemos que debe ser r =
cos = 0 sen = 1
0 2 + 12 = 1

y el ngulo tal que


i =e
i ( 4m + 1 )

+ 2m = ( 4m + 1 )

, m

con m

ASIMOV

- 63 -

NUMEROS COMPLEJOS

EJERCICIOS SACADOS DE PARCIALES

Viste que en el resumen terico ya hablamos de las diferentes formas de expresar a los nmeros complejos no? Depende de nosotros decidir con que notacin es ms sencillo trabajar teniendo en cuenta el problema que tengamos que resolver. Y para esta decisin no hay receta que valga, solo intuicin que se adquiere con la prctica. Se que a esta altura de mi sermn ya perd todo el aprecio que me tenas, pero Es sassi que le vamo a ssshasser. Bueno, vamos a encontrar todos esos z que deben cumplir con
i) arg (6 z4 ) = arg (i z2 )

En la notacin exponencial z = r ei el argumento aparece de forma explcita, ya que es la cantidad que multiplica a i en la exponencial, es decir, el ngulo. Por lo tanto vamos a escribir a z de esa forma. 6 z4 = (1 ).6 r4 ei4 = 6 r4 ei( 2 m + 1 ) ei4 pues 1 = ei( 2 m + 1 ) 6 z4 = 6 r4 ei( 4 + ( 2 m + 1 ) ) con m

arg ( 6 z4 ) = 4 + ( 2 m + 1 )

i z2 = ( 1 ) i r2 ei2 = r2 ei( 2 k + 1 ) ei( 4n + 1 ) /2 ei2 pues


i=e
i ( 4n + 1 ) 2

i z2 = r2 ei( 2 + ( 2 k + 1 ) + ( 4n + 1 ) /2

con

k,n

arg (i z2 ) = 2 + ( 2 k + 1 ) + ( 4n + 1 ) /2
Ya tenemos los argumentos buscados. Ahora tenemos que ver para que s se cumple la igualdad: arg (6 z4 ) = arg (i z2 )

ASIMOV

- 64 4 + ( 2 m + 1 ) = 2 + ( 2 k + 1 ) + ( 4n + 1 ) /2 4 2 = ( 2 k + 1 ) ( 2 m + 1 ) + ( 4n + 1 ) /2 = ( k m + n ) + /4 = ( 4( k m + n ) + 1 ) /4

NUMEROS COMPLEJOS

Para simplificar un poco, es conveniente considerar lo siguiente: como k, m y n son nmeros enteros arbitrarios, cualquier valor de ellos es vlido y nos da una solucin. Pero cada combinacin de k, m y n nos producen un nuevo n entero dentro del parntesis ah arriba, que podemos llamar p ( o sea p = k m + n ). Al variar k, m y n sobre todos los valores posibles, p tomar tambin todos los valores enteros posibles. Y as, podemos directamente escribir
= ( 4p + 1 ) /4, con p

Y por lo tanto, los z que cumplen con la primera condicin tienen esta pinta:
z = r ei
(4
p + 1

ii)

z2 ( 1 - i

= 50

De slo recordar que el mdulo de ei es 1 independientemente del valor de , y adems de ya venir trabajando con esa notacin, creo que es conveniente que hagamos las cuentas considerando a z en la representacin polar z = r ei.
z2 ( 1 - i

= z2 z2 ( 1 - i

1 - i = r2ei 2

1 - i = r2 2

12 + 12 = r 2 r = 50

= r2

2 = 50

Pero el radio r es una cantidad positiva, por lo que el nico valor que puede tomar es 50 . Y as, los z que cumplen esta segunda condicin tienen este radio y cualquier argumento: z=
50 e
i

Pero nosotros estamos interesados slo en los z que cumplan simultneamente ambas condiciones. Por lo tanto, estos z deben tener el argumento determinado por i) y el radio dado en ii). Esto es:
z = 50 e i

( 4p

+ 1

ASIMOV

- 65 -

NUMEROS COMPLEJOS

Fijate que son infinitos los z que satisfacen lo que queremos, pues para cada valor que de a p, obtengo un z distinto que cumple con i) y ii).

Hallar todos los z que pertenecen a C tal que 3z = 5 y 3 z 5 = 5 * Cuando nos dan un ejercicio de nmeros complejos lo ms importante es saber bien de qu manera nos conviene escribir al nmero. Tenemos tres opciones:
Binmica:

Lo que se hace es separar al nmero complejo en su parte real ( Re z ) y su parte imaginaria ( Im z , se escribe igual que la imagen de una T.L. pero no tiene nada que ver). Si suponemos que a es la parte real de z, y b es su parte imaginaria, la forma binmica de z es:

z = a + ib
Esa i es el nmero imaginario i =

Im z
b z

= arg z
a Trigonomtrica:

Re z

El ngulo que hay entre el eje de los reales y el nmero complejo es llamado argumento, es por eso que se lo suele escribir arg z . El mdulo de un nmero complejo es, la distancia entre el origen y el nmero en el plano complejo. Si usamos un poco de trigonometra podemos escribir que:

cos = sen =

adyacente a = hipotenusa z opuesto b = hipotenusa z

a = z cos b = z sen

Si metemos esto en la forma binmica, nos queda:


a b Sacando z como factor comn z = z cos + i z sen z = z ( cos + i sen )

ASIMOV

- 66 -

NUMEROS COMPLEJOS

sta es la forma trigonomtrica de un nmero complejo. Muchas veces al mdulo de z se le pone otro nombre en lugar de usar las barras. No importa qu nombre tenga, si tiene esa forma pods estar seguro de que es el mdulo del complejo.
Exponencial:

Para escribir un complejo usando la notacin exponencial se usa un resultado conocido que no te voy a demostrar para evitar confusiones innecesarias. Si te interesa el tema te recomiendo que te busques en alguno de los libros de la bibliografa que tens en la ltima hoja de la gua. Este resultado dice que es lo mismo escribir cos + i sen que ei . Entonces, metiendo esto en la forma trigonomtrica nos queda:

z = z ei
Y sa es la llamada notacin exponencial del nmero complejo. Hecha esta intro vamos a arrancar con nuestro ejercicio. En el enunciado nos dan dos condiciones para hallar el complejo. stas son 3z = 5 y 3z 5 = 5 . De la primera podemos despejar el mdulo del complejo:

3z = 3 z

z =

5 3

Como el mdulo de un complejo z = a + ib es z = a 2 + b2 , esto nos queda:

a + b = a 2 + b2 =
2 2 5 3

Elevamos todo al cuadrado

25 9

Y despejamos a a2 =
2

25 9

b2

En la segunda condicin nos hablan del complejo conjugado de z, o sea z . El conjugado de un complejo tiene la misma parte real, pero la parte compleja est cambiada de signo. En nuestro caso sera z = a + i ( b ) = a ib . Ahora vamos con esto a la segunda condicin:

3 ( a ib ) 5 = 5

( 3a 5) + i ( 3b ) = 5

El trmino izquierdo de esta igualdad es el mdulo de un nmero complejo, o sea que podemos escribir:

( 3a 5)

+ ( 3b ) = 5
2

( 3a 5)

+ ( 3b ) = 25 9a 2 30a +25 + 9b2 = 25


2

Y vamos a reemplazar a2 por lo que sacamos de la primera condicin:


2 2 2 2 9 ( 25 = 0 30 a = 25 9 b ) 30 a + 9b = 0 25 9b 30 a + 9b

ASIMOV

- 67 -

NUMEROS COMPLEJOS

Ya encontramos la parte real de z, y sta es a = 5 6 . Para terminar vamos a volver con este resultado a lo que extrajimos de la primera condicin para sacar la parte imaginaria de z:

a2 =

25 9

b2 b2 =

25 9

a2 =

25 9

25 36 b=

25 12

Esto no quiere decir ms que tenemos dos complejos z que satisfacen las condiciones que nos dan en el enunciado. stos son:

z1 = 5 6 +i

25 12

5 z2 = 6 i

25 12

FIN NUMEROS COMPLEJOS

ASIMOV

- 69 -

POLINOMIOS

POLINOMIOS
Antes que nada, tenemos que decir que los polinomios son funciones de x. O sea que a cada valor de x le asignan otro nmero, que se calcula con alguna frmula. Bueno, eso es muy general. Pueden ser cualquier funcin ? Entonces sen(x) es un polinomio? No, no. Son un tipo muy especiales de funciones. Pero, antes que nada son funciones. Entonces, cumplen con todas las propiedades de las funciones. Por ejemplo, forman un espacio vectorial; y para que dos polinomios sean iguales entre s, tienen que ser iguales para cualquier valor de x. Esas son las primeras generalidades sobre los polinomios. Ahora veamos una definicin.

POLINOMIOS. DEFINICIN
Un polinomio es una funcin de x que se forma solamente con potencias enteras y no negativas de x. Entonces, la forma general de un polinomio es: P(x) = a0 . x0 + a1 . x1 + a2 . x2 + ...... + an . xn a0, a1, .... ,an son los coeficientes del polinomio P, y no son otra cosa que nmeros. Si son nmeros reales, decimos que P es un polinomio real, o un polinomio a coeficientes reales. Lo mismo si son racionales, complejos o lo que sea. Se define el espacio de polinomios K [X] como el conjunto de todos los polinomios con coeficientes en K ( K puede ser N, Z, Q, R C ). Este espacio, con la suma y el producto usuales es un EV. Un detalle importante: de ac en adelante, excepto que se aclare lo contrario, suponemos que, en principio, los coeficientes pueden ser nmeros complejos. O sea, estamos tomando el caso ms general aj C Este dato de que K[X] es un EV nos sirve de algo: podemos hablar de cosas como combinacin lineal, conjuntos LI y dems. En particular, las potencias de x con distintos exponentes son linealmente independientes: o sea que, por ejemplo {x2, x5} es LI Y eso de qu sirve? En realidad no sirve de mucho. Casi lo nico para lo que sirve es para demostrar que dos polinomios son iguales solamente cuando todos sus coeficientes son iguales. Si tenemos dos polinomios: P(x) = a0 . x0 + ..... + an . xn y Q(x) = b0 . x0 + .... + bn . xn, veamos qu tiene que pasar para que sean iguales:

ASIMOV

- 70 a0 . x0 + .... + an . xn = b0 . x0 + ... + bn . xn (a0 b0) . x0 + .... + (an bn) . xn = 0

POLINOMIOS

Fijate que nos qued una CL de {x0, .... , xn} igualada a cero. Como ese conjunto es LI, todos los coeficientes tienen que ser iguales a cero, o sea: a0 b0 = 0 , .... , an bn = 0 a0 = b0 , ...... , an = bn

Y eso es justamente lo que dijimos antes: dos polinomios son iguales cuando lo son coeficiente a coeficiente.

GRADO DE UN POLINOMIO
Ac hay que hacer una distincin. Como K [X] es un espacio vectorial, tiene un elemento neutro de la suma. Ese no es otra cosa que el polinomio nulo, que es el que tiene todos los coeficientes aj = 0. Ese polinomio es muy poco interesante, porque bsicamente vale siempre cero. Por eso casi siempre se lo deja afuera de todos los anlisis. Si P(x) = a0 . x0 + .... + an . xn con an 0 y aj = 0 para todo j > n, decimos que el grado de P es n. O sea, el grado es la mxima potencia de x que aparece con coeficiente no nulo en P. Veamos algunos ejemplos rpidos:

P(x) = 3x4 + x2 5x + 8 P(x) = -x + 2


3

El grado de P es 4 y se escribe gr(P) = 4

P(x) = 0 Lo primero que se te ocurre es que gr(P) = 0, pero no es as. Este es el polinomio nulo, y no tiene grado, porque no hay ningn coeficiente no nulo. Los polinomios de grado cero son las constante (distintas de cero), o sea los de la forma P(x) = k, con k 0. Fijate que ac no aparece la x, entonces el mximo exponente es x0 ( acordate que x0 = 1 ). Por eso, el grado es cero.

gr(P) = 3

Al coeficiente que est con la mayor potencia se lo llama coeficiente principal. Entonces, si P es un polinomio de grado n, el coeficiente principal es an. Y al que est con la menor potencia (o sea, con x0) se lo llama trmino independiente, justamente porque no est multiplicado por x

Calcular el grado de P + 2Q con P = 2x3 + 8x 4 y P + 2Q =

Q(x) = -x3 + 3x2

(2x3 + 8x 4) + 2 .(-x3 + 3x2) = 6x2 + 8x 4

Fijate lo que pas: estamos sumando dos polinomios de tercer grado, y el resultado

ASIMOV

- 71 -

POLINOMIOS

nos qued un polinomio de segundo grado. O sea, se achic el grado. Y claro, eso pas porque los coeficientes principales de P y de 2Q son opuestos. Entonces, al sumarlos, se anula el trmino de x3, y se achica el grado. Este ejemplo es para mostrarte que, si P + Q 0: gr (P + Q) g rP

gr (P + Q) gr Q

Eso es para la suma. Y para las dems operaciones ? Bueno, para la resta es lo mismo, porque acordate que la resta no es otra cosa que sumar el opuesto; as que valen las misas propiedades. Para el producto, si ninguno de los polinomios P,Q son el polinomio nulo, se cumple que gr (P . Q) = gr P + gr Q

La divisin de polinomios es una cosa ms complicada, as que mejor la dejamos para despus. Antes definamos la especializacin de P en z simplemente como P(z). As, por ejemplo, si P(x) = x2 + 3x 2, la especializacin de P en 4 se calcula como: P(4) = 42 + 3 . 4 2 = 26. Si P(z) = 0, se dice que z es una raz de P.

DIVISIN DE POLINOMIOS
Esta parte no es nada fcil, as que prest atencin. Si tenemos dos polinomios P y Q (Q 0) tales que gr P > gr Q, podemos escribir: P=S.Q+R donde S y R son polinomios nicos. S es el cociente y R es el resto, y cumple que R = 0 grR < grQ. Si R = 0, decimos que Q divide a P.

Ahhhh.... bueno .... todo muy lindo. Pero cmo hago para encontrar S y R ? Esa es la parte complicada. Primero te muestro unos ejemplos. y Q = x + 2, la divisin de P por Q se hace as: |x+2 x2 + 6x - 16

Si P = x3 + 8 x2 4 x - 5

x3 + 8 x2 4 x -5 - x3 + 2 x2 6x2 4 x 5 - 6x2 + 12 x -16 x - 5 - -16 x 32 27

La idea es dividir el primer trmino del dividiendo (P) por el primer trmino del divisor

ASIMOV

- 72 -

POLINOMIOS

(Q). As nos queda x3 /x = x2. El prximo paso es multiplicar ese resultado por Q, y restrselo al dividendo P. Y despus, repetir el procedimiento hasta que nos quede un resto de grado menor que el divisor. En este caso, nos qued R = 27, un polinomio de grado cero, mientras que gr Q = 1 , as que est bien. Decimos que el cociente de la divisin es S = x2 + 6x 16; y el resto es R = 27. Ahora veamos un ejemplo un poco ms difcil: P = 2x4 - 5x3 - 3x2 + 2x 1 ; Q = x2 2x + 3 | x2 2x + 3 2x2 x - 11

2x4 - 5x3 - 3x2 + 2x 1 - 2x4 4x3 + 6x2 -x3 9x2 + 2x - 1 - -x3 + 2x2 3x -11x2 + 5x -1 - -11x2 + 22x -33 -17x + 32

Ahora el resto nos qued R = - 17 x + 32, un polinomio de primer grado. Eso est bien, porque gr Q = 2. Y bueno, la idea es siempre la misma. El procedimiento es parecido a la divisin entre nmeros. Veamos un ejemplo fcil > 128 | 3 - 12 42 8 - 6 2 El cociente es 42, y el resto es 2. Entonces 128 = 42 . 3 + 2. Fijate que la divisin se termin cuando el resto qued ms chico que el divisor (2 < 3). En el caso de los polinomios es ms o menos lo mismo: la divisin se termina cuando el grado del resto es menor que el del divisor, o el resto es cero.

DIVISIN POR POLINOMIOS DE PRIMER GRADO DE LA FORMA Q = X A


Hay un caso muy particular en la divisin de polinomios y es cuando el divisor tiene la forma Q = x a. Como son polinomios de primer grado, el resto de la divisin tiene que tener grado cero o R = 0. Sea como sea, el resto ser una constante, o sea un nmero. Hay un teorema bastante importante, llamado Teorema del Resto que dice: El resto de dividir P(x) por (x a) es R = P(a)

ASIMOV

- 73 -

POLINOMIOS

Una consecuencia importante de este teorema es que si P(a) = 0, o sea, si a es una raz de P, el resto de P(x) dividido x a es cero. O sea, que x a divide a P y podemos escribir: P(x) = (x a) . Q(x) Esto nos sirve mucho para encontrar todas las races de un polinomio P. Si conocemos una , podemos dividirlo por x a, y ahora tenemos que encontrar las races del polinomio Q, que es un grado ms chico. Mejor veamos un ejemplo.

Encontrar todas las races de P(x) = x2 + x 12 sabiendo que una raz es a = 3 Lo primero que hacemos es dividir P(x) por (x-3). Nos queda as: x2 + x - 12 - x2 3x 4x - 12 4x 12 0 |x-3 x+4

Como era de esperar por el Teorema del resto, el resto nos dio cero. Y el cociente nos dio Q = x + 4. Entonces, el polinomio P lo podemos escribir como: P(x) = (x 3) . (x + 4) Las races son los valores de x para los que P(x) = 0. Para que se anule un producto, se tiene que anular alguno de los parntesis. Entonces, las dos races son a = 3 y b = - 4.

REGLA DE RUFFINI
Ya dijimos que los polinomios de la forma Q = x - a son bastante especiales para las divisiones. Son tan especiales, que para ellos hay un mtodo ms simple de calcular las divisiones: el mtodo de Ruffini. Te lo explico con un ejemplo: P = x3 + 2x2 4x + 5 ; Q=x3 1 3 1 2 3 5 -4 15 11 5 33 38

La idea es ubicar en una primera fila a los coeficientes de P, desde el coeficiente principal hasta el trmino independiente, sin dejar ninguna (o sea, que si hay alguno que no aparece porque vale cero, ponemos un cero). Tambin ubicamos sobre un costado al valor de a (en este caso a = 3). El procedimiento es:

ASIMOV

- 74 -

POLINOMIOS

bajar el coeficiente principal Multiplicar el nmero de la ltima fila por a, y ubicar el resultado en la segunda columna Sumar la segunda columna y ubicar el resultado en la ltima fila Multiplicar por a y ubicar en la tercera columna .... y as hasta terminar Y cmo se lee el resultado? Bueno, acordarte que el resultado va a ser un polinomio un grado menor que P. De los n nmeros (n es el grado de P) que quedaron en la ltima fila, el ltimo es el resto de la divisin y el resto es el cociente. Entonces, en este caso, el cociente es S = x2 + 5x + 11 y el resto es 38. Fijate que se verifica el teorema del resto, porque P(3) = 38.

Veamos un ltimo ejemplo de Ruffini antes de cambiar de tema:

P = 5x4 8x3 + x2 2x + 4 5 -2 5

; -8 -10 -18

Q=x+2 1 36 37 -2 -74 -76 4 152 156

El cociente es S(x) = 5x3 18x2 + 37x 72 y el resto es R = 156.

CLCULO DE RACES
Ahora que sabemos cmo hacer operaciones entre polinomios, vamos a lo que realmente importa: omo calcular las races. Esto es tan importante porque muchas veces tenemos ecuaciones con polinomios, y las podemos transformar a la forma P(x) = 0. O sea que todo el problema se reduce a encontrar las races de P.

Par par par.... Estamos seguros de que P(x) = 0 siempre tiene solucin ? O sea, siempre cualquier polinomio P tiene races ? Y... no, no siempre hay solucin. Por ejemplo, con los polinomios de grado cero, o sea de la forma P(x) = k 0, esos no tienen ninguna raz. Bueno, est bien. Para los de grado cero seguro que no. Y para los dems ? S, los polinomios de grado mayor o igual que 1 siempre tienen al menos una raz. Pero eso no es tan obvio, sino que hay un teorema muy fuerte que dice eso: es el Teorema Fundamental del lgebra. Este teorema lo desarroll Gauss. ( Maestro) Es muy importante (fundamental) porque dice que siempre hay solucin. Eso sirve porque hay veces que cuesta mucho encontrar las soluciones, y uno empieza a dudar de que haya o no soluciones. Bueno, Gauss y su Teorema Fundamental dicen que s, siempre que gr P 1, P tiene al menos una raz compleja.

ASIMOV

- 75 -

POLINOMIOS

Y este teorema tambin nos est diciendo que si gr P = n (con n 1) P tiene a lo sumo n races distintas. Claro, porque si P tiene al menos una raz x1 (y el Teorema Fundamental asegura que s), lo puedo dividir por x x1 y nos queda: P = (x x1) . Q Ahora bien, si gr Q = n 1 1, tambin tiene una raz x2, y puedo hacer lo mismo. Si seguimos haciendo lo mismo hasta llegar a un polinomio de grado cero, este polinomio ser el coeficiente principal an y nos queda: P(x) = an . (x x1) . (x x2) . ..... . (x xn)

Y si ah aparecen n races, por qu decimos que P tiene a lo sumo n races ? Porque no necesariamente todas las races x1, x2, .... , xn son distintas. Entonces tiene a lo sumo n races distintas. OJO: hay que tener mucho cuidado, porque los teoremas de matemtica usan un lenguaje demasiado preciso, tanto que confunde.

MULTIPLICIDAD DE UNA RAZ


Decimos que x = a es una raz de multiplicidad k del polinomio P si P(x) = (x a)k . Q(x) con Q(a) 0

Esto quiere decir que si hacemos lo que dijimos antes: encontrar las races de a una, y dividir por x x1, despus por x - x2, y as; la raz x = a aparece repetida k veces. La multiplicidad de una raz tambin tiene que ver con que sea o no raz de los polinomios derivados, que no son otra cosa que las derivadas de P, y se calculan como: P = a0 + a1 . x + a2 . x2 + ...... + an . xn P' = a1 . x1-1 + a2 . 2 .x2-1 + ...... + an . n . xn-1 = a1 + 2a2 x + .... + n an xn-1

P'' = 2 . a2 + 3 . 2 . a3 . x + ..... + n . (n-1) . an . xn-2 Y as lo mismo para calcular P(k), derivamos k veces. Hay un teorema que dice que si a es una raz de multiplicidad k de P entonces: P(a) = P'(a) = P''(a) = ..... = P(k-1)(a) = 0 y P(k)(a) =/ 0 Veamos algn ejemplo para ver que se cumple.

P(x) = (x 1)3 . (x + 2) =

x4 x3 - 3x2 + 5 x 2

x = 1 es una raz triple (porque x 1 aparece elevado al cubo). Entonces, se tendra que anular P(1) y las primeras dos derivadas, y la tercera no. Veamos:

ASIMOV

- 76 P(1) = 14 13 3.12 + 5.1 -2 = 0

POLINOMIOS

P(x) = x4 x3 -3x2 + 5x 2 P'(x) = 4 .x3 3.x2 6.x + 5 P''(x) = 12 x2 6x 6 P''' (x) = 24x 6

P'(1) = 4.13 3.12 6.1 + 5 = 0

P''(1) = 12 . 12 6 . 1 6 = 0 P''' (1) = 24 . 1 -6 = 18 0

Esto por ahora parece que no sirve de mucho, pero ms adelante en anlisis vas a ver que s. O sea, est diciendo que se anula la funcin y las primeras k-1 derivadas. Pero bueno, eso va ms all de esta materia. Hasta ahora vimos muchas cosas sobre las races, pero todava no vimos cmo se calcular. Ya dijimos que los polinomios de grado cero no tienen races, as que empecemos por los que les siguen en facilidad: los de primer grado.

RACES DE UN POLINOMIO DE PRIMER GRADO


Son polinomio de la forma P = a . x + b con a 0. En principio, a y b pueden ser nmeros complejos. Si son reales, podemos dibujarlas en un par de ejes (x,y); en el eje y ponemos los resultado de la cuenta P(x) = a . x + b. Esos grficos son rectas ni horizontales ni verticales; y que siempre pero siempre cortan al eje x una vez. Eso quiere decir que tienen una raz, porque el eje x corresponde a P(x) = 0. Cmo se calcula esa raz?

Muy fcil. Simplemente de la ecuacin a . x + b = 0 x = -b/a. Y esa cuenta siempre se puede hacer, porque dijimos que a 0. Por ejemplo, si P(x) = 2x + 3, la nica raz es x = -3/2. Ah bueno pero eso no tiene ningn secreto. Pasemos a algo ms difcil

RACES DE POLINOMIOS DE SEGUNDO GRADO


Estos son polinomios de la forma P(x) = ax2 + bx + c, con a =/ 0. Una vez ms, en principio los coeficientes pueden ser complejos; pero si son reales tienen una interpretacin geomtrica. Si los coeficientes son reales, las curvas de la forma y = ax2 + bx + c son parbolas. Y estas pueden cruzar dos veces, una sola o ninguna al eje x, dependiendo de la forma que tengan.

Cmo es eso? Pueden no tener ninguna raz ? Si recin vimos un Teorema que nos dice que siempre los polinomios de grado mayor que uno tienen races. Claro, pero ese teorema dice que siempre existen races complejas. Y esas no tienen ninguna interpretacin geomtrica como una parbola. Eso solamente funciona para los nmeros reales. Entonces, todo lo que estamos diciendo que de las races del polinomio, 2, 1 o ninguna pueden ser reales.

ASIMOV

- 77 -

POLINOMIOS

Bueno, y ms all de la interpretacin, cmo se calculan las races?

Para resolver la ecuacin ax2 + bx + c = 0 existe una frmula bien conocida, que es: x=

-b+w 2a

donde w es un nmero complejo que cumple w2 = b2 4.a.c. Como vimos antes, si b2 4.a.c 0 , hay dos soluciones para w, que dan dos soluciones para x. Y si b2 4 ac = 0 hay una nica solucin. Entonces decimos que esa raz es doble. Veamos un par de ejemplillos:

Con coeficientes reales: P(x) = 4x2 - 4x - 3

Las races son x = (4 + w)/8, donde w2 = (-4)2 + 4.4.3 = 64 w1 = 8 ; w2 = -8 x1 = (4 + 8)/8 = 3/2 ; x2 = (4 - 8)/8 = - Las dos races son reales. Esto quiere decir que si graficamos la parbola, esta cruza dos veces al eje x, una vez en x = - y otra vez en x = 3/2. Nota: si los coeficientes de un polinomio de segundo orden son reales, hay algunas relaciones interesantes entre las dos races x1,x2, sean reales o complejas: 1) x1 + x2 = -b / a 2) x1 . x2 = c /a Estas dos relaciones, que parecen sacadas de la galera, salen directamente de la frmula para calcular las races, no hay ningn secreto. Fijate que en ese ejemplo se verifican.

Con coeficientes complejos: P(x) = x2 + (1 i) x + 1 5/4 i


1+ i + w 2

Las races son x =

donde w2 = (1 i)2 4 . 1 . (1 5/4 i) = - 4 + 3 i Los dos valores posibles para w son las dos races complejas de -4 + 3 i. La cuenta te la dejo que la hagas vos, te digo directo el resultado: w1 = 2 + 3/2 . 2 . i y w2 = - w1 = - 2 - 3/2 . 2 . i

ASIMOV

- 78 -

POLINOMIOS

Entonces, las dos races del polinomio son x1=


2 1 1 + 3 / 2. 2 + i 2 2

x2 =

2 1 1 3 / 2. 2 + i 2 2

Vemos que la nica diferencia entre los polinomios con coeficientes reales y complejos es que las cuentas son ms complicadas, nada ms.

POLINOMIOS DE GRADO MAYOR QUE 2


Ya para polinomios de grado 3 o mayor no existe ninguna frmula explcita para calcular las races. Entonces estamos bastante perdidos, hay que encontrarlas de alguna forma que nadie sabe cmo es. Pero hay algunos trucos para encontrarlas. Y acordate que una vez que encontrs una raz x = a, pods dividir el polinomio por x a y te queda un polinomio de un grado ms chico. La idea es ir haciendo eso hasta llegar a un polinomio de segundo grado, donde podemos usar la frmula de antes. Uno de los trucos para encontrar las races es el Teorema de Gauss. Este teorema dice que si P(x) = a0 + a1 x + .... + an . xn es un polinomio con coeficientes enteros (o sea que todos los a0, a1, ...., an son enteros) y tiene races racionales, se pueden calcular como: x = p/q, con q > 0 donde p divide al trmino independiente a0 y q es un divisor del coeficiente principal an. Esto parecera que no sirve de mucho, porque solamente se puede usar para coeficientes enteros, y solamente me permite encontrar races racionales. - Pero, y qu pasa si las races no son racionales? - Y bueno, en ese caso el teorema no nos sirve para encontrar las races Y s, el teorema es un poco limitado. Pero bueno, es lo que tenemos para trabajar, sirve en algunos casos, por ejemplo:

P(x) = 4x3 + 3x 2.

El teorema de Gauss dice que si estamos buscando races racionales, solamente hay un puado de valores posibles p/q, que cumplen que p es un divisor de a0 = 2. Entonces, p puede valer 1, 2, -1, -2. q es un divisor de an = 4. Entonces q puede valer 1, 2 4. Vemos que hay varias posibilidades, porque podemos combinar cualquier valor de p con cualquier valor de q. Y todo lo que podemos hacer es probar con esas posibilidades hasta encontrar una raz. Veamos:

ASIMOV

- 79 -

POLINOMIOS

P(1) = 4 . 13 + 3 . 1 2 = 7 P() = 4 . ()3 + 3 . () 2 = 0

x = es una raz de P

Y ahora que tenemos una raz, podemos dividir por x y as achicamos un poco el problema. Como estamos dividiendo por un polinomio de la forma x a, podemos usar Ruffini, que es mucho ms fcil que el otro mtodo. 4 4 0 2 2 3 1 4 2 2 0

Nos queda que P(x) = (x ) . (4x2 + 2x + 4) Ahora tenemos que encontrar las races del polinomio de segundo grado que nos qued. Pero eso ya es ms fcil, porque tenemos una frmula para hacerlo. Todo lo que hay que hacer es meter los nmeros en la frmula y hacer las cuentas, no hay mucho secreto. El teorema de Gauss dice bien claro que solamente funciona cuando los coeficientes del polinomio son enteros. Pero tambin se lo puede hacer andar cundo los coeficientes son racionales. Fijate en este ejemplo: P(x) = x3 + x2 4 En este caso, los coeficientes son racionales, no enteros, pero veamos. Encontrar las races de ese polinomio no es otra cosa que resolver la ecuacin: x3 + x2 4 = 0 Ahora bien, si multiplicamos esta ecuacin por 2 a ambos miembros nos queda: x3 + 2x2 8 = 0 Y esto es encontrar las races de un polinomio con coeficientes enteros, donde podemos usar el Teorema de Gauss. Entonces, si bien solamente se puede usar para coeficientes enteros, hay un truquito cuando los coeficientes son racionales Pero bueno, muchas veces este teorema no nos sirve simplemente porque las races no son racionales. En ese caso, no hay nada que se pueda hacer: no se pueden calcular las races sin conocer alguna otra. Mejor dicho, no hay ninguna frmula a seguir para encontrarlas; pero se pueden encontrar probando. Por eso, siempre que parezca imposible encontrar races, conviene probar con nmeros sencillos como 0, 1 , -1, 2, i, -i, ....

ASIMOV

- 80 -

POLINOMIOS

Y una vez que encontramos una raz (no importa cmo, si fue probando o si alguien nos la dijo), encontrar las otras es ms fcil, porque podemos reducir el grado del polinomio. La cosa es un poquito ms fcil cuando los coeficientes son reales, porque hay un teorema que ayuda un poco. Si P es un polinomio de coeficientes reales y z C es una raz de P, entonces z tambin es una raz de P. Aun ms, si z es una raz de multiplicidad k, z tambin lo es de multiplicidad k. Nota: Fijate que si z es una solucin real, este teorema no dice nada nuevo, porque z = z. Esta propiedad ayuda mucho, porque cuando encontramos una raz compleja (que no sea puramente real), en realidad estamos encontrando 2. Eso facilita el problema. Veamos un ejemplo:

TEOREMA:

P(x) = 9 x4 + 6 x3 + 10 x2 + 6 x + 1

Este es un polinomio de cuarto grado. No hay ninguna forma de encontrar las races. As que vamos a tener que encontrar dos races de alguna forma de la galera para poder reducir el grado hasta un polinomio de segundo grado. Por suerte es un polinomio con coeficientes enteros, as que podemos usar el Teorema de Gauss. Entonces, buscamos races de la forma x = p/q, donde p es un divisor de a0 = 1 q es un divisor de an = 9 q= 1 , 3 , 9 Te ahorro el trabajo de probar con todas las combinaciones posibles entre p y q. Una que funciona es x1 = -1/3. Una vez que encontramos esta raz, dividimos al polinomio por x + 1/3. Obviamente, como es mucho ms fcil, usamos el mtodo de Ruffini. 9 9 6 -3 3 10 -1 9 6 -3 3 1 -1 0

p = 1 p = -1

-1/3

Nos queda P(x) = (x + 1/3) . (9x3 + 3x2 + 9x + 3). Como todos los coeficientes son mltiplos de 3, podemos sacarlo como factor comn, as no trabajamos con nmeros tan grandes y nos queda:

ASIMOV

- 81 -

POLINOMIOS

P(x) = 3 . (x + 1/3) . (3x3 + x2 + 3x + 1) Como de vuelta nos qued un polinomio de coeficientes enteros, podramos probar de vuelta de usar el Teorema de Gauss. Pero te propongo otra cosa, mejor probemos con nmeros sencillos a ver si funcionan. Ensayamos con x = 0, x = 1, x = -1, x = 2. Todos esos no funcionaron. Ahora probemos con x2 = i. Ese s funciona. Entonces ahora sabemos por el teorema anterior que x3 = -i tambin es raz. La ventaja de este mtodo de tanteo es que encontramos las races de a 2. Ahora reducimos de vuelta el grado del polinomio dividiendo por (x+i) . (x-i) = (x2 +1) 3x3 +x2 + 3x + 1 - 3x3 +3x 2 x + 1 2 x + 1 0 |x2 +1 3x + 1

El polinomio P(x) escrito como producto de polinomio de primer grado nos queda: P(x) = 3 . (x + 1/3) . (x i) . (x + i) . (x + 1) Esta forma de escribir al polinomio se conoce como factorizacin de P, porque est escrito como un producto de varios factores. Y la ventaja de que sean todos polinomios de primer grado es que salta a simple vista cules son las races: -1/3 , i , -i , -1.

Cmo darse cuenta tan rpido? Fcil. x es una raz si P(x) = 0. Ahora bien, para que un producto se anule, alguno de los factores (en este caso cada factor es un parntesis) tiene que valer 0. Entonces as salen muy pero muy fcil las races. Cada uno de eso factores se llaman polinomios irreducibles en C, porque no se pueden factorizar ms. Si estuviramos trabajando solamente sobre los nmeros reales hay algo mal, porque no puede aparecer un trmino (x + i). Entonces, el factor irreducible es x2 + 1; porque no lo podemos reducir a (x + i) . (x - i)

Y eso es todo lo que hay que saber sobre polinomios. Para terminar, veamos algunos ejercicios tpicos que no son como los que vimos hasta ahora de calcular races. Hay de varios tipos:

Un tipo de ejercicio es el de calcular cunto vale un parmetro a para que se cumpla una condicin. Bueno, eso no tiene mucho secreto, son ejercicios de la forma:

Cunto tiene que valer a R para que P(x) = a.x2 + a.x + 5 cumpla que P(-1) = 5 y gr P = 2 ?

ASIMOV

- 82 -

POLINOMIOS

Para resolver estos ejercicios, todo lo que hay que hacer es reemplazar esas condiciones y hacer las cuentas. P(-1) = a . (-1)2 + a . (-1) + 5 = a a + 5 = 5 Vemos que la primera condicin se cumple para cualquier valor de a. Entonces, en principio uno dira que a puede valer cualquier cosa. Pero eso no es verdad, porque tambin se tiene que cumplir la segunda ecuacin. Para que gr P = 2, el coeficiente que va con x2 no puede ser cero. O sea a 0. Entonces, la respuesta a este problema es que a puede valer cualquier nmero real excepto el 0. Listo.

Otro ejercicio tpico es el de encontrar un polinomio que cumpla con ciertos requisitos. Veamos un ejemplo:

Encontrar un polinomio P de coeficientes reales de grado mnimos tal que x = 4 es una raz simple de P ; x = 3 + i es una raz doble y P(5) = 50. Lo primero que hay que hacer en este tipo de ejercicios es averiguar de qu grado es el polinomio que estamos buscando. Eso lo podemos averiguar a partir de las races. Como tiene que tener una raz simple (x = 4) y una doble (x = 3 + i), debe ser grP 3. Ahora bien, como los coeficientes son reales, si z es un raz de P entonces z tambin, por el teorema que vimos antes. Entonces, x = 3 i tambin es una raz doble de P. Quiere decir que buscamos un polinomios con una raz simple y dos races dobles. Para eso, tiene que ser gr P 5. Como nos piden un polinomio de grado mnimo, buscamos un polinomio de grado 5.

Y cmo lo encontramos ? La forma ms fcil es a partir de sus races en la forma factorizada. Nos queda: P(x) = A . (x 4) . [x (3+i)]2 . [x (3 -i)]2 = A . (x 4) . [(x 3)2 + 1]2 P(x) = A . (x 4) . [x2 6x + 10]2

Pero el problema no se termin ac, porque todava no sabemos cuanto vale la constante A. Para eso usamos la ltima condicin que nos dan, que P(5) = 50. P(5) = A . (5-4) . [52 6 .5 +10]2 = A . 25 = 50

ASIMOV

- 83 A=2

POLINOMIOS

Listo, ahora que sabemos cunto vale A ya tenemos el polinomio. P(x) = 2 . (x 4) . [x2 6x + 10]2 En realidad el problema se termin ac, pero como por lo general no estamos acostumbrados a leer los polinomios como productos sino como suma de potencias, conviene desarrollar los productos y expresar el resultado como: P(x) = 2x5 32 x4 + 108 x3 688 x2 + 1.160 x 800

POLINOMIOS - RESUMEN
Supongamos un polinomio cualquiera: P( x ) = a0 + a1 x1 + . + an xn , donde los coeficientes a0, a1,, an pueden ser reales o complejos. Ahora mirmoslo un poquito que podemos decir sobre l? Sabemos a simple vista cules son sus races? Cmo son? Cuntas tiene? As de slo mirarlo, podemos responder algunas de estas cuestiones por ejemplo, P(x) es de grado n (esto es que la mayor potencia del polinomio es xn ) y por lo tanto, tiene n races, ya sean estas reales o imaginarias. Que tenga n races, quiere decir que existen n nmeros z1, z2,, zn ( ojo! no necesariamente distintos ) tales que P( z1 ) = P( z2 ) =. = P( zn ) = 0. De este hecho, surge una forma alternativa de expresar al polinomio, ya que podemos reescribirlo como un producto de trminos que involucran solamente a sus races y a la variable x: P(x) = an ( x z1 ) ( x z2 ) ( x zn ) Bien. Y algo ms podemos decir? Hay un teoremita que es muy til, a la hora de buscar races, si conocemos los coeficientes a0,,an. As que es bueno tenerlo siempre a mano en el bolsillo de la memoria, fijate: Si 1 polinomio tiene todos sus coeficientes reales, y si z0 es una raz del polinomio, entonces su conjugado z 0 tambin es raz. Y por ltimo, un detalle no sobre P(x), si no para cuando ests calculando explcitamente sus races, no te vayas a olvidar que - 1 = i . Y ac cerramos esta parte imaginaria, listos para volver a la realidad y resolver problemas.

ASIMOV

- 84 -

POLINOMIOS

EJERCICIOS SACADOS DE PARCIALES

Qu es una raz de un polinomio ??? Simplemente es un punto en el cual el polinomio se anula. y conociendo al polinomio (de slo verlo), sabemos cuantas races l tiene? S. Tantas como el grado del polinomio ( la potencia ms alta de equis ). As que por ejemplo, mirando el polinomio P( x ) = x4 10 x3 + 39 x2 70 x + , que nos dan, podemos asegurar que tiene 4 races, es decir, que existen 4 nmeros xi ( generalmente distintos ) tales que P(xi) = 0. Lo que tenemos que hacer es hallar todas estas races. En realidad tres de ellas, pues ya nos dan una. Sabemos que (2 + i ) es raz de P(x), es decir P( 2 + i ) = 0. Haciendo esta cuenta, determino cunto debe valer para que la igualdad se cumpla.
P( 2 + i ) = ( 2 + i )4 10 ( 2 + i )3 + 39 ( 2 + i )2 70 ( 2 + i ) + = 0

Calculemos primero las potencias de ( 2 + i )


( 2 + i )2 = ( 2 + i ) ( 2 + i ) = 4 + 4 i 1 = 3 + 4i ( 2 + i )3 = ( 2 + i )2 ( 2 + i ) = ( 3 + 4i ) ( 2 + i ) = 6 + 3i + 8i 4 = 2 + 11i ( 2 + i )4 = ( 2 + i )3 ( 2 + i ) = ( 2 + 11i ) ( 2 + i ) = 4 + 22i + 2i 11 = 7 + 24i

Ahura reemplacemos todos estos valores en el polinomio prestemos atencin que son muchos nmeros y un error de cuentas ( que es lo ms comn en los parciales!!! ), nos puede llevar a cualquier lado ! As que despus de una buena dosis de caf seguimos
P( 2 + i ) = 7 + 24i 10 ( 2 + 11i ) + 39 ( 3 + 4i ) 70 ( 2 + i ) + = 7 + 24i 20 110i + 117 + 156i 140 70i + = 50 + 0i + P( 2 + i ) = 50 + = 0 = 50

Y as el querido polinomio ( de quien tenemos que encontrar 3 races todava ) es:

ASIMOV

- 85 P( x ) = x4 10 x3 + 39 x2 70 x + 50

POLINOMIOS

Pero a no desesperar ya que lemos el resumen terico (ah no???!! ) y sabemos de este teoremita que nos viene a dar una mano en esta situacin: si 1 polinomio tiene todos sus coeficientes reales, y z0 es una raz del polinomio, entonces su conjugado z 0 tambin es raz

si

(2 + i ) es raz tambin lo es

2 +i = 2 i

Conociendo ya 2 de sus races podemos reescribir el polinomio de esta forma ( acordate que todo polinomio se puede expresar como producto de los trminos ( x zi ) donde los zi son sus races ): P( x ) = ( x ( 2 + i )) ( x ( 2 i )) Q ( x )
=

( x2 4 x + 5 ) Q ( x )

Y las races restantes sern las de Q( x ). Y quin es este polinomio??? Fijate que simplemente despejando obtenemos que:
Q(x)= P(x) = x2 - 6 x + 10 (x -4x+5)
2

S, lo que en realidad es simple es despejar, pero no tanto la cuentita !!! La divisin est hecha ac
_ x 4 - 10 x 3 + 39 x 2 - 70 x + 50 x 4 - 4 x3 + _ 0 5 x2 x2 - 4 x + 5 x 2 - 6 x + 10 Q( x )

- 6 x 3 + 34 x 2 - 70 x + 50 - 6 x 3 + 24 x 2 - 30 x _ 0 + 10 x 2 - 40 x + 50 10 x 2 - 40 x + 50 0

( Existen otras formas de hacer esta divisin, por ejemplo, por el mtodo del viejo Rufinni. Pero en realidad no importa el medio, el resultado tiene que ser siempre el mismo, as que hacela como sepas o prefieras y compar los cocientes).

ASIMOV

- 86 -

POLINOMIOS

Bueno basta !! Calculado Q( x ), vamos a buscar lo que nos interesa: sus races. Fijate que Q( x ) es un polinomio de grado 2, por lo tanto, tiene exactamente 2 races, que nos la da la famosa formula que ya sabs desde cole
ax 2 + bx + c = 0 x0 = b b 2 4 ac 2a

Entonces
-(-6) ( - 6 ) 2 - 4 . 1. 10 2 = 6 2 -4 = 3 i races de Q ( x )

( Ac no pas nada raro, acordate que P ( x ) en funcin de sus races

- 1 = i ). Y finalmente podemos escribir a

P( x ) = ( x ( 2 + i )) ( x ( 2 i )) ( x ( 3 + i )) ( x ( 3 i ))

En resumen: = 50 y las races de P( x ) son 2 i y 3 i.

Hallar un polinomio con coeficientes reales de grado mnimo que verifique 2+i es raz de P, 0 es raz triple de P y la parte imaginaria de P(-2i) es igual a 5.
Como 2 + i debe ser raz del polinomio, entonces su conjugada compleja 2-i tambin es raiz. Por lo tanto el polinomio tiene que tener un trmino del tipo:
2 2 + i)(2 i) = x2 4x + 5 x (2 + i) x (2 i) = x x (2 + i+ 2 i) + ( 4+2i2ii2 =5

Para que 0 sea raz triple del polinomio, simplemente tenemos que multiplicar al trmino anterior por x3 :
2 3 P ( x) = x 4 x + 5 x Q ( x)

notemos que P( x ) tiene que tener el mnimo grado posible y que en el enunciado ya no hay condiciones sobre races, entonces Q( x ) es simplemente una constante real, Q0 (porque todos los coeficientes de P( x ) tienen que ser reales)
2 3 P ( x ) = Q0 x 4 x + 5 x

Donde Q( x ) es algn polinomio, an desconocido. Para determinar que aspecto tiene,

ASIMOV

- 87 -

POLINOMIOS

Por ltimo, la parte imaginaria de P( 2 i ) es igual a 5:


Im[P( 2 i )] = 5

P( 2 i ) = Q0 ( 2 i )2 4 ( 2 i ) + 5 ( 2 i) 3 P( 2 i ) = Q0 [ 4 + 8 i + 5] 8 i = Q0 [ 64 + 8 i]

5 = 8 Q0 Q0 =

5 8

Finalmente, el polinomio que estamos buscando es:


P ( x) = 5 2 x 4 x + 5 x3 8

FIN POLINOMIOS

ASIMOV

- 89 -

AUTOVALORES

AUTOVALORES Y AUTOVECTORES
Vamos a ver un poco de teora sobre autovalores y autovectores. Quizs en algn otro libro los encuentres como eigenvalores (o valores propios) y eigenvectores (o vectores propios). Te lo cuento para que no te desorientes si encontrs estos nombres raros. Bien, empecemos por definir esto: ... Definicin: Si A es una matriz n x n, decimos que un vector distinto de 0 en Rn es un autovector de A si se cumple: Ax = x Donde es algn escalar, que es entonces llamado autovalor de A. Adems, decimos que x es un autovector asociado al autovalor .

Se va entendiendo hasta ahora ? No ? Bueno, veamos un ejemplo: Si tenemos la matriz A, decimos que x es un autovector asociado a donde: 3 0 A= 8 1 Porque 3 0 1 3 1 Ax = 8 1 = = 3 = 3 x = x 2 6 2 La pregunta sera: cmo encontramos uno de estos autovalores?! Pues bien, veamos: Ax = x Ax = Ix (I A)x = 0 1 x= 2

=3

O sea, hemos reescrito la definicin de autovalor (autovector) de manera de poder expresarlo como un sistema homogneo, y por un viejo Teorema ya conocido, sabemos que el sistema tiene solucin distinta de 0 si y solo si el determinante de esa expresin es igual a 0. Eso es lo que a nosotros nos permitira decir que es autovalor de A !!!! Entonces llegamos a la expresin: Det (I-A) = O que es la llamada ecuacin caracterstica de A

ASIMOV

- 90 -

AUTOVALORES

Los escalares que satisfagan esta ecuacin sern los autovalores de A. Si desarrollamos este determinante, llegamos a lo que llamamos el polinomio caracterstico de A = P(). Como ayuda-memoria, record estas propiedades: es autovalor un autovector x 0 asociado a l. es autovalor (I-A) es no inversible det(I-A) = 0 S, ya s, quers un ejemplito que aclare un poco ms todo esto que hemos dicho (con justos motivos, es algo complicado) ... ah va: Ejemplo: Si nos piden que hallemos los autovalores y los autovectores asociados de alguna matriz, hago esto: Tengo la matriz:

Calculo (I-A): (I A) =

3 1/ 2 A= 6 1
1 0 3 1/ 2 0 3 1/ 2 3 1/ 2 = = 0 1 6 1 0 6 1 6 1

Ahora veamos su determinante:


3 1/ 2 det(I A) = det = ( 3)( 1) (6.1 / 2) = 6 1 2 = 4 = polinomio caracterstico de A = P()

Qu nos qued ? S ! Una ecuacin cuadrtica ! Para resolver el valor de tenemos que calcular las races de: 2 4 = 0 tenemos 2 autovalores para A: 1 = 0 y 2 = 4 Ahora, para ver qu autovectores tiene asociado cada unos de estos autovalores, lo que voy a hacer es escribir: Ax = ix (i = 1, 2) 1 = 0 : 3 x1 + x2 / 2 0 3 1 / 2 x1 x1 0 = Ax = 1 x 6 1 x x 0 6x + x = 2 2 1 2 Nos queda un sistemita de ecuaciones:

ASIMOV

- 91 3x1 + x2/2 = 0 -6x1 = x2 6x1 + x2 = 0 6x1 = 6x1

AUTOVALORES

Si tomamos x1 = 1

x2 = - 6 (x1 , x2) = ( 1 , - 6 )

Qu nos dice esto ? Que todo vector de la forma (k , -6k) con k 0, es un autovector de A asociado a 1 = 0; en particular elegimos el vector (1 , -6) y le llamaremos autovector asociado al autovalor 1 = 0. Una manera ms formal y bonita de escribir esto que puse sera: W1 = { (x1 , x2) R2 / (x1 , x2) = (k , -6k) k R } El conjunto de vectores x que cumplen que Ax = x conforman el subespacio asociado al autovalor , ms el vector nulo . ( No confundirse ! el vector nulo no es autovector asociado, solo aparece por definicin de subespacio). Estos subespacios asociados son tambin llamados Espacios Invariantes. Esto se debe a que al aplicar la Transformacin Lineal que la matriz A representa, a los vectores de este subespacio, resulta un vector que tambin pertenece al subespacio. O sea, el aplicar A al subespacio asociado, devuelve el mismo subespacio ! Tambin podemos darle otro significado ms al efecto de una matriz y sus autovectores, la llamada interpretacin geomtrica: Si es un autovalor de A que tiene asociado el autovector x, entonces Ax = x, de modo que la multiplicacin por A dilata o contrae a x, o invierte su direccin, dependiendo del valor de . Uy nos fuimos! ... volvamos al ejemplo ... Repetimos la historia para el otro autovalor 2 = 4 : En este caso nos queda un sistema de ecuaciones de la forma: 3x1 + x2/2 = 4x1 6x1 + x2 = 4x2 Si tomamos x1 = 1 2x1 = x2 8x1 = 8x1

x2 = 2 (x1 , x2) = (1 , 2)

De nuevo traducimos: con el autovalor 2 = 4 esta asociado el autoespacio vectorial generado por (1 , 2).

ASIMOV

- 92 -

AUTOVALORES

Todo vector de la forma (k , 2k) con k 0 de este subespacio, es un autovector de A asociado a 2 = 4 ... W2 = { (x1 , x2) R2 / (x1 , x2) = (k , 2k) k R } Ahora veamos otro ejemplo, para no quedarnos slo con las ocasiones en que todo funciona perfecto, porque no siempre es as... Ejemplo:

0 3 Si ahora la matriz que nos dan es A = y nos vuelven a pedir sus 5 0 autovalores, repetimos lo anterior. Record, primero escribimos ( I A ):
(I A) = 1 0 0 3 0 0 3 3 = = 0 1 3 0 0 3 0 3

Ahora vemos su determinante: 3 2 det(I A) = det 3 = + 9 = P ( ) Ahora la ecuacin que deberemos resolver ser: 2 + 9 = 0. Peroooooo ... sus races son = 3 i que son nmeros imaginarios ! Si estamos suponiendo que trabajamos slo para valores reales, en este caso diramos que A no tiene autovalores. En estos dos casos fue ms que simple la resolucin, en general es siempre as ... en qu se puede complicar ? Pues bien, podemos tener un determinante feo de calcular o que la ecuacin del polinomio caracterstico sea molesta de resolver ... pero ya estamos acostumbrados a eso, no ? En general lo complicado del clculo de autovalores y autovectores aumenta con el tamao de la matriz que estemos tratando. Te paso un ltimo ejemplo que engloba lo que te digo para que veas a qu me refiero: Ejemplo: Supongamos que tenemos una matriz 3x3, y hay que averiguar sus autovalores. Hacemos igual que antes. Primero veamos cul es la matriz:

1 8 4 A = 2 7 3 3 6 2
Y el pedazo de cuenta que hay que hacer es el siguiente:

0 0 1 8 4 4 1 8 det (I A) = det 0 0 2 7 3 = det 2 7 3 0 0 3 6 2 3 6 2

ASIMOV

- 93 -

AUTOVALORES

El clculo es largo, feo, y sobre todo, propenso a que hagamos muuuuchos errores en el camino. Es justo ac donde ms cuidado hay que tener. El resultado es: P() = 3 10 2 23 ( Se entiende a lo que me refiero con determinantes feos de calcular ? Ni un solo 0 que permita simplificar la cuenta !! ) Ahora que resolvimos este horrible determinante, lo que tenemos que hacer es calcular las races del polinomio caracterstico ... que tambin es una espantosidad !!! Tenemos que resolver una ecuacin cbica ! Bueno, finalmente podemos decir que los autovalores de la matriz A son:

1 = 0 2 = 5 + 4 3 3 = 5 4 3
En definitiva, el mtodo de calcular autovalores no es complicado, slo te la complican el determinante y el polinomio caracterstico. Hay que tener siempre en cuenta todas las propiedades de los determinantes para hacer ms fcil los clculos, sino podemos vernos metidos en una cantidad impensable de cuentas, y a recordar: cuantas menos cuentas hagamos, mejor! De eso se trata la matemtica: poder resolver las cosas tratando de hacer la menor cantidad de clculos posibles. Ahora veamos algunas propiedades de los autovalores y autovectores: Una matriz real simtrica tiene sus autovalores reales. Los autovalores de una matriz, son los recprocos de los autovalores de su matriz inversa, pero los autovectores son los mismos. Los autovalores de una matriz son iguales a los de su transpuesta. Los autovalores de una matriz diagonal o triangular, son los elementos de la diagonal principal. La suma de los autovalores de una matriz cualquiera, es igual a la traza de esa matriz. Si una matriz se multiplica por una constante, los autovalores resultarn multiplicados por esa constante, pero los autovectores no cambian. Los autovectores de autoespacios diferentes de una matriz simtrica son siempre ortogonales entre s. Si dos matrices son semejantes, tienen los mismos autovalores.

Ac van un poco ms de ejemplos, confirmando algunas de estas propiedades.

ASIMOV

- 94 -

AUTOVALORES

Ytambin para que veas el mtodo a seguir en la resolucin de este tipo de problemas con esto de los autovalores y los autovectores. (y qu problemas ! ) Ejemplos (son muchos, pero es para que quede claro qu son estas propiedades):
2 1 1 2 1 1 A = 0 2 2 (I A) = 0 2 2 1 1 3 1 1 3 3 2 det(I A) = 6 + 11 6

Ahora los que tenemos que hacer es encontrar las soluciones del polinomio caracterstico, es decir, las soluciones de: 3- 62 + 11 - 6 = 0 Trabajando un poquito llegamos a que 1 = 1, 2 = 2, 3 = 3. Ahora busquemos sus autovectores asociados: Para 1 = 1:
Ax = 1 x 1 1 2 x1 x1 0 2 2 x 2 = 1 x 2 1 1 3 x x 3 3 x1 + x 2 + 2 x3 x1 2 x 2 + 2 x3 = x 2 x + x + 3x x 2 3 1 3

Nos queda:

x1 + x2 + 2x3 = x1 2x2 + 2x3 = x2 -x1 + x2 + 3x3 = x3 Si tomamos x3 = 1

x2 = -2x3 x2 = -2x3 x1 = 0

x2 = -2 (x1 , x2 , x3) = (0 , -2 , 1)

W1 = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (0 , -2k , k) k R } Para 2 = 2:


Ax = 2 x 1 1 2 x1 x1 0 2 2 x 2 = 2 x 2 1 1 3 x x 3 3 x1 + x 2 + 2 x3 2 x1 2 x 2 + 2 x3 = 2 x 2 x + x + 3x 2 x 2 3 1 3

Nos queda:

x1 + x2 + 2x3 = 2x1 2x2 + 2x3 = 2x2 -x1 + x2 + 3x3 = 2x3

x3 = 0

2x3 = x1 - x2 x2 = x1 2x3 = 0

ASIMOV

- 95 x2 = 1 (x1 , x2 , x3) = (1 , 1 , 0)

AUTOVALORES

Si tomamos x1 = 1

W2 = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (k , k , 0) k R } Para 3 = 3:


Ax = 3 x

1 1 2 x1 x1 0 2 2 x 2 = 3 x 2 1 1 3 x x 3 3

x1 + x 2 + 2 x3 3 x1 2 x 2 + 2 x3 = 3 x 2 x + x + 3x 3x 2 3 1 3

Nos queda: x1 + x2 + 2x3 = 3x1 2x2 + 2x3 = 3x2 -x1 + x2 + 3x3 = 3x3 x2 + 2x3 = 2x1 2x3 = x2 x1 = x2

Si tomamos x3 = 1 x1 = x2 = 2 (x1 , x2, x3) = (2 , 2 , 1) es un autovector asociado a 3 = 3 y el subespacio generado: W3 = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (2k , 2k , k) k R } Sin mucho esfuerzo podemos darnos cuenta de que 1 + 2 + 3 = 6 y eso es igual a la traza de A (la suma de los elementos de la diagonal de A). Veamos que pasa con la inversa de A, para comprobar. Primero calculamos A-1:
2 / 3 1 / 6 1 / 3 A = 1 / 3 5 / 6 1 / 3 1/ 3 1/ 3 1/ 3
1

Despus calculamos el polinomio caracterstico: P() = 3 - 11/6 2 + - 1/6 Y calculamos sus races (notemos que son los inversos de los autovalores de A), 1 = 1 2 = 1/2 3 = 1/3

Y para finalizar, los autovectores asociados a estos autovalores (los cuales son los que generan los autoespacios asociados) son: v1 = (0 , -2 , 1) v2 = (1 , 1 , 0) v3 = (2 , 2 , 1)
7 2 2 A = 2 1 4 2 4 1

Nots que los autovectores son los mismos que los de A ? Veamos que sucede con una matriz simtrica, por ejemplo:

ASIMOV

- 96 -

AUTOVALORES

Calculemos su polinomio caracterstico, haciendo det (I A) = 0 P() = 3 - 92 - 9 + 81 Y sus races, por ende autovalores, son: 1 = 3 2 = -3 3 = 9 Reales !

Los clculos quedan de ejercicio, para que practiques ! Sus autovectores asociados son: v1 = (1 , 1 , 1) v2 = (0 , -1 , 1) v3 = (-2 , 1 , 1) Y como podemos comprobar tr(A) = 9 = 1 + 2 + 3. Adems, como se trata de una matriz simtrica, podemos ver que sus autovectores son ortogonales: v1 . v2 = (0 , -1 , 1) . (1 , 1 , 1) = 0 1 + 1 = 0 v2 . v3 = (-2 , 1 , 1) . (0 , -1 , 1) = 0 1 + 1 = 0 v1 . v3 = (-2 , 1 , 1) . (1 , 1 , 1) = -2 + 1 + 1 = 0 Al principio del captulo tenamos un ejemplo con la matriz:

3 1/ 2 A= 6 1

Y habamos llegado a que sus autovalores eran 1 = 0 y 2 = 4. Los cuales tenan asociados lo autovectores (1 , -6) y (1 , 2). Supongamos ahora que hacemos: 2A, nos quedara: 3 1/ 2 6 1 2 A = 2 6 1 = 12 2 Calculemos autovalores y autovectores comenzando por: (I A) = 1 0 6 1 0 6 1 6 1 = = 0 1 12 2 0 12 2 12 2

Ahora veamos su determinante:


6 1 det( I A) = det = ( 6)( 2) 12 = 12 2 = 2 8 = P( )

2 8 = 0 tenemos 2 autovalores para A: 1 = 0 y 2 = 8 Nos quedan los mismos autovalores pero multiplicados por 2 !! Ahora, con respecto a los autovectores, sabemos que todo vector de la forma (k , -6k) con k 0, es un autovector de A asociado a 1 = 0. En particular elegimos el vector (1 , - 6)

ASIMOV

- 97 W1 = { (x1 , x2) R2 / (x1 , x2) = (k , -6k) k R }

AUTOVALORES

Veamos 2 = 8: En este caso nos queda un sistema de ecuaciones de la forma: 6x1 + x2 = 8x1 12x1 + 2x2 = 8x2 Si tomamos x1 = 1 2x1 = x2 16x1 = 16x1

x2 = 2 (x1 , x2) = (1 , 2)

De nuevo traducimos: con el autovalor 2 = 8 esta asociado el autoespacio vectorial generado por (1 , 2). Todo vector de la forma ( k , 2k ) con k 0 de este subespacio, es un autovector de A asociado a 2 = 4 ... W2 = { x1 , x2) R2 / (x1 , x2) = (k , 2k) k R } O sea, llegamos que los autovectores asociados siguen siendo los mismos !! Ahora un caso en el que nos ahorraramos muchsimo tiempo y esfuerzo, con tan slo notar una cosa:

Sea la matriz 4x4 siguiente, 1 0 A= 0 0 6 3 0 0 8 9 8 9 1 6 5 6 0 3 5 6 ( I A) = 0 2 3 0 2 3 0 1 0 0 + 1 0


det( I A) = ( 1)( 3)( 2 )( + 1)

Este determinante estuvo facilito ! Alcanzaba con recordar que el determinante de una matriz triangular es el producto de los elementos de la diagonal principal !, bueno, sigamos .... Como el polinomio caracterstico est en su forma factorizada es fcil ver cuales son las races: 1 = 1 2 = 3 3 = 2 4 = -1
1 0 0 0 9 x1 x1 3 5 6 x2 x2 =1 0 2 3 x3 x3 0 0 1 x4 x4 6 8 x1 + 6 x2 + 8 x3 + 9 x4 x1 3 x2 + 5 x3 + 6 x4 x2 =x 2 x3 + 3 x4 3 x x4 4

Ax = 1 x

ASIMOV

- 98 -

AUTOVALORES

Nos queda: -x4 = x4 x4 = 0 2x3 + 3x4 = x3 x3 = 0 3x2 + 5x3 + 6x4 = x2 x2 = 0 x1 + 6x2 + 8x3 + 9x4 = x1 0 = 0 Si tomamos x1 = 1, un autovector asociado a 1 = 1 es (1 , 0 , 0 , 0), y el subespacio asociado a este autovalor es: W1 = { (x1 , x2 , x3 , x4) R4 / (x1 , x2 , x3 , x4) = (k , 0 , 0 , 0) k R } Ahora veamos para los dems autovalores: Para 2 = 3:

Ax = 2 x

1 0 0 0

8 9 x1 x1 5 6 x2 x2 =3 2 3 x3 x3 0 1 x4 x4 x1 + 6 x2 + 8 x3 + 9 x4 3 x1 3 x2 + 5 x3 + 6 x4 3 x2 = 3x 2 x3 + 3 x4 3 3x x4 4 6 3 0 0

El sistema de ecuaciones correspondiente es: - x4 = 3 x4 x4 = 0 2x3 + 3x4 = 3x3 x3 = 0 3x2 + 5x3 + 6x4 = 3x2 0 = 0 x1 + 6x2 + 8x3 + 9x4 = 3x1 x1 = 3x2 Tomamos x2 = 1, y el autovector asociado a 2 = 3 resulta (3 , 1 , 0 , 0) El subespacio generado es entonces de la forma: W2 = { (x1 , x2 , x3 , x4) R4 / (x1 , x2 , x3 , x4) = (3k , k , 0 , 0) k R } Con 3 = 2:
1 0 0 0 9 x1 x1 3 5 6 x2 x2 =2 0 2 3 x3 x3 0 0 1 x4 x4 6 8

Ax = 3 x

x1 + 6 x2 + 8 x3 + 9 x4 2 x1 3 x2 + 5 x3 + 6 x4 2 x2 = 2x 2 x3 + 3 x4 3 2x x4 4

ASIMOV

- 99 -

AUTOVALORES

Que corresponde a:

-x4 = 2x4 2x3 + 3x4 = 2x3 3x2 + 5x3 + 6x4 = 2x2 x1 + 6x2 + 8x3 + 9x4 = 2x1

x4 = 0 0=0 x2 = -5x3 x1 = -22x3

Tomamos x3 = 1, y el autovector asociado a 3 = 2 resulta (-22 , -5 , 1 , 0). El subespacio generado es entonces de la forma: W3 = { (x1 , x2 , x3 , x4) R4 / (x1 , x2 , x3 , x4) = (-22k , -5k , k , 0) k R } Por ltimo, con 4 = -1:
1 0 0 0 9 x1 x1 3 5 6 x2 x2 = x 0 2 3 x3 3 x 0 0 1 x4 4 6 8 x1 + 6 x2 + 8 x3 + 9 x4 x1 3 x2 + 5 x3 + 6 x4 x2 = x 2 x3 + 3 x4 3 x x4 4

Ax = 4 x

Que corresponde a: -x4 = -x4 2x3 + 3x4 = -x3 3x2 + 5x3 + 6x4 = -x2 x1 + 6x2 + 8x3 + 9x4 = -x1

0=0 x3 = -x4 x2 = -1/4x4 x1 = 1/4x4

Tomamos x4 = 1, y el autovector de 4 = -1 es (1/4 , -1/4 , -1 , 1) El subespacio generado est dado por: W4 = { (x1 , x2 , x3 , x4) R4 / (x1 , x2 , x3 , x4) = (k/4 , -k/4 , -k , k) k R } Esta matriz 4x4 es triangular, y si preste atencin a las propiedades de autovalores y autovectores, seguro notaste que no haca falta calcular los autovalores, eran los de la diagonal ! Es justamente ese tipo de atajos los que salvan tiempo, y los que hay que aprender a usar rpidamente. Veamos un ejercicio tpico, del tipo que se toman en algunos finales, que implica el clculo y resolucin de autovalores y autovectores, con un poco de todo, y que no es completamente similar a los anteriores. El mtodo es el mismo pero cambia lo que estamos buscando. Fijate:

ASIMOV

- 100 Sea f: R3 R3 la transformacin lineal dada por: f(x1 , x2 , x3) = (-2x1 + x2 , ax3 , x1 - x2 + 3x3)

AUTOVALORES

Determinar a R para que 3 sea autovalor de f, y para ese valor, hallar el subespacio de autovectores asociados a l. Para este problema es bueno recordar otra propiedad que nos recuerda la relacin entre Transformaciones Lineales y matrices ( que casi se puede decir que son prcticamente la misma cosa, pero slo casi ): Sea f: Rn Rn una transformacin lineal. Si x es un autovector de f asociado al autovalor , y A es la matriz que representa a f, entonces x es un autovector de A asociado al mismo autovalor , pues: Ax = f(x) = x Vamos a empezar por armar la matriz A que se corresponde con la Transformacin Lineal del problema. Para hacer eso, aplicamos f a la base cannica de R3: f(1 , 0 , 0) = (-2 , 0 , 1) f(0 , 1 , 0) = (1 , 0 , -1) f(0 , 0 , 1) = (0 , a , 3) Ahora acomodamos los vectores que son el resultado en columnas, y obtenemos a la matriz A. Es muy importante mantener el orden de las columnas de acuerdo al orden de la base cannica, sino todo el clculo que sigue no sera del todo correcto. Podemos representar la matriz de la transformacin en la base cannica, A, como:
2 1 0 A= 0 0 a 1 1 3

Ya teniendo una matriz sobre la cual trabajar, encontremos sus autovalores primero que nada: 0 + 2 1 a det(I A) = 3 2 + (a 6) + a (I A) = 0 1 1 3 Nos piden que 3 sea autovalor de A as que reemplacemos por este valor en la ecuacin

ASIMOV

- 101 3 - 2 + (a - 6) + a = 0

AUTOVALORES

y despejemos el valor de a: (-3)3 (-3)2 3 (a - 6) + a = 0 = - 27 9 +18 - 2a = 0

a=-9
Ya habiendo resuelto una parte del problema, veamos que lo que nos falta es hallar los autovectores de f asociados a 3:
x1 2 1 0 x1 0 a x 2 = 3 x 2 0 x 1 1 3 x 3 3 2 x1 + x 2 3 x1 ax3 = 3x2 x x + 3x 3x 2 3 3 1

Ax = x

Nos quedan las siguientes ecuaciones: -2x1 +x2 = -3x1 x1 = -x2 - 9x3 = -3x2 3x3 = x2 x1 - x2 + 3x3 = -3x3 3x3 = x2 Tomando x3 = 1 obtenemos un autovector asociado a = -3: (-3 , 3 , 1). El subespacio asociado al autovalor = -3 es el generado por el autovector que encontramos (en realidad, hay que notar que todos los vectores de este subespacio asociado son autovectores de ese autovalor para A). La forma explcita de este subespacio es:
W = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (3k , 3k , k) k R }

Y ahora veamos un par de ejercicios tpicos de examen:


Sea f: R3 R3 la Transformacin Lineal dada por: f(x1 , x2 , x3 ) = (3x1 - x2 + x3 , -x2 , - x1 - 2x2 + x3) Hallar una base de R3, B = { v1 , v2 , v3 } tal que v1 y v2 sean autovectores de f

Como primer paso escribiremos la MC(f), que es la matriz que representa f en la base cannica, que no es ni ms ni menos que colocar los coeficientes de f(x1,x2,x3) en filas,
3 1 1 MC (f) = 0 1 0 = f 1 2 1

Busquemos ahora los autovalores de f, como venimos haciendo hasta ahora:

ASIMOV

- 102 3 det(MC (f ) - I) = det 0 1 1 1 0 2 1 1

AUTOVALORES

det(I - M C (f )) = 3 + 32 4
Ahora bien, las races de 3 - 3 2 + 4 = 0 son 1 = -1 y 2 = 3 = 2 ( Esa cuentita te la dejo para vos... pero hacela ! Eh ? ) Ahora veremos qu autovectores tienen asociados los autovalores hallados:
( 1) 3 0 = (1 I M C ( f ))x1 = 0 1 1 x1 ( 1) + 1 0 y1 ( 1) 1 2 z1 1

4 1 1 x1 0 = 0 0 0 y1 = 0 1 2 2 z 0 1
Obtenemos el siguiente sistema de ecuaciones - 4x1 + y1 - z1 = 0 Por lo tanto: x1 + 2y1 - 2z1 = 0

x1 = (y1 - z1)/4 x1 = 2z1 2y1 = 2 (z1 - y1)

2 (z1 - y1) = (y1 - z1)/4 y1 = z1 y x1 = 0

Entonces encontramos que:

Por lo tanto, el autovector asociado a 1 = -1 es de la forma (0, 1, 1). Veamos ahora para 2 = 2 ( = 3 )
1 x2 2 3 1 0 = ( 2 I M C ( f ))x2 = 0 2 + 1 0 y2 1 2 2 1 z 2 1 1 1 x2 0 = 0 3 0 y2 = 0 1 2 1 z 0 2

Obtenemos las siguientes ecuaciones: - x2 + y2 - z2 = 0 3y2 = 0

x2 + z2 = 0 y2 = 0

ASIMOV

- 103 x2 + 2y2 + z2 = 0

AUTOVALORES

x2 + z2 = 0

Entonces, encontramos que y2 = 0 y x2 = -z2 Por lo tanto, el autovector asociado a 2 = 2 es de la forma (1, 0, -1). Luego una base como la buscada es entonces: B = {v1, v2, v3} = {(0,1,1), (1,0,-1), (0,0,1)}, donde se cumple la exigencia que v1 y v2 sean autovectores de f (el tercer vector de la base es uno cualquiera pero, linealmente independiente de los otros dos)
Sean B = { v1 , v2 , v3 } y B = { v1 + v2 + v3 , v1 v2 , v2 + v3 } bases de un Espacio Vectorial V, y f: V V la Transformacin Lineal tal que,

1 1 6 M B ' B ( f ) = 1 1 1 1 0 5

Encontrar si es posible, una base de V formada por autovectores de f. Ya sabemos, como en el ejercicio anterior, que lo primero que debemos hacer es encontrar MB(f), y para hacerlo tenemos que encontrar la matriz de cambio de base CBB (Recuerden que para calcular la matriz de la transformacin, en este caso deberamos hacer MB(f) = MBB(f) CBB). Para ello, podemos encontrar primero CBB, y luego hacer su inversa para obtener CBB. As que empecemos:
(v1 + v2 + v3)B = (1 , 1 , 1)B (v1 v2)B = (1 , -1 , 0)B (v2 + v3)B = (0 , 1 , 1)B

Entonces la matriz CBB, y su inversa CBB, son:


1 1 1 1 1 0 = 1 1 1 C BB ' = 0 1 1 1 1 2 1 0 1

C B 'B

Con lo que calculamos MB(f),

M B ( f ) = M B 'B ( f )C BB '

1 1 6 1 1 1 = 1 1 1 0 1 1 1 0 5 1 1 2

ASIMOV

- 104 7 6 12 MB( f ) = 0 1 0 6 6 11

AUTOVALORES

Y ahora encontremos sus autovectores (aqu vamos a dar los resultados, las cuentas son para practicar !). El polinomio caracterstico es P() = 3 + 32 - 9 + 5 Sus autovalores son: 1 = -5 2 = 3 = 1 Y sus autovectores asociados son, w1 = (1 , 0 , 1)B w2 = (-1 , 1 , 0)B w3 = (2 , 0 , 1)B

Por lo tanto, una base de V formada de autovectores de f es: B = { v1 + v3 , - v1 + v2 , 2v1 + v3 }

DIAGONALIZACION
Esta es una de la aplicaciones de autovectores - autovalores que ms nos va a servir. Pero... Qu significa diagonalizar ? Primero la definicin formal, que es un tanto difcil, pero hay que saberla: Se dice que una matriz cuadrada A es diagonalizable si hay una matriz inversible P tal que P-1AP sea diagonal. Aunque al principio parece que esta definicin no nos dice nada, tiene todo lo que hace falta para proseguir. ( Fijate que no dice como encontrar P. No dice que forma tendra, ni ninguna informacin til sobre esta misteriosa matriz). Pero esta definicin ya aporta algo muy importante: dice que P debe ser inversible. Volviendo a un lenguaje ms entendible, diagonalizar significa que si tenemos una matriz A, mediante una serie de artilugios (un cambio de base, eso es lo que se hace al multiplicar P-1AP), puede ser llevada a una matriz donde slo tenga elementos en la diagonal principal. Cuando estemos tratando con problemas de diagonalizacin, lo primero que vamos a querer saber es si la matriz A que tengamos es diagonalizable, y para eso, ya hay un par de reglas ms tiles en la prctica. Empecemos por un teoremita: Una matriz A Rnxn es diagonalizable tiene n autovectores linealmente independientes, x1, ... , xn

ASIMOV

- 105 -

AUTOVALORES

Y esto nos lleva a plantear otra regla muy til: Si una matriz A Rnxn tiene n autovalores todos distintos entre s, entonces es diagonalizable. Y esta propiedad en realidad sale de otra: Sea A Rnxn. Si x1, ... , xr son autovectores de A asociados a los autovalores 1, ... , r, respectivamente, y i j i j entonces { x1, ... , xr } es un conjunto linealmente independiente. Aunque no es imprescindible saberse este tipo de cosas a la hora de resolver problemas, siempre es bueno, por las dudas noms (y por los tericos...) Hagamos un ejemplo para ilustrar bien el mtodo de diagonalizacin de una matriz. Ejemplo:

3 2 0 Encontrar una matriz P que diagonalice a A = 2 3 0 0 0 5


Primero, encontremos sus autovectores. Para hacer esto, antes deberemos hallar sus autovalores, no? Volvamos a aplicar el mtodo de los anteriores clculos para autovalores y autovectores. Hay que tratar siempre de no enredarse con clculos innecesarios, pero no saltear pasos por evitar escribir un par de lneas. Los errores en los clculos son propensos a aparecer en esos lugares. Bien, una vez que sabemos cul es la forma de (I-A) calculemos su determinante:
2 0 3 (I A) = 2 3 0 det(I A) = 3 112 + 35 25 0 0 5

Resolviendo ahora la ecuacin: Llegamos a que:

3 - 112 + 35 - 25 = 0 1 = 1 y 2 = 5

Ya tenemos los autovalores de A, veamos ahora qu autovectores tienen asociados.

ASIMOV

- 106 -

AUTOVALORES

Es muy importante darse cuenta de que no necesariamente hay siempre tantos autovalores como filas (o columnas, es lo mismo) haya en la matriz. Lo importante para poder decir si la matriz es diagonalizable, es la cantidad de autovectores que encontremos con esos autovalores. Si hay menos autovectores linealmente independientes que la dimensin del espacio al que pertenecen, entonces A no es diagonalizable. Para 1 = 1:
Ax = 1 x 3 2 0 x1 x1 2 3 0 x 2 = 1 x 2 0 0 5 x3 x3 3 x1 2 x 2 x1 2 x1 + 3 x 2 = x 2 x 5 x3 3

Nos quedan las siguientes ecuaciones: 3x1 - 2x2 -2x1 + 3x2

= x1 x1 = x2 = x2 x1 = x2 5x3 = x3 x3 = 0

Tomando x1 = 1, un autovector asociado a 1 = 1 sera: (1 , 1 , 0). El subespacio generado es el dado por los vectores de la siguiente forma: W1 = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (k , k , 0) k R } Para 2 = 5:
Ax = 2 x x1 3 2 0 x1 2 3 0 x 2 = 5 x 2 x 0 0 5 3 x3 3 x1 2 x 2 5 x1 2 x1 + 3 x 2 = 5 x 2 5x 5 x3 3

Nos quedan las siguientes ecuaciones: 3x1 - 2x2 -2x1 + 3x2

= 5x1 -x1 = x2 = 5x2 -x1 = x2 5x3 = 5x3 x3 = x3

Tomando x1 = 1 y x3 = 0, un autovector asociado a 2 = 5 sera: (1 , -1 , 0) Tomando x1 = 0 y x3 = 1, un autovector asociado a 2 = 5 sera: (0 , 0 , 1) El subespacio generado de esta forma es el que sigue:

W2 = { (x1 , x2 , x3) R3 / (x1 , x2 , x3) = (k , -k , m) k, m R }

ASIMOV

- 107 -

AUTOVALORES

Bien, ya tenemos autovalores y la forma de los autovectores de la matriz A. De acuerdo a los resultados a los que llegamos, el vector x1 = (1 , 1 , 0) forma una base para el espacio generado por los autovectores asociados al autovalor 1 = 1, tambin los vectores x2 = (1 , -1 , 0) y x3 = (0 , 0 , 1) forman una base para el espacio generado por los autovectores asociados al autovalor 2 = 5. Estos tres vectores son linealmente independientes (verificado, pero es un buen ejercicio comprobar esto!). Ahora el truco es colocar los autovectores en columnas uno al lado del otro, lo que arma una matriz del mismo tamao que A. Esa matriz construida de los autovectores de A es la matriz P, y esta matriz es la que diagonaliza a A. El cambiar A a la base de sus autovectores es lo que la diagonaliza. Es por esto que es necesario que haya n autovectores de A (donde A es nxn) linealmente independientes, si no los hubiese no habra forma de armar una matriz P inversible, lo cual significara que no existe una base en la cual A se pudiese llevar a una forma diagonal. Momento!! Qu pasa con el orden en que ponemos los autovectores ? Rta: Nada ! El orden en que ponemos los autovectores slo altera el orden en que van a aparecer los autovalores en la diagonal. Ahora veamos que pasa con los clculos. Armamos P:
1 0 1 P = 1 0 1 0 1 0

Y ahora hagamos la multiplicacin de matrices, para comprobar que P diagonaliza a A:


1 / 2 1 / 2 0 3 2 0 1 0 1 5 0 0 P AP = 0 0 1 2 3 0 1 0 1 = 0 5 0 1 / 2 1 / 2 0 0 0 5 0 1 0 0 0 1
1

Y como podemos observar: LLEGAMOS A UNA MATRIZ DIAGONAL !! Slo para estar seguros, veamos que pasa si las columnas de P no estn en el mismo orden: Sea ahora P: 1 1 0 P = 1 1 0 0 0 1

ASIMOV

- 108 -

AUTOVALORES

Ahora hagamos la multiplicacin, para verificar cmo queda:


1 / 2 1 / 2 0 3 2 0 1 1 0 1 0 0 P AP = 1 / 2 1 / 2 0 2 3 0 1 1 0 = 0 5 0 0 0 1 0 5 0 0 1 0 0 5 0
1

Como habamos dicho ! Slo altera el orden en que aparecen los autovalores al hacer la diagonalizacin. Existe un tipo de matrices para el cual la diagonalizacin se simplifica considerablemente, y es el caso de las matrices simtricas. Para este tipo de matrices, ya vimos que los autovectores encontrados son ortogonales (siempre y cuando sean de subespacios asociados diferentes), lo cual tambin permite ciertas ventajas a la hora de realizar la diagonalizacin. Para realizar esta diagonalizacin ortogonal, como es llamada, hacer falta agregar un paso al mtodo que hemos estado usando. El paso a agregar es que una vez encontrados los autovectores, debemos ortonormalizarlos, o sea, hacer que su norma (o mdulo) valga 1 y que sean ortogonales entre s ( para esto es probablemente necesario aplicar el mtodo de Gram-Schmidt, salvo el caso en que todos los autovalores sean distintos ). Veamos un par de ejemplos para que quede ms claro: Sea A una matriz 3x3,
5 1 1 A= 1 5 1 1 1 5

Calculemos det (I A) = 0 para obtener el polinomio caracterstico: P() = 3 - 152 + 72 - 108 Y los autovalores son:

1 = 3

2 = 6

3 = 6

Ojo!!! No est mal, hay dos autovalores iguales (o en lenguaje ms matematicoso, un autovalor con multiplicidad 2), a nosotros lo que nos preocupa para poder diagonalizar es que haya tantos autovectores como dimensin tenga el espacio vectorial en el que trabajamos, as que sigamos !!! Sus autovectores asociados son:
v1 = (1 , -1 , 1) v2 = (-1 , 0 , 1) v3 = (1 , 1 , 0)

ASIMOV

- 109 -

AUTOVALORES

Ahora viene el paso extra !! . Tenemos que ortonormalizar estos vectores. Cmo hacemos eso? Es fcil, mir: Aplicamos el proceso de Gram-Schmidt a los autovectores de cada autoespacio asociado por separado, y lo que obtenemos es:
v'1 =

3 /3 3 /3

3 /3

v '2 =

6 /6 2 6 /6

6 /6

v'3 =

2 /2 0 2 /2

Estos nuevos vectores vi son los autovectores normalizados que tenemos que usar. Y ahora armamos la matriz P que diagonaliza A, con una gran ventaja: como A es simtrica, y los autovectores son ortonormales, P es una matriz ortogonal, o sea P-1 = PT.

3 /3 3/3 2 6 /6 6 /6 0 2 / 2 3 /3 3 /3 6 /6 2/2 3 / 3 5 1 1 3 / 3 P 1 AP = 6 / 6 2 6 / 6 0 6 / 6 1 5 1 3 / 3 2 6 / 6 2/2 6 / 6 2 / 2 0 2 / 2 1 1 5 3 / 3 3 0 0 = 0 6 0 0 0 6


Veamos otro ejemplo de la diagonalizacin ortogonal: Ahora usemos esta otra matriz,
7 2 2 A = 2 1 4 2 4 1

3/3 P = 3 /3 2 3/3 3 /3 T 1 P = P = 6 /6 2 /2

6 /6 2/2 6 /6 0 6 / 6 2 / 2

Calculemos su polinomio caracterstico, haciendo det(I A) = 0 P() = 3 - 92 - 9 + 81 Y sus races, por ende autovalores, son:

1 = 3
Sus autovectores asociados son: v1 = (1 , 1 , 1)

2 = -3

3 = 9

v2 = (0 , -1 , 1)

v3 = (-2 , 1 , 1)

ASIMOV

- 110 -

AUTOVALORES

Ahora aplicamos el mtodo de Gram-Schmidt a estos vectores, y los ortonormalizamos. ( Not que aplicar el mtodo ac es mucho ms fcil, slo hay que dividir cada vector por su norma. Eso se debe a que los autovalores son todos distintos, y entonces los autovectores ya son todos ortogonales entre s, no como en el caso anterior, en que dos de ellos pertenecan al mismo subespacio asociado, y no eran ortogonales entre s ):
v'1 =

3 /3

3 /3

3/3

v '2 = 0 2 / 2

2/2

v'3 = 2 6 / 6

6 /6

6 /6

Ahora armamos la matriz P, y diagonalizamos:


3 /3 0 2 6 / 6 P = 3 /3 2 /2 6 /6 3 /3 2 /2 6 /6 3 /3 3/3 P =P = 0 2/2 2 6 / 6 6 /6
1 T

3 / 3 2 / 2 6 / 6

3/3 3 /3 2 /2 0 P AP = 2 6 / 6 6 /6 3 0 0 = 0 3 0 0 0 9
1

2 6 / 6 3 / 3 7 2 2 3 / 3 0 2 / 2 2 1 4 3 / 3 2 / 2 6 /6 6 / 6 1 2/2 6 /6 2 4 3 /3

Y eso es todo! Viste qu simple que se hace? Record, las cuentas ms difciles estn en slo ciertos puntos clave, despus slo hay que acordarse de mantenerse ordenado a la hora de aplicar el mtodo de resolucin, y tratar de entender bien lo que se est haciendo. Entonces, Si tenemos una matriz simtrica de coeficientes reales, sabemos que: Todos sus autovalores son reales. Los autovectores de subespacios asociados diferentes son ortogonales. Si cumplen los requisitos de diagonalizacin, son ortogonalmente diagonalizables, si se ortonormalizan sus autovectores. No debemos embromarnos demasiado con este tipo especfico de matrices. Lo nico de complicado que tiene el mtodo por sobre el anterior es el tener que aplicar el mtodo de Gram-Schmidt. Mucho cuidado con las cuentas en ese paso !!!!

ASIMOV

- 111 -

AUTOVALORES

Volviendo a la diagonalizacin que concierne a todas las matrices... Veamos un ejercicio tpico de parcial: Sean B = { v1 , v2 , v3 } y B = { v1 - v2 , v1 + v3 , v3 } bases de R3 y f: R3 R3 la Transformacin Lineal tal que
M BB 2 1 1 = 4 1 1 3 2 2

Decidir si f es diagonizable. Hallemos MB(f), que es la matriz de la transformacin f respecto a la base B. Es decir, se aplica a vectores cuyas coordenadas estn dadas en la base B, y devuelve vectores cuyas coordenadas estn expresadas en la base B. Que lo ! Aunque parezca un poco crptico, es necesario prestar especial atencin al orden y por cul de las matrices de transformacin se est multiplicando, de otro modo podemos vernos envueltos en un clculo casi infinito !! Debemos multiplicar a MBB(f) (fijate que es dato) por CBB, la matriz de cambio de base de B a B. La ecuacin que nos queda es la siguiente: MB(f) = CBB MBB (f). Ya que los vectores que resultan al aplicar la matriz MBB (f) a un vector escrito en base B estn escritos en la base B. Luego la matriz CBB los pasa a la base B. Ahora hay que encontrar la matriz CBB. Para lograrlo, tomemos el primer vector de la base B v1 v2 = a v1 + b v2 + c v3 a = 1, b = -1 , c = 0 Por lo tanto, (v1 v2)B = (1 , -1 , 0)B

Procedo de igual forma con los otros vectores de la base y obtengo: (v1 + v3)B = (1 , 0 , 1)B y (v3)B = (0 , 0 , 1)B

Colocando estos vectores en columna armamos la matriz:

ASIMOV

- 112 1 1 0 = 1 0 0 0 1 1

AUTOVALORES

CB'B

Y la matriz de la transformacin, expresada en la base B quedara,


1 1 0 2 1 1 2 0 0 MB (f ) = (CBB' ) MBB' (f) = 1 0 0 4 1 1 = 2 1 1 0 1 1 3 2 2 1 3 1
-1

Ahora que ya tenemos MB(f) veremos si la misma es diagonalizable. En este caso, en nuestra matriz MB(f) , n = 3, por lo que deberemos hallar 3 autovalores distintos o bien, 3 autovectores linealmente independientes, para as poder afirmar que f es diagonalizable. ( Record que es algo que ya vimos antes ). Calculemos los autovalores:
0 0 2 det(I - M B (f )) = det 2 1 1 1 3 + 1

= 3 -2 2 -4+8
Encontramos que las races de esta ecuacin son: 1 = 2 = 2 y

3 = -2

Como los autovalores no son todos distintos, todava no podemos afirmar que f sea diagonalizable. Para poder hacerlo, debemos calcular los autovectores asociados a los autovalores encontrados de f y ver si son linealmente independientes. Para 1 = 2 = 2 :
0 0 0 0 x1 0 2 2 0 0 = (I M B ( f ))x = 2 2 1 1 x = 2 1 1 x2 = 0 1 1 3 3 x 0 3 2 + 1 3

De donde se obtienen 2 ecuaciones: - 2x1 + x2 - x3 = 0 x2 = x3 + 2x1 - x1 - 3x2 + 3x3 = 0 x1 + 3 (x3 + 2x1) 3x3 = 3x1 = 0 x1 = 0 , x2 = x3

entonces:

Por lo que el autovector hallado es de la forma: (0, x2 , x2) o bien (0 , 1 , 1)B.

ASIMOV

- 113 -

AUTOVALORES

Finalmente, tenemos 2 autovalores asociados a 1 solo autovector y con el autovalor restante (3 = -2) hallaremos slo otro autovector. Vemos que la cantidad de autovectores linealmente independientes no ser 3 sino 2, con lo que podemos afirmar que la matriz f es NO diagonalizable. Para resumir el mtodo, supongamos que nos dan una matriz A que es nxn: 1. Encontramos los autovalores i de la matriz A: si tenemos n autovalores ya sabemos que es diagonalizable, si son menos por ahora no podemos decir nada. 2. Encontramos los autovectores asociados a los autovalores i junto con sus subespacios asociados, y nos fijamos cuantos de ellos linealmente independientes nos quedan. Si son menos que n, ya no podemos hacer ms nada, A no es diagonalizable. Si son n entonces A es diagonalizable y podemos seguir. 3. Armamos la matriz P poniendo los autovectores en columnas, y haciendo la multiplicacin P-1AP, nos tiene que quedar una matriz que en su diagonal tiene los autovalores de A, y el resto es nulo.

RESUMEN
Tenemos una matriz A. Un vector x se dice autovector de A, si existe un nmero llamado autovalor, tal que se satisface la ecuacin Ax = x ( para x 0 ). Si reagrupamos los trminos de la ecuacin para un solo lado, vemos que es equivalente decir que: (A I) x = 0 ( donde I es la matriz identidad )

Y este sistema tiene solucin si y slo si el determinante de (A I) es nulo. ( Esto asegura que (A I) no tenga inversa, pues de tenerla vemos que multiplicando por ella a la ecuacin, llegamos a un nico resultado que es x = 0, pero esto es absurdo pues partimos de que x sea 0 ). Por lo tanto, ser tal que se cumpla la condicin det(A - I) = 0 ( tambin llamada polinomio caracterstico). Una vez que encontramos cules son todos los autovalores que satisfacen, tenemos

ASIMOV

- 114 -

AUTOVALORES

que encontrar para cada uno, el vector x que cumpla la ecuacin (A I) x = 0. Este vector x es el autovector correspondiente a ese autovalor . Y cuntos autovectores podemos tener por cada autovalor? Si el autovalor es simple, es decir, si ese valor de es autovalor una sola vez, le corresponde un nico x. Ahora, el puede ser degenerado. Esto es, que su valor sea autovalor 2 o ms veces. En ese caso el lambda puede tener Nro de autovectores desde uno hasta cuantas veces est repetido. ( Nro de degeneracin ). Para saber exactamente cuntos, tenemos que hacer el clculo, no hay forma de saberlo de antemano.

ASIMOV

- 115 -

AUTOVALORES

AUTOVALORES Y AUTOVECTORES - EJERCICIOS DE PARCIALES

Tenemos que encontrar los autovectores de f y para esto, primero necesitamos calcular los autovalores. Si M es la matriz que representa a f, los autovalores satisfacen que: Mx=x o, lo que es lo mismo, ( M ) x = 0 Y este sistema tiene solucin si, y slo si, det( M ) = 0 Y estas ecuaciones las podemos pasar directamente a componentes cuando la matriz acta sobre vectores de una base y nos devuelve vectores expresados en la misma base. En nuestro caso, la matriz de transformacin de f, MBB (f), acta sobre un vector expresado en base B y nos devuelve un vector en base B. Entonces ac, los autovalores cumplen que MB B (f)(x)B = (x)B Pero ac tenemos un problemita, porque para resolver este sistema, es decir, para encontrar los valores de para los cuales se satisface la igualdad precisamos tener al vector x expresado en ambos lados de la ecuacin en la misma base. Pero como ya lemos el apunte terico, al problemita lo tenamos, ya que sabemos que por medio de la matriz de cambio de base CB B puedo expresar (x)B = CB B (x)B . De modo que si reemplazamos esto en la ecuacin anterior obtenemos MB B (f)(x)B = CB B (x)B Y pasando todo pa la izquierda nos queda ( MB B (f) CB B ) (x)B = 0 ( 1 )

Con la idea de que me quede multiplicado slo por la matriz identidad, vamos a multiplicar a toda la ecuacin por el inverso de CB B. Como CBB = (CB B)1 , entonces CBB CB B = I, y

ASIMOV

- 116 ( C B B MB B (f) I ) (x)B = 0 MBB


( 2 )

AUTOVALORES

Entonces vemos que vamos a encontrar los autovalores desde cualquiera de las dos ecuaciones ( 1 ) o ( 2 ). Los sistemas correspondientes a estas ecuaciones, tienen solucin si, y slo si (1) (2) det ( MB B (f) CB B ) = 0 det (MB I ) = 0

Fijate que ac estamos viendo que existen 2 formas equivalentes de encontrar los autovalores. Cul de ellas es ms simple y ms corta, depende de qu matriz sea ms fcil de calcular, CB B o CBB . Para darnos cuenta de esto, es mejor hacer esta vez el clculo de las 2 maneras. Pero te dejo para vos hacerlo de la primera forma, ( que desde ya te digo que es ms fcil y directa ), as que no hay tuta y a hacerlo !! De la segunda manera lo hacemos juntos. Bien. Para plantear la ecuacin ( 2 ) tenemos un pequeo detalle primero necesitamos calcular CBB, lo cual es un detalle, pero no un problema pues sabemos hacerlo. Es ms, tenemos 2 formas de hallarla, una es escribir CB B y luego calculando su inversa obtenemos la matriz que buscamos. Ac escribir CB B es simple, ya que son los vectores de la base B puestos como columnas, esto es
CBB 1 0 1 = -1 1 1 0 1 1

Tal vez sea un poco cuentero calcular la inversa, pero nada complicado. La otra forma, es expresar a los vectores de la base B en funcin de los de B, y luego colocar stos como columnas formando directamente la matriz CBB. Ahora voy a hacerlo de esta ltima forma, pero estara muy bueno que lo calcules tambin de la otra manera, incluso tal vez te parezca ms fcil. Eso depende de vos. Y entonces Manos a las cuentas !! (v1 )B = a ( v1 v2 ) + b ( v2 + v3 ) + c (v1 + v2 + v3 ) = ( a + c ) v1 + ( b + c a ) v2 + ( b + c ) v3
1 0 0

b+c=0 b+ca =0 a+c=1 b =

b=c a = 0 c = 1 1

(v1 )B = ( 0, 1, 1 )

ASIMOV

- 117 -

AUTOVALORES

De igual modo, (v2 )B = ( a + c ) v1 + ( b + c a ) v2 + ( b + c ) v3


0 1 0

a+c=0 c=a c = 1 b + c a = 1 a = 1 b + c = 0 b = 1

(v2 )B = ( 1, 1, 1 ) a+c=0 a=c c = 1 b+ca =0 a = 1 b+c=1 b = 2

(v3 )B = ( a + c ) v1 + ( b + c a ) v2 + ( b + c ) v3
0 0 1

(v3 )B = ( 1, 2, 1 )

Y colocando estos vectores como columnas de una matriz por fin obtenemos
0 -1 1 CB B = - 1 - 1 2 1 1 -1

Y ahora s, podemos continuar y calcular la matriz MB = CBB MB B (f), para luego encontrar los tales que el det(MB I ) = 0.
0 -1 1 -1 4 -1 -1 4 0 MB = CB B MBB = - 1 - 1 2 1 - 1 - 1 = 0 3 0 1 1 -1 0 3 -1 0 0 -1 4 0 -1 4 0 0 0 -1 - MB - I = 0 3 0 0 0 = 0 3- 0 0 0 - 1 0 0 0 0 -1 - -1 - 0 0 4 3- 0 0 0 = -1-

det (MB' - I ) =

( - 1 - )2 ( 3 - ) = 0

Entonces, cuando tome los valores 3 y 1, se cumplir la ecuacin, y el sistema tendr solucin. Y as los autovalores son 1 = 3 y 2 = 3 = 1. Tenemos los autovalores, pero para responder a lo que nos piden en el problema,

ASIMOV

- 118 -

AUTOVALORES

todava necesitamos hacer unos clculos ms, pues precisamos conocer a los autovectores de f. Para hallarlos, precisamos resolver el sistemita ( MB I ) (x)B = 0, para cada valor en particular de . O sea, encontrar los autovectores (x)B que lo satisfagan. Si = 3

(MB' - 3I )(x )B'

-4 = 0 0

4 0 0

- x1 + x2 0 x1 0 x2 = 4 0 = 0 - 4 x3 - x3 0

x1 = x2 x3 = 0

El autovector correspondiente al autovalor = 3 es ( x1 )B = ( 1, 1, 0 )


Para = 1
0 (MB' (-1) I ) (x )B' = 0 0 4 4 0 0 x1 x1 0 0 x2 = 4 x2 = 0 0 0 0 x3 x1 = 0

x2 = 0

El autovector correspondiente al autovalor = 1 es ( x2 )B = ( 0, 0, 1 )


Entonces vemos que f tiene slo 2 autovectores ( expresados en B, es decir, en una base de V ) . Y nos piden encontrar, si es posible, una base de V formada por stos. Pero V tiene dimensin 3 ( es decir, cualquier base est formada por 3 vectores LI ), por lo que no es posible dar una base de ste espacio con slo 2 vectores LI ( los autovectores de f ). Nota: Sabemos que a un autovalor no degenerado, le corresponde s o s un nico autovector. Ahora, en el caso de tener un autovalor degenerado ( es decir, tenerlo repetido, una o varias veces ( el 1 tiene degeneracin 2 pues es autovalor 2 veces ), le puede corresponder desde un autovector ( eso seguro ) hasta el nmero de degeneracin del autovalor ( es decir, el 1 puede tener 1 o 2 autovectores ). Entonces fijate que si hacemos de nuevo ste o algn problema similar, de antemano sabemos que el no degenerado nos da un autovector y que no tenemos certeza de cuntos nos da el degenerado. Y ya vimos que vamos a poder dar una respuesta al problema dependiendo de cuantos autovectores tengamos en total. Por lo tanto, para ahorrarnos tiempo y cuentas, nos conviene comenzar el clculo de los autovectores correspondientes al degenerado. En este caso lo hicimos al revs, slo para percibir lo que acabamos de hablar y para refrescar la mente sobre como calcular autovectores.

ASIMOV

- 119 -

AUTOVALORES

Precisamos encontrar los autovalores de f, pero su matriz de transformacin no acta sobre un vector expresado en la misma base del vector que nos devuelve. Aqu MBB (f) acta sobre un (x)B y nos devuelve (x)B. y as los autovalores satisfacen que MBB (f)(x)B = (x)B = CBB (x)B ( MBB (f) CBB ) (x)B = 0 ( pues (x)B = CB B (x)B ) ( reagrupo los trminos )

Y finalmente multiplicamos por CB B = ( CBB )1 , pues CB B CBB = I


( CB B MBB (f) I ) (x)B = 0 MBB

( hicimos este ultimo paso porque, en este problema, calcular CB B es bastante ms simple que obtener CBB ). Por lo tanto, debemos resolver: det( MBB (f) I) = 0, y el primer paso para esto es calcular CBB y luego MBB. Entonces, comenzamos escribiendo los vectores de la base B en la base B, para luego colocarlos como columnas de una matriz, formando as CBB:
( v1 + v2 v3 )B = c1 v1 + c2 v2 + c3 v3 = ( 1, 1, 1 ) ( v1 v2 + 2 v3 )B = ( 1, 1, 2 ) ( v1 + v3 )B = ( 1, 0, 1 ) c1 = 1, c2 = 1, c3 = 1

CBB

1 -1 -1 = 1 -1 0 -1 2 1

Y ahora, con esta matriz multiplicamos por el lado izquierdo a MBB para obtener la tan buscada MB
5 a 1 -1 -1 2 6 a CBB MB B' = 1 - 1 0 2 -1 2 1 2 4 0 2 3 0 = 0 - 1 0 = MBB ( f ) 0 3 a

ASIMOV

- 120 -

AUTOVALORES

Calculemos entonces la matriz de la que obtendremos el determinante:


3 0 2 3 0 0 0 2- ( f ) I = 0 - 1 0 - 0 0 = 0 -1 - 0 0 3 a 0 0 0 3 a-

MBB

Y finalmente encontramos el polinomio caracterstico, cuyas races son los autovalores buscados
det (MBB - I ) = 2- 0 0 3 -1 - 3 0 =(2- a- 0

)( - 1 - )( a - ) = 0

1 = 2

2 = - 1 3 = a

Recordemos que en el problema nos estn pidiendo dar los valores que debe tomar a para que f tenga algn autovalor doble. Claramente vemos que: Si a = 2 tenemos un autovalor doble 1 = 3 = 2 y 2 = 1 Si a = 1 tenemos un autovalor doble 2 = 3 = 1 y 1 = 2 Y ahora, para cada uno de estos valores de a, debemos determinar si f es diagonalizable. f digonizable? Recordemos. Que una t.l. ( de dimensin 3 ) sea diagonalizable significa que existe una base B = { x1, x2, x3 }, tal que f( xj ) = j xj. Es decir, debemos tener 3 autovectores asociados al conjunto de autovalores, sean estos simples, dobles o triples. Por lo tanto, esto es lo que vamos a verificar, o no, para cada valor de a. Caso a = 2 1 = 3 = 2 y 2 = 1 Sabemos que al autovalor simple le corresponde un autovector x1, pero como nuestro inters es saber la cantidad de autovectores y no la forma de ellos, no es necesario que lo calculemos. Lo importante es ver si el autovalor doble nos genera uno o dos autovectores. Entonces vemoslo !! Siendo ( MBB(f) I ) xj = 0, la ecuacin que satisfacen los autovectores xj, para = 2 tenemos que:
3 0 x1 0 x2 0 (MBB (f) 2 I ) = 0 - 3 0 x2 = 3 - x2 = 0 0 x 0 3 0 x3 2
x2 = ( 1, 0, 0 x3 = ( 0, 0, 1

) )

ASIMOV

- 121 -

AUTOVALORES

Vemos que el doble nos genera 2 autovectores. Por lo que en total tenemos 3 autovectores y como bien ya dijimos esto implica que la f es digonalizable. Caso a = 1

2 = 3 = 1 y 1 = 2

Al 1 que es simple le corresponde un autovalor, llamemoslo x1. Veamos cuntos autovectores nos genera el doble:
x'1 + x'2 3 3 0 x'1 (MBB (f) ( - 1 ) I ) = 0 0 0 x'2 = 3 0 0 3 0 x' x'2 3 0 = 0 0 x'1 = - x'2 x'1 = - x'2 = 0 x'2 = 0

x'2 = ( 0, 0, 1

Y este autovalor doble slo nos genera un autovector, por lo que tenemos un total de 2 autovectores ( y no 3 ) asociados a este conjunto de s y, por lo tanto, f no es diagonizable. En resumen
f tiene autovalor doble si
a = 2 a = 1

f es diagonizable f no es diagonizable

Nos estn pidiendo encontrar, si es posible, a para que v Nu(f) y w Im(f), donde llamamos v = ( 1, 2, 0 ) y w = ( 1, 3, 3 ). Que v Nu(f) significa que f(v) = 0. Pero nosotros conocemos a la matriz asociada a la transformacin f, MBB(f), que acta sobre vectores escritos en la base B que nos dan, y nos devuelve vectores expresados en esa misma base. Por lo tanto esta matriz, actuando sobre las componentes de v en la base B, debe mandarnos al vector nulo. Es decir MBB(f) (v)B = 0. Al hacer esta cuenta vamos a encontrar cunto debe valer a para que la ecuacin se cumpla, pero antes debemos encontrar (v)B:

ASIMOV

- 122 vB = ( 1, 2, 0 )B = c1 ( 1, 1, 1 ) + c2 ( 0, 1, 1 ) + c3 ( 0, 0, 1 )

AUTOVALORES

= ( c1 , c1 + c2 , c1 + c2 + c3 )
Luego debe cumplirse que
c1 + c2 = 2 c1 = 1 1 + c2 = 2 c2 = 1

c1 + c2 + c3 = 0

1 + 1 + c3 = 0

c3 = - 2

vB = ( 1, 2, 0 )B = ( 1, 1, -2 )

Y teniendo este vector, podemos hacer la cuenta que queremos:


-1 0 1 1 = 8 - a a 4 1 a2 0 2 -2 0 0 0 = 8 - a + a - 8 = 2 2 a - 4 a - 4

MBB (f) (v )B

Pero dijimos que debe ser:


MBB (f) ( v )B 0 = 0 0 a2 - 4 = 0 a=2

Por lo tanto hay dos valores de a, 2 y 2, para los cuales se satisface que v Nu f. Pero no slo queremos que pase esto, tambin debe cumplirse que w Im f, lo que significa que (existe) un u tal que f(u) = w. Pero debemos trabajar con la matriz de transformacin MBB(f), la cual nos devuelve vectores expresados en la base B; entonces debemos expresar tanto a u como a w en esta base para plantear que MBB(f)(u)B = (w)B. Escribamos w como combinacin lineal de los elementos de la base B, para encontrar sus coordenadas en esta base: wB = ( 1, 3, 3 )B = ( c1 , c1 + c2 , c1 + c2 + c3 )

c1 = 1 ; c2 = 2 ; c3 = 0

(w)B = ( 1, 2, 0 )

Nos falta encontrar (u)B, pero como a u no lo conocemos explicitamente, podemos decir que sus coordenadas en la base B son (u)B = ( u1, u2, u3 ). Y ahora s, podemos hacer el producto para encontrar qu valores de a lo satisfacen:

ASIMOV

- 123 - 1 0 u1 u1 - u2 1 MBB (f) (u )B = 8 - a a 4 u2 = ( 8 - a ) u1 + a u2 + 4 u3 a2 0 2 a 2 u1 + 2 u3 u3

AUTOVALORES

1 = 2 = (w )B 0

Y para que la igualdad se cumpla, debe satisfacerse este sistema de ecuaciones:


u1 - u2 = 1 ( 8 - a ) u1 + a u2 + 4 u3 = 2 a 2 u1 + 2 u3 = 0 de la 1 y 3 podemos escribir u2 y u3 en funcin de u1 u2 = u1 - 1 a2 u3 = u 2 1

Reemplazando estos valores en la 2 ecuacin obtenemos:


( 8 - a ) u1 + a ( u1 - 1 ) + 4 ( a2 u ) =2 2 1 ( 8 - 2a 2 ) u1 - a = 2

Para que w Im(f), debe cumplirse

( 8 2a2 )u1 = 2 + a

Ya vimos que, en principio, los valores posibles de a son 2 2 pues para estos valores se satisface que v Nu(f). Veamos si la ltima ecuacin planteada se cumple para alguno de estos valores Si a = 2 ( 8 2.4) u1 = 4 , pero 0 = 4 es absurdo !!!

a = 2 no satisface lo pedido.
Si a = 2 ( 8 2.4) u1 = 0 0 = 0 y la igualdad se satisface !!

Por lo tanto, el nico valor de a para el cual v Nu (f) y w Im (f), es a = 2.

FIN AUTOVALORES Y AUTOVECTORES