Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal - Joe García PDF
Algebra Lineal - Joe García PDF
Resolver problemas sobre matrices, utilizando definiciones, propiedades y mtodos adecuados para
cada tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O N T E NI D O :
1.1 A L G E B R A D E M A T RI C ES
En esta seccin se introduce terminologa bsica, se define una matriz, matriz identidad y matriz escalar. Se define
y establecen las operaciones que se pueden realizar entre matrices, adems, enunciaremos las propiedades ms
importantes.
Las matrices se escribirn mediante un solo smbolo, que por lo comn sern letras
maysculas como A, B, C, D, etc. Cuando no se utilicen nmeros especficos para
designar los elementos de una matriz, se utilizarn minsculas de la forma a ij. No
existen restricciones sobre el nmero de filas o columnas que una matriz puede tener.
D E F IN I C I O N 1.1.1
Una matriz es una ordenacin rectangular de elementos distribuidos en n
filas (horizontales) y m columnas (verticales), el elemento que est en la
i-sima fila y en la j-sima columna se denota por a ij, siendo este elemento,
un nmero real o complejo. Formalmente lo denotamos como A = (a ij).
elementos horizontales ai1, a i2, ..., aim representan las filas de la matriz y los
elementos verticales a1j, a2j, ..., anj representan las columnas. As, la letra i representa
la fila y la j representa la columna.
En particular, un elemento a ij puede considerarse como una matriz de una fila y una
columna. Es conveniente designar a la matriz con letras maysculas en
correspondencia, si es posible, con la letra minscula comn con la cual se designan
sus elementos.
D E F IN I C I O N 1.1.2
Una matriz cuadrada que tiene el nmero 1 como elementos de la diagonal
principal, y los dems elementos son ceros, se denomina matriz identidad y
1, si i j
se denota como I = (Gij), donde Gij , G se denomina delta de
0, si i z j
Kronecker.
D E F IN I C I O N 1.1.3
Una matriz cuadrada que tiene el nmero D K diferente de cero, como
elementos de la diagonal principal, y los dems elementos son ceros, se
denomina matriz escalar y se denota como E = DI.
Lo anterior significa que los elementos correspondientes de cada matriz son iguales,
es decir a ij = bij para cada i y j. Cuando las matrices son iguales, se escribe A = B.
Para que dos matrices sean iguales, el nmero de filas de A debe ser el mismo que el
nmero de filas de B, y el nmero de columnas de A debe ser el mismo que el
nmero de columnas de B.
D E F IN I C I O N 1.1.4
Dadas A = (a ij), B = (bij), matrices de igual orden. Las matrices A y B se
dice son iguales si y slo si los elementos correspondientes a cada una de
estas son iguales.
EJ E M P L O 1.1.1
Sean A y B dos matrices de 2 x 3:
a b 1 2 2b a b 1 S c
A y B .
a b a b c S 3c S i
Cuando A y B son iguales?
SO L U C I O N
Las matrices A y B son iguales si cumplen la siguiente identidad:
a b 1 2 2b a b 1 S c
a b a b c S 3 S i
lo cual implica que
a b + 1 = i, 2 + 2b a = S, b = c, a = c + S, - b = 3 y a b = S + i.
EJ E M P L O 1.1.2
Determine los valores de a, b y c para que las matrices dadas sean iguales
2 4 a 2b c 2 a c
A y B .
1 6 a 1 a 2b
SO L U C I O N
Para que A y B sean iguales se debe cumplir por definicin que sus correspondientes
elementos sean iguales, es decir:
a 2b c 2 a 2b c 2
2a c 4 2a c 4 a 0
b 3 .
a 1 1 a 0 c 4
a 2b 6 a 2b 6
una matriz que tiene n filas y m columnas cuyos elementos estn dados por
cij = a ij + bij, para todo i, j.
D E F IN I C I O N 1.1.5
Dadas A = (a ij), B = (bij) y C = (cij), matrices de igual orden. Si se cumple
que
C = (a ij) + (bij) = (aij + bij) = (c ij), i, j N
a la matriz C se le denomina adicin de A y B.
a11 b11 a1 2 b1 2 a1 m b1 m
a21 b21 a2 2 b2 2 a2 m b2 m
.
an 1 bn 1 an 2 bn 2 an m bn m
Debemos tener muy en cuenta que la adicin de las matrices A y B se puede realizar
solamente cuando B tiene el mismo nmero de filas y el mismo nmero de columnas
que A. De aqu que el orden de la matriz suma es la misma que la de los sumandos.
EJ E M P L O 1.1.3
Dadas las matrices
S
3 Tan 4i
1 1 4i 4
A 5 3i 6 S y B 5 3 S
Sen
S
9 1 Cos S i
3S
Tan
2 2 4
Determine A + B.
SO L U C I O N
3 S
Tan 4i
1 1 4i 4
A+B 5 3i 6 S 5 3 S
S S 3S
Sen 9 1 Cos i Tan
2 2 4
S
1 (3) 1 Tan 4i (4i )
4 2 1 i 0
(5 3i ) (5) 63 S S 3i 9 (1 i ) S .
S S 3S 1 9i 0
Sen Cos 9i 1 Tan
2 2 4
T E O R E M A 1.1.1
Sean las matrices A = (aij), O = (oij) de igual orden, entonces
A + O = O + A = A.
D E M OST R A C I O N
Sean A, O matrices de igual orden, entonces
A + O = (aij) + (oij)
= (a ij + oij)
= (oij + a ij)
= (a ij)
= A.
T E O R E M A 1.1.2
Si A = (a ij) y B = (bij) son matrices de igual orden, entonces la adicin de
matrices es conmutativa, es decir, A + B = B + A.
D E M OST R A C I O N
Sean las matrices A, B de igual orden, entonces:
A + B = (a ij) + (bij)
= (a ij + bij)
= (bij + a ij)
= (bij) + (a ij)
= B + A.
T E O R E M A 1.1.3
Si A = (a ij), B = (bij), C = (c ij) son matrices de igual orden, entonces la adicin
de matrices es asociativa, es decir, A + (B + C) = (A + B) + C.
D E M OST R A C I O N
Sean A, B, C matrices de igual orden, entonces:
A + (B + C) = (a ij) + (bij) + (cij)
= (a ij) + (bij + c ij)
= (a ij + bij + c ij)
= ( a ij + bij) + (c ij)
= (( a ij) + (bij)) + (c ij)
= (A + B) + C.
% CALCULAR LA SUMA DE MATRICES
clc;clear;
fprintf('\n SUMA DE MATRICES \n')
fil=input('Ingrese el numero de filas de las Matrices A y B: ');
col=input('Ingrese el numero de columnas de las Matrices A y B: ');
%Ingreso de elementos
fprintf('Matriz A:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento A:(%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf('Matriz B:\n')
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento B:(%d,%d)',f,c)
B(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ B ES:\n')
B
end
fprintf(' LA SUMA C ES:\n')
C=A+B
end
D E F IN I C I O N 1.1.6
Dada A = (a ij) una matriz arbitraria y D un escalar. El producto del escalar D
y la matriz A se define como la matriz C = (cij) del mismo orden que A,
cuyos elementos se obtienen multiplicando el escalar por cada uno de los
elementos de A.
EJ E M P L O 1.1.4
Dada la matriz
S S
Tan 4 Cos
4
1
A y k = 1 + i.
i S
1 i Sen
4
Determine k A.
SO L U C I O N
S S
Tan 4 Cos
4
1
kA (1 i )
i S
1 i Sen
4
S S
(1 i )Tan 4 (1 i ) Cos 4 (1 i ) 1
(1 i )i S
(1 i )(1 i ) (1 i ) Sen
4
1 i
1 i i 1
2 .
1 i
i 1 2
2
T E O R E M A 1.1.4
Sea A = (a ij) una matriz arbitraria y k un nmero, entonces k A = A k.
D E M OST R A C I O N
Sean A una matriz arbitraria y k un nmero, entonces:
k A = k(a ij)
= (ka ij)
= (a ijk)
= (a ij)k
= A k.
EJ E M P L O 1.1.5
Un fabricante de sacos los produce en color negro, azul y rojo para hombres, mujeres
y nios. La capacidad de produccin en miles en la planta A est dada por la matriz
Hombres Mujeres Nios
Negro 3 5 6
Azul 2 3 4
Rojo 5 1 3
La produccin en la planta B est dada por
Hombres Mujeres Nios
Negro 2 3 3
Azul 4 2 5
Rojo 1 3 2
a.- Determine la representacin matricial de la produccin total de cada tipo de
sacos en ambas plantas.
b.- Si la produccin en A se incrementa en un 15% y la de B en un 30%, encuentre
la matriz que representa la nueva produccin total de cada tipo de saco.
SO L U C I O N
a.- Para obtener la matriz de produccin total, sumamos las matrices que relacionan
las plantas A y B:
3 5 6 2 3 3 5 8 9
2 3 4 4 2 5 6 5 9 .
5 1 3 1 3 2 6 4 5
b.- La nueva matriz de produccin total la obtenemos sumando las matrices
3 5 6 2 3 3 6.05 9.65 10.8
1.15 A +1.30 B 1.15 2 3 4 1.30 4 2 5 7.5 6.05 11.1 .
5 1 3 1 3 2 7.05 5.05 6.05
EJ E M P L O 1.1.6
El costo en dlares de comprar un boleto areo de la ciudad A a cada una de las
cuatro ciudades B, C, D y E, est relacionado en la matriz P = (75 62 35 55). Si la
directiva de la aviacin civil aprueban un incremento del 12% en las tarifas. Hallar
las nuevas tarifas.
SO L U C I O N
Las nuevas tarifas se obtienen multiplicando la matriz P por 1.12, es decir;
1.12P 1.12 75 62 35 55 84 69, 44 39, 2 61,6 .
EJ E M P L O 1.1.7
Una empresa produce tres tamaos de radios en tres modelos diferentes. La
produccin en miles en su planta A est dada por la matriz
Tamao 1 Tamao 2 Tamao 3
Modelo 1 20 32 25
Modelo 2 15 15 29
Modelo 3 12 27 30
La produccin en miles en su planta B est dada por la matriz
EJ E M P L O 1.1.8
Una compaa tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas en
los lugares P, Q, R y S. El costo en miles de dlares de transportar cada unidad de su
producto de una planta a una bodega est dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P 13 12 17 12
Bodega Q 19 17 13 15
Bodega R 8 9 11 13
Bodega S 19 21 9 15
a.- Si los costos de transportacin se incrementan uniformemente en $500 por
unidad, cul es la nueva matriz?
b.- Si los costos de transportacin se elevan en un 25%, escriba los nuevos costos.
SO L U C I O N
a.- Obtenemos la nueva matriz, sumndole a la matriz A la matriz de incrementos
13 12 17 12 0.5 0.5 0.5 0.5 13.5 12.5 17.5 12.5
19 17 13 15 0.5 0.5 0.5 0.5 19.5 17.5 13.5 15.5 .
8 9 11 13 0.5 0.5 0.5 0.5 8.5 9.5 11.5 13.5
19 21 9 15 0.5 0.5 0.5 0.5 19.5 21.5 9.5 15.5
b.- Los nuevos datos los obtenemos multiplicando la matriz A por 1.25, es decir
13 12 17 12 16.25 15 21.25 15
19 17 13 15 23.75 21.25 16.25 18.75
1.25 .
8 9 11 13 10 11.25 13.75 16.25
19 21 9 15 23.75 26.25 11.25 18.75
T E O R E M A 1.1.5
Si A = (aij), B = (bij) son matrices de igual orden y k un nmero, entonces se
cumple la ley distributiva respecto a la adicin de matricial, es decir,
k(A + B) = k A + k B.
D E M OST R A C I O N
Sean A, B matrices de igual orden y k un nmero, entonces:
k(A + B) = k((a ij) + (bij))
= k(a ij) + bij)
= (ka ij + kbij)
= (ka ij) + (kbij)
= k A + k B.
T E O R E M A 1.1.6
Si A = (a ij) es una matriz arbitraria y k, t nmeros, entonces se cumple la ley
distributiva con respecto a la adicin de escalares, es decir,
(k + t)A = k A + t A.
D E M OST R A C I O N
Sean A una matriz arbitraria y k, t nmeros, entonces:
(k + t)A = (k + t)( a ij)
= ((k + t) a ij)
= (ka ij + ta ij)
= (ka ij) + (ta ij)
= k A + t A.
a11 a11 a1 2 a1 2 a1 m a1 m 0 0 0
a21 a21 a2 2 a2 2 a2 m a2 m 0 0
0
.
an 1 an 1 an 2 an 2 an m an m 0 0 0
D E F IN I C I O N 1.1.7
Una matriz B = (bij) que, dada una matriz A = (a ij) cumple la ecuacin
matricial
(oij) = (a ij) + (bij), para todo i, j N
recibe el nombre de matriz opuesta o negativa de A.
D E F IN I C I O N 1.1.8
Dadas A = (a ij), B = (bij) y C = (c ij), matrices de igual orden. Si se cumple
que
C = A - B = (aij) - (bij) = (a ij bij) = (c ij), i, j N
a la matriz C se le denomina resta de A y B.
Debemos tener muy en cuenta, como lo hicimos para la adicin, que la resta de las
matrices A y B se puede realizar solamente cuando tienen el mismo orden. De aqu
que el orden de la matriz obtenida de la resta es la misma que la de A y B.
E J E M P L O 1.1.9
Dadas las matrices
13 5 12 -6 11 3
A y B = .
17 6 8 15 2 1
Determine la matriz M tal que A - 2M = 3B.
SO L U C I O N
Como A 2M = 3B, entonces:
1
2M = A 3B M = ( A - 3B )
2
Reemplazando los datos conocidos, obtenemos:
1 13 5 12 -6 11 3 1 13 5 12 -18 33 9
M = - 3 = -
2 17 6 8 15 2 1 2 17 6 8 45 6 3
1 31 28 3
.
2 28 0 5
EJ E M P L O 1.1.10
Dadas las matrices
S S S S
Sen 4 Cos
4 Tan 4 Sen
4
A , B .
Cos S S
Sen Sen S Tan
S
4 4 4 4
Determine A - B.
SO L U C I O N
S S S S 2 2 2
Sen 4 Cos Tan
4 4
Sen
4
1
A -B 2 2 2
Cos S S S S 2 2 2
Sen Sen Tan 1
4 4 4 4 2 2 2
2
1 2
2 .
2
2 1
2
EJ E M P L O 1.1.11
Tres mquinas de gaseosas se localizan en un centro comercial. El contenido de estas
mquinas se presenta en la siguiente matriz de inventario:
Coca - Cola Fanta Sprite
Maquina I 65 32 84
Maquina II 92 65 36
Maquina III 45 72 93
Los elementos indican el nmero de latas de cada tipo de gaseosa que contiene cada
mquina. Suponga que la matriz de ventas para el da siguiente es
Coca - Cola Fanta Sprite
Maquina I 53 25 70
Maquina II 80 60 30
Maquina III 35 65 85
donde los elementos indican el nmero de latas de cada tipo de gaseosa que vende
cada mquina. Hallar la matriz de inventario al final del da.
SO L U C I O N
La matriz de inventario al final del da se obtiene de la siguiente manera:
65 32 84 53 25 70 12 7 14
92 65 36 80 60 30 12 5 6 .
45 72 93 35 65 85 10 7 8
Si cada mquina se recarga con 30 latas de Coca-Cola, 20 latas de Fanta y 15 latas de
Sprite, entonces la matriz de inventarios es la siguiente:
12 7 14 30 20 15 42 27 29
12 5 6 30 20 15 42 25 21 .
10 7 8 30 20 15 40 27 23
E J E M P L O 1.1.12
Determnense las matrices P y Q de orden 3 x 2, tales que satisfagan el sistema de
1 3 -1 0
2 P + 3Q = A
ecuaciones , donde A = 2 4 y B = -1 -3 .
- P - Q = B 1 2 1 -1
SO L U C I O N
Multiplicando la segunda ecuacin por 2, y sumandole a la primera, obtenemos las
matrices P y Q.
P = - A - 3B
Q = A + 2B
Es decir:
1 3 -1 0 -1 -3 -3 0 2 -3
P = - 2 4 - 3 -1 -3 = -2 -4 - -3 -9 = 1 5
1 2 1 -1 -1 -2 3 -3 -4 1
1 3 -1 0 1 3 -2 0 -1 3
Q = 2 4 + 2 -1 -3 = 2 4 + -2 -6 = 0 -2 .
1 2 1 -1 1 2 2 -2 3 0
D E F IN I C I O N 1.1.9
Se denomina hipermatriz a una ordenacin rectangular de submatrices. Una
submatriz derivada de una matriz A es la formada por los elementos que
pertenecen simultneamente a h filas y k columnas de A.
D E F IN I C I O N 1.1.10
Dadas A = (a ij) y B = (bij), matrices en las cuales el nmero de columnas de
A es igual al nmero de filas de B. Se llama producto de A y B a una matriz
C = (c ij) cuyo orden es el nmero de filas de A y el nmero de columnas de
B, denotada
C (cij ) aik bkj , para todo i, j .
k
E J E M P L O 1.1.13
Prubese que si A es una matriz cuadrada y B = DA + EI, donde D y E son escalares,
entonces A B = B A.
SO L U C I O N
Calculamos el producto matricial A B, previamente reemplazando la identidad de B y
obtenemos el resultado requerido:
A B = A(DA + EI) = DA 2 + EA I = (DA + EI)A = B A.
E J E M P L O 1.1.14
Si
2 1 7 6
A y B .
2 3 9 8
Hallar matrices C y D de orden 2, tales que A C = B y D A = B.
SO L U C I O N
Para determinar matrices C y D, debemos tomar matrices de 2 x 2 cuyos elementos
son desconocidos y los establecemos como sigue:
2 1 a b 7 6 2a c 2b d 7 6
2 3 c d 9 8 2 a 3c 2b 3d 9 8
e f 2 1 7 6 2e 2 f e 3 f 7 6
g h 2 3 9 8 2 g 2h g 3h 9 8
De aqu, establecemos los siguientes sistemas de ecuaciones:
2a c 7 2e 2 f 7 19 33
c = 8 y d = 7; f y e
2 a 3c 9 e 3 f 6 4 4
2b d 6 15 13 2 g 2h 9 25 43
a y b ; h y g
2b 3d 8 2 2 g 3h 8 4 4
Solucionados ambos sistemas y obtenemos las matrices pedidas:
33 19
15 13 4
C 2 2 y D
4 .
43 25
8 7
4 4
E J E M P L O 1.1.15
Determine la matriz M de modo que satisfaga la relacin
3 1 5 7
M = .
-2 2 -5 9
SO L U C I O N
Para resolver este problema, debemos tomar una matriz M de 2 x 2 cuyos elementos
son desconocidos y los establecemos de la siguiente manera:
a b 3 1 5 7 3a 2b a 2b 5 7
.
c d 2 2 5 9 3c 2d c 2d 5 9
Dos matrices se dice son iguales si sus correspondientes elementos son iguales,
por tanto
3a 2b 5
4a = 12 a = 3 y b = 2;
a 2b 7
3c 2d 5
4c = 4 c = 1 y d = 4
c 2d 9
Por lo tanto
3 2
M = .
1 4
E J E M P L O 1.1.16
Encontrar todas las matrices de orden dos que conmutan con la matriz
CosT SenT
A .
SenT CosT
SO L U C I O N
Multiplicamos a la matriz A por la izquierda y derecha por una matriz 2 x 2 de
variables:
a b CosT SenT CosT SenT a b
c d SenT CosT SenT CosT c d
Igualando los elementos de estas matrices, establecemos un sistema de ecuaciones:
aCosT bSenT aCosT cSenT (b c ) SenT 0
aSenT bCosT bCosT dSenT ( a d ) SenT 0
cCos T dS enT a S en T cCosT ( a d ) SenT 0
cSenT dCosT bSenT dCosT (b c ) SenT 0
Si SenT z 0, entonces: b + c = 0 b = -c y a - d = 0 a = d
por lo tanto la matriz buscada es
d c
, para todo c, d R.
c d
E J E M P L O 1.1.17
Dadas las matrices A, B, en qu condiciones son vlidas las siguientes ecuaciones?
a.- (A + B)2 = A 2 + 2A B + B 2; b.- (A + B)(A - B) = (A - B)(A + B) = A 2 - B 2.
SO L U C I O N
a.- (A + B)2 = (A + B)(A + B) = A A + A B + B A + B B si A B = B A
= A 2 + 2A B + B 2.
b.- (A + B)(A - B) = A A - A B + B A - B B si A B = B A
= A2 - B2
(A - B)(A + B) = A A + A B - B A - BB si A B = B A
= A 2 - B 2.
EJ E M P L O 1.1.18
Dadas las matrices A, B, C, D, suponga que todas las operaciones estn definidas;
demuestre entonces, a partir de la definicin de multiplicacin de matrices, que:
(A + B)(C + D) = A(C + D) + B(C + D) = A C + A D + B C + B D.
Bajo qu hiptesis estn definidas todas las operaciones?
SO L U C I O N
Realizamos el producto
(A + B)(C + D) = A C + A D + B C + BD
= (A C + A D) + (B C + B D)
= A(C + D) + B(C + D)
Las matrices A y B deben ser de orden m x n y las matrices C + D de orden n x p.
E J E M P L O 1.1.19
Si A, B, C son tres matrices tales que A C = C A y B C = C B, prubese que:
(A B B A)C = C(A B B A).
SO L U C I O N
Tenemos como hiptesis que tanto A y C como B y C son conmutativas para el
producto, entonces:
(A B B A)C = A B C B A C = A C B B C A = C A B C B A = C(A B B A).
EJ E M P L O 1.1.20
Dadas las matrices
1 0 2 1 3 0 6 5 7
A 0 1 1 , B 0 4 1 , C 2 2 4 .
2 0 2 2 3 0 3 3 6
Muestre que A C = B C, sin embargo, A z B.
SO L U C I O N
Primero realizamos el producto A C y luego B C:
1 0 2 6 5 7 12 11 19
A C 0 1 1 2 2 4 5 5 10 ;
2 0 2 3 3 6 18 16 26
1 3 0 6 5 7 12 11 19
BC 0 4 1 2 2 4 5 5 10 .
2 3 0 3 3 6 18 16 26
De esta manera queda demostrado que A C = B C sin que A = B.
E J E M P L O 1.1.21
Muestre que A y B conmutan si y slo si A - DI y B - DI conmutan para un cierto
escalar unidad.
SO L U C I O N
Realizamos los productos correspondientes a (A - DI)(B - DI) y (B - DI)(A - DI):
(A - DI)(B - DI) = (B - DI)(A - DI)
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 17
A B - DA I - DIB + D2 II = B A - DB I - DI A + D2 II
A B - DA - DB + D2 I 2 = B A - DB - DA + D2 I 2
A B = B A.
EJ E M P L O 1.1.22
a b
Sea A una matriz de 2 x 2 con ad bc z 0. Encuentre una matriz B tal
c d
que A B = B A = I.
SO L U C I O N
Realizamos los productos A B = I y B A = I, luego resolvemos los sistemas de
ecuaciones lineales generados por cada uno de ellos:
ax bz 1 d c
a b x y 1 0
cx dz 0
x ad bc ; z
ad bc
AB
c d z u 0 1 ay bu 0 y b a
; u
cy du 1 ad bc ad bc
ax cy 1 d c
bx dy 0 x ; z
x y a b 1 0 ad bc ad bc .
BA
z u c d 0 1 az cu 0 y b a
; u
bz du 1 ad bc ad bc
Por lo tanto la matriz B tiene la forma siguiente:
d b
ad bc ad bc
B .
c a
ad bc ad bc
E J E M P L O 1.1.23
Demuestre que si A B = O y B z O, no existe ninguna matriz C tal que C A = I.
SO L U C I O N
Si A = O por ser B z O, la no existencia de la matriz C para que C A = I, es obvia. Si
A z O y B z O, entonces A z O, C A z C O, C A z O para que C A = I
necesariamente la matriz C debe ser la inversa de A, en caso contrario no podemos
obtener C A = I.
E J E M P L O 1.1.24
Sea A una matriz de n x n. Suponga que A B = B para toda matriz B de n x n.
Pruebe que A = I.
SO L U C I O N
Tenemos que:
A B = B A B B = O (A I)B = O.
Por hiptesis B z O, entonces A I = O, de donde A = I.
E J E M P L O 1.1.25
Encuentre un ejemplo para probar que existen matrices no cuadradas A y B, tales que
A B = I. Especficamente, pruebe que existe una matriz A de m x n y una matriz B de
n x m, tales que A B es la matriz identidad de m x m. Demuestre que B A no es la
matriz identidad de n x n. Pruebe en general que, si m z n, entonces A B y B A no
pueden ser ambas matrices identidad.
SO L U C I O N
a b
1 3 1
Sea A y B c d , entonces:
4 2 1 e f
a b
1 3 1 a 3c e b 3d f 1 0
AB c d .
4 2 1 e f 4 a 2 c e 4b 2d f 0 1
Igualando las matrices, obtenemos el siguiente sistema de ecuaciones:
(1) a 3c e 1
a b
(2) 4 a 2c e 0 (1) (2) 5 a 5c 1 5 a 5c 1
B c d .
(3) b 3d f 0 (3) (4) 5b 5d 1 e f 5b 5d 1
(4) 4b 2d f 1
Como comprobacin, podemos escoger la matriz B de la siguiente manera:
3 3
5 10
1 3 1 2 1 1 0
AB .
4 2 1 5 2 0 1
8 6
5 5
Con esto queda demostrado que existen matrices no cuadradas, tales que el producto
A B es la matriz I. A continuacin, vamos a demostrar que el producto B A no es la
matriz I:
3 3 3 6 9
5 10 5 5
10
1 0 0
2 1 1 3 1 8 1 9
BA z 0 1 0 .
5 2 4 2 1 5 5 10
0 0 1
8 6 16 12 14
5 5 5 5 5
E J E M P L O 1.1.26
Suponga que la tercera columna de B es la suma de las primeras dos columnas. Qu
se puede decir sobre la tercera columna de A B? Por qu?
SO L U C I O N
La tercera columna de A B es la suma de las primeras dos columnas de A B. He aqu
por qu. Denotemos las primeras tres columnas de B por b1, b2, b3. Si b3 = b1 + b2,
entonces la tercera columna de A B es A b3 = A b1 + A b2, por una propiedad de la
multiplicacin de matrices.
EJ E M P L O 1.1.27
Un comerciante de radios, tiene 10 radios de tamao I, 15 de tamao II y 8 de
tamao III. Los radios de tamao I se venden a $60 cada uno los de tamao II en $47
cada uno y los de tamao III se venden a $40 cada uno. Calcular el precio de venta
de su existencia de radios.
SO L U C I O N
Construimos una matriz A en la cual constan la cantidad de radios de cada uno de los
tamaos y, una matriz B de precios por tamao. Realizamos el producto de A B para
obtener el precio de venta de la existencia de radios
60
10 15 8 47 $1625 .
40
EJ E M P L O 1.1.28
Una empresa utiliza tres tipos de materias primas P1, P2 y P3 en la elaboracin de tres
productos Q1, Q2 y Q3. El nmero de unidades de P1, P2 y P3 usados por cada unidad
de Q1 son 4, 3 y 2 respectivamente, por cada unidad de Q2 son 5, 3 y 4,
EJ E M P L O 1.1.29
Demostrar que la igualdad A B B A = I es imposible.
SO L U C I O N
Sea
a11 a12 ... a1n b11 b12 ... b1n
a a ... a b21 b22 ... b2 n
A
2n
, B
21 22
,
... ... ... ... ... ...
an1 an 2 ... an n bn1 bn 2 ... bn n
n n n
a1k bk 1 a1k bk 2 ... a1k bkn
k 1 k 1 k 1
n n n
a2 k bk 1 a2 k bk 2 ... a2 k bkn
AB k 1 k 1 k 1 ,
... ... ...
n n n
ank bk 1 ank bk 2 ... ank bkn
k 1 k 1 k 1
n n n
b1k a k 1 b1k a k 2 ... b1k a kn
k 1 k 1 k 1
n n n
b2 k a k 1 b2 k a k 2 ... b2 k a kn
BA k 1 k 1 k 1 .
... ... ...
n n n
bnk a k 1 bnk a k 2 ... bnk a kn
k 1 k 1 k 1
Entonces la suma de los elementos diagonales de la matriz A B es igual a
n n
aik bki , que es exactamente igual a la suma de los elementos diagonales para la
i 1k 1
matriz B A. Por consiguiente, la suma de los elementos diagonales de la matriz
A B B A es igual a cero, y la igualdad A B B A = I es imposible.
T E O R E M A 1.1.7
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto,
entonces (A B)C = A(B C).
D E M OST R A C I O N
Sean A, B, C matrices compatibles para el producto y D = B C, entonces para todo i,
j natural
m
(d ij ) bik ckj .
k 1
Sea E = A D, entonces para todo i, j natural
m m m m m
(eij ) air d rj air brk ckj air brk ckj .
r 1 r 1 k 1 r 1 k 1
Por otra parte, sea F = A B, entonces para todo i, j natural
m
( f ij ) aik bkj .
k 1
Sea G = F C, entonces para todo i, j natural
m mm m m
( g ij ) f ir crj aik bkr c rj aik bkr c rj .
r 1 r 1 k 1 r 1k 1
Obtenemos E = G y, por tanto (A B)C = A(B C).
T E O R E M A 1.1.8
Sean A = (a ij), B = (bij) y C = (c ij), matrices compatibles para el producto y
suma respectivamente, entonces
A(B + C) = A B + A C.
D E M OST R A C I O N
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = A D, entonces
m
(eij ) ai k d k j
k 1
m
( ai k bk j ai k ck j )
r 1
m m
ai k bk j ai k ck j
r 1 r 1
= AB + A C .
T E O R E M A 1.1.9
Sean A = ( a ij), B = (bij) y C = (c ij), matrices compatibles para la suma y el
producto respectivamente, entonces
(B + C)A = B A + C A.
D E M OST R A C I O N
Sea D = B + C, entonces (dij) = (bij + c ij). Si E = D A, entonces
m m m m
(eij ) dik akj (bik cik ) akj bik akj cik akj BA + CA .
k 1 r 1 r 1 r 1
T E O R E M A 1.1.10
Sean A = (a ij), I = (Gij) matrices cuadradas de igual orden. En las matrices
cuadradas es posible definir un elemento neutro respecto del producto
matricial, llamado matriz unidad o identidad, representado por I, que cumple
A I = I A = A.
D E M OST R A C I O N
Si D = A I, entonces
m
(d ij ) aik Gkj ( aij G jj ) ( aij )
r 1
Si E = I A, entonces
m
(eij ) Gik akj (Gii aij ) ( aij )
r 1
Por tanto, D = E = A.
T E O R E M A 1.1.11
Sean A = (a ij), B = (bij) matrices compatibles para el producto. En general, el
producto de dos matrices no es conmutativo, y, por tanto A B z B A.
D E M OST R A C I O N
Si D = A B, entonces
m
(d ij ) aik bkj
r 1
Si E = B A, entonces
m
(eij ) bik a kj
r 1
Claramente observamos que D z E y, por tanto, en general el producto de matrices
no es conmutativo.
EJ E M P L O 1.1.30
Demuestre que A B z B A dadas las matrices
8 4i 5i
2 i 4 3i i
A , B 6 2i .
7 6 9i 1 i 3 2i
4 5i
SO L U C I O N
8 4i 5i
2 i 4 3i i 42 21i 6i 4
AB 6 2i ;
7 6 9 i 1 i 3 2i 4 5i 97 25i 27 24i
8 4i 5i 20 35i 38i 1 9 8i
2 i 4 3i i
BA 6 2i 12 8i 42 6i 6i 2 .
3 2i 4 5i 7 6 9 i 1 i 32 42i 83i 19 7 4i
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
22 MATRICES
Por tanto A B z B A.
EJ E M P L O 1.1.31
Dadas las matrices
S S S S
Sen 4 Cos 4 Tan 4 Sen 4
A , B .
Cos S Sen S Sen S Tan S
4 4 4 4
Demuestre que A B = B A.
SO L U C I O N
Realizamos el producto A B:
S S S S
Sen 4 Cos 4 Tan 4 Sen 4
AB
Cos S Sen S Sen S Tan S
4 4 4 4
2 2 2 2 1 2 1
1
2 2 2 2 2 .
2 2 2 1 2 2 1
1
2 2 2 2 2
Tambin efectuamos el producto B A:
S S S S
Tan 4 Sen 4 Sen 4 Cos
4
BA
Sen S Tan S Cos S S
Sen
4 4 4 4
2 2 2 2 1 2 1
1
2 2 2 2 2
.
2 2 2 1 2 2 1
1
2 2 2 2 2
Por tanto A B = B A.
% CALCULAR LA MULTIPLICACION DE MATRICES
clc;clear;
fprintf('\n PRODUCTO ENTRE MATRICES \n')
fil1=input('Ingrese el numero de filas de la matriz A : ');
col1=input('Ingrese el numero de columnas de la matriz A: ');
fil2=input('Ingrese el numero de filas de la matriz B : ');
col2=input('Ingrese el numero de columnas de la matriz B: ');
if (col1==fil2)
%Ingreso de elementos
fprintf('Matriz A:\n')
for f=1:fil1
for c=1:col1
fprintf('Ingrese el elemento A:(%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf('Matriz B:\n')
for f=1:fil2
for c=1:col2
fprintf('Ingrese el elemento B:(%d,%d)',f,c)
B(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
fprintf(' LA MATRIZ B ES:\n')
B
fprintf(' LA MATRIZ PRODUCTO C ES:\n')
C=A*B
else
fprintf('\n Las dimensiones no coinciden\n')
end
D E F IN I C I O N 1.1.11
Si A y B son dos hipermatrices cuyas submatrices son (A ik), (B kj), para todo
i, j, k , respectivamente, la hipermatriz producto C = A B se define
como
C (cij ) A ik B kj , para todo i, j, k .
k
EJ E M P L O 1.1.32
Determine A B, dadas las matrices
4 3 5 2 1 0 3 9 1
0 4 6 3 8 1 3 6 3
A 1 2 3 6 2 y B 2 4 6 8 .
1 2 5 6 7 1 4 6 3
1 0 3 5 1 2 4 8 5
SO L U C I O N
El producto A B se establece de la siguiente manera:
A 11B11 + A 1 2 B1 2 A 11B1 2 + A 1 2 B 2 2 C11 C12
AB = =
A 21B11 + A 2 2 B 21 A 21B1 2 + A 2 2 B 2 2 C 21 C 22
2 4 6
4 3 0 3 9 5 2 1
C11 1 4 6
0 4 1 3 6 6 3 8 2 4 8
3 21 54 14 32 50 17 53 104
.
4 12 24 31 68 118 35 80 142
8
4 3 1 5 2 1 13 51 64
C12 3 .
0 4 3 6 3 8 5 12 97 109
1 2 3 6 2 2 4 6
0 3 9
C 21 1 2
5 6 7 1 4 6
1 1 3 6
0 3 5 1 2 4 8
2 9 21 16 44 70 18 53 91
2 9 21 30 72 122 32 81 143 .
0 3 9 13 36 56 13 39 65
1 2 3 6 2 8 7 52 59
1
C 22 1 2 3 5 6 7 3 7 93 100 .
1 0 3 5 1 5 1 44 45
17 53 104 64
35 80 142 109
A B = 18 53 91 59 .
32 81 143 100
13 39 65 45
EJ E M P L O 1.1.33
Dada
O I
A =
B O
donde las submatrices O, I, B son de k x k. Determine A 2 y A 4.
SO L U C I O N
Realizamos el producto A A y luego A 2 A 2 y obtenemos los resultados
correspondientes:
O I O I O + I B OI + IO B O
A2 = AA = = = ;
B O B O B O + O B BI + O O B
B O B O B2 + O B O + O B B2 O
A4 = A2A2 = = = .
O B O B O B + B O O + B 2 O B 2
Las propiedades entre hipermatrices son las mismas que estudiamos anteriormente.
PR O B L E M AS
1.1.5 Dadas las matrices 1.1.14 Demuestre que si A es una matriz de m x n, n >
1 1 1 0 m, entonces existe un vector columna no nulo para el cual
A v = O.
A 2 , B 0 , C 4 , D 0 .
3 2 4 1
1.1.15 Encuentre una matriz B tal que A B C = D dado
a.- Encuentre escalares a y b tales que C = a A + b B; que
b.- Demuestre que no existen escalares a y b tales que D 3 7 9 3 5
= a A + b B; 2 5 4
c.- Encuentre escalares no nulos a, b, c tales que a A + b B
A 2 1 , C , D 7 2 4 .
5 3 9 6 2 7 5 0
+ c C = O.
1.1.6 Hallar todas las matrices se segundo orden, cuyos 1.1.16 Demuestre que si A es una matriz de n x n tal que
cuadrados son iguales a la matriz nula. A v = v para cualquier vector columna, entonces A = I.
1.1.7 Hallar todas las matrices conmutativas con la 1.1.17 Hallar todas las matrices de segundo orden, cuyos
siguiente matriz: cuadrados son iguales a la matriz identidad.
1 2 1 2 1 1
a.- ; b.- ; c.- ; 1.1.18 Hallar todas las matrices reales de segundo orden,
4 1 2 1 1 1 cuyos cubos son iguales a la matriz identidad.
2 1 3 4 2 3
d.- ; e.- ; f.- ;
1 1 5 1 2 4 1.1.19 Hallar todas las matrices reales de segundo orden,
cuyas cuartas potencias son iguales a la matriz identidad.
1 4 3 8 1 4
g.- ; h.- ; i.- .
3 2 3 1 2 8 1.1.20 Hllese la familia de matrices de la forma
a 0 0
1.1.8 Hallar todas las matrices conmutativas con la
A 0 b c
siguiente matriz: 0 d e
1 1 1 0 1 4
2
tales que A = I.
a.- 1 1 1 ; b.- 3 2 1 ;
1 1 1 1 1 3
1.1.21 Encontrar una matriz A de 4 x 4 cuyos elementos
5 1 3 4 5 1 cumplan la condicin siguiente:
a.- aij = i j; b.- aij = mn{i, j};
c.- 2 1 1 ; d.- 1 3 0 ;
1 1 3 2 0 1 c.- a ij = j1+ j; d.- a ij = ~i - j~;
1 si i j ! 1
1 3 0 1 1 7 e.- a ij = mx{i, j}; f.- aij .
1 si i j d 1
e.- 2 1 3 ; f.- 2 3 1 .
5 2 1 1 4 1
1.1.22 Pruebe con un ejemplo que si B tiene una columna
de ceros, entonces A B tiene una columna correspondiente
1.1.9 Encuentre matrices A y B de 2 x 2 tales que A B = de ceros.
O pero B A z O.
1.1.23 Encuentre una matriz A tal que:
1.1.10 Hallar todas las matrices de tercer orden, cuyos 1 2 4 1 2 1
cuadrados son iguales a la matriz nula.
a.- A 3 0 3 1 ; b.- A 2 3 0 2 ;
0 0 3 0 5 1
1.1.11 Hallar todas las matrices de tercer orden, cuyos
cuadrados son iguales a la matriz identidad. 2 0 0 1 2 1
c.- A 3 1 3 2 ; d.- A 2 1 0 2 .
1.1.12 Suponga que la ltima columna de A B es 1 1 1 1 2 1
completamente cero pero B misma no tiene ninguna
columna de ceros. Qu se puede decir sobre las columnas
de A? 1.1.24 Sean A y B matrices tales que el producto A B
est definido. Demuestre que si A tiene dos columnas
1.1.13 Demuestre que si el producto A B es de n x n, idnticas, entonces las dos columnas correspondientes de
entonces el producto B A est definido. A B tambin son idnticas.
1.1.25 Represente como un producto de matrices las 1.1.32 Encuentre todas las matrices de 4 x 4 que
siguientes expresiones: conmuten con la matriz
a.- x2 + 5y2 4z2 + 2xy 4xz; 1 1 0 0
b.- 4x2 + y2 + z2 4xy + 4xz 3yz;
1 1 1 0
c.- 2x2 + 18y2 + 8z2 12xy + 8xz 27yz; A .
d.- -12x2 3y2 12z2 + 12xy 24xz + 8yz; 0 1 1 1
e.- 3x2 + 2y2 z2 2u2 + 2xy 4yz + 2yu; 0 0 1 1
f.- 4x2 + y2 + 9z2 12xz;
g.- 2x2 + 3y2 + 6z2 4xy 4xz + 8yz; 1.1.33 La matriz
h.- 3x2 + 10y2 + 25z2 12xy 18xz + 40yz; PARA A PARA B PARA C
i.- 5x2 + 5y2 + 2z2 + 8xy + 6xz + 6yz;
j.- 2x2 + 9y2 + 3z2 + 8xy 4xz 10yz. DE A 1.50 1.25 1.05
DE B 0.75 0.50 0.45
1.1.26 Encuentre una matriz A de orden 2 x 2, tal que DE C 0.35 0.45 0.95
A B = I si
representa la proporcin de una poblacin de electores
i 3 que cambia del partido i al partido j en una eleccin dada.
B .
1 1 3i Es decir, pij (i z j) representa la proporcin de la poblacin
de electores que cambia del partido i al partido j y pii
1.1.27 Comprobar que las identidades algebraicas representa la proporcin que permanece leal al partido i
(A + B)2 = A 2 + 2A B + B 2 de una eleccin a otra. Encuentre el producto de P con s
y misma. Qu representa este producto?
(A + B)(A B) = A 2 B 2
no son ciertas para las matrices de 2 x 2: 1.1.34 Pruebe con un ejemplo que si A tiene una fila de
1 3 0 1
ceros, entonces A B tiene una fila correspondiente de
A y B ceros.
4 5 2 3
Modificar el segundo miembro de esas identidades para 1.1.35 Suponga que se quiere calcular la cantidad de
obtener frmulas vlidas para todas las matrices cuadradas dinero que se tiene al cabo de n aos si invertimos $ 250 a
A y B. Para qu matrices A y B son vlidas las un inters compuesto anual del, 4.5, 5, 5.5 %. Si
identidades establecidas anteriormente? colocamos P dlares durante un ao a un inters r,
entonces el valor que se tiene al final del ao es Capital
1.1.28 Sean A y B matrices de n x n. Demuestre que si final = P + rP = (1 + r)P. Encuentre el monto al final del
todos los elementos de la j-sima columna de A son nulos tercero y cuarto aos de una inversin de $ 250 al inters
entonces todos los elementos de la j-sima columna de A B de 4.5, 5 y 5.5 %, respectivamente.
son nulos.
1.1.36 El costo en dlares de comprar un boleto areo de
1.1.29 Hllese la familia de matrices de la forma la ciudad A a cada una de las cuatro ciudades B, C, D y E,
a 0 0 est relacionado en la matriz P = (75 62 35 55). Si la
directiva de la aviacin civil aprueba un incremento del
A 0 b c
0 d e 12% en las tarifas. Hallar las nuevas tarifas.
2
tales que A = O. 1.1.37 Suponga que una matriz de n x n satisface la
ecuacin A 2 2A + I = O. Demuestre que A 3 = 3A - 2I y
1.1.30 Construya una matriz aleatoria A de 4 x 4 y que A 4 = 4A 3I.
compruebe si (A + I)(A I) = A 2 I. La mejor manera de
hacer esto es calcular (A + I)(A I) (A 2 I) y verificar 1.1.38 Demuestre que si ambos productos A B y B A estn
que esta diferencia sea la matriz cero. Hgalo para tres definidos, entonces A B y B A son matrices cuadradas.
matrices al azar. Luego haga la prueba para (A + B)(A
B) = A 2 B 2 procediendo de la misma manera con tres 1.1.39 Tres mquinas de gaseosas se localizan en un
pares de matrices de 4 x 4 al azar. Informe los resultados. centro comercial. El contenido de estas mquinas se pre-
senta en la siguiente matriz de inventario:
0 0 A B C
1.1.31 Sea A . Demuestre que para toda ma-
0 1 Maquina I 65 32 84
triz B de 2 x 2 Maquina II 92 65 36
(A B A B A)2 = (B A A B A)2 = O. Maquina III 45 72 93
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 27
Los elementos indican el nmero de latas de cada tipo de c.- Cul es la cantidad total gastada en materias primas a
gaseosa que contiene cada mquina. Suponga que la matriz la semana en la produccin de Q1, Q2 y Q3?
de ventas para el da siguiente es
A B C 1.1.44 Sean las matrices
Maquina I 53 25 70 2 2 1 1 1
A , B , C ,
Maquina II 80 60 30 3 2 0 1 0
Maquina III 35 65 85 3
D 2 1 , E .
donde los elementos indican el nmero de latas de cada 1
tipo de gaseosa que vende cada mquina. Hallar la matriz Encuntrese cada uno de los productos que se piden, y
de inventario al final del da. comprubese el resultado mediante la multiplicacin
directa:
1.1.40 Un comerciante de radios, tiene 10 radios de
A O B O A B A O
tamao I, 15 de tamao II y 8 de tamao III. Los radios a.- ; b.- ;
de tamao I se venden a $60 cada uno los de tamao II O B O I B A I B
en $47 cada uno y los de tamao III se venden a $40 A O O I
cada uno. Calcular el precio de venta de su existencia de A C E I
c.- ; d.- O B O O .
radios. D O O D O
O O B
1.1.41 Un fabricante de sacos los produce en color ne-
gro, azul y rojo para hombres, mujeres y nios. La capa- 1.1.45 Utilizando el programa hecho anteriormente,
cidad de produccin en miles en la planta A est dada realice el producto por particin entre las matrices
por la matriz 1 1 2 3 4 5
Hombres Mujeres Nios
6 2 3 0 1 3
Negro 3 5 6 A i 1 i 2 9 0 1
Azul 2 3 4
6 4 5 i 2 7
Rojo 5 1 3 4 81 56 92 102 15
La produccin en la planta B est dada por y
Hombres Mujeres Nios i 93 67 34 0 0.5
Negro 2 3 3
1 i 4 8 3 0
Azul 4 2 5 8 56 71 23 41 3
Rojo 1 3 2 B .
1 1 6 2 9 0
a.- Determine la representacin matricial de la produccin 0 2 1 3 4 5
total de cada tipo de sacos en ambas plantas.
b.- Si la produccin en A se incrementa en un 15% y la 6 9 6 2 1 3
de B en un 30%, encuentre la matriz que representa la
nueva produccin total de cada tipo de saco. 1.1.46 Una fbrica elabora muebles de comedor y sala en
dos sitios. La matriz proporciona el costo total de
1.1.42 Sean A y B dos matrices de 3 x 3. Demuestre que manufactura de cada producto en cada lugar (suponga que
la ecuacin matricial A B B A = I no tiene solucin. solamente hay costos de mano de obra y de material):
SITIO1 SITIO 2
1.1.43 Una empresa utiliza tres tipos de materias primas COMEDOR 65 45
P1, P2 y P3 en la elaboracin de tres productos Q1, Q2 y Q3.
SALA 50 60
El nmero de unidades de P1, P2 y P3 usados por cada
unidad de Q1 son 4, 3 y 2 respectivamente, por cada a.- Dado que la mano de obra corresponde a casi 2/5 del
unidad de Q2 son 5, 3 y 4, respectivamente, y por cada costo total, determine la matriz B que proporciona los
unidad de Q3 son 2, 5 y 3 respectivamente. Suponga que la costos de mano de obra para cada producto en cada sitio.
empresa produce 28 unidades de Q1, 18 unidades de Q2 y b.- Encuentre la matriz C que da los costos de material
39 unidades de Q3 a la semana: para cada producto en cada sitio.
a.- Cul es el consumo semanal de materia prima?
b.- Si los costos por unidad para P1, P2 y P3 son 60, 52 y 1.1.47 En un ecosistema, ciertas especies proveen de
18, respectivamente, cules son los costos de las materias comida a otras. El elemento a ij de la matriz de consumo
primas por unidad de Q1, Q2 y Q3? es igual al nmero de unidades de la especie j consumi-
das diariamente por un individuo de la especie i.
Construya la matriz ( a ij) para el siguiente ecosistema c.- La especie 1 consume 2 unidades de la especie 3; la
simple que consiste de tres especies: especie 2 consume 1 unidad de la especie 1; la especie 3
a.- Cada especie consume en promedio 1 unidad de no consume de ninguna de las otras especies.
cada una de las otras especies.
b.- La especie 1 consume una unidad de la especie 2; la
especie 2 consume unidad de cada una de las especies
1 y 3; la especie 3 consume 2 unidades de la especie 1.
1.1.48 Cierta empresa cuenta con cuatro fbricas, cada una de ellas produce dos
productos:
FABRICA 1 FABRICA 2 FABRICA 3 FABRICA 4
PRODUCTO1 125 105 95 80
PRODUCTO 2 55 60 75 60
Determine los niveles de produccin que habra si sta se incrementase en un 25 %.
1.1.49 Un agricultor cosecha dos veces al ao, las cuales se distribuyen a cuatro
mercados:
MERCADO1 MERCADO 2 MERCADO 3 MERCADO 4
COSECHA 1 125 105 95 80
COSECHA 2 55 60 75 60
La ganancia en una unidad del producto i se representa en la matriz B 1.25 3.25 .
Encuentre el producto B A y explique qu representa cada elemento de este producto.
1.1.50 La siguiente tabla, que puede ser vista como una matriz, da el costo en centavos de
un kilo de cada uno de los productos en tres supermercados:
CARNE PESCADO POLLO PAPAS ARROZ
SUPERMERCADO 1 80 35 65 25 25
SUPERMERCADO 2 85 40 70 30 30
SUPERMERCADO 3 75 45 65 35 35
Si se compran 4 kilos de carne, 4 kilos de pescado, 3 kilos de pollo, 10 kilos de papas, 10
kilos de arroz, encuentre el costo total en cada uno de los supermercados.
1.1.51 Una compaa tiene plantas en cuatro provincias, I, II, III y IV, y cuatro bodegas
en los lugares P, Q, R y S. El costo en miles de dlares de transportar cada unidad de su
producto de una planta a una bodega est dado por la matriz
Prov. I Prov. II Prov. III Prov. IV
Bodega P 13 12 17 12
Bodega Q 19 17 13 15
Bodega R 8 9 11 13
Bodega S 19 21 9 15
a.- Si los costos de transportacin se incrementan uniformemente en $500 por unidad,
cul es la nueva matriz?
b.- Si los costos de transportacin se elevan en un 25%, escriba los nuevos costos.
1.1.52 Una empresa produce tres tamaos de radios en tres modelos diferentes. La
produccin en miles en su planta A est dada por la matriz
Tamao 1 Tamao 2 Tamao 3
Modelo 1 20 32 25
Modelo 2 15 15 29
Modelo 3 12 27 30
1.2 C L ASI F I C A C I O N D E L AS M A T RI C ES C U A DR A D AS
En esta seccin clasificamos y definimos las diversas partes de una matriz cuadrada, se introduce trminologa
bsica, enunciamos sus correspondientes propiedades.
Las matrices cuadradas, desempean un papel muy importante en todos los aspectos
del lgebra de matrices. Su estructura requiere un anlisis particular, el cual se
discutir a continuacin, de modo que no resulte incomprensible el estudio de las
operaciones que pueden efectuarse sobre este particular tipo de matrices.
D E F IN I C I O N 1.2.1
Sea A una matriz cuadrada de n x n. Dentro de este tipo de matrices,
podemos distinguir tres regiones que se definen de la siguiente manera:
a.- La diagonal principal, est formada por los elementos a ij para los
cuales i = j.
b.- El tringulo superior, est formado por los elementos a ij para los cuales
i < j.
c.- El tringulo inferior, est formado por los elementos a ij para los cuales
i > j.
Es decir, la diagonal principal de una matriz cuadrada son todos los elementos
que se encuentran en la lnea que va del vrtice superior de la izquierda al inferior
de la derecha. La diagonal secundaria la forman los elementos de una matriz que
se encuentran en la lnea que va del vrtice superior derecho al inferior izquierdo.
De la definicin anterior, podemos distinguir algunas matrices cuya estructura
permite una clasificacin bien determinada.
D E F IN I C I O N 1.2.2
Se dice que una matriz T = (tij) de orden n, es triangular superior (inferior)
si existen elementos tij = 0, con i > j (i < j).
Este tipo de matrices se determinan, cuando los elementos situados debajo (encima)
de la diagonal principal son nulos. Es decir:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
30 MATRICES
t11 t1 2 t1 n
0 t2 2 t2 n
T , ti j = 0 si i > j;
0 0 t n n
t11 0 0
t2 1 t2 2 0
T , tij = 0 si i < j.
tn 1 tn 2 t n n
T E O R E M A 1.2.1
La adicin de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
D E M OST R A C I O N
Sean A = (a ij), con a ij = 0, para todo i > j y B = (bij), con bij = 0, para todo i > j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i > j.
Sean A = (a ij), con a ij = 0, para todo i < j y B = (bij), con bij = 0, para todo i < j.
A + B = (a ij) + (bij) = (a ij + bij) = (cij),
con c ij = 0, para todo i < j.
T E O R E M A 1.2.2
El producto de dos matrices triangulares, ambas superiores o inferiores, es
una matriz triangular superior o inferior.
D E M OST R A C I O N
Sean T = (tij) con tij = 0, para todo i > j y T = (tij) con tij = 0, para todo i > j, las
matrices triangulares superiores. C = T T, poseer el elemento general
n
cij = ti1t1j + ti2t2j ti ntn j = ti k tk j
k 1
n
que en este caso se transforma en cij tik tkj , ya que, de otra manera, algn
k t1, k d j
sumando se anular. La suma, pues, slo estar definida para aquellos valores del
ndice k que cumplan i d k d j, luego, c ij z 0 si i d j y, c ij = 0 si i > j, por tanto, C es
triangular superior. De forma anloga se demuestra cuando son triangulares superior.
EJ E M P L O 1.2.1
Sea
a a 3b c 2 a b c
A a b c 1 b a bc
b 3c 2 a 2b c c
Analice en qu condiciones es la matriz:
a.- Triangular superior; b.- Triangular inferior.
SO L U C I O N
a.- Para que la matriz A sea triangular superior, debe resolverse el siguiente sistema
de ecuaciones no homogneo:
a b c 1 0
b 3c 0
2 a 2b c 0
5 2
lo cual implica que a , b = - 2, c . Por tanto la matriz buscada tiene la
3 3
forma siguiente:
5
3 7 6
A 0 2 3
2
0 0
3
b.- Para que la matriz A sea triangular inferior, debe resolverse el siguiente sistema
de ecuaciones homogneo:
a 3b c 0
2 a b c 0
a bc 0
lo cual implica que a = b = c = 0. Por tanto la matriz buscada tiene la forma
siguiente:
5
3 0 0
A 1 2 0 .
2
0 0
3
D E F INI C I O N 1.2.3
Se dice que una matriz T de n x n es estrictamente triangular, si es triangular
superior (inferior) y adems posee la diagonal principal nula.
EJ E M P L O 1.2.2
Las llamadas matrices de giro de Pauli son
0 1 0 i 1 0
S( x ) , S( y ) , S( z ) .
1 0 i 0 0 1
Demuestre que S(x)S(y) = iS(z), S(y)S(x) = -iS(z), S2(x) = S2(y) = S2(z) = I.
SO L U C I O N
0 1 0 i i 0 1 0
S( x)S( y) i i S( z ) ;
1 0 i 0 0 i 0 1
0 i 0 1 i 0 1 0
S( y)S( x) i i S( z ) ;
i 0 1 0 0 i 0 1
0 1 0 1 1 0
S 2 ( x) I;
1 0 1 0 0 1
0 i 0 i i 0
2
1 0
S2 ( y)
I;
i 0 i 0 0 i 2 0 1
1 0 1 0 1 0
S2 ( z ) I.
0 1 0 1 0 1
EJ E M P L O 1.2.3
Las matrices M(s), N(t) y P(u) estn definidas por
s 0
1 0 1 u
M (s)
1 , N (t ) , P (u ) ,
0 t 1 0 1
s
siendo s z 0. Demuestre que la condicin necesaria y suficiente para que una matriz
a b
A ,
c d
pueda ponerse en la forma M(s)N(t)P(u) es a z 0 y ad bc = 1.
SO L U C I O N
Como A = M(s)N(t)P(u), entonces
s 0 s su
a b 1 0 1 u a b
1 t tu 1
c d 0 t 1 0 1 c d
s s s s
a s
b su u b si a z 0
a
t
c s t ac
d 1 (tu 1) d 1 ac b 1 d 1 (cb 1) ad bc 1
s a a a
Por lo tanto, a z 0 y ad bc = 1.
D E F IN I C I O N 1.2.4
Se dice que una matriz cuadrada es diagonal si, los tringulos superior e
inferior son nulos.
Es decir:
d11 0 0
0 d2 2 0
D , di j = 0 si i < j e i > j.
0 0 0 d
n n
Debido a su estructura peculiar, las matrices diagonales tambin pueden denotarse
como Diag(a11, a22, ..., ann), en la cual debe existir algn elemento no nulo.
T E O R E M A 1.2.3
La adicin de dos matrices diagonales es una matriz diagonal.
D E M OST R A C I O N
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), entonces
A + B = Diag(a11, a22, ..., ann) + Diag(b11, b22, ..., bnn)
= Diag(a11 + b11, a22 + b22, ..., ann + bnn).
Lo cual indica que es una matriz diagonal.
T E O R E M A 1.2.4
El producto de dos matrices diagonales de igual orden es una matriz diagonal.
D E M OST R A C I O N
Sean A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), se tiene entonces que
aij = Gijai = Gijaj y bij = Gijbi = Gijbj,
por tanto, la matriz producto C = AB tiene como elemento general
cij = ai1b1j + ai2b2j ai kbkj
= Gi1G1jaibj + Gi 2G2jaibj GikGkjaibj
= Gijaibj.
T E O R E M A 1.2.5
Una matriz diagonal conmuta con todas las matrices diagonales.
D E M OST R A C I O N
Sea A = Diag(a11, a22, ..., ann) y B = Diag(b11, b22, ..., bnn), matrices diagonales
conocidas, mediante el teorema anterior, tenemos que A B = Diag(a1b1, a2b2, ...,
anbn). Del mismo modo tenemos que B A = Diag(b1a1, b2a2, ..., bnan). Por tanto
A B = B A.
D E F INI C I O N 1.2.5
Se dice que una matriz T = (tij) de orden n, es tridiagonal si al menos un
elemento de la diagonal principal y la paralela situada por encima y por
debajo, es diferente de cero.
D E F IN I C I O N 1.2.6
Se dice que una matriz T de orden n es banda si existen enteros p y q, 1 < p,
q < n, con la propiedad de que tij = 0 siempre que i + p d j o j + q d i. El
ancho de banda para una matriz de este tipo se expresa como r = p + q 1.
EJ E M P L O 1.2.4
Sean a y b nmeros tales que a z b. Encuentre todas las matrices A de 2 x 2 tales que
a 0 a 0
A A .
0 b 0 b
SO L U C I O N
x y
Haciendo que A , entonces:
z u
x y a 0 a 0 x y ax by ax ay
z u 0 b 0 b z u az bu bz bu
ax ax
by ay ( a b) y 0 y 0, si a z b
az bz ( a b) z 0 z 0, si a z b
bu bu
Por tanto
x 0
A .
0 u
EJ E M P L O 1.2.5
Sea D una matriz diagonal de 3 x 3 con los elementos de la diagonal principal
distintos de cero. Encuentre una matriz diagonal E tal que D E = E D = I.
SO L U C I O N
a 0 0 x 0 0
Sean D 0 b 0 y E 0 y 0 , entonces:
0 0 c 0 0 z
1
ax 1 x a , az0
a 0 0 x 0 0 1 0 0
1
0 b 0 0 y 0 0 1 0 by 1 y , bz0,
0 0 c 0 0 z 0 0 1 b
1
cz 1 z c , cz0
por otro lado tenemos:
1
xa 1 x a , az0
x 0 0 a 0 0 1 0 0
1
0 y 0 0 b 0 0 1 0 yb 1 y , bz0.
0 0 z 0 0 c 0 0 1 b
1
zc 1 z c , cz0
Por lo tanto, la matriz buscada tiene la forma siguiente:
1
a 0 0
1
E 0 0 .
b
0 0 1
c
EJ E M P L O 1.2.6
Sean D una matriz diagonal y A una matriz arbitraria m x n:
a.- Si A D est definida. Cul es la relacin entre A y A D?;
b.- Si D A est definida. Cul es la relacin entre A y D A?
SO L U C I O N
a.- Como A es de m x n, entonces D debe ser de n x n, para que A D est definida y
sea de m x n. Por lo tanto la relacin entre las matrices A y A D es que tienen igual
orden, es decir son matrices rectangulares de m x n.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 35
PR O B L E M AS
1.2.1 Pruebe con un ejemplo que para multiplicar dos 1.2.5 Encontrar una matriz diagonal A de 3 x 3 que
hipermatrices cuadradas es suficiente que las cumpla lo siguiente:
submatrices diagonales sean cuadradas, con la 1 0 0 1 0 0
particularidad de que los rdenes de las correspondientes 5 3
a.- A 0 1 0 ; b.- A 0 10 0 ;
submatrices diagonales sean iguales entre s. 0 0 10 0 0 1
1.2.2 Demuestre que para multiplicar dos hipermatrices 10 0 0 7 0 0
cuadradas es suficiente que las submatrices diagonales
c.- A 4 0 1 0 ; d.- A 25 0 5 0 .
sean cuadradas, con la particularidad de que los rdenes de 0 0 1 0 0 3
las correspondientes submatrices sean iguales entre s.
1.2.3 Una condicin necesaria y suficiente para que la 1.2.6 Describa el producto A B si A es una matriz
matriz B de orden n conmute con una matriz diagonal A, diagonal de n x n y B es una matriz de n x n. Si en la
es que B sea una matriz diagonal. Cmo tiene que ser la matriz diagonal A se tiene que a11 = a22 = ... = ann, cmo
matriz diagonal A para que conmute con cualquier matriz cambian los resultados?
B del mismo orden que A?
1.2.7 Pruebe con un ejemplo que para realizar la
1.2.4 Sea D una matriz diagonal de 3 x 3 con los multiplicacin por bloques de una hipermatriz por s
elementos de la diagonal principal distintos de cero. misma es necesario y suficiente que todas sus submatrices
Encuentre una matriz diagonal E tal que D E = E D = I. diagonales sean cuadradas.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
36 MATRICES
1.2.8 Demuestre que si A y B son dos matrices 1.2.9 Demuestre que si A y B son matrices diagonales de
hipertriangulares con los mismos rdenes de las n x n, entonces A B = B A.
correspondientes submatrices diagonales y los ceros por un
lado de la diagonal, su producto A B tambin ser una
matriz hipertriangular con los mismos rdenes de las
submatrices diagonales y los ceros por el mismo lado de la
diagonal.
En esta seccin se introduce la terminologa bsica y se define la matriz transpuesta, analizamos sus casos
particulares si la matriz es cuadrada, enunciamos sus correspondientes propiedades.
D E F I N I C I O N 1.3.1
Sea A = (a ij) una matriz de n x m. Mediante la transposicin se obtiene una
nueva matriz de m x n, representada por A T = (aji) cuyos elementos se
obtienen intercambiando filas por columnas.
T E O R E M A 1.3.1
Para toda matriz A = (a ij), se cumple que (A T)T = A.
D E M OST R A C I O N
Sea A = (a ij) una matriz cualquiera, entonces
(A T)T = ((a ij)T)T
= (a ji)T
= (a ij)
= A.
T E O R E M A 1.3.2
Para toda matriz A = (a ij) y para todo nmero k, se cumple que (k A)T = k A T.
D E M OST R A C I O N
Sea A = (a ij) una matriz cualquiera y sea k un nmero, entonces
(k A)T = (k(aij))T
= (ka ij)T
= (ka ji)
= k(a ji)
= k A T.
T E O R E M A 1.3.3
Para todo par de matrices A = (a ij) y B = (bij), se cumple que
(A + B)T = A T + B T.
D E M OST R A C I O N
Sean A= (a ij) y B = (bij) matrices de igual orden, entonces:
(A + B)T = (a ij + bij)T
= (c ij)T
= (c ji)
= (a ji + bji)
= (a ji) + (bji)
= A T + B T.
T E O R E M A 1.3.4
Para todo par de matrices A = (a ij) y B = (bij), compatibles para el producto,
se cumple
(A B)T = B T A T.
D E M OST R A C I O N
Sean A = (a ij) de n x k y B = (bij) de k x m. Entonces A B es de n x m y (A B)T es de m
x n. B T es de m x k y A T es de k x n, as que B T A T tambin es de m x n. Para probar
que (A B)T = B T A T, debemos ver que el elemento (i, j) de (A B)T es igual al elemento
(i, j) de B T A T. Escribimos A T = (aij) y B T = (bij). Notemos que aij = a ji y bij = bji. El
elemento (i, j) de B T A T es
k k k
bit atj bti a jt a jt bti
t 1 t 1 t 1
y la ltima suma es exactamente el elemento (j, i) de A B. Pero ste es el elemento
(i, j) de (A B)T. As pues, los elementos (i, j) de B T A T y de (A B)T son lo mismo; por
lo tanto, B T A T = (A B)T.
EJ E M P L O 1.3.1
Si A conmuta con B, demuestre que A T conmuta con B T.
SO L U C I O N
Siendo A B = B A, debemos probar que A T B T = B T A T. Es decir:
A T B T = (B A)T = (A B)T = B T A T.
EJ E M P L O 1.3.2
Suponga que A es n x n y X es n x 1. Demuestre que X T A X es de 1 x 1. Si X = B Y,
demuestre que X T A X = Y T(B T A B)Y.
SO L U C I O N
Conocemos que A es de n x n y X es de n x 1. Entonces X T A X es (1 x n)(n x n)(n x
1) = 1 x 1. Como X = B Y entonces
X T A X = (B Y)T A(B Y) = (Y T B T)A(B Y) = Y T(B T A B)Y.
D E F IN I C I O N 1.3.2
Una matriz cuadrada A se denomina simtrica, si se cumple que esta matriz
es igual a su transpuesta, es decir: A = A T.
Es claro que una matriz simtrica debe ser cuadrada; es simtrica con respecto a la
diagonal principal, es decir que, una reflexin en la diagonal principal deja a la
matriz sin cambio. Una matriz simtrica de n x n no tiene sus n2 elementos arbitrarios
puesto que a ij = a ji, ambos uno encima y otro debajo de la diagonal principal.
n2 n
El nmero de elementos de arriba de la diagonal principal es . Los elementos
2
de la diagonal son tambin arbitrarios. Entonces, el nmero total de elementos
n2 n n(n 1)
arbitrarios en una matriz simtrica de n x n es n .
2 2
EJ E M P L O 1.3.3
Dadas dos matrices simtricas A, B de orden n. Cundo es el producto A B
simtrico?
SO L U C I O N
Si A = A T y B = B T, entonces A B = (A B)T = B T A T = B A. Por lo tanto el producto A B
es simtrico, cuando es conmutativo, es decir A B = B A.
T E O R E M A 1.3.5
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
simtrica S mediante A + A T.
D E M OST R A C I O N
Como A es una matriz cuadrada y S = A + A T, entonces debemos probar que ST = S.
Es decir
ST = (A + A T)T
= A T + (A T)T
= AT + A
= A + AT
= S.
EJ E M P L O 1.3.4
Si A y B son matrices reales arbitrarias de n x n y A es simtrica, entonces B T A B es
simtrica.
SO L U C I O N
Debemos probar que (B T A B)T = B T A B, conociendo que A = A T:
(B T A B)T = B T A T(B T)T = B T A T B = B T A B.
EJ E M P L O 1.3.5
Dadas las matrices n x n simtricas A y B, entonces A + B es simtrica.
SO L U C I O N
Si A = A T y B = B T, entonces debemos probar que (A + B)T = A + B:
(A + B)T = A T + B T = A + B.
EJ E M P L O 1.3.6
Si A y B son matrices reales arbitrarias de n x n, entonces A B T + B A T es simtrica.
SO L U C I O N
Debemos probar que (A B T + B A T)T = A B T + B A T. Es decir:
EJ E M P L O 1.3.7
Para cualquier matriz A muestre que los productos A A T y A T A estn definidos y son
matrices simtricas.
SO L U C I O N
Si A es n x m, entonces A T es m x n. Por lo tanto A A T es n x n, A T A es m x m y los
productos estn definidos. Adems debemos probar que A A T = (A A T)T y A T A =
(A T A)T:
(A A T)T = (A T)T A T = A A T y (A T A)T = A T(A T)T = A T A.
EJ E M P L O 1.3.8
Dada la matriz
a a b a c
A a b b 2a b .
bc b c c
Encuentre una matriz S simtrica.
SO L U C I O N
Sabemos que S es simtrica si se cumple que S = A + A T. Es decir:
a a b a c a a b b c
T
S= A+A a b b 2a b a b b bc
b c b c c a c 2a b c
2a 2a a b 2c
2a 2b 2 a 2b c .
a b 2c 2 a 2b c 2c
%Ingreso de elementos
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ TRANSPUESTA B ES:\n')
B=A.'
end
fprintf(' LA MATRIZ SIMETRICA S ES:\n')
S=A*A.'
end
fprintf(' LA MATRIZ SIMETRICA Q ES:\n')
Q=A.'*A
end
D E F IN I C I O N 1.3.3
Una matriz cuadrada A se llama antisimtrica, si se cumple que esta matriz
es igual al opuesto de la transpuesta, es decir: A = -A T.
Una matriz antisimtrica es tambin una matriz cuadrada, y a ij = - a ji. Luego, los
elementos de la diagonal principal son cero, a ii = 0, y el nmero de elementos
n(n 1)
arbitrarios en una matriz antisimtrica de n x n es . Los elementos simtricos
2
respecto de la diagonal principal coinciden en una matriz simtrica y son opuestos en
una matriz antisimtrica.
EJ E M P L O 1.3.9
Sean A y B dos matrices antisimtricas de orden n. Demuestre que A B es
antisimtrica si y slo si B A = -A B. Cundo es simtrico el producto de dos
matrices antisimtricas?
SO L U C I O N
Como A y B son dos matrices antisimtricas, entonces: A = -A T; B = -B T y B A = -
A B. Debemos probar que (A B)T = - (A B).
(A B)T = B T A T = (- B)(- A) = B A = - (A B).
Adems, dado A = - A T; B = - B T y A B = - (A B)T. Debemos probar que A B = - B A.
A B = - (A B)T = - (B T A T) = - (- B)(- A) = - (B A).
Dado A = - A y B = - B T, debemos encontrar una condicin para que (A B)T = A B.
T
(A B)T = B T A T = (- B)(- A) = B A.
Por lo tanto, para que el producto de dos matrices antisimtricas sea simtrico es
necesario que B A = A B.
T E O R E M A 1.3.6
Para toda matriz cuadrada A, siempre es posible encontrar una matriz
antisimtrica R mediante A - A T.
D E M OST R A C I O N
Como A es una matriz cuadrada y R = A - A T, entonces debemos probar que R T = R.
Es decir
R T = (A - A T)T
= A T - (A T)T
= AT A
= - (A - A T)
= R.
T E O R E M A 1.3.7
Una matriz cuadrada A puede expresarse como la adicin de una matriz
simtrica S y una matriz antisimtrica B.
D E M OST R A C I O N
Sea S = (A + A T) y B = (A - A T), sumando las matrices S y B, obtenemos:
A =S+B
= (A + A T) + (A - A T)
= A + AT + A - AT
= A.
EJ E M P L O 1.3.10
Dada la matriz
a a b a c
A = a b b 2a b .
bc b c c
Encuentre una matriz R antisimtrica.
SO L U C I O N
Sabemos que R es antisimtrica si se cumple que R = A - A T. Es decir:
a a b a c a a b b c
R A-A T
a b b 2a b a b b b c
b c b c c a c 2a b c
0 2b a b
2b 0 2 a c .
a b 2 a c 0
EJ E M P L O 1.3.11
Dada una matriz simtrica A y una matriz antisimtrica B, ambas del mismo orden,
demuestre que si A y B conmutan, A B es antisimtrica.
SO L U C I O N
Si A = A T; B = - B T y A B = B A, entonces debemos probar que (A B)T = A B.
(A B)T = B T A T = (- B)(A) = - (B A) = - (A B).
EJ E M P L O 1.3.12
Si A y B son matrices antisimtricas, pruebe que A(A B + B A) (A B + B A)A es
simtrica.
SO L U C I O N
Sabemos que A T = -A, B T = -B y S = A(A B + B A) (A B + B A)A = A 2 B B A 2. Por
lo tanto, tenemos que mostrar que ST = S; es decir
ST = (A 2 B B A 2)T
= (A 2 B)T (B A 2)T
= B T(A T)2 (A T)2 B T
= (-B)(-A)2 (-A)2(-B)
= -B A 2 + A 2 B
= A 2B B A 2
= S.
De esta manera queda demostrado que A(A B + B A) (A B + B A)A es simtrica.
EJ E M P L O 1.3.13
Sea A una matriz antisimtrica. Demostrar que A 2n es una matriz simtrica y A 2n+1 es
una matriz antisimtrica.
SO L U C I O N
Por demostrar que A 2n = (A 2n)T, conociendo que A T = -A.
n = 1: A 2 = (A 2)T
n = k + 1: A 2k+2 = (A 2k+2)T
(A 2k+2)T = (A 2k A 2)T = (A 2)T(A 2k)T = A 2 A 2k = A 2k+2.
Por demostrar que A 2n+1 = -(A 2n+1)T, conociendo que A T = -A.
n = 1: A 3 = -(A 3)T
- (A 3)T = - (A A A)T = - ((-A T)(-A T)(-A T))T = ((A 3)T)T = A 3.
n = k: A = -(A 2k+1)T. Hiptesis inductiva.
2k+1
PR O B L E M AS
1.3.1 De ser posible, encuentre matrices de 2 x 2 tales que 1.3.6 Comprobar si existe alguna matriz A de 3 x 2 tal
A T A = A A T. que A T A = I.
1.3.11 De ser posible, encuentre todos los valores de a , 1.3.13 Encuentre matrices antisimtricas A y B de 3 x 3,
b y c para los cuales A es simtrica: que satisfagan la condicin A B = -B A.
3 3a b 5c a 4b 2c
A 1 4 a b c . 1.3.14 Dadas las matrices
1 2 4 6 0 0 0
1 5
A + B 2 3 9 , A + AT 0 0 0 ,
7 1 7 0 0 0
1.3.12 Dadas las matrices siguientes:
1 2 i 3i 0 0 0
4 3 i
A 1 3 0, B , B - BT 0 0 0 .
1 i 2 2i 2i i 2 1 3i 0 0 0
i 2 1 2 3 Hllense A y B.
C 4 6 , D 6 8 4i.
3 i 1 3i i 1.3.15 Si A es una matriz simtrica, demuestre que
i 2A 2 3 + I es simtrica.
Determine las siguientes operaciones:
a.- (3D T B T C T)T; b.- B(A D)T C;
c.- A(B T B C C T).
En esta seccin se introduce la terminologa bsica y se definen las matrices conjugadas y transpuesta -
conjugada, analiza mos sus casos particulares si la matriz es cuadrada, enuncia mos sus correspondientes
propiedades.
D E F IN I C I O N 1.4.1
Mediante la conjugacin, una matriz cualquiera A se transforma en una
nueva matriz, representada por A , cuyos elementos se construyen mediante
la regla
f :AoA
( aij ) o ( aij ) ( aij ) i, j .
La conjugada de la matriz
2 1 i 5 2 1 i 5
A es A .
1 4 4 3i 1 4 4 3i
T E O R E M A 1.4.1
Para toda matriz A = (a ij), se cumple que A = A .
D E M OST R A C I O N
Si A es una matriz, entonces
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
44 MATRICES
A = ( aij ) ( aij ) ( a ji ) A.
T E O R E M A 1.4.2
Para toda matriz A = (a ij) y para todo nmero k, se cumple que ( k A ) k A .
D E M OST R A C I O N
Dada A una matriz y k un nmero complejo, entonces
( k A ) ( k ( aij )) ( kaij ) ( k aij ) k ( aij ) k A .
T E O R E M A 1.4.3
Para todo par de matrices A = (a ij) y B = (bij) de n x m, se cumple que
A+B= A+B .
D E M OST R A C I O N
Dadas A y B dos matrices compatibles para la suma, entonces
A + B = ( aij + bij ) (cij ) (cij ) ( aij bij ) ( aij ) (bij ) A + B .
T E O R E M A 1.4.4
Para todo par de matrices A = (a ik) y B = (bkj) compatibles para el producto,
se cumple A B = A B .
D E M OST R A C I O N
Dadas A y B dos matrices compatibles para el producto, entonces
A B = aik bkj (cij ) (cij ) aik bkj AB .
k k
D E F IN I C I O N 1.4.2
La aplicacin sucesiva y de orden indistinto de la conjugacin y la
transposicin sobre una matriz A se representa por A +. La nueva matriz
recibe el nombre de matriz conjugada - transpuesta de A y se nota de la
siguiente manera:
A + = ( A )T = A T .
T E O R E M A 1.4.5
Para toda matriz arbitraria A, se cumple que (A +)+ = A.
D E M OST R A C I O N
Dada una matriz A arbitraria, entonces
( A + )+ = (( A T ))T (( A T )T ) = ( A ) = A .
T E O R E M A 1.4.6
Para toda matriz arbitraria A y para todo nmero k, se cumple que
( k A ) k A .
D E M OST R A C I O N
Dada la matriz A arbitraria y k un nmero complejo, entonces
( k A ) + = ( k A )T = ( k A T ) = k ( A T ) = k A + .
T E O R E M A 1.4.7
Para todo par de matrices A y B de n x m, se cumple que (A + B)+ = A + + B +.
D E M OST R A C I O N
Dadas A y B dos matrices compatibles para la suma, entonces
( A + B ) + = ( A + B )T = ( A T + B T ) = ( A T ) + ( B T ) = A + + B + .
T E O R E M A 1.4.8
Para todo par de matrices A y B compatibles para el producto, se cumple
(A B)+ = B + A +.
D E M OST R A C I O N
Dadas A y B dos matrices compatibles para la suma, entonces
( A B )+ = ( A B )T = ( B T A T ) = ( B T )( A T ) = B + A + .
EJ E M P L O 1.4.1
Demostrar que si las matrices A y B son conmutables, lo son tambin las matrices A +
y B +.
SO L U C I O N
Si A B = B A, entonces debemos demostrar que A + B + = B + A +. Es decir:
A + B + = (B A)+ = (A B)+ = B + A +.
Con lo cual se verifica que A + y B + son conmutables.
EJ E M P L O 1.4.2
Demuestre que si A es una matriz compleja y A + A = O, entonces A = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O.
% MATRIZ TRANSPUESTA-CONJUGADA
clc;clear;
fprintf('\n MATRIZ TRANSPUESTA-CONJUGADA \n')
fil=input('Ingrese el numero de filas: ');
col=input('Ingrese el numero de columnas: ');
%Ingreso de elementos
for f=1:fil
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
46 MATRICES
D E F I N I C I O N 1.4.3
Matrices hermticas, son las matrices para las cuales la transpuesta
conjugada es igual a la matriz original. Es decir:
A + = A.
E J E M P L O 1.4.3
Si A es una matriz de m x n con elementos complejos, entonces:
a.- A A + es hermtica; b.- A + A es hermtica.
SO L U C I O N
a.- Tenemos que probar que (A A +)+ = A A +. Es decir
(A A +)+ = (A +)+ A + = A A +.
b.- Tenemos que probar que (A + A)+ = A + A. Es decir
(A + A)+ = A +(A +)+ = A + A.
E J E M P L O 1.4.4
Dada A arbitraria, demustrese:
a.- (A A + - A + A) es hermtico; b.- (A A + + A + A) es hermtico.
SO L U C I O N
a.- Por demostrar que (A A + - A + A) = (A A + - A + A)+. Es decir:
(A A + - A + A)+ = (A A +)+ - (A + A)+ = (A +)+ A + - A +(A +)+ = A A + - A + A.
b.- Por demostrar que (A A + + A + A) = (A A + + A + A)+. Es decir:
(A A + + A + A)+ = (A A +)+ + (A + A)+ = (A +)+ A + + A +(A +)+ = A A + + A + A.
E J E M P L O 1.4.5
Toda matriz real y simtrica es hermtica.
SO L U C I O N
Sea A esta matriz, entonces, A T = A y A = A , luego:
A + = ( A )T = A T = A .
E J E M P L O 1.4.6
La condicin necesaria y suficiente para que el producto de dos matrices hermticas
A y B sea hermtico es que A B = B A.
SO L U C I O N
Se sabe que A + = A y B + = B, entonces:
i.- Supngase que A B = B A, pero,
A B = B A = B + A + = (A B)+
y por lo tanto el producto es hermtico.
ii.- Supngase que A B = (A B)+, entonces:
A B = (A B)+ = B + A + = B A
y por tanto, A B = B A.
EJ E M P L O 1.4.7
Sea A = B + i C la descomposicin hermtica de una matriz A. Hallar la descomposi-
cin hermtica de la matriz A +.
SO L U C I O N
Para que B + i C sea la descomposicin hermtica de la matriz A, entonces, B es real
y simtrica, y C es real y antisimtrica. Por tanto, para la descomposicin hermtica
de A +, las matrices B y C deben cumplir las mismas condiciones y (A +)+ = A.
E J E M P L O 1.4.8
Si A es una matriz arbitraria de n x n con elementos complejos, entonces:
a.- A + A + es hermtica; b.- A - A + es antihermtica.
SO L U C I O N
a.- Tenemos que probar que (A + A +)+ = A + A +.
(A + A +)+ = A + + (A +)+ = A + + A = A + A +.
b.- Tenemos que probar que (A - A +)+ = - (A - A +).
(A - A +)+ = A + - (A +)+ = A + - A = - (A - A +).
EJ E M P L O 1.4.9
Demuestre que si A es hermtica y A = O, entonces A 2 = O.
SO L U C I O N
Si A = O, entonces:
A + A = A + O A + A = O A A = O A 2 = O.
E J E M P L O 1.4.10
Prubese que toda matriz hermtica A puede escribirse como A = B + i C, siendo B
real y simtrica y C real y antisimtrica.
SO L U C I O N
Debemos probar que A + = A:
A + = (B + i C)+ = B + + (i C)+ = B + + i C + = B T - i C T = B i(-C) = B + i C = A.
D E F IN I C I O N 1.4.4
Matrices antihermticas, son aquellas para las cuales la transpuesta
conjugada es igual al opuesto de la matriz original. Es decir:
A + = - A.
EJ E M P L O 1.4.11
La condicin necesaria y suficiente para que el producto de dos matrices
antihermticas A y B sea hermtico es A B = B A.
SO L U C I O N
Se sabe que A + = -A y B + = -B, entonces:
i.- Sea A B = B A, entonces:
A B = B A = (-B)(-A) = B + A + = (A B)+
y por tanto el producto es hermtico.
ii.- Sea A B = (A B)+, entonces:
A B = (A B)+ = B + A + = (-B)(-A) = B A,
y por tanto, A B = B A.
EJ E M P L O 1.4.12
Toda matriz compleja se puede escribir como suma de una matriz real y una matriz
imaginaria; es decir, si C es compleja, entonces C = A + i B donde A y B son matri-
ces reales. Demuestre que C es hermtica si y slo si A es simtrica y B es antisim-
trica. Pruebe que C es antihermtica si y slo si A es antisimtrica y B es simtrica.
SO L U C I O N
a) Como C = A + i B con A y B matrices reales, A es simtrica y B es antisim-
trica, debemos demostrar que C + = C. Es decir:
C + = (A + i B)+ = A + i B + = A i(-B) = A + i B = C.
Como C = A + i B con A y B matrices reales y C + = C, debemos demostrar que
A es simtrica y B es antisimtrica. Es decir:
C + = (A + i B)+ = A + i B + = A T i B T
para que C = C, A debe ser simtrica A T = A y B debe ser antisimtrica B T = -B.
+
EJ E M P L O 1.4.13
Sean A y B matrices antihermticas. En qu condiciones es C = m A + n B una
matriz antihermtica?
SO L U C I O N
Debemos probar que C + = -C, bajo ciertas condiciones:
C + = (m A + n B ) + = (m A ) + + ( n B ) +
+ +
m A + n B = -(m A + n B ) = - C , si m, n
=
+ +
m A + nB = -(m A + nB ) z - C , si m, n
Es decir C + = -C si m y n son nmeros reales.
EJ E M P L O 1.4.14
Exprese la matriz A como suma de una matriz hermtica y una antihermtica.
2 i i 1 2i
A = 1 i 2 2 2i .
3 1 i 2 2i
SO L U C I O N
Una matriz hermtica es S = (A + A +), es decir:
2 i i 1 2i 2 i 1 i 3 4 1 2i 4 2i
1 1
S 1 i 2 2 2 i i 2 1 i 1 2 i 4 3 3i .
2 2
3 1 i 2 2i 1 2i 2 2i 2 2i 4 2i 3 3i
4
Una matriz antihermtica es R = (A + - A), es decir:
2 i 1 i 3 2 i i 1 2i 2i 1 2 2i
1 1
R i 2 1 i 1 i 2 2 2i 1 0 1 i .
2 2
1 2i 2 2i 2 2i 3 1 i 2 2i 2 2i 1 i 4i
Comprobacin: A = S - R.
4 1 2i 4 2i 2i 1 2 2i 2 i i 1 2i
1
A 1 2i 4 3 3i 1 0 1 i 1 i 2 2 2i .
2
4 2i 3 3i
4 2 2i 1 i 4i 3 1 i 2 2i
D E F I N I C I O N 1.4.5
Una matriz A de n x n para la cual el producto con su transpuesta conjugada
es conmutativo, se denomina normal. Es decir:
A + A = A A +.
EJ E M P L O 1.4.15
Sean D, F y G matrices diagonales de n x n en las que los elementos de las diagona-
les principales sean respectivamente nmeros reales, imaginarios puros y complejos
de mdulo 1. Si U es una matriz unitaria n x n, demustrese que las matrices U + DU,
U + F U y U + G U son respectivamente hermtica, antihermtica y unitaria.
SO L U C I O N
a.- Como D es una matriz diagonal real y UU + = U + U = I, entonces debemos probar
que U + DU es una matriz hermtica. Es decir:
(U + DU)+ = U + D +(U +)+ = U + D + U = U + DU;
b.- Como F es una matriz diagonal imaginaria y UU + = U + U = I, entonces debemos
probar que U + F U es una matriz antihermtica. Es decir:
(U + F U)+ = U + F +(U +)+ = U + F + U = U +(-F)U = -(U + F U);
c.- Como G es una matriz diagonal compleja de mdulo 1 y UU + = U + U = I, enton-
ces debemos probar que U + G U es una matriz unitaria. Es decir:
(U + G U)+(U + G U) = U + G +(U +)+U + G U = U + G + UU + G U = U + G + I G U
= U + G + G U = U + IU = U + U = I.
(U G U)(U G U) = U + G UU + G +(U +)+ = U + G UU + G + U = U + G I G + U
+ + +
= U + G G + U = U + IU = U + U = I.
E J E M P L O 1.4.16
Demuestre que una matriz real antisimtrica es normal.
SO L U C I O N
Para que una matriz sea real y antisimtrica, debe cumplir que A = A y A T = -A.
Debemos probar que esta matriz es normal, es decir
A A + = A ( A )T = A A T = A (- A ) = - A 2 = (- A ) A = A T A = ( A )T A = A + A .
Por tanto se cumple que A A + = A + A y la matriz A es normal.
EJ E M P L O 1.4.17
Demuestre que una matriz antihermtica es normal.
SO L U C I O N
Como A + = -A, hay que demostrar que A + A = A A +. Es decir:
A + A = (-A)A = A(-A) = A A +.
Con lo cual queda probado que una matriz antihermtica es normal.
EJ E M P L O 1.4.18
Sean A y B matrices normales y A B = O. Resulta de esto que B A = O?
SO L U C I O N
Como A + A - A A + = O, B + B - B B + = O y A B = O, entonces:
(A + A - A A +)(B + B - BB +) = O
A A B B A + A B B + A A + B + B + A A +B B + = O
+ +
A + A B B + A + A B B + A + A BB + + A + A B B + = O
A O B + A + O B + A + O B + + A + O B + = O O = O.
+
EJ E M P L O 1.4.19
Demuestre que si C = A + i B donde A y B son matrices reales y simtricas, entonces
C es normal si y slo si A y B conmutan.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 51
SO L U C I O N
Como C = A + i B con A y B son matrices reales y simtricas y C C + = C + C,
entonces debemos probar que A B = B A. Es decir:
(A + i B)(A + i B)+ = (A + i B)+(A + i B)
(A + i B)(A + i B +) = (A + i B +)(A + i B)
(A + i B)(A i B) = (A i B)(A + i B)
A 2 i A B + i B A + B2 = A2 + i A B iB A + B2
-i A B + i B A = i A B i B A 2i B A = 2i A B A B = B A.
Como C = A + i B con A y B son matrices reales y simtricas y A B = B A, en-
tonces debemos probar que C C + = C + C. Es decir:
C C + = (A + i B)(A + i B)+
= (A + i B)(A + i B +)
= (A + i B)(A i B)
= A 2 i A B + iB A + B2
= A 2 iB A + i A B + B2
= (A i B)A + (A i B)I b
= (A i B)(A + i B)
= (A + i B +)(A + i B)
= (A + i B)+(A + i B)
= C + C.
EJ E M P L O 1.4.20
Demostrar que una matriz A es una matriz normal si, y slo si, las matrices B y C de
su descomposicin hermtica A = B + i C son conmutables.
SO L U C I O N
Debemos probar que A + A = A A +. Es decir:
A + A = (B + i C)+(B + i C)
= (B + - i C +)(B + i C)
= B +B + i B + C i C + B + C + C
= BB + - i B C + + i C B + + C C +
= (B + i C)(B + - i C +)
= (B + i C)(B + i C)+
= A A +.
EJ E M P L O 1.4.21
Sea A = B + i C una matriz normal compleja de n x n. Demostrar que la matriz D real
de 2n x 2n
B -C
D=
C B
es tambin normal.
SO L U C I O N
Si A es una matriz normal, entonces las matrices B y C de la descomposicin herm-
tica A = B + i C son conmutables. Por lo tanto:
+
B -C B -C B C B -C BB + CC -BC + CB
D+ D = = =
C B C B -C B C B -CB + BC CC + BB
B B + C C B C - C B B -C B C B -C B -C + +
= = =
C B - B C C C + B B C B -C B C B = DD .
C B
Con esto queda demostrado que D es una matriz normal.
E J E M P L O 1.4.22
Sea A una matriz normal y supngase que conmuta con una cierta matriz B. De-
muestre que:
a.- A + conmuta con B; b.- A conmuta con B +.
SO L U C I O N
Si una matriz normal conmuta con una matriz B, entonces:
a.- (A A +)B = B(A + A) A(A + B) = (B A +)A A + B = B A +
b.- (A A + B)+ = (B A + A)+ B +(A A +)+ = (A + A)+ B + B + A A + = A + A B +
(B + A)A + = A +(A B +) B + A = A B +.
PR O B L E M AS
1.4.1 Demuestre mediante un ejemplo que, si A y B son 1.4.6 Sean A y B matrices normales conmutables, A = C
matrices hermticas, no necesariamente se cumple que A B + i D, B = E + i F, sus descomposiciones hermticas. De-
sea hermtica. Qu se cumple si A y B son hermticas y muestre que todas las matrices C, D, E y F son conmuta-
A B = B A? bles.
1.4.2 Pruebe con un ejemplo, que existe una matriz com- 1.4.7 Dar ejemplos que muestren que en el caso general
pleja simtrica que no es normal. la suma A + B y el producto A B de matrices normales A
y B ya no sern matrices normales.
1.4.3 Sea A una matriz antihermtica y A n = I para algn
n > 0, demuestre que A 4 = I. 1.4.8 Pruebe con un ejemplo, que hay una matriz com-
pleja antisimtrica que no es normal.
1.4.4 Demuestre: Los elementos de la diagonal principal
de una matriz hermtica son reales y que los elementos de 1.4.9 Dada la matriz
la diagonal principal de una matriz antihermtica son 2 1 3i 1 4i
imaginarios puros. Qu son los elementos de la diagonal
A 6 2i 1 3 i .
principal de una matriz antisimtrica?
1 6 3 S S
1.4.5 Demuestre mediante un ejemplo que, si A y B son a.- Exprsese la matriz A como suma de una matriz her-
matrices hermticas, no necesariamente se cumple que A B mtica y otra antihermtica.
sea hermtica. Qu se cumple si A y B son hermticas y b.- Hallar 3 matrices hermticas diferentes a la del apar-
A B = B A? tado a).
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
MATRICES 53
1.5 T R A Z A D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la traza de una matriz, enunciamos sus
correspondientes propiedades.
D E F I N I C I O N 1.5.1
Sea una matriz cuadrada A = (a ij). Se define la traza de una matriz A, a la
suma de los elementos que componen la diagonal principal, representada
por
n
Tr( A ) a11 a22 ... ann aii .
i 1
T E O R E M A 1.5.1
Para todo par de matrices cuadradas A = (a ij) y B = (bij) de igual orden,
entonces
Tr(A + B) = Tr(A) + Tr(B).
D E M OST R A C I O N
Dadas A y B matrices cuadradas compatibles para la suma y A + B = C, entonces
n n n n
Tr( A + B ) = Tr( C ) (cii ) ( aii bii ) aii bii Tr( A ) + Tr( B ) .
i 1 i 1 i 1 i 1
T E O R E M A 1.5.2
Para toda matriz cuadrada A = (a ij) y para todo nmero k, entonces
Tr(k A) = kTr(A).
D E M OST R A C I O N
Dada A una matriz cuadrada y k un nmero, entonces
n n
Tr( k A ) kaii k aii kTr( A ) .
i 1 i 1
T E O R E M A 1.5.3
Para toda matriz cuadrada A = (a ij), entonces
Tr(A T) = Tr(A).
D E M OST R A C I O N
Sea A una matriz cuadrada, al transponer esta matriz, podemos observar que la
matriz A T conserva el mismo orden de A y, adems los elementos de la diagonal
principal no varan. Es decir
n n
Tr( A T ) aii a jj Tr( A ) .
i 1 i 1
T E O R E M A 1.5.4
Para todo par de matrices cuadradas y compatibles para el producto
A = (a ik) y B = (bkj), entonces Tr(A B) = Tr(B A).
D E M OST R A C I O N
Sean A B = C, B A = D, de modo tal que
n n
cij aik bkj y d ij biq aqj
k 1 q 1
Ahora bien
n n n
Tr( A B ) = Tr( C ) = cii aik bki
i 1 k 1 k 1
n n n
Tr( B A ) = Tr( D ) = d pp bpq aqp
p 1 p 1 q 1
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
54 MATRICES
EJ E M P L O 1.5.1
Si Tr(A) = 0, pruebe que existen matrices B y C tales que A = B C C B.
SO L U C I O N
Como A = B C C B, entonces:
Tr(A) = Tr(B C C B) = Tr(B C) Tr(C B) = Tr(B C) Tr(B C) = 0.
Con esto se demuestra que existen matrices B y C.
EJ E M P L O 1.5.2
Si Tr(A B C) = Tr(C B A) para toda matriz C, pruebe que A B = B A.
SO L U C I O N
Si A B = B A, entonces A B C = B A C. Haciendo que B A = D, obtenemos:
Tr(A B C) = Tr(B A C) = Tr(D C) = Tr(C D) = Tr(C B A).
Con esto probamos que las matrices A y B son conmutativas.
EJ E M P L O 1.5.3
Sean A y B matrices hermticas complejas de un mismo orden. Demuestre que la
traza de la matriz A B es un nmero real.
SO L U C I O N
Dadas las matrices A y B hermticas complejas de igual orden, entonces
Tr( A B ) = Tr( A + B + ) = Tr( B A )+ = Tr( B A )T = Tr( B A )
lo cual indica que Tr(A B) es un nmero real.
E J E M P L O 1.5.4
1 3
Dada la matriz A , determine una matriz B tal que Tr(A B) = Tr(A)Tr(B).
5 2
SO L U C I O N
La matriz B debe tener la misma forma que la matriz A. Es decir
a b a 3c b 3d
B = y AB = .
c d 5a 2c 5b 2d
Por lo tanto
Tr(A B) = a + 3c + 5b + 2d, Tr(A) = 3, Tr(B) = a + d.
Por tanto
a + 5b + 3c + 2d = 3a + 3d 2a - 5b 3c + d = 0
La familia de matrices que cumple esta condicin esta dada por
a b
S = / 2 a 5b 3c d 0 .
c d
for c=1:filcol
fprintf('Ingrese el elemento (%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
end
fprintf(' LA MATRIZ A ES:\n')
TrA=trace(A)
end
PR O B L E M AS
1.6 PO T E N C I A D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la n-sima potencia de una matriz, analizamos sus
casos particulares, enunciamos sus correspondientes propiedades.
D E F I N I C I O N 1.6.1
Sea A una matriz cuadrada y n . Se define la n-sima potencia de A
como el producto, repetido n veces, de A por s misma, y se simboliza
por A n, Es decir
A A ... A = A n .
n veces
T E O R E M A 1.6.1
Si dos matrices conmutan sus potencias naturales tambin conmutan.
D E M OST R A C I O N
Sean A, B compatibles para el producto y A B = B A. Si se multiplica A B = B A por la
izquierda por B n-1, obtenemos que B n-1 = B n A, o, lo que es lo mismo,
B n A = B n-1 B A = B n-1 A B = B n-2 B A B = B n-2 A B 2 = ... = A B n,
por lo tanto, A B n - B n A = O. Si multiplicamos la ecuacin anterior por la izquierda
por A m-1, obtendremos que A m-1 B n A = A m B n, o, lo que es lo mismo,
A m B n = A m-1 B n A = A m-2 B n A 2 = ... = B n A m,
por lo tanto, A B - B n A m = O. Esto quiere decir que si las matrices A y B son
m n
EJ E M P L O 1.6.1
Dada la matriz
a 0 0
A = 0 b 0 ,
c 0 0
siendo a, b, c K. Determine A k para todo k . Calclese tambin p(A) para el
polinomio p(x) = 1 + x5 + x7.
SO L U C I O N
a 0 0
n = 1: 0 b 0 ;
c 0 0
a 0 0 a 0 0 a 0
2
0
2
n = 2: 0 b 0 0 b 0 0 b 0 ;
c 0 0 c 0 0 ac 0
0
a2 0 0 a 0 0 a3 0 0
n = 3: 0 b2 0 0 b 0 0 b3 0 ;
ac 0 0 c 0 0 a 2 c 0 0
ak 0 0
k
A 0 bk 0 .
k 1
a c 0 0
p( A ) I + A 5 + A 7
1 0 0 a 0 a7 0 0
5
0
5
0 1 0 0 b 0 0 b7 0
0 0 1 4
a c 0 0 a 6 c 0 0
1 a5 a7 0 0
0 1 b b7
5
0 .
4
a c (1 a 2 ) 0 0
EJ E M P L O 1.6.2
ab 2
Sean a, b, c, d nmeros arbitrarios; se considera la matriz A . Calcular A
cd
y probar que existen nmeros p y q, que se calculan en funcin de a, b, c y d, tales
que A 2 p A q I = O. Indicar en qu casos los coeficientes p y q no son nicos.
SO L U C I O N
Para encontrar A 2, debemos multiplicar A A:
a b a b a bc ab bd
2
c d c d ac cd bc d 2
a b a b a b 1 0
A 2 p A qI p q
c d c d c d 0 1
a 2 bc ab bd pa pb q 0
ac cd bc d 2 pc
pd 0 q
a 2 bc pa q ab bd pb 0 0
ac cd pc bc d 2 pd q 0 0
(1) a 2 bc pa q 0
(2) ab bd pb 0 a 2 d 2 p( a d ) 0
(1) (4)
(3) ac cd pc 0 (2) (3) (b c )( a d ) p(b c ) 0
(4) bc d 2 pd q 0
p a d
bzc .
azd
Reemplazamos el valor encontrado de p en la primera o cuarta ecuacin, y
obtenemos que q = bc ad. Adems p y q no son nicos cuando b z c y a z d.
EJ E M P L O 1.6.3
Demostrar que las matrices dadas satisfacen las ecuaciones que se indican:
1 3 2
a.- A = ; A 3A + 8I = O;
2 2
a b 2
b.- A = ; A (a + d)A + (ad bc)I = O.
c d
SO L U C I O N
1 3 1 3 1 3 1 0
a.- 3 8
2 2 2 2 2 2 0 1
5 9 3 9 8 0 0 0
;
6 2 6 6 0 8 0 0
a b a b a b 1 0
b.- (a d ) ( ad bc )
c d c d c d 0 1
a 2 bc ab bd a 2 ad ab bd ad bc 0 0 0
ac cd
.
cb d 2 ac cd ad d 2 0 ad bc 0 0
E J E M P L O 1.6.4
Sea la matriz
0 1
B .
0 0
Se considera la familia de matrices de la forma C = a I + b B, donde a, b son escalares
reales. Calclese C n, n Z +.
SO L U C I O N
1 0 0 1 a b
C a b
0 1 0 0 0 a
a b
n = 1: C ;
0 a
a b a b a 2ab
2
n = 2: C2 ;
0 a 0 a 0 a 2
a 2 2 ab a b a 3 3a 2b
n = 3: C3 ;
0 a 2 0 a 0 a 3
a3 3a 2 b a b a 4 4 a 3b
n = 4: C4 ;
0 a 3 0 a 0 a 4
Por tanto
an na n 1b
Cn .
0 a n
EJ E M P L O 1.6.5
Sea la matriz A, hallar A n para todo n Z +:
1 0 1 1 1 1 0 a b
a.- A = 0 0 0 ; b.- A 1 1 1 ; c.- A 0 0 c .
1 0 1 1 1 1 0 0 0
SO L U C I O N
1 0 1
a.- Como A 0 0 0 , entonces:
1 0 1
1 0 1 1 0 1 2 0 2
2
n = 2: A 0 0 0 0 0 0 0 0 0 2A ;
1 0 1 1 0 1 2 0 2
2 0 2 1 0 1 4 0 4
n = 3: A3 0 0 0 0 0 0
2
0 0 0 4A 2 A ;
2 0 2 1 0 1 4 0 4
4 0 4 1 0 1 8 0 8
n = 4: A 0 0 0
4
0 0 0
0 0 0 8A 23 A .
4 0 4 1 0 1 8 0 8
Por lo tanto: A n = 2n -1 A.
1 1 1
b.- Como A 1 1 1 , entonces:
1 1 1
1 1 11 1 1 3 3 3
2
n = 2: A 1 1 11 1 1 3 3 3 3 A ;
1 1 11 1 1 3 3 3
3 3 3 1 1 1 9 9 9
n = 3: A3 3 3 3 1 1 1 9 9 9 9 A 32 A ;
3 3 3 1 1 1 9 9 9
9 9 9 1 1 1 27 27 27
n = 4: A4 9 9 9 1 1 1 27 27 27 27 A 33 A .
9 9 9 1 1 1 27 27 27
Por lo tanto: A n = 3n-1 A.
0 a b
c.- n = 1: 0 0 c ;
0 0 0
0 a b 0 a b 0 0 ac
n = 2: 0 0 c 0 0 c 0 0 0 ;
0 0 0 0 0 0 0 0 0
0 0 ac 0 a b 0 0 0
n = 3: 0 0 0 0 0 c 0 0 0 .
0 0 0 0 0 0 0 0 0
Por lo tanto: A n = O, n > 2.
EJ E M P L O 1.6.6
Si A es una matriz de 2 x 2 que satisface A 2 A + I = O, determine A 3n en trminos
de A para n Z +.
SO L U C I O N
Como A 2 A + I = O, entonces, A 2 = A I. Multiplicando ambos miembros de esta
ecuacin por A sucesivamente, obtenemos:
A3 = A2 A A4 = A3 A2 A5 = A4 A3 A6 = A5 A4
Por lo tanto A 3n = A 3n-1 A 3n-2.
E J E M P L O 1.6.7
Sean las matrices A, B, compatibles para el producto, entonces se cumple, para
cualquier potencia de B
m-1
A B m - B m A = B k ( A B - B A ) B m- k -1 .
k =0
SO L U C I O N
Demostraremos la identidad utilizando el proceso de induccin matemtica
m-1
P(m): A B m - B m A = B k ( A B - B A ) B m- k -1 .
k =0
0
P(1): A B1 - B1 A = B k ( A B - B A ) B -k
k=0
A B B A = B 0(A B B A)B 0 = I(A B B A)I = A B B A.
n -1
P(n): A B n - B n A = B k ( A B - B A ) B n- k -1 .
k =0
n
P(n+1): A B n +1 - B n +1 A = B k ( A B - B A ) B n- k
k =0
n-1
= B k ( A B - B A ) B n- k + B n ( A B - B A ) B 0
k =0
n-1
= B k ( A B - B A ) B n- k -1 B + B n ( A B - B A ) I
k =0
= ( A Bn - Bn A )B + Bn ( A B - B A )
= AB n+1 - B n AB + B n AB - B n+1 A
= A B n+1 - B n+1 A
Por lo tanto P(m) es verdadera.
E J E M P L O 1.6.8
Sean A y B matrices de n x n tales que A B = B A = O. Demuestre que
(A + B)k = A k + B k, para k .
SO L U C I O N
Ya que A y B son conmutativas, podemos utilizar el teorema del binomio. Es decir:
k k
( A + B ) k = A k -i B i
i =0 i
k k 0 k k -1 1 k k -2 2 k 0 k
A B A B A B A B
0 1 2 k
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
60 MATRICES
k k
= A k B0 + A 0B k = A k + B k .
0 k
E J E M P L O 1.6.9
Dada la matriz, calcular A n siendo n Z +:
2 1 1 1
a.- ; b.- .
3 2 1 0
SO L U C I O N
2 1 2 1 2 1 1 0
a.- n = 1: ; n = 2: ;
3 2 3 2 3 2 0 1
1 0 2 1 2 1 2 1 2 1 1 0
n = 3: ; n = 4: .
0 1 3 2 3 2 3 2 3 2 0 1
Cuando n es impar A n = A; cuando n es par A n = I.
1 1 1 1 1 1 2 1
b.- n = 1: ; n = 2: ;
1 0 1 0 1 0 1 1
2 11 1 3 2 3 2 1 1 5 3
n = 3: ; n = 4: ;
1 11 0 2 1 2 1 1 0 3 2
5 3 1 1 8 5
n = 5: .
3 2 1 0 5 3
a11 : 1 2 3 5 8
a12 : 1 1 2 3 5
a21 : 1 1 2 3 5
a22 : 0 1 1 2 3
Por lo tanto
an an 1
An .
an 1 an 2
E J E M P L O 1.6.10
Encuentre una familia de matrices de 2 x 2 para que cumplan lo siguiente:
a.- sean idempotentes; b.- sean nilpotentes de ndice 2; c.- sean involutorias.
SO L U C I O N
a.- Para que una matriz A sea idempotente, debe cumplirse que A 2 = A. Es decir:
a b a b a b a 2 bc ab bd a b
.
c d c d c d ca dc d bc c d
2
c.- Para que una matriz A sea involutoria, debe cumplirse que A 2 = I. Es decir:
a b a b 1 0 a 2 bc ab bd 1 0
.
c d c d 0 1
ca dc d 2 bc 0 1
Debemos resolver el sistema
(1) a 2 bc 1
(2) ab bd 0
(3) ca dc 0
(4) d 2 bc 1
Restando la cuarta ecuacin de la primera, obtenemos
ad 0
a 2 d 2 0 ( a d )( a d ) 0 ad 0
ab bd 0 ab bd 0
ca dc 0 ca dc 0 ab bd 0
ca dc 0
De donde concluimos que a = d = 0 y reemplazando estos valores en las ecuaciones
(1) y (4), obtenemos bc = 1 donde tenemos dos alternativas b = 1/c, c z 0 o c = 1/b,
b z 0. Por lo tanto dos de las posibles soluciones son
0 1/ c 0 b
A y A .
c 0 1/ b 0
E J E M P L O 1.6.11
Si A, B, C son matrices cuadradas de igual orden que cumplen lo siguiente: C es
nilpotente, ndice de nilpotencia 2, B y C son conmutativas y A = B + C.
Demustrese que, para todo n Z +, se cumple la ecuacin A n+1 = B n(B + (n + 1)C).
SO L U C I O N
Sabemos que A n+1 = A n A, entonces:
A n+1 = (B + C)n+1
= (B + C)n(B + C)
= (B n + k B n-1 C + n(n - 1)B n-2 C 2 + ... + C n)(B + C)
= (B n + n B n-1 C + C n)(B + C)
= B n B + B n C + n B n C + n B n-1 C 2 + C n B + C n+1
= B n+1 + (n + 1)B n C = B n(B + (n + 1)C).
E J E M P L O 1.6.12
Si A es nilpotente de ndice 2, demustrese que A(I A)n = A, siendo n Z +.
SO L U C I O N
A(I A)n = A(I n n I n-1 A n(n - 1)I n-2 A 2 . . . A n)
= A I n n I n-1 A 2 . . . A n+1
= A A n-1 A 2
= A.
E J E M P L O 1.6.13
Sea una matriz cuadrada tal que A 2 = A. Demustrese que A n = A, para todo n Z +.
SO L U C I O N
Probaremos esta proposicin utilizando el proceso de induccin matemtica.
Si A 2 = A, entonces:
P(n) : A n = A
P(1) : A 1 = A
P(k) : A k = A. Verdadero por hiptesis inductiva.
P(k + 1) : A k+1 = A
A k+1 = A k A = A A = A 2 = A,
lo cual es verdadero. Por lo tanto se cumple que A n = A.
E J E M P L O 1.6.14
Demustrese que si A B = A y B A = B, entonces A y B son idempotentes.
SO L U C I O N
Para que A y B sean idempotentes, debe cumplirse: A 2 = A y B 2 = B.
A2 = A A = A B A B = A B B = A B = A
2
B = B B = B A B A = B A A = B A = B.
E J E M P L O 1.6.15
Si A es una matriz involutoria, demustrese que (I + A) y (I - A) son matrices
idempotentes y que [(I + A)][(I - A)] = O.
SO L U C I O N
[(I + A)]2 = (I + A)(I + A) = (II + I A + A I + A A) si A 2 = I
= (I + 2I A + I) = (2I + 2A) = (I + A) es idempotente.
[(I - A)]2 = (I - A)(I - A) = (II - I A - A I + A A) si A 2 = I
= (I - 2I A + I) = (2I - 2A) = (I - A) es idempotente.
[(I + A)][(I - A)] = (I + A)(I - A) = (II - I A + A I - A A) si A 2 = I
= (I - I) = O.
E J E M P L O 1.6.16
Prubese que la matriz A es involutoria si y slo si, se cumple que
(I - A)(A + I) = O.
SO L U C I O N
Para que la matriz A sea involutoria es necesario que se cumpla A 2 = I.
(I - A)(A + I) = I A + II - A A - A I = A + I 2 A 2 - A = I I = O.
E J E M P L O 1.6.17
Las potencias naturales n t 2 de una matriz idempotente A, satisfacen la ecuacin
A n = A.
SO L U C I O N
Siendo A idempotente, se cumple que A n = A, entonces A 3 = A A 2 = A A = A 2 = A.
Supngase que A n = A, entonces
A n+1 = A A n = A A = A 2 = A.
E J E M P L O 1.6.18
Las potencias de una matriz involutoria A cumplen las ecuaciones
a.- A 2n = I, n ; b.- A 2n+1 = A, n .
SO L U C I O N
Siendo A una matriz involutoria, debe cumplirse que A 2 = I; entonces:
a.- A 2n = (A 2)n = I n = I;
b.- A 2n+1 = A A 2n = A I = A.
EJ E M P L O 1.6.19
Si A es una matriz idempotente, pruebe que (A B A B A)2 = O, para toda matriz B.
SO L U C I O N
Si A es idempotente, entonces A 2 = A; por lo tanto
(A B A B A)2 = (A B A B A)(A B A B A)
= ABAB ABABA ABA AB + ABA ABA
= A B A B A B A B A A B A 2B + A B A 2 B A
= ABAB ABABA ABAB + ABABA
= O.
EJ E M P L O 1.6.20
Demuestre que para una matriz nilpotente A de ndice de nilpotencia p la matriz A +
es tambin nilpotente y posee el mismo ndice de nilpotencia.
SO L U C I O N
Dado que A p = O, entonces tenemos que probar que (A +)p = O. Es decir:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
64 MATRICES
( A + ) p = A + A + ... A + = ( A A ... A ) + = ( A p ) + = O + = O .
p veces p veces
EJ E M P L O 1.6.21
Demuestre que si A es idempotente, B = 2A I es involutoria, si B es involutoria,
A = (B + I) es idempotente.
SO L U C I O N
Si A 2 = A, entonces:
B 2 = (2A - I)2 = (2A - I)(2A - I) = 4A 2 4A + I = 4A 4A + I = I.
2
Si B = I, entonces:
2
1 1 1 1 1
A 2 = ( B + I ) = ( B 2 + 2 B + I ) = ( I + 2 B + I ) = (2 B + 2 I ) = ( B + I ) = A .
2 4 4 4 2
if(PotA ==I)
fprintf('\n LA MATRIZ A ES INVOLUTORIA\n')
else
fprintf('\n LA MATRIZ A NO ES INVOLUTORIA\n')
end
% COMPROBACION DE UNA MATRIZ NILPOTENTE
clc;clear;
fprintf('\n COMPROBACION DE UNA MATRIZ NILPOTENTE \n')
filcol=input('Ingrese el numero de filas y columnas de la Matriz: ');
pt=input('Ingrese la potencia a la que va elevar: ');
%Ingreso de elementos
for f=1:filcol
for c=1:filcol
fprintf('Ingrese el elemento (%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf(' LA MATRIZ A ES:\n')
A
End
fprintf(' LA MATRIZ POTENCIA ES:\n')
PotA=A^pt
end
ceros=zeros(size(A));
if(PotA ==ceros)
fprintf('\nLA MATRIZ A ES NILPOTENTE DE INDICE %d\n',pt)
else
fprintf('\nLA MATRIZ A NO ES NILPOTENTE\n')
end
PR O B L E M AS
1 0 1 0 1 b donde i2 = -1, a 1
2
(1 5) y b 1
2
(1 5) , tiene la
, , propiedad de que A es idempotente. Describir en forma
0 1 c 1 0 1
completa todas las matrices A de 2 x 2, con elementos
donde b y c son nmeros reales arbitrarios. Hallar todas las
complejos tales que A sea idempotente.
matrices A de 2 x 2, tales que A 2 = I.
1.6.13 Demuestre que si A es nilpotente, entonces A T es 1.6.21 Encuentre una matriz triangular de 3 x 3, que sea
nilpotente con el mismo ndice. nilpotente de ndice 2.
1.6.14 Sean las matrices 1.6.22 Dada la matriz A. Hallar el valor del polinomio
3 2 4 2 p(x):
A , B ,
15 8 15 7 1
2 1
p( x, y) x2 xy 2 y 2 y q( x, y) x2 y 2 2 y 1 : a.- A 1 1 3 , p(x) = 3x2 2x + 2;
2 1 1
a.- Verifquese que A y B conmutan.
b.- Evalese p(A, B). 1 1 1
c.- Evalese q(A, B).
b.- A 1 1 1 , p(x) = 2x2 + 3x 1;
d.- Demustrese que, en general, si A y B son matrices 1 1 1
de n x n, y si A y B conmutan, entonces
(A + B)2 = A 2 + 2A B + B 2 1 2 3
y
c.- A 4 5 6 , p(x) = x2 5x 5;
A 2 B 2 = (A + B)(A B) 7 8 9
y verifquese la validez de esas relaciones con las
matrices A, B que se han dado. 1 4 7
d.- A 2 5 8 , p(x) = 3x2 + 5x 5;
1.6.15 Sea f ( x) x 2 x 3 , g ( x) x3 2 x 1 , 3 6 9
3 1 1 2 1 1 1
A , B . Evalese:
2 0 3 4 e.- A 1 i 1 , p(x) = x2 + 3x + 1;
a.- f(A); b.- f(B); c.- f(I); d.- f(O); 1 1 i
e.- g(A); f.- g(B); g.- f(A + B).
1 i 1 1
2
1.6.16 En cada una de las elecciones siguientes de la f.- A 1 1 i 1 , p(x) = x - 3x 2.
matriz A, demustrese que se puede expresar A como B 1 1 1 i
+ C, donde B es idempotente y C es nilpotente
(recurdese que O es idempotente y nilpotente al mismo 1.6.23 Hallar matrices A y B tales que
tiempo):
1 2 1 3
1 0 0 0 A2 y B
2
.
a.- A ; b.- A ; 0 1 2 5
0 1 1 0
1 0 1 0 1.6.24 Dada la matriz
c.- A ; d.- A ;
0 0 1 1 8 4 4i
1 0 0 A 4 2 2i
1 0 4i 2i
e.- A ; f.- A 1 0 . 2
0
1 0 1
0 0 encuentre A n, n Z +.
1.7 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
1.7.1 Si dos productos A B y B A estn definidos y A es 1.7.11 Si A y B son matrices cuadradas de un mismo
una matriz de m x n, entonces B es una matriz de m x n. orden con la particularidad de que A B z B A, entonces
Tr(A B) z Tr(B A).
1.7.2 Una matriz que conmuta para el producto con una
matriz diagonal que posee elementos en la diagonal 1.7.12 Para que una matriz cuadrada A sea conmutativa
distintos de dos en dos es tambin una matriz diagonal. con todas las matrices cuadradas del mismo orden, es
necesario y suficiente que la matriz A sea escalar.
1.7.3 Si una matriz cuadrada A es conmutativa para el
producto con todas las matrices cuadradas del mismo 1.7.13 Las operaciones sobre las matrices casi
orden, sta es la matriz nula. diagonales de una misma estructura dan matrices casi
diagonales de la misma estructura.
1.7.4 Las operaciones sobre las matrices casi triangulares
de la misma estructura, superiores o inferiores conducen a 1.7.14 Si A es una matriz diagonal y todos los elementos
matrices casi diagonales de la misma estructura. de su diagonal principal se diferencian entre s, cualquier
matriz, conmutativa con A debe ser nula.
1.7.5 Si una matriz A es nilpotente de ndice de
nilpotencia n, entonces la matriz A es tambin nilpotente 1.7.15 Si A es una matriz de 2 x 2 y k un nmero entero
y posee el mismo ndice de nilpotencia. superior a dos, entonces A k = O si, y slo si, A 2 = O.
1.7.6 Si las matrices A y B son conmutables para el 1.7.16 Si para las matrices A y B ambos productos A B y
producto, entonces las matrices conjugadas A y B son B A estn definidos con la particularidad de que A B = B A,
anticonmutativas. entonces las matrices A y B son cuadradas y no
necesariamente tienen el mismo orden.
1.7.7 Una matriz triangular es nilpotente si, y slo si,
todos los elementos de la diagonal principal son nulos, y el 1.7.17 Si A y B son matrices cuadradas de un mismo
ndice de nilpotencia de la matriz triangular no supera su orden con la particularidad de que A B z B A, entonces
orden. (A - B)2 = A 2 + B 2.
1.7.8 Si A es una matriz normal y conmuta con una cierta 1.7.18 Para cualquier matriz B con elementos reales o
complejos, entonces la matriz A = B B + es antihermtica.
matriz B, entonces A conmuta con B.
1.7.19 La suma A + B y el producto A B de matrices
1.7.9 El producto de dos matrices antisimtricas A y B es
normales A y B son matrices normales.
una matriz antisimtrica si, y slo si, A B z B A.
1.7.20 Una matriz normal casi triangular es una matriz
1.7.10 Para que una matriz cuadrada A sea conmutativa
casi diagonal.
con todas las matrices diagonales es necesario y suficiente
que la propia matriz A sea diagonal.
Resolver problemas sobre determinantes, utilizando definiciones, propiedades y mtodos adecuados para cada
tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O N T E NI D O :
2.1 D E T E R M I N A N T ES D E SE G UND O Y T E R C E R O RD E N
En esta seccin se introduce la terminologa bsica y se define el determinante de una matriz cuadrada de n-simo
orden, enunciamos sus propiedades.
Es evidente que una regla que asocie a cada matriz un nmero concreto definir una
funcin de valores numricos de las matrices. Una de las funciones con valores
numricos ms importante entre las que se definen para las matrices cuadradas es la
funcin determinante. Esta funcin ha sido objeto de un estudio exhaustivo durante
ms de 200 aos. El hecho ms asombroso de la historia de los determinantes es que
el concepto de determinante se haya adelantado ms o menos 100 aos al concepto
de matriz. En realidad, hasta principios de este siglo, ambos conceptos se
confundan.
T E O R E M A 2.1.1
Si en una permutacin arbitraria se efecta una transposicin, la
permutacin cambia de clase.
D E M OST R A C I O N
En efecto, si se verifica la transposicin entre dos elementos consecutivos se origina
un aumento o una disminucin en el nmero total de inversiones de la permutacin,
segn que dicho par de elementos estuvieran o no en el orden natural previamente
establecido; por otra parte, no existen ms variaciones en el nmero total de
inversiones, ya que tanto los elementos anteriores como los posteriores a los que se
transponen siguen teniendo respecto a los elementos del par transpuesto la misma
posicin relativa que tenan antes de la transposicin. Si entre los elementos que se
transponen existen otros k elementos intercalados, para intercambiarlos de lugar
basta hacer avanzar k + 1 lugares al elemento ms retrazado, lo que equivale a
efectuar k + 1 transposiciones y, a continuacin, debe hacerse retroceder k lugares el
elemento ms avanzado, lo que representa otras k nuevas transposiciones, con lo que
el nmero total de transposiciones efectuadas asciende a k + 1 + k = 2k + 1, que es un
nmero impar, siendo, por tanto, impar el nmero de cambios de la permutacin
original; la permutacin debe cambiar de clase.
D E F IN I C I O N 2.1.1
Formados todos los productos posibles de n elementos elegidos entre los n2
de la matriz dada, de modo que en cada producto haya un factor de cada fila
y uno de cada columna, y anteponiendo a cada producto el signo + o el -,
segn que las permutaciones que indican las filas y las columnas sean de la
misma o distinta clase, el polinomio que tiene como trminos todos los
productos as formados con sus signos correspondientes, se llama
determinante de la matriz dada. Es decir, para el conjunto de las matrices
cuadradas de orden n se puede establecer una aplicacin inyectiva de forma
que a cada matriz A corresponda una funcin escalar de sus elementos y se
representa escribiendo sta entre barras: Det( A ) = A .
D E F I N I C I O N 2.1.2
Se dice que dos determinantes son iguales, si al ser evaluados ambos dan
el mismo nmero.
D E F IN I C I O N 2.1.3
El valor del determinante de una matriz
a a12
A 11
a21 a22
de 2 x 2 se define mediante la expresin:
Det(A) = a11a22 a12a21.
EJ E M P L O 2.1.1
Evaluar el determinante de la siguiente matriz
a 2 ab b2 a 2 ab b2
A .
a b a b
SO L U C I O N
Evaluamos el determinante de la matriz A utilizando la correspondiente definicin
Det(A) = (a2 + ab + b2)(a - b) - (a2 - ab + b2)(a + b)
= a3 - a2b + a2b - ab2 + ab2 - b3 - a3 - a2b + a2b + ab2 - ab2 - b3
= - 2b3.
EJ E M P L O 2.1.2
Demostrar que, siendo a, b, c y d reales, las races de la ecuacin
a x c id
0
c id b x
sern reales.
SO L U C I O N
Evaluando el determinante, obtenemos:
' = (a x)(b x) (c + id)(c id) = 0 ab - ax - bx + x2 - c2 + icd - icd + i2d2 = 0
ab - ax - bx + x2 - c2 - d2 = 0 x2 - (a + b)x + (ab - c2 - d2) = 0
Resolvemos esta ecuacin cuadrtica, resultando:
( a c ) r ( a b)2 4( ab c 2 d 2 ) ( a c ) r ( a b) 2 4(c 2 d 2 )
x1,2 .
2 2
Como (a - b)2 + 4(c2 + d2) t 0, entonces las races son reales.
EJ E M P L O 2.1.3
Dada la matriz
4 5
A
2 1
Encuentre de ser posible una matriz B tal que Det(A) = Det(A B).
SO L U C I O N
a b 4 a 5c 4b 5d
Sea B , entonces A B . Por lo tanto
c d 2 a c 2b d
Det(A) = -6 y Det(A B) = 6bc 6ad -6 = 6bc 6ad ad bc = 1.
La matriz pedida tiene la forma siguiente:
a b
B / ad bc 1 .
c d
EJ E M P L O 2.1.4
Dada la matriz
1 3
A
4 2
Encuentre de ser posible una matriz B tal que Det(A + B) = Det(A) + Det(B).
SO L U C I O N
a b 1 a 3 b
Sea B , entonces A + B . Por lo tanto
c d 4 c 2 d
Det(A + B) = (1 + a)(2 + d) (3 + b)(4 + c)
= 2a - 4b 3c + d + ad bc 10
Det(A) = -10 y Det(B) = ad bc.
De donde
2a - 4b 3c + d + ad bc 10 = -10 + ad bc 2a - 4b 3c + d = 0.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
72 DETERMINANTES
D E F IN I C I O N 2.1.4
El valor del determinante de una matriz
a11 a12 a13
A a21 a22 a23
a a33
31 a32
de 3 x 3, se define de la siguiente manera:
Det(A) = a 11a 22a 33 + a 12 a 23a 31 + a 13a 21a 32 a 13a 22a 31 a 11a 23a 32
a 12a 21a 33.
EJ E M P L O 2.1.5
Calcule el determinante
b2 c 2 a2 a2 a2 1 ab ac
2 2 2 2 2
a.- b a c b ; b.- ab b 1 bc .
2 2 2 2 2
c c a b ac bc c 1
SO L U C I O N
a.- Haciendo uso de la definicin correspondiente evaluamos el determinante la
matriz:
' = (b2 + c2)(a2 + c2)(a2 + b2) + a2b2c2 + a2b2c2 a2c2(a2 + c2) b2c2(b2 + c2)
a2b2(a2 + b2)
= (b2a2 + b2c2 + a2c2 + c4)(a2 + b2) + 2a2b2c2 a4c2 - a2c4 b4c2 - b2c4 a4b2 - a2b4
= b2a4 + b4a2 + b2a2c2 + b4c2 + a4c2 + a2b2c2 + c4a2 + c4b2 + 2a2b2c2 a4c2 - a2c4
b c - b2c4 - a4b2 - a2b4
4 2
= 4a2b2c2.
b.- Haciendo uso de la definicin correspondiente evaluamos el determinante la
matriz:
' = (a2 + 1)(b2 + 1)(c2 + 1) + a2b2c2 + a2b2c2 a2c2(b2 + 1) b2c2(a2 + 1)
a2b2(c2 + 1)
= (a b + a + b + 1)(c + 1) + 2a b c a b c - a c a b c - b c a b c - a2b2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
T E O R E M A 2.1.2
El valor de un determinante no vara si se sustituye cada elemento por su
conjugado, es decir, si se cambian las filas por columnas, y stas por
aqullas, sin alterar el orden relativo de los elementos de cada una.
D E M OST R A C I O N
En efecto; todo trmino del primer determinante est formado por n elementos, uno
de cada fila y uno de cada columna, luego pertenece tambin al segundo
T E O R E M A 2.1.3
Si se multiplican todos los elementos de una fila o columna por un mismo
nmero, el valor del determinante queda multiplicado por dicho nmero.
D E M OST R A C I O N
Supongamos que bj = ra j, mientras que bk = a k para k z j. Entonces, en particular,
b1j = ra1j. Si k z j, B 1k se obtiene a partir de A 1k multiplicando una columna por r y
como B 1k y A 1k son matrices (n 1) x (n 1), tenemos que Det(B 1k) = rDet(A 1k).
Por otra parte, B 1j = A 1j y b1k = a1k si k z j. Por tanto, para todo k,
B 1kDet(B 1k) = ra1kDet(A 1k).
Por tanto,
n n
Det( B ) (1)k 1 b1k Det( B1k ) (1) k 1 r a1k Det( A1k ) rDet( A ) .
k 1 k 1
En el teorema siguiente podemos ver que un intercambio de dos filas o dos columnas
es una matriz de orden n x n cambia el signo del determinante.
T E O R E M A 2.1.4
Si B se obtiene a partir de A intercambiando dos filas (o dos columnas)
adyacentes sin alterar el orden relativo de los elementos de cada una,
entonces el valor absoluto del determinante no vara, pero cambia su signo.
D E M OST R A C I O N
Supongamos que A y B son iguales, excepto que aj = bj+1 y a j+1 = bj. Si k z j y k z
j+1, tenemos que b1k = a1k y Det(B 1k) = -Det(A 1k) por la hiptesis de induccin, de
modo que
(-1)k+1b1kDet(B 1k) = -(-1)k+1a1kDet(A 1k)
Por otra parte, b1j = a1 j+1, B 1j = A 1 j+1, de modo que
(-1)j+1b1jDet(B 1j) = (-1)j+1a1 j+1Det(A 1 j+1)
= -(-1)j+2a1 j+1Det(A 1 j+1).
De la misma manera,
(-1)j+2b1 j+1Det(B 1 j+1) = -(-1)j+1a1jDet(A 1j).
Por tanto, cada trmino de la expresin para Det(B) es igual al negativo de un
trmino en la expresin para Det(A). Por tanto, Det(B) = -Det(A).
T E O R E M A 2.1.5
Si en una matriz cuadrada todos los elementos de una fila (o columna) son
cero, el valor de su determinante es cero.
D E M OST R A C I O N
Cada uno de los productos en que se desarrolla el determinante contiene un elemento
de esa fila, as que cada producto es nulo en la hiptesis hecha. De aqu que su suma
es cero; es decir Det(A) = 0.
T E O R E M A 2.1.6
Si en una matriz cuadrada, los elementos correspondientes de dos filas
(o dos columnas) son idnticos, entonces el valor de su determinante es
cero.
D E M OST R A C I O N
Suponga que a ik = a jk para todo k o que a ik = aij para todo i; si intercambiamos las dos
filas o las dos columnas iguales, la matriz A no ha cambiado. Pero el signo del
determinante cambia:
Det(A) = - Det(A) o Det(A) + Det(A) = 0.
El nico nmero real para el cual se satisface la ecuacin es Det(A) = 0.
T E O R E M A 2.1.7
Un determinante es nulo si los elementos de una fila (o columna) son
proporcionales a los trminos de una paralela a ella.
D E M OST R A C I O N
Si los trminos de una fila son iguales a los correspondientes de otra, multiplicados
por r, separando este nmero como factor del determinante, queda otro con dos filas
idnticas, y, por tanto, es nulo.
T E O R E M A 2.1.8
Sean A, B y C matrices iguales, excepto para la columna j, y supngase que
la columna j de C es la suma de las columnas de j de A y B. Entonces
Det(C) = Det(A) + Det(B).
D E M OST R A C I O N
Tenemos que
c1j = a1j + b1j y C 1j = A 1j + B 1j.
Para k z j,
c1k = a1k = b1k y C 1k = A 1k = B 1k,
excepto para una columna que es la suma de las columnas correspondientes de A 1k y
B 1k. Por tanto, si k z j,
Det(C 1k) = Det(A 1k) + Det(B 1k)
por hiptesis de induccin. Si k = j tenemos
c1kDet(C 1k) = c1kDet(A 1k) + c1kDet(B 1k)
= a 1kDet(A 1k) + b1kDet(B 1k)
mientras que
c1jDet(C 1j) = a 1jDet(C 1j) + b1jDet(C 1j)
= a 1jDet(A 1j) + b1jDet(B 1j)
Por tanto
n
Det( C ) (1)k 1 c1 k Det( C1 k )
k 1
n n
(1)k 1 a1k Det( A1k ) (1) k 1 b1k Det( B1k )
k 1 k 1
= Det(A) + Det(B).
T E O R E M A 2.1.9
Si C y A son matrices n x n y C se obtiene de A sumando un mltiplo
numrico de una columna a otra, entonces
Det(C) = Det(A).
D E M OST R A C I O N
Supongamos que la matriz C es igual a la matriz A, excepto que c j = a j + ra i. Sea la
matriz obtenida de A remplazando a j por ra i. Por el teorema anterior,
Det(C) = Det(A) + Det(B).
El Det(B) es r veces el determinante de una matriz con dos columnas iguales. Por
tanto,
Det(B) = 0 y Det(C) = Det(A).
EJ E M P L O 2.1.6
Sin desarrollar el determinante, demostrar la siguiente identidad:
ma1 mb1 mc1 a1 b1 c1 1 a bc 1 1 1
a.- na2 nb2 nc2 mnp a2 b2 c2 ; b.- 1 b ac a b c .
pa3 pb3 pc3 a3 b3 c3 1 c ab a 2 b2 c2
SO L U C I O N
a.- Extraemos m de la primera fila de la matriz, n de la segunda fila y p de la tercera
fila. Es decir
a1 b1 c1 a1 b1 c1 a1 b1 c1
m na2 nb2 nc2 mn a2 b2 c2 mnp a2 b2 c2
pa3 pb3 pc3 pa3 pb3 pc3 a3 b3 c3
b.- Multiplicando la primera, segunda y tercera filas por a, b y c, respectivamente,
obtenemos
a a2 abc a a2 1
1
b b2 abc b b2 1
abc
c c2 abc c c2 1
intercambiando las columnas 1 y 3, luego la 2 y 3, transponiendo la matriz
obtenemos la identidad
a a2 1 1 a2 a 1 a a2 1 1 1
2 2 2
b b 1 1 b b 1 b b a b c .
2 2
c c 1 1 c c 1 c c2 a 2 b2 c2
EJ E M P L O 2.1.7
Sea A una matriz antisimtrica de n x n. Demuestre que si n es impar, entonces
Det(A) = 0.
SO L U C I O N
Como A = -A T, entonces:
Det(A) = Det(-A T) = (-1)nDet(A T) = (-1)nDet(A) = - Det(A) 2Det(A) = 0.
Luego Det(A) = 0.
EJ E M P L O 2.1.8
Sin desarrollar el determinante, demostrar la siguiente identidad:
1 a a2 1 a 0 1 a2 a3 bc a a2
a.- 1 b b 2 (b a )(c a ) 0 1 b ; b.- 1 b 2 b3 ca b b 2 .
1 c c2 0 1 c 1 c2 c3 ab c c2
SO L U C I O N
a.- Restando la fila 1 de la fila 2 y la fila 1 de la fila 3, obtenemos:
1 a a2
0 b a b2 a 2
0 ca c2 a2
extraemos (b a) de la segunda fila y (c a) de la tercera fila
1 a a2
(b a )( c a ) 0 1 b a
0 1 ca
descomponemos el determinante en suma de determinantes con respecto a la tercera
columna
1 a 0 1 a a2
(b a )( c a ) 0 1 b 0 1 a
0 1 c 0 1 a
podemos observar en la expresin que esta entre llaves, que el segundo determinante
es cero por tener dos filas iguales, lo cual permite llegar a demostrar la identidad.
1 a 0
(b a )( c a ) 0 1 b .
0 1 c
b.- A la primera columna del determinante le multiplicamos por abc:
abc a 2 a3
1
abc b 2 b3
abc
abc c 2 c3
Extraemos a de la primera fila, b de la segunda fila y c de la tercera fila:
bc a a 2 bc a a2
abc
ac b b 2 ac b b 2 .
abc
ab c c 2 ab c c2
EJ E M P L O 2.1.9
Sin desarrollar el determinante, demostrar la siguiente identidad:
1 a a3 1 a a2
a.- 1 b b3 (a b c) 1 b b2 ;
1 c c3 1 c c2
0 a b c 0 1 1 1
2
a 0 c b 1 0 c b2
b.- .
b c 0 a 1 c2 0 a2
c b a 0 1 b2 a2 0
SO L U C I O N
a.- A la columna 3 le restamos la columna 1 multiplicada por abc
1 a a 3 abc
1 b b3 abc
1 c c 3 abc
A la columna 3 le sumamos la columna 2 multiplicada por ac
1 a a 3 a 2 c abc
1 b b3 abc abc
1 c c 3 ac 2 abc
A la columna 3 le sumamos la columna 2 multiplicada por bc
1 a a 3 a 2 c abc abc
1 b b3 b 2 c
1 c c 3 ac 2 abc bc 2
A la columna 3 le sumamos la columna 2 multiplicada por ab
1 a a 3 a 2 c a 2b 1 a a 2 (a b c)
1 b b3 b 2 c b 2 a 1 b b2 ( a b c )
1 c c 3 ac 2 bc 2 1 c c 2 (a b c)
Extraemos a + b + c de la tercera columna
1 a a2
( a b c ) 1 b b2 .
1 c c2
b.- A la segunda fila del determinante se le multiplica por bc, a la tercera fila por ac
y a la cuarta fila por ab:
0 a b c
1 abc 0 bc 2 b2 c
a 2 b 2 c 2 abc ac 2 0 a2c
abc ab 2 a 2 b 0
De la primera columna extraemos abc, de la segunda columna a, de la tercera
columna b y de la cuarta columna c:
0 1 1 1 0 1 1 1
a 2b2 c 2 1 0 c2 b2 1 0 c2 b2
.
a 2b2 c 2 1 c 2 0 a2 1 c2 0 a2
1 b2 a2 0 1 b2 a2 0
EJ E M P L O 2.1.10
Evaluar los siguientes determinantes:
1 a b cd 1 a b c
1 b c da 1 b c a
a.- ; b.- .
1 c d a b 1 c a b
1 d a bc 1 2 a b 2b c 2c a
SO L U C I O N
a.- A la segunda columna del determinante, le sumamos la tercera y cuarta
columnas:
1 a bc d b c d
1 bcd a c d a
1 c d a b d a b
1 d a bc a bc
Extraemos de la segunda columna a + b + c + d:
1 1 b cd
1 1 c da
(a b c d )
1 1 d a b
1 1 a bc
Como existen dos columnas iguales, el determinante es igual a 0.
b.- A la primera columna, le sumamos la tercera y cuarta columnas:
1 a bc b c
1 bca c a
1 c a b a b
1 a b c 2b c 2c a
PR O B L E M AS
2.1.1 Si A y B son matrices triangulares superiores de n x 2.1.13 Evaluar los siguientes determinantes:
n tales que Det(a A + b B) = aDet(A) + bDet(B) para todo n 2 n 1 n 1 1 1
a, b en K , demuestre que Det(A) = Det(B) = 0. a.- n 1 n n ; b.- 1 2 a 1 ;
2.1.2 Dado que Det(A) = 81 y B es una matriz igual a A, n n n 1 1 3 a
excepto que la primera y tercera filas fueron 1 2 3 1 1 1
intercambiadas una por la otra. Cul es el valor de c.- 1 a 1 3 ; d.- a a b a ;
Det(B)?
1 2 a 1 cd c c
2.1.3 Si Det(A) = 9 y B es una matriz igual a A, excepto e c b 1 1 n
que la segunda y tercera filas fueron intercambiadas entre e.- c e a ; f.- 1 n 1 ;
s. Cul es el valor de Det(B)?
b a e n 1 1
2.1.4 Sean A y B matrices cuadradas de 4 x 4 tales que a b c d a dg dh
Det(A) = -15 y Det(B) = -6. Encuentre Det(A B), Det(A 3), g.- b ac d ; h.- ek b eh ;
Det(5B); Det(A B)T. b c ad fk fg c
2.1.5 Si A es una matriz simtrica, demuestre que 2 a2 2 3 1 n n
Det(A + B) = Det(A + B T). i.- 3 1 5 ; j.- n 2 n ;
3 1 9a 2 n n 3
2.1.6 Encuentre matrices A y B de 2 x 2 tales que
Det(A + B) = Det(A) + Det(B). n 1 1 a b b
k.- 1 n 1 ; l.- b a b .
2.1.7 Sea A una matriz de 3 x 3 tal que la suma de cada
una de sus filas es igual a cero. Encuentre Det(A). 1 1 n b b a
2.1.8 Demuestre que si Det(A) = Det(B) z 0, entonces 2.1.14 Demuestre que la ecuacin de la recta que pasa
hay una matriz C tal que Det(C) = 1 y A = C B. por los puntos P(a, b) y Q(c, d) est dada por
1 1 1
2.1.9 Demuestre que si A es una matriz antisimtrica de x a c 0.
n x n, entonces Det(A) = (-1)nDet(A).
y b d
2.1.10 Si A es una matriz idempotente, cules son los
valores posibles de Det(A)? a b
2.1.15 Demuestre que si
A
, entonces
c d
2.1.11 Sean A y B dos matrices de n x n. Encuentre
Det(C) en funcin de Det(A + B) y Det(A B), siendo Det( A ) es el rea del paralelogramo con lados
A B determinados por (a, b) y (c, d).
C = .
B A 2.1.16 Evaluar los siguientes determinantes:
n 1 0 1 a 0
1 3 a.- n 1 a 1 ; b.- 1 1 a b ;
2.1.12 Si A T B T y Det(B) = 3. Cul es el
2 4 n2 0 a 0 1 1 b
Det(A)?
1 2 4 b.- a9 a16 a 25 a 36 a a4 a9 ;
a16 a 25 a 36 a4 a9 a16
2.1.17 Si A 3 1 1 evale Det(A - OI), donde O
5 2 6
1 a2 a3 1 a a2
es un escalar.
c.- 1 b 2 b3 ( ab bc ca ) 1 b b 2 ;
2.1.18 Sea A una matriz antisimtrica de orden impar. 1 c2 c3 1 c c2
Demuestre que Det(A) = 0.
a b a c bc 1 c b
a b c d.- a c a b bc 2( a b c ) 1 b b ;
2.1.19 Si d e f 16 , encuentre: bc ba ac 1 b a
g h i a b bc c a a b c
a b c d e f e.- m n n 1 1 m 2 m n 1 ;
a.- d e f ; b.- a b c ; x y yz zx x y z
ag bh ci 3g 3h 3i a1 b1 a1 x b1 y c1 a1 b1 c1
g h i f.- a2 b2 a2 x b2 y c2 a2 b2 c2 ;
c.- a b c . a3 b3 a3 x b3 y c3 a3 b3 c3
d e f a b bc ca a b c
g.- a1 b1 b1 c1 c1 a1 2 a1 b1 c1 ;
2.1.20 Use determinantes para encontrar: a2 b2 b2 c2 c2 a 2 a2 b2 c2
a.- El rea del rectngulo con lados determinados por
(4, 3) y (-6, 2). a1 b1 x a1 b1 x c1 a1 b1 c1
b.- El volumen del paraleleppedo rectangular cuyos lados h.- a2 b2 x a2 b2 x c2 2 x a2 b2 c2 ;
estn determinados por (2, 2, 0), (4, -4, 1) y (2, -2, -16). a3 b3 x a3 b3 x c3 a3 b3 c3
a1 b1 x a1 x b1 c1 a1 b1 c1
B C
2.1.21 Sea n = p + q y sea A = , donde B es i.- a2 b2 x a2 x b2 c2 (1 x 2 ) a2 b2 c2 .
D E
una matriz de p x p y E es una matriz q x q. Demustre- a3 b3 x a3 x b3 c3 a3 b3 c3
se que:
a.- Si p < q, y si E = O, entonces 2.1.24 Sin desarrollar el determinante, demostrar la
Det(A) = 0. siguiente identidad:
b.- Si p = q y si C = O, entonces 1 2a a2 0 1 2 1 0
Det(A) = Det(B)Det(E). 2
c.- Si C = O y D = O, de manera que A es suma directa 0 1 2a a 0 1 2 1
a.- a4 ;
de B y E, entonces 1 a a 2
0 1 1 1 0
Det(A) = Det(B)Det(E). 0 1 1 1
0 1 a a2
a1 a2 a3 bc b c 0 c b
b.- a ac c 2 c 0 a .
2.1.22 Demuestre que si A b1 b2 b3 entonces
c c2 c3 a b a b b a 0
1
Det( A ) es el volumen del paraleleppedo cuyos lados
2.1.25 Sean A y B matrices de n x n tales que A B = I.
estn determinados por (a1, a2, a3), (b1, b2, b3) y (c1, c2, c3). Demuestre que Det(A) z 0 y Det(B) z 0.
En esta seccin se analiza y desarrolla los mtodos ms importantes para el desarrollo de un determinante de
n-simo orden.
D E F IN I C I O N 2.2.1
El cofactor Det(A ij) del elemento a ij de cualquier matriz cuadrada A es
(-1)i+j veces el determinante de la submatriz de A obtenida al omitir la fila i
y la columna j.
D E F IN I C I O N 2.2.2
Si en una matriz cuadrada de orden n x n se suprimen la fila que ocupa el
lugar i y la columna j, se obtiene una matriz cuadrada de orden n 1 x n
1, cuyo determinante se llama menor complementario del elemento a ij
comn a la fila y columna suprimidas. Lo designaremos Det(A ij). Si en el
desarrollo de un determinante sacamos factor comn a ij en todos los
trminos en que figura, aparece multiplicado por un polinomio que se llama
adjunto de a ij.
D E F IN I C I O N 2.2.3
El adjunto de un elemento a ij es igual a su menor complementario, con
signo + o -, segn que i + j sea par o impar. Por esta razn, el adjunto de a
suele llamarse tambin complemento algebraico, lo designaremos por
Det(A ij).
I. D ESA RR O L L O PO R L OS E L E M E N T OS D E UN A F I L A O
C O LUMNA
T E O R E M A 2.2.1
El smbolo Det(A) se llama determinante de la matriz A de n x n y significa
la suma de los productos de los elementos de cualquier fila o columna y sus
respectivos cofactores; es decir
Det(A) = a i1Det(A i1) + a i2Det(A i2+ a inDet(A in)
o bien
Det(A) = a1jDet(A 1j) + a2jDet(A 2j+ anjDet(A nj).
D E M OST R A C I O N
La demostracin se lleva a cabo por induccin. La proposicin es verdadera para un
determinante de 2 x 2. Suponiendo que es verdadera para un determinante de n 1 x
n 1, probaremos que es verdadera para un determinante de n x n. Desarrllese
Det(A) por la i-sima fila. Un trmino tpico es este desarrollo es
a ikDet(A ik) = (-1)i + k a ikDet(M ik).
El menor Det(M ik) de a i k en Det(A) es un determinante de n 1 x n 1. Por la
hiptesis de induccin, puede desarrollarse por cualquier fila. Desarrllese por la fila
correspondiente a la j-sima fila de Det(A). Esta fila contiene los elementos a jr
(r z k). Es la (n 1)-sima fila de Det(B ik), porque Det(B ik) no contiene elementos de
la i-sima fila de Det(A) y i < j. Tiene que distinguirse entre dos casos:
Caso I. Si r < k, entonces el elemento a jr pertenece a la r-sima columna de Det(A ik).
De aqu que el trmino que contiene a jr en este desarrollo es
a jr(cofactor de a jr en Det(B i k) = (-1)(j - 1) + ra jrDet(B ik jr)
donde Det(B ik jr) es el menor de ajr en Det(B ik). Como este menor se obtiene de
Det(B ik) eliminando la fila y columna de a jr, se obtiene en Det(A) eliminando el i-
sima y el j-sima filas y la k-sima y r-sima columnas de Det(A). Introdzcanse
los desarrollos de los Det(B ik) en el de Det(A). Entonces se deduce que los trminos
de la representacin resultante de Det(A) son de la forma
(-1)i+k+j+r -1a i k a j rDet(B i k j r) r < k.
Caso II. Si r > k, la nica diferencia es que entonces a jr pertenece a la (r 1)-sima
columna de Det(B ik), porque Det(B ik) no contiene elementos de la k-sima columna
de Det(A) y k < r. Esto produce un signo menos adicional y, por tanto, se obtiene
-(-1)i + k + j + r 1a i ka j rDet(B i k j r) r > k.
De forma anloga se demuestra el desarrollo referente a las columnas.
EJ E M P L O 2.2.2
Sin desarrollar el determinante, demostrar la siguiente identidad:
a b c d 0 1 1 1
b c d a 1 c d a
( a b c d )(b a d c ) .
c d a b 1 d a b
d a b c 1 a b c
SO L U C I O N
A la primera columna se le restan la segunda, tercera y cuarta columnas:
a bcd b c d
a bcd c d a
a bcd d a b
a bcd a b c
Extraemos a + b + c + d de la primera columna:
1 b c d
1 c d a
(a b c d )
1 d a b
1 a b c
A la primera fila, se le resta la segunda, se le suma la tercera y se le resta la cuarta
filas:
0 bc d a c d a b d a bc
1 c d a
(a b c d )
1 d a b
1 a b c
Extraemos b a + d - c de la primera fila:
0 1 1 1
1 c d a
( a b c d )(b a d c ) .
1 d a b
1 a b c
T E O R E M A 2.2.2
El valor de un determinante es igual a la suma de los elementos de una fila
(columna) cualquier multiplicado por sus adjuntos correspondientes.
D E M OST R A C I O N
Fijmonos, por ejemplo, en la fila que ocupa el lugar i. En cada trmino de A hay un
elemento de esta fila, y slo uno; luego podemos clasificar los n! Trminos del
siguiente modo: todos los que contienen a i1 forman el producto a i1Det(A i1); los que
contienen a i2 forman a i2Det(A i2), ..., los que contienen a i n componen a i nDet(A i n),
luego:
n
Det(A) = a i1Det(A i1) + a i2Det(A i2+ a inDet(A in) = aij Det( A ij ) .
j 1
T E O R E M A 2.2.3
La suma de los elementos de una fila (o columna), multiplicados por los
adjuntos de los elementos de una paralela a ella, es cero.
D E M OST R A C I O N
En efecto, la suma a k1Det(A i1) + a k2Det(A i2 a knDet(A in) en el desarrollo del
determinante obtenido poniendo en Det(A), en vez de la fila a k a k2 a kn, la fila ai1ai2
a in; este determinante tiene, pues, esta fila idntica a la que ocupa el lugar k, luego
es nulo.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
84 DETERMINANTES
T E O R E M A 2.2.4
Sea A = (a i j) una matriz cuadrada de n x n. Entonces
Det(A T) = Det(A).
D E M OST R A C I O N
Para la demostracin de este teorema, utilizaremos el principio de induccin
matemtica en n. El teorema resulta evidente en el caso de n = 1. Supongamos que
sea vlido para todas las matrices cuadradas de m x m, con m < n. Puesto que el
elemento a ij de A T es aji, tenemos que
n
Det( A T ) (1)i j a ji Det( A Tij )
i 1
Observemos que A Ti j = (A i j)T, y que, en consecuencia resulta
Det(A Tij) = Det(A ji)T
= Det(A ji)
Puesto que A ij es una matriz cuadrada de n 1 x n 1. Tenemos que cada i = 1, 2, ...,
n, que
n
Det( A T ) (1)i j a ji Det( A ji )
i 1
y, al sumar ambos miembros de esta ltima igualdad para i = 1, 2, ..., n, obtendremos
n n n
Det( A T ) (1)i j a ji Det( A Tij )
i 1 i 1 j 1
n n
(1)i j a ji Det( A ji ) .
i 1 j 1
Si intercambiamos el orden de sumacin de i y j en el miembro a la derecha de la
ltima frmula, veremos que
n n
nDet( A T ) (1) j i a ji Det( A ji ) .
j 1i 1
Por otra parte,
n
(1) j i a ji Det( A ji ) .
i 1
Es el desarrollo de Det(A) por la fila j-sima, y, en consecuencia
n n
(1) j 1 a ji Det( A ji ) nDet( A ) .
i 1 j 1
T
Es as como nDet(A ) = nDet(A) y, por lo tanto,
Det(A T) = Det(A).
EJ E M P L O 2.2.3
Si A es antisimtrica, qu puede decirse acerca de Det(A)?
SO L U C I O N
Se sabe que una matriz es antisimtrica si A T = -A, por lo que
Det(A T) = Det(-A)
= (-1)nDet(A).
T
Por otra parte, Det(A ) = Det(A), as que
Det(A) = (-1)nDet(A).
Si n es par, no se puede afirmar nada. Sin embargo, si n es impar se tiene Det(A) = -
Det(A) y, por lo tanto, Det(A) = 0.
EJ E M P L O 2.2.4
Dada la expresin
0 a b c
a 0 d e
a
2
A b B c C
b d 0 f
c e f 0
calcular A, B y C.
SO L U C I O N
Eligiendo la primera columna, desarrollamos el determinante
a b c a b c
2 1 31
' ( a )(1) d 0 f (b)(1) 0 d e
e f 0 e f 0
a b c
( c )(1)41 0 d e
e f 0
a
2
A b B c C
a(- bef + cdf + af2) - b(- be2 + cde + aef) + c(adf - bed + cd2) = '
af(- be + cd + af) - be(- be + cd + af) + cd(af - be + cd) = '
(af - be + cd)2 = ' af be cd a A b B c C
A f A = f 2; B e B = e2; C d C = d 2.
I I. D ESA RR O L L O G A USSI A N O
Los efectos que tienen las operaciones de filas o columnas en el valor del
determinante pueden resumirse de la siguiente manera:
1.- El intercambio de dos filas o columnas de una matriz cambia el signo del
determinante.
2.- La multiplicacin de una fila o columna de una matriz por un escalar tiene el
efecto de multiplicar el valor del determinante por ese escalar.
3.- La suma de un mltiplo de una fila o columna a otra no cambia el valor del
determinante.
T E O R E M A 2.2.5
El determinante de una matriz de la forma triangular o diagonal, es igual al
producto de los elementos de la diagonal principal.
D E M OST R A C I O N
Sea A una matriz triangular superior. En virtud de que los elementos a21, a31, ..., an1
de la primera columna de A son 0, la definicin del determinante de A origina
Det(A) = a11Det(A 11). La submatriz A 11 de A es tambin una matriz triangular
superior, pero de n 1 x n 1. Por consiguiente, merced al principio de induccin
Det(A 11) = a 22a 33 ... a nn el producto de sus elementos. Por lo tanto, Det(A) =
a 11Det(A11) = a 11a 22 ... a nn el producto de los elementos diagonales de A.
Sea A una matriz triangular inferior. En virtud de que los elementos a12, a13, ..., a1n
de la primera fila de A son 0, la definicin del determinante de A origina Det(A) =
a11Det(A 11).
La submatriz A 11 de A es tambin una matriz triangular inferior, pero de n 1 x
n 1. Por consiguiente por induccin, es igual al producto de los elementos
diagonales
Det(A) = a 11Det(A 11) = a 11a 22 ... a nn.
Para el caso de la matriz diagonal, la demostracin es anloga.
E J E M P L O 2.2.5
Evaluar el siguiente determinante:
2 5 1 2
3 7 1 4
.
5 9 2 7
4 6 1 2
SO L U C I O N
Mediante el desarrollo gaussiano, llevaremos la matriz a la forma triangular. A la
segunda fila le multiplicamos por 2 y luego le sumamos 3 veces la primera fila, a la
tercera fila le multiplicamos por 2 y luego le restamos 5 veces la primera fila, a la
cuarta fila le restamos 2 veces la primera fila
2 5 1 2
1 1 0 1 1 14
2 2 0 7 1 4
0 4 1 2
A la tercera fila le sumamos 7 veces la primera fila, a la cuarta fila le sumamos 4
veces la segunda fila
2 5 1 2
1 1 0 1 1 14
2 2 0 0 6 102
0 0 3 54
Extraemos un 6 de la tercera fila y un 3 de la cuarta fila
2 5 1 2
1 1 0 1 1 14
6 3
2 2 0 0 1 17
0 0 1 18
A la cuarta fila le restamos la tercera
2 5 1 2
1 1 0 1 1 14
6 3
2 2 0 0 1 17
0 0 0 1
Por lo tanto el determinante buscado es igual a:
1 1
' 6 3 2 (1) 1 1 9 .
2 2
Supongamos que se trata de la primera fila y de la primera columna, pues a este caso
se reduce cualquier otro, por transposiciones convenientes. Dado el determinante
a11 a12 a1k a1n
a21 a22 a2 k a2 n
Det( A )
a r1 ar 2 a rk anr
cada uno de los dems contiene uno de los elementos a12, a13, ..., a1k, ..., a1n restantes
de la primera fila, y uno de los a21, a31, ..., a r1, ..., an1 de la primera columna.
Hallemos todos los trminos que Det(C rk) = (-1)(r - 1) + (k - 1)Det(B rk), la expresin
(-1)k+r+1a1ka r1Det(B rk) adopta la forma sencilla a1ka r1Det(C rk). Por consiguiente
contengan el producto a1ka r1. Todos los trminos de Det(A) que contienen a1k forman
la expresin (-1)1+ka1kDet(A 1k); desarrollemos ahora el menor Det(A 1k) por los
elementos de su primera columna a21 ... a r1 ... an1; como el menor complementario de
a r1 resulta de suprimir en Det(A) la primera fila, la primera columna, la fila r y la
columna k, este menor es tambin el complementario de a rk en el determinante
Det(A 11); y designndolo por Det(B rk), todos los trminos del desarrollo de Det(A rk)
que contienen el elemento a r1 componen la expresin (-1)ra r1Det(B rk). En resumen,
todos los trminos de Det(A) que contienen los elementos a1k a r1, forman la expresin
(-1)k+r+1a1ka r1Det(B rk) y observando que en el determinante Det(A 11) el adjunto de
Det(A rk) es Det(A) = a11Det(A 11) - a1k ar1Det( C rk ) , donde r = 2, 3, ..., n y k = 2,
3, ..., n.
M E T ODO
El desarrollo de un determinante por los elementos de la primera fila y la primera
columna, es igual a su elemento comn a11 por su menor complementario Det(A 11),
menos todos los productos positivos de cada elemento a1k, restante de la primera fila,
por cada elemento a11 restante de la primera columna, por el adjunto Det(A 11) del
elemento a1k en que se cruzan la columna y la fila encabezadas por ambos elementos.
Si la fila y la columna elegidas son las determinadas por el elemento a ij, llevando ste
al primer lugar, el determinante obtenido sera (-1)i+jDet(A), luego el desarrollo por
la fila i y columna j est dado por la misma regla anterior, cambiando el signo al
resultado si es i + j impar.
EJ E M P L O 2.2.6
Evaluar los siguientes determinantes:
0 1 3 5 2 5 1 2
7 9 2 4 3 7 1 4
a.- ; b.- .
6 8 0 2 5 9 2 7
7 5 9 1 4 6 1 2
SO L U C I O N
a.- Intercambiamos la primera y tercera filas:
6 8 0 2
7 9 2 4
0 1 3 5
7 5 9 1
Desarrollando el determinante con respecto a la primera fila y primera columna,
obtenemos:
9 2 4
3 5 1 3 2 4
' (1) 6 1 3 5 (1) 2 21 56
11
(1) 2 4114 (1) 4 21 56
9 1 5 9 3 5
5 9 1
9 2 4
9 2 3 5 1 3 2 4 9 2
(1)4 4114 6 1 3 5 56 14 56 14
1 7 9 1 5 9 3 5 1 7
5 9 1
= -6(27 + 50 + 36 60 405 2) + 56(3 45) + 14(9 15) + 56(10 12) +
+ 14(63 2) = 430.
b.- Para desarrollar este determinante, elegimos la primera fila y la primera
columna, es decir:
7 1 4
2 7 9 7
' (1)11 2 9 2 7 (1)2 2115 (1)231 (3)
1 2 6 2
6 1 2
9 2 1 4 7 4
(1)231 (6) (1)3 21 (25) (1)331 5
6 1 1 2 6 2
7 1 1 4 7 4
(1)3 4110 (1)4 21 (20) (1)431 4
6 1 2 7 9 7
7 1
(1)4 41 8 9 .
9 2
I V. D ESA RR O L L O PO R M E N O R ES C O MP L E M E N T A RI OS
M E T ODO
Si en una matriz de orden n se suprimen varias filas, e igual nmero de columnas, se
obtiene otra matriz de orden inferior, llamada menor de la primera. Para determinar
una menor basta dar los nmeros i1, i2, ..., ik que designan las filas que contiene, y los
j1, j2, ..., jk que expresan sus columnas. Si en la matriz primera se suprimen las filas
de lugares i1, i2, ..., ik y las columnas que ocupan los lugares j1, j2, ..., jk, se obtiene
otra menor, llamada complementaria de la anterior. La suma de los rdenes de dos
matrices complementarias es evidentemente n.
O BSE R V A C I O N
Se dice que un menor Det(B) es de clase par o impar si la suma de los nmeros de
orden de sus filas y columnas:
i j i1 i2 ... ik j1 j2 ... j k
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
DETERMINANTES 89
es par o impar.
D E F IN I C I O N 2.2.4
Se llama adjunto o complemento algebraico de un menor Det(B) al menor
complementario de Det(B), con el signo + o -, segn que sea de clase par o
impar.
O BSE R V A C I O N
Un menor de orden k se llama principal, cuando est formado por las k primeras filas
y las k primeras columnas. Su adjunto coincide con su menor complementario,
puesto que es de clase par igual a 2(1 + 2 + ... + k).
T E O R E M A 2.2.6
El producto de un menor por su adjunto forma parte del determinante total.
D E M OST R A C I O N
Supongamos primero que un menor Det(B) est formado por las k primeras filas y
las k primeras columnas
a11 a12 a1k a1 k 1 a1n
a21 a22 a2 k a2 k 1 a2 n
ak1 ak 2 a kk a k k 1 a kn
a k 11 a k 1 2 a k 1 k a k 1 k 1 a k 1 n
ser
Det(A) = (1) t r Det( D) = (1) t r Det( B )Det( C ) ...
y siendo (1) t r Det(C) el adjunto de Det(B), queda demostrado el teorema.
T E O R E M A 2.2.7 L AP L A C E
Todo determinante es igual a la suma de los productos obtenidos
multiplicando todos los menores de orden k que se pueden formar con k
filas paralelas, por sus adjuntos respectivos.
EJ E M P L O 2.2.7
Expresar el menor de m-simo orden del producto de dos matrices mediante los
menores de los factores.
SO L U C I O N
El menor formado por los elementos de las filas de ndices i1, i2 im y de las
columnas de ndices k1, k2 km, es el determinante del producto de la matriz
formada por las filas i1, i2 im del primer factor, por la matriz formada por las
columnas k1, k2 km del segundo. Por ello, ste es igual a la suma de todos los
menores posibles de m-simo orden formados por las filas de la primer matriz de
ndices i1, i2im, multiplicados por los menores correspondientes formados por las
columnas de la segunda matriz de ndices k1, k2km.
EJ E M P L O 2.2.8
Demostrar que todos los menores principales (diagonales) de la matriz A T A son no
negativos. Aqu A es una matriz real y A T es la matriz transpuesta de A.
SO L U C I O N
El menor diagonal de la matriz A T A es igual a la suma de los cuadrados de todos los
menores de la matriz A del mismo orden, formados por los elementos de las
columnas que tienen iguales ndices que las columnas de la matriz A T A que
contienen al menor tomado. Por consiguiente, ste es no negativo.
EJ E M P L O 2.2.9
Demostrar que las sumas de todos los menores diagonales de un orden dado k,
calculados para las matrices A T A y A A T, son iguales.
SO L U C I O N
La suma de todos los menores diagonales de orden k de la matriz A T A es igual a la
suma de los cuadrados de todos los menores de orden k de la matriz A. Tambin es
igual a este mismo nmero la suma de todos los menores diagonales de orden k de la
matriz A A T.
EJ E M P L O 2.2.10
Se llama matriz recproca de una matriz dada A, aquella cuyos elementos son los
menores de (n-1)-simo orden de la matriz inicial en su disposicin natural.
Demostrar que la matriz recproca de la recproca, es igual a la matriz inicial
multiplicada por su determinante elevado a la potencia n - 2.
SO L U C I O N
Para una matriz singular A el resultado es trivial. Supongamos que A es no singular
y sea A T su transpuesta, ' su determinante y A la recproca de A. Entonces
A = 'C(A T)-1 C, donde
1
1 .
C
1
Esto se deduce inmediatamente de la regla de la formacin de la matriz inversa. Por
esto
Det(A) = 'n-1 y (A) = 'n-1 C((A)T)-1 C = 'n-1'-1A = 'n-2A.
EJ E M P L O 2.2.11
Demostrar que el mximo de los valores absolutos de los determinantes de n-simo
orden, cuyos elementos son reales y no superiores a 1 en valor absoluto, es un
nmero entero divisible por 2n-1.
SO L U C I O N
Demostremos que todos los elementos de la matriz, para la cual el valor absoluto de
su determinante alcanza el valor mximo, son iguales a r1. En efecto, si -1 < a ik < 1,
' t 0 y A ik t 0, entonces, al sustituir a ik por 1, el determinante aumenta, y si ' t 0 y
A ik < 0, al sustituir a ik por -1, el determinante aumenta. Si ' < 0, el valor absoluto del
determinante aumentar al sustituir a ik por la unidad con el signo contrario al de A ik.
Finalmente, si A ik = 0, el valor del determinante no se altera al sustituir a ik por 1 o -1.
Sin restringir generalidad se puede considerar que todos los elementos de la primera
fila y de la primera columna del determinante mximo son iguales a 1; esto puede
conseguirse multiplicando por -1 las filas y columnas. Restemos ahora la primera fila
del determinante mximo de todas las dems. Entonces el determinante se reducir a
un determinante de orden n-1 cuyos elementos son todos iguales a 0 a -2. Este
ltimo es igual a 2n-1N, donde N es un nmero entero.
EJ E M P L O 2.2.12
Evaluar los siguientes determinantes:
5 2 1 3 2 2 1 4 3 5 7 2 1 3 4
4 0 7 0 0 3 4 0 5 0 1 0 2 0 3
a.- 2 3 7 5 3 ; b.- 3 4 5 2 1 ; c.- 3 0 4 0 7 .
2 3 6 4 5 1 5 2 4 3 6 3 2 4 5
3 0 4 0 0 4 6 0 7 0 5 1 2 2 3
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la segunda y quinta filas:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
92 DETERMINANTES
2 3 2
434 7
' (1) 3 5 3 (16 21)(50 27 24 30 24 45) (5)(2) 10
3 4
3 4 5
b.- Desarrollamos el determinante con respecto a la tercera y quinta columnas:
4 4 5 3 4 5 2 1 3
3 3 4 5 43 4 5 23 5 1
' (1) 1 5 4 (1) 3 4 2 (1) 3 4 5
5 1 2 3 2 3
4 6 7 4 6 7 4 6 7
4 4 5 3 4 5 2 1 3
4 5 4 5 5 1
1 5 4 3 4 2 3 4 5
5 1 2 3 2 3
4 6 7 4 6 7 4 6 7
= (4 25)(140 + 64 + 30 100 96 28) (12 10)(84 + 32 + 90 80 36 84)
- (15 2)(56 + 20 + 54 48 60 21)
= (-21)(10) 2(6) 13 = - 210 12 13 = - 235.
c.- Desarrollamos el determinante con respecto a la segunda y cuarta columnas:
1 2 3 1 2 3 7 1 4
43 2 3 5 3 2 3 23 3 4
' (1) 3 4 7 (1) 3 4 7 ( 1) 1 2 3
3 4 1 2 1 2
5 2 3 6 3 4 3 4 7
1 2 3 1 2 3 7 1 4
2 3 2 3 3 4
3 4 7 3 4 7 1 2 3
3 4 1 2 1 2
5 2 3 6 3 4 3 4 7
= - (8 9)(12 + 70 + 18 60 14 18) + (4 3)(16 + 84 + 27 72 21 24)
- (6 4)(98 + 9 + 16 24 7 84) = -(-1)(8) + 10 2(8) = 8 + 10 16 = 2.
EJ E M P L O 2.2.13
Evaluar los siguientes determinantes:
1 2 3 4 5 3 7 6 5 4 3 2
6 5 7 8 4 2 9 7 8 9 4 3
9 8 6 7 0 0 7 4 9 7 0 0
a.- ; b.- .
3 2 4 5 0 0 5 3 6 1 0 0
3 4 0 0 0 0 0 0 5 6 0 0
5 6 0 0 0 0 0 0 6 8 0 0
SO L U C I O N
a.- Desarrollamos el determinante con respecto a la quinta y sexta filas:
3 4 5 3
3 4 7 8 4 2
(1) 2 2
5 6 6 7 0 0
4 5 0 0
Desarrollamos el segundo determinante con respecto a la tercera y cuarta columnas:
3 4 5 3 6 7
(1)2 2
5 6 4 2 4 5
Por lo tanto el valor del determinante es: ' = (18 20)(10 12)(30 28) = 8.
b.- Desarrollamos el determinante con respecto a la quinta y sexta columnas:
7 4 9 7
3 2 5 3 6 1
(1) 2 2
4 3 0 0 5 6
0 0 6 8
V. R E G L A D E C H I O
Esta regla consiste en conseguir que una de las filas del determinante est formada
por elementos todos ellos nulos, excepto uno, que vale la unidad y se le llama
elemento base. De esta forma, al desarrollar dicho determinante por los adjuntos de
los elementos de esta fila, se anulan todos los sumandos, a excepcin del que
corresponde al elemento base, que coincide con su adjunto. De esta manera, el
determinante primitivo coincide con el adjunto del elemento base, reduciendo el
determinante al clculo de otro cuyo orden es inferior en una unidad. Para conseguir
que los elementos de una fila sean todos nulos, excepto uno, que valga la unidad, se
siguen los siguientes pasos:
a.- Se mira si algn elemento del determinante vale la unidad. En caso afirmativo se
elige una de las dos filas o columnas, que contiene a dicho elemento. En caso
negativo, nos fijamos en una fila que contenga el mayor nmero posible de
elementos nulos. Los elementos de esta fila se dividen por uno de ellos; de esta
forma se consigue que dicha fila posea un elemento que valga la unidad. Despus de
efectuada esta operacin, el determinante ha quedado dividido por este nmero, y
este resultado, por tanto, tenemos que tenerlo en cuenta al final del proceso que
vamos a seguir. Tambin se puede conseguir un elemento, del determinante, que
valga uno, restando a una fila otra paralela a ella, siempre que existan dos elementos
que ocupen el mismo lugar en ambas filas y que difieran en una unidad.
b.- Una vez elegido el elemento base, supongamos que ste sea el elemento a11, los
dems elementos de la primera fila o primera columna deben ser nulos. Para ello, a la
segunda, tercera, ..., n-sima columna se le resta la primera columna multiplicada
sucesivamente por a12, a13, ..., a in, con lo que el determinante no vara. Exactamente
se procedera para conseguir que sean nulos los elementos de la primera columna,
pero ahora, tendramos que cambiar la palabra columna por la de fila y los elementos
sern a21, a31, ..., an1. Desarrollamos el determinante que nos resulta, por los adjuntos
de los elementos de la primera fila, con lo que se obtiene: Det(A) = 1.Det(A11) + ...
+ 0.Det(A1n) = Det(A11), como el valor del determinante de A, el adjunto del
elemento base, es decir, hemos reducido el problema a calcular el valor de un
determinante de orden inferior en una unidad, el cual se obtiene suprimiendo la fila y
la columna a la que pertenece el elemento base, anteponiendo los signos ms o
menos, segn que la suma de los ndices relativos a dicho elemento sea par o impar.
EJ E M P L O 2.2.14
Calcular el valor del determinante
5 3 2 3
4 3 1 1
.
1 1 2 1
0 2 2 3
SO L U C I O N
Como elemento base se elige el a31 ya que la columna que contiene a ese elemento es
la lnea con mayor nmero de ceros. Restando a la primera fila y a la segunda, la
tercera multiplicada por 5 y 4 respectivamente, obtenemos
5 3 2 3 0 2 8 3
2 8 3
4 3 1 1 0 1 7 3
1 7 3
1 1 2 1 1 1 2 1
2 2 3
0 2 2 3 0 2 2 3
Seguimos el proceso anterior explicado para calcular el valor de este determinante de
tercer orden, en lugar de aplicar la regla de Sarrus.
2 8 3 2 8 3 0 6 3
6 3
1 7 3 1 7 3 1 7 3 18 .
12 3
2 2 3 2 2 3 0 12 3
PR O B L E M AS
2.2.5 Evale los siguientes determinantes: 2.2.8 Evale los siguientes determinantes:
ax 1 ay 1 az 1 au 3 1 2 5 9 11 10 8
1 bx by 1 bz 1 bu 1 8 1 1 5 7 3 1
a.- ; a.- ; b.- ;
1 cx 1 cy cz 1 cu 4 3 3 9 2 3 5 8
1 dx 1 dy 1 dz du 5 1 4 3 5 2 1 3
a x a y a z a u 2 1 5 5 i 2 3 4
b x b y b z bu 1 2 2 4 3 i 2 3
b.- ; c.- ; d.- ;
c x c y c z c u 4 3 8 5 3 2 i 2
d x d y d z d u 5 1 3 1 1 1 2 i
1 a 1 a2 1 a3 1 a4 2 4 1 4 4 0 5 6
1 b 1 b2 1 b3 1 b4 1 1 2 5 2 3 8 3
c.- . e.- ; f.- ;
0 0 3 1 1 2 3 9
1 c 1 c2 1 c3 1 c4
3 2 0 1 10 4 2 12
1 d 1 d 2 1 d3 1 d 4
0 3 0 4 1 3 2 5
2.2.6 Evale los siguientes determinantes: 1 3 2 0 4 8 1 2
g.- ; h.- ;
1 Cosx Cos 2 x Cos3 x 5 3 2 4 3 5 4 0
3 1 1 2 1 3 2 0
1 Cosy Cos 2 y Cos3 y
a.- ; 4i 3 4 i i 1 i 3 i
1 Cosz Cos 2 z Cos3 z
i 2 5 i 2 1 i 4 3 i
1 Cosu Cos 2 u Cos 3u i.- ; j.- ;
2 1 8i 2 5 1 2 i
1 Senx Sen 2 x Sen3x 1 i 3 2i 6 i 3 1
1 Seny Sen 2 y Sen3 y
b.- ; i i 1 i2 i 3
1 Senz Sen 2 z Sen3z
i 1 i2 i 3 i4
1 Senu Sen 2u Sen3u k.- .
i2 i 3 i4 i 5
1 Cosx Cos 2 x Cos3x i 3 i4 i 5 i 6
1 Cosy Cos 2 y Cos3 y
c.- .
1 Cosz Cos 2 z Cos3z 2.2.9 Desarrollar por los elementos de la primera
1 Cosu Cos 2u Cos3u columna y calcular el determinante
2 1 1 a
2.2.7 Evale los siguientes determinantes: 1 2 1 b
.
0 a b c d a b c 1 1 2 c
a 0 d e a d b c 1 1 1 d
a.- ; b.- ;
b d 0 f a b d c
c e f 0 a b c d 2.2.10 Evale el siguiente determinante:
2 3 4 2 3 1 1 1 0 0 0
1 a a a 1 a a a
2 3 4 0 0 0
2 3 4 2
1 b b b 1 b b b3
c.- ; d.- ; 3 6 10 0 0 0
1 c2 c3 c4 1 c c2 c3 .
4 9 14 1 1 1
1 d2 d3 d4 1 d d2 d3 5 15 24 1 5 9
1 Senx Sen 2 x Sen3 x 9 24 38 1 25 81
2.3 PR O DU C T O D E D E T E R M I N A N T ES
D E F IN I C I O N 2.3.1
El producto de dos determinantes de orden n est dado por la expresin
a11 a12 ... a1n b11 b12 ... b1n c11 c12 ... c1n
a21 a22 ... a2 n b21 b22 ... b2 n c21 c22 ... c2 n
... ... ... ... ... ... ... ... ...
an1 an 2 ... ann bn1 bn 2 ... bnn cn1 cn 2 ... cnn
designando por c ij el producto de la fila i del primero por la fila j del
segundo
cij = a i1bj1 + a i2bj2 + . . . + a inbjn.
T E O R E M A 2.3.1
Sean A y B, matrices cuadradas de orden n. Entonces
Det(A B) = Det(A)Det(B).
D E M OST R A C I O N
En efecto
a11 a12 a1n b11 b12 b1n
a21 a22 a2n b21 b22 b2n
Det(A)Det(B) =
an1 an 2 ann 0 0 0
=
d11 d12 d1n b11 b12 b1n
d 21 d 22 d 2 n b21 b22 b2 n
d n1 d n 2 d nn bn1 bn 2 bnn
cualesquiera que sean los nmeros d; pues desarrollando este determinante por los
menores de las n primeras filas, como todos los menores, excepto el primero, tienen
alguna columna de ceros, y, por tanto, son nulos, resulta el producto Det(A)Det(B).
Para poder reducir el orden de este determinante, podemos suponer que los dos
determinantes dados sean del mismo orden n, si es n > m, pues en caso contrario se
puede transformar el de menor orden m en otro de orden n, prolongando su diagonal
principal con n m elementos 1, y completando con ceros las nuevas filas y
columnas. Adems, como podemos disponer de los nmeros indeterminados d,
tomemos todos ellos iguales a 0, excepto los de la diagonal d11, d22, ..., dnn, que
tomaremos iguales a 1. Finalmente, podemos cambiar las filas por columnas, en el
determinante menor Det(B). Resulta as:
a11 a12 a1n 0 0 0
a21 a22 a2 n 0 0 0
a11 a12 a1n b11 b12 b1n
a21 a22 a2n b21 b22 b2n a an 2 ann 0 0 0
= n1
1 0 0 b11 b12 b1n
an1 an 2 ann bn1 bn 2 bnn 0 1 0 b21 b22 b2 n
0 0 1 bn1 bn 2 bnn
Si, mediante adiciones convencionales de filas o columnas, logramos reducir a 0 los
elementos a ij, en vez del cuadro de ceros aparecer otro de nuevos elementos c ij, y el
nuevo determinante de orden 2n ser igual al determinante de orden n formado por
estas c ij, multiplicado por su complemento algebraico; mas, reducindose el menor
complementario a su diagonal principal, su valor es (-1)n; tendremos, pues, el
producto en forma de determinante de orden n. Esto se logra de la siguiente manera:
sumemos a la primera fila las filas n + 1, n + 2, ..., 2n, multiplicadas respectivamente
por a11, a12, a1n, y obtenemos como primera la siguiente:
0, 0, ..., 0, a11b11 + ... + a1nb1n, ..., a11bn1 + ... + a1nbnn.
0 0 0 cn1 cn 2 cnn
=
1 0 0 b11 b21 bn1
0 1 0 b12 b22 bn 2
0 0 1 b1n b2 n bnn
c11 c12 c1n 1 0 0
c21 c22 c2 n 0 1 0
(-1)k
cn1 cn 2 cnn 0 0 1
siendo
k = (n + 1) + (n + 2) + ... + (n + n) + 1 + 2 + ... + n = n(2n + 1),
y como el valor del segundo menor es (-1)n, el factor que multiplica al primero es
(-1)n+k = (-1)n(n + 1), nmero que es igual a 1, por ser n y n + 1 dos nmeros
consecutivos, y, por tanto, su producto es par.
B(f,c)=input(' :');
end
end
A
B
C=A*B
DetAB=det(A*B)
DetA=det(A)
DetB=det(B)
DetAB = det(A)*det(B)
EJ E M P L O 2.3.1
Para cada una de las proposiciones siguientes relativas a matrices cuadradas, dar una
demostracin o poner un contraejemplo:
a.- Det[(A + B)2] = [Det(A + B)]2;
b.- Det[(A + B)2] = Det(A 2 + 2A B + B 2);
c.- Det[(A + B)2] = Det(A 2 + B 2).
SO L U C I O N
a.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A + B)Det(A + B) = [Det(A + B)]2.
b.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = B A, entonces Det[(A + B)2] = Det(A 2 + 2A B + B 2).
c.- Det[(A + B)2] = Det[(A + B)(A + B)] = Det(A 2 + A B + B A + B 2).
Si A B = -B A o B A = -A B, entonces Det[(A + B)2] = Det(A 2 + B 2).
EJ E M P L O 2.3.2
Multiplicar los determinantes
1 2 3 2 3 1
3 4 2 1 4 3 .
4 5 4 1 5 2
SO L U C I O N
Podemos darnos cuenta que hay cuatro formas para multiplicar determinantes, y son
las siguientes:
1.- Filas por columnas
1 2 3 2 3 1 7 26 13
3 4 2 1 4 3 12 35 19 50 .
4 5 4 1 5 2 17 52 27
2.- Filas por filas
1 2 3 2 3 1 1 2 3
3 4 2 1 4 3 4 7 13 50 .
4 5 4 1 5 2 3 4 13
3.- Columnas por columnas
1 2 3 2 3 1 9 35 18
3 4 2 1 4 3 13 47 24 50 .
4 5 4 1 5 2 12 37 17
4.- Columnas por filas
1 2 3 2 3 1 3 1 6
3 4 2 1 4 3 3 1 8 50 .
4 5 4 1 5 2 4 7 1
EJ E M P L O 2.3.3
Si A 2 = A, entonces A se llama idempotente. Muestre que si A es idempotente,
entonces el determinante de A vale 1 o 0.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
100 DETERMINANTES
SO L U C I O N
Como A 2 = A, Det(A 2) = Det(A). Entonces
Det(A 2) = Det(A A) = Det(A) Det(A)Det(A) = Det(A)
[Det(A)]2 Det(A) = 0 Det(A)[Det(A) 1] = 0
Det(A) = 0 y Det(A) 1 = 0, Det(A) = 1.
EJ E M P L O 2.3.4
Qu puede decirse del determinante de una matriz nilpotente?
SO L U C I O N
El determinante debe ser cero. Como A n = O, Det(A n) = Det(O). Entonces
Det(A n) = Det(A A...A) = 0 Det(A)Det(A)...Det(A) = 0
[Det(A)]n = 0 Det(A) = 0.
EJ E M P L O 2.3.5
Sean A y B matrices de 4 x 4 con Det(A) = 8 y Det(B) = - 1. Determine el valor de:
a.- Det(A B); b.- Det(2A B).
SO L U C I O N
a.- Det(A B) = Det(A)Det(B) = 8(-1) = - 8.
b.- Det(2A B) = Det(2A)Det(B) = 24Det(A)Det(B) = (16)(8)(-1) = - 128.
EJ E M P L O 2.3.6
Multiplquense los determinantes
1 1 1 a b c
Det( A ) 1 x x2 y Det( B ) b c a .
1 x2 x c a b
Siendo x una raz cbica imaginaria de la unidad.
SO L U C I O N
Multiplicando fila por fila, tenemos:
a bc ba c a b
2 2
Det( A B ) a bx cx b cx ax c ax bx 2
a bx 2 cx b cx 2 ax c ax 2 bx
Pero
b + cx + ax2 = x2(a + bx + cx2) c + ax + bx2 = x2(a + bx + cx2)
b + cx2 + ax = x2(a + bx2 + cx) c + ax2 + bx = x2(a + bx2 + cx)
y, en consecuencia
1 1 1
2 2
Det( A B ) ( a b c )( a bx cx )( a bx cx) 1 x x2
1 x2 x
Es decir:
Det(A B) = Det(A)Det(B) = -(a + b + c)(a + bx + cx2)(a + bx2 + cx)Det(A).
Siendo Det(A) un determinante de Vandermonde y, en consecuencia, distinto de
cero, puede suprimirse y entonces
Det(B) = - (a + b + c)(a + b + cx2)(a + bx2 + cx).
EJ E M P L O 2.3.7
Demostrar la siguiente identidad:
a a a a 1 1 0 0
a b b b 0 1 1 0
2 a (b a )( c b)(d c ) .
a b c c 0 0 1 1
a b c d 1 1 1 1
SO L U C I O N
Multiplicando los dos determinantes de forma normal, filas por columnas,
obtenemos:
0 a a 0
a b a b 0
a c a b c b 0
a d a b d b c d c d
Desarrollando este determinante con respecto a la cuarta columna, obtenemos:
0 a a
(c d ) a b a b
a c a b c b
A la tercera fila le restamos la segunda fila:
0 a a
(c d ) a b a b
c b c b 0
Extraemos de la tercera fila c - b:
0 a a
(c d )(c b) a b a b
1 1 0
A la segunda fila le restamos la primera fila:
0 a a
(c d )(c b) a b 0 b a
1 1 0
Extraemos a de la primera fila y b a de la segunda fila:
0 1 1
a (b a )(c d )(c b) 1 0 1
1 1 0
Desarrollamos el determinante resultante por la regla de Sarrus y obtenemos el
resultado: ' = 2a(b a)(c b)(d c).
EJ E M P L O 2.3.8
Calcular el determinante elevndolo al cuadrado
a b c d
b a d c
.
c d a b
d c b a
SO L U C I O N
2
a b c d a b c d a b c d
b a d c b a d c b a d c
c d a b c d a b c d a b
d c b a d c b a d c b a
a 2 b2 c 2 d 2 0 0 0
2 2 2 2
0 a b c d 0 0
2 2 2 2
0 0 a b c d 0
0 0 0 a b c2 d 2
2 2
= (a2 + b2 + c2 + d2)4.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
102 DETERMINANTES
PR O B L E M AS
2.3.1 Sean A, B, C, D los determinantes de tercer orden 2.3.3 Aplicando la regla de multiplicacin de las
que se forman de la matriz matrices, expresar en forma de un determinante los
a b c d productos de determinantes:
3 5 4 8 6 3
a1 b1 c1 d1
a b c d a.- 1 3 7 4 5 2 ;
2 2 2 2
al suprimir la primera, segunda, tercera y cuarta columna, 1 2 3 3 1 2
respectivamente. Demostrar que 1 2 4 5
a b c d 0 0 4 3 2 1 1 2 3 5
a1 b1 c1 d1 0 0 b.- ;
9 2 0 2 3 5 7 2
a2 b2 c2 d 2 0 0 3 0 5 4
AD - BC .
0 0 a b c d
1 3 1 2
0 0 a1 b1 c1 d1 c.- .
4 6 5 1
0 0 a2 b2 c2 d 2
2.3.4 Calcular el cuadrado del determinante:
2.3.2 Multiplicar y desarrollar los siguientes
1 1 1 1 1 1 1 1
determinantes:
1 1 1 1 2 2 1 1
5 a 1 2 1 3 2 4 a.- ; b.- ;
1 1 1 1 2 0 3 1
4 b 3 4 2 2 4 3
a.- ; 1 1 1 1 3 7 1 9
2 c 2 3 d b a c
4 d 4 5 3 1 3 4 2 5 8 1
2 3 2 0
a 2 1 0 0 a 5 3 c.- .
1 2 7 4
0 b 2 0 0 0 2 b
b.- . 2 6 4 0
5 4 3 c c 1 3 2
0 0 d 0 0 0 d 0
2.4 D E T E R M I N A N T E D E V A ND E R M O ND E
D E F IN I C I O N 2.4.1
Se denomina determinante de Vandermonde o determinante de las
diferencias, al formado por las potencias sucesivas de n nmeros distintos:
a21, a22, a23, ..., a2 n-2, a2 n-1, a2 n,
ordenadas del siguiente modo:
1 1 1 ... 1 1
a21 a22 a23 ... a2 n 1 a2 n
2 2 2
V a21 a22 a23 ... a22n 1 a22n
... ... ... ... ...
n 1 n 1 n 1
a21 a22 a23 ... a2nn11 a2nn1
cuyo desarrollo est dado por
V ( a2 j a2 i ) .
1d i j d n
1 1 1 ... 1 1
0 a22 a21 a23 a21 ... a2 n 1 a21 a2 n a21
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a2 n 1 ( a2 n 1 a21 ) a2 n ( a2 n a21 )
2 2
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a22n 1 ( a2 n 1 a21 ) a22n ( a2 n a21 )
... ... ... ... ...
n2 n2
0 a22 ( a22 a21 ) a23 ( a23 a21 ) ... a2nn21 ( a2 n 1 a21 ) a2nn 2 ( a2 n a21 )
determinante que se reduce a uno de orden n 1, el cual, separando los factores
comunes, resulta
1 1 1 ... 1 1
a22 a23 a24 ... a2 n 1 a2 n
2 2 2
( a22 a21 )...( a2 n a21 ) a22 a23 a24 ... a22n 1 a22n
... ... ... ... ...
n2 n2 n2
a22 a23 a24 ... a2nn21 a2nn 2
y observando que este determinante de orden n - 1 es de la misma forma que el
anterior, se le puede aplicar la misma transformacin, resultando
1 1 1 ... 1 1
a23 a24 a25 ... a2 n 1 a2 n
2 2 2
( a22 a21 )...( a2 n 1 a22 ) a23 a24 a25 ... a22n 1 a22n
... ... ... ... ...
n 3 n 3 n 3
a23 a24 a25 ... a2nn31 a2nn3
Con ste, que es de orden n 2, se opera de igual modo, y as se sigue hasta llegar a
uno de segundo orden
1 1
a2n a2n 1 .
a2n 1 a2n
Por consiguiente
V ( a22 a21 )( a23 a21 )...( a2n a2n1 )
( a2 j a2 i ) .
1d i j d n
EJ E M P L O 2.4.1
Evaluar los siguientes determinantes y expresar su resultado en factores:
1 a bc 1 1 1 1 bc ad b2 c 2 a 2 d 2
a.- 1 b ca ; b.- a b c ; c.- 1 ac bd a 2 c 2 b2 d 2 .
1 c ab a 3 b3 c3 1 ab cd a 2b2 c 2 d 2
SO L U C I O N
a.- A las filas 2 y 3 le restamos la fila 1:
1 a bc 1 a bc
0 b a ca bc 0 b a c (b a )
0 c a ab bc 0 c a b(c a )
extraemos de la fila 2 el factor (b a) y de la tercera fila el factor (c a):
1 a bc
(b a )( c a ) 0 1 c
0 1 b
a la fila 3 le restamos la fila 2:
1 a bc
(b a )(c a ) 0 1 c
0 0 c b
podemos observar que mediante este proceso, hemos transformado la matriz original
a una matriz equivalente triangular superior, lo cual nos permite aplicar una de las
propiedades para encontrar el valor del determinante: ' = (b - a)(c - a)(c - b).
b.- En este problema, aplicaremos operaciones elementales entre columnas, es
decir, a las columnas 2 y 3 le restamos la columna 1:
1 0 0 1 0 0
a ba ca a ba ca
a 3 b3 a 3 c 3 a 3 a 3 (b a )(b 2 ab a 2 ) (c a )(c 2 ca a 2 )
a la columna 2 le extraemos (b a) y a la tercera columna (c a):
1 0 0
(b a )(c a ) a 1 0
a 3 b2 ab a 2 c 2 ca a 2
a la columna 3 le restamos la columna 2:
1 0 0
(b a )( c a ) a 1 0
a 3 b2 ab a 2 c 2 ca a 2 b 2 ab a 2
expresamos en factores el elemento a33:
1 0 0
(b a )(c a ) a 1 0
a 3 b2 ab a 2 (c b)( a b c )
como hemos reducido la matriz original a una matriz triangular inferior, aplicamos la
correspondiente propiedad, para obtener el valor del determinante
' = (b - a)(c - a)(c - b)(a + b + c).
c.- A la segunda y tercera filas, le restamos la primera:
1 bc ad b2 c 2 a 2 d 2
0 ac bd bc ad a 2 c 2 b2 d 2 b2 c 2 a 2 d 2
0 ab cd bc ad a 2b 2 c 2 d 2 b 2 c 2 a 2 d 2
PR O B L E M AS
2.5 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
2.5.1 El valor de un determinante se altera si ste se 2.5.13 Si en un determinante todos los elementos de
transpone. una fila, a excepcin de uno, son iguales a cero,
entonces, el determinante es igual al producto de este
2.5.2 Si en una matriz cuadrada de orden n se elemento diferente de cero por un complemento
intercambian dos columnas, entonces el determinante no algebraico.
vara.
2.5.14 Todo determinante es igual a la suma de los
2.5.3 La suma de los productos de los elementos de productos de los elementos de una de sus columnas por
cualquier columna de un determinante por los los correspondientes complementos algebraicos.
complementos algebraicos de los elementos
correspondientes de una paralela es diferente de cero. 2.5.15 Si una columna del determinante de una matriz
cuadrada de orden 3 es una combinacin lineal de las
2.5.4 Si una matriz A de orden n posee un menor M no dems columnas, entonces el determinante ser
nulo de orden r, 1 d r d n-1, tal que todos los menores de diferente de cero.
orden r + 1 que lo orlan son iguales a cero, entonces el
determinante de la matriz A es igual a cero. 2.5.16 El determinante difiere si a cada columna,
excepto la ltima, se le aade la columna siguiente.
2.5.5 Un determinante que contiene dos columnas
proporcionales es diferente de cero. 2.5.17 El determinante no cambia si vara el signo de
todos los elementos en los lugares impares; pero si vara
2.5.6 El valor de un determinante no cambia si a todos el signo de todos los elementos en los lugares pares, el
los elementos de una de sus columnas se suman los determinante no cambia, siendo del orden par y cambia,
elementos correspondientes de la columna. siendo del orden impar.
2.5.7 Para que un determinante sea igual a cero es 2.5.18 El determinante no cambia si de cada columna,
necesario y suficiente que sus columnas sean excepto la ltima, se restan todas las siguientes
linealmente independientes. columnas.
2.5.8 Si en el determinante de una matriz de orden n, 2.5.19 Si a cada elemento de una de las columnas de
ms de n2 n elementos son nulos, el determinante es una matriz de orden n se le suma el producto del
igual a cero. nmero k por el elemento correspondiente de otra
columna, entonces el valor del determinante cambia.
2.5.9 Si en el determinante de una matriz cuadrada de
orden n para k + r > n en la interseccin de ciertas k filas 2.5.20 El valor del determinante de una matriz de
y r columnas se hallan los elementos nulos, el orden n no cambia si se intercambian las filas y
determinante es igual a cero. columnas de la matriz.
2.5.10 Si en el determinante de una matriz cuadrada de 2.5.21 Si A y B son matrices cuadradas de diferente
orden n todos los menores de orden k (k < n) son nulos, orden, entonces el determinante del producto A B es
entonces los menores de orden superior a k son diferente del producto de los determinantes de cada una
diferentes del nulo. de las matrices.
2.5.11 Para que un determinante de una matriz cuadrada 2.5.22 Si una matriz de orden n tiene un determinante
de orden 2 sea diferente de cero, es necesario y cero despus de cualquier nmero de operaciones
suficiente que sus columnas sean proporcionales. elementales sobre las filas, entonces la matriz que
resulta tiene determinante cero.
2.5.12 Un determinante es igual a cero si es de orden
par y se duplicar, si es de orden impar, si a cada 2.5.23 Si una matriz tiene determinante diferente de
columna, empezando por la segunda, se le aade la cero, despus de cualquier nmero de operaciones
columna anterior, sumando al mismo tiempo la primera elementales sobre las filas, entonces la matriz que
columna y la ltima. resulta tiene determinante diferente de cero.
2.5.24 Si cada elemento de cierta columna del 2.5.30 La suma de todos los determinantes de orden
determinante est representado en forma de suma de dos n t 2, cada uno de los cuales en cada fila y cada
sumandos, el determinante ser igual a la suma de dos columna tiene un elemento igual a la unidad y todos los
determinantes, en este caso todas las columnas menos la dems nulos; es nula y la cantidad de determinantes de
indicada, quedarn las mismas, y en la columna dicha este tipo es n!.
del primer determinante se encontrarn los primeros
sumandos, y en la del segundo, los segundos. 2.5.31 Si en un determinante de una matriz cuadrada
de orden n, sus filas se escriben en orden inverso,
2.5.25 Si a los elementos de una columna del entonces ste se multiplicar por (-1)n(n-1)/2.
determinante se les aaden los correspondientes
elementos de otra columna, multiplicadas por un mismo 2.5.32 Si en un determinante de una matriz cuadrada
nmero, entonces el determinante es diferente. de orden n cada uno de sus elementos cambia de signo,
entonces el determinante se multiplicara por (-1)n.
2.5.26 Un determinante es igual a cero si cada fila,
excepto la ltima, se resta la siguiente fila, y de la ltima 2.5.33 El determinante de una matriz cuadrada de n x
fila se resta la fila inicial. n, cuyos elementos se prefijan por las condiciones
a ij = mn( i, j) es igual a cero.
2.5.27 Si todos los elementos de cualquier fila de un
determinante son iguales a la unidad, la suma de los 2.5.34 El determinante de una matriz cuadrada de
cofactores de todos los elementos de ste ser igual al orden n, cuyos elementos se dan por las condiciones
propio determinante. a ij = mx( i, j) es igual a (-1)n-1n.
2.5.28 El determinante cuya suma de las filas con 2.5.35 El determinante de una matriz cuadrada de
nmeros pares es igual a la suma de las filas con orden n, cuyos elementos se prefijan por las
nmeros impares, es diferente de cero. condiciones a ij = | i j | es igual a (-1)n-12n-2(n 1).
2.5.29 Una matriz cuadrada tiene determinante cero si y 2.5.36 La suma de los cofactores de todos los
slo si la matriz se puede reducir a una matriz triangular elementos del determinante vara si a todos los
superior con al menos un elemento igual a cero en la elementos se les aade un mismo nmero.
diagonal principal.
Resolver problemas sobre matrices equivalentes, rango e inversa mediante la interpretacin, expresin y
representacin en trminos de matrices y determinantes utilizando definiciones propiedades y mtodos adecuados
para cada tipo, en situaciones reales propias de la ingeniera y ciencias aplicadas.
C O NT ENID O:
3.1 M A T R I C ES E Q U I V A L E N T ES
En esta seccin se introduce la definicin de matriz equivalente y enuncia mos sus propiedades mas
importantes.
En esta seccin veremos que cada una de las operaciones de filas puede realizarse
en A multiplicando A por la izquierda por una matriz obtenida al efectuar dicha
operacin a la matriz identidad.
Para este fin, definiremos una matriz elemental como cualquier matriz que se
obtenga a partir de la matriz identidad mediante una operacin elemental de filas,
para lo cual utilizaremos el siguiente resultado.
E J E M P L O 3.1.1
Dada la matriz A, verifique lo antes mencionado:
2 4 2 3 2 4 5
a.- A 0 1 3 ; b.- A 0 3 8 3 .
3 4 2 4 1 3 7
SO L U C I O N
a.- Obtengamos B a partir de A intercambiando las filas f2 y f3:
110 RANGO E INVERSA DE UNA MATRIZ
2 4 2
B 3 4 2
0 1 3
Efectuamos la misma operacin en I de 3 x 3 para obtener:
1 0 0
E 0 0 1
0 1 0
Ahora verificamos que E efecta la misma operacin de filas en A al multiplicar
por la izquierda a la matriz A por E:
1 0 0 2 4 2 2 4 2
E A = 0 0 1 0 1 3 = 3 4 2 = B .
0 1 0 3 4 2 0 1 3
b.- Multiplicamos la tercera fila de A por 2 para obtener B:
3 2 4 5
B 0 3 8 3
8 2 6 14
Efectuamos la misma operacin en I de 3 x 3 para obtener
1 0 0
E 0 1 0
0 0 2
Entonces
1 0 0 -3 2 4 5 -3 2 4 5
E A = 0 1 0 0 3 8 3 = 0 3 8 3 = B .
0 0 -2 4 1 3 7 -8 -2 -6 -14
E J E M P L O 3.1.2
Dada la matriz
3 2 4 5
A 0 3 8 3
4 1 3 7
Multiplique la matriz A por la izquierda por un producto de matrices elementales.
SO L U C I O N
Intercambiamos las filas f2 y f3:
3 2 4 5
4 1 3 7
0 3 8 3
Multiplicamos la segunda fila por 3/4:
3 2 4 5
3 9 21
3 4 4 4
0 3 8 3
A la segunda fila le sumamos la primera:
3 2 4 5
25 41
B 0 11 4 4 4
0 3 8 3
Cada operacin puede ser realizada mediante una matriz elemental:
1 0 0 1 0 0 1 0 0
E1 0 0 1 , E 2 = 0 34 0 , E3 1 1 0
0 1 0 0 0 1 0 0 1
Se forma
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
E 3 E 2 E1 = 1 1 0 0 34 0 0 0 1 1 34 0 0 0 1 1 0 34
0 0 1 0 0 1 0 1 0 0 0 1 0 1 0 0 1 0
Si se multiplica A por la izquierda por este producto de matrices elementales,
obtenemos el resultado final de las tres operaciones de filas:
1 0 0 -3 2 4 5 -3 2 4 5
41
( E 3 E 2 E1 ) A = 1 0 34 0 3 8 3 = 0 11
4
25
4 4
=B.
0 1 0 4 1 3 7 0 3 8 3
D E F I N I C I O N 3.1.1
Se dice que la matriz A es equivalente por filas a la matriz B si B se
obtiene a partir de A mediante una sucesin de operaciones elementales
de filas. Esto significa que la matriz B debe ser de la forma E n E n-1 ... E 1 A
para matrices elementales E 1, E 2, ..., E n.
T E O R E M A 3.1.1
Toda matriz es equivalente por filas a s misma.
D E M OST R A C I O N
Observemos que la matriz A siempre puede obtenerse a partir de A mediante una
operacin elemental de filas.
T E O R E M A 3.1.2
Si la matriz A es equivalente por filas a la matriz B entonces B es
equivalente por filas a A.
D E M OST R A C I O N
Se obtiene la matriz B a partir de la matriz A intercambiando las filas i y j de A,
obtenemos a A a partir de B intercambiando las filas i y j de B. Si obtenemos la
matriz B a partir de la matriz A multiplicando la fila j de A por un nmero k
distinto de cero, obtenemos A a partir de B multiplicando la fila j de B por 1/k. Si
obtenemos la matriz B a partir de la matriz A sumando k veces la fila i a la fila j,
obtenemos A a partir de B sumando k veces la fila i a la fila j de B. En resumen,
si obtenemos B a partir de A mediante operaciones elementales de filas, podemos
recuperar A a partir de B mediante operaciones elementales de filas del mismo
tipo. Ahora supongamos que A es equivalente por filas a B. Entonces B puede
obtenerse a partir de A mediante una sucesin de operaciones elementales de
filas. Por lo tanto, A se obtiene a partir de B mediante una sucesin de
operaciones elementales; as que B es equivalente por filas a A.
T E O R E M A 3.1.3
Si la matriz A es equivalente por filas a la matriz B y B es equivalente
por filas a la matriz C entonces A es equivalente por filas a C.
D E M OST R A C I O N
Si la matriz B se obtiene a partir de la matriz A mediante un producto de matrices
elementales, y la matriz C se obtiene a partir de B mediante un producto de
matrices elementales, hemos obtenido C a partir de A mediante un producto de
T E O R E M A 3.1.4
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
D E M OST R A C I O N
Si la matriz A est en forma reducida, ya se acaba el proceso. Si no, leyendo de
izquierda a derecha la matriz, supongamos que la columna c1 es la primera
columna que tiene un elemento distinto de cero. Sea k el primer elemento distinto
de cero de esa columna, digamos que aparece en la fila f1. Multiplicamos la fila f1
por 1/k para obtener una matriz B. Por la eleccin de f1, la columna c1 de B tiene
exactamente ceros por encima del 1 en la fila f1. Si cualquier fila debajo de f1
tiene un elemento r distinto de cero en la columna c1 sumamos r veces la fila f1 a
esa fila. Obteniendo una nueva matriz con un cero donde estaba localizada r en B.
La repeticin de este proceso da como resultado la matriz C que tiene ceros por
encima y debajo de la fila f1 en la columna c1. Ahora intercambiamos las filas 1 y
f1 de C para producir la matriz D que tiene como entrada principal 1 en la fila 1 y
la columna c1 y todos los dems elementos de esa columna son cero. Adems, por
la eleccin de c1, cualquier columna de D a la izquierda de la columna c1 tiene
solamente elementos iguales a cero. Finalmente D es equivalente por filas a A ya
que llegamos a D por una sucesin de operaciones elementales de filas.
Si D es reducida, se acaba el proceso. Si no, repetimos este proceso, pero ahora
observando la primera columna, digamos la columna c 2, a la derecha de la
columna c1 y que tiene un elemento distinto de cero debajo de la fila 1. Sea f2 la
primera fila debajo de la fila 1 que tiene un elemento distinto de cero, digamos s.
Dividimos la fila f2 por s para obtener una matriz E con 1 como elemento f2, c2. Si
la columna c2 de E tiene un elemento distinto de cero s en una fila por encima o
debajo de f2 sumamos s veces la fila f2 a esa fila. La repeticin de este proceso da
una matriz F con ceros en la columna c2 por encima y debajo del elemento 1 en la
fila f2. Finalmente, intercambiamos las filas 2 y f2 de F para obtener G. Si la
matriz G est en forma reducida, se acaba el proceso. Si no, localizamos la
primera columna a la derecha de la columna c2 y que tenga un elemento distinto
de cero debajo de la fila f2 y repetimos el proceso que hemos estado utilizando.
Como A tiene un nmero finito de columnas, eventualmente llegamos a una
matriz reducida y esta matriz reducida es equivalente por filas a A.
El proceso de obtener una matriz reducida equivalente por filas a una matriz dada
A se llama reduccin de A. Observemos que usualmente es posible efectuar
distintas sucesiones de operaciones elementales de filas en A para obtener una
matriz reducida.
E J E M P L O 3.1.3
Reducir la matriz
3 4 1
A = 1 2 0 .
2 4 3
SO L U C I O N
Empezamos con la primera columna, que tiene un elemento distinto de cero en la
primera fila. A la primera fila le multiplicamos por 1/3:
1 43 13
1 2 0
2 4 3
A la segunda fila le restamos la primera fila, a la tercera fila le restamos 2 veces la
primera fila:
1 43 13
0 103 1
3
20 11
0 3 3
La segunda columna de la ltima matriz tiene elementos distintos de cero debajo
de la primera fila. Como queremos un 1 en esa posicin, entonces hacemos las
siguientes operaciones. A la segunda fila le multiplicamos por 3/10:
1 43 13
1
0 1 10
20 11
0 3 3
A la primera fila le sumamos 4/3 veces la segunda fila, a la tercera fila le
restamos 20/3 veces la segunda fila:
1 0 15
0 1 101
0 0 3
La tercera columna de la ltima matriz tiene elementos distintos de cero debajo de
la segunda fila. Como queremos un 1 en esa posicin, entonces hacemos las
siguientes operaciones. A la tercera fila le multiplicamos por 1/3:
1 0 15
0 1 101
0 0 1
A la primera fila le sumamos 1/5 veces la tercera fila, a la segunda fila le
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
114 RANGO E INVERSA DE UNA MATRIZ
PR O B L E M AS
3.2 R A N G O D E U N A M A T R I Z
En esta seccin se introduce la terminologa bsica y se define el rango de una matriz, enuncia mos sus
propiedades mas importantes.
D E F I N I C I O N 3.2.1
El rango de una matriz A es el orden de la matriz de mayor orden, cuyo
determinante es diferente de cero que se puede obtener de A al suprimir
filas y/o columnas. Representamos este nmero por Rang( A). Se dice
que A tiene rango 0 si todos sus elementos son cero.
T E O R E M A 3.2.1
Sea una matriz A de m x n y sea k un nmero entero positivo. Entonces
Rang(A) t k si la matriz A contiene un subdeterminante distinto de cero de
orden k.
D E M OST R A C I O N
Supongamos que Rang(A) t k. Entonces el rango por filas de la matriz A ser, por lo
menos, k, y as en la matriz A hay k filas linealmente independientes. Numeremos
estas filas con f1, f2, ..., fk y sea B la matriz k x n en la que la fila i-sima sea la fila fi
de la matriz A. Entonces, el rango por filas de B ha de ser k y, por lo tanto, Rang(B)
= k. De esto se desprende que el rango por columnas de B sea k y que, por lo tanto, B
contenga k columnas linealmente independientes. Consideremos la matriz C
cuadrada de orden k que conste de esas columnas. Las columnas de C son
linealmente independientes y, por lo tanto, Rang(C) = k. Por consiguiente Det(C) z
0. Puesto que C es una submatriz de A, hemos demostrado que A debe contener un
subdeterminante de orden k distinto de cero.
T E O R E M A 3.2.2
El rango de una matriz A de m x n, ser igual a k si hay por lo menos un
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los dems subdeterminantes de A de k + 1 x k + 1 son cero.
D E M OST R A C I O N
Si Rang(A) = k, entonces la matriz A contendr un subdeterminante de k x k distinto
de cero. Adems, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser as, su rango no podra ser menor que k + 1.
EJ E M P L O 3.2.1
Hallar los valores del parmetro k, para que la matriz A tenga rango mximo.
Cunto es el rango para los otros valores de k?
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
116 RANGO E INVERSA DE UNA MATRIZ
k 3 k 0 0 k 2 2k 4 0 2k
k k 3 0 0 0 1 0 k 1
a.- ; b.- .
k k 1 k 1 k 1 2 k 3 k 1 k
k 1 k 1 k 3 k 0 k 1 0 2k 1
SO L U C I O N
a.- La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 3 k 0 0
k 3 0 0 k 0 0
k k 3 0 0
( k 3) k 1 k 1 k 1 k k k 1 k 1 36
k k 1 k 1 k 1
1 k 1 k 3 k k 1 k 3 k
k 1 k 1 k 3 k
Como 36 z 0, entonces la matriz tiene rango mximo si k .
b.- La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4 2k
0 1 0 k 1
0 1 k 1 k 3 ( k 2) z 0 .
2 k 3 k 1 k
0 k 1 2k 1
0 k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto k \ {-2, 0}. Cuando
k = - 2:
0 0 0 4 0 0 0 4 0 0 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1
2 1 2 1 2 0 2 0 2 0 2 0
0 1 0 3 0 0 0 4 0 0 0 4
Rang(A) = 3. Cuando k = 0:
2 4 0 0 2 4 0 0 2 4 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1
2 3 0 1 0 1 0 1 0 0 0 0
0 1 0 1 0 1 0 1 0 0 0 0
Rang(A) = 2.
T E O R E M A 3.2.3
El rango de una matriz A de m x n, ser igual a k si hay por lo menos un
subdeterminante de A de k x k que sea distinto de cero mientras que todos
los dems subdeterminantes de A de k + 1 x k + 1 son cero.
D E M OST R A C I O N
Si Rang(A) = k, entonces la matriz A contendr un subdeterminante de k x k distinto
de cero. Adems, A no puede contener un subdeterminante de k + 1 x k + 1 que sea
distinto de cero, pues, de ser as, su rango no podra ser menor que k + 1.
EJ E M P L O 3.2.2
Calcular el rango de la matriz
2 1 3 2 4
A 4 2 5 1 7 .
2 1 1 8 2
SO L U C I O N
Utilizaremos la definicin, es decir:
2 4
18
1 7
Como este menor es diferente de cero, procedemos a tomar un menor de mayor
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 117
orden:
3 2 4 1 2 4 2 2 4
5 1 7 2 1 7 4 1 7 0
1 8 2 1 8 2 2 8 2
Como todos los menores de tercer orden son iguales a cero, entonces concluimos que
Rang(A) = 2.
D E F IN I C I O N 3.2.2
El nmero de filas distintas de cero de una matriz A en la forma reducida se
denomina rango de la matriz A.
T E O R E M A 3.2.3
Sea A una matriz de n x m. Entonces A es equivalente por filas a una
matriz en forma reducida.
D E M OST R A C I O N
Demostremos que una operacin elemental no puede aumentar el rango k de una
matriz A. Si A tiene el mximo rango posible, esto es evidente. Sea k menor y
considrese cualquier submatriz cuadrada B de A con k + 1 filas. Por definicin de
rango Det(B) = 0. Sea C la matriz obtenida a partir de B aplicando una operacin
elemental a A. Si C = B, entonces Det(C) = 0. Sea C = B:
a.- Supngase la operacin de intercambio de dos filas de A. Si los dos tienen
elementos en B, entonces Det(C) = -Det(B). En caso contrario, C es igual a otra
submatriz cuadrada de A con k + 1 filas. De aqu que Det(C) = 0.
b.- Bajo la operacin elemental de la multiplicacin de una fila de A por un nmero
r diferente de cero, se tiene
Det(C) = rDet(B) = 0.
c.- Bajo la adicin de un mltiplo constante de una fila de A a otra fila, la matriz C
difiere de la B en una fila, digamos c, de la forma c = b + ra, donde b es la fila
correspondiente de B. As se tiene
Det(C) = Det(B) + rDet(D) = rDet(D),
donde D, tiene dos filas idnticas, o bien, es una submatriz cuadrada con k + 1 filas
de la matriz A.
En cualquier caso,
Det(D) = 0 y Det(C) = 0.
Esto completa la demostracin de que una operacin elemental no puede aumentar el
rango de una matriz A. Vamos a demostrar ahora que una operacin elemental no
puede disminuir ese rango. Por inversa de una operacin elemental se entiende la
operacin que deshace el efecto de la operacin dada. Esa inversa existe y es una
operacin elemental. De aqu que, si una operacin elemental pudiera disminuir el
rango, su inversa lo aumentara, pero esto es imposible por lo que acaba de
demostrarse.
Este teorema implica que si se desea determinar el rango de una matriz dada, primero
puede simplificarse la matriz por medio de operaciones elementales. Ms importante,
este teorema servir de base para el estudio de los sistemas de ecuaciones lineales.
EJ E M P L O 3.2.3
Hallar los valores del parmetro k, para que la matriz
k 2 2k 4 0 2k
0 1 0 k 1
A =
2 k 3 k 1 k
0 k 1 0 2k 1
tenga rango mximo. Cunto es el rango para los otros valores de k?
SO L U C I O N
La matriz A tiene rango mximo si el Det(A) z 0, es decir:
k 2 2k 4 0 2k
k 2 2k 4 2k
0 1 0 k 1
=k 0 1 k 1 = k3(k + 2) z 0.
2 k 3 k 1 k
0 k 1 2k 1
0 k 1 0 2k 1
Como k3(k + 2) z 0, entonces k z 0 y k z - 2. Por lo tanto k \ {-2, 0}. Cuando
k = - 2:
0 0 0 4 0 0 0 4 0 0 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1 Rang(A) = 3.
2 1 2 1 2 0 2 0 2 0 2 0
0 1 0 3 0 0 0 4 0 0 0 4
Cuando k = 0:
2 4 0 0 2 4 0 0 2 4 0 0
0 1 0 1 | 0 1 0 1 | 0 1 0 1 Rang(A) = 2.
2 3 0 1 0 1 0 1 0 0 0 0
0 1 0 1 0 1 0 1 0 0 0 0
T E O R E M A 3.2.4
Sea A una matriz de n x n. Entonces Rang(A) = n si y slo si A R = I.
D E M OST R A C I O N
Si A R = I, entonces la matriz A R tiene n filas no nulas; por lo tanto Rang(A) = n.
Recprocamente, supongamos que Rang(A) = n. Entonces A R tiene exactamente n
filas no nulas y por lo tanto no tiene filas nulas. Toda fila de A R tiene elemento
principal 1. A R tiene cada elemento de la diagonal principal igual a 1. Todos los
elementos de la columna c j por encima y debajo de la diagonal principal son nulos.
Por lo tanto, A R = I.
T E O R E M A 3.2.5
El rango del producto de varias matrices no es superior al rango de cada
uno de los factores.
D E M OST R A C I O N
Sean dadas las matrices A y B, para las cuales tiene sentido el producto A B;
emplearemos la notacin A B = C. Veamos la definicin del producto de matrices,
que da la expresin de los elementos de la matriz C. Tomando esta frmula para un k
dado y todos los i posibles, obtenemos que la k-sima columna de la matriz C
representa una suma de todas las columnas de la matriz A, tomadas con ciertos
coeficientes.
De este modo, queda demostrado que el sistema de columnas de la matriz C se
expresa linealmente mediante el sistema de columnas de la matriz A, y, por
consiguiente, el rango del primer sistema es menor o igual al rango del segundo
sistema; en otras palabras, el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, como de la definicin, para un i dado y todos los k, se
deduce que toda i-sima fila de la matriz C es combinacin lineal de las filas de la
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 119
T E O R E M A 3.2.6
El rango de la transpuesta de una matriz es el mismo que el de la matriz
dada.
D E M OST R A C I O N
Sea Rang(A) = k y sea B una submatriz cuadrada de A con k filas y Det(B) z 0.
Evidentemente B T es una submatriz de A T. Por lo tanto
Det(B T) = Det(B).
T
De donde Rang(A ) t k. Por otra parte, si A contiene una submatriz cuadrada C de k
+ 1 filas, entonces, por definicin de rango, Det(C) = 0. Como C corresponde a C T
en A T y Det(C T) = 0, se concluye que A T no puede contener una submatriz cuadrada
de k + 1 filas con un determinante diferente de cero. Como consecuencia, Rang(A T)
d k. En conjunto, Rang(A T) = k y se completa la demostracin.
EJ E M P L O 3.2.4
Demostrar que la matriz A que posee la propiedad A 2 = I, puede representarse en la
forma PBP-1, donde P es una matriz no singular y B es una matriz diagonal cuyos
elementos son todos iguales a r1.
SO L U C I O N
El rango de la matriz (I + A I A) es igual a n. Elijamos de esta matriz una matriz
cuadrada no singular P de orden n, y supongamos que sus primeras r columnas
pertenecen a la matriz I + A y las dems n r columnas pertenecen a la matriz I A.
Entonces, como (I + A)(I A) = O, se tiene
q11 q12 ... q1r 0 0 ... 0
q q22 ... q2 r 0 0 ... 0
( I + A ) P 21 ;
... ... ... ... ... ...
q
n1 qn 2 ... qnr 0 0 ... 0
0 0 ... 0 q1, r 1 q1, r 2 ... q1n
0 0 ... 0 q2, r 1 q2, r 2 ... q2 n
(I - A )P .
... ... ... ... ... ...
0 0 ... 0 qn, r 1 qn, r 2 ... qnn
Sumando estas igualdades, resulta
EJ E M P L O 3.2.5
Demostrar que si todos los menores principales de k-simo orden de la matriz A T A
son iguales a cero, los rangos de las matrices A T A y A son menores que k. Aqu A es
una matriz real y A T es la matriz transpuesta de ella.
SO L U C I O N
Si todos los menores principales de k-simo orden de la matriz A T A son iguales a 0,
entonces todos los menores de orden k de la matriz A son iguales a 0. Por
consiguiente, el rango de la matriz A, y junto con l tambin el rango de la matriz
A T A, es menor que k.
EJ E M P L O 3.2.6
Demostrar que el rango del producto de dos matrices cuadradas de orden n no es
inferior a r1 + r2 n, donde r1 y r2 son los rangos de los factores.
SO L U C I O N
Sea A = P1 R 1 Q 1, B = P2 R 2 Q 2, donde P1, Q 1, P2, Q 2 son matrices no singulares y R 1,
R 2 son matrices que tienen r1 y r2 unidades en la diagonal principal, respectivamente,
y los dems elementos son iguales a 0. Entonces A B = P1 R 1 Q 1P2 R 2 Q 2 y el rango de
A B es igual al rango de R 1 C R 2, donde C = Q 1P2 es una matriz no singular, la matriz
R 1 C R 2 se obtiene de la matriz C sustituyendo todos los elementos de las ltimas
n r1 filas y n r2 columnas por ceros. Como la eliminacin de una fila o una
columna rebaja el rango de la matriz no ms que en una unidad, el rango de R 1 C R 2
no es menor que n (n r1) (n r2) = r1 + r2 n.
EJ E M P L O 3.2.7
Demostrar que si A 2 = I, entonces Rang(I + A) + Rang(I A) = n, donde n es el
orden de la matriz A.
SO L U C I O N
Sea Rang(I + A) = r1, Rang(I A) = r2. Como (I + A) + (I A) = 2I, se tiene r1 + r2
t n. Por otra parte, (I + A)(I A) = O, por lo cual 0 t r1 + r2 n. Por consiguiente,
r1 + r2 = n.
EJ E M P L O 3.2.8
Sea A una matriz rectangular de elementos complejos y sea A + la matriz transpuesta
de la matriz compleja conjugada de A. Demostrar que el determinante de la matriz
A + A es un nmero real no negativo y que este determinante es igual a 0, si y slo si,
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 121
PR O B L E M AS
3.2.1 Demuestre que cualquier matriz de rango r puede 3.2.8 Calcular el rango de la matriz:
representar en forma de una suma de r matrices de rango 1, 2 1 1 3 4
pero no se puede representar en forma de una suma
inferior a r de semejantes matrices. 2 1 2 1 2
2 3 1 2 2
a.- ;
3.2.2 Demuestre que si el rango de la matriz A es igual a 1 0 1 2 6
r, el menor d que se encuentra en la interseccin de 1 2 1 1 0
cualesquiera r filas linealmente independientes y r
columnas linealmente independientes de esta matriz, es 4 1 3 1 8
diferente de cero. 1 1 2 0 0 1
0 1 1 2 0 1
3.2.3 Demuestre que el rango de una matriz antisimtrica 1 0 1 0 2 1
es un nmero par. b.- ;
1 1 0 0 1 2
3.2.4 Encuentre una matriz involutoria de 3 x 3, para la 2 0 0 1 1 1
cual Rang(I A) + Rang(I + A) = 3.
1 1 0 1 1 2
3.2.12 Determine el rango de la matriz real dada para los 3.2.13 Demuestre que cualquier matriz A de rango r
distintos valores del parmetro k : puede representarse en forma de un producto A = PR Q,
k 2k 1 3 1 k 0 1 1 donde P y Q son matrices no singulares y R es una matriz
rectangular de las mismas dimensiones que A, en cuya
1 1 1 1 1 2 0 2
a.- ; b.- ; diagonal principal los primeros r elementos son iguales a
0 1 0 1 0 3 2 0 la unidad, mientras que todos los dems elementos son
3 5 3 k 1 k 3 k nulos.
1 k 1 2 1 1 1 k
c.- 2 1 k 5 ; d.- 2 2k 2 ;
1 10 6 1 3 k 3 3
1 k 2 k 0 k 1 2
2
e.- k 1 k k ; f.- 2 k 2 .
2 1 k 1
0 k 1 k
3.3 I N V E RSA D E UN A M A T RI Z
En esta seccin se introduce la terminologa bsica y se define la inversa de una matriz cuadrada, enunciamos sus
propiedades mas importantes.
D E F I N I C I O N 3.3.1
Sea A una matriz cuadrada de n x n, si existe una matriz B de n x n tal
que A B = I se considera que B es una inversa por la derecha de A. Si
existe una matriz C de n x n tal que C A = I se dice que C es una
inversa por la izquierda de A.
D E F I N I C I O N 3.3.2
Sea A una matriz de n x n. Si B es una matriz de n x n tal que A B = I y
B A = I, donde I es la matriz identidad de n x n, entonces se dice que la
matriz B es una inversa de la matriz A y se representa por B = A -1.
Adems podemos decir que toda matriz cuadrada A de n x n se
denomina singular, si su determinante es igual a cero; en caso contrario,
se denomina no singular.
T E O R E M A 3.3.1
Si una matriz A de n x n tiene inversa, entonces ella es nica.
D E M OST R A C I O N
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto demostramos que la inversa de una matriz es nica.
EJ E M P L O 3.3.1
Sean A y B matrices de n x n tales que A B = I. Demuestre que
Det(A) z 0 y Det(B) z 0.
SO L U C I O N
Suponga que A y B son matrices de n x n tales que A B = I. Entonces, se sabe que
Det(A B) = 1. Si Det(A) = 0, entonces se concluye que Det(A B) = Det(A)Det(B) = 0,
lo cual es una contradiccin. Por consiguiente es posible concluir que Det(A) z 0. Si
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 123
EJ E M P L O 3.3.2
Para toda matriz A de n x n, no singular se cumple que
1
Det( A -1 ) = .
Det( A )
SO L U C I O N
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que Det(A -1)Det(A) = 1. Como Det(A) = 0, la demostracin puede completarse
dividiendo entre Det(A), es decir
1
Det( A -1 ) = .
Det( A )
T E O R E M A 3.3.2
Si A y B son matrices no singulares, entonces:
a.- A B es no singular y (A B)-1 = B -1 A -1.
b.- A -1 es no singular y (A -1)-1 = A.
c.- Para k z 0, k A es no singular y (k A)-1 = k-1 A -1.
D E M OST R A C I O N
a.- Como A y B son matrices no singulares, existen A -1 y B -1. Ahora calculamos
(A B)(B -1 A -1) = A(BB -1)A -1 = A I A -1 = A A -1 = I
(B -1 A -1)(A B) = B -1(A -1 A)B = B -1 IB = B -1 B = I
-1 -1
Por lo tanto B A es la inversa de A B.
b.- De la definicin de matriz inversa y la unicidad se sigue que
(A -1)-1 = A.
c.- Por las propiedades de las matrices, obtenemos
(k-1 A -1)(k A) = (k-1k)A -1 A = 1I = I
(k A)(k-1 A -1) = (kk-1)A A -1 = 1I = I
con lo que podemos decir que (k A)-1 = k-1 A -1.
EJ E M P L O 3.3.3
Dadas las matrices A y B de n x n. Demuestre que (A T B T)-1 = (A -1 B -1)T, donde A y B
son matrices no singulares.
SO L U C I O N
Si A y B son matrices no singulares, entonces:
(A T B T)(A -1 B -1)T = A T B T(B -1)T(A -1)T = A T B T(B T)-1(A T)-1 = A T(A T)-1 = I
(A -1 B -1)T(A T B T) = (B -1)T(A -1)T A T B T = (B T)-1(A T)-1 A T B T = (B T)-1 B T = I
y, por tanto (A -1 B -1)T es la inversa de la matriz A T B T.
T E O R E M A 3.3.3
Si A = A 1 A 2 ... A n y A 1, A 2, ..., A n son todas matrices no singulares,
entonces A es no singular y A -1 = (A 1 A 2 ... A n)-1 = A -1n ... A -12 A -11.
D E M OST R A C I O N
En el producto
(A -11 ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 A -11 A 1 A 2 ... A n
-1
como A i A i = I, entonces
(A -1n ... A -12 A -11)(A 1 A 2 ... A n) = A -1n ... A -12 I A 2 ... A n
= A -1n ... A -12 A 2 ... A n
= A -1n ... I ... A n
= A -1n ... A n
I.
Del mismo modo demostramos que
(A 1 A 2 ... A n)(A -1n ... A -12 A -11) = A 1 A 2 ... A n A -1n ... A -12 A -11
= A 1 A 2 ... I... A -12 A -11
= A 1 ... A -11
= ... = I.
Con lo cual queda demostrado que los dos productos son inversos uno del otro.
T E O R E M A 3.3.4
Para toda matriz A de n x n, no singular se cumple que
1
Det( A -1 ) = .
Det( A )
D E M OST R A C I O N
Como A -1 A = I, se concluye que Det(A -1 A) = Det(I). Por consiguiente, se debe tener
que
Det(A -1)Det(A) = 1.
Como Det(A) = 0, la demostracin puede completarse dividiendo entre Det(A), es
decir
1
Det( A -1 ) = .
Det( A )
EJ E M P L O 3.3.4
Si A y B son matrices de n x n con B no singular, demuestre que
Det(A) = Det(B -1 A B).
SO L U C I O N
Haciendo uso de la propiedad del producto de determinantes, tenemos
Det(B -1 A B) = Det(B -1)Det(A)Det(B)
= Det(A)Det(B -1)Det(B)
1
= Det(A) Det(B) = Det(A).
Det( B )
EJ E M P L O 3.3.5
Demuestre que el rango del producto a la derecha y a la izquierda de una matriz A
por una matriz cuadrada no singular B, es igual al rango de la matriz A.
SO L U C I O N
Sea A B = C. Sabemos que el rango de la matriz C no es mayor que el rango de la
matriz A. Por otra parte, multiplicando a la derecha la igualdad A B = C por B -1,
llegamos a la igualdad A = C B -1 y, por consiguiente, el rango de A no es mayor que
el rango de C. Comparando estos dos resultados obtenemos la coincidencia de los
rangos de las matrices A y C.
EJ E M P L O 3.3.6
Demuestre que si A es una matriz de rango 1, por lo menos una de las matrices I + A
y I A es no singular.
SO L U C I O N
Sea la matriz A con Rang(A) = 1:
a11 a12 ... a1n
0 0 ... 0
A .
... ... ...
0 0 ... 0
Entonces
1 a11 a12 ... a1n
0 1 ... 0
I+A .
... ... ...
0 0 ... 1
Como la matriz I + A es triangular, entonces Det(I + A) = 1 + a11 z 0, por lo tanto la
matriz I + A es no singular.
T E O R E M A 3.3.5
Sean A y B matrices no singulares y conmutativas, entonces:
A -m B -n = B -n A -m m, n .
D E M OST R A C I O N
Si A B = B A, entonces A B B A = O. Ya que B es no singular, B -1 existe, y, por
tanto
B -1 A B = A -1 B A = A
Adems
B -1 A B B -1 = A B -1.
De la misma manera, puede encontrase que
A -1 B = B A -1.
De donde deducimos fcilmente que A -m B -n = B -n A -m.
T E O R E M A 3.3.6
Sea T una matriz triangular no singular; su inversa es triangular con la
misma estructura.
D E M OST R A C I O N
Sea T triangular inferior; su inversa T -1 cumplir T T -1 = T -1 T = I ya que I al ser
diagonal es triangular inferior, T -1 debe ser, asimismo, triangular inferior. Los
elementos de T -1 pueden calcularse con facilidad planteando el sistema asociado
al producto T T -1. En efecto se tendr
tik t 1kj dij
k
la suma slo tendr sentido para los trminos en los cuales i t k t j; luego
t
tik t 1kj d ij .
k j
D E F IN I C I O N 3.3.3
Una matriz A de orden n, se llama ortogonal cuando el producto de la
matriz A por su matriz transpuesta A T es la matriz identidad I, es decir
A A T = I.
E J E M P L O 3.3.7
Demostrar que el determinante de una matriz ortogonal es igual a 1.
SO L U C I O N
Si A es una matriz ortogonal, entonces por definicin A T = A -1, por tanto
T T T 2
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1
T .
T T 2
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 [Det( A )] = 1
De esto podemos concluir que Det(A) = 1.
D E F IN I C I O N 3.3.4
Una matriz A de orden n, se llama unitaria cuando el producto de la matriz
A por su matriz transpuesta conjugada A + es la matriz identidad I, es decir
A A + = I.
EJ E M P L O 3.3.8
Demuestre que el determinante de una matriz unitaria tiene mdulo igual a 1.
SO L U C I O N
Si A es una matriz unitaria, entonces por definicin A + = A -1, por tanto
A A + = I Det( A A + ) = Det( I ) Det( A )Det( A + ) = 1 Det( A ) 2 = 1
+ + + 2
.
A A = I Det( A A ) = Det( I ) Det( A )Det( A ) = 1 Det( A ) = 1
De esto podemos concluir que el mdulo del determinante de la matriz A es igual a
1.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
126 RANGO E INVERSA DE UNA MATRIZ
EJ E M P L O 3.3.9
Demuestre que la inversa de una matriz es nica.
SO L U C I O N
Supongamos que B y C son matrices inversas de la matriz cuadrada A. Entonces
A B = B A = I y A C = C A = I.
Entonces
B = B I = B(A C) = (B A)C = I C = C.
Con esto se demuestra que la inversa de una matriz es nica.
EJ E M P L O 3.3.10
Si A es una matriz no singular y k z 0 es un escalar, entonces
1 1
( k A )1 A .
k
SO L U C I O N
Aplicamos las propiedades de la multiplicacin escalar. Debido a que
1 1 1 1
( k A ) A 1 k A A -1 = 1 I = I y A 1 ( k A ) k A -1 A = 1 I = I
k k k k
1 1
se concluye que A es la inversa de k A.
k
EJ E M P L O 3.3.11
Si A y B son matrices no singulares de n x n, entonces A B es no singular y
(A B)-1 = B -1 A -1.
SO L U C I O N
Para demostrar que B -1 A -1 es la inversa de A B, basta demostrar que se ajusta a la
definicin de matriz inversa. Es decir:
-1 -1 -1 -1 -1 -1 -1
( A B )( B A ) = A ( B B ) A = A I A = ( A I ) A = A A = I
-1 -1 -1 -1 -1 -1 -1
( B A )( A B ) = B ( A A ) B = B I B = B ( I B ) = B B = I
de esta manera concluimos que A B es no singular y que su inversa es B -1 A -1.
EJ E M P L O 3.3.12
Sean A y B matrices de n x n con B no singular. D un ejemplo para el que B -1 A B z
A. Luego, demuestre que Det(B -1 A B) = Det(A).
SO L U C I O N
Haciendo
1 2 -1 -5 2 2 1 -1 -27 -49
B = , B = , A = , B AB = .
3 5 3 -1 -1 0 16 29
Det(B -1 A B) = Det(B -1)Det(A)Det(B) = Det(B -1)Det(B)Det(A)
1
= Det(B)Det(A) = Det(A).
Det( B )
EJ E M P L O 3.3.13
Suponga que en una hipermatriz cuadrada
A B
M =
C D
una submatriz A es cuadrada y no singular. Demuestre que el determinante de la
matriz M cumple la relacin Det(M) = Det(A)Det(D C A -1 B).
SO L U C I O N
Representamos la matriz M bajo la forma de un producto
E O J K A B
M = PQ = =
F H O L C D
EJ + O = A Si J = I E I = A E = A
E K + O L = B -1
AK = B K = A B
FJ + H O = C FI = C F = C
F K + H L = D Si H = I C A -1 B + I L = D L = D - C A -1 B
Por tanto
A O I A -1 B
M =
C I O D - C A -1 B
donde k es el orden de la matriz A, k + r es el orden de la matriz M. Entonces
Det(M) = Det(A I O C)Det(I(D C A -1 B) A -1 B O)
= Det(A O)Det(D C A -1 B O)
= Det(A)Det(D C A -1 B).
EJ E M P L O 3.3.14
Si Det(A) y Det(B) son nmeros racionales, qu puede decirse respecto a Det(A B) y
a Det(C A C -1) si C es no singular.
SO L U C I O N
p r
Sabemos que Det( A ) = y Det( B ) = , entonces
q s
p r ps + qr
Det( A B ) = Det( A )Det( B ) = + =
q s qs
es tambin un nmero racional. De forma anloga, tenemos
1
Det( C A C -1 ) = Det( C )Det( A )Det( C -1 ) = Det( C )Det( A ) = Det( A ) .
Det( C )
Por lo tanto, por las hiptesis tambin es un nmero racional.
EJ E M P L O 3.3.15
Si A y B son matrices no singulares, muestre que Det(A B A -1 B -1) = 1.
SO L U C I O N
Dado que A y B son matrices no singulares, se cumple lo siguiente:
Det( A B A -1 B -1 ) = Det( A )Det( B )Det( A -1 )Det( B -1 )
1 1
= Det( A )Det( B ) =1.
Det( A ) Det( B )
EJ E M P L O 3.3.16
Si Det(A) = 1, demuestre que pueden encontrarse matrices no singulares B y C tales
que A = B C B -1 C -1.
SO L U C I O N
Asumiendo que B y C son matrices no singulares, entonces se cumple lo siguiente:
Det( A ) = Det( B C B -1 C -1 ) = Det( B )Det( C )Det( B -1 )Det( C -1 )
1 1
= Det( B )Det( C ) = 1.
Det( B ) Det( C )
De esta manera demostramos que si se pueden encontrar matrices no singulares B y
C.
PR O B L E M AS
3.3.1 Encuentre dos matrices no singulares A y B de 3.3.2 Demuestre que si una matriz A es no singular, para
3 x 3, para las cuales las matrices A B y B A no son toda matriz B se cumple que
semejantes. Rang(A B) = Rang(B A) = Rang(B).
3.3.3 Encuentre dos matrices no singulares A y B de 3 x 3.3.15 El rango de una matriz no necesariamente
3, para las cuales las matrices A B y B A sean semejantes. cuadrada, no cambia si se le multiplica por una matriz no
singular.
3.3.4 Demuestre que al multiplicar la matriz A a la
izquierda o a la derecha por una matriz no singular, su 3.3.16 Sea A = B C una matriz de n x n de rango 1.
rango no vara. Demuestre que existe un nmero k tal que A 2 = k A. Hallar
la expresin del nmero k por medio de los elementos de
3.3.5 Sea B una matriz de rango 1, es decir B 2 = k B para matrices B y C.
un cierto nmero k. Suponiendo que k z -1 demuestre que
1 3.3.17 Demuestre que si A B C = I, entonces B C A = I y
( I + B )-1 = I - B. C A B = I.
1+ k
3.3.6 Pruebe que una matriz de n x n es no singular s y 3.3.16 Pruebe que si A y B son matrices de n x n y A B
slo si el nico vector columna n x 1 que satisface la es no8singular, entonces A y B son no singulares.
ecuacin matricial A X = O es X = O.
3.3.19 Sean A y B matrices de n x n tales que A B es
3.3.7 Demuestre que si A es una matriz invertible, singular. Demuestre que A o B es singular.
entonces A A T y A T A tambin son invertibles.
3.3.20 Pruebe que si A es una matriz de n x n y una fila
3.3.8 Sea A una matriz no singular tal que todos los de A es mltiplo de otra fila de A, entonces A es singular.
elementos de A y A -1 son enteros. Demuestre que
Det(A) = r 1. 3.3.21 Demuestre que si A es una matriz simtrica
invertible, entonces A -1 es simtrica.
3.3.9 Sean A y B matrices de 2 x 2 con B no singular. D
3.3.22 Por medio de induccin matemtica pruebe que,
un ejemplo de matrices 2 x 2 para el que B -1 A B z A.
si una matriz cuadrada A es no singular, entonces
Luego, demuestre que Det(P-1 AP) = Det(A).
(A n)-1 = (A -1)n para todo entero positivo n.
3.3.10 De ser posible, encuentre los valores de a , b y c
3.3.23 Suponga que todas las matrices que aparecen en
para que la matriz dada sea invertible:
las ecuaciones siguientes son de n x n. Resuelva para X y
a b 3 1 2a 1 4 Y, estableciendo cules matrices se supone que son no
a.- 1 a b c ; b.- 2 b c a ; singulares:
1 3 1 3 2 1 X + Y = A X+Y=A
a.- ; b.- ;
1 4 a c 2 1 1 X-Y=B X + BY = C
c.- a c b 0 ; d.- 3 a b c a . X + AY = B AX + BY = C
2 c.- ; d.- .
3 1 2
0 c X + CY = D DX + E Y = F
3.3.11 Suponiendo que las matrices A y B son no 3.3.24 Demuestre que B es una inversa izquierda para la
singulares, demuestre las siguientes igualdades: matriz A si y slo si B T es inversa derecha para A T.
a.- (A -1 + B -1)-1 = A(A + B)-1 B;
b.- (I + A B)-1 A = A(I + B A)-1; 3.3.25 Demuestre que si A 2 = A, entonces A = I o bien A
c.- (A + B B T)-1 B = A -1 B(I + B T A -1 B)-1. es singular.
3.3.12 De ser posible, encuentre la inversa de la matriz 3.3.26 Si A, B y C son no singulares, cul es la inversa
dada: de A B -1 C? es A 2 no singular? es A + B no singular?
SenT CosT 0 Mostrar que A -1(A + B)B -1 = A -1 + B -1.
CosT SenT 0 .
3.3.27 Suponga que A es no singular. Explique por qu
SenT CosT SenT CosT 1
A T A tambin es no singular. Luego demuestre que A -1 =
(A T A)-1 A T.
3.3.13 Encuentre dos matrices no singulares cuya suma
sea singular. 3.3.28 Suponga que P es no singular y A = PBP-1.
Despeje B en trminos de A.
3.3.14 Demuestre que si A es nilpotente, entonces A es
singular. 3.3.29 Si A = B y A -1 existe, es necesario que A -1 = B -1?
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 129
3.3.30 Hallar todos los valores de k que, al multiplicar la 3.3.38 Suponga que A, B y C son matrices no singulares
matriz no singular A por los mismos, no cambian su de orden n. Demuestre que A B C es no singular y que
determinante. (A B C)-1 = C -1 B -1 A -1.
3.3.31 En cada una de las matrices siguientes, 3.3.39 Suponga que A es una matriz cuadrada con
determnense los valores de t para los que la matriz es A = -A T y que I - A es no singular, define B como
singular: B = (I + A)(I - A)-1. Demuestre que B T B = BB T = I.
1 t Sent Cost
a.- ; b.- ; 3.3.40 Demostrar que una matriz A no singular y una
0 1 Cost Sent matriz B arbitraria verifican la identidad
3 t t2 2 t 1 (A + B)A -1(A B) = (A B)A -1(A + B).
c.- ; d.- ;
4 2t 2 1 t
3.3.41 Las matrices A y B estn ligados por la relacin
te t e t et 3e 2t A B + A + I = O. Demostrar que A es una matriz no
e.- ; f.- ;
2e 2t 2t 2e t 4e 2t singular y adems A -1 = - I B.
Sen t2
1 3.3.42 Sean A, B y A + B tres matrices no singulares.
g.- .
1 4 Cos 2 t Demuestre que A -1 + B -1 es no singular y que
(A -1 + B -1)-1 = A(A + B)-1 B.
3.3.32 Encuentre los valores del parmetro k, para que la 3.3.43 Dada la matriz A, de ser posible encuentre una
matriz matriz B de 2 x 2, tales que (A B)-1 = A -1 B -1:
k 2 k 2 k 2 1 2 1 0
a.- A ; b.- A ;
k 4 k 3 k 2 1 1 0 1
k 1 k 1 k 1
1 1 i 1
k 4 k 3 k 2 c.- A ; d.- A ;
1 1 1 i
k k k 2i 1
k 4 k 3 k 2 e.- A .
1 2
Sea no singular.
3.3.44 Sean A = B + i C una matriz compleja de n x n;
3.3.33 Si A -1 = F + i G, la inversa de la matriz A. Demuestre que las
a b matrices reales de orden 2n
A y A z r I,
c d B -C F -G
y
determine las condiciones sobre los elementos de la C B G F
matriz, para que A = A -1. son inversas recprocamente.
3.3.58 Encuentre la matriz A dado que 3.3.67 Demuestre que (B A B -1)(B C B -1) = B(A C)B -1 para
5 2 todas las matrices A, C y B no singular.
(3 A )1 .
1 3
3.4 M E T O D OS P A R A O B T E N E R L A I N V E RSA D E UN A M A T RI Z
En esta seccin se analizan y desarrollan los mtodos ms importantes para encontrar la inversa de una
matriz, se enuncian las propiedades ms importantes.
I. M E T O D O D E L A M A T RI Z A DJUN T A
D E F IN I C I O N 3.4.1
Una matriz Cof(A), cuyos elementos son complementos algebraicos de los
elementos correspondientes de la matriz A de n-simo orden, donde el
complemento algebraico del elemento a ij est situado en la interseccin de
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 131
EJ E M P L O 3.4.1
Dada la matriz
a 1 1
A = 1 a 1
3 1 b
determine la matriz de cofactores.
SO L U C I O N
Por definicin, la matriz de cofactores esta dada de la siguiente manera:
a 1 1 1 1 a
1 b 3 b 3 1
ab 1 b 3 1 3a
1 1 a 1 a 1
Cof(A) = = 1 b ab 3 3 a .
1 b 3 b 3 1
1 a a 1 a 2 1
1 1 a 1 a 1
a 1 1 1 1 a
D E F IN I C I O N 3.4.2
La transpuesta de la matriz de cofactores Cof(A) de los elementos a ij de la
matriz A se denomina matriz adjunta y se denota por Adj(A).
T E O R E M A 3.4.1
Si A es una matriz con determinante diferente de cero y Adj(A) es la matriz
adjunta, entonces
Adj( A )
A 1 .
Det( A )
D E M OST R A C I O N
Sea Det(A) = 0. Demostraremos por induccin que la matriz A es singular. Si n = 1,
entonces Det(A) = 0 implica que A = O. Supongamos que este teorema sea vlido
para todas las matrices cuadradas de n 1 x n 1, es decir, que para una matriz de
este orden un determinante cero implica singularidad, y supongamos que esto no se
verifique para la matriz A, es decir, que A sea no singular a pesar de nuestra
hiptesis de que Det(A) = 0. Obtendremos una contradiccin. Si Det(A) = 0,
entonces A(Adj(A)) = O, y, por lo tanto resultara A -1 AAdj(A) = O, es decir Adj(A)
= O. En otras palabras, todos los menores de la matriz A seran cero. Sea a
continuacin B la matriz n 1 x n 1 que consista en las n 1 primeras filas de A.
Puesto que toda matriz cuadrada de n 1 x n 1 compuesta por n 1 columnas de B
tendr determinante cero, podemos concluir, por la hiptesis de induccin, que cada
una de estas matrices cuadradas de n 1 x n 1 es singular, es decir, que tiene un
rango menor que n 1. Por lo tanto, no puede haber en B ms que n 2 columnas
linealmente independientes y por tanto, no ms de n 2 filas linealmente
independientes. De esta manera resulta que las filas de B y las filas de A son
linealmente dependientes, lo que contradice la suposicin de la no singularidad de A.
Este teorema propone que el rango de una matriz cuadrada de n x n ser n si y slo si
su determinante es distinto de cero. Esto constituye, de hecho, un caso particular de
un hecho ms general, acerca del que hay un teorema que relaciona el rango con los
determinantes.
EJ E M P L O 3.4.2
Demuestre que si Det(A) = 1 y todos los elementos de A son enteros, entonces todos
los elementos de A -1 tambin deben ser enteros.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
132 RANGO E INVERSA DE UNA MATRIZ
SO L U C I O N
Suponga que Det(A) = 1 y que todos los elementos de A son enteros. Lo anterior
implica que todos los elementos de Adj(A) deben ser enteros. Adems, como
1
A -1 = Adj( A ) = Adj( A )
Det( A )
Podemos concluir que todos los elementos de A -1 deben ser enteros.
EJ E M P L O 3.4.3
Demuestre que si Det(A) = Det(B) z 0, entonces hay una matriz C tal que Det(C) = 1
y A = C B.
SO L U C I O N
Suponga que Det(A) = Det(B) z 0. Entonces B es no singular y al hacer C = A B -1, se
concluye que A = C B y
1 1
Det( C ) = Det( A B -1 ) = Det( A )Det( B -1 ) = Det( A ) = Det( A ) =1.
Det( B ) Det( A )
EJ E M P L O 3.4.4
Si A es una matriz antisimtrica, entonces la matriz Adj( A) es simtrica si n es
impar, y antisimtrica si n es par.
SO L U C I O N
Si A es una matriz antisimtrica. Entonces A T = -A, por tanto
(A T)-1 = (A -1)T = -A -1
1
De (A T)-1, tenemos que A -1 = Adj( A ) , entonces
Det( A )
1 1 1
( A T )-1 = (Adj( A ))T = Adj( A ) = (-1) n Adj( A ) = - A -1
Det( A )T Det(- A ) Det( A )
1
pero - A -1 = (-1) (Adj( A ))T , igualando las ecuaciones
Det( A )
1 1
( A T )-1 = (-1)n Adj( A ) y - A -1 = (-1) (Adj( A ))T
Det( A ) Det( A )
obtenemos
1 1
(-1)n Adj( A ) = (-1) (Adj( A ))T .
Det( A ) Det( A )
Si n es par, entonces n = 2p, y
(-1)2p-1Adj(A) = (Adj(A))T - Adj(A) = (Adj(A))T,
por lo tanto, es antisimtrica. Si n es impar, es decir n = 2p + 1, entonces
(-1)2p+1-1Adj(A) = (Adj(A))T (-1)2pAdj(A) = (Adj(A))T Adj(A) = (Adj(A))T
por lo tanto, es simtrica.
EJ E M P L O 3.4.5
Dada una matriz A no singular de n x n. Suponga que n t 3. Demostrar que
Det(Adj(A)) = (Det(A))n-1.
SO L U C I O N
Suponga que A es una matriz de n x n. Como Adj(A) = A -1Det(A),
se concluye que
Det(Adj(A)) = Det(A -1Det(A)) = (Det(A))nDet(A -1)
1
= (Det(A))n = (Det(A))n-1.
Det( A )
EJ E M P L O 3.4.6
Demuestre que si A es una matriz no singular de n x n, entonces se cumple que
Adj(A -1) = (Adj(A))-1.
SO L U C I O N
Suponga que A es una matriz no singular de n x n. Como Adj(A -1) = ADet(A -1) y
1
(Adj( A ))-1 = ( A -1 Det( A ))-1 = A = A Det( A -1 )
Det( A )
se concluye que Adj(A -1) = (Adj(A))-1.
EJ E M P L O 3.4.7
Demuestre que si Det(A) = 1, entonces Adj(Adj(A)) = A.
SO L U C I O N
Como Det(A) z 0, entonces existe la inversa de A, es decir:
Adj( A)
A -1 = Adj(A) = (Det(A))A -1 = A -1.
Det( A)
Por lo tanto
A
Adj(Adj( A )) = Adj( A -1 ) = Det( A -1 )( A -1 )-1 = =A.
Det( A )
EJ E M P L O 3.4.8
Hallar la inversa de la matriz
1 2 -1 1 2 -3
a.- A = 2 5 4 ; b.- A = 1 -2 1 .
3 7 4 5 -2 -3
SO L U C I O N
a.- Como Det(A) = 1, entonces:
5 4 2 -1 2 -1
-
7 4 7 4 5 4
2 4 1 -1 1 -1
(Cof( A ))T = - -
3 4 3 4 2 4
2 5
-
1 2 1 2
3 7 3 7 2 5
Por lo tanto,
-8 -15 13
-1
A = 4 7 -6 .
-1 -1 1
b.- Como Det(A) = 0, entonces la matriz A es singular, es decir A no admite inversa.
I I. OPE R A C I O N ES E L E M E N T A L ES
derecho de (I |A) tambin las hacemos en el lado izquierdo. Por lo tanto, hacemos
en I exactamente las operaciones elementales de filas utilizadas para reducir a A.
Esto produce una matriz C que es un producto de matrices elementales cada una
efectuando una de las operaciones utilizadas para reducir a A. Por lo tanto, sea o
no A R = I tenemos C A = A R. Cuando A R = I, C debe ser A -1.
T E O R E M A 3.7.3
Sea A una matriz de n x n. Entonces A es no singular si y slo si
Rang(A) = n.
D E M OST R A C I O N
Consideremos la ecuacin A B = I, con B una matriz de incgnitas de n x n que
queremos resolver. Si A B = I, la columna c j de A B es igual a la columna c j de I, en la
que la ltima matriz columna tiene un 1 en la fila fj y cero en los dems. Por tanto, la
columna c j de B se encuentra con el sistema de ecuaciones A X = C, donde la matriz
C tiene un 1 en la fila fj. Ahora supongamos que Rang(A) = n. Entonces el sistema
A X = C tiene una nica solucin. Por lo tanto, podemos encontrar una nica matriz
B tal que A B = I. Es posible demostrar que tambin B A = I; por lo tanto B es la
inversa de A. Recprocamente, si A es no singular, el sistema A X = C tiene una
nica solucin para j = 1, 2, ..., n, ya que estas soluciones forman las columnas de
A -1. De esta forma podemos concluir que Rang(A) = n.
EJ E M P L O 3.4.9
Sea A una matriz cuadrada no singular:
a.- Si se intercambian dos filas de A, en qu es comparable la inversa de la matriz
resultante con A -1;
b.- Responda a la pregunta del inciso a) si una fila de A se multiplica por un nmero
k distinto de cero;
c.- Responder a la pregunta del inciso a) si la i-sima fila de A se multiplica por un
nmero k y se suma a la j-sima fila.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
RANGO E INVERSA DE UNA MATRIZ 135
SO L U C I O N
a.- Si B se obtiene de A al intercambiar las filas i y j, entonces B -1 se obtiene de A -1
al intercambiar las columnas i y j.
b.- Si B se obtiene de A al multiplicar la fila i por a z 0, entonces B -1 se obtiene de
A -1 al multiplicar la columna i por 1/a.
c.- Si B se obtiene de A al sumar k veces la fila i a la fila j, entonces B -1 se
obtiene de A -1 al restar k veces la columna j de la columna i.
EJ E M P L O 3.4.10
Hallar la inversa de la siguiente matriz:
2 3 4
A = 8 2 1 .
0 2 4
SO L U C I O N
Comenzaremos el proceso de operaciones elementales, formando la matriz
aumentada:
2 3 4 1 0 0
8 2 1 0 1 0
0 2 4 0 0 1
Luego designamos a la primera fila como fila base y a la segunda fila le restamos
cuatro veces la fila base:
2 3 4 1 0 0
0 10 15 4 1 0
0 2 4 0 0 1
Elegimos la segunda fila como fila base y a la primera fila multiplicada por 10, le
sumamos 3 veces la fila base; a la tercera fila multiplicada por 5, le sumamos la fila
base:
20 0 5 2 3 0
0 10 15 4 1 0
0 0 5 4 1 5
Por ltimo elegimos la tercera fila como fila base. A la primera fila le sumamos la
fila base; a la segunda fila le sumamos 3 veces la fila base:
20 0 0 6 4 5
0 10 0 16 4 15
0 0 5 4 1 5
Dividimos la primera fila para 20, la segunda fila para 10 y la tercera fila para 5:
3 1 1
1 0 0 10 5 4
8 2 3
0 1 0
5 5 2
0 0 1
4 1
1
5 5
De esta manera obtenemos la matriz inversa:
3 1 1
10 5 4
8 2 3
A 1 .
5 5 2
4 1
1
5 5
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
136 RANGO E INVERSA DE UNA MATRIZ
EJ E M P L O 3.4.11
Demuestre que toda matriz elemental es no singular, y la inversa tambin es una
matriz elemental.
SO L U C I O N
Si E es una matriz elemental, entonces E se obtiene al efectuar algunas operaciones
en las filas de I. Sea E 0 la matriz que se obtiene cuando la inversa de esta operacin
se efecta en I. Usando el hecho de que las operaciones inversas en las filas cancelan
mutuamente su efecto, se concluye que E 0 E = E E 0 = I. As, la matriz elemental E 0 es
la inversa de E.
PR O B L E M AS
3.4.2 Demuestre que si A es una matriz de n x n y 3.4.12 Demuestre que si A es una matriz de n x n y
Det(A) = 0, entonces Det(Adj(A)) = 0. Det(A) = 0, entonces Det(Adj(A)) = 0.
3.5 C U EST I O N A R I O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
3.5.1 Toda matriz de orden n es equivalente por filas a 3.5.15 Toda matriz de orden n es equivalente por filas
una matriz reducida por filas. a una matriz escalonada por filas.
3.5.2 Si A y B son dos matrices de orden m x n. Entonces 3.5.16 El producto de dos matrices de orden n es
B es equivalente por filas a A si, y slo si B = P A, donde P singular si, y slo si, por lo menos una de las dos matrices
es un producto de matrices elementales de m x m. es singular.
3.5.3 Una matriz elemental es no singular. 3.5.17 La suma de dos matrices no singulares de orden n
puede ser singular y la suma de dos matrices singulares
3.5.4 El rango de una matriz vara con las operaciones puede ser no singular.
elementales.
3.5.18 Si A y B son matrices no singulares, entonces A B
3.5.5 El rango de una matriz es el orden mximo de sus es una matriz singular.
menores iguales a cero.
3.5.19 Si A y B son matrices de orden n y si A es no
3.5.6 Si A es una matriz de orden m x n, entonces el singular y B es singular, entonces A B y B A son matrices
rango de las columnas de A no se altera al someter a A a no singulares.
una operacin elemental de filas.
3.5.20 Las matrices unitarias y las matrices hermticas
3.5.7 Si A es una matriz de orden m x n, entonces el son normales.
rango por filas y el rango por columnas de A son
diferentes. 3.5.21 La inversa de una matriz hermtica no singular es
hermtica.
3.5.8 Sea A una matriz de orden m x n y sea k un entero
positivo. Entonces Rang(A) t k si y slo si A contiene un 3.5.22 B es una inversa izquierda para la matriz A si y
subdeterminante distinto de cero de orden k. slo si B T es inversa derecha para A T.
3.5.9 El rango del producto de varias matrices no es 3.5.23 B es una inversa derecha para la matriz A si y
superior al rango de cada una de las matrices que se slo si B T es una inversa izquierda para A T.
multiplican.
3.5.24 El producto de matrices singulares es no
3.5.10 Una matriz A de n x n que tiene una inversa a la singular.
izquierda o a la derecha es no singular.
3.5.25 Una matriz de nmeros enteros tiene una inversa
3.5.11 La inversa de una matriz triangular superior es una de nmeros enteros cuando, y slo cuando, la matriz
matriz triangular inferior. dada tiene determinante diferente de cero.
3.5.12 Si A es una matriz no singular de n x n y si una 3.5.26 Para que una matriz cuadrada A sea ortogonal es
sucesin de operaciones elementales de fila reduce A a la necesario y suficiente que su determinante sea igual a
matriz identidad I, entonces la misma sucesin de r 1 y cada uno de sus elementos sea igual a su cofactor,
operaciones, cuando se aplica a I, da A -1. tomado con su signo si Det(A) = 1 y con el signo
opuesto, si Det(A) = -1.
3.5.13 La inversa de una matriz casi diagonal regular D
es casi diagonal y es tambin de la misma estructura que 3.5.27 Una matriz cuadrada real A de orden n t 3 es
D. ortogonal si cada uno de sus elementos es igual a su
cofactor y por lo menos uno de sus elementos es
3.5.14 La inversa de una matriz ortogonal es unitaria. distinto de cero.
3.5.28 La inversa de una matriz A casi triangular superior 3.5.31 La suma de los cuadrados de todos los menores
regular es una matriz casi triangular superior y adems es de segundo orden que yacen en dos filas o columnas de
de la misma estructura que A. una matriz ortogonal, es igual a cero.
3.5.29 Si A tiene una inversa a la izquierda, B, y una 3.5.22 Para que una matriz diagonal de orden n sea
inversa a la derecha, C, entonces B z C. ortogonal, es necesario que al menos un elemento de la
diagonal sea igual a cero.
3.5.30 Al multiplicar la matriz A a la izquierda o a la
derecha por una matriz no singular, su rango no vara.
C O N T E NI D O :
4.1 SIST E M AS D E E C U A C I O N ES L I N E A L ES
En esta seccin introduciremos terminologa bsica, estudiaremos los diferentes tipos de sistemas de ecuaciones
lineales y sus formas de soluciones. Enunciaremos y demostraremos las propiedades ms importantes.
D E F I N I C I O N 4.1.1
Una ecuacin lineal sobre en n variables es una expresin de la
forma:
a1x1 + a2x2 + ... + anxn = b
donde los a i, b son nmeros conocidos y los xi son variables. Los a i se
denominan coeficientes de los xi respectivos, y b es el trmino
independiente de la ecuacin.
Toda solucin del sistema de ecuaciones corresponde a un punto situado en los tres
planos. En los casos 1) y 2) no existe punto alguno que est en los tres planos, o
bien hay infinitos. En particular, hay infinitas soluciones si los tres planos se
cortan a lo largo de una misma recta. El conjunto de todas las soluciones a un
sistema de ecuaciones lineales recibe el nombre de conjunto solucin del sistema.
D E F I N I C I O N 4.1.2
Se llama sistema de m ecuaciones homogneas y n incgnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1 22 2 2n n 2
...
am1 x1 am 2 x2 ... amn xn bm
siempre que b1 = b2 = ... = bm = 0, es decir, cuando todos los trminos
independientes son nulos.
D E F I N I C I O N 4.1.3
Se llama sistema de m ecuaciones no homogneas y n incgnitas, al
sistema
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1 22 2 2n n 2
...
am1 x1 am 2 x2 ... amn xn bm
siempre que al menos un bi z 0.
D E F IN I C I O N 4.1.4
Se dice que un sistema de ecuaciones lineales es sobredeterminado si hay
ms ecuaciones que incgnitas. Se dice que un sistema de ecuaciones
lineales est escasamente determinado si hay menos ecuaciones que
incgnitas.
D E F IN I C I O N 4.1.5
Se dice que un sistema de ecuaciones lineales es no susceptible, si errores
pequeos en los coeficientes o en el proceso de resolucin slo tienen un
efecto pequeo sobre la solucin. Y es susceptible, si errores pequeos en
los coeficientes o en el proceso de resolucin tienen un efecto grande
sobre la solucin.
Dos ecuaciones lineales en dos incgnitas representan dos rectas. Un sistema tal es
susceptible si, y slo si, el ngulo entre las rectas es pequeo, es decir, si, y slo si,
las rectas son casi paralelas. En efecto, entonces un pequeo cambio en un
coeficiente puede provocar un gran desplazamiento del punto de interseccin de
las rectas. Para sistemas mayores de ecuaciones lineales, la situacin es semejante
en principio, pero no es posible una interpretacin geomtrica tan sencilla y no
podramos seguir cada detalle de la situacin.
PR O B L E M AS
4.1.1 Sea A una matriz de 3 x 2. Explique por qu la 4.1.4 Sea A X = O un sistema homogneo de n ecua-
ecuacin A X = B no puede ser consistente tiene slo la ciones lineales en n incgnitas que slo tiene la solu-
solucin nula si y slo si (Q A)X = O slo tiene la cin nula. Demuestre que si k es cualquier entero posi-
solucin nula. tivo, entonces el sistema A k X = O tambin tiene slo la
solucin nula.
4.1.2 Sean A X = O un sistema homogneo de n
ecuaciones lineales con n incgnitas y Q una matriz 4.1.5 Sea A una matriz de 3 x 4, sean Y 1 y Y 2 vectores
invertible de n x n. Demuestre que A X = O solucin fija. en 3 y sea W = Y 1 + Y 2. Suponga que Y 1 = A X 1 y que
Demuestre que toda solucin del sistema se puede Y 2 = A X 2 para algunos vectores X 1 y X 2 en 4. Qu
escribir en la forma X = X 1 + X 0, donde X 0 es una hecho permite concluir que el sistema A X = W es
solucin de A X = O. Tambin demuestre que toda consistente?
matriz de esta forma es una solucin.
4.1.6 Sea A X = B cualquier sistema de ecuaciones
4.1.3 Sea A una matriz de 5 x 3 y sean Y un vector en lineales consistentes, y sea X 1 una para toda B en 3.
3 y Z un vector en 5. Suponga que A Y = Z. Qu Generalice el argumento para el caso de una matriz A
hecho permite concluir que el sistema A X = 4 Z es arbitraria con ms filas que columnas.
consistente?
4.2 M E T O D OS P A R A SO L U C I O N A R UN SIST E M A D E E C U A C I O N ES L I N E A L ES
En esta seccin analizaremos la resolucin de un sistema de ecuaciones lineales por diversos mtodos, de acuerdo
a su estructura. Se enunciarn las propiedades ms importantes.
I. E L I M I N A C I O N G A USSI A N A
D E F I N I C I O N 4.2.1
Sea S un sistema lineal de la forma
a11 x1 a12 x2 ... a1n xn b1
a x a x ... a x b
21 1 22 2 2n n 2
...
am1 x1 am 2 x2 ... amn xn bm
y sea S un sistema lineal de las mismas dimensiones que S
a11
x1 a12 x2 ... a1 n xn b1
a21 x1 a22 x2 ... a2 n xn b2
...
am1 x1 am 2 x2 ... amn xn bm
Los sistemas lineales S y S se llaman equivalentes, si ambos son
simultneamente son compatibles y tienen las mismas soluciones.
T E O R E M A 4.2.1
Dos sistemas de ecuaciones lineales son equivalentes, si uno se obtiene
del otro aplicando una sucesin finita de operaciones elementales.
D E M OST R A C I O N
Es suficiente demostrar la equivalencia de los sistemas S y S, obtenido de S, al
aplicar una operacin elemental. Observemos, que el sistema S se obtiene del
sistema S tambin como resultado de una operacin elemental; por cuanto estas
operaciones son inversibles. En otras palabras, en el caso del tipo 1, cambiando otra
vez de lugar a las ecuaciones i y t, regresamos al sistema inicial; anlogamente, en el
caso del tipo 2, sumando la i-sima ecuacin en S, la t-sima ecuacin multiplicada
por r, obtendremos la i-sima ecuacin del sistema S. Demostremos ahora, que
cualquier solucin k1, k2, ..., kn del sistema S resulta tambin solucin del sistema S.
Si fue realizada una operacin elemental del tipo 1, entonces, las propias ecuaciones,
en general, no cambiaron. Por eso, los nmeros k1, k2, ..., kn, que antes las satisfacan,
las satisfacern luego de la operacin elemental. En el caso de una operacin
elemental del tipo 2, las ecuaciones, excepto la i-sima, no se modificaron, y por eso
la solucin k1, k2, ..., kn satisface a stas como antes. En virtud de la reversibilidad de
las operaciones elementales, las reflexiones realizadas demuestran tambin que,
recprocamente, cualquier solucin del sistema S ser solucin del sistema S. Queda
observar, que la incompatibilidad de un sistema proporciona la incompatibilidad del
otro.
Calculemos el nmero de operaciones que hay que efectuar para obtener la solucin
del sistema de ecuaciones lineales. Para reducir el sistema de ecuaciones a la forma
escalonada, aceptando que m = n, tendremos que realizar n inversiones
1
n2 + (n 1)2 + ... + 12 = (2n + 1)(n + 1)n
6
multiplicaciones y
(n 1)n(n 1)
n(n 1) (n 1)(n 2) 2 1
3
adiciones. Adems, para hallar del sistema reducido las incgnitas habr que realizar
adicionalmente
1
1 + 2 + ... + (n 1) = n(n 1)
2
multiplicaciones y un nmero igual de adiciones. Por consiguiente, para resolver el
sistema de ecuaciones lineales empleando el mtodo de Gauss, es necesario realizar,
en el caso general, n inversiones
1 1
n(n2 + 3n 1) | n3
3 3
multiplicaciones y
1 1
n(2n2 + 3n 5) | n3
6 3
adiciones. En resumen, este mtodo de reduccin se puede aplicar a cualquier
sistema de ecuaciones lineales. Debe observarse, adems, que el mtodo de
reduccin es sistemtico y que no se reduce a ningn artificio a base de los nmeros
particulares que aparecen en las ecuaciones.
T E O R E M A 4.2.2
Para la compatibilidad de un sistema de ecuaciones lineales es necesario y
suficiente que, despus de ser reducido a la forma escalonada, en l no se
encuentren ecuaciones del tipo 0 = bi, con bi z 0. Si esta condicin se
cumple, entonces, a las incgnitas independientes se les puede dar valores
arbitrarios; las incgnitas principales se determinan unvocamente en el
sistema de ecuaciones.
D E M OST R A C I O N
Comencemos con la cuestin de la compatibilidad. Es evidente, que si el sistema
a11 x1 a1 n xn b1
a2 k xk a2 n xn b2
a x a x b
3 t t 3n n 3
(1)
ar s xs ar n xn br
0 br 1
0 bm
contiene ecuaciones del tipo 0 = bi, con bi z 0, entonces, este sistema es
incompatible, puesto que la igualdad 0 = bi no puede ser satisfecha por ningn valor
para las incgnitas. Demostremos, que si en el sistema (1) no hay tales ecuaciones,
entonces el sistema es compatible. Y bien, sea bi = 0 para i > r. Llamaremos
incgnitas principales a x1, xk, ..., xs, con las cuales comienzan la primera, segunda,
..., y r-sima ecuaciones, respectivamente; las restantes incgnitas, si es que las hay,
se denominan independientes. Por definicin, slo hay r incgnitas principales.
Otorgamos a las incgnitas independientes valores arbitrarios, y los sustituimos en el
sistema (1). Entonces, para ks se obtiene una ecuacin de tipo axs = b, con a = ar s z
0, la cual tiene solucin nica. Sustituyendo el valor obtenido xs = ks en las primeras
r 1 ecuaciones, y yendo por el sistema (1) de abajo hacia arriba, nos convencemos
T E O R E M A 4.2.3
Un sistema de ecuaciones lineales tiene solucin nica si y slo si el
sistema reducido correspondiente tiene la misma solucin.
D E M OST R A C I O N
De la forma en que reducimos el sistema es claro que si cierto conjunto de nmeros
x1, x2, ..., xn satisface el sistema original, cumplen tambin el sistema reducido. Ahora
cambiamos los papeles del sistema original reducido. Si comenzamos con el sistema
reducido, el sistema original se puede obtener de ste por alguna combinacin de las
tres operaciones elementales. Ahora es claro que cualquier solucin del sistema
reducido tambin es solucin del sistema original.
T E O R E M A 4.2.4
El sistema compatible
a11 x1 a12 x2 a1n xn b1
a x a x a x b
21 1 22 2 2n n 2
am1 x1 am 2 x2 amn xn bm
con n > m es indeterminado.
D E M OST R A C I O N
Efectivamente, en todo caso r d m, por cuanto en el sistema (1) no hay ms
ecuaciones que en el sistema dado, las ecuaciones con identidades iguales a cero para
ambos miembros, son desechadas. Por eso, la desigualdad n > m lleva a n > r, lo cual
significa indeterminacin del sistema dado.
E J E M P L O 4.2.1
Utilizando eliminacin gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
x yz 3 3x 4 y 6 z 7
a.- 2 x y 4 z 3 ; b.- 5 x 2 y 4 z 5 .
3x 2 y z 8 x 3 y 5z 3
SO L U C I O N
a.- Multiplicamos la ecuacin 1 por 2 y luego le restamos la fila 2, multiplicamos la
fila 1 por 3 y luego restamos la fila 3:
x y z 3
y 2z 1
y 2z 1
restamos la fila dos a la fila tres:
x y z 3
y 2z 1
0 0
podemos observar que 0 = 0, lo cual indica que el sistema es indeterminado, es decir
tiene un nmero infinito de soluciones:
z = t, x = 2 t, y = 1 + 2 t.
b.- Se multiplica la ecuacin 1 por 5 y luego le restamos 3 veces la fila 2, y 3 veces
la fila 3:
3x 4 y 6 z 7
13 y 21z 10
13 y 21z 2
E J E M P L O 4.2.2
Utilizando eliminacin gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
2 x y 3 z 2u 4 x y zu 0
3 x 3 y 3 z 2u 6 x 2 y 3 z 4u 0
a.- ; b.- .
3 x y z 2 u 6 x 3 y 6 z 10u 0
3 x y 3 z u 6 x 4 y 10 z 20u 0
SO L U C I O N
a.- A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la tercera fila le multiplicamos por 2 y luego le restamos 3 veces la primera
fila, a la cuarta fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila
2 x y 3z 2u 4
9 y 3z 2u 0
y 11z 2u 0
y 3z 8u 0
A la tercera fila le multiplico por 9 y luego le sumo la segunda fila, a la cuarta
fila le multiplico por 9 y luego le sumo la segunda fila:
2 x y 3z 2u 4
9 y 3z 2u 0
6z u 0
12 z 35u 0
A la cuarta fila le resto 2 veces la tercera fila:
2 x y 3z 2u 4
9 y 3z 2u 0
6z u 0
33u 0
Como el sistema se redujo a la forma triangular, entonces el sistema tiene solucin
nica:
x = 2, y = z = u = 0.
b.- A la segunda fila le resto la primera fila, a la tercera fila le resto la primera fila, a
la cuarta fila le resto la primera fila:
x y zu 0
y 2 z 3u 0
2 y 5 z 9u 0
3 y 9 z 19u 0
A la tercera fila le resto 2 veces la segunda fila, a la cuarta fila le resto 3 veces la
segunda fila:
x y z u 0
y 2 z 3u 0
z 3u 0
3 z 10u 0
E J E M P L O 4.2.3
Utilizando eliminacin gaussiana, solucionar los siguientes sistemas de ecuaciones
lineales:
x y 2 z 3u 1 x 2 y 3 z 2u 6 x 2 y 3z 4u 5
3 x y z 2u 4 2 x y 2 z 3u 8 2 x y 2 z 3u 1
a.- ; b.- ; c.- .
2 x 3 y z u 6 3x 2 y z 2u 4 3 x 2 y z 2u 1
x 2 y 3z u 4 2 x 3 y 2 z u 8 4 x 3 y 2 z u 5
SO L U C I O N
a.- A la segunda fila le restamos 3 veces la primera fila, a la tercera fila le restamos 2
veces la primera fila y a la cuarta fila le restamos la primera:
x y 2 z 3u 1
4 y 7 z 11u 7
y 5 z 7u 8
y z 4u 5
A la tercera fila le multiplicamos por 4 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por 4 y luego le sumamos la segunda fila:
x y 2 z 3u 1
4 y 7 z 11u 7
27 z 39u 39
z 9u 9
A la cuarta fila le multiplicamos por 27 y luego le sumamos la tercera fila:
x y 2 z 3u 1
4 y 7 z 11u 7
27 z 39u 39
u 1
Observamos que el sistema se redujo a la forma triangular, lo cual indica que el
sistema tiene solucin nica:
x = y = -1, z = 0, u = 1.
b.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
3 veces la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
x 2 y 3z 2u 6
5 y 8 z u 4
2 y 5 z 4u 7
7 y 4 z 5u 20
A la tercera fila le multiplicamos por 5 y luego le sumamos 2 veces la segunda
fila, a la cuarta fila le multiplicamos por 5 y luego le restamos 7 veces la segunda
fila:
x 2 y 3z 2u 6
5 y 8 z u 4
z 2u 3
2 z u 4
A la cuarta fila le restamos 2 veces la tercera fila:
x 2 y 3z 2u 6
5 y 8 z u 4
z 2u 3
5u 10
Como el sistema se redujo a la forma triangular, entonces el sistema tiene solucin
nica: x = 1, y = 2, z = -12, u = -2.
c.- A la segunda fila le restamos 2veces la primera fila, a la tercera fila le restamos 3
veces la primera fila y a la cuarta fila le restamos 4 veces la primera fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
2 y 4 z 5u 7
y 2 z 3u 5
A la tercera fila le multiplicamos por 3 y luego le sumamos la segunda fila
multiplicada por 2, a la cuarta fila le multiplicamos por 3 y luego le sumamos la
segunda fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
4 z 5u 3
z 2u 3
A la cuarta fila le multiplicamos por 4 y luego le restamos la tercera fila:
x 2 y 3z 4u 5
3 y 4 z 5u 9
4 z 5u 3
u 3
Como el sistema se redujo a la forma triangular, entonces el sistema tiene solucin
nica: x = -2, y = 2, z = -3, u = 3.
I I. M E T O D O D E G A USS JO RD A N
D E F IN I C I O N 4.2.2
En cuanto a la matriz
a11 a12 a1n b1
a
21 a 22 a 2n b2
am1 am 2 amn bm
se denomina matriz aumentada del sistema.
T E O R E M A 4.2.5
Un sistema homogneo de m ecuaciones lineales con n incgnitas tiene un
nmero indeterminado de soluciones si n > m.
D E M OST R A C I O N
Cuando la matriz de coeficientes se ha reducido, la matriz aumentada del sistema
reducido tiene una ltima columna formada nicamente por ceros. Entonces, el
sistema tiene una solucin, pero puede que no tenga soluciones no nulas. Sin
embargo, consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de
coeficientes. Estos elementos son 0 1. Suponiendo que akk = 0 para algn k y k es el
menor elemento para el cual esto ocurre, la solucin se puede escribir en trminos de
xk y posiblemente de algunas otras variables. Pero tales variables son arbitrarias, y as
tomando a xk z 0, tenemos una solucin no trivial. Si todos los a ii, i = 1, 2, ..., m, son
1, la ltima fila de la matriz aumentada del sistema reducido es
0, 0, ..., 0, 1, am m+1, am m+2, ..., am n, 0
y
xm = -am m+1xm+1 am m+2xm+2 - ... am nxn
donde xm+1, xm+2, ..., xn son arbitrarias. Tomando xm+1 z 0 lograremos una solucin no
nula.
T E O R E M A 4.2.6
Sea X 1 cualquier solucin de A X = B. Entonces X 1 X 2 es una solucin
de A X = O ya que A(X 1 - X 2) = A X 1 - A X 2 = B - B = O. Sea X 3 = X 1 -
X 2. Entonces X 3 es una solucin de A X = O y por supuesto X 1 = X 2 +
X 3.
D E M OST R A C I O N
Supongamos que X 1 y X 2 son soluciones. Entonces A X 1 = B y A X 2 = B, y por
sustraccin A(X 1 X 2) = O. Como quiera que si la ecuacin homognea no tiene
soluciones no nulas, entonces X 1 X 2 = O y X 1 = X 2. Esto muestra la unicidad.
Recprocamente, suponiendo que X 3 z O es una solucin de la ecuacin homognea,
es decir A X 3 = O, mientras que X 1 es una solucin de A X 1 = B, entonces X 1 + X 3
tambin es solucin, puesto que
A(X 1 + X 3) = A X 1 + A X 3 = B + O = B.
Esta es una contradiccin a la unicidad y completa la demostracin.
T E O R E M A 4.2.7
Un sistema homogneo de m ecuaciones lineales con m incgnitas tiene
solucin trivial si y slo si la matriz reducida de coeficientes no tiene filas
formadas nicamente por ceros.
D E M OST R A C I O N
Consideremos los elementos a ii, i = 1, 2, ..., m de la matriz reducida de coeficientes.
Si a ii = 1 para todo i, la matriz aumentada del sistema reducido es de la forma
1 0 0 0
0 1 0 0
0 0 1 0
y la nica solucin es x1 = x2 = ... = xm = 0, algunos de los a ii son cero si y slo si la
ltima fila de esta matriz est formada nicamente por ceros. As, el sistema de
ecuaciones lineales tiene soluciones no nulas si y slo si la matriz reducida de
coeficientes est formada nicamente por ceros.
T E O R E M A 4.2.8
Sea la matriz A de n x n. Entonces el sistema de ecuaciones no
homogneo A X = B tiene solucin nica si y slo si el Rang( A) = n.
D E M OST R A C I O N
Supongamos primero que Rang(A) = n. Entonces A R = I. De donde (A | B)R es de la
forma (I | C) para alguna matriz C de n x 1. El sistema I X = C tiene exactamente una
solucin y esta es la nica solucin del sistema original. Recprocamente,
supongamos que A X = B tiene exactamente una solucin Y. Si A X = O tiene una
solucin Z entonces Y + Z es una solucin de A X = B. Pero entonces Y = Y + Z por
la suposicin de que A X = B tiene solamente una solucin Y. Concluimos que
Z = O y, por tanto, A X = O tiene solamente la solucin trivial. Por lo tanto
Rang(A) = n.
Como hemos podido ver, cuando un sistema de ecuaciones lineales tiene soluciones,
puede tener muchas soluciones. En efecto, la situacin general cuando las soluciones
no son nicas, es que ciertas variables se pueden escribir en trminos de otras y estas
son completamente arbitrarias. Podemos pensar en tales variables como parmetros
que pueden variar para generar soluciones. Podremos decir que tenemos la solucin
general de un sistema si tenemos todas las variables expresadas en trminos de
ciertos parmetros en tal forma que toda posible solucin particular se pueda obtener
al asignar valores apropiados a estos parmetros.
T E O R E M A 4.2.9
Un sistema de ecuaciones lineales A X = B tiene solucin nica si y slo si
el rango de la matriz A es igual al rango de la matriz (A | B).
D E M OST R A C I O N
Reduciendo la matriz de coeficientes usando operaciones elementales sobre las filas
podemos lograr el sistema equivalente (I | C) en este caso, y solamente en este caso,
el rango de A es igual al rango de la matriz aumentada (A | B).
T E O R E M A 4.2.10
Un sistema homogneo de n ecuaciones lineales algebraicas con m
incgnitas tiene un nmero indeterminado de soluciones si m > n.
D E M OST R A C I O N
Escribimos el sistema homogneo de ecuaciones lineales como A X = O con la
matriz A de n x m. Este sistema tiene n ecuaciones y m incgnitas. Si hay ms
incgnitas que ecuaciones, m > n. Ahora, Rang(A) es el nmero de filas distintas de
cero de A R y no puede ser mayor que n. Como Rang(A) d n, m Rang(A) t m n >
0. Por lo tanto, existe al menos una incgnita independiente a la que se puede asignar
cualquier valor en la solucin general y, por tanto, se le pueden dar valores distintos
de cero llegando a un nmero indeterminado de soluciones.
T E O R E M A 4.2.11
Si A es una matriz de n x m, el nmero de escalares arbitrarios en la
solucin general del sistema homogneo de ecuaciones lineales A X = O es
m Rang(A).
D E M OST R A C I O N
Si la matriz A es de n x m, el nmero de incgnitas independientes es igual al
nmero total de incgnitas m menos el nmero de incgnitas dependientes. Pero el
nmero de incgnitas dependientes es el nmero de filas de A R que tienen entradas
principales y, por lo tanto, es igual al nmero de filas distintas de cero de A R, es
decir, el rango de A.
T E O R E M A 4.2.12
Una solucin de un sistema de ecuaciones lineales A X = B es nica si y
slo si el sistema homogneo de ecuaciones A X = O tiene solucin
trivial.
D E M OST R A C I O N
Supongamos que X y Y son soluciones. Entonces A X = B y A Y = B, y por
sustraccin A(X Y) = O. Como quiera que si la ecuacin homognea tiene
solucin trivial, entonces X Y = O y X = Y. Esto muestra la unicidad.
Recprocamente, suponiendo que Z z O es una solucin de la ecuacin homognea,
es decir A Z = O, mientras que X es una solucin de A X = B, entonces X + Z
tambin es solucin, puesto que
A(X + Z) = A X + A Z = B + O = B.
Esta es una contradiccin a la unicidad.
T E O R E M A 4.2.13
La solucin general del sistema no homogneo de ecuaciones, A X = B,
se puede obtener al sumar la solucin general del sistema homogneo
A X = O a cualquier solucin particular del sistema no homogneo.
D E M OST R A C I O N
Supongamos que Z es una solucin particular del sistema no homogneo, entonces
A Z = B. Suponiendo que X es cualquier otra solucin particular, entonces
A X = B y A(X Z) = A X A Z = B B = O.
De donde, Y = X Z es una solucin del sistema de ecuaciones homogneas y
entonces se puede obtener de la solucin general del sistema de ecuaciones
homogneas para una eleccin apropiada de ciertos parmetros. As, X = Z + Y, y
como X es cualquier solucin particular, podemos obtener la solucin general del
sistema no homogneo al sumar la solucin general del sistema homogneo a una
solucin particular del sistema no homogneo.
T E O R E M A 4.2.14
Un sistema de n ecuaciones lineales algebraicas homogneas con n
incgnitas tiene un nmero indeterminado de soluciones si y slo si el
determinante de la matriz de coeficientes es cero.
D E M OST R A C I O N
Si Det(A) no es cero la matriz A es no singular. Entonces, al multiplicar los dos
miembros del sistema A X = O por A -1 obtendremos A -1 A X = O, es decir X = O.
Por lo tanto, si Det( A) z 0, entonces X = O ser la nica solucin de A X = O.
Supongamos a continuacin que el sistema A X = O quede satisfecho por un
vector Y distinto de cero. Si k es el rango de A, entonces n k tiene que ser, por
lo menos, igual a 1. Dicho de otro modo, el rango por filas de A ser
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
154 SISTEMAS DE ECUACIONES LINEALES
EJ E M P L O 4.2.4
Resuelva el sistema de ecuaciones siguiente:
x 3y z u 3
2x z u 1
.
y 4z u 6
y z 5u 16
SO L U C I O N
Construimos la matriz aumentada (A|B) y luego procedemos por el mtodo de Gauss
Jordan:
1 3 1 1 3
2 0 1 1 1
0 1 4 1 6
0 1 1 5 16
A la primera fila le multiplicamos por 2 y luego le restamos la segunda fila:
1 3 1 1 3
0 6 1 3 5
0 1 4 1 6
0 1 1 5 16
A la tercera fila le multiplicamos por 6 y luego le sumamos la segunda fila, a la
cuarta fila le multiplicamos por 6 y luego le sumamos la segunda fila, a la primera
fila le multiplicamos por 2 y luego le restamos la segunda fila:
2 0 1 1 1
0 6 1 3 5
0 0 25 3 41
0 0 5 27 91
A la primera fila le multiplicamos por 25 y luego le restamos la tercera fila, a la
segunda fila le multiplicamos por 25 y luego le restamos la tercera fila, a la cuarta
fila le multiplicamos por 5 y luego le sumamos la tercera fila:
25 0 0 11 8
0 25 0 13 14
0 0 25 3 41
0 0 0 1 3
A la primera fila le restamos 25 veces la cuarta fila y luego dividimos toda la fila
para -25, a la segunda fila le sumamos 13 veces la cuarta fila y luego dividimos toda
la fila para 25, a la tercera fila le restamos 3 veces la cuarta fila y luego dividimos
toda la fila para 25:
1 0 0 0 41
25
53
0 1 0 0 25
0 0 1 0
32
25
0 0 0 1 3
Por lo tanto Rang(A) = Rang(A|B) = 4 y la solucin est dada por el vector siguiente:
T
41 53 32
X 3 .
25 25 25
EJ E M P L O 4.2.5
Resuelva el sistema
2 x 3 y 5 z 2 x 3y z 1
x 3 y 2z 0
a.- ; b.- 3x 2 y 4 z 1 ; c.- 2 x y 2 z 3 .
2 x y 3z 0 4 x 2 y 3z 3 4 x 2 y 4 z 6
SO L U C I O N
a.- Este sistema se puede resolver fcilmente sin matrices, pero queremos ilustrar el
mtodo matricial.
PASO 1. Reducir A. Procedemos como sigue: Sumar 2 veces la fila 1 a la fila 2
1 3 2
0 5 1
multiplicar la fila 2 por -1/5
1 3 2
0 5 1
5
sumar 3 veces la fila 2 a la fila 1
7
1 0 5
AR .
0 1 1
5
PASO 2. Identificar las incgnitas dependientes e independientes. La entrada
principal de la fila 1 est en la columna 1, as que x es dependiente; anlogamente, y
es dependiente. Finalmente, z es independiente.
PASO 3. Escribimos las incgnitas dependientes en trminos de las independientes.
De la fila 1 de A R, x + 7z/5 = 0, as que x = - 7z/5. De la fila 2, y - z/5 = 0, as que y =
z/5. En estas ecuaciones z es arbitraria.
PASO 4. Por conveniencia, sea x = - 7t/5, y = t/5. En forma matricial, la solucin es
T
7t t
X t .
5 5
Esta expresin se llama solucin general del sistema porque obtenemos todas las
soluciones dando a t diferentes valores.
b.- Primero: resolvemos el sistema no homogneo de ecuaciones lineales A X = B.
Construimos la matriz aumentada del sistema:
2 3 5 2
3 2 4 1
4 2 3 3
A la segunda fila le multiplicamos por 2 y luego le restamos 3 veces la primera fila, a
la tercera fila le restamos 2 veces la primera fila:
2 3 5 2
0 13 7 4
0 8 13
1
A la primera fila le multiplicamos por 13 y luego le sumamos 3 veces la segunda fila,
a la tercera fila le multiplicamos por 13 y luego le restamos 8 veces la segunda fila:
13 0 43 7
0 13 7 4
0
0 5 1
A la primera fila le multiplicamos por 5 y luego le restamos 43 veces la tercera fila y
a continuacin dividimos toda la fila para 65, a la segunda fila le multiplicamos por 5
y luego le sumamos 7 veces la tercera fila y despus dividimos toda la fila para -65:
1 0 0 8
65
0 1 0 1
5
1
0 0 1
5
2 3 5 2 3 5 13 0 43 1 0 0
3 2 4 | 0 13 7 | 0 13 7 | 0 1 0
4 2 3 0 8 13 0 0 5 0 0 1
Por lo tanto, la solucin est dada por el vector siguiente: X 2 0 0 0 .
La solucin al sistema esta dada por X 1 + X 2, es decir:
65
8
0
8
1 165
X 5 0 5 .
1 0 1
5 5
Por lo tanto queda comprobado que el sistema tiene una nica solucin.
c.- Encontramos la solucin del sistema A X = B:
1 3 1 1 1 3 1 1 7 0 5 10
2 1 2 3 | 0 7 4 1 | 0 7 4 1
4 2 4 6 0 14 8 2 0 0 0 0
De aqu que la solucin general del sistema A X = B es
1
X (t ) 10 5t 1 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 1, obtenemos una solucin particular:
1
X (1) 15 5 7 T .
7
A continuacin encontramos la solucin general del sistema A X = O:
1 3 1 0 1 3 1 0 7 0 5 0
2 1 2 0 | 0 7 4 0 | 0 7 4 0
4 2 4 0 0 14 8 0 0 0 0 0
De aqu que la solucin general del sistema A X = O es
1
X (t ) 5t 4t 7t T .
7
Si asignamos cualquier valor a t, digamos t = 7, obtenemos una solucin particular:
X (7) 5 4 7 .
T
EJ E M P L O 4.2.6
Utilizando el mtodo de Gauss-Jordan, solucionar los siguientes sistemas de
ecuaciones lineales:
x y 3 z 1 2x y z 2 2 x y 3z 3
2x y 2z 1 x 3y z 5 3x y 5 z 0
a.- ; b.- ; c.- .
x y z 3 x y 5 z 7 4x y z 3
x 2 y 3 z 1 2 x 3 y 3 z 14 x 3 y 13z 6
SO L U C I O N
a.- A la segunda fila le restamos 2 veces la primera fila, a la tercera fila le restamos
la primera fila, a la cuarta fila le restamos la primera fila:
1 1 3 1
0 1 4 3
0 0 1 4
0 1 0 2
EJ E M P L O 4.2.7
Utilizando el mtodo de Gauss-Jordan, solucionar los siguientes sistemas de
ecuaciones lineales:
x y 3u w 0 x y z u w 7
x y 2 z u 0 3x 2 y z u 3w 2
a.- ; b.- .
4 x 2 y 6 z 3u 4 w 0 y 2 z 2u 6w 23
2 x 4 y 2 z 4u 7 w 0 5 x 4 y 3z 3u w 12
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila y a la cuarta fila le restamos 2 veces la primera fila:
1 1 0 3 1 0
0 2 2 2 1 0
0 2 2 5 0 0
0 2 2 10 5 0
multiplicamos la primera fila por 2 y luego le restamos la segunda fila, a la tercera
fila le restamos la segunda fila y a la cuarta fila le sumamos la segunda fila:
2 0 2 4 1 0
0 2 2 2 1 0
0 0 0 3 1 0
0 0 0 3 1 0
multiplicamos la primera fila por 3 y luego le sumamos 4 veces la tercera fila,
multiplicamos la segunda fila por 3 y luego le restamos 2 veces la tercera fila y a
la cuarta fila le restamos la tercera fila:
6 0 6 0 7 0
0 6 6 0 5 0
0 0 0 3 1 0
0 0 0 0 0 0
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un
nmero indeterminado de soluciones y stas se dan de la siguiente manera:
T
7t 5t t
X r r r t .
6 6 3
b.- A la segunda fila le restamos 3 veces la primera fila y a la cuarta fila le restamos
5 veces la primera fila:
1 1 1 1 1 7
0 1 2 2 6 23
0 1 2 2 6 23
0 1 2 2 6 23
a la primera fila le restamos la segunda fila, a la tercera fila le sumamos la
segunda fila y a la cuarta fila le restamos la segunda fila:
1 0 1 1 5 16
0 1 2 2 6 23
0 0 0 0 0 0
0 0 0 0 0 0
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene un
nmero indeterminado de soluciones y stas se dan de la siguiente manera:
X t r s 16 23 2t 2r 6s t r s .
T
EJ E M P L O 4.2.8
Utilizando el mtodo de Gauss-Jordan, solucionar los siguientes sistemas de
ecuaciones lineales:
x 4 y 6 z 4u w 0 2x y z u w 2
x y 4 z 6u 4 w 0 x 2y z u w 0
a.- 4 x y z 4u 6w 0 ; b.- x y 3z u w 3 .
6 x 4 y z u 4 w 0 x y z 4u w 2
4 x 6 y 4 z u w 0 x y z u 5w 5
SO L U C I O N
a.- A la segunda fila le restamos la primera fila, a la tercera fila le restamos 4 veces
la primera fila, a la cuarta fila le restamos 6 veces la primera fila y a la quinta fila le
restamos 4 veces la primera fila:
1 4 6 4 1 0
0 3 2 2 3 0
0 15 23 12 2 0
0 20 35 23 2 0
0 10 20 15 3 0
a la primera fila le multiplicamos por 3 y luego le restamos 4 veces la segunda fila, a
la tercera fila le restamos 5 veces la segunda fila, a la cuarta fila le multiplicamos por
3 y luego le restamos 20 veces la segunda fila, a la quinta fila le multiplicamos por 3
y luego le restamos 10 veces la segunda fila:
3 0 10 20 15 0
0 3 2 2 3 0
0 0 13 22 13 0
0 0 65 109 66 0
0 0 40 65 39 0
a la primera fila le multiplicamos por 13 y luego le sumamos 10 veces la tercera fila,
a la segunda fila le multiplicamos por 13 y luego le restamos 2 veces la tercera fila, a
la cuarta fila le restamos 5 veces la tercera fila, a la quinta fila le multiplicamos por
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
SISTEMAS DE ECUACIONES LINEALES 161
7 0 0 2 2 7
0 7 0 2 2 7
0 0 7 1 1 7
0 0 0 23 2 21
0 0 0 1 15 14
a la primera fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a
la segunda fila le multiplicamos por 23 y luego le restamos 2 veces la cuarta fila, a la
tercera fila le multiplicamos por 23 y luego le restamos la cuarta fila, a la quinta fila
le multiplicamos por 23 y luego le restamos la cuarta fila:
161 0 0 0 42 203
0 161 0 0 42 119
0 0 161 0 21 182
0 0 0 23 2 21
0 0 0 0 1 1
a la primera fila le restamos 42 veces la quinta fila, a la segunda fila le restamos 42
veces la quinta fila, a la tercera fila le restamos 21 veces la quinta fila, a la cuarta fila
le restamos 2 veces la quinta fila:
161 0 0 0 0 161
0 161 0 0 0 161
0 0 161 0 0 161
0 0 0 23 0 23
0 0 0 0 1 1
en esta matriz podemos observar que el sistema de ecuaciones lineales tiene
solucin nica y sta se expresa de la siguiente manera:
x = 1, y = -1, z = 1, u = -1, w =1.
EJ E M P L O 4.2.9
Cul es la condicin para que tres rectas
a1 x b1 y c1 0
a2 x b2 y c2 0
a x b y c 0
3 3 3
pasen por un punto?
SO L U C I O N
Las tres rectas forman un sistema de ecuaciones lineales no homogneo
a1 x b1 y c1 0
a2 x b2 y c2 0
a x b y c 0
3 3 3
y, para que estas tres rectas pasen por un punto, el determinante formado por los
coeficientes del sistema y trminos independientes debe ser igual a cero, es decir:
a1 b1 c1
a2 b2 c2 0 .
a3 b3 c3
I II. M E T O D O D E C R A M E R
Para el trabajo numrico, son preferibles otras frmulas, pero la regla de Cramer
tiene un inters prctico. Aunque para la resolucin numrica es el mtodo de
reduccin ms rpido, sobre todo si los coeficientes son nmeros decimales, tiene
gran importancia la resolucin por medio de determinantes, pues permite hacer a
discusin completa de los sistemas de ecuaciones lineales.
T E O R E M A 4.2.15
Sea A una matriz no singular de n x n. Entonces la nica solucin del
sistema no homogneo A X = B est dada por
Det( A kB )
x k = xk para k = 1, 2, ..., n,
Det( A )
donde A kB es la matriz de orden n x n que se obtiene reemplazando la
columna k de A con B.
D E M OST R A C I O N
Si Det(A) z 0, entonces la matriz A es no singular y, por lo tanto X = A -1 B es la
solucin nica de A X = B. Por consiguiente se tiene
X = A -1 B
1
= Adj( A ) B
Det( A )
Det( A 11 ) Det( A 21 ) Det( A n1 ) b1
1 Det( A 12 ) Det( A 22 ) Det( A n 2 ) b2
=
Det( A )
Det( A 1n ) Det( A 2 n ) Det( A nn ) bn
b1Det( A 11 ) + b2 Det( A 21 ) + + bn Det( A n1 )
1 b1Det( A 12 ) + b2 Det( A 22 ) + + bn Det( A n 2 )
= .
Det( A )
b1Det( A 1n ) + b2 Det( A 2 n ) + + bn Det( A nn )
Por tanto, el elemento de la j-sima fila de X es
b1Det( A 1 j ) + b2 Det( A 2 j ) + + bn Det( A nj )
x( j ) = .
Det( A )
Ahora, sea
a11 a12 a1 j 1 b1 a1 j 1 a1n
a21 a22 a2 j 1 b2 a2 j 1 a2 n
Aj ,
an1 an 2 anj 1 bn anj 1 ann
Dado que A j difiere de A nicamente en la j-sima columna, los cofactores de los
elementos b1, b2, ..., bn de A j son iguales a los cofactores de los elementos
correspondientes que estn en la j-sima columna de A. Como consecuencia, el
desarrollo por cofactores de Det(A j) a lo largo de la j-sima columna es
Det(A j) = b1Det(A 1j) + b2Det(A 2j) + ... + bnDet(A nj).
Det( A j )
Al sustituir este resultado en (1) se obtiene x j .
Det( A )
clc;clear;
fprintf('\n METODO DE CRAMER GENERALIZADO \n')
fil=input('Ingrese el numero de incognitas: ');
%Ingreso de elementos
fprintf('Ingrese los coeficientes del sistema de ecuaciones\n')
for f=1:fil
for c=1:fil
fprintf('Ingrese el elemento A:(%d,%d)',f,c)
A(f,c)=input(' :');
end
end
fprintf('\n Ingrese los terminos independientes\n')
%for f=1:fil
for c=1:fil
fprintf('Ingrese el elemento B:(%d,%d)',f,c)
B(c,1)=input(' :');
end
end
fprintf('LA MATRIZ A ES :\n')
A
end
DetA=det(A)
end
fprintf('LA MATRIZ B ES:\n')
B
fprintf('LA INVERSA DE A ES:\n')
C=inv(A)
fprintf('EL VECTOR SOLUCION X ES:\n')
X=inv(A)*B;
X
end
end
if DetA==0
fprintf('EL SISTEMA DE ECUACIONES NO TIENE SOLUCION\n')
end
end
EJ E M P L O 4.2.10
Resolver el sistema
x 3 y 4z 1 ( a 1) x y z a 2 3a
a.- x y 3z 14 ; b.- x ( a 1) y z a 3 3a 2 .
y 3z 5 4 3
x y ( a 1) z a 3a
SO L U C I O N
a.- La matriz de coeficientes es
1 3 4
A 1 1 3 .
0 1 3
Encontramos que Det(A) = 13. Por la regla de Cramer,
1 3 4 1 1 4
1 117 1 10
x Det 14 1 3 9 , y Det 1 14 3 ,
13 5 1 3 13 13 0 5 3 13
1 3 1
1 25
z Det 1 1 14 .
13 0 1 5 13
b.- La matriz de coeficientes es
a 1 1 1
1 a A
1 1
1 1 a 1
Encontramos que Det(A) = a3 + 3a2. Por la regla de Cramer,
a 2 3a 1 1
1 3 2 3a 2 2 a 3 a 5
x a 3a a 1 1 a2 2 ,
a 3 3a 2 a 3 3a 2
a 4 3a 3 1 a 1
a 1 a 2 3a 1
1 2 a 4 5 a 3 3a 2
y 1 a 3 3a 2 1 2a 1 ,
a 3 3a 2 4 3
a 3 3a 2
1 a 3a a 1
a 1 1 a 2 3a
1 a 6 5 a 5 5 a 4 4 a 3 3a 2
z 3 2
1 a 1 a 3 3a 2 a 3 2a 2 a 1
a 3a a 3 3a 2
1 1 a 4 3a 3
EJ E M P L O 4.2.11
Utilizando el mtodo de Cramer, solucionar los siguientes sistemas de ecuaciones
lineales:
x 2 y 3z 4u 5w 13 x 2 y 3z 4u w 1
2 x y 2 z 3u 4w 10 2 x y 3z 4u 2w 8
a.- 2 x 2 y z 2u 3w 11 ; b.- 3x y z 2u w 3 .
2 x 2 y 2 z u 2w 6 4 x 3 y 4 z 2u 2 w 2
2 x 2 y 2 z 2u w 3 x y z 2u 3w 3
SO L U C I O N
a.- Calculamos los determinantes correspondientes:
13 2 3 4 5 1 13 3 4 5
10 1 2 3 4 2 10 2 3 4
' x 11 2 1 2 3 0 , ' y 2 11 1 2 3 62 ,
6 2 2 1 2 2 6 2 1 2
3 2 2 2 1 2 3 2 2 1
1 2 13 4 5 1 2 3 13 5
2 1 10 3 4 2 1 2 10 4
'z 2 2 11 2 3 62 , 'u 2 2 1 11 3 0,
2 2 6 1 2 2 2 2 6 2
2 2 3 2 1 2 2 2 3 1
1 2 3 4 13 1 2 3 4 5
2 1 2 3 10 2 1 2 3 4
'w 2 2 1 2 11 93 , ' 2 2 1 2 3 31 .
2 2 2 1 6 2 2 2 1 2
2 2 2 2 3 2 2 2 2 1
A continuacin reemplazamos en cada una de las variables, y obtenemos la solucin
general:
'x 0 ' y 62 ' z 62 'u 0
x 0, y 2, z 1 , u 0,
' 31 ' 31 ' 31 ' 31
' w 93
w 3.
' 31
b.- Calculamos los determinantes correspondientes:
1 2 3 4 1 1 1 3 4 1
8 1 3 4 2 2 8 3 4 2
'x 3 1 1 2 1 96 , ' y 3 3 1 2 1 0,
2 3 4 2 2 4 2 4 2 2
3 1 1 2 3 1 3 1 2 3
1 2 1 4 1 1 2 3 1 1
2 1 8 4 2 2 1 3 8 2
'z 3 1 3 2 1 96 , 'u 3 1 1 3 1 96 ,
4 3 2 2 2 4 3 4 2 2
1 1 3 2 3 1 1 1 3 3
1 2 3 4 1 1 2 3 4 1
2 1 3 4 8 2 1 3 4 2
'w 3 1 1 2 3 48 , ' 3 1 1 2 1 48 .
4 3 4 2 2 4 3 4 2 2
1 1 1 2 3 1 1 1 2 3
A continuacin reemplazamos en cada una de las variables, y obtenemos la solucin
general:
' x 96 'y 0 ' z 96 'u 96
x 2, y 0, z 2 , u 2 ,
' 48 ' 48 ' 48 ' 48
' w 48
w 1.
' 48
EJ E M P L O 4.2.12
Analizar segn los parmetros dados y solucionar los siguientes sistemas de
ecuaciones lineales:
(5a 1) x 2 ay (4 a 1) z 1 a ax ay ( a 1) z a
a.- (4 a 1) x ( a 1) y (4 a 1) z 1 ; b.- ax ay ( a 1) z a .
2(3a 1) x 2 ay (5a 2) z 2 a ( a 1) x ay (2 a 3) z 1
SO L U C I O N
a.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
5a 1 2a 4a 1
4a 1 a 1 4a 1 a 3 a
2(3a 1) 2 a 5a 2
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
az0
a3 a z 0 a(a2 1) z 0 a(a 1)(a + 1) z 0 a z 1
a z 1
por lo tanto a \ {-1, 0, 1}. Cuando a = -1:
1 1 1 1 1 1 3 1
a c c d | 0 0 2 2
2 2 2 2 1 1 4 1
a c c d
EJ E M P L O 4.2.13
Analizar segn los parmetros dados y solucionar los siguientes sistemas de
ecuaciones lineales:
ax (2 a 1) y ( a 2) z 1
a.- ( a 1) y ( a 3) z 1 a ;
ax (3a 2) y (3a 1) z 2 a
2( a 1) x 3 y az a 4
b.- (4 a 1) x ( a 1) y (2 a 1) z 2 a 2 .
(5a 4) x ( a 1) y (3a 4) z a 1
SO L U C I O N
a.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
a 2a 1 a 2
0 a 1 a 3 a 3 a 2 2a
a 3a 2 3a 1
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
az0
a3 + a2 2a z 0 a(a2 + a 2) z 0 a(a 1)(a + 2) z 0 a z 1
a z 2
por lo tanto a \ {-2, 0, 1}. Cuando a = -2:
2 5 0 0 2 5 0 0 2 5 0 0
0 3 5 1 | 0 3 5 1 | 0 3 5 1
2 8 5 4 0 3 5 4 0 0 0 5
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = -2, el sistema es inconsistente. Cuando a = 0:
1 1 1 1 0 1 2 1 0 1 2 1
a c c d | 0 0 5 0 | 0 0 5 0
2 2 2 2 0 0 3 0 0 0 0 0
a c c d
podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando
a = 0, el sistema es indeterminado. Cuando a = 1:
1 1 3 1 1 1 3 1 1 1 3 1
0 0 2 2 | 0 0 2 2 | 0 0 2 2
1 1 4 1 0 0 1 0 0 0 0 2
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = 1, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
debemos encontrar la inversa de la matriz de coeficientes y luego multiplicamos el
sistema A X = B a la izquierda por A -1, para obtener el vector solucin X = A -1 B:
9a 7 3a 2 5 a 3 a 2 8a 5 4 a 2 12 a 10
a ( a 1)( a 2) a (1 a )( a 2) a ( a 1)( a 2) 1 (1 a )( a 2)
a 3 2a 1 a 3 3a 2 3a 2
X 1 a .
( a 1)( a 2) ( a 1)( a 2) (1 a )( a 2) (1 a )( a 2)
1 1 1 2 a 2a
a2 a2 a2 a2
b.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
2( a 1) 3 a
4 a 1 a 1 2 a 1 a 3 6 a 2 11a 6
5 a 4 a 1 3a 4
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
a z1
a3 - 6a2 + 11a - 6 z 0 (a 1)(a 2)(a - 3) z 0 a z 2
a z 3
por lo tanto a \ {1, 2, 3}.
Cuando a = 1:
4 3 1 5 4 3 1 5 4 3 1 5
3 2 1 4 | 0 1 1 1 | 0 1 1 1
1 2 1 0 0 5 5 5 0 0 0 0
podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando
a = 1, el sistema es indeterminado.
Cuando a = 2:
6 3 2 6 6 3 2 6
7 3 3 6 | 0 3 4 6
6 3 2 1 0 0 0 5
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = 2, el sistema es inconsistente.
Cuando a = 3:
8 3 3 7 8 3 3 7 8 3 3 7
11 4 5 8 | 0 1 12 13 | 0 1 12 13
11 4 5 2 0 1 12 61 0 0 0 48
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = 3, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
debemos encontrar la inversa de la matriz de coeficientes y luego multiplicamos el
sistema A X = B a la izquierda por A -1, para obtener el vector solucin X = A -1 B:
a 1 a 6 a 2 5a 3 2 a 2 4 a 15
( a 1)( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3) a 4 ( a 2)( a 3)
2a a4 3a 2
a 18
X 2 a 2
(1 a )( a 2) ( a 1)( a 3) (1 a )( a 2)( a 3) ( a 2)( a 3)
a 1 2
a 1 2a 7 2 a 2 8a 5 3a 3a 21
(1 a )( a 2) (1 a )( a 3) ( a 1)( a 2)( a 3) (2 a )( a 3)
EJ E M P L O 4.2.14
Analizar segn los parmetros dados y solucionar los siguientes sistemas de
ecuaciones lineales:
x ay a 2 z a 3 x yz 1
2 3
a.- x by b z b ; b.- ax by cz d .
2 3 2 2 2 2
x cy c z c a x b y c z d
SO L U C I O N
a.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
1 a a2
1 b b2 ( a b)( a c )( c b)
2
1 c c
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
b z a
(a b)(a c)(c - b) z 0 c z a a z b z c
b z c
Cuando a = b:
1 b b 2 b3 1 b b 2 b3
1 b b b | 0 0 0
2 3
0
1 c c 2 c 3 1 0 bc bc (b c )
podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando
a = b, el sistema es indeterminado.
Cuando a = c:
1 c c 2 c 3 1 c c 2 c3
1 b b 2 b3 | 1 0 bc bc (b c )
1 c c 2 c 3 0 0 0 0
podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando
a = c, el sistema es indeterminado.
Cuando b = c:
1 a a 2 a 3 1 0 ac ac ( a c )
1 c c 2 c 3 | 1 c c 2 c3
1 c c 2 c 3 0 0 0 0
podemos observar que el Rang(A) = 2 y el Rang(A B) = 2. Por lo tanto, cuando
b = c, el sistema es indeterminado.
Para solucionar el sistema de ecuaciones lineales, debemos encontrar la inversa de la
matriz de coeficientes y luego multiplicamos el sistema A X = B a la izquierda por
A -1, para obtener el vector solucin X = A -1 B:
bc ac ab
( a b )( a c ) ( a b )( c b ) ( a c )(b c ) a3 abc
bc ac a b 3
X b ab ac bc .
( a b )( c a ) ( a b )(b c ) ( a c )( c b ) 3 a b c
1 1 1 c
( a b)( a c ) ( a b)( c b) ( a c )(b c )
b.- El primer paso es calcular el determinante de la matriz de coeficientes del
sistema:
1 1 1
a b c ( a b)( a c )(c b)
a 2 b2 c 2
Para que el sistema de ecuaciones lineales tenga solucin nica, el determinante de la
matriz de coeficientes debe ser diferente de cero:
b z a
(a b)(a c)(c - b) z 0 c z a a z b z c.
b z c
Cuando a = b:
1 1 1 1 1 1 1 1 1 1 1 1
b b c d |
0 0 b c b d |
0 0 b c b d
2 2 2 2 2 2 2 2 0 0 0 ( c d )( b d )
b b c d 0 0 b c b d
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = b, el sistema es inconsistente.
Cuando a = c:
1 1 1 1 1 1 1 1 1 1 1 1
c b c d | 0 c b 0 c d | 0 c b 0 cd
2 2 2 2 2 2 2 2 0 0 0 (b d )( c d )
c b c d 0 c b 0 c d
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
a = c, el sistema es inconsistente.
Cuando b = c:
1 1 1 1 1 1 1 1
a c c d | 0 a c a c a d
2 2 2 2 2 2
a c c d 0 a c a2 c2 a2 d 2
1 1 1 1
0 a c a c ad
0
0 0 ( c d )( a d )
podemos observar que el Rang(A) = 2 y el Rang(A B) = 3. Por lo tanto, cuando
b = c, el sistema es inconsistente. Para solucionar el sistema de ecuaciones lineales,
debemos encontrar la inversa de la matriz de coeficientes y luego multiplicamos el
sistema A X = B a la izquierda por A -1, para obtener el vector solucin X = A -1 B:
bc bc 1 (b d )(c d )
( a b)( a c ) ( a b)( c a ) ( a b)( a c ) 1 ( a b)( a c )
ac ac 1 ( a d )(d c )
X d .
( a b)( c b) ( a b)(b c ) ( a b)( c b) 2 ( a b)(b c )
ab a b 1 d ( a d )(b d )
( a c )(b c ) ( a c )( c b) ( a c )(b c ) ( a c )(b c )
I V. M E T O D O D E C H O L ESK Y
Los mtodos numricos se usan principalmente en aquellos problemas para los que
se sabe que la convergencia es rpida, de modo que se obtiene la solucin con mucho
menos trabajo que con un mtodo directo, y para sistemas de orden grande pero con
muchos coeficientes cero, para los cuales los mtodos de eliminacin seran
relativamente laboriosos y necesitaran mucha memoria en un computador. Los
mtodos de clculo numrico tienen un gran inters en ciertas aplicaciones de las
Matemticas a la resolucin de problemas en variadas reas de la ingeniera, y entre
aquellos mtodos destacan los que hacen referencia a la resolucin de sistemas de
ecuaciones lineales.
EJ E M P L O 4.2.15
Resuelva el siguiente sistema de ecuaciones lineales
x 2 y 3z 14
2 x 3 y 4 z 20 .
3x 4 y z 14
SO L U C I O N
La matriz A de coeficientes del sistema es simtrica. Esto implica que L = U T y
pueden determinarse los elementos de U a partir de
1 2 3 a11 0 0 a11 a12 a13
2 3 4 a
12 a 22 0 0 a22 a23
3 4 1 a a33
13 a23 a33 0 0
multiplicando e igualando los elementos correspondientes. Sucesivamente se obtiene
1 2 3 a11
2
a11 a12 a11 a13
2 2
2 3 4 a11 a12 a12 a22 a12 a13 a22 a23
3 4 1 2 2 2
a11 a13 a12 a13 a22 a23 a13 a23 a33
2
a11 1, a11 a12 2, a11 a13 3 a11 1, a12 2
2 2
a11 a12 2, a12 a22 3, a12 a13 a22 a23 4 a13 3, a22 i .
a
23 2i , a33 2i
2 2 2
a11 a13 3, a12 a13 a22 a23 4, a13 a 23 a33 1
De aqu que L C = B tiene la forma
1 0 0 c1 14 c1 14
2 i 0 c2 20 c2 8i
3 2i 2i c 14 c 6i
3 3
Ahora se resuelve
1 2 3 x1 14 x1 1
0 i 2i x2 8
i x2 2 .
0 0 2i x 6i x 3
3 3
V. M E T O D O D E G A USS - SE I D E L
EJ E M P L O 4.2.16
Utilizando el mtodo de Gauss-Seidel y cuatro cifras significativas, solucionar los
siguientes sistemas de ecuaciones lineales:
w 0.25 x 0.25 y 0.50 4.1x 0.1y 0.2 z 0.2u 21.14
0.25w x 0.25 z 0.50 0.3x 5.3 y 0.9 z 0.1u 17.82
a.- ; b.- .
0.25 w y 0.25 z 0.25 0.2 x 0.3 y 3.2 z 0.2u 9.02
0.25 x 0.25 y z 0.25 0.1x 0.1y 0.2 z 9.1u 17.08
SO L U C I O N
a.- Se escribe el sistema en la forma
w 0.25 x 0.25 y 0.50
x 0.25w 0.25 z 0.50
(1)
y 0.25w 0.25 z 0.25
z 0.25 x 0.25 y 0.25
y se usan estas ecuaciones para la iteracin; es decir, se parte de una aproximacin a
la solucin, digamos w0 = 1, x0 = 1, y0 = 1, z0 = 1 y calculamos una aproximacin
presumiblemente mejor
w1 0.25 x0 0.25 y0 0.50 w1 0.25 0.25 0.50 1.0000
x 0.25w 0.25 z 0.50 x1 0.25 0.25 0.50 1.0000
1 1 0
(2)
y1 0.25w1 0.25 z0 0.25 y1 0.25 0.25 0.25 0.7500
z1 0.25 x1 0.25 y1 0.25 z1 0.25 (0.25)(0.7500) 0.25 0.6875
Se ve que estas ecuaciones se obtienen de las (1), sustituyendo a la derecha las
aproximaciones ms recientes. En efecto, elementos correspondientes reemplazan a
los previos tan pronto como se han calculado, de modo que en la segunda y tercera
ecuaciones se usa w1 y en la ltima ecuacin de (2) se usa x1 y y1. El siguiente paso
da
w2 0.25 x1 0.25 y1 0.50
x 0.25w 0.25 z 0.50
2 2 1
2y 0.25 w2 0.25 z1 0.25
z2 0.25 x2 0.25 y2 0.25
r 0 1 2 3 4 5 6 7
x 1.0000 1.0000 0.9062 0.8827 0.8768 0.8758 0.8751 0.8750
y 1.0000 0.7500 0.6563 0.6327 0.6268 0.8755 0.6251 0.6250
z 1.0000 0.6875 0.6405 0.6288 0.6263 0.6255 0.6250 0.6250
w 1.0000 1.0000 0.9375 0.8906 0.8788 0.8758 0.8752 0.8750
r 0 1 2 3 4 5
x 1.0000 5.0340 5.2000 5.1990 5.2000 5.2000
y 1.0000 -3.7980 -4.1650 -4.1990 -4.2000 -4.2000
z 1.0000 2.7970 2.9960 3.0000 3.0000 3.0000
u 1.0000 -1.8010 -1.7990 -1.8000 -1.8000 -1.8000
EJ E M P L O 4.2.17
Aplicar la iteracin de Gauss Seidel a los sistemas siguientes, partiendo de 1, 1, 1.
10 x y z 13 4 x 2 y z 14
a.- x 10 y z 36 ; b.- x 5 y z 10 .
x y 10 z 35 x y 8 z 20
SO L U C I O N
a.- El sistema de ecuaciones se escribe en la forma:
y z 13
x 10
x z 36
y
10
x y 35
z 10
Comenzando el proceso y ubicando todos los resultados en una tabla, obtenemos:
r 0 1 2 3 4
x 1.0000 1.5000 2.0330 2.0000 2.0000
y 1.0000 3.3500 2.9980 2.9990 3.0000
z 1.0000 3.9850 4.0030 4.0000 4.0000
2 y z 14
x 4
x z 10
y
5
x y 20
z
8
Comenzando el proceso y ubicando todos los resultados en una tabla, obtenemos:
r 0 1 2 3 4 5 6
x 1.0000 2.7500 2.1870 2.0280 2.0050 2.0010 2.0000
y 1.0000 1.6500 1.9520 1.9900 1.9980 1.9990 2.0000
z 1.0000 1.9500 1.9820 1.9970 1.9990 2.0000 2.0000
V I. M E T O D O D E J A C O BI
EJ E M P L O 4.2.18
Resuelva el siguiente sistema:
7x y 4z 8
3x 8 y 2 z 4
4x y 6z 3
Realizar los clculos con tres decimales redondeados.
SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condicin suficiente para que el proceso iterativo sea
convergente
| 7 | > | -1 | + | 4 |, | -8 | > | 3 | + | 2 | y | -6 | > | -4 | + | 1 |
r 0 1 2 3 4 5 6 7 8 9 10
x1 0.000 1,143 1,500 1,931 2,033 2,217 2,240 2,322 2,322 2,359 2,354
x2 0.000 0,500 0,804 0,768 0,883 0,848 0,904 0,881 0,910 0,895 0,911
x3 0.000 -0,500 -1,179 -1,366 -1,659 -1,708 -1,837 -1,843 -1,901 -1,896 -1,923
EJ E M P L O 4.2.19
Partiendo de 0, 0, 0, demuestre que la iteracin de Gauss Seidel converge para el
sistema siguiente
2 x y z 4
x 2 y z 4
x y 2z 4
mientras que la iteracin de Jacobi diverge.
SO L U C I O N
Aplicando el mtodo de Gauss Seidel, el sistema de ecuaciones se escribe en la
forma:
2 y z 14
x 4
x z 10
y
5
x y 20
z
8
Comenzando el proceso y ubicando todos los resultados en una tabla, obtenemos:
r 0 1 2 3 4 5 6 7 8
x 0.0000 2.0000 1.2500 1.0310 0.9882 0.9888 0.9950 0.9984 1.0000
y 0.0000 1.0000 1.1250 1.0780 1.0330 1.0100 1.0020 1.0000 1.0000
z 0.0000 0.5000 0.8125 0.9455 0.9893 1.0000 1.0010 1.0000 1.0000
EJ E M P L O 4.2.20
Resulta evidente pensar que la iteracin de Gauss Seidel es mejor que la iteracin
de Jacobi. En realidad, los mtodos no son comparables. Ilustrar este hecho,
demostrando que para el sistema
xz 2
x y 0
x 2 y 3z 0
la iteracin de Jacobi converge, mientras que la iteracin de Gauss Seidel diverge.
SO L U C I O N
Analicemos previamente si la matriz de coeficientes es estrictamente diagonal
dominante, ya que es condicin suficiente para que el proceso iterativo sea
convergente | 1 | > | 1 |, | 1 | > | 1 | y | -3 | > | 1 | + | 2 |. Podemos darnos cuenta que no
se cumple la condicin de Jacobi. Las frmulas de iteracin de Jacobi para este
sistema sern:
x ( r 1) 2 z ( r )
y ( r 1) x ( r )
1 (r)
z ( r 1) ( x 2 y( r ) )
3
Comencemos con la aproximacin inicial
x(0) y(0) z (0) 0
En la siguiente tabla se muestran las iteraciones necesarias:
r 0 1 2 3 4 5 6 7 8 9 10
x 0.0000 2.0000 2.0000 1.3330 0.0000 0.2229 1.1110 1.9250 1.4810 0.6180 0.2229
y 0.0000 0.0000 2.0000 2.0000 1.3330 0.0000 0.2229 1.1110 1.9250 1.4810 0.6180
z 0.0000 0.0000 0.6666 2.0000 1.7770 0.8886 0.0743 0.5189 1.3820 1.7770 1.1930
11 12 13 14 15 16 17 18 19 20 21 22
0.8070 1.5130 1.5820 0.9580 0.4640 0.6260 1.2060 0.7940 1.1800 0.9320 1.0770 0.9030
0.2229 0.8070 1.5130 1.5820 0.9580 0.4640 0.6260 1.2060 0.7940 1.1800 0.9320 1.0770
0.4862 0.4176 1.0420 1.5360 1.3740 0.7933 0.5180 0.8193 1.0680 0.9226 1.0970 0.9803
23 24 25 26 27 28
1.0190 0.9809 1.0580 0.9940 0.9940 0.9640
0.9030 1.0190 0.9809 1.0580 0.994 0.994
1.0190 0.9416 1.0060 1.0060 1.0360 0.9940
r 0 1 2 3 4 ...
x 0 2 0 2 0 ...
y 0 2 0 2 0 ...
z 0 2 0 2 0 ...
PR O B L E M AS
4.2.1 Cul es la condicin para que tres puntos P(a, b), 4.2.6 Hallar la ecuacin de la recta que pasa por los
Q (c, d), R(e, f) estn situados en una recta? puntos P(a, b), Q (c, d).
4.2.2 Una compaa minera trabaja en tres minas, cada 4.4.7 Un espa sabe que en un aeropuerto hay
una de las cuales produce minerales de tres clases. La es2acionados 60 aviones entre cazas y bombarderos. El
primera mina puede producir 4 Tm del mineral A, 3 Tm agente conoce adems que en el aeropuerto se han
del B y 5 Tm del C; la segunda mina puede producir 1 Tm introducido 200 cohetes para equipar a estos 60 aviones,
de cada uno de los minerales y, la tercera mina, 2 Tm del de manera que cada caza lleva 6 de dichos cohetes y cada
A, 4 Tm del B y 3 Tm del C, por cada hora de bombardero 2. Cul es el nmero de cazas y
funcionamiento. Cuntas horas se debe trabajar en cada bombarderos que hay en el aeropuerto?
mina para satisfacer los tres pedidos siguientes:
A B C 4.2.8 Escribir la ecuacin de la circunferencia que pasa
P1 19 25 25 por los puntos
P2 13 16 16 P(2, 1), Q(1, 2), R(0, 1).
P3 8 12 10
4.2.9 Cul es la condicin para que cuatro puntos
4.2.3 Determinar el valor de k, utilizando el mtodo de P(a, b), Q(c, d), R(e, f), S(m, n)
Gauss-Jordan, para que el siguiente sistema no tenga estn situados en una circunferencia?
solucin:
4 x 2 y kz 2 4.2.10 Hallar la ecuacin de la curva de segundo orden
que pasa por los puntos
yz 0 .
2x y z 3 P(0, 0), Q(1, 0), R(-1, 0), S(1, 1), T(-1, 1).
4.2.11 Hallar la ecuacin de la parbola de tercer grado
4.2.4 Plantear el sistema de ecuaciones lineales que que pasa por los puntos
permite obtener el polinomio de tercer grado que es P(1, 0), Q(0, -1), R(-1, -2), S(2, 7).
divisible por (x 3) y (x + 1) y adems tiene resto -3 y -15
al dividir respectivamente por (x 2) y (x + 2). 4.2.12 Formar la ecuacin de la esfera que pasa por los
puntos
4.2.5 Hallar el polinomio f(t) de tercer grado para el cual P(1, 0, 0), Q(1, 1, 0), R(1, 1, 1), S(0, 1, 1).
f(1) = -2, f(2) = -4, f(3) = -2, f(4) = 10.
4.2.13 Una empresa se dedica a la fabricacin de cuatro I. Se mezclan los dos tipos de materias primas
tipos de jabn. Desde la compra de materias primas utilizadas, grasa vegetal y sosa custica.
hasta la disposicin para la distribucin se realizan las II. Se introduce la mezcla obtenida en unos moldes
siguientes fases: preparados para el efecto.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
SISTEMAS DE ECUACIONES LINEALES 181
III. Los bloques obtenidos en la fase anterior se cortan Los recursos necesarios para producir los cuatro tipos
y troquelan. de jabones, por caja fabricada, vienen dados en la
IV. Las pastillas as obtenidas se envasan en cajas de siguiente tabla:
cartn de doscientas unidades.
Si se dispone durante una semana de 1970 kg de grasa seccin de troquelado, cuntas cajas de jabones de
vegetal, 970 de sosa custica, 601 hora/mquina en la cada tipo se pueden producir, utilizando todos los
seccin de moldeados y de 504 horas/mquina en la recursos disponibles, en una semana?
4.2.14 Resolver mediante el mtodo de eliminacin de Gauss-Jordan los siguientes sistemas de ecuaciones:
x 3y z 1 2x y z 8 4 x 5 y 6 z 3 2 x y 6 z 3
a.- 2 x 2 y z 0 ; b.- 5 x 3 y 2 z 3 ; c.- 8 x 7 y 3 z 9 ; d.- x 3 y 2 z 5 ;
5 x 6 y 3z 2 7 x y 3z 20 7 x 8 y 9 z 6 x y 4z 1
5 x 3z 4(1 y ) x 5 y 2 z 3 2 x y 3z 1 7 x 4 y 3z 3
e.- 2( z 2 x) 8 y ; f.- 2 x 8 y z 1 ; g.- x 5 y 2 z 4 ; h.- 4 x 3 y z 1 ;
2 y 3x 14 z 3x 3 y 5 z 5 3x 5 y 7 z 2 6 x 7 y 3 z 6
x y 3z 0 2 x y 5 z 2 x 9 y 6z 8 7x 9 y z 0
i.- x 4 y z 1 ; j.- x 8 y 6 z 8 ; k.- x 5 y 3z 1 ; l.- 4 x 6 y 3z 1 ;
x 7 y 3z 2 x 3y z 5 5x y z 7 x 7 y 5z 2
5x 5 y 9 z 5 7 x 9 y 9 z 0 x 5 y 9z 9 x 9 y 7z 0
m.- 7 x 6 y z 3 ; n.- x 12 y 5 z 5 ; o.- 5 x 3 y 3z 0 ; p.- x 8 y 2 z 1 ;
2 x 7 y 5 z 0 3x 7 y 6 z 6 x y 3z 9 7 x 7 y 4 z 2
5 x 10 y z 5 7x 9 y z 0 x 9 y 7z 8 2x 3 y 9z 9
q.- x 9 y 3z 1 ; r.- x 9 y 7 z 1 ; s.- x 7 y 9 z 1 ; t.- 7 x 7 y 4 z 8;
9x 5 y z 5 2 x 5 y 7 z 2 x 8 y 2z 7 5 x 8 y 3z 7
5 x 5 y 7 z 7 x 9 y 7z 7 6 x 9 y 3z 3 x 9 y 7z 5
u.- 2 x 9 y 2 z 2 ; v.- 3x y 9 z 3 ; w.- 2 x 4 y 8 z 2 ; x.- x 7 y 5 z 4 .
9x 5 y 9z 9 5 x 7 y 9 z 5 7 x 9 y 5z 3 x 9 y 5z 5
4.2.15 Determine de ser posible los valores de a, para que el sistema de ecuaciones lineales tenga solucin nica, tenga
ms de una solucin, no tenga solucin y encuentre la solucin general del sistema en trminos de a :
2 x 3 y az 1 ax 2 ay z 2 x y ( a 1) z 1
a.- ax y z 1 ; b.- x y az a ; c.- x ( a 1) y z 1 ;
x y az 1 2 x y az 1 ( a 1) x y z 1
( a 1) x y z 2 a 3 x ay az 1 x ay z 1
d.- ( a 1) x y z 1 ; e.- ax ay z 1 ; f.- ax y z a ;
2 x 4 y az 2 ax y az 1 x y az 1
x ( a 1) y z 1 ( a 1) x y az 1 x 3ay z 0
g.- ax y ( a 1) z 1 ; h.- x yz a ; i.- x 3 y z a ;
x yz a 3x 2 y az 1 x yz 1
4 x 3 y az a x (2 a 1) y z 1 (2 a 1) x y z 1
j.- 2 x 3 y 3z 1; k.- (2 a 1) x y z 2 ; l.- x (2 a 2) y z 1;
x y az a x y (2 a 1) z 3 x y (2 a 3) z 1
x ay 3z 2 ax y z 1 ( a 1) x y z 1
m.- x y az 3; n.- x a 2 y z 0 ; o.- ( a 2) x y z 1;
2x y z a x y az 1 ( a 3) x y z 1
ax ( a 2) y z 1 x yz 1 3ax 2 y 3z 1
p.- 2 x ( a 1) y z 1; q.- 2 x y z 1 ; r.- x 2 ay 3z 1 ;
3x ( a 1) y z 1 ax y z a x y 3az 1
( a 2) x y z 2 0.2 ax 0.1y z 0.2 x 3ay z 2
s.- x ( a 3) y z 3; t.- 0.1x 0.3 y z 0.1 ; u.- 3ax y z 1 ;
x y ( a 4) z 4 0.3x 0.4 y z 0.3 x y 3az 3
2 ax 2 y 3z 1 x y ( a 3) z 1 x y az a 3 a 2
v.- x 3ay z 1 ; w.- x ( a 3) y z 1 ;
x.- x y z a 2 a .
x y 4 z 1 ( a 3) x y z 1
x y az a
4.2.16 Determine de ser posible los valores de a y b, para que el sistema de ecuaciones lineales tenga solucin nica,
tenga ms de una solucin, no tenga solucin y encuentre la solucin general del sistema en trminos de a y b:
ax y z 4 ax by z 1 bx ( a 1) y z 1 (2b 1) x y z 1
a.- x by z 3 ; b.- x aby z b ; c.- ax y ( a 1) z 1 ; d.- x (2b 1) y z b ;
x 2by z 4 x by az 1 x yz a x y (2b 1) z 1
ax y z b x ay z b x y (b 1) z 1 x (2 a 1) y z 1
e.- x ay z c; f.- bx y z a; g.- x ( a 1) y z b ; h.- (2 a 1) x y z b;
x y az d x yz 1 (b 1) x y z 1 x y (2b 1) z 3
x by az 1 x 3 y bz 0 2bx 2 y 3z 1 ax (b 2) y z 1
i.- bx ay z 1 ; j.- x by z a ; k.- x 3ay z b ; l.- bx ( a 1) y z 1;
ax y az b x yz b x by 4 z 1 3x (b 1) y z 1
x by az 2 bx 3 y bz b (b 1) x y z 1 0.2bx 0.1y z 0.2
m.- bx y z 3 ; n.- 2 x by 3z 1 ; o.- ( a 2) x y z b ; p.- 0.1x 0.3by z 0.1 ;
2x y z 1 x y az a (b 3) x y z 1 0.3x 0.4 y az 0.3
bx y z 1 ax y z b bx 3 y az 1 x y ( a 3) z b
q.- x a 2 y z b ; r.- x by z 3 ; s.- ax by z 1 ; t.- x (b 3) y z 1 ;
x y bz 1 x y az b bx y az b ( a 3) x y z 1
x yz b x 3ay az 2 3ax 2 y 3z b x y z b3 b 2
u.- bx y z 1 ; v.- 3bx y z b ; w.- bx 2 ay 3z 1 ;
x.- x y z a 2 a .
ax by z a x y 3z 3 x y 3bz 1
x yz b
4.2.17 Solucionar los siguientes sistemas de ecuaciones lineales utilizando un mtodo numrico:
3.2 x 5.4 y 4.2 z 2.2u 2.6 7.9 x 5.6 y 5.7 z 7.2w 6.68
2.1x 3.2 y 3.1z 1.1u 4.8 8.5 x 4.8 y 0.8 z 3.5w 9.95
a.- ; b.- ;
1.2 x 0.4 y 0.8 z 0.8u 3.6 4.3x 4.2 y 3.2 z 9.3w 8.6
4.7 x 10.4 y 9.7 z 9.7u 8.4 3.2 x 1.4 y 8.9 z 3.3w 1
4.2.18 Resolver mediante el mtodo de eliminacin de Gauss-Jordan los siguientes sistemas de ecuaciones:
x y z u 2 x y z u 1 2 x y 2 z u 0
x y 3z u 1 x y z u 2 x y 3z 3u 1
a.- ; b.- ; c.- ;
x y 2 z 2u 1 2 x y 2 z u 1 3x y 3z u 0
3 x y z u 1 x 2 y z 2u 2 x y z 3u 1
2x 3 y z u 0 x 2 y z 2u 0 x y z 3u 3
3 x 2 y 5 z u 1 x 3y z u 1 x y 3z u 2
d.- ; e.- ; f.- ;
x 3 y 2z u 0 3 x y z 2u 0 x 3y z u 1
x y 2 z 3u 1 x y 2 z u 1 3 x y z u 1
3x y 2 z u 1 5 x y 3z u 2 2 x 2 y 3z 3u 1
x 3y z u 2 x 3 y 2 z u 2 2 x 2 y z 2u 1
g.- ; h.- ; i.- ;
x y 3z u 1 3x 2 y z 2u 1 x 3 y 2 z 3u 1
x y z 3u 1 x y 2 z u 1 x 3 y z 2u 1
x 2 y 3z u 3 4x 3 y 2z u 1 3x y 3z u 3
2 x 3 y 2 z u 1 5 x 4 y 3 z u 2 2x 3 y 2z u 1
j.- ; k.- ; l.- ;
x 2 y 3z u 2 x 4 y 5 z 2u 1 3 x 2 y z 3u 2
2 x 3 y z 2u 1 2 x y 2 z 3u 2 4 x 3 y z 3u 4
x 2 y z 3u 5 x 3 y z 2u 1 5 x 3 y z 2u 1
x 2 y 3z 2u 3 x 2 y 2 z 2u 1 4 x 3 y 2 z 2u 2
m.- ; n.- ; o.- ;
3x y 2 z u 1 x 2 y 3z u 2 3x 2 y 3z 3u 3
x y 3z 2u 2 x 3 y z u 3 2 x y z 4u 4
3x 5 y 7 z u 4 x 7 y 5 z 3u 5 7 x 12 y 4 z 3u 5
x 7 y 5 z 3u 3 4 x y 3z 2u 2 3x 7 y 5 z 4u 2
p.- ; q.- ; r.- ;
2 x 7 y 4 z u 2 5 x 3 y z 4u 3 2 x 5 y 12 z u 3
x 5 y 4 z 3u 1 x 6 y 4 z u 2 x 12 y 15 z 2u 4
2 x 4 y 5 z 6u 1 4 x 3 y z 5u 5 3 x 4 y 5 z u 4
x 3 y 3 z 4u 1 x 10 y z 3u 2 x 5 y 6 z 2u 1
s.- ; t.- ; u.- .
3x y 2 z 3u 3 4 x 2 y 5 z u 3 2 x 4 y 4 z u 3
x 4 y 2 z 5u 2 x 5 y 3z 2u 1 x 5 y 5 z 3u 2
4.3 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
4.3.1 Si las matrices aumentadas de dos sistemas de 4.3.4 Si A es una matriz de orden m x n, entonces, para
ecuaciones lineales son equivalentes por filas, entonces los cada B m, entonces el sistema de ecuaciones A X = B
dos sistemas tienen el mismo conjunto solucin. tiene un nmero indeterminado de soluciones.
4.3.8 Para que un sistema homogneo de n ecuaciones 4.3.7 Para que un sistema homogneo de ecuaciones
lineales con n incgnitas tenga soluciones no nulas es lineales sea inconsistente, es necesario y suficiente que el
necesario y suficiente que el determinante de la matriz de rango de la matriz de coeficientes sea menor que el
coeficientes sea diferente de cero. nmero de variables.
4.3.10 La solucin general de un sistema no homogneo 4.3.9 Cualquier combinacin lineal de unas soluciones
de ecuaciones lineales es igual a la suma de la solucin de un sistema homogneo de ecuaciones lineales ser
general del sistema homogneo asociado y de una solucin tambin una solucin del mismo.
cualquiera, pero fija, del sistema no homogneo.
4.3.2 Un sistema de ecuaciones lineales es consistente si
4.3.6 Para que un sistema no homogneo de ecuaciones y slo si la columna del extremo derecho de la matriz
lineales sea inconsistente, es necesario y suficiente que el aumentada es una columna pivote.
rango de la matriz de coeficientes sea igual al rango de la
matriz aumentada. 4.3.3 El sistema de ecuaciones A X = B tiene solucin
nica si y slo si B es una combinacin lineal de las
4.3.5 Un sistema homogneo de ecuaciones lineales tiene columnas de A.
un nmero indeterminado de soluciones si, y slo si el
sistema tiene por lo menos una variable libre.
Resolver problemas relacionados con los espacios vectoriales reales o complejos, interpretndolos como una
estructura algebraica, utilizando matrices, determinantes, rango e inversa y sistemas de ecuaciones lineales, en
situaciones reales, propias de la ingeniera.
C O NT ENID O:
5.1 ESP A C I OS V E C T O R I A L ES
En esta seccin se generalizar el concepto de vector. Se enunciar un conjunto de axiomas que, si una clase
de objetos hace que se cumplan, permitir denominar vectores a esos objetos. Los axiomas se elegirn abstra-
yendo las propiedades ms importantes de los vectores en n. El trabajo desarrollado en esta seccin es muy
til, ya que proporciona una herra mienta poderosa para extender la representacin geomtrica a una a mplia
variedad de problemas matemticos importantes en los que de otra forma no se contara con la intuicin geo-
mtrica.
Se conoce que en realidad detrs de los vectores estn los objetos fsicos bien
reales. Por esto, la investigacin detallada de la estructura de los conjuntos repre-
senta inters por lo menos para la fsica. Hay una tentacin, originada por la sen-
cillez de los conjuntos citados, que conduce al deseo de estudiarlos apoyndose
slo en las peculiaridades concretas de los elementos. Sin embargo, no podemos
sino observar el hecho de que dichos conjuntos tienen mucho en comn, razn
por la cual parece racional comenzar su estudio partiendo de ciertas posiciones
generales, abrigando esperanza, por lo menos, que tendremos xito en evitar repe-
ticiones fastidiosas y montonas al pasar de la investigacin de un conjunto a la
del otro.
D E F I N I C I O N 5.1.1
Sea V un conjunto cualesquiera no vaco de elementos sobre el que estn
definidas dos operaciones: la adicin y la multiplicacin por escalares.
Por adicin se entiende una regla que asocia a cada par de elementos u y
v en V un elemento u + v denominado suma de u y v; por multiplicacin
escalar se entiende una regla que asocia a cada escalar D y cada elemento
u en V un elemento Du, denominado mltiplo escalar de u por D. Si los
elementos u, v, w en V y los escalares D y E satisfacen los axiomas si-
guientes, entonces V se denomina espacio vectorial, y sus elementos se
denominan vectores:
1.- Si u, v estn en V, entonces u + v est en V.
2.- Si u, v estn en V, entonces u + v = v + u.
3.- Si u, v, w estn en V, entonces u + (v + w) = (u + v) + w.
4.- Existe un nico elemento en V, denominado vector cero de V, tal
que se cumple que + u = u + = u para todo u en V.
5.- Para todo u en V existe un elemento -u en V, denominado opuesto
de u, tal que se cumple u + (-u) = (-u) + u = .
6.- Si D es cualquier escalar y u es cualquier elemento en V, entonces
Du est en V.
7.- Si u, v estn en V y D es un escalar, entonces D(u + v) = Du + Dv.
8.- Si u est en V y D, E son escalares, entonces (D + E)u = Du + Eu.
9.- Si u est en V y D, E son escalares, entonces D(Eu) = (DE)u.
10.- Si u est en V y 1 es un escalar, 1u = u.
T E O R E M A 5.1.1
Sean V un espacio vectorial, u un elemento de V y a un escalar, entonces
se cumple lo siguiente:
1.- 0u = .
2.- a = .
3.- (-1)u = -u.
4.- Si au = , entonces a = 0 o u = .
D E M OST R A C I O N
1.- Se puede escribir
0u + 0u = (0 + 0)u = 0u
Por el axioma 5, el vector 0 u tiene un negativo: -0u. Al sumar este negativo a
ambos miembros de la ltima expresin se obtiene
(0u + 0u) + (-0u) = 0u + (-0u)
o
0u + (0u + (-0u)) = 0u + (-0u)
0u + =
0u =
2.- Ya que a(v + ) = av + a, entonces a = .
3.- Para probar (-1)u = -u, es necesario demostrar que u + (-1)u = . Para ver
esto, obsrvese que
u + (-1)u = 1u + (-1)u = (1 + (-1))u = 0u = .
4.- Efectivamente, si la igualdad au = se realiza, puede haber una de las dos
posibilidades: o bien a = 0 o bien a z 0. El caso a = 0 confirma la afirmacin. Sea
ahora, a z 0. En este caso
1 1 1
u 1 u a u ( au ) = .
a a a
E J E M P L O 5.1.1
Considrese las funciones f : o . Dentro del conjunto de todas estas funciones
est el subconjunto que consiste en todas las funciones f derivables dos veces que
satisfacen a la ecuacin diferencial f + f = 0, donde cada signo de prima indica
derivacin. Por supuesto, f es nuevamente una funcin de en . Podemos
afirmar que el subconjunto () formado por todas las funciones f que satisfacen la
ecuacin diferencial, es un espacio vectorial sobre , donde utilizamos las mismas
operaciones de suma y producto por escalares en este subconjunto que en ().
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
188 ESPACIOS VECTORIALES
SO L U C I O N
Verifquense los axiomas (1) y (6). Para hacerlo con (1), hemos de demostrar que si
las funciones f y g satisfacen ambas la ecuacin diferencial, entonces tambin la
satisfar f + g. Pero esto es trivial, puesto que de f + f = 0 y g + g = 0 obtenemos
fcilmente (f + g) + (f + g) = 0. De forma anloga, si D es un nmero real, entonces
de f + f = 0 se halla que (Df) + (Df) = 0. Por tanto, tambin es satisfecho el
axioma (6). Los otros axiomas automticamente se cumplen.
E J E M P L O 5.1.2
Determine cules de los conjuntos siguientes constituyen espacios vectoriales:
a.- En (-f; f), los polinomios de grado mayor o igual que 2;
b.- En (-f; f), los polinomios que tienen un cero en x = 2.
SO L U C I O N
a.- Tenemos que analizar el conjunto
S = {p(t) P / p(t) = a2t2 + a3t3 + ... + antn, donde a2, a3, ..., an }.
A continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si p1, p2 estn en S, entonces p1 + p2 estn en S. Es decir:
(p1 + p2)(t) = p1(t) + p2(t) = (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 an + bn)tn = c2t2 + c3t3 + cntn S.
2.- Si p1, p2 estn en S, entonces p1 + p2 = p2 + p1. Es decir:
(p1 + p2)(t) = p1(t) + p2(t)
= (a2t2 + a3t3 + ... + antn) + (b2t2 + b3t3 + ... + bntn)
= (a2 + b2)t2 + (a3 + b3)t3 an + bn)tn
= (b2 + a2)t2 + (b3 + a3)t3 bn + an)tn
= p2(t) + p1(t)
= (p2 + p1)(t).
3.- Si p1, p2, p3 estn en S, entonces p1 + (p2 + p3) = (p1 + p2) + p3. Es decir:
[p1 + (p2 + p3)](t) = p1(t) + [p2(t) + p3(t)]
= (a2t2 + a3t3 + ... + antn) + [(b2 + c2)t2 bn + cn)tn]
= (a2 + b2 + c2)t2 + (a3 + b3 + c3)t3 an + bn + cn)tn]
= [(a2 + b2) + c2]t2 + [(a3 + b3) + c3]t3 >an + bn) + cn]tn
= [(a2 + b2)t2 + (a2 + b2)t2 an + bn)tn] + (c2t2 + c3t3 + ... + cntn)
= [p1(t) + p2(t)] + p3(t) = [(p1 + p2) + p3](t).
4.- Existe un nico elemento p en S, denominado vector cero de S, tal que se
cumple que p + p = p + p = p para todo p en S. Es decir:
(p + p)(t) = p(t) + p(t)
= (0t2 + 0t3 + ... + 0tn) + (a2t2 + a3t3 + ... + antn)
= (0 + a2)t2 + (0 + a3)t3 an)tn
= a2t2 + a3t3 + ... + antn = p(t).
5.- Para todo p en S existe un elemento p en S, denominado opuesto de p, tal
que se cumple p + (-p) = (-p) + p = p. Es decir:
[p + (-p)](t) = p(t) + [-p(t)]
= (a 2t2 + a 3t3 + ... + a ntn) + (- a 2t2 - a 3t3 - ... - a ntn)
= (a 2 - a 2)t2 + ( a 3 a 3)t3 a n - a n)tn
= 0t2 + 0t3 + 0tn = p(t).
6.- Si D es cualquier escalar y p es cualquier elemento en S, entonces Dp est en
S. Es decir:
(Dp)(t) = Dp(t)
= D(a2t2 + a3t3 + ... + antn)
= (Da2)t2 + (Da3)t3 + ... + (Dan)tn
= b2t2 + b3t3 + ... + bntn S.
7.- Si p1, p2 estn en S y D es un escalar, entonces D(p1 + p2) = Dp1 + Dp2. Es
decir:
[D(p1 + p2)](t) = D[p1(t) + p2(t)]
= D[(a2 + b2)t2 + (a3 + b3)t3 an + bn)tn]
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 189
EJ E M P L O 5.1.3
Determine cules de los conjuntos siguientes constituyen espacios vectoriales:
a.- Todas las f en C 2[0; 1] tales que f (x) = x2f(x);
b.- Todas las f en C(-1; 1), tales que f es montona y estrictamente creciente.
SO L U C I O N
a.- En este caso tenemos que S = {f F / f (x) = x2f(x)}. A continuacin
comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2g(x) S.
2.- Si f1, f2 estn en S, entonces f1 + f2 = f2 + f1. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) = x2f1(x) + x2f2(x) = x2[f1 + f2](x) = x2[f2 + f1](x)
= x2f2(x) + x2f1(x) = (f2 + f1)(x).
3.- Si f1, f2, f3 estn en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[f1 + (f2 + f3)](x) = f1(x) + (f2 + f3)(x) = x2f1(x) + x2(f2 + f3)(x)
= x2f1(x) + x2f2(x) + x2f3(x) = x2(f1 + f2)(x) + x2f3(x)
= (f1 + f2)(x) + f3(x) = [(f1 + f2) + f3](x).
4.- Existe un nico elemento f en S, denominado funcin cero de F, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
[ f + f](x) = f (x) + f (x) = + x2f(x) = x2f(x) + = x2f(x) = f (x).
5.- Para todo f en S existe un elemento f en S, denominado opuesto de f, tal que
se cumple f + (-f) = (-f) + f = f. Es decir:
[f + (-f)](x) = f (x) f (x) = x2f(x) - x2f(x) = x2(f f)(x) = x2f(x) = f (x).
6.- Si D es cualquier escalar y f es cualquier elemento en S, entonces Df est en
S. Es decir:
(Df)(x) = Df (x) = D[x2f(x)] = x2[Df(x)] = x2g(x) S.
7.- Si f1, f2 estn en S y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
D(f1 + f2)(x) = Df1(x) + Df2(x) = D[x2f1(x)] + D[x2f2(x)]
= Dx2f1(x) + Dx2f2(x) = Df1(x) + Df2(x).
8.- Si f est en S y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:
(D + E)f (t) = (D + E)x2f(x) = Dx2f(x) + Ex2f(x) = Df (x) + Ef (x).
9.- Si f est en S y D, E son escalares, entonces D(E f) = (DE)f. Es decir:
D(E f)(x) = D[E f (x)] = D[Ex2f(x)] = DEx2f(x) = (DE)x2f(x) = (DE)f (x).
10.- Si f est en S y 1 es un escalar, 1f = f. Es decir:
1f (x) = 1x2f(x) = x2f(x) = f (x).
Como se prueban todos los axiomas, entonces S es un espacio vectorial.
b.- En este caso tenemos que S = {f / f (x) > 0}. A continuacin comprobamos
los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) > 0 + 0 = 0 S.
2.- Si f1, f2 estn en S, entonces f1 + f2 = f2 + f1. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) > 0 + 0 = f2(x) + f1 = (f2 + f1)(x).
3.- Si f1, f2, f3 estn en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[f1 + (f2 + f3)](x) = f1(x) + (f2 + f3)(x) > 0 + (0 + 0) = (0 + 0) + 0
= (f1 + f2)(x) + f3(x) = [(f1 + f2) + f3](x).
4.- Existe un nico elemento f en S, denominado funcin cero de S, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
( f + f)(x) = f (x) + f (x).
Como la primera derivada de la funcin nula es igual a cero, entonces la funcin nula
no pertenece al conjunto S. Entonces, S no tiene estructura de espacio vectorial.
EJ E M P L O 5.1.4
Determine cules de los conjuntos siguientes constituyen espacios vectoriales:
a.- El conjunto de las funciones diferenciables en [a; b];
b.- El conjunto de todas las funciones con derivada segunda en [0; 1].
SO L U C I O N
f ( x h) f ( x )
a.- En este caso tenemos que S f F / f ( x) lim , a d x d b .
h o0 h
A continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1 ( x h) f1 ( x) f ( x h) f 2 ( x )
lim lim 2
h o0 h h o 0 h
f1( x) f 2 ( x) S.
2.- Si f1, f2 estn en S, entonces f1 + f2 = f2 + f1. Es decir:
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
[ f 2 ( x h) f 2 ( x)] [ f1 ( x h) f1 ( x)]
lim
h o0 h
( f 2 f1 )( x h) ( f 2 f1 )( x)
lim
h o0 h
( f 2 f1 )( x) ( f 2 f1 )( x) .
3.- Si f1, f2, f3 estn en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[ f ( f 2 f 3 )]( x h) [ f1 ( f 2 f 3 )]( x)
[ f1 ( f 2 f 3 )]( x) lim 1
h o0 h
[ f1 ( x h) f1 ( x)] [( f 2 f 3 )( x h) ( f 2 f 3 )( x)]
lim
h o0 h
[ f1 ( x h) f1 ( x)] [ f 2 ( x h) f 2 ( x)] [ f 3 ( x h) f 3 ( x)]
lim
ho0 h
[( f1 f 2 )( x h) ( f1 f 2 )( x)] [ f 3 ( x h) f 3 ( x)]
lim
h o0 h
[( f1 f 2 ) f 3 ]( x h) [( f1 f 2 ) f 3 ]( x)
lim
h o0 h
[( f1 f 2 ) f 3 ]( x) .
4.- Existe un nico elemento f en S, denominado funcin cero de S, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
( f f )( x h) ( f f )( x)
( f f )( x) lim
h o0 h
[ f ( x h) f ( x)] [ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x ) f ( x h) f ( x )
lim lim
h o0 h h o0 h
0 f ( x) f ( x) .
5.- Para todo f en S existe un elemento f en S, denominado opuesto de f, tal que
se cumple f + (-f) = (-f) + f = f. Es decir:
[ f ( f )]( x h) [ f ( f )]( x)
[ f ( f )]( x) lim
h o0 h
( f f )( x h) ( f f )( x)
lim
h o0 h
f ( x h) f ( x )
lim f ( x )
h o0 h
6.- Si D es cualquier escalar y f es cualquier elemento en S, entonces Df est en
S. Es decir:
(Df )( x h) (Df )( x) f ( x h) f ( x)
(Df )( x) lim D lim Df ( x) S.
ho0 h ho0 h
7.- Si f1, f2 estn en S y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
[D( f1 f 2 )]( x h) [D( f1 f 2 )]( x)
[D( f1 f 2 )]( x) lim
h o0 h
(Df1 Df 2 )( x h) (Df1 Df 2 )( x)
lim
h o0 h
D[ f1 ( x h) f1 ( x)] D[ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1 ( x h) f1 ( x) f ( x h) f 2 ( x )
D lim D lim 2
h o0 h h o0 h
Df1( x) Df 2 ( x) .
8.- Si f est en S y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:
[(D E) f ]( x h) [(D E) f ]( x)
[(D E) f ]( x) lim
h o0 h
(Df Ef )( x h) (Df E f )( x)
lim
h o0 h
D[ f ( x h) f ( x)] E[ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x ) f ( x h) f ( x )
D lim E lim
h o0 h h o0 h
Df ( x) Ef ( x) .
9.- Si f est en S y D, E son escalares, entonces D(E f) = (DE)f. Es decir:
[D(Ef )]( x h) [D(E f )]( x) D[(Ef )( x h) (Ef )( x)]
[D(Ef )]( x) lim lim
ho0 h h o0 h
(Ef )( x h) (Ef )( x) f ( x h) f ( x)
D lim DE lim (DE) f ( x)
ho0 h ho0 h .
10.- Si f est en S y 1 es un escalar, 1f = f. Es decir:
(1 f )( x h) (1 f )( x) f ( x h) f ( x)
(1 f )( x) lim lim f ( x) .
h o0 h h o0 h
Como se prueban todos los axiomas, entonces S tiene estructura de espacio vectorial.
f ( x h) f ( x)
b.- En este caso tenemos que S f F / f ( x) lim , 0 d x d 1 .
h o0 h
A continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
( f f )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim 1 2
h o0 h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1( x h) f1( x) f ( x h) f 2 ( x)
lim lim 2 f1( x) f 2 ( x) S.
ho0 h h o 0 h
2.- Si f1, f2 estn en S, entonces f1 + f2 = f2 + f1. Es decir:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 193
( f1 f 2 )( x h) ( f1 f 2 )( x)
( f1 f 2 )( x) lim
h o0 h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)]
lim
h o0 h
[ f 2 ( x h) f 2 ( x)] [ f1( x h) f1( x)]
lim
h o0 h
( f 2 f1 )( x h) ( f 2 f1 )( x)
lim
h o0 h
( f 2 f1 )( x) .
3.- Si f1, f2, f3 estn en S, entonces f1 + (f2 + f3) = (f1 + f2) + f3. Es decir:
[ f ( f 2 f 3 )]( x h) [ f1 ( f 2 f 3 )]( x)
[ f1 ( f 2 f 3 )]( x) lim 1
h o0 h
[ f1( x h) f1( x)] [( f 2 f 3 )( x h) ( f 2 f 3 )( x)]
lim
h o0 h
[ f1( x h) f1( x)] [ f 2 ( x h) f 2 ( x)] [ f 3( x h) f 3( x)]
lim
ho0 h
[( f1 f 2 )( x h) ( f1 f 2 )( x)] [ f 3( x h) f 3( x)]
lim
h o0 h
[( f1 f 2 ) f 3 ]( x h) [( f1 f 2 ) f 3 ]( x)
lim [( f1 f 2 ) f 3 ]( x) .
ho0 h
4.- Existe un nico elemento f en S, denominado funcin cero de S, tal que se
cumple que f + f = f + f = f para toda f en S. Es decir:
( f f )( x h) ( f f )( x)
( f f )( x) lim
h o0 h
[ f ( x h) f ( x)] [ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x) f ( x h) f ( x)
lim lim
h o0 h h o0 h
0 f ( x) f ( x) .
5.- Para todo f en S existe un elemento f en S, denominado opuesto de f, tal que
se cumple f + (-f) = (-f) + f = f. Es decir:
[ f ( f )]( x h) [ f ( f )]( x)
[ f ( f )]( x) lim
h o0 h
( f f )( x h) ( f f )( x)
lim
h o0 h
f ( x h) f ( x)
lim f ( x )
h o0 h
6.- Si D es cualquier escalar y f es cualquier elemento en S, entonces Df est en
S. Es decir:
(Df )( x h) (Df )( x) f ( x h) f ( x)
(Df )( x) lim D lim Df ( x) S.
ho0 h ho0 h
7.- Si f1, f2 estn en S y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
[D( f1 f 2 )]( x h) [D( f1 f 2 )]( x)
[D( f1 f 2 )]( x) lim
ho0 h
(Df1 Df 2 )( x h) (Df1 Df 2 )( x)
lim
h o0 h
D[ f1( x h) f1( x)] D[ f 2 ( x h) f 2 ( x)]
lim
h o0 h
f1( x h) f1( x) f ( x h) f 2 ( x)
D lim D lim 2
h o0 h h o0 h
Df1( x) Df 2 ( x) .
8.- Si f est en S y D, E son escalares, entonces (D + E)f = Df + E f. Es decir:
[(D E) f ]( x h) [(D E) f ]( x)
[(D E) f ]( x) lim
h o0 h
(Df Ef )( x h) (Df Ef )( x)
lim
h o0 h
D[ f ( x h) f ( x)] E[ f ( x h) f ( x)]
lim
h o0 h
f ( x h) f ( x) f ( x h) f ( x)
D lim E lim
h o0 h h o0 h
Df ( x) Ef ( x) .
9.- Si f est en S y D, E son escalares, entonces D(E f) = (DE)f. Es decir:
[D(Ef )]( x h) [D(E f )]( x) D[(Ef )( x h) (Ef )( x)]
[D(Ef )]( x) lim lim
h o0 h h o0 h
(Ef )( x h) (Ef )( x) f ( x h) f ( x)
D lim DE lim (DE) f ( x)
ho0 h ho0 h .
10.- Si f est en S y 1 es un escalar, 1f = f. Es decir:
(1 f )( x h) (1 f )( x) f ( x h) f ( x)
(1 f )( x) lim lim f ( x) .
ho0 h ho0 h
Como se prueban todos los axiomas, entonces S es un espacio vectorial.
EJ E M P L O 5.1.5
Verifique que los conjuntos siguientes de funciones no son espacios vectoriales:
a.- El conjunto de todas las funciones f diferenciables en [0; 1] tales que f = f 1;
b.- El conjunto de todas las funciones f en [0; 2] con la propiedad que x d~f(x)~ en
0 d x d 2;
SO L U C I O N
a.- En este caso tenemos que S = {f F / f (x) = f(x) - 1, 0 d x d 1}. A
continuacin comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
(f1 + f2)(x) = f1(x) + f2(x) = [f1(x) 1] + [f2(x) 1] = (f1 + f2)(x) 2 S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
b.- En este caso tenemos que S = {f F / ~f(x)~ t x, 0 d x d 2}. A continuacin
comprobamos los 10 axiomas de la definicin de espacio vectorial:
1.- Si f1, f2 estn en S, entonces f1 + f2 estn en S. Es decir:
~(f1 + f2)(x)~ = ~f1(x) + f2(x)~ d ~f1(x)~ + ~f2(x)~ = x + x = 2x S.
Como no se cumple el primer axioma, entonces S no tiene estructura de espacio
vectorial.
EJ E M P L O 5.1.6
Determine cules de los conjuntos siguientes constituyen espacios vectoriales:
a.- S consiste en todas las soluciones de y - 8xy = 0, con la suma de funciones y la
multiplicacin de una funcin por un escalar usuales;
b.- V consta de todas las funciones reales y continuas definidas en [0; 1] tales que
1
0 f ( x) dx 0 , con la suma de funciones y la multiplicacin de una funcin por un
escalar usuales.
SO L U C I O N
a.- En este caso tenemos que S = {y F / y - 8xy = 0}. A continuacin
7.- Si f1, f2 estn en V y D es un escalar, entonces D(f1 + f2) = Df1 + Df2. Es decir:
1 1 1 1
0 [D( f1 f 2 )]( x) dx 0 (Df1 Df 2 )]( x) dx 0 Df1 ( x) dx 0 Df 2 ( x) dx
1 1
D f1 ( x) dx D f 2 ( x) dx D 0 D 0 0
0 0
PR O B L E M AS
5.1.1 Demustrese que el conjunto compuesto solamente 5.1.5 Sea n un entero positivo. Sea n el conjunto de
por el nmero 0 es un espacio vectorial, con las reglas todos los polinomios con coeficientes reales y de grado
habituales de la adicin y la multiplicacin de nmeros. n, con la suma de polinomios y la multiplicacin de un
polinomio por un escalar usuales. Demuestre que n no
5.1.2 Sea P m el conjunto de todos los polinomios con es un espacio vectorial. Qu condiciones de la defini-
coeficientes reales y de grado d m. Demuestre que P m es cin fallan?
un espacio vectorial, con la suma de polinomios y la
multiplicacin de un polinomio por un escalar usuales. 5.1.6 Demustrese que cada uno de los conjuntos si-
guientes de funciones es un espacio vectorial:
5.1.3 V consta de todas las funciones reales y continuas a.- Todos los polinomios a 0 + a 1x2 a kx2k que no
definidas en >0; 1@ tales que f(1) =1, con la suma de fun- contienen trminos de grado impar.
ciones y la multiplicacin de una funcin por un escalar b.- Todas las funciones continuas en >0; 1@ que tienen
usuales. Muestre que V no es un espacio vectorial. un cero en 1.
c.- Todas las funciones definidas en >0; 1@ cuyos lmites
5.1.4 m consiste en todos los polinomios con coefi- existen cuando x o 0+.
cientes reales. Demuestre que m es un espacio vecto- d.- Todas las combinaciones lineales de Cosx, Cos2x,
rial, con la suma de polinomios y la multiplicacin de un Cos3x, con dominio - f < x < + f.
polinomio por un escalar usuales.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 197
e.- El conjunto de los polinomios reales que tienen a r i f.- El conjunto de todos los polinomios cuadrticos,
como ceros. lineales y constantes en x, con la adicin y multiplica-
f.- El conjunto de los polinomios reales que son divisi- cin usuales.
bles entre x2 + x + 1.
g.- El conjunto de todas las funciones en >0; 10@ que 5.1.10 De los conjuntos de funciones que se dan a con-
valen cero en >2; 3@. tinuacin, todas definidas en 0 < x < f, cules constitu-
h.- El conjunto de todas las funciones f en >0; 1@ con yen una espacio vectorial?:
derivada tercera en ese intervalo y tales que f - xf + a.- Todas las funciones cuyos lmites existen cuando
(Senx)f = 0. x o f.
i.- El conjunto de todas las funciones que tienen deriva- b.- Todas las funciones cuyos lmites existen cuando
da segunda en todos los valores reales y la propiedad de x o 0+.
que f (x) = 0. c.- Todas las funciones con lmite 0 cuando x o f.
j.- El conjunto de todas las funciones racionales cuyo d.- Todas las funciones con lmite 0 cuando x o 0+.
denominador es x2 + x + 1. e.- Todas las funciones con lmite f cuando x o f.
k.- El conjunto de todos los polinomios tales que p(0) = f.- Todas las funciones con lmite - f cuando x o 0+.
p(1).
l.- El conjunto de todas las funciones escalonadas en 5.1.11 Considrense sucesiones infinitas ^sn`, ^tn`
>0; 3@. n FRQODDGLFLyQ\ODPXOWLSOLFDFLyQGHILQLGDV
de la siguiente manera:
5.1.7 V consiste en todos los ( a , b), donde a y b son ^sn` + ^tn` = ^sn + tn` y c^sn` = ^csn`
nmeros reales. Definimos la suma en V por a.- Hgase ver que las sucesiones reales convergentes
( a , b) + (c, d) = (2 a + 2 c, b + d) forman un espacio vectorial e interprtese ese espacio
y definimos la multiplicacin por un escalar por vectorial como espacio de funciones.
ka kb b.- Verifquese que el conjunto de todas las sucesiones
k ( a , b) ,
2 2 complejas forma un espacio vectorial. Se le puede
Es V un espacio vectorial con estas operaciones? interpretar como espacio vectorial de funciones?
5.1.8 Determine cules de los sistemas son espacios 5.1.12 V consiste en todas las funciones reales y conti-
vectoriales: nuas definidas en >0; 1@ tales que f(1) = 0, con la suma
a.- V es el conjunto de todos los pares ordenados (x, y) de funciones y la multiplicacin de una funcin por un
de nmeros reales. La suma se define como (x, y) + (u, v) escalar usuales. Demuestre que V es un espacio vecto-
= (x + 3u, y v), y la multiplicacin escalar como D(x, y) rial.
= (Dx, Dy).
b.- El conjunto V del literal a). La suma definida como 5.1.13 En los conjuntos siguientes, investguese si son
(x, y) + (u, v) = (x + u, y + v), y la multiplicacin escalar espacios vectoriales:
como D(x, y) = (-Dx, Dy). a.- Todas las funciones f en >0; 1@ tales que f (x) > 0
c.- El conjunto V del literal a). La suma definida como en >0; 1@.
(x, y) + (u, v) = (x u, y v), y la multiplicacin escalar b.- Todas las funciones f en >0; 1@ tales que se puede
como D(x, y) = (-Dx, -Dy). expresar f como g h, donde g y h son montonas y
d.- El conjunto V del literal a). La suma definida como estrictamente crecientes.
(x, y) + (u, v) = (u, v), y la multiplicacin escalar como c.- Todas las funciones f en >0; 1@ tales que f (x) =
D(x, y) = (Dx, Dy). Senx.
d.- Todas las funciones f en >0; 1@ tales que f (x) +
5.1.9 Demostrar que cada uno de los siguientes conjun- Senx f (x) = 0.
tos constituye un espacio vectorial: e.- V es el conjunto de todas las matrices de 2 x 2 con
a.- El conjunto de todos los vectores cuya segunda com- componentes reales. La suma es la suma habitual de
ponente es cero; matrices y la multiplicacin escalar est definida por
b.- El conjunto de todos los vectores de la forma D( i + 2 j a b Da 0
D .
k), donde D es un escalar; c d 0 Db
c.- El conjunto de todos los vectores de la forma D( i k) f.- El conjunto V del literal e). La suma definida por
+ E j, donde D, E son escalares;
a b e f a b
d.- El conjunto de todos los nmeros reales;
e.- Todas las funciones de la forma f(x) = D Cosx + c d g h c d
ESenx, donde D, E son nmeros, con la forma usual de y la multiplicacin escalar es la habitual.
adicin y multiplicacin por nmeros; g.- El conjunto V del literal e). La suma definida como
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
198 ESPACIOS VECTORIALES
5.2 SU B ESP A C I OS V E C T O R I A L ES
En esta seccin se estudiar con detalle los espacios vectoriales que estn contenidos en un espacio vectorial
ms grande. Se enunciarn y demostrarn sus propiedades.
Con frecuencia, se tiene que un espacio vectorial est contenido en otro, y que la
adicin y la multiplicacin por escalares del primer espacio vectorial se llevan a
cabo de manera exactamente igual a la del segundo. Cuando esto es as, se dice
que el primer espacio vectorial es subespacio del segundo.
En trminos generales, para demostrar que un conjunto U con la adicin y la mul-
tiplicacin escalar En trminos generales, para demostrar que un forma un espacio
vectorial es necesario verificar los 10 axiomas de espacio vectorial. Sin embargo,
si U es parte de un conjunto ms grande V del que se sabe es un espacio vectorial,
entonces no es necesario verificar ciertos axiomas para U porque son heredados de
V.
D E F I N I C I O N 5.2.1
Un subconjunto U de un espacio vectorial V se denomina subespacio de
V si U es un espacio vectorial bajo la adicin y la multiplicacin escalar
definidas sobre V.
Es importante tener en cuenta que para que un subconjunto no vaco U de un espa-
cio vectorial V sea un subespacio, el subconjunto y las operaciones de suma de
vectores y multiplicacin por un escalar deben formar un sistema autocontenido.
Es decir, cualquier suma o multiplicacin por un escalar efectuada con vectores
del subconjunto U siempre produce un vector que est en U. Si U es no vaco y
cerrado bajo la suma y multiplicacin por un escalar, con seguridad constituye un
espacio vectorial por derecho propio. Por tanto, se ha llegado a un criterio eficien-
te para determinar si un subconjunto es un subespacio de un espacio vectorial.
T E O R E M A 5.2.1
Si U es un conjunto formado por uno o ms vectores de un espacio vecto-
rial V, entonces U es un subespacio de V si y slo si se cumplen las con-
diciones siguientes:
1.- Si u, v son elementos de U, entonces u + v est en U.
2.- Si a es cualquier nmero y u es un elemento de U, entonces au est
en U.
D E M OST R A C I O N
Si U es un subespacio de V, entonces se cumplen todos los axiomas de espacio vecto-
rial; en particular, se cumplen los axiomas 1 y 6. Pero stas son precisamente las
condiciones 1 y 2. Recprocamente, supngase que se cumplen las condiciones 1 y 2.
Como estas condiciones son los axiomas 1 y 6 de espacio vectorial, basta demostrar
que U satisface los ocho axiomas restantes. Los vectores de U cumplen automtica-
mente los axiomas 2, 3, 7, 8, 9 y 10, ya que estos axiomas se cumplen para todos los
vectores en V. En consecuencia, para completar la demostracin, basta verificar que
los axiomas 4 y 5 se cumplen para vectores en U. Sea u cualquier vector de U. Por la
condicin 2, au est en U para cualquier escalar a. Haciendo a = 0, se concluye que
0u = est en U, y haciendo a = -1 se concluye que (-1)u = -u est en U.
Se dice que un conjunto U formado por uno o ms vectores de un espacio vectorial
V es cerrado bajo la adicin si se cumple la condicin 1 del teorema anterior, y
cerrado bajo la multiplicacin escalar si se cumple la condicin 2. As, de esta
manera se establece que U es un subespacio de V si y slo si U es cerrado bajo la
adicin y cerrado bajo la multiplicacin escalar.
SO L U C I O N
Se ve claramente que contiene a la funcin cero, de manera que es un conjunto
no vaco de funciones en [0; 1]. Si f y g estn en , entonces f + g y E f son funcio-
nes diferenciables en [0; 1], y
(f + g) = f + g = E f + Eg = E(f + g), (E f) = E f = E(Df) = D(E f).
En consecuencia, es cerrado bajo la adicin y la multiplicacin por escalares.
Por lo tanto, es subespacio vectorial.
E J E M P L O 5.2.2
Demostrar que el conjunto S = ^A M(n x n) / A = A T` de las matrices simtricas,
forman un subespacio vectorial del espacio de las matrices cuadradas de orden n.
SO L U C I O N
Sean A = A T, B = B T S. Entonces para escalares cualesquiera O y M tenemos:
(OA + MB)T = (OA)T + (MB)T = OA T + MB T = OA + MB S.
Si adems S, entonces:
(OA + MB)T = (O + M)T = OT + MT = O + M = S.
Luego (OA + MB)T S, y por lo tanto S es un subespacio de M(n x n).
EJ E M P L O 5.2.3
Sea el conjunto solucin de un sistema no homogneo A X = B, con las operaciones
usuales de adicin de matrices y multiplicacin por escalares. Demostrar que este
conjunto no es un subespacio vectorial.
SO L U C I O N
Supongamos que Y y Z son soluciones del sistema A X = B; es decir Y, Z n.
Entonces para escalares cualesquiera O y M, tenemos:
A(OY + MZ) = A(OY) + A(MZ) = O(A Y) + M(A Z) = OB + MB = (O + M)B z B
Como (OY + MZ) no es solucin del sistema, entonces no es un subespacio vectorial
de n.
E J E M P L O 5.2.4
Determine si los siguientes subconjuntos son subespacios de 3. En caso afirmativo,
prubelo, en caso contrario de una razn para la cual no sea un subespacio vectorial:
a.- S = {(a, b, c) / a + b 3 = 2c}; b.- S = {(a, b, c) / a + b = 4c};
c.- S = {(a, b, c) / a, b, c t 0}; d.- S = {(a, b, c) / a2 + b2 + c2 = 1}.
SO L U C I O N
a.- Est claro que S es vaco, puesto que el vector (0, 0, 0) S. Adems el vector
ms general de S es de la forma (-b + 2c + 3, b, c), donde b y c son nmeros reales
cualesquiera. Sean los vectores (-x + 2y + 3, x, y) y (-u + 2v + 3, u, v) de S y sea k un
nmero real cualquiera. Entonces:
(-x + 2y + 3, x, y) + (-u + 2v + 3, u, v) = (-x u + 2y + 2v + 6, x + u, y + v) S,
k(-x + 2y + 3, x, y) = (-kx + 2ky + 3k, kx, ky) S.
Lo que prueba que S no es un subespacio vectorial.
b.- Est claro que S es no vaco, puesto que el vector (0, 0, 0) S. Adems el vector
ms general de S es de la forma (-b + 4c, b, c), donde b y c son nmeros reales
cualesquiera. Sean los vectores (-x + 4y, x, y) y (-u + 4v, u, v) de S y sea k un nmero
real cualquiera. Entonces:
(-x + 4y, x, y) + (-u + 4v, u, v) = (-x u + 4y + 4v, x + u, y + v) S,
k(-x + 4y, x, y) = (-kx + 4ky, kx, ky) S.
Lo que prueba que S es un subespacio vectorial.
c.- Est claro que S es no vaco cuando a = b = c = 0, puesto que el vector (0, 0, 0)
S, pero cuando a, b, c > 0, S es vaco puesto que el vector (0, 0, 0) S. Lo que
prueba que S no es un subespacio vectorial.
d.- Est claro que S es vaco, puesto que el vector (0, 0, 0) S. Lo que prueba que S
no es un subespacio vectorial.
EJ E M P L O 5.2.5
Explique si cada uno de los siguientes subconjuntos del espacio vectorial 3 son
subespacios vectoriales de l:
a.- S = {p(x) / a + b = 0`; b.- S = {p(x) / a = b = c = d};
c.- S = {p(x) / a = b = c = 0}; d.- S = {p(x) / p(-1) = p(1) = 0}.
SO L U C I O N
a.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b, entonces
el polinomio ms general de S es de la forma p(x) = bx3 + bx2 + cx + d, donde b, c y d
son nmeros reales cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Ex + M y
r(x) = mx3 + mx2 + nx + s de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (D + m)x3 + (D + m)x2 + (E + n)x + (M + s) S,
kq(x) = k(Dx3 + Dx2 + Ex + M) = kDx3 + kDx2 + kEx + kM S.
Lo que prueba que S es un subespacio vectorial.
b.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = d,
entonces el polinomio ms general de S es de la forma p(x) = dx3 + dx2 + dx + d,
donde d es un nmero real cualesquiera. Sean los polinomios q(x) = Dx3 + Dx2 + Dx +
D y r(x) = Ex3 + Ex2 + Ex + E de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (D + E)x3 + (D + E)x2 + (D + E)x + (D + E) S,
kq(x) = k(Dx3 + Dx2 + Dx + D) = kDx3 + kDx2 + kDx + kD S.
Lo que prueba que S es un subespacio vectorial.
c.- Claramente se puede ver que S es no vaco, puesto que el polinomio 0x3 + 0x2 +
0x + 0 S. Como S 3, entonces p(x) = ax3 + bx2 + cx + d y como a = b = c = 0,
entonces el polinomio ms general de S es de la forma p(x) = 0x3 + 0x2 + 0x + d,
donde d es un nmero real cualesquiera. Sean los polinomios q(x) = 0x3 + 0x2 + 0x +
D y r(x) = 0x3 + 0x2 + 0x + E de S y sea k un nmero real cualquiera. Entonces:
q(x) + r(x) = (0 + 0)x3 + (0 + 0)x2 + (0 + 0)x + (D + E)
= 0x3 + 0x2 + 0x + (D + E) S,
kq(x) = k(0x + 0x2 + 0x + D) = 0x3 + 0x2 + 0x + kD S.
3
EJ E M P L O 5.2.6
Sea S1 el plano en el espacio 3 dado por la ecuacin a + 2b + c = 6. Cul es la
ecuacin del plano S2 que pasa por el origen y es paralelo a S1? Son S1 y S2
subespacios de 3?
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 203
SO L U C I O N
Para que el plano S2 pase por el origen y sea paralelo al plano S1 es necesario y
suficiente que los coeficientes del plano S2 sean iguales a los de S1 y el trmino
independiente sea igual a cero; es decir S2 : a + 2b + c = 0. El plano S1 = {(a, b, c) / a
+ 2b + c = 6} no es un subespacio de 3 porque no contiene al elemento nulo
(0, 0, 0) S1. Para S2 = {(a, b, c) / a + 2b + c = 0}, est claro que S2 es no vaco,
puesto que el vector (0, 0, 0) S2. Adems el vector ms general de S2 es de la forma
(-2b c, b, c), donde b y c son nmeros reales cualesquiera. Sean los vectores
(-2x - y, x, y) y (-2u - v, u, v) de S2 y sea k un nmero real cualquiera. Entonces:
(-2x - y, x, y) + (-2u - v, u, v) = (-2x 2u y v, x + u, y + v) S;
k(-2x - y, x, y) = (-2kx - ky, kx, ky) S.
Lo que prueba que S2 es un subespacio vectorial.
PR O B L E M AS
5.2.1 Sea 5 el espacio vectorial y considere el conjunto g.- N: todos los u tales que
U de todos los polinomios de la forma (x3 + x)p(x), a1 a2 a3 a4 z 0 .
donde p(x) est en 2. U es un subespacio de 5?
5.2.5 Determine cundo el conjunto S de vectores de
5.2.2 Demuestre que los nicos subespacios de 2 son: n forman un subespacio de n:
1. el propio 2; a.- S consta de todos los vectores de 5 de la forma
2. el subespacio trivial que consiste nicamente del (x, y, z, x, x);
vector cero (0, 0); b.- S consta de todos los vectores de 4 de la forma
3. cualquier conjunto de vectores (x, y) representados por (x, 2x, 3x, y);
flechas que estn a lo largo de una recta que pase por el
c.- S consta de todos los vectores de 6 de la forma
origen.
(x, 0, 0, 1, 0, y);
Esto es, dada cualquier recta que pase por el origen,
d.- S consta de todos los vectores de 3 de la forma
todos los vectores de 2 que puedan representarse como
(0, x, y);
vectores a lo largo de esta recta constituyen un subespa-
e.- S consta de todos los vectores de R 4 de la forma
cio de 2. Adems, cualquier subespacio distinto de 2 y (x, y, x + y, x - y);
del subespacio trivial consiste en vectores a lo largo de
f.- S consta de todos los vectores de 7 con cero en la
una recta que pasa por el origen.
tercera y quinta componentes;
g.- S consta de todos los vectores de 4 con la primera
5.2.3 Demuestre que los nicos subespacios de 3 son
y segunda componentes iguales;
los siguientes:
h.- S consta de todos los vectores de 4 con la tercera
1. el propio 3;
componente igual a 2;
2. el subespacio trivial que consiste solamente del vector
i.- S consta de todos los vectores de 7 con la sptima
cero (0, 0, 0);
componente igual a la suma de las primeras seis compo-
3. todos los vectores paralelos a una recta dada que pasa
nentes;
por el origen;
4. todos los vectores que estn en un plano dado que j.- S consta de todos los vectores de 8 con cero en la
pasa por el origen. primera, segunda y cuarta componentes y la tercera
componente igual a la sexta.
5.2.4 En cada uno de los subconjuntos siguientes de
5.2.6 Sea U el espacio vectorial de todas las funciones
4, determnese si el subconjunto es un subespacio:
a.- W: todos los u = ( a 1, a 2, a3, a 4) tales que a 1 = a 2. reales f en >-1; 1@. Determnese si cada uno de los con-
b.- U: todos los u tales que juntos siguientes es subespacio de U:
a 1 = a 2 y a 1 + a 2 + a 3 + a 4 = 0. a.- U: el conjunto de todas las f tales que f(0) = 0.
c.- J: todos los u tales que a 1 es racional. b.- U: el conjunto de todas las f tales que f(x) = 0 en -1
d.- K : todos los u tales que a 1 + a 2 + a 3 + a 4 d 0. d x d .
c.- U: el conjunto de todas las f tales que f es continua
e.- L: todos los u tales que x1 x22 . en x = .
f.- M : todos los u tales que, o bien a 1 = a 2, o bien d.- U: el conjunto de todas las f tales que f(x) = f(-x) en
a 3 = a 4. -1 d x d 1.
e.- U: el conjunto de todas las f tales que f es montona 5.2.8 Sean U y W subespacios de un espacio vectorial
y estrictamente creciente en >-1; 1@. V. Hgase ver que, si U es subconjunto de W, entonces
U es subespacio de V.
5.2.7 Demustrese: si a 1 a k son escalares, no todos
0, y si W es el conjunto de todos los (u1 uk) con la 5.2.9 Sea W subespacio de V y sea U subespacio de
propiedad de que a 1u1 a kuk = 0, entonces W es W. Hgase ver que U es subespacio de V.
subespacio de k, y W es espacio no trivial si k t 2.
5.3 C O M B I N A C I O N ES L I N E A L ES Y SU B ESP A C I OS G E N E R A D OS
En esta seccin estudiaremos un conjunto de vectores S que genera un espacio vectorial dado si todo vector en
este espacio se puede expresar como una combinacin lineal de los vectores de S. En general, puede haber
ms de una forma de expresar un vector del espacio vectorial como una combinacin lineal de vectores en un
conjunto generador.
D E F I N I C I O N 5.3.1
Un sistema de vectores se denominar subsistema del segundo sistema,
si el primer sistema slo contiene ciertos vectores del segundo y no con-
tiene ningn otro vector.
Sobre los vectores del sistema dado y los vectores obtenidos de los primeros se
realizarn las operaciones de adicin y multiplicacin por escalares. Est claro
que todo vector u de la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2, ..., a k son
escalares, se obtiene de los vectores del sistema dado u1, u2, ..., uk con ayuda de
las operaciones citadas. Ms an, cualquiera que sea el orden en que se realicen
estas operaciones, obtendremos solamente los vectores del tipo antes mencionado.
D E F I N I C I O N 5.3.2
Un vector u se denomina combinacin lineal de los vectores u1, u2, ..., uk
si se puede expresar en la forma u = a 1u1 + a 2u2 + ... + a kuk donde a 1, a 2,
..., a k son escalares.
EJ E M P L O 5.3.1
Est dado el sistema de polinomios p(t) = 1 - t2, q(t) = 1 + t3, r(t) = t - t3, s(t) = 1 + t +
t2 + t3. Hallar las combinaciones lineales de los polinomios de ese sistema:
a.- 5p(t) + q(t) 4r(t); b.- p(t) + 9q(t) 4s(t).
Discutir los resultados obtenidos.
SO L U C I O N
a.- Para la combinacin lineal 5p(t) + q(t) - 4 r(t), obtenemos
5(1 - t2) + (1 + t3) 4(t - t3) = 6 4t 5t2 + 5t3.
b.- Para la combinacin lineal p(t) + 9q(t) 4s(t), obtenemos
(1 - t2) + 9(1 + t3) 4(1 + t + t2 + t3) = 6 4t - 5t2 + 5t3.
Podemos observar que tanto 5p(t) + q(t) - 4 r(t), como p(t) + 9q(t) 4s(t) tienen la
misma combinacin lineal.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 205
E J E M P L O 5.3.2
a.- Verifquese que el polinomio p(t) = t2 + 4t - 3 es una combinacin lineal de los
polinomios q(t) = t2 - 2t + 5, r(t) = 2t2 - 3t, s(t) = t + 3.
b.- Verifique si el vector v = (2, -5, 3) se puede expresar como combinacin lineal
de los vectores v1 = (1, -3, 2), v2 = (2, -4, -1), v3 = (1, -5, 7).
SO L U C I O N
a.- Segn la definicin, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 4t 3 = a (t2 - 2t + 5) + b(2t2 3t) + c(t + 3)
Agrupando trminos semejantes, obtenemos
t2 + 4t 3 = ( a + 2b)t2 + (-2 a - 3b + c)t + (5 a + 3c)
Establecemos el sistema de ecuaciones y resolvemos
a 2b 1 a 3
2 a 3b c 4 b 2
5a 3c 3 c 4
Por lo tanto
p(t) = - 3q(t) + 2 r(t) + 4s(t).
b.- Segn la definicin, debemos resolver v = av1 + bv2 + cv3. Es decir
(2, -5, 3) = a (1, -3, 2) + b(2, -4, -1) + c(1, -5, 7)
Agrupando trminos semejantes, obtenemos
(2, -5, 3) = ( a + 2b + c, -3 a 4b 5c, 2a b + 7c)
Establecemos el sistema de ecuaciones y resolvemos
a 2b c 2
3a 4b 5c 5 .
2a b 7c 3
Este sistema tiene un nmero indeterminado de soluciones. Por lo tanto el vector
v no se puede expresar como combinacin lineal de los vectores v1, v2, v3.
EJ E M P L O 5.3.3
3 1
Verifique si la matriz A se puede expresar como combinacin lineal de
1 1
1 1 0 0 0 2 0 1
las matrices B , C , D , E .
1 0 1 1 0 1 1 0
SO L U C I O N
Segn la definicin, debemos resolver A = a B + b C + c D + d E. Es decir
3 1 1 1 0 0 0 2 0 1
a b c d
1 1 1 0 1 1 0 1 1 0
Agrupando trminos semejantes, obtenemos
3 1 a a 2c d
1 1 a b d bc
Establecemos el sistema de ecuaciones y resolvemos
a 3 a 3
a 2c d 1 b 2
a b d 1 c 1
b c 1 d 0
Por lo tanto A = 3B - 2C D.
E J E M P L O 5.3.4
Compruebe que el vector p(t) = t2 + 3t 2 se puede expresar como combinacin
lineal de los vectores q(t) = 3t2 + t - 4, r(t) = 2t 5, s(t) = 2t2 2t + 3.
SO L U C I O N
Segn la definicin, debemos resolver p(t) = aq(t) + br(t) + cs(t). Es decir
t2 + 3t 2 = a (3t2 + t - 4) + b(2t 5) + c(2t2 2t + 3)
Agrupando trminos semejantes, obtenemos
t2 + 3t 2 = (3 a + 2c)t2 + ( a + 2b 2c)t + (- 4 a - 5b + 3c)
Establecemos el sistema de ecuaciones y resolvemos
3a 2 c 1 a 13 / 3
13 20
a 2b 2c 3 b 20 / 3 p(t ) q (t ) r (t ) 6 s (t ) .
4 a 5b 3c 2 c 6 3 3
% COMPRUEBA SI UN VECTOR ES COMBINACION LINEAL DE UN SISTEMA DE VECTORES S
clc;clear;
fprintf('\n COMBINACION LINEAL \n')
fil=input('Ingrese el numero de vectores: ');
col=input('Ingrese la dimension del vector: ');
%Ingreso de elementos
fprintf('\n Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\n Ingrese el vector (%d)\n', f)
for c=1:col
fprintf('Ingrese el elemento (%d,%d)',c,f)
S(c,f)=input(' :');
end
end
fprintf('\n El SISTEMA DE VECTORES S ES:\n')
S
fprintf('\n Ingrese el vector u \n')
%for f=1:col
for c=1:col
fprintf('Ingrese el elemento %d',c)
u(c,1)=input(' :');
end
fprintf('El VECTOR u es:\n')
u
end
fprintf('LA MATRIZ REDUCIDA ES:')
R1= rref(S);
R1
RangS=rank(S)
fprintf('\n LA MATRIZ AUMENTADA ES: \n',c);
A=[S,u];
A
R2= rref(A);
R2
RangA=rank(A)
end
if RangA==col-1
fprintf('El vector u si se expresa como combinacion lineal de S\n')
else
fprintf('El vector u no se puede expresar como combinacion lineal de S\n')
end
D E F I N I C I O N 5.3.3
Si S = {v1, v2, ..., vk} es un conjunto de vectores en un espacio vectorial
V, entonces el subespacio U de V que consta de todas las combinaciones
lineales de los vectores en S se denomina espacio generado por v1, v2, ...,
vk, y se dice que los vectores v1, v2, ..., vk generan a U. Para indicar que U
es el espacio generado por los vectores del conjunto S.
Fijemos el sistema de vectores u1, u2, ..., uk y dejemos que los coeficientes de las
T E O R E M A 5.3.1
Si v1, v2, ..., vk son vectores en un espacio vectorial V, entonces:
1.- El conjunto U de las combinaciones lineales de v1, v2, ..., vk es
subespacio de V;
2.- U es el menor subespacio de V que contiene a v1, v2, ..., vk, en el sen-
tido de que cualquier otro subespacio que contenga a v1, v2, ..., vk debe
contener a U.
D E M OST R A C I O N
1.- Para demostrar que U es un subespacio de V, es necesario probar que es ce-
rrado bajo la adicin y la multiplicacin escalar. En U existe por lo menos un
vector, a saber, , ya que
= 0v1 + 0v2 + ... + 0vk.
Si u y v son vectores en U, entonces
u = a 1u1 + a 2u2 + ... + a kuk
y
v = b1u1 + b2u2 + ... + bkuk
donde a 1, a 2, ..., a k, b1, b2, ..., bk son escalares. Por consiguiente,
u + v = (a 1 + b1)v1 + ( a 2 + b2)v2 + ... + (a k + bk)vk
y, para cualquier escalar a ,
au = (aa 1)v1 + ( aa 2)v2 + ... + (aa k)vk.
As, u + v y au son combinaciones lineales de v1, v2, ..., vk, y, en consecuencia,
estn en U. Por tanto, U es cerrado bajo la adicin y la multiplicacin escalar.
2.- Cada vector vi es una combinacin lineal de v1, v2, ..., vk, ya que es posible escri-
bir vi = 0v1 + 0v2 + ... + 0vk. Por consiguiente, en el subespacio U estn todos y cada
uno de los vectores v1, v2, ..., vk. Sea W cualquier otro subespacio que contiene a v1,
v2, ..., vk. Como W es cerrado bajo la adicin y la multiplicacin escalar, debe conte-
ner todas las combinaciones lineales de v1, v2, ..., vk. As, W contiene a cada vector de
U.
D E F I N I C I O N 5.3.4
Dos sistemas de vectores S = {v1, v2, ..., vk} y S = {w1, w2, ..., wk} de un
espacio vectorial V, se dicen equivalentes, cuando ambos engendran el
mismo subespacio.
T E O R E M A 5.3.2
Si S = {v1, v2, ..., vk} y S= {w1, w2, ..., wk} son dos conjuntos de vectores
en un espacio vectorial V, entonces Span(S) = Span(S) si y slo si todo
vector en S es una combinacin lineal de los vectores en S y, recpro-
camente, todo vector en S es una combinacin lineal de los vectores en
S.
D E M OST R A C I O N
Los sistemas S y S son equivalentes, es decir, si Span(S) = Span(S), todo vector
de uno de estos subespacios, y en particular los vectores que le engendran
pertenecen al otro, es decir, depende linealmente de los vectores que engendran al
otro. Recprocamente, si todos los vectores del sistema S dependen linealmente de
los del sistema S, entonces, todo vector que depende linealmente de los vectores
de S tambin depende linealmente de los de S, es decir Span(S) Span(S), si
adems, tambin los vectores de S dependen linealmente de los de S, se
verificar que Span(S) Span(S).
E J E M P L O 5.3.5
Determine en caso de existir el subespacio generado por el conjunto de vectores
a.- S = {t2 + 3t 1, 2t2 + 1, 3t2 + t 1}; b.- S = {1- t2, t t2, 2 t t2}.
SO L U C I O N
a.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
combinacin lineal de los elementos de S. Es decir
at2 + bt + c = O(t2 + 3t 1) + M(2t2 + 1) + G(3t2 + t 1)
Agrupando los trminos comunes, obtenemos
at2 + bt + c = (O + M + 3G)t2 + (3O + G)t + (- O + M - G)
Establecemos el sistema de ecuaciones
O M 3G a
3O G b
O M G c
Resolvemos este sistema, utilizando el mtodo de operaciones elementales
1 1 3 a 1 1 3 a 1 1 3 a
3 0 1 b |
0 3 8 3 a b | 0 3 8 3 a b
1 1 1 c 0 2 2 a c 0 0 10 3a 2b 3c
Como el Rang( A ) = 3, no existe subespacio generado por el conjunto S.
b.- Dado at2 + bt + c un elemento de 2, debemos expresar este elemento como
combinacin lineal de los elementos de S. Es decir
at2 + bt + c = O(1 - t2) + M(t - t2) + G(2 t - t2).
Formamos el determinante de la matriz de coeficientes:
1 0 1
0 1 1 0 .
2 1 1
Como este determinante es igual cero, entonces procedemos a encontrar el subes-
pacio generado:
1 0 1 a 1 0 1 a 1 0 1 a
0 1 1 b |
0 1 1 b |
0 1 1 b .
2 1 1 c 0 1 1 2 a c 0 0 0 2 a b c
En este caso, el subespacio generado tiene la siguiente forma:
Span(S) = {( a , b, c)/ 2 a - b c = 0}.
EJ E M P L O 5.3.6
Hallar el menor subespacio de 3 en el que se encuentran los polinomios:
q(t) = 2t3 + 2t2 - 2t, r(t) = t3 + 2t2 - t + 5, s(t) = t3 + 2t2 - 6t - 6.
SO L U C I O N
Como Oq(t) + Dr(t) + Gs(t) = p(t), entonces
O(2t3 + 2t2 - 2t) + D(t3 + 2t2 - t + 5) + G(t3 + 2t2 - 6t - 6) = at3 + bt2 + ct + d
2 1 1 a 2 1 1 a 2 1 1 a
2 2 2 b | 0 1 1 a b | 0 1 1 a b
2 1 6 c 0 0 5 a c 0 0 5 ac
0 5 6 d 0 5 6 d 0 0 11 5a 5b d
2 1 1 a
0 1 1 a b
0 0 5 ac
0 0 0 14 a 25b 11c 5d
Por lo tanto, el subespacio mnimo es
Span{q(t), r(t), s(t)` = Span{(a, b, c, d) / 14a - 25b 11c + 5d = 0}.
E J E M P L O 5.3.7
Demuestre que el menor subespacio de 3 en el que se encuentran los vectores
v1 = (1, 0, -1), v2 = (0, 2, -2), v3 = (0, -2, 2) es el plano a + b + c = 0.
SO L U C I O N
El menor subespacio de 3 que contiene a v1, v2 y v3 es Span(S), donde:
Span(S) = Span{(a, b, c) = O(1, 0, -1) + M(0, 2, -2) + G(0, -2, 2) / O, M, G }
= Span{(a, b, c) = (O, 2D - 2G, -O - 2D + 2G) / O, D, G }
Se desea describir este subespacio de 3 en otros trminos. Obsrvese que de la
E J E M P L O 5.3.8
Demuestre que no existe subespacio propio de 3 en el que se encuentren los
vectores (1, 1, 1), (1, 1, 0), (1, 0, 0).
SO L U C I O N
Span(S) = Span{( a , b, c) = O(1, 1, 1) + D(1, 1, 0) + G(1, 0, 0) / O, D, G }
= {(O + D + G, O + D, O) / O, D, G }
Se desea describir este subespacio de 3 en otros trminos. Obsrvese que de la
ltima expresin para Span{v1, v2, v3} se obtiene
O D G a
O D b
O c
que puede interpretarse como un sistema de 3 ecuaciones con 3 incgnitas O, D, G. Al
aplicar el mtodo de eliminacin Gaussiana a este sistema se obtiene
1 1 1 a 1 1 1 a 1 1 0 a b
1 1 0 b | 0 0 1 b a | 0 0 1 b a
1 0 0 c 0 1 1 c a 0 1 0 c b
Podemos ver que no existe condicin restrictiva para que el vector v sea combinacin
lineal de los vectores v1, v2, v3. Por lo tanto no existe subespacio propio de 3.
EJ E M P L O 5.3.9
Hallar el menor subespacio del subespacio solucin S del sistema de ecuaciones
homogneo:
a 2b 2c 2d e 0
a 2b c 3d 2e 0 .
2 a 4b 7 c d e 0
SO L U C I O N
Resolvemos el sistema de ecuaciones homogneas:
1 2 2 2 1 0 1 2 2 2 1 0 1 2 2 2 1 0
1 2 1 3 2 0 | 0 0 1 1 1 0 | 0 0 1 1 1 0
2 4 7 1 1 0 0 0 3 3 1 0 0 0 0 0 2 0
Por lo tanto, el subespacio mnimo de S es
Span(S) = Span{(a, b, c, d, e) / a = - 2b 4d, c = - d, e = 0}.
EJ E M P L O 5.3.10
a.- Demustrese que si U es un subconjunto de V, entonces Span(U) es un
subespacio de V.
b.- Demostrar que Span(U) es el menor subespacio que contiene a U, si W es un
subespacio de V y si U W, entonces Span(U) W.
SO L U C I O N
a.- Sabemos por hiptesis que U V y que U Span(U). El Span(U) es el
subespacio generado por todas las combinaciones lineales de U, si U es subconjunto
de V, entonces sus elementos cumplen con los axiomas del espacio vectorial V. Por
lo tanto, el subespacio generado por U tambin cumple dichos axiomas, por lo cual
el Span(U) es un subespacio de V.
b.- Si U genera un subespacio, ste es el resultado de todas las combinaciones
lineales posibles a partir de U, si no se tomaran todas las combinaciones lineales
posibles para generar el Span(U), ste no heredara los axiomas del espacio vectorial,
y por tanto solamente sera un conjunto contenido en el espacio vectorial. En
consecuencia, Span(U) es el menor subespacio de V que puede contener a U.
Adems, si el conjunto U est contenido en un subespacio W del espacio vectorial V,
este subespacio W contiene al Span(U). En un caso muy particular, W puede ser
igual al Span(U), debido a que el Span(U) es el menor subespacio que puede ser
generado por el conjunto U en el espacio vectorial V.
EJ E M P L O 5.3.11
Describir el subespacio generado por los sistemas de vectores siguientes:
a.- S = {(1, 0, 0, 0, 0), (0, 0, 1, 0, 0), (0, 0, 0, 0, 1)};
b.- S = {(1, 0, 0, 0, 1), (0, 1, 0, 1, 0), (0, 0, 1, 0, 0)};
c.- S = {(1, 0, 0, 0, -1), (0, 1, 0, 0, -1), (0, 0, 1, 0, -1), (0, 0, 0, 1, -1)}.
SO L U C I O N
a.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
combinacin lineal de los elementos de S. Es decir
( a , b, c, d, e) = D(1, 0, 0, 0, 0) + E(0, 0, 1, 0, 0) + M(0, 0, 0, 0, 1).
Formamos la matriz aumentada del sistema generado por la combinacin lineal:
1 0 0 a
0 0 0 b
0 1 0 c .
0 0 0 d
0 0 1 e
En este caso, el subespacio generado tiene la siguiente forma:
Span(S) = {( a , b, c, d, e) / b = d = 0}.
b.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento co-
mo combinacin lineal de los elementos de S. Es decir
( a , b, c, d, e) = D(1, 0, 0, 0, 1) + E(0, 1, 0, 1, 0) + M(0, 0, 1, 0, 0).
Formamos la matriz aumentada del sistema generado por la combinacin lineal:
1 0 0 a 1 0 0 a 1 0 0 a
0 1 0 b 0 1 0 b 0 1 0 b
0 0 1 c | 0 0 1 c | 0 0 1 c .
0 1 0 d 0 1 0 d 0 0 0 b d
1 0 0 e 0 0 0 a e 0 0 0 a e
En este caso, el subespacio generado tiene la siguiente forma:
Span(S) = {( a , b, c, d, e) / b - d = 0, a e = 0}.
c.- Dado ( a , b, c, d, e) un elemento de 5, debemos expresar este elemento como
combinacin lineal de los elementos de S. Es decir
( a , b, c, d, e) = D(1, 0, 0, 0, -1) + E(0, 1, 0, 0, -1) + M(0, 0, 1, 0, -1) +
+ G(0, 0, 0, 1, -1)
Formamos la matriz aumentada del sistema generado por la combinacin lineal:
1 0 0 0 a 1 0 0 0 a 1 0 0 0 a
0 1 0 0 b 0 1 0 0 b 0 1 0 0 b
0 0 1 0 c | 0 0 1 0 c | 0 0 1 0 c
0 0 0 1 d 0 0 0 1 d 0 0 0 1 d
1 1 1 1 e 0 1 1 1 a e 0 0 1 1 a b e
1 0 0 0 a 1 0 0 0 a
0 1 0 0 b 0 1 0 0 b
0 0 1 0 c | 0 0 1 0 c .
0 0 0 1 d 0 0 0 1 d
0 0 0 1 a b c e 0 0 0 0 a b c d e
En este caso, el subespacio generado tiene la siguiente forma:
Span(S) = {( a , b, c, d, e) / a + b + c + d + e = 0}.
EJ E M P L O 5.3.12
Demustrese que si V es el espacio de las funciones doblemente diferenciables
definidas en a d t d b y S es el conjunto de funciones ^Sent, Cost}, entonces Span(S)
es el espacio de las funciones que cumplen f = - f.
SO L U C I O N
Sabemos que S = {Sent, Cost}. Haciendo la combinacin lineal obtenemos
f(t) = aSent + bCost
derivamos dos veces esta expresin
f (t) = aCost bSent
f (t) = - aSent bCost = - (aSent + bCost) = - f(t)
Por lo tanto concluimos que
Span(S) = {f C 2[ a ; b] / f (t) = - f(t)}.
PR O B L E M AS
5.3.1 Pruebe que S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} es una 5.3.5 Sean S = {(1, 0, -2), (0, 3, 6), (-4, -2, 3)} y u = (4, 1,
base, demostrando que Span(S) contiene a (1, 0, 0), (0, 1, -4) y sea W = Span(S):
0) y (0, 0, 1). Por qu basta esto? a.- Est u en S? Cuntos vectores hay en S?;
b.- Est u en W? Cuntos vectores hay en W?
5.3.2 Los nmeros reales forman un espacio vectorial c.- Demuestre que (1, 0, -2) est en W.
sobre los racionales. Demuestre que {1, 2} y
5.3.6 Determine el menor subespacio de las matrices de 3
{1 2,1 2} generan al mismo subespacio. x 3 que contenga todas las matrices simtricas y todas las
matrices triangulares inferiores. Cul es el mayor
5.3.3 Encontrar la ecuacin del plano generado por los subespacio contenido en ambos subespacios?
vectores u = (-1, 4, 5) y v = (6, -3, 2).
5.3.7 Demuestre que los sistemas de vectores S1 = {(1, 6,
5.3.4 Encontrar las ecuaciones paramtricas de la recta 4), (2, 4, -1), (-1, 2, 5)} y S2 = {(1, -2, -5), (0, 8, 9)}
generada por el vector u = (5, -1, 4). generan el mismo subespacio de 3.
En esta seccin se estudiarn los subespacios interseccin, suma y suma directa. Con el trabajo aqu realizado
se comprender mejor la relacin que hay entre las soluciones de un sistema de ecuaciones lineales y las pro-
piedades de su matriz de coeficientes.
EJ E M P L O 5.4.1
Sean
U = {(a, b, c, d) / b 2c + d = 0} y W = {(a, b, c, d) / a = d, b = 2c}
subespacios de 4. Hallar U W.
SO L U C I O N
Tomando las condiciones de los conjuntos U y W, tenemos el siguiente sistema de
ecuaciones homogneo:
b 2c d 0 0 1 2 1 0 0 1 2 1 0
ad 0 1 0 0 1 0 | 1 0 0 1 0 .
b 2c 0 0 1 2 0 0 0 0 0 1 0
Por lo tanto U W = {(a, b, c, d) / a = d = 0, b = 2c}.
EJ E M P L O 5.4.2
Sean
U = {(1, -1, -1, 0, 0), (1, -2, -2, 0, -3), (1, -1, -2, -2, 1)}
y
W = {(1, -2, -3, 0, -2), (1, -1, -3, 2, -4), (1, -1, -2, 2, -5)}
subespacios de 5. Hallar U W.
SO L U C I O N
Primera encontramos los subespacios generados Para U y W:
1 1 1 a 1 1 1 a 1 1 1 a
1 2 1 b 0 1 0 a b 0 1 0 a b
1 2 2 c | 0 1 1 a c | 0 0 1 bc
0 0 2 d 0 0 2 d 0 0 2 d
0 3 1 e 0 3 1 e 0 0 1 3a 3b e
1 1 1 a
0 1 0 a b
0 0 1 bc .
0 0 0 2b 2c d
0 0
0 3a 4b c e
Por lo tanto
Span(U) = {(a, b, c, d, e) / 3a + 4b c e = 0, 2b 2c + d = 0}.
1 1 1 a 1 1 1 a 1 a
1 1
2 1 1 b 0 1 1 2 a b 0 1 1 2a b
3 3 2 c | 0 0 1 3 a c | 0 0 1 3a c
0 2 2 d 0 2 2 d 0 0 0 4 a 2b d
2 4 5 e 0 2 3 2 a e 0 0 1 6 a 2b e
1 1 1 a
0 1 1 2a b
0 0 1 3a c
0 0 0 4 a 2b d
0
0 0 9 a 2b c e
Por lo tanto
Span(W) = {(a, b, c, d, e) / 4a + 2b d = 0, 9a + 2b + c e = 0}.
Luego, para encontrar la interseccin entre estos subespacios debemos resolver el
sistema de ecuaciones homogneas, que resulta de las condiciones restrictivas de
cada uno de estos subespacios:
3a 4b c e 0 3 4 1 0 1 0 3 4 1 0 1 0
2b 2c d 0
0 2 2 1 0 0 | 0 2 2 1 0 0
4 2 0 1 0 0 0 10 4 3 4 0
4 a 2b d 0
9 a 2b c e 0
9 2 1 0 1 0 0 10 4 0 2 0
3 4 1 0 1 0 3 4 1 0 1 0
0 2 2 1 0 0 | 0 2 2 1 0 0
0 0 6 2 4 0 0 0 6 2 4 0
0 0 6 5 2 0 0 0 0 3 2 0
Por lo tanto
Span(U W) = {(a, b, c, d, e) / a = -d/2, b = 5d/6, c = 4d/3, e = 3d/2}.
EJ E M P L O 5.4.3
El conjunto U de todas las ternas de 3 cuya primera coordenada es 0 es subespacio
de 3, como tambin lo es el conjunto W de todas las ternas (a, b, c) en donde la
primera componente es igual a la segunda componente. Demuestre que U W es
subespacio de 3.
SO L U C I O N
Por el ejemplo anterior, el conjunto U W es subespacio de 3; U W consta de
todas las termas (0, 0, c) en las que c es arbitrario.
Sean U, W subconjuntos, no necesariamente subespacios, de un espacio vectorial V.
Denotaremos por U + W el conjunto de todos los vectores v de V que se pueden
expresar como suma de un vector de U y de un vector de W. Por lo tanto, v estar en
U + W exactamente cuando existan un vector u de U y un vector w en W tales que
v = u + w. El conjunto U + W se denomina suma de los conjuntos U y W.
D E F IN I C I O N 5.4.2
Dados un subespacio vectorial S, sobre un cuerpo K , y dos subespacios su-
yos U y W, se denominan suma de dichos subespacios, y se representa por
U + W, al conjunto de todos los vectores de S que pueden expresarse como
suma de un vector de U y otro de W.
Obsrvese que, tanto la interseccin como la suma de subespacios siempre son
conjuntos no vacos, ya que les pertenece a ciencia cierta el vector nulo del espacio
vectorial V.
T E O R E M A 5.4.2
Como U + W es subespacio de S, entonces el subespacio U + W contiene
tanto a U como a W. Adems, si S es tambin subespacio de V que
contenga tanto a U como a W, entonces S tambin contiene a U + W. Por
lo tanto, U + W es el menor de los subespacios de S que contienen tanto a
U como a W; es decir, U + W = Span(U W). Adems si U y W son
subespacios de S, entonces U + W es un subespacio de S.
D E M OST R A C I O N
Puesto que U y W, el elemento neutro pertenece a la suma, ya que
= + U + W.
Por otra parte, si suponemos que
u1 + w1 U + W y u2 + w2 U + W,
debe verificarse que
(u1 + w1) + (u2 + w2) = (u1 + u2) + (w1 + w2) U + W
y
a(u1 + w1) = au1 + aw1 U + W,
cuyas dos condiciones justifican que U + W es un subespacio vectorial de V. Dado
que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier v U +
W, v se puede escribir en la forma v = u + w donde u U y w W. Entonces u U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
v = u + w Span(U + W). De donde U + W = Span(U + W).
En 3 sean u, v vectores no nulos, ninguno de ellos mltiplo escalar del otro. Supon-
gamos que U es el conjunto de todos los mltiplos escalares de u y que W es el con-
junto de todos los mltiplos escalares v. Entonces, U + W consta de todos los vecto-
res au + bv. Aqu, U corresponde a la recta L1 que pasa por O, W a la recta L2 que
pasa por O, y U + W a un plano S que tambin pasa por O y contiene a L1 y a L2.
EJ E M P L O 5.4.4
Si U y W son subespacios de un espacio vectorial V, se define U + W como el
conjunto de vectores de V que pueden escribirse como suma de uno de U ms otro
1 1 1 0 0 1 1 1 0 0
0 1 3 0 3 0 1 3 0 3
0 0 3 2 1 0 0 3 2 1
|
0 0 0 1 1 0 0 0 1 1
0 0 0 7 8 0 0 0 0 1
0 0 0 2 3 0 0 0 0 0
Por lo tanto:
Base(U + W) = {(1, -1, 1, 0, 0), (0, 1, 3, 0, 3), (0, 0, 3, 2, -1), (0, 0, 0, 1, 1),
(0, 0, 0, 0, 1)}.
Como Dim(U + W) = 5, entonces U + W = . 5
EJ E M P L O 5.4.7
Sea W el conjunto de todos los vectores de la forma (r, 2r t, r + t, t) de 4, donde
r, t son arbitrarios. Sea U el conjunto de todos los vectores de la forma (2 a + 2b, b, -
b, 3a + 2b), donde a, b son arbitrarios:
a.- Compruebe que U + W es el conjunto de todos los vectores de la forma (u + 2w,
2u v, u + v, v + 3w);
b.- Compruebe que U, W y U + W son subespacios de 4;
c.- Encuntrese U W.
SO L U C I O N
a.- Encontramos las bases de W y U respectivamente:
(r, 2r t, r + t, t) = r(1, 2, 1, 0) + t(0, -1, 1, 1)
BaseW = {(1, 2, 1, 0), (0, -1, 1, 1)},
(2a + 2b, b, -b, 3a + 2b) = a(2, 0, 0, 3) + b(2, 1, -1, 2)
BaseU = {(2, 0, 0, 3), (2, 1, -1, 2)}.
A continuacin encontramos una base para el subespacio U + W:
1 2 1 0 1 2 1 0 1 2 1 0 1 2 1 0
0 1 1 1 | 0 1 1 1 | 0 1 1 1 | 0 1 1 1 .
2 0 0 3 0 4 2 3 0 0 6 1 0 0 6 1
2 1 1 2 0 3 3 2 0 0 6 1 0 0 0 0
De esta manera podemos decir que la base de U + W es:
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Esta base es exactamente la misma que genera el subespacio U + W dada:
(u + 2w, 2u v, u + v, v + 3w) = u(1, 2, 1, 0) + v(0, -1, 1, 1) + w(2, 0, 0, 3)
Base(U + W) = {(1, 2, 1, 0), (0, -1, 1, 1), (2, 0, 0, 3)}.
Con esto queda demostrado el inciso a).
b.- Por el inciso a), U, W y U + W tienen estructura de subespacio vectorial de 4,
por cuanto cada uno de ellos generan su propia base.
c.- En el inciso a) nos podemos dar cuenta que en la matriz se anula una fila, por
lo tanto la base del subespacio interseccin U W es:
Base(U W) = {(2, 1, -1, 2)}.
EJ E M P L O 5.4.8
Hallar U + W y U W dados los siguientes sistemas:
a.- U = {(0, 1, 1, 1), (1, 1, 1, 2), (-2, 0, 1, 1)} y W = {(-1, 3, 2, -1), (1, 1, 0, -1)}.
b.- U = {(2, -5, 3, 4), (1, 2, 0, -7), (3, -6, 2, 5)} y W = {(2, 0, -4, 6), (1, 1, 1, 1),
(3, 3, 1, 5)}.
SO L U C I O N
a.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarn la base de U + W:
0 1 1 1 0 1 1 1 0 1 1 1 0 1 1 1
1 1 1 2 0 0 1 3 0 0 1 3 0 0 1 3
2 0 1 1 | 0 2 1 1 | 0 0 1 3 | 0 0 0 0
1 3 2 1 0 4 2 2 0 0 2 6 0 0 0 0
1 1 0 1 1 1 0 1 1 1 0 1 1 1 0 1
Por lo tanto:
Base(U + W) = {(0, 1, 1, 1), (0, 0, -1, -3), (1, 1, 0, -1)}.
Para encontrar el subespacio U + W, debemos hallar el subespacio generado con
respecto a la base encontrada:
0 0 1 a 1 0 1 b 1 0 1 b
1 0 1 b | 0 0 1 a | 0 0 1 a
1 1 0 c 1 1 0 c 0 1 1 b c
1 3 1 d 1 3 1 d 0 3 2 b d
1 0 1 b 1 0 1 b
0 0 1 a | 0 0 1 a .
0 1 1 b c 0 1 1 bc
0 0 1 2b 3c d 0 0 0 a 2b 3c d
Por lo tanto
Span(U + W) = {(a, b, c, d) / a 2b + 3c d = 0}.
Podemos observar que (-2, 0, 1, 1) y (-1, 3, 2, -1) son los vectores que se eliminaron
al encontrar la base de U + W, entonces estos elementos forman la base de U W.
Para encontrar el subespacio U W, debemos hallar el subespacio generado con
respecto a la base encontrada:
2 1 a 2 1 a 2 1 a
0 3 b | 0 3 b | 0 3 b .
1 2 c 0 3 a 2c 0 0 a b 2c
1 1 d 0 3 a 2d 0 0 a b 2d
Por lo tanto Span(U W ) = {(a, b, c, d) / a b + 2c = 0, a + b + 2d = 0}.
b.- Debemos construir una matriz cuyas filas sean los elementos de los conjuntos U
y W, y luego procedemos a eliminar filas mediante operaciones elementales. Las
filas no nulas formarn la base de U + W:
2 5 3 4 2 5 3 4 2 5 3 4
1 2 0 7 0 3 1 6 0 3 1 6
3 6 2 5 0 3 5 2 0 0 1 1
| |
2 0 4 6 0 5 7 2 0 0 4 9
1 1 1 1 0 7 1 2 0 0 1 9
3 3 1 5 0 21 7 2 0 0 0 1
2 5 3 4 2 5 3 4
0 3 1 6 0 3 1 6
0 0 1 1 0 0 1 1
|
0 0 0 1 0 0 0 1
0 0 0 1 0 0 0 0
0 0 0 1 0 0 0 0
Por lo tanto:
Base(U + W) = {(2, -5, 3, 4), (0, -3, 1, 6), (0, 0, -1, 1), (0, 0, 0, 1)}.
Como Dim(U + W) = 4, entonces el subespacio U + W = 4. Podemos observar que
(1, 1, 1, 1) y (3, 3, 1, 5) son los vectores que se eliminaron al encontrar la base de
D E F IN I C I O N 5.4.3
Sean U y W subconjuntos del espacio vectorial V y sea S el conjunto com-
puesto por todos los vectores v de V que estn en U, en W o en ambos. El
conjunto S se llama unin de U y W. La unin la denotamos por , y po-
nemos S = U W.
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes si, y slo
si, la descomposicin del vector cero en suma de vectores de dichos subespacios es
nica. Si en un espacio vectorial V, varios subespacios son independientes, entonces
son disjuntos dos a dos.
T E O R E M A 5.4.3
Demuestre que el espacio vectorial V es la suma directa de los subespacios
U y W si y solamente si se verifica que V = U + W y U W = {}.
D E M OST R A C I O N
Si se acepta que V = U W, para todo v V puede expresarse de una sola manera
en la forma v = u + w, con u U y w W, en cuyo caso particular se verifica que
V = U + W. Si suponemos que v U W, debe ocurrir que
v = v + , en donde v U y W;
v = + v, en donde U y v W;
pero al no ser posible nada ms que de una sola forma la descomposicin anterior, ha
de verificarse que v = y, por tanto, U W = {}. Recprocamente, vamos a
probar que si se cumplen las condiciones del problema, se trata de una suma directa,
lo que exige demostrar que la suma v = u + w es nica. Si existe otra posible
descomposicin, tal como v = u1 + w1, con u1 U y w1 W, se tiene que u + w = u1
+ w1, de donde, u u1 = w1 - w; pero como u u1 U y w1 - w W y por hiptesis
U W = {}, debe ocurrir que u u1 = w1 - w = , de donde u = u1 y w = w1.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
220 ESPACIOS VECTORIALES
T E O R E M A 5.4.4
Los subespacios U 1, U 2, ..., U n, del espacio vectorial V, son independientes
si, y slo si, la descomposicin del vector cero en suma de vectores de
dichos subespacios es nica.
D E M OST R A C I O N
Para demostrar este teorema basta con cerciorarse de que los subespacios U 1, U 2, ...,
U n, son independientes, pues con repetir la demostracin un nmero finito de veces
se prueban todos los casos que se pueden presentar. Supngase que U 1, U 2, ..., U n, no
fuesen independientes, es decir, que un cierto vector u de su suma admitiese dos
descomposiciones distintas como suma de vectores de los subespacios sumandos
u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn, con ui, vi U i y siendo uj z vj para
algunos ndices j, entonces, tomando un vector cualquiera u U 1, el vector v = u1 +
u pertenece a la suma U 1 + U 2 + ... + U n y sera expresable, como suma de vectores
de U 1, U 2, ..., U n, de dos formas distintas, u = u1 + u2 + ... + un y u = v1 + v2 + ... + vn,
lo cual no es posible, pues estos subespacios son independientes; esta imposibilidad
obliga a rechazar el supuesto de ser U 1 + U 2 + ... + U n no independientes, es decir, la
proposicin es verdadera.
T E O R E M A 5.4.5
Si en un espacio vectorial V, varios subespacios son independientes,
entonces son disjuntos dos a dos.
D E M OST R A C I O N
Si dos de los subespacios, U i y U j, con i z j, no fuesen disjuntos, es decir, si existe v z
que pertenece a ambos, todo vector u = u1 + u2 + ... + un de la suma podra
expresarse tambin en la forma u = u1 + ... + (ui + v) + ... + (uj + v) + ... + un, como
suma de vectores de los subespacios sumandos, distinta de la de partida, lo cual no es
posible, ya que dichos subespacios son independientes.
EJ E M P L O 5.4.9
Si S1 genera a U y S2 genera a W, entonces S1 S2 genera a U + W.
SO L U C I O N
Dado que U, W U + W. De igual modo, U U + W. Ya que U + W es un
subespacio que contiene a U W, Span(U W) U + W. Para cualquier u U +
W, u se puede escribir en la forma u = v + w donde v U y w W. Entonces v U
Span(U W) y w W Span(U W). Como Span(U W) es un subespacio,
u = v + w Span(U W). De donde U + W = Span(U W).
La segunda parte de la demostracin se deduce ahora directamente. U = Span(S1)
Span(S1 S2) y W = Span(S2) Span(S1 S2), de manera que U W Span(S1
S2) Span(U W) y, por lo tanto, Span(U W) = Span(S1 S2).
EJ E M P L O 5.4.10
Sean U, W y S subespacios de un espacio vectorial V:
a.- Prubese que U + W = Span(U W), es decir que U + W es el menor
subespacio que contiene a U W.
b.- Prubese que U S, entonces S (U + W) = U + (S W).
SO L U C I O N
a.- Como U y W estn ambos contenidos en U + W se tiene que U W U +
W. Supongamos que U es un subespacio que contiene a U W. Para todo elemento
u de U + W existen v U y w W con u = v + w. El elemento u es una suma de
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 221
EJ E M P L O 5.4.11
La interseccin de dos subespacios diferentes y propios de 2 ser siempre el
espacio nulo {}.
SO L U C I O N
Esto se ve con facilidad si se recuerda que los espacios propios de 2 correspondan
a rectas que pasan por el origen, y que dos rectas diferentes entre s y que pasan por
el origen se interceptan necesariamente slo en el origen. Por lo tanto, el espacio de
la interseccin consta solamente del vector cero; es decir la interseccin es el espacio
nulo {}. De forma general, cuando dos subespacios de un espacio vectorial V se
interceptan en el espacio cero, decimos que se interceptan slo trivialmente.
EJ E M P L O 5.4.12
Demuestre que si dos subespacios, U y W de un espacio vectorial V tienen la misma
dimensin finita y U W, entonces U = W.
SO L U C I O N
Existe una base de U que se puede extender hacia una base de W. Pero como DimU
= DimW, la base de W no puede tener ms elementos que la base de U. Esto
significa que una base de U es tambin una base de W; es decir, U = W.
EJ E M P L O 5.4.13
La suma de los subespacios U y W se denomina suma directa y se nota U W si
slo si todo vector de este subespacio se escribe como suma de uno de U y otro de W
de manera nica. Demuestre que la suma de los subespacios U y W es directa si y
slo si es U W = {}.
SO L U C I O N
En efecto, supongamos que la suma de los subespacios U y W es directa y que existe
un vector v z que pertenece a U y a W. Sera entonces = + y = v + (-v),
y por tanto, el vector se expresara como suma de uno de U ms otro de W cuando
menos de dos maneras distintas, contradiciendo el hecho de ser la suma de U y W
directa. Luego, el nico vector que a la vez es de U y W es el vector .
Recprocamente, sea U W = {}. Si fuese u1 + v1 = u2 + v2, donde u1 y u2 son de
U y v1 y v2 son de W, sera el vector u1 + (-u2) de U igual al vector v2 + (-v1) de W,
de donde, debe ser u1 = u2 y v1 = v2, lo que prueba que la suma de los subespacios U
y W es directa.
EJ E M P L O 5.4.14
Si V = U W y S es un subespacio cualquiera de V tal que U S, pruebe que
S = (S U) (S W).
SO L U C I O N
Ya que U S, U + (S W) S. Todo u S (U + W) se puede escribir en la
forma u = v + w donde v U y w W. Como U S, v S. As, w S y u (S
U) + (S W) = U + (S W). De donde, S = S (U + W) = U + (S W).
Finalmente, es fcil ver que esta ltima suma es directa.
PR O B L E M AS
5.4.1 Suponga que U 1, U 2 y U 3 son subespacios de V, 5.4.4 Sean U = Span{(1, 2, 3, 6), (4, -1, 3, 6), (5, 1, 6,
entonces: 12)} y W = Span{(1, -1, 1, 1), (2, -1, 4, 5)} subespacios
a.- Demustrese que (U 1 U 3) + (U 2 U 3) (U 1 + U 2) de 4. Encuentre bases para U W y U + W. Extienda
U 3; la base de U W hacia una base de U, y extienda la
b.- D un ejemplo en 2, de tal forma que se cumpla el base de U W hacia una base de W. De estas bases,
inciso anterior. obtenga una base de U + W.
5.4.2 Demustrese con un ejemplo que si U, W, S son 5.4.5 Demuestre con un ejemplo que si U 1, U 2, U 3 son
subconjuntos de un espacio vectorial V y si U est subespacios de V y U 3 U 1, U 3 U 2 entonces U 3 U 1
contenido en W, entonces U + S est contenido en W + S. U 2.
5.4.3 Descrbanse las intersecciones de los subconjuntos 5.4.6 Sea U el subespacio de 3 de todos los
siguientes U, W de C(-f; +f) y determnese si la inter- polinomios tales que p(0) = 0, y sea W el subespacio de
seccin es un subespacio: todos los polinomios tales que p(1) = 0. Determine una
a.- U: todas las f tales que f(0) = 0; W: todas las f tales base de U, una base de W y una base de su interseccin
que f(1) = 0. U W.
b.- U: todos los polinomios; W: todas las funciones pares.
c.- U: todos los polinomios; W: todas las funciones acota- 5.4.7 Examnese desde el punto de vista geomtrico
das. la clase posible de interseccin de dos subespacios no
d.- U: todas las f que tienen perodo 3S; W: todas las f triviales U, W de 3 en cada uno de los casos siguien-
que tienen perodo 2S. tes:
e.- U: todas las f con lmite 0 cuando x o f; W: todas a.- U y W corresponden a rectas que pasan por 0.
las f con lmite 1 cuando x o f. b.- U corresponde a una recta que pasa por 0, W a un
f plano que pasa por 0.
f.- U: todas las f tales que existe 0 f ( x) dx ; W: todas las
c.- U y W corresponden a planos que pasan por 0.
0
f tales que existe f f ( x) dx .
5.5 D E P E N D E N C I A E I N D E P E N D E N C I A L I N E A L
En esta seccin se estudiarn condiciones en las que cada vector en un espacio vectorial se puede expresar de
manera nica como una combinacin lineal de los vectores generadores. Los conjuntos generadores con esta
propiedad son funda mentales en el estudio de los espacios vectoriales.
Considere los vectores arbitrarios u1, u2, ..., uk en un espacio vectorial V. Puede
ocurrir que uno de ellos se expresa como combinacin lineal de los dems. Sea,
por ejemplo, el vector u1. Entonces, cada uno de los vectores u1, u2, ..., uk se ex-
presa linealmente en trminos de u2, ..., uk. Por esta razn cualquier combinacin
lineal de los vectores u1, u2, ..., uk es tambin una combinacin lineal de los vecto-
res u2, ..., uk. Por consiguiente, los subespacios generados por los vectores u1, u2,
..., uk y u2, ..., uk coinciden.
Suponga luego que entre los vectores u2, ..., uk hay un vector, por ejemplo, u2
que tambin se expresa linealmente en trminos de los vectores restantes. Al
repetir estos razonamientos, llegamos a la conclusin de que ahora cualquier
combinacin lineal de los vectores u1, u2, ..., uk es tambin una combinacin lineal
de los vectores u3, ..., uk. Continuando este proceso, pasamos, del sistema u1, u2,
..., uk a un sistema de vectores del cual ya no podemos excluir ni uno de los vecto-
res.
El subespacio generado del nuevo sistema de vectores coincide con el subespacio
generado de los vectores u1, u2, ..., uk. Adems, podemos decir que si entre u1, u2,
..., uk hubo aunque un solo vector no nulo, el nuevo sistema de vectores o bien
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 223
binacin lineal de los otros dos. Geomtricamente, esto equivale a decir que nin-
guno de los vectores est en el mismo plano que los otros dos o, de otro modo,
que los tres vectores no estn en un plano comn cuando se colocan con sus pun-
tos iniciales en el origen.
T E O R E M A 5.5.5
Sea S un subconjunto de un espacio vectorial V, y suponga que S contie-
ne a dos o ms elementos. Entonces, S es linealmente dependiente si, y
slo si, hay un subconjunto propio S de S con la propiedad de que
Span(S) = Span(S).
D E M OST R A C I O N
Suponga que existe ese subconjunto S. Entonces, debe haber un vector u que est
en S sin estar en S. Ahora bien, u est en Span(S) y, como Span(S) = Span(S), u
tambin est en Span(S). Por lo tanto, u = a1u1 + a2u2 + ... + a kuk, donde u1, u2, ...,
uk estn en S. Por lo tanto, los ui estn en S y son diferentes de u. Pero, entonces,
a1u1 + a2u2 + ... + akuk + (-1)u = y concluimos que S es linealmente dependiente.
A continuacin, sea S un conjunto linealmente dependiente. Entonces, existen
vectores u1, u2, ..., uk en S tales que a1u1 + a2u2 + ... + a kuk = donde no todos los
coeficientes son cero; supongamos que a 1 z 0. Entonces, podemos expresar u1
como combinacin lineal de u2, ..., uk. Por lo tanto, podemos expresar toda combi-
nacin lineal de elementos de S como una combinacin lineal as, sin usar a u1.
Por lo tanto, si tomamos a S como S sin el vector u1, entonces Span(S) =
Span(S), y S es subconjunto propio de S.
El siguiente teorema muestra que un conjunto linealmente independiente en n
puede contener cuando mucho n vectores.
T E O R E M A 5.5.6
Sea S = {v1, v2, ..., vk} un conjunto de vectores en n. Si k > n, entonces S
es linealmente dependiente.
D E M OST R A C I O N
Se supone que
v1 ( a11 , a1 2 , ..., a1 n )
v2 ( a21 , a2 2 , ..., a2 n )
v ( a , a , ..., a )
k k1 k 2 kn
EJ E M P L O 5.5.1
Mostrar que cualesquiera que sean los vectores u, v, w y los nmeros a, b, c el
sistema de vectores {au - bv, cv - aw, bw - cu} es linealmente dependiente.
SO L U C I O N
Hacemos la combinacin lineal con el vector nulo:
= D(au - bv) + E(cv - aw) + G(- cu + bw)
= (aD - cG)u + (- bD + cE)v + (- aE + bG)w
Establecemos un sistema de ecuaciones homogneas:
a D cG 0 a 0 c
bD cE 0 b c 0 0
aE bG 0 0 a b
Como el determinante de la matriz de coeficientes del sistema homogneo es igual a
cero, entonces ste tiene un nmero indeterminado de soluciones. Lo cual indica que
el sistema dado es linealmente dependiente.
EJ E M P L O 5.5.2
Sea u, v, w un sistema de vectores linealmente independiente. Sern linealmente
independientes los sistemas de vectores siguientes:
a.- {u, u + v, u + v + w}; b.- {u + v, v + w, w + u}; c.- {u v, v w, w u}.
SO L U C I O N
a.- Hacemos la combinacin lineal con el vector nulo:
= Du + E(u + v) + G(u + v + w) = (D + E + G)u + (E + G)v + Gw
como u, v, w forman un sistema linealmente independiente, entonces:
D E G 0 1 1 1
EG 0 0 1 1 z0
G 0 0 0 1
Como el determinante de la matriz de coeficientes del sistema homogneo es
diferente de cero, entonces ste tiene solucin nica y por lo tanto D = E = G = 0. Lo
cual indica que el sistema dado es linealmente independiente.
b.- Hacemos la combinacin lineal con el vector nulo:
= D(u + v) + E(v + w) + G(u + w) = (D + G)u + (D + E)v + (E + G)w
como u, v, w forman un sistema linealmente independiente, entonces:
D G 0 1 0 1
D E 0 1 1 0 z 0
E G 0 0 1 1
Como el determinante de la matriz de coeficientes del sistema homogneo es
diferente de cero, entonces ste tiene solucin nica y por lo tanto D = E = G = 0. Lo
cual indica que el sistema dado es linealmente independiente.
c.- Hacemos la combinacin lineal con el vector nulo:
= D(u - v) + E(v - w) + G(- u + w) = (D - G)u + (- D + E)v + (- E + G)w
como u, v, w forman un sistema linealmente independiente, entonces:
DG 0 1 0 1
D E 0 1 1 0 0
E G 0 0 1 1
Como el determinante de la matriz de coeficientes del sistema homogneo es igual a
cero, entonces ste tiene un nmero indeterminado de soluciones. Lo cual indica que
el sistema dado es linealmente dependiente.
EJ E M P L O 5.5.3
Establecer, si los siguientes sistemas de vectores de sus correspondientes espacios,
son linealmente dependientes o no:
a.- {(1, i, 2 i, 3 + i), (1 i, 1 + i, 1 3i, 4 2i)};
b.- {(1, 1, 1, 1), (1, -1, -1, 1), (1, -1, 1, -1), (1, 1, -1, -1)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema
dado y luego procedemos a calcular el rango de dicha matriz:
1 i 2 i 3 i 1 i 2 i 3 i
| .
1 i 1 i 1 3i 4 2i 0 0 0 0
Como el rango de la matriz es igual a 1, entonces el sistema es linealmente
dependiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
determinante con sus elementos:
1 1 1 1
1 1 1 1
z0.
1 1 1 1
1 1 1 1
Como el determinante es diferente de cero, entonces el sistema es linealmente
independiente.
EJ E M P L O 5.5.4
Sean a, b, c distintos nmeros reales. Ser linealmente dependiente el siguiente
sistema de polinomios {(x - a)(x - b), (x - a)(x - c), (x - b)(x - c)}?
SO L U I C I O N
Hacemos la combinacin lineal con el vector nulo:
= D(x a)(x b) + E(x a)(x c) + G(x b)(x c)
0x2 + 0x + 0 = (D + E + G)x2 + [-(a + b)D - (a + c)E - (b + c)G]x + (abD + acE + bcG).
Establecemos un sistema de ecuaciones homogneas:
D EG 0 1 1 1
( a b)D ( a c )E (b c )G 0 a b a c b c ( a b)( a c )(c b) .
abD acE bcG 0 ab ac bc
Si (a b)(a c)(c b) = 0, el sistema es linealmente dependiente.
Si (a b)(a c)(c b) z 0, el sistema es linealmente independiente.
EJ E M P L O 5.5.5
Verifquese que los conjuntos siguientes son subconjuntos linealmente
independientes del espacio vectorial de todos los polinomios:
a.- {1, t 1, t2 t, t3 t2}; b.- {1, 1 + t, 1 + t + t2, 1 + t + t2 + t3}.
SO L U C I O N
a.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
determinante con sus elementos:
0 0 0 1
0 0 1 1
z0.
0 1 1 0
1 1 0 0
Como el determinante es diferente de cero, entonces el sistema es linealmente
independiente.
b.- Para verificar si el sistema dado es linealmente dependiente o no, formamos un
determinante con sus elementos:
1 0 0 0
1 1 0 0
z0.
1 1 1 0
1 1 1 1
f1 f2 f n a1 0
f 1 f 2 f n a2 0
0
( n 1)
f
1 f 2( n 1) f n( n 1) an 0
tiene una solucin no trivial para toda x en el intervalo (-f, f). Esto a su vez
significa que para toda x en (-f, f) la matriz de coeficientes es singular o, de
manera equivalente, que su determinante es cero para toda x en (-f, f). Por tanto,
si el wronskiano no es idnticamente cero sobre (-f, f), entonces las funciones f1,
f2, ..., fn deben ser vectores linealmente independientes en (n-1)(-f, f).
EJ E M P L O 5.5.6
Determnese si los subconjuntos siguientes de C(0; f) son linealmente
independientes:
a.- {Sen2t, Sent, t}; b.- {Sent, Sen2t, Sen3t}; c.- {Sent, Sen(t + 1), Cost};
d.- {e t, te t, t2e t}; e.- { Cost, Cos2t, Cos3 t}.
SO L U C I O N
a.- Construimos el Wronskiano:
Sen2 t Sent t
2
W{Sen t , Sent , t} Sen2t Cost 1 2Sent 2tSen 2 t 2tCost 3Sen3t .
2 Cos 2t Sent 0
Si t = 0, entonces W = 0. Por lo tanto el conjunto {Sen2t, Sent, t} es linealmente
dependiente.
5.5.1 Demuestre que un subconjunto no vaco de un 5.5.6 Si u y v son linealmente independientes y w est en
conjunto finito de vectores linealmente independientes es Span{u, v} entonces {u, v, w} es linealmente dependiente.
linealmente independiente.
5.5.7 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 =
5.5.2 Demuestre que si S1 es un subconjunto de S2 y S1 es 2u1 + u2, entonces {u1, u2, u3, u4} es linealmente
linealmente dependiente, entonces tambin S2 es dependiente.
linealmente dependiente.
5.5.8 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 =
5.5.3 Demuestre que cualquier conjunto de vectores que , entonces {u1, u2, u3, u4} es linealmente dependiente.
contenga al vector cero es linealmente dependiente.
5.5.9 Demuestre que si u1 y u2 estn en 4 y u1 no es un
5.5.4 Demuestre que dos vectores son linealmente mltiplo escalar de u2, entonces {u1, u2} es linealmente
dependientes s y slo si estn en una misma recta que pasa independiente.
por el origen. Si u y v son linealmente independientes y si
{u, v, w} es linealmente dependiente, entonces e est en 5.5.10 Demuestre que si u1, u2, u3, u4 estn en 4 y u3 no
Span{u, v}. es combinacin lineal de u1, u2, u4, entonces {u1, u2, u3,
u4} es linealmente independiente.
5.5.5 Dado que {u1, u2, ..., uk} es un conjunto de
vectores linealmente independientes, pero el conjunto 5.5.11 Demuestre que si u1, u2, u3, u4 son vectores
{u1, u2, ..., uk , u} es linealmente dependiente, demuestre linealmente independientes en 4, entonces {u1, u2, u3, u4}
que u es una combinacin lineal de los ui. es linealmente independiente.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 231
5.5.12 Demuestre que si u1, u2, u3, u4 estn en 4 y {u1, 5.5.23 Determnese si los subconjuntos siguientes de
u2, u3} es linealmente dependiente, entonces {u1, u2, u3, u4} C(0; f) son linealmente independientes:
tambin es linealmente dependiente. a.- ^Senx, Cosx, 1`; b.- ^lnx, lnx2, lnx3`;
c.- ^ex, lnx, x`.
5.5.13 En qu condiciones un conjunto que consta de
un solo vector es linealmente independiente? 5.5.24 De los subconjuntos siguientes de 3, cules
son linealmente independientes?
5.5.14 Demustrese que, si W es subespacio de V y si a.- ^(1, 1, 0), (1, 0, 1), (0, 1, 1)`;
U es subconjunto linealmente independiente de W, en- b.- ^(1, 2, 3), (3, 4, 5), (5, 6, 7)`;
tonces U es subconjunto linealmente independiente de V. c.- ^(1, 2, 3), (3, 2, 1), (1, 1, 1), (2, 3, 1)`;
d.- ^(1, 2, 3), (3, 2, 1), (-7, -2, 1)`;
5.5.15 Demuestre que si {u, v, w} es un conjunto de
e.- ^(1, 1, 2), (2, 3, -1), (-1, -6, 9)`.
vectores linealmente independiente en un espacio vectorial
V y x es cualquier vector en V, entonces {u, v, w, x}
5.5.25 Sean U, W subconjuntos de un espacio vectorial
tambin es linealmente independiente.
V. Demustrese que:
a.- Si U es conjunto linealmente dependiente y si U est
5.5.16 Demuestre que dos vectores u y v son linealmente
contenido en W, entonces W es conjunto linealmente
dependientes s y slo si uno es un mltiplo escalar del
dependiente.
otro.
b.- Si W es conjunto linealmente independiente y si U
est contenido en W, entonces U es conjunto linealmen-
5.5.17 Sean A y B dos matrices de n x n con A y B no
te independiente.
nulas. Demuestre que si A es simtrica y B es antisimtrica,
entonces {A, B} es un conjunto linealmente independiente.
5.5.26 Suponga que A es una matriz de m x n con la
5.5.18 Demustrese que, si W es subespacio de V y si propiedad de que para cada B de m la ecuacin A X = B
U es subconjunto de W que adems es subconjunto tiene a lo ms una solucin. Utilice la definicin de
linealmente independiente de V, entonces U es independencia lineal para explicar por qu las columnas
subconjunto linealmente independiente de W. de A deben de ser linealmente independientes.
5.5.19 En cada caso, determnese un valor de k, de ma- 5.5.27 Verifquese que los conjuntos siguientes son
nera que el par dado de vectores sea linealmente depen- subconjuntos linealmente independientes del espacio
diente: vectorial de todos los polinomios:
a.- {(k + 1)u + v, 4u + (k + 1)v}; a.- ^1, x 1, x2 x, x3 x2`;
b.- {u 2v, 3u + kv}. b.- ^1+ x, 1 + 2x, 1 + 3x`;
c.- ^x, x + x2, x + x2 + x3, x4`;
5.5.20 Demuestre que si {u, v, w} es un conjunto de d.- ^x, x2 x, x3 x`;
vectores linealmente independiente, entonces tambin {u, e.- ^x3 - 1, 2x3 - 2, x4`;
v}, {u, w}, {v, w}, {u}, {v} y {w} son linealmente f.- ^1, 1 + x, 1 + x + x2, 1 + x + x2 + x3`;
independientes. g.- ^x2 - 1, 2x2 - 4, x2 + 1`;
h.- ^x4 2x2, x4 + 2x2, - x4 - 2x2`;
5.5.21 Demuestre que todo conjunto con ms de tres i.- ^x2 + 1, x2 - x, x2 - x`.
vectores de 2 es linealmente dependiente.
5.5.28 Demuestre que si {u, v} es linealmente
5.5.22 Demustrese que, si W es subespacio de V y si independiente y w no est en Span{u, v}, entonces {u, v,
U es base de W, entonces U es subconjunto linealmente w} es linealmente independiente.
independiente de V.
En esta seccin se estudiar la base y dimensin de un espacio vectorial, porque es comn imaginar a una
recta como unidimensional, a un plano como bidimensional y al espacio circundante como tridimensional. Se
enunciarn y demostrarn las propiedades ms importantes.
D E F I N I C I O N 5.6.1
Si V es cualquier espacio vectorial y S = {v1, v2, ..., vn} es un conjunto
de vectores en V, entonces S se llama base de V si se cumplen las dos
condiciones siguientes:
1.- S es linealmente independiente.
2.- S genera a V.
T E O R E M A 5.6.1
Si S = {v1, v2, ..., vn} es una base de un espacio vectorial V, entonces
todo vector v en V se puede expresar en forma nica como v = a 1v1 +
a 2v2 + ... + a nvn.
D E M OST R A C I O N
Como S genera a V, por la definicin de subespacio generado se concluye que
todo vector v en V se puede expresar como una combinacin lineal de los vecto-
res en S. Para ver que slo existe una manera de expresar un vector como una
combinacin lineal de los vectores en S, supngase que algn vector v se puede
escribir como
v = a 1v1 + a 2v2 + ... + a nvn
y tambin como
v = b1v1 + b2v2 + ... + bnvn.
Restando la segunda ecuacin de la primera se obtiene
= ( a 1 b1)v1 + ( a 2 b2)v2 + ... + ( a n bn)vn.
Como el miembro derecho de esta ecuacin es una combinacin lineal de vecto-
res en S, la independencia lineal de S indica que a 1 b1 = 0, a 2 b2 = 0, ..., a n
bn = 0, es decir, a 1 = b1, a 2 = b2, ..., a n = bn. As, las dos expresiones para v
son iguales.
Este teorema indica que dos combinaciones lineales de vectores de una base
resultan en el mismo vector si, y slo si, el coeficiente de cada vector de la base
es el mismo en las dos expresiones; es decir, si {v1, v2, ..., vn} es base de V y si
EJ E M P L O 5.6.1
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no estn en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinacin lineal de u, v, w; esto se puede observar en la figu-
ra.
D E F I N I C I O N 5.6.2
La dimensin de un espacio vectorial V de dimensin finita, denotada
por Dim(V), se define como el nmero de vectores que hay en una base
de V. Adems, por definicin, el espacio vectorial cero es de dimensin
cero.
Obsrvese que el espacio cero, {}, no tiene base, pues {} slo contiene al
vector , por lo cual no contiene ningn subconjunto linealmente independien-
te. Se puede demostrar que todos los dems espacios vectoriales s tienen bases,
aunque a veces las bases son conjuntos infinitos.
D E F I N I C I O N 5.6.3
Se dice que un espacio vectorial V diferente de cero es de dimensin
finita si contiene un conjunto finito de vectores v1, v2, ..., vn que forma
una base. Si no es as, se dice que V es de dimensin infinita. Adems,
se considera que el espacio vectorial cero es de dimensin finita.
T E O R E M A 5.6.2
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
234 ESPACIOS VECTORIALES
a11b1 a1 2 b2 a1 n bn 0
a21b1 a2 2 b2 a2 n bn 0
a b a b a b 0
m1 1 m 2 2 mn n
Este sistema lineal tiene ms incgnitas que ecuaciones y por lo tanto posee
soluciones no triviales.
De este teorema se deduce que si S = {v1, v2, ..., vn} es cualquier base para un
espacio vectorial V, entonces todos los conjuntos en V que simultneamente
generan a V y son linealmente independientes deben tener precisamente n vecto-
res. As, todas las bases de V deben tener el mismo nmero de vectores que la
base arbitraria S. Esto lleva al siguiente teorema, que es uno de los ms impor-
tantes en lgebra lineal.
T E O R E M A 5.6.3
Todas las bases de un espacio vectorial de dimensin finita tienen el
mismo nmero de vectores.
D E M OST R A C I O N
Supngase que S es una base con un nmero finito n de elementos y S otra base
cualquiera. Ya que S genera a V y S es linealmente independiente, el nmero m
de elementos en S debe ser a lo ms n. Esto prueba que S es finita y m d n.
Pero entonces pueden intercambiarse los papeles de S y S para obtener la de-
sigualdad en el otro sentido, as que m = n.
EJ E M P L O 5.6.2
Hallar todas las bases de los sistemas de vectores siguientes:
a.- {(4, -2, 12, 8), (-6, 12, 9, -3), (-10, 5, -30, -20), (-14, 28, 21, -7)};
b.- {(1, 2, 3, 0, -1), (0, 1, 1, 1, 0), (1, 3, 4, 1, -1)};
c.- {(1 + i, 1 i, 2 + 3i), (i, 1, 2), (1 i, - 1 i, 3 2i), (4, -4i, 10 + 2i)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
4 2 12 8 2 1 6 4 2 1 6 4 2 1 6 4
6 12 9 3 2 4 3 1 0 1 3 1 0 1 3 1
| | |
10 5 30 20 2 1 6 4 0 0 0 0 0 0 0 0
14 28 21 7 2 4 3 1 0 1 3 1 0 0 0 0
Como el rango de la matriz es igual a 2, entonces cada una de las bases tiene dos
elementos:
S1 = {(4, -2, 12, 8), (-6, 12, 9, -3)} y S2 = {(-10, 5, -30, -20), (-14, 28, 21, -7)}.
b.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
1 2 3 0 1 1 2 3 0 1 1 2 3 0 1
0 1 1 1 0 | 0 1 1 1 0 | 0 1 1 1 0
1 3 4 1 1 0 1 1 1 0 0 0 0 0 0
Como el rango de la matriz es igual a 2, entonces cada una de las bases tienen dos
elementos:
T E O R E M A 5.6.4
Un conjunto de n vectores en un espacio vectorial V es una base si, y
slo si es linealmente independiente.
D E M OST R A C I O N
Sea S = {v1, v2, ..., vn} un conjunto linealmente independiente y v un vector
cualquiera en V. Ya que {v1, v2, ..., vn, v} contiene n + 1 elementos, debe ser
linealmente dependiente. Cualquier relacin no trivial que exista debe contener
a v con un coeficiente diferente de cero, porque si ese coeficiente fuera cero, la
relacin equivaldra a una relacin en S. As pues, v depende de S. Por lo tanto,
S genera a V y es una base.
E J E M P L O 5.6.3
Todo conjunto linealmente independiente de tres vectores de 3 es base de 3.
SO L U C I O N
Si u = OP, v = OQ, w = OR son linealmente independientes, entonces O, P, Q, R
no estn en el mismo plano y, por consiguiente, cada vector x = OS se puede
expresar como combinacin lineal de u, v, w.
EJ E M P L O 5.6.4
Hallar una base cualquiera de cada uno de los siguientes sistemas de vectores:
a.- {(0, 2, -1), (3, 7, 1), (2, 0, 3), (5, 1, 8)};
b.- {(-1, 4, -3, -2), (3, -7, 5, 3), (3, -2, 1, 0), (-4, 1, 0, 1)};
c.- {(14, -27, -49, 113), (43, -82, -145, 15), (-29, 55, 96, -17), (85, -163, -13, 77)};
d.- {(3 i, 1 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 7i, 4i), (0, 1, 1, -3)}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
0 2 1 0 2 1 0 2 1
3 7 1 | 3 7 1 3 7 1
|
2 0 3 0 2 1 0 0 0
5 1 8 0 32 19 0 0 3
Como el rango de la matriz es igual a 3, entonces la base buscada esta formada por:
{(0, 2, -1), (3, 7, 1), (5, 1, 8)}.
b.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
1 4 3 2 1 4 3 2 1 4 3 2
3 7 5 3 | 0 5 4 3 | 0 5 4 3
3 2 1 0 0 5 4 3 0 0 0 0
4 1 0 1 0 5 4 3 0 0 0 0
Como el rango de la matriz es igual a 2, entonces la base buscada esta formada por:
{(-1, 4, -3, -2), (3, -7, 5, 3)}.
c.- En este caso formamos un determinante, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular dicho determinante:
14 27 49 113
43 82 145 15
z0
29 55 96 17
85 163 13 77
Como el determinante es diferente de cero, entonces el sistema dado es base.
d.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
3 i 1 2i 7 5i 4 3i 3 i 1 2i 7 5i 4 3i
1 3i 1 i 6 7i 4i | 0 3i 3i 9 3i
0 1 1 3 0 1 1 3
3 i 1 2i 7 5i 4 3i
0 3i 3i 9 3i
0 0 0 0
Como el rango de la matriz es igual a 2, entonces la base buscada esta formada por:
{(3 i, 1 2i, - 7 + 5i, 4 + 3i), (1 + 3i, 1 + i, - 6 7i, 4i)}.
EJ E M P L O 5.6.5
Determnese si el subconjunto S es linealmente independiente y, cuando sea
posible, encuntrese una base del espacio que contiene a S:
a.- S = {(1, 1, 1, 1), (1, 2, 3, 4)} 4; b.- S = {t + t3, t2 + t6, 1 t t3} 6.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del
sistema dado y luego procedemos a calcular el rango de dicha matriz:
1 1 1 1 1 1
1 z0, z0.
1 2 3 4 1 2
Como el rango de la matriz es igual a 2, entonces el sistema dado es linealmente
independiente. Para extender hasta encontrar una base del espacio 4 que contenga
a S, aumentamos a la matriz inicial una fila de variables:
1 1 1 1 1 1 1
1 2 3 4 1 2 3 a 2b c .
a b c d a b c
Para que el vector (a, b, c, d) forme parte de la base de 4, entonces debe satisfacer
a 2b + c z 0, es decir un posible vector puede es, (1, 1, -1, 0). Para encontrar el
ltimo vector que formar parte de la base del espacio 4, a la ltima matriz le
aumentamos una fila de variables:
1 1 1 1 1 1 1 1
1 2 3 4 1 2 3 4 3x 4 y z 2u .
1 1 1 0 1 1 1 0
x y z u x y z u
Para que el vector (x, y, z, u) forme parte de la base de 4, entonces debe satisfacer
T E O R E M A 5.6.5
En un espacio vectorial de dimensin finita, todo conjunto generador
contiene una base.
D E M OST R A C I O N
Sea S un conjunto que genera a V. Si V = {}, entonces S es una base de
{}. Si V z {}, entonces S debe contener al menos un vector v1, diferente de
cero. Busquemos otro vector en S que no dependa de {v1}. Llamemos a este
vector v2 y busquemos otro vector en S que no dependa del conjunto linealmen-
te dependiente {v1}. Continuamos de la misma manera hasta donde podamos,
pero el proceso debe terminar ya que no podemos encontrar ms de n vectores
linealmente independientes en S. Supongamos que se ha hallado el conjunto
S = {v1, v2, ..., vm} con la propiedad de que todo vector en S es linealmente
dependiente de S. Entonces el conjunto S tambin debe generar a V y es una
base.
T E O R E M A 5.6.6
En un espacio vectorial de dimensin finita, cualquier conjunto lineal-
mente independiente de vectores se puede extender hasta tener una ba-
se.
D E M OST R A C I O N
Sea S = {v1, v2, ..., vn} una base de V y S = {u1, u2, ..., um} un conjunto lineal-
mente independiente m d n. El conjunto {u1, u2, ..., um, v1, v2, ..., vn} genera a V.
Si este conjunto es linealmente dependiente, entonces algn elemento es una
combinacin lineal de los elementos precedentes. Este elemento no puede ser
uno de los ui, porque entonces S sera linealmente dependiente. Pero entonces
puede eliminarse este vi para obtener un conjunto menor que genera a V. Conti-
nuamos de esta manera, quitando elementos mientras se tenga un conjunto gene-
rador linealmente dependiente. En ningn paso se elimina a alguno de los ui. Ya
que nuestro conjunto generador es finito, este proceso debe terminar con una
base que contenga a S como subconjunto.
Como caso especial del teorema, podemos enunciar lo siguiente: si { v1, v2, ...,
vm} es base de un subespacio S de un espacio vectorial V de dimensin finita,
entonces existe una base de V que contiene a v1, v2, ..., vm. Por consiguiente, se
puede extender cada base de un subespacio a una base de la totalidad del espa-
cio vectorial.
T E O R E M A 5.6.7
Sea S un conjunto no vaco de vectores en un espacio vectorial V. Si S
es un conjunto linealmente independiente y v es un vector en V que no
pertenece a Span(S), entonces el conjunto que se obtiene al incluir v en
S an es linealmente independiente.
D E M OST R A C I O N
Supngase que S = {v1, v2, ..., vk} es un conjunto linealmente independiente de
vectores en V y que v es un vector en V fuera de Span(S). Para probar que S =
{v1, v2, ..., vk, v} es un conjunto linealmente independiente, es necesario demos-
trar que los nicos escalares que satisfacen
a 1v1 + a 2v2 + ... + a kvk + a k+1v =
son a 1 = a 2 = ... = a k = a k+1 = 0. Pero se debe tener que a k+1 = 0; en caso contra-
rio, v se podra despejar en la ecuacin como una combinacin lineal de S, con-
tradiciendo la hiptesis de que v es un vector que no pertenece a Span(S). As, la
ecuacin se simplifica a a 1v1 + a 2v2 + ... + a kvk = lo cual, debido a la indepen-
dencia lineal de S, significa que a 1 = a 2 = ... = a k = 0.
E J E M P L O 5.6.6
Sea Span(S) = {( a , b, c) / a b + c = 0} y v = (1, -2, 1) 3. Demostrar que el
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
240 ESPACIOS VECTORIALES
T E O R E M A 5.6.8
Sea S un conjunto no vaco de vectores en un espacio vectorial V. Si v
es un vector en S que se puede expresar como una combinacin lineal
de los dems vectores en S, y si S - {v} denota el conjunto que se ob-
tiene al quitar v de S, entonces S y S - {v} generan el mismo espacio; es
decir,
Span(S) = Span(S - {v}).
D E M OST R A C I O N
Supngase que S = {v1, v2, ..., vk} es un conjunto de vectores en V y, para ser
especficos, supngase que vk es una combinacin lineal de v1, v2, ..., vk-1, por
ejemplo
vk = a 1v1 + a 2v2 + ... + a k-1vk-1 (1)
Se quiere demostrar que si vk se extrae de S, entonces el conjunto de vectores
restantes {v1, v2, ..., vk-1} sigue generando a Span(S); es decir, se debe demostrar
que todo vector u en Span(S) se puede expresar como una combinacin lineal de
{v1, v2, ..., vk-1}. Pero si u est en Span(S), entonces u se puede expresar en la
forma
u = b1v1 + b2v2 + ... + bk-1vk-1 + bkvk (2)
o bien, sustituyendo en la ecuacin (1)
u = b1v1 + b2v2 + ... + bk-1vk-1 + bk( a 1v1 + a 2v2 + ... + a k-1vk-1)
que expresa a u como una combinacin lineal de v1, v2, ..., vk-1.
En general, para probar que un conjunto de vectores { v1, v2, ..., vn} es una base
de un espacio vectorial V, se debe demostrar que los vectores son linealmente
independientes y generan a V. Sin embargo, si se sabe que la dimensin de V es
n, entonces basta verificar ya sea, la independencia lineal o la generacin: la otra
condicin se cumple automticamente.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 241
T E O R E M A 5.6.9
Si U es un subespacio vectorial de un espacio vectorial V de dimensin
finita, entonces Dim(U) d Dim(V); adems, si Dim(U) = Dim(V), en-
tonces U = V.
D E M OST R A C I O N
Sea S = {u1, u2, ..., um} una base para U. S puede ser una base para V o no. Si es
as, entonces Dim(U) = Dim( V) = m. Si no es as, entonces es posible agregar
vectores al conjunto linealmente independiente S a fin de convertirlo en una
base para V de modo que Dim(U) < Dim(V). Por tanto, Dim(U) d Dim(V) en
todos los casos. Si Dim(U) = Dim(V), entonces S es un conjunto de m vectores
linealmente independientes en el espacio vectorial V de dimensin m; por tanto,
S es una base para V. Esto significa que U = V.
T E O R E M A 5.6.10
Si U y W son subespacios vectoriales de dimensin finita de un espacio
vectorial V, entonces
Dim(U + W) + Dim(U W) = Dim(U) + Dim( W).
D E M OST R A C I O N
Hemos de verificar que, si U y W son subespacios de dimensin finita de un
espacio vectorial V, entonces Dim(U + W) + Dim(U W) = Dim(U) +
Dim(W). Puesto que U W es subespacio del espacio de dimensin finita U.
Sabemos que U W es de dimensin finita. Como U + W est generado por la
unin de una base de U y una base de W, tambin es de dimensin finita. Sea
{u1, u2, ..., uk} una base de U W, existen vectores v1, v2, ..., vr en U tales que
{u1, u2, ..., uk, v1, v2, ..., vr} es base de U. De la misma manera, hay vectores w1,
w2, ..., wt en W tales que {u1, u2, ..., uk, w1, w2, ..., wt} es base de W. Vemos
claramente que
Span{u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} = U + W.
Si
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr + c1w1 + c2w2 + ... + c twt = ,
entonces,
v = a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr = - c1w1 - c2w2 - ... - c twt
est en U W. Luego existen escalares d1, d2, ..., dk con la propiedad de que
v = d1u1 + d2u2 + ... + dkuk,
de donde tenemos que
d1u1 + d2u2 + ... + dkuk + c1w1 + c2w2 + ... + c twt = .
Pero {u1, u2, ..., uk, w1, w2, ..., wt} es un conjunto linealmente independiente de
V y, en consecuencia, c1 = c2 = ... = c t = 0. Pero, entonces vemos que
a 1u1 + a 2u2 + ... + a kuk + b1v1 + b2v2 + ... + brvr =
y, como {u1, u2, ..., uk, v1, v2, ..., vr} es base de U y, por tanto, conjunto lineal-
mente independiente, tenemos que a 1 = a 2 = ... = a k = b1 = b2 = ... = br = 0. Por lo
tanto, hemos hecho ver que {u1, u2, ..., uk, v1, v2, ..., vr, w1, w2, ..., wt} es
linealmente independiente y genera a U + W. Por consiguiente,
Dim(U + W) = t + k + r = (t + k) + ( r + k) k
= Dim(U) + Dim(W) - Dim(U W).
De este teorema se puede deducir una desigualdad que ofrece el valor mnimo
de la dimensin de la interseccin de unos subespacios. Consideremos los
subespacios vectoriales U y W de V y sean r y s las dimensiones de estos
EJ E M P L O 5.6.7
Suponga que V es de dimensin n y que cada uno de los conjuntos U y W es
subespacio de V de dimensin n - 1. Suponga adems, que U z W. Entonces,
Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no est en el otro.
En consecuencia, U + W contiene a uno de U, W o tal vez a ambos, como
subespacio propio. De acuerdo con eso n t Dim(U + W) > n - 1 = Dim(U) =
Dim(W); de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W)
= (n - 1) + (n - 1) n
= n - 2.
EJ E M P L O 5.6.8
Sea U el conjunto de elementos (a, b, c, d) tales que a b + c = 0. Sea W el
conjunto de elementos (a, b, c, d) tales que b + c + d = 0. Entonces, U W = S
ser el conjunto de elementos (a, b, c, d) que cumplan tanto con la condicin a b
+ c = 0 como con la condicin b + c + d = 0, y DimS = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de 4, y DimU = DimW = 3.
Se ve claramente que (1, 1, 0, 0) est en U y no est en W, de manera que
U z W. Por lo tanto DimS = 2.
T E O R E M A 5.6.11
La dimensin de una suma directa de subespacios es igual a la suma de
las dimensiones de estos subespacios.
D E M OST R A C I O N
Si tenemos dos sumandos, entonces la dimensin de la suma es igual, por el
teorema anterior. Pero, la interseccin de subespacios en el caso de una suma
directa es nula y su dimensin es igual a cero. Por esto, la dimensin de una
suma directa de dos subespacios es igual a la suma de sus dimensiones.
T E O R E M A 5.6.12
La dimensin del espacio de soluciones del sistema homogneo con n
incgnitas A X = O es igual a la diferencia n r, donde r es el rango del
sistema A X = O.
%Ingreso de elementos
fprintf('Ingrese los vectores del sistema S\n')
for f=1:fil
fprintf('\nIngrese la Ecuacion (%d)\n', f)
for c=1:col
fprintf('Ingrese el elemento %d',f)
S(f,c)=input(' :');
end
end
fprintf('LA MATRIZ DE VECTORES ES:\n')
S
fprintf('LA MATRIZ REDUCIDA ES:')
R= rref(S);
R
if (rank(S)==fil)
fprintf('EL SISTEMA DE VECTORES S ES UNA BASE \n')
DimS=rank(R)
else
fprintf('EL SISTEMA DE VECTORES S NO ES UNA BASE \n')
end
E J E M P L O 5.6.9
Si a , b, c son nmeros reales, si c z 0 y si S es el conjunto de todos los vectores (x, y, z) de 3
con la propiedad de que ax + by + cz = 0, entonces S es subespacio de V y Dim(S) = 2.
SO L U C I O N
Como ax + by + cz = 0 es un plano que pasa por el origen, entonces vemos que S es subespacio
de 3. Sean k = - a /c, r = - b/ c. Entonces, podemos describir a S como el conjunto de todos los
(x, y, z) tales que kx + ry - z = 0. Adems, observamos que u = (1, 0, k) y v = (0, 1, r) estn en S.
Podemos demostrar que u, v son linealmente independientes. Si w = (x, y, z) S, entonces
z = kx + ry, de manera que w = (x, y, kx + by) = xu + yv. En consecuencia, Span{u, v} = S.
Como u, v es un conjunto linealmente independiente, concluimos que constituye una base de
S.
E J E M P L O 5.6.10
Sea S = {(1, 2, 3), (0, 1, 2), (1, 1, 1), (3, 2, 1)} 3. Demuestre que tanto S como S = {(1, 2,
3), (0, 1, 2), (1, 1, 1)} generan el mismo subespacio.
SO L U C I O N
Para encontrar el Span(S), construimos la matriz aumentada de la siguiente manera:
1 0 1 3 a 1 0 1 3 a 1 0 1 3 a
2 1 1 2 b |
0 1 1 4 2 a b |
0 1 1 4 2 a b
3 2 1 1 c 0 2 2 8 3a c 0 0 0 0 a 2b c
de donde
Span(S) = {( a , b, c) / a 2b + c = 0}.
Para encontrar el Span(S), construimos la matriz aumentada de la siguiente manera:
1 0 1 a 1 0 1 a 1 0 1 a
2 1 1 b | 0 1 1 2 a b | 0 1 1 2a b
3 2 1 c 0 2 2 3a c 0 0 0 a 2b c
de donde
Span(S) = {( a , b, c) / a 2b + c = 0}.
Por lo tanto concluimos que Span(S) = Span(S).
E J E M P L O 5.6.11
Suponga que V es de dimensin n y que cada uno de los conjuntos U y W es subespacio de V
de dimensin n - 1. Suponga adems, que U z W. Entonces, Dim(U W) = n - 2.
SO L U C I O N
Puesto que U z W, uno de los espacios contiene un vector que no est en el otro. En consecuen-
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 245
cia, U + W contiene a uno de U, W o tal vez a ambos, como subespacio propio. De acuerdo con
eso
n t Dim(U + W) > n - 1 = Dim(U) = Dim(W)
de donde se desprende que Dim(U + W) = n. Entonces se deduce que
Dim(U W) = Dim(U) + Dim(W) - Dim(U + W) = (n - 1) + (n - 1) n = n - 2.
EJ E M P L O 5.6.12
Sea U el conjunto de elementos (a, b, c, d) tales que a b + c = 0. Sea W el conjunto de elementos
(a, b, c, d) tales que b + c + d = 0. Entonces, U W = S ser el conjunto de elementos (a, b, c, d)
que cumplan tanto con la condicin a b + c = 0 como con la condicin b + c + d = 0, y
Dim(S) = 2.
SO L U C I O N
Como podemos apreciar, U, W son subespacios de R 4, y Dim(U) = Dim( W) = 3. Se ve
claramente que (1, 1, 0, 0) est en U y no est en W, de manera que U z W. Por lo tanto
Dim(S) = 2.
EJ E M P L O 5.6.13
Hallar una base cualquiera y la dimensin del subespacio generado por los sistemas de polinomios
siguientes:
a.- {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3, t2 + t + 1, 4t2 + 3t + 4};
b.- {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5, 3t3 + 4t2 + 5t + 6, 4t3 + 5t2 + 6t + 7}.
SO L U C I O N
a.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
3 2 1
4 3 2 3 2 1
3 2
3 2 3 3 z 0 , z0, 4 3 2 z0.
4 3
1 1 1 3 2 3
4 3 4
Como el rango de la matriz es 3, entonces la base buscada es {3t2 + 2t + 1, 4t2 + 3t + 2, 3t2 + 2t + 3}
y su dimensin es 3.
b.- En este caso formamos una matriz, donde sus filas son los elementos del sistema dado y luego
procedemos a calcular el rango de dicha matriz:
1 2 3 4 1 2 3 4 1 2 3 4
2 3 4 5 | 0 1 2 3 | 0 1 2 3
3 4 5 6 0 2 4 6 0 0 0 0
4 5 6 7 0 3 6 9 0 0 0 0
Como el rango de la matriz es 2, entonces la base buscada es {t3 + 2t2 + 3t + 4, 2t3 + 3t2 + 4t + 5} y
su dimensin es 3.
EJ E M P L O 5.6.14
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 3:
a.- {(a, 1, 1), (1, a, 1), (1, 1, a)};
b.- {(a + 1, 1, 1), (1, a + 1, 1), (1, 1, a + 1)};
c.- {(1, a + 1, a), (a + 1, a + 2, a + 3), (a, 0, a + 4)};
d.- {(a i, 0, 1), (0, a, 0), (1, -2ia, a i)};
e.- {(a, 1, 1), (b, ab, b), (1, 1, a)};
f.- {(2a - b, 1, b a), (0, a, 0), (2a - 2b, 2, 2b a)}.
SO L U C I O N
a.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
a 1 1
1 a 1 ( a 2)( a 1)2 .
1 1 a
En este caso (a + 2)(a 1)2 z 0, de donde obtenemos que a z -2 y a z 1.
b.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
a 1 1 1
1 a 1 1 a 2 ( a 3) .
1 1 a 1
En este caso a2(a + 3) z 0, de donde obtenemos que a z 0 y a z -3.
c.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
1 a 1 a
a 1 a 2 a 3 (1 a )( a 2)2 .
a 0 a4
En este caso (1 a)(a + 2)2 z 0, de donde obtenemos que a z 1 y a z -2.
d.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
ai 0 1
0 a 0 a ( a 1 i )( a 1 i ) .
1 2ia a i
En este caso a(a + 1 i)(a 1 i) z 0, de donde obtenemos que a z 0, a z -1 + i y a z 1 + i.
e.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
a 1 1
b ab b b( a 2)( a 1)2 .
1 1 a
En este caso b(a + 2)(a 1)2 z 0, de donde obtenemos que b z 0, a z -2 y a z 1.
f.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
2a b 1 b a
0 a 0 a 2b .
2 a 2b 2 2b a
En este caso a2b z 0, de donde obtenemos que a z 0 y b z 0.
EJ E M P L O 5.6.15
Sea S el conjunto de los vectores (a, b, c, d, e) de 5 tales que
a b c 0
b d e 0
Determnese una base de S. Encuntrese una base de 5 que sea extensin de la base obtenida para
S.
SO L U C I O N
Para encontrar una base para S, debemos resolver el sistema de ecuaciones:
1 1 1 0 0 0 1 0 1 1 1 0
|
0 1 0 1 1 0 0 1 0 1 1 0
donde a = - c d e y b = - d e. Con estas condiciones reemplazamos en el vector ( a, b, c, d, e)
para obtener la base:
(a, b, c, d, e) = (- c d e, - d e, c, d, e) = c(-1, 0, 1, 0, 0) + d(-1, -1, 0, 1, 0) + e(-1, -1, 0, 0, 1)
Base S = {(-1, 0, 1, 0, 0), (-1, -1, 0, 1, 0), (-1, -1, 0, 0, 1)}
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 247
EJ E M P L O 5.6.16
Sea S el conjunto de los polinomios reales de grado no mayor que 5 que tienen a 1 como cero.
Determnese una base de S. Encuntrese Dim(S). Encuntrese una base de 5 que sea extensin de
la base ya determinada de S.
SO L U C I O N
Este conjunto se puede expresar como:
S = {p 5 / p(t) = (t 1)(a + bt + ct2 + dt3 + et4), a, b, c, d, e }.
Expandiendo el polinomio, obtenemos:
p(t) = - a + (a b)t + (b c)t2 + (c d)t3 + (d e)t4 + et5
Una base para S es:
Base S = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1)}.
Por tanto la dimensin de S es 5. Para encontrar una base de 5, debemos construir un
determinante cuya ltima fila este compuesta por un polinomio cuyos coeficientes sean
incgnitas:
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 1 0 0
a b c d e f .
0 0 0 1 1 0
0 0 0 0 1 1
a b c d e f
Como falta un elemento para completar la base de 5, entonces este elemento se puede obtener de
la condicin a + b + c + d + e + f z 0. Una posible base es:
Base P5 = {(-1, 1, 1, 0, 0, 0, 0,), (0, -1, 1, 0, 0, 0), (0, 0, -1, 1, 0, 0), (0, 0, 0, -1, 1, 0),
(0, 0, 0, 0, -1, 1), (1, 1, 1, 1, 1, 1)}.
EJ E M P L O 5.6.17
Hallar los valores de a y b, para que el sistema de vectores siguientes sea una base de 4:
a.- {(1, a, b, a b), (a, a, 0, 0), (b, 0, b, 0), (a b, 0, 0, a b)};
b.- {(1, a, a, a), (a, 1, a, a), (a, a, 1, a), (a, a, a, 1)};
c.- {(2, 1, 1, a), (b, b, 2b, b), (1, 1, 0, 0), (0, 1, 1, 0)};
d.- {(a + 3, -a, a, -a), (a, 3 a, a 1, 1 a), (0, 0, a + 1, 1 a), (0, 0, a 1, 3 a)};
e.- {(a + 2, 0, -2, 0), (2a + 4, -1, -a 3, a + 1), (0, 0, a, 0), (2a, -a 1, 1 a, 2a + 1)}.
SO L U C I O N
a.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
1 a b a b
a a 0 0
ab(b a )(2 a 1) .
b 0 b 0
a b 0 0 a b
En este caso ab(b a)(2a - 1) z 0, de donde obtenemos que a z 0, b z 0, a z y b z .
b.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
1 a a a
a 1 a a
(1 a )3 (3a 1) .
a a 1 a
a a a 1
En este caso (1 a)3(3a + 1) z 0, de donde obtenemos que a z 1 y a z -1/3.
c.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
2 1 1 a
b b 2b b
2b(1 a ) .
1 1 0 0
0 1 1 0
En este caso 2b(1 a) z 0, de donde obtenemos que b z 0 y a z 1.
d.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
a 3 a a a
a 3 a a 1 1 a
36 .
0 0 a 1 1 a
0 0 a 1 3 a
En este caso para cualquier valor de a, el sistema es base de 4.
e.- Una condicin necesaria para que el sistema de vectores sea base, es que ste sea linealmente
independiente. Por lo tanto formaremos un determinante, cuyas filas son los vectores del sistema:
a2 0 2 0
2a 4 1 a 3 a 1
a 3 ( a 2) .
0 0 a 0
2a a 1 1 a 2a 1
En este caso a3(a + 2) z 0, de donde obtenemos que a z 0 y a z -2.
EJ E M P L O 5.6.18
Sea S el conjunto de los polinomios reales de grado no mayor que 5 cuya derivada tercera es cero
en 0. Hgase ver que S es subespacio de 5. Determnese una base de S y hgase su extensin a
una base de 5.
SO L U C I O N
Este conjunto se puede expresar como:
S = {p 5 / p(0) = 0}.
Haciendo que p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p(t) = 6d + 24et + 60ft2, p(0) = 6d =
0, d = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, 1, 0, 0, 0, 0), (0, 0, 1, 0, 0, 0), (0, 0, 0, 0, 1, 0), (0, 0, 0, 0, 0, 1)}.
Por tanto la dimensin de S es 5. Para encontrar una base de 5, debemos construir un
determinante cuya ltima fila este compuesta por un polinomio cuyos coeficientes sean
incgnitas:
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
d.
0 0 0 0 1 0
0 0 0 0 0 1
a b c d e f
Como falta un elemento para completar la base de 5, entonces este elemento se puede obtener de
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS VECTORIALES 249
EJ E M P L O 5.6.19
Sea S el conjunto de los polinomios reales p(t) de grado no mayor que 5 con la propiedad de que
p(3) = 0. Hgase ver que S es subespacio de 5. Determnese una base de S y hgase su extensin
a una base de 5.
SO L U C I O N
Este conjunto se puede expresar como:
S = {p 5 / p(3) = 0}.
Haciendo p(t) = a + bt + ct2 + dt3 + et4 + ft5, entonces p(3) = b + 6c + 27d + 108e + 405f, b + 6c +
27d + 108e + 405f = 0. Una base para S es:
Base S = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1)}.
Por tanto la dimensin de S es 5. Para encontrar una base de 5, debemos construir un
determinante cuya ltima fila este compuesta por un polinomio cuyos coeficientes sean
incgnitas:
1 0 0 0 0 0
0 6 1 0 0 0
0 27 0 1 0 0
b 6c 27d 108e 405 f .
0 108 0 0 1 0
0 405 0 0 0 1
a b c d e f
Como falta un elemento para completar la base de 5, entonces este elemento se puede obtener de
la condicin b + 6c + 27d + 108e + 405f z 0. Una posible base es:
Base 5 = {(1, 0, 0, 0, 0, 0), (0, -6, 1, 0, 0, 0), (0, -27, 0, 1, 0, 0), (0, -108, 0, 0, 1, 0),
(0, -405, 0, 0, 0, 1), (1, 1, 1, 1, 1, 1)}.
PR O B L E M AS
5.6.1 Demuestre que si S = {u1, u2, ..., uk} es una base de b.- Demostrar que U contiene las funciones f(x) = Cosnx
un espacio vectorial V y D es un escalar no nulo, y f(x) = Sennx para cada n = 2, 3, ...
entonces el conjunto S1 = {Du1, Du2, ..., Duk} tambin es c.- Demuestre que U es de dimensin infinita.
una base de V.
5.6.5 Sean f1 f k elementos de un espacio vectorial
5.6.2 Mustrese grficamente que w = u v, z = u + v V de funciones. Demustrense los siguientes enuncia-
son linealmente independientes y que, por lo tanto, for- dos:
man una base. a.- Si f1 = 0, entonces f1 f k son linealmente depen-
dientes.
5.6.3 Sea V el conjunto generado por b.- Si se puede expresar f1 como combinacin lineal de
u = Cos2x, v = Sen2x, w = Cos2x: f2 f k, entonces f1 f k son linealmente dependien-
a.- Demuestre que S = {u, v, w} no es una base para V. tes.
b.- Determine una base para V. c.- Si k t 2 y si f1 f k son linealmente dependientes,
entonces una de las funciones se puede expresar como
5.6.4 Sea V el espacio vectorial de todas las funciones combinacin lineal de las dems.
continuas en el intervalo [-S; S]. Sea U el subconjunto de d.- Si f1 f k son linealmente independientes y si h <
V que consta de todas las funciones f que satisfacen las k, entonces f1f k son linealmente independientes.
S S e.- Si f1 f k constituyen una base de V, entonces f1,
tres ecuaciones S f (t )dt 0, S f (t )Costdt 0, f k son linealmente independientes.
S f.- Si f1 f k son linealmente independientes y si c1f1
S f (t )Sentdt 0: c k f k = a 1f1 a k f k, entonces c1 = a 1 c k =
a.- Demostrar que U es un subespacio de V. a k.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
250 ESPACIOS VECTORIALES
5.6.6 Demuestre que si U es un subespacio de un 5.6.11 Demuestre que el conjunto de las matrices trian-
espacio vectorial V de dimensin finita, entonces la gulares de m x n constituye un espacio vectorial de
dimensin de U es menor o igual que la dimensin de V. 1
dimensin mn (m2 m) si m d n, y de dimensin
2
5.6.7 Demustrese que Cosx, Cos2x, Cos3x son lineal- 1 2
mente independientes y que, por lo tanto, forman una (n n) si n d m.
2
base.
5.6.8 Sea V el conjunto de todas las funciones raciona- 5.6.12 Determine una base del subespacio S de n y
les de la forma determine la dimensin del subespacio:
ax b a.- S consiste en todos los vectores (x, y, -y, -x) en 4;
, x z 1, x z 2 b.- S consiste en todos los vectores (x, y, 2x, 3y) en 4;
( x 1)( x 2)
c.- S consiste en todos los vectores del plano 2x y + z
a.- Hgase ver que V es espacio vectorial de dimensin = 0 en el espacio 3;
2. d.- S consiste en todos los vectores (x, y, -y, x y, z) en
1 1 5;
b.- Demustrese que g1 ( x) , g 2 ( x) estn
x 1 x2 e.- S consiste en todos los vectores en 4 con la segun-
en V, son linealmente independientes y forman una base da componente cero;
de V. f.- S consiste en todos los vectores (-x, x, y, 2y) en 4;
g.- S consiste en todos los vectores paralelos a la recta
5.6.9 Sea V el conjunto de todas las funciones raciona- y = 4x en 2;
les de la forma h.- S consiste en todos los vectores del plano 4x + 2y
ax 2 bx c z = 0 en 3.
, x z 0, x z 2, x z -2
x( x 2 4)
a.- Hgase ver que V es espacio vectorial de dimensin 5.6.13 Sea {u, v, w} una base de un espacio vectorial V.
3. Demuestre que {x, y, z} tambin es una base, donde u = x,
b.- Demustrese que y = u + v, z = u + v + w.
1 1 1
g1 ( x) , g 2 ( x) , g3 ( x ) 5.6.14 Sea W el espacio generado por f = Senx y
x x2 x2 g = Cosx:
estn en V, son linealmente independientes y forman una
a.- Demuestre que para cualquier valor de T, f1 = Sen(x +
base de V.
T) y g1 = Cos(x + T) son vectores en W.
b.- Demuestre que f1 y g1 forman una base para W.
5.6.10 a.- Sea W el conjunto de los vectores de 5
tales que a 1 a 2 + a 3 = 0 y a 2 + a 4 + a 5 = 0. Determnese
5.6.15 En 3, todos los vectores de un plano 3 que
una base de W. Encuntrese una base de 5 que sea
extensin de la base obtenida para W. pasa por el origen forman un subespacio S de 3. De-
b.- Sea U el subespacio de los vectores de 5 tales que termine la dimensin de S para cualquier plano 3.
2 a 1 a 2 + a 3 a 5 = 0 y a 1 + a 2 a 4 + 6 a 5 = 0. Determne-
se una base de U. Encuntrese una base de 5 que sea 5.6.16 En 2, todos los vectores paralelos a una recta
extensin de la base obtenida para U. dada L que pasa por el origen forman un subespacio S.
Determine la dimensin de S para cualquier recta L.
c.- Hgase ver que Dim(U W) t 1.
d.- Encuntrese una base de U W.
En esta seccin se estudiar la relacin entre los coeficientes de una combinacin lineal con un vector de
coordenadas. Enunciaremos y demostraremos sus propiedades.
D E F IN I C I O N 5.7.1
Sea V un espacio vectorial n-dimensional y sea B = {u1, u2, ..., un} una base
de V. Defnase el vector de coordenadas de u respecto de la base B, el cual
se denota por >u@ B, como el vector >u@B = (a 1, a 2, ..., a n) n, en donde los
escalares a 1, a 2, ..., a n son tales que u = a1u1 + a2u2 + ... + anun.
Sean B 1 = {u1, u2, ..., un} y B 2 = {v1, v2, ..., vn} dos bases del espacio vectorial n
sobre el cuerpo K . Sea u un vector arbitrario del espacio vectorial. Nos proponemos
encontrar una relacin entre las coordenadas de u respecto de la primera y segunda
base respectivamente. Para poder establecer esta relacin se necesita conocer las
coordenadas de los vectores de una de las bases dadas respecto de la otra.
Luego
a1 b1 a11 b2 a21 bn a n1
a b a b a b a
2 1 12 2 22 n n2
an b1 a1n b2 a2 n bn ann
que son las ecuaciones que permiten relacionar las coordenadas de un mismo vector
respecto de las bases B 1 y B 2.
D E F IN I C I O N 5.7.2
Dos espacios vectoriales U y V dados sobre un mismo cuerpo K se llaman
isomorfos, si se puede establecer tal correspondencia biyectiva entre sus
vectores que a la suma de cualesquiera dos vectores del primer espacio le
corresponda la suma de los vectores correspondientes del segundo espacio y
al producto de un escalar por un vector del primer espacio le corresponda el
producto de este mismo escalar por el vector correspondiente del segundo
espacio.
T E O R E M A 5.7.1
En una correspondencia isomorfa el vector nulo corresponde al vector nulo.
D E M OST R A C I O N
Supongamos que en una aplicacin isomorfa de un espacio vectorial V sobre otro
espacio vectorial W el vector v de V corresponde al vector w de W. Entonces, segn
la definicin, el vector nulo del primer espacio debe transformarse en el vector nulo
del segundo espacio.
T E O R E M A 5.7.2
En una aplicacin isomorfa un sistema de generadores del primer espacio se
transforma en un sistema de generadores del segundo sistema.
D E M OST R A C I O N
Sean v1, v2, ..., vt unos generadores del espacio V y sean w1, w2, ..., wt los vectores
que les corresponden en el espacio W. Tomemos en W un vector arbitrario w y
consideremos el vector v de V. Por hiptesis, el vector v puede ser representado en la
forma v = a1v1 + a2v2 + ... + atvt.
Segn la definicin, la suma a 1v1 + a2v2 + ... + a tvt, debe transformarse en la suma
a1w1 + a2w2 + ... + atwt y, por consiguiente, el vector w debe coincidir con la suma
a1w1 + a2w2 + ... + atwt, es decir, los vectores w1, w2, ..., wt constituyen un sistema de
generadores del espacio W.
T E O R E M A 5.7.3
A un sistema linealmente independiente de vectores le corresponde de
nuevo un sistema linealmente independiente.
D E M OST R A C I O N
Supongamos que los vectores linealmente independientes v1, v2, ..., vm del espacio V
se transforman en los vectores w1, w2, ..., wm del espacio W. Supongamos que entre
los ltimos existe una relacin de tipo
b1w1 + b2w2 + ... + bmwm = .
Segn la definicin, al primer miembro de esta igualdad corresponde en el espacio V
el vector
b1v1 + b2v2 + ... + bmvm
y al vector nulo corresponde en el espacio V el vector nulo . Por consiguiente
b1v1 + b2v2 + ... + bmvm = .
Puesto que los vectores v1, v2, ..., vm son linealmente independientes se tiene
b1 = b2 = ... = bm = 0,
es decir, los vectores w1, w2, ..., wm son linealmente independientes.
EJ E M P L O 5.7.1
Considere el conjunto de vectores en 3, B = {(3, 1, 2), (-1, 0, 2), (4, 3, 5)}:
a.- Demuestre que B es una base de 3;
b.- Encuentre (3, 4, 6) en B;
c.- Para un vector cualquiera u 3, encuentre u en B.
SO L U C I O N
Es fcil verificar que los vectores {(3, 1, 2), (-1, 0, 2), (4, 3, 5)} forman una base de
3. Es decir, debemos aprovechar que podemos calcular el determinante del sistema
de vectores
3 1 4
1 0 3 z0
2 2 5
como el determinante es diferente de cero, podemos concluir que el sistema B es
linealmente independiente y por lo tanto es una base. Aprovechando las operaciones
elementales que se pueden realizar sobre matrices para resolver sistemas de
ecuaciones, podemos evaluar los puntos b) y c) inmediatamente, es decir:
3 1 4 3 a 3 1 4 3 a
1 0 3 4 b | 0 1 5 4 a 3b
2 2 5 6 c 0 8 7 12 2 a 3c
3 0 9 12 3a 33 0 0 48 18 a 39b 9c
0 1 5 9 a 3b | 0 11 0 1 a 7b 5 c
0 0 11
202 a 8b 3c 0 0 11 20 2 a 8b c
16 1 20
De esta manera tenemos que O1 , O 2 y O3 , con lo que podemos
11 11 11
decir que
>(3, 4, 6)@B , ,
16 1 20
11 11 11
1
>(3, 4, 6)@B 6a 13b 3c, a 7b 5c, 2a 8b c .
11
EJ E M P L O 5.7.2
En 3 considere las dos bases
B 1 = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} y B 2 = {(2, 1, 2), (1, 0, 3), (-1, 4, -2)}:
a.- Encuentre [(1,1, 3)]B1 ;
b.- Encuentre [(1,1, 3)]B 2 ;
c.- Encuentre la matriz de cambio de base de B 1 a B 2;
d.- Encuentre la matriz de cambio de base de B 2 a B 1;
e.- Obtenga los resultados de los incisos a) y b) use las matrices obtenidas en los
incisos c) y d).
SO L U C I O N
a.- (1, 1, 3) = a 1(1, 1, 1) + a 2(1, 1, 0) + a 3(1, 0, 0)
(1, 1, 3) = 3(1, 1, 1) 2(1, 1, 0) + 0(1, 0, 0)
[(1,1, 3)]B1 = (3, -2, 0)T.
b.- (1, 1, 3) = b1(2, 1, 2) + b2(1, 0, 3) + b3(-1, 4, -2)
(1, 1, 3) = 1/17(2, 1, 2) + 10/17(1, 0, 3) + 4/17(-1, 4, -2)
[(1,1, 3)]B 2 = (1/17, 19/17, 4/17)T.
2 1 1 1 1 1 2 1 1 1 1 1
c.- 1 0 4 1 1 0 | 0 1 9 1 1 1
2 3 2
1 0 0 0 2 1 0 1 1
PR O B L E M AS
5.7.1 En 2 considere las dos bases e.- Obtenga los resultados de los incisos a) y b) use las
B 1 = {1 - t t2, - 1 2t2, t + 2t2} matrices obtenidas en los incisos c) y d).
y
B 2 = {3 + 6t2, 2 + t + 6t2, t2}: 5.7.4 En :(2 x 2) considere las dos bases
a.- Encuentre [1 t t 2 ]B1 ;
1 1 1 1 1 0 0 1
B 1 = , , ,
b.- Encuentre [1 t t 2 ]B 2 ;
1 1 1 1 1 0 2 0
c.- Encuentre la matriz de cambio de base de B 1 a B 2; y
d.- Encuentre la matriz de cambio de base de B 2 a B 1; 1 1 1 1 1 1 1 0
B 2 = , , , :
e.- Obtenga los resultados de los incisos a) y b) use las
1 1 1 0 0 0 0 0
matrices obtenidas en los incisos c) y d).
1 2
a.- Encuentre ;
5.7.2 Sea P la matriz de transicin de B 2 a B 1 y sea Q la 7 4 B1
matriz de transicin de B 1 a B 2. Cul es la matriz de
transicin de B 2 a B 1? 1 2
b.- Encuentre ;
7 4 B 2
5.7.3 En C 3 considere las dos bases
c.- Encuentre la matriz de cambio de base de B 1 a B 2;
B 1 = {(1 + i, 2 i, 1), (3 + 2i, 4 4i, 1), (i, 2, -i)}
d.- Encuentre la matriz de cambio de base de B 2 a B 1;
y
e.- Obtenga los resultados de los incisos a) y b) use las
B 2 = {(1, i, 1 + i), (1, i, -i), (2i, 1, 1 i)}:
matrices obtenidas en los incisos c) y d).
a.- Encuentre [(2i , 3,1 i )]B1 ;
b.- Encuentre [(2i , 3,1 i )]B 2 ; 5.7.4 Sea P la matriz de transicin de B 2 a B 1, y sea Q
c.- Encuentre la matriz de cambio de base de B 1 a B 2; matriz de transicin de B 1 a B. Cul es la matriz de
d.- Encuentre la matriz de cambio de base de B 2 a B 1; transicin de B a B 2?
5.8 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
5.8.1 Todos los polinomios de grado 3 que poseen coe- 5.8.14 Si un sistema de vectores dado, posee el rango
ficientes reales forman un espacio vectorial. r, entonces cualesquiera r vectores linealmente indepen-
dientes forman la base de este sistema.
5.8.2 Las matrices antisimtricas no forman un subespa-
cio vectorial de todas las matrices cuadradas de n x n. 5.8.15 Cualquier subsistema linealmente dependiente
de un sistema dado puede completarse hasta la base de
5.8.3 Todos los vectores de n, que tienen iguales la ese sistema.
primera y ltima coordenada forman un subespacio vec-
torial. 5.8.16 Suponga que el subespacio vectorial W contiene
el subespacio vectorial U. Entonces la dimensin de U
5.8.4 Tres vectores no coplanares u, v y w, son lineal- no supera a la de W, con la particularidad de que las
mente dependientes. dimensiones son iguales entre s cuando, y slo cuando,
U = W.
5.8.5 Un sistema de vectores que contiene dos vectores
iguales es linealmente dependiente. 5.8.17 La suma S = U + W de dos subespacios vecto-
riales de V es igual a la interseccin de todos los subes-
5.8.6 Un sistema de vectores cuyos dos vectores se pacios vectoriales de V que contienen tanto U, como
diferencian por un factor escalar es linealmente indepen- tambin W.
diente.
5.8.18 La suma U + W de los subespacios vectoriales U
5.8.7 Un sistema de vectores que contiene al vector y W ser suma directa cuando, y slo cuando, todos los
nulo es linealmente dependiente. vectores u U + W se representen de forma nica co-
mo u = ui + vj, donde ui U y vj W.
5.8.8 Si una parte del sistema de vectores es linealmente
dependiente, entonces todo el sistema tambin es lineal- 5.8.19 Suponga que el subespacio vectorial S es la
mente dependiente. suma directa de los subespacios vectoriales U y W.
Entonces la dimensin de S es igual a la suma de las
5.8.9 Cualquier parte de un sistema de vectores lineal- dimensiones de U y W con la particularidad de que
mente independiente es por s misma linealmente depen- cualesquiera bases de U y W dan juntas la base de S.
diente.
5.8.20 Para cualquier subespacio vectorial U del espa-
5.8.10 Si tres vectores u1, u2 y u3 son linealmente de- cio V puede hallarse otro subespacio W, tal que todo el
pendientes y el vector u3 no se expresa linealmente a espacio V sea la suma directa de U y W.
travs de los vectores u1 y u2, entonces estos ltimos se
diferencian entre s slo por un factor numrico. 5.8.21 Si los vectores u1, u2, ..., uk se expresan linealmen-
te a travs de los vectores v1, v2, ..., vr, el rango del primer
5.8.11 Sean S, U y W subespacios vectoriales de V. sistema no supera el del segundo.
Entonces S ser la suma directa de U y W cuando y slo
cuando S est contenido en U y W. 5.8.22 Si el vector u se expresa linealmente mediante
los vectores u1, u2, ..., uk, el rango del ltimo sistema de
5.8.12 Si los vectores u1, u2, ..., uk son linealmente de- vectores no vara, aadindole el vector u.
pendientes, y los vectores u1, u2, ..., uk, u son linealmente
independientes, entonces el vector u se expresa lineal- 5.8.23 Todas las bases de un sistema de vectores dado,
mente a travs de los vectores u1, u2, ..., uk. contienen la misma cantidad de vectores.
5.8.13 Si la dimensin de la suma de dos subespacios 5.8.24 Si los vectores u1, u2, ..., um son linealmente inde-
vectoriales del espacio V supera la dimensin de su in- pendientes y se expresan linealmente a travs de los
terseccin en una unidad, la suma coincide con uno de vectores v1, v2, ..., vn, entonces m d n.
esos subespacios y la interseccin con el otro.
Resolver problemas relacionados con los espacios eucldeos y hermticos, utilizando matrices, determinantes,
rango e inversa y sistemas de ecuaciones lineales, en situaciones reales, propias de la ingeniera.
C O N T E NI D O :
6.1 ESP A C I OS E U C L I D E OS
En esta seccin se usarn como axiomas las propiedades ms importantes del producto interior euclidiano para
definir el concepto general de producto interior; luego se demostrar cmo los productos interiores se pueden
utilizar para definir la desigualdad de Cauchy Schwartz, la ortogonalidad, paralelismo y proyecciones entre
vectores.
los ejes coordenados, tomados con signo adecuado. Si v = b1e1 + b2e2 + ... + bkek es
otro vector cualquiera, resulta entonces que el producto interior es
u v = a1b1 + a2b2 + ... + a kbk.
El espacio vectorial V es real. Esto se expresa en que las proyecciones, las longitudes
y los productos interiores de los vectores son nmeros reales.
D E F IN I C I O N 6.1.1
Si dos vectores u y v estn dados mediante sus coordenadas rectangulares
cartesianas, entonces el producto interior cannico de estos vectores es
igual a la suma de los productos, realizados dos a dos, de las coordenadas
correspondientes.
EJ E M P L O 6.1.1
Formando el producto interior de los vectores ( CosT, SenM) y ( CosM, SenT), deducir
la identidad trigonomtrica Cos(T - M) = CosT CosM + SenTSenM.
SO L U C I O N
Dado que u = ( CosT, SenM) y v = ( CosM, SenT), entonces realizando el producto
interior entre estos dos vectores, obtenemos:
u v = ( CosT, SenM) ( CosM, SenT)
= CosT CosM + SenMSenT = Cos(T - M).
De esta manera hemos demostrado que Cos(T - M) = CosT CosM + SenMSenT.
EJ E M P L O 6.1.2
1 2t
Calcular u v, siendo u = 2 i 4 j + k y v 0 (te i tCosh2tj 2te 2t k ) dt .
SO L U C I O N
Integrando v, obtenemos:
1 2t
v 0 (te i tCosh2tj 2te 2t k ) dt
1 1 1
i te 2t dt j tCosh2t dt k 2te 2t dt
0 0 0
1 2 1 1
(e 1)i (e 2 3e 2 2) j (1 3e 2 ) k .
4 8 2
Realizando el producto interior entre estos dos vectores, obtenemos:
1 1 1
f g 2i 4 j k (e 2 1)i (e 2 3e 2 2) j (1 3e 2 ) k
4 8 2
1 2 1 1
(e 1) (e 2 3e 2 2) (1 3e 2 ) 0 .
2 2 2
E J E M P L O 6.1.3
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
k k
f g f g .
k 0 n n
Calcular f g cuando f(t) = t y g(t) = at + b.
SO L U C I O N
k
Haciendo que t , entonces:
n
1 1
f g f (t ) g (t ) t ( at b) a b .
t 0 t 0
EJ E M P L O 6.1.4
Encuentre la funcin producto interior f g en el espacio V, del conjunto de todas
las funciones de valor real continuas en C([-S, S]), en donde
S
f g S f ( x) g ( x)dx :
a.- f(x) = Cosx, g(x) = x; b.- f(x) = ex, g(x) = Senx + Cosx;
c.- f(x) = Cos4x, g(x) = Senx; d.- f(x) = ex, g(x) = 1 ex.
SO L U C I O N
S S
a.- f g S xCosxdx Cosx xSenx S
0;
S x S
b.- f g S e (Senx Cosx)dx e x Senx 0;
S
S
S Cos3x Cos5 x
c.- f g S Cos 4 xSenx dx
6
10 S
0;
S
S e2x
x x x 1 2 e S 2 e 3S e 4 S
d.- f g (1 e )e dx e .
S 2 S
2e 2 S
E J E M P L O 6.1.5
Encuentre la funcin producto interior f g en el espacio V, del conjunto de todas
las funciones de valor real, definidas en C([0, 1]), en donde
1
f g 0 f ( x) g ( x)dx :
Sx Sx 1 1 1
a.- f ( x) Sen , g ( x) Cos ; b.- f ( x) x - , g ( x) - x - .
2 2 2 2 2
SO L U C I O N
1
1 Sx Sx CosSx 1
a.- f g 0 Sen
2
Cos dx
2 2S 0 S
;
1
1 1 1 1 (2 x 1) 2 x 1 (2 x 1)3 1
b.- f g 0 x x dx
2 2 2 16
24 24
.
0
E J E M P L O 6.1.6
Encontrar f g para cada uno de los siguientes pares de funciones en C([0, 1])
cuando la funcin producto interior est definida con respecto a la funcin peso
h(x) = ex; por
1
f g 0 f ( x) g ( x)h( x)dx :
S S
Sx 3Sx
a.- f ( x) 1 2 x , g ( x) e x ; b.- f ( x) e 2 Sen , g ( x) e 2 Sen ;
2 2
Sx
c.- f ( x) Cos , g ( x) 1 .
2
SO L U C I O N
1 x x 1 1
a.- f g 0 (1 2x)e e dx 0 (1 2 x)dx x x2
0
0;
S S
1 Sx 2 3Sx x 1 Sx 3Sx
b.- f g 0 e 2 Sen
2
e Sen
2
e dx 0 Sen 2
Sen
2
dx
1
SenSx Sen2Sx
0;
2S 4S 0
1
Sx Sx
2 2 Cos SSen e x
1 x Sx 2 2 2Se 4
c.- f g 0 e Cos
2
dx
S2 4 S2 4
.
E J E M P L O 6.1.7
Encuentre la funcin producto interior f g en el espacio V, del conjunto de todas
las funciones de valor real continuas en C([-S, S]), en donde
S
f g S f ( x) g ( x)dx :
a.- f(x) = Senmx, g(x) = Sennx, m, n Z+;
b.- f(x) = Senmx, g(x) = Cosnx, m, n Z+;
c.- f(x) = Cosmx, g(x) = Cosnx, m, n Z+.
SO L U C I O N
S
S Sen(m n) x Sen(m n) x
a.- f g S SenmxSennx dx
2(m n)
2(m n) S
Sen(m n)S Sen(m n)S
;
mn mn
S
S Cos(m n) x Cos (m n) x
b.- f g S SenmxCosnx dx
2(n m)
2(m n)
0;
S
S
S Sen(m n) x Sen(m n) x
c.- f g S CosmxCosnx dx
2(m n)
2(m n) S
Sen(m n)S Sen(m n)S
.
mn mn
D E F I N I C I O N 6.1.2
Dado (V, , +, ) un espacio vectorial definido sobre los reales. Un
producto interior en V es una funcin : V x V o , que a cada par
de vectores u, v en V le asocia un nmero real de forma tal que
satisface los siguientes axiomas:
1.- Para todo vector u de V, entonces se cumple la positividad:
u u > 0 cuando u z y = 0.
2.- Para todo par de vectores u, v de V, se cumple la conmutatividad:
u v = v u.
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
ku v = ku v.
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
u (v + w) = u v + u w.
T E O R E M A 6.1.1
Para todo tro de vectores u, v, w de n se cumple
(u + v) w = u w + v w.
D E M OST R A C I O N
(u + v) w = w (u + v) axioma 2
= w u + w v axioma 4
= u w + v w axioma 2
T E O R E M A 6.1.2
Para todo par de vectores u, v de n y para todo escalar real k se cumple
u kv = k u v.
D E M OST R A C I O N
u kv = kv u axioma 2
= kv u axioma 3
= k u v axioma 2
T E O R E M A 6.1.3
Para todo u, de n, entonces u = 0.
D E M OST R A C I O N
u = u u - u
= u u - u u axioma 4
= 0.
EJ E M P L O 6.1.8
Determine cules de las siguientes funciones : 2 x 2 o son funciones
producto interior en el espacio vectorial 2:
a.- u v = a1b1 a2b1 a1b2 + 2a2b2; b.- u v = a1b1 a2b1 + a1b2 - a2b2;
c.- u v = 2a1b1 + 2a2b2; d.- u v = a1b1 a2b1 + a1b2 + 2a2b2.
SO L U C I O N
a.- Sean u = (a1, a2), v = (b1, b2), w = (c1, c2), entonces:
1.- u u a1a1 a2 a1 a1a2 2a2 a2 a12 2a1a2 2a22 (a1 a2 )2 a2 t 0 ;
2.- ku v ka1b1 ka2b1 ka1b2 2ka2b2 k (a1b1 a2b1 a1b2 2a2b2 ) k u v ;
3.- u v a1b1 a2b1 a1b2 2a2b2 b1a1 b2 a1 b1a2 2b2 a2 v u ;
4.- u v w ( a1 b1 )c1 (a2 b2 )c1 (a1 b1 )c2 2(a2 b2 )c2
a1c1 b1c1 a2 c1 b2 c1 a1c2 b1c2 2a2 c2 2b2 c2
( a1c1 a2 c1 a1c2 2a2 c2 ) (b1c1 b2 c1 b1c2 2b2 c2 )
u w v w .
EJ E M P L O 6.1.9
Determine cules de las siguientes funciones : C[-1,1] x C[-1,1] o son
productos interiores en el espacio vectorial C([-1,1]):
1 1
1 f ( x) g ( x) dx ; 1 x
2
a.- f g b.- f g f ( x) g ( x)dx ;
1 1
c.- f g 1 (1 x 2 ) f ( x) g ( x)dx ; d.- f g 1 xf ( x) g ( x)dx .
SO L U C I O N
a.- Para verificar si f g define un producto interior, debemos demostrar los
axiomas de la definicin:
1.- Esta propiedad requiere un poco de atencin. Dado que f 2(x) t 0 para toda x, se
tiene
1
1 f
2
f f ( x) dx t 0
con
1
1 f
2
f f ( x) dx 0
s y slo si f es la funcin cero en C[-1; 1].
1 1
2.- f g 1 f ( x) g ( x) dx 1 g ( x) f ( x) dx g f .
1 1
3.- Df g 1 Df ( x) g ( x) dx D
1
f ( x) g ( x) dx D f g .
1 1
4.- f g h 1 f ( x)[ g h]( x) dx 1[ f ( x) g ( x) f ( x)h( x)] dx
1 1
1 f ( x) g ( x) dx 1 f ( x)h( x) dx f g f h .
producto interior.
b.- Para verificar si f g define un producto interior, debemos demostrar los
axiomas de la definicin:
1.- Esta propiedad requiere un poco de atencin. Dado que x2f 2(x) t 0 para toda x,
se tiene
1
1 ( xf ( x))
2
f f dx t 0
con
1
1 ( xf ( x))
2
f f dx 0
s y slo si f es la funcin cero en C[-1; 1].
1 1
1 x 1 x
2 2
2.- f g f ( x) g ( x) dx g ( x) f ( x) dx g f .
1 1
1 Dx f ( x) g ( x) dx D x 2 f ( x) g ( x) dx D f g .
2
3.- Df g
1
1 1
1 x 1 x [ f ( x) g ( x) f ( x)h( x)] dx
2 2
4.- f g h f ( x)[ g h]( x) dx
1 1
1 x f ( x) g ( x) dx x 2 f ( x)h( x) dx f g f h .
2
1
con lo que no se cumple esta propiedad. Por lo tanto podemos decir que f g no es
un producto interior.
EJ E M P L O 6.1.10
Determine cules de las siguientes funciones : :(n, n) x :(n, n) o son
productos internos en el espacio vectorial ::
D E F I N I C I O N 6.1.3
Un espacio vectorial real ( V, R, +, ) se denomina espacio vectorial
eucldeo, si a todo par de vectores, u, v de V se le ha puesto en
correspondencia un nmero real , llamado producto
interior, considerndose cumplidos los siguientes axiomas:
1.- Para todo vector u de V, entonces se cumple la positividad:
u u > 0 cuando u z y = 0.
2.- Para todo par de vectores u, v de V, se cumple la conmutatividad:
u v = v u.
3.- Para todo par de vectores u, v de V y para todo escalar real k, se cumple
la homogeneidad:
ku v = ku v.
4.- Para toda terna de vectores u, v, w de V, se cumple la distributividad:
u (v + w) = u v + u w.
EJ E M P L O 6.1.11
Se da un espacio vectorial cuyos vectores son todos los sistemas posibles
compuestos por 3 nmeros positivos:
u = (a1, a2, a3), v = (b1, b2, b3), w = (c1, c2, c3), ....
La adicin de los vectores y la multiplicacin de un vector por un nmero estn
definidas por las igualdades
u + v = (a1b1, a2b2, a3b3), ku ak , ak , ak .
1 2 3
Se puede hacer eucldeo este espacio al definir la funcin producto interno por la
igualdad
u v = lna1lnb1 + lna2lnb2 + lna3lnb3?
SO L U C I O N
Vamos a comprobar el cumplimiento de los axiomas de los espacios eucldeos:
1.- u u = ln2a1 + ln2a2 + ln2a3 t 0.
2.- u v = lna1lnb1 + lna2lnb2 + lna3lnb3
u v = lnb1lna1 + lnb2lna2 + lnb3lna3
Es decir, u v = v u.
3.- ku v = lna k1lnb1 + lna k2lnb2 + lna k3lnb3 = klna1lnb1 + klna2lnb2 + klna3lnb3
= k(lna1lnb1 + lna2lnb2 + lna3lnb3) = ku v.
4.- u (v + w) = lna1ln(b1c1) + lna2ln(b2c2) + lna3ln(b3c3)
= lna1lnb1 + lna1lnc1 + lna2lnb2 + lna2lnc2 + lna3lnb3 + lna3lnc3
= lna1lnb1 + lna2lnb2 + lna3lnb3 + lna1lnc1 + lna2lnc2 + lna3lnc3
= u v + u w.
Por cumplirse todos los axiomas de la definicin, el espacio que se considera es
eucldeo.
EJ E M P L O 6.1.12
Es el conjunto de todos los vectores geomtricos un espacio eucldeo si el producto
interior de dos vectores se define como el producto de sus longitudes?
SO L U C I O N
El producto interior tiene la forma siguiente: u v u v , siendo u, v, w tres
vectores geomtricos. Por tanto debemos probar los siguientes axiomas:
2
1.- u u u u u ;
2.- ku v ku v k u v zk u v ;
3.- u v u v v u v u ;
4.- u v w uv w d ( u v ) w z u w v w .
Como no se cumplen los axiomas segundo y cuarto, no es espacio eucldeo.
T E O R E M A 6.1.4
Dado (V, ) un espacio vectorial eucldeo, entonces para cualesquiera par
de vectores, de V es vlida la desigualdad de Cauchy - Schwartz:
~u v~2 d u u v v.
La desigualdad de Cauchy - Schwartz se convierte en una igualdad si, y
slo si, los vectores, son colineales.
D E M OST R A C I O N
El teorema tiene lugar, a ciencia cierta, si v = , por lo cual convengamos en
considerar que v z . Examinemos un vector u av, donde a es un nmero real
arbitrario. Tenemos
u - av u - av t 0
u u - au v - av u + a2v v t 0
u u - 2au v + a2v v t 0
En el primer miembro de la desigualdad figura un producto interior de vectores
iguales. Por esta razn el trinomio de segundo grado es no negativo, cualquiera que
uv
sea a, en particular, para a . De este modo,
vv
2
uv uv
u u 2 uv vv t 0
vv vv
2
2 2
uv uv
u u 2 2
vv 2
vv t 0
vv vv
2
uv 2 2
u u t 0 u u vv u v t0 uv d u u vv .
vv
EJ E M P L O 6.1.13
Verifique que la funcin : :(n, n) x :(n, n) o definida por A B =
Tr(A B T), en el espacio vectorial :(n, n), cumple la desigualdad de Cauchy -
Schwartz.
SO L U C I O N
Debemos comprobar que se cumple~A B~2 d A A B B. Es decir:
~Tr(A B T)~2 d Tr(A A T)Tr(BB T)
2
n n n 2 n
2
n n
2
a1i b1i ... ani bni d a1i ... ani b1i ... bni
2
i 1 i 1 i 1 i 1 i 1 i 1
2
n n n n n n
a ji b ji d a 2ji b2ji .
j 1i 1 j 1 i 1 j 1 i 1
Por lo tanto podemos observar que se cumple la desigualdad.
D E F I N I C I O N 6.1.4
En un espacio vectorial eucldeo V se dice que un vector u es ortogonal a
otro vector v, representado por u A v, si u v = 0, siendo u y v vectores
no nulos.
D E F IN I C I O N 6.1.5
Dos vectores u y v de un espacio eucldeo V distintos de cero son paralelos,
y se nota u v, si uno es mltiplo escalar del otro. Si u = kv con k > 0,
entonces u y v tienen la misma direccin; si k < 0, entonces u y v tienen
direccin opuesta.
Por analoga con los segmentos dirigidos, llamemos colineales dos vectores u y v de
cualquier espacio vectorial, si o bien u = av o bien v = bu para ciertos escalares a y b.
En virtud de la igualdad = 0u concluimos que los vectores u y v son colineales, a
ciencia cierta, si por lo menos uno de ellos es nulo.
T E O R E M A 6.1.5
La desigualdad |u v|2 d u uv v se convierte en una igualdad si, y slo
si, los vectores u y v son colineales.
D E M OST R A C I O N
Supongamos que los vectores u y v son colineales, entonces u = av. Hallamos
u v2 = av v2 = a2v v2
u uv v = av avv v = a2v v2
La comparacin de estas igualdades muestra que la afirmacin tiene lugar.
Supongamos ahora que para los vectores u y v se verifica la igualdad
u v2 = u uv v
Si v = , los vectores son colineales. Sin embargo, si v z , entonces, al tomar
u v
a= y teniendo presente la ecuacin anterior, obtenemos u - av u - av = 0.
vv
En vista del axioma 1 de la definicin, esto significa que u av = , o bien u = av,
es decir, los vectores u y v son colineales.
D E F IN I C I O N 6.1.6
Sean u y v vectores de un espacio eucldeo V, de modo que v z .
Entonces, la proyeccin perpendicular de u sobre v est definida por
u v
Pr oyv u v.
v v
E J E M P L O 6.1.14
Determine la proyeccin ortogonal de f(x) = 2 + 3x2 sobre g(x) = 1 + 3x x2.
SO L U C I O N
Si f(x) = a0 + a1x + a2x2 y g(x) = b0 + b1x + b2x2, entonces el producto interior
cannico se establece por f g = a0b0 + a1b1 + a2b2. Para determinar la proyeccin
f g
ortogonal de f(x) sobre g(x), debemos utilizar Pr oyg f g , es decir:
g g
2 3x 2 1 3x x 2 23
Pr oyg f (1 3x x 2 ) (1 3x x 2 )
2
1 3x x 1 3x x 2 1 9 1
1 1 3 1
(1 3x x 2 ) x x 2 .
11 11 11 11
E J E M P L O 6.1.15
Para todo par de vectores u, v de un espacio vectorial eucldeo V, los vectores v y
u Proyvu son ortogonales.
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno real:
u v u v u v
v u Pr oyv u v u v v u v v v u v v
v v v v v v
v u u v 0 .
PR O B L E M AS
6.1.1 En los siguientes problemas, determine en cada 6.1.3 Utilizando la desigualdad de Cauchy-Schwarz
caso, si u v es un producto interior en n, si u v est demuestre las siguientes desigualdades:
definido por la frmula que se da. En caso contrario, decir n
2
n n
cules son los axiomas que no se cumplen: a.- ui vi d ui2 vi2 ;
n n n i 1 i 1 i 1
a.- u v (ui vi )2 ui2 vi2 ; n
2
n n 1
i 1 i 1 i 1
b.- ui vi d O i ui2 vi2 .
n n n i 1 i 1 i 1 O i
b.- u v ui vi ; c.- u v ui v j ;
i 1 i 1 j 1
6.1.4 Describa los vectores u 2 que son ortogonales
n n
al vector (-2, 5). Verifique que stos son los puntos de una
d.- u v ui2vi2 ; e.- u v ui vi .
recta que pasa por el origen.
i 1 i 1
6.1.6 Demuestre que en 2 un producto interior puede ser 6.1.10 Qu es el producto interior de dos vectores en ?
dado por la frmula Cmo se ve la desigualdad de Cauchy-Schwarz para
u v au1v1 bu1v2 bu2v1 cu2v2 vectores en ? En qu casos se tiene la igualdad en esta
si, y solamente si, a > 0 y ac > b2 simultneamente. desigualdad para vectores en ?
6.1.7 Forma el conjunto de todos los vectores 6.1.11 Encuentre 2u + v 3u 2v, dado que
geomtricos un espacio eucldeo si el producto interior de u u = 14, u v = 15 y v v = 11.
dos vectores arbitrarios u y v se define como el producto de
la longitud del vector u y la produccin triplicada del 6.1.12 Sean u, v dos vectores en n y u, -v sus inversos
vector v por el sentido del vector u? aditivos. Demuestre que:
a.- Proy-uv = Proyuv; b.- Proyu(-v) = -Proyuv.
6.1.8 En el espacio vectorial de todos los polinomios Verifique este resultado con los vectores
reales, determinar si f g es o no un producto interior u = (2, -3), v = ( 3, 1).
cuando se define f g con la frmula que se da:
1 6.1.13 Use la desigualdad de Cauchy-Schwarz para
a.- f g 0 f ( x) g ( x) dx ; probar que si x1, x2, ..., xn son nmeros reales cualesquiera,
g(x) dx ;
1 1
entonces
b.- f g f ( x) dx n n
1
xi xi2
0 0
d
1 n i 1 i 1
c.- f g 0 f ( x) g( x) dx ; y que la igualdad se da si y slo si todos los xi son iguales.
1 t
d.- f g lim
t of t 0 f ( x) g ( x) dx .
6.1.9 Sean v, u1, u2, ..., uk, k + 1 vectores en . Si u = u1 +
u2 + ... + uk. Demuestre que
Proyvu = Proyvu1 + Proyvu2 + ... + Proyvuk
Verifique este resultado con los vectores
u1 = (1, 1), u2 = (3, -2), v = (2, 3).
6.2 ESP A C I OS V E C T O RI A L ES H E R M I T I C OS
En esta seccin se definirn productos interiores sobre espacios vectoriales complejos usando como axiomas
las propiedades del producto interior euclidiano sobre C n.
D E F IN I C I O N 6.2.1
Un espacio vectorial complejo V se denomina espacio vectorial hermtico,
si a todo par de vectores, u, v de V se le ha puesto en correspondencia un
nmero complejo , llamado producto interior, considerndose cumplidos
los siguientes axiomas:
1.- Para todo vector u de V, entonces se cumple la positividad:
u u > 0 cuando u z .
2.- Para todo par de vectores u, v de V, se cumple la conmutatividad:
u v v u .
3.- Para todo par de vectores u, v de V y para todo escalar complejo k,
se cumple la homogeneidad:
ku v = ku v.
4.- Para todo tro de vectores u, v, w de V, se cumple la distributividad:
u v + w = u v + u w.
T E O R E M A 6.2.1
Para todo par de vectores u, v de V y para todo escalar complejo k se
cumple
u kv k u v .
D E M OST R A C I O N
Para demostrar este teorema, utilizamos los axiomas 2 y 3 de la definicin de
espacio hermtico:
u kv = kv u axioma 2
= k v u axioma 3
= k u v axioma 2
T E O R E M A 6.2.2
Dado (V, ) un espacio vectorial hermtico, entonces para cualesquiera
par de vectores, de V es vlida la desigualdad de Cauchy - Schwartz:
~u v~2 d u u v v.
EJ E M P L O 6.2.1
Para todo par de vectores u, v de un espacio vectorial hermtico V, el vector v y
u Proyvu son ortogonales.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 271
SO L U C I O N
Usaremos las propiedades correspondientes al producto interno complejo:
u v u v u v
v u Pr oyv u vu v v u v v v u v v
v v v v v v
v u u v v u v u 0.
EJ E M P L O 6.2.2
Si u = (2, 4, 1 + i), v = (1 - i, 2, 3i), hallar un vector no nulo w de un espacio
hermtico V, ortogonal simultneamente a u y v.
SO L U C I O N
Debemos encontrar un vector w tal que u w = 0 y v w = 0. Es decir:
u w = (2, 4, 1 + i) (a, b, c) = 2a + 4b + (1 - i)c = 0;
v w = (1 i, 2, 3i) (a, b, c) = (1 + i)a + 2b 3ic = 0.
Resolvemos el sistema de ecuaciones homogneo y obtenemos:
2 4 1 i 0 2 4 1 i 0 2i 0 1 5i 0
| | .
1 i 2 3i 0 0 2i 1 3i 0 0 2i 1 3i 0
Por lo tanto w = (5 i, 3 i, 2).
EJ E M P L O 6.2.3
Demostrar que para dos vectores cualesquiera u y v de un espacio hermtico V se
cumple la siguiente identidad
2 2
uv u v 2u v 2u v .
SO L U C I O N
Descomponemos || u + v ||2 y || u - v ||2 en funcin del producto interior:
2
uv u vu v u u u v vu vv
u u u v u v v v ;
2
u v u v u v u u u v v u v v
u u u v u v v v .
Restamos estas dos expresiones y obtenemos el resultado buscado:
2 2
uv u v 2u v 2u v .
EJ E M P L O 6.2.4
Demostrar que para dos vectores cualesquiera u y v de un espacio hermtico V, la
suma u v u v es real.
SO L U C I O N
Del problema anterior tenemos:
2 2
2u v 2u v uv uv .
De donde
1
u v u v
2
2
uv uv 2
.
Lo cual implica que u v u v es un nmero real.
EJ E M P L O 6.2.5
Si u y v son vectores no nulos de un espacio hermtico V, demostrar que
u v u v
2 d d 2.
|| u || || v ||
SO L U C I O N
Sabemos que
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
272 ESPACIOS EUCLIDEOS Y HERMITICOS
u v u v
(1) Cos(u, v) con 1 d d1 ;
|| u || || v || || u || || v ||
v u u v u v
(2) Cos(v, u ) con 1 d d1 .
|| u || || v || || u || || v || || u || || v ||
Sumando estas dos expresiones, obtenemos:
v u u v v u u v
Cos(u, v) Cos(v, u ) 2Cos(u, v) .
|| u || || v || || u || || v || || u || || v ||
Donde
v u u v
2 Cos(u, v)
|| u || || v ||
con
u v u v
2 d d 2.
|| u || || v ||
Lo cual demuestra la identidad.
EJ E M P L O 6.2.6
Definimos el ngulo T formado por dos vectores no nulos u y v de un espacio
hermtico V mediante la identidad
u v u v
0 ArcCos .
2 || u || || v ||
SO L U C I O N
En el problema anterior se demostr que
v u u v
2 Cos(u, v) 2 CosT
|| u || || v ||
De donde
v u u v v u u v
CosT T ArcCos .
2 || u || || v || 2 || u || || v ||
Con lo cual queda demostrada la identidad.
PR O B L E M AS
6.2.1 Sean u = (a, b) y v = (c, d). Demuestre que 6.2.4 Demuestre que en un espacio hermtico se cumple
u v 3ac 2bd define un producto interior sobre C 2. la siguiente identidad:
1
u v u v i u iv i u iv
2 2 2 2
u v
6.2.2 Calcular u v usando el producto interior 4
u v 3ac 2bd :
6.2.5 Sea C 3 con el producto interior hermtico.
a.- u = (2i, -i), v = (-i, 3i);
Demuestre que para todos los valores de T el vector
b.- u = (1 + i, 1 - i), v = (1 i, 1 + i);
c.- u = (3i, -1 + 2i), v = (3i, -1 2i). i 1 1
u e iT , , tiene norma 1 y es ortogonal a
3 3 3
6.2.3 Sean u = (a, b) y v = (c, d). Determine cules de las (1, i, 0) y a (0, i, -i).
siguientes expresiones son productos interiores sobre C 2.
Para las que no lo sean, enumerar los axiomas que no se 6.2.6 Sea C 3 con el producto interior hermtico. Usando
cumplen: el proceso de Gram-Schmidt, transformar la base {(i, i, i),
a.- u v 2ac iad iba 2bd ; (-i, i, 0), (i, 2i, i)} en una base ortonormal.
2 2 2 2
b.- u v a c b d ; 6.2.7 Sean u = (a, b) y v = (c, d). Demuestre que
c.- u v ac bd ; u v ac (1 i ) ad (1 i )bc 3bd
d.- u v 2ac iad iba 2bd . define un producto interior sobre C 2.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 273
4
6.2.8 Demuestre que si k es un nmero complejo y u 6.2.13 Sea C con el producto interior hermtico. Usando
v es un producto interior sobre un espacio vectorial el proceso de Gram-Schmidt, transformar la base
complejo, entonces: {(0, 2i, i, 0), (i, -i, 0, 0), (i, 2i, 0, -i), (i, 0, i, i)} en una base
a.- u kv u kv u u k u v k u v k k v v ; ortonormal.
6.3 N O R M A, DIST A N C I A Y A N G U L O E N T R E V E C T O R ES
En esta seccin se definir el concepto de longitud y distancia entre dos vectores y el ngulo entre dos vectores en
un espacio con producto interior, y esta idea se usar para obtener algunas relaciones bsicas entre vectores en
un espacio con producto interior.
u a 2 b2 c 2 .
D E F IN I C I O N 6.3.1
Sea (V, ) un espacio vectorial eucldeo. Se define la norma o longitud
del vector u de V, representada por, al nmero real no negativo
u u u .
D E F IN I C I O N 6.3.2
Un vector de V es un vector unitario si tiene magnitud 1. Dado cualquier
vector distinto de cero u de V, un vector unitario con la misma direccin
que u est dado por
1
u.
u
EJ E M P L O 6.3.1
Dado p(x) = 2 3x + 4x2 un polinomio en 2. Determine || p ||.
SO L U C I O N
Si p(x) = a0 + a1x + a2x2 y q(x) = b0 + b1x + b2x2, entonces el producto interior
cannico se establece por p q = a0b0 + a1b1 + a2b2. Por lo tanto
p (2)(2) (3)(3) (4)(4) 4 9 16 29 .
EJ E M P L O 6.3.2
1 0 3
Sea la matriz A . Use el producto interior cannico para determinar
5 9 7
A .
SO L U C I O N
a b c a1 b1 c1
Si A y B , entonces el producto interior cannico se
d e f d1 e1 f1
establece por A B = aa1 + bb1 + cc1 + dd1 + ee1 + ff1. Por lo tanto
A (1)(1) (0)(0) (3)(3) (5)(5) (9)(9) (7)(7)
1 0 9 25 81 49 165 .
EJ E M P L O 6.3.3
Sea f(x) = exSenx una funcin definida en el intervalo -S d x d S. Determine || f ||.
SO L U C I O N
Como f(x) est definida en el intervalo -S d x d S, entonces para poder determinar la
norma de esta funcin debemos aplicar lo siguiente
S S 2x 2e S e 4S 1
S f S e
2
f ( x) dx Sen2 x dx .
4
EJ E M P L O 6.3.4
1 i 2i 4
Sea la matriz A . Use el producto interior cannico para
1 1 i 2 i
determinar A .
SO L U C I O N
El producto interior cannico se establece por
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 275
AB a a1 bb1 c c1 d d1 e e1 f f1 .
Por lo tanto
A (1 i )(1 i ) 2i (2i ) 4 4 11 (1 i )(1 i ) (2 i )(2 i )
1 i 2 4i 2 16 1 1 i 2 4 i 2 30 .
EJ E M P L O 6.3.5
Sea S = {e1, e2, e3, e4} base cannica en 4. Para qu valor de k los vectores u = ke1
+ ke2 e3 ke4 y v = e1 e2 + ke3 e4 tienen igual longitud?
SO L U C I O N
Como el espacio vectorial es 4, entonces
e1 = (1, 0, 0, 0), e2 = (0, 1, 0, 0), e3 = (0, 0, 1, 0), e4 = (0, 0, 0, 1),
entonces u = (k, k, -1, -k) y v = (1, -1, k, -1). Para que u y v tengan igual longitud,
u v . Es decir
u ( k , k , 1, k ) ( k , k , 1, k ) k 2 k 2 1 k 2
v (1, 1, k , 1) (1, 1, k , 1) 1 1 k 2 1 k2 3
igualamos las dos ecuaciones 3k2 + 1 = k2 + 3 y obtenemos k = r 1.
T E O R E M A 6.3.1
Sea (V, ) un espacio vectorial eucldeo. La norma, definida a partir de un
producto interno en un espacio vectorial real V, tiene las siguientes
propiedades:
1.- Para todo u V, || u || > 0 y || u || = 0 si y slo si u = . Positividad.
2.- Para todo u V y para todo escalar real k, entonces ku k u .
Homogeneidad.
3.- Para todo u, v V, entonces || u + v || d || u || + || v ||. Desigualdad
triangular.
D E M OST R A C I O N
1.- Si u = (a1, a2, ..., ak), entonces
|| u || = u u a12 a22 ... ak2 > 0
Si u = (0, 0, ..., 0), entonces
|| u || = u u 02 02 ... 02 0
2.- ku ku ku k u ku k ku u k2 u u rk u u k u .
3.- || u + v || = u + v u + v
2
= u u + v + v u + v
= u u + 2u v + v v
d u u + 2 u u vv + v v
2 2
= || u || + 2|| u || || v || + || v ||
= (|| u || + || v ||)2.
Por lo tanto || u + v || d || u || + || v ||.
EJ E M P L O 6.3.6
Sean los vectores u = (3, -2, 4) y v = (1, 9, 3) de 3. Verifique la desigualdad
triangular con el producto interior definido por u v = a1b1 + 2a2b2 + 3a3b3 + a2b1 +
a1b3 + 2a2b3.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || u + v || d || u || + || v ||.
u (3, 2, 4) (3, 2, 4) (3, 2, 4)
EJ E M P L O 6.3.7
1 3 5 5 2 1
Sean las matrices A y B . Verifique la desigualdad
2 4 6 4 3 2
triangular utilizando el producto interior cannico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||.
1 3 5 1 3 5 1 3 5
A
2 4 6 2 4 6 2 4 6
11 3 3 5 5 2 2 4 4 6 6 91 ;
5 2 1 5 2 1 5 2 1
B
4 3 2 4 3 2 4 3 2
5 5 2 2 11 4 4 3 3 2 2 59 ;
1 3 5 5 2 1 6 5 6
A+B
2 4 6 4 3 2 6 7 8
6 6 55 6 6 6 6 7 7 88 246 .
Por tanto 246 d 91 59 .
EJ E M P L O 6.3.8
Sean las funciones f(x) = Senx y g(x) = Cosx definidas en C[-S; S]. Compruebe la
desigualdad triangular.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos f g d f g .
S
S Sen
2
f Senx Senx Senx x dx S;
S
S Cos
2
g Cosx Cosx Cosx x dx S;
Por tanto 2S d 2 S .
EJ E M P L O 6.3.9
1 2i 2 i 3 2 i 1 i i
Sean las matrices A y B . Verifique
4 3i 1 2 5i 1 3i 2 3i i
la desigualdad triangular utilizando el producto interior cannico.
SO L U C I O N
Para verificar la desigualdad triangular, comprobaremos || A + B || d || A || + || B ||:
1 2i 2 i 3 1 2i 2 i 3 1 2i 2 i 3
A
4 3i 1 2 5i 4 3i 1 2 5i 4 3i 1 2 5i
(1 2i )(1 2i ) (2 i )(2 i ) (3)(3) (4 3i)(4 3i) (1)( 1) (2 5i)(2 5i )
1 4i 2 4 i 2 9 16 9i 2 1 5 25i 2 75 ;
2 i 1 i i 2 i 1 i i 2 i 1 i i
B
1 3i 2 3i i 1 3i 2 3i i 1 3i 2 3i i
(2 i )(2 i ) (1 i )(1 i ) (i )(i ) (1 3i )(1 3i ) (2 3i )(2 3i ) (i )(i )
4 i 2 1 i 2 i 2 1 9i 2 4 9i 2 i 2 32 ;
1 2i 2 i 3 2 i 1 i i
A+B
4 3i 1 2 5i 1 3i 2 3i i
3 i 3 2i 3 i
5 6i 1 3i 2 4i
9 i 2 9 4i 2 9 i 2 25 36i 2 1 9i 2 4 16i 2 2 31 ;
Por tanto 2 31 d 75 32 .
T E O R E M A 6.3.2
Dos vectores son ortogonales si y slo si || u + v ||2 = || u ||2 + || v ||2.
D E M OST R A C I O N
|| u + v ||2 = u + v u + v = u u + u v + v u + v v
= u u + 2u v + v v
= u u + v v por definicin de ortogonalidad
= || u ||2 + || v ||2.
Ya que
Q P = (x a, y b, z c)
Es decir
d ( P, Q ) ( x a )2 ( y b)2 ( z c )2 .
D E F IN I C I O N 6.3.4
Se denomina distancia d(u, v) entre los vectores u y v de un espacio
vectorial eucldeo, a la magnitud
d (u, v) u v .
D E F IN I C I O N 6.3.5
Se denomina distancia d(P, Q ) entre los conjuntos P y Q de vectores de un
mismo espacio la magnitud
d ( P, Q ) inf d ( P, Q ) .
u P , v Q
T E O R E M A 6.3.3
Sea (V, ) un espacio vectorial eucldeo, la distancia d(u, v) entre los
vectores u, v de V satisface los siguientes axiomas:
1.- Para todo u, v V, d(u, v) > 0 cuando u z v y d(u, v) = 0 si y slo si
u = v.
2.- Para todo u, v V, d(u, v) = d(v, u).
3.- Para todo u, v, w V, d(u, v) d d(u, w) + d(w, v).
D E M OST R A C I O N
1.- Para todo u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai z bi, entonces
d(u, v) = || u v || = u v u v
= ( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 > 0
Para u = (a1, a2, ..., ak), v = (b1, b2, ..., bk) V, donde ai = bi, entonces
d(u, v) = || u v || = u v u v = ( a1 b1 )2 ( a2 b2 )2 ... ( ak bk )2 = 0.
2.- d(u, v) = || u v || = || -(v u) || = | -1 | || v u || = d(v, u).
3.- d(u, v) = || u v || = || u v + w w || = || (u w) + (w v) ||
d || u w || + || w v || = d(u, w) + d(w, v).
EJ E M P L O 6.3.10
Determine la distancia entre las funciones f(x) = Senx y g(x) = Cosx definidas en
C[-S; S].
SO L U C I O N
Para determinar la distancia entre las funciones f(x) y g(x), debemos calcular d(f, g) =
|| f g ||:
f g Senx Cosx Senx Cosx Senx Cosx
S
S (Senx Cosx)
2
dx 2S .
EJ E M P L O 6.3.11
Demostrar que entre todos los vectores u v, donde u es un vector dado y v recorre
el espacio dado V, tiene la longitud mnima el vector u w, donde w es la proyeccin
ortogonal de u sobre V.
SO L U C I O N
Desarrollamos lo siguiente:
2 2 2 2 2
u v (u w) (w v) uw wv t uw
donde la igualdad es posible slo para v = w.
EJ E M P L O 6.3.12
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
2 2 2
uv u v u v u v .
SO L U C I O N
Descomponiendo || u + v ||2 en funcin del producto interior, obtenemos:
2
uv u v u v
u u u v v u v v
u u u v u v u v
2 2
u v u v u v .
Con esto queda demostrada la identidad propuesta.
EJ E M P L O 6.3.13
Demostrar que para dos vectores cualesquiera u y v de V, se cumple la identidad
|| u + v ||2 + || u v ||2 = 2|| u ||2 + 2|| v ||2
SO L U C I O N
Descomponiendo || u + v ||2 y || u v ||2 en funcin del producto interior, obtenemos:
|| u + v ||2 = u + v u + v
= u u + u v + v u + v v
= || u ||2 + || v ||2 + u v + v u
|| u v || = u - v u - v
2
= u u - u v - v u + v v
= || u ||2 + || v ||2 - u v - v u
Sumamos estas dos expresiones
|| u + v ||2 + || u v ||2 = 2|| u ||2 + 2|| v ||2.
Con esto queda demostrada la identidad.
T E O R E M A 6.3.4
Sean u y v vectores de un espacio eucldeo V, de modo que v z . Entonces
u v
d(u, Proyv u) < d(u, kv), k z .
v v
Sean u = (a, b, c) y v = (x, y, z) dos vectores diferentes de cero. Si, como se muestra
en la figura, T es el ngulo entre u y v, entonces la ley de los cosenos da
2 2 2
v u u v 2 u v CosT
2 2 2 2
u v 2u v u v 2 u v CosT
u v
u v u v CosT CosT .
u v
D E F IN I C I O N 6.3.6
Sean u y v dos vectores no nulos del espacio vectorial eucldeo V. Se
denomina coseno del ngulo que forman los vectores u y v, representado
por Cos(u, v), al nmero real que cumple la igualdad
u v
Cos(u, v) . 0 d (u, v) d S.
u v
EJ E M P L O 6.3.14
En el espacio de cuatro dimensiones se dan dos planos, engendrados por los vectores
del sistema S y S1. Entre los ngulos formados por los vectores del primer plano con
los vectores del segundo plano, hallar el mnimo:
a.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (2, -2, 5, 2)};
b.- S = {(1, 0, 0, 0), (0, 1, 0, 0)}, S1 = {(1, 1, 1, 1), (1, -1, 1, -1)}.
SO L U C I O N
a.- La proyeccin del vector (t + 2r, t 2r, t + 5r, t + 2r) sobre el primer plano es
(t + 2r, t 2r, 0, 0). Por consiguiente
2t 2 8r 2 2 x2 8
Cos 2 T
4t 2 14tr 37 r 2 4 x 2 14 x 37
t
donde x . Esta expresin alcanza el mximo, igual a 8/9, para x = -4.
r
b.- El ngulo formado por cualquier vector del segundo plano con su proyeccin
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 281
EJ E M P L O 6.3.15
Sea el espacio eucldeo V, cuyo producto interior est definido de forma usual.
Determine el ngulo entre los vectores
u (1, 3, 5, ..., 2n 1) y v = (1, 0, 0, ..., 0).
SO L U C I O N
Aplicando la definicin, obtenemos:
(1, 3, 5, ..., 2n 1) (1, 0, 0, ..., 0) 1
Cos(u, v) .
|| (1, 3, 5, ..., 2n 1) || || (1, 0, 0, ..., 0) || n
1
Por lo tanto (u, v) ArcCos .
n
EJ E M P L O 6.3.16
Sea S = {e1, e2, e3, e4} la base cannica de 4. Determine el ngulo entre los vectores
u 7e1 5e2 3e3 2e4 y v 7e1 5e2 .
SO L U C I O N
Como S es la base cannica para 4, entonces u ( 7, 5, 3, 2) y
v ( 7, 5, 0, 0) . Por la definicin anterior:
( 7, 5, 3, 2) ( 7, 5, 0, 0) 12 12
Cos(u, v) .
|| ( 7, 5, 3, 2) || || ( 7, 5, 0, 0) || 17 12 17
Por lo tanto (u, v) = 32,84 .
EJ E M P L O 6.3.17
u v u v
La desigualdad 2 d d 2 demuestra que siempre existe un nico
u v
ngulo T en el intervalo 0 d T d S que satisface esta igualdad. Demostrar que
|| u v ||2 = || u ||2 + || v ||2 - 2|| u |||| v ||CosT
SO L U C I O N
u v u v u v u v
Sabemos que Cos(u, v) para 2 d d 2 . Entonces:
2 u v u v
2 2 2 2 2
u v u v u v u v u v (u v u v )
2 2 2 2
u v 2 u v Cos(u, v) u v 2 u v CosT .
Con esto queda demostrada la identidad.
EJ E M P L O 6.3.18
Tres vectores u, v, w de V satisfacen lo siguiente:
|| u || = || w || = 5, || v || = 1 y || u v + w || = || u + v + w ||.
Si el ngulo que forman u y v es S/8, hallar el que forman v y w.
SO L U C I O N
Sabemos que
u v w u v w v w = - u v.
Como
u v v w
Cos(u, v) y Cos(v, w)
u v v w
entonces
u v 5Cos(u, v) y v w 5Cos(v, w) .
De donde
5 Cos(u, v) = -5 Cos(v, w) Cos(u, v) = - Cos(v, w).
S 7S
Como (u, v) = , entonces (v, w) = .
8 8
El coseno del ngulo que forman los vectores u y v est comprendido entre 1 y 1,
alcanzando estos valores extremos nicamente si u y v son linealmente dependientes.
El hecho de que el producto interior sea cero, es una prueba para que dos vectores
sean ortogonales. Esto motiva la definicin de que dos vectores son ortogonales si
y slo si su producto interior es cero. Como el producto interior de cualquier vector
con el vector nulo es cero, se acostumbra decir que el vector nulo es ortogonal a
cualquier otro vector.
EJ E M P L O 6.3.19
Si u = (3, -i, 2) y v = (1 + i, 1 i, 2 + 3i), hallar un vector no nulo w de 3 ortogonal
simultneamente a u y v.
SO L U C I O N
Como w pertenece a 3, entonces:
u w = (3, -i, 2) (a, b, c) = 3a ib + 2c = 0;
v w = (1 + i, 1 - i, 2 + 3i) (a, b, c) = (1 + i)a + (1 i)b + (2 + 3i)c = 0
Resolviendo el sistema de ecuaciones homogneo, generado por las condiciones
anotadas, obtenemos:
3 i 2 0 3 i 2 0 2i 2 0 1 0
| | .
1 i 1 i 2 3i 0 0 2i 2 4 7i 0 0 2i 2 4 7i 0
Por lo tanto w = (2 + 2i, 6 22i, 8).
EJ E M P L O 6.3.20
Si u = (-1, 4, 3) y v = (2, 5, 1), hallar un vector no nulo w de V tal que sean
ortogonales simultneamente.
SO L U C I O N
Como w pertenece a 3, entonces:
u w = (-1, 4, 3) (a, b, c) = -a + 4b + 3c = 0
v w = (2, 5, 1) (a, b, c) = 2a + 5b + c = 0
Resolviendo el sistema de ecuaciones homogneo, generado por las condiciones
anotadas, obtenemos:
1 4 3 0 1 4 3 0 13 0 11 0
| | .
2 5 1 0 0 13 7 0 0 13 7 0
Por lo tanto w = (-11, -7, 13).
EJ E M P L O 6.3.21
Si u = (7, 4, 5) y v = (-3, 2, -1), hallar los escalares a y b tales que w = au + bv es un
vector no nulo y que w y v sean ortogonales.
SO L U C I O N
Tenemos que
w = a(7, 4, 5) + b(-3, 2, -1) = (7a - 3b, 4a + 2b, 5a - b)
y
w v = (7a - 3b, 4a + 2b, 5a - b) (-3, 2, -1) = 0,
de donde
9
-3(7a - 3b) + 2(4a + 2b) (5a - b) = 0 -18a + 14b = 0 b a.
7
De donde
22 46 26
w a, a, a , a z 0.
7 7 7
EJ E M P L O 6.3.22
Si u = (2, -2, 1) y v = (-1, 1, 2), hallar los vectores w y x de V tales que v, x sean
ortogonales, w sea paralelo a v y u = w + x.
SO L U C I O N
Sabemos que
v x = 0 (-1, 1, 2) (a, b, c) = -a + b + 2c = 0 a b 2c = 0;
w = kv w = k(-1, 1, 2) = (-k, k, 2k);
u = w + x (2, -2, 1) = (-k, k, 2k) + (a, b, c) = (a k, b + k, c + 2k)
a k 2 a 2 k
b k 2 b 2 k .
c 2k 1 c 1 2k
Reemplazando los valores de a, b y c en la primera ecuacin, obtenemos que
1
k . Este valor de k lo reemplazamos en w y x, donde:
3
1 1 1 2
w (2, 2, 1) , , ;
3 3 3 3
1 1 2 5 5 5
x (2 k , 2 k , 1 2k ) 2 , 2 , 1 , , .
3 3 3 3 3 3
E J E M P L O 6.3.23
En el espacio vectorial de los polinomios reales de grado menor o igual a n,
definimos el producto interior como
n
k k
f g f g .
k 0 n n
Hallar todos los polinomios g(t) ortogonales a f(t) = t.
SO L U C I O N
k
Hacemos que g(t) = a 0 + a 1t + a 2t2 + ... + a ntn y t , entonces:
n
1 1
f g f (t ) g (t ) ( a0 a1t a2t 2 ... ant n )t a0 a1 a2 ... a n 0.
t 0 t 0
De donde a 0 = - ( a 1 + a 2 + ... + a n). Por lo tanto, el polinomio buscado tiene la
forma siguiente:
g(t) = - ( a 1 + a 2 + ... + a n) + a 1t + a 2t2 + ... + a ntn.
%for f=1:col
for c=1:col
fprintf('Ingrese el elemento %d',c)
v(1,c)=input(' :');
end
fprintf('\n El VECTOR v es:\n')
v
fprintf('\n EL PRODUCTO INTERIOR ES:\n')
p=u*v'
fprintf('\n LAS NORMAS SON:\n')
Norma1=sqrt(u*u')
Norma2=sqrt(v*v')
fprintf('EL ANGULO ENTRE LOS VECTORES ES:\n')
d=(acos(p/(Norma1*Norma2)))*180/pi
if (p>0)
fprintf('El angulo es agudo\n')
end
if (p<0)
fprintf('El angulo es obtuso\n')
end
if (p==0)
fprintf('Los vectores son ortogonales\n')
end
PR O B L E M AS
6.3.1 Supngase que u, v y w son vectores tales que 6.3.6 En el espacio n de polinomios de grado d n con
u v 3 , v w 5 , u w 6 , u 2 , v 2 , coeficientes reales, el producto interior de polinomios se
determina por la frmula p q a0b0 a1b1 ... anbn .
w 4 . Determine el valor de las siguientes expresiones:
Para los polinomios dados p(x) = 3x2 + 2x + 1, q(x) = -x2 +
a.- u v v w ; b.- 3v 2w 4u 3w ; 2x + 1, r(x) = 3x2 + 2x + 5, s(x) = 3x2 + 5x + 2:
c.- u v 3w 5v 2w ; d.- 3u 2v ; a.- Hallar el polinomio f(x) de grado d 2 equidistante de
e.- 5w 2v ; f.- u 2v 3w . p(x), q(x), r(x), s(x);
b.- Determinar la distancia entre f(x) y cada uno de los
polinomios p(x), q(x), r(x), s(x);
6.3.2 Sea el espacio vectorial de todas las funciones c.- Determine que todo polinomio de la forma f(x) + m3x3
polinmicas f de la forma f(x) = a0 + a1x + a2x2 para toda x mnxn es tambin equidistante de p(x), q(x), r(x), s(x)
tal que 0 d x d 1. Aqu, a0, a1, a2 son escalares que y determine su distancia hasta estos polinomios.
slo dependen de f y no de x. Demuestre que es un
espacio tridimensional sobre . Verifquese tambin que 6.3.7 En el espacio vectorial real C(-1; 1), sea
las funciones p(x) = 1, q(x) = x y r(x) = x2 son una base de 1
.
f g 1 f ( x) g ( x) dx . Considerar las tres funciones
f(x) = 1, g(x) = x y h(x) = 1 + x. Demostrar que dos de ellas
6.3.3 Encontrar el ngulo entre una diagonal de un cubo y son ortogonales, dos forman entre s un ngulo S/3, y dos
una de sus aristas. forman entre s un ngulo S/6.
6.3.4 Calcular los ngulos internos del tringulo ABC, 1
dado por las coordenadas de sus vrtices: 6.3.8 Prubese que f g 0 f ( x) g ( x) dx es un
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1).
producto interior de P. Hllese una funcin g de P tal que
6.3.5 En el espacio vectorial real C(1; e), definimos un g 1 y g p g q 0 .
producto interior por
e 6.3.9 Sean u y v dos vectores en 2 linealmente
f g 1 f ( x) g ( x) log x dx : independientes. Demuestre que el nico vector de 2
a.- Si f ( x) x , calcular f ; ortogonal a u y a v es el vector . Ocurre lo mismo si los
vectores son linealmente dependientes? Es verdad esta
b.- Hallar un polinomio de primer grado g(x) = a + bx que
afirmacin para vectores en el espacio 3?
sea ortogonal a la funcin constante f(x) = 1.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 285
6.3.10 Trazar la circunferencia unitaria en 2 usando el 6.3.22 Sean V = 2, u = (1, 1) y v = (1, -1);
producto interior dado: a.- Dtese a V con un producto interior tal que u 1 y
1 1
a.- u v u1v1 u2 v2 ; v 1;
4 16
b.- u v 2u1v1 u2 v2 ; b.- Dtese a V con un producto interior tal que un ngulo
T entre u y v sea S/3.
1 1
c.- u v u1v1 u2 v2 .
9 4 6.3.23 En el espacio vectorial real C(1; 3) con producto
3 1
6.3.11 Calcular el ngulo formado por los vectores: interior f g f ( x) g ( x) dx , sea f ( x) , demostrar
1 x
a.- u = (2, 1, -1, 2), v = (3, -1, -2, 1);
que el polinomio constante g ms prximo a f es
b.- u = (1, 2, 2, 3), v = (3, 1, 5, 4);
1
c.- u = (1, 1, 1, 2), v = (3, 1, -1, 0). g log 3 . Calcular g f 2 para ste.
2
6.3.12 Demuestre que si u es ortogonal a v y w, entonces u
es ortogonal a Dv + Ew para escalares D y E cualesquiera. 6.3.24 En el espacio vectorial real C(0; 2S) con producto
2S
6.3.19 Sean u, v dos vectores ortogonales en n, tales que 6.3.31 Existen vectores u, v n tales que u 3,
u 2 , v 7 , u v 8 . Calcule u v . v 1, uv 5 ? Existen vectores u, v talesn
que u 3, v 1, u v 5?
6.3.20 Sean u, v dos vectores en n. Demuestre que:
a.- u v + si y slo si u v ! u v ; 6.3.32 Sean u, v dos vectores ortogonales en Rn, tales que
b.- -u v si y slo si u v u v ;
+
u 5 , v 3 . Calcule u v , u v .
c.- u y v son dos vectores ortogonales si y slo si
uv u v . 6.3.33 Sea S = {u, v} un conjunto ortogonal de vectores
Discuta el contenido geomtrico de estos resultados. unitarios en n. Demuestre que el ngulo entre el vector u
y el vector u + v es de S/4. Discuta el contenido
6.3.21 Demuestre que si u y v son vectores en un espacio geomtrico de este resultado cuando n = 2. Vale el
V con producto interior, entonces u v d u r v . resultado si los vectores u y v no son unitarios?
6.3.34 Demuestre que si u y v son vectores en un espacio 6.3.46 Demuestre que si el cuerpo de escalares es real y
con producto interior tal que u d 1 y v d 1 , entonces u v , entonces u v y u + v son ortogonales y
u v d 1 . recprocamente.
6.3.36 Los vectores u y v de n forman un ngulo de S/3. 6.3.48 Demuestre que u x v u v s y slo si u y v
Suponiendo que u 3 y v 4 . Calcule: u v, son ortogonales.
uv y uv .
6.3.49 Sean u y v vectores no nulos. Demuestre que el
vector
6.3.37 Dados los vectores u, v y w, entonces:
1
a.- Demuestre que
u v
v u u v
u x (v x w) = u wv - u vw;
b.- Encuentre un ejemplo para el que biseca el ngulo entre u y v. (Demuestre que este vector
u x (v x w) z (u x v) x w. forma el mismo ngulo con u que con v.)
6.3.38 Cada pareja de vectores u, v y w en n forma un 6.3.50 Sean u y v dos vectores no nulos en n tales que
ngulo de S/3. Suponga que u 1 , v 2 , w 3 . u v u v . Demuestre que el ngulo entre u y v
Calcule u v w . es de S/3. Cul es el ngulo entre u y u v, y entre v y u
v? Discuta el contenido geomtrico en el caso n = 2.
6.3.39 Los vrtices de un tringulo son A = (-1, 4),
6.3.51 Las cuatro diagonales de un paraleleppedo se
B = (-6, 6), C = (3, 8). Determine las coordenadas de los
cortan en un punto y se bisecan mutuamente.
puntos medios de sus lados.
6.3.40 Los puntos medios de los lados de un tringulo son 6.3.52 Si u y v son vectores diferentes de cero en R 3,
entonces se cumplen las siguientes igualdades:
P = (2, -1), Q = (-1, 4) y R = (-2, 2). Determinar los vrtices
a.- u x v es ortogonal tanto a u como a v;
del tringulo.
b.- El ngulo T entre u y v est dado por
6.3.41 Sean u y v vectores en un espacio V con producto u xv u v SenT ;
interior. Demuestre que u v u v s y slo si u y v c.- u y v son paralelos s y slo si u x v = ;
son ortogonales. d.- El paralelogramo cuyos lados adyacentes son u y v
tiene un rea igual a u x v .
6.3.42 Demuestre que
f ( x) 1 x 2 y g ( x ) 2 x 1 x 2 6.3.53 Demuestre que los puntos A = (2, 2), B = (-1, 6),
C = (-5, 3) y D = (-2, -1) son los vrtices de un cuadrado.
son ortogonales en C[-1; 1].
6.3.54 La recta que pasa por uno de los vrtices de un
6.3.43 Demuestre que en un tringulo arbitrario de un
paralelogramo y el punto medio de uno de los lados
espacio eucldeo, la longitud de cada lado no es menor que
opuestos divide a una de las diagonales en la razn 1:2.
la magnitud absoluta de la diferencia entre las longitudes
de los otros dos lados.
6.3.55 Sean x = (x1, x2, ..., xn), y = (y1, y2, ..., yn) dos
6.3.44 Demuestre que en un paralelogramo arbitrario de 1
vectores en n. Demuestre que el punto p ( x y ) es
un espacio eucldeo, la suma de los cuadrados de las 2
longitudes de las diagonales es igual a la suma de los un punto equidistante de x e y (es decir, d(x, p) = d(y, p)),
cuadrados de las longitudes de los lados. el cual se encuentra sobre el segmento que une a x con y
(para ver esto, ntese que los vectores u = x p, v = y p,
6.3.45 Calcular los ngulos internos del tringulo ABC, son linealmente dependientes). Se dice que p es el punto
dado por las coordenadas de sus vrtices: medio del segmento xy. Determine el punto medio del
A = (1, 2, 1, 2), B = (3, 1, -1, 0), C = (1, 1, 0, 1). segmento xy en cada uno de los siguientes casos:
a.- x = (1, 4, 5), y = (4, 8, -4);
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 287
b.- x = (4, 7, -1), y = (4, 6, -3); 6.3.61 Sean u y v dos vectores no nulos en n tales que
c.- x = (-3, -4, 5), y = (3, 5, 7). u u v . Demuestre que el ngulo entre los vectores
6.3.56 Considere las rectas
u y v es el mismo que el ngulo entre los vectores u y
u v. Discuta el contenido geomtrico en el caso n = 2.
L 1 = {(x, y) / (x, y) = (0, b1) + t(1, m1), t }
L 2 = {(x, y) / (x, y) = (0, b2) + t(1, m2), t }
6.3.62 Sea u = (2, -3, 5). Determine el vector v 3
con los vectores v1 = (1, m1) y v2 = (1, m2) que son
sabiendo que es linealmente dependiente con u, que
paralelos a L 1 y L 2 respectivamente. Demuestre, partiendo
de la frmula para el ngulo entre dos vectores, que el v 25 , y que el ngulo que forma v con la parte
ngulo T (0 d T d S) entre L 1 y L 2 es positiva del eje z es agudo.
m m1
T ArcTan 2 . 6.3.63 Considere la recta Ax + By + C = 0, la cual dista
1 m2 m1
d unidades del origen. Demuestre que la recta paralela a la
6.3.57 Calcule la distancia entre las dos lneas paralelas recta dada, que dista tambin d unidades del origen y que
dadas: resulta ser simtrica respecto del origen de la recta dada, es
a.- 3x 4y + 5 = 0, 3x 4y 5 = 0; Ax + By C = 0.
b.- 2x y 5 = 0, 4x 2y 10 = 0.
6.3.64 Demuestre que el tringulo cuyos vrtices son A,
6.3.58 Use el concepto de proyeccin de un vector sobre B y C es issceles. Determine sus ngulos internos:
otro para demostrar que la distancia del punto P(x0, y0) a la a.- A = (1, 1), B = (4, 3), C = (1/2, 5);
recta Ax + By + C = 0 viene dada por la frmula b.- A = (1, 2, 1), B = (3, -1, 7), C = (7, 4, -2).
Ax0 By0 C
d .
A2 B 2 6.3.65 Si u, v y w son vectores en y D un escalar,
entonces se cumplen las siguientes igualdades:
6.3.59 Demuestre que las diagonales de un rombo son a.- u x v = - (v x u);
perpendiculares entre s. (Un rombo es un paralelogramo b.- u x (v + w) = (u x v) + (u x w);
cuyos lados tienen la misma longitud.) c.- D(u x v) = Du x v = u x Dv;
d.- u x = x u = ;
6.3.60 Demuestre la identidad de Lagrange: e.- u x u = ;
u xv
2
u
2
v
2
u v 2 . f.- u (v x w) = (u x v) w.
6.4 B ASES O R T O G O N A L ES Y O R T O N O R M A L ES
En esta seccin se mostrar un proceso para obtener una base ortonormal. En muchos problemas con espacios
vectoriales, quien resuelve el problema puede elegir cualquier base que juzgue conveniente para el espacio
vectorial. En espacios con producto interior, la solucin de un problema a menudo se simplifica bastante al elegir
una base en la que los vectores sean ortogonales entre s.
D E F IN I C I O N 6.4.1
Un conjunto S de vectores en un espacio vectorial V con producto interno
se dice que es ortogonal si o bien consiste en un solo vector o bien sus
vectores son ortogonales dos a dos.
D E F IN I C I O N 6.4.2
Dos conjuntos de vectores S1 y S2, de un espacio vectorial eucldeo V, se
dicen ortogonales, si todo vector de S1 es ortogonal a todo vector de S2.
T E O R E M A 6.4.1
Para que el vector u sea ortogonal al subespacio U, es necesario y suficiente
que sea ortogonal respecto de todos los vectores de una base cualquiera del
subespacio U.
D E M OST R A C I O N
Fijemos la base S = {u1, u2, ..., uk} del subespacio U. Si u es perpendicular a U,
entonces u es ortogonal a todos los vectores de U y, en particular, a los vectores u1,
u2, ..., uk. Sea ahora, u ui = 0 para todo i N. Elijamos un vector arbitrario v U
y descompongmoslo segn los vectores de la base. Si
v = a1u1 + a2u2 + ... + akuk
para ciertos nmeros a1, a2, ..., ak, entonces
u v = u a1u1 + a2u2 + ... + akuk = a1u u1 + a2u u2 + ... + aku uk = 0
Esto significa que u A U.
T E O R E M A 6.4.2
Si S = {v1, v2, ..., vk} es un conjunto ortogonal de vectores diferentes del
nulo en un espacio vectorial V, entonces S es linealmente independiente.
D E M OST R A C I O N
Sea S un sistema ortogonal de vectores no nulos y sea
a1v1 + a2v2 + ... + akvk = .
Multiplicando esta igualdad escalarmente por vi, obtenemos
a1v1 vi + a2v2 vi aivi vi akvk vi =
donde aivi vi = 0 ya que debido a la ortogonalidad del sistema todos los dems
trminos se anulan. Pero vi z ; por consiguiente, vi vi z 0 y entonces resulta que
ai = 0 que es lo que se quera demostrar.
T E O R E M A 6.4.3
Sea un espacio vectorial V de dimensin n, entonces cualquier conjunto de
n vectores ortogonales es una base de V.
EJ E M P L O 6.4.1
Demuestre que el conjunto ortogonal
1 1 2 1 2
S 1, 0, 1 , , 2, , , ,
2 2 9 9 9
3
es una base de .
SO L U C I O N
Se puede observar que el conjunto S consta de tres vectores diferentes de cero y no
coplanares. Entonces podemos demostrar que forman una base para 3:
a(1, 0, -1) + b( , 2, ) + c(2/9, -1/9, 2/9) = (0, 0, 0);
(a + b/2 + 2c/9, 2b c/9, - a + b/2 + 2c/9) = (0, 0, 0)
1 2
a 2 b 9 c 0
1
2b c 0
9
1 2
a 2 b 9 c 0
Sabemos que un sistema de ecuaciones homogneo tiene solucin nica si y slo si
el determinante de la matriz de coeficientes del sistema es diferente de cero, es decir
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 289
2 1
1
9 2
1
0 2 z0.
9
1 2
1
2 9
Por lo tanto a = b = c = 0 y S es linealmente independiente y como S genera todo
3, entonces S es base para 3.
D E F IN I C I O N 6.4.3
Una base {w1, w2, ..., wk} para un subespacio U de V es ortonormal si los
vectores wi son unitarios y mutuamente perpendiculares.
D E F IN I C I O N 6.4.4
Se dice que un vector v de V es ortogonal a un conjunto S1 de vectores, si v
es ortogonal a todos los vectores de S1.
T E O R E M A 6.4.4
Sea V un espacio vectorial eucldeo. Si los subconjuntos S1, S2 de V son
ortogonales, entonces tambin son ortogonales los subespacios U y W,
engendrados por S1 y S2.
D E M OST R A C I O N
Sean u U y v W, esto es u = a1u1 + a2u2 + ... + anun y v = b1v1 + b2v2 + ... + bmvm
para ciertos vectores {u1, u2, ..., un} de S1, {v1, v2, ..., vm} de S2 y a1, a2, ..., an, b1, b2,
..., bm nmeros reales; entonces
u v = a1u1 + a2u2 + ... + anun b1v1 + b2v2 + ... + bmvm
= a1b1u1 v1 + a2b2u2 v2 + ... + anbmun vm = 0.
T E O R E M A 6.4.5
Si dos subespacios vectoriales U, W de V son ortogonales, entonces son
independientes, es decir, su suma es directa.
D E M OST R A C I O N
Tenemos que demostrar que su suma es directa; esto es si fuese u U W, por ser
u U y u W, tendra que ser u A u y, por tanto, u = .
T E O R E M A 6.4.6
Para que dos subespacios sean ortogonales, es necesario y suficiente que
todo vector de cualquier base de un subespacio sea ortogonal a todos los
vectores de cualquier base de otro subespacio.
Puesto que cualquier sistema que contiene slo un vector es ortogonal, de aqu se
deduce, en particular, que en todo espacio vectorial existe una base ortonormal.
T E O R E M A 6.4.7
Sea {u1, u2, ..., uk} una base de un espacio con producto interior V. Sea {v1,
v2, ..., vk} donde los vi estn dados de la siguiente manera:
v1 = u1
u v
v2 u2 2 1 v1
v1 v1
. . .
uk v1 u v u v
vk uk v1 k 2 v2 ... k k 1 vk 1 .
v1 v1 v2 v2 vk 1 vk 1
vi
Entonces {v1, v2, ..., vk} es una base ortogonal de V. Sea wi .
vi
Entonces el conjunto {w1, w2, ..., wk} es una base ortonormal de V. Estas
ecuaciones resumen el llamado proceso de Gram Schmidt para encontrar
un conjunto ortonormal a partir de un conjunto linealmente independiente.
D E M OST R A C I O N
Supongamos que {u1, u2, ..., uk} es un conjunto linealmente independiente En el
espacio vectorial V; deduzcamos un proceso para construir un conjunto ortonormal
de vectores {w1, w2, ..., wk}. Primero elegimos uno cualquiera de los ui, digamos u1 y
tomamos v1 = u1, donde
v1
w1 .
v1
Ahora elegimos otro de los ui, digamos u2 y consideremos su proyeccin en v1, es
u2 v1
decir, consideramos el vector u v1 . Si los vectores fueran los vectores
v1 v1
geomtricos ordinarios, la relacin entre u1, u2 y v1 sera como lo muestra la figura
u3 v1 u v
v3 v1 = u3 v1 - v1 v1 3 2 v2 v1 = u3 v1 - u3 v1 = 0
v1 v1 v2 v2
Anlogamente
u3 v1 u v
v3 v2 = u3 v2 - v1 v2 - 3 2 v2 v2 = u3 v2 - u3 v2 = 0
v1 v1 v2 v2
En la figura se muestran estos vectores.
Definimos w3 por
v3
w3 .
v3
Nuevamente, v3 = implicara la dependencia lineal de u3, v1 y v2. Pero como el
subespacio generado por v1 y v2 es igual al generado por u1 y u2, esto implicara la
dependencia lineal de los ui. Procediendo de esta manera, calculamos sucesivamente
v1, v2, ..., vk.
Para encontrar vk, escribimos
u v u v u v
vk uk k 1 v1 k 2 v2 ... k k 1 vk 1
v1 v1 v2 v2 vk 1 vk 1
de donde
vk
wk .
vk
Como anteriormente, podemos verificar que vk es ortogonal a v1, v2, ..., vk-1.
E J E M P L O 6.4.2
Supongamos que V es el plano generado por v1 = (1, 0, 0, 0) y v2 = (1, 1, 0, 0) y
W es la recta generada por w1 = (0, 0, 4, 5). Encontrar, un w2 de tal manera que el
plano W generado por w1 y w2 contine siendo ortogonal a V. Encontrar un v3 de
tal manera que el subespacio tridimensional generado por v1, v2 y v3, sea ortogonal
a la recta original W.
SO L U C I O N
Para que el plano W sea ortogonal a plano V, debe cumplir las siguientes
condiciones:
(a, b, c, d) (1, 0, 0, 0) = 0 a = 0;
(a, b, c, d) (1, 1, 0, 0) = 0 a + b = 0.
De estas dos condiciones, obtenemos que a = b = 0:
( a , b, c, d) = (0, 0, c, d) = c(0, 0, 1, 0) + d(0, 0, 0, 1).
Por tanto el vector buscado es: w2 = (0, 0, 1, 0) o w2 = (0, 0, 1, 0).
Para que el subespacio generado por {v1, v2, v3} sea ortogonal a la recta W, debe
cumplir la siguiente condicin:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
292 ESPACIOS EUCLIDEOS Y HERMITICOS
5
(x, y, z, t) (0, 0, 4, 5) = 0 4z + 5t = 0 z t.
4
Es decir:
4t 4
( x, y, z, t ) x, y, , t x(1, 0, 0, 0) y (0,1, 0, 0) t 0, 0, ,1 .
5 5
Siendo v3 = (0, 0, -4, 5) el vector buscado.
EJ E M P L O 6.4.3
Porqu el plano x + 2y + z = 0 y cada plano x + 2y + z = k es ortogonal a la recta
generada por (1, 2, 1)?
SO L U C I O N
La base del plano x + 2y + z = 0 es B = {(-2, 1, 0), (-1, 0, 1)}. Como estos vectores
son ortogonales al vector (1, 2, 1):
(-2, 1, 0) (1, 2, 1) = -2 + 2 + 0 = 0; (-1, 0, 1) (1, 2, 1) = -1 + 0 + 1 = 0.
Entonces concluimos que el plano dado que pasa por el origen es ortogonal a la recta.
Adems como el plano x + 2y + z = 0 es paralelo a los planos x + 2y + z = k,
entonces el plano x + 2y + z = k tambin es ortogonal a la recta.
EJ E M P L O 6.4.4
Encontrar una base ortogonal para 3, partiendo del vector (1, 1, -1).
SO L U C I O N
Si u = (1, 1, -1) y v = (a, b, c), entonces:
u v = 0 (1, 1, -1) (a, b, c) = a + b c = 0 a + b c = 0.
Si a = - b + c, entonces:
(a, b, c) = (-b + c, b, c) = b(-1, 1, 0) + c(1, 0, 1).
Como estos vectores son ortogonales al vector (1, 1, -1), entonces la base ortogonal
buscada es:
{(1, 1, -1), (-1, 1, 0), (1, 0, 1)}.
EJ E M P L O 6.4.5
Sean u1, u2, ..., un vectores mutuamente perpendiculares, y tales que ui z 0 para
todo i. Sea u un elemento de V, y sea Oi la componente de u a lo largo de ui. Sean D1,
D2, ..., Dn nmeros. Entonces
n n
u O k uk d u D k uk
k 1 k 1
SO L U C I O N
n
Se sabe que u O k uk es perpendicular a cada uno de los ui, i = 1, 2, ..., n. Por
k 1
tanto, es perpendicular a cualquier combinacin lineal de u1, u2, ..., un. Ahora
n 2 n n 2
u D k uk u O k uk (O k D k )uk
k 1 k 1 k 1
n 2 n 2
u O k uk (O k D k )uk
k 1 k 1
Por el teorema de Pitgoras. Esto prueba que
n 2 n 2
u D k uk d u D k uk .
k 1 k 1
EJ E M P L O 6.4.6
Sea S = {e1, e2, e3, e4} base cannica en 4. Normalizar el vector
u = e1Sen3M + e2Sen2M CosM + e3SenM CosM + e4 CosM.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 293
SO L U C I O N
Como el vector u = (Sen3M, Sen2M CosM, SenM CosM, CosM), entonces
u (Sen3D, Sen2 D CosD , SenD CosD, CosD)
|| u || Sen6 D Sen4 D Cos 2 D Sen2 D Cos 2 D Cos 2 D
( Sen3D, Sen2 D CosD, SenD CosD, CosD)
r1
(r Sen3D, r Sen2D CosD, r SenD CosD, r CosD) .
EJ E M P L O 6.4.7
Demuestre que el conjunto
2 2 6 6 6 3 3 3
S , 0, , , , , , ,
2 2 6 3 6 3 3 3
3
es base ortonormal de .
SO L U C I O N
Primero demostraremos que los vectores del conjunto S son ortogonales tomados de
dos en dos:
2 2 6 6 6 12 12
, 0, , , 0 0
2 2 6 3 6 12 12
2 2 3 3 3 6 6
, 0, , , 0 0
2 2 3 3 3 6 6
6 6 6 3 3 3 18 18 18
, , , , 0
6 3 6 3 3 3 18 9 18
Adems, cada vector debe tener longitud 1:
2 2 2 2 2 2 1 1
, 0, , 0, , 0, 0 1
2 2 2 2 2 2 2 2
6 6 6 6 6 6 6 6 6 1 2 1
, , , , , , 1
6 3 6 6 3 6 6 3 6 6 3 6
3 3 3 3 3 3 3 3 3 1 1 1
, , , , , , 1
3 3 3 3 3 3 3 3 3 3 3 3
Por consiguiente, S es un conjunto ortonormal. Dado que los tres vectores no son
coplanares, se sabe que generan a 3.
EJ E M P L O 6.4.8
Sea S = {e1, e2, e3, e4} base cannica en 4. Para qu valor de k la base constituida
por los vectores
u1 = ke1 + e2 + e3 + e4, u2 = e1 + ke2 + e3 + e4
u3 = e1 + e2 + ke3 + e4, u4 = e1 + e2 + e3 + ke4
es ortogonal? Normalizar esta base.
SO L U C I O N
Los vectores son
u1 = (k, 1, 1, 1), u2 = (1, k, 1, 1), u3 = (1, 1, k, 1), u4 = (1, 1, 1, k),
entonces para encontrar el valor del parmetro k, de tal forma que los vectores sean
ortogonales, procedemos de la siguiente manera:
u1 u2 = 2k + 2 = 0; u1 u3 = 2k + 2 = 0; u1 u4 = 2k + 2 = 0;
u2 u3 = 2k + 2 = 0; u2 u4 = 2k + 2 = 0; u3 u4 = 2k + 2 = 0;
Como la ecuacin 2k + 2 = 0 es comn en todos los productos interiores, la solucin
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
294 ESPACIOS EUCLIDEOS Y HERMITICOS
EJ E M P L O 6.4.9
Demuestre que dado cualquier vector u de longitud 1, entonces existe una base
ortonormal con u como primer elemento.
SO L U C I O N
Ya que el conjunto {u} es linealmente independiente, se puede extender hasta
una base con u como primer elemento. Ahora bien, cuando se aplica el proceso de
ortonormalizacin, el primer vector, siendo de longitud 1, no se cambia y se
convierte en el primer vector de una base ortonormal.
EJ E M P L O 6.4.10
Aplique el proceso de ortonormalizacin a la base S = {(1, 0, -1), (1, 2, 0), (0, 1, 1)}.
SO L U C I O N
Aplicando el teorema correspondiente, obtenemos:
v1 = u1 = (1, 0, -1).
u v (1, 2, 0) (1, 0, 1)
v2 u2 2 1 v1 (1, 2, 0) (1, 0, 1)
v1 v1 (1, 0, 1) (1, 0, 1)
1 1 1
(1, 2, 0)
(1, 0, 1) , 2, .
2 2 2
u v u v
v3 u3 3 1 v1 3 2 v2
v1 v1 v2 v2
1 1
(0,1,1) , 2,
(0,1,1) (1, 0, 1) 2 2 1 1
(0,1,1) (1, 0, 1) , 2,
(1, 0, 1) (1, 0, 1) 1 1 1 1 2 2
, 2, , 2,
2 2 2 2
1 51 1 2 1 2
(0,1,1) (1, 0, 1) , 2, , , .
2 92 2 9 9 9
v1 1 2 2
w1 (1, 0, 1) , 0, ;
v1 2 2 2
v2 1 1 1 2 2 2 2
w2 , 2, , , ;
v2 9 2 2 6 3 6
2
v3 1 2 1 2 2 7 7 2 7
w3 , , , , .
v3 7 9 9 9 7 7 7
81
Por tanto
2 2 2 2 2 2 2 7 7 2 7
S , 0, , , , , , ,
2 2 6 3 6 7 7 7
es base ortonormal de 3.
E J E M P L O 6.4.11
Encuentre una base ortonormal para los polinomios de la forma ax2 + ( a + b)x +
2b.
SO L U C I O N
Una posible base para este subespacio se determina de la siguiente manera:
( a , a + b, 2b) = a (1, 1, 0) + b(0, 1, 2) Base U = {(1, 1, 0), (0, 1, 2)}.
Ortogonalizamos esta base:
v1 = (1, 1, 0);
(0,1, 2) (1,1, 0) 1 1 1
v2 (0,1, 2) (1,1, 0) (0,1, 2) (1,1, 0) , , 2 .
(1,1, 0) (1,1, 0) 2 2 2
Por tanto la base ortogonal est formada por los siguientes vectores:
1 1
(1,1, 0), , , 2 .
2 2
Normalizando cada uno de estos elementos, encontramos la base ortonormal:
1 1
(1,1, 0), 1,1, 4 .
2 10
EJ E M P L O 6.4.12
Encuntrese en 3 una base, que conste de dos vectores unitarios ortogonales entre
s, para el subespacio compuesto de todos los puntos (x, y, z) para los que se verifica
que x + y + z = 0.
SO L U C I O N
Como x + y + z = 0, entonces x = - y z:
(x, y, z) = (- y z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
(1, 0,1) (1,1, 0)
v2 (1, 0,1) (1,1, 0)
(1,1, 0) (1,1, 0)
1 1 1
(1, 0,1) (1,1, 0) , , 1 .
2 2 2
La base ortogonal esta formada por los vectores:
1 1
(1,1, 0), , , 1 .
2 2
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:
1 1
(1, 1, 0), (1, 1, 2) .
2 6
EJ E M P L O 6.4.13
k 1 k
Para qu valores de k y r la base constituida por los vectores u , , r,
3 3
1 k k k 1 k
v , r, y w r, , es ortonormal?
3 3 3 3
SO L U C I O N
Para encontrar el valor de los parmetros k y r, de tal forma que los vectores u, v y w
sean ortonormales, se procede de la siguiente manera:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
296 ESPACIOS EUCLIDEOS Y HERMITICOS
k 1 k 1 k k k2 k r
u v 0 , , r , r, 0 k2 k 3 r =
3 3 3 3 9 9 3
0;
k 1 k k 1 k k2 k r
u w 0 , , r r, , 0 k2 k 3 r
3 3 3 3 9 9 3
= 0;
1 k k k 1 k k2 k r
v w 0 , r, r, , 0 k2 k 3 r =
3 3 3 3 9 9 3
0;
k 1 k k 1 k k 1 k
u 1 , , r , , r , , r 1
3 3 3 3 3 3
2k2 2k + 9 r2 = 8;
1 k k 1 k k 1 k k
v 1 , r, , r, , r, 1
3 3 3 3 3 3
2k2 2k + 9 r2 = 8;
k 1 k k 1 k k 1 k
u 1 r, , r, , r, , 1
3 3 3 3 3 3
2 2
2k 2k + 9 r = 8.
De todas estas condiciones, obtenemos nicamente dos ecuaciones:
2
k k 3r 0
2 .
2
2 k 2 k 9 r 8
Resolviendo este sistema de ecuaciones, tenemos:
2 k1 2
r1 ,
3 k 2 1
1 i 15 .
k3
r 4 , 2
2
3 1 i 15
k4
2
2 2
Por lo tanto los valores de k y r son k = 2, r y k = -1, r .
3 3
EJ E M P L O 6.4.14
Considerar el plano dado implcitamente por la ecuacin x + y + z = 0 en el espacio
euclidiano de tres dimensiones 3. Construir una base ortonormal en la siguiente
forma: seleccionar una base ortonormal para el subespacio formada por puntos del
plano y luego calcular un tercer vector unitario y ortogonal al plano.
SO L U C I O N
Dado el plano x + y + z = 0, entonces x = - y z:
(x, y, z) = (- y z, y, z) = y(-1, 1, 0) + z(-1, 0 1).
Por tanto {(-1, 1, 0), (-1, 0, 1)} es base de U. Ortogonalizando, obtenemos:
v1 = (-1, 1, 0);
(1, 0,1) (1,1, 0)
v2 (1, 0,1) (1,1, 0)
(1,1, 0) (1,1, 0)
1 1 1
(1, 0,1) (1,1, 0) , , 1 .
2 2 2
La base ortogonal esta formada por los vectores:
1 1
(1, 1, 0), , ,1 .
2 2
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:
1 1
(1, 1, 0), (1, 1, 2) .
2 6
Para encontrar el tercer vector, realizamos las siguientes operaciones:
1 a b
w u 0 ( a , b, c ) (1, 1, 0) 0 a b = 0;
2 2
1 a b 2c
w v 0 ( a , b, c ) (1, 1, 2) 0 a + b 2c = 0;
6 6
w 1 ( a, b, c ) ( a, b, c ) ( a, b, c) 1 a 2 + b2 + c2 = 1.
Como a = b, entonces c = b. Por lo tanto, reemplazando estos valores en la
ecuacin a 2 + b2 + c2 = 1, obtenemos el tercer vector:
1 1 1
r ,r ,r .
3 3 3
De esta manera la base buscada tiene la siguiente forma:
1 1 1
(1, 1, 0), (1, 1, 2), (r1, r 1, r 1) .
2 6 3
EJ E M P L O 6.4.15
Considrese el subespacio de 4 generado por los vectores u1 = (1, 0, 1, 0) y
u2 = (1, -1, 1, -1), para construir una base ortonormal v1, v2 para el subespacio y luego
construir una base ortonormal para 4 que contenga a v1 y v2.
SO L U C I O N
Dados los vectores u1 = (1, 0, 1, 0) y u2 = (1, -1, 1, -1), ortogonalizamos y luego
normalizamos cada uno de estos vectores:
v1 = (1, 0, 1, 0);
(1, 1,1, 1) (1, 0,1, 0)
v2 (1, 1,1, 1) (1, 0,1, 0)
(1, 0,1, 0) (1, 0,1, 0)
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
La base ortogonal esta formada por los vectores:
^(1, 0,1, 0), (0, 1, 0, 1)` .
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:
1 1
(1, 0,1, 0), (0, 1, 0, 1) .
2 2
Para construir la base ortonormal para 4, tomamos un vector (a, b, c, d) que cumpla
las siguientes condiciones:
1 ac
( a , b, c, d ) (1, 0,1, 0) 0 0 a + c = 0;
2 2
1 b d
( a , b, c, d ) (0, 1, 0, 1) 0 0 b + d = 0;
2 2
( x, y, z, t ) ( x, y, z, t ) ( x, y, z, t ) 1 x2 + y2 + z2 + t2 = 1.
Como a = -c y b = -d, entonces reemplazando estos valores en la ecuacin x2 + y2
+ z2 + t2 = 1, obtenemos el tercer vector:
1
(0, 1, 0,1) .
2
Para encontrar el cuarto vector hacemos que c = -a y d = -b, reemplazando estos
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
298 ESPACIOS EUCLIDEOS Y HERMITICOS
T E O R E M A 6.4.8
Cualquier sistema ortonormalizado de vectores w1, w2, ..., wk puede ser
completado hasta obtener una base ortonormalizada de este espacio.
EJ E M P L O 6.4.16
Sea S = {e1, e2, e3, e4} base cannica en 4. Hallar un vector normalizado que sea
ortogonal a los vectores
u = 3e1 e2 e3 e4, v = e1 - 3e2 + e3 + e4 y w = e1 + e2 - 3e3 + e4.
SO L U C I O N
Como u = (3, -1, -1, -1), v = (1, -3, 1, 1) y w = (1, 1, -3, 1), debemos encontrar un
vector unitario z que sea ortogonal a u, v y w, es decir:
( a , b, c, d ) 3a b c d
(3, 1, 1, 1) 0 0
a 2 b2 c 2 d 2 a 2 b2 c 2 d 2
( a , b, c, d ) a 3b c d
(1, 3,1,1) 0 0
2 2 2 2
a b c d a 2 b2 c 2 d 2
( a , b, c, d ) a b 3c d
(1,1, 3,1) 0 0
2 2 2 2
a b c d a 2 b2 c 2 d 2
Estas operaciones generan el siguiente sistema de ecuaciones homogneas
3 a b c d 0
a 3b c d 0
a b 3c d 0
Por eliminacin gaussiana, tenemos a = b = c = d. Por lo tanto una posible solucin
particular es (1, 1, 1, 1) y el vector buscado es
(1,1,1,1) 1 1 1 1
z r , r , r , r .
2 2
1 1 1 1 2 2 2 2 2 2
PR O B L E M AS
6.4.1 Dados los vectores u = (1, -1, 2, -1), v = (-2, 2, 3, 2), 6.4.12 Sea V un subespacio r-dimensional de n tal
w = (1, 2, 0, 1) y x = (1, 0, 0, 1). Encuentre una base que r < n. Demuestre que cualquier vector u en n
ortonormal con respecto al producto interior cannico y puede expresarse de manera nica en la forma u = v +
luego determine el vector de coordenadas de y = (-1, 1, -1, w, donde v est en V y w es ortogonal a todo vector en
1) con respecto a la base. V.
6.4.17 Sea S = {u1, u2, ..., un} una base de n. Demuestre 6.4.11 Sea S = {u1, u2, ..., uk} un conjunto ortogonal de k
que el nico vector v n ortogonal a todos y cada uno de vectores en n. Demuestre que si k > n, entonces alguno
los vectores de S es el vector . de los vectores de este conjunto es el vector .
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 299
6.4.7 Describe los vectores u 3 que son ortogonales al para cualquier vector u en n.
vector (-3, 4 , 3). Verifique que ste es un subespacio de 3
del tipo S = {(x, y, z) / ax + by + cz = 0}. Ms en general, 6.4.26 Determine los nmeros a 0, b0, b1, c0, c1, c2 de
modo que las funciones f(x) = c0, g(x) = b0 + b1x, h(x) =
demuestre que todo subespacio S de 3 como el anterior,
c0 + c1x + c2x2 formen un conjunto ortonormal sobre el
es descrito como S = {u / u v = 0} para algn
intervalo 1 d x d 1.
v 3.
6.4.27 Demostrar que si las funciones f(x), g(x), h(x)
6.4.15 Escriba de manera vectorial cada una de las rectas
forman un conjunto ortogonal sobre un intervalo a d x d
dadas a continuacin. Es decir, como un conjunto de
b, entonces las funciones f(Dt + E), g(Dt + E), h(Dt + E),
vectores (x , y) 2 tales que (x, y) = (0, b) + t(1, m), t
R, haciendo una grfica en cada caso: D z 0, forman un conjunto ortogonal sobre el intervalo
a.- y = 5x; b.- y = 2x 1; c.- y = - x + 5; a E b E
dt d .
d.- y = -3x 1; e.- y = x 7. D D
6.4.20 Considere la base cannica de 3. Determine la 6.4.29 Sea S = {(1, -1, 1), (1, 2, -2)} una base de un
matriz de cambio de base de S a S, en donde S = {(2/3, - subespacio de 3 y sea u = (-1, -1, 3) un vector en el
2/3, 1/3), (2/3, 1/3, -2/3), (1/3, 2/3, 2/3)} es una base subespacio:
ortonormal. Verifique que se trata de una matriz ortogonal. a.- Exprese u como una combinacin lineal de los
Cul es la matriz de cambio de base de S a S? vectores en S. Es decir, encuentre las coordenadas de u
con respecto a S;
6.4.21 Hallar un vector normalizado que sea ortogonal a b.- Aplique el proceso de ortonormalizacin de Gram-
los vectores (1, 1, 1, 1), (1, -1, -1, 1), (2, 1, 1, 3). Schmidt para transformar S en un conjunto ortonormal;
c.- Exprese u como una combinacin lineal de los
6.4.22 Construir una base ortonormal del espacio, vectores de la base ortonormal.
tomando como vectores de la base los vectores (1/2, 1/2,
1/2, 1/2) y (1/6, 1/6, 1/2, -5/6). 6.4.24 Encuentre bases ortonormales para los subespacios
de C 4:
6.4.23 Considere la base cannica de 2. Determine la a.- S = {(x, y, z, u) C 4 / ix y + z = 0};
matriz de cambio de base de S a S, en donde S = {(, , b.- S = {(x, y, z, u) C 4 / x = iu, y = iz + iu}.
, ), (, , -, -), (, -, , -), (, -, -, )} es
una base ortonormal. Verifique que se trata de una matriz 6.4.31 Considere la base cannica de 2. Determine la
ortogonal. Cul es la matriz de cambio de base de S a S? matriz de cambio de base de S a S, en donde S = {(3/5,
4/5), (-4/5, 3/5)} es una base ortonormal. Verifique que se
6.4.30 Mediante el proceso de ortogonalizacin, hallar trata de una matriz ortogonal. Cul es la matriz de
una base ortogonal del espacio engendrado por los vectores cambio de base de S a S?
(1, 2, 1, 3), (4, 1, 1, 1), (3, 1, 1, 0).
En esta seccin se estudiarn varios problemas relacionados con el complemento ortogonal, proyecciones
ortogonales y la distancia de un vector a un subespacio.
D E F IN I C I O N 6.5.1
Sea V un espacio vectorial eucldeo y S es un subconjunto de V. El
complemento ortogonal de S en V es definido y representado por el
subespacio SA = {v V / v w = 0, para cada w S}.
T E O R E M A 6.5.1
Dado V un espacio vectorial eucldeo, entonces U A es un subespacio de V.
D E M OST R A C I O N
Si u y v pertenecen al complemento ortogonal U A y w es un vector cualquiera de U,
se tiene
au + bv w = au w + bv w = 0.
Por consiguiente, cualesquiera que sean a y b el vector au + bv est contenido en U A
y U A es un subespacio vectorial.
D E F IN I C I O N 6.5.2
La totalidad de todos los vectores ortogonales al subespacio U, se denomina
complemento ortogonal del subespacio U y se representa por U A.
T E O R E M A 6.5.2
El espacio eucldeo V es la suma ortogonal de cualquier subespacio
vectorial U de V y su complemento ortogonal U A, es decir V = U U A.
D E M OST R A C I O N
Sea u1, u2, ..., uk una base ortonormal del subespacio U y sea uk+1, uk+2, ..., un una
base ortonormal del subespacio U A. Para demostrar el teorema es suficiente ver
que u1, u2, ..., uk, uk+1, uk+2, ..., un es una base del espacio vectorial V. Supongamos,
por el contrario, que el sistema u1, u2, ..., un no es una base del espacio vectorial V.
Entonces este sistema puede ser complementado hasta obtener una base
ortonormal del espacio vectorial V. Sea u uno de los vectores complementarios.
Puesto que u es ortogonal a todos los vectores u1, u2, ..., uk, el vector u est
contenido en U A. Por consiguiente, U A contiene un sistema ortonormal y, por
ende, linealmente independiente de vectores uk+1, uk+2, ..., un, u. Pero esto
contradice a nuestra hiptesis de que uk+1, uk+2, ..., un es una base de U A.
T E O R E M A 6.5.3
Si U es un subespacio de V, entonces DimU + DimU A = n. Adems, si {u1,
u2, ..., uk} es una base de U y {uk+1, uk+2, ..., un} es una base de U A, entonces
{u1, u2, ..., uk, uk+1, uk+2, ..., un} es una base de V.
D E M OST R A C I O N
Si U = {}, entonces U A = V y DimU + DimU A = 0 + n = n. Para demostrar que {u1,
u2, ..., uk, uk+1, uk+2, ..., un} es una base para U, basta probar que los n vectores son
linealmente independientes. Supngase que
a1u1 + a2u2 + ... + akuk + ak+1uk+1 + ak+2uk+2 + ... + anun =
Sean
u = a1u1 + a2u2 + ... + akuk
y
v = ak+1uk+1 + ak+2uk+2 + ... + anun
Tenemos entonces que u + v = , de donde u = - v. Por lo tanto, u y v son elementos
de U U A. Pero U U A = {}. En consecuencia
a1u1 + a2u2 + ... + akuk =
y
ak+1uk+1 + ak+2uk+2 + ... + anun =
Como u1, u2, ..., uk son linealmente independientes, entonces a1 = a2 = ... = ak = 0. De
manera similar uk+1, uk+2, ..., un son linealmente independientes y por tanto, ak+1 = ak+2
= ... = an = 0. En consecuencia, u1, u2, ..., uk, uk+1, uk+2, ..., un son linealmente
independientes y, en consecuencia, forman una base para V.
T E O R E M A 6.5.4
Supngase que V es un espacio vectorial eucldeo y U es un subespacio de
V de dimensin finita. Entonces la nica proyeccin ortogonal es
ProyU : V o V. Sea S = {w1, w2, ..., wk} una base ortonormal de U. La
proyeccin ortogonal ProyU se establece como
ProyU(v) = v w1w1 + v w2w2 + ... + v wkwk.
D E M OST R A C I O N
Como S ={w1, w2, ..., wk} es una base ortonormal de U, un vector v se puede expresar
como v = a1w1 + a2w2 + ... + akwk. Para todo vector wi en S se tiene
Sea U un plano que pasa por el origen de R 3, y sea u un punto arbitrario que no est
en U. Entonces, si v indica la proyeccin perpendicular de u a U, la distancia de u a
U se define como la longitud del vector u v, como se muestra en la figura. Ms an,
el vector v se caracteriza por la propiedad de que es el vector nico en U tal que u v
es perpendicular a U.
D E F IN I C I O N 6.5.3
Se denomina ngulo entre el vector u y el subespacio U el menor de los
ngulos formados por el vector u y los vectores de U.
EJ E M P L O 6.5.1
2 1
Dada la matriz P . Hallar el conjunto de todas las matrices M tales que
4 2
P M = M P y determine el complemento ortogonal.
SO L U C I O N
Para determinar el conjunto de matrices M para que cumpla PM = M P, debemos
tomar una matriz M cuyos elementos sean variables y luego multiplicar por la
izquierda y por la derecha de la igualdad a la matriz P, es decir
4b c 0
ad 0
2 1 a b a b 2 1 4b c 0
4 2 c d c d 4 2 ad 0 ad 0
4b c 0
a b a d 0
0 1 1 0
S Base S = , .
c d 4b c 0
4 0 0 1
Aplicando la definicin de complemento ortogonal, obtenemos
a b 0 1
b 4c 0 b = - 4 c ;
c d 4 0
a b 1 0
ad 0 a = - d;
c d 0 1
a b b 4c
SA .
c d a d
EJ E M P L O 6.5.2
Sea V un espacio vectorial con producto interior y sean U y W subespacios de V.
Verifquese lo siguiente:
a.- Si U W entonces W A U A;
b.- Span(U A) = U A;
c.- U (UA)A;
d.- Si V es de dimensin finita, entonces U = (U A)A;
e.- (U + W)A = U A W A;
f.- U A + W A (U W)A.
SO L U C I O N
a.- Suponga que U W y que u W A; entonces u v = 0 para todo v W, luego
para todo v U; por lo tanto, u U A.
b.- Por el inciso a), sabemos que Span(U A) U A. Veremos tambin que
U Span(U A). Si u es un elemento de Span(U), entonces u puede escribirse como
combinacin lineal de elementos de U, es decir u = a1u1 + a2u2 + ... + anun para
algunos escalares a1, a2, ..., an y algunos vectores u1, u2, ..., un de U. Por tanto, si
v U A, tenemos que
u v = a1u1 v + a2u2 v + ... + anun v = 0
y v pertenece a Span(U A).
c.- Si u U y v U A, entonces u v = 0. Luego, si u U, u es ortogonal a todo
elemento de U A; por lo tanto, u (U A)A. Con esto hemos visto que U (U A)A.
d.- Basta tener en cuenta que U (U A)A y que ambos subespacios tienen la misma
dimensin.
e.- Por el inciso a), al estar U y W contenidos en U + W, se tiene que (U + W)A
U A y (U + W)A W A, y en consecuencia (U + W)A U A W A. Adems, si u U A
W A y v = v1 + v2 U + W con v1 U y v2 W, u v = u v1 + u v2 = 0, y
u (U + W)A.
f.- Del inciso a) se deduce que U A (U W)A y W A (U W)A, luego, por la
definicin de subespacio suma, tenemos que U A + W A (U W)A.
EJ E M P L O 6.5.3
Demuestre que Span(S) = SAA.
SO L U C I O N
Ya que SAA es un subespacio que contiene a S, Span(S) SAA. Sabemos que
S Span(S), SA (Span(S))A, SAA (Span(S))AA = Span(S).
EJ E M P L O 6.5.4
Determinar la proyeccin ortogonal del vector u = (1, 2, 3) sobre el subespacio
generado por el plano a + 2b c = 0.
SO L U C I O N
Debemos encontrar la base ortonormal para el subespacio generado por a + 2b c =
0. Es decir c = a + 2b y
(a, b, c) = (a, b, a + 2b) = a(1, 0, 1) + b(0, 1, 2).
Por lo tanto {(1, 0, 1), (0, 1, 2)} forman una base para el subespacio. La base
ortonormal la podemos encontrar utilizando el proceso de Gram Schmidt;
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
304 ESPACIOS EUCLIDEOS Y HERMITICOS
1 1
(1, 0,1), (1,1,1)
2 3
Por lo tanto la proyeccin ortogonal es
1 1 1 1
Proy U v (1, 2, 3) (1, 0,1) (1, 0,1) (1, 2, 3) (1,1,1) (1,1,1)
2 2 3 3
4 4 2 4 10
(1, 0,1) (1,1,1) , , .
2 3 3 3 3
EJ E M P L O 6.5.5
Si V es el espacio vectorial de polinomios con coeficientes reales definidos en el
intervalo [-1; 1], encuentre el subespacio complemento ortogonal:
a.- W = {1, t, t2}; b.- W = {t + t2, t2 + t3}.
SO L U C I O N
a.- Tomamos un genrico de P2, a + bt + ct2, tales que cumpla con las siguientes
condiciones:
1 2(3a c )
a bt ct 2 1 ( a bt ct 2 )dt 0 3a + c = 0;
1 3
1 2b
a bt ct 2 t ( a bt ct 2 )t dt 0 b = 0;
1 3
1 2(5a 3c )
a bt ct 2 t 2 ( a bt ct 2 )t 2 dt 0 5a + 3c = 0.
1 15
Resolviendo el sistema de ecuaciones homogneas, obtenemos que a = b = c = 0.
Por lo tanto W A = {}.
b.- Tomamos un genrico de P3, a + bt + ct2 + dt3, tales que cumpla con las
siguientes condiciones:
1 2(5a 5b 3c 3d )
a bt ct 2 dt 3 t t 2 ( a bt ct 2 dt 3 )(t t 2 )dt 0
1 15
5a + 5b + 3c + 3d = 0;
1
a bt ct 2 dt 3 t 2 t 3 1 (a bt ct
2
dt 3 )(t 2 t 3 )dt
EJ E M P L O 6.5.6
Dnde est la proyeccin del vector (1, 1, 1) sobre el plano S generado por los
vectores (1, 0, 0) y (1, 1, 0)?
SO L U C I O N
Para encontrar la proyeccin del vector sobre el plano, tenemos que encontrar una
base ortonormal del plano. Es decir:
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 305
(1,1, 0) (1, 0, 0)
v1 (1, 0, 0) ; v2 (1,1, 0) (1, 0, 0) (1,1, 0) (1, 0, 0) (0,1, 0) .
(1, 0, 0) (1, 0, 0)
La base ortogonal es {(1, 0, 0), (0, 1, 0)}. Normalizando cada uno de estos vectores
obtenemos la base ortonormal, que es precisamente la base ortogonal. Procedemos a
encontrar la proyeccin del vector sobre el plano S:
ProySu = (1, 1, 1) (1, 0, 0)(1, 0, 0) + (1, 1, 1) (0, 1, 0)(0, 1, 0)
= (1, 0, 0) + (0, 1, 0) = (1, 1, 0).
Con este resultado podemos darnos cuenta que, la proyeccin del vector (1, 1, 1)
sobre el plano S, est ubicado en el plano XY.
EJ E M P L O 6.5.7
Encontrar la proyeccin del vector (1, 2, 3, 4) sobre el subespacio de R 4 generado
por los vectores (1, 0, 1, 0) y (1, -1, 1, -1).
SO L U C I O N
Para encontrar la proyeccin del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1, 0,1, 0) ;
(1, 1,1, 1) (1, 0,1, 0)
v2 (1, 1,1, 1) (1, 0,1, 0)
(1, 0,1, 0) (1, 0,1, 0)
(1, 1,1, 1) (1, 0,1, 0) (0, 1, 0, 1) .
La base ortogonal es
{(1, 0, 1, 0), (0, -1, 0, -1)}.
Normalizando cada uno de estos vectores obtenemos la base ortonormal:
1 1
(1, 0,1, 0), (0, 1, 0, 1) .
2 2
Procedemos a encontrar la proyeccin del vector sobre el plano S:
1 1
Proy W u (1, 2, 3, 4) (1, 0,1, 0) (1, 0,1, 0)
2 2
1 1
(1, 2, 3, 4) (0, 1, 0, 1) (0, 1, 0, 1)
2 2
2(1, 0,1, 0) 3(0, 1, 0, 1) (2, 3, 2, 3) .
EJ E M P L O 6.5.8
Encontrar la proyeccin del vector (1, 2, 3) sobre el plano dado implcitamente por
x + y + z = 0.
SO L U C I O N
Para encontrar la proyeccin del vector sobre el subespacio, tenemos que encontrar
una base ortonormal del subespacio. Es decir:
v1 (1,1, 0) ;
(1, 0,1) (1,1, 0) 1 1 1
v2 (1, 0,1) (1,1, 0) (1, 0,1) (1,1, 0) , ,1
(1,1, 0) (1,1, 0) 2 2 2
La base ortogonal es
1 1
(1,1, 0), , ,1 .
2 2
Normalizando cada uno de estos vectores obtenemos la base ortonormal:
1 1
(1,1, 0), (1, 1, 2) .
2 6
Procedemos a encontrar la proyeccin del vector sobre el plano S:
1 1
Proy W u (1, 2, 3) (1,1, 0) (1,1, 0)
2 2
1 1
(1, 2, 3) (1, 1, 2) (1, 1, 2)
6 6
1 1
(1,1, 0) (1, 1, 2) (1, 0,1) .
2 2
EJ E M P L O 6.5.9
Para cada uno de los subespacios W de R 4, escriba el vector u dado como una suma
de un vector de W y otro de W A:
a.- W = {(a, b, c, d) / a = b}, u = (1, 3, 1, 1);
b.- W = {(a, b, c, d) / a + b + c + d = 0}, u = (2, 1, 1, 0);
c.- W = {(1, 3, 1, 1), (2, -1, 0, 1)}, u = (1, 3, 1, 0);
d.- W = {(2, 1, -1, 0), (3, 1, 0, 1)}, u = (2, 1, 0, 1).
SO L U C I O N
a.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (b, b, c, d) = b(1, 1, 0, 0) + c(0, 0, 1, 0) + d(0, 0, 0, 1)
{(1, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1
(1,1, 0, 0), (0, 0,1, 0), (0, 0, 0,1) .
2
Encontramos el vector v = ProyW u W de la siguiente manera:
1
v (1, 3,1,1) (1,1, 0, 0)(1,1, 0, 0) (1, 3,1,1) (0, 0,1, 0) (0, 0,1, 0)
2
(1, 3,1,1) (0, 0, 0,1) (0, 0, 0,1)
2(1,1, 0, 0) (0, 0,1, 0) (0, 0, 0,1) (2, 2,1,1) .
Sabemos que w = u v W A, de donde:
w = (1, 3, 1, 1) (2, 2, 1, 1) = (-1, 1, 0, 0).
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
b.- La base de W la encontramos de la siguiente manera:
(a, b, c, d) = (- b c d, b, c, d) = b(-1, 1, 0, 0) + c(-1, 0, 1, 0) + d(-1, 0, 0, 1)
{(-1, 1, 0, 0), (-1, 0, 1, 0), (-1, 0, 0, 1)}.
Ortonormalizamos esta base, obtenemos:
1 1 1
(1,1, 0, 0), (1, 1, 2, 0), ( 1, 1, 1, 3) .
2 6 2 3
Encontramos el vector v = ProyW u W de la siguiente manera:
1 1
v (2,1,1, 0) (1,1, 0, 0) (1,1, 0, 0) (2,1,1, 0) (1, 1, 2, 0) (1, 1, 2, 0)
2 6
1
(2,1,1, 0) (1, 1, 1, 3) (1, 1, 1, 3)
12
1 1 1
(1,1, 0, 0) (1, 1, 2, 0) (1, 1, 1, 3) (1, 0, 0, 1) .
2 6 3
Sabemos que w = u v W A, de donde: w (2,1,1, 0) (1, 0, 0, 1) (1,1,1,1) .
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
c.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1 1
(1, 3,1,1), (2, 1, 0,1) .
2 3 6
Encontramos el vector v = ProyW u W de la siguiente manera:
1 1
v (1, 3,1, 0) (1, 3,1,1) (1, 3,1,1) (1, 3,1, 0) (2, 1, 0,1) (2, 1, 0,1)
12 6
11 1 7 35 11 3
(1, 3,1,1) (2, 1, 0,1) , , ,
12 6 12 12 12 4
Sabemos que w = u v W A, de donde:
7 35 11 3 5 1 1 3
w (1, 3,1, 0) , , , , , , .
12 12 12 4 12 12 12 4
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
d.- Sabemos que W es base. Por lo tanto tenemos que encontrar la base ortonormal:
1 1
(2,1, 1, 0), (4, 1, 7, 6) .
6 102
Encontramos el vector v = ProyW u W de la siguiente manera:
1 1
v (2,1, 0,1) (2,1, 1, 0) (2,1, 1, 0) (2,1, 0,1) (4, 1, 7, 6) (4, 1, 7, 6)
6 102
5 13 37 12 1 13
(2,1, 1, 0) (4, 1, 7, 6) , , ,
6 102 17 17 17 17
Sabemos que w = u v W A, de donde:
37 12 1 13 3 5 1 4
w (2,1, 0,1) , , , , , , .
17 17 17 17 17 17 17 17
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
EJ E M P L O 6.5.10
Sea W el espacio solucin del sistema homogneo de ecuaciones lineales
2 a b c 3d 0
4 a 4b 4c 8d 0
3a 3b 3c 6d 0
Escriba el vector (7, -4, -1, 2) como una suma de un vector en W y otro en W A.
SO L U C I O N
La base de este subespacio es:
{(0, -1, 1, 0), (-5, 7, 0, 1)}
Ortonormalizando esta base, obtenemos:
1 1
(0, 1,1, 0), (10, 7, 7, 2) .
2 202
Encontramos el vector v = ProyW u W de la siguiente manera:
1
v (7, 4, 1, 2) (0, 1,1, 0) (0, 1,1, 0)
2
1
(7, 4, 1, 2) (10, 7, 7, 2)(10, 7, 7, 2)
202
3 1
(0, 1,1, 0) (10, 7, 7, 2) (5, 5, 2, 1) .
2 2
Sabemos que w = u v W A, de donde:
w = (7, -4, -1, 2) (5, -5, -2, -1) = (2, 1, 1, 3).
De esta manera se expresa el vector u como la suma de un vector de W y otro de
W A.
EJ E M P L O 6.5.11
Encuentre la proyeccin ortogonal de cada uno de los vectores siguientes en [-S; S]
sobre el subespacio indicado W, y calcular la distancia del vector al subespacio y el
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
308 ESPACIOS EUCLIDEOS Y HERMITICOS
S 1 1 1
S Sen t dt
2
Sent Sent Sent S; , Cost , Sent .
2S S S
La proyeccin ortogonal es:
Proy W f (t )
1 S
2S S 1 S
t dt 1 tCost dt Cost
S S
1
S S
S
tSent dt Sent
1 2Sent .
La distancia del vector al subespacio es:
S
S (t 1 2Sent )
2
f (t ) Proy W f (t ) t 1 2Sent t 1 2Sent dt
2S(S2 3)
.
3
El ngulo formado por el vector y el subespacio es:
t 1 2Sent
( f (t ), Proy W f (t )) ArcCos
t 1 2Sent
S
ArcCos
S t (1 2Sent ) dt 2
ArcCos .
S S S
S t S (1 2Sent )
2 2
dt dt
b.- Para encontrar la proyeccin ortogonal del vector sobre el subespacio W,
debemos ortonormalizar la base del subespacio W:
S
1 Cos 2t S Cos2t dt 0.
La base ortogonal es:
{1, Cos2t}.
Normalizando cada uno de estos vectores, obtenemos la base ortonormal:
S
1 11 S dt 2S ;
S
S Cos
2
Cos 2t Cos 2t Cos 2t 2t dt S;
1 1
, Cos 2t .
2 S S
La proyeccin ortogonal es:
Proy W f (t )
1 S
2S S
Cos 2 t dt 1
1
S S
S
Cos 2 tCos 2t dt Cos 2t
1 1
Cos 2t Cos 2 t .
2 2
La distancia del vector al subespacio es:
S
f (t ) Proy W f (t ) Cos 2 t Cos 2 t Cos 2 t Cos 2 t S 0 dt 0.
El ngulo formado por el vector y el subespacio es:
Cos 2 t Cos 2 t
( f (t ), Proy W f (t )) ArcCos
Cos 2 t Cos 2 t
S
S Cos
4
t dt
ArcCos 0.
S S
S Cos S Cos
4 4
t dt t dt
PR O B L E M AS
6.5.1 Sea W la recta en R 2 cuya ecuacin es y = 3x. a.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),
Encontrar una ecuacin para W A. v1 = (1, 1, 1, 1), v2 = (2, -2, 5, 2);
vrtices son: b.- u1 = (1, 0, 0, 0), u2 = (0, 1, 0, 0),
a.- A = (1, 4, 2), B = (3, -1, 2), C = (0, 6, 1); v1 = (1, 1, 1, 1), v2 = (1, -1, 1, -1).
b.- A = (0, 2, 1), B = (-1, 3, -2), C = (1, -3, -2).
6.5.9 Use el concepto de proyeccin de un vector sobre
6.5.2 Sea W el plano en R 3 cuya ecuacin es 2x y 2z otro para calcular el rea del tringulo cuyos
=0. Encuentre las ecuaciones paramtricas para W A. 5 3
d.- u ,
2 4
6.5.3 El subespacio U es la suma ortogonal de los
subespacios U 1 y U 2. El vector u es ortogonal al subespacio
2 1 4 3 1 0
S , , ;
U 1. Demuestre que el ngulo formado por u y U es igual al
3 5 5 7 7 11
ngulo comprendido entre u y U 2.
8 7
3
e.- u ,
6.5.4 Sea W la recta en R con ecuaciones paramtricas x 4 5
= 2t, y = -5t, z = 4t, -f < t < +f. Determine una ecuacin
3 2 2 3 1 1
para W A. S , , ;
1 4 2 3 1 7
6.5.5 Sea {u1, u2 uk} una base para un subespacio W 2 3
de V. Demuestre que W A consta de todos los vectores en V f.- u ,
4 5
que son ortogonales a todos los vectores bsicos.
1 2 3 4 4 5
S , , ;
6.5.6 En cada uno de los incisos siguientes, encuentre el
7 8 1 2 6 7
vector u, proyeccin del vector y sobre el vector x.
Verifique en cada caso que el vector obtenido es ortogonal g.- p(t ) 2t 2 3t 1 ,
a y u:
a.- x = (3, -2, 1), y = ( 1, -1, 2);
S ^4t 2
3t 1, 5t 2 11t 3 ; `
b.- x = (4, -5 7), y = (2, -2, 1); h.- u = (-3, 0, -5, 9),
c.- x = (1, 1, 3), y = (4 ,1, 2). 3x 2 y z 2u 0
S 5 x 4 y 3z 2u 0 .
6.5.7 Hallar el ngulo entre los vectores del espacio R 4, x 2 y 3z 10u 0
engendrado por los vectores u1, u2um y el vector u:
a.- u = (1, 3, -1, 3), u1 = (1, -1, 1, 1),
u2 = (5, 1, -3, 3); 6.1510 Sea v el vector de R 3 cuyo punto inicial est en
b.- u = (2, 2, -1, 1), u1 = (1, -1, 1, 1), (1, -1, 5) y cuyo punto final est en (5, 4, -3). Encuentre la
u2 = (-1, 2, 3, 1), u3 = (1, 0, 5, 3). proyeccin del vector (2, 2, 1) sobre v.
6.5.8 En el espacio R 4 se dan dos planos, engendrados por 6.5.11 Descomponer el vector u en una suma de dos
los vectores u1, u2 y v1, v2. Entre los ngulos formados por vectores, uno de los cuales est situado en el espacio
los vectores del primer plano con los vectores del segundo engendrado por los vectores u1, u2 um y el otro sea
plano, hallar el mnimo: ortogonal a este espacio
a.- u = (5,2, -2, 2), u1 = (2, 1, 1, -1), u2 = (1, 1, 3, 0);
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
310 ESPACIOS EUCLIDEOS Y HERMITICOS
b.- u = (-3, 5, 9, 3), u1 = (1, 1, 1, 1), 6.5.15 En el espacio Pn de polinomios de grado d n con
u2 = (2, -1, 1, 1), u3 = (2, -7, -1, -1). coeficientes reales, el producto interior de polinomios se
determina por la frmula p q a0b0 a1b1 ... anbn .
6.5.12 Hallar la proyeccin ortogonal del vector u sobre el Hallar el complemento ortogonal:
subespacio generado por el conjunto S: a.- Del subespacio de todos los polinomios que
a.- u = (14, -3, -6, -7), satisfacen la condicin p(1) = 0;
S = {(-3, 0, 7, 6), (1, 4, 3, 2), (2, 2, -2, -2)}; b.- Del subespacio de todos los polinomios pares del
b.- u = (2, -5, 3, 4), espacio Pn.
S = {(1, 3, 3, 5), (1, 3, -5, -3), (1, -5, 3, -3)};
c.- u = (2, -1, 1, 2), 6.5.16 La suma directa de los subespacios U y U
S = {(6, -3, 2, 4), (6, -3, 4, 8), (4, -2, 1, 1)}; engendra el espacio eucldeo V. Demostrar que esto es
tambin correcto para sus complementos ortogonales, es
6.5.13 Sea V el espacio vectorial de todas las funciones
polinmicas definidas sobre el intervalo [-1; 1] y sea W el decir, V = U1A + U 2A .
subespacio de V que consta de todas las funciones
polinmicas impares. Encuentre W A, donde 6.5.17 Encuentre la base del complemento ortogonal del
1 subespacio generado por el sistema de vectores del
p q 1 p( x)q( x)dx . espacio R 4:
{(1, 3, 0, 2), (3, 7, -1, 2), (2, 4, -1, 0)}
6.5.14 Demuestre que la suma de ngulos que un vector u
forma con un subespacio arbitrario U y su complemento
ortogonal U A es igual a S/2.
6.6 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
6.6.1 Un conjunto ortonormal de vectores es linealmente 6.6.8 El cuadrado del lado de un tringulo es igual a la
dependiente. suma de los cuadrados de los dos otros lados con el
producto duplicado de estos lados por el coseno del
6.6.2 Una matriz cuadrada de orden n es unitaria si y slo ngulo entre ellos.
si sus filas constituyen un conjunto ortonormal.
6.6.9 Entre todos los vectores del subespacio vectorial U
6.6.3 El espacio eucldeo V es la suma directa de el ngulo mnimo con el vector u dado lo forma la
cualquier subespacio suyo y del complemento ortogonal de proyeccin ortogonal v del vector u sobre U.
ste.
6.6.10 El coseno del ngulo entre vectores, es superior
6.6.4 Sean U y W subespacios vectoriales de un espacio por su valor absoluto a la unidad.
eucldeo V con la particularidad de que la dimensin de U
es inferior a la de W; entonces en W habr un vector no 6.6.11 El cuadrado de la diagonal de un paralelogramo n-
nulo, ortogonal a todos los vectores de U. dimensional es igual a suma de los cuadrados de sus
aristas que salen de un mismo vrtice.
6.6.5 Cualquier sistema de vectores no nulos ortogonales
de dos en dos es linealmente dependiente. 6.6.12 Si V es un espacio unitario y si S es un conjunto de
vectores diferentes de cero y perpendiculares entre s,
6.6.6 Sea U A complemento ortogonal del subespacio U entonces el conjunto S el linealmente dependiente.
cada uno de los cuales es ortogonal a todos los vectores de
U, entonces la suma de las dimensiones de U y U A es igual 6.6.13 La representacin del subespacio vectorial U del
a la dimensin del espacio vectorial que los genera. espacio V y de su complemento ortogonal U A en una base
ortonormal estn relacionadas de la siguiente manera: los
6.6.7 Para que dos subespacios U y W sean coeficientes del sistema linealmente independiente de
recprocamente ortogonales es necesario y suficiente que ecuaciones lineales, que determina uno de esos
todos los vectores de uno sean ortogonales a todos los subespacios, sirven de coordenadas de los vectores de la
vectores del otro. base del otro subespacio.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
ESPACIOS EUCLIDEOS Y HERMITICOS 311
6.6.14 La suma de los cuadrados de las diagonales del 6.6.18 Los vectores no nulos ortonormales dos a dos son
paralelogramo s igual a la suma de los cuadrados de sus linealmente dependientes.
lados.
6.6.19 En todo espacio eucldeo V existen bases
6.6.15 La interseccin de dos subespacios recprocamente ortonormales.
ortogonales es el vector nulo.
6.6.20 Si U es un subespacio de V y S es una base
6.6.16 Todo vector de V que es ortonormal a U pertenece ortonormal de U, los vectores de S pueden ser incluidos en
a W. una base ortonormal de todo el espacio.
C O N T E NI D O :
7.1 D E F I NI C I O N ES Y PR OPI E D A D ES
las bases que se permitan. En este captulo no se imponen restricciones sobre las
bases que se permiten y obtenemos la clase de equivalencia ms amplia.
D E F IN I C I O N 7.1.1
Sean U y V dos espacios vectoriales, ambos definidos sobre el mismo
cuerpo K . Una transformacin lineal f de U hacia V es una aplicacin
uniforme de U en V que asocia a cada elemento u de U, un elemento nico
f(u) de V de tal forma que se cumplen los axiomas siguientes:
1.- Para todo u, v de U, entonces: f(u + v) = f(u) + f(v);
2.- Para todo u de U y para todo escalar O, entonces: f(Ou) = Of(u).
EJ E M P L O 7.1.1
Determinar cul de las siguientes funciones f : R 3 o R 3, define una transformacin
lineal:
a.- f((a, b, c)) = (a + 2b 3c, 3a - b + 5c, a b c);
b.- f((a, b, c)) = (a + b + c, a + b + c, a + b + c);
c.- f((a, b, c)) = (2a - 2b + 3c, a b + c, 3a - 5b + 3c);
d.- f((a, b, c)) = (3a - 5b, 2a - 2b, a + b2).
SO L U C I O N
Sean u = (m, n, p) y v = (r, s, t) dos vectores del espacio de salida R 3 y sean D, E
escalares, entonces:
Du + Ev = (Dm + E r, Dn + Es, Dp + Et).
a.- f(Du + Ev) = (Dm + E r + 2Dn + 2Es - 3Dp - 3E t, 3Dm + 3E r - Dn - Es + 5Dp +
+ 5E t, Dm + E r Dn - Es - Dp - E t)
= (Dm + 2Dn - 3Dp, 3Dm - Dn + 5Dp, Dm - Dn - Dp) + (E r + 2Es - 3E t,
3E r - Es + 5E t, E r - Es - E t)
= D(m + 2n - 3p, 3m - n + 5p, m - n - p) + E( r + 2s - 3t, 3 r - s + 5t, r - s - t)
= Df(u) + E f(v).
Por lo tanto f es transformacin lineal.
b.- f(Du + Ev) = (Dm + E r + Dn + Es + Dp + E t, Dm + E r + Dn + E s + Dp + E t,
Dm + E r + Dn + Es + Dp + E t)
E J E M P L O 7.1.2
Determinar cul de las siguientes funciones f : P 2 o P 2 define una transformacin
lineal:
a.- f(p(x)) = p(x) p(0); b.- f(p(x)) = p(x - 1) p(1); c.- f(p(x)) = p(1 + x) 2.
SO L U C I O N
Sean q(x) = d + ex + fx2 y h(x) = m + nx + kx2 dos polinomios del espacio de
salida P 2 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Dd + Em) + (De + En)x + (Df + E k)x2.
a.- Como p(x) = a + bx + cx2 y p(0) = a , obtenemos p(x) - p(0) = bx + cx2,
entonces
f( a + bx + cx2) = bx + cx2.
Aplicando la definicin de transformacin lineal, tenemos:
f(Dq(x) + Eh(x)) = (De + En)x + (Df + E k)x2
= (Dex + Dfx2) + (Enx + E kx2)
= D(ex + fx2) + E(nx + kx2)
= Df(q(x)) + Eh(x)).
Por lo tanto f es transformacin lineal.
b.- Como p(x - 1) = (a b + c) + (b 2c)x + cx2 y p(1) = a + b + c , obtenemos
p(x - 1) - p(1) = -2b + (b 2c)x + cx2
entonces
f( a + bx + cx2) = -2b + (b 2c)x + cx2.
Aplicando la definicin de transformacin lineal, tenemos:
f(Dq(x) + Eh(x)) = -2(De + En) + (De + En - 2Df - 2E k)x + (Df + E k)x2
= {-2De + (De - 2Df )x + Dfx2} + {-2En + (En - 2E k)x + E kx2}
= D{-2e + (e - 2f )x + fx2} + E{-2n + (n - 2k)x + kx2}
= Df(q(x)) + Eh(x)).
Por lo tanto f es transformacin lineal.
c.- Como p(1 + x) = (a + b + c ) + (b + 2c)x + cx2, obtenemos
p(x + 1) - 2 = ( a + b + c 2) + (b + 2c)x + cx2,
entonces
f( a + bx + cx2) = ( a + b + c 2) + (b + 2c)x + cx2.
Aplicando la definicin de transformacin lineal, tenemos:
f(Dq(x) + Eh(x)) = (Dd + Em + De + En + Df + E k 2) + (De + En + 2Df + 2E k)x +
+ (Df + E k)x2
2
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + {(Em + En + E k) + (En + 2E k)x
+ E kx2}
= {(Dd + De + Df - 2) + (De + 2Df)x + Dfx } + E{(m + n + k) + (n + 2k)x + kx2}
2
z Df(q(x)) + Eh(x)).
Por lo tanto f no es transformacin lineal.
El enfoque geomtrico es til para entender cmo es que una transformacin lineal
acta.
EJ E M P L O 7.1.3
Demuestre que la transformacin identidad f : V o V es una transformacin lineal.
SO L U C I O N
Sea f : V o V definida por f(v) = v. Entonces
EJ E M P L O 7.1.4
Sea la transformacin f : R 2 o R2 definida por:
a.- f((a, b)) = (a, 5a + b); b.- f((a, b)) = (a + 5b, b).
Verificar que f es lineal y dar su interpretacin geomtrica.
SO L U C I O N
a.- Para la verificacin, debemos utilizar la definicin de transformacin lineal. Es
decir
(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc, 5ka + 5rc + kb + rd)
= (ka, 5ka + kb) + (rc, 5rc + rd)
= k(a, 5a + b) + r(c, 5c + d)
= kf(u) + rf(v).
Obsrvese que, en esta transformacin particular, la coordenada u permanece fija
mientras que a la coordenada v se le suma cinco veces la coordenada u. La figura
muestra lo que pasa con el vector (1, 2). El extremo o terminacin del vector
f((1, 2)) se encuentra sobre la recta que pasa por el extremo del vector (1, 2) y es
paralela al eje v. Dicha transformacin se denomina transformacin lineal cizallante
en la direccin v con factor 5.
b.- Para la verificacin, debemos utilizar la definicin de transformacin lineal. Es
decir
f(ku + rv) = f(k(a, b) + r(c, d))
= f((ka + rc, kb + rd))
= (ka + rc + 5kb + 5rd, kb + rd)
= (ka + 5kb, kb) + (rc + 5rd, rd)
= k(a + 5b, b) + r(c + 5d, d)
= kf(u) + rf(v).
D E F I N I C I O N 7.1.2
Dos transformaciones lineales f : U o V y g : U o V son iguales, si
ellas son iguales como transformaciones, esto es, f = g si y solamente si
f(u) = g(u), para todo u de U.
T E O R E M A 7.1.1
Sea f una transformacin lineal de U en V. Sean u1, u2, ..., un elementos de
U y a1, a2, ..., an escalares. Entonces:
f(a1u1 + a2u2 + ... + anun) = a1f(u1) + a2f(u2) + ... + anf(un).
D E M OST R A C I O N
Utilizando la definicin de transformacin lineal, obtenemos
f(a1u1 + a2u2 + ... + anun) = f(a1u1) + f(a2u2 + ... + anun)
= f(a1u1) + f(a2u2) + f(a3u3 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un).
T E O R E M A 7.1.2
Si es el elemento neutro del espacio vectorial U, f() es el elemento
neutro de V.
D E M OST R A C I O N
Como
f(u + ) = f(u) + f() = f(u).
Por lo tanto, f() es el elemento neutro de V.
T E O R E M A 7.1.3
Si - u es el elemento opuesto de u, entonces se verifica que f(-u) = - f(u).
D E M OST R A C I O N
Como
f(u + (-u)) = f(u) + f(-u) = f(u) f(u) = f().
Por lo tanto, f(-u) = - f(u); es decir, la imagen del opuesto de un vector es el opuesto
de la imagen del vector.
T E O R E M A 7.1.4
Sean U y V espacios vectoriales. Sea S = {u1, u2, ..., uk} una base cualquiera
de U y sea S = {v1, v2, ..., vk} un conjunto cualquiera de k vectores en V, no
necesariamente linealmente independientes. Entonces existe una
transformacin lineal determinada en forma nica por f : U o V tal que
f(u1) = v1, f(u2) = v2, ..., f(uk) = vk.
D E M OST R A C I O N
Demostremos primero que la transformacin lineal f : U o V est completamente
determinada cuando se conocen los valores de f(u1), f(u2), ..., f(uk). Para esta
demostracin, supngase que g : U o V tambin es una transformacin lineal y que
f(u1) = g(u1), f(u2) = g(u2), ..., f(uk) = g(uk). Deseamos demostrar que f = g. Para ello,
debemos demostrar que f(u) = g(u) para todo u en U. Por tanto, sea u = a1u1 + a2u2 +
... + akuk un vector arbitrario de U, donde a i K . Si aplicamos f a cada miembro y
EJ E M P L O 7.1.5
Sea f una transformacin lineal de R 3 en R 3, suponga que
f((1, 0, 1)) = (1, -1, 3), f((2, 1, 0)) = (0, 2, 1), f((1, -1, 1)) = (3, -1 2)
Determine f((-1, -2, 3)).
SO L U C I O N
Hacemos la combinacin lineal con el vector (-1, -2, 3):
(-1, -2, 3) = a(1, 0, 1) + b(2, 1, 0)
resolvemos el sistema generado:
a 2b 1
a 3
a 3 .
b 2 b 2
Encontramos la imagen pedida:
f((-1, -2, 3)) = 3f((1, 0, 1)) 2f((2, 1, 0))
= 3(1, -1, 3) 2(0, 2, 1) = (3, -7, 7).
EJ E M P L O 7.1.6
Sea f una transformacin lineal de R 3 en P2 tal que
f((1, 1, 1)) = 1 2x + x2, f((2, 0, 0)) = 3 + x x2, f((0, 4, 5)) = 2 + 3x + 3x2
Determine f((2, -3, 1)).
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
320 TRANSFORMACIONES LINEALES
SO L U C I O N
Hacemos la combinacin lineal con el vector (2, -3, 1):
(2, -3, 1) = a(1, 1, 1) + b(2, 0, 0) + c(0, 4, 5)
resolvemos el sistema generado:
a 2b 2
a 4 c 3
a 5c 1
1 2 0 2 1 2 0 2 1 0 4 3 1 0 0 19
1 0 4 3 | 0 2 4 5 | 0 2 4 5 | 0 2 0 21 .
1 0 5 1 0 2 5 1 0 0 1 4 0 0 1 4
Encontramos la imagen pedida:
21
f ((2, 3,1)) 19 f ((1,1,1)) f ((2, 0, 0)) 4 f ((0, 4, 5))
2
21
19(1 2 x x 2 ) (3 x x 2 ) 4(2 3x 3x 2 )
2
41 121 35 2
x x .
2 2 2
EJ E M P L O 7.1.7
Sea S = {u1, u2, u3}, un conjunto de vectores linealmente independientes en R 3.
Determine una transformacin lineal f de R 3 en R 3 tal que el conjunto {f(u1), f(u2),
f(u3)} sea linealmente dependiente.
SO L U C I O N
Sea f : R 3 o R 3 definida por f((x, y, z)) = (0, 0, 0). Entonces si {u1, u2, u3} es
cualquier conjunto de vectores en R 3, el conjunto {f(u1), f(u2), f(u3)} = {, , } sea
linealmente dependiente.
EJ E M P L O 7.1.8
Determinar cul de las siguientes funciones f : :(n, n) o :(n, n) define una
transformacin lineal:
a.- f(A) = ATA; b.- f(A) = AB + AT; c.- f(A) = Det(A); d.- f(A) = PAP-1;
e.- f(B) = A-1BA; f.- f(A) = AT + A+; g.- f(A) = OAC + MCA.
SO L U C I O N
Sean B y C dos matrices del espacio de salida :(n, n) y sean D, E escalares,
entonces:
a.- f(DB + EC) = (DB + EC)T(DB + EC) = (DBT + ECT)(DB + EC)
= D2BTB + DEBTC + DECTB + E2CTC z DBTB + ECTC.
Por lo tanto f no es transformacin lineal.
b.- f(DC + ED) = (DC + ED)B + (DC + ED)T = DCB + EDB + DCT + EDT
= D(CB + CT) + E(DB + DT) = Df(C) + Ef(D).
Por lo tanto f es transformacin lineal.
c.- f(DC + ED) = det(DC + ED) z det(DC) + det(ED).
Por lo tanto f no es transformacin lineal.
d.- f(DC + ED) = O(DC + ED)E + ME(DC + ED) = ODCE + OEDE + MDEC + MEED
= D(OCE + MEC) + E(ODE + MED) = Df(C) + Ef(D).
Por lo tanto f es transformacin lineal.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 321
EJ E M P L O 7.1.9
Determinar cul de las siguientes funciones define una transformacin lineal en el
espacio de los polinomios de grado menor o igual a 3:
a.- f(p(x)) = (p(x))2; b.- f(p(x)) = p(x + 1) - p(x);
c.- f(p(x)) = p(x) - 2p(x) + 3p(x); d.- f(p(x)) = p(x + 1) p(0).
SO L U C I O N
Sean p(x) = ax3 + bx2 + cx + d, q(x) = ex3 + fx2 + gx + h dos polinomios del espacio
de salida P3 y sean D, E escalares, entonces:
Dq(x) + Eh(x) = (Da + Ee)x3 + (Db + Ef)x2 + (Dc + Eg)x + (Dd + Eh).
a.- f(Dp(x) + Eq(x)) = (Dp(x) + Eq(x))2 = D2p2(x) + 2DEp(x)q(x) + E2q2(x)
z Df(p(x)) + Ef(q(x)).
Por lo tanto f no es transformacin lineal.
b.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)(x)
= Dp(x + 1) + Eq(x + 1) - Dp(x) - Eq(x)
= [Dp(x + 1) + Dp(x)] + [Eq(x + 1) + Eq(x)]
= D[p(x + 1) + p(x)] + E[q(x + 1) + q(x)]
= Df(p(x)) + Ef(q(x)).
Por lo tanto f es transformacin lineal.
c.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x) - 2(Dp + Eq)(x) + 3(Dp + Eq)(x)
= Dp(x) + Eq(x) - 2Dp(x) - 2Eq(x) + 3Dp(x) + 3Eq(x)
= [Dp(x) - 2Dp(x) + 3Dp(x)] + [Eq(x) - 2Eq(x) + 3Eq(x)]
= D[p(x) - 2p(x) + 3p(x)] + E[q(x) - 2q(x) + 3q(x)]
= Df(p(x)) + Ef(q(x)).
Por lo tanto f es transformacin lineal.
d.- f(Dp(x) + Eq(x)) = (Dp + Eq)(x + 1) - (Dp + Eq)(0)
= Dp(x + 1) + Eq(x + 1) - Dp(0) - Eq(0)
= [Dp(x + 1) + Dp(0)] + [Eq(x + 1) + Eq(0)]
= D[p(x + 1) + p(0)] + E[q(x + 1) + q(0)]
= Df(p(x)) + Ef(q(x)).
Por lo tanto f es transformacin lineal.
Considere la transformacin lineal que aplica a todo vector de U sobre el vector cero
de V. Esta aplicacin se llama aplicacin cero. Si W es cualquier subespacio de V,
existe tambin una aplicacin cero de U hacia W, y esta aplicacin tiene el mismo
efecto sobre los elementos de U, como la aplicacin cero de U hacia V. Sin embargo,
son transformaciones lineales diferentes, ya que tienen codominios diferentes.
Este lenguaje descriptivo se tiene que interpretar con cierta amplitud, ya que las
operaciones antes y despus de aplicar la transformacin lineal pueden llevarse a
cabo en espacios vectoriales diferentes. Adems, la observacin acerca de la
multiplicacin escalar es inexacta, ya que no aplicamos la transformacin lineal a
escalares; la transformacin lineal se define nicamente para vectores en U. An
EJ E M P L O 7.1.10
Considrese ahora C como un espacio vectorial sobre C. Defnase una funcin f de
C en C por f ( z ) z . Es f una transformacin lineal?
SO L U C I O N
Sean u = a + ib y v = c + id dos vectores del espacio de salida C y sean D, E
escalares, entonces:
f(Du + Ev) = f((Da + Ec) + i(Db + Ed)) (Da Ec) i (Db Ed )
= (Dr + Ex) - i(Db + Ed) = D(a - ib) + E(c - id)
z Df(u) + Ef(v).
Por lo tanto f no es transformacin lineal.
EJ E M P L O 7.1.11
Considere el espacio vectorial de los nmeros complejos C sobre R. Sea a un
nmero complejo fijo. Defnase f una aplicacin de C en C por f(z) = (3 - 2i)z + a.
Determine el valor de a para que f sea transformacin lineal.
SO L U C I O N
Tomamos el nmero complejo nulo y luego encontramos su imagen:
f(0 + i0) = (3 2i)(0 + i0) + a = 0 + i0 + a = a.
Para que f sea transformacin lineal, debe cumplirse que f(0 + i0) = 0 + i0, de donde
a = 0.
EJ E M P L O 7.1.12
Es la multiplicacin de cada vector geomtrico por su longitud una transformacin
lineal?
SO L U C I O N
En este caso tenemos que f (u ) u u . Sean v y w dos vectores del espacio de
salida y sean D, E escalares, entonces:
f (Dv Ew) (Dv Ew) (Dv Ew) d (Dv Ew)( Dv Ew )
Por lo tanto f no es transformacin lineal.
EJ E M P L O 7.1.13
a.- Muestre que la lnea que pasa por los vectores u y v en R n puede escribirse en la
forma paramtrica x = (1 t)u + tv.
b.- El segmento de lnea de u a v es el conjunto de los puntos de la forma (1 t)u +
tv para 0 d t d 1. Muestre que una transformacin lineal f transforma este segmento
de lnea sobre un segmento de lnea o sobre un punto.
SO L U C I O N
a.- La lnea que pasa por u y v es paralela al vector v u. Puesto que la lnea pasa a
travs de u, una ecuacin paramtrica de la lnea es
x = u + t(v u) = u tu + tv = (1 t)u + tv.
b.- Por la linealidad de f:
f((1 t)u + tv) = (1 t)f(u) + tf(v) para 0 d t d 1.
Si f(u) y f(v) son distintos, las imgenes forman el segmento de lnea entre f(u) y
f(v). De otro modo, todas las imgenes coinciden con un punto, f(u).
PR O B L E M AS
7.1.1 Verifquese que cada uno de los siguientes es 7.1.9 Sea f : :(n, n) o R definida por Tr(A) = a11 + a22 +
transformacin lineal de U en V: ... + ann. Demuestre que f es una transformacin lineal.
a.- U = C>0; 1@, V = V 1, T(f) = f(0).
b.- U = C>0; 1@, V = V 1, T(f) = f(0) + f(1). 7.1.10 Sea V un espacio con producto interior. Para un
c.- U = C>0; 1@, V = V 2, T(f) = (f(0) + f(1)). vector fijo w en V, se define f : V o R por f(v) = v w.
d.- U = V 2, V = C> a ; b@, T(x1, x2) = x1ex + x2e2x. Demuestre que f es una transformacin lineal.
e.- U = C>0; 1@, V = C>0; 1@, T(f) = f(x) Cosx.
f.- U = C (1)> a ; b@, V = C> a ; b@, T(f) = f (x)Senx. 7.1.11 Para cada uno de los conjuntos de condiciones
g.- U = C (2)> a ; b@, V = C> a ; b@, que se enuncian, determnese si existe una
T(f) = xf - f + exf. transformacin lineal T de U en V que cumpla con las
(3)
h.- U = C > a ; b@, V = C> a ; b@, condiciones dadas:
T(f) = f + f + f + f. a.- U = V 2, V = V 2, T(1, 1) = (1, 2),
x t T(1, -1) = (0, 3).
i.- U = C> a ; b@, V = C> a ; b@, T ( f ) 0 e f (t )dt . b.- U = V 2, V = V 2, T(1, 1) = (1, 0),
(1) T(1, -1) = (3, 0), T(2, 3) = (1, 0).
j.- U = C > a ; b@, V = C> a ; b@,
x
c.- U = V 2, V = V 2, T(1, 2) = (1, 3),
T( f ) 0 f (t )dt 3 f ( x) . T(2, 1) = (2, 0), T(1, 1) = (1, 1).
d.- U = P, V = P, T(1) = 0,
7.1.2 Demuestre que la transformacin f definida por T(xn) = xn+1 para n t 1.
e.- U = P, V = P, T(1) = x, T(x + 1) = x2,
f((x, y)) = (4x 2y, 3~y~) no es lineal.
T(x2 - 1) = x3.
f.- U = P, V = P, T(1) = x2, T(x - 1) = x,
7.1.3 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (1, 0) y
T(x2 + x) = x, T(x2) = x2.
f((0, 1)) = (0, 0). Determine f((x, y)) en R 2 y d una
interpretacin geomtrica de f.
7.1.12 Sea f una transformacin lineal de P2 en P2 tal que
f(1) = x, f(x) = 1 + x y f(x2) = 1 + x + x2.
7.1.4 Sean U y V espacios vectoriales sobre K, siendo U
Determine f(2 6x + x2).
bidimensional. Sean S = {u1, u2} una base de U, y v1 y v2
dos vectores cualesquiera de V. Defnase f de U en V de la
7.1.13 Suponga que f : R 2 o R 2 tal que f((1, 0)) = (0, 1)
siguiente manera: Si u U, entonces u = au1 + bu2 para los
y f((0, 1)) = (1, 0). Determine f((x, y)) en R 2 y d una
nicos escalares a y b. Hgase f(u) = av1 + bv2. Demuestre
interpretacin geomtrica de f.
que f es transformacin lineal.
7.1.14 Sea f : R o R tal que f (u) proyv u , donde
7.1.5 Sea f : R 2 o R 2 una transformacin lineal que
transforma u = (1, 5) en (2, 0) y transforma v = (3, 1) en v = (1, 1):
(1, -4). Use el hecho de que f es lineal para encontrar las a.- Determine f((x, y)).
imgenes bajo f de 2u y 3u + 5v. b.- Determine f((3, 4)) y f(f((3, 4))) y d una interpretacin
geomtrica del resultado.
7.1.6 Sea V un espacio con producto interior con un
subespacio que tiene a S = {w1, w2, ..., wk} como una base 7.1.15 Trazar la imagen del cuadrado unitario cuyos
ortonormal. Demuestre que la funcin f : V o V dada por vrtices son los puntos (0, 0), (1, 0), (1, 1) y (0, 1) bajo
f(u) = v w1w1 + v w2w2 + ... + v wkwk la transformacin lineal dada:
es una transformacin lineal. a.- f es una reflexin en el eje x.
b.- f es una reflexin en la recta y = x.
7.1.7 Se da el espacio vectorial de los vectores u = ae1 + c.- f es la contraccin f((x, y)) = (x/2, y).
be2 + ce3 + de4, donde a, b, c, d son todos los nmeros
reales posibles. Sea k un nmero real fijo. Es lineal la 7.1.16 Sea f la transformacin lineal de R 2 en R 2
transformacin f definida por la igualdad definida por
f(u) = ae1 + be2 + ce3 + de4? f(( a , b)) = (aCosT - bSenT, a SenT + bCosT).
Determine:
7.1.8 Verifquese que si a 1, b1, a 2, b2 son nmeros reales, a.- f((4, 4)) para T = 45;
entonces b.- f((2, -1)) para T = 30;
T(x1, x2) = (a 1x1 + a 2x2, b1x1 + b2x2) c.- f((5, -1)) para T = 120.
Es transformacin lineal de R 2 en R 2.
7.1.17 Determinar la imagen del cubo unitario cuyos 7.1.21 Un vector u es un punto fijo de una transformacin
vrtices son lineal f : V o V si f(u) = u:
(0, 0, 0), (1, 0, 0), (1, 1, 0), (0, 1, 0), (0, 0, 1), (1, 0, 1), a.- Demuestre que es un punto fijo de cualquier
(1, 1, 1) y (0, 1, 1) transformacin lineal f : V o V.
cuando es rotado 45 alrededor del eje Z, y cuando es b.- Demuestre que el conjunto de puntos fijos de una
rotado 90 alrededor del eje X. transformacin lineal f : V o V es un subespacio de V.
c.- Determine todos los puntos fijos de la transformacin
7.1.18 Demustrese que, si ninguno de los espacios U y lineal f : R 2 o R 2 dada por f((x, y)) = (x, 2y).
V es el espacio cero y si uno de ellos es de dimensin d.- f es la dilatacin definida por f((x, y)) = (x, 3y).
infinita, entonces el conjunto de las transformaciones e.- f es la deformacin por esfuerzo cortante definida
lineales de U en V es un espacio vectorial de dimensin por f((x, y)) = (x + 2y, y).
infinita. f.- f es la deformacin por esfuerzo cortante definida por
f((x, y)) = (x, 3x + y).
7.1.19 Una traslacin es una funcin de la forma f((x, y)) =
(x h, y k), donde por lo menos una de las constantes h o 7.1.22 Dado v z y u en R n, la lnea que pasa por u en
k es diferente de cero: la direccin de v, tiene la ecuacin paramtrica w = u +
a.- Demuestre que una traslacin en el plano no es una
tv. Demuestre que una transformacin lineal f : R n o R n
transformacin lineal.
transforma esta lnea sobre otra lnea o sobre un nico
b.- Para la traslacin f((x, y)) = (x 2, y + 1), determine las
punto.
imgenes de (0, 0), (2, -1) y (5, 4).
c.- Demuestre que una traslacin en el plano no tiene
7.1.23 Si S es transformacin lineal de R 3 en R 2 y si
puntos fijos.
S(1, 0, 0) = ( a 1, b1), S(0, 1, 0) = ( a 2, b2),
S(0, 0, 1) = ( a 3, b3),
7.1.20 Sean u, v vectores en R n. Puede demostrarse que
entonces T y S son la misma transformacin.
el conjunto S de todos los puntos del paralelogramo
determinado por u y v tiene la forma Du + Ev, para 0 d D 7.1.24 Sean e1, e2, u = (3, -5) y v = (-2, 7), y sea
d 1, 0 d E d 1. Sea f : R n o R n una transformacin f : R 2 o R 2 una transformacin lineal que transforma e1
lineal. Explique por qu la imagen de un punto en S bajo en u y e2 en v. Encuentre las imgenes de (7, 6) y de
la transformacin f yace en el paralelogramo (x, y).
determinado por f(u) y f(v).
En esta seccin se demostrar que si U y V son espacios vectoriales de dimensiones finitas, entonces con un poco
de ingenio cualquier transformacin lineal f de U en V se puede expresar en forma matricial como f(u) = Au, en
cualesquiera bases.
Se pueden usar las matrices para representar una gran variedad de diferentes
conceptos matemticos. La forma en que se manejan las matrices, depende de los
objetivos que representen. Considerando la amplia variedad de situaciones en las
cuales las matrices tienen aplicacin, existe una notable semejanza en las
operaciones que se efectan con las matrices en estas situaciones. Sin embargo,
tambin existen diferencias y, para entenderlas, debemos entender el objeto
representado y qu informacin se puede esperar trabajando con las matrices. Las
matrices no solamente nos proporcionan un medio conveniente para realizar todo
clculo necesario con las transformaciones lineales, sino que la teora de los espacios
vectoriales y las transformaciones lineales tambin demuestra ser una herramienta
poderosa en el desarrollo de las propiedades de las matrices.
Suponga que a los vectores de la base S1 = {u1, u2, ..., un} del espacio vectorial U les
estn asignados unos vectores y S2 = {v1, v2, ..., vn} del espacio vectorial V. En
este caso existe una transformacin lineal f y es, adems, nica, que acta de U en V
T E O R E M A 7.2.1
La transformacin lineal f que acta del espacio U en el espacio V est
completamente definido mediante la totalidad de imgenes f(u1), f(u2), ...,
f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
D E M OST R A C I O N
Fijemos en el espacio U la base S1 = {u1, u2, ..., un} y en el espacio V, la base
S2 = {v1, v2, ..., vm}. El vector u1 se transforma por la transformacin f en cierto
vector f(u1) del espacio V, el cual, como todo vector de este espacio, puede ser
desarrollado por vectores bsicos
f(u1) = a11v1 + a12v2 + ... + a1mvm
f(u2) = a21v1 + a22v2 + ... + a2mvm
...
f(un) = an1v1 + an2v2 + ... + anmvm
Los coeficientes a ij de estas combinaciones lineales determinan una matriz A de m
filas y n columnas
a11 a21 am1
a a22 am 2
A 12
a1n a2 n amn
que se denomina matriz de la transformacin f en bases elegidas. Como columnas de
la matriz de la transformacin sirven los coeficientes de la cada combinacin, en
otras palabras, las coordenadas de los vectores f(u1), f(u2), ..., f(un) respecto de la base
S2. Con el fin de determinar el elemento a ij de la matriz de la transformacin f hace
falta aplicar la transformacin al vector uj y tomar la i-sima coordenada en la
imagen f(uj). En lo sucesivo haremos uso del mtodo descrito para determinar los
elementos de la matriz de la transformacin. Considere un vector arbitrario u de U y
su imagen v = f(u). Aclaremos de qu modo se expresar las coordenadas del vector v
en trminos de las coordenadas del vector u y los elementos de la matriz de la
transformacin. Sea
u = a1u1 + a2u2 + ... + anun
y
v = b1v1 + b2v2 + ... + bmvm
calculamos
f(u) = f(a1u1 + a2u2 + ... + anun)
= a1f(u1) + a2f(u2) + ... + anf(un)
= a1[a11v1 + a12v2 + ... + a1mvm] + a2[a21v1 + a22v2 + ... + a2mvm] + ... + an[an1v1 +
an2v2 + ... + anmvm]
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
326 TRANSFORMACIONES LINEALES
= [a1a11 + a2a21 + ... + anan1]v1 + [a1a12 + a2a22 + ... + anan2]v2 + ... + [a1a1m +
a2a2m + ... + ananm]vm
Al comparar el segundo miembro de estas igualdades con el desarrollo de v,
concluimos que deben cumplirse las igualdades
a11a1 + a21a2 + ... + an1an = b1
a12a1 + a22a2 + ... + an2an = b2
...
a1ma1 + a2ma2 + ... + anman = bm
De esta manera, toda transformacin lineal genera, cuando estn definidas las
bases en los espacios U y V, las identidades antes mencionadas que relacionan
entre s las coordenadas de la imagen y las de la preimagen. Con el fin de
determinar las coordenadas de la imagen segn las coordenadas de la preimagen
basta calcular los primeros miembros de estas identidades.
Sean S1 = {u1, u2, ..., um} y S2 = {v1, v2, ..., vm} dos bases del espacio vectorial U. Los
vectores de S2 se definen unvocamente mediante sus descomposiciones
v1 a11u1 a12 u2 ... a1m um
v a u a u ... a u
2 21 1 22 2 2m m
(1)
...
vm am1u1 am 2 u2 ... amm um
segn los vectores de S1. Los coeficientes a ij determinan la matriz
a11 a21 ... am1
a a22 ... am 2
P 12
... ... ...
a1m a2 m ... amm
la cual se denomina matriz de la transformacin de coordenadas al pasar de la base
S1 a la base S2.
Designemos, como hasta ahora, mediante XS1 y XS2 las matrices de dimensiones
m x 1, formadas por las coordenadas del vector u en las bases correspondientes. Las
frmulas (2) muestran que XS1 = PXS2 . La matriz de la transformacin de
coordenadas debe ser no singular, puesto que en el caso contrario tendr lugar la
dependencia lineal entre sus columnas y, por tanto, entre los vectores de S2. Por
supuesto, cualquier matriz no singular es una matriz de cierta transformacin de
coordenadas definida mediante XS1 = PXS2 . Al multiplicar a la izquierda de la
igualdad por la matriz P-1, obtendremos
P-1XS1 = P-1PXS2 XS2 = P-1XS1 .
Supongamos ahora que en el espacio vectorial U vienen dadas tres bases S1, S2 y S3.
El paso de la primera base a la tercera puede realizarse con ayuda de dos
procedimientos: o bien directamente de la primera a la tercera o bien primero de la
primera a la segunda, y despus de la segunda a la tercera. No es difcil establecer la
conexin entre las matrices correspondientes de la transformacin de coordenadas.
De acuerdo con XS1 = PXS2 , tenemos:
XS1 = PXS2 XS2 = RXS3 XS1 = QXS3 .
De las primeras dos correlaciones se desprende
XS1 = PXS2 = P(RXS3 ) = (PR)XS3 = QXS3 .
En concordancia con estos pares de bases, para una misma transformacin f tenemos
dos matrices ASS1 y ASS2 . Designemos con P la matriz de la transformacin de
3 4
Esto es precisamente la correlacin buscada que liga las matrices de una misma
transformacin en diferentes bases. La transformacin lineal f que acta del espacio
U en el espacio V est completamente definido mediante la totalidad de imgenes
f(u1), f(u2), ..., f(un) para cualquier base definida S1 = {u1, u2, ..., un} del espacio U.
EJ E M P L O 7.2.1
En un espacio vectorial de dimensin 4, se examina una transformacin lineal f.
Escribir esta transformacin en la forma de coordenadas si
f(e1) = e3 + e4, f(e2) = e1 + e4,
f(e3) = e1 + e2, f(e4) = e2 + e3.
SO L U C I O N
f((1, 0, 0, 0)) = (0, 0, 1, 1), f((0, 1, 0, 0)) = (1, 0, 0, 1),
f((0, 0, 1, 0)) = (1, 1, 0, 0), f((0, 0, 0, 1)) = (0, 1, 1, 0).
La matriz de la transformacin f es
0 1 1 0
0 0 1 1
A .
1 0 0 1
1 1 0 0
Por lo tanto, la transformacin f se escribe en forma de coordenadas de la siguiente
manera:
f((a, b, c, d)) = (b + c, c + d, a + d, a + b).
EJ E M P L O 7.2.2
Sea f la transformacin lineal de :(2, 2) en :(3, 1) definida por
2 a 3b c
a b
f a 2b c 2d .
c d a b 3c 4d
Encuentre la representacin matricial de f.
SO L U C I O N
Tmese las bases cannicas de :(2, 2) y :(3, 1), es decir
1 0 0
1 0 0 1 0 0 0 0
S1 ,
,
,
y S 2 0 , 1, 0
0 0 0 0 1 0 0 1
0 0 1
obtenga la matriz > f @ SS2 . Primeramente, determinaremos cules son las imgenes de
1
1 1 3 4
EJ E M P L O 7.2.3
Considrese f la transformacin lineal de P4 en P4 definida por f(p) = p'(x). Obtenga
[f]S en la base cannica de P4.
SO L U C I O N
La base cannica de P4 es S = {1, x, x2, x3, x4}. A continuacin determinamos las
imgenes con respecto a cada elemento de S, es decir:
[f(1)]S = [(1)']S = [0]S = 0(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x)]S = [(x)']S = [1]S = 1(1) + 0(x) + 0(x2) + 0(x3) + 0(x4);
[f(x2)]S = [(x2)']S = [2x]S = 0(1) + 2(x) + 0(x2) + 0(x3) + 0(x4);
[f(x3)]S = [(x3)']S = [3x2]S = 0(1) + 0(x) + 3(x2) + 0(x3) + 0(x4);
[f(x4)]S = [(x4)']S = [4x3]S = 0(1) + 0(x) + 0(x2) + 4(x3) + 0(x4).
Por lo tanto
0 1 0 0 0
0 0 2 0 0
> f @ S 0 0 0 3 0 .
0 0 0 0 4
0 0 0 0 0
Mediante esta matriz, podemos derivar p(x) = 5 + 8x - 10x2 + 6x3 - 7x4, es decir
0 1 0 0 0 5 8
0 0 2 0 0 8 20
> f ( p)@ S > p '@ S > f @ S > p @ S 0 0 0 3 0 10 18 .
0 0 0 0 4 6 28
0 0 0 0 0 7 0
Por lo tanto, p'(x) = 8 - 20x + 18x2 - 28x3.
EJ E M P L O 7.2.4
Sea f la transformacin lineal de R 3 en R 4 definida por
f((a, b, c)) = (a + 3b c, 2a + b + 3c, -3a - 14b + 8c, 3a + 4b + 2c)
Obtenga >f@S en las bases cannicas.
SO L U C I O N
Tmense las bases cannicas de R 3 y R 4:
S1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
y
S2 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)}
A continuacin, obtenemos las imgenes correspondientes
f((1, 0, 0)) = (1, 2, -3, 3), f((0, 1, 0)) = (3, 1, -14, 4), f((0, 0, 1)) = (-1, 3, 8, 2)
obtenemos la matriz
1 3 1
2 1 3
> f @ SS12 3 14 8 .
3 4 2
EJ E M P L O 7.2.5
Encuentre la matriz de la transformacin lineal D definida en el conjunto de
polinomios en t sobre R de grado a lo sumo igual a 2 mediante D(p(t)) = p(t), en
relacin con la base.
a.- S1 = {1 + t, t, 1 + 2t + t2}; b.- S2 = {1/2(1 - t), 1/2(1 + t), t2}.
SO L U C I O N
a.- D(1 + t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(t) = 1 = 1(1 + t) + (-1)t + 0(1 + 2t + t2)
D(1 + 2t + t2) = 2 + 2t = 2(1 + t) + 0t + 0(1 + 2t + t2)
1 1 2
D 1 1 0 .
0 0 0
b.- D(1/2(1 - t)) = - 1/2 = (-1/2)1/2(1 - t) + (-1/2)1/2(1 + t) + 0t2
D(1/2(1 + t)) = 1/2 = 1/21/2(1 - t) + 1/21/2(1 + t) + 0.t2
D(t2) = 2t = (-2)1/2(1 - t) + 21/2(1 + t) + 0t2
1/ 2 1/ 2 2
D 1/ 2 1/ 2 2 .
0 0 0
EJ E M P L O 7.2.6
Sea V el espacio de todas las funciones de la forma ae t + be2t + ce 3t. Si se define
D : V o V mediante D(f(t)) = f (t), obtenga:
a.- La matriz de D con respecto a la base S1 = {et, e2t, e3t};
b.- La matriz de D con respecto a la base S2 = {et + e2t, e2t + e3t, et + e3t}.
SO L U C I O N
a.- D(et) = et = 1et + 0e2t + 0e3t ; D(e2t) = 2e2t = 0et + 2e2t + 0e3t
3t 3t t 2t 3t
D(e ) = 3e = 0e + 0e + 3e
1 0 0
D 0 2 0
0 0 3
b.- D(et + e2t) = et + 2e2t = 3/2(et + e2t) + 1/2(e2t + e3t) + (-1/2)(et + e3t)
D(e2t + e3t) = 2e2t + 3e3t = (-1/2)(et + e2t) + 5/2(e2t + e3t) + 1/2(et + e3t)
D(et + e3t) = et + 3e3t = (-1)(et + e2t) + 1(e2t + e3t) + 2(et + e3t)
3 1
2 2 1
1 5
D 1 .
2 2
1 1
2
2 2
EJ E M P L O 7.2.7
Se examina el espacio vectorial de los vectores u = ae1 + be2 + ce3 + de4, donde a, b,
c, d son escalares reales. Demostrar que la transformacin f definida por f(u) = be1 +
ce2 + de3 + ae4 es lineal, y hallar su representacin matricial.
SO L U C I O N
Sabemos que f(u) = f((a, b, c, d)) = (b, c, d, a). Encontramos las imgenes con
respecto de la base cannica de R 4:
f((1, 0, 0, 0)) = (0, 0, 0, 1); f((0, 1, 0, 0)) = (1, 0, 0, 0);
f((0, 0, 1, 0)) = (0, 1, 0, 0); f((0, 0, 0, 1)) = (0, 0, 1, 0)
Por tanto la matriz de la transformacin lineal tiene la siguiente forma:
0 1 0 0
0 0 1 0
Af .
0 0 0 1
1 0 0 0
EJ E M P L O 7.2.8
Sea V = P4 el espacio de todos los polinomios de grado menor o igual a 4, en la
indeterminada t y defnase f de P4 en P4 por f ( p(t )) p(t ) 2 p(t ) p(t ) .
Representar a f mediante una matriz respecto a la base cannica de P4.
SO L U C I O N
Sabemos que
p(t) = a + bt + ct2 + dt3 + et4,
p(t) = b + 2ct + 3dt2 + 4et3,
p(t) = 2c + 6dt + 12et2.
De donde:
f(a + bt + ct2 + dt3 + et4) = (a + 2b + 2c) + (b + 4c + 6d)t + (c + 6d + 12e)t2 +
+ (d + 8e)t3 + et4.
Encontramos las imgenes con respecto de la base cannica de P4:
f(1) = 1 + 0t + 0t2 + 0t3 + 0t4; f(t) = 2 + t + 0t2 + 0t3 + 0t4;
f(t2) = 2 + 4t + t2 + 0t3 + 0t4; f(t3) = 0 + 6t + 6t2 + t3 + 0t4;
f(t4) = 0 + 0t + 12t2 + 8t3 + t4.
Por tanto la matriz de la transformacin lineal tiene la siguiente forma:
1 2 2 0 0
0 1 4 6 0
A f 0 0 1 6 12 .
0 0 0 1 8
0 0 0 0 1
EJ E M P L O 7.2.9
Considrese la transformacin lineal f : P3 o P2 definida por
f( at3 + bt2 + ct + d) = ( a + b + c)t2 + (2b c + 4d).
Determine la matriz de f en las bases cannicas.
SO L U C I O N
Encontramos las imgenes con respecto de la base cannica de P3 y luego cada una
de stas, las expresamos como combinacin lineal de la base cannica de P2:
f(t3) = t2 + 0t + 0; f(t2) = t2 + 0t + 2; f(t) = t2 + 0t 1; f(1) = 0t2 + 0t + 4.
Por tanto la matriz de la transformacin lineal tiene la siguiente forma:
1 1 1 0
A f 0 0 0 0 .
0 2 1 4
EJ E M P L O 7.2.10
Considrese la transformacin lineal f : C 2 o C 2 definida por f((a, b)) = (a + b, ib).
Determine la matriz de f en las bases cannicas.
SO L U C I O N
Encontramos las imgenes con respecto de la base cannica de C 2 y luego cada una
de stas, las expresamos como combinacin lineal de la base cannica de C 2:
f((1, 0)) = (1, 0), f((0, i)) = (i, -1).
Por tanto la matriz de la transformacin lineal tiene la siguiente forma:
1 i
Af .
0 1
PR O B L E M AS
c.- f es la rotacin de 135 en sentido antihorario en R 2, 7.2.9 Decimos que una recta se aplica sobre s misma,
v = (4, 4). si cada punto de la recta se aplica sobre un punto de la
d.- f es la rotacin de 60 en sentido horario en R 2, recta, pero no todos sobre el mismo punto, an
v = (1, 2). considerando que los puntos en la recta se pueden
e.- f es la reflexin a travs del plano de coordenadas mover de un lado a otro:
XY en R 3: f((x, y, z)) = (x, y, -z), v = (3, 2, 2). a.- Una transformacin lineal aplica a (1, 0) sobre
f.- f es la reflexin a travs del plano de coordenadas YZ (-1, 0) y a (0, 1) sobre (0, -1). Demuestre que cada recta
en R 3: que pasa por el origen se aplica sobre s misma.
f((x, y, z)) = (-x, y, z), v = (2, 3, 4). Demuestre que cada una de esas rectas se aplica sobre s
g.- f es la rotacin de 180 en sentido antihorario en R 2, misma con el sentido de la direccin invertido. Esta
v = (1, 2). transformacin lineal se llama inversin con respecto al
h.- f es la rotacin de 45 en sentido antihorario en R 2, origen. Encuentre la matriz que representa a esta
v = (2, 2). transformacin lineal con respecto a la base cannica de
i.- f es la proyeccin sobre el vector w = (3, 1) en R 2: R 2.
f (v) proywv , v = (1, 4). b.- Una transformacin lineal aplica a (1, 1) sobre
j.- f es la proyeccin sobre el vector w = (-1, 5) en R 2: (-1, -1) y deja fijo a (1, -1). Demuestre que toda recta
f (u) proywu , u = (2, -3). perpendicular a la recta x1 + x2 = 0 se aplica sobre s
misma, con el sentido de la direccin invertido.
k.- f es la reflexin con respecto al vector w = (3, 1) en Pruebe que cada punto sobre la recta x1 + x2 = 0 se deja
R 2, v = (1, 4). (La reflexin de un vector v a travs de w fijo. Cules rectas de las que pasan por el origen se
est definida por f (v) 2proywv v ). aplican sobre s mismas?. Esta transformacin lineal se
llama reflexin alrededor de la lnea x1 + x2 = 0.
7.2.3 Rote 90 alrededor del punto (5, 3) en sentido Encuentre la matriz que representa a esta transformacin
antihorario el tringulo cuyos vrtices son (3, 5), (5, 3) y lineal con respecto a la base cannica en R 2. Encuentre
(3, 0). Graficar los tringulos. la matriz que representa a esta transformacin lineal con
Encuentre las matrices que representan a esta respecto a la base {(1, 1), (1, -1)}.
transformacin lineal con respecto a las bases cannicas c.- Una transformacin lineal aplica a (1, 1) sobre
de R 2 y {(1, 1), (1, -2)}. (2, 2) y a (1, -1) sobre (3, -3). Demuestre que las rectas
que pasan por el origen y por los puntos (1, 1) y (1, -1)
7.2.4 Sea la transformacin lineal f : R 2 o R 3 que se aplican sobre s mismas y que ningunas otras rectas
aplica a (1, 1) sobre (0, 1, 2) y a (-1, 1) sobre (2, 1, 0). se aplican sobre s mismas. Encuentre las matrices que
Determine la matriz que representa a f con respecto a las representan a esta transformacin lineal con respecto a
bases S1 = {(1, 0), (0, 1)} en R 2 y S2 = {(1, 0, 0), las bases, cannicas en R 2 y {(1, 1), (1, -1)}.
(0, 1, 0), (0, 0, 1)} en R 3. d.- Una transformacin lineal deja fijo a (1, 0) y aplica
(0, 1) sobre (1, 1). Demuestre que cada recta de la forma
1 0 x2 = c se aplica sobre s misma y se traslada dentro de s
7.2.5 Sea A , u = (5, 2) y v = (3, -1). Sea misma una distancia igual a c. Esta transformacin
0 1 lineal se llama deslizamiento. Cules rectas que pasan
f(w) = Aw para w en R 2: por el origen se aplican sobre s mismas? Encuentre la
a.- En un sistema de coordenadas rectangulares, grafique matriz que representa a esta transformacin lineal con
los vectores u, v, f(u) y f(v). respecto a la base cannica de R 2.
b.- D una interpretacin geomtrica de lo que f hace a un e.- Una transformacin lineal aplica a (1, 0) sobre
vector w en R 2. (5/13, 12/13) y a (0, 1) sobre (-12/13, 5/13). Demuestre
que toda recta que pasa por el origen se hace girar en un
7.2.6 Sea f una transformacin lineal tal que f(u) = Du ngulo T = ArcCos(5/13), en sentido antihorario. Esta
para u en R n. Encuentre la matriz A para f. transformacin lineal se llama rotacin. Encuentre la
matriz que representa a esta transformacin lineal con
7.2.7 Sea f una transformacin lineal de R 2 hacia s respecto a la base cannica de R 2.
mismo que aplica a (1, 1) sobre (2, -3) y a (1, -1) sobre f.- Una transformacin lineal aplica a (1, 0) sobre
(4, -7). Determine la matriz que representa a f con (2/3, 2/3) y a (0, 1) sobre (1/3, 1/3). Demuestre que cada
respecto a las bases cannicas. punto sobre la recta 2x1 + x2 = 3c se aplica sobre el
nico punto ( c, c). La recta x1 x2 = 0 se deja fija. La
7.2.8 Una transformacin afn f : R n o R m tiene la nica otra recta que pasa por el origen y se aplica sobre
forma f(u) = Au + b, siendo A una matriz de m x n y con s misma, es la recta 2x1 + x2 = 0. Esta transformacin
b en R m. Demuestre que f no es una transformacin lineal lineal se llama proyeccin sobre la recta x1 x2 = 0
cuando b z . paralela a la recta 2x1 + x2 = 0.
7.2.16 Sea S = {1, x, ex, xex} una base de un subespacio 7.2.22 Sea f : R 3 o R 3 la transformacin lineal
U del espacio de funciones continuas y sea D x el determinada por la matriz
operador diferencial sobre U. Encuentre la matriz para D x a 0 0
con respecto a la base S.
A 0 b 0
0 0 c
7.2.17 Sea S = {e2x, xe2x, x2e2x} una base de un
subespacio U del espacio de funciones continuas y sea D x donde a , b y c son nmeros positivos. Sea S la esfera
el operador diferencial sobre U. Encuentre la matriz para unitaria, cuya superficie limitante tiene la ecuacin
D x con respecto a la base S. x12 x22 x32 1 :
a.- Demuestre que f(S) est delimitada por el elipsoide b.- Utilice el hecho de que el volumen de la esfera
x12 x22 x32 unitaria es 4S/3 para determinar el volumen de la regin
que tiene la ecuacin 2
2
2
1. acotada por el elipsoide de a).
a b c
7.3 A L G E B R A D E T R A NSF O R M A C I O N ES L I N E A L ES
En esta seccin se analizarn las operaciones que se pueden realizar entre transformaciones lineales.
Enunciaremos sus propiedades ms importantes.
D E F IN I C I O N 7.3.1
Sean U y V espacios vectoriales, ambos sobre el mismo cuerpo K . La suma
f + g de las transformaciones lineales f de U en V y g de U en V est dada
por (f + g)(u) = f(u) + g(u) para cada vector u de U.
T E O R E M A 7.3.1
La suma f + g de las transformaciones lineales f de U en V y g de U en V,
es una transformacin lineal.
D E M OST R A C I O N
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios de K. Para
demostrar que f + g sea una transformacin lineal, debemos probar que
(f + g)(au + bv) = a(f + g)(u) + b(f + g)(v).
Es decir
(f + g)(au + bv) = f(au + bv) + g(au + vb)
= [af(u) + bf(v)) + (ag(u) + bg(v))]
= [af(u) + ag(u)) + (bf(v) + bg(v))]
= a[f(u) + g(u)] + b[f(v) + g(v)]
= a(f + g)(u) + b(f + g)(v).
EJ E M P L O 7.3.1
La transformacin lineal f consiste en que cada vector del plano est vuelto en el
ngulo T = S/4. Hallar en la forma de coordenada la transformacin lineal f + i.
SO L U C I O N
Tenemos que
S S 2 2 3S 3S 2 2
f (i ) iCos jSen i j ; f ( j ) iCos jSen i j
4 4 2 2 4 4 2 2
Por consiguiente
2 2
Af 2 2
.
2 2
2 2
Como Ii es la matriz identidad de 2 x 2, entonces
2 2 2 2
1 0 1
A f Ii 2 2 2 2
.
2 2 0 1 2 2
1
2 2 2 2
La transformacin lineal Af + Ii se puede escribir como
2 2 2 2
( f i )(( a , b)) 1 a b, a 1 b .
2 2 2
2
EJ E M P L O 7.3.2
Se dan dos transformaciones lineales
f((a, b, c)) = (a + 2b + 3c, 4a + 5b + 6c, 7a + 8b)
g((a, b, c)) = (a + 3b + c, a 3b + 2c, a + c).
Hallar 3f 2g.
SO L U C I O N
Como 3f 2g : R 3 o R 3, entonces:
3f((a, b, c)) 2g((a, b, c)) = 3(a + 2b + 3c, 4a + 5b + 6c, 7a + 8b) - 2(a + 3b + c,
a 3b + 2c, a + c)
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
336 TRANSFORMACIONES LINEALES
= (3a + 6b + 9c, 12a + 15b + 18c, 21a + 24b) - (2a + 6b + 2c, 2a 6b + 4c, 2a + 2c)
= (a + 7c, 10a + 21b + 14c, 19a + 24b 2c).
Para completar lo que ahora debe ser una sucesin obvia de ideas, presentamos
una multiplicacin escalar en el conjunto de las transformaciones lineales de U en
V.
D E F I N I C I O N 7.3.2
El producto escalar af de un escalar a de K y una transformacin lineal f
de U en V est dada por ( af)(u) = af(u) para todo vector u de U.
T E O R E M A 7.3.2
El producto escalar af de un escalar a de K y una transformacin lineal f de
U en V, es una transformacin lineal.
D E M OST R A C I O N
Sean u y v vectores arbitrarios de U, y sean k y r, escalares arbitrarios. Para
demostrar que af es una transformacin lineal, debemos probar que
(af)(ku + rv) = k[(af)(u)] + r[(af)(v)].
Es decir
(af)(ku + rv) = a[f(ku + rv)]
= a[kf(u) + rf(v)]
= (ak)f(u) + (ar)f(v)
= k[af(u)] + r[af(v)]
= k[(af)(u)] + r[(af)(v)].
Sean S1 = {u1, u2, ..., un} y S2 = {v1, v2, ..., vm} bases de los espacios vectoriales U y
V respectivamente, y sea
a11 a21 ... an1
a a22 ... an 2
A f 12
... ... ...
a1m a2 m ... anm
la matriz asociada a la transformacin lineal f en las bases consideradas
anteriormente.
T E O R E M A 7.3.3
Con la adicin y la multiplicacin escalar como se definieron antes,
L(U, V) es un espacio vectorial sobre K .
D E M OST R A C I O N
Es necesario verificar, uno por uno, que los axiomas de la definicin de espacio
vectorial son satisfechos. Para comprobar el primer axioma, debemos demostrar que
la suma f + g de las transformaciones lineales es una transformacin lineal. Esto ya
se demostr antes. Para comprobar el axioma 6 se debe demostrar que el producto af
del escalar a y la transformacin lineal f es una transformacin lineal. Esto tambin
lo hicimos antes. La demostracin se termina ahora con el siguiente razonamiento:
L(U, V) es un subconjunto de V(U), y las operaciones de adicin y multiplicacin
por escalares en L(U, V) y V(U), son las mismas. Como L(U, V) no es vaco y
satisface los dos axiomas 1 y 6, se desprende que L(U, V) es un espacio vectorial. El
espacio L(U, V) es un subespacio de V(U).
D E F IN I C I O N 7.3.3
El producto, gf de las transformaciones lineales f de U en V y g de V en W
se define por (gf)(u) = g(f(u)) para todo vector u de U.
T E O R E M A 7.3.4
El producto gf de las transformaciones lineales f de U en V y g de V en
W es una transformacin lineal.
D E M OST R A C I O N
Sean u y v vectores arbitrarios de U, y sean a y b escalares arbitrarios. Para
demostrar que gf es una transformacin lineal, debemos probar que
(gf)(au + bv) = a[(gf)(u)] + b[(gf)(v)].
Es decir
(gf)(au + bv) = g[f(au + bv)]
= g[af(u) + bf(v)]
= ag[f(u)] + bg[f(v)]
= a[(gf)(u)] + b[(gf)(v)].
T E O R E M A 7.3.5
Sean f y g transformaciones lineales de U en V y h y t transformaciones
lineales de V en W. Entonces tenemos:
a.- h(f + g) = hf + hg;
b.- (h + t)f = hf + tf.
D E M OST R A C I O N
a.- Como f + g va de U en V y h va de V en W, entonces h(f + g) es una funcin de
U en W. Anlogamente, hf va de U en W y hg va de U en W y as hf + hg es una
funcin de U en W. Por tanto, para demostrar que h(f + g) = hf + hg, debemos
evaluar cada miembro en un vector arbitrario u de U y comprobar que los dos
resultados son siempre iguales. Es decir
[h(f + g)](u) = h[(f + g)(u)]
= h[f(u) + g(u)]
= h[f(u)] + h[g(u)]
= (hf)(u) + (hg)(u)
= (hf + hg)(u)
b.- Como h + t va de V en W y f va de U en V, entonces (h + t)f es una funcin de
U en W. Anlogamente, hf va de U en W y tf va de U en W y as hf + tf es una
funcin de U en W. Por tanto, para demostrar que (h + t)f = hf + tf, debemos evaluar
cada miembro en un vector arbitrario u de U y comprobar que los dos resultados son
siempre iguales. Es decir
[(h + t)f](u) = (h + t)[f(u)] = h[f(u)] + t[f(u)] = (hf)(u) + (tf)(u) = (hf + tf)(u).
Hemos presentado los resultados bsicos referentes a las sumas, a los productos
escalares y a los productos de transformaciones lineales.
T E O R E M A 7.3.6
Sea V un espacio vectorial sobre un cuerpo K. Entonces L(V, V) cumple lo
siguiente:
a.- L(V, V) es un espacio vectorial sobre K ;
b.- L(V, V) es cerrado bajo la multiplicacin;
c.- f(gh) = (fg)h para toda f, g y h de L(V, V);
d.- Para cualesquiera f, g y h de L(V, V) tenemos
f(g + h) = fg + fh y (g + h)f = gf + hf;
e.- Para un escalar a de K y cualesquiera f y g de L(V, V), tenemos que
EJ E M P L O 7.3.3
Se dan dos transformaciones lineales:
f((a, b, c)) = (a + b, b + c, c + a) y g((a, b, c)) = (b + c, a + c, a + b).
Hallar las transformaciones fg y gf.
SO L U C I O N
Las matrices de las transformaciones dadas tienen la forma
1 1 0 0 1 1
A f 0 1 1 , Bg 1 0 1 .
1 0 1 1 1 0
Hallamos los productos de estas matrices:
1 1 0 0 1 1 1 1 2
A f Bg 0 1 1 1 0 1 2 1 1 ,
1 0 1 1 1 0 1 2 1
0 1 1 1 1 0 1 1 2
Bg A f 1 0 1 0 1 1 2 1 1 .
1 1 0 1 0 1 1 2 1
En este caso AfBg = BgAf, por eso las transformaciones fg y gf coinciden. La forma
de coordenadas de la transformacin fg se escribe de la forma siguiente:
gf((a, b, c)) = fg((a, b, c) = (a + b + 2c, 2a + b + c, a + 2b + c).
EJ E M P L O 7.3.4
Demuestre que si f : U o V, g : V o W y h : W o X son tres transformaciones,
tenemos entonces que h(gf) = (hg)f.
SO L U C I O N
Las transformaciones h(gf) y (hg)f tienen ambas dominio U y valores en X. Para cada
u de V, tenemos
(h(gf))(u) = h((gf)(u)) = h(g(f(u))) y ((hg)f)(u) = (hg)(f(u)) = h(g(f(u)))
lo que demuestra que h(gf) y (hg)f.
EJ E M P L O 7.3.5
Sea V = R 2. Sea S = {e1, e2} la base cannica de R 2. Defnanse f y g en L(V, V) tales
que cumplan f(e1) = e2, f(e2) = , g(e1) = e1 + e2, g(e2) = . Demuestre que aunque
fg y gf estn ambas en L(V, V), fg z gf.
SO L U C I O N
Hacemos la combinacin lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) .
E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(0, 1) + b(0, 0) = (0, a)
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) .
E b
g((a, b)) = ag((1, 0)) + bg((0, 1)) = a(1, 1) + b(0, 0) = (a, a)
(fg)(a, b) = (0, a), (gf)(a, b) = (0, 0) fg z gf.
Otra forma de resolver este problema, es el siguiente: Sabemos que S = {(1, 0),
(0,1)}, entonces:
0 0
f((1, 0)) = (0, 1), f((0, 1)) = (0, 0) A f ;
1 0
1 0
g((1, 0)) = (1, 1), g((0, 1)) = (0, 0) A g .
1 0
0 0 1 0 0 0 1 0 0 0 0 0
A f Ag , Ag A f
1 0 1 0 1 0 1 0 1 0 0 0
Por tanto f g z g f .
EJ E M P L O 7.3.6
Sea V un espacio vectorial. Sean f, g de L(V, V). Demuestre que
(f + g)2 = f2 + 2fg + g2
si y slo si fg = gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2.
Como fg = gf, entonces
(f + g)2 = f2 + 2fg + g2.
EJ E M P L O 7.3.7
Sea V un espacio vectorial. Sea f de L(V, V). Implica siempre f2 = , que f = ?
Por qu?
SO L U C I O N
Como f : V o V, entonces f2 : V o V. Por lo tanto f2 = ff es la composicin de f
consigo mismo, entonces la transformacin lineal f es nula, para que f2 = .
EJ E M P L O 7.3.8
Sean f : V o V y g : V o V transformaciones lineales. Si f y g conmutan, demostrar
que (fg)n = fngn, para todo n t 0.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin fg : V o V y (fg)n : V o V.
Por lo tanto
( fg )n ( fg )( fg ) ( fg )
n veces
Como por hiptesis tenemos que fg = gf, entonces (fg)n = fngn.
EJ E M P L O 7.3.9
Sea V un espacio vectorial. Si f y g conmutan, demostrar que
(f + g)2 = f2 + 2fg + g2 y (f + g)3 = f3 + 3f2g + 3fg2 + g3.
Indicar cmo deben modificarse esas frmulas si fg z gf.
SO L U C I O N
Como f : V o V, g : V o V, entonces por definicin
f + g : V o V y (f + g)2 : V o V.
Por lo tanto
(f + g)2 = (f + g)(f + g) = f2 + fg + gf + g2,
(f + g)3 = (f + g)2(f + g)
= (f2 + fg + gf + g2)(f + g)
= f3 + f2g + fgf + fg2 + gf2 + gfg + g2f + g3.
Como por hiptesis tenemos fg = gf, entonces
(f + g)2 = (f + g)(f + g) = f2 + 2fg + g2,
(f + g) = (f + g) (f + g) = (f2 + fg + gf + g2)(f + g) = f3 + 3f2g + 3fg2 + g3.
3 2
EJ E M P L O 7.3.10
Dadas las transformaciones lineales f : R 3 o R 3 y g : R 3 o R 3, definidas por
f((a, b, c)) = (a + b, b c, 2c) y g((a, b, c)) = (a, 2a + 3b, 4a + c),
describir las transformaciones lineales indicadas a continuacin:
a.- 2f - g; b.- f2 + g2; c.- 3f + 5g; d.- fg - gf; e.- f2 + 2f + g.
SO L U C I O N
a.- Como 2f g : R 3 o R 3, entonces:
2f((a, b, c)) g((a, b, c)) = 2(a + b, b c, 2c) (a, 2a + 3b, 4a + c)
= (a + 2b, - 2a b 2c, - 4a + 3c);
b.- Como f2 + g2 : R 3 o R 3, entonces:
f2((a, b, c)) g2((a, b, c)) = (a + 2b c, b 3c, 4c) - (a, 8a + 9b, 8a + c)
= (2b c, - 8a 8b 3c, - 8a + 3c);
c.- Como 3f + 5g : R 3 o R 3, entonces:
3f((a, b, c)) + 5g((a, b, c)) = 3(a + b, b c, 2c) + 5(a, 2a + 3b, 4a + c)
= (8a + 3b, 10a + 18b 3c, 20a + 11c);
3 3
d.- Como fg gf : R o R , entonces:
fg((a, b, c)) gf((a, b, c)) = (3a + 3b, - 2a + 3b c, 8a + 2c) (a + b, 2a + 5b 3c,
4a + 4b + 2c)
= (2a + 2b, - 4a 2b + 2c, 4a 4b)
e.- Como f2 + 2f + g : R 3 o R 3, entonces:
f2((a, b, c)) + 2f((a, b, c)) + g((a, b, c)) = (a + 2b c, b 3c, 4c) + 2(a + b, b c, 2c)
+ (a, 2a + 3b, 4a + c)
= (4a + 4b c, 2a + 6b 5c, 4a + 9c).
PR O B L E M AS
7.3.1 Si P es el conjunto de los polinomios en x sobre R, c.- Resolver la parte b) si la base cannica se reemplaza
sean f : P o P, definida por f(p(x)) = p(x) y g : P o P, por {2 e1 e2, e1 + 4e2}.
x
definida por g ( p( x)) 0 p(t )dt . Pruebe lo siguiente:
7.3.5 Una transformacin lineal f : R 2 o R 2 se define
a.- fg = i; b.- gf z i. de la siguiente manera: cada vector u R 2 se
transforma en su simtrico respecto al eje Y y luego se
7.3.2 En el espacio vectorial de todas las funciones duplica su longitud para obtener f(u). Determine la
reales, cada uno de los siguientes conjuntos es matriz de f y la de f2.
independiente y genera un subespacio V de dimensin
finita. Utilizar el conjunto dado como base para V y sea 7.3.6 Encontrar la potencia indicada de A, la matriz de
D : V o V el operador derivacin. En cada caso, hallar la transformacin lineal f:
la matriz D y la de D 2 relativa a la base que se elige: a.- f : R 3 o R 3, reflexin en el plano XY. Encontrar A 2.
a.- {Senx, Cosx}; b.- {x, x + e x, x + ex + xex}; b.- f : R 3 o R 3, proyeccin sobre el plano XY.
x 2 x
c.- {x, xe , x e }; d.- {e2xSen3x, e2x Cos3x}; Encuentre A 2.
x x 2 x
e.- {e , xe , x e }; f.- {exSenx, ex Cosx}. c.- f : R 2 o R 2, rotacin de un ngulo T en sentido
antihorario. Encontrar A 3.
7.3.3 Encuntrense ejemplos de transformaciones d.- f : P 3 o P 3, operador diferencial. Encontrar A 2.
lineales S, T tales que TS est definido, T z O, S z O y
TS = O. 7.3.7 Sea f : R 3 o R 3 la proyeccin ortogonal de R 3
sobre el plano XY. Demuestre que f
f = f.
7.3.4 Una transformacin lineal f : R 2 o R 2 aplica los
vectores base e1 y e2 como sigue: 7.3.8 Sean f : R n o R m, g : R m o R s, h : R m o R s
f(e1) = 3e1 + 5e2 y f(e2) = 2 e1 3e2: transformaciones lineales. Demuestre la propiedad
a.- Calcular f(9e1 7e2) y f2(9e1 7e2) en funcin de e1 y distributiva de la composicin respecto de la suma:
e2. f
(g + h) = f
g + f
h.
b.- Determinar la matriz de f y de f2. Es esta propiedad vlida para funciones en general?
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 343
7.3.22 Encuentre la matriz estndar para la composicin 7.3.25 Usando multiplicacin matricial encuentre la
de operadores lineales sobre R 3 que se indica: imagen del vector (5, -2) cuando se hace girar un ngulo
a.- f : R 3 o R 3 es una dilatacin con factor k y g : R 3 o de:
R 3 es la rotacin en sentido antihorario con respecto al eje a.- T = 30; b.- T = -60; c.- T = 45; d.- T = 90.
Z hasta describir un ngulo T;
b.- f : R 3 o R 3 es la rotacin con respecto al eje X hasta 7.3.26 Encuentre la matriz estndar para la composicin
describir un ngulo T1 y g : R 3 o R 3 es la rotacin con de operadores lineales sobre R 2 que se indica:
respecto al eje Z hasta describir un ngulo T2. a.- Una rotacin de 60 en sentido antihorario seguida de
una proyeccin ortogonal sobre el eje X, seguida de una
7.3.23 Determnese si las transformaciones lineales reflexin con respecto a la recta y = x;
siguientes son nilpotentes, idempotentes o ninguna de las b.- Una dilatacin con factor k = 2, seguida de una
dos cosas: rotacin de 45 en sentido antihorario, seguida de una
a.- T(x, y) = (-x, -y); b.- T(x, y, z) = (y + z, z, 0); reflexin con respecto al eje Y;
c.- T(x, y) = (0, x); d.- T(x, y, z) = (z, x, y); c.- Una rotacin de 15 en sentido antihorario, seguida de
e.- T(x, y) = (x, 0); f.- T(x, y, z) = (x, 0, z). una rotacin de 105 en sentido antihorario, seguida de
una rotacin de 60 en sentido antihorario.
7.3.24 Sea T una transformacin lineal de R 2 con la
propiedad de que T( e1) = (1, 2), T( e2) = (3, 1), de manera 7.3.27 Encuentre la matriz estndar para la composicin
que T(x, y) = (x + 3y, 2x + y): de operadores lineales sobre R 3 que se indica:
a.- Encuntrense T2(e1) y T2(e2) y, en consecuencia, a.- Una reflexin respecto al plano XY, seguida de una
obtngase T2(x, y); entonces, demustrese que T2 = 2T + reflexin respecto al plano XZ, seguida de una proyeccin
5I. ortogonal sobre el plano YZ;
b.- A partir del resultado de a), verifquese que T 4 = 4T2 b.- Una rotacin de 30 en sentido antihorario respecto al
+ 20T + 25I. eje X, seguida de una rotacin de 30 en sentido
c.- De los resultados de las partes a) y b), dedzcase que antihorario respecto al eje Z, seguida por una contraccin
T4 = 28T + 45I y, en consecuencia, encuntrense con factor k = ;
T4(3, 2) y T4(-1, 7). c.- Una rotacin de 270 en sentido antihorario respecto
d.- A partir de los resultados anteriores, demustrese al eje X, seguida de una rotacin de 90 en sentido
que T3 = 9T + 10I y, en consecuencia, encuntrense antihorario respecto al eje Y, seguida de una rotacin de
T3(5, 1) y T3(0, 6). 180 respecto al eje Z.
7.4 NU C L E O E I M A G E N D E UN A T R A NSF O R M A C I O N L I N E A L
En esta seccin se estudiarn el ncleo e imagen de una transformacin lineal. Se enunciaran las propiedades ms
importantes.
D E F IN I C I O N 7.4.1
Sea f una transformacin de U en V. El ncleo de la transformacin lineal f,
es el conjunto de todos los vectores u de U tales que f(u) = , es decir:
Nuc(f) = {u / u U y f(u) = , V}
Entonces como ya hemos hecho notar, Nuc(f) siempre contiene al vector cero de U.
De hecho, podemos decir mucho ms que esto, pues si f(u) = f(v) = , entonces:
f(au + bv) = af(u) + bf(v) = , para todo a, b K , y de ello se sigue que Nuc(f) es un
subespacio de U. A este subespacio le llamamos el espacio nulo o ncleo de f, y es
de fundamental importancia en el estudio del comportamiento de f en U.
T E O R E M A 7.4.1
Sea f una transformacin lineal de U en V. El ncleo o espacio nulo de
una transformacin lineal f es un subespacio del dominio U.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 345
D E M OST R A C I O N
Observe que f() = . Puesto que
f() = f( + ) = f() + f().
Sumando f() a cada miembro, obtenemos = f(). Por tanto, siempre hay un
vector, es decir, el vector cero de U en el ncleo de f. Para demostrar que el ncleo
de f es un subespacio, admitamos que los vectores u y v de U estn en el ncleo de f
y sean a y b escalares arbitrarios. Entonces f(u) = y f(v) = . Por tanto,
f(au + bv) = af(u) + bf(v) = a + b = .
Por consiguiente, au + bv est en el ncleo de f. En consecuencia, el ncleo de f es un
subespacio de U.
EJ E M P L O 7.4.1
Sea f : R 2 o R 2 una transformacin lineal tal que f((3, 2)) = (0, 0) y f((1, 3)) = u z ,
demuestre que el ncleo de f es una recta en el plano XY que pasa por el origen.
Encuentre su ecuacin.
SO L U C I O N
Hacemos la combinacin lineal con un vector (a, b):
1
3D E a D 7 (3a b)
(a, b) = D(3, 2) + E(1, 3)
2D 3E b E 1 (2 a 3b)
7
De donde
1 1
f (( a, b)) Df ((3, 2)) Ef ((1, 3)) (3a b)(0, 0) (2 a 3b)( x, y)
7 7
1
(2 xa 3xb, 2 ya 3 yb) .
7
Por tanto encontramos el ncleo de la siguiente manera:
2 xa 3xb 0 2 a 3b 0
2a 3b = 0
2 ya 3 yb 0 2 a 3b 0
En este caso podemos darnos cuenta que el ncleo de f es una recta en el plano XY
que adems pasa por el origen.
EJ E M P L O 7.4.2
1 1
Sea :(2, 2) el espacio vectorial de matrices 2 x 2 sobre R y M . Sea
2 2
f : :(2, 2) o :(2, 2) la transformacin lineal definida por f(A) = M A. Hallar una
base y la dimensin del Nuc(f).
SO L U C I O N
Aplicando la definicin de ncleo, tenemos que
Nuc(f) = {A :(2, 2) / f(A) = , :(2, 2)}
a b 1 1 a b 0 0
.
c d 2 2 c d 0 0
Resolviendo el sistema de ecuaciones, obtenemos
a b a c
1 0 0 1
Nuc( f ) BaseNuc( f ) ,
c d b d
1 0 0 1
por lo tanto Dim Nuc(f) = 2.
EJ E M P L O 7.4.3
Encuentre una transformacin lineal f de R 2 en R 2 cuyo ncleo sea la recta
2x + 5y = 0.
SO L U C I O N
Sabemos que Nuc(f) = {(x , y) / 2x + 5y = 0}, entonces la transformacin lineal
f : R 2 o R 2 puede ser:
f((x, y)) = (2x + 5y, 2kx + 5ky), k z 0.
D E F IN I C I O N 7.4.2
Sea f una transformacin lineal de U en V. La imagen de U bajo f, es el
conjunto de todos los vectores v de V tales que v = f(u) para cierto u de U.
Es decir:
Img(f) = {v V / u U y v = f(u)}.
T E O R E M A 7.4.2
Sea f una transformacin lineal de U en V. El conjunto imagen de f es un
subespacio de V.
D E M OST R A C I O N
Considere que los vectores v y w de V estn en el conjunto imagen de f. Entonces
v = f(u1) y w = f(u2) para ciertos vectores u1 y u2 de U. Sean a y b escalares
arbitrarios. Entonces
av + bw = af(u1) + bf(u2) = f(au1 + bu2).
Por tanto, av + bw es un valor funcional bajo la funcin f y, en consecuencia, av + bw
est en el conjunto imagen de f. En consecuencia el conjunto imagen de f es un
subespacio de V.
T E O R E M A 7.4.3
Sea f una transformacin lineal de U en V. Entonces
Dim Img(f) + Dim Nuc(f) = DimU.
D E M OST R A C I O N
Como la imagen de f es un subespacio del espacio V de dimensin finita, la imagen
de f es tambin de dimensin finita. Por esta razn, podemos hallar una base para la
imagen de f. Sea esta base S1 = {v1, v2, ..., vm} donde m = Dim Img(f). Como los
elementos de S1 estn todos en la imagen de f hay vectores S = {u1, u2, ..., um} de U
tales que f(u1) = v1, f(u2) = v2, ..., f(um) = vm. Afirmamos que los elementos de S son
vectores linealmente independientes de U. Pues sean a1, a2, ..., am escalares
arbitrarios y consideremos que la ecuacin a1u1 + a2u2 + ... + amum = . Aplicando la
transformacin f a cada miembro y utilizando f(u1) = v1, f(u2) = v2, ..., f(um) = vm,
obtenemos a1v1 + a2v2 + ... + amvm = . Como los elementos de S1 son vectores
linealmente independientes de V, tenemos que a1 = a2 = ... = am = 0. Por tanto, en la
ecuacin, todos los escalares a1, a2, ..., am deben ser cero. En consecuencia, los
elementos de S son linealmente independientes. Como el ncleo de f es un
subespacio de U, podemos hallar una base S2 = {w1, w2, ..., wk} del ncleo de f. Aqu,
k = DimNuc(f). Afirmamos que S3 = {w1, w2, ..., wk, u1, u2, ..., um} es una base de U.
Demostremos que los elementos de S3 generan U. Sea u de U. Entonces f(u) est en
la imagen de f, y as f(u) = b1v1 + b2v2 + ... + bmvm para ciertos escalares arbitrarios b1,
b2, ..., bm. Entonces
f(u b1u1 - b2u2 - ... - bmum) = f(u) b1v1 - b2v2 - ... - bmvm = .
Por tanto, u = b1u1 + b2u2 + ... + bmum est en el ncleo de f y, en consecuencia, es
igual a la combinacin lineal c1w1 + c2w2 + ... + ckwk de los vectores de la base S2 del
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 347
D E F I N I C I O N 7.4.3
Dada una transformacin lineal f de U en V, donde U es un espacio
vectorial de tipo finito, se denomina rango de f, y se representa por
Rang(f) a la dimensin del subespacio vectorial imagen. La nulidad de
una transformacin lineal f es la dimensin del ncleo de dicha
transformacin, en el caso de que sea finita dicha dimensin.
EJ E M P L O 7.4.4
Sea f : R 2 o R 3 tal que f(u1) = 2v1 + v2 v3, f(u2) = - v1 3v2 + 2v3, donde {u1, u2}
forman una base para el conjunto R 2 y {v1, v2, v3} una base para el conjunto R 3.
Hallar la imagen del vector u = (2, 1).
SO L U C I O N
f(u) = f(2u1 + u2) = 2f(u1) + f(u2) = 2(2v1 + v2 v3) + (- v1 3v2 + 2v3) = 3v1 v2.
La imagen del vector u es el vector f(u) de coordenadas (3, -1, 0).
EJ E M P L O 7.4.5
Demuestre que si f y g son transformaciones lineales de U hacia V (DimU = n y
DimV = m), entonces Rang(f + g) d mn{m, n, Rang(f) + Rang(g)}.
SO L U C I O N
Si f y g son transformaciones lineales de U hacia V, entonces:
Rang(f + g) = Dim(f + g)(U) d Dim{f(U) + g(U)}
= Dimf(U) + Dimg(U) Dim{f(U) g(U)}
d Rang(f) + Rang(g).
EJ E M P L O 7.4.6
Demuestre que ~Rang(f) Rang(g)~ d Rang(f + g).
SO L U C I O N
Como Rang(g) = Rang(-g), el ejemplo anterior tambin dice que
Rang(f g) d Rang(f) + Rang(g).
Entonces
Rang(f) = Rang(g (f + g)) d Rang(g) + Ran(f + g).
EJ E M P L O 7.4.7
Si U = R 2, V = R 2 y f(u) es el complemento ortogonal de u respecto a la recta
y = x, es decir, si w es un vector unitario sobre la recta dada, entonces u ww es
la proyeccin sobre la recta y u - u ww es el complemento ortogonal, mostrar
que f es una transformacin lineal. Encontrar ncleo y la imagen de f.
SO L U C I O N
Sabemos que f(u) = u - u ww, escogemos un vector unitario que est en la recta
1
dada y = x, w (1,1) . Reemplazando este vector en la definicin, obtenemos
2
1 1
f (u ) u u (1,1) . Para demostrar que f(u) es una transformacin
(1,1)
2 2
lineal, aplicamos la definicin general:
1 1
f (Du Ev) (Du Ev) (Du Ev) (1,1) (1,1)
2 2
1 1 1 1
Du Ev D u (1,1) (1,1) E v (1,1) (1,1)
2 2 2 2
1 1 1 1
D u u (1,1) (1,1) E v u (1,1) (1,1)
2 2 2 2
Df (u) Ef (v)
Por tanto f(u) es transformacin lineal.
Siendo u = ( a , b), entonces
1 1 a b b a
f (( a, b)) ( a, b) ( a, b) (1,1) (1,1) , .
2 2 2 2
Para calcular el ncleo y la imagen, hacemos uso de la definicin
correspondiente:
a b
2 0
a b 0 a 0
.
b a 0 b a 0 b 0
2
Por tanto el ncleo de f es: Nuc(f) = {( a , b) / a = b = 0}
a b
2 r
a b 2r
.
b a
s b a 2s
2
Por tanto la imagen de f es: Img(f) = {( r, s) / a b = 2 r, b a = 2s}.
EJ E M P L O 7.4.8
Sea f : R 2 o R 2 una transformacin lineal tal que f((1, 1)) = (0, 0) y f((0, 1)) = (1, 1),
demuestre que tanto el ncleo como la imagen de f son rectas en el plano XY que
pasan por el origen. Encuentre las ecuaciones de estas rectas.
SO L U C I O N
Hacemos la combinacin lineal con un vector (a, b):
D a
(a, b) = D(1, 1) + E(0, 1)
E b 1
De donde
f((a, b)) = Df((1, 1)) + Ef((0, 1))
f((a, b)) = a(0, 0) + (b a)(1, 1) = (b a, b a).
EJ E M P L O 7.4.9
Una transformacin lineal f : R 2 o R 3 aplica los vectores base de la siguiente
manera:
f(i) = (1, 0, 1), f(j) = (-1, 0, 1).
a.- Calcular f(2i - 3j) y determinar la dimensin del ncleo e imagen de f;
b.- Determinar la matriz de f.
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1)
E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(1, 0, 1) + b(-1, 0, 1) = (a - b, 0, a + b).
Por tanto encontramos el ncleo de la siguiente manera:
a b 0
0 0 a = b = 0 Nuc(f) = {(a, b) / a = b = 0}
a b 0
BaseNuc(f) = {} DimNuc(f) = 0.
Para encontrar la imagen de f, lo hacemos como sigue:
a b r
0 s Img(f) = {(r, s, t) / r = a b, s = 0, t = a + b}
a b t
BaseImg(f) = {(1, 0, 1), (-1, 0, 1)} DimImg(f) = 2.
b.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 2:
f((1, 0)) = (1, 0, 1) y f((0, 1)) = (-1, 0, 1)
Por tanto la matriz de f es:
1 1
A f 0 0 .
1 1
EJ E M P L O 7.4.10
Defnase f : :(3, 3) o :(3, 3) mediante f(A) = A - AT. Mustrese que f es lineal.
Descrbase el ncleo e imagen de f.
SO L U C I O N
Para demostrar que f es una transformacin lineal, aplicamos la definicin general:
f(DA + EB) = (DA + EB) (DA + EB)T
= DA + EB DAT - EBT
= (DA DAT) + (EB EBT)
= D(A AT) + E(B BT)
= Df(A) + Ef(B).
Por tanto f(A) es transformacin lineal.
Para determinar el ncleo y la imagen de f, aplicamos la definicin correspondiente:
A AT = O A = AT Nuc(f) = {A :(3 x 3) / A = AT}.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
350 TRANSFORMACIONES LINEALES
EJ E M P L O 7.4.11
Sea V el espacio vectorial real de las funciones reales de una variable real, con las
operaciones usuales. Si f : R 3 o V es la transformacin que a cada terna de R 3 le
asocia la funcin u o aSen2u + bCos2u + c. Es decir,
f((a, b, c)) = aSen2u + bCos2u + c.
a.- Prubese que f es lineal; b.- Hllese el ncleo y la imagen de f.
SO L U C I O N
a.- Para demostrar que f es una transformacin lineal, aplicamos la definicin
general:
f((Da + Ed, Db + Ee, Dc + Ef)) = (Da + Ed)Sen2u + (Db + Ee) Cos2u + (Dc + Ef)
= (DaSen2u + DbCos2u + Dc) + (EdSen2u + EeCos2u + Ef)
= D(aSen2u + bCos2u + c) + E(dSen2u + eCos2u + f)
= Df(A) + Ef(B).
Por tanto f(A) es transformacin lineal.
b.- Para determinar el ncleo y la imagen de f, aplicamos la definicin
correspondiente:
aSen2u + bCos2u + c = 0 Nuc(f) = {(a, b, c) R 3 / aSen2u + bCos2u + c = 0}.
aSen2u + bCos2u + c = r Img(f) = {r V / aSen2u + bCos2u + c = r}.
EJ E M P L O 7.4.12
Sea f : R 3 o R 3 una transformacin lineal tal que
f(k) = 2i + 3j + 5k, f(j + k) = i, f(i + j + k) = j - k.
a.- Calcular f(i + 2j + 3k) y determinar la dimensin del ncleo y el rango de f;
b.- Determinar la matriz de f.
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b, c):
G a D b c
(a, b, c) = D(0, 0, 1) + E(0, 1, 1) + G(1, 1, 1) E G b E a b
D E G c G a
De donde
f((a, b, c)) = Df((0, 0, 1)) + Ef((0, 1, 1)) + Gf((1, 1, 1))
= - (b - c)(2, 3, 5) (a b)(1, 0, 0) + a(0, 1, -1)
= (- a b + 2c, a 3b + 3c, - a 5b + 5c)
Por tanto f(i + 2j + 3k) es:
f((1, 2, 3)) = (3, 4, 4).
b.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 3:
f((1, 0, 0)) = (-1, 0, 0), f((0, 1, 0)) = (-1, -3, -5) y f((0, 0, 1)) = (2, 3, 5).
Por tanto la matriz de f es:
1 1 2
A f 0 3 3 .
0 5 5
EJ E M P L O 7.4.13
Sean A y B vectores no nulos en el plano tales que no existe constante alguna k z 0
tal que B = kA. Sea f una transformacin lineal del plano en s misma de tal manera
que f(e1) = A y f(e2) = B. Describir la imagen bajo f del rectngulo cuyos vrtices son
(0, 1), (3, 0), (0, 0), (3, 1).
SO L U C I O N
Hacemos la combinacin lineal con un vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1)
E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = aA + bkA = (a + bk)A.
Por tanto:
f((0, 1) = kA, f((3, 0)) = 3A, f((0, 0)) = y f((3, 1)) = (3 + k)A.
EJ E M P L O 7.4.14
Una transformacin lineal f : R 3 o R 2 aplica los vectores base como sigue:
f(i) = (0, 0), f(j) = (1, 1), f(k) = (1, -1).
a.- Calcular f(4i - j + k) y determinar la dimensin del ncleo y el rango de f:
b.- Determinar la matriz de f;
c.- Utilizando la base estndar en R 3 y la base {(1, 1), (1, 2)} en R 2, determinar la
matriz de f relativa a esas bases.
SO L U C I O N
a.- Hacemos la combinacin lineal con un vector (a, b, c):
D a
(a, b, c) = D(1, 0, 0) + E(0, 1, 0) + G(0, 0, 1) E b
G c
De donde
f((a, b, c)) = Df((1, 0, 0)) + Ef((0, 1, 0)) + Gf((0, 0, 1))
= a(0, 0) + b(1, 1) + c(1, -1) = (b + c, b c).
Por tanto f(4i - j + k) es:
f((4, -1, 1)) = (0, -2).
b.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 3:
f((1, 0, 0)) = (0, 0), f((0, 1, 0)) = (1, 1) y f((0, 0, 1)) = (1, -1).
Por tanto la matriz de f es:
0 1 1
Af .
0 1 1
c.- Calculamos la imagen de cada uno de los elementos de la base cannica de R 3, y
luego ste elemento lo expresamos como combinacin lineal de los elementos de la
base de llegada:
D D2 0
f((1, 0, 0)) = (0, 0) = D1(1, 1) + D2(1, 2) 1 ,
D1 2D 2 0
E1 E2 1
f((0, 1, 0)) = (1, 1) = E1(1, 1) + E2(1, 2) ,
E1 2E2 1
G1 G2 0
f((0, 0, 1)) = (1, -1) = G1(1, 1) + G2(1, 2) .
G1 2G2 0
Resolvemos estos tres sistemas de ecuaciones y obtenemos la matriz de f:
1 1 0 1 1 1 1 0 1 1 1 0 0 1 3 0 1 3
| | Af .
1 2 0 1 1 0 1 0 0 2 0 1 0 0 2 0 0 2
EJ E M P L O 7.4.15
Sea f una transformacin lineal de R 2 en s misma, tal que
f(e1) = (1, 1) y f(e2) = (-1, 2).
Sea S el cuadrado cuyos vrtices estn en (0, 0), (1, 0), (1, 1), (0, 1). Demostrar que
la imagen bajo f de este cuadrado es un paralelogramo.
SO L U C I O N
La representacin matricial de la transformacin lineal f en la base cannica de R 2 es
1 1
Af . Encontramos las imgenes de cada uno de los puntos del cuadrado:
1 2
1 1 0 0
f ((0, 0)) ,
1 2 0 0
1 1 1 1
f ((1, 0)) ,
1 2 0 1
1 11 0 1 1 0 1
f ((1,1)) , f ((0,1)) .
1 2 1 3 1 2 1 2
Graficando ambas figuras, demostramos que la imagen bajo f de este cuadrado, es un
paralelogramo.
EJ E M P L O 7.4.16
Sea :(n, n) el espacio de todas las matrices de n x n. Sea la transformacin lineal
f(A) = (A - AT). Describir el ncleo e imagen de f y determine sus correspondientes
dimensiones.
SO L U C I O N
1
Como f (A) (A - AT ) , entonces:
2
1
Nuc( f ) A / (A - AT ) = O {A / A = AT } .
2
Para encontrar la dimensin del ncleo de f, hacemos lo siguiente:
n = 1 DimNuc(f) = 1
n = 2 DimNuc(f) = 3
n = 3 DimNuc(f) = 6
n = 4 DimNuc(f) = 10
...
k
n = k DimNuc( f ) ( k 1) .
2
La imagen de f es:
1
Img( f ) B / (A - A T ) = B = {B / A - A T = 2B} .
2
La dimensin de la imagen de f, la calculamos de la siguiente manera:
n
DimU = DimNuc(f) + DimImg(f) n2 (n 1) DimImg( f )
2
n n
Dim Im g ( f ) n2 (n 1) (n 1) .
2 2
EJ E M P L O 7.4.17
Considrense los nmeros complejos C como un espacio vectorial sobre R. Defnase
la funcin f ( z ) z , donde z es el complejo conjugado del nmero complejo z.
Demuestre que f es una transformacin lineal. Hllese una base para el ncleo de f y
una base para la imagen de f.
SO L U C I O N
Si z = x + iy, entonces la transformacin tiene la forma: f(x + iy) = x iy. A
continuacin demostramos
que f es lineal:
f((Da + Ec) + i(Db + Ed)) = (Da + Ec) - i(Db + Ed) = (Da - iDb) + (Ec - iEd)
= D(a - ib) + E(c - id) = Df(z1) + Ef(z2)
Lo cual queda demostrado.
El ncleo de f es:
Nuc(f) = {x + iy / x iy = 0 + i0} Nuc(f) = {x + iy / x = y = 0}
BaseNuc(f) = {0 + i0} DimNuc(f) = 0.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 353
La imagen de f es:
Img(f) = {r + is / x iy = r + is} Img(f) = {r + is / r = x, s = -y}
BaseImg(f) = {(1, 0), (0, i)} DimImg(f) = 2.
PR O B L E M AS
7.4.3 Sea f : R 3 o R 3 una transformacin lineal tal que 7.4.10 Sea S una transformacin lineal de U en V, y
f(e3) = 2e1 + 3e2 + 7e3, f(2e2 + 3e3) = 2e1, sea T una transformacin lineal de V en W.
f(e1 e2 + e3) = 2e2 3e3: Demustrese que:
a.- Calcular f(2e1 3e2 + 5e3) y determine la dimensin a.- Si S es sobre, entonces Rang(TS) = Rang(T);
del ncleo y el rango de f. b.- Si T es uno a uno, entonces Rang(TS) = Rang(S);
b.- Determine la matriz de f. c.- Si TS es uno a uno, entonces S es uno a uno;
d.- Si TS es sobre, entonces T es sobre.
7.4.4 Sea f : R 3 o R 3 un operador lineal cuya imagen es
Img(f) = {(x, y) / x = y = z}. Demuestre que el ncleo de 7.4.11 Sea la transformacin lineal f : R 3 o R 3, definida
f es un plano en R 3 que pasa por el origen. por
f((a, b, c)) = ((k 2)a + 2b c, 2a + kb + 2c, 2ka +
7.4.5 Sea V un espacio vectorial sobre R que consiste en + 2(1 + k)b + (1 + k)c)
todas las funciones f tres veces derivables que satisfacen la Hllese, segn los valores de k, el ncleo y su imagen.
ecuacin diferencial f + f = 0. En este espacio V,
defnase la funcin g : V o V por g(f) = f , la derivada de 7.4.12 En cada uno de los literales, se define una
f. Demustrese que g es una transformacin lineal. Hllese transformacin lineal f : V o V mediante la frmula
una base tanto para el ncleo de g como para la imagen de dada para f((x, y)), donde (x, y) es un punto cualquiera
g. Cul es el rango y la nulidad de g? de V. Determinar en cada caso si f es lineal. Si f es
lineal, decir cules son el ncleo y la imagen, y calcular
7.4.6 Sea V el espacio vectorial de todos los polinomios sus correspondientes dimensiones:
reales p(x). Sean f el operador derivacin y g la a.- f hace girar cualquier punto el mismo ngulo D
transformacin lineal que aplica p(x) en xp(x). alrededor del origen. Esto es, f aplica un punto de
a.- Poner p(x) = 2 + 3x - x2 4x3 y determinar el ncleo e coordenadas polares ( r, T) en el punto de coordenadas
imagen de p a travs de cada una de las transformaciones polares ( r, T + D), donde D es fijo. Adems, f aplica
siguientes: f, g, fg, gf, fg - gf, g2f2 - f2g2; en s mismo.
b.- Determinar los polinomios p de V para los cuales b.- f aplica cada punto en su simtrico respecto a
g(p) = p; una recta fija que pasa por el origen.
c.- Determinar los polinomios p de V para los cuales c.- f aplica cada punto de coordenadas polares ( r, T) en
(fg 2f)(p) = . el punto de coordenadas (2 r, T). Adems, f aplica en
s mismo.
7.4.7 Sea f : R 3 o R 3 definida por f (v) proyu v , en d.- f aplica cada punto de coordenadas polares ( r, T) en
donde u = (0, 1, 2): el punto de coordenadas ( r, 2T). Adems, f aplica en
a.- Determinar A, la matriz de f. s mismo.
b.- Sea g la transformacin lineal representada por
I A. Demuestre que g es de la forma 7.4.13 Verifquese que la funcin de V 2 en V 2 definida
g (v) proyw1 v proyw2 v , por f0(x1, x2) = (x1 3x2, x2) es transformacin lineal.
Determnese su rango y su nulidad. Determnese la
en donde w1 y w2 son vectores fijos en R 3.
preimagen en f0 de ( a , b).
c.- Demostrar que el ncleo de f es la imagen de g.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
354 TRANSFORMACIONES LINEALES
7.4.14 Sean u y v vectores linealmente independientes c.- f es la proyeccin sobre el vector v = (1, 2, 2):
en R 3 y sea S el plano a travs de u, v y . La ecuacin x 2 y 2z
f (( x, y, z )) (1, 2, 2).
paramtrica de S es x = su + tv. Demuestre que una 9
transformacin lineal f : R 3 o R 3 transforma S sobre un d.- f es la proyeccin sobre el plano de coordenadas
plano que pasa por o sobre una lnea que pasa por o XY:
slo sobre el origen en R 3. Qu se les tiene que pedir a f((x, y, z)) = (x, y, 0).
f(u) y f(v) para que la imagen del plano S sea un plano?
7.4.20 Sea f : :nxn o :nxn definida por f(A) = A AT.
7.4.15 En cada uno de los literales, la transformacin f : Demuestre que el ncleo de f es el conjunto de las
V o V es la que se indica. Determinar, en cada caso, si f matrices simtricas de n x n.
es lineal. Si lo es, decir cules son el ncleo y la imagen
y calcular sus dimensiones cuando sean finitas: 7.4.21 Sea u = (1, -1, 7) y sea
a.- Sea V el espacio vectorial de todos los polinomios 1 3 4 3
reales p(x) de grado d n. Si p V, q = f(p) significa que
A 0 1 3 2
q(x) = p(x + 1) para todo real de x. 3 7 6 5
b.- Sea V el espacio vectorial de todas las funciones
reales derivables en el intervalo abierto (-1; 1). Si f V, Est u en el rango de la transformacin lineal?
g = f(f) significa que g(x) = xf (x) para todo x (-1; 1).
c.- Sea V el espacio vectorial de todas las funciones 7.4.22 Considere la transformacin lineal g
f : R m o
reales derivables dos veces en un intervalo abierto ( a ; b). R s. Demuestre que
Si y V, definir f(y) = y + Py + Qy siendo P y Q dos Nuc(f) Nuc(g
f), Img(g
f) = Img(g).
constantes.
7.4.23 Determinar si las transformaciones f : V o V son
7.4.16 Sea V un espacio vectorial con producto interior. lineales. Si lo son, decir cules son el ncleo y la imagen y
Para un vector fijo u diferente de cero en V, sea f : V o calcular sus dimensiones:
R la transformacin lineal f(v) = v u. Determinar el a.- Sea V el espacio vectorial de todos los polinomios
ncleo y la imagen de f. Luego determinar la nulidad y reales p(x) de grado menor o igual a n. Si p V, q = f(p)
rango de f. significa que q(x) = p(x + 1), para toda x R;
b.- Sea V el espacio vectorial de todas las funciones
7.4.17 Sea f : R 3 o R 2 una transformacin lineal tal que reales derivables en el intervalo abierto (-1; 1). Si f V,
f((1, 1, 0)) = f((1, 1, 1)) = (0, 0), f((2, 3, -1)) z . g = f(f) significa que g(x) = xf '(x) para toda x (-1; 1);
Demuestre que el ncleo de f es un plano en R 3 que pasa c.- Sea V el espacio vectorial de todas las funciones reales
por el origen. Halle su ecuacin. continuas en [a; b]. Si f V, g = f(f) significa que
b
7.4.27 Sea f : R n o R m una transformacin lineal. 7.4.34 Sean U y V dos espacios vectoriales, ambos de
Demuestre que si n < m, f no puede ser sobreyectiva. dimensin 2 y con la misma base {u, v}. Sea f : U o V
Puede ser inyectiva? una transformacin lineal tal que
f(2u v) = 2u + v y f(2u + 5v) = 2u 3v:
7.4.28 Una transformacin lineal f : R 3 o R 2 aplica los a.- Calcular f(u v) y determinar la dimensin del
vectores base de la siguiente manera: f(e1) = , f(e2) = ncleo y el rango de f.
(1, -1), f(e3) = (-1,1): b.- Determine la matriz de f relativa a la base dada.
a.- Calcular f(2e1 5e2 + 3e3) y determinar la dimensin c.- Utilizar para V la base {u, v} y hallar una nueva
del ncleo y el rango de f. base de la forma {2u + Dv, 3u + Ev} para V, para la cual
b.- Determine la matriz de f. la matriz de f tenga la forma diagonal.
c.- Utilizando la base cannica de R 3 y la base {(1, -1),
(-1, -1)} en R 2, determine la matriz de f relativa a esas 7.4.35 Una transformacin lineal f : R 2 o R 3 aplica los
bases. vectores base de la siguiente forma: f(e1) = (-1, 2, 1),
d.- Hallar las bases {u1, u2, u3} para R 3 y {v1, v2} para f(e2) = (1, -1, -1):
R 2 para las cuales la matriz de f tenga la forma diagonal. a.- Calcular f(5e12e2) y determinar la dimensin del
ncleo y el rango de f.
7.4.29 Demustrese que la derivada es una b.- Determinar la matriz de f.
transformacin lineal de P en s mismo, que no es uno a c.- Hallar bases {u1, u2} para R 2 y {v1, v2, v3} para R 3,
uno, aunque s es sobre. para las cuales la matriz de f tiene forma diagonal.
b.- f(x1, x2, x3) = (x1, x2 - x3); 7.4.40 Sean f : R n o R s y g : R n o R s dos operadores
c.- f(x1, x2) = (x1 x2, x1 + x2); lineales. Demuestre que si g es inyectiva, entonces
d.- f(x1, x2, x3, x4) = (x1 + x4, x2 + x3). Nuc(f) = Nuc(g
f), y si f es inyectiva, entonces Img(g) =
Img(g
f).
En esta seccin se analizarn las transformaciones lineales uno a uno y sobreyectivas. Demostraremos que una
transformacin lineal inversible es tambin una transformacin lineal. Enunciaremos y demostraremos sus
propiedades ms importantes.
D E F I N I C I O N 7.5.1
Una transformacin lineal f de U en V se dice que es inyectiva, si y slo
si f(u) = f(v) donde u = v.
D E F IN I C I O N 7.5.2
Se dice que una transformacin lineal f de U en V, es un isomorfismo si es
inyectiva. Se dice entonces que los espacios vectoriales U y V son
isomorfos si existe un isomorfismo de U sobre V.
T E O R E M A 7.5.1
Sea f una transformacin lineal de U en V. Entonces f es inyectiva, si y
solamente si, Nuc(f) = .
D E M OST R A C I O N
Primero considere que Nuc(f) = . Suponga que f(u) = f(v). Debemos demostrar que
u = v. De f(u) = f(v), obtenemos f(u v) = . Por tanto, u v est en Nuc(f) y, en
consecuencia tenemos que u v = . Por consiguiente, u = v. Ahora considere que f
es inyectiva. Suponga que el vector u est en Nuc(f). En consecuencia, f(u) = y,
por supuesto, f() = . Debido a que f es inyectiva, debemos tener u = . Por
consiguiente, f() = .
D E F I N I C I O N 7.5.3
Sea f una transformacin lineal de U en V. Diremos que f es sobreyectiva
si la imagen de la transformacin f es todo U.
T E O R E M A 7.5.2
Sea f una transformacin lineal de U en V. Si U es un espacio vectorial
de tipo finito, una transformacin lineal f es sobreyectiva si, y slo si,
Img(f) = U.
D E M OST R A C I O N
Esta afirmacin, no es ms que la definicin de sobreyectividad, puesto que Img(f) es
el valor de los valores funcionales bajo f, y f es sobreyectiva, si y slo si este
conjunto de valores funcionales coincide con U. Es decir:
T E O R E M A 7.5.3
Sea f una transformacin lineal de U en V y sea DimU = DimV.
Entonces f es biyectiva si y slo si f es sobreyectiva.
D E M OST R A C I O N
Tenemos que DimImg(f) = DimU DimNuc(f). Supngase que f es inyectiva.
Entonces tenemos que Nuc(f) = y, por tanto, DimNuc(f) = 0. Por consiguiente,
DimImg(f) = DimU y vemos que, DimImg(f) = DimV, puesto que DimU = DimV.
Pero la imagen de f es un subespacio de V, de manera que DimImg(f) = DimV obliga
a que Img(f) = V. As pues, como f es sobreyectiva, adems de ser inyectiva, f es
biyectiva. Suponga ahora que f es sobreyectiva. Entonces Img(f) = V. Por tanto,
DimImg(f) = DimV, y DimImg(f) = DimU. Pero DimU = DimImg(f) + DimNuc(f) y,
por consiguiente, DimNuc(f) = 0. El nico subespacio de U con dimensin cero es el
subespacio cero. En consecuencia, Nuc(f) = , y as, f es inyectiva. De manera que f
es inyectiva y tambin es sobreyectiva. Consecuentemente, f es biyectiva.
D E F IN I C I O N 7.5.4
Las transformaciones lineales que son a la vez inyectivas y sobreyectivas,
se llaman isomorfismos, y se dice que son inversibles.
T E O R E M A 7.5.4
Sea f una transformacin lineal de U en V, y supngase que esta
transformacin tiene una transformacin inversa f -1 de V en U. Entonces,
f -1 es una transformacin lineal.
D E M OST R A C I O N
Sean v1, v2 V. Debemos demostrar primero que f -1(v1 + v2) = f -1(v1) + f -1(v2). Sean
v1 = f(u1) y v2 = f(u2), entonces
f(au + bv) = af(u) + bf(v) = av1 + bv2.
Si u = f -1(v), donde f(u) = v, implica que
f -1(av1 + bv2) = au1 + bu2 = af -1(v1) + bf -1(v2)
con lo que concluimos que f -1 es una transformacin lineal.
T E O R E M A 7.5.5
Sean U y V espacios vectoriales de dimensin finita con DimU = DimV y
sea f una transformacin lineal de U en V. Entonces:
a.- Cualquier inversa a la izquierda de f es una inversa bilateral;
b.- Cualquier inversa a la derecha de f es una inversa bilateral.
D E M OST R A C I O N
Si f : U o V tiene una inversa a la izquierda f -1 : V o U, entonces, sabemos que f es
inyectiva y f tambin es sobreyectiva. Por tanto, f es biyectiva y, en consecuencia, f
tiene una inversa bilateral que es igual a f -1. Esto demuestra la primera parte. Si
ahora f -1 : V o U es una inversa a la derecha de f, entonces f es sobreyectiva. Por
consiguiente, f es biyectiva y, en consecuencia f tiene una inversa bilateral que es
igual a f -1. Hemos completado la demostracin de la segunda parte.
EJ E M P L O 7.5.1
Determine todos los valores del nmero real k tales que la transformacin lineal
f : R 2 o R 2, definida por f(e1) = e1 + ke2, f(e2) = e1 ke2, no sea inversible. Aqu
S = {e1, e2} es la base cannica de R 2. Cuando f sea inversible, hllese f -1(e1) y
f -1(e2). Cuando f no sea inversible, hllense la nulidad de f y el rango de f.
SO L U C I O N
Hacemos la combinacin lineal con el vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1) = (D, E) .
E b
f((a, b)) = af((1, 0)) + bf((0, 1)) = a(1, k) + b(1, -k) = (a + b, ka - kb).
Esta transformacin lineal, tiene como representacin matricial la matriz:
1 1
k k
Para que esta transformacin lineal no sea inversible, entonces el determinante de la
representacin matricial debe ser cero. Es decir:
1 1
0 k = 0.
k k
Para encontrar la transformacin lineal inversa, hacemos f((a, b)) = (r, s) y luego
resolvemos el sistema que genera:
a b r 1 1 r 1 1 r 2 k 0 kr s
| |
ka kb s k k s 0 2 k kr s 0 2 k kr s
Y obtenemos
kr s
a 2k kr s kr s
f 1 (( r , s)) , ,
b kr s 2k 2k
2k
1 1 1 1
f 1 ((1, 0)) , , f 1 ((0,1)) , , k z 0.
2 2 2k 2k
Si f no es inversible, entonces k = 0 y f((a, b)) = (a + b, 0), entonces:
a + b = 0 a = -b Nuc(f) = {(a, b) / a = -b};
BaseNuc(f) = {(-1, 1)} Nul(f) = 1.
a b r
Img(f) = {(r, s) / r = a + b, s = 0};
0 s
BaseImg(f) = {(1, 0)} Rang(f) = 1.
es siempre una inversa bilateral. Adems, sabemos que dicha inversa es siempre una
transformacin lineal.
T E O R E M A 7.5.6
Sean U, V y W espacios vectoriales sobre K de dimensin finita con
DimU = DimV = DimW. Sean las transformaciones lineales f de U en V
y g de V en W. Entonces:
a.- gf es inversible si y slo si tanto f como g son inversibles;
b.- Si f y g son inversibles, tenemos que (gf)-1 = f -1g 1;
c.- Si f es inversible, entonces tambin lo es f -1 y (f -1)-1 = f.
D E M OST R A C I O N
Suponga que gf es inversible. Sea h de W en U la inversa de gf. Entonces
h(gf) = i(U) y (gf)h = i(W). Por tanto, (hg)f = i(U) lo que implica que f tiene una
inversa a la izquierda hg. Adems, g(fh) = i(W) lo que implica que g tiene una
inversa a la derecha fh. Por consiguiente, si gf tiene una inversa, entonces tanto g
como f tienen inversas. Suponga ahora que g y f tienen inversas. Entonces g y f
son biyectivas, de modo que gf es biyectiva y, en consecuencia, tiene una inversa;
adems, (gf)-1 = f -1g -1. Si f tiene inversa entonces f es biyectiva, como
demostramos anteriormente f -1 es una transformacin lineal de V en U y si f -1 es
biyectiva, entonces (f -1)-1 tambin es una transformacin lineal y ( f -1)-1 = f, que es
la transformacin lineal original.
EJ E M P L O 7.5.2
Verificar que la transformacin lineal f : R 3 o R 3 definida por
f((a, b, c)) = (2a + c, 2c + a, 2a + b)
es inyectiva.
SO L U C I O N
Nuc(f) = {u R 3 / f(u) = , R 3}
= {(a, b, c) / (2a + c, 2c + a, 2a + b) = (0, 0, 0)}
Resolviendo el sistema de ecuaciones
2a c 0
a 2c 0
2 a b 0
obtenemos
Nuc(f) = {(a, b, c) / a = b = c = 0} Dim Nuc(f) = 0.
Por lo tanto f es inyectiva.
EJ E M P L O 7.5.3
En un espacio vectorial con base {e1, e2} se da la transformacin lineal f. Hallar la
matriz de la transformacin inversa si f(e1) = e2, f(e2) = e1.
SO L U C I O N
Hacemos la combinacin lineal con un vector (a, b):
D a
(a, b) = D(1, 0) + E(0, 1)
E b
De donde
f((a, b)) = Df((1, 0)) + Ef((0, 1)) = a(0, 1) + b(1, 0) = (b, a).
Por tanto:
0 1
f -1((r, s) = (s, r) A f 1 .
1 0
EJ E M P L O 7.5.4
Encuentre la transformacin lineal f 1 de la transformacin f : R 3 o R 3 definida
por f((a, b, c)) = (2b + c, 2c + a, 2a + b).
SO L U C I O N
Por definicin, tenemos que
2b c r
a 2c s
2a b t
Resolvemos este sistema de ecuaciones
0 2 1 r 0 2 1 r 0 2 1 r
1 0 2 s | 1 0 2 s | 1 0 2 s
2 1 0 t 0 1 4 2s t 0 0 9 r 4s 2t
0 9 0 4 r 2s t
9 0 0 2 r s 4t
0 0 9 r 4 s 2t
La solucin del sistema es
2 r s 4t
a 9
4 r 2s t
b
9
r 4 s 2t
c 9
La transformacin lineal inversa es
2 r s 4t 4 r 2s t r 4s 2t
f 1 (( r , s, t )) , , .
9 9 9
EJ E M P L O 7.5.5
La transformacin lineal f consiste en girar cada vector del plano X0Y un ngulo S/4.
Hallar la matriz de g = f + f -1.
SO L U C I O N
La transformacin lineal f est dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2 2 1 1
f (( a , b)) ( a b, a b) A f
2 2 1 1
Por consiguiente, la transformacin lineal inversa es:
1 1 1 1
f 1 (( r , s)) ( r s, r s) A f 1
2 2 1 1
La matriz de la transformacin lineal g = f + f 1, est dada por:
2 1 1 1 1 1 2 0
A g A f A f 1 .
2 1 1 2 1 1 0 2
EJ E M P L O 7.5.6
La transformacin lineal f consiste en girar cada vector del plano X0Y en el ngulo
S/4. Hallar la representacin matricial f -2.
SO L U C I O N
La transformacin lineal f est dada por las ecuaciones:
f((e1)) = e1 Cos(S/4) + e2Sen(S/4) y f((e2)) = e1 Cos(3S/4) + e2Sen(3S/4)
Lo que es lo mismo:
2
f (( a , b)) ( a b, a b)
2
PR O B L E M AS
7.5.1 Sea V un espacio vectorial. Sea f de L(V, V). b.- Determnese la inversa de D.
Demuestre que si f es inversible, entonces f2 = f implica c.- Verifquese que I + D, I D e I D2 son
siempre que f = i. Es esto necesariamente cierto para f no transformaciones lineales no singulares de U.
inversible? d.- Demustrese que I + D2 es transformacin lineal
singular de U.
7.5.2 Demustrese que cada uno de las transformaciones e.- Examnese la singularidad o no singularidad de
lineales siguientes es no singular, y encuntrese la I + a D, donde a es entero.
transformacin lineal inversa que le corresponde: f.- Examnese la singularidad o no singularidad de
a.- f(x, y) = (x, 2y); I + a D2, donde a es entero.
b.- f(x, y) = (3x + y, 5x + 2y);
c.- f(x, y, z) = (x + y, y + z, z); 7.5.7 Sea V el espacio vectorial de todos los polinomios
d.- f(x, y, z) = (x, x y, y z); p(x). Sean f, g y h funciones que aplican un polinomio
e.- f(x, y, z) = (y, x + z, y z); cualquiera p(x) = a 0 + a 1x + a 2x2 + ... + a nxn de V en los
f.- f(x, y, z) = (x + y, y + 2z, x + y + z). polinomios r(x), s(x) y t(x) respectivamente, siendo
r(x) = p(0),
7.5.3 Sea B una matriz no singular de n x n. Demuestre n n
que la transformacin lineal f : : o : definida por s( x) ak x k 1 , t ( x) ak x k 1
k 1 k 0
f(A) = AB es un isomorfismo.
a.- Poner p(x) = 2 + 3x x2 + x3 y determinar la imagen
7.5.4 Sean a , b, c, d nmeros dados y considere la de p a travs de cada una de las transformaciones
siguientes: f, g, h, gh, hg, (hg)2, h2g2, g2h2, hfg, fgh.
ax b
funcin f ( x) . Sea g otra funcin de la misma b.- Demuestre que f, g y h son lineales y determinar el
cx d ncleo y la imagen de cada una.
forma. Demuestre que gqf donde gf(x) = g(f(x)) es una c.- Demuestre que f es uno a uno en V y determine su
funcin que tambin se puede escribir en la misma inversa.
forma. Demuestre que cada una de estas funciones se d.- Si n t 1, expresar (hg)n y gnhn en funcin de I y f.
puede representar por una matriz, de tal modo que la
matriz que representa a gqf es el producto de las matrices 7.5.8 Sea
que representan a g y f. Demuestre que la funcin inversa f(x, y, z, u) = (0, x, y + 2x, z + 2y + 3x).
existe s y slo si ad - bc z 0. A qu se reduce la Demustrese que:
funcin si ad bc = 0? a.- f4 = O;
b.- I f es no singular;
7.5.5 Una transformacin lineal f de V en V es nilpotente c.- I + f + f2 + f3 = (I f)-1;
si para algn entero positivo k, fk = . Demuestre: d.- I + f es no singular;
a.- Si f es inversible, entonces f no es nilpotente. Es cierta e.- I + 2f es no singular;
la recproca de esta afirmacin? f.- Si a es no negativo, I af es no singular.
b.- Si f es nilpotente, entonces i + f es inversible.
Demuestre que (i + f)-1 = i f + f2 f3 + ... + (-1)k-1fk-1. 7.5.9 Suponga que U = Span^ex, e2x enx `.
Demustrese la validez de los enunciados siguientes:
7.5.6 Suponga que U = Span^Senx, Cosx, Sen2x, Cos2x, a.- La derivada D es transformacin lineal no singular
`: x
a.- Verifquese que D es transformacin lineal no de U y su inversa es la integral f f (t )dt .
singular de U. b.- I + D es transformacin lineal no singular de U;
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
362 TRANSFORMACIONES LINEALES
7.5.10 Sea V un espacio vectorial. Sea f de L(V, V). 7.5.15 Sea f una transformacin lineal de R 3 con la
Suponga que para algunos escalares a1, a2, ..., an de K, y propiedad de que f(e1) = e2, f(e2) = e3, f(e3) = e1:
algn entero positivo n, tenemos que fn + a1fn-1 + a2fn-2 + ... a.- Encuntrense f2(e i) y f3(e i) para i = 1, 2, 3, y, en
+ an-1f + ani = . Demuestre que si an z 0, entonces f es consecuencia, verifquese que f3 = I .
inversible. Hllese f -1 en funcin de f en este caso. b.- Verifquese que f -1 = f2.
c.- D una interpretacin geomtrica de f.
7.5.11 Sea f : :2x3 o :3x2 definida por f(A) = AT.
Demuestre que f es un isomorfismo y determine la matriz 7.5.16 Sea V = {0, 1}. Describir todas las funciones
para la inversa de f. f : V o V. En total son cuatro. Desgnense con g, h, r, s
y construir una tabla de multiplicacin que muestre la
7.5.12 Demuestre que una transformacin lineal composicin de cada par. Indicar cules son uno a uno
f : R n o R m con n z m, no puede ser inversible. en V y dar sus inversas.
7.5.13 Sea f una transformacin lineal de R 3 con la 7.5.17 Sea V = {0, 1, 2}. Describir todas las funciones
propiedad de que f : V o V para las cuales f(V) = V. En total son seis.
f(e1) = e2 + e3, f(e2) = e3 + e1, f(e3) = e1 + e2: Desgnense con f1, f2, f3, f4, f5, f6 y construir una tabla de
a.- Encuntrense f2(e i) y f3( e i) para i = 1, 2, 3, y, en multiplicacin que muestre la composicin de cada par.
consecuencia, verifquese que f3 = 3f + 2 I . Indicar cules son uno a uno en V, y dar sus inversas.
1 2
b.- Verifquese que f 1 ( f 3I ) .
2
7.6 T R A NSF O R M A C I O N ES G R A F I C AS E N R 2
Es fundamental para todos los sistemas de grficas por computadora la capacidad de simular tanto el movimiento
como el manejo de objetos. Estos procesos se describen en trminos de traslaciones, rotaciones, puestas en escala
y reflexiones. El objetivo aqu es explicar estas operaciones en una forma matemtica adecuada para su
procesamiento por computadora, y mostrar la forma en que se emplean para lograr los fines del manejo y
movimiento de objetos.
1 0 1 0
Mx Mx
0 1 0 1
1 0 1 0
My My
1 1 0 1
La transformacin de traslacin no puede expresarse como una funcin matricial
de 2 x 2. Sin embargo, cierto artificio permite introducir una funcin matricial de
3 x 3 que efecta la transformacin de traslacin. Se representa el par ordenado
(x, y) de un punto P por medio de la trada (x, y, 1). Esta es simplemente la
representacin homognea de P. Entonces, la traslacin en la direccin v = txi +
tyj puede expresarse por medio de la funcin matricial
1 0 tx
Tv 0 1 t y
0 0 1
Entonces
1 0 tx x x tx
0 1 ty y y ty
0 0 1 1 1
A partir de esto se extrae el par coordenado(x + tx, y + ty).
La ventaja de introducir una forma matricial para la traslacin es que ahora es
posible construir transformaciones complejas al multiplicar las transformaciones
matriciales bsicas. En ocasiones, este proceso recibe el nombre de concatenacin
de matrices. Aqu se est empleando el hecho de que la composicin de funciones
matriciales es equivalente a la multiplicacin de matrices. Debe ser posible
representar las transformaciones bsicas como matrices coordenadas homogneas
de 3 x 3 para que sean compatibles (desde el punto de vista de multiplicacin
matricial) con la matriz de traslacin. Esto se logra aumentando las matrices de
2 x 2 con una tercera columna y una tercera fila. Esto es
a b 0
c d 0 .
0 0 1
E J E M P L O 7.6.1
Encuentre la transformacin que gira un punto objeto T con respecto al origen.
Escrbase la representacin matricial para esta rotacin.
SO L U C I O N
La definicin de las funciones trigonomtricas nos da
x rCos(T I) x rCosI
y
y r S en ( T I) y rSenI
Mediante identidades trigonomtricas, se obtiene
rCos(T I) r ( CosT CosI SenTSenI) xCosT ySenT
rSen(T I) r ( SenT CosI CosTSenI) xSenT yCosT
x xCosT ySenT
y xSenT yCosT
x x CosT SenT
Escribiendo P , P , y R T
y
y SenT CosT
A B C
0 1 5
0 1 2
1 1 1
a.- La matriz de rotacin es
2 2
0
2 2
Cos 45 Sen 45 0
2 2
R 45 Sen 45 Cos 45 0 0
2 2
0
0 1
0 0 1
De manera que las coordenadas ABC del tringulo girado ABC se obtienen
como
2
2 3 2
0 0 0
2 2 0 1 5 2
2 2 7 2
> ABC@ R 45 > ABC@ 00 1 2 0 2
2 2 1 1 1 2
0 0 1 1 1 1
De esta manera, obtenemos los nuevos vrtices del tringulo rotado:
3 2 7 2
A(0, 0), B(0, 2), C , .
2 2
b.- La matriz de rotacin est dada por R 45,P Tv R 45 Tv , en donde v = i +
j. De modo que
2 2 2 2
0 1
2 2 1 0 1 2 2
1 0 1
2 2 2 2
R T,P 0 1 1 2 2
0 0 1 1 2 1
0 0 1 0 0 1 2 2
0 0 1 0 0 1
Ahora
2 2
1
2 2 0 1 5
2 2
> ABC@ R 45 > ABC @ 2 1 0 1 2
2 2 1 1 1
0 0 1
1 1 3 2 1
9 2 2
2 1 2 2 1 2
1 1 1
De esta manera, obtenemos los nuevos vrtices del tringulo rotado:
3 2 7 2
A(1, 2 1) , B(1, 2 2 1) , C , .
2 2
E J E M P L O 7.6.6
Determine la transformacin que pone en escala (respecto al origen) en:
a.- a unidades en la direccin X;
b.- b unidades en la direccin Y;
c.- en forma simultnea a unidades en direccin X y b unidades en direccin Y.
SO L U C I O N
a.- La transformacin de escala aplicada a un punto P(x, y) produce el punto
( ax, y). Esto puede escribirse en forma matricial como
a 0 x ax
Sa ,1 P
0 1 y y
b.- Como en el literal anterior, la transformacin requerida puede escribirse en
forma matricial como
1 0 x x
S1,b P
0 b y by
c.- La puesta en escala en ambas direcciones est descrita por la transformacin
x = ax y y = by. Al escribir esto en forma matricial como
a 0 x ax
Sa , b P .
0 b y by
E J E M P L O 7.6.7
Escriba la forma general de una matriz de puesta en escala con respecto a un
punto fijo P(h, k).
SO L U C I O N
Siguiendo el mismo procedimiento general, se escribe la transformacin requerida
con v = -hi kj como
1 0 h a 0 0 1 0 h a 0 ah h
Sa ,b,P Tv Sa ,b Tv 0 1 k 0 b 0 0 1 k 0 b bk k .
0 0 1 0 0 1 0 0 1 0 0 1
E J E M P L O 7.6.8
Amplifquese el tringulo con vrtices A(0, 0), B(1, 1) y C(5, 2) al doble de su
tamao manteniendo fijo el vrtice C(5, 2).
SO L U C I O N
Es posible escribir la transformacin requerida con v = -5 i 2 j como
1 0 5 2 0 0 1 0 5 2 0 5
S2,2,C Tv S2,2 Tv 0 1 2 0 2 0 0 1 2 0 2 2
0 0 1 0 0 1 0 0 1 0 0 1
Representando un punto P con coordenadas (x, y) por medio del vector columna
x
y , se tiene
1
2 0 5 0 5 2 0 5 1 3
S2,2,C A 0 2 2 0 2 ; S2,2,C B 0 2 2 1 0 ;
0 0 1 1 1 0 0 1 1 1
2 0 5 5 5
S2,2,C C 0 2 2 2 2
0 0 1 1 1
De manera que A(-5, -2), B(-3, 0) y C(5, 2). Obsrvese que ya que el tringulo
ABC est completamente determinado por sus vrtices, podra haberse ahorrado
mucha escritura al representar los vrtices con una matriz de 3 x 3
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
370 TRANSFORMACIONES LINEALES
0 1 5
> ABC @ 0 1 2
1 1 1
y aplicando S2,2,C a esto. Entonces
2 0 5 0 1 5 5 3 5
S2,2,C > ABC@ 0 2 2 0 1 2 2 0 2 >ABC@ .
0 0 1 1 1 1 1 1 1
E J E M P L O 7.6.9
Descrbase la transformacin ML que refleja un objeto con respecto a una recta L.
SO L U C I O N
Considere que la lnea L de la figura tiene una interseccin con el eje Y en (0, b)
y un ngulo de inclinacin de T grados (respecto al eje X). Se reduce la
descripcin a transformaciones conocidas:
1. Trasladar (0, b) al origen.
2. Rotar -T grados de manera que la recta L se alinee con el eje X.
3. Efectuar una reflexin de espejo con respecto al eje X.
4. Girar de nuevo T grados.
5. Trasladar el origen de nuevo al punto (0, b).
En notacin de transformacin, se tiene
ML Tv R M x R Tv
en donde v = -bj.
E J E M P L O 7.6.10
Obtngase la forma de la matriz para realizar reflexin con respecto a una recta L
de pendiente m e interseccin con el eje Y en el punto (0, b).
SO L U C I O N
Aplicando el hecho de que el ngulo de inclinacin de una recta est relacionado
con su pendiente m por la ecuacin TanT = m, se tiene con v = -bj
ML Tv R M x R Tv
1 0 0 CosT SenT 0 1 0 0 CosT SenT 0 1 0 0
0 1 b SenT CosT 0 0 1 0 SenT CosT 0 0 1 b .
0 0 1 0 0 1 1
0 0 1 0 0 0 0 1
Ahora, si TanT = m, la trigonometra elemental da
m
SenT
m2 1
CosT 1
m2 1
Sustituyendo estos valores en vez de SenT y CosT despus de la multiplicacin de
matrices, se tiene
1 m2 2m 2bm
2 2 2
m 1 m 1 m 1
2m m2 1 2b
ML 2 .
m 1 m2 1 m2 1
0 0 1
E J E M P L O 7.6.11
Realice la reflexin del polgono en forma de diamante cuyos vrtices estn en
A(-1, 0), B(0, -2), C(1, 0) y D(0, 2) con respecto:
a.- La recta horizontal y = 1;
b.- La recta vertical x = 2;
c.- La recta y = x + 2.
SO L U C I O N
Se representan los vrtices del polgono por medio de la matriz coordenada
homognea
1 0 1 0
V 0 2 0 2
1 1 1 1
La matriz de reflexin puede escribirse como
ML Tv R M x R Tv
a.- La recta y = 2 tiene interseccin con el eje Y en el punto (0, 2) y forma un
ngulo de 0 con el eje X. De manera que con T = 0 y v = -2 j, la matriz de
transformacin es
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
M L 0 1 2 0 1 0 0 1 0 0 1 0 0 1 2 0 1 4
0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
Esta misma matriz podra haberse obtenido directamente utilizando los resultados
del ejemplo anterior con pendiente m = 0 e interseccin con el eje Y en b = 0.
Para reflejar el polgono, se iguala
1 0 0 1 0 1 0 1 0 1 0
M L V 0 1 4 0 2 0 2 4 6 4 2
0 0 1 1 1 1 1 1 1 1 1
Convirtiendo de coordenadas homogneas A(-1, 4), B(0, 6), C(1, 4), D(0, 2).
b.- La recta vertical x = 2 carece de interseccin con el eje Y y tiene pendiente
infinita. Puede utilizarse My, reflexin con respecto al eje Y, para escribir la
reflexin deseada:
1. Trasladando la recta dada dos unidades hacia arriba al eje Y;
2. Realizando reflexin con respecto al eje Y;
3. Trasladando hacia atrs dos unidades.
De manera que con v = -2 i
1 0 2 1 0 0 1 0 2 1 0 4
M L Tv M y Tv 0 1 0 0 1 0 0 1 0 0 1 0
0 0 1 0 0 1 0 0 1 0 0 1
Por ltimo
1 0 4 1 0 1 0 5 4 3 4
M L V 0 1 0 0 2 0 2 0 2 0 2
0 0 1 1 1 1 1 1 1 1 1
Convirtiendo de coordenadas homogneas A(5, 0), B(4, -2), C(3, 0), D(4, 2).
c.- La recta y = x + 2 tiene pendiente 1 e interseccin con el eje Y en el punto
(0, 2). A partir del ejemplo anterior, con m = 1 y b = 2, se tiene
0 1 2
ML 1 0 2
0 0 1
Ahora es posible determinar las coordenadas necesarias A, B, C y D
0 1 2 1 0 1 0 2 4 2 0
M L V 1 0 2 0 2 0 2 1 2 3 2
0 0 1 1 1 1 1 1 1 1 1
De manera que A(-2, 1), B(-4, 2), C(-2, 3) y D(0, 2).
E J E M P L O 7.6.12
Un observador que se encuentra en el origen ve un punto P(1, 1). Si el punto se
traslada una unidad en la direccin v = i, su nueva posicin coordenada es
P(2, 1). Supngase que, en vez de esto, el observador retrocede una unidad sobre
el eje X. Cules seran las coordenadas aparentes de P con respecto al
observador?
SO L U C I O N
El problema puede plantearse como una transformacin de sistemas coordenadas.
Si se traslada el origen O en la direccin v = -i (a una nueva posicin en O), las
coordenadas P en este sistema pueden obtenerse por medio de la traslacin T v :
1 0 1 1 2
T v P 0 1 0 1 1
0 0 1 1 1
De manera que las nuevas coordenadas son (2, 1). Esto tiene la interpretacin
que sigue: un desplazamiento de una unidad en una direccin dada puede lograrse
ya sea trasladando el objeto hacia delante o alejndose de l.
E J E M P L O 7.6.13
Un objeto est definido con respecto a un sistema coordenado cuyas unidades
estn mediadas en pies. Si el sistema coordenado de un observador utiliza
pulgadas como unidad bsica, cul es la transformacin de coordenadas
empleada para describir las coordenadas del objeto en el sistema coordenado del
observador?
SO L U C I O N
Ya que hay 12 pulgadas en un pie, la transformacin requerida puede describirse
1
por medio de una transformacin de escala coordenada con s o
2
1
1/12 0
12 0
S1/12
0 1 0 12
1/12
y as
x 12 0 x 12 x
S1/12 .
y 0 12 y 12 y
E J E M P L O 7.6.14
Obtngase la ecuacin del crculo (x)2 + (y)2 = 1 en trminos de coordenadas
XY, considerando que el sistema coordenado XY es el resultado de una puesta
en escala a unidades en la direccin X y b unidades en la direccin Y.
SO L U C I O N
A partir de las ecuaciones para una transformacin de escala coordenada, se
obtiene
1 1
x x y y y
a b
Sustituyendo, se tiene
x y
2 2
1
a b
Obsrvese que, como resultado de la puesta en escala, la ecuacin del crculo se
transforma en la ecuacin de una elipse en el sistema coordenado XY.
E J E M P L O 7.6.15
Obtngase la ecuacin de la recta y = mx + b en las coordenadas XY si el
sistema coordenado XY es el resultado de una rotacin de 90 del sistema
coordenado XY.
SO L U C I O N
Las ecuaciones de transformacin de coordenadas de una rotacin pueden
escribirse como
x xCos90 ySen90 y
y xSen90 yCos90 x
Sustituyendo, se tiene x = my + b. Resolviendo para y, se tiene
1 b
y x .
m m
A continuacin y de forma general, enumeramos los operadores en R 2 que
transforman cada vector en su imagen simtrica con respecto a alguna recta y se
denominan operadores reflexin. As mismo, encontramos los operadores
proyeccin ortogonal y rotacin:
Reflexin respecto al eje Y:
x x 1 0
y y 0 1
Reflexin respecto al eje X:
x x 1 0
y y 0 1
Reflexin respecto a la recta y = x:
x y 0 1
y x 1 0
Proyeccin ortogonal sobre el eje X:
x x 1 0
y 0 0 0
7.7 T R A NSF O R M A C I O N ES G R A F I C AS E N R 3
La rotacin en tres dimensiones es mucho ms compleja que la rotacin en dos
dimensiones. En dos dimensiones, una rotacin est prescrita por un ngulo de
rotacin T y un centro de rotacin P. Las rotaciones tridimensionales requieren la
prescripcin de un ngulo de rotacin y de un eje de rotacin.
Las rotaciones cannicas estn definidas cuando se elige uno de los ejes
coordenados positivos X, Y o Z como eje de rotacin. Entonces la construccin
de la transformacin de rotacin procede igual que la de una rotacin en dos
dimensiones, con respecto al origen.
Rotacin con respecto al eje Z
x xCosT ySenT
R T, k : y xSenT yCosT
z z
Rotacin con respecto al eje Y
x xCosT zSenT
R T, j : y y
z xSenT zCosT
Rotacin con respecto al eje X
x x
R T,i : y yCosT zSenT
z ySenT zCosT
Obsrvese que la direccin de un ngulo positivo de rotacin se elige de acuerdo
con la regla de la mano derecha respecto al eje de rotacin. Las transformaciones
matriciales correspondientes son
CosT SenT 0 CosT 0 SenT
R T, k SenT CosT 0 ; R T, j 0 1 0 ;
0 0 1 SenT 0 CosT
1 0 0
R T, i 0 CosT S enT .
0 SenT CosT
El caso general de rotacin en relacin con un eje L puede construirse a partir de
estas rotaciones cannicas mediante la multiplicacin de matrices.
T R A NSF O R M A C I O N ES D E C O O R D E N A D AS
Tambin es posible lograr los efectos de traslacin, puesta en escala y rotacin al
mover al observador que ve el objeto y manteniendo estacionario el objeto. Este
tipo de transformacin se denomina transformacin de coordenadas. Primero se
fija un sistema coordenado al observador y despus se le traslada junto con el
sistema coordenado agregado. A continuacin, se vuelven a calcular las
coordenadas del objeto observado respecto al nuevo sistema coordenado del
observador. Los nuevos valores coordenados sern exactamente los mismos que
si el observador hubiera permanecido estacionario y el objeto se hubiera movido,
correspondiendo a una transformacin geomtrica.
Si el desplazamiento del sistema coordenado del observador hacia una nueva
posicin est prescrito por un vector v = ai + bj + ck , un punto P(x, y, z), en el
sistema coordenado original tiene coordenadas P(x, y, z) en el nuevo sistema
coordenado, y
x x a
T v : y y b
z z c
La obtencin de esta transformacin es completamente anloga a la de la
transformacin bidimensional. Obtenciones semejantes se cumplen para
transformaciones de puesta en escala de coordenadas y rotacin de coordenadas.
Como en el caso bidimensional, se resumen las relaciones entre las formas
matricules de las transformaciones de coordenadas y las transformaciones
geomtricas:
Transf. de coord. Transf. Geom.
Traslacin Tv T v
Rotacin RT R T
Puesta en escala S1
Ssx , s y , sz 1 1
, ,
sx s y sz
Las transformaciones geomtricas y de coordenadas inversas se construyen al
efectuar la operacin inversa. En esta forma, para transformaciones de
coordenadas (y, de manera semejante, para transformaciones geomtricas):
1 1
Tv T v ; RT R T ; Ssx , s y , sz S1
1 1
, ,
sx s y sz
T R A NSF O R M A C I O N ES C O M PU EST AS Y CONCATENACION DE
M A T R I C ES
Transformaciones geomtricas y coordenadas ms complejas se forman a travs
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 377
E J E M P L O 7.7.2
Obtngase una transformacin Av que alinea un vector dado v con el vector k a lo
largo del eje Z positivo.
SO L U C I O N
Segn la figura a). Sea v = ai + bj + ck . Se realiza el alineamiento a travs de la
secuencia siguiente de transformaciones, figura b) y c):
1. Se gira con respecto al eje X en un ngulo T1 de manera que v gira en la mitad
superior del plano XZ (como vector v1).
2. Se gira el vector v1 con respecto al eje Y en un ngulo -T2 de manera que v1
gira al eje positivo Z (como vector v2).
Al poner en prctica el paso 1 a partir de la figura b), se observa que el ngulo
requerido de rotacin T1 puede obtenerse al observar la proyeccin de v sobre el
plano YZ. (Se considera que b y c no son ambas cero). A partir del tringulo
OPB:
b
SenT1
b c2
2
CosT c
1
b c2
2
La rotacin requerida es
1 0 0 0
0 c b
0
b2 c 2 b2 c 2
R T1 , i
0 b c
0
2 2 2 2
b c b c
0 0 0 1
Al aplicar esta rotacin a v se produce el vector v1 con componentes
( a, 0, b2 c 2 ) .
Al realizar el paso 2 partiendo de la figura c), se ve que se necesita una rotacin
de -T2 y tambin a partir del tringulo OQQ:
a
Sen(T2 ) SenT2 2
a b2 c 2
Cos (T ) CosT b2 c 2
2 2
a 2 b2 c 2
Entonces
b2 c 2 a
0 0
a 2 b2 c 2 a 2 b2 c 2
0 1 0 0
R T2 , j
a b2 c 2
0 0
2 2 2
a b c a 2 b2 c 2
0 0 0 1
Ya que v a 2 b2 c 2 , introduciendo la notacin O b2 c 2 , se obtiene
O ab ac
0
v O v O v
c b
0 0
A v R T2 , j R T1 ,i O O
a b c
0
v v v
0 0 0 1
Si tanto b como c son cero, entonces v = ai , por lo que O = 0. En este caso, slo se
requiere una rotacin de r 90 con respecto al eje Y, de manera que si O = 0, se
tiene que
a
0 0 a 0
0 1 0 0
A v R T2 , j
a 0
0 0
a
0 0 0 1
En la misma forma se calcula la transformacin inversa que alinea al vector k con
el vector v.
A-1
v (R T2 , j R T1 ,i )-1
R -1 -1
T1 , i R -T2 , j
R T1 ,i R T2 , j
O a
v 0 0
v
ab c b
0
O v O v .
ac b c
0
O v O v
0 0 0 1
E J E M P L O 7.7.3
Sea un eje de rotacin L especificado por un vector v y un punto de localizacin
P. Obtngase la transformacin para una rotacin de T con respecto a L.
SO L U C I O N
Es posible obtener la transformacin requerida siguiendo los siguientes pasos:
1. Trasladar P al origen.
2. Alinear v con el vector k.
3. Girar T con respecto a k.
4. Invertir los pasos 2 y 1.
De manera que
R / T31 Av1 R T k Av T3
En este caso, Av es la transformacin descrita en el ejemplo anterior.
E J E M P L O 7.7.4
La pirmide definida por las coordenadas
A(0, 0, 0), B(1, 0, 0), C(0, 1, 0), D(0, 0, 1)
se gira 45 respecto a la recta L que tiene la direccin v = j + k y pasa a travs del
punto C(0, 1, 0). Obtenga las coordenadas de la figura girada.
SO L U C I O N
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
380 TRANSFORMACIONES LINEALES
1 2 2 2 2 1 2 4 2 2 4
A , , , B , , , C = (0, 1, 0),
2 4 4 2 4 4
2 2 2
D 1, , .
2 2
E J E M P L O 7.7.5
Obtenga la transformacin para reflejo de espejo con relacin a un plano dado.
SO L U C I O N
Sea el plano de reflexin especificado por un vector normal N y un punto de
referencia P0(x0, y0, z0), para reducir la reflexin a una reflexin de espejo con
respecto al plano XY:
1. Se traslada P0 al origen.
2. Se alinea el vector normal N con el vector k normal al plano XY.
3. Se efecta la reflexin de espejo en el plano XY.
4. Se invierten los pasos 1 y 2.
De manera que, con el vector de traslacin v = -x0i y0j z0k
M N,P0 Tv1 AN1 M A N Tv
Aqu, AN es la matriz de alineamiento definida en el segundo ejemplo. Por tanto,
si el vector N = n1i + n2j + n3k, entonces a partir del segundo ejemplo, con
N n12 n22 n32 y O n22 n32 , se obtiene
O n1n2 n1n3 O n1
0 N 0 0
N O N O N N
n1n2
n3 n2 n3 n2
0 0 0
AN O O y A -1
N O N O N
n1 n2 n3 nn n2 n3
1 3
0 0
N N N O N O N
0 0 0 1
0 0 0 1
Adems
10 x0
0 1 0 0 x0
00 y0
1 0 1 0 y0
Tv y Tv-1
01 z0
0 0 0 1 z0
00 1 0 0 0 0 1
Por ltimo, la forma homognea de M es
1 0 0 0
0 1 0 0
M .
0 0 1 0
0 0 0 1
E J E M P L O 7.7.6
Obtngase la matriz para la reflexin de espejo respecto al plano que pasa a travs
del origen y tiene un vector normal cuya direccin es N = i + j + k .
SO L U C I O N
Basndose en el ejemplo anterior, con P 0(0, 0, 0) y N = i + j + k , se obtienen
N 3 y O 2 . Entonces
1 0 0 0 1 0 0 0
Tv 0 1 0 0
y Tv-1 0 1 0 0
0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1
2 1 1 2 1
0 0 0
3 2 3 2 3 3 3
1 1 1 1 1
0 0 -1 0
AN 2 2 , AN 2 3 2 3 ,
1 1 1 1 1 1
0 0
3 3 3 2 3 2 3
0 0 0 1 0 0 0 1
1 0 0 0
0 1 0 0
M
0 0 1 0
0 0 0 1
La matriz de reflexin es
1 2 2
3 0
3 3
2 1
2
0
M N,O Tv1 A N1 M A N Tv 3 3 3 .
2
2 1
0
3 3 3
0 0 0 1
A continuacin y de forma general, enumeramos los operadores en R 3 que
transforman cada vector en su imagen simtrica con respecto a alguna recta y se
denominan operadores reflexin. As mismo, encontramos los operadores
proyeccin ortogonal y rotacin:
Reflexin respecto al plano XY:
x x 1 0 0
y y 0 1 0
z z 0 0 1
Reflexin respecto al plano XZ:
x x 1 0 0
y y 0 1 0
z z 0 0 1
x x 1 0 0
y y 0 1 0
z z 0 0 1
Proyeccin ortogonal sobre el plano XY:
x x 1 0 0
y y 0 1 0
z 0 0 0 0
Proyeccin ortogonal sobre el plano XZ:
x x 1 0 0
y 0 0 0 0
z z 0 0 1
x 0 0 0 0
y y 0 1 0
z z 0 0 1
En esta seccin estudiaremos las transformaciones lineales que van de un espacio vectorial U en un espacio
unidimensional. Enunciaremos y demostraremos sus propiedades.
D E F IN I C I O N 7.8.1
Dado un espacio vectorial V, sobre un cuerpo K , una forma lineal en V es
toda transformacin f : V o K , que satisfaga el axioma siguiente:
u, v V y a, b K, entonces f(au + bv) = af(u) + bf(v).
Las operaciones que figuran en el primer miembro son las del espacio vectorial V
y las del segundo miembro son la adicin y producto del cuerpo K . Considerando,
entonces, el cuerpo K como espacio vectorial sobre s mismo, puede decirse que
las formas lineales en el espacio vectorial V son las transformaciones lineales de
V en su cuerpo base K , es decir; f : V o K . Como las funciones lineales son un
caso especial de las transformaciones lineales, los conceptos y resultados
obtenidos anteriormente permanecen vlidos y pueden aplicarse a las funciones
lineales.
T E O R E M A 7.8.1
Si V es un espacio vectorial sobre K, de dimensin n, el conjunto de todas
las formas lineales sobre V es un espacio vectorial de dimensin n.
D E M OST R A C I O N
Para demostrar este teorema, probaremos en primer lugar que toda transformacin
lineal f : V o k V es una transformacin lineal a la cual designaremos por kf. En
efecto, como
(kf)(au) = f(kau) = af(ku) = a(kf)(u), para todo k K.
(af)(u + v) = f(a(u + v)) = f(au) + f(av) = (af)(u) + (af)(v), para todo u, v V y a K .
En segundo lugar, tambin debemos probar que la transformacin f de V en la suma
de las dos formas lineales g(u) + h(u) es tambin otra forma lineal, que designaremos
por (g + h)(u). En efecto, como
f(u) = g(u) + h(u) = (g + h)(u).
f(u) K , ya que g(u), h(u) K y, adems, se cumplen las condiciones siguientes:
a.- f(u + v) = g(u + v) + h(u + v)
= g(u) + g(v) + h(u) + h(v)
= g(u) + h(u) + g(v) + h(v)
= (g + h)(u) + (g + h)(v)
= f(u) + f(v)
b.- f(ku) = g(ku) + h(ku)
= kf(u) + kh(u)
= k(g(u) + h(u))
= k(g + h)(u)
= kf(u)
Por tanto, el conjunto de las formas lineales cumple las condiciones necesarias y
suficientes para ser un espacio vectorial.
Por ser las formas lineales, en un espacio vectorial, unos homomorfismos especiales
entre espacios vectoriales, son vlidas para ellas todos los resultados obtenidos para
stos. En particular, dado un espacio vectorial V, la adicin de dos formas lineales en
V es tambin una forma lineal en V, al multiplicar por un escalar una forma lineal en
V, se obtiene una nueva forma lineal en V; es tambin, entonces cierto que el
conjunto L(V, K), de las formas lineales en V, tiene, respecto de las mencionadas
operaciones, estructura de espacio vectorial. A este espacio vectorial, de las formas
lineales en V, se le da el nombre de espacio dual de V y se le representa por V*.
D E F IN I C I O N 7.8.2
Siendo V un espacio vectorial sobre un cuerpo conmutativo K , se llama
dual de V al espacio vectorial sobre K de todas las formas lineales sobre V.
La base del espacio dual V* de V guarda una relacin especial con la base de V. Sea
S = {u1, u2, ..., un} la base de V. Se define el funcional lineal fi(u) por u = a1u1 + a2u2
+ ... + anun, donde fi(u) = a i K . A fi se le llamara la funcin coordenada i-sima. Se
puede demostrar que fi es un funcional lineal.
T E O R E M A 7.8.2
Si V es un espacio vectorial de dimensin n sobre un cuerpo K, V * es
tambin de dimensin n.
D E M OST R A C I O N
Sea S = {u1, u2, ..., un} una base de V; si u V, tenemos, de modo nico
u = a1u1 + a2u2 + ... + anun.
Sea fi la forma lineal sobre V definida por fi : V o a i. Esta transformacin fi es una
forma lineal, pues
fi(u + v) = a i + bi = fi(u) + fi(v); fi(ku) = ka i = kfi(u).
Si f es una forma lineal cualquiera sobre V, es decir un elemento de V*,
f(u) = a1f(u1) + a2f(u2) + ... + anf(un)
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
386 TRANSFORMACIONES LINEALES
por tanto, f est determinada por los valores c i = fi(u) que toma para los elementos de
la base de V. Como el cuerpo es conmutativo
f(u) = a1f1(u) + a2f2(u) + ... + anfn(u)
es decir
f = a1f1 + a2f2 + ... + anfn
Ahora bien, en V* las formas fi son linealmente independientes, pues si se pudiera
escribir
d1f1(u) + d2f2(u) + ... + dnfn(u) = V*
para valores di K no todos iguales a cero, tendramos para todo u V
d1f1(u) + d2f2(u) + ... + dnfn(u) = 0 K
es decir
d1a1 + d2a2 + ... + dnan = 0.
Ahora bien, esto es imposible, pues si, por ejemplo, dn z 0, basta tomar a1 = a2 = ... =
an-1 = 0 y an z 0 K . Por tanto, toda forma f puede escribirse como f = a1f1 + a2f2 +
... + anfn y los fi son linealmente independientes. Esto significa que {f1, f2, ..., fn} es
base de V* y que V* es, por tanto, de dimensin n.
7.9 C U EST I O N A RI O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
7.9.1 Las matrices de una misma transformacin lineal en 7.9.9 El giro de un espacio tridimensional en un ngulo
dos bases coinciden cuando, y slo cuando, la matriz del 2S/3 alrededor de una recta, prefijada en un sistema
cambio de una de esas bases por otra es conmutativa con la rectangular de coordenadas mediante las ecuaciones
matriz de dicha transformacin lineal en una de las bases x1 = x2 = x3, es una transformacin lineal.
dadas.
7.9.10 El giro del plano en un ngulo T alrededor del
7.9.2 La proyeccin de un espacio tridimensional sobre el origen de coordenadas es una transformacin lineal.
eje de coordenadas del vector e1 paralelamente al plano de
coordenadas de los vectores e2 y e3 no es una 7.9.11 Si f es una transformacin lineal inyectiva de U
transformacin lineal. en U, y U es n-dimensional, entonces f es biyectiva.
7.9.3 Las transformaciones lineales de un espacio n- 7.9.12 Sea U un espacio vectorial de dimensin finita y
dimensional con respecto a la adicin y multiplicacin por sea f una transformacin lineal sobre U. Supngase que el
un nmero forman de por s un espacio vectorial. rango de f 2 es igual al rango de f. Entonces la imagen y el
ncleo de f son disjuntos.
7.9.4 Cualquier transformacin lineal f de un espacio
unidimensional se reduce a la multiplicacin de todos los 7.9.13 Una matriz B de orden n es semejante a una
vectores por un mismo nmero. matriz A de orden n si y slo si existe una matriz C
singular tal que B = C -1 A C.
7.9.5 Si f es una transformacin lineal del espacio de
dimensin finita U a W, entonces la dimensin de W es 7.9.14 Si f es una transformacin lineal de U en U y si A
igual a la suma de la nulidad y el rango. y B son representaciones matriciales de f pero respecto
posiblemente a bases distintas, entonces B es semejante a
7.9.6 Si f es una transformacin lineal de U en W, siendo A.
ambos de dimensin k, entonces el ncleo de f es igual a
^` si y slo si la imagen de f es igual a U. 7.9.15 Sean U y W dos espacios vectoriales y sea f una
transformacin lineal de U en W. Si f es singular,
7.9.7 Si f es una transformacin lineal de U en W, siendo entonces f -1 es una transformacin lineal de U en W.
ambos de dimensin k, entonces f -1 existe si y slo si el
ncleo de f es igual a W. 7.9.16 Si f es una transformacin lineal de U en W.
Entonces f es no singular si, y slo si, f aplica cada
7.9.8 Si f es una transformacin lineal sobreyectiva de U subconjunto linealmente independiente de U sobre un
en U, y U es n-dimensional, entonces f es inyectiva. subconjunto linealmente independiente de W.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
TRANSFORMACIONES LINEALES 387
7.9.17 Sea f una transformacin lineal de U en W y sea 7.9.19 Si U un espacio vectorial de dimensin finita n, f
W n-dimensional. Entonces f es inyectiva si y slo si el una transformacin lineal de U en W. Entonces f es no
rango de f es n. singular si y slo si es inyectiva.
7.9.18 Sea f una transformacin lineal de R 3 en R 2 y sea g 7.9.20 Si U y W son espacios de dimensin finita.
una transformacin lineal de R 2 en R 3. Entonces que la Entonces U es isomorfo a W si y slo si la dimensin de
transformacin lineal gf es no singular. U es igual a la dimensin de W.
C O NT ENID O:
8.1 D E F I N I C I O N ES Y PR O PI E D A D ES
Por lo general no hay ninguna relacin entre el vector u y el vector Au. S in embargo, se tiene casos
particulares en que existen ciertos vectores u no nulos tales que u y Au sean colineales. En esta seccin
estudiaremos cmo encontrar estos vectores.
D E F I N I C I O N 8.1.1
A los vectores no nulos para los que exista un escalar O que haga cierta la
igualdad f(u) = Ou se los llamar vectores caractersticos de la
transformacin f, y a los escalares O se les da el nombre de valores
caractersticos de la transformacin lineal f.
prctica, f slo est dada implcitamente, dando una matriz A que la representa.
La matriz que representa a f tiene su forma ms sencilla siempre que f aplica a
cada vector base sobre un mltiplo de s mismo; esto es, siempre que cada vector
base u exista un escalar O tal que f(u) = Ou. No siempre es posible encontrar tal
base, pero existen algunas condiciones un tanto generales bajo las cuales es
posible.
Pero no existe solucin diferente de cero para este problema, a menos que f - O
sea singular. Por lo tanto, estamos ante el problema de encontrar esos O para los
cuales f - O sea singular.
D E F I N I C I O N 8.1.2
Sea V un espacio vectorial de dimensin n sobre un cuerpo K , y sea f un
endomorfismo, es decir una transformacin lineal de V en s mismo.
Decimos que el escalar O es un valor caracterstico de f si existe un
vector u tal que f(u) = Au = Ou, donde A es la matriz del endomorfismo f
y u distinto del vector nulo.
E J E M P L O 8.1.1
Sea la representacin matricial del endomorfismo f : R 2 o R 2, dada por la matriz
2 1
A .
3 2
SO L U C I O N
Se tiene que a cada vector u le asocia el vector f(u), no existen valores
caractersticos, ya que f(u) = Ou equivale a las dos ecuaciones b = (2 - O) a y 3 a =
(O - 2)b, de las cuales se deduce que para que O sea valor caracterstico de f ha de
satisfacer a (O - 2)2 = -3, ecuacin sta que no tiene solucin en el cuerpo R de
escalares y, por tanto, f no tiene ningn valor caracterstico.
D E F I N I C I O N 8.1.3
Al conjunto de valores caractersticos de f, se le denomina espectro de f y
se representa por )(f) es decir:
)(f) = ^O K / O es valor caracterstico de f`.
T E O R E M A 8.1.1
Sea V un espacio vectorial n-dimensional, y sea f : V o V un
endomorfismo. El conjunto de los vectores caractersticos
correspondientes a un valor caracterstico de f constituyen, junto con el
vector cero, un subespacio vectorial de V, llamado subespacio propio
correspondiente a O. Es decir:
O )(f) V(O) = ^u V / f(u) = Ou` V.
D E M OST R A C I O N
Hay que cerciorarse de que, para cualesquiera que sean los vectores u, v V(O) y
para todo par de escalares a, b K , se verifica que el vector au + bv es tambin
de V(O). Es efecto, ya que por ser f transformacin lineal, se cumple
f( au + bv) = af(u) + bf(v) = a Ou + bOv = O( au + bv).
Por lo tanto, au + bv V(O) y V(O) es un subespacio de V.
E J E M P L O 8.1.2
Sea A una matriz de n x n. Si O es un valor caracterstico de A, entonces el
conjunto V(O), que consta del vector cero junto con todos los vectores
caractersticos de A para este valor caracterstico O, es un subespacio de R n, el
espacio propio de O.
SO L U C I O N
El vector cero est en V(O), de modo que V(O) es no vaco. Sean u y v en V(O).
Entonces,
A(u + v) = Au + Av = Ou + Ov = O(u + v)
De modo que u + v est en V(O). Para cualquier escalar k, tenemos
A(ku) = k(Au) = k(Ou) = O(ku)
de modo que ku est en V(O). As, V(O) es no vaco y cerrado bajo la suma y la
multiplicacin por un escalar, de modo que es un subespacio de R n.
T E O R E M A 8.1.2
Dos valores caractersticos distintos del endomorfismo f no tienen
ningn vector caracterstico comn; es decir:
O1, O2 )(f) y O1 z O2, entonces V(O1) V(O2) = {}.
D E M OST R A C I O N
Debemos comprobar que, si u V(O1) y u V(O2), entonces u ha de ser el vector
nulo . Sea f(u) = O1u y f(u) = O2u, entonces:
O1u = O2u (O1 - O2)u =
de donde, al ser O1 z O2, se infiere que u = .
T E O R E M A 8.1.3
Si los valores caractersticos O1, O2, ..., On son todos distintos y V(O) es
un conjunto de vectores caractersticos, ui correspondiente a Oi, entonces
V(O) es linealmente independiente.
D E M OST R A C I O N
Los vectores caractersticos son no nulos por definicin, razn por la cual el
teorema es justo, a ciencia cierta, para n = 1. Supongamos que es vlido para
cualquier sistema de n 1 vectores caractersticos y no es vlido para los vectores
u1, u2, ..., un. En este caso el sistema formado por dichos vectores ser linealmente
independiente, es decir, para ciertos nmeros a 1, a 2, ..., a n, no iguales a cero
simultneamente, se verifica la igualdad
a 1u1 + a 2u2 + ... + a nun = (1)
Supngase que O1 z 0. Aplicando f a la ecuacin (1), obtenemos
f( a 1u1 + a 2u2 + ... + a nun) = f()
a 1f(u1) + a 2f(u2) + ... + a nf(un) = f()
a 1O1u1 + a 2O2u2 + ... + a nOnun = (2)
Al multiplicar a la ecuacin (1) por On y al restarla de (2), obtenemos
a 1(O1 - On)u1 + a 2(O2 - On)u2 + ... + a n-1(On-1 On)un = .
Conforme a la suposicin inductiva, de aqu se deduce que todos los coeficientes
de los vectores u1, u2, ..., un-1 son nulos. En particular, a 1(O1 - On) z 0, lo que
contradice la condicin O1 z On y la suposicin a 1 z 0. Por consiguiente, el
sistema de vectores u1, u2, ..., un es linealmente independiente.
T E O R E M A 8.1.4
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo F,
y si I representa la transformacin identidad, se verifica que: O = 0 es
valor propio de f, si y slo si f no es inyectiva.
D E M OST R A C I O N
La transformacin lineal f no es inyectiva cuando, y slo cuando, su ncleo tiene
algn vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto ltimo es tanto como decir que O = 0 es un valor caracterstico de f, siendo u
un vector caracterstico.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformacin identidad, se verifica que: O es valor
caracterstico de f, si y slo si a K , O - a es valor caracterstico de f -
a I.
D E M OST R A C I O N
Afirmar que el escalar O es valor caracterstico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) au = Ou au, para un
vector u z , que puede expresarse en la forma ( f a I)u = (O - a )u, lo cual ocurre
si, y slo si, el escalar O - a es un valor caracterstico del endomorfismo f a I.
E J E M P L O 8.1.3
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores caractersticos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor caracterstico de A con u como vector caracterstico
correspondiente, entonces O + k es un valor caracterstico A + kI con u como
vector caracterstico correspondiente. Esto es, los propios valores de A + kI son
aquellos de A incrementados en k, mientras que los vectores caractersticos
correspondientes permanecen iguales.
T E O R E M A 8.1.5
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f,
y si I representa la transformacin identidad, se verifica que: O es valor
caracterstico de f, si y slo si f - OI no es inyectiva.
D E M OST R A C I O N
Este teorema es consecuencia inmediata de los teoremas anteriores, ya que O es
valor caracterstico del endomorfismo f si, y slo si, 0 es valor caracterstico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
D E F I N I C I O N 8.1.4
Se denomina radio espectral de una matriz A, y se designa por R(A), a
R(A) mx Oi , donde Oi son los valores caractersticos de A.
E J E M P L O 8.1.4
Sea A matriz de n x n. Si O es un valor caracterstico de A con u como vector
caracterstico correspondiente, entonces Ok es un valor caracterstico de Ak, de
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
394 VALORES Y VECTORES CARACTERISTICOS
E J E M P L O 8.1.5
Demuestre que una matriz triangular es singular s y slo si sus valores
caractersticos son reales y diferentes de cero.
SO L U C I O N
Suponga que A es una matriz triangular real cuyos elementos en la diagonal
principal son O1, O2 On. As, A tiene valores caractersticos reales. Adems,
debido a que el determinante de A es Det(A) = O1O2 On, se concluye que A es
no singular s y slo si cada O es diferente de cero.
E J E M P L O 8.1.6
Para una matriz no singular A, verifique que A y A-1 tienen los mismos vectores
caractersticos. Cmo se relacionan los valores caractersticos de A con los
valores caractersticos de A-1?
SO L U C I O N
Suponga que O es un valor caracterstico de A, con vector caracterstico
correspondiente u. Debido a que A es no singular, se sabe que O z 0. As, Au =Ou
implica que u = A-1Au = A-1Ou = OA-1u. Lo cual a su vez implica que (1/O)u =
A-1u. Por tanto, u es un vector caracterstico de A-1 y su valor caracterstico
correspondiente es 1/O.
E J E M P L O 8.1.7
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f, y si I
representa la transformacin identidad, se verifica que O = 0 es valor
caracterstico de f, si y slo si f no es inyectiva.
SO L U C I O N
La transformacin lineal f no es inyectiva cuando, y slo cuando, su ncleo tiene
algn vector no nulo, es decir, si existe u z V, tal que f(u) = ; ahora bien,
esto ltimo es tanto como decir que O = 0 es un valor caracterstico de f, siendo u
un vector caracterstico.
E J E M P L O 8.1.8
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f, y si I
representa la transformacin identidad, se verifica que: O es valor caracterstico de
f, si y slo si a K , O - a es valor caracterstico de f - aI.
SO L U C I O N
Afirmar que el escalar O es valor caracterstico de f es tanto como decir que existe
un vector no nulo u V tal que f(u) = Ou, lo que a su vez equivale a asegurar que,
para cualquiera que sea el escalar a , se verifica que f(u) au = Ou au, para un
vector u z , que puede expresarse en la forma ( f a I)u = (O - a )u, lo cual ocurre
si, y slo si, el escalar O - a es un valor caracterstico del endomorfismo f a I.
E J E M P L O 8.1.9
Sean A una matriz de n x n e I la matriz identidad. Comparar los vectores y
valores caractersticos de A con los de A + kI para un escalar k.
SO L U C I O N
Si O es un valor caracterstico de A con u como vector caracterstico
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 395
E J E M P L O 8.1.10
Dados un espacio vectorial V, sobre un cuerpo K , y un endomorfismo f, y si I
representa la transformacin identidad, se verifica que: O es valor caracterstico de
f, si y slo si f - OI no es inyectiva.
SO L U C I O N
Este ejemplo es consecuencia inmediata de los ejemplos anteriores, ya que O es
valor caracterstico del endomorfismo f si, y slo si, 0 es valor caracterstico del
endomorfismo f - OI, lo cual a su vez equivale a decir que f - OI es singular.
E J E M P L O 8.1.11
Conociendo los valores caractersticos de la matriz A, hallar los valores
caractersticos de la matriz A2.
SO L U C I O N
Los valores caractersticos de la matriz A2 son iguales a los cuadrados de los
valores caractersticos de A. En efecto, sea
Det(A - OI) = (O1 - O)(O2 - O(On - O)
y
Det(A + OI) = (O1 + O)(O2 + OOn + O)
Multiplicando estas igualdades y sustituyendo O2 por O, obtenemos
Det(A2 - , O12 OO22 OO2n O .
E J E M P L O 8.1.12
Conociendo los valores caractersticos de la matriz A, hallar los valores
caractersticos de la matriz f(A).
SO L U C I O N
Sea u un vector caracterstico de la matriz A, correspondiente al valor
caracterstico O. Entonces
Iu = u,
Au = Ou,
A2u = O2u,
...
Amu = Omu.
Multiplicando estas igualdades vectoriales por coeficientes arbitrarios y
sumndolas, obtenemos para cualquier polinomio f que f(A)u = f(O)u, es decir, u
es un vector caracterstico de f(A), correspondiente al valor caracterstico f(O).
E J E M P L O 8.1.13
Verifique que los valores caractersticos de una matriz triangular son los
elementos diagonales de la matriz.
SO L U C I O N
Como una matriz triangular superior tiene la forma siguiente
a11 a12 ... a1n
0 a22 ... a2 n
A
... ... ...
0 0 ... ann
y para encontrar los valores caractersticos tenemos que construir el polinomio
caracterstico, tenemos:
E J E M P L O 8.1.14
Sea A una matriz de orden n, demuestre que A y AT tienen el mismo polinomio
caracterstico y por lo tanto tienen los mismos valores caractersticos.
SO L U C I O N
Para demostrar que la matriz A y AT tienen el mismo polinomio caracterstico,
debemos probar que Det(A - OI) = Det(AT - OI). Es decir:
Det(AT - OI) = Det(A - OIT)T = Det(A - OIT) = Det(A - OI).
Con lo cual se puede asegurar que tienen los mismos valores caractersticos.
E J E M P L O 8.1.15
Sea A una matriz de orden n y sea c un nmero real. Si O es un valor
caracterstico de A, demuestre entonces que cO es un valor caracterstico de cA.
SO L U C I O N
Sabemos que para que O sea valor caracterstico de la matriz A, debe cumplirse
que Au = Ou. Entonces debemos demostrar que ( cA)u = (cO)u. Es decir:
(cA)u = c(Au) = c(Ou) = (cO)u.
Con esto queda demostrado que cO es un valor caracterstico de la matriz c A.
E J E M P L O 8.1.16
Demuestre que si 0 < T < S, entonces la transformacin de una rotacin de un
ngulo T en sentido antihorario no tiene valores caractersticos reales.
SO L U C I O N
CosT SenT 2
La ecuacin caracterstica de A es O - (2 CosT)O + 1 = 0. Las
SenT CosT
races de esta ecuacin son O CosT r Cos 2 T 1 . Si 0 < T < S, entonces 1 <
CosT < 1, lo cual implica que Cos 2 T 1 es imaginario.
E J E M P L O 8.1.17
Sea A una matriz de n x n:
a.- Demuestre o refute que un vector caracterstico de A es tambin un vector
caracterstico de A2;
b.- Demuestre o refute que un vector caracterstico de A2 es tambin un vector
caracterstico de A.
SO L U C I O N
a.- Verdadero: Si Au = Ou, entonces A2u = A(Au) = A(Ou) = OAu = O(Ou) = O2u,
lo cual implica que u es un vector caracterstico de A2.
0 1 2
b.- Falso: Sea A . Entonces u = (1, 0) es un vector caracterstico de A ,
1 0
pero no lo es de A.
E J E M P L O 8.1.18
Suponga que O es un valor caracterstico de la matriz A y E es un valor
caracterstico de la matriz B. Es O + E un valor caracterstico de A + B?
SO L U C I O N
Sabemos que para que O sea valor caracterstico de A debe cumplirse que
Au = Ou, anlogamente para el valor caracterstico E, Bv = E v. Entonces si
sumamos estas dos ecuaciones, obtenemos:
Au + Bv = Ou + Ev
Lo que nos indica que O + E no es valor caracterstico de A + B. La nica
condicin para que esto se cumpla es que A y B tengan los mismos vectores
caractersticos, es decir u = v.
E J E M P L O 8.1.19
Demostrar que una matriz nilpotente no posee valores caractersticos diferentes de
cero.
SO L U C I O N
Sea O valor caracterstico de la matriz nilpotente de n x n. Puesto que Ok es valor
caracterstico de Ak y como los valores caractersticos de una matriz son las races
de su polinomio caracterstico p(O), entonces:
p(O) = Det(Ak - Ok I ) = Det(O - OkI) = Det(-OkI) = (-1)nDet(OkI) = (-1)nOk = 0.
Por consiguiente Ok = 0 y O = 0. De esta manera hemos demostrado que una
matriz nilpotente posee nicamente valores caractersticos iguales a cero.
E J E M P L O 8.1.20
Sea A una matriz cuadrada de orden 2. Demuestre que el polinomio caracterstico
de A es
p(O) = O2 - OTr(A) + Det(A).
SO L U C I O N
a b
La matriz de orden 2 tiene la forma A . Por lo tanto su polinomio
c d
caracterstico es:
a b 1 0 a O b
p (O ) O ( a O)(d O) bc .
c d 0 1 c d O
p(O) = O2 - ( a + d)O + (ad bc) = O2 - OTr(A) + Det(A).
E J E M P L O 8.1.21
Demuestre que los polinomios caractersticos de las matrices AB y BA coinciden
para cualesquiera matrices cuadradas A y B.
SO L U C I O N
Si A es una matriz no singular, se tiene
Det(BA - OI) = Det(A-1(AB - OI)A) = Det(A-1)Det(AB - OI)Det(A) = Det(AB -
OI).
Para librarse de la suposicin de que A sea no singular, hay que pasar a lmites de
los polinomios de varias variables. Tambin se pueden calcular directamente los
coeficientes de los polinomios Det(AB - OI) y Det(BA - OI), empleando para ello
la propiedad del producto de las matrices rectangulares, y convencerse luego de
su igualdad.
E J E M P L O 8.1.22
Demuestre que los polinomios caractersticos de las matrices AB y BA slo se
diferencian en el factor (-O)n-m. Aqu A es una matriz rectangular que tiene m filas
y n columnas, B tiene n filas y m columnas, n > m.
SO L U C I O N
Completemos las matrices A y B hasta que resulten unas matrices cuadradas A y
B de n x n, aadiendo a A n m filas y a B n m columnas formadas por ceros.
Entonces BA = BA, y AB se obtiene de AB orlando con ceros. La aplicacin
del resultado del problema precedente da lo que se quera demostrar.
PR O B L E M AS
8.1.3 Demuestre que A y su transpuesta tienen los 8.1.12 Demuestre que el polinomio caracterstico de la
mismos valores caractersticos. B -C
matriz real D de orden 2n, D = es igual al
8.2.4 Sea f : R 2 o R 2 definida por f (v) proyu v , C B
producto de los polinomios caractersticos de las
donde u es un vector fijo en R 2. Demuestre que los
valores caractersticos de A son 0 y 1. matrices complejas de n x n, A = B + iC y A = B - iC .
8.1.5 Demuestre que si A2 = O, entonces el nico valor 8.1.13 Suponga que una matriz A de n x n es no
caracterstico de A es cero. singular. Demuestre que los polinomios caractersticos
f(O) de A y h(O) de A-1 estn ligados por la relacin
a b 1 1
8.1.6 Dada la matriz A y si a , b, c, d son h(O) (O)n f .
c d Det(A) O
nmeros entero tales que a + b = c + d, entonces tiene
valores caractersticos enteros, O1 = a + b y O2 = a c. 8.1.14 Si los valores caractersticos de la matriz
a b
8.1.7
A son O1 = 0 y O2 = 1, cules son los valores
Demuestre que el polinomio caracterstico de la 0 d
A B posibles de a y d?
matriz M = donde A y B son matrices
B A
cuadradas de un mismo orden, es igual al producto de los 8.1.15 Dadas las matrices A y B simtricas y reales.
polinomios caractersticos de las matrices A + B y A B. Demuestre que si los valores caractersticos de la matriz
A yacen en el segmento [ a ; b] y los de la matriz B, en el
8.1.8 Generalice el resultado del problema anterior, al segmento [ c; d], los valores caractersticos de la matriz
demostrar que si A es una matriz simtrica de n x n con A + B estn en el segmento [ a + c; b + d]:
valores propios positivos, entonces existe una matriz 1 2 1 2 0 1
simtrica B tal que B2 = A.
A 2 4 1 y B 0 3 1 .
1 1 3 1 1 4
8.1.9 Si V es un espacio vectorial eucldeo de dimensin
finita, prubese que el conjunto de todas las
transformaciones simtricas de V constituyen un 8.1.16 Demostrar que el polinomio caracterstico de la
subespacio del espacio vectorial de los endomorfismos matriz
en V. A B
M=
B A
8.1.10 Sea B una matriz de orden n dada, considere la donde A y B son matrices cuadradas de un mismo
transformacin lineal f : :nxn o :nxn. f(A) = BA. Cmo orden, es igual al producto de los polinomios
son los valores caractersticos de f respecto a los valores caractersticos de las matrices A + B y A - B.
caractersticos de B?
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 399
8.1.17 Sea f : C[0; 1] o C[0; 1] definida por f(f) = f . 8.1.19 Se conocen n valores caractersticos O1, O2, },
Demuestre que O = 1 es un valor caracterstico de On de una matriz A de orden n + 1. De qu modo
f(x) = ex. podemos hallar un valor caracterstico On+1 ms?
En esta seccin se ver cmo encontrar una base para un espacio vectorial V integrada por vectores
caractersticos de una matriz de un endomorfismo f. Analizaremos ta mbin las multiplicidades aritmtica y
geomtrica.
D E F I N I C I O N 8.2.1
La transformacin p : K o K , definida por p(O) = Det(A - OI), para todo
O K, es evidentemente un polinomio de grado n que se denomina
polinomio caracterstico.
Los menores de A obtenidos de filas y columnas de iguales ndices, esto es, los
determinantes de las submatrices de A ubicadas simtricamente respecto de su
diagonal principal, se llaman menores diagonales de A; un menor diagonal de A
obtenido con k filas y k columnas, se dir que es un menor diagonal de orden k.
Resulta de todo ello que para el polinomio p(O), ser:
p(O) = a 0 + a 1O + a 2O2 + ... + an-1On-1 + a nOn
siendo sus coeficientes
a 0 = Det(A)
a 1 = (-1)(d11 + d22 dnn)
...
n
a k = (-1)k suma de los menores diagonales de n k de la matriz A
k
...
a n-1 = (-1)n-1( a 11 + a 22 + ... + a nn)
a n = (-1)n.
Los coeficientes a 0, a 1, a 2, ..., a n-1, a n se calculan de tal o cual manera segn los
elementos de la matriz A y no dependen de O. La potencia mxima de O slo
figura en el producto de los elementos diagonales de la matriz A - OI y, por ello,
a n = 1. He aqu la expresin explcita para dos coeficientes. A saber,
a 0 = (-1)nDet(A) y a n-1 = -Tr(A).
T E O R E M A 8.2.1
Un escalar O es un valor caracterstico de f si y slo si es una raz del
polinomio caracterstico de una matriz que represente a f.
D E M OST R A C I O N
La ecuacin caracterstica de valores caractersticos se puede escribir en la forma
(f - OI)u = . Sabemos que existe un vector diferente de cero u que satisface esta
condicin si y slo si f - OI es singular. Sea S una base cualquiera de V y sea
A = ( a ij) la matriz que representa f con respecto a esta base. Entonces A - OI es la
matriz que representa a f - OI. Ya que A - OI es singular si y slo si
Det(A - OI) = 0.
E J E M P L O 8.2.1
Demuestre que una matriz triangular es singular si y slo si sus valores
caractersticos son reales y deferentes de cero.
SO L U C I O N
Suponga que A es una matriz triangular real cuyos elementos en la diagonal
principal son O1, O2, ..., On. Se sabe que los valores caractersticos de A son O1, O2,
..., On. As, A tiene valores caractersticos reales. Adems, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
slo si cada Oi es diferente de cero.
Los valores caractersticos del endomorfismo f, son las races del polinomio
caracterstico de f, algebraicamente de grado n con coeficientes en K .
D E F I N I C I O N 8.2.2
La transformacin p : K o K , definida por p(O) = Det( A - O I ), para todo
O K , es evidentemente un polinomio de grado n que se denomina
polinomio caracterstico.
Det(A - , n O O1 k1 O O2 k2 O O r k r
con k1 + k2 + ... + k r = n, en la que O1, O2, ..., Or son los valores caractersticos de
A, de rdenes respectivos k1, k2, ..., k r. Cuando K es algebraicamente cerrado,
toda matriz A tiene siempre un valor caracterstico, al menos pudiendo tener hasta
n valores caractersticos distintos; si cada valor caracterstico se cuenta un nmero
de veces igual a su orden, se verifica que la matriz A, tiene exactamente n valores
caractersticos.
D E F I N I C I O N 8.2.3
Se denomina multiplicidad geomtrica de V(O) a la dimensin de O. Se
denomina multiplicidad algebraica de O, al nmero de veces que se repite
una raz del polinomio caracterstico.
T E O R E M A 8.2.2
La multiplicidad geomtrica de O no excede a la multiplicidad algebraica
de O.
D E M OST R A C I O N
Ya que la multiplicidad geomtrica de O se define independientemente de
cualquier matriz que represente a f y la ecuacin caracterstica es la misma para
todas las matrices que representan a f, bastar probar el teorema para cualquier
matriz particular que represente a f. Escogeremos la matriz que represente a f, de
tal manera que la aseveracin del teorema sea evidente. Sea t la dimensin de
V(O) y {u1, u2, ..., ut} de V(O). Este conjunto linealmente independiente puede
extenderse hasta una base {u1, u2, ..., un} de V. Ya que f(ui) = Oui para i d t, la
matriz A que representa a f con respecto a esta base tiene la forma
O 0 0 a1 t 1 a1n
0 O 0 a2 t 1 a2 n
A 0 0 O at t 1 at n .
0 0 0 at 1 t 1 at 1 n
0 0 0 a a
n t 1 n n
E J E M P L O 8.2.3
Demuestre que una matriz cuadrada de orden n es no singular si, y slo si O = 0
no es un valor caracterstico de A.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
404 VALORES Y VECTORES CARACTERISTICOS
SO L U C I O N
Sabemos que el trmino independiente del polinomio caracterstico es igual a
Det(A), y para que una matriz sea no singular su determinante debe ser diferente
de cero. Por lo tanto si O fuese un valor caracterstico de la matriz A, entonces
tenemos que p(0) = Det(A) z 0, lo cual contradice la hiptesis y podemos concluir
que O = 0 no es valor caracterstico de una matriz no singular.
E J E M P L O 8.2.4
Demuestre que una matriz triangular es singular si y slo si sus valores
caractersticos son reales y deferentes de cero.
SO L U C I O N
Suponga que A es una matriz triangular real cuyos elementos en la diagonal
principal son O1, O2, ..., On. Se sabe que los valores caractersticos de A son O1, O2,
..., On. As, A tiene valores caractersticos reales. Adems, debido a que el
determinante de A es Det(A) = O1 O2 ... On, se concluye que A es no singular si y
slo si cada Oi es diferente de cero.
E J E M P L O 8.2.5
Sea la matriz
0 1
A
1 0
Se puede demostrar que si u es cualquier vector columna de R 2, entonces Au se
puede obtener geomtricamente de u rotando u un ngulo de 90 en el sentido
contrario al que giran las manecillas del reloj.
a.- Probar geomtricamente que A no tiene valores caractersticos reales.
b.- Hallar los valores y vectores caractersticos complejos de A.
c.- Argumentar geomtricamente que A2 deber tener valores caractersticos
reales.
d.- Usar el apartado b) para hallar los valores caractersticos de A2 y comparar el
resultado con la respuesta obtenida en la parte c). Cules son los vectores
caractersticos reales y los vectores caractersticos complejos de A2"
e.- Hallar valores y vectores caractersticos para A3.
f.- Hallar valores y vectores caractersticos para A4.
SO L U C I O N
a.- Ningn vector distinto de cero en el plano va a un vector paralelo por
rotacin de 90.
O 1
b.- 0 O2 + 1 = 0 O1 = i y O2 = - i .
1 O
i 1 a 0 i 1 0 i 1 0
|
1 i b 0 1 i 0 0 0 0
a
i
V (O1 ) Span / a bi Base V (O1 )
b
1
i 1 a 0 i 1 0 i 1 0
|
1 i b 0 1 i 0 0 0 0
a
i
V (O 2 ) Span / a bi Base V (O 2 )
b
1
c.- A2u = A(Au) corresponde a rotar u 180 en el sentido contrario al que giran
las manecillas del reloj, lo cual equivale a multiplicar u por 1. As, -1 es un valor
caracterstico.
d.- A2 tiene valores caractersticos O1 = i2 = -1 y O2 = (-i)2 = -1. Todos los
vectores reales distintos de cero y todos los vectores complejos son vectores
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 405
caractersticos
1 0
A2 .
0 1
e.- A3 no tiene valores caractersticos reales, sino valores caractersticos
complejos O1 = i3 = -i y O2 = (- i)3 = i con vectores caractersticos
i
i
Base V (O1 ) y Base V (O 2 ) .
1
1
f.- A4 tiene valores caractersticos O1 = i4 = 1 y O2 = (-i)4 = 1 corresponde a la
rotacin de 360. Todo vector real o complejo distinto de cero es un vector
caracterstico.
E J E M P L O 8.2.6
Demuestre que si u es vector caracterstico tanto de f como de g, entonces u
tambin es un vector caracterstico de Df y de f + g. Si O1 es el valor caracterstico
de f y O2 el valor caracterstico de g correspondientes a u, cules son los valores
caractersticos de Df y de f + g?
SO L U C I O N
Si f(u) = O1u y g(u) = O2u, entonces
(f + g)(u) = f(u) + g(u) = O1u + O2u = (O1 + O2)u
Tambin
(Df)(u) = Df(u) = DO1u.
E J E M P L O 8.2.7
Demuestre que si O1 y O2 z O1 son valores caractersticos de f1 y u1 y u2 son
vectores caractersticos correspondientes a O1 y O2, respectivamente, entonces
u1 + u2 no es un vector caracterstico.
SO L U C I O N
Si u1 + u2 es un vector caracterstico con valor caracterstico O, entonces
O(u1 + u2) = f(u1 + u2) = O1u1 + O2u2
Ya que (O - O1)u1 + (O - O2)u2 = se tiene que O - O1 = O - O2 = 0.
E J E M P L O 8.2.8
Para cada una de las siguientes matrices, determine su polinomio caracterstico,
sus valores y vectores caractersticos:
5 0 1 1 3 2
a.- ; b.- ; c.- .
6 0 1 4 1 2
SO L U C I O N
a.- El polinomio caracterstico tiene la forma siguiente:
5O 0
p (O ) O(5 O) .
6 O
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O(5 - O) = 0 O = 0 y O = 5.
Los vectores caractersticos se encuentran reemplazando cada valor caracterstico
en la ecuacin caracterstica, y luego se resuelve cada sistema homogneo:
5 0 x 0 5 0 0 5 0 0
O = 0: |
6 0 y 0 6 0 0 0 0 0
de donde obtenemos que x = 0 e y R. Por consiguiente el subespacio propio
generado por el valor caracterstico O = 0 tiene la forma siguiente:
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.
0 0 x 0 0 0 0
O = 5:
6 5 y 0 6 5 0
de donde obtenemos que 6x 5y = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico O = 5 tiene la forma siguiente:
V(O) = {(x, y) / 6x 5y = 0} BaseV(O) = {(5, 6)} dimV(O) = 1.
b.- El polinomio caracterstico tiene la forma siguiente:
1 O 1
p (O ) (1 O)(4 O) 1 O 2 5O 5 .
1 4 O
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
5 5 5 5
O2 - 5O + 5 = 0 O y O .
2 2
Los vectores caractersticos se encuentran reemplazando cada valor caracterstico
en la ecuacin caracterstica, y luego se resuelve cada sistema homogneo:
3 5
1
x
5 5
2 0
O :
2 y
3 5 0
1
2
3 5
1 0 3 5 0
2 | 1
2
3 5 0 0
1 0 0
2
3 5
de donde obtenemos que x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor caracterstico O tiene la forma siguiente:
2
3 5
V (O) ( x, y) x y 0
2
Base V (O) ^ 2, 3 5 ` dimV(O) = 1.
3 5
1
x
5 5
2 0
O :
2 3 5 y 0
1
2
3 5
1 0 3 5 0
2 | 1
2
3 5 0 0
1 0 0
2
3 5
de donde obtenemos que x y 0 . Por consiguiente el subespacio
2
5 5
propio generado por el valor caracterstico O tiene la forma siguiente:
2
3 5
V ( O ) ( x , y ) x y 0
2
Base V (O) ^ 2, 3 5 ` dimV(O) = 1.
E J E M P L O 8.2.9
Para cada una de las siguientes matrices, determine su polinomio caracterstico,
sus valores y vectores caractersticos:
1 0 0 3 2 1 2 8 7
a.- 3 1 0 ; b.- 0 5 7 ; c.- 0 3 1 .
4 2 2 0 2 4 0 1 1
SO L U C I O N
a.- El polinomio caracterstico tiene la forma siguiente:
p(O) O3 4O2 5O 2 .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico: O3 4O2 5O 2 0 O = 1, O = 1 y O = 2.
Donde O = 1 tiene multiplicidad algebraica 2. Los vectores caractersticos se
encuentran reemplazando cada valor caracterstico en la ecuacin caracterstica, y
luego se resuelve cada sistema de ecuaciones homogneo:
0 0 0 x 0 0 0 0 0 0 0 0 0
O = 1: 3 0 0 y 0 3 0 0 0 | 3 0 0 0
4 2 1 z 0 4 2 1 0 0 2 1 0
de donde obtenemos que x = 0, z = -2y. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / x = 0, 2y + z = 0}
BaseV(O) = {(0, 1, -2)} dimV(O) = 1.
1 0 0 x 0
O = 2: 3 1 0 y 0
4 2 0 z 0
1 0 0 0 1 0 0 0 1 0 0 0
3 1 0 0 | 0 1 0 0 | 0 1 0 0
4 2 0 0 0 2 0 0 0 0 0 0
de donde obtenemos que x = y = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x = y = 0} BaseV(O) = {(0, 0, 1)} dimV(O) = 1.
b.- El polinomio caracterstico tiene la forma siguiente:
E J E M P L O 8.2.10
Para cada una de las siguientes matrices, determine su polinomio caracterstico,
sus valores caractersticos y sus vectores caractersticos:
2 3 4 5 1 0 0 0 1 2 0 3
a.-
0 2 0 0 ; b.- 0 1 0 0 ; c.- 1 2 0 3
.
0 0 2 0 4 7 2 1 0 0 2 0
0 4 4 2 2 3 4 2 1 2 0 3
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 409
SO L U C I O N
a.- El polinomio caracterstico tiene la forma siguiente:
p(O) O4 8O3 24O2 32O 16 .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O4 8O3 24O2 32O 16 0 (O 2)4 0 O = 2.
Donde O = 2 tiene multiplicidad algebraica 4. Los vectores caractersticos se
encuentran reemplazando cada valor caracterstico en la ecuacin caracterstica, y
luego se resuelve cada sistema de ecuaciones homogneo:
0 3 4 5 x 0
0 0 0 0 y 0
O = 2:
0 0 0 0 z 0
0 4 4 0 u 0
0 3 4 5 0 0 3 4 5 0 0 1 0 5 0
0 0 0 0 0 | 0 0 0 0 0 | 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 4 4 0 0 0 0 1 5 0 0 0 1 5 0
de donde obtenemos que y + 5u = 0, z + 5u = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / y + 5u = 0, z + 5u = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -5, -5, 1)} dimV(O) = 2.
b.- El polinomio caracterstico tiene la forma siguiente:
p(O) O4 6O3 9O 2 4O .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O4 6O3 9O2 4O 0 O(O 4)(O 1)2 0 O = 0, O = 4, O = 1.
donde O = 1 tiene multiplicidad algebraica 2. Los vectores caractersticos se
encuentran reemplazando cada valor caracterstico en la ecuacin caracterstica, y
luego se resuelve cada sistema de ecuaciones homogneo:
1 0 0 0 x 0
0 1 0 0 y 0
O = 0:
4 7 2 1 z 0
2 3 4 2 u 0
1 0 0 0 0 1 0 0 0 0 1 0 0 0 0
0 1 0 0 0 | 0 1 0 0 0 0 1 0 0 0
|
4 7 2 1 0 0 7 2 1 0 0 0 2 1 0
2 3 4 2 0 0 3 4 2 0 0 0 0 0 0
de donde obtenemos que x = y = 0, 2z + u = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x = y = 0, 2z + u = 0}
BaseV(O) = {(0, 0, 1, -2)} dimV(O) = 1.
0 0 0 0 x 0
0 0 0 0 y 0
O = 1:
4 7 1 1 z 0
2 3 4 1 u 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
| |
4 7 1 1 0 4 7 1 1 0 2 0 25 4 0
2 3 4 1 0 0 1 7 1 0 0 1 7 1 0
de donde obtenemos que 2x + 25z + 4u = 0, y 7z u = 0. Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / 2x + 25z + 4u = 0, y 7z u = 0}
BaseV(O) = {(-25, 14, 2, 0), (-2, 1, 0, 1)} dimV(O) = 2.
3 0 0 0 x 0 3 0 0 0 0
0 3 0 0 y 0 0 3 0 0 0
O = 4:
4 7 2 1 z 0 4 7 2 1 0
2 3 4 2 u 0 2 3 4 2 0
3 0 0 0 0 1 0 0 0 0 1 0 0 0 0
0 3 0 0 0 | 0 1 0 0 0 | 0 1 0 0 0
0 7 2 1 0 0 0 2 1 0 0 0 2 1 0
0 3 4 2 0 0 0 2 1 0 0 0 0 0 0
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
c.- El polinomio caracterstico tiene la forma siguiente:
p(O) O4 4O3 4O2 .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O4 4O3 4O2 0 O2 (O 2)2 0 O = 0, O = 2.
Donde O = 0 y O = 2 tienen multiplicidad algebraica 2. Los vectores
caractersticos se encuentran reemplazando cada valor caracterstico en la
ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
1 2 0 3 x 0 1 2 0 3 0 1 2 0 3 0
1 2 0 3 y 0 1 2 0 3 0 0 0 0 0 0
O = 0: |
0 0 2 0 z 0 0 0 2 0 0 0 0 2 0 0
1 2 0 3 0 0 0 0 0 0
1 2 0 3 u 0
de donde obtenemos que x + 2y + 3u = 0, z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x + 2y + 3u = 0, z = 0}
BaseV(O) = {(-2, 1, 0, 0), (-3, 0, 0, 1)} dimV(O) = 2.
1 2 0 3 x 0
1 4 0 3 y 0
O = 2:
0 0 0 0 z 0
1 2 0 1 u 0
1 2 0 3 0 1 2 0 3 0 1 0 0 1 0
1 4 0 30 0 1 0 1 0 0 1 0 1 0
| |
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 2 0 1 0 0 1 0 1 0 0 0 0 0 0
de donde obtenemos que x u = 0, y + u = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x - u = 0, y + u = 0}
BaseV(O) = {(1, -1, 0, 1) , (0, 0, 1, 0)} dimV(O) = 2.
E J E M P L O 8.2.11
Para cada una de las siguientes transformaciones lineales, determine sus valores y
vectores caractersticos:
a.- f : P 1 o P 1, f( a + bx) = a + ( a + b)x;
b.- f : R 2 o R 2, f(( a, b)) = (a + b, b);
a b 4 a 5b 2b
c.- f : :(2, 2) o :(2, 2), f .
c d 2c d c 3d
SO L U C I O N
a.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
1 0
[f] .
1 1
Para encontrar el polinomio caracterstico, debemos resolver el siguiente
determinante:
Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores caractersticos son: O = 1, siendo ste de multiplicidad
algebraica 2. Los vectores caractersticos se encuentran reemplazando cada valor
caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema de
ecuaciones homogneo:
0 0 x 0 0 0 0
O = 1:
1 0 y 0 1 0 0
de donde obtenemos que x = 0. Por consiguiente el subespacio propio generado
por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x = 0} BaseV(O) = {(0, 1)} dimV(O) = 1.
b.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
1 1
[f] .
0 1
Para encontrar el polinomio caracterstico, debemos resolver el siguiente
determinante: Det(f - O I ) = O2 - 2O + 1 = (1 - O)2 = 0.
Por tanto los valores caractersticos son: O = 1, siendo ste de multiplicidad
algebraica 2. Los vectores caractersticos se encuentran reemplazando cada valor
caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema de
ecuaciones homogneo:
0 1 x 0 0 1 0
O = 1:
0 0 y 0 0 0 0
de donde obtenemos que y = 0. Por consiguiente el subespacio propio generado
por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / y = 0} BaseV(O) = {(1, 0)} dimV(O) = 1.
c.- La representacin matricial de este endomorfismo, se expresa de la siguiente
manera:
4 5 0 0
0 2 0 0
[f] .
0 0 2 1
0 0 1 3
El polinomio caracterstico tiene la forma siguiente:
p(O) O4 11O3 43O2 70O 40 .
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
412 VALORES Y VECTORES CARACTERISTICOS
1 5
0 0 0
2 0
1 5
0 0 0 0
2
0
1 5
0 0 1 0
2
0 0 0 0
de donde obtenemos que x = y = 0, (1 5) z 2u 0 . Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x = y = 0, (1 5) z 2u 0 }
BaseV(O) = {(0, 0, 5 - 1, 2)} dimV(O) = 1.
3 5
5 0 0
2
5 1 x 0
0 0 0
O
5 5
: 2 y 0
2 5 1 z 0
0 0 1
2 u 0
1 5
0 0 1
2
3 5
5 0 0 1 5
2 0 0 0
5 1 0 2 0
0 0 0 5 1
2 0 0 0 0 0
| 2
5 1 0 0
0 0 1 5 1
2 0 0 0 1 0
2
1 5 0 0
0 0 1 0 0
2
de donde obtenemos que x = y = 0, ( 5 1) z 2u 0 . Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x = y = 0, ( 5 1) z 2u 0 }
BaseV(O) = {(0, 0, 1 5 , -2)} dimV(O) = 1.
E J E M P L O 8.2.12
Demostrar que los polinomios caractersticos p(O) de una matriz A y q(O) de una
matriz A - O I estn ligados por la relacin q(O) = p(O + O0).
SO L U C I O N
Sabemos que: q(O) = Det((A - OI) - O0I) = Det(A - OI - O0I) = Det(A (O + O0)I).
Si M = O + O0, entonces: q(O) = Det(A - MI) = p(M). Como q(O) = p(M), pero
M = O - O0, entonces q(O) = p(O + O0).
PR O B L E M AS
8.2.1 Encuentre un ejemplo en el que los vectores 8.2.2 Evale ex, donde A es la matriz siguiente:
caractersticos de una transformacin lineal f 1 0 1 0 0 1
relacionados con el valor caracterstico nulo, y solamente a.- ; b.- ; c.- .
0 1 1 0 1 0
ellos, pertenecen al ncleo de esta transformacin.
O1 0 0 O 0
8.2.3 Sea B 0 O 2 0 y sean e1 = (1, 0, 0), e2 =
8.2.8 Sea B . Demuestre que, si O z P,
0 P
0 0 O entonces los vectores caractersticos asociados con O
3
(0, 1, 0), e3 = (0, 0, 1). Muestre que si O1, O2, O3 son son todos los vectores no nulos c(1, 0) y aquellos
distintos entre s, entonces para cada Ok los vectores asociados con P son todos los vectores no nulos c(0, 1).
caractersticos asociados son los vectores De k para D z 0; Muestre que si O = P, entonces los vectores
muestre que si O1 = O2 z O3, entonces los vectores caractersticos asociados con O son todos los vectores no
caractersticos asociados con O1 son todos los vectores no nulos (x, y).
nulos D1e1 + D2e2 y aquellos asociados con O3, son todos
8.2.9 En cada una de las siguientes matrices,
los vectores no nulos De3; muestre que si O1 = O2 = O3,
encuntrense los valores caractersticos y los
entonces los vectores caractersticos asociados con O1 subespacios propios:
son todos los vectores no nulos v = (x, y, z).
1 2 3 0 1 2
8.2.4 Sea O un valor caracterstico de una a.- 0 1 4 ; b.- 0 0 3 ;
transformacin lineal f. Sea V(O) el subespacio propio 0 0 2 0 0 1
correspondiente. Demustrese que: 0 0 1 1 1 3
a.- Si u est en V(O), y si v = (f - OI)u z O, entonces ^u,
c.- 0 0 2 ; d.- 0 2 6 ;
v` es conjunto linealmente independiente. 0 0 0 0 0 2
b.- Si u est en V(O) y si (f - OI)2u z O, entonces ^u, (f -
OI)u, (f - OI)2u` es conjunto linealmente independiente. 0 1 0 1 2 0
e.- 0 1 1 ; f.- 0 1 2 .
8.2.5 Demuestre con un ejemplo que si una 0 1 1 2 0 1
transformacin lineal f es no singular, entonces los
vectores caractersticos de f y de f -1 son los mismos.
Hallar la relacin entre los valores caractersticos de 8.2.10 Demuestre que si u es un vector caracterstico de
estas transformaciones. f, entonces u tambin es un vector caracterstico de p(f),
donde p(x) es un polinomio con coeficientes en K . Si O
8.2.6 D un ejemplo en el que los vectores es un valor caracterstico de f correspondiente a u, cul
caractersticos relativos a los valores caractersticos no es el valor caracterstico de p(f) correspondiente a u?
nulos pertenecen a la imagen de esta transformacin.
8.2.11 Sea A una matriz de n x n. Demuestre que si
8.2.7 Si x es un nmero real, entonces ex puede definirse Au = Ou, entonces u es un vector caracterstico de
mediante la serie (A cI). Cul es el valor caracterstico
1 1 1 correspondiente?
eA = I + A + A 2 + A3 + A 4 + ...
2! 3! 4!
8.3 SE M E J A N Z A D E M A T R I C ES
En esta seccin estudiaremos la matriz de un endomorfismo f de U en U que depende de la base elegida para U.
Uno de los problemas fundamentales del lgebra lineal es elegir una base para U que simplifique la matriz para f.
Enunciaremos y demostraremos sus propiedades ms importantes.
D E F IN I C I O N 8.3.1
Las matrices A y B se dicen son equivalentes si y slo si, existen matrices
no singulares P (n x n) y Q (m x m) tales que B = PAQ.
que dicha confusin pudiera darse, pero como estos dos usos de la palabra
equivalencia estn bien establecidos, el lector deber aprender a distinguirlos. En
primer lugar, dado un conjunto S y una relacin sobre S.
T E O R E M A 8.3.1
La relacin sobre un conjunto de matrices de orden n x m, llamada
equivalencia, es una relacin de equivalencia. Adems, dos matrices A, B
(n x m), son equivalentes si y slo si, el rango de la matriz A es igual al
rango de la matriz B.
D E M OST R A C I O N
Es claro que A | A puesto que A = IAI. De A | B obtenemos B = PAQ. Por tanto,
A = P-1BQ-1. As, B | A. Si A | B (B = PAQ) y B | C (C = P1BQ1). Entonces
C = (P1P)A(QQ1)
Como P1P es no singular si tanto P como P1 son no singulares y QQ1 es no singular si
tanto Q como Q1 son no singulares, vemos que A | C. As, la equivalencia es una
relacin de equivalencia. Si A | B, entonces PAQ = B para P y Q no singulares.
Como
Rang(A) = Rang(PA) = Rang((PA)Q) = Rang(B)
obtenemos que Rang(A) = Rang(B). Supngase, recprocamente que Rang(A) =
Rang(B). Deseamos demostrar que A | B. Sea r = Rang(A) = Rang(B). Entonces
I O
PAQ = = P1BQ1
O O
para ciertas matrices no singulares P, P1, Q, Q1. Por tanto,
B = (P-1P1)-1A(Q1Q-1)-1.
En consecuencia, A | B.
D E F IN I C I O N 8.3.2
Sean A, B (n x n). Entonces B es semejante a A sobre K si existe una
matriz no singular P (n x n) tal que B = P-1AP.
T E O R E M A 8.3.2
En el conjunto de matrices de n x n, la semejanza sobre K es una
relacin de equivalencia.
D E M OST R A C I O N
a.- A es semejante a A sobre K puesto que A = I-1AI.
b.- Si B es semejante a A sobre K de modo que B = P-1AP, entonces A = (P-1)-1BP-1,
y por tanto, A es semejante a B sobre K .
c.- Si B es semejante a A sobre K y C es semejante a B sobre K , de manera que
B = P-1AP y C = Q-1BQ, entonces C = (PQ)-1A(PQ) y, por consiguiente, C es
semejante a A sobre K.
T E O R E M A 8.3.3
Si A, B :n(K) son matrices semejantes, esto es, si existe una matriz no
singular de orden n, P, tal que A = P -1BP, entonces se verifica que:
Det(A - OI) = Det(B - OI) , para todo O K .
D E M OST R A C I O N
Si A y B son matrices semejantes, entonces existe una matriz no singular P tal que
A = P-1BP. En tal caso
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(B - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(P-1P)Det(B - OI)
= Det(B - OI).
Entonces, el polinomio caracterstico de A y el polinomio caracterstico de B
coinciden.
No obstante los resultados recin obtenidos, conviene hacer notar que, en general,
del slo hecho de tener dos matrices los mismos valores caractersticos y stos
con igual orden, no se puede asegurar que dichas matrices sean semejantes.
Conviene hacer notar que, en general, del slo hecho de tener dos matrices los
mismos valores caractersticos y stos con igual orden, no se puede asegurar que
dichas matrices sean semejantes.
Recurdese que dos matrices A, B :(n, n), son semejantes si, y slo si, son
matrices asociadas a un mismo endomorfismo, respecto de diferentes bases.
Tngase tambin presente que los valores caractersticos de una matriz A son los
mismos que los de un endomorfismo asociado a ella; los vectores caractersticos
de A son las matrices columna de n x 1, cuyos elementos son las coordenadas de
los vectores caractersticos del endomorfismo que, en la base que se considera en
V, tenga por matriz asociada a A.
Se sabe tambin que, si O1, O2, ..., Or son todos los valores caractersticos de f o de
A, y si son k1, k2, ..., k r sus rdenes y q1, q2, ..., qr las dimensiones de sus
subespacios propios, se ha de verificar que r d q1 + q2 + ... + qr d n y que, si K es
algebraicamente cerrado, k1 + k2 + ... + k r = n.
T E O R E M A 8.3.4
Dado un endomorfismo f, en un espacio vectorial de dimensin n sobre
un cuerpo K , para cualquiera que sea el valor caracterstico O0 de f, si k
es su orden y q la dimensin del correspondiente subespacio propio, se
verifica que 1 d q d k.
D E M OST R A C I O N
Si O0 es valor caracterstico de A, el subespacio propio V(O0) ha de ser diferente
del subespacio nulo y, por tanto, su dimensin es q t 1. La dificultad est, en
probar que es q d k. El subespacio propio V(O0) est definido por las matrices
X :(n, 1) tales que (A - O0I) = , es decir, V(O0) es el ncleo del
endomorfismo g, asociado, en base cannica, a la matriz B = A - O0I; q es la
dimensin del referido ncleo. Sea {u1, u2, ..., uq} una base del ncleo y
compltese, con ciertos vectores uq+1, uq+2, ..., un, hasta obtener una base; la matriz
C :(n, n), semejante a B, asociada al endomorfismo g en la nueva base, ha de
ser de la forma
0 0 0 c1 q 1 c1n
0 0 0 c2 q 1 c2 n
C
0 0 0 cn q 1 cn n
ya que g ha de transformar los vectores u1, u2, ..., uq en el vector . El polinomio
caracterstico de B, que es igual al de C, pues B y C estn asociados al mismo
endomorfismo g en diferentes bases, tiene nulos los q primeros coeficientes, ya
que los menores principales de orden mayor que n q de C son todos nulos; por
tanto, M = 0 es raz de orden mayor o igual que q de la ecuacin Det(B - MI) = 0,
es decir, M = 0 es raz de orden mayor o igual que q, de la ecuacin
Det(A - O0I - MI) { Det(A (O0 + M)I) = 0,
o lo que es igual, O = O0 es raz de orden mayor o igual que q, de la ecuacin
Det(A - OI) = 0; como el orden de O0 en esta ecuacin es k, se obtiene finalmente
que q d k.
4.- Si f tiene n valores caractersticos diferentes todos ellos, por tanto, de orden
uno, esto es, si su ecuacin caracterstica tiene n races diferentes, entonces hay
en V n vectores caractersticos linealmente independientes, es decir, existe una
base formada por vectores caractersticos. En este supuesto, hay n subespacios
propios de dimensin uno independientes, verificndose que
V(O1) V(O2) ... V(Or) = V.
E J E M P L O 8.3.1
Demuestre que si A y B son semejantes, entonces existe una matriz P no singular
tal que Bk = P-1AkP.
SO L U C I O N
Suponga que A y B son semejantes. Entonces, existe una matriz P tal que
B = P-1AP. Esto implica que
Bk = B B ... B
k veces
= (P-1AP)(P-1AP) ... (P-1AP)
= P-1A(PP-1)A(PP-1)AP ... P-1AP
= P-1A2AP ... P-1AP
= P-1AkP.
E J E M P L O 8.3.2
Demuestre que si A y B son semejantes, entonces Det(A) = Det(B).
SO L U C I O N
Suponga que A y B son semejantes. Entonces,
Det(B) = Det(P-1AP)
= Det(P-1 )Det(A)Det(P)
1
= Det(A)Det(P)
Det(P)
= Det(A) .
E J E M P L O 8.3.3
Sea A una matriz de n x n tal que A2 = O. Demuestre que si B es semejante a A,
entonces B2 = O.
SO L U C I O N
Suponga que A2 = O y que B = P-1AP. Entonces
B2 = P-1APP-1AP = P-1A2P = P-1OP = O.
E J E M P L O 8.3.4
Demuestre que si A y B son semejantes, entonces A2 es semejante a B2.
SO L U C I O N
Suponga que A y B son semejantes, entonces B = P -1AP. De donde
B2 = BB = (P-1AP)(P-1AP) = P-1A(PP-1)AP = P-1AIAP = P-1A2P
lo cual implica que A2 es semejante a B2.
E J E M P L O 8.3.5
Sea A = CD, donde C es una matriz no singular n x n. Demuestre que la matriz
DC es semejante a A.
SO L U C I O N
Suponga que A = CD, donde C es no singular. Entonces C-1A = D y se tiene
DC = C-1AC, lo cual implica que DC es semejante a A.
E J E M P L O 8.3.6
Sean A y B matrices de n x n. Demuestre que si A es no singular, entonces AB es
semejante a BA.
SO L U C I O N
Suponga que A y B son matrices de n x n con A no singular. Entonces,
BA = IBA = A-1ABA = A-1(AB)A
lo cual implica que AB es semejante a BA.
E J E M P L O 8.3.7
Sean A y B dos matrices de orden n.
a.- Demuestre que si I - AB es no singular, entonces I - BA tambin lo es y
(I - BA)-1 = I + B(I - AB)-1A
b.- Use el inciso a) para demostrar que las matrices AB y BA tienen los mismos
valores caractersticos.
SO L U C I O N
a.- Para probar que I BA es no singular, basta demostrar lo siguiente:
(I - BA)(I - BA)-1 = (I - BA)(I + B(I - AB) -1 A) = I
.
-1 -1
(I - BA) (I - BA) = (I + B(I - AB) A)(I - BA) = I
Es decir:
(I BA)(I + B(I AB)-1A) = I BA + (I BA)B(I AB)-1A
= I BA + (B BAB)(I AB)-1A
= I BA + B(I AB)(I AB)-1A
= I BA + BIA
= I BA + BA = I
(I + B(I AB)-1A)(I BA) = I BA + B(I AB)-1A(I BA)
= I BA + B(I AB)-1(A ABA)
= I BA + B(I AB)-1(I AB)A
= I BA + BIA
= I BA + BA = I.
b.- Si AB y BA tienen los mismos valores caractersticos, entonces son
equivalentes y AB = P-1BAP, entonces debemos probar que
Det(AB - OI) = Det(BA - OI).
Es decir:
Det(AB - OI) = Det(P-1BAP - OI)
= Det(P-1BAP - OP-1P)
= Det(P-1(BA - OI)P)
= Det(P-1)Det(BA - OI)Det(P)
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
420 VALORES Y VECTORES CARACTERISTICOS
= Det(BA - OI).
Con lo cual queda probado el inciso b).
E J E M P L O 8.3.8
Mostrar que la matriz A es semejante a la matriz B, obtenida mediante la
reflexin especular en su centro.
SO L U C I O N
La reflexin especular de una matriz A respecto de su centro, es una matriz B
igual a la transpuesta de A. Es decir B = AT. Si A y B son matrices semejantes,
entonces A = P-1BP = P-1ATP. Es decir, tendramos que probar que
Det(A - OI) = Det(P-1BP - OI)
= Det(P-1BP - OP-1P)
= Det(P-1(BP - OI)P)
= Det(P-1)Det(B - OI)Det(P)
= Det(B - OI)
= Det(AT - OI).
E J E M P L O 8.3.9
Demostrar que cualquier matriz cuadrada A es semejante a su matriz transpuesta
AT.
SO L U C I O N
Para demostrar que A y AT son semejantes, hay que probar que A = P -1ATP y que
adems tienen el mismo polinomio caracterstico. Es decir:
Det(A - OI) = Det(P-1ATP - OI)
= Det(P-1ATP - OP-1P)
= Det(P-1)Det(AT - OI)Det(P)
= Det(AT - OI).
E J E M P L O 8.3.10
Aclarar si son semejantes entre s las siguientes matrices:
3 2 5 6 20 34
A 2 6 10 , B 6 32 51 .
1 2 3 4 20 32
SO L U C I O N
Para comprobar que las matrices A y B son semejantes entre s, entonces stas
deben tener el mismo polinomio caracterstico:
3O 2 5
Det(A - , O O3 O 2 O ,
1 2 3 O
6-
Det(B - , 3 2 .
1 2 -3 -
De esta manera queda comprobado que las matrices A y B no son semejantes
entre s.
E J E M P L O 8.3.11
Aclarar si son semejantes entre s las siguientes matrices:
4 6 15 1 3 3 13 70 119
A 1 3 5 , B 2 6 13 , C 4 19 34 .
1 2 4 1 4 8 4 20 35
SO L U C I O N
Para comprobar que las matrices A, B y C son semejantes entre s, entonces stas
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 421
PR O B L E M AS
8.3.1 Demuestre que las matrices semejantes A y B 8.3.5 Compruebe que si dos matrices simtricas del
tienen la misma traza y el mismo determinante. mismo orden tienen el mismo polinomio caracterstico,
entonces son semejantes. Por medio de un ejemplo
8.3.2 Dar un ejemplo de matrices singulares A y B de concreto, muestre que esta afirmacin es falsa si las
3 x 3, para las cuales AB y BA no sean semejantes. matrices no son simtricas.
8.3.3 Suponga que A y B son matrices semejantes y que 8.3.6 Sean A y B matrices semejantes. Demustrese
A es no singular: que:
a.- Demuestre que B es no singular. a.- Para cada entero k t 0, Ak y Bk son semejantes.
b.- Demuestre que A-1 y B-1 son semejantes. b.- Para cada escalar c, cA y cB son semejantes.
c.- Si p(x) es un polinomio, entonces p(A) y p(B) son
8.3.4 Encuentre la matriz B para f con respecto a la base semejantes.
S y demuestre que B es semejante a A, la matriz de f:
a.- f : R 2 o R 2, f((x, y)) = (2x y, y x), 8.3.7 Sean A y B matrices semejantes. Demustrese
S = {(1, -2), (0, 3)}. que:
b.- f : R 2 o R 2, f((x, y)) = (x + y, 4y), a.- Para cada escalar c, cA y cB son semejantes.
S = {(-4, 1), (1, -1)}. b.- Si p(x) es un polinomio, entonces p(A) y p(B) son
c.- f : R 2 o R 2, f((x, y)) = (y, x), semejantes.
S = {(1, -1), (1, 1)}. c.- Si B es no singular, entonces A es no singular, y
d.- f : R 2 o R 2, f((x, y)) = (x + y, x y), A-1, B-1 son semejantes.
S = {(0, 1), (1, 0)}.
e.- f : R 3 o R 3, f((x, y, z)) = (x, y, z), 8.3.8 Puede una matriz ser semejante a dos matrices
S = {(1, 1, 0), (1, 0, 1), (0, 1, 1)}. diagonales distintas? Explique su respuesta.
f.- f : R 3 o R 3,
f((x, y, z)) = (x y + 2z, 2x + y z, x + 2y + z), 8.3.9 Hallar todas las matrices, cada una de las cuales
S = {(1, 0, 1), (0, 2, 2), (1, 2, 0)}. es semejante a s misma.
8.4 M A T R I C ES D I A G O N A L I Z A B L ES
En esta seccin se ver cmo diagonalizar una matriz de un endomorfismo f, encontrando una base para un
espacio vectorial V integrada por vectores caractersticos.
diagonal.
T E O R E M A 8.4.1
Una matriz D :(n, n) es diagonal si, y slo si, admite por vectores
caractersticos a las n matrices, E1, E2, ..., En :(n, 1). Adems, el valor
caracterstico correspondiente al vector caracterstico E i, es el elemento
de la diagonal principal de D que ocupa el lugar ( i, i); el orden de cada
valor caracterstico es el nmero de veces que l figura repetido en la
diagonal principal.
D E M OST R A C I O N
En el supuesto de que D sea diagonal, esto es, si
d11 0 0 0
0 d 22 0 0
D 0 0 d33 0
0 0 0 d
n n
su ecuacin caracterstica es
Det(D - OI) { (-1)n(O - d11)(O - d22)(O - dnn) = 0
Por tanto, sus valores caractersticos son los elementos de la diagonal principal.
Adems, como (D diiO)Ei = , se verifica que E1, E2, ..., En son vectores
caractersticos de D correspondientes, respectivamente, a los vectores
caractersticos d11, d22, ..., dnn.
Recprocamente, si E1, E2, ..., En son vectores caractersticos de D, llamando
Oi al valor caracterstico correspondiente al vector caracterstico E i, ha de ser
DEi = OiEi; ahora bien, como DE i es la matriz columna de lugar i de la matriz D,
resulta que la columna de lugar i tiene el elemento ( i, i) valiendo Oi y el resto de
sus elementos son nulos.
En consecuencia, D es diagonal y sus valores caractersticos son los elementos de
la diagonal principal.
D E F I N I C I O N 8.4.1
Una matriz A de n x n se dice diagonalizable si existe P de n x n tal que
D = P-1AP es una matriz diagonal; cuando as ocurra, a D se la llamar
forma diagonal de A y P ser la matriz no singular que transforma la
matriz A en matriz diagonal.
de la diagonal principal son d11, d22, ..., dnn, como quiera que dos matrices
semejantes tienen los mismos valores caractersticos y stos con iguales rdenes,
del precedente anlisis de las matrices diagonales se deduce que O1 = d11, O2 = d22,
..., On = dnn habran de ser valores caractersticos de A, siendo el orden de cada
uno de ellos igual al nmero de veces que aparece repetido en la diagonal
principal de D. Por tanto, para que A sea diagonalizable es necesario que admita,
si cada uno se cuenta tantas veces como indica su orden de multiplicidad,
exactamente n valores caractersticos; adems, y en el supuesto de ser A
diagonalizable, su forma diagonal tendra su diagonal principal constituida por los
valores caractersticos de A.
T E O R E M A 8.4.2
Una matriz A es diagonalizable si, y slo si, admite n vectores
caractersticos linealmente independientes. Se verifica, por tanto, que
para que A sea diagonalizable es necesario y suficiente que se verifiquen
los dos requisitos siguientes:
a.- La matriz A admite, si se cuenta cada uno un nmero de veces igual
a su orden de multiplicidad, exactamente n valores caractersticos.
Cuando el cuerpo K es algebraicamente cerrado, y en particular si es K =
C, esta condicin se satisface para toda matriz A.
b.- El orden de cada uno de los valores caractersticos de A es igual a la
dimensin de su subespacio propio.
T E O R E M A 8.4.3
Si una matriz A admite n valores caractersticos diferentes, entonces es
diagonalizable.
D E M OST R A C I O N
Si A admite valores caractersticos O1, O2, ..., On diferentes, como sus rdenes son
k i = 1, y dado que las dimensiones de los subespacios propios, qi, satisfacen
D E F I N I C I O N 8.4.2
Un endomorfismo f : V o V, donde V es un espacio vectorial de
dimensin finita n sobre un cuerpo K , se dice diagonalizable si existe
una base de V en la que la matriz asociada a f es una matriz diagonal.
De manera ms general
Ak = PDkP-1
%solucion
fprintf('\n LA MATRIZ REDUCIDA (%d) ES: \n',c)
R=rref(B);
R
end
fprintf('\n VECTORES CARACTERISTICOS \n')
V=vector';
for f2=1:filcol
fprintf('\n V%d : \n',f2)
V(f2,1:filcol)
end
P=vector;
fprintf('\n CONSTRUIMOS LA MATRIZ P:\n')
P
fprintf('\n ENCONTRAMOS LA INVERSA DE P:\n')
Q=inv(P);
Q
fprintf('\n DIAGONALIZAMOS D=Q*A*P:\n')
D=Q*A*P;
D
E J E M P L O 8.4.1
Sea f : R 3 o R 3 el endomorfismo que admite los valores caractersticos O1 = 1,
O2 = 2, O3 = -1 y que tiene por vectores caractersticos correspondientes a dichos
valores caractersticos a los vectores (1, 1, 1), (0, 1, 2) y (1, 2, 1),
respectivamente. Obtngase la matriz asociada a f respecto de la base cannica de
R 3. Determine Ak.
SO L U C I O N
Sabemos que una matriz A es diagonalizable si existe una matriz P no singular,
tal que D = P-1AP, entonces A = PDP-1. Es decir:
3 1
2 1 2 2 2 1
1 0 1 1 0 0
1 1 3 5
A 1 1 2 0 2 0 0 3
1 2 1 0 0 1 2 2 2 2
1
1 0 2 3
1
2 2
Para encontrar la matriz A , debemos aplicar Ak = PDkP-1:
3 1
1
k 2 2
1 0 1 1 0 0
1 1
A k 1 1 2 0 2 0 0
1 2 1 0 0 1 2 2
1 1 1
2 2
3 1
1
1 0 1 1
k
0 0 2 2
1 1
1 1 2 0 2
k
0 0
1 2 1 2 2
0 0 (1) k 1 1
1
2 2
Si k es par, tenemos
3 1
1
1 0 1 1
k
0
0 2 2 1 0 0
1 k k
Ak
2k 0
1 1 2 2 1
1 1 2 0 0
2 2
1
2
1 2 1 2
0 0 1k 1
1 2k
1
1
0 2 k
2 2
Si k es impar
3 1
1
1 0 1 1
k
0 0 2 2
1 1
A k
1 1 2 0 2k 0 0
1 2 1 2 2
0 0 (1) k 1 1
1
2 2
3 (1) k 1 (1) k
(1) k 1
2 2
2 k (1) k 3 k 2 k 2(1) k 1
2(1) 1 .
2 2
2 k 1 (1) k 3 2 k 1 (1) k 1
k
(1) 1
2 2
E J E M P L O 8.4.2
Diagonalizar la matriz
1 1 4
A 3 2 1
2 1 1
SO L U C I O N
Para diagonalizar la matriz A, debemos encontrar los valores y vectores
caractersticos. Es decir:
1 O 1 4
3 2O 1 = (1 - O)(O - 3)(O + 2) = 0
2 1 1 O
O1 = -2, O2 = 1, O3 = 3.
3 1 4 0 3 1 4 0 1 0 1 0
O1 = -2: 3 4 1 0 | 0 1 1 0 | 0 1 1 0
2 1 1 0 0 1 1 0 0 0 0 0
SpanV(-2) = {( a , b, c) / a = - c, b = c}
BaseV(-2) = {(-1, 1, 1)} dimV(-2) = 1.
0 1 4 0 3 1 1 0 1 0 1 0
O2 = 1: 3 1 1 0 | 0 1 4 0 | 0 1 4 0
2 1 2 0 0 1 4 0 0 0 0 0
SpanV(1) = {( a , b, c) / a = - c, b = - 4c}
BaseV(1) = {(-1, 4, 1)} dimV(1) = 1.
2 1 4 0 2 1 4 0 1 0 1 0
O3 = 3: 3 1 1 0 | 0 1 2 0 | 0 1 2 0
2 1 4 0 0 0 0 0 0 0 0 0
SpanV(3) = {( a , b, c) / a = c, b = 2c}
BaseV(3) = {(1, 2, 1)} dimV(3) = 1.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 427
E J E M P L O 8.4.3
Demuestre que si la matriz A es diagonalizable, entonces su transpuesta tambin
lo es.
SO L U C I O N
Suponga que la matriz A es diagonalizable. Entonces P-1AP = D es diagonal y
DT = (P-1AP)T = PTAT(P-1)T = PTAT(PT)-1
es diagonal. Por consiguiente, AT es diagonalizable.
E J E M P L O 8.4.4
Demuestre que si A es diagonalizable con n valores caractersticos reales O1, O2,
On, entonces Det(A) = O1O2 On
SO L U C I O N
Suponga que A es diagonalizable con valores caractersticos reales O1, O2On.
Entonces
O1 0 0
0 O2 0
Det(A) = Det(P -1AP) O1 O 2 O n .
0 0 On
E J E M P L O 8.4.5
Determnese, segn los diferentes valores de a , b R, los subespacios propios del
endomorfismo f : R 3 o R 3 que, respecto de la base cannica tiene asociada la
matriz:
a b 0
0 1 0
0 0 1
Analcese en qu casos es f diagonalizable.
SO L U C I O N
El polinomio caracterstico tiene la forma siguiente:
p(O) O3 aO2 O a .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 aO2 O a 0
(O a )(O 1)(O 1) 0
O = a , O = 1 y O = -1.
Donde O = a , O = 1 y O = -1 tienen multiplicidad algebraica 1. Los subespacios
propios se encuentran reemplazando cada valor caracterstico en la ecuacin
caracterstica, y luego se resuelve cada sistema de ecuaciones homogneo:
0 b 0 x 0
O = a : 0 1 a 0 y 0
0 1 a
0 z 0
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
428 VALORES Y VECTORES CARACTERISTICOS
0 b 0 0 0 b 0 0
0 1 a 0 0 | 0 0 0 0
0 0 1 a 0 0 0 1 a 0
de donde obtenemos que by = 0, (1 - a )z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / y = z = 0; b z 0, a z 1}.
a 1 b 0 x 0 a 1 b 0 0 2a 2 0 0 0
O = 1: 0 2 0 y 0 0 2 0 0 | 0 2 0 0
0 0 0 0 0 0 0 0 0 0 0
z 0
de donde obtenemos que 2( a 1)x = 0, y = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x = y = 0; a z 1}.
a 1 b 0 x 0 a 1 b 0 0
O = -1: 0 0 0 y 0 0 0 0 0
0 0 2 0 0 2 0
z 0
de donde obtenemos que ( a + 1)x + by = 0, z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / ( a + 1)x + by = 0, z = 0; a z -1 b z 0}.
La matriz dada es diagonalizable para todos los valores de a y b, excepto a = r 1.
E J E M P L O 8.4.6
Estdiese, segn los valores reales de a , la diagonalizabilidad de las matrices:
1 2 2 a 1 a a a
A 0 1 a y B a 2 a a 1
0 0 1 2 1 0
Para los valores de a que las hacen diagonalizables, hllese su forma diagonal D y
una matriz no singular P tal que D = P-1AP y D = P-1BP, respectivamente.
SO L U C I O N
Para la matriz A, el polinomio caracterstico tiene la forma siguiente:
p(O) O3 3O2 3O 1 .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 3O2 3O 1 0 (O 1)3 0 O = 1.
Donde O = 1 tiene multiplicidad algebraica 3. Los subespacios propios se
encuentran reemplazando cada valor caracterstico en la ecuacin caracterstica, y
luego se resuelve cada sistema de ecuaciones homogneo:
0 2 2 a x 0 0 2 2 a 0 0 2 a 0 0
O = 1: 0 0 a y 0 0 0 a 0 | 0 0 a 0
0 0 0 0 0 0 0 0 0 0
z 0 0
de donde obtenemos que 2 ay = 0, az = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / y = z = 0; a z 0}.
Podemos darnos cuenta que cuando O = 1, la multiplicidad algebraica es 3, ste
valor caracterstico genera un subespacio propio cuya multiplicidad geomtrica es
1. Como la multiplicidad geomtrica es diferente a la multiplicidad algebraica,
entonces no existe ningn valor para a , de tal forma que la matriz A sea
diagonalizable.
Para la matriz B , el polinomio caracterstico tiene la forma siguiente:
p(O) O3 O 2 O 1 .
E J E M P L O 8.4.7
Sabiendo que f : R 3 o R 3 es un endomorfismo diagonalizable que admite por
vectores caractersticos a los vectores (-1, 2, 2), (2, 2, -1), (2, -1, 2) y que
f((5, 2, 5)) = (0, 0, 7), hllense los valores caractersticos de f y su ecuacin en
base cannica.
SO L U C I O N
Sabemos que f(u) = Ou, entonces:
(0, 0, 7) = O(5, 2, 5) = (5O, 2O, 5O) O = 0 y O = 7/5.
Donde O = 0 tiene multiplicidad algebraica 2 y O = 7/5 tiene multiplicidad
algebraica 1. Como D = P-1AP, entonces A = PDP-1. Es decir:
1 2 2 28 14 28
1 2 2 0 0 0 9 9 9 45 45 45
2 2 1 14 7 14
A 2 2 1 0 0 0 .
2 1 2 9 9 9 45 45 45
0 0 7 2
1 2 28 14 28
5
9 9 9 45 45 45
De donde la transformacin lineal es:
1
f (( a, b, c )) (28a 14b 28c, 14 a 7b 14c, 28a 14b 28c ) .
45
E J E M P L O 8.4.8
Dada la matriz:
2 2 6
A 0 a 4 a
0 a a
a.- Prubese que para todo a C \ ^0, 1`, la matriz A :(3, 3) es
diagonalizable; prubese que tambin lo es para a = 1 y que no lo es para a = 0.
b.- Diagonalizar el endomorfismo f : R 3 o R 3 que tiene asociada en base
cannica a la matriz A para a = 1, localizando la base en la que f toma forma
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
430 VALORES Y VECTORES CARACTERISTICOS
diagonal.
SO L U C I O N
El polinomio caracterstico tiene la forma siguiente:
p(O) O3 2O2 4aO 8a .
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 2O2 4aO 8a 0
(O 2)(O2 4a ) 0
O = 2, O 2 a , O 2 a .
a.- Para que la matriz A sea diagonalizable, los valores caractersticos deben
tener multiplicidad algebraica 1 (todos los valores caractersticos deben ser
diferentes). Para conseguir esto, a z 0. Si a = 0, obtenemos un valor caracterstico
de multiplicidad algebraica 2 y un subespacio propio de multiplicidad geomtrica
1, lo cual no permite diagonalizar la matriz A .
b.- Si a = 1, entonces O = 2 y O = -2, donde O = 2 tiene multiplicidad algebraica
2 y O = -2 tiene multiplicidad algebraica 1. Los subespacios propios se encuentran
reemplazando cada valor caracterstico en la ecuacin caracterstica, y luego se
resuelve cada sistema de ecuaciones homogneo:
0 2 6 x 0 0 2 6 0 0 0 0 0
O = 2: 0 1 3 y 0 0 1 3 0 | 0 0 0 0
0 1 3 z 0 0 1 3 0 0 1 3 0
de donde obtenemos que y 3z = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / y 3z = 0}
BaseV(O) = {(1, 0, 0), (0, -3, 1)} dimV(O) = 2.
Como O = 2 tiene multiplicidad algebraica 2 y multiplicidad geomtrica 2,
entonces la matriz es diagonalizable.
4 2 6 x 0 4 2 6 0 1 0 2 0
O = -2: 0 3 3 y 0 0 3 3 0 | 0 1 1 0
0 1 1 z 0 0 1 1 0 0 0 0 0
de donde obtenemos que x + 2z = 0, y + z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / x + 2z = 0, y + z = 0}
BaseV(O) = {(-2, -1, 1)} dimV(O) = 1.
Por lo tanto la base para diagonalizar la matriz A es:
{(1, 0, 0), (0, -3, 1), (-2, -1, 1)}.
E J E M P L O 8.4.9
Si A :(n, n) es una matriz triangular cuyos elementos de la diagonal principal
son todos diferentes. Prubese que A es semejante a una matriz diagonal.
SO L U C I O N
Sabemos, que una matriz triangular con elementos diferentes en su diagonal
principal, tiene valores caractersticos, iguales a los elementos de su diagonal
principal. Por lo tanto, dicha matriz es diagonalizable por tener cada valor
caracterstico multiplicidad algebraica 1. Entonces, la matriz A es semejante a una
matriz diagonal, cuyos elementos de la diagonal son los valores caractersticos de
la matriz A.
E J E M P L O 8.4.10
Sea A :(n, n) y AT su transpuesta. Prubese que una es diagonalizable si, y
slo si, lo es la otra.
SO L U C I O N
Para que la matriz A sea diagonalizable, sus valores caractersticos deben ser
diferentes (tener multiplicidad algebraica 1). Entonces, para que su transpuesta
sea tambin diagonalizable, ambas deben tener el mismo polinomio caracterstico.
Es decir, debemos probar que Det(A - OI) = Det(AT - OI):
Det(A - OI) = Det(A - OI)T = Det(AT - OIT) = Det(AT - OI).
Con esto hemos demostrado que A y AT son diagonalizables.
E J E M P L O 8.4.11
Dada una matriz A :(n, n):
a.- Prubese que si A es diagonalizable, entonces tambin lo es A2.
b.- Sabiendo que u :(n, 1) es un vector caracterstico de A2, que no es vector
caracterstico de A, encuntrese otro vector caracterstico de A2 independiente de
u y correspondiente al mismo valor caracterstico que u.
SO L U C I O N
a.- Para que la matriz A sea diagonalizable, debe existir una matriz P no singular
tal que D = P-1AP. Para que A2 sea diagonalizable, debemos probar que
D2 = P-1A2P:
D2 = DD = (P-1AP)(P-1AP) = P-1APP-1AP = P-1AIAP = P-1AAP = P-1A2P.
De esta manera se demuestra que si A es diagonalizable, A2 tambin lo es.
b.- Sea u un vector caracterstico, correspondiente al valor caracterstico O de la
matriz A2 (este vector se obtiene de resolver el sistema (A2 - OI)u = ). Para
encontrar otro vector caracterstico de A2, independiente de u y que corresponda
al valor caracterstico O, debemos resolver el siguiente sistema:
(A2 - OI)v = u
donde v es el vector caracterstico solicitado. Aqu: tanto u como v, no son
vectores caractersticos de la matriz A.
E J E M P L O 8.4.12
Demuestre que la matriz:
2 1 3
A 1 1 4
3 4 2
es diagonalizable, mostrando que su polinomio caracterstico posee tres races
reales diferentes.
SO L U C I O N
El polinomio caracterstico tiene la forma siguiente:
p(O) = - O3 + 5O2 + 18O - 15.
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 - 5O2 - 18O + 15 = 0 O | 0.71, O | 7.201 y O | -2.92.
Todos los valores caractersticos son diferentes, entonces la matriz A es
diagonalizable.
E J E M P L O 8.4.13
Demustrese que los siguientes endomorfismos f : R 3 o R 3 son diagonalizables.
En cada caso encuentre una base S de R 3 respecto de la cual la matriz que
representa a f es una matriz diagonal.
a.- f(( a , b, c)) = (2a , 3a + 2b + c , 4 a + b + 2c);
b.- f(( a , b, c)) = (5 a - 3b + 2c, 6 a - 4b + 4c, 4 a - 4b + 5c);
c.- f((a , b, c)) = (7 a - 12b + 6c, 10 a - 19b + 10c, 12 a - 24b + 13c).
SO L U C I O N
a.- La matriz del endomorfismo es:
2 0 0
[ f ] 3 2 1.
4 1 2
El polinomio caracterstico tiene la forma siguiente: p(O) = - O3 + 6O2 - 11O + 6.
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 - 6O2 +11O -6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
Como los valores caractersticos de la matriz son diferentes, entonces sta es
diagonalizable. Los vectores caractersticos se encuentran reemplazando cada
valor caracterstico en la ecuacin caracterstica, y luego se resuelve cada sistema
de ecuaciones homogneo:
1 0 0 x 0
O = 1: 3 1 1 y 0
4 1 1 z 0
1 0 0 0 1 0 0 0 1 0 0 0
3 1 1 0 | 0 1 1 0 | 0 1 1 0
4 1 1 0 0 1 1 0 0 0 0 0
de donde obtenemos que x = 0, y + z = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / x = 0, y + z = 0}
BaseV(O) = {(0, -1, 1)} dimV(O) = 1.
0 0 0 x 0 0 0 0 0 0 0 0 0
O = 2: 3 0 1 y 0 3 0 1 0 | 3 0 1 0
4 1 0 z 0 4 1 0 0 0 1 0 0
de donde obtenemos que 3x + z = 0, y = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / 3x + z = 0, y = 0}
BaseV(O) = {(1, 0, -3)} dimV(O) = 1.
1 0 0 x 0
O = 3: 3 1 1 y 0
4 1 1 z 0
1 0 0 0 1 0 0 0 1 0 0 0
3 1 1 0 | 0 1 1 0 | 0 1 1 0
4 1 1 0 0 1 1 0 0 0 0 0
de donde obtenemos que x = 0, y z = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x = 0, y z = 0}
BaseV(O) = {(0, 1, 1)} dimV(O) = 1.
La base S de R 3 tiene la siguiente forma:
{(0, -1, 1), (1, 0, -3), (0, 1, 1)}.
b.- La matriz del endomorfismo es:
5 3 2
[ f ] 6 4 4 .
4 4 5
El polinomio caracterstico tiene la forma siguiente:
p(O) = - O3 + 6O2 - 11O + 6.
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O3 - 6O2 + 11O - 6 = 0 (O - 1)(O - 2)(O - 3) = 0 O = 1, O = 2 y O = 3.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 433
8 12 6 x
0
O = -1: 10 18 10 y
0
12 24 14
0
z
8 12 6 0 4 6 3 0 2 0 1 0
10 18 10 0 | 0 6 5 0 | 0 6 5 0
12 24 14 0 0 6 5 0 0 0 0 0
de donde obtenemos que 2x - z = 0, 6y - 5z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z) / 2x - z = 0, 6y - 5z = 0}
BaseV(O) = {(3, 5, 6)} dimV(O) = 1.
6 12 6 x 0 1 2 1 0 1 2 1 0
O = 1: 10 20 10 y 0 1 2 1 0 | 0 0 0 0
12 24 12 z 0 1 2 1 0 0 0 0 0
de donde obtenemos que x - 2y + z = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y) / x - 2y + z = 0}
BaseV(O) = {(2, 1, 0), (-1, 0, 1)} dimV(O) = 2.
La base S de R 3 tiene la siguiente forma:
{(3, 5, 6), (2, 1, 0), (-1, 0, 1)}.
E J E M P L O 8.4.14
Pruebe que los siguientes operadores f : :(2, 2) o :(2, 2) son diagonalizables.
En cada caso, encuentre una base S de :(2, 2) respecto de la cual la matriz que
representa a f es una matriz diagonal. Determine la matriz A k:
a b 2 a 2b a 5b
a.- f ;
c d 2 a c 4 a 8c 3d
a b a 6b 12c 4b 6c
b.- f .
c d 3 b 5c 3b 6c d
SO L U C I O N
a.- La matriz del endomorfismo es:
2 2 0 0
1 5 0 0
[f] .
2 0 1 0
4 0 8 3
El polinomio caracterstico tiene la forma siguiente:
p(O) = O4 - 9O3 + 23O2 - 3O - 36.
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O4 - 9O3 + 23O2 - 3O - 36 = 0
(O + 1)(O - 3)2(O - 4) = 0
O = -1, O = 3 y O = 4.
El valor caracterstico O = -1 tiene multiplicidad algebraica 1, O = 3 tiene
multiplicidad algebraica 2 y O = 4, tiene multiplicidad algebraica 1. Los vectores
caractersticos se encuentran reemplazando cada valor caracterstico en la
ecuacin caracterstica, y luego se resuelve cada sistema de ecuaciones
homogneo:
3 2 0 0 x 0
1 6 0 0 y 0
O = -1:
2 0 0 0 z 0
4 0 8 4 u 0
3 2 0 0 3 2 0 0 0 3 0 0 0 0
0
1 6 0 0
0 0 1 0 0 0 0 1 0 0 0
| |
1 0 0 0 0 1 0 0 0 0 0 0 0 0
0
1 0 2 0 0 2 6 3 0 0 0 2 1 0
1
de donde obtenemos que x = y = 0, -2z + u = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x = y = 0, -2z + u = 0}
BaseV(O) = {(0, 0, 1, 2)} dimV(O) = 1.
1 2 0 0 x 0
1 2 0 0 y 0
O = 3:
2 0 4 0 z 0
4 0 8 0 u 0
1 2 0 0 1 2 0 0 0 1 0 2 0
0 0
1 2 0 0
0 0 0 0 0 0 0 0 0 0
| |
0
1 0 2 0 0 1 1 0 0 0 1 1 0
0 0
1 0 2 0 0 1 1 0 0 0 0 0 0
0 0
de donde obtenemos que x 2z = 0, y - z = 0. Por consiguiente el subespacio
propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x 2z = 0, y - z = 0}
BaseV(O) = {(2, 1, 1, 0), (0, 0, 0, 1)} dimV(O) = 2.
2 2 0 0 x 0
1 1 0 0 y 0
O = 4:
2 0 5 0 z 0
4 0 8 1 u 0
1 1 0 0 0 1 1 0 0 0 4 0 0 5 0
1 1 0 0 0 0 0 0 0 0 0 0 0 0 0
| |
2 0 5 0 0 0 2 5 0 0 0 4 0 5 0
4 0 8 1 0 0 4 8 1 0 0 0 2 1 0
de donde obtenemos que 4x 5u = 0, 4y 5u = 0, 2z u = 0. Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / 4x 5u = 0, 4y 5u = 0, 2z u = 0}
BaseV(O) = {(5, 5, 2, 4)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:
{(0, 0, 1, 2), (2, 1, 1, 0), (0, 0, 0, 1), (5, 5, 2, 4)}.
La matriz Ak esta dada de la siguiente manera:
3 1
k 1 0
0 2 0 5 1 0 0 0 5 5
k 0 1 0 5 0 3 0 0 1 1 0 0
A
1 1 0 2 0 0 3 0 2 2 2 1
2 0 1 4 0 0 0 4 1 2 0 0
5 5
3 1
0 2 0 5 (1)
k
0 0 0 5 5 1 0
0 1 0 5 0 3k 0 0 1 1 0 0
1 1 0 2 0 0 3k 0 2 2 2 1
2 0 1 4 0 0 0
4 k 1 2 0
0
5 5
2 3k 2 2 k 22 k 1 2 3k 0 0
k 2k 2 k 1 k
3 2 2 3 0 0
k
k 22 k 1 3(1) k k 22( k 1) ( 1) k
3 5
3
5
(1) 0
k 22( k 1) 6(1) k k 22 k 3 2(1) k k k k
23 2 3 2(1) 2 3 3
5 5
b.- La matriz del endomorfismo es:
1 6 12 0
0 4 6 0
[f] .
0 3 5 0
0 3 6 1
El polinomio caracterstico tiene la forma siguiente:
p(O) = O4 - O3 - 3O2 + 5O - 2.
Los valores caractersticos se obtienen igualando a cero el polinomio
caracterstico:
O4 - O3 - 3O2 + 5O - 2 = 0 (O - 1)3(O + 2) = 0 O = 1 y O = -2.
El valor caracterstico O = 1 tiene multiplicidad algebraica 3, y O = -2
multiplicidad algebraica 1. Los vectores caractersticos se encuentran
reemplazando cada valor caracterstico en la ecuacin caracterstica, y luego se
resuelve cada sistema de ecuaciones homogneo:
0 1 2 0 x 0 0 1 2 0 0 0 1 2 0 0
0 1 2 0 y
0 1 2 0 0 | 0 0 0 0 0
0
O = 1:
0 1 2 0 z 0 0 1 2 0 0 0 0 0 0 0
0 1 2 0 u 0 0 1 2 0 0 0 0 0 0 0
de donde obtenemos que y + 2z = 0. Por consiguiente el subespacio propio
generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / y + 2z = 0}
BaseV(O) = {(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1)} dimV(O) = 3.
1 2 4 0 x 0
0 1 1 0 y 0
O = -2:
0 1 1 0 z 0
0 1 2 1 u 0
1 2 4 0 0 1 0 6 0 0 1 0 0 6 0
0 1 1 0 0 0 1 1 0 0 0 1 0 1 0
| |
0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
0 1 2 1 0 0 0 1 1 0 0 0 1 1 0
de donde obtenemos que x + 6u = 0, y u = 0, z + u = 0. Por consiguiente el
subespacio propio generado por el valor caracterstico, tiene la forma siguiente:
V(O) = {(x, y, z, u) / x + 6u = 0, y u = 0, z + u = 0}
BaseV(O) = {(-6, 1, -1, 1)} dimV(O) = 1.
La base S de :(2, 2) tiene la siguiente forma:
{(1, 0, 0, 0), (0, -2, 1, 0), (0, 0, 0, 1), (-6, 1, -1, 1)}.
La matriz A k esta dada de la siguiente manera:
k 1
1 0 0 6 1 0 0 0 1 0 0 6
Ak 0 2 0 1 0 1 0 0 0 2 0 1
0 1 0 1 0 0 1 0 0 1 0 1
0 0 1 1 0 0 0 2 0 0 1 1
k
1 0 0 6 1 0 0 0 1 6 12 0
0 2 0 1 0 1k 0 0 0 1 1 0
0 1
0 1 0 0 1k 0 0 1 2 1
0 0 1 1 0 0 0 k 0 1
(2) 2 0
1 3 2 k 1 (1) k 6 3 2 k 2 (1) k 12 0
0 2 2 k (1) k 2 2 k 1 (1) k 0
.
0 2 k (1) k 1 2 k 1 ( 1) k 1 0
0 1 2 k (1) k 2 2 k 1 (1) k 1
PR O B L E M AS
8.4.9 Suponga que los polinomios de grado 5 mostrados 8.4.10 Sea A de n x n una matriz idempotente de rango
a continuacin son polinomios caractersticos de alguna r:
matriz A de orden 5. En cada caso, diga si la matriz A es a.- Prubese que sus nicos valores caractersticos son 0
diagonalizable, si no es diagonalizable, o si posiblemente y 1.
sea diagonalizable. En el ltimo caso, diga qu b.- Prubese que el subespacio propio V(O),
condiciones adicionales se deben cumplir para que la correspondiente al valor caracterstico O = 0, tiene
matriz A sea diagonalizable: dimensin r y que el subespacio propio V(O),
a.- p(O) = (1 - O)(2 - O)(3 - O)(4 - O)(5 - O); correspondiente al valor caracterstico O = 1 tiene
b.- p(O) = (1 - O)2(3 - O)(-1 - O)2; dimensin n - r; dedzcase de ello que A es
c.- p(O) = (-1 - O)(-3 + 2O + O2)(6 - 5O + O2); diagonalizable y hllese su forma diagonal.
d.- p(O) = (2 - O)(O2 + 2O + 6)(O2 - 3O + 2);
e.- p(O) = (O3 - 5O2 + 6O)(-20 + 9O - O2);
f.- p(O) = (1 - O)3(1 + O2).
8.5 D I A G O N A L I Z A C I O N D E M A T R I C ES SI M E T R I C AS Y H E R M I T I C AS
En esta seccin se abordar el problema de determinar una base ortonormal para el espacio vectorial V,
integrada por vectores caractersticos de un endomorfismo simtrico f.
Cuando se considere una matriz cuadrada real que adems sea simtrica, caso este
muy frecuente en los problemas de la fsica, la simetra de la matriz trae consigo
grandes simplificaciones que permiten llegar a conclusiones francamente
interesantes. La situacin para las matrices reales simtricas, es an ms rica en
resultados: si al espacio vectorial R n se lo considera con su estructura ordinaria de
espacio eucldeo, entonces, adems de ocurrir que hay n vectores caractersticos
independientes, ocurre que es siempre posible elegir n vectores caracterstico
formando un sistema ortonormal; dicho de otra forma, existe siempre una base
ortonormal de R n constituida por vectores propios de una matriz real y simtrica
de orden n. As las cosas, si es A una matriz real simtrica y D su forma diagonal:
D = P-1AP, la matriz P cuyos vectores columna son vectores caractersticos, de A,
linealmente independientes, puede elegirse de manera que sea ortogonal; en
consecuencia, las cosas ocurren de modo que una matriz real simtrica es
semejante a una matriz diagonal, pero con la particularidad de que la matriz de
cambio es ortogonal, y se dice entonces que A es ortogonalmente semejante a una
matriz diagonal, o que A es ortogonalmente diagonalizable.
El procedimiento que se sigue en esta seccin, para llegar a los resultados que se
acaban de enunciar, va encaminado a probar la existencia de n vectores
caractersticos ortonormales de una matriz real simtrica, conseguido lo cual, el
resto de las cuestiones a demostrar resultan simples. Una matriz cuadrada A de
n x n real, considerada como un caso particular de las matrices complejas, tiene n
valores caractersticos que son las races de la ecuacin, en O: Det(A - OI) = 0,
esta ecuacin, algebraica de grado n de coeficientes reales, tiene n races en C
contando cada una tantas veces como indica su orden de multiplicidad. Por tanto,
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 439
los valores caractersticos de A pueden ser nmeros complejos, aun cuando A sea
real; lo que s se sabe es que, por ser reales los coeficientes de la ecuacin, si una
matriz real tiene valor caracterstico complejo, tiene tambin por valor
caracterstico el complejo conjugado y con igual orden que aqul. Para cada valor
caracterstico O de A, los vectores caractersticos correspondientes a O son los
vectores no nulos u C tales que Au = Ou; en general, estos vectores
caractersticos son complejos; pero, si O es real, la ecuacin (A - OI) = que da
los vectores caractersticos proporciona soluciones reales.
T E O R E M A 8.5.1
Si A es una matriz simtrica, O1 y O2 son dos valores caractersticos de A
y u1 es un vector propio correspondiente a O1 y u2 lo es a O2, entonces se
verifica
(O1 - O2)uT2 u1 = 0.
D E M OST R A C I O N
De acuerdo con la hiptesis, se verifica Au1 = O1u1 y Au2 = O2u2; multiplicando
por la izquierda la primera igualdad por uT2 y la segunda igualdad por uT1, se
obtiene:
uT2Au1 = O1uT2u1 y uT1Au2 = O2uT1u2
de la segunda de estas igualdades, y dado que A es simtrica, al trasponer ser
uT2Au1 = O2uT2u1
que comparada con la primera permite escribir
O1uT2u1 = O2uT2u1
de donde
(O1 - O2)uT2 u1 = 0.
T E O R E M A 8.5.2
Todos los valores caractersticos de una matriz real y simtrica son
nmeros reales.
D E M OST R A C I O N
Todo valor caracterstico O de la matriz real simtrica A es un nmero complejo,
y se pretende demostrar que tiene nula su parte imaginaria o, lo que es igual, que
coincide con su conjugado, es decir, O = O . Supngase que as no ocurre y que,
en consecuencia, fuese O z O ; de esta hiptesis se pretende llegar a una
contradiccin que obliga a rechazarla. Si O fuese, un valor caracterstico de A,
complejo pero no real, y u z un vector caracterstico correspondiente a O, es
decir, Au = Ou, donde u es la matriz columna de las coordenadas de u, entonces el
nmero complejo O, O z O , tambin sera valor caracterstico de A, ya que, por
ser A real, todos los coeficientes de la ecuacin caracterstica son reales y sta, al
admitir una raz compleja, admite tambin como raz a su conjugada; por otra
parte, dado que A es real, tomando conjugados en Au = Ou, se obtiene Au Ou ,
de donde se infiere que el vector u , conjugado del vector u, es un vector
caracterstico correspondiente a O . Aplicando la proposicin anterior a los
valores caractersticos O y O y sus vectores caractersticos u y u , se obtiene
(O - O ) u T u = 0, pero como se ha supuesto que O z O , habr entonces de
satisfacerse u T u = 0, es decir
a1a1 a2 a2 ... an an | a1 |2 | a2 |2 ... | an |2 0
de donde se deduce que ha de verificarse a 1 = 0, a 2 = 0, ..., an = 0, es decir, u = ,
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
440 VALORES Y VECTORES CARACTERISTICOS
D E F I N I C I O N 8.5.1
Dos matrices A, B de n x n reales, se dicen ortogonalmente semejantes
cuando existe una matriz ortogonal P tal que A = P-1BP.
Aun cuando de momento no ser utilizado, conviene hacer notar que si dos
matrices A y B son ortogonalmente semejantes, son, como consecuencia,
congruentes; en efecto, si A = P-1BP, siendo P ortogonal, es evidente que
A = PTBP, es decir, A y B son congruentes siendo ortogonal la matriz de
transformacin, es decir, ortogonalmente congruentes. Se tiene entonces que, para
toda matriz real cuadrada A, su transformada por semejanza mediante una matriz
ortogonal y su transformada por congruencia mediante la misma matriz son
iguales; es decir, si slo se considerasen matrices de cambio ortogonales, la
semejanza y la congruencia seran una misma cosa; dicho de otra forma, la
semejanza ortogonal y la congruencia ortogonal son conceptos equivalentes.
D E F I N I C I O N 8.5.2
Para cualquiera que sea la matriz A de n x n, real y simtrica, la
transformacin lineal f : R n o R n asociada a A respecto de la base
cannica de R n se dice que es una transformacin simtrica.
T E O R E M A 8.5.3
Para una matriz real simtrica, los subespacios propios correspondientes
a valores caractersticos diferentes son ortogonales.
D E M OST R A C I O N
Hay que demostrar que cualquier vector caracterstico u correspondiente al valor
caracterstico O, es decir, u V(O), es ortogonal a todo vector caracterstico v
V(M), correspondiente al valor caracterstico M; se verifica (O - M)vT u = 0 o, lo
que es igual, a 1b1 + a 2b2 + ... + a nbn = u v = 0 y, por tanto u y v son
efectivamente ortogonales.
T E O R E M A 8.5.4
Si una matriz simtrica real es diagonalizable, entonces es
ortogonalmente diagonalizable.
D E M OST R A C I O N
Una matriz cuadrada es diagonalizable si, y slo si, la suma de las dimensiones de
sus subespacios propios, q1 + q2 + ... + qr, es igual al orden n de la matriz; como
los subespacios propios de una matriz real simtrica, adems de ser disjuntos, son
ortogonales dos a dos, tomando bases ortonormales en cada uno de ellos, el
conjunto formado por los q1 + q2 + ... + qr vectores de las diferentes bases es un
sistema ortonormal de vectores caractersticos de la matriz que, si sta es
diagonalizable, se trata, de una base ortonormal de R n de vectores caractersticos
de la matriz A; respecto de dicha base, la matriz D, semejante a A, es diagonal y
esta diagonalizacin se ha realizado, entonces, mediante una matriz de
transformacin P ortogonal, ya que es aquella cuyos vectores columna son los de
la mencionada base ortonormal de R n y, en consecuencia, A es ortogonalmente
diagonalizable.
T E O R E M A 8.5.5
Si f : R n o R n es una transformacin lineal simtrica y V es un
subespacio de R n tal que f(V) V, entonces V tiene, al menos, una base
ortonormal constituida por vectores caractersticos de f.
D E M OST R A C I O N
Se proceder por induccin sobre la dimensin de V, es decir, probando que es
verdadera si Dim(V) = 1 y demostrando que, caso de ser verdadera cuando
Dim(V) = q 1, tambin lo es si Dim( V) = q. La comprobacin de la veracidad
de la proposicin cuando V tiene dimensin 1 es inmediata: como existe un
u
vector no nulo u de V, el sistema constituido por el nico vector v es una
|| u ||
base ortonormal de V y adems v es vector caracterstico de f, ya que f(v) es un
vector de V, pues f(V) V, y, por tanto, para un cierto nmero real O, es
f(v) = Ov, lo que confirma la veracidad. Queda por cerciorarse de que la propiedad
es verdadera para cualquiera que sea la dimensin q de V, en el supuesto de que
lo sea para los espacios de dimensiones q 1; en efecto, {u1, u2, ..., uq} una base
ortonormal de V, la cual puede completarse con n q vectores hasta constituir
una base ortonormal {u1, u2, ..., uq, uq+1, uq+2, ..., un} de R n; como f es una
transformacin simtrica, la ecuacin de f en esta ltima base viene dada por una
matriz A simtrica, v = Au; por otra parte, como f(V) V, si u V, entonces
v = f(u) V, es decir, si las componentes de lugares q + 1, q + 2, ..., n de u son
nulas tambin lo son las de v = f(u) y, por tanto, A de ser tal que, para todo
u R q, satisfaga a:
b1 a11 a1q a1n a1
bq aq1 aqq aqn aq
0 0
0 a anq an n 0
n1
en consecuencia, respecto de la base {u1, u2, ..., uq} de V, la restriccin
f | V : V o V, de f a V, tiene ecuacin matricial v1 = A1u1, es decir:
b1 a11 a12 a1q a1
b2 a21 a22 a2q a2
.
bq aq1 aq 2 aqq aq
Por ser A1 real y simtrica sus valores caractersticos son reales y hay al menos un
vector caracterstico real, u z , para el que es f | V (u) = Ou, siendo O el valor
caracterstico que admite a u por vector caracterstico; por tanto, f(u) = Ou, es
u
decir, u es vector caracterstico de f y, en consecuencia, v V es vector
|| u ||
caracterstico de f. Considrese ahora el subespacio vectorial U, de V, ortogonal a
v, es decir, el constituido por todos los vectores de V ortogonales a v, el cual es de
dimensin q 1; para cualquiera que sea w U, es decir, w V y w A v, ser
f(w) V y w v = 0, y en consecuencia:
f(w) v = (Aw)Tv = wTATv
= wTAv = wT(Av)
= w f(v)
= w Ov
= Ow v = 0
por consiguiente, si w U, entonces f(w) V y f(w) A v, es decir, f(w) U,
resultando entonces que U es un subespacio de R n de dimensin q 1 tal que f le
transforma en s mismo; por tanto, segn lo supuesto, la proposicin es verdadera
para U, es decir, U posee una base ortonormal de vectores caractersticos de f; en
consecuencia, al aadir a esta base el vector v, se obtiene una base ortonormal de
V formada por vectores caractersticos de f.
T E O R E M A 8.5.6
Toda matriz real y simtrica es ortogonalmente diagonalizable.
D E M OST R A C I O N
La demostracin de este teorema resulta ya evidente: sea f : R n o R n la
transformacin lineal asociada a la matriz A en la base cannica de R n; f es,
entonces, una transformacin lineal simtrica y, por tanto, segn la consecuencia
anterior, existe una base ortonormal de R n formada por vectores caractersticos de
f, los cuales lo son de A. La matriz P que se busca es, aquella cuyos vectores
columna son los vectores de dicha base ortonormal.
E J E M P L O 8.5.1
Demostrar que los mdulos de todos los valores caractersticos de una matriz
ortogonal son iguales a 1.
SO L U C I O N
Sea A una matriz ortogonal. Entonces
Au Av u AAv u v
para cualesquiera vectores reales u y v. Supongamos que O = a + bi es un valor
caracterstico de la matriz A y que w = u + vi es su vector caracterstico
correspondiente. Entonces
Au = au bv, Av = av + bu,
de donde
2 2 2
v v v Av Av a2 v b2 u 2abu v ,
2 2 2 2 2
v v v Av Av a v b u 2abu v .
Sumando estas igualdades, obtenemos a 2 + b2 = 1.
E J E M P L O 8.5.2
Demostrar que los vectores caractersticos de una matriz ortogonal, pertenecientes
a un valor caracterstico imaginario, tienen la forma u + iv, donde u, v son
vectores reales, iguales de longitud y ortogonales.
SO L U C I O N
Para b GHODV~OWLPDVLJXDOGDGHVGHOSUREOHPDDQWHULRUREWHQHPRV
2 2
b( u v ) 2a u v 0 .
Por otra parte,
u v Au Av ( a 2 b2 )u v ab u 2
v
2
de donde
2 2
a( u v ) 2bu v 0 .
Por consiguiente
2 2
u v u v 0.
E J E M P L O 8.5.3
Demuestre que una matriz P de n x n es ortogonal s y slo si sus vectores
columna forman un conjunto ortonormal.
SO L U C I O N
Suponga que los vectores columna de la matriz P forman un conjunto ortonormal:
p11 p12 ... p1n
p p22 ... p2 n
P ( p1 : p2 :...: pn ) 21 .
pn1 pn 2 ... pnn
Entonces el producto PTP es de la forma
E J E M P L O 8.5.4
Diagonalizar ortogonalmente las siguientes matrices:
1 4 2 4 2 2 2 0 36
a.- 4 1 2 ; b.- 2 4 2 ; c.- 0 3 0 .
2 2 2 2 2 4 36 0 23
SO L U C I O N
a.- Para diagonalizar la matriz A, debemos encontrar los valores y vectores
caractersticos. Es decir:
1 O 4 2
4 1 O 2 = (6 - O)(O + 3)2 = 0 O1 = -3, O2 = 6.
2 2 2 O
4 4 2 0 4 4 2 0
O1 = -3: 4 4 2 0 | 0 0 0 0
2 2 1 0 0 0 0 0
SpanV(-3) = {( a , b, c) / 2 a 2b + c = 0}
BaseV(-3) = {(1, 0, -2), (0, 1, 2)} dimV(-3) = 2.
5 4 2 0 5 4 2 0 1 0 2 0
O2 = 6: 4 5 2 0 | 0 1 2 0 | 0 1 2 0
2 2 8 0 0 1 2 0 0 0 0 0
SpanV(6) = {( a , b, c) / a = 2c, b = - 2c}
BaseV(6) = {(2, -2, 1)} dimV(6) = 1.
Base V(O) = {(1, 0, -2), (0, 1, 2), (2, -2, 1)}
4 2
Base ortogonal V(O) = (1, 0, 2), ,1, , (2, 2,1)
5 5
1 5 4 2 1
Base ortonormal V(O) = (1, 0, 2), ,1, , (2, 2,1)
5
3 5 5 3
1 4 2
5 3 5 3
5 2
P 0
3 5 3
2 2 1
5 3 5 3
T
1 4 2 1 4 2
5 3 5 3 5 3 5 3
1 4 2
5 2 5 2
D = P T AP 0 4 1 2 0
3 5 3 3 5 3
2 2 2
2 2 1 2 2 1
5 3 5 3 5 3 5 3
3 0 0
0 3 0
0 0 6
b.- Para diagonalizar la matriz A , debemos encontrar los valores y vectores
caractersticos. Es decir:
4O 2 2
2 4O 2 = (8 - O)(O - 2)2 = 0 O1 = 2, O2 = 8.
2 2 4O
2 2 2 0 2 2 2 0
O1 = 2: 2 2 2 0 | 0 0 0 0
2 2 2 0 0 0 0 0
SpanV(2) = {( a , b, c) / a + b + c = 0}
BaseV(2) = {(-1, 1, 0), (-1, 0, 1)} dimV(2) = 2.
4 2 2 0 2 1 1 0 2 1 1 0
O2 = 8: 2 4 2 0 | 1 2 1 0 | 0 1 1 0
2 2 4 0 1 1 2 0 0 1 1 0
1 0 1 0
0 1 1 0
0 0 0 0
SpanV(8) = {( a , b, c) / a = c, b = c}
BaseV(8) = {(1, 1, 1)} dimV(8) = 1.
Base V(O) = {(-1, 1, 0), (-1, 0, 1), (1, 1, 1)}
1 1
Base ortogonal V(O) = (1,1, 0), , ,1 , (1,1,1)
2 2
1 2 1 1 1
Base ortonormal V(O) = (1,1, 0), , ,1 , (1,1,1)
2 3 2 2 3
1 1 1
2 6 3
1 1 1
P
2 6 3
2 1
0
6 3
T
1 1 1 1 1 1
- - - -
2 6 3 4 2 2 2 6 3 2
0 0
1 1 1 1 1 1
D = P T AP = - 2 4 2 2 - 0 2 0
2 6 3 6 3
2 2 4 0 0 8
2 1 2 1
0 0
6 3 6 3
c.- Para diagonalizar la matriz A, debemos encontrar los valores y vectores
caractersticos. Es decir:
2 O 0 36
0 3 O 0 = (O + 3)(25 O)(O + 50) = 0
36 0 23 O
O1 = -50, O2 = -3, O3 = 25.
48 0 36 0 4 0 3 0 4 0 3 0
O1 = -50: 0 47 0 0 | 0 1 0 0 | 0 1 0 0
36 0 27 0 4 0 3 0 0 0 0 0
SpanV(-50) = {( a , b, c) / 4a - 3c = 0, b = 0}
BaseV(-50) = {(3, 0, 4)} dimV(-50) = 1.
1 0 36 0 1 0 36 0 1 0 36 0
O2 = -3: 0 0 0 0 | 0 0 0 0 | 0 0 0 0
36 0 20 0 9 0 5 0 0 0 324 0
1 0 0 0
0 0 0 0
0 0 1 0
SpanV(-3) = {( a , b, c) / a = c = 0}
BaseV(-3) = {(0, 1, 0)} dimV(-3) = 1.
27 0 36 0 3 0 4 0 3 0 4 0
O3 = 25: 0 28 0 0 | 0 1 0 0 | 0 1 0 0
36 0 48 0 3 0 4 0 0 0 0 0
SpanV(25) = {( a , b, c) / 3 a 4c = 0, b = 0}
BaseV(25) = {(-4, 0, 3)} dimV(25) = 1.
Base V(O) = {(3, 0, 4), (0, 1, 0), (-4, 0, 3)}
3 4
5 0 5
1 1
Base ortonormal V(O) = (3, 0, 4), (0,1, 0), (4, 0, 3) P 0 1 0
5 5 4 3
0
5 5
T
3 4 3 4
5 0 - 5 -2 0 -36 5 0 - 5
D = P T AP = 0 1 0 0 -3 0 0 1 0
4 3 -36 0 -23 4 3
0 0
5 5 5 5
-50 0 0
= 0 -3 0 .
0 0 25
PR O B L E M AS
8.5.1 Demuestre que si una matriz simtrica A 8.5.7 Si A de n x n es una matriz diagonal con todos
solamente tiene un valor caracterstico O, entonces los elementos de su diagonal principal diferentes.
A = OI. Prubese que las matrices que conmutan con A son las
matrices diagonales, y slo ellas.
8.5.2 Obtener una matriz simtrica B de 2 x 2 tal que
B2 = A para la matriz 8.5.8 Diagonalizar ortogonalmente las matrices
2 1 simtricas:
A . 3 1 0 17 8 4
1 2
a.- 1 3 0 ; b.- 8 17 4 ;
0 0 2 4 4 11
8.5.3 Determine una matriz ortogonal P tal que P -1AP
sea diagonal para la matriz 5 10 8 2 2 2
a b
c.- 10 2 2 ; d.- 2 5 4 ;
A .
b a 8
2 11 2 4 5
6 2 2 11 2 8
8.5.4 Diagonalizar ortogonalmente las siguientes
matrices: e.- 2 5 0 ; f.- 2 2 10 ;
2 0 7 8 10 5
1 2 1 0 2 3
a.- 2 3 0 ; b.- 2 4 1 ; 4 3i 4i 6 2i
1 0 1 3 1 5
g.- 4i 4 3i 2 6i .
6 2i 2 6i 1
1 1 1 4 2 3
c.- 1 1 1 ; d.- 2 2 1 ;
1 1 0 3 1 2 8.5.9 Sea A una matriz simtrica de orden n. Suponga
que todos los valores caractersticos de A son cero.
6 3 2 Muestre que en tal caso, A es la matriz cero. Por medio
de un ejemplo concreto, muestre que esta afirmacin es
e.- 3 7 4 .
2 4 8 falsa si A no es simtrica.
8.5.10 Sea f : R 3 o R 3 el operador lineal para el cual
8.5.5 Prubese que el endomorfismo nulo es el nico
f(e1) = f(e2) = f(e3) = (1, 1, 1), en donde e1, e2, e3 son los
endomorfismo simtrico y nilpotente.
vectores de la base cannica de R 3. Encuentre una base
ortonormal de R 3 respecto de la cual la representacin
8.5.6 Sea A una matriz simtrica de orden n, tal que en
matricial de f sea una matriz diagonal.
su diagonal principal aparecen slo ceros. Demuestre que
la suma de todos sus valores caractersticos es igual a
cero.
8.6 P O L I N O M I O M I NI M O D E U N A M A T R I Z
En esta seccin se ver cmo determinar el polinomio mnimo del endomorfismo f, utilizando el polinomio
caracterstico.
En esta seccin ser de inters estudiar polinomios que son anulados por matrices.
Ms concretamente, se estudiar el problema de, dada una matriz A de n x n,
encontrar un polinomio de menor grado que es anulado por la matriz A.
Tal polinomio existe. Adems, su grado no excede a n2. Uno de los resultados
importantes que se ver en esta seccin es el grado de tal polinomio de hecho no
excede a n.
D E F I N I C I O N 8.6.1
Sea A una matriz cuadrada de orden n. Se dice que m(x) es un polinomio
mnimo de A si m(x) es un polinomio mnico y es, de entre todos los
polinomios que son anulados por A, un polinomio del menor grado
posible.
T E O R E M A 8.6.1
El polinomio mnimo de una matriz es nico.
D E M OST R A C I O N
Sean m1(x) y m2(x) dos polinomios de A. Segn la definicin, m1(x) y m2(x) son
polinomios mnicos del mismo grado, dgase
m1(x) = a 0 + a 1x + ... + a k-1xk-1 + xk
y
m2(x) = b0 + b1x + ... + bk-1xk-1 + xk
Se quiere demostrar que a 0 = b0, a 1 = b1 a k-1 = bk-1, es decir, que
m1(x) = m2(x). Sea p(x) = m1(x) - m2(x). Entonces
p(x) = (a 0 b0) + (a 1 b1)x + ... + ( a k-1 bk-1)xk-1 + xk
Supngase, para obtener una contradiccin, que existe j, 1 d j d k 1 tal que
a j bj z 0. Tmese el menor ndice j con esta propiedad. Entonces
p(x) = (a 0 b0) + (a 1 b1)x + ... + ( a j bj)xj.
Sea
1
p( x) p( x)
a j bj
se tiene que
a.- p( x) es un polinomio mnico;
b.- p( x) es anulado por la matriz A, pues
1 1 1
p(A) p(A) (m1 (A) m2 (A)) 0 0
a j bj a j bj a j bj
Como el grado del polinomio p( x) es menor que k = grado de m1(x) = grado de
m2(x), las propiedades mostradas anteriormente contradicen que m1(x) o m2(x) es
un polinomio mnimo de A. Entonces, a j bj = 0. Es decir, que p(x) = 0 y por
tanto, m1(x) = m2(x).
T E O R E M A 8.6.2
El polinomio mnimo de A, m(x), divide a todo polinomio p(x) que es
anulado por A.
D E M OST R A C I O N
Sea p(x) un polinomio tal que p(A) = 0, se debe demostrar que p(x) = q(x)m(x)
para algn polinomio q(x). Al usar el algoritmo de la divisin para polinomios, se
puede escribir
p(x) = q(x)m(x) + r(x)
en donde q(x) es el cociente de la divisin de p(x) entre m(x) y r(x) es el resto.
Recurdese que el polinomio r (x) tiene la propiedad de que:
a.- r(x) = 0;
b.- grado r(x) < grado m(x).
Se afirma que en este caso, r(x) debe cumplir la primera de estas propiedades. En
efecto, supngase que se cumple la segunda propiedad para r(x), esto es, grado
T E O R E M A 8.6.3
Si A y B son matrices semejantes dgase que A = C-1BC, y p(x) es
cualquier polinomio, entonces p(A) = C-1p(B)C.
D E M OST R A C I O N
Primeramente, prubese que para cualquier n N se tiene la relacin
An = C-1BnC
por induccin. Para n = 1, el resultado es obvio. Supngase entonces vlido el
resultado para n = k y demustrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
T E O R E M A 8.6.4
Matrices semejantes tienen el mismo polinomio mnimo.
D E M OST R A C I O N
Sean A y B dos matrices semejantes. Existe entonces C no singular tal que
A = C-1BC. Dentese por mA(x) y mB(x) a los polinomios mnimos de A y B,
respectivamente. Entonces
mB(A) = C-1m(B)C = C-10C.
Por tanto, existe q(x) tal que mB(x) = q(x)mA(x). De donde
grado mB(x) t grado mA(x).
Un argumento similar nos conduce a que
grado mA(x) t grado mB(x).
Entonces
grado mA(x) = grado mB(x)
mB(x) es, pues, un polinomio mnimo, del mismo grado que mA(x), que es anulado
por A. Por lo tanto mB(x) debe ser mA(x).
T E O R E M A 8.6.5
Sea A una matriz cuadrada de orden n y sea p(x) su polinomio
caracterstico. Entonces p(A) = 0. Esto se conoce con el nombre de
teorema de Hamilton Cayley.
D E M OST R A C I O N
Escrbase el polinomio caracterstico de A como
p(O) = Det(A - OI) = (-1)n( a 0 + a 1O + ... + a n-1On-1 + On).
Considrese la matriz A - OI de orden n. En el captulo 3, establecimos la frmula
(A - OI)Adj(A - OI) = Det(A - OI).
Recurdese que los elementos de la matriz adjunta de A - OI son los cofactores de
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
450 VALORES Y VECTORES CARACTERISTICOS
T E O R E M A 8.6.6
El polinomio mnimo de una matriz divide a su polinomio caracterstico.
T E O R E M A 8.6.7
Sea O un valor caracterstico de la matriz A, y sea u un vector
caracterstico asociado al valor caracterstico O. Si q(O) es un polinomio
cualquiera, se tiene que q(A)u = q(O)u.
D E M OST R A C I O N
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relacin establece que u es un vector propio de A asociado al valor
propio O. Supngase vlida la relacin para k y prubese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = ( a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O)u.
T E O R E M A 8.6.8
Si O1, O2, ..., Ok son los valores caractersticos diferentes de la matriz A y
si el polinomio caracterstico de A es
p(O) = (-1)k(O - O1)s1(O - O2)s2 ... (O - Ok)sk
entonces el polinomio mnimo de A tiene la forma
m(O) = (O - O1)r2(O - O3)r3 O - Ok)rk
en donde 1 d r i d si, i = 1, 2, ..., k. Es decir, todo factor lineal que
aparezca en el polinomio caracterstico de A, debe tambin aparecer en
su polinomio mnimo.
T E O R E M A 8.6.9
Sea O1, O2, ..., Ok los valores propios diferentes de la matriz A. Esta
matriz es diagonalizable si, y slo si su polinomio mnimo es
m(O) = (O - O1)(O - O2) ... (O - Ok).
D E M OST R A C I O N
Supngase primeramente que A es diagonalizable. Existe entonces una matriz no
singular P tal que P-1AP = D, en donde D es una matriz diagonal. An ms, en la
diagonal principal de D aparecen los valores propios de A. Entonces, el polinomio
caracterstico de D es
p(O) (1) k (O O1 )s1 (O O2 )s2 ...(O O k )sk
en donde
si = DimV(Oi), i = 1, 2, ..., k y s1 + s2 + sk = n.
Segn el teorema anterior, en el polinomio mnimo de D deben aparecer todos los
factores (O - O1)(O - O2) ... (O - Ok). Es claro que el polinomio mnico de
menor grado posible en el que aparecen todos estos factores es
m(O) = (O - O1)(O - O2) ... (O - Ok).
Se ver que de hecho ste es el polinomio mnimo de D. Basta verificar entonces
que m(D) = 0. Obsrvese que
m(D) = (D - O1I)(D - O2I) ... (D - OkI).
A partir de la estructura de la matriz D, se puede deducir que D - O1I es una
matriz diagonal con ceros en la primera DimV(O1) posiciones de la diagonal
principal, D - O2I es una matriz diagonal con ceros en las Dim V(O2) posiciones
despus de las primeras Dim(O1) posiciones de la diagonal principal, etc. D - O1I
es una matriz diagonal con ceros en la ltima DimV(Ok) posiciones de la diagonal
principal. Por otra parte, q(D) es el producto de k matrices diagonales. Se sabe
que al multiplicar matrices diagonales se obtiene tambin una matriz diagonal en
cuya diagonal principal aparecen los productos de los elementos correspondientes
de las diagonales principales de cada una de las matrices en el producto. Por lo
analizado anteriormente acerca de la estructura de las matrices diagonales D - OiI,
i = 1, 2, ..., k que aparecen como vectores en q(D), se concluye que q(D) = 0.
Entonces
m(O) = (O - O1)(O - O2) ... (O - Ok)
es el polinomio mnimo de D. Es, por tanto, el polinomio mnimo de A.
Supngase ahora que el polinomio mnimo de A es de la forma mostrada
anteriormente para m(O). Considrense los espacios vectoriales V(O1), V(O2), ...,
V(Ok) correspondientes a los valores propios O1, O2, ..., Ok, respectivamente.
Recurdese que V(Oi) es el espacio solucin del sistema homogneo (A - OiI)u =
. De acuerdo a lo visto en secciones anteriores, la dimensin del subespacio
propio V(Oi) es DimV(Oi) = n Rang(A - OI).
Anteriormente, se prob que para cualesquiera dos matrices cuadradas A y B de
orden n se cumple
E J E M P L O 8.6.1
Si A y B son matrices semejantes dgase que A = C-1BC, y p(x) es cualquier
polinomio, entonces p(A) = C-1p(B)C.
SO L U C I O N
Primeramente, prubese que para cualquier n N se tiene la relacin
An = C-1BnC
por induccin. Para n = 1, el resultado es obvio. Supngase entonces vlido el
resultado para n = k y demustrese para n = k + 1. Se tiene que
Ak+1 = AAk = A(C-1BkC) = (C-1BC)(C-1BkC) = C-1Bk+1C.
Sea ahora el polinomio
p(A) = a 0I + a 1A + ... + a mAm
= a 0C-1C + a 1C-1BC + ... + a mC-1BmC
= C-1( a 0I + a 1B + ... + a mBm)
= C-1p(B)C.
E J E M P L O 8.6.2
Para cada una de las siguientes matrices determine su polinomio mnimo:
2 0 0 1 2 3 1 1 0 0 1 0
a.- 0 2 2 ; b.- 0 2 3 ; c.- 1 2 1 ; d.- 0 0 1 .
0 2 1 0 0 3 0 1 1 1 3 3
SO L U C I O N
a.- El polinomio caracterstico de A es p(O) = -O3 - O2 + 8O + 12. Tal como lo
asegura el teorema de Hamilton-Cayley se tiene
p( A) A3 A2 8 A 12 I
8 0 0 4 0 0 2 0 0 1 0 0
0 20 14
0 8 2 8 0 2 2 12 0 1 0 O .
0 14 1 0 2 5 0 2 1 0 0 1
Para determinar el polinomio mnimo m(O) de A , debemos apoyarnos en el
teorema anterior: como m(O) debe dividir a p(O), se tienen entonces las siguientes
posibilidades:
1.- m1(O) = O - 3
2.- m2(O) = O + 2
3.- m3(O) = (O + 2)2 = O2 + 4O + 4
E J E M P L O 8.6.3
Sea O un valor caracterstico de la matriz A, y sea u un vector caracterstico
asociado al valor caracterstico O. Si q(O) es un polinomio cualquiera, se tiene que
q(A)u = q(O)u.
SO L U C I O N
Primeramente se observa que para todo k N se tiene Aku = Oku. En efecto, para
k = 1 esta relacin establece que u es un vector propio de A asociado al valor
propio O. Supngase vlida la relacin para k y prubese para k + 1. Se tiene
Ak+1u = AAku = AOku = OkAu = OkOu = Ok+1u.
Sea ahora q(O) el polinomio q(O) = a 0 + a 1O + ... + a mOm Entonces
q(A)u = (a 0I + a 1A + ... + a mAm)u
= a 0Iu + a 1Au + ... + a mAmu
= a 0u + a 1Au + ... + a mAmu
= ( a 0 + a 1O + ... + a mOm)u
= q(O).
E J E M P L O 8.6.4
Para cada una de las siguientes matrices determine su polinomio caracterstico y
su polinomio mnimo:
2 2 0 0 2 1 0 0 2 1 0 0
1 5 0 0 0 2 1 0 0 2 1 0
a.- ; b.- ; c.- .
2 0 1 0 0 0 2 1 0 0 2 0
4 0 8 3 0 0 0 2 0 0 0 2
SO L U C I O N
a.- El polinomio caracterstico de A es
p(O) = (O - 3)2(O - 4)(O + 1)
Entonces, el polinomio mnimo de A puede ser
m(O) = (O - 3)(O - 4)(O + 1) m(O) = (O - 3)2(O - 4)(O + 1)
Verifique la primera alternativa
m(A) = (A 3I)(A 4I)(A + I)= O.
Entonces, efectivamente m(O) = (O - 3)(O - 4)(O + 1) es el polinomio mnimo de
A.
b.- El polinomio caracterstico de A es
p(O) = (O - 2)4
Entonces, el polinomio mnimo de A puede ser
m(O) = (O - 2)3 m(O) = (O - 2)4
Verifique la primera alternativa
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 455
m(A) = (A 2I)3 z O.
Entonces, m(O) = p(O) es el polinomio mnimo de A.
c.- El polinomio caracterstico de A es
p(O) = (O - 2)4
Entonces, el polinomio mnimo de A puede ser
m(O) = (O - 2)3 m(O) = (O - 2)4
Verifique la primera alternativa
m(A) = (A 2I)3 = O.
Entonces, efectivamente m(O) = (O - 2)3 es el polinomio mnimo de A.
E J E M P L O 8.6.5
Dada la matriz
1 4 0 2 4
0 2 0 0 0
A 0 6 1 0 0
0 3 2 1 0
0 1 1 3 1
Determine si la matriz es diagonalizable.
SO L U C I O N
Esta matriz tiene por polinomio caracterstico a p(O) = (1 - O)4(2 - O). Para que A
sea diagonalizable, su polinomio mnimo tendra que ser: m(O) = (O - 1)(O - 2),
pero
0 4 0 2 4 1 4 0 2 4
0 1 0 0 0 0 0 0 0 0
m(A) = (A - I)(A - 2I) 0 6 0 0 0 0 6 1 0 0
0 3 2 0 0 0 3 2 1 0
0 1 1 3 0 0 1 1 3 1
0 10 0 14 4
0 0 0 0 0
0 0 0 0 0 .
0 12 2 0 0
0 15 5 3 0
Se concluye entonces que la matriz A no es diagonalizable.
E J E M P L O 8.6.6
Determine el polinomio mnimo de la matriz identidad de orden n, as como el de
la matriz cero de orden n.
SO L U C I O N
Sea I la matriz identidad de n x n. Para encontrar el polinomio caracterstico de
esta matriz, es necesario resolver el siguiente determinante:
Det(I - OI) = Det((1 - O)I) = (1 - O)nDetI = (1 - O)n = 0.
Por lo tanto el polinomio caracterstico es:
p(O) = (1 - O)n
Como el polinomio mnimo divide al polinomio caracterstico, entonces ste
tendra que ser:
m(O) = 1 - O
Sea O la matriz cero de n x n. Para encontrar el polinomio caracterstico de esta
matriz, es necesario resolver el siguiente determinante:
Det(O - OI) = Det(-OI) = (-O)nDetI = (-O)n = 0.
Por lo tanto el polinomio caracterstico es:
p(O) = (-O)n
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
456 VALORES Y VECTORES CARACTERISTICOS
E J E M P L O 8.6.7
Sea c un nmero real no nulo, considere la matriz de orden n, A = cI. Determine
el polinomio caracterstico de A as como su polinomio mnimo.
SO L U C I O N
Sea A = cI la matriz dada de n x n. Para encontrar el polinomio caracterstico de
esta matriz, es necesario resolver el siguiente determinante:
Det(A - OI) = Det( cI - OI) = Det(( c - O)I) = ( c - O)nDetI = (c - O)n = 0.
Por lo tanto el polinomio caracterstico es:
p(O) = (c - O)n
Como el polinomio mnimo divide al polinomio caracterstico, entonces ste
tendra que ser:
m(O) = c - O.
E J E M P L O 8.6.8
Sean a , b y c tres nmeros reales, considere la matriz
0 1 0
A 0 0 1
a b c
demuestre que el polinomio caracterstico de A es p(O) = -O3 + cO2 + bO + a .
Cul es el polinomio mnimo de A?
SO L U C I O N
Sea A la matriz dada de n x n. Para encontrar el polinomio caracterstico de esta
matriz, es necesario resolver el siguiente determinante:
O 1 0
Det( a OI) 0 O 1 ( c O)O 2 a bO O 3 cO 2 bO a
a b c O
Por lo tanto el polinomio caracterstico es:
p(O) = -O3 + cO2 + bO + a
Como el polinomio mnimo divide al polinomio caracterstico, entonces ste
tendra que ser:
m(O) = p(O).
E J E M P L O 8.6.9
Sea A una matriz de orden 3, demuestre que m(O) = O2 + 1 no puede ser el
polinomio mnimo de A.
SO L U C I O N
Como el polinomio mnimo de una matriz A divide al polinomio caracterstico y
adems contiene a todos los factores de ste, entonces m(O) = O2 + 1 no puede ser
polinomio mnimo, porque m(A) = A2 + I z O.
E J E M P L O 8.6.10
Sea A una matriz de orden n, suponga que A es nilpotente de ndice k. Cul es el
polinomio mnimo de A?
SO L U C I O N
Sea A la matriz nilpotente de n x n. Para encontrar el polinomio caracterstico de
esta matriz, es necesario resolver el siguiente determinante:
Det(Ak - OI) = Det(O - OI) = Det(-OI) = (-O)nDetI = (-1)nOn = 0.
Por lo tanto el polinomio caracterstico es: p(O) = (-O)n
Como el polinomio mnimo divide al polinomio caracterstico, entonces ste
tendra que ser: m(O) = O.
ALGEBRA LINEAL CON MATLAB JOE GARCIA ARCOS
VALORES Y VECTORES CARACTERISTICOS 457
E J E M P L O 8.6.11
Demuestre que ninguna matriz real de 3 x 3 satisface x2 + 1 = 0. Pruebe que
existen matrices complejas de 3 x 3 que si lo hacen. Pruebe que existen matrices
reales de 2 x 2 que satisfacen la ecuacin.
SO L U C I O N
Si A es una matriz real de 3 x 3 su polinomio caracterstico f(x) es real de grado 3.
Si A satisface x2 + 1 = 0, el polinomio mnimo dividira a x2 + 1 y podra no tener
como un factor irreducible al factor real de grado uno que debe tener f(x).
E J E M P L O 8.6.12
Determine una matriz A de orden 2 cuyo polinomio mnimo sea m(O) = O2.
SO L U C I O N
a b
Sea la matriz A . Sabemos que el polinomio caracterstico de la matriz
c d
A es
p(O) = O2 - (Tr A)O + Det( A).
Pero como p(O) = m(O), entonces Tr(A) = Det(A) = 0 y una de las matrices
buscada tiene la forma
a a
.
a a
E J E M P L O 8.6.13
Demuestre que si la matriz A satisface la ecuacin x2 + x + 1 = 0, entonces A es
no singular y la inversa A-1 es expresable como una combinacin lineal de A e I.
SO L U C I O N
Efectivamente, si A2 + A + I = O, entonces A(- A I) = I de modo que
A I = A-1.
PR O B L E M AS
8.6.1 Encuentre una matriz de 2 x 2 con elementos 8.6.5 Demuestre el siguiente resultado: Sea A una
enteros que satisfaga la ecuacin x3 1 = 0, pero que no matriz de orden n. Sea
satisfaga la ecuacin x 1 = 0. p(O) = (-1)nOn + a n-1On-1 + ... + a 1O + a 0
el polinomio caracterstico de A. Si a 0 z 0, entonces la
8.6.2 Determine una matriz A de orden 3 cuyo matriz A es no singular y su inversa A-1 es
polinomio mnimo sea m(O) = O2. 1
A 1 ((1)n A n 1 an 1A n 2 ... a1I) .
a0
8.6.3 Dadas las matrices:
2 0 0 0 2 0 0 0 8.6.6 Determinar la inversa de las siguientes matrices:
1 2 0 0 y B 1 2 0 0 1 1
A 3 5
a.-
1 1
0 0 2 0 0 0 2 0 ; b.- ; c.- ;
4 7 5 3 0 1
0 0 1 2 0 0 0 2
0 0 0 1
a.- Demuestre que A y B tienen el mismo polinomio 1 2 3
0 0 1 0
caracterstico. d.- 1 1 2 ; e.- .
b.- Compruebe que A y B tienen el mismo 0 1 0 0
polinomio 0 1 2
mnimo. 1 0 0 0
c.- Demuestre que A y B no son semejantes.
8.6.7 Pruebe que las matrices dadas a continuacin no
8.6.4 Demustrese que, si c1 c k son nmeros son diagonalizables, demostrando que su polinomio
distintos entre s que aparecen en la diagonal de una mnimo no puede escribirse como un producto de
matriz diagonal D, entonces el polinomio mnimo que factores lineales simples:
corresponde a D es (x c1)(x c2x c k).
8.7 C U EST I O N A R I O
Responda verdadero (V) o falso (F) a cada una de las siguientes afirmaciones. Para las afirmaciones que sean falsas,
indicar por que lo es:
8.7.1 Para que un endomorfismo f sea no singular es 8.7.4 Para un endomorfismo arbitrario f la
necesario y suficiente que l tenga valores multiplicidad algebraica de todo valor caracterstico O
caractersticos nulos. sobrepasa su multiplicidad geomtrica.
8.7.12 Si las matrices A y B son semejantes, entonces 8.7.23 Una matriz de un endomorfismo en cierta base
todo valor caracterstico de A es igualmente un valor es diagonal cuando, y slo cuando, la base consta de
caracterstico de B pero no inversamente. los vectores caractersticos de dicho endomorfismo.
8.7.13 La suma de los subespacios caractersticos de un 8.7.24 Cualesquiera dos endomorfismos conmutativos
endomorfismo f es una suma directa. de un espacio complejo tienen un vector caracterstico
comn.
8.7.14 Todos los vectores diferentes de cero de un
espacio son vectores caractersticos de un endomorfismo 8.7.25 Si la matriz A de un endomorfismo f es
f si, y solamente si, f es un endomorfismo escalar. diagonal en una base determinada, todos los vectores
de esta base son vectores caractersticos del
8.7.15 La suma de las multiplicidades geomtricas de endomorfismo.
todos los valores caractersticos diferentes de un
endomorfismo f es inferior a la dimensin del dominio. 8.7.26 Los vectores caractersticos de un
endomorfismo f correspondientes a valores
8.7.16 El polinomio mnimo de una matriz transpuesta caractersticos, distintos dos a dos, son linealmente
AT coincide con el polinomio mnimo de la matriz A. dependientes.
8.7.17 Si cada coeficiente de una matriz compleja A se 8.7.27 Todo valor caracterstico de un endomorfismo
reemplaza por un nmero conjugado, los coeficientes del f es raz de su polinomio mnimo.
polinomio caracterstico de la matriz se reemplazar
tambin por nmeros conjugados. 8.7.28 El polinomio caracterstico de un
endomorfismo f depende de la eleccin de la base.
8.7.18 Si A y B son matrices cuadradas de un mismo
orden, entonces las matrices AB y BA tienen un mismo 8.7.29 Las matrices semejantes tienen polinomio
polinomio mnimo. mnimo distintos.
8.7.19 Para que un endomorfismo f sea no singular es 8.7.30 Toda matriz cuadrada es una raz de su
necesario y suficiente que f no tenga valores polinomio caracterstico.
caractersticos nulos.