Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lineal
Apuntes
1
Algebra Lineal forma parte del plan común de ingeniería, la asignatura
complementa y da sustento a las diversas disciplinas de la ingeniería, lo que
permite alcanzar las competencias definidas en cada especialidad. Es una
asignatura teórico orientado al desarrollar el pensamiento analítico frente a
problemas de sistemas de ecuaciones lineales y de rectas y planos en el espacio
Estos apuntes les permiten a los estudiantes del primer año de ingeniería, contar
con una herramienta pedagógica que le sirva como apoyo para profundizar y
consolidar los conocimientos adquiridos en la cátedra. Este apunte es un apoyo la
actividad académica y será complemento a las actividades de cátedras y
ayudantías.
2
Unidad 1- Matrices sistema de ecuaciones
1.5 Determinantes 25
Cálculo de determinantes de orden 2 y 3 25
Cálculo de un determinante de orden 𝑛 27
Matriz complementaria 27
Menor complementario 27
Cofactor de un elemento de una matriz cuadrada 27
Matrices de cofactores 29
Propiedades básicas de los determinantes 31
Reducción del orden de un determinante 33
Cálculo de la matriz inversa por determinantes 35
3
Unidad 2- Espacios vectoriales
2.2 Vectores 56
Componentes de un vector 57
Tipos de vectores 58
2.3 Vectores en R2 y R3 59
Vectores en ℝ2 60
Vectores en ℝ3 61
Vectores en ℝ𝒏 62
5
Unidad 3- Transformaciones Lineales
Referencias 174
6
Unidad 1- Matrices sistema de ecuaciones
Columnas de la matriz A
Ejemplo:
3 2 1 4
𝐵 = [3⁄4 −1 − 1⁄3 2]
0 5 2⁄5 −2
En general, si una matriz A tiene m filas y n columnas, diremos que su tamaño o DIMENSIÓN es
𝑚 × 𝑛 (𝑠𝑒 𝑙𝑒𝑒 m por n), siempre en primer lugar el nº de filas y en segundo lugar el de
columnas.
7
Igualdad de matrices
Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan igual
posición son iguales.
dim(𝐴) = dim(𝐵)
𝐴 = 𝐵⇔{
𝑎𝑖𝑗 = 𝑏𝑖𝑗
Ejemplo:
9 𝑎 9 𝑎
𝐴(2𝑋2) = [ ] 𝐵(2𝑋2) = [ ] Entonces 𝐴 = 𝐵
−3 2 −3 2
3 −2 0 𝑥 −2 𝑦
2. 𝐶2𝑋3 = [ ] 𝐷2𝑋3 = [ ]
𝑎 1 2 4 𝑧 2
8
Tipos de matrices
Según la forma
Matriz columna: Es una matriz que tiene una sola columna, es decir, 𝑛 = 1 y por lo tanto su
dimensión es 𝑚𝑥1.
3
Ejemplo: 𝐴(3𝑋1) = [ 4 ]
−8
Matriz fila: Es una matriz que sólo tiene una fila, es decir 𝑚 = 1 y por lo tanto su dimensión es
1𝑥𝑛. 𝐴 = (𝑎11 𝑎12 … 𝑎1𝑛 ).
Matriz cuadrada: Es aquella que tiene el mismo número de filas que de columnas, es decir 𝑚 =
𝑛 y su dimensión es 𝑛𝑥𝑛. En estos casos, preferentemente y aunque es lo mismo, se dice que la
matriz cuadrada es de orden 𝑛, y no 𝑛𝑥𝑛.
El conjunto formado por los elementos 𝑎𝑖𝑖 se llama diagonal principal de la matriz cuadrada, y
el conjunto de los elementos 𝑎𝑖𝑗 con 𝑖 + 𝑗 = 𝑛 + 1, se llama diagonal secundaria.
1 3 0
Ejemplo: 𝐴(3𝑥3) = [−2 5 4 ]
3 7 9
3 1
3 −2 5
Ejemplo: 𝐴(2𝑥3) = [ ] entonces 𝐴𝑡 (3𝑥2) = [ −2 0]
1 0 −7
5 −7
9
Matriz simétrica: Una matriz cuadrada 𝐴 es simétrica si 𝐴 = 𝐴𝑡 , es decir, si 𝑎𝑖𝑗 = 𝑎𝑗𝑖
3 1 4 3 1 4
Ejemplo: 𝐴 = [ 1 0 −2 ] 𝐴𝑡 = [ 1 0 −2 ]
4 −2 √6 4 −2 √6
Matriz antisimétrica: Una matriz cuadrada 𝐴 es antisimétrica si 𝐴 = −𝐴𝑡 , es decir 𝑎𝑖𝑗 = −𝑎𝑗𝑖 .
0 1 3 0 −1 −3 0 1 3
Ejemplo: 𝐴 = [ −1 0 −2 ] 𝐴𝑡 = [ 1 0 2 ] −𝐴𝑡 = [ −1 0 −2 ]
−3 2 0 3 −2 0 −3 2 0
Matriz nula: Es aquella en que todos sus elementos son cero y se representa por 0.
0 0 0
Ejemplo: 0 = [0 0 0]
0 0 0
Matriz diagonal: Es una matriz cuadrada que tiene todos sus elementos nulos salvo los de la
diagonal principal.
1 0 0
Ejemplo: 𝐴 = [ 0 −3 0 ]
0 0 7
Matriz escalar: Es una matriz diagonal (por ende, una matriz cuadrada) en la que todos los
elementos de la diagonal principal son iguales.
5 0 0 1 0 0
Ejemplo: A=[ 0 5 0 ]=5 [ 0 1 0 ] = 5𝐼
0 0 5 0 0 1
Matriz unidad o identidad: Es una matriz escalar con los elementos de la diagonal principal
iguales a 1. Se denota por el símbolo 𝐼 ó 𝐼𝑛 , donde 𝑛 es el orden de la matriz.
1 0 0
1 0
Ejemplo: 𝐼2 = [ ] 𝐼3 = [ 0 1 0 ]
0 1
0 0 1
10
Matriz Triangular: Es una matriz cuadrada en la que todos los elementos que están a un mismo
lado de la diagonal principal son nulos. Las matrices triangulares pueden ser de dos tipos:
Triangular Superior: Si todos los elementos que están por debajo de la diagonal principal son
nulos. Es decir, 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 > 𝑗.
Triangular Inferior: Si todos los elementos que están por encima de la diagonal principal son
nulos. Es decir, 𝑎𝑖𝑗 = 0 𝑠𝑖 𝑖 < 𝑗.
Ejemplos:
3 0 3 1 3 0 0 0
𝐴(4𝑋4) =[ 0 −3 −9 25 ] 𝐴(4𝑋4) =[ 4 −3 0 0]
0 0 −8 0 0 2 −8 0
0 0 0 1 1 6 14 1
11
1.2 Operaciones con matrices
Trasposición
Dada una matriz de orden 𝑚𝑥𝑛, 𝐴 = [𝑎𝑖𝑗 ], se llama matriz traspuesta de 𝐴 y se representa por
𝐴𝑡 , a la matriz que se obtiene cambiando las filas por las columnas (o viceversa) en la matriz 𝐴.
Es decir:
Suma y diferencia
Ejemplo:
−2 1 4 7
𝐴=[ ] 𝐵=[ ]
3 4 −3 1
Entonces
(−2 + 4) (1 + 7) 2 8
𝐴+𝐵 =[ ]=[ ]
(3 − 3) (4 + 1) 0 5
1. Asociativa: 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶
2. Conmutativa: 𝐴 + 𝐵 = 𝐵 + 𝐴
12
3. Elemento neutro: 𝐴 + 0 = 0 + 𝐴 = 𝐴 (0 es la matriz nula)
4. Elemento opuesto: La matriz (– 𝐴), que se obtiene cambiando de signo todos los
elementos de 𝐴, recibe el nombre de matriz opuesta de 𝐴, ya que 𝐴 + (−𝐴) = 0, es
decir: Dos matrices son opuestas cuando su suma es la matriz nula
Dada una matriz 𝐴 = [𝑎𝑖𝑗 ] y un número real 𝑘, se define el producto 𝑘 ∙ 𝐴 como otra matriz
𝐵 = [𝑏𝑖𝑗 ] de la misma dimensión que 𝐴 y cuyo término general es: 𝑏𝑖𝑗 = 𝑘𝑎𝑖𝑗 , es decir que:
Para multiplicar un número real por una matriz se multiplican todos y cada uno de los
elementos de la matriz por dicho número.
Evidentemente la misma regla sirve para dividir una matriz por un número real.
Ejemplo:
−2 9 −7
𝑘=2 𝐴=[ ]
4 5 0
Entonces
−2 9 −7 2(−2) 2(9) 2(−7) −4 18 −14
𝑘 ∙ 𝐴 = 2[ ]=[ ]=[ ]
4 5 0 2(4) 2(5) 2(0) 8 10 0
Propiedades simplificativas
1. 𝐴 + 𝐶 = 𝐵 + 𝐶 ⇒ 𝐴 = 𝐵
2. 𝑘 ∙ 𝐴 = 𝑘 ∙ 𝐵 ⇒ 𝐴 = 𝐵 𝑠𝑖 𝑘 ≠ 0
3. 𝑘 ∙ 𝐴 = ℎ ∙ 𝐴 ⇒ ℎ = 𝑘 𝑠𝑖 𝐴 ≠ 0
13
Producto de matrices
Hay que tener muy presente que no todas las matrices pueden multiplicarse. “Para multiplicar
dos matrices 𝑨 𝒚 𝑩, es condición imprescindible que el número de columnas de 𝑨 sea igual al
número de filas de 𝑩”.
Una vez comprobado que el producto 𝐴 ∙ 𝐵 se puede realizar, si 𝐴 tiene dimensión 𝑚𝑥𝑛 y 𝐵
dimensión 𝑛𝑥𝑝, entonces el producto 𝐴 ∙ 𝐵 da como resultado una matriz 𝐶 de dimensión 𝑚𝑥𝑝
obtenida de la siguiente manera:
Ejemplo: Obtener 𝐶 = 𝐴 ∙ 𝐵
0 −4 1
−3 2 1 4
Siendo: 𝐴𝟐𝒙𝟒 = [ ] 𝐵𝟒𝒙𝟑 = 1 −2 1
2 5 3 −2 2 0 2
[3 2 1]
Solución: Primero se comprueba que se pueda realizar el producto 𝐴 ∙ 𝐵. Puesto que el número
de columnas de 𝐴 es igual a número de filas de 𝐵, entonces la operación es factible. La matriz
resultante tendrá la dimensión 2x3, es decir, 2 filas y 3 columnas.
0 −4 1
−3 2 1 4 𝐶 𝐶12 𝐶13
𝐶=[ ] ∙ 1 −2 1 = [ 11 ]
2 5 3 −2 2 0 2 𝐶21 𝐶22 𝐶23
[3 2 1]
𝑐11 = (−3) ∙ 0 + 2 ∙ 1 + 1 ∙ 2 + 4 ∙ 3 = 0 + 2 + 2 + 12 = 16
El elemento de la fila 1 y la columna 2 de 𝐴 ∙ 𝐵 (es decir, 𝐶12 ) será igual a la sumatoria del
producto de un elemento de la fila 1 de 𝐴 por otro elemento de la columna 2 de 𝐵:
𝑐13 = (−3) ∙ 1 + 2 ∙ 1 + 1 ∙ 2 + 4 ∙ 1 = −3 + 2 + 2 + 4 = 5
16 16 5
𝐶2𝑥3 = [ ]
5 −22 11
1. Asociativa: 𝐴 ∙ (𝐵 ∙ 𝐶) = (𝐴 ∙ 𝐵) ∙ 𝐶
2. El producto de matrices en general no es conmutativo 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴
3. Elemento neutro: Será la matriz identidad correspondiente, si 𝐴 es 𝑚𝑥𝑛:
𝐴 ∙ 𝐼𝑛 = 𝐴
𝐼𝑚 ∙ 𝐴 = 𝐴
1. Si A ∙ B = 0 no implica que 𝐴 = 0 ó 𝐵 = 0.
2. Si 𝐴 ∙ 𝐵 = 𝐴 ∙ 𝐶 no implica que 𝐵 = 𝐶.
3. (𝐴 + 𝐵)2 = 𝐴2 + 𝐵 2 + 2𝐴 ∙ 𝐵, ya que 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴.
4. (𝐴 + 𝐵) ∙ (𝐴 − 𝐵) = 𝐴2 − 𝐵 2 , ya que 𝐴 ∙ 𝐵 ≠ 𝐵 ∙ 𝐴.
15
Ejemplo: Una compañía tiene 4 fábricas, cada una emplea administradores (𝐴), supervisores
(𝑆) y trabajadores calificados (𝑇) en la forma siguiente:
Si los administradores ganan $ 350 (𝑃𝐴 ) a la semana, los supervisores $ 275 (𝑃𝑠 ) y los
trabajadores $ 200 (𝑃𝑇 ). ¿Cuál es el monto pagado por cada fábrica?
Solución: El monto pagado por cada fábrica es igual al número de cada empleado por su
respectivo ingreso salarial. Es decir: 𝐼𝑖 = 𝑃𝐴 𝐴𝑖 + 𝑃𝑆 𝑆𝑖 + 𝑃𝑇 𝑇𝑖 , donde 𝐼𝑖 es el monto de la fábrica
𝑖.
Por ejemplo, el monto de la fábrica 1 será: 𝐼1 = 𝑃𝐴 𝐴1 + 𝑃𝑆 𝑆1 + 𝑃𝑇 𝑇1 = 350 ∙ 1 + 275 ∙ 4 +
200 ∙ 80 = 17450.
De la misma manera se pueden obtener fácilmente los 3 montos restantes. Sin embargo, si
hubiera más tipos de empleados o un mayor número de fábricas el cálculo se complicaría.
Existe otra forma para calcular directamente los montos de todas las fábricas. Si multiplicamos
las cantidades de especialistas de cada fábrica por su salario respectivo deberíamos obtener el
monto de cada fábrica. Llevando esto a matrices:
1 2 1 1 350
[ 4 6 3 4 ] [275]
80 96 67 75 200
Sin embargo, esta multiplicación no está definida, ya que la primera matriz es de orden 3x4
mientras que la segunda es de 3x1 (el número de columnas de la primera matriz no coincide con
el número de filas de la segunda matriz). La solución es trasponer la primera matriz y así
obtener una matriz de orden 4x3, de esta forma es posible multiplicar ambas matrices y obtener
una matriz del orden 4x1, con los 4 montos requeridos.
1 4 80 17450
350
[2 6 96] [ ] = [21550]
1 3 67 275 14575
1 4 75 200 16450
16
Matriz inversa
Dada una matriz cuadrada de orden 𝑛, se dice que 𝐴 es invertible (o que posee inversa o que es
no singular o que es regular), si existe otra matriz del mismo orden, denominada matriz inversa
de 𝐴, representada por 𝐴−1 , tal que:
𝐴 ∙ 𝐴−1 = 𝐼𝑛
𝐴−1 ∙ 𝐴 = 𝐼𝑛
1 2
Ejemplo 1: Si queremos determinar la inversa de la matriz 𝐴 = ( ) lo que buscamos es
−1 1
otra matriz de igual tamaño (orden 2) tal que 𝐴 ∙ 𝐴 = 𝐼2 y 𝐴 ∙ 𝐴 = 𝐼2 , es decir, si 𝐴−1 =
−1 −1
𝑥 𝑦
( ), se tiene que cumplir que:
𝑧 𝑡
1 2 𝑥 𝑦 1 0 𝑥 + 2𝑧 𝑦 + 2𝑡 1 0
𝐴 ∙ 𝐴−1 = 𝐼2 ⟹ ( )∙( )=( )⟹( )=( )
−1 1 𝑧 𝑡 0 1 −𝑥 + 𝑧 −𝑦 + 𝑡 0 1
𝑥 + 2𝑧 = 1
𝑦 + 2𝑡 = 0
{
−𝑥 + 𝑧 = 0
−𝑦 + 𝑡 = 1
1 2 1 1
𝑥 = ,𝑦 = − ,𝑧 = ,𝑡 =
3 3 3 3
17
La matriz inversa es:
1⁄3 −2⁄3 1 1 −2
𝐴−1 = ( )= ∙( )
1⁄3 1⁄3 3 1 1
Se puede comprobar que también se cumple que 𝐴−1 ∙ 𝐴 = 𝐼2 , luego 𝐴 es invertible, tiene
inversa. Si el sistema no tiene solución, la matriz no tiene inversa.
1 1
Ejemplo 2: Para el caso en que 𝐴 = ( )
2 2
1 1 𝑥 𝑦 1 0 𝑥+𝑧 𝑦+𝑡 1 0
𝐴 ∙ 𝐴−1 = 𝐼2 ⟹ ( )∙( )=( )⟹( )=( )
2 2 𝑧 𝑡 0 1 2𝑥 + 2𝑧 2𝑦 + 2𝑡 0 1
𝑥+𝑧 =1
𝑦+𝑡 =0
{
2𝑥 + 2𝑧 = 0
2𝑦 + 2𝑡 = 1
∴ 𝐴 no es invertible, es singular.
Este método directo sólo se suele utilizar para matrices cuadradas de tamaño 2, puesto que
para las de tamaño 3 obtenemos un sistema difícil de resolver.
2 −1
Ejemplo 3: Dada la matriz 𝐴 = ( ) buscar una matriz que cumpla 𝐴 ∙ 𝐴−1 = 𝐼, es decir:
1 1
2 −1 𝑎 b 1 0
( )∙( )=( )
1 1 c 𝑑 0 1
2𝑎 − 𝑐 = 1 (1)
2𝑏 − 𝑑 = 0 (2)
{
𝑎 + 𝑐 = 0 (3)
𝑏 + 𝑑 = 1 (4)
18
De la ecuación (3) despejar 𝑎 en función de 𝑐 (𝑎 = −𝑐) y luego reemplazar en (1) y así
encontrar el valor de 𝑎 𝑦 𝑐.
1
2(−𝑐) − 𝑐 = 1 ⇒ c = −
3
y luego reemplazando en (1) obtenemos
1
𝑎=
3
De la ecuación (4) despejar 𝑏 en función de 𝑑 (𝑏 = 1 − 𝑑) y luego reemplazar en (2) y así
encontrar el valor de 𝑏 𝑦 𝑑.
2
2(1 − 𝑑) − 𝑑 = 0 ⇒ d =
3
y luego reemplazando en (2) obtenemos
1
𝑏=
3
1 1
∴ 𝐴−1 =( 3 3)
1 2
−
3 3
La matriz que se ha calculado realmente sería la inversa por la derecha”, pero es fácil
comprobar que también cumple 𝐴−1 ∙ 𝐴 = 𝐼, con lo cual e realmente la inversa de 𝐴.
19
B) Método de Gauss-Jordan:
Consiste en hacer transformaciones elementales en las filas de la matriz para llegar a obtener la
matriz identidad. Realizando estas mismas transformaciones con la matriz identidad llegamos a
la matriz 𝐴−1 .
1 2
𝐴=( )
−1 1
(𝐴|𝐼2 ) = ( 1 2|1 0)
−1 1 0 1
2° Se forma la matriz triangular superior (es decir, hacemos ceros por debajo de la diagonal
principal) usando transformaciones elementales en filas.
La mejor forma de realizar esto es hacer cero los elementos por debajo de la diagonal en la
primera columna usando la fila 1. Luego, hacer cero los elementos por debajo de la diagonal en
la segunda columna usando la fila 2, y así sucesivamente.
En nuestro caso, basta sumar la fila 2 con la fila 1, y se obtiene:
𝑓2 +𝑓1 ⟶𝑓2 1 2 1
(𝐴|𝐼2 ) = ( 1 2|1 0) → ( |
0
)
−1 1 0 1 0 31 1
3° Una vez hecha la matriz triangular superior, se hace la matriz triangular inferior, haciendo
ceros a los elementos por encima de la diagonal. El proceso es similar al anterior:
Hacer cero los elementos por encima de la diagonal en la última columna usando la última fila.
Luego, hacer cero los elementos por encima de la diagonal en la penúltima columna usando la
penúltima fila, y así sucesivamente. En este caso:
20
1 2 1 0 3∙𝑓1 −2∙𝑓2 ⟶𝑓1 3 0 1 −2
( | )→ ( | )
0 30 1 0 31 1
4° Ya tenemos una matriz diagonal. Lo único que falta es dividir a cada fila entre el número
adecuado para obtener unos en la diagonal principal, es decir, para obtener la matriz identidad
en la parte izquierda:
𝑓1 𝑓2
3 0 1 −2 3 ⟶𝑓1 , 3
⟶𝑓2
1 0 1⁄3 −2⁄3
( | )→ ( | )
0 31 1 0 1 1⁄3 1⁄3
5° Una vez se tiene la matriz identidad en la parte de la izquierda, la parte derecha es la matriz
inversa, es decir, llegamos a:
1 1
Ejemplo 2: Si calculamos por este método la inversa de 𝐴 = ( ) obtenemos:
2 2
Cuanto mayor sea el orden de la matriz, mejor es este método frente al directo.
1 1 0
Ejemplo 3: Calcular la inversa de 𝐵 = (−1 1 2) por el método de Gauss-Jordan.
1 0 1
1 1 01 0 0 𝑓2 +𝑓1 ⟶𝑓2 1 1 01 0 0
(𝐵|𝐼2 ) = (−1 1 2|0 1 0) → (0 2 2|1 1 0)
1 0 10 0 1 1 0 10 0 1
𝑓1 𝑓2 𝑓3
, , ⟶𝑓1 1 0 0 1⁄4 −1⁄4 2⁄4 1⁄4 −1⁄4 2⁄4
4 4 4 −1 −1
→ (0 1 0| 3⁄4 1⁄4 −2⁄4) = (𝐼3 |𝐵 ) ⟹ 𝐵 = ( 3⁄4 1⁄4 −2⁄4)
0 0 1 −1⁄4 1⁄4 2⁄4 −1⁄4 1⁄4 2⁄4
1 1 −1 2
𝐵 −1 = ∙( 3 1 −2)
4
−1 1 2
22
Rango de una matriz
El rango de una matriz es “el número de filas o columnas que son linealmente independientes”.
Una fila o columna es linealmente independiente de otra u otras cuando no se puede establecer
una combinación lineal entre ellas.
El concepto de “independencia lineal” lo aprenderemos en la próxima unidad. Es por esto que,
el cálculo del rango de una matriz lo abordaremos utilizando el método de Gauss.
Las operaciones elementales que se pueden realizar en una matriz sin que varíe su rango son:
Hay que tener presente, que el rango de cualquier matriz siempre es menor o igual que su
número de filas y de columnas, pues el método de Gauss se puede aplicar indistintamente
mediante operaciones elementales en filas o en columnas.
Propiedades:
1 ≤ 𝑟𝑎𝑛𝑔(𝐴) ≤ 𝑚𝑖𝑛{𝑚, 𝑛}
1 2 3 2∙𝑓2 −𝑓1→𝑓3 1 2 3
𝐴 = (4 5 6) → (4 5 6)
7 8 9 0 0 0
∴ 𝑅𝑎𝑛𝑔 (𝐴) = 2
Solución: El rango máximo es 4 pues aunque esta matriz tiene 5 columnas sólo tiene 4 filas.
1 0 −1 2 3 1 0 −1 2 3
𝑓2 +𝑓3 −𝑓4 →𝑓4 2 −1
A = (2 −1 0 1 3) → ( 0 1 3)
3 −1 −1 3 6 3 −1 −1 3 6
5 −2 −1 4 9 0 0 0 0 0
1 0 −1 2 3
𝑓1 +𝑓2 −𝑓3 →𝑓3 2 −1
→ ( 0 1 3) ∴ 𝑅𝑎𝑛𝑔𝑜 = 2
0 0 0 0 0
0 0 0 0 0
La cuarta fila es la suma de la segunda y tercera; por lo tanto podemos suprimirla. La tercera fila
es la suma de la primera y segunda, es decir, también podemos suprimirla. Nos queda una
matriz con dos filas, por lo tanto el rango es 2.
0 3 𝑓2 ⇆𝑓1 1 1
a) A = ( )→ ( ) hay dos filas no nulas⇒ 𝑟𝑎𝑛𝑔(𝐴) = 2.
1 1 0 3
24
1 1 0
(0 −1 1) hay dos filas no nulas ⇒ 𝑟𝑎𝑛𝑔(𝐵) = 2.
0 0 0
En los ejemplos anteriores podemos observar que el rango de cualquier matriz siempre es
menor o igual que el número de filas de la matriz. Esto permite saber entre qué valores va a
estar ese rango, antes de calcular el rango de una matriz.
Por ejemplo, en el caso b) del ejemplo, como la matriz es 3𝑥3, el rango sólo puede ser 0, 1, 2 ó
3, no hay otras posibilidades.
En el caso c), como la matriz es 2𝑥3, el rango sólo puede ser 0,1 ó 2.
1 1 2
𝐴=( )
3 3 𝑘
1 1 2 𝑓2 −3∙𝑓1 →𝑓2 1 1 2
𝐴=( )→ ( )
3 3 𝑘 0 0 𝑘−6
Vemos que:
Si 𝑘 − 6 = 0, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑠𝑖 𝑘 = 6, la última fila es nula y el rango de 𝐴 es 1,
Si 𝑘 − 6 ≠ 0, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝑠𝑖 𝑘 ≠ 6, hay 2 filas no nulas y el rango de A es 2.
Resumiendo:
𝑆𝑖 𝑘 ≠ 6, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑅𝑎𝑛𝑔(𝐴) = 2
{
𝑆𝑖 𝑘 = 6, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑅𝑎𝑛𝑔(𝐴) = 1
25
1.5 Determinantes
El determinante es un número real o escalar asociado a una matriz cuadrada, y su cálculo va a
depender del orden de la matriz. Se representa por 𝑑𝑒𝑡(𝐴)
Orden 𝟑𝒙𝟑:
Regla de Sarrus: Pierre Sarrus (1798-1861) fue un matemático francés que creó un método
para calcular determinantes de orden mayor que 2. En este caso lo vamos a utilizar para calcular
el determinante de una matriz de orden 3.
Consiste en la sumatoria de 3 productos positivos (diagonal principal hacia abajo) con otros 3
negativos (diagonal secundaria hacia abajo). Observemos el esquema para entender el proceso,
vemos que en la parte inferior de tal la matriz se repiten las dos primeras filas
O lo que es igual:
𝑑𝑒𝑡(𝐴) = (𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 ) − (𝑎13 𝑎22 𝑎31 + 𝑎12 𝑎21 𝑎33 + 𝑎11 𝑎23 𝑎32 )
26
Ejemplo1: Usando Sarrus, obtener el determinante de la matriz
−3 1 4
𝐵 = ( 2 −2 0)
−1 6 2
Solución: Primero, se grafica la matriz/determinante, en la cual las dos primeras filas se repiten
en la parte inferior de la matriz,
𝑑𝑒𝑡(𝐵) = 60 − 12 = 48
27
Cálculo de un determinante de orden 𝒏
Matriz complementaria
Sea 𝐴 = (𝑎𝑖𝑗 ) una matriz cuadrada de orden 𝑛 . Se llama matriz complementaria del elemento
𝑎𝑖𝑗 , a la submatriz que se obtiene de 𝐴 al suprimir todos los elementos de la fila 𝑖 y de la
columna 𝑗 en la que se encuentra el elemento 𝑎𝑖𝑗 . Se designa por 𝑀𝑖𝑗 y, evidentemente, será
una matriz de orden 𝑛 − 1.
Menor complementario
Se llama cofactor del elemento 𝑎𝑖𝑗 𝑑𝑒 𝐴, y se representa por 𝐴𝑖𝑗 , al menor complementario del
elemento 𝑎𝑖𝑗 multiplicado por +1 ó − 1 dependiendo si la suma de los subíndices del elemento
sea par o impar, es decir:
28
En general se puede saber si el cofactor de un elemento es igual a su menor complementario o
tienen signo contrario utilizando una sencilla regla gráfica, por ejemplo, para matrices de orden
3 𝑦 4 se cumple que:
+ − + + − + −
(− + −) (−
+
+
−
−
+
+)
−
+ − + − + − +
donde el + significa que el cofactor es igual a su menor complementario y el - indica que tienen
signo contrario.
𝑑𝑒𝑡(𝐴) = 𝑎11 𝑎22 𝑎33 + 𝑎12 𝑎23 𝑎31 + 𝑎13 𝑎21 𝑎32 − 𝑎13 𝑎22 𝑎31 − 𝑎11 𝑎23 𝑎32 − 𝑎12 𝑎21 𝑎33
𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ (𝑎22 𝑎33 − 𝑎23 𝑎32 ) + 𝑎12 ∙ (𝑎23 𝑎31 − 𝑎21 𝑎33 ) + 𝑎13 ∙ (𝑎21 𝑎32 − 𝑎22 𝑎31 )
El contenido de cada uno de los paréntesis del desarrollo anterior coincide con el desarrollo de
un determinante de orden 2 y podríamos expresarlo de la forma:
o lo que es igual
𝑑𝑒𝑡(𝐴) = 𝑎11 ∙ 𝐴11 + 𝑎12 ∙ 𝐴12 + 𝑎13 ∙ 𝐴13
29
Este resultado podemos generalizarlo para el determinante de una matriz cuadrada de orden 𝑛
de la siguiente forma:
𝑛
𝑑𝑒𝑡(𝐴) = 𝑎𝑖1 ∙ 𝐴𝑖1 + 𝑎𝑖2 ∙ 𝐴𝑖2 + 𝑎𝑖3 ∙ 𝐴𝑖3 + ⋯ + 𝑎𝑖𝑛 ∙ 𝐴𝑖𝑛 = ∑ 𝑎𝑖𝑗 ∙ 𝐴𝑖𝑗
𝑗=1
𝑑𝑒𝑡(𝐴) = 𝑎1𝑗 ∙ 𝐴1𝑗 − 𝑎2𝑗 ∙ 𝐴2𝑗 + 𝑎3𝑗 ∙ 𝐴3𝑗 + ⋯ + 𝑎𝑛𝑗 ∙ 𝐴𝑛𝑗 = ∑ 𝑎𝑖𝑗 ∙ 𝐴𝑖𝑗
𝑖=1
Esta regla rebaja el orden del determinante que se pretende calcular en una unidad. Para evitar
el cálculo de muchos determinantes conviene elegir la fila o columna con mayor número de
ceros.
Matrices de cofactores
Una matriz de cofactores es una matriz donde cada elemento es un determinante, en la cual
cada elemento 𝑎𝑖𝑗 es reemplazado por su cofactor |𝐴𝑖𝑗 |.
Resumen
30
Ejemplo 3: Sea la matriz 𝐴, obtener su determinante.
2 4 −3
𝐴 = ( 𝟑 −𝟓 𝟐)
−1 3 2
Solución: En teoría el determinante resultará de usar una fila o columna al azar, en este caso se
usa la 2𝑑𝑎 fila (3, −5,2). Luego se forman los determinantes de las submatrices
correspondientes:
|𝐴| = 3 ∙ (−1)2+1 ∙ |4 −3 2 −3 2 4
| + (−5) ∙ (−1)2+2 ∙ | | + 2 ∙ (−1)2+3 ∙ | |
3 2 −1 2 −1 3
|𝐴| = 3 ∙ (−1) ∙ (8 + 9) + (−5) ∙ (1) ∙ (4 − 3) + 2 ∙ (−1) ∙ (6 + 4)
|𝐴| = −51 − 5 − 20
|𝐴| = −76
−𝟑 1 4
𝐴=( 𝟐 −2 0)
−𝟏 6 2
Solución: En este caso se usa la 1𝑒𝑟𝑎 columna (−3,2, −1). Luego se forman los determinantes
de las submatrices correspondientes:
−2 0 1 4 1 4
𝑑𝑒𝑡(𝐴) = −3 | |−2 | | − 1| |
6 2 6 2 −2 0
𝑑𝑒𝑡(𝐴) = −3 ∙ (−4 − 0) − 2 ∙ (2 − 24) − 1 ∙ (0 + 8)
𝑑𝑒𝑡(𝐴) = 12 + 44 − 8
𝑑𝑒𝑡(𝐴) = 48
31
Ejemplo 5: Sea la matriz 𝐴, hallar 𝑑𝑒𝑡𝐴
𝟐 𝟑 𝟏
𝐴 = (4 1 2)
5 3 4
Solución:
𝑑𝑒𝑡(𝐴) = −4 − 18 + 7
𝑑𝑒𝑡(𝐴) = −15
4 1 2 3 2 3
𝑑𝑒𝑡(𝐴) = +1 | | − 2| | + 4| |
5 3 5 3 4 1
𝑑𝑒𝑡(𝐴) = 1 ∙ (12 − 5) − 2 ∙ (6 − 15) + 4 ∙ (2 − 12)
𝑑𝑒𝑡(𝐴) = 7 + 18 − 40
𝑑𝑒𝑡(𝐴) = −15
|𝐴| = |𝐴𝑡 |
Por ejemplo:
𝑎 𝑏 𝑎 𝑐
| |=| | = 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑 𝑏 𝑑
32
Propiedad 2. Si todos los elementos de una fila (o columna) de una matriz cuadrada son ceros,
su determinante vale es cero.
Propiedad 3. Si una matriz cuadrada tiene dos filas (o columnas) iguales o proporcionales, su
determinante vale cero.
𝑎 𝑏
| | = 𝑎𝑑 − 𝑏𝑐, intercambiando las dos filas:
𝑐 𝑑
𝑐 𝑑
| | = 𝑐𝑏 − 𝑎𝑑 = −(𝑎𝑑 − 𝑏𝑐)
𝑎 𝑏
Propiedad 6. Si multiplicamos todos los elementos de una fila (o columna) de un determinante
por un escalar, el determinante queda multiplicado por ese número.
Por ejemplo:
𝑘𝑎 𝑘𝑏 𝑎 𝑏
| | = 𝑘𝑎𝑑 − 𝑘𝑏𝑐 = 𝑘(𝑎𝑑 − 𝑏𝑐) = 𝑘 | |
𝑐 𝑑 𝑐 𝑑
Propiedad 7. La suma (resta) de un múltiplo de una fila (o columna) a otra fila (o columna) no
cambia el valor del determinante.
𝑎 𝑏
𝑑𝑒𝑡 𝐴 = | |
𝑐 𝑑
𝑎 𝑏 𝑎 𝑏
| | = 𝑎(𝑑 + 𝑘𝑏) − 𝑏(𝑐 + 𝑘𝑎) = 𝑎𝑑 − 𝑏𝑐 = | |
𝑐 + 𝑘𝑎 𝑑 + 𝑘𝑏 𝑐 𝑑
1
𝑑𝑒𝑡(𝐴−1 ) =
𝑑𝑒𝑡(𝐴)
33
Reducción del orden de un determinante
El valor del determinante no se altera con estas operaciones en filas o columnas, tal como
indican la propiedades 5,6 y 7, sin embargo hay que ser cuidadoso al aplicarlas.
Ejemplo 6:
0 1 2 −3 0 1 2 −3 0 1 2 −3
1 3 𝑓3 −2∙𝑓2 →𝑓3 1 3 𝑓4 −3∙𝑓2 →𝑓4 1 3
| 2 −5| → | 2 −5 | → | 2 −5 |
2 4 3 1 0 −2 −1 11 0 −2 −1 11
3 −2 −8 1 3 −2 −8 1 0 −11 −14 16
1 2 −3
1 2 −3 −2 −1 11
= 1 ∙ (−1)2+3 | −2 −1 11| = −1 ∙ ||−11 −14 16 ||
−11 −14 16 1 2 −3
−2 −1 11
Como dijimos anteriormente, hay que tener cuidado al realizar ciertas operaciones en el cálculo
de determinantes, analicemos esto en el siguiente ejemplo:
1 2 3
𝐶 = (0 1 2)
4 1 5
34
1 2 3
0 1 2
𝑑𝑒𝑡 𝐶 = ||4 1 5||
1 2 3
0 1 2
Al hacer ceros en la primera columna, deberíamos obtener el mismo resultado. Veamos que
sucede al hacer cero el 4 de la primera columna:
1 2 3 𝒇𝟑 −𝟒∙𝒇𝟏 →𝒇𝟑 1 2 3
1 2
|0 1 2| → |0 1 2 |=| | = −7 + 14 = 7
−7 −7
4 1 5 0 −7 −7
Obtuvimos el mismo resultado anterior. Sin embargo, al hacer cero el 1 de la primera columna
no obtenemos lo mismo:
Esto se debe a que hemos multiplicado por 4 la fila 1 que es la que estamos sustituyendo, lo
que alteró el valor del determinante. Por lo tanto no conviene multiplicar la fila a sustituir,
porque podemos variar el valor del determinante.
35
Cálculo de la matriz inversa por determinantes
1
𝐴−1 = 𝑎𝑑𝑗 (𝐴)
det(𝐴)
Para calcular la matriz inversa por este método daremos los siguientes pasos:
1 0 −1
Ejemplo: Calcular, si es posible, la inversa de la matriz 𝐴 = ( 0 1 −3)
−1 1 0
1 0 −1
0 1 −3
|𝐴| = ||−1 1 0 || = (0 + 0 + 0) − (1 − 3 + 0) = 2
1 0 −1
0 1 −3
∴ 𝐴 𝑡𝑖𝑒𝑛𝑒 𝑖𝑛𝑣𝑒𝑟𝑠𝑎
Calculando la matriz de cofactores, se obtiene:
1 −3 0 −3 0 1
+| | −| | +| |
1 0 −1 0 −1 1 3 3 1
0 −1 1 −1 1 0
𝐶 = −| | +| | −| | = (−1 −1 −1)
1 0 −1 0 −1 1
1 0 1 −1 1 0 1 3 1
+ |
( 0 1 | − | | + | |
0 −3 0 1)
3 −1 1
⟹ 𝐴𝑑𝑗(𝐴) = 𝐶 𝑡 = (3 −1 3)
1 −1 1
36
1.6 Sistemas de ecuaciones lineales
Un sistema de ecuaciones lineales es un conjunto de 𝑚 ecuaciones lineales con 𝑛 incógnitas de
la forma:
Los números reales 𝑎𝑖𝑗 son los coeficientes, las variables 𝑥𝑗 son las incógnitas y los números
reales 𝑏𝑖 son los términos independientes.
𝑥1
𝑥
la matriz 𝑋 = ( …2 ) se llama matriz de incógnitas,
𝑥𝑛
𝑏1
𝑏
y la matriz 𝑏 = ( …2 ) se llama matriz de términos independientes.
𝑏𝑚
37
𝑎11 𝑎12 … 𝑎1𝑛 𝑏1
𝑎 21 𝑎22 … 𝑎2𝑛 | 𝑏2 )
(𝐴|𝑏) = ( … … … … …
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 𝑏𝑚
Resolver un sistema de ecuaciones lineales consiste en calcular los valores de las incógnitas de
manera que sean solución a la vez de todas las ecuaciones del sistema. Diremos que dos
sistemas de ecuaciones son equivalentes si tienen las mismas soluciones.
Tipos de sistemas
Discutir un sistema de ecuaciones consiste en determinar de qué tipo es, según la clasificación
anterior.
Resolver un sistema de ecuaciones consiste en calcular todas las soluciones del sistema si las
hay.
Una buena herramienta que podemos usar para discutir un sistema de ecuaciones lineales sin
necesidad de resolverlo es el siguiente:
Teorema de Rouché-Fröbenius
Supongamos que tenemos un sistema de ecuaciones lineales con matriz de coeficientes 𝐴 y
matriz ampliada 𝐴∗ . Entonces:
39
1.7 Resolución de un sistema de ecuaciones lineales
A. Regla de Cramer
La regla de Cramer se aplica para resolver sistemas de ecuaciones lineales que cumplan las
siguientes condiciones:
|𝐴𝑖 |
𝑥𝑖 =
|𝐴|
Ejemplo: Obtener el valor de las incógnitas del siguiente sistema de ecuaciones lineales:
Solución:
El primer paso es ordenar el sistema de ecuaciones: cada columna debe corresponder a una sola
variable y todas las constantes deben pasar al lado derecho de la igualdad. Una vez ordenado el
sistema, se procede a calcular el determinante de la matriz principal o matriz de coeficientes
(𝐴):
2 4 −3
|𝐴| = | 3 −5 2 | = 2(−10 − 6) − 4(6 + 2) − 3(9 − 5) = −76
−1 3 2
12 4 −3
|𝐴1 | = |13 −5 2 | = 12(−10 − 6) − 4(26 − 34) − 3(39 + 85) = −532
17 3 2
40
2 12 −3
|𝐴2 | = | 3 13 2 | = 2(26 − 34) − 12(6 + 2) − 3(51 + 13) = −304
−1 17 2
2 4 12
|𝐴3 | = | 3 −5 13| = 2(−85 − 39) − 4(51 + 13) + 12(9 − 5) = −456
−1 3 17
Una vez obtenido los determinantes, se procede fácilmente a obtener el valor de las incógnitas:
|𝐴1 | −532
𝑥1 = = =7
|𝐴| −76
|𝐴2 | −304
𝑥1 = = =4
|𝐴| −76
|𝐴3 | −456
𝑥1 = = =6
|𝐴| −76
𝐴∙𝑋 =𝑏
(𝐴−1 ∙ 𝐴) ∙ 𝑋 = 𝐼 ∙ 𝑋 = 𝐴−1 ∙ 𝑏
𝑿 = 𝑨−𝟏 ∙ 𝒃
1
𝐴−1 = 𝑎𝑑𝑗(𝐴)
det(𝐴)
1
𝑋= 𝑎𝑑𝑗(𝐴) ∙ 𝑏
det(𝐴)
Si usamos este método para determinar 𝑋 es necesario calcular además del determinante de 𝐴,
la traspuesta de su matriz de cofactores, es decir, la matriz adjunta.
Antes de realizar cualquier cálculo, se debe tener en cuenta que el determinante de 𝐴 debe ser
diferente de cero, para garantizar una solución al problema.
2 4 −3
det 𝐴 = |𝐴| = | 3 −5 2 | = −76
−1 3 2
−5 2 3 2 3 −5
+| | −| | +| |
3 2 −1 2 −1 3 −16 −8 4
| 4 −3 2 −3 2 4 |
𝐶 = −| | +| | −| | = [ −17 1 −10]
| 3 2 −1 2 −1 3|
4 −3 2 −3 2 4 −7 −13 −22
+| | −| | +| |
−5 2 3 2 3 −5
−16 −17 −7
𝑡
𝑎𝑑𝑗 (𝐴) = 𝐶 = [ −8 1 −13]
4 −10 −22
42
1
𝐴−1 = 𝑎𝑑𝑗(𝐴)
det(𝐴)
1 −16 −17 −7
𝐴−1 = − [ −8 1 −13]
76
4 −10 −22
El Jacobiano
Es un determinante especial que sirve para testear la dependencia funcional, tanto lineal como
no lineal. Un determinante Jacobiano está compuesto por todas las primeras derivadas
parciales. Por ejemplo, dadas las siguientes funciones,
𝑦1 = 𝑓1 (𝑥1 , 𝑥2 … 𝑥𝑛 )
𝑦2 = 𝑓2 (𝑥1 , 𝑥2 … 𝑥𝑛 )
⋮
𝑦𝑛 = 𝑓3 (𝑥1 , 𝑥2 … 𝑥𝑛 )
43
𝜕𝑦1 𝜕𝑦1 𝜕𝑦1
…
|𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛 |
𝜕𝑦1 , 𝜕𝑦2 , … , 𝜕𝑦𝑛 𝜕𝑦2 𝜕𝑦2 𝜕𝑦2
|𝐽| = | | = 𝜕𝑥1 …
𝜕𝑥 , 𝜕𝑥 , … , 𝜕𝑥 𝜕𝑥2 𝜕𝑥𝑛
1 2 3 ⋯ … ⋯
⋯
|𝜕𝑦 𝜕𝑦𝑛 𝜕𝑦𝑛 |
𝑛
…
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
Vemos que los elementos de cada fila son las primeras derivadas parciales de la función 𝑦𝑖 con
respecto a cada una de la variables independientes (𝑥1 , 𝑥2 , 𝑥3 ), mientras que los elementos de
cada columna son las primeras derivadas parciales de cada una de las funciones 𝑦1 , 𝑦2 , 𝑦3
respecto a una de las variables independientes, 𝑥𝑗 . Si |𝐽| = 0, las ecuaciones son
funcionalmente dependientes, sino son independientes.
𝑦1 = 5𝑥1 + 3𝑥2
5 3
|𝐽| = | |
50𝑥1 + 30𝑥2 30𝑥1 + 18𝑥2
es decir:
(𝑦1 )2 = 𝑦2
44
1.8 Problemas resueltos
𝑥 2 −1 1 1 1 1 0
𝐴=[ 0 4 1 2𝑎] 𝐵 = [−1 0 1 0]
−1 −𝑥 3𝑥 0 2 1 1 −1
0 −1 1 2 −1 0 1 0
2𝑥 − 10 2𝑥 − 2 2𝑥 + 4 2
2𝐴𝐵 = [ −4𝑎 −4 2 4𝑎 + 10 −2 ]
14𝑥 − 2 6𝑥 − 2 4𝑥 − 2 −6𝑥
2 2 4 −2
Entonces
2𝑥 − 10 −4𝑎 − 4 14𝑥 − 2 2
(2𝐴𝐵)𝑡 = [ 2𝑥 − 2 2 6𝑥 − 2 2]
2𝑥 + 4 4𝑎 + 10 4𝑥 − 2 4
2 −2 −6𝑥 −2
Entonces 𝑆 = 2𝑥 − 2 + 4𝑎 + 10 + 4𝑥 − 2 = 6𝑥 + 4𝑎 + 6.
45
Ejemplo: Se tienen las siguientes matrices:
3
−2𝑎 3𝑏
2 −4 2 −6 −4
𝐴=[ 2 𝑏] 𝐵=[ ] 𝐶=[ ]
−1 𝑏 −5 1 6𝑎
−5 8 −2
Obtenga:
a) 𝐷 = 𝐴 ∙ 𝐵 ∙ 𝐶
b) 𝑆𝑖 𝑎 = 0, ¿ 𝑐ó𝑚𝑜 𝑐𝑎𝑚𝑏𝑖𝑎 𝐷 𝑒𝑛 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑎 𝑙𝑎 𝑝𝑟𝑒𝑔𝑢𝑛𝑡𝑎 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟?
Solución:
a) Primero multiplicamos las matrices 𝐴(3𝑋2) 𝑦 𝐵(2𝑋4) porque cumplen con las
dimensiones, resultando la matriz 𝐴𝐵(2𝑋4) y luego multiplicarlo con la matriz 𝐶(4𝑋1) .
3
−4𝑎 − 3𝑏 8𝑎 + 3𝑏 2 −4𝑎 − 15𝑏 12𝑎 + 3𝑏
−4
𝐴∙𝐵∙𝐶 =𝐷 =[ 4−𝑏 𝑏2 − 8 4 − 5𝑏 𝑏 − 12 ] ∙ [ 6𝑎 ]
−18 8𝑏 + 20 −50 38 −2
−3𝑏(4𝑏 + 5)
𝐷 = [−4𝑏 2 − 5𝑏 + 68]
−2(16𝑏 + 105)
46
Ejemplo: Dada la matriz 𝐻 𝑦 𝐻 −1 = 𝐷, obtenga "𝑎" sabiendo que 𝑑22 = 1
−3𝑎 −1 𝑎
𝐻=[ 1 4 1]
−2 −3 −1
Solución: Calculamos la matriz inversa de 𝐻 por medio de determinantes, es decir:
1
𝐻 −1 = 𝑎𝑑𝑗(𝐻)
det(𝐻)
3° Calculamos la adjunta
𝑡
−1 −3𝑎 − 1 −4𝑎 − 1
𝑎𝑑𝑗 (𝐻) = (𝐶𝑜𝑓(𝐻)) = (−1 5𝑎 4𝑎 )
5 −9𝑎 + 2 −12𝑎 + 1
1 3𝑎 + 1 4𝑎 + 1
− − −
8𝑎 + 1 8𝑎 + 1 8𝑎 + 1
1 5𝑎 4𝑎
𝐻 −1 =𝐷= −
8𝑎 + 1 8𝑎 + 1 8𝑎 + 1
5 2 − 9𝑎 1 − 12𝑎
[ 8𝑎 + 1 8𝑎 + 1 8𝑎 + 1 ]
Por condición:
5𝑎
𝑑22 =
8𝑎 + 1
Entonces
1
𝑎=−
3
47
Ejemplo: Una tienda vende 1000 hamburguesas, 600, y 1200 leches en una semana. El precio de
la hamburguesa es 45 pesos (𝑝), una hamburguesa con queso 60𝑝 , y la leche 50𝑝. El costo de
vender una hamburguesa es 38𝑝, una hamburguesa queso es 42𝑝, y una leche es 32𝑝.
Encuentre el ingreso, costo y beneficio semanal de la firma.
El ingreso total es 𝐼 = 𝑃𝑄, pero esta operación no se puede realizar. Entonces se aplica la
transpuesta de 𝑃. Sólo así es posible la multiplicación.
1000
𝐼 = 𝑃𝑡 𝑄 = [0.45 0.60 0.50] = [ 600 ] = 1410
1200
1000
𝑡
[0.38
𝐶=𝐶 𝑄= 0.42 0.32] = [ 600 ] = 1016
1200
48
1000 45 38
𝑄 = [ 600 ] 𝑃 = [60] 𝐶 = [42]
1200 50 32
El ingreso total es 𝐼 = 𝑃𝑄, pero esta operación no se puede realizar. Entonces se aplica la
transpuesta de 𝑃. Sólo así es posible la multiplicación.
1000
𝐼 = 𝑃𝑡 𝑄 = [45 60 50] ∙ [ 600 ] = 141000
1200
1000
𝑡
[38
𝐶=𝐶 𝑄= 42 32] ∙ [ 600 ] = 101600
1200
49
Ejemplo: En una página deteriorada de un libro se encuentra la matriz
1 𝑥 0
𝐴 = (0 0 𝑦 )
0 0 𝑧
∎ ∎ −6
(∎ ∎ 2 )
∎ ∎ −1
Obtenga 𝑥 + 𝑦 + 𝑧
1 𝑥 0 1 𝑥 0 1 𝑥 𝑥𝑦
2
𝐴 = (0 0 𝑦 ) ∙ (0 0 𝑦 ) = (0 0 𝑦𝑧 )
0 0 𝑧 0 0 𝑧 0 0 𝑧2
1 𝑥 𝑥𝑦 1 0 0 𝑥2 + 1 𝑥𝑦 2 𝑥𝑦𝑧
2 𝑡
𝐴 ∙ 𝐴 = (0 0 𝑦𝑧 ) ∙ (𝑥 0 0) = ( 0 𝑦2𝑧 𝑦𝑧 2 )
0 0 𝑧2 0 𝑦 𝑧 0 𝑦𝑧 2 𝑧3
Es decir:
𝑥 2 + 1 𝑥𝑦 2 𝑥𝑦𝑧 ∎ ∎ −6
𝐴2 ∙ 𝐴𝑡 = ( 0 𝑦2𝑧 2
𝑦𝑧 ) = (∎ ∎ 2 )
0 𝑦𝑧 2 𝑧3 ∎ ∎ −1
𝑥𝑦𝑧 = −6
𝑦𝑧 2 = 2
𝑧 3 = −1
finalmente, 𝑥+𝑦+𝑧 =4
50
Ejemplo: Hallar 𝑎, 𝑏, 𝑐 𝑦 𝑑 si se cumple que:
1 0 2 0
(
𝑎 𝑏 𝑐 𝑑 ) ∙ (0 0 1 1) = (1 0 6 6
)
1 4 9 2 0 1 0 0 1 9 8 4
0 0 1 0
𝑎 𝑐 2𝑎 + 𝑏 + 𝑑 𝑏 1 0 6 6
( )=( )
1 9 8 4 1 9 8 4
−4 0 −5 4
−5 −3 −4 2𝑦
𝐴=( ) det(𝐴) = −4(9𝑦 2 − 2𝑦 − 43)
−2 −2 2 0
4 −𝑦 1 −1
a) La det ( 𝐴𝑡 )
b) Qué valor(es) tomará “y” para que el sistema 𝐴𝑡 sea singular, es decir, para que no tenga
solución única.
Solución:
a) Por propiedad det ( 𝐴) = det ( 𝐴𝑡 )
−4(9𝑦 2 − 2𝑦 − 43) = 0 ⇒ 9𝑦 2 − 2𝑦 − 43 = 0
𝑦1 = 2.3 𝑦2 = −2.08
51
Ejemplo: Conforme al modelo
Solución: Al ordenar las ecuaciones podemos observar que la tercera ecuación del sistema, es 3
veces la primera ecuación, es decir, una combinación lineal de la primera. Por ello, el sistema no
tendrá solución única y se puede verificar porque el determinante de la matriz formada por las
cuatro ecuaciones resulta ser cero.
− 4𝑥 − 5𝑦 + 23𝑧 + 11𝑤 = 0
21𝑦 + 31𝑧 + 4𝑤 = −23
−12𝑥 − 15𝑦 + 69𝑧 + 33𝑤 = 0
−21𝑥 + 23𝑦 − 2𝑧 + 42𝑤 = −3
−4 −5 23 11 −4 −5 23 11
𝒇 −𝟑∙𝒇 →𝒇
| 0 21 31 4 | → | 0 21 31 4 | = 𝟎
𝟑 𝟏 𝟑
−12 −15 69 33 0 0 0 0
−21 23 −2 42 −21 23 −2 42
52
Escriba aquí la ecuación.
3 4 −𝑞 4 −4 3 1 𝑎
𝐴=( −2 𝑎 𝑒 3 −3 2 −1 −1 )
𝑚 2) 𝐵=(
3 𝑧 −2 −1 5𝑚 0
1 𝑚 1 1 −1 0 4 −2
Por condición
𝑐33 = 𝑚 ⇒ 5𝑚2 + 11 − 𝑧 = 𝑚
5𝑚2 − 𝑚 + (11 − 𝑧) = 0
1 ± √1 − 20(11 − 𝑧)
𝑚= = 0 ⇒ 𝑧 = 11
10
53
Ejemplo: Sea el sistema de ecuaciones:
𝑎𝑥 + 𝑏𝑦 = 𝑐
𝑎2 𝑥 + 𝑑𝑦 + 𝑒𝑧 = 𝑓
ℎ𝑧 + 𝑔𝑥 = 𝑖
¿Qué requisitos debe cumplir "𝑎", si es posible, para que dicho sistema tenga solución única?
𝑎 𝑏 0 𝑥 𝑐
[𝑎 2 𝑑 𝑒 ] [𝑦] = [𝑓 ] 𝑜 𝐴∙𝑋 =𝐵
𝑔 0 ℎ 𝑧 𝑖
Para que el sistema tenga solución única, el determinante del sistema debe ser diferente de
cero.
Usando Sarrus
𝑎 𝑏 0
𝑎2 𝑑 𝑒
|𝑔 0 ℎ|
det 𝐴 = = 𝑎𝑑ℎ + 0 + 𝑏𝑔ℎ − 0 − 0 − 𝑎2 𝑏ℎ
| 𝑎2 𝑏 0|
𝑎 𝑑 ℎ
Obteniendo det(𝐴) ≠ −𝑎2 𝑏ℎ + 𝑎𝑑ℎ + 𝑏𝑔ℎ. Haciendo "𝑎" como variable se tendrá que:
54
Ejemplo: Obtenga el det(𝐴) si
1 1 1 1
A = [2 0 5 0]
3 9 2 3
4 6 5 6
Solución: El determinante puede resolverse por diversas formas. La forma más sencilla es usar
la segunda fila ya que tiene dos ceros y con ello los subdeterminantes respectivos también
serán cero, reduciendo los cálculos. Así:
1 1 1 1 1 1
det(𝐴) = −2 |9 2 3| − 5 |3 9 3| = −2(−6) − 5(12) = −48
6 5 6 4 6 6
Los determinantes de 3𝑥3 pueden resolverse por Sarrus o por cofactores.
1 1 1 1 1 1
[9 2 3] [3 9 3]
𝑑𝑒𝑡(1) = 6 5 6 𝑑𝑒𝑡(2) = 4 6 6
1 1 1 1 1 1
9 2 3 3 9 3
𝑑𝑒𝑡(1) = (1 ∙ 2 ∙ 6) + (9 ∙ 5 ∙ 1) + (6 ∙ 1 ∙ 3) − [(6 ∙ 2 ∙ 1) + (1 ∙ 5 ∙ 3) + (9 ∙ 1 ∙ 6)] = 75 − 81
𝑑𝑒𝑡(1) = −6
𝑑𝑒𝑡(2) = 12
55
Unidad 2- Espacios vectoriales
Magnitudes escalares
Son aquellas en las que las medidas quedan completamente definidas por medio de un número
y las unidades utilizadas en su medida. Ejemplos de magnitudes escalares son la masa, la
temperatura, la presión, la densidad, la energía, el volumen, etc.
Magnitudes vectoriales
Son aquellas que para quedar definidas necesitan además de un valor numérico (intensidad),
una dirección, un sentido y un punto de aplicación. Ejemplos de magnitudes vectoriales son la
velocidad, la fuerza, la aceleración, la cantidad de movimiento, el campo magnético, el flujo de
calor o de materia, el desplazamiento, el campo eléctrico, etc.
Las magnitudes vectoriales no se pueden representar, como los escalares, por puntos sobre una
recta. Hay que tomar segmentos de una longitud dada (indicadora de su intensidad) a partir de
un punto fijo, los cuales tengan la dirección y sentido correspondientes.
56
2.2 Vectores
Un vector puede utilizarse para representar una magnitud física, quedando caracterizado por
los siguientes elementos:
⃗⃗⃗⃗⃗⃗ |
𝒎𝒐𝒅 𝑨 = |𝑨| = |𝑶𝑷
Para indicar un vector se usa con frecuencia una flecha encima: 𝐴 𝑜 𝑏𝑖𝑒𝑛 ⃗⃗⃗⃗⃗
𝑂𝑃.
57
Componentes de un vector
Hay que tener muy en cuenta el sistema de referencia de los vectores, que estará formado por
un origen y tres ejes perpendiculares. Este sistema de referencia permite fijar la posición de un
punto cualquiera con exactitud. El sistema de referencia que usaremos es el Sistema de
Coordenadas Cartesianas. En este sistema la posición de un punto se encuentra determinada
por tres números independientes, que se denominan componentes o coordenadas del vector y
que definen las distancias a los llamados planos coordenados.
En la Figura se pueden observar los tres planos coordenados que forman ángulos rectos entre si
y cuyas intersecciones son los llamados ejes coordenados.
Las componentes del vector pueden escribirse entre paréntesis y separadas con comas:
𝑎 = (𝑎𝑥 , 𝑎𝑦 , 𝑎𝑧 )
Para poder representar cada vector en un sistema de coordenadas cartesianas, se usan tres
vectores unitarios. Estos vectores unitarios, son unidimensionales, es decir, tienen módulo 1,
son perpendiculares entre sí y corresponderán a cada uno de los ejes del sistema de referencia.
Es decir:
58
Vectores unitarios del sistema de coordenadas cartesianas
Tipos de vectores
Vectores iguales
Dos vectores son iguales cuando tienen el mismo módulo y la misma dirección.
Vector libre
Un vector libre queda caracterizado por su módulo, dirección y sentido. El vector libre es
independiente del lugar en el que se encuentra.
Vectores equivalentes
Si dos o más vectores tienen la misma dirección, sentido y módulo se llaman vectores
equivalentes
Vectores opuestos
Dos vectores que tienen la misma dirección y módulo pero sentido contrario se llaman vectores
opuestos, indicaremos con −𝑢⃗ al vector opuesto de 𝑢
⃗.
59
2.3 Vectores en R2 y R3
60
Vectores en ℝ𝟐
Suma de vectores
La suma de vectores también se puede realizar gráficamente. Para sumar los vectores 𝒂 𝑦 𝒃 de
manera gráfica utilizaremos la Regla del paralelogramo, que consiste en dibujar un
paralelogramo a partir de los vectores 𝒂 𝑦 𝒃. Al dibujar la diagonal de este paralelogramo
obtendremos el vector suma 𝒂 + 𝒃.
Producto escalar
𝛼 ∙ 𝒂 = 𝛼 ∙ (𝑎1 , 𝑎2 ) = (𝛼 ∙ 𝑎1 , 𝛼 ∙ 𝑎2 )
61
Vectores en ℝ𝟑
Suma de vectores
Sean 𝒂 𝑦 𝒃 ∈ ℝ3 , entonces:
Producto escalar
𝛼 ∙ 𝑎 = 𝛼 ∙ (𝑎1 , 𝑎2 , 𝑎3 ) = (𝛼 ∙ 𝑎1 , 𝛼 ∙ 𝑎2 , 𝛼 ∙ 𝑎3 )
62
Vectores en ℝ𝒏
Las operaciones con vectores vistas para ℝ2 𝑦 ℝ3 las podemos generalizar estudiando las
propiedades de los vectores en ℝ𝑛 . Un vector en ℝ𝑛 es una secuencia de 𝒏 elementos de la
forma 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ), siendo 𝒏 un número natural (entero no-negativo) y cada 𝑣𝑖 ∈ ℝ . A
𝑣𝑖 se le llama componente i-ésima del vector.
Dado que el espacio vectorial ℝ𝑛 , con 𝑛 > 3, se representa en un sistema de coordenadas
involucrando 𝑛 ejes de coordenadas perpendiculares entre sí, por consiguiente no es posible
obtener una representación gráfica de estos vectores. Sin embargo, en la práctica estos
vectores son muy importantes ya que muchas propiedades físicas dependen de más de tres
variables. Por ejemplo, la densidad de un fluido homogéneo, además de depender de las tres
coordenadas espaciales, puede depender de variables adicionales tales como la temperatura
(𝑻), la presión (𝒑) y el tiempo (𝒕); en este caso particular, la densidad es función de seis
variables, y los elementos (𝑥, 𝑦, 𝑧, 𝑇, 𝑝, 𝑡) pertenecen a ℝ6 . Entonces:
El espacio vectorial ℝ𝑛 es el conjunto de todos los vectores con 𝑛 elementos de la forma 𝑣 =
(𝑣1 , 𝑣2 , … , 𝑣𝑛 ), que cumple con las siguientes operaciones:
• Conmutativa:
∀ 𝑢, 𝑣 ∈ ℝ𝑛 ⟹ 𝑢 + 𝑣 = 𝑣 + 𝑢
• Asociativa:
∀ 𝑢, 𝑣, 𝑤 ∈ ℝ𝑛 ⟹ (𝑢 + 𝑣) + 𝑤 = 𝑢 + (𝑣 + 𝑤)
• Elemento neutro:
∃ 0 ∈ ℝ𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑣 + 0 = 0 + 𝑣 = 𝑣 ∀ 𝑣 ∈ ℝ𝑛
63
∀ 𝑣 ∈ ℝ𝑛 ∃(−𝑣) ∈ ℝ𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑣 + (−𝑣) = (−𝑣) + 𝑣 = 0 (0 ∈ ℝ𝑛 )
En este caso se multiplica el escalar por cada una de las coordenadas del vector.
Sea 𝛼 ∈ ℝ y 𝑣 = (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) un vector ∈ ℝ𝑛 , entonces:
𝛼 ∙ 𝑣 = 𝛼 ∙ (𝑣1 , 𝑣2 , … , 𝑣𝑛 ) = (𝛼 ∙ 𝑣1 , 𝛼 ∙ 𝑣2 , … , 𝛼 ∙ 𝑣𝑛 )
∀ 𝛼 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ 𝑣 ∈ ℝ𝑛
• Conmutativa:
∀ 𝛼 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ 𝑣 = 𝑣 ∙ 𝛼
• Distributiva mixta:
Suma de vectores ∀ 𝛼 ∈ ℝ 𝑦 𝑢, 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ (𝑣 + 𝑢) = (𝛼 ∙ 𝑣) + (𝛼 ∙ 𝑢)
Suma de escalares ∀ 𝛼, 𝛽 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ (𝛼 + 𝛽) ∙ 𝑣 = (𝛼 ∙ 𝑣) + (𝛽 ∙ 𝑣)
• Asociativa:
∀ 𝛼, 𝛽 ∈ ℝ 𝑦 𝑣 ∈ ℝ𝑛 ⟹ 𝛼 ∙ (𝛽 ∙ 𝑣) = (𝛼 ∙ 𝛽) ∙ 𝑣
• Elemento neutro:
∃ 1 ∈ ℝ 𝑡𝑎𝑙 𝑞𝑢𝑒 1 ∙ 𝑣 = 𝑣 ∀ 𝑣 ∈ ℝ𝑛
64
2.4 Norma - Distancia - Vectores unitarios - Producto escalar
La figura muestra el vector geométrico que une el origen al punto 𝐴 en el plano. A partir del
teorema de Pitágoras encontramos que la longitud de 𝐴 = (𝑎1 , 𝑎2 ) ∈ ℝ2 viene dada por la
fórmula :
Longitud de 𝐴 = √𝑎1 2 + 𝑎2 2
Observe que en uno u otro caso la longitud de 𝐴 viene dada por (𝐴 ∙ 𝐴)1⁄2 , la raíz cuadrada del
producto escalar de 𝐴 por sí mismo. Esta fórmula sugiere un método para introducir el concepto
de norma en ℝ𝑛 .
65
Las propiedades básicas de la norma quedan reflejadas en el siguiente teorema:
iv) ‖𝑨 − 𝑩‖ = ‖𝑩 − 𝑨‖
Distancia
Propiedades
66
Vectores unitarios
Se denomina vector unitario a todo vector de módulo 1. Recordemos que el módulo es la cifra
que coincide con la longitud cuando el vector se representa en un gráfico.
Para calcular un vector unitario a partir de uno dado, se divide este último por su módulo. El
⃗ de módulo 1, con la misma dirección y sentido que el vector original.
resultado es un vector 𝑉
Ejemplo 1:
𝑆𝑖 ⃗⃗⃗⃗⃗⃗
𝑨𝑩 mide 3, entonces:
⃗⃗⃗⃗⃗
𝐴𝐵
⃗ 𝐴𝐵 =
𝑉
⃗⃗⃗⃗⃗ |
|𝐴𝐵
Y su módulo:
⃗ 𝐴𝐵 | = 1
|𝑉
67
El uso de vectores unitarios proporciona la especificación de las diferentes direcciones que
presentan las cantidades vectoriales en un determinado sistema de coordenadas
Un vector unitario puede emplearse para definir el sentido positivo de cualquier eje. Así, para
los ejes cartesianos 𝑥, 𝑦, 𝑧 se emplean los vectores 𝒊, 𝒋 𝒚 𝒌:
La orientación de estos tres ejes cartesianos puede cambiarse, siempre y cuando su orientación
relativa sea la misma.
Del mismo modo pueden definirse un vector tangente y un vector perpendicular a una curva en
cada punto, o un vector unitario en las direcciones radial y angular:
Con ayuda de estos vectores unitarios puede expresarse un vector cualquiera en función de sus
vectores constituyentes.
68
Vectores constituyentes de un vector
Sobre cada uno de los ejes cartesianos ortogonales, y en el sentido positivo de los mismos,
consideramos en ℝ2 los vectores unitarios 𝑖, 𝑗 de componentes
𝑖̂ = (1,0) 𝑗̂ = (0,1)
que se denominan vectores fundamentales. También se los suele representar con los símbolos
̂ Podemos comprobar que:
𝒊̂, 𝒋̂, 𝒌
|𝑖| = | 𝑗| = |𝑘| = 1
Cualquier vector 𝑎 se puede expresar en términos de sus proyecciones a lo largo de los ejes y de
estos vectores unitarios. Por ejemplo, en dos dimensiones:
𝑎 = 𝑎𝑥 𝑖 + 𝑎𝑦 𝑗
𝑎 = 𝑎𝑥 𝑖 + 𝑎𝑦 𝑗 + 𝑎 𝑧 𝑘
Que es la forma más comúnmente que empleamos para expresar una magnitud vectorial.
a. 𝐴 = (6, −2) ⇒ 𝐴 = 6𝑖 − 2𝑗
b. 𝐵 = (3, 0, −5) ⇒ 𝐵 = 3𝑖 − 5𝑘
Nota: Todo vector de ℝ2 puede escribirse como un vector de ℝ3 con componente 𝑧 igual a
cero, es decir, como caso particular de vectores de ℝ3 .
Se llama producto escalar o interno de dos vectores 𝐴 𝑦 𝐵 al escalar que se obtiene como
producto de los módulos de ambos vectores por el coseno del ángulo que forman. En símbolos:
𝑨 ∙ 𝑩 = |𝑨||𝑩|𝐜𝐨𝐬 𝜽
1. Conmutativa: 𝐴 ∙ 𝐵 = 𝐵 ∙ 𝐴
3. Distributiva: 𝐴 ∙ (𝐵 + 𝐶) = 𝐴 ∙ 𝐵 + 𝐴 ∙ 𝐶
70
Dado que |𝑨 |𝐜𝐨𝐬 𝜽 representa la proyección de 𝐴 en la dirección de 𝐵, como se ve en
la figura, el producto escalar resulta igual al producto entre el módulo de 𝐵 por la
proyección de 𝐴 en la dirección de 𝐵.
𝒊∙𝒊=𝒋∙𝒋=𝒌∙𝒌= 𝟏
𝑨 ∙ 𝑩 = 𝒂𝒙 𝒃𝒙 + 𝒂𝒚 𝒃𝒚 + 𝒂𝒛 𝒃𝒛
Con esta expresión se puede calcular el producto escalar de dos vectores cuando se conocen sus
componentes.
Note que el producto escalar de vectores da como resultado un escalar, no un vector.
𝑨∙𝑩 𝒂𝒙 𝒃𝒙 + 𝒂𝒚 𝒃𝒚 + 𝒂𝒛 𝒃𝒛
𝐜𝐨𝐬 𝜽 = =
|𝑨||𝑩| 𝟐 𝟐 𝟐
√𝒂𝒙 𝟐 + 𝒂𝒚 𝟐 + 𝒂𝒁 𝟐 √𝒃𝒙 + 𝒃𝒚 + 𝒃𝒁
𝐴 ∙ 𝐵 = 𝑎𝑥 𝑏𝑥 + 𝑎𝑦 𝑏𝑦 = (−1)(−2) + (−1)(−1) = 3
71
|𝐴| = √𝑎𝑥 2 + 𝑎𝑦 2 = √(−1)2 + (−1)2 = √2
𝐴∙𝐵 −6 −6 −6
cos 𝜃 = = = ⇒ 𝜃 = arccos ≅ 118,9° ≈ 119°
|𝐴||𝐵| √11 ∙ 14 √154 √154
72
2.5 Paralelismo y perpendicularidad entre vectores
⃗ , 𝑣 ∈ ℝ𝑛 distintos de cero:
Dos vectores 𝑢
⃗ || 𝑣 ⟺ 𝑢
𝑢 ⃗ = 𝜆 ∙ 𝑣, 𝜆 ∈ ℝ
𝑢1
𝑢1 = 𝜆 ∙ 𝑣1 ⇒ 𝜆 =
𝑣1
(𝑢1 , 𝑢2 ) = 𝜆 ∙ (𝑣1 , 𝑣2 ) { 𝑢2
𝑢2 = 𝜆 ∙ 𝑣2 ⇒ 𝜆 =
𝑣2
𝑢1 𝑢2
⇒ =
𝑣1 𝑣2
73
2. Son perpendiculares (ortogonales) si el ángulo entre ellos es 𝜋/2. Es decir:
𝑢 ⃗ ∙ 𝑣 = |𝑢
⃗ ⊥𝑣⟺ 𝑢 ⃗ ||𝑣| cos 90° = 0
𝑢
⃗ ∙𝑣 =0
(𝑢1 , 𝑢2 ) ∙ (𝑣1 , 𝑣2 ) = 0
𝑢1 ∙ 𝑣1 + 𝑢2 ∙ 𝑣2 = 0
74
2.6 Proyecciones, ángulos directores, producto cruz
Proyecciones Ortogonales
Proyección escalar
Sean los vectores: 𝒖 = 𝑢𝑥 𝒊 + 𝑢𝑦 𝒋 + 𝑢𝑧 𝒌 𝑦 𝒗 = 𝑣𝑥 𝒊 + 𝑣𝑦 𝒋 + 𝑣𝑧 𝒌
Al proyectar ortogonalmente el vector 𝒗 sobre la dirección del vector 𝒖 se obtiene un segmento
𝒑 tal como se observa en las figuras 1 y 2.
Se denomina: “proyección escalar del vector 𝒗 sobre la dirección del vector 𝒖” a la longitud del
segmento 𝒑 asociado a un signo: positivo o negativo, que indicará si la proyección coincide o no
con el sentido que tiene el vector sobre el cual proyectamos ortogonalmente.
Es decir, la proyección del vector 𝒗 sobre la dirección del vector 𝒖 es igual a la norma del vector 𝒗
por el coseno del ángulo formado por los vectores 𝒖 𝑦 𝒗.
Por otra parte, si comparamos (𝟏) con la fórmula del producto escalar entre vectores, tendremos:
Finalmente:
75
𝒖 ∙ 𝒗 𝒖𝒙 𝒗𝒙 + 𝒖𝒚 𝒗𝒚 + 𝒖𝒛 𝒗𝒛
𝒑 = 𝒑𝒓𝒐𝒚 𝒆𝒔𝒄 𝒗𝒖 = =
‖𝒖‖
√𝒖𝒙 𝟐 + 𝒖𝒚 𝟐 + 𝒖𝒛 𝟐
Ejemplos:
1. Calcular la proyección escalar del vector 𝑢 = (1,1,1) sobre la dirección del vector 𝑣 =
(1,1,0)
(1,1,1) ∙ (1,1,0) 2
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑢𝑣 = = = √2
√11 + 11 + 02 √2
2. Calcular la proyección escalar del vector 𝑎 = (0, −1,1) sobre la dirección del versor 𝑗 =
(0,1,0)
3. Calcular la proyección escalar del versor 𝑖 = (1,0,0) sobre la dirección del versor 𝑘 =
(0,0,1)
(1,0,0) ∙ (0,0,1) 0
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑖𝑘 = = =0
√02 + 02 + 12 1
Observemos que:
En resumen:
• La proyección escalar del vector 𝒗 sobre la dirección del vector u es:
𝑢∙𝑣
𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑣𝑢 =
‖𝑢‖
Vector proyección
Por definición, la proyección escalar 𝑝 es un número real que indica la longitud de la proyección
ortogonal de un vector sobre la dirección de otro y el sentido en que se efectúa la proyección,
por lo tanto, para transformar a esta magnitud escalar en una magnitud vectorial es necesario
incorporar la característica de dirección.
Observemos que, tanto en la figura 3 como en la figura 4, la dirección del vector proyección 𝒑
coincide con la dirección del vector sobre el que proyectamos ortogonalmente. Entonces si
multiplicamos la proyección escalar 𝑝 por el versor asociado al vector sobre el que proyectamos
ortogonalmente obtendremos las componentes del vector proyección 𝒑.
Es decir:
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = 𝑝 ∙ 𝑢̂ (𝟑)
Recordando que:
𝑢∙𝑣
𝑝 = 𝑝𝑟𝑜𝑦 𝑒𝑠𝑐 𝑣𝑢 =
‖𝑢‖
77
y que:
1
𝑢̂ = ∙𝑢
‖𝑢‖
𝑢∙𝑣 1
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = ∙ ∙𝑢 (𝟒)
‖𝑢‖ ‖𝑢‖
El vector 𝒑 o vector proyección del vector 𝒗 sobre la dirección del vector 𝒖 es:
𝒖∙𝒗
𝒑 = 𝒗𝒆𝒄𝒕𝒐𝒓 𝒑𝒓𝒐𝒚 𝒗𝒖 = ( )∙𝒖
‖𝒖‖𝟐
Ejemplo: Calcular el vector proyección del vector 𝑢 = (1,1,1) sobre la dirección del vector 𝑣 =
(2,2,0)
Componente ortogonal
𝒗=𝒑+𝒒
78
Es decir, el vector 𝒗 es la suma del vector proyección de 𝒗 sobre la dirección del vector 𝒖 y la
componente de 𝒗 ortogonal a la dirección del vector 𝒖
Entonces:
𝒒 = 𝑐𝑜𝑚𝑝 𝑜𝑟𝑡𝑜𝑔 𝑣𝑢 = 𝒗 − 𝒑
Recordando que:
𝑢∙𝑣
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = ( )∙𝑢
‖𝑢‖2
𝒖∙𝒗
𝒒 = 𝒄𝒐𝒎𝒑 𝒐𝒓𝒕𝒐𝒈 𝒗𝒖 = 𝒗 − ( )∙𝒖
‖𝒖‖𝟐
En primer lugar debemos hallar el vector proyección del vector 𝒗 sobre la dirección del vector
𝒖:
(2,2,0) ∙ (1,1,1) 4
𝒑 = 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑦 𝑣𝑢 = 2 ∙ (2,2,0) = 2 ∙ (2,2,0) = (1,1,0)
(√22 + 22 + 02 ) (√8)
𝑞 =𝑣−𝑝
es decir:
𝒒 = (1,1,1) − (1,1,0) = (0,0,1)
79
Ángulos directores
Los ángulos directores son los ángulos que forma el vector 𝐴 con cada eje
La dirección de un vector se puede obtener por medio de los cosenos de los ángulos directores.
Se llaman Cosenos directores del vector 𝐴 a los cosenos de los ángulos que forman cada uno de
los ejes coordenados. En un plano tridimensional se representan:
En la imagen se identifican 3 ángulos (𝛼, 𝛽, 𝛾). Los cosenos directores del vector ⃗A =
(Ax , Ay , Az ) son respectivamente:
𝐴𝑥 𝐴𝑥
cos 𝛼 = ⟹ 𝐴𝑥 = |𝐴| cos 𝛼 𝛼 = arccos
|𝐴| |𝐴|
𝐴𝑦 𝐴𝑦
cos 𝛽 = ⟹ 𝐴𝑦 = |𝐴| cos 𝛽 𝛽 = arccos
|𝐴| |𝐴|
𝐴𝑧 𝐴𝑧
cos 𝛾 = ⟹ 𝐴𝑧 = |𝐴| cos 𝛾 𝛾 = arccos
|𝐴| |𝐴|
Para saber el tamaño de cada ángulo se utiliza la función inversa. Observe que si 𝐴 es unitario,
entonces 𝐴 = (cos 𝛼 , cos 𝛽 , cos 𝛾).
Por lo tanto todo vector en tres dimensiones se puede expresar con los ángulos directores así:
⃗ = Ax 𝑖̂ + Ay 𝑗̂ + Az 𝑘̂
A
⃗A = |𝐴|cos 𝛼𝑖̂ + |𝐴| cos 𝛽 𝑗̂ + |𝐴| cos 𝛾 𝑘̂
80
Ejemplo: Mediante los cosenos directores determinar los ángulos de α, β, γ del vector (4, 5, 3)
𝐴𝑥 4 4
cos 𝛼 = = ⟹ 𝛼 = arccos = 55,6°
|𝐴| 7,07 7,07
𝐴𝑦 5 5
cos 𝛽 = = ⟹ 𝛽 = arccos = 45°
|𝐴| 7,07 7,07
𝐴𝑧 3 3
cos 𝛾 = = ⟹ 𝛾 = arccos = 64,9°
|𝐴| 7,07 7,07
81
Producto vectorial o producto cruz
Consideremos los vectores 𝑢 ⃗ = (𝑢1 , 𝑢2 , 𝑢3 ) ∈ ℝ3 𝑦 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 ) ∈ ℝ3 . El producto vectorial
de estos dos vectores es otro vector que designaremos como 𝒖 ⃗ × 𝒗 ⃗ perpendicular al plano
definido por 𝒖⃗ ,𝒗
⃗ , es decir, perpendicular tanto a 𝑢 ⃗ como a 𝑣 y cuyo sentido lo da la regla del
"avance del tornillo" (girando de 𝒖⃗ ℎ𝑎𝑐𝑖𝑎 𝒗 ⃗ ).
𝑖̂ 𝑗̂ 𝑘̂
𝑢
⃗ × 𝑣 = |𝑢1 𝑢2 𝑢3 |
𝑣1 𝑣2 𝑣3
Desarrollando el determinante:
𝑢2 𝑢3 𝑢1 𝑢3 𝑢1 𝑢2
𝑢
⃗ × 𝑣 = |𝑣 | 𝑖̂ − | | 𝑗̂ + | ̂
2 𝑣3 𝑣1 𝑣3 𝑣1 𝑣2 | 𝑘
⃗ × 𝑣 = (𝑢2 𝑣3 − 𝑢3 𝑣2 , 𝑢3 𝑣1 − 𝑢1 𝑣3 , 𝑢1 𝑣2 − 𝑢2 𝑣1 )
𝑢
⃗ ∙ (𝑢
1. 𝑢 ⃗ × 𝑣) = 0
2. 𝑣 ∙ (𝑢
⃗ × 𝑣) = 0
⃗ × 𝑣‖2 = ‖𝑢
3. ‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (𝑢
⃗ ∙ 𝑣)2 (igualdad de Lagrange)
4. 𝑢
⃗⃗⃗ 𝑥 𝑣 ≠ 𝑣 𝑥 𝑢
⃗
5. 𝑢
⃗ × 𝑣 = −(𝑣 × 𝑢
⃗)
⃗ × (𝑣 + 𝑤
6. 𝑢 ⃗⃗ ) = (𝑢
⃗ × 𝑣) + (𝑢 ⃗⃗ )
⃗ ×𝑤
82
7. (𝑢
⃗ + 𝑣) × 𝑤
⃗⃗ = 𝑢
⃗ × 𝑤
⃗⃗ + 𝑣 × 𝑤
⃗⃗
⃗ × 𝑣) = (𝜆𝑢
8. 𝜆(𝑢 ⃗) × 𝑣= 𝑢
⃗ × (𝜆𝑣)
⃗ × ⃗0 = ⃗0 × 𝑢
9. 𝑢 ⃗ = ⃗0
10. 𝑢
⃗ × 𝑢
⃗ =0
11. 𝑖̂ × 𝑖̂ = 𝑗̂ × 𝑗̂ = 𝑘̂ × 𝑘̂ = 0
𝑢
⃗ ∥𝑣 ⇒ 𝑢
⃗ =𝜆𝑣 ⇒ 𝑢
⃗ × 𝑣=0
⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (𝑢
⃗ ∙ 𝑣 )2
⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 − (‖𝑢
⃗ ‖2 ‖𝑣‖2 𝑐𝑜𝑠 2 𝛼)
⃗ × 𝑣 ‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 (1 − 𝑐𝑜𝑠 2 𝛼)
⃗ × 𝑣‖2 = ‖𝑢
‖𝑢 ⃗ ‖2 ‖𝑣‖2 𝑠𝑒𝑛2 𝛼
⃗ 𝑦𝒗
como 𝛼 es la medida del ángulo formado por los vectores 𝒖 ⃗ , es claro que 0 ≤ 𝛼 ≤ 𝜋,
por lo tanto 𝑠𝑒𝑛 𝛼 ≥ 0 ∀ 𝛼: 0 ≤ 𝛼 ≤ 𝜋, en consecuencia
‖𝒖 ⃗ ‖ = ‖𝒖
⃗ × 𝒗 ⃗ ‖‖𝒗
⃗ ‖ 𝒔𝒆𝒏 𝜶
83
Consideremos un paralelogramo determinado por dos vectores 𝑢 ⃗ , 𝑣 ∈ ℝ3 , como
podemos observar en la figura. Si 𝛼 es la medida del ángulo entre los vectores 𝑢⃗ 𝑦𝑣 y
como sabemos el área del paralelogramo se halla multiplicando la base por la altura.
Según la figura el área del paralelogramo queda expresada como:
𝐴 = ℎ‖𝑣‖
Pero la altura ℎ = ‖𝑢
⃗ ‖ 𝑠𝑒𝑛 𝛼
𝑨 = ‖𝒖
⃗ ‖‖𝒗
⃗ ‖ 𝒔𝒆𝒏 𝜶 = ‖𝒖 ⃗‖
⃗ × 𝒗
∴ El producto vectorial entre dos vectores es un nuevo vector cuyo módulo es igual al área de
un paralelogramo siendo sus lados los vectores adyacentes.
84
2.7 Rectas y planos en ℝ𝟑
Ecuaciones de la recta
⃗ llamado
Una recta en el espacio queda determinada conociendo un punto 𝑷 y un vector 𝒗
vector director o direccional de la recta.
La ecuación de una recta se puede expresar de distintas formas.
Ecuación vectorial de la recta
Para escribir la ecuación vectorial de una recta en ℝ3 , que pasa por el punto 𝑃0 = (𝑥0 , 𝑦0 , 𝑧0 ) y
tiene un vector director 𝑣 = (𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) debemos fijar las coordenadas de otro punto que
llamaremos 𝑃 = (𝑥, 𝑦, 𝑧), por donde pase la recta, verificándose así, la relación vectorial:
⃗⃗⃗⃗⃗⃗⃗⃗ ⃗
𝑷𝟎 𝑷 = 𝝀 ∙ 𝒗 𝑐𝑜𝑛 𝜆 ∈ ℝ
⃗⃗⃗⃗⃗⃗
𝑶𝑷 = ⃗⃗⃗⃗⃗⃗⃗⃗
𝑶𝑷𝟎 + ⃗⃗⃗⃗⃗⃗⃗⃗
𝑷𝟎 𝑷
Si identificamos el punto 𝑷 como el vector que va desde el origen de coordenadas hasta el
punto 𝑷, 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟, ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗𝟎 ), obtenemos la ecuación
𝑶𝑷, de igual forma lo hacemos con 𝑷𝟎 (𝑶𝑷
vectorial de la recta en ℝ3 :
⃗
𝑷 = 𝑷𝟎 + 𝝀 ∙ 𝒗
donde al variar el parámetro 𝝀, se van generando los puntos de la recta.
85
Ecuación en forma paramétrica
Desarrollando la ecuación vectorial anterior expresada en coordenadas, tenemos lo siguiente:
𝑥 = 𝑥0 + 𝜆 ∙ 𝑣𝑥
{𝑦 = 𝑦0 + 𝜆 ∙ 𝑣𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑣𝑧
Donde el parámetro 𝜆 toma el mismo valor en las tres ecuaciones. Esta expresión se denomina
ecuación de la recta en forma paramétrica o ecuaciones paramétricas de la recta.
Si, en las ecuaciones paramétricas 𝑣𝑥 , 𝑣𝑦 𝑦 𝑣𝑧 son distintos de cero, podemos despejar en cada
una de ellas el parámetro 𝜆 .
𝑥 − 𝑥0 𝑦 − 𝑦0 𝑧 − 𝑧0
𝜆= 𝜆= 𝜆=
𝑣𝑥 𝑣𝑦 𝑣𝑧
𝑥 − 𝑥0 𝑦 − 𝑦0 𝑧 − 𝑧0
= =
𝑣𝑥 𝑣𝑦 𝑣𝑧
Nota: De lo anterior surge que el ángulo entre dos rectas es el ángulo entre sus vectores
directores. En particular, dos rectas son paralelas si sus vectores dirección lo son, o si uno de
ellos puede escribirse como un múltiplo del otro. Para identificar la perpendicularidad entre dos
rectas, podemos emplear sus vectores directores, comprobando si estos son perpendiculares, es
decir, si su producto escalar es nulo.
86
Ejemplo: Encontrar la ecuación paramétrica de la recta que pasa por (1, −1,3) y tiene la
Solución: La ecuación es
𝑥 =1+𝜆
también puede escribirse como { 𝑦 = −1 − 2𝜆
𝑧 = 3−𝜆
o despejando 𝜆:
𝑥−1 𝑦+1 𝑧−3
= =
1 −2 −1
𝑥 − 𝑥0 𝑦 − 𝑦0
= ⟹ 𝑣𝑦 (𝑥 − 𝑥0 ) = 𝑣𝑥 (𝑦 − 𝑦0 ) ⟹ 𝑣𝑦 ∙ 𝑥 − 𝑣𝑥 ∙ 𝑦 + 𝑣𝑥 ∙ 𝑦0 − 𝑣𝑦 ∙ 𝑥0 = 0
𝑣𝑥 𝑣𝑦
𝑥 − 𝑥0 𝑧 − 𝑧0
= ⟹ 𝑣𝑧 (𝑥 − 𝑥0 ) = 𝑣𝑥 (𝑧 − 𝑧0 ) ⟹ 𝑣𝑧 ∙ 𝑥 − 𝑣𝑥 ∙ 𝑧 + 𝑣𝑥 ∙ 𝑧0 − 𝑣𝑧∙ 𝑥0 = 0
𝑣𝑥 𝑣𝑧
𝐴∙𝑥+𝐵∙𝑦+𝐶∙𝑧+𝐷 =0
{
𝐴′ ∙ 𝑥 + 𝐵′ ∙ 𝑦 + 𝐶′ ∙ 𝑧 + 𝐷′ = 0
Ejemplo: Determinar las ecuaciones de la recta 𝒓 que pasa por los puntos:
Un vector director de 𝑟 es, por ejemplo, el vector que va desde el punto 𝑃 hasta el punto 𝑄
87
⃗⃗⃗⃗⃗
𝑃𝑄 = 𝑄 − 𝑃 = (−1, −2, −3) − (1,2,3) = (−2, −4, −6)
Por lo tanto, la ecuación de la recta 𝑟 en forma vectorial es:
En forma paramétrica:
𝑥 = 1 − 2𝜆
{𝑦 = 2 − 4𝜆
𝑧 = 3 − 6𝜆
En forma continua:
𝑥−1 𝑦−2 𝑧−3
= =
−2 −4 −6
En forma implícita:
2∙𝑥−𝑦 = 0
{
3∙𝑥−𝑧 = 0
Intersección entre rectas
Para que ambas rectas se corten en un punto, deben cumplirse simultáneamente las ecuaciones
𝜆𝑎 + 𝑥0 = 𝑡𝑑 + 𝑥1
{ 𝜆𝑏 + 𝑦0 = 𝑡𝑒 + 𝑦1
𝜆𝑐 + 𝑧0 = 𝑡𝑓 + 𝑧1
Esto constituye un sistema de tres ecuaciones con dos incógnitas 𝜆 𝑦 𝑡. Por lo tanto, puede
suceder que no existan valores para 𝜆 𝑦 𝑡 que satisfagan las tres ecuaciones. En ese caso, las
rectas no tienen ningún punto en común. Pero, si una de las ecuaciones puede obtenerse como
combinación lineal de las otras dos, entonces el sistema tendrá solución única pues equivale a
un sistema de dos ecuaciones con dos incógnitas. En ese caso, obtenemos un valor para 𝜆 y un
valor para 𝑡. Al reemplazar 𝜆 en la ecuación de la recta 𝐿, obtenemos un punto. El mismo punto
resulta al reemplazar 𝑡 en la ecuación de 𝑀.
88
Ecuaciones del plano
Un plano 𝜋 queda determinado cuando se conoce un punto 𝑃 del mismo y dos vectores 𝑢 ⃗ y 𝑣
no nulos y linealmente independientes que están contenidos en el plano, llamados vectores
directores del plano.
Existen diferentes formas de expresar la ecuación de un plano. Las describimos a continuación.
⃗⃗⃗⃗⃗⃗⃗⃗ ⃗ +𝝁∙𝒗
𝑷𝟎 𝑷 = 𝝀 ∙ 𝒖 ⃗ con 𝝀, 𝝁 ∈ ℝ
⃗ +𝝁∙𝒗
𝑷 = 𝑷𝟎 + 𝝀 ∙ 𝒖 ⃗
89
Ecuación en forma paramétrica
𝑥 = 𝑥0 + 𝜆 ∙ 𝑢𝑥 + 𝜇 ∙ 𝑣𝑥
{ = 𝑦0 + 𝜆 ∙ 𝑢𝑦 + 𝜇 ∙ 𝑣𝑦
𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑢𝑧 + 𝜇 ∙ 𝑣𝑧
que son las ecuaciones paramétricas del plano.
Como
⃗ +𝝁∙ 𝒗
𝑷 − 𝑷𝟎 = 𝝀 ∙ 𝒖 ⃗
en el determinante
𝑥 − 𝑥0 𝑢𝑥 𝑣𝑥
| − 𝑦0
𝑦 𝑢𝑦 𝑣𝑦 |
𝑧 − 𝑧0 𝑢𝑧 𝑣𝑧
que es la ecuación en forma general, cartesiana o implícita del plano (𝑎, 𝑏, 𝑐, 𝑑 son números
reales).
90
Ecuación normal
Otra forma de determinar la ecuación de un plano es conociendo un punto del mismo y un
vector normal al plano.
Sea 𝑃0 = (𝑥0 , 𝑦0 , 𝑧0 ) un punto particular por donde pasa el plano 𝜋 y sea 𝒏 ⃗ = (𝒂, 𝒃, 𝒄) un
vector normal a 𝜋. Entonces, para cualquier punto 𝑃 = (𝑥, 𝑦, 𝑧), del plano 𝜋, el
⃗⃗⃗⃗⃗⃗⃗
vector 𝑃0 𝑃 = 𝑃−𝑃0 está contenido en el plano y es perpendicular a 𝒏 ⃗ , es decir:
𝑛⃗ ∙ ⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃 = 0
O sea
𝑛⃗ ∙ (𝑃−𝑃0 ) = 0
(𝑎, 𝑏, 𝑐) ∙ (𝑥 − 𝑥0 , 𝑦 − 𝑦0 , 𝑧 − 𝑧0 ) = 0
Dado que tanto las componentes del vector 𝒏⃗ como las coordenadas de 𝑃0 son constantes, el
resultado de −(𝑎𝑥0 + 𝑏𝑦0 + 𝑐𝑧0 ) es una constante que indicaremos con 𝑑. Luego, la ecuación
general del plano se escribe:
𝒂𝒙 + 𝒃𝒚 + 𝒄𝒛 + 𝒅 = 𝟎
91
Ejemplo: Determinar las ecuaciones del plano que contiene a los puntos:
𝑃0 = (1,0,0) 𝑃1 = (0,1,0) 𝑦 𝑃2 = (0,0,1)
Tanto
⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃1 = 𝑂𝑃1 − 𝑂𝑃0
como
⃗⃗⃗⃗⃗⃗⃗⃗
𝑃0 𝑃2 = 𝑂𝑃2 − 𝑂𝑃0
Ejemplo: Escribir la ecuación del plano de normal 𝑁 = (1,3, −2) que contiene al punto
(1, −2,3).
Solución: La ecuación es
1𝑥 + 3𝑦 − 2𝑧 = 1 ∙ 1 + 3 ∙ (−2) − 2 ∙ 3
𝑥 + 3𝑦 − 2𝑧 = −11
92
Intersección entre una recta y un plano
Que la recta sea paralela al plano: Como la recta viene caracterizada por su vector dirección
𝑽 = (𝑣𝑥 , 𝑣𝑦 , 𝑣𝑧 ) y el plano por su vector normal 𝑵 = (𝑎, 𝑏, 𝑐), se comparan las direcciones de
los vectores 𝑽 𝒚 𝑵. Que la recta sea paralela al plano significa que ambos vectores son
perpendiculares. Por lo tanto, calculamos el producto escalar 𝑽 ∙ 𝑵. Si resulta nulo, dichos
vectores son perpendiculares.
Que la recta estuviera contenida en el plano: Para ver si es éste el caso, tomamos un punto
cualquiera de la recta y vemos si verifica la ecuación del plano. Concluimos que, si la recta y el
plano son paralelos y tienen un punto en común, entonces tienen todos los puntos de la recta
en común.
𝑥 = 𝑥0 + 𝜆 ∙ 𝑣𝑥
{𝑦 = 𝑦0 + 𝜆 ∙ 𝑣𝑦
𝑧 = 𝑧0 + 𝜆 ∙ 𝑣𝑧
Al reemplazarlo en la ecuación de la recta, obtenemos un valor para las tres coordenadas del
punto de intersección buscado.
Ejemplo: Encontrar la intersección entre la recta 𝐿: (𝑥, 𝑦, 𝑧) = 𝑡(1,2, −1) + (1,0,3) y el plano
𝜋: 2𝑥 − 𝑦 + 3𝑧 = −1.
Solución:
93
Efectuamos el producto escalar entre los vectores 𝑉 = (1,2, −1) 𝑦 𝑁 = (2, −1,3)
Concluimos que la recta y el plano no son paralelos pues los vectores 𝑽 𝑦 𝑵 no son
perpendiculares. Por lo tanto, existe un punto de intersección.
Para hallarlo, escribimos a partir de la ecuación de la recta:
𝑥 = 𝑡 + 1;
𝑦 = 2𝑡;
𝑧 = −𝑡 + 3
𝑥 = 4 + 1 = 5;
𝑦 = 2 ∙ 4 = 8;
𝑧 = −4 + 3 = −1
El punto es (5,8, −1). Se puede comprobar que este punto cumple también con la ecuación del
plano:
2 ∙ 5 − 8 + 3 ∙ (−1) = −1.
Para calcular la distancia entre un punto 𝑄 y un plano 𝜋 que no contiene al punto, se traza una
recta 𝐿 perpendicular al plano (paralela al vector 𝑁) que pase por 𝑄, se determina el punto 𝑅
que indica la intersección de esta recta con el plano y luego se calcula la distancia entre 𝑅 𝑦 𝑄.
La distancia 𝑑 entre 𝑄 y el plano está dada por la longitud del segmento 𝑅𝑄.
94
Otra forma más simple consiste en seleccionar un punto cualquiera 𝑃 del plano y trazar el
vector ⃗⃗⃗⃗⃗
𝑃𝑄 . La proyección de este vector en la dirección de 𝑵 tiene la misma longitud que el
segmento 𝑅𝑄. El valor de esta proyección está relacionado con el producto escalar entre los
vectores ⃗⃗⃗⃗⃗
𝑃𝑄 y 𝑵 ya que
⃗⃗⃗⃗⃗ = |𝑵||𝑃𝑄
𝑵 ∙ 𝑃𝑄 ⃗⃗⃗⃗⃗ | cos 𝛼 = |𝑵| ∙ proyección de 𝑃𝑄
⃗⃗⃗⃗⃗ en la dirección de 𝑵
Esta proyección resulta negativa si el ángulo 𝛼 toma un valor entre 𝝅⁄𝟐 𝑦 𝝅 y como la
distancia 𝑑 que estamos buscando es una cantidad positiva, se considera entonces el valor
absoluto de dicha proyección. Luego,
|𝑵 ∙ ⃗⃗⃗⃗⃗
𝑃𝑄 |
𝑑=
|𝑵|
Solución: En primer lugar, comprobemos que el punto dado no pertenece al plano. En efecto, al
reemplazar las coordenadas del punto en la ecuación del plano obtenemos
2⋅ 2 + 3⋅ (−1) − 4⋅3 = −11 ≠ 2. Elegimos ahora algún punto del plano, por ejemplo el (1,4,3) y
construimos el vector
⃗⃗⃗⃗⃗
𝑃𝑄 = 𝑄 − 𝑃 = (2, −1,3) − (1,4,3) = (1, −5,0).
Luego, la distancia es
13
𝑑=
√29
95
Ejercicios
1. Hallar las ecuaciones paramétricas y continua de la recta dada por la intersección de los dos
planos
2𝑥 − 𝑦 + 2𝑧 − 3 = 0
{
5𝑥 − 3𝑦 − 7𝑧 + 8 = 0
Solución: Estas ecuaciones las podemos expresar como un sistema de dos ecuaciones con dos
incógnitas, tomando 𝑧 como parámetro:
2𝑥 − 𝑦 = 3 − 2𝑧
5𝑥 − 3𝑦 = −8 + 7𝑧
Despejamos 𝑥 𝑒 𝑦 en función de 𝑧:
𝑥 = 17 − 13𝑧; 𝑦 = 31 − 24𝑧
𝑥 = 17 − 13 ∙ 1 = 4
𝑦 = 31 − 24 ∙ 1 = 7
𝑧=1
2. Hallar las ecuaciones vectorial, paramétricas y cartesiana del plano que pasa por el punto
𝐴(2,5,3) y es paralelo a los vectores 𝑣 (1,3,2) 𝑦 𝑡(4, −2,2).
̅̅̅̅
𝑂𝑃 = ̅̅̅̅
𝑂𝐴 + 𝜆𝑣 + 𝜇𝑡
es decir,
𝑥 = 𝑎 + 𝜆𝑣 + 𝜇𝑡
96
𝑥 = 2 + 𝜆 + 4𝜇
𝑦 = 5 + 3𝜆 − 2𝜇
𝑧 = 3 + 2𝜆 + 2𝜇
𝑥 𝑦 𝑧 1
|2 5 3 1| = 0
3 8 5 1
6 3 5 1
Finalmente, la ecuación cartesiana del plano que pasa por estos tres puntos es:
5𝑥 + 3𝑦 − 7𝑧 − 4 = 0
3. Hallar la ecuaciones paramétricas del plano que pasa por el punto 𝐴 = (3,2,4) y es paralelo al
plano:
3𝑥 + 2𝑦 − 5𝑧 + 3 = 0
𝒏 = (𝟑, 𝟐, −𝟓)
3𝑥 + 2𝑦 − 5𝑧 + 𝑑 = 0
Sólo nos queda hallar el valor de " 𝑑 ". Como el plano debe pasar por el punto 𝐴 = (3,2,4)
sustituimos estos valores en la ecuación anterior:
𝑑=7
3𝜆 + 2𝜇 − 5𝑧 + 7 = 0
97
Despejamos 𝑧 :
7 3 2
𝑧= + 𝜆+ 𝜇
5 5 5
𝑥=𝜆
𝑦=𝜇
{
7 3 2
𝑧= + 𝜆+ 𝜇
5 5 5
4. Hallar la ecuación cartesiana del plano que pasa por el punto 𝐴 = (5, 1, −3) y es
perpendicular a la recta:
𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 0 {1}
5𝑎 + 𝑏 − 3𝑐 + 𝑑 = 0 {2}
𝑎 𝑏 𝑐 4 2
= = ⟹ 𝑏 = − 𝑎, 𝑐 = 𝑎
3 −4 2 3 3
4 2 5
5𝑎 − 𝑎 − 3 ∙ 𝑎 + 𝑑 = 0 ⟹ 𝑑 = − 𝑎
3 3 3
4 2 5
𝑎𝑥 − 𝑎𝑦 + 𝑎𝑧 − 𝑎 = 0
3 3 3
simplificando:
3𝑥 − 4𝑦 + 2𝑧 − 5 = 0
98
2.8 Definición de espacio vectorial, subespacios.
Espacio vectorial
Dado un cuerpo 𝕂 y un conjunto no vacío 𝑉 cualquiera, en el que están definidas dos
operaciones:
∀ 𝑢, 𝑣 ∈ 𝑉 ⟹ 𝑢 + 𝑣 ∈ 𝑉
∀ 𝛼 ∈ 𝕂 (𝕂 = ℝ ó ℂ) y 𝑣 ∈ 𝑉 ⟹ 𝛼 ∙ 𝑣 ∈ 𝑉
1. Conmutatividad:
𝒖+𝒗 =𝒗+𝒖 ∀ 𝑢, 𝑣 ∈ 𝑉
2. Asociatividad:
(𝒖 + 𝒗) + 𝒘 = 𝒖 + (𝒗 + 𝒘) ∀ 𝑢, 𝑣, 𝑤 ∈ 𝑉
∃ 0𝑣 ∈ 𝑉 𝑡𝑎𝑙 𝑞𝑢𝑒 𝒗 + 𝟎𝒗 = 𝟎𝒗 + 𝒗 = 𝒗 ∀ 𝑣 ∈ 𝑉
𝜶 ∙ (𝒖 + 𝒗) = (𝜶 ∙ 𝒖) + (𝜶 ∙ 𝒗) ∀𝛼 ∈ 𝕂 𝑦 𝑢, 𝑣 ∈ 𝑉
(𝜶 + 𝜷) ∙ 𝒗 = (𝜶 ∙ 𝒗) + (𝜷 ∙ 𝒗) ∀ 𝛼, 𝛽 ∈ 𝕂 𝑦 𝑣 ∈ 𝑉
99
7. Asociatividad respecto de los escalares:
𝜶 ∙ (𝜷 ∙ 𝒗) = (𝜶 ∙ 𝜷) ∙ 𝒗 ∀ 𝛼, 𝛽 ∈ 𝕂 𝑦 𝑣 ∈ 𝑉
8. Elemento neutro:
∃ 1 ∈ 𝕂 𝑡𝑎𝑙 𝑞𝑢𝑒 𝟏 ∙ 𝒗 = 𝒗 ∀ 𝑣 ∈ 𝑉
Un conjunto debe satisfacer todas las condiciones anteriores para ser un espacio vectorial.
NOTA: A los elementos del espacio vectorial 𝑉 se los suele denominar vectores, mientras que a
los números por los cuales se multiplican esos vectores se los denomina escalares.
Cuando el conjunto de escalares es el conjunto de números reales, es decir, 𝕂 = ℝ, se dice que
𝑉 es un espacio vectorial real (ℝ-espacio vectorial o 𝑉 es un espacio vectorial sobre los reales)
mientras que si 𝐾 = ℂ, se dice que 𝑉 es un espacio vectorial complejo ( ℂ-espacio vectorial o un
espacio vectorial sobre los complejos). En esta guía trabajaremos sólo con espacios vectoriales
reales.
Propiedades
1. 0 ∙ 𝑣 = 0𝑣 , ∀ 𝑣 ∈ 𝑉;
2. 𝛼 ∙ 0𝑣 = 0𝑣 , ∀ 𝛼 ∈ ℝ;
3. 𝛼 ∙ 𝑣 = 0, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝛼 = 0 ó 𝑣 = 0𝑣 (ó 𝑎𝑚𝑏𝑜𝑠) ∀ 𝑣 ∈ 𝑉 ∀ 𝛼 ∈ ℝ;
4. 𝑆𝑖 𝑢 ≠ 0, 𝛼 ∙ 𝑣 = 𝛽 ∙ 𝑣 ⇒ 𝛼 = 𝛽;
5. 𝑆𝑖 𝛼 ≠ 0, 𝛼 ∙ 𝑢 = 𝛼 ∙ 𝑣 ⇒ 𝑢 = 𝑣;
100
Ejemplos:
a. ℝ𝑛 = {(𝑎1 , 𝑎2 , … , 𝑎𝑛 )/𝑎𝑖 ∈ ℝ; 𝑖 = 1, 2, … , 𝑛}
𝑛 𝑛
De igual manera, el conjunto de las matrices de orden 𝑚 × 𝑛 ( ejemplo c) con las operaciones
usuales es un espacio vectorial sobre el cuerpo de los números reales. Están definidas la suma de
matrices y la multiplicación por un escalar.
Dadas dos matrices 𝐴 𝑦 𝐵, con elementos (𝐴)𝑖𝑗 = 𝑎𝑖𝑗 𝑦 (𝐵)𝑖𝑗 = 𝑏𝑖𝑗 en la fila 𝑖 y la columna 𝑗,
respectivamente, la matriz 𝐶 = 𝐴 + 𝐵 se obtiene de la siguiente manera:
𝑎11 𝑎1
𝑎12 𝑎2
( ⋮ )≡( ⋮ )
𝑎1𝑛 𝑎𝑛
101
2. (ℝ2 , +, ∙ , ℝ) con las operaciones (𝑎, 𝑏) + (𝑐, 𝑑) = (𝑎 + 𝑐, 𝑏 + 𝑑) 𝑦 𝑘(𝑎, 𝑏) = (𝑎, 𝑘𝑏)
no es un espacio vectorial sobre ℝ, por ejemplo:
Sin embargo
3(1, 3) + 5(1, 3) = (1, 9) + (1, 15) = (2, 24)
Subespacio
1. S no es vacío;
Sin embargo no es necesario probar nuevamente el tercer punto, gracias al siguiente teorema.
1. 𝑆 ≠ ∅,
2. ∀ 𝑢, 𝑣 ∈ 𝑆 ⇒ (𝑢 + 𝑣) ∈ 𝑆
3. ∀ 𝑣 ∈ 𝑆 𝑦 ∀𝛼 ∈ 𝕂 ⇒ 𝛼 ∙ 𝑣 ∈ 𝑆
102
Es decir, al comprobar que se satisface las propiedades de cerradura o
𝑙𝑒𝑦 𝑑𝑒 𝑐𝑜𝑚𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑖𝑛𝑡𝑒𝑟𝑛𝑎 𝑦 𝑒𝑥𝑡𝑒𝑟𝑛𝑎, significa que las demás propiedades que definen a
un espacio vectorial serán satisfechas por el subespacio.
Nota:
𝑺 = 𝟎𝒗
} 𝐬𝐨𝐧 𝐬𝐮𝐛𝐞𝐬𝐩𝐚𝐜𝐢𝐨𝐬 𝐯𝐞𝐜𝐭𝐨𝐫𝐢𝐚𝐥𝐞𝐬 𝐝𝐞 𝑽 (conocidos como subespacios triviales).
𝑺=𝑽
Ejemplo:
1° Análisis de datos:
𝑢 ∈ 𝑆 ⟺ 𝑢 = (𝑢1 , 𝑢2 , 𝑢3 ) ∈ ℝ3 ∧ 𝑢1 + 𝑢2 − 𝑢3 = 0 (∗)
𝑣 ∈ 𝑆 ⟺ 𝑣 = (𝑣1 , 𝑣2 , 𝑣3 ) ∈ ℝ3 ∧ 𝑣1 + 𝑣2 − 𝑣3 = 0 (∗∗)
𝟐° 𝑺𝒆𝒂𝒏 𝒖, 𝒗 ∈ 𝑺 𝒚 𝜶 ∈ ℝ
∴ (𝒖 + 𝒗) ∈ ℝ𝟑 (∗∗∗)
∴ (𝒖 + 𝒗) ∈ 𝑺
103
b. Por demostrar que 𝜶 ∙ 𝒗 ∈ 𝑺
𝛼 ∙ 𝑣 = 𝛼 (𝑣1 , 𝑣2 , 𝑣3 )
𝛼 ∙ 𝑣 = (𝛼𝑣1 , 𝛼𝑣2 , 𝛼𝑣3 )
∴ 𝜶 ∙ 𝒗 ∈ ℝ𝟑
Por otra parte
Sean 𝑣, 𝑤 ∈ 𝑆 𝑦 𝛼 ∈ 𝕂 entonces
𝑛
𝑢 ∈ 𝑆 ⇔ 𝑣 = ∑ 𝑎𝑖 ⋅ 𝑣𝑖 ⁄𝑎𝑖 ∈ 𝕂 (1 ≤ 𝑖 ≤ 𝑛)
𝑖=1
𝑤 ∈ 𝑆 ⇔ 𝑤 = ∑ 𝑏𝑖 ⋅ 𝑣𝑖 ⁄𝑏𝑖 ∈ 𝕂 (1 ≤ 𝑖 ≤ 𝑛)
𝑖=1
a. p.d.q. (𝑢 + 𝑤) ∈ 𝑆
𝑛 𝑛
𝑣 + 𝑤 = ∑ 𝑎𝑖 ⋅ 𝑣𝑖 + ∑ 𝑏𝑖 ⋅ 𝑣𝑖
𝑖=1 𝑖=1
𝑣 + 𝑤 = ∑(𝑎𝑖 + 𝑏𝑖 ) ⋅ 𝑣𝑖
𝑖=1
∴ (𝒖 + 𝒘) ∈ 𝑺
104
b. p.d.q. 𝛼 ∙ 𝑢 ∈ 𝑆.
𝑛
𝛼 ∙ 𝑢 = 𝛼 ∙ ∑ 𝑎𝑖 ⋅ 𝑣𝑖
𝑖=1
𝛼 ∙ 𝑢 = ∑(𝛼 ∙ 𝑎𝑖 ) ⋅ 𝑣𝑖
𝑖=1
∴ 𝜶∙𝒖∈𝑺
𝐷𝑒 𝑎 𝑦 𝑏 ⟹ 𝑺 𝒆𝒔 𝒔𝒖𝒃𝒆𝒔𝒑𝒂𝒄𝒊𝒐 𝒅𝒆 𝑽
Ejemplo:
Luego
105
Intersección de subespacios
𝑊1 ∩ 𝑊2 = { 𝑢 ∈ 𝑉 / 𝑢 ∈ 𝑊1 𝑦 𝑢 ∈ 𝑊2 }
𝑥+𝑦 =0
𝑥−𝑦 =0
Debemos resolver el sistema de dos ecuaciones con dos incógnitas que tenemos planteado:
𝑥 = −𝑦
𝑥=𝑦
𝑊1 ∩ 𝑊2 = {(0, 0)}
Suma de subespacios
𝑊1 + 𝑊2 = { 𝑥 ∈ 𝑉 / 𝑥 = 𝑢 + 𝑣 𝑐𝑜𝑛 𝑢 ∈ 𝑊1 , 𝑣 ∈ 𝑊2 }
106
𝑊1 + 𝑊2 + … + 𝑊𝑛 = { 𝑥 ∈ 𝑉 / 𝑥 = 𝑥1 + 𝑥2 + … + 𝑥𝑛 𝑐𝑜𝑛 𝑥1 ∈ 𝑊1 , 𝑥2 ∈ 𝑊2 , …, 𝑥𝑛 ∈ 𝑊𝑛 }
Entonces:
𝑆 + 𝑇 = (𝛼, 𝛼 + 𝛽, 𝛽) + (0, 0, 𝛾) = (𝛼, 𝛼 + 𝛽, 𝛽 + 𝛾)
Es decir,
𝑆 + 𝑇 = {(𝛼, 𝛼 + 𝛽, 𝛽 + 𝛾) ∶ 𝛼, 𝛽, 𝛾 ∈ ℝ}
𝑊1 = {(𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1), 𝑢3 = (2, −1, 1, 1))}
𝑊2 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 / 𝑥 + 𝑦 + 𝑧 = 0; 𝑥 + 𝑧 + 𝑡 = 0)}
1 −1 1 0 −2𝑓 +𝑓 →𝑓 1 −1 1 0 𝑓 −𝑓 →𝑓 1 −1 1 0
1 3 3 2 3 3
𝑊1 = (0 1 −1 1) → (0 1 −1 1) → (0 1 −1 1)
2 −1 1 1 0 1 −1 1 0 0 0 0
107
𝑊1 = 〈𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1)〉
𝐝𝐢𝐦 (𝑾𝟏 ) = 𝟐
𝑊2 ⇒ 𝑥 + 𝑦 + 𝑧 = 0 ⇒ 𝑦 = −𝑥 − 𝑧
𝑥 + 𝑧 + 𝑡 = 0 ⇒ 𝑡 = −𝑥 − 𝑧
𝑊2 = {(𝑥, −𝑥 − 𝑧, 𝑧, −𝑥 − 𝑧) ∈ ℝ4 )}
𝐝𝐢𝐦( 𝑾𝟐 ) = 𝟐
dim(𝑊1 + 𝑊2 ) = 𝑟𝑎𝑛𝑔(𝑢1 , 𝑢2 , 𝑣1 , 𝑣2 )
1 −1 1 0 1 −1 1 0
0 1 𝑓2 +𝑓4 →𝑓4 0 1 −1 1)
𝑊1 + 𝑊2 = ( −1 1 )→ (
1 −1 0 −1 1 −1 0 −1
0 −1 1 −1 0 0 0 0
𝑊1 + 𝑊2 = 〈𝑢1 = (1, −1, 1, 0), 𝑢2 = (0, 1, −1, 1), 𝑣1 = (1, −1, 0, −1)〉
𝐝𝐢𝐦(𝑾𝟏 + 𝑾𝟐 ) = 𝟑
𝒅𝒊𝒎 (𝑾𝟏 ∩ 𝑾𝟐 ) = 𝟏
Comprobamos el teorema:
𝑑𝑖𝑚 (𝑊1 ∩ 𝑊2 ) = 2 + 2 − 3
𝒅𝒊𝒎 (𝑾𝟏 ∩ 𝑾𝟐 ) = 𝟏
108
Subespacios ortogonales
Subespacios ortogonales
Definición: Sea V un espacio vectorial y S un subespacio de V. Diremos que el subespacio 𝑺
es ortogonal a otro subespacio 𝑻 (se denota 𝑆 ⊥ 𝑇) si todo vector de 𝑆 es ortogonal a todo
vector de 𝑇, es decir:
𝒖∙𝒗=𝟎 ∀ 𝑢 ∈ 𝑆, 𝑣 ∈ 𝑇
Basta con que los vectores de una base de 𝑆 sean ortogonales a los vectores de una base de 𝑇.
Propiedades
1. Si 𝑆 ⊥ 𝑇 ⇒ S ∩ T = {0𝑣 }
2. Si existe un 𝑣 ≠ 0𝑣 en la intersección ⇒ 𝑣 ∙ 𝑣 ≠ 0 𝑐𝑜𝑛 𝑣 ∈ 𝑆, 𝑣 ∈ 𝑇 ⇒ 𝑆 𝑦 𝑇 no son
ortogonales.
109
Complemento ortogonal
O sea, S ⊥ es subespacio de V y está conformado por todos los vectores 𝑤 de V que son
ortogonales a todos y cada uno de los vectores 𝑣 de 𝑆.
Propiedades
1. (S ⊥ )⊥ = 𝑆
2. S ∩ S ⊥ = {0𝑣 }
3. S + S ⊥ = 𝑉
4. 𝑑𝑖𝑚 𝑆 + 𝑑𝑖𝑚 S ⊥ = 𝑑𝑖𝑚𝑉 = 𝑛
En particular, de las propiedades 2 y 3 se tiene S ⨁ S ⊥ = 𝑉 (suma directa).
110
Ejemplo: Calculemos el complemento ortogonal del siguiente subespacio de ℝ4 :
Buscamos vectores que sean ortogonales a estos vectores base de 𝑇, es decir, (𝑥, 𝑦, 𝑧, 𝑤)
tales que:
𝑥
𝑦
(1, 0, 2, 0) ( 𝑧 ) = 0
𝑤
𝑥
𝑦
(0, 0, 0, 1) ( 𝑧 ) = 0
𝑤
Es decir:
𝑥
1 0 2 0 𝑦 0
( )( ) = ( )
0 0 0 1 𝑧 0
𝑤
𝑥 + 2𝑧 = 0 ⇒ 𝑥 = −2𝑧
𝑤=0
(𝑥, 𝑦, 𝑧, 𝑤) = (−2𝑧, 𝑦, 𝑧, 0)
Comprobamos que:
𝑑𝑖𝑚𝑇 + 𝑑𝑖𝑚 𝑇 ⊥ = 2 + 2 = 4
111
2.9 Dependencia e independencia lineal
𝑣 = ∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛
𝑖=1
∀ 𝑣 ∈ 𝑉 ∃ 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 ∈ 𝑆 ∃ 𝛼1 , 𝛼2 , . . . , 𝛼𝑛 ∈ 𝕂, tales que
𝑛
𝑣 = ∑ 𝛼𝑖 𝑣𝑖
𝑖=1
∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 0𝑣 ⇒ 𝛼1 = 𝛼2 = . . . = 𝛼𝑛 = 0
𝑖=1
∑ 𝛼𝑖 𝑣𝑖 = 𝛼1 𝑣1 + 𝛼2 𝑣2 + ⋯ + 𝛼𝑛 𝑣𝑛 = 0𝑣
𝑖=1
112
Ejemplo1: Dado 𝑆 = {(1,1,0), (0,2,3), (1,2,3)}. Determinar si 𝑆 es L.I. o L.D.
𝛼+𝛾 =0
𝛼 + 2𝛽 + 2𝛾 = 0
3𝛽 + 3𝛾 = 0
2
𝐹3 = 𝐹3 1 0 1 0
3
→ (0 1 1⁄2|0)
0 0 1 0
𝛼 + 3𝛽 + 2𝛾 = 0
𝛼 + 5𝛽 + 𝛾 = 0
3𝛼 + 5𝛽 + 8𝛾 = 0
1 3 2 0 𝐹𝐹2=𝐹
=𝐹2 −𝐹1
1 3 2 0 𝐹3 =𝐹3 +2𝐹2 1 3 2 0
3 3 −3𝐹2
(1 5 1|0) → (0 2 −1|0) → (0 2 −1|0)
3 5 80 0 −4 2 0 0 0 0 0
113
Ejemplo 3: Dado 𝐴 = {2𝑡 2 + 𝑡, 𝑡 2 + 3, 𝑡}. Determinar si 𝐴 es L.I. o L.D.
3𝛽 = 0
𝛼+𝛾 =0
2𝛼 + 𝛽 = 0
𝐹3 =𝐹3 −2𝐹1
1
0 3 0 0 𝐹2 =𝐹1 1 0 10 𝐹2 = 𝐹2 1 0 1 0 𝐹3 =𝐹3 −𝐹2 1 0 1 0
3
(1 0 1|0) → (0 3 0|0) → (0 1 0 |0) → (0 1 0 |0)
2 1 00 2 1 00 0 1 −2 0 0 0 −2 0
1
𝐹3 =− 𝐹3 1 0 10
2
→ (0 1 0|0)
0 0 10
𝛼 − 5𝛽 + 13𝛾 = 0
𝛼+𝛽+𝛾 =0
2𝛼 + 𝛽 = 0
1 −5 13 0 𝐹𝐹2==𝐹𝐹2−2𝐹
−𝐹1
1 −5 13 0 𝐹3 = 6𝐹3 −13𝐹2 1 −5 13 0
3 3 1
(1 1 |
1 0 ) → ( 0 6 −12|0) → (0 6 −12|0)
2 3 0 0 0 13 −26 0 0 0 0 0
114
Ejemplo5: Dado 𝐶 = {(1 − 𝑡)3 , (1 − 𝑡)2 , (1 − 𝑡)}. Determinar si 𝐶 es L.I. o L.D.
𝛼+𝛽+𝛾 =0
−3𝛼 − 2𝛽 − 𝛾 = 0
3𝛼 + 𝛽 = 0
−𝛼 = 0
𝐹2 = 𝐹2 +3𝐹1
1 1 1 0 𝐹3 = 𝐹3 −3𝐹1 1 1 1 0 𝐹3 = 𝐹3 +2𝐹2 1 1 1 0
𝐹 = 𝐹 +𝐹 2 |0) →𝐹4 = 𝐹4 +𝐹2 (0
(−3 −2 −1|0) → (0 1 1 2 |0)
4 2 1
3 1 0 0 0 −2 −3 0 0 0 1 0
−1 0 0 0 0 1 1 0 0 0 −1 0
1 1 10
𝐹4 = 𝐹4 +𝐹3
→ (0 1 2|0)
0 0 10
0 0 00
115
2.10 Base y dimensión.
Base
Es un sistema generador de 𝑉 .
Esto significa que cualquier elemento de 𝑉 puede expresarse como combinación lineal del
conjunto {𝑣1 , 𝑣2 , . . . , 𝑣𝑛 } y que ninguno de los vectores 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 puede expresarse como
combinación lineal de los otros. Existe un número infinito de conjuntos que satisfacen las
condiciones anteriores y por lo tanto existe también un número infinito de bases para un
espacio vectorial dado. Excepto para el espacio vectorial 𝑉 = {0}, cuya única base es el
conjunto vacío (∅).
Ejemplos:
1 1 −1 0 0 0 0 −1
3. El conjunto {( ),( ),( ),( )} es una base para el conjunto de
−1 0 1 0 0 1 −1 0
matrices 2 × 2 (𝑀2×2 ).
116
Dimensión
Definición: Sea 𝑉 un espacio vectorial tal que 𝑉 ≠ {0}. Se denomina dimensión del espacio
vectorial 𝑉, y se representa por 𝐝𝐢𝐦 𝑽, al número de vectores que tiene una base de 𝑉.
Propiedades de la dimensión
1. Significado físico de la dimensión: el espacio tiene dimensión 3, los planos dimensión 2, las
rectas dimensión 1, el punto dimensión 0. El subespacio {0} es el único de dimensión 0.
dim 𝑆 = dim 𝑇,
entonces ambos espacios coinciden.
4. El rango de una familia de vectores, es igual a la dimensión del subespacio que generan.
Es decir: si 𝑣1 , 𝑣2 , . . . , 𝑣𝑛 generan un cierto subespacio 𝑆, y si el rango de este conjunto es 𝑟,
entonces:
dim 𝑆 = 𝑟
117
Ejemplos:
1. (ℝ2 , +, ∙ , ℝ) es un espacio vectorial de dimensión 2, pues {(1,0), (0,1)} son base al ser
linealmente independientes y generadores de ℝ2 .
1 0 0 1 0 0 0 0
𝑀2×2 tiene dimensión 4, pues {( ),( ),( ),( )} son base al ser
0 0 0 0 1 0 0 1
Entonces:
𝛼+𝛽 =1
2𝛼 + 𝛽 = 𝑥
3𝛼 + 𝛽 = 5
𝛼 = 2, 𝛽 = −1 𝑦 𝑥 = 3.
118
Ejemplo 2: Encontrar una base y la dimensión del subespacio vectorial
Recordemos que un sistema generador cuyos vectores componentes son todos linealmente
independientes entre sí (ninguno de los vectores se puede expresar como combinación lineal de
los otros) se denomina una base. Pero 𝐴 no cumple con esta condición ya que:
𝛼1 + 2𝛼2 + 3𝛼4 = 0
2𝛼1 + 𝛼2 + 𝛼3 + 4𝛼4 = 0
{
−𝛼1 + 2𝛼3 + 𝛼4 = 0
3𝛼1 − 2𝛼2 + 𝛼3 + 2𝛼4 = 0
𝛼1 = 𝛼2 = 𝛼3 = −𝛼4
𝛽1 + 2𝛽2 = 0
2𝛽 + 𝛽2 + 𝛽3 = 0
{ 1
−𝛽1 + 2𝛽3 = 0
3𝛽1 − 2𝛽2 + 𝛽3 = 0
𝛽1 = 𝛽2 = 𝛽3 = 0.
∴ Una base de 𝑺 es {(𝟏, 𝟐, −𝟏, 𝟑), (𝟐, 𝟏, 𝟎, −𝟐), (𝟎, 𝟏, 𝟐, 𝟏)} y la dimensión de 𝑺 𝒆𝒔 𝟑.
119
2.11 Espacio con producto interno
〈,〉 ∶ 𝑉 ×𝑉 → ℝ
que asigna a cada par de vectores 𝑢, 𝑣 ∈ 𝑉 un real denotado por ( 𝑢, 𝑣) y que satisface las
siguientes propiedades:
a) 〈𝑢, 𝑣〉 = 〈𝑣, 𝑢〉 ∀ 𝑢, 𝑣 ∈ 𝑉
c) 〈𝛼 ∙ 𝑢, 𝑣〉 = 𝛼 ∙ 〈𝑢, 𝑣〉 ∀ 𝑢, 𝑣 ∈ 𝑉 ∀ 𝑒𝑠𝑐𝑎𝑙𝑎𝑟 𝛼 ∈ ℝ
d) 〈𝑢, 𝑢〉 ≥ 0, ∀ 𝑢 ∈ 𝑉 𝑦 〈𝑢, 𝑢〉 = 0 ⟺ 𝑢 = 0
Ejemplo:
120
〈(𝑥1 , 𝑥2 ), (𝑦1 , 𝑦2 ) + (𝑧1 , 𝑧2 )〉 = 2𝑥1 𝑦1 + 2𝑥1 𝑧1 + 3𝑥2 𝑦2 + 3𝑥2 𝑧2
121
2.12 Construcción con base ortogonal
Vector unitario
Sea 𝑉 un espacio euclidiano con producto interno. Se llama vector unitario a cualquier vector
de norma uno. Si 𝑢 ≠ 0 entonces:
𝑢
‖𝑢‖
es un vector unitario
Vectores ortogonales
Sea 𝑉 un espacio euclidiano con producto interno. Se dice que dos vectores 𝑢, 𝑣 ∈ 𝑉 son
ortogonales si:
〈𝑢, 𝑣〉 = 0
Recordemos que si 𝑢 𝑦 𝑣 son vectores no nulos ∈ 𝑉, se define el ángulo entre ellos como el
único número real 𝜃 ∈ [0, 𝜋] que satisface la ecuación:
〈𝑢, 𝑣〉
cos 𝜃 =
‖𝑢‖‖𝑣‖
Entonces, dos vectores no nulos ∈ 𝑉 son ortogonales si y sólo si el ángulo entre ellos es 𝜋⁄2.
Es decir:
〈𝑢, 𝑣〉 0
cos 𝜃 = = =0
‖𝑢‖‖𝑣‖ ‖𝑢‖‖𝑣‖
122
Ejemplo 1: Sean los vectores 𝑢 = (0, −1,1,2) 𝑦 𝑣 = (2, 1, 1, 0). Al aplicar el producto escalar
obtenemos:
∴ 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠
‖𝑢‖ = √12 + 22 = √5
‖𝑣‖ = √32 + 42 = √25 = 5
∴ 𝑛𝑜 𝑠𝑜𝑛 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑜𝑠
∴ 𝑛𝑜 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠
〈𝑢, 𝑣〉 11 11
cos 𝜃 = = ⟹ 𝜃 = 𝑎𝑟𝑐𝑐𝑜𝑠 ≈ 10.3
‖𝑢‖‖𝑣‖ 5√5 5√5
123
Proposición: Un subconjunto no vacío 𝑆 de 𝑉 se dice que es un conjunto ortogonal cuando
cada uno de sus vectores es ortogonal a los demás vectores del conjunto. Es decir, 𝑺 es un
conjunto ortogonal cuando:
〈𝑢, 𝑣〉 = 0 ∀ 𝑢 ≠ 𝑣 ∈ 𝑆.
〈𝑝(𝑥), 𝑞(𝑥)〉 = ∑ 𝑎𝑖 𝑏𝑖
𝑖=0
1 1 1
𝑝′(𝑥) = − 𝑥2 + 𝑥−
√3 √3 √3
3 1 2
𝑞′(𝑥) = 𝑥2 + 𝑥−
√14 √14 √14
124
Proposición: Sea 𝑉 un espacio euclidiano y 𝑆 un conjunto ortogonal de vectores no nulos.
Entonces, 𝑆 es linealmente independiente. En particular, si 𝑉 es de dimensión finita 𝑛 ≥ 1
entonces cada conjunto de 𝑛 vectores ortogonales no nulos conforman una base de 𝑉.
S = {u1 , u2 , … , un }
0𝑣 = 𝛼1 𝑢1 + 𝛼2 𝑢2 + ⋯ + 𝛼𝑛 𝑢𝑛
∴ 𝜶𝒊 = 𝟎
Este procedimiento es válido para cualquier vector, es decir, se cumple si sólo si todos los
escalares son nulos.
125
Ejemplo 4: El conjunto de vectores ∈ ℝ3
u1 ∙ u2 = u1 ∙ u3 = u2 ∙ u3 = 0
‖u1 ‖ = √12 + 12 + 02 = √2
‖u3 ‖ = √02 + 02 + 12 = 1
u1 1 1 u2 1 −1 u3
{u1′ = =( , , 0) ; u2 ′ = =( , , 0) ; u3 ′ = = (0,0,1)}
‖u1 ‖ √2 √2 ‖u2 ‖ √2 √2 ‖u3 ‖
126
Proceso de ortogonalización de Gram-Schmidt
Para comprender la idea fundamental de este método veamos el caso especial en el que
tenemos solamente dos vectores linealmente independientes, 𝒗𝟏 𝒚 𝒗𝟐 . El método para
conseguir una base ortogonal es el siguiente:
En primer lugar, se elige cualquier vector de la base original sobre el cual se operará. Se define
entonces:
𝑢1 = 𝑣1
Para obtener el segundo vector de la base ortogonal se debe hacer una resta del segundo vector
de la base original menos su proyección sobre vector obtenido en el paso anterior. Es decir:
𝑣2 . 𝑢1
𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣2 ) = 𝑣2 − ( )𝑢
𝑢1 ∙ 𝑢1 1
Este proceso puede repetirse el número de veces que sea necesario para convertir cualquier
conjunto de vectores en un conjunto ortogonal.
𝒗𝒊+𝟏 ∙ 𝒖𝟏 𝒗𝒊+𝟏 ∙ 𝒖𝒊
𝒖𝒊+𝟏 = 𝒗𝒊+𝟏 − 𝒑𝒓𝒐𝒚𝒖𝒊 (𝒗𝒊+𝟏 ) = 𝒗𝒊+𝟏 − ( ) 𝒖𝟏 − ⋯ − ( ) 𝒖𝒊
𝒖𝟏 ∙ 𝒖𝟏 𝒖𝒊 ∙ 𝒖𝒊
𝑢1 = 𝑣1
𝑣2 ∙ 𝑢1
𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣2 ) = 𝑣2 − ( )𝑢
𝑢1 ∙ 𝑢1 1
Para obtener el tercer vector se realiza la resta del tercer vector de la base original menos la
proyección sobre el primer vector menos la proyección sobre el segundo vector de la base
ortogonal obtenido en el paso anterior:
127
𝑣3 ∙ 𝑢1 𝑣3 ∙ 𝑢2
𝑢3 = 𝑣3 − 𝑝𝑟𝑜𝑦𝑢1 (𝑣3 ) − 𝑝𝑟𝑜𝑦𝑢2 (𝑣3 ) = 𝑣3 − ( ) 𝑢1 − ( )𝑢
𝑢1 ∙ 𝑢1 𝑢2 ∙ 𝑢2 2
Se debe tener presente que los vectores 𝒖𝒊 que se van obteniendo en cada paso pueden
ser sustituidos por un múltiplo escalar cualquiera, con el fin de eliminar denominadores
de las fracciones que pudieran haberse obtenido y de esta forma facilitar los cálculos del
paso siguiente.
El operador proyección:
𝒗∙𝒖
𝒑𝒓𝒐𝒚𝒖 𝒗 = ( )𝒖
𝒖∙𝒖
Para obtener una base ortonormal {𝑒1 , 𝑒2 , … , 𝑒𝑛 }, se divide cada vector ortogonal
obtenido {𝑢1 , 𝑢2 , … , 𝑢𝑛 }, por su norma. Es decir:
𝑢1 𝑢2 𝑢𝑛
{ , ,…, }
‖𝑢1 ‖ ‖𝑢2 ‖ ‖𝑢𝑛 ‖
donde:
𝑢1 𝑢2 𝑢𝑛
𝑒1 = ; 𝑒2 = ; … ; 𝑒𝑛 =
‖𝑢1 ‖ ‖𝑢2 ‖ ‖𝑢𝑛 ‖
128
Ejemplo: Consideremos el subespacio 𝑆 = {(𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 /𝑥 + 𝑦 + 𝑧 + 𝑡 = 0} entonces
usando el producto interno usual de ℝ4 , determinemos una base ortogonal para 𝑆.
𝑢 ∈ 𝑆 ⟺ 𝑢 = (𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 ∧ 𝑥 + 𝑦 + 𝑧 + 𝑡 = 0
⟺ 𝑢 = (𝑥, 𝑦, 𝑧, 𝑡) ∈ ℝ4 ∧ 𝑡 = −𝑥 − 𝑦 − 𝑧
Además {(1,0,0, −1), (0,1,0, −1), (0,0,1, −1)} es una base de 𝑆, pues son linealmente
independientes.
𝒖𝟏 = (𝟏, 𝟎, 𝟎, −𝟏)
1
𝑢2 = (0,1,0, −1) − (1,0,0, −1)
2
1 1
𝑢2 = (− , 1,0, − ) 𝑎𝑚𝑝𝑙𝑖𝑓𝑖𝑐𝑎𝑛𝑑𝑜 𝑝𝑜𝑟 (2)
2 2
𝒖𝟐 = (−𝟏, 𝟐, 𝟎, −𝟏)
129
1 1
𝑢3 = (0,0,1, −1) − (−1, 2, 0, −1) − (1,0,0, −1)
6 2
1 1 1
𝑢3 = (− , − , 1, − ) 𝑎𝑚𝑝𝑙𝑖𝑓𝑖𝑐𝑎𝑛𝑑𝑜 𝑝𝑜𝑟 (3 )
3 3 3
𝒖𝟑 = (−𝟏, −𝟏, 𝟑, −𝟏 )
𝑢1 (1,0,0, −1) 1 −1
𝑒1 = = = ( , 0, 0, )
‖𝑢1 ‖ √2 √2 √2
𝑢2 (−1, 2, 0, −1) −1 2 −1
𝑒2 = = =( , , 0, )
‖𝑢2 ‖ √6 √6 √6 √6
𝑢3 (−1, −1, 3, −1 ) −1 −1 3 −1
𝑒3 = = =( , , , )
‖𝑢3 ‖ 2√3 2√3 2√3 2√3 2√3
𝟏 −𝟏 −𝟏 𝟐 −𝟏 −𝟏 −𝟏 𝟑 −𝟏
{( , 𝟎, 𝟎, ),( , , 𝟎, ),( , , , )} 𝒆𝒔 𝒖𝒏𝒂 𝒃𝒂𝒔𝒆 𝒐𝒓𝒕𝒐𝒏𝒐𝒓𝒎𝒂𝒍 𝒅𝒆 𝑺
√𝟐 √𝟐 √𝟔 √𝟔 √𝟔 𝟐√𝟑 𝟐√𝟑 𝟐√𝟑 𝟐√𝟑
130
Unidad 3- Transformaciones Lineales
Transformación lineal
Solución:
2. 𝑻(𝛌𝑨) = 𝛌𝑻(𝑨)
Solución:
𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑥 + 𝑝, 𝑦 + 𝑞)
𝑇(𝑣1 + 𝑣2 ) = ((𝑥 + 𝑝) + (𝑦 + 𝑞), 𝑦 + 𝑞, (𝑥 + 𝑝) − (𝑦 + 𝑞))
𝑇(𝑣1 + 𝑣2 ) = ((𝑥 + 𝑦) + (𝑝 + 𝑞), 𝑦 + 𝑞, (𝑥 − 𝑦) + (𝑝 − 𝑞))
𝑇(𝑣1 + 𝑣2 ) = (𝑥 + 𝑦, 𝑦, 𝑥 − 𝑦) + (𝑝 + 𝑞, 𝑞, 𝑝 − 𝑞)
𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑥, 𝑦) + 𝑇(𝑝, 𝑞)
𝑇(𝑣1 + 𝑣2 ) = 𝑇(𝑣1 ) + 𝑇(𝑣2 )
2. 𝑇(𝝀𝒗) = 𝝀𝑻(𝒗)
𝑎 𝑏
𝑉 = {( ) /𝑎, 𝑏, 𝑐, 𝑑 ∈ ℝ}
𝑐 𝑑
𝑊 = {𝑎/𝑎 ∈ ℝ}
𝑎 𝑏
𝑇( ) = 2𝑎 − 𝑏 + 𝑐 − 𝑑
𝑐 𝑑
132
𝑎 −𝑎
𝑆(𝑎) = ( )
−𝑎 𝑎+1
Solución:
𝑎 𝑏1 𝑎 𝑏2
Sea 𝑣1 = ( 1 ) 𝑦 𝑣2 = ( 2 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑐1 𝑑1 𝑐2 𝑑2
𝑎 𝑏1 𝑎 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 (( 1 )+( 2 ))
𝑐1 𝑑1 𝑐2 𝑑2
𝑎1 +𝑎2 𝑏1 + 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( )
𝑐1 + 𝑐2 𝑑1 + 𝑑2
𝑎1 𝑏1 𝑎 𝑏2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( )+𝑇( 2 )
𝑐1 𝑑1 𝑐2 𝑑2
2. 𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)
𝑎
𝑆𝑒𝑎𝑛 𝑣 = ( ) 𝑦 λ ∈ ℝ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑏
133
𝑎 𝑏1
𝑇(λv) = 𝑇 (λ ( 1 ))
𝑐1 𝑑1
λ𝑎 λ𝑏1
𝑇(λv) = 𝑇 ( 1 )
λ𝑐1 λ𝑑1
𝑎 𝑏1
𝑇(λv) = λ𝑇 ( 1 )
𝑐1 𝑑1
𝑇(λv) = λ𝑇(𝑣)
𝑺(𝝀𝒂) = 𝝀 𝑺(𝒂)
𝑆𝑒𝑎𝑛 𝑎 ∈ ℝ y λ ∈ ℝ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
𝑆(λ𝑎) = λ𝑆(𝑎)
λ𝑎 −λ𝑎 𝑎 −𝑎
( ) ≠ λ( )
−λ𝑎 λ𝑎 + 1 −𝑎 𝑎+1
λ𝑎 −λ𝑎 λ𝑎 −λ𝑎
( )≠( )
−λ𝑎 λ𝑎 + 1 −λ𝑎 λ𝑎 + λ
134
𝑎 𝑎+𝑏
Ejemplo 4: Verificar si la función 𝑇: ℝ2 → ℝ2 definida por 𝑇 ( ) = ( ) es una
𝑏 1
transformación lineal
Solución:
𝑎1 𝑎2
Sea 𝑣1 = (𝑏 ) 𝑦 𝑣2 = (𝑏 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
1 2
𝑎1 𝑎2 𝑎1 𝑎2
𝑇 [(𝑏 ) + (𝑏 )] = 𝑇 ( 𝑏 ) + 𝑇 ( 𝑏 )
1 2 1 2
𝑎1 +𝑎2 𝑎 + 𝑏1 𝑎 +𝑏
𝑇 [(𝑏 )] = ( 1 ) + ( 2 2)
1 +𝑏2 1 1
𝑎1 + 𝑎2 + 𝑏1 + 𝑏2 𝑎 + 𝑎2 + 𝑏1 + 𝑏2
( )≠( 1 )
1 2
𝑥+𝑦
𝑎
Ejemplo 5: Verificar si la función 𝑇: ℝ2 → ℝ3 definida por 𝑇 ( ) = (𝑥 − 𝑦) es una
𝑏
𝑥
transformación lineal
Solución:
𝑎1 𝑎2
Sea 𝑣1 = (𝑏 ) 𝑦 𝑣2 = (𝑏 ) 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
1 2
𝑎1 𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 [(𝑏 ) + ( 𝑏 )]
1 2
𝑎1+𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 [(𝑏 )]
1 +𝑏2
135
(𝑎1 + 𝑎2 ) + (𝑏1 + 𝑏2 )
𝑇(𝑣1 + 𝑣2 ) = ((𝑎1 + 𝑎2 ) − (𝑏1 + 𝑏2 ))
𝑎1 + 𝑎2
𝑎1 + 𝑎2 + 𝑏1 + 𝑏2
𝑇(𝑣1 + 𝑣2 ) = (𝑎1 + 𝑎2 − 𝑏1 − 𝑏2 )
𝑎1 + 𝑎2
(𝑎1 + 𝑏1 ) + (𝑎2 + 𝑏2 )
𝑇(𝑣1 + 𝑣2 ) = ((𝑎1 − 𝑏1 ) + (𝑎2 − 𝑏2 ))
𝑎1 + 𝑎2
𝑎1 +𝑏1 𝑎2 +𝑏2
𝑇(𝑣1 + 𝑣2 ) = (𝑎1 −𝑏1 ) + (𝑎2 −𝑏2 )
𝑎1 𝑎2
𝑎1 𝑎2
𝑇(𝑣1 + 𝑣2 ) = 𝑇 ( 𝑏 ) + 𝑇 (𝑏 )
1 2
2. 𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)
𝑎
𝑆𝑒𝑎𝑛 𝑣 = ( ) 𝑦 λ ∈ ℝ
𝑏
λ𝑎
𝑇(λv) = 𝑇 ( )
λ𝑏
λ𝑎 + λ𝑏
𝑇(λv) = (λ𝑎 − λ𝑏)
λ𝑎
𝑎+𝑏
𝑇(λv) = λ (𝑎 − 𝑏)
𝑎
𝑎
𝑇(λv) = λ𝑇 ( )
𝑏
𝑻(𝛌𝐯) = 𝛌 𝑻(𝒗)
136
Propiedades
1. 𝑻(𝟎𝒗 ) = 𝟎 𝒘
2. 𝑻(−𝒗) = −𝑻(𝒗)
El núcleo de 𝑻 como:
𝑲𝒆𝒓(𝑻) = {𝒗 ∈ 𝑽/𝑻(𝒗) = 𝟎𝑾 }
𝑰𝒎(𝑻) = {𝒘 ∈ 𝑾/𝑻(𝒗) = 𝒘, 𝒗 ∈ 𝑽}
El núcleo de 𝑻 es un subespacio de 𝑽
𝑲𝒆𝒓(𝑻) ⊂
⏟ 𝑽
𝒔.𝒆.𝒗.
La imagen de 𝑻 es un subespacio de 𝑾
𝑰𝒎(𝐓) ⊂
⏟ 𝑾
𝒔.𝒆.𝒗.
137
Procedimiento para obtener el núcleo (𝑲𝒆𝒓(𝑻)) de una transformación
𝑻: 𝑽 → 𝑾
Calcular la imagen 𝑇(𝑣) e igualarla con el vector cero del codominio W, es decir:
T(v) = 0W
Comparar uno a uno los términos de esta igualdad. Se originan una o varias ecuaciones
lineales homogéneas que, al ser resueltas permiten determinar la forma específica del
vector 𝑣 buscado, que es el vector genérico que constituye el núcleo y que se escribe
como:
𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }
• Determinar una base del dominio 𝑽 (siendo la más usual la base canónica), denominada:
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 𝑉 = {𝑣1 , 𝑣2 , 𝑣3 , … , 𝑣𝑛 }
• Obtener las imágenes 𝑇(𝑣) de los vectores de la base canónica anterior. Estas imágenes
constituirán el conjunto generador del recorrido:
138
• Para obtener la imagen o recorrido 𝑇(𝑉) de la transformación, se determina el “espacio
renglón’’ de la matriz cuyos renglones son los vectores del conjunto 𝐶𝐺 anterior. Es decir:
𝑤 = 𝛼1 𝑐1 + 𝛼2 𝑐2 + 𝛼3 𝑐3 + ⋯ + 𝛼𝑛 𝑐𝑛
c) Este vector genérico indica la forma general del recorrido o imagen y se expresa como:
𝑰𝒎(𝑻) = {𝒘 ∈ 𝑾/𝑻(𝒗) = 𝒘, 𝒗 ∈ 𝑽}
Se propone un vector:
Sea 𝑣 = (𝑥1 , 𝑥2 , 𝑥3 ) ∈ ℝ3
𝑥1 = 0
139
𝑥2 = 0
𝑣 = (𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0, 𝑥3 )
𝐾𝑒𝑟(𝑇) = {(0, 0, 𝑥3 ) / 𝑥3 ∈ ℝ}
Como:
(0, 0, 𝑥3 ) = 𝑥3 (0, 0, 1)
𝑓(0, 0, 1) = (0, 0, 1)
1 −1 2 𝑓2 →𝑓1 +𝑓2 1 −1 2
(−1 1 −2) → (0 0 0)
0 0 1 0 0 1
𝑤 = (𝑎, −𝑎, 2𝑎 + 𝑏)
141
Ejemplo 3: Hallar el núcleo y la imagen de la transformación lineal 𝑇: ℝ4 → ℝ3 definida por
𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 )
a) 𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }
Se define el núcleo:
Proponemos un vector:
Sea 𝑣 = (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ ℝ4
𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (0, 0, 0)
(𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 ) = (0, 0, 0)
𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4 = 0
𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 = 0
3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 = 0
Resolvemos matricialmente:
𝑓1 −𝑓2 →𝑓2
1 2 3 1 3𝑓 1 2 3 1 −𝑓−𝑓+𝑓
2 →𝑓2 1 2 3 1
1 −𝑓3 →𝑓3 2 3 →𝑓3
(1 3 5 −2 ) → (0 −1 −2 3) → (0 1 2 −3)
3 8 13 −3 0 −2 −4 6 0 −1 −2 3
𝑓2 +𝑓3 →𝑓3
1 2 3 1 −2𝑓2 +𝑓1 →𝑓1 1 0 −1 7
→ (0 1 2 −3) → (0 1 2 −3)
0 0 0 0 0 0 0 0
142
Replanteando el sistema de ecuaciones:
𝑥1 − 𝑥3 + 7𝑥4 = 0 𝑥1 = 𝑥3 − 7𝑥4
}
𝑥2 + 2𝑥3 − 3𝑥4 = 0 𝑥2 = −2𝑥3 + 3𝑥4
Como:
b) 𝐼𝑚(𝑇) = {𝑦 ∈ ℝ3 /𝑇(𝑥) = 𝑦, 𝑥 ∈ ℝ4 }
𝐼𝑚(𝑇) = {𝑦 ∈ ℝ3 /(𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4
= 𝑦, (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) ∈ ℝ4 }
143
Obtenemos las imágenes de los vectores de la base canónica:
𝑇(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = (𝑥1 + 2𝑥2 + 3𝑥3 + 𝑥4, 𝑥1 + 3𝑥2 + 5𝑥3 − 2𝑥4 , 3𝑥1 + 8𝑥2 + 13𝑥3 − 3𝑥4 )
𝑓(0, 1, 0, 0) = (2, 3, 8)
Una vez establecido el espacio generado, ubicamos los vectores en filas de una matriz. Al
escalonar esta matriz obtenemos la imagen o recorrido 𝑇(𝑉) de la transformación.
1 0 1
𝑓1 →𝑓1 −𝑓2
→ (0 1 2)
0 0 0
0 0 0
144
𝑤 = (𝑎, 0, 𝑎) + (0, 𝑏, 2𝑏)
𝑤 = (𝑎, 𝑏, 𝑎 + 2𝑏)
Teorema de la dimensión
145
Ejemplo 1: Determine el rango y la nulidad de la siguiente transformación lineal
𝒂
𝒂
𝑻( ) = (𝒂 + 𝒃)
𝒃
𝒃
a) Núcleo
Sabemos que:
𝐾𝑒𝑟(𝑇) = {𝑣 ∈ 𝑉/𝑇(𝑣) = 0𝑊 }
𝑎 𝑎 0
2
𝐾𝑒𝑟(𝑇) = {( ) ∈ ℝ /𝑇 ( ) = (0)}
𝑏 𝑏
0
Proponemos un vector:
𝑎
Sea 𝑣 = ( ) ∈ ℝ4
𝑏
𝒂 0
(𝒂 + 𝒃) = (0)
𝒃 0
𝑎=0
{𝑎+𝑏 =0
𝑏=0
𝑎 0
𝑣=( )=( )
𝑏 0
146
Finalmente, el núcleo o 𝐾𝑒𝑟(𝑇) es:
0
𝐾𝑒𝑟(𝑇) = {( )}
0
𝑑𝑖𝑚 (𝐾𝑒𝑟(𝑇)) = 0
b) Recorrido o imagen:
Por definición:
𝐼𝑚(𝑇) = {𝑤 ∈ 𝑊/𝑇(𝑣) = 𝑤, 𝑣 ∈ 𝑉}
Entonces:
𝑥 𝑥
𝑎 𝑎
𝐼𝑚(𝑇) = {(𝑦) ∈ ℝ /𝑇 ( ) = (𝑦), ( ) ∈ ℝ2 }
3
𝑏 𝑏
𝑧 𝑧
1 0
𝐵𝑐𝑎𝑛ó𝑛𝑖𝑐𝑎 𝑑𝑒 ℝ2 = { ( ) , ( )}
0 1
𝑎
𝑎
Recordar que 𝑇 ( ) = (𝑎 + 𝑏 )
𝑏
𝑏
1
1
𝑇 ( ) = (1)
0
0
0
0
𝑇 ( ) = (1)
1
1
1 0
𝐶𝐺 = {(1) , (1)}
0 1
147
Para hallar la imagen de la transformación lineal igualamos la regla de correspondencia
con el vector típico de la imagen, luego planteamos la matriz aumentada y simplificamos
hasta obtener la mayor cantidad de filas llenas de ceros.
𝑦−𝑥−𝑧 = 0
𝑦 =𝑥+𝑧
𝑥 𝑥 𝑥 0 1 0
𝑦
( )=(𝑥 + 𝑧 𝑥
) = ( ) + ( 𝑧 ) = 𝑥 (1) + 𝑧 (1)
𝑧 𝑧 0 𝑧 0 1
𝒙
𝑰𝒎(𝑻) = {(𝒙 + 𝒛) / 𝒙, 𝒛 ∈ ℝ}
𝒛
𝑑𝑖𝑚(𝐼𝑚(𝑇)) = 2
148
Ejemplo 2: Para la transformación lineal 𝑇: ℝ3 → 𝑀2𝑥2 definida por:
𝑥 − 2𝑦 𝑦+𝑧
𝑇(𝑥, 𝑦, 𝑧) = ( )
𝑦+𝑧 𝑥−𝑦+𝑧
donde 𝑀2𝑥2 es el espacio vectorial real de las matrices simétricas de orden dos con elementos
reales, obtener:
Solución:
0 0
a) 𝐾𝑒𝑟𝑡(𝑇) = {(𝑥, 𝑦, 𝑧) ∈ ℝ3 / 𝑇(𝑥, 𝑦, 𝑧) = ( )}
0 0
𝑥 − 2𝑦 𝑦+𝑧 0 0
𝑇(𝑥, 𝑦, 𝑧) = ( )=( )
𝑦+𝑧 𝑥−𝑦+𝑧 0 0
𝑥 − 2𝑦 = 0
{ 𝑦+𝑧=0
𝑥−𝑦+𝑧 = 0
Resolviendo matricialmente:
𝑥 − 2𝑦 = 0 𝑥 = −2𝑧
𝑦 + 𝑧 = 0} 𝑦 = −𝑧
0𝑧 = 𝑧 𝑧=𝑧
149
(𝑥, 𝑦, 𝑧) = (−2𝑧, −𝑧, 𝑧)
Por lo tanto:
b) 𝐼𝑚(𝑇) = {𝑤 ∈ 𝑊/𝑇(𝑣) = 𝑤, 𝑣 ∈ 𝑉}
𝑥 − 2𝑦 𝑦+𝑧
Recordar que 𝑇(𝑥, 𝑦, 𝑧) = ( )
𝑦+𝑧 𝑥−𝑦+𝑧
1 0
𝑇(1, 0, 0) = ( )
0 1
−2 1
𝑇(0, 1, 0) = ( )
1 −1
0 1
𝑇(0, 0, 1) = ( )
1 1
1 0 −2 1 0 1
𝐶𝐺 = {( ),( ),( )}
0 1 1 −1 1 1
150
Se obtiene el espacio renglón generado por el conjunto anterior
𝑤 = 𝑎(
1 0) + 𝑏 (0 1)
0 1 1 1
𝑤=(
𝑎 0) + (0 𝑏)
0 𝑎 𝑏 𝑏
𝑤 = (𝑎 𝑏 )
𝑏 𝑎+𝑏
𝑎 𝑏
𝐼𝑚(𝑇) = {( ) /𝑎, 𝑏 ∈ ℝ}
𝑏 𝑎+𝑏
𝑑𝑖𝑚(𝐼𝑚(𝑇)) = 𝜌(𝑇) = 2
3=1+2
3=3
151
3.3 Isomorfismo
∀ 𝑣1 , 𝑣2 ∈ 𝑉 {𝑇(𝑣1 ) = 𝑇(𝑣2 ) ⇒ 𝑣1 = 𝑣2 }
∀ 𝑤 ∈ 𝑊 ∃ 𝑣 ∈ 𝑉 / 𝑤 = 𝑇(𝑣)
𝑻 𝒆𝒔 𝒔𝒐𝒃𝒓𝒆𝒚𝒆𝒄𝒕𝒊𝒗𝒂 ⟺ 𝑰𝒎(𝑻) = 𝑾
Isomorfismo
Definición: Sean 𝑉 𝑦 𝑊 dos espacios vectoriales. Se dice que 𝑉 𝑦 𝑊 son espacios vectoriales
isomorfos, denotados como 𝑉 ≅ 𝑊, si existe un isomorfismo 𝑇: 𝑉 → 𝑊 entre ellos.
152
Teorema: Sea 𝑇: 𝑉 → 𝑊 una transformación lineal definida entre espacios vectoriales de
dimensión finita, tales que dim 𝑉 = dim 𝑊, entonces:
1. Si 𝑇 es inyectiva ⟹ 𝑇 es sobreyectiva.
2. Si 𝑇 es sobreyectiva ⟹ 𝑇 es inyectiva.
Es decir:
153
Ejemplo: Determine si la transformación dada es inyectiva, sobreyectiva o ambas.
𝑥 𝑥−𝑦
𝑇: ℝ2 → ℝ2 ⇒ 𝑇 (𝑦) = (2𝑥 + 𝑦)
Solución:
𝑥 𝑥 0
𝐾𝑒𝑟𝑡(𝑇) = {(𝑦) ∈ ℝ2 / 𝑇 (𝑦) = ( )}
0
𝑥 𝑥−𝑦 0
𝑇 (𝑦) = (2𝑥 + 𝑦) = ( )
0
𝑥−𝑦= 0
}𝒙 = 𝒚 = 𝟎
2𝑥 + 𝑦 = 0
𝟎
∴ 𝑲𝒆𝒓𝒕(𝑻) = {( )} ⇒ 𝑻 𝐞𝐬 𝐢𝐧𝐲𝐞𝐜𝐭𝐢𝐯𝐚
𝟎
Considerando que:
Entonces:
∴ 𝑰𝒎(𝑻) = ℝ𝟐 ⇒ 𝑻 𝐞𝐬 𝐬𝐨𝐛𝐫𝐞𝐲𝐞𝐜𝐭𝐢𝐯𝐚
∴ 𝐓 es isomorfismo
Si T es inyectiva ⟹ T es sobreyectiva.
154
3.4 Matriz asociada a una transformación lineal
𝑻(𝒗) = 𝑴( 𝑻) (𝒗)
155
Matriz asociada con una transformación lineal y referida a dos bases
𝑨 𝒚 𝑩 cualesquiera
Donde las 𝑛 columnas de dicha matriz son los vectores de coordenadas, en la base 𝐵, de las
imágenes de los elementos que integran la base 𝐴:
Considerando que:
𝑀𝐵𝐴 (𝑇)= Matriz asociada con la transformación lineal 𝑇 y referida a las bases 𝐴 𝑦 𝐵.
2. Expresar a cada una de las imágenes anteriores, como una combinación lineal de los
vectores de la base 𝐵 = {𝑤1 , 𝑤2 , 𝑤3 , … , 𝑤𝑚 }; es decir:
𝑇(𝑣1 ) = 𝛼1 𝑤1 + 𝛼2 𝑤2 + 𝛼3 𝑤3 + … + 𝛼𝑛 𝑤𝑚
𝑇(𝑣2 ) = 𝛽1 𝑤1 + 𝛽2 𝑤2 + 𝛽3 𝑤3 + … + 𝛽𝑛 𝑤𝑚 , etc.
Para el caso particular en que datos son la matriz 𝑀𝐵𝐴 (𝑇) y las bases 𝐴 𝑦 𝐵, y se desea conocer
la regla de correspondencia de la transformación 𝑻: 𝑽 → 𝑾:
• Se escribe el vector 𝑣 como una combinación lineal de los vectores de la base 𝐴, para
determinar el vector de coordenadas (𝑣)𝐴 .
• Se realiza la multiplicación [𝑇(𝑣)]𝐵 = 𝑀𝐵𝐴 (𝑇) (𝑣)𝐴 para obtener el vector de coordenadas de
𝑇(𝑣) en la base 𝐵.
• Una vez obtenido el vector de coordenadas, [𝑇(𝑣)]𝐵 , se escribe como combinación lineal de los
vectores de la base 𝐵, con la finalidad de obtener la regla de correspondencia o imagen, 𝑇(𝑣),
buscada.
157
Ejemplo 1:
3 −5
𝑇(𝑋) = 𝑋𝐴, donde 𝐴=( )
4 7
1 0 0 0
𝐵1 = ( ) 𝐵2 = ( )
0 0 1 0
0 1 0 0
𝐵3 = ( ) 𝐵4 = ( )
0 0 0 1
3 −8
𝑌=( ) ∈ 𝑀2 (ℝ)
5 1
Solución:
𝑇(𝑋 + 𝑌) = (𝑋 + 𝑌)𝐴
𝑇(𝑋 + 𝑌) = 𝑋𝐴 + 𝑌𝐴
𝑇(𝑋 + 𝑌) = 𝑇(𝑋) + 𝑇(𝑌)
𝑻(𝛌𝑿) = 𝛌𝑻(𝑿)
𝑇(λ𝑋) = (λ𝑋)𝐴
𝑇(λ𝑋) = λ(XA)
𝑇(λ𝑋) = λ𝑇(𝑋)
158
2. Para hallar la matriz asociada calculamos las imágenes de las matrices 𝐵1 , 𝐵2 , 𝐵3 , 𝐵4 de
la base canónica 𝐵, aplicadas a la transformación 𝑇 y sus coordenadas respecto a la
base 𝐵:
1 0 3 −5 3 −5
𝑇(𝐵1 ) = ( )( )=( ) = 3𝐵1 + 0𝐵2 − 5 𝐵3 + 0𝐵4
0 0 4 7 0 0
0 0 3 −5 0 0
𝑇(𝐵2 ) = ( )( )=( ) = 0𝐵1 + 3 𝐵2 + 0𝐵3 , −5𝐵4
1 0 4 7 3 −5
0 1 3 −5 4 7
𝑇(𝐵3 ) = ( )( )=( ) = 4𝐵1 + 0𝐵2 + 7𝐵3 + 0𝐵4
0 0 4 7 0 0
0 0 3 −5 0 0
𝑇(𝐵4 ) = ( )( )=( ) = 0𝐵1 + 4𝐵2 + 0𝐵3 + 7𝐵4
0 1 4 7 4 7
Se pueden escribir las columnas de coordenadas de 𝑇(𝐵1 ), 𝑇(𝐵2 ), 𝑇(𝐵3 ), 𝑇(𝐵4 ) respecto a la
base canónica𝐵 (paso que por ser muy sencillo se puede omitir):
3
(𝑇(𝐵1 ))𝐵 = ( 0 )
−5
0
0
(𝑇(𝐵2 ))𝐵 = ( 3 )
0
−5
4
( 𝑇(𝐵3 ))𝐵 = (0)
7
0
0
(𝑇(𝐵4 ))𝐵 = (4)
0
7
3 0 4 0
𝑀(𝑇) = ( 0 3 0 4)
−5 0 7 0
0 −5 0 7
159
3. Para comprobar la respuesta calculamos (𝑇(𝑌))𝐵 de dos maneras diferentes:
3 −8
Recordar que 𝑌 = ( ) ∈ 𝑀2 (ℝ)
5 1
3 0 4 0 3
(𝑇(𝑌))𝐵 = ( 0 3 0 4) ( 5 )
−5 0 7 0 −8
0 −5 0 7 1
9 + 0 − 32 + 0
(𝑇(𝑌))𝐵 = ( 0 + 15 + 0 + 4 )
−15 + 0 − 56 + 0
0 − 25 + 0 + 7
−23
(𝑇(𝑌))𝐵 = ( 19 )
−71
−18
Usando la definición de 𝑇:
Entonces:
−23
(𝑇(𝑌))𝐵 = ( 19 )
−71
−18
160
Ejemplo 2: Sea la transformación 𝑇: ℝ3 → ℝ4 definida por:
1 −1 1
𝑀(𝑇) = (−2 0 0)
0 −3 −2
1 −1 −1
Como vimos anteriormente, esta matriz puede utilizarse para obtener la imagen de cualquier
vector bajo la transformación 𝑇.
Por ejemplo, para este caso, si deseamos obtener la trasformación lineal del vector 𝑣 =
(1, −2, 4), podemos utilizar la regla de correspondencia o la matriz asociada.
1 −1 1 1
𝑇(1, −2, 4) = (−2 0 0 ) ( −2 )
0 −3 −2
4
1 −1 −1
161
7
𝑇(1, −2, 4) = ( −2 )
−2
−1
Observamos que, por ambos métodos, las transformaciones tienen el mismo resultado.
𝑎
𝑎−𝑏 𝑏
𝑇 (𝑏 ) = ( )
𝑐 𝑏 𝑏−𝑐
1
1 0 1 0 0 1 0 0 0 0
𝑇 (0 ) = ( ) = (1) ( ) + (0) ( ) + (0) ( ) + (0) ( )
0 0 0 0 0 0 1 0 0 1
0
1
1
⇒ [𝑇 (0)] = (0)
0
0 0
0
−1 1 1 0 0 1 0 0 0 0
𝑇 (1 ) = ( ) = (−1) ( ) + (1) ( ) + (1) ( ) + (1) ( )
1 1 0 0 0 0 1 0 0 1
0
−1
0
⇒ [𝑇 (1)] = ( 1 )
1
0 1
0
0 0 1 0 0 1 0 0 0 0
𝑇 (0 ) = ( ) = (0) ( ) + (0) ( ) + (0) ( ) + (−1) ( )
0 −1 0 0 0 0 1 0 0 1
1
162
0
0
⇒ [𝑇 (0)] = ( 0 )
0
1 −1
Estos vectores coordenadas representan las columnas de la matriz asociada a 𝑇:
1 −1 0
𝑀(𝑇) = (0 1 0)
0 1 0
0 1 −1
b)
Núcleo
𝑎 𝑎
3 0 0
𝐾𝑒𝑟𝑡(𝑇) = {(𝑏 ) ∈ ℝ / 𝑇 (𝑏 ) = ( )}
𝑐 𝑐 0 0
Se propone un vector:
𝑎
Sea 𝑣 = (𝑏 ) ∈ ℝ3
𝑐
𝑎
𝑎−𝑏 𝑏 0 0
𝑇 (𝑏 ) = ( )=( )
𝑐 𝑏 𝑏−𝑐 0 0
𝑎−𝑏 =0→𝑎 =0
{ 𝑏=0
𝑏=0
𝑏−𝑐 =0→𝑐 =0
0
𝐾𝑒𝑟(𝑇) = {(0)}
0
Imagen:
𝑎−𝑏 𝑏
𝐼𝑚(𝑇) = {𝑦 ∈ 𝑀2𝑥2 / ( ) = 𝑦, (𝑎, 𝑏, 𝑐) ∈ ℝ3 }
𝑏 𝑏−𝑐
𝑎
𝑎−𝑏 𝑏
𝑇 (𝑏 ) = ( )
𝑐 𝑏 𝑏−𝑐
1 0
𝑇(1, 0, 0) = ( )
0 0
−1 1
𝑇(0, 1, 0) = ( )
1 1
0 0
𝑇(0, 0, 1) = ( )
0 −1
164
Estas imágenes constituyen el Conjunto Generador de la imagen o recorrido:
1 0 −1 1 0 0
𝐶𝐺 = {( ),}( ),( )
0 0 1 1 0 −1
Una vez establecido el espacio generado, ubicamos los vectores en filas de una matriz. Al
escalonar esta matriz obtenemos la imagen o recorrido 𝑇(𝑉) de la transformación.
Resolviendo matricialmente:
1 −1 0 1 −1 0
0 1 0 𝑓3 →𝑓3 −𝑓2 0 1 0
( )→ ( )
0 1 0 0 0 0
0 1 −1 0 1 −1
𝑤 = (𝑎, −𝑎 + 𝑏 + 𝑐, −𝑐)
𝜌(𝑇) = 3
165
Comprobamos teorema de la dimensión:
Ejemplo 4: Sean 𝑃≤2 𝑦 𝑃≤3 los espacios vectoriales de lo polinomios de grado menor o igual a
dos y menor o igual a tres, respectivamente, y sea 𝑇: 𝑃≤2 → 𝑃≤3 la transformación definida por:
𝑇(𝑝(𝑥)) = 𝑥 ∙ 𝑝(𝑥)
𝐴 = {1 − 𝑥 2 , 1 + 3𝑥 + 2𝑥 2 , 5 + 4𝑥 + 4𝑥 2 } 𝑦 𝐵 = {1, 𝑥, 𝑥 2 , 𝑥 3 }
Solución:
a) Para obtener la matriz asociada a 𝑇, 𝑀(𝑇) , se calculan las imágenes de la base canónica
del dominio 𝑃≤2 = {𝑎 + 𝑏𝑥 + 𝑐𝑥 2 / 𝑎, 𝑏, 𝑐 ∈ ℝ}
𝑇(1) = 𝑥
𝑇(𝑥) = 𝑥2
𝑇(𝑥2 ) = 𝑥3
Estas imágenes escritas como columnas son las columnas de la matriz buscada:
0 0 0
Matriz asociada con 𝑇 → 𝑀(𝑇) = (1 0 0)
0 1 0
0 0 1
166
b) La imagen del vector 𝑣 = 1 + 5𝑥 − 𝑥2 se determina con la expresión 𝑇(𝑣) = 𝑀(𝑇) ∙ 𝑣,
es decir:
0 0 0 0
1
𝑇(𝑣) = 𝑀(𝑇) ∙ 𝑣 = (1 0 0) ( 5 ) = ( 1 )
0 1 0 5
0 0 1 −1 −1
∴ 𝑇(1 + 5𝑥 − 𝑥2 ) = 𝑥 + 5𝑥2 − 𝑥3
𝑇(𝑎1 ) = 𝑇(1 − 𝑥 2 ) = 𝑥 − 𝑥 3
3
𝑇(𝑎3 ) = 𝑇(5 + 4𝑥 + 4𝑥 2 ) = 5𝑥 + 4𝑥2 + 4𝑥
• Se escriben a las imágenes anteriores como combinación lineal de los vectores de la base 𝐵 ,
es decir:
Igualando términos:
𝛼1 = 0 0
𝛼2 𝑥 = 𝑥 ⇒ 𝛼2 = 1
[𝑇(𝑎1 )]𝐵 = ( 1 )
𝛼3 𝑥 2 = 0𝑥 2 ⇒ 𝛼3 = 0 0
3 3
𝛼4 𝑥 = −𝑥 ⇒ 𝛼4 = −1 } −1
Igualando términos:
𝛽1 = 0 0
𝛽2 𝑥 = 𝑥 ⇒ 𝛽2 = 1
[𝑇(𝑎2 )]𝐵 = (1)
𝛽3 𝑥 2 = 3𝑥 2 ⇒ 𝛽3 = 3 3
3 3
𝛽4 𝑥 = 2𝑥 ⇒ 𝛽4 = 2 } 2
167
𝟑
𝑻(𝒂𝟑 ) = 𝟓𝒙 + 𝟒𝒙𝟐 + 𝟒𝒙 = 𝜸𝟏 (𝟏) + 𝜸𝟐 (𝒙) + 𝜸𝟑 (𝒙𝟐 ) + 𝜸 𝟒 (𝒙𝟑 )
Igualando términos:
𝜸1 = 0 0
𝜸2 𝑥 = 5𝑥 ⇒ 𝜸2 = 5
[𝑇(𝑎3 )]𝐵 = (5)
𝜸3 𝑥 2 = 4𝑥 2 ⇒ 𝜸3 = 4 4
3 3
𝜸4 𝑥 = 4𝑥 ⇒ 𝜸4 = 4 } 4
𝟎 𝟎 𝟎
𝑴𝑨𝑩 (𝑻) =( 𝟏 𝟏 𝟓) → 𝑴𝒂𝒕𝒓𝒊𝒛 𝒂𝒔𝒐𝒄𝒊𝒂𝒅𝒂 𝒄𝒐𝒏 𝑻 𝒚 𝒓𝒆𝒇𝒆𝒓𝒊𝒅𝒂 𝒂 𝒍𝒂𝒔 𝒃𝒂𝒔𝒆𝒔 𝑨 𝒚 𝑩
𝟎 𝟑 𝟒
−𝟏 𝟐 𝟒
• Igualando términos:
𝛼 + 𝛽 + 5𝛾 = 1
3𝛽 + 4𝛾 = 5
−𝛼 + 2𝛽 + 4𝛾 = −1
168
• Resolviendo el sistema de ecuaciones anterior matricialmente:
1
𝑓 →𝑓 1 1 5 1
5 3 3
→ (0 3 4| 5 )
0 0 1 −1
• Llegamos a:
𝛼 + 𝛽 + 5𝛾 = 1
3𝛽 + 4𝛾 = 5
𝜸 = −𝟏
3𝛽 + 4𝛾 = 5
5 − 4𝛾
𝛽=
3
5 − 4(−1)
𝛽=
3
𝜷=𝟑
𝛼 + 𝛽 + 5𝛾 = 1
𝛼 = 1 − 𝛽 − 5𝛾
𝛼 = 1 − 3 − 5(−1)
𝜶=𝟑
𝟑
(𝒗)𝑨 = ( 𝟑 )
−𝟏
• Realizando la multiplicación:
0 0 0 0
3
[𝑇(𝑣)]𝐵 = 𝑀𝐵 (𝑇) ∙ (𝑣)𝐴 = ( 1
𝐴 1 5) ( 3 ) = ( 3 + 3 − 5 )
0 3 4 0+9−4
−1
−1 2 4 −3 + 6 − 4
169
𝟎
[𝑻(𝒗)]𝑩 = 𝑴𝑨𝑩 (𝑻) ∙ (𝒗)𝑨 = ( 𝟏 ) → 𝑽𝒆𝒄𝒕𝒐𝒓 𝒅𝒆 𝒄𝒐𝒐𝒓𝒅𝒆𝒏𝒂𝒅𝒂𝒔 𝒅𝒆 𝑻(𝒗) 𝒆𝒏 𝒍𝒂 𝒃𝒂𝒔𝒆 𝑩
𝟓
−𝟏
𝑇(𝑣) = 𝛼1 + 𝛽𝑥 + 𝛾𝑥 2 + 𝛿𝑥 3
• Finalmente:
1 1
𝑀𝐵𝐴 = (0 1 )
1 0
referida a las bases 𝐴 = {(1, 1), (0, −1)} del dominio y 𝐵 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)} del
codominio. Determinar la regla de correspondencia de la transformación 𝑇.
𝑣 = 𝛼1 𝑎1 + 𝛼2 𝑎2
170
• Sustituyendo e igualando términos se obtiene:
𝛼1 = 𝑥
𝛼2 = 𝑥 − 𝑦
𝑥
(𝒗)𝑨 = (𝛼1 , 𝛼2 )𝑇 = (𝑥 − 𝑦) → 𝑉𝑒𝑐𝑡𝑜𝑟 𝑑𝑒 𝑐𝑜𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎𝑠 𝑑𝑒 𝑣 𝑒𝑛 𝑙𝑎 𝑏𝑎𝑠𝑒 𝐴
1 1 𝑥+𝑥−𝑦 2𝑥 − 𝑦 𝛽1
𝑥
(0 1) ∙ (𝑥 − 𝑦) = (0 + 𝑥 − 𝑦) = ( 𝑥 − 𝑦 ) = (𝛽2 ) = [𝑻(𝒗)]𝑩
0 1 𝑥+0 𝑥 𝛽3
𝑇(𝑣) = 𝛽1 𝑏1 + 𝛽2 𝑏2 +𝛽3 𝑏3
• Sustituyendo valores:
𝑇(𝑣) = (2𝑥 − 𝑦 + 𝑥, 𝑥 − 𝑦 + 𝑥, 2𝑥 − 𝑦 + 𝑥 − 𝑦)
171
3.5 Cambio de base
𝑰𝑨𝑩
𝑰𝑨𝑩
Donde las 𝑛 columnas de dicha matriz son los vectores de coordenadas, en la base 𝐵, de las
imágenes de los elementos que integran la base 𝐴:
172
Ejemplo: Sea 𝑇: V → V una transformación lineal y sean 𝐴 𝑦 𝐵 algunas bases de un espacio
vectorial V. Dada la matriz 𝑀𝐴 asociada a 𝑇 respecto a la base 𝐴 y la matriz de cambio de base
𝐼𝐴𝐵 :
4 −1 1 1 1 0
𝑀𝐴 = (1 2 −2) 𝐼𝐴𝐵 = (1 4 1)
3 −2 2 1 3 1
Solución:
1 1 01 0 0 𝑓2 −𝑓3 →𝑓2 1 1 0 1 0 0
[𝐼𝐴𝐵 ]−1 = (1 4 1|0 1 0) → (0 1 0|0 1 −1)
1 3 10 0 1 1 3 10 0 1
𝑓1 −𝑓2 →𝑓1
𝑓3 −3𝑓2 →𝑓3
1 0 0 1 −1 1 𝑓3 −𝑓1 →𝑓3 1 0 0 1 −1 1
→ (0 1 0|0 1 −1) → (0 1 0 | 0 1 −1)
1 0 1 0 −3 4 0 0 1 −1 −2 3
De aquí
1 −1 1
𝐼𝐵𝐴 = [𝐼𝐴𝐵 ]−1 = ( 0 1 −1)
−1 −2 3
173
b) Comprobamos que 𝐼𝐵𝐴 ∙ 𝐼𝐴𝐵 = 𝐼3
1 −1 1 4 −1 1 4 − 1 + 3 −1 − 2 − 2 1 + 2 + 2
𝐼𝐵𝐴 𝑀𝐴 = ( 0 1 −1) (1 2 −2) = ( 0 + 1 − 3 0+2+2 0−2−2 )
−1 −2 3 3 −2 2 −4 − 2 + 9 1 − 4 − 6 −1 + 4 + 6
6 −5 5
𝐼𝐵𝐴 𝑀𝐴 = (−2 4 −4)
3 −9 9
6 −5 5 1 1 0
𝑀𝐵 = [𝐼𝐵𝐴 𝑀𝐴 ] 𝐼𝐴𝐵 = (−2 4 −4) (1 4 1)
3 −9 9 1 3 1
6−5+5 6 − 20 + 15 0−5+5
𝑀𝐵 = (−2 + 4 − 4 −2 + 16 − 12 0 + 4 − 4)
3−9+9 3 − 36 + 27 0−9+9
6 1 0
𝑀𝐵 = (−2 2 0)
3 −6 0
174
REFERENCIAS