Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fundamentos de Algebra Lineal. Ruben Sánchez
Fundamentos de Algebra Lineal. Ruben Sánchez
de álgebra lineal
Rubén E. Sánchez C.
Profesor
Escuda Colombiana de Ingeniería
\.,EDITORIAL
IJf-JmiLLAS
Dirección editorial Alfonso López F.
Edición Luz Rodríguez A.
Diseño y diagramación O. Giovanny Méndez
Carátula O. Giovanny Méndez
Dirigido a profesores y estudiantes que deséan encontrar un libro de álgebra lineal que
enseñe los fundamentos de manera clara y sencilla.
El alumno interesado en c6mo resolver temas y problemas de álgebra lineal con la ayuda
del computador, puede consultar programas como MatLab®, Mupad®, Maple®,
\1athCad®,Mathematic®, Derive®, TI Interactive® y muchos otros que ojalá se encuen-
mm en las respectivas universidades para que los estudiantes tengan acceso a ellos.
Este libro no enseña a manejar los programas anteriores, sino que proporciona las herra-
mientas y conocimientos de esta asignatura que necesita todo estudiante de ciencias,
mgenieria, economía, administración y de otras caiTeras para su formación.
Cuando se adquieren los conceptos básicos de esta materia es muy sencillo y motivante
llllpliar los conocimientos estudiando cualquier otro texto más avanzado.
El autor
Acerca del autor
Rubén E. Sánchez C.
Con su colega, el doctor Antonio Velasco Muñoz escribió varias ediciones del libro
Curso básico de álgebra lineal, publicadas por Editorial Trillas.
1. Matrices...................................................................................................... 1
Noción de una matriz y álgebra de matrices ... .. ... .. .... ... .... .. ... .. ... ..... .. .......... 1
Polinomio de matrices··········:.... ···············....................................................... 11
Algunos tipos especiales de matrices .... ................................................... .. .. 14
3. Determinantes............................................................................................ 47
Introducción a los determinantes........................................... ....................... 47
Propiedades de los determinantes .............. ............. ......... .. ........ ... ..... ..... ..... 53
Regla de Cramer........ .. ............ .. ..... ..... ................... .......... ... .. ................ ....... 63
5. Vectores en R.".................................................................................................................................. 75
Álgebra de vectores y producto interno .......... .......... ........ ..... ...... .. ..... ..... .... 75
Bases y dimensiones en R." ................................ ................ ................... ... .................. 89
Proyecciones y producto vectorial ....................................... ..................... ... 100
Método de Gram-Schrnidt ............................................................................ 107
Rectas y planos............................................................................................. 113
Índice............................................................................................................. 211
Capítulo l
Matrices
es una matriz. Se emplean los paréntesis con el fin de considerar la ordenación rectangu-
lar de números como una entidad.
En general, una matriz frecuentemente se escribe así:
a tl at 2
a2t a 22
A = (aij ) m xn =
ami am2
m xn
y se dice que es una matriz de tamaño m n, o sea que está compuesta de m filas y n
><
columnas. Por ejemplo, la primera fila A 1.= ( a 11 , a 12, . •• , a 1,J y la segunda columna:
2 Capítulo 1 Matrices
En general denotaremos por A¡. la i-ésima fila y por A._¡ la j-ésima columna de una matriz A.
El elemento au. de la matriz se encuentra localizado en la intersección de la i-ésima fiJa y
de la j -ésima columna.
Columna j
2 3
Ejemplo: Sea A = o -3
- 1 2
Esta matriz es de tamaño 3 x 4, es decir, tiene tres filas y cuatro columnas. Sus filas son:
( - 1' 2, 3, 4)
( 4, O, - 3, 8)
( 9, - 1, 2, 4)
A.,= uJ
además: a 14 = 4, a 24 = 8, a32 = - 1. a 23 = - 3
~ión de una matriz y álgebra de matrices 3
Ejemplo: Hallar x, y, z, w, si
X+ 2
(z+4
y+4 )
w+5
3y+
5w + 1
8)
x + 2 =6 => x= 4
y+ 4 = 3y + 8 => y= - 2
z + 4 = 3z - 8 => z = 6
w + 5 = 5w+ 1 => w= 1
Ejemplo:
(-~ ~ =~ l 2 X3
+
(~
16
( -5
9-6]
6 -9
2X3
4 Capítulo 7 Matrices
Ejemplo: La suma ( _
9
-5 - 2 -1 )
_
5 8 2x3
+ (48 -3)
-9 2 x2
no está definida porque
Definición 4 Una matriz que tiene todos sus elementos iguales a O se denomina
matriz nula (o ma~riz
cero) y se denota por O.
Hemos por tanto, defmido la multiplicación de un escalar e por una matriz A y se obtiene
al multiplicar cada elemento de A por c.
Ejemplo: 43 -5]
-5
5 -1
A - B = A + ( -1 )B
Ejemplo: 5 -1 ) -
3 -4 -
( o -1
-5 o
-4)
-1
Ejemplo:
128 -25]
( 1 - 3535
~ de una matriz y álgebra de matrices 5
(A + B) + e = A + (B + C)
A+B = B + A
A + O= A
.1 A + (- A) = O
f 1. e(A + B) = cA + cB
t: (e + a')A = cA + dA
(cd)A = c(dA)
Demost ració n :
Es necesario probar una igualdad de matrices; luego, por la defmición 2) debemos mos-
uar que el elemento que se encuentra en la posición ij, en la matriz a la izquierda del signo
=.es igual al elemento que se encuentra en la posición ij en la matriz a la derecha del=.
Se demostrará, el ordinal M2); los demás quedan como ejercicio.
El elemento situado en el posición ij en la matriz (e+ a') A es (e+ d)aiJ = caiJ + daiJ. El
e emento situado en la posición ij en la matriz cA+ dA es caiJ +da¡_¡- Por tanto, queda
demostrado que:
(e + a') A = cA + dA
Definición 7 El producto de una matriz 1 xn (llamada vector fila) por una matriz
nx] (llamada vector columna) se define como:
n
=ab
i 1 ik
+ ab
i2 2k in nk =~a
+ .. ·ab L. ij bjk
i = [
(# de filas de A) x (# de columnas de B)
[a,
a2L
a,~IL
al2
azz
am2
a,"
azn
a:nn
l [ bbz¡
ll
bn l
bl2
bzz
bnz
m xn
[ A,.B,,
Az.B•I
Am~B.,
A,.B.z
Az.B.2 A,.B.P
Az.B.P l
Am.B.z Am:B.P
mxp
""oc.ión de una matriz y álgebra de matrices 7
9 -9
45 - 4)5 (
-8 -5
-9 5
2x3
nora bien:
; ~A,.B., ~ (-8, 4, 4) ( =n 72
Luego
(-8 5 -~) 4
( 9 -9
-8 - 5
4
4 7 o) -
2 2 X 3 -9 5 7 -8 3 x4
( - 140 72 12 - 4)
23 -68 - 7 75 2 X 4
Ejemplo: El producto
u n. 5 -9
- 1 -5
-1 ( _~ 3
3
3 -9 )
9 -9 2 X4
AB y BA están definidos y
(- 4o -7)
- 11 2x4
Es decir AB -::¡:. BA .
Luego el producto de dos matrices, en general, no es conmutativo.
Si AB = BA se dice que A y B conmutan.
\'ación de una matriz y álgebra de matrices 9
Definición 9 Una matriz cuadrada de orden n que tiene todos los elementos
diagonales iguales a 1 y todos los demás componentes iguales a O se denomina
matriz de identidad (o idéntica de orden n) y se denota por In.
1 o o
o o
1n =
o o
mxn
~]
1 o o
1 o o
Ejemplo: 12 = (
1
o ~) I, = ( o 1 o
o o
) I, = [
o 1 o
o o 1
o o o
Demostración:
) Probaremos primero que c(AB) = (cA)B.
Sean A= (a;)m xn Y B = (bjp)m xp·
n
El elemento que se encuentra en la posición ik en la matriz c(AB) es e (La;¡ b1k).
j =1.
11
c(AB) = (cA)B.
Ahora se debe probar que (cA)B = A(cB) o c(AB) = A(cB)
10 Capítulo 7 Matrices
(Ejercicio)
ii) Sean A = (a¡)m xn, B = (bjk)n xp, C = (cks)pxq
El elemento que se encuentra en la posición is dt: la matriz A(BC) se obtiene al multipli-
car la fila ideA por la columnas de BC, por tanto, es:
p
L
k= i
blk cks
p
I
k=l
b2kcks
J
cks )
Polinomio de matrices 11
Se define Ao= I
Ejemplo: Si A = (-1 _
3 4
o)
~tonces A2 = ( - 151 o)
16 y A3 =
(-631
POLINOMIO DE MATRICES
St t{x) es el polinomio
x) = a~" + a,_ 1 xn-t + · ·· + a 1x + a 0
donde a,, a,,_1, · ·· , a 1, a0 son escalares y A es una matriz cuadrada; por /(A) designare-
mos la matriz
(A)= a11A'1 + a11 _
1An- l + ·· · + a 1A + a 0I
donde 1 es la matriz idéntica del mismo orden que A
(6 ~)
12 Capítulo 7 Matrices
EJERCICIOS
A = (~ ~ =~), B= ( 3 5 - 9. )
4 1 -1
Hallar:
y D= uJ=; -!)
l. 4A+2B
2. 3C - 4D
3. AC
4. BD
5. AD
6. (A + B) D
7. (A - 2B) C
8. (2A - 3B) D
ILH -i) 8
8
5 ( ~:)
12. C" a, a,, ) (~·)
C/21 °22
C/31 C/32
C/2;
C/33
x2
x3
Polinomio de matrices 13
13.
(; -~) (-; ~)
1 ~.
(: -:)(~ ~)
15. Calcular A2 si A = (~ D
A~ (
1
16. Calcular A3 si o 1
o o ¡)
17. Demostrar que si AB = BA, entonces:
a) (A + B)2 = A2 + 2AB + B2
b) (A - B)2 = A2- 2AB + B2
e) (A+B)(A - B) = A2 -B2
24. Calcular:
a)
(_~ -3)
¡Js) ·(~ ¡-{S
b)
C+,
1+ i
2 + i 3 +i )
l + 2i l + 3i
(3
-2 + i
2 + 3i
2i)
4i
i 2i 3i + Si 6i
26. Una matriz de Dürer es una matriz n x n (con n 2 3) construida con los enteros
1 a n2 de manera que la suma de cada una de las ti las, de cada Lma de las columnas
y de cada una de las diagonales sea igual. Hallar una matriz de Dürer 3 x 3 y otra de
tamaño 4 x 4.
Las filas de A' son A, 1, A,2, .. · , A.0 y las columnas A 1., A.2, ... , Am·
Ejemplo Si A = (-1 2)
~ -~ entonces A ,= (-1 _3
2 3
a) (A)' = A
b) (cA')' = cA'
Demostración:
Sean A= (a;)m xn y B = (b;kJnxp· El elemento que se encuentra en la posición ki de
,\8)', es elemento que se encuentra en la posición ik de AB, es esto es,
n
A¡.B.k = L aiJbJk
j - I
n 11
- elemento que se encuentra en la posición ki de B'A' es, B.k A;. =.I:b1k aiJ = ?, a iJ b;k·
J =l 1 ... ¡
ljemplo A= ( ~ ~ =;)
-5 - 7 - 1
es simétrica y
4 ~ ( -!-~ ~) ~ antisiméMca.
Demostración:
A= -I(A + A')+ 1
(A - A')
16 Capítulo 7 Matrices
Ejemplo:
( 4 o -1)
A= - 5 5 -7 = _!_2 (A + A') + _!_(A
2
- A') =
1 -1 3
H
-2
5
-4
5
n +
H
5
2 - 1)
o
3
-3
o
Si A = (a;)w<u entonces A = (bi.J.) donde bij = aij (Ciij indica el conjugado de aij).
Ejemplo: Si A =
1 - 4i 2 + 3i 3
( - 2i ) entonces
4 + 3i 1- i
1 + 4i
2i )
A* = (A)' = 2 - 3i 4 - 3i
(
3 1+ i
JWgunos tipos especiales de matrices 17
a) A=A
b) cA = cA
e) A + B = A + B
d) AB = AB
e) (A)'= (A')
Demostración:
Sean A = (aij)mxn' B =(bjk)nxp· El elemento que se encuentra en la posición ik de AB,
es:
n n
A;. B.k = L. a ij bjk = L. a ij bjk
j ;J j; J
11
E¡emplo: A= ( 5 ~ i
5
_; i ) es hermítica y
.. = (_ o+
~
2 3
¡ 2-
0
3i) es antl"hermztzca.
..
Ejemplo: Si A = -1 2 4)
3 - 3 5 , diag A= (-1 , - 3, - 8), y TrA = -12
(- 9 1 -8
Definición 8 Una matriz diagonal es una matriz cuadrada en la que todos los
elementos que no se encuentran en la diagonal principal son O.
1 o
Ejemplo: ( b ~) (
o -3
o o
o~ ) son matrices diagonales
Definición 9 Una matriz escalar es una matriz diagonal que tiene todos sus ele-
mentos diagonales iguales.
3~
o o o)
~) , ~}
-4
Ejemplo: (; (6 (
3
o (
o -4 o
o o -4
Definición 1O Una matriz cuadrada en la que todos los elementos por debajo de
la diagonal principal son cero, se denomina matriz triangular superior. A = (aiJ)mxn
es triangular superior si aiJ = O para i > j.
Ejemplo: -3)
( oo o '
8 4)
8 -9 ' (
-8 -5
o -9
o o o o
Definición 11 Una matriz cuadrada en la que todos los elementos por encima de
la diagonal principal son cero, se denomina matriz triangular inferior. A = (aiJ)n xm
es triangular inferior si aif = O para i < j.
-8 o o
Ejemplo:
(~ (_~ ( 4
-5 -9
5
'),.
X ~)
ALgunos tipos especiales de matrices 19
Ejemplos:
(~ ¿) es ortogonal
(o
-i
¡)
o es unitaria
o
n
1
(o o 1
5
es idempotente
o o 1J es involutiva
( - 11 - o1 -1o
EJERCICIOS
9] [
¡-~]
2
5 -5 5 -9
-9 4 O -8 B _ - 1 -5
l. Sean A = -; 4 7 -9 ' - 1 -1
[
7 -8 3 3 3 -9 -6
2.
9
Verificar que A = [ 3
-9
9 -9
o 1 -7
1 -4 2
-5] es simétrica y que
- 5 - 7 2 -3
[-7 -2 -7
B=
2 -3 -6
7
-8
6 -8
8 -1
-!] es antisimétrica
-28 3o - 51- 36 ]
4. Escribir la matriz A=
[ -4 -6 o8
-5
- 1 -5
1 como la suma de una matriz simétrica
y una antisimétrica.
5. Demostrar que si una matriz cuadrada A se expresa como la suma de una matriz
simétrica y una antisimétrica, dicha descomposición es única.
B= (
1 + 3i
O 2 - 9i
2 - Si 3 - 4i
3 + 7i
J
9+i 3 - 4i 3 - 6i
Mgunos tipos especiales de matrices 21
Con las matrices del ejercicio 6 y con e= 3 - 4i, hallar A + B, cA, cB, cA, AB, A, B,
A B.
Verificar que:
2 + 8i 3 -4i
A= [2-i. -9 1 + 7i 25+- Si
3i J es hermítica y
3 - 4i 1 - 7i 4 2i
l
S + 3i 2 - Si -2i -9
~
2+i 3 - 8i
B =[ -2 + o 4- 9i 21 +
- 5i
Si antihermítica.
- 3 - 8i -4 9i o - 3 + S~
- 1 - Si - 2 + Si 3 + Si
1. Demostrar que cada matriz cuadrada A puede expresarse de manera única como la
suma de una matriz hermítica y una antihermítica.
., Expresar la matriz
S+ i
- 3 + 4i
8- i 4+ 2i)
8 - 3i - 9 + 2~ como la suma una matriz
(
7 + 7i
16. Hallar TrA, TrB, Tr(A + B), donde A y B son las matrices dadas en ejercicio 2).
18. Probar que si A es involutiva, A puede escribirse como la smna de dos matrices
idempotentes.
Ay uda: A = ~ (A + l) - [ - ~ (A - I)]
19. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la
tercera.
a) es real; b) es ortogonal; e) es unitaria.
20. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la
tercera.
a) es simétrica; b) es.ottogonal; e) es involutiva.
Sistemas
de ecuaciones lineales
NOCIONES FUNDAMENTALES
a 11 x 1 + a,2x2 + + a lt~n = b¡
a 21 x 1 + a 22X2 + + a2,~n b2
(*)
a ¡ 1x 1 + a i2x 2 + + ait~n b¡
a m l xl + a mr2 + + am~n bm
Toda n-tupla ordenada (x 1,x2,- · ·,.xn) que satisface cada una de las ecuaciones del sistema
( *) se llama una solución del sistema. Si miramos el sistema en forma de matrices,
escribiremos una solución como el vector columna,
(J
2
1
3
-1
-2
-4 -:) [~~]~HJ
Una solución del siste~a es (1,2,3 ,4) o [ Í],
si considerarnos el sistema en formas de
Propiedad 1
Si en un sistema de ecuaciones se intercambian dos ecuaciones el sistema resultante es
equivalente al primero. Denotaremos con E¡ H Ej para indicar la operación de intercam-
biar la ecuación i, con la ecuación}.
25
llllliiH>t:fad 2
un sistema de ecuaciones se multiplica una una ecuación por un escalar e diferente
el sistema resultante es equivalente al primero. Denotaremos con cE¡ para
la operación de multiplicar la ecuación i por el escalar c.
._.,eaii03
un sistema de ecuaciones se multiplica una ecuación por un escalar e y se suma a
ecuación, el sistema resultante es equivalente al primero. Denotaremos con CE¡ = Ej
ndicar la operación de multiplicar la ecuación i por el escalar e y sumársela a la
-IJ'IerJaa 4
~ sistemas de ecuaciones son tales que el primero es equivalente al segundo y el
• ._Ido es equivalente al tercero, entonces el primer sistema es equivalente al tercero.
XI 3x2 + x3 + 2x4 = 6
3x_1 8x2 + 4x3 + 4x4 15
a) - 2x 1 + 8x2 + 3x3 llx4 - 21
XI + 2x2 3x3 + 3x4 = 8
3x 1 x2 + 5x3 2x4 = 8
XI 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 = -3
b) 2x2 + 5x3 7x4 = -9
5x2 4x3 + x4 = 2
8x2 + 2xu-- 8x4 = - lO
XJ 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 3
3x3 3x4 = 3
9x3 + llx4 17
6x3 + 8x4 14
x, 3x2 + x3 + 2x4 6
x2 + x3 2x4 = - 3
x3 x4 =
9x3 + llx4 17
3x3 + 4x4 7
x, 3x2 + x3 + 2x4 6
X2 + x3 2x4 -3
X3 x4 -1
2x4 8
x4 = 4
t
Efectúemos la operación E4 y nos quedará
x, 3x2 + x3 + 2x4 = 6
x2 + x3 2x4 = -3
x3 x4 = -1
x4 4
x4 4
XI 3x2 + x3 + 2x4 6
x2 + x3 2x4 = '"1
- .)
x3 x4 -1
x4 4
o o
aesolución de un sistema de ecuaciones 27
1 XI
2 x2 2
o finalmente podemos escribi r =
"
.) x3 3
4 X.¡ 4
1 3 2 6
3 -8 4 4 15
-2 8 3 - 11 -21
2 -3 3 8
..,
.) 5 - 2 8
linea vertical es para separar los coeficien'tes de las incógnitas, de los términos libres;
.,ara que no nos queden los números sueltos, se introducen dentro de un paréntesis, es
61tir, se forma la matriz
1 -3 2 6
3 -8 4 4 15
A= -2 8 3 - 11 - 21
2 -3 3 8
"
.) - 1 5 -2 8
~ada matriz ampliada (o aumentada ), debido a que está fo rmada por la matriz de los
•eficientes de las incógnitas, j unto con los términos libres. A continuación vimos que el
lilrema a) es equivalente al b), el cual en forma de matriz es:
1 -3 2 6
o 1 1 -2 - 3
o 2 5 -7 9
o 5 -4 1 2
o 8 2 - 8 - 10
28 Capítulo 2 Sistemas de ecuaciones line
1 2 -3 3 8
3 -1 5 - 2 8
1 -3 1 2 6 1 -3 1 2 6
o 1 1 -2 - 3 o 1 1 - 2 -3
o 2 5 -7 - 9 <: o o 1 - 1 -1 <:
o 5 -4 1 2 o o -9 11 17
o 8 2 - 8 -10 o o -3 4 7
1 -3 1 2 6 1 -3 2 6
o 1 1 -2 -3 o 1 1 -2 -3
o o 1 -1 -1 o o 1 -1 -1 <:
o o o 2 8 o o o 4
o o o 4 o o o 4
1 -3 1 2 6
o 1 1 -2 -3
o o 1 -1 -1
o o o 1 4
o o o o o
y esta última matriz representa el sistema:
X¡ 3x2 + x3 + 2x4 6
x2 + x3 2x4 -3
x3 x4 -1
x4 4
o o
lo cual como ha podido apreciarse, conduce a la solución
x1 = 1, x2 = 2, x3 = 3, x4 = 4.
En la resolución de un sistema de ecuaciones lineales se permiten tres tipos de operacio-
nes entre las ecuaciones a saber:
Habíamos utilizado E; para referirnos a la i-ésima ecuación, pero cuando utilicemos ma-
trices nos referiremos a la i-ésima fila por tanto las operaciones anteriores se indicarán
de la siguiente manera:
aJ F; H Fp b) cF;. e) cF; + F1
Este tipo de operaciones elementales entre filas de una matriz se denominan operacio-
aes elementales entre m as.
i) A"" B
ii) Si A "" B ~ B "" A
iii) Si A "" B y B "" e ~ A "" e
Demostración:
Queda como ejercicio.
[~ ~l
4 -5 -5 4 o -8 -5 4
-5
o
o
8
3
o
5
-4
-9
] [ o
o
o
5
o
o
7
o
o
-8
-1
o
3
-5
8
3 -9 -6 3
-3 -6 -8 2 9 -8
o -9 -5 6
o 9 5 1 3 4
o o -7 -1
o o -5 4 -2 -7
o o o 9
o o o o o o
o o o o o o o o o o
o o o o
Con esta última terminología, tenemos un método para resolver un sistema de ecuaciones,
i) Es escalonada.
ü) El primer elemento de cada fila no nula es 1 y éste es el único elemento diferente
de cero que se encuentra en la respectiva columna.
[~ [~
o -3 o o o 2
l
1
J]
' o o
o 1 1 1 -2
o o o o 1 o 9
o o o o o 1 -7 -3
1 o o o 3 -4
o
o
o
o
1
o
o
o
o
1
o
o
o
o
o
1
-2
1
-3
o
8
4
8
o
Ejemplo: Hallar la matriz escalonada reducida equivalente a la matriz
un o
1
o
1 -1 -1 8
-1 2 2 3
2 -3 1 1 - 1
-1 -1 -1 o
2 1 -4 -4 10
z
1 1 -1 -1 8 -F¡ + F2 1 -1 -1 8
1 -1 2 2 3 - 2F 1 + F3
o -2 3 3 - 5
2 -3 1 1 - 1 o -5 3 3 - 17
-1 -1 -1 o -F¡ + F4 o -2 o o - 8
2 1 -4 -4 10 -2F1 + F5 o -1 -2 -2 - 6
llli!todo de eliminación de Gauss 31
::::::
1 1 -1 -1 8 -F2 + Fl
o 1 2 2 6
5F2 + F 3
::::::
o -5 3 3 -17
F2 H -F5 o -2 o o - 8 2F2+ F4
o -2 3 3 - 5 2F2 + F5
1 o - 3 - 3 2 :::::: 1 o -3 -3 2
o 1 2 2 6
1
i3 F3 o 1 2 2 6
o o 13 13 13 o o 1 1 1
o o 4 4 4
t F4 o o 1 1
o o 7 7 7 t Fs o o 1 1
::::::
3F3 + F 1 1 l o o 5
o 1 o o 4
- 2F3 + F2 o o 1 1 1
- F3+ F4 o o o o o
- F3 + Fs o o o o o
tefinición 4 El rango fila de una matriz es el número de filas diferentes de cero,
fUe tiene su forma escalonada (o escalonada reducida).
Cualquiera sea la forma de escalonamiento de una matriz su rango fila es el mismo; con
este supuesto es correcta la definición anterior.
Si observamos el ejemplo anterior vemos que la matriz tiene rango 3.
XI 3x2 + X3 + 2x4 = 6
3x 1 8x2 + 4x3 + 4x4 = 15
- 2x 1 + 8x2 + 3x3 1lx4 = - 21
XI + 2x2 3x3 + 3x4 = 8
3x 1 x2 + 5x3 2x4 = 8
-3 1 2 6 ""
- 3F1 + F 2
....
.) -8 4 4 15 2F1 + F 3
-2 8 3 - 11 - 21
1 2 -3 3 8 - FI + F4
3 - 1 5 - 2 8 - 3F1 + F 5
1 -3 2 6 3F2 ""
+ F1
o 1 -2 - 3 - 2F2 + F 3
o 2 5 -7 - 9
o 5 -4 1 2 - 5F2 + F 4
o 8 2 -8 - lO -8F2 + Fs
1 o 4 -4 - 3 1 o 4 - 4 - 3
""1 o
o 1 1 - 2 - 3
3 F3
1 - 2 - 3
o o 3 - 3 - 3 o o 1 - 1 - 1
o o -9 JI 17 J..2 F-) o o -9 11 17
o o -6 8 14 o o -3 4 7
-4F3 + F t 1 o o o 1
- F3 + F2
o 1 o -1 -2 ""
9F3 + F 4
o o 1 -1 -1 t F4
o o o 2 8
3F3 + F5 o o o 4
1 o o o 1 "" 1 o o o
+ F2 o o o
o 1 o -1 -2 F4 1 2
o o 1 -1 - 1 F4 + F3 o o 1 o 3
o o o 4 - F4 + Fs o o o l 4
o o o 4 o o o o o
y esta última matriz, que es escalonada reducida, representa el sistema:
de eliminación de Causs 33
l
-3x 1 2x4
[-~
-3 4 -1
-3 1 -24
18 =
2 1 -2 - 8 F 1 HF3
-3 2 5 2 o
2 1 -2 ""
3F1 + F 2
J - 2F + F
(-i -3
1
-3
2
-3
4
5
1 - 188
- 1 -2~
2
1
3F1 + F4
3
1 2 1 -2 1 2 1 -2
o o J t F4 J
[ o o
7 -5 -- 68 "" 7 -5 -8
6
( o
o
-7
8
2
8
3
-4
- 8
- 24
o
o
-7
2
2
2 -1
3 -8
-6
7Fj
7~
-
Véase nota
[ 7
o
o
o
14
7
-7
14
7 - 14
o
2
- 5 - 566
3 - 8
14 - 7 -42
l - 2F2 +F1
F2 +F3
-2F2 + F4
:::::
l
34 Capítulo 2 Sistemas de ecuaciones linea!
o o
~4]
(~
7 7 -4 7 -4
o 7 o -5 - 6 z
7 o -5 -- M6
( o
o
o
o
2
14
- 2 - 14
3 - 30
I F3 o
o 14
-1
3
-
- 30
7
:::::
- 7F3 + F 1
- 14F3 + F4
[~
..,
o
7
o
o
o
o
1
o
3
-5
-1
17
-~ l
- 7
68
:::::
i7
1
F4
o o o o o
-~ ]-JF5F F
7 7
o 7 o
.)
-5 o o o -1471
[
4
; 1 ( 7
o o 1 -1 -7 F 4 + 2 o o 1 o - 3
o o o 4 F4 + F 3 o o o 1 4 )
::::
7
7
lp
1
"'¡
[
1
o
o
o
o
1
o
o
o
o
o
1
o
o
o -~
- .)
4
l
l
F2
l;: [~~ l
Por tanto la solución es X =
( x, =
Planteamientos
x3 3x2 + 2x 1 + 2x4 = - 11
2x3 2x2 3x 1 + 3x4 = - 4
8x3 12x2 5x 1 + 13x4 - 34
de eliminación de Gauss 35
que nos sugiere que si pensamos en la matriz ampliada, se pueden intercambiar dos
umnas siempre y cuando tengamos presente el orden en que van las incógnitas; por
. .110, escribiremos
[ x2
-3 - 2
-5 -12
x2
- 3
x3
1
2
8
x4
2
3 - 114
13 - 34
l :::
[X~ -2
-12
x2
-3
xl
2
-3
-5
x4
2
3 -11
-4
13 -34
l
n poco más adelante resolveremos el sistema a).
Al resolver un sistema de m ecuaciones con n incógnitas, hemos visto que su solución
110ede hallarse fácilmente llevando la matriz ampliada a una escalonada reducida; estu-
diemos un poco cómo puede ser esta matriz.
i) Si tiene la forma:
1 o o o
o o o
o o o 1
o o o o
o o o o o
o o o o o
ü) Si tiene la forma:
1 o o o cJ ,J c l,2 cl,n - r o
o 1 o o c2, l c2,2 c2,n - 1' o
o o o c,.,t c,.,2 c,.,n- r o
o o o o o o o
el sistema no tiene solución debido a que la última ecuación conduce a
0= 1
36 Capítulo 2 Sistemas de ecuaciones lineales
l
5x 1 + 3x2 10
[-! l
4 18 2 ""
3F1+F
H 4 - 18
4 2
::::;
2 - 4 Fl HF2
3 10 3 10 - 5F1 + F 3
[ oo l l
1 2 - 4 1 2 - 4
10
7
-30
30
::::;
~F2 [ o
o
l - 3
-7 30
- 2F2 + F 1
7F2 + F3
l l
1 o -2 o 2
[
1
[
::::;
o 1 -3 .!.p
9 3
o 1 -3
o o 9 o o
xn - an-r
Como los a; son arbitrarios, el sistema tiene infinitas soluciones y X representa todas las
.tucíones. Obsérvese que:
di cl ,l C1.2 c l,n-r
d2 e2,J e2.2 e2,n-r
d3 e3,I e3,2 c3,n-r
donde los a¡ son arbitrarios y X nos da lo que se conoce como solución general; si le
damos valores determinados a los a¡ , tendremos soluciones particulares.
[ x2
-3 - 2
x2
- 3
- 5 - 12
x3
1
2
8
x4
2
3 -- 114
13 - 34
l "" [ X~
x2
- 3
- 2
- 12
X¡
2
-3
-5
x4
2
3
13
-u]
- 4
- 34
""
[X!
x2
- 3
X¡
4 - 7
12 -21
2
x4
2 - 11 ]
-1
-3
18
54
"" [X~
x4
2
-1 - 7
X¡
2
- 3 - 21
x2
-3
4 -1181
12 54
l
~]o ~]
x4 X¡ x2 x4 X¡ x2
o o - 12
D
-1 2 5 5
"" -l 7 4 18 "" [X! 1 7 -4 -1~
o o o o o o
Por tanto, la última mattiz representa
x3 - 12x¡ + 5x2 = 25
x4 + 7x 1 4x2 = -18
Luego las variables libres son x 1 y x2, a las cuales les asignaremos valores arbitrarios
denotados por - al> - ~. respectivamente. Por consiguiente:
x3 25 12a1 + 5~
x4 = 18 + 7a 1 4a2
X¡ = a¡
x2 = a2
solución que puede escribirse como:
X=
ln =
[-in ~~f] +~ j
+a, [ [ l
Método de eliminación de Causs 39
Si asignamos a o: 1 y a <X:1 los valores de 1 por ejemplo, obtendremos una solución particu-
lar del sistema
= o
(-~ 3
4 ~)
=::
F 1 HF2 (-; 4
3 ~)
=::
2F1 +F2
(-~ 4
11 ~)
""
-F¡
AF2 (~ -4
n "" F
4F2 + 1
(~ o
1 ~)
concluimos que x 1 = Oy x2 =O; luego el sistema no tiene solución fuera de la trivial.
Como se notará no es necesario escribir los términos libres cuando el sistema es homogé-
.w pues todas las operaciones que se hagan con el número cero darán siempre cero; por
1al razón los omitiremos, pero éstos deben quedar sobreentendidos.
40 Capítulo 2 Sistemas de ecuaciones lineales
X~ l [X~ X~ l
x2.., x3 x2 X¡
[-x32 - -
2
.) 1
2
::::
- 3
- 2
2
-3
-5 - 12 8 13 - 12 -5 13
x2 X¡
xi J
x4 X¡
x, l
D D
- 3 2 2 2 -3
:::: ::::
4 - 7 -1 -1 - 7 4
12 -21 -3 - 3 - 21 12
x4 X¡ x4 X¡
D 1]
o o -12
D
- 12
-1 - 7 xn ::::
1 7
o o o o
X= [ ~~ J aF! J+~ j J
= [
Como la matriz de los coeficientes es la misma podemos reunir las dos matrices en una
sola, así:
( 1
2
2
5
-3
-8 ) entonces,
( 1
2
2
5
-3
-8
1
1 ) -2F1 + F 2
(~ 2
1
-3
-2 ~1 )
-2F2 + F1
::=
(~ o1 1 1
-2 !1)
De lo anterior se establece que la so lución del sistema (a) es x 1 = 1, y, x2 = -2 , y del
SIStema (b) es y 1 = 3, y, Y2 = -1.
A=
(~ ~ ) hallar una matriz X ~ (x 11
X21
x 12
X22
) tal que
AX = I
•)
(~ ~ )(XII X21
X12 )
X22
=
(o 1 o
1
) es equivalente a:
X 11
4xll
+
+
2x21
9x21
X12
4x t2
+
+
2x22
9x22 ) (o 1 o
1
) de aqui por .igualdad de
matnces se s1gue que:
XI I + 2x21 1
,y, X 12 + 2x22 = o
4xtt + 9x21 = o 4xl2 + 9x22 1
42 Capítulo 2 Sistemas de ecuaciones lineales
Como la matriz de los coeficientes es igual a la de los dos sistemas, procedemos como en
el ejemplo anterior.
(! 2
9
1
o
n "" F
-4F1 + 2
(~ 2 1
-4
(~
o
1
9
-4 -n (**)
X¡¡ = 9 xl2 -2
X21 -4 X22 1
y por tanto, X =
(~ -n
Nota: Si nos detenemos un poco en (**) y observamos (*), establacemos que un mé-
todo rápido para hallar una matriz X es fonnar una matriz compuesta de la siguiente
manera:
Ejemplo: Si A =
(~
1
2
-1
iJ , hallar una matriz
X =
(XII
X21
X12
X22
x,. J de modo que AX = l
~=~
XJI XJ2 .).)
(~ n
1 1 1 o l 1 1 o o
2
-1
3
3
o
o
1
o
"" F
- F1+ 3
( o 2
-2
3
2 -1
o
o
1 o
J
odo de eliminación de Causs 43
""
2F1
u 2
2
-2
2
".)
2 - 1
2
o
o
l
o n ==
-F2 + FI
F2+ F3
(l~ ~J
o o
n
2 -1 2 - 1 "" - 5 lO -5
o 2 3 o l
5F1 10 15 o 5
o o 5 -1 5F2 o 5 - 1
(l~
"" F o o 9 -4 1""
F3 +
- 3F3 + F2
1
10
o
o
5
3
-1
2
1 -f] t lo F 1
~F2
F3
9 4 1
o o iO -iO iO
5
1
3
iO - ¡o
5
1
J
(~
4
-4
(J
ió
X= 10
-5
1
2
iO
1
5
JJ 10
5
1
_l
- ¡o 2
2 -iJ
Se deja como ejercicio comprobar que con esta matriz X si satisface AX = l .
lesumen:
Consideremos un sistema de m ecuaciones con n incógnitas y repasemos los plantemientos
tle la página 34 y el concepto de rango fila.
Al resolver el sistema por el método de Gauss y si denotamos el rango fila por r, podemos
Gbtener las dos siguientes situaciones si el sistema tiene solución única.
Demostración:
Sea A la matriz ampliada de los coeficientes y términos libres. Esta matriz tiene m filas
tpues hay m ecuaciones), y por ende su rango filar , es a lo más m (r ~ m) . Pero sabemos
,or hipótesis que n > m, y como m ~ r, entonces n > r, luego por ii) del resumen anterior
sabemos que el sistema tiene infinitas soluciones y por tanto tiene soluciones no triviales.
44 Capítufo 2 Sistemas de ecuaciones lineales
EJERCICIOS
l. ¿Qué condiciones deben ser impuestas a a,b,c, para que los sistemas siguientes
tengan solución?
a) X + 2y + 3z a
- 2x + y z b
3x y + 2z e
b)
2x + 3y + z a
X + 2y 2z b
-2x + y + 3z e
2. XI + 2x2 x3 - 4
2x 1 3x2 + 2x3 1
3x 1 + x2 4x3 - 21
3. X1 + x2 + x3 + x4 10
-4xl x2 + 2x3 + 3x4 9
5x 1 + 2x2 + 3x3 x4 13
-4xl 3x2 + x3 + 2x4 -3
6. 3x 1 + 2x2 x3 + x4 o
2x¡ + x2 + x3 3x4 13
-2x 1 2x2 + 3x3 + x4 15
9. X¡ + 2"\:2 o
2x 1 5x2 o
10. X¡ x2 + 4x3 = o
X¡ + 4x2 + x3 = o
2x 1 + 4x2 + x3 = o
11. -X ¡ x2 + 5x3 = o
2x¡ + x2 2x3 o
X¡ + + 3x3 o
12. 4x 1 x2 4x3 x4 xs o
-4x¡ 2x2 + 3x3 + 5x 4 + 4x5 o
- 3x 1 3x2 + 4x3 x4 o
2x¡ 5x2 + x3 8x4 5x5 = o
2x 1 17x2 3x3 + 8x4 + 7x5 = o
Para la matriz dada A, hallar una matriz X, tal que AX = 1
13.
A=
(
2
3
5
7
J
14.
A=
(
2
4
3
2
J
46 Capítulo 2 Sistemas de ecuaciones lineales
15.
A=
u l -2
7
1
-1
3
l
16. 1
-1 -2
A=
[1 -2
2
"
.)
-4 -i
17. Demostrar que:
a) suma de dos soluciones de un sistema homogéneo de ecuaciones también es
solución.
b) El producto de un escalar por una solución de un s istema homogéneo de
ecuaciones también es solución.
apítulo 3
Determinantes
+
+
en dos incógnitas x 1 y x 2•
Para hallar el valor de x 1, multiplicamos la primera ecuación por a 22 y la segunda por
-Q
12 , y al sumar obtenemos
b ,a 22- b2° 12
X1 =
0 11°22- a 21°12
b2a,, - b,a2 ,
0 11a22- a 2 1°12
48 Capítulo 3 Determinantes
IAI=
+ al2x2 + a 13x 3
+ 0 22X2 + 0 23X3
+ 0 32X2 + 0 33X3
adremos
x~ = --------------------------------------------------
.) a,,o22o33 + a2,a32ol3 + a23al2o31- a3,a22ol3- o2,al2a33- o23a32a,,
a) b)
diagrama a) indica cómo conseguir los tres primeros términos del determinante, en
to que el diagrama b) se refiere a los tres últimos. Los términos obtenidos en el
grama b) llevan el signo cambiado en el desarrollo del determinante.
mplos:
1 -~
a) 4
-5
1 = (8) (- 5) - (-5)(4) = - 20
50 Capítulo 3 Determinantes
b) -3 2
5 -2 1 = ( 1)(- 2)(3) + (5)(-4)(2) + (1)(- 3)(2) - (2)(- 2)(2) -
2 -4 3 (5)(- 3)(3)- ( 1)(-4)( 1) =5
a¡¡ C/ 12
Así, en A=
a21 a22 ' Ml l = d= la22l = a22
IA 1
all al3
M 32= IA 321 = a21 a23
= alla23 - a21al3
a ,l a13
M 22= IAnl = a 31 a31
= a1 1a33- a 13a 31
0 11 al2
Así, en A =
0 21 C/22
[~ +
~J y en general por
...(-!)'+"]
[j, +
(-J)n-2
... (- 1)2+11
Al= all
por tanto,
IAI = anc11 + a,--zca + ··· + aiJciJ + ··· + a;,,C¡11 (desarrollo por la fila i, i = 1, 2, ·· ·, n)
Ejemplos:
4 -1 -4
a)
-1
-2
-1
3
¡ = 4 1 -~ ¡1- 1-; --: 1+ (- 1)
=~
-4
= 4 (- 13) +8- (2) (-7) =-52+ 8 + 14 = - 30
(-2) 1 3
4 -3 -3 4
-1 2 1
-1 2 o 1
5 -2 -5
b) 5 -2 3 -5 = (- 3) +
-1 2 1
-1 2 o 1
-1 2 1
3 5 -2 -5 = (- 3) (O)+ 3(0) =O
-1 2
Propiedad 1
El determinante de una matriz cuadrada es igual al determinante de su transpuesta.
Demostración:
Por introducción sobren.
a) Para detem1inantes de orden 1, !Al= la1¡J = a 11 y IA'I = la 11 1= a 11 . Luego !Al=
IA'I
b) Supongamos la propiedad verdadera para n = k, es decir, suponemos válido que
!Al = IA'I si A es de tamaño k x k. (Hipótesis de inducción).
e) Probemos que la proposición es verdadera para n = k + 1, es decir debemos
probar que !Al= IA'I si A es de tamaño (k+ l)(k + 1).
Si A es de tamaño (k+ l)(k + 1), entonces desarrollando por la primera fila
tenemos:
!Al = aii!Attl - at2 1Ad + ... + (- 1) l+n IAtnl
Como las matrices A 1; son de tamaño k x k, aplicando la hipótesis de inducción
vemos que lAlil = IA'Iil para i = 1, 2, · · · , n y por consiguiente:
IAI =attiA't d- a12IA'd + '" + (- 1) J+n IA'tnl
y el lado derecho de esta expresión es el desarrollo de IA'I por la primera colum-
na de A. Luego !Al = !Al
Corolario. Toda propiedad de un determinante enunciada en términos de fila, origina
.a nueva propiedad enunciada en términos de columna.
hopiedad 2
cada uno de los elementos de una fila (o columna) de un determinante, es igual a cero,
valor del determinante es cero.
Se desarrolla el determinante por la fila (o columna) que tiene todos los elementos iguales
hopiedad 3
dos filas (o columnas) de un determinante son intercambiadas, el signo del determinan-
le queda cambiado.
stración: a b e g h
d e f d e f
g h a b e
54 Capítulo 3 Determinantes
Demostración:
(Por inducción). Sea IAI el determínate original y IBI el determinante obtenido de IAI,
intercambiando dos filas, probaremos que
IBI = -IAI
a) Para determinantes de orden dos, se tiene:
O ¡¡ 0 12
IAI= 0 21 a22
= 0 11 ° 22- 0 21°12
0 21 a 22
IBI = O¡¡ 0 12
= a l2a 21 - a ¡¡ a 22 = -IAI
IBI = akl c_R + ak2ck~ + ... + a,mc/o~ (desarrollando por la k-ésima fila).
Propiedad 4
Si un determinante tiene dos filas (o columnas) iguales, el determinante vale cero.
Ilustración:
a b e
d e f =O
a b e
Demostració n:
Supongamos IAI tiene iguales las filas i y j sea IBI el detem1inante obtenido de IAI,
intercambiando las filas i y j. Naturalmente IBI = IAI
Sin embargo por la propiedad anterior
Propiedades de los determinantes 55
Propiedad 5
Si cada uno de los elementos de una fila (o columna) de un determinante se multiplica por
el mismo número k, el valor del determinante queda multiplicado por k.
lustración:
a b e a b e
kd k e kf = k d e f
a b e a b e
Demostración:
Sea IAI el determinante original y IBI, el determinante obtenido de IAI, al multiplicar todos
los elementos de la fila i por k. Desan·ollando IBI por la misma i-ésima fila, tenemos:
IBI=kiAI
Propiedad 6
Si cada uno de los elementos de una fila (o columna) de un determinante se expresa
como la suma de dos o más términos, el determinante puede expresarse como la suma de
dos o más determinantes.
ustración:
a b e a b e a b e
d+D e +E j+F d e f + D E F
g h g h g h i
Demostración:
all a l2 a ,j a,,
0 21 a22 a2j a2n
+ ,_ a ' ij
/
a ¡¡ a,¿ a ij a in a il a' ., a' in
Propiedad 7
La suma de los productos de los elementos de una fila (o columna) de un determinante
por los correspondientes cofactores de la otra fila (o columna), es cero.
Demostración:
Sean
a,. a,2 aln
a 21 a22 a 2n
a¡ ¡ ai2 a in f- fila i
IAI=
ajl aj2 ajn f- fila}
a,2 a ,,
a"'
IBI = O pues tiene dos filas iguales. Por otro lado desarrollando IBI por la i-ésima fila
tenemos,
Propiedades de los determinantes 57
9 =o
aji Cil8 + aj2Ci28 + ... + ajnCin
Bl =
Propiedad 8
La suma de los productos de los elementos de una fila (o columna) por los correspondien-
tes cofactores de esa fila (o columna), da el valor del determinante; pero la suma de los
elementos de una fila (o columna) por los conespondientes cofactores de otra fila (o
columna), da cero.
Propiedad 9
El valor de un determinante no cambia si a los elementos de cualquier fila (o columna) se
le suman k veces los correspondientes elementos de cualquier otra fila (o columna).
Demostración:
all a l2 aln
Sean
a2l a22 a2n
a il a;2 a in f- fila i
IAI= y
aj l aj 2 ajn f- fila}
anl an2 a m,
58 Capítulo 3 Determinantes
~ + a11 e1~ + ... + 0;11 e;~) +k (aj 1 e~ + ape~ + ... + ajne;~) = IAI +O
por la propiedad 8.
IBI = IAI.
Observación:
La fila (o columna) cuyos elementos son multiplicados por k quedan invariantes y sola-
mente los elementos en la fila (o columna) aumentada se remplazan por la correspon-
diente suma algebraica.
a, a2 a3 a, a2 a3
b, b2 b3 = b 1 + kc 1 b2 + kc2 b3 + kc 3
e, c2 c3 C¡ c2 c3 , pero
a, a2 a3 O¡ a2 a3
b, b2 b3 b 1 + kc 1 b2 + kc 2 b3 + kc3
C¡ c2 c3 kc 1 kc 2 kc 3
Propiedad 1O
Sean A y B matrices cuadradas del mismo tamaño, entonces
Ejemplos:
1 -1 -4 -1
a)
o -4 -2 3
o 4 1 -3
o -1 o 5
-4 -2 3 4 o -3
..,
4 1 - 3 2F +F 4 1 -.) = le22=
2 1
-1 o 5 -1 o 5
1~ - 35 1 = 20 - 3 = 17
-7 3 4 -5 = 2 o -2 4
-3 l 2 - 3 - 3F2 + F1 -3 1 2 - 3
b) 2F2 + F 3
2 -2 4 5 -4 o 8 - 1
::::
-4 3 5 8 -3F 2 + F4 5 o -1 17
2 -2 4 1 -1 2
IC22 = -4 8 - 1 =2 -4 8 - 1 el + e2 (*)
5 - 1 17 -2e1 + e 3
5 -1 17
1 o o
-4 4 7 =1 1: ~ 1 = O , por tener dos filas iguales.
5 4 7
1 o o
e) X y z -el+ e2 X y-x z- x
x2 y2 z2 - e 1+ e3 x2 y2-x2 z2-x2
1
= y2 -x2
y-x z- x
z2 - x 2
l = l(y -(v-x)(yx)+ x) (z - x)
(z + x)(z - x)
1
Propiedad 5
(y - x) (z - x) 1 (y ! x)
= (y- x) (z - x) (z - y)
60 Capftulo 3 Determinantes
EJERCICIOS
e) 5 -3
a) 1 1
-2 3 5
3 6 -3 -4 -1 -5
1 -6
a) o 3 -5 b) 1 -1 4 e) 2 -2 -4
4 6 -2 4 -4 6 4 2 1
2 -3 4 2 3 -1 5
a)
3 4 -7 6 b)
3 2 1 -6
5 6 -7 5 -5 -7 2 -8
-8 -9 1 2 4 -4 2
2 4 6 -3
e) o 2 8 -9
o o -2 -6
o o o 2
a b e y b t Z X y
x y z =x as U t
S
S t U z e u e a b
Propiedades de los determinantes 61
Comprobar que
1 1
7. X y z =~ - ~~ -~ ~ - ~~ +y+ ~
x3 y3 z3
x-y-z 2x 2x
8. 2y y-z-x 2y = (x +y+ z)3
2z 2z z-x-y
(b + c)2 a2 a2
9. b2 (a+c) 2 b2 = 2abc(a+b+ c)3
c2 c2 (a+b) 2
a2 a 2 - (b-e)2 be
10. b2 b2 - (c-a)2 ca = (a- b) (b-e) (e- a) (a + b +e) (a2 + b2 + e2)
c2 c2 - (a- b)2 ab
a 1
12. a
a
y +z y z
13. X x+z z
X y x+y
I+a 1
1 1-a 1 1
14.
1 1 l +b 1
1 1 1 1- b
62 Capítulo 3 Determinantes
Resolver:
15. 1 X+; -5 ¡
x+7
-1 X -1
16. X -1 -2
-2 2 1
17. -1
A, e-\
t..,
-2
-2
2
-1 -1 A- - 1
A--2 3 5
18. o /..,-3 2
o o A--7
19. Sean Ay B matrices cuadradas del mismo tamaño, de modo que AB = l. Demostrar
que:
a) IAI * O y IBI * O
l
b) IBI = iAi
23. Sea A una matriz cuadrada y B una matriz obtenida de A, aplicando una operación
elemental entre filas; probar que:
IAI * o ~ IBI * O.
24. Sea A una matriz cuadrada y E su matriz escalonada reducida; probar que:
IAI * O ~ IEI * O.
Regla de Cramer 63
REGLA DE C RAMER
a:" 0 n2 a ni
0 nt cnr 1 + a112 Cnr2 + ... + ani Cnri + ... + ann Cnrn = bnCni
,el 1. +
-
a2,- c2 1. + ... + a 2c171.) x2 +
11
64 Capítulo 3 Determinantes
Conclusión:
El denominador es el detenninante IAI, obtenido con los coeficientes de las incógnitas.
El numerador es el determinante IB;I, obtenido al remplazar en el determinante IAI, la
columna de los coeficientes de la variable X ; que se desea despejar, por la columna de los
términos libres.
&egla de Cramer 65
- xl + x2 + x3 = 7
XI x2 + x3 3
xl + x2 x3 1
-1 1 1 7 1
IAI= 1 -1 1 = 4, IB 11= 3 -1 1 =8
1 1 -1 1 1 -1
-1 7 1 -1 1 7
IB2I = 1 3 1 = 16, IB31 = -1 3 =20
1 1 -1 1 -1
=-8 = 2, x2 = 4 = 4, x3 = ~ = 5
16
X
1 4 4
EJERCICIOS
1.
+ 6
13
2.
- 15x 1 + 13x2 -2
- 9x 1 + 11x2 = 2
5x 1 + 2x2 x3 3
3. 2xl + 3x2 + 4x3 = - 1
3x 1 + 4x2 + 2x3 = 8
- 2x 1 + 3x2 x3 - 5
4. - 3x 1 + x2 2r3 = - 12
XI + 2x2 3x3 - 1
66 Capítulo 3 D eterminante
XI + 3x2 x3 2
4x 1 + x2 2x3 + 3x4 4
5.
-xl + 5x2 + 3x3 X4 1
3x 1 + 2x2 + x3 + x4 -2
Capítulo 4
Inversa de una matriz
AX = XA = I
Demostración:
-u pongamos
AX =XA=I
AY =YA= 1
Demostración:
Por la propiedad 8 de los determinantes, tenemos •BKn-tración:
a¡¡ en] A e inYe -
a¡z aln el! e2I
az¡ azz azn e1z e22 en2
A (adj A)=
IAI o o
Si A= l~
o IAI o
= IAI 1 adj A= (_ -
o o IAI
luego si A=
De manera análoga se demuestra que (adj A) A= IAI 1
Hallar la inY
Corolario. Si IAI 7:- O, la inversa de la matriz A es:
A- 1 = -
1 adj A
~
Demostración:
Multiplicando la ecuación (*)por ~ tenemos:
AX=b
Demostración:
Como A es invertible, existe A- 1, luego A- 1(AX) =A-lb==>
(A- 1A) X= A- 1b ==>IX= A-! b ==>X= A- 1b
Ejemplos:
1 1
A= O 2
(
1 -1
- A
70 Capítulo 4 Inversa de una matriz
~ = -1-i ~ 1=-4,
Además como AX = L
cl3 =1 -i 1=-2, c 21
9-4 lJ
Luego la adj A=
(-2
2 2
3 2 -3 ,y
9-4 1]
A - 1 = _!_
10 (-2 3 2 -3
2 2
Como se observa, este método es un poco extenso para calcular la inversa de una matriz;
especialmente si la matriz es de gran tamaño; por tanto, trataremos de buscar un método es única, que lo que de.:>_
rápido que permita calcular A- 1. Esto nos permite concl · -
Demostración:
De manera análoga, se define inversa por la izquierda.
A(XA + X - 1) = A (XA -
IA+I-A=A+I-A=
Teorema 5 La inversa por la derecha es única.
esto es A(XA + X - 1) = l.
pero como AX = 1, es d ~
Demostración: reorema anterior que,
Como AX = 1, entonces IAXI = 1, luego IAI IXI = 1, lo que nos indica que IAI :t:. O. XA+X-I=X~XA =I
-o 2 Inversa de una matriz 71
Como IAI -:;:. O, por el teorema 4, cada uno de estos sistemas tiene solución única, esto es
los X¡¡ son únicos y, por consiguiente,
X ¡¡ X1i Xln
X21 X22 x2n
X=
AX=I}
1. Se dice que A tiene AY = I =>X=Y
- X de tamaño n x n,
Teorema 6 Si AX = 1, entonces, XA = l.
Demostración:
A(XA + X- 1) = A (XA) + AX- A = (AX) A + AX- A =
IA+I-A = A + I-A =I
esto es A(XA + X - 1) = 1, lo cual muestra que XA + X - 1 es una inversa a derecha de A;
pero como AX = 1, es de.cir, X es también una inversa a derecha de A, se concluye por el
teorema anterior que,
XA+X-I=X=>XA = I.
72 Capítulo 4 Inversa de una matriz
Lo anterior nos enseña que para calcular la inversa de una matriz sólo es necesario hallar
la inversa por la derecha.
AX=I
ii) Efectuar operaciones elementales entre filas, hasta que la matriz idéntica quede
a la izquierda de 1.
[~ ~J
9 4
o o o
jJ
u
1 1 1 iO - iD
2 3 o 1 :=:
1 o
3
iO
2
iO 10
-1 3 o o o 1 5
1 1
5 5
1
Luego X =
[ 10
9
3
iO
- -1
10
•
2
iO
-1 -n~ 10
[9-4 lJ
3
-2
2 -3
2 2
5 5
x1 + 2x 3
2x 1 3x2 -4
triz 73
-"---~-- hallar
Por tanto X = A- 1b o sea
EJERCICIOS
-amo importante vimos
...._-.......!:.....:""'-""""
- - mpuesta de la siguiente l. Demostrar que si A es una matriz invertib1e, A - I es invertib1e y (A- l )- 1 = A
.= :onocida y a la derecha, 2. Si A y B son matrices cuadradas del mismo tamaño e invertib1es, demostrar que AB
es invertible y (AB)-1 = B-1 A-1
-- Ga. 4. Demostrar que si A y B son matrices no singulares del mismo tamaño entonces
adj (AB) = (adj B) (adj A)
-
10
2
iO
1
5
Jj10
5
1
adj (adj A) = IAin-2 A
Si existe, hallar la inversa de las siguientes matrices, tanto por el método de la adjunta
como por el método rápido.
6. c3 !)
' 2
7. (-35 -24)
8. (-¡ _¡)
-1
1
74 Capítulo 4 Inversa de una matriz
9.
10.
[
-i _; -~ -~
4
3
5 -6
4 -9
2
1
l Capítulo
Resolver los sistemas de ecuaciones de los ejercicios de la sección 3 del capítulo 3, por el
método de la matriz inversa.
Definición 1
LOS elementos de 2
Ejemplos:
Definición 2 Sem1 ~ •
~e
Ejemplo: Si (3 - x 1• ~
Je la igualdad entre '
- Inversa de una matriz
Capítulo 5
Vectores en JRn
(2,3,4) E JR3
(-3,2,1,5) E JR4
(-2, i, 4) ~ JR3
X = Y sí, X¡ =y¡, i = 1, 2, · · · n
3 -x¡= - 3::::>x¡ 6
2+ X2 = 4 => X2 2
5- X3 = 8 => X3 = - 3
76 Capítulo 5 Vectores en IR" Álgebra de vectores
El vector de lR" que tiene todas sus componentes iguales a cero, se denota por O,
O= (0, O, · · · 0), y se denomina el vector cero (o cero vector).
Definición 5 U1:
Definición 4 Si X, Y E lR"
Si V= (A, B) es un·
respectivamente del ·
-X ( - 1)X dice que está localiz.!.
X-Y X+( -1) Y Denotaremos V = (-
Portanto,si X= (x¡,X2,··· ,xn), Y=(y¡,y2,···,yn)
S l. (X + Y) + Z = X + (Y + Z) Definición 6 Sea.
B-A=D - C
S2. X+Y=Y+X
áJ-~ X+O = X
Demostración:
A manera de ilustración, probaremos la propiedad MI, las demás quedan como ejercicio.
-X - Yn )
A
'Squier e y d escalares
A = (l, 1) B = (3 , 3)
e= (3 , 1) D = (5, 3)
Si consideramos .·e-_
basta conocer las
Entonces U y V son paralelos y con el mismo sentido pues las coordenadas de:
vector X= (1 3
' '
B- A= 1(D- C)
Definición 8 Sea _
ud de X, denotada
Además son equivalentes.
Ejemplos:
a) Si X =(1,
A e b) Si X =(2, 3. _
·amos a analizar
~.::calar por un
vector
sualizar para el cas~
Es claro que si dos vectores son equivalentes, ellos son paralelos y con el mismo sentido.
Más adelante, podemos apreciar que ellos tienen la misma longitud. - anX =(x 1,x2), Y= .
Capítulo 5 Vectores en IR" .i.!gebra de vectores y producto interno 79
sentido.
'Puesto.
Ejemplos:
~ norma de un vector ;~
to final X.
1
1
1
1
1
1
1
1 Y=(x21 + Y¡)
1 1
1 1
1 1
1 1
1
Por tanto, la manera como hemos definido la adición de dos vectores coincide con le. - análisis geométrico de 12. -
conocida ley del paralelogramo.
La multiplicación de un escalar e por un vector X consiste en amplificar el vector X, le
·1
veces. Si e> O, eX tiene el mismo sentido que X, y si e< O, eX tiene sentido opuesto a X
y
y
+
: cX=(cx 1 , cy 1 )
X=(xl , Y¡)
--~-------------------+x
XI CX1
X
c>O
~ X= (x 1, .x¡2) un vector de~-
5 Vectores en IR" -\lgebra de vectores y producto interno 81
~-- X, --~
= ·ectores coincide con la El análisis geométrico de la diferencia de dos vectores X y Y nos conduce a
y
+'_¡_. +'_¡_.
X=(x 1 , y 1 )
c<O
-ea X= (x 1, .x¡2) un vector de IIR 2 y a el ángulo que forma con el eje X.
82 Capítulo 5 Vectores en lR"
Definición 9 Sean _- =
Sean ahora X = (x 1, x 2), Y= (y 1, y 2) dos vectores de Sea e el ángulo entre los dos
lR2. dtferente de cero y e
vectores. Vamos a hallar una fórmula que nos permita conseguir el valor de cose. Definimos
co
Definición 1O Sean X =
Jefine su producto inte
Capítulo 5 Vectores en IR" Álgebra de vectores y producto interno 83
8==a-~
cos e = cos( o_ - ~)
==
Definición 9 Sean X = (x 1, x 2, ... , xn), Y = (y 1, Yl• ... , Yn) dos vectores de JRn y
diferente de cero y e el ángulo entre los dos vectores.
1::: - ~ - :_-ea e el ángulo entre los dos
r- - :::eguir el valor de cos e. Definimos
Probaremos un poco más adelante que este coseno está bien definido en el sentido en
que debemos garantizar que
X ·Y 2 2
x 1 + x 2 + ···-
cos e = o' luego IIXIIIIYII = o' ypor tanto X . y = o
.:=:scribiremos a veces _
Ejemplo: Si X= (-2, 1, 3, 4) y Y = (1 , 2, -4, 3), entonces X · Y = O, luego X es
perpendicular a Y.
Demostración:
üi) Sean X = (x 1, x 2 , ··· , xn), Y = (y 1, Y2 ' ··· , Yn) ...:aciendo X2 =A, 2(X
(eX)· Y= (cx 1, cx 2, ···, cxn) · (y 1, y 2 , ··· ,yn) =
oducto escalar. iv) Si X= (x 1, x2, ··· , xn) :t:. Oentonces algún X; :t:. O y, por tanto xi >O
2 2 2 ?
luego X· X = x 1 + x 2 +·· · +X; + · · · + x~ >O
Si X= (0, O, . · · · O) entonces X · X= O+ O + · · · +O = O
¡¡x¡¡ = Jx.x o
__ =o X es perpendicular
iXii2 = X·X
Escribiremos a veces X2 en lugar de X · X y, por tanto,
_· · Y = O, luego X es
Demostración:
c(X + Y) · e(X + Y) ~ O
e(X) · e(X) + c(X) · Y + Y · (eX) + Y · Y
e 2X 2 + 2e(X · Y) + Y2 ~ O
Ac2 +Be+ e ~ O
= X·Y)
- CX_Y2 + · · · + CXJln = o que nos indica que el polinomio de segundo grado Ae2 +Be + no tiene raíces reales e
. si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
84 Capítulo 5 Vectores en R•
X· Y
cos 8 = O , luego IIXIIIIYII = O , y por tanto X · Y = O
. n
Es claro que Sl X . y= oentonces cos e= oy, por tanto, 8 = - luego X es perpendicular
aY 2
=: -cribiremos a veces x= ,. . .
Ejemplo: Si X= (-2, 1, 3, 4) y Y = (1, 2, -4, 3), entonces X · Y = O, luego X es
perpendicular a Y.
Demostración:
ucto escalar. iv) Si X = (x 1, x 2 , ··· , xn) -:F O entonces algún X¡ -:F O y, por tanto xl >O
luego X · X = x 1 + x 22 +··· + X¡2
2
+ · · · + xn > o
2
Si X= (0, O, . · · · O) entonces X · X = O + O+ · · · + O= O /
JJxJJ= Jx.x o
~=G X es perpendicular 2
JJXJJ = X·X
Jx . YJ ~ JJxJJIJYJJ
Demostración:
c(X + Y) · c(X + Y) ~ O
c(X) · c(X) + c(X) · Y + Y · (eX) + Y · Y
c2X2 + 2c(X · Y) + Y 2 ~ O
Ac2 +Be+ e~ O
= c(X·Y)
_o que nos indica que el polinomio de segundo grado Ac2 +Be + e no tiene raíces reales
. si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
86 Capítulo 5 Vectores en IR"
IX. Yl S IIXIIIIYII
enemos, por tanto,
Corolario
Teorema 5 Si e es ,
Demostración:
Por la desigualdad de Cauchy se concluye que Demostración:
Teorema 4 (Desigualdad del triángulo). Si X= (x p Xz, ... , xn) y y = (y,, Yz, ... , Yn
son vectores de ~", entonces Demostración:
5 Vectores en JRII .S.tgebra de vectores y producto interno 87
Demostración:
(X+ Y) ·(X+ Y) =
X·X+X·Y+Y·X+Y·Y
X2 +2(X ·Y)+Y 2
~
1
IIXII 2 +2IIXIIIIYII +IIYII 2 =( ¡¡x¡¡ +IIYII ) 2
enemos, por tanto,
Demostración:
11- xll=llxll
emostración:
IIUII =1
Si X es un vector arbitrario diferente de cero, el vector
es unitario pues
Esta definición no
1 1 1
IUX = ~X = IXII IIXII=IIXIIIIXII =1
11
1
Vll =o(n,c)=IID-c o::
Definición 1 Sean _
u¡¡ =o(B,A)=IIB-AII
v¡¡ =o(n, e)= liD- e¡¡= IIB - All =o(B, A)= IIDII
por ser B - A = D - e
Definición 1 Sean X1, X2, ··· , Xm vectores de lR", una expresión de la forma
donde los a; son escalares, se denomina una combinación lineal de los vectores X 1,
X2,··· ,Xm
Notación: Definición 2
Jientes si existen ese
En lR 2 los vectores (1, 0), y (0, 1) son denotados por i y ] , respectivamente.
En JR 3 los vectores (1, O, 0), (0, 1, 0), y (0, O, 1) son denotados por i,], k respectiva-
mente.
- i la ecuación anterior::
~ son linealmente ·
y z
(1 ,O) = i - (O,O,l)=k
,o~ O) = i
Análogamente todo vector en JR3 puede escribirse como una combinación lineaJ de T,
] , k pues - ,(1, 2, 3, 4) + ~(-4.- -_
X= (x 1, x 2, x 3) = x 1(1, O, O)+ xi1, O, O)+ x3(0 , 1, O)= x1i + x2 ] + x3k
- -
X= - 3i+4j+2k
- :::sto da origen al siguie -,.
- -~ :::.. 'o 5 Vectores en ~" Bases y dimensiones en ~~~ 91
-i .1 ,k respectiva-
a 1X 1 + cx.zX2 + ··· + a,X,. = O(O vector)
i la ecuación anterior sólo se cumple cuando todos los <X¡ son cero, se dice que X 1, X 2, · · · ,
X,. son linealmente independientes.
- -
a 1i + a 2 j + a 3 k
-=O
binación lineal de i ,
(1, 2, 3, 4) + <Xz(-4~ -7, 6, 8) + a.3 (-1, - 3, -5, 6) = (0, O, O, O)=>
a¡ 4a 2 a3 o
2a 1 7a 2 3a 3 o
3a 1 + 6a 2 5a 3 = o
4a 1 + 8a 2 + 6a 3 = o
Resolvemos nuevam
que resolveremos por el método de Gauss
1 2 4
1 - 4 - 1
,., 4 1
2 -7 -.)
[
3 6 -5 8 - 5 - 31
4 8 6
-4 - 1 1 -4 - 1 1 - 4 -1
2 - 7 - 3 o 1 1 o 1 -1
3 6 -5 o 18 - 2 o 9 -1
4 8 6 o 24 10 o 12 5
Ejemplo: Determinar
X = (1 , 4, 8), Y = (2, 1, -5), Z = (4, -5, - 31)
X = ( 1, 4, -2, 1 ), Y = :
mente dependientes o i _
= a 1 + 2a 2 = o
4a ¡ + a2 o
= 8a 1 5a 2 = o
Resolvemos nuevamente por el método de Gauss
1 21 - 45 ] : : : [1
4 o - 72 - 21 4!
[8 -5 - 31 o - 21 -63
- 4 -1
(a arbitrario)
-1
::::::
9 -1
L 5
Luego el sistema tiene soluciones diferentes a la solución trivial. Por ejemplo, haciendo
o o a= 1 tenemos a 1 = - 2, ~ = 3, a 3 = -1 y por tanto los vectores son linealmente indepen-
dientes.
::::
o
Obsérvese que no es necesario hallar la solución general del sistema; basta solamente
1
conocer el rango fila, pues si el rango fila es menor que el número de incógnitas el sistema
o o tiene infinitas soluciones, esto es, soluciones diferentes de la solución triviál y por consi-
guiente los vectores son linealmente dependientes; pero si el rango fila es igual al número
e nos permite concluir que de incógnitas, el sistema tiene solución única, que es la trivial y, por tanto, los vectores
serían linealmente independientes. Esto se sigue del teorema 1 de la página 43.
on respecto a los vectores Como se puede observar, en los dos ejemplos anteriores es innecesario plantear el siste-
ma de ecuaciones para hallar la matriz de los coeficientes; ésta se puede conseguir
colocando los vectores dados en forma transpuesta, es decir, en forma de columna.
linealmente dependientes o
O. O, O)=>
94 Capítulo 5 Vectores en lR" .:.ases dimension es er -
2 -1 ".) 1 2 -1 3
4 9 -3 11
~
o -1
-2 -.) " 4 - 4 o 2 2 jemplo: G = {( ..
1 4 2 4 o 2 3 3
:_ ,(x 1, x 2 , x 3) = X¡ l.
1 o -3 5 1 o o 14 Ejemplo: ¿G = {(l.
~
o 1 1 -1
~
o 1 o - 4
o o 1 3 o o 1 ".) =~ genera a JR 2 se de -
o o 1 3 o o o o
Como tiene rango tres, el sistema tiene solución diferente de la trivial; luego los vectores
son linealmente dependientes.
Demostración:
Ejemplo: G = {(l. .:
~.y, z) E JR 3 se teruh
Siguiendo la idea del ejemplo anterior tenemos:
a¡¡ a 12
az¡ a22 azm
, que es una matriz de tamaño n x m, y por tanto su rango fila r es
menor o igual a n y como n < m, entonces r < m; es decir su rango fila es menor que el
número de incógnitas, y por tanto tiene soluciones fuera de la trivial, lo que permite esolviendo este siste
concluir que los vectores X 1, X 2, ... , Xn, son linealmente dependientes.
Ejemplo: G = {(1 , O, 0), (0, 1, 0), (0, O, 1)} genera a lffi.3,pues dado (x 1, x 2 , x 3 ) E
E3 , (x 1, x 2, x 3) = x 1(l, O, O)+ x 2(0, 1, O)+ x 3(0 , O, 1)
U¡ + Uz X
- ial: luego los vectores y
x+y x-y
U¡= - - ' Uz = - -
2 2
Ej emplo: G = {(1, 2, 1), (1, 1, 1)} no genera a JR3, pues si lo hiciera, dado
x, y, z) E JR 3 se tendría
2u 1 + u2 y
U¡ + u2 Z
,..,~go fila es menor que el
::riYial, lo que permite esolviendo este sistema por el método de Gauss se tiene
Que tiene solución solamente si z = x, pero entonces G no genera a todo JR3 sino al 2. B = {(1 , 0), (0, 1
subconjunto
S= {(X , y , x) 1 X E JR, y E JR }
3. B = {(1 , 1), (1,-
independiente.
Teorema 2 Si B = {X 1, X 2 , ... , X J es un conjunto linealmente independiente
de vectores de lR", entonces B genera a lR". 4. B = {(1, O, 0), (0, :_
era a todo R3 sino al 2. B = {(1, 0), (0, 1)} es una base de JR2.
3. B = {(1, 1), (1, -1)} es una base de R. 2 , pues se puede probar que es linealmente
independiente.
_ nJente independiente
4. B = {(1, O, 0), (0, 1, 0), (0, O, 1)} es una base de R. 3 .
5. B = {(1, 2, 1), (1, 1, 1)} no es una base de R. 3 pues como se vio anteriormente este
conjunto no genera a JR3.
6. B = {(1, 2, 1), (1, 1, 1), (2, 3, 2)} no es una base de R. 3 pues este conjunto es
linealmente dependiente.
B = {(1, O, O, · · · , 0), (0, 1, O,··· , 0), · · ·, (0, O, O, · · ·, 1)} es una base de J!Rn, llamada
base canónica.
- rrnado por los vectores
~ ~rradice el supuesto de
- ;::¡
r tanto se concluye que Teorema 3 Dos bases cualquiera de J!Rn tienen el mismo número de vectores.
Demostración:
e aplazará para el capítulo siguiente.
dim R. 2 = 2
4. Hallar el coseno del ángulo formado por los vectores U y V de los ejercicios 1 y 2.
donde e es el án,:,
Indicar si los sigu:~
5. Hallar el coseno de los ángulos interiores del triángulo cuyos vértices son:
pendientes.
a) A = (1, 3, 4), B = (3, 1, -4), e= (-2, 3, 4)
b) A= (-3, 5, 1), B = (2, -5, 1), e = (-1, 2, 3)
14. X = (1, 2, 3), Y= - -
8. Probar que
17. X=(-1,2,1,3),Y=
a) 8(X, Y)= 8(Y, X)
b) 8(X, Y) ::::; 8(X, Z) + 8(Z, Y)
18. Si X 1, X 2, ••• , • .::.
probar que ellos sor
9. Demostrar que los vectores T,], k de JR 3 son unitarios y mutuamente perpendicu-
lares.
19. Demostrar que todc ~
y por tanto es base ~~ -
Capítulo 5 Vectores en JRn Bases y dimensiones en JRn 99
1O. Sea X un vector de ~ 3 , denotemos por a, ~'y los ángulos que forma el vector X con
la dirección positiva de los ejes coordenadas, probar que
entes cos 2 a + cos 2 ~ + cos 2y = 1
_ Y de los ejercicios 1 y 2.
donde 8 es el ángulo formado por X y Y.
Indicar si los siguientes conjuntos de vectores son linealmente dependientes o inde-
___ ·os vértices son:
pendientes.
==r::i io l. 15. X=(3, 1,2,5), Y = (-1,4, 1,'3),Z = (2, 1,-4,3),W = (-3, 1,2,4)
9. Demostrar que todo conjunto den vectores linealmente independientes genera a JE.n
y por tanto es base de ~n.
100 Capítulo 5 Vectores en JRn :1royecciones y producto E-
20. Para cada uno de los ejercicios 14 a 17 determinar si generan o no al respectivo JRn.
21. Para cada uno de los ejercicios 14 a 17 determinar si forman o no base del respec-
tivo JRn.
22. Probar que si X y Y son vectores de JR3 y e es el ángulo entre los dos, entonces
?ara la situación b) tene-
X ·Y
cose = IIXII IYII
X· Y
~ose= -cosa= -;:------,~-
Ayuda: Aplicar el teorema del coseno. I XIIIIY
X·Y l cYI
- I XIIIIYI = M~ -
PROYECCIONES Y PRODUCTO VECTORIAL
X
1 ~ uego, tanto para la situa;::
1
1
1 /
1
1
1
1
1
y 1
y
-<11(--- amado el coeficiente de -:: -
cY
a) b) enotado por PXN es
X· Y eiiYII
cose = -cosa = IIXII IIYII , pero cosa = ¡¡x¡¡ , luego
X· Y iieYil X· Y - eiiYII
- IIXIIIIYII = ¡¡x¡¡ ~ - IIXIIIIYII = lXf Y despejando a e tenemos
X·Y
e =--
IIYII2
X·Y
e =--
IIYII2
y
amado el coeficiente de Fourier de X respecto a Y. El vector proyección de X sobre Y
b enotado por P XJY es
X ·Y
Px¡y = eY = - -2 Y
~acto la proyección del II Y II
...............-'""'"·LUa l a componente de X
-:.~e nos permitan encontrar
_ la componente de X a lo largo de Y , denotado por C x¡y es
IX·YI IX·YI
e =IIP ll= iieYii= eiiYII = - I2IYI I = -
r tanto XJY X/Y I YII IIYII
102 Capítulo 5 Vectores en JRn Proyecciones y
Demostración:
X . (X X Y) = X¡X¿)13-
.-\nálogamente Y · (X
dos vectores de JR 3 , el producto vectorial de X por Y es el vector denotado por
X x Y y se define como a parte e) del teorema -
Y.
-
i j k
XxY = x1 x2 x3
Y1 Y2 Y3
-= . - .O) a) XxY = -Y x X
b) X x X = O
-~
- -- .--.0
) e) X· (X· Y)= Oy Y· (X x Y)= O
d) X X (Y + Z) = X X y +X X z
e) (eX) x Y = c(X x Y) y X x (eY) = c(X x Y)
Demostración:
Las partes a), b), d), e) se tienen por las propiedades de determinantes.
e) Por la fórmula ( *) se tiene:
Análogamente Y · (X x Y) = O
XxY
"""~ego
YxX
i
-j k
XxY = 1 2 3 =i-14]+9k=(1,- 14,9)
-4 1 2
y X · (X x Y) = Ocomo también Y · (X x Y) = O
h
-en 8 = I YI/ => h =IIYII se- -
Demostración:
(Ejercicio) A = I XIIh = IIXIIIIYI!sen =
Demostración: 2 2 2
IIXxYII2 = IIXII IIYII - (X· Y)
2 2 2
IIXxYII2 = IIXII 11Yf - IIXII IIYII cos 28
Demostración:
IIXxYf IIXfii YII2 ( 1- cosz 8)
2 YxZ=
IIXxYII2 = IIXfiiYII sen 28 =>
1~
Vamos ahora a calcular el área A de un paralelogramo formado por los vectores X X·(Yx Z)=_ -
y Y.
:=:.:: illlo 5 Vectores en lR" Proyecciones y producto vectorial 105
s de R3 , entonces X
h
sen8=M=> h =1
YIsen8 =>
x1 x2 x3
X . (Y X z)= YJ Y2 Y3
Demostración:
j
YxZ= y 1 Y2
ego
- - do por los vectores X
X , Y y Z
·amos a explicar cór::.
Y x Z trabase B 1 = {Y 1. Y.::
. ndiculares ), es d
Analicemos el caso ~ -
Y-. == -
V == IIIX IIIIY x z¡¡cose¡
v == ¡x. (Y x z) 1
omprobemos que Y 2 _
Vamos a explicar cómo a partir de una base B = {X 1, X 2, · · ·, X11 } de JRn podemos obtener
otra base B 1 = {Y 1, Y 2, · · ·, Y 11 } de JRn tal que los Y¡ sean mutuamente ortogonales (per-
z pendiculares), es decir, si i -:t j entonces Y¡ · Y1 =O. Esta base se llama base ortogonal.
z Analicemos el caso de JR 2 . Sea B = {X 1, X 2 } una base de IR2 y hallemos B 1 = {Y 1, Y2 }.
Xt (=Y d
- _=-- n es
omo se aprecia en el dibujo anterior, sea
- =X¡
mprobemos que Y 2 .l Y 1
X-
X-
Teorema 1 Si B =
B 1 = {Y 1, Y2, .. . , y n" -=
5 Vectores en R \1étodo de Cram·Schmidt 109
- =Y:_ Y 1
= Y 1, Y 2 } es linealmente
. Y :J genera a R2 . Luego
(- 1, 1, 1) - -'--
(- _ _
Y~ =
0
or tanto la base B-
Ejemplo: Dada la base B = {1 , 1, 1), (-1, 1, 1), (2, 1, 3)} de ~ 3 obtener una base
ortogonal y una ortonormal.
_ por consiguiente B. =
- -Y- =
(2, 1, 3) - (2 , 1' 3} (1, 1~ 1)(1, 1, 1)- (2 , 1' 3} i(- 2 ' ;, 1)i(- 2, 1, 1)= (o, -1 , 1)
111
11( , ' ) 11 l i (- 2, 1, 1)11 ---
=
or tanto la base B 1 { (1, 1, 1) , i(- 2, 1, 1) (o, -1, 1)} es una base ortogonal de R 3
es Y 1 = X 1 = (1, 1, 1)
EJERCICIOS RECTAS yp
3. X= (- 3, 1, 2) Y= (-5, - 3, 6)
Esta defmición se
RECTAS Y PLANOS
L ={X 1 X= P + tD, t E lR }
_- - P = tD o sea
_- = P + tD
y
ora vamos a obtener la ecuación paramétrica de una recta que pasa por un punto P
= (x 0,y 0 , z 0) en la dirección de un vector D = (a, b, e). Sea X = (x, y, z) un punto
lquiera de la línea, entonces
x - xo = Y -Yo = z - zo M = {X 1 (X - P) · _- =
a b · e
X= 2 - 2t
y= 3 + 4t \
z = -4 + 5t
y la ecuación cartesiana es
x-2 y- 3 z+4
- - = -- = - -
-2 4 5
No olvidar que estas últimas igualdades son equivalentes a t, por tanto si t = 1, tenemos
y-3
- - = l=>y=7 X - P) · N = O, se co
4
z+4
- - = l =>z =l
5
Luego un punto adicional de la recta es (0, 7, 1) que se habría podido también obtener d~
las ecuaciones paramétricas, haciendo t = l. Ejemplo: La ecuació
wrmal a (4, 5, 6) es,
Definición 2 Un plano M que pasa por un punto P y tiene a N como vecto
normal (perpendicular) se define como:
Capítulo 5 Vectores en - as y planos 115
= {X 1 (X - P) · N = O}
r tanto si t = 1, tenemili"
Conseguiremos ahora la ecuación cartesiana del plano que pasa por el punto P = (x 0 , y 0 ,
= y tiene a N = (A, B, C) como vector normal.
Ejemplo: Calcular la ecuación del plano que pasa por los puntos
Aquí conocemos tres puntos, pero no sabemos el vector normal, que podemos conseguir
.
Luego y= y 0 para cua.
haciendo el producto vectorial entre los vectores lano que pasa por y =
EJERCICIOS
\
Hallar la ecuació~ ,
adicional de la r
a) P 1 = ( -1 , 2, 3
b) P 1 =(-3,-4.2
x-l y-3
--=--=
2 3 .!
Hallar la ecuación ~~
perpendicular a la
x-1 y-3 _ :
- - = -- =
2 3
Luego la ecuación del plano es:
-. Hallar la ecuación ~~
a) ( 1 -1 1) (2 -~ -
-{x- 2) + 2(y- 3)- (z- 4) = O ' ' ' ' -
b) (2, O, 3), (0, 3.
-x + 2y -z =O
Hallar la ecuación ~
Para terminar, veamos qué indica la ecuación de una recta donde en el vector dirección
D =(a, b, e) tiene una o dos componentes iguales al cero. x-3 y-6
--=--=
2 3
x = x 0 + at
Y= Yo+ Ot = Yo
z = z 0 + ct
LJego y = y 0 para cualquier valor de t lo que representa una línea que se encuentra en el
plano que pasa por y = y 0 y paralelo al plano XZ.
EJERCICIOS
'\
l. Hallar la ecuación de la recta que pasa por los puntos P 1 y P 2 . Encontrar un punto
adicional de la recta.
a) P 1 = (-1 , 2, 3) P 2 = (4, 5, 7)
b) P 1 =(- 3, --4, 2) P 2 = (5, - 3,4)
- - = - 1. ?-, -1) -'· Hallar la ecuación de la línea que pasa por el punto (-1, 2, 4 ), la cual interseca y es
perpendicular a la línea
x- 1 y-3 z-5
--=--= - -
2 3 4
Hallar la ecuación dei plano que pasa por los siguientes puntos.
a) (1,-1, 1),(2, - 3,4),(-3, 1, 4)
b) (2, O, 3), (0, 3, 1), (8, 1, O)
Ayuda:
Averiguar un punto T del plano y calcular la componente del vector PT -a-lo largo de_
vector normal.
Definición 1 Sea \ -
En V se definen dos :
a)
'~ Multiplicación de
de V.
-l. (u+ v) + w = u-
2. u+v=v+u
- .)-. .
Existe un único y
S4. Para cada v e V. e_
que v + (-v) = O
_f l. a (u+ v) = au-
- 12. (a + f3)v = av + fJl
- B. ( af3)v = a (f3v)
- 14. lv = v
CB.pítulo 5 Vectores en lR"
Espacios
p~-::te del vector PT a lo largo del
vectoriales
l. (u + v) + w = u + (v + w)
2. U+ V = V + U
3. Existe un único vector denotado por O, llamado cero vector, tal que v +O= v
S4. Para cada v e V, existe un único vector -v llamado el opuesto o negativo de v, tal
que v + (-v) = O
_11. a (u + v) = au + av
_12. (a+ {J)v = av + f3v
_B. (a{J)v = a (f3v)
_f4. 1V = V
120 Capítulo 6 Espacios vectoriales 'loción de espacio vec¡ -
Dependiendo si los escalares son los números reales o los números complejos, diremos f)
que V es un espacio vectorial real o un espacio vectorial complejo.
un real x co
Ejemplos: es un espaci
a) V = JE.n con la suma y producto por escalar, definidos de la manera usual, es un
espacio vectorial real. Teorema 1 Sea Y
es único, por -
d) Sea V= {f: lE. --¿ lE.}. Definirnos la suma, y el producto de un escalar (real) por
un elemento de V de la manera natural; si f y g E V y a E R
;:ros complejos, diremos f) Si V= lR y definimos la suma de dos reales por medio de x EB y = mín(x, y) donde
mín(x, y) denota el mínimo entre x y y, y el producto de un escalar (real) a por
un real x como la multiplicación natural entre números reales, ax = a . x; V no
es un espacio vectorial real. ¿Cuál sería el vector O?
Demostración:
- --· - b1x + b0 ) =
- bo)
i) Aplicando los axiomas M4, M2 tenemos, v = lv = (1 +O )v = 1v + Ov = v + Ov ::::::> v =
v + Ov ; luego Ov está haciendo el papel dé O, y por el axioma S3 sabemos que el
O es único, luego Ov = O
ü) Es similar a la anterior y por tanto se deja como ejercicio.
üi) Por el axioma M2 y por la parte i) de este teorema, tenemos, av + (-a )v =
[a+ (-a )]v = Ov =O~ av +(-a) v = O; luego (-a) v está haciendo el papel de
espacio vectorial real. negativo de av, es decir, de -(av) y por el axioma S4, sabemos que el negativo
es único, por tanto (- a )v = - (av).
- ~to de un escalar (real) por
-,_.a E R Por el axioma M2 y por la parte ii) de este teorema, tenemos, av+a(-v)=
a[v+(-v)]=aO=O~av+a(- v)=O; luego a(- v) está haciendo el papel de
negativo de av y por el axioma S4, sabemos que el negativo es único, por tanto
(--a) v = -(av).
De esta manera queda probado que ( - a) v =a (- v) = -( av).
~:orial real.
iv) La demostración se sigue de iii) haciendo a = l.
uas de valor real definidas
- - i!~ roducto de un escalar por 1 1
v) Si a v = O, y a -::F O, entonces - ( av) = - O, entonces por el axioma M3 y por la
. a a
:ial real teniendo en cuentE
_ .,- el producto de un escala: parte ii) tenemos: ( ~ a) v = O~ 1v = O=> v = O.
122 Capítulo 6 Espacios vectoriales
Si av = O, y v ::F O, entonces a= O, pues si a ::F O, tendríamos __!_ ( av) = __!_ O, lo i) Sean A.-
a a (A+B · es
i) \fu, v E S, u + v E S.
Demostración:
ii) \fv E S y Va escalar, av E S.
ean u, w E G(S), <::J..uu....L.~
Se dice entonces que S es un subespacio vectorial de V. . ego, u + w = (a 1 - ~
-i 8 es un escalar y :
- u =ó(a 1v1 +a v -
Ejemplos: Sea V = IR3 2 2
= . ·endríamos _!_ (av) = _!_ O, le i) Sean A, y B E S=> A' = A, y, B' = B =>(A+ B)' =A'+ B' =A+ B, luego
a a (A+ B) es simétrica y por tanto (A+ B) E S.
=o (a¡V¡ +a2v2 + ... +a nvn ) = (oa¡) V¡+ (oa2) v2 + ... + (oa /1) vn E G(S).
ego el conjunto G(S) formado por todas las combinaciones lineales de S es un subespacio
ectorial.
- = x. -x2 ,y1 + y 2 ,0)E S
-~ E S
finición 3 Se dice que un conjunto de vectores v 1, v 2 , · · · , v 11 , de un espacio
ctorial V, genera a V, si todo elemento de V se puede escribir como una combina-
a. de V, pues si ·ón lineal de V¡, V2, ·· · , V 17 •
S es un subespacio vectorial
mplo: Las matrices [ H
~ ~ ~ ~).[~ ~).[~ ~) genera al espacio vecto-
1 de las matrices de tamaño 2 x 2, pues dada una matriz [: ~Jse puede escribir
X -X 2) E S m0 [ a
cd
bl = a [ 00
1 O] + b[ O 1] + e [O O] + d [ O O]
00 10 01
ues X·B =0, ya que X E S)
EJERCICIOS 11.
l. Determinar cuáles de los siguientes subconjuntos de ~ son subespacios vectoriales
3
de ~ 3 .
a) { (xpx 2 ,x 3 ) 1 x 1 =O}
12.
b) { (xpx 2 ,x3 ) 1 x 1 = 3}
e) { (xl'x 2 ,x3 ) x 2 = 2x 1}
1
13. Si S 1 y S2 son
d) { (xl'x 2 ,x3 ) 1 x1 +x 2 +x 3 = O} de V?
e) { (xl'x 2 ,x3 ) 1 x 1 + x 2 + x 3 = 3}
f) { (xpx 2 ,x3 ) 1 x 1 = x 2 = x 3 }
6. Considere V = ~3 . Determinar si {( 3, 1, 1) ,(2, O, 1), ( -1, -1, O), (- 4,- 2,- 1 Es obvio que si "todos·
genera a V. Pero puede suceder • ""
a¡ = O, en este caso s=- ~
7. Sea V= { f: ~ ~ ~} y S el conjunto de todas las funciones pares ( f (- x) = f (x)
Demostrar que S es un subespacio vectorial de V. Si la única forma po I- ='
dice entonces que { r: . _
8. Sea V= { f : ~ ~ ~} y S el conjunto de todas las funciones impares (/ (- x) =
- f(x)). Demostrar que S es un subespacio vectorial de V.
• 1 -1, -1, O), (- 4,- 2, - 1 Es obvio que si "todos" los a¡ son cero, entonces, a 1v1 +a v2 + · · · +anvn =O (cero vector) .
Pero puede suceder que a 1v1 +a v 2 + · · · +anvn =O, sin ser necesariamente "todos" los
a;= O, en este caso se dice que el conjunto, {vi' v2 , .. . , vn} es linealmente dependiente .
.:iones pares ( f (- x) = f (x
Si la única forma posible para que a 1v1 +a v 2 + .. · +a nvn =O, es que todos los a;= O, se
dice entonces que {vi' v2 , ... , vn} es linealment~ independiente.
- :irnciones impares (f (- x) =
e Y.
Ejemplos:
(a 1 + 2a 2 , 2a 1 + 4a 2) =(0, O)=>
a 1 +2a 2 =O entonces e=
a 1 =-1
2a 1 +4a 2 =O
G!I~H~ ~~~)=>
Definición 3 Sean -
-1 veces en el ínter:
(:~)=(~) +~ (-~)
Por ende hay soluciones fuera de la trivial, por ejemplo, haciendo~= 1, tenemo_ Jr =
a 1= 2
;luego { v 1' v2 } es linealmente dependiente.
{ a = -1
2
donde los ex no son todos iguales a cero. Supongamos que a 1 7:- O; de no ser así
reordenemos los vectores para que esto suceda:'entonces,
=
=
y esto demuestra que por lo menos v 1 es combinación lineal de los otros vectores
de C.
v 1' v 2} es linealmente
b) Si al menos un vector de e es combinación lineal de los otros, podemos suponer
que es v 1, de no serlo los reordenamos para que esto suceda, por tanto
entonces e = {V¡ , v2 , ··· Vr}es linealmente dependiente pues <X¡ 7:- 0 ya que
<X¡ = - 1
mostración:
omemos una combinación lineal de f 1(x),J2 (x) , · · ·,Jn(x) igualada a cero
128 Capítulo 6 Espacios vectoriale;.
W(x ) =
el cual por hipótesis es diferente de cero. Eso conlleva a que el sistema tiene solamen ~
la solución trivial a 1 = a 2 = ' · · = an =O por tanto el conjunto { .[¡(x),f2 (x),- · ·, f,,(x)} e5 3.
linealmente independiente.
Nota: Téngase en cuenta que en ningún momento el teorema dice que si el Wronskianc Sea U = { v1, v~ .
es cero el conjunto de funciones es linealmente dependiente. Considere por ejemplo las V. Determinar :::
funciones
a) Ul=
Osi -1.::;x.::;O b) U2=
.[¡(x)= { X Sl·O< <1
_ X_ e) U3=
d) U 4 == { 2 -
~ ~
Demostrar que las
1 1 = Osi - 1 .: :; x .:::;; O [0, 1].
W(x)=
es decir el Wronskiano es igual a cero, pero estas funciones son linealmente independien- Demostrar que las .::
tes pues ninguna de ellas se puede escribir como múltiplo de la otra. en el intervalo (- x:.
vectori pendencia e independencia lineal 129
"-
jemplo: Las funciones J;(x) = 1, j 2(x) = x, j 3(x) = x 2, f 4 (x) = x 3 son linealmente
dependientes pues
1 X x2 x3
o 1 2x 3x 2 = 12 , que es diferente de cero.
W(x)=
o o 2 6x
o o o 6
EJERCICIOS
'l(x)
r'(x
li
) l. Demostrar que si un subconjunto de vectores contiene al vector cero, entonces el
conjunto es linealmente dependiente.
_ = ;crna dice que si el Wronskiano 4. Sea U = {vi' v2, v3} un subconjunto linealmente independiente de un espacio vectorial
,..,c'·-a..~~.~L-- . Considere por ejemplo las V. Determinar si los siguientes conjuntos son linealmente independientes o no
a) U1 = {v 1 +v 2,v1 +v 3,v 2 +v 3 }
X 1 -1:s:; x:s:;O b) U 2 = {v1 - v2, V¡ - v3,v 2 -v 3}
Osi O:s:;x:s:;1 e) u3 = {2v¡ + v2, 2v¡ + v3,2v2 +v3}
d) U 4 = {2v 1 - v2, 2v1 - v3,2v 2 - v3 }
1
5. Demostrar que las funciones ex, e2x son linealmente independientes en el intervalo
[0, 1].
-es -on linealmente independien- Demostrar que las funciones 1, x + 1, x 2 + 1, x 3 + 1 son linealmente independientes
e la otra. en el intervalo (- co, co ).
130 Capítulo 6 Espacios vectoriales Bases dimensión
Demostración:
Supongamos que v = a 1v1 +a 2v2 + · · · +anvn y v = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn entonces a 1v1+
a 2v2 + · · · +anvn = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn, lo que implica que (a 1- ~ 1) v1 + (a 2- ~ 2) v2 que es un sistema
+ · · · + (an- ~n)vn = O, y como {v 1, v 2, · · · ,vn} es linealmente independiente por ser base. fuera de la trivial
se sigue que a 1- ~ 1 =O, a 2- ~ 2 =O, ···, an- ~n =O y por consiguiente a 1= ~ 1 , a 2= por hipótesis m > 11.
~ 2, · · · , a n = ~ n , es decir v se puede escribir como combinación lineal de { v 1, v 2, · · · ,vn}. Recuérdese que (p =
de manera única.
Corolario.
conjunto de m vecr
Teorema 2 Sea B = {v 1, v 2, ··· ,vn} una base de V y U ={u 1, u 2, · · · , um} un
conjunto de m vectores de V. Si m > n, entonces, U es linealmente dependiente.
Teorema 3
vectorial V,
Demostración:
Como B = {v 1, v 2, · ·· ,vn} es base de V, entones todo elemento de V, se puede escribir Demostración:
como combinación lineal de {vp v 2, · · · ,vn} en particular los elementos de U, por tanto
Como {v 1 v2 . . . v
tenemos: ' ' ' n •
ma anterior que n ~
u1 =a 11v1+a 21v2 +· ··+an1vn Análogamente como
u2 = al2vl + a22v2 + ... +an2vn m ~n. (**)
De (*) y(**) se sigue ~
El teorema anterior no:
el mismo número de , ':
pero esto es una combinación lineal de {v 1, v2 , ... ,vn} igualada a cero y como
{v1, v2, .. • ,vJ es una base, y por tanto linealmente independiente, se concluye que
_ - •:ces todo elemento v E V.
clall +c2al2 + ... +cmu!m = 0
- ación lineal de los elemen-
cla21 + c2a22 + · · · + cmu2m = 0
Ejemplo: V= JR 2 tiene dimensión 2 pues una base de V es {(1, 0), (0, 1)} Repitiendo el argume:::: · -
tiene n elementos y
··· ,v17 } es base de Y.
Teorema 4 Si un espacio vectorial V tiene dimensión n, entonces !ualquier con-
junto de n vectores linealmente independiente es base de V .
Definición 3 Sea B =
entonces,
Demostración:
Sea un conjunto B = {v 1, v2, · · · ,v11 } linealmente independiente de V y probemos que
B = {v 1, v2, • · • ,v11 } si genera a V. Sea por tanto v un elemento cualquiera de V, entonces El vector (a i' a ')' · · · .
el conjunto { v 1, v2, • • · ,v11 , v }es linealmente dependiente por el teorema 2, ya que toda es llamado el vector
base de V consta de n vectores, luego respecto a la base B =
a 1v1 +a 2v2 + · · · +a 11 V 11 +av =O con a 7:- O, o algún a ; 7:- O.
Si a = O, se sigue que tiene que haber algún a; diferente de cero, pero esto indicaría Ejemplo: Sea B =
que a 1v1 +a 2v2 + ··· +a 11 v17 =0 con algún a; diferente de cero, lo que implica que como
{v 1, v2, ••• ,v11 } es linealmente dependiente, contradiciendo el hecho de que B=
{v 1, v2, • • • ,v11 } es linealmente independiente.
Por consiguiente a 7:- O y despejando v de a 1v1 +a 2v2 +· ··+a 11 v11 +av=O, tenemos
entonces (- 1, 2, 3) -
v = ( -: 1
) v1+ ( - : 2
) v2 + · · · + ( -:n) vn lo que demuestra que cualquier elemento B = {(l, 2, 1),(-1,
vE V es generado por {v1, v2, ••• ,v17 }; por consiguiente B = {v 1, v2, ••· ,v11 } es base de V.
EJERCICIOS
Ejemplo: B = { (1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} es una base de JR 3 pues B es li- En cada uno de lo: : _
nealmente independiente. es base de JR3. En ~
esa base.
a) B={(l,-1,!
Teorema 5 Sea V un espacio vectorial de dimensión n y B 0 = {v 1, v2, ··· ,v,.} un b) B = {(O,- 2, 1
conjunto de vectores linealmente independientes con r < n. Entonces se pueden
encontrar vectores vr+ 1, vr+2, • · • ,v11 tal que B = { v 1, v2, · · · ,v,., vr+ 1 , vr+2 , • • · ,v11 } sea e) B={(3,-4,1.-
base de V. d) B = {( 2, -1, l .
l. 0), (0, 1)} Repitiendo el argumento se llega el momento en que B={v 1, v2, ••• ,vr, vr+ 1 , vr+2, ··· ,vn}
·ene n elementos y por el teorema anterior se sigue que B= {v 1, v2, • • • , v r , v r+ 1 , v r+2 ,
·· · ,vn} es base de V. /
enances cualquier con-
.:e ~ero, pero esto indicaría Sea B = {(1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} una base de !R 3 y v = (-3, 7, 4),
.:e :ero . lo que implica que omo
::-~o el hecho de que B=
(-3, 7, 4) = (-1)(1, 2, 1)+2(- 1, 3, 4) +3(0, 1, - 1)
- -- an vn +av =O, tenemos entonces (-1, 2, 3) son las coordenadas de v = (-3 , 7, 4) respecto a la base
B= {(1, 2, 1) ,(-1, 3, 4),(0, 1, -1)}.
q e cualquier elemento
Cada uno de los siguientes conjuntos de vectores genera algún subespacio de Jll 3 .
Hallar una base para ese subespacio y calcular su dimensión.
t-''=~~.::os. Como B0 no es base, a) {( 1, 1, 1) ,(1, O, 1) ,(1, 2, 1)}
_ 3. Y, por tanto existe un
b) { ( -1, 2, 1) '(1, -1, 1) ,(2, 1, o)}
_ - . \ ·r • v r+ 1} es linealmente
_ conseguir un conjunto e) {(0, 2, 1) ,(3, 1, 2),(-4, 1, 3)}
d) { (2, 1,- 1), (1, O, 5) ,( 3, 1, 4)}
134 Capítulo 6 Espacios vectoriales
4. Demostrar que {1, x + 1, x 2 + 1, x 3 + 1} es una base para P 3 y hallar las coordena- Capítulo
das de p (x) = 2x 3 - 5x 2 + 4x - 2 respecto a esta base.
Nota: Obsérvese w _
Teorema 1
Demostración:
T(O)=T(O+O)=T(O-
único, se concluye que
Ejemplo: T: E .o
( x,y.:
a) T (u + v) = T( u)+ T(v)
b) T (au) = a T( u)
guiares superiores de tamat ara todo u, v E V y para todo escalar a.
Nota: Obsérvese que estas dos propiedades se pueden resumir en una sola,
T(au + v) = a T(u) + T(v)
Demostración:
T(O) = T(O +O)= T(O) + T(O), entonces T(O) hace el papel de O de W, y como el O es
único, se concluye que T(O) = O
Ejemplo: T:
(x,y,z) H (x,y)
a) T(X+Y) =Ií
( 1, 2, 3) · (x1 -
Ejemplo:
b) T(aX) = T
no es una transformación lineal, basta ver que si u = ( x , y) y a es un escalar, entonces
T( a u)* a T(u) ( 1, 2, 3) ·(a.
lal ~x 2 + / = laiT(u)
Ejemplo: T: y
es decir tenemos que T(au) = a IT(u) y no T(au) = a T(u) como se esperaría para que
1
r -
fuera transformación lineal. Esto se tendría si a ;: :- O, pero entonces no sería para todo a
como dice la definición.
es una transformació
mación nula.
Ejemplo: Sea V = {Matrices de tamaño 2 x 2}, W = lR y T dada por
T: V lR Ejemplo: Rotación
X ción de rotar un vec
~)
x+y
(: H x +y+z Analicemos primero e. =· _
x+y+z+w
T: JR 3 ~ lR
X H A·X
- - :) =
= Tu)
_ a es un escalar, entonces
Ejemplo: T: V --7 W
: mo se esperaría para que V H 0
es no sería para todo a
in ea l.
______________.___ ~~----------~x
x2 x1
138 Capítulo 7 Transformaciones lineales Definición
x 1 sen 8 + y 1 cos 8
Luego el efecto de rotar un vector X 1 = ( x1, y 1) es asignarle un nuevo vector dado por
X 2 = (x1 cos 8 _Jy 1 sen 8, x1 sen 8 + y 1 cos 8)
Por consiguiente
emostración:
T: ~2 ~ !Rz sigue de la definicióc .,_.._...,_.
X 1 = (x1 , y 1) H (x1 cos8 - y 1 sen8, x 1 sen8 + y 1 cos8) rmación nula dada en e
4 Sea T : ·
recorrido) de la tran~
existe un v E V, :
T por Ir.
:- x~ = (x2 ,J2) pero debe b) T(aX) = T(aa 1, ab1 ) = (ax1 cose - ay 1 sen e, ax 1 sen e +ay1 cose) =
-- ~ = X¡ll
a(x 1 cose - y 1 sen e , x 1 sen e + y 1 cose) =a T(X)
emostración:
sigue de la definición anterior y observando que la transformación lineal Oes la trans-
nnación nula dada en el ejemplo 4.
T(x,y,z) = (x - y, 3z)
{(x,y,z) 1 T(x,y,z) = 0}
-T \
{ (x,y,z) 1 (x-y, 3z) =O}
140 Capítulo 7 Transformaciones line Definición
b) Supongamo- -
asumamos
Teorema 3 Sea T : V ~ W una transformada lineal de V en W.
a) El núcleo N r es un subespacio vectorial de V.
b) La imagen Ir es un subespacio vectorial de W.
Teorema 5 Sea T :
m conjunto linea/m
Demostración: · · · vk} un conjunto _
Entonces {v1, v2, .. .
a) Debemos demostrar que si v 1, v2 E Nr y a un escalar entonces
i) v 1 + v 2 E Nr
Demostración:
ü) av 1 E Nr
Como v 1, v 2 E Nr , entonces T(v 1) = O, T(v 2 ) = O, lu e= a 1v1 + a 2 v2 + ·· · +ak1
T( v1 + v2 ) = T( v1) + T( v2 ) = O+ O= O. Por consiguiente v 1 + v 2 E Nr. 1T(v1)+a 2 T(v2 )+ .. . -
T(av1) = aT(v 1) = a0=0, entonces av 1 E Nr. _- como {w1, w2, ... ,11··
'JOr tanto {v 1, v2, • • · , 1· _
Demostración:
Recordemos que una función T es uno a uno si v1 * v 2 ::::::> T( v1) * T{v2) . Lo cual es
equivalente a afirmar que si T( v1) = T( v2) ::::::> v1 = v2
a) Supongamos que Tes uno a uno y probemos que Nr = {0}. Si Tes uno a uno y
N T :;t {O} implicaría que en el núcleo existen por lo menos dos elementos O y v
(con v :;t 0), esto es T(O) =O y T(v) = O. Luego T no sería uno a uno, contradi-
ciendo el supuesto de que si lo era.
b) Supongamos ahora que Nr = {O} y probemos que T es uno a uno. Para ello
asumamos que T(v 1) = T(v2), luego T (v 1 - v2) = O, lo que indica que (v 1 - v2)
E Nr = {O}; por consiguiente v1 - v2 =O y v 1= v2 . Luego Tes uno a uno.
Demostración:
a 1T(u 1)+a 2 T(u 2)+···+a1T(u) + ~ 1 T(v 1 ) + ~ 2 T(v 2 ) +···+ ~kT(vk) = { (x,y)/ (2x-
a 1O+a 2 0 + · ·· +a1 0 + ~ 1 T(v 1 )+ ~ 2 T(v 2)+ ···+~k T(vk) =
{ (x,y) / (2 x -
0 + 0+·· ·+0+ ~ 1 T(v 1 )+ ~ 2 T(v 2 )+··· + ~ kT(vk)=
Hemos demostrado por tanto que T( v) = ~ 1T( v1) + ~ 2 T( v2 ) + · · · + ~k T( vk), es decir qu" = {(x,y)/x= C. =
{ T( v1) ,T( v2), ... , T( vk)} genera a Ir .
Veamos ahora que {T(v 1), T(v2), ... , T(vJ} es linealmente independiente. ={ (0,0)}= {0
- U· 1'k)=0=>a¡V¡ +a 2 v2 - pero esto es una combinación lineal de los elementos de la base B = { u1, u 2 , .•• , uJ, v1,
- _ , + ... +a kv k = O. Como v2 , ... , vd por tanto x 1 = x 2 = · · · = xk = O, como también lo es y 1 = y 2 = · · · =y¡ = O.
- - =a 2 =··· = ak =0. Por
= { (x,y) 1 x = O,y = O}
: _ ... +~k T( vk), es decir que
= {(0,0)} = {0}
dependiente.
- - .:t l' ) =o =>
Como Nr= {0}, se concluye que la transformación lineal es uno a uno. Además como
dim V = dim N r + dim Ir, se tiene que 2 = O + dim Ir, o sea que dim I r= 2, por ende la
transformación no es sobreyectiva.
144 Capítulo 7 Transformaciones lineales
Demostración:
a) Supongamos que Tes uno a uno, entonces Nr = {O} y por tanto dim Nr = O.
Como dim V= dirn Nr+ dim Ir, entonces dim Ir= dirn V, luego dim Ir= dim W.
por consiguiente T es sobreyectiva. h) T: R. 2 ---7 ::::_:
EJERCICIOS
MATRIZ ASOCIADA
donde
donde
e dim V = dim W y T :
sí y solamente sí, T es
f) T: Mnxn ~ Mnxn donde T(A) = ( A+A')
2
aneales. Demostrar que la ea T : V ~ W es una transformación lineal, Bv = {v 1, v2, ••• , v11 } base de V y Bw =
w1, w2, ···, wm} base de W. Supongamos que
a nl W¡ +a n2 W2 + · · · +a nm W m
14 6 Capítulo 7 Transformaciones lineales Matriz asociada 2
a 11 a 12 a ¡m W¡
a 21 a 22 a 2m tenemos que T
a nl a n2 a nm
a 2m
La matriz A = se llama la matriz asociada con la transforma- En resumen he
a nl a n2 a nm
Re-sultado 1
ción lineal respecto a las bases Bv = {v1, v2, ··· , vn} de V y Bw= {w 1, w 2, · ·· , wm
de W y la denotaremos como MT
(1 )
au a !2 a ¡m W¡
a a 2m w2 nde
(x¡,X2, ... ,xn) !xn a 2 ! 22
Es el vector e~
a nl a n2 a nm nxm wm mxl V
2> · · · ' V}
n de
Es la matriz :\1-
Es el vector e -
Haciendo
a ¡¡ a !2 a¡m
a 21 a22 a 2m
(y¡, Y2> . .. ,Ym) = (X¡ , x2, .. . , xn) !xn
r tanto ( y 1, y 2, ..•
a nl a n2 anm nxm
- Transformaciones lineales Matriz asociada a una transformación lineal
Resultado 1
Si vEV~v = x 1 v 1 + x 2v 2 +···+xnvn ~
a¡¡ a 12 a¡m W¡
a 21 a 22
T(v) = (x 1 , x 2 , .. . , xn)
anl a n2
,.----'---,
W¡
w2
=( y¡, J2, ... , Ym)
donde
( 1) Es el vector de coordenadas en forma de fila de v respecto a la base Bv = { v 1,
v2, .. · , vn} de V
(2) Es la matriz My, asociada con la transformación lineal
(3) Es el vector columna de la base Bw = {w 1, w2, .. · , wm} de W.
a 11 a 12 a 1m
a 21 a 22 a 2m
nxm a ni a n2 a nm
148 Capítulo 7 Transformaciones lineales \tlatriz asociada a una
es el vector de coordenadas en forma de fila de T(v) respecto a la base Bw = {w1. Ejemplo: Sea T : -
w 2, · · · , wm} de W .
~~( xx J=(31
1
-2 1
2 J
Yt
Y2
= (w¡ , w2, · ··, wtn ) 3x - 2y) , que COID
x+y
Ym
~anónica.
donde
Ejemplo: Sea la
(4) Es el vector fila de la base Bw = {w1, w2 , ••• , wm} de W. -1,2)}, Bw = {(1,- : .
(5) Es la transpuesta de la matriz Mr , asociada con la transformación lineal.
(6) Es el vector de coordenadas en forma de columna de v respecto a la base Bv = {v1• T(l, - 1) = (5, O)= a :~
v2 , · · · , vn} de V. T(- 1, 2) = (-5, 1) = a:
a 12 a 22
Por tanto Y2 a"
- a"
Ym a nm
ue al resolverlo nos da:
Jt t = O, a ,2 = - 5, a2 1 = -
es el vector de coordenadas en forma de columna de T(v) respecto a la base Bw = {w1.
w2, ... ' wm} de w.
En lo que resta del libro usaremos el resultado 2, tanto para explicaciones respecto a la 0
por tanto Mr =(
matriz asociada a una transformación lineal, como para las respuestas a los ejercicios. - ]
- Transformaciones lineales Matriz asociada a una transformación lineal 149
X
M~ x~
( J=(31 -2] (-3]
1 4
= (-17] ·
1
y si v = ( x, y), entonces T( v) = (3 -2)
1 1
(X)
y =
t 3x- 2y)
, que coincide con T(v) = T(x, y) = (3x - 2y, x +y) debido a que Bw es la base
x+y
anónica.
denadas de u respe -
coordenadas de T 1( v :-.
nadas de ( T 2 o T 1,
Si v = (x, y), debemos primero calcular el vector de coordenadas de v con respecto a la Wes:
base Bv = { ( 1, -1) , (- 1, 2)} de V.
M~(M;x) = (M~M; X=
(x, y)= x 1(1, - 1) + x 2 (-1, 2), entonces,
formacióríÍineal T 2
X¡ x2 = X
- x 1 + 2x 2 = y
Definición 1 Sea
que resolviendo nos da x 1 = 2x +y, x 2 = x +y
transformación se /1-
entonces T( v) = M~
[Xzx 1)
= [ O-1)
- 54
[2xX++y)y - [--x- y)
6x - y Definición 2 Sea T
F: W -7 V si
Demostración:
Tenemos:
u ~ V T, w
B 11 ={u 1 ,~, ·· ,U5 } Bv={v1 ,v2 , .. ,v11 } Bw= {w1 ,w2 ;··,w111 }
Teorema 2 Sea T :
ella es única.
- Transformaciones lineal ~ Matriz asociada a una transformación lineal 151
X¡
x2
Sea u E U, entonces u = x 1u 1 + x 2 u 2 + · · · + xsus , luego X = es el vector de coor-
-x-y)
'-- x - y Definición 2 Sea T : V -7 W es una transformación lineal. T tiene una inversa
F: W -7 V si
T o F = Iw
5 · .a 13 7 vimos que el efec
de observar que la ma - F o T = Iv
Ilustración:
_· u2, us}, Bv
••• , = {v;
ectivamente.
T F
t"=7Jiones lineales con matrices V W V
asociada a la transforma- - - - - Iv __________.
F T
W V W
---- Iw_________.
Teorema 2 Sea T : V -7 W una transformación lineal. Si T tiene una inversa,
ella es única.
Matriz asociada z
152 Capítulo 7 Transformaciones lineales
Demostración:
Supongamos que T tiene dos inversas, F y G, esto quiere decir que
T o F = lw T o G = lw
F o T = lv G o T = lv
G = G o lw = G o (T o F) = ( G o T) o F = lv o F = F Teorema 4
V
Ilustración: Bl={vl }v2,- ··,vn}
Si Mr es la m
Como la inversa es única la denotaremos por T- 1 y por consiguiente se tiene
V r
T o T-1 = lw B 2 ={v~ , v;,···,v~}
1
T- o T = lv
T -l o - 1V
T-
1 o o l. Hallar la ma----r.;:
o o general del
a) V= JR2
o o ... 1 nxn
W= JR2
Demostración:
T(x, y)= -
l(v ¡)= V¡ = 1 V¡ +Ovz + ·· · + Ovn
l(vz)= vz=Ov¡ + 1vz +···+ Ovn b) V=JR2
W = JR2
T(x,y) = -
\1atriz asociada a una transformación lineal 153
- Transformaciones lineales
1 o o
o 1 o
Luego la matriz asociada a 1 es
= 1 o o ... nxn
= F=F Teorema 4 Sean B 1 = {v1, v2, .. ·, vn} y B 2 = {v;, v;, .. ·, v~} bases de V y
V ~ -{ , V, ... , } · · lzneal.
una transformaczon ·
B 1={v1,v2 ,- ··,vn} B 2 - v1,v2 , ,V11
Demostración:
Sea A la matriz asociada a T- 1. Sabemos por la definición de T- 1 que
T o T-1 = T-1o T = 1
Igual al problema anterior pero las bases para JR2 y JR 3 son B 2 = {(1, 1), (- 1, ~)}y
B 3 = {(1, -1, 0), (0, - 1, 1), (1, O, 1)}
Sea T: JR2 ---7 JR 2 dada por T(x, y) = (x +y, 4y - 2x) y la base para JR2 es la
canónica. Demuestre que T es invertible y por tanto calcule la matriz asociada de
T- 1. Halle T- 1(x, y).
Con los datos del problema anterior halle matriz asociada a T- 1 si la base de JR2 es
B 2 = {(1, 1), (- 1, 1)}.
T : ~~2 ---7 JR2 viene dada
9. Sea T : JR3 ---7 JR 3 dada por T(x, y, z) = (x-y + z, y- x, x - z) y la base para JR3
es la canónica. Demuestre que T es invertible y por ende calcule la matriz asociada
de T- 1. Halle T- 1(x, y, z).
y la del lado derecho es
10. Con los datos del problema anterior halle la matriz asociada a T- 1 si la base de JR 3 es
B 3 = {(1, O, 1), (0, 1, 1), (1 , 1, 0)} .
T : ]3 ---7 JR2viene dada
l. Sea T : JR3 ---7 JR 3 dada por T(x, y, z) =(x -y, y - x, x- z). Demuestre que T no
es invertible.
CAMBIO DE BASE
de 2 es {(1, 1), (-1, O)}
-ean B 1 = {v1, v2 , ··· , vn} y B 2 = {v;, ví,- ·· , v~} bases de V y
--= lo 8. Demostrar que la V ~ V ., · , ·
~ :gual a la matriz asociada 8,={v,,v2 ,. . .,vJ 8 2
={v;,v;,. --,v;,} la transformac10n 1dent1ca.
El efecto de 1 es enviar un vector que se escribe como combinación lineal de los elemen-
:.:- dadas por: :os de la base B 1 = {v1, v2 ,···, vn}, en el mismo vector pero escrito como combinación
ineal de los elementos de la base B 2 = { v;, v;, · · ·, v~ }.
156 Capítulo 7 Transformaciones lineal ~
T respecto a una b _
X¡ base B 2 = {v{, <·
Xz Sea M= MBB,2 la
Por tanto si son las coordenadas de un vector respecto a la base B 1 = { v1, v 2 , · · ·, vn
X¡ Demostración:
X¡
x2
pero respecto a la base B 2 = { v{, v;, · · ·, v~ }. siguiente X =
Ejemplo: Sea T : JR 2 ---7 JR 2 con bases B 1 = {(1, 1), (-1, 0)}, B 2 = {(2, O .
(- 3, 1)}.
coordenadas de v respe
Calculemos la matriz de cambio de base respecto a las bases B 1 y B2 .
Como A es la matriz - __
1(1, 1) = (1, 1) = a 11 (2, O)+ a 12(- 3, 1) coordenadas de T(v) e-:.
1(- 1, O)= (-1, O)= a 21 (2, O)+ a 22 (-3, 1)
2 - 3 1 - 1J ::::; ( 1 o 2
(o
_l.J luego la matriz de cambio de base
2 , La matriz M= M:' n .:
1
1 1 o o 1 1 o tanto MZ = W y M - 1" = z
-- --
___ - -- ~ -- - -- -_ - - - - =-----
- Transformaciones lineale<: Matriz asociada a una transformación lineal 157
El vector de coordenadas de (2, 3) respecto la base B 1 = {(1 , 1), (-1, O)} es(;), por
tanto (MB~
B ) · '(3J1 = (_ 2 son las coordenadas de (2, 3)
1
respecto a la base B 2 = {(2, 0), (-3, 1)}
La matriz de cambio de base M: 21, de la base B2 = {(2, 0), (-3, 1)} a la base B 1 = {(1, 1),
Demostración:
xz
siguiente X = es el vector de coordenadas de v respecto a la base B 1•
tantoMZ = WyM- 1W = Z
Veamos ahora que efectivamente M- 1BM =A. Sea R = (riJ) = P'P. ~-:::e~
(M- 1BM) (X)= (M- 1B) (MX) = M- 1 (BY) = M- 1W = Z = AX ::::} M- 1BM =A (columna j de P) = P
Teorema 2 Sean B 1 = { v1 , v2 , • · ·, vn} y B 2 = { v;, v;, · · · , v~} bases ortonormales de Si las columnas de •
B2
un espacio vectorial V. Entonces la matriz de cambio de base MB 1 de la base B 1 a la indica que R = 1 :::::)
base B 2 es ortogonal.
ii) ::::}) Supongamos -
Demostración: q¡z q]n = P'P. Se tiene por·
PJJ P12 P!n qll 1
P21 P22 P2n qz¡ q22 qzn riJ = (fila i de P') ~
Sean P = y Q=
={
o si *
i j
lo _,_
PnJ Pn2 Pnn qn] qn2 qnn 1 si i = j ·
2. Sea V = ~ 2 , ce-
V~ =q¡¡V¡ + q¡zVz + ·· · +q¡nvn matriz de cam
V~ = q2¡V¡ + qzzVz + ··· + qznvn de la base B a
3.
Demostración:
i) ~) Supongamos que las columnas de P forman una base orto normal.
- - Transformaciones lineales Ma triz asociada a una transformación lineal 159
l
o
= j
• ,
ii) ~) Supongamos ahora que P es ortogonal, esto es P'P = 1, y nuevamehte sea R = (r iJ)
= P'Po Se tiene por tanto que R = 1, o sea
L
riJ = (fila i de P') (columna} de P) =(columna i de P) (columna} de P) = (P.¡) (P.)
o si
= {1 SI o
i
o
*j o
.
lo que nos indica que las columnas de P son ortonormales
l = }
20 Sea V = JR 2 , con bases B 1 = {(1, 1), (0, -3)} y B2 = {(2, 0), (-3, 1)}. Calcular la
matriz de cambio de base, de la base B 1 a la base B 2 y la matriz de cambio de base,
de la base B2 a la base B 1 Dado el vector v = (3, - 2), hallar las coordenadas de v
0
30 Sea V= JR 3 , con bases B 1 = {(1, O, 0), (0, 1, 0), (0, O, 1)} y B2 = { {(1, - 1, 0), (0, -1,
1), (1, O, 1}} . Calcular la matriz de cambio de base, de la base B 1 a la base B 2 y la
- -
__ lJ J + ... + P mn
- ... -'-' P··V'· · v') y
o matriz de cambio de base, de la base B2 a la base B 1 Dado el vector v = (3, -2, 1),
0
- ·\'; =(qi ¡V¡ + qJ2 v2 + ··o - hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2
..:·c:a que Q = P'.
40 Sea V= R3, con base B 1 = {(1, 1, 1), (- 1, 1, 0), (0, 1, -1)} y B 2 = { {(1, -1, 0),
= L luego P'P = PP' = 1 y as (0, -1, 1), (1, O, 1)}} Calcular la matriz de cambio de base, de la base B 1 a la base B 2
o
- -i su inversa es A', esto es: y la matriz de cambio de base, de la base B 2 a la base B 1. Dado el vector v = (3, - 2,
1), hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2 0
Demostración:
Sean X y Y vectores columnas de tamaño m x 1, y a un escalar, entonces
X-
Definición 1 Sea T : V -7 V una transformación lineal. Se dice que v E V, v ;t O entonces X=
es un vector propio de T si existe A E R tal que
X
T(v) ='Av
Si A es una matriz cuadrada podemos asociar esta matriz con una aplicación lineal.
T : JRn -7 JRn dada por T(X) = AX por tanto podemos decir que X -:f::. O es un vector propio
de A si existe un A E R tal que AX = AX. Esta última ecuación se puede escribir como
AX = AIX, debido a que IX = X , pues 1 es la matriz idéntica.
a de tamaño m x 1,
La ecuación AX = AIX implica (A- Al) X = O.
Por tanto A es un valor propio sí y sólo sí la ecuación (A- AI)X = Otiene una solución no
epzsforma ción lineal. trivial, lo que nos lleva a afirmar que la matriz A- Al no tiene inversa, pues si tuviera una
inversa multiplicando a ambos lados de la ecuación (A - AI)X = O por esta inversa nos
llevaría a afirmar que X = O, lo que contradice el hecho de que X es un vector propio. El
hecho de que A - Al no tiene inversa se puede expresar diciendo que el determinante de
A- Al es cero.
por consiguiente como T(v) =Av, el vector de coordenadas de T(v) tiene que ser igual al
_ T v) es un múltiplo de v. vector de coordenadas de Av, pero el vector de coordenadas de T(v) es AX y el vector de
oordenadas Av es AX, por tanto T(v) =Av nos conduce a AX = AX.
racterísticos en lugar de
Análogamente si tenemos AX = AX, podemos ver a X como las coordenadas de un
vector v y por tanto AX son las coordenadas de T(v); y si las coordenadas son iguales, los
vectores que representan tienen que ser iguales, luego T(v) = Av.
Todo lo anterior nos lleva a enunciar el siguiente teorema:
l
Seanv1 ,v 2 ET~_ => T(v 1 ) = A-v 1 yT(v2 )=A-v 2 => l 3 -
A= 3 O
a) T(v 1 + v2 ) = T(v 2 )+ T(v 2 ) = A-v 1 + A-v 2 = A-(v 1 + v2 ) => (v 1 + v2 ) E T~_ 1 -3
b) Sea a un escalar, entonces, T( av 1) = aT( v1) =a (A-v 1) =A( av 1) => ( av1) E T~_
Hemos demostrado por tanto que el conjunto de todos los vectores propios correspon-
dientes a un valor propio forman subespacio vectorial.
A= [ 3 -4)
- 2 1.
(A - 01) X= O=>A~ =
. , caractenstlca
L a ecuacwn ' . es ¡3-A- - 4¡ = O entonces,
-2 1-A,
2
A, - 4A- - 5 =o=> (A-+ 1)(A-- 5) =o=> A, = 5, A, = - 1
Hallemos los vectores propios correspondientes al valor propio A= 5, para esto debem :
hallar el núcleo de (A - 51), es decir, hallar X tal que
Para A = 2, tenem :
(A - 51) X = O=> [ =~ =:) [:~) = [~)que al resolver el método de Gauss, nos condu- /
(A - 21) X= O=>
~.:.\---'.....,-o de grado n en la variab - De forma similar para A = -1, hallemos el núcleo de (A + 1),
aracterístico y la ecuaci
- ..z A . (A + 1) X= O::¿ ( _ ; -;) (;~) = ( ~ J, cuya solución es (;~) = a (=~) y una base para
de V y es llamado el subespacio propio es ( ~) , haciendo a = -1
A =(~ ~ - 31)
: => IV¡ +v 2 ) E TA 1 -3
= A. ( av 1) ::¿ ( av 1) E T"
1- A. 3 - 1
- ·ectores propios correspo La ecuación característica es 3 - A, 3 = o , entonces,
1 -3 3-A.
2
4A? -4A.- A. 3 = 0::¿-fiv(A.-2) =0::¿fiv = O, A- =2
Hallemos los vectores propios correspondientes al valor propio A= O
Si y = f (x) es un vector propio de T entonces T(y) = A.y, implica ddy =A-y => dy =
X y
Teorema 4 Sea T :
A.dx => ln y = !ex+ e=> y = eA.x+c = ce A.x; en consecuencia, todo número real A es un
tiene a lo más n ,.
valor propio de T y los vectores propios conespondientes son de la forma ceA.x para
e :;t: O.
Demostración:
Teorema 3 Sean A- 1, A-2 , .. · , An valores propios todos diferentes entre sí, correspon- Si T tuviera n + 1 '
dientes a los vectores propios v 1, v 2 , · · · , vn, entonces { x 1 , x 2 , · · ·, xn} es linealmente propios serían linea:.::: _
independiente. ó a el hecho de que ' ·
Demostración:
_ :odos los órdenes} y Luego el supuesto de que la dimensión de { v1 , v 2 , · · · , v n} es k (k< n ), nos conduce a una
ontradicción, luego dimensión de { v 1 , v 2 , · · · , v n} tiene que ser n, y esto no lleva a que
v1 , v 2 , ··· , v n} es linealmente independiente.
. . l. dy 1 -->.. dy
= .' . rmp 1ca -= AY_,.-=
· dx y
Teorema 4 Sea T : V -7 V una transformación lineal, con dim V = n, entonces T
_ ::.... i:odo número real A es un
Iiene a lo más n valores propios diferentes.
=.--·::s -on de la forma ce'Ax para
Demostración:
·erentes entre sí, correspon- Si T tuviera n + 1 valores propios diferentes, entonces los respectivos n + 1 vectores~
.r . X::' · • • , X n } es linealmente propios serían linealmente independientes, por el teorema anterior, pero esto contradeci-
ría el hecho de que la dim V = n, luego T tiene a lo más n valores propios diferentes.
tiene dimensión k(k< n) y Definición 2 Una matriz cuadrada AnX n se dice que es similar a una matriz Bnx,
si existe una matriz P no singular (invertible) tal que
.. '" - , · · ·, vk} (si es del caso
es linealmente indepen- A = P- 1BP
Teorema 7 Si A y B son matrices similares, ellas tienen el mismo polinomio carac- Demostración:
terístico y en consecuencia los mismos valores propios.
T(v1 )= /c 1v1 = /c 1v1 -
pA(A) = det(A- /el)= det(p- 1BP- /el)= det(p- 1BP- p- 1P/cl) = det(p- 1BP- p- 1/ciP) =
luego la matriz aso _
det(P- 1(B - /ci)P) = det P- 1 • det(B - Al). det P = dét(B - /el). det P- 1 • det P =
det(B- Al). det(p- 1.P) = det(B- Al) . det 1 = det(B- Al)= p 8 (A)
Por el Teorema 1 de la página 157 podemos afirmar que si T : V --7 V una transformación
lineal y A es la matriz asociada a T respecto a una base B 1, y B la matriz asociada a T
respecto a otra base B2, entonces las matrices A y B son similares.
o)
o o v1, v 2 , . .. , vn respect
- Transformaciones lineales Vectores y valores propios 167
ctivamente. Como A
- - \ T una transformaciór: A¡ o o o
o "-2 o o
B = { v1, v2 , ... , v n} es entonces esta base está formada por n
vectores propios.
o o "-n
que es diagonalizable
1-~..~::..~...o.-ru a T respecto a esta Demostración:
1 o o
o o
por tanto X 1 = ,X2= '···,Xn = son los vectores de coordenadas de
o o o
v1, v2 , ... , v n respecto a la base B = { v1, v 2 , . .. , v n }.
168 Capítulo 7 Transformaciones lineales Vectores
o
análogamente tenemos que el vector de coordenadas de T (v2) es B=BoA-n-1 + B,I.n-:-
no dependen de A.
o
Recordemos que i _
A-2
M7 X 2 = , entonces T(v 2 )= A- 2 v2
o lo cual aplicado a r:
o
o
y el de T(v11 ) es M 7 X 11 = , por tanto T(v11 )= A11 V 11 •
det(A - Al) 1 = (e ·_
Lo ·que nos indica que {v1, v2 , ... , v n} son los vectores propios correspondientes a lo_
valores propios A- 1 , A- 2 , · · · , A11 -
Teorema 10 (Cayley-Hamilton). Sea A una matriz cuadrada de tamaño n x n _1 1 n¡ +cn-l "-1 n-1¡ -
en"- · -
p(A.) su polinomio característico, entonces,
p(A) =O
Demostración:
P11(/t.) P21(/t.)
B = P12 (A-) P22 (A-)
que se puede escribir como,
P1n (/..) P2n (/..) Pnn (/..)
- es B=BoA-n-1 +B 1A,n- 2 +···+Bn_ 2A,n +Bn_1 , donde las matrices B 0, B 1, ... , Bn _ 2, Bn_ 1
no dependen de A.
Recordemos que si X es una matriz cuadrada se tiene:
(adj X) X = det(X)I
~ ~ 0- correspondientes a los
ada de tamaño n X ny
, la matriz de
Bn_ 2 A - Bn_ 1 = c 11
cnm Bn_1A = c 0 1
Multiplicando la primera de estas ecuaciones por An, la segunda por An- 1, la tercera por
_ ~:::¡:denotará por p;/'A), luego. An-2 , etc., la penúltima por A, y la última por 1 tenemos:
170 Capítulo 7 Transformaciones lineales Vectores
nos conduce a:
B OAn - B1An- 1-
- Cn- 1
An-1
EJERCICIOS
Sumando estas ecuaciones tenemos: o= e nA n +en_¡ A n-! + c n-2 A n- 2 + ... + C¡A + Col. Hallar el polinomi _
de donde tenemos: correspondiente.
l.
p(A) =O
e nA
n
+en- !
An- 1
+cn- 2
A n-2
+···+C¡ A + Co 1 = O =:> 3.
Cn A
n
+en-!
A n-1
+cn- 2
A n- 2
+ ·· ·+C¡ A = -Co 1 =:>
n- 1 An- 2 A n-3 1
A-l = cn A +en-! +cn-2 +···+e¡
- co
nos conduce a:
A _1 = lA 2 - 6A 1 + 131 = 2_ [ 9
3
10 10
. -2
Este método de calcular la inversa de una matriz es muy útil si se dispone de un compu-
tador para calcular fácilmente las potencias de A.
EJERCICIOS
- c~ _ 2 A n-2 +···+c 1A + c0 Hallar el polinomio característico, los valores propios y una base para el espacio propio
·orrespondiente. "-
- 1=0=> 3.
o 2-2]
1 - 1 2
[1 ~ 2 3
-l.
2
2
1 41]
3
[
-1 -1 - 2
9. Conociendo los valores propios de la matriz A, hallar los valores propios de la matriz
A2
10. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Por tanto tenemo::
¡- ~ -~ ~]
ll 1- 1
Por otro lado, con:
11. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Teorema 11 Si A es una matriz real y simétrica (A'= A), sus valores propios sor.
reales .
. Demostración:
por ende tenemo
X¡
x2
Si X = *O es un vector propio correspondiente al valor propio A, se tiene:
ComoX'AX
AX=AX
AX =AX
AX=A.X
AX = A.X pues A es una matriz real y por tanto A = A , entonces De (* *) y (*) se
X'(AX) = X'(XX) =
x¡
X'2
X'(X'X)= X'(x 1 , x 2 , ... , xn)
n
Como I /x¡/
2
>e=
i=l
- Transformaciones lineales Vectores y valores propios 173
X¡
X'(AX)
(* *)
or propio A, se tiene:
Como X'AX es de tamaño 1 x 1, es simétrica, luego.
(X'AX) = X'AX
X'A'X = X'AX
X'AX = X'AX pues A es simétrica.
Y!
1a columna de P ;.
1
Yl_Z
Teorema 13 Sea Anxn una matriz real simétrica. Entonces existe una matriz
ortogonal P(r- 1 = P') tal que
Sea A1 un valor propio de A, que es real por el teorema anterior y sea X1 un vector propio
unitario correspondiente al valor propio \, esto es,
z
Sea B = {X1 , v 2 , · · · , vn} una base de lil". Por el método de ortogonalización de Gram-
Schmidt se puede conseguir a partir de esta base una base B 1 = {u 1 , u 2 , . . . ,un} ortonormal.
Sea P 1 la matriz de cambio de base, de la base B 1 a la base canónica; es decir P 1 es la
matriz cuyas columnas son los vectores u 1, u 2 ,. ··,un·
= P{(AX 1) = P{(A- 1X 1 )
= (A- 1P{)X 1
= (A- 1P{) (1ª columna de P¡)
= A- 1 [ P; Oª columna de P¡)]
= A, 1 [1 ª columna de P{ P]
= e1
[1ª columna de 1] =
:::, :onces existe una matri.:
o
Como (P{ AP1)' = P{ N p1 = P{AP (pues A es simétrica) se concluye que la primera fila de
P{AP1 es (A-1 , O, · · · , O).
de la diagonal.
176 Capítulo 7 Transformaciones lineales Vectores
A¡ o o Q
o
P{AP1 =
A¡
o es decir, Q Q' = Q
~
l-;
Por hipótesis de inducción existe una matriz ortogonal Q 1 tal que o
1
Q;A1Q 1 =D 1 1
o o
es diagonal con los valores propios de A 1 como elementos de la diagonal, es decir,
o 1 o
o o
o o o
Corolario.
~, ~~
0 0 base ortonormal de -
1 o o 1 o o
Q'Q=
o o
=In
Q¡Q¡ In-1
o o
es decir, Q Q' = Q' Q = I , luego Q es ortogonal.
o
_ · ... .,A que son reales pue5
- - n
A¡ o ... o
(1 o
1
o
o
A¡
A¡ o
r.
o
o
1
o o A2 o
l~
Q¡A¡Q¡
o o An
Corolario. Las columnas de P son vectores propios de A y por tanto forman una
o base ortonormal de JRn.
y Demostración:
Sabemos que existe una matriz ortogonal P tal que
A¡ o o
o A2
P'AP=D=
o
o o
=In
entonces AP = PD pues p-I = P'
Sean X 1, X 2, ···,~las coh,trnnas de P, entonces
178 Capítulo 7 Transformaciones lineal Vectores y valores p·
es decir las columnas de P (son ortonormales pues Pes ortogonal, véase Teorema 3 de
página 158 son vectores propios de A por tanto forman una base ortonormal de JRn.
Ejemplo: Si A = ( ~ ~) hallar una matriz ortogonal P tal que P' AP = D Además P' AP = -
2- A 1 2
p(A )=det(A - Al)= 1 = 'A - 4'A + 3 = ('A - 1) ('A - 3)
1
1 2-'A
Ejemplo: Si A = -
Por tanto los valores propios son A1 = 1 y A2 = 3
Hallemos los vectores propios correspondientes al valor propio A= 1, para esto debemos
p('A) = det (A - ·.
hallar el núcleo de (A - 1), es decir, hallar X tal que
De manera similar se tiene para A, ~ 2 que una base para el núcleo es {(:)}
-~---- --
~-- ~ -~~-
- ~~~
- Transformaciones lineales Vectores y valores propios 179
y por consiguiente una bas Hallemos los vectores propios correspondientes al valor propio A = 4
- 4
(A-41) X = O= ~
[
· núcleo es{(:)}
180 · Capítulo 7 Transformaciones lineales
Por consiguiente
y uw base es B 1 = {[:]}
Por el teorema 12 sabemos que los vectores de B 1 son ortogonales con los de B 0. Pero Además
los vectores de B 1 no son ortogonales entre sí; por tanto debemos ortogonalizar esta base
por el método de ortogorialización de Gram-Schmidt, para esto sea,
P'AP =
EJERCICIO
Dada las siguien-""'-
dientes a valores
que P' AP = D -=-
l. A=(; ~~
- Transformaciones lineales Vectores y valores propios 181
1 F6 1
orA, = -2 es -fi 6 -J3
o F6 1
3 -J3
1 F6 1
-fi 6 -J3
EJERCICIOS
Dada las siguientes matrices simétricas comprobar que los vectores propios correspon-
dientes a valores propios diferentes son ortogonales y hallar una matriz ortogonal P tal
que P' AP = D sea diagonal
l. A=G ~)
2. A=(86 136)
182 Capítulo 7 Transformaciones lineales
Recordemos breverr.~
en su forma estánda:
4. A=[~ ~ ~]
5. A=H ~: -:]
(x-2) 2 (y - 3)--
+ =
4 9
FORMAS CUADRÁTICAS
Recordemos brevemente que las gráficas de las cónicas son fáciles de trazar si ellas están
en su forma estándar o canónica, esto es,
x 2 + y 2 = r 2 Circunferencia
y = ax2' o, x2 = by2
2 2
X
2 +y- = 1 E 1'1pse.
a b2
Si (a 2 > b2 ) , tiene los focos en el eje X
Si (a 2 < b2) , tiene los focos en el eje Y
2 2
.;- - ~ = 1 Hipérbola con focos en el eje X
a b
2 2
~ - .;- = 1 Hipérbola con focos en el eje Y
a b
Ejemplo: Identificar la cónica x2 - 6y - 4x + y 2 - 23 = O
Completando cuadrados tenemos: (x2 - 4x + 4) + (y2 - 6y +9)- 4-9-23 =O
(x - 2) 2 +(y -3) 2 = 36
2 2
(X- 2) + (y - 3) = l
4 9
Y si trasladamos los ejes al punto (2, 3), tenemos un nuevo sistema de coordenadas x'y' en
t-==~~ de V y P nxn es una matriz 2 2
dada por: el cual nuestra ecuación anterior se convierte en: (x') + (y') = 1, que se encuentra en su
4 9
forma estándar y por tanto es muy fácil identificarla; es una elipse con focos en el eje Y'.
P= (x, y)
Y' = (x', y')
~ X'
. '.
~ ~
:
:·
, a.·
:\·'
.... . 8
~~-L------------~X
o
-
-------- ---------'1- ---
184 Capítulo 7 Transformaciones lineales Formas cuadráUcas
cose
La matriz (
Veamos cómo están relacionadas estas coordenadas. sen e
S1"hacemos r --7
= OP, tenemos:
x'
cos a =- :::::;> x' = r cos a
r Ejemplo: Rotar
sen a = l.' :::::;> y' = r sen a términos cruzado
r
X
COS (a + e) = - :::::;> X= r COS (a+ e) = r COS a COS e - r sen a sen e =
r
X COS e -y' Sen e X = X
1
COS e - )"' =~
sen (a + e) = l. :::::;> y = r sen (a+ e) = r cos a sen e + r sen a cos e y= X
1
Sen e + )"'
r
8(x'cose- y'se""'- -_
Por tanto X = x' cos e - y' sen e 5(x' sen e + y' co: =
y = x' sen e +y' sen e
4(cos e sen e )Cl =--
4(sen e)x'y' + ... ~
2
- 3(2cose sen8 --
y despejando(::) tenemos:
- 3 sen 2 e - 4 co-.::-:- =
(x) y'
= ( cos e - sen e
sene cose
)-t(x)
y
- 3 sen 2 e = 4 CO ~ H -
4
tan2e = - -
(x) (
3
cose sen e) (x)
y' - -sen e cose y De aquí concluimos ~ -
fórmulas cos 2 e = =- - -
- Transformaciones lineales Formas cuadráticas 185
Ejemplo: Rotar los ejes de modo que la ecuación 8x2 - 4.xy + 5y2 = 36 no tenga
términos cruzados .xy y de esta manera identifique la cónica respectiva.
X= X
1
COSe- y' sen 8
8(x' cose - y' sen e) 2 - 4(x' cose -y' sen e) (x' sen e +y' cose)+
2
5(x' sen e +y' cos e) = 36 =>
4( cose sen e)(y') 2 - 4(cos 8 sen e)(x') 2 - 6 (cose sen e)x'y'- 4( cos 2 e) x'y' +
2 2 2 2
4(sen 2 e) x'y' + 8(cos 2 e)(x') + 5(cos 2 e) (y') + 5 (sen 2 e )(x') + 8(sen 2 e) (y') = 36
luego para que no tenga términos cruzados- 6cos e sen e - 4cos 2 e+ 4sen 2 8 debe ser
igual a cero, por tanto,
2
- 6cos8sene -4cos 2 e +4sen 8 = 0=>
4
tan2e = - -
3
3
De aquí concluimos que 2 e está en el segundo cuadrante, cos 2 e = - - y utilizando las
5
fórmulascos2e = 2cos 2 e - l,y cos2e = 1 - 2sen2 e tenemos:
186 Capítulo 7 Transformaciones lineales Formas cuadrátiGS
Si hacemos a, =-
1 1
1 1
2 1
X - 2y
x =- x --y=
J51 J5 J5 y teniendo en -~
2
Q= a 11 x 1
8 2 4 2
-(x'- 2y')- - (x' - 2y') (2x'- 2y') +(2x' +y') = 36 =::>
5 5
(x')z (y')2
--+--=1
9 4
1
que es una elipse con focos en el eje X
Q = L~=l clJx 1x J + L~=l c21 x2x J + L~=I c31 x3x J + · · · + L~=I cnJxnx J =
Ejemplo: Q = .=x.:. --
C¡¡X¡X¡ +c 12 x 1x 2 + ···+C¡nX!Xn +
c2lx2xl + c22x2x2 + ... + c2nx2xn +
Si hacemos aiJ = t (ciJ +e1¡), es decir A = t (C + C') tenemos: a¡¡ = e¡¡ y aiJ = aJi y la
Q= +
a ¡¡ a12 aln X¡
5 2 3 4 X¡
2 1 5 6 x2
Q = (x 1,x 2 ,x 3 ,xJ
3 5 2 7 x3
4 6 7 3 Xn
x{
( X'P) D ( P'X). Haciendo P 'X = Y =
x2 tenemos
Ejemplo:
5y2 = 36
= Y'DY
Tenemos Q = 8.:r:: - -
[A, o
Q=(- 28 -2)
= (x¡,x;,. ·,x;) ~ "-2
o
oln
r, ~;
5
Por consiguiente • ::
puede escribirse o-
Todo lo anterior nos indica que si hacemos el cambio de coordenadas P'X = Y la formz.
Q = A-1 (x') 2 +A.
cuadrática Q no contendrá términos cruzados x;xj, lo cual nos permite fácilmente identi-
ficar la forma cuadrática. Q = 4(x') 2 + 9( y'::
=Y =x2 tenemos
Ejemplo: Identificar en el plano xy, la figura definida por la ecuación 8x2 - 4xy +
5y2 = 36
X~]
x, Q=(- ~ - ~)
X~
p(A.) = det(A - A-1) = 1
8
- A
-2 5-A.
-2¡
=(A. -4)(A. - 9)
Por consiguiente los valores propios son A- 1 = 4, ~ = 9, y por tanto la forma cuadrática
puede escribirse como:
Q = A-1 (x')l + A- 2 (y') 2, que para nuestro caso es:
Q = 4(x') 2 + 9(y')1
cose -sene ) 1
y como esta es la matriz de rotación ( concluimos que cose = ¡;: ;
sen e cos e v5
~ X -
---- 2
sen e = J5 y tan e = 2 y nos permite concluir que para que no haya términos cruzados
en la ecuación 8x2 - 4.ry + 5y2 = 36 debemos rotar los ejes un ángulo de 8 = arctan 2
Véase ejemplo de la página 183, sección formas cuadráticas.
- .r
Ejemplo: Identificar en el plano xy, la figura definida por la ecuación
.f X -
x' x x'
como P'X = Y = ~ X = PY ~ = P y si trasladamos lo: ~- ~
y' y y'
.' 2 2 72 36
y nuestra ecuac10n 8x + 4 xy + 5y - J5 x + J5 y = 36 se convierte en,
--~~ -
~1
--- ---
- ---
- ------~~---
-
- Transformaciones lineales Formas cuadráticas 191
r i. = 4 es { ~} y para el
~) (Js
1
luimos que cose = JS:
4(x')
2
+9(y') +(-E,
2
J5 J5 2
J5
ángulo de e = arctan 2
2 2
4(.x') + 9(y') + (o' 36) (;:) == 36
2
4(x') 2 + 9(y') + 36y' == 36
2 2
4((x') + 2x') +9((y') + 4y') == 36
X) == 3
r
2 2
4((x') + 2x' + 1) + 9((y') + 4y' + 4) == 36 + 36 == 72
2 2
4(x') + 9(y' + 2) == 72
y si trasladamos los ejes al punto (0, -2) tenemos un nuevo sistema de coordenadas xn_yn
EJERCICIOS
En cada uno de los siguientes ejercicios identificar en el plano xy la figura definida por la
ecuación:
l. 2x2 + 3xy - 2y2 = 25
2. x2 + 2xy + y 2 - 8x + 8y = O
3. xy = 8
4. 17x2 - 12xy + 8y2 = 80
5. x 2 + xy + y 2 - 3y- 6 = O
6. 3x2 - 2xy + 3y2 - 2x - 1Oy + 9 = O
7. 16x2 - 24xy + 9y2 -60x- 80y + 100 = O
Respuestas a -
')
.) -
l. (22
28 3G
3. ( - 54 L.: -
- 56 l1 c:
5. ( 45 - -
53 - 6 -
7. ( 40 - 1 -
- 8 --
9. 38
11.
X: -
~- - -
-~=-=--
- ~- -=----=-=----""-
- Transformaciones lineales
Respuestas
a los ejercicios
-51 51 -1 - 21]
l. (22 38 -54) -3 5 52 13
2.
28 30 -34 [
13 - 11 -26 - 27
3. (-5412282-2) 36 14 - 68 -68)
4.
-56 118 69 2 ( 37 - 31 -29 14
9. 38 5 o -15 20
2o -6 8
10.
1o -3 4
9 o -27 36
5x + 8x + 4x 3 ]
1 2
11. - 3x 1 + 8x 2 - 9x 3 a 11 X 1 + G 12 X 2 + G 13 X 3 ]
[
7x 1 + 5x 2 12. a2,x, + a22X2 + a23X3
[
a3Ixi + a32x2 + a33X3
194 Respuestas a los ejercicios Respuestas a los E::
13. ¡-8-3) [! ~l (
-1 23 14.
15.
[~ ~l 16. [~ ~ ~~
o o lj
18.
[~ l~l 19. [~ ~l (AB)'=
20.
[ZA' -~A +2 2A.
4/c- 3
2
- 3/c + 2 4/c2- 3 ]
o 2A. 2 - 3/c + 2
[ 2 +25i -12+28i]
[-~ -:)
6.
24a. 24b. - 19 + 20i - 28 + 12i
- 22 + lli - 28
4 - .=.
_
2 - 9 -5 5 5 - 1 1 3
5 4 4 7 -9-5-13 1- 2
l. A' = B'=
- 5 o 7 - 8 4 5 3 - 9 B* = 2 - .: -
9 - 8 -9 3 0 - 7 8 - 6 [ .., ) - -.
7 - 10 - 4 8
- 4 - 1 3 10
(A+ B)' = -1 5 10 -17
9 - 15 -1 -3
.,....,,.,,
~ ~~---- -
--- -
- - - - - ~~- - - - -
Respuestas a los ejercicios Respuestas a los ejercicios 195
6 15 - 15 27
- 27 12 o- 24
(3A)'=
-15 12 21 - 27
15 21 - 24 9
o 27 -73 - 49 19
-11 37 - 9 - 63
-o (AB)'=
-63 56 102 4
- 129 20 82 - 131
7.
[2-3i
A* = 3 + 2i
-3 - 4i
2 - Si
2+6~]
4 - 2i - i 7 + 8i
-
- - 1 1 3
- --1
-~ -
3
3 - 9
[1-3i
B* = 2 +Si
o
2 + 9i 3 +4i
9-iJ
- ¡ 8 - 6 3 +4i 3 - 7i 3 + 6i
[-~=:~
5 + 7i
7 + 2i]
8. A + B= 4+4i 3 - 8i
11 +Si 10+4i 10 + 14i
--
·--
-
--
--~------
-
- -- -~--- """""'~- - - -~-~----
Respuestas a los ejercicios Respuestas a los ejercicios 197
l. a) a-7b-5c=O, b) a, b, e arbitrarios
2. X1 = -2, x 2 = 1, x 3 = 4,
3. X1 = 1, x 2 = 3, x3 = 2, x 4 = 4
4. X¡ = - 2, x 2 = 3, x 3 = 4, x 4 = -1
X¡ 1 -7
Xz 1 2
5. +a
x3 2 3
x4 o -1
X¡ -7 20
Xz 16 - 34
6. +a
x3 11 -9
x4 o - 1
X¡ 1 1
x2 2 1
7.
x3 3 +a¡ +a 2 2
x4 o -1 o
Xs o o -1
X¡ 3 - 3 5 -2
x2 4 - 6 18 -11
8. x3 o +a¡ - 1 +az o +a2 o
o o -1 o
- -3+9iJ
- 9 +3i
x4
Xs o o o -1
o 9. X1 = 0, x 2 = O
=-· ...
•2..._-=-~-
·- -.. - - ----
198 Respuestas a los ejercicios
11.
[:}{;] 2. X1 = 1, X: =
X¡ -10 - 7
Xz -1 - 1 3. X1 = - 2. X_ =
12. = a¡ -9 +az - 6
xJ
4. X1 = 3, X:=
x4 -3 o
Xs o -3 5. x1 = --. r_ =
-2 - 6 18 16
7
15. ~
[ 22
- 17
-31
-5
- 10
-:] 16. -
18
1 4
7
11
- 6
3
15
-9
- 27
o 4
-1 1
- 25
13. 4xyz
14. azbz l. a) Sí
~ -- -- -
-- -- ~- - - -- -------
Respuestas a los ejerci · Respuestas a los ejercicios 199
l. X1 = 3, X2 =1
2. X1 = 1, X2 = 1
3. x 1 = - 2, x 2 = 5, x 3 = - 3
4. x 1 = 3, x 2 = 1, x 3 = 2
5. x 1 = - 2, x 2 =1, x 3 = - 1, x 3 = 3
-~)
6. x 1 = 2, x 2 = -1, x 3 = 3, x 3 = 1
4
~r: 1~
1
8. o 9. _1 [
1 iJ 40
-5
54 81 -36 45
l. a) Sí b)No e) No
2a. ¡u = ¡v ¡ = 3-J5
11
- - - --=-----==-- -
-~"-..l - ~~---
200 Respuestas a los ejercicios Respuestas a
lb. -1 2b. 1
5. l. c. -
le . ..l2__J69 2e. O
414 2.
9. B,-
-
1 1
le. IIUull= rrC- 5,4,3, -2) ; ltuvll= ,-;-;:-(2,4, 1, -5)
3"6 "46
10.
l. p ~y = (- 2, ~' %)
B - ,-
(~, ~' - ~)
11.
2. pXI Y =
3. p
X/Y -
-(-.!3. _36 7 ' 35' 35
72) CX/ Y
12 ¡-;::;;;
= -'V7Ü
35
Respuestas a los ejercicios 201
Respuestas a los ejercicios
4. l. p
Y/ X
- (_13 39
-
.!2)
14' 14' 7 CY/ X
13
14
¡-:;-;;
= - v'14
2. CY/ X =--
1M
14
p - (- 36 12 24) 12 ¡-:;-;;
3.
Y/X - 7 ' 7 ' 7 Cy1x = -7 v'14
.
5. l. (7,-5,11)
2. (7, - 5,-3)
3. (12, 8, 14)
6. 9.fi
7. J86
8. 2
- --
~. -~-
202 Respuestas a los ejercicios
l. a) x+1 = y - 2 = z - 5
- - - - (9, 8, 13) n(n+1 )
5 3 4 ' 8.
2
b) x+3 y+4 z - 2
- - = -- = - - (5, - 3, 4)
8 1 2 '
b) 7x + 18y + 20z = 74
5. 17x-18y+5z = -12 1
1 a. Mr= (
6. x - 2y + z=O
o:
4 1.::
7.
J29 b . Mr=
[
G
Respuestas a los ejercicios de la página 124
l. a) ( 2 ~ _!_)
'5' 5
b) (%, 4, %) e) No es base d) (- 1, 3, -1)
2 a. Dimensión= 2 b. Dimensión = 3
c. Dimensión= 3 d. Dimensión = 2
T(x, y, z) =
-- -
5. {(5,1, - 1)}
n(n + 1) n(n + 1)
8. 9.
2 2
1 a. Mr= (~ ~) T(v)=
(-5)
-6
T(x,y)= (-2x-y)
-2x
b. Mr= (2 15
O - 2
2) 7
T(v) =
[~3:
-
-
2
T(x, y)= [3~
- x+3y
- x+ y
2
]
- -1
n::tJ
-,.,
T(v)~ UJ T(x,y,z)~
3 .)
~
- o
7 - -1
c. Mr= -
3 3
- -
1 1
3 3
24
-
4 6
-
2
- 5
5 5 5
6
d. Mr= 1 o -1 T(v) = --
5
4 6
- - -3
5 5 5 7
d) (-1,3, - 1) --
5
6x
-- -1 y 3
- + - z
5 5 5
4 4 2
T(x, y, z) = -x + - y - - z
5 5 5
3 -2 y 1
-X - + -z
5 5 5
- --
--~--~- - - - ---=----
~ ~"'-~ -~-
204 Respuestas a los ejercicios Respuestas a
o o o
d. Mr=
1 o o
o 2 o T( v) ~ [¡;]
o o 3
T(v) = T(p(x)) =
[:;]
~)
Respuestas a
2.
l. MB, = -
(-~ -~]
B, - -
3. Mr=
-3 -5
2. M B,
B1
-
-
5.
MT2 = 1(1 o1 o1) Mr
3
=(- 11
3. MB, = _!_ -
B, -
4. M BlB, = -
...,.
-
-
2. 'A= 1, B = -
-1 ~) =~ (~ ~)
-2
M - -1 ( -4 -
T3oT, - 2 1 M r¡2
3. 'A = O, B = -
8. MT_, = ~ ( _ ~ ~) 5. 'A= 1, B =
- - ---
- ~ ~---~-- ------~-
Respuestas a los ejerd Respuestas a los ejercicios 205
9.
11 21 11] T 1
Mr-' =
[1 1 o = (x+y +z, x+2 y + z, x + y)
l. M'
B - -1 e~) M B1 - [ 2 o)
[
~~- ~ -~ -~]
B 1 2 3
- B, - - 3 1
-3 - 5
2.
M::{~ - ~] M B1 1[ 6
- - 2)
B, - 3 - 9 -4
= ~) -11] [o1-1
~ 1_[-:
- 1
3. M''
B¡ 2 -1 1
-1 1 1
B, =
MB 1
1
-1
o :]
4. MB' = __!__ - 2
B, 2
[-1 -1o 3:o MB 1
B,
= __!__
3
loo -Jo -~]
o -2 o 2 -1 - 1
10.
o
~[ 1 o
1 1] 1 3 2 -11] 6. P=
1 1
1
o
11. 40
[19 -1 4
- 5 10
- 3
5
2.
3. (x')z - - =
4. (x')z -
- - - --
16
=
5. (x") z -
-- ---
6
=
3. 6. (x") z +:: - =
7. (y ")2 =- ~
1 1
J2 o J2
1 1
4. P= o J2
J2
o o
1
J5
5. p = o
2
J5
Respuestas a los ejercicios Respuestas a los ejercicios 207
1 J2 2
J2 6 3
6. P=
1 J2 2
- -
J2 6 3
o 2J2 -
1
3 3
3. (x')
2
- (y') = 16
2
hipérbola
4. (x')z (y')z
- - +-- = 1 elipse
16 4
5. (x")z (y")z
- - +- - = 1 elipse
6 18
2 2
6. (x") + 2(y") = 1 elipse
7. 2
(y") = 4x" parábola
Fe de erratas
20 t (AB) (AB)
43 t el sistema tiene solución única el sistema tiene solución
-1 3 -1 4 -3 4
521 3 5 -2 5 = 3 -1 2 1 =
-1 2 1 -1 2 1
A.- 1 -2 2 A.- 1 -2 2
62 t -1 -1 -2 -1 A. -2 =O
-1 -1 A.- 1 -1 -1 A.- 1
-1 1 7 -1 1 7
65 t IB31 = 1 -1 3 =20 IB31 = 1 -1 3 = 20
1 1 -1 1 1 1
XI + 2x = 3 XI + xz = 3
721
2x 1 - 3x2 = -4 2x 1 - 3x2 = -4
ca
1 nl
+ca
2 n2
+···+cu
m nm
=O ca
1 ni
+ca m nm =O
2 n2 +·· · +ca
134! 7. Sea . . . R 3 7. Sea . . . R 4 158 i
136i T : R 2-7R 2 T: R 2-7R
Sea V= {Matrices de tamaño 2 X 2}, Sea V= {Matrices de tamaño 2 x 2},
136! W=RyT dada por yT dada por 161 J- AX
T : V ---7 R T:V ---7 R 4
161 j_
149 t T(- 1,2) = (-5,1) T(- 1,2) = (- 7,1)
2
Página Errata Corrección
Se puede observar que la matriz aso- Se puede observar que la matriz aso-
1501 ciada a esta transformación lineal ciada a esta transformación lineal
es··· respecto a la base canónica es · · ·
151 t · · ·dada por lv(v)=v · · · dada por 1/v)=v
cX + Y)2=:0
153 t AoM T =M
. T
oA=I n AM T =M~=I
. n
1571 M- BM =A1
MBM- =A 1
Y=MX Y = M'X
Z=AX Z=A'X
1571. W =BY W =B'Y
- -:
a L +·· · +ca
m 1m
=O MZ = W M'Z=W
- ._- :--n.
rr +···+ca
m 2m
=O 1
M- W = Z (M'tW=Z
- --_:
~ an1 +· ··+ca
m nm
=O (M-1BM)(X)= (M-1B )(MX)= (MBM- 1 ) X = (M-1 ) B'M'X =
M-1 (BY)= M - 1W = Z = AX ~ (M- 1 ) B'Y = (M- 1 ) W = (M't W =
158 i
M-1BM = A
Z ~ (MBM-1 )x = A'X ~
MBM-1 = A
1611- AX A'X
· · · es un valor propio de la matriz · · · es un valor propio de la
1611. asociada A matriz A'
· · · , entonces {x 1, x2, . . • , xJ es · · ·, entonces {v1, v2, . . • , V0 } es
- a 22 -7 164 i linealmente independiente linealmente independiente
- o 1 164 t , con algún a/0 , con algún ai * O
164 t multiplicada por 1k+ l multiplicada por Ak+l
165 t x y Bnn
cambiar Ann x por Anxn y Bn:xn
_I;- =
-1
O -5)
6 1661. AlA2, · · · ,An \,A2, . . . , An
3
Página Errata Corrección
cambiar M;x 1 ,M;x2 y M;xn por
1681
M~X 1 , M~X2, y M~X n
· · · es un valor propio de la matriz · ··es un valor propio de la matriz c.
171-l-
A, entonces A-- 1••• invertible A, entonces A.- 1-··
-- -- - --
172-1-
AX = A X pues A es una A X = A X pues A es
matriz real.. . una matriz real ...
203!
175-l- e¡ A-¡
178-l- se tiene para A.2= 2 se tiene para A.2= 3 T =
179-l- A. 1 =4yA.2 =2 A. 1 = 4 y A.2 = -2
1801 B 0 • Pero los vectores de B 1 B2 • Pero los vectores de B 2
(l
1
X ' . X
comoP'X=Y ,~ como P X = Y y' ~
y
190-1-
~ (: J=P(::J
1
X X
X=PY~ =P '
y y X=PY
4
Página Errata Corrección
Corrección
_LX: , M~ 2 y M~n por 1 1 11 2
-- - -- --
-X-. y M~Xn 3 3 3 3
7 1 7 1
- ~or propio de la matriz c. Mr = - -- Mr = - --
entonces A- 1 ••· 3 3 3 3
1 1 1 1
-- - -- -
3 3.~ 3 3/
'
203!
T(v)=[!J T(v)=[_ !J
T(x,y,z){tx
--X
[ 11
T(x,y,z)= - ix . _
+
~ y - zJ
- x
3 : l:J - y+z
3
.·=t l =>
= :J=p(;,j
- --
- -~~ ~- · ----
Bibliografía
APOSTOL, Tom M. Calculus vol. 1 y JI, 2da. ed., Editorial Reverté, S.A., 1972
AYRES, Frank. Theory and Problems of Matrices, Schaum Publishing Co., Nueva
York, 1962
KOLMAN, B. Algebra lineal con aplicaciones, 6a. ed., Pearson Educación, 1999