Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.1. O espazo vectorial Rn , matrices e determinantes Besada, M.; Garcı́a, F.J.; Mirás, M.A.; Quinteiro, C.; Vázquez, C. Un Mar de
Matemáticas. Servizo de Publicacións da Unversidade de Vigo. 2016. Capı́tulo 1.
Manuel Besada Larson, R.; Edwars, B.H.; Falvo, D.C. Álgebra Lineal. Ed. Pirámide. 2004. Pxs. 175-225
e 270-285 e Capı́tulos 2 e 3.
Universidade de Vigo
http://matematicas.webs.uvigo.gal/; http://mbesada.webs.uvigo.gal/
mbesada@uvigo.gal Gerber, H. Álgebra lineal. Ed. Iberoamericana. 1992. Capı́tulos 2, 3 e 4.
17 de setembro de 2021 Adams, R. A. Cálculo. Pearson Educación. 2009. Pxs. 38-40 e 641-659
x x
Figura: Exemplo de suma de dous vectores e produto dun vector por un escalar en R2
Base canónica Base canónica
Definición
Chamamos módulo, norma ou lonxitude
q dun vector
(x, y)
y x = (x1 , . . . , xn ) ó número real |x| = x12 + x22 + · · · + xn2 .
Produto escalar
O produto escalar de dous vectores x, y 2 Rn defı́nese como a suma Definición
p
x · y = hx, yi = x1 y1 + x2 y2 + · · · + xn yn . |(x, y )| = x2 + y2 Chamamos distancia entre dous vectores x = (x1 , . . . , xn ) e
Exemplo: (1, 2, 1) · (0, 2, 3) = 1 y = (y1 , . . . , yn ) ó np
úmero real
d(x, y) = |x y| = (x1 y1 )2 +(x2 y2 )2 +. . .+(xn yn )2 .
x
Propiedades
Para todo x, y, z2 Rn e l 2 R, verifı́case,
x = (x1 , x2 ) I x · x = |x|2
I x · x = 0 se, e só se, x = 0 x2
I Dous vectores x, y 2 Rn teñen a mesma dirección se
I x ·y = y ·x d(x, y )
x2 y2 existe l 2 R tal que y = l x (son linealmente
I (x + y) · z = x · z + y · z dependentes).
y = (y1 , y2 ) x1 y1
I (l x) · y = l (x · y) = x · (l y) y2 I Un vector x 2 Rn é unitario se |x| = 1.
I x · (y + z) = x · y + x · z I Se x 6= 0, entón o vector x é unitario e ten a mesma
y1 x1 |x|
dirección que x.
Figura: norma e distancia I Se x 6= 0, entón o vector 2x ten o dobre de lonxitude e
a mesma dirección que x.
Demostración. Fórmula dos cosenos: |y x|2 = |x|2 + |y|2 2|x||y| cos q Corolario
Propiedades do produto escalar: |y x|2 = (y x) · (y x) = |y|2 + |x|2 2x · y 1. x · y = |x||y| cos q
Igualamos os dous segundos membros e simplificamos, 2. Dous vectores non nulos son ortogonais ou perpendiculares se, e só se,
x · y = 0.
2 2 2 2
|y| + |x| 2x · y = |x| + |y| 2|x||y| cos q
2x · y = 2|x||y| cos q Exemplos
x ·y
cos q = . I Os vectores (1, 2, 2) e ( 4, 3, 1) son ortogonais.
|x||y| p p
I Os vectores (2, 2 3) e (2 3, 2) forman un ángulo de p radiáns.
6
p p
I Os vectores ( 3, 1) e ( 3, 1) forman un ángulo de 4p
6 radiáns.
y x I Os vectores (1, 1) e (1, 0) forman un ángulo de p radiáns.
4
I Os vectores da base canónica en R3 son unitarios e ortogonais dous a dous.
q y
x
Matrices
Producto de matrices
Operacións con matrices n
!
0 1
a11 a12 . . . a1n I Produto de matrices: A · B = (aij ) · (bjk ) = (cik ) = Â aij bjk 2 Mm⇥k onde
B a21 a22 . . . a2n C j=1
B
I En xeral, se A 2 Mm⇥n será do xeito A = B . C A 2 Mm⇥n , B 2 Mn⇥k e o produto A · B 2 Mm⇥k .
.. .. .. C, con aik 2 R.
@ .. . . . A
am1 am2 . . . amn Mm⇥n · Mn⇥k = Mm⇥k
=
En Mm⇥n defı́nense as operacións: 66 66 6
I Por exemplo,
I suma de matrices: A + B = (aik ) + (bik ) = (aik + bik ) 2 Mm⇥n , onde A, B 2 Mm⇥n
0 1 0 1
I produto dun número real por unha matriz: l A = (l aik ) 2 Mm⇥n , onde l 2 R e a11 a12 ✓ ◆ a11 b11 + a12 b21 a11 b12 + a12 b22
b b12
A 2 Mm⇥n A · B = @a21 a22 A 11 = @a21 b11 + a22 b21 a21 b12 + a22 b22 A
b21 b22
a31 a32 a31 b11 + a32 b21 a31 b12 + a32 b22
Teorema onde o elemento ik da matriz produto é o produto escalar da fila i-ésima da matriz
O conxunto de tódalas matrices de orde m ⇥ n, Mm⇥n , coas operación suma e produto A pola columna k-ésima da matriz B. Daquı́ a importancia de que o número de
por un número real é un espazo vectorial de dimensión m · n que ten como base columnas de A sexa igual ó número de filas de B.
canónica B = {Eij = (epq ) : i = 1, . . . m; j = 1; . . . n}, onde eij = 1 e epq = 0 para p 6= i ou
I O esquema anterior sobre a orde no produto de matrices indica, obviamente, que
q 6= j.
Por exemplo, para m◆= n = 2, ✓ o produto de matrices non é conmutativo, xa que incluso é posible que non se
⇢ ✓ ◆ ✓ ◆ ✓ ◆ poidan multiplicar se cambiamos a orde dos factores.
1 0 0 1 0 0 0 0
B = E11 = , E12 = , E21 = , E22 = I Dúas matrices cadradas da mesma orde si que se poden permutar na orde dos
0 0 0 0 1 0 0 1
factores e non é difı́cil atopar dúas matrices que proben a non conmutatividade do
produto.
Tipos especiais de matrices
Tipos especiais de matrices
Exemplos
✓ ◆ ✓ ◆ ✓ ◆ ✓ ◆ 1. A matriz trasposta de A = (aik ) 2 Mm⇥n é a matriz B = (bik ) 2 Mn⇥m definida por
I A= 5 0 1 3 1 4 1 2 2 3
,B= ,C= ,D= bik = aki , para todo i, k. É un intercambio ordenado de filas por columnas.
1 2 3 2 0 1 1 0 4 1
Denótase por At ou tamén por A0 . Verifı́case que (At )t = A.
✓ ◆ ✓ ◆ ✓ ◆
5 0 1 3 1 4 8 1 5 2. Unha matriz A 2 Mn⇥n dise que é simétrica se coincide coa súa trasposta; é
A+B = + = dicir, At = A ou, equivalentemente, aik = aki , para todo i, k.
1 2 3 2 0 1 1 2 4
✓ ◆ ✓ ◆ 3. Unha matriz A = (aik ) 2 Mn⇥n dise diagonal se aik = 0, para todo i 6= k.
I 3A = 3 5 0 1 15 0 3
=
1 2 3 3 6 9 4. Matriz identidade é aquela matriz diagonal na que aii = 1, para todo i.
✓ ◆ ✓ ◆ 5. A matriz inversa de A 2 Mn⇥n é unha matriz, que denotamos A 1 que verifica
I 1 2 2 4
2C = 2
1 0
=
2 0 que A 1 A = AA 1 = I, onde I é a matriz identidade de orde n.
✓ ◆✓ ◆ ✓ ◆ Exemplos
I CA = 1 2 5 0 1 3 4 7 Se A, B e C son as matrices do exemplo anterior,
= 0 1
1 0 1 2 3 5 0 1 5 1 ✓ ◆ ✓ ◆
I At = @ 0 1 1 0 1
2 A 2 M3⇥2 Ct = 2 M2⇥2 C 1= 1 1
✓ ◆ ✓ ◆ 2 0
1 3 2 2
I CD = 6 1
6=
5 4
= DC. 0 1
2 3 5 8 ✓ ◆ 1 0 0
I I2 = 1 0 , I3 = B C
@0 1 0A, son as matrices identidade de orde 2 e 3, respectivamente
0 1
0 0 1
Exemplo
0 1 0 1
1 3 3 1 1 1
Propiedades dos determinantes I Para A = @1 t
3A, det A = 1, A = @3 4 3A,
4
7. Se B é unha matriz que se obtén de multiplicar só unha fila ou columna dunha 1 4 3 3 3 4
matriz A por un número l , entón det(B) = l det(A). 0 1 0 1
7 3 3 7 3 3
8. Desta propiedade temos que det(l A) = l n det(A), onde n é a orde da matriz A. I Adx(A ) =
t @ 1 1 A
0 , A = 1 @ 1 1 0A
9. Un determinante é nulo se, e só se, as súas filas (ou columnas) son vectores 1 0 1 1 0 1
0 1
linealmente dependentes. 1 2 3
I Para A = @1 5 4A, det A = 0 porque a terceira fila é sumas das dúas
Teorema 2 3 7
Unha matriz A 2 Mn⇥n ten inversa se, e só se, det A 6= 0. primeiras e, polo tanto, non existe A 1
I
Nesta caso, A 1 = det1 A (Atik ), onde (Atik ) é a matriz formada polos adxuntos da matriz
trasposta de A. 1 2 1 4 1 2 1 4
4 2 5
2 0 4 3 0 4 2 5
Definición 4 2 2 1
=
0 6 2 15
= 6 2 15
O rango dunha matriz A é o máximo número de vectores columna (fila) linealmente 7 6 14
3 1 3 2 0 7 6 14
independentes que posúe. Tamén coincide coa maior orde de tódalas submatrices
cadradas de A con determinante non nulo. 4 2 5
10 20
= 10 0 20 = ( 2) = 180
19 29
19 0 29
Consideremos dúas bases en R2 ; C = {e1 , e2 } e B = {v1 , v2 } e sexa x 2 R2 . Temos x = (3, 2)C = 3e1 + 2e2
que x = x1 e1 + x2 e2 = (x1 , x2 )C e tamén x = y1 v1 + y2 v2 = (y1 , y2 )B
Coordenadas de x en base C
e2 e1
v2
v1
x = (4, 1)B = 4v1 + 1v2
e1
v2
v1
Coordenadas de x en base B
Matriz de cambio de base
Matriz de cambio de base
1. Dúas bases C = {e1 , e2 , e3 } e B = {v1 , v2 , v3 } en R3 poden ser consideradas
como dúas matrices C = e1 e2 e3 e B = v1 v2 v3 , onde a columna Exemplos
i-ésima de cada matriz contén as coordenadas do vector i-ésimo da base I Consideremos en R3 as base, C = {e1 , e2 , e3 },
correspondente.
B1 = {(1, 1, 1), ( 1, 1, 0), (0, 1, 1)} e B2 = {(1, 1, 1), (1, 0, 1), (1, 1, 0)} .
2. Un vector calquera x 2 R3 que ten como coordenadas X = (x1 , x2 , x3 ) e 0 10 1 0 1
1 1 1 1 1 0 1 2 0
Y = (y1 , y2 , y3 ) nas bases C e B, respectivamente, pode escribirse,
I MB B = B 1 B1 = @ 1 1 0 A@ 1 1 1A=@ 2 2 1 A
1 2 2
x = x1 e1 + x2 e2 + x3 e3 = e1 e2 e3 X t = CX t 1 0 1 1 0 1 0 1 1
0 1 0 1
x = y1 v1 + y2 v2 + y3 v3 = v1 v2 v3 Y t = BY t 1 1 1 1 1 1
I MC B = B = @ 0
1
1 1A e MB2 C = B2 = @1 0 1A.
1 1
3. Como det C 6= 0 6= det B, e tendo en conta que CX t = BY t , por exemplo, se 1 1 0 1 1 0
coñecemos as as coordenadas do vector x na base C , X = (x1 , x2 , x3 ), podemos I Se (1, 3, 2) son as coordenadas de xC en base canónica, en base B1 valen
obter as coordenas deste vector na nova base B, mediante a operación, 0 10 1 0 1
1 1 1 1 0
Y t = B 1 CX t . 1
xB1 = B1 xC = @ 0 1 1A @ 3A = @ 1A.
4. Se C é a base canónica de R3 , entón C é a matriz identidade e a expresión 1 1 0 2 2
anterior simplifı́case a Y t = B 1 X t . Se as coordenadas coñecidas fosen na base I E as coordenadas deste mesmo vector en base B2 ,
B, entón X t = BY t . 0 10 1 0 1
1 1 1 1 2
5. A matriz B 1 C denomı́nase matriz de cambio de base de C a B e denótase por 1
xB2 = B2 xC = @ 1 1 0 A @ 3A = @ 4 A.
MC B = B 1 C. 1 0 1 2 1
6. Estes razonamentos son válidos en calquera espazo Rn .
Exemplos
I Se queremos rotar no plano os eixes coordenados p radiáns no sentido contrario
4 z
ás agullas do reloxo,
p p
Figura 1, entón o vector e1 da base canónica pasa a ser o
vector unitario ( 22 , 22 ) que se obtén de facer unitario o vector (1, 1) e e2 pasa a (0, sen(q ), cos(q ))
p p
2 2
ser o vector ( 2 , 2 ). Ası́, a matriz de cambio de base será (cos(q ), sen(q ))
p p ! 1 p p ! y
2 2 2 2
MC B = B 1 = p2 p2 = 2p p2 q
2 2 2 2
2 2 2 2
I En xeral, se rotamos q radiáns no mesmo sentido, entón a matriz de cambio de
✓ ◆ 1 ✓ ◆ ( sen(q ), cos(q )) y
cos q sen q cos q sen q x
base será, MC B = B 1 = = . q
sen q cos q sen q cos q
I Se en R3 deixamos fixado o eixe x; ou sexa e1 , e facemos rotar, sobre este eixe,
x (0, cos(q ), sen(q ))
os outros dous q radiáns no sentido das agullas do reloxio, entón o vector e2
pasará ó vector (0, cos q , sen q ) e e3 pasará ó vector (0, sen q , cos q ), Figura 2.
Figura: Rotacións de ángulo q
Neste caso, a matriz de cambio de base é,
0 1 1 0 1
1 0 0 1 0 0
1
M C B = B = @0 cos q sen q A = @0 cos q sen q A.
0 sen q cos q 0 sen q cos q
Matrices con M ATLAB