Larson 7ma

#.
* CENGAGE
• '" Learning·
Fundamentos de algebra lineal
Fundamentos de algebra lineal
Septima edici6n revisada
Ron Larson
The Pennsylvania State University
The Behrend College
Traducci6n
Oliver Davidson Vejar
Traductor profesional
Revisores tecnicos:
Edmundo Palacios Pastrana
Universidad lberoamericana, Mexico
Harold Vacca Gonzalez

Universidad Distrital Francisco Jose de Caldas, Bogota Colombia
Elmer J. Ramirez Machado

Universidad Pontificia Bolivariana, Colombia
CENGAGE
Learning·
Australia • Brasil • Corea • Espana • Estados Unidos • Jap6n • Mexico • Reino Unido • Singapur
CENGAGE
Learning·
Fundamentos de algebra lineal © D.R. 2016 por Cengage Learning Editores, S.A. de C.V.,
Septima edici6n revisada una Compaflfa de Cengage Learning, Inc.
Ron Larson Corporativo Santa Fe
Av. Santa Fe num. 505, piso 12
Director Editorial para Latinoamerica: Col. Cruz Ma nca, Santa Fe
Ricardo H. Rodriguez C.P. 05349, Mexico, D.F.
Cengage Learning•Mes una marca registrada
Editora de Adquisiciones para usada bajo permiso.
Latinoamerica:
Claudia C. Garay Castro DERECHOS RESERVADOS. Ninguna pa rte de
este trabajo amparado por la Ley Federal del
Gerente de Manufactura para Derecho de Autor, podra ser reproducida,
Latinoamerica: transmitida, al macenada o utilizada en
Antonio Mateos Martinez cualquier forma o por cualquier medio, ya sea
grafico, electr6nico o mecanico, incluyendo,
Gerente Editorial en Espanol para pero sin limitarse a lo siguiente: fotocopiado,
Lati noamerica: reproducci6n, escaneo, digitalizaci6n,
Pilar Hernandez Santamarina grabaci6n en audio, distribuci6n en Internet,
distribuci6n en redes de informaci6n o
Gerente de Proyectos Especiales: almacenamiento y recopilaci6n en sistemas
de informaci6n a excepci6n de lo permitido
Luciana Rabuffetti
en el Capftulo 111, Artfculo 27 de la Ley Federal
Coordinador de Manufactura: del Derecho de Autor, sin el consentimiento
por escrito de la Editorial.
Rafael Perez Gonzalez
Editor: Traducido del Ii bro: Elementary linear algebra

Omegar Martinez Seventh Edition
Publicado en i ngles por Cengage Learning
Diseiio de portada: © 2013 ISBN: 978-1-133-11087-3
Studio Dos www.studio2.com.mx
Datos para catalogacicin bibliografica:
Imagen de portada: Larson, Ron
Fundamentos de dlgebra lineal, septima edici6n revisada
Dreamstime.com
ISBN: 978-607-519-804-o
Composicion tipografica:
Jose Jaime Gutierrez Aceves Vi site nuestro sitio en:
http:/ /latinoamerica.cengage.com
Impreso en Mexico
1234567 17 16 15 14
Contenido
1 ■ Sistemas de ecuaciones lineales 1

1.1 lntroduccion a los sistemas de ecuaciones lineales 2
1.2 Eliminacion gaussiana y eliminacion de Gauss-Jordan 13
1.3 Aplicaciones de los sistemas de ecuaciones lineales 25
Ejercicios de repaso 35
Proyecto 1 Graficando Ecuaciones Linea/es 38
Proyecto 2 Sistemas de ecuaciones subdeterminados
y sobredeterminados 38
2 ■ Matrices 39
2 .1 Operaciones con matrices 40
2.2 Propiedades de las operaciones con matrices 52
2.3 lnversa de una matriz 62
2.4 Matrices elementales 74
2.5 Aplicaciones de las operaciones con matrices 84
Proyecto 1 Explorando la multiplicaci6n de matrices 102
Proyecto 2 Matrices nilpotentes 102
3 ■ Determinantes 103
3 .1 Determinante de una matriz 104
3.2 Determinantes y operaciones elementales 112
3.3 Propiedades de los determinantes 120
3.4 Aplicaciones de los determinantes 128
Proyecto 1 Matrices Estocasticas 141
Proyecto 2 Teorema de Cayley-Hamilton 141
Examen acumulativo de /os capitu/os 1 a 3 143
4 ■ Espacios vectoriales 145

4.1 Vectores en R'1 146
4.2 Espacios vectoriales 155
4.3 Subespacios de espacios vectoriales 162
4.4 Conjuntos generadores e independencia lineal 169
4.5 Base y dimension 180
4.6 Rango de una matriz y sistemas de ecuaciones lineales 189
4.7 Coordenadas y cambio de base 202
4.8 Aplicaciones de espacios vectoriales 212
Proyecto 1 Soluci6n de sistemas lineales 224
Proyecto 2 Suma directa 224
V
vi Contenido
5 ■ Espacios con producto interno 225

5.1 Longitud y producto punto en R"' 226
5.2 Espacios con producto interno 237
5.3 Bases ortonormales: el proceso de Gram-Schmidt 248
5.4 Modelos matematicos y analisis por minimos cuadrados 259
5.5 Aplicaciones de los espacios con producto interno 271
Proyecto 1 La factorizaci6n OR 287
Proyecto 2 Matrices ortogonales y cambio de base 288
Examen acumulativo de capftulos 4 y 5 289
6 ■ Transformaciones lineales 291

6.1 lntroducci6n a las transformaciones lineales 292
6.2 El kernel y el rango de una transformaci6n lineal 303
6.3 Matrices de transformaciones lineales 314
6.4 Matrices de transici6n y semejanza 324
6.5 Aplicaciones de las transformaciones lineales 330
Proyecto 1 Reflexiones en el piano R2 (I) 340
Proyecto 2 Reflexiones en el piano R2 (II) 340
7 ■ Eigenvalores y eigenvectores 341

7 .1 Eigenvalores y eigenvectores 342
7 .2 Diagonalizaci6n 353
7 .3 Matrices simetricas y diagonalizaci6n ortogonal 362
7 .4 Aplicaciones de los eigenvalores y los eigenvectores 372
Proyecto 1 Crecimiento poblacional y sistemas dinamicos (I) 388
Proyecto 2 La sucesi6n de Fibonacci 388
8 ■ Apendice A1
lnducci6n matematica y otras formas de demostraciones
Respuestas a los ejercicios impares seleccionados A7

indice A39
Prefacio
Bienvenidos a la septima edici6n revisada de Fundam.entos de algebra lineal. Mi objetivo

principal es presentar los principales conceptos de! algebra li neal de forma clara y concisa.
Para ello, he seleccionado cuidadosamente los ejemplos y ejercicios para equilibrar la
teorfa con las aplicaciones y la intuici6n geometrica. El orden y la cobertura de los temas
fueron elegidos para alcanzar niveles max imos de eficiencia, eficacia y equil ibrio. El
nuevo disefio esta complementado con una multitud de caracterfsticas y aplicaciones que
se encuentran a lo largo de! volumen.
Novedades de esta septima edici6n

• Aperturas de capftulo: Cada apertura de capftulo resalta cinco aplicaciones del algebra
lineal que se encuentran en el capftulo en la vida diaria. Muchas de estas aplicaciones
resaltan las nuevas Aplicaciones de algebra lineal.
• Apl icaciones de algebra Lineal: describe una aplicaci6n, en la vida diaria, de los concep-
tos discutidos en la secci6n. Estas aplicaciones incluyen conceptos de biologfa y ciencias
naturales, econornfa y negocios, ingenierfa y tecnologfa, ciencias aplicadas y estadfstica
y probabilidad.
• Ejercicios clave: En cada capftulo hay un problema o ejercicio que considero clave para
comprender los conceptos presentados.
• Series de problemas: Las series de ejercicios y problemas han sido cuidadosa y extensi-
vamente examinadas para asegurar que son rigurosas, relevantes y que cubren todos los
temas sugeridos por nuestros usuarios. Los problemas se han reorganizado para que se
puedan ver facilmente las conexiones entre los ejemplos y los ejercicios. Muchos de los
nuevos problemas implican desa1rnllo de habilidades y son desafiantes. Al igual queen
ediciones ante1iores, se incluyen los siguientes tipos de ejercicios probados pedag6gica-
mente:
0
Verdadero o falso. Estos ejercicios piden a los estudiantes que den ejemplos o justifi-
caciones para apoyar sus conclusiones.
0
Prueba de conceptos
0 Las pruebas guiadas conducen estudiante a traves de los pasos iniciales de la construc-
ci6n de pruebas y luego a la utilizaci6n de los resultados.
0 Ejercicios de escritura
0 Ejercicios con tecnologfa que se indican en el texto con . ~
0 Ejercicios que utilizan conjuntos de datos electr6nicos y que se indican mediante \ctl.
Advertencia sobre respuestas a problemas seleccionados

Las respuestas a los problemas seleccionados (problemas con numero impar al final de
cada capftulo) se pueden encontrar en el sitio www.CalcChat.com
Este sitio solo esta disponible en ingles y no es administrado por Cengage Leaming
Latinoamerica, por lo que esta no es responsable de los cambios y actualizaciones del
mismo.
Material de apoyo para el profesor

Este libro cuenta, ademas de con tres capftulos adicionales en CengageBrain, con una serie
de recursos para el profesor, los cuales estan disponibles unicamente en ingles y solo se
vii
viii Prefacio
proporcionan a los docentes que lo adopten como texto en sus cursos. Para mayor infor-
maci6n, p6ngase en contacto con el area de servicio al cliente en las siguie ntes direcciones
de correo electr6nico:
• Cengage Learning Mexico y Centroamerica clientes.mexicoca@cengage.com

• Cengage Learning Caribe clie ntes.caribe@cengage.com
• Cengage Learning Cono Sur clientes.conosur@cengage.com
• Cengage Learni ng Pacto Andino cl ie ntes.pactoandino@cengage.com
Al igual que los recursos impresos adicionales, las direcciones de los sitios web seiialadas
a lo largo de! texto, y que se incluyen a modo de referencia, no son administradas por
Cengage Learning Latinoamerica, por lo que esta no es responsable de los cambios y
actuali zaciones de las mismas.
Agradecimientos
Me gustarfa agradecer a todas las personas que me han ayudado durante las diversas etapas
de la escritura de esta nueva edici6n. En particular, agradezco los esfuerzos de los siguien-
tes colegas que hicieron muchas sugerencias utiles en el camino:
Michael Brown, San Diego Mesa College

Nasser Dastrange, Buena Vista University
Mike Daven, Mount Saint Mary College
David Hemmer, University of Buffalo, SUNY
Wai Lau, Seattle Pacific University
Jorge Sarmiento, County College of Morris
Me gustarfa agradecer particularmente a Bruce H. Edwards, University of Florida, y a

David C. Falvo, The Pennsylvania State University, The Behrend College, por sus contri-
buciones a las ediciones anteriores de Fundamentos de algebra lineal.
A nivel personal, estoy profundamente agradecido con mi esposa, Deanna Gilbert
Larson, por su amor, paciencia y apoyo. Tambien, quisiera enviarle un reconocimiento
especial a R. Scott O' Neil.
Dr. Ron Larson

Profesor de Matematicas
Penn State University
www .RonLarson.com
ix
Sistemas de
1 ecuaciones lineales
1.1 lntroducci6n a las sistemas de ecuaciones lineales
1.2 Eliminaci6n gaussiana y eliminaci6n de Gauss-Jordan
1.3 Aplicaciones de las sistemas de ecuaciones lineales
L
_ _ _ _ _ _ _t>
Flujo v ehicular (p. 28)
Analisis de redes electricas (p. 30)
Sistem a de posiciona miento g lobal (p. 16)
Velocidad del vuelo de un avi6n (p. 11)
Balance de ecuaciones qu fmicas (p. 4)

En sentido de las manec,llas del reloJ, desde arriba a la 11qu1erda. Rafa! Olk1s/WWW.shutterstock.com, michael1ung/www.shutterstock.com,
Fernando Jose Vasconcelos Soares/WWW shutterstock com, Alexander Raths/Shutterstock.Com; edobr,c/wv,w shutterstock.com 1
2 Capitulo 1 Sistemas de ecuaciones lineales
1.1 lntroducci6n a los sistemas de ecuaciones lineales
■ Reconocer sistemas de ecuaciones lineales de n variables.
■ Encontrar una representaci6n parametrica de un conjunto soluci6n.

Determinar cuando un sistema de ecuaciones lineales es consistente
■ o inconsistente.
Utilizar la sustituci6n hacia atras para resolver sistemas de ecuacio-
■ nes lineales.
ECUACIONES LINEALES EN n VARIABLES

El estudio del algebra li neal requiere que el estudiante este familiarizado con algebra,
geometrfa analftica y tri gonometrfa. Ocasionalmente encontrara ejemplos y ejercicios que
requieran conocimientos de calculo; estos se seiialan claramente en el texto.
Al comenzar con el estudio del algebra lineal, descubrira que muchos de los metodos
implican docenas de pasos aritmeticos. asf que es esenciaJ revisar constantemente su tra-
bajo. Puede utilizar una computadora o calculadora para revisar su trabajo, asf como para
ejecutar muchos de los calculos de rutina en e l algebra lineal.
Aunque algun material de este primer capftulo le resultara familiar, es recomendable
que estudie cuidadosamente los metodos presentados aquf. Asf, cultivara y aclarara su
intuici6n para el material mas abstracto que se presentara despues.
Recuerde de su curso de geometrfa analftica que la ecuaci6n de la recta en un espacio
de dos dimensiones, tiene la forma
a 1x + a 2 y = b, a 1, a 2 y b son constantes.
Esta es una ecuacion lineal en dos variables x y y. De la misma manera, la ecuaci6n de
un piano en un espacio de tres dimensiones tiene la fonna
a 1x + a 2 y + a 3 z = b, ai, a 2 , a 3 y b son constantes.
Esta ecuaci6n se denomina ecuacion lineal en tres variables x, y y z. En general, una
ecuaci6 n lineal en n variables se define de la sig uiente manera.
COM ENTARIO
Para representar con stantes se Definici6n de una ecuaci6n lineal en n variables
utilizan las primeras letras del
alfabeto y las va riables se Una ecuaci6n lineal en n variables x 1, x 2, x3, • •• , x 11 tiene la forma
represe ntan con las ultimas a 1x 1 + a2x 2 + a 3x 3 + · · · + a,,x = b.
11
let ras de este.
Los coeficientes ai, a 2, a 3, . . . , a,, son numeros reales y e l termino constante b
es un numero real. El numero a 1 es el coeficiente principal y x 1 es la variable prin-
cipal.
Las ecuaciones lineales no tienen productos o rafces de variables; tampoco variables q ue

aparezcan en funciones trigonometricas, exponenciales o logaritrnicas. Las variables apa-
recen e levadas solo a la primera potencia. El ejemplo I lista algunas ecuacio nes lineales y
algunas que no lo son.
EJEMPLO 1 Ejemplos de ecuaciones lineales y no lineales
Cada ecuaci6n es lineal.

a) 3x + 2y = 7 b) ½x + y - 1TZ = fi
Las siguientes ecuaciones no son lineales.
a) xy +z=2 b) ex - 2y =4
1.1 lntroducci6n a los sistemas de ecuaciones lineales 3
SOLUCIONES Y CONJUNTOS SOLUCION

Una soluci6n de una ecuaci6n lineal en n vari ables es una sucesi6n de II numeros reales
s 1, s2, s 3, . . . , s,, ordenados de modo que la ecuaci6 n se cumple cuando los valores
se sustituyen en esta. Por ejemplo, la ecuaci6n x 1 + 2x2 = 4. Se cumple cuando x 1 = 2 y

x 2 = I . Otras soluciones son x 1
= - 4 y x 2 = 4, y tambien x 1 = 0 y x 2 = 2, y x 1 = - 2
y X2 = 3.
El conjunto de todas las soluciones de la ecuaci6n lineal se denomina conjunto solu-
ci6n y cuando se determina este conjunto, se dice que se ha resuelto la ecuaci6n. Para
describir todo el conj unto soluci6n de una ecuaci6n lineal, a menudo se utiliza la repre-
sentaci6n parametrica, como se ilustra en los ej emplos 2 y 3.
EJEMPLO 2 Representaci6n parametrica de un conjunto soluci6n
Resuelva la ecuaci6n lineal x 1 + 2x2 = 4.

SOLUCION
Para detenninar el conjunto soluci6n de una ecuaci6n en dos variables, resolvemos una de
las variables en terminos de la otra. Si usted resuelve para x 1 en terminos de x 2, obtiene
x1 =4 - 2x2 .
De esta manera, la variable x 2 es libre, lo cual significa que puede tomar cu alqui er valor real.
La variable x 1 no es libre, ya que su valor dependera del valor asignado a x2 • Para representar
un numero infinito de soluciones de esta ecuaci6n es convenience introducir una tercera varia-
ble t denominada parametro. Asf, con x 2 = t, se puede representar el conjunto soluci6n como
x 1 = 4 - 21, x 2 = 1, t es cualq uier numero real.
Se puede n obte ner soluc iones particulares al asignar valores al parametro t . Po r ejem-
plo, t = 1 produce la soluci6n x 1 = 2 y x 2 = 1 y t = 4 genera la soluci6 n x 1 = - 4 y x 2
= 4.
El conjunto soluc i6n de una ecuaci6 n lineal puede representarse parametricamente en mas
de una fo rma. En el ejemplo 2 usted pudo haber elegido x 1 como la variable libre. La
representac i6n parametrica del conjunto soluci6n habrfa ento nces tornado la forma
x 1 = s, x2 =2 - ½s, s es cualquier numero real.
Por conveniencia, elegiremos como variables libres aquellas que aparecen al final en la
ecuaci6 n.
I EJEMPLO 3 Representaci6n parametrica de un conjunto soluci6n
Resuelva la ecuaci6 n lineal 3x + 2y - z = 3.

SOLUCION
Al elegir y y z como variables libres, empecemos a resolver para x para obtener
3x = + z
3 - 2y
X = 1 - ~)' + ½z.
Haciendo y = s y z = t, obtenemos la representac i6n pararnetrica

X = l - 3S
2 + l31, y = S, z=f
do nde s y t son numeros reales cualesquiera. Dos soluc iones particulares son
x= 1, y = 0, z = 0 y x = I, y = I, z = 2.
SISTEMA$ DE ECUACIONES LINEALES

Un sistema de m ecuaciones lineales en n variables es un conj unto de m ecuaciones,
cada una de las cuales es lineal en las mismas n variables:
COM ENTARIO
La notaci6n con doble subindice
a 11 x 1 + + a 13x 3 +
a 1;iX 2 + a 1,,x,, = b 1
indica que a;i es el coeficiente G2 1X I + G2r2 + G23X 3 + + G2,,X,, = b2
de xi en la i-esima ecuaci6n. Cl3 1X 1 + ll:.r2 + Cl33X3 + + Cl3,,XII = b3
La soluci6n de un sistema de ecuaciones lineales es una sucesi6n de numeros s 1, s2,

s3 , ..• , s 11 que es soluci6n de cada una de las ecuaciones lineales del sistema. Por ejemplo,
el sistema
3x I + 2x 2 =3
- x1 + x2 = 4
tiene a x 1 = - I y x2 = 3 como una soluci6n debido a que ambas ecuaciones se cumplen
cuando x 1 = - I y x2 = 3. Por otra parte, x 1 = I y x2 = 0 no es una soluci6n de! sistema,
ya que estos valores s6lo satis facen la primera ecuaci6n.
'LI□ Grafique las dos rectas

3x - y =1
2x - y =0
en el piano x-y. lEn donde se intersectan? lCuantas soluciones tiene
este sistema de ecuaciones?
~□ Repita e l analisis anterior para el par de rectas:
3x - y =1
3x - y =0
y
3x - y =1
6x - 2y = 2.
©□ En general, lQue tipos basicos de conjuntos solucion son posibles
para un sistema de dos ecuaciones con dos incognitas?
ALGEBRA En una reacci6n quimica, los ,itomos se reorganizan en una o mas

sustancias. Por ejemplo, cuando el meta no (CH 4 ) se combina con
LINEAL oxigeno (02 ) y se quema, se forman di6xido de carbono (CO2 ) y agua
APLICADA (H 20). Los q uimicos representan este proceso con una ecuaci6n
quimica de la forma
Puesto que una reacci6n qui mica no puede crear o destruir atomos,
todos los atomos representados a la izquierda de la flecha deben ser
considerados tambien a la derecha. Esto se llama balance de la
ecuaci6n quimica. En el ejemplo dado, los quimicos pueden usar un
sistema de ecuaciones lineales para encontrar los valores de x 1, x 2, x3
y x4 que balanceen la ecuaci6n quimica.
Elnur/www shuttersiock com

Puede suceder que un sistema de ecuaciones lineales tenga exactamente una soluci6n,
un m1mero infinito de soluciones o ninguna soluci6n. Un sistema de ecuaciones lineales se
denomina consistente si tiene por lo menos una soluci6n e inconsistente si no tiene solu-
ci6n.
EJEMPLO 4 Sistemas de dos ecuaciones en dos variables
Resuelva y grafique cada sistema de ecuaciones Iineales.

a) X +y = 3 b) x + y=3 C) X +y = 3
x-y=- 1 2x + 2y = 6 x+y= l
SOLUCION
a) Este sistema tiene exactamente una soluci6n, x = I y y = 2. Esta soluci6n puede
alcanzarse al sumar las dos ecuaciones para obtener 2x = 2, lo cual implica que x = I
y por tanto, y = 2. La grafica de este sistema se representa medi ante dos rectas que se
intersectan, como se muestra en la Figura 1.1 (a).
b) Este sistema cuenta con un numero infinito de solucio nes, ya que la segunda soluc i6n
es el resultado de multiplicar por 2 ambos mie mbros de la primera ecuaci6 n. Una
representaci6n parametrica de! conjunto soluci6n es:
x = 3 - t, y = t, t es cualquier numero real.

La grafica de este sistema se representa como dos rectas coincidentes, como se muestra
en la figura l.l (b).
c) Este sistema no tiene soluci6n porque es imposible que la suma de dos numeros sea 3
y I simultaneamente. La grafica de este sistema se representa como dos rectas para/e-
tas, como se muestra en la figura I. I (c) .
y .l' .r
a) Dos rectas que se cortan: b) Dos rectas coincidentes: c) Dos rectas paralelas:
x+y= 3 X + y =3 x+y=3
x-y=- 1 2x + 2y =6 x+y= I
Figura 1.1
El ejemplo 4 ilustra los tres tipos basicos de conjuntos soluci6n que son posibles para
un sistema de ecuac iones linea1es. Este resultado se enuncia aquf sin demostraci6n. (Esta
se proporciona despues en el Teorema 2.5)
Numero de soluciones de un sistema de ecuaciones lineales

Para un sistema de ecuac io nes lineales, una de las siguientes afirmacio nes es verda-
dera:
1. El sistema tiene exactamente una soluci6n (sistema consistente).
2. El sistema tiene un numero infinito de solucio nes (siste ma consistente).
3. El sistema no tiene soluci6n (sistema inconsistente).
6 Capitulo 1 Sistemas de ecuaciones linea les
RESOLVIENDO UN SISTEMA DE ECUACIONES LINEALES

i,Cual de los sig uientes sistemas es mas facil de resolver algebraicamente?
X - 2y + 3z = 9 X - 2y + 3z = 9
-x + 3y = -4 y + 3z = 5
2x - Sy+ 5z = 17 z=2
El sistema de la derecha es el mas facil de resolver. Este sistema esta en la forma escalo-
nada por filas o renglones, lo cual significa que sigue un patron escalo nado y que tiene
coefic ientes principales iguales a I. Para resolver este sistema se aplica un p rocedimiento
denorninado sustituci6n hacia atras.
Uso de la sustituci6n hacia atras para resolver

EJEMPLO 5
un sistema de forma escalonada por renglones
Utilice la sustituci6n hacia atras para resolver el sistema.

X - 2y = 5 Ecuaci6n I
y = - 2 Ecuaci6n 2
SOLUCION
De la Ecuaci6n 2 usted sabe que y = -2. Al sustituir este valor en la Ecuaci6n 1, o btiene
X - 2(- 2) = 5 Sustituya - 2 =y
X = ). Resuel va para x
Asf, el sistema tiene exactamente una soluci6n x = l yy = -2.
El terrnino "sustituci6n hacia atras" implica que se trabaja en retrospectiva. Asf, en el

Ejemplo 5, la segunda ecuaci6n gener6 el valor de y. El Ejemplo 6 demuestra este procedi-
miento. Se sustituye entonces ese valor en la prirnera ecuaci6n y se resuelve para x.
Uso de la sustituci6n hacia atras para resolver

j EJEMPLO 6
un sistema de forma escalonada por renglones
Resuelva el siguiente sistema.

X - 2y + 3z = 9 Ecuaci6n I
y + 3z = 5 Ecuaci6n 2
z = 2 Ecuaci6n 3
SOLUCION
De la Ecuaci6n 3, conoce el valor de z. Para resolver para y, sustituya z = 2 en la ecuac i6n
2 para obtener
y + 3(2) = 5 Sustituya ;: =2
y = - 1. Resuelva para y
Finalmente, sustituya y = - l y z = 2 en la ecuaci6n I para obtener

x - 2( - I) + 3(2) = 9 Sustituya y = - l, z = 2
X = I. Resuel va para x
La soluci6n es x = l , y = - I y z = 2.
Dos sistemas de ecuaciones son equivalentes si tienen el mismo conjunto soluci6n.

Para resolver un sistema que no este en la forma escalonada por re nglo nes, primero se
transforma a un sistema equivalente que este en la forma escalonada por renglones
mediante las sig uientes operacio nes.
1.1 lntroducci6n a los sistemas de ecuac iones lineales 7
Operaciones que conducen a sistemas de ecuaciones equivalentes

Cada una de las siguientes operaciones, aplicadas a un sistema de ecuaciones linea-
les, produce un sistema equivalente:
1. lntercambiar dos ecuaciones.
2. Multiplicar una ecuaci6n por una constante diferente de cero.
3. Sumar el multiplo de una ecuaci6n a otra.
Reescribir un sistema de ecuaciones lineales en la forma e calonada por renglones, a

menudo implica una cadena de sistemas equivalentes, cada uno de los cuales se obtiene
mediante la aplicaci6n de una de las tres operaciones basicas. Este proceso es denominado
Eliminaci6n Gaussiana, en honor del matematico aleman Carl Friedrich Gauss ( 1777- 1855).
EJEMPLO 7 Uso de la eliminacion gaussiana para reescribir

Carl Friedrich Gauss un sistema en la forma escalonada por renglones
(1777-1855)
El matematico aleman Resuelva el sistema.
Carl Friedrich Gauss es
reconocido, con Newton y X - 2y 9+ 3z =
Arqu imedes, como unos de -x+3y =-4
los tres matematicos mas 2x - Sy + 5 z = 17
importantes de la historia.
Gauss us6 una forma de lo SOLUCION
que ahora se conoce como Aunque existen varias maneras de empezar, es recomendable utilizar un procedimiento
Eliminaci6n Gaussiana en sistematico que pueda aplicarse facilmente a sistemas grandes. Trabaje a partir de la
sus investigaciones. Aunque esquina superior izquierda del sistema, mantenga x en la posici6n superior izquierda y
este metodo fue nombrado
e limine las demas x de la primera columna.
en honor a Gauss, los chinos
usaban un metodo casi iden- X - 2y+ 3z = 9 Sumando la primera ecuaci6n
tico 2000 arios antes que el. y + 3z = 5 ...,_ a la segunda, obtenemos una
2x - Sy+ 5 z = 17 nueva segunda ecuaci6n.
X - 2y + 3z = 9 Sumando - 2 veces la primera

y + 3z = 5 ecuaci6n a la tercera, obtenemos
- y - z= - 1 ...,_ una nueva tercera ecuaci6n
Ahora que todo se ha eliminado de la primera columna, excepto la primera x, procedemos

con la segunda.
X - 2y + 3z = 9 Sumando la segunda ecuaci6n
y + 3z = 5
2z = 4 ..... a la tercera, generamos una
nueva tercera ecuaci6n.
X - 2y + 3z = 9 Multiplicando la tcrcera
y + 3z = 5
z= 2 ..... ecuaci6n por ½, obtenemos una
nueva tercera ecuaci6n.
Este es el mismo sistema usado en el Ejemplo 6 y, como en ese caso, la soluci6 n es

x= l, y = - l, z= 2.
Cada una de las tres ecuaciones en el Ejemplo 7 representa un piano en un sistema de

coordenadas tridimensionales. Ya que la unica soluci6n del sistema es el punto
(x, y, z) = (I, - 1, 2)
los tres pianos se intersectan en el punto representado por estas coordenadas, como se
muestra en la figura 1.2.
Figura 1.2 BenmaM/Corb,s
Debido a q ue se requieren muchos pasos para resolver un sistema de ecuaciones linea-

les, es muy facil cometer erro res aritmeticos; es por ello que se sugiere fo mentar el habito
de comprobar la soluci6n sustituyendola en cada una de las ecuaciones def sistema origi-
nal. Asf, en el ejemplo 7, puede comprobar la soluc i6n x = I, y = - I y z = 2 como sig ue.
Ecuaci6n I: (1)-2(- 1) +3(2)= 9 Sus1i1uya la soluci6n
Ecuaci6n 2: -(1)+3(- l ) -4 en cada ecuaci6n
Ecuaci6n 3: 2( 1) - 5(- l) + 5(2) = 17 del sistema original.
El siguiente ejemplo implica un sistema inconsistente, o que no tiene soluci6n. La

clave para identificar un sistema inconsistente es que, en algun punto de l proceso de eli-
minaci6n, se obtendra un resultado sin sentido como O = -2. Esto se demuestra en el
ejemplo 8.
EJEMPLO 8 Un sistema inconsistente
Resue lva el sistema.

x1 - 3x 2 + x 3 = I
2x 1 - x 2 - 2x 3 = 2
x 1 + 2x 2 - 3x 3 = - l
SOLUCION
x1 -3x 2 + x 3 = I Sumando -2 veccs la primera ecuaci6n
5x 2 - 4x 3 = 0 .._ a la segunda ecuaci6n, generamos una
x 1 + 2x 2 - 3x 3 = - l nueva segunda ecuaci6n.
x 1 -3x 2 + x3 = L Sumando - I veces la primera ecuaci6n

5x 2 - 4x 3 = 0 a la lercera ecuaci6n, producimos una
5x 2 - 4x 3 = - 2 .._ nueva tercera ecuaci6n.
(Otra manera de describir esta operaci6n es decir que de la tercera ecuaci6n se rest6 la
pri mera para obtener una nueva tercera ecuaci6n.)
x 1 - 3x 2 + x3 = I Sumando - I veccs la segunda ccuaci6n
5x 2 - 4x 3 = 0 a la tercera ecuaci6n, producimos una
0 = - 2 .._ nueva tercera ecuaci6n.
Ya que la tercera "ecuaci6 n" es falsa, este sistema no tiene soluci6n. Ademas, debido a
que es equi valente al sistema original, pode mos concluir que este tampoco tiene solu-
ci6n.
Como en el ejemplo 7, las tres ecuaciones del

ejemplo 8 representan pianos en un sistema coorde-
nado tridimensional. En este ejemplo, sin embargo, el
sistema es inconsistente. Asf, los pianos no tienen un
punto en comun, como se muestra en la Figura 1.3.
Figura 1.3
Esta secci6n termina con el analisis de un sistema de ecuaciones li neales que tiene un
numero infinito de soluciones. Puede representarse el conjunto soluci6n para este sistema de
manera parametrica como se hizo en los Ejemplos 2 y 3.
EJEMPLO 9 Un sistema con un numero infinito de soluciones
Resuelva el sistema.
X2 - X3 = 0
x1 - 3x 3 =- I
-x 1 + 3x 2 I
SOLUCION
Comience por reescribir el sistema en la fonna escalonada por renglones, como se muestra
enseguida.
XI - 3x 3 = - 1 ...,.. Intercambiamos las dos
X2 - X3 = 0 ...,.. primeras ecuaciones.
-x 1 + 3x 2 =
- 3x 3 = - I
Sumando la primera ecuaci6n
X2 - x3 = 0 a la tercera ecuaci6n, se genera
3x 2 - 3x 3 = 0 ...,.. una nueva tercera ecuaci6n.
XI - 3x 3 = -1
Sumando - 3 veces la segunda ecuaci6n
X2 - x3 = 0 a la tercera ecuaci6n para e liminar
O= 0 ...,.. la tercera ecuaci6 n.
Debido a que la tercera ecuaci6n es innecesaria, la eliminamos para obtener el sistema

mostrado abajo.
x1 - 3x 3 = - I
X2 - X3 = 0
Para representar las soluciones, se elige x3 como la variable libre y se representa con el para-
metro t. Dado que x 2 = x 3 y x 1 = 3x3 - l , se puede describir el conjunto soluci6n como
x 1 = 3t - I, x2 = t, x3 = t, t es cualquier numero real.
@rn@©ODOOOOD[R!X] □ Cg~LJ@
'LI□ Grafique las dos rectas representadas por el sistema de ecuaciones.
X - 2y = 1
- 2x + 3y = -3
~□ Utilice la eliminaci6n Gaussiana para resolver este sistema de la
siguiente manera.
x - 2y =
- 1y = - 1
X - 2y =1
y =1
x =3
y = 1
Grafique el sistema de ecuaciones que obtiene a cada paso de este
proceso. lQue puede observar acerca de estas rectas?
Se le pedira repetir este analisis grafico para otros sistemas en los ejercicios
89 y 90.
1. 1 Ejercicios Consulte www.CalcChat.com para las soluc1ones de los ejerc1c1os nones.
Ecuaciones lineales En los ejercicios I a 6, determine si Analisis grafico En los ejercicios 3 1 a 36, complete el
la ecuaci6n dada es lineal en las variables x y y. siguiente conj unto de tareas para cada sistema de ecuacio nes.
1. 2x - 3y = 4 2. 3x - 4xy = 0 a) Utilice una aplicaci6n grafica para graficar las ecuaciones
3 2 en el sistema.
3. - +- - I = 0 4. x 2 + y2 = 4
y X b) Utilice las graficas para determinar si el sistema es con-
5. 2 sen x - y = 14 6. (sen2)x - y = 14 sistente o inconsistente.
c) Si el sistema es consistente, aproxime la soluc i6n.
Representaci6n parametrica En los ejercicios 7 a 10,
d) Resuelva el sistema algebraicamente.
encuentre la representaci6n parametrica de! conj unto solu-
ci6n de la ecuaci6n lineal. e) Compare la soluci6n del inciso (d) con la aproximaci6n
de! inciso (c). j,Que puede concluir?
7. 2x - 4y=0 8. 3x - 2I y =9
9. x+y +z= I 31. -3x - y =3 32. 4x - Sy= 3
6x + 2y =I -Bx+ I0y = 14
10. 13x 1 - 26x 2 + 39x 3 = 13
33. 2x - 8y = 3 34. 9x - 4y =5
Analisis grafico En los Ejercicios I I a 24, grafique el ½x+ y=0 ½x+½Y=o
sistema de ecuaciones lineales. Resuelva el sistema e inter- 35. 4x - 8y = 9 36. - 5.3x + 2. ly = 1.25
prete su respuesta.
0.8x - I .6y = 1.8 15.9x - 6.3y = -3.75
11. 2.x + y = 4 )2. + 3y = 2
X
x-y=2 -x + 2y = 3 Sistema de ecuaciones lineales En los ejercicios 37 a

I I 56 resuelva e l sistema de ecuaciones lineales.
13. X - y =I 14. i"X-3y=
-2.x + 2y =5 37. X I - X2 = 0 38. 3x + 2y = 2
-2.x +bi= -4
3x 1 - 2x 2 = - 1 6x + 4y = 14
15. 3x - Sy= 7 16. -x + 3y = 17
39. 2u + v= 120 40. x 1 - 2x 2 = 0
2.x+ y=9 4x + 3y = 7 u + 2v = 120 6x 1 +2x 2 =0
17. 2x - y = 5 18. x - Sy= 2 1 2 I
41. 9x - 3y = - I 42. 3X1 + 6X2 = 0
Sx - y = 11 6x + Sy= 2 1
kx + ~y = -½ 4x 1 + X2 = 0
19. x : 3 +y ; I = l 20. X ; I +y ; 2 =4 43 x-2+y- 1 =2
. 4 3
2x - y = 12 X - 2y =5 X - 3y = 20
21. 0.05x - 0.03y = 0.07 22. 0.2x - 0.Sy = -27.8
0.07x + 0.02y = 0. 16 0.3x + 0.4y = 68.7 x, + 4 + X2 + I -
44. - -3- -- 2- -
23. i +i = l 24·
2x
3 +6=3
y 2
45. 0.02x I - 0.05X2

3x 1 - X2 = -2
= -0. J 9
x - y= 3 4x + y =4 0.03x 1 + 0.04x 2 = 0.52
Sustituci6n hacia atras En los Ejerc icios 25-30, use el 46. 0.05x 1 0.03x 2 = 0.21
-
sistema de sustituci6n hacia atras para resolver el sistema. 0.07x 1 + 0.02x 2 = 0.17
25. x1- x 2 =2 26. 2x 1 -4x 2 =6 47. X + )' + Z = 6 48. x+y+z= 2
X2 = 3 3x2 = 9 2x - y +z= 3 -x + 3y + 2 z = 8
27. - X + y - Z = 0 28. X - y = 4 3x - z = 0 4x + y = 4
+ z=2y 3 2y + z= 6 49. 3x 1 - 2x 2 + 4x 3 = l
½z = 0 3z = 6 x1 + x2 -2x 3 =3
2x 1 - 3x 2 + 6x 3 = 8
29. Sx 1 + 2.x 2 + x 3 = 0 30. XI + X2 + X3 = 0
2.x , + X2 =0 X2 =0 50. Sx 1 - 3x 2 + 2x 3 = 3
2x 1 + 4x 2 - x 3 = 7
x1 - llx 2 + 4x 3 = 3
El simbolo indica un ejercicio en e l cual puede u1ilizarse una aplicaci6n grafica
o un programa de c6mpu10.
1.1 Ejercicios 11
51. 2x 1 + x2 - 3x 3 = 4 65. Nutrici6n Un vaso de ocho onzas de jugo de manzana

4x 1 + 2x 3 = 10 y un vaso de ocho onzas de j ugo de naranja contienen un
- 2x 1 + 3x 2 - I 3x 3 = -8 total de 177.4 miligramos de vitamina C. Dos vasos de
ocho o nzas de jugo de manzana y tres vasos de ocho
52. x1 + 4x 3 = )3
onzas de jugo de naranja contienen un total de 436. 7
4 XI - 2x 2 + X 3 = 7 miligramos de vitami na C. lCuanta vitami na C hay en
2x 1 - 2x 2 - 7x 3 = - 19 un vaso de ocho onzas de cada tipo de j ugo?
53. X - 3y + 2z = 18 66. Velocidad de vuelo Dos aviones parten de! Aero-
5x - 15y + I0z = 18 puerto Internacional de Los Angeles y vuelan en direc-
54. x1- 2x 2 + 5x 3 = 2 ciones opuestas. El segundo avi6n parte media hora des-
3x 1 + 2x 2 - x 3 = -2 pues que el primero, pero su velocidad es 80 ki16metros
55. X + y + Z + W = 6
por hora mayor. Encuentre la velocidad de vuelo de cada
avi6n si 2 horas despues de que parti6 el primer avi6n,
2x + 3y - w =0
ambos estan a 3200 kil6metros de distancia uno del otro.
-3x + 4y + z + 2w = 4
X + 2y - Z + W = 0 LVerdadero o falso? En los Ejercicios 67 y 68, detennine
56. X1 si cada una de las expresiones es verdadera o falsa. Si la
2x2 - X3 - X4 = 0 expresi6 n es verdadera, proporcione una raz6n o cite una
3x 2 - 2x4 = I expresi6n adecuada a partir del texto. Si la ex presi6n es falsa,
proponga un ejemplo que demuestre que la expresi6n no es
2x I - X2 + 4x 3 = 5
cierta en todos los casos o cite una expresi6n adecuada a
Sistema de ecuaciones lineales En los Ejercicios 57 a partir del texto.
~ 60, utilice un programa de c6mputo o una aplicaci6n grafica 67. a) Un sistema de una ecuaci6n lineal en dos variables es
'=-'para resolver el sistema de ecuaciones lineales. siempre consistente.
57. + 0.5x 2 + 0.33x 3 +
x 1 0.25x 4 = 1.1 b) Un sistema de dos ecuaciones lineales en tres varia-
0.5x 1 + 0.33x 2 + 0.25x 3 + 0.2lx 4 = 1.2 bles es siempre consistente.
0.33x 1 + 0.25x 2 + 0.2x 3 + 0. 17x4 = 1.3 c) Si un sistema Lineal es consistente, entonces tiene un
0.25x 1 + 0.2x 2 + 0.17x 3 + 0. 14x4 = 1.4 numero infinito de soluciones.
58. 120.2x + 62.4y - 36.Sz = 258.64 68. a) Un sistema lineal puede tener exactamente dos solu-
56.8x - 42.8y + 27 .3z = - 7 1.44 ciones.
88.lx + 72.Sy - 28.Sz = 225.88 b) Dos sistemas de ecuaciones lineales son equivalentes
59 • :zX I - 7X2 + 9X
I 2 3349
3 = 630 si tienen el m ismo conjunto soluci6n.
2 4 2 19
3X 1 + 9X2 - 5X3 = -45 c) Un sistema de tres ecuaciones lineales en dos varia-
4 I 4 IE bles siempre es inconsistente.
5X1 - g Xz + 3X3 = 150
60. kx - ½J + ¼z - ½w = 69. Encuentre un sistema de dos ecuaciones en dos varia-

tx + h - ½z+ ¼w = bles, x 1 y x 2 , que tengan un conjunto soluci6n dado por
¼x - h + ¼z- ½w = la representaci6n parametrica x 1 = t y x 2 = 3t - 4,
lx + ly _ 13 2 + lw -- donde t es cualquier numero real. Entonces demuestre
5 4 2
que las soluciones de! sistema pueden escribirse como
Numero de Soluciones En los Ejercicios 6 1 a 64, indique 4 t
por que el sistema de ecuaciones debe tener al menos una X
I
=-+-
3 3 y X
2
= t.
soluci6n. Despues resuelva el sistema y determine si este tiene
exactamente una soluci6n o un numero infin ito de soluciones. 70. Encuentre un sistema de dos ecuaciones en tres varia-
bles, xi, x2 y x 3 , que tengan el conjunto soluci6n dado
61. 4x + 3y + 17z = 0 62. 2x + 3y =0 por la representaci6n parametrica
5x + 4y + 22z = 0 4x + 3y - z = 0
X1 = f, X2 = S y X3 = 3 + S - t,
4x + 2y + 19z = 0 8x + 3y + 3z = 0
donde s y t son cualqu ier numero real. Despues demues-
63. 5x + Sy - z = 0 64. 12x + Sy + z = 0 tre que las soluciones del sistema pueden escribirse
l0x + Sy + 2z = 0 12x+4y-z=0 como
5x + 15y - 9z = 0
Xi = 3+ S - t, X2 = S y X3 = f.
El s fmbolo eindica que conjuntos electr6nicos de daios estan disponibles en college.cengage.com/pic/larsonELA6e.

Estos conjuntos de daios son compatibles con cada una de las siguientes tecnologfas: MATLAB. Mathematica, Maple,
Derive, Tl-83ff l-83 Plus. Tl-86, T l-89, Tl-92 y Tl-92 Plus.
Sustituci6n En los Ejercicios 71 a 74, resuelva el sistema

de ecuaciones haciendo A = l/x, B = l /y y C = 1/z 84. rfil[g[K!A:]£i]'[g Encuentre los valores de a, by
c tales que el sistema de ecuaciones lineales tenga
71. ~- ~=7 2
72. -
3
+- = 0 (a) exactamente una soluci6n, (b) un numero infi-
X y X y
nito de soluc iones y (c) no tenga soluci6 n. Expli-
3 4 3 4 25 que su razonamiento.
-+-=0
X y X y 6
X + 5y + Z = 0
~+ ! - 3 2 1 2
73. 4 74. - + - - - = 5 X + 6y - Z = 0
X y z X y z
2x + ay + bz = c
4 2 10 3 4
+ = - I
X z X y
85. Escriba Considere el sistema de ecuaciones lineales
- -2 + -3 - -13 = -8 2 I 3
- + -+-= 0 en x ey.
X y z X y z a,x + b1y = c1
Coeficientes Trigonometricos En los Ejercicios 75 y 76,

G2X + h2Y = C2
a3 x + b3 y = c3
resuelva el sistema de ecuaciones lineales para x y y.
Describa las graficas de estas tres ecuaciones en el piano
75. (Cos 0)x + (Sen 0)y = I
x-y cuando el sistema tiene (a) exactamente una solu-
(-Sen 0)x + (Cos 0)y = 0
ci6n, (b) un numero infinito de soluciones y (c) ninguna
76. (Cos 0)x + (Sen 0)y = I soluci6n.
(-Sen 0)x + (Cos 0)y = 1
86. Escriba Explique por que el sistema de ecuaciones
lineales del Ejercicio 85 debe ser consistente, si Ios ter-
Diseno de Coeficiente En los Ejercicios 77 a 82, deter-
minos constantes Ci, c2 y c3 son todos cero.
mine los valores de k de tal manera que el sistema tenga el
numero de soluciones que se indica. 87. Demuestre que si ax2 + bx+ c = 0 para toda x , e ntonces
a= b = c = 0.
77. Un numero infinito de soluciones.
88. Considere el sistema de ecuaciones lineales en x e y .
4x + ky = 6
kx + y = -3 ax+ by= e
ex+ dy = f
78. Un numero infinito de soluciones.
kx+ y= 4 i,Bajo que condic iones el sistema tie ne exactamente una
2x-3y=- l 2 soluci6n?
79. Exactamente una soluci6n. Descubrimiento En los Ejercicios 89 y 90, trace las rectas
x + ky = 0 determinadas por el sistema de ecuaciones lineales. Entonces,
kx+ y=0 aplique la eli minaci6n gaussiana para resolver el sistema. En
80. Sin soluci6n. cada paso del proceso de eliminaci6n, trace las rectas corres-
x + ky = 2 pondientes. i,Que puede observar de estas rectas?
kx+ y=4 89. X - 4y = -3 90. 2x - 3y = 7
81. Sin soluci6n. 5x - 6y = 13 - 4x + 6y = -1 4
x + 2y + kz = 6 Escriba En los Ejercicios 9 1 y 92, las graficas de ambas
3x + 6y + 8z =4 ecuaciones parecen ser paralelas. Resuelva el sistema de
82. Exactamente una soluc i6n. ecuaciones algebraicamente. Explique por que las graficas
confunden.
kx + 2ky + 3kz = 4k
x+ y+ z= 0 91. l00y - x = 200 92. 2 1x-20y = 0
2x- y+ z= 99y-x = - 198 l 3x - l 2y = 120
y y
83. Determine los valores de k tales que el sistema de ecua-
4
ciones lineales no tenga una soluci6n unica. 3
x + y + kz = 3
x+ky+ z= 2 -+--+--+--+--+--+--+--+-- X
-3 - I I 2 3 4
kx+ y+ z=
-3
-4
1.2 Eliminaci6n gaussiana y eliminaci6n de Gauss-Jordan 13
1.2 Eliminaci6n gaussiana y eliminaci6n de Gauss-Jordan
Determ ine el t amario de una matriz y escriba una matriz aumentada o

■ una matriz de coeficientes a partir de un sistema de ecuaciones lineales.
Use matrices y eliminaci6n Gaussiana con sustituci6n hacia atras
■ para resolver el sistema de ecuaciones lineales.
Use matrices y la eliminaci6n Gauss-Jordan para resolver un sistema
■ de ecuaciones lineales.
■ Resuelva un sistema homogeneo de ecuaciones lineales.
MATRICES
En la secci6n 1. 1 la eliminaci6n Gaussiana fue introducida como un procedimie nto para la
soluci6n de sistemas de ecuaciones lineales. En esta secci6n usted estudiara este procedi-
miento con mayor profundidad, empezando por algunas defin iciones. La primera es la
COMENTARIO definici6n de matriz.
El plural de matriz es matrices.
Definici6n de matriz
Si cada elemento de la matriz es
un numero real, entonces la Si m y n son enteros positivos, entonces una matriz m X n (que se lee como "m. porn") es
matriz se denomina matriz real. un arreglo rectangular
A menos que se indique lo
contrario, todas las matrices de Columna I Columna 2 Columna 3 Columna 11
este texto son reales. Re ngl6n I all al2 a1 3 al11

Reng16n 2 a21 a22 {½3 a2,,
Re ngl6n 3 a 31 G32 a 33 a 3II
Reng16n m aml a 1112 am3 a,,,,,

en el cual cada elemento aij de la matriz es un numero. Una matriz m X n tiene m
renglones (lfneas horizontales) y n columnas (lfneas verticales). Las matrices usual-
mente se denotan con letras mayusculas.
El elemento aij esta ubicado en el i-esimo rengl6n yen laj-esima columna. i se deno-
mina subfndice de/ reng/611 porque identifica la lfnea horizontal en la cual se ubica el
e le mento y el subfndicej se denomina subfndice de la columna porque identifica la lfnea
vertical en la que se encuentra el elemento.
Se dice que una matriz con m renglones y n columnas es de tamano m X n. Si m =
11, entonces la matriz se llama cuadrada de orden n. Los elementos a 11 , a 22 , a 33, . . . se
denominan elementos de la diagonal principal.
I EJEMPLO 1 Tamanos de matrices
Cada matriz tiene indicado el tamaiio.
a) Tamaiio: l x l [2] b) Tamaiio: 2 x 2 [~ ~] c) Tamafio: 2 x 3 [ ; A -;J

COMENTARIO El uso mas comun de las matrices es para representar un sistema de ecuaciones linea-
les. La matriz obtenida de los coeficientes y terminos constantes de un siste ma de ecuacio-
Comience alineando
verticalmente las variables en nes lineales se denomina matriz aumentada de! sistema. A la matriz que s61o contiene los
las ecuaciones. Use O para coeficientes del sistema se le llama matriz de coeficientes de! sistema. He aquf un ejemplo.
indicar coeficientes de cero en la Sistema Matriz aumentada Matriz de coeficie ntes
matriz. Considere la cuarta
.x - 4y + 3z = 5
H
columna de terminos constantes - 4 3
en la matriz aumentada. -.x +3y - z= -3 3 - 1
2.x - 4z = 6 0 -4
OPERACIONES ELEMENTALES POR RENGLON

En la secci6n anterior, usted estudi6 tres o peraciones que producen sistemas equivalentes
de ecuaciones lineales.
1. Intercam bie dos ecuaciones.
2. Multiplique una ecuaci6n por una constante difere nte de cero.
3. Sume un mt'.iltip lo de una ecuaci6n a otra ecuaci6n.
En terminologfa de matrices, estas tres operacione corresponde n a operaciones elementales
por rengl6n. Una operaci6n elemental por re ngl6n en una matriz aumentada produce una
nueva matriz aume ntada, correspondiente a un sistema de ecuaciones Lineales nuevo (aunque
equivale nte). Dos matrices son equivalentes por rengl6n c uando una puede obtenerse a
partir de otra por una a secuencia finita de operaciones elementales por rengl6n.
Operaciones elementales por rengl6n

1. Intercambio de dos ec uaciones.
2. Multiplicaci6n de una ecuaci6 n por una constante difere nte de cero.
3. Suma de un mt'.iltiplo de una ecuaci6n a otra ecuaci6n.
Aunque es facil efectuar las operacio nes ele mentales e n los renglo nes, esto implica
muchas operaciones aritmeticas. Ya que es faci l cometer un error, es recome ndable an otar
sie mpre la operaci6n elemental real izada e n cada paso, de modo que revisar el trabaj o sea
NOTA TECNOLOGICA mas facil.
Muchas aplicaciones graficas y Debido a que resolver aJgunos siste mas implica muchos pasos, es de gran ayuda uti-
progra m as de c6m puto pueden lizar un me todo de notaci6n abreviada, para tener seguimiento de cad a operaci6n ele me n-
efectuar operaci ones elementa- tal que usted efectue. Esta no taci6n se introduce e n el siguie nte ejem plo.
les en renglo nes de matrices. Si
usted usa una aplicaci6 n grafica,
las pant allas para el ejem plo
2(c) pueden verse como las que , EJEMPLO 2 Operaciones elementales en los renglones
aparecen abaj o. Los com andos
y sintaxis de programaci6 n pa ra
a) lntercambie el prime ro y segundo re nglones.
estas aplicaciones/programas
para el ejemplo 2(c) se propo r- Matriz original Nueva matriz equivalente por renglones Notaci6n
n
cio nan en la Online Technology
H ~]
Guide, dispo nible en 3 2 0
w ww.cengag e.com
con la busqueda Larson, Funda-
mentos de A lgebra Linea l 7e.
2
- 3
0
4
;] - 3
1 3
4
R 1 ~ R1
A b) Multiplique el primer re ngl6n por ½para producir un nuevo primer rengl6n.

[ [ 1 2 -4 3 l
[0 3 -2 -11 Matriz original Nueva matriz equivalente por renglones Notaci6n
-~] [:
[2 1 5 -21 I
MRAdd( -2,A,1,3)
[ [1 2
[0
[0
3
-4 3 J
-2 -1)
-3 13 -BJ I [
2
I
5
- 4
-2
3 - 3
6 -2
-2
3
3
- 3 -~] (i}R1 ➔ R 1
...____------1{> c) Sume -2 veces e l primer re ngl6n al tercero, para generar un nuevo te rcer re ngl6n.
Matriz original Nueva matriz equivalente por renglones Notaci6n
-'.] [~
1 2 -4 2 -4
[ 0
2
3 -2
5 -2
3
- 3
- 2
13
-'.]
-8 R3 + (- 2)R 1 ➔ R3
Note que sumar - 2 veces el re ng l6n I al rengl6n 3 no camb ia el re ngl6 n I .
En el Ejemplo 7 de la Secci6n 1.1 , se aplic6 la eliminaci6n gaussiana con sustituc i6n

hacia atras para resolver un sistema de ecuaciones lineales. Ahora aprendera la versi6n
matric ial de la eliminaci6n gaussiana. Los dos metodos utilizados en el siguiente ejemplo
son esencialmente iguales, la diferencia fundam ental es que con el metodo matricial no es
necesario escribir las variables una y otra vez.
Uso de las operaciones elementales

I EJEMPLO 3
en los renglones para resolver un sistema
Sistema lineal Matriz asociada aumentada
X -
-x+3y
2y
2x - Sy
+
+
3z =
=-4
9
Sz = 17 H
-2
3
-5
~
5
-!]
17
Sume la primera ecuac i6n a la segunda. Sume el primer rengl6n al segundo
para obtener un nuevo segundo rengl6n.
X - 2y + 3z = 9
1 - 2 33 95]
y + 3z = 5 R2 + R 1 ➔ R2
[0
2x - Sy + 5z = 17 2 -5 5 17
Sume - 2 veces la primera ecuaci6n Sume - 2 veces el primer re ngl6 n al tercero
a la tercera. para obtener un nuevo tercer rengl6n.
X - 2y+ 3z =
+ 3z =
y
-y - z = -
9
5
l
[
~
0
-2
- 1
~
- 1
!]
- 1 R3 +(- 2 ) R 1 ➔ R3
Sume la segunda ecuaci6n a la tercera. Sume el segundo re ng16n al tercero

para obtener un nuevo tercer rengl6n
~
X - 2y + 3z = 9
y + 3z = 5 -~ !4]
2z =4 0 2 R3 + R2 ➔ R 3
Multiplique la tercera ecuaci6n por ½- Multiplique el tercer rengl6n por ½
para obtener un nuevo tercer rengl6 n.
[~-~ ~ !]
X - 2y + 3z = 9
y + 3z = 5
z= 2 0 0 2 (½)R3 ➔ R3
Ahora puede utilizar la sustituci6n hacia atras para encontrar la soluci6n, como en el
ej emplo 6 de la secci6 n 1.1. La soluci6n es x = l , y = - 2 y z = 2.
Se dice que la ultima matriz del ejemplo 3 esta en la forma escalonada por renglones.
El termino escalonada se refiere al patron de escalera fo rmado por los elementos no nulos
de la matriz. Para que una matriz tenga esta forma debe tener las siguientes propiedades.
Forma Escalonada por Renglones y Forma Escalonada por

Renglones Reducida
Una matri z en la forma escalonada por renglones tiene estas propiedades:
1. Todos los renglones que constan por completo de ceros se encuentran en la parte
inferio r de la matriz.
2. Por cada rengl6n que no consta completamente de ceros, el primer elemento no
nulo es I (denominado I principal).
3. Para dos renglones consecutivos (no nulos), e l 1 principal del rengl6n superior
esta mas a la izquierda que el 1 principal del rengl6n inmedi ato inferi or.
Una matriz escalonada por renglones esta en la forma escalonada reducida si toda
columna con un I principal tiene ceros en todas las posiciones por arriba y por debajo de
su l principal.
I EJEMPLO 4 Forma escalonada por renglones
Determine si cada matriz esta en forma escalonada por renglones. De estarlo, determine
si esta en forma reducida.
2 - 1 2 -1
NOTA TECNOLOGICA l 0 0 0
a) [~
0 1 1 2
Utilice una aplicaci6n grafica o
un programa de c6mputo para I -5 2 - I 0 0
encontrar la forma escalonada
por renglones reducida de la
0 0 I 3 I 0
c) 0
matriz del inciso (f) de la matriz 0 0 I 0 I
en el Ejemplo 4 (b). Los
0 0 0 0 0 0
comandos y la sintaxis de
-~]
programaci6n de esta 2 -3 1 0
aplicaci6n/ programa para el
ejemplo 4 se proporcionan en 2 0 I
e) [~
la Online Technology Guide, 0 -3 0 0
disponible en
www.cengage.com SOLUCION
mentos de Algebra Lineal 7e. Las matrices en (a), (c), (d) y (t) estan ahora en fonna escalonada por renglones. Las matrices
en (d) y (f) estan en forma escalonada por renglones reducida porque cada columna que tiene
un l principal tiene ceros en cada posici6n arriba y abajo de su l principal. La matriz en (b)
no esta en forma escalonada por renglones porque no hay un reng16n de puros ceros hasta
abajo de la matriz. La matriz en (e) no esta en forma escalonada por reng16n porque la primer
entrada distinta a cero en el Rengl6n 2 no es un I principal.
Puede demostrarse que toda matriz es equivalente por renglones a una matriz en forma
escalonada por renglones. De este modo, en el ejemplo 4 usted puede cambiar la matriz
de! inciso (e) a la forma escalonada por renglones al multiplicar por ½el segundo reng16n
de Ia matriz.
El procedimeinto para utilizar la eliminaci6n gauss iana con sustituci6n hacia atras
para resolver un sistema es el siguiente.
Eliminaci6n gaussiana con sustituci6n hacia atras

I . Escriba la matriz aumentada del s istema de ecuaciones lineales.
2. Utilice operaciones elementales en los renglones para reescribir la matriz
aumentada en la forma escalonada por renglones.
3. Escriba el siste ma de ecuaciones lineales correspondiente a la matriz en la
forma escalonada por renglones y aplique la sustituci6n hacia arras para encon-
trar la soluci6n.
La eliminaci6n gaussiana con sustituci6n hacia atras funciona bien como metodo algorftrnico
para resolver sistemas de ecuaciones lineales ya sea a mano o a computadora. Para este algo-
ritmo, el orden en el que las operaciones elementales en los reglones son efectuadas es impor-
tante. Muevase de izquierda a derecha por columnas, carnbiando a cero todos los elementos
directamente debajo de los I princi pales.
ALGEBRA El Sistema de Posicionamiento Global (GPS, por sus siglas en ingles) es

una red de 24 satelites orig inalmente desarrollado por el ejercito de
LINEAL Estados Unidos como herramienta de navegaci6n. En la actualidad, los
APLICADA receptores de GPS son usados en una gran variedad de aplicaciones
civiles, como determinar direcciones, localizar botes a la deriva y
monitorear terremotos. Un receptor de GPS funciona con lecturas
satelitales para calcular su ubicaci6n. En tres dimensiones, el receptor
usa seiiales de al menos cuatro satelites para "trilaterizar" su posici6n.
En un modelo matematico simplificado, se usa un sistema de tres
ecuaciones lineales en cuatro inc6gnitas (tres dimensiones y
tiempo) para determinar las coordenadas del receptor como funciones
de tiempo.
edo'r1:Kc/www shunerstock.com
EJEMPLO 5 Eliminaci6n gaussiana con sustituci6n hacia atras
Resuelva e l siste ma.

X2 + X3 - 2x 4 = -3
Xi + 2x 2 - X3 = 2
2xi + 4x 2 + X3 3x 4 = -2
Xi - 4x 2 - 7x 3 - X4 = -1 9
SOLUCION
La matriz a ume ntada para este sistema es
0 1 -2
1 2 - 1 0 -3]
2
-2 .
2 4 l -3
l -4 -7 - 1 - 19
Obtenie ndo un I princ ipal e n la esquina superior izquie rda y ceros e n los demas elem entos
de la primera columna.
I 2 - I 0
-2
2
-3
.....
..... Se intercambian los dos
primeros renglones . R 1 H R2
0
2 4 -3 -2
-4 -7 - I - 19
1 2 - 1 0 Se suma -2 veces el
primer reng16n al tercero
0
0
1
0 3
1 -2 -3
-3 -6
2] ..... para obtener un nuevo
tercer rengl6n . R3 + (- 2) Ri -> R3
-4 -7 - 1 - 19
l 2 - 1 0 2
-2 - 3 Se suma - I veces el primer
0 1 1
rengl6n al cuarto, para
0 0 3 -3 -6
0 -6 -6 - 1 -21 ..... obtener un nuevo cuarto
rengl6n . R4 + (- ! ) Ri -> R4
A hora que la primera columna esta en la fonna deseada, puede modificar la segunda
columna como sigue.
1 2 - 1 0 2
0 1 1 -2 -3 Sume 6 veces el segundo
rengl6n al cuarto, para
3 - 3 -6
0
0
0
0 0 - 13 -39 ..... obtener un nuevo cuarto
rengl6n. R4 + (6) R2 -> R4
Para escribir la tercera columna e n la forma adecuada, multipliq ue e l te rcer rengl6 n por ½
y multiplique e l cuarto re ngl6n por --&,.
l
0
2
1
- 1
1 -2
0
_;] Multiplique el tercer reng16n
0 0 I - 1 -2 .....
.....
por ½y el cuarto rengl6n
por -h para obtener un (DR3 ➔ R3
0 0 0 3 nuevo cuarto reng16n. (-h)R4➔ R4
La m atriz esta ahora en la forma escalona da por re nglo ne s y e l sistema de ecuacio nes
lineales respecti vo es e l siguie nte
x 1 +2x 2 -x 3 2
X2 + X3 - 2x4 = -3
X3 - X4 =- 2
X4 = 3
A plicando la sustituci6n hac ia atras, la soluc i6n es Xi =- 1, x2 = 2, x 3 = I , x4 = 3.

Al resolver un sistema de ecuaciones lineaJes, recuerde que es posible que el sistema

no tenga soluci6n. Si durante el proceso de eliminaci6n obtiene un rengl6n con ceros
excepto en el ultimo elemento, es innecesario continuar con el proceso de eliminaci6n.
Asf, usted puede concluir simplemente que el sistema es inconsistente y no tiene soluc i6n.
'
, EJEMPLO 6 Un sistema sin soluci6n
Resuelva el sistema.
X1 - + 2x 3 = 4
X2
X1 + X3 = 6
2x 1 - 3x 2 + 5x 3 = 4
3x 1 + 2x 2 - X3 = I
SOLUCION
La matriz aumentada de este sistema es
- I 2 4
0 6
-3 5 4
r~ 2 - I
Aplicando la eliminaci6n gaussiana a la matri z aumentada tenemos
- 1 2 4
I - ] 2 R2 + (- l) RI ➔ R2
-3 5 4
r~ 2 - 1
-L 2 4
- 1 2
- 1 1 -4 R3 + (- 2)R 1 ➔ R3
r~ 2 - 1 l
- ) 2 4
I - I 2
- I I -4
r~ 5 - 7 -II R4 + (- 3)R 1 ➔ R4
-1 2 4
1 - 1 2
0 0 -2 R3 + R2 ➔ R3
r~ 5 -7 - 1I
Observe que el tercer rengl6n de esta matri z consta de ceros, excepto e l ultimo elemento.
Esto significa que el sistema de ecuaciones lineales original es inconsistente. Puede com-
probarlo al regresar de nuevo a un sistema de ecuaciones lineales.
X1 - X2 + 2x 3 = 4
X2 - X3 = 2
0 = - 2
5x 2 - 7x 3 =- II
Debido a que la tercera ecuaci6n es absurda, el sistema no tiene soluci6n.

ELIMINACION DE GAUSS-JORDAN
Con la eliminaci6n gaussiana, usted aplica operaciones elementales en los renglones de
una matriz para obtener una forma escalonada por renglones (equivalente por renglones).
Un segundo metodo de eliminaci6n, denorninado eliminaci6n de Gauss-Jordan en honor
de Carl Gauss y Wilhem Jordan ( 1842-1899), continua el proceso de reducci6n hasta que
se obtiene una forma escalonada reducida por renglones. Este procedirniento se demuestra
e n el siguiente ejemplo.
I EJEMPLO 7 Eliminaci6n de Gauss-Jordan
Utilice la eliminaci6n de Gauss-Jordan para resolver el sistema.

X - 2y + 3z = 9
- x + 3y -4
2x - 5y + 5z = 17
SOLUCION
En el ejemplo 3 usted uti liz6 la eliminaci6n gaussiana para obtener la siguiente forma
escalonada por renglones.
-2 3
1 3
0 l
Ahora, aplique soluciones elementales en los renglones hasta obtener ceros arriba de cada
uno de los I principales, como se muestra a continuaci6n.
0 R1 + {2)R2 ➔ R 1
'~]
9
[~ l
0
3
0 9
0
19]
-1 R2 + ( - 3)R 3 ➔ R 2
[~ 1
0 2
0 0 R1 + (- 9)R 3 ➔ R 1
[~ l
0
0
-ll
La matriz esta ahora en la fo rma escalonada reducida por renglones. Yolviendo a un sis-
tema de ecuaciones lineales tenemos
x=
y = - I
z = 2.
Los procedimientos de eliminaci6n descritos en esta secci6n a veces resultan en coefi-

cientes fraccionales. Por ejemplo, en el procedirniento de eliminaci6n para el sistema
2x 5y + 5z 17
3x 2y + 3z = 11
+ = -
__
COM ENTARIO -3x 3y 16
No importa el orden que utilice,
la forma escalonada por puede que qu iera multiplicar el primer rengl6n por 1/2 para generar un I principal, lo que
renglones reducida sera la habrfa introducido fracciones en este. Para calculos manuales, en ocasiones podemos evi-
..___
misma. [> tar las fracciones eligiendo prudentemente el orden en el que se aplican las operaciones
elementales en los renglones.
20 Capitu lo 1 Sistemas de ecuaciones lineales
@rn@©ODOOOOO[lYAJOCgU\'!Jv@
'ua Sin realizar ninguna operaci6n en los renglones, explique por que este
sistema de ecuaciones lineales es consistente.
2x1 + 3x2 + 5x3 = 0

- 5X1 + 6X2 - 17X3 = 0
1x, - 4X2 + 3 X3 = 0
~□ El siguiente sistema tiene mas vari ables que ecuaciones. l,Por que esto
hace que tenga un numero infinite de soluciones?
2x1 + 3x2 + 5x3 + 2x4 = 0

- 5x1 + 6X2 - 17X3 - 3X4 = 0
7X1 - 4x2 + 3X3 + 13X4 =0
El siguiente ejemplo muestra c6mo aplicar la elimjnac i6n de Gauss-Jordan para resol-
ver un sistema que tiene un numero infinito de soluciones.
EJEMPLO 8 Un sistema con un numero infinito de soluciones
Resuelva el siguiente sistema de ecuac iones lineales.

2.x I + 4X2 - 2.x 3 = Q
3x 1 + 5x 2 = I
SOLUCION
La matriz aumentada de! sistema de ecuaciones lineales es
4 -2
5 0
Utilizando una aplicaci6n gra fica, un programa de c6mputo o la eliminaci6n de Gauss-
Jordan, usted puede comprobar que la forma escalonada por renglones reducida de la
matriz es
0 5
-3
El sistema de ecuaciones correspondiente es

x, + 5x 3 = 2
x2 - 3x3 = - 1.
Ahora, usando el parametro I para representar x 3, tenemos
x1 =2- 51, x2 = - I + 31, x3 = 1, donde I es cualquier numero real.
Tome en cuenta que en el ejemplo se asign6 un parametro arbitraiio a la variable no

principal x 3. Despues resolvemos para las variables principales x 1 y x2 como funciones de I.
Ahora que ha considerado dos metodos de eliminaci6n para resolver un sistema de
ecuaciones lineales, l,CUal es mejor? En cierta medida, la respuesta depende de la preferen-
cia personal. En las aplicac iones del algebra lineal a la vida real, los siste mas de ecuacio-
nes lineales frecuentemente se resuelven por computadora. Muchos programas de c6m-
puto utilizan la eliminaci6n gaussiana, enfatizando las maneras de reduc ir los errores por
redondeo y mjnimjzando el almacenamjento de datos. Ya que los ejemplos y lo ejercicios
en este libro generalmente son mas simples y centrados en los conceptos basicos, usted
necesita conocer los dos metodos de e]imjnaci6n.
SISTEMAS DE ECUACIONES LINEALES HOMOGENEOS

Como ul timo tema de esta secci6n, usted estudiani sistemas de ecuaciones lineales en Jos que
todos los terminos constantes son iguales a cero. A estos sistemas les denominamos homo-
COM ENTARIO
geneos. Por ejemplo un sistema homogeneo de m ecuaciones en n variables tiene la forma
Un sistema homogeneo de tres
ecuacio nes en tres variables
x , , x 2 y x 3 debe tener co mo
G11X1 + 01:zX2 + G 13X 3 +' '+ a1 ,,X 11 = 0
soluci6 n trivial x 1 = 0, x 2 = 0 G2 1X1 + 0i:r2 + Gi3X 3 +. .+ a 2,,X ,, = 0
y X3 = 0.
Es facil o bservar que un sistema homogeneo debe tener por lo menos una soluci6n. Espe-
cfficamente, si todas las variables de un sistema homogeneo son iguales a cero, entonces
deben satisfacerse cada una de las ecuac iones. Tai soluci6 n se deno mina trivial (u obvia).
Soluci6n de un sistema de ecuaciones

I EJEMPLO 9
lineales homogeneo
Resuelva el siguiente sistema de ecuaciones lineales.
X I - X 2 + 3x 3 = 0
2x 1 + x 2 + 3x 3 = 0
SOLUCION
Aplicando la eliminaci6 n de Gauss-Jordan a la matriz aumentada
- I 3
I 3
obtenemos la sig uiente matriz.
[~
-l
3
3
-3 ~] R2 + (- 2)R1 -tR2
[~
- I
I
3
- I ~] G)R 2 ➔ R2
+ R2-tR1
[~ 0 2
-I ~] RI
El sistema de ecuaciones correspondientes a esta matriz es

X 1 + 2X 3 =0
X2 - X3 = 0.
Utilizando el parametro t = x3 , el conjunto soluci6 n es x 1 = - 2t, x 2 = t, x3 = t, t es cual-
quier numero real.
El siste ma de ecuaciones tiene un numero infi nito de solucio nes, una de las cuales es la
soluci6n trivial (dada port = 0).
Como ilustra el ej emplo 9, un sistema homogeneo con menos ecuaciones que varia-
bl es tie ne un numero infi nito de solucio nes.
TEOREMA 1.1 Numero de soluciones

de un sistema homogeneo
Todo sistema de ecuaciones lineales homogeneo es consistente. Ademas, si el sis-
tema tiene menos ecuacio nes que variables, ento nces debe tener un numero infi nito
de soluciones.
Una demostraci6n de] teorema 1.1 puede efectuarse aplicando Jos mis mos procedi-
mientos que utiliz6 en el ejemplo 9, esta vez para una matriz general.
1.2 Ejercicios Consulte www.CatcChat.com para las soluciones de los eJerc1cios nones.
Matrix Size En los ejercicios I a 6 determjne el tamafio de I 2 0

la matriz. 0 I 2 I
17.
0 0 I 2
2
-ii 11
1.
[~ -4 2.
[-i
-2
18.
0
l
0
0
2
I
0
0
3
l
0
3. [_! -l
2
-l
0 ~] 4. [ -1] 0
0
0
0
I
0
2
0 ;1
6 4 3
Forma escalonada por renglones En los ejercicios 19 a 24,
-7 4 1
5. determine si la matriz esta en la forma escalonada por renglones.
[f - I
- I
2
2
0
I
0
Si es asf, determine tambien si esta en la forma escalonada redu-
cida.
6. [ I 2 3 4 - 10]
Operaciones elementales por rengl6n En los Ejerci-

cios 7-10, identifique la o las operaciones elementales por
19.
[~
0
0
I
0
0
I
~]
rengl6n realizadas para obtener la nueva matri z equi valenle
por reng lones.
Matriz original Nueva matri: equivaleme por renglones
20.
[~ l
0
0
2 ~]
0 I
-2
7. [ 3 - I
5
- I
0 -39]
-8
21.
[~ - 1
0 0
I
;]
~]
Matriz original Nueva matri: equivalente por renglones 0 2
- I
3
- I
0
-4]
-5
22.
[~ 0
I 3
Matriz original
-I
- 5
3
-5
-7
3
Nueva matriz equivaleme por renglones
5]6 [-0I - 3I -7
- 5
0 7 -27
23.
[~
0
0
0
0
0
0
0
I 0
I
2 ~]
Matriz orig inal Nueva matri: equivalente por renglones
3 -2]
24. [~ 0
0
0
0 !]
7 - ll Sistema de ecuaciones lineales En los ejercicios 25 a 38,
8 -4 resuelva el sistema ya sea utilizando eliminaci6n gaussiana con
sustituci6n hacia atras o la eliminaci6n de Gauss-Jordan.
Matriz aumentada En los ejercicios I I a 18, encuentre el
25. X + 2y = 7 26. 2x + 6y = 16
conjunto soluci6n del sistema de ecuacio nes lineales repre-
sentado por la matri z aumentada. 2x+ y=8 -2x-6y=- 16
27. -x+2y= 1.5
11.
[~ 0
I ~] 12.
[~ 0
I ~] 2x - 4y = 3
28. 2x - y = -0. l
J
- I 0 2
13.
[~ I
0
- 2
l
14. [~ 0
0 0
-!] + 2y = 1.6
3x
29. -3x + 5y = -22
3x + 4y = 4
ts. [:
-I
I
-I
I
2 ~] 16. [: -2
0
- ~] 30. X
X
4x - Sy=
+ 2y = 0
+ y= 6
3x - 2y = 8
32
1.2 Ejercicios 23
~]
31. Xi - 3x 3 = -2 0 0
3x i + x 2 - 2x 3 = 5 43.
2xi + 2x 2 + x 3 = 4 [~ 0
0
I
0
+ 3x 3 = 24
~]
32. 2x 1 -x2 0
2x 2 x3 = 14 44.
[~ 0
-
7xi - 5x 2 = 6 0
33. 2x i + 3x 3 = 3
4 Xi - 3X 2 + 7X 3 = 5 45. Finanzas Una pequeiia corporac i6n de software tom6
un prestamo por $500,000 para expandir su lfnea de
8xi - 9x 2 + l5x 3 = 10
software. Parte del prestamo fue a 9%, otra parte a I 0%,
34. Xi + X z - 5x 3 = 3 y otra a 12% de interes. Use un sistema de ecuacio nes
Xi - 2x 3 = I para determinar cuanto se tom6 en prestamo a cada tasa
2xi-x 2 - x 3 = 0 si el in teres anual fue de $52,000 y la cantidad prestada
35. 4x + l 2y - 7 z - 20w = 22 a 10% fue 2½ veces la cantidad prestada a 9%. Resuelva
3x + 9y - 5z - 28w = 30 el sisle ma usando matrices.
36. X + 2y + Z = 8 46. Propinas Un mesero examina la cantidad de dinero
-3x - 6y - 3z = -2 1 que gan6 en propinas despues de trabaj ar un turno de 8
horas. El mesero tiene un total de $95 en billetes de $ 1,
37. 3x + 3 y + I2z = 6
$5, $ I 0, y $20. El numero total de billetes es 26. El
X + y + 4z = 2 numero de billetes de $5 es 4 veces el numero de billetes
2x + Sy + 20z = 10 de $ I 0, y el numero de billetes de $ I es I menos que el
-x + 2y + 8z = 4 doble del numero de billetes de $5. Escriba un sistema
38. 2x + y - z + 2 w = - 6 de ecuaciones lineales para representar la situaci6n. Des-
3x + 4y + w = I pues use matrices para encontrar el numero de cada
x + 5y + 2z + 6w = -3 denominaci6n.
5x + 2y - z - w = 3
Representaci6n de matrices En los ejercicios 47 y 48,
Sistema de ecuaciones lineales En los ejercicios 39 y asuma que la matriz dada es una matriz aumentada de un
J!I\ 40, utilice un programa de c6mputo o una aplicaci6n grafica sistema de ecuacio nes lineales, y (a) determine el numero de
\ii:,/ para resolver el siste ma de ecuaciones lineales. ecuaciones y el numero de variables; (b) encuentre el valor
o valores de k tal que el sistema sea consistente. Despues
39. x 1 - x 2 +2x 3 +2x 4 + 6x 5 = 6
asuma que la matriz es de coeficientes de un sistema de ecua-
3xi - 2x 2 + 4x 3 + 4x 4 + ! 2x 5 14 cio nes lineales homogeneo, y repita los incisos (a) y (b).
3x 5 =- 3
2x 1 - 2x 2
X2 -
+
X3 -
4x 3
X4 -
+ 5x 4 + l 5x 5 = 10 47. A = [_ ! ; ~]
40.
2x 1 - 2x 2
xi
2Xi
xi
+ 4x 3 + 4x 4 + l 3x 5 = 13
+ 2x 2 - 2x 3 + 2x 4 - x 5 + 3x6 = 0
- X2 + 3X 3 + x 4 - 3x 5 + 2x 6 = 17
+ 3x 2 - 2x 3 + x 4 -2x 5 -3x6 = -5
48. A~ H ~] -I
-2
2
3xi - 2x 2 + X3 - x 4 + 3x 5 - 2x 6 = -I Diseno de coeficientes En los ejerc icios 49 y 50,

-xi - 2x 2 + x 3 + 2x 4 - 2x 5 + 3x 6 = 10 encuentre los valores de a, b y c (si es posible) tales que el
Xi - 3X2 + X3 + 3x 4 - 2x 5 + x 6 = 11 sistema de ecuaciones lineales tenga (a) una unica soluci6n,
(b) no tenga soluc i6n y (c) un numero infinito de solucio nes.
Sistema homogeneo E n los ej ercic ios 4 1 a 44, resuelva 49. X + y 2
el sistema lineal homogeneo que corresponda a la matriz de y+ z= 2
coeficientes dada. X + z= 2
0 ax+ by+ cz = 0
1
0 !] 50. x+ y
y+ z= 0
0
0 0 X + z= 0
ax+ by+ cz = 0
51. El s ig uienle sislema tiene una soluci6n: x = I, y =- I 59. Escriba i,ES posible que un sistema de ecuac iones
y z = 2. lineales con menos ecuaciones que variables no tenga
4x - 2y + 5z = 16 Ecuaci6n I soluci6n? Si es asf, proporcione un ejemplo.
X + y 0 Ecuaci6n 2 60. Escriba i,Puede tener una matriz una forma escalonada
- x - 3y + 2z = 6 Ecuaci6n 3 por renglones unica? !lustre su respuesta con ejemplos.
i,ES unica la forma escalonada reducida por renglones?
Resuelva e l s istema propuesto por las (a) Ecuaciones l y
2, (b) Ecuaciones I y 3, (c) Ecuac io nes 2 y 3. (d) i,Cuan- Equivalencia por renglones En los ejercicios 61 y 62,
tas soluciones tiene cada uno de estos sistemas? determine las condiciones a, b, c yd tales que la matriz
52. Suponga que el siguiente sistema tiene una unica soluci6n.
a 1 1x 1 + a 12 x 2 + a 13 x 3 = b 1 Ecuaci6n I
[: !]
sea equivalente por renglones a la matriz dada.
lli I x , + a22x 2 + a23X 3 = h2 Ecuaci6n 2
a3 1X1 + a 32X 2 + C133X 3 = b 3 Ecuaci6 n 3
61. [~ ~] 62. [~ ~]
i,El sistema formado por las ecuacio nes I y 2 tiene una
unica soluci6n, no tiene soluci6n o tiene un numero infi- Sistema homogeneo En los ejercicios 63 y 64, encuen-
nito de soluc iones? Lre todos los valores de X. (la letra griega lambda) tales que el
sistema de ecuaciones lineales homogeneo tenga soluciones
Equivalencia por renglones En los ejercicios 53 y 54, no tri viaJes.
encuentre la unica matri z escalonada por renglones reducida
63. (A - 2)x + y =0
que es equivalente por renglo nes a la matriz propuesta.
x + (A - 2)y = 0
53. [
- I
I
~] 54. [ ~ ~ ~]
64. (A - l )x
x
+ 2y = 0
+ Ay = 0
55. Escriba Describa todas las posibles matrices escalona-

65. Escriba Considere la matriz de 2 X 2 [ : !l
das por renglones reducidas de 2 X 2. Respalde su res- Real ice la sucesi6n de operac io nes con renglones.
puesta con ejemplos. (a) Sume (- 1) veces el segundo rengl6n al primero.
56. Escriba Describa todas la posibles matrices escalona- (b) Sume I veces el primer rengl6 n al segundo.
das por renglones reducidas de 3 X 3. Respalde su res- (c) Sume ( -1 ) veces el segundo reng16n al primero.
puesta con ej emplos. (d) Multiplique el primer reng16n por (- 1).
LVerdadero o falso? En los ejercicios 57 y 58, determine l Que pasa con la malriz original? Describa, en general,
cual de las expresiones es verdadera o falsa. Si la expresi6 n es c6mo intercambiar dos renglones de una matriz utili-
verdadera, proporc ione una raz6n o cite una expresi6n ade- zando solamente la segunda y la tercera operaciones
cuada a partir del texto. Si la expresi6n es falsa, proporcio ne elementales con renglo nes.
un ej emplo que muestre que la expresi6n es falsa en todos los 66. La malriz aumentada representa un s istema de ecuacio-
casos o c ite una expresi6n adecuada a partir de! texto. nes lineales que ha sido reducida aplicando la elirnina-
57. (a) Una matriz de 6 X 3 tiene seis renglones. ci6n de Gauss-Jordan. Escriba un sistema de ecuaciones
(b) Toda matri z es equi valente po r renglones a una con coeficientes distintos a cero que sea representado
matriz en la forma escalonada por renglones. por la matriz reducida.
(c) Si la forma escalonada por renglones de una matriz
aumentada de un sistema de ecuaciones lineales con-
tiene e l rengl6n [l O O O OJ, entonces el sistema origi-
nal es inconsistente.
[~! ! -!]
Hay muchas respuestas correctas.
(d) Un sistema de cuatro ecuacio nes lineales homoge- 67. Escriba Describa la forma escalonada por renglones
neo en seis variables tiene un numero infinito de de una matriz aumentada que corresponde a un sistema
soluciones. de ecuaciones lineales que (a) es consistenle y (b) tiene
58. (a) Una matriz de 4 X 7 tiene cuatro colurnnas. un numero infinito de solucio nes.
(b) Toda matriz tiene una forma escalonada por reng lo-
nes reducida uni ca. C> 68. 00(:g[R!A]~"i]'(g En sus propias palabras, des-
criba la diferencia entre una matriz en la forma esca-
(c) Un sistema de cuatro ecuaciones lineales homoge-
neo en cuatro variables siempre es consistente. lonada por renglones y una matriz en la forma
escalonada por renglones reducida. Incluya un
(d) Multiplicar un rengl6n de una matriz por una constante
ejemplo de cada uno para respaldar su explicaci6n.
es una de las operaciones elementales con renglones.
1.3 Aplicaciones de los sistemas de ecuaciones lineales
Construir y resolver un sistema de ecuaciones para ajustar una fun-

■ ci6n polinomial a un conjunto de datos.
■ Construir y resolver un sistema de ecuaciones para representar una red.

Los sistemas de ecuaciones lineales se presentan en una amplia gama de aplicaciones y
son uno de los temas principales del algebra lineal. En esta secci6n usted vera dos de estas
y
aplicaciones y muchas mas en los siguientes capftulos. La primera aplicaci6n muestra
c6mo ajustar una funci 6n polinomia] a un conjunto de datos en el piano. La segunda apl i-
caci6n se enfoca en redes y en las leyes de Kirchhoff para la electricidad.
AJUSTE POLINOMIAL DE CURVAS

Suponga que n puntos en el piano .i-y
(x,, y,), (x2, Y2), ... , (x,,, y,,)
representan un conjunto de datos y se le pide encontrar una funci6n polinomial de grado
X n. - l
P(x ) = a0 +ax+ax 2 + ··· + a x 11

-
1
I 2 11-I
Ajuste polinomial de curvas
cuya grafica pasa por los puntos dados. Este procedimiento se denomina ajuste polino-
Figura 1.4 mial de curvas. Si todas las coordenadas x de los puntos son distintas, entonces hay pre-
cisamente una funci6n polinomial de grado n. - l (o menor) que se ajusta a los n puntos,
como se muestra en la figura 1.4.
Para determinar los n coeficientes de p(x), sustituirnos cada uno de los n puntos en la
funci6n polinomial para obtener n ecuaciones lineales en n variables a0 , a 1, a 2, . . . a11 _ 1.
ao + D1X1 + a2x? + . . + a,, - 1x i'- 1 = Yi
ao + a1X2 + ~xl + ... + a,,_ 1X2'-1 = Y2
Este procedimiento se muestra con un polinomio de segundo grado en el ejemplo I.
EJEMPLO 1 Ajuste polinomial de curvas
Determine e l polinomio p(x) = a0 + a 1x + a 2x 2 cuya grafica pasa por los puntos (I , 4),
(2, 0) y (3, 12).
SOLUCION
Sustituyendo x = I, 2 y 3 en p(x) e igualando los resultados con los valores respectivos de
y , obtenemos el siguiente sistema de ecuaciones lineales en las variables a0, a 1 y a 2•
Figura 1.5 p( l) = a0 + a 1(1 ) + ~( 1)2 = a0 + a 1 + a2 = 4

p(2) = a0 + a 1(2) + ~(2)2 = a0 + 2a 1 + 4a 2 = 0
p(3) = a0 + a 1(3) + ~(3)2 = a0 + 3a 1 + 9a 2 = 12
La soluci6n del sistema es
Simulacion
a0 = 24, a 1 = - 28 y a 2 = 8,
Explore mas este concepto con lo cual significa que el polinomio es
una simulaci6n electr6nica dispo-
nible en el sitio web college.cen- p(x) = 24 - 28x + sx2.
gage. www.cengagebrain.com. La grafica de p se muestra en la figura 1.5.
26 Capitu lo 1 Sistemas de ecuaciones linea les
i EJEMPLO 2 Ajuste polinomial de curvas
Encuentre un polinomio que se ajuste a los puntos

(-2, 3), (- 1, 5), (0, I), ( I, 4) y (2, 10).
SOLUCION
Ya que tenemos cinco puntos, elegiremos un polinomio de cuarto grado.
p(x) =Go+ a,x + G2X
2
+ G3X 3 + G4X 4 .
Sustiruyendo los puntos dados en p(x) obtenemos e l siguiente sistema de ecuaciones.
a0 - 2G 1 + 4a2 - 8G3 + l 6a4 = 3
)' G0 - a 1 + a2 - G3 + a4 = 5
(2, 10) ao
a0 + a1 + a2 + a3 + a4 = 4
a0 + 2G 1 + 4G 2 + 8a3 + 16a4 = 10
La soluci6n de estas ecuaciones es
30 101 18 17
(-2, 3)
Go= 1, a, = -24, G2 = 2'1• Cl3 = 24, Cl4 = -24
lo cual significa que el polinomio es
p(x) = l - ~x + 1~1x2 + ~x3 - Hx4
-3 -I 2 = f.j(24 - 30x + l0lx + l 8x 3 2 - 17x 4 ).
Figura 1.6 La grafica de p se muestra en la figura 1.6.
El sistema de ecuaciones del ejemplo 2 es relativamente facil de resolver debido que

los valores de x son pequefios. Con un conjunto de valores grandes de xes mejor trasla-
darlos antes de proceder con el ajuste de la curva. Este metodo se ilustra en el siguiente
ejemplo.
EJEMPLO 3 Traslaci6n de valores grandes de x

antes del ajuste de la curva
Encuentre un polinomio que se ajuste a los puntos

(x , ..,·,) (x 2• Y2) (x ,, Y1l (x •. y.) (x~· Ys l
,---,..._., ,---,..._., ,---,..._., ,---,..._., ,---,..._.,
(2006, 3), (2007, 5), (2008, I), (2009, 4), (20 10, 10).
SOLUCION
Debido a que los valores de x son grandes, se usa la traslaci6n z =x - 2008 para obtener
(: ,,y, ) (:2, Y2l (z1,Y1l (:4,)'4) k s, Y1l
,------'"---., ,------'"---., ,------'"---., ,------'"---., ,------'"---.,
(-2, 3), (- 1, 5), (0, I), (1, 4), (2, 10).
Este es el mismo conjunto de puntos dado en el ejemplo 2. Por consiguiente, el polinomio

que se ajusta a estos puntos es
p(z) = f.i(24 - 30z + 10l z2 + 18z 3 - 17z 4)
= I - ¾z + J2~1 z2 + ¾z3 - Hz4
Haciendo z =x - 2008, tenemos

1 1
p(x) = l - ¾(x - 2008) + 2~ (x - 2008)2 + ¾(x - 2008)3 - H(x - 2008) 4 .
EJEMPLO 4 Una aplicaci6n del ajuste de curvas
Encuentre un polinomio que relacione el periodo de los tres primeros planetas con su dis-
tancia media al Sol, como se muestra en la tabla. Despues, verifique la exactitud del ajuste
por medio de! polinomio para calcular el periodo de Marte. (La distancia se mide en uni-
dades astron6 micas y el periodo en afios.) (Fue nte: CRC Handbook of Chemistry and
Physics.)
Planeta Mercurio Venus Tierra Marte

Distancia media 0.387 0.723 1.000 1.524
~
- - -
Periodo 0.24 1 0.6 15 1.000 1.88 1
SOLUCION
Comencemos por ajustar un polinomio cuadratico
p(x) = ao + a1x + a2x 2
a los puntos
(0.387, 0.24 1),(0.723, 0.6 15) y ( I, I).
El sistema de ecuac iones lineales obtenido al sustituir estos puntos en p(x) es

G0 + 0.387G1 + (0.387)2G2 = 0.241
G0 + 0.723G1 + (0.723)2G2 = 0.615
La soluci6n aproximada de) sistema es

a0 = -0.0634, a1 = 0.6 119, G2 = 0.4515
lo cual significa que el polinomio puede ser aproximado por
p(x) = - 0.0634 + 0.6119x + 0.4515x 2.

Usando p(x) para evaluar el periodo de Marte, tenemos
p(l.524) = 1.918 afios.
Esta estimaci6n se compara graficamente con el periodo actual de Marte en la Figura 1.7.
Observe que el periodo actual (de la tabla 1.1) es de 1.881 a.nos.
2.0 ( 1.524, 1.8

,-.,
y = p(x)
"'
0
IC:
1.5
"'C:
~ T ier
1.0
0 ( I .000, 1.000)
-0
0
..,
·;: 0.5
0..
0.5 1.0 1.5 2.0

Distancia media al Sol
(en unidades astronom icas)
Figura 1.7
Una importante lecci6n puede ser aprendida a partir de la aplicaci6 n mostrada en el

ejemplo 4: el polinomio que se ajusta a los datos no necesariamente es un modelo exacto
de la relaci6n entre x y y para los valores de x que no sean los que corresponden a los
puntos dados. Generalmente, mientras mas lejos esten los puntos adicionales de los puntos
dados, peor es el ajuste. Asf, en el ejemplo 4 la distancia media de Jupiter es 5.203 unida-
des astron6micas. La aprox imaci6n polinomial correspondiente para el periodo es 15.343
afios, una esrimaci6n deficiente del periodo real de Jupiter, que es 11.861 afios.
El problema del ajuste de curvas puede ser diffcil. A menudo o tros tipos de funciones
proporcionan mejores aj usres que los polinomios. Para ver esto, considere nuevamente el
problema de ajuste de curvas del ejemplo 4 . Tomando el logaritmo natural de cada una de
las distancias y periodos de los primeros planetas obtenemos los resultados mostrados en
la tabla 1.2 y en la figura 1.8.
Planeta Mercurio Venus Tierra Marte

Distancia media (x) 0.387 0.723 1.000 I 1.524 I
In x -0.949 -0.324 0.0 0.421
-
Periodo (y) 0.24 1 0.615 1.000 1_08 1 1
t---
lny - 1.423 -0.486 0.0 0.632 I

Ahora, al aj ustar un polinomio a los logaritmos de las distancias y periodos obtenemos la
siguiente relaci6n lineal entre In x y In y.
In y =½ In x
se muestra en la figura 1.8.
In y
2
~ -.
~
Mane
-2
Figura 1.8
A partir de esta ecuaci6n concluimos que y = x 312 , o y2 = x3. En otras palabras, el cuadrado
de! periodo (en afios) de cada planeta es igual al cubo de su distancia media (en unidades
astron6micas) al Sol. El primero en descubrir esta relaci6n fue Johannes Kepler en 1619.
ALGEBRA Usando un sistema de ecuaciones lineales para model ar el flujo

vehicular en una agitada intersecci6n de tres vias de un campus
LINEAL univ ersitario, un grupo de investigadores en Italia estudian los niv eles
APLICADA de ruido acustico del trafico vehicular. Para formular el sistema de
ecuaciones, los "operadores" se co locaron en diversas ubicaciones a
lo largo de la intersecci6n y contaron el numero de vehiculos que
pasaban. t I I R
S Guarnacc1a, Claudio, Recent Advances in Acoustics &
Music, Proceedings of the 11th WSEAS International Conference on
Acoustics & Music: Theory & Applications, Jumo, ~a
gemphocography/Shutterstock com
ANALISIS DE REDES
Las redes compuestas de ramas y nodos se utilizan como modelos en campos tan variados
como la economfa, el analisis de trans ito vehicular y la ingenierfa e lectrica. En estos mode-
los asumimos que el flujo total hacia un nodo es igual al flujo que sale de el. Por ejemplo,
ya que el nodo mostrado en la figura 1.9 tiene 25 unidades que llegan a el, debe haber 25
unidades que salen. Esto es representado por la ecuaci6n
X i + X2 = 25.
25
Xz
Figure 1.9
Dado que cada nodo en una red genera una ecuaci6n lineal, el flujo puede ser ana]j-
zado a traves de una red compuesta por varios nodos al resolver un sistema de ecuaciones
lineales. Este procedimiento se ilustra en el ejemplo 5.
EJEMPLO 5 Analisis de una red

20
Establezca un sistema de ecuac iones lineales para representar la red mostrada en la figura
1.10 y resuelva el sistema.
X4 SOLUCION
lO Cada uno de los cinco nodos de la red genera una ecuaci6n lineal, como se muestra a
continuaci6n.
5
x, + X 2 = 20 Nodo I
X3 - X4 -20 Nodo2
Figura 1.10
X2 + X 3 20 Nodo 3
x, - X5 = -I O Nodo4
- x4 + X 5 = - 10 Nodo5
La matriz aumentada de este sistema es
I I 0 0 0 20
0 0 I -) 0 - 20
0 I I 0 0 20
l 0 0 0 - 1 - 10
0 0 0 - 1 - 10
La eliminaci6n Gauss-Jordan produce la matri z
I 0 0 0 - I - 10
0 I 0 0 1 30
0 0 1 0 - 1 - 10
0 0 0 I -1 10
0 0 0 0 0 0
De la matriz anterior, usted puede ver que
x, - x 5 = - 10, x 2 + x5 = 30, x 3 - x5 = -10, y x 4 - x5 = 10.
Haciendo t = x 5, tenemos
x 1 = I - 10, x 2 = - / + 30, x 3 = I - 10, x 4 = I+ 10, x 5 =I
donde t es cualquier numero real. Por tanto, este sistema tiene un numero infinito de solu-
c iones.
En el ej emplo 5, suponga que puede contro lar 20

la cantidad de tlujo a lo largo de la rama etiquetada
como x 5. Empleando la soluci6n dada e n dicho
20 0
ejemplo, entonces usted puede controlar el flujo 0 20
representado para cada una de las demas variables. 10 10
Por ejemplo, haciendo t = 10 puede reducir el tlujo
de x 1 y x 3 a cero, como se muestra en la fig ura 1. 11. 4
10
Figura 1.11
Puede ver c6mo el tipo de amilisis de red presentado en el ejemplo 5 puede utilizarse en
problemas relacionados con el tluj o vehicular por las calles de una ciudad o con el flujo de
agua a traves de un siste ma de irrigaci6n.
COM ENTARIO Otro tipo de red al que suele aplicarse este analisis de red es la electrica. En un anaJ i-
Una trayectoria cerrada es una sis de este s istema se usan dos propiedades de las redes electricas conocidas como Leyes
sucesi6n de ramas tal que el
punto inicial de la primera rama
de Kirchhoff.
coincide con el punto terminal 1. Toda la corriente que flu ye hacia una uni6n o nodo debe tluir hacia fuera de el.
de la ultima.
2. La suma de los productos IR (I es la corriente y R la res istencia) al rededor de una tra-
yectoria cerrada es igual al voltaje total en la trayectoria.
En una red electrica, la corriente se mide en amperes o amps (A), la resistencia en
ohms (fl) y el producto de la corriente y la resistencia en volts (V ). Las baterfas se repre-
sentan por el sfmbolo --H --. La barra vertical larga denota el tlujo de corriente hacia
fuera de la terminal. La resistencia se representa con el sfmbolo -AN'v-. La direcci6n de
la corriente se indica con una tlecha en la rama de la red.
- -
EJEMPLO 6 Analisis de una red electrica
7V Determine las corrientes / 1, /2 e / 3 para la red electrica mostrada en la Figura 1. 13.

SOLUCION
Aplicando la primera ley de Kirchhoff a cualquier nodo obtenemos
R,=
- 2Q Camino2
13
C
1,.----------i 2 Uni6n I o uni6n 2
y aplicando la segunda ley a las dos trayectorias obtenemos

R/ 1 + Rzl2 = 3/ 1 + 2/ 2 = 7 Camino I
R3=4Q 8V Rzl2 + Ri 3 = 2/2 + 4 /3 = 8. Camino 2
Figura 1.12 Por tan to, tenemos el sig uiente sistema de tres ecuacio nes lineales en las variables 1i, / e
2
/ 3.
/ 1 - /2 + /3 = 0
311 + 212 = 7
212 + 4/3 = 8
Aplicando la eliminac i6n de Gauss-Jordan a la matriz aumentada
- [ I
[~ 2
2
0
4 !]
obtenemos la fonna escalonada por renglones reducida
~]
0 0
[~ 0
I 0
lo que sig nifica que / 1 = I amp, / 2 = 2 amps e / 3 = I amp.

1.3 Aplicaciones de los sistemas de ecuac io nes lineales 31
EJEMPLO 7 Analisis de una red electrica
Determine las corrientes I i, / 2, / 3, / 4 , / 5 e / 6 para la red electrica mostrada en la figura 1. 13.
amin C .
ammo 2
/1 2 = 4Q
Figura 1.13
SOLUCION
Aplicando la primera ley de Kirchhoff a los cuat:ro nodos se obtiene
1, + 13 = 12 Nodo 1
1, + 14 = 12 Nodo 2
/3 + /6 = 15 Nodo 3
! 4 + 16 = 15 Nodo4
y aplicando la segunda ley de Kirchhoff a las tres trayectorias, obtenemos
2/, + 4/2 =
10 Trayectoria I
412 + 13 + 214 + 215 = 17 Trayectoria 2
2/5 + 4 /6 = 14 . Trayectoria 3
De este modo, obtenemos el siguiente s istema de siete ecuaciones lineales en las variables
11, Ii, 13, /4, 15 e /6.
1I - 12 + 13 0
II - /2 + !4 0
13 15 + 16 = 0
I4 - 15 + /6 = 0
21, + 4/2 = 10
4/2 + 13 + 2/4 + 2/5 = 17
2/5 + 4/6 = 14
La matriz aumentada para este sistema es
1 - 1 1 0 0 0 0
I -I 0 I 0 0 0
0 0 1 0 - I 0
0 0 0 1 - I I 0
2 4 0 0 0 0 10
0 4 1 2 2 0 17
0 0 0 0 2 4 14
Utilizando la eli minaci6n de Gauss-Jordan, una aplicaci6n grafica o un programa de c6m-
puto, usted puede resolver el sistema para obtener
1. = 1, 12= 2, /3= 1, /4= 1, /5=3, y /6= 2
lo que significa / 1 = I amp, Ii = 2 amps, 13 = I amp, 14 = I amp, 15 = 3 amps e /6 = 2 amps.
1.3 Ejercicios Consulte www.CalcChat.com para las soluciones de los ejerc1cios nones.
Ajuste polinomial de curvas En los ejercicios l a 12, (a) (:) 19. Ganancia neta Las ganancias netas (en miUones de
determine el polinomio cuya grafica pasa por los puntos dados y d6lares) de Microsoft de 2003 a 20 IO se muestran en la
(b) dibuje la grafica de la funci6n, mostrando los puntos dados. siguiente tabla. (Fuente: Microsoft Corporaci6n).
1. (2, 5), (3, 2), (4, 5)
2. (0, 0), (2, -2), (4, 0) Aiio 2003 2004 2005 2006
3. (2, 4), (3, 6), (5, 10) Ganancias 10,526 11,330 12,7 15 12,599
4. (2, 4), (3, 4), (4, 4)
5. (- 1, 3), (0, 0), ( I, I), (4, 58) Year 2007 2008 2009 2010
6. (0, 42), (1, 0), (2, -40), (3, - 72) ~
- -
Ga11a11cias 14,065 17,68 1 14,569 18,760
7. (- 2, 28), (- 1, 0), (0, -6), (l , -8), (2, 0)
8. ( - 4, 18), (0, I), (4, 0), (6, 28), (8, 135)
(a) Determine un sistema de ecuaciones para ajustar los
9. (2006, 5), (2007, 7), (2008, 12)
datos de los aflos 2003, 2004, 2005 y 2006 a un
10. (2005, 150), (2006, 180), (2007, 240), (2008, 360) modelo cubico.
11. (0.072, 0.203), (0.1 20, 0.238), (0. 148, 0.284) (b) Resuelva e l sistema. i,La soluci6n genera un modelo
12. (I, 1), ( l.1 89, l.587), (1.316, 2.080), (l.414, 2.520) razonable para predecir ganancias netas despues de
2006?
13. Use Sen 0 = 0, Sen (f) = I y Sen 'TT = 0 para calcular ~ _
20 Ventas Las ventas (en miles de millones de d61ares)
Sen (f)- de los almacenes de Wal-Mart de 2002 a 2009 se mues-

tran en la siguiente tabla. (Fuente: Wal-Mart).
14. Use log2 I = 0, log2 2 = I y log2 4 = 2 para calcular
log2 3. Ano 2002 2003 2004 2005
15. Encuentre la ecuaci6n de la circun ferencia que pasa por Venta 244.5 256.3 285.2 3 12.4
los puntos (1, 3), (-2, 6) y (4, 2).
16. Encuentre la ecuaci6n de la elipse que pasa por los pun-
tos (-5, 1),(-3,2),(- 1, l)y(-3,0). Ano 2006 2007 2008 2009
17. Poblaci6n Segun los datos del censo, la poblaci6n de Venta 345.0 I 374.5 401.2 405.0
los Estados Unidos era de 249 millones en 1990, 28 1
mjllones en 2000 y 309 rrullones en 2010. Ajuste un
polinomio de segundo grado que pase por estos tres pun- (a) Determine un sistema de ecuaciones para ajustar los
tos y utilice el resultado para predecir la poblaci6n en datos de los afios 2002, 2003, 2004, 2005, y 2006 a
2020 y 2030. (Fuente: U.S. Census Bureau). un modelo cuartico.
e 18. Poblaci6n En la tabla mostrada a continuaci6n apare-

cen los datos de la poblaci6n de los Estados Unidos en
(b) Resuelva e l sistema. La soluci6n genera un modelo
razonable para predecir ventas despues de 2006?
1940, 1950, 1960, y 1970. (Fuente: U.S. Census Bureau). Explique por que.
21. Demostraci6n guiada Demuestre que si un polino-

A,'io 1940 1950 I 1960 1970 rruo p(x) = a0 + a 1x + a 2x2 es cero para x = - 1, x = 0
I Poblaci6n y x = l e ntonces a 0 = a 1 = a 2 = 0.
132 151 179 203
(en millones) Comience escribiendo un sistema de ecuaciones lineales
y resuelvalo para a0 , a 1 y a2,
(a) Encuentre un polinomio cubico, es decir, de tercer (i) Sustituya x =- l, 0 y I e n p(x) .
grado, que se ajuste a estos datos y utilice el resul- (ii) lguale el resultado a cero.
tado para estimar la poblaci6n en 1960. (iii) Resue lva el sistema de ecuaciones lineales resul-
(b) La poblaci6n real en 1960 era de 179 rrullones, tante en las variables a 0, a 1 y a2.
i,C6mo se compara con su estimaci6n?
1.3 Ejercicios 33
22. La afirmaci6n de! ejercicio 2 1 puede generalizarse: Si un 28. Analisis de redes El flujo de trdfico (en vehfculos por
polinomio hora) a traves de una red de calles se muestra en la figura
p(x) = a0 + a 1x + · · · + a 1.16.
11
_
1xn-l
es cero para mas de n - 1 valores de x, entonces 300 150

{10 = al = . . . = an- I = 0.
Utilice este resultado para demostrar que hay a lo
sumo un polinomio de grado n - l (o menor) cuya gra-
fica pasa por n puntos de! piano con diferentes coorde-
nadas de x.
200 350
23. Calculo La g rafica de un polino mio cubico tiene tan-
gentes horizontales en (1 , - 2) y (-1, 2). Encuentre la
ecuaci6n del polinomio cubico y bosqueje su grafica. (a) Resuelva este sistema para x;, i = I, 2, ... , 5.
24. Calculo La grafica de una parabola pasa por los puntos (b) Encuentre el flujo vehicular cuando x 2 200 y
X3 = 50.
(0, I) y (½, ½) y tiene una tangente hori zontal en (½, ~).
Encuentre la ecuaci6n de la parabola y bosqueje su gra- (c) Encuentre el flujo vehicular cuando x2 = 150 y
fica. X3 = 0.
25. (a) La grafica de una funci6n pasa por los puntos (0, I), 29. Analisis de redes El flujo de trafico (en vehfculos por
(2, ½) y (4, ½). Determine una funci6n cuadratica cuya hora) a traves de una red de calles se muestra en la figura
grafica pasa por estos puntos. 1.1 7.
(b) Determine el polinomio p de grado 2 o menos que 200
pasa por los puntos (0, 1),(2, 3) y (4, 5). Luego
dibuje la grafica de y = 1/p(x) y comparela con la
de! polinomio encontrada en el ejercicio 8.
26. Escriba Intente ajustar la grafica de un polinomio a los 100 100

valores dados. l,QUe pasa? i,POr que?
X I 2 3 3 4
I-
y I I 2 3 4 200
27. Analisis de redes Fluye agua por un acueducto (en

(a) Resuel va este sistema para X;, i = I, 2, 3, 4.
miles de metros cubicos por hora) como se muestra en la (b) Encuentre el flujo vehicular cuando x 4 = 0.
figura 1.15. (c) Encuentre el fluj o vehicular cuando x 4 = 100.
30. Analisis de redes El flujo de trafico (en vehfculos por
600 500 hora) a traves de una red de calles se muestra en la figura
1.18.
400 600
600 500 Xz
(a) Resuelva este sistema para el caudal representado

300 100
por x;, i = I , 2, ... , 7.
(b) Encuentre el flujo de agua cuando x 6 = x7 = 0.
(c) Determine el caudal de agua cuando x 5 = 1000 y (a) Resue lva este sistema para x;, i = I, 2, ... , 5.
x 6 = 0. (b) Encuentre el flujo vehicular cuando x 3 = 0 y
X 5 = 100.
(c) Encuentre el fluj o vehicular cuando x 3 = x 5 = I 00.

31. Analisis de redes Determine las corrientes / " / 2 e iJ

para el c ircuito electrico mostrado en la figura 1.19.
(a) Explique c6mo usar sistemas de ecuaciones linea-
3V
les para el ajuste de curvas polinomiales.
(b) Explique c6mo usar sistemas de ecuaciones linea-
les para realizar el analisis de redes.
Temperatura En los Ejercicios 35 y 36, la figura muestra

las temperaturas !unite (en grados Celsius) de una delgada
placa de metal aislada. La temperatura estable en un nodo
interior es aproximadamente igual que la media de las tem-
4V peraturas en cuatro nodos circundantes. Use un sistema de
ecuaciones lineales para aproximar las temperaturas interio-
32. Analisis de redes Determine las corrientes 11, '2, 13 , res T 1, T2, T3 y T4 .
14 , 15 e / 6 para el circuito electrico mostrado en la figura 35. 60° 60°
1.22.
14 V T, T2
200 50°
T3 T4
20° 50°
10° 10°
36. 50° 50°
T, T2
25° 25°
T3 T4
25° 25°
8V
33. Analisis de redes

(a) Determine las corrientes ' " / 2 e !3 para el circuito Descomposici6n en fracciones parciales En los Ejerci-
electrico mostrado en la fig ura 1.2 1. cios 37 y 38, use un sistema de ecuacio nes para escribir la
(b) l,C6mo se afecta el resultado cuando A cambia a 2 descomposic i6n en fracc iones parc iales de la expresi6n
volts y B a 6 volts racional. Despues resuelva el sistema usando matrices.
2
A: 5 V
37 4x = _ A_ + _ B_ + C
. (x + 1)2(x - 1) x - I x + I (x + 1)2
3x 2 - ?x - 12 A B C
38
· (x + 4)(x - 4)2 = x + 4 + x - 4 + (x - 4)2
Calculo En los ejercicios 39 y 40, encuentre los valores de
x, y y >.. tales que se satisfaga el sistema de ecuaciones. Tales
sistemas se presentan en ciertos problemas de calculo y >.. es
denominado multiplicador de Lagrange.
B: 8 V 39. 2x + ,.\ =0
2y + ,.\ =0
x+ y - 4= 0
40. 2y + 2A + 2 = 0
2x + ,.\ + 1= 0
2x + y 100 = 0
1 Ejercicios de rep a so Consulte www.CalcChat.com para las soluc1ones de las eiercicios nones.
Ecuaciones lineales En los ejercicios l a 6, determine si Forma escalonada por renglones En los ejercicios 25 a
la ecuaci6n es lineal en x y y. 28, determine si las matrices estan en la forma escalonada
1. 2x - y 2 =4 2. 2xy - 6y = 0 por renglones. Si es asf, determine si tambien esta en la
forma escalonada reducida.
3. (sen 1r)x + y = 2 4. e- x 2
+ Sy = 8
:l
0 I 2 -3
2 X y
2- 4= 0
5. :; + 4y = 3 6. 25.
[~ 0
2
0
26. [~ 0
0
0
0 !]
Representaci6n parametrica En los ejercicios 7 y 8,
determine la representaci6n parametrica del conjunto solu-
ci6n de la ecuaci6 n lineal. 27.
[-I ~
2
I
0 il 28. [~
I
0
0
0
I
0 ~]
7. -4x + 2y - 6z = I
Sistema de ecuaciones lineales En los ejercicios 29 a
Sistema de ecuaciones lineales En los ejercicios 9 a 20,
38, resuelva e l sistema utilizando ya sea la eliminaci6n gaus-
resuelva el sistema de ecuaciones lineales.
siana con sustituc i6n hacia atras o con eliminaci6 n de Gauss-
9. +y =2
X 10. x + y=- I Jordan.
3x - y =0 3x + 2y = 0 29. - X + y + 2z =
11. 3y = 2x 12. X = y + 3 2x + 3y + z=- 2
y = +4
X 4x = y + 10 Sx + 4y + 2z = 4
13. y +X= 0 14. y = - 4x 30. 2x + 3y + z = l0
2x +y = 0 y = X 2x - 3y - 3z = 22
15. X - y = 9 16. 40x 1 + 30x 2 = 24 4x - 2y + 3z = - 2
-x + y = l 20x 1 + l 5x 2 = - 14 31. 2x + 3y + 3z = 3
I I I 4
17. 2X - D' = 0 18. 3X + 7y = 3 6x + 6y + 12z = 13
3x + 2(y + 5) = 10 2x + 3y = 15 12.x + 9y - z= 2
19. 0.2.x I + 0.3X 2 = 0.14 32. 2x + y + 2z = 4
0.4x 1 + 0.5x 2 = 0.20 2x + 2y = 5
20. 0.2.x - O. ly = 0.07 2x - y + 6z = 2
0.4x - 0.Sy = - 0.01 33. X - 2y + Z = -6
2x - 3y = -7
Tamafio de matriz En los ejercicios 21 y 22, determine e l
- x + 3y - 3 z = 11
tamafio de la matriz.
34. 2x + 6z = - 9
21. [ 20 3x - 2y + ll z= -16
3x - y + 7 z = - I I
35. x + 2y + 6z = I
22.
2x + 5y + I 5z = 4
3x + y + 3z = - 6
Matriz aumentada En los ejercicios 23 y 24, encuentre el 36. 2.x 1 + 5x 2 - 19x 3 = 34
conjunto soluci6n del sistema de ecuaciones lineales repre- 3x 1 + 8x 2 - 3 1x 3 = 54
sentado por la matriz aumentada. ~ 37. 2x + x + x + 2x =- I
1 2 3 4
23. [~ ~
2
! ~]3
5x 1 - 2x 2 + x 3 - 3x4
-x , + 3x 2 + 2x 3 + 2x 4
3x 1 + 2x 2 + 3x 3 - 5x 4
~ 38. x, + 5x 2 + 3x 3
=
=
= 12
= 14
0
0
0
0
0 !] 4x 2 + 2.x 3 + 5x 4
3x 3 + 8x 4 + 6x 5 = 16
- 2x 5 =
3
0
0
Sistema de ecuaciones lineales En los Ejercicios 51. Escriba Describa un metodo para demostrar que dos
39--42, use una aplicaci6n grafica o un software computacio- matrices son equi vaJentes por re nglones. i,Son las dos
nal para resolver el sistema de ecuaciones lineales. matrices siguientes equivalentes por renglones?
39. 3x + 3y + 12z = 6 I 2
X + y + 4z = 2
2x + Sy + 20z = I 0
- x + 2y + 8z = 4
- I 3
5 I~]
40. 2x + lOy + 2z = 6 52. Escriba Describa todas las posibles matrices en fomrn
x + Sy+ 2z = 6 escalo nada reducida de 2 X 3. Respalde su respuesta con
eje mplos.
x + Sy+ z = 3
-3x - l 5y + 3z = -9 53. Sean ~ 3. Determine la forma escalo nada por renglones
reducida de la matriz n X n.
41. 2x + y - z + 2w = -6
3x + 4y + w = I 2 3 11
x + Sy+ 2z + 6w = -3 n+ n+2 n + 3 2n
5x + 2y - z - w = 3 211 + l 2n + 2 2n + 3 3n
42. X + 2y +Z+ 3w =0
x- y + w=O n2 - n +I n2 - 11 + 2 11
2
- n +3 n2
Sy - z + 2w = 0 54. Determine todos los valores de A para los que el sistema

Sistema homogeneo En los ejercic ios 43 a 46, resuelva de ecuac iones lineales homogeneo tenga soluciones no
el sistema de ecuaciones lineales homogeneo. tri viales.
43. x 1 - 2x 2 - 8x 3 = 0 (A + 2)x 1 2x 2 + 3x 3 = 0
3x 1 + 2x 2 = 0 - 2x 1 + (A - l)x 2 + 6x 3 = 0
44. 2x 1 + 4x 2 - 7x 3 =0 X1+ 2x2 +Ax3= 0
x1 - + 9x 3 = 0
3x 2
LVerdadero o falso? En los ejercicios 55 y 56, determine
45. 2x 1 8x 2 + 4x 3 = 0
si cada una de las expresiones es verdadera o falsa. Si la
3x 1 - 10x 2 + 7x 3 = 0
expresi6n es verdadera, proporcione una raz6n o cite una
10x 2 + 5x 3 = 0
expresi6n adecuada del texto. En caso contrario, proporcione
46. x 1 + 3x 2 + 5x 3 = 0 un ejemplo que demuestre que la ex presi6n es falsa en todos
x 1 +4x 2 +½x 3 = 0 los casos o c ite una ex presi6n adecuada de! texto.
47. Determine el valor de k ta! que el sistema de ecuacio nes 55. (a) El conjunto soluci6n de una ecuaci6n lineal puede
lineales sea inconsistente. representarse parametricamente solo de una manera.
kx+ y=O (b) Un sistema de ecuaciones lineales consistente puede
tener un numero infinito de soluciones.
X + ky = I
56. (a) Un sistema de ecuacio nes lineales homogeneo debe
48. Determine el valor de k tal que el sistema de ecuaciones
tener al menos una soluci6n.
lineales tenga exactamente una soluci6n.
X - y + 2z = 0
(b) Un sistema de ecuaciones lineales con menos ecua-
ciones que variables siempre tiene al menos una
-x + y - z = 0
soluci6n.
x+.ty+ z= O
49. Determine las condiciones de a y b tales que el sistema 57. Deportes En el Super Taz6n I, enero 15 de 1967, Ios
de ecuaciones lineales (a) no tenga soluci6 n, (b) tenga Empacadores de Green Bay derrotaron a los Jefes de
exactamente una soluci6n y (c) tenga un numero infinito Kansas C ity por un marcador de 35 a IO. El total de pun-
de solucio nes. tos anotados provinieron de una combinaci6n de touch-
X + 2y = 3 downs, patadas de punto extra y goles de campo con un
ax + by= - 9 valor de 6, I y 3 tres puntos, respectivamente. El numero
SO. Determine (si es posible) las condiciones de a, by c tales de anotaciones y de patadas de puntos extra fue el
que el sistema de ecuaciones lineales (a) no tenga soluci6n, mismo. El numero de anotaciones fue cuando mucho
(b) tenga exactamente una soluci6n y (c) tenga un numero seis veces el de goles de campo. Encuentre el numero de
infinito de soluciones. touchdowns, patadas de punto extra y goles de campo
anotados. (Fuente: National Football League).
2x- y+ z=a
x + y + 2z = b
3y + 3z = C
58. Agricultura Una mezcla de 6 galones del compuesto 66. Movimiento vertical Un objeto que se mueve verti-
A, 8 galones del compuesto B y 13 galones de! com- calmente esta a las alturas dadas en los tiempos especf-
puesto C es necesaria para matar una plaga de insectos. ficos. Encuentre la ecuaci6n de posic i6n
El aspersor comercial X contiene I , 2 y 2 partes, respec-
s = 12 at 2 + V0 t + S0
tivamente, de estos compuestos q uimicos. El aspersor
comercial Y contiene s6lo el compuesto C. El aspersor para el objeto.
comercial Z contiene los compuestos A, B y C en las (a) A t = I segundo, s = 134 pies
mismas cantidades. i,Cuanto de cada tipo de aspersor
comercial es necesario para obtener la mezcla deseada?
A t = 2 segundos, s = 86 pies
A t = 3 segundos, s = 6 pies
Descomposici6n en fracciones parciales En los ejerci- (b) At = I segundo, s = 184 pies
cios 59 y 60, utilice un sistema de ecuaciones para escribir la
descomposici6n en fracciones parciales de la expresi6 n
A t = 2 segundos, s = 11 6 pies
racional. Despues, resuelva el siste ma usando matrices. A t = 3 segundos, s = 16 pies
67. Analisis de redes Determine las corrientes 11, 12 e 13
8x 2 A B C
59· (x - 1)2(x + I) = x-+-1 + x---1 + (x - 1)2 para el circuito electrico mostrado en la figura 1.23.
3V
3x 2 + 3x - 2 A B C
60· (x + 1)2(.x - I)= x- +-1 + x-,-- -1 + (x + 1)2
Ajuste de curvas polinomiales En los ejercicios 61 y

62, (a) determi ne e l polinomio cuya grafica pasa por los pun-
tos dados y (b) bosqueje la grafica del polinornio, mostrando
los puntos dados.
61. (2, 5), (3, 0), (4, 20)
62. (- !, - 1), (0, 0), (I, ! ), (2, 4)
2V
63. Ventas Una compaiifa tiene ventas (medidas en milto-
nes) de $50, $60 y $75 durante tres afios consecutivos. 68. Analisis de redes El flujo a traves de una red se
Determine una fu nci6n cuadratica que se ajuste a estos muestra en la fig ura 1.24.
datos y utilfcela para predecir las ventas durante el (a) Resue lva el sistema para x;, i = I, 2, ... , 6.
cuarto afio.
(b) Determine e l flujo cuando x 3 = 100, x 5 = 50, y
64. El polinornio x 6 = 50.
p(x) = ao + a 1x + a2x2 + a_il 200
es cero cuando x = I, 2, 3 y 4. i,Cuales son los valores
de a0, a1, a2 Y C13?
65. Poblaci6n de venados Un equipo de administraci6n
de la vida silvestre estudi6 la po blaci6n de venados en
una pequefia extensi6n de la reserva para la vida s il ves-
tre. La poblac i6n y el numero de afios desde que el estu-
di o comenz6 se muestran en la siguiente tabla.
A,zo 0 4 80
Poblaci611 80 68 30
100 300
(a) Determi ne un sistema de ecuaciones li neales para
ajustar los datos a un polinomio cuadratico.
(b) Resuelva el sistema.
(c) Utilice una aplicaci6n grafica para ajustar un modelo
cuadratico a los datos.
(d) Compare el polinomio cuadratico del inciso (b) con
el modelo del inciso (c).
(e) C ite la expresi6n del texto que comprueba sus resul-
tados.
1 Proyectos
)'
x-y=O
1 Graficando Ecuaciones Lineales
Usted vio e n la secci6n I. I que un sistema de dos ecuacio nes lineales en dos variables x e
y puede representarse geometricamente como dos lfneas en el piano. Estas lfneas pueden
intersecarse en un punto, coincidir o bien ser paralelas, ta) como se indica en la fig ura 1. 14
·= 2 I. Considere el siguiente sistema, donde a y b son constantes.
2x- y = 3
ax+ by= 6
(a) Determine los valores de a y b para los cuales el sistema resultante tiene una unica
soluci6n.
(b) Determine los valores de a y b para los cuales el sistema resultante tiene un numero
infinito de soluciones.
(c) Determine los valores de a y b para los cuales el sistema resultante no tiene solu-
ci6n.
(d) Grafique las lfneas resultantes para cada uno de los sistemas en los incisos (a), (b)
--,1----+--,ti--+--+--+- X
y (c).
-2 I 2
2. Ahora considere un sistema de tres ecuaciones lineales en x, y y z. Cada ecuaci6 n repre-
2x-2Y = 0
senta un piano en un sistema coordenado tridimensional.
-2
(a) Encuentre un ejemplo de un sistema representado por tres pianos que se intersecan
y
en una recta, como se muestra en la figura l . l 5(a).
(b) Encuentre un ejemplo de un sistema representado por tres pianos que se intersecan
en un pun to, como se muestra en la fig ura l . l 5(b).
(c) Encuentre un eje mplo de un sistema representado por tres pianos que no tie nen una
intersecci6n comun, como se muestra en la fig ura l.15(c).
(d) i,Existen otras configuracio nes de tres pianos no cubiertas por los tres ejemplos en
los incisos (a), (b) y (c)?
2 Sistemas de ecuaciones subdeterminados y sobredeterminados

El sig uiente sistema de ecuaciones se llama subdeterminado, ya que tiene mas vari ables
Figura 1.14 que ecuaciones.
XI + 2x 2 - 3x 3 = 4
2x 1 - x 2 + 4x 3 = -3
De manera similar, el siguiente sistema se denomina sobredeterminado, pues contiene
mas ecuacio nes que variables.
+ 3x 2 = 5
x1
2x 1 - 2x 2 = -3
(a) (b) -x I + 7X2 = Q
Usted puede explorar si el m1mero de variables y e l numero de ecuaciones tie nen alguna
relaci6n con la consistencia de un sistema de ecuaciones lineales. Para los ejercicios 1-4, si
la respuesta es afinnati va, proporcione un ejemplo. En caso contrario, explique por que la
respuesta es no.
I. l,Puede plantear un sistema Lineal consistente subdeterminado?
(c) 2. i,Puede plantear un sistema lineal consistente sobredeterminado?
3. i,Puede plantear un sistema lineal inconsistente subdeterminado?
Figura 1.15
4. i,Puede plantear un sistema lineal inconsistente sobredeterminado?
5. Explique por que esperarfa que un sistema lineal sobredeterminado fuera inconsistente.
i,Este siempre debe ser el caso?
6. Ex plique por que esperarfa que un sistema lineal subdeterminado tuviera un numero
infinito de soluciones. i,Este siempre debe ser el caso?
2 Matrices
2.1 Operaciones con matrices
2.2 Propiedades de las operaciones con matrices
2.3 lnversa de una matriz
2.4 Matrices elementales
2.5 Aplicaciones de las operaciones
con matrices
P.1J~'fh1111J1l
~~'lllilfh
I I
Encriptaci6n de datos (p. 87)
Dinamica de fluidos computacional (p. 79)
Deflexi6n de vigas (p. 64)
Calendari os de la
tripulaci6n de v uelo Recuperaci6n de informaci6n (p. 58)
(p. 47)
En sentido de las manecillas def reloj, desde amba a la i1qu1erda.Cousm_Av,/www.shutterstock.coor;Goncharuk/www.shutterstock.com;

Gunnar Ptppel/1,w,w.shutterstock.com, © Sean Locke/iStockphoto.com. nostal61e/www shutterstocl<.com 39
40 Capitulo 2 Matrices
2.1 Operaciones con matrices
■ Determine si dos matrices son iguales.

■ Sumey reste matrices y multiplique una matriz par una escalar.
■ Multiplique dos matr ices.
■ Use matrices para resolver un sistema de ecuaciones lineales.
■ Particione una matriz y escriba una combinaci6n lineal de vectores
columna.
OPERACIONES CON MATRICES

En la Secci6n 1.2 usted utiliz6 matrices para resolver sistemas de ecuaciones lineaJes. Este
capftulo introduce algunos fundamentos de teorfa de matrices y aplicacio nes adicionales
de matrices.
Por un acuerdo matematico comun, las matrices se pueden representar en alg una de
las siguientes tres formas:
1. Una matri z puede denota rse por una letra mayuscula como A, B o C
2. Una matriz puede denotarse por un elemento representativo escrito entre corchetes [aij],
[bij] o [cij].
3. Una matriz puede denotarse como por un arreglo rectangular de numeros
G 12
[""
a 21
a,,;.
a 22
a,,,2
a2,,
"'"1
a,,;,,
Como se mencion6 en e l capftulo I, las matrices en este texto son fondamentalmente
matrices reales. Es decir, sus elementos son numeros reales.
Decimos q ue dos matrices so n iguales si sus elementos correspondientes son iguales.
Definici6n de la igualdad de matrices

Dos matrices A = [aij] y B = [bij] so n iguales si tienen el mismo tamaiio (m X n) y
aij= bij para I :5 i :5 my I :5 } :5 n.
EJEMPLO 1 lgualdad de matrices

COM ENTARIO
La frase " si y solo si" significa Considere las cuatro matrices
qu e la exp resio n es v alida en
am bas direcciones. Por
ejempl o, "p si y solo si q"
~], B = [~J C = [I 3], y D = [~ 2]
4·
quiere decir que p im plica a q
y q implica a p . Las matrices A y B no son ig uaJes, ya que tienen diferente tamano. De manera similar, B
y C tampoco lo son. Las matrices A y D son iguales si y s6lo si x = 3.
Una matriz que s6lo tiene una colurnna, como la matriz B de! Ejemplo I, se denomina
matriz columna o vector columna. De manera similar, una matriz que s61o tiene un rengl6n,
como la matriz C de! ejemplo 1, se denomina matriz renglon o vector renglon. A menudo se
uti lizan letras negritas minusculas para designar matrices columna o rengl6n. En este caso,
I~ m~triz A de! ejemplo I puede dividirse en dos matrices colurnna a 1 =

s1guiente manera.
[!] y a2 = [~] de la
2.1 Operacio nes con matrices 41
SUMA Y RESTA DE MATRICES Y MULTIPLICACION ESCALAR

Usted puede sumar dos matrices (del mismo tamaiio) sumando sus elementos correspon-
dientes.
Definici6n de suma de matrices

Si A = [aii] y B = [bii] son matrices de tamaiio m X n, e ntonces su suma es la matriz
de tamaiio 111 X n dada por A + B = [aii + bii]. Para 1 :5 i :5 m y 1 :5 j :5 n.
La suma de dos matrices de diferente tamaiio no esta definida.
EJEMPLO 2 Suma de matrices
a. [-~ ~] + [ - :
3]
2 =
[ - 1 + 1 2 + 3]
0 + (- 1) 1 + 2 =
[ 0
- I ~]
b.
[~ I
2
- 2] + [O
3 0
0
0 ~] = [~
I
2 -~J
COMENTARIO
[! ~
I
A m enudo es conveniente
reescribir una m at riz B como
cA, factorizand o c de cada uno
,.[=il +ni -m d. 0 - ~] + [ - ~] no esta definida.
de los elementos de la matriz 8.

Por ejemplo, el escalar ; se ha Cuando trabajamos con matrices nos referimos a los numeros reales como escalares.
f actorizado de la siguiente Usted puede multiplicar una malriz A por un escalar c, multiplicando cada elemento de la
m atriz. matriz A por el escalar c.
Definici6n de la multiplicaci6n por un escalar

Si A = [aii] es una matriz de tamaiio m X n y c es un escalar, entonces el multiplo
escalar de A por c es la matriz de tamaiio m X n dada por
cA = [ca ii]. Para I :5 i :5 my I :5 j :5 n.
Podemos utilizar - A para representar el producto escalar (- l)A. Si A y B son del mismo
tamafio, entonces A - B representa la suma de A y ( - l )B. Es decir A - B = A + (- 1) B.
EJEMPLO 3 Multiplicaci6n por un escalar y resta de matrices
Para las matrices A y B, determine (a) 3A, (b) - 8 y (c) 3A - B.
~]
2 0
A-H -Il 0 y B - [ '. -4

- 1 3
SOLUCION
3A -+i - ·i) = l[
2 6
a. 0
[3(1)
3(-3)
3(2) 3(4)
3(0) 3(- 1) = -9
3
0 12]
-3
l 2 3(2) 3(1) 3(2) 6 3 6
b. - B - (- 1)[ ~
- )
-4
0
3
ol
3 = [ -2
2
- I
I
4
0
- 3 - 2
-~]
dA- B-H
6
0
3
12] [
-3 -
6
21
- )
-4
0
3
~]-[-1~
2 7
6
4
0
12]
- 6
4
MULTIPLICACION DE MATRICES
La tercera operaci6n basica es la multiplicaci6n de matrices. Para ver la utilidad de esta
operaci6n, considere la siguiente aplicaci6n, en la cual las matrices son de mucha ayuda
para organizar informaci6n.
Un estadio de futbol tiene tres areas concesionadas para locales comerciales, ubicadas
en el sur, norte y oeste de! mismo. Los artfculos mas vendidos son los cacahuates, los hot
dogs y los refrescos. Las ventas para c ierto dfa son registradas en la primera matriz abajo
y los precios (en d6lares) de los tres artfculos aparecen en la segunda.
l
Numero de articulos vendidos
Cacahuates Hot dogs Refrescos Precio de venta
Local sur 250
[120 305] [2 00 Cacahuates
Local norte 207 140 419 3.00 Hot Dogs
Local oeste 29 120 190 2.75 Sodas
Para calcular el total de ventas de los tres productos mas vendidos en el local sur, multi-
plique cada elemento en el primer rengl6n de la matriz de la izquierda por el precio corres-
pondiente en la matriz columna de la derecha y sume los resultados. Las ventas del local
sur son
( 120)(2.00) + (250)(3.00) + (305)(2.75) = $ 1828.75 Ventas local sur
De manera similar, calculamos las ventas de los otros dos locales de la siguiente forma.
(207)(2.00) + ( 140)(3.00) + (4 19)(2.75) = $ 1986.25 Ventas local norte
(29)(2.00) + ( 120)(3.00) + ( I90)(2.75) = $940.50 Ventas local ocste
Los calculos anteriores son ejemplos de la multiplicaci6n de matrices. Usted puede

escribir el producto de la matriz de 3 X 3 indicando el numero de articulos vendidos y la
matriz de 3 X I indicando los precios de venta, de la siguiente manera.
120 250 305] [2.00] [ 1828.75 ]

207 140 419 3.00 = 1986.25
[
29 120 190 2.75 940.50
El producto de estas matrices es la matriz de 3 x I, que nos da el total de las ventas por
cada uno de los tres locales.
La definici6n general del producto de dos matri ces mostrada abajo, se basa en las
ideas recien desarrolladas. A primera vista esta definici6n puede parecer inusual, no obs-
tante, usted vera mas adelante que tiene muchas aplicaciones practicas.
Definici6n de la multiplicaci6n de matrices

Si A = [aij] es una matriz de tamafio m X n y si B = [bij] es una rnatriz de tamafio n
X p, entonces el producto AB es una matriz de tamaiio m X p
AB = [cij]
donde
c;j = f
k= l
a;kbkj = a; 1b 1j + a;2 b 2j + a i3 b 3j + · · · + a;11 b,,j.
Para I s i s my I s j s p.
Esta definici6n significa que el elemento en el i-esimo rengl6n y en la j-esima

columna del producto AB se obtiene al multiplicar los elementos del i-esimo rengl6n de A
por los elementos correspondientes de la j-esima columna de B y luego sumar los resulta-
dos. El siguiente ejemplo ilustra este proceso.
2.1 Operaciones con matrices 43
I EJEMPLO 4 Determinacion del producto de dos matrices
Encuentre el producto AB, donde
SOLUCION
-n-;] y
B=[
- 3
-4
Primero, observe que el producto AB esta definido porque el tarnafio de A es 3 x 2 y el de

B es 2 X 2. Ademas, el producto AB es de tamafio 3 X 2 y tiene la fo rma
Para deterrninar c 11 (el elemento en e l primer rengl6n y en la primera columna de! pro-
ducto), multiplique los elementos correspondientes en el primer rengl6n de A y la primera
columna de B. Es decir
Sirnilannente, para determinar c 12 multiplique los elementos correspondientes en el primer

rengl6n de A y la segunda columna de B para obtener
Arthur Cayley
(1821-1895) c12 = (- 1}(2) + ( 3)(1) = I
El matematico ingles Arthur
Cayley es reconocido par pro-
porcionar una definici6n abs-
-I
[ 3]
4 =
! ~] =
[-9
-2 [ C2 I
•J)-_l'
C22 ·
tracta de una matriz. Cayley 5 0 ~, C32
era egresado de la Universi-

dad de Cambridge y era abo- Siguiendo este patron obtenemos los siguientes resultados.
gado de profesi6n. Comenz6 C21 = (4)(- 3) + (- 2)(- 4) = - 4
su revolucionario trabajo en
matrices mientras estudiaba C22 = (4)(2) + (- 2)(1) 6
la teoria de transformaciones. C3 1 = (5)(- 3) + (0)(-4) = - 15
Cayley tambien fue funda- C32 = (5)(2) + (0)( 1) 10
mental para el desarrollo de
las determinantes (mismos El producto es
que se discuten en el Capitulo
[-1 3] =! ~]= [ -9
3). Se reconoce a Cayley y
dos matematicos estadouni- AB = 4 -2 [ - 4
denses, Benjamin Peirce 5 0 - 15
(1809-1880) y su hijo, Charles
S. Peirce (1839-1914), por el Asegurese de entender que el producto de dos matrices esta de finido cuando el
desarrollo del "algebra matri- numero de columnas de la primera matriz es igual al numero de renglones de la segunda
cial."
matriz; es decir,
A B AB.
L J
m x n
tguai
n x p
tamafio
de A B
m x p
Asf, el producto BA de las matrices del ej emplo 4 no esta definido.

Bettmann/CORBIS
El patr6n general de la multiplicaci6n de matrices es el siguiente. Para obtener el

elemento del i-esimo rengl6n y laj-esima columna del producto AB, use el i-esimo rengl6n
de A y laj-esima columna de B.
all a,2 013 a,11 C11 c,2 c,i c,,,

b11 b,2 b,i b,,,
Gi , a22 G23 0211 C21 C22 C2j c2,,
b2, b22 b2j. b2,,
b31 b32 b3i b3JJ . ,C~-'..
a;, 0;2 G;3 Qlll C;1 C;2 \ I) , C;p
a,,,, a,,,2 a,,,3 a,,m

b111 b112 b,u
a; 1b 1i
b"" c,,,, c,,,2
l,·
+ a,'2bli + a;3b3j + · · · + a;,,b,,i = C;i
c,,,"
Sea
'ua Calcule A + By B + A. Ll a suma de una matriz es conmutativa?

~a Calcule AB y BA. Lla multiplicaci6n de matrices es conmutativa?
. EJEMPLO 5 Multiplicaci6n de matrices
4
0 7
0
- 1 6
1
2x3 3 X 3 2 X 3
2x2 2x2 2x2
c.
[: ~] [-: - ~] = [~ ~]
2x2 2x2 2x2
d. [ I - 2 -3] [-:]- [I]
Ix3 3x I I X I
3 x I l x3 3 X 3
Note la diferencia entre los dos productos en los incisos (d) y (e) del ejemplo 5. En
general, la multiplicaci6n de matrices no es conmutativa. Es decir, casi nunca se cumple
que el producto AB sea igual al producto BA. (Yease la secci6n 2.2 para un amilisis mas
profundo de la no conmutatividad de la multiplicaci6n de matrices.)
2.1 Operaciones con matrices 45
SISTEMAS DE ECUACIONES LINEALES

Una aplicaci6n practica de la multiplicaci6n de matrices es la representaci6n de un sistema
de ecuaciones lineales. Observe c6mo el sistema
a 11 x 1+ a 12x 2 + a 13x 3 = b 1
Gi,X I + G22X2 + G23X 3 = b2
G3 1X 1 + G32X2 + G33X 3 = b 3
puede escribirse como la ecuaci6n rnatricial Ax = b, donde A es la matriz de coeficientes
del sistema y x y b son matrices columna.
EJEMPLO 6 Resoluci6n de un sistema de ecuaciones lineales
Resuelva la ecuaci6n matricial Ax = 0, donde

- 2
3
0 = [~].
SOLUCION
Como un sistema de ecuaciones lineales, Ax = 0 lo representamos como
x 1 -2x 2 + x 3 =0
2x 1 + 3x 2 - 2x 3 = 0.
Utilizando la eliminac i6n de Gauss-Jordan en la matriz aumentada de este sistema, obte-
NOTA TECNOLOGICA nemos
Muchas aplicaciones graficas y
programas de c6mputo pueden 0
ejecutar la suma de matrices,
multiplicaci6n escalar y la
multiplicaci6n de matrices. Si
usted utiliza una aplicaci6n Por tanto, el sistema tiene un numero infinito de soluciones. En este caso, una elecci6n
grafica, sus pantall as para el conveniente de parametro es x 3 = 71, y puede escribir e l conjunto soluci6n como
Ejemplo 6 se veran como:
x1 = 1, x2 = 41, x3 = ?t, t es cualquier numero real.
00 En terminos de matrices, encontramos que la ecuaci6n matricial

~ Il ·~ ' 1
12 -:,- '.,211
-2
C 'n
J J.) 3
'. :' ll
ctO)
(0]] tiene un numero infinito de soluciones, representado por
Los comandos y la sintaxis de

programaci6n para estas
aplicaciones/programas del
Ejemplo 6 estan disponibles en
Online Technology Guide, Esto es, cualquier multiplo escalar de la matriz columna de la derecha es una soluci6n. A
disponible en continuaci6n se muestran algunas soluciones:
www.cengage.com
mentos de Algebra Lineal 7e.
- - -[>
PARTICION DE MATRICES
El sistema Ax = b puede representarse de una forma mas conveniente, dividiendo las
matrices A y x de la siguiente manera. Si
all 1
A = a2, a
Cl2,, ]
." ' X = . ' [x'] X2
y
[
a,;,1 am2 a,~,n x·,,
son las matrices de coeficientes, la matriz columna de inc6gnitas y la matriz del !ado dere-
cho, respectivamente, de l sistema lineal Ax = b de tamai'io m X 11, entonces podemos
escribir
a,2 a,11
[x,
[""a;,,,
Cl2 1 Cl22
a,,,2
Clz11
a,,"' :: = b
[a.,x, + a ,r2 + . · + Cl ,,,x II
a 21 x 1 + 0 2r2 ":. · + a2,,X,, = b
a,,,,x, + C1,,,r2 +. .. + a,,,,,x,,

11
a,
Cln1 2
~- + ... + x,,
[a, 11 Cl-,
~ = b.
a;,,2 a,~rn
En otras palabras
donde a i, a 2, .. . , a,, son las columnas de la matriz A. La expresi6n
aClz
11
I
] a, 1
Cl 22
2
[a,,
C12,1
x1 • + x ,, . + ···+x 11
.
a,:i1 - ai,, 2
a,; 111
Se llama combinaci6n lineal de las matrices columna a 1, a 2, •. . , a 11 con coeficientes x 1,
Combinaciones lineales de vectores columna

La matriz producto Ax es una combinac i6n lineal de los vectores columna a 1, a2, ...
a,, que Forman la matriz de coeficientes A.
11
X 1
11
a021 ]
· + X -,
aCl22
·
,
2
1+ · · · + X 11
[a,
Cl211
·
[
a;,,, - a,;,2 a,; 111
Adicionalmente, el sistema Ax = b es consistente si y solo si b se puede expresar

como una combinaci6n lineal tal, en la que los coeficientes de la combinaci6n lineal
son una soluci6n de) sistema.
2.1 Operacio nes con matrices 47
I EJEMPLO 7 Resoluci6n de un sistema de ecuaciones lineales
El s istema lineal
x 1 + 2x 2 + 3x 3 = 0
4x 1 + 5x 2 + 6x 3 = 3
7x 1 + 8x 2 + 9x 3 = 6
puede reescribirse como una ecuaci6n matricial Ax = b de la siguiente forma
Aplicando la eliminaci6n gaussiana podernos demostrar que este sistema tiene un numero
infinito de soluciones, una de las cuales es x 1 = 1, x 2 = 1 y x 3 = -1.
Es decir, b puede expresarse corno una combinaci6n lineal de las columnas de A. Esta
representaci6n de un vector columna en funci6n de otros es un tema fundamental del alge-
bra lineal.
El dividir A en columnas y x en renglones, se emplea a menudo para reducir una

matri z de tarnano m X n a matrices mas pequenas. Por ejemplo, la matriz abajo a la
izquierda puede div id irse como se muestra en la matriz a la derecha.
u -2
4
2 0
0
2 ~] 3
- 1
1
- 2
2
4
La matriz tambien puede div idir e en matrices columna

0
0
2
0
0
u -2
4
2
o matrices rengl6n
0
0
2
~] ~ [c , C2 C3 C4]
{:l
2 0 0
3 4 0 0
- 1 -2 2
ALGEBRA Muchas aplicaciones en la vida rea l de los sistemas lineales involucran

enormes cantidades de ecuaciones y variables. Po r ejemplo, un
LINEAL problema con los calendarios de la tripulaci6n de vuelo de American
APLICADA Airlines requi ri6 la manipulaci6n de matrices con 837 renglones y mas
de 12,750,000 co lumnas. Esta aplicaci6n de programaci6n linealexigia
que el problema se dividiera en piezas mas pequeiias y despues se
resolviera en una supercomputadora Cray. V )
L a, A i C, '11 mg Interior Point y
Simplex Methods, Brxby, Robert£., et al., OperatiOT'" Q,,,,,,,.r,.,, 40,
no. 51
<Cl Sean locke(IStockphoto oom
2. 1 Ejercicios Consulte www.CatcChat.com para las soluciones de los eJerc1cios nones.
lgualdad de matrices En los ejercicios 1-4, encuentre 15. Resuelva la ecuaci6n matricial para x, y, y z.
xe y
4[xz y] - 2[-x
- !
y
16. Resuelva la ecuaci6n matricial para x, y, z, y w.
Determinaci6n de los productos de dos matrices En

los ejercicios 17 a 30, halle (a) AB y (b) BA (si estan definidas).
17. A = [! ~l B= [_ ~ - ~]
18. A = [
- I
2 -2] 4 '
B = [4 l]
2 -2
~i
Operaciones con matrices En los ejercicios 5 a 12, deter-
¥1-
~ ~
mine (a) A + B , (b) A - B , (c) 2A, (d) 2A - By (e) B +
5. A = [~ =:l B = [ _ ~ - ~]
-
2
- ~].
3
B = [-
-4 -1
l
-2
6.A= [~ ~l B=[-! -~] ;], B = [~ l

~]
7. A=u -n B=H J :l
- l l -3
8. A = [
2
!l =[-~
-3
2
!],
-•i =[~ ~]
-I -I B I -~J
2 2 22.A =H 0
- 2 -4
9. A =[~ 4
I
5 '
2
B
4
I
10. =[~
A
3
0
-~l B=[ ~ ~]
I - I
6
2
23. A = [3 2
11. A =[_~ -4
0
~], B =[! - IJ
- 3
3 2]
12. A=Ul B=[-4

=[-l~ -~3], =[~
6 2]
25. A B ~]
= 2A -
l
13. Encuentre (a) c 21 y (b) c 13, donde C 3B,
A = [ 5 4 4]2 '
- 3 y
B= [ I 2 -7].I
O -5 26. A=[! -3] =[~2 -1:2 ' B
14. Encuentre (a) c 23 y (b) c32, donde C = SA + 28,
A=[~
-3
1~ -~i, B=[-!
l
y
-6
~ l~l9 -
4
21. A=[:
-I
- 1
0
nB=Hl
=[--2~
0 l
28. A=[:
-2
- I
-~].
-2
B 2 -3
4
-!]
2.1 Ejercicios 49
Escribir una combinaci6n lineal En los ejercicios 49 a
29. A=
-~1 6
I , B = [10 12]
52, exprese la matriz columna b como una combinac i6n
lineal de las columnas de A.
49. A= [~
- I
~l b = [ - ~]
-3
3 -2
30. A= [~
0
13 8 - 17 2~l B = [! ~] 2
Tamano de la matriz E n los ejercicios 3 1 a 38, sean A, B,

C, D y E matrices con el tamafio dado.
50.A~H 0
n b-m
1
A: 3 x 4 B: 3 x 4 C: 4 x 2
Si est.a defi nida, determine el tamano de la matriz. Si no lo
esta, proporc io ne una explicaci6 n.
D: 4 x 2 E: 4 x 3
51. ~[:2
A
- 1
0
=n b~[!]
31. A +B 32. C + E
52. A= [-3! 54,] = [-22]4
b
33. ½
o 34. - 4A -8 32
35. AC 36. BE
Resoluci6n de una ecuaci6n matricial E n los ejercicios
37. £ - 2A 38. 2D +C
53 y 54, resuelva la ecuaci6 n matricia l para A.
Resoluci6n de una ecuaci6n matricial En los ejercic ios 1
39 y 40, resuelva la ecuaci6n matricial Ax =0. 53.
[3 !] = [~ ~] A
39. A= [~ - 2
-1 -1]2' ~[;:J ~[~] X O
54.
[~=~]A=[~ ~]
Resoluci6n de una ecuaci6n matricial En los ejercicios
~[l
3] [,, 2 1 55 y 56, resuelva la ecuaci6n matricial para a, b, c yd.
~ = :: o-m
-1 0 1
40 A
I - 1
' X
X4
55. [3 !] = [ 1: ~]
17]
Resoluci6n de una sistema de ecuaciones lineales En 56. [ ac ~] = [! - I
los ejercic ios 41 a 48, escriba el sistema de ecuaciones lineales
en la forma Ax = b y resuelva esta ecuaci6n matricial para x. Matriz diagonal Una matriz cuadrada
41. -x, + x 2 = 4 a 11 0 0 0
-2x 1 +x 2 = 0 0 a22 0 0
42. 2x I + 3x z = 5 A = 0 0 a33 0
x 1 + 4x 2 = 10
43. -2x 1 - 3x 2 = - 4 0 0 0
6x 1 + = -36 x2 se llama matriz di agonal si todos los elementos que no estan
44. -4x 1 + 9x 2 = - 13 en la diagonal principal son cero. En los ejercicios 57 y 58,
n~ ~]
x, - 3x 2 = 12 encuentre el producto AA para la matriz diagonal dada.
45. X l - 2x 2 + 3x 3 = 9
- Xl
2x 1
+
-
3x 2
5x 2
- X3
+ 5x 3 = 17
=-6
51. A ~ 58. A~[~ -~ ~]
46. + X2
X l - 3x 3 = - 1
Determinaci6n de los productos de matrices diago-
-xi + 2x2 = 1
nal En los ejercicios 59 y 60, determine los productos AB y
X 1 - Xz + x 3 = 2
BA para las matrices d iagonales.
47. x1 5x 2 + 2x 3 = -20
+ = A= [~ -~l B =[-~ ~]
n.-n
- 3x I X2 - X3 8 59.
- 2x 2 + 5x 3 = - 16
~ -i 0
48. X l - X2 + 4x 3 = )7
4
x1 + 3x 2 = - 11 60. A - [
0
-6x 2 + 5x 3 = 40
50 Capitu lo 2 Matrices
61. Demostraci6n guiada. Pruebe que si A y B son matri- 72. Demuestre que no existen matrices de 2 X 2 que satisfa-
ces diagonales (de! rnismo tamaiio), entonces AB = BA. gan la ecuaci6n matriciaJ
Inic io: Para demostrar que las matrices AB y BA son
AB - BA = [~ ~].
iguales, primero necesita demostrar que sus elementos
correspondientes son iguales. 73. Exploraci6n Sea i = J=T y sea
(i) Empiece su demostraci6n haciendo que A = [aij] y O
.Jy B = [O. -0iJ.
B = [bij] sean dos matrices diagonales n X n. I I
(ii) E l ij-esimo e le mento de l producto AB es (a) Determine A , A y A 4 . (Nota: A2 = AA, A 3 = AAA =

2 3
II
A 2A, etc.) Identifique cualquier similitud entre i2, i3 e i4 .
C;j = ~ G;kbkj
(b) Determine e identifique B2 •
k= I
(iii) Evalue el elemento cij para los casos en los que i -=I= 74. Demostraci6n guiada. Pruebe que si el producto A B
j e i = j. es una matri z cuadrada, entonces el producto BA esta
(iv) Repita este anaJisis para el producto BA. definjdo.
62. Escriba Sean A y B matrices de 3 X 3, donde A es lnic io: Para probar que el producto BA esta definido,
diagonal. necesita demostrar que el numero de columnas de B es
igual al numero de re nglones de A.
(a) Describa e l producto A B. Ilustre su respuesta con
ejemplos. (i) Comience su demostraci6n hacie ndo notar que el
numero de columnas de A es iguaJ al numero de
(b) Describa el producto BA. Ilustre su respuesta con
renglones de B .
ejemplos.
(ii) Despues usted puede suponer que A es de tamaiio
(c) i,C6m o cambian los resultados de los incises (a) y
m X n y B es de tamafio n X p.
(b) si los e lementos de la diagonal de A son iguales?
(iii) Utilice la hip6tesis de que el producto A B es una
Traza de una matriz En los ejercicios 63 a 66, determine matriz cuadrada.
la traza de la matriz. La traza de una matriz A den X n es la 75. Prueba Demuestre que si ambos productos: A B y BA
suma de los elementos de la diagonal principal. Es decir estan definidos, entonces AB y BA son matrices cuadradas.
Tr(A) = C/1 I + a22 + .. . + am,· 76. Sean A y B dos matrices tales que el producto AB esta
definido. Demuestre que si A tiene dos renglones identi-
2 0
cos, entonces los dos renglones correspondientes AB
-2 I
tambien son identicos.
I 0
77. Sean A y B matrices de n X n. Demuestre que si el i-esimo
0 2 4 3 rengl6n de A tiene todos sus elementos iguales a cero,
l -1 0 6 entonces el i-esimo rengl6n de AB tiene todos sus elemen-
2 I 6 2 tos iguales a cero. Proporcione un ejemplo utilizando matri-
0 5 ces de 2 x 2 para demostrar que la conversion es falsa.
67. Prueba Oemuestre que cada una de las expresiones es

verdadera si A y B son matrices cuadradas de tamafio n
t} 78. 00 ~ IK!'Al~'IT~ Sean A y B matrices de tamafio
3 X 2 y 2 X 2, respectivamente. Responda las
y c es un escalar. siguientes preguntas y explique su razonarniento.
Tr(A + B) = Tr(A) + Tr(B) (a) i,Es posible que A = B ?
Tr(cA)cTr(A) (b) i,A + B esta definido?
68. Prueba Demuestre que si A y B son matrices cuadra- (c) i,A B esta definido? Si es asf, les posible que AB =
das de tamafio n, entonces Tr(A B) = Tr(BA ). BA?
69. Determine las condiciones en w, x, y y z tales que AB =
BA en las siguientes matrices.
79. Agricultura Un agricultor tiene dos cosechas de fruta,
manzanas y peras. Cada una de estas cosechas es
A = [ ~: ;] y B = [_ ~ ~] enviada a tres djferentes mercados. El numero de unida-
des de la cosecha i que es enviada al mercado j se repre-
70. Yerifique AB = BA para las siguientes matrices. senta por a ij en la matriz
A = [ Cos a -Sen a] B _ [Cos f3 -Sen /3] A= [ 125 100 75]

Sen a Cos a y - Sen /3 Cos f3 100 175 125
La ganancia por unidad es representada por la matriz
71. Demuestre que la ecuaci6n matricial no tiene soluci6n.
B = [$3.50 $6.00)
[: :]A= [~ ~] Determine el producto BA y explique que representa

cada elemento de este producto.
2.1 Ejercicios 51
80. Manufactura Una corporaci6n tiene tres fabricas, cada Multiplicaci6n por bloques En los ejercicios 83 y 84, eje-
una de las cuales produce guitarras acusticas y guitarras cute la muJtiplicaci6n por bloques indicada de las matrices A y 8.
electricas. El numero de guitarras del tipo i producidas en Si las matrices A y 8 se dividen en cuatro submatrices
la fabricaj en un dfa se representa por aij en la matriz
A = [ 70 50 25]
A=[A"
A21
A12]
A22
y B= [8"
8 21
8 12]
8 22
35 100 70
Determine los niveles de producci6n de cada fabrica, si entonces puede multiplicar por bloques A y 8 , asignando el
la producci6n se incrementa 20%. tamaiio de las submatrices para las cuales la suma y la multi-
plicaci6n estan definidas.
81. Politica La matriz
De AB = [A" A 12] [8 11 812]
A21 A22 8 21 8 22
R D I = [ A 11811 + A i2B21 A I 18 12 + A 128 22]
0.6
P = 0.2
0.1
0.7
0. 1]
0. 1 D
R} A
A 21 B II + A22821 A21B 12 + A22B22
l 2 0
[ I 2 0 0
0.2 0.2 0.8 I -1 l 0
representa la proporci6n de votantes que cambi6 del 83. A = 0 I 0 0 B=
' 0 0 l
partido i al partido j en una elecci6n dada. Es decir, Pii (i 0 0 2 I
0 0 3
* j) representa la proporci6n de votante que cambiaron
I
del partido i al partidoj y P;; representa la proporci6n que 0 0 0 1 2 3 4
perrnanece lea! aJ partido i de una elecci6n a la siguiente. 0 0 0 I 5 6 7 8
84. A = B=
Determine e l producto de P consigo mismo. lQue repre- - 1 0 0 0 ' I 2 3 4
senta este producto? 0 - J 0 0 5 6 7 8
82. Poblaci6n Las matrices muestran la poblaci6n (en
lVerdadero o falso? En los ejercicios 85 y 86 determi ne
mi les de personas) que vivfa en diferentes regiones de
cua1 de las expresiones es verdadera o falsa. Si la expresi6n
Estados Unidos en 2009 y la poblaci6n (en miles de
es verdadera, de una raz6n o c ite una expresi6n adecuada de)
personas) estimada que vivira en estas regiones en 2015.
texto. Si la expresi6 n es falsa, proporcione un ejemplo que
Las poblaciones regionales se separaron en tres catego-
demuestre que la expresi6n no es valida para todos los casos
rfas de edad. (Fuente: U.S. Census Bureau)
o cite de! texto una expresi6n adecuada.
2009
85. (a) Para que el producto de dos matrices este definido,
0-17 18- 64 65 + el numero de columnas de la primera matriz debe ser
Noreste 12,399 35. 137 7747 igual al numero de renglones de la segunda matriz.
Medio oeste 16,047 41.902 8888 (b) El sistema Ax = b es consistente si y s61o si b puede
Sur 27,959 70.57 1 14,608 ser expresada como una combinaci6n lineal, donde
Montana 579 1 13,7 16 26 16 los coeficientes de la combinaci6n lineal son una
Pacffico 12,352 3 1,38 1 57 12 soluci6n del sistema.
86. (a) Si A es una matriz de m X n y Bes una matriz den X
2015
r, entonces el producto AB es una matriz de m X r.
0 - 17 18-64 65 + (b) La ecuaci6n matricial Ax = b, donde A es la matriz
Noreste 12,44 1 35,289 8835 de coeficienles y x y b son las matrices columna,
Medio oeste 16,363 42,250 9955 puede utili zarse para representar un sistema de ecua-
Sur 29,373 73.496 17,572 ciones lineales.
Montana 60 15 14,231 3337 87. Las columnas de la matriz T muestran las coordenadas
Pacffico 12,826 33,292 7086 de los vertices de un triangulo. La matriz A es una matriz
(a) La poblaci6n total en 2009 fue 307 000 000 y la de transformaci6n.
poblaci6n total estimada para 20 15 fue 322 000 000.
Reescriba las matrices para obtener la informaci6n
como porcentajes de la poblaci6n total.
A = [~ - ~]. T = [: ! ~]
(a) Encuentre AT y MT. Despues dibuje el triangulo
(b) Escriba una matriz que proporcione los porcentajes original y los dos triangulos transforrnados. l Que
en cambios estimados de poblaci6n por regiones y transformac i6n representa A?
por grupos de edad de 2009 a 20 15. (b) Un triangulo esta determinado por MT. Describa el
(c) Basado en el resultado <lei inciso (b), l que grupo(s) proceso de transforrnaci6n que produce el triangulo
de edad se esti ma mostrara(n) un crecimiento rela- determinado por AT y luego el triangulo determi-
ti vo de 2009 a 2015? nado por T.
2.2 Propiedades de las operaciones con matrices

Use las propiedades de la suma de matrices, multiplicaci6n escalar y
■ matrices cero .
■ Use las propiedades de multiplicaci6n de matrices y matriz identidad.
■ Encuentre la transpuesta de una matriz.
ALGEBRA DE MATRICES
En la secci6n 2.1 su atenci6n se centr6 en la mecanica de las tres operaciones basicas con
matrices: suma de matrices, multiplicaci6n escalar y multi plicaci6n de matrices. Esta sec-
ci6n comienza con el desarrollo de! algebra de matrices. Observara que esta algebra
comparte muchas (pero no todas) de las propiedades de! algebra de los numeros reales.
Enseguida aparece una lista de algunas propiedades de la suma de matrices y de la multi-
plicaci6n escalar.
TEOREMA 2.1 Propiedades de la suma de matrices

y de la multiplicaci6n por un escalar
Si A , B y C son matrices de m x n; c, d, 1, escalares, entonces las siguienres propie-
dades son verdaderas.
I. A+ B = B + A Propiedad conmutativa de la suma
2. A + (B + C) = (A + B) + C Propiedad asociativa de la suma
3. (cd)A = c(dA) Propiedad asociativa de la multiplicaci6n de escalares
4. IA= A ldentidad multiplicativa
5. c(A + B) = cA + cB Propiedad distributiva izquierda
6. (c + d)A = cA + dA Propiedad distributiva derecha
DEMOSTRACION
La demostrac i6n de estas seis propiedades se concluyen directamente a partir de las defi-
niciones de suma de matrices y multiplicaci6n por un escalar, asf como de las propiedades
correspondientes a los numeros reales. Por ejemplo, para demostrar la propiedad conmu-
tativa de la suma de matrices, sean A = [au] y B = [bu]- Entonces, aplicando la propiedad
conmutati va de la suma de numeros reales, escribimos
A + B = [a;j + b;J = [bij + au) = B + A.
De igual forma, para demostrar la propiedad 5, aplicamos la propiedad distributiva (de los
numeros reales) de la multiplicaci6n sobre la suma, para escribir
c(A + B) = [c(aij + b;)] = [ca;j + cb;j] = cA + cB.
Las demostraciones de las cuatro propiedades restantes se dejan como ejercicios (vease los
ejercicios 57 a 60).
En la secci6n anterior, la suma de matrices se defini6 como la suma de dos matrices,
haciendola asf una operaci6n binaria. La propiedad asociati va de la suma de matrices ahora
permite escribir expresiones como A + B + C como (A + B) + C o como A + (B + C).
Este mismo razonamiento se aplica a la suma de cuatro o mas matrices.
I
t
EJEMPLO 1 Suma de mas de dos matrices
Sumando los elementos correspondientes, podemos obtener la siguiente suma de cuatro

matrices.
2.2 Propiedades de las operacio nes con m atrices 53
Una pro piedad importante de la suma de numeros reales es que el numero O sirve
como la identidad aditiva. Esto es, c + 0 = c para cualquier numero real c. Para las matri-
ces se cumple una propiedad semejante. Especfficamente, si A es una matriz de m X n y
0 11111 es la matriz de m X n consistente unicamente de ceros, entonces A + 0 11111 = A . La
matriz 0 11111 se denomina matriz cero y sirve como la identidad aditiva para el conjunto
de todas las matrices de m X n. Por ejemplo, la siguiente matriz funciona como la identi-
dad aditi va para el conjunto de todas las matrices de 2 X 3.
0
0
Cuando se sobreentiende el tamafio de la matriz, las matrices cero pueden denotarse sim-
pl emente por 0.
Las siguientes propiedades de las matrices cero son faciles de probar, por lo que sus
demostraciones se dejan como ejercicio. (Vease Ejercicio 6 1.)
COM ENTARIO TEOREMA 2.2 Propiedades de las matrices cero

La propiedad 2 puede descri-
Si A es una matriz de m X n y c es un escalar, entonces las siguientes propiedades
birse diciendo que la m atriz - A
es el inverso aditivo de A. son verdaderas.
1. A+ 0 11111 = A
- - -[> 2. A + (-A) = 0 11111
3. Si cA = 0 11111, entonces c = 0 o A = 0,,,,,
El algebra de los numeros reales y el algebra de matrices tienen numerosas similitu-

des. Por ejemplo, compare las siguientes soluciones.
Numeros reales Matrices de m x n
(resolver para x) (resolver para X)
+ X +A= B
x + a + (-a) = b + (-a) X + A + (-A) = B + (-A)
x+O= b -a X+0 =B- A
x= b -a X=B- A
El proceso de resoluc i6n de una ecuaci6 n matricial se muestra en el ejemplo 2.
EJEMPLO 2 Resoluci6n de una ecuaci6n matricial
Resuelva para X en la ecuac i6n 3X + A = B, do nde

-3
A=[~ B=[
2
SOLUCION
Empecemos por resolver la ecuaci6n para X, para obtener
3X =B- A
X = ½(B - A).
Ahora, utilizando las matrices dadas tiene
COM ENTARIO PROPIEDADES DE LA MULTIPLICACION DE MATRICES

Observe que la propiedad con•
En el siguiente teorema, el algebra de matrices se extiende para incluir algunas propieda-
mutativa para la multiplicaci6n
de matrices no esta en la lista des mas utilizadas de la multiplicaci6n de matrices. La demostraci6n de la propiedad 2 se
que aparece en el teorema 2.3. presenta abajo. Las demostraciones de las propiedades restantes se dejan como ejercicio.
Aunque el producto AB esta (Vease el Ejercicio 62.)
definido, podemos ver facil-
mente que A y B no tienen el
TEOREMA 2.3 Propiedades de la multiplicaci6n de matrices
tamafio adecuado q ue defina el
producto BA. Por ejemplo, si A Si A, By C son matrices (con tamafios tales que los productos matriciales dados estan
es de tamafio 2 X 3 y Bes de 3
definidos) y c es un escalar, entonces las siguientes propiedades son verdaderas.
x 3, entonces el producto AB
esta definido, no asf el producto 1. A(BC) = (AB)C Propiedad asociativa de la multiplicaci6 n
BA. El siguiente ejemplo mues- 2. A(B + C) = AB + AC Propiedad distributiva izquierda
tra que incluso si los productos 3. (A + B)C = AC + BC Propiedad distributiva derecha
AB y BA estan definidos, estos 4. c(AB) = (cA)B = A(cB)
pueden no ser iguales.
DEMOSTRACION
Para demostrar la propiedad 2, muestre que las matrices A(B + C) y AB + AC son iguales
si sus elementos correspondientes son iguales. Suponga que A es de tamafio m X n, B es
de tamafio n X p y C es de tamafio n X p. Aplicando la defin ici6n de la multiplicaci6n de
matrices, el elemento en el i-esimo rengl6n y la j-esima columna de
A(B + C) es a; 1(b 1j + c 1) + ... + a;,,(b,,j + c,,j).
Ademas, e l elemento en el i-esimo rengl6n y laj-esima columna de AB + AC es
Distribuyendo y reagrupando, puede ver que estos dos ij-esimos e lementos son iguales. Asf
A(B + C) = AB + AC.
La propiedad asociativa de la multiplicaci6n de matrices le perrn.ite escribir estos
productos matriciales como ABC sin ambigiiedad, como se muestra en el ejemplo 3.
EJEMPLO 3 La multiplicaci6n de matrices es asociativa
Determine el producto matricial ABC agrupando primero los factores como (AB)C y luego
como A(BC). Demuestre que se obtiene el mismo resultado con ambos procesos.
-2] 1 -20 ol
~
- 1
-I ' B
=[
3 ~l C =[ :
SOLUCION
Agrupando los factores como (A B)C, obtiene
[1 0
(AB)C = ([~ -2]
- 1 3 -2 ~Jfi !]
= [-5
-1 2
4
~] [-i !]-[:; 1:l
Agrupando los factores como A(BC), obtiene el mismo resultado
A(BC) - [~ =~] ([: -2 0
=[
I -2] [ 3
2 - I -7
El siguiente ejemplo muestra que aun cuando los produclos de AB y BA esten definidos,
podrfan no ser iguales.
EJEMPLO 4 La multiplicaci6n de matrices no es conmutativa
Demuestre que AB y BA no son iguales para las matrices
A = [~ _ ~] y B = [~ - ~].
SOLUCION
AB =[~
AB* BA
_n[~ -~J =[~ -~lBA =[~ -~J[~ -~J =[~ -n
A partir del ejemplo 4 no podemos concluir que los productos matriciales AB y BA nunca
son ig uales. Algunas veces sf lo son. Por ejemplo, intente multiplicar las sig uientes matri-
ces, primero en el orden AB y despues del modo BA.
A= [I 2]
I I
y B = [-2 4]
2 -2
Usted puede ver que los dos productos son iguales. El punto es este: aunque AB y BA son
en ocasiones iguales, a menudo no lo son.
Otra cualidad importante del algebra matricial es que no existe la propiedad de can-
celaci6n para la multiplicaci6n de matrices. Es decir, si AC = BC, no es necesariamente
c ierto que A = B. Esto se demuestra en el ejemplo 5. (En la siguiente secci6n vera que,
para algunos tipos especiales de matrices, la cancelaci6 n es valida.)
EJEMPLO 5 Ejemplo en el cual la cancelaci6n no es valida
Demuestre que AC= BC.
A = [~ ~l B = [~
SOLUCION
AC =[~ ~] [_~ -2] = [-2 2 - 1

-2] = [-2
2 -1
AC = BC, aun cuando A * B.
Ahora vera un tipo especial de matriz cuadrada que tiene m1meros 1 en la diagonal
principal y numeros O en otro Jugar.
III = r~
,
0
0
0 r1
I! X fl
Por ejemplo, si n = I, 2 6 3, tenemos
~]. ,,
0
-[~ 0
I
Cuando se sobreentienda que el orden de la matri z es n, puede denotar I,, simplemente

como I.
Como se establece en el teorema 2.4, en la siguiente pagina, la matriz I,, sirve como
identidad para la multiplicaci6n de matrices; recibe e l no mbre de matriz identidad de
orden 11 . La demostraci6n de este teorema se deja como ejercicio. (Vease el Ejercicio 63.)
COM ENTARIO
TEOREMA 2.4 Propiedades de la matriz identidad
Observe que si A es una matriz
cuadrada de orden n, entonces Si A es una matriz de tamafio m X n, entonces estas propiedades son verdaderas.
Aln = lnA = A. 1. Al,, = A 2. /111 A = A
EJEMPLO 6 Multiplicaci6n por una matriz identidad
0
I
0
Para la multiplicaci6n repetida de matrices cuadradas, puede utilizar la misma nota-

ci6n exponencial usada con los numeros reales. Es decir, A 1 = A, A2 = AA, y para un
entero positivo k, Ak es
Ak =AA .. ·A.
'------...-----
k factores
Tambien esto es conveniente para definir A0 = /11 (donde A es una matriz cuadrada de
orden n). Estas definiciones nos permiten establecer las propiedades ( I) AiAk = Ai+k y (2)
(Ai/ = Aik donde j y k son enteros no negativos.
EJEMPLO 7 Multiplicaci6n repetida de una matriz cuadrada

2 1
Para la matriz A =[ - ]
3 0 '
A3 = ([~ - ~] [~ - ~]) [~ -~] = [! =~] [~ -~] = [-: =~l

En la secci6n 1.1 usted vio que un sistema de ecuaciones lineales debe tener exactamente una
soluci6n, un numero infinito de soluciones o bien, no tiene soluci6n. Aplicando el algebra
matricial desarrollada antes, ahora puede demostrar que esto es cierto.
TEOREMA 2.5 Numero de soluciones de un sistema

de ecuaciones lineales
Para un sistema de ecuaciones lineales en n variables, precisamente una de las
siguientes declaraciones es verdadera.
1. El sistema tiene exactamente una soluci6n.
2. El sistema tiene un numero infinito de soluciones.
3. El sistema no tiene soluci6n.
DEMOSTRACION
Represente el sistema por la matriz Ax = b. Si el sistema tiene exactamente una soluci6n o
no tiene soluci6n, entonces no hay nada que demostrar. Asf, puede suponer que el sistema
tiene al menos dos soluciones diferentes x 1 y x2. La demostraci6n puede completarse si usted
demuestra que esta suposici6n implica que el sistema tiene un numero infinito de soluciones.
Como x 1 y x2 son soluciones, tiene que Ax 1 = Ax2 = b y A(x 1 - x2 ) = 0. Esto implica que
la columna de la matriz distinta de cero x,. = x 1 - x2 es una soluci6n de! sistema de ecuacio-
nes lineales homogeneo Ax = 0. Con esto podemos decir que para cualquier escalar c,
A(x 1 + cx1,) = Ax 1 + A(cx,,) = b + c(A x,,) = b + cO = b.
Asf que x 1 + ex,, es una soluci6n de Ax = b para cualquier escalar c. Debido a que hay un
numero infinito de valores posibles de c y cada valor genera una soluci6n diferente, puede
concluir que el sistema tiene un numero infinito de soluciones.
TRANSPUESTA DE UNA MATRIZ

@rn~©ODOOffi3Dc La transpuesta de una matriz se forma al escribir sus columnas como renglones. Por
CtYXl Drn [R!] LJ@ ejemplo, si A es la matriz de m X n dada por
SeaA = [; !] y a,,
£ii,
a,2
0 22
a,3
0 23
o,,,
o2,,
B = [3 5].
1 - 1
A = a 3, 0 32 G33 0 3,,
am, 0 1112 01113 a,,,,,

'ua Ca lcule (AB) r, A Ta T
Tamaiio: m x n
y BTAT.
~□ Haga una conjetura entonces la transpuesta, denotada por AT, es la matriz de 11 X m de abajo
sobre la trans-
all 0 21 a3, am,
puesta del pro-
a,2 0 22 0 32 0 1112
ducto de dos matri-
AT = o, 3 0 23 0 33 o,,,3
ces cuadradas.
©a Seleccione otras a,,, cii,, C13,, a,,,,,
dos matrices cua-
Tamaiio: 11 x m
dradas para verifi-
car su conjetura.
EJEMPLO 8 Transpuesta de una matriz
Encuentre la transpuesta de cada matriz.

COM ENTARIO
~] ~] J
2 2
Advierta que la matriz cuadrada
en el inciso (c) del ejemplo 8 es
igual a su transpuesta. Esta
a. A = G] b. B = [~ 5
8
c. C = [~ 1
0
d. D = [;
matriz se denomina simetrica .
Una matriz A es simetrica si A SOLUCION
= AT_ Partiendo de esta
definici6n, es evidente que una
matriz simetrica debe ser
cuadrada. Ademas, si A = [a;i]
es una matriz simetrica,
a. A7 = [2 8] U '= [~
4
5
6 ~]
~]
entonces aii = aii para toda i"' j. 2
[> c. C' = [~
0
1 d. D T = [~
2
4 _:]
TEOREMA 2.6 Propiedades de la transpuesta
Si A y B son matrices (de tamaiio tal que las operaciones con matrices dadas estan
definidas) y c es un escalar, entonces las siguientes propiedades son verdaderas.
1. (AT)T = A Transpuesta de la transpuesta
2. (A + B)T =AT+ BT Transpuesta de una suma
3. (cA)T = c(AT) Transpuesta de la multiplicaci6n por un escalar
4. (AB)T = B TAT Transpuesta de un producto
DEMOSTRACION
Debido a que con la transposici6n de una matriz se intercambian renglones y columnas, la
propiedad I parece tener sentido. Para demostrar la propiedad I, sea A una matriz de m X
n. Observe que AT tiene el tamaiio n X m y (A Tf es de m X n, igual que A. Para demostrar
que (A Tf = A usted debe demostrar que e l ij-esimo e lemento es el mismo. Sea aij el ij-
esimo elemento de A. Entonces a;j es el ji-esimo elemento de AT y el ij-esimo elemento de
(ATf. Esto demuestra la propiedad I. La demostraci6n de las demas propiedades se deja
como ejercicio. (Vease el Ejercicio 64.)
COMENTARIO Las propiedades 2 y 4 pueden generalizarse para abarcar sumas o productos de cual-
Recuerde que debe invertir el quier numero finito de matrices. Por ejemplo, la transpuesta de la suma de tres matrices es
orden de la multiplicaci6n al
(A + B + C)T =AT + BT + er
formar la transpuesta de un
producto. Es decir, la trans- y la transpuesta de] producto de tres matrices es
puesta de AB es (AB) T = BTA T y
normalmente no es igual a (ABC)T = CTB TAT.
A TBT.
EJEMPLO 9 Transpuesta de un producto
Demuestre que (AB)T y BTAT son iguales.
A - Hj -:i y B - [~ -ll
SOLUCION
l
AB -H 0
-2
-2][3 '] = [
3
1
2
3
-1
0
62
-1
- '1]
2
(AB)T =
[~ 6
- ~]
~iu
-I
B7AT = [~
2
-I
-I
0
3
-;]-[~ 6
- I
- ~]
(AB)T = BTAT
EJEMPLO 10 Producto de una matriz y su transpuesta
COM ENTARIO Para la matri z A =[ ~ -~]. encuentre el producto AA.,. y demuestre que es simetrico.
La propiedad demostrada en el -2 -I
ejemplo 10 es generalmente
cierta. Es decir, para toda m atriz SOLUCION
A, la matriz AAT es simetrica. La
matriz A TA tambien es sime-
trica. Se le pedira que demues- Debido a que AAT = [ ~ - 2
0 -2] = [-6lO
- I
-6
4
-5]2 ,
tre estos resultados en el - 2 - 5 2 5
ejercicio 65.
- - -[> se tiene que AA T = (AA.,.) T, asf que AA Tes simetrica.
ALGEBRA Los sistemas de recuperaci6n de informaci6n como los sistemas de

busqueda de Internet utilizan una teoria de matrices y algebra lineal
LINEAL para llevar el registro de, por ejemplo, palabras clave que ocurren en
APLICADA una base de datos. Para ilustrar con un ejemplo simplificado, suponga
que usted quisiera realizar una busqueda en algunas de las palabras
clave m disponibles en una base de datos de documentos n. Usted
puede representar la busqueda con la matriz columna de x m x 1, en la
cual un 1 representa una palabra clave que usted esta buscando y 0
representa una palabra clave que no esta buscando. Usted puede
representar las apariciones de las palabras clave men los documentos n
con A, una matriz m X n en la cual una entrada es 1 si la palabra clave
ocurre en el documento y O si no ocurre en el documento. Entonces, la
matriz producto ATx den x 1 representaria el numero de palabras clave
- -:[ > en su busqueda que ocurren en cada uno de los documentos n.
Gunnar P,ppel. 2010/Used under license from Shutterstock com
2.2 Ejercicios 59
2 .2 Ejercicios Consulte www.CalcChat.com para las soluc1ones de las eiercicios nones.
Evaluaci6n de una expresi6n En los ejercicios l -6, Asociatividad de la multiplicaci6n de matrices En los
evalue la expresi6n. ejercicios 21 y 22, encuentre la matriz producto ABC al (a)
1. [-~ -6OJ+ [-27 - l]+[-10

1 14 -:J
agrupar los factores como (AB)C y (b) agrupar los factores
como A(BC). Demuestre que se obtiene el mismo resultado de
ambos procesos.
2. [_~ 80]+[-30 - 5]I +[-112 -7]
- I 21. A = [~ !l B = [~
0 ~] [~ l
-~])
3. 4([ -~
2 - -6 22. A=[-~
4 O] + [14 6 - 18 9])
-3
~])- 2[; =:] C = 0
[ -1
No conmutatividad de multiplicaci6n de matrices En

los ejercicios 23 y 24, muestre que AB y BA no son iguales
para las matrices dadas.
Operaciones con matrices En los ejercicios 7 a 12, rea-
lice las operaciones indicadas cuando a = 3, b = -4 y
23. A = [-2O 3l], = [_ 4IB
~] , 0 = [~ 24. A=[:
7. aA + bB 8. A+ B
9. ab(B) 10. (a + b)B Productos de matrices iguales En los ejercicios 25 y
26, muestre que AC = BC a pesar de que A *
a =[!
11. (a - b)(A - B) 12. (ab)0 B
~Jc =G ~J
u-! H
13. Resuelva para X cuando 25. A= [~ B
A = [- ~
-3
-~l 2
y B = [-~
4
~1-
4
26
. A - [i _i H 8
-
(a) 3X
(c) X
+ 2A = B
- 3A + 2B =
14. Resuelva para X cuando

0
(b) 2A - 5B
(d) 6X - 4A - 3B
= 3X
= 0 C -[; J ~l
Producto de matriz cero En los ejercicios 27 y 28,
~
* *
A = [-~ -
3 -4
~1 y B =[
-4
~1-
- 1
demuestre que si AB = 0 , aunque A
27. A = [! !] y
0oB
B
0.
= [ _ : - :]
(a) X
(c)
= 3A - 2B
2X + 3A = B
(b) 2X
(d) 2A
=
+
2A - B
4B = -2X 28. A = [~ :J y B = [ -½ -~J
Operaciones con matrices En los ejercicios 15 a 20, Operaciones con matrices En los ejercicios 29 a 34,
realice las operaciones indicadas siempre que c = -2 y realice las operaciones indicadas cuando
A=[~ 2
1 -1 '
3] B= [-11 23] ' C= [-10 l]
0 . A= [~ -~J.
29. IA 30. Al
15. B(CA) 16. C(BC)
17. (B + C)A 18. B(C + 0) 31. A (I + A) 32. A+ IA
2
33. A 34. A 4
19. (cB)(C + C) 20. B(cA)
Escriba E n los ejercicios 35 y 36, explique por que la f6r- (c) La transpuesta del producto de dos matrices es igual al
mula no es valida para matrices. Ilustre su razonamjento con producto de sus transpuestas. Es decir, (ABl = ATBr.
ejemplos. (d) Para toda matri z C, la matri z ccT es simetrica.
35. (A + B)(A - B) = A2 - B 2 48. (a) La multiplicaci6n de matrices es conmutati va.
36. (A + B)(A + B) = A2 + 2AB + B 2 (b) Toda matriz A tiene in versa aditiva.
(c) Si las matrices A, By C satisfacen AB = AC, enton-
Encontrando la transpuesta de una matriz En los ces B = C.
ejercicios 37 y 38, encuentre la transpuesta de la matriz.
~!]
(d) La transpuesta de la suma de dos matrices es igual a
37. D = [-! -!]

5 - I
38. D = [ -~ - ~
19 23 -32
la suma de sus transpuestas.
49. Considere las siguientes matrices.
Encontrando de la transpuesta del producto de dos

matrices En los ej ercicios 39-42, verifique q ue (A Bl =
BTAT.
(a) Determine escalares a y b tales que Z = aX + b Y.
[-I2 0I
39. A = -~] y B
-:]
J
=[- 3!
(b) Demuestre que no existen escalares a y b tales que
W = aX+bY
(c) Demuestre que si aX + bY + cW
b = c = 0.
= 0 , entonces a =
40. A= [~ -~J y B = [ -3
- 2 (d) Determine escalares a, by c, no todos iguales a cero,
tales que aX + bY + cZ = 0.
41. A= [ ~
-2 :l y B =[~ 3
4 - ~]
l
t> 50. OOl]HiY,tJ~i]'~ En la ecuaci6 n matricial
aX + A(bB) = b(AB + IB)
42. A = [~ I
0
-~] y
B = [~
0
-1
-2
3
X, A, B e / son matrices cuadradas, y a y b son
escalare distintos de cero. Justifique cada paso en
la soluci6n dada a continuaci6n.
Multiplicacion con la transpuesta de una matriz aX + (Ab)B = b(AB + B)
En los ejercicios 43-46, encuentre (a) ATA y (b) M T_Muestre aX + bAB = bAB + bB
que cada uno de estos productos es simetrico. + bA B + (-bAB) = + bB + (-bA B)
iJ
aX bAB
~ ~
aX=bA B + bB +(- bAB)
43. A = [ _: l 44. A = [ aX = bAB + (- bAB) + bB
ax= bB
-4 3
X = !!_B
4 0 a
4 - 3
3
0 -3
5
2
Il
0
Determinacion de una potencia de una matriz En los
ejercic ios 5 1 y 52, calcule la potenc ia de A para la matriz
~ 46. A=
2
- 1 -2
14 -2
6
0
12 -9
8 -5 4
11
0
-1
3
A= [~
51. A 19
0
-1
0 n 52. A 20
lVerdadero o fatso? En los ejercicios 47 y 48, determine Determinacion de la n-esima raiz de una matriz Una
cual de las expresiones es verdadera o falsa. Si la expres i6n rafz n-esima de una matriz Bes una matriz A tal que A" = B. En
es verdadera, proporcione una raz6n o c ite una expresi6n los ejercicios 53 y 54, encuentre la raiz n-esima de la matriz B.
adecuada del texto. Si la expresi6n es falsa, proporcione un
ejemplo que muestre que la expresi6n no es cierta en todos 53. B = [~ ~], n = 2
los casos o c ite de! texto una expresi6n adecuada.
47. (a) La suma de matrices es conmutativa. 0
(b) La multiplicaci6n de matrices es asociativa.

-I ~], n = 3
0 27
2.2 Ejercicios 61
Funci6n polinomial En los ejercicios 55 y 56, use la 66. Prueba Sean A y B dos matrices simetricas de 11 X 11.
definki6 n dada para determinarf(A): s if es la funci6n poli- (a) Proporcione un ejemplo que muestre que el producto
nomial. AB no necesariamente es simetrico.
f(x) = a0 + a 1x + a2x2 + . . . + a,,x1', (b) De muestre que AB es simetrica si y solo si AB = BA.
ento nces para una matriz A den X n,f(A) esta definida asf
Matrices simetricas y cuasi-simetricas Una matriz
f(A) = a0! + a 1A + a 2A2 + . .. + a,,A". cuadrada es denominada cuasi-simetrica si AT= -A. En los
55. f(x) = x2 - 5x + 2, A = [! ~] ejercicios 67 a 70, determine cual de las matrices es sime-
trica, cuas i-simetrica o ninguna de las dos.
56. J(x) = x 3 - 2.x 2 + Sx - 10 , A = [ ~ O - ~1 67. A = [_~ ~] 68. A = [~ I]

3_
57. Demostraci6n guiada Demuestre la propiedad asocia-

-1
tiva de la suma de matrices: A + (B + C) = (A + B) + C.

1 3
69. A=[; ~ il 70. A= H 2

0
3
-11
-3
0
In.icio: Para probar q ue A + (B + C) y (A + B) + C son 71. Prueba Demuestre que la diagonal principal de una
iguales, de muestre que sus e lementos correspondientes matriz cuasi-simetrica consiste unicamente de ceros.
son iguales. 72. Prueba Demuestre que si A y B son dos matrices cuasi-
(i) Corn.ience su demostrac i6n haciendo que A, B y C simetricas den X n, ento nces A + Bes cuasi-simetrica.
sean matrices de m X n. 73. Prueba Sea A una matriz cuadrada de orden n.
(ii) Observe que el ij-esimo elemento de B + C es bu +
(a) Demuestre que ½(A + AT) es simetrica.
Cu-
(iii) Ademas, el ij-esimo e lemento de A + (B + C) es au (b) De muestre que ½(A-A T) es cuas i-simetrica.
+(bu + cu)- (c) Demuestre que A puede ser escrita como la suma de
(iv) Determine el ij-esimo elemento de (A + B) + C. una matriz simetrica B y una matriz cuasi-simetrica C,
A=B + C.
58. Prueba Demuestre la propiedad asoc iativa de la mul-
tiplicaci6n escalar: (cd)A = c(dA) (d) Escriba la matriz
A=H ~
59. Prueba Demuestre que el escalar l es la identidad
para la multiplicaci6n por un escalar: IA = A
60. Prueba Demuestre la siguiente propiedad distributiva:
(c + d)A = cA + dA. como la suma de una matriz cuasi-simetrica y una
matriz simetrica.
61. Prueba Demuestre el teorema 2.2.
62. Prueba Complete la demostraci6n del teorema 2.3. 74. Prueba Demuestre que si A es una matriz de 11 X 11,
entonces A - AT es cuasi-simetrica.
(a) Demuestre la propiedad asociativa de la multiplica-
c i6 n: A(BC) = (AB)C 75. Considere matrices de la fonna
(b) Demuestre la propiedad distributiva: 0 a 12 C/ 13 a,,,
(A + B)C = AC + BC 0 0 Gi3 a 2n
(c) Demuestre la propiedad: c(A B) = (cA)B = A(cB) A =
63. Prueba Demuestre e l teorema 2.4 0 0 0 {/(11-1 )11
64. Prueba Demuestre las propiedades 2, 3 y 4 del teo- 0 0 0 0

rema 2.6. (a) Escriba una matriz de 2 X 2 y otra de 3 X 3 en la
65. Demostraci6n guiada Demuestre que si A es una forma de A.
matriz de m X n, entonces AA Ty A TA son matrices sime- (b) Utilice una aplicaci6 n grafica o un software compu-
tricas. tacional para elevar cada una de las matrices a
Inicio: para demostrar que AAT es simetrica es necesario que potencias mas altas. Describa el resultado.
demuestre que es igual a su transpuesta, (AATf = AA T_ (c) Utilice el resultado de! inciso (b) para hacer una
(i) Corn.ience su demostraci6n con la expresi6n matri- conjetura sobre las potencias de A si A es una matri z
cial de! !ado izquierdo (AA T/_ de 4 X 4. Use una aplicaci6n grafica para verificar
(ii) Aplique las propiedades de la transpuesta de un su conjetura.
matriz para demostrar que se puede simplificar e (d) Uti lice los resultados de los incisos (b) y (c) para
ig ualar con la expresi6 n de! !ado derecho, AA r_ hacer una conjetura sobre las potencias de A si A es
(iii) Repita este analisis para el producto ATA. una matriz de 11 X 11.
2.3 lnversa de una matriz

■ Encuentre la inversa de una matriz (si existe).
■ Use las propiedades de matrices inversas.
■ Use una matriz inversa para resolver un sistema de ecuaciones lineales.
MATRICES Y SUS INVERSAS

La secci6n 2.2 a naliz6 alg unas de las semej anzas entre e l algebra de los nume ros reales y
el algebra de matrices. Esta secci6n tambien desarrolla el algebra de matrices para incluir
las soluc iones de ecuaciones matriciales que implican la multiplicaci6n de matrices. Para
empezar, considere la ecuaci6n con numeros reales ax = b. Para resolver esta ecuaci6n
para x, multiplique ambos Iados de la ecuaci6n por a- 1 (siempre que a 0). *
ax= b
(a- 1a)x = a- 1b
( l)x = a - b
1
x = a- b
1
El numero a- 1 se deno mina inverso multiplicativo de a, ya que a- 'a da como resultado

(elemento identidad para la multiplicaci6n). La definici6n de! inverso multiplicativo de una
matriz es similar.
Definici6n de la inversa de una matriz

Una matriz A den X n es invertible (o no singular) si existe una matriz B den X n
tal que
AB = BA = Ill
do nde / 11 es la matriz identidad de orden n. La matriz B se denomina inversa (multi-
plicativa) de A . La matriz A que no tiene una inversa se denomina no invertible (o
singular).
Las matrices no cuadradas no tienen inversas. Para ver esto, advierta que si A es de
*
tamano m X n y B es de tamano n X 111 (donde m n), entonces los productos AB y BA
son de tamano diferente y no pueden ser iguales entre sf. Efectivamente, no todas las
matrices cuadradas poseen in versa. (Vease el ejemplo 4 .) El sig uiente teorema, sin
embargo, nos dice que si una matriz tiene inversa, entonces esta es unica.
TEOREMA 2.7 Unicidad de la inversa de una matriz

Si A es una matri z in vertible, entonces su in versa es unica. La in versa de A se denota
por A- 1•
DEMOSTRACION
Ya que A es invertible, sabemos que al menos tiene una inversa B ta! que
AB = I = BA .
Suponga que A tiene otra in versa C tal que
A C= I = CA.
Entonces usted puede demostrar que B y C son ig uales, de la siguiente manera.
AB= I
C(AB) = Cl
(CA )B =C
IB = C
B = C
En consecuencia, B = Cy tenemos que la inversa de una matriz es unica.
Debido a que la inversaA- 1 de una matriz invertible A es unica, podemos denominarla

como la inversa de A y escribimos
AA- 1 = A- 1A = I.
EJEMPLO 1 lnversa de una matriz
Demuestre que B es la inversa de A, donde

COM ENTARIO
Recuerde que no siempre es
verdad que AB = BA, incluso si
ambos productos estan defini-
A=[=~ ~] y B=[: =~l
dos. Si A y B son matrices cua- SOLUCION
dradas y AB = In, entonces Usando la definici6n de matriz inversa, puede ver que Bes la inversa de A para demostrar
puede demostrar que BA = In. que AB = I = BA , de la sig uiente manera
Aunque se omite la demostra-
ci6n de este hecho, esto implica
que en el ejemplo 1 usted solo AB =[= :~][!=~] =[=: :~ 22 -- 2]I = [l0
....._____t>
necesita ve rificar que AB = 12 .
BA = [: =~] [=: ~] =[=: : ~ 2 - 2] = [I0

2 - I
El sig uiente ejemplo muestra c6mo util izar un sistema de ecuaciones para determinar
la inversa de una matriz.
[ EJEMPLO 2 Encontrar la inversa de una matriz
Determine la inversa de la matriz
A= [ - ~ _;].
SOLUCION
Para determinar la in versa de A, resuelva la ecuaci6n matricial AX = I para X.
X12] =[l
X22 Q
X11+4X21
[ -xii - 3X21
Ahora, igualando los elementos correspondientes, obtiene los dos sistemas de ecuaciones
que se muestran
X11 +4X21 =] X12+4X22=Q
-xii - 3X21 = Q -x12 - 3x22 = 1
Resolviendo el primer sistema, tenemos que la primera columna de X es x 11 = -3 y x21 =
I. De manera similar, resolviendo el segundo sistema, tenemos que la segunda columna de
12
X es x = -4 y x 22 = I. La inversa de A es
X=A-1 =[ -3I
Utilice la multiplicaci6n de matrices para verificar este resultado.
La generalizaci6n del metodo aplicado para resolver el ejemplo 2 proporc iona un

procedimiento conveniente para encontrar la inversa. Primero observe que los dos siste-
mas de ecuaciones lineales
x,, + 4 X21 = I x 12 + 4x 22 = Q
- x 11 - 3x 21 = 0 - x 12 - 3x 22 = I
tienen la misma matriz de coeficientes. En lugar de resolver los dos sistemas representados por
[ _ : _; ~] y [ _ : _; ~]
separadamente, puede hacerlo de manera simultanea. Usted puede hacer esto adjuntando
la matriz identidad a la matriz de coeficientes para obtener
4 I
-3 0
Aplicando la eliminaci6n de Gauss-Jordan a esta matriz, puede resolver ambos sistemas
con un senci llo proceso de eliminaci6n, como el siguiente
4
-30
l
Aplicando la eliminaci6n de Gauss-Jordan a la matriz "doblemente aumentada" [A /],
usted obtiene la matriz [/ A- 1].
4 I 0 -3
-3 0
A I I
Este procedimiento (o algoritmo) funciona para una matriz arbitrari a den X n. Si A no
puede reducirse por renglones a/,,, ento nces A es no invertible (o singular). Este procedi-
miento se justificara formalmente en la siguiente secci6n, despue de exponer el concepto
de matriz elemental. Por el momento, el algori tmo se resume de la siguiente manera.
Determinaci6n de la inversa de una matriz

por eliminaci6n de Gauss-Jordan
Sea A una matriz cuadrada de orden n.
1. Escriba la matriz de n X 2n, que consta de la matriz A dada a la izquierda y la
matriz identidad / de n x n a la derecha para obtener [A /]. Observe que las
matrices A e / estan separadas por una lfnea punteada. Este proceso se denomina
adjuntar la matriz / a la matriz A.
2. Si es posible, reduzca por renglones A a / utilizando operaciones elementales con
renglones en toda la matriz [A I] con la idea de obtener la matriz [/ A - 1]. Si
esto no es posible, entonces A es no invertible (singular).
3. Verifique su trabajo multiplicando por AA- 1 y A- 1 para ver queAA- 1 = / = A - 1A .
ALGEBRA Recuerde la Ley de Hooke, que dice que para deformaciones relativa-
mente pequenas de un objeto elastico, la cantidad de deflexi6n es direc-
LINEAL tamente proporcional a la fuerza que causa la deformaci6n. En una viga
APLICADA elastica soportada de manera simple, sujeta a multiples fuerzas, la
deflexi6n d se relaciona con la fuerza w por la ecuaci6 n matricial
d = Fw
donde F es una matriz de flexibilidad cuyas entradas dependen del
material de la viga. La inversa de la matriz de flexibilidad, F- 1 , se deno-
mina la matriz de rigidez. En los ejercicios 61 y 62, se le pedira que
encuentre la matriz de rigidez F- 1 y la matriz de fuerza w para un con-
- -[> junto dado de matrices de flexibilidad y deflexi6n.
nostal6,e/www shunerstock com
I EJEMPLO 3 Encontrar la inversa de una matriz
Determine la inversa de la matriz.
A = [ :
- 6
- ~
2
- ~i
3
SOLUCION
Empiece adjuntando la matriz identidad a A para formar la matriz
- 1 0 I 0
[A I] = [ !
-6
0
2
- 1
3
0
0
1
0
Ahora, util izando operaciones elementales con renglones, reescriba esta matriz en la forma
[/ A-IJ
de la siguiente manera.
- I 0 0
[-~ 2
I - I - 1
3 0 0
I
;] R2 + (- l )RI ➔ R2
1 -1 0 0
[ 0
0
1 -1
-4 3
-1
6
1
0 ;] R-,, + (6)R1➔ R-,,
NOTA TECNOLOGICA
programas de computadora
pueden calcular la inversa de
una matriz cuadrada. Si usted
[
1 - 1
0
0
I - I
I - I - I
0 - .I 2
0
0
1 0
0
4 ~] R3 + (4)R2 ➔ R 3
usa una aplicacion grafica, las

pantallas para el ejemplo 3 se
veran como las mostradas mas
abajo. Los comandos y la sin-
[ 0
0
1
0
-1 - 1
1 -2 -4 - ;] (- l)R 3 ➔ R3
taxis de programacion para

estas aplicaciones/programas
aplicables al ejemplo 3 se pro-
porcionan en la Online Techno-
[
l
0
0
- 1
0
1
0
0 -3
-2
I
-3
-4
0
-~]
- I
Rz + R3 ➔ R2
Online Technology Guide,

disponible en
www.cengage.com
mentos de Algebra lineal 7e.
[
I
0
0
0
0
I
0
0
- 2
-3
- 2
-3
-3
- 4
-Ii
- I
- 1
R1 + R2 ➔ R 1
l
La matriz A es invertible y esta inversa es
A
I [1 -1 0 l -3
[1 0
[-6 2
-11
3 11 A- 1= [-2
-3 -3 -- 11 .
A·l
I [ -2 -3 -11 -2 -4 - I
[ -3 -3 -11
[ -2 -4 -11 l Confirme esto demostrando que
AA - 1 = I
t> = A- 1A.
El proceso mostrado en el ejemplo 3 se aplica a cualquier matriz de n X n y permite
hallar la inversa de la matriz A, si es posible. Si la matriz A no tiene inversa, el proceso
puede decirselo tambien. En el siguiente ejemplo se aplica el proceso a una matriz singular
(una que no tiene inversa).
j EJEMPLO 4 Matriz singular
Demuestre que la matriz no tiene in versa.
A= [
- 2
~ ~ -
3 - 2
~i
SOLUCION
Adjunte la matriz identidad a A para formar
[A 1] ~[ :
-2
2
- 1
3
0
2
-2
1
0
0
0
1
0 ~]
y aplique la eliminacion de Gauss-Jordan de la siguiente manera.
2 0 I 0
-7 2 -3
0 0 - 1
Debido a que la " parte A" de la matr iz tiene un renglon de ceros, puede concluir que no es
posible reescribir la matriz [A /] en la forma [/ A- 1]. Esto sig nifica que A no tiene
inversa o es no invertible (o singular).
Aplicar la eliminacion de Gauss-Jordan para determinar la inversa de una matriz funciona

bien (incluso como una tecnica de computado ra) para matrices de tamaiio 3 X 3 o ma.yo-
res. Sin embargo, para matrices de 2 x 2 puede utiljzar una formula para deterrrunar la
inversa de una matriz en Iugar de la eliminacion de Gauss-Jordan.
Si A es una matriz de 2 X 2 representada por
COM ENTARIO
El den o minador ad - be se
llama determinante de A. Usted
podra estudiar los det erminan-
entonces A es invertible si y solo si ad - be if= 0. Ademas, si ad - bd * 0, entonces la
tes con m as detalles en el capi- inversa es representada por
tulo 3.
A-1 - I [ d -ba]·
ad - be -e
EJEMPLO 5 Determinar la inversa de una matriz de 2 x 2
Si es posible, deterrrune la inversa de cada matriz.
a. A = [ 3 - 2I]
-2
b. B = 3
[ - 6
- 1-1
2_
SOLUCION
a. Para la matriz A aplique la formula para la inversa de una matriz de 2 X 2 para obtener
ad - be= (3)(2)- (- 1)(-2) = 4. Debido a que esta cantidad no es cero, la inversa se
forrna intercambiando los elementos en la diagonal principal y cambiando los signos de
los otros dos elementos y multiplicando por la escalar ¼como sigue.
b. Para la matriz B, tiene que ad- be= (3)(2) - (- 1)(-6) = 0, lo que significa que B es
no invertible.
PROPIEDADES DE LAS MATRICES INVERSAS

Algunas propiedades importantes de las matrices inversas se listan enseguida.
TEOREMA 2.8 Propiedades de las matrices inversas

Si A es una matriz invertible, k es un entero positivo y c es un escalar diferente de
cero, entonces A- 1, A\ cA y AT son invertibles y se cumple lo sig uiente.
k factores
DEMOSTRACION
La clave de la demostraci6n de las propiedades 1, 3 y 4 es el hecho de que la inversa de
una matriz es unica (teorema 2.7). Es decir, si BC = CB= I, ento nces C es la inversa de B.
La propiedad l establece que la inversa de A- 1 es A misma. Para probar esto, observe
q ue A- 1A = AA- 1 = / , lo que signi fica que A es la in versa de A- 1• Asf, A = (A- 1 r'.
De manera similar, la propiedad 3 establece que .!.A- 1 es la in versa de (cA), c * 0. Para
C
probar esto, utilice las propiedades de la multi plicaci6n escalar dada en los teoremas 2. 1 y
2.3 de la siguiente manera.
(cA)GA- 1) = (c~)AA- 1 = ( 1)/ = /
GA-')ccA) = (~c)A- 1A = (1)/ = /
Asf, .!_A- 1 es la inversa de (cA), lo cual implica .!_A- 1 = (cAf 1• La demostraci6n de las
C C
propiedades 2 y 4 se dejan como ejercicio. (Veanse los Ejercicios 65 y 66)
Para matrices no singulares, la notaci6n exponencial utilizada para la multiplicaci6n

repetida de matrices cuadradas puede extenderse para incluir exponentes que sean enteros
negativos. Esto puede lograrse si se define A-k como sigue
k factorcs
Usando esta convenci6n usted puede demostrar que las propiedades AjAk = Aj+k y (A1f =
Nk son verdaderas para cualesq uiera enteros j y k.
Sea A =[ ~
'iJ□ Calcule (AB)-1, A- 1 8"1 y 8"1A- 1•

~□ Haga una conjetura acerca de la inversa de un producto de dos matri-
ces no singulares.
©□ Elija otras dos matrices no singulares y vea si su conjetura es valida.
i EJEMPLO 6 lnversa de una matriz
Calcu le A- 2 en dos formas diferentes y demuestre que los resultados son iguales.
A=[~ ~]
SOLUCION
Una fo rma de determinar A-2 es encontrando (A 2) - 1 al elevar la matriz A al cuadrado para
obtener
y utilizando la formula para la inversa de una matriz de 2 X 2 para obtener
-SJ= [
3 J -¾
_J.
2
J.J.
4
Otro modo de determinar A- es encontrando (A- 1)2 despues de hallar A- 1

2
-IJl =[- 21 -~i 2

y despues elevando al cuadrado esta matriz para obtener
-¾J
3 .
4
Observe que cada metodo produce el mismo resulcado.
El siguiente teorema proporciona una formula para calcular la inversa del producto de
dos matrices.
TEOREMA 2.9 La inversa de un producto

Si A y B son dos matrices invertibles de tamafio n, entonces AB es invertible y
(ABr1 = a -1A-1
DEMOSTRACION
Para demostrar que S- 1A- 1 es la inversa de AB, usted solo necesita mostrar que esta cumple
con la definicion de la inversa de una matriz. Esto es
De una manera similar puede demostrar que (B- 1A- 1)(AB) =l y concluir que AB es inver-
tible y que tiene la inversa indicada.
El teorema 2.9 establece que la inversa de! producto de dos matrices invertibles es el
producto de sus inversas tornado en el orden contrario. Esto puede generalizarse para
incluir e l producto de algunas matrices invertibles:
(A I A 2 A 3 · .. A11 ) -1 -
-
A11- I •••
A 3-IA 2 -IA I- I ·
(Vease el ejemplo 4 en el Apendice A.)

[ EJEMPLO 7 lnversa del producto de una matriz

1
Halle (A Bt para las matrices
3 2
4 3
3 4
utilizando el hecho de que A- 1 y B- 1 estan representadas por
COMENTAR 0
A-' - [-'.
- I
-3
I
0
-~] y
s-•-H
-2
I
0
_fl
Advierta que invirti6 el orden
d e la m ultiplicaci6n para SOLUCION
encontrar la inve rsa de AB. Est o Utilizando el teorema 2.9 obtenemos
es, (A Bt1 = a-1A - 1 y la inversa
d e A B a m enudo no es igual a B- 1 A- I
A - 1g-1_
m-~ -~]
-2 -3
- - -[> (AB)-• - s-•A-• -[-;
0 - 3
- I 0
-2]
-H
-5
4 3 .
7
-2 - 3
Una propiedad importante en el aJgebra de los numeros reaJes es la propiedad de

cancelaci6 n. Es decir, si ac = be (c =I= 0), entonces a = b. Las matrices invertibles tienen
una propiedad de cancelaci6n similar.
TEOREMA 2.10 Propiedades de cancelaci6n

Si C es una matri z invertible, entonces las siguientes propiedades son validas.
1. Si AC = BC, entonces A = B. Propiedad de cancelaci6n por la derecha
2. Si CA = CB, entonces A = B. Propiedad de cancelaci6n por la izquierda
DEMOSTRACION
Para demostrar la propiedad I, utilice el hecho de q ue C es in vertible y escriba
AC = BC
(AC)C - I = (BC)C - I
A(cc- 1) = B(cc - 1)
Al = Bl
A = B.
La segunda propiedad puede demostrarse de forma semejante. (Vease el Ejercicio 68.)
Asegurese de recordar que el teorema 2. 10 puede aplicarse solo si C es una matriz

invertible. Si no lo es, entonces a menudo la cancelaci6n no es valida. Asf, en la secci6n
2.2 el eje mplo 5 proporciona el modelo de una ecuac i6n matricial AC= BC en la cual A
=I= B, ya q ue C no es invertible en el ejemplo.
SISTEMA$ DE ECUACIONES
Para sistemas cuadrados (los que tienen el mismo numero de ecuaciones que de variables),
puede utilizar el siguiente teore ma para determinar cual de los sistemas tiene una soluci6n
unica.
TEOREMA 2.11 Sistemas de ecuaciones con una solucion (mica

Si A es una matriz invertible, entonces el sistema de ecuaciones lineales Ax = b
tiene una soluci6n unica para cada vector columna b de n componentes, dada por
X = A- 1b .
DEMOSTRACION
Puesto que A no es singular, los siguientes pasos son validos.
Ax = b
A- 1Ax = A- 1b
Ix = A- 1b
X = A- 1b
Esta soluci6n es un ica, ya que si x 1 y x2 son dos soluciones, usted podrfa aplicar la propie-
dad de cancelaci6n para la ecuaci6n Ax 1 = b = Ax2 para conclui r que x 1 = x2 .
Reemplazar lo resaltado por Un uso del Teorema 2. l l aparece cuando se resuelven

varios sistemas en los cuales todos tienen la mjsma matriz de coeficientes A. En este caso
usted debe encontrar la matriz inversa y luego resolver cada sistema calculando el pro-
ducto A- 1b.
Soluci6n de un sistema de ecuaciones utilizando

EJEMPLO 8
una matriz inversa
Utilice una matriz inversa para resolver cada sistema.
a. 2x + 3y + z =- l b. 2x + 3y + z =4 c. 2x + 3y + z = 0
3x + 3y + z = 1 3x + 3y + z = 8 3x + 3y + z = 0
2x + 4y + z = - 2 2x + 4y + z =5 2x + 4y + z = 0
SOLUCION
:l
3
Prime,o obsecve qae la matriz de coefic;e"tes de cada , ;stema es A - [ ~ 3
4
-1 l
Utilizando la eliminaci6n de Gauss-Jordan encontrara que A- = 1
[
- ~ 0
-2 ~i-
-3
a. X = A- 1b =
[-! J[J-[=!l
- ~
I
0
-2
La soluci6n es x = 2,
y=- 1,yz=-2.
b. x = A- 1b =
[- I
- ~
I
0
-2 J[;]-[J La soluci6n es x = 4,
y = I, y z = -7.
[-1
J[~l-m
I
La soluci6n es trivial:
c. X
1
= A- b = - ~ 0
X = 0, y = 0, y Z = 0.
-2
2.3 Ejercicios 71
2 .3 Ejercicios Consulte www.CalcChat.com para las soluciones de los eierc1cios nones.
la inversa de una matriz En los ejerc1c10s I a 6, 0 0 0 0

demuestre que B es la inversa de A.
l. A=[~ ~Js=[-~ -~J

l
0
0
0
0
0 -5
~1 r~26.
0
2
0
0
0
- 2
0
2. A = [ - : - ~ l B = [ 7 :] 8
5
-7
-4
.
3 A= [ 3 !l 1
B = [-½ -~l G') 21. 2
6
3
-5
-2
l
A = [
I -IJ
4. 2
!] 3 , ~ 29.
2
0
4
- 2
-2 2 3] [-4 - 5 0 0
5. A =
[ I
0
= - 8
- 1
l
0 , B
4
½- 4
l 2
Determinaci6n de la inversa de una matriz de 2 x 2
En los ejercicios 31-36, util ice la formula en la pagina 66
2l -1117 -11]7 , [I 4l - 2]3 para encontrar la inversa de una matriz de 2 X 2 (si existe).
6. A = -
[0 3 - 2
B = 2
3 6 - 5 31. [ - ~ ~] 32. [ _! -~J
Determinaci6n de la inversa de una matriz En los
ejercicios 7 a 30, encuentre la inversa de la matriz (si esta
33. [-~ -~J 34. [-1! -~]
existe)
7. [~ ~]
35. [l -;J 36. [-: ll
Determinaci6n de la inversa del cuadrado de una
9. [~ ~]
matriz En los ejercicios 37-40, calcule A- 2 de dos maneras
11. [-74 - 3193] diferentes y muestre que los resultados son iguales.
37. A=[_~ -;] 38. A=[_;

[i
13.
39. A =
-2
~
0
I
40. A -H 0
7
i
[
0
IS. [
u
Determinaci6n de las inversas de productos y trans-
puestas En los ejercicios 4 1 a 44, utilice matrices inverti-
I das para determinar (a) (AB)- 1, (b) (ATtt y (d) (2At 1•
17.
0
l
41. A- I =[
- 7
2 !l s-• = [; -~J
0
3 42. A- 1 = [-:
19. [ ~
0
21.
0.6
~-7
0
- 1
0.3]
0.2
43. A_,+
[
0 0 .5
0 0
23. [i 4
5
24. [i 0
5
44. A-•-[~
Resolucion de un sistema de ecuaciones usando una Matriz singular En los ejercic ios 55 y 56, determine el
inversa En los ejercicios 45 a 48, utilice una matri z valor de x tal que la matriz sea singular.
inversa para resolver cada sistema de ecuaciones lineales. 4 2
45. (a) x + 2y = - I 46. (a) 2x - y =-3
55. A = [
-2
X]
-3
56. A = [
- 3
x 4]
X - 2y = 3 2x + y = 7
Resolucion de una ecuacion matricial En los ejercicios
(b) x + 2y = IO (b) 2x - y =- I
57 y 58, determine el valor de A tal que
X - 2y = - 6 2x + y = -3
47. (a) X I + 2x2 + X 3
X1 + 2x2 - X 3
= 2
= 4
57. (2A)-
1
= [~ !] 58. (4A)-
1
= [-~ ~]
x 1 - 2x2 + x 3 = -2 Determinacion de la inversa de una matriz En los
(b)x 1 +2x 2 + x 3 = I ejercicios 59 y 60, demuestre que la matriz es invertible y
x 1 +2x 2 - x 3 = 3 e ncuentre su inversa.
X 1 - 2x2 + X 3 = -3
59. A = [
Sen 0 Cos 0] 60_A = [Sec 0 Tan 0]
48. (a) XI + X2 - 2x 3 = 0 -Cos 0 Sen 0 Tan0 Sec 0
X1 - 2x2 + X3 = 0
x, - X2 - X3 =- I
Deflexion de vigas En los ejercicios 61 y 62, las fuerzas
w 1, w 2 y w 3 (en libras) actuan en una elastica soportada de
(b) X 1 + X2 - 2x 3 = - J manera simple, lo que resulta en las deflexiones d 1, d 2 y d 3
x 1 - 2x 2 + x3 = 2 (en pulgadas) en la viga (vease la fig ura).
X 1 - X2 - x3 = 0
Resolucion de un sistema of ecuaciones usando una
I!'\ inversa En los ejercicios 49 a 52, utilice una aplicac i6 n
\i:t1 gra fica o un programa de computadora co n capacidad matri-
cial para resolver el sistema de ecuaciones lineales usando
una matriz inversa.
49. x 1 + 2x 2 - x 3 + 3x 4 - x 5 = - 3
X I - 3x 2 + X 3 + 2x 4 - X 5 = - 3
Utilice la ecuaci6n matric ial d = Fw do nde
2x I + X2 + X 3 - 3x 4 + X 5 = 6
x1 x 2 +2x 3 + x 4 - x 5 = 2
2x , + X 2 - X 3 + 2x4 + X 5 = - 3
50. x 1 + x 2 - x 3 + 3x 4 -x 5 = 3 y F es la m.atriz de flexibilidad 3 X 3 para la viga, para encon-
2x 1 + x 2 +x3 + x 4 + x 5 = 4 trar la matriz de rigidez F 1 y la matriz de fuerza w. Las uni-
X 1 + X2 - X 3 + 2x 4 - X 5 = 3 dades de las e ntradas de F se presentan en pul gadas por libra.
2x 1 +x 2 + 4x 3 + x 4 - x 5 = - l
0.008 0.004 0.003] [0.585 ]
3x I + X 2 + X 3 - 2x 4 + X 5 = 5 61. F = 0.004 0.006 0.004 , d = 0.640
[
51. 2x 1 - 3x 2 + x 3 - 2x 4 + x 5 - 4x 6 = 20 0.003 0.004 0.008 0.835
3x 1 + x 2 -4x 3 + x 4 - x 5 + 2x 6 = - 16
4x 1 + x 2 - 3x 3 + 4x 4 - x 5 + 2x 6 = - 12
- 5x 1 - x 2 + 4x 3 +2x 4 - 5x 5 + 3x 6 = - 2
x 1 + x 2 - 3x 3 + 4x 4 - 3x 5 + x 6 = - 15
62. F = [~:~ :
0.008
~ ~:~:
0.010
~ ~:~~~],
0.0 17
d = [0.1 ~1
0
3x 1 - x 2 + 2x 3 - 3x 4 + 2x 5 - 6x 6 = 25 LVerdadero o falso? En los ejercic ios 63 y 64, determine

cua1 de las expresiones es verdadera o falsa. Si la expresi6n es
52. 4x 1 -2x 2 + 4x 3 +2x4 - 5x 5 - x 6 = 1
c ierta, pro porcione una raz6n o cite una ex presi6n adecuada a
3x 1 + 6x 2 - 5x 3 - 6x 4 + 3x5 + 3x 6 = -11 partir del texto. Si la expresi6n es falsa, proporcione un ejem-
2x 1 - 3x 2 + x 3 + 3x 4 - x 5 - 2x 6 = 0 plo que muestre que la expresi6n no es cierta en todos los
- x1+ 4x 2 - 4x 3 - 6x 4 + 2x 5 + 4x 6 = - 9 casos o cite una expresi6 n apropiada a pa11ir del texto.
3x 1 - x 2 + 5x 3 + 2x 4 - 3x 5 - 5x 6 = 1
63. (a) Si las matrices A , B y C satisfacen BA = CA y A es
- 2x 1 + 3x 2 - 4x 3 - 6x 4 + x 5 + 2x 6 = - 12 invertible, entonces B = C.
Matriz igual a su propia inversa En los ejercicios 53 a 54, (b) La inversa del producto de dos matrices es el pro-
determine el valor de x tal que la matriz sea igual a su in versa. ducto de sus inversas, esto es (ABt 1 = A-1s- 1•
3 2 (c) Si A puede ser reducida por la matriz identidad,
53. A = [
-2 -3
X] 54. A = [
- I -2
X] entonces A es no singular.
2.3 Ejercicios 73
64. (a) La in versa de la inversa de una matriz no singular A, 75. Use el resultado del ejercicio 74 para deterrninar A- 1
r
(A- 1 1 es igual a A misma.
[-,
para cada matriz.
!]
~]
0
(b) La matriz [ ; es invertible si ab - de * 0. (a) A = ~ 3
0
(c) Si A es una matriz cuadrada, entonces el sistema de
ecuaciones lineales Ax = b tiene una soluci6n unica.
65. Prueba Demuestre la propiedad 2 del teorema 2.8: si A
es una matriz invertible y k un entero positive, entonces
~) A = [! 0
l
3
0 il
76. Sea A = [ _ I 2] .
2 1
k factor
(a) Demuestre que A2 - 2A + 5/ = 0, donde I es la
66. Prueba Demuestre la propiedad 4 del teorema 2.8: si
matriz identidad de orden 2.
A es una matriz invertible, entonces (ATf 1 = (A- 1)7. 1
(b) Demuestre que K = ½(2/ -A).
67. Demostraci6n guiada Demuestre que la inversa de
una matriz simetrica no singular es simetrica. (c) Demuestre que, en general, para cualquier matriz
cuadrada que satisfaga la ecuaci6n A2 - 2A + 5/ =
Inicio: para demostrar que la inversa de A es simetrica,
0, la inversa de A esta dada por A- 1 = ½(2/ - A).
necesita probar que (A- 1)7 = A- 1
77. Prueba Sea u la matriz columna n X I que satisface
(i) Sea A una matriz simetrica no singular.
uTu = I. La matriz den X n, H = I,, - 2uuT se llama
(ii) Esto signjfica que AT = A y A- 1 existen.
matriz de Householder.
(iii) Utilice las propiedades de la transpuesta para
(a) Demuestre que H es simetrica y no singular.
demostrar que (A- 1)7 es igual a A- 1•
68. Prueba Demuestre la propiedad 2 del teorema 2. 10: si
C es una matriz invertjble tal que CA = CB, entonces ~) Seau = [ ;~J Dem"estre q"eu'u = lycak"k
A = B.
la matriz de Householder H.
69. Prueba Demuestre que si A2 = A, entonces
I - 2A = (/ - 2A f 1
•
78. Prueba Sean A y B matrices n x n. Demuestre que si la
matriz I -AB es no singular, entonces tam bien lo es I - BA.
70. Prueba Demuestre que si A, B y C son matrices cua-
dradas y ABC = /, entonces B es invertible y Er 1 = CA. 79. Sean A , D y P matrices de n X n que satisfacen AP =
PD. Si P es no singular, resuelva esta ecuaci6n para A.
71. Prueba Demuestre que si A es invertible y AB = 0,
t,Debe cumplirse que A = D?
entonces B = 0.
80. Encuentre un ejemplo de una matriz singular de 2 X 2
72. Demostraci6n guiada Demuestre que si A2 = A,
entonces una de dos cosas: A = I o A es singular.
que satisfaga A 2 = A.
Inicio: usted debe demostrar que A es singular o que A es 81. Escriba Explique c6mo deterrninar si la inversa de una
igual a la matriz matriz existe. Si es asf, explique c6mo encontrar la
inversa.
(i) Comience su demostraci6n observando que A es
singular o no singular.
(ii) Si A es singular, la demostraci6n esta hecha.
~ 82. lfil[g[iYA].£'u'[g Como se menc ion6 en la
pagina 66, si A es una matriz de 2 X 2 dada por
(iii) Si A es no singular, entonces utilice la matriz
inversa A- 1 y la hip6tesis de que A 2 = A para
demostrar que A = I.
73. Escriba i,La suma de dos matrices invertibles es in ver- entonces A es invertible si y s6lo si ad - cb * 0.
tible? Explique por que sf o por que no. Ilustre su con- Verifique que la inversa de A este dada por
c lusi6n con un ejemplo apropiado.
74. Escriba i,Bajo que condicio nes la matriz djagonal A-t - 1 [ d - ab].
ad - be -c
0 0 0
0 0
83. Escriba Explique en sus propias palabras c6mo escri-
bir un sistema de tres ecuac iones lineales en tres varia-
0 0 a,w bles como una ecuaci6n matricial, AX = B, asf como la
es invertible? Si A es invertible, encuentre la inversa. manera de resolver el sistema usando una matriz inversa.
2.4 Matrices elementales

■ Factorice una matriz en un producto de matrices elementales.
■ Encuentre y uti lice una factorizaci6n LU de una matriz para resolver

un sistema de ecuaciones lineales.
MATRICES ELEMENTALES Y OPERACIONES

ELEMENTALES CON RENGLONES
En la secci6n l .2 se presentaron las tres operaciones elementales sobre renglones aplicadas
a las matrices; estas son:
1. lntercambio de dos renglones.
2. Multiplicar un rengl6n por una constante diferente de cero.
COM ENTARIO 3. Sumar el multiplo de un rengl6n a otro rengl6n.
De acuerdo con esta definici6n,
la matriz identidad /0 es En esta secci6n, usted podra ver c6mo la multiplicaci6n matricial puede emplearse para
elemental, ya que puede ejecutar estas operaciones.
obtenerse a partir de si misma
al multiplicar cua lquiera de sus Definici6n de matriz elemental
renglones por 1.
Una matriz den X n se denomina matriz elemental si puede ser obtenida a partir de
la matriz identidad / 11 por una sola operaci6n elemental de rengl6n.
EJEMPLO 1 Matrices elementales y no elementales
i,Cuales de las siguientes matrices son e lementales? Para aquellas que lo sean, describa la
operaci6n elemental de rengl6n.
~]
0
0
a.
[~ 3
0
b.
[~ ~]
~]
0 0
c.
[~ I
0
d. [~
0
!]
J
0
e. [~ ~] f.
[~ 2
0
SOLUCION
a. Esta matriz es elemental. Puede obtenerse multiplicando el segundo rengl6n de 13 por 3.
b. Esta matriz no es ele mental, ya que no es cuadrada.
c. Esta matriz no es elemental, ya que fue obtenida al multiplicar el tercer rengl6n de / 3
por O (la multiplicaci6n de renglo nes debe ser por una constante diferente de cero).
d. Esta matriz es elemental. Puede obtenerse intercambiando el segundo y el tercer ren-
gl6n de h
e. Esta matriz es e lemental. Puede obtenerse al multiplicar el primer rengl6n de /2 por 2 y
sumar el resultado al segundo rengl6n.
f. Esta matriz no es elemental, ya que se requieren dos operaciones con renglones para
obtenerla a partir de / 3.
2.4 M at rices elementales 75
Las matrices elementales resultan utiles porque permiten usar la multiplicaci6n matri-
cial para realizar operaciones elementales con renglones, como se muestra en el ejemplo 2.
Matrices elementales y operaciones

EJEMPLO 2
elementales con renglones
a. En el siguiente producto de matrices, E es una matriz elemental en la cual los dos pri-
meros renglo nes de / 3 se han intercambiado.
E
1
0
0
Observe que los dos primeros renglones de A se han in tercambiado en la multiplicaci6n

por fa izquierda por £.
b. En el siguiente producto de matrices, E es la matriz elemental en la cual el segundo
rengl6n de / 3 se ha multiplicado por ½,
E A
m~
0 0 - 4 0 - 4
[~
!
2
0
2 6
3
-}[~ 3
3
-~]
Aq uf el tamaiio de A es 3 X 4. A puede, sin embargo, ser cualquier matriz de 3 X n y
multiplicarse por la izquierda por E y mantener el resultado de multiplicar el segundo
rengl6n de A por ½,
c. En el siguiente producto, E es la matri z ele mental en la que se ha sumado dos veces el
primer re ngl6 n de / 3 a l segundo rengl6n.
COM ENTARIO E A
A segurese de t ener en mente
que en el t eorema 2.12 A es
mult iplicada por la izquierda por
la m atriz eleme ntal E. La mult i-
plicaci 6 n po r la derecha po r
m at rices elemental es, la cual
0
0
I
~lH-; -~l-[~-; -il
Note que en el producto EA se ha sumado dos veces el primer rengl6n al segundo.
implica operacio nes co n colum-
nas, no se considera en est e
texto.
- - -t> En cada uno de los tres productos del ejemplo 2, usted fue capaz de ejecutar operac io-
nes elementales con renglones para multiplicar por la izquierda por una matriz elemental.
Esta propiedad de las matrices elementales se generaliza en el siguiente teorema, el cual
se enuncia sin demostrar.
TEOREMA 2.12 Representaci6n de operaciones elementales

con renglones
Sea E la matriz elemental obtenida al ejecutar una operaci6n elemental con renglo-
nes en I,,,. Si esta mis ma operaci6n es reali zada e n una matriz A de m X n, entonces
el resultado esta dado por el producto EA .
Muchas aplicaciones de las operacio nes eleme ntales con reglones requieren de una
secuencia de operaciones. Por ejemplo, la eliminaci6 n gaussiana a menudo precisa de
varias operac io nes elementales con renglo nes para reducir una matri z. Para matrices ele-
mentales, esta secuencia se traduce en la multiplicaci6n (por la izquierda) por varias
matrices e lementales. El orden de la multiplicaci6n es importante; la matriz elemental
inmediata para la izquierda de A corresponde a la operaci6n con renglones ejecutada pri-
mero. Este proceso se demuestra en el ejemplo 3.
i EJEMPLO 3 Aplicaci6n de matrices elementales
Encuentre una sucesi6n de matrices elementales que puedan utilizarse para escribir la
matriz A en forma escalonada por renglones.
~]
l 3
A- [! -3
-6
0
2
SOLUCION
Operaci6 n elemental Matriz
Matriz con renglones elemental
[i
-3
-6
I
0
3
2 ~] R1- Rz
E, -[! I
0
0
;]
J ~
-3 0 0
[i 0
I 3
2 R3 + (- 2)RI ➔ R3
E, - [
-2
I
0
;]
- 3
J
0 0
[i l
0
3
(½)R3 ➔ R3
£, -[i
Las tres matrices elementales Ei, £ 2 y £ 3 pueden utilizarse para ejecutar la misma elimi-
l
0 il
naci6n.
~JU m ~m
0 0 l I 3
B - E, E, E,A - [~ l l 0 -3 0
COM ENTARIO 0 0 0 -6 2
El procedimiento demostrado
-[i ~JU rn~ ~]

en el ejemplo 3 es primordi al- 0 0 -3 0
mente de interes te6rico. En I I I 3
otras pa labras, este procedi-
miento no se recomienda
0 0 -6 2
~]-[~
como un metodo practice para 0 -3 -3
~m
0
realizar la eliminaci6n gaus-
siana.
-[i I
0
I
0
3
2 -4 0
I
0
Las dos matrices en el ejemplo 3
J
I 3 -3 0
A-[! -3
-6
0
2
~] y B - [~
I
0
3
son equivalentes por renglones, ya que usted puede obtener Bal ejecutar una secuencia de
operaciones con renglones en A. Es decir, B = E3E2E 1A.
La definici6n de matrices equivalentes por reglones puede ser reexpresada usando
matrices elementales de la siguiente manera.
Definici6n de equivalencia por renglones

Sean A y B matrices de m X n. La matriz B es equivalente por renglones con A si
existe un numero finito de matrices ele mentales Ei, £ 2 , . . . , Ek ta! que
8 = EkEk_,· · · E2E,A.
Usted sabe, de la secci6n 2.3, que no todas las matrices cuadradas son invertibles. Sin
embargo, toda matriz elemental es invertible. Ademas, la inversa de una matriz elemental
es en sf misma una matriz elemental .
TEOREMA 2.13 Las matrices elementales son invertibles

1
Si E es una matriz elemental, entonces ~ existe y es una matri z elemental.
La inversa de una matriz elemental E es la matriz elemental que convierte £ de nuevo

en / 11• Por ejemplo, puede encontrar la inversa de cada una de la tres matrices elementales
mostradas en el ejemplo 3 de la siguiente manera.
Matriz elemental Matriz inversa

COM ENTARIO
~] -[! ~]
1 1
-[!
R1~R2 R1~R2
E2- 1 esta como se m uestra E-1
po rque convertir E2 a /3, en E2
E, 0 I 0
se tend rfa que sumar dos veces 0 0
el primer rengl6n al t ercero.
~ ~] -[~ ~]
0 0
[> E, - [ 1 E-1
2 1
-2 0 R3 + (- 2)R1➔ R3 0 R3 + (2)R1➔ R3
~]
0 0
E, - [~ 1
0 1] {½) R3➔ R3
E>' - [~ 1
0 (2)R3 ➔ R3
lntente utilizar la multiplicaci6n de matrices para verificar estos resultados.

El siguiente teorema establece que toda matri z invertible puede ser escrita como el
producto de dos matrices elementales.
TEOREMA 2.14 Propiedad de las matrices invertibles

Una matri z c uadrada es invertible si y solo si puede ser escrita como el producto de
matrices elementales.
DEMOSTRACION
La frase "si y s61o si" significa que el teorema tiene dos partes . En una, usted debe demos-
trar que si A es invertible, entonces puede escribi rse como el producto de matrices elemen-
tales. Luego debe demost:rar que si A puede ser escrita como el producto de matrices ele-
mentales, en/onces es invertible.
Para demostrar el teorema en la otra direcci6n, suponga que A es invertible. Del teo-
rema 2.11 sabe que el sistema de ecuaciones lineales representado por Ax = 0 tiene s6lo
la soluci6n tri vial. Pero esto impl ica que la matriz aumentada [A O] puede reescribirse
en la forma [/ O] (usando operaciones elementales con renglones correspondientes E i,
E2 , . . . y Ek)- Ahora tenemos Ek ... E3E1E 1A = I y esto seguido de A = E,- , £ 2- 1 E3- 1 ••
. Ek-I· A puede escribirse como el producto de dos matrices elementales y la demostraci6n
esta completa.
Para demostrar el teorema en la otra direcci6n, asuma que A es el producto de matri-
ces elementales. Entonces, debido a que cada matri z ele mental es invertible y el producto
de matrices invertibles es inverti ble, se sigue que A es invertible. Esto completa la demos-
traci6n.
La primera parte de esta demostraci6n se ilustra en el ejemplo 4.

Escritura de una matriz como el producto

j EJEMPLO 4
de mat rices elementales
Determine una sucesi6 n de matrices elementales cuyo producto es la matriz no singular
A= [ -2]8 .
-)
3
SOLUCION
Empecemos por encontrar una sucesi6 n de operaciones elementales con renglones que
puedan utilizarse para reescribir A en la forma escalonada reducida.
Matiiz Operaci6n elemental con renglones Matriz elemental
(- l )R 1 -4 R1
E, = [-~ ~]
E = [
2 -3
I
~]
E =
3
[I
0 ~]
£ 4 = [~ -~J
Ahora, a partir de! producto matricial £ 4 £ 3 £ 2 £ 1A = /, resuelva para A para obtener A
£,- 1£ 2- 1£ 3- 1£ 4- 1. Esto implica que A es el producto de matrices elementales.
£ - I
4
- 1
A= [
0
En la secci6n 2.3 usted aprendi6 un proceso para encontrar la inversa de una matriz no
singular A. Entonces emple6 la eliminaci6n de Gauss-Jordan para reducir la matriz aumen-
tada [A /]a[/ A- 1). Ahora puede utilizar el teorema 2.14 para justificar este procedi-
miento. Especfficamente, la demostraci6n de] teorema 2.14 permite escribir el producto
f = Ek · · · E3E2E, A.
Multiplicando ambos )ados de la ecuaci6n (por la derecha) por A- 1, podemos escribir A- 1
= Ek .. . £ 3£ 2£ 1/. En otras palabras, una sucesi6n de matrices elementales que reducen A
a la identidad pueden usarse para reducir tambien la identidad / a A- 1• Aplicando la suce-
si6n correspondiente de operaciones elementales con renglones a las matrices A e / de
manera simultanea, tenemos
Por supuesto, si A es singular, ento nces ta) sucesi6n no puede ser determinada.
El siguiente teorema vi ncula algunas relaciones importantes entre matrices de n X n y
sistemas de ecuaciones lineales. Las partes esenciales de este teorema ya han sido de mostra-
das (vease los teoremas 2.11 y 2.14); se deja a usted completar el resto de la demostraci6n.
TEOREMA 2.15 Condiciones equivalentes

Si A es una matriz den X n, entonces las siguientes condiciones son equivalentes.
1. A es invertible .
2. Ax = b t.iene una soluci6n unica para cada matriz b columna de n X l.
3. Ax = 0 solo tiene soluci6n trivial.
4. A es equivalente por renglones a / 11 •
5. A puede escribirse como el producto de matrices ele mentales.
FACTORIZACION LU
Como el coraz6n de muchos eficientes y modemos algoritmos para resolver sistemas
lineales, Ax = b se llama tambien facto rizaci6n LU, en la cual la matriz cuadrada A es
expresada como un producto, A = LU. En este producto la matriz cuadrada Les triangular
inferior, lo que significa que todos los e lementos arriba de la diagonal principal no nula
son ceros. La matriz cuadrada U es triangular superior, lo cual significa que todos los
l
elementos debajo de la diagonal principal no nula son ceros.
Il
0 a,2
[ a,, a,,
0 21
D3 1
lli2
D32
["f 0 22
0
0 23
Cl33
Matriz triangular inferior de 3 x 3 Matriz triangular s uperior de 3 x 3
Definici6n de la factorizaci6n LU
Si la matriz A den X n puede ser escrita como el producto de una matriz triangular
inferior Ly una matriz triangular superior U, ento nces A = LU es una factorizaci6n
LU de A.
I EJEMPLO 5 Factorizaciones LU
es una factorizaci6n LU de la matriz
como el producto de la matriz triangular inferior
L = [: ~]
y la matriz triangular superior
u = [~ -~J
[' m~ ~1-w
-3 0 -3
b. A = 0 l
2 -10 !]- [i -4
l l
0 14
es una factorizaci6n L U de la matriz A.
ALGEBRA Oinamica de fluidos computacional (CFO por sus siglas en ingles) es

el analisis por computadora de fen6menos de la vida real como flujo
LINEAL de fluidos, transferencia de calor y reacciones qu fmicas. Resolver
APLICADA ecuaciones de conservaci6n de energfa, masa y memento implicadas
en un analisis de CFO puede involucrar grandes sistemas de ecuacio-
nes lineales. Asf, para mayor eficiencia en el calculo, los analisis de
CFO a menudo usa n particionado de m atrices y factorizaci6n LU en
sus algoritmos. Las empresas aeroespaciales como Boeing y Airbus
han usado el analisi s CFO para el diseno de aeronaves. Por ej emplo,
los ingenieros de Boeing usaron analisis de CFO para simular el flujo
de aire alrededor de u n modelo virtual del avi6n 787 para ayudar a
producir un diseno mas rapido y eficiente que los anteriores de
Boeing.
Goncharuk/shunerstock oom
Si una matriz cuadrada A puede ser reducida a una matriz triangular superior U usando
s61o la operaci6n suma de rengl6 n para sumar un multiplo de un re ngl6n a otro debajo de
este, entonces es facil determinar una factorizaci6n LU de la matriz A. Todo lo que nece-
sita hacer es mantener e l registro de las operaciones con cada rengl6n, como se muestra en
el siguiente ejemplo.
Determinacion de las factorizaciones LU

EJEMPLO 6 de una matriz
~ [~
n
-3
Detecm;ne la factmi ,ad6n LU de la m,rr;z A l
- 10
SOLUCION
Comience por reducir A a la fonna triangular superior mientras mantiene el registro de las
matrices elementales utilizadas para cada operaci6n con renglones.
Matriz Operaci6n elemental con renglones Matriz elemental
[~
- 3
-4
1
~] R3 + ( -2)R 1 ➔ R 3
E1 -[ ~ -2
0
I
0
;]
-3 0
[~ 1
0 1!] R3 + (4)R 2 ➔ R3
£, - [~
4 ;]
La matriz reducida U a la izquierda es triangular superior, lo que conduce a E2£ 1A = Uo
A = £ 1- 1£ 2- 1 U. Como el producto de matrices triangulares inferiores
£,-•£,-• ~ [~ r m~ _: ~J ~ [~ _: ~l
es una matriz triangular inferior L, la factorizaci6n A = LU esta completa. Observe que esta
es la misma factorizaci6n LU que se demostr6 en el ejemplo S(b) al inicio de esta pagina.
En general, si A puede ser reducida a una matriz U triangular superior utilizando s61o la
operaci6n suma de un multiplo de un rengl6n a otro, entonces A tiene una factorizaci6n LU.
Ek ·· ·E2E1A = U
A= E,-• £ 2
- 1- - . Ek-•u = LU
Aquf L es e l producto de las inversas de matrices elementales utilizadas en la reducci6n.
Observe que los multiples en el ejemplo 6 son -2 y 4, es decir, los negativos de los ele-
mentos correspondientes en L. En general esto es cierto. Si U puede ser obtenida a partir de A
usando s61o la operaci6n de surnar un multiplo de un rengl6n a otro rengl6n de abajo, entonces
la matriz L es triangular inferior con numeros 1 a lo largo de la diagonal. Ademas, el negativo
de cada multiplo esta en la misma posici6n que el cero correspondiente en la matriz U.
Una vez que haya obtenido una factorizaci6n LU de la matriz A, usted puede resolver
entonces el sistema den ecuaciones lineales en n variables Ax = b eficientemente en dos pasos.
1. Escriba y = Ux y resuelva Ly = b para y.
2. Resuelva Ux = y para x.
La matriz columna x es la soluci6n del sistema original porque
Ax = LUx = Ly = b.
El segundo paso en este algoritrno es s61o una sustituci6n hacia atras, ya que la matriz
U es triangular superior. El primer paso es similar, excepto que comienza en la parte de
arriba de la matriz, ya que Les triangular inferior. Por esta raz6n, el primer paso a menudo
recibe el nombre de sustituci6n hacia delante.
2.4 Mat rices elementales 81
Resoluci6n de un sistema lineal

EJEMPLO 7
usando factorizaci6n LU
Resuelva el sistema lineal.
-5
x2 + 3x 3 = - I
2x 1 - IOx 2 + 2x 3 = -20
SOLUCION
Usted obtuvo la factori zaci6 n LU de la matriz de coefic ientes A en el ejemplo 6.
-3
A-[~ - IO !]
m~ ,!]
0 -3
-[~ -4
l l
0
Primero, haga y = Ux y resuelva el sistema Ly = b para y.
[~ -4
0
~lH-[=~]
l y3 - 20
Este sistema se res uelve fac ilmente usando la susti tuci6 n hacia delante. Comenzando con
la primera ecuaci6n, tiene que
YI= 5.
La segunda ecuaci6n da como resultado y 2 = - 1. Finalmente, de la tercera ecuaci6n,
2y 1 - 4Ji + y3 = - 20
YJ = - 20 - 2y, + 4Ji
y3 = - 20 - 2(- 5) + 4(- 1)
YJ = - 14.
La soluci6n de Ly = b es
y =[ =~]-
- 14
Ahora, resolviendo el sistema Ux = y para x, aplicando la sustituci6n hacia atras
= [-5]
-3
I ol[x1]
3 X ry-I
0 14 X3 -1 4
De la ultima ecuaci6n, x 3 = - 1. Entonces, la segunda ecuaci6n da
X2 + 3(- 1) = - I
o x2 = 2. Finalmente, la primera ecuaci6n es

X 1 - 3(2) = -5
o x 1 = I. Asf, la soluci6n del sistema original de ecuaciones es

2. 4 Ejereic iOS Consulte www.CalcChat.com para las soluc1ones de los ejerc1c1os nones.
Matrices elementales En los ejercicios I a 8 determine si 0 0

las matrices son elementales. Si es asf, establezca las opera- 0
1 k
ciones elementales con renglones utilizadas para producirlas. 21.
[~ I
0 ;] 22.
r~ 0 l
~1
1. [~ ~] 0
0 k =I= 0
0 0
3. [~ ~] ~] Determinaci6n de la inversa de una matriz En los

ejercicios 23 a 26, e ncuentre la inversa de la matriz aplicando
0 0 matrices elementales.
0 I
5. [~
23.
[~ -~] 24.
[~ ~]
l
I 0
I 0 0 0 0 0
7.
0
0
0
I
-5
0
0
I
0
I
0
0
0
I
-3
0
0
25.
[~
0
6
0
-- 11
4
26.
[~
0
2
0
-:i
Determinaci6n de una matriz elemental En los ejerci- Determinaci6n de una secuencia de matrices elemen-
cios 9-12, sean A, By C tales En los ejercicios 27-34, e ncue ntre una secue ncia de
matrices elementales cuyo producto sea la matriz no singular
B = [
- 1
~
2
2 - 3
~], dada.
27.
[~ ~] 28.
[~ ~]
29. [; -1]
-1 30.
[~ :]
-2
H
2
= B.
9. Encuentre la matriz elemental Eta! que EA
10. Encuentre la matriz ele mental Eta! que EA = C.
31. 3
0
;] 32.
[i 5
3
;]
= A.
~ ~
11. Encuentre la matriz elemental E tal que EB
J
0 0 0 0
12. Encuentre la matriz elemental E tal que EC = A.
Determinaci6n de una secuencia de matrices elemen-

ta les En los ejercicios 13- I6, encuentre una secue ncia de
33. r
- 1
0
0
3
2
1
)1 34. r
I
0
0
0
- I
0
matrices elementales que se pueden usar para escribir la matriz lVerdadero o falso? En los ejercicios 35 y 36, detem1ine
en la forma escalonada por renglones. cual de las expresiones es verdadera o falsa. Si la expresi6n
es verdadera, proporcione una raz6n o c ite una expresi6n
13. [ 05 adecuada de) texto. Si la expresi6n es falsa, proporcione un
lO ejemplo que muestre que la expresi6n no es cierta e n todos
los casos o cite del texto una expresi6n adecuada.
-2 -I
35. (a) La matriz ide ntidad es una matriz elemental.
4 8
(b) Si E es una matriz ele mental, entonces 2£ es una
12 8
matriz elemental tambien.
Determinaci6n de la inversa de una matriz elemen- (c) La in versa de una matriz elemental es una matriz
tal En los ejercicios 17 a 22, encuentre la inversa de la elemental.
matriz elemental. 36. (a) La matriz nula es una matriz elemental.
17.
[~ ~] 18.
[~ ~] (b) Una matriz cuadrada es no si ngular si puede escri-
birse como el producto de dos matrices elementales.
~]
0 0 (c) Ax = 0 s61o tiene soluci6n trivial si y s6lo si Ax =
19.
[;
I
0
20.
[~ l
-3 ;] b tiene una unica soluci6n para toda matriz columna
b den X I.
2.4 Ejercicios 83
37. Escriba i,El produc to de dos matrices elementales Matrices idempotentes En los ej ercicios 49 a 52, deter-
siempre es un a matriz ele mental? Explique por que sf o mi ne cual de las matrices es ide mpo tente. Una matriz c ua-
por que no y de ej e mplos que ilustren su co nclusi6n. drada A es idempote nte si A2 = A .
38. Escriba £ es la matriz ele mental o btenida al intercam-
biar dos re ng lones en / 11 • A es una matriz de 11 X 11 . 49. [ ~ ~] 50. [ ~
(a) i,C6mo se puede comparar EA con A? (b) Encuen-
tre £ 2 •
39. Utilicc matrices ele me ntales para e ncontrar la inversa de 51. [~ ! ~] 52. [! 0
0
I
A - [~
Ct,. 0.
I m~ r ~m r n 53. Determine a y b tales que A sea ide mpote nte.
54. Demostraci6n guiada Demuestre que A es idempo-

40. Uti lice matrices eleme ntales para encontrar la inversa de te nte si y solo si AT es ide mpotente.
A- [~ ! HCH lnicio: la frase "si y s61o s i" significa que usted debe
probar dos afirmaciones:
1. S i A es ide mpote nte, entonces AT es idempotente.
Determinaci6n de la factorizaci6n LU de una 2. Si AT es idempotente, e ntonce A es idempotente.
matriz En los ejerc icios 41 a 44, e ncue ntre la factorizaci6n
LU de la matriz (i) Cornie nce su de mostraci6n de la prime ra afirmaci6n
-2 suponie ndo que A es ide mpote nte.
u
41. [ _ ~ ~] 42. [ (ii) E sto quiere decir que A2 = A.
- 6
u
(iii) Aplique las propiedades de la transpuesta para
0
il
0
demostrar que A 2 es ide mpote nte.
43. 44. - 3
12 !] (iv) Cornie nce su demostraci6 n de la segunda afirma-
ci6n suponiendo que A2 es ide mpotente.
Resoluci6n de un sistema lineal usando factorizaci6n
55. Prueba Pruebe q ue si A es una matriz de n X II que es
LU En los eje rcicios 45 y 4 6, resuelva el siste ma lineal Ax
idempote nte e in vertible, ento nces A = !,,.
= b de la siguiente manera:
56. Prueba De muestre que s i A y B son idempotentes y
(a) Enc uentre Ia factorizaci6n LU de la matri z de coeficien-
AB = BA , entonces AB es ide mpote nte.
tes A,
(b) Resuelva el siste ma triangular infe rior Ly = b, y 57. Demostraci6n guiada Demuestre que si A es equi va-
(c) Resue lva e l sistema triangular superio r Ux = y. le nte por renglones a B y B cquivale por renglones a C,
e ntonces A es equi valente por renglo nes a C.
45. 2x +y I
y - :: = 2 lnicio: para demostrar q ue A es equi valente por re nglo-
-2x + y +z = -2 nes a C, usted debe e ncontrar matrices eleme ntales £ 1,
. .. , Ek tales que A = Ek ... £ 1C.
46. 2x I 4
(i) Comie nce su demostraci6n observa ndo que A es
-2x, + X2 - X3 = - 4
equivale nte por re nglo nes a 8.
6x 1 + 2x2 + X3 = 15
(ii) Esto qui ere decir que existe n matrices ele me ntales
- x4 =- I
F 1 , • • • • , F,, tales que A = F,, . . ... , F 1B
47. Escriba Suponga que necesita resolver varios siste-
(iii) Existen matrices e le me ntales G 1, .... , G,,, tales que
mas de ecuaciones lineales Ax = b; que tie nen la mi ma
B = G 1, ••.• , G,,,C.
matriz de coeficientes A. Explique c6mo podrfa aplicar
la tecnica de la fac tori zaci6n LU para facilitar la tarea, (iv) Combine las ecuaciones matriciales de Ios pasos
mas que resolve r cada sistema de manera indiv idual (ii) y (ii i).
util izando la elirninaci6n gaussiana. 58. Prueba Demuestre que s i A es equivalente por reng lo -
nes a B, e nto nces B es equivalente por re ng lones a A .
~ 48. 0l . [V:1~'D'rn Explique cada uno de los 59. Prueba Demuestre que s i A es equi vale nte por renglo-
s1gu1e ntes. nes a B y B equi vale por reng lones a C, e ntonces A es
(a) C6 mo encontrar una matriz eleme ntal. equivalente por re nglo nes a C.
(b) C6mo usar matrice eleme ntales para e ncontrar la
60. De muestre que la matriz no tie ne factori zaci6n LU.
fac torizaci6 n LU de una matri z.
(c) C6mo usar la factorizaci6n LU para resolver un
siste ma lineal
A=[~ ~]
2.5 Aplicaciones de las operaciones con matrices
■ Escriba y use una matriz estocastica.
■ Use la multiplicaci6n de matrices para codificar y decodificar mensajes.
■
Use algebra de matrices para analizar un sistema econ6mico (modelo
de entradas y salidas de Leontief).
■ Encuentre la recta de regresi6n par mfnimos cuadrados para un con-

junta de datos.
MATRICES ESTOCASTICAS
Muchos tipos de aplicaciones implican un conjunto finito de estados {Si, S2, . .. , S,,} de
una poblaci6n dada. Por ejemplo, los residentes de una ciudad pueden vivir en el centro o
en la periferia. Los electores pueden votar por los Dem6cratas, los Republicanos o un
tercer partido. Consumidores de bebidas gaseosas pueden comprar Coca-Cola, Pepsi Cola
u otra marca.
La probabilidad de que un miembro de la poblaci6n cambie del j-esimo estado al
i-esimo estado es representada por un numero Pu, donde O :s: Pu s; I. Una probabilidad de
Pu= 0 significa q ue el miembro no cambia del estadoj-esimo al i-esimo, mientras que una
probabilidad Pu = I significa que el miembro cambia de l estado j-esimo al i-esimo.
De
s, S2 s,,
P=
P11 P12
P21 P22 p,.r }
P~, ~2 A
P,,1 P,,2 P;,,, i,,

P se llama matriz de probabilidades de transici6n, ya que pro porcio na las probabilida-
des de cada posible tipo de transici6n (o cambio) dentro de la poblaci6n.
En cada transici6n, cada miembro dado debe permanecer en un estado cualquiera o
cambiar a otro. Para probabilidades, esto significa que la suma de los elementos en cual-
quier columna de P es I. Por ejemplo, en la primera columna tenemos
PI I + P21 + · · · + P111 = I.
tal matriz se deno mina estocastica (el termino "estocastico" q uiere deci r "conjetura res-
pecto a"). Esto es, una matriz P de n X n es liamada matriz estocastica si cada elemento
es un numero e ntre 0 y I y cada columna de P suma en total I.
Ejemplos de matrices estocasticas

EJEMPLO 1
y no estocasticas
Las matrices en los inc isos (a) y (b) son estocasticas, pero la matri z en en los incisos (c) y
(d) no lo son ..
I
~]
0 3
a. l b. 0
[~ 0 r1 2
3 !1
!
[0 I
c. 0.2
0.2
0.3
03]
0.4 d.
4
0
0.3 0.4 0.5
r: J
4 !1
2.5 Apli cacio nes de las operacio nes con matrices 85
El ejemplo 2 describe el uso de una matriz estocastica para medir las preferenc ias de un
consumidor.
EJEMPLO 2 Modelo de preferencia del consumidor
Dos empresas competidoras ofrecen el servicio de television satelital para una ciudad de
100,000 residences. Los cambios en las suscripciones cada afio se muesu·an en la figura
2.1. La compafifa A actualmente tiene 15,000 suscriptores y la compafifa B tiene 20,000.
1,Cuantos suscriptores tendra cada compafifa dentro de I afio a partir de ahora?
Compaiifa - 20% --- Compaiifa
( I _s_a1_e1_i1_a1_A_\ _ JS% / Satelital B \ )
70% ~ s %\
5
f, so%
\o\_ T/ Sin Television

Satelital
(
70%
Figura 2.1
SOLUCION
La matriz que representa las probabilidades de transici6n dadas es
De
A B Ninguno
0.70 0. 150. l5] A }
P = 0.20 0.80 0. 15 B A
[
0. 10 0.05 0.70 Ninguno
y la matriz de estado que representa la poblaci6n actual en los tres estados es
X = [~~::~i- :
65,000 Ninguno
Para determinar la matriz de estado que representa las poblaciones en los tres estados
despues de un aiio, multiplicamos P por X para obtener
0.70 0. 15 0.15] [15,000]

PX = 0.20 0.80 0.15 20,000
[
0.10 0.05 0. 70 65,000
= [~!:~!~]-
48,000
Despues de un afio, la compaiifa A tendra 23,250 suscriptores y la compafifa B tendra
28,750.
Uno de los atractivos de la matriz soluci6n en e l ejemplo 2 es que una vez que se ha
creado el modelo, este vuelve faci l el determinar las matrices de estado que representen
aiios futuros al multiplicar repetidamente por la matriz P. Este proceso se demuestra en el
ejemplo 3.
j EJEMPLO 3 Modelo de preferencia del consumidor
Suponiendo que la matriz de probabilidades de transici6n del ejemplo 2 permanece igual

afio tras afio, determine el numero de suscriptores de cada compafifa de television satelital
despues de (a) 3 aiios, (b) 5 ai'ios y (c) 10 aiios. Redondee cada respuesta al numero entero
mas cercano.
SOLUCION
a. Del ejemplo 2 usted sabe que el numero de suscriptores despues de un afio es
23,250] A
PX= 28,750 . B Despues de l afio
[
48,000 Ninguno
Ya que la matriz de probabilidades de transici6n es la misma del primer al tercer afio,
el numero de suscriptores despues de 3 afios es
30,283 ] A
P 3X = 39,042 . B Despues de 3 afios
[
30,675 Ninguno
Despues de 3 afios, la compafifa A tendra 30,283 suscriptores y la compafifa B 39,042.
P 5X =
[
32,411
43,8 12 .
23,777
l
b. El numero de suscriptores despues de 5 afios es
A
B
Ninguno
Despues de 5 afios
Despues de 5 afios, la compafifa A tendra 32,411 suscriptores y la compafifa B 43,8 12.

c. El numero de s uscriptores despues de 10 afios es
33,287] A
P 10 X = 47, 147 . B Despues de IO afios
[
19,566 Ninguno
Despues de IO afios, la compafifa A tendra 33,287 suscriptores y la compafifa B
47,147.
En el ejemplo 3, observe que existe una pequefia diferencia entre el numero de sus-
criptores despues de 5 afios y de IO afios. Si se continua el proceso mostrado en este
ejemplo, el numero de suscriptores eventualmente alcanzara un estado estable. Esto es, en
tanto la matriz P no cambie, la matriz producto P"X se aproxima al Ifmite X. En este ejem-
plo en particular el Ifmite es la matriz de estado estable
33,333] A
x = [47,6 19 . B Estado estable
19,048 Ninguno
Verifique que
PX =
[
PX = X como sigue
0.70
0.20
0.10
0.15
0.80
0.05
0.15] [ 33,333
0.15 47,619
0.70 19,048
l
33,333]
= 47,619 =x
[
19,048
CRIPTOGRAFIA
Un criptograma es un mensaje escrito de acuerdo con un c6digo secreto (la palabra griega
kryptos significa "oculto"). Esta secci6n describe un metodo para codificar y decodificar
mensajes aplicando la multiplicaci6n de matrices.
Comencemos por asignar un numero a cada letra del alfabeto (el cero representa un
espacio en blanco), de la siguiente manera
0 =_ 14 = N
l = A 15 = 0
2= 8 16 = P
3=C 17 = Q
4 = D 18 = R
5=E 19 = S
6=F 20 = T
7 = G 21 = U
8=H 22 = V
9 = I 23 = W
10 = J 24 = X
11 = K 25 = Y
12 = L 26 = Z
13 = M
Despues, el mensaje es convertido a numeros y dividido en matrices region sin codificar,
cada una con n elementos, como se demuestra en el ejemplo 4.
EJEMPLO 4 Formacion de matrices renglon sin codificar
Escriba la matriz region sin codificar de tamafio I X 3 para el mensaje MEET ME MON-
DAY.
SOLUCION
Al dividir el mensaje (incluidos los espacios en blanco, pero ignorando la puntuaci6n) en
grupos de tres se producen las siguientes matrices rengl6n sin codificar.
[ 13 5 5) [20 0 13) [5 0 13) [ 15 14 4) [I 25 OJ
M E E T M E M 0 N DA Y
Observe que el espacio en blanco se utiliza para completar la ultima matriz rengl6n sin
codificar.
ALGEBRA Debido al uso intensivo de Internet para realizar negocios, la seguridad

en internet es de capital importancia. Si un actor malicioso recibiera
LINEAL informacion confidencial como contrasenas, numeros de identificacion
APLICADA personal, numeros de tarjetas de credito, numeros de seguridad social,
datos bancarios o secretos corporativos, los efectos podrian ser daninos.
Para proteger la confidencialidad e integridad de tal informacion, las
formas mas populares de seguridad en Internet utilizan encriptaci6n de
datos, el proceso de codificar informaci6n de modo que la unica manera
de decodificarla, ademas de un ataque de fuerza bruta "por desgaste,"
es el uso de una clave. La tecnologia de encriptaci6n de datos utiliza
algoritmos basados en el material que se presenta aqui, pero a un nivel
mucho mas sofisticado, para evitar que actores maliciosos descubran la
clave.
Para codificar un mensaje, seleccione una matriz A invertible den X n y multiplique

las matrices rengl6n sin codificar (a la derecha) por A para obtener matrices renglon
codificadas. Este proceso se demuestra en el ejemplo 5. Andrea Dan11/Shunerstockoom
i EJEMPLO 5 Codificaci6n de un mensaje
Utilice la siguiente matriz invertible
A= [-: -2
I - I -4
!]
para codificar el mensaje MEET ME MONDAY.
SOLUCION
Las matrices rengl6n codificadas se obtienen al multiplicar por la matriz A cada una de las
matrices rengl6n sin codificar encontradas en el ejemplo 4, de la siguiente manera.
Matriz rengl6n Matriz Matriz

sin codilicar codificada A rengl6n codilicada
[13 5 5]H
-2
l
- I -4
!]- (13 -26 21]
-2
[20 0 13]H - [
~]- (33 -53 - 12]
-4
[5 0 l3]H
-2
- 1 -4
!]- (18 -23 -42]
[ 15 14
•JH
- 2
-I - 4
!] -(5 -20 56]
- 2
[I 25
oi[-: -) - 4
~i-(-24 23 77]
La sucesi6n de matrices reng16n codificadas es
[13 -26 21][33 -53 - 12][18 -23 -42][5 -20 56][-24 23 77].
Finalmente, quitando los corchetes se genera el siguiente criptograma.

13 -26 2 1 33 -53 - 12 18 -23 -42 5 -20 56 -24 23 77
Para quienes desconocen la matriz A, decodificar el criptograma encontrado en el

ejemplo 5 es complicado, pero para un receptor autorizado que conoce la matriz A, deco-
dificar es sencillo. El receptor s61o necesita multiplicar las matrices rengl6n codificadas
por A- 1 para recuperar las matrices sin codificar. En otras palabras, si
X=[x I x 2 · · · x11]
es una matriz de I X n sin codificar, entonces Y = XA es la matriz codificada correspon-

diente. El receptor de la matri z codificada puede decodificar Y multiplicando el )ado dere-
cho por A-1 para obtener
Este procedimiento se demuestra en el ejemplo 6.

2.5 A pli cacio nes de las operacio nes con m atrices 89
j EJEMPLO 6 Use la inversa de la matriz
Use la inversa de la matriz.
Simulacion
Explore este concepto mas ade-
A=[-: -2
I - I
!]
- 4
lante con una simulaci6n electr6- Para decodificar el criptograma
nica disponible en el sitio college.
cengage.comlpicllarsonEI.A6e. 13 -26 21 33 -53 -12 18 -23 -42 5 -20 56 -24 23 77.
SOLUCION
Comience usando la elirninaci6n de Gauss-Jordan para encontrar A - 1•
[A I] [I A- 'J
[-:
-2
3
2
0
I 0
I
0
I
0
0
- I - 10
-I - 6 -8]
- 5
- l -4 0 0 0 0 - I - I
Ahora, para decodificar el mensaje, divfdalo en grupos de tres para formar las matrices
rengl6n codificadas
[13 -26 2 1][33 -53 - 12][18 -23 -42][5 -20 56][-24 23 77].
Para obtener las matrices rengl6n decodificadas, multiplique cada una de las matrices
rengl6n codificadas por A- ' (a la derecha).
Matriz rengl6n Matriz Matriz
codificada A- 1 decodificada rengl6n decodificada
[ 13 - 26 [-] -1 0
21] - ~ -6
-8]
- 5 = [ 13 5 5]
- I - I
[33 -53 -12] - l

[- I - 10
-6
-8]
-5 = [20 0 13]
0 - l - I
[- ] - IO
[ 18 -23 -42] - ~ -6 -8]
-5 = [5 0 13]
-I - )
[5 -20 56] - I
[- I -IO
- 6 -8]
-5 = [ 15 14 4]
0 - I - I
[-24 23 77] - I
[- I - 10
-6 -8]
-5 = [ l 25 O]
0 -I - I
La sucesi6n de las matrices reng16n decodificadas es
[I 3 5 5][20 0 13][5 0 13] [ 15 14 4][ 1 25 O]

y el mensaje es
13 5 5 20 0 13 5 0 13 15 14 4 25 0.
M E E T M E M 0 N D A y
MODELOS DE LEONTIEF DE ENTRADA-SALIDA

El modelo analizado aquf fue desarrollado por el economista estadounidense Wassily W.
Leontief ( 1906-1999) y publicado por prime ra vez en 1936. En 1973 Leontief recibi6 el
prernio Nobel por su trabajo en economfa. Sigue una breve discusion de! modelo de Leontief.
Suponga que un sistema econornico tie ne n diferentes industrias / 1, 12, ... , I,,, cada una
de las cuales tie ne requerimientos de entrada (materias primas, servicios, etc.) y una salida
(producto terminado). En la producci6n de cada unidad de salida, una industria puede utilizar
las salidas de otras industrias, incluyendose a sf misma. Por ejemplo, el servicio electri co
utiliza salidas de otras industrias, tales como carbon y agua, e incluso su propia electricidad.
Sea du la cantidad de requerimientos de salida de la j-esima industria para producir una
unidad por aiio. La matriz de estos coeficientes se llama matriz de entrada-salida.
Usuario (salida)
11 /2 I,,
rd,,
D = .
d21
d12
d22
d,,,1
dz,,
,,
~~
}
Proveedor (entrada)
d:11 d,,2 d;,,, I,,

Para entender c6mo puede usar esta matriz, imagine d 12 = 0.4. Esto sign ifica que cada
0.4 unidades del producto de la Industria l de be n emplearse para producir una unidad del
producto de la lndustria 2. Si d 33 = 0.2, entonces 0.2 unidades de! producto de la lndustria
3 son requeridas para producir una unidad de su propio producto. Para que este modelo
funcione, los valores de du deben satisfacer O :5 du :5 l y la suma de los ele me ntos e n cada
columna debe ser me nor o ig ual a I .
EJEMPLO 7 Formaci6n de una matriz de entrada-salida
Considere un siste ma econo rnico simple consistente de tres industrias: electri cidad , agua
y carbon. La producc ion o salida de una unidad de electricidad requie re de 0.5 unidades
de sf misma, 0.25 unidades de agua y 0.25 unidades de carbo n. La produccion o salida de
una unidad de agua requiere de 0.1 unidades de electricidad, 0.6 unidades de sf misma y 0
unidades de carbo n. La produccio n o salida de una unidad de carbon requi ere de 0.2 uni-
dades de electricidad, 0. 15 unidades de agua y 0 .5 unidades de sf misma. De te nnine la
matri z de e ntrada-salida para este sistema.
SOLUCION
La columna de elementos muestra las cantidades que cada industria requiere de las otras,
tambien de sf rnisma, en el orden para producir una unidad de salida.
Usuario (salida)
[
E
0 .5
0.25
0.25
W
0.1
0.6
0
C
0.2 E } l
0 .15 W Proveedor (entrada)
0.5 C
Los ele me ntos de cada re nglon muestran las cantidades que cada industria suministra
a las otras, incluyendose a sf mis ma, en el orden en que cada industria produce una unidad
de producto o salida. Por eje mplo, la industria electrica surninistra 0.5 unidades para sf
misma, 0.1 unidades de agua y 0.2 unidades de carb6n.
Para desarrollar el modelo de Leontief de e ntrada-salida, sea X; la salida total de la

industria i-esima. Si el sistema econ6mico es cerrado (es decir, s61o vende sus produc tos
a las industrias dentro del siste ma, como en el ejemplo anterior), entonces la salida total
de la industria i-esima esta dada por la ecuacion lineal
Sistema cerrado
Por otro lado, si las industrias dentro del sistema venden sus productos a grupos no
productores (como gobiernos o instituciones de caridad) fuera de! sistema, entonces el sis-
tema se denomina abierto y la salida total de la industria i-esima esta dada por
Sistema abierto
donde e; representa la demanda externa para el producto de la industria i-esima. El conjunto

de salidas totales para un sistema abierto se representa por el siguiente sistema de II ecuacio-
nes lineales.
Xi = d11X1 + d1 2X 2 +. + d 1,,x,, + e1
Xz = d21X1 + d 22X2 +. + d2,,X,, + e2
x,, = d,, 1x 1 + d,,2x 2 + · · · + d,,,,x,, + e,,

La fonna matriciaJ de este sistema es X = DX + £ , donde X se llama matriz de salida y
£, matriz de demanda externa.
Soluci6n de una matriz de entrada-salida

EJEMPLO 8
para un sistema abierto
Un sistema econ6mico compuesto por tres industrias tiene la siguiente matriz de entrada-
salida.
Usuario (salida)
l:}
A B C
0. 1 0.43
D = 0. 15 0 ~.37 Proveedor (entrada)
[
0.23 0.03 0.02 C
Determine la matriz de salida X si la demanda externa es
E = [~~:~~~]-
25,000
:
C
Redondee cada respuesta a la unidad mas cercana.

SOLUCION
Sea / la matriz identidad, entonces escriba la ecuaci6n X = DX + E como IX - DX = £,
lo que significa (/ - D)X = E. Usando la matriz D arriba, se obtiene
0.9 - 0.43
I - D = - 0.15 l - ~.37].
[ -0.23 -0.03 0.98
COM ENTARIO
Los sistemas econ6micos Finalmente, aplicando la eliminaci6n de Gauss-Jordan al sistema de ecuaciones lineales
descritos en los ejemplos 7 y 8 representado por (/ - D)X = E se produce
son, por supuesto, se ncillos. En
el mundo real, un sist ema
econ6mico puede incluir [ 09
- 0.43 0 20,000] 0 0 46,616]
-0.15 1 -0.37 30,000 1 51,058 .
muchas industrias o grupos
industriales. Un analisis mas
-0.23 -0.03 0.98 25,000
~
[~ 0
0
38,0 14
detallado facilmente requiere de
una matriz entrada-salida
Asf, la matriz de salida es
mayor que 100 x 100. Es claro
que este tipo de anal isis puede [46,616]
X = 5 1,058 .
A
B
hacerse solo con ayuda de una
computadora. 38,014 C
----------"""'(::>- Para producir la demanda externa hallada, las salidas de las tres industrias deben ser las
siguientes: Salida para la industria A: 46,616 unidades, Salida para la industria B: 51 ,058
unidades y Sal ida para la industria C: 38,014 un idades.
ANALISIS DE REGRESION CON M iNIMOS CUADRADOS

Usted puede ahora observar un procedimiento que se utiliza en estadfstica para de arrollar
modelos lineales. El siguiente ejemplo muestra un metodo visual para aprox imar una lfnea
de mejor ajuste para un conjunto de datos.
EJEMPLO 9 Aproximaci6n visual en linea recta
Determine la lfnea recta que mejor ajuste los puntos ( I, I), (2, 2), (3, 4) (4, 4) y (5, 6).
SOLUCION
Grafique los puntos, como se muestra en la figura 2.2. Puede parecer una buena e lecci6n
una recta cuya pendiente es l y cuya intersecci6n con el eje y es 0.5. La ecuaci6n de esta
recta es
y = 0.5 + x .
Una revision de la recta mostrada en la figura 2.2 revela que se puede mejorar el ajuste
rotando ligeramente la Hnea e n el sentido de las manecillas del reloj, como se muestra en
la figura 2.3. Claramente se ve que esta nueva recta, cuya ecuaci6n es y = l .2x, ajusta
mejor los puntos que la recta origi nal.
)' )'
6 6 y = 1.2.t (5
5 5
4 • (4,4) 4 (3, , 4)
3
2 . ,2. 2, ~ ao.s +, I 2 , 2) y = 0.5 + x
)'
2 3 4 5 6 2 3 4 5 6
6 Modelo I
Figura 2.2 Figura 2.3
5
Una manera de medir que tan bien una fu nci6n y = f(x)) ajusta una serie de puntos
fu
4
(x 1,y 1), (x 2,y2), . . . , (x,,, y,,)
3
es calcular las diferencias entre los valores de la fu nci6n f(xi) y los valores actuates Yi,
2 • (2, 2) como se muestra en la figura 2.4. Elevando al cuadrado estas diferencias y sumando los
resultados, se obtiene una medida del error Hamada suma del cuadrado de l error. Las
sumas de los cuadrados de los errores para nuestros dos modelos lineales se muestran
X
2 3 4 5 6 abajo, en la tabla 2.1 .
y
Modelo 1: f(x) = 0.5 + x Modelo 2: f(x) = 1.2x
6 Modelo 2
Xi Yi f(x;) [y; - f(xi)]2 X; Yi f(x;) [y; - f(x;)]2
5
I I 1.5 (-0.5)2 I I 1.2 (-0.2)2
4 - - -
3 (3,4) , ~ :~·:: ) 2 2 2.5 (-0.5)2 2 2 I 2.4 (-0.4)2
2 • (2, 2) 3 4 3.5 ( +0.5)2 3 4 3.6 (+0.4)2

- ~ -
4 4 4.5 (-0.5)2 4 4 I 4.8 (-0.8)2
X 5 6 5.5 ( +0.5)2 5 6 6.0 (0.0)2

2 3 4 5 6
Total 1.25 Total 1.00
Figura 2.4
Las sumas de los cuadrados de los errores confirman que el segundo modelo se aj usta
mej or que el primero a los puntos dados.
De todos los modelos lineales posibles para una serie de puntos, el modelo de mej or
ajuste se define como el unico que minimiza la suma del cuadrado del error. Este modelo
se denomina linea de regresion de minimos cuadrados y el procedimiento para determi-
narlo se denomina metodo de minimos cuadrados.
Definici6n de la linea de regresi6n de minimos cuadrados

Para una serie de puntos
(x ,,y,), (x2,Yi), . . . , (x,,,y,.)
la linea de regresion de minimos cuadrados esta dada por la funci6n lineal
J(x) = a0 + a 1x
que minimiza la suma del cuad rado del error
Para determinar la lfnea de regresi6 n de mfnimos cuadrados para una serie de puntos,
comencemos formando un sistema de ecuaciones lineales
Y, = J(x 1) + [y1 - J(x 1)]

Y2 = f(x2) + [Yi - f(x2)J
y,. = f(x,,) + [y,. - J(x,,) ]

donde el termino del lado derecho
[ y; - f(x) ]
de cada ecuaci6n es tornado como el error en la aproximaci6n de Y; para f(x;). Entonces

escribimos este error como
ta! que el sistema de ecuaciones tome la forma

y 1 =(a0 +a 1xi)+e 1
Y2 = (ao + a,x2) + e2
Aho ra, si definimos Y, X , A y E como
rI
Y= 7,
y,
X= f E = r:;1
ry,. I x,, e,,
las n ecuaciones lineales pueden ser reemplazadas por la ecuaci6 n matricial
Y = XA + E.
Observe que la matriz X tiene dos columnas, una columna de numeros I (correspo ndiente
a a 0) y una colurnna que contiene a las X;. Esta ecuaci6n matricial puede usarse para deter-
minar los coefic ientes de la lfnea de regresi6n de mfnimos cuadrados, como sigue.
Forma matricial para una regresi6n lineal

Para el modelo de regresi6n Y = XA + E, los coeficientes de la lfnea de reg resi6n de
mfnimos cuadrados estan dados por la ecuaci6n matricial
COM ENTARIO
Aprendera mas sobre este
procedimiento en la seccion y la suma de! cuadrado de! error es
5.4.
£1"£.
El ejemplo lO muestra el uso de este procedimiento para determinar la lfnea de regre-

si6n de mfnimos cuadrados para la serie de puntos del ejemplo 9.
Determinaci6n de la linea de regresi6n

EJEMPLO 10 de minimos cuadrados
Determine la lfnea de regresi6n de mfnimos cuadrados para los puntos ( I, I), (2, 2), (3, 4),
(4, 4) y (5, 6) (vease la figura 2.5).
SOLUCION
Usando los cinco puntos abajo, las matrices X y Y son
l
2 2
X= 3 y Y= 4
4 4
5 6
Esto significa que
l l
I 2
x 1x = [! I
2
I
3 4 ~] 3
4
= [1~ 5515]
5
y
I
2
y
XTY = [! 1
2
1
3 4 !] 4
4
= [!;].
6 6
1
5 Ahora, utilizando (XTX)- para encontrar la matriz de coefici entes, tenemos
4 A = (xTx)- 1xTy
(3,4) !~ ~(4_ ,_4)- ~
3 [~ - 0.2 + I .2x ]
= ..1.[55 -15]5 ['7]
so - 15 63
= [-0.2]
2 (2, 2)
1.2 .
La lfnea de regresi6n de mfnimos cuadrados es

2 3 4 5 6
Lfnea de regresi6n de mfnimos cuadrados y =- 0.2 + 1.2.x
Figura 2.5 como muestra la Figura 2.5. La suma del c uadrado del error para esta lfnea es 0.8 (verifi-
que esto), lo que significa que esta lfnea se ajusta mucho mejor a los datos que cualquiera
de los dos modelos experimentales que se determinaron anteriormente.
2.5 Ejercicios 95
2. 5 Ejercici OS Consulte www.CalcChat.com para las soluciones de los eierc1c1os nones.
Matrices estocasticas En los ej erc ic ios I a 4, determine 9. Preferencia de los consumidores Una poblaci6n de
si la matriz es estocastica. 100 000 consumidores es agrupada como sigue: 20 000
-ii l usuarios de la marca A, 30 000 usuarios de la marca B y

l.
[l 2.
[~ 0
0 !] 50 000 que utilizan cualquiera de las marcas. Durante un
mes cualquiera un usuario de la marca A tiene una pro-
babilidad de 20 % de cambiarse a la marca B y 5% de
3.
[03
0.5
0.1
0.2
08
O. l
] 4.
[03
O,I
0.160.25]
0.6 _ 0.25
probabilidad de no utilizar ninguna de estas dos marcas.
Un usuario de la marca B tiene una probabilidad de 15%
0.2 0.7 0.1 0.3 0. 16 0.5 de carnbiarse a la marca A y 10% de probabilidad de no
usar ni una ni otra marca. Un no-usuario tie ne una proba-
5. Compra de un producto El departamento de inves- bilidad de 10% de comprar la marca A y 15% de proba-
tigacion de mercados de una planta de manufactura bilidad de comprar la marca B. i,Cuanta gente puede estar
determino que 20% de la gente que compra los producen cada grupo en un mes?i,En dos meses?i,En tres meses?
tos de la planta en algun mes puede no comprarlos en e l
mes siguiente. Por otro lado, 30% de la gente que no
compra durante algun mes puede comprar el mes
siguiente. En una poblacion de 1000 personas, 100 co m-
P =
[
0.6
0.2
0.2
0. 1
0.7
0.2
0.1
0.1
0.8
l
10. Para la matriz de probabilidades de transici6n
praron productos este mes. i,Cuantos compraran el mes

proximo? i,En dos meses? encuentre P2X y P3X para establecer la matriz
6. Propagaci6n de un virus Un investi gador medico

estudia la dispersi6 n de un virus en una poblaci6n de
I 000 ratones de labo ratorio. Durante alguna semana
x=[:~~i-
soo
existe 80% de probabilidad que un rat6n infectado Despues, determine la matriz de estado estable para P .
supere el virus y durante la mis ma semana existe I 0% de
probabilidad de que un rat6n sano se infecte . Cien rato- Codificaci6n de un mensaje En los ejercicios 11 a 14,
nes son infectados con el virus. i,Cuantos se infectaran encuentre la matriz rengl6n sin codificar, del tamai'io indi-
esta semana? l Y en dos semanas? cado para los mensajes dados. Despues codifique el mensaje
7. Fumadores y no fumadores Una poblacion de utilizando la matri z A.
IO 000 personas se agrupa de la siguiente manera: 5 000 11. Mensaje:: SELL CONSOLIDATED
~i
no fumado res, 2 500 fumadores de un paquete o menos Tamafio de la matriz re11gl611: 1 X 3
por dfa y 2 500 fumad ores de mas de un paquete al dfa.
Durante algun mes existe 5% de probabilidad de que un
no fumador pueda comenzar a fumar un paquete o
Matriz codificada A =[ ~ -~ -
- 6 2 3
menos por dfa y 2% de probabilidad de que un no fuma-
dor comience a fumar mas de un paquete al dfa. Para 12. Mensaje:: PLEASE SEND MONEY
fumadores que fuman un paquete o menos al dfa, existe Tamafio de la matriz rengl6n: I X 3
10% de probabilidad de que dejen de hacerlo y 10% de
probabilidad de que incrementen la cantidad. Para fuma-
dores que fuman mas de un paquete al dfa, existe 5% de
probabilidad de que dejen de hacerlo y I 0 % de probabi-
Mat,;zcodlf,cada A -H-~-:]
lidad de que disminuyan a un paquete o menos por dfa. 13. Mensaje:: COME HOME SOON
i,Cuantas personas estaran en cada Tama,io de la matriz reng/611: l X 2
8. Consumo de television El dormitorio universitario
alberga 200 estudiantes. Aquellos que miran television
Matriz codificada A = [~ !]
una hora o mas al dfa, siempre ven una hora menos de 14. Mensaje:: HELP IS COM[NG
television al dfa siguiente. Un cuarto de los que ven
Tamafio de la matriz rengl6n: I X 4
televisi6n menos de un a ho ra al dfa, pueden mirar la
- 2 3 - 1
television mas de una hora al dfa siguiente. La mitad de
los estudiantes ven televisi6n una ho ra o mas hoy. - 1 1 1
Matriz codificada A =
i,Cuantos pueden ver television por una hora o mas [- 1 - 1 1
maiiana? i,En dos dfas? i,En 30 dfas? 3 1 - 2
Decodificaci6n de un mensaje En los ejercicios 15 a 18, (a) Usted sabe que [45 - 35]A- 1 = [10 15] y [38 - 30)
encuentre A- 1 y usela para descifrar el criptograma. A- 1 = [8 14]. Escriba y resuelva los dos sistemas de
ecuaciones para encontrar w, x, y y z.
15. A = [~ (b) Descifre e l mensaje.
23. Sistema industrial Un si tema compuesto por dos
11 21 64 11 2 25 50 29 53 23 46 40 75 55 92
industrias, carbon y acero, tienen los siguientes requeri-
16. A= [~ !l mientos de entrada.

(a) Para producir $ 1.00 de ganancia a la salida, la indus-
85 120 6 8 10 15 84 117 42 56 90 125 60 80 tria de! carbon necesi ta $0. 10 de su producto y $0.80
30 45 19 26 de acero.
17. A = [ ~
- 1
2
7
-4 -7
!], (b) Para producir $ 1.00 de ganancia a la salida, la indus-
tria del acero necesita $0.10 de su producto y $0.20
de carbon.
Determine D, la de matriz de entrada-salida para este
13 19 10 - 1 -33 -77 3 - 2 - 14 4 1 -9 -5
sistema. Despues, resuelva para la matriz X de salida en
-25 -47 4 I -9
la ecuacio n X = DX + E, donde la demanda extema es
-4
2 E = [10,000].
20,000
- 5
24. Sistema industrial Un sistema tiene dos industrias,
11 2 - 140 83 19 -25 13 72 -76 61 95 - 11 8 7 1 con los siguientes requerimientos de entrada.
20 21 38 35 - 23 36 42 - 48 32
(a) Para producir $ 1.00 de ganancia a la salida, la indus-
19. Decodificaci6n de un mensaje El siguiente cripto- tria A necesita $0.30 de su propio producto y $0.40
gram a fue codificado con una matriz de 2 X 2. de! producto de la industria B.
8 2 I - 15 - IO - 13 - 13 5 IO 5 25 5 I9 - I 6 (b) Para producir $ 1.00 de ganancia a la salida, la indus-
20 40 - l 8 - 18 I I 6 tria B necesita $0.20 de su propio producto y $0.40
La ultima palabra del mensaje es _RON. j,Cual es el de! producto de la industria A.
mensaje? Determine D , la matriz de entrada-salida para este sis-
tema. Despues, resuelva para la matriz X de salida en
20. Decodificaci6n de un mensaje El siguiente cripto-
la ecuacio n X = DX + E, donde la demanda extema es
grama fue codificado con una matriz de 2 X 2.
5 2 25 11 -2 -7 -15 -15 32 14 -8 -13 38 = [10,000].
19 - 19 - 19 37 16 E 20,000
La ultima palabra de! mensaje es _SUE. i,Cual es ela, 25- Soluci6n para una matriz de salida Una pequefia
comunidad incluye un granjero, un panadero y un ten-
mensaje?
dero y tiene la matriz D de entrada-salida y la matriz Ede
21. Decodificaci6n de un mensaje Utilice una aplica-
demanda extem a mostradas abajo.
cion grafica o algun software de computadora con capa-
Granjero Panadero Tendero
cidad matricial para descifrar el criptograrna.
A = [201 - ~l 22,] D = [~o:_:2 ~:~

0.2
~:!] ~:~~=o
0.0 Tendero
y E = [~~~~]
1000
38 - 14 29 56 - I5 62 17 3 38 18 20 76 18 - 5 Resuelva para la matriz X de salida en la ecuacion X =
21 29 -7 32 32 9 77 36 -8 48 33 -5 51 41 DX + E.
3 79 12 l 26 58 - 22 49 63 - 19 69 28 8 67 3 l e 26. Soluci6n para una matriz de salida Un sistema
- I I 27 41 - 18 28 industrial tiene tres industrias y la rnatriz de entrada-
22. Decodificaci6n de un mensaje Un descifrador salida y la matriz Ede demanda extema rnostradas abajo.
intercepto el sig uiente mensaje codificado. [0 2 o4 o4] [5000]
45 -35 38 -30 18 - 18 35 -30 81 -60 42 D= 0:4 0:2 0:2 y E= 2000
- 28 75 - 55 2 - 2 22 - 21 15 - 10 0.0 0.2 0.2 8000
La in versa de la matriz codificada siendo
Resuelva para la matriz X de salida en la ecuacion X =
DX + E.
2.5 Ejercicios 97
Analisis de regresi6n por minimos cuadrados En los 41. Registro de vehiculos automotores La sig uiente
ejercicios 27 a 30, (a) bosqueje la linea que parece ser la de tabla muestra los numeros y de registros de vehiculos de
mejor ajuste para los puntos dados, (b) use el metodo de mini- motor (en ntillo nes) en los Estados Unidos para los aiios
mos cuadrados para encontrar la lfnea de regresi6n de mfnimos 2004 a 2008. (Fuente: U.S. Federal Hig hway Admi nis-
cuadrados y (c) calcule la surna de! cuadrado de! error. tration)
27. Y 28. y
A1io 2004 2005 2006 2007 2008
4 I--- - ~ -
4
(2, 3) 3
(3, 2)
Numero,y 237.2 241.2 244.2 247.3 248.2
3 • (- 1, I )
2 • (a) Use el metodo de minimos cuadrados para determ i-
2 • • (I, I )
----+---+--+---+----t---;......_ X
nar la lfnea de regresion de mfnimos cuadrados para
(-3,0)- 1 I 2 3 estos datos. Sea t el afio, con t = 4 el aiio 2004.
(-2, 0) (0, I)
-+-+---+--t---- X (b) Utilice las capacidades de regresi6n lineal de una
-2
-2 - I 2 aplicacion grafica para determinar un modelo lineal
29.
y
30.
)' para los datos. Sea t e l aiio, con t = 4 el aiio 2004.
(0, 4) 4 (5. 2) 42. Vida salvaje Un equipo de adntinistracion de la vida
4
3 (4, 2) \ (6, 2) salvaje estudi6 la tasa de reproducci6n de venados en
3 •(I, 3) 2 (3, 1) ". . ti tres extensiones de una reserva de la vida salvaje. El
2 ( 1/ 0) " • • -(4, I ) equipo registr6 el numero de hembras x y el porcentaje y
de las mismas que tuvie ron crfas al a.iio siguiente. Los
( I, I) • (2, 0)
------◄->--+- x
- I / \ s 6
resultados se muestran en la sig uiente tabla.
-+-+--+----<_-+-__ X (2, 0) (3, 0)
- I 2 3 -2
Numero, X 100 120 140
Determinaci6n de la recta de regresi6n por minimos
Porcentaje, y 75 68 55
cuadrados En los ejercicios 31 a 38, encuentre la lfnea de
regresi6n de mfnimos cuadrados. (a) Utilice el metodo de minimos cuadrados para deter-
minar la lfnea de regresio n de mfnimos cuadrados
31. (0, 0), (1, 1), (2, 4) 32. (1, 0), (3, 3), (5, 6)
que modele los datos.
33. (-2, 0), (- 1, 1), (0, l ), (l , 2) (b) Use una aplicaci6n grafica para graficar el modelo y
34. (-4, - 1). (-2, 0), (2, 4), (4, 5) los datos en la misma ventana.
35. (- 5, 1),(1,3),(2,3),(2,5) (c) Utilice el modelo para crear una tabla de valores
estimados de y. Compare los valores estimados con
36. (-3, 4), (- 1, 2), (1, I), (3, 0)
los datos actuales.
37. (- 5, 10), (-1 , 8), (3, 6), (7, 4), (5, 5) (d) Use el modelo para estimar el porcentaje de hembras
38. (0, 6), (4, 3), (5, 0), (8, -4), (10, - 5) que tuvieron crfas cuando existfan 170 de estas.
(e) Utilice el modelo para estimar el numero de hembras
39. Demanda Un refmador de combustible desea saber la
cuando 40% de ellas tenfan crfas.
demanda de cierto ti po de gasolina como una funci6n de su
precio. Las ventas diarias y (en galones) para tres diferen- 43. Use su biblioteca escolar, Inte rnet o alguna otra fuente
tes precios de producto se muestran en la siguiente tabla. de consulta para derivar la forma matricial para la regre-
si6 n lineal dada en la parte superior de la pagina 94.
Precio, x $3 .00 $3.~ $3.50
Demanda, y 4500 3750 3300 44. 00[:g~'i]'(g Explique cada uno de los
siguientes.
(a) Determine la lfnea de regresi6n de mf1timos cuadra-
(a) Como escribi r y usar una matri z estocastica.
dos para estos datos.
(b) Como usar la multiplicacion de matrices para
(b) Estime la demanda cuando el precio es $3.40. codificar y decodificar mensajes.
40. Demanda Un vendedor de her rantientas desea saber (c) Como usar un modelo de entradas y salidas de
la demanda de un taladro recargable como una fu nci6 n Leontief para analizar un sistema econontico.
del precio. Las ventas mensuales para cuatro precios (d) Co mo usar matrices para encontrar la recta de
diferentes se muestran en la siguiente tabla. regresion por mfnimos cuadrados para un conj unto
de datos.
Precio, x $25 $30 I $35 $40
45. Prueba Demuestre que el producto de dos matrices
Demanda, y 82 75 I 67 55
estocasticas de 2 x 2 es estocastico.
(a) Determ ine la lfnea de regresion de minimos cuadra- 46. Prueba Sea P una matriz estocastica de 2 X 2.
dos para estos datos. Demuestre que existe una matriz X de estado con ele-
(b) Calcule la de manda cuando el precio es $32.95. mentos no negativos, tal que PX = X.
2 Ejercicios de repaso Consulte www.CalcChat.com para las soluciones de las eiercic1os nones.
Operaciones con matrices En los ejercicios I a 6, rea- Uso de la inversa de una matriz En los ejerc ic ios 19 a
lice las operaciones matriciales que se indican. 26, escriba el sistema de ecuaciones linea1es representadas
I. [~ 5 -~J- 3[~
3
-2
-:] por la ecuaci6n matricial.
2. -2[! -}s[: ~]
-2
3.
[~ -~] [1 0 ~]
4.
[~ -!J [1 3
- 2
0
-3
~]
5.
[i 2
0 -rn~ 3
0
-!] 23. 5x 1 + 4x 2 =
-x 1 + X2 = -22
2
25. -x 1 + x 2 + 2.x 3 =
2.x I + 3x 2 + X 3 = - 2
24. 3x I + 2.x 2 =
x 1 + 4x 2 = -3
5x 1 + 4x 2 + 2x 3 = 4
Resoluci6n de un sistema de ecuaciones lineales En 26. X I + X 2 + 2.x 3 = 0
los ejercicios 7-10, escriba el sistema de ecuaciones lineales X 1 - X2 + X3 = - I
en la forma Ax = b. Despues use elirninaci6n Gaussiana para 2.x I + X 2 + X 3 = 2
resolver esta ecuaci6n matricial para x.
7. 2.x I + X2 = - 8 8. 2x I - X2 = 5 Resoluci6n de una ecuaci6n matricial En los ejercicios
27 y 28, encuentre A.
x, + 4x 2 = - 4 3x 1 + 2x 2 = - 4
9. -3x 1
21'. 1
-
+
x 2 + x3 = 0
4x 2 - 5x 3 = -3
27. (3A)- 1 = [4
2
- I]
3
28. (2A)- 1 = [~
x1 + 3x 3 = l
- 2x 2 Matriz no singular En los ejercicios 29 y 30, determine x
10. 2x 1 + 3x 2 + x 3 = I 0 tal que la matriz A es no singul ar.
2x 1 - 3x 2 - 3x 3 = 22
4x 1 - 2x 2 + 3x 3 = -2 29. A = [~ _ :] 30. A = [~ :]
Determinaci6n y multiplicaci6n con una transpuesta Determinaci6n de la inversa de una matriz elemen-
En los ejercicios 11 a 14, determine Ar, A TA y Mr_ tal En los ejercicios 31 y 32, encuentre la inversa de la
2 matriz elemental.
11.
0 0
I 6
13. 14. [I -2 -3] 0 0
Determinaci6n de una secuencia de matrices elemen-
tales En los ejercicios 33-36, encuentre una secuencia de
Determinaci6n de la inversa de una matriz En los ejer- matrices elementales cuyo producto sea la matriz no singular
cicios 15 a 18, encuentre la inversa de la matriz (si existe). dada.
15. [~ -I]
-I 16. [_: ~] - 33.
[~ ~] 34. [-~ -413]
-il ~]
3 0 0
17.
[;
-3
0
18.
[~ I
0 :l 35.
[~ I 0
-!] 36.
[~ 2
0
37. Determine dos matrices de 2 X 2 tales que A 2 = I. 49. (a) Todas las matrices de n X n son invertibles.
2
38. Encuentre dos matrices de 2 X 2 tales que A = 0. (b) Si una matriz A de n X n es no simetrica, entonces
39. Encuentre tres matrices idempotentes de 2 x 2 (recuerde A TA es no simetrica.
que una matriz cuadrada A es idempotente cuando A 2 = A .) SO. (a) Si A y B son matrices de n X n y A es invertible,
40. Encuentre dos matrices de 2 X 2 A y B tales que AB = entonces (A BA- 1)2 = A B2A- 1
0 pero BA -:/= 0 . (b) Si A y B son matrices no s ingulares den X n, enton-
41. Considere las siguientes matrices ces A + B es una matriz no singular.
X = r~ 0 y = - ~1,
3 z = [- !
J W = [ -4 ~1
51. Manufactura Una corporaci6n tiene cuatro fabricas,
cuada una de las cuales fabrica camionetas deportivas y
de carga. En la matriz
I 2 2 - 1
A = [ 100 90 70 30]
(a) Determine los escalares a, by c tales que W = aX + 40 20 60 60
bY + cZ. aii representa el numero de vehfculos de tipo i produci-
(b) Muestre que no existen escalares tales que Z = aX dos en la fabrica j en un dfa. Encuentre los ni veles de
+ b Y. producci6n cuando la producci6n incrementa en 10%.
(c) Demuestre que si aX + b Y + cZ = 0 , entonces a = b 52. Manufactura Una compafiia produce mesas y sillas
= c = 0. en dos fabricas. La matriz C muestra los costos de fabri-
caci6n en cada fabrica.
42. Prueba Sean A, B y A + B matrices no singulares. Pruebe
que A- 1 + s-1 es no singular po r demostraci6n de que Locaci6n I Locaci6n 2
(A- 1 + s - 1)- 1 = A (A + B)- 1B. C = [ 627 68 1 Mesas
135 150 ] Sillas
Determinaci6n de unafactorizaci6n LUde una matriz En
los ejercicios 43 y 44, determine la factorizaci6n LU de la (a) Si la mano de obra constituye ½de! costo, determine
matriz. la matriz L que arroja los costos de mano de obra en
cada fabrica.
43. [ 62 5] 2 (b) Encuentre la matriz M que arroj a los costos de mate-
14
2 rial en cada fabrica (as uma que s61o hay costos de
mano de obra y material).
Resoluci6n de un sistema lineal usando factorizaci6n
LU En los ejercicios 45 y 46, use la factorizaci6n LU de la 53. Ventas de gasolina En una estaci6n de gasolina, el
matriz de coeficientes para resolver el sistema lineal. numero de galones de gasolina de 87, 89 y 93 octanos
vendidos durante e l fin de semana
45. X + Z=3
2x + y + 2z = 7 Octano
3x + 2y + 6z = 8
87 89 93
46. 2x I + X2 + X3 - X4 = 7
3x 2 + X3 - X4 =- 3
580 840 Viernes 320]
A = 560 420 160 Sabado
- 2x 3 = 2 [
860 1020 540 Domingo
2x , + X2 + X3 - 2x4 = 8
Una segunda matriz proporciona los precios de venta y
lVerdadero o falso? En los ejercicios 47-50, determine las ganancias (ambas en d6lares por gal6 n por los tres
cual de las e xpresiones es verdadera o falsa. Si la expresi6n tipos de gasolina vendidos en la estaci6n de gasolina.
es verdadera, proporcio ne una raz6n o cite una expresi6 n
Precio de venta Ganancias
ejemplo que muestre que la expresi6n no es cierta en todos 3.05
0.05 ] 87 }
los casos o cite de! texto una expresi6n adecuada. B = 3. 15 0.08 89 Octano
47. (a) La suma de matrices no es conmutativa.
[
3.25 0.10 93
(b) La transpuesta de la suma de matrices es igual a la (a) Encuentre AB. lCual es el significado de AB en el
suma de las transpuestas de las matrices. contexto de esta situaci6n?
48. (a) El producto de una matriz de 2 X 3 y otra de 3 X 5 (b) Detenuine las ganancias por la venta de gasolina en
es una matri z de 5 X 2. la estaci6n expendedora en el fin de semana.
(b) La transpuesta de un producto es igual al producto
de las transpuestas en orden invertido.
54. Calificaciones finales Los resultados finales de un Determinaci6n de matrices de estado En los ejercicios
curso de algebra lineal en una escuela de artes estan 59 y 60, use la matriz Pde probabilidades de transicion dada
deterrninados por los resultados en dos examenes parcia- y establezca una matriz X para encontrar las matrices de
les y un examen final. Los resultados para seis estudian- estado PX, P2 X y P3X.
tes en dos posibles sistemas de graduacion se muesu·an
en las siguientes matrices.
Examenes
59. P = [ :
0.6
n
0.2
X = [ ':]
Parcial Parcial Final

78 82 80 Estudiante I 60. P = 0.2 0.7 0.0]
0.1 , X = [ 1000
l000]
[
84 88 85 Estudiante 2 0.2 0.1 0.9 1000
92 93 90 Estudiante 3
61. Migraci6n de poblaci6n Un pafs esta divido en tres
A=
88 86 90 Estudiante 4 regiones. Cada aiio, I0% de los residentes de la region I
74 78 80 Estudiante 5 se mueven a la region 2 y 5% se mudan a la region 3; 15%
96 95 98 Estudiante 6 de los residentes de la region 2 se mueven a la region I y
5% se mudan a la region 3; y l0% de los residentes de la
Sistema de Sistema de
region 3 se mueven a la region I y 10% se mudan a
graduacion I graduacion 2
la region 2. Este aiio cada region tiene una poblacion de
0.25 0.20] Examen parcial I I 00 000. Determine la poblacion de cada region (a) en I
B = 0.25 0.20 Examen parcial 2 aiio y (b) en 3 aiios.
[
0.50 0.60 Examen Final 62. Migraci6n de poblaci6n Encuentre la matriz de estado
(a) Describa cada sistema de graduacion en la matriz B estable para las poblaciones descritas en el ejercicio 61.
y como se aplican estos.
(b) Calcule los resultados numericos para los seis estu- Codificaci6n de un mensaje En los ejercicios 63 y 64,
diantes usando los dos sistemas de graduacion. determine las matrices renglon sin codificar de! tamafio indi-
cado para el mensaje dado. Despues codi fique el mensaje
(c) Asigne a cada estudiante una letra para cada sistema
utilizando la matriz A.
de graduacion usando la escala alfabetica mostrada
en la siguiente tabla. 63. Mensaje: ONE lF BY LAND
Tamafio de la matri-::. re11gl6n: l X 2
Rango
numerico
Calificaci6n
con letra Matriz codificada: A = G ~]
90-100 A 64. Mensaje: BEAM ME UP SCOTTY
:i
80-89 B Tama,1o de la matri-::. re11gl6n: I X 3
1
70-79
60-69
C
D
Matriz codificada: A =[
-2
! - l - 3
0-59 F Decodificaci6n de un mensaje En los ejercicios 65 a 68,
encuentre A- 1 para decodificar el criptograma.
Funci6n polinomial En los ejercicios 55 y 56, use la defi-
nicion dada para encontrar f(A): sif es la funcion polinornial 3 2
65. A = [ - ]
J(x) = a0 + a 1x + a2x2 + ... + a,,x'' -4 3'
entonces para una matriz cuadrada A,f(A) se define como -45 34 36 -24 -43 37 -23 22 -37 29 57 -38
-39 31
J(A) = aol + aoA + a2A2 + ... + a,,x''.
55. J(x) = x 2 - 7x + 6, A = [~ ~]
66. A = [ _ ~ _;],
11 52 -8 -9 -1 3 - 39 5 20 12 56 5 20 -2 7
= x3 - 3x + 2, ~] 9 41 25 100
-H -I]
56. J(x) A = [ 2
- 1
- 1
Matrices estocasticas En los ejercicios 57 y 58, deter- 2 2 ,
l
61. A
mine si la matriz es estocastica. - 1 -2
0
o~] [03 0.4
00.5l
57. [i 0.5
0.1 0.5
58. 0.2
0.5
0.4
0.2 0.4
58 -3 -25 -48 28 19 - 40 13 13 -98 39 39
118 -25 -48 28 -14 -14
68. A- [~ ~ n
23 20 132 54 128 102 32 21 203 6 10 23 2 1 15
77. Agricultura Un granjero utiliLa cuatro graficas de
prueba para determinar la relaci6n entre el trigo producido
(en kilogramos) por ki l6metro cuadrado y la cantidad de
fertilizante (en cientos de kilogramos por ki l6metro cua-
drado). Los resultado se mue tran en la siguiente tabla.
129 36 46 173 29 72 45
Fertilizaute, x l .0 1.5 2.0 2.5
L-- _____,
Decodificaci6n de un mensaje En los ejercicios 69 y 70,
utilice una aplicaci6n grafica o un software de computadora Producci611, y 32 41 48 53
con capacidades maLriciales para enconLrar A- 1 y descifrar el
(a) Encuentre la lfnea de regresi6n de mfnimos cuadra-
cri ptograma.
dos para estos datos.
69. [ - :
I
~
- I - 4
~1 (b) Estime la producci6n para una aplicaci6n de 160
kilogramos de fertilizante por kil6metro cuadrado.
78. Suscriptores a la telefonia celular La tabla muestra
- 2 2 5 39 - 53 - 72 - 6 - 9 93 4 - I 2 27 3 I el numero de su criptores de telefono celular y (en
-49 - 16 19 - 24 - 46 -8 -7 99 millones) en los Estados Unido para los aiios 2004 a
-! -~l
2009. (Fuente: Cellular Telecommunication and Inter-
net Association).
70. [;
66 27 -3 1 37 5 -9 61 46 -73 46 - 14 9 94
_______,__2004
Aiio 2005 2006
Suscriptores, y 182. 1 207.9 233.0
2 1 - 49 32 -4 12 66 3 1 -53 47 33 -67
71. Sistema industrial Un sistema industrial tiene dos A,'io 2007 2008 2009
industrias con los requerimientos de entrada mosLrados Suscriptores, y 255.4 270.3 285.6
enseguida.
(a) Para producir $ 1.00 de ganancia de salida, la indus- (a) Utilice e l metodo de mfnimos cuadrados para deter-
tria A requiere de $0.20 de su propio producto y minar la lfnea de regresi6n de mfnimos cuadrados
$0.30 del producto de la industria B. para los daLos. Sea x el aiio, con x = 0 correspon-
(b) Para producir $ 1.00 de ganancia de salida, la indus- diendo al aiio 2004.
tria B requiere de S0. 10 de su propio producto y de (b) Utilice las capacidade~ de regresi6n lineal de una
$0.50 del producto de la industria A. aplicaci6n grafica para deterrninar un modelo lineal
para los dato . i,C6mo se compara esLe modelo con
Encuentre D , la matriz de entrada-salida para este sis-
el obtenido en el inciso (a)?
Lema. Despues resuelva para la matriz de . alida X en la
(c) Use el modelo lineal para crear una tabla de valores
ecuaci6n X = DX + £, donde la demanda externa e
e timados para y. Compare los valores e timados
= l40,000J con los datos reales.
£ 80,000 .
e n. Sistema industrial Un sistema con tres industr ias

tiene la matriz D de entrada-salida y la matriz de
79. Sueldos de la Liga Mayor de Beisbol La tabla mues-
tra los salarios promedio y (en millones de d61ares) de
los jugadores de la Liga Mayor de Beisbol en los Esta-
demanda externa £ mostradas abajo. dos Unidos para los aiios 2005 a 20 10. (Fuente: Major
D = [ ~:~
0.4
~:~
0.1
~:~1
0. 1
y £ = [~~~~1
8500
League Baseball).
Ano
Salario, y
2005
2.6
2006 2007 2008
2.9 2.9 3.2
2009 2010
3.2 3.3
Resuelva para la matriz de salida X en la ecuaci6n X =
DX +£. (a) Encuentre la lfnea de regresi6n de mfnimos cuadra-
dos para los dato . Sea x el aiio, con x = 5 correspon-
Determinacion de la recta de regresi6n por mmimos
diendo al aiio 2005.
cuadrados En los ejercicios 73 a 76, encuentre la lfnea de (b) Utilice las capacidade de regresi6n lineal de una
regresi6n de mfnimos cuadrados para los siguientes puntos. aplicaci6n grafica para deterrninar un modelo lineal
73. (I, 5), (2, 4), (3, 2) para los datos. i,C6mo se compara este modelo con
74. (2, 1), (3, 3), (4, 2), (5, 4), (6, 4) el obtenido en el inc iso (a)?
(c) Use el modelo lineal para crear una tabla de valores
75. ( I, 1),(1,3),( 1, 2), (1, 4),(2, 5)
estimados para y. Compare los valores estimados
76. (- 2, 4), (- 1, 2), (0, 1), (I , - 2), (2, -3) con los datos reales.
2 Proyectos
Examen Examen 1 Explorando la multiplicaci6n de matrices
1 2 Las dos primeras calificaciones de los examenes de Ana, Bruno, Crist6bal y David se
Ana 84 1 96 muestran en la tabla. Utilfcela para generar una matriz M que represente los datos. Ingrese
esta matriz en una aplicaci6n grafica o un programa de computadora y usela para responder
Bruno 56 72 a las siguientes preguntas.
Cris- 1. l Cual de estos examenes es mas diffcil? lCual es mas facil? Explique por que.
78 83
t6bal
2. lC6mo clasificarfa el desempefio de los cuatro estudiantes?
David 82 91 I
3. Describa el significado de las matrices producto M[~] y M[~].
4. Describa el significado de las matrices producto [l 0 0 0] y M [0 0 O] M.
5. Describa el significado de las matrices producto M[ ~] y ½

M[a
6. Describa el significado de las matrices producto [l l]M
Y¼ [I 1 1 l] M .
7. Describa el significado de las matrices producto [1 l]M[~].

8. Utilice la multiplicaci6n de matrices para expresar el promedio total combinado de las
cal ificaciones de los dos examenes.
9. lC6mo utilizarfa la multiplicaci6n de matrices para escalar las calificaciones de]
examen l por un factor de l . l ?
2 Matrices nilpotentes
Sea A una matriz cuadrada de n X n diferente de cero. lEs posible que exista un entero k
tal que Ak = 0? Por ejemplo, encuentre A3 para la matriz
1
0
0
Se dice que una matriz A es nilpotente de indice k si A * *
0, A2 0, ... , Ak- l * 0, pero
A k = 0. En este proyecto usted explorara el mundo de las matrices nilpotentes.
1. l Cual es el fndice de la matriz nilpotente A?
2. Utilice una aplicaci6n grafica o un software de computadora para deterrninar cuales de las
siguientes matrices son nilpotentes y encontrar sus fndices.
(a)
[~ ~] (b)
[~ ~] (c)
[~ ~]
~] ~]
0 0
(d)
[~ ~] (e)
[~ 0
0
(f )
[!
0
3. Determine las matrices nilpotentes de 3 X 3 con fndices 2 y 3.

4. Determine las matrices nilpotentes de 4 X 4 con fndices 2, 3 y 4.
5. Encuentre la matriz nilpotente de orden 5.
6. l Las matrices nilpotentes son invertibles? Demuestre s u respuesta.
7. Si A es nilpotente, lque puede usted decir de AT? Demuestre su respuesta.
1
8. Si A es nilpotente, demuestre que / - A es invertible. Sugerenc ia: determine (/ -At en
los casos en que Ak = 0, k = 1, 2, . .. , y obtenga un patr6n.
Supri Suha~oto/Shutterstock.com
3 Determinantes
3.1 Determinante de una matriz
3.2 Determinantes y operaciones elementales
3.3 Propiedades de los determinantes
3.4 Aplicaciones de los determinantes
Orbitas planetarias (p. 135)
Publicaci6n de libros de texto (p. 137)
lngenierfa y control (p. 124)
Sudoku (p. 114)
Volumen de un s61ido (p. 108)

En sentido de las manecillas def reloj, desde amba a la i1qu1erda. Orla}www.shutterstock.com; Otrl: Ercken/Shutterstock.com.
viviamo/wWW shunerstoclc com; RTimages/Shutterstock com; rgerhardVShunerstoclc.com 103
104 Capitula 3 Determinantes
3.1 Determinante de una matriz
■ Encuentre el determinante de una matriz.
■ Encantrar las menares y las cafactares de una m atriz.

Utilizar la expansion par cafactares para encantrar el determinante de
■ una matriz.
■ Encuentre el determinante de una matriz triangular.
DETERMINANTE DE UNA MATRIZ

Toda matriz cuadrada puede ser asociada con un numero real llamado su detenninante.
Hist6ricamente, el uso de determinantes surge del reconocimiento de patrones especiales
COM ENTARIO que ocurren en las soluciones de sisternas de ecuaciones. Por ejernplo, la soluci6n general
En este texto, det(A) y IAI se uti- del sistema
lizan de modo intercambiable
para representar el determi- G11X1 + a , r 2 = b,
nante de una matriz. Las barras Gi 1X I + G2:zX 2 = b2
verticales tambien se usan para
denotar el valor absolute de un puede mostrarse como
numero real; el contexto en el
que se mostrara su uso es deli- h1C½2 - b2a 12
Xi= - y
berado. Ademas, es practica Cl I 1Cl22 - Cl2 la 12
comun eliminar los corchetes
de una matriz y escribir sie mpre que a 11 a 22 - a 21 a 12 i= 0. (Vease el ejercic io 69.) Observe que las dos fracciones
tienen el mismo denominador, a 11 a 22 - a2 1a 12 . Esta cantidad se llama detenninante de la
I::: :::I matriz de coeficientes del sistema.
en lugar de
Definici6n del determinante de una matriz de 2 x 2
El determinante de la matriz
A = [a11 a,2]
G21 G22
Un metodo conveniente para recordar la formula de un determinante de una matriz de

2 X 2 se muestra en el siguiente diagrama.
El determinante es la diferencia de los productos de dos diagonales de la matriz. Observe

que el orden es importante, como se demuestra a cont inuaci6n.
COM ENTARIO
El determinante de una matriz
,~
puede ser positive, negative o EJEMPLO 1 Determinante de una matriz de orden 2
cero.
a. Para A = [~
-3] ,
2
IAI - ~ , = 2(2) - 1(-3) = 4 + 3 = 7.
b. Para B = [~ ~l IBI I! ~ , = 2(2) - 4(1) = 4 - 4 = 0.
}] 0 1
2 2
c. Para C= [~ , ICI = = 0(4) - 2(½) =0 - 3 = -3.
4 2 4
3.1 Determinante de una matriz 105
MENORES Y COFACTORES
Para definir el detenninante de matriz cuadrada de orden mayor que 2 es conveniente la
aplicacion de las nociones de menores y cofactores.
Definici6n de menores y cofactores de una matriz

Sean > I. S i A es una matri z cuadrada de orden n X n, entonces el menor Mij de l
elemento aii es el determinante de la matriz de orden (n - 1) X (n - 1) obtenida al
suprimir el i-esimo renglon y Iaj-esima columna de A. El cofactor Cij del elemento
a ii esta dado por Cii =(-I i + j M ii.
Por ejemplo, si A es una matriz de 3 X 3, entonces los menores y los cofactores de a 21

y a 22 son como se muestra en el diagrama presentado a continuacion.
Menor de a 21 Menor de a 22
a,2 C/1 3
[ "j,
'Cl-, ' , M? = 1a,2 a, 3 1 ~ : ~:,,~ 1 3 , M n= la,,
';f a 2 C/33
_1 a
32 C/33 [
C/31
'_-,
Clj 2 C/33
-- C/31
Suprima el rengl6n 2 y la columna 1 Suprima el rengl6n 2 y la columna 2
Cofactor de a 21 Cofactor de a22

2
C 21 = (- I ) + 1M 21 = - M 21 C22 -- (-1)2 + 2M 22 -- M 22
Como puede ver, los menores y cofactores de una matri z pueden diferir solo por el signo.
Para obtener los cofactores de una matriz, primero encuentre los menores y despues apli-
que el patron ajedrezado de + y - como se muestra a la izquierda. Observe que las posi-
ciones impares (donde i + j es impar) ti enen signos negativos y las pares (donde i + j es
par) sig nos positi vos.
EJEMPLO 2 Menores y cofactores de una matriz

Patr6n de sig nos
para los cofactores Determine todos los menores y los cofactores de
[: +
Matriz de 3 x 3
:] A ~ [; - 1
2
0
SOLUCION
~]
+
+ Para encontrar el menor M 11 , suprima el primer rengl6n y la primera columna de A y eva-
[~ +
+ lue el determinante de la matriz resultante.
Matriz de 4 x 4 ~I = - I ( I) - 0(2) = - 1
+ + +
+ + Yerifique que los menores son
+ + + -5
M 11 = - I M,2 = M, 3 = 4
+ +
M 21 = 2 M n= -4 Mn= 8 -
+ + +
M 31 5 M32 = -3 M33 = -6.
Aho ra, para encontrar los cofactores, combine el patron de los s ignos con estos menores
Matriz de n x 11
para obtener
Cll - 1 C 12 = 5 Cu = 4
C 21 -2 C 22 = -4 C 23 = 8
C 31 5 C 32 = 3 C 33 = - 6
106 Capitulo 3 Determinantes
EL DETERMINANTE DE UNA MATRIZ CUADRADA

COM ENTARIO
La siguiente defi nicion es llamada inductiva, porque utiliza determinantes de matrices de
El determinante de una matriz
orden n - I para definir e l determinante de una matriz de orden n.
de orden 1 se define simple-
mente como la entrada de la
matriz. Por ejemplo, si A = [-21, Definici6n del determinante de una matriz
entonces
Si A es una matriz cuadrada de o rden n ~ 2, entonces el determinante de A es la
det(A) = -2. suma de Ios elementos en el primer renglon de A multiplicados por sus respectivos
cofactores. Esto es
II
det(A) = IAI = ~C/ lj clj = Cl11C11 + C112C12 + . .. + C11,,C1,,·

j = I
lntente verificar que, para matrices de 2 X 2, esta defmicion da como resultado
IAI = C111C122 - a 2 ,a1 2
como lo habfamos definido previamente.

Cuando utilice esta definicion para evaluar un determinante, use la expansion por
cofactores en el primer rengl6n. Este procedimiento se demuestra en el ejemplo 3.
EJEMPLO 3 Determinante de una matriz de orden 3 x 3
Encuentre el determinante de
2
A-[! - I
0
SOLUCION
Esta matriz es la misma del ejemplo 2. Ahf determin6 que los cofactores de los elementos
del primer renglon son
c, I = - 1, C,2 = 5, C, 3 = 4.
Por la definicion de determinante, tiene
IAI = a,,c,. + Cl12C12 + a13C1 3 Expansi6n del primer rengl6n

= 0(- I)+ 2(5) + 1(4)
= 14.
Aunque el determinante se define como una expansion por cofactores del primer ren-
glon, puede demostrarse que el determinante puede ser evaluado por la expansion de cual-
quier renglon o columna. Por ejemplo, usted puede expandir la matriz de 3 X 3 del ejemplo
3 por el segundo renglon para obtener
IAI = Cl21C21 + Cl22C22 + Clz3C23 Expansion del segundo rengl6n

= 3(- 2) + (- 1)(- 4) + 2(8)
= 14
o por la primera columna para obtener
IA I = a,,c,, + Cl21 C 21 + Cl3 1C3 1 Expansi6n de la primera columna

= 0(- l) + 3(- 2) + 4(5)
= 14.
Tntente otras posibilidades para confirmar que el determinante de A puede evaluarse por la
expansion de cua/quier renglon o columna. Esto se establece en el siguiente teorema,
Expansion de Laplace de un determinante, nombrado asf en honor del matematico Frances
Pierre Simon de Laplace (l 749- 1827).
3.1 Determinante de una mat riz 107
TEOREMA 3.1 Expansion por cofactores

Sea A una matriz cuadrada de orden n, i y j seleccionados de entre la lista: I, 2, ... ,
n. Entonces el deterrninante de A esta dado por
n
det(A) = IA I = L aijcij = ail cil + a;2C,"2 + ... + G;,,C ;,, Expansi6n dcl
i-esimo rengl6n
j= I
0
n
Expansi6n de la
det(A) = IA I = L auCu = a ic i + a ic i + · · · + a,uC,,i"
i= I
1 1 2 2
j-esima columna
Cuando expanda por cofactores no necesita evaluar los cofactores de los ele mentos
nulos debido a que el cofactor de un elemento nulo siempre es cero.
auCu = (O)Cu
=O
El renglon (o columna) que contiene mas ceros es a menudo la mejor eleccio n para la
expansion por cofactores. Esto es demostrado en el siguiente ejemplo.
I EJEMPLO 4 Determinante de una matriz de orden 4
Encuentre el determ inante de

-2 3
A~ r-~ 1
2
4
0
0
0 -2
2
01
3 .
SOLUCION
Por inspecci6n de esta matriz puede verse que tres de los elementos en la tercera columna
son ceros. Puede evitar algo de trabajo en la expansion utilizando la tercera columna.
NOTA TECNOLOGICA Como C23 , C33 y C43 tienen coeficientes cero, usted solo necesita encontrar el cofactor C 13 .
Muchas de las aplicaciones gra- Para hacer esto, suprima el primer renglon y la tercera columna de A y evalue el determi-
ficas y programas de computa- nante de la matriz resultante.
dora tienen la capacidad de cal-
cular el determinante de una - I 2
matriz cuadrada. Si utiliza una c 13 = (- !)1 +3 0 2 3 Elimine la pri mcra y tercera columna.
aplicaci6n grafica, entonces
podria ver algo similar a lo 3 4 -2
siguiente para el Ejemplo 4. en - 1 I 2
la Online Technology Guide,
disponible en 0 2 3 Simplifique.
www.cengage.com 3 4 -2
mentos de Algebra Lineal 7e. Expandiendo por cofactores el segundo renglon da como resultado
A
I 11 -2 3
I -1 1 0
0 J
2 J
C13 = (0)(-1 )2+11~ -~I+ (2)(- 1)2+21-~ 21 + (3)(-1 )2+31-1
-2 3
10 2 0 3 l
13 4 0 ·21 1 = 0 + 2(1)(-4) + 3(- 1)(-7)
det... A
39 = 13.
Usted obtiene
IAI = 3( 13)
= 39.
Hay un metodo alternativo usado comunmente para evaluar el determinante de una

matriz A de 3 X 3. Para aplicar este metodo, copie la primera y la segunda columna de A
para formar la cuarta y la quinta columna. El determinante de A se obtiene despues
sumando (o restando) los productos de las seis diagonales, como se muestra en el siguiente
diagrama.
Reste estos tres productos.
Sume estos tres productos.
Intente confumar que el determinante de A es
IAI = 0 110z2033 + 0 120230 3 1 + 0 130z1032 - 0310z201 3 - 032023°11 - 0 330z1°1 2·
j EJEMPLO 5 Determinante de una matriz de orden 3
Encuentre el detenn;naale deA ~ [! 2

- 1
-4
SOLUCION
Simulacion Comience copiando las primeras dos columnas y luego calcule los seis productos de la
Para explorar este concepto por diagonal como sigue.
media de una simulaci6n elec-
tr6nica y para comandos y sin- -4 0 6 Reste estos productos
tax is de programaci6n, revise las
aplicaciones y programas de
3
computadora implicados en el
ejemplo 5. Yisite college.
cengoge.comlpic/forson ELA6e. 0 16 - 12 Sume estos productos
Ejemplos y ejercicios similares
estan disponibles en este sitio. Ahora, sumando los tres productos de abajo y restando los tres de arriba, usted puede
encontrar que el determinante de
IAI = 0 + 16 + (- 12) - (-4) - 0 - 6 = 2.
El proceso de diagonalizaci6n ilustrado en el ejemplo 5 solo es valido para matrices de

orden 3. Para matrices de orden mayor debe usarse otro metodo.
ALGEBRA Si x, y y z son funciones continuas de u, v y w con primeras derivadas

parciales continuas, entonces las Jacobianos J(u, v) y J(u, v, w) se
LINEAL definen como los determinantes
APLICADA
ax ax ax
ax ax au av aw
au av
J (u, v) = y J ( u, v, w) = ~ li ~
ay ay au av aw·
au av oz oz az
au av aw
Un uso practico de los Jacobianos es la determinaci6n del volumen

de una region s61ida. En la Secci6n 3.4, usted estudiara una formula,
que tambien utiliza determinantes, para encontrar el volumen de un
tetraedro. En el Repaso del Capitulo 3, se le pedira determinar el Jaco-
biano de un conjunto dado de funciones (Veanse los Ejercicios de
Repaso 49-52).
Oemonnew/Shutterstock com
3.1 Determinante de una mat ri z 109
Matri z triangular supe rior MATRICES TRIANGULARES

a,, a ,2 a, 3 a,11 Recuerde de la secci6n 2.4 que una matriz c uadrada es llarnada triangular superior si
0 a22 a 23 a 211 todos sus ele me ntos bajo la diagonal princ ipal son cero, y triangular infe rior si todos sus
0 0 a 33 a3n eleme ntos sobre la diagonal principal son cero. U na mat:riz que tiene ambas caracte rfsticas
es denominada diagonal. Es decir, una matriz diagonal es aquella en la que todos los ele-
mentos arriba y abajo de la diagonal principal son cero.
0 0 0 Qllfl
Para e ncontrar el de terminante de una matriz diagonal, simplemente forma mos el
Matriz tria ngular inferior producto de la diagonal principal. Esto es faci l de observar , es facil observar que el proce-
all 0 0 0 di miento es valido para una matriz de orden 2 6 3. Por eje mplo , el dete rmina nte de
a21 Cli2 0 0 3
a31 a32 a 33 0 - I
0
a n, an2 an3 a,,,,
puede dete rminarse por la expans ion del te rcer re ngl6 n para obte ne r
IA I = 0(- 1)3+ 11- 3

1
- 211 + 0(- 1)3+2 012 - 211 + 3(- 1)3+3120
= 3(1)(-2) = - 6
que es el producto de las e ntradas de la diagonal principal.
TEOREMA 3.2 Determinante de una matriz triangular

Si A es una matriz triangular, supe rior o inferior, de orden n, entonces su determi-
nante es el producto de los ele mentos e n la diagonal principal, esto es
det(A) = IA I = a 11a 22a 33 · · · a1111 •
DEMOSTRACION
Puede utilizar inducci6n matemtitica* para demostrar este teorema para el caso e n el que
A es una ma triz tri angular superior. El caso e n el que A es una m atriz triangular inferior se
de muestra de mane ra similar. S i A es de orde n I , e ntonces IAI = [a 11 ) y el determinante es
IAI = a 11 . Suponie ndo que el teore ma es valido para c ualquier matriz triangular superior
de orden k - l , conside re una matriz triang ular s uperio r de o rden k . Expandiendo el
k-es imo re ng l6n, obtiene
= ockl + 0Cn + ... + ock(k- 1) + a kkc kk = akkckk'

IA I
Ahora, observe que Ckk = (-1)2kMkk> donde Mkk es el dete rminante de la matriz triangular
supe rior formada por la supresi6n del k-esimo re ngl6 n y la k-esi ma columna de A . Ya que
esta matriz es de orden k - 1, usted puede a plicar la inducci6 n para escribir
IA I = akkM kk = akk(a , ,a22C133 · · · ak_ 1k- ,) = a, 1Cli2C133 · · · akk·
EJEMPLO 6 Determinante de una matriz triangular
Encuentre el dete rmina nte de cada matriz.

0 0
es
A - [- 5 !
I
- 2
6
5
0
l
3 ~]
IA I = (2)(-2)(1)(3) =- 12.
*En el apendice A esta disponible un analisis de la inducc i6n matematica.

l~l
El determinante de una matriz En los ejerc icios I a 12, 5 3 0 0 7
encuentre el determinante de la matriz. 4 6 4 6 11
27. O
1. [1] 2. [ -3] 2 -3 l -1
0 -2 5 2 10
3.
[! !] 4. [-! ~] y -1
[~ -;]
W - 15
21 X 24 3~
5. [_! !] 6. 29.
- 10 24 - 32 18
- 40 22 32 -35
7. [-; :] 8.
[l -!] 30.
10
w
15x - 25y 30 zl
9. [~ :] 10. [_~ -!] - 30
30
20 - 15 - JO
35 - 25 - 40
11. [" - 3
4 A-
2]1 12. [" - 2
4 A-
OJ
4
5
0
2
I
0
4
0
3
-2
2
31. 0 0 2 6 3
Encontrar los menores y cofactores de una matriz En 0 0 3 4 I
los ejercicios 13 a 16, encuenlre (a) los menores y (b) los 0 0 0 0 2
cofactores de la matriz. 4 3 -2 I 2
13.
[~ !] 14. [-~ ~] 32.
0
I
0
2
0
-7
0
13
0
12
15.
n 2
5
- 3 il 16.
nJ -7
4
3
17. Encuentre el determinante de la matriz del ejercicio 15

6 - 2
4
5
2
6
0
7
9
Encontrar un determinante En los Ejercicios 33 y 34,

use el metodo demostrado en el Ejemplo 5 para encontrar el
determinante de la matriz.
aplicando el metodo de expansion por cofactores. (a)
8
Use el segundo renglon y (b) la segunda colurnna.
18. Encuentre el determinante de la matriz del ejercicio 16,
aplicando el metodo de expansion por cofactores. Use
33.[-; _; :] 34. [l - 5
(a) el tercer renglon y (b) la tercera columna.

Encontrar un determinante En los ejercicios 35 a 38,
utilice una aplicacion grafica o un software de computadora
Encontrar un determinante En los ejercicios 19 a 32,
con capacidades matriciales para encontrar el determinante
use expansion por cofactores para encontrar el determinante de la matriz.
de la matriz.
3
[~:~~ 0.6]
[_i -~]
- I 6
~]
4 -1 0.8 - 0.2
35.
19. 2 20. 4 2
0.75 0.9 -0.4
4 [: 0
21.
23.
[~
[-04
0.2
4
3
0
0.4
0.2
J03]
0.2
22.
24.
n
[ 01
0
II
2
0.2
- 0.3 0.2
~
]03]
0.2
& 37.
l
0
0
8
2
I
3
2
5
-1
2
2
0
-~1
-I
- 2
I -2 0
0.3 0.2 0.2 0.5 0.4 0.4 - I 0 7 I 6
y y e 38. 0 8 6 5 - 3
25. [~ 3
-1 :] 26-H -2
5 i] 1
2
2
6
5
-2
-8
0
4
6
3.1 Ejercicios 111
Encontrar el determinante de una matriz triangu-

lar En los ejercicios 39 a 42, encuentre el deterrninante de la 57. 1; In x I 58. 1; 1
x ln x
+ ln x
I
1/ x
matriz triangular.
39. [-~
-3
0
6
7 ~] 40.
[~
0
6
0 -~l
59. El deterrninante de una matriz de 2 X 2 implica dos pro-
ductos. El determinante de una matriz de 3 X 3 implica
seis productos triples. Demuestre que el determi nante de
una matriz de 4 X 4 implica 24 productos cuadruples.
8 -4 2 0 0 0 60. Demuestre que el sistema de ecuaciones lineales
41. r~
0
0
6
2
0
2
42. r.
- I
3
I
2
5
0
3
0
0
ax+by=e
ex+ dy = f
0 0 -I -8 7 0 -2 tiene una t:inica soluci6n si y s6lo si e l determinante de la
matriz es diferente de cero.
lVerdadero o falso? En los ejercicios 43 y 44, determine
cual de las expresiones es verdadera o falsa. Si la expresi6 n
Verificaci6n de una ecuaci6n En los ejerc ic ios 6 1 a 66,
es verdadera, proporcione una raz6n o cite una expresi6 n
evalue los determinantes para verificar la ecuaci6n.
adecuada del texto. Si la expresi6 n es falsa, proporcio ne un
ejemplo que muestre que la expresi6n no es cierta en todos
los casos o cite de! texto una expresi6n adecuada.
61.
I; :I -1: :I
43. (a) El determinante de la matriz A de 2
Cl 11G22-
X 2 es a 21 a 12 -
62.
I; cxl
CZ = cl: :I
(b) El determinante de una matriz de orden I es el ele-
1~; x +cwl XI= 0
I; z +cy
63. 64.1 w
mento de la matriz.
(c) El cofactor ij de una matriz cuadrada A es la matriz
:I cw ex
x2
=(y - x)(z - x)(z - y)
X
definida por la cancelaci6n de l i-esimo rengl6 n y la
65. y y2
j-esima columna de A .
44. (a) Para encontrar el determinante de una matriz trian- z z2
gular, sume los elementos de la diagonal principal.
(b) El determinante de una matriz puede ser evaluado
aplicando expansion por cofactores en cualquier
66. a b c =(a - b)(b - c)(c - a)(a +b +c)
a3 b3 c3
reng16n o columna.
(c) Cuando se expande por cofactores no es necesario 67. Dada la ecuaci6 n
evaluar los cofactores de los elementos nulos. X 0 C
Resoluci6n de una ecuaci6n En los ejercicios 45 a 48, - 1 x b = ax 2 + bx + c.

resuelva para x. 0 - I a
45. ix + ~ x +~I= O
46. Ix+ ~ - 21- o
x-2
(a) Verifique la ecuaci6 n.
(b) Use la ecuaci6 n como un modelo para encontrar un
Ix - ~ determinante que sea ig ual a ax3 bx2 ex d. + ++
47.
x-2
21 - 0 48. Ix~!
x- 111_ 0 [> 68. OOrnDYiJ~'u'rn S i A es una matriz den X n,
Resoluci6n de una ecuaci6n En los ejercicios 49 a 52, explique c6mo encontrar lo siguiente.
encuentre los valo res de l para los que el determinante es cero.
(a) El menor Mu de la entrada au.
A+ 2 21 IA- 4I 'I
49.
I I A 50. A - 3 (b) El cofactor Cu de la entrada a,j·
A 2 0 A O 1 (c) El determinante de A .
51. 0 A + I 2 52. 0 A 3
69. Demuestre que el sistema de ecuaciones lineales
0 I A 2 2 A -2
+ a,r 2 = b 1
a 11 x 1
Entradas que involucran expresiones En los ejercicios
ai,x I + Cl2r2 = b2
53 a 58, evalue el determinante en do nde los elementos so n
funciones. Deterrninantes de este tipo ocurren cuando se tiene la soluc i6n
hacen cambios de variables en calculo. b 1a 22 - b2a 12 b2a 11 - b 1a 2 1
53. I~£: ;~ I 54. 13x~

x, = a ,,a22 - ai,a ,2 y x2 = a, ,a22 - ai ,a,2
e2'
55.
I
2e-'
?
e3x l
3e3x 56.1 _;=:
112 Capitula 3 Determinantes
3.2 Determinantes y operaciones elementales
Utilice aperacianes elementales par rengl6n para evaluar un determi-

■ nante.
Utilice aperacianes elementales par columna para evaluar un deter-
■ minante.
■ Recanazca las candicianes que generan determinantes cera.
DETERMINANTES Y OPERACIONES
ELEMENTALES POR RENGLON
lCual de los siguientes deterrninantes es mas facil de evaluar?
-2 3 I I -2 3 I
4 - 6 3 2 0 2 - 9 - 2
IAI = -2 4 -9 -3
0 IBI =
0 0 -3 - I
3 -6 9 2 0 0 0 - I
Puesto que usted ya sabe acerca de! determinante de una matriz triangular, esta claro que
el segundo determinante es mucho mas facil de evaluar. Este detenn inante es simple-
mente el producto de los elementos de la diagonal principal, es decir, IBI = (1)(2)(-3)(- 1)
= 6. Por otra parte, usar expansion por cofactores (la unica tecnica aplicada antes) para
evaluar e l primer determinante es confuso. Por ejemplo, si expande por cofactores a lo
largo de! primer rengl6n, tiene
-6 3 2 4 3 2 4 -6 2 4 -6 3
IAI = 1 4 -9 -3 + 2 -2 -9 -3 + 3 -2 4 -3 - 1 -2 4 -9.
-6 9 2 3 9 2 3 - 6 2 3 - 6 9
Evaluando los determinantes de estas cuatro matrices de 3 X 3 se obtiene
IAI = ( 1)(-60) + (2)(39) + (3)(- 10) - (1)(- 18) = 6.
Note que !Al y IBI tienen el rnismo valor De hecho, usted puede obtener la matriz B al rea-
lizar operaciones elementales con renglones en la matriz A. En esta secci6n, vera los
efectos de operaciones elementales con renglones (o columnas) en el valor de un deterrni-
nante.
Efectos de las operaciones elementales

EJEMPLO 1
con renglones en un determinante
a. La matriz B fue obtenida a partir de A por intercambio de los renglones de A.
IAI = I~ -!I = 11 y IBI = I~ _;1= - 11

b. La matriz B fue obtenida a partir de A al sumar -2 veces el primer reng16n de A al
segundo rengl6n de A.
IAI = 11
2
-31
-4
=2 y -31
2
=?
-
c. La matriz B fue obtenida a partir de A al multi plicar e l primer reng16n de A por ½-
IA I = I- 2
2
-81=
9
2 y IBI = I- 2I -41 =
9
1
En el ejemplo I, puede observar que al intercambiar dos renglones de una matriz cambia
el signo de su determinante. Sumar un multiplo de un rengl6n a otro no cambia el deterrni-
nante. Finalmente, multiplicar un reng16n por una constante diferente de cero, multiplica el
determinante por la misma constante. El siguiente teorema generaliza estas observaciones.
COM ENTARIO
TEOREMA 3.3 Determinantes y operaciones
Observe que la tercera propie-
dad del teorema 3.3 le permite elementales con renglones
dividir un rengl6n entre un factor Sean A y B matrices cuadradas.
comun. Por ejemplo
1. Si B es obtenida a partir de A al intercambiar dos renglones, entonces de t(B) = -
21 Factor 2 det(A).
. del primer
3 rengl6n. 2. Si B es obtenida a partir de A al sumar un multiplo de un rengl6n de A a otro
re ng l6n de A , e ntonces de t(B) = det(A).
- - -[> 3. Si B es obtenida a partir de A al multiplicar un rengl6n de A por una constance
c diferente de cero, e ntonces det(B) = c de t(A).
DEMOSTRACION
Para probar la propiedad I , utilice inducci6n matematica como s igue. Las demostraciones
de las otras dos propiedades se dejan como ejercicios (Veanse los ej ercicios 47 y 48).
Suponga que A y B son matrices c uadradas de 2 X 2 tales que
A = [ a11 a,2] y 8 = [a21 G22].

G21 Gi2 G11 G12
Entonces, usted tiene !Al = a 11 a 22 - a 2 1a 12 y IBI = a 21 a 12 - a 11 a 22, asf que IBI = - IAJ. Ahora
suponga que la propiedad es cierta para matrices de orden (n - 1). Sea A una matriz den
X n ta! que B se obtiene a partir de! inte rcambio de dos renglones de A. Entonces, para
encontrar jAJ y JB I, expanda otro reng l6n junco con los dos renglones intercambiados. Por
inducci6n, los cofactores de B puede n ser los negativos de los cofactores de A, ya que las
matrices correspondientes de (n - 1) x (n - 1) tie nen dos re ng lones intercambiados. Final-
m ente, IBI = - !Al y la dem ostraci6n esta comple ta.
El teore ma 3.3 proporciona una manera practica para evaluar determinantes. Para
encontrar el determinante de una matriz A , aplique operaciones e leme ntales con renglones
para obtener una matriz B triangular equi vale nte por renglones a A. Para cada paso e n e l
proceso de e lirninaci6n, utilice el teorema 3.3 para determinar e l efecto de la operaci6n
e leme ntal con renglones en e l de terrninante. Finalmente, e nc uentre el deterrninante de B
multiplicando los e le me ntos de su diagonal principal. Este proceso se demuestra en e l
siguie nte ejemplo.
Evaluaci6 n de un determ inant e utilizando

EJEMPLO 2
operaciones elementales con renglones
~~i-
Encuentre el deterrninante de
Augustin-Louis Cauchy
(1789-1857)
A = [~ -~
Las contribuciones de Cauchy 0 0 -3
al estudio de las matematicas SOLUCION
fueron revolucionarias, y a
Aplicando operaciones ele mentales con renglones, reescriba A en la forma triangular de la
menudo se le reconoce por
imponerles rigor a las mate-
maticas modernas. Por ejem-
plo, fue el primero en definir
siguie nte manera.
2
I
-3
2 -2
LO 1 2
- 3
-2
10
.....
..... lntercarnbie los dos primeros renglones
2
rigorosamente limites, conti-
0 0 -3 0 0 -3
nuidad y la convergencia de
una serie infinita. Ademas de
ser conocido por su trabajo
en analisis complejo, contri-
1
0 -7
2 -2
14 ..... Sume -2 veces el primer rengl6n al segundo
para producir un nuevo segundo rcng16n
0 0 -3
buy6 a las teorfas de determi-
nantes y ecuaciones diferen-
ciales. Es interesante
considerar que el trabajo de
=
I
- 210
2
I
-2
- 2 .....
..... Factorice - 7 fuera de] segundo rengl6n
Factor -3 fuera del tercer rengl6n
0 0
Cauchy con determinantes
Ahora, debido a que la matriz final es triangular, puede concluir que el determinante es
antecedi6 al desarrol lo de
matrices de Cayley. IAI = - 21 (1)( 1)( 1) = -2 1. © Bettmann/COABIS
DETERMINANTES Y OPERACIONES ELEMENTALES

CON COLUMNAS
Aunque el teorema 3.3 se establece en terminos de operaciones elementales con renglones,
se mantiene valido si la palabra "columna" reemplaza al term.inc "renglon" . Las operaciones
realizadas en las columnas (mas que en los renglones) de una matriz se denominan opera-
ciones elementales con columnas y dos matrices son llamadas equivalentes por columnas
si una puede ser obtenida a partir de la otra por operaciones elementales con columnas. La
version de! teorema 3.3 para el caso de operaciones con columnas se ilustra enseguida.
2 1 -3 l 2 -3
4 0 l = - 0 4 l
0 0 2 0 0 2
Intercambie las primeras dos columnas
2 3 -5 l 3 -5
4 I 0 =2 2 0
-2 4 -3 - 1 4 -3
Factorice 2 fuera de la primera columna
Al evaluar un determinante a mano, ocasionalmente convendra usar operaciones elemen-

tales con columnas, como se muestra en el ejemplo 3.
Evaluacion de un determinante usando

EJEMPLO 3
operaciones elementales con columnas
A= [-~ -~ 5 -10
!].
- 3
SOLUCION
Como las dos primeras columnas de A son multiplos una de otra, usted puede obtener una
columna de ceros sumando dos veces la primera columna a la segunda, de la sig uiente
manera.
- I 2 2 - I 0 2
3 -6 4 3 0 4
5 - 10 - 3 5 0 -3
Hasta este punto, no es necesario que reescriba la matriz en forma triangular. Como existe
una columna completa de ceros, concluimos que el determinante es cero. La validez de
esta conclusion proviene del teorema 3. 1. Especfficamente, al expand ir por cofacto res a lo
largo de la segunda columna, tiene
IAI = (0)C1 2 + (0)C22 + (0)C32
= 0.
ALGEBRA En el juego de colocaci6n de numeros Sudoku, la finalidad es llenar una
reticula parcialmente completada de 9 x 9 recuadros con numeros del 1
LINEAL al 9 de manera que cada columna, rengl6n y subreticula de 3 x 3 con-
APLICADA tenga cada uno de estos numeros sin repetici6n. Para que una reticu la
de Sudoku completa sea valida, dos renglones (o columnas) no pueden
tener los numeros en el mismo orden. Si esto pasara en un rengl6n o
columna, entonces el determinante de la matriz formada por los nume-
ros en la reticula sera cero. Ese es un resultado directo de la condici6n 2
._________,[ > del Teorema 3.4 en la siguiente pagina.
Pinon Aoad/Shutterstock.COM
MATRICES Y DETERMINANTES CERO

El ejemplo 3 muestra que una de las columnas de la matriz es un multiplo escaJar de otra
columna, por lo que puede concluir de inmediato que el determinante de la matriz es cero.
Esta es una de tres condic iones, listadas enseguida, que generan un determinante cero.
TEOREMA 3.4 Condiciones que generan un determinante cero

Si A es una matriz cuadrada y una de las siguientes condiciones es c ierta, entonces
det(A) = 0.
1. Un renglon (o columna) consta completamente de ceros.
2. Dos renglones (o columnas) son iguales.
3. Un renglon (o columna) es un multiplo de otro renglon (o columna).
DEMOSTRACION
Yerifique cada pane de este teore ma apl icando operaciones elementales con renglones y
expansion por cofactores. Por ejemplo, si un renglon o una columna estan formados com-
pletamente de ceros, entonces cada cofacto r en la expansion es multiplicado por cero. Si
la condicion 2 o 3 es cierta, puede aplicar operaciones elementaJes con renglones o colum-
nas para crear un renglon o columna formados completarnenle de ceros.
Reconociendo las condiciones listadas en el teorema 3.4 podemos evaluar un determi-

nante mas facilmente. Por ejemplo.
0 0 0 I -2 4 2 -3
2 4 -5 = 0, 0 1 2 = 0, 2 -l -6 = 0.
3 -5 2 - 2 4 -2 0 6
El prime r rengl6n consta El primer y cl tcrcer La terccra columna es

completamente de ceros renglones son iguales multiplo de la primera
No podemos concluir, sin embargo, que el teorema 3.4 proporciona las unicas condi-
c iones que producen un determinante cero. A menudo, este teorema se usa indirecta-
mente. Es decir, usted puede comenzar con una matriz que no satisfaga ninguna de
las condicio nes de l teorema 3.4 y, por medio de operaciones elementaJes con renglones o
columnas, obtener una matriz que cumpla una de las condiciones. Este proceso se muestra
en el ejemplo 4.
EJEMPLO 4 Matriz con determinante cero
Enc uentre el deterrninante de

4
A~[~ - I
18
SOLUCION
Sumando -2 veces el primer renglon al segundo se produce
I 4 I
IAI = 2 - I 0
0 18 4
I 4 I
0 -9 -2.
0 18 4
Ahora, ya que el segundo y el tercer renglones son multiplos uno de otro, puede concluir
que el determinante es cero.
En el ejemplo 4, usted pudo obtener una matriz con un rengl6n completo de ceros al
realizar una operaci6 n elemental con renglones adicional (sumar 2 veces el segundo ren-
gl6n al tercero). Esto en general es cierto, es decir, una matriz cuadrada tiene un determi-
nante cero si y s61o si uno de estos renglones (o columnas) son equi vale ntes a una matri z
que tiene al menos un rengl6n ( o columna) formado completamente de ceros. Esto se
demostrara en la siguiente secci6n.
Usted tiene ahora dos metodos de reconocimiento para evaluar determinantes. De
ellos, el metodo de aplicar operaciones elementales con renglones o columnas para reducir
una matriz a la forma triangular es mas rapido que el de expansi6n por cofactores a lo largo
de un rengl6n o una columna. Si la matriz es grande, entonces el numero de operaciones
necesarias para una expansi6n por cofactores puede volverse extremadamente grande. Por
esta raz6n, muchos algoritmos de computadora y de calculadora usan el metodo que aplica
operaciones elementales con reglones o columnas. La sig uiente tabla muestra el numero
de sumas (mas restas) y las multiplicaciones (mas divisiones) necesarias para cada uno de
estos dos metodos para matrices de orden 3, 5 y I 0.
Expansion por cofactores Reducci611 de renglones

~
Orden n Sumas Multiplicaciones Sumas M ultiplicaciones

3 5 9 5 10
5 119 205 30 I 45
10 3,628,799 6,235,300 285 I 339
De hecho, el numero de operaciones para la expansi6n por cofactores de una matriz

de una matriz n X n es n! Como 30! = 2.65 X I 0 32, incluso una matriz relativamente
pequeiia de 30 X 30 puede requerir de mas de I 0 32 operaciones. Si una computadora puede
realizar un bill6n de operaciones por segundo, le tomaria mas de un bi116n de aiios calcular
el determinante de esta matri z aplicando expansi6 n por cofactores. Sin embargo, la reduc-
ci6n de renglones s61o toma algunos segundos.
Cuando evalua un determinante a mono, usted puede ahorrarse algunos pasos apli-
cando operaciones elementales con renglones (o columnas) para formar un rengl6n (o
columna) completamente de ceros excepto en una posici6n y entonces usar expansi6n por
cofactores para reducir e l orden de la matriz a I. Este planteamiento se ilustra en los dos
ejemplos siguientes.
EJEMPLO 5 Evaluacion de un determinante
A = [- ~ _: -
- 3 0
~i-
6
SOLUCION
Observe que la matriz A tiene un cero en el tercer rengl6n. Usted puede crear otro cero en
el tercer rengl6n al sumar dos veces la primera columna a la tercera, como sigue.
-3 5 2 -3 5 -4
IAI = 2 -4 - 1 2 -4 3
-3 0 6 - 3 0 0
Expandiendo por cofactores a lo largo del tercer reng16n se produce
-41 =
3
- 3(1)(-1) = 3.
j EJEMPLO 6 Evaluaci6n de un determinante
Evalue el detenn inante de

2 0 I 3 -2
-2 I 3 2 -I
A= I 0 - I 2 3
3 - I 2 4 -3
3 2 0
SOLUCION
Ya que la segunda columna de esta matriz tiene dos ceros, se elige para expansi6n por
cofactores. Dos ceros adicio nales pueden generarse en la segunda columna al sumar el
segundo rengl6n al cuarto y despues sumando - 1 vez el segundo rengl6n al quinto.
2 0 I 3 -2
-2 I 3 2 - I
IAI = I 0 - I 2 3
3 - I 2 4 -3
I I 3 2 0
2 ~ I 3 -2
~ ~f 2
3
- I
5
0
l
2
2
0
3
6 -4
3 -2
I
- 1 2 3
= (1)(- 1)4 1
1 5 6 - 4
3 0 0
Como ya tiene dos ceros en el cuarto rengl6 n, lo e lige para la s iguiente expansi6n po r
cofactores. Sume -3 veces la cuarta columna a la primera para producir lo siguiente
2 3 - 2 8 1 3
- 1 2 3 -8 - I 2
jAj =
I 5 6 -4
=
13 5 6 :_f
3 0 0 0 0 0 I
~ ,_ I
8 3
= (1)(- 1)8 -8 - I 2
13 5 6
Sume el segundo rengl6n al primero y luego expanda por cofactores a lo largo del primer
rengl6n.
8 3 0 0
IAI = -8 - I 2 = -8 - I ,:1r·
13 5 6 13 5
= 5(- 1)4 1-8 -~1

13
= 5(1)(-27)
= - 135
3 .2 Ejercicios Consulte www.CalcChat.com para las soluciones de los ejerc1cios nones.
Propiedades de determinantes En los ejercic ios I a 20, 5 4 2 s 4 2

i,Cual propiedad de los determinantes es ilustrada por la ecua- 17. 4 - 3 4 - 4 3 - 4
ci6n?
7 6 3 7 6 3
2 -4 51 = O 2 I - I 2 I - I
. 1 12 - 15 18. 0 I 4 = - 5 3 I
1 4 2 5 3 0 1 4
3. 0 0 0 =0 2 I - I 0 4
5 6 -7 I 0 3 2
-4 3 2 19. 3 6 l -3 6 =0
4. 8 0 0 =0 0 4 0 2 0
-4 3 2 - I 8 5 3 -2
3 4 4 3 4 3 9 9
5. - 7 2 - 5 - - 7 - 5 2 9 - I 2 3 -3
6 I 2 6 2 I
20. 3 4 6 9 12 = 0
5 2 0 6 6
3 4 6 2
6 0 3 0 0
6. -2 2 0 -2 2 0
I 6 2 3 4 ~ Encontrar un determinante En los ejercicios 2 1 a 24,
use cualquier operaci6n ele mental con renglones o columnas,
7. ls2 -7iol = sl,2
-~I o expansion por cofactores, para evaluar el de terminante a
mano. Despues, utilice una a plicaci6n grafica o un programa
8
1
- I~ ~I 1~ ~I
8
=
2
-3 1 2 - l
de computadora para verificar su respuesta.
I 0 2 - I 3 2
21. - l I 4 22. 0 2 0
9. 3 - 12 6 = 12 3 -3 2 2 0 3 1 1 - l
7 4 9 7 1 3 I 2 I -I 3 2 I I
1 2 3 l l l 0 I 0 2 - I 0 2 0
10. 4 - 8 6 =64 - 4 2 23. O 24.
3 - I 4 - ) 0
5 4 12 5 2 4 0 0 4 3 0
5 0 10 0 2
11. 25 -30 40 = 53 5 - 6 8 Encontrar un determinante En los ejercicios 25 a 36,
utilice operaciones e le mentales con renglones o columnas
- IS S 20 - 3 I 4
para eval uar el determinante.
6 0 0 0 1 0 0 0
7 -3 I I I
0 6 0 0 0 1 0 0
12. O = 64 25. 3 26. 2 - I -2
0 6 0 0 0 1 0
4 8 I - 2 - I
0 0 0 6 0 0 0
2 - 1 -1 3 0 6
13
· I! -~1I~ = 27.
-6
I 3
3
2
3
28. 2
I
-3
-2
4
2
14
· I~ -:I= I!
I -3 2 I -3 2
29.
4
5
3
4
-2 3
30. 0
8
-5
-7
4
- 2 3 4 6 l 6
15. 5 2 - I 0 17 - 11
4 -7 9 I 9 -4 2 5
- I O 6 - I 0 6
6 2 7 0 2 7 6 - 5
3 2 4 3 2 -6 31. 32.
3 6 -3 3 4 I -2 0
16. -2 I 5 -2 I 0
0 7 4 - I 7 3 4 10
5 -7 -20 s -7 15
3.2 Ejercicios 119
I -2 7 9 43. Prueba Demuestre la propiedad.

3 -4 5 5 all G 12 G1 3 b 11 G1 2 G1 3 +
(a11 b11) 0 12 °13
33.
3 6 -I G2 1 Gi2 a 23 + b 21 Gi2 lli3 = +
(0 2 1 b 21) 0 22 ° 23
4 5 3 2 G3 1 0 32 a 33 b 3 1 G32 a 33 (a3 1 + b 3 1) G32 G33
0 -3 8 2 44. Prueba De muestre la propiedad.

8 I - I 6 I +a I I
34. l + b
-4 6 0 9
- 7 0 0 14 +c
I
-1 8 4 2 a i= 0, b i= 0, c i= 0
2 6 0 -4 3 45. Encuentre cada determinante.
35. 2 0 2 6 2 a
( )
I- Cos 0
Sen 0
Sen 01
Cos 0
I
(b) Sen 0 11
l Sen 0
0
0
2 8 0
2
0
2 C> 46. 00 [§ [R!il~iJ' [§ Evalue cad a determin ante
cuando a = I, b = 4, y c = - 3.
3 -2 4 3 I
0 b O a O I
- 1 0 2 l 0 (a) a 0 0 (b) 0 c 0
36. 5 - 1 0 3 2 0 0 C b 0 - 16
4 7 -8 0 0
47. Demostraci6n guiada Demuestre la propiedad 2 del
2 3 0 2 teorema 3.3: si B es obtenida a parti r de A al sumar un
multiplo de un rengl6 n de A a otro rengl6 n de A, enton-
lVerdadero o falso? En los ejerc icios 37 y 38, determine
ces det(B) = det(A).
cual de las expresiones es verdadera o falsa. Si la expresi6n
Inicio: para demostrar que el determinante de B es igual
al determinante de A, usted necesita demostrar que sus
adecuada de! texto. Si la expresi6n es falsa, proporcio ne un
respectivas expansiones por cofactores son iguales.
ejemplo q ue muestre que la expresi6n no es cierta en todos
los casos o cite de! texto una expresi6n adecuada. (i) Comience su demostraci6n haciendo que B sea la
matriz obte nida al sumar c veces elj-esimo reng16n
37. (a) Inte rcambiar dos renglones de una matriz dada cam- de A al i-esimo rengl6n de A.
bia el sig no de su determinante. (ii) Encuentre el determinante de B por expansion a lo
(b) Multiplicar un rengl6n de una matriz por una cons- largo de este i-esimo rengl6n de A.
tante diferente de cero da como resultado el determi- (iii) Distribuya y despues agrupe los terminos que con-
nante multiplicado por la misma constante diferente tengan un coeficiente de c y aquellos que no lo
de cero. contengan.
(c) Si dos renglones de una matriz cuadrada son iguales, (iv) Demuestre que la suma de los terminos que no con-
entonces su determinante es 0. tienen un coeficiente de c es el determinante de A y
38. (a) Sumar un multiplo de un rengl6n de una matriz a la suma de los terminos que contienen un coefi-
otro reng16n s61o cambia el signo del determi nante. ciente de c es igual a cero.
(b) Dos matrices son equi valentes por columnas si una 48. Demostraci6n guiada Demuestre la propiedad 3 de!
matriz puede ser obtenida al realizar en la o tra ope- teorema 3.3: si B es obtenida a parti r de A por la multi-
raciones elementales con columnas. plicaci6n de un renglon de A por una constante c dife-
(c) Si un reng!6n de una matriz cuadrada es un multiplo rente de cero, entonces det(B) = c det(A).
de otro reng16n, entonces el determinante es 0. Inicio: para demostrar que el determinante de B es igual
a c veces el determinante de A, usted necesita demostrar
Encontrar el determinante de una matriz elemen- que el determinante de B es igual a c veces la ex pansi6n
tal En los ejercicios 39 a 42, encuentre el determinante de por cofactores del determinante de A.
la matriz elemental. (Suponga k i= 0.)
(i) Comience su demostraci6n haciendo que B sea la
39. [ ~ ~ ~] 40. [~ ! ~] matriz obtenida al multi plicar c veces el i-esimo

rengl6n de A.
(ii) Encuentre el determinante de B po r expansion a lo
! ~]
largo de este i-esimo rengl6n.
41. [ ~ 42. [i : ~] (iii) Obtenga el factor comun c.

(iv) Demuestre que este resultado es c veces el determi-
nante de A.
3.3 Propiedades de los determinantes

Encuentre el determinante de una matriz producto y un multiplo
■ escalar de una matriz.
■
Encuentre el determinante de una matriz inversa y reconozca las con-
diciones equivalentes para una matriz no singular.
■ Encuentre el determinante de la transpuesta de una matriz.
MATRIZ PRODUCTO ESCALARES MULTIPLES

En esta secci6n aprendera algunas propiedades importantes de los determinantes. Empe-
zaremos considerando el determ inante del producto de dos matrices.
EJEMPLO 1 Determinante de una matriz producto
Encuentre !Al, IBI y 1,4B1para las siguentes matrices
A = [~ -;
! 0
~1
I
y B = [~ -
3
~ -~]-
-2
SOLUCION
Utilizando las tecnicas descritas e n las secciones anteriores, usted puede demostrar que IA I
y!Bl tienen los valores
1 -2 2 2 0 1
IAI = 0 3 2 =-7 y IBI = 0 - I -2 = 11.
0 3 -2
La matriz producto AB es
AB = 0
[
I
l - 2
3
0
-I4 -IO.
I - I
l
8 4 1
COM ENTARIO
Aplicando las mismas tecnicas, puede demostrar que 1,48 1 6 - 1 - JO = - 77.
El teorema 3.5 puede exten-
derse para incluir el producto 5 -1
de cualquier numero finito de
matrices. Esto es, En e l ejemplo I , observe que 1,4B1 = IAIIBI, o -77 = (-7)( 11 ). Esto es cierto en general,
IA ,A2A3 . . . Aki como se indica en el siguiente teorema.
= IA, IIA2IIA3I . . . IAi
TEOREMA 3.5 Determinante de una matriz producto
Si A y B son matrices cuadradas de orden n, e ntonces det(AB) = det(A) det(B).
DEMOSTRACION
Para empezar, observe que si E es una matriz elemental, entonces, por el teore ma 3.3 las
siguientes afirmaciones son ciertas. Si E es obtenida a partir de / por intercambio de dos
renglones, e ntonces IEl = - 1. Si E es obtenida por la multiplicaci6n de un reng16n de I por
una constante c diferente de cero, entonces IEI = c. Si E es obtenida por la suma del mul-
tiplo de un rengl6n de / con otro rengl6n de /, entonces IEl = I . Adicionalmente, por el
teorema 2. 12, si E es e l resultado de efectuar una operaci6n elemental con un rengl6n de
I y la misma operaci6n elemental se ej ecuta con un re ngl6n de B, e ntonces resulta la matriz
EB. Asf tenemos que IEBI = IEl IBI.
3.3 Propiedades de los determ inantes 121
Esto puede generalizarse para concluir que JEk . .. E 2E 1BJ = JEkl ... JE 2J JE iJ JBJ, donde E;
es una matriz elemental. Ahora considere la matriz AB. Si A es no singular, entonces, por
el teorema 2.14, puede escribirse como el producto de matrices elementales A = Ek . ..
£ 2 £ 1 y usted puede escribir como
IAB I = IEk · · · E2E1BI

= IEkl. ' . IE2I IE1I IBI = IEk . ' 'E2E,I IBI = IAI IBI,
Si A es singular, entonces es equivalente por renglones a una matriz con un rengl6n entero
formado de ceros. A partir del teorema 3.4, usted puede concluir que JAi = 0. Mas aun,
como A es si ngular, se tiene que AB tambien es singular. (Si AB fuera no singular, entonces
A[B(ABr'l = I implicarfa que A es no singular.) Asf, JA BJ = 0 y puede concluir que JAB
= JA i IBJ.
La relacion entre JA i y JcAJ se muestra en el siguiente teorema.
TEOREMA 3.6 Determinante de un escalar

multiplo de una matriz
Si A es una matriz den X n y c es un escalar, entonces e l determinante de cA esta
dado por
det(cA) = c" det(A).
DEMOSTRACION
Esta f6rmula puede obtenerse por la repetida aplicaci6n de la propiedad 3 de! teorema 3.3.
Factorice el escalar c de los n renglo nes de JcAJ para obtener
JcAJ = c"JAJ.
EJEMPLO 2 Determinante de un escalar multiplo de una matriz
Encuentre el determinante de la matriz
[ 10 -20
A = 30 0 40]
50
- 20 - 30 10
SOLUCION
Como
- 2 I - 2 4
A - 10[ : 0
;] y 3 0 5 = 5,
- 2 -3 - 2 - 3 I
usted puede aplicar el teorema 3.6 para concluir que
I - 2 4
3 5 = 1000(5) = 5000.
IAI = 10 3 0
-2 -3
Los teoremas 3.5 y 3.6 proporcionan formulas para evaluar los determinantes del
producto de dos matrices y un multiplo escalar de una matriz. Sin embargo, estos teoremas
no incluyen la formula para el determinante de la suma de dos matrices. Es importante
observar que la suma de los determinantes de dos matri ces a me nudo no es igual al deter-
*
minante de la suma. En general, esto es JAi + JBI JA + BJ. Por ej emplo, si
A= [62 2]1 y B = [30 - 7]1

entonces JA i = 2 y JBJ = - 3, pero A +B = [~ ~] y IA + Bl = - 18.
DETERMINANTES Y LA INVERSA DE UNA MATRIZ

Usted ya vio en el capftulo 2 que algunas matrices cuadradas no son invertibles. Tambien
resulta diffcil decir simplemente por inspecc i6n si una matri z tiene o no inversa. l Podrfa
decir cual de las siguientes matrices es invertible?
A - [: -~ J o B - [: -~ -:i
El siguiente teorema muestra que los determinantes son utiles para clasificar las matrices
cuadradas invertibles.
TEOREMA 3. 7 Determinante de una matriz invertible

Una matriz cuadrada A es invertible (no singular) si y solo si det(A) =I= 0.
DEMOSTRACION
Para demostrar el teorema en una direcci6n, suponga que A es in vertible . Entonces AA- 1
[ID[g~ □ = I , y por el teorema 3.5 puede escribir !Al W11= I~- Ahora, como I~ = I, usted sabe que
tampoco el determinante de la izquierda es cero. Especfficamente, !Al =I= 0.
@(ill []3[]30 □ Para demostrar el teorema en otra direcci6n, suponga que el determinante de A es
!1YAJ0[g[R!]L[@ diferente de cero. Entonces, aplicando la eliminaci6n de Gauss-Jordan, encuentre una
matri z Ben la forma escalonada-reduc ida por renglones que sea equivalente por renglones
Sea a A. Como B esta en la forma escalonada-reducida por renglones, esta debe ser la matriz
4 identidad o debe contener al menos un rengl6n formado por ceros. Pero si B tiene un ren-
2
1 H gl6n completo de ceros, entonces por el teorema 3.4 usted sabe que !Bl = 0, lo cual puede
implicar que !Al = 0. Debido a que supuso que !Al es diferente de cero, puede concluir que
B = I. A es, por tanto, equivalente por renglones a la matriz identidad y por e l teorema
'u□ Utilice una aplica- 2. 15 usted sabe que A es invertible.
cion grafica O un
programa de com- Clasificaci6n de matrices cuadradas
putadora para
EJEMPLO 3
como singulares o no singulares
encontrar A- 1 .
lCual de las siguientes matrices tiene inversa?
~□ Compare det(A- 1 )
con det(A)
©□ Haga una conjetura

a.
[:
-2
2
2
-:i
- I
b.
[;
2
-2
2
-:i
sobre el determi- SOLUCION
nante de la inve rsa 0 2 -I
de una matriz.
a. 3 -2 I =O
3 2 - I
puede concluir que esta matriz no tiene inversa (es singular).
0 2 - I
b. 3 -2 I = - 12 *0
3 2
puede concluir que esta matriz tiene una inversa (es no singular).
En el terorema siguiente se brinda una forma practica de hallar el determinante de la

inversa de una matriz.
TEOREMA 3.8 Determinante de la inversa de una matriz

l
Si A es una matriz n X n invertible, entonces det(A- 1) = --
( -).
det A
3.3 Propiedades de los determ inantes 123
DEMOSTRACION
Debido a que A es invertible, AA- 1 = I, y usted puede aplicar el teorema 3.5 para concluir
que !Al 1,4- 11= Ji [ = l. Como A es invertible, tambien sabe que 1,4[ -:f- 0 y puede dividir cada
lado entre [A[ para obtener
IA-'I =w-
I EJEMPLO 4 Determinante de la inversa de una matriz
Encuentre 1,4-11 para la matriz

COM ENTARIO
En el ejemplo 4, la inversa de A 0
es - I
SOLUCION
Una manera de resolver este problema es encontrar A- 1 y despues evaJuar su determinante.
Sin embargo, es mas facil aplicar el teorema 3.8 como sigue. Encuentre el determinante de A,
lntente evaluar el determinante I 0 3
de esta matriz directamente.
Despues com pare su respuesta IAI = 0 -I 2 =4
con la obtenida en el ejemplo 4. 2 I 0
.....___ _[> y luego aplique la f6rmula 1,4- 11= 111,4[ para concluir que W1 =
J ¼-
Observe que el teore ma 3.7 proporciona otra condici6 n de equivalencia que puede ser
agregada a la lista de! teorema 2.15. Las seis condiciones se resumen a continuaci6n.
COM ENTARIO
En la secci6n 3.2 usted vio que Condiciones de equivalencia para una matriz no singular
una matriz cuadrada A puede
tener un determinante cero si Si A es una matriz de n X n, entonces las siguientes afirmaciones son equivalentes.
es equivalente por renglones a 1. A es invertible.
una matriz que por lo menos
tenga un region que conste
2. Ax = b tiene una unica soluci6 n para toda matri z columna b den X l.
completamente de ceros. La 3. Ax = 0 tiene s61o la soluci6 n trivial.
validez de esta afirmaci6n surge 4. A es equivalente por renglones a l w
a partir de la equivalencia de 5. A puede ser escrita como el producto de dos matrices elementales.
las propiedades 4 y 6. 6. det(A) -:f- 0.
EJEMPLO 5 Sistemas de ecuaciones lineales
l Cua.l de los siguientes sistemas tiene una unica soluci6n?

a. 2x 2 - x3 = -1 b. 2x2 - X3 = -1
3x 1 - 2x2 + X3 = 4 3X 1 - + X3 =
2x 2 4
3x I + 2x2 - X3 = -4 3x 1 + 2x 2 + x 3 = - 4
SOLUCION
Del ejemplo 3, usted sabe que las matrices de coeficientes para estos dos siste mas de
ecuaciones tienen los siguientes determinantes.
0 2 -I 0 2 - I
a. 3 -2 I =0 b. 3 -2 = - 12
3 2 - I 3 2
Utilizando la lista de condiciones de equivalencia anteri or, puede concluir que solo el
segundo sistema tiene una unica soluci6n.
DETERMINANTES Y LA TRANSPUESTA DE UNA MATRIZ

El siguiente teorema nos dice que el determinante de la transpuesta de una matriz cuadrada
es igual al determinante de la matriz origi nal. Este teorema se puede demostrar utilizando
inducci6n matematica y el teorema 3. 1, el cual establece que un determinante puede eva-
luarse aplicando expansion por cofactores a lo largo de un reng16n o de una columna. Los
detalles de esta demostraci6n se le dejan a usted. (Vease el ejercicio 64.)
TEOREMA 3.9 Determinante de una transpuesta

Si A es una matriz cuadrada de orden n X n, entonces
dct (A) = det(AT) .
EJEMPLO 6 Determinante de una transpuesta
Dem uestre que !Al = IA Tl para la siguiente matriz.
A = [
-4
~ - ~1 -~i
5
SOLUCION
Para encontrar el determinante de A, ex panda por cofactores a lo largo del segundo rengl6n
para obtener
IAl =2(- 1)31_: - ;1

= (2)(- 1)(3)
= - 6.
Para encontrar el determinante de
expanda por cofactores bajo la segunda columna para obtener
IATI = 2(- 1)31-~ - ~I

= (2)(- 1)(3)
= - 6.
Entonces IAI = IA Tl·
ALGEBRA Los sistemas de ecuacio nes diferenciales lineales se presentan a

menudo en ingenieria y teoria de contro l. Para una funcion f(t) que
LINEAL esta definida por todos los valores positivos de t, la transformada de
APLICADA Laplace de f(t) esta dada por
F(s) = J=e-
0
51
f (t)dt.
Las transformadas de Laplace y la Reg la de Cramer, que utiliza deter-

minantes para resolver un sistema de ecuaciones lineales, pueden
usarse a menudo para reso lver un sist ema de ecuaciones diferencia-
les. Usted estudiara la Regla de Cramer en la siguiente seccion.
William Perug,m/Shutterstock com

3.3 Ejercicios 125
I
3 .3 Ejercicios Consulte www.CalcChat.com para las soluciones de los eierc1cios nones.
El determinante de una matriz producto En los ejerci-

cios 1 a 6, encuentre (a) JAi, (b) IBI, (c) AB y (d) JABI. Luego
verifique que JAi IBJ = JABI.
15. A -H 0
2
l
!,
']
B = ~
[- I
0
l
l
1. A=
2. A=[~
[ -2
4
-~l
:J B =
B = [~:]
[-) ~]
3
-
16. A -[! -1
na-[~
Clasificaci6n de matrices como singulares o no singu-
3. A= [-' ~
2
0
n B = [-' ~
0
2
0 ~] lares En los ejercicios 17 a 24, use un determinante para
decidir que matriz es singular o no singular.
[1~ :] [! -~]
~]
- I 17. 18.
n
0
4.A -[! - ) I
[i _; !]
B - [~ 14 5
I -2
19. 0
2 0 I 0 -I [ -~ 20.
-5
5. A=
2
3
-1
3
2
2
0
I
3
4
~ls-[~ 2
0
-]
I
2
0
0
22. r_: =: :]
I - I 2
6. A =
4
0
- 1
0
1
2 -1
3
Il 23. [
1
~
0
8
0
-8
-1
0
24.
0.8 0.2 -0.6 0.1]
-1.2 0.6 0.6
[ 0.7 -0.3 0.1
0
0
B=
I
0
- 1
0
0
I 2
2
0
-I] 0 0
El determinante de la inversa de una matriz En los
ejercicios 25 a 30, encuentre JA-'1
0.2 - 0.3 0.6
- Comience hallando A- 1 y
0
despues evalue su determinante. Yerifique su res ultado

El determinante de un multiplo escalardeuna matriz En encontrando IAI y Iuego aplicando la formula de! teorema 3.8,
los ejercicios 7 a 12, use el hecho de que JcAI = c"JAI para l
evaluar el determinante de una matriz de n X n. IA- 1 = T,TT·
1
7. A= [ 6
4
-~J S A
.
=[ 5 15]
10 -20 25. A = [~ !] 26. A = [~ -~]
9. A =
[-3~
6
9
12
,~] lo.A -[,~ -!]
15 16
16
-8
20
27. A -[~ -)
-2
0
~]
11. A -H - 4
-8
6 -:] 10
12. A = [40
30
15
25
5
35
10]
20
45
28. A - [~ -1
-2
0
~]
0 - ]
El determinante de una suma matricial En los ejerci-
cios 13 a 16, encuentre (a) JAi, (b) IBI, (c) JA + BJ
verifique que JAi + J
BJ JA + BJ. *
. Luego
29. A-[~ 0
0
3
2
-!]
-1
13. A = [-1 ~],

2
B =[ l
-2
- ~] -3
1
l
0
2
14. A = [~ -2]
o' B = [~ -~] ~-A -[;
- 2
-2
0
- 3
-4
2
-~]
Sistema de ecuaciones lineales En los ejercicios 3 1 a 2

3
36, use el determinante de la matriz de coeficientes para
determinar que sisterna de ecuacio nes lineales tiene una
unica soluc i6n.
48. A=U l
3
x 1 -3x 2 =2 =2
r~
31. 32. 3x 1 - 4x 2 -2
2.x , + X 2 = J fx, - ~2 = 1 8
33. XI - X2 + X3 = 4
Q 49. A = 8
3
2x l - X2 + X 3 = 6
3x 1 - 2.x 2 + 2.x 3 = 0 5
34. XI
2x 1
+
-
X2 - X3 = 4
x 2 + x 3 =6 Q 5o. A=[-! 4
I
3x 1 - 2x 2 + 2.x 3 =0 2
G 35. 2x 1 + x 2 + 5x 3 + x 4 = 5 51. Sean A y B matrices cuadradas de orden 4 tales que IAI
x 1 + x 2 -3x 3 -4x 4 = - I B21, (c) 1,4 31y (d)
= - 5 y IBI = 3. Encuentre (a) IA\ (b) 1
2x 1 + 2x 2 + 2x 3 -3x 4 = 2 IB\
x 1 + 5x 2 - 6x 3
e 36. XI - X2 - X3 -
3
X4 =0 k> 52. OOrnGYXJ£'iJ'rn Sean A y B matrices cuadradas
de orden 3 tales que !Al = 4 y IBI = 5.
x 1 + x 2 -x 3 -x 4 =0
x 1 + x 2 +x 3 -x 4 = 0 (a) Encuentre 1,4B1.
XI + X z + x 3 + X 4 = 6 (b) Encuentre 12AI.
(c) lA y B son singulares o no singulares? Explique.
Encontrar determinantes En los ejercicios 37 a 44,
encuentre (a) JATI, (b) JA 21
, (c) JAATI, (d) 12AI y (e) 1,4- 11. (d) Si A y B son no singulares, encuentre 1,4-11y JB- 1J.
(e) Encuentre l(ABfl-
37. A= [ 6 -ll]
4 - 5
38. A= [ - 4
5
1~]
39. A = [! 0
-3
- I ~] 40. A = [~
5
-6
0 J
Matrices Singulares En los ejercicios 53 a 56, encuentre
e l valor(es) de k tal queA sea singular.
53. A = [k- 2l k _
3]
2
54. A =
[k - l
2 k + ~]
~
-! ~] H
0 l
41. A = [~ -1 ;]
2
42. A= [ -
-3
0
3
-~] 55. A=[~ 56. A =
k
0
r~
0 0 0
-3 0 0 57. Prueba Sean A y B matrices den X n tales que A B =
43. A = 0 4 0 /. Demuestre que !Al 0 y J
BI 0. * *
0 0 58. Prueba Sean A y B matrices den X n tales que AB es
~ r~
0 0 1 singular. Demuestre que cualquiera de las dos A o B
-3 0 0 es singular.
A = 0 4 0 59. Encuentre dos matrices de 2 X 2 tales que
0 0 IAI + JBI = IA + BJ.
60. Verifique la ecuaci6n.
Encontrar determinantes En los ejercicios 45 a 50, uti-
lice una aplicaci6n grafica o un programa de computadora a+ b a a
con capacidades matriciales para encontrar (a) !Al, (b) IA\ (c) a a + b a = b 2 (3a + b)
1,4 21,(d) J2AI Y (e) 1,4-'I· a a a+b
~
-2 61. Sea A una matriz de n X II en la que los elementos de
45. A= [ _ ~] 46. A= [
6 cada rengl6n suman mas de cero. Encuentre IAl-
~
62. Ilustre el resultado del ejercicio 6 1 con la matri z
=[ -
=H:l -n
41. A 1
-3
A
3.3 Ejercicios 127
63. Demostraci6n guiada Demuestre que el de tenni- 66. (a) En general, el detenninante de la suma de dos matrices
nante de una matriz invertible A es igual a ±1 si todos los es igual a la suma de sus determinantes.
e lementos de A y A- 1 son enteros. (b) (b) Si A y B son matrices cuadradas de orden n, y
Inicio: denote det(A) con x y det(A- 1) cony. Observe que det(A) = det(B), entonces det(AB) = det(A 2).
x e y son numeros reales. Para demo trar que det(A) es (c) Si el determinante de una matriz A de n X n es dife-
igual a :±: 1, debe demostrar que x e y son enteros tales rente de cero, entonces Ax = 0 tiene solo la soluci6n
que su producto xy es igual a I. trivial.
(i) Utilice la propiedad del determinante de una matriz
producto para demostrar que xy = I . 67. Escriba Sean A y P matrices de n X n, donde P es
(ii) Use la definici6n de determinante y el hecho de que invertible. i,ES posible que p- 1AP = A? Ilustre su con-
los ele mentos de A y A- 1 son e nteros para demostrar clusion con ejemplos apropiados. l,Que puede decir
que x = det(A) y y = det(A- 1) son enteros. sobre los dos determinantes IP- 1AP1y !Al?
(iii) Concluya que x = det(A) debe ser 1 o - 1 debido a 68. Escriba Sea A una matriz de n X n diferente de cero
que estas son las unicas soluciones enteras para la que satisface A 10 = 0. Explique por que A debe ser sin-
ecuaci6n xy = I . gular. l,Que propiedades de los determinantes utilizarfa
64. Demostraci6n guiada Demuest:re el teorema 3.9: si en sus argumentos?
A es una matriz cuadrada de orden n X n, entonces 69. Prueba Una ma tri z cuadrada es Hamada cuasi-sime-
det(A) = det(AT). trica si AT= - A. Demuestre que si A es una matriz cuasi-
Inicio: para demostrar que los determinantes de A y AT simetrica de n X n, e ntonces IAI = (- l )"IAI.
son iguales, usted necesita demostrar que sus expansio- 70. Prueba Sea A una matriz cuasi-sime trica de orden
nes por cofactores son iguales. Debido a que los cofac- impar. Utilice el resultado del ejercicio 69 para demos-
tores son detenninantes :±: de matrices pequeiias, es trar que !Al = 0.
necesario utilizar la inducci6n matematica.
Matrices ortogonales En los ejercicios 7 1 a 76, deter-
(i) Paso iniciaJ para la inducci6n: si A es de orden 1,
mine que matriz es ortogonal. Una matriz cuadrada invertible
entonces A = [a 1 i] =AT'
A es llamada ortogonal s i A- 1 = Ar_
asf
det(A) = det(AT) = a 11 •
(ii) Considere la hip6tesis inductiva sostenida para todas
71. [~ ~] 72.
[: ~]
[_: -I]
las matrices de orden n - I. Sea A una matriz cua-
drada de orden n. Escriba una expresi6n para el 73. 74. [ I / fi -1 /fi l
determinante de A por expansion del primer rengl6n.
- I - 1/fi - 1/ fi
(iii) E criba una expresi6n para el determinante de AT 0
[1/J2 I -t/J2] O
por expansion de la primera columna.
(iv) Compare las expansiones en (ii) y (iii). Los elemen-
tos del primer rengl6n de A son los mismos que los
75.
[~ 0
!] 76.
1/ fi
0
0 I/ fi
0
elementos de la primera columna de Ar_ Compare 77. Prueba Demuestre que si A es una matriz ortogonal,
cofactores (estos son los determinantes ± de matri- entonces IA I = :±: I.
ces mas pequeiias que son las transpuestas de otras)
y utilice la hip6tesis inductiva para concluir que Matrices ortogonales En los ejercicios 78 y 79, utilice
estos tambien son iguales. una aplicaci6n grafica con capacidades matriciales para
determinar cual A es ortogonal. Para probar la ortogonalidad,
lVerdadero o falso? En los ejercicios 65 y 66, determine
encuentre (a) A- 1, (b) AT (c) !Al y verifique que A- 1 = AT y !Al
es verdadera, proporcione una raz6n o cite una expresi6n
= ± I.
adecuada del texto. Si la expresi6n es falsa, proporcione un 2
0 3
ejemplo que muestre que la expresi6n no es cierta e n todos
78. 79. A = :
los casos o cite del texto una expresi6n adecuada. [
65. (a) Si A es una matriz den X n y c es un escalar dife- 0
rente de cero, e ntonces el determinante de la matriz
cA esta dado por nc · det(A). 80. Prueba Si A es una matriz idempotente (A2 = A),
( b) Si A es una matriz invertible, entonces el determi- entonces demuestre que el determina nte de A puede ser
0 0 l.
nante de A- 1 es igual al recfproco del detenninante
de A. 81. Prueba Sea S una matriz singular de n X n. Demues-
(c) Si A es una matriz invertible de n x n, entonces tre que para cualq uie r matriz B de n X n , la matriz SB
Ax = b tiene una un ica soluci6n para cada b. tambien es singular.
3.4 Aplicaciones de los determinantes

Encuentre la adjunta de una matriz y usela para encontrar la inversa
■ de la matriz.
■
Use Regla de Cramer para resolver un sistema de ecuaciones lineales
en variables.
■
Use determinantes para encontrar area, volumen y las ecuaciones de
las rectas y pianos.
ADJUNTA DE UNA MATRIZ

Hasta ahora, en este capftulo ha estudiado procedimientos para evaluar -y las propieda-
des de- detenninantes. En esta secci6n aprendera una formula explfc ita para obtener la
inversa de una mat:riz no singular y luego la usara para deducir un teorema conocido como
regla de Crame r. Despues resolvera algunas aplicaciones de los determinantes con ella.
Recuerde de la secci6n 3.1 que el cofactor Cu de la matriz A esta definido como (-l )i+i
veces el determinante de la matri z obtenida al suprimir el i-esimo rengl6n y la j -esima
columna de A . Si A es una matriz cuadrada, entonces la matriz de cofactores de A tiene
la fonna
c,,,1
C2,,
C,,z
c;,, .
La transpuesta de esta matriz se llama adjunta de A y se denota como adj(A), es decir
c,,,
adj(A)
re,,
= C; 2
C21
C22 C"2
c,,, Cz,, c,,"
Determinaci6n de la adjunta
EJEMPLO 1 de una matriz cuadrada
- 1 3
Encuentre la adjunta de A =
[
~ -2
0 -2 ~i-
SOLUCION
El cofactor C 11 esta dado por
-2
Cl I = (- J)2
1
Q I
-2
I = 4.
Continuando con este proceso, tenemos la siguiente matriz de cofactores de A.
[~ i il .!
n
6
La trnnspuesta de esta matriz es la adjunta de A. Esto es, adj(A) - [ 0
3
3.4 A p licaciones de las determ ina ntes 129
La adjunta de la matriz A puede utilizarse para encontrar la inversa de A, como se

indica en el siguiente teorema.
COM ENTARIO
El teorema 3.10 no es particular- TEOREMA 3.10 lnversa de una matriz dada por su adjunta
mente eficiente para calcular
inversas. El metodo de Gauss- 1
l
Si A es una matriz invertible de n X n, ento nces A- = det(A) adj(A) . Donde adj(A)
Jordan estudiado en la seccion
2.3 es mucho mejor. El teorema es la transpuesta de la matriz de cofactores
3.10 es, sin embargo, muy utili-
zado teoricamente debido a que
DEMOSTRACION
proporciona una formula concisa
para la inversa de una matriz. Comience por probar que el producto de A y su adjunta es igua l al producto del determi-
nante de A e /,,. Considere el producto
- - -t> all a.I 2 a1,,
G.i1 G.i2 G.i,, C11 C21 Cj l C,,1
C12 C22 cf2 C,,2
A[adj(A)] =
ail ai2 a;,,
C 1,, C2,, C j,, Cm,
a,,1 a.,,2 a,,,,
COM ENTARIO El elemento en el i-esimo rengl6n y la j-esima columna de este producto es

Si A es una matriz de 2 x 2,
a;1Cj 1 + a;2Cj 2 + ... + a;11Cj11·
A = [: !], entonces la
Si i = j, entonces la suma es simplemente la expansion po r cofactores de A a lo largo de
adjunta de A es simplemente su i-esimo rengl6n, lo que significa que la suma es el determinante de A. Por otra parte, si
i -::/= j, entonces la suma es cero.
adj(A) =[
-c
d -b
a
].
~
det(A ) 0 · · ·
Mas aun, si A es invertible, A[adj(A)] = ~ det{A) . . . ] = det(A)/
entonces, por el teorema 3.10 se
tiene [
0 0 det(A)
1
A- 1 =- adj(A) Como A es invertible, det(A) -::/= 0 y usted puede escribir
IAI
1 [d-ba]
= ad-be -c
detl(A) A[adj(A)] =I o A[detl(A) adj(A)] = /.
lo que concuerda con el resul- Por e l Teore ma 2.7 y la definici6n de la inversa de una matriz, se sigue que
tado en la seccion 2.3.
Uso de la adjunta de una matriz

I EJEMPLO 2 para hallar su inversa
-1 3
Use la adjunta para hallar A- 1, donde A =
[
~ -2
0
~i-
- 2
SOLUCION
El determinante de esta matriz es 3. Utilizando la adjunta de A (encontrada en el ejemplo
1), puede encontrar que la inversa de A es
6 2
0
3 Il= [l 0
)l
Puede verificar que esta matriz es la inversa de A al multiplicar para obtener AA- 1 =I=
A - 1A.
130 Capitu lo 3 Determ inantes
REGLA DE CRAMER
La regla de Cramer, nombrada asf en honor de Gabriel Cramer ( 1704- 1752), es una for-
mula que uti liza determinantes para resolver un sistema de n ecuaciones lineales con n
variables. Esta regla solo puede ser aplicada a sistemas de ecuaciones lineales que tienen
una uni ca solucio n. Para ver como funciona la regla de Cramer, de otro vistazo a la solu-
cion descrita al principio de la seccio n 3.1. Ahf se muestra que el sistema.
a1 1X 1 + 0 1:r2 = h1
0 2 1X I + ~'.r2 = b2
tiene la solucion
h1°22 - b 2° 12
xi= y
a11°22 - 0 2 1a12
cuando 0 11 0 22 *
a 2 ibi 2 *
0. Cada numerador y denominador en esta solucion se puede
representar como un determinante, como s igue
lbl 01 21 1a1 1 1
b 1
b2 0 22 a 21 b2
X I = X2 = 0 11°22 - ~1012 i= 0
101 1 0121' 10 11 012 1·
0 21 0 22 021 0 22
El denominador para xi y x 2 es simplemente el determinante de la matriz de coeficientes

A. Los numeradores para Xi y x 2 se Forman al usar la columna de constantes como rempla-
zos para los coeficientes de x 1 y x 2 en JAi- Estos dos detem1inantes son denotados por IA d
y 1,4 21 como sigue.
IA1I = 1:: 0 12 1
0 22
y
Usted tiene x 1 = jAIAill y x 2 = IAIA2 1_Esta forma de solucion por determinante se llama regla
de Cramer. 1
. EJEMPLO 3
I
Uso de la regla de Cramer
Utilice la Regla de Cramer para resolver el sistem a lineal de ecuaciones.

4x 1 - 2x 2 = IO
3x 1 - 5x 2 = 11
SOLUCION
Primero encuen tre el determinante de la matriz de coeficientes.
-21
- 5
= - 14
Como !Al *
0, usted sabe que el sistema tiene una unica solucion y aplicando la regla de
Cramer obtiene
10 -21
X = IA I I = 111 - 5 = -28 = 2
1
IAI - 14 - 14
y
4 101
IA2I 13 11
X =--=---=--=
14 - l
2
IA I - 14 - 14 .
La solucion es x 1 = 2 y x 2 = - 1.
3.4 A p licaciones de las determ ina ntes 131
La regla de Cramer se generali za facilmente a sistemas de n ecuaciones lineales con n

variables. El valor de cada variable es el cociente de dos determinantes. El denominador es
el determinante de la matriz de coeficientes y el numerador es el determinante de la matriz
formada a partir de! reemplazo de la columna correspondiente a la variable resuelta por la
columna que representa las constantes. Por ejemplo, la soluci6n para x 3 en el sistema
a 11 a 12 b1
l½ , l½2 bz
ll11X1 + a,r2 + G13X3 = b,
£½,X I + l½r2 + 0 2~ 3 = b 2
a3,x , + G3r 2 + G33X3 = b3
es X3 - w-
_ IA3I _ _G~3~' - G~3~
011
2 __
C/12
b3~
C/ 13
C/21 ° 22 £½3
C/3 I C/32 C/33
TEOREMA 3.11 Regla de Cramer

Si un s iste ma den ecuacio nes lineales con n variables tiene una matriz de coefic ien-
tes con un detenninante JAi diferente de cero, entonces la soluci6n unica de! sistema
esta dada por
1det(A ) det(A?) det(A,,)
X =--- X = - --- X =---
I det(A) ' 2 det(A) ' " det(A)
donde la i-esima columna de A ; corresponde a la columna de constantes en el sistema
de ecuaciones.
DEMOSTRACION
Sea el sistema represe ntado por AX = 8 . Como !Al es di ferente de cero, puede escribir
x,
I
= A - 18 = IA! adj (A )B = :2
X
X .
rx ,, l
Si los elementos de B son bi, b 2, . . . , b,,, ento nces x; = IAl(b,Cli + b2 C2 ; +· · ·+bC 11 11 ) ,
pero la suma (en el parentesis) es precisamente la expansi6 n del cofactor de A ;, lo que
significa que X; = l ~ ;II y la demostraci6n esta completa.
EJEMPLO 4 Uso de la regla de Cramer
Uti lice la regla de Cramer para reso lver el sistema de ecuaciones lineales para x.
-x + 2y - 3z =I
2x + z=0
3x - 4y + 4z = 2
SOLUCION
-1 2 - 3
El determ inante de la matriz de coeficientes es IA I = 2 0 l = 10.
3 - 4 4
COM ENTARIO Co mo !Al -:/= 0, usted sabe que la soluci6n es unica y la regla de Cramer puede aplicarse
lntente aplicar la regl a de Cra- para encontrar x, como sig ue.
mer en el ej emplo 4 para reso l- I 2 -3
ve r para y y z. Vera que la solu-
0 0 I
-!I
., 3
c,o n es y = - 2 y z = - 85.
(1)( -1 )5,~
.....___ _____,[> x=
2 - 4 4
= =
(1)(- 1)(- 8) 4
=-
10 10 10 5
AREA, VOLUMEN Y ECUACIONES DE LINEAS Y PLANOS

Los determinantes tiene muchas aplicaciones en geometrfa analftica; alg unas se presentan
aquf. La primera aplicaci6 n es encontrar e l area de un triang ulo en el piano x-y.
Area de un triangulo en el piano x-y

El area de un triang ulo cuyos vertices son
(xi,Yi), (x2, Y2) Y (x3,Y3)

esta dada por
:l
Yi
,
Area
I
= ± 2 det [x
x 2' Y2
X3 YJ
do nde el signo (::!::) es elegido para generar un area positi va.
DEMOSTRACION
y Pruebe el caso para Y; > 0. Suponga que x 1 :5 x 3 :5 x 2 y que (x3 , y 3 ) descansa sobre el
segmento de recta que une los puntos (xi, y 1) y (x 2, y 2 ) como se muestra en la figura 3. 1.
Considere los tres trapezoides cuyos vertices son
Trapezoide I : (x 1, 0), (x 1, y 1), (x 3, y 3), (x 3, 0)
Trapezoide 2: (x 3, 0), (x 3 , y 3 ), (x 2 , y 2), (x 2, 0)
Trapezoide 3: (xi, 0), (x i, Yi), (x 2, y 2), (x 2, 0).
El area del triangulo es igual a la suma de las areas de los dos primeros trapezoides menos
el area de! tercero. Asf
-+---- - ----- --,.___.. X Area= ½(Yi + Y3)(x3 - Xi)+ ½(y3 + Y2)(x2 - x3) - ½(Y1 + Y2)(x2 - Xi)
= ½(x 1Y2 + X2Y3 + X3Y1 - X1Y3 - X2Y 1 - X3Y2)
Figura 3.1
Xi Yt I
= ½X2 h
X3 )'3
Si los vertices no ocurren en el orden x 1 :5 x 3 :5 x 2 o si el ve1tice (x3, y 3) no esta sobre el

segmento de recta que conecta los otros dos vertices, entonces la f6nnula puede generar
un valor negative del area.
EJEMPLO 5 Area de un triangulo
Encuentre el area del triangulo cuyos vertices son

(l, 0), (2, 2) y (4, 3).
SOLUCION
No es necesario saber la posici6n relati va de los tres vertices, simplemente evalue el deter-
minante
0
3
½2 2 - 2
4 3
y concluya que el area del triangulo es 3/2 unidades cuadradas.

3.4 Aplicaciones de las determinantes 133
)'
Supo nga que los tres puntos del ejemplo 5 estan en la misma recta. l,Que sucederfa si
aplica la f6rmula del area a los tres puntos? La respuesta es que el deterrninante tendrfa
que ser cero. Considere, por ejemplo, los puntos colineales (0, I), (2, 2) y (4, 3) mostrados
en la figura 3.2. El deterrninante que genera el area del triangulo que tiene estos tres p un-
tos como vertices es
I
2 = 0.
-+--t----+---+--t---- X 3
2 3 4
Figura 3.2 Si tres puntos en el piano de xy yacen en la rnisma recta, entonces el deterrninante en la
f6rmula para el area del triang ulo sera cero. Este resultado se generaliza en el sig uiente
analisis.
Analisis de puntos colineales en el piano de xy

T res puntos (xi, y 1), (x2 , y 2) y (x3, y 3) son colineales si y s6lo si
La prueba para puntos colineales puede adaptarse para otro uso. Es decir, cuando se
tienen dos puntos en el piano de xy, usted puede encontrar una ecuaci6n de la recta que
pasa por los dos puntos, como sigue.
Forma de dos puntos de la ecuaci6n de una recta

La ecuaci6n de la recta que pasa por puntos distintos (x 1, y 1), (x2, y 2 ) esta dada por
Busqueda de una ecuaci6n de la recta

EJEMPLO 6 que pasa por dos puntos
Encuentre la ecuac i6n de la recta que pasa por los puntos
(2,4) y (- 1,3).
SOLUCION
Sean (xi, y 1) = (2, 4) y (x2 , y 2 ) = (- 1, 3). Aplicando la f6rmula del determinante para la
ecuaci6n de la recta que pasa por dos puntos, tenemos
X y
2 4 = 0.
- 1 3
Para evaluar este detenninante, expanda por cofactores a lo largo de! reng l6n superior para
obtener
11
I
+ 11 - 2
I
413 = 0
x( I ) - y(3) + 1( 10) = 0
X - 3y + 10 = 0
La ecuaci6n de la recta es x - 3y = -10.

La formula para el area de un triangulo en el piano tiene una generalizacion directa

para el espacio en tres dimens iones, la cual se presenta s in demostracion como sigue.
Volumen de un tetraedro
El volumen de un tetraedro cuyos vertices son (x 1, Yi, z1), (x2, y 2 , z2), (x3 , y3, Z3) y
(x4, y4, 24) esta dado por
;1
do nde el signo (±) se elige para tener un volumen positivo.
EJEMPLO 7 Volumen de un tetraedro
Encuentre el volumen del tetraedro cuyos vertices son (0, 4, I), (4, 0, 0), (3, 5, 2) y (2, 2,
5), como se muestra en la figura 3.3.
(4, 0, 0)
5 y
X
I
X
Figura 3.3
SOLUCION
Aplicando la formula de ) determinante para un volumen tenemos
4 l
0 0
= k(-n) = - 12.
5 2
2 5
El volumen del tetraedro es 12 unidades cuadradas.
Si cuatro puntos en un espacio de tres dimensiones yacen en el mismo piano, entonces

el determinante en la formula del volumen se vuelve cero. Asf, usted tiene el analisis
siguiente.
Analisis para puntos coplanares en el espacio

Cuatro puntos (x 1, y 1, z 1), (x2 , y 2, z2), (x3 , y 3, z3) y (x4 , y 4 , 24) son coplanares si y solo
si
rx,
det x
X3
X4
2
Yi
Y2
Y3
Y4
Z1
Z2
Z3
Z4
}o
3.4 A p licaciones de las determ ina ntes 13 5
Este analisis proporciona la forma de un determinante para la ecuaci6n de un piano que

pasa por tres puntos en el espacio, como se muestra a continuaci6n.
Forma de tres puntos de la ecuaci6n de un piano

Una ecuaci6n de un piano que pasa por tres puntos (xi, y 1, z 1), (x2, y 2, z2) y (x3, y3,
z3) esta dada por
X y z
XI Y1 Z1
<let
X2 Yi Z2 ~] = 0
X3 Y3 Z3
Busqueda de la ecuaci6n del piano

EJEMPLO 8 que pasa por tres puntos
Encuentre la ecuaci6n de! piano que pasa por tres puntos (0, L, 0), (- 1, 3, 2) y (-2, 0, I).
SOLUCION
Usando la forma de! determinante de un piano que pasa a traves de tres puntos, tenemos
X y z
0 I 0
= o.
- 1 3 2
-2 0
Para evaluar este determinante, reste la cuarta columna de la segunda para obtener
X y- 1 z
0 0 0
= 0.
- 1 2 2
-2 - 1
Ahora, expandiendo por cofactores a lo largo de] segundo rengl6n resulta
xi- ~ ~I- l)I=~ ~I +zl=~ -~I=

(y-
x(4) - (y - I)(3) + z(S) = 0.
0
lo que genera la ecuaci6n 4x - 3y + Sz = -3.
ALGEBRA De acuerdo con la Primera Ley de Kepler del Movimiento Planetario,

las 6rbitas de los planetas son elipses, con el sol como uno de los
LINEAL focos de la elipse. La ecuaci6n general de una secci6n c6nica (como
APLICADA una elipse) es
ax2 + bxy + cy2 + dx + ey + f = 0.

Para determinar la ecuaci6n de la 6rbita de una planeta, un astr6nomo
puede encontrar las coordinadas del planeta junto con su 6rbita en
cinco pu ntos diferentes (x;, y;), donde i = 1, 2, 3, 4 y 5, y entonces usar
el determinante
x2 xy y2 X y
x21 x,y, Yi x, Y,
x22 X2Y2 y~ X2 Y2
x23 X3Y3 Yi X3 Y3
x24 X4Y4 y~ X4 Y4
x25 X5X5 y~ X5 Ys
Ralf Juergen KrafVShunerstock oom
3 .4 Ejercicios Consulte www.CalcChat.com para las soluc1ones de los ejerc1c1os nones.
Encontrar la adjunta e inversa de una matriz En los 21. 20x 1 + 8x 2 = 11 22. l 3x 1 - 6x 2 = 17

ejercicios 1 a 8, encuentre la adjunta de la matriz A. Despues 12x 1 - 24x2 = 21 26x 1 - 12x 2 = 8
usela para encontrar la inversa de A , si es posible.
23. - 0.4x 1 + 0.8x 2 = 1.6 24. -0.4x 1 + 0.8x 2 = l.6
1. A = [~ !] 2. A = [ - ~ ~] 2x 1 - 4x 2 =5.0 0.2x I + 0.3X2 = 0.6
25. 4x I - X2 - X3 = 1
3. A - [~ _L j] 4.A - [~ l -!] 2x 1
5x 1
+
-
2x 2
2x 2
+
-
3x 3
2x 3
=
=-
10
I
5. A = [ - ~
0
- :
I
- ;]
- I
6. A = [ ~
- I
2
- 1 -2
~i 26. 4x 1
2x 1
8x 1
27. 3x 1
-
+
-
+
2x 2
2x 2
5x 2
4x 2
+ 3x 3 = -2
+ 5x 3 = 16
- 21'. =
3
+ 4x 3 = 11
4
~~1
4x 1 - 4x 2 + 6x 3 = 11
7. A = -I ~ _201 ~l 6x 1 - 6x 2 = 3
[ 28. 14x 1 - 21x 2 - 7x 3 = -21
- 1 -4xl+ 2x2-2x3 = 2
I 0 56x 1 - 2lx 2 + 7x 3 = 7
I 0 29. 4X I - x 2 + X 3 = -5
8• A=[:1 0 2x I + 2x 2 + 3x 3 = lQ
0 5x 1 - 2x 2 + 6x 3 = I
9. Prueba Demuestre que si !Al = I y todos los elemen- 30. 2x 1 + 3x 2 + 5x 3 = 4
tos de A son enteros, entonces todos los elementos de 3x 1 + 5x 2 + 9x 3 = 7
1,4- 11tambiendebenserenteros. 5x 1 + 9x 2 + 17x 3 = 13
10. Prueba Demuestre que si una matriz A de n X n no es . . .
invertible entonces A[adj(A)] es la matriz cero. Uso de la Regla de Cramer En los eJerc1c10s 3 1 a 34,
' I!'\ utilice una aplicacion grafica o un programa de computadora
Demostraci6n ~n los eje~cicios 11 y 12, demuestre la for- '=# con capacidades matriciales y la regla de Cramer para resol-
mula para una matn z A no s mgular den X n. Suponga n 2= 2. ver para x,, si es posible.
11. ladJ.(A)I = IAl" - 1 12. adJ°[adJ.(A)] = IAl11 - 2A s
31. ~ I - x 2 = -20
13. Ilustre la formula proporcionada en el ejerc icio 11 para 1x - r2 = -51 ±r
la matriz 3 I
32. -8x 1 + 7x 2 - 10x 3 = - 151
A=[: l 2x 1 + 3x 2 - 5x = 86 3
14. Tiustre la formula proporcionada en el ejercicio 12 para I 5x 1 - 9x 2 + 2x 3 = 187

la matriz 33. 3x 1 - 2x 2 + 9x 3 + 4x4 = 35
-I
A= [ -x 1 - 9x 3 - 6x 4 = - 17
I
15. Prueba De muestre que si A es una matriz invertible de
3x3 + X4 = 5
n X n, entonces adj(A- 1)[adj(A)r 1• 2x 1 +2x 2 + 8x4 = -4
16. llustre la formula proporcionada en e l ejerc icio 15 para 34. -x 1 + x4 = - 8
X2
la matriz 3x 1 +5x 2 + 5x 3 = 24
A = [~ 2x3 + X4 = -6
Uso de la Regla de Cramer En los ejercicios 17 a 30,

- 2x 1 - 3x2 - 3x 3 = - 15
utilice la regla de Cramer para resolver el sistema de ecuacio- 35. Ulilice la regla de Cramer para resolver el sistema de
nes lineales, si es posible. ecuac iones lineales para x y y .
17. X 1 + 2x 2 = 5 kx + (1 - k)y = I
- x, + X 2 = I 3x 1 + 2x 2 = - I ( I - k)x + ky = 3
19. 3x 1 + 4x 2 = -2 20. l 8x 1 + l2x 2 = 13 i,Para que valo r(es) de k el sistema puede ser inconsis-
5x 1 + 3x 2 = 4 30x 1 + 24x 2 = 23 tente?
3.4 Ejercicios 137
36. Verifique e l siguiente sistema de ecuaciones lineales en 59. (0, 0, 0), (1, - 1, 0), (0, I, - 1)
Cos A, Cos B y Cos C para el triangulo mostrado en la 60. ( I, 2, 7), (4, 4, 2), (3, 3, 4)
figura.
Uso de la Regla de Cramer En los ejercicios 6 1 a 62 se
c Cos B + b Cos C = a
ha aplicado la regla de Cramer para resolver una de las varia-
c Cos A + a Cos C = b
bles indicadas en un sistema de ecuaciones 3 X 3. Determine
b Cos A + a Cos B =c en cual se aplic6 correctamente la regla para resolver esa
Despues utilice la regla de Cramer para resolver para cos variable. Si no, identifique e l error.
Cy use el resultado para verificar la ley de los cosenos
I 2 l
c 2 = a 2 + b2 - 2ab Cos C.
-I 3 -2
+ 2y + Z =2
A
X
4 I - 1
61. - X + 3y - 2z =4 y=
I 2 I
4x + y - z =6 -1 -2
4
4 6 - 1
A C B
15 -2 I
Encontrar el Area de un triangulo En los ejercicios 37 a -7 -3 - ]
40, encuentre el area de! triangul o que tiene los vertices dados. 5x - 2y + z = 15
-3 -1 -7
37. (0, 0), (2, 0), (0, 3) 38. ( I , I), (2, 4), (4, 2)
62. 3x - 3y - z = - 7 x=
5 -2 l
2x - y - 7z = -3
39. (- 1,2),(2,2),(-2,4) 40. (1, 1),(- 1, 1),(0,-2) 3 - 3 -I
2 - I -7
Prueba de puntos colineales En los ejercicios 41 a 44,
63. Publicaci6n de libros de texto La siguiente tabla
determine si los puntos son colineales.
muestra el numero de suscriptores y (en millones) de una
41. (I, 2), (3, 4), (5, 6) 42. (- 1, 0), (1, I), (3, 3) companfa de comunicaciones en los Estados Unidos
43. (-2, 5), (0, -1), (3, -9) para los aiios 2007 a 2009. (Fuente: U.S. Census Bureau)
44. (- 1, -3), (-4, 7), (2, - 13)
Ano, t Suscriptores, y
Encontrar la ecuaci6n de una recta En los ejercicios 45
2007 10,697
a 48, encuentre la ecuaci6n de la recta que pasa por los pun-
tos dados. 2008 11 ,162
45. (0, 0), (3, 4) 46. (-4, 7), (2, 4) 2009 989 1
47. (-2, 3), (-2, -4) 48. (1, 4), (3, 4)
(a) Genere un sistema de ecuaciones lineales para los
Encontrar el volumen de un tetraedro En los ejercicios
datos que se ajusten a la curva
49 a 52, encuentre el volumen de] tetraedro que tiene los
y = at 2 +ht + c
vertices dados.
donde t es e l aiio y t = 7 corresponde a 2007, e y es
49. (1 , 0, 0), (0, I , 0), (0, 0, 1), (1, I , I )
el numero de suscriptores.
50. (1, I , 1), (0, 0, 0), (2, I , - 1), (- 1, I , 2) (b) Utilice la regla de Cramer para resolver su sistema.
51. (3, - 1, I), (4, -4, 4), (I , I , I), (0, 0, I) (c) Use una aplicaci6n grafica para graficar los datos y
52. (0, 0, 0), (0, 2, 0), (3, 0, 0), (1, I, 4) su funci6n de regresi6n polinomial.
(d) Describa brevemente que tan bien la funci6 n polino-
Prueba de puntos coplanares En los ejercicios 53 a 56, mial se ajusta a los datos.
determine si los puntos son coplanares.
53. (-4, 1, 0), (0, 1, 2), (4, 3, - 1), (0, 0, 1) (;> 64. 00~~£,:j~ Considere el sistema de ecua-
54. (1, 2, 3), (- 1, 0, 1), (0, -2, -5), (2, 6, 11 ) ciones lineales
55. (0, 0, - I ), (0, - I , 0), ( I , I , 0), (2, I , 2) a 1x + h1y : c 1
{ Gr+ h2Y - Cz
56. (I, 2, 7), (-3, 6, 6), (4, 4, 2), (3, 3, 4)
donde ai, b 1, Ci, a 2 , b 2, c 2 representan numeros
Encontrar una ecuaci6n de una recta En los ejercicios reales. l Que debe ser cierto de las rectas represen-
57 a 60, encuentre la ecuaci6n <lei piano que pasa por los tadas por las ecuaciones cuando
puntos dados.
57. (1, -2, I), (-1, - 1, 7), (2, - 1, 3)
58. (0, - I , 0), ( I , I , 0), (2, I , 2)
I:: !j = O?
138 Capitu lo 3 Determinantes
3 Ejercicios de repaso Consulte www.CalcChat.com para las soluc1ones de los eiercic10s nones.
El determinante de una matriz En los ejercicios I a 18, Propiedades de determinantes En los ejercicios 19 a
encuentre el detenninante de la matriz. 22, determine cual de las propiedades de los detenninantes
esta ilustrada por la ecuaci6n.
2. [~ -~]
19. I! =!l=o
4. [-~ ~] 2 - I - I 2
20. 2 0 3 2 3 0
5 0
4 - 1 I 4 1 - I
6.
[
0
0 ;]
-1
0
2
0
-4
4
3
6
2 2 2
I
l =- l 2 0 -I 2
'! ~ -:]
21
· I 8 9 0 I -2 3 0
8. [- 6 12 - 6 I 6 - 3 - 2
12 0 6
1 3 1 1 3 1
10. [- '! ~
12 -3
-!] 6
22. 0 - I
2
2 2 5
2
4
El determinante de una matriz producto En los ejerci-
~J
4
cios 23 y 24, encuentre (a) !Al, (b) IBI, (c) AB y (b) 1,481
. Des-
3
pues verifique que !Al IBI = 1,481.
2 12. [-~ -:
- l 2 1
23. A = [- ~ ~l B = [~ ~]
3 3
- l
2
4
14.
[
-2
-1
-2
0
2
I
-3
-2
I -3
4
l
24. A - [ ~ ~ H ~ B - [ -! il
- 1 I - 1 0 0 Encontrar determinantes En los ejercicios 25 y 26,
encuentre (a) !A r i, (b) 1,4 31, (c) jATAI y (d) 1
5AI.
G', 1s.
0
l
0
0
- l
I
0
l
- 1
I
0
0
- l
- 1
I
0
- I
I
1
25.A - [- ~ ~] 26. A -
0
0 H
2 - I 3 4 Encontrar determinantes En los ejercicios 27 y 28,
2 3 - I 2 -2 encuentra (a) IAI y (b) 1,4-'I-
e 16.
I
2
O
0
2 - I
- I
0 27. A = 0
I O
3
-4]2 28. A = 5
[2 - 0I
0 - I 0 2
[ - 2 7 6 I - 2
-I 0 0 0 0 El determinante de la inversa de una matriz En los
0 - ) 0 0 0 ejercicios 29 a 32, encuentre 1,4- 11
. Comience por encontrar
- I A- 1 luego evalue su determinante. Verifique su resultado
17. 0 0 0 0
para encontrar !Al y despues aplique la f6rmula del teorema
0 0 0 - [ 0
0 0 0 0 - I 3.8, IA- II = I~ 1·
0 0 0 0 2
0 0 0 2 0 29. [~ -1]
2
-!
18. 0 0 0 0 - I
0 2 0 0 0
31. [~ 32.
[
~ 4
2 0 0 0 0 - 1
Resoluci6n de un sistema de ecuaciones lineales En 46. Ilustre la pro piedad demostrada en e l ejercicio 45 para:
los ejerc icios 33 a 36, resuelva el sistema de ecuaciones
lineales por cada uno de los siguientes metodos.
(a) Eliminaci6n gaussiana con sustituci6n hacia atras.
(b) Eliminaci6n de Gauss-Jordan.
A - [ i -~ -H c,, - 3, c,, - 0, c,, -
47. Encuentre el determinante de la matriz den x n.
(c) Regla de C ramer.
33. 3x 1 + 3x 2 + 5x 3 = 1 - n
3x 1 + 5x 2 + 9x 3 = 2
5x 1 + 9x 2 + 17x 3 = 4 -n
34. 2x I + X z + 2x 3 = 6 48. Demuestre que
- X I + 2x 2 - 3x 3 = 0
a
3x I + 2x 2 - X 3 = 6
a
35. X I + 2x 2 - X3 = - 7 = (a + 3)(a - 1)3.
a
2x 1 -2x 2 -2x 3 = -8 a
- x 1 + 3x 2 + 4x 3
= 8
36. 2x 1 + 3x 2 + 5x 3 = 4 Calculo En los ejercicios 49 a 52, encuentre los jacobianos
3x 1 + 5x 2 + 9x 3 = 7 de las funciones. S i x, y y z son func iones continuas de u, v y
5x 1 + 9x 2 + 13x 3 = 17 w con primeras derivadas parciales continuas, los jacobianos
J(u, v) y J(u, v, w) se definen como
ax ax ax
42, use el determinante de la matriz de coeficientes para
ax ax au a v aw
indicar cual de los sistemas de ecuacio nes lineales tie ne una
au av ay ay jy_
unica soluci6 n. J(u , v) = y J(u, v, w) =
ay ay au av aw
37. 5x+ 4y = 2 38. 2x - Sy= 2
au av az az az
-x + y = -22 3x - 7y = 1
au aV aw
39. - X + y + 2z = 1 40. 2x + 3y + z = 10
2x + 3y + z = -2 2x - 3y - 3z = 22 49. x = ½(v - u), y = ½{v + u)
5x + 4y + 2z = 4 8x + 6y = -2 50. x = au + bv, y = cu + dv
41. x 1 +2x 2 + 6x 3 = 51. x = ½(u + v), y = ½{u - v), z = 2uvw
2x 1 + 5x 2 + I 5x 3 = 4 52. X = U - V + W , y = 2uv, z= u + v+w
3x 1 + x 2 + 3x 3 = - 6
e 42. x, + 5x2 + 3x3 = 14 53. Escriba Compare los varios metodos para calcular el
4x 1 + 2x 2 + 5x 3 = 3 determin ante de una matriz. l Cua! metodo requiere menos
cantidad de calculos? lCual metodo prefiere cuando la
3x 3 + 8x4 + 6x 5 = 16
matriz tiene muy pocos ceros?
- 2x5 = 0
= 0 54. Escriba Un operador de computadora cobra $0.00 I
(un decimo de centavo) por cada suma y resta, y $0.003
43. Sean A y B matrices cuadradas de orden 4 tales que !Al por cada multiplicaci6n y di visi6n. Utilice la tabla en la
B21, (c) 12AI, (d)
= 4 y IBI = 2. Encuentre (a) IBAI, (b) 1 pagina I 16 para comparar y contrastar los costos de
l(AB>71Y (e) 1s-'1. calcular el deterrninante de una matriz de 10 X 10 por
44. Sean A y B matrices cuadradas de orden 3 tales que !Al expansi6 n de cofactores y despues por reducci6n de
= -2 y !Bl = 5. Encuentre (a) IBAI, (b) is41
, (c) i2AI, (d) renglones. l Que metodo preferirfa usar para calcular los
determinantes?
l(AB>71Y (e) 1s-'1.
55. Escriba Res uelva la ecuaci6n para x, si es posible.
45. Demostraci6n Demuestre la siguiente propiedad. Explique su resultado.
all al 2 a 13 Cosx 0 Senx
a 21 a22 a 23 = Senx 0 Cosx =0
a 31 + C3 1 a 32 + C32 a33 + C33 Senx - Cos x Senx + Cosx
all al 2 a 13 all al 2 a1 3 56. Demostraci6n Demuestre q ue si !Al = IBI 0 y A y *
a2, a 22 a 23 + a 21 a 22 a 23 B son del rnismo tamafio, entonces existe una matriz C
G3 1 a32 a 33 C31 C32 C33
tal que ICI = I y A = CB.
Encontrar la adjunta de una matriz En los ejercicios 57 72. Gastos de cuidados de salud La tabla muestra los
y 58, encue ntre la adjunta de la matri z. gastos personales anuales de cuidados de salud (en miles
57. [
-2
O
58. [i -i
J de millones de d6lares) en los Estados Unidos de 2007 a
2009 (fuen te: Bureau of Economic Analysis).
Aiio, t
Cantidad, y
2007
1465
2008
1547
2009
I 1623
62, utilice el determinante de la matriz de coeficientes para
hallar cual de los sistemas lineales tiene una unica soluci6n. (a) Genere un sistema de ecuaciones lineales para los
Si la tiene, use la regla de Cramer para encontrarla. datos que se ajusten a la curva
59. 0.2x - O. ly = 0.07 60. 2x + y = 0.3 y = at2 + bt +c
0.4x - 0.5y = - 0.0 I 3x - y = -1.3 donde I es el afio y I = 7 corresponde a 2007, e y es
61. 2x 1 + 3x 2 + 3x 3 = 3 el numero de suscriptores.
6x 1 + 6x 2 + 12x 3 = 13 (b) Utilice la regla de Cramer para resolver su sistema.
l 2x 1 + 9x 2 - x3 = 2 (c) Use una aplicaci6n g rafica para graficar los datos y
62. 4x 1 + 4x 2 +4x 3 =5 su funci6n de regresi6n polinomial.
4x 1 - 2x 2 - 8x 3 = I (d) Describa brevemente que tan bien se ajusta la fun-
8x 1 + 2x2 - 4x 3 = 6 ci6n polinomial a los datos.
Uso de la Regla de Cramer En los Ejercicios 63 y 64, lVerdadero o falso? En los ejercicios 73 a 76, determine
utilice una aplicaci6n gnifica o programa de computadora cual de las expresiones es verdadera o falsa. Si la expresi6n
con capacidades matriciales y la Regla de Cramer para resol- es verdadera, proporcione una raz6n o cite una expresi6n
ver (si es posible) el sistema de ecuaciones lineales. adecuada del texto. Si la expresi6n es falsa, proporcione un
63. 0.2x I 0.6X 2 = 2.4 ejemplo que muestre que la expresi6n no es c ierta en todos
-x 1 + l.4x 2 = -8.8
73. (a) El cofactor C22 de una matriz dada siempre es un
64. 4x I - X2 + X3 = - 5 numero positivo.
2x 1 + 2x 2 + 3x 3 = I 0 (b) Si una matriz cuadrada B es obtenida a partir de A
5x 1 - 2x 2 + 6x 3 = por intercambio de dos renglo nes, ento nces det(B) =
det(A).
Encontrar el area de un triangulo En los ejercicios 65 y
(c) Si una columna de una matriz cuadrada es un multi-
66, utilice un determinante para encontrar el area de] trian-
plo de otra columna, ento nces el determinante es 0.
gulo con los vertices dados.
(d) Si A es una matriz cuadrada de orden n, ento nces
65. (1, 0), (5, 0), (5, 8) 66. (- 4, 0), (4, 0), (0, 6)
det(A) = -det(A 7 ) .
Encontrar una ecuaci6n de una recta En los ejercicios
74. (a) Si A y B son matrices cuadradas de orden n tales que
67 y 68, utilice un determinante para encontrar la ecuaci6 n
det(A) = - 1, entonces A y B son no singulares.
de la recta que pasa por los puntos dados.
(b) Si A es una matriz de 3 x 3 con det(A) = 5, entonces
67. (-4,0),(4,4) 68. (2,5),(6,- 1) det(2A) = 10.
Encontrar una ecuaci6n de un piano En los ejercicios (c) Si A y B son matrices cuadradas de orden n, entonces
69 y 70, encuentre la ecuaci6 n de] piano que pasa por los det(A + B) = det(A) + det(B).
puntos dados. 75. (a) En la reg la de Cramer, el valo r de X; es el cociente de
69. (0, 0, 0), (I , 0, 3), (0, 3, 4) dos determinantes, donde el numerador es el deter-
70. (0, 0, 0), (2, - 1, I), (-3, 2, 5) minante de la matriz de coeficientes.
(b) Tres puntos (x 1, y 1), (x2, y 2) y (x3 , y 3) son colineales
71. Uso de la Regla de Cramer Detennine si la regla de si el determinante de la matriz que tiene las coorde-
Cramer es u ada correctamente para resolver la variable nadas como elementos en las primeras dos columnas
indicada. Si no, identifique e l error. y I en la tercera es diferente de cero.
- 1 - 4 - 1
76. (a) Si A es una matriz cuadrada, entonces la matriz de
6 -3 I cofactores de A se llama adjunta de A.
x - 4y - z = - I
l l -4
2x - 3y + z = 6 z= (b) En la regla de Cramer, el denominador es el determi-
J -4 - 1
X + y - 4z = nante de la matriz fonnada al reemplazar la columna
2 -3 I correspondiente a la variable que debe ser resuelta por
I I -4 la columna que representa las constantes.
Capftulo 3 Proyectos 141
3 Proyectos
1 Matrices Estocasticas
En la secci6n 2.5, usted estudi6 el modelo de preferencia de! consum idor para dos compa-
fifas de television satelital. La matriz que representa las probabilidades de cambio era
0.70 0. 15
0. 15]
P = 0.20 0.80 0. 15 .
[
0.10 0.05 0.70
Cuando se le proporcion6 la matriz X de estado inicial, observ6 que el numero de suscrip-

tores despues de un aiio es el producto PX.
15,000]
X = 20,000
[
65,000
0.70 0.15
0.15] [15,000] [23,250]
PX = 0.20 0.80 0.15 20,000 = 28,750
[
0. 10 0.05 0.70 65,000 48,000
Despues de 10 afios, el numero de suscriptores estaba cerca de alcanzar un estado estable.
33,287 ]
P 10 x = 47,147
[
19,566
Es decir, para valores grandes den, el producto P"X se acerca al lfrrute X, PX = X.
Debido a que PX = X = IX, I es un eigenvalor de P con el correspondiente eigenvec-
tor X. Eigenvalor es valor propio. Eigenvector es vector propio. Usted estudiara valores y
vectores propios con mas detalle en el Capftulo 7.
1. Utilice una computadora o una calculadora para demostrar que los siguientes son los
valores y vectores propios de P. Es decir, demuestre que Px; = A;X; para i = 1, 2, y 3.
Va/ores propios: A1 = I, ,½ = 0.65, A3 = 0.55
2. Sea S la matriz cuyas columnas son los vectores propios de P. Demuestre que S-- 1PS es
una matriz diagonal D. l Cuales son los e lementos de la diagonal de D?
3. Demuestre que P'' = (SDS- 1) = SD"S- 1• Utlice este resultado para calcular P 10 X y verifi-
car el resu ltado de la secci6n 2.5.
2 Teorema de Cayley-Hamilton
El polinomio caracteristico de una matriz cuadrada A esta dado por el determinante IA/ -
Al. Si el orden de A es n, entonces el polinomio caracterfstico p(A) es un polinomio de grado
n-esimo en la variable A.
El teorema de Cayley-Hamilton afirma que toda matriz cuadrada satisface su polino-

mio caracterfstico; es decir, para la matriz A den x n, p(A) = 0, o
A"+ c11 _ 1A11 - I
+ · · · + c2 A2 + c IA + c0 / = 0.
Kurhan/Shunerstock oom
142 Capitu lo 3 Determinantes
Observe que esta es una ecuaci6n matricial. El cero de la derecha es la matriz cero de n x
n y el coeficiente c0 ha sido multiplicado por la matriz identidad I de n x n.
1. Verifique el teorema de Cayley-Ham ilton para la matriz
[ 2 -2]
-2 - ) .
2. Verifique el teorema de Cayley-Hamilton para la rnatr iz
H n
0
I
0
3. Demuestre el teorema de Cayley-Hamilton para una matriz arbitraria A de 2 x 2,
4. Si A es una matriz no sing ular de n x n, demuestre que

1
A- 1 = -C (-A 11 - 1 - cII _ I A 11 - 2 - · · · - c.,A
_
- c I I).
0
Use este resultado para encontrar la inversa de la matriz
A=[~ ~].
5. El teorema de Cayley-Hamilton puede utili zarse para calcular potencias A" de la matriz
cuadrada A. Por ejemplo, el polinomio caracterfstico de la matriz
-I]
- I
El teorema de Cayley-Hamilto n implica que
A2 - 2A - / = 0 o A2 = 2A + /.
Asf, A 2 se escribe en term inos de A e /.
-I] +['0 OJ = [7 -2]

- I I 4 -I
De manera similar, multiplicando ambos miembros de la ecuaci6n A 2 = 2A + / por A da

como resultado A3 en terminos de A 2, A e I. Ademas, usted puede escribir A3 s61o en
terminos de A e / despues de reemplazar A2 con 2A + /, como sigue.
A3 = 2A 2 + A = 2(2A + I) + A = SA + 2/
(a) Escriba A 4 en terminos de A e / .
(b) Encuentre A 5 para la matri z
0
2
0 -n
(Sugerencia: encuentre el polinomio caracterfstico de A, luego utilice el teorema de
Cayley-Hamilton para expresar A3 como una combinaci6n lineal de A2 , A e /. De
manera inductiva expreseA 5 como una combinaci6 n lineal de A2, A e /.)
Examen acumulativo de los capftulos 1 a 3 143
I
Examen acumulativo de los capitulos 1 a 3 Consulte www.CalcChat.com para las soluc1ones de los e1erc1c1os nones.
Tome este examen para repasar el material de los capftulos 1 a 3. Cuando haya terminado,
verifique su trabajo contra las respuestas que se proporcionan al final de! libro.
En los ejercicios 1 y 2, determine si la ecuaci6n es lineal en las variables x y y .
1.
4
y- x = 10 2. sx3 + Ti?7 =2
En los Ejercicios 3 y 4, utilice la eliminaci6n Gaussiana para resolver el sistema de ecua-

ciones lineales.
3. X - 2y =5 4. 4x 1 + x2 - 3x 3 = 11
3x + y = I 2x 1 - 3x 2 + 2x 3 = 9
X1 + X2 + X 3 = -3
5. Utilice una aplicaci6n grafica o programa de computadora para resolver el sistema de
ecuaciones lineales.
O. l x - 2.Sy + l.2z - 0.75w = 108
2.4x + I. Sy - l.8z + 0.25w = -8 1
0.4x - 3.2y + l.6z - 1.4w = 148.8
l.6x + l.2y - 3.2z + 0.6w = - 143.2
6. Encuentre el conjunto soluci6n del sistema de ecuaciones lineales representado por la
matriz aumentada
1 -I 0
[:
0 2 - I
2 0 - I
;]
7. Resuelva el sistema lineal homogeneo correspo ndiente a la sig uiente matriz de coefi -
u
cientes.
2
0
l
2
-2]
-4
-4 -2
8. Determine las condiciones de k para las que el sistema es consistente.
X + 2y - Z = 3
-x- y+z=2
- x+ y+z=k
9. Resuelva para x y y en la ecuaci6n matricial 2A - B = I si
A = [ - ~ ~] y B = [: ;]-
7
10. ~ncue~tre A A para la matri z A = [~
s1metr1co.
2
5
!]- Demuestre que este producto es
ni ;
En los ejercicios 11 a I4, encuentre la in versa de la matriz (si existe).
11. [
-2
4
!] l3. 1
En los Ejercicios 15 y 16, util ice una matriz in versa para resolver el sistema de ecuaciones
l4. H l
6
1
lineales.
15. X + 2y = - 3 16. 2x - y = 6
X - 2y = 0 2x + y = 10
17. Encuentre una secuencia de matrices e lementales c uyo producto es la siguiente matriz
no singular.
18. Encuentre el detenninante de la matri z

I
0 -2
2
_;jl .
l 6
0 0 -4
19. Encuentre cada determinante si (a) !Al (b) !Bl (c) JAB! (d) IA-'I· Despues verifique que
~11B1=~1
A=[~ - 3]
2 '
B= [- 2
0 ~]
20. Encuentre (a) IAI y (b) IA-'1
A-H
- 2
-8
0 -~]
21. Si IAI = 7 y A es de orden 4, entonces encuentre cada detenninante.
(a) l3AI (b) IATI (c) IA- 1 1 (d) IA 3 1
22. Utilice la adjunta de
A-[~ =~ -ii
para encontrar A- 1•
23. Sean x ., x2 , x 3 y b las matrices columna mostradas abajo.
Encuentre las constantes a, by c tales que ax 1 + bx2 + cx 3 = b.

24. Utilice ecuaciones lineales para encontrar la parabola y = ax2 + bx + c que pasa por
los puntos (- 1, 2), (0, I) y (2, 6).
25. Utilice un detenninante para encontrar la ecuaci6n de la recta que pasa por los puntos
(I , 4) y (5, -2).
26. Utilice un determinante para encontrar el area de! triangulo con vertices (3, I), (7, I)
y (7, 9).
27. Determine las corrientes / 1, /2 y / 3 para la red electrica mostrada en la figura de la
izquierda.
28. Un fabricante produce Ires modelos de un producto que es enviado a dos almacenes.
En la matriz
200 300]
A = 600 350
[
250 400
aii representa el numero de unidades del modeo i que el fabricante envfa al almacen j.
B = [12.50 9.00 21.50]
representa los precios de los tres modelos en d61ares por unidad. Encuentre el pro-
ducto BA y declare que representa cada elemento en la matriz.
29. Sean A, B y C tres matrices den x n diferentes de cero tales que AC= BC. i,Esto indica
Figura para 27 que A = B? Demuestre su respuesta.
4 Espacios vectoriales
4.1 Vectores en R'1
4.2 Espacios vectoriales
4.3 Subespacios de espacios vectoriales
4.4 Conjuntos generadores e independencia lineal
4.5 Basey dimension
4.6 Rango de una matriz y sistemas de ecuaciones lineales
4.7 Coordenadas y cambio de base
4.8 Aplicaciones de espacios vectoriales
Antena satelital (p. 217)
Cristalograffa (p. 207)
Transformaci6n de imagenes (p. 174)
Fuerza (p. 151)

Muestreo digital (p. 166)
En sentido de las manecillas del reloJ, desde amba a la 11qu10rda. Marty Ellis/Shutterstock.com. LW/Shutterstock.com,
Richard Laschon/Shutterstock.com, Anne Krtzman/Shutterstock.com; Kent Mathews/Getty Images 145
146 Capitulo 4 Espacios vectoriales
4.1 Vectores en R'1
■ Representa r un vector coma un segmento de recta dirigido.

Realizar operaciones vectoriales basicas en R2 y representarlas
■ graficamente.
■ Realizar operaciones vectoriales basicas en Rn.
■ Escribir un vector coma una combinaci6n lineal de otros vectores.
VECTORES EN EL PLANO
En ffsica e ingenierfa, un vector es caracterizado por dos cantidades (longitud y sentido) y
es representado por un segmento de recta dirigido. En este capftulo, usted vera que estos
son s6lo dos tipos especiales de vectores. Sus representaciones geometricas le ayudaran a
comprender la definici6n mas general de un vector.
Un vector en el piano se representa geometricamente por un segmento de recta
dirigido cuyo punto iniciaJ es el origen y cuyo punto terminal es el punto (xi, x 2), como
se muestra en la figura 4. 1.
y
(x i, x2)
• Punto
final
COM ENTARIO
El termino vector se deriva del
latin vectus, que quiere decir
"llevar o transportar" . La idea
es que si usted quiere llevar Punto inicial
algo desde el origen hasta el
punto (x1, x2 ), el viaje puede Figura 4.1
representarse por el segmento
de recta dirigido de (0, 0) a (x1 ,
x2 ). Los vectores se representan
Este vector se representa por el mismo par ordenado usado para representar su punto
con letras minusculas negritas terminal. Es decir, x = (xi, x 2). Las coordenadas Xi y x2 se denominan componentes del
(como u , v , w y x ). vector x. Dos vectores en el piano u = (ui, u2) y v = (vi, v2) son iguales si y s6lo si ui =
Vi y U2 = V2,
EJEMPLO 1 Vectores en el piano
a. Use un segmento de recta dirigido para representar los siguientes vectores en el piano.
(a) u = (2, 3) (b) v = (-l , 2)
b. Para representar v = (-1 , 2), dibuje un segmento desde el origen de! punto (-1 , 2),
como se muestra en la figura 4.2(b).
y
a. )'
b.
3
-+--+----+-----I-+- X
2 3 -2 - i
Figura 4.2
4.1 Vect ores en Rn 147
y
OPERACIONES VECTORIALES
(u1 + v1, 112 + v2)

- - - - ,,
'I
'
.
'I
I
La primera operaci6n vectorial basica es la suma vectorial. Para sumar dos vectores en el
piano se suman sus componentes correspondientes. Es decir, la suma de u y v es el vector
definido por
U + V = (u,, U 2) + (v,, V2) = (u, + v,, U2 + V2)-
/ : ll2
Geometricamente, la suma de dos vectores en el piano puede representarse como la diago-
nal de un paralelogramo que tiene a u y v como sus !ados adyacentes, como se muestra en
la figura 4.3.
v, u, En el siguiente ejemplo, uno de los vectores que usted puede sumar es el vector (0, 0),
llamado vector cero o nulo. Este vector se denota con 0.
Suma de dos vectores
Figura 4.3
[ EJEMPLO 2 Suma de dos vectores en el piano
Determine la suma de Jos vectores.

a. U = (1,4), V = (2, -2)
b. u = (3, -2), v = (-3, 2)
Simulacion C. U = (2, 1), V = (0, 0)
Explore este concepto aun mas SOLUCION
con una simulaci6n electr6nica
disponible en el sitio web 3. U + V = (1, 4) + (2, -2) = (3, 2)
college. cengage.com/pic/larso- b. u + v (3, -2) + (-3,2) = (0,0)
= = 0
nELA6e. Visite por favor este c. u + v = (2, I) + (0, 0) = (2, I)
sitio para comandos y sintaxis
de programaci6n para aplicacio- La figu ra 4.4 muestra la representaci6n grafica de cada suma.
nes graficas especfficas y pro-
y
gramas de computadora aplica- a. Y b. J c.
bles al ejemplo 2. Ejercicios 4 4 4
proyectos y similares tambien 3 (-3, 2) 3 3
' 'e (3, 2)
estan disponibles en este sitio 2 • 2 u +v= u
web. I e (2, I)
X X
-3-2-1 -3-2- 1 ~ 2 3 4
= (0, 0)
-2
-3
-2
-3
•
(3. -2)
-2
-3
V
y -4 -4 -4
CV
• Figura 4.4
V
La segunda operaci6n vectorial fundamental se denomi na multiplicaci6n escalar.
c>O Para multiplicar un vector v por un escalar c, cada una de las componentes de v se multi-
-----+------+- X
plica por c. Es decir,
CV = c(v,, V2) = (cvi, CV2) -
Recuerde de! capftu lo 2 que el termino escalar se uti liza para denotar un numero real.
Hist6ricamente, este uso surgi6 de! hecho de que al multiplicar un vector por un numero
y real se modifica la "escala" de! vector. Por ejemplo, si el vector v se multiplica por 2,
entonces el vector resultante 2v es un vector que tiene la misma direcci6n que v y dos
veces su longitud. En general, para un escalar c, el vector cv es c veces mas grande que v.
ademas, si c es positivo, entonces cv tiene la misma direcci6n que v, y si c es negativo,
entonces cv y v tienen direcciones opuestas. Lo anterior se muestra en la figura 4.5.
El producto de un vector v por el escalar - 1 se denota por
- v = (- l )v.
El vector - v se denomina negativo de v. La diferencia de u y v se define como
u - v= u +(- v)
Figura 4.5 y se dice que v se ha restado de u.
j EJEMPLO 3 Operaciones con vectores en el piano
Dados v = (-2, 5) y u = (3, 4), encuentre los siguientes vectores

I I
a. 2v b. u - v c. 2" +u
y SOLUCION
a. Como v = (-2,5),½v = G(-2),½(5)) = (- 1,~).
b. Por la definici6n de resta vectorial, se tiene, u - v = (3 - (-2), 4 - 5) = (5, - I).
c. Utilizando el resultado de) inciso (a), ½v + u = (- 1, ~) + (3, 4) = (2, ¥-).
La figura 4.6 muestra la representaci6n geometrica de estas operaciones vectoriales.
La suma vectori al y la multiplicaci6n escalar comparten muchas propiedades con la

suma de matrices y la multi plicaci6n por un escalar. Las 10 propiedades enumeradas en el
siguiente teorema desempeiian un papel fundamental en algebra lineal. De hecho, en la
siguiente secci6n se vera que son precisamente estas 10 propiedades las elegidas para
Figura 4.6
abstraerse de los veclo res en el piano para definir el concepto general de espacio veclo rial.
TEOREMA 4.1 Propiedades de la suma vectorial

y de la multiplicaci6n escalar en el piano
Sean u, v y w vectores en el piano, y sean c y d escalares.
1. u + v es un vector en el piano. Ccrradura bajo la adici6n
2. U + V = V + U Propiedad conmutativa de la adici6n
3. (u + v) + w = u + (v + w) Propiedad asociativa de la adici6n
4. u + 0 = u Propiedad del identico aditivo
5. u + (- u) = 0 Propiedad del inverso aditi vo
6. cu es un vecto r en el piano. Cerradura bajo la multiplicaci6n escalar
7. c(u + v) = cu + cv Propiedad distributiva
8. (c + d)u = cu + du Propiedad distributiva
9. c(du) = (cd)u Propiedad asociativa de la multiplicaci6n
10. l (u) = u Propiedad del identico multiplicativo
DEMOSTRACION
La demostraci6 n de cada propiedad es una aplicaci6n directa. Po r ejemplo, para demostrar
la propiedad asociati va de la suma vectorial puede escribir
COM ENTARIO
Observe q ue la p ro piedad aso- (u + v) + w = [(u ,, u2) + (v 1, v2 ) ] + (w 1, w2)
ciativa de la su ma vectorial per- = (u, + 11,, U2 + V2) + (w ,, W2)
mite esc ribir sin am biguedad
expresiones como u + v + w = ((u 1 + v1) + w1, (u2 + v2 ) + w2 )
porque se obt iene el m ism o = (u, + (v, + w1), u2 + (v2 + w2 ))
resultado sin importar cual
suma se efectue pri mero. = (u,, U 2) + (v , + w,, V2 + W2)
= u + (v + w).
De manera semejante, para demostrar la propiedad distributiva de la multiplicaci6n escalar
sobre la adici6n puede escribir.
(c + d)u = (c + d)(u,, u 2 )
= ((c + d)u 1, (c + d)u 2 )
= (cu , + du 1, cu 2 + du 2 )
= (cu,, cu 2 ) + (du ,, du 2 )
=cu + d u .
Las demostraciones de las otras ocho propiedades se dejan como ejercicio. (Vease el ejer-
cicio 57.)
4.1 Vect ores en Rn 149
VECTORES EN R"
El analisis de los vectores en el piano puede extenderse al analisis de vectores en el espa-
cio n-dimensional. Un vector en el espacio-n se representa por una n-ada ordenada. Por
ejemplo, una tercia ordenada es de la forma (x 1, x 2, x 3), una cuadrupla ordenada tiene la
forma (xi, x 2, x 3 , x4 ) y una 11-ada ordenada general es de la forma (x 1, x 2, x3, .•. , x 11). El
conjunto de todas la n-adas se denomina espacio 11-dimensional y se denota por R".
R' = espacio I-dimensional = conjunto de todos los numeros reales
R 2
= espacio 2-dimensional = conj unto de todos los pares ordenados de numeros reales
R3 = espacio 3-dimensional = conjunto de todas las tercias ordenadas de numeros reales
R" = espacio n-dimensional = conjunto de todas la 11-adas ordenadas de numeros reales

Una 11-ada (x 1, x 2, x3, ..• , x,,) puede ser vista como un punto en R" con los x 1 como
sus coordenadas o como un vector
Vector en R11
( I , - I , 6) z con los x 1 como sus componentes. Como con los vectores en el piano (o R2), dos vectores
en R" son iguales si y s6lo si los componentes correspondientes son iguales. [En el caso
den = 2 on = 3, la notaci6n familiar (x, y) o (x, y, z) se usa ocasionalmente.]
A continuaci6n se definen la suma de dos vectores en R" y el multiplo escalar de un
vector en R". Estas operaciones se denominan operaciones estandar en R".
Definici6n de suma vectorial y multiplicaci6n escalar en R'1

Sean u = (ui, u2, u3, . . . , u11 ) y v = (vi, v2, v3 , . . . , v11 ) vectores en R" y sea c un
numero real. Entonces la suma de u y v se define como el vector
X 4 4 y
U + V = (u , + v,, U2 + Vz, U 3 + V3, . . . , u/1 + v,)
y el multiplo escalar de u por c se define como el vector
cu = (cu I , CU2, CU3, . . . , cu,).
Figura 4.7
Asf como e l espacio bidimensional, el negativo de un vector en R" se define como

NOTA TECNOLOGICA
A lgunas aplicaciones graficas y
prog ramas de c6mputo pueden y la diferencia de dos vectores en If' se define como
ejecuta r la suma vecto rial y la
multiplicaci6n escalar. Utilice
una aplicaci6n grafica para veri-
f icar el ejemplo 4. Los coman- El vector cero en R" se denota por O= (0, 0, . . . , 0).
dos y la sintaxis de programa-
ci6n para estas aplicaciones/
prog ramas se proporcionan en EJEMPLO 4 Operaciones vectoriales en R3
d isponible en Dados u = (- 1, 0, l ) y v = (2, -1 , 5) en R3 , encuentre los siguientes vectores
www.cengage.com
con la busqueda Larson, Funda- a. u + v b. 2u C. V - 2u
mentos de A lgebra Lineal 7e. SOLUCION
UECTOR:U 3 a. Para sumar dos vectores, se suman sus componentes correspondientes como se muestra
e1 = -1 a continuaci6n.
e.:=0
e:::=1 u + v = (- 1, 0, 1) + (2, - 1, 5) = (1 , - 1, 6)
b. Para multiplicar un vector por un escalar, cada una de sus componentes se multiplica
..____ _ _[> por el escalar, como sigue:
2u = 2(- 1, 0, I)= (-2, 0, 2)
c. Con el resultado de! inciso (b), se obtiene v - 2u = (2, - 1, 5)- (-2, 0, 2) = (4, - 1, 3).
En la figura 4.7 se muestran graficamente estas operaciones vectoriales en R 3.
Las s iguientes propiedades de la suma vectorial y la multiplicaci6n escalar para vec-

tores e n R" son las rnismas que las enumeradas en el teorema 4.1 para vectores en el piano.
Sus demostraciones, basadas en las definiciones de suma vectorial y multiplicaci6n escalar
en K', se dejan como ejercicio. (Vease el ejercicio 58.)
TEOREMA 4.2 Propiedades de la suma vectorial

y de la multiplicaci6n escalar en R"
Sean u, v y w vectores e n R", y sean c y cl escalares.
1. u + v es un vector en R 11
• Cerradura bajo la suma
2. U + V = V + U Propiedad conmutativa de la suma
3. (u + v) + w = u + (v + w) Propiedad asociativa de la suma
4. u + 0 = u Propiedad del identico aditivo
5. u + (- u) = 0 Propiedad del inverso aditivo
6. cu is a vector in R 11
• Cerradura bajo la multiplicaci6n por un escalar
William Rowan Hamilton 7. c(u + v) = cu + cv Propiedad distributiva
(1805-1865) 8. (c + d)u = cu + du Propiedad distributi va
Considerado el matematico 9. c(du) = (cd)u Propiedad asociativa de la multiplicaci6n
irlandes mas importante. En 10. l(u) =u Propiedad del identico multiplicativo
1828 public6 un sorprendente
tra bajo de 6ptica titulado Una
teoria de sistemas de rayos. Aplicando las 10 propiedades dadas en el teorema 4.2 usted puede realizar manipulaciones
En el, Hamilton incluy6 algu- algebraicas con vectores en R" casi de la mis ma manera en que se hace con numeros reales,
nos de sus propios metodos
como se demuestra en el siguiente ejemplo.
para trabajar con sistemas de
ecuaciones lineales. Tambien
introdujo la noci6n de la J EJEMPLO 5 Operaciones vectoriales en R4
ecuaci6n caracteristica de
una matriz (vease la Secci6n Sean u = (2, - 1, 5, 0), v = (4, 3, I, - 1) y w = (-6, 2, 0, 3) vectores en R4 . Encuentre el
7.1 ). El trabajo de Hamilton
valor de x.
condujo al desarrollo de la
notaci6n vectorial moderna. a. x = 2u - (v + 3w)
Hoy en dfa aun utilizamos su
b. 3(x + w) = 2u - v + x
notaci6n i, j y k para los vec-
tores unidad estandar en R3 SOLUCION
(vease la Secci6n 5.1 ).
a. Con las propiedades enumeradas en el teorema 4.2 se obtiene
x = 2u - (v + 3w)
= 2u - v - 3w
= 2(2, -1 , 5, 0) - (4, 3, I, - l) - 3(-6, 2, 0, 3)
= (4, -2, 10, 0) - (4, 3, I, - 1) - (- 18, 6, 0, 9)
= (4 - 4 + 18, -2 - 3 - 6, 10 - I - 0, 0 + I - 9)
= (18, -1 1,9, -8).
b. Se empieza por despejar x como se muestra a continuaci6n.
3(x + w) = 2u - v + x
3x + 3w = 2u - v + x
3x - x = 2u - v - 3w
2x = 2u - v - 3w
x = ½(2u - v - 3w)
Utilizando el resultado del inciso (a) produce

x =½( 18, - 11 ,9, - 8)
= (9, - ¥,t-4).
The Granger Collecuon, New York
4.1 Vectores en Rn 151
El vector cero O en R" se denomina identico aditivo en R". De manera semejante, el

vector - v se denomina inverso aditivo de v. En el siguiente teorema se resumen varias
propiedades importantes del identico aditivo y del inverso aditivo en R".
TEOREMA 4.3 Propiedades del identico aditivo

y del inverso aditivo
COM ENTARIO Sea v un vector en R" y sea c un escalar. Entonces las siguientes propiedades se
En las propiedades 3 y 5 del cumplen.
teorema 4.3 observe que se uti- 1. El identico adi ti vo es unico. Es decir, si v + u = v, entonces u = 0.
lizan dos ceros diferentes: el 2. El inverso aditivo de v es unico. Es decir, si v + u = 0, entonces u = - v.
escalar O y el vector 0.
- - -t>- 3. Ov =0
4. cO = 0
5. Si cv = 0, entonces c = 0 o v = 0.
6. -(- v) = V
DEMOSTRACION
Para demostrar la primera propiedad se supone que v + u = v. Entonces los pasos siguien-
tes se justifican por el teorema 4.2.
v+ u= v Dado
(v + u)+(-v) = v +(- v) Sumar - v a ambos ]ados
(v + u)+(- v)= 0 Inverso aditivo
(u + v)+(- v) = 0 Propicdad conmutativa
u +(v +(- v)) = 0 Propiedad asociativa
u + 0=0 Inverso aditivo
u = 0 ldentidad aditiva
Para demostrar la segunda propiedad, asuma v + u = 0, y de nuevo utilice el Teorema 4.2

para j ustificar los siguientes pasos.
v+ u= 0 Dada
(-v) + (v + u) = (-v) + 0 Aiiadir -v a ambos !ados.
(-v) + (v + u) = -v ldentidad aditiva
[(-v) + v] + u = - v Propiedad asociativa
0+u = - v Inverso aditivo
u +0 =- v Propiedad conmutativa
u = -v ldentidad adi ti va
A medida que adquiere experiencia en la lectura y escritura de demostraciones que impli-

can algebra vectorial ya no es necesario escribir tantos pasos. Por ahora, sin embargo, es
una buena idea hacerlo. Las demostraciones de las otras cinco propiedades se dejan como
ejercicio. (Veanse los ejercicios 61-64.)
ALGEBRA Los vectores tienen una amplia variedad

de aplicaciones en ingenieria y las ciencias
LINEAL fisicas. Por ejemplo, para determinar la
APLICADA cantidad de fuerza requerida para empujar L - - - --+,t--- - = - - - - = -
un objeto hacia arriba en una rampa que
tiene un angulo de elevaci6n 0, utilice la
figura de la derecha.
En la figura, el vector etiquetado como W F
representa el peso del objeto, y el vector etiquetado como F representa
la fuerza requerida. Utilizando triangulos si milares y algo de trigonome-
tria, la fuerza requerida es F = W Sen 0. lntente verificar esto.
Anne K,uman/www shunerstockoom

COMBINACIONES LINEALES DE VECTORES

El siguiente ejemplo ilustra un tipo de problema importante del algebra lineal: la escritura
de un vector x como la suma de multiplos escalares de otros vectores V 1, v2 , . . . , y v,,. Es
decir, para los escalares c 1, c 2, • •• , c11
El vector x se denomina combinacion lineal de los vectores V 1, v2, ... y v,,.

@ rn €S © M 00 00 Dc
Escritura de un vector como una combinaci6n
ID'Al □ rnlR!lTI'@ EJEMPLO 6
lineal de otros vectores
'iJo LEI vector (1 ,1) es Dados x = (- I , -2, -2), u = (0, I , 4), v = (- I , I , 2) y w = (3, I , 2) en R3, encuentre
una combinaci6n escalares a, b y c tales que
linea l de los vecto-
x = au + bv + cw.
res (1, 2) y (- 2,
-4)? Grafique estos SOLUCION
vectores en e l Escriba
piano y explique su X U V W
,------A-----, ~~-~ ,------A-----,
respuesta geome-
tricamente. (- 1, -2, -2) = a(O, 1,4) + b(- 1, 1,2) + c(3, 1,2)
~□ De manera similar, = (-b + 3c, a + b + c, 4a + 2b + 2c)

determine si el vec- e iguale las compone ntes correspondientes de modo que formen el sigujente sistema de
tor (1,1) es una tres ecuaciones lineales a, by c.
combinaci6n lineal
-b + 3c
= - 1 Ecuaci6n de la primera componente
de los vectores (1,
2) y (2,1). a+ b + c = - 2 Ecuaci6n de la segunda componente
©o LCual es el signifi- 4a + 2b + 2c = - 2 Ecuaci6n de la tercera componente

cado geometrico Resuelva para a, by c para obtener a = I , b = -2 y c = -I. Como una combinaci6n lineal
de estas dos pre- de u, v y w
guntas?
X =U - 2V - W.
Go LCada vector e n R2
es una combina- Intente aplicar la suma vectorial y multiplicaci6n escalar para verificar el resultado.
ci6n lineal de los
vectores (1, 2) y A menudo es util representar un vector u = (u 1, u2, ..• , u,,) en R" ya sea como una
(2, 1)? De una expli- matriz rengl6n de 1 X 11 (vector rengl6n) o como una matriz columna de 11 X 1 (vector
caci6n geometrica columna). Este planteamiento es valido, ya que las operaciones matriciales de suma y
de su respuesta. multiplicaci6n por un escalar dan los mismos resultados que las operaciones vectoriales
correspondientes. Es decir, las sumas matric iales
u + v =[u 1 u2 u,,] +[v 1 v2 v11]
= [u I + v, U2 + V2 ull + vii]
y
U
Ul•21 + rV U2 +
V2l1 rUI V2
+. V11
u+ v= • =
r ~II ~II l/11 + VII
producen el mismo resultado que la operaci6n suma vectorial

U + V = (u 1, U2, . . . , U ,,) + (V 1, V2, . . . , vii)
= (ul + v,, U2 + V2, ... , ull + v,,).
El mismo arg umento se apl ica a la multiplicaci6n escalar; la unica diferencia en las tres
notaciones vectoriales es c6mo se despliegan las tres componentes.
4.1 Ejercicios 153
Determinaci6n de la forma componente de un vec- 28. lCual(es) de los siguientes vectores es(son) multiplo(s)
tor En los ejercicios 1 y 2 determine la forma en compo- escalar(es)?
nentes del vector mostrado.
y y
z = (½, -t ¾)?
l. 2. (a) u = (6, - 4, 9)
• (b) v = (- I , t -~)
4 4
Operaciones vectoriales En los ejercicios 29 y 30,
• encuentre (a) u - v, (b) 2(u + 3v) y (c) 2v - u.
2
29. U = (4, 0, -3 , 5), V = (0, 2, 5, 4)
X
-6 -4 -2
.r 30. U = (0, 4, 3, 4, 4), V = (6, 8, - 3, 3, - 5)
2 4
Operaciones vectoriales En los ejercicios 31 y 32, uti-

Representaci6n de un vector En los ejercicios 3 a 6, utilice una aplicaci6n grafica con capacidad matricial para
lice un segmento de recta dirigido para representar al vector. hal lar lo siguiente, donde u = ( I , 2, -3, I ), v = (0, 2, - 1, -2)
3. U = (2, - 4) 4. V = ( - 2, 3) y w = (2, - 2, 1, 3).
5. U = ( -3, -4) 6. V = (-2, -5) 31. (a) u + 2v 32. (a) v + 3w
I
(b) w - 3u (b) 2w - 2U
Determinaci6n de la suma de dos vectores En los
ejerc ic ios 7 a I 0, encuentre la suma de los vectores e ilustre (c) 4v + 2I u - w (c) ½(4v - 3u + w)
geometricamente la operaci6n vectorial indicada.
Soluci6n de una ecuaci6n vectorial En los ejercicios 33
7. U = ( 1, 3), V = (2, -2) 8. U = (- 1,4), V = (4, -3) a 36, encuentre el valor de w dado que u = ( I , - 1, 0, I) y v
9. U = (2, -3), V = (-3, - 1) = (0, 2, 3, - 1).
10. U = (4, - 2), V = (-2, - 3) 33. 2w = u - 3v 34. w +u= - v
I
Operaciones vectoriales En los ejercicios 11 a 16, 35. 2w = 2u + 3v 36. w + 3v = -2u
encue ntre el vector v e ilustre geometricamente las operacio- Soluci6n de una ecuaci6n vectorial En los ejerc icios 37
nes vectoriales indicadas, donde u = (-2, 3) y w = (- 3, - 2). y 38, determine w cal que 2u + v - 3w = 0.
11. V = ¾u 12. V =U+W 37. u = (0, 2, 7, 5), v = (-3, I, 4, -8)
13. V = U + 2w 14. V = - u+ W
38. U = (0, 0, -8, 1), V = (1, -8, 0, 7)
15. v = ½(3u + w) 16. v = u - 2w
Escribir una combinaci6n lineal En los ejercicios 39 a
17. Dado el vector v = (2. l), trace (a) 2v, (b) - 3v y (c) - ½v. 44, escriba v como una combinaci6n linea l de u y w, en caso
18. Dado el vector v = (3, -2), trace (a) 4v, (b) - ½v y (c) 0v. de ser posible donde u = (1, 2) y w = ( 1, - 1).
39. v = (2, l ) 40. v = (0,3)
Operaciones vectoriales En los ejercicios 19-24, sean u =
41. V = (3, 0) 42. V = (1, -1 )
( I, 2, 3), v = (2, 2, - 1) y w = (4, 0, -4)
43. V = (- 1, - 2) 44. V = (I , -4)
19. Encuentre u - v y v - u 20. Encuentre u - v + 2w.
21. Encuentre 2u + 4v - w. 22. Encuentre Su - 3v -½w. Escribir una combinaci6n lineal En los ejercicios 45 a
23. Encuentre z, donde 2z - 3u = w 48, escriba v como una combinaci6n lineal de u 1, u2 y u3 en
caso de ser posible .
24. Encuentre z, donde 2u + v - w + 3z = 0.
45. V = (10, 1, 4), U1 = (2, 3, 5), U2 = (1, 2, 4),
25. Dado el vector v = ( I , 2, 2), trace (a) 2v, (b) - v y u 3 = (-2, 2, 3)
(c) ½v. 46. v = (- 1,7, 2), U 1 =( 1,3, 5), u 2 = (2, - J,3),
26. Dado el vector v = (2, 0, I ), trace (a) - v, (b) 2v y u 3 = (-3, 2, - 4)
(c) ½v. 47. V = (0, 5, 3, 0), u 1 = ( 1, I, 2, 2), u 2 = (2, 3, 5, 6),
27. lCual(es) de los siguientes vectores es (son) multiplo(s) U3 = (- 3, 1, - 4, 2)
escalar(es) de z = (3, 2, -5)? 48. V = (2, 5, -4, 0), U1 = (1, 3, 2, 1),
(a) v = (2, t -1) (b) w = (6, 4, 10) u, = (2, -2, - 5, 4), U3 = (2, - 1, 3, 6)
Escribir una combinaci6n lineal En los ejercicios 49 y

I!"\ 50, utiljce una aplicaci6n grafica o un programa de c6mputo C> 60. OOrn~&'u'rn Considere los vectores u =
-4)yv=(9, I).
(3,
\i:I con capacidad matricial para escribir v como una combinaci6n
lineal de u 1, u2, u3, u4 y u5. Despues verifique su soluci6n. (a) Utilice segmentos de recta dirigidos para represen-
49. V = (5, 3, - 11 , 11 , 9) 50. v = (5, 8, 7, - 2, 4) tar graficamente cada vector.
u1 = ( I, 2, - 3, 4, - I) u1 = (1, 1, - 1, 2, 1) (b) Encuentre u + v.
Uz=(J,2,0,2, J) u 2 = (2, 1,2, - I , I ) (c) Encuentre 2v - u.
U3 = (0, 1, 1, 1, -4) U3 = (1,2, 0, 1,2) (d) Escriba w = (39, 0) como una combinaci6n lineal
de u y v.
u 4 = (2, I , - I, 2, I ) u4 = (0, 2, 0, I, -4)
U5 = (0,2,2, - 1, - 1) U5 = ( 1, 1, 2, - 1, 2)
Prueba En los ejerc icios 6 1 a 64, complete las demostra-
lVerdadero o falso? En los ejercicios 5 1 y 52, determine c iones de las demas propiedades del teorema 4.3, suminis-
cual de las expresio nes es verdadera o falsa. Si la expresi6 n trando una justificaci6n para cada paso. Use las propiedades
es verdadera, proporcio ne una raz6n o cite una expresi6 n de la suma de vectores y la multiplicaci6n escalar del teo-
adecuada del texto. Si la expresi6n es falsa, pro porcione un rema 4.2.
61. Propiedad 3: Ov = 0
Ov = (0 + O)v a.
51. (a) Dos vectores en R" son iguales si y s6lo si sus com-
ponentes correspond ientes son iguales. Ov = Ov + Ov b.
(b) El vector -v se llama la identidad adi tiva de! vec- Ov + (-Ov) = (Ov + Ov) + (- Ov) C.
tor v. 0 = Ov + (Ov + (-Ov)) d.

52. (a) Para sumar dos vectores en R", se suman sus compo- 0 = Ov + 0 e.
nentes correspondientes. 0 = Ov f.
(b) El vector cero en R" esta definido como el inverso 62. Propiedad 4: cO = 0
aditivo de un vector.
cO = c(O + 0) a.
Escribiendo una combinaci6n lineal En los ejercicios cO = cO + cO b.
53 y 54, el vector cero O = (0, 0, 0) puede expresarse como cO + (-cO) = (cO + cO) + (-cO) C.
una combinaci6n lineal de los vectores Vi, v2, y v3 como O =
Ov 1 + Ov2 + Ov3• Lo anterior se deno mina soluci6n trivial. 0 = cO + (cO + (-cO)) d.
i,Puede encontrar una manera no trivial de expresar O como 0 = cO + 0 e.
una combinaci6n lineal de los tres vectores dados? 0 = co f.
53. VI =(1,0, J), V2 = (- 1, ),2), V3 = (0, 1, 4) 63. Propiedad 5: si cv = 0, entonces c = 0 o v = 0. Si c =
54. v 1 = (1, 0, I), v 2 = ( -1 , I, 2), v3 = (0, I, 3) 0, esta demostrada. Si c *
0, entonces c- 1 existe y se
tiene
55. llustre las propiedades 1 a 10 de! teorema 4.2 para
U = (2, - ] , 3, 6), V = (1, 4, 0, 1), W = (3, 0, 2, 0),
c- 1(cv) = c- 10 a. - - -
c = 5, y d = - 2.
1
(c- c)v =0 b.
56. Ilustre las IO propiedades de! teorema 4.2 para Iv = 0 C. - - -
U = (2, - I, 3), V = (3, 4, 0), W = (7, 8, -4), c = 2, V = 0. d.
yd= - 1. 64. Propicdad 6: - ( - v) = v
57. Prueba Complete la demostraci6n del teorema 4.1. - ( - V) + (- v) = 0 y V + (- V) = 0 a. _ _
58. Prueba Demuestre cada una de las propiedades de la - (-v) + (-v) = v + (-v) b. _ _
suma de vecto res y la multiplicaci6 n escalar de l teorema
- ( - V) + (- V) + V = V + ( - V) + V C.
4.2.
59. Escriba Sea Ax = b un sistema de m ecuaciones Linea-
-(- v) + ((- v) + v) = v + ((- v) + v) d.
Jes con n variables. Designe las columnas de A como a 1, -(- v)+ O = v + O e.
a2, . . . , a,,. Si b es una combinaci6 n Jjneal de estos 11 -(- v) = V f.
vectores columna, explique por que esto implica que el
siste ma lineal es consistente. (lustre su respuesta con 65. Escriba i,C6mo podrfa describir geometricamente
ejemplos apropiados. l,Que puede concluir acerca del la sustracci6n de vectores? i,Cual es la re laci6n entre la
sistema lineal si b no es una combinaci6 n lineal de las sustracci6 n de vectores y las o peracio nes vectoriales
colurnnas de A? basicas de suma y multiplicac i6n escalar?
4.2 Espacios vectoriales

Definir un espacio vectorial y reconocer algunos espacios vectoriales
■ importantes.
■ Mostrar que un conjunto dado no es un espacio vectorial.
DEFINICION DE UN ESPACIO VECTORIAL

En el teorema 4.2 se enumeraron JO propiedades especiales de la suma vectorial y de la
multiplicaci6n escalar en R". Definiciones id6neas de la suma vectorial y la multiplicaci6n
escalar revelan que muchas otras cantidades rnatematicas (como las matrices, los polino-
mios y las funciones) tam bien comparten estas 10 propiedades. Cualquier conjunto que
satisface estas propiedades (o axiomas) se denomina espacio vectorial y los elementos del
conjunto se denominan vectores.
Es importante comprender que la siguiente definici6n de espacio vectorial es precisa-
mente eso: una definici6n. Usted no necesita demostrar nada, ya que sirnplemente se listan
los ax iomas necesarios de los espacios vectoriales. Este tipo de definici6n se denomina
abstracci6n debido a que se abstrae una colecci6n de propiedades de un espacio n-dimen-
sional R" especffico para formar los axiomas necesarios de un espacio vectorial mas general.
Definici6n de un espacio vectorial

Sea V un conjunto no vacfo de vectores sobre el que estan definidas dos operaciones
(la suma vectorial y la multiplicaci6n escalar). Si los siguientes ax iomas se cum-
plen para todo u, v y w en Vy todo escalar (numero real) c y d, entonces V se de no-
mina espacio vectorial.
Suma:
1. u + v esta en V. Cerradura bajo la adici6n
2. U + V = V + U Propiedad conmutativa
3. u + (v + w) = (u + v) + w Propiedad asociativa
4. V contiene un vector cero 0 Identico aditivo
tal que para todo u en V, u + 0 = u
5. Para cada u en V, hay un vector en V Inverso aditivo
denotado por - u tal que
u + (-u) = 0.
Mulliplicaci6n escalar:
6. cu esta en V. Cerradura bajo la multiplicaci6n escalar
7. c(u + v) = cu + cv Propiedad di stributiva
8. (c + d)u = cu + du Propiedad distributiva
9. c(du) = (cd)u Propiedad asociativa
10. l (u) = u ldentico escalar
Es importante advertir que un espacio vectorial consta de cuatro elementos: un con-

j unto de vectores, un conjunto de escalares y dos operaciones. C uando se refiera a un
espacio vectorial V, asegurese de que los cuatro elementos esten claramente expresados o
e ntendidos. A menos de que se afirme otra cosa, se supone que el conjunto de escalares es
e l conjunto de los numeros reales.
Los dos primeros ejemplos de espacios vectoriales no son sorprendentes. Son, de
hecho, los modelos usados para formar los l O axiomas de los espacios vectoriales.
EJEMPLO 1 Fi con las operaciones estandar

es un espacio vectorial
El conjunto de todos los pares ordenados de numeros reales e n R2 con las operaciones
estandar es un espacio vectorial. Para comprobar lo anterior, considere de nuevo el teorema
4. 1. Los vectores en este espacio tienen la forma
V = (v 1, v2) .
156 Capitu lo 4 Espacios vectoriales
R'1 con las operaciones estandar

j EJEMPLO 2
es un espacio vectorial
El conjunto de todas las 11-adas ordenadas de numeros reales en Rn con las operaciones
normales es un espacio vectorial. Esto se comprueba por el teorema 4.2. Los vectores en
COMENTAR 0 este espacio son de la fo1ma
Del ejemplo 2 puede concluir
que R1, el conjunto de los
V = (v1, V2 , V3, . .. , v,,).
numeros reales (con las opera-
Los tres ejemplos siguientes describen espacios vectoriales en los que el conjunto
ciones usuales de suma y multi-
plicaci6n), es un espacio vecto- basico V no consta de 11-adas ordenadas. En cada ejemplo se describe el conjunto Vy se
rial. definen las dos operaciones vectoriales. Luego, para demostrar que el conj unto es un espa-
cio vectorial, debe verificar los diez axiomas.
EJEMPLO 3 El espacio vectorial de todas las matrices de 2 x 3
Demuestre que el conjunto de todas las matrices de 2 x 3 con las operaciones de suma de
matrices y multiplicaci6n escalar es un espacio vectorial.
COM ENTARIO
De la misma forma en que se SOLUCION
puede demostrar que el con- Si A y B son matices de 2 X 3 y c es un escalar, entonces A + B y cA tambien son matrices
junta de tadas las matrices de 2
de 2 X 3. Por consiguiente, el conjunto es cerrado bajo la suma de matrices y la multipli-
X 3 es un espacio vectoria l,
tambien puede demostrar que caci6n escalar. Ademas, los otros ocho axiomas de los espacios vectoriales se concluyen
el conjunto de todas las matri- directamente de los teoremas 2. 1 y 2.2 (vease la secci6n 2.2). Por tanto, puede concluir que
ces de m X n, denotada par el conjunto es un espacio vectorial. Los vectores en este espacio tienen la forma
Mm.n, es un espacio vectorial.
Cl
a = A= [
11
C/2 1
El espacio vectorial de todos los polinomios

EJEMPLO 4
de grado menor o igual que 2
Sea P 2 el conjunto de todos los polinomios de la forma p(x) = a2x2 + a 1x + a 0 donde a 0 ,
a 1, a 2 son numeros reales. La suma de dos polinomios p(x) = a 2x2 + a 1x + a0 y q(x) =
b2x 2 + b 1x + b 0 se define de la forma usual como
p(x) + q(x) = (a2 + b2)x 2 + (a 1 + b 1)x + (a0 + b0 )
y el multiplo escalar de p(x) por el escalar c se define como
cp(x) = CClzX 2 + calx + CClo-
Demuestre que P 2 es un espacio vectorial.
SOLUCION
La comprobaci6n de cad a uno de los l O axiom as que definen un espacio vectorial es una
aplicaci6n directa de las propiedades de los numeros reales . Por ejemplo, dado que el
conjunto de los numeros reales es cerrado bajo la suma, se concluye que a 2 + b2 , a 1 + b 1
y a0 + b0 son numeros reales, y que
p(x) + q(x) = (a2 + b2 )x 2 + (a 1 + b)x + (a0 + b0 )
pertenece al conjunto P 2 porque se trata de un polinomio de grado menor o igual que 2. Por
tanto, P 2 es cerrado bajo la suma. Para comprobar el ax.ioma conmutativo de la suma, escriba
p(x) + q(x) = (aiX2 + a 1x + a0) + (biX 2 + b 1x + b0 )
COMENTAR 0 = (a2 + b2)x 2 + (a 1 + b1)x + (a0 + b0 )
Aunque el palinomio cero = (b2 + a2 )x 2 + (b 1 + a 1)x + (b0 + a0 )
O(x)= 0 carece de g rado, a = (br 2 + b 1x + b0 ) + (c1r 2 + a 1x + a0)
menudo P2 se descri be como el
conjunto de todos los poli no- = q(x) + p(x).
mias de grada menor a igual
i,Puede ver d6nde se aplic6 la propiedad conmutativa de la suma de numeros reales? El
que 2.
vector cero en este espacio es el polinomio cero dado por O(x) = Ox2 + Ox + 0 para toda
x. Entonces le sera posible concluir que P2 es un espacio vectorial.
P,, se define como el conj unto de todos los polinomios de grado menor o igual que n
(i unto con el polinomio cero). El procedimiento usado para comprobar que P 2 es un espa-
c io vectorial puede extenderse para demostrar q ue P,,, con las operaciones estandar de
suma polinomial y multiplicaci6n escalar, es un espacio vectorial.
El espacio vectorial de funciones

EJEMPLO 5 continuas (calculo)
Sea C(-oo, oo) el conjunto de todas las funciones Y
continuas de valor real definido sobre toda la recta
de los numeros reales. Este conjunto consta de todas
las fu ncioncs polinomialcs y de todas las dcmas fu n-
c iones que so n continuas sobre toda la recta nume-
g
rica. Par ejemplo, f(x) = Sen x y g(x) = er pertene- f(x) + g(x)
cen a este conjunto.
La suma esta definida por
(J + g)(x) = J(x) + g(x) f
- +------"-----"--.L..L..- -_,.. X
como se muestra en la figura 4.8. La multiplicaci6n X
escalar esta definida po r

Figura 4.8
(cf)(x) = c[J(x)].
Demuestre que C(-oo, oo) es un espacio vectorial.
SOLUCION
Para comprobar que el conjunto C(-oo, 00) es cerrado bajo la suma y la multiplicaci6n
escalar, puede aplicar e l resultado de calculo donde se afirma que la suma de dos func io nes
continuas es: una fu nci6 n continua y que el producto de un escalar par una fu nci6n conti-
nua es una funci6 n continua. Para comprobar que e l conjunto C(-oo, oo) posee identico
aditivo, se considera la funci6n Joque tiene un valor cero para toda x. Es decir,
J0 (x) = 0, donde x es cualquier numero real.
Esta funci6n es continua sabre toda la recta numerica real(su grafica es simplemente la
recta y = 0). Po r tan to, pertenece al conj unto C(-oo, oo). Ademas, si f es otra funci6 n cual-
quiera que es continua sobre toda la recta numerica, ento nces
(J + f 0 )(x) = J(x) + Jo(x) = J(x) + 0 = J(x).
Pa r tanto,j0es el identico aditivo en C(-oo, oo). La veri ficac i6n de los demas ax iomas se le
dejan a usted.
Por conveniencia, se proporciona un resumen de algunos espacios vectoriales impor-
tantes a los que a menudo se hara referenc ia en el resto del libro. En cada caso la opera-
ciones son las estandar.
Resumen de espacios vectoriales importantes

R = conjunto de todos los numeros reales
R2 = conjunto de todos los pares o rdenados
R3 = conjunto de todas las tercias ordenadas
R" = conjunto de todas las n-adas ordenadas
C(- oo, oo) = conj unto de todas las func io nes continuas definidas sobre la recta
numerica
C[a, b] = conj unto de todas las funciones continuas definidas sobre un intervalo
cerrado [a, b]
P = conjunto de todos los polinomios
P,, = conjunto de todos los polinomios de grado :s n
M ,,,_11 = conjunto de todas las matrices de m X n
M,,_,, = conjunto de todas las matrices cuadradas de n x n
Se ha visto la versatilidad de l concepto de espacio vectorial. Por ejemplo, un vector

puede ser un numero real, una n-ada, una matriz, un polinomio, una funci6n continua, etc.
Sin embargo, i,Cual es el objetivo de esta abstracci6n y por que definirla? Hay muchas
razones, pero la mas importante es la eficiencia. Esta abstracci6n resulta ser matematica-
mente eficaz en el sentido de que ahora ya se pueden deducir resultados generales validos
para todos los espacios vectori ales. Una vez que se ha demostrado un teorema para un
espacio vectorial abstracto, no es necesario dar demostraciones por separado para las
n-adas, las matrices y los polinomios. Basta sefialar que el teorema es verdadero para
cualquier espacio vectorial, sin importar la forma especffica que tengan los vectores. Este
proceso se ilustra en el teorema 4.4.
TEOREMA 4.4 Propiedades de la multiplicaci6n escalar

Sea v cualquier elemento de un espacio vectori al Vy sea c cualqu ier escalar. Enton-
ces son c iertas las propiedades siguientes.
1. Ov = 0 2. cO = 0
3. Si cv = 0, entonces c = 0 o v = 0. 4. ( - I )v = - v
DEMOSTRACION
Para demostrar estas propiedades, la restricci6n es aplicar solamente los 10 axiomas que
definen un espacio vectorial. Por ejemplo, para demoslrar la segunda propiedad, del
axioma 4 se observa que O = 0 + 0. Esto permite escribir los pasos siguientes.
cO = c(O + 0) Identidad aditiva
cO =cO +cO Propiedad dist ributiva por la izquierda
cO + (-cO) = (cO + cO) + (-cO) Suma de - cO a ambos !ados
cO + (-cO) = cO + [cO + (-cO)] Propiedad asociativa
O =cO + O Inverso aditi vo
0 = cO ldentico aditivo
Para demostrar la tercera propiedad, se supone que cv = 0. Demostrar que esto implica ya
*
sea c = 0 o v = 0, supone que c 0. (Si c = 0, no hay nada que demostrar.) Ahora, dado
que c ct:- 0, se usa el recfproco l/c para demostrar que v = 0 como sigue.
v = l v = (.!_)(c)v = .!_(cv) = .!_(O) = 0

C C C
Observe que el ultimo paso utiliza la propiedad 2 (justamente la que se acaba de demos-
trar). Las demostraciones de las propiedades primera y cuarta se dejan como ejercicios
(veanse los ejerc ic ios 47 y 48).
ALGEBRA En un sistema masa-resorte, se asume que el movimiento ocurre solo
[
en direcci6n vertica l. Es deci r, el sistema tiene un unico grado de
LINEAL libertad. Cuando se jala la masa hacia abajo y despues se libera, el
APLICADA sistema oscilara. Si nose disminuye el sistema, lo que significa que
no hay fuerzas presentes para ralentizar o detener la oscil aci6n, ento n-
ces el sistema oscilara indefinidamente. Al aplicar la Segunda Ley del
Movimiento de Newton a la masa, se produce la ecuaci6n diferencial
de segundo orden
x "+ w 2x = 0
donde x es el desplazamiento en el tiempo t, y 0 es un a constante fija
llamada la frecuencia natural del sistema. La soluci6n general de esta
ecuaci6n diferencia l es
x(t) = a, sen wt + a2 cos wt

donde a, y a2 son constantes arbitrarias (intente verificar esto.) En el
ejercicio 41 se le pide que demuestre que el conjunto de to das las fun-
ciones x(t) es un espacio vectorial.
© 2000 Richard Megna - fuooamental Photographs
CONJUNTOS QUE NO SON ESPACIOS VECTORIALES

En los ejemplos restantes de esta secci6n se describen algunos conjuntos (con operaciones)
que no fo rman espacios vectorial es. Para demostrar que un conjunto no es un espacio
vectorial, s6lo necesita encontrar un axioma q ue no se satisfaga.
COM ENTARIO
Note que es sufici ente con qu e EJEMPLO 6 El conjunto de los enteros no es espacio vectorial
nose cu m pla uno de los 10
axiom as para dem ostrar qu e un El conjunto de todos los enteros (con las operacio nes estandar) no constituye un espacio
co njunt o no es un espacio v ec-
torial.
vectorial porque no es cerrado bajo la multiplicaci6n escalar. Por ejemplo,
' - - - - - -[:> i( l ) = ½-
Escalar
I - - -Entero
- - -No entero
En el ejemplo 4 se demostr6 que el conjunto de todos los po li nomios de grado meno r

o igual que 2 forma un espacio vectorial. A continuaci6 n vera que el conj unto de todos los
polinomios cuyo grado es exactamente 2 no es un espacio vecto rial.
El conjunto de los polinomios de segundo grado

EJEMPLO 7
no es un espacio vectorial
El conjunto de todos los po linomios de segundo grado no es un e pacio vecto rial porque
no es cerrado baj o la suma. Para ver esto, considere los polinomios de segundo grado p(x)
= x2 y q(x) = -x2 + x + I, cuya suma es el po linomio de primer grado p(x) + q(x) =
X + 1.
Los conjuntos en los ejemplos 6 y 7 no son espacios vectoriales porque no satisfacen

uno o ambos axiomas de cerradura. En el ejemplo siguiente se considera un conjunto que
cumple con ambas pruebas de cerradura y que a pesar de ello no es un espacio vectorial.
EJEMPLO 8 Un conjunto que no es espacio vectorial
Sea V = ?, el conj unto de todos los pares ordenados de numeros reales, con la operaci6n
estandar de suma y la siguiente definic i6n no esttindar de multiplicaci6n escalar:
e(x 1,x 2 ) = (ex 1, 0)
Demuestre que V no es un espacio vectorial.
SOLUCION
En este ejemplo, la operaci6n de multiplicaci6n escalar no es estandar. Por ejemplo, el
producto de! escalar 2 y de] par ordenado (3, 4) no es igual a (6, 8). En vez de eso, la
segunda compo nente del vecto r es 0,
2(3, 4) = (2 · 3, 0) = (6, 0).
Este ejemplo es interesante porque en realidad satisface los nueve primeros axiomas
(intente demostrar esto). Al verificar este ax ioma observe que con la definic i6n no estandar
de multiplicaci6n escalar se obtiene
1( 1, I)= ( I, 0) -4= ( I, I).
El decimo axioma nose cumple y el conjunto (con las dos operaciones) no es un espacio
vectorial.
No se confunda por la notaci6n usada para la multiplicaci6n escalar de! ejemplo 8. Al

escribir e(xi, x 2) = (ex 1, 0) se define el multiplo escalar de (xi, x) por c como (ex 1, 0).
Describir la identidad aditiva En los ejercicios J a 6, 25. El conjunto de todas las matrices de 2 x 2 de la forma
describa el vector cero (el identico aditivo) de! espacio vec-
torial dado ..
1. R4 2. C( - CX), CX)) 3. M 2_3
6. M 2_2 con las operaciones estandar.
26. El conj unto de todas las matrices de 2 X 2 de la forma
Describir el inverso aditivo En los ejercicios 7 a 12,
describa el inverso aditivo de un vector en el espacio vecto-
rial dado.
8. C( - CX), CX)) 9. M 2,3 con las o peraciones estandar.
11. P3 12. M 22
27. El conjunto de todas las matrices de 3 X 3 de la forma
Pruebas para un espacio vectorial En los ejercicios 13 a
a 34, determine si e l conj unto dado, jun to con las operaciones
0
indicadas, es un espacio vectorial. En caso negativo, identifi-
f
que por lo menos uno de los 10 axiomas de espacios vecto-
riales que no se cumpla. con las operacio nes estandar
13. M 4 _6 con las operaciones estandar. 28. El conjunto de todas las matrices de 3 X 3 de la forma
14. Mu con las operaciones estandar. a
15. El conjunto de todos los polinomios de tercer grado con I
las operaciones estandar. f
16. El conj unto de todos los polinomios de quinto grado con
con las operaciones estandar.
las operaciones estandar.
29. El conjunto de todas las matrices singulares de 2 X 2
17. El conj unto de todas la funci ones polinomiales de primer
grado ax, a * 0, cuyas graficas pasan por el origen con
las operaciones estandar 30. El conjunto de todas las matrices no singulares de 2 X 2
18. El conjunto de todas las funciones polinomiales de pri-
mer grado ax + b, a t,. 0, cuyas graficas no pasan po r el 31. El conjunto de todas las matrices diagonales de 2 X 2
origen con las operaciones estandar. con las operaciones estandar.
19. El conjunto de todos los polinomios de cuarto grado o 32. El conjunto de todas las matri ces tri angul ares superiores
menos con las operaciones estandar de 3 X 3 con las operaciones estandar.
20. El conjunto de todas las funciones cuadraticas cuyas gra- 33. C[0, 1], el conjunto de todas las funciones continuas
ficas pasan po r el origen con las operaciones estandar. definidas sobre el intervalo [0, 1) , con las operaciones
estandar.
21. El conjunto
34. C[- 1, I], el conjunto de todas las funciones conlinuas
{ (x, y): x ~ 0, yes un numero real} definidas en el i nterva]o [-1, l], con las operaciones
con las operaciones estandar en R2 . estandar
22. El conjunto 35. En vez de aplicar las definiciones estandar de suma y
multiplicaci6n escalar en R2, suponga que estas dos ope-
{(x,y): x ~ O,y ~ O} raciones se definen como sigue.
con las operaciones estandar en R2 . (a) (x 1,Y1) + (x2,Y2) = (x1 + X2,Y1 + Y2)
23. El conjunto e(x, y) = (ex, y)
{(x, x): x es un numero real } (b) (xi, y,) + (x2, Yi) = (xi, 0)
e(x, y) = (ex, ey)
(c) (x ,, y 1) + (x2,Y2) = (x1 + X2,Y1 + Y2)
24. El conjunto
c(x, y) = ( Jcx, ✓cy)
{(x, ½x): x es un numero real}
Con estas nuevas definic iones, l R2 es un espacio vecto-
con las operaciones rial? Justifique sus respuestas.
4.2 Ejercicios 161
36. En vez de aplicar las de finicio nes estandar de suma y 42. Sea R(X) el conjunto de todas las sucesiones infinitas de
multiplicaci6n escalar en R3, suponga que estas dos ope- numeros reales, con las o peraciones
raciones se definen como sig ue. U + V = (u,, U2 , U3, . . . ) + (v,, V2, V3, . . . )
(a) (x 1,y 1,z 1) + (x 2,Y2,Z2) = (u 1 + v1, U2 + V2, U 3 + V3, . . . )
= (x 1 + x 2, Y1 + Yi, Z, + Z2) y cu = c(u,, u2, u3, . •. )

c(x, y, z) = (ex, cy, 0) = (cu I, CU2, CU3, . • . ).
(b) (x 1, y 1, z1) + (x 2 , y2, z2 ) = (0, 0, 0) Determine si R(X) es un espacio vectorial. De ser asf,
c(x, y, z) = (ex, cy, cz) e ntonces verifique cada axioma del espacio vectori al; si
(c) (x 1, Y 1, z) + (x 2, Y2, Z2) no, entonces enuncie todos los axiomas de! espacio vec-
= (x ' + x 2 + I , y' + Yi + 1, z ' + z2 + 1) torial que fallan.
c(x, y, z) = (ex, cy, c.::) 43. Sea V el conjunto de todos los numeros reales positivos.
(d) (x,, y 1, z,) + (x2 ,Y2, z2 ) Determine si V es un espacio vectorial con las sig uientes
= (x ' + x 2 + I ' y' + Y2 + I , z ' + z2 + I) operaciones.
c(x, y, z) = (ex + c - I, cy + c - I , cz + c - I) x+y=xy Suma
Con estas nuevas definiciones, l R3 es un espacio vecto-
ex = xc Multiplicaci6n escalar
rial? Justifique su respuesta.
Si lo es, verifique cada axioma del espacio vectorial; si
37. Prueba Demuestre con todo detalle que M2.2, con las
no lo es, diga todos los axiomas de! espacio vectorial que
operaciones estandar, es un espacio vectorial.
no se cumplen.
38. Prueba Demuestre con todo detalle que el conjunto
44. Prueba Demuestre la propiedad de cancelaci6 n de la
{ (x, 2x): x es un numero real}, con las operaciones estan-
suma vectorial proporcionando la justificaci6n para cada
dar en R2 , es un espacio vectorial.
paso.
39. Determine si el conjunto R2 , con las operaciones Demuestre que si u, v y w son vectores de un espacio
(x,,y,) + (x2,Y2) = (x ,x2,Y1Y2) vectorial V tales que u + w = v + w, entonces u = v.
y c(x 1,y1) = (cx 1, cy 1) u +w=v+ w Dados
es un espacio vectorial. En caso afirmativo, compruebe (u + w) + (- w) = (v + w) + (- w) a.
cada uno de los axiomas de los espacios vectoriales; en u + (w + (- w)) = v + (w + (- w)) b.
caso negativo, e criba todos los axiomas de los espacios
vectoriales que no se cumplen.
u + O= v + O C.
u= v d.
(a) Describa las condiciones bajo las cuales un con- cual de las expresio nes es verdadera o falsa. Si la expresi6n
junto puede clasificarse como un espacio vectorial. es verdadera, proporcione una raz6n o cite una expresi6n
(b) Proporcione un ejemplo de un conjunto que es un adecuada de! texto. Si la ex presi6n es falsa, proporcione un
espacio vectorial y un ejemplo de un conjunto que ejemplo que muestre que la expresi6n no es cierta en todos
no es un espacio vectori al. los casos o cite del texto una expresi6n adecuada.
41. Sistema masa-resorte La masa de un sistema masa- 45. (a) Un espacio vectorial consta de cuatro elementos: un
resorte (vease la fi gura) se jala hacia abajo y despues se conj unto de vectores, un conjunto de escalares y dos
libera, provocando que el sistema oscile de acuerdo con operacio nes.
x(t) = a 1 Sen wt + a 2 Cos wt (b) El conjunto de todos los enteros con las operacio nes
estandar es un espacio vectori al.
donde x es el desplazamiento en el tiempo t, a 1 y a 2 son
(c) El conjunto de LOdas las tercias ordenadas (x, y, z) de
constantes arbitrarias, y w es una constante fija. De mues-
numeros reales, donde y :::::: 0, con las operacio nes
tre que el conjunto de todas las funciones x(t) es un
estandar en R 3 es un espacio vectorial.
espacio vectorial.
46. (a) Para demostrar que un conjunto no es un espacio
vectorial, es suficiente demostrar que uno de los
axiomas no se cumple.
(b) El conjunto de todos polinomios de primer grado
con las o peraciones estandar es un espacio vecto rial.
(c) El conjunto de todos los pares de numeros reales de
la forma (0, y), con las operaciones estandar en R2 ,
es un espacio vectorial.
47. Prueba Demuestre la propiedad I del teorema 4.4.
48. Prueba Demuestre la propiedad 4 del teorema 4.4.
4.3 Subespacios de espacios vectoriales

Determine si un subconjunto W de un espacio vectorial Ves un sub-
■ espacio de V.
■ Determine las subespacios de Rn.
SUBESPACIOS
En muchas de las aplicac iones importantes del algebra lineal los espacios vectori ales ocu-
rren como subespacios de espacios mas grandes. Por ejemplo, se vera que el conjunto
soluci6n de un sistema homogeneo de ecuac iones lineales en n variables es un subespacio
de R". (vease el teorema 4.16).
Un s ubconjunto no vacfo de un espacio vectorial es un subespacio si es un espacio
vectorial (con las mismas operaciones definidas en e l espacio vectori al original), como se
COM ENTARIO establece en la siguiente definici6n.
Observe qu e si W es un subes-
pacio de V, debe ser cerrado Definici6n de subespacio de un espacio vectorial
bajo las operaciones inherentes
a V. Un subconjunto no vacfo W de un espacio vectorial se denomina subespacio de V si
W es un espacio vectorial baj o las operacio nes de suma y multi plicaci6n escalar
definidas en V.
, EJEMPLO 1 Un subespacio de R3
'
Demuestre que el conjunto W = {(x1, 0, x3): x 1 y x 3 son numeros reales es un subespacio

de R3 con las operaciones estandar.
SOLUCION
El conj unto W es no vacfo, debido a que contiene al vector nulo (0, 0, 0).
Graficamente, el conjunto W puede interpretarse como simplemente el piano xz, como se
muestra en la figura 4.9. El conjunto Wes cerrado bajo la suma porque la suma de dos vecto-
res cualesquiera en el piano xz tambien debe estar en el piano xz. Es decir, si (x 1, 0, x 3) y
(yi, 0, y 3) pertenecen a W, ento nces la suma (x 1 + yi, 0, x3 + y3) tambien esta en W (dado que
la segunda componente es cero). De manera similar, para ver que Wes cerrado bajo la multi-
plicaci6n escalar, sea (xi, 0, x 3) que esta en W y sea c un escalar. Entonces c(xi, 0, x 3) = (cxi,
0, x3) tiene al cero como segunda componente y, por tanto, debe pertenecer a W. La verifica-
X )'
ci6n de los otros ocho axiomas que definen los espacios vectoriales se le deja a usted.
Figura 4.9
Para establecer que un conjunto W es un espacio vectorial es necesario verificar las 10
propiedades de los espacios vectoriales. Si W es un subconjunto de un espacio vectorial V
mas grande (y las operaciones definidas sobre W son las mismas definidas sobre V), enton-
ces casi todas las IO propiedades son heredadas del espacio mas grande, por lo que no es
necesario verificarlas. El siguiente teorema establece que basta comprobar la cerradura
para establecer que un subconjunto no vacfo de un espacio vectorial es un subespacio.
TEOREMA 4.5 Prueba para un subespacio

Si W es un subconjunto no vacfo de un espacio vectorial V, e ntonces W es un subes-
pacio de V si y s6lo si se cumplen las siguientes condiciones de cerradura.
1. Si u y v estan en W, entonces u + v esta en W.
2. Siu esta en W y c es cualquier escalar, entonces cu esta e n W.
DEMOSTRACION
La demostrac i6n del teorema en una direcci6n es directa. Es decir, si W es un subespacio
de V, entonces W es un espacio vecto rial y deber ser cerrado bajo la suma y la multiplica-
ci6n escalar.
Para demostrar el teorema en la o tra direcci6n, se supone que Wes cerrado bajo la suma
y la multiplicaci6n escalar. observe que si u, v y w estan W, entonces automaticamente
tambien estan en V. Por consiguiente, los ax iomas 2, 3, 7, 8, 9 y IO que definen los espacios
COM ENTARIO vectoriales se cumplen automaticamente. ademas, debido a que W es cerrado bajo la adici6n
Observe que si W es un subes- y la multiplicaci6n escalar, se concluye que para cualquier v en W y un escalar c = 0, cv =
pacio de un espacio vectorial V, 0 y (- l )v = - v ambos estan en W, por tanto, satisfacen los ax iomas restantes 4 y 5.
entonces tanto W como V
deben tener el mismo vector Dado que un subespacio de un espacio vectorial es en sf un espacio vectorial, ento nces
...______C>
cero O (vease el ejercicio 55).
debe contener e l vector cero. De hecho, el subespacio mas simple de un espacio vecto rial
es aquel que consta solamente def vector cero, W = {0} . Este subespacio de denomina
subespacio cero. Otro subespacio obvio de V es V mismo. todo espacio vectorial posee
estos dos subespacios triviales, y Ios subespacios diferentes a estos se denominan subes-
pacios propios (o no triviales).
EJEMPLO 2 El subespacio de M2,2
Sea W el conjunto de todas las matrices simetricas de orden 2. Demuestre que W es un

subespacio de! espacio vectori al M2_2 con las operaciones estandar de suma vectorial y
multiplicaci6n escalar.
SOLUCION
Recuerde que una matriz es simetrica si es igual a su propia transpuesta. Como M2_2 es un
es pacio vectori al, solo necesita demostrar que W (un subconjunto de M2.2) satisface las
condiciones de! teorema 4.5. Cornience por observar que Wes no vacio. Wes cerrado bajo
la suma porque A 1 = A I y A2 = Af, lo que implica que
(A I + A2)T -- ATI + AT
2 -- A I + A 2·
Por tanto, si A I y A2 son matrices simetricas de orden 2, entonces tambien lo es A 1 + A2• De

manera similar, W es cerrado bajo la multiplicaci6n escalar porque A = A' implica que (cA)'
= cA' = cA . Si A es una matriz simetrica de orden 2, entonces tambien lo es cA.
Es posible generalizar el resultado de! ejemplo 2. Es decir, para cualquier entero po i-
tivo n, el conjunto de las matrices simetricas de orden n es un subespacio de! espacio
vectorial M 11 _11 con las operaciones estandar. El siguiente ejemplo describe un subconjunto
de M 11_11 que no es un subespacio.
El conjunto de las matrices singulares

EJEMPLO 3
no es un subespacio de Mn,n
Sea W el conjunto de matrices singulares de orden 2. Demuestre que W no es un subespa-
c io de M2 _2 con las operacio nes estandar.
SOLUCION
Por el teorema 4.5, usted puede demostrar que e l subconjunto W no es subespac io si se
concluye que W es vacfo, que W no es cerrado bajo la suma o que W no es cerrado bajo la
multiplicaci6n escalar. Para este conjunto particular, W es no vacfo y cerrado bajo la mul-
tiplicaci6n escalar, pero no es cerrado bajo la suma. Para ver lo anterior, sean A y B
Entonces tanto A como B son singulares (no invertibles), pero su suma
A + B = [~ ~]
es no singular (invertible). Asf, W no es cerrado bajo la suma y por el teorema 4.5 se puede
concluir que no es un subespacio de M2_2
El conjunto de vectores que estan en el primer

i EJEMPLO 4
cuadrante no es un subespacio de R2
Demuestre que W = {(xi , x 2) : Xi;::,= 0 y x 2 ;::,= 0}, con las operaciones estandar, no es un
subespacio de R2 .
SOLUCION
Este conj unto es no vacfo y cerrado bajo la suma. Sin embargo, no es cerrado bajo la multi-
plicaci6n escalar. Para ver lo anterior, advierta que ( 1, 1) esta en W, pero el multiplo escalar
(-1)(1, 1) = (-1, -1) no pertenece a W. Por consiguiente, W no es un subespacio de R2.
A menudo encontrara series de subespacios anidados entre sf. Por ejemplo, considere
los espacios vectoriales P0 , Pi, P 2, P3 , . . . , y P,, donde Pkes el conjunto de todos los poli-
no mios de grado menor o ig ual que k, con las operaciones estandar. Es faci l demostrar que
sij 5 k, entonces Pj es un subespacio de Pk. asf, se puede escribir P0 C Pi C P2 C P3 C .. .
c P,,. (En el ejercicio 45, se le pedira que demuestre esto.) Otros casos de s ubespacios
anidados se describen en el ejemplo 5.
EJEMPLO 5 Subespacios de funciones (calculo)
Sea W 5 el espacio vectorial de todas las funciones defi nidas en [O, I], y sean W 1, W2 , W 3
y W4 definidas como sigue
Wi = conjunto de todas las funciones polinomiales definidas en el intervalo [0, 1)
W2 = conjunto de todas las funciones derivables en [0, 1)
W3 = conjunto de todas las funciones continuas en [0, 1)
W4 = conj unto de todas las funciones integrables en [0, l]
Demuestre que W1 C W2 C W 3 C W4 C W 5 y que W; es un subespacio de Wj para i 5 j.
SOLUCION
Del calculo se sabe que toda funci6n polinomial es derivable en [0, I]. Por consiguiente,
w, C W2 . ademas, el W2 C W3 porque toda funci6n derivable es continua, W3 C W4 porque
toda funci6n continua es integrable y W4 C W5 porque toda funci6n integrable es, por
supuesto, una funci6n. Como resultado de los comentarios previos, se tiene que Wi C W2
Figura 4.10
C W3 C W4 C W5 , como se observa en la fig ura 4.10. Se deja que usted compruebe que W;
es un subespacio de Wj para i 5 j. (Yease el ejercicio 46.)
En el ejemplo 5, observe que si U, V y W son espacios vectoriales tales que Wes un
COMENTAPIO subespacio de V y V es un subespacio de U, entonces W tambien es un subespacio de U.
El teorema 4.6 esta blece que la Este caso especial de) siguiente teorema establece que la intersecci6n de dos s ubespacios
intersecci6n de dos subespacios
es un subespacio, como se muestra en la figura 4.11.
es un subespacio. En el ejerci-
cio 56 se pide que usted
demuestre que la union de dos TEOREMA 4.6 La intersecci6n de dos subespacios
subespacios no es necesa ria- es un subespacio
mente un subespacio.
Si Vy W son subespacios de un espacio vectorial U, entonces la intersecci6n de Vy
W (denotada por V () W) tambien es un subespacio de U.
DEMOSTRACION
u
Como V y W son subespacios de U, se sabe que ambos contienen el vector cero, lo cual
significa que V () Wes no vacfa. Para demostrar que V () Wes cerrada bajo la suma, sean
v 1 y v2 dos vectores cualesquiera en V () W. Entonces, como Vy W son subespacios de U,
se sabe que ambos son cerrados bajo la suma. Por consiguiente, como v 1 y v2 estan en V,
su suma v 1 + v2 debe estar en V. De manera similar, v 1 + v2 esta en W porque v 1 y v2 estan
en W. Pero esto implica que v 1 + v2 estan en V () W, y se concluye que V () Wes cerrada
Figura 4.11 La intersecci6n de
dos subespacios es un subespacio bajo la suma. Se deja que usted demuestre (con un argumento semejante) que V () W es
cerrada bajo la multiplicaci6n escalar. (Yease el ejercicio 59.)
SUBESPACIOS DE ff'
y R" es una fuente conveniente para ejemplos de espacios vectoriales y el resto de esta sec-
c i6n se dedica a analizar subespacios de R".
2
EJEMPLO 6 Determinacion de subespacios de Ffl

l Cual de estos dos subconjuntos es un subespacio de R2 ?
a. El conjunto de puntos de la recta dada por x + 2y = 0
b. El conjunto de puntos en la recta dada por x + 2y = I
SOLUCION
a. Al despejar x se observa que un punto en R 2 esta en la recta x + 2y = 0 si y s6lo si es
Figura 4.12 de la forma (- 21, t ), donde r es cualquier numero (vease la figura 4. 12)
Para demostrar que este conjunto es cerrado bajo la suma, sean v 1 = (- 2t i, t 1) y v2 =
(- 212 , 12) dos puntos cualesquiera de la recta. Entonces, se tiene
v1 + v2 = (-2t 1,t 1) + (-2t2 ,ti} = (-2(t 1 + t 2), t 1 + t 2) = (-2t3,r3)
donde t 3 = t 1 + t2 • Por tanto, v 1 + v2 esta en la recta y el conjunto es cerrado bajo la
suma. De manera semejante se puede demostrar que el conj unto es cerrado bajo la mul-
tiplicaci6n escalar. Por tanto, este conjunto es un subespac io de R2 .
b. Este subconjunto de R2 no es un subespacio de R2 ya que todo subespacio debe contener
e l vector cero (0, 0) y el vector cero (0, 0) no pertenece a la recta x + 2y = I. (vease
la figura 4.1 2).
De las dos rectas del ejemplo 6, la que es un subespacio de R 2 es la que pasa por el
origen. Esto es caracterfstico de los subespacios de R2 . Es decir, si We s un subconjunto de
R2, entonces es un subespacio si y s61o si se cumple una de las siguientes proposic iones.
I. W consta solo de/ punto (0, 0)
2. W consta de todos Los puntos sobre una recta que pasa por el origen.
3. W consta de todo R2.
En la figura 4.13 se muestran graficamente estas tres posibilidades.
.l'
.l' y
2 2
X --+--+-+---+---<>--- x
( I , 0) - 2 -I 2 - 2 -I 2
X
- I -I
-2
W = todos los puntos en una
La circunferencia W = {(0, 0)} recta pasan por el origen
unitaria no es un
(0, -1) Figura 4.13
subespacio de R 2.
Figura 4.14
EJEMPLO 7 Un subconjunto de Ffl que no es un subespacio
COM ENTARIO Demuestre que el subconjunto de R2 que consta de todos los puntos en el cfrculo unitario
Otra forma de decir que el sub- x2 + Y2 = l no es un subespacio.
conjunto mostrado en la figura
4.14 no es un subespacio de R2 SOLUCION
es hacer notar que este no con-
tiene el vector cero (el origen ). Este subconjunto de R2 110 es un subespacio, ya que los puntos ( l , 0) y (0, l) estan en el
.......___ _ _[> subconjunto, pero su suma ( I, 1) no lo esta (vease la figura 4. 14). Por tanto, este s ubcon-
junto no es cerrado bajo la suma.
I EJEMPLO 8 Determinacion de subespacios de R3

l,CuaJ de los siguientes subconjuntos es un subespacio de R3?
a. W = {(x 1, x 2 , I ): x I y x 2 son numeros reales}
b. W = {(x 1, x 1 + x 3, x 3): x 1 y x 3 son numeros reales}
SOLUCION
a. Como O = (0, 0, 0) no esta en W, se sabe que W no es subespacio de R3.
b. Este conjunto es no vacfo, ya que contiene al vecto r cero (0, 0, 0). Sea
El origen no
esta en el V = (v1, V1 + V3, v3) y U = (u,, U 1 + U 3, U 3)
piano
dos vectores en W, y sea c cualquier numero real. Demuestre que Wes cerrado bajo la
suma, como sigue.
V + U = (vi + U1, v, + V3 + U1 + U 3 , V3 + u3)

= (v 1 + u 1, (v 1 + ui) + (v 3 + u3), v3 + u3 )
X _\' = (x 1,x 1 + X3,X3)
donde x 1 = v 1 + u 1 y x 3 = v3 + u3• Por tanto, v + u esta en W porque es de la forma
apropiada. De manera semejante, Wes cerrado bajo la multiplicaci6n escalar porque
El origen CV = (cv,, c(v, + V3), CV3)
esta en el = (cv,, CV1 + CV3, CV3)
piano
= (x 1, x 1 + X 3, X3)
donde x 1 = cv 1 y x 3 = cv3 , lo que significa que cv esta en W. Entonces Wes un subes-
pacio de R3.
X y En e l ejemplo 8, observe que la grafica de cada subconjunto es un piano en R3. Sin

embargo, pero el unico que es un subespacio es el representado por el piano que pasa por
el origen (vease la figura 4.15).
Figura 4.1 5
En general, usted puede demostrar que un subconjunto W de R 3 es un subespacio de
3
R (con las operaciones normales) si y s61o si es de alguna de las formas siguientes.
1. W consta s6lo del punto (0, 0, 0).
2. W consta de todos los puntos sobre una recta que pasa por el origen.
3. W consta de todos los puntos en un piano que pasa por el origen.
4. W consta de todo R3.
ALGEBRA El procesamiento digital de seriales depende del muestreo, que con-

vierte seriales continuas en secuencias discretas que pueden utilizar
LINEAL los dispositivos digitales. Trad icionalmente, el muestreo es uniforme y
APLICADA por puntos, y se obtiene de un unico espacio vectorial. Despues, la
secuencia resultante se reconstruye en una serial de dominio conti-
nue. Tai proceso, sin embargo, puede involucrar una importante
reducci6n de informaci6n, que puede resultar en una serial recons-
truida de baja calidad. En aplicaciones como un radar, geofisica y
comunicaciones inalambricas, los investigadores han determinado
situaciones en las cuales el muestreo de una union de subespacios
vectoriales puede ser mas apropiado. S, n I
U· 3C A P ve for the Extension of This
....____[> Theory, Lu, Y.M. and Do, MN., IEEE Signal Processing Maaazme,
Marzo, 2008.)
zplX>to/Shutterstock com
4.3 Ejercicios 167
4.3 Ejercicios Consulte www.CalcChat.com para las soluciones de los eierc1c1os nones.
Verificaci6n de subespacios En los ejercicios I a 6, com- 16. Wes el conjunto de todas las matrices en M 3, 1 de la forma
pruebe que W es un subespacio de V. En cada caso, suponga
que V tiene las operaciones estandar.
[a O Ja-Y.
l. W = {(x 1, x 2 , x 3, 0): xi, x 2 y x 3 son numeros reaJes} 17. W es el conj unto de todas las matrices en M 11_11 con deter-
minantes cero.
V=R 4
18. W es el conjunto de todas las matrices en m tales que
2. W = {(x, y, 2.x - 3y): x y y son numeros reales } A2 = A
V =R 3
19. W es el conjunto de todos los vectores en R2 cuya
3. Wes el conj unto de todas las matrices de 2 X 2 de la forma segunda componente es el cubo de la primera.
20. W es el conjunto de todos los vectores en R2 cuya
segunda compo nente es el cuadrado de la primera.
V = M2.2 Determinaci6n de subespacios En los ejercicios 2 1 a

28, determine si el s ubconjunlo de C(-oo, oo) es un subespa-
4. Wes el conjunto de todas las matrices de 3 X 2 de la forma
cio de C(-oo, oo).
Hb
V = M 3,2
n 21. El conjunto de todas las funciones positivas: j{x) > 0
22. El conj unto de todas las funcio nes negativas: f (x) < 0
23. El conjunto de todas las funciones pares:f(-x) = f (x)
24. El conjunto de todas las funciones impares:.fl-x) = - flx)
5. Calculo Wes el conjunto de todas las funciones conti- 25. El conjunto de todas las funciones constantes: f(x) = c
nuas en [0, 1]. V es el conjunto de todas las funciones 26. El conjunto de todas las funciones exponenciaJesf(x) =
integrables en [O, l]. a', donde a > 0
6. Calculo Wes el conjunto de todas las funci ones deri- 27. El conjunto de todas las funciones taJes que f(0) = 0
vables en [0, l]. V es el conjunto de todas las funciones 28. El conj unto de todas las funciones taJes que f(0) = 1
continuas en [0, 1].
Determinaci6n de subespacios En los ejercicios 29-36,
Subconjuntos que no son subespacios En los ejercicios determine si el subconjunto de M 11_11 es un subespacio de M,,_ 11
7 a 20, W no es un subespacio de! espacio vectoriaJ dado. con las operaciones estandar.
Compruebe lo anterior por medio de un ej emplo especffico
29. El conjunto de todas las matrices triangulares superiores
que viole la prueba para un subespacio vectorial (teorema 4.5).
den X n.
7. Wes el conjunto de todos los vectores en R3 cuya tercera 30. El conjunto de todas las matrices diagonales de n X n
componente es - 1.
31. El conjunto de todas las matrices den X 11 con elemen-
8. W es el conjunto de todos los vectores en R2 cuya tos enteros.
segunda componente es 1. 32. El conjunto de todas las matrices A de 11 X 11 que con.mu-
9. Wes el conjunto de todos los vectores en R2 cuyas com- tan con una matriz B de n X 11 dada
ponentes son numeros rac ionales. 33. El conjunto de todas las matrices singulares de 11 X 11
10. Wes el conj unto de todos los vectores en R2 cuyas com- 34. El conjunto de todas las matrices invertibles de 11 X n
ponentes son enteros. 35. El conjunto de todas la matrices de 11 X n cuya suma de
11. Wes el conjunto de todas las funciones no negativas en sus elementos es mayor a cero.
C(-oo, oo) . 36. El conjunto de todas las matrices den X 11 cuya traza es
distinta de cero.
12. W es el conjunto de todas las funciones lineales ax + b,
*
a 0, en C(-oo, oo) Determinaci6n de subespacios En Ios ejercicios 37 a
13. W es el conj unto de todos los vectores en R 3 cuyas com- 42, determine si el conjunto Wes un subespacio de R3 con las
ponentes son no negativas. operaciones normaJes. Jusrifique su respuesta.
14. Wes el conj unto de todos los vectores en R3 cuyas com- 37. W = {(x 1, x 2, 0): x 1 y x 2 son numeros reaJes}
ponentes son pitag6ricas triples. 38. W = {(x 1, x 2, 4): x 1, y x 2 son numeros reaJes}
15. Wes el conjunto de todas las matrices en M3_3 de la forma 39. W = {(a, b, a + 2b): a y b son numeros reales}
a 40. W = {(s, s - t, t): s y t son numeros reales}
0 41. W = {(x 1,x 2,x 1x 2): x 1 y x2 son numeros reales}
f 42. W= {(x 1, l/x 1,x 3 ): x 1 yx3 sonnumeros reaJes,x 1 i: 0}
lVerdadero o falso? En los ejercicios 43 y 44, determine 51. Demostraci6n guiada Demuestre que un conjunto
cual de las expresiones es verdadera o falsa. Si la expresi6n W no vacio es un subespacio de un espacio vectorial V si
es verdadera, proporcione una raz6n o cite una expresi6n y s6lo si ax + by es un elemento de W, donde a y b son
adecuada de) texto. Si la expresi6n es falsa, proporcione un escalares cualesquiera, y x e y estan en W.
ejemplo que muestre que la expresi6n no es cierta en todos Inicio: suponga que Wes un subespacio en una direcci6n
los casos o c ite del texto una expresi6n adecuada. y demuestrelo aplicando los axiomas de cerradura que
43. (a) Todo espacio vectorial V contiene al menos un sub- colocan a ax + by en W. En la otra direcci6n, suponga
espacio que es el subespacio nulo. que a x + by es un elemento de W para todas las escalares
(b) Si Vy W son subespacios de un espacio vectori al U, a y b y todos los vectores x e y en W, y compruebe que W
entonces la intersecci6n de V y W es tambien un es cerrado baj o la suma y la multiplicaci6n escalar.
subespacio. (i) Si W es un subespacio de V, entonces use la cerra-
(c) Si U, Vy W son espacios vectoriales tales que Wes
dura de la multiplicaci6n escalar para demostrar
un subespacio de V y U es un subespacio de V,
que ax + by esta en W. Utilice la cerradura bajo la
entonces W = U.
suma para obtener el resultado deseado.
44. (a) Todo espacio vectorial V contiene dos subespacios
(ii) En contraparte, suponga que a x + by esta en W.
propios que son el subespacio nulo y V mismo.
Con una asignaci6n ingeniosa de valores especifi-
(b) Si Wes un subespacio de R 2 , entonces W debe con-
cos para a y b, demuestre que W es cerrado bajo la
tener al vector (0, 0).
suma y la multiplicaci6n escalar.
(c) Si W es un subespacio de un espacio vectorial V,
entonces tiene cerradura bajo la adici6n como se 52. Sean x, y y z vectores en un espacio vectorial V.
define en V. Demuestre que el conjunto de todas las combinaciones
45. Considere los espacios vectoriales lineales de x, y y z W = {ax + by + cz: a, b y c son
escalares} es un subespacio de V. Este subespacio se
Po, Pi, P2, . .. , P,,
denomina generador de (x, y, z).
donde Pk es el conjunto de todos los polinomios de grado
menor o igual a k con las operaciones estandar. Demues- 53. Prueba Sea Auna matriz fij a de 2 X 3. Demuestre que
tre que si j :5 k, entonces Pj es un subespacio de Pk. el conj unto
46. Calculo Sean W 1, W2 , W3, W4 y W5 , definidos como en 3
el Ejemplo 5. Demuestre que W1 es un subespacio de Wj
W = {x E R : Ax = [~]}
para i :5 j.
no es un subespacio de R3.
47. Calculo Sea F(-oo, oo) el espacio vectorial de funcio-
54. Prueba Sea A una matriz fija de m X n. Demuestre
nes de valor real definidas en la recta real completa.
que el conjunto W = {x E R" : Ax = 0} es un subespa-
Demuestre que cada uno de los siguientes es un subes-
cio de R".
pacio de F(-oo, oo).
(a) C(-oo, oo) 55. Prueba Sea W un subespac io de! espacio vectorial V.
(b) El conjunto de todas las funciones diferenciables J Demuestre que el vector nulo en V es tambien e l vector
definidas en la recta de numeros reales nulo en W.
(c) El conjunto de todas las funciones diferenciables f 56. De un ejemplo que demuestre que la uni6n de dos sub-
definidas en la recta de numeros reales que satisfacen espacios de un espacio vectorial V no necesariamente es
la ecuaci6n diferenciall - 3f = 0 un subespacio de V.
48. Calculo Determine si el conjunto 57. Prueba Sean A y B matrices fij as 2 X 2. De muestre
que el conjunto W = { X : XA B = BA X} es un subespa-
S= {rE C[0, I]: L J(x) dx = 0} c io de M 2,2•
es un subespacio de C[0. l ]. Demuestre su respuesta. 58. Prueba Sean Vy W dos subespacios del espacio vec-
49. Sea W el subconjunto de R3 que consta de todos los torial U.
puntos en una recta que pasa por el origen. Tai recta (a) Demuestre que el conjunto
puede representarse con las ecuaciones parametricas
V + W = {u : u = v + w donde v E V y w E W}
x = at, y = bt y z = ct.
es un subespacio de U.
Utilice estas ecuaciones para demostrar que W es un
subespacio de R3•
(b) Describa V + W si Vy W son subespacios de U =
R 2: V = {(x, 0): x es un numero real} y W = {(0, y):
yes un numero real }.
[;> SO. 00[§GYiJ&iJ'[g Explique por que es suficiente 59. Prueba Complete la demostraci6n del teorema 4.6
probar la cerradura a fin de establecer que un sub-
al probar que la intersecci6n de dos subespacios de
conjunto no vacfo de un espacio vectorial es un
un espacio vectorial es cerrada bajo la multiplicaci6n
subespacio.
escalar.
4.4 Conjuntos generadores e independencia li neal 169
4.4 Conjuntos generadores e independencia lineal

Escribir una combinaci6n lineal de un conjunto de vectores en un
■ espacio vectorial V.
Determinar si un conj unto de vectores en un espacio vectorial V es
■ un conjunto generador de V.
Determ i nar si un conjunto de vectores en un espacio vectorial V es
■ linealmente independiente.
COMBINACIONES LINEALES DE VECTORES EN ESPACIOS VECTORIALES

En esta secci6n se comienzan a desarrollar los procedimientos para representa.r cada vector
en un espacio vectori al como un a combinaci6n lineal de un numero selecto de vectores
en el espacio.
Definici6n de combinaci6n lineal de vectores

Un vector v en un espacio vectorial V se denomma combinaci6n lineal de los vec-
tores u 1, u2, ... , uk en V si v puede expresarse en la form a
V = c,u I + C2U 2 + · · · + ckuk
donde c 1, c 2, ••• , ck son escalares.
A menudo, uno o mas vectores en un conjunto dado pueden expresarse como combi-
nac iones lineales de otros vecto res en el conj unto. Esta posibilidad se ilustra con los ejem-
plos 1, 2 y 3.
EJEMPLO 1 Ejemplos de combinaciones lineales
a. Para el siguiente conj unto de vectores en R3,
S = {(I, 3, 1), (0, 1, 2), (1, 0, -5)}

v 1 es una combinaci6n lineal de v2 y v3 porque
v1 = 3v2 + v3 = 3(0, 1, 2) + (I, 0, - 5) = ( I, 3, 1).
b. Para e l s iguiente conj unto de vectores en M 2_2,
2] [- II
0 '
3] [-2
2 ' l
v 1 es una combinaci6n lineal de v2, v3, y v4 porque
v1 = v2 + 2v3 - V4
= [~ ~] + 2[-:
= [~ ~].
En el ejemplo I fue facil verifi car que uno de los vectores en el conjunto S es una
combinaci6n lineal de los otros vectores, porque se contaba con los coeficientes adecuados
para formar la combinaci6n lineal. En e l siguiente ejemplo se muestra un procedi-
miento para determinar los coeficientes.
i EJEMPLO 2 Det erminacion de una combinacion lineal
Escriba el vector w = ( 1, L, I) como una combinaci6n Lineal de vectores en el en e l con-

junto S.
S = {(1, 2, 3), (0, 1, 2), (- 1, 0, 1)}

SOLUCION
Es necesar io encontrar escalares c 1, c 2 y c3 tales que
( 1, I, 1) = c 1( 1, 2, 3) + ci{O, l , 2) + ci- 1, 0, l)
= (c,, 2c 1, 3c1) + (0, c2, 2c2 ) + (-c3 , 0, c3 )
= (c, - c3 , 2c 1 + c2 , 3c 1 + 2c2 + c3).
Al iguala r las componentes correspondientes resulta el sig uiente sistema de ecuac iones
lineales.
c, - C3 = l
2c 1 + c2 I
3c1 + 2c2 + c3 = I
Usando la eliminaci6n de Gauss-Jordan, la matriz aumentada de este sistema se reduce por
re nglones a
-n
0 - I
[~ I
0
2
0
Asf, este sistema tiene un numero infinito de soluc iones, cada una de la forma
c, = I + /, C2 = - I - 2,, C3 = /.
Para obtener una soluci6 n, podrfa hacerse q ue t = I. Entonces, c3 = 1, c 2 = -3 y c 1 = 2,
y se tiene que
w = 2v 1 - 3v2 + v3 .
Otras elecciones para t producen otras ma ne ras de expresar w como una combinaci6n
lineal de v 1, v2 y V3.
EJEMPLO 3 Determinacion de una combinacion lineal
Si es pos ible, exprese el vector

w = (1, -2, 2)
como una combinaci6n lineal de vectores en el conj unto S dado en el ejemplo 2.
SOLUCION
Siguiendo el procedimiento dado e n el ej emplo 2, se obtie ne el sistema
c, - C3 = I
2c 1 + c2 = - 2
3c1 + 2c2 + c3 = 2.
La matriz a ume ntada de este siste ma se reduce a
0 - 1
1 2
0 0
A partir del tercer re ngl6n se concluye que e l s istema de ecuaciones es inconsiste nte y, por
tanto, no hay soluci6n. Asf que w no puede expresarse como una combinac i6n lineal de v 1,
Vz, y V3.
CONJUNTOS GENERADORES
Si todo vector en un espacio vectorial puede expresarse como una combinaci6n lineal de
vectores en un conj unto S, entonces se dice que S es un conjunto generador del espacio
vectorial.
Definici6n de conjunto generador de un espacio vectorial

Sea S = {v 1, v2, . . . , vd un subconjunto de! espacio vectorial V. El conj unto S se
denom ina conjunto generador de V si rodo vector en V puede expresarse como una
combinaci6n lineal de vectores en S. En estos casos se dice que S genera a V.
EJEMPLO 4 Ejemplos de conjuntos generadores
a. El conjunto S = {(1, 0, 0),(0, 1, 0), (0, 0, 1) genera a R3, ya que cualquier vector u =
(u 1, u2 , u 3) en R3 puede escribi rse como
u = u 1(1, 0, 0) + uz(0, 1,0) + ui 0, 0, 1) = (u 1, u 2, u 3 ) .
b. El conjunto S = {1, x, x 2 } genera a P 2, ya que c ualquier polinomio p(x) = a + bx +
cx 2 en P 2 puede expresarse como
p(x) = a(I) + b(x) + c(x 2 )
=a + bx + c.x 2 .
Los conjuntos generadores dados en el ejemplo 4 se denominan conjuntos generado-

res estandar de R3 y P2 , respectivamente. (Enn la siguiente secci6n se ahondara mas en
estos conjuntos generadores). En el siguiente ejemplo se considera un conjunto generador
no estandar de R3.
EJEMPLO 5 Un conjunto generador de R3

Demuestre que el conj unto S = {( I, 2, 3), (0, I, 2), (-2, 0, I) } genera a R3 .
SOLUCION
Sea u = (ui, u2, u 3) cualquier vector en R3. Busque escalares c 1, c2 y c3 tales que
(u 1,u2 , u3 ) = c 1(1, 2,3) + cz(0, 1, 2) + ci-2, 0, I)
= (c 1 - 2c3 , 2c 1 + c2 , 3c 1 + 2c2 + c3) .
Esta ecuaci6n vectorial produce el sistema
c1 - 2c
3
= u1
2c 1 + c2 = u2
3cl + 2c2 + C3 = U 3.
La matriz de coeficientes de este sistema tiene un determinante diferente de cero (intente
verificar que es igual a - I) y, de la lista de condiciones equivalentes dada en la secci6n
3.3, se concluye que el sistema tiene soluci6n unica. Entonces, cualquier vector de R 3
puede expresarse como una combinaci6n lineal de los vectores en S, y por tanto se con-
cluye que S genera a R3.
EJEMPLO 6 Un conjunto que no genera a R3
Del ejemplo 3 se sabe que el conjunlo

S = {(I, 2, 3), (0, I, 2), (-1 , 0, I)}
no genera a R porque w = (1, - 2, 2) esta en R 3 y no puede ser expresado como una com-
3
binaci6n lineal de los vectores en S.

Al comparar los conjuntos de vectores en los ejemplos 5 y 6, se observa que los con-
juntos son los mismos excepto por una dife rencia aparenteme nte insignificante e n el tercer
vector.
SI = {( I, 2, 3), (0, I, 2), (-2, 0, I)} Ejemplo 5
S2 = {( I, 2, 3), (0, I, 2), (- I, 0, I)} Ejemplo 6
Sin embargo, la diferencia mencionada es importante porque el conjunto S 1 genera a R3,

- I 2
en tanto que el conj unto S2 no. La raz6n de esta difere ncia puede observarse en la figura
-2 X
4. 16. Los vectores en S2 son coplanares; los veclores en S I no lo son.
Aunque e l conjunto S2 no genera a todo R3, sf genera un subespacio de R3 : e l piano en
S 1 = { (I, 2. 3), (0, I, 2), (-2, 0, 1)}
que estan los tres vectores de S2 . Este subespacio se denomina espacio lineal generado por
Los veciores en S I no es1an
en un piano comun
S2 , como se indica en la siguiente definici6n.
Definici6n de generador de un conjunto

Si S = {v i, v2, .. . ,vd es un conj unto de vectores en un espacio vectorial V, entonces
el generador de S es el conj unto de todas las combinaciones lineales de los vectores
en S,
gen(S) = {c 1v 1 + c2v2 + ... + ckVf c 1, c 2, . . . , ck son numeros reales}.
El generador de S es denotado por

X gen(S) o gen{v 1, v2, ... ,vd.
S2 = {(I, 2, 3), (0, I, 2), (- 1. 0, I))

Cuando gen(S) = V, se dice que Ves generado por {V i, v2 , . .. ,vd o que S genera
Los vectores en S2 estan a V.
en un piano comun
Figura 4.16 El siguie nte teorema establece que la generaci6n de cualquier s ubconjunto de un espacio
vectorial es un subespacio de V.
TEOREMA 4.7 gen(S) es un subespacio de V

Si S = {V i, v2 , ... ,vd es un conj unto de vectores en un espacio vectorial V, entonces
gen(S) es un subespacio de V. ademas, gen(S) es el menor subespacio de V que con-
tiene a S, en el sentido de que cualquier otro subespacio de V que contenga a S debe
contener a gen(S).
DEMOSTRACION
Para demostrar que gen(S), el conj unto de todas las combinaciones lineal es de v 1, v2, . . . ,
vk, es un subespacio de V, demuestre que es cerrado bajo la suma y la mul tiplicaci6n esca-
lar. Considere dos vectores cualesquiera u y v en gen(S),
U = c,v, + C2V2 + · · · + ckvk

v = d 1v 1 + d 2v 2 + · · · + dkvk
donde
c 1, c2 , • • • , ck y d 1, d 2, . .. , dk
son escalares. Entonces
cu = (cc1)v 1 + (cc2)v2 + · · · + (ccJvk

lo cual significa que u + v y cu tambien pertenecen a gen(S) porque es posible expresarlos
como una combinaci6n lineal de vectores en S. Por consiguiente, gen(S) es un subespacio
de V. Se deja que usted demuestre que gen(S) es el menor subespacio de V que contiene a
S (Vease el ejercicio 55.)
DEPENDENCIA LINEAL E INDEPENDENCIA LINEAL

Para un conjunto de vectores
S = {V 1, V2, . . . , Vk}
en un espacio vectorial V, la ecuaci6n vectorial
C 1V 1 + C2V2 + . .. + ckv k = 0
siernpre tiene la solucion trivial
c1 = 0, c2 = 0, . . . , Ck = 0.
Sin embargo, a rne nudo tambien hay soluciones no triviales. asf, en el ejernplo l (a) se vio
que en el conjunto
S = {(I, 3, l), (0, 1, 2), ( 1, 0, -5)}

el vector v 1 puede expresarse corno una cornbinaci6n lineal de los otros dos corno se rnues-
tra a continuaci6n.
v1 = 3v2 + v3
La ecuac i6n vectorial
c 1v 1 + c2 v2 + c3 v3 =0
tiene una so luci6 n no trivial en la cual no todos los coeficientes son iguales a cero:
Esta caracterfstica se describe al decir que el conjunto S es linealmente dependiente. Si

la unica so luci6n hubiese sido la trivial (c 1 = c2 = c3 = 0), entonces e l conj unto S serfa
linealmente independiente. Este concepto es esenciaJ en algebra lineal, por lo que se
plantea fo rrnalrnente en la sigui ente defi nici6n.
Definici6n de dependencia lineal e independencia lineal

Un conjunto de vectores S = {v i, v2, . . . , vd en un espacio vectorial V se deno rnina
linealmente independiente si la ecuaci6n vectorial.
C1 V 1 + C2 V2 + ... + ckv k =0
tiene solarnente la soluci6n trivial ,
S i tarnbien hay soluciones no triviales, e ntonces S se de nornina linealmente depen-

diente.
EJEMPLO 7 Ejemplos de conjuntos linealmente dependientes
a. El conj unto S = {( I, 2), (2, 4) } en R2 es linealrnente dependiente porque

-2(1, 2) + (2, 4) = (0, 0).
b. El conjunto S = {( I, 0), (0, I), (-2, 5) } en R2 es linealrnente dependiente porque
2(1, 0) - 5(0, 1) + (-2, 5) = (0, 0).
c. El conjunto S = {(0, 0), ( 1, 2)} en R2 es linealmente dependiente porque
1(0, 0) + 0( 1, 2) = (0, 0).
En el siguiente ejemplo se muestra un procedimiento para verificar si un conj unto de

vectores es linealrnente dependiente o independiente .
17 4 Capitu lo 4 Espacios vectoriales
I EJEMPLO 8 Comprobaci6n de independencia lineal
Determine si el siguiente conjunto de vectores en R 3 es linealmente dependiente o indepen-

diente.
S = {v 1, v 2, v 3 } = {(1 , 2, 3), (0, 1, 2), (-2, 0, l )}
SOLUCION
Para verificar la independencia o la dependencia lineal, se forma la ecuaci6n vectorial
C 1V 1 + c2v2 + c3 v3 = 0.
Si la unica soluci6n de esa ecuaci6n es c 1 = c 2 = c 3 = 0, entonces el conjunto S es lineal-
mente independiente. En caso contrario, S es lineaJmente dependiente. al desarrollar esta
ecuaci6n se obtiene
c 1( 1, 2, 3) + ci(0, 1, 2) + cl-2,0, I ) = (0,0, 0)
(c 1 - + c2, 3c1 + 2c2 + c3) =
2c3 , 2c 1 (0, 0, 0)
lo cual produce el siguiente sistema homogeneo de ecuaciones lineales en c 1, c2 y c 3.
c1 - 2c3 = 0
2c 1 + c2 =0
3c 1 + 2c2 + c3 = 0
La matriz aumentada de este sistema se reduce por eliminac i6n de Gauss-Jordan como se
muestra a continuaci6n.
0 - 2 0 0
I 0 I 0
2 0
Esto implica que la unica soluci6n es la trivial, c 1 = c2 = c 3 = 0. Por tanto, S es linealmente
independiente.
Los pasos mostrados en e l ejemplo 8 se resumen a continuaci6n.
Comprobaci6n para la independencia y dependencia lineal

Sea S = {v1, v2 , . • . , vk} un conjunto de vectores en un espacio vectorial V. Para
determinar si S es linealmente independiente o dependiente, se efectuan los pasos
siguientes
1. A partir de la ecuaci6n vectorial c 1v 1 + c2 v2 + · · · + ckvk = 0 escriba un sis-
tema homogeneo de ecuaciones lineales en las variables c 1, c 2, ••• , y ck.
2. Utilice la elirninaci6n gaussiana para determinar si el sistema tiene una soluci6n
unica.
3. Si el sistema tiene solamente la soluci6n trivial, c 1 = 0, c2 = 0, ... , ck= 0,
entonces el conj unto S es linealmente inde pendiente. Si el sistema tambien
tiene soluciones no triviales, ento nces S es linealmente dependiente.
ALGEBRA La transformaci6n de imagenes es el proceso por el cual una imagen

es transformada en otra al generar una secuencia de imagenes inter-
LINEAL medias sinteticas. Dicha transformaci6n tiene una amplia variedad de
APLICADA aplicaciones, que incluyen efectos especiales en peliculas, la simula-
ci6n de resultados de curaci6n de heridas y cirug ia cosmetica y para
programas computacionales de progresi6n de edad. La transforma-
ci6n de una imagen recurre a un proceso llamado distorsi6n, en el
cual una pieza de una imagen se d istorsiona. Las matematicas detras
de la distorsi6n y transformaci6n pueden incluir la formaci6n de una
combinaci6n lineal de los vecto res linealmente independientes encua-
dran a una pieza triangular de una imagen, y realizar una transforma-
ci6n afin para formar vectores nuevos y una imagen distorsionada.
dundanim/www shutterstock com
4.4 Conjuntos generadores e independencia li neal 175
j EJEMPLO 9 Comprobacion de independencia lineal
Detennjne si el siguiente conj unto de vectores en P2 es linealmente independjente o depen-

di ente.
S = {l + x - 2x 2,2 + Sx - x 2 ,x + x 2 }
SOLUCION
Al desarrollar la ecuaci6n c 1v 1 + c2v2 + c3 v3 = 0 se obtiene
+ x - 2x 2) + ci2 + Sx - x 2) + cix + x 2 ) = 0 + Ox+
c 1(1 Ox 2
(c, + 2c2 ) + (c, + 5c2 + c3 )x + (-2c 1 - c2 + c3)x2 = 0 + Ox+ Ox 2 .
Al igualar los coeficienles que corresponden a potencias iguales de x se llega al siguiente

sistema homogeneo de ecuaciones lineales en Ci, c 2 y c 3 .
c 1 + 2c2 =0
C 1+ 5 c2 + C3 = 0
- 2c I - c2 + c3 = 0
La matriz aumentada de este sistema se reduce por eliminaci6n de gaussiana como se
muestra a continuaci6n.
u - I
2
5
0 2
l
0
0
I
3
0
Esto implica que e l sistema tiene infinidad de soluciones. Por consiguiente, e l sistema debe
tener soluciones no triviales y puede concluirse que el conjunto S es linealmente depen-
diente.
Una soluci6n no trivial es
c1 = 2, c2 = - 1, y C3 =3
lo que da como resultado la combinaci6n lineal no trivial
(2)(1 + x - 2x 2) + (- 1)(2 + Sx - x 2) + (3)(x + x 2 ) = 0.
EJEMPLO 10 Comprobacion de independencia lineal
Detennjne si el siguiente conjunto de vectores en M 2 ,2 es linealmente independiente o

dependiente.
SOLUCION
A partir de la ecuaci6 n c 1v 1 + c 2v2 + c 3v3 = 0 se obtiene
C1[~ :J + C2[~ ~] + C3[~ ~] = [~ ~]

la cual produce el siguiente sistema de ecuaciones lineales.
2c1 + 3c2 + c3 =0
CI = 0
2c2 + 2c3 =0
C1 + C2 =0
Utilice la elirninaci6n Gaussiana para demostrar que el sistema solo tiene la soluci6n tri-
vial, lo que significa que el conjunto S es linealmente independiente.
' EJEMPLO 11 Comprobacion de independencia lineal
Determine si el siguiente conjunto de vectores en M4• 1 es linealmente independiente o

dependiente.
s - {v,
SOLUCION
v,. v,. v,} l
-{[-!rn JI r-rn
La cual produce el siguiente sistema de ecuaciones lineales.

c 1 + C2 =0
c2 + 3c3 + C4 = 0
-c 1 + c3 - c4 = 0
2c2 - 2c3 + 2c4 = 0
Utilice la eliminacion gaussiana para demostrar que el sistema solo tiene la solucion tri-
vial, lo que significa que el conjunto S es linealmente independiente.
Si un conjunto de vectores es linealmente dependiente, entonces, por definicio n, la
ecuacion c 1v 1 + c 2 v2 + · · · + ckv k = 0 tiene una solucion no trivial (una solucion para
*
la cuaJ no todos los c; son iguales a cero). Por ejemplo, si c 1 0, entonces se puede des-
pejar v 1 de esta ecuacion y escribirlo como una combinacion lineal de los demas vectores
v2, v3, ... , y vk. En otras palabras, el vector v 1 depende de los demas vectores del conjunto.
Esta propiedad es caracterfstica de un conjunto linealmente dependiente.
TEOREMA 4.8 Una Propiedad de los conjuntos linealmente

dependientes
Un conjunto S = {vi, v 2, ... , vd, k ~ 2, es linealmente dependiente si y solo si por
lo menos uno de los vectores vi puede expresarse como una combinaci6n lineal de los
demas vectores en S.
DEMOSTRACION
Para demostrar el teorema en una direcci6n, se supone que S es un conjunto linealmente
dependiente. Entonces, existen escalares c 1, c2, c3, .. • , ck (no todos iguales a cero) tales
que
c, v, + C2V 2 + C3 V3 + ... + ckvk = 0.
Debido a que uno de Los coeficientes debe ser diferente de cero, ninguna generalidad se
pierde al suponer c 1 *
0. Entones, al despejar v 1 como una combinaci6n lineal de los
demas vectores se obtiene.
En e l otro sentido, suponga que el vector v 1 en S es una combinacion lineal de los demas
vectores. Es decir,
v, = + C3V3 + · · · + ckv k.
C2V 2
Entonces la ecuacion - v 1 = c 2 v2 + c 3v 3 + ··· + ckv k = 0 tiene por lo menos un coefic iente,

- 1, diferente de cero y puede concluirse que S es linealmente dependiente.
4.4 Co njuntos generadores e inde pendencia li nea l 177
Representaci6n de un vector como una

EJEMPLO 12 combinaci6n lineal de otros vectores
En el ejemplo 9 se determin6 que el conjunto
S = { I + x - 2x 2 , 2 + 5x - x 2 , x + x 2 }
es [jnealmente dependiente. Demuestre que uno de los vectores de este conjunto puede
escribirse como una combinaci6n lineal de los otros dos.
SOLUCION
En el ejemplo 9 se determin6 que la ecuaci6n c 1v 1 = c2 v2 + c3 v3 = 0 produce e l s istema
C1 + 2c2 =0
c1 + 5c2 + c3 = 0
-2c 1 - c2 + c 3 = 0.
Este sistema tiene un numero infinito de soluciones, dadas por c3 = 3t, c2 = - t y c 1 = 2t.
al hacer t = I se obtiene la ecuaci6n 2v 1 - v 2 + 3v3 = 0. Por consiguiente, v 2 puede escri-
birse como una combinaci6n lineal de v 1 y v3 como se muestra a continuac i6n.
v2 = 2v 1 + 3v3
Al comprobar se obtiene
2+ 5x - x 2 = 2(1 + x - 2x 2) + 3(.x + x 2 ) = 2 + 5x - x 2 .
El teorema 4.8 tiene un corolario practico que proporciona una prueba simple para
determinar si dos vectores son linealmente dependientes. En el ejercicio 73 se pide que
COM ENTARIO demuestre dicho corolario.
El vector cero siempre es un
multiplo escalar de otro vector TEOREMA 4.8 Corolario
en u n espacio vectorial.
Dos vectores u y v en un espacio vectorial V son linealmente dependientes si y s6lo
.....___ ______,[ > si uno de ellos es un multiplo escalar del otro.
Comprobaci6n de la dependencia
EJEMPLO 13
lineal de dos vectores
a. El conjunto S = {v 1, v 2 } = {( 1, 2, 0), (- 2, 2, 1)} es I inealmente independiente porque

v 1 y v2 no son multiplos escalares entre sf, como se observa en la figura 4. 17 (a).
b. El conjunto S = {v 1, v2 } = { (4, -4, -2), (-2, 2, 1) ) es linealmente dependiente por-
que v 1 = - 2v2, como se muestra en la figura 4.17 ( b).
a. b.
3 6
2 4
-2
X y
S = ((I , 2, 0), (-2, 2, I )} S = {(4, - 4, -2), (-2, 2, I ) }

El conjunto S es linealmente independiente El conjunto S es linealmente dependiente
Figura 4.17
Combinaciones lineales En los ejercicios I a 4, deter- 23. S = {( -2, 5, 0), (4, 6, 3)}
mine si cada vector puede expresarse como combinaci6n 24. S = {( I, 0, I), ( I, I, 0), (0, I, I)}
lineal de los vectores en S.
25. S= {( I, - 2, 0), (0, 0, 1), (-1 , 2, 0)}
1. S = {(2, - 1, 3), (5, 0, 4) }
26. S = {( I, 0, 3), (2, 0, - 1), (4, 0, 5), (2, 0, 6)}
(a) z = ( -1, -2, 2) (b) v = ( 8, - I 27)
4, 4
(c) w = (1, -8, 12) (d) u = (1, 1, - 1) 27. Determine si e l conjuntoS = {1,x2,x2 + 2 ) genera a P2.
2. S = {(1, 2, - 2), (2, - 1, 1)} 28. Determine si el conjunto
(a) z = (-4, -3, 3) (b) v = (-2, -6, 6) S = {x 2 - 2x, x 3 + 8, x 3 - x 2, x 2 - 4}
(c) w = (- 1, - 22, 22) (d) u = (I, -5, -5) genera P 2.
3. S = {(2, 0, 7), (2, 4, 5), (2, -12, 13)} Pruebas para independencia lineal En los ejercicios 29
(a) U = (-1 , 5, -6) (b) V = (-3, 15, 18) a 40, determine si el conj unto S es linealmente dependiente o
(c) w = (½, ½) t (d) z = (2, 20, - 3) independie nte.
4. S = {(6, -7, 8, 6), (4, 6, -4, I)} 29. S = {(- 2, 2), (3, 5)}
(a) u = (-42, 113, - 112, -60) 30. S = {(3, - 6), (- 1, 2) }
(b) v = ( 49 99 19)
2• 4, -14, 2 31. S = {(0, 0), ( I , - 1)}
(c) w = ( -4, - 14, 227 , 853) 32. S = {(1, 0), (1, I), (2, - 1)}
(d) z = (8, 4, - 1, .If) 33. S = {(1, -4, 1), (6, 3, 2)}
34. S = {(6, 2, I), (- I, 3, 2)}
Combinaciones lineales En los ejercicios 5 a 8, para las
matrices
35. S = {( I, I, 1), (2, 2, 2), (3, 3, 3)}
u.
= {(¾, ½, (3, 4, ~). (- t 6, 2)}
[2 -3] [o 5] 36. S
A = y B= 37. S = {( -4, - 3, 4), (l , -2, 3), (6, 0, 0)}
4 I I - 2
38. S = {(l , 0, 0), (0, 4, 0), (0, 0, -6), (1, 5, -3)}
en M 2.2. determine cuales de las siguientes son combinacio-
nes lineales de A y 8. 39. S = {(4, -3, 6, 2), (1, 8, 3, L), (3, -2, - 1, 0)}
5. [ 6 -19]
10 7
6 [6
• 9
40. S = {(0 , 0, 0, I), (0, 0, I, I), (0, I, I, I), ( I, I, I, I)}
Pruebas para independencia lineal En los ejercicios 4 1

8. [o0 a 44 determine cuales de los siguientes conjuntos en P 2 son
linealmente independie ntes.
Conjuntos generadores En los ejercicios 9 a 20, determine 41. S = {2 - x, 2x - x 2, 6 - 5x + x 2 }
si el conj unto S genera a R 2. En caso negativo, proporcione una 42. S = {x 2 - I, 2x + 5}
descripci6n geometrica de! subespacio generado por S. 43. S = {x 2 + 3x + 1, 2x 2 + x - 1, 4x}
9. S = {(2, 1), (- 1, 2)} 10. S = {( I, - 1), (2, I)} 44. S = {x 2 ,x 2 + l }
11. S = {(5, 0), (5, -4)} 12. S = {(2, 0), (0, I)}
13. S = {(-3, 5)} 14. S = {(1, 1)} Pruebas para independencia lineal En los ejercicios 45
a 48, determine si las siguie ntes matrices de M2.2 forman un
15. S = {(1, 3), (-2, -6), (4, 12)} conjunto linealmente independiente.
S = {( 1, 2), (-2, -4),(½, 1)}
16.
17.
19. S
S = {(-1 , 2), (2, -4)} 18. S = {(0, 2), (1,4)}
= {(- 1, 4), (4, - 1), (1, l)}
45. A = [~ -~l B = [; ~]. C = [-~ !]
20. S = {(- 1, 2), (2, - 1), (1, l )} 46. A = [~ ; ]. B = [ ~ ~]. C = [; ~]
Conjuntos generadores En los ejercic ios 21 a 26, deter-
mine si el conjunto S genera a R3. De no ser asf, de una
47. A = [~ - ~]. B = [ - ~ !l = L~ -8]
C 23
descripc i6n geometrica de! subespacio generado por S.
21. S = {(4, 7 , 3 ), ( - I, 2 , 6), (2, - 3, 5) } 48. A = [_~ ; ]. B = [ - ~ - !]. = [ =! -3]
C
17
22. S = {(6, 7, 6), (3, 2, -4), ( I, - 3, 2)}
4.4 Ejercicios 179
Demostraci6n de dependencia lineal En los ejercicios Demostraci6n En los ejercicios 61 y 62, demuestre que el
49 a 52, demuestre que e l conjunto dado es lineal mente conjunto de vectores es linealmente independiente y genera a R3
dependiente al hallar una combinaci6n lineal no trivial (de 61. B = {( I, I, 1), (1, I, 0), ( 1, 0, 0)}
vecto res en el conjunto) cuya suma sea el vector nulo. Luego,
exprese uno de los vectores del conjunto como una combina-
62. B = {( 1,2,3),(3,2, 1),(0,0, I)}
c i6 n lineal de los demas. 63. Demostraci6n guiada Demuestre que un subcon-
49. S = {(3, 4), (- 1, 1), (2, O)} junto no vacfo de un conjunto finito de vecto res lineal-
mente independientes es linealmente independiente.
50. S = {(2, 4), (- 1, -2), (0, 6)}
Inicio: necesita demostrar que un subconjunto de un
51. S = {( I, I , 1), (I , I, 0), (0, I , 1), (0, 0, I)} conjunto linealmente independiente de vectores no
52. S = {(1,2,3, 4),( l, 0, l ,2),(1, 4,5, 6)} puede ser linealmente dependiente.
53. i,Para que valores de t los siguientes conjuntos son (i) Suponga que S es un conjunto de vectores lineal-
linealmente independientes? mente independientes. Sea Tun subconjunto de S.
(a) S = {(t, 1, 1), (1, t, 1), (1, 1, t)} (ii) Si T es linealmente dependiente, entonces existen
( b) S = {(t, I , I), ( I , 0 , 1), (1, 1, 3t)} constantes no todas ig uales a cero que satisfacen la
ecuacion vectorial c 1v 1 + c2 v2 + ... + ckv k = 0.
54. i,Para que valores de t los siguientes conjuntos son
(iii) Use este hecho para deducir una contradiccion y
linealmente independientes?
concluir que Tes linealmente independiente.
(a) S = {(t, 0, 0), (0, 1, 0), (0, 0, l )}
(b) S = {(t, t, t), (t, I , 0), (t, 0, I)} 64. Prueba Demuestre que si S1 es un subconjunto no
vacfo de! conjunto finito de S2, y S 1es linealmente depen-
55. Prueba Complete la demostraci6n de! teorema 4.7.
di ente, entonces tambien S2 es linealmente dependiente.
C> 56. 00[§[!YA]£i1[g Por inspecci6n, determine por
que cada uno de los siguientes conjuntos es lineal-
65. Prueba Demuestre que cualquier conjunto de vectores
que contenga al vecto r cero es linealmente dependiente.
mente dependiente 66. Prueba Dado que {u 1, u2, . . . , u11 } es un conj unto de
(a) S = {(I , -2), (2, 3), (- 2, 4)} vectores linealmente independientes, pero el conjunto
(b) S = {( I, - 6, 2), (2, -1 2, 4)} { u 1, u2 , . . . , u11 , v } es linealmente dependiente, demues-
(c) S = {(0, 0), (I, 0)} tre que v es una combinacion lineal de los u;.
67. Prueba Sea {v 1, v2, . .. , vd un conjunto de vectores
Generaci6n del mismo subespacio En los ejercicios 57 linealmente independiente en un espacio vectorial V.
y 58, determine si los conjuntos S 1 y S2 generan el mismo Elimine el vector vk de este conjunto y demuestre que el
subespacio de R3. conjunto {v 1, v2, . . . , vk- l } no puede generar a V.
57. SI = {( I, 2, -1 ), (0, I , 1), (2, 5, -1 )} 68. Prueba Cuando V es generado por {v 1, v2, . . . , vd y
S2 = {(-2, - 6, 0), (1, I , - 2) } uno de estos vecto res se puede escribir como una com-
58. S1 = {(0, 0, 1),(0, I, 1),(2, I, t)} binaci6n lineal de los otros vectores k - I , demuestre que
el s ubespacio generado por estos k - I vectores tambien
S2 = {( l , 1, I), (1, 1, 2), (2, 1, I )} es V.
,Verdadero o fatso? En los ejercicios 59 y 60, determine 69. Prueba Sea S = {u, v} un conjunto linealmente inde-
cual de las expresiones es verdadera o falsa. Si la expresion pendiente. Demuestre que el conjunto {u + v, u - v} es
es verdadera, proporcio ne una razon o cite una expresion linealmente independiente.
adecuada de! texto. Si la expresion es falsa, proporcione un
70. Sean u, v y w tres vectores cualesquiera de un espacio
ejemplo que muestre que la expresion no es cierta en todos
vectorial V. Determine si el conjunto de vectores {v - u,
los casos o cite de! texto una expresion adecuada.
w - v, u - w} es linealmente independiente o lineal-
59. (a) Un conjunto de vecto res S = (v 1, v2 , . . . , vk) en un mente dependiente.
espacio vectorial es linealmente dependiente si la
71. Prueba Sea A una matriz no singular de orden 3.
ecuacion vectorial c 1v 1 + c 2v 2 + ... + ckv k = 0
Demuestre que si {v 1, v2, v3 } es un conjunto linealmente
tiene solo la soluc i6n trivial.
independiente en M3 , 1, entonces el conjunto {Av 1, Av2 ,
(b) El conjunto S = {(l, 0, 0, 0), (0, -l , 0, 0), (0, 0, 1,
A v3 } es linealm ente independiente tambien. Explique, por
0), (0, 0, 0, I)} genera R4.
medio de un ejemplo, por que esto no se cumple si A es
60. (a) Un conjunto S = (v 1, v2, . . . , vk), k ~ 2, es lineal-
singular.
mente independiente si y solo si al menos uno de los
vectores v j puede escribirse como una combinacion 72. Escriba i,Bajo que condiciones un conj unto que consta
lineal de los otros. de un solo vector es linealmente independiente?
(b) Si un subconjunto S genera un espacio vectorial V, 73. Demostraci6n Demuestre el corolario de! teorema
entonces todo vector en V puede escribirse como una 4.8: dos vectores u y v son linealmente dependientes si
combinacion li neal de los vectores en S. y solo si uno es multiplo escalar de otro.
4.5 Base y dimension

■ Reconocer bases en las espacios vectoriales Rn, Pn y Mm,n·
■ Encontrar la dimension de un espacio vectorial.
BASE PARA UN ESPACIO VECTORIAL

En esta seccion se continua el esrudio de los conjuntos generadores. En particular, se
COM ENTARIO consideraran conjuntos generadores (en un espacio vectorial) que sean linealmente inde-
Esta defini ci6 n establece que pendientes y que, ademas, generen todo el espacio. Este tipo de conjuntos forma una
una base posee dos caracteristi- base de! espacio vectorial.
cas. Una base S debe tener sufi-
cientes vectores para generar V,
pero no tantos d e modo que Definici6n de base
uno de ellos pueda escribirse
como una combinaci6 n lineal Un conj unto de vectores S = {V i, v2 , . .. , v11 } en un espacio vectorial V se denomina
de los demas vecto res en S. base de V si se cumplen las siguientes condic iones.
1. S genera a V. 2. S es linealmente independiente.
Esta definicion no implica que todo espacio vectorial tiene una base que consta de un
numero finito de vectores. Sin embargo, en este texto, el analisis de bases esta restringido
a aquellas que estan formadas por un numero finito de vectores. Ademas, si un espacio
vectorial V tiene una base que consta de un numero fmito de vectores, entontes V es de
dimension finita. En caso contrario, V es de dimension infinita. [El espacio vectorial P
de todos los polinomios es de dimension infinita, asf como e l espacio vectorial C(- oo, oo)
de todas las funciones continuas definidas sobre la recta real.] El espacio vectorial V = {O}
solo tiene al vector nulo y es de dimension finita.
EJEMPLO 1 La base estandar de R3

Demuestre que el siguiente conj unto es una base de R 3.
S = {( I, 0, 0), (0, I , 0), (0, 0, I)}
(0, 0, I) SOLUCION
En el ejemplo 4 (a) de la seccion 4.4 se demostro que S genera R3. Ademas, S es lineal-
mente independiente porque la ecuacion vectorial
tiene solamente la solucion tri vial
X )'
c1 = c2 = c3 = 0.
Figura 4.18 (intente comprobar esto.) Por tanto, S es una base de R3 (vease la figura 4.1 8).
La base S = {( I , 0, 0), (0, I , 0), (0, 0, I ) } se denomina base estandar de R3. Este
resultado puede generalizarse para el espacio n-dimensional. Es decir, los vectores
e1 = (1, 0,. . , 0)
C2 = (0, 1, . . , 0)
e11 ,;,, (0, 0, . . , I)
forman una base de R" denominada base estandar de R".

4.5 Basey dimension 18 1
En los dos ejemplos sig uientes se describen bases no estandar de R2 y R3.
EJEMPLO 2 Una base no estandar de R2

Demuestre que el conjunto
S = {( I, 1), (1, -1)}

es una base de R2 .
SOLUCION
De acuerdo con la definici6n de una base para un espacio vectorial, debe demostrar que S
genera a R2 y que S es linealmente independiente.
Para comprobar que S genera a R2 , sea
x = (x 1,x 2)
que representa un vector arbitrario de R2• Para demostrar que x puede expresarse como una
combinaci6n lineal de v 1 y v2, considere la ecuaci6n
c 1v 1 + c2v 2 = x
c 1(1, 1) + cz( 1, - 1) = (x 1, x 2)
(cl + C2, c, - C2) = (x I• X 2)-
Al igualar las componentes correspondientes resulta el siguiente sistema de ecuac io nes
lineales.
C1 + C2 = X l
c 1 - c2 = X2
Dado que la matriz de coeficientes de este sistema tiene un determinante diferente de cero,
se sabe que el sistema tiene soluci6n unica. Por consiguiente, puede concluir que S genera
a R2 .
Para demostrar que S es linealmente independiente, considere la siguiente combina-
ci6n lineal.
c 1v 1 + c2v2 = 0
c 1(1 , 1) + cz(l , - 1) = (0, 0)
(cl + Cz, c, - Cz) = (0, 0).
Al igualar las componentes correspondientes resulta el siguiente sistema homogeneo.
c1 + c2 = 0
C1 - l'z = 0.
Como la matriz de coeficientes de este sistema tiene un deterrninante diferente de cero, se

sabe que la unica soluci6 n de! sistema es la soluci6n trivial,
Por lo tanto, puede concluir que S es linealmente independiente.

Por tanto, S es una base para R2 porque es un conjunto linealmente independiente que
genera a R2.
EJEMPLO 3 Una base no estandar de R3

A partir de los ejemplos 5 y 8 de la secci6n anterior se sabe que
S = {(1, 2, 3), (0, 1, 2), (-2, 0, 1)}
genera a R3 y que es li nealmente independiente. Por tanto, es una base de R3.
j EJEMPLO 4 Una base para polinomios
Demuestre que el espacio vectorial P3 tiene la base

S = {1,x,x 2 , x 3 }.
SOLUCION
Es evidente que S genera a P3 porque el espacio generado por S consta de todos los poli-
nomios de la forma
a0 + a 1x + az-x- 2 + a3x 3, a0 , a 1, a 2 y a 3 son reales
que es precisamente la fo rma de todos los polinomios en P3.
Para verificar la independencia lineal de S, recuerde que el vector nulo O en P3 es el
polinomio O(x) = 0 para toda x. Por tanto, la prueba de independencia lineal produce la
ecuaci6n
COM ENTARIO
La base S = {1, x, x2, x3} se Se dice que este polinomio de tercer grado es identicamente igual a cero. Del algebra,
denomi na base estandar de P3 .
usted sabe que para que un polinomio sea identicamente igual a cero todos sus coefic ientes
De manera se m ejant e, la base
est anda r de Pn es deben ser nu los; es decir,
S = {1, x, x 2 , . . . , x"}. ao = a1 = Gi = a 3 = 0.
Por tanto, S es linealmente independiente y, en consecuencia, es una base de P 3.
EJEMPLO 5 Una base de M 2 ,2
El conjunto
es una base M 2 ,2 . Ese conj unto se denomina base estandar de M2 _2 . De manera semejante,
la base estandar del espacio vectorial M,,,_11 consta de las mn distintas matrices de m X n
que tienen solo un I y todos los demas elementos son iguales a cero.
TEOREMA 4.9 Unicidad de la representacion de la base

Si S = {v 1, v2, ... , v11 } es una base de un espacio vectorial V, entonces todo vector en
V puede escribirse de una y s6lo una forma como combinaci6n lineal de vectores
en S.
DEMOSTRACION
La parte de la demostraci6n de existencia es directa. Es decir, debido a que S genera a V, se
sabe que un vector u arbitrario en V puede expresarse como u = c 1v 1 + c 2v2 + . . . + c11vn-
Para demostrar la unicidad (que un vector dado puede representarse solo de una
manera), suponga que u tiene otra representaci6n
u = b1v1 + b2 v2 + · · · + b v,,. 11
al restar la segunda representaci6n de la primera resulta

u - u = (c 1 - b1)v 1 + (c2 - b2)v2 + · · · + (c,, - b,,)v,, = 0.
Ya que S es linealmente independiente, entonces la unica soluc i6n de esta ecuaci6n es la
trivial,
c,, - b,, =0
lo cual significa que C; = b; para toda i = I, 2, . . . , n. Por tanto, u solamente tiene una
representaci6n para la base dada S.
4.5 Base y dimension 18 3
[ EJEMPLO 6 Unicidad de la representaci6n de la base

Sea u = (u 1, u2 , u3) cualquier vector en R3. Demuestre que la ecuaci6n u = c 1v 1 + c2 v2 +
c3 v 3 tiene una unica soluci6n para la base S = { v" v2 , v3 ) = { ( I, 2, 3), (0, I, 2), (- 2, 0, I) }.
SOLUCION
De la ecuaci6n
(u,, Uz, U3) = c,(l, 2, 3) + Cz(0, 1, 2) + C3(-2, 0, 1)
= (c, - 2c 2c + c 3c + 2c + c
3
, 1 2
, 1 2 3
)
se obtiene el siguiente s istema de ecuac io nes.

c1 - 2c3 = u 1
2c1 + C2 = U2 2I Ol O -2l[c'] = [u']
C2 U2
3c + 2c + c = u
1 2 3
[
3 3 2 1 C3 U3
A C u
Como la matriz A es invertible, se sabe que este sistema tiene una unjca soluci6n dada por
c= A- 1u. Al despej ar A- ' se obtiene
c 1 = -u 1 + 4u 2 - 2u 3
c2 = 2u 1 - 7u 2 + 4u 3
c3 = - u 1 + 2u 2 - u 3 •
Por ejemplo, el vector u = (1, 0, 0) puede representarse urucamente como una combina-
c i6n lineal de - v 1 + 2v2 - v3 .
Ahora, se presentaran dos importantes teoremas concernie ntes a las bases.
TEOREMA 4.10 Bases y dependencia lineal

Si S = {v 1, v2 , . . . , v,, ) es una base de un espacio vectorial V, entonces todo conjunto
que contiene mas den vecto res en V es linealmente dependiente.
DEMOSTRACION
Sea S1 = {u 1, u2, . . . u111 ) cualquier conjunto de m vectores en V, donde m > n. Para
demostrar que S1 es linealmente dependiente, es necesario encontrar escalares k 1, k2, . . . ,
k 111 (no todos cero) tales que
Ecuaci6n I
Como S es una base de V, puede concluirse que cada u;es una combinaci6n lineal de vec-
tores en S
u, = c 11 v 1 + C21 V2 + + c,,, v ,,
Uz = c ,zv , + C22V2 +· + c,,2 v ,,
u 111 = c 1111v 1 + Cz111V2 +. + c,,,,,v,,.

Sustituyendo en la ecuaci6n I y reagrupando Lerm inos, produce
d 1v 1 + d 2v2 + · · · + d,,v,, = 0
donde d; = c; 1k 1 + c;2k2 + ... + c; k
111 111 • Ya que los V; forman un conjunto linealmente
independiente, d; = 0. Asf, se obtiene el siguiente sistema de ecuaciones.
C11k, + c, 2k 2 + . · + c 1111k 111 = 0
c 21 k 1 + C22k2 + . . + Cz"'k"' = 0
c,, 1k 1 + c,,zk2 + · · + c 11111

k 111 = 0
Pero este sistema homogeneo tiene menos ecuaciones que variables ki, k2, .. . , k 111 y, por
el teorema 1. 1, se sabe que debe tener solucio nes no triviales. Por consiguiente, S 1 es
linealmente dependiente.
18 4 Capitulo 4 Espacios vectoriales
I EJEMPLO 7 Conjuntos linealmente dependientes en R3 y P3

a. Dado que R3 tiene una base que consta de tres vectores, entonces el conjunto
S = {( I, 2, -1 ), (1, I, 0), (2, 3, 0), (5, 9, -1 ) }
debe ser linealmente dependiente.
b. Como P3 tiene una base que consta de cuatro vectores, entonces el conjunto
S = { I , I + x, I - x , I + x + x 2 , I - x + x 2 }
debe ser linealmente dependiente.
Como la base estandar de R" cons ta den vectores, por el teorema 4.10 se concluye que
todo conjunto de vectores en R" que contenga mas de n vectores debe ser linealmente
dependiente. Otra consecuencia importance del teorema 4. 10 se da en el siguiente teorema.
TEOREMA 4.11 Numero de vectores en una base

Si un espacio vectorial V tiene una base con n vectores, entonces toda base de V tiene
n vectores.
DEMOSTRACION
Sea S 1 = {vi, v2, ... v,,, } la base dada de Vy sea S2 = {u i, u 2, ... u,,,} cualquier otra base
de V. Dado que S 1 es una base y S2 es linealmente independiente, entonces el teorema 4.10
implica que m :s n. De manera semejante, n :s m porque S 1 es linealmente independiente
y S2 es una base. En consecuencia, n = m.
EJEMPLO 8 Conjuntos generadores y bases
Utilice el teorema 4. 11 para explicar por que cada uno de los enunciados siguientes es
verdadero.
a . El conjunto S = {(3, 2, 1),(7, - 1, 4)) no es una base de R3.
b. El conj unto S2 = {x + 2, x 2, x3 - I, 3x + I, x 2 - 2x + 3} no es una base de P 3.
SOLUCION
a . La base estandar de R3 tiene tres vectores y S 1 tiene solo dos. Por canto, por el teorema
4.1 1, S 1 no puede ser una base de R3•
b. La base estandar de P 3, S = {1, x, x2, x3 ), tiene cuatro elementos. Asf, por el teorema
4. 11 , el conjunto S2 tiene demasiados elementos para ser una base de P3 .
ALGEBRA El modelo de co lor RGB usa la teoria de que todos los colores visibles
son combinaciones de los colores rojo (r), verde (g ) y azul (b ), conoci•
LINEAL dos como los colores aditivos primarios. Usando la base estandar
APLICADA para R3, donde r = (1, 0, 0), g = (0, 1, O) y b = (0, 0, 1), cualquier color
visible puede representarse como una combinaci6n lineal c1 r + c2 g +
c3 b de los colores aditivos primarios. Los coeficientes C; son son valo-
res entre O y un maximo a especificado, inclu ido. Cua ndo c1 = c2 = c3 ,
el color esta en escala de grises, con ci = 0 q ue representa negro y
c; = a que representa blanco. El modelo de colo r RGB se usa comun-
mente en monitores de computadoras, telefonos inteligentes, televi-
siones y otros equipos electr6nicos.
Chemetskry/Shutterstock com
4.5 Base y dimension 18 5
DIMENSION DE UN ESPACIO VECTORIAL

Por el teorema 4.11, usted sabe que si un espacio vectorial V tiene una base que consta de
n vectores, entonces toda otra base del espacio tambien tiene n vectores. El numero n se
denomina dimension de V.
Definici6n de dimension de un espacio vectorial

Si un espacio vectorial V tiene una base que consta den vectores, entonces el numero
n se denomina dimension de Vy se denota por dim(\/) = n. Si V consta solamente
de! vector nulo, entonces la dimension de V se define como cero.
La definicion ante1ior le permite observar las caracterfsticas de las dimensiones de

algunos espacios vectoriales conocidos. En cada caso, la dimension se determina contando
simplemente el numero de vectores que hay en la base normal.
1. La dimension de R" con las operaciones estandar es 11.
2. La dimension de P,, con las operaciones estandar es 11 + I.

3. La dimension de M 111, 11 con las operaciones estandar es mn.
Si W es un subespacio de un espacio vectorial n-dimensional, entonces se puede
demostrar que la dimension de W es finita y que la dimensio n de W es menor o igual que
n (Yease e l ejercicio 75). En los tres ejemplos siguientes vera una tecnica para determinar
la dimension de un subespacio. Basicamente, puede determinarse la dimension al hallar un
conjunto de vectores linealmente independientes que genere el subespacio. Este conjunto
es una base del subespacio; la dimension del subespacio es el numero de vectores que hay
en la base.
j EJEMPLO 9 Determinacion de la dimension de un subespacio
Determine la dimension de cada subespacio de R3.

a. W = {(d, c - d, c): c yd son numeros reales }
b. W = {(2b, b, 0): b es un numero real)}
SOLUCION
COMENTARIO a. Al escribir el vector representativo (d, c - d, c) como
En el ejemplo 9(a), el subespacio (d, c - d,c) = (0,c,c) + (d, -d, 0) = c(0, I, I)+ d( I, - 1, 0)
Wes un piano bidimensional en
Ff determinado por los vectores aplicando las tecnicas descritas en la seccion anterior, se puede demostrar que este
(0, 1, 1) y (1, -1, 0). En el ejem- conj unto es linealmente independiente. Por tanto, es una base de W y puede conclui rse
plo 9(b), el subespacio es una que Wes un subespacio bidimensional de R3.
recta unidimensional.
b. Al escribir el vector representativo (2b, b, 0) como (2b, b, 0) = b(2, l , 0), observe que
- - -[> W es generado por el conjunto S
de R3 .
= {(2, I, 0)}. Asf, Wes un subespacio unidimensional
EJEMPLO 10 Determinacion de la dimension de un subespacio
Encuentre la dimension del subespac io W de R4 generado por

S = {v1, v2, v3 } = {(-1, 2, 5, 0), (3, 0, I , -2), (-5, 4, 9, 2)}.
SOLUCION
Aunque Wes generado por el conjunto S, este no es una base de W porque es un conjunto
Iinealmente dependiente. Especfficamente, v3 puede expresarse como una combinacion
lineal de v 1 y v2 en la forma siguiente. v3 = 2v 1 - v2 Esto s ignifica que Wes generado por
el conjunto S 1 = {v 1, v2 } . Ademas, S 1 es linealmente independiente, ya que ningun vector
es un multiplo escalar de otro y usted puede concluir que la d imension de Wes 2.
j EJEMPLO 11 Determinacion de la dimension de un subespacio
Sea W el subespacio de todas las matrices simetricas en M2,2 .i,Cual es la dimension de W?

SOLUCION
Toda matriz simetrica de 2 X 2 tiene la forma
Por consiguiente el conjunto
s = {[~ ~], [~ ~], [~ ~]}

Genera a W. Ademas, puede demostrarse que S es linealmente independiente y llegar a la
conclusion de que la dimension de Wes 3.
Por lo general, para concluir que un conj unto S = {v 1, v2, . . . v,, } es una base de un
espacio vectorial V, es necesario demostrar que S satisface dos condiciones: que S genera
V y es linealmente independiente. Sin embargo, si se sabe que V tiene dimension de n.,
entonces el siguiente teorema establece que no es necesario verificar ambas condiciones.
Basta comprobar una de las dos. La demostracion se deja como ejercicio para usted (Vease
el ejercicio 74).
TEOREMA 4.12 Comprobacion de una base en un espacio

n-dimensional
Sea V un espacio vectorial de dimension n.
1. Si S = {v 1, v2, • . • , v,,} es un conjunto de vectores linealmente independientes
en V, entonces S es una base de V.
2. Si S = {v 1, v2, . . . , v,,} genera a V, entonces S es una base de V.
EJEMPLO 12 Verificacion de una base en un espacio

n-dimensional
Demuestre que el siguiente conjunto de vectores es una base de M5, 1
V1 V2 V3 V4 V5
0 0 0 0
2 l 0 0 0
S= - ) 3 , 2 0 0
3 - 2 - I 2 0
4 3 5 -3 -2
SOLUCION
Como S con st a de cinco vectores y la dimension de M 5 , 1 es 5, puede aplicar el teorema 4.12
para verificar que S es una base al demostrar linealmente independiente o que S genera a
M5, 1. Para demostrar lo primero, se forma la ecuacion vectorial c 1v 1 + c2v2 + c3v3 + c4 v4
+ c5v5 = 0, que produce el siguiente sistema de ecuaciones lineales homogeneo.
C1 =O
2c 1 + C2 =O
-c 1 + 3c2 + 2c3 =O
3c 1 - 2c2 - c3 + 2c4 =0
4c 1 + 3c2 + 5c3 - 3c4 - 2c5 =0
Como de este sistema tiene como unica solucion la trivial, S debe ser linealmente indepen-
diente. Asf, por el teorema 4. 12, S es una base de M5_1.
4.5 Ejercicios 187
Escribir la base estandar En los ejercicios I a 6, escriba Determinar si un conjunto es una base En los ejerci-
la base estandar para el espacio vectorial dado. cios 29 a 32, determine si el conj unto {v 1, v2 } es una base de
1. R6 2. R4 R2.
y )'
3. M 2.4 4. M 4 _1 29. 30.
5. P4 6. P2 •
vi
Escriba En los ej ercicios 7 a 14, explique por que S no es X
una base de R2. - I v2
7. S = {(l , 2), (1, 0), (0, l )} - I

8. S = {(- 1, 2), ( 1, - 2), (2, 4)}
9. S = {(- 4, 5), (0, 0)} 31. )'
32.
)'
10. S = {(2, 3), (6, 9) }

11. S = {(6, -5), (12, - 10)}
2 •
12. S = {(4, -3), (8, -6)}
- I
13. S = {(-3, 2)}
14. S = {(- 1, 2)} X - I
2
Escriba En los ejercicios 15 a 20, explique por que S no es
una base de R3. Determinar si un conjunto es una base En los ejerci-
15. S = {(I, 3, 0), (4, I, 2), (- 2, 5, - 2)} cios 33 a 40, determine si S es una base del espacio vectorial
indicado.
16. S = {(2, I, -2), (-2, -1 , 2), (4, 2, -4)}
33. S = {(3, - 2), (4, 5)} para R2
17. S = {(7, 0, 3), (8, -4, I)}
34. S = {( I, 2), ( I, - 1)} para R2
18. S = {( l , l , 2), (0, 2, l )}
19. S = {(0, 0, 0), (1, 0, 0), (0, l , 0)}
35. S = {(l , 5, 3), (0, l , 2), (0, 0, 6)} para R3
36. S = {(2, 1, 0), (0, -1 , 1)} para R 3
20. S = {(6, 4, I), (3, - 5, 1), (8, 13, 6), (0, 6, 9)}
37. S = {(0, 3, - 2), (4, 0 , 3), (- 8, 15, - 16) } para R3
Escriba En los ejercic ios 21 a 24, explique por que S no es 38. S = {(0, 0, 0), ( I, 5, 6), (6, 2, I)} para R3
una base de P 2 . 39. S = {(- 1, 2, 0, 0), (2, 0, - 1, 0), (3, 0, 0, 4), (0, 0, 5, 0)}
21. S = {l , 2x, x 2 - 4, 5x} para R 4
22. S = {2, x, x + 3, 3x 2 } 40. S = {( I, 0, 0, 1), (0, 2, 0, 2), (1, 0, I, 0), (0, 2, 2, 0)}
23. S = {I - x , I - x 2 , 3x 2 - 2x - I } para R 4
24. S = {6x - 3, 3x 2 , I - 2x - x 2} Determinar si un conjunto es una base En los ejerci-
cios 4 1 a 44, determine si S es una base de P 3.
Escriba En los ejercicios 25 a 28, explique por que S no es
41. S = {t 3 - 2t 2 + I, t 2 - 4, t 3 + 21, St}
una base de M2.2-
42. s = {4t - t 2, 5 + 13 , 31 + 5, 2t 3 - 312 }
25. S = {[~ ~l[~ 43.
44. S
S = {4 -
= {1 3 -
t, t 3 , 6t 2,
l, 212 , 1
13+ 3t, 4 t - l }
+ 3, 5 + 2 1 + 21 2 + t 3}
26. S = {[~ ~l[~ Determinar si un conjunto es una base En los ejerci-
27. S = {[~ ~l[~ ~l[_! -:J} cios 45 y 46, detemline si S es una base de M2,2.
45. S = {[~
28. S = {[~ ~l[~ ~]} 46. S = {[ - ~ -7] [ 4 -9]
2 ' 11
[ 12 -
12 ' 17 42
16]}
Determinar si un conjunto es una base En los ej erci- LVerdadero o falso? En los ejercicio s 7 l y 72, detennine
cios 47 a 50, de te rmine si S es una base de R 3. Si es asf c ual de las expresiones es verdadera o falsa. S i la expresi6n
escriba u = (8, 3, 8) como una combinaci6n lineal de los es verdadera, proporcione una raz6n o cite una expresion
vectores en S. adecuada del texto. Si la expresi6n es falsa, proporcione un
47. S = {(4, 3, 2), (0, 3, 2), (0, 0, 2)} ejemplo que muestre que la expresi6n no es cierta e n todos
los casos o cite del texto una expres ion adecuada.
48. S = {(I, 0, 0), ( L, I, 0), (I, I, J)}
71. (a) Si dim(V) = n, e ntonces hay un conj unto de n - L
49. S = {(0, 0, 0), (1, 3, 4), (6, 1, -2)} vectores en V que generan a V.
so. s = {(½, ~, 1), (1, ½, o), (2, 12, 6)} (b) Si dim(V) = n, e ntonces hay un conjunto den + I
vectores en V que generan a V.
Determinar la dimension de un espacio vectorial En 72. (a) Si dim(V) = n, e nto nces c ualquier conjunto den +
los ejercicios 5 l a 56, determine la dimensi6n de! espacio I vectores e n V deber ser linealme nte dependiente.
vectorial dado. (b) Si d im(V) = n, e nto nces c ualquie r conjunto den - l
51. R6 52. R vectores en V deber ser linealme nte independiente.
53. P7 54. P4 73. Prueba Demuestre que si S = {vi, v2, ... , v11 } es una
base de un espacio vectorial Vy c es un escaJar no nulo,
55. M 2 _3 56. M 3 _2
entonces el conjunto S1 = {cv 1, cv 2, . • . , cv11 } tambien
57. Determine una base de D 3_3 (el espac io vectorial de codas es una base de V.
las matrices diagonales de 3 X 3). i,Cual es la dimens i6n 74. Prueba Demues tre el teorema 4.12
de este espacio vectorial? 75. Prueba Demuestre que si W es un subespacio de un
espacio vectorial V de dimension finita, e nto nces
58. Encuentre una base del espacio vectorial de codas las
dim(W) :5 dim(V).
matrices si metricas de 3 X 3. i,Cual es la dimensi6n de
este espacio vectorial?
59. Encuentre todos los subconjuntos del conjunto
r> 76. 00 [g ffi'AJ~TI' [g
(a) Un conjunto S1 consta de dos vecto res de la forma
S = {(1 , 0), (0, 1), (1, l )} u = (u. 1, u.2, u3). Explique por que S1 no es una base
que Forman una base para R2. de R 3.
60. Enc uentre todos los subconjuntos del conjunto (b) Un conjunto S 2 consta de cuatro vectores de la
forma u = (ui, u 2, u 3) . Explique por que S 2 no es
S = {( 1, 3, -2), (-4, I , I ), (-2, 7, -3), (2, 1, I )} una base de R 3.
q ue Forman una base para R3. (c) Un conjunto S3 consta de tres vectores de la form a
61. Encuentre una base de R2 que contenga al vector (2, 2). u = (u i, u2 , u 3 ). Determine las condicio nes bajo las
62. Encuentre una base de R3 que contenga a los vectores c uales S 1 es una base de R 3 .
(l , 0, 2) y (0, 1, I). 77. Prueba Sea S un conjunto de vectores linealme nte inde-
pendiente de! espacio vectorial V de dimensi6n finita.
Descripcion geometrica, base y dimension En los
Demuestre que existe una base para V que contiene a S.
ejercicios 63 y 64, (a) proporcione una descripci6n geome-
78. Demostracion guiada Sea S un conjunto generador
trica de, (b) encuentre una base, y (c) determine la dimens i6n
para el espacio vectorial V de dimensi6n finita. Dem ues-
del subespac io W de R2 .
tre que existe un subconj unto S' de S que forma una base
63. W = {(2t, t): t es un numero real} para V.
64. W = {(0, t): t es un numero real } Jnicio: S es un conjunto generador, pero quiza no sea una
base debido a que puede ser linealmente dependiente.
Descripcion geometrica, base y dimension En los Usted necesita eliminar los vectores extra para que e l
ejercicios 65 y 66, (a) proporcione una descripci6n geome- subconjunto S' sea un conjunto generador y sea tambien
trica de, (b) e nc uentre una base para, y (c) determine la linealme nte indepe ndiente.
dime nsi6n del subespacio W de R3. (i) Si S es un conj unto lineaJmente independiente, no
65. W = {(2t, t, - t): t es un numero real } hay nada que demostrar. En caso contrario, eli mine
66. W = {(2s - t, s, t ): s y t son numeros reales } algun vector v de S que sea una combinacion lineal
de otros vectores en S 1•
Base y dimension En los ejercicios 67 a 70 encuentre (a) (ii) Designe este conjunto como S 1• Si S 1 es linealmente
una base para, y (b) la dimension de! subespacio W de R4. independie nte, no hay nada que demostrar. En caso
61. W = {(2s - t, s, t, s): s y t son numeros reales} contrario, continue eliminando vectores dependien-
tes hasta que se produzca un subconjunto S' lineal-
68. W = {(St, -3t, t, t): t es un numero real }
mente independiente.
69. W = {(O, 6t, t, - t): t es un numero real } (iii) Concluya que este subconjunto es el conj unto
70. W = {(s + 4t, t, s, 2s - t): s y t son numeros reales} mfnimo generador S'.
4.6 Range de una matriz y sistemas de ecuaciones lineales 189
4.6 Rango de una matriz y sistemas de ecuaciones lineales

Determinar una base para el espacio rengl6n, una base del espacio
■ columna y el rango de una matriz.
■ Determ i nar el espacio nulo de una matriz.

Determinar la soluci6n de un sistema consistente Ax = b en la forma
■ Xp + X h.
ESPACIO RENGLON, ESPACIO COLUMNA

Y RANGO DE UNA MATRIZ
En esta secci6n se estudia e l espacio vectorial generado por los vectores rengl6n (o por
los vectores columna) de una matriz. Luego vera c6mo se relacio nan estos espacios con
las soluciones de sistema de ecuaciones lineales.
Para empezar, necesita saber algo de terminologfa. Para una matriz A de m X n, las
n-adas correspondientes a los renglones de Ase denominan vectores rengl6n de A.
Yee tores reng16n de A
a,2 a,,,] (a11, a ,2, · . 'a.1,,)

A= a,,
<½1 r G22 a2,, (a21• G22,. . '(½,,)
a;,,, am2 a,;,,, (an,) , a,,,2, . ... , a,mJ

De manera similar, las colurnnas de A se denominan vectores columna de A. Encon-
trara muy util conservar la notaci6n de columna para estos vectores columna.
Yectores columna de A
a1,,]
a2,,
ail
a 2,
r(/12
a 22
a,,.]
a 2,.
a,;111 ra,;,1 a,;,2 a,; 111
EJEMPLO 1 Vectores rengl6n y vectores columna
1
Para la matriz A =[ O - l ] , los vectores reng16n son (0, I , -I) y (-2, 3, 4),
- 2 3 4
y los vectores columna son [ _~]. [~] y [-!].

En e l ejemplo I, observe que para una matriz A de m X n los vectores rengl6n son
vectores en R" y los vectores colurnna son vectores en R111• Esto conduce a la siguiente
definici6n de espacio rengl6n y espacio columna de una matriz.
Definici6n de espacio rengl6n y espacio columna de una matriz

Sea A una matriz de m X n.
1. El espacio rengl6n de A es el subespacio de R" generado por los vectores reng16n
de A.
2. El espacio columna de A es el subespacio de R111 generado por los vectores
columna de A.
Recuerde que dos matrices son equivalentes por renglo nes si una puede obte nerse a
partir de la otra al aplicar operaciones elementales en los renglones. El siguiente teorema
establece que las matrices equivalences por renglones tienen el mismo espacio rengl6n.
COM ENTARIO
TEOREMA 4.13 Las matrices equivalentes por renglones
Observe que el teorema 4.13
establece que el espacio ren- tienen el mismo espacio rengl6n
gl6 n de una matriz no se modi-
Si una matriz A de m X n es equi valente por renglones a una matriz B de m X n,
fica por la aplicaci6 n de opera-
ciones elem entales en los entonces el espacio rengl6n de A es igual al espacio rengl6n de B.
renglones. Sin embargo, estas
pueden modificar el espacio
DEMOSTRACION
columna.
Como los renglones de B pueden obte nerse a partir de los renglones de A mediante operacio-
nes elementales en los renglones (multiplicaci6n escalar y suma), se concluye que los vecto-
res rengl6n de B pueden expresarse como una combinaci6n lineal de los vectores rengl6n de
A. Los vectores rengl6n de B pertenecen al espacio rengl6n de A, el subespacio generado por
los vectores rengl6n de B esta contenido en el espacio rengl6n de A. Pero tambien es c ierto
que los renglones de A pueden obtenerse a partir de los renglones de B mediante la aplicaci6n
de operaciones elementales en los renglones. Por tanto, se puede concluir que los dos espa-
cios rengl6n son subespacios uno de! otro, lo que los hace iguales.
Si la matriz B esta en forma escalonada por renglones, entonces sus vectores rengl6n
diferentes de cero constituyen un conjunto linealmente independiente. (Intente comprobar
esto). En consecuencia, forman una base de! espacio rengl6n de B y por el teorema 4. 13,
tambien forman una base del espacio rengl6n de A. Este importante resultado se establece
en el siguiente teorema.
TEOREMA 4.14 Base para el espacio rengl6n de una matriz

Si una matri z A es equi vale nte por renglones a una matri z B que esta en fo rma esca-
lonada por renglones, entonces los vectores rengl6n de B diferentes de cero forman
una base del espacio rengl6n de A.
EJEMPLO 2 Determinaci6n de una base para un espacio rengl6n
Encuentre una base para el espacio reng16n de

I 3 I 3
0 I I 0
A= - 3 0 6 - I
3 4 -2 I
2 0 - 4 -2
SOLUCION
Mediante las operaciones elementales en los renglones, reescriba A en forma escalonada
como se muestra a continuaci6n
I 3 3 WI
0 I I 0 \\'2
B= 0 0 0 I W3
0 0 0 0
0 0 0 0
Por el teorema 4.14 se concluye que los vectores rengl6n de B diferentes de cero, w 1 = ( I,
3, J, 3), w2 = (0, 1, I , 0) y w3 = (0, 0, 0, I ), forman una base del espacio rengl6n de A.
La tecnica usada en el ejemplo 2 para determinar el espacio reng16n de una matriz
puede usarse para resolver el siguiente tipo de problema. Suponga que se pide determinar
una base del subespacio generado por el conjunto S = {vi, v 2 , . .. , vd en R". Al emplear
los vectores en S para formar los renglones de una matriz A se puede aplicar las operacio-
nes elementales en los renglones para reescribir A en forma escalonada por renglones. Los
renglones diferentes de cero de esta matriz integraran entonces una base de) subespacio
generado por S. Esto se demuestra en el ejemplo 3.
I EJEMPLO 3 Determinacion de la base de un subespacio
Encuentre la base del subespacio de R3 generado por

S = { V1, V2, V3} = {(-1, 2, 5), (3, 0, 3), (5, 1, 8)}.
SOLUCION
Utilice Vi, v2 y v3 para fonnar los renglones de una matriz A. Luego, escriba A en forma
escalonada.
-1 2 -2
A= [ ! 0 ...... l
0
Por consiguiente, los vectores rengl6n de B diferentes de cero w 1 = ( I, -2, -5) y w 2 = (0,
l , 3), forman una base del espacio rengl6n de A; es decir, forman una base del subespacio
generado por S = {v 1, v2, v 3 }.
Para encontrar una base del espacio columna de una matriz A usted tiene dos opciones.
En una, puede usar el hecho de que el espacio columna de A es igual al espacio rengl6n de
AT y aplicar Ia tecnica de! ejemplo 2 a la matriz Ar _ En la otra opci6n, observe que aun
c uando operaciones con renglones pueden cambiar el espacio columna de una matriz, no
pueden cambiar las relaciones de dependencia entre las columnas. (Se le pide que demues-
tre este hecho en el ejercicio 75.) Por ejemplo, considere las matrices equivalentes por
renglones A y B de! ejemplo 2.
I 3 I 3 I 3 I 3
0 I I 0 0 I I 0
A = -3 0 6 - I B= 0 0 0 1
3 4 -2 I 0 0 0 0
2 0 -4 - 2 0 0 0 0
31 32 33 34 b l b2 b3 b4
Observe que las columnas l, 2 y 3 de la matriz B satisface, la ecuaci6n b3 = - 2b 1 + b2 y

tambien lo hacen las columnas correspondientes de la matriz A; es decir a3 = - 2a 1 + a 2.
De manera similar, los vectores columna b i, b 2 y b4 de la matri z B son linealmente inde-
pendientes y tambien Io son las columnas correspondientes de la matriz A .
EI siguiente ejemplo muestra c6mo determinar una base para el espacio columna de
una matriz aplicando estos metodos.
Determinacion de una base para el espacio

EJEMPLO 4
columna de una matriz (metodo 1)
Encuentre una base para e l espacio columna de la matriz A de! Ejemplo 2 al encontrar una
base para el espacio rengl6n de Ar_
SOLUCION
Tome la transpuesta de A y aplique las operaciones elementales en los renglones para
escribir AT en form a escalonada por renglones.
- 3 - 3
0 3 2 0 3
2]
I
I
0
6
4
-2
0
-4
...... I
0
9
I
-5
- I
-6
- I
WI
w2
W3
0 - I -2 0 0 0 0
Asf, w 1 = (1, 0, -3, 3, 2), w 2 = (0, I, 9, -5, - 6) y w 3 = (0, 0, I, - 1, - 1) Forman una base
de! espacio reng16n de Ar_ Esto equivale a afi rmar que los vectores columna
[l 0 -3 3 2)7, [0 1 9 - 5 -6f y [0 0 1 - 1 - l f forman una base del
espacio columna de A.
Determinaci6n de una base para el espacio

EJEMPLO 5
columna de una matriz (Metodo 2)
Encuentre una base para el espacio columna de la matriz A de! Ejemplo 2 al usar las rela-
cio nes de dependencia entre columnas.
SOLUCION
En el ejemplo 2, se aplicaron operaciones con renglones en la matri z original A para obte-
ner la forma escalonada por renglones 8 . Fac ilmente puede verse en la matriz B que el
primero, el segundo y el cuarto vector columna son linealmente independientes (estas
COM ENTARIO columnas tienen los I princ ipales). Las columnas correspondientes de la matri z A son
Observe q ueen la segunda linealmente independientes y una base de! espacio columna que consta de los vectores
soluci6n, la fo rma esca lonada
por renglo nes d e B ind ica que 1 3 3
columnas de A forman la base 0 1 0
del espacio co lumna. No utilice - 3 - 1
0 y
los vectores colu m na de B para
form ar la base. 3 4 1
2 0 -2
Note que la base para el espacio columna obtenido en el eje mplo 5 es diferente del obte-
nido en el 4. Verifique que estas bases generen el rnismo espacio columna de A.
Tambien note en los Ejemplos 2, 4, y 5 que el espacio rengl6n como el espacio
columna de A tienen djmensi6n igual a 3 (ya queen ambas bases hay Ires vectores). Esto
se generaliza con el siguiente teorema.
TEOREMA 4.15 Los espacios de los renglones y las columnas

tienen iguales dimensiones
Si A es una matriz de m X n, entonces el espacio rengl6 n y el espacio columna tienen
la mjs ma dimension.
DEMOSTRACION
Sea v 1, v2, . . . , y v,,, los vectores rengl6n y u 1, u2, . . . y u,, los vectores columna de la
matriz
G12
a2,,
a," 1
A= a~1
[""
a,:,1
G22
a,,,2 a,;,,,
Suponga que e l espacio rengl6n de A es de dimension r y que tiene una base S = {b i, b 2,
... , b,}, donde b; = (bn, b;2 , . . . , b;,,). Uti lizando esta base, puede escribir los vectores
renglon de A como
VI = +
C11 b 1 C12b 2 + · ·+ C1rb ,
V2 = C21 b 1 + C22b 2 + . .+ C2, b ,
Reescriba este sistema de ecuaciones vectoriales de la siguiente manera.
[a11G12 . . al,,] = C11 [ b1 1h1 2 . . bi,,] + c1zEb21b22 · . b211] + . ·+ C1Jb,1b,2 . . b,,,]

[et21G22 . . Gz,,] = C21[ b1 1h1 2. . b1,J + c2zEb21b22 · . b2n] + . ·+ C2,[br1br2 . · brn ]
[a1111Cl1112 . . am,,] = c,,,Jb1 1h1 2 . . b1,,] + c,,Jb21b22 . . b211] +. · + c Jbr1b,2 · . b,,,]

111
Ahora, tome solamente los elementos correspondientes a la primera columna de la matriz

A para obtener el siguiente sistema escalar de ecuacio nes
a 11 c 11 b 11 + c 12 b21 +· ·+ c,,br1
a2, c2 , h1 J + c22h2, + . .+ c2,b,,
am, = cm,h, , + C,,,2h2, + · · · + cm,brl

De manera similar, para los elementos de la j-esi ma columna usted puede obtener el sis-
tema mostrado abajo.
a1j C1 1h1j + C12h2j +. . + C1, b,j
a2j C21 h1j + C22b2j +. .+ C2,h,j
a,,,j = c,,,1b1j + c1112 b2j + · · · + c111 ,b,j

Luego, si se hace
C; = [cli C2; . . . c,,Jr.
ento nces el sistema para la j -esima colu mna puede reescribirse en una forma vecto rial
como
uj = b 1j c 1 + b2j c 2 + · · · + b,j c, .
Agrupando todos los vectores columna se obtiene
u , = [a,1 Gi,. + h21C2 + . . + h,1c,
. a1111F = b11 c 1
U2 = [a, 2 Gi2 . . a,,aF = h12C 1 + b 22C2 + . . + b,2c,
a--Ln · .. aum ]T = b l nc I + b211c 2 + · · · + brnc r ·

Como cada vector columna de A es una combinacion lineal de r vectores, usted sabe que
la dimension del espacio columna de A es menor o igual que r (la dimension del espacio
renglon de A). Es decir,
dim(espacio columna de A) $ dim(espacio renglo n de A).
Al repetir este procedimiento para AT se puede concluir q ue la dimension de! espacio
columna de Ar es menor o igual que la dimension de! espacio renglon de Ar. Pero esto
implica que la dimensio n del espacio renglon de A es menor o ig ual que la dimension del
espacio colurnna de A. Es decir,
dim(espacio renglon de A ) $ dim (espacio columna de A).
COMENTARIO Por consig uiente, ambas dimensio nes deben ser iguales.
A lgu nos textos distinguen
entre el rango reng/6n y el La dimensio n del espacio renglon (o columna) de una matriz se denomina el rango de la
rango columna de una m atriz. matriz.
Sin em ba rgo, debido a que
estos rangos son iguales (teo-
rem a 4.15), este texto no esta- Definici6n del rango de una matriz
blece ning una d isti nci6n entre
---
ambos. [> La dimension de! espacio renglon ( o columna) de una matriz A se llama rango de A
y se denota por rango(A).
EJEMPLO 6 Determinaci6n del rango de una matriz
Para encontrar el rango de la matriz A que se muestra a continuacion, convierta a la forma

escalonada por renglo n como se presenta en la matriz 8.
-2 -2
0
5 ..... l
0
3 0
Como B tiene tres renglo nes diferentes de cero, e ntonces el rango de A es 3.
ESPACIO NULO DE UNA MATRIZ

Los conceptos de espacios rengl6n y columna y rango, tienen algunas aplicaciones impor-
tantes a los sistemas de ecuaciones lineales. Considere primero el sistema lineal homogeneo
Ax= 0
donde A es una matriz de m X 11, x = [x 1 x2 .•. x,,f es el vector columna de las inc6gnitas
y O = (0 0 ... Of es el vector cero en R111• El siguiente teorema establece que el conj unto
COM ENTARIO de todas las soluciones de este sistema homogeneo es un subespacio de R".
El espacio nulo de A es llamado
tambien espacio soluci6n del TEOREMA 4.16 Soluciones de un sistema homogeneo
sistema Ax = 0.
Si A es una matriz de m X n, entonces el conjunto de todas las soluciones del sistema
de ecuaciones lineales homogeneo Ax = 0 es un subespacio de R" llamado espacio
nulo de A yes denotado por N(A) . Asf,
N(A) = {x E R11 :Ax = 0}.
La dimension de! espacio nulo de A es la nulidad de A.
DEMOSTRACION
Como A es una matriz de m X 11, se sabe que x es de tamaiio n X 1. asf el conj unto de todas
las soluciones de este sistema es un subconjunto de R". Este conjunto claramente es no
vacfo, debido a que AO = 0. Puede comprobar que este es un subespacio demostrando que
es cerrado bajo las operaciones de suma y multiplicaci6n escalar. Sean x 1 y x 2 dos vectores
soluci6n del sistema Ax = 0 y sea c un escalar. Como Ax 1 = 0 y Ax2 = 0, se sabe que
A(x 1 + x2 ) = Ax 1 + Ax2 = 0 + 0 = 0 Suma
Multiplicaci6n escalar
Por tanto, (x 1 + x2) y cx 1 son soluciones de Ax = 0 y se puede concluir que el conjunto de

todas las soluciones forma un subespacio de R".
ALGEBRA El Servicio Postal de las Estados Unidos utiliza c6digos de barras para
representar cierta informaci6n coma c6digos postales y direcciones de
LINEAL entrega. El c6digo de barras CP + 4 que se muestra a la izquierda
APLICADA comienza con una barra larga, tiene una serie de barras cortas y largas
para representar cada digito en el c6digo CP + 4 y un d igito adicional
.....,,_,.,
ms1ouunu1 para verificaci6n de errores, y termina con una barra larga. El siguiente
1(:UICff'l'l« UnSSS..I)
es el c6digo para las digitos.
O= 11,,, 1= 11,II 2= .. 1,1 3=.. II, 4= ,1 .. 1
5= ,1,1, 6= ,II,, 7= 1.. ,1 8= 1.. 1, 9= 1,111
YOUR COMPANY El digito para verificaci6n de errores es tal que cuando se suma con
2255 YOUR STREET
YOUR CITY NY 13215-5523 las digitos en el c6digo CP + 4, el resultado es un multiplo de 10 (veri-
fique esto, asi coma si el c6digo CP + 4 que se muestra esta correcta-
mente codificado). Algunos c6digos de barras m as sofisticados tam-
bien incl uyen digitos para la correcci6n de errores. De manera
1,,,11,,11,,,1,l,,,11,l,1,,1,l,,l,1,,,l,1,,ll,,,ll,1 analoga, las matrices se pueden usar para verificar e rrores en mensa -
jes transmitidos. La informaci6n en forma de vectores columna se
puede multiplicar par una matriz de detecci6n de errores. Cuando el
producto resultante esta en el espacio nulo de la matriz de detecci6n
de errores, no existen errores en la transmisi6n. De lo contrario, existe
un error en alguna parte del mensaje. Si la matriz de detecci6n de
- -[> errores tambien tiene correcci6n de errores, entonces la matriz pro-

ducto resultante tambien indicara donde ocurre el error.
j EJEMPLO 7 Determinacion del espacio nulo de una matriz
Encuentre el espacio nulo de la matriz
-[i
2 - 2
6 - 5
A
2 0
SOLUCION
El espacio nulo de A es el espacio soluci6n del sistema homogeneo Ax = 0.
Para resolver este sistema, usted necesita escribir la matriz aumentada [A 0] en la
forma reducida escalonada por renglones. Ya que el sistema de ecuaciones es homogeneo,
la columna del !ado derecho de la matri z aumentada consiste completamente de ceros y no
puede ser cambiada con operacio nes con renglo nes. Esto es suficiente para encontrar la
forma reducida escalonada por renglones de A.
-[i ~ =~ ;] - [~
2 0
0 I
A
0 0
El sistema de ecuac iones correspondiente a la forma reducida escalonada es
+ 3x4 = 0
X3 + x 4 = 0.
Seleccione x 2 y x 4 como variables libres para representar las soluciones en la forma para-
metrica
Esto significa que el espacio soluci6n de Ax = 0 consta de todos los vectores x de la forma
mostrada enseguida.
COM ENTARIO
Aunque las bases del ejemplo 7
demuestran que los vectores Una base para el espacio nulo de A consta de los vectores
generan el conjunto soluci6n,
no prueban que sean lineal-
mente independientes. Cuando
se resuelven sistemas homoge-
neos a partir de la forma escalo-
nada reducida por renglones, el
conjunto generador siempre es
linealmente independiente. (::::> En otras palabras, estos dos vectores son soluciones de Ax = 0 y todas las soluciones de
este sistema homogeneo son combinaciones lineales de los mismos.
En el ejemplo 6, la matriz A tiene cuatro colu mnas; ademas, el rango de la matriz es

2 y la dimension de l espacio nulo es 2. Por tanto,
Numero de columnas = rango + nulidad
Una manera de ver esto es observar la forma reducida escalonada por renglones de A.
2 0
0
0
l
0 !]
Las columnas con los I principales (columnas I y 3) determinan el rango de la matriz. Las
otras columnas (2 y 4) detenninan la nulidad de la matriz, ya que a ellas corresponden las
variables libres. Esta relaci6n se generaliza con el siguiente teorema.
TEOREMA 4.17 Dimension del espacio soluci6n

Si A es una matriz de m X n de rango r, ento nces la dimension del espacio solucio n
de Ax = 0 es n - r, es decir n = rango(A) + nulidad(A)
DEMOSTRACION
Como A tiene rango r, se sabe que es equivalente por renglones a la matriz B de la forma
escalo nada reducida por renglones con los renglones r diferentes de cero. No se pierde
ninguna generalidad al suponer que la esquina superior izquierda de B tiene la fo rma de la
matriz identidad I , de r X r. Mas aun, como los renglones nulos de B no contribuyen a la
solucion, pueden descartarse de la forma de la matriz B' de r x n, do nde B' = [Ir C] . La
matriz C tiene n - r columnas correspondientes a las variables x, + 1, x, + 2, •.• , x,,. Por
tanto, el espacio solucion de Ax = 0 puede representarse por el sistema
x, + C11Xr+ l + c,i-t,. + 2 + + C1. 11 -,x,, = O

X2 + C21Xr+ I + C2rr + 2 + + C2.11-,X,, =O
x, + Cr1Xr + l + C,rr + 2 + + cr.11-rxn = 0.
Resolviendo para las primeras r variables en terminos de las ultimas n - r variables pro-
duce n - r vectores en la base de! espacio solucio n. En consecuencia, el espacio solucion
tiene dimensio n n - r.
El ejemplo 8 ilustra este teorema y ademas explora el espacio columna de una matriz.
EJEMPLO 8 Rango y nulidad de una matriz
Sean los vectores columna de la matriz A denotados por 3 1, 3 2 , 3 3 , 3 4 y 3 5.
~
0 -2 l
3.
A= [
- 2 - 1
0
31
3
- I
32
-3
l
9
33
Determi ne el rango y la nulidad de A.

- 1
34
0 J 35
b. Determine un subconjunto de los vectores columna de A que forman una base para el
espacio columna de A.
SOLUCION
Sea B la forma escalonada reducida de A.
-2 -2
....
0 1 0 0
A
=H
- I
- 1
3
- 3
I
9 0
l
- 1
J1 8 =[~
1
0
0
3
0
0
0
1
0
-~1
- 1
0
3. Como B tiene tres renglones diferentes de cero, el rango de A es 3. Ademas, el numero
de columnas de A es n = 5, lo cual implica que la nulidad de A es n - rango = 5 - 3 = 2.
b. Debido a que el primero, el segundo y el cuarto vector columna de B son linealmente
independientes, los correspondientes vectores columna de A
forman una base para el espacio columna de A.

SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES

Usted sabe que el conjunto de todos los vectores soluc i6 n del sistema lineal homogeneo
Ax = 0 es un subespacio. l Esto se cumple tambien para el conjuntos de todos los vectores
*
soluci6n del sistema no homogeneo Ax = b, donde b O? La respuesta es " no" debido a
que e l vector nulo nunca es una soluc i6n de un sistema no homogeneo. Sin embargo, existe
una relaci6n entre los conjuntos de soluciones de los dos sistemas Ax = 0 y Ax = b. Espe-
cfticamente, si x"es una soluc i6 n particular del sistema no homogeneo Ax = b, entonces
toda soluci6n de este sistema puede ser escrita en la forma x = x" + x,,, donde x,, es una
soluc i6n del sistema homogeneo Ax = 0 correspondiente. El siguie nte teorema establece
este importante concepto.
TEOREMA 4.18 Soluciones de un sistema lineal no homogeneo

Si xP es una soluc i6 n particular del sistema no homogeneo Ax = b, entonces toda
soluci6n de este sistema puede escribirse en la forma x = x" + x,,, donde x,, es una
soluci6n del sistema homogeneo Ax = 0 correspondiente.
DEMOSTRACION
Sea x cuaJquier soluci6n de Ax = b. Entonces, (x - xp) es una soluci6n del sistema ljneal
homogeneo Ax = 0, ya que
A(x - x,,) = Ax - Ax,,= b - b = 0.
Haciendo x,. = x - xp, se tiene x = xP + x,,.
Determinaci6n del conjunto soluci6n

EJEMPLO 9
de un sistema no homogeneo
Determine el conjunto de todos los vectores soluci6n de! siguiente sistema de ecuaciones
lineales.
X1 - 2.x3 + X4 = 5
3x 1 + x 2 - 5x3 = 8
x 1 + 2x 2 - 5x 4 =-9
SOLUCION
La matriz aumentada de! sistema Ax = b se reduce como sigue.
0
[i 1
2
El sistema de ecuaciones lineales correspondiente a la matriz reduc ida escalonada por
renglones es
X1 - 2.x3 + X4 = 5
X2 + X3 - 3x4 = - 7.
Haciendo x 3 = s y x 4 = t, se puede escribir un vector soluci6n representativo de Ax = b
como se muestra enseguida.
X =
xi] = [2s-+ 3tt+5]
x2 - 7
- s
=
[- 2]I + r-113 + [- 5]7 = I SU 1 + IU2 + x,,
[x Os + + 0
X3 s + Ot + 0 I
0 t
O 0
0
S
1
4
Observe que xPes un vector soluci6n particular de Ax = b y x,, = su 1 + tu 1 representa un

vector arbitrario en el espacio soluci6n de Ax = 0.
El teorema final de esta secci6 n describe c6mo el espacio columna de una matri z
puede utili zarse para determinar si el sistema de ecuac iones lineales es consiste nte.
TEOREMA 4.19 Soluciones de un sistema

de ecuaciones lineales
El sistema de ecuacio nes lineales Ax = b es consistente si y s6lo si b esta en e l espa-
cio columna de A.
DEMOSTRACION
Para el sistema Ax = b, sean A, x y b la matriz de coeficientes m X n, la matriz columna
de n X I de inc6gnitas, y la matri z de! !ado derecho de m X I, respectivamente. Entonces
ll12 1 1 11 12 1
Ax =
[ G21
a.,
.
ll22 aC½,,,,
· [xx·2 =l X1
a21
•
lli2
[ a ] + X2[a. ] + · ·+ X 11
[ aa2,,
•
,l •
a,:,1 a,,,2 a,~,,, xii a;,,1 a:,,2 a:,m
Por tanto, Ax = b si y s61o si b = [b 1 b2 b111] es una combinaci6n lineal de las

columnas de A . Es decir, el sistema es consistente si y s6lo si b es un subespacio de R"
generado por las columnas de A .
EJEMPLO 10 Consistencia de un sistema de ecuaciones lineales
Considere el sistema de ecuaciones lineales
X I + X2 - 3= - l
X
X1 +x3 = 3
3x 1 + 2x 2 - x3 = I.
El rango de la matriz de coeficientes es igual al rango de la matriz aumentada. (Intente

verificar esto.)
[A
b] - [: 0
2
l - 1
- 1
l
-;l ..... [~ 0
l
0
-2
0
-~]
Como se muestra arriba, b esta en el espacio columna de A y el sistema de ecuaciones
lineales es consistente.
El siguiente resumen presenta varios resultados importantes que involucran sistemas

de ecuaciones lineales, matrices, determinantes y espacios vectoriales.
Resumen de condiciones equivalentes para matrices cuadradas

Si A es una matriz de n X n, entonces las sig uientes condiciones son equivalentes
1. A es invertible.
2. Ax = b tiene soluci6n unica para cualquier matriz b de n X I.
3. Ax = 0 tiene s6lo la soluci6n trivial.
4. A es equivalente por renglones a f w
5. IAI -:f:. 0
6. Rango(A) = n.
7. Los n vectores rengl6n de A son linealmente independientes.
8. Los n vectores columna de A son linealmente independientes.
4.6 Ejercicios 199
4. 6 Ejercicios Consulte www.CalcChat.com para las soluciones de los eierc1c1os nones.
Vectores rengl6n y vectores columna En los ejercic ios Determinaci6n de una base para el espacio columna y
l a 4, escriba (a) Jos vectores rengl6n y (b) los vectores rango En Jos ejercicios 19-24, encuentre (a) una base de!
columna de la matriz. espacio columna y (b) el rango de la matriz.
2. [6 5 - 1] 19. [ 21 20. [ I 2 3]
3 [4 3
. I -4 4. [
- 2
~ 2
-1
-~i 2
21. [
- I
I
2
2 22. [ 26
4
!~ -1~6
-II
!]
-3
Determinaci6n de una base para un espacio rengl6n y
4
14 -6 -6]
-3
[-f
ran go En los ejercicios 5 a I 0, encuentre (a) una base de! 23.
espacio rengl6n y (b) el rango de la matriz. - 4 I -2
4 - 2 - 2
5. [~ ~] 6. [O -2] 2 4 - 2 I I
2 5 4 -2 2
7. [! -3
2 ~] 24. 4 3
- 4 -1
2
2 2 l
il
-3
0 4 2 -I
8. 10
[: -7 Determinaci6n del espacio nulo de una matriz En los
[-2 4 ejercicios 25-36, encuentre e l espacio nulo de la matriz.

9. 3
- 2
-4
- 4
6 -6
4
-:] 25. A= [- 6 -
2
~] 26. A = [~ - ~]
4 0 2 3 27. A= [ I 2 3] 28. A= [I 4 2]
2 - I 2 0 I
10. 5
4
2
0
2
2
I
2
- I 29. A = [~
2
~] 30. A=[~
4
0 ~]
2 -2 0 0 l
Determinaci6n de una base para un subespacio En

31. A - [~
2
- 1
3 -2
-!]
los ejercicios l l a 14, determine una base del subespacio de - 6
R3 generado por S.
32.A -H 4 -I~
21 ]
11. S = {(1,2, 4), (- 1,3, 4), (2,3, I )} -2
12. S = {(4, 2, -1), (1, 2, -8), (0, ] , 2)}
~ j]
3 -2
13. S = {(4, 4, 8), (1, 1, 2), (1, I , l )}
14. S = {( 1,2,2),(- I,0, 0),( 1, I , I)}
33. A - [
- 2 -6
I - 1
4
Determinaci6n de una base para un subespacio En

los ejercicios 15 a 18, determine una base de! subespacio de
R4 generado por S.
34.A -[-2~ -8
6
4
l
-4
3
2
-:l
-2
15. S = {(2, 9, -2, 53), (- 3, 2, 3, - 2), (8, - 3, - 8, 17),
16. S
(0, -3, 0, 15)}
= {(6, -3, 6, 34), (3, -
(-2, 0, 6, -5)}
2, 3, 19), (8, 3, - 9, 6),
35. A-[~ - 2
6
0
l
2
-l]
4 2
17. S = {(-3, 2, 5, 28), (-6, I , -8, - 1),
l
- 1 l
18. S
(14, - 10, 12, - 10), (0, 5, 12, 50)}
= {(2, 5, -3, -2), (-2, -3, 2, - 5), ( 1, 3, - 2, 2),
~-A -[~ 2
4 2
(- 1, -5, 3, 5)}
~ -1~1
Determinaci6n de una base y dimension En los ejer- -5 8
cicios 37 a 46, encuentre (a) la base y (b) la dimensi6n del 3 - 5
espacio soluci6n de! sistema homogeneo de ecuaciones 11 - 19 7 1
lineales.
7 -13 5 -3
37. X - =0 4y 38. X - y = 0
~ ~1
0
3x - l2y = 0 - x + y = 0
l - 2
39. - X + y + Z = 0 0 0 l - 5
3x - y =0 0 0 0 0
2x - 4y - 5z =0
40. 4x - y + 2z = 0 Sistema no homogeneo En los ej ercicios 49 a 54, (a)
determine si el sistema no homogeneo Ax = b es consistente
2x + 3y - z = 0
y (b) si el sistema es consistente, escriba la soluci6n en la
3x + y + z = 0
forma x = x 1, + x p, donde X 1, es una soluci6n de Ax = 0 y x P
41. X - 2y + 3z = 0
es una soluci6n particular de Ax = b
- 3x + 6y - 9z = 0
49. + 3y + lOz = 18
x
42. X + 2y - 4z = 0 + 7y + 32z = 29
-2x
-3x - 6y + l 2z = 0 + 3y + l 4z = 12
- x
43. 3x 1 + 3x 2 + l5x 3 + llx 4 = 0 X + y + 2z = 8
x 1 - 3x 2 + X 3 + X 4 = 0 SO. 2x - 4y + 5z = 8
2x 1 + 3x 2 + 1 lx 3 + 8x 4 = 0 - 7x + 14y + 4 z = - 28
44. 2x 1 + 2x 2 + 4x 3 - 2x 4 = 0 3x - 6y + z = 12
x 1 + 2x 2 + x 3 + 2x 4 = 0 51. 3x - 8y + 4 z = 19
-x 1 + x 2 + 4x 3 -2x4 =0 - 6y + 2 z + 4w = 5
(!) 45. 9x 1 - 4x 2 - 2x 3 - 20x 4 = 0 ~ + 22z + w = 29
12x 1 - 6x 2 - 4x 3 - 29x 4 = 0 X - 2y + 2z 8
3x 1 -2x 2 - 7x 4 =0 52. 3 w - 2x + l 6y - 2 z = - 7
3x 1 - 2x 2 - x3 - 8x 4 = 0 - w + 5x - l4y + I 8z = 29
~ 46. x 1 + 3x 2 + 2x 3 + 22x4 + 13x5 = 0 3v - x + l4y + 2z =
XI + X 3 - 2x4 + X 5 = 0 e s3. XI + 2x 2 + X 3 + X 4 + 5x5 = 0
3x 1 + 6x 2 + 5x 3 + 42x4 + 27x 5 = 0 -5x 1 - 10x 2 + 3x 3 + 3x 4 + 55x 5 =-8
Rango, nulidad, bases e independencia lineal En los x 1 + 2x 2 +2x 3 -3x 4 - 5x 5 = 14
ejercicios 47 y 48, use el hecho de que las matrices A y B son - x 1 - 2x 2 + x 3 + x 4 + 15x5 =-2
equivalentes por renglones. (?) 54. 5x 1 - 4x 2 + 12x 3 - 33x 4 + 14x 5 = -4
(a) Determine el rango y la nulidad de A. -2x 1 + x2 - 6x 3 + 12x 4 - 8x 5 = I
(b) Determine una base para el espacio nulo de A. 2x 1 - x2 + 6x 3 - 12x 4 + 8x 5 = - I
(c) Determine una base del espacio rengl6n de A.
Consistencia de Ax = b En los ejercicios 55 a 58, deter-
(d) Determine una base del espacio columna de A .
mine si b pertenece al espacio columna de A. Si es asf,
(e) Determine si los renglones de A son o no linealmente
escriba b como una combinaci6n lineal de Ios vectores
independientes.
columna de A.
(f) Sean las columnas de A denotadas por 3i, 3 2, 3 3, 3 4 y 3 5 .
i,Cual de los siguientes conjuntos es (son) linealmente
independientes?
55. A = [-I 4 ~J b = [!]
56. A = [-I _:J
(i) (ii) (iii)
2 b = [:]
H nb=m
2 0 0
47. A = rj 5 1 I 0 3
7 2 2 -2 57. A = 1
9 3 - 1 4 1
nb=Ul
0 3 0 -4 3
1 - 1 0 2 58.A = H l
B = r~ 0
0
0
0
l
0
-2
0
0
4.6 Ejercicios 20 1
59. Prueba Demuestre que si A no es c uadrada, entonces l Verdadero o falso 7 En los ejercicios 69-7 L, determine
los vectores renglon de A o los vectores columna de A cual de las expresiones es verdadera o falsa. Si la expresion
forman un conjunto linealmente dependiente. es verdadera, proporcione una raz6n o cite una expresion
60. De un ejemplo donde se demuestre que el rango del adecuada del texto. Si la expresi6n es falsa, proporcione un
producto de dos matrices puede ser menor que el rango ejemplo que muestre que la expresi6n no es cierta en todos
de cualquiera de las dos matrices. los casos o cite del texto una expresi6n adecuada.
61. De un ejemplo de matrices A y B del mismo orden tales que 69. (a) El espacio nulo de A tambien se denomina espacio
(a) rango(A + 8 ) < rango(A) y rango(A + 8 ) < rango(B) soluci6n de A.
(b) rango(A + 8 ) = rango(A) y rango(A + B) = rango(B) (b) El espacio nulo de A es el espacio soluci6n del sis-
(c) rango(A + 8) > rango(A) y rango(A + 8 ) > rango(B). tema homogeneo Ax = 0.
62. Prueba Demuestre que los vectores renglon diferentes 70. (a) Si una macriz A de m x n es equivalente por renglo-
de cero de una matriz en forma escalonada por renglones nes a una matriz B de III X 11, entonces el espacio
son linealmente independientes. rengl6n de A es equi valente al espacio renglon de B.
63. Sea A una matriz de m X 11 (donde m < 11) cuyo rango es r. (b) Si A es una matriz de m X 11 de rango r, ento nces la
dimension del espacio solucion de A x = 0 es m - r.
(a) l,Cual es el mayor valor que puede tener r?
(b) l,Cuantos vectores hay en una base del espacio ren- 71. (a) Si una matriz B de m X 11 puede ser obtenida a partir
glon de A? de operaciones elementales con renglones en una
matriz A de III X 11, entonces el espacio columna de
(c) l,Cuantos vectores hay en una base del espacio
B es igual al espacio columna de A.
columna de A?
(b) El sistema de ecuaciones lineales Ax = b es incon-
(d) l,Cual espacio vectorial Rk tiene como subespacio el
sistente si y s61o si b esta en el espacio columna de
espacio renglon?
A.
(e) l,Cual espacio vectorial Rk tiene como subespacio el
espacio columna? (c) El espacio columna de la matriz A es igual al espacio
rengl6n de AT_
64. Demuestre que los tres puntos (xi, y 1),(x2, Y2) y (x3 , y3)
en un piano son colineales si y solo si la matriz
~ 72. 00~11YAJ&'u'~ La dimension del espacio ren-
glon de una matriz A de 3 X 5 es 2.
(a) i,Cual es la dimension del espacio columna de A?
(b) i,Cual es el rango de A?
tiene un rango menor que 3. (c) j,Cual es la nulidad de A?
65. Dadas las matrices A y B, demuestre que los vectores ren- (d) l,Cual es la dimensi6n del espacio soluci6n del
glon de AB estan en el espacio renglon de B y que los sistema homogeneo Ax = 0?
vectores columna de AB estan en el espacio columna de A.
66. Encuentre al rango de la matriz 73. Sean A y B matrices cuadradas de orden n que satisfacen
Ax = Bx para toda x en R".
l 2 3 n
(a) Determine el rango y la nul idad de A - B.
n+ l n+2 n+3 2n
(b) Demuestre que A y B deben ser identicas.
2n + I 2n + 2 2n +3 3n
74. Prueba Sea A una matriz de m X 11.
11 2 - II + I 11 2 - II +2 n2 - 11 +3 /1 2 (a) Demuestre que e l sistema de ecuaciones lineales Ax

= b es consistcnte para todas los vectores columna
para n = 2, 3 y 4. i,Puede encontrar algun patr6n en estos deb si y s6lo si el rango de A es 111.
rangos?
(b) Demuestre que el sistema de ecuaciones lineales
67. Prueba Demuestre cada una de las propiedades del homogeneo Ax = 0 tiene s61o la solucion trivial si y
sistema de ecuaciones Lineales Ax = b con II variables. s61o si las columnas de A son linealmente indepen-
(a) Si rango(A) = rango([A b]) = 11, ento nces el sis- dientes.
tema liene una unica soluci6n. 75. Prueba Demuestre que las operaciones con renglones
(b) Si rango(A) = rango([A b]) < 11 , entonces el sis- no cambian las relaciones de dependencia entre las
tema tiene un m1mero infinito de soluciones. columnas de una matriz de m X 11.
(c) Si rango(A) < rango([A b]), ento nces e l sistema es 76. Escriba Explique por que los vectores renglon de una
inconsistente. matriz de 4 X 3 fo rman un conj unto linealmente depen-
68. Prueba Sea A una matriz de m X 11 . Demuestre que diente. (Suponga que todos los elcmentos de la matriz
N(A) C N(ATA). son dife rentes entre sf.)
4. 7 Coordenadas y cambio de base

■ Encontrar una matriz de coordenadas respecto a la base en Rn.
■ Encontrar la matriz de transici6n de la base 8 a la base 8 ' in Rn.
■ Representar coordenadas en espacios n-dimensionales generales.
REPRESENTACION DE COORDENADAS EN R"

En el teorema 4 .9 se vio que si Bes una base de un espacio vectorial V, entonces todo
vector x en V puede expresarse en una y solo una forrn a como una combinaci6n lineal de
vectores en B. Los coefi cientes de la combinaci6n lineal son las coordenadas de x con
respecto a B . En el contexto de la representaci6n de coordenadas, el orden de los vectores
en estas bases es importante y esto en ocasiones se enfatiza al referi rse a B como una base
o rdenada.
Representaci6n de coordenadas con respecto a una base

Sea B = {v 1, v2 , . .. , v una base de un espacio vectorial Vy x un vector en V tales
11 }
que
Los escalares c 1, c 2, ••• , c,, se denominan coordenadas de x con respecto a la base

B. La matriz de coordenadas (o vector de coordenadas) con respecto a B es la
matriz columna en R" cuyas componentes son las coordenadas de x.
En R", se usa la notaci6n de columnas para la matriz de coordenadas. Para el vector x

= (xi, x2, . . . , x,,), las x; son las coordenadas de x respecto a la base estandar S de R". Asf,
se tiene
[xJs = r;:1.
x,,
EJEMPLO 1 Coordenadas y componentes en R"
Determine la matriz de coordenadas de x = (-2, I, 3) en R3 con respecto a la base estandar

S = {(I, 0, 0), (0, I, 0), (0, 0, I)}.
SOLUCION
Como x puede expresarse como x = (-2, I, 3) = -2( I, 0, 0) + I(0, I, 0) + 3(0, 0, I), la
matriz de coordenadas de x relativa a la base estandar es simplemente
Asf, las componentes de x son las mismas que sus coordenadas con respecto a la base
estandar.
,x = 3( I , 0) + 2( I , 2) Determinaci6n de una matriz de coordenadas

y [x]B = rn EJEMPLO 2
con respecto a una base estandar
(3, 2)
La matriz de coordenadas de x en R2 con respecto a la base (no estandar) B = {v1, v2 } =
v
((1 , 0), ( 1, 2) ) es
[x]B = [~].
----1-a..----- - - - - - - x· Determine las coordenadas de x con respecto a la base (estandar) B' = {u 1, u 2 } = {( l , 0),
v, 3v1 (0 , I)}.
Base no estandar: SOLUCION

B = I( I , 0), ( I, 2) }
Dado que [x] 8 = [~], se puede escribir x = 3v 1 + 2v2 = 3(1, 0) + 2(1, 2) = (5, 4).
y x = 5( I. 0) + 4 (0, I)
= 5( l , 0) + 4(0,
[x]s.= rn Ademas, como (5, 4)
pecto a B' son
l ), se concl uye que las coorde nadas de x con res-
.. , / (5 , 4)
En la figura 4.19 se comparan estas dos representaciones de coordenadas.

uz/
----------- X
_ El ejemplo 2 muestra que el procedimiento para determinar la matriz de coordenadas
relativa a una base estandar es directo. Sin embargo, el problema se dificulta un poco
Base estandar: cuando es necesario determinar la matriz de coordenadas re lativa a una base no esrtindar.
B' = {(I , 0), (0, I )} He aqui un ejemplo.
Figura 4.19
Determinaci6n de una matriz de coordenadas
EJEMPLO 3
relativa a una base no estandar
Encuentre la matriz de coordenadas de x = (1, 2, - 1) en R 3 relativa a la base (no estandar)
B ' = {u 1, u 2, u 3 } = {( I, 0, I), (0, - I, 2), (2, 3, - 5)}.
SOLUCION
Se empieza por escribir x como una combinaci6n lineal de u i, u 2 y u 3.
X = c 1u 1 + C2U 2 + C3U 3
(l , 2, -1) = c 1(l, 0, 1) + c2(0, -1 , 2) + c 3(2, 3, -5)

Al igualar las componentes correspondientes se obtiene el siguiente sistema de ecuaciones
lineales y ecuaci6n matricial correspondientes.
c1 + 2c3 = I
- c2 + 3c3 = 2
c1 + 2c2 - 5c3 =- I
COM ENTARIO
No hubiese sido correcto escri- La soluci6n de este sistema es c 1 = 5, c 2 = - 8 y c 3 = - 2. Por tanto,
bir la solucion como
x = 5(1 , 0, I) + (-8)(0, - J, 2) + (-2)(2, 3, -5)
y la matriz de coordenadas de x relativa a B' es
lPuede ver por que?

- - -[>
CAMBIO DE BASE EN R'1

El procedimiento mostrado en los ejemplos 2 y 3 se denomina cambio de base. Es decir,
usted tenfa las coordenadas de un vector relativo a una base B y se le pidi6 encontrar las
coordenadas re lativas a otra base B'.
De tal modo que, si en el ejemplo 3 la base estandar es B, entonces el problerna de
determinar la matriz de coordenadas de x = (1 , 2, - 1) relativa a la base B' se transforma
en el problerna de resolver para Ci, c 2 y c3 en la ecuaci6n rnatricial
La rnatriz P se denomina matriz de transici6n de B' a B, donde [x] 8 -es la matriz de

coordenadas de x relativa a B' y [x] 8 es la matriz de coordenadas de x relativa a B. Al
multiplicar por la matriz de transici6n P, una matriz de coordenadas relativa a B' cambia
a una matriz de coordenadas relativa a B. Es decir,
cambio de base de B' a B
Para efectuar un cambio de base de B a B ' se usa la matriz P- 1 (la matriz de transici6n de
B a B ') y se escribe
[x]8 , = p- 1[x]8 cambio de base de B a B'
Lo anterior significa que el problema de cambio de base del ejernplo 3 puede representarse
por la ecuaci6n matricial
Este analisis se generaliza como sigue. Suponga que
son dos bases de R". Si x es un vector de R" y
son las matrices de coordenadas de x con respecto a B y B', entonces la matriz de tran-
sicion Pde B' a B es la rnatriz P tal que
[x]8 = P[x]8 ,
El siguiente teorema establece que la matriz de transici6n P es invertible y que su inversa
es la matriz de transici6n de B a B ' . Es decir,
Matriz de Matriz de Matriz de

coordenadas de transici6n coordenadas de
x relativa a B' de B a B' x relativa a B
TEOREMA 4.20 La inversa de una matriz de transici6n

Si P es la matriz de transici6n de una base B' a una base e n R", e ntonces P es inver-
tible y la matriz de transici6n de B a B' esta dada por P- 1•
Antes de demostrar el teorema 4.20, necesita demostrar un lema preliminar.
LEMA
Sean B = {v 1, v2, . . . , v
11 } y B' = {u 1, u2, . .. , u11 } dos bases de! espacio vectorial
V.Si
VI = C11U1 + Cz1 U2 +. + C,,1U11

V2 = C12U1 + C22U2 +. + c,,2u,,
vii= C111U1 + C211U2 + ... + cll,,u ,,

entonces la matriz de transic i6n de Ba B' es
Cl I C12 · · · C1,,
C21 C22 · · · C2,,
Q= .. .. ..
[ . . .
c,, 1 c,,2 c,,,,
DEMOSTRACION (DEL LEMA)

Sea v = d 1v 1 + d 2v2 + ... + d,,v,, un vector ru-bitrario en V. La matriz de coordenadas de
v relativa a la base B es
entonces se tiene
d 1] [ c l 1d 1 + C12d2 + · · + C1,,d,,l
d2 C2 1d1 + C22d2 + + C2,,d,,
[
. c,,,, J,, = c,,!d + c,,ld + · · + c,,;,d,,
1 2
Por otra parte, puede escribirse

v = d 1v 1 + d 2v2 + · · · + d,,v,,
= d1(c11U1 + C21 U2 + ... + c,,1 u ,,) + d/c12U1 + C22U2 + ... + c,,2u ,,) +.
+ d,,(c 1,,u 1 + c2,,u 2 + · · · + c,,,,u,,)
= (d1C11 + d2c12 + . . . + d,,c1,,)u 1 + (d 1C21 + d 2c22 + . . . + d,,c2,,)u 2 + .. .
+ (d 1c,, 1 + d 2c,,2 + · · · + d,,c,,,,)u ,,
lo cual implica que
C11d 1 + C12d 2 + . · + C1,,d,,
C21d 1 + C22d 2 +. . + C2,,d11
[v]B' =
· + c,,,,d,,
asf, Q[v]8 = [v] 8 , y puede concluirse que Q es la matriz de transici6n de B a B' .
DEMOSTRACION (DEL TEOREMA 4.20)
A prutir del lema anterior, sea Q la matriz de transici6n de B a B ' . Por tan to [ v)8 = P[ v]8 ,
y [v]8 , = Q[v] 8 , lo cual implica que [v] = PQ[v] para todo vector en R". De aquf se con-
cluye que PQ = I. Asi, P es invertible y p - 1 es igual a Q, la matriz de transici6n de B a
B'.
La eliminaci6n de Gauss-Jordan puede ser usada para encontrar la matriz de transi-

ci6n p - l. Primero defina dos matrices B y B' cuyas colurnnas corresponden a los vectores
. .l
en B y en B'. Es decir,
v,, V12 U1 2 u,"

u.,,
B=
V21
V,,1
V22
vn2
V211
v:,,,,
y B'=
[""
u,,.
~
U22
u,,2
U211
u,111
v, V2 v,, U1 U2 u,,
Luego, al reducir la matriz [B' B] de n X 2n para que en vez de B' aparezca la matriz
identidad I,,, obtiene la macriz [/11 P- 1] . Esce procedimienco se escablece formalmente en el
siguiente teorema.
TEOREMA 4.21 Matriz de transici6n de Ba B'

Sean B = {v 1, v 2, .. . , v,,} y B' = {ui, u 2, . .. , u11 } dos bases de R". Entonces, la
matriz de transici6n P- 1 de B a B' puede determinarse mediante la eliminaci6n de
Gauss-Jordan en la matriz [B' B] den X 2n como sigue
[B' B] _. [I,, p- 1J
DEMOSTRACION
Para empezar, sea
V1 = + c 21 u 2 + · · +
c 11 u 1 C111 U 11
V2 = C12U 1 + C22U 2 + . . + C,,2U ,,
lo cual implica que
C 1;
[
U211]
ll1
.
.
. + c2 ;
£122
[£11
.
.
•
2]
+· · ·+ C,,;
U2,,
[u,,,
.
.
.
=
r~lil21
:
uni u,,2 um, vni
para i = 1, 2, ... , n. a partir de estas ecuaciones vectoriales se puede escribir los n siste-
mas de ecuaciones lineales
U11C1; + ll12C2; +. + U 111C =11 ; Vi;
U z 1C1; + U 22C2; + . + u,.,,c,,; = v 2;
para i = 1, 2, ... , n. Como cada uno de los sistemas tiene la mis ma matriz de coeficientes,
usted puede reducir todos los n sistemas simultaneamente utilizando la siguiente matriz
aumentada.
U12 l/ J II VI I V12
[""
U21
u,,,
U22
u,,2
ll 2,,
l,l llll
V2 1
v,,, v,,z
V22
'v;,,,"]
V211
B' B
Aplicando la eliminaci6n de Gauss-Jordan a esta matriz, resulta
I 0 0 C11 C12
0 0 C2 1 C22 C2,,
0 0 c,,, c,,2 ''"1

c,,~,
Sin embargo, por e l lema precedente al teorema 4.20, e l )ado derecho de esta matriz es Q =
p - 1, lo que implica que la matriz tiene la fonna [J,, P-1], lo cual demuestra el teorema.
En el siguiente ejemplo se puede aplicar este procedimiento al problema de cambio

de base del ejemplo 3.
EJEMPLO 4 Determinacion de una matriz de transicion
Halle la matriz de transici6n de Ba B' para las siguientes bases en R3 .

B = {(l, 0, 0), (0, I, 0), (0, 0, 1)} y B ' = {( l, 0, I), (0, - l, 2), (2, 3, - 5)}
SOLUCION
Primero utilice los vectores en la dos bases para formar las matrices By B'.
IIDrn~@Mc
0 0
00 00 D[iYi) Drn [K!]11@ - l
l
'LI□ Sean 8 = {(1 ,0), 0 2
(1,2)} y 8' = {(1 ,0), Luego, forme la matriz [B' B] y use la eliminaci6n de Gauss-Jordan para reescribir [B' B]
(0, 1)}. Forme la como [/3 P-1]
matriz [8' 8].
~□ Haga una conjetura

acerca de la necesi-
dad de utilizar la
[i
0
-l
2
2
3
-5
I
0
0
0
l
0 ~] ..... [~ 0
l
0
0
0
-I
3 -7
- 2
4
-~]
- l
eliminaci6n de A partir de lo anterior puede concluir que la matriz de transici6n de Ba B' es

Gauss-Jordan para
obtener la matriz
de transici6n P-1 si
el cambio de base
p-•-[-: =l =H
es de una base no lntente multiplicar P- 1 por la matriz de coordenadas de x = [l 2 - If para ver que el
estandar a una resultado es el mismo que se obtuvo en el ejemplo 3.
base estandar.
ALGEBRA La cristalografia es la ciencia de las formas y estructuras de los crista-

les. En un crista l, los atomos se encuentran en un patron repetitivo
LINEAL llamado red cristalina. La unidad de repetici6n mas sencilla en una
APLICADA red cristalina se denomina ce/da unitaria. Los crista16grafos pueden
usar bases y matrices de coordenadas en R3 para designar las ubica-
ciones de atomos en una celda unidad. Por ejemplo, la siguiente
figura muestra la celda unidad conocida como monoclinico centrado.
La matriz de coordenadas para el atomo superior centrado (azul) podrfa
expresarse como [x]8 , = [½ ½ 1r. Brazhnyl<ov Andny/Shunerstock oom

Observe que cuando B es la base estandar, como en el ejemplo 4, el proceso de cam-

bio de [B' B] a [/,, P- 1] se transforma en
[B I,,] ~ [I,,
1
p- 1].
Pero este es e l mismo procedimiento utilizado para deterrninar matrices inversas en la

secci6n 2.3. En otras palabras, si Bes la base estandar en R", entonces la matriz de transi-
ci6n de B a B' es
Base estandar a base no est,1ndar
El proceso es aun mas sencillo si B' es la base estandar, porque la matriz [B' B] ya esta
en la forma
[l,, B] = [l,, p-1].
En este caso, la matriz de transici6n es simplemente
p-1 = B. Base no estandar a base estandar
Asf, la matriz de transici6n en el ejemplo 2 de B = { ( I, 0), ( I, 2)} a B' = { ( I, 0), (0, I) es
p-1 = B = [~ ~].
, EJEMPLO 5 Determinaci6n de una matriz de transici6n
NOTA TECNOLOGICA Encuentre la matriz de transici6n de Ba B' para las siguientes bases en R2.
programas de computadora B ={(-3,2),(4,-2)} y B1 = {(- 1,2),(2, - 2)}
pueden formar una matriz
aumentada y encontrar su SOLUCION
forma escalonada reducida por
rengl6n. Si usted utiliza una
Comience por formar la matriz
aplicaci6n grafica, entonces - 1 2 -3
podria ver alga similar a lo [B ' B] = [
siguiente para el Ejemplo 5. 2 -2 2
y use la eliminaci6n de Gauss-Jordan para obtener la matriz de transici6n P- 1 de B a B ':
8
I I -3 4 1
[2 -211 0 -1
BPRIME 1 -2
11-1 2 1
[2 -21 1
Asf, se tiene
au9( 8PRIME, 8 )
[ ! -1 2 -3 4 1
12 -2 2 -211 p-1 = [- 1
- 2
rref au9(8PRIME, 8 )
En e l ejemplo 5, si usted hubiese determinado la matriz de trans ici6n de B' a B (en
La Online Technology Guide, vez de B a B'), hubiera obtenido
disponible en
www.cengage.com 4 - I
con la busqueda Larson,
Fundamentos de Algebra
[B' B] = [-~
-2 2 -~]
Lineal 7e provee la sintaxis que se reduce a
de programaci6n para estas
aplicaciones/programas para el 0 3
ejemplo 5. [12 P] = [~ -2].
2 - I
La matriz de transici6n de B' a B es
p = [~
-2].
-1
Usted puede comprobar que esta es la inversa de la matriz de transici6n determinada en
el ejemplo 5 al efectuar a multiplicaci6n pp- 1 para obtener / 2.
REPRESENTACION DE COORDENADAS EN ESPACIOS

n-DIMENSIONALES GENERALES
Un beneficio de la representaci6n de coordenadas es que permite representar vectores de
un espacio n-dimensio nal arbitrario con la misma notaci6n usada en R". Asf, en el ejemplo
6, observe que el vector de coordenadas de un vector en P3 es un vector en R4 .
- - -
EJEMPLO 6 Representaci6n de coordenadas en P3
Determ ine la matriz de coordenadas de

p = 3x 3 - 2x 2 + 4
relativo a la base estandar de P3,
S = { l , x,x 2 , x 3 } .
SOLUCION
Escriba p como una combinaci6n lineal de los vectores de la base (en el orden dado).
p = 4 (1) + O(x) + (- 2)(x 2) + 3(x 3)
Lo anterior indica que la mat.riz de coordenadas de p con respecto a S es
En el siguiente ejemplo, la matriz de coordenadas de un vector en M 3_1 es un vector

en R3.
EJEMPLO 7 Representaci6n de coordenadas en M 3 , 1
Encuentre la matriz de coordenadas de
relativa a la base estandar de M 3_1•
s={[H [H[m
SOLUCION
Dado que X puede expresarse como
entonces la matriz de coordenadas de X con respecto a S es

COM ENTARIO
En la Secci6n 6.2 usted apren-
dera mas sobre el USO de Rn
para representar un espacio
vectorial n-dimensional arbitra-
t>
---
rio.
Los teoremas 4.20 y 4.21 pueden generalizarse para abarcar los espacios n-dimensio-
nales arbitrarios. Este texto, sin embargo, no cubre generalizaciones de estos teoremas.
4. 7 Ejercicios Consulte www.CalcChat.com para las soluciones de los ejerc1cios nones.
Determinaci6n de una matriz de coordenadas En los Determinaci6n de una matriz de coordenadas En los
ejercicios 1-4, encuentre la rnatriz de coordenadas de x en R" ejercicios 17 a 24, determine la matriz de u·ansici6n de B a
respecto a la base estandar. B'.
1. X = (5, -2) 2. X = (J, -3,0) 17. B = {( I, 0), (0, I)}, B ' = {(2, 4), (1, 3)}
3. X = (7, -4, -1, 2) 4. X = (-6, 12, -4, 9, -8) 18. B = {(1, 0), (0, l )}, B ' = {(l , 1), (5, 6)}
Determinaci6n de una matriz de coordenadas En los

19. B = {(2, 4), (- 1, 3)}, B ' = {(l , 0), (0, l)}
ejercicios 5 a 10 se proporciona la matriz de coordenadas de 20. B = {(l , l ), (1, 0) }, B ' = {(l , 0), (0, 1)}
x rel ativa a una base (no estandar) de B. Determine el vector 21. B = {( I , 0, 0), (0, I, 0), (0, 0, I)},
de coordenadas de x relativo a la base estandar de R11 • B '= {(1, 0,0),(0, 2, 8),(6,0, 12)}
5. B = {(2, - 1), (0, I)}, 6. B = {(- 1, 4),(4, - 1)}, 22. B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)},
[x]B = [~] [x]B = [ -;] B' = {( 1, 3, -1), (2, 7, -4), (2, 9, - 7)}
23. B = {(3, 4, 0), (-2, -1 , I), ( 1, 0, - 3)},
7. B = {( 1,0, 1),(1, 1,0),(0, I , I )}, B ' = {( I , 0, 0), (0, I , 0), (0, 0, I)}
[x], -m 24. B = {(1, 3, 2), (2, - 1, 2), (5, 6, I)},

B ' = {( l , 0, 0), (0, 1, 0), (0, 0, l )}
Determinaci6n de una matriz de coordenadas En los

8. B ={(¾,ti), (3, 4, ½), (-i, 6, 2)}, ejercicios 25 a 34, utilice una aplicaci6n grafica o programa
de c6mputo con capacidades matriciales para determinar la
matriz de transici6n de B a B '.
25. B = {(2, 5), (1, 2)}, B ' = {(2, 1), (- 1, 2)}
9. B = {(0, 0, 0, 1), (0, 0, 1, 1), (0, 1, 1, 1), (1, 1, 1, 1)}, 26. B = {(-2, l ),(3,2)}, B '= {(1,2),(- 1, 0)}
27. B = {( I , 0, 0), (0, I, 0), (0, 0, I)},
B' = {( I , 3, 3), ( 1, 5, 6), ( I, 4, 5)}
[x], - - ~] 28. B = {( I , 0, 0), (0, I, 0), (0, 0, I)},
- 1 B' = {(2, - I , 4), (0, 2, 1), (-3, 2, l )}
10. B = {(4, 0, 7, 3), (0, 5, - l, - 1), (-3, 4, 2, 1), 29. B = {(1, 2, 4), (- 1, 2, 0), (2, 4, O)},
(0, 1, 5, 0)}, B ' = {(0, 2, 1), (-2, I, 0), (1, 1, I)}
30. B = {(3, 2, 1), (1, I, 2), ( 1, 2, 0)},
[x]B = -
4 :ll B' = {( I , I , - 1), (0, I, 2), (- I, 4, O)}
31. B = {(I , 0, 0, 0), (0, l , 0, 0), (0, 0, 1, 0), (0, 0, 0, ! )},
B' = {( 1, 3, 2, -1 ), ( -2, -5, -5, 4),
Determinaci6n de una matriz de coordenadas En los (- 1, -2, -2, 4), (-2, -3, -5, IJ )}
ejercicios I l a 16, determine la matriz de coordenadas de x 32. B = {( I , 0, 0, 0), (0, I , 0, 0), (0, 0, I , 0), (0, 0, 0, I )},
en R" relativa a la base B'. B '= {( I , I , I , 1),(0, I , I , 1),(0, 0, I , 1),(0,0,0, I )}
11. B ' = {(4, 0), (0, 3)}, X = (12, 6) 33. B = {( I, 0, 0, 0, 0), (0, I, 0, 0, 0), (0, 0, I, 0, 0),
12. 8 ' = {(- 6, 7), (4, -3)}, x = (-26, 32)
(0, 0, 0, 1, 0), (0, 0, 0, 0, 1)},
13. B ' = {(8, II , 0), (7, 0, 10), (I, 4, 6)}, x = (3, 19, 2)
B '= {( 1,2,4, -1 ,2),(- 2, - 3, 4,2, 1),
14. 8 ' = {(t 4, 1), (¾, ~' 0), (1, ½, 2)}, x = (3, -½, 8) (0, I , 2, -2, 1), (0, I, 2, 2, I ), (1, - 1, 0, I , 2)}
15. B '= {(4,3,3),(- 11, 0, 11),(0,9,2)},
34. B = {( I, 0, 0, 0, 0), (0, I, 0, 0, 0), (0, 0, I, 0, 0),
X = (11, 18, -7) (0, 0, 0, I, 0), (0, 0, 0, 0, 1) },
16. B'={(9,-3, 15, 4),(3, 0,0, 1),(0,- 5,6,8),
B ' = {(2, 4, -2, 1, 0), (3, - 1, 0, l , 2), (0, 0, -2, 4, 5),
(3, -4, 2, -3)},
(2, -1 , 2, I, 1), (0, I , 2, -3, I)}
X = (0, -20, 7, 15)
4.7 Ejercicios 211
Determinaci6n de matrices de transici6n y coordena-

das En los ejercic ios 35 a 38, (a) determinar la matriz de ~ 42. 00~[:tYX]£'IT~ Sean By B' dos bases de K'.
transici6n de Ba B', (b) determinar la matriz de transici6n (a) Cuando B = I,., escriba la matriz de transici6n de
de B' a B, (c) verificar que las dos matrices de trans ici6n son B a B' en terminos de B' .
la inversa una de otra y (d) determinar [x]s cuando se propor- (b) Cuando B' = I,,, escriba la matriz de transici6n de
c io na [x]n,. B a B' en terminos de B.
35. B = {(l , 3), (- 2, -2)}, B ' = {(-1 2, 0), (-4, 4)}, (c) Cuando B = l,., escriba la matriz de transici6n de
B' a B en terminos de B' .
[x]B, = [ - ~]
(d) Cuando B' = l ,., escriba la matriz de transici6 n de
36. B = {(2, -2), (6, 3)}, B' = {( I, 1), (32, 3 1)}, B ' a Ben terminos de B.
[x]B' = [ _ ~] Representacion de coordenadas en P3 En los ejerci-

37. B = {(l, 0, 2), (0, l , 3), (1, 1, 1)}, cios 43 a 46, ha lie la matriz de coordenadas de p con respecto
a la base estandar de P3.
B ' = {(2, l , 1), (1, 0, 0), (0, 2, l)},
[x], - [
38. B
J
= {( I , I, 1), ( 1, - 1, 1), (0, 0, I)},
43. p
44. p
45. p
= 2x 3 + x 2 + I Ix + 4
= 3x 2 + 114x + 13
= x 3 - 2x 2 + 5x + I 46. p = 4x 3 -
Representacion de coordenadas en M 3 , 1 En los ejerci-

3x - 2
B '= {(2,2,0),(0, I, 1),(1,0, I)}, cios 47 a 50, halle la matriz de coordenadas de X con res-
pecto a la base estandar en M 3_1.
[x], -rn 47, x-m 48, X -Hl

x-[J
Determinaci6n de matrices de transici6n y coordena-
das En los ejercicios 39 y 41, utilice una aplicaci6n gnifica
con capacidades matriciales para (a) encontrar la matriz de
transici6n de B a B', (b) encontrar la matriz de transici6n
49, 50. x-Ul
de B ' a B, (c) verifique que las dos matrices de transici6n son l Verdadero o falso? En los ejercicios 5 1 y 52, determine
la in versa una de otra y (d) determine [x] 8 cuando se propor- cual de las ex presiones es verdadera o falsa. Si la expresi6n
ciona [x] 8 ,. es verdadera, proporcione una raz6n o cite una expre-
39. B = {(4, 2, -4), (6, - 5, -6), (2, -1, 8)}, si6 n adecuada de! texto. Si la expresi6n es falsa, proporcione
B' = {(1, 0, 4), (4, 2, 8), (2, 5, - 2) }, un ejemplo que muestre que la expresi6n no es cierta en
todos los casos o cite de! texto una expresi6n adecuada.
[,].-HJ 51. (a) Si P es la matriz de transici6n de una base de B a B',

entonces la ecuaci6n P[x]n, = [x]n representa el
cambio de base de B a B'.
40. B = {( I, 3, 4), (2, -5, 2), (-4, 2, -6)}, (b) Para cualquier matriz X de 4 X 1, la matr iz de coor-
B' = {( l, 2, -2), (4, 1, -4), (-2, 5, 8)}, denadas [Xls respecto a la base estandar de M4 _1 es
[x],
41. B
-nl
= {(2, 0, - 1), (0, - 1, 3), (1, -3, -2)},
igual a X misma.
52. (a) Para realizar e l cambio de base de una base no estan-
dar B' a una base estandar B, la matriz de transici6n
P- 1 es simplemente B.
(b) La matriz de coordenadas de p = 5x2 + x - 3 res-
B' = {(0, - l, - 3), (- 1, 3, -2), (-3, - 2, 0)},
pecto a la base estandar de P 2 es [p ls = [5 l -3f.
[,J,--[=il 53. Sea P la matriz de transici6n de B" a B' y sea Q la matri z

de transic i6n de B' a B. j,Cual es la matriz de transici6n
de B" a B?
54. Sea P la matriz de transici6n de B'' a B' y sea Q la matriz
de transici6n de B' a B. j,Cual es la matriz de transic i6n
de B" a B?
4.8 Aplicaciones de los espacios vectoriales

Uso del wronskiano para probar la independencia lineal de un con-
■ junto de soluciones de una ecuaci6n diferencial homogenea lineal.
ldentificar y trazar la grafica de una secci6n c6nica y realizar una rota-
■ ci6n de ejes.
ECUACIONES DIFERENCIALES LINEALES (CALCULO)

Una ecuaci6n diferencial lineal de orden n es de la forma
donde g0 , g 1, ••• , g,, _ 1 y f son funciones de x con un dorninio co mun, y las potencias de
y asf como de s us derivadas es I. Sif(x) = 0, la ecuac i6n es homogenea. De otra manera
es no homogenea. A una funci6n y se le denomina soluci6n de la ecuaci6n diferencial
lineal si la ecuaci6n se satisface cuando y y sus primeras n derivadas se sustituyen en la
ecuaci6 n.
EJEMPLO 1 Ecuaci6n diferencial lineal de segundo orden
Demuestre que y 1 = e' y y2 = e-x son soluciones de la ecuaci6n d ifere nc ial lineal y" -
y = 0.
SOLUCION
Para la fu nci6n y 1 = eX, se tiene que y 1 = e' y y 1' = e', po r tanto,
Y1" - Y1 = ex - ex =0
lo que significa que es una soluci6n de la ecuaci6n diferencial. De manera semej ante, para
Y2 = e-x se tiene
Esto implica que
Por tanto, y 2 = e-.r tambien es una soluci6n de la ecuaci6n diferencial lineal.

Existen dos observaciones importantes que usted puede hacer acerca del ejemplo 1.
La primera es que el espacio vectorial C"(-oo, oo) de todas las funciones derivables dos
veces definidas en la recta de los enteros reaJes, las dos solucio nes y 1 = ex y y 2 = e-.r son
linealmente independientes. Esto significa que la unica soluci6n de
C1Y1 + C2Y2 =0
que es valida para toda x es C 1 = C2 = 0. La segunda o bservaci6n es que toda combina-
ci6n lineal de y 1 y y 2 tambien es soluci6n de la ecuaci6n di fere ncial lineal. Para ver esto,
sea y = C 1y 1 + C2J2• Entonces
y = Cle.t + C2e - x
y' = C 1e·' - C2 e- x
y" = C1ex + C2e-x.
Sustituyendo en la ecuaci6n d iferencial y" - y = 0 resulta
y" - y = (Clex + C2e - x) - (Clex + C2e - x) = 0.
Por tan to, y = C I e-' + C 2e-x es una so1uci6n.
Estas dos observaciones se generalizan en el siguiente teorema, el cual se establece
sin demostraci6 n.
4.8 Aplicaciones de las espacios vectoriales 213
Soluciones de una ecuaci6n diferencial lineal homogenea

COMENTARIO Toda ecuaci6n diferencial lineal homogenea de n-es imo orden
La soluci6 n
y<"l + g,,_ ,(x)y<11-1) + ... + g,(x)y' + g0(x)y = O
tiene 11 soluciones linealmente independientes. Ademas, s i {y 1, Yz, . .. , y,,} es un
es llamada soluci6n general de conjunto de soluciones Linealmente independientes, entonces toda soluci6n es de la
la ecuaci6n diferencial dada. forma
y = C,y , + C2Y2 + ... + C,,y,,
donde C2 , C2 , ... , C,, son numeros reales.
A la luz de l teorema anterior, se puede ver la importancia de ser capaz de determinar

si un conj unto de soluciones es Linealmente independiente. Antes de describir una manera
de probar la independencia lineal, vea la s ig uiente definici6n.
Definici6n del wronskiano de un conjunto de funciones

Sea {y 1, Yz, . .. , y,,} un conjunto de funciones, cada una de las cuales tiene 11 - I
derivadas en un intervalo I. El determinante
COM ENTARIO Y, y,,
Yz
El wronskiano de un co njunto 1
Y1 Yi' y,,'
de funciones se llama asi en W( y,, Y2, · . ,y,, ) =
honor al matematico polaco
Josef Maria Wronski (1778- y\11-I ) y~•-1 ) y(11- I)
II
1853).
se denomina Wronskiano del conjunto de funciones dado.
Determinaci6n del wronskiano

EJEMPLO 2
de un conjunto de funciones
a. El wronskiano de! conj unto { l - x, l + x, 2 - x} es

-x +x 2 -x
W= - 1 l -1 = 0.
0 0 0
b. El wronskiano del conjunto {x, x2, .x3} es
X xi x3
W = 1 2x 3x 2 = 2x 3•
0 2 6x
Se dice que el wronskiano en el inciso (a) del ejemplo 2 es identicamente igual a cero,
porque para cualquier valor dexes cero. El wronskiano de! inciso (b) no es identicamente
COMENTAR'O ig ual a cero, ya que existen valores de x para los que el wronskiano es diferente de cero.
El siguiente teorema muestra c6mo el wronskiano de un conjunto de funciones puede
Esta prueba nose ap lica a un
conjunto arbitrario de funcio- utilizarse para probar la independencia lineal.
nes. Cada una de las funciones
y,, Y2, ... Yn debe ser una solu- Prueba del wronskiano para la independencia lineal
ci6n de la misma ecuaci6n dife-
rencial lineal homogenea de Sea {y1, y 2, . . . , y,,} un conjunto den soluciones de una ecuaci6n diferencial lineal
orden n. homogenea de n-es imo orden. El conjunto es linealmente independiente s i y s6lo si
el Wronskiano no es identicamente igual a cero.
La demostraci6n de este teorema para el caso donde n = 2 se deja como ejercicio (vease el
ejercicio 40).
Prueba de independencia lineal

, EJEMPLO 3
de un conjunto de soluciones
Determine si { 1, cos x, sen x} es un conjunto de soluciones linealmente independiente para

la ecuaci6n diferencial lineal homogenea
y"' + y' = o.
SOLUCION
Comience observando que cada una de las funciones es una soluci6n de y 111 + y 1 = 0.
(lntente verificar lo anterior.) A continuaci6n, al probar la independencia lineal se genera
el wronskiano de las tres funciones como sigue.
1 cos x sen x
W = 0 - sen x cos x
0 -cos x -senx
= sen2 x + cos2 x = 1
Como W no es identicamente igual a cero, e l conjunto
{ I , cos x, sen x }
es linealmente independiente. Ademas, como este conjunto consta de rres soluciones
linealmente independientes de una ecuaci6n diferencial lineal homogenea de tercer orden,
se tiene que la soluci6n general es
y = C 1 + C2 cosx + C3 sen x
donde C 1, C2 y C 3 son numeros reales.
Prueba de independencia lineal

. EJEMPLO 4
de un conjunto de soluciones
Determine si {ex, xex, (x + l )ex} es un conjunto de soluciones linealmente independiente
de la ecuaci6n diferencial lineal homogenea
y Ill - 3y" + 3y I - y = 0,
SOLUCION
Como en el ejemplo 3, cornience verificando que cada una de las fu nciones es una soluci6n
de y 111 - 3y " + 3y' - y = 0. (Esta verificaci6n se le deja a usted.) Probar la independen-
cia lineal genera el wronskiano de las tres funciones como sigue.
ex xex (x + l )ex
W = ex (x + l )ex (x + 2)ex =0
ex (x + 2)ex (x + 3)ex
Por tanto, el conj unto {eX, xeX, (x + I)ex} es linealmente dependiente.
En el ejemplo 4, se utiliz6 el wronskiano para determinar que el conj unto

{ex, xe x, (x + 1}ex}
es linealmente dependiente. Otra forma de detenninar la dependencia lineal de este con-
junto es advirtiendo que la tercera funci6n es una combinaci6n lineal de las otras dos. Es
decir
(x + I)ex = ex + xex.
lntente demostrar que el conjunto {eX, xe', x 2 e-< ) fonna un conj unto !jnealmente indepen-
diente de soluciones de la ecuaci6n diferenc ial
y II/ - 3y" + 3y' - y = 0 .
SECCIONES CONICAS Y ROTACION

Toda secci6n c6nica en el piano xy tiene una ecuaci6n de la fonna
ax 2 + bxy + cy2 + dx + ey +I= 0.
Identificar la grafica de esta ecuaci6n es bastante facil en tanto que b, el coefi ciente del
termino xy, sea cero. En estos casos los ejes de las c6nicas son paralelos a los ejes coor-
denados y la identificaci6n se lleva a cabo al escribir la ecuaci6n en la fo rma normal
(completada al cuadrado). Las formas estandar de las ecuaciones de las cuatro c6nicas
fundamentales se proporcionan en el siguiente resumen. Para circunferencias, elipses e
hiperbolas, el punto (h, k) es el centro. Para las parabolas, el punto (h, k) es el vertice.
Formas estandar de las ecuaciones de las c6nicas

Circunferencia (r = radio): (x - h)2 + (y - k)2 = r 2
Elipse (2a = longitud de! eje mayor, 2/3 = longitud de! eje menor):
)' (x - i,)2 (l' - k)2 )'
-a2
- + -pi
-= )
' '
---• ---
:u,, ---•:(h,---k) 2a
'
''
2a
~
-+----------+- x - + - - - - - ~ - - --
2/3 x
Hi perbola (2a = longitud del eje transversal, 2{3 = longitud del eje menor):
y )' (r - k) 2 (x - 1,)2
-----=!
a2 pi
Parabola ( p = distancia directa del vertice al foco):

y y
p>O
,.....,...,
Foco
(h, k + p)
-----v,rt"~~
:vertice (h, k) Foco
: (h, k) (h + p, k)
(x - h) 2 = ,4p(y - k) (y- k) 2 = 4p(x - h)

- + - - - - - - , - - - - -.- X - + - - - - - - - - - -.- x
j EJEMPLO 5 ldentificaci6n de secciones c6nicas
a. La forma estandar de x 2 - 2x + 4y - 3 = 0 es
(x - 1) 2
= 4(-l)(y - 1).
La grafica de esta ecuac i6 n es una parabola con vertices en (h, k) = ( I, I). El eje de la
parabola es vertical. Como p = - 1, el foco esta en el punto ( l , 0). Por ultimo, ya que
el foco esta por debajo del vertice, la parabola se abre hacia arriba, como se observa en
la figura 4.20(a)
b. La forma estandar de x 2 + 4y 2 + 6x - Sy +9 = 0 es
(x + 3)2 (y - I ) 2
- - - + ~ - - = l.
4 I
La grafica de esta ecuaci6n es una elipse con centro en (h, k) = (- 3, I). El eje mayor
es horizontal y su longitud es 2a = 4. La longitud del eje menor es 2{3 = 2. Los verti-
ces de esta elipse estan en (-5, I) y (- 1, I), y los extremos del ej e meno r estan en (-3,
2) y (-3, 0), co mo se muestra en la figura 4.20(b)
y y
a. b.
3
(-3, 2)
Figura 4.20
Las ecuaciones de las c6nicas del ejemplo 5 no tienen termino xy . En consecuencia,

los ejes de las c6nicas correspondientes son paralelos a los ejes coordenados. Para ecua-
ciones polinomiales de segundo grado que tengan un termino xy, los ejes de las c6nicas
correspondientes no son parale los a los ejes coordenados. En estos casos es util rotar los
ejes estandar para formar nuevos ejes x' y y'. El angulo de rotaci6n necesario 0 (medido
en sentido contrario de las manecillas del reloj) esta dado por Cot 20 = (a - c)/ b. Con esta
rotaci6n, la base estandar de R 2,
B = { (I , 0), (0, I)}
es rotada para formar la nueva base
B' = {(Cos 0, Sen 0), (- Sen 0, Cos 0) }
como se muestra en I figura 4.21.
Figura 4.21
Para hallar las coordenadas de un punto (x, y) relativas a esta nueva base, se puede
utilizar una matriz de transici6 n, como se demuestra en el ejemplo 6.
I EJEMPLO 6 Una matriz de transici6n para la rotaci6n en Ff
Determine las coordenadas de un punto (x, y) en R2 relativas a la base

B' = {(Cos0, Sen0), (-Sen 0, Cos0)}.
SOLUCION
Por e l teorema 4.2 1 se tiene
[B' B] = [Cos 0 - Sen0

Sen 0 Cos0 0
2
Como B es la base estandar en R , p - 1 es representada por (B'r'. Puede usar la formula
dada en la Secci6n 2.3 (pagina 66) para la inversa de una matriz de 2 X 2 para encontrar
(B'r'. Esto resulta en
[/ P-' ] = [I0 01 Cos 0

- Sen 0
Sen 0]
Cos 0 ·
Si (x', y'l son las coordenadas de (x, y) relativas a B' , se puede usar la matriz de transici6n
P- 1 como se muestra a continuaci6n
[ -~:;: ~:: :] [; ] = [;J

Las coordenadas x' y y' estan dadas por x ' = x Cos 0 + y Sen 0 y y' = -x Sen 0 + y Cos 0.
Las dos ultimas ecuaciones de! ejemplo 6 proporcionan las coordenadas x'y' en ter-
minos de las coordenadas xy. Para efectuar una rotaci6n de ejes para una ecuaci6n polino-
mial de segundo grado, es util expresar las coordenadas xy en terminos de las coordenadas
x'y'. Para lograr esto, en las dos ultimas ecuaciones del ejemplo 6 se despejan x y y para
obtener
x = x' Cos 0 - y' Sen 0 y y = x'Sen0 + y' Cos0.
Al sustituir estas expresiones por x y y en la ecuaci6n dada de segundo grado se obtiene
una ecuaci6n polinomial de segundo grado x' y y' que no tiene termino x'y' .
Rotaci6n de ejes
La ecuaci6n de segundo grado a.x2 + bxy + cy2 + dx + ey + f = 0 puede escribirse
en la forma
a '(x ')2 + c '(y ')2 + d 'x' + e 'y' + f' = 0
al rotar e n sentido contrario al de las manecillas del reloj los ejes coordenados a un
angulo 0, donde 0 se define como Cot 20 = a ~ c_Los coe fi cientes de esta nueva
ecuaci6n se obtienen a partir de las sustituciones.
x = x' Cos 0 - y ' Sen 0 y y = x' Sen 0 + y 'Cos 0.
La demostraci6n de! resultado anterior se deja para usted (vease el ejercicio 82).
ALGEBRA Una antena satelital es una antena disefiada para transmitir o recibir
sefiales de un tipo especifico. Una antena satelital estandar consta
LINEAL de una superficie en forma de taz6n y un polarrotor q ue apunta hacia
APLICADA la superficie. La superficie en forma de taz6n tipicamente tiene la
forma de un parabol oide eliptico (vease la Secci6n 7.4). El corte trans-
versal de la superficie tipicamente tiene la forma de una parabola
rotada.
Chris H Galbra1th/Shunerstock oom
21 8 Capitulo 4 Espacios vectoriales
En el ejemplo 7 se demuestra c6mo identificar la grafica de un poli nomio de segundo

grado mediante la rotaci6n de los ejes coordenados.
EJEMPLO 7 Rotaci6n de una secci6n c6nica
Efectue una rotaci6n de ej es para eliminar el tennino xy en

5x 2 - 6xy + 5y2 + 14 J2x - 2J2y + 18 = 0
y trace en e l piano x'y' la grafica de la ecuaci6n resultante.
SOLUCION
El angulo de rotaci6n esta dado por
a-c 5 -5
Cot20 = - - = - - = 0.
b - 6
Lo anterior implica que 0 = 'TT/ 4; por tan to
l 1
Sen 0 = - y Cos 0 = -
fi fi"
Con la sustituc i6n de
I
+ 3)2 ( I'' - I )2
(x'
- - + -· - - =I
X = XI Cose - y I Sen e = fi (x I - y ')
4 I
y
I
y = XI Sen e +y I Cose = -(x + y ')I
fi
en la ecuaci6n original y simplificando se obtiene
(x')2 + 4 (y')2 + 6x' - Sy'+ 9 = 0.
Por ultimo, al completar el cuadrado se encuentra que la fonna normal de esta ecuaci6n es
~'+3f G'- If ~'+3f G'- Jf
- -2 - + ~ -
2
-=---+---= )
2 1 4 l
Figura 4.22 que es la ecuaci6n de una elipse, como se muestra en la fi gura 4 .22.
En el ejemplo 7, la nueva base (rotada) en R2 es
y las coordenadas de los vertices de la elipse relativas a B' son
Para encontrar las coordenadas de los vertices con respecto a la base estandar
B = {(l , 0), (0, l)}, utilice las ecuaciones
I
X =- (x' - y')
J2
y
l
y =- (x' + y')
J2
para obtener ( - 3 J2, - 2 J2) y ( - J2, 0), como se muestra en la figura 4.22.
4.8 Ejercicios 219
I
4.8 Ejercicios Consulte www.CalcChat.com para las soluciones de los eierc1c1os nones.
Determinaci6n de soluciones de una ecuaci6n diferen- Pruebas de independencia lineal En los ejercicios 27-34,
cial En los ejercicios 1 a 12, determine que funciones son (a) verifique que cada soluci6n satisfaga la ecuaci6n diferen-
soluciones de la ecuaci6 n diferencial lineal. cial, (b) pruebe la independencia lineal de! conjunto de solu-
ciones, y (c) si el conjunto es linealmente independiente,
1. y" + y =0 entonces escriba la soluc i6n general de la ecuaci6n diferencial.
(a) ex (b) Senx Ecuaci6n diferencial Soluci611
(c) Cosx (d) Sen x - Cosx 27. y" + 16y =0 {Sen 4x, Cos 4x}
2. y"' + y = 0 28. y" - 2y' + y = 0 {eX, xex}
29. y"' + 4y"+ 4y'= 0 {e-ix, xe- 2X, (2x + 1)e-2x}
111
3. y + y" + y' + y = 0 30. y"' +4y '= 0 {2, 2 Sen 2x, 1 + Sen 2x}
(a) X (b) ex 31. y"'+ 4y ' =0 {I , Sen 2x, Cos 2x}
4. y" + 4y ' + 4y = 0 32. y "'+ 3y" + 3y' + y = 0 {e-·<, xe-x, x 2e-x}
(a) e- ix (b) xe- 2' 33. y"'+3y"+3y'+y = 0 {e-x,xe-x,e-x+ xe-" }
(c) x 2e-2x (d) (x + 2)e-ix 34. y{4 >- 2y + y" = 0
111
{ l, x,e,..,xe-<}
5. y<4) + y Ill - 2y" = 0
35. Pendulo Considere un pendulo de longitud L que
(a) 1 (b) x (c) x 2
oscila solo por la fuerza de gravedad.
6. y<4J - 16y = 0
(a) 3 Cosx (b) 3 Cos 2x
(c) e- 2x (d) 3e2 ' - 4 Sen 2x
L
7. x 2 y" - 2y =0
1
(a) -
x2
(b) x 2 ------
8. y'(2x - l )y = 0 Para valores pequefios de 0 = 0(t), el movimiento del pen-
(a) ex-.>? (b) 2ex-x2 dulo puede aproximarse por la ecuaci6n diferencial
(c) 3e·' -..i (d) 4ex-x2 d 20 g
- 2 + -8=0
9. xy' - 2y =0 dt L
(a) ✓x (b) X (c) x 2 (d) x 3 Donde g es la aceleraci6n debido a la gravedad.
10. .xy"+ 2y'= 0 (a) Yerifique que
(a) x (b) .!. (c) xex
(sen j f,, Cos-A,)
X
11. y" - y' - 2y = 0

es un conjunto de solucio nes linealmente indepen-
(a) xe2x (b) 2e 2x dientes de la ecuaci6 n diferenciaJ.
12, YI - 2xy =0 (b) Encuentre la soluci6n general de la ecuaci6n dife-
(a) 3ex' rencial y demuestre que puede escribirse en la forma
Determinaci6n de wronskiano para un conjunto de
funciones En los ejercicios 13 a 26, encuentre el wro ns-
k.iano para el conjunto de funciones.
0(t) = A Cos [ Sen -A(t + </>) ]-
36. Prueba Demuestre que y = C 1 Cos ax+ C2 Sen ax es
13. {x, Cos x } 14. {e2 <, Cos 3x} la soluci6n general de y" + a2y = 0, a -:/= 0.
15. {e x, e-·•} 16. {ex', e--''}
Prueba En los ejercicios 37-39, demuestre que el con-
17. {x, Senx, Cosx} 18. {x, -Senx, Cosx}
junto dado de soluciones de una ecuaci6 n diferenciaJ homo-
19. {e-x, xe-x, (x + 3)e-x} 20. {x, e-x, e} genea lineal de segundo orden es linealmente independiente.
21. { 1, eX, e2 '} 22. {x 2 , ex' , x 2 ex} 37. {e"x,ehx}, a -:/= b 38. {e"-<,xe<"'}
23. { I , x, x 2 , x3} 24. {x, x 2 , ex, e-x} 39. {e<L< Cos bx, e<u Sen bx}, b -:/= 0
25. { I, x, Cosx, e- x} 26. {x, ex, Sen x, Cosx}
40. Prueba Sea {yi, y2 } un conjunto de soluciones de una 61. xy + 2=0

ecuaci6n diferencial lineal ho mogenea de segundo 62. -2x 2 + 3xy + 2y 2 + 3 = 0
orden. Demuestre que este conj unto es linealmente inde-
pendiente si y s61o si e l wronskiano no es identicamente
63. x 2 - xy + 3y2 - 5 =0
igual a cero. 64. x 2
- 4xy + 4y + lOx - 30 = 0
2
41. Escriba i,La suma de dos soluciones de una ecuac i6n Rotaci6n de una secci6n c6nica En los ejercicios 65 a
diferencial lineaJ no homogenea tambien es una solu- 76, efectue una rotaci6n de ejes para eliminar el termino xy y
ci6n? Explique su respuesta. trace la grafica de la c6nica
42. Escriba i,El multiplo escalar de una soluci6n de una 65. xy + I =0 66. xy - 2 = 0
ecuaci6 n diferencial lineal no homogenea tambien es
una soluci6n? Explique su respuesta.
67. 4x 2+ 2xy + 4y - 15 = 0
2
68. x + 2xy + y 2 - 8x + 8y = 0
2
ldentificar y graficar una secci6n c6nica En los ejerci- 69. 2x2 - + 10 = 0

3xy - 2y2
cios 43-60, identifique y trace la grafica de la secci6 n c6nica.
70. 5x 2 + 5y 1 - 24 = 0
- 2xy
43. y 2+X =0 + 8x = 0
44. y 2
71. 9x 2 + 24xy + l6y 2 + 80x - 60y = 0
45. x + 4y2 - 16 = 0
2
46. 5x + 3y 2 - 15 = 0
2
72. 5x 2 - 6xy + 5y 2 - 12 = 0
x2 y2
47. - - - - I = 0 73. 13x 2 + 6J3xy + 7y 2 - 16 = 0
9 16
74. 7x 2 - 2-J3xy + 5y 2 = 16
49. x 2 - 2x + 8_y + 17 =0 75. 3x 2 - 2-J3xy + y 1 + 2x + 2 J3y = 0
50. y 2
- 6y - 4x + 21 = 0
76. x 2 + 2 J3xy + 3y2 - 2 Ax + 2y + 16 = 0
51. +
9x 2 25y1 - 36x - 50y + 61 = 0
52. 4x + y 22
- +3=08x Rotaci6n de una secci6n c6nica degenerada En los
ejercic ios 77 a 80, efectue una rotaci6n de ejes para eliminar
53. 9x 2 - y2 + 54x + IOy + 55 = 0 e l termino xy y trace la grafica de la c6nica "degenerada".
54. 4y2 - 2x 2 - 4y - 8x - 15 =0 77. x 2 - + y2 = 0
2xy 78. 5x 2 - + 5y 2 = 0
2xy
55. x 1
+ 4y + 4x + 32y + 64
2
=0 79. x 2 + 2xy + y 2 - 1 = 0 80. x 2 - l0xy + y 2 = 0
56. 4y + 4x 2 - 24x + 35 = 0
2
57. 2x 2 - y 2 + 4x + IOy - 22 =0 81. Prueba Demuestre que una rotaci6n 0 = 'TT/4 elirni-
nara e l termino xy de la ecuaci6n
58. 4x 2 + 4x + 2y - I = 0
- y2
59. x + 4x + 6y - 2 = 0
2 ax 2 + bxy + ay 2 + dx + ey + f = 0.
60. y 2 + 8x + 6y + 25 = 0 82. Prueba Demuestre que una rotaci6n 0, donde cot 2 0
= (a - c)/b, eliminara el termino xy de la ecuaci6n
Relacionar una ecuaci6n con una grafica En los ejer-
cicios 6 1-64, relacio ne la g rafica con su ecuaci6n [las grafi - ax 2 + bxy + cy2 + dx + ey + J = 0.
cas se etiquetan (a), (b), (c), y (d)]. 83. Prueba Para la ecuaci6n ax2 + bxy + cl = 0, la
)'
(a) y' Y (b) matriz A se define como
~
A = [b;2 b~2].
(a) Demuestre que si IAI = 0, entonces la grafica de

3 ax 2 + bxy + cl = 0 es una recta.
'
_,_ *
(b) Demuestre que si IAI 0, entonces la grafica de ax2
' + bxy + cl = 0 son dos rectas que se intersectan.
y y
(c) (d) y'
\ 3 84. 00[§[:tYA]~"i]'[g Explique cada uno de los
,ir'
~ siguientes enunciados.
,'<
-+--+-+-+--,'1<--
' "-+-i--+-- X (a) Como usar el wronskiano para probar la indepen-
-4 -2,,'< dencia lineal de un conjunto de soluciones de una
X-2 y~
,'<
-4 I Y,
ecuaci6n diferencial lineal ho mogenea.
(b) Como elirninar el terrnino xy si aparece en la ecua-
ci6n general de una secci6n c6nica.
4 Ejercicios de repaso Consulte www.CalcChat.com para las soluc1ones de las ejercic1os nones.
Operaciones vectoriales En los ejercicios I a 4, deter- Conjuntos generadores, independencia lineal y

mine (a) u + v, (b) 2v, (c) u - v y (d) 3u - 2v. bases En Jos ejercicios 27 a 32, determine si S (a) genera
1.u = (- 1, 2, 3), v =( l , 0, 2) a R 3 , (b) es linealmente independie nte y (c) es una base para
R3_
2. U = (- 1, 2, 1), V = (0, 1, 1)
3. U = (3, - 1,2,3), V = (0, 2,2, 1) 27. S = {(l , -5, 4), (11, 6, - l ), (2, 3, 5)}
4. U = (0, 1, - [, 2), V = ( 1, 0, 0, 2) 28. S = {(4, 0, I), (0, - 3, 2), (5, 10, 0)}
29. S = {(-½,¾, - 1), (5, 2, 3), (- 4, 6, -8)}
Soluci6n de una ecuaci6n vectorial En los ejercicios 5
a 8, resuelva para x dado que u = ( I , - 1, 2), v = (0, 2, 3) y 30. S = {(2, 0, l ), (2, - 1, 1), (4, 2, 0)}
w = (0, I , 1) 31. S = {(1, 0, 0), (0, 1, 0), (0, 0, 1), (- 1, 2, -3)}
5. 2x - u + 3v + w = 0 6. 3x + 2u - v + 2w = 0 32. S = {( I, 0, 0), (0, I, 0), (0, 0, I), (2, -1 , 0)}
7. 5u - 2x = 3v + w 8. 2u + 3x = 2v - w
33. Determine si
Escribir una combinaci6n lineal En los ejercicios 9 a 12,
exprese v como una combinaci6n lineal de u 1, u2, y u3, en
S = {l - t, 2t + 3t 2 , 1 2 - 2t 3 , 2 + 13}
caso de ser posible. es una base para P3 .

9. v = (3, 0, -6), u 1 = (l, - 1, 2), u 2 = (2, 4, -2), 34. Determine si S = { I , t, I + t2 ) es una base para P2 •
U 3 = (J , 2, - 4)
10. V = (4, 4, 5), U1 = (1, 2, 3), U2 = (- 2,0, 1), Determinar si un conjunto es una base En los ejerci-
U3 = ( J, 0, 0) cios 35 y 36 determine si el conjunto es una base para M2.2.
11. V
U2
= (1, 2,3 ,5), u 1 = ( 1, 2,3, 4),
= (- 1, -2, -3, 4), U 3 = (0, 0, 1, 1) 35. S = {[~ ~]. [ =~ ~].[~ :J. [-~-!]}
~
12. V = (4, - 13, -5, -4), U1 = (1, - 2, 1, 1),
u2 = (- 1, 2, 3, 2), u 3 = (0, -1 , - I, - 1) 36. S = {[ ~ ~]. [ - ~]. [~ ~]. [ ~ ~]}
Describir el vector cero y el inverso aditivo En los
Determinaci6n de espacio nulo, nulidad y rango de
ejercicios 13 a 16, describa el vector cero y el inverso aditivo
una matriz En los ejercic ios 37-42, encuentre (a) el espa-
de un vector en el espacio vectorial dado.
cio nulo, (b) la nulidad y (c) el rango de la matriz A. Despues
13. M 3.4 14. P8 verifique que rango(A) + nul idad(A) = n, donde n es el
15. R 3 16. M2 _3 numero de columnas de A .
Determinar subespacios En los ejerc ic ios 17 a 24, deter-
37. A = [
5 -SJ
mine si W es un subespacio de! espacio vectorial. - 10 16
17. W = {(x,y): x = 2y}, V = R 2
18. W = {(x, y): x - y = I }, V = R2 38. A = [ ~ ~]
-[!
2
19. W ={(x,y): y=ax, aes unentero}, V= R
2 2
20. W = {(x,y): y = ax }, V = R
39. A
21. W = {(x, 2x, 3x): x es un numero real }, V = R3
22. W = {(x,y,z): x?: O}, V = R3
23. W = {J: J (0) = - I }, V = C[ -1 , I ] 40. A = [ ~
24. W = {/: / ( - I) = 0 }, V = C [ - I , I] -2
~ -~ -1~1
25. l Cual de Los siguientes subconjuntos de R 3 es subespacio
de R 3?
41. A = [-
(a) W = {(xi,x 2 , x 3):xf + x~ + Xj = O} I 3 10
(b) W = {(x 1, x 2 ,x 3): Xi+ x~+ x5= I} I 2 0
26. l Cual de los siguientes subconjuntos de R3 es subespacio 2 I
de R3? 4 0
42. A = [ :
(a) W = {(x 1,x 2 , x Jx 1 + x 2 + x 3 = O} -2 3 0
(b) W = {(x 1, x 2,x 3): x 1 + x 2 + x 3 = I} I 2 6
Encontrar una base y dimension En los ejercicios 43 a 64. B ' = {(t, - 1, 2, 1), ( I, I, - 4, 3), ( 1, 2, 0, 3),
46, determine (a) una base y (b) la dimensi6n del espacio ( I, 2, -2, 0)}, x = (5, 3, -6, 2)
soluci6n del sistema de ecuaciones homogeneas
Encontrar una matriz de transici6n En los ejercicios 65
43. 2x 1 + 4x 2 + 3x 3 - 6x 4 = 0 a 68, determine la matri z de transici6n de B a B'.
x1 + 2x 2 + 2x 3 - 5x4 = 0 65. B = {( I, - 1), (3, 1)},
3x 1 +6x 2 +5x 3 - llx4 = 0
B' = {(l , 0), (0, l)}
44. 3x 1 + 8x 2 + 2x 3 + 3x 4 =0 66. B = {( I, - 1), (3, 1)},
4x , + 6x 2 +2x 3 - x4 =0
B'= {(1,2),(-1 , 0) }
3x 1 + 4x 2 + x 3 - 3x 4 =0
67. B = {( 1, 0, 0),(0, 1, 0),(0, 0, I )},
e 45. X1 -3x2+ X3+ X 4= 0
B ' = {(0, 0, 1), (0, 1, 0), (1, 0, 0)}
2x I + X2 - X3 + 2x 4 = 0
x1 + 4x 2 - 2x 3 + x 4 = 0 68. B = {(1, 1, 1), (1, I. 0), (1, 0, 0)},
5x 1 - 8x 2 + 2x 3 + 5x 4 = 0 B ' = {(1, 2, 3), (0, I, 0), (I , 0, I)}
e 46. - X I + 2x 2 - X 3 + 2x 4 = 0
-2x 1 +2x 2 + x 3 + 4x 4 =0
Encontrar matrices de transici6n y coordenadas En
los ejercicios 69-72, (a) encuentre la matri z de transici6n de
3x 1 + 2x 2 + 2x 3 + 5x 4 =0 B a B', (b) e ncuentre la matriz de transici6n de B ' a B, (c)
- 3x 1 + 8x 2 + 5x 3 + 17 x 4 =0 verifique que las dos matrices de transici6 n son inversas una
a Ia otra, y (d) encuentre Ia matriz de coordenadas [x] 8 ,, dada
Encontrar una base para un espacio rengl6n y la matriz de coordenadas [x]a.
rango En los ejerc ic ios 47-52, encuentre (a) una base del 69. B = {(1, 1), (- 1, 1)}, B ' = {(0, 1), (1, 2)},
espacio rengl6n y (b) el rango de la matriz.
:i
[x]B = [3 -3]7'
47. [ -~
6
!]
1
48. [~
l
- ~
16 14
70. B = {( I, 0), ( 1, - 1)},
[x]8 = [2 -2]T
B ' = {( I , 1), ( I, - l )},
71. B = {(1, 0, 0), (1, 1, 0), (1, 1, l )},
uI! I:l
49. [I - 4 0 4] 50. [I 2 - 1]
B' = {(0, 0, 1), (0, 1, 1), (1, 1, l )},
St. si. [-l ! !l 72.

[x]B = [- 1 2 -3JT
B = {( I, I , - 1), ( 1, 1, 0), ( I, - 1, 0)},
B ' = {(I, - 1, 2), (2, 2, - 1), (2, 2, 2)},
Encontrar una matriz de coordenadas En los ejerci- [x]8 = [2 2 - IJ"
cios 53-58, dada la matriz de coordenadas dex respecto a una
base B (no estandar) de R", encuentre la matriz de coordena- 73. Sea W el subespacio de P 3 (todos Los polinornios de grado
das de x respecto a la base estandar. menor o igual a tres) tales que p(0) = 0, y sea U el subes-
pacio de todos los polinornios tales que p(l) = 0. Deter-
53. B = {(l , 1), (- 1, l )}, [x]8 = [3 5]T mine una base de W, una base de U y una base de su
54. B = {(2, 0), (3, 3)}, [x]8 = [1 l]T intersecci6n W n U.
55. B = {(½, ½), ( l , 0)}, [x]B = [½ ½r 74. Calculo Sea V = C'(-oo, oo) el espacio vectorial de
56. B = {(4, 2), (1, - I)}, [x]8 = [2 IJ" todas las funciones continuamente derivables sabre la
recta real.
57. B = {( 1, 0,0),(1, 1,0),(0, I, I)},
(a) Demuestre que W = {J: f' = 4f } es un subespacio
[x]8 = [2 0 - L]T de V.
58. B = {( l , 0, 1), (0, 1, 0), (0, I, 1)}, [x]8 = [4 0 2]7 (b) Demuestre que U = {f: f' = f + I} no es un subes-
pacio de V.
Encontrar una matriz de coordenadas En Ios ejerci- 75. Escriba Sea B = {p 1(x), pi(x), ... , p11(x), p11 + 1(x)}
cios 59-64, encuentre la matriz de coordenadas de x en K' una base de Pw i_,Debe contener B un polinomio para
respecto a Ia base B'. cada grado 0, I, 2, . . . , n? Explique su razonamiento.
59. B' = {(5, 0), (0, -8)}, x = (2, 2) 76. Prueba Sean A y B matrices de 11 X n con A -::f= 0 y
60. B' = {(l , I), (0, -2)}, x = (2, -1) B -::f= 0. Demuestre que si A es simetrica y B es cuasisi-
metri ca (BT = - 8 ), ento nces {A, B} es un conj unto
61. B '={( l ,2,3),(1, 2,0),(0, - 6,2)}, x =(3,-3,0) linealmente independiente.
62. B ' = {( I, 0, 0), (0, I, 0), (1, I, I)}, x = (4, - 2, 9) 77. Prueba Sea V = P5 y considere el conjunto W de
63. B ' = {(9, -3, 15, 4), (-3, 0, 0, - I), (0, -5, 6, 8), todos los polinornios de la forma (x3 + x)p(x), donde
(-3, 4, -2, 3)}, X = (2 1, -5, 43, 14) p(x) esta en P 2. i., Wes un subespacio de V? Demuestre su
respuesta.
78. Sean v 1, v2 y v3 tres vectores linealmente independientes Determinaci6n de soluciones de una ecuaci6n diferen-
de un espacio vectorial V. lEI conj unto {v 1 - v2 , v2 - v3, cial En los ejercicios 87 a 90, determine cuales fu nc io nes
v3 - v 1} es lineaJm ente dependiente o independiente? son soluci6n de la ecuaci6n diferencial lineal.
79. Prueba Sea A una matriz cuadrada den X n. Demues- 87. y II - y I - 6y =0
tre que los vectores rengl6 n de A son l inealmente depen- (a) e3x (b) e2r (c) e-3x (d) e-2r
dientes si y solo si Los vecto res columna de A son lineal- 88. y<
4
l- y =0
mente dependientes.
(a) ex (b) e-x (c) Cosx (d) Sen x
80. Prueba Sea A una matriz cuadrada n X n y sea I un
89. y' + 2y = 0
escalar. Demuestre que el conjunto
(a) e-2x (b) xe - 2 x (c) x 2e-x (d) 2xe- 2x
S = {x: Ax = Ax }
90. y" + 9y =0
es un subespacio de R". Determine la dimension de S si
,\=3 (a) Sen 3x + Cos 3x (b) 3 Sen x + 3 Cosx
1 (c) Sen 3x (d) Cos 3x
A-[~ 3
0
Determinaci6n del wronskiano para un conjunto de
funciones En los ejercicios 91 a 94, determine el wrons-
k:iano para el conjunto de funciones.
81. Seanf(x) = x y g(x) = I.xi.
(a) Demuestre quefy g son linealmente independientes 91. { l ,x,ex} 92. { I , X, 2 + X}
en C[- 1, l] 93. { I , Sen 2x, Cos 2x} 94. {x, Sen2 x , Cos2 x }
(b) Demuestre que f y g son linealmente dependientes
Pruebas de independencia lineal En los ejerc ic ios
en C[0, l ]
95-98, (a) verifique que cada soluci6n satisface la ecuaci6n
82. Dado un conjunto de funciones, describa c6mo su domi- d iferencial, (b) pruebe la independencia lineal del conj unto
ni o puede infl uir si el conj unto es lineal mente indepen- de soluciones, y (c) si el conjunto es linealmente indepen-
diente o dependiente. d iente, escriba la soluc i6n general de la ecuaci6n diferencial.
tVerdadero o falso? En los ejercicios 83 a 86, determine Ecuaci6n Diferencial Soluciones
cual de las expresiones es verdadera o faJsa. Si la expresi6 n 95. y" + 6y I + 9y = 0 {e-3\ xe- 3·'}
es verdadera, proporcio ne una raz6n o cite una expre- 96. y" + 6y I + 9y 0 = {e-3\ 3e-3x}
si6 n adecuada del texto. Si la expresi6n es falsa, proporcione
97. y -6y + ll y'-6y=0
111 11
un ejemplo que muestre que la expresi6n no es cierta en

todos los casos o c ite de l texto una expresi6n adecuada. 98. y" + 4y = 0 {Sen 2x, Cos 2x}
83. (a) Las operaciones estandar en R" son la suma vectori al ldentificar y graficar una secci6n c6nica En los ejerci-
y la multiplicaci6n escalar. cios 99-106, identifique y trace la grafica de la secci6n
(b) El inverso aditivo de un vector no es unico. c6ni ca.
(c) Un espacio vectorial consta de cuatro elementos: un 99. x 2 + y 2 - 4x + 2y - 4 = 0
conj unto de vectores, un conj unto de escalares y dos
100. 9x 2 + 9y 2 + 18x - 18y + 14 = 0
operaciones.
84. (a) El conjunto W = { (0, x2, x3): x 2 y x3 son numeros 101. x 2 - y 2 + 2x - 3 = 0
reales} es un subespacio de R3. 102. 4x 2 - y 2 + 8x - 6y + 4 = 0
(b) Un conjunto generador S linealmente independiente 103. 2x 2 - 20x - y + 46 = 0
es denominado base de un espacio vectorial V. 104. y 2 - 4x - 4 = 0
(c) Si A es una matri z invertible de 11 X n, entonces los 105. 4x 2 + y 2 + 32x + 4y + 63 = 0
vectores reng l6n n son linealmente dependientes.
106. 16x 2 + 25y2 - 32x - 50y + 16 = 0
85. (a) E l conj unto de todas las n-adas se denomina 11-espa-
cio y se denota por R". Rotaci6n de una secci6n c6nica En los ejerc ic ios 107 a
(b) El identico adi tivo de un vecto r no es unico. 110, efectue una rotaci6n de ej es para eliminar el termino xy
(c) Una vez que se ha demostrado un teorema para un y trace la grafica de la c6nica.
espacio vectorial abstracto, no es necesario demos- 107. xy =3
trar po r separado las 11-adas, matrices y po linomios. 108. 9x + 4xy +
2
9y 2 - 20 = 0
86. (a) El conj unto de puntos en la recta x + y = 0 es un 109. 16x 2 - + 9y 2 -
24xy 60x - 80y + 100 =0
subespacio de R2 .
110. 7x 2
+ 6J3xy + l3y 2 - 16 =0
(b) Las operaciones elementales con renglones preser-
van el espacio columna de la matri zA.
4 Proyectos
1 Soluci6n de sistemas lineales
Esc1iba un parrafo para responder la siguiente pregunta. No necesita realizar calculos, pero
fundamente sus explicaciones en las propiedades adecuadas vistas en el texto.
1. Una soluci6n del sistema lineal homogeneo
X+ 2y + + 3w = 0
Z
x- y + w=0
y - z + 2w = 0
es x = - 2, y = - I, z = I y w = I. Explique par que x = 4, y = 2, z = - 2 y w = - 2
tambien debe ser una soluci6n.
2. Los vectores x 1 y x2 son soluciones del sistema lineal homogeneo Ax = 0. Explique par
que el vector 2x 1 - 3x2 debe ser una soluci6n.
3. Considere las dos sistemas representados par las matrices aumentadas.
I
0
-5
- 2
I
0
-5
- 2 -9]
- 3
-I - I - I - 1 0
Si el primer sistema es consistente, explique par que el segundo sistema tambien lo es.
4. Los vectores x 1 y x 2 son soluciones del sistema lineal Ax = b. El vector 2x 1 - 3x2, l,tam-
bien es soluci6n? j,Por que sf o por que no?
5. Los sistemas lineales Ax = b 1 y Ax= b 2 son consistentes. El sistema Ax = b 1 + b 2, j,es
necesariamente consistente? j,Por que sf o par que no?
2 Suma directa
En este proyecto, usted explorara la suma y suma directa de subespacios. En e l ejercicio 58
en la Secci6n 4.3, usted demostr6 que para dos subespacios Uy W de un espacio vectorial V,
la suma U + W de los subespacios, definida como U + W = {u + w: u E U, w E W} tambien
es un subespacio de V.
1. Considere los subespacios de V = R3
U = { (x,y,x - y) :x, y E R}
W = {(x, 0, x): x ER}
Z = {(x,x,x) :x ER }
Determine U + W, U + Z y W + Z.
2. Si Uy W son subespacios de V tales que V = U + W y U W = {0 }, demuestre que todo
vector en V tiene una representaci6n unica de la forma u + w, donde u esta en Uy w esta
en W. En este caso, se dice que V es la suma directa de Uy W y puede escribir e
V = U EB W. Suma directa
j,Cual de las sumas del inciso (]) son sumas directas?
3. Sea V =U EB W y suponga que {u 1, u2, . . . , uk} es una base del subespacio U y {w 1,
w 2, w111 } es una base del s ubespacio W. Demuestre que el conjunto {u 1, u2, .. . , u b
. .. ,
w 1, ... , w111 } es una base para V.
4. Considere los subespacios de V = R3 que siguen. U = I(x, 0, y) : x, y E RI W = {(0, x,
y ) : x, y E R} Demuestre que R3 = U + W. i,R 3 es la suma directa de Uy W? i,Cuales
son las dimensiones de U, W, Un W y U + W? Formule una conjetura general que
relacione las dimensiones de U, W, U n W y U + W.
5. i,Puede usted encontrar dos subespacios bidimensionales en R3 cuya intersecci6n es el
vector cero? i,Por que sf o por que no?
East/Shutterstock.com
Espacios con
5 producto interno
Longitud y producto punto en Rn
5.1
5.2
Espacios con producto interno
5.3
Bases ortonormales: el proceso de Gram-Schmidt
5.4
Modelos matematicos y analisis por mfnimos cuadrados
[ 5.5 Aplicaciones de las espacios
_____c_o_n_p_r_o_d_u_c_to_in_t_e_r_n_o______[>
._
Ganancias (p. 260)
Rot aci6 n (p. 271)
Trabajo (p. 242)

Flujo electrico/magnetico (p. 234)
En sentido de las manecillas del reloJ, desde amba a la 11qu10rda. Jezper/ShutterstockCom. Lisa F. Young/Shunerstock.com;
Sonia Foos/www shunerstock com; Andrea Oantr/www shutterstock.com, j,mmi/Shutterstock Com 225
226 Capitulo 5 Espacios con producto interno
5.1 Longitud y producto punto en R'1

Determinaci6n de la longitud de un vector y determinaci6n
■ de un vector unitario.
■ Determinaci6n de la distancia entre dos vectores.

Determinaci6n de producto punto y el angulo entre dos vectores,
■ determine ortogonalidad y verificar la Desigualdad de Cauchy-
Schwarz, la desigualdad del triangulo y el teorema de Pitagoras.
■ Utilizar un producto matricial para representar un producto punto.
LONGITUD VECTORIAL Y VECTORES UNITARIOS

En la secci6n 4 .1 se mencio n6 que los vectores en el piano pueden caracterizarse como
segmentos de recta dirigidos con cierta longitud y direcci6n. En esta secci6n se usa R2
como modelo para definir estas o tras propiedades geometricas (como distancia y angulo)
de vectores en R". Luego, en la siguiente secci6n, estos conceptos se extienden a espacios
vectoriales en general.
Podemos comenzar por revisar la definici6n de la longitud de un vector en R2 . Si v =
(vi, v2 ) es un vector en el piano, e ntonces la longitud o magnitud de v, denotada por l vll,
se define como
l vll = Jvf + ~-
11v II = j v~ + vJ Esta definic i6n corresponde al concepto usual de longitud en geometrfa eucl idiana. Es
decir, el vector v es considerado como la hipotenusa de un triangulo rectangulo cuyos
Figura 5.1 !ados tienen longitudes lvd y lv21, como se muestra en la Figura 5.1 . Aplicando el teorema
de Pitagoras tenemos
l vll2 = lv,12 + lv2l2 = vf + vf
COMENTAR 0 2
Usando R como modelo, la longitud de un vector en R" se de fine como sig ue.
La longitud de un vector t am -
bien se llama norma. Si llvll = 1, Definici6n de longitud de un vector en Rn
ent onces el v ector v se llama
vector unitario. La longitud o norma de un vecto r v = (vi, v2 , . . . , v,,) en R" esta dada por
II v II = J VT + v~ + · · ·+ v~.
Esta definici6n muestra que la longitud de un vector no puede ser negativa. Es decir,
llvll ~ 0. Ademas, l vll = 0 si y s61o si v es el vector 0.
EJEMPLO 1 Longitud de un vector en R"
a. En R 5 , la longitud de v = (0, - 2, I, 4, -2) es

llvll = ✓0 2
+ <-2)2 + 12+ 42 + <- 2)2 = .J2s = 5.
b. En R3 , la lo ngitud de v = (2/ ffi, -2/ ffi, 3/ ffi) es
X y llvll = J(21Ju) + (- 21Ju)2 + (3Ju)2 = ) 11111 =
2
1.
2 2 3 ) Dado que su longitud es 1, v es un vector unitario, como se observa en la figura 5.2.
V = ( v'l7'- .Jf7' v'l7
Figura 5.2 Cada vector en la base estandar de R" es de longitud I y se llama vector unitario
estandar en R". En ffsica e ingenieria es comun denotar los vectores unitarios estandares
en R2 y R3 como sigue.
{i , j } = {(1, 0),(0, I)} y {i, j , k} = {(1, 0, 0),(0, 1, 0),(0, 0, 1)}.
Dos vectores u y v en K' diferentes de cero son paralelos si uno es un multiplo esca-
lar del otro; es decir, u = cv. Ademas, si c > 0, entonces u y v tiene n la misma direccion;
si c < 0, u y v tienen direcciones opuestas. El siguiente teorema da una formula para
determinar la longitud de un multiplo escalar de un vector.
5.1 Longitud y producto punt o en Rn 227
NOTA TECNOLOGICA
TEOREMA 5.1 Longitud de un multiplo escalar
Usted puede utilizar una aplica-
ci6n grafica o programa de Sea v un vector en R" y sea c un escalar. Entonces
c6mputo para encontrar la lon-
gitud o norma de un vector. Por llcvll = lcl l vll
ejemplo, utilizando una aplica-
ci6n grafica, la longitud del vec- Donde lei es el valor absoluto de c.
tor v = (2, - 1, -2) puede ser
encontrada y aparecer como
sigue
DEMOSTRACION
Debido a que cv = (cv 1, cv2 , ••• , cv,,), se concluye que
lJECTOR: lJ 3
e 1=2
e2= -1
llcvll = l (cv,, cv2 , • . . , cv,,)11
e3=-2 = J(cvY + (cv )2 + · · · + (cv,.)2
2
norM lJ
3 = lclJvf + vl+ · · · + v,?
lcl l vll.
Un uso importante de! teorema 5. 1 es hallar un vector unitario que tenga la misma direcci6n
Utilice una aplicaci6n grafica o que un vector dado. El siguiente teorema proporciona un procedimiento para hacer esto.
un programa de computaci6n
para verificar las longitudes de TEOREMA 5.2 Vector unitario en la direcci6n de v
los vectores dados en el ejem-
plo 1. Si v es un vector en R" diferente de cero, entonces el vector
- - -[>
es de longitud I y tiene la misma direcci6n que v. Este vector es llamado el vector
unitario en la direcci6n de v.
NOTA TECNOLOGICA DEMOSTRACION

Usted puede utilizar una aplica- *
Como v es diferente de cero, se sabe que llvll 0. Por lo tanto, llllvll es positivo y u puede
ci6n grafica o programa de escribirse como un multiplo escalar positivo de v.
c6mputo para encontrar el vec-
tor unitario para un vector
dado. Por ejemplo, utilizando
una aplicaci6n grafica, puede
encontrar el vector unitario para Por consiguiente, concluimos que u tiene la misma direcci6n que v. Finalmente, u tiene
v = (-3, 4), el cual puede apare- una longitud de I debido a que
cer como
lJECTQR: lJ
e 1=-3
2 llull = II 11:11 II = 11! 11ll vll = 1.
e2 =4
El proceso para encontrar al vector unitario en la direcci6n de v se llama normaliza-
un i tlJ V
(- . 6 .81 ci6n del vector v y se muestra en el siguiente ejemplo.
EJEMPLO 2 Determinacion de un vector unitario
Encuentre el vector unitario en la direcci6n de v = (3, - l , 2) y compruebe que su longitud

es 1.
SOLUCION
2
El vector unitario en la direcci6n de v es
~_ (3, - 1, 2) _ _ 1_ ( _ I 2) _ (- 3- _ _ l_ _2_ )
(3, - I, 2) v 3
I
I
llvll - J3 2 + (- 1)2 + 22 - Jl4 ' · - Jl4' Jl4' Jl4
><
y que es un vector unitario, ya que
X
Figura 5.3
4
✓ (~r + (- foi)2 + ( ~r = ~ = I. (Yease la figura 5.3.)

DISTANCIA ENTRE DOS VECTORES EN R"

Para definir la distancia entre dos vectores en R", se usara R2 como modelo. La formula
de la distancia en geometrfa analftica nos dice que la distancia d entre dos puntos en el
piano, (ui, u 2) y (v 1, v2), es
d = J(u 1 - v 1)2 + (u 2 - v2 )2.
En terminologfa vectorial. esta distancia puede considerarse como la longitud de u - v,

donde u = (u 1, u 2) y v = (vi, v2), como se observa en la figura 5.4. Es decir,
l u- v ii = J (u 1 - v1)2 + (u 2 - v2)2
lo cual conduce a la siguiente definici6n.
Olga Taussky-Todd
(1906-1995)
Taussky-Todd naci6 en lo
que ahora es la Republica
Checa. Se interes6 en las Figura 5.4
matemat icas a una edad
temprana . Durante su vida,
Taussky-Todd fue una mate- Definici6n de la distancia entre dos vectores
matica distinguida y prolf-
fica. Escribi6 numerosos arti- La distancia entre dos vectores u y v en R" es
culos de investigaci6n en d(u, v) = llu - v ii-
areas tales coma teoria de
matrices, teoria de grupos,
teoria de numeros algebrai-
cos y analisis numerico. Intente verificar las siguientes tres propiedades de distancia.
Taussky-Todd recibi6 diver- 1. d(u , v) 2: 0
sos honores y distinciones
par su trabajo. Par ejemplo, 2. d(u, v) = 0 si y s6lo si u = v.
su articulo sabre la suma de
cuad rados le vali6 el Premio
3. d(u , v) = d(v, u)
Fo rd de la Asociaci6n Mate-
matica de America. EJEMPLO 3 Determinaci6n de la distancia entre dos vectores
a . La distancia entre u = (-1 , --4) y v = (2, 3) es

d(u, v) = ll u - v ii = 11(- 1 - 2, -4 - 3) 11 = J(-3)2 + (-7)2 = ✓58.
b. La distancia entre u = (0, 2, 2) y v = (2, 0, 1) es

d(u, v) = ll u - vll = ll(0-2, 2-0, 2-1) 11 = J(-2)2 + 22 + 12 =3.
c. La distancia entre u = (3, - 1, 0, - 3) y v = (4, 0, I. 2) es
d(u, v) = llu - v ii
= 11 (3 - 4, - 1 - 0, 0 - 1, -3 - 2) 11
= J( - 1)2 + (- 1)2 + (- I )2 + ( - 5)2
= h8
= 2fi.
Fotos provistas por Jacobs. Konrad/Oberwolfach Photo Collection
5.1 Longitud y producto punto en Rn 229
PRODUCTO PUNTO Y EL ANGULO ENTRE DOS VECTORES

Para hallar el angulo 0(0 :5 0 :5 1r) entre dos vectores dife-
rentes de cero u = (u 1, u 2) y v = (vi, v2 ) en R2, puede apli-
carse la ley de los cosenos al triangulo mostrado en la figura
5.5 para obtener
llv - u ll2 = ll u ll 2 + ll vll2 - 2Jlu ll llv ll cos 0.

Al desarrolJar y despejar cos 0 se obtiene A ngulo entre dos vectores
Figura 5.5
El numerado r en el cociente de la derecha se define como el producto punto de u y v se

denota por
U • V = U1 V1 + U 2V2.
Esta definici6n se generaliza a R" como sigue.
COM ENTARIO Definici6n del producto punto en R'1

Observe que el producto punto
de dos vectores es un esca lar,
El producto punto de los vectores u = (ui, u2, ... , u,,) y v = (vi, v2, . .. , v,,) es la
no otro vector. cantidad escalar
- - -[>
NOTA TECNOLOGICA EJEMPLO 4 Determinaci6n del producto punto de dos vectores

Usted puede utilizar una aplica-
ci6n grafica o un programa de
El producto punto de u = ( 1, 2, 0, -3) y v = (3, -2, 4, 2) es
c6mputo para encont ra r el pro-
ducto punto de dos vectores.
Usando una aplicaci6n grafica,
U • V = (1)(3) + (2)(-2) + (0)(4) + (- 3)(2) = -7.
puede verificar el ejemplo 4 y el
resultado puede aparecer asi
TEOREMA 5.3 Propiedades del producto punto
lJECTOR :U 4
e1=1 Si u, v y w son vectores en R" y c es un escalar, entonces se cumplen las siguientes
e2=2
e3=0 propiedades.
e~=-3
lJECTOR:IJ 1.u·v = v·u
4
e1=3 2. U · ( V + W) = U · V + U · W
e2=-2
e 3=4 3. c(u · v) = (cu) · v = u · (cv)
e~=2 4. V • V = II V 112
ciot(U,U)
s. v · v ;:::: 0 y v · v = 0 si y solo si v = 0.
programaci6n para estas aplica- DEMOSTRACION
ciones/programas relativos al Las demostraciones de las propiedades se concluyen facilmente de la definici6n del pro-
ejemplo 4 se proporcionan en ducto punto. Por ejemplo, para demostrar la primera propiedad se puede escribir
disponible en
www.cengage.com
U • V = u 1v1 + u 2 v2 + · ·+U \J
11 11
con la busqueda Larso n, Fun da- = v 1u 1 + v2u 2 + · ·+V U

11 11
mentos de Algebra Lineal 7e
= V • U.
En la secci6n 4.1 R" se defini6 como el conjunto de todas las n-adas ordenadas de
numeros reales. Cuando If' se combina con las operaciones normales de suma vectorial,
multiplicac i6n escalar, lo ngitud de un vector y el producto punto, el espacio resultante se
llama espacio euclidiano n dimensional. En el resto de este libro, a menos que se especi-
fique lo contrari o, se supondra que R" tiene las operaciones euclidianas eslandar.
230 Capitulo 5 Espacios con producto i nterno
j EJEMPLO 5 Encontrar productos punto
Dados u = (2, - 2), v = (5, 8) y w = (- 4, 3), hallar

a. U • V
b. (u · v)w
c. u · (2v)
d. llw ll2
e. u · (v - 2w)
SOLUCION
a. Por definicion, tenemos
U · V = 2(5) + (-2)(8) = -6.
b. Usando el resultado def inciso (a), tenemos
(u · v)w = -6w = -6(-4,3) = (24, - 18).
c. Por la propiedad 3 de! teorema 5.3, tenemos
u · (2v) = 2(u · v) = 2(-6) = - 12.
d. Por la propiedad 4 def teorema 5.3, lenemos
llw ll2 = w · w = ( - 4)(- 4) + (3)(3) = 25.
e. Como 2w = (- 8, 6), tenemos
V - 2w = (5 - (- 8), 8 - 6) = ( 13, 2).
En consecuencia,
u · (v - 2w) = 2(13) + (- 2)(2) = 26 - 4 = 22.
EJEMPLO 6 Uso de las propiedades del producto punto
Dados dos vectores u y v en R" tales que u · u = 39, u · v = -3 y v · v = 79, evalue (u +

2v) · (3u + v).
SOLUCION
[ID rn@@QDc Por medio def teorema 5.3 se reescribe el producto punto como
00 00 Dl!Y1l Drn IR!J 'if@ (u + 2v) · (3 u + v) = u · (3 u + + (2v) · (3u + v)
v)
'LI□ Sean u = (1, 1) yv = u · (3u) + u · v + (2v) · (3u) + (2v) · v

= (- 4, - 3). Calcule = 3(u · u) + u · v + 6(v · u) + 2(v · v)
u · v Y l ull llvll- = 3(u · u) + 7(u · v) + 2(v · v)
~□ Repita este expe ri- = 3(39) + 7(- 3) + 2(79)
mento con otra = 254.
selecci6n de valores
para u y v. Para definir el angulo 0 que bay entre dos vectores u y v en R" puede usarse la formula
en R2
©□ Formule una conje-
tura sobre la rela- u·v
ci6n e ntre el pro- cos e = ll u ll ll v ll'
ducto punto de dos
vectores y e l pro- Para que tal definicion tenga sentido, es necesario saber que el valor de! !ado derecho de
ducto de sus longi- la formula anterior no puede ser mayor que I en valor absoluto. Este hecho proviene de un
tudes. famoso teorema que debe su nombre al matematico frances Agustin Louis Cauchy ( I 789-
1857) y al matematico aleman Hermann Schwarz ( 1843- 192 1).
TEOREMA 5.4 Desigualdad de Cauchy-Schwarz

Si u y v son vectores en R", entonces
Ju . v i :5 !l u ll llv ll
Donde 1u · vi denota el valor absoluto de u · v.
DEMOSTRACION
Caso 1. Siu = 0, entonces se tiene que lu · vj = j0 · vj = 0 y llull llvll = 0llvll = 0. Asf, el
teorema se cumple cuando u = 0.
Caso 2. Siu i= 0, seat cualquier n(1mero real y considere el vector I u + v. Ya que (1 u +
v) · (t u + v) ~ 0, se tiene que
(tu + v) · (t u + v) = t 2(u · u) + 2t(u · v) + v · v ~ 0.
Ahora, se definen a = u · u, b = 2(u · v) y c = v · v para obtener la desigualdad cuadratica

at2 + bt + c ~ 0. Como esta cuadratica nunca es negativa, tiene rafces no reales o una sola
rafz real repetida. Pero por la Formula Cuadratica, esto implica que el discriminante, b2 -
4ac, es menor o igual a cero.
b2 - 4ac :5 0
2
b :5 4ac
2
(u · v) :5 4 (u · u)(v · v)
(u · v)2 :5 (u · u)(v · v)
Al sacar rafz cuadrada de ambos !ados se obtiene
lu . vi :5 ✓u-=-u ._fv:v = ll u ll llv ll-
EJEMPLO 7 Ejemplo de la desigualdad de Cauchy-Schwarz
Yerifique la desigualdad de Cauchy-Schwarz para u = ( I , - 1, 3) y v = (2, 0, - I ).

SOLUCION
Como u · v = -1 , u · u = 11 y v · v = 5, tenemos
lu · vJ = J- I I = l
llu ll llv ll = ~ ~
fiT Js
= ./55.
La desigualdad ju · vj 5 llull llvll se mantiene puesto que l 5 .Jss.
La desigualdad de Cauchy-Schwarz encabeza la definici6n de! angulo entre dos vec-
tores diferentes de cero en R".
COM ENTARIO Definici6n del angulo entre dos vectores en R"

El angulo entre el vector cero y En angulo 0 entre dos vectores diferentes de cero en R" esta definido por
otro vector no esta definido.
u ·v
cos e = llu ll llvll' O :5 e :5 71".
232 Capitu lo 5 Espacios con producto interno
j EJEMPLO 8 Det erminacion del angulo entre dos vectores
El angulo entre u = (- 4, 0, 2, -2) v = (2, 0, - 1, 1) esta dado por

U • V - ]2 ]2
cos 8 = ll u ll ll v ll = ffi fi = - JIM=- ].
Por consiguiente, 8 = 1T. Es 16gico considerar que u y v tienen direcciones opuestas, ya

que u = -2v.
Observe que como llull y llvll siempre son positivos, entonces u · v y cos 8 siempre ten-
dran el mis mo signo. Ademas, dado que el coseno es positivo en el primer cuadrante y
negativo en el segundo, entonces el signo de! producto punto de dos vectores puede usarse
para determinar si el angulo entre ellos es agudo u obtuso, como se observa en la figura 5.6.
Direcci6n Misma
opuesta direcci6n
e
~
U V
u
V
e= n 0=0
cos 0 = - I cos 0 =I
Figura 5.6
COM ENTARIO La figura 5.6. muestra que dos vectores diferentes de cero forman un angulo recto si
Aunque el angulo entre el vec- y s61o si su producto punto es cero. Decimos que los vectores son ortogonales (o perpen-
tor cero y otro no esta definido,
diculares).
es conveniente extender la defi-
nici6n anterior para incluir el
vector cero. En otras palabras, Definici6n de vectores ortogonales
se dice que el vector cero es
ortogonal a cualquier vector. Dos vectores u y v en R" son ortogonales si
U ' V = 0.
EJEMPLO 9 Vectores ortogonales en Fr'
a. Los vectores u = ( I, 0, 0) y v = (0, I, 0) son ortogonales, ya que

U • V = ( 1)(0) + (0)( 1) + (0)(0) = 0.
b. Los vectores u = (3, 2, - 1, 4) y v = ( I , - 1, I , 0) son o rtogonales, ya que
U • V = (3)(1) + (2)(- 1) + (- 1)(1) + (4)(0) = 0.
EJEMPLO 10 Obtencion de vectores ortogonales
y Determine todos los vectores en R 2 que son ortogonales a u = (4, 2).

(4, 2)
SOLUCION
Sea v = (vi, v2 ) ortogonal a u. Entonces
u · v = (4, 2) · (v 1, v2 ) = 4v 1 + 2v2 = 0
lo cual implica que 2v2 = --4v 1 y v2 = -211 1. Asf, cada vector que es ortogonal a (4, 2) es
de la forma
V = (t, -2t) = t(l , -2)
Figura 5.7 donde t es un numero real. (Vease la figura 5.7.)
a. )'
La desigualdad de Cauchy-Schwarz se puede usar para demostrar otra desigualdad
bastante conocida Hamada desigualdad del triangulo (teorema 5.5, pagina 288). Este
nombre se deriva de la interpretaci6n de] teorema en R2 , ilustrada para los vectores u y v
en la figura 5.8(a). Si considera que
llu ll y ll vll
son las longitudes de dos lados del triangulo, puede ver que la longitud del tercero es
llu + vii.
Ademas, dado que la longitud de cualquier lado de un triangulo no puede ser mayor que
la suma de las longitudes de los otros !ados, tenemos
b. llu + vii :S ll u ll + ll vll-
La Figura 5.8(b) ilustra la desigualdad de! triangulo para los vectores u y v en R 3. El
siguiente teorema generaliza estos resultados de R".
TEOREMA 5.5 La desigualdad del triangulo

Si u y v son vectores en R", entonces
X y llu + v ii :S ll u ll + ll v ll-
llu+ vii o::; llull + llvll
Figura 5.8
DEMOSTRACION
Al aplicar las propiedades del producto punto tenemos
ll u + v ll2 = (u + v) · (u + v)
COM ENTARIO.
= u · (u + v) + v · (u + v)
En la desigualdad del t riangulo
ocurre la igualdad si y solo si = u · u + 2(u · v) + v · v
los vectores u y v t ienen la = ll u ll2 + 2(u" v) + ll vll2
misma direcci6n. (Vease el ejer-
cicio 84). :S llu ll 2 + 21u . vi + ll v ll 2 .
Ahora, por la desigualdad de Cauchy-Schwarz, 1u · vi :5 llull llvll, usted puede escribir
ll u + v ll2 :S ll u ll 2 + 2lu. vi + ll vll 2
:S ll u ll 2 + 2 ll u ll llvll + ll v ll 2
= (ll u ll + ll v ll)2 .
Dado que arnbas expresiones, llu + vii y (llull + llvll), son no negativas, al extraer rafz cua-
drada a ambos lados tenemos
llu + vii ::; ll u ll + ll vll.
A partir de la demostraci6n de la desigualdad de! triangulo tenemos
llu + v ll2 = ll u ll 2 + 2(u . v) + ll vll2 .

Si u y v son ortogonales, entonces u · v = 0 y se tiene la siguiente extensi6n del teorema
de Pitagoras para R".
TEOREMA 5.6 Teorema de Pitagoras

Si u y v son vectores en R", entonces u y v son ortogonales si y s61o si
llu + vll2 = ll u ll 2 + ll vll2 .
X )'
Figura 5.9
Esta relaci6n se ilustra graficamente para R2 y R3 en la figura 5.9.
PRODUCTO PUNTO Y MULTIPLICACION DE MATRICES

A menudo resulta util representar un vector u = (u 1, u2, ••• , u,,) en R" como una matriz
columna de n X 1. En esta notaci6n, el producto punto de dos vectores
puede representarse como la matriz producto de la transpuesta de u multiplicada por v.
u · v = urv = [u 1 u2 .•• u,,] [:;] = [u 1v1 + u2 v2 +· · ·+uv11 11

]
v,,
Utilizaci6n de una multiplicaci6n matricial

EJEMPLO 11
para encontrar productos punto
a. El producto punto de los vectores
U = [~] y V = [ ~]
es U • V = U TV = [2 oJ[n = [(2)(3) + (Q)(J)] = 6.
b. Por ejemplo, el producto de los vectores
u = Ul Hl y V =
es u · V = U TV = [I 2 -I] [-;] = [(1)(3) + (2)(-2) + (-1)(4)] = - 5.
De esta manera, muchas de las propiedades del producto punto son consecuencia
directa de las propiedades correspondientes de la multiplicaci6n de matrices. En el ejerci-
cio 85 se le pide utilizar las propiedades de la multiplicaci6n matricial para demostrar las
primeras tres propiedades del Teorema 5.3.
ALGEBRA Los ingenieros electricos pueden usar el producto punto para calcular
el flujo electrico o magnetico, el cual es una medida de la potencia de
LINEAL un campo electrico o magnetico que penetra en una superficie. Consi-
APLICADA dere una superficie de forma arbitraria con un elemento de area dA,
un vector normal (perpendicular) dA , un vector de campo electrico E y
un vector de campo magnetico B. El flujo electrico <Pe se puede encon-
trar al usar la integral de superficie <Pe = f E · dA y el f lujo magnetico
<Pm se puede encontrar al usar la integral de superficie <Pm = f B · dA.
Es interesante notar que para una superficie cerrada dada que rodea a
una carga electrica, el flujo electrico neto es proporcional a la ca rga,
pero el flujo magnetico neto es cero. Esto se debe a que los campos
electricos inician en cargas positivas y terminan en ca rgas negativas,
pero los campos magneticos forman bucles cerrados, por lo que no
inician o terminan en ningun punto. Esto significa que el campo mag-
netico que entra en una superficie cerrada debe ser igual al campo
magnetico que abandona la superficie cerrada.
Awe lnspmng lmages/Shutterstock Com

5.1 Ejercicios 235
Determinaci6n de la longitud de un vector En los Determinaci6n de normas, vectores unitarios y pro-

ejercicios 1 a 4, encuentre la longitud de! vector dado ductos punto En los ejercicios 29 a 32, utilice una aplica-
1. = (4, 3)
V 2. V = (0, 1) ci6n grafica o un programa de c6mputo con capacidades
vectoriales para encontrar (a) norma de u y v, (b) Un vector
3. v = ( I, 2, 2) 4. V = (2, 0, - 5, 5)
unitario en la direcci6n de v, (c) Un vector unitario en la
Determinaci6n de un vector unitario En los ejercicios direcci6n opuesta a u, (d) u · v, (e) u · u y (f) v · v
5 a 8, encuentre (a) llull, (b) llvll y (c) llu + vll- 29. U = (J,t~), V = (o,¼,½)
5. U = (- 1,¼), V = (4, - ½) 30. U (-!,½,¼), V = (o, ¼, -½)
=
6. U = (!, ½), V = (2, -½) 31. u = (0, l , Ji), v = (- 1, Ji, - 1)
7. U = (l , 2, J), V = (0, 2, -2) 32. u = ( -1 , A,2), v = (Ji, -1, - Ji)
8. u = (0, I , - I , 2), v = ( I , I , 3, 0)
Verificaci6n de la desigualdad de Cauchy-Schwarz En
Determinaci6n de un vector En los ejercic ios 9 a 12, los ejercicios 33 a 36, verifique la desigualdad de Cauchy-
encuentre un vector unitario (a) en la direcci6n de u, y (b) en Schwarz para Io vectores dados.
direcci6n opuesta a la de u.
33. U = (3, 4), V = (2, -3)
9. u = (-5, 12) 10. u = ( I, - l ) 34. u = (- 1, 0), v = {I, I)
11. u = (3, 2, - 5) 12. u = (- 1,3, 4) 35. u = ( 1, l , -2), V = (1, -3, -2)
Determinaci6n de un vector En los ejercicios 13 a 16, 36. U = (1, -1 , 0), V = (0, 1, - 1)
halle el vector v con la longitud dada que tenga la misma
direcci6n que el vector u . Determinaci6n del angulo entre dos vectores En los
13. ll v ll = 4, u = ( l, 1) 14. ll v ll = 4, u = (- 1, 1) ejercicios 37 a 44, halle al angulo 0 entre los vectores dados.
15. ll v ll = 2, u = (A, 3, o) 37. U = (3, 1), V = (- 2,4)
16. ll v ll = 3, u = (o, 2, 1, - 1) 38. u = (2, - I ), v = (2, 0)
17. Dado el vector v = (-1 , 3, 0, 4), encuentre u ta! que

(a) u tenga la misma direcci6n que v y la mitad de su
39. u = ( Cos f i), Sen v = ( Cos
3
4
3
7T, Sen 7T)
4
longitud.
(b) u tenga direcci6n opuesta av y el doble de su longi- 40. u = (cosf,sen f) , v = (cosf, s enf)
tud. 41. U = (1, 1, 1), V = (2, 1, - J)
18. i,Para que valores de c es lie ( I, 2, 3) 11 = 1? 42. u = (2, 3, I), v = (-3, 2, 0)
Determinaci6n de la distancia entre dos vectores En 43. u = (0, I, 0, I), v = (3, 3, 3, 3)
los ejercicios 19 a 22, determine la distancia entre u y v. 44. u = ( I , - I , 0, I), v = (- I , 2, - I , 0)
19. u = (I , - 1), v = (- 1, l )
Determinaci6n de una relaci6n entre dos vectores En
20. u = (l , 1,2), v = (- 1,3,0)
los ejercicios 45 a 52, determine si u y v son ortogonales,
21. u = ( l,2, 0), v = (- 1, 4, I) paralelos o ninguna de las anteriores.
22. u = (0, I , - I , 2), v = ( I, I , 2, 2) 45. U = (2, 18), V = (t -¼)
Determinaci6n de productos punto En los ejercicios 46. U = (4, 3), V = ( ½, - f)
23 a 26, encuentre (a) u · v, (b) u · u, (c) llull2, (d) (u · v) v y 47. U = (-½, j), V = (2, -4)
(e) u · (5v).
48. u = (l, - 1), v = (0, -1)
23. U = (3, 4), V = (2, -3)
49. u = (0, 1,0), v = (I , -2, 0)
24. U = (- J, 2), (2, -2)
V =
50. U = (0, 1,6), V = ( 1, -2, - 1)
25. u = (- 1, I , -2), v = ( I, -3, -2)
51. U = (-2, 5, 1, 0), V = (¼, -¾,0, 1)
26. U = (4, 0, -3, 5), V = (0, 2, 5, 4)
52. U = (4,t- J,½), V = (-2, - ¾,½, - ¼)
27. Encuentre (u + v) · (2u - v) dado que u · v = 4, u · v =
- 5yv·v = 10.
28. Encuentre (3u - v) · (u - 3v) dado que u · u =8,u·v
= 7 y V · V = 6.
Determinaci6n de vectores ortogonales En los ej erci- Vectores ortogonales En los ejercicios 75 y 76, sea v =
cios 53 a 56, determine los vectores v que son ortogonales al (vi, v2) un vecto r en R2. Demuestre que (v 2, -v 1) es ortogonal
vector u dado. a v y use este hecho para encontrar dos vectores unitarios
53. u = (0, 5) 54. u = (2, 7) ortogonales al vector dado.
55. u = (2, - 1, 1) 56. u = (4, - 1, 0) 75. V = (12, 5) 76. V = (8, 15)
77. Ganancias El vector u = (3 140, 2750) proporciona los
Verificaci6n de la desigualdad del triangulo En los numeros de hamburguesas y hot dogs, respectivamente,
ejercicios 57 a 60, verifique la desigualdad del triangulo para vendidos en un puesto de comida rapida a lo largo de un
los vectores u y v. mes. El vector v = (2.25, 1.75) proporciona los precios
57. U = (4,0), V = ( 1, 1) 58. U = (- 1, 1), V = (2, 0) (en d61ares) de los productos. E ncuentre el producto punto
59. u = (1, I , 1), v = (0, 1,-2) u • v e interprete el resultado en el contexto de! problema.
78. Ganancias El vector u = (4600, 4290, 5250) propor-
60. U = (1, - 1, 0), V = (0, 1, 2)
cio na los numeros de unidades de tres modelos de telefo-
Verificaci6n del teorema de Pitagoras En Ios ejerci- nos celulares que produce una compaiifa de telecomunica-
cios 6 1 a 64, compruebe el teorema de Pitagoras para los cio nes. El vector v = (79.99, 89.99, 99.99) proporciona
vectores u y v. los precios en d6lares de los tres modelos de telefonos
61. u = ( 1, - 1), v = ( I, 1) celulares, respecti vamente. Encuentre el producto punto
u · v e interprete el resultado en el contexto del problema.
62. U = (3, - 2), V = (4, 6) 79. Encuentre el angulo entre la diagonal de un cubo y una
63. U = (3, 4, - 2), V = (4, - 3, 0) de sus aristas.
64. U = (4, 1, -5), V = (2, -3, 1) 80. Encuentre el angulo entre la diagonal de un cubo y la
65. Revise el Ejercicio 23 usando la multiplicaci6n matricial. diagonal de uno de sus !ados.
81. Demostraci6n guiada Demuestre que s i u es ortogo-
66. Revise el Ejercicio 24 usando la multiplicaci6n matricial.
nal a v y w, ento nces u es ortogonal a cv + dw para
67. Revise el Ejercicio 25 usando la multiplicaci6n matricial. cualesquiera escalares c y d.
68. Revise el Ejercicio 26 usando la multiplicaci6n matricial. lnicio: Para demostrar que u es ortogonal a cv + dw ,
necesita probar que el producto punto de u y cv + dw es
Escriba En los ejercicios 69 y 70, determine si los vectores
ig ual a cero.
son ortogonales, paralelos o ninguna de las dos cosas. Expli-
(i) Reescriba el producto punto de u y cv + dw como
que por que.
una combinaci6n lineal de (u · v) y (u · w) apli-
69. u = (Cos 0, Sen 0, - 1), v = (Sen 0, -Cos 0, 0) cando las propiedades 2 y 3 de] teorema 5.3.
70. u = (- Sen 0, Cos 0, 1), v = (Sen 0, -Cos 0, 0) (ii) Utilice el hecho de que u es ortogonal a v y w, y el
resultado del inciso (i) para concluir que u es orto-
tVerdadero o falso? En los ejercicios 7 1 y 72, determine
gonal a cv + dw .
es verdadera, proporcione una raz6n o cite una expresi6n 82. Prueba Demuestre que s i u y v son vectores en R",
adecuada del texto. Si la expresi6n es falsa, proporcione un entonces
ejemplo que muestre que la expres i6n no es cierta en todos u·v = ¼ll u + v ll2 - ¼ll u - vll2 .
los casos o cite del texto una expresi6n adecuada. 83. Prueba Demuestre que los vectores u = (Cos 0, - Sen
71. (a) La longitud o norma de un vector es 0) y v = (Sen 0, Cos 0) son vectores unitarios ortogona-
les para cualquier valor de 0. Grafique u y v para 0 =
llvll = Iv, + v2 + V3 + · · · + v,,1-
n /3.
(b) El producto punto de dos vectores u y v es otro vec-
84. Prueba Demuestre que llu + vii = llull + llvll si y solo
tor representado por
si u y v tienen la misma direcci6 n.
U • V = (u,v ,, U 2V2, U 3V3, . .. , u,,v,,). 85. Prueba Use las propiedades de la multiplicaci6n
72. (a) Si v es un vector diferente de cero en R", el vector matricial para de mostrar las primeras tres propiedades
uni tario es u = v/JvJ. del Teorema 5.3.
(b) Si u · v
agudo.
< 0, entonces el angul o 0 entre u y v es
(> 86. 00rn!J.YA]£'[jrn l Que se sabe de 0, el angulo
entre dos vectores distintos de cero u y v, bajo cada
Escriba En los ejercicios 73 y 74, escriba un parrafo corto condici6n?
explicando por que cad a una de las expresiones siguientes no
(a) u · v = 0 (b) u · v > 0 (c) u · v < 0
tiene sentido. Suponga que u y v son vectores en R" y que c
es un escalar. 87. Escriba Sea x la soluci6n para el sistema lineal homo-
73. (a) (u · v) - v (b) u + (u · v) geneo de ecuac iones Ax = 0 de m X n. Explique por que
74. (a) (u · v) · u (b) c · (u · v) x es ortogonal a los vectores rengl6n de A.
5.2 Espacios con producto interno

Determinar si una funci6n define un producto interno y encontrar el
■ producto interno de dos vectores en Rn, Mm,n, Pn y C[a, b].
Encontrar una proyecci6n ortogonal de un vector sabre otro vector
■ en un espacio de producto interno.
PRODUCTO INTERNO
En la secci6n 5.1 se ampliaron de R2 a K' los conceptos de longitud, distancia y angulo. En
esta secci6 n se extienden los conceptos mencionados en un paso mas: a espacios vectoriales
en general. Esto se lleva a cabo por medio del concepto de producto interno de dos vectores.
Ya tenemos un ejemplo de un producto intem o: el producto punto en R". Este pro-
ducto, llamado producto interno euclidiano, es s6lo uno de varios productos internos que
es posible definir en R". Para distinguir entre el producto interno estandar y otros posibles
productos internos, se usa la siguiente notaci6 n.
u · v = producto punto (producto interno euclidiano para R11)
(u, v) = producto interno general para el espacio vectorial V.
Para definir un producto interno general se procede casi de la misma manera como se
defini6 un espacio vectorial general. Es decir, se enumera una serie de axiomas que deben
satisfacerse para que una func i6n pueda calificarse como un producto. Los axiomas son
paralelos a las propiedades 1, 2, 3 y 5 del producto punto dadas en el teorema 5.3.
Definici6n de producto interno

Sea u, v y w vectores en un espacio vectorial y sea c cualquier escalar. Un producto
interno en V es una funci6n que asocia un numero real (u, v) con cada par de vecto-
res u y v que cumplen los siguientes axiomas.
1. (u, v) = (v, u)
2. (u , v + w) = (u, v) + (u , w)
3. c(u, v) = (cu, v)
4. (v, v) 2: 0 y (v, v) = 0 si y s6lo si v = 0.
Un espacio vectorial V con un producto interno se llama espacio con producto

interno. Siempre que hagamos refere ncia a un espacio con producto interno, supondremos
que el conjunto de escalares es el conjunto de los numeros reales.
j EJEMPLO 1 El producto interno euclidiano para R'1
Demuestre que el producto punto en R" satisface los cuatro axiomas de un producto
interno.
SOLUCION
En R", el producto punto de dos vectores u = (ui, u2, •.. , u,,) y v = (v 1, v2, .. . , v,,) es
Por el teorema 5.3 sabemos que este producto satisface los cuatro ax io mas requeridos, lo
que verifica que es un producto interno en K'.
El producto interno euclidiano no es el unico producto interno que puede definirse en

R". En el ejemplo 2 se ilustra un producto intemo distinto. Observe que para demostrar que
una funci6n es un producto intemo es necesario demostar que se satisfacen los cuatro
ax iomas del producto interior.
i EJEMPLO 2 Un producto interno diferente en R2

Demuestre que la sig uiente funci6n define un producto intem o en R2, donde u = (u 1, u2)
y V = (V1, V2).
SOLUCION
1. Como el producto de los numeros reaJes es conmutativo,
(u, v) = u 1v 1 + 2u 2 v2 = v 1u 1 + 2v2u 2 = (v, u).

2. Sea w = (w 1, w2), entonces
(u , v + w) = u 1(v 1 + w 1) + 2u 2(v2 + w2 )
= U1V1 + U1W1 + 2u 2V2 + 2 u 2W2
= (u 1v1 + 2u 2v2) + (u 1w 1 + 2u 2 w 2 )
= (u, v) + (u, w).
3. Si c es cualquier escalar, entonces
c(u , v) = c(u 1v1 + 2u 2 v2 ) = (cu 1)v 1 + 2(cu 2)v2 = (cu, v).
4. Ya que el cuadrado de un numero real es no negativo,
(v, v) = v 12 + 2v} ::c: 0.
Ademas, esta expresi6n es igual a cero si y s6lo si v = 0 (es decir, si y s6lo si v 1 =
V2= 0).
El ejemplo 2 se puede general izar
es un producto interno sobre R". (En el ejercicio 89, se le pide que demuestre esto). Las
constantes positivas c 1, • • • , c,, se denominan ponderaciones o pesos. Si cuaJquier C; es
negativo o cero, e ntonces la funci6n anterior no define un producto intemo.
, EJEMPLO 3 Una funci6n que no es un producto interno
Demuestre que la siguiente funci6 n no es un producto interno en R3, do nde u = (u 1, u 2,

U3) y V = (111, V2, V3).
(u, v) = U 1ll1 - 2 U2ll2 + U3 V3
SOLUCION
Observe que el axioma 4 nose satisface. Por ejernplo, sea v = (I, 2, I). Ento nces (v, v) =
(1)( 1) - 2(2)(2) + (1)( 1) = -6, que es menor que cero.
EJEMPLO 4 Producto interno sobre M 2 ,2
011
Sean A = [ b 12 ] matrices en el espacio vectorial M2 _2 . La funci6n
Oz1 h 22
(A, B) = a11b11 + 0 21h2 1 + 0 12h12 + G22b 22

es un producto intem o sobre M2 _2 . La comprobaci6n de los cuatro axio mas de! producto
interno se dej a como ejercicio. (Yease el ejercicio 27.)
5.2 Espacios con producto i nterno 23 9
A partir del calculo se obtiene el producto interno que se describe en el siguiente

ej emplo. La comprobaci6n de las propiedades de! producto intemo depende de las propie-
dades de la integral de finida.
Un producto interno definido por una integral

EJEMPLO 5 definida (calculo)
Seanfy g funciones continuas de valores reales en el espacio vectorial C[a, b]. Demuestre que
(f, g)
rb
= LJ(x)g(x) dx
define un producto interno sobre C[a, b].
SOLUCION
Puede utilizar propiedades del calculo para verificar cada una de las cuatro partes de la
defi nici6n.
1. (f, g) = f t(x)g(x) dx = f g(x)f(x) dx = (g,f)
2. (f, g + h) = f t(x)[g(x) + h(x)] dx = f [f(x)g(x) + f (x)h(x)] dx
= f t(x)g(x) dx + f t(x)h(x) dx = (f, g) + (f, h)
3. c(f, g) = c f t(x)g(x) dx = f cf(x)g(x) dx = (cf, g)

4. Ya que [f (x)J 2 ~ 0 para toda x, se sabe del calculo que
(f,f) = f [f(x)]2 dx ~ 0
con
(f,f) = f [J(x)]2 dx = 0
si y solo si f es la funci6n cero en C[a, b] o si a = b.

El siguiente teorema enlista algunas propiedades de los productos internos.
TEOREMA 5.7 Propiedades de los productos internos

Sean u, v y w vectores en un espacio V con producto interno y sea c cualquier
numero real.
1. (0, v) = (v, 0) = 0
2. (u + v, w) = (u, w) + (v, w)
3. (u , cv) = c(u , v)
DEMOSTRACION
Se demostrara la primera propiedad y la demostraci6n de las otras dos se dej an como
ej ercicio. (Yeanse los ejercicios 9 1 y 92.) A partir de la definici6n de producto intemo se
sabe que (0, v) = (v, 0), de modo que basta demostrar que uno de los dos es cero. Usando
el hecho de que O(v) = 0
(O, v) = (O(v), v)
= O(v, v)
= 0.
La definici6n de norma (o lo ngitud), distancia y angulo para espacios generales con

producto interno son bastante semejantes a las correspondientes para el espacio euclidiano
n-dirnensional.
Definici6n de norma, distancia y angulo

Sean u y v vectores en un espacio V con producto intemo.
1. La norma (o longitud) de u es ll u ll = ✓(u, u).
2. La distancia entre u y v es d(u, v) = ll u - v ll-
3. El angulo entre dos vectores diferentes de cero u y v esta dado po r
(u, v)
cos e= ll u ll ll v ll'
o :s e :s 7T.
4. u y v son ortogonales si (u , v) = 0.
Si llvll = I , ento nces v se llama vector unitario. Ademas, si v es cualquier vector

V
diferente de cero en un espacio V con producto interno, ento nces el vector u = M es
unitario y se denornina vector unitario en la direccion de v.
Observe que la defi nici6n del angulo e entre u y v presupone que
(u, v)
1 1
- :s ll u ll llv ll :s
para un producto intem o general, el cuaJ se sigue a partir de la desig ualdad de Cauchy-
Schwarz que se dara despues, en el teorema 5.8.
EJEMPLO 6 Obtenci6n de productos internos
Para los polino rnios p = a0 + a,x + • • • + a,,x y q = b0 + b 1x + · ·· + b,,x" en el espacio

vectori al P"' la funci6 n (p, q) = aobo + a 1b 1 + ... + a11b11 • Es un producto intemo. (En el
ejercicio 34, se le pide que demuestre esto.) Si p(x) = l - 2x2, q(x) = 4 - 2x + x 2 y r(x)
= x + 2x2 son polino rnios en P 2, determine
a. (p, q) b. (q, r) c. llq ll d. d(p, q)
SOLUCION
a. El producto interno de p y q es
(p, q) = a0 b0 + a 1b 1 + Gib2 = (1)(4) + (0)(-2) + (-2)(1) = 2.
b. El producto intemo de q y r es (q, r) = (4)(0) + (-2)( 1) + ( 1)(2) = 0.

Observe que los vectores q y r son ortogonales.
c. La nonua deqes llq ll = J(q,q) = J42 + (-2)2 + 12 = ✓2l.
d. La distancia entre p y q es
d(p,q) = IIP - q ll
= 11(1 - 2x 2 ) - (4 - 2x + x 2)II
= 11-3 + 2x - 3x 2 II
= ✓(-3)2 + 22 + (-3)2
=m.
La ortogonalidad depende del producto interno particular utilizado. Esto es, dos vec-
tores pueden ser ortogonales respecto a un producto intem o, pero no para otro. Intente
reescribir e l ejemplo 6 usando el producto interno (p, q) = a0 b0 + a 1b 1 + 2a 2b2. Con este
producto intem o, el unico par ortogonaJ esp y q, pero q y r no es.
5.2 Espacios con producto i nterno 2 41
NOTA TECNOLOGICA
[ EJEMPLO 7 Uso del producto interno en C[0, 1) (calculo)
programas de computacion
contienen rutinas para aproxi- Utilice el producto intemo definido en el ejemplo 5 y las funciones f(x) =x y g(x) = x2
mar integrales definidas. Por en C[0, I] para determinar
ejemplo, en algunas aplicacio-
nes usted puede utilizar el a. IIJII b. d(j, g)
comando fnlnt para verificar el
ejemplo 7(b). Este puede verse SOLUCION
asi
a. Como f(x) = x, tenemos
~(fninl((x-x2) ~,x,0 ,1
))
. 182574185835
llf11 =2 (f,f) =
J(x)(x) dx
0
I
= l1
0
x 2 dx = [~3] 1=
3 0
l
-.
3
Asf, lltll = ~-
b. Para encontrar d(f, g) escribimos
[d(f, g)]2 = (f- g,f- g)
El resultado debe ser aproxima-
1
damente 0 .183 "" )35" = L U(x) - g(x)]2 dx = L[x - x 2 ]2 dx
programacion para estas aplica- (1
= Jo [x2 - 2x3 + x4] dx =
[x33 - 2x4 + x55]1o = 30·I
ciones/programas relatives al
ejemplo 7(b) estan disponibles
I
en la Online Technology Guide,, A sf, d(f, g) = fio•
disponible en
www.cengage.com
En el ejemplo 7, usted encontr6 que la distancia entre las funcionesf(x) = x y g(x) =
ment os d~ Algebra Lineal 7e
x2 en C[0, l] es 11.)36"" 0.183. En la practica, la distancia real entre un par de vectores
no es tan util como la distancia relativa entre algunos pares. Por ejemplo, la distancia entre
g(x) = x2 y h(x) = x2 + l en C[0, l] es l (Yerifique esto). A partir de la Figura 5.10, parece
razonable decir que/y g con mas cercanos que g y h.
y y
J(x) =r
~ (x) =x2 ]
I 2 I 2
I
d(f, g) = v'30 d(h, g) = I
Figura 5.10
Las propiedades de longitud y distancia enumeradas para R" en la secci6n anterior

tambien son validas para el producto interno en espacios generales con productos internos.
Por ejemplo, si u y v son vectores en un espacio con producto interno, entonces se cumplen
las siguientes propiedades.
Propiedades de la 11orma Propiedades de la disla11cia
1. l ull ~ o 1. d(u , v) ~ 0
2. l ull = 0 si y s6lo si u = 0. 2. d(u , v) = 0 siy s6lo si u = v.

3. l cull = !cl !lull 3. d(u , v) = d(v, u)
242 Capitu lo 5 Espacios con producto i nterno
El teorema 5.8 enumera las versiones de! producto interno en espacios generales para
la desigualdad de Cauchy-Schwarz, la desigualdad del triangulo y el teorema de Pitagoras.
TEOREMA 5.8
Sean u y v vectores en un espacio V con producto interno.
1. Desigualdad de Cauchy-Schwarz: l(u, v)I :5 llull l vll
2. Desigualdad de! triangulo: l u + vii :5 llull + l vll
3. Teorema de Pitagoras: u y v son ortogonales si y solo si
l u + vll 2 = l ull 2 + llvll2-
Las demostraciones de estos tres axiomas son semejantes a las de los teoremas 5.4,
5.5 y 5.6. Simplemente se sustituye (u, v) por el producto interno euclidiano u · v.
Ejemplo de la desigualdad
EJEMPLO 8
de Cauchy-Schwarz (calculo)
Seanf (x) = 1 y g(x) = x funciones en el espacio vectorial C[O, l], con el producto interno
definido en el ejemplo 5. Compruebe que i<J, g>I ::s l Jll 11811-
SOLUCION
Para el !ado izq uierdo de esta desigualdad tenemos
1
f(x)g(x) dx f x dx x-']I
I
(f, g) =
L 0
=
2 0
=
0
= -J.
2
Para e l !ado derecho de la desigualdad se tiene
Iii 11 2 = f f(x)f(x) dx = L dx = xI = l
lg(x)g(x) flx dx 3]1

Ilg12 =
f
0
dx =
0
2 = -:._
3 0
I
= -.
3
Por consiguiente,
IIJll llgll = ~ = ~ = o.577 Y l(J,g)I :5 IIJll l gll-
ALGEBRA El concepto de trabajo es importante para los cientfficos e ingenieros

para determinar la energ fa necesaria para realizar diversas labores. Si
LINEAL una fuerza constante F actua en un angulo 0 con la recta de movi-
APLICADA miento de un objeto para mover el objeto del punto A al punto B
(vease la Figura a continuaci6n), entonces el trabajo W hecho por la
fuerza esta dado por
W = (cos 0)II FII I ABII

= F · AB
Donde AB representa el segmento de recta dirigido de A hacia 8.
La cantidad (cos 0)IIFII es la longitud de la proyecci6n ortogonal de F
sobre AB. Las proyecciones ortogonales se discuten en la siguiente
pagina.
[I' ---------□
A 8
Andrew LundquisVShutterstock Com
PROYECCIONES ORTOGONALES EN ESPACIOS

CON PRODUCTO INTERNO
Sean u y v veclores en R 2 . Si v es djferente de cero, entonces se puede proyectar ortogo-
nalmente u sobre v, como se muestra en la figura 5.1 1. Esta proyecci6n se denota por
proyvu . Dado que proy,.u es un multiplo escalar de v, podemos escribir
proyvu = av .
Si a> 0, como se muestra en la figura 5.1 1(a), entonces cos 0 > 0 y la longitud de proyvu es
ll u ll ll vll cos 0u·v
lla v ll = lal llvll = a llv ll = ll u ll cos 0 = '-'----"-'"---"-- =-
llv ll llv ll
lo cual implica que a = (u · v)/ll v ll2 = (u · v)/ (v · v). Asf,
u ·v
proyvu = - - v.
v·v
Si a < 0, como se muestra en la figura 5. 11(b), entonces puede demostrarse que la proyec-
ci6n ortogonal de u sobre v es la misma formula. (Verifique esto.)
V
• proyvu = av, a< 0
proyvu = av, a> 0
Figura 5.11
EJEMPLO 9 Obtenci6n de la proyecci6n ortogonal de u sobre v
En R2, la proyecci6n ortogonal de u = (4, 2) sobre v = (3, 4) esta dada por

2 3 4
proyvu
u ·v
= ;-:-;v = (3, 4)
(4, 2) · (3, 4)
. (3, 4) (3, 4) =
20
25 (3, 4)
( 12
= 5 '5
16)
Figura 5.12
como se muestra la figura 5. 12.
COM ENTARIO Una proyecci6n ortogonal en un espacio con producto interno general se define como
sigue.
Si v es un vector unitario,
entonces {v, v) = 1Jvjj2 = 1 y la
formula para la proyecci6n orto- Definici6n de proyecci6n ortogonal
gonal de u sobre v toma la
forma mas simple
Sean u y v vectores en un espacio V con producto interno, tal que v -::/= 0. Entonces,
la proyeccion ortogonal de u sobre v esta dada por
.....__proyvu
_______
= f> (u, v)v.
(u, v)
proyvu = -(- ) v.
v, v
4
EJEMPLO 10 Determinaci6n de la proyecci6n ortogonal en R3
2
Util ice el producto interno euclidiano, en R3, para encontrar la proyecci6n ortogonal de u
(6, 2, 4)
= (6, 2, 4) sobre v = (1, 2, 0).
SOLUCION
y Como u · v = lO y llvll2 = v · v = 5, la proyecci6n ortogonal de u sobre v es
X 6 (2, 4, 0)• u·v lO
proyvu =- v =- ( I, 2, 0) = 2(1, 2, 0) = (2, 4, 0)
v·v 5
Figura 5.13 como se muestra en la figura 5.13.
•I Observe en el ejemplo que u - proy.u = (6, 2, 4) - (2, 4, 0) = (4, - 2, 4) es ortogonal

a v = (1 , 2, 0). Esto es c ierto en general: si u y v son vectores djferentes de cero en un
I
I
I
: d(u , proyvu) espacio con producto intemo, entonces u - proy.u es ortogonal a v. (Vease el ejercicio 90.)
I
Una importante propiedad de las proyecc iones o rtogonales usada en mode lac i6n
--------------•
proy.u
V
matematica (vease la Secci6n 5.4) esta dada por el sig uiente teorema, el cual afirma que
de todos los posibles multiplos escalares de un vector v, la proyecci6n ortogonal de u sobre
v es la mas pr6xima a u, como se observa en la figura 5.14. Asf, en el ejemplo 10, este
teorema implica que, de todos los posibles multiplos escalares de un vector v = ( I , 2, 0),
el vector proyvu = (2, 4, 0) es el mas cercano a u = (6, 2, 4). Se le pedrra que demuestre
\ d(u, cv) explfcitamente esto en el ejercicio 101.
'
TEOREMA 5.9 Proyecci6n ortogonal y distancia
CV
V
Sean u y v dos vectores en un espacio V con producto intem o, de modo que v * 0.
Entonces,
Figura 5.14
c i= (u, v)
( , proyvu ) < d (u, CV ),
du (v, v).
DEMOSTRACION
Sea b = (u, v)/(v, v). Entonces podemos escribir
ll u - c v ll 2 = ll(u - bv) + (b - c)v ll 2
donde (u - bv) y (b - c)v son ortogonales. Usted puede verificar esto aplicando los axio-
mas del producto interno para demostrar que ((u - bv), (b - c)v) = 0. Ahora, por el teo-
rema de Pitagoras, puede escribir
ll(u - bv) + (b - c)v ll 2 = ll u - bv ll 2 + ll(b - c)v ll2
lo cual implica que
ll u - cv ll2 = ll u - bv ll2 + (b - c)2ll vll2 •

Como b i= c y v i= 0, se sabe que (b - c)2 llvll2 > 0. Asf que
ll u - bv ll2 < ll u - cv ll2
y puede concluir que d( u, bv) < d(u , cv).
En el siguiente ejemplo se analiza un tipo de proyecci6n ortogonal en el espacio con

producto interno C[a, b].
Obtenci6n de la proyecci6n ortogonal

j EJEMPLO 11
en C[a, b] (calculo)
Seanf(x) = I y g(x) = x funciones en C[O, I ]. Utilice el producto intemo definido en el
ejemplo 5,
(f, g) =f f(x)g(x) dx
para hallar la proyecci6n ortogonal def sobre g.

SOLUCION
Del ejemplo 8 sabemos que
I I
(f,g) =2 y (g,g) = 118 11 2 = 3'
Por lo tan to, la proyecci6n ortogonal def sobre g es
(J, g) 1/ 2 3
proygf = (g,g)g = l/3x = 2x.
5.2 Ejercicios 245
Mostrar que una funci6n es un producto interno En Mostrar que una funci6n es un producto interno En
Jos Ejercicios 1-4, muestre que la funci6n define a un pro- los Ejercicios 27 y 28, sean
ducto interno en R 2 , donde u = (u 1, u2) y v = (v 1, v2).
1. (u, v) = 3u 1v 1 + u 2 v2 2. (u, v) = u 1v1 + 5u 2 v2
3. (u, v) = ½u 1v1 + ¼
u2 v2 matrices e n el espacio vectorial M2 _2 . Muestre que la funci6n
4. (u, v) = 2u 1v2 + u 2v 1 + u 1v2 + 2u 2 v2 define in producto intemo en M 2_2 .
Mostrar que una funci6n es un producto interno En

27. (A, B) = a 11 b 11 + a21 b21 + a 12b 12 + a 22b22
los Ejercicios 5-8, muestre que la funci6n define a un pro- 28. (A, B) = 2a 11 b 11 + a 21 b21 + a 12b 12 + 2a22b22
ducto interno en R3, donde u = (u 1, u2 , u3) y v = (v 1, v2, v3).
Determinaci6n de Producto interno, Longitud y Dis-
5. (u, v) = 2u 1v 1 + 3u 2 v2 + u 3 v3 tancia En los ejercicios 29 a 32, utilice el producto inte rno
6. (u, v) = u 1v1 + 2u2 v2 + u 3 v 3 (A, B) = 2a 11 b 11 + a 12b 12 + a 21 b21 + 2a22b 22 para encontrar
7. (u, v) = 2u 1v1 + u 2 v2 + 2u 3 v3 (a) (A, B), (b) !!All, (c) 11B11 y (d) d(A, B) para las matrices en
I I I
( U , V) = 2U I VI + 4UzVz + 2U3V3 M2.2
8•
Mostrar que una funci6n no es un producto interno En

29. A = [-1 4 -~l B = [~ -~]
los ejercicios 9 a 12, establezca por que (u, v) no es un pro-
ducto interno para u = (u, u ) y v = (v, v) en R 2.
9. (u, v) = u 1v1 10. (u, v) = u 1v1 - 2u 2 v2
30. A=[~ ~], B = [~ ~]
11. (u, v) = ui2v 12 - u:fv:f 12. (u, v) = 3u 1v2 - u2 v1 31. A = [~ - I]
4 '
B= [ 0
-2 ~]
Mostrar que una funci6n no es un producto interno En
los ejercicios 13 a 16, establezca por que (u, v) no es un
32. A = [~
-~l B = [~ - ~]
producto intemo para u = (u 1, u2 , u3) y v = (v 1, v2, v3) en R3. Mostrar que una funci6n es un producto interno En
13. (u, v) = -u 1u2 u 3 Jos Ejercicios 33 y 34, muestre que la funci6n define a un
producto interno.
14. (u, v) = u,v, - U 2V2 - U 3 V3
33. (p, q) = a0b0 + 2a 1b 1 + a 2 b2 , para p(x) = a0 + a,x +
15. (u, v) = u i2v 12 + u:fv:f + u}vf ¥ 2 y q(x) = b0 + b 1x + bzX 2 en P2
16. (u, v) = u 1u 2 + v1v2 + u 3 v3
34. (p, q) = a0b0 + a 1b 1 +- · + a,,b,,, para p(x) = a0 +
Determinaci6n de Producto interno, Longitud y Dis- a1x + · · · + a,,x" y q(x) = b0 + b 1x + • • • + b,,x"
tancia En los ejercicios 17 a 26, determine (a) (u, v), (b) en P,,
!lull, (c) l vll y (d) d(u , v) para el produc to interno dado defi- Determinaci6n de Producto interno, Longitud y Dis-
nido en R".
tancia En los ejercicios 35 a 38, utilice el producto intemo
17. u = (3, 4), v = (5, - 12), (u, v) = u · v (p, q) = aob0 + a 1b 1 + a2b2 para encontrar (a) (p, q), (b) IIPII,
18. u = (I, 1), v = (7,9), (u , v) = u · v (c) l!qll y (d) d(p, q) para los polinomios en P 2•
19. u = (-4,3), v = (0,5), (u,v) = 3u 1v1 + u2 v2 35. p(x) = 1 - x + 3x 2 , q(x) =x - x2
20. u = (0, -6), v = (- 1, 1), (u,v) = u 1 v 1 + 2u 2 v2 36. p(x) = I + x + ½x 2 , q(x) = I + 2x 2
21. u = (0, 9, 4), v = (9, -2, -4), (u, v) = u · v 37. p(x) = I + x 2 , q(x) = L - x 2
22. u = (0, 1, 2), v = (1, 2, 0), (u, v) = u · v 38. p(x) = I - 2x - x 2 , q(x) = x - x2
23. U = (8, 0, - 8), V = (8, 3, J6), Cal cu lo En los ejerc icios 39 a 42, use las funciones f y g
(u , v) = 2u 1v 1 + 3u 2 v2 + u3 v3 dadas en C[-1, I] para encontrar (a) (f, g), (b) IIJII, (c) Ilg!! y
24. u = ( 1, I, 1), v = (2, 5, 2), (d) d(f, g) para el producto intemo
(u, v) = u 1v1 + 2u 2 v2 + u 3 v 3
25. u = (2, 0, I, - 1), v = (2, 2, 0, I), (u, v) = u · v
(/, g) = f /(x)g(x) dx.
26. U = (J, - 1,2, 0), V = (2, J, 0,- 1), 39. J(x) = 1, g(x) = 3x 2 - I
(u , v) =u · v 40. J(x) = - x, g(x) = x 2 - x + 2
41. f (x) = x, g(x) = ex 42. f(x) = x, g(x) = e-x
Determinaci6n de un angulo entre dos vectores En 63. Calculo f(x) = x, g(x) = ex,
los Ejerc icios 43-52, encuentre el angulo 0 entre los vectores.
43. u = (3, 4), v = (5, - 12), (u , v) = u · v (f, g) = f1cx)g(x) dx
44. u = (2, - 1), v = (½, 1), (u , v) = u · v
64. Calculo f(x) = x, g(x) = e-x,
45. u = (-4,3), V = (0,5), (u,v) = 3u1V1 + U2V2
46. U =(¼, -1), V = (2, 1), (/, g) = L f(x)g(x) dx
(u, v) = 2U1V1 + U 2V2
47. u = (I , I , I), v = (2, -2,2), Calculo En los ejercicios 65 a 68, demuestre quefy g son
(u , v) = U1 V1 + 2U2V2 + U 3V3 ortogonales en el espacio con producto interno C[a, b ] ,
48. u = (O, 1, -1), v = (1, 2, 3), (u , v) = u · v donde el producto interno esta dado por
49. p(x) = 1 - x + x 2 , q(x) = 1 + x + x 2,

(J,g) = ff(x)g(x)dx.
(p, q) = a 0b 0 + a 1b 1 + Gib1
SO. p(x) = I + x2, q(x) = x - x 1 , 65. C[ - n /2, n / 2], f(x) = Cosx, g(x) = Senx
(p, q) = a 0b 0 + 2a 1b 1 + Gib2 66. C[ -1, 1], f(x) = x, g(x) = ½(3x 2
- 1)
51. Calculo f(x) = x, g(x) = x 2
, 67. C[ -1, 1], f(x) = x, g(x) = ½(5x 3 - 3x)
68. C[0, n], f(x) = I, g(x) = Cos(2nx),
(J,g) = L t(x)g(x)dx n = I, 2, 3, .. .
52. Calculo f(x) = I , g(x) = x 2, Determinaci6n y graficas de proyecciones ortogonales

en R2 En los ejercicios 69 a 72, (a) determine proyvu,
(J,g) = L t(x)g(x)dx (b) encuentre proyuv, y (c) trace la grafica de ambos resulta-
dos. Use el producto interno euclidiano.
Verificaci6n de desigualdades En los Ejercicios 53-64, 69. U = (1, 2), V = (2, 1)
verifique (a) la desigualdad de Cauchy-Schwarz y (b) la des- 70. U = (- 1, - 2), V = (4,2)
igualdad del triangulo para lo s vectores y productos internos 71. u = ( - I, 3), v = (4, 4)
dados.
72. u = (2, - 2), V = (3, I)
53. u = (5, 12), v = (3, 4), (u, v) = u · v
54. u = (-1 , 1), v = ( 1, -1 ), (u,v) = u · v Determinaci6n de proyecciones ortogonales en R2 En
los ejercicios 73 a 76 halle (a) proyvu y (b) proy uv. Use el
55. u = ( 1,0,4), = (-5, 4, 1), (u , v) = u · v
v
producto interno euclidiano.
56. u = (1, 0,2), v = (1,2, 0), (u, v) = u · v
73. U = (1, 3, - 2), V = (0, - 1, 1)
57. p(x) = 2x, q(x) = 3x 2 + I,
74. U = ( J,2, - 1), V = (- J, 2, - 1)
( p , q) = aobo + a1b1 + Gib2 75. U = (0, 1,3, -6), V = (- ), 1, 2, 2)
58. p(x) = x, q(x) = I - x 2,
76. U = (- 1,4, -2,3), V = (2, -) , 2, -J)
( p, q) = a 0b 0 + 2a 1b 1 + a 2 b 2
0 3 3 Calculo En los ejercicios 77 a 84, determine la proyecci6n
59. A = [ ] B = [- ortogonal defsobre g. Aplique el producto interno en C[a, b]
2 1 ' 4
(A, B) = G11b11 + G11b21 + G12b1 2 + G21b 11
(J,g) = ff(x)g(x)dx.
60. A = [0 I].
2 - I
B = [ I I],
2 - 2
77. C[- I, I], f(x) = x, g(x) = I
(A, B) = a11b11 + a 2 1b21 + a.12b12 + a 22b 22 78. C[ - I , I J, f(x) = x x, g(x) = 2x - I
3 -
61. Calculo f(x) = Senx, g(x) = Cosx, 79. C[0, I], f(x) = x, g(x) = e-'
80. C[0, l ], f(x) = x, g(x) = e-x
(J, g) = Lr/f(x)g(x) dx
4
81. C[ - n , n], f(x) = Sen x, g(x) = Cosx

62. Calculo J(x) = x, g(x) = Cosnx, 82. C[ - n, n], f(x) = Sen 2x, g(x) = Cos 2x
83. C[ - n , n], f(x) = x, g(x) = Sen 2x
(f, g) = i ~(x)g(x) dx 84. C[ - 'TT, n], f(x) = x, g(x) = Cos 2x
5.2 Ejercicios 247
lVerdadero o falso? En los ejercicios 85 y 86, determine 94. Utilice el resultado del ejercicio 93 para encontrar w.1
cual de las expresiones es verdadera o falsa. Si la expresi6n cuando Wes un subespacio generado por (1, 2, 3) en
es verdadera, proporcione una raz6n o cite una expresi6n V = R3 .
adecuada del texto. Si la expresi6n es falsa, proporcione un 95. Demostraci6n guiada Sea (u, v) el producto intemo
ejemplo que muestre que la expresi6n no es cierta en todos euclidiano en R". Utilice el hecho de que (u, v) = uTv
los casos o cite del texto una expresi6n adecuada. para demostrar que para cualquier matriz A de n X n
85. (a) El producto punto es el un ico producto interno que (a) (ATu , v) = (u, Av)
se puede definir en R".
y
(b) Un vector distinto de cero en un producto interno
(b) (ATAu, u) = IIAu ll 2 .
puede tener una norma de cero.
86. (a) La norma del vector u esta definida por el angulo lnicio: Para demostrar (a) y (b), puede utilizar las pro-
entre el vector u y eje x positivo. piedades de las transpuestas (teorema 2.6) y las propie-
(b) El angulo 0 entre un vector v y la proyecci6n de u dades del producto punto (teorema 5.3)
sobre v es obtuso si el escalar a < 0 y agudo si a > (i) Para demostrar el inciso (a), puede repetir el uso de
0, donde av = proyvu. la propiedad (u, v) = uTv y la propiedad 4 del teo-
87. Sean u = (4, 2) y v = (2, -2) dos vectores en R2 con el rema 2.6.
producto intemo (u, v) = u 1v1 + 2u2 v2. (ii) Para demostrar e l inciso (b), puede utilizar la pro-
(a) Demuestre que u y v son ortogonales. piedad (u, v) = urv, la propiedad 4 del teorema 2.6
(b) Dibuje los vectores u y v. i,Son ortogonales en el y la propiedad 4 del teorema 5.3.
sentido euclidiano?
88. Prueba Demuestre que
ll u + v ll 2 + ll u - vll2 = 2ll u ll 2 + 2ll v ll 2 (a) Explique c6mo deterrninar si una funci6n dada
para cualesquiera vectores u y v en un espacio V con define un producto interno.
producto interno.
(b) Sean u y v vectores en un espacio con producto
89. Prueba Demuestre que la funci6n es un producto
interno para R".
*
interno V ta! que v 0. Explique c6mo encontrar la
proyecci6n ortogonal de u sobre v.
(u, v) = c 1u 1v 1 + c2u 2 v2 + · · · + c11u,,v,,, C; > 0
90. Prueba Sean u y v vectores diferentes de cero en un Determinaci6n de la ponderaci6n de un producto
espacio V con producto intemo. Demuestre que u - proy vu interno En los Ejercicios 97-100, encuentre c 1 y c 2 para el
es ortogonal av. producto intemo de R2 dado por
91. Prueba Demuestre la propiedad 2 del teorema 5.7: Si
u , v y w son vectores en un espacio con producto
interno, entonces (u + v, w) = (u, w) + (v, w). ta! que la grafica represente una elipse unidad como se muestra.
92. Prueba Demuestre la propiedad 3 de! teorema 5.7: Si 97. )'
98. y
u y v son vectores e n un espacio con producto interno y 4
c es un escalar, entonces (u, cv) = c(u, v).
93. Demostraci6n guiada Sea W un s ubespacio del
espacio V con producto interno. Se define: X X
-3 3
W.L = {v E V: (v, w) = 0 para toda w E W}
-2
Demuestre que el conjunto w.1 es un subespacio de V.
-3 -4
Inicio: Para demostrar que W- es un subespacio de V,
usted debe demostrar que w.1 no es un conj unto vacfo y 99. y
100.
)'
que las condiciones de cerradura para un subespacio se 5 6

cumplen (teorema 4.5) 4
(i) Encuentre un vector en w.1 para concluir que no es llull = l
vacfo. X X
-5 -3 3 5 -6 6
(ii) Para demostrar la cerradura de W- bajo la suma,
usted necesita demostrar que (v 1 + v2, w) = 0 para -4
toda w E W y para todo v 1, v2 E w.1. Utilice las -5 -6
propiedades de los productos internos y el hecho de
que (v 1, w) y (v2, w) son cero para demostrar esto. 101. Los dos vectores de! ejemplo JO son u = (6, 2, 4) y
(iii) Para demostrar la cerradura bajo la multiplicaci6n v = ( I , 2, 0). Sin usar el teorema 5.9, demuestre que
por un escalar, proceda como en el inciso (ii). Usted entre todos los multiplos escalares cv de! vector v, la
debe aplicar las propiedades de los productos inter- proyecci6n de u sobre v es el vector mas cercano a u ,
nos y la condici6n de pertenencia a w-. es decir, demuestre que d(u , proyvu) es un minimo.
5.3 Bases ortonormales: proceso de Gram-Schmidt

Mostrar que un conjunto de vectores es ortogonal y forma una base
■ ortonormal y representa a un vector respecto a una base ortonormal.
■ Aplicar el proceso de ortonormalizaci6n de Gram-Schmidt.
CONJUNTOS ORTOGONALES Y ORTONORMALES

En la secci6n 4.7 vi mos que un espacio vectorial puede tener muchas bases distintas.
mientras estudiamos esa secci6n, quiza haya obsevado que ciertas bases son mas conve-
nientes que otras. Por ejemplo, R3 tiene la conveniente base estandar B = {( I, 0, 0),
(0, l , 0), (0, 0, l) }. Este conj unto es la base esttindar de R3 porque tiene caracterfsticas
especiales particularmente utiles. Una caraclerfstica importante es que los tres vectores de
la base son mutuamente ortogonales. Es decir,
( 1, 0,0) · (0, 1,0) = 0
( l ,0,0) · (0,0, 1) = 0
(0, 1, 0) · (0, 0, 1) = 0.
Una segunda caracterfstica importante es que cada vector de la base es un vector unitario.
En esta secci6n se definen algunas ventajas que poseen las bases que constan de vec-
tores unitarios mutuamente ortogonales y se desarrolla un procedimiento, denominado el
proceso de ortonormalizaci6n de Gram-schmidt, para construir estas bases.
Definici6n de conjuntos ortogonales y conjuntos ortonormales

Un conjunto s de vectores en un espacio V con producto interno se llama ortogonal
si todo par de vectores en s es ortogonaJ. Si, ademas, cada vector en este conjunto es
unitario, entonces s se denomina ortonormal.
Paras = {v 1, v2, .. . , v,,}, esta definici6n tiene la forma que se muestra enseguida.
Ortogo,zal Orto11or111a/
1. (v;, v) = 0, i *j 1. (v;, v) = 0, i *j
2. llv;II = I , i = I , 2, . . . , n
Si s es una base, entonces se denomina base ortogonal o base ortonormal, respectiva-
mente.
La base estandar para R" es ortonormaJ, aunque no es la unica base ortonormal de R".
Por ejemplo, una base ortonormal no estandar de R3 puede formarse efectuando una rota-
ci6n de los ejes alrededor del eje z para obtener
B = {(cos 0, sen 0, 0), (-sen 0, cos 0, 0), (0, 0, l )}
coma sc mucstra en la figura 5.15. intcntc comprobar quc cl producto punto de dos vccto-
res cualesquiera di ferentes entre sf en Bes igual a cero y que todo vector en B es unitario.
Figura 5.15
5.3 Bases ortonormales: proceso de Gram -Schmidt 249
En el ejemplo siguiente se describe otra base ortonormal no estandar para R3•
EJEMPLO 1 Una base ortonormal no estandar para R3

Demuestre que el conjunto que aparece en seguida es una base ortonormal para R3 .
S = {v, , V2, V3} = { ( }i. }i, 0) , (- ' ; , ' ;, 2 f),G,-~, ~)}

SOLUCION
Primero, demuestre que los tres vectores son mutuamente ortogonales.
1 I
v1 • v2 = -
6 6+ 0 = 0
+
2 2
V 1 ' V3 = -- - -- + 0 = 0
3fi 3fi
V • V
./2
= -- - -
./2 + -
2./2
-= 0
2 3
9 9 9
./2 2./2) Ademas, cada vector es de longitud 1, ya que

(- ./2
6 ' 6 . 3
k
V2
•
I llv1II= ~ = J½ + ½ + 0 = I
llv2II = ✓v2 • v2 = J-k + f6 + ~ = I
IIv3II = ~ = J~+ ~ + ~ = 1.
./2 , ./2 , o) >'
X
• ( I I
Por consiguiente, S es un conjunto ortonormal. Dado que los tres vectores no son coplana-
Figura 5.16 res (vease la f-igura 5.16), se sabe que generan a R3. Entonces, por el teorema 4. 12 forman
una base ortonormal (no estandar) para R3 .
EJEMPLO 2 Una base ortonormal de P 3
En P3, con el producto interno

(p, q) = a0b0 + a 1b 1 + a2 b2 + a3b3
la base estandar B = {l , x, x2, x3} es ortonormal. La verificaci6n de esto se deja como
ejercicio. (Vease el ejercicio 19.)
ALGEBRA El analisis del t iempo-frecuencia de seiiales fisiol6gicas irregulares,

como las variaciones latido a latido del r itmo cardiaco (tambien cono-
LINEAL cido como variabilidad de la frecuencia cardiaca o VFC), puede se r
APLICADA dificil. Esto se debe a que la estructu ra de una seiia l puede incluir
multiples componentes peri6dicos, no peri6dicos y pseudoperi6dicos.
Los investigadores han propuesto y validado un metodo simplificado
para el analisis de la VFC llamado distribuci6n de base o rtonormal y
representaci6n de tiempo-frecuencia (OPTR, por sus siglas en ingles).
Este metodo puede detectar cambios abruptos o lentos en la estruc-
tura de la seiial de la VFC, dividir una seiial de la VFC no estacionaria
en segmentos que son " menos no estaci onarios" y determinar patro-
nes en la VFC. Los investigadores encontraron que, a pesar de que
tenia una mala resoluci6 n de tiempo con seiiales que cambiaban gra-
dualmente, el metodo OPTR represent6 con precision cambios multi-
componentes y abruptos en seiiales de la VFC tanto de la vida real
como simuladas. Fu rt ,n r -B, P in r
·i,, e s, tat,on of Cardiac Rhythm Dynamics, Aysin, Benhur,
et al., IEE.E. Transactions on 81omed1ca/ En£ ,n ~-.
Sebasuan Kauhtzki/www shunerstock oom

250 Capitulo 5 Espacios con producto i ntern o
El conj unto ortogonal en el siguiente ejemplo se usa para construir aproximaciones de

Fourier de funciones continuas. (Vease la secci6n 5.5.)
EJEMPLO 3 Un conjunto ortogonal en Q0, 21T] (calculo)
En C[O, 21r], con el producto interno
(J, g) = f 77f(x)g(x) dx
demuestre que el conjunto s = {1, sen x, cos x, sen 2x, cos 2x, ... , sen nx, cos nx) es
ortogonal.
SOLUCION
Para demostrar que el conj unto dado es ortogonal, es necesario que verifique los productos
internos mostrados enseguida, donde m y n son enteros positivos.
{21T
( 1, sen nx) = Jo sen nx dx = 0
r27T
( I, cos nx) = Jo cos nx d.x = 0
(sen mx, cos nx) = i277

sen mx cos nx d.x = 0
Jean-Baptiste Joseph
(sen mx, sen nx) = i217
sen mx sen nx dx = 0, m i= n
Fourier
(1768-1830)
Fourier naci6 en Auxerre,
(cos m.x, cos nx) = i217
cos mx cos nx dx = 0, m i= n
Francia. Es reconocido coma Se verificara uno de los productos anteriores y los demas se dejan como ejercicio. Si
un contribuyente importante m i= n, entonces la formula para reescribir el producto de funciones trigonometricas como
en el campo de la educaci6n una suma puede usarse para obtener
para cientificos, matematicos
27T 1127T
e ingenieros. Sus investiga-
ciones condujeron a impor-
tantes resultados referentes
1
Si m.
0
sen nu: cos nx d.x = -
= n, entonces
2 0
[sen(m + n)x + sen(m - n)x] d.x = 0.
a eigenvalores (Secci6n 7 .1 ),
277
]?-=
ecuaciones diferenciales y
series de Fourier (funciones
de series t rigonometricas).
1 0
sen nix cos mx dx = -1
2m
[ sen 2 mx
o
0.
Sus trabajos forzaron a los El conjunto S en el ejemplo 3 es ortogonal pero no ortononnal. Sin embargo, es posi-
matematicos de la epoca a
ble formar un conjunto ortonormal al normalizar cada uno de los vectores en s. Eso es
reconsiderar la definici6n de
porque
una funci6n.
("
II 1112 = Jo dx = 2 7T
("
llsen nx ll 2 = Jo sen 2 nx dx = 1T
("
llcos nxll2 = Jo cos2 nx dx = 7T
concluimos que e l conjunto

L I l I I }
{ ~ • J;senx, J;cosx,. . . , J; sen nx, h cos nx
es ortonormal. © Science and Society/SuperStock

5.3 Bases ortonormales: proceso de Gram-Schmidt 251
Cada conjunto en los ejemplos I, 2 y 3 es linealmente independiente. La independen-

cia lineal es una caracterfstica de cualquier conjunto ortogonal de vectores diferentes de
cero, como se establece en el siguiente teorema.
TEOREMA 5.10 Los conjuntos ortogonales

son linealmente independientes
Si S = {v 1, v2, . . . , v,,} es un conj unto ortogonal de vectores diferentes de cero en
un espacio V con producto interno, entonces S es linealmente independiente.
DEMOSTRACION
Es necesari o demostrar que la ecuaci6n vectorial
implica que c 1 = c 2 = • • • = c 11 = 0. Para hacer esto, forme el producto interno def !ado
izquierdo de la ecuaci6n con cada vector en S, es decir, para cada i,
((c,v,+ c2v2 + · · · + C;V; + · · + c v v;) = (0, v;)
11 11 ) ,
c 1(v 1, v;) + c2 (v2, v) + · · · + c;(v;, v) + · · · + c (v v) = 0.

11 11
,
Asf, como cada s es ortogonal, (v;, v) = 0 para) i= i y de este modo la ecuaci6n se reduce a
c;(v;, v) = 0.
Pero como cada uno de los vectores en S es diferente de cero, y sabemos que
Asi, cada c; debe ser cero y el conjunto debe ser linealmente independiente.
Como una consecuencia de los teoremas 4. J 2 y 5. 10 obtenemos el siguiente resultado.
Corolario del Teorema 5.10

Si V es un espacio con producto interno de dimension n, entonces cualquier conjunto
den vectores ortogonales diferentes de cero es una base para V.
EJEMPLO 4 Uso de la ortogonalidad para verificar una base
Demuestre que el siguiente conjunto es una base para R4 .
S = {(2, 3, 2, - 2), ( l , 0, 0, l), (- J, 0, 2, l ), (- 1, 2, -1, I)}
SOLUCION
El conj unto S consta de cuatro vectores diferentes de cero. Asf, por el corolario de! teorema
5.10, se puede demostrar que S es una base para R4 al probar que es un conjunto ortogonal,
como sigue
VI ' V2 =2+0 +0 - 2 =0
V1 'v3 = -2 + 0+4 - 2 =0
V 1 ' V4 = -2 + 6- 2 - 2 =0
V2 • V3 =- I+ 0 +0+ I =0
V2 ' V4 =-J+ 0 +0 + J =0
V3 ' V4 =]+0 - 2 + ] =0
S es ortogonal y por el corolario del teorema 5. 10, es una base para R4.
En la secci6n 4.7 se analiz6 una tecnica para determinar la representaci6n de coorde-

nadas con respecto a una base no estandar. Si la base es ortonormal, ento nces ta! procedi-
miento puede perfecc ionarse.
Antes de presentar este resultado consideraremos un ejemplo en R2. En la figura 5.17
se observa que i = ( I, 0 ) y j = (0, I) forman una base ortonormal para R2. Cualquier
vector wen R2 puede representarse como w = w 1 + w 2, donde w 1 = proy;w y w2 = pro-
YjW. Como i y j son vectores unitarios, concluimos que w 1 = (w · i)i y w 2 = (w · j )j. En
consecuencia
w = w 1 + w2 = (w · i)i + (w · j )j = c 1i + c2 j
lo que demuestra que los coeficientes c 1 y c2 son simplemente Los productos punto dew
Figura 5.17 con los vectores basicos respectivos. Este resultado se generaliza en el siguiente teorema.
TEOREMA 5.11 Coordenadas con respecto a una base ortonormal

Si B = {v 1, v2, ... , v,, } es una base ortonormal para un espacio V con producto intemo,
entonces la representaci6n en coordenadas de un vector w con respecto a Bes
w = (w, v 1)v 1 + (w, v2 )v2 + · · · + (w, v,,)v,,.
DEMOSTRACION
Como Bes una base de V, entonces deben existir escalares unicos c 1, c2 , ••• , c,, tales que
W = C 1V 1 + c2v 2 + · · · + C V 11 11
•
Tomando el producto interno (con v;) de ambos lados de esta ecuaci6 n se obtiene
(w, v;) = ((c 1v 1 + c2v2 + · · · + c,,v,,), v;)
= c 1(v 1, v;) + c2 (v2, v;) + · · · + c,,(v,,, v;)
y por la ortogonalidad de B la ecuaci6n anterior se reduce a
(w, v;) = c;(v;, vJ
ya que B es ortonormal, se tiene que (v;, v) = llvf = I y se concluye que (w, v;) = c;.
En el teorema 5. 11 , las coordenadas de w con respecto a la base ortonormal B se

denominan coeficientes de Fourier dew con respecto a B, en honor del matematico fran-
ces Jean-Baptiste Joseph Fourier ( 1768-1830). La matriz de coordenadas correspondiente
de w con respecto a B es
[w]8 = [c, c2 · · · c,,]T = [(w, v1) (w, v2 ) · · · (w, v,,)]T.
Representaci6n de vectores con respecto

EJEMPLO 5 a una base ortonormal
Encontrar las coordenadas de w = (5 , - 5, 2) con respecto a la siguie nte base ortonormal
para R 3
B = {G,t o), (-tt o), (o,o, 1)}

SOLUCION
Dado que B es ortono1mal, es posible aplicar el teorema 5.11 para detemlinar las coorde-
nadas requeridas.
w • v, = (5, - 5, 2) · G, t o) = - 1
W • V2 = (5 , - 5, 2) • (-±5, }5, 0) = - 7
w · V3 = (5, -5, 2) · (0,0, I) = 2
Asf, la matriz de coordenadas con respecto a B es [w ] 8 = [- I - 7 2]7".
5.3 Bases ortonormales: proceso de Gram-Schmidt 253
PROCESO DE ORTONORMALIZACION DE GRAM-SCHMIDT

COM ENTARIO Una vez q ue se han visto las ventajas de las bases ortononnales (lo directo que es la repre-
El proceso de ortonormaliza- sentaci6n de coordenadas), a continuaci6n se considerara un procedimiento para encontrar
ci6n de Gram-Schmidt con- tales bases. Este procedimiento se denomina proceso de ortonormalizaci6n de Gram-
duce a una factorizaci6n matri- Schmidt, en honor de! matematico <lanes Jo rgen Pederson Gram ( 1850-19 16) y del mate-
cial similar a la factorizaci6n-LU
matico aleman Erhardt Schmidt (l 876- I 959). Consta de tres pasos.
estudiada en el capitulo 2.
Usted investigara mas acerca 1. Empezar con una base del espacio con producto interior. No se requiere que sea una
de la factorizaci6n-QR en el
base ortogonal ni que conste de vectores unitarios.
proyecto 1 al final de este capi-
tulo. 2. Convertir la base dada a una base ortogonal.
3. Normali zar cada uno de los vectores de la base ortogonal a fin de obtener una base
ortonormal
TEOREMA 5.12 Proceso de ortonormalizaci6n de Gram-Schmidt
1. Sea B = {v t, v2, . . . , v,, } una base de! espacio V con producto interior.
2. Sea B ' = {w 1, w 2, .•. , w,,}, donde w; esta dado por
(v,,, w,,_ 1)
W,,-1·
( w,,-1, w,,-1 )
Entonces B ' es una base ortogonal para V.
3. Sea U; = ll:~11' Luego, el conjunlo B" = {u t, u2, ... , u,il es una base ortogonal
de V. Ademas, gen {v 1, v 2, ... , vd = gen {u t, u 2, ... , ud para k = 1, 2, ... , n.
En vez de dar una demostraci6n general de

este teorema, parece mas instructivo analizar un
{vt , v 2 ) es una base para R2. caso especial en el que se pueda usar un modelo
geometrico. Sea {vt, v 2 } una base para R 2, como
Figura 5.18 se muestra en la figura 5.18. Para determinar
una base ortogonal para R2, prirnero se elige uno
de los vectores orig inales, por ejemplo Vt.
Luego, se requiere encontrar un segundo vector
que sea ortogonal a Vt. En la figura 5.19 se
observa que v 2 - proyv v 2 tiene esta propiedad. w 2 = v 2 - proyv1Vz
Asf, con es ortogonal a W t = Vt .
Figura 5.19
y
se puede concluir que el conj unto {Wt, w2 } es ortogonal. Por el corolario de! teorema 5. 10,
se trata de una base para R2 . Finalmente, para normalizar Wt y w2 se obtiene la siguiente
base ortonorrnal para R 2
254 Capitu lo 5 Espacios con product o i ntern o
Aplicaci6n del proceso de ortonormalizaci6n

EJEMPLO 6
de Gram-Schmidt
COM ENTARIO
Un conjunto ortonormal obte- Aplique el proceso de ortonormalizaci6n de Gram-Schmidt a la s iguiente base en R2
nido por el proceso de ortonor-
malizaci6n de Gram-Schmidt
depende del orden de los vecto-
res en la base. Por ejemplo,
B = {(1, 1), (0, l )}
intente volver a trabajar en el
ejemplo 6 con la base orig inal SOLUCION
ordenada como {v2, v 1} en vez El proceso de ortonormalizaci6n de Gram-Schmidt produce
de {v 1, v2}.
w, = v , = (1, 1)
y w2 = v2 -
2
V •
w, · w,
w, w 1 = (0, 1) - .!._{l, l) =
2
(-.!....!..).
2 2
El conjunto B' = {w 1, w2 } es una base ortogonal para R 2. Al normalizar cada vector de B'
se obtiene
- I
Por tanto, B" = {u i, u2 } es una base ortonormal para R2 . Vease la figura 5.20.
)'

EJEMPLO 7
(- .JI. -.JI. )
2 ' 2 --- --
(-.JI. -.JI. )
2 ' 2
de Gram-Schmidt
Aplique el proceso de ortonormalizaci6n de Gram-Schmidt a la s iguiente base para R3
- I
B = {{ I , I, 0), ( 1, 2, 0), (0, I, 2)}
SOLUCION
Base ortonormal : 8" = {u 1, u 2 )
Aplicando el proceso de ortonormalizaci6n de Gram-Schmidt se produce
Figura 5.20
w1 = v 1 = {I , I , 0)
w2 = v2 - V2 -
~ ~1 w,
• W = ( I, 2, 0) - -3 ( I, I, 0 ) = ( - -l, -,
l 0)
w, · w, 2 2 2
W3
= V - V3 • WI W V3 • W 2
3 I W2
w1 • w1 W2 • W 2
= (0, I
1, 2) - 2(1, 1, 0) -
1/2( -2,I 2'I 0 )
1/2
= (0, 0, 2).
El conjunto B' = {w 1, w2, w 3 } es una base ortogonal para R3 . Al normal izar cada uno de
los vectores de B' se obtiene
Asf, B" = {u 1, u 2, u 3 } es una base ortonormal para R3 .

5.3 Bases o rton ormales: proceso de Gram -Schm idt 255
En los ejemplos 6 y 7 se aplic6 el proceso de ortonormalizaci6n de Gram-Schmidt a

bases para R2 y R3. Este proceso funciona de manera adecuada para un subespacio de un
espacio con produclo interno. El procedimiento se ilustra con el siguiente ejemplo.

EJEMPLO 8
de Gram-Schmidt
Los vectores v 1 = (0, I, 0) y v2 = ( I, I, I) generan un piano en R3. Determine una base
ortonormal para este subespacio.
SOLUCION
La aplicaci6n del proceso de ortonormalizaci6n de Gram-Schmidt produce
w1 = v 1 = (0, I , 0)
w2 -_ v2 -
v2 -
~ • w1
~ w, -_ (
I , I , I ) - -l (0, I , 0 ) -_ ( I, 0, I ).
w1 • w1 l
Al normalizar w 1 y w2 se obtiene el conjunto ortonormal
,
_ _ _ _ _ _ _ _ J.,
u, = 1 : :11 = (0, I, 0)
" 2
w?
= l w:11 =
1
h (I , O, l )
(Ji_ fi.)·
= 2' O, 2
X
Figura 5.21 Yease la figura 5.2 1.

EJEMPLO 9
de Gram-Schmidt (calculo)
Aplique el proceso de ortonormalizaci6n de Gram-Schmidt a la base B = {I , x, x2) en P2,
usando el producto intemo
(p, q) = Lt(x)q(x) dx.
SOLUCION
Sea B = { I, x, x2 } = {vi, v2 , v 3 }. Entonces tenemos
w1 = v1 = l
(v2 , w 1) 0( )
W2 = V2 - (
w ,, w,
) wI =X - -2 l =X
(v3 , w 1) (v3 , w2 )
W3 = V3 - (
w 1, W 1
) W1 - (
Wz, W2
) W2
= x2 - 2/ 3 (1) - _Q_(x)
2 2/3
= x2 - 1/ 3.
Luego, al normalizar B ' = {wi, w2, w 3 } se obtiene
COM ENTARIO
Los polinomios u 1, u 2 y u3
en el ejemplo 9 se denominan
los tres p rimeros polinomios
normalizados de Legendre,
en honor del matematico tran-
ces Adrien-Marie Legendre
( 1752-1833).
- - -[> En los ejercicios 45 a 50 se pide que usted compruebe estos calculos.
256 Capitu lo 5 Espacios con product o i ntern o
Los calculos en el proceso de o rtonormalizaci6n de Gram-Schmidt algunas veces son

mas s imples cuando cada vector w ; se normaliza antes de ser usado para calcular el
sigui ente vector. Esta fo rma alternativa del proceso de ortonormalizaci6n de Gram-
Schmidt consta de los pasos siguientes.
W V
U =-1-=_I
1
llw1II llv1II
w
u 2 = llw:11' do nde w2 = v2 - (v2, u 1)u 1
W3
u3 = llw ll, do nde w3 = v3 - (v3, u 1)u 1 - (v3, u 2 )u 2
3
w
u,, = llw'.:ll' do nde w,, = v 11 - (v11, u 1)u 1 - • • • - (v11 , u 11 _ 1)u 11 _ 1
Forma alternativa del proceso de

EJEMPLO 10 ortonormalizaci6n de Gram-Schmidt
Determine una base ortonormal del espacio soluci6n del siguiente sistema homogeneo de
ecuacio nes Iineales
x 1 +Xz + 7x 4 = 0
2\'. 1 + X2 + 2x 3 + 6x 4 = 0
SOLUCION
La malriz aumentada de este sistema se reduce como sigue.
[~ I ~ : ~] ~ [~ 0 - ~ - ~ ~]
Si se hace que x3 = s y x 4 = t, entonces cada soluc i6n de) sistema es de la fo rma

2
;~ r;s s_~/1 r-~1 r-~1

- = =s +t .
rX3
X4
s
Por cons ig uiente, una base del espacio soluci6n es

I
0
0
I
B = {v1, v2 } = {(- 2, 2, 1, 0), (1, -8, 0, 1)}.

Para hallar una base ortonormal B ' = {u 1, u2 }, se usa la forma alternativa del proceso
de ortonormalizaci6n de Gram-Schmidt como sig ue.
VI
U1 =w
= (-¾, t, ½, o)
W2 = V2 - (vz, ll 1) ll 1
= (1' -8 ' o' 1) - [<1 -8

'
o1) • ( -~3' ~3' .!..3' o)] (-~3' ~3' .!..3' o)
' '
= (- 3, -4, 2, I )
5.3 Ejercicios 257
Conjuntos ortogonales y ortonormales En los Ejercicios 24. x = (3, - 5, 11), B = {(l, 0, 0), (0, 1, 0), (0, 0, l )}
1-14, (a) determine si el conjunto de vectores en R" es ortogo- 25. x = (5, 10, 15), B = {(t t o), (-t t o), (o, o, 1)}
nal, (b) si el conjunto es ortogonal, determine si tambien es
26. x =(2,-1,4,3),
ortonormal y (c) detemline si el conjunto es una base para R11 •
l. {(2, -4), (2, 1)} 2. {(3, -2), (-4, -6)} B = {(-~, o, H, o), (o, 1, o, o), (-H, o,i, o), (o, o, o, 1)}
3. {(-4, 6),(5, 0)} 4. {( 11 ,4),(8,-3)} Aplicaci6n del proceso de Gram-Schmidt En los ejer-
5. {(t ~). (-;, m 6. {<1, 2), (-t m cicios 27 a 36, use el proceso de ortonormalizaci6n de Gram-
Schmidt para transformar la base dada para R" en una base
7. {(4, - 1, 1), (- 1, 0, 4), (-4, -17, - 1)}
ortononnal. Aplique el producto interno euclidiano para R" y
8. {(2, -4, 2), (0, 2, 4), (-10, -4, 2)}
use los vectores en el orde n dado.
9. {(f,o,~}( ~, ~, ~}(f, ~,-~)} 27. B = {(3,4),( 1, 0) }

29. B = {(0, I), (2, 5)}
28. B = {( 1, 2),(- 1,0)}
30. B = {(4, -3), (3, 2) }
10. { ( 1, :2} ( '{5, -1), (1, ½)}

0, - 0,
2
0,
31. B = {( I, -2, 2), (2, 2, 1), (2, -1, -2)}
32. B = {( l , 0, 0), (1, 1, 1), (1, 1, -1)}
11. {(2, 5, -3), (4, 2, 6)} 12. {(-6, 3, 2, 1), (2, 0, 6, 0)} 33. B = {(4, - 3, 0), (1, 2, 0), (0, 0, 4)}
34. B = {(0, I, 2), (2, 0, 0), (1, I, I)}
13. {( ~,o,o, ~} (o, ~, 1,o), (-½,½· -½,½)} 35. B = {(0, I , 1),(1, 1,0),( 1, 0, I)}
14. { ( !, 3
0, 0, : ) , (0, 0, I , 0), (0, I , 0, 0),
36. B = {(3,4,0,0),(-1, 1, 0,0),(2, 1,0, -1), (0, I, l , 0)}
Aplicaci6n del proceso de Gram-Schmidt En los ejer-
(
_3./io 0 0
10 ' ' '
fio)}
10
cicios 37 a 42, use el proceso de ortonormalizaci6n de Gram-
Schmidt para transfonnar la base dada para R" en una base
ortonormal para el subespacio. Aplique el producto interno
Normalizaci6n de un conjunto ortogonal En los Ejer- euclidiano de R" y use los vectores en el orden dado.
cicios 15- 18, (a) demuestre que el conjunto de vectores en R" 37. B = {(-8,3,5)} 38. B = {(4, -7,6)}
es ortogonal y (b) nonnalice el conjunto para producir un 39. B = {(3, 4, 0), (2, 0, 0)}
conjunto ortonormal. 40. B = {(l, 2, 0), (2, 0, -2)}
15. {(-1 ,4),(8, 2)} 16. {(2, -5),(10, 4)}
41. B = {( l, 2, -1, 0), (2, 2, 0, l ), (1, I, - l , 0)}
17. { ( fi, fi, fi), (- Ji., 0, Ji.)} 42. B = {(7, 24, 0, 0), (0, 0, I, I ), (0, 0, I, -2)}
18. 2 15,
{( -15, I 15
2 ) , (' 2
15, 15, 0)}
43. Utilice el producto interno (u, v) = 2u 1v 1 + u1 v1 en R 2
19. Complete el ejemplo 2 para verificar que { I , x,
x') es x 1, y e l proceso de ortonormalizaci6n de Gram-Schmidt
una base ortononnal para P3 con el producto interno para transformar {(2, - 1), (-2, 10) } en una base ortonor-
( p, q) = a0 b0 + a 1b 1 + a2 b2 + a3b3. mal.
20. Yerifique que {(sen 0, cos 0), (cos 0, - sen 0)) es una 44. Escriba Explique por que el resultado de! ejercicio 43
base ortonormal para R2. no es una base ortonormal cuando se aplica el producto
interno euclidiano en R2 .
Determinaci6n de un matriz de coordenadas En los
Ejercicios 21- 26, encuentre la matriz de coordenadas de x Calculo En los ejercicios 45 a 50, sea B = { I, x, x1 ) una
respecto a la base ortononnal Ben R 11 • base para P 2 con el producto interno
2 1. x =( )
I,2 ' B
= {(- 2 ✓13
13 '
3JT3) (3 ✓13 2✓13)}
13 ' 13 ' 13 ( p, q) = Ft(x)q(x) dx.
22. x = (-3,4), 8 = {( 1, 2
[),(- '{5, 1)}
2 Complete el ejemplo 9 verificando los productos internos
indicados.
23. x = (2, -2, I), 45. (x, I) =0 46. ( I, I)=2
1) = i
{( Jio Jio) ( Jio)} 47. (x 2
, 48. (x , x) = 0
2
W ' 0, -----ia-
3 3 Jio 0, W
, (0, I, 0), ------io-,
B= 49. (x, x) =i SO. (x 2 - ½, x 2 - ½) = fs
Aplicaci6n de la forma alternativa del proceso de 65. Demostraci6n Sea {u 1, u2 , . .. , u,, } una base orto-
Gram-Schmidt En los Ejercic ios 51 -55, aplique la fo rma normaJ para R". Demuestre que
alternativa de! proceso de ortonormalizaci6n de Gram-Sch- llvll2 =Iv. u.12 + Iv. ll2l2 + . . . + Iv. u,, 12
midt para encontrar una base orto normal para e l espacio
para cualquier vector v en R". Esta ecuaci6n se denomina
soluci6n de! sistema lineal homogeneo.
igualdad de Parseval.
51. 2x 1 + x 2 - 6x 3 +2x 4 =0
66. Demostraci6n guiada Demuestre que si w es ortogo-
x1 + 2x 2 - 3x 3 + 4x 4 = 0
nal para cada vector en S = {v 1, v2, . . . , v,,}, entonces w
Xl + X2 - 3x 3 + 2x4 = 0 es ortogonal para toda combinaci6n lineal de vectores en S.
52. XI + X2 - X3 - X4 =0 lnicio: para demostrar que w es ortogonaJ a toda combi-
2x l + X2 - 2x 3 - 2x4 =Q naci6n lineal de vectores en S, usted necesita de mostrar
53. Xl - X2 + X3 + X4 =0 que su producto punto es cero.
Xi - 2x2 + X3 + X4 = Q (i) Escriba v como una combinaci6n lineal de vectores,
54. x 1 + 3x 2 - 3x 3 = 0 con escalares arbitrarios c 1, ... , c 11 en S.
(ii) Forme el producto interno de w y v.
k> 56. 00 ~ GYil.£'IT~ Sea B una base para un espacio
con producto interno V. Explique c6mo aplicar el
(iii) Use las propiedades de! producto interno para rees-
cribir el producto interno (w, v) como una combina-
ci6n lineal de los productos internos (w, v;), i = I ,
proceso de ortonormalizaci6n de Gram-Schmidt
. . . 'n.
para formar una base ortonormal B' para V.
(iv) Use el hecho de que w es ortogonal a cada vector en s
para llegar a la conclusion de que w es ortogonal a v.
LVerdadero o falso? E n los ejercicios 57 y 58, determine 67. Demostraci6n Sea Puna matriz den X n. Demuestre
cual de las expresiones es verdadera o falsa. Si la expresi6n que las siguientes condicio nes son equivalentes.
(a) P-1 = P7: (La cual se llama matriz ortogonal.)
(b) Los vectores rengl6n de P forman una base ortonor-
ej emplo que muestre que la expresi6n no es cierta en todos
mal para R".
los casos o c ite de l texto una expresi6 n adecuada.
(c) Los vectores columna de P fonnan una base orto nor-
57. (a) Un conj unto S de vectores en un espacio V con pro- mal para R" .
ducto intemo es ortogonal si cada par de vectores en
S es ortogonal. 68. Demostraci6n Sea Wun subespacio de R". Demues-
tre que la intersecci6n de W.L y W es {0 }, donde W.L es el
(b) Una base ortonormal deducida con el proceso de
subespacio de R" dado por
ortonormalizaci6n de Gram-Schmidt no depende de!
orden de los vectores en la base. W .L = {v: w · v = 0 para cad a w en W}.
58. (a) Un conjunto S de vectores en un espacio V con pro- Subespacios fundamentales En los ej ercicios 69 a 70,
ducto interno es orto normal si cada vector es unita- e ncuentre las bases para los cuatro subespacios fundamen-
rio y cada par de vectores en S es ortogonal. tales de la matriz A mostrada abajo.
(b) Si un conjunto S de vectores diferentes de cero es un N(A) = espacio nulo de A N(AT) = espacio nulo de AT
espacio V con producto interno, ento nces S es lineal- R(A) = espacio columna R(AT) = espacio columna de AT
mente independiente. de A
Conjuntos ortonormales en P2 En los ejercicios 59 a Despues, demuestre que N(A) = R(ATl y N(AT) = R(A ).L.
~ =~-~l
64, sean p(x) = a0 + a 1x + GiX y q(x) = b0 + b 1x + biX2
vectores en P con (p, q) = aobo + a 1b 1 + a 2b 2 . Determine si
los po lino mios de segundo grado dados forman un conjunto
ortononnal y, en caso negativo, aplique el proceso de orto-
69. [~ -il 70. [~
71. Sea A una matriz general de m X n.

normalizaci6n de Gram-Schmidt para formar un conjunto
ortononnal. (a) Explique por que R(AT) es lo mismo que un espacio
reng16n de A.
59. {
x2 + Ix
fi. ,
2
+x
J3
- 1} (b) Demuestre que N(A) c R(AT).L.
(c) Demuestre que N(A) = R(AT).L.
60. { fi.(x 2 - 1), fi.(x 2 + x + 2)} (d) Demuestre que N(AT) = R(A).L _
61. {x 2 , x2 + 2x, x2 + 2x + I } 62. { I, x, x2} 72. Determine una base 011o normal para R4 que incluya los
vectores
3x 2 + 4x -4x 2 + 3x }
63. { , ,I 64. {x 2 - l, x - I }
5 5
5.4 Modelos matematicos y analisis por mfnimos cuadrados 259
5.4 Modelos matematicos y analisis por minimos cuadrados
■ Definir el problema de mfnimos cuadrados.
■
Encontrar el complemento ortogonal de un subespacio
y la proyecci6n de un vector sobre un subespacio.
■ Encontrar los cuatro subespacios fundamentales de una matriz.
■ Resolver un problema de mfnimos cuad rados.
■ Use mfnimos cuadrados para modelaci6n matematica.
EL PROBLEMA DE MINIMOS CUADRADOS

En esta secci6n, estudiara los sistemas inconsistentes de ecuaciones lineales y aprendera
c6mo encontrar la " mejor soluci6n posible" para tales sistemas. La necesidad de "resolver"
sistemas inconsistentes surge al calcular rectas de regresi6 n por minimos cuadrados, como
se ilustra en el ejemplo 1.
EJEMPLO 1 Reeta de regresi6n por minimos cuadrados
Sean (I , 0), (2, 1) y (3, 3) tres puntos en e l piano, como se muestra e n la figura 5.22.
l C6mo puede encontrar la recta y = c 0 + c 1x que "mejor aj usta" estos puntos? Una forma
es observando que s i los tres puntos son colineales, entonces el siguiente s istema de ecua-
ciones sera consistente.
y Co+ c 1 = 0
c0 + 2c 1 = I
c0 + 3c1 = 3
Este sistema puede escribirse en la forma matricial Ax = b, donde
nm b = y • = [::1
Sin embargo, debido a que los puntos no son colineales, el s istema es inconsistente. Aun-
que esto hace imposible encontrar un x tal que Ax = b, usted puede buscar un x que
Figura 5.22 minimice la norma del error l!Ax- bll- La soluc i6 n x = [c0 c 1f de este problema de mini-
mizaci6n se denornina recta de regresi6n por minimos cuadrados y = c 0 + c 1x.
En la secci6n 2.5 estudi6 brevemente la recta de regresi6n por mfnimos cuadrados y

c6mo calcularla usando matrices. Ahora puede combinar las ideas de ortogonalidad y
proyecci6n para desarrollar este concepto de manera mas general. Para empezar, considere
el sistema Lineal Ax = b , donde A es una matriz de m X n y b es un vector columna en R"'.
Usted tambien sabe c6mo usar la eliminaci6n gau s iana con sustituci6n hacia atras para
resolver para x si el sistema es consistente. Si el sistema es inconsistente, sin embargo, esto
es util para e ncontrar la "mejor soluc i6n posible"; es decir, el valor de x para el cual la
COMENTARIO diferencia entre Ax y b es minima. Una forma de definir "mejor posible" requiere que
El termino minimos cuadrados la norma Ax - b sea minimizada. Esta definici6n es el coraz6n del problema de mi'nimos
proviene del hecho de que cuadrados.
minimizar IIAx - bll equivale
a minim iza r IIAx - bll2 , que es Problema de minimos cuadrados
una sum a de cuadrados.
Dada una matriz a de m X n y un vector b en R"', el problema de minimos cuadra-
- - -t> dos es encontrar un x en .K' tat que l!Ax- bll2 sea mfnima.
260 Capitu lo 5 Espacios con producto i nterno
SUBESPACIOS ORTOGONALES
Para resolver el problema de mfnimos cuadrados, primero debe desarrollar el concepto de
subespacios ortogonales. Dos subespacios de R" se denominan ortogonales si los vectores
de un subespacio son ortogonales con los del otro.
Definici6n de subespacios ortogonales

Los subespacios S I y S2 de R" son ortogonales si v 1 • v2 = 0 para todo v I en S I y todo
v2 en S2.
EJEMPLO 2 Subespacios ortogonales
Los subespacios
son ortogonales debido a que el producto punto de todo vector en S1 y cualquier vector en
S2 es cero.
Observe en el ejemplo 2 que el vector cero es el unico vector comun a S 1 y S2 . Esto es

cierto en general . Si S 1 y S 2 son subespacios ortogonales de R", entonces su intersecci6n
consta solamente del vector cero. Se le pide demostrar este hecho en el ejercicio 43.
Siempre que S sea un subespacio de R", el conjunto de todos los vectores ortogonales
a todo vector en S se denomina complemento ortogonal de S, como se muestra en la
siguiente definici6n.
Definici6n de complemento ortogonal

Si S es un subespacio de R", entonces el complemento ortogonal de S es el con-
junto s1. = {u E R" : v · u = 0 para todos los vectores v E S}.
El complemento ortogonal para el subespacio trivial {O} es todo R" y, de manera

inversa, el complemento ortogonal de R" es el subespacio trivial {OJ. En el ejemplo 2, el
subespacio S 1 es el complemento ortogonal de S2, y el subespacio S2 es el complemento
ortogonal de S 1• En general, el complemento ortogonal de un subespacio de R" es en sf
mismo un subespacio de R" (vease el ejercicio 44). Usted puede encontrar el complemento
ortogonal de un s ubespacio de R" determinando el espacio nulo de una matriz, como se
ilustra en el siguiente ejemplo.
ALGEBRA El problema de minimos cuadrados tiene una amplia variedad de apli-

caciones en la vida real. Para ilustrar, en los Ej emplos 9 y 10 y los
LINEAL Ejercicios 37, 38 y 39, usted usara analisis por mini mos cuad rados
APLICADA para resolver problemas que implican muy diversos temas, como
poblaci6n mundial, astronomia, titulos doctorales entregados, ganan-
cias de la General Dynamics Corporation y la velocidad de galope de
animales. En cada una de estas aplicaciones se le presentara un con-
junto de datos y se le pedira que elabore modelo(s) matematico(s)
para los datos. Por ejemplo, en el ejercicio 38 encontrara las ganan-
cias anuales de 2005 a 2010 de la General Dynamics Corporation, y se
le pedira enco ntrar la reg resi6n cuadratica por minimos cuad rados y
polinomios cubicos para los datos. Con estos modelos, se le pide pre-
....________,t> decir las ganancias para el ario 2015 y decidir cual de los modelos
parece mas preciso para predecir ganancias futuras.
Loskutmkov/Shutterstock com
I EJEMPLO 3 Obt enci6n del complement o ortogonal
Obtenga el complemento ortogonal del subespacio S en R4 generado por los dos vectores
columna v 1 y v2 de la matriz A.
0
A -[i 0
0
v, V2
SOLUCION
Un vector u E R4 sera el complemento ortogonaJ de S si su producto punto con las dos
columnas de A, v 1 y v2, es cero. Si obtiene la tran spuesta de A, entonces vera que el com-
plemento ortogonaJ de S consta de todos los vectores u tales que ATu = 0.
ATu =0
2 l
0 0
OJ x2 = [OJ
l X3 0
X4
Esto es, el complemento ortogonal de S es el espacio nulo de la matriz AT:
Usando las tecnicas para resolver sistemas lineales homogeneos puede encontrar una posi-
ble base para el complemento o rt ogonal que puede constar de dos vectores
0 O]T y u2 = [- 1 0 l OY,
Observe que R4 en el ejemplo 3 se divide en dos subespacios, S = gen(v 1, v2) y S.J. =

gen(u 1, u2). De hecho, los cuatro vectores vi, v2 , u 1 y u2 forman una base de R 4 . Cada
vector en R4 puede ser escrito iinicamente como la s uma de un vector de S y un vector de
S.J.. Este concepto se generaliza en la siguiente definici6n.
Definici6n de suma directa

Sean S I y S2 dos subespacios de R1'. Si cada vector x E R4 puede escribirse de manera
unica como una suma de un vector s 1 de S 1 y un vector s 2 de S 2, x = s 1 + s 2, enton-
ces R" es la suma directa de S 1 y S2 y puede escribirse como R" = S 1 E9 S2•
EJEMPLO 4 Suma directa
a. Del ejemplo 2, puede observar que R3 es la suma directa de los subespac ios
b. Del ejemplo 3, puede observar que R4 = S 1 E9 S2, do nde

El siguiente teorema reune algunos hechos importantes acerca de los complementos

ortogonales y las sumas directas.
TEOREMA 5.13 Propiedades de los subespacios ortogonales

Sea Sun subespacio de R". Entonces las siguientes propiedades se cumplen.
1. dim(S) + dim(S.L) =n
2. R" = S EB S.L
3. (S.L).L = S
DEMOSTRACION
1. Si S = R" o S = {0 }, entonces la propiedad I es trivial. Asf, sea {v 1, v2, . . . , v 1} una
base de s, 0 < t < n. Sea a la matriz de m X n cuyas columnas son los vectores base v,-.
Entonces S = R(A) (el espacio columna de A), lo que implica que S- = N(AT), donde AT
es una matriz t X n de rango t (vease la secci6n 5.3, ejercicio 7 I). Como la dimensi6n
de N(AT) es n - t, se ha demostrado que
dim(S) + dim(S.L) =t+ (n - 1) = n.
2. Si S = R" o S = { 0 }, entonces la propiedad 2 es trivial. Asf, sea {v 1, v2, . . . , v,} una
base de Sy sea {v,+ 1, v,+2, ... , v,,} una base de s1.. Puede demostrarse que el conjunto
{v 1, v2, . . . , v,, v,+ 1, . . . , v,,} es linealmente independiente y forma una base para R".
Sea x E R", x = c 1v 1 + · · · + c,v, + c,+ 1v,+ 1 + · · · + c11v,,. Si escribe v = c 1v 1 + · ·
• + c,v, y w = c, + 1v, + 1 + • · · + c,,v,,, entonces puede expresar un vector arbitrario x
como la suma de un vector de Sy un vector de S-, x = v + w.
Se ha demostrado que esta representaci6n es unica, suponga x = v + w = v + w
(donde vesta en Sy westa en s1.). Esto implica que v- v = w - w;asf, los dos vectores
v - v y w - westan en Sy s1.. Como Sn s1. = {0 }, usted debe tener v = v y w = W.
3. Sea v E S. Entonces v · u = 0 para toda u E s1., lo que implica que u E (S1.)1.. Por otra
parte, si VE cs1.r,
entonces, como R" = EB s s-,
usted puede escribir V como la sum a
unica de! vector de Sy de un vector de Sl., v = s + w , s E S, w E s1.. Como w esta en
Sl., es o rtogonal a todo vector en Sy en particular a v. Asf,
0 = w · v = w · (s + w) = w · s + w · w = w · w.
Esto implica que w = 0 y v = s +w= s E S.
En la secci6n 5.2, usted estudi6 la proyecci6n de un vector sobre otro. Ahora gene-
ralizara las proyecciones de un vector v sobre un subespacio S. Como R" = S EB s1.,
todo vector v en R" puede ser escrito unicamente como la suma de un vector de S y un
vector de s1.:
El vector v 1 se llama proyecci6n de v sobre el subespacio Sy se denota por v 1 = proy.,v.

Asf, v2 = v - v 1 = v - proysv, lo que implica que el vector v - proysv es ortogonal al sub-
espacio S.
Siempre que se trate con un subespacio S de R", puede utilizar el proceso de ortonor-
malizaci6n de Gram-Schmidt para calcular una base ortonormaJ de S. Esta es relativa-
mente mas facil de calcular la proyecci6n de un vector v sobre S usando el siguiente teo-
rema. (Se le pedira demostrarlo en e l ejercicio 45.)
TEOREMA 5.14 Proyecci6n sobre un subespacio

Si {u 1, u2 , ... , u, } es una base ortonormal de] subespacio S de R" y v E R", entonces
proy5v = (v · u 1)u 1 + (v · u2)u2 + · · · + (v · u,)u ,.
5.4 Modelos matematicos y analisis por m fnimos cuadrados 263
j EJEMPLO 5 Proyecci6n sobre un subespacio
Encuentre la proyecci6n del vector v = [ : ] sobre el subespacio S de R3 generado por los

vectores 3
SOLUCION
Por normalizaci6n de w 1 y w2, obtenemos una base ortonormaJ de S.
0
3
Jio
l
~
Aplique el teorema 5.14 para encontrar la proyecci6n de v sobre S.
3 proy5 v = (v · u i)u, + (v · u2)u2
0 1
6 3 9
fio fio + {~] = 5
1 3
X
fio 5
Figura 5.23
La proyecci6n de v sobre el plano de S se ilustra en la figura 5.23.
El teorema 5.9 dice que de entre todos los multi plos escalares de un vector u, la pro-
yecci6 n ortogonal de v sobre u es el mas cercano av. El ejemplo 5 sugiere que esta pro-
piedad tambien es cierta para proyecciones sobre subespacios, es decir, entre todos los
vectores del subespacio S, la proyecci6n vectorial proysv es el vector mas cercano a v.
Estos dos resul tados se ilustran en la fig ura 5.24.
TEOREMA 5.15 Proyecci6n ortogonal y distancia

Sea Sun subespacio de R" y sea v ER". Entonces, para todo u Es, u -=I= proy5 v,
s
DEMOSTRACION
Figura 5.24 Sea u ES, u -=I= proysv. Sumando y restando la misma cantidad proysv y al vector v - u,
tenemos
v - u = (v - proy5 v) + (proy5 v - u).
Observe que (proy5 v - u) esta en Sy (v - proy5 v) es ortogonal a S. Asf, (v - proy5 v) y
(proy5 v - u) son vectores ortogonales y puede utilizar el teorema de Pitagoras (teorema
5.6) para obtener
llv - u ll2 = ll v - proysv ll2 + ll proysv - u ll2 .

Puesto que u -=I= proy5 v, el segundo termino de] lado derecho es positivo y tenemos que
SUBESPACIOS FUNDAMENTALES DE UNA MATRIZ

Recuerde que si A es una marriz de m X n, el espacio columna de A es un subespacio de
R"' que consta de todos los vectores de la forma Ax, x ER". Los cuatro subespacios fun-
damentales de la matriz A estan definidos de la sig uiente manera (veanse ejercicios 69 y
70 en la secci6n 5.3).
N(A) = espacio nulo de A N(AT) = espacio nulo de AT
R(A) = espacio columna de A R(AT) = espacio columna de AT
Estes subespacios j uegan un papel crucial en la soluci6n del problema de mfnimos cuadrados.
EJEMPLO 6 Espacios fundamentales
Encuentre los cuatro subespacios fundamentales de la matriz
El espacio columna de A es simplemente el espacio de la primera y tercera columnas, ya

que la segunda columna es un multiple escalar de la primera. El espacio columna de AT
equivale al espacio reng16n de A , el cual es compartido por los dos primeros renglones. El
espacio nulo de A es un espacio soluci6n del sistema homogeneo Ax = 0 . Finalmente, el
espacio nulo de AT es un espacio soluci6n del sistema homogeneo cuya matriz de coefi-
cientes es AT_ Lo siguiente resume estos resultados.
R(A) = (l~lm
gea R(A
7
) - goa ([~] , [W
MA) =ge,rm N(A
7
) = gea (m,rm
En el ejemplo 6, observe que R(A) y N(AT) son subespacios ortogonales de R4 y R(AT)
y N(A) son subespacios ortogonales de R 3. Estas y otras propiedades de estos s ubespacios
se establecen en el siguiente teorema.
TEOREMA 5.16 Subespacios fundamentales de una matriz

Si A es una matriz de m X n, entonces
1. R(A) y N(AT) son subespacios ortogonales de R"'.
2. R(AT) y N(A) son subespacios ortogonales de R".
3. R(A) EB N(AT) = R"'.
4. R(AT) EB N(A) = R".
DEMOSTRACION
Para demostrar la propiedad I, sea v E R(A) y u E N(AT)_ Como el espacio columna de A
es igual al espacio rengl6n de AT, puede ver que ATu = 0 implica u · v = 0. La propiedad
2 se obtiene al aplicar la propiedad I a AT_
Para demostrar la propiedad 3, observe que R(At = N(AT)_ Asf, R111 = R(A) EB R(Af =
R(A) EB N(AT) De manera similar podemos aplicarlo a R(AT) probando la propiedad 4.
RESOLVIENDO EL PROBLEMA DE MINIMOS CUADRADOS

Ahora cuenta con todas las herramientas necesarias para resolver el problema de mfnimos
cuadrados. Recuerde que se trata de encontrar un vector x que minimice IIAx - bll, donde
A es una matriz de m X n y bes un vector en R111• Sea S el espacio columna de A: S = R(A).
Puede suponer que b no esta e n S, debido ade mas a que el sistema Ax = b puede ser con-
sistente. Usted busca un vector Ax en S ta! que este lo mas cercano posible a b, como se
indica en la figura 5.25.
Del teorema 5.15, sabe que el vector deseado es la proyecci6n deb sobre S. Haciendo
s que Ax = proysb sea la proyecci6n, puede ver qu\': Ax - b = proysb - bes ortogonal a S
Figura 5.25 = R(A), pero esto implica que Ax - b esta en R(A)-, lo que es igual a N(AT) de acuerdo con
el teorema 5.16. Esta es una observaci6n crucial: Ax - b esta en el espacio nulo de AT_ As(,
tenemos
AT(Ax - b) = 0
ATAx - Arb = 0
ATAx = Arb.
La soluci6n al problema de mfnimos cuadrados proviene de resolver un sistema lineal de
ecuaciones ATAx = AT b de m X n. Estas ecuaciones se denominan ecuaciones norm ales
del problema de mfnimos cuadrados Ax = b.
j EJEMPLO 7 Resoluci6n de las ecuaciones normales
Encuentre la soluci6n del problema de mfnimos cuadrados

Ax = b
presentado en el ejemplo I.
SOLUCION
Comience calculando los productos matriciales mostrados a continuaci6n.
1
2 ~] [: ~]- [!
NOTA TECNOLOGICA 2 !] [!]- [,~]
programas de c6mputo inclu- Las ecuaciones normales son
yen subrutinas para determinar
la recta de regresi6n por mini-
mos cuadrados para un con-
junto de puntos. Si usted tiene
acceso a tales herramientas,
trate de verifica r el resu ltado La soluci6n al sistema de ecuaciones es
del ejemp lo 7. Los comandos y
la sintaxis de programaci6n
para estas aplicaciones/progra-
mas se proporcionan en la
Online Technology Guide,
disponible en
lo que implica que la recta de regresi6n por mfni-
www.cengage.com mos cuadrados para los datos es
con la busqueda Larson, Funda- 3 5
mentos de Algebra Lineal 7e y=2x- 3
..__________. . .,[:>,- como se indica en la Figura 5.26. Figura 5.26
Para una matri z A de m X n, las ecuaciones norm ales forman un sistema de ecuac iones
lineaJes de n X n. Este sistema siempre es consistente, pero puede tener un numero infinjto
de solucio nes. Se puede demostrar, sin embargo, que existe una unica soluci6n si el rango
de A es n.
El siguiente ejemplo ilustra c6mo resolver el problema de la proyecci6n de! ejemplo
5 usando ecuaciones normales .
. EJEMPLO 8 Proyeccion ortogonal sobre un subespacio
Encuentre la proyecci6n ortogonal de! vector
sobre el espacio columna S de la matriz
SOLUCION
Para encontrar la proyecci6 n ortogonal de b sobre S, primero resuelva el problema de
mfnimos cuadrados Ax = b. Como e n el ejemplo 7, calcule los productos matriciales ATA
y ATb.
3
0
3
0
Las ecuaciones no rmales son
la soluci6n de estas ecuaciones es
X = [;J = [;].
Finalmente, la proyecci6 n de b sobre S es
lo que concuerda con la soluc i6n obtenida en el ejemplo 5.

5.4 Modelos matematicos y analisis por m fnimos cuadrados 267
MODELADO MATEMATICO
Los problemas de mfnimos cuadrados juegan un papel fundamental en el modelado mate-
matico de fe n6 menos de la vida real. El siguiente ejemplo muestra c6mo modelar la pobla-
ci6n mundial usando un polinomio cuadratico de mfnjmos cuadr ados.
j EJEMPLO 9 Poblaci6n mundial
La tabla muestra la poblaci6n de mundo (en miles de millones) de se is afios.

(Fuente: U.S. Census Bureau).
Aiio 1985 1990 1995 2000 2005 20IO

- -
Poblacion (y ) 4.9 5.3 5.7 6. 1 6.5 6.9
Sea x el afio, con x = 5 correspondiente a 1985. Encuentre el polinomio de regresi6n

cuadratica de mfni mos cuadrados y = c0 + c 1x + c2.x2 para estos datos y utilice el modelo
para estimar la poblac i6 n en el afio 20 15.
SOLUCION
Sustituyendo los puntos (5, 4.9), ( I0, 5.3), ( 15, 5.7), (20, 6. 1), (25, 6.5) y (30, 6.9) en el
polinomio cuadratico y = c0 + c,x + c2x2, obtenemos el siguiente sistema de ecuaciones
lineales.
c0 + 5c 1 + 25c2 = 4.9
c0 + l0c 1 + 100c2 = 5.3
c0 + 15c1 + 225c2 = 5.7
c0 + 20c 1 + 400c2 = 6.1
c0 + 25c 1 + 625c2 = 6.5
c0 + 30c 1 + 900c2 = 6.9
Este genera el problema de mfrurnos cuadrados
Ax = b
5 25 4.9
10 100 5.3
15
20
25
225
400
625
[::]= 5.7
6. 1 .
6.5
30 900 6.9
Las ecuacio nes no rmales son
6 l05 0
105 2275 55,2275
125 ] [ cc, ] = [ 35.4]
654.5
[
2275 55,125 ] ,421,875 C2 )4,647.5
y su soluci6n es x - [ ::] - [ o'fs l

Observe que c 2 = 0. Asf, el polinom io de mfnimos cuadrados para estos datos es el poli-
nom io li neal: y = 4.5 + 0.08.x Evaluando este polino mio para .x = 30, tenemos el esti-
mado de la poblaci6n del mundo para el afio 2015: y = 4.5 + 0.08(35) = 7.3 mil rnillones
(73 billones).
268 Capitulo 5 Espacios con product o i ntern o
Los modelos de minimos cuadrados pueden aparecer en muchos otros contextos. La

secci6n 5.5 explora algunas aplicaciones de modelos de mfn imos cuadrados para aproxi-
mar funciones. El siguiente ejemplo utiliza datos de la Secci6n 1.3 para determinar la
relaci6n entre el periodo de un planeta y su d istancia media al Sol.
EJEMPLO 10 Aplicaciones en la astronomia
La tabla muestra las distancias medias x y los periodos y de los seis planetas mas cercanos
al Sol. Las distancias medias estan dadas en unidades astron6micas y los periodos estan
dados en afios. Encuentre un modelo para estos datos.
Plaueta Mercurio Venus Tierra Marte Jzipiter I Saturno

Distancia (x) 0.387 0.723 1.000 1.524 5.203 I 9.555 I
Periodo (y) 0.241 0.615 1.000 1.88 1 11.860 29.420 I
SOLUCION
Si grafica los datos como se muestran, notara que no estan sobre una lfnea recta. Sin
embargo, tomando el logaritmo de cada coordenada, obtiene puntos en la fo rma (In x, In
NOTA TECNOLOGICA
y), como se muestra en la tabla.
Puede utilizar una aplicaci6n
grafica o un programa de com-
putaci6n para verificar el resul- Planeta Mercurio Venus Tierra Marte Jupiter Saturno
tado del Ejemplo 10. Por ejem-
plo, al usar los datos en la In x -0.949 I -0.324 0.0 0.421 I t.649 2.257
primera tabla y una aplicaci6n 0.0 0.632 3.382
In y - 1.423 - 0.486 1 2.473
grafica, un prog rama de regre-
si6n exponencial arrojara un
resultado de y "' 1.00008x1·49873. La figura 5.27 muestra una grafica de puntos transformados y sugiere que la recta de
La Online Technology Guide,
regres i6n por mfnimos cuadrados puede tener un buen ajuste.
disponible en
www.cengage.com
con la busqueda Larso n, Fu nda-
mentos de A lgebra Lineal 7e
Figura 5.27
Utilizando las tecnicas de esta secci6n,
c0 - 0.949c 1 - 1.423
c0 - 0.324c 1 -0.486
Co = 0.0
c0 + 0.421c 1 = 0.632
c0 + l.649c 1 = 2.473
c0 + 2.257c 1 = 3.382
usted puede encontrar que la ecuaci6n de la recta es In y = ~ In x o y = x112.

5.4 Ejercicios 269
Reeta de regres1on por minimos cuadrados En los

Ejercicios 1-4, determine si los puntos son colineales. Si es
asf, encuentre la recta y = c0 + c 1x que concuerda con los
puntos.
1. (0, I), (1, 3), (2, 5) 2. (0, 0), (3, I), (4, 2)
3. (- 1,0), (0, 1), ( 1, I) 4. (- 1, 5), ( 1, - 1), ( I , -4)
Subespacios ortogonales En los ejercicios 5 a 8, deter-

mine cual de los conjunros es ortogonal.
5. s, =gen{[_:].[:]} s, = genwrn
6. s, = gen wrn s, =gen{[!].[!]} Subespacios fundamentales En los ejercicios 19 a 22,
encuentre las bases para los cuatro subespacios fundamen-
tales de la matriz A.
g~ {:~H-rn
-I
7. s. = ge{l} s, =
19. A=[~ 2
2
Plu}
0 0
=gen{[~]- Hl}
21. A = [~ I
8. S, = gen s, 2 2
0 -1
Determinaci6n del complemento ortogonal y la suma
directa En los ejercic ios 9 a 12, encuentre el complemento
ortogonal s1.. y (b) encuentre la suma directa S EB s1._
22. A = [I - I
l
l
0
0
9. S es el subespacio de R3 que consta del piano xz. Determinaci6n de soluci6n de minimos cuadrados En
5 los ejercicios 23 a 26, encuentre la soluc i6n por mfnimos
10. S es el subespacio de R que consta de todos los vectores
cuyos tercer y cuarto componentes son cero. cuadrados de! sistema Ax = b.
23. A = [:
- 1 l
13. Encuentre el complemento ortogonal de Ia soluci6n al

ejerc icio 11 (a).
~-A =[~ I
0
l
l
b =
14. Encuentre el complemento ortogonal de la soluci6n al

0
ejerc icio I 2(a).
~-A=[~
I
b =
Proyecci6n sobre un subespacio En los ejercicios 15 I
a 18, encuentre la proyecci6n del vector v sobre el subespa- l 0
cio S.
0 2 I
I - I 0
26. A = 2 I 0 b = I
I I - I
0 2 -I 0
Proyeccion ortogonal sobre un subespacio En los 39. Velocidad de galope de animales Los cuadrupedos
Ejercicios 27 y 28, use el metodo de! ejemplo 8 para encon- corren con dos tipos diferentes de movimiento: trote y
trar la proyecci6n ortogonal deb = (2 -2 lf sobre el espa- galope. Un animal que t:.rota tiene al menos una pata en
cio columna de la matriz A. el suelo en todo momento, mientras que un animal que
galopa separa las cuatro patas del suelo en algun punto
de la zancada. El numero de zancadas por minuto al que
un animal despunta del trote al galope depende del peso
de! animal. Use la tabla y el metodo de! Ejemplo 10 para
Determinacion de la recta de regresion por minimos encontrar una ecuaci6n que relacione el peso x de un
cuadrados En los ejercicios 29 a 32, encuentre la recta de animal (en libras) y su velocidad mas baja de galope y
regresi6n por mfnimos cuadrados para los puntos dados. (en zancadas por minuto).
Grafique los puntos y la recta en el mismo grupo de ejes. I
Peso, x 25 35 50
29. (- 1, 1), (1, 0), (3, -3)
30. (l , 1), (2, 3), (4, 5) Velocidad de galope, y 19 l.5 182.7 113.8 1
31. (-2, 1), (- I , 2), (0, 1), (1, 2), (2, 1)

32. (-2, 0), (- 1, 2), (0, 3), ( I, 5), (2, 6) Peso, x 75 500 l000
Determinacion del polinomio cuadratico de minimos I Velocidad de galope, y 164.2 125.9 114.2
cuadrados En los ejercicios 33 a 36, encuentre el polino-
mio cuadratico de mfnimos cuadrados para los datos dados. ~ 40. [ru[g(r!A]~"i]'[g Explique c6mo se usan la orto-
33. (0, 0), (2, 2), (3, 6), (4, 12) gonalidad, los complementos ortogonales, la pro-
34. (0, 2), (1, ~). (2, ~). (3, 4) yecci6n de un vector y los subespac ios fundamen-
tales para encontrar la soluci6n de un problema de
35. (-2, 0), (- 1, 0), (0, 1), ( 1, 2), (2, 5)
rnfnimos cuadrados.
36. (-2, 6), (-1, 5), (o, ~), (I, 2), (2, -1)
LVerdadero o falso? En los ejercicios 4 1 y 42, determine
e 37. Titulos doctorales La tabla muestra el numero de
titulos doctorales y (en miles) otorgados en los Estados
Unidos entre 2005 a 2008. Encuentre la recta de regre-
adecuada del texto. Si la ex presi6n es falsa, proporcione un
si6n por mfnimos cuadrados para los datos. Despues use
el modelo para predecir el numero de tirulos que seran
entregados en 20 15. Sea I el afio, con I = 5 correspon-
diente a 2005. (Fuente: U.S. National Center for Educa- 41. (a) El complemento ortogonal de R" es el conjunto
tion Statistics) vacfo.
(b) Si cada vector v E R" puede escribirse unicamente
Aiio 2005 2006 2007 2008 como una suma de un vectors I de S I y un vector s2 de
S2, entonces R'' se denomina suma directa de S 1 y S2•
Doctorados, y 52.6 56. 1 60.6 63.7
42. (a) Si A es una matriz de m X n, entonces R(A) y N(A 7)
son s ubespacios ortogonales de R".
'=' 38. Ganancias La tabla muestra las ganancias netas y (en
miles de millones de d6lares) de General Dynamics Cor- (b) El conjunto de todos los vectores ortogonales a todo
poraci6n desde el afio 2005 hasta el afio 20 IO. Encuentre vector en un subespacio S se denomina complemento
la recta de regresi6n cuadratica por mfnimos cuadrados y ortogona1 de S.
el polinomio cubico de regresi6n para los datos dados. (c) Dada una matriz A de m x n y un vector b en R111 , el
Despues use el modelo para predecir las ganancias en problema de mfnimos cuadrados es encontrar x en R"
2015. Seat el afio, cont = 5 correspondiente a 2005. l Que tal que IIAx - bll2 sea minimo.
modelo parece mas preciso para predecir ganancias futu-
ras? Explique (Fuente: General Dynamics Corporation.) 43. Prueba Demuestre que si S 1 y S2 son s ubespacios
ortogonales de R", entonces su intersecci6n consta s6lo
Ano 2005 2006 2007 del vector cero.
Ganancias,y 21.2 24.l 27.2 44. Prueba Demuestre que el complemento ortogonal de
un subespacio R" es en sf mis mo un subespacio de R".
Ano 2008 2009 20 IO I 45. Prueba Demuestre el teorema 5.4.

46. Prueba Demuestre que si S 1 y S2 son subespacios de
Ganancias, y 29.3 32.0 I 32.5 I R" y si R" = S 1 EB S2, entonces S 1 It S2 = {0}.
5.5 Aplicaciones de las espacios con producto interno 271
5.5 Aplicaciones de los espacios con producto interno
■ Encontrar el producto cruz de dos vectores en R3.

Encontrar la aproximaci6n lineal o cuadratica par mfnimos cuadrados
■ de una funci6n.
■ Encontrar la aproximaci6n de Fourier de n-esimo orden de una funci6n.
EL PRODUCTO CRUZ DE DOS VECTORES EN R3

Aquf se considerara un produclo vectorial con el que se puede obtener un vecLor en R3
ortogonal a otros dos vectores dados. Este vector se denomina producto cruz y, por con-
venencia, se define y calcula con vectores expresados en forrna de vector unitario estandar
como sig ue.
COM ENTARIO
El producto cruz se define sola-
mente para vectores en Ffl. No
Definici6n del producto cruz de dos vectores
se define el producto cruz de
Sea u = u 1i + u2i + u3k y v = v1i + v2i + v3k vectores en R3. El producto cruz de
dos vectores en R2 o dos vecto-
*
res en Rn, n 3.
u y v es el vector
u x v = (u2 v3 - u 3 v2)i - (u 1v3 - u3 v1)j + (u 1v2 - u 2 v 1)k.
Un metodo conveniente para recordar la f6rmula del producto cruz u X v es usar la

siguiente forma de determinante.
j k
u x v = uI u2 tt3 ~ Componentcs de u
v, v2 v3 ~ Componentes de v
Tecnicamente, lo anterior no es un determinante porque no todos los elementos son mime-

ros reales. A pesar de ello, es de utilidad porque proporcio na una manera facil para recor-
dar la formula del producto cruz. Al desarrollar por cofactores el primer rengl6n se obtiene
u X V = I:: ::Ii -I:: ::lj + IL~: ::lk

= (u 2v3 - u 3 v2)i - (u 1v3 - u3 v)j + (u 1v2 - u 2 v1)k
que produce la f6rmula dada en la definici6n. Asegurese de observar que la componente j
este precedida por un signo menos .
ALGEBRA En fisica, el producto cruz puede usarse para medir la rotaci6n, el

momento M de una fuerza F respecto a un punto A, como se muestra
LINEAL en la figura siguiente. Cuando el punto de aplicaci6n de la fuerza es 8,
APLICADA el momento de F respecto a A esta dado por
M = AB x F
donde AB representa al vector cuyo
punto inicial es A y cuyo punto ter-
minal es 8. La magnitud del
momento M mide la tendencia de
AB para rotar en sentido contrario
a las manecillas del reloj respecto
a un eje dirigido a lo largo del vec-
tor M.
marl< cmom/Shutterstock.Com
NOTA TECNOLOGICA j EJEMPLO 1 Determinacion del producto cruz de dos vectores

programas pueden encontrar un Dados u =i- 2j + k y v = 3i + j - 2k. Encuentre cada producto cruz.
producto cruz. Po r ejemplo, si
usted usa una aplicaci6n grafica a. u x v b. v x u c. v x v
para verificar el resultado del
Ejemplo 1(b), vera algo similar a
SOLUCION
lo siguiente.
j k
UcClGP.:V ~ a. u x v= I -2 1
~I=]
<'l-·2 3 -2
9)=1
UcCTGP.: 1_1
a1:s
ot'"l-i
~
= 1- ~ 'I· - I'3 - 2'I·J +I'3
- 2 I - ~1k
9)= -2 = 3i + +7k 5j
c.ro;;,. (I.I' U>
( ·'! -S -7l
j k
b. v x u = 3 -2
-2
= 1- ~ -~1 i - I~ -21 .
IJ
+13I -2
I lk
= - 3i - 5j - 7k
Observe que este resultado es el negativo del resultado del inciso (a).
Simulacion
Para explorar mejor este con- j k
cepto con un simulador electr6- c. V X V = 3 I - 2
nico y para los comandos y la
sintaxis de prograrnaci6n para
3 -2
estas aplicaciones especfficas y
programas de c6mputo relativos = I~ -21. - 13
-2 I 3
-21.
-2 J
+133 ~lk
al ejemplo 1, por favor visite
college. cengage.com/pic/larso- = Oi +Oj +Ok = 0
nELA6e. Ejercicios y proyectos
similares tarnbien estan disponi- Los resultados del ejemplo 1 sugieren algunas propiedades algebraicas interesantes
bles en este sitio del producto cruz. Por ejemplo,
u x v = - (v x u) y v x v = 0.
Estas propiedades, junto con otras, se dan en el siguiente teorema.
TEOREMA 5.17 Propiedades algebraicas del producto cruz

Si u, v y w son vectores en R3 y c es un escalar, entonces las siguientes propiedades
son verdaderas.
1. u X V = - (v X u)
2. u x (v + w) = (u x v) + (u x w)
3. c(u x v) = cu x v = u x CV
4. U X O = 0 X U = 0
5. U X U = 0
6. U • ( V X W) = (U X V) • W
DEMOSTRACION
Se demostrara solo la primera propiedad, dejando la demostraci6n de las otras como ejer-
cicio para usted. (Veanse los ejercicios 53-57.) Sean u y v
U = U1i + U2j + U3k
y
Entonces, u X v es
j k
U X V = u 1 U2 U3
VI V2 V3
= (uzV3 - U3Vz)i - (u I V3 - U 3V1)j + (u I V2 - U 2V1)k
y v X u es
j k
V X U = vi Vz V3
U1 Uz U3
= (v2U 3 - V3U2) i - (v1U 3 - V3U1)j + (v1U2 - V2U1)k
-(uzV3 - U3V2)i + (u1V3 - U3V1 )j - (u1V2 - U2V1)k
= -(v x u).
La propiedad I de! teorema 5. 17 establece que los vectores u X v y v X u tienen la misma
longitud pero direcci6n opuesta. La implicaci6n geometrica de este resultado se analizara
despues de establecer algunas propiedades geometricas del producto cruz de dos vectores.
TEOREMA 5.18 Propiedades geometricas del producto cruz

Si u y v son vectores diferentes de cero en R3, entonces se cumplen las siguientes
propiedades.
1. u X v es ortogonal tanto a u como a v.
2. El angulo O entre u y v esta dado por llu X vii = llull l vll sen O.
3. u y v son paralelos si y s6lo si u X v = 0.
4. El paralelogramo que tie ne a u y v como lados adyacentes tiene un area
igual a l u X vii-
-----------------, DEMOSTRACION
'
'' Se demuestra la propiedad 4, dejando como ejercicio para usted la demostraci6n de las
'
llv ll sen 0 ,' demas. (Yeanse los ejercicios 58-60.) Sean u y v dos ]ados adyacentes de un parale lo-
'
' gramo, como se observa en la figura 5.28. Por la propiedad 2, el area de este paralelogramo
'' esta dada por
'
u Base Altura
Figura 5.28 r-"-..~_,._~
Area = l ull l vll sen O = l u x v ii-

La propiedad I establece que el vector u X v es ortogonal tanto a u como a v. Esto
implica que u X v (y v X u) es ortogonal al piano determinado por u y v. Una forma de
recordar la orientaci6n de los vectores u, v y u X v es comparandolos con los vectores i,
j y k, como se muestra en la figura 5.29. Los tres vectores u, v y u X v forman un sistema
dextr6giro (de mono derecha), mientras que los vectores u, v y v X u fonnan un sis-
tema Lev6giro (de mano izquierda).
k =ixj
Este es el piano
determinado
planoxy por u y v
Sistemas
Figura 5.29 dextr6giros
27 4 Capitulo 5 Espacios con producto i nterno
Determinaci6n de un vector ortogonal

EJEMPLO 2 a dos vectores dados
Encuentre un vector un itario que sea ortogonal tanto a
u = i - 4j +k
y
V = 2i + 3j .
SOLUCION
(- 3,2, ll )
12
10
• Por la propiedad I del teorema 5. 18 sabemos que el producto cruz
j k
8 u x v= I - 4 I
6
2 3 0
= - 3i + 2j + l lk
es ortogonal tanto a u como a v, como se observa en la figura 5.30. Luego, al dividir entre
la longitud de u x v,
l ux vii= J(- 3)2 + 22 + 11 2
X
4 4 )'
= fi34
(2, 3, 0)
y obtenemos e l vector unitario
Figura 5.30
ux v 3 2 11
II u X VII = - ✓134 i + ✓134 j + ✓134 k
que es ortogonal tanto a u como a v
3 2 11 )
(- ✓134' ✓134' ✓134 · ( I, - 4, 1) = 0
y
3 2 II )
(- fi34' ~ · JJ34 · (2, 3, 0) = 0.
EJEMPLO 3 Definiendo el area de un paralelogramo
Encuentre el area de) paralelogramo que tiene

u = -3i + 4j + k
y
v = - 2j + 6k
como !ados adyacentes, ta! como se observa en la figura 5.3 1.
SOLUCION
Por la propiedad 4 de! teorema 5. 18 sabemos que el area de este paralelogramo es llu X vii.
Ya que
X
j k
4
5 u x v = -3 4 I = 26i + 18j + 6k
6
7 )' 0 - 2 6
El area del paralelogramo esta dada por
II u x v II = ✓ 1036. el area del paralelogramo es
Figura 5.31 l ux vii= ✓262 + 182 + 62 = ~ = 32. 19 unidades cuadradas.
APROXIMACIONES POR MINIMOS CUADRADOS {CALCULO)

Muchos problemas de ciencias ffsicas e ingenierfa implican una aproximaci6n de una
func i6nf mediante otra funci6n g. Si festa en C[a, b] (el espacio con producto interno de
todas las func io nes definidas sobre [a, b ]), entonces g suele elegirse de un subespacio W
de C[a, b]. Por ejemplo, para aproximar la funci6n
f(x) = ex, 0 :5 x :5 l
podrfa elegirse una de las formas siguientes para g.

1. g(x) = a0 + a 1x, 0 :5 x :5 l Lineal
2. g(x) = a 0 + a 1x + a 2x1-, 0 $ x $ Cuadratica
3. g(x) = a0 + a I cos x + a 2 sen x, 0 :5 x :5 Trigonometrica
Antes de analizar metodos para determinar la funci6n g es necesario definir c6mo una
funci6n puede aproximar "mejor" otra funci6 n. Una forma natural serfa requerir que el
area acotada por las g raficas defy g sobre el intervalo [a, b],
Area = f IJ(x) - g(x) I dx
sea minima con respecto a otras funciones en el subespacio W, como se observa en la

Figura 5.32.
y
Figura 5.32
Sin embargo, como los integrandos que implican valores absolutos a menudo son diffciles
de evaJuar, es mas comun e levar al cuadrado el integrando para obtener
f [/(x) - g(x)] 2 dx.
Con este criterio, la funci6n g se denomina aproximaci6n por mininos cuadrados def
con respecto aJ espacio W con producto interno.
Definici6n de la aproximaci6n por minimos cuadrados

Seaf continua sobre [a, b] y sea Wun subespacio de C[a, b ]. Una funci6n gen W se
denornina aproximacion por minimos cuadrados def con respecto a W si el valor
de
es mfnimo con respecto a todas las demas funciones en W.
Si el subespacio W de la definic i6n anterior es todo el espacio C[a, b], entonces

g(x) = f(x) , lo cual implica que I = 0.
Determinacion de una aproximacion

j EJEMPLO 4 por minimos cuadrados
Encuentre la aproximaci6n por mfnimos cuadrados g(x) = a 0 + a 1x de

J (x) = ex, 0 :5 x :5 I.
SOLUCION
Para esta aproximaci6n es necesario detenninar las constantes a0 y a 1 que minimizan el
valor de
I = L [J(x) - g(x)]2dx
= L (ex - a0 - a 1x)2dx.
Al evaluar esta integral, tenemos
f = f cex - ao - alx)2 dx
= l
0
1
(e2x - 2a0 ex - 2a Ixe" + a 2O + 2aOa I x + a 2Ix2) dx
1 , , , , x 3] 1
= [ -e-• - 2a0 ex - 2a I ex(x - 1) + a=r
IT"
+ a0 ax-
I
+ a-I -3 O
2
= .!.(e
2
2 - 1) - 2a0 (e - 1) - 2a I + a O2 + a OJ
a + .!.a
3 1•
2
Ahora, considerando que / es una funci6n de las variables a 0 y a1, por medio de! calculo
se determinan los valores de a0 y a 1 que minimizan l . Especfficamente, igualando a cero
las derivadas parciales
a1
- = 2a0 - 2e + 2 + a1
aao
a,
-aa = aO + -a -
2
2
I
3 I
obtenemos las dos ecuaciones lineales en a0 y a I siguientes

2a0 + a1 = 2(e - 1)
3a0 + 2a 1 = 6
La soluci6n de este sistema es
a0 = 4e - 10 = 0.873 y a 1 = 18 - 6e = 1.690.
(Verifique esto.) Por consiguiente, la mejor aproximaci6n lineal para f(x) = e" sobre el
intervalo [O, 1) esta dada por
g(x) = 4e - 10 + ( 18 - 6e)x = 0.873 + I .69Ox.
Figura 5.33 En la fig ura 5.33 se comparan las graficas defy g sobre [0, 1).
Por supuesto, la aprollimaci6n obtenida en el ej emplo 4 depende de la definici6n de

mejor aproximaci6n. Por ejemplo, si la definici6n de "mejor" hubiera sido el polinomio de
taylor de grado 1 centrado en 0.5, entonces la funci6n de aproximaci6n g habrfa sido
g(x) = J(0.5) + f'(0.5)(x - 0.5)
= e0.5 + e0.5(x - 0.5)
= 0.824 + l .649x.
Ademas, la funci6n g obtenida en el ejemplo 4 es s6lo la mejor aproximaci6n lineal
def (segun el criterio de mfnimos cuadrados). En el ejemplo 5 se encuentra la mejor
aproximaci6n cuadr{l/ica.
5.5 Aplicaciones de las espacios con product o interno 277
Determinacion de una aproximacion

[ EJEMPLO 5 por minimos cuadrados
Determine la aproximaci6n por mfnimos cuadrados g(x) = a0 + a 1x + a2x2 paraf(x) = e',
0=5x=5 l.
SOLUCION
Para esta aproximac i6n es necesario encontrar los valo res de a0 , a 1 y a 2 que minimizan el
valor de
I = L [J(x) - g(x)]2 dx
= L (ex - a0 - a 1x - a2x 2 )2 dx
I
= - (e2 - I) + 2a 0( 1 - e) + 2a,(2 - e)
2 -
2 I I I
+ a6+ a0a 1 +
3aoa 2 + 2a a1 2 +
3aT + 5a~ - 2a 1•
Al integrar e igualar a cero las derivadas parciales de / (con respecto a a0 , a 1 y a 2) se

obtiene el siguiente sistema de ecuaciones lineales.
6a0 + 3a 1 + 2a2 = 6(e - I)
6a0 + 4a 1 + 3a2 = 12
20a0 + 15a 1 + 12a 2 = 60(e - 2)
La soluci6 n de este sistema es
a0 = - 105 + 39e = l.0 13
a1 = 588 - 2 16e = 0.85 1
G2 = - 570 + 2 10e = 0.839.
(Verifique esto.) Por tanto, la funci6 n de aprox.imaci6n g es 8(X) = l.0 13 + 0.85 lx +
Figura 5.34 0.839.x2. En la figura 5.34 se comparan las graficas defy 8 ·
La integ ral / (dada en la definici6n de la aproximaci6n po r mfnimos cuadrados) puede
expresarse en forma vectorial. Para ello se aplica el producto intemo defin ido en el ejem-
plo 5 de la secci6n 5.2:
(/, g) = {bf(x)8(x) dx.

J,
Con este producto intemo se tiene
I=
J,{b[J(x) - 8(x)]2dx = (J- 8J- 8) = llf- 811 2 -
Esto significa que la funci6n de aprox imaci6n por mfnimos cuad rados g es la func i6n que
minimiza 11 f - 8112 o, de manera equivalente, que minimiza 11 f - 811- En otras palabras, la
aproximaci6 n por mfnimos cuadrados de una funci6n Jes la func i6n 8 (en el subespacio
W) mas pr6xima a fen terminos de! producto intem o if, 8). El siguiente teorema da un
metodo para determinar la fu nci6n 8-
TEOREMA 5.19 Aproximacion por minimos cuadrados

Seafcontinua sobre [a, b] y sea Wun subespacio de dimensi6n fini ta de C[a, b]. La
funci6n de aproximaci6n por mfnimos cuadrados def con respecto a Westa dada por
= (J, W 1)W 1 + (f, W2)W2 + · · · + (J, w,,)w,,
g
donde B = {w 1, w2 , . . . w,,} es una base ortonormal de W.

DEMOSTRACION
Para demostrar que g es la funci6n de aproximaci 6n por mfnimos cuadrados def es nece-
sario probar que la desigualdad ll f - gll :5 Ill- wll es verdadera para cualquier vector w en
W. Al expresar f- g como
l- g = l- (.f, w 1)w 1 - (f, w2 )w2 - · · · - (f, w,)w,,
se puede observar quef- g es ortogonal a cada W;, lo cuaJ implica que es ortogonaJ a cada
vector en W. En particular,f- g es ortogonal a g - w . Esto permite aplicar el teorema de
Pitagoras a la suma vectorial l - w = (f- g) + (g - w) para concluir que llf- wll2 = Ill
2 2 2 2
- gll + Ilg - wll . Por tanto, se concluye que llf- gll :511/- wll , lo cual entonces implica
que Ill- KIi :5 II l - wll-
Ahora vere mos c6mo se puede usar el teorema 5.1 9 para producir la aproximaci6n por
minimos cuadrados obtenida en el ejemplo 4 . Primero apliquemos el proceso de ortonor-
malizaci6n de Gram-Schmidt a la base estandar { I , x } para obtener la base ortonormal
B = { I, ✓3(2x - I)}. (Yerifique esto.) Luego, por el teorema 5.19 la aproximaci6n por
mfnimos cuadrados para e'en el subespacio de todas las funciones lineales esta dada por
g(x) = (ex, 1)(1) + (ex, ✓3(2x - 1)) ✓3(2x - l)
= L ex dx + ✓3(2x - I) L fiex(2x - I) dx
= f exdx + 3(2x - I) f ex(2x - I) dx
= 4e - lO + (18 - 6e)x
lo cual concuerda con el resultado obtenido en el ejemplo 4.
Determinaci6n de una aproximaci6n

EJEMPLO 6 por minimos cuadrados
Encuentre la aproximaci6n por mfnimos cuadrados para / (x) = Sen x, 0 :5 x :5 7T, con
respecto al subespacio W de funciones polinomiales de grado menor e igual a 2.
SOLUCION
Para usar el teorema 5.19 aplique el proceso de ortonormalizaci6n de Gram-Schmidt a la
base estandar de W, {I , x, x2}, para obtener la base ortonormal
B -
_ J
1 w 1, w2 , w 3
} _
-
{-lJ,;,' ✓3
7T-./7T 2x
( _ ) Jsh ( 7T , 7r2 6x
2_ 67Tx + 2)} 7T .
(Verifique esto.) La funci6n de aproximaci6n por minimos cuadrados g esta dada por
g(x) = (f, w,)w, + (f, W2)W 2 + (.f, W3)W3
y queda
(/, wi) = -
L7TSen xdx = - ')--
I
h o h
(/, w 2 ) = fir=
7T ✓ 7T 0
l" Sen x(2x - 7r) dx = 0
(/, w 3 ) = -Js
-L7TSen x(6x2 - 6m: + 7r2 ) dx = 2Js
- ?- ( 7r2 - 12).
7r2 f,;, 0 7r- f,;,
Entonces, g es
2 l0(7T 2 - 12)
g(x) = - +
7T 7T5
(6x 2 - 6m + 7r2 ) =- 0.4 177x 2 + l.3122x - 0.0505.
Figura 5.35 En la figura 5.35 se muestran las graficas def y g .

APROXIMACIONES DE FOURIER (CALCULO)

Ahora podemos ver un tipo especial de aprox imaci6n por mfnimos cuadrados Hamada
aproximacion de Fourier. Para esta aproximaci6n, considere las funciones de la forma
g(x) = Do + D I cos x + · · · + a 11
cos nx + b1 sen x + · · ·+ b11 sen nx
2
en el subespacio W de
C[O, 2 7T]
generado por la base
S = {l , cos x, cos 2x, . . . , cos nx, sen x, sen 2x, . .. , sen nx}.
Estos vectores 2n + I son ortogonales en el espacio con producto interno C[O, 27T] debido
a que
(f, g) = f 'lT J(x)g(x) dx = 0, f 1= g
como lo demostramos en el ejemplo 3 de la secci6n 5.3. Ademas, normaJizando cada fun-

c i6n en esta base, podemos obtener la base ortonormal
= {~ , J;. cos x , . . . , J;. cos nx, J;. sen x, . . . , J;. sen nx }-
Con esta base ortonormaJ, usted puede aplicar el teorema 5. 19 para escribir
g(x) = (f, w0 )w0 + (f, w 1)w 1 + · · · + (J, w2,,)w2,,·
Los coeficientes
para g(x) en la ecuaci6n
g ( x) = Do + D 1 cos x + · · · + a cos nx + b1 sen x + · · · + b sen nx

2 11 11
se muestran por las siguientes integrales.
a0 = (f, w0 ) -2- = -2-

Ji;- Ji;
I 0
2'1T I
J(x)--d.x
Ji;-
= -I
7T 0
I
2r.
f(.x) dx
l I f 2'1T 1 I f 2'1T
a,= (J, w 1) r= = r= f(x) r=cos.xdx =- f(x)cosxdx
v 7T v 7T o v 7T 7T o
a,, = (f, w,,) I, = ,I

v 7T v 7T o
I 2'1T
f(x) ,cos nx dx
v 7T
I
= -I 1 2,rf(x) cos nx dx
77 o
b1 = (/, w,, + 1) r= = r=
v 7T
I I
✓ 7T o
I 2r.
f(x) r= sen x dx
v 7T
1
=-
I
7T o
I 2'1T
f(x) sen x dx
b,, = (J, w211 ) r= = r=

I I f 21r I
J(x) r= sen nx dx
112,,J(x)
= -77
. sen nx dx
v 7T v 7T o v 7T o
La funci6n g(x) se denomina aproximacion de Fourier de n-esimo orden de Jen el inter-
valo [0, 27T]. Como los coeficientes de Fourier, esta funci6n recibe su nombre en honor del
matematico frances Jean-Baptiste Joseph Fourier (1768-1830). Esto nos conduce al teo-
rema 5.20.
TEOREMA 5.20 Aproximaci6n de Fourier

En el intervalo [0, 21r], la aprox imaci6n por mfnimos cuadrados de una funci6 n
continua/ con respecto al espacio vectorial generado por
{l , Cosx, . .. , Cosnx, Senx, .. . , Sennx}
esta dada por
a
g(x) = _Q + a , Cosx + · · · + a,, Cos,u + b 1 Senx + · · · + b,, Sen nx
2
donde los coeficientes de Fourier a0 , a,, . .. , a,,, b 1, ••• b,, son
a0 = -1
1T 0
L 2
J(x) dx
1r
ak =- ]L
1T 0
2
7T
f(x) Coskxdx, k = I , 2, . . . , n
bk = -11 7T
f(x) Sen k.x dx, k = I , 2, . . . , n.
1T 0
EJEMPLO 7 Determinaci6n de una aproximaci6n de Fourier
Encuentre la aprox imaci6n de Fourier de tercer orden de la fu nci6nf (x) = x, 0 $ x $ 21r.

SOLUCION
Aplicando el teorema 5.20 tenemos
g(x) = ~o + a, Cosx + a2 Cos 2x + a 3 Cos 3x + b 1 Sen x + b2 Sen 2x + b3 Sen 3x
donde
a = -
1127Tx dx = I
- 21r 2 = 21r
0 1T 1T
0
ai = -
]f
1T O
27T
x Cosjx dx =
[ ]
~ Cosjx
1Tj
X
1Tj
]2,r
+ ---: Senjx =
0
0
b- = _!_
J
f
1T O
2
1
'1Tx Senjx dx = [ - -. 2 Senjx -
1TJ
~
1TJ
Cosjx]
2
O
r. = -~ .
J
Esto implica que ao = 21r, a, = 0, a2 = 0, a3 = 0, b 1 = - 2, b2 =-~=- I y b3 = -i- Asf,

tenemos
21T 2
g(x) =- - 2 Sen x - Sen 2x - - Sen 3x
2 3
2
= 1T - 2 Sen x - Sen 2x -
3 Sen 3x.
En la fig ura 5.36 se muestra una comparaci6n
de las graficas defy g.
Aproximaci6n de Fourier de tercer orden

Figura 5.36
5.5 Aplicaciones de las espacios con product o interno 28 1
En e l ejemp lo 7, el patron general de los coefic ientes de Fourier parece ser a 0 = 21r,
{I I = C/2 = ' ' ' a,, = 0 y
2 2
b = - - b = - -
1 1' 2 2'
Asf, la aproximac i6n de Fourier de orden n-esimo def (x) = x es

g(x) = 7T - 2 ( Sen x + -l Sen 2x + -l Sen 3x + · · · + -l Sen nx ) .
2 3 n
A medida que 11 crece, mejora la aproximaci6n de Fourier. Por ejemplo, en la figura 5.37 se
muestran las aproximac iones de Fourier de cuarto y q uinto orden def(x) = x , 0 $ x $ 21r.
y
2rr
TC 2 rc
Aproximaci6n de Fourier de cuarto orden Aproximaci6n de Fourier de quinto orden
Figura 5.37
En cursos avanzados se demuestra que cuando 11 ➔ oo, el error de aproximaci6n II!- gll
tiende a cero para toda x en el intervalo (0, 21r). La serie infinita de g(x) se llama serie de
Fourier.
EJEMPLO 8 Determinacion de una aproximacion de Fourier
Encuentre la aproximaci6n de Fourier de cuarto orden de f(x) = Ix - 1rj, 0 $ x $ 21r.
SOLUCION
Con el teorema 5.20, los coeficientes de Fourier se encuentran como sigue
ao = -I 1Ix - 1rl
2
1T dx = 7T
1Ix - 1rl
7T 0
2
ak = -l 1T Coskxdx
7T 0
= -2 1 1T(1r - x) Coskxdx
7T 0
bk = -I
7T 0
1Ix - 1rl
2
1T Sen kxdx =0
Asf, a0 = 1r, a 1 = 4l 1r, a 2 = 0, a 3 = 4l91r, a 4 = 0, b 1 = 0, b2 = 0, b3 = 0 y b 4 = 0, lo
cu al s ignifi ca que la aproximaci6n de Fourier de cuarto orden def es
4 cos3.r 1r 4 4
•
l((x)=i+.1cosx+
.!. ,r 9,r g(x) =- +- Cos x +- Cos 3x .
2 1r 97T
Figura 5.38 En la figura 5.38 se comparan las graficas defy g

5. 5 Ejerci Ci OS Consulte www.CatcChat.com para las soluciones de los eJerc1cios nones.
Determinaci6n de producto cruz En los ejercicios I a 6, 33. u = 3i + j 34. u = i + 2j

encuentre el producto cruz de los vectores unitarios [donde i = v = j + k v = i - 3k
( I , 0, 0), j = (0, I , 0) y k = (0, 0, I)]. Grafique su resultado.
35. u = - 3i + 2j - 5k 36. u = 7i - 14j + 5k
1. j X j 2. i X j
v = 12 i - ,1J.
4
+ .l..k
10 v = 14i + 28j - 15k
3. j x k 4. k x j
37. u = i + j - k
5. i x k 6. k x i
v = i + j + k
Determinaci6n de producto cruz En los Ejercicios 38. u = i - 2j + 2k
7-12, encuentre (a) u X v, (b) v X u y (c) v X v. v = 2i - j - 2k
7. u = i - j, v =j + k
8. u = 2i + k, v = i + 3k Determinaci6n del area de un paralelogramo En los
ejercicios 39 a 42, encuentre el area del paralelogramo que
9. u = i + 2j - k , v = i + j + 2k
tiene como !ados adyacentes los vectores dados.
10. u = i - j - k , v = 2i + 2j + 2k 39. u = j, v =j + k
11. U = (3, - 2, 4), V = (J, 5, - 3) 40. u = i + j + k, v = j + k
12. U = (-2,9, -3), V = (4,6, -5) 41. U = (3, 2, -) ), V = ( J,2,3)
Determinaci6n de producto cruz En los ejercicios 13 a 42. u = (2, - I , 0), V = (-1, 2, 0)
22, encuentre u x v y demuestre que este es ortogonal a u y v.
Aplicaci6n geometrica del producto cruz En los ejer-
13. U = (0, J, - 2), V = (J, -J ,0) c icios 43 y 44, verifique que los puntos son los vertices de un
14. u = ( -1 , 1, 2), v = (0, 1, -1 ) paralelogramo y despues encuentre su area.
15. u = (12, - 3, 1), v = (-2, 5, I) 43. ( I , I , 1),(2,3, 4), (6, 5,2),(7, 7, 5)
16. u = (-2, I, 1), v = (4, 2, 0) 44. (2, -1 , 1), (5, I, 4), (0, I, 1), (3, 3, 4)
17. U = (2, -3, 1), V = (1, -2, 1)
Triple producto escalar En los ejerc ic ios 45 a 48, halle
18. = (4, J, 0), V = (3, 2, -2)
U
u · (v X w). Esta cantidad se llama triple producto escalar
19. u = j + 6k, v = 2i - k de u, v y w.
20. u = 2i - j + k , v = 3i - j 45. u = i, v = j , w = k
21. u = i + j + k , v = 2i + j - k 46. u = - i, v = - j, w = k
22. u = i - 2j + k, v = - i + 3j - 2k 47. U = (1, 1, 1), V = (2, J, 0), W = (0, 0, J)
Determinaci6n de producto cruz En los ejercicios 23 a 48. u = (2,0, I ), v = (0,3, 0), w = (0, 0, 1)
J!I\ 30, utilice una aplicac i6n grafica con capacidades vectori ales 49. Volumen de un paralelepipedo Demuestre que el
'C'JI para encontrar u x v y despues demuestre que este es orto- volumen de un paralelepfpedo que tiene a u, v y w como
gonal a u y v.
lados adyacentes es el triple producto escalar lo · (v X w)l-
23. u = (l , 2, - 1), v = (2, l, 2)
50. Determinaci6n del volumen de un para-
24. U = (1, 2, -3), V = (- ), 1, 2) lelepipedo Use el resultado del Ejercicio 49 para
25. u = (0, I , -1 ), v = ( 1, 2, 0) encontrar el vol umen de cada paralelepfpedo.
26. u = (0, 1, -2), v = (0, 1, 4) (a) u =i+j (b) u = i +j
27. u = 2i - j + k, v = i - 2j + k v= j + k v =j + k
28. u = 3i - j + k, v = 2i + j - k w = i + 2k w =i+k
29. u = 2i + j - k, v = i - j + 2k z
30. u = 4i + 2j, v =i - 4k
2
Uso del producto cruz En los Ejerc ic ios 3 1-38, encuen-

tre un vector unitario ortogonal para ambos u y v.
31. u = (2, - 3, 4) 32. u = (2, - 1,3)
( I , I, 0) ( I , I , 0)
v = (0, - 1, 1) v = (l , 0,-2) X X
5.5 Ejercicios 283
(c) u = (0, 2, 2) (d) u = (I, 2, - I) Determinaci6n de una aproximac,on por minimos

V = (0, 0, -2) v = (- I , 2, 2) cuadrados En los Ejercicios 69 a 72, (a) encuentre la
aproximaci6n por mfnimos cuadrados g(x) = a0 + a 1x +
w = (3, 0, 2) w = (2, 0. 1)
aiX2 de la funci6n f y (b) use una aplicaci6n grafica para
graficar f y g en la mis ma ventana de visualizaci6n.
69. J(x) = x 3, 0 s x s I
70. f(x) = ✓x, I S x S 4
71. J(x) = sen x, - 1r/ 2 s x s 1r/ 2
72. f(x) = COS X, - 1r/ 2 S X S 7T/ 2
Determinaci6n de una aproximaci6n de Fourier En

X los ejercicios 73 a 84, encuentre la aproximaci6n de Fourier
del orde n especificado para la funci6 n e n el intervalo [0, 21r].
Determinacion del area de un triangulo En los eje rci-
73. f(x) = 1r - x, 3er orden
cios 51 y 52, e nc ue ntre el area del triangulo con los vertice
dados. Use el hecho de que el area de! trian gulo tiene a u y v 74. f(x) = 1r - x, 410 orden
como )ados adyacentes dado por A = ½llu X vll- 75. f(x) = (x - 1r)2, 3er orde n
51. ( 1, 3, 5), (3, 3, 0), (-2. 0, 5) 76. f(x) = (x - 1r)2, 4to orden
52. (2, -3, 4), (0, I, 2), (- 1, 2, 0) 77. f(x) = e- x, l erorden
78. f(x) = e- x, 2do orde n
53. Prueba Demuestre que u X (v + w) =
(u X v) + (u X w). 79. f(x) = e-2.r, I er orden
54. Prueba Demuestre que cu X v = c(u X v) =u X cv. 80. f(x) = e-2.r, 2do orden
55. Prueba Demuestre que u X 0 = 0 X u = 0. 81. J(x) = I + x, 3er o rde n
56. Prueba Demuestre que u X u = 0. 82. J(x) = I + x, 4 to o rde n
57. Prueba Demuestre que u · (v X w) = (u X v) • w. 83. f(x) = 2 sen x cos x, 4to orden
58. Prueba Demuestre que u X v es ortogonaJ a u y v. 84. f(x) = sen 2 x, 4to orde n
59. Prueba Demuestre que el angulo 8 entre u y v esta 85. Use los resultados de los ejercicios 73 y 74 para encon-
ll u xvll trar la aproximaci6n de Fourie r de 11-esimo orden de
dado por: 8 = Arcsen ll u llllv ll"
f(x) = 1r- x
60. Prueba Demuestre que u X v = 0 si y s6lo si u y v
en el intervaJo [0, 21r].
son paralelos.
86. Use los resultados de los ejercicios 75 y 76 para encon-
61. Prueba Demuestre la identidad de Lagrange:
trar la aproximaci6n de Fourie r de 11-esimo orden de
2 2 2
llu X vll = llu ll llvll - (u · v)2. f(x) = (x - 1r)2
62. Prueba
en e l intervalo [0, 21r].
(a) Demuestre que
87. Use los resultados de los Ejercicios 77 y 78 para encon-
u x {v x w) = {u · w)v - {u · v)w.
trar la aproximaci6n de Fourier de n-esimo orden de
(b) Enc ue ntre un ejemplo para el c ual J(x) = e-x
u x (v x w) * {u x v) x w. en el intervaJo fO, 21r 1-
Determinacion de una aproximacion por minimos
cuadrados En los ej ercicios 63 a 68, (a) e ncuentre la 88. 00rnl1Yi!~ij"s Explique c6 mo encontrar
funci6 n lineal g de aproximaci6n por minimos cuadrados cada uno de los s iguientes.
para la func i6 nf y (b) use una a plicaci6n grafica para graficar (a) El produc to cruz de dos vectores en R3
f y g. en la misma ventana de visualizaci6n.
(b) La aprox imaci6n por mfni mos cuadrados de una
63. J(x) = x 2, 0 s x s I funci6n f E C[a, b] con respecto de un subespacio
64. f(x) = ✓ x, I S x S 4 W de C[a, b]
65. f(x) = e 2', 0 s x s 1 (c) L a aproximaci6n de Fourier de n-esimo orde n en el
66. J(x) = e-2..-, 0 s x s 1 intervalo [0, 21r] de una funci6n cont inua f con
respecto del espacio vectorial generado por
67. j(x) = COS X , 0 S X S 7T
{ I, cos x, . . . , cos ,zx, sen x, . . . , sen nx}
68. f(x) = senx, 0 s x S 1r/ 2
5 Ejercicios de repaso Consulte www.CalcChat.com para las soluc1ones de las eierc1cios nones.
Determinaci6n de longitudes, producto punto y dis- 26. Para u = ( 0, 3, ½) y v = (t I, -3 ), (a) encue ntre el pro-
tancia En los ejercicios 1 a 8, encuentre (a) llull, (b) llvll, (c) ducto interno representado por (u, v) = 2u 1v 1 + u2 v2 +
u · v, y (d) d(u, v). 2u3 v3 y (b) use este producto intem o para encontrar la
1. u = (1, 2), v = (4, I) distancia entre u y v.
2. u = (- l , 2), v = (2, 3) 27. Yerifique la desigualdad del tri angulo y la desigualdad
3. u = (2, 1, I), v = (3, 2, - 1) de Cauchy-Schwarz para u y v del ejercicio 25. (Use el
4. U = (1, - 1, 2), V = (2, 3, 1) producto interno del ejercic io 25.)
28. Verifique la desigualdad del triangulo y la desigualdad
5. u = (I , -2, 0, 1), v = ( I, I , - 1, 0)
de Cauchy-Schwarz para u y v del ejercic io 26. (Use el
6. u = (I , -2, 2,0), v = (2, - 1,0, 2) producto intem o del ejercic io 26.)
7. U = (0, 1, - 1, 1, 2), V = (0, 1, -2, 1, 1)
Calculo En los ejercicios 29 y 30, (a) encuentre el pro-
8. U = (1, -1 , 0, 1, 1), V = (0, 1, - 2, 2, 1)
ducto interno, (b) detennine si los vectores son ortogonales y
Determinaci6n de longitud y un vector unitario En (c) verifique la desigualdad de Cauchy-Schwarz para los
los ejercicios 9 a 12 encuentre llvll, asf como un vector unita- vectores.
rio en la direcci6n de v.
9. V = (5, 3, - 2) 10. V = (1, - 2, 1) 29. J(x) = x, g(x) = -
X
2
1
- , ( /,
+I
g) = fl
-I
f(x)g(x) dx
11. v = (- I , I , 2) 12. v = (0, 2, - I)
30. J(x) = x, g(x) = 4x 2, (J, g) = L J(x)g(x) dx
13. Dado el vector v = (8, 8, 6), encuentre u tal que
(a) u tenga la misma di recci6n que v y la mitad de su
Determinaci6n de una proyecci6n ortogonal En los
longitud.
ejercicios 3 1 a 36, encuentre proyvu .
(b) u tenga la direcci6n opuesta de v y un cuarto de su
longitud. 31.u =(2,4), v = ( l , -5) 32.u =(2, 3), v =(0, 4)
(c) u tenga la direcci6n opuesta de v y el doble de su 33. U = (J, 2), V = (2, 5)
longitud.
34. U = (2, 5), V = (0, 5)
14. i,Para que valores de c es llc(2, 2, - I )II = 3?
35. U = (0, - 1, 2), V = (3, 2, 4)
Determinaci6n del angulo entre dos vectores En los 36. u = (1,2, - 1), V = (0, 2,3)
Ejercicios 15-20, encuentre el angulo 0 entre los dos vectores.
15. U = (2, 2), V = (-3, 3) Aplicaci6n del proceso de Gram-Schmidt En los ejer-
c icios 37 a 40, utilice el proceso de ortonormalizaci6n de
16. u = ( I, - I), v = (0, I) Gram-Schmidt para transformar la base en una base ortonor-
17. u = ( Cos
3
7T, Sen 3 7T), v = ( Cos 2 7T, Sen 2 7T) mal. (Use el producto intemo euclidiano.) para R" y use los
4 4 3 3 vectores en el orden en el cual se presentan.
18. u = ( Cos f Sen i), v = ( Cos

5
t 5
Sen ; ) 37. B
38.
= {(l , 1), (0,2)}
B = {(3, 4), (1, 2)}
19. u = ( 10, - 5, 15), v = (-2, I, -3)
39. B = {(0, 3, 4),( 1, 0, 0), ( 1, 1, 0)}
20. U = (1, 0, -3, 0), V = (2, -2, 1, 1) 40. B = {(0, 0, 2), (0, I , I), ( I , I, I)}
Determinaci6n de vectores ortogonales En los ejerci-
cios 2 1 a 24, encuentre todos los vectores ortogonales a u. 41. Sea B = {(0, 2, - 2), ( 1, 0, - 2)} una base del subespacio
de R3 y sea x = (- 1, 4, -2) un vecto r en el subespac io.
21. u = (0, - 4, 3)
(a) Escriba x como una combinaci6 n lineal de los vecto-
22. u = (I , - I , 2)
res e n B, es decir, encuentre las coordenadas de x
23. u = { I , -2, 2, I ) relativas a B.
24. u = (0, I, 2, - 1) (b) Use el proceso de ortonormalizaci6n de Gran-Schmidt
para transformar B en un conj unto ortonormal B' .
25. Para u = (2, -½
,
1) y v = (½, 2, - 1), (a) encuentre el
producto interno representado por (u, v) = u 1v1 + 2u2v2 (c) Escriba x como una combinaci6n lineal de los vecto-
+ 3u3 v3 y (b) use este producto intemo para encontrar la res en B', es decir, encuentre las coordenadas de x
distancia entre u y v. relativas a B'.
42. Repita el ejercicio 37 para B = {(-1 , 2, 2), (I , 0, 0)} y 55. Demostraci6n Sea u = {u 1, u 2, . . . , u111 } un subcon-
X = (-3, 4, 4). j unto ortonormal de R" y sea v cualquier vector en R".
Demuestre que
Calculo En los ejercic ios 43 a 46, seanf y g funciones en Ill
e l espacio vectorial C[a, b] con el producto interno l vll2 ~ ~ (v · u)2.

i= I
b
<J, g) =
l
"f(x)g(x) dx.
43. Demuestre que f(x) = sen x y g(x) = cos x son ortogo-

(esta desigualdad se llama desigualdad de Bessel.)
56. Demostraci6n Sea {x1, x 2 , • . . , x,,) un conj unto de
numeros reales. Use la desigualdad de Cauchy-Schwarz
para demostrar que
nales en C[0, 7T].
(x 1 + x 2 + · · · + x,,)2 s n(xf + x~ + · · · + x;,) .
44. Demuestre que J(x) = ~ y g(x) = 2x~
57. Demostraci6n Sean u y v vectores en un espacio V
son ortogonales en C[- 1, 1).
con producto interno. Demuestre que llu + vii = l u- vii
45. Seanf(x) = x y g(x) = x3 vectores en C[0, I]. si y solo si u y v so n ortogonales.
(a) Encuentre (J, g) 58. Escriba Sea {u 1, u2, .. . , u,,} un conj unto dependiente
(b) Encuentre llgll de vectores en un espacio V con producto intemo. Des-
(c) Encuentre d(f, g) criba el resultado de aplicar el proceso de ortono rmaliza-
(d) Ortonormalice el conjunto B = {f, g ) ci6 n de Gram-Schmidt a este conjunto.
59. Encuentre el complemento o rtogonal s1. del subespacio S
46. Sean f (x) = x + 2 y g(x) = 15x - 8 vectores en C[0, I].
de R3 generado por los dos vectores columna de la matriz
(a) Encuentre (J, g).
(b) Encuentre (- 4 f, g).
(c) Encuentre 11111- A = [~
0
~i-
- 1
(d) Ortonormalice el conj unto B = {f, g )
60. Hal le la proyecci6n del vector v = [l O -2f en el
47. Encuentre una base ortonormal para el siguiente subes- subspacio
pacio euc lidiano de un espacio eucl idiano de tres dimen-
siones.
W = {(x 1. x 2, x 3): x 1 + x 2 + x 3 = O}
s- -n[:]}
ge•{[
61. Encuentre las bases de los cuatro subespacios fu ndamen-
48. Encuentre una base ortonormal para el espac io soluci6 n
tales de la mauiz
del sistema de ecuaciones homogeneo.
x+y-z+ w=0
2x - y
49. Prueba
+z+ 2w =0
Dem uestre que si u, v y w so n vectores en R",
A-[~-~ n
62. Encuentre la recta de regresi6n por mfn imos cuadrados
entonces
para el conjunto de puntos
(u + v) · w = u · w + v · w. {(-2, 2), (- 1, I ), (0, I), (I , 3)}.
50. Prueba Demuestre que si u y v son vectores en R", Grafique los puntos y la recta en el mismo sistema coor-
entonces denado.
llu + vll 2 + llu - vll2 = 2jj uil2 + 2jj vll2 . G 63. Consumo de energia La tabla muestra el consumo
51. Prueba Demuestre que si u y v son vectores en un mundial de energfa y (en trillones de Btu) desde el afio
espacio con producto intem o tal que !lull :S l y !!vii :S 1, 200 I a 2008. Encuentre la recta de regresi6n por mfni-
e ntonces l(u, v) I s l. 1110s cuadrados para los datos. Despues utilice el modelo
para predecir el consumo de energfa en 20 15. Sea t el
52. Prueba Demuestre que si u y v son vectores en un
afio, con 1 = l correspondiente a 2001. (Fuente: U.S.
espacio V con producto interno, entonces
Energy Information Administration)
lil ull - l vlll S l u ± vll-
53. Prueba Sea V un subespacio m-dimensional de R" tal A,io 200 1 2002 2003 2004
que m < n. Demuestre que cualquier vector u en R" Consumo de
puede escribirse unicamente en la forma u = v + w, energia, y
400.5 4 10.7 425.7 448.9
donde v esta e n V y w es ortogonal a todo vector en V.
54. Sea V el subespacio en dos dime nsiones de R4 gene- Ano 2005 2006 2007 2008
rado por (0, 1, 0, 1) y (0, 2, 0, 0). Escriba el vector
u = ( I , I , I , I ) en la forma u = v + w , donde v esta en Consumo de
46 1.6 470.9 I 482.3 493.0
Vy w es ortogonal a todo vecto r en V. energia, y
64. Ganancias La tabla muestra las ganancias y (en 73. Determinaci6n del area de un paralelogramo
millones de d6lares) para Google, incorporated desde el Encuentre el area del paralelogramo que tiene a
aiio 2003 a 2010. Encuentre la regresi6 n c uadra tica por u = (1, 3, 0) y v = (-I , 0, 2)
mfnimos c uadrados y polinomios cubicos para los datos.
como ]ados adyacentes.
Despues utilice cada modelo para predecir las ganancias
e n 2015. Seal el ai\o, con 1 = 3 correspondie nte a 2003. 74. Prueba Demuestre que
i,Cual de los modelos parece mas preciso para predecir l u xvii = llull l vll
ganancias futuras? (Fuente: Google, Incorporated.) si y s6lo si u y v son ortogonales.
At'io 2003 2004 2005 2006 Determinaci6n de una aproximaci6n por mm,mos
cuadrados En los Ejercicios 75-78, (a) e ncuentre la
Ganancias, y 1.5 I 3.2 6. 1 10.6
aproximaci6n por mfnimos cuadrados g(x) = a 0 + a 1x de
la funci6nf, y (b) use una aplicaci6n grafica para graficar f y
Ano 2007 I 2008 2009 ~ ,o g en la misma venta na de visualizaci6n.
Ganancias, y 16.6 2 1.8 23.7 29.3

75. J(x) = x 3 , - I :s x :s I
76. f(x) = x3, 0 :S x :s 2
Determinaci6n del producto cruz En los ejercicios 65 a 77. f(x) = sen 2x, 0 :s x :s 7T/ 2
68, e ncuentre u X v y de muestre que es ortogonal a u y v. 78. f(x) = sen x cos x, 0 :s x :s 7T
65. u = ( 1, I, 1), v = ( 1, 0,0)
Determinaci6n de una aproximaci6n por mm,mos
66. u = {I , - I , I), v = (0, l, l ) cuadrados En los Ejercicios 79 y 80, (a) enc uentre la
67. u = j + 6k, v = i - 2j + k apro ximac i6n por mfnimos c uadrados g(x) = a 0 + a 1x +
68. u = 2i - k, v = i +j - k a 2x2 de la funci6n f, y (b) use a aplicaci6n grafica para grafi-
car f y gen la misma ve ntana de visualizaci6 n.
Determinaci6n del volumen de un paralelepipedo En
I
los Ejercicios 69-72, e ncuentre el volume n de un paralelepf- 79. f(x) = .Jx, 0 :S x :S l 80. f(x) = -, l :S x :S 2
X
pedo. Recuerde de los Ejercicios 49 y 50 en la Secci6n 5.5
que el volumen de un paralelepfpedo que tie ne u, v y w como
Determinaci6n de una aproximaci6n de Fourier En
]ado adyacente esta dado por lu · (v x w)I- los ejercicios 8 1 y 82, encuentre la aproximaci6n de Fourier
69. u = {1, 0, 0) 70. u = (1 , 2, I) de n-esimo orde n de la funci6n. en el intervalo [- 7T, 7Tl-
v = (0, 0 , I) v = (- 1, - 1, 0) 81. f(x) = x 2, l er orden 82. f(x) = x, 2do orden
w = (0, 1, 0) w = (3, 4, - 1) ,verdadero o falso? En los ejercic ios 83 y 84, de termin e
c ual de las expresiones es verdade ra o falsa. Si la expresi6n
es verdadera, propo rc ione una raz6n o cite una expresi6n
ejemplo que muestre que la expresi6n no es c ierta e n todos
X
y
83. (a) E l producto c ruz de dos vectores diferentes de cero
2
en R3 produce un vector ortogonal a los dos vectores
X que lo gene ra n.
71. u = - 2i +j 72. u = i + j + 3k (b) El producto cruz de dos vectores en R3 diferentes de

cero es conmutativo.
v = 3i - 2j + k v= 3j + 3k
(c) La aproximaci6n por mfnimos cuadrados de una
w = 2i - 3j - 2k w = 3i + 3k
funci6n f es la funci6n g (en el subespacio W) mas
cercana af en terminos del producto interior (f, g).
84. (a) Los vectores e n R 3 u X v y v X u ti ene n igual longi-
tud pero direcci6n opuesta.
(b) Si u y v so n dos vectores diferentes de cero en R3,
entonces u y v son paralelos si y s61o si u X v = 0.
I
y (c) Un tipo especial de a proximaci6 n por minimos c ua-
I 2
3 drados, la aproximaci6n de Fourier, es generada por
X la base S = {I, cos x, cos 2x, . .. , cos nx, sen x, sen
2x, ... , sen nx}.
Capftulo 5 Proyectos 287
5 Proyectos
1 La factorizacion QR
El proceso de ortonorma1izaci6n de Gram-Schmidt conduce a una importante factorizaci6n
de matrices Uamada factorizaci6n QR. Si A es una malliz de m X n de rango n, entonces
A puede expresarse como el producto A = QR de una matriz Q de m X n y una matriz R de
n. X n, donde Q tiene columnas ortonormales y Res triangular superior e invertible.
Las colurnnas de A pueden ser consideradas una base de! subespacio de R"' y las
columnas de Q son el resultado de aplicar el proceso de ortonormalizaci6n de Gram-Sch-
midt a este conjunto de vectores colu mna.
Recuerde que en el ejemplo 7 de la secci6n 5.3, el proceso de ortonormalizaci6n de
Gram-Schmidt se utiliz6 en los vectores columna de la matriz
2
0 !]
Se obtuvo una base ortonormal para R3, la que aquf etiquetamos como Qi, q 2 , q 3.
q1 = ( Ji./2, Ji./2, o), q 2 = (- Ji./2, Ji./2, o), q 3 = (o, o, 1)
Estos vectores forman las columnas de la matriz Q.
Ji./2 - Ji./2
fi/2
Q=
[ ~ /2 0
La matriz triangular superior R es
R =
V1 • Q1
0
V2 "Q 1
v2 · q2
V3 "Q 1]
v3 • q2 =
[fi_0 3fi/2
Ji./2
fi/2]
Ji./2
[
0 0 V3 'Q 3 0 0 2
Verifique que A = QR.
En general, si A es una matriz de m X n de rango n con columnas v 1, v2, •. . , v,,, enton-
ces la factorizaci6n QR de A esta dada por
A= QR
r··~:
V2 • Q 1
Vz • Q2
v,. . q ']
v11 • Q 2
... = [q I . .. q,
[v1 V2 v,,] Q2 q,,]
.. 01' - - 0 0 VII ,: q ll
La factorizacion QR de una
matriz forma la base para donde las columnas q 1, q2, ... , q,, de la matriz Q de m X n son los vectores ortonormales
muchos algoritmos de algebra que resultan de] proceso de ortonormalizaci6n de Gram-Schmidt.
lineal. Los algoritmos para el
calculo de eigenvalores (vease
1. Verifique la ecuaci6n matricial A = QR de cada matriz.
el Capitulo 7) se basan en esta
l
factorizacion, asi como los algo-
ritmos para el calculo de la recta
de regresion por mini mos cua-
drados para un conjunto de
datos. Tambien se debe men-
cionar que, en la practica, se uti- 2. Sea A = QR la factorizaci6n QR de la matriz A de m X n de rango n. Demuestre c6mo
lizan tecnicas distintas del pro-
ceso de ortonormalizacion de
el problema de mfnimos cuadrados puede resolverse utilizando, la factorizaci6n QR.
Gram-Schmidt para ca lcular la 3. Use el resu ltado de la parte 2 para resolver el problema de mfnimos cuadrados Ax =b
factorizacion OR de una matriz. siA es la matriz de la parte l (a) y b = [-1 l - lf.
----------[> Mandall/www shunerstockoom
2 Matrices ortogonales y cambio de base

Sea B = {v 1, v2, . .. , v,,} una base ordenada de! espac io veclo ri aJ V. Recuerde que la matri z
de coordenadas de un vector x = c 1v 1 + c2v2 + ... + c,,v,, en V es el vector columna
[x]B = [::].
c,,
Si B' es otra base de V, entonces la matriz de transici6n P de B' a B transforma una
mattiz de coordenadas relativas a B' en una matriz de coordenadas relativas a B .
P[x]B' = [x]8 .
La cuesti6n que debe explorar ahora es si existen matrices de transici6n P que conser-
ven la long itud de la matri z de coordenadas, es decir, dada P[x] B' = [x] 8 , ;,es cierto que
ll[x]B·II = ll[xJall?
Por ejemplo, considere la matriz de transici6n de! ejemplo 5 de la secci6n 4.7,
-2]
- 1
relati va a la base de R2,
B = {(-3, 2), (4, - 2)} y B' = {(- 1, 2), (2, - 2)}.
Si x = (- 1, 2), ento nces [x] B' = [ I 0)7 y [x] 8 = P[xfo, = [3 2)7. (Verifique esto.) Asf,
usando la norma euclidiana para R 2 ,
ll[xJn,11 = I * fi3 = ll[xJnl l.

Puede ver en este proyecto que si la matriz de trans ici6 n P es ortogonal, entonces la
no rma de] vector de coordenadas pennanece sin cambios. Recordara haber trabaj ado con
matrices ortogonales en la Secci6 n 3.3 (Ejercicios 7 1-79) y la Secci6n 5.3 (Ejercic io 67).
Definici6n de una matriz ortogonal

La matriz cuadrada P es ortogonal si es invertible y P- 1 = pT_
1. Demuestre que la matriz P definida previamente no es ortogonal.

2. Demuestre que para cualqui er numero real 0, la matriz
cos 0 - sen
[ sen 0
0]
cos 0
es ortogonal.
3. Demuestre que una matriz es ortogonal si y s61o si sus columnas son ortogonales por
pares.
4. Demuestre que la inversa de una matriz ortogonaJ es ortogonal.
5. 6La suma de matrices o rtogonales tambien es o rtogonal? 6EI producto de matrices orto-
gonales es ortogonal? Ilustre sus respuestas con ejemplos apropiados.
6. Demuestre que si P es una matriz ortogonal de m X n, entonces IIPxll = llxll para todos
los vectores x en R".
7. Verifique el resultado de la parte 6 utilizando las bases B = {( 1,0), (0, I) } y
Examen acumulativo de capitulos 4 y 5 Consulte www.CalcChat.com para las soluc1ones de los e1erc1c1os nones.
Resuelva este examen para revisar e l material e n los Capftulos 4 y 5. Despues de que lo
termine, verifique su trabajo con las respuestas al final del libro.
1. Dados los vectores v = (1, -2) y w = (2, -5), e ncuentre y dibuje cada vector.
(a) v + w (b) 3v (c) 2v - 4w
2. Si es posible, escriba w = (2, 4, I) como una combinaci6 n lineal de los vectores Vi,
V2 y V3 . V 1 = ( I, 2, 0), v2 = (- I, 0, I), v 3 = (0, 3, 0)
3. Escriba la tercera colum na de la matr iz como un a combinaci6 n lineal de las dos pri-
m eras columnas (si es posible).
2
8
5
4. Use un program a de computaci6n o a aplicaci6n grafica con capacidades matric ia les
para escribir v como una combinaci6n lineal de u i, u2 , u 3, u4 , u5 y u6 . Despues veri-
fique su soluc i6n.
V = ( 10, 30, - 13, 14, -7, 27)
u , = (1,2, - 3,4, -1 , 2)
ll 2 = (1, -2, 1, - 1, 2, 1)
u3 = (0, 2 , - I, 2, - I , - I)
U4 = (1, 0, 3, -4, I, 2)
U 5 = ( I , - 2, I , - 1, 2, -3)
u6 = (3, 2, 1, -2, 3, 0)
5. De muestre que e l conj unto de todas las matrices singulares de 3 X 3 no es un espacio
vectorial.
6. Determi ne si e l conj unto es un subespacio de R4 . { (x, x + y, y, y): x, y E R}
7 . Determi ne si e l conj unto es un subespacio de R3.
{(x, xy, y): X, y E R}
8. Determine si las columnas de la matri z A generan R4.
2 - 1
y
3 0
0 1
0 0
9. (a) Defina que significa e l decir que un conj unto de vectores es linealmente indepen-
- I
diente.
- I (b) De te rmine si el conj unto S es linealmente depe ndie nte o independie nte.
S = {( l , 0, 1, 0), (0, 3, 0, 1), (1, 1, 2, 2), (3, -4, 2, -3)}
Figura para 10(b) 10. (a) Defina la base de un espacio vectorial.
(b) Determine si el conjunto {v 1, v2 } mostrado e n la figura de la izquierda es una base
para R2 .
(c) De termine si e l conjunto es una base de R 3.
{( 1, 2, I), (0, I, 2), (2, 1, -3)}
11. E ncuentre una base para el espacio soluci6n de Ax = 0 si
0
-~ -2 0
A=
[ 0
I
0 I
0
12. Encuentre las coordenadas [v]8 del veclor v = ( I, 2, - 3) re lativo a la base

B = {(0, I, 1), (1, I , 1), ( 1, 0, I)}.
13. Encuentre la matriz de transici6n de la base B = {(2, I , 0), ( 1, 0, 0), (0, 1, 1)} a la base
B' = {(l , 1, 2), ( I, 1, I), (0, 1, 2)}.
14. Sea u =( l, 0,2) yv=(-2, 1,3).
(a) Encuentre llull-
(b) Encuentre la distancia entre u y v.
(c) Encuentre u · v.
(d) Encuentre el angulo 0 entre u y v .
15. Encuentre el producto intemo de /{x) = x1 y g(x) = x + 2 a partir de C[0, 1] usando la
integral
(f, g) = f f(x)g(x) dx.
16. Use el proceso de ortonormalizaci6n de Gram-Schmidt para transformar el siguiente

conjunto de vectores en una base o rtonormal de R 3.
{(2, 0,0),( 1, I, 1), (0, 1, 2)}
17. Sea u = (1, 2) y v = (-3, 2). Encuentre la proyvu y grafique u, v y proyvu en el mismo
grupo de ejes coordenados.
18. Encuentre los cuatro subespacios fundamentales de la matriz
n
I l
0 0
19. Encuentre el complemento o rtogonal s1. del conjunto
20. Suponga que x 1, •• • , x,, son vectores linealmente independientes y que y es un vector
no generado en su espacio. Demuestre que los vectores x 1, ••• , x,, y y son linealmente
independientes.
21. Encuentre la recta de regresi6n por m.inimos cuadrados para los puntos
{( I, I), (2, 0),(5, -5)}. Grafique los puntos y la recta.
l
22. Dos matrices, A y B, son equi valentes por renglones.
2 -4 0 7 -2 0 0 3 2
-2 - 1 1 9 12 0 1 0 -5 -3
A= II
- 1 2 3 - 5 16 B - [~ 0 0 l l 7
4 -8 - I 6 -2 0 0 0 0 0
(a) Encuentre el rango de A.
(b) Encuentre una base para el espacio rengl6n de A.
(c) Encuentre una base para el espacio columna de A.
(d) Encuentre una base para el espacio nulo de A.
(e) l Esta la ultima columna de A en e l espacio generado por las tres primeras?
(f) lSon las tres primeras columnas de A linealmente independientes?
(g) lEsta la ultima columna de A en el espacio de las columnas I, 3 y 4?
(h) l So n las columnas I, 3 y 4 linealmente dependientes?
23. Sean S 1 y S2 subespacios de dos dimensio nes de R3• l Es posible que
S 1 n S2 = {(0, 0, 0)}? Explique.
24. Sea V un espacio vectorial de dimension n. Demuestre que cualquier conjunto de
menos de n vectores no pueden generar V.
Transformaciones
6 lineales
6.1 lntroducci6n a las transformaciones lineales
6.2 El kernel y el rango de una transformaci6n lineal
6.3 Matrices de transformaciones lineales
6.4 Matrices de transici6n y semejanza
6.5 Aplicaciones de las transformaciones
lineales
Graficas par computado ra (p. 332)
Clima (p. 325)
Diseno de circuitos (p. 316)
Sist em as de contro l (p. 308)
Estad fstica m ultivariada (p. 298)

En sentido de las manecillas del reloJ, desde amba a la 11qu10rda. Matt Antonrno/Shutterstock.Com, Etienne du Preez/shutterstock.com;
Mark Yurll/Shunerstock.com; Al Stock /Shutterstock.com; Mau Homg/Shunerstock 291
292 Capitulo 6 Transformaciones lineales
6.1 lntroducci6n a las transformaciones lineales
■ Encontrar la imagen y preimagen de una funcion.
Determinar que una funcion es una transformacion lineal y encontrar

■ una tran sformacion lineal.
IMAGENES Y PREIMAGENES DE FUNCIONES

En este capftulo se analizan funciones que transforman (o mapean) un espacio vectorial
Ven un espacio vectorial W. Este tipo de funci6n se denota por
T: V➔ W.
En la que se usa la terminologfa estandar para funciones. Por ejemplo, V se llama dominio
de T y W codominio (o contradominio) de T. S i v esta en Vy w esta en Wtal que T(v) = w,
entonces w se llama imagen de v bajo T. El conjunto de todas las imagenes de los vecto-
res en V se llama rango de Ty el conj unto de todos los v en V tales que T(v) = w se
denomina preimagen dew. (Vease la figura 6.l.)
V: Dominio
T: V ➔ W W: Codominio
Figura 6.1
EJEMPLO 1 Una funci6n de R2 a R2

Para todo vector v = (v 1, v2 ) en R 2 , sea T: R 2 ➔ R 2 de finida por
+ 2v2).
T(v ,, v2 ) = (v, - v2 , v 1
COM ENTARIO a. Determine la imagen de v = (- 1, 2).
Para un vector
b. Determine la imagen de v = (0, 0).
v = (v1, v2, .•. , vn) en R", seria
tecnicamente correcto usar un c. Encuentre la preimagen de w = (- 1, I I).
doble parentesis para denotar
T{v) como nv) = Tl(v,, V2, .•• , SOLUCION
vn)). Por conveniencia, sin a. Para v = (- 1, 2) se tiene
embargo, se elimina un conjunto
de parentesis, para que quede T(- 1,2) = (- I - 2, - I + 2(2)) = (-3,3).
T(v) = T(v,, v2 , ••• ,vJ b. Si v = (0, 0) entonces
T(O, 0) = (0 - 0, 0 + 2(0)) = (0, 0).
c. Si T(v) = (v 1 - v2 , v, + 2v2 ) = (-I , ll), entonces
v, - V2 = - I
v1 + 2v2 = I l.
Este sistema de ecuaciones tiene la soluci6n unica v 1 = 3 y v2 = 4. Por tanto, la prei-
magen de (-I , I I ) es el conjunto en R2 que consta solamente del vector (3, 4).
TRANSFORMACIONES LINEALES
En este capftulo, la atenci6n se centra en funciones (de un espacio vectorial a otro) que
conservan las operaciones de suma vectorial y multipl icaci6 n escalar. Estas funciones se
llaman transformaciones lineales.
Definici6n de transformaci6n lineal

Sean Vy W espacios vectoriales. La funci6n
T: V➔ W
sc llama transformacion lineal de V en W si las dos propicdadcs siguicntcs son

verdaderas para todo u y v en Vy para cualquier escalar c
1. T(u + v) = T(u) + T(v)
2. T(cu) = cT(u)
Se dice que una transformaci6n lineal conserva operaciones porque se obtiene el mismo
resultado si las operaciones de suma y multiplicaci6n escalar se efectuan antes o despues
de que se aplique la transformaci6n lineal. Aunque se utilizan los mismos sfmbolos para
denotar las operaciones vectori ales tanto en V como en W, debe observar que las operacio-
nes pueden ser diferentes, como se indica e n el siguiente diagrama.
~~
Multiplicaci6n Multiplicaci6n
escalar escalar
T~
T(u + v) = T(u) + T(v)
en V
T(cu) =
en W
c T(u )
Comprobacion de una transformacion

EJEMPLO 2
lineal de R2 a R2
Demuestre que la funci6n dada en el ejemplo I es una transformaci6n lineal de R2 a R2.
T(v 1, v2) = (v1 - v2 , v 1 + 2v2)
SOLUCION
Para demostrar que la funci6n T es una transformaci6n lineal es necesario probar que
conserva la s uma vector ial y la multiplicaci6n escalar. Para tal fin, sean v = (v 1, v2) y u =
(u.i, u2) dos vectores en R 2 y sea c cualquier numero real. Entonces, con las propiedades
de s uma vectorial y de multiplicaci6n escalar se tiene lo siguiente.
1. Dado que u + v = (u. I , u. 2) + (v 1, v2) = (u. 1 + v 1, u. 2 + v2), se tiene
T(u + v) = T(u. 1 + v1, u. 2 + v2)
COM ENTARIO = ((u 1 + v1) - (u 2 + v2), (u 1 + v 1) + 2(u2 + v2 ))
Para una transformaci6n lineal
T: V ➔ V de un espacio vecto- = ((u. 1 - u. 2) + (v 1 - v2),(u 1 + 2u 2 ) + (v 1 + 2v 2))
rial a si mismo (como en el = (u. 1 - u. 2, u. 1 + 2u 2) + (v 1 - v2 , v 1 + 2v2)
ejemplo 2) se llama operador = T(u) + T(v).
lineal.
- - -t>- 2. Dado que cu = c(u 1, u. 2) = (cu 1, cu.2 ), se tiene
T(cu) = T(cu 1,cu2 )
= (cu. 1 - cu2, cu 1 + 2cu 2 )
= c(u 1 - u 2 , u 1 + 2u 2)
= cT(u).
Por consig uiente, Tes una transformaci6n lineal.
La mayorfa de las funcio nes comunes estudiadas en calculo no son u·ansformaciones

lineales.
Algunas funciones que no son

) EJEMPLO 3
I
transformaciones lineales
a. f(x) = sen x no es una transformaci6n lineal de R en R, porque, e n general sen (x 1 +
x 2) ;c sen x 1 + sen x 2 . Por ejemplo,
COM ENTARIO
sen[(1r/ 2) + (1r/3)] * sen(1r/ 2) + sen(1r/3 ).
La funci6n del ejemplo 3(c)
indica dos usos del termino
2
b. f(x) = x no es una transformac i6n lineal de Ren R, porque, en general, (x 1 + x 2) * x?
lineal. En calculo, f (x) = x + 1
se llama funci6n lineal porque
+ xf Por ejemplo, ( I + 2)2 I 2 + 22 . *
su grafica es una recta. Sin c. f(x) =x + I no es una transformaci6n lineal de R e n R porque
embargo, no es una transfor- J(x 1 + x 2 ) = x 1 + x 2 + l
m aci6n linea l del espacio vecto-
rial Ren R porque no conserva en tanto que
la suma ni la multiplicaci6n
escalares.
J(x 1) + J (x 2) = (x 1 + 1) + (x 2 + I)= x 1 + x 2 + 2.
asf, J(x 1 + x 2) * J(x 1) + J(x i).
Dos transformaciones lineales simples son la transformaci6n cero y la transforma-
ci6n identidad, que se definen como sigue.
1. T(v) = 0 , para todo v Transformaci6n cero (T: V ➔ W)
COM ENTARIO
Otra ventaja del t eorema 6.1 es
2. T(v) = v, para todov Transformaci6n idcntidad (T: V ➔ V)
que proporciona un metodo Las comprobaciones de la linealidad de estas dos transformaciones se dejan como ejerci-
rapido para identificar funcio- cios. (Yease el ejercicio 77.)
nes que no son t ransfo rmaci o-
Observe que la transformaci6n lineal de] ejemplo l tiene la propiedad de que el vector
nes lineales. Es decir, como una
transformaci6n lineal debe cero se transforma en sf mismo. Es decir, T(0) = 0, como se muestra en el ejemplo l (b).
cumpli r las cuatro condiciones Esta propiedad es verdadera para todas las transform aciones lineales, como se plantea en
del teo rema, se concluye que si el siguiente teorema.
una funci6n T no satisface cual-
quiera de las propiedades, TEOREMA 6.1 Propiedades de las transformaciones lineales
entonces la funci6n no es una
transformaci6n lineal. Por ejem- Sea Tuna transfonnaci6n lineal de V en W, donde u y v estan en V. Entonces, las
plo, la funci6n dada por
propiedades siguientes son verdaderas.
T(x,, x 2 ) = (x, + 1, x 2 ) 1. T(0) = 0
no es una transformaci6n 2. T( - v) = - T(v)
lineal de Ffl a Ffl porque 3. T(u - v) = T(u) - T(v)
no, 01 * 10, 01. 4. If v = c 1v 1 + c2 v2 + · · · + c11v11, e ntonces
T(v) = T(c 1v 1 + c2 v2 + · · · + c11 v,,) = c 1T(v 1) + c 2T(v2) + · · · + c11T(v,,).
DEMOSTRACION
Para demostrar la primera propiedad, observe que 0v = 0. Ento nces, se concluye que
T(0) = T(0v) = 0T(v) = 0.
La segunda propiedad se concluye de - v = (- l )v, que implica que
T(- v) = T[(- l )v] = (- l )T(v) = - T(v).
La tercera propiedad se concluye de que u - v = u + (-v), que implica que
T(u - v) = T[u + (- l)v] = T(u ) + (- l)T(v) = T(u) - T(v).
La demostraci6n de la cuarta propiedad se deja como ejercicio.
La propiedad 4 del teorema 6. 1 establece que una transformac i6n lineal T: V ➔ Wes
determinada completamente por su efecto sobre una base de V. En otras palabras, si {v 1,
v2 , . . . , v 11 } es una base para el espacio vectorial Vy si T(v 1), T(v2), ... , T(v,,), estan dadas,
entonces T(v) esta definida para cualquier v en V. El uso de esta propiedad se muestra en
el ejempl o 4.
6.1 lntroducci6n a las t ransfo rmac iones lineales 295
I EJEMPLO 4 Transformaciones lineales y bases
Sea T : R 3 ➔ R 3 una transformaci6n lineal tal que

T( l, 0, 0) = (2, - 1, 4)
T(0, 1,0) = ( 1, 5, - 2)
T(0, 0, I) = (0, 3, 1).
Determine T(2, 3, -2).
SOLUCION
Dado que (2, 3, -2) = 2( 1, 0, 0) + 3(0, 1, 0) - 2(0, 0, 1), enronces la propiedad 4 del
teorema 6.1 se puede usar para escribir
T(2,3, -2) = 2T( l ,0, 0) + 3T(0, 1,0) -2T(0, 0, I)
= 2(2, - I, 4) + 3(1, 5, - 2) - 2(0, 3, I)
= (7, 7, 0).
En el siguiente ejemplo se usa una matriz para definir una transformaci6n lineal de R2
a R 3. El vector v = (v 1, v2) se escribe en forma matricial como
de modo que es posible multiplicarlo a la izquierda por una matri z de orden 3 x 2.
EJEMPLO 5 Transformaci6n lineal definida por una matriz
La funci6n T: R 2 ➔ R 3 se define como
a. Determine T(v), donde v = (2, - 1).

b. Demuestre que T es una transformaci6n lineal de R2 a R3•
SOLUCION
a. Dado que v = (2, - 1), se tiene
Por consiguiente, se tiene que T(2, - 1) = (6, 3, 0).

b. Comience por observar que T mapea un vector en R2 a un vector en R3 . Para demostrar
que T es una transformaci6n lineal use las propiedades de la multiplicaci6n de matrices,
como se estableci6 en el teorema 2.3. Para cualesquiera vectores u y v en R2, la propie-
dad distributiva de la multiplicaci6n matricial sobre la Suma produce:
T(u + v) = A(u + v) = Au + Av = T(u) + T(v).
De manera semejante, para todo vector u en R 2 y cualquier escalar c, la propiedad con-
mutativa de la multiplicaci6n escalar con la multiplicaci6n de matrices produce
T(cu) = A(cu) = c(Au) = cT(u).
296 Capitu lo 6 Transformaciones lineales
El ejemplo 5 ilustra un resultado importante relacionado con la representaci6n de las

transformaciones lineales de R" a R"'. Este resu ltado se presenta en dos etapas. El teorema
6.2 establece que toda matriz de m X n representa una transformaci6n li neal de R" a R"'.
Luego, en la secci6n 6.3 se demostrara lo contrario: que toda transformaci6n lineal de R"
a [(" puede representarse como una matJiz de m X n.
Observe queen el inciso (b) de] ejemplo 5 nose hace ninguna referencia a la matriz
especffica a. Por consiguiente, esta comprobaci6n sirve como demostraci6n general del
hecho de que la funci6n definida para cualquier matriz de m X n es una transformaci6n
lineal de R" a R"'.
COM ENTARIO TEOREMA 6.2 La transformacion lineal definida por una matriz
La matriz cero de m X n corres-
ponde a la transformaci6n cero Sea A una matriz de m X n. La funci6n T definida por
de Rn a R"' y la matriz identidad T(v) = Av
In de n X n co rresponde a la
transformaci6n identidad de es una transformaci6n lineal de R" a R"'. Para formar la multiplicaci6n matricial con
Rn a Fl".
una matriz de m X n, los vectores en R" se representan por matrices de n X I y los
vectores en R"' se representan por matrices de m X l .
l[
Asegurese de comprender que una matrizA de m X n define una transformaci6n lineal
de R" a R"'.
a,2
a,,,][" a,,,, + a, 2v2 + . ·+ a,,,,,,]
[ aa,, G 22 a 2,, v2 a v + Gi2V2 + . ·+ C½,,V,,
Av= 21 21 1
a,;r1 am2 a,~111 j" - a,,,.:v, + a,,12 v2 + · · + a ,~v

111 11
•
V ector V ector
en Rn en R111
EJEMPLO 6 Transformaciones lineales dadas por matrices
La transformaci6n lineal T: [(' ➔ R111 esta defin ida por T(v) = Av. Determine la dimension
l [2 -3]
de R" y R"' para la transformaci6n lineal dada por las siguientes matrices.
a. A - [;
I
3 -10 b. A = - 5 0 c. A = 3 [I 0 - 1
0
2 1 0 - 2
SOLUCION
a. Dado que el tama.iio de esta matriz es 3 X 3, define una transfonnaci6n lineal de R 3 a
R3.
I
3
2
b. Como el tamaiio de esta matriz es 3 X 2, esta define una transformaci6n de R2 a R3.

c. Puesto que el tamaiio de esta matriz es 2 X 4, define una transformaci6n de R4 a R2.
En el siguiente ejemplo se analiza un tipo comun de transformaci6n lineal de R2 a R2.
EJEMPLO 7 Rotaci6n en R2
Demuestre que la transformaci6n lineal T: R2 ➔ R2 dada por la matriz
A= [ cos 0 -sen 0]
sen 0 cos 0
tiene la propiedad de rotar todo vector en R2 en sentido contrario al de las manecillas de!
reloj con respecto al origen un angulo 0.
SOLUCION
Por el teorema 6.2 se sabe que T es una transformaci6n lineal. Para demostrar que rota todo
vector en R2 un angulo 0 en sentido contrario al de las manecillas del reloj , se considera v
= (x, y) un vector en R2. Usando coordenadas polares v se puede expresar como
V = (x, y)
= (r cos a, r sen a)
donde r es la longitud de v, y 0 es el angulo formado entre el vector v y el eje positivo de
las x descrito en sentido contrario al de las manecillas de l reloj .
T(v) = Av
= [cos 0 -sen 0] [x]
sen 0 cos 0 y
= [cos 0 -sen 0] [rcos a]
sen 0 cos 0 r sen a
= [,. cos 0 cos a- r
sen 0 sen a]
r sen 0 cos a + r cos 0 sen a
= [r cos(0 +
r sen(0 + a)
a)].
Por consiguiente, el vector T(v) tiene la misma longitud que v. ademas, dado que el angulo
desde el eje x positivo a T(v) es
0+ a
entonces T(v) es el vector que se obtiene al rotar el vector v en sentido contrario al de las
manecillas del reloj un angulo 0, como se observa en la Figura 6.2.
)'
------ T(x. y)
..... ,
Rotaci6n en R2
Figura 6.2
La transformaci6n lineal del ejemplo 7 se llama rotaci6n en R2 . Las rotaciones en R2

conservan tanto la longirud vectorial como el angulo entre dos vectores. Es decir, el angulo
e ntre u y v es igual al angulo entre T(u) y T(v).
I EJEMPLO 8 Una proyecci6n en R3

La transfonnaci6n lineal T: R 3 ➔ R 3 representada por
0
I
0
se llama proyeccion en R 3 . Si v = (x, y, z) es un vector en R3, entonces T(v) = (x, y, 0).
En otras palabras, T mapea todo vector en R3 en su proyecci6n ortogonal en el piano xy,
como se muestra en la figura 6.3.
X *
T(x, y, z) = (x, y, 0)
y
Proyecci6n sobre cl piano x y
Figura 6.3
Hasta el momento s6lo se han analizado transformaciones lineales de R" a R111 o de R"
a R". En el resto de esta secci6n se consideraran algunas transformaciones lineales que
implican otros espacios vectoriales diferentes de R".
EJEMPLO 9 Transformaci6n lineal de Mm,n a Mn,m
Sea T: M111_11 ➔ M11 _,,, la funci6n que mapea una matri z A de m X n en su transpuesta. Es
decir,
Demuestre que Tes una transformaci6n lineal.

SOLUCION
Sean A y B matrices de m X n. Por el teorema 2.6 se tiene
T(A + 8 ) = (A + B)T = AT+ BT = T(A) + T(B)
y
T(cA) = (cA)7 = c(AT) = cT(A ).
Por consiguiente, Tes una transformaci6n lineal de M 111_11 en M 11_111 •
ALGEBRA Muchos metodos estadisticos multivariados pueden usar transform a-

ciones lineales. Por ejemplo, en un analisis de regresi6n multiple,
LINEAL existen dos o mas variables independientes y una (mica variable
APLICADA dependiente. Una t ransformaci6n lineal es util para determinar las
ponderaciones a asignar a las variables independientes para predecir
el valor de la variable dependiente. A su vez, en un analisis de la
correlaci6n can6nica, tambien existen dos o mas variables indepen-
dientes y dos o mas variables dependientes. Las t ransformaciones
lineales pueden ayudar a encontra r una combinaci6n lineal de las
variables independientes para predecir el va lor de una com binaci6n
lineal de las variables dependientes. wrangler/Shutterstockcom
6.1 lntroducci6n a las t ransfo rmac iones lineales 299
I EJEMPLO 10 El operador diferencial (calculo)
Sea C' [a, b] el conjunto de codas las funciones cuyas derivadas son continuas en [a, b].
Demuestre que el operador d iferenc ial Dxdefi ne una transformaci6n lineal de C' [a, b] a
C[a, b].
SOLUCION
Usando notaci6 n de o peradores se escribe
don def esta en C' [a, b ]. Para demostrar que Dx es una transformaci6n I ineal se recurre al
calculo. Especfficamente, como la derivada de la suma de dos funciones es igual a la suma
de las derivadas de estas, se tiene
donde g tambien esta en C' [a, b]. De manera semejante, debido a que la derivada de un
multiplo escalar de una funci6n es igual al multiplo escalar de la deri vada, se tiene
D)cf) =~[cf]=
dx
c(~[/J) = cD)f).
dx
Dado que la suma de dos funciones continuas es continua y dado que e l multiplo
escalar de una funci6n contin ua es continua, Dxes una transformaci6 n lineal de C' [a, b] a
C [a, b].
La transformaci6n lineal Dxdel ejemplo 10 se llama operador diferencial. Para poli-

nomios, el operador diferencial es una trnnsformaci6n lineal de P,, a P,, _ 1 porque la deri-
vada de un poli nomio de grado n es un polinomio de grado menor o igual que n - I. Es
decir,
Dx (a IIx" + · · · + ax
I + aO) = na 11
x 11 - 1
+ · · · + a 1·
El siguje nte eje mplo describe una transformaci6 n lineal del espacio vectorial de fun-
ciones polinorrunales P en el espacio vectorial de los numeros reales R.
La integral definida como una

[ EJEMPLO 11
transformaci6n lineal (calculo)
Sea T:P ~ R de finida por
T(p) = f p(x) dx
do nde p es una funci6n polinominal. Demuestre que T es una transformac i6n lineal de P,
el espac io vectorial de funciones polin6m icas, en R, e l espacio vectorial de numeros reales.
SOLUCION
Por medio de las propiedades de las integra les definidas se puede escribir
donde q es una funci6n polino mjnal, y
T(cp) = b[cp(x)] dx = clbp(x) dx = cT(p).

l
{I (I
Por consig uiente, T es una transformaci6n lineal.

Determinaci6n de una imagen y una preimagen En

los ejercicios 1 a 8 use la funci6n dada para encontrar (a) la
imagen de v y (b) la preimagen dew.
1. T(v1 , V2) = (vi + = (3, -4),
20. TM ,, ➔M,,. T(A) = [~ ! _~]A
V2, V1 - V2), V
21. T: P2 ➔ P2 , T(a0 + a 1x + a2x 2) = (a0 + a 1 + ai) +
w = (3, 19)
(al + ai)x + a2X2
2. T(v1 , V2) = (2v2 - V1, V1, V2), V = (0, 6), 22. T: P2 ➔ P2 , T(a0 + a 1x + a1 x 2) = a 1 + 2a2x
w = (3, 1, 2)
3. T(v1, V2, V3) = (v2 - V1, vi + V2, 2v1), V = (2, 3, 0), 23. Sea Tuna transformaci6n lineal de R2 a R2 tal que
T( l, 0) = (1 , 1) y T(O, 1) = (-1, 1). Encuentre
w =(- 11 , - 1, 10)
T( I, 4) y T(-2, I).
4. T(v 1, v2, v3) = (2v 1 + v2 , 2v2 - 3v 1, v1 - v3), 24. Sea Tuna trans formaci6n lineal de R2 a R2 tal que
V = (-4, 5, 1), W = (4, 1, -1 ) T(l, 1) = (1 , 0) y T( l , - 1) = (0, 1). Halle T(l, 0) y
5. T(v 1, v2, v3) = (4v2 - v 1, 4v 1 + 5v2 ), T(0, 2).
v = (2, -3, - I), w = (3, 9)
Transformaci6n lineal y bases En los ejercicios 25 a
6. T(v1 , V2, V3) = (2vl + V2, V1 - V2), V = (2, I, 4), 28, la transformaci6n lineal T: R2 ➔ R3 esta definida por
w = (- 1, 2) T(I , 0, 0) = (2, 4, - 1), T(0, 1, 0) = ( I, 3, -2) y
7. T(v1 , V2 ) =( f f V1 - V2, V1 + V2, 2vl - V2), .

T(0, 0, l ) = (0, -2, 2). Encuentre la imagen indicada.
25. T(0, 3, - 1) 26. T(2, -1, 0)
27. T(2, - 4, l ) 28. T(- 2, 4, - l )
v = (1, 1), w = (-sh, -2, - 16)
8. T(v1, V2) =( 1 Vi - ½v2, V1 - V2, V2), .

Transformaci6n lineal y bases En los ejercicios 29 a
32, la transformaci6n lineal T: R3 ➔ R3 esta definida por
T(l , I , l ) = (2, 0, - 1), T(0, - 1, 2) = (-3, 2, - l ) y
V = (2, 4), W = ( fi, 2, 0)
T( I, 0, I) = ( I, I, 0). Encuentre la imagen indicada.
Transformaciones lineales En los ejercicios 9 a 22, 29. T(2, I , 0) 30. T(0, 2, - I )
determine si la funci6n dada es una transformaci6n lineal. 31. T(2, - 1, 1) 32. T(-2, l, 0)
9. T: R 2 ➔ R 2 , T(x,y) = (x, I)
Transformaci6n lineal dada por una matriz En los
2
10. T: R ➔ R , T(x,y) 2
= (x ,y) 2
ejercicios 33 a 38, la transformaci6n lineal T: R" ➔ R"', esta
11. T: R ➔ R , T(x, y, z) = (x + y, x - y, z)
3 3
definida por T(v) = Av. Encuentre las dimensio nes de R"
12. T: R 3 ➔ R 3 , T(x,y, z) = (x + l ,y + 1, z + 1) yRm.
13. T: R 2 ➔ R3, T(x,y) = (Jx,xy, ✓y)
14. T: R 2 ➔ R 3 , T(x,y)
15. T: M2.2 ➔ R, T(A) = IAI
= (x 2,xy,y2) 33. A = [
-1 ~]
l_,
O - 34.A = [-~
-2 ~]
~]
16. T: M2.2 ➔ R, T(A) =a+ b + c + d, donde 0 0
!]- ~
I 0
A = [: 35. A = 0 2
17. T: M 2 _2 ➔ R, T(A) =a+ b - c + cl, do nde 0 0
A = [; !]- 36. A = [-10

2
0 2
3
- I ~]
18. T: M2 _2 ➔ R, T(A) = b 2 , dondeA = [; !]- 37. A= H il 4
-2
5
19. T M,,➔M,,. 1\A) = [~ ! ~]A 1 0

3
1
38. A = [: 0 2 0
:]
6.1 Ejercicios 301
39. Para la transformaci6n lineal dada en el ejercicio 33, 56. Sea Tuna transformaci6n lineal de M2.2 a M2.2 tal que
halle (a) T(l , 1), (b) la preimagen de (1, I) y (c) la prei-
magen de (0, 0).
40. Escriba Para la transformaci6n lineal dada en el ejer-
T([~ ~]) = [~ - ~], T([~ ~]) = [~ ~],
cicio 34, encuentre (a) T(2, 4), (b) la preimagen de
(-1 , 2, 2) y (c) a continuaci6n explique por que el vector
T([~ ~])= [~ ~], T([~ ~]) = [ ~ - ~].
T([ _: !]).
( I , I , I) no tiene preimagen bajo esta transformaci6n.
Encuentre
41. Para la transformaci6n lineal dada en el ejerci cio 35
e ncuentre (a) T( I, I, I, I) y (b) la preimagen de
(1, 1, 1, 1). Calculo En los ejercicios 57 a 60, sea Dx la transformaci6n
lineal de C'[a, b] a C[a, b] dada en el ejemplo 10. i,Cual de
42. Para la transformaci6n lineal dada en el ejercicio 36,
las siguientes expresiones es verdadera? E xplique su razona-
determine (a) T(J , 0, -1 , 3, 0) y (b) la preimagen de
miento.
(-1, 8).
2
43. Para la transformaci6n lineal dada en el ejercicio 37, 57. D)ex + 2x) = D)ex 2 ) + 2D)x)
encuentre a) T(l , 0, 2, 3) y b) la preimagen de (0, 0, 0). 58. D)x 2 - In x) = Dx(x 2 ) - D) ln x)
44. Para la transformaci6n lineal de l Ejercicio 38, encuentre 59. D) Sen 2x) = 2D) Senx)
(a) T( l , 0, l, 0, l ), (b) la preimagen de (0, 0, 0) y (c) la
preimagen de ( I , I, I).
2 2
60. ox( Cos i) = ½o)Cosx)
45. Sea T la transformaci6n lineal de R a R defi nida por
T(x, y) = (x Cos 0 - y Sen 0, x Sen 0 + y Cos 0). Calculo En los ejercicios 61 a 64, para la transformaci6n
Determine (a) T(4, 4) para 0 = 45°, (b) T(4 , 4) para 0 = lineal de] ejemplo 10, determine la preimagen de cada fun-
30° y (c) T(5 , 0) para 0 = 120°. ci6n.
46. Para la transformaci6n lineal del ejercicio 45, sea 0 = 61. D)f) = 2x + 1 62. D) f) = ex
45° y determine la preimagen de v = ( I, I). I
63. D)J) = sen x 64. DX(/)= -
47. Encuentre la inversa de la matriz A dada en el ej emplo 7. X
i,Que transfom1aci6n lineal de R2 en R2 representaA- 1?
65. Calculo Sea T la transformaci6n lineal de Pa R defi-
48. Para la transformaci6n lineal T: R2 ➔ R 2 dada por nida por
A=[: -:J
encuentre a y b tal que T( 12, 5) = ( 13, 0).
T(p ) = Lp(x) dx.
Encuentre (a) T(3x2 - 2), (b) T(x3 - x 5) y (c) T(4x - 6).

Proyecci6n en R3 En los Ejercicios 49 y 50, suponga que
la matriz A representa la transformaci6n lineal T: R3 ➔ R3 . 66. Calculo Sea T la transformaci6n lineal de P a R
Describa la proyecci6n ortogonal para la cual T mapea cada definida por la integral de! ejercicio 65. Determine la
vector en R3 . preimagen de 1. Es decir, encuentre las funciones poli-
49. A -[i 0
0
0
0
I
0
nominales de grado me nor o igual que dos tales que
T(p) = I.

Transformaci6n lineal dada por una matriz En los
ej ercicios 51-54, determine si la funci6n que implica a la
adecuada del texto. Si la ex presi6n es falsa, proporcio ne un
matriz A de n X n es una transformaci6 n I ineal.
51. T: Mll.ll ➔ Mll.ll' T(A) = A - 1 los casos o cite de! texto una expresi6n adecuada.
52. T: M11 _11 ➔ M 11 _11 , T(A) = AX - XA , donde X es una 67. (a) La funci6nf (x) = Cos x es una trasfonn ac i6n lineal
matri z fija n X m de R a R .
53. T: M 11 _11 ➔ M 11 _111 , T(A) = AB, do nde Bes una matriz (b) Para polino mios, el operador diferencial Dx es una
fija n X m transformaci6n lineal de P11 a P,, _ 1•
54. T: M 11 _11 ➔ R, T (A) = a 11 • a22 • · · · • a,,,,, donde 68. (a) La funci6n g(x) = x3 es una transformaci6n lineal de
A = [a;;] R a R.
55. Sea Tuna transformaci6n lineal de P 2 a P2 ta! que T( I) (b) Cualquier funci6n lineal de la formaf (x) = ax+ b
= x , T(x) = 1 + x y T(x2) = 1 + x + x2. Determine es una transformaci6n li neal de R a R.
T(2 - 6x + x2).
69. Escriba Suponga T: R2 ➔ R2 tal que T( I, 0) = (I, 0) y 79. Prueba Sea S = {vi, v2, ... , v,,} un conjunto de vec-
T(0, 1) = (0, 0). tores linealmente dependientes en Vy sea Tuna transfor-
(a) Determine T(x, y) para (x, y) en R 2. macion lineal de Va V. Demuestre que el conj unto
(b) De una interpretacion geometrica de T. {T(v 1) , T(v2), . . . , T(v,,)}
70. Escriba Suponga T: R2 ➔ R 2 tal que T(l , 0) = (0, I) y es linealmente dependiente.
T(0, I) = ( I , 0) 80. Prueba Sea V un espacio con producto interior. Para
(a) Determine T(x, y) para (x, y) e n R2. un vector fijo v0 en V, defina T: V ➔ R por T(v) =
(b) De una descripcion geometrica de T. (v, v0). Demuestre que T es una transformacion lineal.
71. Prueba Sea T la funcion de R2 que mapea R2 tal que 81. Prueba Sea T: M,,,,, ➔ R de finida por
T(u) = proj v u, donde v = ( I, 1). T(A) = a, 1 + a22 + · · · + a,,,,
(a) Determine T(x, y). (b) Determine T(S, 0) (traza de A). Demuestre que T es una transformacion lineal.
(c) Demuestre que T es una transformacion lineal de R2 82. Sea Ven espacio con producto interior con un subespa-
en R 3. cio W que tiene a B = {w 1, w2 , . . . , w,, } como una base
72. Escriba Detem1ine T(3 , 4) y T( T(3, 4 )) del ejercicio ortonormal. Demuestre que la func ion T: V ➔ W dada
7 1 y de una interpretacio n geometrica del resultado. por T(v) = (v, w 1)w 1 + (v, w2 )w2 + · · · + (v, w,,)w,,
73. Demuestre que T del ejercicio 71 esta definida por la es una transformacion lineal. T se llama proyecci6n
matriz ortogonal de V sobre W.
A=[! n 83. Demostraci6n guiada Sea ( v 1, v2, . . . , v,,} una base

de un espacio vectorial V. Demuestre que si una transfor-
macion lineal T: V ➔ V satisface T(v;) = 0 para i = I ,
2, ... , n, entonces Tes la transformaci6n cero.
74. [ru[g[R!Xl~'u'[§ Explique como determinar si lnicio: para demostrar que T es la transformacion cero,
una funcion T: V ➔ W es una transformacion usted necesita demostrar que T(v) = 0 para todo vector
lineal. v en V.
(i) Sea v un vector arbitrario en V tal que
75. Demostraci6n Utilice el concepto de punto fijo de
una transformac i6n lineal T: V ➔ V. Un vector u es un v = c 1v 1 + c2v2 + · · · + c v 11 11
•
punto fijo si T(u) = u. (ii) Use la definicion y las propiedades de las transfor-
(a) Demuestre que O es un punto fijo de cualquier trans- maciones lineales para reescribir T(v) como una
for macion lineal T: V ➔ V. combinacion lineal de T(v;).
(b) Demuestre que el conjunto de puntos fijos de una (iii) Use el hecho de que T( vi) = 0 para concluir que
transformacion lineal T: V ➔ V es un subespacio T(v) = 0 haciendo T la transformacion cero.
de V. 84. Demostraci6n guiada Demuestre que T: V ➔ W es
(c) Determine todos los puntos fijos de la transforrna- una transformaci6 n lineal si y solo si
cion lineal T: R 2 ➔ R2 dada por T(x, y) = (x, 2y). T(au + bv) = aT(u) + bT(v)
(d) Determine todos los puntos fijos de la transforma-
para todos los vectores u y v y todos los escalares a y b.
cio n lineal T: R2 ➔ R2 dada po r T(x, y) = (y, x).
lnicio: como se trata de un enunciado "si y solo si",
76. Una traslaci6n en R2 es una funcion de la forma T(x, y)
necesita demostrar la expresion en ambas direcciones.
= (x - h, y - k ), donde por lo menos una de las constan- Para probar que Tes una transformac io n lineal es nece-
tes hokes diferente de cero.
sario que demuestre que la funcion satisface la defini-
(a) Muestre que una traslacion en R2 en el piano no es
cion de transformaci6n lineal. En la otra direcci6n,
una transformacion lineal. suponga que T es una transformaci6n lineal. Puede usar
(b) Para la traslacion T(x, y) = (x - 2, y + l), determine la definici6 n y las propiedades de una transformacion
las imagenes de (0, 0), (2, - I) y (5, 4). lineal para demostrar que T(au + bv) = aT(u) + bT(v).
(c) Muestre que una traslacion en R2 e n el piano no tiene
(i) Suponga que T(au + bv) = aT(u) + bT(v).
puntos fij os.
Demuestre que T conserva las propiedades de la
77. Prueba Demuestre que (a) la transfonnacion cero y suma vecto ri al y la multiplicaci6n escalar al selec-
(b) la transformacion identidad son transfonnaciones cionar los valores adecuados de a y b.
Lineales.
(ii) Para demostrar el enunciado en la otra direcci6n,
78. Sea S = ( v 1, V 2, v3 } un conjunto de vectores linealmente suponga que T es una transformaci6n lineal. Utilice
independientes en R3. Determine una transformacio n las propiedades y la definici6 n de una transforma-
lineal T de R3 a R 3 tal que el conjunto {T(v 1), T(v2 ), ci6n lineal para demostrar que T(au + bv) = a T(u)
T(v3) } sea Linealmente dependiente . + bT(v).
6.2 El kern el y el ran go de una tran sformaci6 n li nea l 303
6.2 El kernel y el rango de una transformaci6n lineal
■ Encontrar el kernel de una transformaci6n li neal.

Encont rar una base para el rango, la nul idad y el rango
■ de una t ransformaci6n lineal.
■ Determinar si una t ransformaci6n linea l es uno a uno o sabre.
■ Determ i ne si las espacios vectoriales son isom6 rficos.
EL KERNEL DE UNA TRANSFORMACION LINEAL

Por el teorema 6.1 , usted sabe que para cualquier transformaci6n lineal T: V ➔ W, el vec-
tor cero en V mapea el vector cero en W. Es decir, T(0) = 0. La primera cuesti6n que se
abordara en esta secci6n es si existen otros vectores v tales que T(v) = 0. El conjunto de
todos estos elementos se denomina kernel de T. Observe que se utiliza el sfmbolo Opara
representar e l vector cero tanto en V como en W, aunque a menudo estos dos vectores cero
son diferentes entre sf.
Definici6n del kernel de una transformaci6n lineal

Sea T: V ➔ W una transformaci6n lineal. Entonces, el conj unto de todos los vectores
en V que cumplen T(v) = 0 se denomina kernel de T y se denota por ker(T).
Algunas veces el kernel de una n·ansformaci6n es evidente y es posible determinarlo

por inspecci6n, como se muestra en Ios ejemplos I, 2, y 3.
Determinaci6n del kernel

EJEMPLO 1
de una transformaci6n lineal
Sea T: M3 _2 ➔ M 2 ,3 la transformaci6n lineal que mapea una matriz A de 3 X 2 en su trans-
puesta. Es decir, T(A) = AT. Encuentre el kernel de T.
SOLUCION
Para esta transformaci6n lineal, es evidente que la matriz cero de 3 X 2 es la unica matriz
en M3 _2 cuya transpuesta es la matriz cero en M2 _3 . Por consiguiente, el kernel de T consta
de un solo elemento: la matriz cero en M3_2.
EJEMPLO 2 El kernel de las transformaciones cero e identidad
a. El kerne l de la transformaci6n cero T: V ➔ W consta de todo V porque T(v) = 0 para

todo vector v en V. Es decir, ker(7) = V.
b. El kernel de la transformaci6n identidad T: V ➔ V consta s61o del elemento cero. Es
(0, 0, z)
decir, ker(7) = {O} .

EJEMPLO 3
T(x, y, z) =
(0, 0, 0)
(x, y, 0) Determine el kernel de la proyecci6n T: R3 ➔ R3 dada por T(x, y, z) = (x, y, 0).
X y SOLUCION
Esta transformaci6n lineal proyecta el vector (x, y, z) en R3 en el vector (x, y, 0) del plano
El kernel de T es el conj unto xy. Por consiguiente, el kernel consta de todos los vectores que se encuentran sobre el eje
de todos los vectores en el eje z z. Es decir,
Figura 6.4 ker(7) = {(0, 0, z): z es un numero real} . (Vease la figura 6.4.)
Hallar los kerneles de las transformaciones lineales de los ejemplos I , 2 y 3 es relati-

vamente facil. Por lo general, el kernel de una transformaci6n lineal no es tan evidente y
su determinac i6n requiere algo de trabajo, como se ilustra en los dos ejemplos siguientes.

EJEMPLO 4 de una transformaci6n lineal
Encuentre el kernel de una transformaci6n lineal T: R2 ➔ R3 definida por
T(x I' X 2) = (x I - 2x 2, 0, - X J
SOLUCION
Para encontrar ker(7) es necesario detenninar todos los x = (xi, x2) en R 2 tales que
T(x 1,x2 ) = (x 1 - 2x 2,0, -x) = (0,0,0).
Lo anterior conduce al siguiente sistema homogeneo
x1-2x2=0
0=0
-x 1 =0
cuya un ica soluci6 n es la trivial (x1, x 2) = (0, 0). Por ta nto, se tiene
ker(T) = {(0, 0)} = {O}.

EJEMPLO 5
Encuentre el kernel de la transformaci6n lineal T: R 3 ➔ R 2 definida por T(x) = Ax, donde
A = [
- I
I
- I
2
-2]
3 .
SOLUCION
El kernel de T es el conjunto de todos los x = (x 1, x2, x3) en R 3 tales que T(x 1, x 2, x3) =
(0, 0). A partir de esta ecuaci6 n se obtiene el siguiente sistema homogeneo.
- I
2
..... x1 -
- XI
x 2 -2x 3 =0
+ 2x 2 + 3x 3 = 0 .
Al escribir la matriz aumentada de este sistema e n forma escalo nada reducida se obtiene
3 0 - I
2
Con el parametro t = x 3 se obtiene la familia de soluciones

2 3
X Kernel:
1( I , -1, I ) Por tanto, el kernel de Tes
Figura 6.5 ker(7) = {t( I, - 1, I): t es un numero real ) = gen {( I, - 1, I)). (Vease la Figura 6.5.)
Observe que en el ejemplo 5 el kernel de T contiene infinidad de vecto res. Por

supuesto, el vector cero esta en ker(7), aunque el kernel tambien contiene vectores dife-
rentes de cero como ( I, - 1, I) y (2, - 2, 2), como se ilustra en la figura 6.5. En esta figura
se muestra que este kerne l en particular es una recta que pasa por el origen, lo cual implica
que es un subespacio de R3. En el siguiente teorema se demuestra que e l kernel de toda
transformaci6n lineal T: V ➔ W es un subespacio de V.
6.2 El kern el y el rango de una tran sformacion lineal 305
TEOREMA 6.3 El kernel es un subespacio de V

El kernel de la transformaci6n lineal T: V ➔ Wes un subespacio de] dominio V.
DEMOSTRACION
Del teorema 6.1 se sabe que ker(7) es un subconjunto no vacfo de V. Por consiguiente, por
el teorema 4.5 se puede demostrar que ker(7) es un subespacio de V al demostrar que es
COM ENTARIO cerrado bajo la suma vectori al y la multiplicaci6n escalar. Para efectuar lo anterior, sean u
El kernel de Talg unas veces se y v vectores en el kernel de T. Entonces, T(u + v) = T(u ) + T(v) = 0 + 0 = 0, lo cual
denomi na espacio nulo de T.
implica que u + v est.a en el kernel. Ademas, si c es cualquier escalar, ento nces T(cu) =
cT (u) = cO = 0, lo cual implica que cu esta en e l kernel.
El sig uiente ejemplo muestra c6mo encontrar una base para el kernel de una transfor-
maci6 n definida por una matriz.
EJEMPLO 6 Determinando la base para el Kernel
Sea T : R 5 ➔ R4 definida por T(x) = A(x), donde x esta en R 5 y

2 0
A - [ - ;1
0
I
0
0
3
-2
0
0
2
I
-!l
Determine una base para ker(7) como subespacio de R 5.
SOLUCION
Sig uiendo el procedimiento mostrado en el ejemplo 5, la matriz aumentada [A OJ se
@rn@@QDc reduce a la form a escalonada como se muestra a continuaci6n.
00 00 DliYil Drn ~ 'u'@ I 0 2 0 -I 0
0 1 -1 0 - 2 0
x, = -2x3 + X5
'ua l Cua I e s e l ran go 0 0 0 1 4 0
~ X2 = X3 + 2x5
de la matriz A en e l X4 = - 4x 5
0 0 0 0 0 0
ejemplo 6?
Con x 3 =s y x5 = t, se tiene
~□ Fo rmule una conje-
tura relacionada x, - 2s + t - 2 1
con la dimension X2 s + 2t 1 2
del kernel, el rango x = X3 s + Ot =s l + t 0
y el numero de X4 Os - 4t 0 -4
columnas de A. X5 Os+ t 0
©a Ve rifique s u conje- Por tan to, una base para el kernel de T esta dada por B = {(- 2, 1, 1, 0, 0), ( 1, 2, 0, - 4,
tura para la matriz 1)} .
en el eje mplo 5.
En la soluci6n dada en el ejemplo 6 se encontr6 una base para el kernel de T al resol-
ver el sistema homogeneo dado por A x = 0. Este procedimiento es conocido: se trata <lei
mismo procedimiento aplicado para hallar e l espacio soluci6n de! A x = 0. En otras pala-
bras, el kernel de T es el espacio nulo de la matriz A, como se afirma en el siguiente corolario
de! teorema 6.3.

Sea T: R" ➔ R111 la transformaci6n lineal definida por T(x) = Ax. Entonces el kernel
de T es igual al espacio soluci6n de A x = 0.
EL RANGO DE UNA TRANSFORMACION LINEAL

El kernel es uno de los dos subespacios crfticos asociados con una transfonnaci6n lineal.
El segundo es el rango (o alcance) de T, denotado por rango(7). Recuerde de la secci6n
6.1 que el rango de T: V ➔ W es el conjunto de vectores w en W que son imagenes de
vectores en V. Es decir,
rango(T) = {T( v): v esta en V}.
TEOREMA 6.4 El rango de Tes un subespacio de W

El rango de una transfonn aci6n lineal T: V ➔ Wes un subespacio de W.
DEMOSTRACION
El rango de Tes no vacfo porque T(O) = 0 implica que el rango contiene al vector cero.
Dominio Kernel
Para demostrar que es cerrado bajo la suma vectorial, sean T(u) y T(v) vectores en el rango
de T. Como u y v estan en V, se concluye que tambien u + v esta en V. Entonces, la suma
T(u) + T(v) = T(u + v)
esta en e l rango T.
Rango Para demostrar la cerradura bajo la multiplicaci6n escalar, sea T(u) un vector en el
T rango de Ty sea c un escalar. Como u esta en V, se deduce que tambien lo esta cu. Por
tanto, el multiplo escalar cT(u) = T(cu ) esta en el rango de T.
Observe que el kernel y el rango de una transformaci6n lineal T: V ➔ W son subes-

Figura 6.6 pacios de Vy W, respectivamente, como se ilustra en la figura 6.6.
Para hallar una base para el rango de una transfonnaci6n lineal definida por T(x) =
Ax, se observa que el rango consta de todos los vectores b tales que el sistema Ax = b es
consistente. al escribir e l Sistema
~: ::: · · · :::: 1r::1= r~1

ra,,, a
1 1112 a,, x,, b,,,
111
en la fonna
Ax =x1
a21 + x a121 + · · · + x,, raJ,,
a111
•
a22
.
ai,,
.
rb
b1
2
= . =b
2
ra,:, 1 a,:,2 a,~111 b,,,

se observa que b pertenece al rango de T si y s61o si b es una combinaci6n lineal de los
vectores columna de A. Por tanto, el espacio generado por fas cofunmas de A es el mismo
que el rango de T.

Sea T: R" ➔ R"' la transformaci6n lineal definida por T(x) = Ax. Entonces, el espa-
cio generado por las columnas de A es igual al rango de T.
Ejemplos 4 y 5 en la Secci6n 4.6 usted vio dos procedimientos para determinar una
base para el espacio generado por las columnas de una matriz. En el siguiente ejemplo se
aplica el procedimiento dado en el ejemplo 5 de la Secci6n 4.6 para encontrar una base
para el rango de una transformaci6n lineal definida por una matriz.
6.2 El kernel y el rango de una tran sformacion linea l 307
Determinaci6n de una base para el rango

EJEMPLO 7
Para la transformacion li neal T: R5 ➔ R4 dada en el ejemplo 6, encuentre una base para el
rango de T.
SOLUCION
La forma escalonada de A ya se calculo en el ejemplo 6.
2 0 0 2 0
-•1
A - [ - ;1
0
0
0
l 3
-2
0
l
0
2
-!]= [~ l
0
0
- 1
0
0
0
I
0
-2
4
0
Como los I principaJes aparecen en las columnas 1, 2 y 4 de la matriz reducida de la dere-
cha, los correspondientes vectores columna de A fom1an una base del espacio columna de
A. Una base del rango de T es
B = {( I, 2, - 1, 0), (2, 1, 0, 0), (1, l , 0, 2)}.
COM ENTARIO A conLinuacion se dan los nombres para las dimensiones de! kernel y rango de una
Si Testa definida per la matriz transformacion lineal.
A, entences el range de Tes
igual al range de A, y la nulidad
de Tes igual a la nulidad de A, Definici6n del rango y la nulidad de una transformaci6n lineal
ceme se defini6 en la secci6n
4.6.
Sea T: V ➔ W una transformacion lineal. La dimension del kernel de T se llama
nulidad de Ty se denota como nulidad (7). La dimension del rango de Tse deno-
mina rango de Ty se denota como rango (7).
En los ejemplos 6 y 7 se relacio nan la nul idad y el rango de T con la dimension del
dominio como se muestra a continuaci6n.
rango(7) + nulidad(7) = 3 + 2 = 5 = dimension del dominio
Esta relaci6n es verdadera para cualquier transformacion lineal de un espacio vectorial de
dimensi6 n finita, como se establece en el siguiente teorema.
TEOREMA 6.5 Suma del rango y la nulidad

Sea T: V ➔ W una transformacion lineal de un espacio vectorial V n-dimensional a
un espacio vectorial W. Entonces, la suma de las dimensiones del rango y el kernel
es igual a la dimensi6n del dominio. Es decir,
rango(7) + nulidad(7) = n o dim(rango) + dim(kemel) = dim(dominio).
DEMOSTRACION
La demostracion dada aquf cubre el caso en que T este representada por una matriz A de
m X 11. El caso general se tratara en la siguiente secci6n, en la que podra observar que
cualquier transformacion lineal de un espacio n-dimensional en un espacio m-dimensional
puede representarse por una matriz. Para demostrar este teorema se supone que e l rango
de la matriz A es r. Entonces, se tiene
rango(T) = dim(rango de 7) = dim(espacio columna) = rango(A) = r.
Sin embargo, por el teorema 4.17 se sabe que
nulidad(T) = dim(kemel de 7) = dim(espacio solucion) de Ax = 0 = 11 - r.
Por lo tanto, se concluye que rango(T) + nu lidad(T) = r + (n. - r) = n..
Determinaci6n del rango y la nulidad

Encuentre el rango y la nulidad de T. Sea T: R3 ➔ R3 una transformac io n lineal definida
por la matriz
0
A- [~ l -21l .
0 0
SOLUCION
Dado que A esta en forma escalonada por renglones y contiene dos renglones diferentes
de cero, su rango es igua l a 2. Asf el rango de Tes 2 y la nulidad es dim(dominio) - rango
=3 - 2= 1
Una forma de visualizar la relacion entre el rango y la nulidad de una transfonnac ion
lineal dada por una matriz es observar que el rango es determinado por el numero de I
principales y la nulidad por el numero de variables libres (columnas sin los I principales).
Su suma debe ser el numero total de columnas de la matri z, que es la dimension de] domi-
nio. En el ejemplo 8, las primeras dos columnas tienen I principales, lo que indica que el
rango es 2. La tercera columna corresponde a la variable libre, lo que significa que la
nulidad es 1.
Determinaci6n del rango y la nulidad

EJEMPLO 9
Sea T: R5 ➔ R7 una transfonnacion lineal.
a. Encuentre la dimension de! kernel de T si la dimension del rango es 2.
b. Encuentre el rango de T si la nulidad de Tes 4.
c. Encuentre el rango de T si ker(n = {0} .
SOLUCION
a. Por el teorema 6.5, con n = 5, se tiene
dim(kernel) = n - dim(rango) = 5 - 2 = 3.
b. De nuevo por el teorema 6.5, se tiene
rango(7) = n - nulidad(7) = 5 - 4 = I.
c. En este caso, la nulidad de Tes 0. Por tanto,
rango(7) = n - nulidad(7) = 5 - 0 = 5.
ALGEBRA Un sistem a de control, como el que se muestra para una fabrica de

lacteos, procesa una seria l de entrada x k y produce una serial de sa lida
LINEAL xk+,- Sin retroalimentaci6n externa, la ecuacion en diferencias
APLICADA
xk , , = Axk
una t ransfo rmaci6 n lineal donde X; es un vector de n x 1 y A es una
matriz de n x n, pueden modelar la relaci6n entre las seriales de
ent ra da y salida. Tipicamente, sin emba rg o, un sistema de control
t iene retroalimentaci6n externa, por lo que la rel aci6n se vuelve
donde Bes una matriz de n x my u k es un vecto r de entrada, o con-

trol, de m x 1. Un sistema se denomina controlable cuando puede
alcanzar cualquier estado final deseado de su estado inicial en no
m enos pasos. Si A y B forman un sistema controlable, ento nces el
rango de la matriz de controlabilidad
es igua l an. Mark Yu,11/Shutterstock com

6.2 El kern el y el rango de una tran sformacio n linea l 309
TRANSFORMACIONES LINEALES UNO A UNO Y SOBRE

Esta secci6n empieza con una pregunta: lcuantos vectores en el domi nio de una transfor-
maci6 n lineal son mapeados al vector cero? El teorema 6.6 muestra que si el vector cero
es el unico vector v tal que T(v) = 0, entonces T es uno a uno. Una funci6n T: V ➔ W se
denomina uno a uno si la preimagen de todo w en el rango consta de un solo vector, como
se observa en la figura 6.7. Esto equivale a decir que T es uno a uno si y s6lo si para todo
u y v en V, T(u ) = T(v) implica que u = v.
U no a uno
No uno a uno
Figura 6.7
TEOREMA 6.6 Transformaciones lineales uno a uno

Sea T: V ➔ W una transformaci6 n lineal. Entonces T es uno a uno si y s6lo si ker(7)
= {OJ.
DEMOSTRACION
Suponga que T es uno a uno. Entonces T(v) = 0 puede tener s6lo una soluci6n: v = 0. En
el otro sentido, suponga que ker(7) = {0} . En el otro sentido, suponga q ue ker (7) = {0 }
y q ue T(u) = T(v). Como T es una transformaci6n lineal, se concluye que
T(u - v) = T(u) - T(v) = 0.
Esto implica que e l vector u - v esta en e l kernel de T y que debe ser ig ual a 0. Asf, u = v,
y se concluye que T es uno a uno.
Transformaciones lineales uno

EJEMPLO 10 a uno y no uno a uno
a. La transformaci6n lineal T: M,,,_,, ➔ M,,_111 , definida por T(A) = A 7, es uno a uno, ya que
su kernel consta solamente de la matriz cero de m X n.
b. La transformaci6n cero T: R3 ➔ R3 no es uno a uno, ya que su kernel consta de todo
R3_
Se dice que una funcion T: V ➔ Wes sobre si todo elemento en W tiene una preima-
gen en V. En otras palabras, Tes sobre W cuando W es igual al rango de T. La demostra-
cion del sig uiente teorema relacionado se deja como ejercicio (vease el ejercicio 65.)
TEOREMA 6. 7 Transformaciones lineales sobre

Sea T: V ➔ W una transformacion lineal, donde Wes de dimension finita. Entonces
Tes sobre si y solo si el rango de Tes igual a la dimension de W.
Para espacios vectoriales de dimensiones iguales, se puede combinar los resultados de

los teoremas 6.5, 6.6 y 6.7 para obtener el siguiente teorema que relaciona los conceptos
de uno a uno y sobre.
TEOREMA 6.8 Transformaciones lineales uno a uno y sobre

Sea T: V ➔ W una transformaci6n lineal en la que tanto el espacio vectorial V como
W son de dimension n. Entonces T es uno a uno si y solo si es sobre.
DEMOSTRACION
Si Tes uno a uno, entonces por el teorema 6.6 se tiene que ker(7) = {0} y dim(ker(7)) =
0. En este caso, por el teorema 6.5 se obtie ne
dim(rango de 7) = n - dim(ker(7)) = n = dim(W).
En consecuencia, por el teorema 6.7, Tes sobre. De manera semejante, si Tes sobre,
entonces
dim(rango de 7) = dim(W) = n,
lo cual, por el teorema 6.5 , implica que dim(ker(7)) = 0. Por tanto, en virtud del teorema
6.6, T es uno a uno.
El siguiente ejemplo reune vari as ideas relacionadas con el kernel y el rango de una
transformaci6n Iineal.
EJEMPLO 11 Resumen de varios resultados
La transformaci6n lineal T: R" ➔ R"' esta definida por T(x) = Ax. Encuentre la nulidad y
el rango de Ty determine si Tes uno a uno, sobre o ninguna de las dos.
~ ~
2
a. A [~ l
0 !] b. A [~
!]
~ [i
2
c. A=[~ 2
- ~] d. A l
!]
0
SOLUCION
Observe que cada matriz ya esta en forma escalonada, de modo que el rango puede deter-
minarse por inspeccion.
Dim(rango) Dim(kernel)
T: R 11 ➔ R 111 Dim(dominio) Rango(T) Nulidad(T) Uno a uno Sobre
a. T: R 3 ➔ R 3 3 3 0 Sf Sf
b. T: R 2 ➔ R 3 2 2 0 Sf No
c. T:R 3 ➔ R 2 3 2 No Sf
d. T: R 3 ➔ R 3 3 2 No No
6.2 El kernel y el rango de una transformacio n linea l 3 11
ISOMORFISMOS DE ESPACIOS VECTORIALES

Espacios vectoriales diferentes como R3 y M3. 1 pueden concebirse como "esencialmente lo
mismo con respecto a sus operaciones estandar". Dichos espacios se denominan isomor-
fos entre sf. (La palabra griega isos significa " igual".)
Definici6n de isomorfismo
Una transformacion lineal T: V ➔ W que es uno a uno y sobre se denomina isomor-
fismo. Ademas, si Vy W son espacios vectoriales tales que existen un isomorfismo
de Va W, entonces se dice que Vy W son isomorfos entre sf.
Los espacios vectoriales isomorficos son de la misma dimension finita y los espacios
vectoriales de la misma dimension finita son isomorficos, como afirma el siguiente teo-
rema.
TEOREMA 6.9 Espacios isomorfos y dimension

Dos espacios vectoriales de dimension finita, Vy W, son isomorfos si y solo si tienen
la misma dimension.
DEMOSTRACION
Suponga que V es isomorfo a W, donde la dimension de V es n. Por la definicion de espa-
cios isomorfos, se sabe que existe una transformacion lineal T: V ➔ W uno a uno y sobre.
Dado que Tes uno a uno, se concluye que dim(kemel) = 0, lo cual tambien implica que
dim(rango) = dim(dominio) = n.
Ademas, debido a que Tes sobre se puede concluir que dim(rango) = dim(W) = n.
Para demostrar el teorema en la otra direccion se supone que tanto V como W tienen
dimension n. Sean B = {v 1, v2, . . . , v11 } una base de Vy B' = {wi, w2, ... , w,, } una base
de W. Entonces, un vector arbitrario de V puede representarse como
COM ENTARIO
En nuestro estudio de espacios y se puede definir una transformacion lineal T: V ➔ W como sigue.
vectoriales se ha dado mucha
mayor cobertura a R" que a
cualquier otro espacio vectorial.
Esta preferencia por R" resulta
de su conveniencia notacional y
Se puede demostrar que esta transformacion lineal es uno a uno y sobre. Por tanto, Vy W
de los modelos geometricos son isomorfos.
disponibles para R2 y FP.
- - -[> En el ejemplo 12 se enumeran algunos espacios vectoriales isomorfos a 1?4.
EJEMPLO 12 Espacios vectoriales isomorfos
Los siguientes espacios vectoriales son isomorfos entre sf.

a. ~ = espacio 4
b. M 4 . 1 = espacio de todas las matrices de 4 X l
c. M2.2 = espacio de todas las matrices de 2 X 2
d. P 3 = espacio de todos los polinomios de grado menor o igual que 3
e. V = {(x 1, x 2, x 3, x4 , 0): X; es un numero real} (subespacio de R5)
El ejemplo 12 establece que los elementos de los espacios enumerados se comportan

de la misma forma que los vectores.
Determinaci6n del kernel de una transformaci6n lin-

eal En los ejercicios l a 10, encuentre el kernel de la trans-
formaci6n lineal.
1. T: R 3 ➔ R3, T(x, y, z) = (0, 0, 0)
25. A ~ H -!1 -9
9
2
-9
4
4
26.A ~ [~
0
0
0 ~]
2. T: R 3 ➔ R 3 , T(x, y , z) = (x, 0, z)
3. T: R ➔ R4, T(x, y , z, w)
4
= (y, x, w, z)
27. A = [~
-2
0 1~] 28. A=[~ l
0
0
~]
4. T: R 3 ➔ R 3 , T(x, y , z) = (z, y, x) 2 - 3
5. T: P3 ➔ R, T(G0 + a,x + G2 x + 2
G 3x 3) = G0
e 29. A~[; l l - l 13]
6. T: P2 ➔ R, T(G0 + a 1x + G2 x 2 ) = G0 3 - 5 0 14
7. T: P2 ➔ P1 , T(a0 + G1x + G2 x 2 ) = a 1 + 2G2x 6 -2 4 16

- 2 6
8. T: ~ ➔ P2 ,
T(G0 + a 1x + a2x 2 + G 3x 3) = a 1 + 2G2 x + 3a3x 2 e 30. A~[~ 3
- 3
8
9. T: R 2 ➔ R 2 , T(x, y) = (x + 2y,y - x)
10. T: 2
R ➔R , 2
T(x,y) = (x - y, y - x) Determinaci6n de la nulidad y descripci6n del kernel y
del rango En los ejercicios 3 1 a 38, sea T: R3 ➔ R3 una
Determinaci6n de bases para el kernel y el rango En transformaci6n lineal. Use la informaci6n proporcionada
los ejerc icios 11 a 18, la transformaci6n lineal Testa definida para hallar la nulidad de Ty de una descripci6n geometrica
por T(v) = Av. E ncuentre una base para (a) el kernel de Ty del kernel y e l rango de T.
(b) el rango de T. 31. dim(rango (T) = 2 32. dim(rango (T) = I
11. A=[~ !] 12. A =[ l

- 2
2
-4
] 33. dim(rango (T) = 0 34. dim(rango (T)
35. T es la rotaci6n de 45° en sentido contrario al de las
= 3
-2 manecillas del reloj con respecto al eje z:

14. A = [~ 2
IS. A ~ [-: 16. A ~ H T(x,y, z) =( ~x - ~ y, ~x + ~y,
36. T es la reflexion con respecto al piano de coordenadas

yz:
z)
~ -~1
2 - I T(x, y, z) = (- x, y, z)
I 2 37. Tes la proyecci6n sobre el vector v = (1, 2, 2):
17. A = [
- 4 -3 - I -3
T(x,y,z) =
X + 2y + 2z ( 1,2,2)
-I - 2 I I 9
- l 3 2
38. Tes la proyecci6n sobre el pJano de coordenadas xy:
18. A = ~ 3 5 0
T(x, y, z) = (x, y, 0)
[
2 l
Determinaci6n de la nulidad de una transformaci6n
Determinaci6n de kernel, nulidad, rango y dim(rango) lineal En los ejercicios 39 a 42, determine la nulidad de T.
En los ejerc icios 19 a 30, la trans formaci6n lineal Testa
definida por T(x) = Ax. Detennine (a) ker(1), (b) nulidad(T),
39. T: R4 ➔ R2 , =2
dim(rango (T))
(c) rango(7) y (d) dim(rango (7)). 40. T: R 5 ➔ R2, dim(rango (T)) = 2
19. A = [- : :] 20. A = [_ ! 41. T: R 4 ➔ R4, dim(rango (T)) = 0

42. T: P3 ➔ P1, dim(rango (T)) =2
-~i
-l
Verificaci6n de que T sea uno a uno y sobre En los
ejercicios 43 a 46, compruebe que la matriz dada define una
funci6n lineal T uno a uno y sobre.
23. A = [1 1]
10 10
43. A = [
- I
O
6.2 Ejercicios 313
0 2 60. Determine una re lacion entre m, n,j y k ta! que M,,,_11 sea
0 2 isomorfo a Mj.k·
4 LVerdadero o falso? En los ejercicios 61 y 62, determine
cual de las expresiones es verdadera o falsa. Si la expres ion
Determinar si Tes uno a uno, sobre o ninguno de los
es verdadera, proporcione una razon o cite una expresion
dos En los Ejercicios 47 a 50, determine si la transfor-
adecuada del texto. Si la expresi6n es falsa, proporcio ne un
macio n lineal es uno a uno, sabre o ninguna de los dos.
47. T como se da en el ejercicio 3 los casos o cite del texto una expresion adecuada.
48. T como se da en el ej ercicio 10 61. (a) Al conjunto de todos los vectores mapeados de un
49. T: R2 ➔ R3, T(x) = Ax, donde A esta dada en el ejercicio 2 1 espacio vectorial V a otro espacio vectorial W por
50. T: R5 ➔ R3, T(x) = Ax, donde A esta dad a en el ejercicio 18 una transformacion lineal T, se le conoce como ker-
nel de T.
51. ldentifique el elemento cero y una base estandar para (b) El rango de una transfonnacion lineal desde un espa-
cada uno de los espacios isomorfos del ejemplo 12. cio vectorial Va un espacio vectorial W es un subes-
52. i,Cuales de los siguientes espacios vectoriales son iso- pacio del espacio vectorial V.
morfos a R6? (c) Los espacios vectoriales R 3 y M 3_1 son isomorfos uno
(c) C[0, 6] de otro.
62. (a) La dimensio n de una transfonnacion lineal T de un
(f) { (x 1, x 2 , x 3, 0, x 5, x 6 , x 7 ): x; es un numero real } espacio vectorial Va un espacio vectorial W se llama
53. Calculo Sea T: P4 ➔ P3 definida por T(p) = p'. i,Cual rango de T.
es e l kernel de T? (b) Una transformacion lineal T de V a W es uno a uno
54. Calculo Sea T: P2 ➔ R definida por si y solo si la preimagen de toda w en el rango consta
T(p) = L p(x) dx.

de un solo vector v.
(c) Los espacios vectoriales R 2 y P 1 son isomorfos uno
de otro.
i, C ua I es el kernel de T? 63. Demostraci6n guiada Sea B una matriz invertible
55. Sea T: R3 ➔ R3 la transformacion lineal que proyecta u de n X n. Demuestre que la transformaci6n lineal T:
sabre v = (2, -1 , I ). M 11 _11 ➔ M 11•11 definida por T(A) = A B es un isomorfismo.
(a) Determine dim(rango) y la nulidad de T. Inicio: para demostrar que la transformacion lineal es un
(b) Determine una base para el kernel de T. isomorfismo, usted debe probar que T es sabre y uno a uno.
56. Repita el ejercicio 55 para v = (3, 0, 4). (i) Como T es una transformacion lineal con espacios
vectoriales de igua1 dimension, entonces por el teo-
57. Para la transformacion T: R" ➔ R" definida por T(v) =
rema 6.8, solo requiere demostrar que T es uno a uno.
Av, i,que puede decirse acerca de dim(rango(J)) si (a)
det(A) #- 0 y (b) det(A) = O? (ii) Para demostrar que T es uno a uno, debe deterrninar
el kernel de T y probar que este es {0} (teorema
t!> 58. OO[~mYX]£iJ'rn Considere la transformac io n
lineal T: R4 ➔ R3 representada por T(x) = Ax, donde
6.6). Use el hecho de que B es una matriz invertible
den X n y que T(A) = AB.
A-[~-! ~ n
(a) Encuentre la dimens ion del dominio.
(iii) Concluya que T es un isomorfismo.
64. Prueba Sea T: V ➔ W una transformacion lineal.
Demuestre que T es uno a uno si y solo si el rango de T
es ig ual a la dimensio n de V.
(b) Encuentre la dimension del rango. 65. Prueba Demuestre el Teorema 6.7.
(c) Encuentre la dimension de! kernel. 66. Prueba Sea T: V ➔ W una transformacio n lineal y sea
(d) i,Es T uno a uno? Explique. U un subespacio de W. Demuestre que el conjunto
1
(e) i,ES T sabre? Explique. , (U) = {v EV: T(v) E U ) es un subespacio de V. i,Que
es 1 1(U) si U = {O}?
(f) i,ES Tun isomorfis mo? Explique .
67. Escriba Sea T: R"' ➔ R" una transformacion lineal.
59. Sea T: M,,_,, ➔ M,,_,, definida por T(A) = A -Ar_ Demues- Explique las di ferenc ias entre los conceptos uno a uno
tre que el kernel de T es el conjunto de las matri ces y sabre. i,Que puede decir acerca de m y n cuando Tes
simetri cas den X n. sobre? i,Que puede decir de my n si T es uno a uno?
6.3 Matrices de transformaciones lineales
■ Encontrar la matriz estandar para una transformacion lineal.
Encontrar la matriz estandar para la composicion de transformaciones

■ lineales y encontrar la inversa de una transformacion lineal invertible.
■
Encontrar la matriz para una transformacion lineal respecto a una
base no estandar.
LA MATRIZ ESTANDAR PARA UNA TRANSFORMACION LINEAL

lCuaJ de las siguientes representaciones de T: R 3 ➔ R 3 es mejor?
T(x ,, X 2, X 3) = (2x I + X2 - X 3, - X l + 3x2 - 2x3, 3x2 + 4x3)
0
I
3
3
La segunda presentaci6n es mejor que la primera al menos por tres razones: es mas facil
de escribir, mas faci l de leery se adapta con mayor facilidad para ser utilizada en compu-
tadora. Mas tarde se vera que la representaci6n matricial de una transformaci6 n lineal
tambien ofrece algunas ventajas te6ricas. En esa secci6n se vera que para transformaciones
lineales que implican espacios vectoriales de dimension finita la representaci6n matricial
siempre es posible.
La clave para representar una transformaci6n lineal T: V ➔ W por medio de una
matriz es determinar c6mo actua T sobre una base de V. Una vez que se conoce la imagen
de todo vector de la base es posible aplicar las propiedades de las transformaciones linea-
les para determinar T(v) para todo v en V.
Recuerde que la base estandar de R", escrita en notaci6n vector columna, esta definida
por
TEOREMA 6.10 Matriz estandar de una transformaci6n lineal

Sea T: R" ➔ Rm una transformaci6n lineal taJ que para los vectores de base estandar
e;de R",
11 12 1
[a1 [a?', l.
[? ,
T(e i) = al T(e 2 ) =
2]
, ... , T(e,,) =
Clml a,,,2 a,,m
Entonces la matriz de 111 X n cuyas n columnas corresponden a T(e;),
all a,2
A = a2,
"'"]
G22 a2,,
a,,,1 am2 a,;,,,

es tal que T(v) = Av para toda v en R". Ase denomina matriz estandar para T.
6.3 Mat rices de transformaciones lineales 3 15
DEMOSTRACION
Para demostrar que T(v) = Av para todo v en R" se escribe
Dado que T es una transformaci6n lineal, se tiene

T(v) = T(v 1e 1 + v2e 2 + · · · + v e 11 11
)
= T(v 1e 1) + T(v2e 2) + · · · + T(v,,e 11

)
= v1T(e 1) + v2 T(e 2) + · · · + v T(e 11 11

).
Por otra parte, el producto matricial Avesta dado como
a, 2 a,,,]["
Av =
["" a~,
a,,,1
G-i2
am2
a2,, vz
a,;111 ~"
G 11V1 + G12V2 + . · · + a1,,v,,l
_ O-i1V1 + Gz2V2 + . . . + 0-i,,v,,
[
a,,,!v, + a lv2 + · . + am,;v/1
111
Por consiguiente, T(v) = Av para cada v en R".
Determinaci6n de la matriz estandar

EJEMPLO 1
Determine la matriz estandar de la transformaci6 n lineal T: R3 ➔ R2 definida por
T(x, y, z) = (x - 2y, 2x + y).
SOLUCION
Se empieza por encontrar las imagenes de ei, e2 y e3 .
Notaci6n Vectorial Notaci6n Matricial
COM ENTARIO
Como verificaci6 n, se observa
n,,) - r([m -[~]
que
f ]-[; -: ~][~] T(e 2) = T(0, I, 0) = (-2, I) T(, ,) = r([!l) = [ - ~]
= [2:: 2~]
lo cual es equ ivalente a
T(e 3) = T(0, 0, 1) = (0, 0) n,,) = r([m = [~]
T(x, y, z) = (x - 2y, 2x + y). Por el teorema 6.10, las columnas de A constan de T(e 1), T(e 2) y T(e 3), por lo que se tiene
-2
Con algo de practica se puede determinar por inspecci6n la matriz estandar de una
transformaci6n lineal como la del ejemplo I. Asf, la matriz estandar de la transformaci6n
lineal definida por
T(x 1, x 2 , x 3) = (x 1 - 2x2 + 5x3 , 2x 1 + 3x3, 4x 1 + x2 - 2x3)
se encuentra usando los coeficientes de Xi, x2 y x3 para formar los renglones de A como se
muestra enseguida.
l -2 lx 1 - 2x 2 + 5x3
A = [~ 0 2x 1 + Ox2 + 3x3
Determinaci6n de la matriz estandar

La transformaci6n lineal T: R2 ➔ R2 se obtiene al )'
proyectar cada punto de R2 sobre el eje x, como se T(x, y) = (x , 0)

muestra en la fig ura 6.8. Encuentre la matriz estan- (x, y)
dar de T.
SOLUCION
Esta transformaci6n lineal esta definida por
T(x, y) = (x, 0).
asf, la matri z estandar de T es
A = [T(I , 0) T(O, I)] (x, 0)
Proyecci6n sobre el eje x
= [~ ~]. Figura 6 .8
La matriz estandar de la transformaci6n cero de R" a R"' es la matriz cero de m X n. y

la matriz estandar de la transformaci6n ide ntidad de R" a R" es / 11 •
ALGEBRA Las redes en escalera son herramientas utiles para los ingenieros elec-
t ricos involucrados en el diseiio de circuitos. En una red en esca lera, el
LINEAL voltaje de salida Vy la corriente / de un circuito son el voltaje de
APLICADA entrada y corriente del circuito contiguo. En la red en escalera que se
muestra a continuaci6n, las transformaciones lineales pueden relacio-
nar la entrada y salida de un circuito individual (contenido en una caja
pu nteada). Usando las Leyes de Voltaje y Corriente de Kirchhoff y la
Ley de Ohm,
Una composici6n puede relacionar la entrada y salida de la red en

escalera entera, es decir, v, e /1 a V3 e I. La discusi6n de la composi-
ci6n de transformaciones lineales comienza en la siguiente pagina.
1_ - - - - - .J '
_ _ _ _ _ _ .J
any_keen/Shutterstock com
COMPOSICION DE TRANSFORMACIONES LINEALES

La composici6n, T, de T 1: R" ➔ R"' con T2 : R"' ➔ RPse define como
T(v) = :z;(I; (v))
donde v es un vector en R". Esta composici6n se denota por
T= :z; 0
7;.
El dominio de T se define como el dominio de T 1• Ademas, la composici6n no esta defi-
nida a menos de que el rango de T 1 este contenido en el dominio de T2, como se observa
en la figura 6.9.
Figura 6.9
El siguiente teorema recalca la utilidad de las matrices para representar transforma-

ciones lineales. El teorema no solo establece que la composic i6n de dos transformacio-
nes lineales es una transformaci6n lineal, sino tambien que la matriz estandar de la com-
posic i6n es e l producto de las matrices estandar de las dos transformaciones lineales
originales.
TEOREMA 6.11 Composici6n de transformaciones lineales

Sean T 1: R" ➔ R"' y T2 : R"' ➔ R" transformaciones lineales con matrices estandar A 1
y A 2 respectivamente. La composici6n T: R" ➔ R" definida por T(v) = T2(T 1(v)), es
una transformaci6n lineal. Ademas, la matriz estandar A de T esta definida como el
producto matricial
DEMOSTRACION
Para demostrar que Tes una transformaci6n lineal, sean u y v vectores en R" y sea c cual-
quier escalar. Entonces, como T 1 y T 2 son transformaciones lineales, se puede escribir
T(u + v) = 7;(7; (u + v))
= :z;(I; (u) + I; (v))
= :z;(I; (u)) + :z;(I;(v))
= T(u) + T(v)
T(cv) = 7;(7; (cv))
= 7i(cJ; (v))
= c:z;(I; (v))
= cT(v).
Luego, para demostrar que A 2A, es la matriz estandar de T, se aplica la propiedad asocia-
tiva de la multiplicaci6n de matrices para escribir
El teorema 6.11 puede generalizarse para abarcar la composici6n den transformaciones

Lineales. Es decir, si las matrices estandar de Ti, T2 , . . . T,, son Ai, A2 , • . . , A,,, entonces
lamatrizestandarde lacomposici6n T(v) = T,,(T,, _ 1 • • ·(J;(I;(v)))· · ·)estadefinidapor
A = A,,A,,_1 ... Ai,4 I·
Dado que la multiplicaci6n de matrices no es conmutativa, el orden es importante al
formar la composici6n de transformaciones lineales. En general, la composici6n de T2 ° T 1
no es igual a T 1 ° T2 , como se demuestra en el siguiente ejemplo.
EJEMPLO 3 La matriz estandar de una composici6n
Scan T1 y T 2 transforrnacioncs lincalcs de R3 a R3 talcs quc

I;(x,y, z) = (2.x + y,O, x + z) y T,(x,y, z) = (x - y, z,y).
Determine las matrices estandar de las composic iones T = 7;, Ti y T' = I; 7;_.
0 0
SOLUCION
Las matrices estandar de T 1 y T2 son
1 - 1
0 0
0
Asf, por el teorema 6. 1 I, la matriz estandar de Testa definida por

A = A 1A2
~ [~ m~ ~]
- I I
0 0
0
~ [~
I
0
0 !]
y la matriz estandar de T' esta definida por
A'= A 1A 2
~ [~
1 -)
rn~ 0
0
0
!]
~ [~ n
-2
0
0
Otra ventaja de la representaci6n matricial es que puede expresar la inversa de una

transformaci6n lineal. Antes de mostrar c6mo funciona esto, se da la siguiente definici6n.
Definici6n de transformaci6n lineal inversa

Si T1: R" ➔ R" y Ti: R" ➔ R" son Lransformaciones lineales tales que para todo v en
R",
entonces T2 se denomina inversa de Ti, y se dice que T 1 es invertible.
No toda transformaci6n lineal tiene inversa. Si la transformaci6n T 1 es invertible,

entonces la inversa es unica y se expresa T,- 1•
6.3 Mat rices de transformaciones lineales 3 19
Asf como la inversa de una func i6n de una variable real puede concebirse como si
deshiciera lo que hizo la fu nci6n, la inversa de una transformaci6n lineal T puede conce-
birse como si deshiciera la mapeo efectuado por T. Por ejemplo, si T es una transformac i6n
lineal de R3 a R3 tal que
T( I, 4, - 5) = (2, 3, I)
y si existe r', entonces r' mapea a (2, 3, 1) de regreso a su preimagen bajo T. Es decir,
T - 1(2,3, I)= (1,4, -5).
El sig uiente teorema establece que una transformaci6n lineal es invertible si y s61o si
es un isomo rfis mo (uno a uno y sobre). Se le pide que demuestre este teorema en el ejer-
cicio 56.
TEOREMA 6.12 Existencia de una transformaci6n inversa

COM ENTARIO
Muchas otras condicio nes so n
Sea T: R" ➔ R" una transformaci6n lineal con matriz estandar A. Entonces, las con-
equivalentes a las tres m encio- diciones siguientes son equivalentes.
nadas en este teorem a; consulte 1. Tes invertible.
el resumen de condicio nes 2. T es un isomorfismo.
equivalentes para m atrices cua-
dradas dado en la secci6n 4.6. 3 . A es invertible .
Ademas, si Tes invertible con matriz estandar A, entonces la matriz estandar de r'
es A- 1•
Determinacion de la inversa
La transformaci6n lineal T: R3 ➔ R3 esta definida por

T(x 1,x2 , x 3 ) = (2x 1 + 3x2 + x 3, 3x 1 + 3x2 + x 3, 2x 1 + 4x 2 + x 3) .
Demuestre que T es invertible y encuentre su inversa.
SOLUCION
La matriz estandar de T es
3
3
4 :J
Aplicando las tecnicas para la in vers i6n de matrices (vea la secci6 n 2.3), puede encontrar
que A es invertible y q ue su inversa es
A-I=[=~ ~ 6 -2 -3
~i-
Por consig uiente, T es in vertible y su matriz estandar es A- 1•
1
Utilizando la matriz estandar para la inversa usted puede determinar la regla para 1
medi ante el calculo de la imagen de un vector arbitrario v = (x 1, x 2, x 3).
A-'v-[=i j J[;:]
= [=:: + Xz + X3]
6x 1 - 2x2 - 3x 3
En otras palabras
T - 1(x,,Xz, X3) = (-x, + Xz, -x, + X3, 6x, - 2x2 - 3x3),
BASES NO ESTANDAR Y ESPACIOS VECTORIALES EN GENERAL

A continuaci6n se considerani el problema mas general de hallar una rnatri z para una trans-
formaci6 n lineal T: V ➔ W, do nde B y B' son bases ordenadas de V y W, respecti vamente.
Recuerde que la matriz de coordenadas de v con respecto a B se donota por [v]a. Para repre-
sentar la transformaci6n lineal T, A debe multiplicarse por una matriz de coordenadas con
respecto a 8. El resultado de la multiplicaci6n es una matriz de coordenadas con respecto a
B'. Es decir, [T(v)] 8 , = A[v] 8 . Ase deno mina matriz de T con respecto a las bases B y B'.
Para determinar la matriz A se aplica un procedimiento similar al usado para hallar la
matriz estandar de T. Es decir, las imagenes de los vectores en B se escriben corno matrices
de coordenadas con respecto a la base 8 1 • Estas matrices de coordenadas forman las
columnas de A .
Matriz de transformaci6n para bases no estandar

Sean V y W espacios vectoriales de dimension finita con bases B y B ', respectiva-
mente, donde
Si T: V ➔ W es una transforrnaci6n lineal ta l que
[T(v 1)]B' =
[
a111 l
a~ , [T(v2)]B' = 1
[a122 ]
, . . . , [T(v,,)] B' = 1"
[a1,, l
aml am2 am,,
A=
a ll
a21 a22
aml am2
1
a2,,,,
a
a,;,,,
l
entonces la matriz de m X n cuyas n columnas corresponden a [T(v;)]B',
Cl12
es tal que [T(v)Jn· = A [v] 8 para todo v en V.
Determinaci6n de una matriz

EJEMPLO 5 con respecto a bases no estandar
Sea T: R2 ➔ R2 una transforrnaci6n lineal definida por T(x 1, x 2) = (x 1 + x 2 , 2.x 1 - x2) ,
Encuentre la matriz de T con respecto a las bases
B = {(I, 2), (- 1, I)} y B' = {( I , 0), (0, I)}.

SOLUCION
Por definici6n de T, se tiene
T(v 1) = T(l , 2) = (3, 0) = 3w 1 + Ow2
T(v2) = T(-1 , I)= (0, -3) = Ow 1 - 3w2 •
las matrices de coordenadas de T(v 1) y T(v2) con respecto a B' son
La rnatriz de T con respecto a B y B' se forma al usar estas matrices de coordenadas como
columnas para obtener
Aplicaci6n de una matriz para representar

EJEMPLO 6
una transformaci6n lineal
Para la transformaci6n lineal T:R2 ➔ R2 dada en el ejemplo 5, use la matriz A para encon-
trar T(v), donde v = (2, I ).
SOLUCION
Con la base B = {( I , 2), (- 1, I )}, se encuentra que v = (2, I) = I ( I , 2) - I (-1 , I ), lo cual
implica que
[v ]8 = [L - I JT_
asf, [T(v)]B' cs
Por consiguiente, como B' = {(I , 0), (0, I )}, se concluye que
T(v) = 3(1, 0) + 3(0, I)= (3,3).

lntente comprobar este resultado calculando directamente T(v) por medio de la defi-
nici6n de T dada en el ejemplo 5: T(2, L) = (2 + L, 2(2) - L) = (3, 3).
En el caso especial donde V = W y B = B ' , la matriz A se denomina matriz de T con

respecto a la base B . En estos casos la matriz de la transformaci6n identidad es simple-
mente fw Para ver lo anterior, sea B = I v 1, v2 , . . . , v11 ). Dado que la transformaci6n
identidad mapea todo v; consigo mismo se tiene [T(v 1)la = [l O ·· ·Of, [T(v2)] 8 = [0 l
· · · Of, ... , [T(v11 )]8 = [ I O · · · If y se concluye que A = fw
En el siguiente ejemplo se construye una matriz que representa el operador diferencial
analizado en el ejemplo IO de la secci6n 6. 1.
EJEMPLO 7 Una matriz para el operador diferencial (calculo)
Sea Dx: P 2 ➔ P 1 el operador diferencial que mapea un polinomio cuadratico p de grado

menor o igual que 2 en su derivada p'. Determine la matriz de Dx por medio de las bases
B = { l ,x,x 2 } y B' = { l, x}.
SOLUCION
Las deri vadas de los vectores basicos son
D) l ) = 0 = 0(1) + O(x)
D) x) = l = l (L) + O(x)
Dx(x 2 ) = 2x = 0(1) + 2(x).
Asf, las matrices de coordenadas con respecto a B' son
y la matriz para Dxes

l
0
OJ
2·
Note que esta matriz produce la derivada de un polinomio cuadratico p(x) =a+ bx + cx2•
Ap = [~
I
0 ~] m-[~] = b + 2cx - DJa + bx + ex']
6.3 Ejercicios Consulte www.CalcChat.com para las soluciones de los ejerc1cios nones.
La matriz estandar para una transformaci6n lin- G')Determinaci6n de la matriz estandar y la imagen En
eal En los ejercicios I a 6, determine la matriz estandar de los Ejercicios 23 a 26, (a) encuentre la m atriz estandar A para
la transformacion li neal de T. la trans formacio n lineal T y (b) use A para encontrar la ima-
1. T(x, y) = (x + 2y, x _ 2y) gen del vector v. Use un programa de computacion o una
2. T(x, y) = (2x _ 3Y, x _ y, Y _ 4x) aplicacion grafica para verificar su resultado.
( ) (
3. T x,y,z = x+y,x-y,z-x
) 23. T(x, y, z) = (2x + 3y - z, 3x - 2z, 2x - y + z),
v =( l , 2,- I)
4. T(x, y) = (4x + y, 0, 2x - 3y)
24. T(x, y, z) = (3x - 2y + z, 2x - 3y, y - 4z),
5. T(x, y, z) = (3x - 2z, 2y - z) = (2, - ), - ))
V
6. T(x 1,x2 ,x 3,x4) = (0, 0,0, 0) 25. T(x,,X2,X3,X4) = (x, - X2, X3, x, + 2x 2 - X4, X4),
v = (1, 0, l , - 1)
Determinaci6n de la imagen de un vector En los ejer-
cicios 7 a 10, utilice la matri z estandar para la transformac ion 26. T(x ,,x2 ,x3,x4) = (x 1 + 2x2 , x 2 - x 1, 2x 3 - x 4, x 1),
lineal T para determinar la imagen del vector v. V = (0, 1, - 1, 1)
7. T(x, y, z) = (2x + y, 3y - z), v = (0, l, -1) Determinaci6n de matrices estandar para composicio-
8. T(x,y) = (x + y,x - y, 2x, 2y), v = (3, -3) nes En los ejercicios 27 a 30, enc ue ntre las matrices estan-
9. T(x,y) = (x - y,x + 2y,y), v = (2, - 2) dar de T = T2 • T, y T' = T, • T2 .
10. T(x 1,x 2 , x 3,x4) = (x 1 -x 3 , x 2 -x4,x3 -x1,x2 +x4 ) , 27. I;: R 2 ➔ R 2 , I;(x,y) = (x - 2y, 2x + 3y)
V = (J, 2, 3, -2)
2
T.i:R ➔ R , 2
T.i(x,y) = (y, 0)
28. 'fi: R 3 ➔ R3. 'fi (x, y, z) = (x, y, z)
Determinaci6n de la matriz estandar y la imagen En
T,_: R3 ➔ R3' T,_(x, y, z) = (0, X, 0)
los ejerc icios 11 a 22, (a) e ncuentre la matriz estandar A de
la transformacion lineal T, (b) use A para encontrar la imagen 29. J;: R ➔ R , I;(x,y) = (-x + 2y, x + y,x - y)
2 3
de! vector v y (c) trace la grafica de v y su imagen. T,_: R3 ➔ R2 , T,_(x, y, z) = (x - 3y, z + 3x)
11. Tes la reflexion a traves del origen e n R2 : 30. 'fi: R ➔ R , 'fi(x,y) = (x,y,y)
2 3
T( X, y) = (-x, -y) , V = (3, 4). T.i: R3 ➔ R2 , T.i(x, y, z) = (y, z)

12. Te s la reflexion en la recta y = x en R2: T(x, y) = (y, x),
Determinaci6n de la inversa de una transformaci6n
V = (3, 4).
lineal En los ejercicios 31 a 36, determine si la transforma-
13. T es la reflex.ion en el eje y e n R 2 : T(x, y) = (-x, y), c i6n li neal dada es invertible. En caso afi rmativo, encuentre
V = (2, -3). su inversa.
14. T es la reflexio n e n e l eje x e n R 2: T(x, y) = (x, -y), 31. T(x,y) = (-2x,2y) 32. T(x,y) = (2x,0)
V = (4, - 1).
33. T(x, y) = (x + y, 3x + 3y)
15. T es la rotacion de 45° en sentido contrario a l de las
34. T(x,y) = (x + y,x - y)
manecillas de) reloj e n R2, v = (2, 2).
16. T es la rotacion de 120° e n sentido contrario al de las
35. T(x ,, X2• X3) = (x,, XI + X2• XI + X2 + X3)
manecillas de! reloj e n R2 , v = (2, 2). 36. T(x ,,X2,X3,X4) = (x, - 2x2,X2,X3 + X4,X3)
17. Tes la roLaci6n de 60° (0 es negaLi vo) en e l sentido de Determinaci6n de la imagen de dos formas En los
las manecillas del reloj en R2, v = (l , 2). ejercicios 37 a 42, encuentre T(v) usando (a) la matriz estan-
18. Tes la rotaci6n de 30° (0 es negativo) en el sentido de dar y (b) la matriz con respeto a By B'.
las manecillas del reloj e n R2, v = (2, I ) . 37. T: R 2 ➔ R 3 , T(x,y) = (x + y,x,y), v = (5,4),
19. Tes la reflex ion a craves del piano de coordenadas xy en B = {(l , - 1), (0, l )},
R3: T(x, y, z) = (x, y, -z) v = (3, 2 , 2).
B ' = {(l , 1, 0), (0, 1, 1), (1, 0, l )}
20. Te s la reflex.ion a traves del piano de coordenadas yz en
38. T: R 3 ➔ R 2 , T(x,y, z) = (x - y, y - z), v = (1, 2, 3),
R3: T(x, y, z) = (-x, y, z), v = (2, 3, 4).
B = {( I , I, 1), (I, I , 0), (0, I , I)}, B ' = {( I , 2), ( 1, I )}
21. T es la proyecci6n sobre e l vector w = (3, I) en R2 :
T(v) = proy,.v, v = ( 1, 4). 39. T: R 3 ➔ R4, T(x, y, z) = (2x, X + y, y + z, X + z),
22. T es la proyecci6n sobre e l vector w = (3, I) e n R2 : v = (1, -5, 2), B = {(2, 0 , 1), (0, 2, 1), (1, 2, 1)},
T(v) = 2 proywv - v, v = (1, 4). B' = {(l , 0, 0 , 1), (0, 1, 0 , 1), (1, 0 , 1, 0), (I , 1, 0 , O)}
6.3 Ejercicios 323
40. T: R 4 ➔ R 2 , 52. Sea Tuna transformac i6 n lineal tal que T(v) = kv para v
T(x,,X2,X3,X4) = (x, + X2 + X3 + X4,X4 - x,), en R". Encuentre la matriz estandar para T.
V= (4, -3, 1, 1), LVerdadero o falso? En los ejercicios 53 y 54, determine

B = {( l , 0, 0, 1), (0, 1, 0, l ), (l, 0, 1, 0), (l , 1, 0, O)}, cual de las expresiones es verdadera o falsa. Si la expresi6n es
8 1
= {( I, I), (2, O)} verdadera, proporcione una raz6n o cite una expresi6n ade-
cuada del texto. Si la expresi6n es falsa, proporcione un ejem-
41. T: R 3 ➔ R 3 , T(x,y, z) = (x + y + z, 2z - x, 2y - z), plo que muestre que la expresi6n no es cierta en todos los
v = (4, -5, IO), casos o c ite del tex to una expresi6n adecuada.
B = {(2, 0, l ), (0, 2, 1), (1, 2, 1)}, 53. (a) Si T: R" ➔ R" es una trans formaci6n lineal
B ' = {(l, 1, 1), (1, I, 0), (0, 1, l )} T[e 1] = [a 11 a 21 ... a,,,,]T
42. T: R 2 ➔ R 2 , T(x,y) = (2x - 12y,x - Sy), v = ( 10, 5), T[e 2] "." [a 12 a 22 ... a,,,2]T
B = B ' = {(4, 1), (3, I)}
. . . a,,,,, ]T
43. Sea T: P2 ➔ P3 definida por T(p) = xp. Encuentre la
matriz de T con respecto a las bases B = {1, x, x2 ] y entonces la matriz A de m X n cuyas columnas
8 ' = {I , x, x2, x3). corresponden a T(e;) yes tal que T(v) = Av para todo
v en R" es ll amada matriz estandar para T.
44. Sea T: P 2 ➔ P 2 definida por T(p) = x2 p. Encuentre la
(b) Todas las transformac io nes lineales T tienen un
matriz de T con respecto a las bases B = {I , x, x2 } y
inversa unica r '.
B' = {1, x, x2, x3, x4 ).
54. (a) La composici6n T de las transformaciones lineales
45. Calculo Sea B = {I , x, eX, xe' l una base de un subes-
T1 y Ti, definida por T(v) = T2(T 1(v)), esta definida
pacio W de) espacio de funciones continuas, y sea Dx el
si el rango de T1 se encuentra contenido en el dorni-
operador diferencial sobre W. Encuentre la matriz para
njo de T 2.
Dx con respecto a la base B .
(b) En general, las composicio nes T2 o T , y T1 o T2 tienen
46. Calculo Repita el ejercicio 45 para B = {e2x, xe 2', la rnisma matriz estandar A.
x 2e2x ).
47. Calculo Use la matriz del ejercicio 45 para evaluar 55. Demostraci6n guiada Sean T 1: V ➔ Vy Ti: V ➔ V
DJ3x - 2xe']. transformaciones lineales uno a uno. Demuestre que la
48. Calculo Use la matri z del ejercicio 46 para eval uar composici6n T = T2 ° T 1 es uno a uno y que r- 1 existe y
es ig ual r,-1 0 T2- 1.
D,r[Se2x - 3xe2'" + x2e2x].
lnicio: para demostrar que T es uno a uno puede utilizar
49. Calculo Sea B = {I, x, x2, x3 ) una base de P 3 y sea T:
la defin ici6n de la transformaci6n uno a uno y demostrar
P3 ➔ P4 la transformaci6n lineal definida por
que T(u) = T(v) implica que u = v. Para el segundo
T(xk) = f> dt.
enunc iado, primero debe aplicar los teoremas 6.8 y 6. 12
para demostrar que T es invertible y despues dernostrar
(a) Encuentre la matri z A para T con respecto a B y la que T 0 (T ,- ' 0 T2- 1) y (T,- 1 0 T2- 1) 0 T son trasformacio-
base estandar para P4 . nes identidad.
(i) Sea T(u) = T(v). Recuerde que (T2 ° T1)(v) =
(b) Use A para integrar p(x) =6- 2x + 3x3. Ti(T 1(v)) para todo vector v. Utilice el hecho de que
~ 50. 00[§[iYi]£"i]'[g Explique c6mo encontrar lo
T2 y T 1 son uno a uno para concluir que u = v.
(ii) Utilice los teoremas 6.8 y 6.12 para demostrar que
siguiente.
T, , T2 y T son todas transformacio nes invertibles.
(a) La matri z estandar para una trans formaci6n lineal Por ende, T,- 1 y T 2- ' existen.
(b) Una composici6n de transformaciones lineales (iii) Forme la composici6n T' = T,- 1 0 T2- 1• Esta es una
(c) La inversa de una transformaci6n lineal transformaci6n lineal de Va V. Para demostrar que
( d) La matriz de transformaci6n respecto a bases no esto es la inversa de T, debe determinar que compo-
estandar sici6 n de T con T' en ambos !ados resulta en una
transformaci6n identidad.
56. Prueba Demuestre el teorema 6. 12.
51. Sea T: M2.3 ➔ M3.2 definida por T(A) = AT.
57. Escriba l,Siempre es preferible utilizar las bases estan-
(a) Determine la matriz de T con respecto a las bases
dar de R"? Analice las ventajas y desventajas de usar
estandar de M 2,3 y M3.2.
diferentes bases.
(b) Demuestre que Tes un isomorfismo.
58. Escriba Regrese al teorema 4.1 9 y reescrfbalo en ter-
(c) Encuentre la matriz para la inversa de T. minos de lo que haya aprendido en este capftulo.
6.4 Matrices de transici6n y semejanza
■ Encontrar y usar una matriz para una transformacion lineal.
Demostrar que dos matrices son similares y usar las propiedades

■ de matrices similares.
LA MATRIZ PARA UNA TRANSFORMACION LINEAL

En la secci6n 6.3 se vio que la matriz de la transformaci6n lineal T: V ➔ V depende de la
base de V. En otras palabras, la matriz de T con respecto a una base B es diferente de
la matriz de T con respecto a otra base B'.
Uno de los problemas clasicos del algebra lineal es e l s iguiente: i,es posible hallar una
base B tal que la matriz de T con respecto a B sea diagonal? La soluci6n de este problema
se anal iza en el capftulo 7. En esta secci6n se presentan los fundamentos para resolver el
problema. Usted vera c6mo estan re lacionadas las matrices de una transfonnaci6n lineal
con respecto a dos bases diferentes. En esta secci6n A, A', P y P- 1 representan las cuatro
matrices cuadradas siguientes.
1. Matriz de T con respecto a B: A
2. Matriz de T con respecto a B': A'
V
8 V
3. Matriz de trans ici6n de B' a 8: p
0
( Base B) 4. Matriz de trans ici6n de Ba B' : p-,
A [T(v)) 8 Observe que en la figura 6.10 hay dos formas de llegar de la matriz de coordenadas
[v] 8 , a la matriz de coordenadas [T(v)]8 ,. Una fonna es directa, por medio de la matriz A'
para obtener
p
(Base B') 8 p-1

A' [v]B' = [T(v)Lr·
1
La otr~~01ma es indirecta, por medio de las matrices P, A y P- para obtener
0V
Figura 6.10
A' [T(v)]B'
V
P AP[v]8 , = [T(v)]8 ,.
Esto implica que A' = P- 1AP. Esta relaci6n se demuestra en el ejemplo I.
Determinacion de una matriz

EJEMPLO 1
de una transformacion lineal
Encuentre la matriz A' para T:R2 ➔ R 2 , T(x 1, x 2) = (2x 1 - 2x2, -x 1 + 3x2), con respecto a
la base B' = {( I , 0), ( I , I)} .
SOLUCION
La matriz estandar para T es A = [ 2 -23]·

-1
Ademas, aplicando las tecnicas de la secci6n 4.7, usted puede determinar que la
matriz de transici6n de B' a la base estandar B = {(1, 0), (0 , 1)} es
p = [~ :J
La in versa de esta matriz es la matriz de transici6n de B a B' .
p-1 = [~ -:1
La matriz de T con respecto a B ' es
-L]1 [- 21 -2]3 [0I -2]2·

6.4 Matrices de transici6n y semejanza 325
En el ejemplo I la base B es la base estandar para R2 . En el sig uiente ejemplo tanto B como
B' son bases no estandar.
Determinaci6n de una matriz

EJEMPLO 2
para una transformaci6n lineal
Sea B = {(-3, 2), (4, - 2) } y B' = {(-1, 2), (2, - 2)} bases de R 2, y sea
-2
A = [
-3
la matriz de T: R2 ➔ R2 con respecto a B. Encuentre a', la matriz de T con respecto a B' .
SOLUCION
En el ejemplo 5 de la secci6n 4.7 encontr6 que P = [~ -2]

- I
y p- l = [-I
- 2
Por consig uiente, la matriz de T con respecto a B' es
A '= p- 1AP =[
- I
-2
2]3 [-2-3 7] [3 -2] = [ 2
7 2 - I - I
El diagrama de la figura 6. 10 debe ayudarle a recordar el cometido de las matrices A,

A' , p y p-I _
Aplicaci6n de una matriz

EJEMPLO 3
para una transformaci6n lineal
Para la transfonnaci6n lineal T: R2 ➔ R2 dada en e l ejemplo 2, encuentre [v] 8 , [T(v)] 8 y
[T(v)] 8 , para el vector v cuya matri z de coordenadas es [v] 8 , = [-3 - If.
SOLUCION
Para hallar [v]8 se apl ica la matriz de transici6n Pde B' a B.
-2][-3]= [-7]
- I - I - 5
Para encontrar [T(v)]8 , [v] 8 se multiplica por la matriz A para obtener
COM ENTARIO
Resulta instructive observar
[T(v)] 8 = A[v ] 8 = [
-3
-2
7] [-7] = [-21].
7 -5 - 14
que la transformaci6n Ten
Para hallar [T(v)]8 ,, multiplique [T(v)]8 por p -I para obtener
los ejemplos 2 y 3 esta repre-
sentada por la regla nx, y) = - I
(x - Jy, 2x + 4y). Verifique [T(v)] 8 , = p - 1[T(v)]8 = [
-2
los resultados del ejemplo 3
al demostrar que v = (1, -4) y o multiplique [v]8 ,, por A' para obtener
nvl = (7, - 14).
- - - -[:>- [T(v)]8 , = A'[v]8 ,= [
2
- 1
ALGEBRA En la Secci6n 2.5 usted estudi6 matrices estocasticas y matrices de

estado. Una cadena Markov es una secuencia {x,,} de matrices de
LINEAL estado que son vectores de probabilidad relacionados por la transfor-
APLICADA maci6 n lineal x k+ i = Pxk, donde P, la matriz de transici6n de un estado
al siguiente, es una matriz estocastica [pl Por ejemplo, suponga que
se ha establecido, despues de un estudio extensive d e los registros
cli m aticos, que la probabilidad p 21 de que un dia de tormenta siga a
un dia soleado es de 0.1 y la probabilidad p 22 de que un dia de tor-
menta siga a un dia de t ormenta es de 0.2. La matriz de transici6n se
0.9 0.8]
puede escribir como P = [ _1 _ .
0 0 2 gregg w,11,ams/Shunerstock oom
MATRICES SEMEJANTES
Dos matrices cuadradas A y A' relacionadas por la ecuaci6n A ' = P-- 1 AP se denominan
matrices semejantes, como se indica en la siguiente definici6n.
Definici6n de matrices semejantes

Para matrices cuadradas A y A' de orden n, se dice que A' es semejante a A si existe
una matriz invertible Pde n X n tal que A' = P- 1AP.
Si A' es semejante a A , entonces tambien es cierto que A es semejante a A', como se

plantea en el siguiente teorema. Por tanto, tiene sentido decir simplemente que A y A ' son
semejantes.
TEOREMA 6.13 Propiedades de las matrices semejantes

Sean A, B y C matrices cuadradas de orden n. Entonces, las siguientes propiedades
son verdaderas.
1. A es semejante a A.
2. Si A es semejante a B, entonces B es semejante a A.
3. Si A es semejante a By Bes semejante a C, entonces A es semejante a C.
DEMOSTRACION
La primera propiedad se concluye de! hecho de que A =/ 11
A I,,. Para demostrar la segunda
propiedad, se escribe
A= p- 1BP
PAP -, = P(P - 1BP)P- 1
PAP - , = B
Q- 1AQ = B, donde Q = p -i_
La demostraci6n de la tercera propiedad se deja como ejercicio. (Vease el ejercic io 29.)
A partir de la definici6n de semejanza se concluye que dos matrices cualesquiera que

representen la misma transformaci6n lineal T: V ➔ V con respecto a bases diferentes
deben ser semejantes.
EJEMPLO 4 Matrices semejantes
a. Del ejemplo 1, las matrices
A=[_~ -;] A'= [_~ -~] y
son semejantes porque A' = P- 1AP, donde P = [ I 1].

0 1
b. Del ejemplo 2, las matrices
A = [
-2
-3
77] y A , = [- 21
son semejantes porque A' = P- 1AP, donde P = [~ -2].
- I
Hemos visto que la matriz de una transformaci6n lineal T: V ➔ V depende de la base

utilizada para V. Esta observaci6n conduce de manera natural a la pregunta: i,que elecci6n
de base hara lo mas sencilla posible la matriz de T? i,Siempre es la base esttindar? No
necesariamente, como se demuestra en el siguiente ejemplo.
6.4 M atrices de tra nsici6n y semejanza 327
Comparaci6n de dos matrices

EJEMPLO 5
Suponga que
3
I
0
es la matriz de T: R3 ➔ R3 con respecto a la base estandar. Encuentre la matriz de T con

respecto a la base B' = {(I, I, 0), ( I, - 1, 0), (0, 0, I)} .
SOLUCION
La matriz de transici6n de B' a la matriz estandar tiene columnas que constan de los vec-
tores en B',
- I
0
y se concluye que
Por consiguiente, la matriz de T con respecto a B' es

A '= p - 1AP
~ r:
I
2
rn~ J][i ~]
3
I
- 2 I - I
0 0 0 0
~ [~ -2
0
0
~l
-2
Observe que la matriz A' es diagonal.
Las matrices diagonales presentan ventajas computacionales sobre las no diagonales.

Por ejernplo, para la matri z diagonal
di 0
0 dz
D=
0 0
la k-esima potencia de D es
I1
Il
0
D' ~ rd'1 dk
2
0 II
Una matriz diagonal es su propia transpuesta. Ademas, si todos los elementos de la diago-
nal son diferentes de cero, entonces la inversa de una mauiz diagonal es la matriz cuyos
elementos de la diagonal principal son los recfprocos de los elementos correspondientes
en la matriz original. Con tales ventajas computacionales, es importante hallar formas (en
caso de ser posible) de elegir una base de V para que la matriz de transformaci6n sea dia-
gonal, como en el ejemplo 5 . Este problema lo abordara en el capftulo siguiente.
Determinaci6n de una matriz para una transformaci6n (b) Use las matrices A y P para encontrar [v] 8 y [T(v))8 ,,
lineal En los ejercicios 1 a 8, encuentre la matriz A' para T donde
con respecto a la base B' . [V]8 , = [- 1 4]T.
1. T: R 2 ➔ R2, T(x,y) = (2.x - y,y - x),
(c) Encuentre A' (la matriz de T con respecto a B') y
B' = {(I , - 2), (0, 3)} P-'.
2. T: R 2 ➔ R 2 , T(x,y) = (2x + y,x - 2y), (d) Encuentre [T(v)] 8 , de dos formas.
B' = {(1, 2),(0, 4)} 12. Repita el ejercicio 11 para B = {(l , - 1), (-2, 1)),
3. T: R 2 ➔ R 2, T(x,y) = (x + y, 4y), B' = {(- 1, I), ( I, 2)) y
B' = {(-4, I), (1, - 1)} [ v]B' = [I - 4 ]7".
2 2
4. T: R ➔ R , T(x,y) = (x - 2y, 4x), (Utilice la matriz A dada en el ejercicio 11 .)
B' = {(- 2, 1),(- 1, I)} 13. Sean B = {( l , 1, 0), (1, 0, 1), (0, I , l)} y B' = {( I, 0, 0),
5. T: R 3 ➔ R 3 , T(x, y , z) = (x, y, z), (0, 1,0), (0, 0, I)} bases de R3, y sea
B' = {(1, 1, 0), (I, 0, 1), (0, I, I)}
6. T: R 3 ➔ R3 , T(x, y, z) = (0, 0, 0),
B' = {( I, I, 0), (I, 0, I), (0, I, I )}
A= [-i -~ -:1
l
2
I 1
2
7. T: R 3 ➔ R 3,
la matriz de T: R ➔ R 3 con respecto a B.
3
T(x, y, z) = (x - y + 2z, 2x + y - z, x + 2y + z),
(a) Encuentre la matriz de transici6n Pde B' a B.
B' = {( I , 0, I), (0, 2, 2), ( I , 2, 0)}
(b) Use las matrices A y P para encontrar [v] 8 y [T(v)]8 ,,
8. T: R 3 ➔ R 3 , T(x, y, z) = (x, x + 2y, x + y + 3z), donde
B' = {( I, -1, 0), (0, 0, 1), (0, I, - 1)}
[v ]B' = [ I O - 1]7.
9. Sean B = {( I, 3), (-2, -2) ) y B' = {(- 12, 0), (--4, 4) (c) Encuentre A' (la matriz de T con respecto a B') y
bases de R2 , y sea P-'.
A=[~ !] (d) Encuentre [T(v)]8 , de dos fo rmas.

14. Repita el ejercicio 13 para
la matriz para T: R2 ➔ R2 respecto a B. B = {(1, 1, - 1), (1, - 1, 1), (- 1, 1, l )},
(a) Determine la matriz de transici6n Pde B' a B.
B' = {(I , 0, 0), (0, I, 0), (0, 0, I)},
(b) Aplique las matrices A y P para encontrar [v] 8 y
[T(v)] 8 ,, donde y [ v ]B' = [2 I I ]T.
[v]8 , = [- I 2]T. (Use la matriz A dada en el ejercicio 13.)
(c) Determine A' (la matriz para T respecto a B' ) y p-l _ Matrices similares En los Ejercicios 15-1 8, use la matriz
(d) Encuentre [T(v)] 8 , de dos formas. P para demostrar que las matrices A y A ' son sirnilares.
10. Repita el ejercicio 9 para B = {(l. 1), (-2, 3)),
B' = {( I , -1), (0, I )} y 15. P = [-: - ~], A = [ -~~ _ I~], A '= [ ! -~J
[v ]B' = [I - 3]7".
16. P = A = A '= [~ ~]
(Use la matri z A dada en e l ejercicio 9.)
17.P -[~ ~ HA -[!

11. Sean B = {( I , 2), (-1 , -I)} y B' = {(--4, I), (0, 2)} bases 1
para R2 , y sea
:
A = [~ - ~]
la matriz de T: R 2 ➔ R2 con respecto a B. 18.P -[:
(a) Encuentre la matriz de transici6n Pde B' a B.
6.4 Ejercicios 329
Matriz diagonal para una transformaci6n lineal En 32. Prueba Sean A y B matrices semejantes. Demuestre
los Ejercicios I 9 y 20, suponga que A es la matriz para que A 7 y B 7 son semejantes, si A es no singular, entonces
T: R3 ➔ R3 respecto a la base estandar. Encuentre la matriz tambien Bes no singular y A- 1 y B- ' son semejantes.
diagonal A' para Trespecto a la base B' . 33. Prueba Sea A = CD, donde C es una matriz invertible
]9.A -[! -r n
B '= {(- 1, 1, 0),(2, 1, 0),(0,0, I)}
de n X n. Demuestre que la matriz DC es semejante a A.
34. Prueba Sea B = P- 1AP, donde A = [aij] , P = [pij] y B
es una matriz diagonal con elementos de diagonal prin-
cipal b 11 , b 22 , ... , b,1111 • Demuestre que
20. A - H-~ -ii a, 1 a,2

a 21 a22
[a,:, a,2
a,,,] [P1;]
az,,
a,,:,
P2;
P:,;
=
[P1;]
b .. P2;
11
P,~;
B ' ={(! , I, - I), (1, - l, 1), (- 1, l , l )} parai = 1,2, .. . ,11.
35. Escriba Sea B = {v 1, v2, ... , v,, } una base del espacio
21. Prueba Demuestre que si A y B son semejantes,
vectorial V, sea B' la base estandar y considere la trans-
entonces IA I = IBI. lES cierto lo inverso?
formaci6n identidad / : V ➔ V. i,Que puede decir acerca
22. Ilustre el resultado de! ejercicio 21 por medio de las de la matriz para / respecto a B? l Respecto a B'?
matrices l Cuando el dominio tiene la base B y el rango tiene la
0
ol0 , B = [
7
10] base B'?
A-[~ -2
0 3
11
10 8 10 ,
- 18 - 12 - 17 t> 36. 00 ~ 11Yil~'IT~
p =
[-I ~
ol
~ ' p - 1=
[_,~ - I
- I
2 -3
~1 (a) Dadas dos bases B y B' para un espacio vectorial V
y la matriz A para la transformaci6n lineal T: V ➔ V
respecto a B, explique c6mo obtener la matriz de
coordenadas [T(v)]8 , de la matriz de coordenadas
donde B = p- 1AP.
[v]a,, donde v es un vector en V.
23. Prueba Demuestre que si A y B son similares, enton- (b) Explique c6mo determinar si dos matrices cuadra-
ces existe una matriz P tal que Bk = p-lAkP_
das A y A ' de orden n son similares.
24. Use el resultado de ejercicio 23 para determinar B4,
donde B = P- 1AP para las matrices
LVerdadero o falso? En los ejercicios 37 y 38, detennine
A =[ I OJ2 '
0
B = [-42 -15]7 ' cual de las ex presiones es verdadera o falsa. Si la expresi6n
p-1 =[
-I
3 -5]. 2
25. Determine todas las matrices de n X 11 que son semejan- 37. (a) La matriz para una transformaci6n lineal A' con
tes a /,,. respecto a la base B' es igual al producto P- 1AP,
26. Prueba Una matriz A de 11 x n es idempotente si A = donde P- 1 es la matriz de transici6n de B a B' , A es
A 2 . Demuestre que si A es idempotente y Bes semejante la matriz para la transformaci6n lineal respecto a la
a A, entonces Bes idempotente. base By P es la matriz de transici6n de B' a B.
27. Prueba Sea A una matriz de n X n tal que A2 = 0. (b) Dos matrices que representan la misma transforma-
Demuestre que si B es semejante a A, entonces B2 = 0. ci6n lineal T: V ➔ V con respecto a diferentes bases
28. Prueba Sea B = P- 1AP. Demuestre que si Ax = x, no son necesariamente semejantes.
entonces PBP- 1x = x. 38. (a) La matriz para una transformaci6n lineal A respecto
a la base B es igual al producto PA ' P- 1, donde P es
29. Prueba Complete la demostraci6n del teorema 6. I 3 al
demostrar que si A es semejante a B y Bes semejante a la matriz de transici6n de B' a B, A ' es la matriz
para la transformaci6n lineal respecto a la base B' y
C, entonces A es semejante a C.
P- 1 es la matriz de transici6n de B a B'.
30. Escriba Suponga que A y B son semejantes. Explique
(b) La base estandar para R" siempre forma la matriz de
por que tienen el mismo rango.
coordenadas mas sencilla posible para la transforma-
31. Prueba Demuestre que si A y B son semejantes, ci6n lineal T.
entonces A T es semejante a BT.
6.5 Aplicaciones de las transformaciones lineales

ldentificar transformaciones lineales definidas par reflexiones, expan-
■ siones, contracciones o deformaciones en R2 .
■ Usar una transformaci6n lineal para rotar una figura en R3.
GEOMETRiA DE LAS TRANSFORMACIONES LINEALES EN R2

y
a. En esta secci6n se dan interpretaciones geometricas de transformaciones lineales represen-
(-x. y) (x. y) tadas por matrices elementales de 2 X 2. Siguiendo el resumen de los varios tipos de
----------• matrices elementales de 2 X 2, hay ejemplos que examinan cada tipo de matri z con mayor
de talle.
Matrices elementales de transformaciones lineales en Ff

Reflexion en el ej e y Reflexion en el eje x
- 1
A= [
0 A=[~ -~]
y
b. Reflexion en la recta y =x
(x, y)
•
I
A=[~ ~]
Expansion horizontal (k > 1) Expansion vertical (k > I )
o contraccion (0 < k < 1) o contraccion (0 < k < 1)
(x, - y) A=[~ ~] A=[~ ~]

Deformacion horizontal Deformacion vertical
y
C.
EJEMPLO 1 Reflexiones en Ff
Las transformaciones definidas por las siguientes matrices se denominan reflexiones.
Estas tienen el efecto de mapear un punto de! piano xy a su imagen "especular" con res-
pecto a uno de los ejes de coordenadas o a la rec ta definida por y = x, como se muestra en
Retlex ioncs en R2 la figura 6. 1 I.
Figura 6.11 a. Reflexion en el eje y :
T(x, y) = (- x, y)
[- ~ ~] [;] = [ - ;,]
b. Reflex ion en el eje x:

T(x, y) = (x, -y)
[~ - ~] [;] = [ _;]
c. Reflexion en la recta y = x:
T(x, y) = (y, x)
[~ ~] [;] = [; ]
6.5 Aplicaciones de las t ransfo rmac iones lineales 33 1
EJEMPLO 2 Expansiones y contracciones en R2

Las transformaciones de finjdas por las siguientes matrices se denomjnan expansiones o
contracciones, segun del valor del escalar positivo k .
a. Contracciones y expansiones horizontales: T(x, y) = (kx, y)
~] [;] = [~ ]
b. Contracciones y expansiones verticales: T(x, y) = (x, ky)
~J [;J L;J
=
Observe en las figuras 6.12 y 6.13 que la distancia al punto (x, y) se desplaza, debido a una
contracci6n o una expansion, proporcionalmente a su coordenada x o y. Por ejemplo, bajo
la transformaci6n definida por
T(x, y) = (2x, y)
el punto (1 , 3) se moveria una unidad a la derecha, pero el punto (4, 3) se desplazaria
cuatro unidades a la derecha. Bajo la transformaci6n representada por
T(x, y) = (x, ½J)
el punto (I , 4) se moverfa dos unidades hacia abajo, pero el punto ( I, 2) se moverfa una
urudad hacia abajo.
y y
(kx, y) (x, y) (x, y) (k.x, y)

• • •
C ontraccion (0 < k < I) Expansion (k > I)
Figura 6.12
y )'
. (x, y)
,l..x, ky)
Contraccion (0 < k < I) Expansion (k > l )
Figura 6.13
El tercer tipo de transformaci6n lineal en el piano que corresponde a una matriz elemental
se llama deformaci6n, como se describe en el ejemplo 3.
i EJEMPLO 3 Deformaciones en R2
Las transfonnaciones definjdas por las siguientes matrices son defonnaciones.
T(x, y) = (x, y + lex)
~] [; ] = [~ + y]
y
a. La defonnaci6n horizontal definida por
T(x, y) = (x + 2y, y) 4 (x, y) (x + 2y, y)
3
• -------•
se muestra en la figura 6. 14. Bajo esta
transformaci6n, los puntos de! semiplano
superior se "deforman" a la derecha una
cantidad proporcional a su coordenada y. - 4 -3 2 3 4
Los puntos en el semiplano inferior de
"deforman" a la izquierda una cantidad
proporcional al valor absoluto de su coor-
denada y. Bajo esta transformaci6n, los
puntos sobre el eje x pennanecen en su
sitio. Figura 6.14
b. Una deformaci6n vertical representada por

T(x, y) = (x, y + 2x)
En este caso, los puntos del semiplano derecho se "deforman" hacia arriba una cantidad
proporcional a su coordenada x. Los puntos del semiplano izquierdo se "deforman"
hacia abajo una cantjdad proporcional al valor absoluto de su coordenada x. Los puntos
sobre el eje y permanecen inm6viles.
)'
(x, y + 2x)
4
-4 3 4
Figura 6.1 5
ALGEBRA El uso de graficas por computadora es comun entre los diseiiadores

en muches campos. Al usar programas para computadora, un diseiia-
LINEAL dor puede "observar" un objeto antes de crearlo fisicamente. Las
APLICADA transformaciones lineales pueden ser utiles en graficas por computa-
dora. Como un ejemplo sencillo, la imagen del barco de juguete que
se muestra en la figura de la izquierda fue creada usando solamente
23 puntos en R3. La mayoria de los programas graficos puede usar un
mini mo de informaci6n para generar vistas de una imagen desde
cualquier perspectiva, asi como color, sombras y representaciones,
segun sea necesario. Las transformaciones lineales, especificamente
aquellas que producen rotaciones en R3 pueden representar las distin-
tas vistas. El resto de esta secci6n discute la rotaci6n en R3.
6.5 Aplicaciones de las transformaciones lineales 333
ROTACION EN R3
En el ejemplo 7 de la secci6n 6.1 vimos c6mo se puede utilizar una transformaci6n lineal
para rotar figuras en el piano. Aquf veremos c6mo se pueden usar las transformaciones
lineales para rotar figuras en R3.
Suponga que desea rotar el punto (x, y, z) un angulo 0 en sentido contrario al de las
manecillas del reloj alrededor del eje z, como se observa en la figura 6.16. Al designar las
coordenadas del punto rotado como (x', y', z' ), se tiene
x']= [cos -sen 0

Ol[xl [x cos 0 - y sen 0]
[ sen i
X y 0
~: cos 0 ~ ~ = x sen 0 : y cos 0 .
Figura 6.16 0
El ejemplo 4 describe c6mo utilizar esa matriz para rotar una figura completa en el espacio
de tres dimensiones.
[ EJEMPLO 4 Rotacion alrededor de eje z
Los ocho vertices del prisma rectangular mos-

trado en la Figura 6. 17 son como sigue.
V. (0, 0, 0) ½(1, 0, 0)
½( 1,2,0) "4(0, 2, 0)
Vs(0, 0, 3) Yc,(1, 0, 3)
½( I, 2, 3) Vg(0, 2, 3)
Encuentre las coordenadas de la caja cuando se X y
a. hace girar en sentido contrario al de las maneci-

llas del reloj alrededor de l eje z los angulos Figura 6.17
siguientes (a) 0 = 60°, (b) 0 = 90° y (c) 0 = 120°.
SOLUCION
a. La matri z que produce una rotaci6n de 60° es
cos 60° - sen 60° -fi/2
X y A = sen 60° cos 60° ol~ = [fi!~
1/ 2
1/2
[
0 0 0
b. Al multiplicar esta matriz por los vectores columna correspondientes a cada vertice pro-
duce los siguientes vertices rotados.
V.'(0,0, 0) ½'(0.5, 0.87, 0) ½'(- 1.23, 1.87, 0) ¼'(- 1.73, 1, 0)
'1s'(0, 0, 3) Vc,'(0.5, 0.87, 3) ½'(-1.23, 1.87, 3) Vg'(-1.73, 1,3)
La Figura 6. l 8(a) muestra una grafica de! prisma rotado.
X y b. La matriz que produce una rotaci6n de 90° es
cos 90° - sen 90° o] -- [0~ - I

c. A = sen 90° cos 90° 0 0
[
0 0 1 0
y en la fi gura 6. I 8(b) se muestra la grafica de! prism a rotado.
c. La matriz que produce una rotaci6n de 120° es
cos 120° - sen 120° -fi/2
ol [ -1 / 2
A =
[
sen 120° cos 120°
~ = fi/~ - 1/ 2
X y 0 0 0
Figura 6.18 yen la figura 6. I 8(c) se muestra la grafica del prisma rotado.
COM ENTARIO En el ejemplo 4 utilizamos matrices para efectuar una rotaci6n alrededor del eje z. De
Para ilustrar la regla de la mano manera semejante, es posible usar matrices para rotar figuras alrededor de! eje x o de! eje
derecha, imagine el pulgar de y. A continuaci6n se resumen los tres tipos de rotaci6n.
su mano derecha apuntando en
la direcci6n positiva de un eje. Rotaci6n alrededor del eje x Rotaci6n alrededor del eje y Rotaci6n alrededor del eje z
[~ :::: -dl [_::! ! :::~]

Los dedos cerrados apuntaran cos 0 -sen 0
en la direcci6n de la rotaci6n en
sentido contrario a las maneci- sen 0 cos 0
[
llas del reloj . La figura siguiente 0 0
muestra la rotaci6n en sentido
contrario a las manecillas del En cada caso, la rotaci6n esta orientada en sentido contrario a las manecillas del reloj
reloj en torno al eje z. (usando la "regla de la mano derecha") respecto al eje indicado, como se muestra en la
figura 6.19.
X }' X }' X }'
Rotaci6n alrededor de! eje x Rotaci6n alrededor del eje y Rotaci6n alrededor del eje z
Figure 6.19
EJEMPLO 5 Rotaciones alrededor de los ejes x e y
a. La matriz que rota un punto 90° alrededor del eje x es
cos 90~ - sen 90~] = [~ o0 -Iol .

Simulacion sen 90° cos 90° 0 I 0
Explore mas acerca de este
La Figura 6.20(a) muestra el prisma del ejemplo 4 rotado 90° alrededor de] eje x .
concepto con una simulaci6n
electr6nica disponible en college. b. La matriz que rota un punto 90° alrededor del eje y es
cengage.com/pic/larsonEL.A6e.
A =[ cos 90~ ~ sen 90~] =[ ~ ~ 1]·
00
-sen 90° 0 cos 90° - I 0
La figura 6.20(b) muestra el prisma del ejemplo 4 rotado 90° alrededor del eje y.
a. b.
X y X }'
Figura 6.20
X Las rotaciones alrededor de los ejes de coordenadas pueden combinarse a fin de pro-
ducir cualquier vista de un objeto. Por ejemplo, en la figura 6 .2 1 se observa la rotaci6n que
,I'
se obtiene al rotar primero la caja del ejemplo 4 90° alrededor del eje y y luego rotandola
Figura 6.21 120° alrededor de eje z.
6.5 Ejercicios 335
1. Sea T: R2 ➔ R2 una reflexion en el eje x. Encuentre las Trazo de una imagen del cuadrado unitario En los
imagenes de los siguientes vectores. ejercicios 23 a 28, trace la imagen del cuadrado unitario
(a) (3, 5) (b) (2, - 1) (c) (a, 0) cuyos vertices son los puntos (0, 0), ( I, 0), ( I, I) y (0, I) bajo
la transformacion dada.
(d) (0, b) (e) (-c, d) (f) (f, - g)
23. T es una reflexi on en el eje x.
2. Sea T: R2 ➔ R2 una reflexio n en el eje y. Encuentre las
imagenes de los siguientes vectores. 24. T es una reflexion en la recta y = x.
(a) (2, 5) (b) (-4, - 1) (c) (a, 0) 25. T es la contracci6n definida por T(x, y) = (x/2, y).
(d) (0, b) (e) (c, - d) (f ) (f, g) 26. Tes la expansion definida por T(x, y) = (x, 3y).
3. Sea T: R2 ➔ R2 una re flexion en la recta y = x. Deter- 27. Tes la deformacion definida por T(x, y) = (x + 2y, y).
mine las imagenes de los siguientes vectores. 28. Tes la deformacion defi nida por T(x, y) = (x, y + 3x).
(a) (0, I) (b) (- I, 3) (c) (a, 0)
Trazo de una imagen de un rectangulo En los ejerci-
(d) (0, b) (e) (-c, d) (f) (f, -g) cios 29 a 34, trace la imagen del rectangulo cuyos vertices
4. Sea T: R2 ➔ R 2 una re flexion en la recta y = -x. Deter- son los puntos (0, 0), (0, 2), ( I, 2) y ( I, 0) baj o la transforma-
mine las imagenes de los siguientes vectores. cion dada.
(a) (-1, 2) (b) (2, 3) (c) (a, 0) 29. T es una reflexio n en el eje y.
(d)(0,b) (e) (e, -d) (f) ( - f, g) 30. T es una reflexio n en la recta y = x.
5. Sean T(I, 0) = (2, 0) y T(0 , 1) = (0, 1). 31. T es la contracci6n definida por T(x, y) = (x, y/2).
(a) Determine T(x, y) para cualquier (x, y). 32. T es Ia expansion definida por T(x, y) = (2x, y).
(b) Proporcio ne una descripc io n geometrica de T. 33. T es la deformacion defi nida por T(x, y) = (x + y, y) .
6. Sean T( I , 0) = (I, I) y T(0, I ) = (0, I). 34. T es la deformacion defi nida por T(x, y) = (x, y + 2x).
(a) Determine T(x, y) para cualquier (x, y).
Trazo de una imagen de una figura En los ejercicios 35
(b) Proporcio ne una descripcio n geometrica de T. a 38, trace cada una de las imagenes con los vertices dados
baj o transformaciones especificas.
ldentificaci6n y representaci6n de una transfor- )' y
maci6n En los ejercicios 7 a 14, (a) identifique la transfor- (a) (b)
macio n y (b) represente g ra ficamente la transformacion para 8 8
(0, 6) (6, 6)
un vector arbitrario en R2. 6 6
7. T(x, y) = (x, y/2) 8. T(x, y) = (x/4, y) 4 4
9. T(x, y) = (4x, y) 10. T(x, y) = (x, 3y) 2 2

(0, 0) (0, 0) (6, 0)
11. T(x,y) = + 3y,y)
(x 12. T(x, y) = (x + 4y, y) -2 2 4 6 8
X
-2 2 4 6 8
X
13. T(x, y) = (x, 5x + y) -2 -2
14. T(x, y) = (x, 4x + y)

35. T es la deformacio n representada por T(x, y) = (x + y, y).
Determinaci6n de puntos fijos de una transformaci6n 36. T es la deformaci6n representada por T(x, y) = (x, x + y).
lineal E n los ejercicios 15 a 22, encuentre todos los puntos 37. T es la expansion y contracci6 n representada por
fijos de la transformacio n lineal dada. El vector v es un punto
fijo de T si T(v) = v.
T(x, y) = (2x, ½J).
15. Una reflexion en eje el y. 38. T es la expansion y contracci6 n representada por
16. Una reflexion en eje el x. T(x,y) = (½x,2y).
17. Una reflexion en la recta y = x. 39. La transformacion lineal definida por una matriz diago-
18. Una reflexion en la recta y = - x. nal cuyos elementos en la diagonal principal son positi-
19. Una contraccion vertical. vos se denomina amplificacion. Encuentre las imagenes
de ( I, 0), (0, I) y (2, 2) baj o la transformaci6n A e inter-
20. Una expansion horizontal.
prete graficamente los resultados.
21. Una deformacion horizontal.
22. Una deformacion vertical. A=[~ ~]
40. Repita e l ejercicio 39 para la transformaci6n lineal defi- 59. 60.

nida por
A=[~ OJ
3 .
Proporcionar una descripcion geometrica En los ejer-

cicios 4 1 a 46, proporcione una descripci6n geometrica de la
y X y
transformaci6n lineal definida por la matriz elemental dada. X
41. A = [~ ~J 42. A = [~ ~J 61. 62.

43. A = [~ ~] 44. A = [ ~ ~]
45. A = [~ -~J 46. A = [-~ ~ l

Proporcionar una descripcion geometrica En los ejerci- )'
X )' X
cios 47 y 48, proporcione una interpretaci6n geometrica de la
transformaci6n lineal definida por el producto matriciaJ dado.
47. A = [~ ~J = [~ ~J [~ ~] Determinacion de una matriz para producir un par de

rotaciones En los ejercicios 63 a 67, determine la matriz
48. A = [~ ~J = [~ ~J [~ ~] que produce el par de rotaciones indicadas. Despues encuen-
tre la imagen de! vector (1, 1, 1) bajo estas rotaciones.
Determinacion de una matriz para producir una 63. 90° alrededor de! eje x seguida de 90° alrededor de! eje y.
rotacion En los ejercicios 49 a 52, determine la matriz que
64. 45° alrededor de! eje y seguida de 90° alrededor del eje z.
produce la rotaci6n indicada.
65. 30° alrededor de! eje z seguida de 60° alrededor de! eje y.
49. 30° alrededor del eje z. SO. 60° alrededor de! eje x.
66. 45° alrededor de! eje z segwda de 135° alrededor del eje x.
51. 60° alrededor de! eje y. 52. 120° alrededor de! eje x.
67. 120° en torno al eje x seguido por I 35° en torno al eje z.
Determinacion de la imagen de un vector En los ejer-
cicios 53 a 56, determjne la imagen de! vector (1, 1, 1) para 68. rn rn
00 !i.YAJ~1J Descri ba la transformaci6n
la rotaci6n indicada. definida por cada matriz. Asuma que k y 0 son
53. 30° alrededor de! eje z. 54. 60° alrededor de! eje x. escalares positives.
55. 60° alrededor de! eje y . 56. 120° alrededor del eje x.
Determinacion de una rotacion

(a) [ - ~ ~J
En los ejercicios 57 a 62, deter-
mine que rotaci6n simple en sen-
(c) [~ ~] ~], k >
tido contrario al de las manecillas k
de! reloj, alrededor de! eje x, yo z
(e)
[O OJ
I , O< k < ~], k >
produce el tetraedro indicado. La
1
figura a la derecha muestra el x )' (g)
[0 ~], 0 < k < ~]
tetraedro antes de la rotaci6n.
57. 58. ~J cos~

sen 0
- sen~i
cos 0
(k)
[ cosB
0
l
sen i]
-sen~ 0 cos 0
X )'
X y (I)
[ cos
sen i 6
-sen 0
cos 0
0 ~]
6 Ejercicios de rep a so Consulte www.CalcChat.com para las soluc1ones de los e1erc1c1os nones.
Determinaci6n de una imagen y una preimagen En 20. A= [2 - 1], V = (1, 2), W = - 1

los ejercicios I a 4, encuentre (a) la im agen de v y (b) la
preimagen de w para la transformaci6n lineal.
l. T: R 2 ➔ R 2 , T(v,, v2 ) = (v, , v , + 2v2 ), v = (2, -3), 21. A ~ [~
0
:], v
I
= (2, I, - 5), w = (6, 4, 2)
= (4, 12)
w
2. T: R 2 ➔ R 2 , T(v 1, v2 ) = (v 1 + v2 , 2v2 ), v = (4, -1), 22. A= [ ~ :l v = (8, 4), w = (5, 2)
w
V
= (8, 4)
3. T: R 3 ➔ R3, T(v,, v2 , v3 ) = (0, v 1
= (- = (0, 2, 5)
3, 2, 5), W
+ v2 , v2 + v3 ),
23. A~[~ n~ V (2 2), W
0 ~ (4, - 5, Q)
4. T: R ➔ R , T(v,, v2 , v3) = (v 1 + v2 , v2 + v 3 , v3 ),
V
3 3
= ( - 2, 1, 2), W = (0, 1, 2)
Transformaciones lineales y matrices estandar En los

24. A ~ [i -n ~ v (I, 2), w ~ (2, -5, 12)
ej ercicios 5 a 12, determine si la fu nci6n es una transforma- 25. Use la matriz estandar de la rotaci6n R 2 en contra de!
c i6n lineal. En caso afi rmati vo, determ ine su matriz estandar sentido de las manecillas del reloj para girar 90° alrede-
A. dor de! origen el triang ulo cuyos vertices son (3, 5), (5,
5. T: R 2 ➔ R 2 , T(x 1,x2 ) = (x , + 2x 2, -x, - x 2) 3) y (3, 0). Grafique los tri angulos.
6. T: R ➔ R , T~t 1, x 2 )
2 2
= (x 1 + 3,x 2 ) 26. Rote 90° el tri angulo del ej ercicio 25 alrededor de] punto
7. T: R 2 ➔ R2 , T(x, y) = (x- 2y,2y-x) (5, 3) en contra de! sentido de las manecillas del reloj.
Gra fique los Lriangulos.
8. T: R ➔ R2 2
, T(x, y) = (x + y,y)
9. T: R 2 ➔ R 2 , T(x,y) = (x + h, y + k),h * 0o k * 0 Determinaci6n de bases para el kernel y rango En los
(traslaci6n en R2) ejercicios 27 a 30, determine una base para (a) ker(T) y (b)
rango (T).
10. T: R 2 ➔ R 2 , T(x,y) = (lxl, IYI)
27. T: R 4 ➔ R 3 ,
11. T: R ➔ R3, T(x 1 , x 2 ,x 3 )
3
= (x 1 - x 2 , x 2 - x3 ,x3 - xi)
12. T: R 3 ➔ R3, T(x, y, z) = (z, y, x) T(w, x, y, z) = (2w + 4x + 6y + 5z,
+ 2y, 8y + 4z)
-w - 2x
13. Sea T una trans formaci6n lineal de R2 a R2 ta] que
T(2, 0) = (1, 1) y T(0, 3) = (3, 3). Determine T(l, 1) y 28. T: R ➔ R3, T(x, y, z) = (x + 2y, y + 2z, z + 2x)
3
T(0, I). 29. T: R 3 ➔ R 3 , T(x, y, z) = (x, y + 2z, z)

14. Sea T una transformaci6n lineal de R 3 a R tal que 30. T: R3 ➔ R 3, T(x, y, z) = (x + y, y + z, x - z)
T( l, I, I)= I, T( l, I, 0) = 2 y T( I, 0, 0) = 3. Determine
T(0, 1, 1). Determinaci6n de kernel, nulidad, rango y rango En
los Ejercicios 3 1-34, defina la transformaci6n lineal T por
15. Sea T una transformaci6n lineal de R 2 a R2 tal que
T(v) = Av. Determine (a) ker(7), (b) nulidad(7), (c) rango(T)
T( I , I) = (2, 3) y T(2 , - I ) = ( I, 0). Determine T(0, - 1).
y (d) dim(rango(7)),
16. Sea T una transformaci6n Lineal de R2 a R2 tal que
T( I, - I) = (2, -3) y T(0,2) = (0, 8). Determine T(2, 4).
Transformaci6n lineal dada por una matriz E n los

31.A ~ [- : ~]
ej ercicios 17 a 24, defina la transformaci6 n lineal. Para cada
matriz a, (a) determine la dimensi6 n de R" y la de R"', (b)
encuentre la imagen T(v) del vector v dado y (c) encuentre la
preimagen de l vector w dado.
33. A = [~
0 -3
~i
17. A = [-20 0I 02] , v = (6, 1, l), w = (3, 5) 35. Dados T: R 5 ➔ R3 y nulidad(7) = 2, encuentre el rango(7).
36. Dados T: P 5 ➔ P 3 y nulidad(I) = 4, encuentre el rango(1).
18. A = [:
20 -1]I , v = (5, 2, 2), w = (4. 2) 37. Dados T: P4 ➔ R5 y rango(7) = 3, encuentre la nulidad(7).
38. Dados T: M 2,2 ➔ M 2 ,2 y rango(T) = 3, encuentre la
19. A = [1 J], V = (2, 3), W = 4 nulidad(1).
Determinaci6n de una potencia de una matriz estan- Matrices similares En los Ejercicios 57 y 58, use la
dar En los ejercicios 39 a 42, encuentre la pote ncia indi- matri z P para demostrar que las matrices A y A' son simi-
cada de A, la matriz estandar de T. lares.
39. T: R 3 ➔ R 3, reflexi6n en el piano xy. Encuentre A2.
57. P = [~ -SJ [18 -1
-4 'A= II
9] A, = [ -45
-1 2 '
40. T: R3 ➔ R3, proyecci6n sobre el piano xy. Encuentre A 2.
41. T: R2 ➔ R2 , rotaci6n de un angulo 0 en contra del sentido
de! movimiento de las manecillas de! reloj. Encuentre A 3. 58.P -[~ 21 - ol1 ,A= [- 11 o 1l,A'= [2
3 1 0
42. Calculo T: P3 ➔ P3 , operador diferencial Dx. Encuen- 0 0 0 0 2 0
tre A2.
59. Sea T: R3 ➔ R 3 defi nida por T(v) = proyuv, en donde
Determinaci6n de matrices estandar para composicio- u = (0, 1, 2).
nes En los ejercicios 43 y 44, encuentre las matrices estan- (a) Determine A, la matriz estandar de T.
dar para T = T 1 ° T2 y T' = T2 ° T 1• (b) Sea S la transformaci6n lineal representada por I -A.
43. 7;: R 2 ➔ R3, I; (x,y) = (x,x + y,y) Demuestre que S es de la forrna
7i: R ➔ R -z;(x, y, z) = (0, y)
3 2, S(v) = proyw,v + projw2v donde w 1 y w 2 son vec-
tores fijos en R 3.
44. 7;: R ➔ R2 , 7; (x) = (x, 3x)
(c) Demuestre que el kernel de T es igual al rango de S.
7i: R 2 ➔ R, 7i(x, y) = (y + 2x) 60. Sea T: R 2 ➔ R2 definida por T(v) = proyuv, donde
Determinaci6n de la inversa de una transformaci6n u = (4, 3).
lineal En los ejercicios 45 a 48, detemline si la transforma- (a) Determine A, la matri z estandar de T, y demuestre
ci6n T es invertible. Si es asf, encuentre su inversa. queA 2 = A.
45. T: R 2 ➔ R 2 , T(x,y) = (0 ,y) (b) Demuestre que (/ -A)2 = I -A.
46. T: R 2 ➔ R 2 , (c) EncuentreAv e (/-A)v para v = (5, 0).
T(x, y) = (x cos 0 - y sen 0, x sen 0 + y cos 0) (d) Trace la grafica de u, v, Ave(/ -A)v.
47. T: R ➔ R 2 , T~t,y) = (x, -y)
2 61. Sean Sy T transforrnaciones lineales de Va W. Demues-
tre que S + T y kT son transformaciones lineales, en
48. T: R 3 ➔ R 2 , T(x, y, z) = (x + y, y - z)
donde (S + 7) (v) = S(v) + T(v) y (k7)(v) = kT(v).
Transformaciones uno a uno, sobre e invertibles En 62. Prueba Sea T: R2 ➔ R2 tal que T(x) = Ax, donde A es
los ejercicios 49 a 52, determine si la transformac i6n lineal una matriz de 2 X 2 (tal transforrnaci6n se denomina una
representada por la matriz A es (a) uno a uno, (b) sobre, y (c) transformaci6n afin). Demuestre que T es una transfor-
invertible. maci6n lineal si y s6lo si b = 0.
49. A = [~ ~] 50. A=[~ ;] Suma de dos transformaciones lineales En los ejerci-

cios 63 y 65, la suma S + T de dos transforrnaciones lineales
0 S: V ➔ W y T: V ➔ W
51. A = [~ :] 52.A -[~ 5
0 Il
se define como (S + 7) (v) = S(v) + T(v).
63. Prueba Demuestre que
dim(rango(S + 7)) ~ dim(rango(S)) + dim(rango(7)).
Determinaci6n de la imagen de dos maneras En los
64. Proporcione un ejemplo para cada uno de los siguientes
ejercicios 53 y 54, determine T(v) aplicando (a) la matriz
casos.
estandar y (b) la matriz con respecto a B y B' .
(a) dim(rango(S + 7)) = dim(rango(S)) + dim(rango(7)).
53. T: R 2 ➔ R3, T(x,y) = (-x,y,x + y), v = (0, 1), (b) dim(rango(S + 7)) < dim(rango(S)) + dim(rango(7)).
B = {(l , 1), (1, - 1)}, B ' = {(0, 1, 0), (0, 0, 1), (1, 0, 0)}
65. Prueba Sea T: P3 ➔ R ta! que
54. T: R2 ➔ R2 , T(x, y) = (2y, 0), v = (-1 , 3),
T(a 0 + a 1x + a 2x2 + a,x3) = a0 + a 1 + a 2 + a 3 .
B = {(2, 1), (-1,0)},B '= {(- 1, 0),(2,2)} (a) Demuestre que Tes lineal.
Determinaci6n de un matriz para una transformaci6n (b) Determine el dim(rango) y la nulidad de T.
lineal En los Ejercicios 55 y 56, encuentre la matri z A' (c) Determine una base para el kernel de T.
para T respecto a la base B'. 66. Prueba Sean T: V ➔ U y S: U ➔ W transformacio-
55. T: R ➔ R ,
2 2 nes lineales.
(a) Dernuestre que el kernel de T esta contenido en el
T(x,y) = (x - 3y,y - x),B' = {(1, - 1), (1, 1)} kernel de S O T.
56. T: R ➔ R3, T(x, y, z)
3
= (x + 3y, 3x + y, - 2z), (b) Dernuestre que si S O T es sobre, entonces tarnbien lo
B' = {( I, I , 0), (1, -1, 0), (0, 0, I)} es S.
67. Sea V un espacio vectorial con producto interno. Para un Determinaci6n de una imagen de un cubo unitario En
vector v0 fijo diferente de cero en V, sea T: V ➔ R la los ejercicios 91 a 94, determine la imagen del cubo unitario
transforrnaci6n lineal T (v) = (v, v 0). Determine el ker- cuyos vertices son (0, 0, 0), (l , 0, 0), ( 1, 1, 0), ( 0, 1, 0), (0, 0, 1),
nel, el rango, dim(rango) y la nulidad de T. ( I, 0, I), (I, I , I) y (0, I, I) cuando es rotado el angulo indicado.
68. Calculo Sea B = {I, x, Sen x , Cos x) una base de un 91. 45° alrededor de eje z.
subespacio W del espacio de funciones continuas, y sea 92. 90° alrededor del eje x.
Dx el operador diferencial sobre W. Encuentre la matriz 93. 30° alrededor del eje x .
de Dx con respecto a la base B. Encuentre el rango y el 94. 120° alrededor del eje z.
kernel de Dx- LVerdadero o fatso? En los ejercicios 95 a 98, determine
69. Escriba i,LOs espacios vectoriales R4, M2_2 y M1.4 son cual de las expresiones es verdadera o falsa. Si la expresi6n
exactamente Io mismo? Describa sus similimdes y dife- es verdadera, proporcione una raz6n o cite una expresi6n
rencias. adecuada del texto. Si la expresi6n es falsa, proporcione un
ejemplo que muestre que la expresion no es cierta en todos
70. Calculo Sea T: P3 ➔ P3 definida por
los casos o cite del texto una expresion adecuada.
T(p) = p(x) + p'(x). Encuentre el rango y la nulidad de T.
95. (a) Las transformaciones lineales denominadas reflexio-
ldentificaci6n y representaci6n de una transfor- nes que mapean un punto sobre el piano xy a su
maci6n En los ejercicios 7 1 a 76, (a) identifique la trans- imagen especular a lo largo de la recta y = x estan
formacion y (b) represente geometricamente la transforma-
definidas por la matriz estandar [~ ~].
ci6n para un vector arbitrario en R 2.
71. T(x, y) = (x, 2y) 72. T(x , y) = (x + y, y) (b) Las transformaciones lineales llamadas expansiones
o contracciones horizontales estan definidas por la
73. T(x, y) = (x, y + 3x) 74. T(x, y) = (5x, y)
75. T (x, y) = (x + Sy, y) 76. T(x , y) = (x, y + ~x) matnz . [k OJ.
O 1
Trazo de una imagen de un triangulo En los ejercicios
77 a 80, trace la imagen del triangulo cuyos vertices son los (c) La matriz [~ I/ ~ - A/~ ] puede rotar un
puntos (0, 0), ( I, 0) y (0, I) bajo la transformaci6n dada. 0 ,/3/2 1/2
77. Tes una refl exion en el eje x. punto 60° alrededor del eje x.
78. Tes la expansion defmida por T(x, y) = (2x, y). 96. (a) Las transformaciones lineales denominadas reflexio-
79. Tes la deformacion definida por T(x, y) = (x + 3y, y). nes que mapean un punto sobre el piano xy a su
imagen especular a lo largo del eje x estan definidas
80. Tes la deformacion definida por T(x, y) = (x, y + 2x).
por la matriz estandar [~ _ ~].
Proporcionar una descripci6n geometrica En los ejerci-
c ios 8 1 y 82, proporcione una descripcion geometrica de la (b) Las transformaciones lineales llamadas expansiones
transforrnacion lineal definida por el producto matricial dado. o contracciones verticales estan definidas por la
. [I
matnz
81. [ 01
l/~l
~] = [~ 0
82.
1
[6 ~] = [~ (c) La matriz [ ,/3/~ ~ puede rotar un
- 1/2 o A/2
Determinaci6n de una matriz para producir una punto 30° alrededor de! eje y.
rotaci6n En los ejercicios 83 a 86, encuentre la matriz que 97. (a) En calculo, toda funci6n lineal es tambien una trans-
produce la rotacion indicada y luego determine la imagen del formacion de R 2 ➔ R2.
vector(] ,- I, I). (b) Se dice que una transformaci6n lineal es sobre, si y solo
83. 45° alrededor del eje z. 84. 90° alrededor del eje x. si para toda u y v en V, T(u) = T(v) implica que u = v.
85. 60° alrededor del eje x. 86. 30° alrededor del eje y. (c) Debido a las ventajas computacionales, es mejor
elegir una base para V tal que la matriz de transfor-
Determinaci6n de una matriz para producir un par de maci6n sea diagonal.
rotaciones En los ejercicios 87 a 90, detennine la matriz 98. (a) En el caso de polinotnios, el operador diferencial Dx
que produce el par de rotaciones indicadas. es una transformaci6n lineal de P,,a P,, _ 1•
87. 60° alrededor del eje x seguida por 30° alrededor de eje z. (b) El conjunto de todos los vectores v en V que satisfa-
cen T(v) = v es denominado kernel de T.
88. 120° alrededor del eje y seguida por 45° alrededor del eje z.
(c) La matriz A estandar de la composici6n de dos trans-
89. 30° alrededor del eje y seguida por 45° alrededor del eje z. forrnaciones lineales T(v) = Ti T1(v)) es el producto de
90. 60° alrededor del eje x seguida por 60° alrededor del eje z. la matriz estandar para T2 y la matriz estandar para T1.
6 Proyectos
Sea e la recta ax + by = 0 en R2. La transformaci6n lineal L: R2 ➔ R2 que mapea un punto
(x, y) a su imagen especular en ese llama reflexion en e. (Vease la Figura 6.22.) El objetivo
de estos dos proyectos es encontrar la matriz por su reflexi6n respecto a la base estandar.
1 Reflexiones en el piano R 2 (I)

En este proyecto usted usara matrices de transicion para determinar la matriz estandar para
la re flexion L en la recta ax + by = 0.
1. Determine la matriz estandar de L para la recta x = 0.
2. Determine la matriz estandar de L para la recta y = 0.
3. Determine la matriz estandar de L para la recta x - y = 0.
4. Considere la recta e representada por x - 2y = 0. Encuentre un vector v paralelo a e y
e. e
otro vector w ortogonal a Determine la matriz A para la reflexion de respecto a la
base ordenada {v, w }. Por ultimo, utilice la matriz de transic i6n apropiada para hallar
la matriz para la reflex ion respecto a la base estandar. Use esta matriz para encontrar las
imagenes de los puntos (2, 1), (-1 , 2) y (5, 0).
e
5. Considere la recta general representada por ax + by = 0. Sea v un vector paralelo a e
e.
y sea w un vector ortogonal a Determine la matriz A para la reflexion en respecto e
a la base ordenada {v, w }. Por ultimo, utilice la matriz de transici6n apropiada para
hallar la matriz para la reflexi6n con respecto a la base estandar.
6. Determine la matriz estandar para la reflexi6n en la recta 3x + 4y = 0. Utilice esta
matriz para hallar las imagenes de los puntos (3, 4), (-4, 3) y (0, 5).
2 Reflexiones en el piano R 2 (II)

En este segundo proyecto, utilice proyecciones para
determinar la matriz estandar para la reflexi6n L en la
recta ax+ by = 0 (Vease la Figura 6.23.). Recuerde que
la proyecci6n del vector u sobre el vector v esta represen-
tada por
z1proy,,u
Figura 6.23
v
l. Encue ntre la matriz estandar para la proyeccion sobre el eje y, ees decir, determine la
)'
matriz estandar para proyvu si v = (0, I).
2. Determi ne la matriz estandar para la proyeccion sobre el eje x .
3. Considere la recta e representada por x - 2y = 0. Encuentre un vector v paralelo a e y
e.
otro vector w ortogonal a Determine la matriz A para la proyecci6n sobre respecto e
a la base ordenada { v, w }. Por ultimo, utilice la matriz de transic i6n apropiada para
X hallar la matriz para la proyecci6n respecto a la base estandar. Use esta matriz para
encontrar proy vu para los casos u = (2, I), u = (-1, 2) y u = (5, 0).
Figura 6.22
4. Considere la recta general e representada por ax + by = 0. Encuentre un vector v para-
lelo a e y w un vector ortogonal a e. Determine la matriz A para la proyeccion sobre e
)'
respecto a la base ordenada {v, w }. Por ultimo, utilice la matriz de transicion apropiada
L(u) e para hallar la matri z para la proyeccion respecto a la base estandar.
5. Utilice la figura 6.24 para demostrar que proyvu = ½(u + L(u)), donde L es la reflexion
en la recta e. Resuelva esta ecuacion para L y compare su respuesta con la fo rmula del
primer proyecto.
X
Figura 6 .24 EDHAR/Shutterstock.com

Eigenvalores
7 y eigenvectores
7.1 Eigenvalores y eigenvectores
7.2 Diagonalizaci6n
7.3 Matrices simetricas y diagonalizaci6n ortogonal
7.4 Aplicaciones de los eigenvalores
.....___ _ _ _ _ _ _t> y los eigenvectores
Poblaci6n de conejos (p. 373)
Arquitectura (p. 382)
Maximos y mfnimos relativos (p. 369)
Genetica (p. 359)
Difusi6n (p. 348)

En sentido de las manecillas del reloJ, desde amba a la 11qu10rda. Arnkakodydkova/w,vw.shunerstock.com, osu1Vwww.shutterstock.com;
marema/www.shutterstock.com, Sh, Yah/WWW shutterstockcom, y1enkeat/www.shuners1ock.com 341
342 Capitula 7 Eigenvalares y eigenvectares
7 .1 Eigenvalores y eigenvectores
■ Verificar eigenvalares y sus carrespandientes eigenvectares.
■ Encantrar eigenvalares y sus carrespandientes eigenespacias.
Usar la ecuaci6n caracterfstica para encantrar eigenvalares
■ y eigenvectares y encantrar las eigenvalares y eigenvectares

de una matriz triangular.
Encantrar las eigenvalares y eigenvectares de una transformaci6n
■ lineal.
EL PROBLEMA DEL EIGENVALOR

En esta secci6n se introduce uno de los problemas mas importantes del algebra lineal, el
problema del eigenvalor. Su pregunta central es la siguiente. Si A es una matriz den X
n, i,hay vectores x diferentes de cero en R" tales que Ax sea un multiplo escalar de x? El
escalar, denotado por la letra griega lambda (A), se llama eigenvalor de la matriz A y el
vector x diferente de cero se llama eigenvector de A correspondiente a A. Los terminos
eigenvalor y eigenvector provienen del termino aleman eigenwert, cuyo significado es
"valor propio". Por tanto, se tiene
IEigenvalor I
t
Ax = Ax.
Los eigenvalores y los eigenvectores tienen muchas aplicaciones importantes, muchas

de las cuales se estudiaran a lo largo de este capftulo. Por el momento se dara una inter-
pretaci6n geometrica del problema en R2 . Si A es un eigenvalor de una matriz A y x es un
eigenvector de A correspondiente a A, entonces la multiplicaci6n de x por la matriz A
produce un vector Ax paralelo ax, como se muestra en la figura 7. 1.
Ax = AX, J..>O Ax= J..x, J..<0
Figura 7.1
COM ENTARIO Definici6n de eigenvalor y eigenvector

Solo se presentan eigenvalores
Sea A una matriz de n X n. El escalar A se denomina eigenvalor de A si existe un
reales en este capitulo.
vector x diferente de cero tal que Ax = Ax. El vector x se llama eigenvector de A
correspondiente a A.
Advierta que un eigenvector no puede ser cero. Si fuese x el vector cero, entonces la
definici6n carecerfa de sentido, porque AO = AO se cumple para todos los valores reales
de A. Sin embargo, sf es posible un eigenvalor de A = 0 (vease el ejemplo 2).
7.1 Eigenvalores y eigenvect ores 3 43
Una matriz puede tener mas de un eigenvalor, como se muestra en los ejemplos I y 2.
[ EJEMPLO 1 Comprobaci6n de los eigenvalores y eigenvectores
Para la matriz
compruebe que x 1 = ( I , 0) es un e igenvector de A correspondiente al eigenvalor A 1 = 2, y

que x 2 = (0, 1) es un eigenvector de A correspondiente al eigenvalor A2 = - 1.
SOLUCION
Al multiplicar x I a la izquierda por A produce
Eigenvalor
Asf, x 1 = (1, 0) es un eigenvector de A correspondiente al eigenvalor A1 = 2. De manera

semejante, al multiplicar x2 por A se obtiene
Por tan to, x2 = (0, I) es un eigenvector de A correspondiente al e igenvalor A2 = - 1.
I
I
EJEMPLO 2 Verificaci6n de eigenvalores y de eigenvectores
Para la matriz
- 2
0
!ID rn ~©CW 0
OOOO □ [t.'!'l) □ [§IR!J'IT@ verifique que

x 1 = (-3, - 1, I) y x 2 = ( 1, 0, 0)
tla En el ejemplo 2, A2
= 1 es un eigenva- son e igenvectores de A y encuentre sus eigenvalores correspondientes.
lor de la matriz A. SOLUCION
Ca lcule el det ermi-
Al multiplicar x 1 a la izquierda por A se obtiene
nant e de la matriz
A2 / - A, donde / es -2
la matriz identidad
0
de 3 x 3.
~□ Repita este ejerci -

Por tanto, x 1 = (-3, - 1, I) es un eigenvector de A correspondiente al e igenvalor A1 = 0.
cio para otro eigen-
De manera semejante, al multiplicar x 2 a la izquierda por A se obtiene
valor A1 = 0.
I - ?
©a En general, si A es
un eigenvalor de la Ax2 = 0 0
[
matriz A l_cual es el 0 I
v alor de IA/ - Al?
Asf, x2 = ( I, 0, 0) es un eigenvector de A correspondiente al eigenvalor A2 = I.
344 Capitu lo 7 Eigenvalores y eigenvectores
EIGENESPACIOS O ESPACIOS CARACTERISTICOS

Aunque en los ejemplos I y 2 se presenta solamente el e igenvector de cada eigenvalor,
cada uno de los cuatro eigenvalores de los ejemp los I y 2 tiene infinidad de eigenvectores.
Asf, en el ejemplo I los vectores (2, 0) y (-3, 0) son eigenvectores de A correspondientes
al eigenvalor 2. De hecho, si A es una matriz den X n con un eigenvalor A y un eigenvec-
tor correspondiente x, entonces todo multiplo escalar de x diferente de cero tambien es un
eigenvector de A. Lo anterior puede observarse al considerar un escalar c diferente de cero,
con lo que se obtiene
A(cx) = c(Ax) = c(Ax) = A(cx).
Tamb ien es cierto que si x 1 y x 2 son eigenvectores correspondientes al mismo eigenvalor
A, entonces su suma tambien es un eigenvector correspondiente a A, ya que
A(x 1 + x2 ) = Ax 1 + Ax2 = Ax 1 + Ax2 = A(x 1 + x2 ).
En otras palabras, el conjunto de todos los eigenvectores de un eigenvalor A dado, junto
con el vector cero, es un subespacio de R". Este subespacio especial de R" se llama eige-
nespacio de A.
TEOREMA 7.1 Los eigenvectores de A forman un subespacio

Si A es una matriz den X n con un eigenvalor A, entonces el conj unto de todos los
eigenvectores de A, j unto con el vector cero,
{ x: x es un eigenvector de A} U {0}
es un subespacio de R". Este subespacio se llama eigenespacio de A.
Deterrninar los eigenvalores y los eigenespacios correspondientes de una matriz

puede ser diffcil. Sin embargo, algunas veces se pueden determ inar eigenvalores y e ige-
y
nespacios por simple inspecci6n, como se muestra en el ejemplo 3.
(-x, y) (0, y) (0, y) (x. y)
EJEMPLO 3 Determinaci6n geometrica de eigenespacios en R2
Determine los eigenvalores y los correspondientes eigenespacios de A = [- ~ ~].
SOLUCION
Geometricamente, multiplicar un vector (x, y) en R2 por la matriz A corresponde a una
reflexion en el eje y. Es decir, si v = (x, y), entonces
A reOeja los vectores

en el eje y
Av = [ - )
O
Figura 7.2 La figura 7.2 ilustra el hecho de que los un icos vectores retlejados sobre multiplos escala-
res de ellos mismos son aquellos que estan sobre el eje x o sobre el eje y.
Para un vector sobre el eje x Para un vector sobre el eje y
COM ENTARIO El eigenvalor es A1 = - I. El eigenvalor es A2 = I.

La soluci6n geo m etri ca dada en
el ejemplo 3 no es tipica del
Por tanto, los e igenvectores correspondientes a A 1 = - I son los vectores di ferentes de cero
probl em a general del eigenva-
lor. A continuaci6 n se describe que estan sobre el eje x y los eigenvectores correspondientes a A2 = l son los vectores
un m etodo general. diferentes de cero que estan sobre el eje y . Esto implica que el eigenespacio correspondiente
a A1 = - I es el eje x y que el eigenespacio correspond iente a A2 = I es el eje y .
DETERMINACION DE EIGENVALORES V EIGENVECTORES

Para determinar los eigenvalores y los eigenvectores de una malriz A de n X n, sea / la
matriz identidad de 11 X 11. Al escribir la ecuaci6n Ax = Ax en la forma A/x = Ax se obtiene
(A/ - A)x = 0. Este sistema homogeneo de ecuac iones tiene solucio nes diferentes de cero
si y s6lo si la matriz de coeficientes (A/ - A) no es invertible; es decir, si y s6lo s i el deter-
COM ENTARIO minante de (A/ - A) es cero. Por tanto, se puede establecer el siguiente teorema.
Debido a que el grado del poli-
nomio caracteristico de A es
TEOREMA 7.2 Eigenvalores y eigenvectores de una matriz
igual a n, entonces A puede
tener cuando mucho n eigenva- Sea A una matriz den X n
lores distintos. El teorema fun-
damental del algebra establece 1. Un e igenvalor de A es un escalar A tal que det (Ai - A ) = 0.
que un polinomio de n-esi mo 2. Los eigenvectores de A correspondientes a A son las soluciones diferentes de
grado tiene precisamente n cero de (A/ - A)x = 0.
raices. Estas n raices, sin
embargo, incluyen raices repe-
tidas y raices complejas. En La ecuaci6n det (A/ - A) = 0 se llama ecuaci6n caracteristica de A. Ademas, cuando
este capitulo nos ocuparemos
se desarrolla en forma de polinomio, este
solo de lo concerniente a las
raices reales de polinomios IA/ -Al = A"+ c,,_ 1A11 - 1
+ · · · + c 1A + c 0
caract eristicos, es decir, eigen-
v alores reales. se llama polinomio caracteristico de A. Esta definici6 n establece que los eigenvalores de
- - -[> una matriz den X n corresponden a las raices del polinomio caracterfstico de A.
EJEMPLO 4 Determinacion de eigenvalores y eigenvectores
Encuentre Los eigenvalores y los correspondientes eigenvectores de A = [~ -12].

-5
SOLUCION
La ecuaci6n caracterfstica de A es
A- 2
IA! - Al = 121 = A2 + 3A - 10 + 12 = (A + l)(A + 2).
I -I A+ 5
Asf, la ecuaci6n caracterfstica es (A + l )(A + 2) = 0, con lo que se obtienen A1 = - I y

A2 = -2 como eigenvalores de A. Para determinar los eigenvectores correspondientes se
aplica el metodo de eliminac i6n de Gauss-Jordan para resolver dos veces el sistema li neal
homogeneo dado por (A/ -A)x = 0: primero para A = A1 = - I yen seguida para A = A2
= - 2. Para A1 = - 1, la matri z de coeficientes es
(-1)/ - A = [
- I - 2
- I -1+5
12] [-3 = -I
que se reduce por reng lo nes a

0 [L -4]
0
, con lo que se prueba que x 1 - 4x2 = 0. Si x 2 = I,
usted puede concluir que todo eigen vector de A1 es de la forma
Para A2 = -2 se tiene
COMENTARIO (-2)/ - A = [
- 2 - 2
- I - 2 + 5
12]= [-4 - I
-3]
o·
lntente verifica r que Ax = A;x
para los eigenvalores y eigen-
vectores dete rminados en este Con x1 = t, se concluye que todo eigenvector de A2 es de la forma
ejemplo.
346 Capitulo 7 Eigenvalores y eigenvectores
Los sistemas homogeneos que aparecen cuando usted determina eigenvectores siem-
pre conducen a una matriz reducida por renglones que tiene al menos un rengl6n de ceros,
debido a que este sistema debe tener soluciones no triviales. Los pasos utilizados para
determinar los e igenvalores y los correspondie ntes e igenvectores de una matriz se resumen
a continuaci6n.
Determinaci6n de eigenvalores y eigenvectores

Sea A una matriz de n X n.
I. Forme la ecuaci6n caracterfstica IAl - Al = 0. Sera una ecuaci6n polinomial de
grado n en la variable A.
2. Determine las rafces reales de la ecuaci6n caracterfstica. Estas son los eigenva-
lores de A.
3. Para todo e igenvalor A;, determine los eigenvectores correspondientes a A; al
resolver el sistema homogeneo (A; / -A)x = 0. Para llevar a cabo lo anterior se
requiere reducir por renglones una matri z de n. X n. La forma resultante escalo-
nada reducida por renglones debe contener por lo menos un rengl6n de ceros.
Encontrar los eigenvalores de una matri z de n X n implica la factorizaci6n de un

polinomio de n-esimo grado. Una vez que se ha determinado un eigenvalor, hallar los
eigenvectores correspondientes es una aplicaci6n directa del proceso de eliminaci6n de
Gauss-Jordan.
EJEMPLO 5 Determinacion de eigenvalores y eigenvectores
Encuentre los eigenvalores y los eigenvectores correspondientes de

I
2
0
i,Cual es la dimension del eigenespacio de cada eigenvalor?

SOLUCION
La ecuaci6n caracterfstica de A es
,\ - 2 - 1 0
1,\/ -AI 0 ,\ - 2 0
0 0 ,\ - 2
= (,\ - 2)3.
Asf, la ecuaci6n caracterfstica es(,\ - 2) 3 = 0. Por tanto, el unico eigenvalor es,\ = 2. Para
encontrar los e igenvectores asociados con ,\ = 2, resue lva el sistema lineal homogeneo
representado por (2/ -A)x = 0.
- I
0
0
Lo anterior imp lica que x2 = 0. con los parametros s = x 1 y I = x3, se encuentra que los
eigenvectores de ,\ = 2 son de la forma
X - [ ~:] - m-,[~l Hl ' + y tsooambos M erentes de mo.
Dado que ,\ = 2 tiene dos eigenvectores linealmente independientes, entonces la dimen-

sion de su eigenespacio es 2.
7.1 Eigenvalores y eigenvect ores 347
Si un eigenvalor A; ocurre como una ra[z multiple (k veces) de! polinomio caracterfs-
tico, entonces se dice que A; tiene multiplicidad k. Esto implica que (A - A;/ es un factor
del polinomio caracterfstico y que (A - Af + 1 no es un factor de! polinomio caracterfstico.
Asf, en el ejemplo 5 el eigenvalor A = 2 tiene multiplicidad 3.
Tambien observe en el ejemplo 5 que la dimension del eigenespacio de A = 2 es 2.
En general, la multiplicidad de un eigenvalor es mayor o igual que la dimension de su
eigenespacio. (En el ejercicio 61, se le pide demostrar esto.)
I EJEMPLO 6 Determinaci6n de eigenvalores y eigenvectores
Determine Jos eigenvalores de
0 0
A~[~
I
0
0
5
2
0
-1~1
y encuentre una base para cada uno de los espacios caracterfsticos correspondientes.
SOLUCION
El polinomio caracterfstico de A es
A- l 0 0 0
0 A- 1 -5 JO
IM-AI = - I 0 A-2 0
- I 0 0 A- 3
= (A - L)2(A - 2)(A - 3).
Asf, la ecuacion caracterfstica es (A - I ) 2 (A- 2) (A - 3) = 0 y los eigenvalores son A1 = I,

A2 = 2 y A3 = 3 (observe que A1 = I tiene multiplicidad 2).
Usted puede encontrar una base para el e igenespacio de A1 = I como sigue.
NOTA TECNOLOG1CA
~
0 0 0 0
r~
Muchos p rogramas de compu-
taci6n y aplicaciones graficas 0 -5 0 I
cuentan con programas para
aproximar eigenvalores y eigen-
vectores de una matriz de n x
(1)1 - A ~[- I
- I
0
0
- I
0
,~1 -
-2 0
0
0
0
0 -~1
n. lntente usar una aplicaci6n
g rafica o un programa de com- Con s = x2 y I = x4 se obtiene
putaci6n para encontrar los
[fus -+ Ot2,1 =s[oI

+,ni
ei genvalores y eigenvectores en
el ejemplo 6. Cuando determine [ x,
eigenvectores, su aplicaci6n
X = X2 =
X3 Os + 2t 0
grafica o programa de compu-
taci6n podria producir una X4 Os+ t 0
matriz en la cual las columnas
sean multiplos escalares de los
Una base de! eigenespacio correspondiente a A 1 = l es
eigenvectores que usted obten- 81 = {(O, I, 0, 0), (-2, 0, 2, I)}. Base para A1 = I
dria con calcu los manuales.
Online Technology Guide, Para A2 = 2 y A3 = 3 se sigue el mismo patron para obtener las bases del eigenespacio.
disponible en
www.cengage.com 82 = {(0,5, 1,0)} Base para A2 =2
mentos de Algebra Lineal 7e 83 = {(O, - 5, 0, I)}. Base para A3 = 3
- - - - -t> La deterrninacion de eigenvalores y de eigenvectores para matrices de orden n ~ 4 puede

ser tediosa. Adicionalmente, usar el procedimiento que se siguio en el ejemplo 6 en una com-
putadora puede introducir errores de redondeo. En consecuencia, puede ser mas eficiente usar
metodos numericos para aproximar los eigenvalores de matrices grandes. Estos metodos
numericos pueden consultarse en textos de algebra lineal avanzada y de analisis numerico.
348 Capitu lo 7 Eigenva lores y eigenvectores
Hay algunos tipos de matrices para los cuales es facil encontrar los eigenvalores. El
siguiente teorema establece que los eigenvalores de una matriz triangular den X n son los
elementos en la diagonal principal. Su demostraci6n surge a partir del hecho de que el
determinante de una matriz triangular es el producto de los elementos de su di agonal.
TEOREMA 7.3 Eigenvalores de matrices triangulares

Si A es una matriz triangular den x n , entonces sus eigenvalores son los elementos
en su di agonal principal.
Determinacion de eigenvalores de matrices

EJEMPLO 7
triangulares y diagonales
Determine los eigenvalores de las siguientes matrices.
a . A = [- ~ ~
5 3
~i
-3
- I 0 0 0 0
0 2 0 0 0
b. A 0 0 0 0 0
0 0 0 -4 0
0 0 0 0 3
SOLUCION
a. Sin usar el teorema 7.3 se encuentra que
A-2 0 0
IAI -A l I A-I 0 = (A - 2)(A - l)(A + 3).
- 5 -3 A +3
Asf, los eigenvalores son A1 = 2, A2 = I y A3 = -3 , que simplemente son los elementos
de la diagonal principal de A.
b. En este caso se aplica el teorema 7.3 para concluir que los eigenvalores son los elemen-
tos de la diagonal principal A1 = - 1, A2 = 2, A3 = 0, A4 = ~ y A5 = 3.
ALGEBRA Los eigenvalores y eigenvectores son utiles para modelar fen6menos

de la vida real. Por ejemplo, suponga queen un experimento para
LINEAL determinar la difusi6n de u n fluido de un matraz a otro a traves de
APLICADA una membrana per meable y despues, desde el segundo matraz, los
investigadores determinan que la taza de flujo entre matraces es el
doble del volumen de fluido en el primer matraz y la taza de flujo
desde el segundo matraz es tres veces el volumen de f luido en el
segundo matraz. El siguiente sistema de ecuaciones diferenciales
lineales, donde V; representa el vo lumen de fluido en el matraz i,
modela esta situaci6n.
y,'= -2y,
Y2 1 = 2y, - 3y2
En la Secci6n 7.4 usted usara eigenvalores y eigenvectores para resol-
ver ta les sistemas de ecuaciones diferenciales lineales. Po r ahora,
verifique que la soluci6n de este sistema es
y, = C,e- 21
Y2 = 2c,e-2r + C2e-3r_
Sh, Yali/www shutterstock com
EIGENVALORES Y EIGENVECTORES
DE TRANSFORMACIONES LINEALES
Esta secci6n empez6 con la defini ci6n de e igenvalores y eigenvecto res en terminos de
matrices. Sin embargo hubiera sido posible definirlos en terminos de transformacio nes
lineales. Un numero A se denomina eigenvalor de una transformaci6n lineal T: V ➔ V si
hay un vector x diferente de cero tat que T(x) = Ax. El vector x se deno mina eigenvector
de T correspond iente a A y el conjunlo de todos los eigenvectores de A (con el vector cero)
se deno mi na eigenespacio de A.
Considere la transformaci6n lineal T: R 3 ➔ R3 , cuya matriz con respecto a la base
estandar es
3
Base estandar:
1
0 - 2 ~i- B = {( I, 0, 0), (0, I , 0), (0, 0, I)}
En el ejemplo 5 de la secci6n 6.4 se encontr6 que la matriz de T con respecto a la base

B' = {( I, 1, 0),( 1,-1,0),(0,0, l)es la matriz di agonal
4
O Ol Base no estandar:
A ' = [ 00 -2
0 _0
2 . B , = {( 1, I, 0), ( I , - I , 0), (0, 0. 1)}
Para una transformaci6n T dada, i,C6mo podemos determinar una base B ' cuya matriz
correspondiente sea diagonal? El siguiente ejernplo nos da una indicaci6 n de la respuesta.
j EJEMPLO 8 Determinaci6n de eigenvalores y eigenespacios
Encuentre los eigenvalores y los eigenespacios de

3
A-[~ 1
0 - 2
~i-
SOLUCION
como
A- I - 3 0
IAJ -A I = -3 A- 1 0 = [(A -1)2 -9](A +2) =(A - 4)(A +2) 2
0 0 A+ 2
los eigenvalores de A son A1 = 4 y A2 = - 2. Los eigenespacios de estos dos eigenvalores
son 8 1 = ((1, 1, 0 )} y 8 2 = ((1, - 1, 0), (0, 0, l )}, respectivarnente (verifique esto).
El ejemplo 8 il ustra dos resultados. Sea T: R3 ➔ R3 la transfo rmaci6 n lineal cuya

matriz estandar es A y sea B ' la base de R 3 integrada por los tres eigenvectores linealmente
independientes correspondiendo a los e igenvalores de A, entonces el resultado es como
sigue.
1. La matriz A' para P con respecto a la base B' , es diagonal.
A
1
= [t ~~:,-~,]
0 0 ~ 2,'
Base no estandar:
B ' = {( I, I, 0), ( 1, - I, 0), (0, 0. I)}
Ei genva lores de A
2. Los elementos en la diagonal principal de la matriz A ' son los eigenvalores de A .

En la siguiente secci6n se formalizan estos dos resultados y tambien se caracterizan
las transformacio nes lineales q ue es posible representar por matrices diagonales.
Verificaci6n de eigenvalores y eigenvectores En los 0 5] (a) X = (1 , 1, 0)

ejercicios 1 a 8, compruebe que A; es un eigenvalor de A y X;
-2 4 (b) x = (- 5, 2, 1)
es un eigenvector correspondi ente. (c) X = (0, 0, 0)
-2 9
2 OJ A1 = 2, x 1 = (1,0) (d) x = (2J6- 3, -2J6 + 6, 3)
1. A = [0 - 2 ' A2 = - 2, x2 = (0, I)
Determinaci6n geometrica de eigenespacios en
4 A1 = - l, x 1 = (1, I) R2 En los Ejercic ios 15 y 16, use el metodo mostrado en el
2• A = [ 2
=!l A2 = 2, X 2 = (5, 2) ejemplo 3 para encontrar el(los) eigenva lo r(es) y
correspondiente(s) eigenespacio(s) de A.
= [~
A1 = 0, x 1 = ( I, -1 )
3. A ~], A2 = 2, x2 = (I , l ) 15. A = [~ _ ~] 16. A = [~ ~]
- 2 4], A, = 2, x 1 = ( I, I)
4. A = [ I
I A2 = -3, x 2 = (-4, I) Ecuaci6n caracteristica, eigenvalores y eigenvecto-
2 3 I] A= 2, x =( 1, 0, 0) 1 1
res En los ejercicios 17 a 28, determine (a) la ecuac i6n
caracterfstica y (b) los eigenvalores (y los correspo ndientes
[0 0 32 , AA == 3,-1x, x= =(5,( lI,, -1
5. A = 0 - I 2
2)
3
, 0)
3
2
e igenvectores) de la matriz.
6. A = [-22
2
I
-3]
-6,
A, = 5, x 1 = ( I , 2, - l)
A2 = -3, X 2 = (-2, I , 0)
17.
-I -2 0 A3 = - 3, X 3 = (3, 0, I ) 19.
n
I
1. A = [~ 0 A1 = 1, x 1 = (1, I, 1)
0 21.
n
-I A1 = 4,x, = (1 , 0, 0)
8. A = [~ 2 A2 = 2, x2 = ( I , 2, 0)
0 A3 = 3, x3 = (-2, I , I ) 23.
9. Use A , A; y X; de! ejercicio 3 para demostrar que

(a) A(cx 1) = O(cx 1) para cualquier numero real c. -3 5]
4 -10
(b) A(cx2) = 2(cx2) para cualquier numero real c.
0 4
10. Use A , A; y y x del ej ercicio 5 para demostrar que
(a) A(cx 1) = 2(cx 1) para cualquier numero real c. 2 0 0
0 2 0
(b) A(cx 2) = - (cx2 ) para cualquier numero real c. 27. O
0 3
(c) A(cx3) = 3(cx3) para cualquier numero real c.
0 0 4
Determinaci6n de eigenvectores En los ejercicios 11 a
Determinaci6n de eigenvalores En los ejercicios 29 a
14, determine six es un eigenvector
38, use una aplicaci6n grafica con capacidad matric ial o un
(a) X = (1, 2) programa de c6mputo para determinar los eigenvalores de la
(b) X = (2, I) matri z.
(c) X = (1, -2)
(d) x = (- I , 0)
-3 (a) X = (4, 4)
12. A =[ (b) X = (-8,4)
5
(c) X = (-4, 8)
(d) x = (5, -3)
(a) X = (2, -4, 6)
(b) X = (2, 0, 6)
(c) X = (2, 2, 0)
(d) x = (-1 , 0, I)
7.1 Ejercicios 351
2 3 I 0 51. Ejec ute las siguientes verificaciones computacionales
G 35.
[i
2
3
4
4
6
8
6
9
12
~¼
-[~ 4
0
0
0
2 !]
sobre los e igenvalores determinados en los ejercicios
impares 17-27.
(a) La suma de los eigenvalores 11 es igual a la traza de la
matriz (recuerde que la traza de una matriz es la suma
0 - I de las entradas diagonales principales la matri z).
~ 37.
H 0
2
-3
I 0
2
0
3
-2
3
2
(b) El producto de los n eigenvalores es igual a JAl-
(Cuando ,\ es un eigenvalor de multiplicidad k, recuerde
ingresa.rlo k veces en la suma o producto de estas verifica-
ciones.)
G 3s. -- [: 2
4
0
- 3
I
-3
l
52. Ejecute las siguientes verificaciones computacionales
sobre los e igenvalores determinados en los ejercicios
pares 18-28.
l 0 0 0 (a) La suma de los eigenvalores n es igual a la traza de la
matriz (recuerde que la traza de una matriz es la suma
Eigenvalores de matrices triangulares y diagona-
de las entradas di agonales principales la matri z).
les En los Ejercicios 39-42, encuentre los eigenvalores de
(b) El producto de los n eigenvalores es igual a IAl-
la matriz triangular o diagonal.
n
(Si ,\ es un eigenvalor de multiplicidad k, recuerde ingre-
39.
[~
0
3
0 ~] 40.
0
7
-2 ~] sarlo k veces en la suma o producto de estas verificaciones.)
53. Demuestre que si A es una matriz den X n cuyo i-esimo
rengl6n es identico al i-esimo rengl6n de I , entonces l es
r-,~
~]
0 0 0 0 un eigenvalo r de A.
5
4 0 4 0 54. Prueba Demuestre que ,\ = 0 es un eigenvalor de A si
41. 0
0
-3
0 J1 42. [ ~ 0
0
0
0
y s61o si A es singul ar.
55. Prueba Para una matriz invertible A demuestre que A
y A- 1 tienen los mismos eigenvectores. l,C6mo se relacio-
Eigenvalores y eigenvectores de transformaciones nan los eigenvalores de A con los eigenvalores de A- 1?
lineales En los Ejercicios 43-46, considere la transforma-
56. Prueba Demuestre que A y AT tienen los mismos
c i6n lineal T: R" ➔ R" cuya matriz A respecto a la base estan-
eigenvalo res. l,Los eigenespacios son iguales?
dar esta dada. Encuentre (a) los eigenvalores de A, (b) una base
para cada uno de los correspondientes eigenespacios y (c) la 57. Prueba Demuestre que el tennino constante de] poli-
matriz A' para T respecto a la base B', donde B' esta formada nomio caracterfstico es ± IAl-
por los vectores base que se encuentran en el inciso (b). 58. Defina T: R2 ➔ R 2 por T(v) = projuv, do nde u es un
vector fijo en R2. Demuestre que los eigenvalores de A
43. A = [~ -;] 44. A = [ -~ _ ~] (la matriz estandar de 7) son O y I.
45. A~ H~ J 46. A~[; ; ;]

59. Demostraci6n guiada Demuestre que una matriz
triangular es singular si y s61o si sus e igenvalo res son
reales y diferentes de cero.
lnicio: como este es un enunc iado "si y s61o si", usted
Teorema de Cayley-Hamilton En los ejercicios 47 a 50, debe probar que el enunciado es cierto en ambas direc-
demuestre el teorema de Cayley-Hamilton para la matriz ciones. repase los teoremas 3.2 y 3.7.
dada. El teorema de Cayley-Hamilton establece que una (i) Para demostrar el enunciado en una direcci6n,
matriz satisface su ecuac i6n caracterfstica. Por ejemplo, la suponga que la matriz triang ular A es no singular.
ecuaci6n caracterfstica de Aplique sus conocimientos sobre matrices triangu-
A = [~ -;J lares no singul ares y determinantes para concluir

que los ele mentos de la diagonal principa l de A son
diferentes de cero.
es A2 - 6A + I l = 0 y, po r consiguiente, en virtud del teo- (ii) Ya que A es triangular, usted puede aplicar e l teo-
rema, se tiene A 2 - 6A + 11/2 = 0. rema 7.3 y el inciso (i) para concluir que los eigen-
4 valores son reales y diferentes de cero.
47. [ 48. [~ - ~] (iii) Para probar el enunciado en la otra direcci6n,
-3
uponga que los eigenvalores de la matriz triangular
49.
50. [ =: ! A son reales y diferentes de cero. repita los incisos
(i) y (ii) en orden inverso para demostrar que A es
no singular.
60. Demostraci6n guiada Demuestre q ue si A2 = 0, Determinaci6n de la dimension de un eigenespa-

entonces O es el unico eigenvalor de A. cio E n los ejercicios 67 a 70 , determine la dimension del
Inic io: usted necesita probar que si existen un vecto r x eigenespacio correspondiente al eigen valor A = 3.
~ ~
diferente de cero y un numero real A ta! que Ax = Ax,
ento nces si A2 = 0, A debe ser 0.
67. A - [ ~ ~] 68. A - [~
(i) Ya que A2 = A · A, puede escribir A2x como
A(A(x)).
I I
(ii) Use e l hecho de que Ax = Ax y las propiedades
de la multiplicacion de matr ices para concluir que
A2x = A2x.
3
0 !] 0
3
(iii) Ya que A 2 es la matriz nula, usted puede concl uir

71. Calculo Sea T: C'[O, l] ➔ C[O, l] definida por T(j) = f' .
que A debe ser cero.
De muestre que A = I es un eigenvalor de T con su
61. Prueba Demuestre que la multiplicidad de un eigen- correspondiente eigenvector
valo r es mayor que o igual a la dimension de su eigenes- f(x) = e-•.
pacio.
72. Calculo Para la transfonnaci6n lineal dada en el ejer-
I> 62. 00 [g_~&'u'~ _Una matriz A den X n tiene la
ecuac1on caracten st1ca
cic io 7 1, determine el eigenvalor correspondiente al
eigenvector de f(x) = e-2x_
73. Sea T: P 2 ➔ P 2 definida por
IAI - Aj = (A + 2)(A - I)(A - 3)2 = 0.
(a) i,Cuales son los eigenvalores de A? T(a0 + a 1x + a 2x 2) = (-3a 1 + 5a 2 ) +
(b) i,Cual es el orden de A? Expliq ue. (- 4a0 + 4a 1 - l0a 2 )x + 4a 2x 2 .
(c) i, ES A/ - A s ingular? Explique . Determine los eigenvalores y los eigenvectores de T con
(d) i,ES A singular? Explique (pista: use el resul tad o respecto a la base estandar { L, x, x 2 }.
de l Ejercicio 54). 74. Sea T: P 2 ➔ P 2 definida por
T(a0 + a 1x + a 2x 2 ) = (2a 0 + a 1 - a2) +
63. Si los eigenvalores de
(- a 1 + 2ai)x - Or.
A=[~ !] Determine los e igenvalores y los eigenvectores de T con
respecto a la base estandar { 1, x, x 2 }.
son A1 = 0 y A2 = I i,Cuales son los posibles valores de
75. Sea T: M2.2 ➔ M2 _2 definida por
a yd?
64. Demuestre que b]) = [-
d
a -
2a
c + d
+ 2c - 2d
b +
2b+2d .
d]
A = [- ~ ~] Determine los e igenvalores y los eigenvectores de T con
respecto a la base estandar
no tiene eigenvalores.
lVerdadero o falso? E n los ejercicios 65 y 66, determine B = {[~ ~], [~ ~], [~ ~], [ ~ ~]}.
cual de las expresiones es verdadera o falsa. Si la expresion
es verdadera, proporcio ne una razon o cite una expresion 76. Encuentre todos los va lores del ang ulo 8 para los q ue la
adecuada del texto. Si la expresion es falsa, proporcione un matriz
ej emplo que muestre que la expresion no es cierta en todos A = [Cos 8 -Sen 8]
los casos o c ite del texto una expres ion adecuada. Se n0 Cos0
65. (a) El escalar ,\ es un eigenvalor de una matri z A de tiene e igenvalores reales. interprete geometricamente su
n X n si existe un vector x tal que Ax = Ax. respuesta.
(b) Para encontrar los eigenvalores de una matriz A de 77. i,Cuales son los posibles eigenvalores de una matriz
n X n, resue lva la ecuaci6n caracterfstica idempotente? (Recuerde que una matri z cuadrada A es
det(A/ - A) = 0 . idempotente cuando A 2 = A).
66. (a) Geometricamente, si A es un e igenvalor de la matriz 78. i,Cuales son los posibles eigenvalores de una matriz
A y x es un eigenvector de A correspondiente a A, nilpotente? (Recuerde que una matriz cuadrada A es nil-
entonces multiplicar x por A genera un vector Ax potente si existe un entero positivo k ta! que Ak = 0).
paralelo a x. 79. Prueba Sea A una matriz de n x n tal que la suma de
(b) Si A es una matri z de n X n con un eigenvalor A, los e le mentos de cada re nglon es una constante fij a r.
entonces el conj unto de todos los eigenvectores de A Demuestre que res un eigenvalor de A . llustre este resul-
es un subespacio de R". tado con un ejemplo especffico.
7.2 Diagonalizaci6n 353
7 .2 Diagonalizaci6n
Encontrar las eigenvalores de m atrices similares, determinar si una
■ matriz A es diagonalizable y encontrar una matriz P tal que fr 1AP sea

diagonal.
Encontrar, para una transformaci6n lineal T: V ➔ V, una base B para
■ Vtal que la m atri z para Tres pecto a B sea diagonal.
EL PROBLEMA DE LA DIAGONALIZACION
En la secci6n anterior se analiz6 el problema de! eigenvalor. En esta secci6n abordaremos
otro problema clasico del algebra lineal, llamado problema de diagonalizaci6n. En ter-
minos de matrices*, el problema es este: para una matriz cuadrada A , lexiste una matriz
invertible P tal que P- 1AP sea diagonal?
Recuerde de la secci6n 6.4 que dos matrices cuadradas A y B son semejantes si existe
una matriz invertible P ta! que B = p- 'A P.
Las matrices semejantes a las matrices diagonales se Haman diagonalizables.
Definici6n de matriz diagonalizable

Una matriz den X n es diagonalizable si A es semejante a una matriz diagonal. Es
decir, A es diagonalizable si existe una matriz invertible P ta! que P- 1AP es una
matriz diagonal.
Dada esta definici6n, el problema de diagonalizaci6n puede plantearse como sigue.

l Que matrices cuadradas son diagonalizables? Resulta evidente que toda matriz Des dia-
gonalizable, ya que la matriz identidad 1 puede funcionar como P para obtener D = r' Di.
El ejemplo I muestra otro caso de una matriz diagonalizable.
j EJEMPLO 1 Una matriz diagonalizable
La matriz del ejemplo 5 de la secci6n 6.4

3
A-[~ I
0
es diagonalizable, ya que
-~l
P-[i
tiene la propiedad
- I
0 ~]
P-'AP ~ [~
0
-2
0 -2
~l
Como se indic6 en el ejemplo 8 de la secci6n anterior, el problema del eigenvalor esta
estrechamente relacio nado con el problema de diagonalizaci6n. Los dos teoremas siguien-
tes ilustran mas esta relaci6n. El primer teorema establece que matrices semejantes deben
tener los mismos eigenvalores.
*Al final de esta secci6n se considera el problema de la diagonalizaci6n expresado en tenninos de trausfonna-
ciones lineales.
354 Capitu lo 7 Eigenva lores y eigenvectores
TEOREMA 7.4 Matrices semejantes tienen

los mismos eigenvalores
Si A y B son matrices semejantes de 11 X 11, entonces tienen los mismos eigenvalores.
DEMOSTRACION
Dado queA y B son semejantes, entonces existe una matriz invertible P tal que B = P- 1AP.
En virtud de las propiedades de los determ inantes, se concluye que
IA! - Bl = IA! - p - lAPI
= 1p-1Afp - p-lAPI
= IP- 1(Al - A )PI
= IP- 1IIA1 -A IIPI
= IP- 1PI IAJ - Al
= IA/ - Al.
COMENTARIO Pero esto significa que A y B tienen el mismo polinomio caracterfstico. Por tanto, deben
Este ejemplo establece que las tener los mismos eigenvalores.
matrices A y D son semejantes.
lntente comprobar que
D = P-1 AP usando las matrices Determinaci6n de los eigenvalores
' EJEMPLO 2
de matrices semejantes
0
Las matrices A y D son semejantes
~
0 0
y A= [ - 1 2
-~l-
-) -2 0
p -, = [- ~
o
~
- 1 1
Use el teorema 7.4 para hallar los eigenvalores de A.
SOLUCION
De hecho, las columnas de P
Como Des una matriz diagonal, entonces s us eigenvalores son simplemente los elementos
son precisamente los eigenvec-
tores de A correspondientes a que estan en su diagonal principal; es decir, A1 = 1, A2 = 2, A3 = 3. Ademas, dado que A
los eigenvalores 1, 2 y 3. es semejante a D , por el teorema 7.4 se sabe que tiene los mismos eigenvalores. Puede
verificar esto al demostrar que el polinomio caracterfstico de A es IA/ - Al = (,\ - l )(,\ - 2)
(,\ - 3).
Las dos matrices diagonalizables dadas en los ejemplos I y 2 proporcionan una pista
para resolver el problema de la diagonalizaci6n. Ambas matrices poseen un conjunto de
tres eigenvectores linealme nte independientes. (Vease el ejemplo 3.) Esto es caracterfstico
de las matrices diagonalizables, como se establece en el teorema 7.5.
TEOREMA 7.5 Condici6n para la diagonalizaci6n

Una matriz A de 11 X 11 es diagonalizable si y s6lo si tiene 11 eigenvectores Iineal-
mente independientes.
DEMOSTRACION
Prirnero, asuma que A es diagonalizable. Entonces existe una matriz invertible P tal que
P - 1AP = D es diagonal. Al hacer que los vectores columna de P sean p 1, p2 , . . . , p,, y
que los e lementos en la diagonal principal de D sean A1, A2, •.• , ,\11, se obtiene
0 0
PD = [ p l
P, p"] [''r A2
0
0
,\II
= [ A1P1 A2P2 · · · A"p"].
Como P- 1AP = D , AP = PD, lo cual implica

[Ap 1 Ap 2 • · · Ap,,] = [A 1p 1 A2 p 2 • · · A,,p,J
En otras palabras, Ap; = A;p; para todo vector columna p;. Lo anterior significa que los
vectores columna P; de P son eigenvectores de A. Ademas, dado que P es invertible,
sus vectores columna son linealmente independientes. En el otro sentido, suponga que A
tiene n eigenvectores linealmente independientes.
En el otro sentido, suponga que A tiene n eigenvectores linealmente independientes
p 1, p2, . . . , p,, con eigenvectores correspondientes A1, A2, ••• , Aw Sea P la matri z cuyas
columnas son esos n eigenvectores. Es decir, P = [p 1 p2 · · · p,,]. Como todo P; es un
eigenvector de A, entonces se tiene Ap; = A;p; y
AP = A[p I p2 · · · p,,] = [A1p I A2p 2 · · · A,,p,,].
La matriz de! !ado derecho de esta ecuaci6n puede escribirse como el siguiente producto
matricial.
0 0
AP = [p 1 P, . ..
rA, A2
p,.] :
0
= PD
0 A,,
Por ultimo, dado que los vectores Pi, p2 , . .. , p,, son linealmente independientes, entonces
P es invertible y se puede escribir la ecuaci6n A P = PD como P- 1AP = D, lo cual significa
que A es diagonalizable.
Un resultado importante de la demostraci6n anterior es que para las matrices diago-

nalizables, las columnas de P constan de Los n eigenvectores linealmente independientes.
El ejemplo 3 verifica esta importante propiedad para las matrices de los ejemplos I y 2.
EJEMPLO 3 Matrices diagonalizables
a. La matriz A de! ejemplo l tiene los siguientes eigenvalores y correspondientes eigen-

vectores.
La matriz P cuyas columnas corresponden a estos eigenvectores es

l
-1
0
Ade mas, como P es equivalente por renglones a la matriz identidad, los eigenvectores
Pi, p2 y p 3 son Linealmente independientes.
b. La matriz A de! ejemplo 2 tiene los siguientes eigenvalores y correspondientes eigen-
vectores.
La matriz P cuyas columnas corresponden a estos eigenvectores es

0
p = [:
n
Otra vez, como P es equivalente por renglones a la matriz identidad, los eigenvectores
p 1, P2 y p3 son linealmente independientes.
La segunda parte de la demostraci6n del teorema 7.5 y el ejemplo 3 sugieren los pasos
siguientes para di agonalizar una matriz.
Pasos para diagonalizar una matriz cuadrada de n x n

1. Determine n eigenvectores linealmente independientes pi, p2, . . . , p,, de A (si es
posible) con eigenvalores correspondientes A1, A2, •.• , A,,. Si no existen n eigen-
vectores linealmente independientes, ento nces A no es diago nali zable.
2. Sea P la matriz den x n, cuyas columnas son tales eigenvectores. Es decir, P =
[p , P2 · · · p,,].
3. La matriz diagonal D = P- 1A P tendra los eigenvalo res A1, A2, .•• , A,, en su
diagonal principal (y ceros en el resto). Observe que el orden de los eigenvec-
tores usados para formar P determina el o rden en que aparecen los e igenvalo-
res en la diagonal principal de D.
EJEMPLO 4 Una matriz no diagonalizable
Demuestre que la matriz A es diagonalizable
A= [ : -~
- 3
-:i
-I
Y luego determine una matriz P tal que P -'AP sea diagonal.

SOLUCION
El polinomio caracterfstico de A es jAI -Al = (A - 2) (A + 2) (A - 3). (Verifique esto.) Por
tanto, los eigenvalores de A son A1 = 2, A2 = - 2 y A3 = 3. A partir de estos eigenvalores
se obtienen las siguientes formas escalonadas reducidas por renglones y sus correspon-
dientes eigenvectores.
Eigenvector
2/ - A ~[-: -il ~] nl
- I
- I [~
0
I
0
-! -:l [ -ii Hl
l 0
-21 -A=
[-3 -5 1
- 1 -1 0
~ H -il [~ -ll [-:i

1 0
31 -A 0 1
- 1 0
Forme la matriz P, cuyas columnas son los eigenvectores recien obtenidos.
P~[-~-i -:i
Esta matriz es no singular (revise esto), lo cual implica que los eigenvecto res son lineal-
mente independientes y A es diagonalizable. Entonces, se sigue que
0
- 2
0
j EJEMPLO 5 Diagonalizaci6n de una matriz
Demuestre que la siguiente matriz A es diagonalizable.

0 0 0
I 5 - 10
A-[~ 0
0
2
0
0
3
Luego, determine una matriz P ta) que P- 1AP sea diagonal.
SOLUCION
En el ejemplo 6 de la secci6 n 7.1 encontr6 que los tres eigenvalores ,\ 1 = I, A2 = 2 y ,\ 3
= 3 de A producen los eigenvectores.
La matriz cuyas columnas constan de estos e igenvectores es
-2 0
0 5
2 I
0
Dado que P es invertible (compruebelo), sus vecto res columna constituyen un conjunto
linealmente independiente. Por tanto, A es diagonalizable, y se tiene
0 0
I
0
0
0
2
0
~1
o·
3
EJEMPLO 6 Una matriz no diagonalizable
Demuestre que la siguiente matriz no es diagonalizable.
A=[~ ~]
SOLUCION
Como A es triangular, ento nces los eigenvalores son simplemente los elementos de la
diagonal principal. Asf, el unico eigenvalor es ,\ = I. La matriz (/ - A) tiene la sig uiente
forma escalo nada reducida por renglones.
Esto implica que x2 = 0, y al hacer x 1 = t se encuentra que todo eigenvector de A es de la

forma
Por tanto, A no contiene dos eigenvectores linealmente independientes y, entonces, se

concluye que A no es diagonalizable.
COM ENTARIO Para que una matriz cuadrada A de orden n sea diagonalizable, la suma de las dimen-
La condici6n establecida en el siones de los eigenespacios debe ser igual an. Una forma en que puede suceder lo anterior
teorema 7.6 es suficiente pero no es si A tiene n eigenvalores distintos. Asf, tenernos el siguiente teorema.
necesa ria para la diagonalizaci6n,
como se demostr6 en el ejemplo
5. En otras palabras, una matriz TEOREMA 7.6 Condici6n suficiente para la diagonalizaci6n
diagonalizable no requiere tener
eigenvalores distintos. Si una matriz A den X n tiene n eigenvalores distintos, entonces los correspondien-
......___ _()> tes e igenvectores son linealmente independientes y A es diagonalizable .
DEMOSTRACION
Sean A1, A2, ..• , A,, n eigenvaJores distintos de A correspondientes a los eigenvectores x 1,
x2 ,.. . , xw Para empezar, suponga que e l conjunto de eigenvectores es linealmente depen-
diente. Ademas, considere que los eigenvectores estan ordenados de modo que los m pri-
meros son linealmente independientes y los m + I primeros son linealmente dependientes,
donde m < n. Asf, x,,, + 1 se puede expresar como una combinaci6n lineal de los m prime-
ros eigenvectores:
Ecuaci6n I
donde no todos lo c; son cero. Al multiplicar ambos )ados de la ecuaci6n I por A se obtiene
Debido a que Ax; = A;x;, i = l , 2, ... , m + I se tiene

Ecuaci6n 2
En tanto que al multiplicar la ecuaci6n I por A111 + 1 se obtiene

Ecuaci6n 3
Luego, al restar la ecuaci6n 2 de la ecuaci6n 3 se obtiene
y al aplicar el hecho de que los primeros m eigenvectores son linealmente independientes,

puede concluir que todos los coeficientes de esta ecuaci6n deber ser cero. Es decir,
Como todos los eigenvalores son distintos, concluimos que c; = 0, i = 1, 2, ... , m. Pero
este res ultado contradice la hip6tesis de que x111 + 1 puede escribirse como una combinac i6n
lineal de los m primeros eigenvectores. Por tanto, el conjunto de eigenvectores es lineal-
mente independiente y por el teorema 7.5 se concluye que A es diagonalizable.
EJEMPLO 7 Determinaci6n de si una matriz es diagonalizable
Determine si la siguiente matriz A es diagonalizable.
A = [~ -~
0 0 -3
:1
SOLUCION
como A es una matriz triangular, entonces sus eigenvalores son los elementos que estan en
su diagonal principal,
Ademas debido a que estos tres valores son distintos, por el teorema 7.6 se concluye ~
A es diagonalizable. •
DIAGONALIZACION Y TRANSFORMACIONES LINEALES

Hasta el momento, en esta secci6n el problema de diagonalizaci6n se ha considerado en
terminos de matrices. En terminos de transformaciones lineales, el problema de diagona-
Iizaci6n puede plantearse como sigue. Para una transformaci6n lineal
T: V➔ V
lexiste una base B de V tal que la matri z de T con respecto a B sea diagonal? La respuesta
es "sf", siempre que la matriz estandar de T sea diagonalizable.
EJEMPLO 8 Determinacion de una base
Sea T: R 3 ➔ R 3 la transformaci6n lineal definida por

T (x 1, X 2,X3) = (x i - Xz - X3,X 1 + 3xz + X3, -3x 1 + X 2 - X3),
En caso de ser posible, ha Ile una base B para R 3 tal que la matriz de T con respecto a B sea
diagonal.
SOLUCION
La matriz estandar de Testa dada por
A=[ I -~
- 3
-:i
- I
Del ejemplo 4 usted sabe que A es diagonalizable. Asf, para formar la base B pueden usarse
los tres eigenvectores linealrnente independientes detenninados en el ejemplo 4. Es decir,
B = {(-1 , 0, 1), (1, -1,4), (-1 , 1, l )}.
La matriz para T respecto a estas bases es
0
- 2
0
ALGEBRA La genetica es la ciencia de la herencia. Una mezcla de quimica y biolo-

gia, la genetica intenta explicar la evoluci6n hereditaria y el movimiento
LINEAL de los genes entre generaciones con base en el acido desoxirribonu-
APLICADA cleico (AON ) de una especie. La investigaci6n en el area de la genetica
llamada genetica de poblaci6n, enfocada en las estructuras geneticas de
poblaciones especificas, es especialmente popular en la actualidad. Tai
investigaci6n ha conducido a un mejor entendimiento de los tipos de
herencia genetica. Por ejemplo, en los humanos, un tipo de herencia
genetica se denomina herencia ligada al cromosoma X (o herencia
ligada al sexo), que se refiere a los genes recesivos en el cromosoma X.
Los machos tienen un cromosoma Xy uno Y; las hembras tienen dos
cromosomas X. Si un m acho tiene un gen defectuoso en el cromosoma
X, entonces su rasgo correspondiente se expresara porque no hay un
gen normal en el cromosoma Yque reprima su actividad. Con las hem-
bras, el rasgo no se expresara a menos de que este presente en ambos
cromosomas X, lo cual es raro. Por ello las enfermedades o condiciones
heredadas usualmente suceden en los machos; de ahi el termino heren-
cia ligada al sexo. Algunas de estas incluyen hemofilia A, distrofia mus-
cular de Ouchenne, daltonismo rojo-verde y calvicie hereditaria. Los
eigenvalores y diagonalizaci6n matricial pueden ser utiles para elaborar
modelos matematicos para descri bir la herencia ligada al cromosoma X
en una poblaci6n dada.
marema/www shunerstockoom
360 Capitulo 7 Eigenva lores y eigenvectores
Matrices diagonalizables y eigenvalores E n los ejerci- Mostrar que una matriz no es diagonalizable En los
cios I a 6, (a) compruebe que A es diagonalizable al calcular ejercicios 15 a 22, demuestre que la matriz dada no es diago-
p - 1AP y (b) use el resultado del inciso (a) y el Teorema 7.4 nalizable.
para encontrar los eigenvalores de A.
I. A= 15.
[~ ~] 16. I !]
2
-1 1
[ -3
36]
10
, P=
[ -3
-1 =~] [ -2 - I
=[ ~]
17.
[~ :J
18. [ I
~]
~i
2. A I -2
-1
~]
-2
- 2
3• A= [ I ~], p = [ ~ - ~] 19.
[i I 20.
[
~ - I -
0 0 0 -1
=~l
nj n
4. A = [; P = [ : ~] 1 0 - 1 l
0 1 0 l
(:) 21. -2 0 2 -2
s. A - p - [; 0 2 0 2
(Vease el ejercicio 37, secci6n 7. l.)
0.80 0. 10 0.05 0.05
-3 3 3
0. 10 0.80 0.05 0.05
6 - I 4 -3 -3
· A = 0.05 0.05 0.80 0.10 ' e 22.
[ -2 0 I I
0.05 0.05 0.10 0.80
0 0 0
-I O I
- I O - I (Vease el ejerc icio 38, secci6n 7.1.)
P=
0 Determinar una condici6n suficiente para la diagonali-
- 1 0 zaci6n En los ejercicios 23 a 26, encuentre los eigenvalo-
res de la matriz y determine s i hay un numero s uficiente para
Diagonalizaci6n de una matriz En los ejercicios 7 a 14
garantizar que la matriz es diagonalizable. (recuerde que la
para cada matriz A, determine (en caso de ser posible) una
matriz puede ser diagonal izable aun c ua ndo no este garanti-
matriz P no singular tal que p - 1AP sea diagonal. Compruebe
zada por el teorema 7.6.)
que p- 1AP es una matri z diagonal con los e igenvalores e n la
diagonal principal.
6
-!]
23.
!] 24. [ 25
1. A= [
-2 8. A=[~ -I
25.
-2
4 26.
(Vease el ejercicio 17, (Vease el ejercic io 19, 2
secci6n 7. 1.) secci6n 7.1.)
Determinaci6n de una base En los ejercicios 27 a 30,
9. A - [~ : ; 10. A - [~ ~ e ncuentre una base B para el dominio de T tal que la matriz

de T con respeclo a B sea diagonal.
27. T: R 2 ➔ R 2 : T(x, y) = (x + y,x + y)
(Vease el ejercicio 2 1, (Vease el ejercicio 22,
secci6n 7. 1.) secci6n 7 .1.) 28. T:R 3 ➔ R 3: T(x,y,z) = (- 2x+2y - 3z,2x+y - 6z,
11. A=[-~
-6
2
5 -2
6 -3
-2] 12. A = [-! -! -!]
- 1 -2 5
29. T: P1 ➔ P1 : T(a
30. T: P2 ➔ P2 :
-x - 2y)
+ bx) =a+ (a+ 2b)x
(Vease el ejercicio 23, (Vease el ejercic io 24, T(c + bx+ ax2 ) = (2c + a) + (3b + 4a)x + ax 2
secci6n 7. 1.) secci6n 7 .1.)
31. Prueba Sean A una matriz diagonalizable de n X n y
~ ~
P una matriz invert ible de n X n tales que B = P - 1AP
13. A - [: sea la forma diagonal de A. Demuestre que (b) Ak =
14.A -[~ 1
PBkP- , donde k es un entero positivo.
7.2 Ejercicios 361
32. Sean Ai, A2, ... , A,, n eigenvalores distintos de la matriz 41. Escriba i,Puede una matriz ser semejante a dos matri-
A de n X n. Aplique e l resultado del ejercicio 31 para ces diagonales distintas? Explique su respuesta.
detenninar los eigenvalores de A k_ 42. Prueba Demuestre que si A es diagonal izable, enton-
ces AT tambien lo es.
Determinaci6n de una potencia de una matriz En los
ejercicios 33 a 36, use el resultado del ejercicio 3 l para hallar 43. Prueba Demuestre que si A es diagonalizable con
la potencia indicada de Ak. n eigenvalores reales Ai, A2, ..• , A,,, entonces !Al = A1A2
. . . A,,.
33.A =[IO l8],A6 34. A = [~ 3]0 ,A
- 6 - II
7
44. Prueba Demuestre que la matriz
35. A=[-!
-l
-!
-2
-:i,A
5
8
es diagonalizable si -4bc < (a - d)2 y no diagonalizable

si - 4bc > (a - d)2.
36.A - [~ ~ ]A' 45. Demostraci6n guiada Demuestre que si los eigenva-

lores de una matriz diagonalizable A son todos :±: I,
entonces la matriz es igual a su inversa.
Jnicio: para demostrar que la matriz A es igual a su
tVerdadero o falso? En los ejercicios 37 y 38, determine
inversa, use el hecho de que existe una matriz invertible
P ta] que D = P- 1AP, donde Des la matriz diagonal con
es verdadera, proporcione una raz6n o cite una expresi6 n
:±: I a lo largo de su diagonal principal.
ejemplo que muestre que la expresi6n no es cierta en todos (i) Sea D = p- 'AP, donde D es una matriz diagonal
los casos o cite del texto una expresi6n adecuada. con :±: 1 a lo largo de su diagonal principal.
37. (a) Si A y B son matrices semejantes de 11 X 11, entonces (ii) Encuentre A en tenninos de P, p - l y D.
siempre tienen el mismo polinornio caracterfstico. (iii) Aplique las propiedades de la inversa de un pro-
(b) El hecho de que una matriz A den X n tenga n dis- ducto de matrices y e l hecho de que D es diagonal
tintos e igenvalores no garantiza que A sea diagona- y se expande para hallar A- 1•
lizable. (iv) Concluya que A- 1 = A.
38. (a) Si A es una matriz diagonalizable, ento nces tiene n 46. Demostraci6n guiada Demuestre que las matrices
eigenvectores linealmente independientes. nilpotentes difere ntes de cero no son diagonaJizables.
(b) Si una matriz A den X n es diagonalizable, entonces lnicio: de! ejercicio 78 en la secci6n 7. I, usted sabe que
debe tener n eigenvalores distintos. 0 es el unico eigenvalo r de la matriz nilpotente A.
Demuestre que es imposible para A ser diagonalizable.
39. i,Son semejantes las dos matrices siguientes? En caso
afirmativo, determine una matriz P tal que B = P - 1AP. (i) Suponga que A es diagonalizable, asf que existe una
matriz invertible P tal que P - 1A P = D, donde D es
0 0 la matriz cero.
2 2 (ii) Encuentre A en terminos de P, P - 1 y D.
0 0
(iii) Encuentre una contradicci6n y conc luya que las
40. Calculo Si x es un numero real, entonces e< puede matrices nilpotentes diferentes de cero no son dia-
definirse mediante la serie gonalizables.
x 2 x 3 x4 47. Prueba Demuestre que si A es una matriz diagonaliza-
ex= l +x+ - + - + - +·
2! 3! 4! ble no singular, entonces A- 1 tambien es diagonalizable.
De manera semejante, si X es una matriz cuadrada,

entonces ex puede definirse mediante la serie
[» 48. l:filrnuYAJ~iJrn Explique c6mo determinar si
una matriz A de n X 11 es diagonalizable usando (a)
I I I matrices similares, (b) eigenvectores y (c) eigenva-
eX =f +X +- X2 +- X 3 +- X4 +·
2! 3! 4! lores distintos.
EvaJue eX, donde X es la siguiente matriz cuadrada.
Demuestre que la matriz no es diagonalizable. En los
= [~ ejercicios 49 y 50, escriba un enunciado breve explicando su
(a) X (b) X = [: ~]
razonamiento
(c) X = [~ (d) X = [20 -2OJ 49. [~ 50. [

0
k
7 .3 Matrices simetricas y diagonalizaci6n ortogonal
■ Reconocer matrices simetricas y aplicar sus propiedades.
■ Reconocer matrices ortogonales y aplicar sus propiedades.
Encontrar una matriz ortogonal P que diagonal ice ortogonalmente

■ una matriz simetrica A.
MATRICES SIMETRICAS
Para casi todas las matrices, es posible avanzar bastante e n e l procedimiento de diagona-
lizaci6n antes de poder decidir finalmente si la diagonalizaci6n es factible. Una excepci6n
es una matriz triangular con elementos diferentes en la diagonal principal. Esta matriz
puede identificarse como diagonalizable por simple inspecci6n. En esta secci6n se estu-
diani otro tipo de matriz que se garantiza es diagonalizable: una matriz simetrica.
@rn~@(!!Jo
Definici6n de matriz simetrica
00 00 Dl1YAl Drn lR!l TI'@
Una matriz cuadrada A es simetrica si es igual a s u transpuesta: A = A 7.
'uc Seleccione una
matriz cuadrada
arbitraria y calcule
sus e ige nvalo res. EJEMPLO 1 Matrices simetricas y matrices no simetricas
~□ LPuede determinar Las matrices A y B son simetricas, pero la matriz c no lo es.

una matriz para la
que los eigenvalo-
res no sean reales?
€3□ Ahora seleccione

A= [
-2
~ 0~ -~i
5
-4
2
una matriz sime- Las matrices no simetricas tienen alg unas propiedades especiales que en general no
trica arbitraria y poseen las matrices simetricas.
calcule sus eigen-
1. Una matriz no simetrica puede no ser diagonalizable.
valores.
2 . Una matriz no simetrica puede tener eigenvalores que no sean reales. Por ejemplo, la
l'J□ LPuede determinar matriz
una matriz sime-
trica para la que los
eigenvalores no
sean reales? tiene como ecuaci6n caracterfstica ,\2 + I = 0. Por tanto, sus eigenvalores son los
~ LOue puede con-

numeros imaginaries ,\ 1 = i y ,\ 2 = - i.
cluir acerca de los 3. Para una matriz no simetrica, el numero de eigenvectores linealmente independientes
eigenvalores de correspondientes a un eigenvalor puede ser menor que la multiplicidad del eigenvalor
una matriz sime- (vease el ejemplo 6, secci6n 7.2).
trica?
Las matrices simetricas no exhiben estas tres propiedades.
TEOREMA 7.7 Eigenvalores de las matrices simetricas

COM ENTARIO Si A es una matriz simetrica den X n, entonces las siguientes propiedades son ver-
El teorema 7.7 se denomina daderas.
teorema espectral real y el con- l. A es diagonalizable.
junto de eigenvalores de A se
2. Todos los eigenvalores de A son reales.
denomina espectro de A.
3. Si ,\ es un eigenvalor de A con multiplicidad k, entonces ,\ tiene k eigenvectores
linealmente independientes. Es decir, el eigenespacio de ,\ es de dimension k.
7.3 Matrices simetricas y diagonalizaci6n ortogona l 363
Una demostracion general de! teorema 7.7 rebasa los lfmiles de este libro. Sin
embargo, el siguiente ejemplo comprueba que toda matriz simetrica de 2 X 2 es diagona-
1izable.
Los eigenvalores y los eigenvectores

EJEMPLO 2
de una matriz simetrica de 2 x 2
Demuestre que la matriz simetrica
es diagonal izable.
SOLUCION
IM - Al = IA - a
-c
-c1
A- b
= A2 - (a + b)A + ab - c 2 .
Como es cuadratico en A, este polinomio tiene por discriminante

(a + b)2 - 4(ab - c 2 ) = a 2 + 2ab + b 2 - 4ab + 4c2
= a 2 - 2ab + b 2 + 4c2
= (a - b)2 + 4c2 .
Dado que este discriminante es la suma de dos cuadrados, deber ser cero o positivo. Si
(a - b)2 + 4c 2 = 0, entonces a = by c = 0, lo cual implica que A ya es diagonal. Es decir
Por otra parte, si (a - b)2 + 4c2 > 0, entonces por la formula cuadratica el polinomio
caracterfstico de A tiene dos rafces reales distintas, lo cual implica que A tiene dos eigen-
valores distintos. Por tanto, A es diagonalizable tambien en este caso.
Dimensiones de los eigenespacios

EJEMPLO 3
de una matriz simetrica
Determine los eigenvalores de la matriz simetrica
-2 0
-~ I 0
A=
[ 0
0
0
0 -2
I
y determine las djmensiones de los eigenespacios correspondientes.

SOLUCION
El polinomio caracterfstico de A esta dado por
A- I 2 0 0
2 ,\-) 0 0
IAI - Al 0 0 A- I 2
= (A + l )2(A - 3)2•
0 0 2 A- l
Asf, los eigenvalores de A son A1 = - l y A2 = 3. Dado que cada uno de estos eigenvalo-
res tiene multiplicidad 2, por el teorema 7.7 se sabe que tambien los eigenespacios corres-
pondientes son de dimension 2. Especfficamente, la base del eigenespacio de A1 = - l es
B 1 = {( I, I, 0, 0), (0, 0, I, I)} y la base de! e igenespacio de A2 = 3 es B2 = {( I, - 1, 0, 0),
(0, 0, I , - 1)).
MATRICES ORTOGONALES
Para diagonalizar una matri z cuadrada A es necesario hallar una matriz invertible P ta) que
P- 1AP sea diagonal. Para matrices simetricas, la matriz P puede elegirse de modo que
tenga la propiedad especial de que P- 1 = pT_ Esta propiedad matricial poco comun se
define como sig ue.
Definici6n de una matriz ortogonal

Una matriz cuadrada P se denomina ortogonal si es invertjbJe y si
p -1 = p T_
EJEMPLO 4 Matrices ortogonales
a. La matnz P . lo =
- ) 0
1] es ortogonal porque P - 1 = P 1. = lo -I]o·
1
b. La matri z
['~
0
P -
1 -!]
3
0 5
es ortogonal ya que
-U ~I
0
p -• - P' I
0
En los incisos (a) y (b) del ejemplo 4 las columnas de las matrices P fo rman conjuntos
ortogonales en R 2 y R3 , respecti vamente. Esto sugiere el siguiente teorema.
TEOREMA 7.8 Propiedad de las matrices ortogonales

Una matriz Pde n X n es ortogonal si y solo si sus vectores columna (y sus vectores
rengl6n) fonnan un conjunto ortonormal.
DEMOSTRACION
La demostraci6n para los renglones es analoga. Suponga que los vectores columna de P
fonnan un conjunto ortononnal:
p = [p,
P11
P21
P,,,
P2 · .. p,,]
P12
P22
P112
l
P,,,
P211
P,!,,.
Entonces el producto pTp es de la fo rma
P 1 · P1 P1 . P2 P, . P,,l
P2 · P 1 P2 . P2 P2 · P,,
p Tp =
P,, . P, P,, . P2 P,,: P,, .

7.3 Matrices simetricas y diagonalizaci6n ortogonal 365
Dado que el conjunto

{p ,, P2, · · · , P,,}
es ortonormal, se tiene
P; . PJ= 0, i * j y P; . P; = IIP;ll2 = 1.
Por tanto, la matriz compuesta de productos punto es de la forma
0
Lo anterior implica que pT = P - 1 y se concluye que P es ortogonal.

Por el contrario, si P es ortogonal usted puede retroceder los pasos anteriores para
verificar que los vectores columna de P forman un conjunto ortonormal.
--------
EJEMPLO 5 Una matriz ortogonal
Demuestre que
-
1 2
-
2
-
3 3 3
2 I
P= 0
.j5 .j5
2 4 5
3.Js 3.Js 3✓5
es o rtogonal al probar que ppT = I. Luego, demuestre que los vecto res columna de P
constituyen un conjunto ortonormal.
SOLUCION
Como
I 2 2 2 2
- - - -I - Js
3 3 3 3 - 3✓5
ppT = 2 1 2 I 4
- .j5 0 - = 13
.j5 3 .j5 - 3.J5
2 4 5 2
-
5
- 3✓5 -3✓5
0
3✓5 3 3✓5
se concluye que pT = p- 1, por lo que P es ortogonal. Ademas, al hacer

I 2
- - 2
3 3 3
2 I
p, = - .j5 , P2 = y p3 = 0
.j5 '
5
2 4
3✓ 5
3.Js 3.Js
se obtiene
Por consiguiente, {p 1, p2, p3 ) es un conjunto ortonormal, como lo garantiza el teorema

7.8.
Es posible demostrar que para una matriz sirnetrica los eigenvectores correspondien-
tes a distintos eigenvalores son ortogonales. Esta propiedad se establece en el siguiente
teorema.
TEOREMA 7.9 Propiedad de las matrices simetricas

Sea A una matriz simetrica de n X n. Si A1 y A2, son eigenvalores distintos de A
entonces sus eigenvectores con-espondientes x 1 y x 2 son ortogonales.
DEMOSTRACION
Sean A1 y A2 eigenvalores distintos de A con eigenvectores correspondientes x 1 y x2 . Asf,
Ax 1 = A1x1 y Ax2 = A2x2 . Para demostrar el teorema, es util empezar con la siguiente forma
matricial de! producto punto x 1 • x2 = xf · x2 (Yease la Secci6n 5.1.) Ahora puede escribir
Ah1 · X2) = (A1x1) • Xz
= (Ax 1) • x2
= (Axi}Tx2
= (x(AT) x2
= (x(A)x2 Como A es simetrica A = A7
= x ((Ax2 )
= x ((A2x2 )
= X1 • (A2X2)
= Az{x 1 • x 2 ).
Esto irnplica que (,\ 1- A2)(x 1 • x2) = 0 y, como A1 =I= A2, se concluye que x 1 · x2 = 0. Por
consiguiente, x 1 y x2 son ortogonales.
' EJEMPLO 6 Eigenvectores de una matriz simetrica
Demuestre que dos eigenvectores cualesquiera de
correspondientes a eigenvaJores distintos son ortogonales.

SOLUCION
IM - AI= I
,\ - 3 -11 = (A - 2)(A - 4)
- J ,\ - 3
lo cual implica que los eigenvalores de A son ,\ 1 = 2 y ,\2 = 4. Todo eigenvector corres-
pondiente a A1 = 2 es de la forma
X1 = [ _;], S =/= 0
y lodo eigenvector correspondiente a A2 = 4 es de la forma
X2 = [;], / =/= 0.
por consiguiente
X1 ' X2 = SI - Sf= 0
y se concluye que x 1 y x 2 son ortogonales.
7.3 Matrices simetricas y d iagonalizaci6n ortogona l 367
DIAGONALIZACION ORTOGONAL
Una matriz es diagonalizable ortogonalmente si existe una matriz ortogonal P tat que
p - 1AP = D es di agonal. El siguiente teorema importante establece que el conjunto de
matrices diagonalizables ortogonaJmente es precisamente el conjunto de matrices simetri-
cas.
TEOREMA 7.10 Teorema fundamental de las matrices simetricas

Sea A una matriz den X n. Entonces A es ortogonalmente diagonalizable y tiene
eigenvalores reales si y s6lo si A es simetrica.
DEMOSTRACION
La demostraci6 n del teorema en una direcci6 n es bastante directa. Es decir, s i se supone
que A es ortogonalmente diagonalizable, entonces existe una matriz ortogonal P tal que
D = P- 1AP es d iagonal. Ademas, como P- 1 = Pr, se tiene
A = pop-I
= PDPT
lo cual implica que
AT= (PDP 7Y
= (p1)TDTpT
= PDP T
= A.
Por consig uiente, A es simetrica.
La demostraci6n del teorema en la otra direcci6n es mas complicada, pero es impor-
tante porque es constructiva. S uponga que A es simetrica. Si A tiene un eigenvalor A de
multiplicidad k, entonces por el teorema 7.7 l tiene k eigenvectores linealmente indepen-
dientes. Mediante el proceso de ortonormal izaci6 n de Gram-Schmidt, este conjunto de k
vectores puede usarse para formar una base ortonormal de eigenvectores del eigenespacio
correspondiente a A. Este procedimienlo se repite para cada eigenvalo r de A. La colecci6n
de todos los eigenvectores resultantes es ortogonaJ debido al teorema 7.9 y, por el proceso
de normalizaci6n, se sabe que la colecci6n tambien es ortonormal. Luego, sea P la matriz
cuyas columnas constan de estos n eigenvectores ortonormales. Por el teorema 7.8, P es
una matriz ortogonal. Finalmente, por el teorema 7.5, es posible concluir que P- 1AP
es diagonal. Asf, A es diagonalizable ortogonalmente.
Determinacion de si una matriz

EJEMPLO 7
es ortogonalmente diagonalizable
l Cual de las siguientes matrices es ortogonalmente diagonalizable?
:l ~]
I 2
A, - [: 0 A, - [ :
- I 8
I
A =
3
[3
2
2
0 ~] A =
4
[O
0 -~J
SOLUCION
Por el teorema 7. I0, las unicas matrices ortogonalmente di agonalizables son las s imetri-
cas: A 1 y A4 .
Mencionamos que la segunda parte de la demostraci6n del teorema 7.10 es construc-

tiva. Es decir, da los pasos a seguir para diagonalizar ortogonalmente una matriz simetrica.
Estos pasos se resumen a continuaci6n.
368 Capitulo 7 Eigenva lores y eigenvectores
Diagonalizaci6n ortogonal de una matriz simetrica

Sea A una matriz simetrica den X 11.
1. Determine todos los eigenvalores de A y la multiplicidad de cada uno.

2. Para cada e igenvalor de multiplicidad I, elija un eigenvector unitario. (Elija
cualquier eigenvector y despues normalfcelo.)
3. Para cada eigenvalor de multiplicidad k ::::: 2, encuentre un conjunto de k e igen-
vectores linealmente independientes. (Por el teorema 7.7 se sabe que esto es
posible). Si este conjunto no es ortonormal, aplique el proceso de ortonormali-
zaci6n de Gram-Schmidt.
4. La composici6n de los pasos 2 y 3 da un conjunto ortonormal de 11 eigen-
vectores. Use estos eigenvectores para formar las columnas de P. La matriz
P--- 1A P = PTAP = D sera diagonal. (Los e lementos en la diagonal principal de
D son los e igenvalores de A correspondientes a las columnas de P).
EJEMPLO 8 Diagonalizaci6n ortogonal
- 2
Determine una matriz P que diagonalice ortogonalmente a A =[
2
SOLUCION
1. El polinomio caracterfstico de A es
IAI - A I = IA + 2
- 2 A-I
-21 = (A + 3)(A - 2).
Por tanto, los e igenvalores son A1 = -3 y A2 = 2.
2. Para cada e igenvalor se encuentra un eigenvector al convertir la matriz ,V - A a la
forma escalonada reducida por renglones.
Eigenvector
-3/ - A= [-I-2 -2]

-4
..... [~ ~] ..... [-~]
2/ - A = [ - ~ -~J ..... [~ -~
i ..... [~]
Los eigenvectores (-2, I) y ( I, 2) constituyen una base ortogonal de R2 . Normalice
cada uno de estos vectores para obtener una base orto11ormal.
(-2, I ) ( 2 I )
Pi = 11(-2, 1)11 = - Js' Js
3. Debido a que Ia multiplicidad de cada eigenvalor es 1, se pasa directamente al paso 4.
4. Usando p 1 y p 2 como vectores columna, se construye la matriz P.
f]
Js
Compruebe que P diagonaliza ortogonalmente a A calculando P--- 1AP = PTAP.
pTAP = r- {5
Js
7.3 Matrices simetricas y diagonalizaci6n ortogona l 369
j EJEMPLO 9 Diagonalizaci6n ortogonal
Encuentra una matriz P que ortogonalmente diagonal ice
SOLUCION
1. El polinomio caracterfstico de A, IAi - Al = (,\ - 3)2(,\ + 6) produce los eigenvalores
A1 = --6 y A2 = 3. La multiplic idad de A1 es I y la multiplicidad de A2 es 2.
2. Un eigenvector para ,\ 1 es v 1 = (I, - 2, 2), que se normaliza a
3. Dos e igenvectores para ,\2 son v2 = (2, I, 0) y v3 = (- 2, 0, I). Observe que v 1 es

ortogonal a v 2 y v 3 , como se garantiza por el teorema 7.9. Los eigenvectores v 2 y v 3,
sin embargo, no son ortogonales entre sf. Para encontrar dos vectores caracterfslicos
ortonormales para ,\2 se aplica el proceso de ortonormalizaci6n de Gram-Schmidt como
se muestra a continuaci6n.
Estos vectores se normalizan para
4. La matriz P tiene como vectores columna a u 1, u2 y u3.

2 2
-I
3 ./5 3./5
2
- -
1 4
P=
3 ./5 3./5
2 5
- 0
3 3./5
[-6 0
Una verificaci6n muestra que p - 1AP = p TAP = ~ 3
0 H
ALGEBRA La matriz Hessiana es una matriz simetrica que puede ser util para
determinar maximos y minimos relativos de funciones de multiples
LINEAL variables. Para una funci6n f de dos variables x e y -es decir, una
APLICADA superficie en R3- la matriz Hessiana tiene la forma
fxx fxy]
[ f yx f yy •
El determinante de esta matriz, evaluado en un punto para el cual fx y

fy son cero, es la exp resi6n usada en el criterio de las segundas deri-
vadas parciales para extremos relativos.
Tacu Alexei/www shunerstock oom
Determinar si una matriz es simetrica En los ejercicios - I 0 0 0

I a 6, determine si la matriz dada es simetrica. - I I 0 0 0
~ 22. 0 0 I 0 0
0 0 0 -I
0 0 0 -I
Determinar si una matriz es ortogonal En los ejerci-

c ios 23 a 32, determine si la matriz dada es ortogonal. Si la
3 5 matriz es ortogonal, entonces demuestre que los vectores
0 -2 columna de la matriz forman un conjunto ortonormal.
5 0
0
Demostraci6n En los Ejercicios 7-10, demuestre que la

matriz simetrica es diagonalizable.
23. ; ; ] ~- [! -:1
2 2 1
0 a 4 3
3 3 3 0
a 0 5 5
2 l 2
0 a 25. 26. 0 0
3 3 3
3 4
0 a 1 2 2 0
a
0
10. A=[:
a
a
a
3 3 3
5 5
0
1
Determinaci6n de eigenvalores y dimensiones de
eigenespacios En los ejercicios 11 a 22, encuentre los
0
eigenvalores de la matriz simetrica dada. Para cada eigenva- _Jg J3
lor, determine la dimension del eigenespacio correspon- 6 3
dienle.
29. 0
A J3
~] Ji.
2
J6
3
6
_J3
3
3
0
2 fi_
0
./5
3 2
0
30. 0
2./5 0
2 5
0
- fi_ - ./5 I
2 6 5 2
l l 3fi
0 0 0
8 8
l 0 1 0 0
31.
0 0 0 0 0
3 0 3-fi 0 0
l
0 3 8 8
0 5 1
Tofio 0 0 - ~fio
1
2 - l 0 0 0
-1 2 0 0 0 0 0 I 0
32.
e 21. 0 0 2 0 0 0 0 0
0 0 0 2 0
2-Jto
0 0 0 0 2 10
0 0 I~ JTo
7.3 Ejercicios 371
Eigenvectores de una matriz simetrica En Los Ejerci- 2 0

cios 33-38, demuestre que dos eigenvectores cualesquiera de 4 0
la matriz simetrica correspondientes a eigenvalores distintos
son ortogonales.
33.
[~ ~] 34. [-I-2 -~J
51. A -[~ 0
0
I
4
2
0
~1
I 0
35.
[~
0
I
0 ~] 36.
[~
0
-3
0 ~] 52. A - [~ 0
0 ~1
37. H-I -!] fi
0 38.
[~
0
l
0
j] i_Verdadero o falso? En Los ejercicios 53 y 54, determine
Matrices ortogonalmente diagonalizables En los ejemplo que muestre que la expresi6n no es cierta en todos
Ejercicios 39-42, determine si la matriz es ortogonalmente los casos o cite del texto una expresi6n adecuada.
diagonalizable. 53. (a) Sea A una matriz de n x n. Entonces A es simetrica
si y solo si A es ortogonalmente diagonalizable.
39. [ 40 (b) Los eigenvectores correspondientes a distintos
eigenvalores son ortogonales para matrices simetri-
cas.
-~1
- I
0
54. (a) Una matriz cuadrada P es ortogonal si es invertible,
es decir, si p -I = pT_
(b) Si A es una matriz simetrica de n X n, entonces A
tiene eigenvalores reales.
Diagonalizaci6n ortogonal En los ejercicios 43 a 52,
encuentre una matJiz ortogonal P tal que PTAP diagonalice 55. Prueba Demuestre que si A y B son matrices ortogona-
A. Compruebe que PTAP da la forma diagonal correcta. les den X n, entonces AB y BA son ortogonales.
= [~
56. Prueba Demuestre que si una matriz simetrica A sola-
43. A ~] mente tiene un eigenvalor A, entonces A = ,\/_
57. Prueba Demuestre que si A es una matriz ortogonal,
44. A = [~ !] entonces AT y A- 1 tarnbien lo son.
~ 58. 00rn[K!'X)£"0'rn
45. A = [ ~ ~] A = [-~ !
Considere la siguiente matriz.
-~i
il
I
0 - 5 3 5
(a) l,A es simetrica? Explique.
l~l
l
10 (b) l,A es diagonalizable? Explique.
47.A =[I~ 5 (c) j,Los eigenvalores de A son reales? Explique.
10 0 -5 (d) Los eigenvalores de A son distintos. j,Cuales son
3 las dimensiones de los eigenespacios correspon-
dientes? Explique.
48. A - [~ 0
4 (e) l,A es ortogonalmente diagonalizable? Explique.
49. A -H - I
2
I
(f) Para los eigenvalores de A, j,los eigenvectores
correspondientes son ortogonales? Explique.
(g) l,A es ortogonalmente diagonalizable? Explique.
-2 2
50. A=
[ ! -2
4
59. Determine ATA y MT para la siguiente matriz. l,Que
observa?
- 3
- 6
7 .4 Aplicaciones de los eigenvalores y los eigenvectores

Model ar crecimiento poblacional usando una matriz de transici6n de
■ edad y vector de distribuci6n de edad y encontrar vector de distribu-
ci6n de edad estable.
Usar una ecuaci6n matricial para resolver un sistema de ecuaciones
■ diferenciales lineales de primer orden.
Encontrar la matriz de una forma cuadratica y usar el Teorema
■ de Ejes Principales para realizar una rotacion de ejes para una
superficie c6nica y una cuadrica.
CRECIMIENTO DE UNA POBLACION

Las matrices pueden aplicarse para elaborar modelos que describan el crecimiento de alguna
poblaci6n. El primer paso es agrupar la poblaci6n en clases de edad de la misma duraci6n.
Por ejemplo, si el tiempo que vive un rniembro de la poblaci6n es L afios, entonces las clases
de edad se representan por los n intervalos siguientes representa las clases de edad.
[o, ~) Primera clase de edad
[~, 2nL) Segunda clasc de edad
11-esima clase de edad
El numero de elementos de la poblaci6n en cada clase de edad se representa entonces por

el vector de distribuci6n de edades.
Numcro en la primcra clase de edad
Numero en la segunda clase de edad
Numero en la 11-esirna clase de edad

Durante un periodo de Un afios, la probabifidad de que un elemento de la clase de la i-esima
edad sobreviva para convertirse en un miembro de la clase (i + I) esta dada por /J;, donde
0 s /J; s I, i = I, 2, .. . , n - I.
El numero promedio de descendencia producido por un rniembro de la clase de la i-esima
edad esta dado por b;, donde
0 s b;, i = I, 2, . . . , n.
Estos numeros pueden escribirse en forma matricial como se muestra a continuaci6n.
b, b2 b3 b,,_, b,,
P1 0 0 0 0
A= 0 P2 0 0 0
0 0 0 P11-I 0
Al multiplicar esta matriz de transici6n de edades por el vector de distribuc i6n de edades
durante un periodo especffico obtenemos el vector de distribuci6n de edades para el
siguiente periodo. Es decir,
Ax;= X; + 1•
Este procedimiento se ilustra en el ejemplo I.

7.4 Ap licacianes de las eigenvalares y las eigenvect ares 373
j EJEMPLO 1 Un modelo del crecimiento de una poblaci6n
Un poblaci6n de conejos tiene las siguientes caracterfsticas.

COM ENTARIO a. La mitad de conejos sobrevive e l primer afio. De estos, la mitad sobrevive e l segundo
afio. La duraci6n max ima de vida es 3 afios.
Si el patron de crecimiento del
ejemplo 1 continua durante otro b. Durante e l primer afio los conejos no producen descendencia. El numero medio de
ano, entonces la poblacion de descendencia es 6 durante e l segundo afio y 8 durante el tercer afio.
conejos seria La poblaci6n ahora consta de 24 conejos en la clase de la primera edad, 24 en la segunda
y 20 en la tercera, lcuantos habra en cada clase de edad en un ano?
SOLUCION
El vector actual de distribuci6n de edades es
A partir de los vectores de dis- 0 :<=:: cdad < I
tribucio n de edades x 1, x 2 y x 3
se observa que el porcentaje de I :<=:: edad < 2
conejos en las tres clases de 2 :<=:: cdad :<=:: 3
edad ca mbia cada ano. Para
lograr un patron de crecimiento y la matTiz de transici6n de edades es
estable, uno en el que el por-
centaje en cada clase de edad 6
permanezca igual cada ano, el 0
(n + 1)-esimo vector de distribu-
0.5
cion de edades debe ser un
multiplo escalar del n-esimo Despues de un afio el vector de distribuci6n de edades sera
vector de distribucion de eda-
des. Es decir, Xn+ l = Axn = Axn. 6 0 S edad < I
El Ejemplo 2 muestra c6mo
resolver este problema.
0
80][24]
24 = [304]
12. I s edad < 2
0.5 0 20 12 2 s edad s 3
EJEMPLO 2 Determinaci6n de una distribuci6n estable de edades
Encuentre una distribuci6n estable de edades para la poblaci6n de! ejemplo 1.

SOLUCION
Para resolver este problema es necesario encontrar un eigenvalor A y un correspondiente
eigenvector x tales que Ax = Ax. El polinomio caracterfstico de A es
IAI - Al = (A + 1)2(,\ - 2)
(revise esto), lo cual implica que los eigenvalores son - 1 y 2. Con el valor positi vo, se hace
A = 2. Verifique que los eigenvectores correspondientes sean de la forma
Simulacion
Mas adelante explore este
concepto con una simulaci6n
electr6nica disponible en college.
cengage. com/pie/la rson ELA 6e.
Por ejemplo, si t = 2, entonces el vector inic ial de distribuci6n de edades serfa
0 s edad < I
I s edad < 2
2 s edad s 3
y el vector de distribuci6n de edades para el afio siguiente serfa
6 0 S cdad <
0 8]0 [328] = [64]
16 . I s cdad < 2
0.5 0 2 4 2 :<=:: cdad :<=:: 3
Observe que la proporc i6n de las tres c lases de edad sigue siendo de 16:4: I, y por tanto el
porcentaje de la poblaci6n de cada clase permanece igual.
37 4 Capitu lo 7 Eigenvalores y eigenvectores
SISTEMA DE ECUACIONES DIFERENCIALES

LINEALES (CALCULO)
Un sistema de ecuaciones diferenciales de primer orden es de la forma
1
Yi = aiiYi + a i2Y2 + · · + ai11Y11
Yi
1
= a2iYi + a22Yi + · · + a2,,Y11
donde cada y; es una funci6n de t y Y;' = dy;_ Si hace

dt
y11
y = r~:1 y
y' = y(
Y,, rY,,
• I
entonces e l sistema puede escribirse en forma matricial como

y' = Ay.
Resolucion de un sistema de ecuaciones

EJEMPLO 3
diferenciales lineales
Resuelva el siguiente sistema de ecuaciones diferenciales lineales.
Yi
1
= 4yi
1
Y2 = - Yi
y/ = 2y3
SOLUCION
Del calculo, usted sabe que la soluc i6n de la ecuaci6n diferencial y' = ky es
y = Cek'.
Por consiguiente, la soluci6 n del sistema es
Yi = Cie4'
y? = C?e-,
Y3 = C3e2,_
La forma matricial de! sistema de ecuaciones diferenciales lineales de! ejemplo 3 es

y'= Ay, o
Por tanto, los coeficientes de ten las soluciones Y; = C;e>., 1 estan dados por los eigenvalo-
res de la matriz A.
Si A es una matriz diagonal, entonces la soluci6n de
y' = Ay
puede obtenerse de inmediato, como el ejemplo 3. Si A no es diagonal, ento nces la solu-
ci6n requiere un poco mas de trabajo. Primera se intenta encontrar una mau·iz P que dia-
gonal ice A. Luego, el cambio de variables dado por y = Pw e y ' = Pw' produce
Pw ' = y ' = Ay = APw ...,. w ' = p - iAPw
do nde P-iA P es una matriz diagonal. Este procedimiento se demuestra en el ejemplo 4.

7.4 Ap licacianes de las eigenvalares y las eigenvect ares 375
Resoluci6n de un sistema de ecuaciones

I EJEMPLO 4
diferenciales lineales
Resuelva el siguiente sistema de ecuaciones diferenciales lineales.
Yt I = 3y l + 2Y2
Y2
1
= 6y l - Yi
SOLUCION
Primero se encuentra una matriz P que diagonalice A

- 1
-- [63 2]
. Los eigenvalores de A
son At = - 3 y ,\2 = 5, con eigenvectores correspondientes P t = [1 -3f y p2 = [1 l f .
Diagonal ice A utilizando la matriz P cuyas columnas constan de Pt y p 2 para obtener
P= [
-3
1
:J. p -• - [: -n y p -tAP =[
-3
0
El sistema representado por w ' = p - tAPw tiene la forma siguiente.

W 1 = - 3w 1
1
W2 =
1
5w2
La soluci6n de este sistema de ecuac iones es

WI = Cte-31
W2 = C2es'.
Para volver a las variables originales Yt y y 2 se emplea la sustituc i6 n y = Pw y se escribe
lo cual implica que la soluci6n es

Yt = +wt W2 = Cie- 3' + C2es,
y2 = -3w1 + w2 = -3C 1e- 3' + C2e5' .
Si A tiene e igenvalores con multiplicidad mayor que I o si A tiene eigenvalores com-
plejos, entonces la tecnica para resolver el sistema debe ser modificada.
1. Eigenvalores con m.ultipficidad mayor que 1: la matriz de coeficientes del sistema
Y t, =
Yi'= - 4yl + 4Ji
Y2 es A =[
-4
0 l] 4 .
El unico eigenvalor de A es ,\ = 2 y la soluci6n de! sistema de ecuaciones diferenciales

lineales es
Yi = C 1e21 + C2 te2'
Yi = (2C 1 + C2)e2' + 2C2 te 2' .
2. Eigenvalores complejos: la matriz de coeficientes del sistema
Yt I = -
Y2 es A= [o -)] 0 .
Yi'= Yt I
Los eigenvalores de A son ,\ 1 = i y ,\2 = -i y la soluci6n del sistema de ecuaciones
di ferenciales lineales es
Yt = cl Cost + C2 Sen/
Y2 = -C2 Cost + cl Sen/.
lntente comprobar estas soluciones al obtener las de ri vadas y sustitu ir en el sistema origi-
nal de ecuaciones.
FORMAS CUADRATICAS
Los eigenvalores y los eigenvectores pueden usarse para resolver el problema de rota-
ci6n de ejes presentando en la secci6n 4.8. Recuerde que la clasificaci6n de la ecuaci6n
cuadratica
ax 2 + bxy + cy 2 + dx + ey +f = 0 Ecuaci6n cuadratica
es bastante directa en la medida en que la ecuaci6n no contenga termino xy (esto es, b =
0). Sin embargo, si la ecuaci6n contiene un termino xy entonces la clasificaci6n se logra
mas facilmente al efectuar primero una rotaci6n de ejes que elimine el termino xy. La
ecuaci6n resultante (con respecto a los nuevos ejes x'y') sera entonces de la forma
a'(x')2 + c'(y')2 + d'x' + e'y' + f' = 0.
Vera que los coeficientes a' y c' son los eigenvalores de la matriz
A- [b/; b/!].
La expresi6n
ax 2 + bxy + cy 2 Forma cuadratica
se denomina forma cuadratica asociada con la ecuaci6n cuadratica
ax 2 + bxy + cy 2 + dx + ey + f = 0
y la matriz A se denomina matriz de la forma cuadratica. Observe que la matriz A es
simetrica po r definici6n. Ademas, la matriz A sera diagonal si y s6lo si su fonna cuadratica
correspondiente no tiene termino xy, como se il ustra en el ejemplo 5.
y EJEMPLO 5 Determinaci6n de la matriz de una forma cuadratica
3 Encuentre la matriz de la forma cuadratica asociada con cada una de las sig uientes ecua-
ciones cuadraticas.
a. 4x 2 + 9y 2 - 36 =0 b. 13x 2 - 10.xy + 13y2 - 72 =0
SOLUCION
-I
a. Como a = 4, b = 0 y c = 9, entonces la matriz es
A = [~ ~]. Matriz d iagonal (sin termino xy)
-3
b. Como a = 13, b = - l Oy c = 13, la matriz es
Figura 7.3 A = [ _13

5
-5].
13
Matriz no diagonal (con termino xy)
En forma estandar, la ecuaci6n 4.x2 + 9/ - 36 = 0 es

x2 y2
-+-=
32 22
que corresponde a la ecuaci6n de la elipse mostrada en la figura 7.3. Aunque no es evidente
por simple inspecci6n, la grafica de la ecuaci6n I3.x2- I0.xy + I 3y2 - 72 = 0 es semejante.
De hecho, si los ejes x y y se rotan 45° en sentido contrario al de las manecillas del reloj para
formar un nuevo sistema de coordenadas x'y', entonces esta ec uaci6n toma la fonna
(x ')2 (y ')2
--+--=
32 22
I
que corresponde a la ecuaci6n de la elipse mostrada en la Figura 7.4.

Para ver c6mo se puede usar la matriz de una forma cuadratica para efectuar una
13.\1- 10.\\' + 13y2 - 72 = 0 rotaci6n de ejes, sea
Figura 7.4 X = [ ; ].
7.4 Aplicacianes de las eigenvalares y las eigenvectares 377
Entonces la expresi6n cuadratica a:2- + bxy + cy2 + dx + ey + f puede escribirse en forma

matricial como sigue.
X 7Ax + [d e]X + J = [x y] [b/; b/!] [; ] + [d e] [ ; ] + J

= ax 2 + bxy + cy2 + dx + ey + f
Si b = 0, entonces no es necesaria ninguna rotaci6n. Pero si b *
0, entonces como A es
simetrica, puede aplicar el teorema 7 . 10 para concluir que existe una matiz ortogonal P tal
que PTA P = D es diagonal. Por tanto, si hace
p TX = X ' = [;:]
se concluye que X = PX' , y se tiene XTAX = (PX'lA(PX') = (X' lPTA PX' = (X'lDX' .
La elecci6n de la matriz P debe hacer econ cuidado, ya que si P es ortogonal, enton-
ces su detenninante es ± 1. Se puede demostrar (vease el ejercicio 65) que si P se elige de
modo que [P[ = I, entonces P sera de la forma
p = [cos 0 - sen 0]
sen 0 cos 0
donde 0 da el angulo de rotaci6n de la c6nica medida desde el eje x positivo al eje x' posi-
ti vo. Lo anteri or conduce al teorema de los ejes principales.
Teorema de los ejes principales

Para una c6nica cuya ecuaci6n es ax2 + bxy + cl + dx + ey + f = 0 , la rotaci6n
COMENTAR 0 definida por X = PX' elimina el termino xy si P es una matriz ortogonal, con !Pl =
1, que diagonaliza a A. Es decir,
Advierta que el producto matri-
cial [d e]PX' es de la forma
(d cos 8 + e sen 8)x'

+ (- dsen 8 + e cos 8)y'. donde .\ 1 y .\ 2 son eigenvalores de A. La ecuaci6n de la c6nica rotada esta dada por
.\i(x ' )2 + .\2 (y')2 + [d e] PX ' + f = 0.
EJEMPLO 6 Rotaci6n de una c6nica
Efectue una rotaci6n de ejes para eliminar el termino xy en la ecuaci6n cuadratica

13x 2 - IOxy + 13y 2 - 72 = 0.
SOLUCION
La matriz de la forma cuadratica asociada con esta ecuaci6n es
Como el polinomio caracterfstico de A es (.\ - 8)( .\ - 18) (revise esto), se concluye que
los eigenvalores de A son .\ 1 = 8 y .\2 = 18. Por tanto, la ecuaci6n de la c6nica rotada es
8(x')2 + 18(y')2 - 72 =0
lo cual, cuando se escribe en la forma estandar
(x ')2 (y')2
--+--= I
32 22
se identifica como la ecuaci6n de una elipse (vease la figu ra 7.4).
En el ejemplo 6 los eigenvectores de la matriz A son
que se puede normalizar para fo rmar las columnas de P, como sigue
P=
l
fi.
I
fi.
-}il_ l_
fi.
= [ cos 0
sen 0
-sen 0]
cos 0
Primero, observe que IPI = I, lo cual implica que P es una rotaci6n. Ademas, en vista de que
cos 45° = llfi. = sen 45°, el anguJo de rotaci6n es 45°, como se muestra en la figma 7.4.
La matriz ortogonal P especificada en el teorema de los ejes principales no es unica.
Sus elementos dependen del orden de los e igenvalores AI y A2 y de la elecci6n posterior de
los eigenvectores x 1 y x2 . Asf, en la soluci6n de! ejemplo 6 bubiera funcionado cualquiera
de las siguientes elecciones de P.
x, X2 x, X2 x, X2
[: ~
I
fi.
I
fi.
[-~ fi.
- fi.
l
I
fi.
I
fi.
- fi.
I f]
fi.
AI = 8, " 2 = 18 AI 18, " 2 = 8 AI = 18, A2 = 8
0 = 225° 0 = 135° 0 = 3 15°
Para cualquiera de estas elecciones de P, la grafi ca de la c6nica rotada sera, por
supuesto, la misma (vease la figura 7.5).
y y y
3 3
Figura 7.5
A continuaci6n se resumen los pasos usados en la aplicaci6n de! teorema de los ejes
principales.
1. Forme la matri z A y determine sus e igenvalores A1 y A2•
2. Encuentre los eigenvectores correspondie ntes a AI y A2 nom1alfcelos para fonnar las

columnas de P.
3. Si IPI = -1 , entonces multiplique -I por una de las columnas de P para obte ner una
matriz de la forma
p = [cos 0 -sen 0].

sen 0 cos 0
4. El angulo 0 representa el angulo de rotaci6n de la c6nica.
S. La ecuaci6n de la c6nica rotada es A 1(x')2 + A2 (y')2 + [d e] PX' +f = 0.
En el ejemplo 7 se muestra c6mo aplicar el teorema de los ejes principales para rotar
una c6nica cuyo centro se ha trasladado lejos de! origen.
EJEMPLO 7 Rotacion de una conica
Efectue una rotaci6n de ejes para eliminar el termino xy de la ecuaci6 n cuadratica

3x 2 - IOxy + 3y 2 + 16""2x - 32 = 0.
SOLUCION
La matri z de la forma cuadratica asociada con esta ecuaci6 n es
A= [
-5
3 -5]3.
Los eigenvalores de A son
AI = 8 y A.2 = - 2
con eigenvectores correspondientes
X1 = (- 1, 1) y X2 = (- 1, - 1).
Esto implica que la matriz P es
= [cos 0
sen 0 cos 0
0]
- sen , d ond e IP I = . 1
Como cos 135° = -1/Ji. y sen 135° = I/Ji., puede concluir que el angulo de rotac i6n es
)'
135°. Por ultimo, a partir del producto matricial
10
6
[d e]PX'= [16""2 O] r- ~
Ji.
= - 16x' - 16y'
se puede concluir que la ecuaci6n de la c6nica rotada es
-4 4 6 8 8(x')2 - 2(y ')2 - 16x' - 16y' - 32 = 0.
En forma estandar, la ecuaci6n
(x' - 1)2 (y' + 4)2
- - - - ----= I
I2 22
Figura 7.6 se identifica como la ecuaci6n de una hiperbola, cuya g rafica se observa en la fig ura 7.6.
Las formas cuadraticas tambien pueden usarse para analizar ecuaciones de superficies
cuadricas en R3 las cuales son la analogfa de las secciones c6nicas pero en tres dimensiones.
La ecuaci6n de una superficie cuadrica en R3 es un polinomio de segundo grado de la forma
ax 2 + by 2 + cz 2 + dxy + exz + fyz + gx + hy + rz + s = 0.

Hay seis tipos basicos de superficies cuadricas: elipsoides, hiperboloides de una hoja,
hiperboloides de dos hoj as, conos elfpticos, paraboloides elfpticos y paraboloides hiperb6-
licos. La intersecci6n de una superficie con un piano, llam ada traza de la superfic ie en
el piano, es util para ayudar a vis ualizar la grafica de la superficie en el espacio. Los seis
tipos basicos de superfi cies cuadricas, junto con sus trazas, se muestran en las dos paginas
siguientes.
Elipsoide
x2 y2 z2
-
a2
+b2
- + -=
c2
Traza Plano
Elipse Paralelo al piano xy
Elipse Paralelo al piano xz
Elipse Paralelo al piano yz
)' y
X La superficie es una esfera si a = b X
= C * 0.
Hiperboloide de una /ioja

x2 y2 z2
-
a2
+ b2
- - -c2=
Traza Plano
y
Hiperbola Paralelo al piano xz
Hiperbola Paralelo al piano yz
X
El eje de! hiperboloide corres-

ponde a la variable cuyo coefi-
ciente es negativo.
Hiperboloide de dos hojas
Tra:a Plano
Hiperbola Paralelo al piano xz
y Hiperbola Paralelo al piano yz
El eje del hiperboloide corresponde
a la variable cuyo coeficiente es
positivo. No existe una traza en el
piano coordenado perpendicular a
este eje.
Cono eliptico
x2 y2 z2
- + - - -=O
a2 b2 c2
Traza Plano
Elipse Paralelo al piano xy Trata 1_1
Hiperbola Paralelo al piano xz (un puntol
Hiperbola Paralelo al piano yz ~ )'
El eje del cono corresponde a la paralclo al

piano .IT
vari able cuyo coeficiente es nega-
ti vo. Las trazas en los pianos coor-
denados paralelos a este eje son
rectas de intersecci6n. Traza \'~
Paraboloide el[ptico
x2 y2
7 =-+ -
~ a2 b2
Traza Plano
Parabola Paralelo al piano xz
Parabola Paralelo al piano yz
El eje del paraboloide corresponde a

la variable elevada a la primera
potencia.
Paraboloide hiperbolico
y2 x2
z=---
b2 a2
Traza Pla110
)'
Hiperbola Paralelo al piano xy
Parabola Paralelo al piano xz
Parabola Paralelo al piano yz
El eje del paraboloide correspo nde a
la variable elevada a la primera
potencia.
ALGEBRA Una parte de la arquitectura mas inusual del mundo recurre a superfi-
cies cuad ricas. Por ejemplo, la Catedral Metropolitana Nossa Senhora
LINEAL Aparecida, una catedral ubicada en Brasilia, Brasil, tiene la forma de
APLICADA un hiperboloide de una hoja. Fue diseiiada por el arquitecto ganador
del Premio Pritzker Oscar Niemeyer y dedicada en 1970. Las dieciseis
columnas identicas de acero curvo, con un peso de 90 toneladas cada
una, pretenden representar dos manos que se alzan hacia el cielo. En
los espacios triangulares de diez metros de ancho por treinta de alto
que forman las columnas, se encuentran piezas de vidrio semitranspa-
rente polarizado, que permiten el paso de la luz al interior en casi toda
la altura de las columnas.
La forma cuadratica de la ecuaci6n

ax 2 + by 2 + cz2 + dxy + exz + fyz + gx + hy + iz + j = 0 Superficie cuadrica
es definida como
ax 2 + by 2 + cz2 + dxy + exz + Jyz. Forma cuadratica
La matriz correspondiente es
d ~
a
2 2
A
d
b 1
2 2
~ 1 C
2 2
En su version tridimensional, el teorema de los ejes principaJes relaciona los eigenvalores
y los eigenvectores de A con la ecuaci6n de la superficie rotada, como se muestra en el
ejemplo 8.
EJEMPLO 8 Rotacion de una superficie cuadrica
ReaJice una rotaci6n de los ejes para eliminar el termino xz en la ecuaci6n c uadratica
5x 2 + 4y 2 + 5z2 + 8xz - 36 = 0.
SOLUCION
La matriz A asociada con esta ecuaci6n cuadratica es
0
4
0
cuyos eigenvalores son ,.\ 1 = l , ,.\ 2 = 4 y ,.\3 = 9. Asf, en e l sistema rotado x' , y' , z' , la
ecuaci6n cuadratica es (x')2 + 4 (y')2 + 9 (z')2 - 36 = 0. Que en la forma estandar es
X
y
(x ')2 (y ')2 (z ')2
62+)2+p= 1.
x'
La grafica de esta ecuaci6n es un elipsoide. Como se muestra e n la Figura 7.7, los ejes x',
Figura 7.7
y', z' representan una rotaci6n de 45° en sentido contrario al de las manecillas de! reloj
alrededor del eje y. Ademas, la matriz ortogonal
I I
0
Ji Ji
P= 0 1 0
I I
0
✓2 ✓2
cuyas columnas son lo eigenvectores de A , tiene la propiedad de que PTAP es diagonal.
0s1111. 2010/Used under license from Shutterstock com

7.4 Ejercicios 383
Determinaci6n de los vectores de distribuci6n de 14. Modelo de crecimiento poblacional Una pobla-
edad En los ejercicios 1 a 6, use la rnatriz A de transici6n ci6 n presenta las siguientes caracterfsticas.
de edades y el vector x 1 de distribuci6n de edades para (a) Un total de 80% de la poblaci6n sobrevive el primer
encontrar los vectores de distribuci6n de edades x2 y x3. afio. De este 80%, 25% sobrevive el segundo afio. La
duraci6n maxima de la vida es tres afios.
I. A=[~ ~], xi=[:~] (b) El numero promedi o de descendencia de cada miem-
bro de la poblaci6n es 3 el primer afio, 6 el segundo
2. A =[~ ~], Xi = [ ::~]

y 3 el tercero.
Actualmente, la poblaci6n consta de 120 elementos en
3 cada una de las tres clases de edad. l,Cuantos habra
0
!
2
2
H•,-rnl en cada clase de edad en un afio? l Y en dos afios?
15. Modelo de crecimiento poblacional
ci6 n presenta las siguientes caracterfsticas.
Una pobla-
0
I
2
H•,-m (a) Un total de 60% de la poblaci6n sobrevive el primer
afio. De este 60%, 50% sobrevive el segundo afio. La
duraci6n maxima de la vida es tres afios.
2 2 (b) El numero promedio de descendencia de cada miem-
! 0 0 0 100
5. A= 4
0 I 0
ol'Xi = ['ool
0 100
bro de la poblaci6 n es 2 el primer afio, 5 el segundo
y 2 el tercero.
0 0 ! 0 100 Actualmente, la poblaci6n cons ta de I00 elementos
2
0 6 4 0 0 24 en cada una de las tres clases de edad. l,Cuantos habra en
i cada clase de edad en un afio? l Y en dos afios?
2 0 0 0 0 24
6. A 0 I 0 0 0 , Xi 24 16. Determine el lfmite (en caso de existir) de Anx cuando
1
0 0
I
0 0 24 n tiende a infi nito para las siguientes matrices
2
0 0 0 ! 0 24
2
7. Encuentre un vector de distribuci6n de edades estable

A= [~ ~] Y Xi=[:]
para la matriz de trans ici6n de edades del ejercicio 1.
Soluci6n de un sistema de ecuaciones diferenciales
lineales En los ejercicios 17 a 28, resuelva el sistema dado
para la matri z de transic i6n de edades del ejerc ic io 2.
de ecuaciones diferenciales lineales de primer orden.
17. Yi = 2yi 18. Y,' = - Syi
1
para la matriz de transic i6n de edades del ejercicio 3.

y2 ' -- Yi y2 ' -
- 4y2
para Ia matri z de transici6n de edades del ejercicio 4. 19. Yi I = -4yi 20. Y , ' i
= 1Yi
I
11. Encuentre un vector de distribuci6n de edad estable para Y2' = - 1Y2 Y2 ' I
= sYi
la matriz de trans ici6n de edad e n el ejercicio 5. 21. Y, I = -y, 22. Y, I = Sy,
Y2' = 6y2 =
1
12. Encuentre un vector de distri buci6n de edad estable para Y2 -2y2
la matriz de transici6n de edad en el ejercicio 6. y3 ' -- Y3 y3' = -3y3
2
13. Modelo de crecimiento poblacional Una pobla- 23. Yi I = - 12yi 24. y ,' = -3Yi
c i6n presenta las siguientes caracter fsticas. 3
Y2 = - 6y2 Y2 =
1 1
- sY2
(a) Un total de 75% de la poblaci6n sobrevive el primer y3' = 7y3 y3' = -8y3
afio. De este 75%, 25% sobrevive e l segundo afio. La
25. Yi I = - 0.3yi 26. Yi I = 1TYi
d uraci6n maxima de la vida es tres afios. 1 1
Y2 = 0.4y2 Y2 = - 7rYi
(b) El numero promedio de descendencia de cada miem-
y3' = -0.6y3 Y3' = 7r2y3
bro de la poblaci6n es 2 el pri mer afio, 4 el segundo 1
y 2 el tercero. 27. Y, I = 1yi 28. Yi = -0. l yi

1 7
Actualmente, la poblaci6n consta de 160 elementos y2'- - 9y2 Y2 = -4y2
en cada una de las tres clases de edad. l,Cuantos habra en y3' = -7y3
1
Y3 = -21Ty3
cada clase de edad en un afio? l Y en dos afios? y4' = - 9y4 y4' = .Js°y4
Solucion de un sistema de ecuaciones diferenciales Determinaci6n de la matriz de una forma cuadra-

lineales En los ejercicios 29 a 36, resuel va el sistema de tica En los ejercicios 47 a 52, obtenga la matriz A de la
ecuaciones diferenciales lineales de primer orden. forma c uadratica asociada con la ecuacion dada. En cada
29. Y1 Y1 - 4Ji
I= 30. Y1, = Y1 - 4Ji caso, e ncue ntre los eigenvalores de A y una matri z ortogonal
P tal que P TAP sea diagonal.
y/ = 2Ji y/ = -2y 1 + 8y2
47. 2x 2 - 3.ry - 2y 2 + 10 = 0
31. Y1' = Y1 + 2Ji 32. Y1' = Y1 - Yi
Y2 I= 2yl + Yi Yi' = 2y l + 4>12 48. 5x 2 - 2xy +
+ I0x - 17 = 0
5y 2
33. y 1 ' = -3Y2 + 5YJ 49. 13x + 6 J3xy + 7y 2 - 16 = 0
2
Yi' = -4y l + 4Ji - l0y3 50. 3x 2 - 2J3xy + y 2 + 2x + 2J3y = 0

Y3 I= 4y3 51. 16x 2 - 24xy + 9y 2 - 60x - S0y + 100 = 0
34. Y1, = -2yl + YJ 52. 17x 2 + 32xy - 7y 2 - 75 = 0
Y2 I = 3y2 + 4y3
1 Rotaci6n de una c6nica En los ejercicios 53 a 60, use el
Y3 = Y3
teorema de los ejes principales para efectuar una rotacion de
35. Y1' = Y1 - 2Yi + Y3 ej es que elimine e l termino xy en la ecuacion cuadratica
Y? I = 2Ji + 4YJ dada. Identitique la conica rotada resultante y de su ecuac ion
Y3 I = 3YJ e n el nuevo siste ma de coordenadas.
36. Y1 , = 2yl + Y2 + Y3 53. 13x 2 - Sxy + 7y 2 - 45 =0
y/ = Y1 + Yi 54. x2 + 4xy + y 2
- 9 =0
Y/ = Y1 + Y3 55. 2x 2 - 4xy + 5y 2 - 36=0
Escribir un sistema y verificar la solucion general En 56. 7x 2 + 32.ry - 17y 2 - 50 = 0
los ejercicios 37 a 40, escriba el sistema de ecuaciones dife-
57. 2x 2 + 4xy + 2y2 + 6 fix + 2 Ji,y + 4 = 0
renciales lineales de primer orden representado p or la ecua-
cion matricial y' = Ay. Luego, compruebe la solucion gene- 58. 8x2 + Sxy + Sy 2 + 10 -hx + 26-Ji.y + 31 = 0
ral indicada. 59. xy + X - 2y + 3 = 0
37. A=[~ l] == C + C te' y1

1 , Y2
1e'
C2e'
2
60. 5x 2 - 2.xy + 5y 2 + lO fix = 0
38. A = [:
-I]. = +
I
y1 C 1e' cos I
Yi= - C2e' cost +
C2e' sent
C 1e' sent
Rotaci6n de una superficie cuadrica En los ejercicios
6 1 a 64, determine la matri z A de la forma cuadratica aso-
ciada con la ecuacion dada. Luego, encue ntre la ecuac ion de
l la superfic ie en el s iste ma x' y' z' rotado.
0 61. 3x 2 - + 3y2 + 8z 2 - 16 = 0
2xy
39.A = [~
-4 62. 2x 2 + 2y 2 + 2z 2 + 2.ry + 2xz + 2yz - l =0
Y1 = C1 + C2 cos 2t + C3 sen 21 63. x 2 + 2y 2 + 2z 2 + 2yz - I = 0
Y2 = 2C3 cos 2t - 2C2 sen 21 64. x 2 + y 2 + z 2 + 2xy - 8 = 0
)'3 = -4C2 cos 2t - 4C3 sen 2t
65. Sea P una matriz ortogonal de 2 x 2 tal que IPI = I.
n
I De muestre que existe un numero 0, 0 ::5 0 < 2n, tal que
40. A = [~ 0
p = [Cos 0 -Sen0].
-3 Sen0 Cos 0
Y1 = C 1e1 + + C 3 t 2 e'
C 2te'
Y2 =
Y3
(C 1 + C2 )e'
= (C 1 + 2C2 + 2C 3)e' + (C2
+ (C2 + 2C3 )te' + C3 t 2 e'
+ 4C3 )te' + C3' 2 e'
t» 66. OOrn[iYX]£iJ'rn Explique lo siguie nte.
(a) Como modelar el crecimiento poblacional usando
una matri z de tra nsic ion de edad y un vector de
Determinacion de la matriz de una forma cuadra-
distribucion de edad y como e ncontrar un vector
tica En los ejercicios 4 1 a 46, obtenga la matriz de la forma
de distribucion d e edad estable.
cuadratica asociada con la ecuacion dada.
(b) Como usar una ecuacion matricial para resolver un
41. x 2 + y 2 - 4 = 0 42. x 2 - 4xy + y2 - 4 = 0 siste ma de ecuaciones diferenciales lineales de
43. 9x 2 + lOxy - 4y2 - 36 =0 primer o rden.
44. 12x 2
- 5xy - X + 2y - 20 = 0 (c) Como usar el T eore ma de Ejes Principales para
realizar una rotacion de ej es para una supe rficie
45. 10.ry - 10y 2 + 4x - 48 = 0
c6nica y una c uadrica.
46. l 6x 2 - 4xy + 20y 2 - 72 =0
7 Ejercicios de repaso Consulte www.CalcChat.com para las soluc1ones de las eiercic1os nones.
Ecuacion caracteristica, eigenvalores y base En los Escriba En Los ejercicios 17 a 20, explique por que la
ejercicios l a 6, obtenga (a) la ecuaci6n caracterfstica de A, matriz dada no es diagonalizable.
(b) los eigenvalores reales de A y (c) una base para e l eige-
nespacio correspondiente a cada valor eigenvalor.
[25 -2l]
17. A= [~ ~] 18. A= [ - )
O
2_ 2 -21]
1. A =
4
-!]
A = [
-4
I
19. A -[! 0
3 20. A =
[ ~
-2
3. A- [-~ - 1 -4
0
11
4. A=
[-4~ I
0 !]
0
·i
Determinar si dos matrices son similares En los ejer-
~ ~] ~ [i
0 cicios 2 1 a 24, determine si las matrices dadas son semejan-
3 0I -2 tes. De ser asf, obtenga una matriz P tal que A = P- 1BP.
5. A [~ 6. A
0 0 -2
21. A = [~
Ecuacion caracteristica, eigenvalores y base En los
ejercicios 7 y 8, use una aplicaci6n grafica o un programa de
c6mp uto para hallar (a) la ecuaci6n caracterfstica de A, (b)
22. A=[~
los eigenvalores reales de A y (c) una base para el eigenespa- I
c io correspondiente a cada eigenvalor.
2 l 0 0 2
23. A - [~ I
0
;]
7. A= l
0
0
2
0
0
0
2 !] 8. A=[~0
0
3
I
0
l
I
0
24. A-[~
-3
-5
3
-3]
-3
l
Determinar si una matriz es diagonalizable En los
ejercic ios 9 a 14, determine si A es diagonalizable. En caso Determinacion de matrices simetricas y ortogona-
afinnati vo, o btenga una matriz P no singular tal que p-1A P les En los ejercicios 25 a 30, determine si la matriz dada es
sea diagonal. simetrica, ortogonal, ambas cosas o ninguna de ellas.
9. A= [ - ~
A= [-2~
- I
-:J 10. A =[!
-H
~] -2
25. A -[-1 ";] 26. A- ['A~ _,{5Al
fi
11. I
0 ;] 12. A
-I
0
-!] 2
il
0
27. A - [~ 28. A- [J
~ [i ~ [- :
0 - I l l
13. A
0
I
;] 14. A
- I
3
-~] 2
0
2
0 !]
15. i,Para cual(es) valor(es) de a la matriz 3 3 3
2 2 l
A=[~ :] 29. A=
3 3
- -
3
l 2 2
presenta las siguientes caracterfsticas? -
3 3 3
(a) A tiene un eigenvalor de multiplicidad 2.
(b) A tiene -1 y 2 como eigenvalores. fi fi fi
3 3 3
(c) A tiene eigenvalores reales.
30. A=
J3 2)3
0
16. Demuestre que si O < 8 < entonces la transformaci6 n
7T
3 3
e
de una rotaci6 n de un ang ulo en sentido contrari o al
fi fi
movi miento de las manecillas del reloj no tiene eigenva- 0
3 3
lores reales.
Eigenvectores de una matriz simetrica En los Ejerci- 52. Demueslre que la ecuaci6n caracterfstica de
cios 3 1-34 , demuestre que dos eigenvectores cualesquiera de 0 1 0 0 0
la matriz simetrica correspondientes a eigenvalores distintos
0 0 0 0
son ortogonales.
31. [~ -~J 32. [

4
-2
A=
-
0
Go -~
0
-
0
G2 - G3
0
a,,-1
- 1 0 a,, a,, a,, a.lJ a,,
33. 0 - 1 34.
[- I a,, * 0, es p(A) = a,,A'' + a,,_111.11- 1 + · · · + a 211.3 + a 2Ji.2
0 + a 1Ji. + a 0 = 0. A se llama matriz acompafiante del
Matrices ortogonalmente diagonalizables En los polino mio p.
Ejercicios 35 y 36, determine si la matri z es ortogonalmente
Determinaci6n de la matriz acompafiante y eigenvalo-
diagonalizable .
35. [ =~ =~] res En los ejercicios 53 y 54 , use el resultado del ejercicio

52 para encontrar la matriz acompafiante A del polinomio
dado y determine los e igenvalores de A.
36. [~ _: j] 53. p (Ji.) = - 9Ji. + 4Ji.2

54. p(Ji.) = 189 - 120Ji. - 7 Ji. 2 + 2Ji.3
55. La ecuaci6n caracterfstica de la matriz

Diagonalizaci6n ortogonal En los ejercicios 37 a 42,
obtenga una matriz ortogonal P que diagonalice a A. Yerifi-
A = [~ - ~]
que q ue PTA P arroje la forma diagonal apropiada.
3 4 8 15 es Ji.2 - IOJi.2 + 24 = 0. Como A2 - IOA + 2412 = 0 , se
u-
37. A = [4 -3
] 38. A = [ 15 -8
] puede obtener potencias de A mediante el siguiente pro-
l l ~l
cedi miento.
~ A2 = JOA - 2412 , A3 = IOA2 - 24A,
u! -il
39. A = [ 40. A = A4 = JOA 3 - 24A2 , . . .
Use este procedimiento para determjnar las matrices A2
~
y A3_
41. A = 42. A = [~ 56. Repita el ejercicio 55 para la matriz
Vector de probabilidad de estado estable En los ejer-

cicios 43 a 50 , obtenga un vecto r de probabilidad de estado
estable (en caso de existir) para la matriz dada. Un eigenvec-
A = [- ~
- I
~
- 4
-:i.
11
tor v de una matriz A de 11 X 11 se llama vector de probabi- 57. Prueba Sea A una matriz de 11 X 11.
lidad de estado estable si Av = v y la suma de las compo- (a) Demuestre o refute que un eigenvecto r de A es tam-
nentes de v es igual a I. bien un eigenvector de A2 •
(b) Demuestre o refute que un e igenvector de A2 es tam-
43. A = [l ll 44. A = [l ~] bien un eigenvector de A.
58. Prueba Sea A una matri z de 11 X 11. Demuestre que si
Ax = Ji.x, entonces x es un eigenvector de (A + cl) i,Cual
0 .3] 46. A = [ 0 .4
_ 0 .2]
45. A = [~:~ 0 .7 06 0 .8 es e l eigenvalor correspondiente?
i I 2 59. Prueba Sean A y 8 matrices de n X n. Demuestre que

4 3 si A no es singular, entonces AB es semejante a BA.
47. A =r
I
2
!
~1
2
I
~. A=r:
I
3
i1
60. Demostraci6n
(a) Obtenga una matriz simetrica 8 tal que 8 2 = A para
l
4 2 0
la matriz
[07
49. A = 0 .2
0.1
0.7 00.1 j [03 0.1
04]
50. A = 0 .2 0 .4 0.0
A = [~ ~].
0 .1 0.2 0.8 0 .5 0.5 0 .6
(b) Generalice e l resultado del inciso (a) demostrando
51. Prueba Demuestre que si A es una matriz simetrica de que si A es una matriz simetrica den X n con eigen-
11 X 11, entonces PTA P es simetrica para cualquier matriz valores positivos, e nto nes existe una matri z sime-
Pde II X n. trica 8 ta l que 8 2 = A .
61. Determine una matriz ortogonal P ta! que P- 1AP sea 2

di agonal para la matriz 0 02] , X 1 = [240]
240
0 0 240
71. Modelo de crecimiento poblacional Una pobla-

62. Escriba Sea A una matriz idempote nte de n X n (es
ci6n presenta las siguientes caracterfsticas.
decir, A2 = A). Describa los eigenvalores de A.
(a) Un totaJ de 90% de la poblaci6n sobrevive el primer
63. Escriba La siguiente matriz tiene un eigenvalor ,\ =2
aiio. De este 90%, 75% sobrevive el segundo afio. La
de multiplicidad 4.
duraci6n max ima de la vida es tres afios.
a 0
(b) El numero promedio de descendencia de cada miem-
2 b bro de la poblaci6n es 4 el primer afio, 6 el segundo
0 2 y 2 el tercero.
0 0 Actualmente, la poblaci6n consta de 120 miembros en
(a) l Bajo que condicio nes A es diagonizable? cada una de las tres clases de edad. i,Cuantos habra en
(b) l Bajo que condiciones el eigenespacio de ,\ = 2 cada clase de edad en un afio? l Y en dos anos?
tiene dimension I? l2? l3? 72. Modelo de crecimiento poblacional Una pobla-
64. Determine todas las matrices simetricas de n X 11 cuyo ci6n presenta las siguientes caracterfsticas.
unico eigenvalor sea 0. (a) Un total de 75% de la poblaci6n sobrevive el primer
afio. De este 75%, 60% sobrevive el segundo afio. La
tVerdadero o falso? En los ejercicios 65 y 66, determine
duraci6n maxima de la vida es tres aiios.
cual de las expresiones es verdadera o falsa. Si la expresi6 n
es verdadera, proporcione una raz6n o cite una expresi6n (b) El numero promedio de descendencia de cada miem-
adecuada del texto. Si la expresi6 n es falsa, proporcio ne un bro de la poblaci6n es 4 el primer afio, 8 el segundo
ejemplo que muestre que la expresi6n no es cierta en todos y 2 el tercero.
los casos o cite del texto una expresi6n adecuada. Actualmente, la po blaci6n consta de 120 elementos en
65. (a) Un eigenvector de una matriz A den X n es un vec- cada una de las tres clases de edad. lCuantos habra
tor x diferente de cero en R" tal que Ax es un multi- en cada clase de edad en un afio? l Y en dos afios?
plo escalar de x.
Soluci6n de un sistema de ecuaciones diferenciales
(b) Matrices semejantes pueden o no tener los mismos lineales En los ejerc icios 73 a 78, resuelva el sistema dado
eigenvalo res. de ecuaciones diferenciales lineales de primer orden.
(c) Para diagonalizar una matriz cuadrada A, usted nece-
sita encontrar una matriz invertible P taJ que p - 1AP 73. Y1' = 3yl 74. Y1'= I0yl
es diagonal. y/ = 8y2 y/ = - O. ly 2
66. (a) Un eigenvalo r de una matri z A es un escalar A ta! que y/ = -8y3 y/ = _/iy3
det(,V - A) = 0. ,_ J.
Y4 - 4Y4
(b) Un eigenvector puede ser el vector cero 0.
75. Y1' = Y1 + 2Ji 76. Y, I = 3yl
(c) Una matriz A es diagonalizable ortogonalmente si
existe una matriz o rtogonaJ P ta] que P- 1AP = Des J?' = 0 y,' = Y1 - Y2
diagonal. 77. Y1' = Y2 78. Y, 911 - Yi + 2y3
I=
1
Y2 = Y1
Determinaci6n los vectores de distribuci6n de
edad En los ejercicios 67 a 70, use la matriz A de transi- y3' = 0
c i6 n de edades y el vecto r x 1 de distribuci6n de edades para Rotaci6n de una comca En los ejercicios 79 a 82, (a)
hallar los vectores de distribuci6n de edades x2 y x 3. Luego, obtenga la matriz A de la forma cuadratica asociada con la
obtenga una distribuci6n estable de edades para la poblaci6 n. ecuaci6 n dada, (b) obtenga una matriz ortogonaJ P taJ que
67.A =[~ ~].x=[:~~] 1

PTAP sea diagonaJ, (c) use el Teorema de Ejes PrincipaJes para
reaJizar una rotaci6n de ejes para elirninar el termino xy en la
ecuaci6n cuadratica y (d) trace la gnifica de cada ecuaci6n.
68. A= [~ ~]. = [!~] X1

79. x 2 + 3xy + y 2 - 3 = 0
80. x 2 - fixy + 2y 2 - 10 =0
3 81. xy - 2 = 0
0 12
0] , X1 = [300]
300
1
82. 9x 2 - 24xy + l 6y2 - 400x - 300y =0
6 0 300
7 Proyectos
1 Crecimiento poblacional y sistemas dinamicos (I)
Los sistemas de ecuacio nes diferenc iales a veces aparecen e n aplicaciones bio logicas de
crecirniento poblacional de varias especies animales. Estas ecuaciones se denominan siste-
mas dinamicos debido a que describen los cambios en un sistema como funciones del
tiempo. Suponga que durante el tiempo t esta estudiando las po blaciones de tiburones
depredadores y 1(t) y la de peces pequei\os presa y2(t). Un modelo sencillo para el creci-
rniento relativo de estas poblaciones es
y/(t) = ay 1(t) + by2 (t) Depredador
y2 '(t) = cy 1(t) + dyi{t) Presa
donde a, b, c yd son constantes. Generalmente, las constantes a yd son positivas, ya q ue
reflej an la tasa de crecimiento de especies individuales. Si las especies estan en una rela-
cion depredador-presa, ento nces b > 0 y c < 0 indican que un incremento en los peces
presa y 2 puede provocar un incremento en y 1, rnientras que un incre mento en los tiburones
depredador y 1 puede causar una disminucion en y2 .
Suponga que el siguiente sistema de ecuaciones diferenciales lineales representa los mode-
los de las poblaciones iniciales de tiburo nes y 1(1) y peces yi(t) con las poblaciones iniciales
en el tiempo f = 0.
Yi '(t) = 0.5y l(t) + 0.6yi{t) y 1{0) = 36
y/(t) = -0.4yi(t) + 3.0yi{t) yi(0) = 12 1
1. Aplique las tecnicas de diagonalizacio n de este capftulo para determinar las poblac iones
y 1(t) y yi(t) en cualquier tiempo t > 0.
2. Interprete las soluciones en terminos de tendencia de largo plaza para las dos especies.
lAl fi nal una de las especies desaparecera? l Por que sf o por que no?
3. Grafique las soluciones y 1(t) y yi(t) sobre e l dominio O :5 I :5 3.
4. Explique por que el cociente y 2(t)I y 1(r) se aproxima al lfrnite cuando t se incrementa.
2 La sucesi6n de Fibonacci
La sucesion de Fibonacci debe su nombre al matematico italiano Leonardo Fibo nacci de
Pisa ( 1170 -1250). La forma mas simple de esta sucesion es definir los dos primeros termi-
nos como x 1 = I y x 2 = I y luego definir el n-es imo termino como la suma de sus dos
predecesores inmediatos. Es decir, x 11 = x 11 _ 1 + x,,_ 2. Asf, el tercer termino es 2 = I + 1,
el cuarto es 3 = 2 + 1, etc . La formula x 11 = x 11_ 1 + x 11_ 2 se denornina f6rmula recursiva
porque los n - l primeros termi nos deben calcularse antes de que sea posible calcular el
n-esimo terrnino. En este proyecto, usted utilizara eigenvalores y diagonalizacion para
'I: T RI deducir una fo rmula ex plfc ita para el n-esimo termino de la sucesi6 n de Fibo nacci.
Puede aprender m as acerca de 1. Calcular los primeros 12 terminos de la sucesi6n de Fibonacci.
[l1 l] [x11-I] = [X,,-1 + x,,-2

] ..
los sistemas dinamicos y mode-
lado poblacional en numerosos 2. Ex plique por que la matriz identidad puede ut1h-
libros de ecuaciones diferencia- O x,, _2 x,, _ ,
les. Usted puede aprender m as zarse para generar recurs ivamente la sucesion de Fibonacci.
acerca de los numeros de Fi bo-
nacci en numerosos libros de
t eor ia de numeros. Pued e
3. Empiece con [~J !],=[ para demostrar que A11 - 2
[: ] = [x
11
~
1
:], donde A =[ ! ~].

encontrar interesante revisar el
Fibonacci Quarterly, publicaci6 n 4. Encuentre una matriz P que diagonal ice a A .
oficial de la Fibonacci Associa- 5. Deduzca una f6rmul a ex plfc ita para e l 11-esi mo termino de la sucesi6n de Fibonacci. Use
ti on. esta f6rmula para calcular x 1, x 2 y x3.
- - - - - - - -(> 6. Determine el Ifmite de x,/x11 _ 1 cuando n se aproxima a infinito. l Reconoce este numero?
Roger Jegg • Fotodesign-Jegg de/www.shutterstock.com

Examen acumulativo de capitulos 6 y 7 Consulte www.CalcChat.com para las soluc1ones de los eiercic1os nones.
Resuelva este examen para revisar el material en los Capftulos 6 y 7. Despues de reali-
zarlo, verifique su trabajo con las respuestas al final del li bro.
En los Ejercicios I y 2, determine si la funci6 n es una transforrnaci6n lineal.

1. T: R 3 ➔ R 2 , T(x,y, z) = (2x,x + y) 2. T: M 2 _2 ➔ R, T(A) = IA+ Ari
3. Sea T: R" ➔ R111 la transformaci6n lineal definida por T(v) = Av, donde
A=[~ ~ 0 ~ ~l
Encuentre las dimensio nes de R" y R"'.
4. Sea T: R 2 ➔ R3 una transformaci6n lineal definida por T(v) = Av, donde
Determine (a) T( l , - 2) y (b) la preimagen de (5, - 5, 0).

5. Determine el kernel de la transformaci6n lineal
T:R 4 ➔ R4, T(x 1 ,x 2 ,x 3 ,x 4) = (x 1 -x 2 ,x 2 -x 1,0,x 3 +x 4 ).
6. Sea T: R4 ➔ R2 la transformaci6n lineal representada por T(v) = Av, donde
A= [l0 O 01 - O
- 1
J
1 .
Determine una base para (a) el kernel de T, (b) el rango de T y (c) determine el
dim(rango) y la nulidad (dim(Kemel)) de T.
y
En los ejercic ios 7 a 10, la matriz estandar para la transformaci6n lineal representada por T.
7. T(x, y) = (3x + 2y, 2y - x) 8. T(x, y, z) = (x + y, y + z, x - z)
9. T(x, y, z) = (3z - 2y, 4x + l l z)
11. Determine la matriz A estandar de la transformaci6n lineal proyvu: R2 ➔ R2 que pro-

yecta un vector arbitrario u sobre el vector v [ I - 1]7 como se muestra en la figura
7.8. Use esta matriz para hallar las imagenes de los vectores ( I, I) y (- 2, 2).
12. Sea T: R2 ➔ R 2 la transformaci6n lineal definida por una rotaci6n en sentido contrario
a las manecillas de! reloj de 30° en R2.
(a) Encuentre la matriz estandar A para la transformaci6 n lineal.
Figura para 11 (b) Use A para encontrar la imagen del vector v = ( I, 2).
(c) Trace la grafica de v y su imagen.
En los Ejercicios 13 y 14, encuentre las matrices estandar para T = T2 ➔ T1 y T' = T 1 ➔

T2.
13. T.,: R 2 ➔ R2 , T., (x, y) = (x - 2y, 2x + 3y)
T.i: R 2
➔ R 2 , T.i(x,y) = (2x,x - y)
14. T.,: R 3 ➔ R3, T.,(x,y, z) = (x + 2y,y - z, -2x + y + 2z)
T.i: R3 ➔ R3, T.i(x, y, z) = (y + Z, X + Z, 2y - 2z)
15. Determine la in versa de la transformaci6n lineal T: R2 ➔ R2 representada por T(x, y)

= (x - y, 2x + y). Compruebe que er - 1 • T)(3, -2) = (3, -2).
16. Determine s i la transformaci6n lineal T: R 3 ➔ R 3 definida por
T(x 1, x2, x 3) = (x 1 + x 2, x 2 + x 3, x 1 + x 3) es invertible.
Si es asf, entonces encuentre su inversa.
17. Determine la matriz de la transformaci6n lineal T(x,y) = (y, 2x, x + y) respecto a las
bases B = {(l , l ),(l , 0)} para R2 y B' = {( l , 0, 0),(1 , l , 0),(1, l , 1) ) para R3 . Utilice
esta matriz para hallar la imagen de! vector (0, 1).
18. Sean B = { (1, 0),(0, 1)} y B' = {(l , 1),(1, 2)} bases para R 2.
(a) Determine la matriz A de T: R2 ➔ R2 , T(x, y) = (x - 2y, x + 4y ) respecto a la base
B.
(b) Determine la matri z Pde transici6n de B' a B.
(c) Determine la matri z A I de T respecto a la base B ' .
(d) Determine [T(v)]8 , si [ v ]8 , = [ _~].

(e) Verifique su respuesta en el inciso (d) encontrando [v]8 y [T(v)] 8 .
En los ejercicios 19 a 22, los eigenvalores y los correspondientes eigenvectores de la

matriz.
19. [_~ ~] 20. [_~ :]

J ~]
2 - I
21.
[~ 3
- 3
22.
[~ l
0
En los Ejercicios 23 y 24, encuentre una matriz P no singular ta! que P- 1AP sea diagonal.
23. A ~ [~ - I
3
0 il 24. A ~ H ,~] - 3
4
0
-
25. Encuentre una base B para R3 ta! que Ia matriz para T : R3 ➔ R 3 , T(x, y, z) = (2x - 2z,
2y - 2z, 3x - 3z) respecto a Bes diagonal.
26. Determine una matriz ortogonal P tal que PTAP diagonalice la matriz simetrica
A=[~ ~].
27. Use el proceso de ortonormalizaci6n de Gram-Schmidt para hallar una matriz ortogo-
nal P tal que PTAP diagonalice la matri z simetrica
A~[~ ~ n
28. Resuelva el siste ma de ecuaciones diferenc iales.
1
Y1 = Y1
1
Y2 = 3Ji
29. Encuentre la matriz de la forma cuadratica asociada con la ecuaci6n cuadratica
4x 2 - 8xy + 4y 2 - I = 0.
30. Una pobl aci6n presenta las siguientes caracterfsticas.
(a) Un total de 80% de la poblaci6n sobrevive el primer afio. De este 80%, 40%
sobrevive el segundo aiio. La duraci6n max ima de la vida es tres aiios.
(b) El numero promedio de descendencia de cada miembro de la poblaci6n es 3 el
primer aii.o, 6 el segundo y 3 el tercero.
Actualmente, la poblaci6n consta de 150 elementos en cada una de las tres clases de
edad. i,Cuantos habra en cada clase de edad en un aiio? i,Y en dos aiios?
31. Defina una matriz orrogonal.
32. Demuestre que si A es semejante a B y A es diagonalizable, entonces B es diagonali-
zable.
Apendice lnducci6n matematica y atras formas de demastracianes A1
Apendice lnducci6n matematica y otras formas de demostraciones

Usar el Principia de lnducci6n Matematica para prabar afirmacianes
■ que implican un entera pasitiva n.
Demastrar par cantradicci6n que una afirmaci6n matematica

■ es verdadera.
Usar un cantraejempla para demastrar que una afirmaci6n matemati-

■ ca es falsa.
INDUCCION MATEMATICA
En este apendice estudiara algunas estrategias basicas para escribir demostraciones matema-
ticas (induccion matematica, demostracion por contradiccion) y el uso de contra ejemplos.
El Ejemplo l ilustra la necesidad logica para usar la induccion matematica.
EJEMPLO 1 Suma de enteros impares
Utilice el patron para proponer una formula para la suma de Jos n prirneros enteros irnpares.
l = l
1+ 3 = 4
1+ 3 + 5=9
I + 3 + 5 + 7 = 16
I + 3 + 5 + 7 + 9 = 25
SOLUCION
Observe que las sumas del !ado derecho son iguales a los cuadrados 12 , 2 2 , 3 2 , 4 2 y 5 2 .
Analizando este patron, parece que la suma S11 de los primeros enteros nones n es
S11 = 1 + 3 + 5 + 7 + · · · + (2n - 1) = n 2 .
Aunque esta formula es valida, es importante sefialar que e l reconocer un patron y

Iuego simplemente concluir que debe ser valido para todos los va lores den, Iogicamente
no es un metodo valido de demostracion. Existe un gran numero de ejemplos en los que
aparece un patron desarrollado para valores pequefios de n y luego, en algun punto, el
patron falla. Uno de los casos mas famosos de esto fue la conjetura de! matematico frances
Pierre de Fermat (1601- 1655), quien especulo que todos Jos numeros de la forma
F 11 = 22" + 1, n = 0, I, 2, ...
son primos. Para 11 = 0, I, 2, 3 y 4 la conjetura es cierta.
F4 = 65,537
El tamafio del siguiente numero de Fermat (F5 = 4294967297) es tan grande que le
dificulto a Fermat determinar si era primo o no. Otro reconocido matematico, Leonhard
Euler ( 1707-1783), encontro mas tarde la factorizacion
F5 = 4,294,967,297 = (64 1)(6,700,417)
Jo que demostro que F 5 no es primo y que la conjetura de Fermat es falsa.

Solo porque una regla, patron o formula parezca funcionar para algunos valores de n,
usted no puede decidir simplemente que es val ida para todos los valores den sin pasar por
una prueba leg[tima. Un metodo Jegftirno de demostracion de tales conjeturas es e l prin-
cipio de inducci6n matematica.
A2 Apendice lnducci6n matematica y otras formas de demostraciones
Principio de induccion matematica

Sea P11 una expresion que implica al entero positivo n. Si
1. Pi es cierto y
2. para cada e ntero positivo k, la verdad de Pk impli ca la verdad de Pk+ i,
entonces la afirmacion P11 debe ser cierta para todo entero positivo n.
En el siguiente ejemplo, se aplica el principio de induccion matematica para demos-

trar la conjetura de l ejemplo I.
EJEMPLO 2 Uso de induccion matematica
Use induccion matematica para demostrar que la siguiente formula.

S11 = I + 3 + 5 + 7 + · · · + (2n - I)= n 2
SOLUCION
La induccion matematica consiste de dos partes. Primero, usted debe demostrar que la
f6rmula es valida cuando n = l.
1. Cuando n = I, la f6rmula es valida ya que Si = I = I 2.
La segunda parte de la inducci6 n matematica tiene dos pasos. El primero es suponer
que la f6rmula es valida para algun entero k (la hip6tesis de induccion). El segundo
paso es usar esta s uposicion para demostrar que la f6rmula es valida para el siguiente
entero, k + I .
2. Suponiendo que la f6nnula
Sk = I + 3 + 5 + 7 + · · · + (2k - I) = k2
es cierta, usted debe demostrar q ue la formula Sk+ i = (k + 1)2 es cierta.

Sk+I = I + 3 + 5 + 7 + · · · + (2k - I)+ [2(k + I) - 1]
= [ I + 3 + 5 + 7 + · · · + (2k - I)] + (2k + 2 - I)
= sk + (2k + I) Agrupar terminos para fonnar sk.
= k2 + 2k + l Sustituir k2 por St·
= (k + 1)2
Combinando los resultados de los inc isos (1) y (2), puede concluir por induccio n matema-
tica que la f6rmula es valida para todos los enteros positivos n.
Una ilustraci6n bien conocida utilizada para explicar por que la inducci6n matematica
funciona es la lfnea sinffn de fichas de do min6 mostrada en la figura de la izquierda. Si la
linea contiene un numero infinito de fichas de dornin6, ento nces es claro que usted no
puede derribar la lfnea entera de fichas golpeando una a la vez. Suponga, sin embargo, que
esto es c ierto para cada ficha de do mino que derriba a la que la sigue. Entonces, usted
puede golpearlas y derribarlas todas simplemente empujando la primera y comenzar una
Figura A.1 reaccion en cadena.
La induccion matematica funciona de la misma manera. Si la vaJidez de Pk implica la
validez de Pk+i y si Pi es c ierta, entonces la reaccion en cadena procede como sigue:
P1 implica P2
P2 implica P3
P3 implica P4 y asf sucesivamente.
En el siguiente ejemplo podra ver la demostracio n de una formula muy utilizada en

calculo.
Apendice lnducci6n matematica y otras formas de demostraciones A3
j EJEMPLO 3 Uso de inducci6n matematica
Use induccion matematica para demostrar la formul a para la suma de los primeros n cua-
drados.
11(n + 1)(211 + I)
S,, = I2 + 22 + 32 + 42 + . . + 112 = ~-~~ 6- - ~
SOLUCION
1. La formul a es valida cuando 11 = 1, ya que
SI
=
12 = 1( 1 + 1)[2(1) + 1] = 1(2)(3) = I
6 6 .
2. Supo niendo que la formul a es cierta para k

Sk = 12 + 22 + 32 + 42 + . . . + k2 = k(k + 1~ 2k + 1)
usted debe demostrar que tambien es cierta para k + l,

S = (k + l)[(k + I) + 1][2(k + I)+ I] = (k + l )(k + 2)(2k + 3)
k+I 6 6 .
Para hacer esto, escriba Sk+ 1 como la suma de Sk y el termino (k + I )-esimo de la

siguiente manera
sk+ 1 = ( 12 + 22 + 32 + 42 + . . . + k 2) + (k + 1)2
= k(k + I)(2k + I) + (k + I)2 Hip6tesis de inducci6n
6
2 + 7k + 6)
~+- 1)(2k
=(k ~~- ---~ Combinar fracciones
6 y simplificar.
(k + l)(k + 2)(2k + 3)
6
Combinando los resultados de los incisos ( I) y (2), puede concluir por induccion matema-
tica que la formula es valida para todos los 11 enteros positivos.
Muchas de las demostraciones en algebra lineal utilizan induccion matematica. He

aquf un ejemplo del capftulo 2.
EJEMPLO 4 Uso de inducci6n matematica en algebra lineal
Si Ai, A 2 , . .. , A,, son matrices invertibles, demuestre la generalizaci6n de! teorema 2.9.
(A 1A 2 A 3 · · · A,,)- 1 = A,~ 1 · · · A 31A2 1A11
SOLUCION
1. La formula es val ida de manera tri vial cuando 11 = I, ya que A11 = A11•
2. S uponiendo que la formula es valida para k, (A 1A 2 A 3 · · · Ak)- 1 = A;_: 1 · · · A31A21A11,
usted debe demostrar que es valida para k + l. Para hacer esto, uti lice el teorema 2.9,
el cual dice que el inverso del producto de dos matrices in vertibles es el producto de
sus inversas en orden regresivo.
(A 1A2A3 · • · AkAk+ J- 1 = [(A 1A2 A3 · · • A k)A k+ 1] - 1
= Aj;~i{A 1A 2 A 3 • • • Ak)- 1 Teorema 2.9
= A-I
k+ I
(A-I
k
... A-IA-
3 2
IA-I)
I
Hip6tesis de inducci6n
= A;_:i1 Ai_:1 . . . A31A2 1Aj'1 SJ.. implica s k+ I ·
Co mbinando los resultados de los incisos ( I) y (2), puede concluir po r induccion mate-
matica que la formula es valida para todos los II enteros positivos.
DEMOSTRACION POR CONTRADICCION

Una segunda estrategia basica para escribir una demostraci6n es la demostraci6n. por con-
tradicci6n. En 16gica matematica, la demostraci6n por contradicci6n es descrita por la
equivalencia sig uiente.
p implica q si y s61o si q no implica p.
Una manera de demostrar que q es una afirmaci6 n valida es supo niendo que q no es cierta.
Si esto lo conduce a que la afirmaci6n que usted conoce es falsa, entonces ha demostrado
que q es c ierta.
El siguiente ejemplo muestra c6mo aplicar la demostraci6n por contradicci6n para
probar que fies irrac ional.
EJEMPLO 5 Uso de la demostraci6n por contradicci6n
Demuestre que fies un numero irracional.

SOLUCION
Comience suponiendo que fi no es un numero irracional. fi es rac ional y puede ser
*
escrito como el cociente de dos enteros a y b (b 0) que no tienen factor comun.
Suponga que .Ji es un numero racional.

2b 2 = a2 Eleve al c uadrado cada !ado y multiplicar por b 2.
Esto implica que 2 es un factor de a 2 . Asf, 2 tambien es un factor de a. Sea a = 2c.

2b 2 = (2c)2 Sustituya 2c por a
b2 = 2c2 Simplifique y di vida cada !ado entre 2.
Esto implica que 2 es factor de b2 y tambien lo es de b. Por tanto, 2 es un facto r de a y b.
Pero esto es imposible porque a y b no tienen factor comun. Esto hace imposible que Ji
sea un numero racional. Usted puede concluir que Ji debe ser un numero irracional.
COM ENTARIO EJEMPLO 6 Uso de la demostraci6n por contradicci6n

La demostraci6n por contradic-
ci6n no es una tecnica nueva. Un entero positivo mayor que I es un numero primo s61o si s us factores positivos son I y
Euclides elabor6 la prueba el mismo. Demuestre que existe un numero infinito de numeros primos.
del Ejemplo 6 alrededor del
300 a.C. SOLUCION
Suponga que existe solo un numero finito de numeros primos, p 1, p 2 , . . . , p,,. Considere
el numero N = p1p 2 • • • p,, + I. Este numero es primo o compuesto. Si es compuesto,
entonces puede ser factorizado como el producto de numeros primos. Pero ninguno de
estos (p 1, p 2 , . . . , p,,) divide en pares al numero N. N es por sf mismo un numero primo
y usted debe hallar un nuevo numero primo lo cual contradice la suposici6n de que existen
solo n numeros primos.
Existe un numero infinito de numeros primos.
Usted puede utilizar la demostraci6n por contradicci6n para probar un gran numero
de problemas en algebra lineal.
Uso de la demostraci6n por contradicci6n

EJEMPLO 7 en algebra lineal
Sean A y B matrices den x n tales que AB es singular. Demuestre si A o B es singular.
SOLUCION
Suponga que ninguna, A o B, es singular. Como usted sabe que una matriz es singular si y
s6Io si su determinante es cero, det(A) y det(B) son numeros reales diferentes de cero. Por
el teorema 3.5, det(AB) = det(A) det(B). Por tanto, det(AB) es diferente de cero al ser el
producto de dos numeros reales diferentes de cero. Esto contradice la afirmaci6n de que
AB es una matriz singular. Por ello, puede concluir que la suposici6n esta equivocada y
que A o B debe ser singular.
Apendice lnducci6n matematica y otras formas de demostraciones A5
USO DE CONTRAEJEMPLOS
En ocasiones, usted puede refutar una afinnaci6n empleando un contraejemplo. En este
caso, cuando Euler refut6 la conjetura de Fermat acerca de los numeros primos de la forma
F,, = 22" + l , n = 0, l, 2, ... , utiliz6 el contraejemplo F5 = 4 294 9672 97, el cual no
es un numero primo.
EJEMPLO 8 Uso de un contraejemplo
Use un contraejemplo para demostrar que la afirmaci6n es falsa.

Todo numero impar es numero primo.
SOLUCION
Ciertamente, usted puede hacer una bsta con muchos numeros impares que son numeros
primos (3, 5, 7, 11 ), pero la afirmaci6n que aparece lfneas arriba no es valida, puesto que
9 es non, pero no es un numero primo. El numero 9 es un contraejemplo.
Los contraejemplos se pueden emplear para rebatir afi rmac iones en algebra lineal,
como se muestra en el siguiente ejemplo.
EJEMPLO 9 Uso de un contraejemplo en algebra lineal
Util ice un contraejemplo para demostrar que la afinnaci6n es falsa.

Si A y B son matrices singulares cuadradas de orden n, entonces A + Bes una
matriz singular de orden n.
SOLUCION
Sean A= [~ ~]. A y B son singulares de orden 2, pero
es la matriz identidad de orden 2, la cual no es sing ular.
j EJEMPLO 10 Usar un contraejemplo en algebra lineal
Use un contraejemplo para demostrar que la afirmaci6n es falsa.

El conjunto de todas las matrices de 2 x 2 de la fonna
COM ENTARIO
Recuerde que a fin de que un
conjunto sea un espacio vecto-
rial, debe satisfacer cada uno de
los d iez axiomas en la defini- con las operaciones estandar es un espacio vectorial.
ci6n de un espacio vectorial
.....___ _[>
(vease la Secci6n 4.2) . SOLUCION
Para demostrar que el conjunto de matrices de la forma dada no es un espacio vectorial,
sean
Tanto A como B estan en la forma dada, pero la suma de estas matrices,
A + B = [~ l ~]
no lo esta. Esto significa que el conjunto no tiene c ierre bajo ad ici6n, por lo que no satis-
face el primer axioma en la definici6n.
. . .
E1erc1c1 OS Consulte www.CalcChat.com para las soluciones de los ejerc1cios nones.
Uso de la induccion matematica En los ejercicios I a 4, Utilizar la demostracion por contradiccion En los
utilice induccion matematica para demostrar que la form ula ejercicios 13 a I 9, use la demostracion por contradiccion
es valida pa ra todos los e nteros positivos n. para probar la afi rmacion.
n(n + 1) 13. Si p es un entero y p 2 es impar, ento nces p es impar.
1. I +2+3+ · · ·+n= - - - (Sugerencia: un numero impar puede escribirse como 2n
2
+ 1, donde n es un e nte ro.)
n 2 (n + 1)2 14. Si a y b son numeros reales y a :5 b, e ntonces a + c :5
2. ]3 + 23 + 33 + . . . + n3 = -'----'-
4 b + C.
3. 3 + 7 + 11 + · · · + (4n - I) = n(2n + 1) 15. Si a, b y c son numeros reales tales que ac ~ be y c >
0, e ntonces a ~ b.
4. ( 1 + +)( 1 + ½)( 1 + ½) · · · (1 + ~) = n + 1 16. Si a y b son numeros reales y 1 < a < b, entonces ~ > ¼-
Proponer una formula y usar la induccion matema-
17. Si a y b son numeros reales y (a + b) 2 = a 2 + b2 , enton-
tica En los ejercicios 5 y 6, proponga una fo rmula para la
ces a = 0 o b = 0 o a = b = 0.
swna de los n prime ros terminos de la sucesio n. Luego utilice
18. Si a es un numero real y O < a < l , ento nces a 2 < a.
induccion mate matica para de mostrar que la fo rmula es valida.
19. Use la de mostracion por contradiccio n para probar que la
5. 21, 22 , 23, ... suma de un numero racio nal y uno irracional es irracional.
I I I 20. Utilizar la demostracion por contradiccion en
6
· M'w'H' algebra lineal (De l Capftul o 3) Use la demostracion
Uso de la induccion matematica con desigualdades En por contradiccio n para demostrar que, si A y B son matri-
los ejercicios 7 y 8, use induccion matematica para de mostrar ces c uadradas de orden n tales que det(AB) = 1, enton-
la desigualdad para los valores e nteros indicados de n. ces tanto A como B son no singulares.
21. Utilizar la demostracion por contradiccion en
7. n! > 2", n ;?; 4 algebra lineal (Del capftulo 4) Use la demostracion
1 1 1 1 por contradiccion para probar que e n un espacio vecto-
8. - + - + - +···+ - > ✓ n, n ;?: 2
✓ l Ji. Jj Jn rial dado, el vector nulo es unico.
9. Uso de la induccion matematica Use la induccion 22. Utilizar la demostracion por contradiccion en
matemati ca para de mostrar que para todos los e nte ros algebra lineal (Del capftulo 4) Sea S = {u, v } un
n > 0. conjunto linealme nte independie nte. Use la de mostra-
- a"+l cion por contradiccion para probar que el conjunto {u -
a 0 + a' + a 2 + · · · +a"=----, a* l. v, u + v} es linealmente independiente.
I- a
Utilizar un contraejemplo En los ejercicios 23 a 30, use
10. Uso de la induccion matematica en algebra
un contraej e mplo para de mostrar que la afirmacion es falsa.
lineal (Del capftulo 2) Utilice induccion mate matica
23. Si a y b son nume ros reales ya < b, e nto nces a 2 < b2 .
para demostrar que (A 1AiA- 3 - • • A,,f = AI••• AfAfAf,
24. El producto de dos nume ros irracionales es irracional.
suponie ndo que A" A 2, A3, • • • , A ,, son matrices de
ta mafi.o tal que las multiplicaciones estan definidas.
25. Si a y b son numeros reales tales que a *
0 y b 0, *
entonces (a + b)3 = a 3 + b3.
11. Uso de la induccion matematica en algebra 26. Si f es una funcio n po linomial y f (a) = f(b), e ntonces
lineal (Del capftulo 3) UtiJice induccion mate matica a = b.
para de mostrar que IA i, A2, A3, · · · , A,,11,4 dIA2I = l,431 · · · 27. Si fy g son funciones deri vables y y = f(x)g(x), e ntonces
l,4 111, donde A 1, A2, A 3, - • ., A,, son matrices c uadradas de! y ' =f'(x)g'(x).
mismo tamafi.o. 28. (De l capftulo 2) Si A, B y C son matrices y AC = BC,
12. Uso de la induccion matematica en algebra e ntonces A = B.
lineal (Del Capftulo 6) Use la induccion mate matica 29. (Del capftulo 3) Si A es una ma tri z, e ntonces de t
para de mostrar que, s i las matrices estandar de las tra ns-
(A -1) -- _l_
det k
formaciones lineales T 1, T2, T3 , . . . , T,, son A 1, A2, A3, •
. . , A,, respectivamente, e ntonces la matriz estandar para
30. (Del Capftulo 4) El conjunto de todas las matrices de 3 x 3
la composicion
T(v) = T,,(T,,- , · · · ('I;(I;(I; (v))))· · ·)
esta re presentada por
de la fonna [: ~ ;]
A =A,,A 11 _ , • • • A 3AzA, . con las o pe rac io nes esta ndar es un espac io vecto rial.
Respuestas a las ejercicios impares seleccionados A7
Respuestas a los ejercicios impares seleccionados
Capitulo 1 31. (a) (b) lnconsistente
Secci6n 1.1 (pagina 10)

1. Lineal 3. No lineal 5. No lineal
7. X = 21 9. x = I- s- I
y=/ y=s
z= !
y )'
11. 13. -2x+2y=5
33. (a) (b) Consistente
(C) X =½
y = -¼
(d) X =½
y = -¼
(e) Las soluciones
son las mismas.
x=2 No es soluci6n
y=0
)'
35. (a) (b) Consistente
15. Y 17.
(c) Hay un m1mcro infinito
de soluciones.
(d) x = + 21 l
y =I
(e) Las soluc iones son
-3 consistentes.
0.8x - l.6y = 1.8
37. xi=- I 39. II = 40 41. X = -½

x =4 x=2
x2 =- I v = 40 y = -~
y =I y = - I
19. >'
43. X = 14 45. Xi = 8 47. x = I
21. y 0.05x - 0.03y = 0.o? y = -2 X2 = 7 y= 2
z= 3
49. No es soluc i6n 51. Xi = ~ - ½1 53. No es soluci6n
X 2 = 41 - I
X3 = I
55. X = ] 57. X i = - )5 59. X i =!
y= 0 X2 = 40 X2 = -54
z=3 x 3 = 45 X3 = ½
2
IV = X4 = - 75
x=5 x =2
61. Este sistema debe tener aJ menos una soluci6n, ya que x = y =
y = -2 y= l
z = 0 es una soluci6n obvia.
23. Y x =lf- Soluci6n: x = 0
y=i y=0
z= 0
El sistcma ticne exactamentc una soluci6n.
63. Este sistema debe tener al menos una soluci6n, ya q ue x = y =
::: = 0 es una so luci6n obvia.
Soluci6n: x = - i,
y = t,
Z =I
25. X i =5 27. X =i 29. Xi =-/ Este sistema tiene un numero infinito de soluciones.
X2 =3 y =1 X2 = 21 65. Jugo de manzana: 95.5 mg
z=0 x3 =I Jugo de naranja: 81.9 mg
A8 Respuestas a los ejercicios impares seleccionados
67. (a) Verdadero. Usted puede describir todo e l conjunto soluci6n Secci6n 1.2 (pagina 22)
usando una representaci6n parametrica.
ax+ by = c ). 3 X 3 3. 2 X 4 5. 4 X 5
Seleccionando y = 1 como la variable libre, la soluci6n es 7. Sume 5 veces el segundo rengl6n al primer rengl6n.
9. Sume 4 veces e l segundo re ngl6n al tercer re ngl6n. lntercambie
; 1,
x = ;c-b y = t dond et es c ua1qu1er
·, numero rea.I el primer y e l segundo rengl6n.
(b) Falso. Por ej emplo, considere e l siste ma ] ). X i = 0 13. X i = 2
Xi+ X2 + X3 = l X2 =- I
Xi+ X2 + X3 = 2
I X3 =-
el cual es un sistema inconsistente. 15. Xi = I 17. Xi = - 26
(c) Falso. Un sistema consiste nte puede tener s61o una solu- x 2 = 13
X3 = -7
ci6n.
X4 = 4
69. 3Xi - X2 = 4
- 3xi + x 2 = --4 19. Reducida a la forrna escalonada por renglones.
(La respuesta no es unica.) 21. No en la forma escalonada por renglones.
2 23. No en la forma escalonada por renglones.
11. X =3 73. X =--
5 - / 25. x = 3 27. No tiene soluci6n
y = -4 y =2
l
y = 4t - I 29. X = 4 4
I I y = -2 X2 = -3
z=
1, donde I * 5, 4, 0 X3 = 2
15. X = COS 0 11. k = - 2 33. No tienc soluc i6n 35. x =
I00 + 961 - 3s
y = sen 0 y= s
79. Toda k -=fc ± 1 81. k = !
83. k = 1, -2 ;: = 54 + 521
85. (a) Tres rectas se inte rsecta n en un punto IV= I
(b) Tres rectas coincidentes 37. X =0 39. Xi = 2
(c) Tres rectas que no tienen punto comun y =2-41 x2 = -2
87. Las respuestas pueden variar. (Sugerencia: seleccione tres valo- Z =I x3 = 3
res de x y resuelva el sistema de ecuaciones lineales resultante X4 = -5
para las variables a, b y c.) X5 = (
89. 4y = -3
X - x-4y =- 3 41. Xi =0 43. Xi= - /
5x - 6y = 13 14y = 28 X2 = - f X2 =S
y y
x3 = I x3 =0
5 x4 =I
14y=284 45. $ I00,000 a 9%
/ 3
$250,000 a I 0%
$ 150,000 a 12%
34 5 47. Aumentada
x- 4y =-3
(a) Dos ecuaciones con dos variables
{b) Todos los reales k * -5
Coeficiente
X - 4y = -3 x=5
(a) Dos ecuaciones con tres variables
y = 2 y=2
y y (b) Todos los reales k
x=5 49. (a) a + b + c = 0
5 5
y =2 4 4 (b) a + b + c -=fc 0
/ 3 y= 2 3 (c) No es posible
51. (a)x=~- i i (b)x=lf-f-¼1
-++-1--+-+-+-+-+-+-l-+-+- X
3 4 5 -4 -2 I 2 34 y = - ~ + ~t y= - 2.f+ H ,
x - 4y= - 3 -2
-3
Z = I ;: = I
-4 (c) X = 3 - I (d) Cada siste ma tiene
-5
y = - 3+I un numero infinite
Todos los puntos de inte rsecci6n son los mismos. Z= I de soluciones.
91. X = 39 600
y = 398
53.
[~ ~]
Las graficas son err6neas porque, mientras aparecen parale las
cuando las ecuaciones se resue lven para y, tienen pendientes
ligerarnente difere ntes.
55.
[~ ~]. [~ k] [O
0 ' 0
57. (a) Verdadero. En la notaci6n m x 11, mes el numero de renglo- 7. (a) p(x) = - 6 - 3x + x2 - x3 + x4
nes de la mauiz. Asf, una malriz de 6 x 3 tiene seis renglones. (b) (-2, 28) y
(b) Yerdadero. Al inic io de la pagina 16, el enunciado dice
"Esto demuestra que toda matriz es equivalente a una
I 30
matriz en la forma escalonada par renglones".

(c) Falso. Considere la forrna escalonada par renglones
I 0 0 0
0 I 0 0 3
0 0 I 0 ( I , - 8)
0 0 0
9. (a) Seaz = x - 2007.
la cual genera la soluci6n x 1 = 0. x 2 = I , x 3 = 2 y x 4 = 3.
p(z) = 7 + ½z + iz2
(d) Yerdadero. El teorema 1. 1 establece que si un sistema
p(x) = 7 + ¾- Cx - 2007) +¾
- (x - 2007)2
homogeneo tiene menos ecuaciones que variables, enton-
(b) y
ces tiene un numero infinito de soluciones.
59. Sf, es posible:
X 1 + X2 + x3 = 0
X1 + X2 + X3 = J
61. ad - be =I= 0 63. A = I, 3
65. Los renglones tienen que ser intercambiados. La primera opera- (- 1,5)
3
cion elemental con renglones es redundante, asf que solo debe
usar la segunda y tercera operaciones elementales par rengl6n.
-1 1
67. (a) Una matriz inconsistente en la forma escalonada par ren- (2006) (2007) (2008)
glones puede tener un region que conste s61o de ceros
excepto el ultimo. 11. (a) p(x) = 0.254 - l.579x + 12.022x 2
(b) Una matriz para un s istema con soluciones infinitas tendrfa (b) '(0. l r 0.284)
un rengl6n unicamente de ceros o mas de una columna sin
ningun I principal.

1. (a) p(x) = 29 - l8x + 3x 2 \.0.120, 0.238)
(b) y
O. I (0.072, 0.203)
+-t-+-+-+-i-++-t-+-+-. X
j (2,Sv 4,SJ
- 0.2-0. 1 0.1 0.2
4 2 4
13. p(x) = --x
7r2
+ -x
7T
7T 8
(3. 2) sen
3 9 = 0.889
=
--+--+--+--+--+--+--+__.
I 2 3 4 5 6
X (El valor real es ./3/ 2 0.866.) =
15. (x - 5) + (y - 10)2 = 65
3. (a) p(x) = 2x 17. 28 1 + 3(x - 2000) - 0.02(x - 2000)2: 2020: 333 millones;
(b) y 2030: 353 millones
19. (a) Usando z = x - 2000,
a0 + 3a1 + 9a2 + 27a3 = 10,526
a0 + 4a 1 + 16a2 + 64a3 = 11 ,330
a0 + 5a 1 + 25a 2 + 125a 3 = 12,7 15
a0 + 6a 1 + 36a2 + 2 16a 3 = 12,599
(b) 32,420 - 17.538.S(x - 2000) + 4454.S(x - 2000)2
- 347(x - 2000)3
5. (a) p(x) = - !x + 2x 2 + ½x 3 No. Resuelva el sistema. Respuesta de muestra: El modelo
(b) y predice que las ganancias caeran durante las pr6x imos afios
60 y seran negativas en 2008.
50 21. Las respuestas varfan:
40 p (- 1) = a0 - a 1 + a2 = 0
30
p(O) = a0 =0
(- I, 3) p( I) = a0 + a 1 + a2 = 0
a0 = a, = a2 = 0
(0, 0) I 2 3 4
A 10 Respuestas a los ejercicios impares seleccionados
23. p(x) = - 3x + x 3 23. x, = -2/

)' x2 =I
X3 = 0
25. Forma escalonada por renglones (no reducida).

27. No en la forma escalonada por renglones.
29. X = 2 3 1. X = ½ 33. X = 4 + 31
I
y =- 3 y =- 3 y = 5 + 2,
l =3 z= I l = I
35. No tiene soluci6n 37. x, = 39. X = 0
25. (a) p(x) = I - fsx + -&,x 2 x2 = 4 y =2 - 41
(b) p(x) =I +x x3 = -3 Z = I
I
X4 =- 2
y = I + .r 41. x I= 43. x , = 21 45. x, = - 4,
y
y= 0 X2 = - 31 X2 = -½ t
5 =I x3 = I
::: = 4 x3
4 w =-2
47. k =±I
49. (a) b = 2a y a 3 *-
(b) b =fo 2a
(c) a = - 3 y b = -6
-I 2 3 4 51. Uti lice un metodo de eli minaci6n para obtener ambas matrices
en la forma escalonada reducida. Las dos matrices son equiva-
27. (a) x 1 = s (b) x 1 = 0 (C) X I = 0
lentes por renglones, ya que cada rengl6n es equivalente por
x2 =I X2 = 0 X2 = - 500 renglones a
x3 = 600 -s X3 = 600 X3 = 600
=S = = 500 0
n
X4 - I X4 0 X4
X5 = 500 -
x6 = s
I x 5 = 500
x6 = 0
X5
x6
= 1000
= 0 [i I
0
x7 =I = - 500
X7 I 0 - I - 2 2 - 11
29. (a) x 1 = 100 + I (c) x 1 = 200 0 I 2 3 II - I

x 2 = - I00 + t x2 = -1 00 X2 = 0 53. 0 0 0 0 0
X3 = 200 + I X3 = 200 x 3 = 300
x4 =I X4 = 0 X4 = 100 0 0 0 0 0
31. 1, = 0 55. (a) Falso. Yea la pagina 3, ejemplo 2.
12 = 1 (b) Yerdadero. Yea la pagina 5, ejemplo 4(b).
13 = l 57. 6 anotaciones, 6 patadas de punto extra, I gol de campo
33. (a) / 1 = I (b) / 1 = 0 59. A+B =8
/2 = 2 /2 = I -2A +C= 0
/3 = 1 /3 = I A-B + C=0
35. 7; = 37.5°, Ti = 45°,
½ = 25°, Ti = 32.5° A = 2, B = 6, C = 4
15
_ I _ + _ 3_ _ 2 61. (a) p(x) = 90 - ~ x + ¥ x2
37
· x - I x + I (x + I)2
(b) y
39. X = 2
25
y= 2
A = -4 20
15
Ejercicios de repaso (pagina 35) 10
1. No lineal 3. Lineal 5. No lineal 5
7. x =-¼+ ½s- ½r
y= s I 2 3 4 5
Z = I 63. p(x) = 50 + ¥-x + 2
ix
9. X =¼ 11. X = - 12 13. X =0 (El primer afio esta representado por x = 0.)
y= ~ y = -8 y= 0 Ventas en el cuarto afio: p(3) = 95
15. No tiene soluci6n 65. (a) a0 = 80
17. x = 0 19.x 1 = - 21. 2 X 3 a0 + 4a 1 + 16a2 = 68
y = 0 X2 = a0 + 80a 1 + 6400a1 = 30
Respuestas a las ejercicios impares seleccionados A 11
(b) y (c) a0 = 80
a I -- _2.2
G2
8
= 32
I
25. (a) [- ~
0
-~~i
14
(b) No es posible
32 x - 8 x +
por tanto, y -- J.. 2 ll 80 .
(d) Los resultados para (b) y (c) son Jos mismos.
(e) Hay precisamente una funci6n polinomial de grado n. - I (o
27. (a) U] (b) Noe,; pos;blo
r- 20~10
menor) que ajusta 11 diferentes puntos.
67. , , = 13 - 24
29. (a) 721
12
(b) No es posible
l2 = -&
60 72
l 3 = 13
31. 3 X 4 33. 4 X 2 35. 3 X 2
37. No definida, los tamanos no coinciden.
Capitulo 2 39. x 1 = l,x2 = ~T,x 3 = ¾r
1. X = - 4, _y = 22
3. X = 2, _y = 3
5. (a) [ 31 - 27]
(d) [ 5
0 -
- 10
IJ
7. (a) -~i
10
9. (a)
(La respuesta no es unica.)
3
3 51. b - 1[l]+2[_i]+o[=:i -m
(e) ~ 6
[ 3
2 53. [ -~ _ ~] 55. a= 7, b = -4, c = - ½,d = f
11. (a), (b), (d), y (e) No es posiblc
(c) [ 12
13. (a) c21

-2
= -6
0
-8
6]
0
(b) c 13 = 29
57 [ ~ ~ ~]
15. x = 3, y = 2, z= I 59. AB = [- I~ _ ~]
1
17. (a) [~ :~] (b) [ ~~ 1~] BA =[ -1~ - 1~]
~~i ~
5
19. (a) [ - : -~ (b) [ 4]
11 - 5
61. Prueba 63. 2
69. W = z, X = - y
65. 4 67. Prue ba
~:i
-20 I 4 - 17 - I - 16
71. Sea A = [ 011 012
].
a 21 lli2
21. (a) Noesposible (b) [1~
26 46 entonces la ecuaci6n matric ial se expande a
+ + = [I Q].
~]
4 al I G21 Cl12 Cl22]
[a 0 I
23. (a) [12) 6 11 + a21 a 12 + a22
0 Como a 11 + a 2 1 = I y a 11 + a 2 1 = 0 ambas no pueden server-

dadcras, entonces puede concl uir que no hay soluci6n.
OJ 1-- 1 OJ Secci6n 2.2

i2 = _0 - I -8
A3 = [
0
i3
i
OJ
3 = [-i OJ
0 -i
1. [ 15 =~] 5. [ lO
-59
A4 = [ lo
·4
i~J = [~ ~J
7. [ 3
13 !]
-i
2
OJ = [I0 3 fl [_.Ll. _!.Ql
(b) 8 2 = [ 0 - i2 13. (a) -! 131 (b) : -~
75. Prueba 77. Prueba [ !.Q O - ~ - ~
3 3 3
79. [$ 1037.50 $1400.00 $ 10 12.50]
Cada elemento representa la ganancia total de cada punto de venta.
0.40 0.15 0. 15] (c)
[
- 14
7
-4]
-17 (d) [--1 -¥]
-17 - 2
81. 0.28 0.53 0. 17
[ 0 ~
0.32 0.32 0.68
P2 da las proporciones de la poblaci6n votante que cambi6 de
- IOJ 17 [ I 6 - lJ
-5 · -2 -2 -8
partido o se mantuvo leal a su partido desde la primera elecci6n
hasta la tercera. 12
21. (a) [ 24 7J [12
15 (b) 24
-1 4 0
83. -1 I
1------+---i
0 0
0
5
23. AB= [ _
3
-9
2J BA
6 '
= [-8 :J
2
2
85. (a) Yerdadero. En la pagina 43 " ... para que el producto de dos
matrices este definido, el numero de columnas de la primera
25• AC = BC = [ 2
!J
2
27. Prueba
matriz debe ser igual al numero de renglones de la segunda" .

31. [0 33. [ ~
(b) Yerdadero. En la pagina 46 " ... el sistema Ax = b es con-
siste nle si y s6lo si b puede ser expresada como ... una 35. (A + B)(A - 8) = A 2 + BA - AB - 8 2 , la que no necesariamente
combinaci6n lineal, donde los coeficientes de la combina-
es igual a A 2 - 8 2, ya que AB puede no ser igual a BA .
ci6n son una soluci6n del sistema" .
87. (a) AT =[- : -~ -~J -5J

-J
AAT = [-I -1
-2
- 4
-3J
- 2
Triangulo asociado con T Triangulo asociado con AT
y )'
(2, 4)
4 4
(-2, 3)
3
2
f>..(3,2) ~ ✓(- 1 , I) 68 26 -10 6 29 -14 5 -5
~✓-
_/\
I (I, I) 26 41 3 -1 -14 81 -3 2
-+--+-+-+--1--+-+--+---+-. , X -++-+--+--<........+-+--+--+-....... X 45. (a) (b) 5 - 3
-3-2- 1 I 2 3 4 \ -2- 1 I 2 3 4 -1 0 3 43 5 39 -1 3
-2 (-4, 2) - 2 6 - 1 5 10 - 5 2 - 13 13
-3 -3
-4 -4 47. (a) Yerdadero. Yea el teorema 2.1, parte I.
(b) Yerdadero. Yea el teorema 2.3, parte I.
Triangulo asociado con AA T
y (c) Falso. Vea el teorema 2.6, parte 4, o el ejemplo 9.
(d) Yerdadero. Yea el ejemplo 10.
4
3 49. (a) a = 3 y b = - I
2 (b) a+ b = I
(-3, -2) I V(-1 , - 1) b = I
1
X
'l -2 / I 2 3 4 a = I
No ti ene soluci6n
~
-2.----(-
-4
2, -4) (c) a+ b + c = 0
b + c=O
La matriz de transformaci6n A rota el tri angulo 90° en sen- a + c =O
tido contrario a las manecillas del reloj en torno al origen. a= -c ➔ b = O➔c = O➔a =0
(b) Dado el triangulo asociado con AAT, la transformaci6n que (d) a = - 3t
producirfa el triangulo asociado con AT serfa una rotaci6n de b =t
90° en sentido de las manecillas del reloj e n tomo al origen. C =t
Otra rotaci6n tal producirfa el triangulo asociado con T. Seal = l:a = -3, b = l, c = I
SI. [~ -! ~]
57-65. Prueba 67. Cuasisimetrica
53. [ ±~ ±~] 55. [
-4
8
11. [
-4
- 19 -33]
-7 13H _; =;]
[-! ! l o½ o0l
69. Sirnetrica 71. Prueba 1 [½
73. (a) ½(A + AT) 15. Singular 17. 2 -~ -3 19. 0
- I I O O f
= ½
(r:~: :;: :· ·. "1,,1
a~,, + ["11
a! "21
a~ · · · a,!
a,,11)
2 2 . .. 2 0
a,11 a,,2 .
2a 11
. a,,,,
.
.
G12 + G21
.
.
a 1,, a2,,.
.
.
.
· G1,, + a,,11
.
.
a,,,,
21.
[ 3.75
3.458~
4. 16
-I
0
- 1.25]
-1.375
-2.5 n. [-1 1 ;]
~ =~1
-24 7
-_ !, G21 +. ll12 2 ~22 . l/211: a,,2
-10 3
r
- a,,
1
~a 1
,,
2a,,,,
25. Singular 27.
-29 7 3 -2
29. Singular
(b) ½(A - AT) r 12 - 3 -1 I
= ½
(r~: ::
a,,, 1_
·· ·· a211 3 1.
[1 13
-1J 13
33. No existe 35.
[
_1 ll]
16
5959
59
70
. a:,,,
~-;] ]
anl a:,2 . 0
- !
- 2
G 21 -
0
.
G 12
G1 2 -
0
G21 ll1,, -
a21, -
ll,a,,,11
2
37.
[; !] 39.
[~ 0
a,,, - a 1,, a,,2

(c) Prueba
- ~, 0
41. (a) [
4
35 17]
10
(b)
[~ (c)
[
-½I 3
~]
(d) A = i{A - AT) + ½(A + AT) 1 6
~ =!] ~ !]
43. (a) 16[ ~~ 2
= [-~ + [~ 24 -8
½ ½ 0 ½ I f <cd[: -~
Cuasisimetrica Simetrica
75. Respuestas de muestra: I 4
(a) Un ejemplo de una rnatriz de 2 x 2 de la forma dada es 45. (a) x =I (b) x = 2
A2 = l~ ~]. 47. (a)

y = - I
x1 = I
X2 = )
y=4
(b) x 1 = 0
= I
Un ejemplo de una matriz de 4 x 4 de la forma dada es X2
in
X3 =- I X3 =- I
A,= [i 49. x 1 =0
X2 = )
51. x1 = I
X2 = - 2
x3 =2 x3 = 3
(b) A~=[~ ~] X4 =- I X4 = 0
l
X5 =0 X5 = I
0
Aj = [i 0
0
53. X = 4 55.
x 6 = -2
X = 6
(c) La conjetura de que si A es una matriz de 4 x 4 de la forma

dada, entonces A4 es la matriz cero de 4 x 4. Una aplicaci6n 57. [
- I
¾ -¼
i] 59 .
p . _ _ [sen
rueba, A 1 -
cos 0
-cos
sen 0
0 0]
grafica muestra que esto es cierto.
(d) Si A es una rnatriz de n X n de la forma dada, entonces A" 188.24 - 11 7 .65 - 11.76] [25]
61. F- 1 = -117.65 323.53 -117.65 ; w = 40
es la matriz cero den X n.. [ -11.76 - 11 7.65 188.24 75
Secci6n 2.3 (pagina 71) 63. (a) Verdadero, vea el teorerna 2.10, parte I.
1. AB =[~ (b) Falso, vea el teorema 2.9.

(c) Verdadero, vea "hallar la inversa de una matriz por elimina-
5 AB= [i ci6n de Gauss-Jordan", parte 2, pagina 64

65-71. Prueba
73. La suma de dos mau·ices invertibles no necesariamente es

invertible. Por ejemplo, sea
A = [~ ~] y B = [- ~
to o,~l
0
-1
75. (a) [ ~
[2
(b) ~ 3
0
77. (a) Prueba

-1
0
29. [~ :H~ ~][~ _~J
0
79. A = PDP-I
No, A no es necesariamente igual a D .
31. [-: ~ ~][~ -~
;]
0 0 1 0 0
81. Las respuestas varfan. Respuesta de mucstra: Para una matriz A
[~
den x 11, construya la matriz [A /] y reduzcala por renglones
~0 0~ ~1 0~
~]
hasta tener [/ A- 1]. Si esto no es posible o si A no es cuadrada, 0 0
entonces A no tiene inversa. Si es posible, entonces la inversa - I 0
33.
esA- 1• 0 0 2
83. Las respuestas varfan. Respuesta de muestra: Para el sistema de 0 0 0 I 0 0 0
l !JW
ecuaciones 0 0
a 11x 1 + a,ri + a 1yr 3 = b 1 I 0
a2,x, + Cl2r2 + G2;r3 = b2
a3,x, + a3r2 + a3yr 3 = b3 [i 0
0 - I !]
escriba como la ecuaci6n matricial
[i l ! ~l[i
0 0
AX = B I -3
[
11
a 12 13
l[x 1
aClit Cl22 aCl,3 X 2] = [b']
Cl31 Cl32 Cl33 X 3
b, ·
b3
0
0
I
0 !]
Si A es invertible, entonces la soluci6n es X = A-, B. 35. (a) Verdadero. Vea el "comentario" despues de la "Definici6n
de matriz elemental", pagina 74.
(b) Falso. La multiplicaci6n de una matriz por un escalar no es
1. Elemental, multiplique el segundo rengl6n por 2. una simple operaci6n elemental con renglones, asf que no
3. Elemental, sume dos veces el primer rengl6n al segundo. puede representarse por una matriz elemental correspon-
5. No es elemental. diente.
7. Elemental, sume - 5 veces el segundo rengl6n al tercero. (c) Yerdadero. Yea el teorema 2. 13.
37. No. Por ejemplo, [~ ~][~ :] = [~ l]

3 .
39. ,-, ~· ··: , il

41. [ -~
~l [~ ~ -:l
43. [
- I
~ 0
I O O 2
17.
[~ ~] 19. [ ;
0
J
~] 45. (a) [
-I
~2
O
I O
~i [~ ~i
O
1 -
3
0 (La respuesta no es unica.)
21.
k
0
0
0
0
0
0
, k =t- 0 ~),-Ul -Ul (c) •
47. Primero, factorice la matriz A = LU. Despues, para cada b; al

lado derecho resuelva Ly = b; y Ux = y.
Respuest as a las ejercicios impares seleccionados A 15
49. Idempotente. 51. No idempotente.

53. Caso l: b = I. a = 0
Caso 2: b = 0, a = cualquier numero real.
55 -59. Pruebas

1. No estocastico. 3. Estocastico
5. (a) 350 (b) 475
7. Fumadores de menos Fumadores de mas
Estocastico de un paquete al dfa de un paquete al dfa
(a) 5025 2500 2475
(b) 5047 2499 2454
9. Marca A Marca 8 Ninguna
(a) 24,500 34,000 4 1,500 3 3
(b) 27,625
(c) 29,788
36,625
38,356
35,750
3 1,856 15. [~
-1]
- 3
17.
20
1.. _..L
10
20
30
_!] 15 19. [ -!]
11. Sin codificar: [19 5 12], [ 12 0 3], [ 15 14 19], _ ! _! !
5 5 5
[15 12 9], [4 1 20], [5 4 O]
Codificado: -48, 5, 3 1, -6, -6, 9, -85, 23, 43,
-27, 3, 15, - ] 15. 36, 59, 9. -5, -4
13.Sincodificar:[3 15].[13 5],[0 8],[ 15 13],[5 O],
2!. Hl 23. [;J = [ _ :~] 2S. [ ; } Hl
15. HAPPY_ NEW_YEAR
[19 15], [15 14]
Codificado: 48,81, 28,5 1,24,40,54,95,5, 10,64, 113,57, 100
19. MEET_ME_TONLGHT_RON
17. ICEBERG_DEAD_AHEAD
27. [ -~
21
~]
21
29. X 'F- - 3 31.
[i
0
I
0
-~]
21. _SEPTEMBER_THE_ELEVENTH_ WE_WILL
_ALW A YS_REMEMBER
33. [~ ~] [~ ~]
Carbon Acero
23 _ D = [0._ 1
08
0.2] Carb6n X = [20,000] Carb6n
0. 1 Acero
8622.0l Granjero
40,000 Acero JS. [: ! ;m ! -;m
(La respuesta no es un ica.)
0
I
0
=
25. X
[
4685.0 Pastelero
3661.4 Tendero 37. [-I
0 - 1
0
] and [
0
1
27. (a) Y 29. (a) (La respuesta no es unica.)

4 4
(2, 3) 39. [~ ~], [~ ~], and [~
3
2
41. (a) a = - I (b) y (c) Demostraci6n
b= - l
c=
-I 3
43. [~
(b) y = ~ + !x (b) y = 4 - 2x
(c) ¼ (c) 2 (La respuesta no es un ica.)
45. x = 4, y = I , z = - I
31. y = -½
+ 2x 33. y = 1.3 + 0.6x
47. (a) Falso. Vea el teorema 2.1, parte I , pagina 52.
35. y = 0.412x + 3 37. y = -0.5x + 7.5
39. (a) y = 11,650 - 2400x (b) 3490 galones (b) Yerdadero. Yea el teorema 2.6, parte 2, pagina 57.
41. (a) y (b) y = 2.81 I + 226.76 49. (a) Falso. La matriz [~ ~]noes invertible.
43. Las respuestas varfan. 45. Prueba.
(b) Falso. Yea el ejercicio 65, pagina 6 1.
Ejercicios de repaso (pagina 98) [ 110 99 77 33]
5
1. [-1 3 -8 18] 3.
14
14
-2 8]
- 10 40
1. 44 22 66 66
0 11 - 19 [
36 - 12 48
6 - 103]
6
0 6
5455 128.2] 27. 0 29. 65,644w + 62,256x + l2,294y - 24,672z

53. (a) 355 1 77.6 31. -100 33. 14 35. -0. 175 37. 19
[
759 1 178.6 39. -24 41. 0
La primera columna de la matriz mues1ra el total de las 43. (a) Falso. Vea la "Definicion del delerminante de una matriz de
ventas por cada tipo de gasolina y la segunda indica la 2 x 2", piigina 104.
ganancia por cada tipo. (b) Verdadero. Vea la primera linea despues de los "Comenta-
(b) $384.40 rios" e n la piigina 106.
(c) Falso. Vea las "Definiciones de los menores y los cofacto-
55. [oo oo] 57. No es1ocas1ico
res de una ma1riz", piigina 105.
45. x = - 1, - 4 47. x = - I, 4 49. A = - l ± ..J3
59_ PX = [ 80] P i x = [ 68] P 3x = [ 65]
I 12 ' 124 ' 127 51. A = - 2, 0, o I 53. 811v - I 55. e 5x
11 0,000] Regi6n I [ 123, 125] Regi6n I 57.1 - ln x
61. (a) 100,000 Regi6n 2 (b) 100,000 Region 2 59. Expandiendo a lo largo de! prime r renglon, el determinante de
[
90,000 Region 3 76,875 Region 3 una matriz de 4 x 4 implica cuatro determinantes de 3 x 3. Cada
63. Sin codificar: [ 15 14] [5 0] [9 6] [0 2] [25 0] uno de es1os determinan1es de 3 x 3 requiere seis productos
[ 12 I] [14 4] triples. Por tanto, hay 4(6) = 24 productos cuiidruples.
Codificado: 103 44 25 10 57 24 4 2 125 50 62 25 78 32 61. wz - xy 63. wz - xy
65. A- 1 = [! ;} ALL_SYSTEMS_GO
65. xy2 - xz2 + yzi - x 2y + x 2;: - y2z
~i;
67. (a) Prueba
X 0 0 d
67. A- 1 = [-~ - : INVAS ION_AT_DAWN - I X 0 C
(b)
-5 -3 -3 0 - 1 X b
69. _CAN_YOU_HEAR_ME_NOW 0 0 -I a
69. Prueba
71. D = [ 0.20
0.30
0.50]
0.10 '
X""' [1 33,333]
133,333
73. y = ~ - tr 75. y = 2.5x
1. El primer renglon es dos veces el segundo. Si un renglon de una
77. (a) y = 19 + 14x (b) 4 1.4kilogramosporkilometrocuadrado. ma1riz es un multiplo de otro rengl6n, emonces el determiname
79. (a) y = 0.l3x + 2.0 1 de la matriz cs cero.
(b) y = 0.13x + 2.0 1 3. El segundo renglon consta completamente de ceros. Si un ren-
Los modelos son los mismos. glon de una matriz cons1a por completo de ceros. entonces el
(c) determinante de la matriz es cero.
Alio 2005 2006 2007 2008 2009 20 10
5. La segunda y la te rcera columna son intercambiadas. Si se
Vadadero 2.6 2.9 2.9 3.2 3.2 3.3 in1ercambian dos columnas de una malriz, en1onces el determi-
nante de esta cambia de signo.
Estimado 2.7 2.8 2.9 3. 1 3.2 3.3 7. El primer renglon de la matriz se multiplica por 5. Si un re ngl6n
Los valores es1imados son muy cercanos a los valores ver- en una mairiz se multiplica por un escalar, enlonces el de1ermi-
daderos. nante de la matriz se multiplica por ese escalar.
9. Se factoriza un 4 de la segunda columna y un 3 de la tercera. Si
una columna de una malriz es multiplicada por un escalar,
Capitulo 3 entonces e l determinante de la matriz se multiplica por ese
Secci6n 3.1 (pagina 110) escalar.
11. La ma1riz es multiplicada por 5. Si una matriz de II x II se mul-
1. I 3. 5 5. 27 7. -24 9. 0 tiplica por un escalar c, entonces el determinante de la matriz
11. A2 - 4A - 5 es multiplicado por c".
13. (a) M 11 = 4 (b) C 11 = 4 13. El primer renglon es sumado - 4 veces al segundo . Si un escalar
M 12 = 3 C12 = -3 multiplo de un renglon de una ma1riz es sumado a otro rengl6n,
M 21 = 2 C 21 = -2 entonces el determinante de la matriz no cambia.
M 22 = I C 22 = I 15. Un multiplo del pri mer renglon es sumado al segundo. Si el
15. (a) M 11 = 23 M 12 = -8 M 13 = -22 escalar multiplo de un rengl6n se suma a 01ro, entonces los
M2 1 = 5 M 22 = -5 M 23 = 5 determinantes son iguales.
M 31 = 7 M 32 = -22 M 33 = - 23 17. El segundo renglon de la matriz es multipl icado por - 1. Si se
multiplica un renglon de una matriz por un escalar, entonces el
(b) c 11 = 23 c, 2 = 8 c, 3 = -22
determinante se multiplica por ese escalar.
C 21 = - 5 C 22 = - 5 C 23 = - 5
19. La sex ta columna es 2 veces la primera. Si una columna de una
C31 = 7 C32 = 22 C33 = -23
mairiz es un multiplo de otra, entonces el de1erminan1e de la
17. (a) 4(- 5) + 5(- 5) + 6(- 5) = - 75
matriz es cero.
(b) 2(8) + 5(-5) - 3(22) = - 75 21. - I 23. 19 25. 28 27. 0 29. -60
19. - 58 21. -30 23. 0.002 25. 4x - 2y - 2 31. - 1344 33. 136 35. - 11 00
37. (a) Verdadero. Vea el teorema 3.3, parte I , pagina 113. 69. Prueba 71. Ortogonal 73. No ortogonal
(b) Verdadero. Vea el teorema 3.3, parte 3, pagina 11 3. 75. Ortogonal 77. Prueba
(c) Verdadero. Vea el teorema 3.4, parte 2, pagina 115. 1 1 ! 1 1
3 3 3 3 3
39. k 41. I 43. Prueba 2 I 2 2 I
79. (a) - 3 3 3 (b) - 3 3 (c) I
45. (a) cos2 0 + sen2 0 = 1. (b) sen2 0 - 1 = - cos2 0.
I 2 2 I 2
47. Prueba 3 -3 3 3 -3
A es ortogonal.
81. Prueba
1. (a) 0 (b) - I (c) [-: -!] (d) 0 Secci6n 3.4 (pagina 136)
4
-2] [-2
3. (a) 2 (b) -6 (c)
H 0
2 :1 (d) -12 1. adj(A) = [ _; I , A- I -- :l.
2
5. (a) 3 (b) 6
(c) [ ! 3
I
4 -3
-2
0
2
-I
8
(d) 18
3. adj(A) =
[o0 - 12o -nA-• "'«is>e
0 4
13
[-7 -12
-[-i
5 - 4 5 4 - 3
7.
15.
-44
(a) 0
9. 54
(b) - I
11. 0
(c) - 15
13. (a) -2 (b) -2 (c) 0 5. adj(A) = 2
2
3
3
~;].A-'
-2 2
- I 5
3
2
17. Singular 19. No singular 21. No singular - 3 -1 3
23. Singular 25. k 27. -½ 29. ~
31.
33.
La soluci6n es unica porque la determinante de la matriz de
coeficientes es distinta de cero.
La soluc i6n no es unica, ya que el determinante de la matriz de
7. adj(A) - [
-4
~ 2 -9
90 -1
- 31
4
10 '
2 -1 9 -5
coeficientes es cero.
35. La soluci6n es unica debido a que el determinante de la matriz 7 ! .Ll
9 9 9
de coeficientes es diferente de cero. 7 I 4
9 0 -9
37. (a) 14 (b) 196 (c) 196 (d) 56 <e) h I
A-I =
4
9
2 10
39. (a) - 30 (b) 900 (c) 900 (d) - 240 (e) - 30 - 9 9 -I 9
41. (a) 29 (b) 84 1 (c) 841 (d) 232 (e) ~ £
-9
I 5
-9
9
I
43. (a) -24 (b) 576 (c) 576 (d) - 384 (e) - 24
9. Prueba 11. Prueba
45. (a) 22 (b) 22 (c) 484 (d) 88 (e) -di
47.
49.
(a) -26
(a) - I 15
(b) -26
(b) - 115
(c) 676 (d) -208
(c) 13,225 (d) - 1840
(e) -~ 13. ladj(A)I = I=~ ~I = - 2,
(e) -m IA12-1 = I' I -2

0 12-1 = -2
51. (a) 25 (b) 9 (c) - 125 (d) 81
53. k = - 1, 4 55. k = 24 57. Prueba 15. Prueba
17. X1 = I
59. [~ ~] [~
y

~] x2 =2
23. No se puede aplicar la regla de Cramer porque la matriz de
61. 0 coeficientes tiene un determinante igual a cero.
63. Pmeba 25. x 1 = 1 27. x 1 = I
65. (a) Falso. Vea el teorema 3.6, pagina 121 .
X2 = I x, = ½
(b) Verdadero. Vea el teorema 3.8, pagina 122.
(c) Verdadero. Vea las "Condiciones de equivalencia para una
x3 = 2 = ½ x;
29. X 1 = -l ,X2 = 3,X3 = 2 31. X 1 = -1 2,X2 = 10
matriz no singular", partes I y 2, pagina 123.
33. x 1 = 5,x 2 = -3, x 3 = 2,x4 = - I
67. No; en general. p - 1AP * A. Porejemplo, sean
4k - 3 4k - I
p = [
3
I 2]5 '
p _ 1 = [- 5 2]
3 -1 '
y A = [
-1
2 oI]· 35. x = - - , y = - -
2k - I 2k - I
El sistema sera inconsistence si k = ½-
Entonces se tiene 37. 3 39. 3 41. Colineal. 43. No colineal.
-27 -49]
p- 1AP = [ 45. 3y - 4x = 0 47. X = - 2 49. ½ 51. 2
16 29 A. * 53. No coplanar. 55. Coplanar.
1
La ecuaci6n IP- API = IA I es valida en general, ya que 57. 4x - IOy + 3z = 27 59. x + y + z = 0
IP- 1API = IP- 1IIAII PI
61. lncorrecto. Deben intercambiarse e l numerador y el denomina-
1 dor.
= IP- IIP IIAI = vilPIIA I = IAI.
63. (a) 49a + 7b + c = 10,697 75. (a) Falso. Vea el teore ma 3. 11 , pagina 13 l .
64a + Sb + c = 11 , 162 (b) Falso. Yea la " Prueba para puntos colineales en el piano
8 1a + 9b + c = 989 1 xy", pagina 133.
(b) a = -868, b = 13,485, c = -41, 166
Examen acumulativo capftulos 1-3
(c) 12-.000
_ _ _ _ _ __
(pagina 143)
........
/ .\ 1. No el lineal 2. Lineal 3. x = I , y = - 2
4. x 1 = 2, X 2 = -3, x 3 = -2
i \ 12
o~•-______
I ' 5. X = 10, y = - 20, ~ = 40, W = - 12
6. x 1 =S - 21, X i= 2 + I, x 3 = I, X 4 = S
5.000
7. x 1 = - 2s, X i = s, x 3 = 21, x4 =t 8. k = 12
(d) El polinomio sc ajusta exactamente a los datos. 9. x= -3, y= 4
Ejercicios de repaso
1. 10 3. 0 5. 0 7. - 6
(pagina 138)
9. 1620 11. 82
10. A 7 A = [~;
27
~!
36
13. - 64 15. - I 17. - I
19. Como el segundo rengl6n es mulliplo del primero, el determi-
nante es cero.
21. Se factoriza un - 4 de la segunda columna y un 3 de la tercera.
Si una columna de una matriz se multiplica por un escalar, el
determinante de la matriz tambien se multiplica por un escalar. 15. x = -t y = - ¾ 16. X = 4, y = 2
23. (a) - I (b) -5 (c) [~ - ~] (d) 5 17. [~
25. (a) - 12 (b) - 1728 (c) 144 (d) - 300 (No es soluci6n unica.)
27. (a) - 20 (b) -i I
29. 6 31. -To
I
18. -34
33. x 1 = 0 35. X 1 = -3 2 4
19. (a) 14 (b) -10 (c) [ - - l ] (d) - 140
Xi = - ½ X2 = - I - 8 14
X3 = I
2 x3 = 2 20. (a) 84 (b) -h
37. Soluci6n unica. 39. Soluci6n unica. 21. (a) 567 (b) 7 (c) t (d) 343
41. No es soluci6n unica.
43.
45.
53.
(a) 8 (b) 4
Demostraci6n
(c) 64
47. 0
(d) 8
49.
(e) ½
-51. - uv -½
Por lo general, la reducci6n por renglones es preferida para
22. r-t =~t1
-Ii
2 5
Ii Ii
2
matrices con pocos ceros. En el caso de una que contiene un 23. a = I , b = 0, c = 2

gran numero de ceros, a menudo es mas fac il la expansi6n a lo (No es soluci6n unica.)
largo de un reng16n o columna que tenga la mayor cantidad de
ceros. 24. y = 2
ix
+ + I ¼x
25. 3x + 2y = 11 26. 16
27. / 1 = 3, / 2 = 4, / 3 = I
55. x = 7T/ 4 + n7T/ 2, donde n es un entero. 57. [2I -IJ0 28. BA = [ 13,275.00 15,500.00]
Los eleme ntos representan el valor Iota! (en d6lares) de los
59. Soluci6n unica: x = 0.6
productos enviados a los dos almacenes.
= 0.5
y
29. No; demostraci6n
61. Soluci6n unica: x 1 = ½
X 2 = -½
X3 = I Capitulo 4
63. XI = 6, X 2 = - 2 65. ] 6 67. X - 2y = - 4 Secci6n 4.1 (pagina 153)
69. 9x + 4y - 3z = 0
71. lncorrecto. En el numerador, la columna de constantes
1. V = (4, 5)
3. )' y
nl
5.
-t--+-+--+-t-t--,~X
-+-5-+-
_ 4 -+
_3,7-- t
2-t
- 1--,t--lt-- X
debe re mplazar la tercera columna de la matriz de coeficientes, - .!.1 I 2 3 4 5
no la primera columna. -2 -2
73. (a) Falso. Vea la " Defin ici6n de menores y cofactores de una -3 -3
matriz", pagina 105. -4 . (2, - 4) • -4
(b) Falso. Yea el teore ma 3.3, parte I. pagina 113. -5
(-3, - 4) -5
(c) Verdadero. Yea el teorema 3.4, pagina 11 5.

(d) Falso. Yea el teore ma 3.9, pagina 124.
7. u + V = (3, I) 9. u + V = (- I, -4) 19. U - V = (- 1, 0,4)

y )'
V - U = (1, 0, -4)
5 21. (6, 12, 6) 23. ( t 3, i)
4 -+-+---II--+-+--+--+-+- X 25. (a)
-5-4-3-2-1 5
3
4
2 3
.(3, I) 2 2.4, 4)
(I , 2, 2) V
- I I 2 3 4 5 (- 1, - 4) • 32
- I 5 4
X y
11. V = (-3, ~) 13. V = (-8, - 1)
)' y
(b)
(-3, l) 5
..
(-2, 3) 4 2
• (-8, - 1) ,'
v•(l,2, 2)
It_,(,,' ,I I_
2
X
X
~, V = U +2w
\
\
2w -2
\
X
-5 -4 -3 -2 -I (c)
15. V = (-t n y
(!, I, I)
1/.(1,2, 2)
(-l,~-6,9)
,, 8 ,v
"',,, 3u ... : I l
\ ' 2 ',._'* I 2
\ • 4
X
..... ~...... y
I '
v = 2 (3u + w)
X
27. (a)
w
29. (a) (4, -2, -8, 1) (b) (8, 12, 24, 34)
(c) (- 4,4, 13,3)
y
17. (a) 31. (a) ( 1, 6, -5, -3) (b) (- 1, -8, 10, 0)
4 ( 3
(c) - 2, 11 , - il
2, - 2 21)
3
(4, 2)
33. (½. -t-t
2) 35. (4, 8, 18, -2) 37. (- 1, t. 6, i)
39. V = U + W 41. V = U + 2w 43. V = - u
2 • 45. v = u 1 +2u 2 -3u 3
47. No es posible escribir v como una combinaci6n lineal de u 1, u 2
X
y U3.
- I 2 3 4
- I 49. V = 2u I + U 2 - 2u3 + U 4 - U 5
51. (a) Verdadero. Dos vectores en R" son iguales si y s61o si sus
y
(b) componentes correspondientes son iguales, es decir, u = v
4 s i ys61osi u 1 = v 1, u 2 = v2, . . . , u11 = v11
(b) Falso. El vector - v se denomina el inverso aditivo del vec-
2
tor v.
X 53. No 55. Las respuestas pueden variar. 57. Demostraci6n
2 59. Si b = x 1a 1 + · · · + x,,a,, es una combinaci6n lineal de las
-2 columnas de A, entonces una soluci6n para A x = bes
• -3)
(c)
(-6,
2
)'
-4
·-[J
El siste ma Ax = b es inconsistente si b no es una combinaci6n
lineal de las columnas de A.
(2, I) 61. (a) ldentico aditivo.
• (b) Propiedad distributiva.
(c) Sume --Ov a ambos (ados.
X
(d) Inverso aditivo y propiedad asociativa.
2
(e) Inverso aditivo.
(f) ldentico aditivo.
63. (a) Multiplicar ambos lados por c- 1• 45. (a) Verdadero. Vea la pagina 155.
(b) Propiedad asociativa y Teorema 4.3, propiedad 4 (b) Falso. Vea el ejemplo 6, pagina 159.
(c) Inverso multiplicativo (c) Falso. Con las operacio nes norma les e n R3, no sc satisface
(d) ldentidad multiplicativa el axio ma del inverso aditivo.
65. Usted puede describir la resta vectorial de la siguiente manera: 47. Prueba

V 1. Como Wes no vacfo y WC /?4, usted s6lo necesita verificar que
Wes cerrado bajo la suma y la multiplicaci6 n porun escalar. Dado
(x 1,x 2,x 3 , 0)E W y (y 1, Yi,YJ, O)E W
u- v
se conc luye que
~ (x 1,x 2 , x 3 , 0) + (y 1,y2 ,y3 , 0)
= (x, + Y 1,X 2 + Y2,X3 + Y3, 0) E W.
o describirla en terminos de la suma, u - v = u + (- l)v. Por tanto, para cualquier numero real c y (x 1, x 2, x 3 , 0) E W, se
concluye q ue
Secci6n 4.2 (pagina 160) c(x 1,x 2, x 3 , 0) = (cx 1, cx 2 , cx 3 ,0) E W.
3. Como Wes no vacfo y WC M 2_2, usted s61o necesita verificar
1. (0, 0, 0, 0)
5. 0 + Ox + Ox 2 + Ox 3
0
0 ~] q ue W es cerrado bajo la suma y la multiplicaci6n por un esca-
lar. Dado
7. -(v 1, v2 , v3 , v4 ) = (-v1, -v2, -v3 , - v4 ) 0

[ b, "o'] E W y "~] E W
9
_ [a, 1 a 12 a 13] [ - a11 - a12 -a 13]
se conc luye que
- G2 1 Cl22 Cl23 = -c,21 - a22 -a23
11. -(a0 + a1x + ar 2 + a~ 3) = -aO - a 1x - ar 2 - a3x 3 [b
0 a 1] + [ 0
1 0 b2
13. El conjunto es un espacio vectorial.
Por tanto, para c ualq uier numero real c y
15. El conjunto no es un espacio vectorial. El axioma I falla porque
x3 + (-x3 + I) = 1, el cual no es un polinomio de tercer grado. [~ ~] E W, se concluye que
(Los axiomas 4, 5 y 6 tambien fallan.)
17. El conjunto no es un espacio vectorial. Falla el axioma 4.
19. El conjunto es un espacio vectoria l.
c[~ ~]= L~ c~] E W.
5. Recuerde del calculo que la continuidad implica integrabilidad;

21. El conjunto no es un espacio vectorial. El axioma 6 falla por-
W C V. Por tanto, como W es no vacfo, usted s61o necesita
que (-1)(x, y ) = (-x,- y), el cual no esta en e l conj unto cuando
veri ficar que W es cerrado bajo la ad ici6n y la multiplicaci6n
X 0. * por un escalar. Dadas las funciones continuas.f. g E W, conclui-
23. El conjunto es un espacio vectoria l.
mos quef + g es continua y J + g E W. Tambien, para c ualq uier
25. El conjunto es un espacio vectorial.
numero real c y para una funci6n continua/E W, cfes continua.
27. El conjunto es un espacio vectoria l. Por tan to, cf E W.
29. El conjunto no es un espacio vectorial. El axioma I falla porque 7. No es cerrada bajo la suma:
(0, 0, - I)+ (0, 0, - 1) = (0, 0, -2)
[~ ~] + [~ ~] = [~ ~].
No es cerrada bajo la multiplicaci6n por un escalar:
el cual es no singular. 2(0, 0, - I) = (0, 0, -2)
31. El conjunto es un espacio vectorial. 9. No es cerrada bajo la multiplicaci6n por un escalar:
33. El conjunto es un espacio vectorial. ./2(1, I) = (./2, fi)
35. (a) El conjunto no es un espacio vectorial. E l axioma 8 falla 11. No es cerrada bajo la multiplicaci6n por un escalar:
porq ue (- ! )er= -c
(I + 2)(1, 1) = 3(1, I) = (3. l)
13. No es cerrada bajo la multiplicaci6n por un escalar:
1( 1, I)+ 2( 1, I)= (1, 1) + (2, 1) = (3, 2).
(-2)(1, I, 1) = (-2, -2, -2)
(b) El conjunto no es un espacio vecto rial. El ax ioma 2 falla
15. No esta cerrado bajo la m ultiplicaci6n po r un escalar:
debido a que
( 1, 2) + (2, 1)
(2, 1) + (1, 2)
= (I, 0)
= (2. 0).
(Los axiomas 4, 5 y 8 tambien fallan.)
2
[~
0
~i ~ ~i
0
~I
= [~
O O 2
[~~ ~i ~ iH:
17. No esta cerrado bajo la sum
(c) E l conjunto no es un espacio vectorial. E l axioma 6 fa lla, ya
q ue ( - I)( I, I) = ( J=t, J=t), el cual no pertenece a R2 . 0
(Los ax io mas 8 y 9 tambicn fa llan.)
37. Demostraci6n 0 0 I
+ [~
O
19. No esta cerrado bajo la suma:
0
2
0 i]
39. El conjunto no es un espacio vectorial. El axioma 5 falla po rque
(I , I) es e l identico aditivo y, por tan to, (0, 0) no tiene inverso (2, 8) + (3, 27) = (5, 35)
aditivo. (Los axiomas 7 y 8 tambien fallan.) No es cerrada bajo la multiplicaci6n por un escalar:
41. Sf, e l conjunto es un espacio vecto rial. 43. Demostraci6n 2(3. 27) = (6, 54)
~
21. No es un subespacio. 23. Subespacio. 25. Subespacio.
27. Subespacio. 29. Subespacio. 31. No es un subespacio. 57. Porque la matriz [~ - ~] se reduce por reng lones a
33. No es un subespacio. 35. Subespacio. 2 5 - I
37. W es un subespacio de R3 . (W es no vacfo y cerrado bajo la
suma y la multiplicaci6n por un escalar.) O-3] [-21 -61 _ OJ2 se reduce por renglones a
~ ~ y
39. W es un subespacio de R3 . (W es no vacio y cerrado baj o la
suma y la multiplicaci6n por un escalar.)
41. W no es un subespacio de R3• O - ~]. SI y S2 generan e l mis mo subespacio.
No es cerrado bajo la suma: ( I , I, I) + ( I, I, I) = ( 2, 2, 2) 59. (a) Falso. Yea la "Defini ci6n de depende11cia e i11depe11dencia
No es cerrado bajo la multiplicaci6n por un escalar: 2( I, I, I) linear', pagina 173.
= (2, 2, 2) (b) Yerdadero. Cualquier vector u = (111, 112 , 113 , 114) en R4 se
43. (a) Verdadero. Vea los "Comentarios" en la pagina 163. puede escribir como
(b) Verdadero. Vea el teorema 4.6, pagina 164. U = II 1(1, Q, 0, Q) - 112(0, - J. 0, 0) + ll 3(0, 0. J. 0)
(c) Falso. No ex isten e lementos de W que no sean elementos de + uiO, 0, 0, 1).
U o viceversa. 61-73. Demostraci6n
45-59. Demostraci6n
1. R 6: {(I, 0, 0, 0, 0, 0), (0, I, 0, 0, 0, 0), (0, 0, I, 0, 0, 0),
1. (a) z = 2(2, - 1, 3) - (5, 0, 4) (0, 0, 0, I , 0, 0), (0, 0, 0, 0, I, 0), (0, 0, 0, 0, 0, I)}
(b) v = ¼(2, -1 , 3) + f(5, 0, 4)
(c) w = 8(2, - I, 3) - 3(5, 0, 4) 3. M 2.4: {[~ ~ ~ ~]. [~ ~ ~ ~].
(d) u no puede escri birse como una combi11aci611 lineal de los
vectores dados.
3. (a) u = -¾(2, 0, 7) + ¾(2, 4, 5) + 0(2, - 12, 13)
[~ ~ ~ ~]. [~ ~ ~ ~].
(b) v 110 puede escribirse como una combi11aci6n lineal de los [~ ~ ~ ~]. [~ ~ ~ ~].
[ ~ ~ 0 ~]. [~ ~ ~ ~]}
vectores dados.
(c) w = -i{2, 0, 7) + ½(2, 4, 5) + 0(2, - 12, 13)
(d) z = -4(2, 0, 7) + 5(2, 4, 5) + 0(2, - 12. 13) 5. P4 : { 1, x, x 2, x 3 , x 4 } 7. S es lineal mente dependiente.
5. [JO6 - 179] = 3A - 28
9. S es linealmente dependiente y no genera a R2.
11. S es linealmente dependiente y 110 genera a R2.
2 28 13. S no genera a R2.
7. [- ] = - A + 58
l - 11 15. S es linealmente depe11die11te y 110 genera a R 3 .
9. S genera a R2 • 11. S genera a R2. 17. S no genera a R3 .
13. S no genera a R . ( Este genera una recta en R2.)
2
19. S es linealmente depe11diente y 110 genera a R3 .
15. S no genera a R2. (Este genera una recta en R2.) 21. S es linealmente depe11die11te.
17. S 110 genera a R2 . (Este genera una recta en R2.) 23. S es linealmente depe11diente y 110 genera a P 2.
19. S genera a R2 • 21. S genera a R2. 25. S 110 genera a M2.2.
3 27. S es linealmente dependiente y no genera a M2 _2 .
23. S no genera a R . (Este genera una recta en R 3.)
25. S no genera a R3. (Este genera una recta en R3.) 29. El conjunto es una base de R2.
27. S 110 genera P2• 31. El conjunto no es una base de R2.
29. Linealmente indepe11diente. 31. Linealmente dependie11te. 33. S es una base de R2. 35. S es una base de R3 .
37. S no es una base de R . 3 39. S es una base de R4 .
33. Linealmente independiente. 35. Linealmente dependiente.
37. Linealmente independiente. 39. Linealmente independiente. 41. S es una base de P 3 . 43. S no es una base de P3 .
41. Linealmente dependiente. 43. Linealmente independiente. 45. S es una base de M2.2.
47. S es una base de R3 •
45. Linealmente depend iente. 47. Linealmente independie11te.
(8, 3, 8) = 2 (4. 3. 2) - (0, 3, 2) + 3(0, 0, 2)
49. (3, 4) - 4(- I, I) - ~(2, 0) = (0, 0),
49. S no es una base de R3. 51. 6 53. 8 55. 6
~rn ~rn
(3, 4) = 4(-1 , 1) + I(2, o)
~
0 0
51. (1, I, I) - (I , 1, 0) - (0,0, 1) - 0(0, I. 1) = (0, 0,0) l 0
57. [ ~
(I, I, I)= ( 1, I, 0) + (0. 0, I) - 0(0, I, I) 0 0
(La respuesta no es unica.) La d imensi6n es 3.
53. (a) Toda t =fo I, -2 (b) Toda t =fo i 59. {( I , 0). (0, I)}, {( I, 0), (1, I)}. {(O, 1). (1, I)}
55. Demostraci6n. 61. {(2,2),( 1, 0)}
63. (a) Reeta que pasa por el origen (b) {(2, I )} (c) I
65. (a) Reeta que pasa por el origen (b){(2, l , - I)} (c)
67. (a) {(2, I, o, I), (- 1, o, I, o)} (b) 2
69. (a) { (O, 6, I , - 1)} (b) I
71. (a) Falso. S i la d imensi6n de V es 11 , entonces todo conjunto 67. (a) Prueba (b) Prueba (c) Prueba
generador de V tiene al me nos II vectores. 69. (a) Falso. El espacio nulo de A tambie n se denomina e l espac io
(b) Verdade ro. Encue ntre un conjunto den vectores base de V soluci6n del sistema Ax = 0.
que puedan generar Vy sume c ualquier otro vector. (b) Yerdadero. El espacio nulo de A es e l espacio soluci6n de l
73-77. Pruebas sistema homoge neo Ax = 0.
71. (a) Falso. Vease e l "Comentario;' pagina 190.
Secci6n 4.6 (pagina 199) (b) Falso. Yease e l Teorema 4. 19, pagina 198.
1. (a) (0, -2), (I , -3) (b) [~l [=~] (c) Yerdadero. Las columnas de A se convierten en los renglo-
nes de Ar, por lo que las columnas de A generan el mismo
3. (a) (4, 3, I), ( I, - 4, 0) (b) [~l [_!J [~] espacio que los renglones de AT_
73. (a) 0, 11 (b) Prueba 75. Prueba
5. (a) {(! , 0), (0, I)} (b) 2
Secci6n 4.7 (pagina 21 0)
7. (a) {( 1, o,½), (o, 1, -½)} (b) 2
9. (a) {( 1, 2, -2. 0),(0,0,0, I)} (b) 2
11.
15.
{( I, 0, 0), (0, I, 0), (0, 0, I)} 13. {( I, I, 0), (0, 0, I )1
{( I. 0, - 1, 0), (0, 1, 0, 0), (0, 0, 0, I)} 1. [ _~]
3. r=J 5. [ _:] 7.m 9.
-~1
17. {{ I, 0, 0, 0), (0, I , 0, 0), (0, 0, I, 0), (0, 0, 0, 1)1
19. (a) {[~], [~]}
0
(b) 2 21. (a) {[~], [ ~]} (b) 2
11. [~]
13 Hl Hl IS
2 - 2
I
17. [
-2
f -:J
0 -2
23. (a)
5 '
9
2
9 9
4
-9
2
{b) 2
19. r! ~] -
21. r: I
2
!
3
0
..L
12
23. [:
- !
-~ l
25.
29.
33.
{(I. 2)}
{(-3, 0, I)}
27. {(- 2, I, 0), (-3, 0, I)}
31. {(- 1, 2, 1)1
{(2. -2, 0, 1). (- 1, I, I , 0)} 35. {(0, 0, 0, 0)}
25. [:
:] 27.
H -I
i 2 - I
- 3 2
I
37.
41.
43.
(a) {(4, I)} {b) I
(a) {(-3, 0, I), (2, I, 0) J
(a) { (-4, - 1, I , 0), (- 3,
39. (a) {(- 1, -3, 2)} (b) I
(b) 2
-t
0, 1)} (b) 2 29. [-75 -I
310] -6 31.
r-~ -10
- 29
7
3
7
I
0
3
-21
-I
- 2
45. (a) {(8, -9, -6, 6)} (b) I II -3 - 10
12 - 3 - I I
47. (a) rango(A) = 3
nulidad(A) = 2 I - lII j_
II 0 - II
7
2 3 I
-3 4 0 -11 22 0 -11
I -2 5 9 19 I 21
(b)
33. -4 22 -44 -4 22
I 0
_J ! _! ! !
0 2 4 2 4 4 2
0 I 2 5
0 -11 -11 0 II
(c) {(I, 0, 3, 0, -4), (0, I, - 1, 0, 2), (0, 0, 0, I. -2)}
{d) {(I, 2, 3, 4), (2, 5, 7, 9), (0. I, 2, - I )J
(e) Linealmente dependiente. (f) (i) y (iii)
35. (a) [-½J.
4 -!] (b) [: :] (c) Yerificaci6n. (d) [~]
49. (a) Consistente.

51. (a) lnconsistente.
53. (a) Consistente
(b) x = 1(2, -4, I) + (3, 5, 0)
(b) No aplicable.
(b) x = 1(5, 0, -6, -4, 1) + s(-2, I, 0, 0, 0)

+ (1, 0, 2, -3, 0)
37. (a)
[ 4
-7 -10
-2 -2
S
-i] (b) H -:1 2
_!
2
'i
I
57. b no esta en e l espacio columna de A. 59. Prueba

(c) Yerificaci6n. (d)Hl
61. (a) [ ~ ~], [~ ~] (b) [~ ~], [~ ~]
(c) [~
63. (a) 111
~l [~ ~J
(b) r
(c) r (d) R" (e) R"'
65. Las respuestas pueden variar.
n -ll
-24 3 47. Hiperbola 49. Parabola
32 y
_J_ )'
39. (a) 10 (b) 16
-5 l
2 -+--+--+-+---t-1--+-- X
-2 - I 3 4
(I, -2)
(c) Verificaci6n. (d)
r=11
41. (a) ["
-fj
- 39
39
23
-9
13
6
-13 -13
2
13
~] [-l --il
39
9
-~
(b) -~7
4
7 - 21
-7
4
-21
8
13
51. Punto
,
xi
9
-6
- - - - 1= 0
16
y2
'
'
2
-4
-5
x - 2.r +Sy+ 17 = 0
(c) Veri ficaci6n. (d) [!]

T
19
2
• (2. I)
.3 rn 45-Hl 47. m .•. [J -+----It----+-----. X

2
51. (a) Falso. Vea el teorema 4.20, pagina 204. 9x 2 +25y 2 -36x-50y+6 I =0
(b) Verdadero. Vease el parrafo previo al Ejemplo I, pagina
53. Hiperbola
202. y
(-3, 5)
53. QP
8
I 6
I. (b), (c), y (d) 3. (c) 5. (a), (b), y (d) •
4
7. (b) 9. (c) 11. (b) 13. -(xsenx + cosx)
15. -2 17. -x 19. 0 21. 2e3X 23. 12
25. e-'(cos x - sen x)
27. (a) Verificaci6n. (b) Li nealmente independiente -6 -4 -2 I
(c) y = C 1 sen 4x + C2 cos 4x 9x 2 -y 2 +54x+ 10y +55=0
29. (a) Verificar. (b) Linealmente dependiente. (c) No es aplicable.
55. Elipse
31. (a) Verificar. (b) Linealmente independiente.
)'
(c) y = C 1 + C2 sen 2x + C3 cos 2x
---+-->----+----+-----<>----+-+- X
33. (a) Verificar. (b) Linealmente dependiente. -5 - 4 - 3 -2 -I
(c) No es aplicable.
35. (a) Verificar. -2
(b) O(t) = C 1 sen.At + C2 cos./fr;demostraci6n

37. Demostraci6n 39. Demostraci6n
41. No. Por ejemplo, considere y" = I. Dos soluciones son
X2 X 2 x2 + 4y2 + 4x + 32y + 64 = 0
Y = YY = + I. Su suma no es una soluci6n.
2 2 57. Hiperbola
43. Parabola 45. Elipse y
y
5
4
3
-3
-4 -2 2 4
-5
x 2 +4y 2 - 16=0 2x 2 - y 2 + 4x+ I0y-22=0
59. Parabola Ejercicios de repaso (pagina 221)

y
1. (a) (0, 2, 5) 3. (a) (3, I, 4, 4)
(b) (2, 0, 4) (b) (0, 4, 4 , 2)
"""+-+---+---+-+-+- X (c) (-2, 2, 1) (c) (3, -3, 0, 2)
-4 -3 -2 - I
- I (d) (-5, 6, 5) (d) (9, -7, 2. 7)
5. (½.-4, -4) 7. (t -6,0)
11. v = ~ 1 + ½u 2 + 0u3
-2
9. v = 2u 1 - u 2 + 3u 3
~ ~ H
-3
x 2 + 4x + 6y- 2 = 0 13. o,. - [~

61. c 62. b 63. a 64. d
-a1 I - a,2 - a 13
(y')2 (x')2 67. (x')2 + (y')2 = I
65. - - - - -
2 2
= 1 -A = -a21 -a22 -a23
3 5 [
- a31 - a32 - a33
)' )'
y '
' I
' ,
,' 45°
y'
~,
3
15. 0
17.
21.
-A
= (0, 0, 0)
= (-a 1, - a2 , -a3)
Wes un subespacio de R 2.
W es un subcspacio de R . 3
19. W no es un subespacio de R2.
-3 3 23. W no es un subespacio de C[- I, I]

25. (a) Wes un subespacio de R3• (b) W no es un subespacio de R3.
-3
27. (a) Sf (b) Sf (c) Sf
29. (a) No (b) No (c) No
(x ')2 (y ')2 l 31. (a) Sf (b) No (c) No
69. - - - - - = I 71 . y' = -(x')
4
2
33. S es una base de P 3 . 35. El conjunto no es una base de M 2 .2 .
4 4
y y 37. (a) {(8, 5)} (b) I (c) I
39. (a) {(3. 0. I. 0), (- I, -2, 0, l )} (b) 2 (c) 2
41. (a) {(4, -2, l)} (b) 1 (c) 2
y'
43. (a) {(-3, 0,4, 1),(-2, 1, 0,0)} (b) 2
' '' x' 45. (a) {(2, 3, 7, 0), (- 1, 0, 0, l)} (b) 2
X .(
-4 ' 47. (a) {(I, 0), (0, I)} (b) 2

X 49. (a) {(I, -4, 0, 4)} (b) l
-3 -2 51. (a) {( I, 0, 0), (0, I, 0), (0, 0, I)} (b) 3
73. (x') 2 + (y} 2

= I 75. x' = -(y')2 SJ. [-;i "· m 57 [ =:] 59 [-ll
)'
~
x'
X
y' --._
y
1 x'
X
61. nl 63.
3
I
0
65. [
-I
I
~]
-2 2
-3
67. [;
0
l
0 ~]
77. y' =0 79• x'= ± - 2
fi_ 69. (a) [- lI
-~J (b) [:
:]
y y
(c) Yerificaci6n. (d) [- I!]
~] H ~]
x'
-I
[ 0 -I
7 1. (a) - I 0 0
(bl
I I
(c) Yerificaci6n. (d) [ ]

-2
81. Prueba 83. (a) Prueba (b) Prueba

73. Base de W: {x, x 2, x')

Capitulo 5
Base de U: {(x - I), x(x - I), x2(x - I)}
Base de W 11 U: {x(x - 1), x2(x - I ) } Secci6n 5.1 (pagina 235)
75. No. Por ejemplo, el conjunto ../TT 5 fiT Jm
{x2 + x, .l-x, I} 1. 5 3. 3 5. (a) - - (b) - - (c) --
4 8 8
es una base de P2 . 7. (a) J6 (b) 2 fi (c) 3 fi
77. Sf, Wes un subespacio de V. 79. Demostraci6n 9. (a) (-n, m (n, -m (b)
81.
83.
Las respuestas pueden variar.
(a) Yerdadero. Yea el analisis sobre las "Definiciones de suma ll. (a)
3 Jjs'
(Jjs' 2 - v138
5) (b) ( Jjs'
3 Jjs'
2 vl38
5)
vectorial y multiplicaci6n por un escalar en R"", pagina 149.
(b) Falso. Yea el teorema 4.3, parte 2, pagina 15 I. 13. (2fi, 2fi) 1s. (1, A, o)
(c) Yerdadero. Vea la " Definici6n de un espacio vectorial" y 17. (a) (-½, t 0, 2) (b) (2, -6, 0, -8) 19. 2h
el analisis que le sigue. pagina 155. 21. 3
85. (a) Yerdadero. Yea el analisis bajo "Yectores en R"", pagi na 23. (a) -6 (b) 13 (c) 25 (d) (- 12, 18) (e) -30
149.
25. (a) 0 (b) 14 (c) 6 (d) 0 (e) 0 27. -7
(b) Falso. Vea la "Definici6n de espacio vectorial", pane 4,
29. (a) !lu ll = 1.0843, llvll = 0.3202 (b) (0, 0.7809, 0.6247)
pagina 155.
(c) ( -0.9223. -0. 11 53, - 0.3689) (d) 0. 111 3
(c) Yerdadero . Vea el analisis siguiente a "Resumen de espa-
(c) 1.1 756 (f ) 0.1025
cios vectoriales importantes' ', pagina 157.
31. (a) !l u ll= 1.7321 , llvll = 2 (b) ( -0.5, 0.707 1, -0.5)
87. (a) y (d) 89. (a) 91. e' 93. - 8
(c) (0, -0.5774. -0.8165) (d) 0 (e) 3 (f) 4
95. (a) Yerificar. (b) Linealmente independiente.
33. 1(3, 4) . (2. -3)1 s 11(3, 4) 1111(2, - 3) 11
(c) y(1) = C,e- 3x + Ci.xe- 3'
97. (a) Verificar. (b) Linealmente dependiente.
6s5Jl3
35. !(I , I, - 2) · (I , - 3, -2)1 S 11(1. I , - 2)1111(1, - 3, - 2)11
(c) No es aplicable
101. Hiperbola 2 s 2.JTT
99. Circunferencia
y )'
37. 1.713 radianes(98.l 3°) 39. ~; ( 105°)
3 1T
2 41. 1.080 radianes (6 1.87°) 43 - 45. Ortogonal
· 4
(- 1, 0) 47. Paralelo 49. Ninguno 51. Ninguno 53. v = (1, 0)
-2 -I 55. V = (1. S, -21 + s)
57. 11(5, 1)11 s 11(4, 0) 11 + 11( 1, 1)11
-2
-3
./26 s 4 + ../2
59. 11( 1, 2, - 1)11 S 11( 1, I, 1)11 + 11(0, I, -2)11
x 2 + y 2 - 4x + 2y - 4 = 0
x 2 - y 2 + 2x - 3 = 0 )6s)3+Js
61. 11(2, 0)112 = 11( 1, - I) ll 2 + 11(1, 1) 11 2
103. Parabola 105. Elipse
y y 4 = ( fi) 2 + ( fi) 2
63. 11(7, 1, - 2) 112 = 11(3, 4, -2) 112 + 11(4, -3, 0)112
54 = (fi9)2 + 5 2
-6 -2 - I
-2
65. (a) - 6 (b) 13 (c) 25 (d) [-:!] (e) - 30
-3
- I0 I 2 3 4 \6 7 8 -4 67. (a) 0 (b) 14 (c) 6 (e) 0
(-4, -2) -5
(5, -4)
69. O1togonal; u · v = 0
2x 2 - 20x - y + 46 = 0 4x 2 + y 2 + 32x + 4y + 63 = 0
71. (a) Falso. Yea la "Definici6n de la longitud de un vector en
(x')2 (y ')2 R"", pagina 226.
107. - - - - - = I 109. (x12 = 4(y' - I) (b) Falso. Vea la ·'Definici6n de producto punto en R"" , pagina
6 6
y y 229.
y'
73. (a) (u • v) - v no tiene sentido, ya que u · v es un escalar y v
12
10
es un vector.
8
,, (b) u + (u · v) no tiene sentido. ya que u es un vector y u · v
6 es un escalar.
5 1
4 75. ( -TT, TT2), (TT,
5 12)
-TT
77. $ 11.877.50
- l - 4 - ~- =i'+--+-1--1-- X
-6-4-4', '',JJ= -36.87° Este valor da las ganancias totales obtenidas de la venta de
~~4 ........ , hamburguesas y hot dogs.
X
79. 54.7° 81-85. Prueba
87. Ax = 0 significa que el producto punto de cada rengl6n de A 63. (a) l(x, e' )I S llx ll lld
con la columna de x es cero. Por 1an10, x es ortogonal a vectores
rengl6n de A .
1s jf · J½e 2- ~
(b) llx + e' II + k ll s llxll
Secci6n 5.2 (pagina 245) J.!g- + ½e s Jf + J½e2- ½
2
1-7. Demostraci6n
9. Falla el axioma 4. ((0, I ), (0, I )) = 0, pero (0, I ) if; 0.
11. Falla el axioma4. (( I, I), ( I , I))= 0, pero (I, I) if; 0.
65
. :; :~e f" =
12
- r./ 2
cos x senx dx
13. El Axioma I falla. Siu = ( I, I, I) y v = ( I , 0, 0), (u, v) = I y I

= -sen1 x
]""/2 = 0
( v. u) = 0. 2 - -rr/2
15. El Axioma 3 fa ll a. Si u = (I, I , I), v = (I, 0, 0) y c = 2, c(u, v) f y g son ortogonales.
= 2 y (cu, v) = 4. 67. Las funciones/(x) = x y g(x) = ½(5x3 - 3x) son ortogonales
17. (a) - 33 (b) 5 (c) 13 (d) 2)65 I
f
l
19. (a) 15 (b) ./57 (c) 5 (d) 2 ✓13 (f, g) = _ "'2(5x 3

- 3x) dx
1
21. (a) - 34 (b) ./97 (c) JioT (d) )266 1 1
23. (a) 0 (b) 8v13 (c) fill (d) 3./67 = .2!.f -I
(5x 4 - 3x 2) dx = .!_(x 5
2
- x 3)]
-I
= 0.
25. (a) 3 (b) ./6 (c) 3 (d) 3 27. Demostraci6n
29. (a) -6 (b) )35 (c) .fi (d) 3 ./6
69. (a) (ti) (b) (t U
(c) Y
31. (a) - 5 (b) ../39 (c) ./5 (d) 3 ./6 33. Demostraci6n
35. (a) -4 (b) fiT (c) ./2 (d) ffi u =(l,2)
2 •'
37. (a) 0 (b) ./2 (c) ./2 (d) 2
2 3
39. (a) 0 (b) ./2 (c) ./2 (d) fi
Js Js
2
41. (a) -; = 0.736
./6
(b) - - = 0.816
3 2
(c) -M = 1.904 71. (a) (1. 1)

)'
(b) (-;, ¥)
(d) Je2
2 3
+~- _I_ -
2e2 e
i = 1.680
(c)
s (4, 4)
43. 2. 103 radianes( l20.5°) 45. 1.16 radianes(66.59°)

~ ~
47. 49. 1.23 radianes (70.53°) 51.
2 2
53. (a) 1((5, 12), (3, 4))1 s 11 (5, 12)1111(3, 4)11
63 s (13)(5)
- I I 2 3 4
(b) 11 (5, 12) + (3, 4)11 s 11(5, 12)11 + 11(3, 4)11
8./5 s 13 + 5 73. (a) (o, t -f) (b) ( -"F4, -f¾, ~)
55. (a) 1(1, 0,4) · (-5,4, 1)1 s .fi7fi2 I - 2,
I - 1, - I ) (b) (O, -:u;, 15 n
5 -46, 15)
75. (a) ( 2·
I s -./714
2e-'
(b) 11(- 4, 4, 5)11 s -✓17 + y/42 77. proy8 J = 0 79. proy8 f = e2 _
1
./57 s -✓17 + fi2 81. proyJ = 0 83. proyxf = - sen 2r
57. (a) 1(2.r, 3x 2 + 1) 1 S 112.rll ll 3x2 + Ill
85. (a) Falso. Vea la introducci6n a esta secci6n, pagina 237.
0 s (2)( ✓IO)
(b) Falso. llvll = 0 si y s61o si v = 0
(b) 112.r + 3x + 1 II S 11 2.r ll + ll3x 2 + Ill
2
./14 s
2 + ✓IO 87. (a) (u, v) = 4(2) + 2(2)(-2) = 0 => u y v son ortogonales.
59. ca) 10(-3) + 3(1) + 2(4) + 1(3)1 s .fi4J35 (b) y _( ) No ortogonales en el
4 2
14 s ./14)35 2
u- ' sentido euclidiano.
(b) II[-! 1]11 s ./14 + )35

ffi s ./14 + )35
3 4
61. (a) l(senx, cosx)I s llsenxll llcosx ll - I
¼s(M)(M) -2
V = (2, -2)
(b) llsenx + cosxll s llsenx ll + llcosx ll 89-95. Prueba 97. C1 = ¼, C2 = 1
MsM+M 99. C1 = ¼, C2 = ~ 101. Prueba

Secci6n 5.3 (pagina 257) 57. (a) Verdadero. Vea las "Definiciones de conjuntos ortogonales
y ortonormales", pagina 248.
1. (a) Sf (b) No (c) Sf (b) Falso. Yea Comentario en la pagina 254.
3. (a) No (b) No (c) Sf 59. Ortonormal 61. {x2, x , I } 63. Ortonormal
5. (a) Sf (b) Sf (c) Sf 65. Demos1raci611 67. Demostraci6n
7. (a) Sf (b) No (c) Sf 69. N(A) base: { (3, - I, 2)} 71. Demostraci6n
9. (a) Sf (b) Sf (c) Sf N(A T) base: {(- I, - I, I)}
11. (a) Sf (b) No (c) No R(A) base: {(l , 0, I), ( 1, 2, 3)}
13. (a) Sf (b) Sf (c) No R(AT) base: {(I , I, - 1), (0, 2, I)}
15. (a) Prueba (b) (- Ju,Ju), (Ju, Ju) Secci6n 5.4 (pagina 269)
17. (a) Prueba ( b)
3 ' 3'3'
( ✓3 ✓3 ✓3)
2''2
(- ✓2 0 fi) l. y= l + 2x 3. No es colineal 5. No ortogonal .
19. El conjunto { 1,x,x 2,x 3 } es ortogonal porque

(1, x) = 0, ( 1, x 2) = 0, (1, x 3) = 0, (x, x 2) = 0,
(x, x 3 ) = 0, (x 2 , x 3 ) = 0.
7. Ortonormal 9 (, ) goo [[!]] (b) R3
{l!ll-m
Ademas, el conjunto es ortonormal porque
11111= l ,llxll= l ,llx 2 II = l , and llx 3 II= l.
Por tan to, { I , x, x 2, x 3} es una base ortonormal de P3 •
Jio
ll. (•) goo
(b) R4
l3. goo {l~Wll
4v'l3]
13
2 0
2
21.
7Ji3
13
23. -2
Jio
25-rn 15.
3
2
3
17. [ :
_U
2
27. { (t !), (!, -m 29. {(0, I), ( I, 0)}
½ 3
19. N(A) base: { (-3, 0, 1)}

31. {(t-t f), (t t ½). (t - t -m N(AT) = {(0,0)}
33. { (t - ¾, o), (t t o), (o, o, 1)} R(A) base: {( l , 0), (2, l)} = R 2
{lo\ ' 2fi' 2fi ), (# ./6 _ ./6) (:6 _A A)l

R(AT) base: {(I, 2, 3), (0, I, O)}
35.
3'6 ' 6, 3' 3'31 21. N(A) base: {(-1, - 1, 0, 1), (0, -1, 1, 0)}
N(AT)base: {(-1, - 1, I, 0), (- 1. -2, 0, I ) }
37. {(- 4v12 3Ji 5Ji)}
7 ' 14 ' 14
R(A) base: {( I, 0, 1, 1), (0, I, I, 2)}
R(AT) base: {(I , 0, 0, I), (0, l , l , I)}
rn, t o), (t - ¾, o)}
39.
4t. {(./6 ./6 -./6 o) (A oA A)

6'3 ' 6 ' ' 3 '' 3'3'
23. X = [_ :] 25. p Hl Hl 27.
( -/3
3 '
- -/3
3 '
- -/3
3 '
o)} 29. , ~
31.
3
)'
( I, 2)
43. {(f,-½),(1,2;)} (
"-
( I, 0)
(- 1, 2)
• 2
\
• y =5
7
• •
J
X
I ◄
~
1 2 1 -3 -2 - I (- 2, I) (0, I) (2, I)
45. (x, I)= xdx = x ] = 0 X
- I 2 -I -2 -2 - I 2
-3 (3,-3) • -I
47. (x2, I)= J1 x2dx = x3]1 2
-I 3 -I 3
35. y = ~x 2 + ~x + ~
49. (x, x) = f-I
i x 2 dx = x 3]1 =
3 -I 3
I
33. y = x 2 - x
37. y = 33.68 + 3.78x; 90,380
39. In y = - 0.14 In x + 5.7 6 y = 298.9x--0· 14•
51. {(3Y:,o,! ,o),(o,- f,o,1)} 2 41. (a) Falso. El comple mento ortogonal de R" es {0 }.
(b) Yerdadero. Yea la " Definici6n de suma directa", pagina
261.
53. {(-f.o, f,o),(-] ,o. ], ;6)} 43. Prueba 45. Prueba
55 { (
•
Js Js o) (- J3o J3o Jjo)}
2
5 ' 5 ' ' 30 ' 15 ' 6
Secci6n 5.5 (pagina 282) 69. (a) g(x) = I .5x 2 - 0.6x + 0.05
(b) ..,...
1 - - - - - - - , -
1. j x i = - k 3. j x k = i /"
½
/ __
Ot==~-======-
0
24
71. (a) g(x) = 3'TT x
2
X X
(b)
g
5. i X k = - j 7. (a) - i - j + k f ,r
z (b) i + j - k 2
(c) 0
-2
-j 73. g(x) = 2 senx + sen 2x + 3 sen 3x

-...;;....---,;------+- Y
7r2 4
75. g(x) = + 4 cos x + cos 2.x +
3 9cos 3x
X 77. g(x) = __!__( I - e- 2")(1 + cosx + senx)
2'TT
9. (a) 5i - 3j - k 11. (a) -14i + 13j + 17k I - e- 4 "
(b) -Si + 3j + k (b) 14i - 13j - 17k 79. g(x) = 'TT (5 + 8 cos x + 4 senx)
20
(c) 0 (c) 0 81. g(x) = ( I + 'TT) - 2 senx - sen 2x - sen 3r f
13. (-2,-2,- 1) 15. (-8.- 14, 54) 17. (- 1, - 1, - 1) 83. g(x) = sen 2x
19. (- 1, 12, -2) 21. (-2, 3, - 1) 23. (5, -4. -3) sen 2x sen 3x sen11x)
25. (2, - l , - 1) 27. (l , -1, -3) 29. (I, - 5, - 3) 85. g(x) = 2 ( senx + - - + - - + · · · + - -
2 3 ll
1
31. (.!. _I -~) 33. -Jig
3' 3' 3
3 3
- i - - - J· + - - k
Jig Jig 87.
I - e- 2 ,,.
+
I - e- 2 ,,. " (
---L . I j
+ 1 cos k.x + -:z---1 senk.x
)
2 'TT 'TT j = I J 2 } +
35. - ~ i - J~0 j + ~
2
k 37. ~ i - ~ j Ejercicios de repaso (pagina 284)
39. I 41. 6$ 43. 2Js3 45. I 47. -I 1. (a) ./5 (b) .Ji? (c) 6 (d) fio
49. Prueba 51.
9
;6 53-61. Prueba 3.
5.
(a) ft,
(a) ./6
(b) ✓-f4
(b) J3
(c) 7
(c) - I
(d) ft,
(d) JTT
63. (a) g(x) = x - ¼ 65. (a) g(x) = 6x + ½(e2 - 7) 7. (a) fi (b) ff (c) 6 (d) Ji.
(b) (b) 5 3 2 )
8 9. llvll = J38; u = ( ~· ~· - ~
v38 v38 v38
11. llvll = A; u = ( - ~, ~, ~)
13. (a) (4, 4,3) (b) (-2,-2, - !) (c) (- 16,- 16,- 12)
17 'TT
01!:=~=====-
o . 12 19. 'TT 21. (s, 31, 4t)
3 JTT
12 23. (2r - 2s - t. r. s. r) 25. (a) -2 (b) - -
67. (a) g(x) = 3 ( 7r - 2x) 2
'TT
(b) ...
2 _ _ _ _ __ 27. Desigualdad de TrianguJo:
II(2• -½- I)+ G, 2' - I)II :s 11(2' -½, I)II +ll(f, 2 ' - l )II
✓67 < /15+ /53
2 - ✓2 ✓4
Desigualdad de Cauchy-Schwarz:
-2
I((2 • -½, I ), (t 2' - I ))I :s 1 (2 ' -½, l )11 ll(i 2' - I )II
2 :s J¥ J¥ = 9.969
29. (a) 0 (b) Ortogonal
(c) Debido a que (f, g) = 0, se sigue que l(J, g)I :s 11/11118 11-
31. ( --:t m 33. (~, ~) 35. (g, g, m 83. (a) Verdadero. Vease el Teorema 5.1 8, pagina 273.
(b) Falso. Vease el Teorema 5. 17, pagi na 272.
37. {( ~ . ~), (- ~ . Jz)} (c) Verdadero. Vease la discusi6n previa al Teorema 5.19,
39. t -m
{(o, ~, ~}, (1 , 0, 0), (0, pagina 277.
41. (a) (- 1, 4, - 2) = 2(0, 2, - 2) - (1, 0, - 2) Examen acumulativo capftulos 4 y 5

(pagina 289)
(b) {(o, }i, - }i). (~, -~. - ~)}
1. (a) (3, -7) (b) (3, -6)
1 1 y
(c) (- 1 4 -2)
' ' = 3 v12(0, -.ff'
- - - -)
.ff - )'
1 I I )
./3( fi'- fi' - f i - I - I
-2
-2
43. (f, g) =i "sen x cos x dx -3
-3
-4
-5 -4
= -1 sen 2 x ] " -6 V + W = (3, - 7) -5 3v = (3, -6)
2 0 -7 • -6 •
=O -8 -7
45. (a) I (b) ✓7 (c)

2v12
./T05 (d) { fix, ✓7 (5x 3 - 3x) } (c) (-6, 16)
5 2 )'
47. { ( - Jr 0, ~). ( - ~ . 1·-~)} 20

• 16
2v -4w = (-6, 16)
49-57. Demos",ci6o 59. Gen {[-rn

61. N(A) base: {(I , 0, - 1)}
N(A7 ) = {(3, 1, 0)} 4w = (8, -20)
- 16
R(A ) base: {(0, 0, l), (1, -3, 0)}
R(A7 ) base: {(O, I, 0), (1, 0, I) }
-20 •
63. y = I 3.74x + 387.4; 593.5 trill6n de Btu 2. w = 3v 1 + v2 - 32v3 3. No es posible
65. (0, I, -1) 67. l 3i + 6j - k 69. I 71. 6 73. 7 4. v = 5u 1 - u 2 + u 3 + 2u 4 - 5u 5 + 3u 6 5. Demostraci6n
75. (a) g(x) = ix (b) 2 6. Sf 7. No 8. Sf
9. (a) Un conjunto de vectores {v 1, • . • ,v,,} es linealmente inde-
f pendiente si la ecuaci6n vectorial c 1v 1 + · · · + c,,v,, = 0
g_ ~
- I l---,-::,....,.-a,-+-.::::,;;.ic.;;._ tiene s6lo la soluci6n trivial.
r (b) Linealmente dependiente.
10. (a) Un conjunto de vectores {v 1, •• • ,v,, } en un espacio vecto-
-2 rial V es una ba e de V si el conjunto es linealmente inde-
pendiente y genera a V.
77. (a) g(x) = -2 (b) Sf (c) Sf
l
7T
(b) ....
1----------
/
01!::::======I
I
/ f
\ g
\\
"·hllJl {:l u
14. (a) Js (b) JiT
12
(c) 4
)3.
I
0
-1
-
(d) 1.0723 radianes(61.44°)

I
1
0
15. :~ 16. {c1,o,o),(o, -i[. -;), (o,- ~ . ~)}
79. (a) g(x) = fs(- 10x 2 + 24x + 3)
(b) -------=-
..,...
1
17. n-(-3, 2)
/
y
0 f I
0
--+-+-----+--'----+-..- X
- 3 -2 - i /
7T2
81. g(x) =) - 4 COS X projvu /
= 1..(-3 2) - 2
13 '
18. N(A) base: {(0. I, - 1, 0)} 57. Verdadero. Dx es una transformaci6n lineal y conserva la suma
N(A 7 ) = {(0,0,0)} y la multipbcaci6n por un escalar.
R(A) = R3 59. Falso, ya que sen 2x =I= 2 sen x.
R(A7 ) base: {(O, I, I, 0), (- 1, 0, 0, I), ( I, I, I, I )} 61. g(x) = x 2 + x + C 63. g(x) = - cosx + C
65. (a) - I (b) ~ (c) -4
19. a~ {[ =:]} 20. Prucha.

67. (a) Falso, ya que cos(x1 + xi) =I= cos x 1 + cos x 2•
(b) Verdadero. Vea el analisis que sigue al ejemplo JO, pagina
299.
69. (a) (x, 0) (b) Proyecci6n sobre el eje de las x.
y
71. (a) (½(x + y), ½(x + y)) (b) (i, i) (c) Demostraci6n
31
2 1\( 1, I )
r
I ~ (2, 0) 73. Au = [~2 ~][x] = [~xi:X+v'
2 Y
+ ~i = T(u)
75. (a) Prueba (b) Prueba (c) (1, 0) (d) (1, 1)
77-83. Pruebas

1. R3 3. f(0, 0, 0, 0)}
22. (a) 3 (b) Una base consta de Los primeros tres renglones de A. 5. az,
{a 1x + ar 2 + a3x 3 : a 1, a 3 son reales}
(c) Una base consta de las columnas I , 3 y 4 de A. 7. {a0 : a0 es real} 9. {(0, 0)}
2 - 3 - 2 11. (a) {(0, 0)} (b) {(I, 0), (0, I)}
I 0 0 13. (a) {(-4, - 2, I)} (b) {(I, 0), (0, I)}
0 5 3 15. (a) {(0, 0)} (b) {( I, - 1, 0), (0, 0, I)}
(d)
0 -I -7 17. (a) {(- 1, 1, I , 0)}
0 I 0 (b) {(I, 0, - 1, 0), (0, I, - 1, 0), (0, 0, 0, I)}
0 0 19. (a) {(0, 0)} (b) 0 (c) R 2 (d) 2
(e) No (f) No
(g) Sf (h) No 21. (a) {(0, 0)} (b) 0
23. No. Dos pianos pueden intersectar en una recta, pero no en un (c) {(4s, 41, s - 1): s y r son reales } (d) 2
unico punto. 23. (a) f(r, -31): res real} (b) I
24. Demostraci6n. (c) {(31, 1): res real} (d) I
25. (a) {(s + r, s, -21): s yr son reales} (b) 2
Capitulo 6 (c) {(21, -21, 1): res real} (d) I
27. (a) {(- I Ir, 61, 41): res real} (b) I (c) R2 (d) 2
Secci6n 6.1 (pagina 300) 29. (a) {(2s - r, r, 4s, - 5s, s): s y I son reales} (b) 2
1. (a) (- 1, 7) (b) (11 , -8) (c) {(7r, 7s, 71, Sr + 20s + 21): r, s y t son reales} (d) 3
3. (a) (1, 5, 4) (b) (5, -6, r) 31. Nulidad = I 33. Nulidad = 3
5. (a) (- 14, -7) (b) ( 1, I , r) Kernel: una recta Kernel: R 3
7. (a) (0, 2, I) (b) (-6, 4) Rango: un piano Rango: {(0, 0. 0)}
9. No lineal 11. Lineal 13. No lineal 35. Nulidad = 0
15. No lineal 17. Lineal 19. Lineal 21. Lineal Kernel: {(0, 0, 0)}
23. T( l, 4) = (-3,5) 25. (3, 11 , -8) Rango: R3
T(-2, 1) = (-3, - 1) 37. Nulidad = 2
27. (0, -6, 8) 29. (5, 0, I) 31. (2, 2) t Kernel: {(x, y , z): x + 2y + 2::: = 0} (piano)
33. T: R 2 ➔ R 2 35. T: R 4 ➔ R 37. T: R4 ➔ R
4 Rango: {(1, 21, 21), res real} (recta)
39. (a)(- 1, - 1) (b) (- 1, - 1) (c)(0, 0) 39. 2 41. 4
41. (a) (-1, I , 2, I ) (b) (- 1, I,½, 1) 43. Ya que !Al = - I =I= 0. la ecuaci6n homogenea Ax = 0 tiene s6lo
43. (a) (-1, 9, 9) (b) (-41, -r, 0, r) la soluci6n trivial. Asf, ker(T) = {(0, 0)} y Tes uno a uno (por
45. (a) (o, 4-v'2) (b) (2 ✓ 3 - 2, 2 ✓ 3 + 2) el teorema 6.6). Ademas, como
dim(rango)(T) = dim(R 2) - nulidad(T) = 2 - 0 = 2 = dim(R2)
(c) (-2'525 ✓3) Tes sobre (por el teorema 6.7)
45. Ya que !Al = - I =I= 0, la ecuaci6n homogenea Ax = 0 tiene s6lo
cos 0
sen 0]
47. A- 1 = [ -sen ; rotaci6n en sentido de las manecillas la soluci6n trivial. Asf, ker(T) = {(0, 0, 0)} y Tes uno a uno
0 cos 0
(por el teorema 6.6). Ademas, como
del reloj a traves de 0
49. Proyecci6n sobre el piano xz rango(T) = dim(R3) - nulidad(T) = 3 - 0 = 3 = dim(R3)
51. No es una transformaci6n lineal 53. Transformaci6n lineal Tes sobre (por el teorema 6.7)
55. .x2-3x-5 47. Uno a uno y sobre 49. Uno a uno
Respuest as a las ejercicios impares seleccionados A31
Cero Base estandar (c) Y

SJ. (a) (0, 0, 0, 0) {(I, 0, 0, 0), (0, I, 0, 0),
3 (0, 2J2)
(0, 0. 1. 0), (0. 0, 0, l )}
2 T(v) • ( 2, 2)
ml mmrrn X
(c) [~ ~] {[~~], [~ ~], [~~], [~ ~]} -

I J3
2 3
(d) p (x) = 0 { I , x, x 2 , x 3 }
(e) (0, 0. 0. 0 , 0) {(I, 0, 0, 0, 0), (0, l , 0, 0, 0), 2 2
17. (a) (b) ('2 + J3, I - 2J3)
(0, 0, I, 0, 0), (0, 0, 0, I, 0)} J3 -
I
53. El conjunto de fu nciones constantes: p(x) = a0 2 2
55. (a) dim(rango) = I, nulidad = 2 (b) {(I, 0. - 2), ( l , 2, 0)} (c) y
57. (a) dim(rango) = 11 (b) d im(rango) < 11
( I, 2)
59. T(A) = 0 => A - A T= 0 => A = A T 2 •
Ento nces, ker(T) = {A: A = AT}. V
61. (a) Falso. Vea la "D efinici6n de kernel de una transformaci6 n I + 2../3 2-,/3 )
(
lineal", pagina 303.
(b) Fa lso. Vea e l teore ma 6.4, pagina 306. T(v)
- 600
2
I' 2
(c) Yerdadero. Yea cl analisis previo a la " De finici6n de iso- ➔-~~=~ · -+- X
2
morfisrno", pagina 3 11.
J
63. Prueba 65. Prueba 0
67. Si T es so bre, entonces m 2: 11. 19. (a) [ ~ I (b) (3, 2, - 2)
Si T es uno a uno, e ntonces m :s 11. 0
(c) z
Secci6n 6.3 (pagina 322) 2
(3, 2, 2) V
3. [ : _ ;
- ) 0 X y
7. ( 1, 4) 9. (4, -2, -2)
11. (a) [ - ~ _ ~] (b) (- 3, - 4)

(c) Y
(3, 4)
•
21. (a) [9
To
l..
10
1]
y
10
(b) (210,
1 10
7)
(c)
4
2
• -4
(-3,-4)
- I X
13. (a) [ ~] (b) (-2, - 3) -I
0 2 3
[! -Ii [_;]
(c) y 3
23. (a) 0 -2 ~)
-I I
-fl Ul
- 1 0
•
(-2, - 3)
•
(2, - 3)
~ - (a) rj 0
2
I
0 (b)
0 0
27. A=[~ 3] A, = [ 0
0 ' 0 ~]
J
3
29. A = [-4
- 2
-;i.,, -[ : - 2
- 3
- 3
31. T- 1(x,y) = (-½x,½J) 33. Tes no invertible. 0 I

35. T- 1(x1,X2, X3) = (x 1, -xi + X2, - x2 + X3) 2 0
37. (a) y (b) (9, 5, 4) 39. (a} y (b) (2, -4, -3, 3) 0
41. (a) y (b) (9, 16, -20)
43
r~ r ~1 .._r~ ~ r ri 1s. [! -~] =[-~ -:J[-~~ _ 1~][ -: -~J

l7. [,~,i ~H~ ! m,: m! ~i
47. 3 - 2ex - 2xe-<
0 0 0 0
I 0 0 0
. . n! ;J
I
49. (a) 0 2 0 0 (b) 6x - x 2 + ¾x 4
l
0 0 3 0
I
0 0 0 :i
I 0 0 0 0 0
21. Prueba 23. Prueba 25. /11 27-33. Prueba
0 0 0 I 0 0
35. La matriz para / relativa a B y B' es la matriz cuadrada cuyas
0 I 0 0 0 0
51. (a) (b) Prueba columnas son las coordenadas v I, .. . , vn relativas a la base
0 0 0 0 I 0 normal. La matriz / relativa a B o a B' es la matriz identidad.
0 0 I 0 0 0 37. (a) Yerdadero. Yease la discusion previa al Ejemplo I, pagi na
0 0 0 0 0 I 324.
I 0 0 0 0 0 (b) Falso. Yease la oracion que siguc a la demostracion del
0 I 0 0 0 0 Teorema 6. 13, pagina 326.
0 0 0 I 0 0
(c) Secci6n 6.5 (pagina 335)
0 I 0 0 0 0
0 0 0 I 0 0 1. (a) (3, - 5) (b) (2, I) (c) (a, 0)
(d) (0, -b) (e) (-c. -d) (f) (f, g)
0 0 0 0 0
3. (a) (I, 0) (b) (3, -1 ) (c) (0, a)
53. (a) Yerdadero. Yease el Teorema 6. 10 en la pagina 3 14.
(d) (b, 0) (e) (d, -c) (f) (-g.J)
(b} Falso. Yease la oraci6n previa a "Definici6n de Transfor-
5. (a) (2x, y) (b) Expansion horizontal
maci6n Lineal In versa," pagi na 3 I 8.
7. (a) Contraccion vertical 9. (a) Expansion horizontal
55. Prueba
57. Algunas veces es preferible usar una base no estandar. Por (b) Y (b) Y (x, y) (4x, y)
ejemplo, algunas transformaciones lineales tienen matrices
(x, y) • - -c)--..
diagonales representativas relativas una base no estandar.
1. A' = [~ -3]
- I 3. A' =
[ -3
-J?-I J] 3
X
X
10
~]
0 3 11. (a) Deformacion horizontal 13. (a) Defonnaci6n vertical
5A' =[~ 1
0
7. A' = [-! 33 ]] 4
4
(b) y (b) y
(x, 5x + y)
9. (a) [~
:J (b) [v)8 = [_a [T(v)Jo = [ _;]
(c) A' =
[~ - 73 , 4] p-1 = [- !3
;i_
4 -!] [-!]
(d}
X
11. (a) [~ ~] (b) [v]8 = [ _~]. [T(v)]8 = [~] X
[-727 -2]8 ' p-1 = [ 24 [-!]

15. {(0, 1): , es real } 17. { (!, 1): 1 es real }
(c) A' =
_!
8 -i] (d) 19. { (!, 0): t es real 21. {(1, 0): , es real}
13. ({! -;i ~) [v], = [_ H[71v)], = [ =!]

23. y 25. }' 47. Deformacion vertical seguido por una expansion horizontal.
-------x 49.
✓3
2
-I
2
./3
-I 0
0
51.
-l
2
0
0
./3
2
0
2 2 J3 0 -I
0 0 I 2 2
- I X
(0, -1 ) (I, -1 )
(½, o) I 53. (~J3=1")/2, (A+ 1)/2, 1)
55. ( I + ./3)/2, I, ( I - ./3)/2)
y y
27. 29. 57. 90° sobre el eje x 59. 180° sobre el eje y
2
(- 1, 2) 2 61. 90° sobre el eje z
~ ~
(2, I ) (3, I )
63. [ -~l; {l , - l , -1 )
- I 0 0
2 3 (-1 , 0) ✓3 l ./3
X
- I -2 - I 4 4 2
31.
y
33.
y 65. I J3
2 O,
. (3 ./34 - I' I2+ ./3' ./34- I)
2
3 3 ./3 l
(0, I) (I, l )
(2, 2) (3, 2) 4 4 2
---◄ 2
Ji. Ji. ,/6
2 4 4
-------x 2 3
X
67.
Ji.
2
Ji.
4
,/6 ·(../6-./23./2+,/6
4 ' 4' 4
./3- 1)
'2
0 -./3 - -I
35. (a) (b) 2 2
y y
Ejercicios de repaso {pagina 337)
12
10 1. (a) (2, - 4) (b) (4, 4)
8 3. (a) (0, - 1, 7) (b) {(t - 3, 5 - t, t): t es real }
4 5. Lineal, A= [ _: -~J 7. Lineal, A = [_ : -~J

(0, 0)
37. (a)
2 4 (6, 0)
(0, 0)
(b)
2
-+-~-+-+-+-+---+-- X
2 4 6 8 10 12 9. No lineal 11. Lineal, A =[
-I
~ - I
0
- ~1
I
)' y 13. T{l , 1) = (½, f}, T(0. 1) = (1, 1)

15. T(O. -1 ) = (-1, -2)
5
17. (a) T: R3 ➔ R2 (b) (3, - 12)
4
(1 2, 3)
3 +'-..;......a_ _ _....,,. (c) {(-½, 3 - 21, 1): 1 es real}
19. (a) T: R 2 ➔ R1 (b) 5 (c) {(4 - 1, 1): t es real}
2
21. (a) T: R3 ➔ R 3 (b) (-2. -4, -5) (c) (2. 2, 2)
23. (a) T:R2 ➔ R 3 (b) (8, 10,4) (c) (1. - 1)
2 4 6 8 10 12 2 4 6 8 10 12 25. y
39. T( I, 0) = (2, 0), T(0, I) = (0, 3), T(2, 2) = (4, 6)

)'
-6 -4 - 2 (3, 0) 6
-2
27. (a) {{-2, I, 0, 0), (2, 0, I , - 2)} (b) {{5, 0, 4), (0, 5, 8)}
29. (a) {O} (b) {{ I, 0, 0), (0, I, 0), (0, 0, I)}
-I I 2 3 4 5 31. (a) {(0, 0)} (b) 0 (c) gen{( I, 0, ½}, (o, I, - ½)} (d) 2
41. Expansion horizontal. 43. Dcformacion horizontal. 33. (a) {(-3t, 31, 1)} (b) I
(c) gen{{ I, 0, - 1), (0, I, 2)} (d) 2
45. Reflexion en el eje x seguida por una expansion vertical (en
cualquier orden)
39. A 2 =I 41. A = [cos 30

3 -sen 3 0] Ji. Ji. 0
35. 3 37. 2
2
n,
sen 3 0 cos 3 0 2
0
= [~ ~]
83. Ji.
2 1 0 ' ( ../2, 0, 1)
0 0
45. T no tiene inversa. 47. r 1(x, y) = (x, - y) 0 0
49. (a) Uno a uno (b) Sobre (c) Invertible I ./3 - 1-./3-./3 + 1)
51. (a) No es uno a uno (b) Sobre (c) No es invertible 0 , ( I, 2 ' 2
2 2
3 ✓3 I
53. (a) y (b) (0, 1.1) 55. A' = [ -IJ 0
I -I 2 2
57. [ - ~ -!][18
-~ 11
-19] [3
- 12 I
-SJ
- 4
fi.
2
I
4
✓
4
3 ft,
4
Ji.
2
Ji.
4
ll
I ./3 3 ft, .Jj_ Ji.
0 89.
I
2 4 4 4 2 4
5 ✓3 I ✓3
(b) "'"''P"'"" •""''" ' "'" 0 - 0
2
5 2 2 2
(c) Las respuestas pueden variar.
61. Prueba 63. Prueba 91. (o, o, o), ( ;, ;, o} (o, ../2, o).
(b) dim(rango) = I, nulidad = 3
65.
67.
(a) Prueba
(c) { I -x, I - x 2, I -,r3 )
Ker(7) = { v: (v, v0) = O}
(-;, ;, o), (o,o, 1),(; .; .1),
dim(rango) = R
dim(rango) = I
(0,../2, !), (- ';, ';, I)
69.
Nulidad = dim(V) - 1
A pesar de que no son ig uales, tiene n la misma dimensi6 n (4)
J;, ½),( J;, ½),
93. (0, 0, 0), (I, 0, 0), ( I , 0,
71.
y son isom6 rficos.
(a) Expansi6n vertical 73. (a) Deforrnaci6 n vertical
(o, -½, J;).(1,-½, J;),
(b) _v (b) y
• (x, y + 3x)
I
I
( I,- I +2fi.' I +2fi.)' (O,- I +2✓3' I +2✓3)
I
95. (a) Falso. Yea " Matrices e le mentales para transformac iones
lineales e n el piano", pagina 330.
(x, y) (b) Yerdadero . Yea " Matrices ele rnentales para transfonnacio-
nes lineales en el piano", pagina 330.
(c) Yerdadero. Yea e l analisis siguiente al ejernplo 4, pagina
334.
75. (a) Deformaci6 n horizontal 97. (a) Fa lso. Yea los "Comentarios", pagina 294.
(b) y (b) Falso. Vea el teorema 6.7. pagina 3 10.
(c) Yerdadero. Yea e l analisis siguiente al ejernplo 5, pagina
327.
Capitulo 7
Secci6n 7. 1 (pagina 350)
77. y 79. y I. [~ -~] [~] = 2[~], [~ -~] [~] -2[~] =
(0, 0) 2
3.
[: : ][- : ] = o[ -:]. [: :J [:] 2[:] =
3
( I , 0) 2 3
5.
[!
- I
0 m~J =,[H
llHl =-Hl
-I
3
- I
81. Reflexi6n en la recta y = x seguida por una expansi6n horizon- [: 0
tal.
!][!]=,[!]
3
- I
[: 0
1 Secci6n 7 .2 (pagina 360)

0
0 1. (a) p- 1 = [_ : -~J p- 1AP = [~ (b),\= 1, - 2
9. (a)
(b) [ I
[: 3. (a) p -
1
(b) ,\ = 2, -3
= [-i n 1
P- AP = [ ~
11. (a) No (b) Si (c) Si (d) No 1
[_l
3
13. (a) Si (b) No (c) Sf (d) Sf I
15. ,\ = I , (t, 0); ,\ = - I , (0, t)
5. (a) p - 1
= 4
I
17. (a) ,\(,\ - 7) = 0 (b) ,\ = 0, (I, 2); ,\ = 7, (3, - 1) 3 12
19. (a) ,\2 - ¼ = 0 (b) ,\ = -½,
(1 , l); ,\ = (3, I) ½, (b) ,\ = 5, 3, - I
21. (a) (,\ - 2)(,\ - 4)(,\ - I) = 0 1 3
7. p = [2 - I
] (La respuesta no es unica.)
(b) ,\ = 4, (7, -4, 2); ,\ = 2, (I, 0, O); ,\ = I, (-1, 1, 1)
23. (a)
(b)
(,\ + 3)(,\ - 3)2 = 0
,\ = -3, ( I , I , 3); ,\ = 3, (1, 0, -1 ), (1, I , 0)
(,\ - 4)(,\ - 6)(,\ + 2) = 0
9. P - Hi -: ] Q-, =P""" no es on;c,_)
[! -: il
25. (a)
(b) ,\ = - 2, (3, 2, O); ,\ = 4, (5, -10, -2);
,\ = 6, (I, - 2, 0) 11. P - (l.rnsp,esi, noes an;c,.)
27. (a) (,\ - 2)2(,\ - 4)(,\ + I) = 0
(b) ,\ = 2, (1 , 0, 0, 0), (0, I, 0, O); ,\ = 4, (0, 0, I , I); 13. A no cs diagonalizable.
,\ =
- 1, (0,0, I, -4) 15. Este es el unico eigenvalor, ,\ = 0 y la dimension de su eigenes-
29. ,\ = -2, l 31. ,\ = 4, - ½,f 33. ,\ = - 1,4, 4 pacio es I. La matriz no es diagonalizable.
35. ,\ = 0, 0, 0, 21 37. ,\ = 0, 0, 3, 3 39. ,\ = 2, 3, I 17. Este es el unico eigenvalor, ,\ = I, y la dimension de su eige-
41. ,\ = - 2, 4, -3. -3 nespacio es I. La matriz no es diagonalizable.
43. (a) ,\ 1 = 3, ,\2 = 4 19. Hay dos eigenvalores, I y 2. La dimension del eigenespacio para
(b) 8 1 = {(2, - 1)}, 8 2 = {(1, -1 )} el eigenvalor repetido I es I . La matriz no es diagonalizable.
21. Hay dos eigenvalores repetidos, 0 y 3. El eigenespacio asociado
(c) [~ ~] con 3 es de dimension I. La matriz no es diagonalizable.
45. (a) ,\ 1 = - 1, ,\2 = 1, ,\3 = 2 23. ,\ = 0, 2 La matriz es diagonalizable.
n! ~]
(b) 8 1 = {(1, 0, l)}, 8 2 = {(2, 1, O)}, 8 3 = {( I, 1, O)} 25. ,\ = 0, -2
El numero de eigenvalores es insuficiente para garantizar la
diagonali zabilidad.
(c) 27. {( I , - 1), (1, 1)} 29. {(-1 + x),x }
47. ,\ 2 - 6,\ +8 49. ,\ 3 - 5,\2 + 15,\ - 27 3 1. Demostracion 33. [
- 188 - 378]
51. 126 253
(a) Traza (b) Determinante
384 256 - 384]
Ejercicio deA deA
35. -384 -512 1152
[
17 7 0 - 128 -256 640
! 37. (a) Yerdadero. Vea la demostracion del teorema 7.4, paginas 354.
19 0 4
(b) Falso. Yea el teorema 7.6, pagina 358.
21
23
25
7
3
8
-27
-48
8
39. Sf P - [? : ~ l
41. Si, el orden de los elementos en la diagonal principal puede
27 7
cambiar.
-16
43-47. Pruebas
53-61. Prucbas 63. a = 0, d = 1 o a = 1, d =0 49. Debido a quc ,\ = 3 es el unico eigenvalor, y una base para el
65. (a) Falso. x debe ser distinta de cero. eigenespacio es {( I. 0) ) la matriz no tiene dos eigenvectores
(b) Ycrdadcro. Yea cl tcorcma 7.2, pagina 345. linealme nte independientes. Por el Teorema 7.5, la matriz no es
67. Dim = 3 69. Dim = I diagonalizable.
d
71. T(ex) = - [e x] = ex = I (e,•) Secci6n 7.3 (pagina 370)
dx
73. ,\ = - 2, 3 + 2x; ,\ = 4. - 5 + I Ox + 2x 2
; ,\ = 6, - I + 2x 1. Simetrica 3. No simetrica 5. Simetrica
[-o
n
I 0
75. ,\ =Q,[: ~],[~ _:},\ =3, [_~ ~]
77. ,\ = 0, I 79. Prueba
1. p - [
-J
: 0 1
p- AP = ~ a
0 ;]
= C ,e-,
~
0 0 19. y 1 = C ,e- 4' 21. y 1
9. p
11. A =
=[
-I
I, dim =
I
0
I
H
13. A = 2, dim = 2
a
0
23. Y, = C,e-12,
Yi= C2e'/2
25. Y , = C,e-o.3,
Yi= C2e6'
YJ = C3e'
27. y 1 = C 1e1'
A= 3, dim = I A = 3, dim = I Yi = C2e-6' Yi= Cieo.4, Yi= C2e9'
15. A = -2, dim = 2 17. A = - 1, dim = I Y3 = C3e1' YJ = C3e-0.61 YJ = C3e-1,
A= 4, dim = I A = I + fi, dim = I Y4 = C4e-9'
A= I - ✓ 2, dim = I 29. y 1 = C 1e' - 4C2e 2' 31. y 1 = C,e-1 + C2e 31
19. A = - 2, dim = I 21. A = I , dim = 1 Y2 = C2e2, Y2 = -c,e-, + C2e3'
A = 3, dim = 2 A = 2 , dim = 3 33. y 1 = 3C1e - 2' - 5C2e4 ' - C3 e6 '
A = 8, dim = I A = 3, dim = I y 2 = 2C1e- 2' + 10C2e4 ' + 2C3e 6 '
23. Ortogonal 25. OrtogonaJ 27. No es ortogonal y3 = 2C2e4 '
29. Ortogonal 31. No es ortogonal 33-37. Pruebas 2
35. y 1 = C 1e' - 2C2e ' - 7C3e 3'
39. No es ortogonalmente diagonalizable Y2 = C2e 2' + 8C3e 3'
41. Ortogonalmente diagonalizable YJ = 2C3e 3'
,/2./2 ,/2./2] [ ,/3/3 37. Y,' = Y, + Y2 39. Y,' = Y2
../f,/3 ]
43. P = [ _ ✓2/2 ✓2/2 45. P = _ ./6/3 ./3/3 Yi' = YJ
(La respuesta no es unica.) (La respuesta no es unica.) y/ = - 4Yi
41 P -n -, !] (Luospm<a ao es ,ruca.)
47. A - :
43.
- ;] • A, =
[! -!J
-¾, A = %,
2 P =
45. [ 05
1a
-,~]
3
Jio
- ./3/3 - ✓ 2/2 ./6/6] I
49. - ,/3/3 fi/2 fl,/6 2 -2 Jio Jio
[
./3/3 0 ./6/3
r_ 1½
51 p = -fi/2
.
✓ 2/2
0 ✓ 2 /2
0
0
✓
✓
2/2
2/2
0
3./3] , A1 = 4, A2 = 16, P =
7
51. A = [ 16 -12], A1 = 0, A2 = 25. p =

3
-!_~]
J1
r 0 -fi/2 0 -12 9
[ -455

53. Elipse, 5(x') 2 + 15(y')2 - 45 = 0
53. (a) Verdadero. Vea el teorema 7.10, pagina 367.
55. Elipse, (x ' )2 + 6(y ')2 - 36 = 0
(b) Yerdadero. Yea el teorema 7.9, piigina 366.
57. Parabola, 4(y')2 + 4x' + Sy '+ 4 = 0
55. Prueba
59. Hiperbola, ½[-(x')2 + (y')2 - 3 ✓2x' - ✓2 y' + 6) = 0
59. A7:4 = -2~
[
17
AAT = [14
24
24]
53
61. A - [-r -~ n 2(x ')' +4(y')' + 8(,')' - 16 - 0
n
Ambos productos son simetricos

63. A - [i ~ (x')' + (y')' + 3(,')' - I - O
1. X?
-
= [20], X 1 = [ )0]
5 · 10 ,. ,,-[~].,,-[::i 65. Sea P =
IPI =
r: !] una matriz ortogonal de 2 x 2 tal que
I. Defina () E (0, 27T) como sigue.
5
•
X2 =
400]
25
X =
100 ' 3
250]
100
25 7. X = t[~] 9. X - ,m (i)
(ii)
(iii)
Si a = 1. entonces c = 0. b = 0, y d = I, con() = 0.
Si a = - I, entonces c = 0, b = 0, yd = - I, con()= 7T.
Si a 2: 0 y c > 0, sea()= arccos(a), 0 < () :5 7T/2.
50 50
(iv) Si a 2: 0 y c < 0, sea () = 21r - arccos(a),
37T/2 :5 0 < 27T.
II x -,[!] (v) Si a :5 0 y c > 0, sea (J = arccos(a), rr/ 2 :5 () < 1T.

(vi) Si a :5 0 y c < 0, sea() = 21r - arccos(a),
7T < () :5 31r/2.
En cada uno de estos casos, confirrne que
p = [a b] = [cos() - sen()].
c d sen () cos ()
Ejercicios de repaso (pagina 385)

~ -}il21
[Ji .Ji
2
1. (a) A - 9 = 0 (b) A = - 3, A = 3
61. p =
(c) Una base de ,\ = -3 es {( I , -5) ) y una base de ,\ = 3 es
{ ( I , I )}.
3. (a) (A - 4)(,\ - 8)2 = 0 (b) A = 4, A = 8 63. (a) a = b = c = 0
(c) Una base de ,\ = 4 es {( I, 2, - 1)) y una base de ,\ = 8 es (b) Dim = I si a * *
0, b 0. c 0. *
{(4, - 1, 0) (3, 0, I )}. Dim = 2 si exactamente uno de las tres incognitas es 0.
5. (a) (,\ - 2)(,\ - 3)(A - I ) = 0 Dim = 3 si exactamente dos de las tres incognitas son
iguaJes a 0.
(b) A = I , A = 2, A = 3
65. (a) Verdadero. Vea las ·'Definiciones de eigenvalor y eigenvec-
(c) Una base de ,\ = I es {( I , 2, - 1)), una base de ,\ = 2 es
tor", pagina 342.
{ ( I , 0, 0) } y una base para A = 3 es {(0, I , 0) }.
(b) Falso. Vea el teorema 7.4, pagina 354.
7. (a) (A- 1) 2( ,\ - 3)2 = 0 (b) A = I , A = 3 (c) Verdadero. Vea la '·Defin icion de una matri z diagonaliza-
(c) Unabase de A = I es {(l. - 1, 0, 0),(0, 0, 1,-1)) yunabase ble", pagina 353.
para A = 3 es {( I, I, 0, 0), (0, 0, I, I)}.
[41 - 2IJ (La respuesta no es umca.

,. )
1
[~!l
67. X 2 = [ ~~], X 3 = X = f [~]
r~i
9. p =
••- x, ~ [·:~n·,~ r::m. ~

11. No diagonalizable.
~ ~1 X
13. p = [ ~
15. (a) a =
I
(b) a = 2-¼
O - I
(c) a ?:
17. A tiene solo un eigenvalor ,\ = 0 y la dimension de su eigenes-

-¼
1'· . , ~
73. Y1 = C1e3'
[ ,~n.,~ r~m
pacio es I. Por tanto, la matriz no es diagonalizable.
Yi= C2es,
19. A tiene solo un eigenvalor ,\ = 3 y la dimension de su eigenes-
Y3 = C3e- s,
pacio es 2. Por tanto, la matriz no es diagonalizable.
75. y 1 = -2C 1 + C2e' 77. y 1 = C 1e' + C2e- ,
21. P = [~ ~] Yi= c, Yi = C 1e' - C2e- 1
23. Como el eigenespacio correspondiente a A = I de la matriz A Y3 = C3

tienc dimension I, mientras que cl de la matriz B tienc dimen-
sion 2, las matrices son no similares. y
(d)
25. Es ortogonal y simetrica. 27. Simetrica.
29. Ninguno 31. Prueba 33. Prueba
35. Ortogonalmente di agonalizable
37. P = 3s -
./5
1
~1 ,.)
_l._
./5
(La respuesta no es umca .
I I
0
.Ji .Ji (d) )'
I I
39. P = 0 (La respuesta no es unica.)
.Ji .Ji
-:x·',
0 0
I I -+--+---t--;'I",--,-,-,- X
0 2 3
.Ji .Ji
41. p = 0 0 (La respuesta no es unica.)
I I
0
.Ji .Ji
Examen acumulativo capftulos 6 y 7
43. ( t f) 45. (j, f) 47. ( ¼, ½, ¼) 49. ( T6, i, T6) (pagina 389)
51. Prueba 53. A = [ ~ a A, = 0, A2 = ?
1.
2.
3.
Transformacion lineal.
No es una transformacion lineal.
dim(R") = 5; dim(R'") = 2
55 2 56 -40] 3 = [368 -304] 4. (a) ( 1, - 1, O) (b) (5, 1) 5. {(s, s, -r, t): s, t son reales}
• A = [ 20 - 4 ' A 152 -88
6. (a) gen {(0, - I, 0, I}, (I, 0, - I, 0)}
57. (a) y (b) Pruebas 59. Prueba
(b) gen {( I, 0), (0, I)} (c) dim(rango) = 2, nulidad = 2
~i 8. [~
l
I
0 - 1
26.P •[_{'
I
Ji. 21. P =
.)3
l
.)3
I
l
Ji.
0
l
J6
2
• - [! Hl
I J6
9
·
o
[4
-2 3] 0 11
Ji. Ji. .)3
I I
- Ji.
I
J6
11. [ _! -n T( I, I)= (0, 0), T( - 2, 2) = (-2, 2)

28. y 1 = C 1e'
Yi= C2e3'
12. (a)
[.)3 A1 l.)3
~
-
2
r- l
-
2
1
(b)
- +.}3
2
l 29. [ 4 -4]
-4 4 30. X2 =
31. P es ortogonal si P- 1 = pT_

1800]
[ l~~ , X3 =
32. Prueba.
[6300]
14:~
y
(c)
-2 - I
17. [ - ~ - : ]- T(O. I) • (1. 0. I)
18. (a)A= [: -~] (b)P=[:

(c) A' =,-:-:~] (d) [_:]
(e) [v]8 = [ _ ~], [T(v)]8 = [ _ ~]
19. ,\ = 5 (repetido), [_ :J
20. A = 3, [ _ :J A = 2, [ _~]
21. A•,.[:} A•O.[=;} A•2.[J

22. ,\ =
[~I]
I (tres veces),
23. P = [~
0
- :
0 2
~i 24. P = [~
0
- ~ ~~i2
0
25. {(O, I, 0), ( 1, I, I), (2, 2, 3)}
fndice A39
indice
A identicamente igual a. 182. 2 13 Contraejemplo, AS

Abstracci6n, 155 matriz. 53 Coordenadas, 202, 252
Adici6n subespacio, 163 Cramer. Gabriel ( 1704- 1752), 130
de matrices, 41 transfonnaci6n, 294 Criptografia, 87-89
propiedades de, 52 vector, 147, 149 Criptograma. 87
de vectores, 147, 149, 155 Cierre bajo Cristalografia, 207
propiedades de. 148, 150 suma de vectores. 148, 150. 155 Cuadrar
Adj unta de una matriz. 128 vector de multiplicaci6n escalar, 148, 150, aproxi maci6n. por minimos cuadrados,
inversa dada por, 129 155 277
Ajuste de curvas, po linomio, 25-28 Circulo. la forma estandar de la ecuaci6n de, formulario. 376
Algebra 2 15
de matrices, 52 Cizalla, 33 1, 332 D
teorema fundamental de. 345 Clave, 87 Definici6n inductiva, I 06
Ampliaci6n en R2 , 335 Codificado de un mensaje, 87, 88 Dependencia lineal, 173, 176
Analisis Codominio de una funci6n de mapeo. 292 pruebas para, 174
de regresi6n, 298 Coeficientes. 2, 46 y bases, 183
de una red, 29-3 1 de Fourier, 252, 280 y multiplos escalares, 177
mfnimos cuadrados, 92-94, 259, 265-268 lfder, 2 Descifrado de un mensaje, 87. 89
Analisis de regres i6□ can6nico, 298 matriz, 13 Desigualdad
Analisis de regresi6n multiple, 298 Cofactores, I 05 Bessel de, 285
Angulo entre dos vectores, 229. 231,240, 273 expansi6n, I07 Cauchy-Schwarz, 23 1, 242
Aproximaci6n matriz de, 128 triangulo, 233, 242
de Fourier, 279, 280 patr6n de signos para. I05 Desigualdad de Bessel, 285
mfnimos cuadrados, 275-277 por la expansi6n, en la primera fil a. I06 Determinanle (s), 66, 104, 106, 108
Aproximaci6n de Fo urier de orden n, 279 Colo res aditivos primarios, 184 area de un triangulo con, 132
Aproximaci6n lineal, mfnimos cuadrados. 276 Columna cero, condiciones que producen, 115
Area, 132, 273, 283 de una matriz, 13 de un multiplo escalar de una matriz, 12 1
Axiomas espacio, 189, 306 de un producto de matriz, 120
para un espacio vectorial, 155 matriz, 40 de una matriz inversa, 122
para un producto interno. 237 combi naci6n lineal de, 46 de una matriz invertible. 122
operaciones, elemental, 114 de una matriz triang ular, I 09
B rango de una matriz, 193 de una transposici6n, l 24
Base estandar, 180, 182, 202, 203, 248 subfndice. 13 expansi6n de Laplace de, I06, I 07
Base no estandar, 203 vector(es), 40, 189 expansi6n por cofactores, 107
Bases, 180 combinaci6n lineal de, 46 numero de operacio nes para evaluar, 11 6
cambio de, 204 Combinaci6n lineal, 46 operaciones elementales de columna y,
coordinar matriz con respecto a, 203 de vectores, 152, 169 11 4
coordinar representaci6n relativa a, 202 Complemento, ortogonal, 260 operaciones elementales de fila y, 11 3
estandar, 180, 182 Componentes de un vector, 146 propiedades de, 120
numero de vectores en, 184 Composic i6n de transformaciones lineales, Diagonal
o rdenada, 202 3 16,3 17 matriz, 49, 109
o rtogonal, 248, 253 Condici6n para la diagonalizaci6n, 354, principal. 13
ortonormal, 248, 252 358 Di agonal principal. 13
para el espacio de fila de una matriz. 190 Condici6n suficiente para la diagonalizaci6n, Diagonalizaci6n
pruebas en un espacio dimensional, 186 358 condici6n para, 354, 358
Bloquear mult iplicaci6n de matrices, 51 Condiciones que producen un facto r ortogonales, de una matriz simetrica, 368
determinante cero, 115 problema, 353
C C6nica ode la sccci6n c6nica. 135. 2 15 y trnnsformaciones lineales, 359
Cadena de Markov, 325 C6nica o de la secci6n c6nica. 135, 2 16 Diagonalizando una matriz. medidas para, 356
Cambio de base, 204 rotaci6n de los ejes, 2 15-2 18 Di ferencia
Caracteristica Conj unlo generador, 17 1 de dos matrices, 4 1
ecuaci6n de una matriz, 345 subespacio de, 172 de dos vec1ores, 147, 149
polinomio de una matriz, 14 1,345 Conjunlos ecuaci6n. 308
Cauchy, Augustin-Louis ( 1789- 1857). 11 3, lapso de, I 68, 172 Dimensi6n
230 linealmente dependientes, 173 de fila y columna espacios, 192
Cauchy-Schwarz Desigualdad, 23 1, 242 linealmente independientes. 173 de un espacio vectorial, 185
Cayley, Arthur ( 1821 - 1895), 43 ortogonal. 248, 25 1 del espacio de soluciones, 196
Cayley-Hamilton Teorema, 14 1, 35 1 orto normal, 248 espacios isomorfos y, 3 11
Celda unidad, monoclinico final centrado, 207 que abarca, 17 1 Din{unica de flu idos computacional, 79
Celula unitaria monoclinica centrada, 207 soluci6n, 3 Distancia
Cero Cono, eliptica, 381 entre dos vectores, 228, 240
detenninantes, condiciones que producen, Contracci6n en R2, 33 1 y la proyecci6n ortogonal, 244, 263
11 5 Contradicci6n, prueba por, A4 Dominio de una fu nci6n de mapeo, 292
A40 fndice
E Entramado, 207 Fourier
Ecuaci6n Equilibrio de una ecuacion qufmica, 4 aproximaci6n, 279, 280
caracterfstica, 345 Equivalente coeficientes, 252, 280
de secci6n c6nica (s), 135, 2 15 condiciones, 78 series de, 250, 28 1
de un piano, la forma de tres puntos de, para matrices cuadradas, resumen de, Fourier. Jean-Baptiste Joseph ( 1768-1830),
135 198 250,252,279
del problema de mfnimos cuadrados, para una matriz no singular. 123 Frecuencia natural. 158
normal, 265 sistemas de ecuaciones lineales, 6. 7 Frecuencia, natural , 158
Ecuaci6n diferencia1 (s), 2 12,2 13,374 Error, suma de cuadrado, 92 Fundamentos
Ecuaci6n diferencial lineal homogenea. 212. Escala de grises, 184 matrices, 74. 77
2 13 Escalar,4 1, 147, 155 operaciones de colurnna, 114
sistema de ecuaciones lineales, 21 , 194 Espacio finito vector dimensional, 180 operaciones de fila, 14
Ecuac i6n diferencial lineal , 212 Espacio infinito, vector dimensional, 180 para las transformac iones lineales en 330
sistema de primer o rden, 374 Espacio 11, 149 representando, 75
soluci6n de, 212, 2 13 Espacio nulo. 194, 305 y determinantes, 113
Ecuaci6n general de una secci6n c6nica, 135 Espacio propio. 344, 349
Ecuaci6n lineal Espacios de columna y fila, 192 G
conjunto solucion de 3 Espacios isomorfos. 3 11 Gauss, Carl Friedrich (1777-1855), 7, 19
en dos variables, 2 Espectro de una matriz simetrica, 362 Gauss-Jordan, eliminaci6n de. 19
en las variables, 2 Estado encontrar la inversa de una matriz por. 64
en tres variables, 2 de una matriz, 85 Genetica, 359
forma de dos puntos de, 133 de una poblaci6n, el 84 Geometrfa de las transforrnaciones lineales.
sistema de, 4. 38 Estado de equilibrio, 86, 141, 386 330-332
consistente, 5 Estandar Grado de libertad, 158
consistente, 5 conjunto generador, 171 Gram, Jorgen Pederson ( 1850-1916), 253
equivalente, 6 formas de ecuaciones de las conicas, 2 15 Gram-Schmidt, proceso de ononorma1izaci6n,
equivalente, 6. 7 matriz para una transformaci6n lineal, 314 248,253
forma ecscalonada, 6 operaciones en 149 forma alternativa, 256
forma escalonada, 6 vector unitario, 226
homogenea, 2 1 Euclidiana H
homogenea, 2 1 espacio n, 229 Hallar
inconsistente, 5, 8, 18 producto interno, 237 Gauss-Jordan, eliminacion, 64
inconsistente, 5, 8, 18 Euclidiana, 229 la inversa de una matriz por
resoluci6n. 6, 45 Euler, Leonhard ( 1707-1783). A l valores y vectores propios. 346
resolucion, 6, 45 Existencia de una transformacion inversa, 3 19 Hamilton, William Rowan (1805-1865), 150
soluci6n (s) de, 4, 5, 56. 197. 198 Expansion Herencia ligada al sexo. 359
solucion de, 4, 5, 56. 197, 198 de un determinante, de Laplace, 106, 107 Herencia, 359
solucion de, 3 en R2• 33 1 Hiperbola, la forma estandar de la ecuaci6n
Ecuaciones diferenciales lineales de primer por cofactores, I07 de, 2 15
orden, 374 Expansi6n de Laplace de un detenninante, Hiperboloide, 380
Ec uaciones normales de los minimo 106, 107 Horizontal
cuadrados Expansion por cofactores en la primera fila, cizalla en 332
problema. 265 106 contracciones y expansiones en 33 1
Ejex
retlejo en, 330 F
rotacion a lrededor de, 334 Fermat, Pierre de ( 160 1-1 665), A I ldenticamente igual a cero. 182. 2 13
Eje y Fibonacc i, Leonard ( 11 70- 1250), 388 ldentidad
Eje z, rotaci6n alrededor de. 333, 334 Fila escalar, de un vector, 155
Ejes, rotacion de. por una conica, 2 16, equivalencia, 76 Lagrange, 283
217 espacio, 189 matriz, 55
Eliminaci6n base para. 190 propiedades de, 56
Gaussiana, 7 matrices fil a tienen el mismo propiedad
con suslituci6n regresiva, 16 equivalente, 190 aditi vo, para los vectores, 148, 150
Gauss-Jordan, 19 matriz, 40, 87 multiplicativos, para matrices, 52
encontrar la inversa de una matriz por, vector, 40, 189 multiplicativos, para vectores, 148,
64 Filas y columnas, espacios, 192 150
Eliminacion de Gauss, 7 Flujo electrico, 234 suma
con sustituci6n regresiva. 16 Flujo magnetico, 234 de un vector. 15 1, 155
Elipse, la forma estandar de la ecuaci6n de, Flujo, electrico y magnetico, 234 de una matriz, 53
215 Forma alternativa del proceso de ldentidad aditiva
Elipsoide, 380 ortonormalizaci6n Gram-Schmidt, de un vector, 151 , 155
Eliptica 256 propiedades de, 148, 150, I 5 I
cono, 38 1 Forma de dos puntos de la ecuaci6n de una de una matriz, 53
paraboloide, 38 1 lfnea, 133 ldentidad de Lagrange, 283
Encriptaci6n, 87 Forma de tres puntos de la ecuaci6n de un lgualdad de matrices, el 40
Entrada de un sistema economico, 90 piano, 135 lgualdad de Parseval, 258
Entrada de una matriz, 13 Formula recursiva, 388 lmagen. 292
fndice A 41
lndependencia lineal , 173, 25 1 Matrices columna-equivalentes, 114 encontrando por e limi naci6n de Gauss-
pruebas para, 174, 2 13 Matrices lila no codilicadas, 87 Jordan, de 64 aiios
lnducci6n Matrices simetricas. 57. 163,362 propiedades de, 67
hip6tesis, A2 diagonalizaci6n ortogonal de, 368 un producto de, 68
matemat ica, 109 propiedades de, 362, 366 inverso adi tivo de, 53
por la prueba, A2, A3 teorema fundamental de, 367 menor de, I05
Principia de, A I. A2 Matrices similares, 326, 353 multiplicaci6n de, 42, 51
l ntersecci6n de dos subespacios en un con los mismos valores propios, 354 identidad para, 55
subespacio, 164 propiedades de, 326 propiedades de, 54
l nversa Matriz (matrices), 13 y producto escalar, 234
dada por su adjunto, 129 adjunta de, 128 multiplicaci6n escalar de, 4 1
de un nt'.imero real, multiplicativo, 62 algebra de. 52 nilpotente, 102, 352
de un producto de dos matrices, 68 antisimetrica, 61 , 127, 222 no invertible, 62
de una matriz de transici6n. 204 aumentada, J3 no singular, 62
de una transformaci6n lineal, 3 18, cero, 53 condiciones equivalentes para, 123
319 coeficiente, 13 nulidad de, 194
de una matriz, 62, 66 cofact ores de, I 05 operaciones con, 40, 41
determinante de, 122 columna de espacio de, 189, 306 ortogonal, 127, 258, 288, 364
encontrada por eliminaci6n de Gauss- columna de, 13 ortogonalmente diagonalizable. 367
Jordan, de 64 aiios columna equivalente, 114 para una transformaci6n lineal, estandar,
propiedad. aditivo, para los vectores, 148, columna, 40 3 14
150 combinaci6n lineal de. 46 particionado, 40, 46
propiedades de, 67 compaiiera, 386 polinomio caracterfstico de. 345
de un vector, 15 1, 155 contiguo, 64 primaria, 74, 77
de una matriz, 53 controlabi lid ad, 308 para transformaciones lineales, 330
Inverso aditivo coordinada, 202, 203 principal de d iagonal, 13
propiedades de, 148, 150. 151 cuadrada de orden 11, 13 producto de, 42
lsomorfismo. 31 1 determinante de, I 06 determinante de, 120
pasos para diagonalizante, 356 propiedades de, 52
J resumen de las condiciones rafz de 11, 60
Jacobiano, I 08, 139 equivalentes. 198 rango de, 193
Jordan, Wil helm ( 1842- 1899), 19 de cofactores, 128 rastro de, 50, 302, 35 1
J untar dos matrices, 64 de la forma cuadrat ica, 376 real, 13, 40
de probabilidades de transici6n, 84 rigidez, 64, 72
K de salida. 9 1 simetrica. 57, 163, 362
Kepler, Johannes (1571-1630). 28 de T relativo a una base. 320. 32 1. 324 d iagonalizaci6n ortogonal de. 368
Kernel, 303, 305 demanda externa, 9 1 propiedades de, 362. 366
determinante de, 66, 104, 106, 108 teorema fundamental de, 367
L diagonal, 49, 109 similares, 326, 353
La normal izaci6n de un vector, 227 diagonalizable, 353, 367 con los mismos valores propios, 354
La rotaci6n de, 382 ecuaci6n caracterfstica de, 345 propiedades de, 326
Lado izquierdo del sistema, 273 entrada de 13 de singular, 62
Laplace, Pierre Si mon de ( 1749- 1827). 106 entrada-salida. 90 subespacios fundamentales de, 258. 264
Legendre, Adrien-Marie ( 1752-1833). 255 escalar multiplo de, 4 1 suma de, 4 1
Leontief, Wassily W. ( 1906- 1999), 90 determinante de, 12 1 propiedades de, 52
Ley de Hooke, 64 espacio fi la de, 189 tamaiio de, 13
Leyes de Kirchhoff, 30 base para, 190 transformaci6 n I ineal dad a por, 296
Lfder espacio nulo de, 194 transformaci6n, para bases no estandar. 320
coeliciente, 2 estado, 85 transici6n edad, 372
uno, 15 estandar, por una transformaci6n lineal. transici6n. 204, 206. 324
variables, 2 3 14 transposici6n de, 57
Lfnea estocastico, 84 determinante de, 124
reflejo en. 330, 340 fi la de, 13 propiedades de, 57
regresi6n de minimos cuadrados, 93, 259 fila equi valente, 14, 76 triangular, 79, I 09
Lineal no homogenea lila, 40, 87 determinante de, 109
ecuaci6n d iferencial, 2 12 flexibilidad, 64, 72 valores propios de, 348
siste ma, soluciones de, 197 forma escalonada, 15 valor propio (s) de, 14 1,342,345
Longitud. 226. 227. 240 forma reducida escalonada de, 15 vector propio (s) de. 141. 342, 345
formar para la regresi6n lineal, 94 Matriz antisimetrica, 6 1, 127, 222
M fuerza. 64, 72 Matriz aumentada, 13
Magnitud de un vector. 226 idempotente, 83. 99, 127, 329, 352, 387 Matriz compaiiera, 386
Mano derecha del sistema, 273 identidad aditivo para, 53 Matriz con particiones, 40, 46
Mapa, 292 identidad, 55, 56 Matriz coordi nada, 202, 203
Matematica igualdad de, 40 Matriz cuadrada de orden 13
inducci6n, I 09, A I-A3 inversa de, 62, 66 determinante de, 106
modelado, 267 dada por su adjunto, 129 menores y cofactores de, 105
Matrices codificadas en fi las, 87 determinante de, 122 pasos para diagonalizante, 356
A42 fndice
Matriz de controlabilidad, 308 N Poblaci6n
Matriz de demanda externa. el 9 1 Negativo de un vector, 147, 149 crecimiento. 372, 373
Matriz de dos por dos No conmutatividad de la multiplicaci6n de genetica, 359
determinante de, 66, 104 matrices, de 55 Po lin6mica. 255. 276
inversa de, 66 No trivial ajuste de curvas, 25-28
Matriz de llexibilidad. 64, 72 soluciones, 173 caracterfstica, 14 1, 345
Matriz de Hesse. 369 subespacios, 163 Po linomio de Taylor de grado I. 276
Matriz de Householder, 73 Norma de un vector, 226, 240 Po linomios de Legendre norrnalizados, 255
Matriz de insumo-producto. 90 Nulidad, 194, 307 Po linomios de Legendre, norrnalizados, de
Matriz de la fuerza, 64, 72 Numero de 255
Matriz de rigidez, 64, 72 operaciones para evaluar un factor Preimagen de un vector asignada, 292
Matriz de transici6n, 372 determinante, 116 Preservaci6n de operaciones, 293
Matriz de lransiciones, 204, 206, 324 soluciones, 5, 21 , 56 Primera ley de movimiento planetario de
Matriz diagonalizable, 353. 367 vectores en una base 184, Kepler, 135
0
Matriz estocastica, 84 rafz de una malriz, 60 Principal teorema de los ejes, 377
Matriz idempotente, 83. 99, 127, 329, 352, Principio de inducci6n matematica, A I , A2
387 0 Probabilidades de transici6n, matriz de 84,
Matriz nilpotenle, 102,352 Operaciones Producto
Matriz no invertible, 62 columna de primaria, 11 4 area de un triang ulo con, 283
Matriz no singular, 62 con matrices, 40 cruz. 271
condiciones equivalentes para, 123 estandar en R2, 149 espacio, 237
Matriz singular, 62 fi la primaria. 14 interior, 237
Matriz triangular inferior, 79, 109 representando, 75 pesos de los terminos de, 238
factorization 11, 79 y detenninantes, I 13 propiedades de, 239
Matriz triangular superior, 79, I09 que producen sistemas equivalentes, 7 propiedades de, 272, 273
Matriz triangular, 79, 109 vector. 147 punto. 229
determinante de. I 09 Operaciones de fila. ele mentales. 14 y la muhiplicaci6n de matrices, 234
valores propios de. 348 Operador Producto de dos vectores, 229
Menor, 105 diferencial, 299 Producto interno, 237
Metodo de los mfnimos cuadrados, 93 lineal, 293 Producto vectorial de dos vectores, 27 1
Mfnimos cuadrados, 259 Operador diferencial, 299 Producto, espacio interior. 237. 240, 242
aproximaci6n, 275-277 Operador lineal, 293 proyecci6n ortogonal en, 243
metodo de, 93 Orden Programaci6 n lineal, 47
problema, 259, 265 base, 202 Propiedad asociativa
regresi6n par, 146 de la adici6n de la matriz, 52
analisis. 92-94, 259, 265-268 Orden de una matriz cuadrada, 13 de la multiplicaci6n de matrices, de 54
lfnea,93,259 Ortogonal de la multiplicaci6n escalar
Misma direcci6n, vectores paralelos, 226 base, 248, 253 de la suma de vecto res, 148, 150, 155
Modelando, matematica, 267 complemenlar, 260 para las matrices, 52
Modelo de insumo-producto de Leontief, 90, diagonalizaci6n de una matriz simetrica, por vectores, 148, 150, 155
91 368 Propiedad conmutativa
Morphing, 174 matriz, 127,258.288, 364 de la suma de la matriz. 52
Muestreo, 166 mutuamente, 248 Propiedad distributiva
Multiplicaci6n de matrices, 42, 51 proyecc i6n, 242, 243, 340 para las matrices. 52, 54
escalar, 4 1 sobre un subespacio. 302 Propiedades algebraicas de! producto
propiedades de, 52 subespacios, 260, 262 vectorial, 272
identidad para, 55 vectores, 232, 240 Propiedades de
propiedades de, 54 y la distancia, 244, 263 cancelaci6n, 69
y producto escalar, 234 Ortogonal, matriz diagonalizable. 367 conjuntos linealmente dependientes, 176
Multiplicaci6n escalar Ortonormal, 248, 252 detenninantes. 120
propiedades de, 52 identidad aditiva y inverso aditivo, 15 1
propiedades de, 148, 150, 158 p matrices cero, 53
en R2• 149 Parabola, la fonna estandar de la ecuaci6n matrices inversas, 67
Multiplicador de Lagrange, 34 de, 2 15 matrices invertibles, 77
Multiplicati vo Parab6 lica, 2 17 matrices ortogonales, 364
inversa de un numero real, 62 Parabo loide hiperb6lico, 38 I matrices simetricas. 362, 366
propiedad de identidad Parabo loidc, 38 1 matrices similares, 326
para las matrices, 52 Paralelepfpedo, volumen de, 282 matriz de identidad. 56
para los vectores, 148, 150 Paralelogramo, area de, 273 multiplicaci6n de matrices, de 54
Multiplicidad de un valor propio, 347 Parametro, 3 multiplicaci6n escalar
Multiplo escalar Particular, soluci6n, 197 de vectores, 158
de un vector, 149 Patron de muestreo por cofactores, I05 y la adici6n de la matriz, 52
de una malriz, 4 1 Peirce. Benjamin (1809- 1890). 43 y la suma de vectores, 148, 150
determinante de, 121 Peirce, Charles S. ( 1839-1914), 43 producto escalar, 229
longitud de, 227 Plano. fonna de tres puntos de la ecuaci6n producto vectorial, 272, 273
Mutuamente ortogonales, 248 de, 135 productos intemos. 239
fndice A43
subespacios ortogonales. 262 Red Sistema econ6mico abierto, 9 1
suma de matrices y multiplicaci6n escalar, analisis, 29-31 Sistema econ6mico cerrado, 90
52 electrica, 30, 3 16 Sistema inconsistente de ecuaciones lineales,
suma de vectores y multiplicaci6n escalar, Red electrica, 30, 3 16 5, 8, 18
148, 150 Red Escalera, 316 Sistema indeterminado de ecuaciones lineales,
transformaciones lineales, 294 Reducci6n de la forma escalonada de una 38
transpone. 57 matriz, 15 Sistema lineal, homogeneo. 197
Propiedades de cancelaci6n. 69 Reflexi6n en R2, 330, 340 Sistema no amo rtiguado. 158
Propiedades geometricas del producto, 273 Regla de Cramer, 124, 130. 13 1 Sistema sobredeterminado de ecuaciones
Proyecci6n Regla de la mano derecha, 334 lineales, 38
en 298 Regresi6n base estandar para, 182
o rtogonal, 242, 243, 340 analisis, 298 Sistemas dinarnicos, 388
sobre un subespac io, 262, 302 minimos cuadrados, 92-94, 259, 265- Sobre transformaci611 lineal. 3 10
Prueba para 268 Soluci6n
independencia lineal. 174, 2 13 lineal, forma de matriz para, 94 conjunto, 3
puntos alineados en e l piano xy, 133 lineal, minimos c uadrados, 93, 259 de un sistema de ecuaciones lineales, 4,
puntos coplanares en el espacio, 134 Representaci6n 197. 198
un subespacio, 162 base, la singularidad de, 182 numero de, 5, 56
una base en un espacio dimensional, 186 coordinar, 202, 209 de un sistema homogeneo, 2 1, 194
Punto parametrica, 3 de una ecuaci6n diferencial lineal, 212,
fijo, 302, 335 Representaci6n coordenada. 202, 203 2 13
inicial. 146 Representaci6n de las operaciones elementales de una ecuaci6n lineal. 3
terminal, 146 de fila, 75 espacio, 194. 196
Punlo fij o de una transformaci6n lineal, 302, Representaci6n parametrica, 3 no tri vial, 173
335 Resolver trivial, 173
Punto inicial de un vector, 146 el problema de mfnimos cuadrados. 265 Soluci6n general, 213
Punto terminal de un vector, 146 un sistema de ecuaciones lineales, 6, 45 Soluci6n obvia, 2 1
Puntos alineados en el piano xy. prueba para, una ecuaci6n. 3 Subespacial adecuada, 163
133 Resta Subespacio (s), 162
Puntos coplanarios e n el espacio, prueba de de vectores, 147, 149 cero, 163
134 Resumen de las condi cio nes equivalentes correcta, 163
para, 198 de R2, 165
R Rotaci6n fundamental, de una matriz, 258, 264
R" de ejes, para una c6nica. 216, 2 17 gama de, 306
angulo entre dos vectores en, 23 1 de una superficie cuadrica. 382 intersecci6 n de, 164
cambio de la base de, 204 en R2 , 297 no trivial. 163
distancia entre dos vectores en, 228 en R 3• 333. 334 ortogonal, 260, 262
estandar proyecci6n sobre, 262
base para, 180 s prueba para, 162
operaciones en, 149 Salida suma de, 224
longitud de un vector en. 226 de un sistema econ6mico, 90 suma directa de, 224, 26 1
norma de un vector en, 226 matriz, 91 trivial, 163
producto escalar en, 229 Schmidt, Erhardt ( 1876- 1959), 253 vectores propios de una forma. 344
representaci6n en coordenadas, 202 Schwarz. Hermann ( 1843- 1921 ), 230 Subespacios fundament ales de una matriz,
subespacios de, 165 Secuencia de Fibonacci. 388 258. 264
R2 Secuencia Fibonacci, 388 Subindice
angulo entre dos vectores en, 229 Segmenlo orientado, 146 columna, 13
c izallas en, 33 1, 332 Series, Fourier, 250, 28 1 fila, 13
contraccio nes en. 33 1 Si, y s61o si. 40 Suma
expansiones en, 33 1 Singularidad de dos subespacios, 224
La reproducci6n en, 335 base de la representac i6n, 182 de dos transformaciones lineales, 338
reflexiones en, 330, 340 de una matriz inversa, 62 de error al cuadrado, 92
rotaci6n en, 297 Sistema consistente de ecuaciones lineales, 5 de rango y la nulidad, 307
traducci6n en, 302, 337 Sistema controlable, 308 directa, 224, 26 1
transformaciones lineales en geometrfa, de, Sistema de Suma directa de dos subespacios, 224, 26 1
330 de primer orden ecuaciones diferenciales Superficie cuadrica, 380, 38 1
lineales, 374 rastro de, 379
angulo entre dos vectores en, 273 ecuacio nes lineales. 4, 38 rotaci6n de, 382
base estandar para, 180, 248 consistente, 5 Sustituci6n de Back. 6
en proyecci6n, 298 equivalente, 6, 7 Sustituci6n de Back. 7
rotaci6n en, 333, 334 forma de, 6 escalo nada Eliminaci6n de Gauss con, 16
Rango, 193,292,306 homogenea, 2 1 Sustituci6n delantera, 80
rastro de, 379-38 1 inconsistente, 5, 8, 18
Real resoluci6n. 6, 45 T
matriz. 13, 40 soluci6n (s) de, 4, 5, 56, 197, 198 Tamafio de una matriz. 13
numero, inverso multiplicativo, 62 Sistema de Posicionarniento Global, 16 Taussky-Todd, Olga ( 1906-1995), 228
A44 fndice
Teorema espacio nulo de. 305 Vecto res paralelos d irecci6 n opuesta. 226
Cayley-Hamilton, 14 1,351 expansi6n en el 33 1 Vectores paralelos. 226
Ejes Princ ipales, 377 inversa de. 3 18, 3 19 Vecto res perpendiculares, 232
Fundamental isomo rfismo, 31 I Vecto res, 146, 149, 155
de algebra, 345 kernel de, 303 angulo entre dos, 229, 23 1, 240, 273
de matrices sirnetricas, 367 matriz estandar para, 3 14 cero. 147, 149
Pitagoras. 233. 242 nulidad de, 307 columna, 40, 189
Teorema de Pitagoras. 233. 242 operador di ferencial. 299 combinaci6n lineal de, 46
Teorema espectral real. 362 propiedades de. 294 combinaci6n lineal de, 152, 169
Teorema fundamental de algebra, 345 proyecc i6n en 298 componentes de, 146
de matrices simetricas, 367 proyecc i6n ortogonal sobre un subespacio, coordenadas en relaci6n con una base,
Termino constante, 2 302 202
Te traedro, volumen de, 134 punlo fijo de, 302, 335 distancia entre dos, 228, 240
Torque, 271 rango de. 307 en el piano, 146
Trabajo, 242 reflejo en 330, 340 en una base, el numero de. 184
Traducci6n en R2, 302. 337 rotaci6n en 297 espacio, 155
Transformaci6n rotaci6n en 333. 334 base para. 180
affn, 174, 338 sum a de, 338 conjunto generador de, 171
cero, 294 uno-a-uno, 309, 3 10 dimensi6n de, 185
identidad, 294 valor propio de, 349 dimensi6n finita, 180
a, 3 10 vector propio de, 349 dimension infinita. 180
ampliaci6n en 335 y diagonalizaci6n, 359 isomorfis mos de, 311
composici6n de, 3 16. 3 17 Transformada de Laplace, 124 producto interior para, 237
contracci6n en el aiio 331 Transpuesta de una matriz, 57 resumen. 157
conante en R2, 33 1, 332 dete rminante de. 124 subespacio de, 162
dada por una matriz. 296 Traza fila, 40, 189
en el aiio 330 de una matri z, 50, 302, 351 identidad aditiva de, 15 1
espacio nulo de, 305 de una superficie, 379-38 1 igual, 146, 149
expansi6n en el 33 1 Tres por tres matriz. determinante de. in verso aditivo de, IS I
garna de, 306 metodo alternati ve, 108 la distribuci6 n por edad, 372
inversa de, 3 18, 319 Triangulo loogitud de, 226, 227. 240
isomorfismo, 3 11 area, 132, 283 magnitud de, 226
kemel de, 303 desigualdad, 233, 242 multiplicaci6n escalar de, 147, 149, 155
matriz estandar para, 3 14 Triple escalar, 282 propiedades de, 148, 150
nulidad de, 307 de dos matrices, 42 negative de, 147, 149
operador diferencial. 299 determinanle de, 120 norma de, 226, 240
propiedades de, 294 inversa de. 68 normalizaci6n, 227
proyecci6n en 298 Triple producto escalar, 282 numero en una base, 184
proyecci6n ortogonal sobre un Trivial operaciones, 147, 149
subespacio, 302 soluci6n, 21 , 154, 173 ortogonal , 232, 240
punto fijo de, 302, 335 Parale lamente, 226
rango de, 307 V perpendicular, 232
reflejo en R 2• 330, 340 Valor propio, 141 , 342, 345, 346, 349 probabilidad de estado estacionario, 386
rotaci6n en R 2• 297 333. 334 de matrices triangulares, 348 probabilidad, en estado estac ionario, 386
suma de, 338 matrices de similares, 354 producto interno de, 237
uno-a-uno. 309, 310 multiplicidad de. 347 producto vectorial de dos, 271
valor propio de, 349 problema, 342 pro yecci6n sobre un subespacio, 262
vector propio de. 349 VariabiIidad de la frecuencia cardfaca, 249 punto inicial de, 146
y diagonalizaci6n, 359 Variable punto terminal del, 146
matriz para bases no estandar, 320 libre, 3 puntos producto de dos, 229
Transformaci6n affn , 174, 338 Variable libre, 3 representaci6n par o rdenado, 146
Transformaci6n lineal uno a uno, 309, 3 10 Vector de coordenadas, con relaci6n a una suma de, 147, 149, 155
Transformaci6n lineal, 293 base, 202 propiedades de, 148, 150
a, 3 10 Vector de distribuci6n. 372 unidad. 226. 240
ampliaci6 n en 335 Vector de probabilidad. en estado Ve1tical
composici6 n de, 3 16, 3 17 estacionario, 386 Volumen, 134,282
contracci6n en el aiio 33 1 Vector propio, 141 , 342, 345, 346. 349
conante en 33 1, 332 de formar un subespacio, 344 w
dada por una matriz, 296 Vector, 226, 227, 240 Unidad Wronski, Josef Maria ( 1778- 1853), 213
en R2, 330 Vectores de lgualdad, 146, 149 Wronskiano, 213
Resumen de propiedades matriciales A45
Resumen de propiedades matriciales
Propiedades de la suma de matrices y multiplicaci6n por un escalar

Si A, B y C son matrices de m X n, y c yd son escalares, entonces las siguientes propie-
dades son verdaderas.
l. A+ B = B + A Propiedad conmutativa de la suma

2. A + (B + C) = (A + B) + C Propiedad asociativa de la suma
3. (cd)A = c(dA) Propiedad asociativa de la multiplicacion
4. IA = A ldentidad multiplicativa
5. c(A + B) = cA + cB Propiedad distributiva
6. (c + d)A = cA + dA Propiedad distributiva
Propiedades de la multiplicaci6n de matrices

Si A , B , y C son matrices (con 6rdenes tales que los productos matric iales dados estan
definidos) y c es un escalar, entonces las siguientes propiedades son verdaderas.
I. A(B C) = (AB)C Propiedad asociativa de la multiplicacion

2. A(B + C) = AB + A C Propiedad distributiva
3. (A + B) C = AC + BC Propiedad distributiva
4. c(AB) = (cA )B = A(cB)
Propiedades de la matriz de identidad

Si A es una mat.riz de orden m X n , ento nces las siguientes propiedades son verdaderas.
l. A/ 11 =A
2. /11,A =A
Propiedades de la suma vectorial y multiplicaci6n por un escalar

Sean u, v, y w vectores en R", y sean c y d escalares.
I. u + v es un vector en R". 6. cu es un vector en R".

2. U + V = V + U 7. c(u + v) = cu + cv
3. (u + v) + w = u + (v + w) 8. (c + d)u = cu + d u
4. u + 0 = u 9. c(du) = (cd)u
5. u + (-u) = 0 10. l (u) =u
Resumen de condiciones equivalentes para matrices cuadradas

Si A es una matriz den X n, entonces las siguientes condiciones son equivalentes.
l. A es invertible.
2. Ax = b tiene una unica soluc i6n para cualquier matriz b den X I.
3. Ax = 0 solo tiene la soluci6n trivial.
4. A es equivalente por renglo nes a En.
5. V\I * o
6. Rango(A) = n
7. Los vectores reng16n n de A son linealmente independientes.
8. Los vectores columna n de A son linealmente independientes.
A46 Resumen de propiedades matriciales
Propiedades del producto punto

Si u, v, y w son vectores en R3 y c es un escalar, entonces las siguientes propiedades son
verdaderas.
l.u · v = v·u
2. u · (v + w) = u · v + u · w
3. c(u · v) = (cu) · v = u · (cv)
4. V • V = [[v[[ 2
5. v · v ~ 0, y v · v = 0 si y solo si v = 0.
Propiedades del producto cruz

Si u, v, y w son vectores en R3 y c es un escalar, e ntonces las siguientes pro piedades son
verdaderas.
1. u X V = - (v X u) 4. u X O = 0 X u = 0
2. u X (v + w) = (u X v) + (u X w) 5. u X u = 0
3. c(u X v) = cu X v = u x CV 6. u · (v X w) = (u X v) · w
Tipos de espacios vectoriales

R = conjunto de todos los numeros reales
R2 = conjunto de todos los pares ordenados
R3 = conjunto de todas las tercias ordenadas
R11 = conjunto de todas las n-adas
C(-00 , 00) = conjunto de todas las funciones continuas definidas en la recta real
C[a, b] = conj unto de todas las funciones continuas definidas en un intervalo cerrado
[a, b]
P = conjunto de todos los polinomios
P11 = conjunto de todos los polinomios de grado :S n
M,,._11 = conjunto de todas las matrices de m X n
M 111_11 = conjunto de todas las matrices cuadradas den X n
Determinaci6n de eigenvalores y eigenvectores*

1. Fonnar la ecuaci6n caracterfstica IAl - Al = 0. Sera una ecuaci6n polinomial de grado

n en la variable A.
2. Encontrar las rafces reales de la ecuaci6 n caracterfs tica. Estos son los eigenvalores de A.
3. Para cada eigenvalor >.. ;, encontrar los eigenvectores correspondientes a >..; al resolver el
sistema homogeneo (>.;I - A)x = 0. Esto requiere reducir por renglones una matriz de n
X 11. La forma escalo nada reducida por renglones resultante debe tener al menos un
rengl6n de ceros.
* Para problemas complicados, este proceso puede facilitarse con el uso de la tecno logfa indicada.

Larson 7ma

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Larson 7ma

Cargado por

Copyright:

Formatos disponibles

#.

Harold Vacca Gonzalez

Elmer J. Ramirez Machado

Editor: Traducido del Ii bro: Elementary linear algebra

1 ■ Sistemas de ecuaciones lineales 1

4 ■ Espacios vectoriales 145

5 ■ Espacios con producto interno 225

6 ■ Transformaciones lineales 291

7 ■ Eigenvalores y eigenvectores 341

Respuestas a los ejercicios impares seleccionados A7

Bienvenidos a la septima edici6n revisada de Fundam.entos de algebra lineal. Mi objetivo

Novedades de esta septima edici6n

Advertencia sobre respuestas a problemas seleccionados

Material de apoyo para el profesor

• Cengage Learning Mexico y Centroamerica clientes.mexicoca@cengage.com

Michael Brown, San Diego Mesa College

Me gustarfa agradecer particularmente a Bruce H. Edwards, University of Florida, y a

Dr. Ron Larson

Flujo v ehicular (p. 28)

Analisis de redes electricas (p. 30)

Sistem a de posiciona miento g lobal (p. 16)

Velocidad del vuelo de un avi6n (p. 11)

Balance de ecuaciones qu fmicas (p. 4)

1.1 lntroducci6n a los sistemas de ecuaciones lineales

■ Reconocer sistemas de ecuaciones lineales de n variables.

■ Encontrar una representaci6n parametrica de un conjunto soluci6n.

ECUACIONES LINEALES EN n VARIABLES

Las ecuaciones lineales no tienen productos o rafces de variables; tampoco variables q ue

EJEMPLO 1 Ejemplos de ecuaciones lineales y no lineales

Cada ecuaci6n es lineal.

SOLUCIONES Y CONJUNTOS SOLUCION

se sustituyen en esta. Por ejemplo, la ecuaci6n x 1 + 2x2 = 4. Se cumple cuando x 1 = 2 y

EJEMPLO 2 Representaci6n parametrica de un conjunto soluci6n

Resuelva la ecuaci6n lineal x 1 + 2x2 = 4.

I EJEMPLO 3 Representaci6n parametrica de un conjunto soluci6n

Resuelva la ecuaci6 n lineal 3x + 2y - z = 3.

Haciendo y = s y z = t, obtenemos la representac i6n pararnetrica

SISTEMA$ DE ECUACIONES LINEALES

La soluci6n de un sistema de ecuaciones lineales es una sucesi6n de numeros s 1, s2,

'LI□ Grafique las dos rectas

ALGEBRA En una reacci6n quimica, los ,itomos se reorganizan en una o mas

Elnur/www shuttersiock com

EJEMPLO 4 Sistemas de dos ecuaciones en dos variables

Resuelva y grafique cada sistema de ecuaciones Iineales.

x = 3 - t, y = t, t es cualquier numero real.

Numero de soluciones de un sistema de ecuaciones lineales

RESOLVIENDO UN SISTEMA DE ECUACIONES LINEALES

Uso de la sustituci6n hacia atras para resolver

Utilice la sustituci6n hacia atras para resolver el sistema.

Asf, el sistema tiene exactamente una soluci6n x = l yy = -2.

El terrnino "sustituci6n hacia atras" implica que se trabaja en retrospectiva. Asf, en el

Uso de la sustituci6n hacia atras para resolver

Resuelva el siguiente sistema.

Finalmente, sustituya y = - l y z = 2 en la ecuaci6n I para obtener

Dos sistemas de ecuaciones son equivalentes si tienen el mismo conjunto soluci6n.

Operaciones que conducen a sistemas de ecuaciones equivalentes

Reescribir un sistema de ecuaciones lineales en la forma e calonada por renglones, a

EJEMPLO 7 Uso de la eliminacion gaussiana para reescribir

X - 2y + 3z = 9 Sumando - 2 veces la primera

Ahora que todo se ha eliminado de la primera columna, excepto la primera x, procedemos

Este es el mismo sistema usado en el Ejemplo 6 y, como en ese caso, la soluci6 n es

Cada una de las tres ecuaciones en el Ejemplo 7 representa un piano en un sistema de

Debido a q ue se requieren muchos pasos para resolver un sistema de ecuaciones linea-

El siguiente ejemplo implica un sistema inconsistente, o que no tiene soluci6n. La