Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ÁLGEBRA LINEAL
Y
TEORÍA MATRICIAL
2 Matrices 73
2.1 Matrices y operaciones entre matrices . . . . . . . . . . . . . . . . . 73
2.1.1 Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . . . 74
2.1.2 Clases de matrices . . . . . . . . . . . . . . . . . . . . . . . . 75
2.2 Operaciones entre matrices. . . . . . . . . . . . . . . . . . . . . . . . 77
2.3 Matrices invertibles o no singulares . . . . . . . . . . . . . . . . . . . 96
2.3.1 Método de Gauss-Jordan para invertir una matriz . . . . . . 101
2.4 Aplicaciones de las operaciones con matrices . . . . . . . . . . . . . . 110
2.4.1 Matrices estocásticas . . . . . . . . . . . . . . . . . . . . . . . 111
2.4.2 Modelos de Leontief de entrada - salida . . . . . . . . . . . . 115
2.4.3 Método de los mínimos cuadrados . . . . . . . . . . . . . . . 121
2.4.4 Flexión de una viga elástica . . . . . . . . . . . . . . . . . . . 134
2.4.5 Criptografía. . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
2.5 Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
1
3 Determinantes 165
3.1 De…nición y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
3.1.1 Determinante de una matriz A1 1 . . . . . . . . . . . . . . . 166
3.1.2 Determinante de una matriz A2 2 . . . . . . . . . . . . . . . 166
3.1.3 Determinante de una matriz A3 3 . . . . . . . . . . . . . . . 167
3.2 Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . 170
3.3 Cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
3.4 Matriz adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
3.5 Desarrollo por cofactores . . . . . . . . . . . . . . . . . . . . . . . . . 181
3.6 Aplicaciones de los determinantes . . . . . . . . . . . . . . . . . . . . 184
3.6.1 Área de un triángulo en el plano . . . . . . . . . . . . . . . . 184
3.6.2 Prueba para determinar si tres puntos en el plano son colineales185
3.6.3 Ecuación de la recta que pasa por dos puntos . . . . . . . . . 185
3.6.4 Volumen de un tetraedro . . . . . . . . . . . . . . . . . . . . 186
3.6.5 Prueba para determinar puntos coplanares en el espacio . . . 186
3.6.6 Ecuación del plano que pasa por tres puntos . . . . . . . . . 187
3.6.7 Ecuaciones de curvas . . . . . . . . . . . . . . . . . . . . . . . 188
3.6.8 Ecuación del círculo que pasa por tres puntos . . . . . . . . . 188
3.6.9 Ecuaciones de cónicas en general . . . . . . . . . . . . . . . . 189
3.7 Polinomio característico y el teorema de Cayley –Hamilton . . . . . 192
3.7.1 Consecuencias del teorema de Cayley –Hamilton . . . . . . . 194
3.8 Menores generales y menores principales . . . . . . . . . . . . . . . . 200
3.8.1 Polinomios característicos en general . . . . . . . . . . . . . . 204
3.9 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
2
5 Espacios vectoriales con producto interior 293
5.1 De…nición y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
5.2 Longitud o norma y ángulo . . . . . . . . . . . . . . . . . . . . . . . 298
5.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
5.4 Desigualdad de Cauchy –Schwarz . . . . . . . . . . . . . . . . . . . 303
5.5 Proyección ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
5.6 Bases ortonormales: Procedimiento de Gram–Schmidt . . . . . . . . 306
5.7 Propiedades de los conjuntos ortogonales (ortonormales) . . . . . . . 315
5.8 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
3
Prefacio
4
CAPÍTULO 1
Sistemas de ecuaciones lineales
5
constantemente para resolver grandes sistemas de ecuaciones lineales.
Ax = b:
Donde A es la matriz de los coe…cientes del sistema, x es el vector de incógnitas y
b es el vector de términos independientes.
La matriz
2 3
a11 a12 a1n : b1
6 a21 a22 a2n : b2 7
6 7
4 : 5
am1 am2 amn : bm
se llama matriz aumentada del sistema. La matriz de los coe…cientes A y la matriz
aumentada [A : b] del sistema lineal desempeñan papeles claves en la resolución de
sistemas lineales.
6
Ejemplos de sistemas de ecuaciones lineales son:
Sistema lineal 2 2
3 4 x1 7
=
5 2 x2 3
y la matriz aumentada del sistemas es
3 4 : 7
5 2 : 3
Sistema lineal 3 3
7
y la matriz aumentada del sistema es
2 3
4 2 3 4 : 7
6 1 3 5 5 : 3 7
6 7
4 7 2 4 8 : 8 5
1 7 6 5 : 9
En la práctica dado un sistema lineal Ax = b, los coe…cientes y los términos indepen-
dientes bi son conocidos (dados) el problema consiste en encontrar los valores de las
incógnitas x1 ; x2 ; : : : ; xn que satisfagan cada una de las ecuaciones que conforman
el sistema (1.1).
De hecho una solución del sistema lineal (1.1) es una n-upla de números reales
(x1 ; x2 ; : : : ; xn ) que es solución de cada una de las ecuaciones del sistema (1.1). Por
tanto resolver un sistema de ecuaciones lineales signi…ca encontrar los valores de
las incógnitas x1 ; x2 ; : : : ; xn que satisfacen todas las ecuaciones lineales simultánea-
mente.
Un sistema de ecuaciones lineales se denomina consistente si tiene por lo menos
una solución e inconsistente si no tiene solución.
8
Nota 1.1.1 Note, que todo sistema homogéneo siempre es consistente pues al menos
la n-upla (0; 0; : : : ; 0) es siempre solución de dicho sistema, está solución
x1 = 0; x2 = 0; : : : ; xn = 0
x1 3x2 = 0
2x1 6x2 = 0
Es consistente pues al menos la solución trivial x1 = 0 y x2 = 0 satisface dicho
sistema. Por otra parte consideremos el siguiente sistema homogéneo 2 3 que tiene
más incógnitas que ecuaciones
2x1 + 4x2 x3 = 0
x1 x2 + 7x3 = 0
Se puede comprobar que este sistema admite in…nitas soluciones.
En efecto, al sumar la primera ecuación a la segunda ecuación multiplicada por
( 2) se tiene
2x1 + 4x2 x3 = 0
2x1 + 2x2 14x3 = 0
6x2 15x3 = 0
9
expresando x2 en términos de x3 se obtiene
15
x2 = x3
6
de esta forma, la variable x3 es libre, lo cual signi…ca que puede asumir cualquier
valor real, en tanto que x2 no es libre, ya que su valor depende del valor asignado
a x3 . Para representar la in…nidad de soluciones de este sistema, es conveniente
introducir una tercera variable t, denominada parámetro. Así, con x3 = 6 t se puede
representar el conjunto solución como sigue.
Reemplazando x3 = 6 t, en la anterior ecuación se tiene x2 = 15 t, luego susti-
tuyendo estos valores en la segunda ecuación lineal se tiene
x1 = x2 7x3
= 15 t 42 t = 27 t
luego, la 3-upla (x1 ; x2 ; x3 ) = ( 27t; 15t; 6t) = t ( 27; 15; 6) para t cualquier número
real es solución del sistema, esto dice que el sistema tiene in…nitas soluciones uno
para cada valor de t.
Las soluciones particulares se puede obtener al asignar valores al parámetro t,
por ejemplo, para t = 1 se tiene la solución x1 = 27; x2 = 15 y x3 = 6, mientras
que para t = 1 se tiene la solución x1 = 27; x2 = 15 y x3 = 6.
10
Finalmente, se sustituye y = 1 en la ecuación 1 para obtener
x 2 ( 1) + 3 (2) = 9
x = 1
x = 1; y = 1yz=2
11
cuya matriz aumentada es
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
Como primer paso se reemplaza la segunda ecuación por la suma de la segunda
ecuación y la primera multiplicada por a21 =a11 . Similarmente se sustituye la ter-
cera ecuación por la suma de la tercera ecuación y la primera ecuación multiplicada
por a31 =a11 . Todo esto da lugar al nuevo sistema.
12
Además, nótese, que en el proceso de triangulación no es necesario conservar las
variables x1 ; x2 ; x3 de hecho esta triangulación puede llevarse a cabo usando sola-
mente la matriz de coe…cientes y el vector b, por esta razón y para mayor simplicidad
se empleará la matriz aumentada del sistema.
2 3
a11 a12 a13 : b1
4 a21 a22 a23 : b2 5
a31 a32 a33 : b3
Con esto se incorpora la notación matricial y todas sus ventajas a la solución de
sistemas de ecuaciones lineales.
x + y + z = 2 2x + 2z = 2
a) x + 3y + 2z = 8 b) 5x + 3y = 4
4x + y = 4 3y 4z = 4
13
Solución. a) Consideremos la matriz aumentada del sistema
2 3
1 1 1 : 2
4 1 3 2 : 8 5
4 1 0 : 4
Al triangularizar esta
matriz se tiene
2 3 2 3
1 1 1 : 2 1 1 1 : 2
4 1 3 F2 ! F2 + F1
2 : 8 5 4 0 4 3 : 10 5
F3 ! F3 4F1
4 1 0 : 4 0 3 4 : 4
2 3
3 1 1 1 : 2
F3 ! F3 + 4 F2 4 5
0 4 3 : 10
7
0 0 4 : 144
x +y +z = 2
4y +3z = 10
7 14
4z = 4
14
c) La matriz aumentada del sistema es
2 3
5 3 2 : 3
4 2 4 1 : 7 5
1 11 4 : 3
Al triangularizar esta matriz se obtiene.
2 3 2 3
5 3 2 : 2 2 5 3 1 : 3
F ! F2 5 F1 4
4 2 4 1 : 8 5 2 0 26=5 9=5 : 29=5 5
F3 ! F3 15 F1
1 11 4 : 4 0 52=5 18=5 : 12=5
2 3
5 3 2 : 2
F2 ! 5F2 4
0 26 9 : 29 5
F3 ! 5F3
0 0 0 : 70
La última …la de esta matriz dice que el sistema considerado no tiene solución.
d) Al triangularizar la matriz aumentada del sistema se tiene.
2 3 2 3
2 1 3 : 4 2 1 3 : 4
4 4 0 2 : 10 5 F2 ! F2 2F1 4 0 2 8 : 2 5
F3 ! F3 + F1
2 3 13 : 8 0 4 6 : 4
2 3
2 1 3 : 4
4 0 2 8 : 2 5
F3 ! F3 + 2F2
0 0 0 : 0
La última …la diferente de cero de esta última matriz aumentada, dice que el sistema
tiene in…nitas soluciones, pues el sistema correspondiente a esta matriz es
2x1 + x2 3x3 = 4
2x2 + 8x3 = 2
Al despejar x2 de la segunda ecuación se tiene
x2 = 4x3 1;
haciendo x3 = t se tiene
x2 = 4t 1
y reemplazando estos valores en la primera ecuación lineal se tiene
1 5
x1 = t+ .
2 2
De este modo las soluciones in…nitas están dadas por
1 5
x1 = t + ; x2 = 4t 1 y x3 = t Para todo t 2 R.
2 2
X
15
Matrices en forma escalón por …las y en forma escalón por …las reducida
En la anterior sección se estudiaron tres operaciones básicas que al ser aplicadas
a sistemas de ecuaciones lineales arbitrarias producían sistemas equivalentes más
fáciles de resolver.
Cuando estas tres operaciones se aplican a las …las de una matriz (aumentada)
que representan un sistema de ecuaciones reciben el nombre de operaciones elemen-
tales sobre …las.
En general, una operación elemental sobre …las (columnas) en una matriz arbi-
traria A, es una cualquiera de las siguientes operaciones.
Esto dice que A ! B que se lee "A es equivalente por …las a B" ya que la matriz
B se ha obtenido de la matriz A por medio de una sucesión …nita de operaciones
elementales sobre …las.
16
Ejemplo 1.1.4 Utilice operaciones elementales sobre …las para resolver el siguiente
sistema de ecuaciones lineales.
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Solución. Considerando la matriz aumentada de este sistema se tiene.
2 3 2 3
1 0 3 : 2 1 0 3 : 2
4 3 1 3 3
2 : 5 5 !4 0 1 7 : 11 5 !
2 2 1 : 4 0 2 7 : 8
2 3 2 3
1 0 3 : 2 1 0 3 : 2
4 0 1 2
7 : 11 5 ! 4 0 1 7 : 11 5
0 0 7 : 14 0 0 1 : 2
(Luego se identi…cará a esta última matriz como una matriz en forma escalón por
…las). El sistema correspondiente a ésta última matriz es
x1 3x3 = 2
x2 + 7x3 = 11
x3 = 2
Utilizando sustitución regresiva se obtiene la siguiente solución única
x1 = 4; x2 = 3; x3 = 2:
Más luego se a…rmará que esta forma de resolver un sistema recibe el nombre de
eliminación gaussiana. X
Por supuesto se puede obtener el mismo resultado sin utilizar sustitución regre-
siva, pero desde luego se requiere más trabajo. En efecto conocido
2 3 2 3 2 3
1 0 3 : 2 1 0 3 : 2 1 0 0 : 4
4 3 1 3
2 : 5 5$4 0 1 7 : 11 5 ! 4 0 1 0 : 3 5
2 2 1 : 4 0 0 1 : 2 0 0 1 : 2
(Se dirá que esta última matriz está en forma escalón por …las reducida).
El sistema correspondiente a esta última matriz es
x1 = 4
x2 = 3
x3 = 2
De nuevo es posible "ver" la solución única x1 = 4; x2 = 3 y x3 = 2.
También, en seguida se a…rmará que esta forma de resolver un sistema de ecua-
ciones lineales, recibe el nombre de eliminación de Gauss-Jordan.
17
De…nición 1.1.2 (de la forma escalón por …las reducida de una matriz)
Una matriz A se dice que está en forma escalón por …las reducida si cumple las
siguientes cuatro condiciones.
1) Todas las …las que constan exclusivamente de ceros (si existen) están agrupadas
en la parte inferior de la matriz.
2) Si existen …las que no constan exclusivamente de ceros, entonces el primer ele-
mento distinto de cero debe ser 1 denominado 1 principal.
3) Para dos …las consecutivas que no constan exclusivamente de ceros el 1 principal
de la …la superior, está más a la izquierda que el 1 principal de la …la inmediata
inferior.
4) Toda columna con un 1 principal tiene ceros en todas sus posiciones por arriba
y por debajo de su 1 principal.
Nota 1.1.3 Si una matriz cumple las tres primeras condiciones se dice que está en
forma escalón por …las simplemente.
Ejemplo 1.1.5 Las siguientes matrices están en forma escalón por …las reducida.
2 3 2 3 2 3
1 0 0 1 0 0 0 1 0 3 9
1 0 0 7 1 0
a) 4 0 1 0 5 ; b) 4 0 1 0 0 5 ; c) ; d) ; e) 4 0 1 5 8 5
0 0 1 2 0 1
0 0 1 0 0 0 1 0 0 0 0
Ejemplo 1.1.6 Las matrices que siguen a continuación están en forma escalón por
…las.
2 3 2 3 2 3
1 2 3 1 3 5 4 1 6 3 9
1 0 5 7 1 5
a) 4 0 1 8 5 ; b) 4 0 1 8 7 5 ; c) ; d) e) 4 0 1 5 8 5
0 0 1 2 0 1
0 0 1 0 0 0 1 0 0 0 0
Ejemplo 1.1.7 Las matrices mostradas a continuación no están en forma escalón.
2 3 2 3
1 2 5 7 1 4 3 5
a) 4 0 2 8 6 5 ; b) 4 0 0 0 0 5
0 0 1 3 0 1 2 4
18
Observación 1.1.1 Observe que la diferencia entre estas dos formas es clara a
partir de los ejemplos. En la forma escalón por …las, todas los números situados
debajo del 1 principal de una …la son ceros. En la forma escalón por …las reducida,
todos los números situados arriba y abajo del 1 principal de una …la son ceros. Por
tanto la forma escalón por …las es más exclusiva, es decir, toda matriz que esté en
forma escalón por …las reducida está en forma escalón por …las, pero no a la inversa.
También, observe que toda matriz siempre se puede reducir en una matriz que
esté en forma escalón por …las reducida o en una matriz que esté en forma escalón por
…las, esto se logra utilizando las operaciones elementales sobre …las en una matriz.
Por ejemplo la matriz (a) del ejemplo 7 que no está en forma escalón, se puede
reducir a una matriz en forma escalón por …las utilizando la operación elemental de
tipo 2, aplicada a la segunda …la de dicha matriz, de la misma forma en la matriz (b)
intercambiando la segunda …la y la tercera se obtiene una matriz en forma escalón
por …las.
De hecho cualquier matriz se puede convertir en una matriz en forma escalón por
…las o en forma escalón por …las reducida, las operaciones que se encargan de hacer
esto posible son las operaciones elementales de …las (columnas) en una matriz.
19
Aplicando operaciones elementales sobre …las se reduce esta matriz, en una matriz
equivalente que esté en forma escalón por …las.
2 3
1 a12 a13 : c1
4 0 1 a23 : c2 5
0 0 1 : c3
Cuyo sistema correspondiente es
x1 + a12 x2 + a13 x3 = c1
x2 + a23 x3 = c2
x3 = c3
Luego utilizando sustitución regresiva o sustitución hacia atrás se obtiene la solución
del sistema.
2 3 2 3
1 0 0 : d1 x1 0 0 : d1
4 0 1 0 : d2 5 cuyo sistema correspondiente es 4 0 x2 0 : d2 5
0 0 1 : d3 0 0 x3 : d3
Que obviamente es la solución del sistema.
20
Solución. Primeramente resolvemos mediante eliminación gaussiana, considerando
la matriz aumentada del sistema y aplicando operaciones elementales sobre las …las
a esta matriz se obtiene.
2 3 2 3 2 3
4 1 3 : 11 1 1 1 : 3 1 1 1 : 3
4 2 1 3
3 2 : 9 5 !4 2 3 2 : 9 5 !4 0 5 0 : 15 5
1 1 1 : 3 4 1 3 : 11 0 3 7 : 23
2 3 2 3 2 3
1 1 1 : 3 1 1 1 : 3 1 1 1 : 3
3 4 3 3
! 0 1 0 : 3 5 !4 0 1 0 : 3 5 !4 0 1 0 : 3 5
0 3 7 : 23 0 0 7 : 14 0 0 1 : 2
Observe que esta última matriz es equivalente a la matriz aumentada del sistema,
que está en forma escalón por …las, cuyo sistema correspondiente es
x1 + x2 + x3 = 3
x2 = 3
x3 = 2
Ahora utilizando sustitución regresiva se obtiene la solución, x1 = 2; x2 = 3 y
x3 = 2.
Seguidamente resolvemos el sistema dado mediante la eliminación de Gauss -
Jordan, para lo cual continuamos el proceso de reducción de la matriz en forma
escalón por …las en una matriz en forma escalón por …las reducida.
2 3 2 3 2 3
1 1 1 : 3 1 1 0 : 1 1 0 0 : 2
4 0 1 0 : 3 3
3 5 !4 0 1 0 : 3 5 !4 0 1 0 : 3 5
0 0 1 : 2 0 0 1 : 2 0 0 1 : 2
Observe que la última matriz está en forma escalón por …las reducida. Cuyo sistema
correspondiente es.
x1 = 2
x2 = 3
x3 = 2
Así, nuevamente vemos la misma solución x1 = 2; x2 = 3 y x3 = 2. X
Ahora bien, dado un sistema arbitrario ¿cómo saber que dicho sistema tiene
solución única, in…nitas soluciones o ninguna solución?
Para responder esta pregunta, consideremos un sistema general de m ecuaciones
lineales cada una con n incógnitas o n variables.
21
Cuya matriz aumentada es
2 3
a11 a12 a1n : b1
6 a21 a22 a2n : b2 7
6 7
4 : 5
am1 am2 amn : bm
Aplicando operaciones elementales sobre …las se reduce esta matriz a una matriz
equivalente que este en forma escalón por …las, en este proceso solo una de las
siguientes situaciones puede presentarse.
0 0 0 1 : cm
0 0 1 aij : cm
0 0 0 0 : cm
Ejemplo 1.2.2 Encuentre los valores de k si es posible para los cuales el siguiente
sistema, a) tenga solución única, b) in…nitas soluciones y c) ninguna solución.
x1 + x2 x3 = 2
x1 + 2x2 + x3 = 3
x1 + x2 + k2 5 x3 = k
22
Analizando en la última matriz vemos que si k = 2, entonces la última …la de la
matriz obtenida es de la forma:
0 0 0 : 4
por tanto concluimos que el sistema no tiene solución para k = 2.
Por otra parte si k = 2, entonces la última …la diferente de cero de la matriz
obtenida es de la forma:
0 1 2 : 1
de este modo deducimos que el sistema tiene in…nitas soluciones para k = 2.
Finalmente, si k 6= 2 entonces la última …la diferente de cero de la matriz
obtenida es de la forma
k 2
0 0 1 : (k 2)(k+2)
que es equivalente a
1
0 0 1 : (k+2)
Note que, no existe división entre cero, luego el sistema tiene solución única.
En consecuencia:
a) Para k 6= 2 el sistema tiene solución única,
b) para k = 2 el sistema tiene in…nitas soluciones y
c) para k = 2 el sistema no tiene solución.
X
Ejemplo 1.2.3 Encuentre los valores de a y b (si es posible) para los cuales el
siguiente sistema
ax1 + x2 + 2x3 = 0
x1 + x3 = b
ax1 + 2x2 + abx3 = a
a) Tenga solución única, b) In…nitas soluciones y c) Ninguna solución.
23
Analizando en esta última matriz vemos que:
Si b = 1 entonces esta matriz se convierte en
2 3
1 0 1 : 1
4 0 1 a+2 : ab 5
0 0 4 : 0
en este caso el sistema tiene solución única.
Por otra parte si b 6= 1, entonces se tiene dos posibilidades
4
(i) a = b 1, entonces
2 3
1 0 1 : b
4 0 1 4
+2 : 4 5
b 1 b 1b
0 0 0 : 4
en este caso el sistema no tiene solución.
4
(ii) a 6= b 1, entonces
2 3
1 0 1 : b
4 0 1 k : k 5
0 0 1 : k
(k cualquier número), en este caso el sistema tiene solución única. Por tanto,
si b = 1 el sistema tiene solución única cualquiera sea a,
4
si b 6= 1 y a = b 1 el sistema no tiene solución y
4
si b 6= 1 y a 6= b 1 el sistema tiene solución única.
Observe que el sistema nunca tendrá in…nitas soluciones. X
Ejemplo 1.3.1 Un constructor desea mezclar dos clases de cascajo que cuestan 3
Bs. y 4 Bs. cada libra respectivamente, con cemento de 8 Bs. la libra para obtener
140 libras de una mezcla que cueste 6 Bs. la libra; si también desea que la cantidad
de cascajo de menor precio sea el doble del cascajo de mayor precio ¿Cuántas libras
de cada tipo debe mezclar?
24
Solución. Sean
x = libras de cascajo de 3 Bs:
y = libras de cascajo de 4 Bs:
z = libras de cemento de 8 Bs:
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema de
ecuaciones lineales.
x + y + z = 140
3x + 4y + 8z = 6 (140)
x = 2y
Resolviendo este sistema se obtiene la siguiente solución x = 40; y = 20 y z = 80.
De este modo el constructor debe emplear 40 libras de cascajo de 3 Bs. 20 libras de
cascajo de 4 Bs. y 80 libras de cemento de 8 Bs. X
Ejemplo 1.3.2 (Llenado de una piscina) Una piscina se puede llenar mediante tres
tubos A; B y C. El tubo A la puede llenar en 8 horas, si se usan juntos el tubo A y
el tubo C la piscina puede llenarse en 6 horas. Si se usan B y C juntos se tarda 10
horas. ¿Cuánto tarda en llenarse si se usan los tres tubos a la vez?
Solución. Sean
x = parte de la piscina llenado por A en 1 hora.
y = parte de la piscina llenado por B en 1 hora.
z = parte de la piscina llenado por C en 1 hora.
Luego x + y + z = parte de la piscina llenada por A, B y C en 1 hora.
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema,
x = 1=8 parte de la piscina llenado por A en 1 hora
x + z = 1=6 parte de la piscina llenado por A y C en 1 hora
y + z = 1=10 parte de la piscina llenado por B y C en 1 hora
Resolviendo el sistema se obtiene la siguiente solución
1 7 1
x= ; y= y z=
8 120 24
esto dice que el,
1
tubo A llena en 1 hora la parte de la piscina,
8
7
tubo B llena en 1 hora la parte de la piscina y
120
1
tubo C llena en 1 hora la parte de la piscina.
24
25
Sea t el número de horas que necesita A; B y C juntos para llenar la piscina, entonces
en una hora los tubos A; B y C juntos llenarán 1t parte de la piscina esto es
1
x+y+z =
t
es decir
1 1 7 1 15 + 7 + 5 27
= + + = =
t 8 120 24 120 120
de donde se obtiene
120
t=' 4:44
27
Así, concluimos que los tubos A; B y C juntos llenan la piscina en 4 horas, 27
minutos aproximadamente. X
Ejemplo 1.3.3 Una fábrica de mosaicos produce tres tipos de mosaicos: el modelo
rústico, popular y el modelo de lujo, cada mosaico se fabrica en tres etapas, moldeo,
construcción y terminado. El tiempo necesario para cada etapa de un mosaico esta
dado en la siguiente tabla.
Rústico Popular De lujo
Moldeo 5 horas 4 horas 7 horas
Construcción 3 horas 2 horas 5 horas
Terminado 2 horas 2 horas 4 horas
Durante una semana especi…ca, la fábrica dispone de un máximo de 154 horas para
el moldeo, 94 para la construcción y 76 horas para el terminado. Determine cuántos
mosaicos de cada tipo debe producir la fábrica para operar a toda su capacidad.
Solución. Sean
x el número de mosaicos producidos del modelo rústico,
y el número de mosaicos producidos del modelo popular y
z el número de mosaicos producidos del modelo de lujo.
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema.
5x + 4y + 7z = 154
3x + 2y + 5z = 94
2x + 2y + 4z = 76
Resolviendo este sistema se obtiene la siguiente solución x = 10; y = 12 y z = 8.
Esto signi…ca que la fábrica debe producir 10 mosaicos del tipo rústico, 12 mo-
saicos del modelo popular y 8 mosaicos del modelo de lujo para operar a toda su
capacidad. X
26
Ejemplo 1.3.4 Tomás, Daniel y Pedro son buenos amigos pero tienen diferentes
hábitos de trabajo, juntos …rmaron contratos para pintar tres casas iguales. Tomás y
Daniel pintaron la primera casa en 72/5 horas, Tomás y Pedro pintaron la segunda
casa en 16 horas; Daniel y Pedro pintaron la tercera casa en 144/7 horas.
b) ¿Cuánto tardaran en pintar una casa si pintan los tres muchachos juntos a la
vez?
se obtiene
1 1 1
x= ; y= y z=
24 36 48
Estos resultados dicen que,
1
Tomás pinta el solo parte de la casa en 1 hora,
24
1
Daniel pinta el solo parte de la casa en 1 hora y
36
1
Pedro pinta el solo parte de la casa en 1 hora.
48
27
1
Sea t el número de horas que necesita Tomás para pintar la casa el solo, entonces t
será una parte de la casa que pinta Tomás en 1 hora esto da
1 1
= de donde t = 24
24 t
En consecuencia Tomás tardará 24 horas para pintar una casa. De la misma forma
Daniel tardará 36 horas en pintar una casa y Pedro tardará 48 horas para pintar
una casa.
(b) Ahora determinemos el tiempo que tardarán juntos en pintar una casa.
Sea t el número de horas que necesitan los tres muchachos para pintar una casa,
entonces 1t será la parte de la casa pintada por los tres muchachos en 1 hora esto da
1 1 1 1
= + +
t 24 36 48
13
=
144
de donde
144
' 11:076:
t=
13
Así, concluimos que Tomás, Daniel y Pedro juntos tardaran en pintar una casa 11
horas y 5 minutos aproximadamente o 664.61 minutos aproximadamente. X
p(x) = a0 + a1 x + a2 x2 + + an 1x
n 1
de grado n 1 cuya grá…ca pase por los puntos dados. Dicho polinomio se llama
polinomio de interpolación y el procedimiento para determinarlo se llama ajuste
polinomial de curvas.
Se puede demostrar que si todas las abscisas xi de los puntos dados son distintos,
entonces existe precisamente una función polinomial de grado n 1 (o menos) que
se ajuste a los n puntos dados.
Para determinar los n-ésimos coe…cientes de p(x) se sustituyen los valores dados
x = x1 ; x2 ; : : : ; xn en p(x), luego igualando los resultados a los valores respectivos
28
de yi se obtienen n ecuaciones lineales en las variables a0 ; a1 ; a2 ; : : : ; an 1 esto es
n 1
p(x1 ) = a0 + a1 x1 + a2 x21 + + an 1 x1 = y1
p(x2 ) = a0 + a1 x2 + a2 x22 + + an 1 xn2 1 = y2
: :
p(xn ) = a0 + a1 xn + a2 x2n + + an 1 xnn 1 = yn
a0 + a1 + a2 = 4
a0 + 2a1 + 4a2 = 0
a0 + 3a1 + 9a2 = 12
Solución. Como las abscisas de los puntos dados son todos distintos entonces se
garantiza la existencia de un polinomio de cuarto grado o menos.
p(x) = a0 + a1 x + a2 x2 + a3 x3 + a4 x4
29
Cuya grá…ca pasa por los puntos dados. Al sustituir las abscisas de los puntos dados
xi en p(x) luego igualando los resultados a los valores respectivos de las ordenadas
yi se obtiene el siguiente sistema de 5 ecuaciones lineales con 5 incógnitas a saber
a0 ; a1 ; a2 ; a3 y a4 .
El cual se reduce a
a0 2a1 + 4a2 8a3 + 16a4 = 3
a0 a1 a2 a3 + a4 = 5
a0 = 1
a0 + a1 + a2 + a3 + a4 = 4
a0 + 2a1 + 4a2 + 8a3 + 16a4 = 10
b) Según la función cuadrática p(x) de la parte (a) ¿Cuántos tubos se deben pro-
ducir cada semana para obtener una ganancia máxima?
30
c) Cuál es la cantidad de ganancia semanal máxima?
31
En nuestro caso como,
1
x4 x2
x1 2
x6 x5
3 4
100
x3 300
Se usan como modelos en campos tan variados como la economía, análisis de tránsito
vehicular, ingeniería eléctrica, etc.
En estos modelos se asume que el ‡ujo total hacia una unión es igual al ‡ujo que
sale de ella, así por ejemplo en la red anterior deberá ocurrir:
32
Ejemplo 1.3.8 a) Determine el sistema de ecuaciones lineales que represente la red
anterior.
b) Resuelva el sistema para xi ; i = 1; 2; : : : ; 6.
c) Encuentre el ‡ujo cuando x3 = 100; x5 = 50 y x6 = 50.
Solución. Cada uno de las cuatro uniones de la red origina una ecuación lineal como
se muestra a continuación:
En la unión (1) x1 + 200 = x2 + x4
En la unión (2) x4 + x5 = x6
En la unión (3) x6 + 100 = x1 + x3
En la unión (4) x2 + x3 = x5 + 300
Luego el sistema de ecuaciones lineales que representa a la red anterior es.
x1 x2 x4 = 200
+x4 +x5 x6 = 0
x1 +x3 x6 = 100
x2 +x3 x5 = 300
cuya matriz aumentada de este sistema es
2 3
1 1 0 1 0 0 : 200
6 0 0 0 1 1 1 : 0 7
6 7
4 1 0 1 0 0 1 : 100 5
0 1 1 0 1 0 : 300
Al reducir esta matriz a la forma triangular se obtiene.
2 3
1 1 0 1 0 0 : 200
6 0 1 1 1 0 1 : 300 7
6 7
4 0 0 0 1 1 1 : 0 5
0 0 0 0 0 0 : 0
cuyo sistema correspondientes es
x1 x2 x4 = 200
x2 +x3 +x4 x6 = 300
x4 +x5 x6 = 0
Mediante sustitución regresiva se obtienen.
x1 = x3 + x6 + 100; x2 = x3 + x5 + 300; x4 = x5 + x6
33
Ejemplo 1.3.9 Considere la siguiente red de calles de una dirección.
Solución. Recuerde que el ‡ujo total hacia una unión es igual al ‡ujo que sale de
ella, entonces cada una de las seis uniones de la red de calles origina una ecuación
lineal como se muestra a continuación.
Intersección A x1 + x3 = 500 + 300
Intersección B x1 + x4 = x2 + 200
Intersección C x2 + 100 = x5 + 600
Intersección D x5 + 450 = x7 + 400
Intersección E x7 + 600 = x4 + x6
Intersección F x3 + x6 = 400 + 350
De este modo el sistema de ecuaciones lineales que representa la red de calles dada
es.
x1 +x3 = 800
x1 x2 +x4 = 200
x2 x5 = 500
x5 x7 = 50
x4 +x6 x7 = 600
x3 +x6 = 750
34
Cuya matriz aumentada de este sistema es
2 3
1 0 1 0 0 0 0 : 800
6 1 1 0 1 0 0 0 : 200 7
6 7
6 0 1 0 0 1 0 0 : 500 7
6 7
6 0 0 0 0 1 0 1 : 50 7
6 7
4 0 0 0 1 0 1 1 : 600 5
0 0 1 0 0 1 0 : 750
x1 = x6 + 50
x2 = x7 + 450
x3 = x6 + 750
x4 = x6 + x7 + 600
x5 = x7 50
x6 = x6
x7 = x7
a) Suponiendo que la calle de D a E está en obras y por tanto el trá…co por ella
debe ser mínimo. Esto signi…ca que x7 = 50, entonces x2 = 500 y x5 = 0, es
decir, cerrando el tramo de C a D hacemos mínimo el trá…co por la calle de D
a E, los valores de x1 ; x3 ; x4 y x6 , no están determinados, es decir el sistema
tiene in…nitas soluciones.
35
Ejemplo 1.3.10 Considere la siguiente red de calles de una dirección:
b) Hay obras en la calle de B a A y por tanto se desea que en ese tramo el trá…co
sea mínimo.
Solución. (a) Cada una de las seis uniones de la red de calles dada, origina una
ecuación lineal como se muestra a continuación:
En la unión A 400 + x4 = 600 + x1
En la unión B x2 + x5 = x4 + 100
En la unión C 300 + 400 = x3 + x5
En la unión D 800 + x1 = 900 + x6
En la unión E 600 + x6 = x2 + x7
En la unión F x3 + x7 = 700 + 200
Luego el sistema de ecuaciones que representa la red de calles dada es:
x1 x4 = 200
x2 x4 +x5 = 100
x3 +x5 = 700
x1 x6 = 100
x2 x6 +x7 = 600
x3 +x7 = 900
36
(b) Resolviendo este sistema mediante eliminación de Gauss-Jordan se obtiene
2 3
1 0 0 0 0 1 0 : 100
6 0 1 0 0 0 1 1 : 600 7
6 7
6 0 0 1 0 0 0 1 : 900 7
6 7
6 0 0 0 1 0 1 0 : 300 7
6 7
4 0 0 0 0 1 0 1 : 200 5
0 0 0 0 0 0 0 : 0
Esto dice que hay un número in…nito de soluciones. Usando la última matriz encon-
trada, se puede escribir cada variable en términos de x6 y x7 .
x1 = x6 + 100
x2 = x6 x7 + 600
x3 = x7 + 900
x4 = x6 + 300
x5 = x7 200
observe que x6 no puede ser negativo (si fuera así, se tendría transito en el sentido
contrario al permitido en una calle) entonces se debe tener x4 300, es así que,
para minimizar el ‡ujo de transito entre las calles B y A se debe considerar un ‡ujo
de 300 vehículos en esa calle y cerrar el transito entre las calles de D a E, porque
para tener x4 = 300 se necesita que x6 = 0, por último con x6 = 0 se tiene.
x1 = 100
x2 = x7 + 600
x3 = x7 + 900
x4 = 300
x5 = x7 200
De la segunda ecuación se deduce que x7 600 y de la última ecuación, x7 200.
En consecuencia se tiene la siguiente solución …nal del problema planteado.
Para lograr que el transito sea mínimo en x4 se debe tener.
x1 = 100
0 x2 400 (pues 200 x7 600)
300 x3 700
x4 = 300
0 x5 400
x6 = 0
200 x7 600
37
X
Otro tipo de red a la cual suele aplicarse el análisis de redes es a la red eléctrica
como la siguiente.
7 volts
I1
R1 = 3 ohm
1 I2 2
R2 = 2 ohm
8 volts
I3
R3 = 4 ohm
38
Resolviendo este sistema se obtiene I1 = 1 amp, I2 = 2 amp e I3 = 1 amp. X
39
1.3.3 Más aplicaciones
En esta última sección describiremos otras aplicaciones de los sistemas de ecuaciones
lineales a problemas antiguos y modernos. Al estudiante le agradará saber que aún
con los pocos medios que ha aprendido hasta ahora, puede resolver una diversidad
de problemas de la vida real en varios campos de la ciencia.
Ahora que el estudiante ya tiene bastante práctica en la solución de sistemas
lineales "nos saltaremos", en la mayor parte de los casos, la descripción de la solución
de un sistema de ecuaciones lineales.
40
Ejemplo 1.3.14 (Cambio de moneda extranjera) Una empresaria interna-
cional necesita, en promedio, cantidades …jas de yenes japoneses, libras inglesas
y marcos alemanes durante cada viaje de negocios. Este año viajo 3 veces. La
primera vez cambio un total de 2550$ con las siguientes tasas: 100 yenes por dólar,
0.6 libras por dólar y 1.6 marcos por dólar. La segunda vez cambio 2840$ en total
con las tasas de 125 yenes, 0.5 libras y 1.2 marcos por dólar. La tercera vez cambio
un total de 2800$ a 100 yenes, 0.6 libras y 1.2 marcos por dólar. ¿Cuántos yenes,
libras y marcos compró cada vez?
Solución. Sean
que cambia en cada viaje, entonces de acuerdo a las condiciones del problema la
primera vez gastó
1
x dólares comprando yenes,
100
1
y dólares comprando libras y
0:6
1
z dólares comprando marcos
1:6
Por consiguiente
1 1 1
x+ y+ z = 2550
100 0:6 1:6
El mismo razonamiento se aplica a las otras dos compras, y se obtiene el siguiente
sistema de ecuaciones lineales.
1 1 1
x+ y+ z = 2550
100 0:6 1:6
1 1 1
x+ y+ z = 2840
125 0:5 1:2
1 1 1
x+ y+ z = 2800
100 0:6 1:2
Resolviendo este sistema se obtiene
En consecuencia, cada vez compró 80000 yenes, 600 libras y 1200 marcos para viajar.
X
41
Ejemplo 1.3.15 (Herencia) Un padre desea distribuir sus bienes raíces, cuyo
valor es 234000 entre sus cuatro hijas de la manera siguiente: 2/3 de las propiedades
deben dividirse por igual entre las hijas. Para el resto, cada hija debe recibir 3.000$
cada año hasta su vigésimo primer cumpleaños. Como entre ellas se llevan 3 años.
¿Cuánto recibiría cada una de los bienes de su padre? ¿Qué edad tienen ahora esas
hijas?
42
Ejemplo 1.3.16 (Clima) El promedio de las temperaturas en las ciudades de Beni,
Cochabamba y Potosí, fue de 28o C durante cierto día de verano, en Cochabamba fue
3o C mayor que el promedio de las temperaturas de las otras dos ciudades, en Potosí
fue 15o C menor que la temperatura promedio en las otras dos ciudades. ¿Cuál fue
la temperatura en cada ciudad?
Economía
Una de las funciones más importantes en la manufactura, que concierne a los fabrican-
tes, economistas, especialistas de mercado, etc. Es la función demanda. Expresa la
cantidad D de piezas de cierto producto que se venden en función de su demanda. La
función demanda D o Qd para los economistas depende de algunas variables, como
el precio P del artículo, el ingreso I de los consumidores, el precio C de un artículo
43
de la competencia, etc., con frecuencia la función demanda D y sus variables, forman
una ecuación lineal. Por ejemplo
Observe que en este caso en particular, a medida que una unidad aumenta el pre-
cio del artículo, la demanda disminuye 15 unidades. Del mismo modo, cuando se
aumentan el ingreso del consumidor o el precio de un artículo de la competencia,
aumenta la demanda.
Ejemplo 1.3.17 (Cálculo de una función demanda) Bikey. Inc., quiere fa-
bricar un nuevo tipo de zapato deportivo, poco costoso, e investiga el mercado de la
demanda. Encuentra que si un par de zapatos nuevos cuesta 20 $ en un área de
ingreso familiar promedio de 20.000$ y que si su competidor. Triceps. Inc., vende
cada par de zapatos a 20 $ vendería 660 pares. Por otro lado, si el precio fuera igual
y Triceps bajara su precio a 10 $ el par, entonces, vendería 1 130 pares en un área
de 30.000 $ de ingreso. Por último, si el precio de los zapatos fuera 15 $ el par, y la
competencia se queda en 20 $ el par, se vendería 1.010 pares en un área de 25.000
$ de ingreso. Determine la función demanda, suponiendo que depende linealmente
de sus variables.
Solución. Sea
D = aP + bI + cC
deseamos determinar a; b y c. De acuerdo con el primer caso en la investigación
De igual forma, al considerar los otros dos casos se obtiene el siguiente sistema de
ecuaciones lineales.
20a + 20000b + 20c = 660
20a + 30000b + 10c = 1130
15a + 25000b + 20c = 1010
a= 20; b = 0:05 y c = 3.
44
Química
Ejemplo 1.3.18 (Soluciones químicas) Se necesitan tres ingredientes distintos
A; B y C para producir determinada sustancia. Pero deben disolverse primero en
agua, antes de ponerlos a reaccionar para producir la sustancia. La solución que
contiene A con 1.5 gramos por centímetro cúbico g= cm3 combinada con la solución
de B cuya concentración es de 3:6g= cm3 y con la solución de C con 5:3g= cm3 forma
25:07g de la sustancia. Si las proporciones de A; B y C en esas soluciones se cambian
a 2.5, 4.3 y 2:4g= cm3 ; respectivamente (permaneciendo iguales los volúmenes), se
obtienen 22.36 g de la sustancia. Por último si las proporciones se cambian a 2.7,
5.5 y 3:2g= cm3 , respectivamente, se producen 28.14 g de la sustancia. ¿Cuáles son
los volúmenes, en centímetros cúbicos, de las soluciones que contienen A; B y C?
45
Solución. Observe que a = c porque la cantidad de átomos de carbono debe ser
igual en ambos lados. De igual manera llegamos a
a = c
4a = 2d
2b = 2c + d
Física e Ingeniería
Otra aplicación frecuente de los sistemas lineales es en el área de los problemas de
transmisión de calor, en física e ingeniería.
Supongamos que hay una placa metálica rectangular delgada, cuyas orillas se
mantienen a temperaturas …jas. Por ejemplo, la orilla izquierda está a 0o C, la
derecha a 2o C y las superior e inferior a 1o C, como vemos en la siguiente …gura
1 1
0 x1 x2
2
x3 x4 2
0
1 1
46
Propiedad promedio para la conducción de calor
Dos masas en una palanca se equilibran cuando sus pesos son inversamente pro-
porcionales a sus distancias al punto de apoyo.
Ejemplo 1.3.21 Calcule los pesos para balancear las palancas de la siguiente …gura.
47
5 10
2 6 2 8
w1 w2 w3 w4
Solución. Para balancear las dos palancas pequeñas, utilizando la ley de Arquímedes,
se tiene 2w1 = 6w2 para la palanca de la izquierda y 2w3 = 8w4 para la de la derecha.
Para equilibrar la palanca principal, se necesita que
5 (w1 + w2 ) = 10 (w3 + w4 )
De este modo se obtiene el siguiente sistema de ecuaciones lineales con cuatro in-
cógnitas.
5w1 + 5w2 10w3 10w4 = 0
2w1 6w2 = 0
2w3 8w4 = 0
Resolviendo este sistema se obtiene la siguiente solución
Así hay una cantidad in…nita de pesos que pueden equilibrar este sistema cosa que
con…rma nuestra experiencia, siempre y cuando los pesos, en el orden acostumbrado,
sean múltiplos de los números 7:5; 2:5; 4 y 1. X
Aplicaciones a la geometría
Ejemplo 1.3.22 (Ley de los cosenos) Demuestre la ley de los cosenos en geometría,
es decir, que para el triángulo ABC de la siguiente …gura
α
c b
β γ
B D a C
BD = c cos β, DC = b cos γ
48
se cumple
b2 + c2 a2 a2 + c2 b2 a2 + b2 c2
cos = ; cos = ; cos =
2bc 2ac 2ab
Solución. El lado a es la suma BD + DC, pero BD = c cos y DC = b cos , de
este modo se tiene c cos + b cos = a. En forma análoga obtenemos las otras dos
ecuaciones del siguiente sistema.
c cos + b cos = a
c cos + a cos = b
a cos + b cos = c
Ejemplo 1.3.23 (Función cuadrática que pasa por tres puntos) Determine
la ecuación de la parábola, con eje vertical y en el plano xy, que pasa por los puntos
P (1; 4) ; Q ( 1; 6) y R (2; 9).
Solución. Sea y (x) = ax2 +bx+c la ecuación de la parábola que se desea encontrar.
Es necesario determinar los coe…cientes a; b y c. Como el punto P pertenece a la
parábola debe cumplirse
4 = y (1) = a 1 + b 1 + c.
De manera similar, al usar los otros dos puntos se obtiene el siguiente sistema.
a + b + c = 4
a b + c = 6
4a + 2b + c = 9
a = 2; b= 1 y c = 3.
49
Ejemplo 1.3.24 (Plano que pasa por tres puntos) Deducir la ecuación del
plano, en el espacio xyz, que pasa por los puntos P (1; 1; 2) ; Q (1; 2; 0) y R (2; 1; 5).
Siguiendo el mismo procedimiento con los otros dos puntos se obtiene el siguiente
sistema homogéneo.
a + b + c + d = 0
a + 2b + d = 0
2a + b + 5c + d = 0
3x 2y z+1=0
(cualquier otro valor de t produce un múltiplo constante de esta ecuación, que re-
presenta el mismo plano). X
Álgebra
Los sistemas de ecuaciones lineales se usan casi en todos los campos del álgebra,
desde el estudio de polinomios y fracciones parciales hasta la demostración de iden-
tidades. A continuación consideraremos algunas de eésas aplicaciones.
Recuérdese que un polinomio denotado por f (x) en x; es una expresión de la
forma
f (x) = an xn + an 1 xn 1 + + a1 x + a0 .
En el que an ; an 1 ; : : : ; a0 son números …jos llamados coe…cientes de f (x) y x es
una variable o indeterminado. Si an 6= 0; se dice que f (x) es de grado n. Dos poli-
nomios son iguales si sus coe…cientes correspondientes de las potencias respectivas
son iguales.
El polinomio cuyos coe…cientes son todos cero es el polinomio cero. Los sistemas
de ecuaciones lineales se utilizan con frecuencia cuando se comparan los polinomios.
50
Ejemplo 1.3.25 (Igualdad de polinomios) Calcule a; b y c tales que los poli-
nomios
sean iguales.
a+3 = 2b
2a 2c + 10 = 3b
6c = 9 + a 4b
1 = A (x 2) + B (x 1) o (A + B) x 2A B=1
ya que la primera y tercera fracciones iguales tienen los mismos denominadores. Así
que es necesario resolver el siguiente sistema.
A+B = 0
2A B = 1
Cuya solución es A = 1 y B = 1. X
51
Ejemplo 1.3.27 (Suma de cuadrados) Deduzca una fórmula para la suma de
cuadrados indicado abajo, suponiendo que la respuesta es un polinomio de grado 3
en n.
12 + 22 + 32 + + n2
f (n) = 12 + 22 + 32 + + n2
Como
1 = f (1) = a (1)3 + b (1)2 + c (1) + d
debe satisfacerse
a+b+c+d=1
Por otro lado
n2 = f (n) f (n 1)
= an3 + bn2 + cn + d a (n 1)3 + b (n 1)2 + c (n 1) + d
n2 = a 3n2 3n + 1 + b (2n 1) + c
es decir,
n2 = 3an2 + ( 3a + 2b) n + a b+c
Al comparar los coe…cientes de las potencias de n en ambos lados y teniendo en
cuenta que
a+b+c+d=1
se obtiene el siguiente sistema
3a = 1
3a + 2b = 0
a b+c = 0
a+b+c+d = 1
52
Por consiguiente,
1 1 1
f (n) = n3 + n2 + n.
3 2 6
Al analizar la última expresión llegamos a
n
X
2 2 2 2 n (n + 1) (2n + 1)
1 +2 +3 + +n = i2 =
6
i=1
X
A continuación consideramos un problema famoso de la pila de monedas, que
resolvió Fibonacci hace algunos siglos.
Ejemplo 1.3.28 (El problema de Fibonacci) Tres hombres poseen una sola pila
de dinero y sus aportaciones son 1/2, 1/3 y 1/6. Cada uno toma algo de dinero de
la pila, hasta que no queda nada. A continuación el primer hombre regresa 1/2 de lo
que tomo, el segundo 1/3 y el tercero 1/6. Cuando el total que regresaron se divide
por igual entre ellos, se descubre que cada hombre posee lo que le corresponde por
su aportación. ¿Cuánto dinero había en la pila original y cuánto tomó cada uno?
x+y+z =w
53
que quedaron después de haber regresado 12 x y se le suma
1 1 1 1
x+ y+ z
3 2 3 6
1 1 1 1 1 1
x+ x+ y+ z = w
2 3 2 3 6 2
De igual manera, el segundo hombre tiene
1 2
y y= y
3 3
que le quedaron después de regresar 13 y y además
1 1 1 1
x+ y+ z
3 2 3 6
2 1 1 1 1 1
y+ x+ y+ z = w
3 3 2 3 6 3
Por último, el tercer hombre tiene
1 5
z z= z
6 6
que le quedaron después de haber regresado 16 z y además
1 1 1 1
x+ y+ z
3 2 3 6
5 1 1 1 1 1
z+ x+ y+ z = w
6 3 2 3 6 6
y se tiene el siguiente sistema.
x + y + z w = 0
2 1 1 1
3x + 9y + 18 z 2w = 0
1 7 1 1
6x + 9y + 18 z 3w = 0
1 1 16 1
6x + 9y + 18 z 6w = 0
54
Vale la pena hacer notar que la suma de las tres últimas ecuaciones es igual a la
primera. Esto quiere decir que si determinamos una solución simultánea de las tres
últimas ecuaciones, automáticamente tendríamos una solución de la primera. Así, en
esencia, se tienen tres ecuaciones con cuatro incógnitas. Por consiguiente, esperamos
que haya un número in…nito de soluciones.
La reducción de la matriz aumentada da como resultado.
2 33 3
1 0 0 47 : 0
6 0 1 0 13
: 0 7
6 47 7
6 1 7
4 0 0 1 47 : 0 5
0 0 0 0 : 0
Por consiguiente,
33 13 1
x w = 0; y w=0 y z w=0
47 47 47
Se tienen in…nitas soluciones que se pueden expresar en la forma
33 13 1
x= t; y= t; z= t y w = t; t 2 R.
47 47 47
No se sabe si Fibonacci determinó el conjunto solución completo. Pero si cálculo la
solución particular
x = 33; y = 13; z = 1 y w = 47
que se obtiene haciendo t = 47. X
Cuadrados mágicos
Un cuadrado mágico de tamaño n es una matriz n n cuyos elementos consisten
en todos los enteros entre 1 y n2 de tal forma que las sumas de los elementos de
cada columna, …la o diagonal son iguales. La suma de los elementos de cualquier
…la, columna o diagonal de un cuadrado mágico de tamaño n es
n n2 + 1
2
Sorprendentemente, en los cuadrados mágicos de orden impar, el orden del cuadrado,
multiplicado por el número central del cuadrado es igual al número mágico.
55
Solución. Sea
a b
c d
un cuadrado mágico hipotético.Entonces
a+b = 5
c+d = 5
a+c = 5
b+d = 5
a+d = 5
b+c = 5
Es posible aplicar la eliminación de Gauss, o tan solo observar que estas ecuaciones
implican que b = c, de acuerdo con la primera y la tercera; por tanto, 2b = 5, según
la última ecuación. Esto es una contradicción, porque b debería ser un entero. De
aquí se in…ere que este sistema no tiene soluciones enteras. Por consiguiente, no hay
cuadrados mágicos de tamaño 2. X
Tales que
a + b + c = 15
d+e+f = 15
8 + a + d = 15
1 + b + e = 15
6+c+f = 15
8+b+f = 15
6 + b + d = 15
56
Esto produce el siguiente sistema lineal de siete ecuaciones con seis incógnitas
a + b + c = 15
d + e + f = 15
a + d = 7
b + e = 14
c + f = 9
b + f = 7
b + d = 9
a = 3; b = 5; c = 7; d = 4; e = 9 y f = 2
Ejercicio 1.4.1
2x 3y 4 = z
y 3 = 7x
9z 3x 2y = 0
Ejercicio 1.4.2
2x + 4z + 1 = 0
2z + 2w 2 = x
2x z + 3w = 3
y + z + t = w + 4
57
Ejercicio 1.4.3
3x y + 2z = 4
2x + y = 2
y + 3z = 7
4x z = 4
Ejercicio 1.4.4
2x + w = 7
3x + 2y + 3z = 2
2x + 3y 4z = 3
x + 3y t = 5
Ejercicio 1.4.5 2 3
2 1 0 4 : 5
6 3 2 7 8 : 3 7
6 7
4 1 0 0 2 : 4 5
3 0 1 3 : 6
Ejercicio 1.4.6 2 3
2 0 4 : 3
4 0 1 2 : 5 5
1 3 4 : 6
En los ejercicios de 7 a 12, use sustitución hacia atrás para resolver el sistema
de ecuaciones lineales dado.
Ejercicio 1.4.7
x1 x2 = 2
x2 = 3
Ejercicio 1.4.8
2x1 4x2 = 6
3x2 = 3
Ejercicio 1.4.9
x1 + x2 x3 = 0
2x2 + x3 = 3
3x3 = 0
58
Ejercicio 1.4.10
x1 x2 = 4
2x2 + x3 = 6
3x3 = 6
Ejercicio 1.4.11
5x1 + 2x2 4x3 = 0
2x2 + x3 = 0
3x3 = 9
Ejercicio 1.4.12
2x1 x2 + 3x3 2x4 = 1
x2 2x3 + 3x4 = 2
4x3 + 3x4 = 3
4x4 = 4
Ejercicio 1.4.13
x1 + 2x2 = 8
3x1 4x2 = 4
Ejercicio 1.4.14
x1 + x2 = 5
3x1 + 3x2 = 10
Ejercicio 1.4.15
2x1 3x2 + 4x3 = 12
x1 2x2 + x3 = 5
3x1 + x2 + 2x3 = 1
Ejercicio 1.4.16
x1 + 2x2 + x3 = 3
3x1 x2 3x3 = 1
2x1 + 3x2 + x3 = 4
Ejercicio 1.4.17
x1 + 4x2 2x3 + 8x4 = 12
x2 + 7x3 + 2x4 = 4
5x3 x4 = 7
x3 + 3x4 = 5
59
Ejercicio 1.4.18
x1 + 2x3 2x4 = 1
x1 + x2 + x4 = 2
x2 + 2x3 x4 = 1
Ejercicio 1.4.19
2 3 2 3 2 3
1 0 0 1 0 0 1 0 0
4
a) A = 0 1 0 5 b) B=4 0 1 0 5 c) C=4 0 0 0 5
0 0 1 0 0 1 0 0 3
Ejercicio 1.4.20
2 3 2 3 2 3
1 4 0 1 4 2 1 0 0 0
a) A = 4 0 5 0 5 b) B=4 0 0 1 0 5 c) C=4 0 0 0 5
2 0 4 0 0 0 1 0 0 0
Ejercicio 1.4.21
2 3 2 3 2 3
0 1 0 0 0 1 2 0 7 0 1 0 0 0 0
6 0 0 0 0 1 7 6 0 1 0 0 1 7 6 0 0 1 0 0 7
A=6 4 0 0 1
7 B=6 7 C=6 7
0 0 5 4 0 0 1 0 0 5 4 0 0 0 0 1 5
0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
Ejercicio 1.4.22
2 3 2 3 2 3
1 2 6 0 2 1 2 0 7 0 1 0 0 0 0
6 0 0 1 0 0 7 6 0 1 0 0 1 7 6 0 1 0 0 0 7
A=6 4 0 0
7 B=6 7 C=6 7
0 0 1 5 4 0 0 4 5 0 5 4 0 0 1 0 0 5
0 0 0 0 0 0 0 0 0 1 0 0 0 0 1
Ejercicio 1.4.23 2 3
0 0 1
4 0 1 1 5
1 1 1
60
Ejercicio 1.4.24 2 3
3 5
4 5 2 5
2 4
Ejercicio 1.4.25
2 4 2 6
3 1 6 6
Ejercicio 1.4.26 2 3
1 2 4 4 5
6 2 4 0 0 2 7
6 7
4 2 3 2 1 5 5
1 1 3 6 5
En los ejercicios del 27 a 36, resuelva el sistema lineal dado ya sea utilizando
eliminación gaussiana o la eliminación de Gauss-Jordan.
Ejercicio 1.4.27
x1 + 2x2 = 7
2x1 + x2 = 8
Ejercicio 1.4.28
x1 3x2 = 5
2x1 + 6x2 = 10
Ejercicio 1.4.29
x1 + 2x2 = 3
2x1 4x2 = 6
Ejercicio 1.4.30
3x1 + 5x2 = 22
3x1 + 4x2 = 4
4x1 8x2 = 32
Ejercicio 1.4.31
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Ejercicio 1.4.32
x1 + x2 5x3 = 3
x1 2x3 = 1
2x1 x2 x3 = 0
61
Ejercicio 1.4.33
x1 + 2x2 + x3 = 8
3x1 6x2 3x3 = 21
Ejercicio 1.4.34
3x1 + 3x2 + 12x3 = 6
x1 + x2 + 4x3 = 2
2x1 + 5x2 + 20x3 = 10
x1 + 2x2 + 8x3 = 4
Ejercicio 1.4.35
x1 3x3 = 2
3x1 + x2 2x3 = 5
2x1 + 2x2 + x3 = 4
Ejercicio 1.4.36
x1 + 4x3 + 5x4 = 0
2x1 x2 10x3 16x4 = 6
2x1 6x2 + 20x3 + 46x4 + x5 = 33
Ejercicio 1.4.39 3x + 2y + z = 1 y 2x y + 4z = 5:
Ejercicio 1.4.41
sen 4 cos = 4
4 sen 4 cos = 4
Ejercicio 1.4.42 p p
2 sen + p2 tan = 2p2
4 sen 3 2 tan = 2
62
En los ejercicios del 43 a 44, encuetre valores para a; b y c (si es posible) de modo
que el sistema de ecuaciones lineales proporcionado (a) tenga solución única, (b) no
tenga solución y (c) tenga in…nidad de soluciones.
Ejercicio 1.4.43
x1 + x2 = 2
x2 + x3 = 2
x1 + x3 = 2
ax1 + bx2 + cx3 = 0
Ejercicio 1.4.44
x1 + x2 = 0
x2 + x3 = 0
x1 + x3 = 0
ax1 + bx2 + cx3 = 0
En los ejercicios 45 a 46, encuentre todos los valores de k tales que el sistema
homogéneo dado, de ecuaciones lineales, tenga soluciones no triviales.
Ejercicio 1.4.45
(k + 2) x1 + x2 = 0
x1 + (k 2) x2 = 0
Ejercicio 1.4.46
(k 1) x1 + 2x2 = 0
x1 + kx2 = 0
Ejercicio 1.4.47 Demuestre que los valores de k, para los cuales el sistema
(a k) x1 + bx2 = 0
cx1 + (d k) x2 = 0
tiene soluciones no triviales, deben satisfacer la ecuación cuadrática
k2 (a + d) k + ad bc = 0
En los ejercicios de 48 a 55, determine todos los valores de k (si es posible) para
los cuales el sistema lineal resultante (a) no tenga solución, (b) tenga solución única
y (c) tenga in…nitas soluciones.
Ejercicio 1.4.48
x1 + x2 x3 = 2
x1 + 2x2 + x3 = 3
x1 + x2 + k2 5 x3 = 0
63
Ejercicio 1.4.49
x1 + x2 + x3 = 2
2x1 + 3x2 + 2x3 = 3
2x1 + 3x2 + k2 1 x3 = k + 1
Ejercicio 1.4.50
x1 + x2 = 3
x1 + k2 8 x2 = k
Ejercicio 1.4.51
kx1 + 2x2 + 3kx3 = 4k
x1 + 2x2 + x3 = 0
2x1 x2 + x3 = 1
Ejercicio 1.4.52
x1 + x2 + kx3 = 3
x1 + kx2 + x3 = 2
kx1 + x2 + x3 = 1
Ejercicio 1.4.53
x1 + 2x2 + x3 = 3
x1 + 3x2 x3 = 4
x1 + 2x2 + k2 8 x3 = k
Ejercicio 1.4.54
x1 + 2x2 3x3 = 4
3x1 x2 + 5x3 = 2
4x1 + x2 + k2 14 x3 = k + 2
Ejercicio 1.4.55
kx1 + x2 + x3 = 1
x1 + kx2 + x3 = k
x1 + x2 + kx3 = k 2
Ejercicio 1.4.56 Encuentre los valores de y (si es posible) para los cuales el
siguiente sistema
( + 1) x1 + 3x2 + x3 = 1
3x1 + ( + 1) x2 + 2x3 = 1
x1 + 2x2 + x3 = 2
a) Tenga solución única, b) in…nitas soluciones y c) ninguna solución.
64
Aplicaciones de los sistemas de ecuaciones lineales
Ejercicio 1.4.57 El promedio de temperaturas en las ciudades de Potosí, Sucre y
Tarija fue 22o C durante cierto día de verano. La temperatura en Tarija fue 12o C
mayor que el promedio de temperaturas en las otras ciudades. En Sucre fue 3o C
menor que el promedio de temperaturas en las otras ciudades. ¿Cuál fue la temper-
atura en cada una de las ciudades?
IA + IB + IC = 0
8IB + 10IC = 0
4IA 8IB = 6
Ejercicio 1.4.60 Con frecuencia, en física estudiamos las fuerzas que actúan sobre
un objeto. Para tres fuerzas F1 ; F2 y F3 , que actúan sobre una viga, se obtuvieron
las siguientes ecuaciones.
3F1 + F2 F3 = 2
F1 2F2 + F3 = 0
4F1 F2 + F3 = 3
65
Ejercicio 1.4.62 Una fábrica produce 42 mezcladoras de cemento, la fábrica abastece
a 3 empresas constructoras que demandan toda la producción. En cierta semana,
la primera empresa constructora solicitó tantas unidades como la segunda y tercera
juntas, mientras que la segunda pidió un 20% más que la suma de la mitad de lo
pedido por la primera más la tercera parte de lo pedido por la tercera. ¿Qué cantidad
solicitó cada una?
Ejercicio 1.4.63 La Carrera de Ing. Civil y Asociados fabrica tres tipos de vivien-
das: Multifamiliar, Residencial y Familiar. Para la obra gruesa una Multifamiliar
necesita 10 semanas, otras 2 para la obra …na y 2 semanas para las instalaciones
eléctrica y sanitaria. El tiempo requerido para una Residencial es de 12 semanas
para la obra gruesa, 2.5 para la obra …na y 2 semanas para las instalaciones eléctrica
y sanitaria. La familiar, la más sencilla de las viviendas necesita 6 semanas para
la obra grueda, 1.5 semanas para la obra …na y 1.5 semanas para las instalaciones
eléctrica y sanitaria. Si la fábrica de esta empresa dispone de 1560 semanas de
trabajo por año para la obra gruesa, 340 semanas para la obra …na y 320 semanas
para las intalaciones eléctrica y sanitaria. ¿Cuántas viviendas de cada tipo puede
construir en un año?
Ejercicio 1.4.64 Un mueblero fábrica sillas, mesas para café y mesas para comedor.
Se necesitan 10 minutos, para lijar una silla, 6 para pintarla y 12 para barnizarla.
Se necesitan 12 minutos para lijar una mesa para café, 8 para pintarla y 12 para
barnizarla. Se necesitan 15 minutos para lijar una mesa para comedor, 12 para
pintarla y 18 para barnizarla. La mesa de lijado está disponible 16 horas a la semana,
la mesa de pintado 11 horas a la semana y la mesa de barnizado 18 horas. ¿Cuántas
unidades de cada mueble deben fabricarse por semana de modo que las mesas de
trabajo se ocupen todo el tiempo disponible?
Ejercicio 1.4.65 Una fábrica de ladrillos produce tres tipos de ladrillos: tipo A,
tipo B y tipo C. Cada ladrillo de tipo A necesita un minuto para el moldeo y 2 para
el cocido. Cada ladrillo de tipo B necesita 2 minutos para el moldeo y 4 para el
cocido. Cada ladrillo de tipo C necesita 3 minutos para el moldeo y 5 para el cocido.
Si la planta de moldeo está disponible 6 horas diarias y la planta de cocción (horno)
11 horas, ¿cuántos ladrillos de cada tipo se pueden producir por día de modo que las
plantas se aprovechen a toda su capacidad?
Ejercicio 1.4.66 Una galería de arte envía mensualmente folletos de aviso de sus
exhibiciones a las personas que aparecen en su lista de correos, y los empleados A; B y
C ayudan a la preparación de los envíos. Cuando los tres trabajan simultáneamente,
les toma 2 horas y 55 minutos terminar el trabajo. El mes pasado, C no estuvo y
66
entre A y B necesitaron 5 horas para preparar toda la correspondencia. Para el
trabajo de este mes, cada empleado empezó su trabajo a horas diferentes: A empezó
a las 9 A.M.; B se unió a A a las 10 A.M.; y C se incorporó al trabajo a las 10:54
A.M. El trabajo terminó a la 1 P.M. ¿Cuánto tiempo toma a cada empleado efectuar
todo el trabajo individualmente? (Sugerencia: Si se necesitan t horas para que un
empleado realice el trabajo, entonces en 1 hora la persona puede efectuar 1=t del
trabajo.)
En los ejercicios del 67 al 70, determine el polinomio cuya grá…ca pasa por los
puntos dados y luego bosqueje la grá…ca, mostrando los puntos dados.
Ejercicio 1.4.71 La grá…ca de una función f pasa por los puntos (0; 1) ; 2; 13 y
4; 15 , encuentre una función cuadrática que pase por estos puntos.
Ejercicio 1.4.72 Encuentre una función polinomial p (x) de grado menor o igual
que dos que pase por los puntos (0; 1) ; (2; 3) y (4; 5). Luego bosqueje la grá…ca
1
de y = p(x) y compare con la grá…ca del polinomio que se encontró en el ejercicio
anterior.
Ejercicio 1.4.73 La grá…ca de una parabóla pasa por los puntos (0; 1) ; 21 ; 12 y tiene
una tangente horizontal en 21 ; 12 . Encuentre la ecuación de la parabóla y bosqueje
su grá…ca.
Ejercicio 1.4.75 Encuentre la ecuación del círculo que pasa por los puntos
(1; 3) ; ( 2; 6) y (4; 2)
Ejercicio 1.4.76 El ‡ujo de trá…co (en vehículos por hora) que circula por una red
de calles se muestra en la siguiente …gura.
a) Establezca un sistema de ecuaciones lineales que representa la red mostrada.
b) Resuelva este sistema para xi ; i = 1; 2; 3; 4; 5.
c) Encuentre el ‡ujo vehicular cuando x2 = 200 y x3 = 50.
d) Encuentre el ‡ujo vehicular cuando x2 = 150 y x3 = 0.
67
x1
300 A B 150
x3
x2 x4
200 C D 350
x5
x1 x2
500 A B C 600
x3 x4 x5
400 F E D 450
x6 x7
Los números indican la cantidad de coches/hora que pasan por ese punto. Las va-
riables x1 ; : : : ; x7 representan el número de coches/hora que pasan de la intersección
A a la B, de la B a la C, etc. Suponiendo que en las calles está prohibido aparcar.
¿Qué valores tomarán las variables x1 ; x2 ; x3 ; x4 ; x5 ; x6 y x7 , en los siguientes casos?
a) Hay obras en la calle de D a E y por tanto queremos que en ese tramo el
trá…co sea mínimo.
b) Análogamente, hay obras en la calle de D a F .
Ejercicio 1.4.78 La siguiente …gura
Avenida 6 Avenida 7
700 600
x2
Calle 3 500 A B
x3
x1 x6
Calle 4 600 F E D 800
x5 x4
68
Muestra el ‡ujo de trá…co cerca del centro de una ciudad durante las horas punta
de un día hábil, las ‡echas indican la dirección del ‡ujo en cada calle de un sentido;
cada calle puede aceptar un máximo de 1000 vehículos por hora sin congestionarse.
El ‡ujo se controla con semáforos instalados en cada uno de los cinco cruceros.
a) Establezca un sistema de ecuaciones lineales que describa el ‡ujo vehicular
mostrado.
b) Resuelva el sistema diseñado en (a) y sugiera dos posibles patrones de ‡ujo
que garanticen que no habrá congestionamiento.
c) Suponga que la parte de la avenida 7 comprendida entre las calles 3 y 4 será
cerrado por reparación; proporcione un posible ‡ujo de trá…co que garantice un ‡ujo
suave del trá…co.
Ejercicio 1.4.79 Considere la siguiente red de calles de una dirección
900 x2 700
800 x7
x6 A B C 200
x8
x1 600 x3
600 F E D 400
x4 x5
69
Avenida 5 Avenida 6
900 1000
Calle 7 x3
800 A B 600
x2 x4
Calle 8 x7
700 C D 700
x1 x5
Calle 9 800 x6
E F 700
900 1100
I1 8 voltios I1
1 ohm 1 ohm
I2 I2
A B A B
1 ohm 2 ohm
4 ohm 4 ohm
I3 I3
13 voltios 8 voltios
70
Ejercicio 1.4.83 Determine las corrientes I1 ; I2 e I3 de la red eléctrica mostrada
en la …gura
B B
I1 1 ohm I2 I1 2 ohm I2
I3 I3
I4 I5 I4 I5
A C A C
2 ohm D 1 ohm 1 ohm D 2 ohm
14 voltios 10 voltios
Figura para 84 Figura para 85
2 x1 1
2 x2 x3 1
2 2
71
1 1
1 1
x1 x3
1 1
x2 x4
2 2
6 10
2 8 2 10
w1 w2 w3 w4
Ejercicio 1.4.89 Deduzca la ecuación del plano, en el espacio xyz que pasa por los
puntos P (1; 1; 1) ; Q (2; 1; 2) y R (1; 3; 5).
Ejercicio 1.4.90 Calcule a; b y c, tales que las ecuaciones cuadráticas
(a b) x2 + (a c) x + (b + c) y (3 c) x2 ax b 2c
sean iguales.
Ejercicio 1.4.91 Calcule a; b; c y d, tales que las ecuaciones cúbicas
(a + b + c) x3 + (a + b) x2 + 2bx y ( d) x3 + (2 d) x2 + (1 + a) x + (b + c)
sean iguales.
Ejercicio 1.4.92 Calcule las constantes A y B de modo que
1 A B
= +
(x + 1) (x 2) x+1 x 2
Ejercicio 1.4.93 Determine los cuadrados mágicos de tamaño 3 que tengan la
forma 2 3
4 a b
4 c 5 d 5
e f 6
72
CAPÍTULO 2
Matrices
73
Nota 2.1.1 A menos que se diga otra cosa supondremos que todas las matrices que
estudiaremos serán matrices reales, es decir sus elementos serán números reales.
74
Ejemplo 2.1.1 Encuentre los valores de a11 ; a12 ; a21 y a22 en la siguiente ecuación
matricial
a11 a12 2 1
=
a21 a22 5 7
Solución. Puesto que dos matrices son iguales sólo si sus elementos correspondientes
son iguales, se concluye que
a11 = 2; a12 = 1; a21 = 5 y a22 = 7
X
Matriz Nula.
Una matriz A = [aij ] que consta exclusivamente de ceros se llama matriz nula o
matriz cero y se denota por 0m n . Ejemplos de matrices nulas son las siguientes:
2 3
0 0
0 0
03 2 = 4 0 0 5 ; 02 2 = ; 01 1 = [0]
0 0
0 0
0 0 0 9 0 0 0 4 0 0 0 1
75
Matrices triangulares.
También, existen otros tipos de matrices tales como las matrices triangulares supe-
rior e inferior.
Es decir una matriz cuadrada se denomina triangular superior si todos sus ele-
mentos por debajo de la diagonal principal son cero y triangular inferior si todos sus
elementos por encima de la diagonal principal son cero.
Ejemplo 2.1.2
2 3 2 3
7 2 3 1 7 0 0 0
6 0 4 5 2 7 6 2 4 0 0 7
A=6
4 0
7 B=6 7
0 3 6 5 4 3 4 6 0 5
0 0 0 8 7 8 2 3
76
Ejemplo 2.1.4 La matriz
2 3 2 3
2 3 5 2 3 5
A=4 3 1 7 5 es simétrica, pues At = 4 3 1 7 5=A
5 7 4 5 7 4
Suma de matrices
Si A = [aij ] y B = [bij ] son dos matrices de orden m n entonces la suma de A y
B es la matriz m n de…nida por
A + B = [aij + bij ]
77
1 2 1 3 1+1 2+3 0 5
a) + = =
0 1 1 2 0 1 1+2 1 3
0 1 2 0 0 0 0 1 2
b) + =
1 2 3 0 0 0 1 2 3
2 3 2 3 2 3
1 1 0
c) 4 5
3 + 4 5 4
3 = 0 5
2 2 0
2 3 2 3
2 1 0 5 8
d) 4 4 0 1 5+4 3 7 5 no está de…nida.
3 2 2 0 2
Solución.
2 3 2 3 2 3
1 24 3 (1) 3 (2) 3 (4) 3 6 12
a) 3A = 3 4 3 01 5 = 4 3 ( 3) 3 (0) 3 ( 1) 5 = 4 9 0 3 5
2 12 3 (2) 3 (1) 3 (2) 6 3 6
2 3 2 3
2 0 0 2 0 0
b) B = ( 1)B = ( 1) 4 1 4 3 =5 4 1 4 3 5
1 3 2 1 3 2
78
2 3 2 3 2 3
3 6 12 2 0 0 1 6 12
c) 3A B=4 9 0 3 5 4 1 4 3 5=4 10 4 6 5
6 3 6 1 3 2 7 0 4
Nota 2.2.3 Note que, la suma A + B de dos matrices A y B del mismo tamaño
se obtiene sumando los elementos correspondientes de ambas matrices, mientras que
para la diferencia, A B se restan los elementos correspondientes. Las matrices de
distintos tamaños no se pueden sumar ni restar.
1. (A + B) + C = A + (B + C)
2. A + B = B + A
3. A + 0 = 0 + A = A
4. A + ( A) = ( A) + A = 0
5. c (A + B) = cA + cB
6. (a + b) C = aC + bC
8. 1A = A
9. 0A = 0
79
Observación 2.2.2 La propiedad 1 se denomina ley asociativa para la suma, mien-
tras que la propiedad 2 es la ley conmutativa. Las propiedades 5 y 6 se conocen como
leyes distributivas.
3 1 2 5 5 6 0 1 0
A= ; B= ; y C=
1 3 0 2 2 2 1 0 1
Solución.
3 1 2 5 5 6 0 1 0
(A + B) + C = + +
1 3 0 2 2 2 1 0 1
2 6 4 0 1 0 2 7 4
= + =
3 1 2 1 0 1 2 1 1
3 1 2 5 5 6 0 1 0
A + (B + C) = + +
1 3 0 2 2 2 1 0 1
3 1 2 5 6 6 2 7 4
= + =
1 3 0 1 2 1 2 1 1
1 6 9
a= 2; b= y C=
3 1 5
Solución.
1 6 9 2 6 9 4 6
(ab) C = 2 = = 2 10
3 1 5 3 1 5 3 3
1 6 9 2 3 4 6
a (bC) = 2 = 2 1 5 = 2 10
3 1 5 3 3 3 3
80
Ecuaciones matriciales simples
El anterior teorema puede emplearse para resolver ecuaciones matriciales sencillas,
como vemos en el siguiente.
1 2 0 0 1 3
A= y B=
0 0 1 1 0 1
(2X 4B) + 4B = 3A + 4B
2X + ( 4B + 4B) = 3A + 4B
2X + 0 = 3A + 4B
2X = 3A + 4B
1
Multiplicando ambos lados de la última ecuación por 2 se obtiene
1 1
(2X) = (3A + 4B)
2 2
de esto se obtiene
3
X = A + 2B
2
Por consiguiente
3 3
1 2 0 0 1 3 2 5 6
X= +2 = 7
2 0 0 1 1 0 1 2 0 2
Multiplicación matricial
La tercera operación más importante que presentamos a continuación es la multi-
plicación de matrices. Mucha de la motivación que sustenta la de…nición de mul-
tiplicación de matrices, proviene de aplicaciones a sistemas de ecuaciones lineales.
Por ejemplo, si se tiene un sistema de una ecuación lineal en una incógnita, ésta se
puede escribir en la forma
ax = b
81
donde concebimos a a; x y b como escalares, sin embargo, también se les puede
considerar como matrices 1 1.
En general dado un sistema de ecuaciones lineales m n
implica,
2 3 2 3
a11 x1 + a12 x2 + + a1n xn b1
6 a21 x1 + a22 x2 + + a2n xn 7 6 b2 7
6 7=6 7
4 :::::: :::::: :::::: :::::: 5 4 : 5
am1 x1 + am2 x2 + : : : : : : + amn xn bm
82
Nota 2.2.4 Note que para multiplicar por parejas, el número de columnas de A
debe ser igual al número de …las de X. Los elementos de X pueden ser escalares o
incógnitas que tienen valores escalares.
Entonces
4x1 + 2x2 + x3
AX =
5x1 + 3x2 + 7x3
Ejemplo 2.2.7 Si 2 3
3 1
2
A=4 2 5 5 y X=
4
4 2
Entonces 2 3 2 3
3 2+1 4 2
AX = 4 2 2 + 5 4 5 = 4 24 5
4 2+2 4 16
Ejemplo 2.2.8 Escriba el siguiente sistema de ecuaciones lineales como una ecuación
matricial AX = B.
3x1 + 2x2 + x3 = 5
x1 2x2 + 5x3 = 2
2x1 + x2 3x3 = 1
Solución. 2 32 3 2 3
3 2 1 x1 5
4 1 2 5 5 4 x2 5 = 4 2 5
2 1 3 x3 1
X
De manera más general, es posible multiplicar una matriz A por una matriz B si
el número de columnas de A es igual al número de …las de B. La primera columna
del producto AB se obtiene a partir de la primera columna de B, la segunda a partir
de la segunda de B y así sucesivamente. Por tanto, para determinar el elemento i; j-
ésimo elemento del producto AB se utilizan los elementos de la i-ésima …la de A y
la j-ésima columna de B.
83
De…nición 2.2.1 Si A = [aij ] es una matriz m n y B = [bij ] es una matriz n p,
entonces el producto de A y B denotado por AB es una matriz m p;
AB = C = [cij ]
donde
n
X
cij = aik bkj = ai1 b1j + ai2 b2j + ai3 b3j + + ain bnj :
k=1
Entonces
5
c11 = 2 4 = ( 2) ( 5) + (4) (3) = 10 + 12 = 22
3
84
Similarmente,
P
2
c12 = a1k bk2 = a11 b12 + a12 b22 = ( 2) (1) + (4) (2) = 2+8=6
k=1
ó equivalentemente
1
c12 = 2 4 = ( 2) (1) + (4) (2) = 2+8=6
2
5
c21 = 1 3 = (1) ( 5) + ( 3) (3) = 5 9= 14
3
1
c22 = 1 3 = (1) (1) + ( 3) (2) = 1 6= 5
2
5
c31 = 5 0 = (5) ( 5) + (0) (3) = 25 + 0 = 25
3
1
c32 = 5 0 = (5) (1) + (0) (2) = 5 + 0 = 5:
2
3 4 4 1
A= y B=
2 8 0 7
3 4 4 1 12 + 0 3 + 28 12 31
AB = = =
2 8 0 7 8+0 2 + 56 8 54
4 1 3 4 12 2 16 + 8 14 8
BA = = =
0 7 2 8 0 14 0 + 56 14 56
85
Observación 2.2.3 Observe que AB 6= BA. Esto muestra que en general la mul-
tiplicación de matrices no es conmutativa.
Como en el caso de AX, con frecuencia es útil obtener AB elemento por elemento.
En este caso el (i; j)-ésimo elemento del producto AB puede calcularse como sigue:
Tomando la i-ésima …la de A y la j-ésima columna de B, multiplicamos entre si sus
elementos correspondientes y luego sumamos todos los productos.
Ejemplo 2.2.11 Sean
2 3
3 2 4
2 0 1
A= y B=4 2 4 5 5
2 1 2
0 3 2
Calcule los elementos c12 y c23 del producto AB = C.
Solución. Considerando la primera y segunda …la de A y la segunda y tercera
columna de B se obtiene
2 3
2
c12 = 2 0 1 4 4 5=2 2+0 4+1 3=7
3
2 3
4
c23 = 2 1 2 4 5 5 = 2 4 + 1 5 + 2 ( 2) = 9
2
De este modo se tiene
2 3
3 2 4
2 0 1 4 c11 7 c13
2 4 5 5 =
2 1 2 c21 c22 c23
0 3 2
2 3
3 2 4
2 0 1 4 c11 c12 c13
2 4 5 5 =
2 1 2 c21 c22 9
0 3 2
X
Ejemplo 2.2.12 Sean A y B del ejemplo anterior. Calcule la tercera columna de
AB.
Solución. Es igual que el producto de A por la tercera columna de B. Es decir,
2 3
4
2 0 1 4 6
AB3 = 5 5=
2 1 2 9
2
X
86
Ejemplo 2.2.13 Sean A y B del ejemplo anterior. Calcule la segunda …la de AB.
87
Problemas que se presentan en la multiplicación de matrices
El teorema anterior describe propiedades que se comparten tanto en la multiplicación
matricial como en la ordinaria (con I en lugar de 1). Sin embargo, hay diferencias
importantes que hacen que la multiplicación de matrices sea algo más di…cil, pero
mucho más interesante que la multiplicación ordinaria. La diferencia más notable es
que la multiplicación de matrices no es conmutativa, lo que signi…ca que la propiedad
ab = ba válida para todos los números, no lo es para las matrices. Para que ocurra
esto existe más de una razón veamos.
Aplicaciones
Las matrices y las operaciones matriciales pueden emplearse para registrar, actua-
lizar y escalar datos tabulares. En los siguientes ejemplos de aplicación se muestra
cómo se pueden usar las matrices para registrar y organizar datos, también se de-
muestra que la multiplicación de matrices es un medio e…ciente de llevar a cabo
determinados cálculos.
88
Ejemplo 2.2.15 (Actualización de existencia) Una empresa tiene tres librerias
y cada una de ellas tiene libros de …cción, de viajes y de deportes. Las cantidades
de libros se tabulan como sigue:
Librería Ficción
2 Viajes Deportes
3
1 300 300 100
2 4 300 100 240 5
3 50 150 200
Suponga que las entregas a cada librería están representadas por la matriz D. Calcule
las existencias actualizadas.
2 3
60 40 20
D = 4 60 40 30 5
60 40 30
Solución. Para conocer las existencias actualizadas es necesario sumar las dos ma-
trices. Esto es,
2 3 2 3 2 3
300 300 100 60 40 20 360 340 120
4 300 100 240 5 + 4 60 40 30 5 = 4 360 140 270 5
50 150 200 60 40 30 110 190 230
Así, la librería 3 tiene ahora 190 libros de viajes. X
Ejemplo 2.2.16 (Escalamiento) Suponga que las distancias, en millas, entre An-
napolis, Baltimore y Washington, se expresa como sigue:
Ciudad Annapolis
2 Baltimore Washington
3
Annapolis 0 30 25
Baltimore 4 30 0 18 5
Washington 25 18 0
Si deseamos trazar un mapa cuya escala sea tal que 1 pulgada en el papel corresponda
a 5 mi de distancia real, ¿cuál es la matriz de las distancias del mapa?
Solución. Por ejemplo, una distancia de 30 millas se representa con
1 pulg
30 mi = 6 pulg
5 mi
1
De modo, que necesitamos multiplicar todos los elementos de la matriz por 5 = 0:2.
este es el producto de la matriz por el escalar 0:2.
2 3 2 3
0 30 25 0 6 5
0:2 4 30 0 18 5 = 4 6 0 3:6 5
25 18 0 5 3:6 0
X
89
Ejemplo 2.2.17 (Ingresos procedentes de diversas fuentes) cada una de las
tiendas, a1 y a2 , reciben diariamente televisores (t) y videocaseteras (v) de dos fa-
bricantes, f1 y f2 . Las recepciones o ventas se representan como sigue:
t v
f1 40 50
f2 70 80
a1 a2
t 200 250
v 300 280
Solución.
40 50 200 250 23:000 24:000
AB = =
70 80 300 280 38:000 39:900
el cual representa los ingresos de la primera tienda por vender todos los electrodomés-
ticos que provienen de la primera fábrica. De igual forma se tiene
$ en a1 de f1 $ en a2 de f1
AB =
$ en a1 de f2 $ en a2 de f2
Solución. Establecemos una matriz …la R para representar los precios de cada
artículo y una matriz columna C para el número de artículos vendidos. Entonces,
2 3
100
R = 25 8 300 y C = 4 200 5
50
90
Luego la ganancia obtenida es el producto RC. es decir,
2 3
100
RC = 25 8 300 4 200 5 = 25 100 + 8 200 + 300 50 = 19; 100$
50
Cantidad de materiales
2c m a3
4 2 5 tipo x
M= 4 5 4 8 5 tipo y
7 3 6 tipo z
La empresa hace un contrato para construir 700 metros lineales del tipo x, 800 del
tipo y y 900 del tipo z, el contrato está en forma de la matriz T ,1 3:
a) Forme la matriz que exprese la cantidad total de cada material necesarios para
satisfacer el contrato.
91
Solución. (a) La cantidad total de unidades de cemento necesarios es:
2c m a 3
x y z 4 2 5 c m a
TM = 700 800 900 4 5 4 8 5= 13100 7300 15300
Unidades por 7 3 6 total
tipo cantidad de unidades
unidades
2v1 v2 3
42:50 42:65 cemento
C = 4 23:60 23:40 5 metal
40:15 40:10 arena
92
Traza de una matriz y sus propiedades.
De…nición 2.2.2 Si A es una matriz cuadrada, entonces la traza de A denotado
por Tr A es la suma de los elementos de la diagonal principal. Es decir,
n
X
Tr A = aii = a11 + a22 + + ann
i=1
a) Tr (cA) = c Tr A
b) Tr (A + B) = Tr A + Tr B
c) Tr (AB) = Tr (BA)
a) vemos que,
2 3 2 3
5 4 2 20 16 8
4A = 4 4 4 5 2 5 = 4 16 20 8 5 entonces, Tr (4A) = 48;
2 2 2 8 8 8
luego,
Tr (4A) = 48 = 4 12 = 4 Tr (A) .
Esto muestra que Tr (4A) = 4 Tr A.
93
b) Como
2 3 2 3 2 3
5 4 2 8 3 1 13 1 3
A+B =4 4 5 2 5+4 3 7 3 5 = 4 7 12 1 5
2 2 2 1 2 5 3 4 7
Luego,
Tr (A + B) = 32 = 12 + 20 = Tr A + Tr B.
Esto muestra que Tr (A + B) = Tr A + Tr B.
c) Como,
2 32 3 2 3
5 4 2 8 3 1 54 17 3
AB = 4 4 5 2 5 4 3 7 3 5=4 49 27 1 5
2 2 2 1 2 5 24 12 6
2 32 3 2 3
8 3 1 5 4 2 30 19 12
BA = 4 3 7 3 54 4 5 2 5=4 37 41 14 5
1 2 5 2 2 2 23 24 16
Entonces,
Tr (AB) = 54 + 27 + 6 = 87 y Tr (BA) = 30 + 41 + 16 = 87
X
Recordemos que la transpuesta At de una matriz A, m n es la matriz n m que
se obtiene de A intercambiando las …las de A con las columnas de A. Las propiedades
formales básicas de la transpuesta, están contenidas en el siguiente teorema donde
se ve cómo la transpuesta afecta a las operaciones matriciales básicas.
Teorema 2.2.4 Sean A y B matrices tales las siguientes operaciones estan de…nidas
y si a cualquier escalar. Entonces
t
1. At =A
2. (A + B)t = At + B t
3. (aA)t = aAt
4. (AB)t = B t At
94
Ejemplo 2.2.22 Veri…que, (AB)t = B t At utilizando:
2 3
1 0
1 2 3
A= y B=4 2 1 5
2 1 4
3 2
A=S+K
At = S t + K t
= S K
A + At = 2S
de donde,
1
S= A + At
2
95
Ahora, restando en lugar de sumar tenemos
1
K= A At
2
Resulta fácil veri…car que A = S + K, que S es simétrica y K es antisimétrica. Así,
hemos demostrado que tal representación es posible y que las expresiones para S y
K son únicas. X
Ejemplo 2.2.23 Descomponga la siguiente matriz, como suma de una matriz simétrica
y una antisimétrica. 2 3
3 2 1
A=4 5 2 3 5
1 6 2
Solución. Como 2 3
3 5 1
At = 4 2 2 6 5
1 3 2
entonces
2 3 2 3
6 3 0 3 23 0
1 1
S = A + At = 4 3 4 9 5 = 4 32 2 92 5
2 2
0 9 4 0 29 2
2 3 2 7
3
0 7 2 0 2 1
1 14 5 4 5
K = A At = 7 0 3 = 7
2 0 3
2
2 2 3
2 3 0 1 2 0
96
De…nición 2.3.1 Si A es una matriz de orden n, entonces la inversa de A es una
matriz A 1 también de orden n, tal que
1 1
AA =A A=I
Observación 2.3.2 Observe que la de…nición de inversa de una matriz no dice que
toda matriz cuadrada tenga inversa. De hecho existen una in…nidad de matrices
cuadradas que no tienen inversa (como veremos en algunos ejemplos). Sin embargo
el siguiente teorema establece que si una matriz tiene inversa, entonces ésta inversa
es única.
97
Ejemplo 2.3.1 Encontrar la inversa (si existe) de la matriz.
2 3
A=
1 2
98
Observación 2.3.3 Como los dos sistemas planteados tienen la misma matriz de
coe…cientes, podemos ahorrar la escritura, si los combinamos en la forma
2 3 : 1 0
1 2 : 0 1
1 0 : 2 3
0 1 : 1 2
1 1
A=
1 1
1 a11 a12
A =
a21 a22
que satisfaga:
1 1
AA =A A=I
considerando la igualdad, AA 1 = I, se tiene:
1 1 a11 a12 1 0
=
1 1 a21 a22 0 1
entonces,
a11 + a21 a12 + a22 1 0
=
a11 + a21 a12 + a22 0 1
igualando las columnas se obtienen los siguientes sistemas
1 1 : 1 1 1 : 0
y
1 1 : 0 1 1 : 1
99
combinando estas en una sola se tiene
1 1 : 1 0
1 1 : 0 1
1 1 : 1 0
0 0 : 1 1
lo que signi…ca que los sistemas planteados no tienen solución. Al no existir escalares
a11 ; a12 ; a21 y a22 que satisfagan la condición AA 1 = I, se concluye que la matriz
dada no tiene inversa.X
Este último ejemplo, muestra que no toda matriz cuadrada tiene inversa. En-
tonces es natural preguntarnos, ¿dada una matriz cuadrada cómo saber, si tiene o
no inversa?
La respuesta nos proporciona el siguiente.
Teorema 2.3.2 Una matriz cuadrada A, es invertible (no singular) sí, y sólo si,
det (A) 6= 0.
Observe que, este teorema identi…ca de una manera muy precisa qué matrices
tienen inversa. En particular para matrices cuadradas de orden 2 podemos determi-
nar exactamente cuáles son invertibles y citar una fórmula fácil para A 1 .
1 1 a22 a12
A =
det(A) a21 a11
De este modo, el número det(A) determina si una matriz tiene inversa, este
número que se llama determinante de la matriz A, se estudiará en detalle en el
siguiente capítulo.
2 3 5 3
A= y B=
4 6 4 3
100
Solución. Como
det(A) = (2) (6) ( 4) ( 3) = 0
se concluye que la matriz A no es invertible.
De la misma forma veamos si la matriz B es o no invertible, como
1 1 3 3 1 1
A = = 4 5
3 4 5 3 3
X
A continuación presentamos un algoritmo general para determinar la inversa de
una matriz (si ésta existe).
101
Aplicando operaciones elementales de …las a esta matriz se tiene
2 3 2 3
1 0 1 : 1 0 0 1 0 1 : 1 0 0
4 3 5 3 4 3
4 2 : 0 1 0 ! 0 4 1 : 3 1 0 5 !
3 5 2 : 0 0 1 0 5 1 : 3 0 1
2 3 2 3
1 0 1 : 1 0 0 1 0 1 : 1 0 0
4 0 2 3
4 1 : 3 1 0 5 !4 0 4 1 : 3 1 0 5 !
1 3 5
0 0 4 : 4 4 1 0 0 1 : 3 5 4
2 3 2 3
1 0 0 : 2 5 4 1 0 0 : 2 5 4
4 0 2
4 0 : 0 4 4 5 !4 0 1 0 : 0 1 1 5
0 0 1 : 3 5 4 0 0 1 : 3 5 4
Por consiguiente, 2 3
2 5 4
A 1
=4 0 1 1 5
3 5 4
X
Como se dijo arriba, con este método no sólo se calculan inversas, sino también
se detectan matrices no invertibles, como vemos en el siguiente.
102
Teorema 2.3.4 (Propiedades de las matrices invertibles)
1 1 1
(kA) = A
k
Entonces,
1 1 1 1 1 1
(AB) B A = A BB A = AIA = AA =I
1 1 1 1 1 1
B A (AB) = B A A B=B IB = B B=I
103
Esto muestra que (kA) es invertible y que (kA) 1 = k1 A 1 .
4. Aplicando una de las propiedades de transpuesta y la de…nición de inversa se
tiene
t t t
At A 1 = A 1 A = A 1 A = I t = I
1 1 t.
Así, concluimos que At es invertible y que At = A X
Observación 2.3.4 La primera propiedad del anterior teorema establece que la in-
versa de un producto de dos matrices invertibles es el producto de sus inversas
tomado en orden inverso. Esto puede generalizarse para el producto de varias ma-
trices invertibles, en éste caso se tiene:
1
(A1 A2 An ) = An 1 An 1 1 A2 1 A1 1 :
104
Observe que (AB) 1
=B 1A 1. X
Precaución. En general
1 1 1 1 1 1
(A + B) 6= A +B y (AB) 6= A B
La propiedad correcta (AB) 1 = B 1 A 1 , se conoce a menudo como la "regla de los
calcetines y zapatos", debido a que, aunque nos ponemos nuestros calcetines antes
que nuestros zapatos, nos los quitamos en el orden inverso.
Recordemos que en general, para una ecuación matricial
AC = BC
no se pueden simpli…car las C, (ver ejercicio 2.5.41). Sin embargo, esa cancelación
es posible cuando C es invertible. Así, como establece el siguiente.
1. AC = BC, entonces A = B
2. CA = CB, entonces A = B
Por consiguiente
AC = BC
1 1
(AC) C = (BC) C
1 1
A CC = B CC
AI = BI
A = B
105
Precaución. Cuando se multiplica ambos lados de una ecuación matricial por
una matriz, se debe usar la multiplicación por la izquierda o por la derecha, pero no
ambas a la vez. Así,
A = B =) CA = CB o A = B =) AD = BD
mientras que
A=B no implica que CA = BC
AXC B = 0,
suponiendo que A y C son invertibles y que todos los tamaños son compatibles.
AXC B = 0
AXC = B
1 1
A AXC = A B
1
XC = A B
1 1 1
XCC = A BC
1 1
X = A BC
X
En particular si especi…camos en el ejemplo anterior las matrices A; B y C por
2 1 1 1 0 1
A= ; B= y C=
7 4 2 2 2 1
entonces
1 1
1 1 4 1 1 1 2 2 1 1
X=A BC = = 3 3
7 2 2 2 1 0 2 2
106
Solución. Existe muchas maneras para proceder en este caso. Una solución es la
siguiente:
1 1 1 2
A (BX) = A B3
1 2
((BX) A) = A 1B3
h i 1 h i 1
2
((BX) A) 1 = A 1B3
1 1
(BX) A = A B3 A 1
B3
1 1 1
(BX) A = A B3 A 1
B3
3 1 1 3 1 1
(BX) A = B A B A
3 3
BXA = B AB A
1 1 1 3 3 1
B BXAA = B B AB AA
4 3
IXI = B AB I
4 3
X = B AB
107
Demostración. Como A es invertible, entonces
Ax = b
1 1
A Ax = A b
1
Ix = A b
1
x = A b
Ax1 = Ax2
Ax = 0
108
Ejemplo 2.3.10 Resolver el siguiente sistema empleando A 1, siendo A la matriz
de coe…cientes.
2x z = 2
x + 2y + z = 0
3x 2y 4z = 10
Solución. Como la matriz de coe…cientes es
2 3 2 3 1 1
3
2 0 1 4 4 4
6 7 1 6 1 5 1 7
A=4 1 2 1 5 cuya inversa es A =4 8 8 8 5
1 1 1
3 2 4 2 2 2
Por consiguiente, x = 1; y = 3
2 y z= 4. X
109
Solución. (a) La matriz de coe…cientes, que resulta ser igual para los 30 sistemas,
y su inversa son
2 3 2 3
2 5 3 3 11 2
A=4 1 1 1 5 A 1=4 2 7 1 5
3 2 1 5 19 3
entonces, usando X = A 1 B para cada uno de los tres casos, que escribimos a
continuación en forma condensada, se llega a las soluciones como sigue.
2 3 2 32 3 2 3 2 3
x 3 11 2 3 : 5 : 2
4 y 5 = 4 2 7 1 54 1 5 : 4 4 5 : 4 3 5
z 5 19 3 2 : 12 : 14
2 3 2 3 2 3
6 : 5 : 1
= 4 3 5 : 4 6 5 : 4 3 5
10 : 15 : 5
(b) Como no hay dos estudiantes que tengan las mismas tres constantes a; b y
c, su respuesta al problema debe ser algo distinta. En consecuencia, hay un seguro
automático incorporado (contra copiar) en la estructura del problema. Sin embargo,
el trabajo del profesor para dar la cali…cación no fue mucho, porque sólo se necesita
determinar una matriz inversa y los cálculos de A 1 B son directos. X
110
2.4.1 Matrices estocásticas
Una matriz A de orden n se denomina estocástica si cada uno de sus elementos es
un número entre 0 y 1 y la suma de los elementos de cada columna es igual a 1.
Ejemplos de matrices estocásticas son
2 3 2 3 2 3
1 0 0 1=2 1=3 1=4 0:1 0:3 0:5
4 0 1 0 5 4 1=4 0 3=4 5 4 0:5 0:6 0:2 5
0 0 1 1=4 2=3 0 0:4 0:1 0:3
111
similarmente,
En general
Ejemplo 2.4.1 Dos compañias ofrecen servicio de televisión por cable a una ciudad
de 100.000 casas. El cambio en la suscripción cada año está dado por el diagrama
de la siguiente …gura.
Compañía 20 % Compañía
de cable A 15 % de cable B
70 %
15 10 % % 80 %
% 15 %
5
Televisión
normal
70 %
De
z }| {
2 A B Normal3 9
0:70 0:15 0:15 A =
P = 4 0:20 0:80 0:15 5 B Para
;
0:10 0:05 0:70 Normal
y la matriz de estados que representa la población actual en cada uno de los tres
estados es 2 3
15:000 A
X = 4 20:000 5 B
65:000 Normal
Para encontrar la matriz de estados que representa la población en cada uno de los
tres estados en un año. Se multiplica la matriz P por la matriz X, para obtener
2 32 3 2 3
0:70 0:15 0:15 15:000 23:250
P X = 4 0:20 0:80 0:15 5 4 20:000 5 = 4 28:750 5
0:10 0:05 0:70 65:000 48:000
112
Esto dice que al cabo de un año la compañia A tendrá 23.250 suscriptores y la
compañia B tendrá 28.750 suscriptores. X
Uno de los atractivos de la solución matricial dada en el anterior ejemplo es que
ya una vez creado el modelo, se facilita la determinación de las matrices de estado
que representan años futuros al multiplicar repetidamente por la matriz P . Como
vemos en el siguiente.
Observación 2.4.1 Observe que en este ejemplo, existe poca diferencia entre el
número de suscriptores al cabo de cinco años y al término de diez años. Si se
continúa el proceso mostrado en el ejemplo, el número de suscriptores llegará a un
113
estado estable (o estacionario). Es decir, a medida que no cambie la matriz P , el
producto matricial P n X tiende al límite X. En este ejemplo especi…co, el límite está
dado por la matriz de estados
2 3
33:333
X = 4 47:619 5
Estado estacionario
19:048
Luego, la matriz de estados que representa la población actual en cada uno de los
estados es 2 3
20:000 S1
X = 4 30:000 5 S2
50:000 S3
y la matriz de probabilidades de transición es
De
z }| {
2 S1 S2 S3 3 9
0:75 0:15 0:10 S1 =
P = 4 0:20 0:75 0:15 5 S2 Para
;
0:05 0:10 0:75 S3
114
Para encontrar la matriz de estados que represente la población en cada uno de
los tres estados dentro de un mes se multiplica la matriz P por la matriz X para
obtener la siguiente información,
2 32 3 2 3
0:75 0:15 0:10 20:000 24:500 S1
4
P X = 0:20 0:75 0:15 5 4 5 4
30:000 = 34:000 5 S2
0:05 0:10 0:75 50:000 41:500 S3
que resulta ser la matriz de estados que representa la población en cada uno de los
tres estados al cabo de un mes.
De la misma forma, para encontrar la matriz de estados que represente la población
en cada uno de los tres estados dentro de dos meses se multiplica la matriz P por
la matriz P X para obtener la siguiente información,
2 32 3 2 3
0:75 0:15 0:10 24:500 27:625 S1
4
P (P X) = 0:20 0:75 0:15 5 4 5 4
34:000 = 36:625 5 S2
0:05 0:10 0:75 41:500 35:750 S3
que es la matriz de estados que representa la población en cada uno de los tres
estados dentro de dos meses. Análogamente
2 32 3 2 3
0:75 0:15 0:10 27:625 29:788 S1
4
P (P (P X)) = 0:20 0:75 0:15 5 4 5 4
36:625 = 38:356 5 S2
0:05 0:10 0:75 35:750 31:856 S3
Es la matriz de estados que representa la población en cada uno de los tres estados
al cabo de tres meses. X
115
El álgebra matricial ha demostrado su efectividad en el análisis de problemas
relacionados con la entrada y salida de un sistema económico. El modelo que se
analizará aquí, creado por el economista estadounidense Wassily W. Leontief, fue
publicado por primera vez en 1936.
Matriz de Entrada-Salida
Suponga que un sistema económico tiene n industrias distintas fI1 ; I2 ; : : : ; In g, cada
una de las cuales tiene necesidades de entrada (por ejemplo materia prima, trans-
porte, instalaciones, etc.) y una salida (productos terminados). El coe…ciente de
entrada dij mide la cantidad de entrada que la industria j-ésima requiere de la in-
dustria i-ésima para producir una unidad. La colección de coe…cientes de entrada
está dada por la siguiente matriz n n. Las unidades se miden en "cantidades de
dólar".
Usuario
z }| {
2 I1 I2 In 3 9
d11 d12 d1n I1 >
>
6 d21 d22 =
6 d2n 7
7 I2
D= 4 Proveedor
: : : : 5 : >
>
;
dn1 dn2 dnn In
Esta matriz se denomina matriz de entrada-salida de Leontief. Para comprender
cómo utilizar esta matriz, imagine que los elementos de D están dados en dólares.
Por ejemplo, si d12 = 0:41, entonces debe utilizarse 0:41 dólares del valor del pro-
ducto de la industria 1 para producir un valor de un dólar del producto de la industria
2; si d32 = 0:73, entonces esto signi…ca que debe utilizarse 0.73 dólares del producto
de la industria 3 para producir un valor de un dolar del producto de la industria
2; análogamente si d57 = 0:23, entonces debe utilizarse 0.23 dólares del valor del
producto de la industria 5, para producir un valor de un dólar del producto de la
industria 7. La cantidad total gastada por la j-ésima industria para producir un
valor de un dólar de salida está dada por la suma de los elementos de la j-ésima
columna. Por tanto para que funcione este modelo, los valores de dij deben ser tales
que 0 dij 1 y la suma de los elementos de cualquier columna debe ser menor
que 1.
Observe que el modelo de entrada y salida de Leontief hace resaltar el lado de
producción de la economía y toma en cuenta la interdependencia de las industrias.
Esta interdependencia se presenta debido a que cada industria usa las salidas de
otras industrias como materias primas. A la vez, sus salidas son usadas por otras
industrias como entradas. Por ejemplo, supóngase que se divide la economía en tres
sectores: agricultura, servicios y fabricación. La agricultura usa las salidas de los
116
servicios (como la transportación) y de la fabricación (como la maquinaria agrícola)
como entradas. A la vez, tanto la fabricación como los servicios usan la salida de la
agricultura como entradas.
El modelo de Leontief puede usarse para predecir los requerimientos futuros de
producción, para facilitar la plani…cación económica y dar una estructura signi…ca-
tiva a la cuanti…cación del ingreso nacional. En la actualidad, los gobiernos de
50 paises usan el modelo de Leontief; para proyectar la estructura futura de sus
economías y para identi…car las industrias que se desarrollarán o se reducirán.
117
Esto signi…ca que para satisfacer la demanda de su producto, la i-ésima industria
debe producir di1 x1 unidades para la primera industria, di2 x2 unidades para la
segunda industria, etc.
Por otra parte si las industrias en el sistema venden productos a grupos no pro-
ductivos como gobiernos u organizaciones caritativas, que no pertenecen al sistema,
entonces éste se denomina abierto y la salida total de la i-ésima industria está dada
por
X = DX + E
donde X se denomina matriz de salida y E se denomina matriz de la demanda
externa.
118
externa está dada por la siguiente matriz
2 3
20:000
E = 4 30:000 5
25:000
Solución. Con la matriz identidad I, se puede escribir la ecuación
X = DX + E
como
IX = DX + E
lo cual signi…ca que
(I D)X = E
Por medio de la matriz D determinada en el ejemplo 2.4.4 se obtiene
2 3 2 3 2 3
1 0 0 0:10 0:43 0:00 0:90 0:43 0:00
4
I D= 0 1 0 5 4 0:15 0:00 0:37 =5 4 0:15 1:00 0:37 5
0 0 1 0:23 0:03 0:02 0:23 0:03 0:98
Por último al aplicar la eliminación de Gauss-Jordan al sistema de ecuaciones lineales
representado por
(I D)X = E
se obtiene
2 3 2 3
0:90 0:43 0:00 : 20:000 1 0 0 : 46:616
4 0:15 1:00 0:37 : 30:000 5 $ $4 0 1 0 : 51:058 5
0:23 0:03 0:98 : 25:000 0 0 1 : 38:014
Por consiguiente, la matriz de salida es
2 3
46:616
X = 4 51:058 5
38:014
De este modo se concluye que las salidas totales para las tres industrias son:
Salida de la industria A, 46.616 unidades
Salida de la industria B, 51.058 unidades
Salida de la industria C, 38.014 unidades
Esto a su vez signi…ca que la industria.
A debe producir 46.616 unidades
B debe producir 51.058 unidades
C debe producir 38.014 unidades
Para satisfacer las demandas X
119
Ejemplo 2.4.6 Un sistema compuesto por dos industrias, de carbón y acero, tiene
las siguientes entradas.
Suponga que durante el año hay una demanda externa de 10.000 millones de dólares
de carbón y 20.000 millones de dólares de acero. ¿Cuánto debe producir cada indus-
tria para satisfacer las demandas.
10:000
E=
20:000
Para determinar la cantidad a producir por las industrias para satisfacer las deman-
das, debemos resolver el sistema
(I D)X = E
como
1 0 0:10 0:20 0:90 0:20
I D= =
0 1 0:80 0:10 0:80 0:90
entonces el sistema a resolver será
0:90 0:20 x1 10:000
=
0:80 0:90 x2 20:000
120
Por consiguiente, la matriz de salida es
20:000
X=
40:000
p(x) = a0 + a1 x + a2 x2 + + an 1x
n 1
de grado n 1 (o menos) cuya grá…ca pasa por todos los puntos dados. Dicho
polinomio se llama polinomio de interpolación y el procedimiento para determinarlo
se llama ajuste polinomial de curvas.
A veces suele ocurrir en problemas prácticos que dada una colección de datos
solo se requiere obtener un polinomio de menor grado cuya grá…ca no atraviesa
necesariamente por los puntos exactamente. En particular dada una colección de
datos
(x1 ; y1 ) ; (x2 ; y2 ) ; : : : ; (xn ; yn )
se desea obtener una función lineal (una recta)
y = a0 + a1 x
que se ajuste mejor a los datos. Este modelo se denomina recta de regresión por
mínimos cuadrados y el procedimiento para determinarlo se denomina método de
mínimos cuadrados.
121
Geométricamente, esto signi…ca que podríamos desear que la grá…ca de y = f (x)
en el plano pasara bastante cerca de nuestros puntos de datos. Dependiendo de la
naturaleza del experimento y de la con…guración de los puntos de datos localizados,
podemos decidir acerca de un tipo apropiado de función y = f (x) que permita
ajustar los datos. Dicha función puede ser una función lineal, una función cuadrática,
una función cúbica, una función exponencial, etc.
Particularmente consideremos el problema de hallar una función lineal
f (x) = a0 + a1 x
que ajuste “mejor” los datos (xi ; yi ) para i = 1; 2; : : : ; n donde n > 2. Geométri-
camente, esto equivale a encontrar una recta en el plano que esté más cerca, en
algún sentido, de pasar por los n puntos de datos. Observe que tenemos solo dos
incógnitas a0 y a1 . En teoría, bastarían dos mediciones para hallarlos. Sin embargo,
en la práctica esperamos tener algún error en las mediciones físicas. Es un proced-
imiento estándar hacer más mediciones de las que son teóricamente necesarias, con
la esperanza de que, en general, los errores se cancelen unos con otros de acuerdo
con las leyes de la teoría de la probabilidad.
Ahora bien la sustitución de cada punto de datos (xi ; yi ) de nuestro problema
en la ecuación
y = f (x) = a0 + a1 x
da una sola ecuación lineal con dos incógnitas a0 y a1 . Así, los n puntos de datos
del problema dan lugar a un sistema lineal de n ecuaciones con solo dos incógnitas
a saber.
a0 + a1 x1 = y1
a0 + a1 x2 = y2
: : : : :
a0 + a1 xn = yn
cuya forma matricial es
2 3 2 3
1 x1 y1
6 1 x2 7 a0 6 y2 7
6 7 =6 7
4 : : 5 a1 4 : 5
1 xn yn
Dicho sistema lineal con más ecuaciones que incógnitas se llama sobredeterminado,
y en general dicho sistema es inconsistente. Nuestra tarea será hallar valores para
las incógnitas a0 y a1 que estén lo más cerca posible, en algún sentido, de satisfacer
las n ecuaciones.
Entonces dado un sistema m n, Ax = b con m > n, en general no podemos
esperar encontrar un vector x 2 Rn para el cual Ax sea igual a b. En su lugar
122
podemos buscar un vector u para el cual Au este “lo más próximo a b”. Un tal
vector u 2 Rn que logra esto se dice que es una solución de mínimos cuadrados al
sistema sobredeterminado Ax = b.
Si u es una solución de mínimos cuadrados al sistema sobredeterminado Ax = b
y Au = , entonces es un vector en el espacio de columnas de A que está lo más
próximo a b.
Se puede demostrar que dicho vector más próximo no solo existe sino que es
único. Para resolver el problema de mínimos cuadrados Ax = b se debe resolver
At Ax = At b
Estas ecuaciones se llaman ecuaciones normales y representa un sistema de ecua-
ciones lineales n n. En general es posible que este sistema tenga solución única
o in…nitas soluciones, cualquiera sea el caso dicho sistema es consistente. De esta
forma el método de mínimos cuadrados logra transformar un sistema inconsistente
Ax = b en un sistema consistente
At Ax = At b Ecuaciones normales
El siguiente teorema caracteriza las condiciones en las que el problema de mínimos
cuadrados Ax = b tendrá solución única.
Teorema 2.4.1 Si A es una matriz de rango n, entonces las ecuaciones normales
1 t
At Ax = At b tiene una solución única u = At A A b.
En este caso u es la solución única de mínimos cuadrados al sistema sobredeter-
minado Ax = b.
El vector
1 t
= Au = A At A Ab
llamado vector de proyección es el elemento del espacio columnas de la matriz A que
está más próximo a b en el sentido de los mínimos cuadrados, la matriz
1
P = A At A At
se llama matriz de proyección, y la matriz
1
A+ = At A At
se llama inversa aproximada de A o pseudoinversa de A.
Ejemplo 2.4.7 Obténgase la solución de mínimos cuadrados al sistema.
x1 + x2 = 3
2x1 + 3x2 = 1
2x1 x2 = 2
123
Solución. Observe que en este ejemplo
2 3 3 2
1 1 3
x1
A=4 2 3 5; x = y b=4 1 5
x2
2 1 2
9 7 x1 5
=
7 11 x2 4
cuya solución es
83 71
x1 = y x2 =
50 50
X
Por otra parte, el vector,
1
= Au = A At A At b
2 3 2 3
1 1 1 3
4 5 9 7 1 2 2 4 5
= 2 3 1
7 11 1 3 1
2 1 2
2 3 2 3
1 1 3
11=50 7=50 1 2 2 4 5
= 4 2 3 5 1
7=50 9=50 1 3 1
2 1 2
2 3 2 3
18=50 16=50 3
1 2 2
= 4 1=50 13=50 5 4 1 5
1 3 1
15=50 5=50 2
2 32 3
34=50 12=50 20=50 3
= 4 12=50 41=50 15=50 5 4 1 5
20=50 15=50 25=50 2
2 3 2 3 2 3
154=50 3:08 3
= 4 47=50 5 = 4 0:94 5 = 4 1 5
95=50 1:90 2
124
Es el vector de proyección y es el elemento del espacio de columnas de la matriz A
que está más próximo a b. La matriz
2 3
34=50 12=50 20=50
1 t
P = A At A A = 4 12=50 41=50 15=50 5
20=50 15=50 25=50
A+ A = I y en general AA+ 6= I.
125
Ejemplo 2.4.8 Un campesino utilizó cuatro parcelas experimentales para determi-
nar la relación entre la producción de trigo en bushels por acre y la cantidad de
fertilizantes en cientos de libras por acre los resultados se muestran en la tabla si-
guiente:
Fertilizante (x) 1.0 1.5 2.0 2.5
Producción (y) 32 41 48 53
a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
b) Calcule la producción para una aplicación de fertilizante de 160 libras por acre.
Solución. (a) deseamos encontrar una función lineal de la forma
y = a0 + a1 x (1)
Llamada recta de regresión por mínimos cuadrados que se ajusta mejor a los datos
dados. Al reemplazar los datos de la tabla en (1) obtenemos el siguiente sistema
sobredeterminado.
a0 + a1 (1) = 32 a0 + a1 = 32
a0 + a1 (1:5) = 41 a0 + 1:5a1 = 41
0 equivalentemente
a0 + a1 (2) = 48 a0 + 2a1 = 48
a0 + a1 (2:5) = 53 a0 + 2:5a1 = 53
cuya representación matricial es
2 3 2 3
1 1 32
6 1 1:5 7 a0 6 41 7
6 7 =6 7
4 1 2 5 a1 4 48 5
1 2:5 53
Luego las ecuaciones normales son
2 3 2 3
1 1 32
1 1 1 1 6 7 6 41 7
6 1 1:5 7 a0
=
1 1 1 1 6 7
1 1:5 2 2:5 4 1 2 5 a1 1 1:5 2 2:5 4 48 5
1 2:5 53
que se simpli…can en
4 7 a0 174
=
7 13:5 a1 322
Resolviendo este sistema se obtiene a0 = 19 y a1 = 14, luego la recta de regresión
deseada es
y = 19 + 14x
(b) y (1:6) = 19 + 14 (1:6) = 41:4 bushels por acre. X
126
Ejemplo 2.4.9 Supóngase que se posee una provisión de 5000 unidades de S, 4000
unidades de T y 2000 unidades de U , que son materiales utilizados en la fabricación
de dos productos P y Q, se pregunta: Si cada unidad de P necesita 2 unidades de
S, 0 unidades de T , 0 unidades de U y cada unidad de Q usa 3 unidades de S, 4
unidades de T y 1 unidad de U , ¿cuántas unidades p y q de P y Q se deben elaborar
o producir si se quiere consumir toda la provisión?
Solución. Sean
p = unidades a producir para consumir toda la provisión y
q = unidades a producir para consumir toda la provisión
Entonces de acuerdo a las condiciones del problema se tiene el siguiente sistema
sobredeterminado
2p + 3q = 5000
4q = 4000
q = 2000
cuya forma matricial es
2 3 2 3
2 3 5000
4 0 4 5 p
= 4 4000 5
q
0 1 2000
Luego las ecuaciones normales de este sistema son
2 3 2 3
2 3 5000
2 0 0 4 p 2 0 0
0 4 5 = 4 4000 5
3 4 1 q 3 4 1
0 1 2000
que se simpli…ca en el siguiente sistema 2 2
4 6 p 10000
=
6 26 q 33000
resolviendo este sistema se tiene p = 31000 36000
34 y q = 34 . Esto dice que p = 911:76 y
q = 1058:82 son las unidades necesarias a producir para consumir toda la producción.
Si deseamos determinar cuantas unidades de S, T y U se han utilizado se usa el
1 t
vector de proyección que es = A At A A b o simplemente
2 3" # 2 3
2 3 31000 5000
34
= Au = 4 0 4 5 36000 = 4 4235:29 5
0 1 34 1058:82
Esto dice que se utilizan exactamente las 5000 unidades de S deseadas, 4235.29
unidades de T (se requieren 235.29 unidades de T ) y 1058.82 unidades de U (quedan
941.18 unidades de U ). X
127
Aproximación cuadrática
En esta sección se pretende ajustar los n puntos datos mediante una curva cuadrática.
Recuérdese que una cuadrática en x es cualquier expresión de la forma
y = a + bx + cx2
y1 = a + bx1 + cx21
y2 = a + bx2 + cx22
: : : : : : :
yn = a + bxn + cx2n
128
Estas se simpli…can y quedan como
2 32 3 2 3
4 6 14 a 13
4 6 14 36 5 4 b 5 = 4 22 5
14 36 98 c 54
Ejemplo 2.4.11 (a) Encontrar la recta de mejor ajuste a los puntos de datos
(b) También encontrar el mejor ajuste cuadrático a los puntos de datos anteriores.
Entonces
4 6 1 1 30 6
At A = ; At A =
6 30 84 6 4
y
2 3
4
1 1 30 6 1 1 1 1 6 5 7
u = At A At b = 6 7
84 6 4 1 2 3 4 4 1 5
1
1 30 6 9 1 300 3:57
= = =
84 6 4 5 84 74 0:88
129
(b) Aquí,
2 3 2 3
1 1 1 2 3 4 2 3
6 1 a 1 1 1 1
2 4 7 6 5 7
A=6 4 1
7; x = 4 b 5; b = 6 7 t 4
y A = 1 2 3 4 5
3 9 5 4 1 5
c 1 4 9 16
1 4 16 1
Entonces
2 3 2 3
4 6 30 3564 396 396
1 1 4
At A = 4 6 30 84 5 ; At A = 396 516 156 5
4752
30 84 354 396 156 84
y
3 2
2 32 34
3564 396 396 1 1 1 1 6
1 1 4 5 7
u = At A At b = 396 516 156 5 4 1 2 3 4 564 1 5
7
4752
396 156 84 1 4 9 16
1
2 32 3 2 3 2 3
3564 396 396 9 17 820 3:75
1 4 5 4 5 1 4 5 = 4 0:81 5
= 396 516 156 5 = 3852
4752 4752
396 156 84 31 180 0:04
En consecuencia, el mejor ajuste cuadrático a los datos está dado por la parábola
X
La recta, la parábola de mejor ajuste y los puntos de datos se muestran en la
siguiente …gura.
(−2, 5) •
y (−2, 5) •
y
• (1, 4 ) • (1, 4 )
(4, 1) (4, 1)
• •
x x
(3, − 1) • (3, − 1) •
130
El método de mínimos cuadrados o ajuste de curvas se puede usar también para
medir constantes físicas, como vemos en el siguiente ejemplo.
Ejemplo 2.4.12 Supóngase, por ejemplo que se deja caer un objeto desde una altura
de 200 metros. Se toman las siguientes mediciones.
Tiempo transcurrido Altura (en metros)
0 200
1 195
2 180
4 120
6 25
Si se deja caer un objeto de una altura de 200 m. partiendo del reposo, entonces su
altura despúes de t segundos está dada por s = 200 12 gt2 .
Para estimar el valor de g, podemos ajustar los cinco puntos dados a una función
cuadrática s = a + bt + ct2 . Los coe…cientes del término en t2 será, si las mediciones
son exactas, una aproximación razonable al número 12 g.
Procediendo como en los ejemplos anteriores se tiene.
2 3 2 3
1 0 0 2 3 200 2 3
6 1 1 1 7 a 6 195 7 1 1 1 1 1
6 7 6 7
A=6 7
6 1 2 4 7; x =
4 b 5 ; b = 6 180 7 y At = 4 0 1 2 4 6 5
6 7
4 1 4 16 5 c 4 120 5 0 1 4 16 36
1 6 36 25
entonces
2 3 2 3
5 13 57 5912 3924 508
1 1 4
At A = 4 13 57 289 5 ; At A = 3924 4596 704 5
7504
57 289 1569 508 704 116
y
2 3
2 32 3 200
5912 3924 508 1 1 1 1 1 6 6 195 7
7
1 4
u = 3924 4596 704 5 4 0 1 2 4 6 566 180 7
7
7504
508 704 116 0 1 4 16 36 4 120 5
25
2 32 3
5912 3924508 720
1 4
= 3924 4596704 5 4 1185 5
7504
508 704116 3735
2 3 2 3
1504080 200:44
1 4 5 4
= 8460 = 1:127 5
7504
35220 4:693
131
De este modo los puntos de datos se ajustan mejor a la cuadrática.
De aquí se ve que 12 g = 4:69, esto es g = 2 (4:69) = 9:38 m=s2 . Este valor está
razonablemente cerca del valor correcto, 9:81 m=s2 . Para obtener una aproximación
más exacta de g sería necesaria partir de observaciones más exactas.
f (x) = a0 + a1 x + a2 x2 + + an xn
Ejemplo 2.4.13 Una población de conejos de una gran isla se estima todos los
años, desde 1981 hasta 1984, y se obtuvieron los datos siguientes
xi = año observado 1 2 3 4
yi = no de conejos en unidad de 1000 3 4.5 8 17
y = f (x) = aebx
ln (y) = ln (a) + bx
132
Reemplazando los datos dados en la tabla, en la ecuación logarítmica obtenemos el
siguiente sistema sobredeterminado.
que es equivalente a
ln (a) + b = 1:1
ln (a) + 2b = 1:5
ln (a) + 3b = 2:08
ln (a) + 4b = 2:83
Cuya forma matricial es
2 3 2 3
1 1 1:1
6 1 2 7 ln (a) 6 1:5 7
6 7 =6 7
4 1 3 5 b 4 2:08 5
1 4 2:83
aquí,
2 3 2 3
1 1 1:1
6 1 2 7 ln (a) 6 1:5 7 1 1 1 1
A=6
4 1
7; x = ; b=6 7 y At =
3 5 b 4 2:08 5 1 2 3 4
1 4 2:83
4 10 ln (a) 7:51
=
10 30 b 21:66
133
2.4.4 Flexión de una viga elástica
Consideremos una viga elástica horizontal que tiene soportes en cada extremo y que
está sometida a fuerzas f1 ; f2 y f3 en los puntos 1, 2 y 3 como vemos en la siguiente
…gura.
• 1 • 2 • 3
y1 } y2} y3 }
f1 f2 f3
Sea
F = (f1 ; f2 ; f3 )
llamado vector de fuerzas que enumera las fuerzas en los puntos 1, 2, 3 y sea
Y = (y1 ; y2 ; y3 ) 2 R3
llamado vector de ‡exiones tal que enumera las magnitudes de la ‡exión de la viga
en los tres puntos. Usando la ley de Hooke de la física se demuestra que
Y = DF
Y = DF
134
Solución. Sea
F = (f1 ; f2 ; f3 ) = (1; 0; 0)
El vector de fuerzas que corresponde a una fuerza de 1 unidad hacia abajo en el
punto 1 y 0 en los puntos 2 y 3. Luego el vector de ‡exiones correspondiente es
2 32 3 2 3 2 3
d11 d12 d13 1 d11 y1
Y = DF = 4 d21 d22 d23 5 4 0 5 = 4 d21 5 = 4 y2 5
d31 d32 d33 0 d31 y3
Esto, muestra que la primera columna de la matriz de ‡exibilidad D enumera o
determina las ‡exiones debidas a una fuerza de 1 unidad en el punto 1 y 0 en los
otros puntos.
Similarmente se puede ver que la segunda columna de la matriz D enumera las
‡exiones que sufre la viga elástica debida a una fuerza de 1 unidad en el punto 2 y
0 en los otros puntos; análogamente la tercera columna de D enumera las ‡exiones
que sufre la viga elástica al ser sometida una fuerza de 1 unidad en el punto 3 y 0
en los otros puntos.
Para estudiar la matriz de rigidez consideremos
2 3
w11 w12 w13
R = D 1 = 4 w21 w22 w23 5
w31 w32 w33
y el vector de ‡exiones 2 3 2 3
y1 1
Y = 4 y2 5 = 4 0 5
y3 0
que corresponde a una ‡exión de una unidad en el punto 1 y ‡exión 0 en los puntos
2 y 3.
Como Y = DF entonces F = D 1 Y , esto es,
2 3 2 32 3 2 3
f1 w11 w12 w13 1 w11
4 f2 5 = 4 w21 w22 w23 5 4 0 5 = 4 w21 5
f3 w31 w32 w33 0 w31
Esto dice que la primera columna de la matriz de rigidez D 1 da las fuerzas que
deben aplicarse en los tres puntos para producir una ‡exión de 1 unidad en el punto
1 y 0 de ‡exión en los otros puntos.
Así, mismo la segunda y tercera columnas de la matriz D 1 enumeran las fuerzas
requeridas para producir ‡exiones de 1 unidad en los puntos 2 y 3 respectivamente.
En cada caso uno o dos de las fuerzas deben ser negativas (apuntan hacia arriba)
para producir una ‡exión de 1 unidad en el punto deseado y 0 de ‡exión en los otros
puntos. X
135
Nota 2.4.1 Si la ‡exibilidad se mide por ejemplo en centímetros de ‡exión por kilos
de carga, entonces las entradas (componentes) de la matriz de rigidez D 1 están en
kilos de carga por centímetro de ‡exión.
c) Encuentre las fuerzas que se necesitan para producir una ‡exión de 0.08 pul-
gadas en el punto 1 con ‡exión 0 en los otros puntos.
Solución. (a) Como Y = DF determina las ‡exiones de la viga en los tres puntos,
entonces haciendo F = (f1 ; f2 ; f3 ) = (20; 40; 10) se tiene
2 32 3 2 3
0:005 0:002 0:001 20 0:19
Y = 4 0:002 0:004 0:002 5 4 40 5 = 4 0:22 5
0:001 0:002 0:005 10 0:15
136
(c) Para determinar las fuerzas que se necesitan para producir una ‡exión de
0.08 pulgadas en el punto 1 y ‡exión 0 en los otros puntos se realiza el producto
matricial D 1 Y = F . Es decir,
2 32 3 2 3
250 125 0 0:08 20
4 125 375 125 5 4 0 5 = 4 10 5
0 125 250 0 0
Esto dice que para producir una ‡exión de 0.08 pulgadas en el punto 1 y ‡exión 0
en los otros puntos se debe aplicar a la viga elástica las siguientes fuerzas.
En el punto 1 f1 = 20 libras de carga.
En el punto 2 f2 = 10 libras de carga y
En el punto 3 f3 = 0 libras de carga. X
2.4.5 Criptografía.
La Criptografía es la técnica de codi…cación y decodi…cación de mensajes que data
de los antiguos griegos.
Un criptograma es un mensaje escrito según un código secreto (La palabra griega
“kriptos” signi…ca “oculto”). En esta sección se describe un método que usa la
multiplicación de matrices para codi…car o cifrar mensajes y la inversa de una matriz
para decodi…car o descifrar mensajes.
Se empieza por asignar números a cada letra del alfabeto ingles o español con 0
asignado a un espacio en blanco, como se muestra a continuación.
0 $ 7 $ G 14 $ N 21 $ U
1 $ A 8 $ H 15 $ O 22 $ V
2 $ B 9 $ I 16 $ P 23 $ W
3 $ C 10 $ J 17 $ Q 24 $ X
4 $ D 11 $ K 18 $ R 25 $ Y
5 $ E 12 $ L 19 $ S 26 $ Z
6 $ F 13 $ M 20 $ T
12 1 19 0 13 1 20 5 13 1 20 9 3 1 19 0 19 15 14 0 6 1 3 9 12 5 19
137
Luego se elige una matriz invertible A de orden n, digamos
2 3 2 3
1 2 2 13 6 4
A=4 3 7 9 5 cuya inversa es A 1=4 12 5 3 5
1 4 7 5 2 1
La matriz invertible A se llama matriz de codi…cación o matriz de ciframiento,
mientras que la inversa A 1 se denomina matriz de decodi…cación o matriz de des-
ciframiento.
Seguidamente se divide el mensaje (que ya está en números) en matrices
x1 ; x2 ; : : : ; xn
x4 = 1 20 9 ; x5 = 3 1 19 ; x6 = 0 19 15 ;
x7 = 14 0 6 ; x8 = 1 3 9 ; x9 = 12 5 19 :
Una vez realizado esto se multiplica cada matriz …la no cifrada xi por la matriz
codi…cadora A, para obtener matrices yi también 1 n, en nuestro caso obtenemos
matrices 1 3
y1 ; y2 ; y3 ; y4 ; y5 ; y6 ; y7 ; y8 y y9
Llamadas matrices …la cifradas, es decir xi A = yi , en nuestro caso tenemos.
Matriz …la Matriz Matriz …la
sin cifra codi…cadora con cifra
2 3
1 2 2
12 1 19 4 3 7 9 5= 4 45 100
1 4 7
2 3
1 2 2
0 13 1 4 3 7 9 5= 38 87 110
1 4 7
2 3
1 2 2
1 20 9 4 3 7 9 5= 52 106 119
1 4 7
138
2 3
1 2 2
3 1 19 4 3 7 9 5= 13 63 118
1 4 7
2 3
1 2 2
0 19 15 4 3 7 9 5= 42 73 66
1 4 7
2 3
1 2 2
14 0 6 4 3 7 9 5= 8 4 14
1 4 7
2 3
1 2 2
1 3 9 4 3 7 9 5= 1 13 34
1 4 7
2 3
1 2 2
12 5 19 4 3 7 9 5= 8 17 64
1 4 7
-4, -45, -100, 38, 87, 110, 22, 23, -6, 52, 106, 119, -13, -63, -118, 42, 73, 66, 8, 4, -14,
1, -13, -34, 8, -17, -64.
139
2 3
13 6 4
38 87 110 4 12 5 3 5= 0 13 1
5 2 1
2 3
13 6 4
22 23 6 4 12 5 3 5= 20 5 13
5 2 1
2 3
13 6 4
52 106 119 4 12 5 3 5= 1 20 9
5 2 1
2 3
13 6 4
13 63 118 4 12 5 3 5= 3 1 19
5 2 1
2 3
13 6 4
42 73 66 4 12 5 3 5= 0 19 15
5 2 1
2 3
13 6 4
8 4 14 4 12 5 3 5_ 14 0 6
5 2 1
2 3
13 6 4
1 13 34 4 12 5 3 5= 1 3 9
5 2 1
2 3
13 6 4
8 17 64 4 12 5 3 5= 12 5 19
5 2 1
De este modo. La serie de matrices …la descifradas es
12 1 19 ; 0 13 1 ; 20 5 13 ; 1 20 9 ; 3 1 19 ;
0 19 15 ; 14 0 6 ; 1 3 9 ; 12 5 19 :
Al utilizar la correspondencia entre letras y números vemos que el mensaje descifrado
es:
LAS MATEMATICAS SON FACILES
La criptografía, es una ciencia practicada por los gobiernos en guerra o por los
empresarios, en situaciones donde el secreto es crucial. Si una empresa es muy
estricta para guardar secretos, tal vez sea necesario perfeccionar los procedimientos
de código; por ejemplo, el mensaje anterior LAS MATEMATICAS SON FÁCILES
puede descomponerse en cinco matrices 1 5. Entonces la matriz de código tendría
que ser 5 5 y que tenga inversa.
140
Ejemplo 2.4.16 El siguiente criptograma
56 66 1 6 ; 23 1 9 21 ; 21 17 7 26 ; 23 4 8 20
luego cada una de las matrices …la cifradas se multiplica por la matriz de descifra-
miento A 1 para obtener las matrices …la descifradas, como se muestra a continua-
ción.
Matriz …la Matriz de Matriz …la
cifrada descifrado descifrada
2 3
1 1 8 4
6 1 1 6 3 7
56 66 1 6 6 7= 20 16 15 5
4 2 0 11 5 5
2 1 13 6
2 3
1 1 8 4
6 1 1 6 3 7
23 1 9 21 6 7= 0 3 16 14
4 2 0 11 5 5
2 1 13 6
141
2 3
1 1 8 4
6 1 1 6 3 7
21 17 7 26 6 7= 0 12 9 14
4 2 0 11 5 5
2 1 13 6
2 3
1 1 8 4
6 1 1 6 3 7
23 4 8 20 6 7= 5 1 12 0
4 2 0 11 5 5
2 1 13 6
Por tanto la serie de matrices …la descifradas es
20 16 15 5 ; 0 3 16 14 ; 0 12 9 14 ; 5 1 12 0
Ejemplo 2.4.17 El siguiente criptograma fue cifrado con una matriz 3 3; usando
el alfabeto ingles
Solución. Puesto que el criptograma fue cifrado o codi…cado con una matriz 3 3,
entonces primeramente formemos las matrices …la cifradas de orden 1 3 correspon-
diente al criptograma dado
7 21 35 ; 2 5 9 ; 17 21 53 ; 6 15 26 ;
24 43 18 ; 12 26 16 ; 8 13 2 ; 2 7 4 :
Como las últimas letras del mensaje son NTRE-CERO que corresponde a las si-
guientes matrices …las descifradas.
14 20 18 ; 5 0 3 ; 5 18 15 :
Entonces sea, 2 3
a11 a12 a13
A 1
= 4 a21 a22 a23 5
a31 a32 a33
142
la matriz de desciframiento, luego debe ocurrir
Matriz …la Matriz de Matriz …la
cifrada descifrado descifrado
2 3
a11 a12 a13
12 26 16 4 a21 a22 a23 5 = 14 20 18
a31 a32 a33
2 3
a11 a12 a13
8 13 2 4 a21 a22 a23 5 = 5 0 3
a31 a32 a33
2 3
a11 a12 a13
2 7 4 4 a21 a22 a23 5 = 5 18 15
a31 a32 a33
Estos productos originan los siguientes sistemas lineales
12a11 26a21 +16a31 = 14 8a11 13a21 2a31 = 5
12a12 26a22 +16a32 = 20 ; 8a12 13a22 2a32 = 0 y
12a13 26a23 +16a33 = 18 8a13 13a23 2a33 = 3
2a11 7a21 +4a31 = 5
2a12 7a22 +4a32 = 18
2a13 7a23 +4a33 = 15
Al reescribir, estos sistemas obtenemos los siguientes sistemas
12a11 26a21 +16a31 = 14 12a12 26a22 +16a32 = 20
8a11 13a21 2a31 = 5 ; 8a12 13a22 2a32 = 0 y
2a11 7a21 +4a31 = 5 2a12 7a22 +4a32 = 18
12a13 26a23 +16a33 = 18
8a13 13a23 2a33 = 3
2a13 7a23 +4a33 = 15
Observe que estos tres sistemas tienen la misma matriz de coe…cientes, entonces
para evaluar estos sistemas en forma rápida se puede usar el método de la inversa,
para obtener
a11 = 1 a12 = 10 a13 = 8
a21 = 1 a22 = 6 y a23 = 5
a31 = 0 a32 = 1 a33 = 1
De este modo la matriz de desciframiento es
2 3
1 10 8
A =1 4 1 6 5 5
0 1 1
143
Finalmente para descifrar el mensaje multiplicamos las matrices …la cifradas por
A 1 para obtener las matrices …las descifradas.
Matriz …la Matriz de Matriz …la
cifrada descifrado descifrado
2 3
1 10 8
7 21 35 4 1 6 5 5= 14 21 14
0 1 1
2 3
1 10 8
2 5 9 4 1 6 5 5= 3 1 0
0 1 1
2 3
1 10 8
17 21 53 4 1 6 5 5= 4 9 22
0 1 1
2 3
1 10 8
6 15 26 4 1 6 5 5= 9 4 1
0 1 1
2 3
1 10 8
24 43 18 4 1 6 5 5= 19 0 5
0 1 1
2 3
1 10 8
12 26 16 4 1 6 5 5= 14 20 18
0 1 1
2 3
1 10 8
8 13 2 4 1 6 5 5= 5 0 3
0 1 1
2 3
1 10 8
2 7 4 4 1 6 5 5= 5 18 15
0 1 1
Por tanto la serie de matrices …las descifradas es
14 21 14 ; 3 1 0 ; 4 9 22 ; 9 4 1 ;
19 0 5 ; 14 20 18 ; 5 0 3 ; 5 18 15 :
Al utilizar la correspondencia entre las letras del alfabeto ingles y números se ve que
el mensaje es, NUNCA DIVIDAS ENTRE CERO. X
Ejemplo 2.4.18 Supongamos que Carlos S. y Sandra J. son dos agentes secretos
que quieren comunicarse entre si utilizando un código, pues sospechan que sus lla-
144
madas telefónicas y sus correos han sido intervenidos. En particular, Carlos desea
enviar a Sandra el mensaje, EL DOMINGO ES EL EXAMEN. Al utilizar el sistema
de sustitución anterior y usando el alfabeto ingles Carlos envía el mensaje:
5, 12, 0, 4, 15, 13, 9, 14, 7, 15, 0, 5, 19, 0, 5, 12, 0, 5, 24, 1, 13, 5, 14
Un código de este tipo podría descifrarse con poca di…cultad mediante varias técnicas
incluyendo el análisis de frecuencias de las letras. Para di…cultar esto, los agentes
proceden como sigue. En primer lugar, cuando aceptaron la misión, ellos acordaron
el uso de la siguiente matriz 3 3 no singular (invertible).
2 3
1 2 3
A=4 2 5 3 5
1 0 8
Llamada matriz de codi…cación, cuya inversa es
2 3
40 16 9
A 1 = 4 13 5 3 5
5 2 1
Llamada matriz de decodi…cación.
Luego Carlos separa el mensaje en ocho matrices columna 3 1 obteniendo así,
las siguientes matrices columna
2 3 2 3 2 3 2 3
5 4 9 15
u1 = 4 12 5 ; u2 = 4 15 5 ; u3 = 4 14 5 ; u4 = 4 0 5;
0 13 7 5
2 3 2 3 2 3 2 3
19 12 24 5
u5 = 4 0 5 ; u6 = 4 0 5 ; u7 = 4 1 5 ; u 8 = 4 14 5 :
5 5 13 0
Llamadas matrices columna no cifradas. Observe que para completar la última ma-
triz columna se utiliza un espacio en blanco. Una vez realizado esto, Carlos mul-
tiplica la matriz codi…cadora A, por cada matriz columna no cifrada para obtener
matrices v1 ; v2 ; v3 ; v4 ; v5 ; v6 ; v7 y v8 . Llamados matrices columnas cifradas. Esto
es,
Matriz Matriz columna Matriz columna
codi…cadora sin cifra con cifra
2 3 2 3 2 3
1 2 3 5 29
4 2 5 3 5 4 12 5 = 4 70 5
1 0 8 0 5
2 3 2 3 2 3
1 2 3 4 73
4 2 5 3 5 4 15 5 = 4 122 5
1 0 8 13 108
145
2 3 2 3 2 3
1 2 3 9 58
4 2 5 3 5 4 14 5 = 4 109 5
1 0 8 7 65
2 3 2 3 2 3
1 2 3 15 30
4 2 5 3 5 4 0 5= 4 45 5
1 0 8 5 55
2 3 2 3 2 3
1 2 3 19 34
4 2 5 3 5 4 0 5= 4 53 5
1 0 8 5 59
2 3 2 3 2 3
1 2 3 12 27
4 2 5 3 5 4 0 5= 4 39 5
1 0 8 5 52
2 3 2 3 2 3
1 2 3 24 65
4 2 5 3 5 4 1 5= 4 92 5
1 0 8 13 128
2 3 2 3 2 3
1 2 3 5 33
4 2 5 3 5 4 14 5 = 4 80 5
1 0 8 0 5
Así, Carlos transmite el mensaje:
29, 70, 5, 73, 122, 108, 58, 109, 65, 30, 45, 55, 34, 53, 59, 27, 39, 52, 65, 92,
128, 33, 80, 5.
Para quien desconoce la matriz A, es difícil decodi…car el mensaje obtenido.
Sin embargo, para un receptor autorizado como Sandra que conoce la matriz A, la
decodi…cación es simple. Para decodi…car Sandra separa el mensaje en ocho matrices
columna como sigue:
2 3 2 3 2 3 2 3
29 73 58 30
v1 = 4 70 5 ; v2 = 4 122 5 ; v3 = 4 109 5 ; v4 = 4 45 5 ;
5 108 65 55
2 3 2 3 2 3 2 3
34 27 65 33
v5 = 4 53 5 ; v6 = 4 39 5 ; v7 = 4 92 5 ; v8 = 4 80 5 :
59 52 128 5
146
Es decir,
147
5, 12, 0, 4, 15, 13, 9, 14, 7, 15, 0, 5, 19, 0, 5, 12, 0, 5, 24, 1, 13, 5, 14.
Al utilizar la correspondencia entre letras del alfabeto ingles y números, vemos que
Sandra ha recibido el mensaje EL DOMINGO ES EL EXAMEN.
148
Ejercicio 2.5.5 De ser posible, calcular la combinación lineal que se indica en cada
caso:
(a) C + E y E + C
(b) D F
(c) 2C 3E
(d) A + B
(e) 3C + 5O
(f ) 2B + F
Ejercicio 2.5.6 De ser posible, calcular la combinación lineal que se indica en cada
caso:
(a) 3D + 2F
(b) 3 (2A) y 6A
(c) 3A + 2A y 5A
(d) 3 (D + F ) y 3D + 3F
(e) (2 + 3) D y 2D + 3D
(f ) 3 (B + D)
149
En los ejercicios 10 y 11, calcule AB
1
Ejercicio 2.5.10 (a) A = 1 2 ; B=
1
1
(b) A = 3 2 ; B=
2
2 3
1
(c) A = 4 2 1 ; B=4 3 5
6
2 3
7
(d) A = 2 3 1 ; B=4 0 5
2
3
Ejercicio 2.5.11 (a) A = 2 1 ; B=
2
1
(b) A = 1 1 ; B=
1
2 3
2
(c) A = 1 2 3 ; B=4 0 5
1
2 3
1
(d) A = 1 0 0 ; B=4 0 5
0
Ejercicio 2.5.12 Sean
2 3
3
A= 3 2 x y B=4 2 5
x
Si AB = 17, determine x.
Ejercicio 2.5.13 Si
sen
W =
cos
Calcular W W t y W t W .
150
Ejercicio 2.5.15 Sean
2
3
y
1 2 x 6
A= y B=4 x 5 si AB =
3 1 2 8
1
determine x y y.
151
En los ejercicios del 21 al 23. Si f (x) = a0 + a1 x + a2 x2 + + an xn , se de…ne
f (A) como la matriz f (A) = a0 I + a1 A + a2 A + 2 n
+ an A , hállese el valor del
polinomio f (A) de la matriz A.
2 1
Ejercicio 2.5.21 f (x) = 3x2 4, A=
0 3
1 2
Ejercicio 2.5.22 f (x) = x2 3x + 1, A=
1 3
2 3
1 2 3
Ejercicio 2.5.23 f (x) = 3x2 2x + 5, 4
A= 2 4 1 5
3 5 2
1 3 x
Ejercicio 2.5.24 Dada A = , hallar un vector columna u = dis-
4 3 y
tinto de cero tal que Au = 3u
1 3 x
Ejercicio 2.5.25 Dada B = , hallar un vector columna u = distinto
5 3 y
de cero tal que Bu = 6u
Ejercicio 2.5.26
1 3
A=
4 3
Ejercicio 2.5.27
7 33
A=
5 2
Ejercicio 2.5.28 2 3
3 1 0
A=4 0 3 1 5
0 0 3
En los ejercicios del 29 al 40, resuelva la ecuación matricial dada para X. Simpli-
…que sus respuestas tanto como sea posible. (En palabras de Albert Einstein, "Todo
debería ser hecho tan simple como fuera posible, pero no más simple".) Suponga
que todas las matrices sean invertibles.
152
Ejercicio 2.5.29 XA2 = A 1
1X 1 2A 1
Ejercicio 2.5.30 A =A B
1 3 3 0
Ejercicio 2.5.33 X=
4 3 7 2
3 2 1 2
Ejercicio 2.5.34 X =
2 1 1 1
2 1 1 1 1 1
Ejercicio 2.5.35 X X =
1 2 1 1 1 1
1 2 2 1 1 1
Ejercicio 2.5.36 X X =
2 3 1 1 1 0
2 3
1 2 3
6 9 8
Ejercicio 2.5.37 X4 2 3 4 5=
0 1 6
3 4 1
2 3 2 3
1 1 1 1 1 4 3
6 1 0 1 1 7 6 0 3 2 7
6 7 6 7
Ejercicio 2.5.38 4 0 0 1 0 5X = 4 0 1 0 5
0 0 1 1 0 2 1
2 3 2 3
1 2 3 1 3 0
Ejercicio 2.5.39 4 3 2 4 5 X = 4 10 2 7 5
2 1 0 10 7 8
2 3 2 3
5 3 1 8 3 0
Ejercicio 2.5.40 X4 1 3 2 5=4 5 9 0 5
5 2 1 2 15 0
153
Ejercicio 2.5.42 Si AB = 0, entonces no necesariamente es cierto que A = 0 o
B = 0. Compruebe lo anterior con las matrices
3 3 1 1
(a) A = y B=
4 4 1 1
2 3 2 3
2 3 5 2 5 7
(b) A = 4 4 6 10 5 y B=4 1 3 4 5
6 9 15 1=5 19=5 2=5
Ejercicio 2.5.43 Encuentre dos matrices 2 2, diferentes de la matriz nula cuyo
producto sea la matriz nula.
Ejercicio 2.5.44 Encuentre dos matrices 3 3, diferentes de la matriz nula cuyo
producto sea la matriz nula.
Ejercicio 2.5.45 La empresa Salud y Deporte tiene dos tiendas, Salud y Deporte I
(SDI) y Salud y Deporte II (SDII). En el mes de mayo, SDI vendió 21 bicicletas,
15 máquinas de remar y 34 bandas de caminar; las ventas correspondientes de SDII
fueron 19, 24 y 28. En junio, la tienda I vendió 28 bicicletas, 18 máquinas de
remar y 27 bandas de caminar, y las ventas de la tienda II fueron 25, 17 y 28,
respectivamente.
(a) Formule la matriz de ventas, M2 3 , donde se vean las ventas de los tres artícu-
los en cada venta. Haga lo mismo para el mes de junio y llame J a la matriz.
Determine M + J e interprete los resultados. También determine M J y
explique lo que sucede cuando M J tiene un elemento positivo, un elemento
cero o un elemento negativo.
(b) Las ventas combinadas de mayo, junio y julio están expresadas por la siguiente
matriz de ventas:
bic rem ban
67 45 70 Tienda I
S=
59 62 63 Tienda II
Con operaciones matriciales determine la matriz que muestre las ventas de
cada artículo en cada tienda durante julio.
Ejercicio 2.5.46 Un estudiante debe comprar la fruta necesaria para un día de
campo del club: 6 libras de manzanas, 10 de uvas, 8 de melocotones y 12 de ciruelas.
Hay dos tiendas donde puede comprar toda esa fruta. La MaxiTienda cobra 0.99Bs.
por libra de manzanas, 1.49Bs por libra de uvas, 1.69Bs por libra de melocotones
y 1.29 por libra de ciruelas. En la SuperTienda, los precios correspondientes son
1.09Bs, 1.59Bs, 1.35Bs y 1.19Bs.
154
(a) Formule la matriz A1 4 , que muestre la cantidad de libras de cada fruta nece-
sarias y la matriz de costo C4 2 , que muestre el precio por libra en cada tienda.
Ejercicio 2.5.47 Cierta empresa cuenta con cuatro fábricas. Cada una produce
dos productos. El número de unidades del producto i producido por la fábrica j en
un día se representa por aij en la matriz
100 90 70 30
A=
40 20 60 60
Con la multiplicación por un escalar (multiplique por 1.10) determine los niveles de
producción que habría si ésta se incrementase en 10%.
Ejercicio 2.5.48 Un fruticultor levanta dos cosechas, las cuales se embarcan a tres
mercados. El número de unidades del producto i que se embarca al mercado j se
representa por aij en la matriz
100 75 75
A=
125 150 100
B= 3:75 Bs 7:00 Bs
Ejercicio 2.5.49 Una compañía elabora, mesas y sillas en dos sitios. La matriz C
proporciona el costo total de manufactura de cada producto en cada lugar
Sitio 1 Sitio 2
Mesa 627 681
C=
Silla 135 150
a) Dado que la mano de obra corresponde a casi 2/3 del costo total. Determine
la matriz L que proporciona los costos por mano de obra para cada producto en cada
sitio. ¿Qué operación matricial utilizó?.
b) Encuentre la matriz M que da los costos de material para cada producto en
cada sitio (suponga que solamente hay costos de mano de obra y de material).
155
Ejercicio 2.5.50 La matriz
Para
2 R Para D Para3 I
De R 0:75 0:15 0:10
P = De D 4 0:20 0:60 0:20 5
De I 0:30 0:40 0:30
representa la proporción de una población de electores que cambia del partido i al
partido j en una elección dada. Es decir, pij (i 6= j) representa la proporción de
la población de electores que cambia del partido i al partido j y pii representa la
proporción que permanece leal al partido i de una elección a otra. Encuentre el
producto de P con si misma. ¿Qué representa este producto?
En los ejercicios del 51 al 56, hallar la inversa de la matriz dada (en caso de
existir)
Ejercicio 2.5.51 2 3
1 2 3
A=4 2 1 0 5
4 2 5
Ejercicio 2.5.52 2 3
15 2 7
A= 4 5 1 4 5
3 2 2
Ejercicio 2.5.53 2 3
1 2 1 2
6 3 5 2 3 7
A=6
4
7
2 5 2 5 5
1 4 4 11
Ejercicio 2.5.54 2 3
4 8 7 14
6 2 5 4 6 7
A=6
4 0
7
2 1 7 5
3 6 5 10
Ejercicio 2.5.55 2 3
1 1 1 1
6 1 1 1 1 7
A=6
4 1
7
1 1 1 5
1 1 1 1
156
Ejercicio 2.5.56 2 3
0 1 1 1
6 1 0 1 1 7
A=6
4
7
1 1 0 1 5
1 1 1 0
Ejercicio 2.5.59 2 3
0 1 0
4 0 0 1 5
1 0 0
Ejercicio 2.5.60 2 3
0:3 0:1 0:8
4 0:5 0:2 0:1 5
0:2 0:7 0:1
Ejercicio 2.5.62 Una población de 10 000 personas se agrupa como sigue: 5 000
no fumadores, 2 500 fumadores de una cajetilla o menos al día y 2 500 fumadores de
más de una cajetilla diaria. Durante cualquier mes dado hay el 5 % de probabilidad
de que un no fumador comience a fumar una cajetilla o menos al día y 2 % de
probabilidad de que un no fumador comience a fumar más de una cajetilla diaria.
Para los fumadores que fuman una cajetilla o menos al día, existe un 10 % de
probabilidad de dejar de fumar y un 10 % de probabilidad de aumentar a más de una
cajetilla diaria. Para los fumadores que fuman más de una cajetilla diaria, existe
157
un 5 % de probabilidad de dejar de fumar y un 10 % de probabilidad de disminuir a
una cajetilla o menos al día. ¿Cuántas personas estarán en cada uno de estos tres
grupos dentro de un mes? ¿Y en dos meses?.
Ejercicio 2.5.65 Un sistema compuesto por dos industrias, de carbón y acero, tiene
las siguientes entradas.
(a) Para producir el valor de un dólar de salida, la industria carbonífera requiere
0.10 dólares de su propio producto y 0.80 dólares de acero.
(b) Para producir el valor de un dólar de salida, la industria del acero requiere
0.10 dólares de su propio producto y 0.20 dólares de carbón.
Encuentre la matriz de entrada - salida D del sistema. Luego despeje la matriz
de salida X en la ecuación X = DX + E, donde la demanda externa está dada por
10:000
E=
20:000
Ejercicio 2.5.66 Un sistema industrial tiene dos industrias A y B con las siguien-
tes entradas.
158
(a) Para producir el valor de un dólar de salida, la industria A requiere 0.30
dólares de su propio producto y 0.40 dólares del producto de la industria B:
(b) Para producir el valor de un dólar de salida la industria B requiere 0.20
dólares de su propio producto y 0.40 dólares del producto de la industria A.
Encuentre la matriz de entrada - salida D de este sistema. Luego despeje la
matriz de salida X en la ecuación X = DX + E, donde la demanda externa está
dada por
50:000
E=
30:000
Ejercicio 2.5.70 Un pequeño pueblo tiene tres industrias primarias: Una mina de
cobre, un ferrocarril y una planta de energía eléctrica. Para producir 1 dólar de cobre
la mina gasta 0.20 dólares de cobre, 0.40 de transporte y ningún dólar de energía
eléctrica. Para proporcionar 1 dólar de transporte, el ferrocarril requiere 0.40 dólares
de cobre, 0.20 de transporte y 0.20 de energía eléctrica. Para producir 1 dólar de
159
energía eléctrica, la planta destina 0.40 dólares de cobre, 0.20 de transporte y 0.20
de energía eléctrica. Suponga que durante el año hay una demanda externa de 5000
dólares de cobre, 2000 dólares de transporte y 8000 dólares por concepto de energía
eléctrica. ¿Cuánto debe producir cada industria para satisfacer las demandas?
Ejercicio 2.5.71 Un pequeño pueblo tiene tres industrias primarias: una mina de
cobre, un ferrocarril y una planta de energía eléctrica. Para producir 1 dólar de
cobre, la mina gasta 0.20 dólares de cobre, 0.10 de transporte y 0.20 de energía
eléctrica. Para proporcionar 1 dólar de transporte, el ferrocarril requiere 0.10 dólares
de cobre, 0.10 de transporte y 0.40 de energía eléctrica. Para producir 1 dólar de
energía eléctrica, la planta destina 0.20 dólares de cobre, 0.20 de transporte y 0.30
de energía eléctrica. Suponga que durante el año hay una demanda externa de 1.2
millones de dólares de cobre, 0.8 millones de dólares por transporte y 1.5 millones
de dólares por concepto de energía eléctrica. ¿Cuánto debe producir cada industria
para satisfacer las demandas?
Ejercicio 2.5.72 En un sistema económico con tres industrias, suponga que la ma-
triz D de entrada - salida está dada por
2 3
0:2 0:5 0:15
D = 4 0:4 0:1 0:3 5
0:25 0:5 0:15
Encontrar la producción total correspondiente a cada uno de las siguientes matrices
de demanda.
2 3 2 3 2 3
10 15 30
(a) E = 4 25 5 ; (b) E = 4 20 5 ; (c) E = 4 100 5
20 40 50
Ejercicio 2.5.73 Suponga que en un sistema económico con tres industrias las de-
mandas externas son, respectivamente, de 10, 25 y 20. Considérese la siguiente
matriz de entrada-salida
2 3
0:2 0:5 0:15
D = 4 0:4 0:1 0:3 5
0:25 0:5 0:15
Encontrar la producción en cada inidustria para equilibrar con exactitud la oferta
con la demanda.
Minimos cuadrados
En los ejercicios, del 74 al 77, encuentre la recta de regresión por mínimos cuadra-
dos para los puntos dados.
160
Ejercicio 2.5.74 ( 2; 0) ; ( 1; 1) ; (0; 1) ; (1; 2)
(a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
(b) Estime la demanda cuando el precio es 1.40 Bs.
Precio (x) 25 Bs 30 Bs 35 Bs 40 Bs
Demanda (y) 82 75 67 55
(a) Encuentre la recta de regresión por mínimos cuadrados para estos datos.
(b) Calcule la demanda cuando el precio es 32.95 Bs.
ai = peso en gramos 1 2 4 6
bi = longitud en centimetros 3 4.1 5.9 8.2
(a) Hallar el ajuste lineal de mínimos cuadrados de acuerdo con la ley de Hooke
el cual establece que la distancia que se estira un resorte es proporcional a la fuerza
aplicada, esto es
y = f (x) = r0 + r1 x
donde r0 es la longitud del resorte y r1 es la constante del resorte. Es decir, si
nuestras mediciones fueran exactas y el resorte ideal, tendríamos bi = r0 + r1 ai para
valores especi…cos r0 y r1 .
(b) Usar la respuesta de (a) para estimar la longitud del resorte si se le cuelga
un peso de 5 g.
161
Ejercicio 2.5.81 En una reciente exhibición de yates se hicieron las observaciones
listadas en la siguiente tabla
ai = peso en toneladas 2 4 5 8
bi = precio en unidades de 10 000 Bs 1 3 5 12
Hallar el ajuste de mínimos cuadrados para estos datos mediante una parábola, esto
es, mediante una función cuadrática y = a + bx + cx2 .
162
Ejercicio 2.5.85 Considere que D es como en el ejercicios anterior y determine
las fuerzas que producen una ‡exión de 0.24 cm en el segundo punto de la viga con
‡exión 0 en los otros tres puntos. ¿Qué relación hay entre la respuesta al problema
y las componentes de D 1 ? [Sugerencia: Primero conteste la pregunta para una
‡exión de 1 cm en el segundo punto.]
Una matriz de ‡exibilidad con ‡exibilidad medida en pulgadas por libra, para una
viga elástica con cuatro puntos en los cuales se aplican fuerzas. Suponga que se
aplica fuerzas de 20; 40; 30 y 10 libras en los puntos 1,2,3 y 4.
(a) Encuentre las ‡exiones correspondientes.
(b) Encuentre la matriz de rigidez D 1 .
(c) Enumere las fuerzas que se necesitan para producir una ‡exión de 0:03 pul-
gadas en el cuarto punto de la viga con ‡exión 0 en los tres puntos restantes.
9; 1; 9; 38; 19; 19; 28; 9; 19; 80; 25; 41; 64; 21; 31; 7; 4; 7
Donde 2 3
1 1 0
A=4 1 0 1 5
6 2 3
8; 21; 15; 10; 13; 13; 5; 10; 5; 25; 5; 19; 1; 6; 20; 40; 18; 18; 1; 16
5; 2; 25; 11; 2; 7; 15; 15; 32; 14; 8; 13; 38; 19; 19; 19; 37; 16
163
En los ejercicios del 91 al 93, encuentre las matrices …la no cifradas del orden
indicado para los mensajes dados. Luego, cifre el mensaje utilizando la matriz A.
Ejercicio 2.5.90
Mensaje 0rden de la matriz Matriz de ciframiento
2 3
1 1 9
FACULTAD DE INGENIERIA 1 3 A=4 1 0 1 5
6 2 3
Ejercicio 2.5.91
Mensaje 0rden de la matriz Matriz de ciframiento
2 3
4 2 1
CARRERA DE INGENIERIA
1 3 A=4 3 1 1 5
CIVIL
3 2 1
Ejercicio 2.5.92
Mensaje 0rden de la matriz Matriz de ciframiento
2 3
2 3 1 1
ALGEBRA LINEAL Y 6 1 1 1 1 7
1 4 A=6
4
7
TEORIA MATRICIAL 1 1 1 2 5
3 1 2 4
Ejercicio 2.5.93 Utilice la matriz
2 3
1 1 0
A=4 4 2 3 5
2 1 5
para codi…car el mensaje TRABAJO DURO.
(a) usando matrices …la.
(b) usando matrices columna.
Ejercicio 2.5.94 Utilice la matriz
2 3
1 1 0
A=4 1 0 1 5
6 2 3
para codi…car el mensaje ENVIALE DINERO.
(a) usando matrices …la.
(b) usando matrices columna.
164
CAPÍTULO 3
Determinantes
En una matriz cuadrada A, hay varios aspectos sumamente interesantes que el de-
terminante ayuda a esclarecer de una forma muy rápida:
Observe que los determinantes nos proporcionan un criterio para estudiar si una
matriz es o no invertible. Además, como veremos en este capítulo, los determinantes
también nos proporcionarán nuevos métodos para el cálculo de la matriz inversa de
una dada (en caso de existir).
Sus aplicaciones son múltiples en todas las ramas de las ciencias que tratan
problemas lineales en los que necesariamente aparecen matrices y por tanto, deter-
minantes.
165
3.1 De…nición y ejemplos
El determinante es una función que asocia a toda matriz cuadrada A un único
número que se llama determinante de A, el cual se denota por det A. Utilizando la
notación funcional, podemos escribir
para enfatizar que el dominio de la función det es el conjunto de todas las matrices
cuadradas y que su imagen o rango es el conjunto de los números reales.
Ejemplo 3.1.1
Sea
a11 a12
A=
a21 a22
una matriz 2 2, entonces
a11 a12
det A = jAj = = a11 a22 a21 a12 :
a21 a22
3 1 0 3 2 0
A= ; B= ; C=
5 2 0 0 4 4
166
Solución. Al usar la de…nición anterior se tiene
3 1
jAj = = ( 3) (2) (5) (1) = 6 5= 11
5 2
0 3
jBj = = (0) (0) (0) ( 3) = 0 + 0 = 0
0 0
2 0 2
jCj = =( 2) ( 4) (4) (0) = 6 + 8:
4 4
X
Nota. A este último polinomio se conoce como el polinomio característico de
2 0
4 4
Para encontrar una fórmula para el determinante de orden 3, se usa la fórmula del
determinante de una matriz 2 2 de la siguiente forma. Si
2 3
a11 a12 a13
A = 4 a21 a22 a23 5
a31 a32 a33
es una matriz de orden 3, entonces
a11 a12 a13
a22 a23 a21 a23 a21 a22
det A = a21 a22 a23 = a11 a12 + a13
a32 a33 a31 a33 a31 a32
a31 a32 a33
Ejemplo 3.1.3 Encuentre el determinante de la siguiente matriz
2 3
3 4 2
A=4 6 3 1 5
4 7 8
Solución. Usando la de…nición de determinante de orden 3 se tiene
3 4 2
3 1 6 1 6 3
det A = 6 3 1 = ( 3) (4) + (2)
7 8 4 8 4 7
4 7 8
= ( 3) ( 24 + 7) (4) ( 48 4) + (2) ( 42 12)
= ( 3) ( 17) (4) ( 52) + (2) ( 54)
= 51 + 208 108 = 151:
X
167
Observación 3.1.1 Si desarrollamos los respectivos determinantes de orden 2 en
la de…nición de determinante de orden 3 y reacomodamos convenientemente los tér-
minos resultantes obtenemos la siguiente fórmula para det A.
det A = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 a11 a23 a32 a12 a21 a33 :
Observación 3.1.2 Para matrices de orden n > 3 no existe una fórmula fácil o un
método fácil para evaluar el det A. Por consiguiente utilizaremos métodos indirectos
basados en propiedades de los determinantes para evaluar determinantes de cualquier
orden.
Solución. (a)
1 1 2 1 1
det A = 3 1 0 3 1 =3+0+0+4+0 9= 2
2 0 3 2 0
(b) Como 2 3
1 3 2
At = 4 1 1 0 5
2 0 3
entonces
1 3 2 1 3
det At = 1 1 0 1 1 =3+0+0+4+0 9= 2
2 0 3 2 0
Observe que
det A = det At :
168
(c) Se puede veri…car que
2 3 3
3
2 2 1
1 6 9 7 7
A =4 2 2 3 5
1 1 1
cuyo determinante es
3 3 3 3
2 2 1 2 2
1 9 7 9 7 21 9 9 7 9 27 1
det A = 2 2 3 2 2 = + + =
4 2 2 2 2 4 2
1 1 1 1 1
Observe que
1 1
det A =
det A
X
Ejemplo 3.1.5 Sea
2 3 2 3
1 0 0 1 0 0
6 7
A=4 3 4 0 5 cuya inversa es A 1
=4 3
4
1
4 0 5
2 5 5 7 1 1
20 4 5
Encuentre jAj y A 1 :
Solución.
1 0 0 1 0
jAj = 3 4 0 3 4 = 20 + 0 + 0 0 0 0 = 20:
2 5 5 2 5
Observe que A es una matriz triangular inferior y su determinante es el producto de
los elementos de la diagonal principal.
Como 2 3
1 0 0
6 7
A 1 = 4 34 1
4 0 5
7 1 1
20 4 5
es una matriz triangular inferior, entonces por la anterior observación se tiene
1 1 1
A 1 =1 = :
4 5 20
Aquí, nuevamente se observa que
1
A 1 = :
jAj
X
169
3.2 Propiedades de los determinantes
A continuación se presentan algunas de las propiedades básicas de la función deter-
minante.
(i) Si A tiene una …la (columna) que consta de ceros, entonces jAj = 0.
(ii) Si A tiene dos …las (columnas) iguales, entonces jAj = 0.
(iii) Si A es tal que una …la (columna) es múltiplo de otra …la (columna), entonces
jAj = 0.
(iv) Si A es triangular, entonces jAj es el producto de los elementos de la diagonal
principal es decir,
jAj = a11 a22 ann .
170
(iii) Sumando un múltiplo de una …la (columna) de A a otra, entonces
jBj = jAj
1. El nuevo determinante tenga una …la (columna) de ceros o que una …la (columna)
sea múltiplo de otra …la (columna) y en tales casos el determinante será cero;
o bien.
2. La nueva matriz sea triangular, de tal modo que su determinante sea igual al
producto de los elementos situados en la diagonal.
Solución. Observe que ya hay un cero en la primera columna, por lo cual lo más
sencillo es reducir a cero los demás elementos de la primera columna. Luego se
continúa la reducción, procurando llegar a una matriz triangular.
La primera …la se multiplica por 2 y el resultado se suma a la tercera …la y la
primera …la se multiplica por 3 y el resultado se suma a la cuarta …la. Obteniendo
así,
1 3 5 2
0 1 3 4
jAj =
0 5 1 2
0 7 11 2
Luego la segunda …la se multiplica por 5 y por 7 y los resultados se suman a la
tercera y cuarta …la respectivamente para obtener
1 3 5 2
0 1 3 4
jAj =
0 0 16 18
0 0 32 26
171
Se extrae el factor 16 de la tercera …la usando la propiedad 3 (i)
1 3 5 2
0 1 3 4
jAj = 16 9
0 0 1 8
0 0 32 26
La tercera …la se multiplica por 32 y el resultado se suma a la cuarta …la.
1 3 5 2
0 1 3 4
jAj = 16
0 0 1 98
0 0 0 10
Lo que se tiene ahora es una matriz triangular superior, por tanto
172
Ejemplo 3.2.3 Evaluar el determinante de
2 1 1
3
2 1 3
6 3 1 7
A=4 4 2 1 5
1 4 1
Por tanto
28 7
jAj = = :
24 6
X
A continuación establecemos algunas propiedades más útiles e importantes sobre
determinantes.
Propiedad 4. Sea A una matriz de orden n, A es no singular (invertible) si, y
sólo si, jAj =
6 0. Esta propiedad establece que el determinante de una matriz decide
si esta es o no invertible.
Propiedad 5. Si A es una matriz de orden n, entonces el sistema lineal Ax = B
tiene solución única si, y sólo si, jAj =
6 0.
Propiedad 6. Si A es una matriz de orden n, entonces Ax = 0 (el sistema
homogéneo de n ecuaciones con n incógnitas) tiene solución no trivial si, y sólo si,
jAj = 0.
Propiedad 7. Si A y B son matrices del mismo orden n, entonces
jA Bj = jAj jBj
jA + Bj =
6 jAj + jBj
173
Observación 3.2.1 Obsérvese que si jAj =
6 0, entonces la matriz A es invertible,
luego existe A 1 tal que A A 1 = A 1 A = I, entonces por la propiedad 7 se tiene.
1
A A = jIj
1
jAj A = 1
como jAj =
6 0, se concluye que
1 1
A =
jAj
Esto muestra que es posible calcular A 1 sin evaluar A 1.
x1 2x2 + x3 = 0
2x1 + 3x2 + x3 = 0
3x1 + x2 + 2x3 = 0
Como jAj = 0 se concluye que el sistema tiene solución no trivial (in…nitas solu-
ciones). X
3.3 Cofactores
De…nición 3.3.1 Sea A una matriz n n y sea Mij la submatriz (n 1) (n 1)
que se obtiene de A al eliminar la …la i y la columna j. El determinante jMij j se
denomina el menor del elemento Aij de A , en particular jMii j se denomina menor
principal. El escalar
Acij = ( 1)i+j jMij j
se denomina cofactor de Aij .
174
Ejemplo 3.3.1 Encuentre (a) los menores y (b) los cofactores de la matriz
2 3
3 4 2
A=4 6 3 1 5
4 7 8
Solución. (a) Para obtener el menor M11 se elimina la primera …la y la primera
columna de A y luego se evalúa el determinante de la matriz resultante, esto es.
3 1
M11 =
7 8
de esto se tiene
3 1
jM11 j = = 24 + 7 = 17
7 8
que resulta ser el menor del elemento A11 = 3.
De manera similar se obtiene los restantes menores
6 1 6 3
jM12 j = = 48 4= 52; jM13 j = = 42 12 = 54
4 8 4 7
4 2 3 2
jM21 j = = 32 + 14 = 18; jM22 j = = 24 8 = 16
7 8 4 8
3 4 4 2
jM23 j = = 21 16 = 5; jM31 j = =4 6= 2
4 7 3 1
3 2 3 4
jM32 j = = 3 12 = 15; jM33 j = = 9 24 = 33
6 1 6 3
(b) Para determinar los cofactores, utilizamos la fórmula
175
Observación 3.3.1 Observe que, los menores y cofactores de una matriz di…eren
solamente en el signo. Para obtener los cofactores de una matriz, primero se de-
terminan los menores y luego se aplica el siguiente patrón de tablero de ajedrez de
signos " + " y " ".
Solución. (a)
3 4 2 3 4
jAj = 6 3 1 6 3 = 72 + 16 84 24 21 + 129 = 151
4 7 8 4 7
176
(b) La matriz de cofactores de A según el ejemplo 3.3.1, es
2 3 2 3
+ jM11 j jM12 j + jM13 j 17 52 54
C
A = 4 jM21 j + jM22 j 5
jM23 j = 4 18 16 5 5
+ jM31 j jM32 j + jM33 j 2 15 33
Luego la transpuesta de ésta matriz es la adjunta de A, esto es
2 3
17 18 2
t
Adj A = AC = 4 52 16 15 5
54 5 33
17 18 2 17 18
jAdj Aj = 52 16 15 52 16
54 5 33 54 5
= 8976 14580 + 520 1728 1275 + 30888
= 40384 17583 = 22801 = (151)2
jAdj Aj = jAj2 :
(Adj A) A = jAj I
177
A partir de este último teorema se obtienen los siguientes.
1
Adj A A = I:
jAj
1
Adj A A =I
jAj
por tanto
1
(Adj A) = jAj A
El cual permite determinar Adj A sin calcular la matriz de cofactores.
j(Adj A) Aj = jjAj Ij
jAdj Aj jAj = jAjn jIj
jAjn
jAdj Aj = = jAjn 1
jAj
178
Corolario 3.4.6 Como
1 1
A =
jAj
aplicando esto a la matriz Adj A se tiene.
1 1 1
(Adj A) = = = jAj1 n
jAdj Aj jAjn 1
Corolario 3.4.7 Puesto que Adj A = jAj A 1 , aplicando este resultado a la matriz
A 1 se tiene
1 1
Adj A 1 = A 1 A 1 = A 1 A= A.
jAj
Corolario 3.4.8 Como el corolario 3.4.3 dice
1 1
(Adj A) = A
jAj
y el corolario 3.4.7 establece,
1 1
Adj A = A:
jAj
Entonces
1 1 1
(Adj A) = A = Adj A .
jAj
Ejemplo 3.4.2 Demostrar que
179
Ejemplo 3.4.3 Dada la matriz
2 3
17 2
Adj A = 4 52 16 15 5 y jAj = 151:
54 5 33
Hallar y la matriz A.
1 1
A = Adj A
jAj
entonces
1 1
A = Adj A
jAj
luego,
1 1
= jAdj Aj
jAj jAj3
esto dice
jAdj Aj = jAj2
De este modo se tiene
17 2
52 16 15 = (151)2
54 5 33
Al desarrollar el determinante se tiene
Por tanto, 2 3
17 18 2
= 18 y Adj A = 4 52 16 15 5
54 5 33
Seguidamente, determinemos la matriz A. Como
A (Adj A) = jAj I
entonces
1
A = jAj (Adj A) :
180
Esto es 2 3 2 3
3 4 2
151 151 151 3 4 2
6 7 4
A = (151) 4 6
151
3
151
1
151 5= 6 3 1 5
4 7 8 4 7 8
151 151 151
(Compare con el ejemplo 3.4.1). X
181
De este modo, desarrollando según la tercera …la tenemos,
jAj = A31 Ac31 + A32 Ac32 + A33 Ac33 + A34 Ac34
jAj = 3Ac31 + 0Ac32 + 0Ac33 3Ac34
2 3 4 1 2 3
jAj = 3 ( 1)3+1 2 1 3 3 ( 1)3+4 4 2 1
0 2 3 2 0 2
jAj = 3 (20) + 3 ( 4) = 60 12 = 48:
Las propiedades de los determinantes se pueden utilizar para originar muchos
ceros en una …la o columna y entonces desarrollar según esta …la o columna.
Por ejemplo, antes de evaluar el anterior determinante aplicamos la operación
de tipo 3 como sigue. Multiplicando la primera …la por 1 y luego este resultado
sumando a la segunda …la obtenemos
1 2 3 4 1 2 3 4
4 2 1 3 3 5 0 4 1
jAj = !
3 0 0 3 3 0 0 3
2 0 2 3 2 0 2 3
Ahora desarrollando según la 2da columna tenemos.
jAj = A12 Ac12 + A22 Ac22 + A32 Ac32 + A42 Ac42
jAj = 2Ac12 + 0Ac22 + 0Ac32 + 0Ac42
5 4 1
jAj = 2 ( 1)1+2 3 0 3 = ( 2) ( 24) = 48
2 2 3
Obsérvese, que todavía se puede reducir el problema a evaluar el determinante de or-
den 2 como sigue. Multiplicando la tercera …la por 2 y luego sumando este resultado
a la primera …la se tiene.
5 4 1 1 0 5
3
jAj = 2 3 0 3 ! 2 3 0 3
2 2 3 2 2 3
Desarrollando este último determinante según la 2da columna se tiene.
jAj = 2 (A12 Ac12 + A22 Ac22 + A32 Ac32 )
jAj = 2 (0Ac12 + 0Ac22 2Ac32 )
jAj = 2 ( 2) Ac32
jAj = 4Ac32
182
1 5
jAj = 4 ( 1)3+2 = 4 (3 15) = 48:
3 3
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24 + A25 Ac25
jAj = 0Ac21 + 0Ac22 + 0Ac23 + Ac24 + 0Ac25
6 2 2 1 0 0 0 1
8 1 6 2 3 4 3 2 2
jAj = ( 1)2+4 !
4 7 8 0 4 7 8 0
1 2 3 2 11 6 7 2
Expandiendo por cofactores según la primera …la se tiene.
4 3 2 0 0 2
5 3
jAj = ( 1) 4 7 8 ! ( 1) 20 5 8
11 6 7 25 33=2 7
Finalmente expandiendo según la primera …la se tiene.
183
20 5
jAj = 2 ( 1)4 = 2 (330 125) = 410:
25 33=2
Observe que,
1 1
A =
410
jAdj Aj = jAj5 1
= (410)5
1
Adj A 1
= (Adj A) = jAj1 5
= (410)4 :
x1 y1 1
1
Area = x2 y2 1
2
x3 y3 1
Ejemplo 3.6.1 Encuentre el área del triángulo cuyos vértices son los puntos
(1; 0) ; (2; 2) y (4; 3).
184
3.6.2 Prueba para determinar si tres puntos en el plano son coli-
neales
Tres puntos (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) son colineales si, y sólo si.
x1 y1 1
x2 y2 1 =0
x3 y3 1
Ejemplo 3.6.2 Encuentre la ecuación de la recta que pasa por los puntos (2; 4) y
( 1; 3).
x y 1
2 4 1 =0
1 3 1
x 3y = 10:
X
La fórmula para encontrar el área de un triángulo en el plano tiene una genera-
lización directa al espacio tridimensional, que se presenta a continuación.
185
3.6.4 Volumen de un tetraedro
El volumen del tetraedro cuyos vértices son (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) ; (x3 ; y3 ; z3 ) y
(x4 ; y4 ; z4 ) está dada por.
x1 y1 z1 1
1 x2 y2 z2 1
Volumen =
6 x3 y3 z3 1
x4 y4 z4 1
0 4 1 1
1 4 0 0 1 1
= ( 72) = 12
6 3 5 2 1 6
2 2 5 1
186
3.6.6 Ecuación del plano que pasa por tres puntos
La ecuación del plano que pasa por los puntos (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) y (x3 ; y3 ; z3 )
está dado por.
x y z 1
x1 y 1 z1 1
=0
x2 y 2 z2 1
x3 y 3 z3 1
Ejemplo 3.6.4 Determine la ecuación del plano que pasa por los puntos,
(0; 1; 0) ; ( 1; 3; 2) y ( 2; 0; 1).
Solución. Utilizando la fórmula para obtener la ecuación del plano que pasa por
tres puntos se tiene.
x y z 1
0 1 0 1
=0
1 3 2 1
2 0 1 1
Para evaluar este determinante utilizaremos expansión por cofactores según la 2da
…la para el cual primeramente restamos la cuarta columna a la segunda para obtener.
x y 1 z 1
0 0 0 1
jAj = =0
1 2 2 1
2 1 1 1
Entonces
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24
jAj = 0Ac21 + 0Ac22 + 0Ac23 + Ac24
jAj = Ac24
x y 1 z
jAj = ( 1)6 1 2 2 =0
2 1 1
jAj = 2x 4 (y 1) + z + 4z + 2x + (y 1) = 0
= 4x 3y + 5z + 3 = 0
Así, la ecuación del plano que pasa por los puntos dados es
4x 3y + 5z = 3:
X
187
3.6.7 Ecuaciones de curvas
La ecuación general del círculo está dado por
a x2 + y 2 + bx + cy + d = 0
a x2 + y 2 + bx + cy + d = 0
a x21 + y12 + bx1 + cy1 + d = 0
a x22 + y22 + bx2 + cy2 + d = 0
a x23 + y32 + bx3 + cy3 + d = 0
Puesto que no todos los valores a; b; c y d son cero, el determinante de sus coe…cientes
debe ser 0. De este modo se tiene.
Ejemplo 3.6.5 Consideremos el caso especí…co en que los tres puntos son (1; 1),
(1; 2) y (2; 0) los cuales no son colineales. El círculo que pasa por ellos está dado
por.
x2 + y 2 x y 1 x2 + y 2 x y 1
(1)2 + ( 1)2 1 1 1 2 1 1 1
jAj = 2 2 = =0
(1) + (2) 1 2 1 5 1 2 1
(2)2 + (0)2 2 0 1 4 2 0 1
Para evaluar este determinante utilizaremos expansión de cofactores.
188
Expandiendo según la segunda …la se tiene.
x2 + y 2 y 3 x 1
jAj = 3 =0
1 1
jAj = 3 x2 + y 2 y 3 x+1 =0
2 2
= 3x 3y + 3y + 9 + 3x 3=0 3
189
Ejemplo 3.6.6 Encuentre e identi…que la ecuación de la cónica que pasa por los
puntos ( 1; 1) ; (2; 0) ; 0; 21 y 1 1
2; 3 .
Solución. La ecuación de la cónica que pasa por los puntos dados está dada por:
x2 y2 x y 1
( 1) ( 1)2
2
1 1 1
jAj = (2)2 (0)2 2 0 1 =0
1 2
(0)2 2 0 1
2 1
1 2 1 2 1 1
2 3 2 3 1
Esto es
x2 y 2 x y 1
1 1 1 1 1
jAj = 4 0 2 0 1 =0
0 14 0 1
2 1
1 1 1 1
4 9 2 3 1
Antes de evaluar este determinante utilicemos operaciones elementales sobre las
columnas de la matriz para obtener.
x2 y 2 x y 1 x2 1 y2 1 x+1 y+1 1
1 1 1 1 1 c1 ! c5 + c1 0 0 0 0 1
4 0 2 0 1 c2 ! c5 + c2 3 1 3 1 1
1 1 c3 ! c5 + c3 3 3
0 4 0 2 1 1 4 1 2 1
c4 ! c5 + c4
1 1 1 1 3 8 1 4
4 9 2 3 1 4 9 2 3 1
Expandiendo por cofactores según la 2da …la se tiene.
jAj = A21 Ac21 + A22 Ac22 + A23 Ac23 + A24 Ac24 + A25 Ac25
jAj = 0Ac21 + 0Ac22 + 0Ac23 + 0Ac24 + Ac25
jAj = Ac25
x2 1 y2 1 x+1 y+1
3 1 3 1
jAj = 3 3
1 4 1 2
3 8 1 4
4 9 2 3
x2 1 3y 3 y2 1 + y + 1 x + 1 3y 3 y+1
0 0 0 1
= 11 3 7 3
2 4 2 2
19 4 7 4
4 9 2 3
190
Ahora expandiendo según la segunda …la se tiene
x2 3y 4 y2 + y x 3y 2
11 3 7
jAj = 2 4 2
19 4 7
4 9 2
Aplicando operaciones de columnas se tiene
11 3
x2 3y 4 7 (x 3y 2) y 2 + y + 14 (x 3y 2) x 3y 2
7
jAj = 0 0 2
3 11 7
4 36 2
191
3.7 Polinomio característico y el teorema de Cayley –
Hamilton
Consideremos una matriz cuadrada An n
2 3
a11 a12 a13 a1n
6 a21 a22 a23 a2n 7
6 7
A=6 6 a31 a32 a33 a3n 7
7
4 5
an1 an2 an3 ann
La matriz,
2 3
a11 a12 a13 a1n
6 a21 a22 a23 a2n 7
6 7
I A=6
6 a31 a32 a33 a2n 7
7
4 ::: ::: ::: ::: ::: 5
an1 an2 an3 ann
' (0) = j Aj = a0
192
Teorema de Cayley –Hamilton, el cual establece que toda matriz cuadrada
satisface su polinomio característico, en otras palabras toda matriz es raíz de su
polinomio característico. Es decir,
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
6 0 4 6 0
'( ) = j I Aj = 2 1 3 2 1
2 0 4 2 0
'( ) = ( 6) ( 1) ( 4) 8( 1)
3 2
'( ) = 11 + 34 24 8 +8
3 2
'( ) = 11 + 26 16
1 = 1; 2 = 2; 3 =8
193
Entonces
' (A) = A3 11A2 + 26A 16I
Esto es,
2 3 2 3 2 3 2 3
344 0 336 44 0 40 6 0 4 1 0 0
' (A) = 4 36 1 1 5 11 4 8 1 7 5 +26 4 2 1 3 5 16 4 0 1 0 5
168 0 176 20 0 24 2 0 4 0 0 1
Así, 2 3
0 0 0
' (A) = 4 0 0 0 5
0 0 0
lo cual veri…ca lo deseado. X
b) El cálculo de potencias de A.
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
Entonces
a0 I = An an 1A
n 1
an 2A
n 2
a1 A
Si A es no singular, se sabe que
a0 = ( 1)n jAj =
6 0
luego
1 n 1 an 1 n 2 an 2 n 3 a1
I=A A A A I
a0 a0 a0 a0
Esto dice que
1 1 n 1 an 1 n 2 an 2 n 3 a1
A = A A A I
a0 a0 a0 a0
194
Ejemplo 3.7.2 Hallar A 1 utilizando el teorema de Cayley – Hamilton donde
2 3
6 0 4
A=4 2 1 3 5
2 0 4
Solución. Como
3 2
'( ) = 11 + 26 16
entonces por el teorema de Cayley –Hamilton se tiene
X
(b) cálculo de potencias de A, si
n n 1 n 2
'( ) = + an 1 + an 2 + + a1 + a0
195
es el polinomio característico de A; entonces por el teorema de Cayley – Hamilton
se tiene.
' (A) = An + an 1A
n 1
+ an 2A
n 2
+ + a1 A + a0 I = 0
Al despejar An se tiene
An = an 1A
n 1
an 2A
n 2
a1 A a0 I:
Esta fórmula nos permite calcular la n-ésima potencia de A conociendo las n 1
primeras potencias de A.
Ejemplo 3.7.3 Sea
1 0
A=
2 2
Encontrar A4 utilizando el teorema de Cayley – Hamilton.
Solución. El polinomio característico de A es
2
'( ) = 3 +2
Entonces por el teorema de Cayley –Hamilton se tiene
' (A) = A2 3A + 2I = 0
Luego
A2 = 3A 2I
3 2
A = A A = (3A 2I) A
2
= 3A 2A
= 3 (3A 2I) 2A
= 9A 6I 2A
= 7A 6I:
4 3
A = A A = (7A 6I) A
2
= 7A 6A
= 7 (3A 2I) 6A
= 21A 14I 6A
= 15A 14I
De este modo
1 0 1 0 1 0
A4 = 15 14 =
2 2 0 1 30 16
X
196
Ejemplo 3.7.4 Sea 2
3
3 2 4
A=4 2 0 2 5
4 2 3
Determinar A4 y A 4.
3 2 4
3 2
'( ) = j I Aj = 2 2 = 6 15 8
4 2 3
A3 6A2 15A 8I = 0:
De donde
A3 = 6A2 + 15A + 8I
luego
A4 = A3 A = 6A2 + 15A + 8I A
= 6A3 + 15A2 + 8A
= 6 6A2 + 15A + 8I + 15A2 + 8A
= 36A2 + 90A + 48I + 15A2 + 8A
= 51A2 + 98A + 48I:
Ahora, como
2 3 2 3
3 2 4 29 14 28
A=4 2 0 2 5 y A2 = 4 14 8 14 5
4 2 3 28 14 29
Entonces
2 3 2 3 2 3 2 3
29 14 28 3 2 4 1 0 0 1821 910 1820
A4 = 51 4 14 8 14 5+98 4 2 0 2 5+48 4 0 1 0 5 = 4 910 456 910 5
28 14 29 4 2 3 0 0 1 1820 910 1821
A3 6A2 15A 8I = 0
197
entonces
8I = A3 6A2 15A
2
8I = A A 6A 15I
1 2 6 15
I = A A A I
8 8 8
Esto dice que
1 1 2 6 15 1 2
A = A A I = A 6A 15I
8 8 8 8
Ahora
2 1 1 1 2 1 1 1
A = A A = A 6A 15I A = A 6I 15A
8 8
1 15 2
= A 6I A 6A 15I
8 8
1
= 8A 48I 15A2 + 90A + 225I
82
1
= 15A2 + 98A + 177I
82
3 1
A = A 2A 1 = 2 15A2 + 98A + 177I A 1
8
1
= 15A + 98I + 177A 1
82
1 177 2
= 2
15A + 98I + A 6A 15I
8 8
1
= 120A + 784I + 177A2 1062A 2655I
83
1
= 177A2 1182A 1871I
83
Finalmente,
4 3 1 1
A = A A = 177A2 1182A 1871I A 1
83
1
= 177A 1182I 1871A 1
83
1 1871 2
= 177A 1182I A 6A 15I
83 8
1
= 1416A 9456I 1871A2 + 11226A + 28065I
84
1
= 1871A2 + 12642A + 18609I :
84
198
Concretamente,
0 2 3 2 3 2 31
29 14 28 3 2 4 1 0 0
1 @
A 4 = 1871 4 14 8 14 5 + 12642 4 2 0 2 5 + 18609 4 0 1 0 5A
84
28 14 29 4 2 3 0 0 1
2 3
2276 910 1820
1 4
= 910 3641 910 5 :
84
1820 910 2276
X
Ejemplo 3.7.5 Para la matriz
5 3
A=
6 4
y el polinomio p (x) = x3 + 1. Determinar un polinomio q (x) = x + tal que
p (A) = q (A) :
Solución. Como
5 3 2
'( ) = j I Aj = =( 5) ( + 4) + 18 = 2
6 +4
Entonces por el teorema de Cayley –Hamilton se tiene
' (A) = A2 A 2I = 0
Luego
A2 = A + 2I
A3 = (A + 2I) A = A2 + 2A = (A + 2I) + 2A = 3A + 2I
En consecuencia
A3 + I = 3A + 3I
De este modo el polinomio buscado es
q (x) = 3x + 3
Ahora resulta fácil comprobar que p (A) = q (A)
17 9 1 0 18 9
p (A) = A3 + I = + =
18 10 0 1 18 9
y
5 3 1 0 18 9
q (A) = 3A + 3I = 3 +3 =
6 4 0 1 18 9
X
199
3.8 Menores generales y menores principales
Sea A = [aij ] una matriz de orden n. Cada par de conjuntos ordenados
i1 ; i2 ; i3 ; : : : ; ik de k índices de …la y
j1 ; j2 ; j3 ; : : : ; jk de k índices de columna
i1 ; i2 = 2; 3; i1 ; i2 ; i3 = 2; 4; 5
j1 ; j2 = 1; 2; j1 ; j2 ; j3 = 1; 2; 3
El determinante,
Aji11;i;j22;i;j33;:::;i
;:::;jk
k
i1 ; i2 ; i3 ; : : : ; ik de k índices de …la y
j1 ; j2 ; j3 ; : : : ; jk de k índices de columna
200
coinciden, entonces el determinante
Aji11;i;j22;i;j33;:::;i
;:::;jk
k
a11 a12 4 1
A1;2
1;2 = = = 20 2 = 18
a21 a22 2 5
a11 a13 4 1
A1;3
1;2 = = = 8+2= 6
a21 a23 2 2
a12 a13 1 1
A2;3
1;2 = = = 2+5=3
a22 a23 5 2
a11 a12 4 1
A1;2
1;3 = = =4 1=3
a31 a32 1 1
a11 a13 4 1
A1;3
1;3 = = =8+1=9
a31 a33 1 2
a12 a13 1 1
A2;3
1;3 = = =2+1=3
a32 a33 1 2
a21 a22 2 5
A1;2
2;3 = = =2 5= 3
a31 a32 1 1
a21 a23 2 2
A1;3
2;3 = = =4+2=6
a31 a33 1 2
a22 a23 5 2
A2;3
2;3 = = = 10 + 2 = 12:
a32 a33 1 2
201
En tanto que el único menor de orden tres es,
Solución. Del ejemplo anterior vemos que los menores principales de orden 1 son:
4 1
A1;2
1;2 = 18;
1;3
A1;3 = = 9; A2;3
2;3 = 12
1 2
4 1 1
A1;2;3
1;2;3 = det A = 2 5 2 = 45:
1 1 2
202
Solución.
S3 = A1;2;3
1;2;3 = det A = 45:
1 2 1 3 1 4
A1;2
1;2 = = 10; A1;3
1;3 = = 9; A1;4
1;4 = = 5;
4 2 3 0 2 3
2 1 2 3 0 3
A2;3
2;3 = 2;4
= 0; A2;4 = 3;4
= 6; A3;4 = = 6;
0 0 0 3 2 3
1 2 3 1 2 4
A1;2;3
1;2;3 = 4 2 1 = 24; 1;2;4
A1;2;4 = 4 2 3 = 26;
3 0 0 2 0 3
1 3 4 2 1 3
A1;3;4
1;3;4 = 3 0 3 = 15; A2;3;4
2;3;4 = 0 0 3 = 12
2 2 3 0 2 3
y
1 2 3 4
4 2 1 3
A1;2;3;4
1;2;3;4 = = 48
3 0 0 3
2 0 2 3
203
De este modo tenemos
S4 = A1;2;3;4
1;2;3;4 = det A = 48:
'( ) = n
S1 n 1
+ S2 n 2
+ ( 1)n Sn
Solución. (a) Por el ejemplo 3.8.3, se sabe que la suma de los menores principales
de orden 1; 2 y 3 son:
S3 = A1;2;3
1;2;3 = det A = 45:
Luego,
n n 1 n 2
'( ) = S1 + S2 S3
n n 1 n 2
= 11 + 39 45
204
(b) al desarrollar ' ( ) = j I Aj se tiene
4 1 1 4 1
3 2
'( ) = 2 5 2 2 5 = 11 + 39 45:
1 1 2 1 1
S1 = 1 + 2 + 0 + 3 = 6
S2 = 10 + 9 5+6 6 = 14
S3 = 24 + 26 + 15 12 = 53
S4 = det A = 48:
Luego,
n n 1 n 2 n 3
'( ) = S1 + S2 S3 + S4
n n 1 n 2 n 3
= 6 + 14 53 + 48:
2 5 6 1 2 3
(i) A = ; (ii) A = ; (iii) A =
4 1 3 2 6 9
2 3 5 7 +3 2
(i) A = ; (ii) A = ; (iii) A =
4 1 3 +3 4 1
205
Ejercicio 3.9.3 Para cada una de las matrices del ejercicio anterior, hallar los
valores de para los cuales el determinante es cero.
Ejercicio 3.9.6 Para cada una de las matrices del ejercicio anterior, hallar los
valores de para los cuales el determinante es cero.
Ejercicio 3.9.7 Encuentre los valores de para los cuales el siguiente sistema ho-
mogéneo tenga solución no trivial y determinar dichas soluciones
( 1) x1 2x2 + 2x3 = 0
2x1 + ( 5) x2 + 2x3 = 0
6x1 6x2 + ( + 3) x3 = 0
Ejercicio 3.9.9
2 6
=0
1 3
Ejercicio 3.9.10
4 5
=0
12 15
206
Ejercicio 3.9.11
1 4 2
0 0 0 =0
5 6 7
Ejercicio 3.9.12
4 3 2
8 0 0 =0
4 3 2
Ejercicio 3.9.13
1 3 4 1 4 3
7 2 5 = 7 5 2
6 1 2 6 2 1
Ejercicio 3.9.14
1 3 4 1 6 2
2 2 0 = 2 2 0
1 6 2 1 3 4
Ejercicio 3.9.15
5 10 1 2
=5
2 7 2 7
Ejercicio 3.9.16
1 8 3 1 2 1
3 12 6 = 12 3 3 2
7 4 9 7 1 3
Ejercicio 3.9.17
5 0 10 1 0 2
25 30 40 = 53 5 6 8
15 5 20 3 1 4
Ejercicio 3.9.18
6 0 0 0 1 0 0 0
0 6 0 0 0 1 0 0
= 64
0 0 6 0 0 0 1 0
0 0 0 6 0 0 0 1
207
Ejercicio 3.9.19
1 3 6 1 3 6
5 2 1 = 0 17 31
1 0 6 1 0 6
Ejercicio 3.9.20
3 2 4 3 2 6
2 1 5 = 2 1 0
5 7 20 5 7 15
Ejercicio 3.9.21
5 4 2 5 4 2
4 3 4 = 4 3 4
7 6 3 7 6 3
En los ejercicios del 22 al 27, use operaciones elementales en las …las o en las
columnas para evaluar el determinante.
Ejercicio 3.9.22
1 7 3
1 3 1
4 8 1
Ejercicio 3.9.23
5 8 0
9 7 4
8 7 1
Ejercicio 3.9.24
4 7 9 1
6 2 7 0
3 6 3 3
0 7 4 1
Ejercicio 3.9.25
1 2 7 9
3 4 5 5
3 6 1 1
4 5 3 2
208
Ejercicio 3.9.26
1 1 8 4 2
2 6 0 4 3
2 0 2 6 2
0 2 8 0 0
0 1 1 2 2
Ejercicio 3.9.27
3 2 4 3 1
1 0 2 1 0
5 1 0 3 2
4 7 8 0 0
1 2 3 0 2
En los ejercicios del 28 al 31, encuentre: (a) jAj, (b) jBj, (c) AB y (d) jABj.
Luego compruebe que jABj = jAj jBj.
Ejercicio 3.9.28
1 0 2 0
A= ; B=
0 3 0 1
Ejercicio 3.9.29
1 2 1 2
A= ; B=
2 4 3 0
Ejercicio 3.9.30
2 3 2 3
1 2 1 1 0 0
A=4 1 0 1 5; B=4 0 2 0 5
0 1 0 0 0 3
Ejercicio 3.9.31
2 3 2 3
2 0 1 2 1 4
A=4 1 1 2 5; B=4 0 1 3 5
2 1 0 3 2 1
En los ejercicios del 32 al 35, use el hecho de que jcAj = cn jAj para evaluar el
determinante de la matriz dada.
Ejercicio 3.9.32
4 2
A=
6 8
209
Ejercicio 3.9.33
5 15
A=
10 20
Ejercicio 3.9.34
3 6 9
A= 6 9 12
9 12 15
Ejercicio 3.9.35
4 16 0
A= 12 8 8
16 20 4
En los ejercicios de 36 y 37, encuentre: (a) jAj, (b) jBj y (c) jA + Bj. Luego
compruebe que jA + Bj = 6 jAj + jBj.
Ejercicio 3.9.36
1 1 1 1
A= ; B=
2 0 2 0
Ejercicio 3.9.37
2 3 2 3
3 5 7 2 0 4
A=4 2 4 3 5; B=4 0 3 4 5
0 1 1 4 4 4
En los ejercicios del 38 al 41, encuentre: (a) At , (b) A2 , (c) AAt , (d) j2Aj y
(e) A 1 .
Ejercicio 3.9.38
6 11
A=
4 5
Ejercicio 3.9.39
4 10
A=
5 6
Ejercicio 3.9.40 2 3
2 0 5
A=4 4 1 6 5
3 2 1
210
Ejercicio 3.9.41 2 3
1 5 4
A=4 0 6 2 5
0 0 3
Ejercicio 3.9.43 Sean A y B matrices de orden 3 tales que jAj = 10 y jBj = 12,
encuentre: (a) jABj, (b) A3 , (c) j2Bj, (d) (AB)t y (e) A 1
En los ejercicios del 44 al 47, use determinantes para decidir si la matriz dada
es o no singular.
Ejercicio 3.9.44
5 4
A=
10 8
Ejercicio 3.9.45 2 3
1 0 4
A=4 0 6 3 5
2 1 4
Ejercicio 3.9.46 2 3
2 1 6
4
A= 1 3 14 5
4 2 12
Ejercicio 3.9.47 2 3
1 0 8 2
6 0 8 1 10 7
A=6
4 0
7
0 0 1 5
0 0 0 2
Ejercicio 3.9.48
2x1 + x2 + 5x3 + x4 = 5
x1 + x2 3x3 4x4 = 1
2x1 + 2x2 + 2x3 3x4 = 2
x1 + 5x2 6x3 = 3
211
Ejercicio 3.9.49
x1 x2 x3 x4 = 0
x1 + x2 x3 x4 = 0
x1 + x2 + x3 x4 = 0
x1 + x2 + x3 + x4 = 6
Ejercicio 3.9.50 Encuentre dos matrices 2 2 tales que jA + Bj = jAj + jBj
Ejercicio 3.9.51 Compruebe la siguiente ecuación
a+b a a
a a+b a = b2 (3a + b)
a a a+b
Ejercicio 3.9.52 Sea A una matriz n n tal que la suma de cada una de sus …las
es igual a cero. Encuentre jAj.
Ejercicio 3.9.53 Ilustre el resultado del ejercicio anterior con la matriz
2 3
2 1 1
A=4 3 1 2 5
0 2 2
Ejercicio 3.9.54 Sean A y P matrices n n con P invertible. De un ejemplo para
el que P 1 AP 6= A. Luego demuestre que P 1 AP = jAj.
Ejercicio 3.9.55 Ilustre el resultado del ejercicio anterior con las matrices
1 6 2 1
A= y P =
1 2 1 3
Cofactores y matriz adjunta
Ejercicio 3.9.56 Hallar el cofactor de 7 en la siguiente matriz
2 3
2 1 3 4
6 5 4 7 2 7
A=6 4 4
7
0 6 3 5
3 2 5 2
Ejercicio 3.9.57 Considere una matriz 2 2
a b
A=
c d
(a) Hallar Adj A
(b) Mostrar que Adj (Adj A) = A
212
Ejercicio 3.9.58 Determinar la matriz general A2 2, para la cual Adj A = A.
Ejercicio 3.9.59
1 2
A=
3 4
Ejercicio 3.9.60
1 0
A=
0 4
Ejercicio 3.9.61 2 3
1 2 3
4
A= 0 1 1 5
2 2 2
Ejercicio 3.9.62 2 3
0 1 1
A=4 1 2 3 5
1 1 2
Ejercicio 3.9.63 2 3
1 2 0 1
6 3 1 4 1 7
A=6
4
7
0 0 1 2 5
1 1 1 2
Ejercicio 3.9.64 2 3
1 1 1 0
6 1 1 0 1 7
A=6
4 1
7
0 1 1 5
0 1 1 1
En los ejercicios del 65 al 67, demuestre la fórmula dada para una matriz no
singular An n . Suponga que n 3.
213
1 1
Ejercicio 3.9.67 Adj A = (Adj A)
Ejercicio 3.9.68 Ilustre las fórmulas dadas en los ejercicios 65, 66 y 67 para la
matriz
1 3
A=
1 2
1
En los ejercicios 69 y 70, encuentre: (a) jAj, (b) Adj A, (c) (Adj A) , (d) jAdj Aj,
(e) (Adj A) 1 , (f) Adj A 1 y (g) Adj (Adj A).
Ejercicio 3.9.69
3 2
A=
4 5
Ejercicio 3.9.70 2 3
3 2 4
A=4 1 0 2 5
2 3 3
Hallar y la matriz A.
Hallar y la matriz A.
214
En los ejercicios 75 y 76, determine si los puntos dados son o no colineales.
En los ejercicios 77 y 78, encuentre una ecuación de la recta que pasa por los
puntos dados.
En los ejercicios 79 y 80, encuentre el volumen del tetraedro que tiene los vértices
dados
En los ejercicios 83 y 84, encuentre una ecuación del plano que pasa por los
puntos dados.
La ecuación de una cónica con sus ejes de simetría sobre los ejes x y y es de la
forma ax2 + by 2 + cx + dy + c = 0. Encuentre la ecuación de la cónica que pasa por
los puntos dados.
215
Ejercicio 3.9.88 ( 1; 1) ; (2; 0) ; 0; 12 ; 1 1
2; 3
Ejercicio 3.9.89 Identi…que las cónicas de los ejercicios 85, 86, 87 y 88.
Ejercicio 3.9.90 Demuestre que los tres puntos (x1 ; y1 ) ; (x2 ; y2 ) y (x3 ; y3 ) son co-
lineales (se encuentran sobre la misma recta) sí y sólo sí.
x1 y1 1
x2 y2 1 =0
x3 y3 1
Ejercicio 3.9.91 Demuestre que la ecuación del plano que pasa a través de los tres
puntos no colineales (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) y (x3 ; y3 ; z3 ) está dada por
x y z 1
x1 y1 z1 1
=0
x2 y2 z2 1
x3 y3 z3 1
¿Qué ocurre si los tres puntos son colineales? Explique lo que pasa cuando se utiliza
la reducción por …las para evaluar el determinante.
Ejercicio 3.9.92 Demuestre que los cuatro puntos (x1 ; y1 ; z1 ) ; (x2 ; y2 ; z2 ) ; (x3 ; y3 ; z3 )
y (x4 ; y4 ; z4 ) son coplanares (se encuentran en el mismo plano) si y sólo si.
x1 y1 z1 1
x2 y2 z2 1
=0
x3 y3 z3 1
x4 y4 z4 1
1 a1 a21 a31
1 a2 a22 a32
= (a2 a1 ) (a3 a1 ) (a4 a1 ) (a3 a2 ) (a4 a2 ) (a4 a3 ) 6= 0:
1 a3 a23 a33
1 a4 a24 a34
y = a + bx + cx2 + dx3
que pasa a través de los cuatro puntos (a1 ; b1 ) ; (a2 ; b2 ) ; (a3 ; b3 ) y (a4 ; b4 ). (No re-
suelva realmente para a; b; c y d:)
216
Polinomio característico y el teorema de Cayley - Hamilton
En los ejercicios 94 y 95 (a) encuentre el polinomio característico de la matriz
dada, (b) encuentre las raíces de este polinomio y (c) compruebe el teorema de
Cayley - Hamilton para la matriz dada.
Ejercicio 3.9.94
2 2
A=
2 1
Ejercicio 3.9.95 2 3
6 0 4
A=4 2 1 3 5
2 0 4
Esto es,
3 2
'( ) = (a11 + a22 + a33 ) +
a11 a12 a13
a22 a23 a11 a13 a11 a12
+ + a21 a22 a23
a32 a33 a31 a33 a21 a22
a31 a32 a33
Ejercicio 3.9.97 2 3
2 1 1
A=4 0 5 2 5
1 3 4
Ejercicio 3.9.98 2 3
3 2 4
A=4 2 5 1 5
0 6 1
217
En los ejercicios 99 y 100, utilice el teorema de Cayley - Hamilton para encontrar
A4 y A 4
Ejercicio 3.9.99 2 3
1 2 2
A=4 3 1 0 5
1 1 1
Ejercicio 3.9.100 2 3
1 1 0
A=4 1 1 1 5
0 2 1
Ejercicio 3.9.101 Determine una fórmula para A 4 utilizando el Teorema de Cay-
ley - Hamilton, donde 2 3
1 2 0 1
6 3 1 4 1 7
A=6 4 0
7
0 1 2 5
1 1 1 2
Ejercicio 3.9.102 Sea
2 3
1 0 1
A=4 0 1 1 5 y el polinomio p (x) = x4 + x2 + 4x + 7
1 1 0
Determinar el polinomio q (x) = x2 + x + tal que p (A) = q (A).
Ejercicio 3.9.103 Sea A = [aij ] una matriz de orden 3. Describir la suma Sk de
los menores principales de órdenes k = 1; k = 2 y k = 3:
Ejercicio 3.9.104 Hallar el polinomio característico de la siguiente matriz.
2 3
3 1 1
A=4 2 4 2 5
1 1 3
Ejercicio 3.9.105 Sea
2 3
5 4 2 1
6 2 3 1 2 7
A=6
4
7
5 7 3 9 5
1 2 1 4
a) Hallar la suma de los menores principales de orden 1; 2; 3 y 4:
b) Determinar el polinomio característico de A:
218
CAPÍTULO 4
Espacios vectoriales
219
4. Existe un elemento 2 V , para todo u 2 V , tal que u + = u;
5. Para todo u 2 V , existe un elemento u 2 V tal que u + ( u) = ;
6. Para todo u 2 V y para todo r 2 F , entonces ru 2 V;
7. (r + s) u = ru + su;
8. r (u + v) = ru + rv;
9. r (su) = (rs) u;
10. 1u = u:
Resulta fácil veri…car que Rn junto con las operaciones de suma vectorial y multi-
plicación escalar, constituye un espacio vectorial.
R2 = f(x1 ; x2 ) =x1 ; x2 2 Rg
R3 = f(x1 ; x2 ; x3 ) =x1 ; x2 ; x3 2 Rg
220
Ejemplo 4.1.3 Consideremos el conjunto de todas las matrices n 1, este conjunto
junto con la adición matricial y la multiplicación de un escalar por una matriz. Esto
es: 2 3 2 3 2 3 2 3 2 3
x1 y1 x1 + y1 x1 rx1
6 x2 7 6 y2 7 6 x2 + y2 7 6 x2 7 6 rx2 7
6 7 6 7 6 7 6 7 6 7
6 x3 7 + 6 y3 7 = 6 x3 + y3 7 r6 7 6 7
6 7 6 7 6 7 y 6 x3 7 = 6 rx3 7
4 : 5 4 : 5 4 : 5 4 : 5 4 : 5
xn yn xn + yn xn rxn
Forma un espacio vectorial, este espacio vectorial se denota por Mn 1.
221
Ejemplo 4.1.5 Denotemos con Pn el conjunto de todos los polinomios de grado
n, este conjunto junto con la suma de polinomios y la multiplicación de un número
real por un polinomio es un espacio vectorial.
En este espacio vectorial el vector nulo es el polinomio cero.
Ejemplo 4.1.6 Sea C [a; b] el conjunto de todas las funciones continuas de valores
reales de…nidos en el intervalo cerrado [a; b] Para f; g 2 C [a; b] y r 2 R se de…ne
Resulta fácil mostrar que C [a; b] con las operaciones anteriores forma un espacio
vectorial.
p (x) + q (x) = 4x + 9 2
= Q2 :
Observación 4.1.1 Observe que para veri…car que un conjunto dado V con las
operaciones " + " y " " es un espacio vectorial se debe mostrar que los diez axiomas
de la de…nición de espacio vectorial se satisfacen. Para esto se recomienda veri…car
primeramente las condiciones 1 y 6 porque si alguno de ellos falla no se tendrá un
espacio vectorial.
Ejemplo 4.1.8 Sea Z el conjunto de los números enteros, este conjunto junto con
la suma usual y multiplicación ordinaria no es un espacio vectorial pues si bien.
Para todo u; v 2 Z se tiene u + v 2 Z,
pero para u 2 Z y para todo r 2 R no siempre se tiene ru 2 Z.
Por ejemplo si r = 21 y u = 5 se ve que ru = 52 2
= Z.
4.1.2 Propiedades
A continuación se establecen algunas propiedades de las operaciones en un espacio
vectorial.
222
Teorema 4.1.1 Si V es un espacio vectorial, entonces
a) El vector nulo es único.
b) Para todo u 2 V , existe un único inverso aditivo ( u) 2 V .
c) Para todo u 2 V , 0u = .
d) Para todo r 2 F , r = .
e) Si u 6= , entonces ru = implica que r = .
f ) Para todo u 2 V y para todo r 2 F , ( r) u = r ( u) = (ru).
u + ( u) = y u+v =
luego,
u= u+ = u + (u + v) = ( u + u) + v = + v = v:
223
entonces
ru + r = ru:
Esto signi…ca que
r =
= r = r (u + ( u))
= ru + r ( u)
ru = r ( u) :
= 0u = (r + ( r)) u
= ru + ( r) u
ru = ( r) u
224
De acuerdo a esta de…nición, para establecer que un subconjunto W de V es
subespacio vectorial es necesario veri…car los diez axiomas de la de…nición de espacio
vectorial. Sin embargo como W V , entonces casi todos de los diez axiomas son
heredadas del espacio V por lo que no es necesario veri…carlos.
El siguiente teorema establece que basta comprobar las cerraduras para estable-
cer que un subconjunto de un espacio vectorial es un subespacio.
o equivalentemente.
Si 2
= W , entonces W no es subespacio de V .
225
Advertencia. Si 2 W no se puede a…rmar nada, es decir W puede ser o no
un subespacio vectorial de V .
Ejemplo 4.2.1 Todo espacio vectorial V tiene por lo menos dos subespacios a saber
1. El espacio mismo.
(c) S = f(1; y) =y 2 Rg
= (0; 0) 2 U pues 0 + 2 0 = 0;
x1 + 2y1 = 0 (1)
x2 + 2y2 = 0 (2)
note que
226
ii) Sean r 2 R y u = (x; y) 2 U , entonces x + 2y = 0: Deseamos mostrar que
pero
ru = (rx; ry) 2 U sí, y sólo sí, rx + 2 (ry) = 0
de x + 2y = 0 multiplicando por r se tiene rx + r (2y) = rx + 2 (ry) = 0. Esto
dice que ru 2 U , por tanto U es un subespacio de R2 .
= (0; 0) 2
= W pues 0 + 2 0 6= 1;
u + v = (x1 ; x1 + x3 ; x3 ) + (y1 ; y1 + y3 ; y3 )
= (x1 + y1 ; x1 + x3 + y1 + y3 ; x3 + y3 )
= (x1 + y1 ; (x1 + y1 ) + (x3 + y3 ) ; x3 + y3 )
haciendo z1 = x1 + y1 y z3 = x3 + y3 , se tiene
u + v = (z1 ; z1 + z3 ; z3 ) 2 W
ru = r (x1 ; x1 + x3 ; x3 )
= (rx1 ; r (x1 + x3 ) ; rx3 )
= (rx1 ; rx1 + rx3 ; rx3 )
227
haciendo, y1 = rx1 y y3 = rx3 se ve que
ru = r (y1 ; y1 + y3 ; y3 ) 2 W
(ii) Sean r 2 R y A 2 U , entonces At = A. Luego (rA)t = rAt = rA, esto dice que
ru 2 U . Por tanto U es un subespacio de M2 2 .
0 0
= 2V
0 0
228
pues esta matriz es singular (no invertible). Ahora note que
1 0 0 0
A= y B=
0 0 0 1
1 0 0 0 1 0
A+B = + =
0 0 0 1 0 1
2 5 3 4
A= y B=
3 7 7 11
2 5 3 4 5 9
A+B = + =
3 7 7 11 10 18
Ax1 = 0 y Ax2 = 0
entonces x1 + x2 es solución de Ax = 0:
Por otra parte si x1 es una solución de Ax = 0 y r 2 R entonces Ax1 = 0. Luego
A (rx1 ) = rAx1 = r0 = 0, esto muestra que rx1 es solución del sistema Ax = 0, esto
completa la prueba. X
229
Ejemplo 4.2.6 Sea Ax = b un sistema no homogéneo de ecuaciones lineales , donde
A es una matriz m n y b 6= 0 esta en Mn 1 . Probar que el conjunto de soluciones
de Ax = b no es un subespacio de Mn 1 .
Ax1 = b y Ax2 = b
notemos que
A (x1 + x2 ) = Ax1 + Ax2 = b + b = 2b:
Esto muestra que x1 + x2 no es solución del sistema Ax = b. Por tanto el conjunto
de soluciones de Ax = b no es subespacio de Mn 1 . X
se expresan como
u + v + w + s:
También, pueden escribirse sin ambiguedad expresiones como
u = a1 u1 + a2 u2 + a3 u3 + + an un
230
Solución. El vector u = (2; 1; 5) será una combinación lineal de los vectores de S si
podemos encontrar escalares a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
esto es
(2; 1; 5) = a1 (1; 2; 1) + a2 (1; 0; 2) + a3 (1; 1; 0)
que es equivalente a
a1 + a2 + a3 = 2
2a1 + a3 = 1
a1 + 2a2 = 5
Resolviendo este sistema lineal por los métodos del capítulo 1 obtenemos.
a1 = 1; a2 = 2 y a3 = 1
Luego
(2; 1; 5) = (1; 2; 1) + 2 (1; 0; 2) 1 (1; 1; 0)
Lo cual signi…ca que u = (2; 1; 5) es una combinación lineal de los vectores de S. X
u = a1 u1 + a2 u2 + a3 u3
(1; 2; 2) = a1 (1; 2; 3) + a2 (0; 1; 2) + a3 ( 1; 0; 1)
231
el cual induce el siguiente sistema
2 32 3 2 3
1 0 1 a1 1
4 2 1 0 5 4 a2 5 = 4 2 5
3 2 1 a3 2
La última …la distinta de cero de la matriz en forma escalón dice que el sistema no
tiene solución.
Por tanto u = (1; 2; 2) no es una combinación lineal de los vectores de S. X
Ejemplo 4.3.3 (de aplicación) Una empresa de artículos deportivos tiene dos fábri-
cas y en cada una se ensamblan bicicletas de montaña fabricadas en aluminio y ti-
tanio. La primera planta produce 150 bicicletas de aluminio y 15 de titanio por día.
La segunda 220 y 20 respectivamente. Si u1 = (150; 15) y u2 = (220; 20). Calcule e
interprete el signi…cado de las expresiones (a) a (d).
(a) u1 + u2
(b) u2 u1
(c) 10u1
(e) ¿Cuántos días debe trabajar cada fábrica para que la empresa entregue 2600
bicicletas de aluminio y 250 de titanio?
Esto dice que la empresa produce en las dos fábricas en un día un total de 370
bicicletas de aluminio y 35 bicicletas de titanio.
(b)
u2 u1 = (220; 20) (150; 15) = (70; 5)
indica cuántas bicicletas más produce la segunda fábrica en un día, en comparación
con la primera fábrica.
232
(c)
10u1 = 10 (150; 15) = (1500; 150)
representa cuántas bicicletas produce la primera fábrica en 10 días.
(d)
au1 + bu2 = a (150; 15) + b (220; 20) = (150a + 220b; 15a + 20b)
x1 u1 + x2 u2 = (2600; 250)
esto es
x1 (150; 15) + x2 (220; 20) = (2600; 250)
que produce el siguiente sistema
1 0 : 10
0 1 : 5
Esto dice que la primera fábrica debe trabajar 10 días y la segunda 5 días. X
233
En otras palabras, S genera V si para todo u 2 V existen escalares a1 ; a2 ; a3 ; : : : ; an
tales que
u = a1 u1 + a2 u2 + a3 u3 + + an un
Ejemplo 4.4.1 El conjunto S = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g ge-
nera R3 ya que todo vector u = (x1 ; x2 ; x3 ) 2 R3 puede escribirse como
u = x1 e1 + x2 e2 + x3 e3
(x1 ; x2 ; x3 ) = x1 (1; 0; 0) + x2 (0; 1; 0) + x3 (0; 0; 1)
Ejemplo 4.4.2 El conjunto S = u1 = 1; u2 = x; u3 = x2 genera P2 . Pues de
hecho, cualquier polinomio p(x) = a + bx + cx2 de P2 puede expresarse como
p(x) = a (1) + b (x) + c x2 = a + bx + cx2
Estos conjuntos generadores se denominan conjuntos generadores normales de
R3 y P2 respectivamente.
Ejemplo 4.4.3 Sea V = R3 y sea S = fu1 = (1; 2; 3) ; u2 = (0; 1; 2) ; u3 = ( 2; 0; 1)g
un conjunto de vectores de R3 . Determinar si S genera o no a R3 .
Solución. Para determinar si S = fu1 ; u2 ; u3 g genera a R3 , escogemos un vector
arbitrario u = (x1 ; x2 ; x3 ) 2 R3 y debemos averiguar si u es o no una combinación
lineal de los vectores de S, es decir debemos averiguar si existen escalares a1 ; a2 ; a3
tales que
u = a1 u1 + a2 u2 + a3 u3
(x1 ; x2 ; x3 ) = a1 (1; 2; 3) + a2 (0; 1; 2) + a3 ( 2; 0; 1)
Esto nos conduce al siguiente sistema de ecuaciones lineales.
2 32 3 2 3
1 0 2 a1 x1
4 2 1 0 5 4 a2 5 = 4 x2 5
3 2 1 a3 x3
Resolviendo estesistema se tiene
2 3 2 3
1 0 2 : x1 1 0 2 : x1
4 2 1 3 3
0 : x2 5 ! 4 0 1 4 : x2 2x1 5 !
3 2 1 : x3 0 2 7 : x3 3x1
2 3 2 3
1 0 2 : x1 1 0 2 : x1
4 0 1 3 3
4 : x2 2x1 5 ! 4 0 1 4 : x2 2x1 5 !
0 0 1 : x1 2x2 + x3 0 0 1 : x1 + 2x2 x3
2 3
1 0 0 : x1 + 4x2 2x3
4 0 1 0 : 2x1 7x2 + 4x3 5
0 0 1 : x1 + 2x2 x3
234
Así, se tiene
a1 = x1 + 4x2 2x3
a2 = 2x1 7x2 + 4x3
a3 = x1 + 2x2 x3
Luego
Esto dice que todo vector u = (x1 ; x2 ; x3 ) 2 R3 es una combinación lineal de los
vectores de S. Por tanto S genera R3 . X
Usando este hecho, podemos también, veri…car más rápidamente sin resolver
ningún sistema de ecuaciones si cierto conjunto de vectores genera o no un espacio
vectorial (siempre y cuando el sistema sea cuadrado). En nuestro caso como la
matriz de coe…cientes del sistema de ecuaciones lineales planteado es
2 3
1 0 2
A=4 2 1 0 5
3 2 1
cuyo determinante es
1 0 2
jAj = 2 1 0 = 1 6= 0
3 2 1
Entonces el sistema de ecuaciones
2 32 3 2 3
1 0 2 a1 x1
4 2 1 0 5 4 a2 5 = 4 x2 5
3 2 1 a3 x3
235
Ejemplo 4.4.4 Sea S = fu1 = (6; 7; 6) ; u2 = (3; 2; 4) ; u3 = (1; 3; 2)g un con-
junto de vectores del espacio vectorial V = R3 . Determine si S genera a R3 , en caso
negativo proporcione una descripción geométrica del subespacio generado por S.
Solución. Recordemos que S = fu1 ; u2 ; u3 g generará a R3 si, y sólo si, para todo
vector u 2 R3 existen escalares a1 ; a2 ; a3 tales que u = a1 u1 + a2 u2 + a3 u3 .
Para ver esto consideremos un vector arbitrario u = (x1 ; x2 ; x3 ) 2 R3 y veamos
si existen o no escalares a1 ; a2 ; a3 tales que
u = a1 u1 + a2 u2 + a3 u3
(x1 ; x2 ; x3 ) = a1 (6; 7; 6) + a2 (3; 2; 1) + a3 (1; 3; 2)
u = a1 u1 + a2 u2
(x1 ; x2 ; x3 ) = a1 ( 2; 5; 0) + a2 (4; 6; 3)
236
Resolviendo este sistema obtenemos
2 3 2 3 2 3
2 4 : x1 1 2 : x1 =2 1 2 : x1 =2
4 5 6 : x2 5 2! 4 5 6 :
3
x2 5 ! 4 0 16 : (5x1 + 2x2 ) =2 5
0 3 : x3 0 3 : x3 0 3 : x3
2 3 2 3
1 2 : x1 =2 1 2 : x1 =2
1;2 3
!4 0 1 : x3 =3 5 ! 4 0 1 : x3 =3 5
0 16 : (5x1 + 2x2 ) =2 0 0 : (15x1 + 6x2 32x3 ) =6
Observe que el sistema considerado tiene solución sólo cuando 15x1 +6x2 32x3 = 0.
Si 15x1 + 6x2 32x3 6= 0, el sistema no tiene solución, esto dice que no todos los
vectores de R3 se pueden expresar como una combinación lineal de los vectores de
S. Por tanto concluimos que S no genera a R3 .
Aunque el conjunto S de este ejemplo no genera a todo R3 , si genera un subes-
pacio de R3 , llamado espacio lineal generado por S.
En nuestro caso, como el sistema admite solución sólo cuando
15x1 + 6x2 32x3 = 0
el cual representa la ecuación de un plano que pasa por el origen con vector normal
N = (15; 6; 32), entonces el subespacio generado por S es un plano de R3 . X
En general, el conjunto de todas las combinaciones lineales de los vectores de un
conjunto S, se denomina subespacio lineal generado por S y se denota por Lin (S).
Es decir, si S = fu1 ; u2 ; u3 ; : : : ; un g entonces
Lin (S) = fx1 u1 + x2 u2 + x3 u3 + + xn un =xi 2 R; ui 2 Sg
Por ejemplo si S = fu1 = (1; 0; 1) ; u2 = (0; 1; 1)g es un conjunto de vectores de R3 ,
entonces
Lin (S) = fx1 u1 + x2 u2 =x1 ; x2 2 Rg
= fx1 (1; 0; 1) + x2 (0; 1; 1) =x1 ; x2 2 Rg
= f(x1 ; 0; x1 ) + (0; x2 ; x2 ) =x1 ; x2 2 Rg
= f(x1 ; x2 ; x1 + x2 ) =x1 ; x2 2 Rg
= f(x1 ; x2 ; x3 ) =x3 = x1 + x2 g
Ejemplo 4.4.6 Sea S = fu1 = (1; 2) ; u2 = (3; 5)g un conjunto de vectores de R2 y
sea u = (2; 3). ¿Está u en Lin (S)?
Solución. El vector dado u = (2; 3) estará en Lin (S) sí, y sólo sí, existen escalares
a1 y a2 tales que
a1 u1 + a2 u2 = (2; 3)
a1 (1; 2) + a2 (3; 5) = (2; 3)
237
que produce el siguiente sistema
1 3 a1 2
=
2 5 a2 3
Solución. Como
a1 u1 + a2 u2 + a3 u3 + + an un =
a1 u1 + a2 u2 + a3 u3 + + an un =
Admite otras soluciones además de la trivial. Esto es, no todos los escalares ai son
nulos.
238
1. Se forma la ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
que conduce a un sistema lineal homogéneo.
2. Se resuelve el sistema formado en el paso 1.
3. Si el sistema tiene solamente la solución trivial a1 = a2 = a3 = = an = 0,
se concluye que S es linealmente independiente, si por el contrario el sistema
admite otras soluciones además de la trivial, entonces se concluye que S es
linealmente dependiente.
239
Solución. Primeramente formamos la ecuación vectorial.
a1 u1 + a2 u2 + a3 u3 =
2
a1 1 + x 2x + a2 2 + 5x x2 + a3 x + x2 = 0 + 0x + 0x2
a1 + a1 x 2a1 x2 + 2a2 + 5a2 x a2 x2 + a3 x + a3 x2 = 0 + 0x + 0x2
(a1 + 2a2 ) + (a1 + 5a2 + a3 ) x + ( 2a1 a2 + a3 ) x2 = 0 + 0x + 0x2
a1 + 2a2 = 0
a1 + 5a2 + a3 = 0
2a1 a2 + a3 = 0
Esto dice que el sistema tiene in…nitas soluciones. Por tanto el sistema debe tener
soluciones no triviales por lo que se concluye que el conjunto S es linealmente de-
pendiente.
También en este caso se puede utilizar el determinante de la matriz de coe…-
cientes. Recuerde que un sistema de ecuaciones lineales homogéneo Ax = 0 admite
solo la solución trivial si, y sólo si, jAj =
6 0 y admite otras soluciones además de
la trivial si, y sólo si, jAj = 0. En nuestro caso como la matriz de coe…cientes del
sistema homogéneo es 2 3
1 2 0
A=4 1 5 1 5
2 1 1
cuyo determinante es jAj = 0. Entonces el sistema homogéneo admite soluciones dis-
tintas de la trivial, y esto signi…ca que el conjunto dado es linealmente dependiente.
X
240
Ejemplo 4.5.3 Sea V = R3 , determine si el conjunto
es o no linealmente independiente.
Solución. El conjunto dado será linealmente independiente si, y sólo si, la ecuación
vectorial
a1 u1 + a2 u2 + a3 u3 =
a1 (6; 7; 6) + a2 (3; 2; 4) + a3 (1; 3; 2) = (0; 0; 0)
Admite solo la solución trivial, notemos que la ecuación vectorial anterior produce
el siguiente sistema homogéneo
2 32 3 2 3
6 3 1 a1 0
4 7 2 3 5 4 a2 5 = 4 0 5
6 4 2 a3 0
Ahora, recuerde que un sistema lineal Ax = 0 admite solo la solución trivial si, y
sólo si, jAj =
6 0. Como la matriz de coe…cientes del sistema planteado es
2 3
6 3 1
A=4 7 2 3 5
6 4 2
Ejemplo 4.5.4 Demuestre que cualquier conjunto de vectores que contenga el vector
nulo es linealmente dependiente.
241
Ejemplo 4.5.5 Sea V = Mn n y sean A y B matrices no cero. Demuestre que
si A es simétrica y B es antisimétrica, entonces el conjunto fA; Bg es linealmente
independiente.
(aA + bB)t = ( )t
aAt + bB t =
aA + b ( B) =
aA bB =
como A 6= y B 6= , entonces
2a = 0 y 2b = 0
S = u1 = 2 x; u2 = 2x x2 ; u3 = 6 5x + x2
a1 u1 + a2 u2 + a3 u3 =
2
a1 (2 x) + a2 2x x + a3 6 5x + x2 =
242
obtenemos el siguiente sistema homogéneo
2 32 3 2 3
2 0 6 a1 0
4 1 2 5 5 4 a2 5 = 4 0 5
0 1 1 a3 0
a1 2a2 + 5a3 = 0
a2 a3 = 0
a1 = 2a2 5a3
= 2a2 5a2
= 3a2
3u1 + u2 + u3 =
Como el sistema tiene otras soluciones además de la trivial se concluye que el con-
junto dado es linealmente dependiente. X
Observe que de 3u1 + u2 + u3 = se tiene u2 = 3u1 u3 , esto dice que u2 es
combinación lineal de u1 y u2 . Es decir, uno de los vectores de S es combinación
lineal de los otros vectores de S; esta observación ilustra el siguiente.
243
4.6 Bases y dimensión
En la sección 4.1 conocimos un sistema matemático, llamado espacio vectorial donde
se ha estudiado algunas de sus propiedades; ahora observemos que el único espacio
vectorial que tiene un número …nito de vectores es el espacio vectorial cuyo único
elemento es . Pues si u 6= está en un espacio vectorial V entonces ru está en V ,
donde r es cualquier número real, esto signi…ca que V tiene in…nitos vectores. Sin
embargo, en esta sección se verá que cada espacio vectorial V tiene un número …nito
de vectores que lo describe completamente.
1. B genera V y
2. B es linealmente independiente.
es una base de R3 .
u = a1 e1 + a2 e2 + a3 e3
(x1 ; x2 ; x3 ) = a1 (1; 0; 0) + a2 (0; 1; 0) + a3 (0; 0; 1)
Por tanto B genera a R3 . Por otra parte según el ejemplo 4.5.1 se sabe que B es
linealmente independiente, en consecuencia B constituye una base para R3 .X
La base B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g se denomina base nor-
mal o base estándar de R3 .
244
En general el conjunto
B = fe1 ; e2 ; e3 ; : : : ; en g
B = u1 = 1; u2 = x; u3 = x2 ; u4 = x3
p(x) = a0 + a1 x + a2 x2 + a3 x3 2 P3
a1 u1 + a2 u2 + a3 u3 + a4 u4 =
a1 + a2 x + a3 x2 + a4 x3 = 0 + 0x + 0x2 + 0x3
B = u1 = 1; u2 = x; u3 = x2 ; : : : ; un+1 = xn
Forma una base del espacio vectorial Pn de todos los polinomios de grado n.
Observe que esta base B consta de n + 1 vectores.
245
Sea Aij una matriz en Mm n cuyo (i; j)-ésimo elemento es 1 y el resto de ellos
son cero. Por ejemplo en M2 3 ,
1 0 0 0 1 0 0 0 1
A11 = ; A12 = ; A13 = ;
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
A21 = ; A22 = ; A23 = :
1 0 0 0 1 0 0 0 1
Ejemplo 4.6.5 Demuestre que el conjunto B = fA11 ; A12 ; A13 ; A21 ; A22 ; A23 g es
una base de M2 3 .
Solución. Sea
a b c
A=
d e f
un elemento arbitrario en M2 3. Como
a b c
A= = aA11 + bA12 + cA13 + dA21 + eA22 + f A23
d e f
esto muestra que B genera M2 3. Similarmente, como
0 0 0
= = 0A11 + 0A12 + 0A13 + 0A21 + 0A22 + 0A23
0 0 0
entonces, B es linealmente independiente. Por tanto B constituye una base para
M2 3 .X
En general, el conjunto
Forma una base del espacio vectorial Mm n de todas las matrices m n. Observe
que esta base B consta de m n vectores.
Ejemplo 4.6.6 Demuestre que el conjunto B = fu1 = (3; 2) ; u2 = (4; 5)g es una
base de R2 .
u = a1 u1 + a2 u2
(x1 ; x2 ) = a1 (3; 2) + a2 (4; 5)
246
que produce el siguiente sistema no homogéneo
3 4 a1 x1
=
2 5 a2 x2
a1 u1 + a2 u2 =
a1 (3; 2) + a2 (4; 5) = (0; 0)
3 4 a1 0
=
2 5 a2 0
Observe que las matrices aumentadas de los dos sistemas lineales planteados son
3 4 : x1 3 4 : 0
y
2 5 : x2 2 5 : 0
247
Teorema 4.6.1 Si B = fu1 ; u2 ; u3 ; : : : ; un g es una base de un espacio vectorial
V . Entonces todo vector u en V puede escribirse de una y sola una forma como
combinación lineal de los vectores de B.
1. B genera V .
2. B es linealmente independiente.
u = b1 u 1 + b2 u 2 + b3 u 3 + + bn u n
Entonces
a1 u1 + a2 u2 + a3 u3 + + an un = b1 u1 + b2 u2 + b3 u3 + + bn u n
Luego
Pero, por (2) se sabe que B es linealmente independiente, luego los escalares (ai bi )
son todos cero es decir,
a1 b1 = 0; a2 b2 = 0; a3 b3 = 0; : : : ; an bn = 0
De esto se ve que
a1 = b1 ; a2 = b2 ; a3 = b3 ; : : : ; an = bn
Esto muestra que u tiene una expresión única con respecto a la base B.X
A continuación presentamos dos resultados muy importantes concernientes a
bases.
248
En otras palabras, el teorema dice: Sea B = fu1 ; u2 ; u3 ; : : : ; un g una base de un
espacio vectorial V y sea S = fv1 ; v2 ; v3 ; : : : ; vm g un subconjunto de V . Si m > n,
entonces S es linealmente dependiente o equivalentemente. Si S es linealmente
independiente entonces m n.
Demostración. Sea S = fv1 ; v2 ; v3 ; : : : ; vm g cualquier conjunto de m vectores en V
donde m > n; para demostrar que S es linealmente dependiente debemos encontrar
escalares a1 ; a2 ; a3 ; : : : ; am (no todos cero) tales que
a1 v1 + a2 v2 + a3 v3 + + am vm = (1)
Donde
di = bi1 a1 + bi2 a2 + bi3 a3 + + bim am :
Pero como B = fu1 ; u2 ; u3 ; : : : ; un g es una base; los u1 ; u2 ; u3 ; : : : ; un forman un
conjunto linealmente independiente, de este modo se concluye que cada di = 0, así
se obtiene el siguiente sistema homogéneo
249
Observemos que este sistema homogéneo tiene menos ecuaciones que incógnitas
a1 ; a2 ; a3 ; : : : ; am y como todo sistema homogéneo con más incógnitas que ecua-
ciones tiene in…nitas soluciones, concluimos que este sistema tiene otras soluciones
además de la trivial por; consiguiente S es un conjunto linealmente dependiente. X
Solución. (a) Puesto que R3 tiene una base que consta de tres vectores, entonces el
conjunto S que tiene 4 vectores por el teorema anterior, es linealmente dependiente.
(b) Similarmente como P3 tiene una base que consta de 4 vectores, entonces el
conjunto S que tiene 5 vectores, por el teorema anterior es linealmente dependiente.
X
Utilizando el resultado del teorema anterior se puede demostrar el siguiente.
Teorema 4.6.3 Si un espacio vectorial V tiene una base con n vectores, entonces
toda base de V tiene n vectores.
En otras palabras este teorema dice. Si
B = fu1 ; u2 ; u3 ; : : : ; un g y B 0 = fv1 ; v2 ; v3 ; : : : ; vm g
1. B y B 0 generan V
Observación 4.6.2 Si bien un espacio vectorial V tiene in…nitas bases, sin em-
bargo por el teorema anterior todas estas bases tienen el mismo número de vectores.
Entonces resulta bastante razonable la siguiente.
250
De…nición 4.6.2 La dimensión de un espacio vectorial V es el número de vectores
que componen una base de V .
es una base para R3 y como esta base consta de 3 vectores entonces dim R3 = 3:
1 0 0 1 0 0 0 0
B= u1 = ; u2 = ; u3 = ; u4 =
0 0 0 0 1 0 0 1
251
Entonces todo vector u 2 W es de la forma
u = a1 u1 + a2 u2 + a3 u3
Ejemplo 4.6.12 Demuestre que el siguiente conjunto de vectores es una base para
M4 1 .
8 2 3 2 3 2 3 2 39
>
> 1 0 0 0 >>
< 6 3 7 6 3 7 6 0 7 6 0 7=
S = u1 = 46 7 6 7
; u2 = 4 5 ; u3 = 4 6 7 6
; u1 = 4 5 7
>
> 5 5 6 2 5 0 >>
: ;
2 5 3 4
252
Solución. Como S consta de cuatro vectores y la dim (M4 1 ) = 4, se puede aplicar
el teorema anterior, veri…cando sólo una de las condiciones de base, a saber que
S es linealmente independiente o que S genera a M4 1 . Para veri…car que S es
linealmente independiente, se forma la ecuación vectorial.
a1 u1 + a2 u2 + a3 u3 + a4 u4 =
Como la única solución de este sistema es la trivial (veri…car), S debe ser linealmente
independiente. Así, por el teorema anterior S es una base de M4 1 . X
a1 u1 + a2 u2 + a3 u3 =
a1 (4; 3; 2) + a2 (0; 3; 2) + a3 (0; 0; 2) = (0; 0; 0)
253
Esta ecuación vectorial produce el siguiente sistema homogéneo
2 32 3 2 3
4 0 0 a1 0
4 3 3 0 5 4 a2 5 = 4 0 5
2 2 2 a3 0
Como
4 0 0
3 3 0 = 24 6= 0
2 2 2
se concluye que este sistema homogéneo sólo admite la solución trivial, de este modo
el conjunto W resulta ser una base para R3 . A continuación expresemos el vector
u = (8; 3; 8) como una combinación lineal de los vectores de W .
Consideremos la ecuación vectorial
que produce 2 32 3 2 3
4 0 0 a1 8
4 3 3 0 5 4 a2 5 = 4 3 5
2 2 2 a3 8
Al resolver este sistema obtenemos la siguiente solución a1 = 2; a2 = 1 y a3 = 3.
Por tanto
(8; 3; 8) = 2 (4; 3; 2) 1 (0; 3; 2) + 3 (0; 0; 2) .
Finalmente consideremos el conjunto Q como
0 4 8
3 0 15 =0
2 3 16
Observación 4.6.3 Observe que el inciso (a) del ejemplo anterior no es base ya
que si bien S genera a R3 , pero no es linealmente independiente; similar situación
ocurre con (b) pues si bien U es linealmente independiente pero no genera a R3 ; los
siguientes teoremas se re…eren a estos casos.
254
Demostración. Si S mismo es linealmente independiente, entonces S es una base
de V . Si S es linealmente dependiente, entonces algún ui es una combinación lineal
de los otros vectores de S, ahora eliminando ui de S obtenemos un subconjunto S1
de S. Luego
S1 = fu1 ; u2 ; u3 ; : : : ; ui 1 ; ui+1 ; : : : ; un g
también genera a V (veri…car), si S1 es linealmente independiente entonces S1 es
una base de V . Si S1 es linealmente dependiente, eliminamos un vector que sea
combinación lineal de los otros vectores de S1 y así obtenemos un nuevo conjunto S2
que genera V . Al continuar con este proceso y puesto que S es un conjunto …nito,
hallamos un subconjunto B de S que es linealmente independiente y que genera a
V . En consecuencia el conjunto B es una base de V . X
S1 = fu1 ; u2 ; u3 ; : : : ; um ; v1 ; v2 ; v3 ; : : : ; vn g
Vemos que S genera a R3 , ahora deseamos hallar un subconjunto de S que sea base
de R3 . Primero S es linealmente dependiente (veri…car) y que
2u1 + u2 u4 + u5 =
Entonces
u5 = 2u1 u2 + u4 :
si,
u = a1 u1 + a2 u2 + a3 u3 + a4 u4 + a5 u5
255
es cualquier vector de R3 , entonces
u = a1 u1 + a2 u2 + a3 u3 + a4 u4 + a5 ( 2u1 u2 + u4 )
Así, u resulta ser una combinación lineal de u1 ; u2 ; u3 y u4 esto a su vez signi…ca que
S1 = fu1 ; u2 ; u3 ; u4 g también genera a R3 . Se puede veri…car que S1 es linealmente
dependiente y que u1 + u2 u3 = , de modo que u3 = u1 + u2 , eliminando u3 de
S1 obtenemos S2 = fu1 ; u2 ; u4 g el cual también genera R3 . Se puede comprobar que
S2 es linealmente independiente (veri…que). Por tanto S2 es la base deseada de R3 .
Ejemplo 4.6.15 Encuentre una base de R3 que contenga al vector u = (1; 0; 1).
Solución. Para hallar una base de R3 que contiene al vector u = (1; 0; 1) utilizamos
el teorema anterior de la siguiente forma. Consideremos, la base natural de R3
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Luego formemos el conjunto
S = fu = (1; 0; 1) ; e1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
Se puede veri…car fácilmente que e1 no es combinación lineal de u, entonces rete-
nemos e1 ; similarmente se puede veri…car que e2 no es combinación lineal de u y
e1 entonces tambíen retenemos e2 . De la misma forma se puede veri…car que e3
sí es una combinación lineal de los vectores u; e1 y e2 , luego eliminando e3 de S
obtenemos el conjunto
S1 = fu = (1; 0; 1) ; e1 = (1; 0; 0) ; e2 = (0; 1; 0)g
Que resulta ser una base de R3 que contiene al vector u = (1; 0; 1). X
256
Solución. Reduciendo esta matriz a la forma escalonada tenemos
2 3 2 3 2 3
1 2 1 4 2 5 1 2 1 4 2 5 1 2 1 4 2 5
6 2 4 3 1 6 1 7 3 6 0 0 1 7 2 9 7 6
3 6 0 0 1 7 2 9 7
6 7$6 7$ 7
4 1 2 3 10 6 3 5 4 0 0 2 6 4 2 5 4 0 0 0 20 0 16 5
2 4 4 6 8 8 0 0 2 14 4 18 0 0 0 0 0 0
1. Si Ran (A) = Ran ([A : b]) = n. Entonces el sistema tiene solución única.
2. Si Ran (A) = Ran ([A : b]) < n. Entonces el sistema tiene in…nitas soluciones.
3. Si Ran (A) < Ran ([A : b]). Entonces el sistema no tiene solución.
Ejemplo 4.7.2 Determine cuantas soluciones tiene cada uno de los siguientes sis-
temas de ecuaciones lineales
x1 +x2 x3 = 1 x1 +x2 x3 = 1
(a) x1 +x3 = 3 (b) x1 +x3 = 3
x1 +2x2 = 1 3x1 +2x2 x3 = 1
x1 +x2 x3 = 1
(c) x1 +x3 = 3
2x1 +x2 = 1
257
esto dice que Ran (A) = 3 y Ran ([A : b]) = 3. Ya que Ran (A) = Ran ([A : b]) = 3.
Se concluye que el sistema tiene solución única.
(b) Calculando Ran (A) y Ran ([A : b]) se tiene
2 3 2 3
1 1 1 : 1 1 0 1 : 3
[A : b] = 4 1 0 1 : 3 5 ! !4 0 1 2 : 4 5
3 2 1 : 1 0 0 0 : 0
entonces Ran (A) = 2 y Ran ([A : b]) = 2. Como Ran (A) = Ran ([A : b]) = 2 < 3.
Se concluye que el sistema tiene in…nitas soluciones.
c) Calculando Ran (A) y Ran ([A : b]) se tiene
2 3 2 3
1 1 1 : 1 1 0 1 : 0
[A : b] = 4 1 0 1 : 3 5 ! !4 0 1 2 : 0 5
2 1 0 : 1 0 0 0 : 1
esto muestra que Ran (A) = 2 y Ran ([A : b]) = 3. Puesto que Ran (A) < Ran ([A : b]),
es decir, como 2 < 3. Se concluye que el sistema no tiene solución alguna. X
Ejemplo 4.7.3 Determine los valores de (si es posible) tales que el siguiente
sistema tenga: a) solución única. b) in…nitas soluciones y c) ninguna solución.
x + y + z = 1
x + y + z =
x + y + z = 2
Solución. Recordemos que un sistema lineal de ecuaciones Ax = b tiene solución
única para cualquier matriz bn 1 si, y sólo si, jAj =
6 0. En nuestro caso considerando
el sistema dado en su forma matricial
2 32 3 2 3
1 1 x 1
4 1 1 54 y 5 = 4 5
2
1 1 z
se ve que
1 1
1 1 = 3
3 +2=( 1)2 ( + 2) = 0, sí y sólo si, =1o = 2
1 1
Por tanto para 6= 1 y 6= 2 el sistema tiene solución única, además para = 1
o = 2 el sistema no tiene solución única, esto es para = 1 o = 2, el sistema
puede tener in…nitas soluciones o ninguna solución. Si = 1 se tiene
2 3 2 3
1 1 1 : 1 1 1 1 : 1
[A : b] = 4 1 1 1 : 1 5 ! !4 0 0 0 : 0 5
1 1 1 : 1 0 0 0 : 0
258
esto muestra que Ran (A) = Ran ([A : b]) = 1 < 3. De este modo se concluye que
para = 1 el sistema tiene in…nitas soluciones.
Finalmente si = 2 se tiene
2 3 2 3
2 1 1 : 1 1 1 2 : 4
[A : b] = 4 1 2 1 : 2 5 ! !4 0 1 1 : 2 5
1 1 2 : 4 0 0 0 : 1
y de esto se ve que Ran (A) < Ran ([A : b]) esto es 2 < 3, luego para = 2 el
sistema no tiene solución. En resumen:
Para 6= 1; 2. El sistema tiene solución única.
Para = 1. El sistema tiene in…nitas soluciones.
Para = 2. El sistema no tiene solución. X
u = a1 u1 + a2 u2 + a3 u3 + + an un
259
Ejemplo 4.8.1 Determine el vector de coordenadas de u = ( 2; 1; 3) con respecto
a la base normal
B = fe1 = (1; 0; 0) ; e2 = (0; 1; 0) ; e3 = (0; 0; 1)g
260
De este modo se tiene
11 2
[u]B = y [u]S =
7 3
de modo similar
5 4
[v]B = y [v]S =
5 3
Ejemplo 4.8.4 Sea u = (11; 7) el vector del ejemplo anterior. Ahora consideremos
las bases ordenadas
T = fe2 = (0; 1) ; e1 = (1; 0)g y P = fu2 = (3; 1) ; u1 = (1; 2)g
entonces
u = (11; 7) = 7e2 + 11e1 = 3u2 + 2u1
Aquí, la importancia del orden no es evidente. Pero
7 11
[u]T = 6= [u]B =
11 7
3 2
[u]P = 6= [u]S =
2 3
Ahora la importancia del orden es bastante evidente.
261
Resolviendo este sistema se obtiene a1 = 3; a2 = 1 y a3 = 2. De este modo,
p (t) = 3p1 (t) p2 (t) + 2p3 (t). Por tanto (p (t))B = (3; 1; 2).
Ejemplo 4.8.6 Consideremos el espacio vectorial R3 y la base
B = fu1 = (1; 1; 0) ; u2 = (1; 1; 0) ; u3 = (0; 1; 1)g
Sea u = (5; 3; 4) 2 R3 , encontrar (u)B .
Solución. El vector (u)B de coordenadas de u respecto a la base B se obtiene como
sigue. Expresamos u como una combinación lineal de los vectores de la base B. Esto
es,
u = a1 u1 + a2 u2 + a3 u3
(5; 3; 4) = a1 (1; 1; 0) + a2 (1; 1; 0) + a3 (0; 1; 1)
El cual produce el siguiente sistema
2 32 3 2 3
1 1 0 a1 5
4 1 1 1 5 4 a2 5 = 4 3 5
0 0 1 a3 4
La solución de este sistema es a1 = 3; a2 = 2 y a3 = 4. Así,
(5; 3; 4) = 3 (1; 1; 0) + 2 (1; 1; 0) + 4 (0; 1; 1)
por tanto (u)B = (3; 2; 4). X
Ejemplo 4.8.7 Sea B = fu1 = (2; 1) ; u2 = (1; 1)g una base de R2 . Hallar el vec-
tor de coordenadas de u respecto a la base B, siendo u = (x1 ; x2 ).
Solución. Hacemos
u = a1 u1 + a2 u2
(x1 ; x2 ) = a1 (2; 1) + a2 (1; 1)
el cual produce el siguiente sistema
2 1 a1 x1
=
1 1 a2 x2
Resolviendo este sistema se obtiene la siguiente solución
x+y x 2y
a1 = y a2 =
3 3
x+y x 2y
Por tanto (u)B = 3 ; 3 , en particular si u = (3; 6), entonces (u)B = (3; 3).
X
262
Nota 4.8.2 Existe una interpretación geométrica de las coordenadas de un vector
u respecto a una base B del espacio Rn :
Ilustremos esto, utilizando la base B = fu1 = (2; 1) ; u2 = (1; 1)g de R2 del
ejemplo anterior.
Consideremos primero el espacio R2 con los ejes x; y usuales. En este caso, los
vectores de la base B determinan un nuevo sistema de coordenadas de R2 , digamos
con ejes x0 ; y 0 donde
1. El eje x0 está en la dirección de u1 = (2; 1),
2. El eje y 0 está en la dirección de .u2 = (1; 1).
Tal y como se muestra en la siguiente …gura
y y
6• (3, 6 ) (3, 6 )
x' x'
−3 2 • •
3 5
−2 2 • •
2 5
• •
− 2 5
•
3 x x
y' y'
Además, la unidad de longitud de cada uno de los ejes será igual, respectivamente
a la longitud del vector de la base correspondiente.
Así, pues cada vector u = (x; y) o equivalentemente cada punto P (x; y) en
R2 tendrá unas nuevas coordenadas con respecto a los nuevos ejes x0 ; y 0 . Dichas
coordenadas son precisamente las de u con respecto a la base B.
En nuestro caso del ejemplo 4.8.7 la unidad de longitud de cada uno de los ejes
x0 ; y 0 será igual respectivamente a la p longitud de cada vector de la base B. Como
p
u1 = (2; 1) cuya longitud es ju1 j = 5 y u2p= (1; 1) cuya longitud es jup 2j = 2;
entonces la unidad de longitud del eje x0 es 5 mientras que del eje y 0 es 2 luego
p p
(u)B = (3 ju1 j ; 3 ju2 j) = 3 5; 3 2 = (6:7; 4:2) .
263
Ejemplo 4.8.8 El vector de coordenadas de u en R2 con respecto a la base no nor-
mal. B 0 = fu1 = (2; 1) ; u2 = (0; 1)g es (u)B 0 = (4; 1), determinar las coordenadas
de u respecto a la base normal B = fe1 = (1; 0) ; e2 = (0; 1)g.
264
Observación 4.8.3 Observe, como en el ejemplo anterior que
2 32 3 2 3
1 1 0 2 5
P [u]B 0 = 4 0 1 1 5 4 3 5 = 4 4 5 = [u]B
1 0 1 1 3
u = a1 u1 + a2 u2 + a3 u3
(3; 19; 2) = a1 (8; 11; 0) + a2 (7; 0; 10) + a3 (1; 4; 6)
Por tanto el vector de coordenadas de u = (3; 19; 2) con respecto a la base no normal
B 0 es (u)B 0 = (1; 1; 2). X
265
Ejemplo 4.8.11 Encuentre el vector de coordenadas de u = 11 + 18x 7x2 de P2
con respecto a la base no normal
u = a1 u1 + a2 u2 + a3 u3
11 + 18x 7x2 = a1 4 + 3x + 3x2 + a2 11 + 11x2 + a3 9x + 2x2
266
Puesto que esta matriz de coordenadas [u]B depende de la base B esta matriz
de coordenadas cambia, cada vez que se cambia la base B por otra base, entonces
surge en forma natural la siguiente pregunta. ¿Cómo variará nuestra representación
si elegimos otra base?
Es decir supongamos que cambiamos de base en un espacio vectorial, de una
base B a una nueva B 0 , ¿cómo está relacionada la matriz de coordenadas antigua
[u]B de un vector u con la matriz de coordenadas nueva [u]B 0 ?
En esta sección se mostrará como se relacionan las nuevas matrices de coorde-
nadas con las anteriores cuando se introduce una nueva base.
Note que
P = [[u1 ]B 0 ; [u2 ]B 0 ; [u3 ]B 0 ]
Esta matriz P recibe el nombre de matriz de cambio de base (o matriz de transición)
desde la “antigua base” B hasta la “nueva base” B 0 .
267
Ahora si u es cualquier vector de V y como B = fu1 ; u2 ; u3 g es una base de V
entonces
u = k1 u1 + k2 u2 + k3 u3
Expresando esta ecuación vectorial en términos de v1 ; v2 y v3 obtenemos
u = k1 (a11 v1 + a12 v2 + a13 v3 ) + k2 (a21 v1 + a22 v2 + a23 v3 ) + k3 (a31 v1 + a32 v2 + a33 v3 )
u = (a11 k1 + a21 k2 + a31 k3 ) v1 + (a12 k1 + a22 k2 + a32 k3 ) v2 + (a13 k1 + a23 k2 + a33 k3 ) v3
De este modo
2 3 2 3
k1 a11 k1 + a21 k2 + a31 k3
[u]B = 4 k2 5 y [u]B 0 = 4 a12 k1 + a22 k2 + a32 k3 5
k3 a13 k1 + a23 k2 + a33 k3
de acuerdo con esto obtenemos
2 32 3 2 3
a11 a21 a31 k1 a11 k1 + a21 k2 + a31 k3
P [u]B = 4 a12 a22 a32 5 4 k2 5 = 4 a12 k1 + a22 k2 + a32 k3 5 = [u]B 0
a13 a23 a33 k3 a13 k1 + a23 k2 + a33 k3
Es decir
P [u]B = [u]B 0 :
Así mismo, multiplicando la ecuación precedente por P 1 se tiene,
1
P [u]B 0 = [u]B :
Todo esto ilustra una situación más general, así como establece el siguiente.
268
Ejemplo 4.9.1 Sean B = fe1 = (1; 0) ; e2 = (0; 1)g y B 0 = fu1 = (2; 4) ; u2 = (1; 3)g
bases de R2 . Determine la matriz de transición de la base B a la base B 0 .
e1 = a1 u1 + a2 u2
(1; 0) = a1 (2; 4) + a2 (1; 3)
e2 = b1 u1 + b2 u2
(0; 1) = b1 (2; 4) + b2 (1; 3)
269
Observación 4.9.1 Observe que las matrices aumentadas de los dos sistemas re-
sueltos son
2 1 : 1 2 1 : 0
y
4 3 : 0 4 3 : 1
ambas con la misma matriz de coe…cientes
2 1
4 3
Entonces es posible transformar las dos matrices aumentadas a su forma escalón
reducida por …las de manera simultánea así.
2 1 : 1 0 1 0 : 3=2 1=2
! !
4 3 : 0 1 0 1 : 2 1
B0 : B
B0 : B ! ! [In : P ] :
270
Luego formamos la matriz 3 2 3=3 6
2 3
2 1 0 : 1 0 1
0 4
B :B = 1 0 2 : 0 1 1 5
1 0 1 : 2 3 1
aplicando operaciones elementales de …las a esta matriz se reduce el lado izquierdo
a In , obteniendo así,
2 3 2 3
2 1 0 : 1 0 1 1 0 0 : 4 5 1
4 1 0 2 : 0 1 1 5 ! 4
! 0 1 0 : 7 10 1 5
1 0 1 : 2 3 1 0 0 1 : 2 2 0
Resulta fácil ahora veri…car que para todo u en V se cumple P [u]B = [u]B 0 . X
Solución. De…namos las matrices B y B 0 cuyas columnas son los vectores de las
bases dadas 2 3 2 3
1 1 1 1 0 0
B = 4 3 5 4 5 y B0 = 4 0 1 0 5
3 6 5 0 0 1
Luego juntamos las matrices B 0 y B para formar la matriz
2 3
1 0 0 : 1 1 1
B0 : B = 4 0 1 0 : 3 5 4 5
0 0 1 : 3 6 5
271
Ejemplo 4.9.4 Considérese la base
B 0 = u1 = 1 + 2x; u2 = 1 + 3x + 2x2 ; u3 = x + 3x2 de P2 . Hallar la matriz
de transición P de la base normal B = v1 = 1; v2 = x; v3 = x2 a la base B 0 .
Solución. (a) Primeramente de…nimos las matrices S y T cuyas columnas son los
vectores de las bases S y T esto es
2 3 2 3
2 1 1 6 4 5
S=4 0 2 1 5 y T =4 3 1 5 5
1 0 1 3 3 2
272
Lo cual implica que la matriz de transición Q de la base T a la base S es
2 3
2 2 1
Q=4 1 1 2 5
1 1 1
de modo que 2 3
4
[u]S = 4 5 5
1
en consecuencia
2 32 3 2 3
2 2 1 1 4
4
Q [u]T = 1 1 2 54 2 5=4 5 5 = [u]S
1 1 1 2 1
273
De este modo la matriz de transición deseada es
2 3 1 5
3
2 2 2
6 1 1 3 7
P =4 2 2 2 5
1 0 2
En los ejercicios del 3 al 14, determine si el conjunto dado junto con las opera-
ciones indicadas, es un espacio vectorial. En caso negativo, identi…que por lo menos
uno de los 10 axiomas de espacio vectorial que no se cumple.
Ejercicio 4.10.5 El conjunto de todos los polinomios de quinto grado con las ope-
raciones normales.
Ejercicio 4.10.6 P el conjunto de todos los polinomios, con las operaciones nor-
males.
274
Ejercicio 4.10.8 El conjunto f(x; y) = x 0g con las operaciones normales.
a b
c 0
a b
c 1
Ejercicio 4.10.13 El conjunto de todas las matrices diagonales 2 2 con las ope-
raciones normales.
Ejercicio 4.10.14 C [0; 1], el conjunto de todas las funciones continuas de…nidas
sobre el intervalo [0; 1], con las operaciones normales.
Ejercicio 4.10.15 El conjunto de los números reales positivos con las operaciones
de adición ordinaria y la multiplicación ordinaria.
Ejercicio 4.10.16 El conjunto de todos los pares ordenados de números reales con
las siguientes operaciones
275
Ejercicio 4.10.17 El conjunto de todas las ternas ordenadas de números reales con
las operaciones
x
y
Ejercicio 4.10.19 El conjunto de todos los pares ordenados de números reales con
las operaciones
a+b=a b y r a = ar
Ejercicio 4.10.21 Sea V el conjunto de todas las funciones continuas de valor real.
Si f y g están en V , de…namos
Ejercicio 4.10.22 Sea V el conjunto que consta del único elemento . Sea
+ = y r =
276
(b) (x1 ; x2 ) + (y1 ; y2 ) = (x1 ; 0) y c (x; y) = (cx; cy) :
p p
(c) (x1 ; x2 ) + (y1 ; y2 ) = (x1 + y1 ; x2 + y2 ) y c (x; y) = ( cx; cy) :
Subespacios vectoriales
a b c
(a) ; donde b = a + c:
d 0 0
a b c
(b) ; donde c > 0:
d 0 0
a b c
(c) ; donde a= 2c y f = 2c + d:
d e f
(a) Simétricas.
(b) Singulares.
(c) No singulares.
277
Ejercicio 4.10.28 Sea V el espacio vectorial de las funciones continuas de valor
real considerado en el ejercicio 21. ¿Cuáles de los siguientes subconjuntos son sube-
spacios de V ? El conjunto de todas las
Ejercicio 4.10.29 Demostrar que el conjunto de todas las soluciones del sistema
lineal AX = B; B 6= 0, no es un subespacio de Rn .
Combinaciones lineales
(d) Hallar una condición sobre a; b y c tal que w = (a; b; c) sea una combinación
lineal de u y v.
donde
(a) u = 3x2 + 8x 5:
278
(b) u = 4x2 6x 1.
1 1 1 1 1 1
A= ; B= y C=
0 1 1 0 0 0
Donde
3 1
(a) E = :
1 2
2 1
(b) E = :
1 2
genera a R3 , esto es, que todo vector (x; y; z) 2 R3 es una combinación lineal de los
vectores de S.
S = x2 2x; x3 + 8; x3 x2 ; x2 4
genera a P3 .
279
Ejercicio 4.10.39 S = f(1; 3) ; (2; 6) ; (4; 12)g :
Ejercicio 4.10.45 Mostrar que el plano yz; W = f(0; y; z)g en R3 es generado por
Ejercicio 4.10.46 Demostrar que Lin (S) es la intersección de todos los subespacios
de V que contienen a S.
Dependencia lineal.
4 2 2 1
(e) u = ; v= :
0 1 0 3
1 0 0 1
(f ) u = ; v= :
0 1 1 0
(g) u = x3 + 21 x2 16; v = 12 x3 1 2
4x + 8:
(h) u = x3 + 3x + 4; v = x3 + 4x + 3:
280
Ejercicio 4.10.48 Determinar si los siguientes vectores en R4 son linealmente de-
pendientes o independientes:
2 1 1 1 1 3 4 1 2
(b) A = ; B= ; C= :
3 2 4 2 0 5 1 2 3
281
Ejercicio 4.10.54 Sean a1 v1 +a2 v2 +a3 v3 = b1 v1 +b2 v2 +b3 v3 y ai 6= bi . Compruebe
que fv1 ; v2 ; v3 g es linealmente dependiente.
fv1 v2 ; v2 v3 ; v3 + v1 g :
(a) 1 1 0 ; 0 2 3 ; 3 6 6 ; 1 2 3 :
(b) 1 1 0 ; 3 4 2 :
(c) 1 1 0 ; 0 2 3 ; 1 2 3 :
1 1 1 0 0 3 4 6
(a) ; ; ; :
2 1 0 2 2 1 8 6
1 1 1 0 0 1
(b) ; ; :
1 1 0 2 0 2
1 1 2 3 3 1 2 2
(c) ; ; ; :
1 1 1 2 2 1 1 1
(a) x2 + 1; x 2; x + 3 :
(b) 2x2 + x; x2 + 3; x 2; x :
282
(b) fx; ex ; sen xg :
(c) x2 ; x; ex :
Ejercicio 4.10.62 ¿En qué condiciones un conjunto que consta de un solo vector
es linealmente independiente?
f (x) g (x)
W (x) =
f 0 (x) g 0 (x)
283
Ejercicio 4.10.69 En general, el wronskiano de f1 ; f2 ; : : : ; fn en C (n 1) es el de-
terminante
f1 (x) f2 (x) fn (x)
f10 (x) f20 (x) fn0 (x)
W (x) =
: : : :
(n 1) (n 1) (n 1)
f1 f2 fn
y f1 ; f2 ; : : : ; fn son linealmente independientes, siempre que W (x) no sea idéntica-
mente cero. Repita los ejercicios 63 a 67 utilizando la prueba del wronskiano.
Bases y dimensión
1 0 0 1
Ejercicio 4.10.77 S = ; :
0 1 1 0
1 0 0 1 1 0 8 4
Ejercicio 4.10.78 S = ; ; ; :
0 0 1 0 0 1 4 3
284
(a) S = f(1; 2; 1) ; (0; 3; 1)g :
(b) S = f(2; 4; 3) ; (0; 1; 1) ; (0; 1; 1)g :
(c) S = f(1; 5; 6) ; (2; 1; 8) ; (3; 1; 4) ; (2; 1; 1)g :
(d) S = f(1; 3; 4) ; (1; 4; 3) ; (2; 3; 11)g :
(a) S = x2 + x; x 1; 3x2 2x 1 :
(b) S = x2 + 1; x 1 :
(c) S = x2 + x; x2 ; x2 + 1 :
(d) S = x2 + 1; x2 x+1 :
285
1 1 1 0 0 3 4 6
(a) S = ; ; ; :
2 1 0 2 2 1 8 6
1 1 1 0 0 1
(b) S = ; ; :
1 1 0 2 0 2
1 1 2 3 3 1 2 2
(c) S = ; ; ; :
1 1 1 2 2 1 1 1
1 5 1 1 2 4 1 7
S= ; ; ;
4 2 1 5 5 7 5 1
Ejercicio 4.10.86 Hallar una base y la dimensión del espacio solución W de cada
sistema homogéneo.
x +2y +2z = 0
(a) x +5y + z = 0 :
3x +5y +8z = 0
x 2y +7z = 0
(b) 2x +3y 2z = 0 :
2x y +z = 0
x +4y +2z = 0
(c) :
2x + y +5z = 0
286
Ejercicio 4.10.87 Hallar una base y la dimensión del espacio solución W de cada
sistema homogéneo.
x +2y 2z +2s t = 0
(a) x +2y + z +3s 2t = 0 :
2x +4y 7z + s +t = 0
x +2y z +3s 4t = 0
(b) 2x +4y 2z s +5t = 0 :
2x +4y 2z +4s 2t = 0
Ejercicio 4.10.88 Hallar la dimensión del espacio solución del sistema homogéneo
2 32 3 2 3
1 0 2 x1 0
4 2 1 3 5 4 x2 5 = 4 0 5
3 1 2 x3 0
Ejercicio 4.10.89 Hallar una base del espacio solución del sistema homogéneo.
2 3
2 3 x1 2 3
1 2 2 1 1 6 7 0
6 0 2 2 7 6 x2 7 6 7
6 2 1 76 6 0 7
x3 77=4 0 5
4 2 6 2 4 1 564 x4 5
1 4 0 3 0 0
x5
287
Ejercicio 4.10.91 Comparando los rangos de las matrices de coe…cientes y aumen-
tada, determinar cuáles de los siguientes sistemas son consistentes.
2 3
2 3 x1 2 3
1 2 5 2 6 7 0
x2 7 4 5
(a) 4 2 3 2 4 56 4 x3 5 = 0 :
5 1 0 2 0
x4
2 3
2 3 x1 2 3
1 2 5 2 6 7 1
x2 7 4
(b) 4 2 3 2 4 56 4 x3 5 = 13 5 :
5 1 0 2 3
x4
2 3
2 3 x1 2 3
1 2 3 4 6 7 1
x2 7 4 5
(c) 4 4 1 5 6 56 4 x3 5 = 2 :
2 3 1 2 3
x4
2 32 3 2 3
1 1 1 x1 6
(d) 4 1 1 1 5 4 x2 = 2 5 :
5 4
5 1 5 x3 5
Ejercicio 4.10.92 Una matriz An n , es no singular si, y sólo si, Ran (A) = n.
Utilice este resultado para hallar cuáles de las siguientes matrices son no singulares.
2 3
1 2 3
(a) 4 1 2 3 5:
0 8 0
2 3
1 2 3
(b) 4 1 2 3 5:
0 1 1
2 3
1 1 4 1
6 1 2 3 2 7
(c) 64 1 3 2
7:
1 5
2 6 12 4
288
2 32 3 2 3
1 2 1 x1 0
(a) 4 2 1 3 5 4 x2 = 0 5 :
5 4
5 4 3 x3 0
2 32 3 2 3
1 1 3 x1 0
(b) 4 0 1 0 5 4 x2 5 = 4 0 5 :
1 0 3 x3 0
2 32 3 2 3
1 1 2 1 x1 0
6 1 3 1 2 7 6 x2 7 6 0 7
(c) 6
4 1
76 7 = 6 7:
1 1 3 5 4 x3 5 4 0 5
1 2 1 1 x4 0
2 32 3 2 3
1 1 4 1 x1 0
6 1 2 3 2 7 6 x2 7 6 0 7
(d) 6
4
76 7 = 6 7:
1 3 2 1 5 4 x3 5 4 0 5
2 6 12 4 x4 0
Ejercicio 4.10.97
Ejercicio 4.10.99 B = f(8; 11; 0) ; (7; 0; 10) ; (1; 4; 6)g ; u = (3; 19; 2) :
289
Ejercicio 4.10.101
1 2 1 0
S= ; y T = ;
1 3 2 1
1 5
v= y w=
5 4
290
Ejercicio 4.10.109 Sean
S = 0 1 1 ; 1 0 0 ; 1 0 1 y
T = 1 1 1 ; 1 2 3 ; 1 0 1
v= 1 4 5 y w= 2 0 6
S = 2x2 + x; x2 + 3; x y T = x2 + 1; x 2; x + 3
291
Ejercicio 4.10.113 El conjunto S = x2 + 1; x + 1; x2 + x es una base ordenada
de P2 . Hallar u si (u)S es:
(a) (3; 1; 2) :
(b) (1; 0; 0) :
(c) (2; 0; 1) :
S = x2 ; x; 1
Hallar [u]T si T = x2 + x + 1; x + 1; 1 :
1 2
C= ;
2 3
1 1
P =
1 2
Encuentre B.
B = x; 1 + x; 1 x + x2
Encuentre C.
292
CAPÍTULO 5
Espacios vectoriales con producto interior
De…nición 5.1.1 Sea V un espacio vectorial real. Supongamos que a cada par de
vectores (u; v) 2 V V se le asigna un escalar (número real) hu; vi 2 R, es decir
h; i : V V !R
(u; v) 7 ! hu; vi
1. hu; vi = hv; ui
293
2. hu; v + wi = hu; vi + hu; wi
3. r hu; vi = hru; vi
4. hu; ui 0 y hu; ui = 0 , u = :
Un espacio vectorial con producto interior se conoce como espacio euclideano o
espacio vectorial con producto interior, y el número real hu; vi se llama el producto
interior de u y v.
Ejemplo 5.1.1 Sea V = R2 entonces la función h ; i : R2 R2 ! R, de…nida
mediante
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i = x1 y1 + x2 y2
para todo ((x1 ; x2 ) ; (y1 ; y2 )) 2 R2 R2 . Es un producto interior en R2 , en efecto.
Sean u = (x1 ; x2 ) ; v = (y1 ; y2 ) ; w = (z1 ; z2 ) elementos de R2 y sea r un número real,
entonces.
(1)
hu; vi = h(x1 ; x2 ) ; (y1 ; y2 )i
= x1 y1 + x2 y2
= y1 x1 + y2 x2
= h(y1 ; y2 ) ; (x1 ; x2 )i = hv; ui
(2)
hu; v + wi = h(x1 ; x2 ) ; (y1 ; y2 ) + (z1 ; z2 )i
= h(x1 ; x2 ) ; (y1 + z1 ; y2 + z2 )i
= x1 (y1 + z1 ) + x2 (y2 + z2 )
= x1 y1 + x1 z1 + x2 y2 + x2 z2
= x1 y1 + x2 y2 + x1 z1 + x2 z2
= h(x1 ; x2 ) ; (y1 ; y2 )i + h(x1 ; x2 ) ; (z1 ; z2 )i
= hu; vi + hu; wi
(3)
r hu; vi = r h(x1 ; x2 ) ; (y1 ; y2 )i
= r (x1 y1 + x2 y2 )
= rx1 y1 + rx2 y2
= h(rx1 ; rx2 ) ; (y1 ; y2 )i
= hr (x1 ; x2 ) ; (y1 ; y2 )i
= hru; vi
294
(4)
Es un producto interior en R2 :
Solución. (1)
295
(2)
hu; v + wi = h(x1 ; x2 ) ; (y1 ; y2 ) + (z1 ; z2 )i
= h(x1 ; x2 ) ; (y1 + z1 ; y2 + z2 )i
= 3x1 (y1 + z1 ) + 4x2 (y2 + z2 )
= 3x1 y1 + 3x1 z1 + 4x2 y2 + 4x2 z2
= 3x1 y1 + 4x2 y2 + 3x1 z1 + 4x2 z2
= h(x1 ; x2 ) ; (y1 ; y2 )i + h(x1 ; x2 ) ; (z1 ; z2 )i
= hu; vi + hu; wi
(3)
r hu; vi = r h(x1 ; x2 ) ; (y1 ; y2 )i
= r (3x1 y1 + 4x2 y2 )
= 3rx1 y1 + 4rx2 y2
= h(rx1 ; rx2 ) ; (y1 ; y2 )i
= hr (x1 ; x2 ) ; (y1 ; y2 )i
= hru; vi
(4)
hu; ui = h(x1 ; x2 ) ; (x1 ; x2 )i
= 3x1 x1 + 4x2 x2
= 3x21 + 4x22 0 y
hu; ui = 0 () u =
Esto completa la demostración. X
En general la función.h ; i : Rn Rn ! R, de…nida mediante
hu; vi = h(x1 ; x2 ; : : : ; xn ) ; (y1 ; y2 ; : : : ; yn )i = c1 x1 y1 + c2 x2 y2 + + cn xn yn
donde ci > 0. Es un producto interior en Rn .
296
En el siguiente ejemplo se de…ne otro producto interior en Pn diferente al anterior.
p (x) = a0 + a1 x + a2 x2 + + an xn y q (x) = b0 + b1 x + b2 x2 + + bn xn
hp (x) ; q (x)i = a0 b0 + a1 b1 + + an bn
Notemos que si
2 3 2 3
4 5 2 1 1 2 5 1
4
A= 6 7 3 0 5 y B=4 6 7 2 4 5
0 2 4 5 5 2 4 3
También
2 3
1 6 5 2 3
6 4 5 2 1
2 7 2 7
hA; Bi = tr B t A = tr 6
4
74 6 7 3 0 5
5 2 4 5
0 2 4 5
1 4 3
2 3
32 57 40 26
6 50 43 25 8 7
= tr 6
4
7= 32 43 + 14 = 61
8 31 0 15 5
20 27 2 14
297
Ejemplo 5.1.6 Sea C [a; b] el espacio vectorial de todas las funciones reales conti-
nuas de…nidas en [a; b] y sean f y g funciones continuas de valores reales, la siguiente
función
h; i = C [a; b] C [a; b] ! R
dado por
Z b
hf (x) ; g (x)i = f (x) g (x) dx
a
Es un producto interior en C [a; b]. (veri…car)
Ejemplo 5.1.7 Sea C [a; b] nuevamente el espacio vectorial de todas las funciones
reales continuas de…nidas en el intervalo [a; b] si h es una función continua dada,
positiva en [a; b]. Otro producto interior en C [a; b] es
Z b
hf (x) ; g (x)i = h (x) f (x) g (x) dx
a
298
vector unitario normalizado. Que es un múltiplo positivo de v. Este proceso se
conoce como normalización de v.
1 1 3 4 2
u= v = p ( 3; 4; 2) = p ;p ;p
kvk 29 29 29 29
Es un vector normalizado es decir vector unitario.
(b) kp (x)k
Solución. (a)
(b) Como
299
Entonces,
p
d (p (x) ; q (x)) = kp (x) q (x)k = hp (x) q (x) ; p (x) q (x)i
p
= h1 2x + 4x2 ; 1 2x + 4x2 i
q p
= (1)2 + ( 2)2 + (4)2 = 21:
X
De…nición 5.2.3 Si u y v son vectores no nulos en un espacio vectorial euclideano,
se de…ne el coseno del ángulo entre ellos como
hu; vi
cos =
kuk kvk
Se acepta, sin decirlo, que al de…nir el coseno del ángulo entre u y v se tiene
por deducción, también de…nido el ángulo en cuestión, tomando solamente el valor
principal del coseno inverso. Es decir,
1 hu; vi
= cos
kuk kvk
Ejemplo 5.2.3 Sea V = C [0; 1] el espacio vectorial de todas las funciones reales
continuas de…nidas en [0; 1] con el producto interior de…nido por
Z 1
hf; gi = f (x) g (x) dx
0
Si f (x) = x + 2, entonces la longitud de f es.
s r
p Z 1
2 19
kf k = hf; f i = (x + 2) dx =
0 3
Si g (x) = 2x 3, entonces para determinar el coseno del ángulo entre f y g
procedemos como sigue. En primer lugar calculamos
s r
p Z 1
2 13
kgk = hg; gi = (2x 3) dx =
0 3
A continuación, determinamos
Z 1 Z 1
29
hf; gi = (x + 2) (2x 3) dx = 2x2 + x 6 dx =
0 0 6
Entonces
29
hf; gi 6 29
cos = =q q = p :
kf k kgk 19 13 2 (19) (13)
3 3
300
Ejemplo 5.2.4 Sea V = P1 el espacio vectorial de todos los polinomios de grado
menor o igual que 1 con producto interior.
Z 1
hp; qi = p (x) q (x) dx
0
Encuentre, el ángulo entre los vectores p (x) = 1 x y q (x) = x.
Solución. Primeramente determinemos
Z 1 Z 1
1
hp; qi = (1 x) (x) dx = x x2 dx =
0 0 6
p p
Seguidamente determinamos kpk = hp; pi y kqk = hq; qi. Como
Z 1 Z 1
1
hp; pi = (1 x) (1 x) dx = 1 2x + x2 dx =
0 0 3
p q
entonces kpk = hp; pi = 13 . Similarmente, como
Z 1 Z 1
1
hq; qi = (x) (x) dx = x2 dx =
0 0 3
p q
entonces kqk = hq; qi = 13 . Luego
1 1
hp; qi 1
cos = = q 6q = 6
1 =
kpk kqk 1 1 3
2
3 3
En consecuencia = cos 1 1
2 = 3. X
Ejemplo 5.2.5 Utilizando el producto interno
hu; vi = h(u1 ; u2 ) ; (v1 ; v2 )i = 2u1 v1 + 3u2 v2
en el espacio vectorial R2 , dibuje un esquema de la esfera (círculo) unitaria(o).
Solución. Si u = (x; y) 2 R2 , entonces
hu; ui = 2x2 + 3y 2 :
En razón de que la esfera (círculo) unitaria(o) está compuesta por todos los u tales
que kuk = 1, se tiene
p p
1 = kuk = hu; ui = 2x2 + 3y 2
o equivalentemente,
2x2 + 3y 2 = 1
Ésta es la ecuación de una elipse, cuya grá…ca se muestra en la siguiente …gura.X
301
1
3
1 1
−
2 2
1
−
3
5.3 Ortogonalidad
De…nición 5.3.1 Sea V un espacio vectorial con producto interior. Los vectores
u; v 2 V se dice que son ortogonales si hu; vi = 0.
h ; ui = h0u; ui = 0 hu; ui = 0
para determinar (a) hA; Bi, (b) ¿son ortogonales A y B? Para las siguientes ma-
trices de M2 2 .
1 3 0 2
A= y B=
4 2 1 1
Solución. (a)
302
Ejemplo 5.3.2 Determine, si las siguientes matrices en M2 2 con el producto in-
terior
X2 X 2
hA; Bi = tr B t A = aij bij
i=1 j=1
son o no ortogonales
7 8 2 5
A= y B=
2 4 3 5
Solución. Como
2 3 7 8 20 4
hA; Bi = tr B t A = tr = tr = 20 + 20 = 0
5 5 2 4 45 20
Ejemplo 5.3.3 Sea V = C [0; 1] el espacio vectorial de todas funciones reales con-
tinuas en [0; 1] con producto interior considerado en el ejemplo 5.2.3. Los vectores
x y x 23 son ortogonales, pues
Z 1 Z 1
2 2 2
x; x = x x dx = x2 x dx = 0
3 0 3 0 3
Nota 5.3.1 La ortogonalidad depende del producto interior especí…co que se usa.
Es decir, dos vectores pueden ser ortogonales con respecto a un producto interior
pero no con respecto a otros.
Teorema 5.4.1 (Cauchy – Schwarz) Sea V un espacio vectorial con producto inte-
rior. Entonces para todo u; v 2 V , se cumple
303
y por otra, se tiene
q p
kuk = (2)2 + (3)2 + (2)2 + ( 1)2 = 18
q p
kvk = (4)2 + (2)2 + (1)2 + (3)2 = 30
p p
Por lo tanto 13 18 30, esto muestra que jhu; vij kuk kvk :
Ejemplo 5.4.2 Sean f (x) = 1 y g (x) = x funciones en el espacio vectorial C [0; 1],
con el producto interior Z 1
hf; gi = f (x) g (x) dx
0
Compruebe que jhf; gij kf k kgk :
Solución. Como
Z 1 Z 1
1
hf; gi = f (x) g (x) dx = hf; gi = xdx =
0 0 2
s
p Z 1 p
kf k = hf; f i = dx = 1 = 1
0
s r
p Z 1
1
kgk = hg; gi = x2 dx =
0 3
q
1 1
Por consiguiente jhf; gij = 2 = 0:5 y kf k kgk = 3 = 0:577, de esto se concluye que
jhf; gij kf k kgk : X
304
Ejemplo 5.5.1 En R3 con el producto interior euclideano, encuentre la proyección
ortogonal de u sobre v, donde u = (3; 1; 2) y v = (7; 1; 2).
Solución. Como
hu; vi 18 7 1 2
proyv u = v= (7; 1; 2) = ; ; :
hv; vi 54 3 3 3
Ejemplo 5.5.2 Sea V = M2 2 el espacio vectorial de las todas las matrices con
producto interior dado por hA; Bi = tr B t A . Hallar la proyección ortogonal de A
sobre B, con
1 2 0 1
A= y B=
1 3 1 2
Solución. Como
0 1 1 2 1 3
hA; Bi = tr B t A = tr = tr = 7 y
1 2 1 3 1 8
0 1 0 1 1 2
hB; Bi = tr B t B = tr = tr =6
1 2 1 2 2 5
Entonces
hA; Bi 7 0 1 0 7=6
proyB A = B= =
hB; Bi 6 1 2 7=6 14=6
Ejemplo 5.5.3 Sean f (x) = 1 y g (x) = x funciones en C [0; 1] con producto inte-
rior Z 1
f (x) g (x) dx
0
determinar la proyección ortogonal de f sobre g.
305
Solución. Por el ejemplo 5.4.2 se sabe que hf; gi = 1
2 y kgk2 = 1
3. Por tanto la
proyección ortogonal de f sobre g es
hf; gi 1=2 3
proyg f = g= x = x:
hg; gi 1=3 2
X
En el siguiente teorema se da una propiedad importante de las proyecciones
ortogonales. Este establece que de todos los posibles múltiplos escalares de un vector
v, la proyección ortogonal de u sobre v es la más próxima a u, como se observa en
las siguientes …guras.
v v
Proyvu cv
Una segunda característica importante es que cada vector de esta base es un vector
unitario.
306
En esta sección se de…nirán algunas ventajas que poseen las bases que constan
de vectores unitarios mutuamente ortogonales y se presentará un procedimiento,
denominado procedimiento de ortonormalización de Gram–Schmidt para construir
bases ortonormales.
0 para i 6= j
hui ; uj i =
1 para i=j
Nota 5.6.1 Si S es una base, entonces se denomina base ortogonal o base ortonor-
mal respectivamente.
Solución. Resulta fácil comprobar que B es una base de R3 . Para demostrar que
B es ortonormal. Primeramente se demuestra que los tres vectores son mutuamente
ortogonales. Como
1 1
hu1 ; u2 i = + +0=0
6 6
2 2
hu1 ; u3 i = p p +0=0
3 2 3 2
p p p
2 2 2 2
hu2 ; u3 i = + =0
9 9 9
307
entonces los tres vectores de B son mutuamente ortogonales. Ahora mostremos que
cada vector de B es unitario. Como
r
p 1 1
ku1 k = hu1 ; u1 i = + +0=1
2 2
r
p 2 2 8
ku2 k = hu2 ; u2 i = + + =1
36 36 9
r
p 4 4 1
ku3 k = hu3 ; u3 i = + + =1
9 9 9
entonces cada vector de B es unitario. Por consiguiente, B es una base ortonormal.
X
hp; qi = a0 b0 + a1 b1 + a2 b2 + a3 b3
1 1
B= u1 = (1; 1; 0) ; u2 = ; ; 0 ; u3 = (0; 0; 2)
2 2
es ortogonal. Pues
1 1
hu1 ; u2 i = (1) + (1) + (0) (0) = 0
2 2
hu1 ; u3 i = (1) (0) + (1) (0) + (0) (2) = 0
1 1
hu2 ; u3 i = (0) + (0) + (0) (2) = 0
2 2
308
Esto dice que el conjunto B no es ortonormal. Sin embargo, normalizando cada uno
de los vectores de B se obtiene el siguiente conjunto ortonormal.
1 p 1 1 1
B0 = v1 = p (1; 1; 0) ; v2 = 2 ; ; 0 ; v3 = (0; 0; 2)
2 2 2 2
( p p ! )
1 1 2 2
= v1 = p ; p ; 0 ; v2 = ; ; 0 ; v3 = (0; 0; 1)
2 2 2 2
Este ejemplo ilustra que todo conjunto ortogonal siempre puede ser convertido
en un conjunto ortonormal.
¿Será posible convertir un(a) conjunto (base) no ortogonal en un(a) conjunto
(base) ortonormal?
La respuesta nos da el siguiente teorema, que establece que todo espacio vectorial
V con producto interior siempre posee una base ortonormal.
w1 = u1
hu2 ; w1 i
w2 = u2 w1
hw1 ; w1 i
hu3 ; w1 i hu3 ; w2 i
w3 = u3 w1 w2
hw1 ; w1 i hw2 ; w2 i
..
.
hun ; w1 i hun ; w2 i hun ; wn 1 i
wn = un w1 w2 wn 1
hw1 ; w1 i hw2 ; w2 i hwn 1 ; wn 1 i
1. Se empieza con una base del espacio vectorial con producto interior (no se
requiere que sea una base ortogonal o que conste de vectores unitarios).
309
2. Luego se convierte la base dada en una base ortogonal.
3. Finalmente se normaliza cada uno de los vectores de la base ortogonal a …n de
obtener una base ortonormal.
hu1 ; u2 i = 4 6= 2 6= 0
hu1 ; u3 i = 0
hu2 ; u3 i = 0
entonces
2 8 6 33 44
w2 = (1; 2; 0) + (4; 3; 0) = (1; 2; 0) + ; ;0 = ; ;0
25 25 25 25 25
Ahora, determinamos w3
hu3 ; w1 i hu3 ; w2 i
w3 = u3 w1 w2
hw1 ; w1 i hw2 ; w2 i
como
310
entonces,
w3 = u3 = (0; 0; 4)
De este modo obtenemos la siguiente base ortogonal
33 44
B0 = w1 = (4; 3; 0) ; w2 = ; ; 0 ; w3 = (0; 0; 4)
25 25
w1 = u1 = (1; 1; 0)
hu2 ; w1 i 3 1 1
w2 = u2 w1 = (1; 2; 0) (1; 1; 0) = ; ;0
hw1 ; w1 i 2 2 2
hu3 ; w1 i hu3 ; w2 i 1 1=2 1 1
w3 = u3 w1 w2 = (0; 1; 2) (1; 1; 0) ; ;0 = (0; 0; 2)
hw1 ; w1 i hw2 ; w2 i 2 1=2 2 2
1 1
B0 = w1 = (1; 1; 0) ; w2 = ; ; 0 ; w3 = (0; 0; 2)
2 2
311
Por tanto
( p p ! p p ! )
00 2 2 2 2
B = v1 = ; ; 0 ; v2 = ; ; 0 ; v3 = (0; 0; 1)
2 2 2 2
312
Entonces
p p p !
2 2 2 1 1 1 1
w2 = (1; 1; 0) 0; ; = (1; 1; 0) + 0; ; = 1; ;
2 2 2 2 2 2 2
Normalizando w2 tenemos
r r p
1 1 6 6
kw2 k = 1+ + = =
4 4 4 2
p p p !
w2 1 1 1 2 1 1 6 6 6
v2 = =p 1; ; =p 1; ; = ; ;
kw2 k 6=2 2 2 6 2 2 3 6 6
Luego
p p p ! p p p p !
2 2 2 6 6 6 6 2 2 2
w3 = (1; 0; 1) 0; ; ; ; = ; ;
2 2 2 6 3 6 6 3 3 3
Normalizando w3 tenemos
r r p
4 4 4 12 2 3
kw3 k = + + = =
9 9 9 9 3
p p p !
w3 1 2 2 2 3 2 2 2 3 3 3
v3 = = p ; ; = p ; ; = ; ;
kw3 k 2 3=3 3 3 3 2 3 3 3 3 3 3 3
313
Ejemplo 5.6.7 Aplique el proceso de Gram –Schmidt (forma alternativa) a la base
del espacio eucledeano R3
w1 u1 1 1 1 1
v1 = = = p (1; 1; 1) = p ;p ;p
kw1 k ku1 k 3 3 3 3
Luego calculamos
2 1 1 1 2 1 1
w2 = u2 hu2 ; v1 i v1 = (0; 1; 1) p p ;p ;p = ; ;
3 3 3 3 3 3 3
Normalizando w2 tenemos
w2 2 1 1
v2 = = p ;p ;p
kw2 k 6 6 6
Finalmente calculamos
w3 = u3 hu3 ; v1 i v1 hu3 ; v2 i v2
1 1 1 1 1 2 1 1 1 1
= (0; 0; 1) p p ;p ;p p p ;p ;p = 0; ;
3 3 3 3 6 6 6 6 2 2
w3 1 1
v3 = = 0; p ;p
kw3 k 2 2
1 1 1 2 1 1 1 1
B 00 = v1 = p ;p ;p ; v2 = p ;p ;p ; v3 = 0; p ;p
3 3 3 6 6 6 2 2
X
314
5.7 Propiedades de los conjuntos ortogonales (ortonor-
males)
La propiedad particular de mayor importancia de los conjuntos ortogonales (y en
consecuencia ortonormales) es que cada uno de tales conjuntos es linealmente inde-
pendiente en un espacio vectorial V . Así como se demuestra en el siguiente.
a1 u1 + a2 u2 + a3 u3 + + an un =
h(a1 u1 + a2 u2 + a3 u3 + + an un ) ; ui i = h ; ui i = 0
Puesto que, todas las veces que i 6= j, la ecuación vectorial anterior se reduce a
ai hui ; ui i = 0
y como hui ; ui i =
6 0; se concluye que ai = 0. Así, cada uno de los coe…cientes en la
ecuación vectorial
a1 u1 + a2 u2 + a3 u3 + + an un =
es cero y por tanto el conjunto S = fu1 ; u2 ; u3 ; : : : ; un g es linealmente independiente.
X
Como una consecuencia del anterior teorema se tiene el siguiente.
es una base de R4 .
315
Solución. Observemos que el conjunto B consta de cuatro vectores no nulos. Así
por el anterior corolario se puede demostrar que es una base para R4 , al comprobar
que es un conjunto ortogonal veamos.
w = w1 i + w2 j
w1 = hw; ii y w2 = hw; ji
w = w1 i + w2 j = hw; ii i + hw; ji j
Esto dice que los coe…cientes w1 y w2 son simplemente los productos interiores de
w con los vectores básicos respectivos.
Este resultado se presenta en el siguiente.
B = fu1 ; u2 ; u3 ; : : : ; un g
316
Ejemplo 5.7.2 Encontrar las coordenadas de w = (5; 5; 2) con respecto a la si-
guiente base ortonormal de R3
3 4 4 3
B= u1 = ; ; 0 ; u2 = ; ; 0 ; u3 = (0; 0; 1)
5 5 5 5
Solución. Puesto que B es ortonormal, entonces es posible aplicar el anterior teo-
rema para determinar las coordenadas requeridas.
3 4
hw; u1 i = (5; 5; 2) ; ; ;0 = 1
5 5
4 3
hw; u2 i = (5; 5; 2) ; ; ;0 = 7
5 5
hw; u3 i = h(5; 5; 2) ; (0; 0; 1)i = 2
Así, el vector de coordenadas de w con respecto a B es (w)B = ( 1; 7; 2) : X
Ejemplo 5.7.3 Sea
2 2 1 2 1 2 1 2 2
B= u1 = ; ; ; u2 = ; ; ; u3 = ; ;
3 3 3 3 3 3 3 3 3
Una base ortonormal para R3 . Expresar el vector w = (3; 4; 5) como una combi-
nación lineal de los vectores de B.
Solución. Deseamos encontrar escalares a1 ; a2 y a3 tales que
w = a1 u1 + a2 u2 + a3 u3
El teorema anterior muestra que los escalares a1 ; a2 y a3 se pueden obtener sin tener
que resolver un sistema de tres ecuaciones lineales con tres incógnitas, pues
2 2 1
a1 = hw; u1 i = (3; 4; 5) ; ; ; =1
3 3 3
2 1 2
a2 = hw; u2 i = (3; 4; 5) ; ; ; =0
3 3 3
1 2 2
a3 = hw; u3 i = (3; 4; 5) ; ; ; =7
3 3 3
De este modo se tiene
w = a1 u1 + a2 u2 + a3 u3
2 2 1 2 1 2 1 2 2
(3; 4; 5) = a1 ; ; + a2 ; ; + a3 ; ;
3 3 3 3 3 3 3 3 3
2 2 1 1 2 2
(3; 4; 5) = ; ; +7 ; ; :
3 3 3 3 3 3
X
317
5.8 Ejercicios propuestos
En los ejercicios del 1 al 10, determine (a) hu; vi, (b) kuk y (c) d (u; v) para el
producto interior de…nido en Rn .
Ejercicio 5.8.10
318
2 5 0 5
Ejercicio 5.8.15 A = ; B= :
3 4 6 1
1 0 0 1
Ejercicio 5.8.16 A = ; B= :
0 1 1 0
319
Ejercicio 5.8.30 p (x) = 1 x + x2 ; q (x) = 1 + x + x2 ; hp; qi = a0 b0 + a1 b1 + a2 b2 :
R1
Ejercicio 5.8.31 f (x) = x; g (x) = x2 ; hf; gi = 1 f (x) g (x) dx:
R1
Ejercicio 5.8.32 f (x) = 1; g (x) = x2 ; hf; gi = 1f (x) g (x) dx:
Ejercicio 5.8.36
2 5 0 5
A= ; B= ; hA; Bi = 2a11 b11 + a12 b12 + a21 b21 + 2a22 b22 :
3 4 6 1
R
Ejercicio 5.8.37 f (x) = sen x; g (x) = cos x; hf; gi = f (x) g (x) dx:
R2
Ejercicio 5.8.38 f (x) = 1; g (x) = cos x; hf; gi = 0 f (x) g (x) dx:
En los ejercicios del 42 al 45, (a) determine proyv u, (b) encuentre proyu v y (c)
trace la grá…ca de ambos resultados.
Ejercicio 5.8.45
u = (0; 1; 3; 6) ; v = ( 1; 1; 2; 2) ; hu; vi = u1 v1 + u2 v2 + u3 v3 + u4 v4 :
320
En los ejercicios del 46 al 51, determine la proyección ortogonal
Rb de f sobre g.
Aplique el producto interior en C [a; b] de…nido por hf; gi = a f (x) g (x) dx:
321
Ejercicio 5.8.62
( p p ! p p !)
10 3 10 3 10 10
u1 = ; 0; 0; ; u2 = (0; 0; 1; 0) ; u3 = (0; 1; 0; 0) ; u4 = ; 0; 0; :
10 10 10 10
Ejercicio 5.8.70
322
En los problemas del 77 al 80, sea B = u1 = 1; u2 = x; u3 = x2 una base
R1
de P2 con el producto interior hp; qi = 1 p (x) q (x) dx. Veri…que los productos
interiores indicados.
Ejercicio 5.8.79 x2 ; 1 = 32 :
Ejercicio 5.8.80 x2 ; x = 0:
En los ejercicios del 81 al 84, determine una base ortonormal para el espacio
solución del sistema homogéneo de ecuaciones lineales dado.
Ejercicio 5.8.81
Ejercicio 5.8.82
x1 + x2 3x3 2x4 = 0
2x1 x2 x4 = 0
3x1 + x2 5x3 4x4 = 0
Ejercicio 5.8.83
x1 + x2 x3 x4 = 0
2x1 + x2 2x3 2x4 = 0
Ejercicio 5.8.84
x1 + 3x2 3x3 = 0
En los ejercicios del 85 al 90, sean p (x) = a0 +a1 x+a2 x2 y q (x) = b0 +b1 x+b2 x2
vectores en P2 con hp; qi = a0 b0 +a1 b1 +a2 b2 . Determine si los polinomios de segundo
grado dados forman un conjunto ortonormal y en caso negativo, aplique el proceso
de ortonormalización de Gram –Schmidt para formar un conjunto ortonormal.
n 2
o
x2 +x
Ejercicio 5.8.85 u1 = xp+1 2
; u 2 = p
3
1
:
323
p p
Ejercicio 5.8.86 u1 = 2 x2 1 ; u2 = 2 x2 + x + 2 :
Ejercicio 5.8.88 u1 = 1; u2 = x; u3 = x2 :
Ejercicio 5.8.89 u1 = x2 1; u2 = x 1 :
n o
3x2 +4x 4x2 +3x
Ejercicio 5.8.90 u1 = 5 ; u2 = 5 ; u3 = 1 :
Ejercicio 5.8.94
( p p ! p p !)
10 3 10 3 10 10
B = u1 = ; 0; ; u2 = (0; 1; 0) ; u3 = ; 0; ;
10 10 10 10
u = (2; 2; 1) :
Ejercicio 5.8.97
5 12 12 5
B = u1 = ; 0; ; 0 ; u2 = (0; 1; 0; 0) ; u3 = ; 0; ; 0 ; u4 = (0; 0; 0; 1) ;
13 13 13 13
u = (2; 1; 4; 3) :
324
CAPÍTULO 6
Transformaciones lineales
325
Ejemplo 6.1.1 (Una función de R2 a R2 ) Para cualquier vector v = (v1 ; v2 ) en R2 ,
sea T : R2 R2 la función de…nida por
T (v1 ; v2 ) = (v1 v2 ; v1 + 2v2 )
Ejemplo 6.1.2 (a) Sea f : R ! R la función que asigna a cada número real x su
cuadrado x2 . Esto es,
f (x) = x2
la imagen de 5 es 25, de modo que escribimos f ( 5) = 25:
(b) Consideremos la matriz 2 3,
1 3 5
A=
2 4 1
si expresamos los vectores en R3 y R2 como vectores columna. A; determina la
aplicación F : R3 ! R2 de…nida por F (v) = Av, para todo v 2 R3 . Así, si
2 3 2 3
3 3
1 3 5 4 10
v = 4 1 5 ; entonces F (v) = Av = 1 5=
2 4 1 12
2 2
(c) Sea V el espacio vectorial de los polinomios en t sobre R. La derivada de…ne
una función D : V ! V , donde para cada polinomio, f 2 V se de…nie D (f ) = df dt .
Por ejemplo D 5t2 7t + 6 = 10t 7.
(d) Sea V el espacio vectorial de los polinomios en t. La integral, digamos de
0 a 1 de…ne
R 1 una función J : V ! 2R donde paraRcada polinomio, f 2 V hacemos
1
J (f ) = 0 f (t) dt por ejemplo J 3t 5t + 2 = 0 3t 2 5t + 2 dt = 12 :
326
Nótese que esta función es del espacio vectorial V en el campo de los números
reales R, mientras que la de (c) es de V en si mismo.
g f :A!C
f (x) = 2x + 1 y g (x) = x2 2
Encontrar fórmulas para las funciones (a) g f , (b) f g y (c) g g (a veces denotado
por g 2 ).
327
Teorema 6.1.1 Sean f : A ! B; g : B ! C y h : C ! D funciones en tal caso se
tiene
h (g f ) = (h g) f
Demostración. Sea a 2 A, entonces
(h (g f )) (a) = h ((g f ) (a)) = h (g (f (a)))
((h g) f ) (a) = (h g) (f (a)) = h (g (f (a)))
De este modo, (h (g f )) (a) = ((h g) f ) (a) para todo a 2 A, luego
h (g f ) = (h g) f:
X
Ejemplo 6.1.4 Consideremos las funciones f; g y h de R en R las cuales están
de…nidas por
p
f (x) = x4 ; g (y) = y 2 + 1 y h (z) = z 2 + 72
Veri…car el anterior teorema.
Solución. Utilizamos variables con nombres distintos x, y, z para ayudarnos a
hacer más claros los cálculos siguientes. Calculemos h (g f ) y (h g) f y luego
comparamos las respuestas. Primero para x 2 R tenemos.
(h (g f )) (x) = h ((g f ) (x)) Por de…nición de h ( )
= h (g (f (x))) por de…nición de g f
4
= h g x ya que f (x) = x4
p
= h x8 + 1 y = x4 en la de…nición de g
p 2 p
= x8 + 1 + 72 z = x8 + 1 en la de…nición de h
= x8 + 73 por álgebra.
Por otro lado,
((h g) f ) (x) = (h g) (f (x)) Por de…nicón de ( ) f
= h (g (f (x))) por de…nicón de h g
8
= x + 73 exactamente igual que antes.
De esta forma concluimos que
(h (g f )) (x) = ((h g) f ) (x) = x8 + 73
para todo x 2 R. X
De entre la multitud de funciones de un conjunto V a W , se distinguen algunos
tipos particularmente apropiados a saber.
328
6.1.3 Funciones inyectivas (uno a uno) y suryectivas (sobre)
De…nición 6.1.1 Se dice que una función f : A ! B es inyectiva o uno a uno
si elementos diferentes de A tienen imágenes diferentes. Esto es, si a 6= b implica
f (a) 6= f (b) esto equivale lógicamente a la contrarecíproca si f (a) = f (b) implica
a = b. Que es la forma más utilizada en las demostraciones.
Ejemplo 6.1.5 Demostrar que f : R ! R de…nida por f (x) = 3x 5 es una
función inyectiva.
Solución. Para mostrar que f es inyectiva necesitamos mostrar que
f (x) = f (y) implica x = y
Es decir,
3x 5 = 3y 5 implica x = y
Pero
3x 5 = 3y 5 implica 3x = 3y
y
3x = 3y implica x = y:
Por tanto la función f es inyectiva o uno a uno. X
De…nición 6.1.2 Se dice que una función f : A ! B es suryectiva o sobre (o que
f aplica A sobre B) si para todo b 2 B existe un a 2 A tal que f (a) = b.
En otras palabras, una función f es suryectiva si las imágenes de A bajo f llenan
todo B.
Ejemplo 6.1.6 Demostrar que f : R ! R de…nida por f (x) = 3x 5 es una
función suryectiva.
Solución. Para mostrar que f es una función suryectiva de R en R, consideremos
un elemento y en R. Necesitamos encontrar una x en R tal que f (x) = y. Es decir
3x 5 = y; despejando x obtenemos
y+5
x=
3
y+5
De esta manera dada y en R, 3 pertenece a R luego,
y+5 y+5
f (x) = f =3 5 = y:
3 3
y+5
Esto muestra que para toda y 2 R existe un x = 3 2 R tal que f (x) = y. De
este modo f es una función suryectiva. X
329
De…nición 6.1.3 Se dice que una función f : A ! B es biyectiva, o que es una
correspondencia uno a uno entre A y B si es simultáneamente inyectiva y suryectiva.
Por los ejemplos 6.1.5 y 6.1.6 se sabe que la función f : R ! R de…nida por
f (x) = 3x 5; es tanto inyectiva como suryectiva en consecuencia esta función es
biyectiva.
Existe una función muy precisa que siempre está presente, en cualquier conjunto
A arbitrario, se trata de la función identidad f : A ! A de…nida por f (a) = a que
no desordena ningún elemento de A es decir la que asigna a cada elemento de A el
propio elemento, está función se denota por IA o IdA .
Antes de abandonar esta breve discusión sobre funciones, hay otro hecho más
acerca de ciertas funciones que se debe hacer resaltar a saber la función inversa.
Señalamos que f tiene inversa si, y sólo si, f es tanto inyectiva como suryectiva
así, como demostraremos más adelante. Además, si b 2 B; f 1 (b) = a; siendo a el
único elemento de A para el que f (a) = b.
330
(c) Supongamos que f no es inyectiva. En tal caso, existen elementos distintos
x; y 2 A tales que f (x) = f (y). De este modo g (f (x)) = g (f (y)) esto es
(g f ) (x) = (g f ) (y). Luego g f no es inyectiva. Por tanto, si g f es
inyectiva, entonces f es inyectiva.
(d) Si a 2 A entonces (g f ) (a) = g (f (a)) 2 g (B), luego (g f ) (A) g (B).
Supongamos que g no es suryectiva. Entonces g (B) estará contenido propia-
mente en C y por consiguiente (g f ) (A) también lo estará, de donde g f no
es suryectiva. En consecuencia si g f es suryectiva necesariamente lo es g.
X
Teorema 6.1.2 Una función f : A ! B tiene una inversa si, y sólo si, f es
inyectiva y suryectiva.
Demostración. ()) Supongamos que f tiene una inversa f 1 : B ! A, entonces
f 1 f = IdA y f f 1 = IdB . Por ser IdA inyectiva, f es inyectiva, según el
ejemplo 6.1.7. (c) y como IdB es suryectiva, entonces f es suryectiva por el mismo
ejemplo (d). Esto dice que f es simultáneamente inyectiva y suryectiva.
(() Supongamos ahora que f es tanto inyectiva como suryectiva. En este caso,
cada b 2 B es la imagen de un único elemento de A, digamos a0 de este modo, si
f (a) = b, necesariamente a = a0 , luego f (a0 ) = b. Denotemos por g la función de B
en A de…nida por g (b) = a0 . Tenemos
(i) (g f ) (a) = g (f (a)) = g (b) = a0 = a; 8a 2 A; por consiguiente, g f = IdA .
(ii) (f g) (b) = f (g (b)) = f (a0 ) = b; 8b 2 B; por consiguiente, f g = IdB .
En consecuencia, f tiene por inversa a la función g. X
Antes de de…nir una transformación lineal, vale hacer algunos comentarios con
respecto a las funciones. En el primer capítulo un sistema de ecuaciones lineales se
escribió en la forma
Ax = b
Donde A es una matriz m n; x 2 Rn y b 2 Rm . Se pedía hallar x si se conocían A
y b. Sin embargo, a esta ecuación se le puede dar otro enfoque supóngase que A es
dada, entonces la ecuación Ax = b “dice” si me da un x 2 Rn yo daré a cambio un
b 2 Rm ; es decir A representa una función cuyo dominio es Rn y cuyo codominio es
Rm .
La función que se acaba de de…nir tiene la propiedad de que 8r 2 R y 8x; y 2 Rn .
A (rx) = rAx y A (x + y) = A (x) + A (y)
Son estas propiedades las que caracterizan a las transformaciones lineales.
331
6.2 Transformaciones lineales.
En esta sección estudiaremos un tipo especial de funciones de un espacio vectorial
U en otro espacio vectorial V que preservan la estructura de espacio vectorial, estas
funciones que preservan la estructura de espacio vectorial se llaman transformaciones
lineales cuya de…nición formal es.
T (u + v) = = + = T (u) + T (v)
T (ru) = = r = rT (u)
332
Ejemplo 6.2.3 (Transformación re‡exión) Supóngase que T : R2 ! R2 (aquí los
vectores en R2 se escriben como columnas) está de…nida por
x x
T =
y y
Es fácil veri…car que T es una transformación lineal.
T (u + v) = T ((x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ))
= T (x1 + x2 ; y1 + y2 ; z1 + z2 )
= (x1 + x2 ; y1 + y2 )
= (x1 ; y1 ) + (x2 + y2 )
= T (x1 ; y1 ; z1 ) + T (x2 ; y2 ; z2 )
= T (u) + T (v)
T (ru) = T (r (x1 ; y1 ; z1 ))
= T (rx1 ; ry1 ; rz1 )
= (rx1 ; ry1 )
= r (x1 ; y1 )
= rT (x1 ; y1 ; z1 )
= rT (u)
Por tanto, T es una transformación lineal, llamada proyección, la imagen del vector
(o punto) (6; 8; 3) es el vector (o punto) (6; 8).
333
Ejemplo 6.2.5 (Transformación de…nida por una matriz) Sea A cualquier matriz
m n. Como se señaló previamente, A determina una función F : Rn ! Rm
de…nida mediante F (u) = Au. (Aquí los vectores de Rn y Rm se escriben como
columnas). A…rmamos que F es una transformación lineal. Esto es debido a que,
por propiedades de las matrices se cumplen
F (u + v) = A (u + v) = Au + Av = F (u) + F (v)
F (ru) = A (ru) = rAu = rF (u) :
Donde u; v 2 Rn y r 2 R. Por tanto, toda matriz A de m n da origen a una
transformación lineal de Rn a Rm .
334
Ejemplo 6.2.10 Sean V el espacio vectorial de las matrices cuadradas y M una
matriz arbitraria en V . Defínase T : V ! V mediante T (A) = AM + M A con
A 2 V . Mostrar que T es transformación lineal.
T (A + B) = (A + B) M + M (A + B)
= AM + BM + M A + M B
= (AM + M A) + (BM + M B)
= T (A) + T (B)
Ejemplo 6.2.11 Sea T : P1 ! P2 de…nida por T (at + b) = t (at + b). Mostrar que
T es una transformación lineal.
335
Solución. Sean p (t) y q (t) vectores en P1 y sea r un escalar. Entonces
Mientras, que
Como
T [p (t) + q (t)] 6= T [p (t)] + T [q (t)]
concluimos que T no es una transformación lineal. X
Observación 6.2.2 No toda función que tenga el aspecto de ser lineal es en realidad
una transformación lineal. Considérese por ejemplo, la función T : R ! R de…nida
por T (x) = 2x + 3. Entonces
f(x; T (x)) =x 2 Rg
T (x + y) = 2 (x + y) + 3 = 2x + 2y + 3
pero
T (x) + T (y) = (2x + 3) + (2y + 3) = 2x + 2y + 6
Las únicas transformaciones lineales de R a R son funciones de la forma T (x) = mx
siendo m algún número real. Así, de todas las funciones que representan líneas
rectas, las únicas que son transformaciones lineales son las que pasan por el origen.
En álgebra y en cálculo, una función lineal con dominio R es aquella que tiene la
forma f (x) = mx + b. Por tanto, se puede decir que una función lineal es una
transformación lineal de R a R si, y sólo si, b (la intersección con el eje y) es cero.
Ejemplo 6.2.13 Una función que no es una transformación lineal. Supóngase que
T : C [0; 1] ! R está de…nida por T (f ) = f (0)+1. Entonces T no es transformación
lineal. Esto se comprueba fácilmente así
mientras que
Este es otro ejemplo de una función que aparenta ser lineal, pero que en realidad no
lo es.
336
Ejemplo 6.2.14 Demuestre que ninguna de las siguientes funciones es transforma-
ción lineal:
(a) Sean
1 0 0 0 1 0
A= yB= entonces A + B =
0 0 0 1 0 1
de manera que
1 0
T (A + B) = det (A + B) = =1
0 1
Pero
1 0 0 0
T (A) + T (B) = det A + det B = + =0+0=0
0 0 0 1
de modo que T (A + B) 6= T (A) + T (B). En consecuencia T no es una trans-
formación lineal.
(b) Sea x = 1 y sea y = 2. Entonces
T (x + y) = T (3) = 23 = 8
pero
T (x) + T (y) = 21 + 22 = 6
esto muestra que T (x + y) 6= T (x) + T (y), de este modo T no es lineal.
(c) Sea x = 1 y sea y = 2. Entonces
T (x + y) = T (3) = 3 + 1 = 4
pero
T (x) + T (y) = (1 + 1) + (2 + 1) = 5
esto muestra que T (x + y) 6= T (x) + T (y). Por consiguiente T no es trans-
formación lineal.
337
6.3 Propiedades de las transformaciones lineales.
Las dos propiedades de las transformaciones lineales del siguiente teorema son útiles
y fáciles de probar.
T( U) +T ( U) =T( U + U) =T( U) :
Observación 6.3.1 Observe que la propiedad (a) del teorema anterior proporciona
un método rápido para decidir que funciones no son transformaciones lineales, es
decir como transformación lineal debe cumplir las dos propiedades del teorema, si
una función no satisface cualquiera de las anteriores propiedades, entonces la función
no es una transformación lineal.
f (x1 ; x2 ) = (x1 + x2 ; x1 + 1)
338
Solución. Como f ( ) = f (0; 0) = (0; 1) 6= , vemos que f no preserva el cero y por
tanto no puede ser transformación lineal. X
f (x; y) = (x + 1; 2y; x + y)
no es transformación lineal.
u = a1 u1 + a2 u2 + : : : + an un
de…nimos T : U ! V mediante;
T (u) = T (a1 u1 + a2 u2 + : : : + an un ) = a1 v1 + a2 v2 + : : : + an vn
Puesto que los ai son únicos, entonces la función T está bien de…nida. Por
otra parte, para i = 1; 2; 3; : : : ; n se tiene
Luego
T (ui ) = 0v1 + 0v2 + + 1vi + + 0vn = vi
339
Paso 2 Sean u = a1 u1 + a2 u2 + : : : + an un y w = b1 u1 + b2 u2 + : : : + bn un . Entonces
y para cada r 2 R,
T (u) = a1 v1 + a2 v2 + : : : + an vn y T (w) = b1 v1 + b2 v2 + : : : + bn vn
Por tanto
F (u) = F (a1 u1 + a2 u2 + : : : + an un )
= a1 F (u1 ) + a2 F (u2 ) + : : : + an F (un )
= a1 v1 + a2 v2 + : : : + an vn
= T (u)
340
Observación 6.3.2 Observe que este teorema establece que una transformación li-
neal T : U ! V esta completamente determinada por su efecto sobre una base de U .
Es decir si
T (u1 ) = v1 ; T (u2 ) = v2 ; : : : ; T (un ) = vn
están de…nidos para una base B = fu1 ; u2 ; : : : ; un g, entonces T (u) está de…nido para
cualquier u 2 U de esta manera solo es necesario saber
Puesto que B = f(1; 2) ; (0; 1)g constituye una base de R2 , tal transformación lineal
existe y es única en virtud del teorema anterior. Deseamos encontrar una expresión
para T , es decir, T (x; y). Para lo cual escribimos (x; y) como combinación lineal de
(1; 2) y (0; 1), esto es
(x; y) = a1 (1; 2) + a2 (0; 1)
que produce el siguiente sistema
1 0 a1 x
=
2 1 a2 y
341
Ejemplo 6.3.4 Sea T : M3 1 ! M2 1 una transformación lineal de M3 1 a M2 1
y supóngase que
2 3 2 3 2 3
1 0 0
2 1 5
T4 0 5= ; T4 1 5= ; T4 0 5=
3 4 3
0 0 1
Calcule 2 3
3
T4 4 5
5
Solución. Como
2 3 2 3 23 2 3
3 1 0 0
4 4 5 = 34 0 5 44 1 5 + 54 0 5
5 0 0 1
entonces
2 3 2 3 23 2 3
3 1 0 0
T4 4 5 = 3T 0 5
4 4T 1 + 5T 0 5
4 5 4
5 0 0 1
2 1 5
= 3 4 +5
3 4 3
6 4 25 35
= + + =
9 16 15 22
7t + 3 = 5 (t + 1) + 2 (t 1)
342
Entonces
T (7t + 3) = T [5 (t + 1) + 2 (t 1)]
= 5T (t + 1) + 2T (t 1)
2 2
= 5 t 1 +2 t +t
2
= 7t + 2t 5:
a+b a b
at + b = (t + 1) + (t 1)
2 2
Entonces
a+b a b
T (at + b) = T (t + 1) + (t 1)
2 2
a+b a b
= T (t + 1) + T (t 1)
2 2
a+b a b
= t2 1 + t2 + t
2 2
a b a+b
= at2 + t :
2 2
(S T ) (u) = S (T (u)) ; 8u 2 U
Observación 6.4.1 Observe que para que la de…nición tenga sentido, la imagen o
contradominio de T debe estar contenida en el dominio de S.
343
Solución. Utilizando la de…nición de composición de transformaciones lineales se
tiene
(S T ) (3; 2) = S (T (3; 2)) = S (3 + (3 2) x) = S (3 + x) = x (3 + x) = 3x + x2
(S T ) (a; b) = S (T (a; b)) = S (a + (a + b) x) = x (a + (a + b) x) = ax + (a + b) x2 :
X
Teorema 6.4.1 Si T : U ! V y S : V ! W son transformaciones lineales, en-
tonces S T : U ! W es una transformación lineal.
Demostración. Sean u; v 2 U y sea r 2 R un escalar. Entonces
(S T ) (u + v) = S (T (u + v))
= S (T (u) + T (v))
= S (T (u)) + S (T (v))
= (S T ) (u) + (S T ) (v)
Por otra parte
(S T ) (ru) = S (T (ru))
= S (rT (u))
= rS (T (u))
= r (S T ) (u)
Por consiguiente, S T es una transformación lineal. X
344
Observación 6.4.2 Vale la pena observar en el método del ejemplo anterior lo
siguiente. Supongamos que deseamos demostrar que dos transformaciones lineales
T1 y T2 (ambas de V en W ) son iguales. Basta con demostrar que T1 (v) = T2 (v)
para todo v 2 V .
Son inversas.
345
Gracias a este teorema, si T es invertible, podemos hacer referencia a la inversa
de T . De ahora en adelante será denotada como T 1 (que se lee “T inversa”). En
las siguientes secciones abordaremos la cuestión de determinar cuándo una transfor-
mación lineal dada es invertible y la de hallar su inversa cuando esta exista.
ker T = fu 2 U= T (u) = g
346
Teorema 6.6.1 Si T : U ! V es una transformación lineal, entonces
1. ker T es un subespacio de U .
2. cont T es un subespacio de V .
(i) si u; v 2 S implica u + v 2 S:
(ii) si u 2 S y r 2 R entonces ru 2 S:
(i) Sean u; v 2 ker T entonces por de…nición de ker T se tiene T (u) = y T (v) = ,
deseamos mostrar que u + v 2 ker T , observe que u + v 2 ker T si, y sólo si,
T (u + v) = . Como
T (u + v) = T (u) + T (v) = + =
T (ru) = rT (u) = r =
347
(ii) Sea v 2 cont T y r 2 R, entonces existe u 2 U tal que T (u) = v. Como existe
u 2 U y U es un espacio vectorial entonces existe ru 2 U tal que
T (ru) = rT (u) = rv
X
En vista de que tanto ker T como cont T de una transformación lineal
T :U !V
(b) Determine una base tanto para el ker T como para el cont T .
348
Resolviendo este sistema por eliminación de Gauss-Jordan se tiene
2 3 2 3
1 2 0 1 1 : 0 1 0 2 0 1 : 0
6 2 1 3 1 0 : 0 7 7 6 0 1 1 0 2 : 0 7
6 $ $6 7
4 1 0 2 0 1 : 0 5 4 0 0 0 1 4 : 0 5
0 0 0 2 8 : 0 0 0 0 0 0 : 0
x1 +2x3 x5 = 0 x1 = 2x3 + x5
x2 x3 2x5 = 0 de donde x2 = x3 +2x5
x4 +4x5 = 0 x4 = 4x5
Esto dice que el sistema tiene in…nitas soluciones uno para cada valor de x3 y x5 ;
haciendo x3 = q y x5 = t se tiene
Para hallar una base del ker T , vemos que cualquier vector en el ker T puede escribirse
como
f( 2; 1; 1; 0; 0) ; (1; 2; 0; 4; 1)g
B = f( 2; 1; 1; 0; 0) ; (1; 2; 0; 4; 1)g
T (x1 ; x2 ; x3 ; x4 ; x5 ) = (y1 ; y2 ; y3 ; y4 )
349
A partir de esta ecuación se obtiene el siguiente sistema no homogéneo de ecuaciones
lineales 2 3
2 3 x 2 3
1 2 0 1 1 6 1 7 y1
6 2 1 3 1 0 7 6 x2 7 6 7
6 7 6 x3 7 = 6 y2 7
4 1 0 2 0 1 54 6 7 4 y3 5
x4 5
0 0 0 2 8 y3
x5
Resolviendo este sistema mediante eliminación de Gauss tenemos
2 3 2 3
1 2 0 1 1 : y1 1 0 2 0 1 : y1
6 2 1 3 1 0 : y 7 6 0 1 1 1
0 : y3 +y1 7
6 2 7$6 2 2 7
4 1 0 2 0 1 : y3 5 4 0 0 0 1 4 : y1 + 2y2 + 3y3 5
0 0 0 2 8 : y4 0 0 0 0 0 : y1 2y2 3y3 + y24
Así, vemos que el sistema tiene solución sólo cuando y1 2y2 3y3 + y24 = 0; o sólo
cuando 2y1 4y2 6y3 + y4 = 0 que es equivalente a y4 = 2y1 + 4y2 + 6y3 .
Por tanto el cont T es el conjunto de todos los v = (y1 ; y2 ; y3 ; y4 ) 2 R4 de la
forma.
También, en este caso se puede comprobar que este conjunto es linealmente inde-
pendiente. De este modo una base para el contradominio de T es el conjunto
350
Está última observación sugiere la siguiente.
B = fu1 ; u2 ; u3 ; : : : ; uk ; uk+1 ; : : : ; un g
Así,
rango (T ) + nulidad (T ) = (n k) + k = n = dim U
como se quiere.
Observe que B 0 está contenido en el cont T . Primero demostremos B 0 que genera
la imagen de T . Sea v cualquier vector del cont T , entonces existe u 2 U tal que
T (u) = v. Como B = fu1 ; u2 ; u3 ; : : : ; uk ; uk+1 ; : : : ; un g es una base para U , podemos
encontrar un conjunto único de escalares a1 ; a2 ; a3 ; : : : ; ak ; ak+1 ; : : : ; an tales que
u = a1 u1 + a2 u2 + a3 u3 + + ak uk + ak+1 uk+1 + + an un
351
Entonces
a1 = a2 = = ak = ak+1 = ak+2 = = an = 0
352
Ejemplo 6.6.4 Sea T : R2 ! R2 una transformación lineal dado por T (u) = Au
donde " 9 #
3
10 10
A= 3 1
10 10
Determine (a) ker T , (b) nulidad de T (c) cont T y (d) rango de T .
ker T = x1 (1; 3) 2 R2 = x1 2 R
Esto signi…ca que el ker T está generado por el conjunto unitario f(1; 3)g que
como se sabe es linealmente independiente. En consecuencia una base para el ker T
es el conjunto B = f(1; 3)g, como esta base consta de un sólo vector se tiene que
dim (ker T ) = 1, de este modo obtenemos nulidad de T = 1:
Seguidamente, encontremos el cont T . El contradominio de T es el conjunto de
todos los vectores (y1 ; y2 ) 2 R2 para los cuales existe un vector (x1 ; x2 ) 2 R2 tal que
T (y1 ; y2 ) = (x1 ; x2 ). A partir de esta ecuación se obtiene el siguiente sistema no
homogéneo de ecuaciones lineales
" 9 3
#" # " #
10 10 x1 y1
3 1
=
10 10 x2 y2
353
Resolviendo este sistema vemos que la forma escalonada por …las reducida de la
matriz aumentada del sistema es
2 3
1 .. 10y1
4 1 3 . 9 5
.. y1 +3y2
0 0 . 3
354
Así, B = f(3; 1)g es una base para el cont T .
a su vez dim (ker T ) = número de vectores de una base del ker T . Para determinar
una base del ker T debemos determinar primero el ker T . Como el ker T es el conjunto
de todos los vectores (x; y; z) 2 R3 tales que T (x; y; z) = (0; 0; 0). A partir de esta
ecuación obtenemos el siguiente sistema homogéneo.
2 1 2 2 32 3 2 3
9 9 9 x 0
6 2 4 4 76 7 6 7
6 76 7 6 7
4 9 9 9 54 y 5 = 4 0 5
2 4 4
9 9 9 z 0
ker T = (x; y; z) 2 R3 = x + 2y + 2z = 0
355
Para encontrar una base para el ker T observamos que
ker T = (x; y; z) 2 R3 = x + 2y + 2z = 0
1
ker T = (x; y; z) 2 R3 = z = x y
2
1
ker T = x; y; x y 2 R3 = x; y 2 R
2
ker T = f(2x; 2y; x 2y) = x; y 2 Rg
ker T = f(2x; 0; x) + (0; 2y; 2y) = x; y 2 Rg
ker T = fx (2; 0; 1) + y (0; 2; 2) = x; y 2 Rg
Esto dice, que el ker T está generado por el conjunto f(2; 0; 1) ; (0; 2; 2)g el cual
es linealmente independiente (veri…car), de modo que una base para el ker T es
el conjunto B = f(2; 0; 1) ; (0; 2; 2)g, luego dim (ker T ) = 2 en consecuencia la
nulidad de T = 2:
Seguidamente encontremos el cont T . Como el cont T es el conjunto de todos
los vectores (u; v; w) 2 R3 para los cuales existe un vector (x; y; z) 2 R3 tal que
T (x; y; z) = (u; v; w), esto es
x + 2y + 2z 2x + 4y + 4z 2x + 4y + 4z
; ; = (u; v; w)
9 9 9
Esto dice que el sistema tiene solución sólo cuando 9v 18u = 0 y 9w 18u = 0 o
equivalentemente sólo cuando v = 2u y w = 2u. Así,
356
que representa la ecuación de una recta que pasa por el origen con vector direccional
(1; 2; 2). Observe que el cont T está generado por el conjunto unitario f(1; 2; 2)g
que obviamente es linealmente independiente por tanto una base para el cont T es
el conjunto B = f(1; 2; 2)g luego dim (cont T ) = 1. Es decir, rango de T = 1:
Nuevamente en este ejemplo vemos que
a b
ax2 + bx +
3 2
para a y b números reales cualesquiera. Para hallar la dimensión del ker T obtenemos
una base para ker T . Observe que cualquier vector en ker T puede escribirse como
a b 1 1
ax2 + bx + = a x2 +b x :
3 2 3 2
1 1
B= x2 ; x
3 2
357
es una base para el ker T , luego dim (ker T ) = 2:
Por otra parte el cont T = R; puesto que todo número real puede ser obtenido
como imagen bajo T de algún polinomio de P2 . Por ejemplo, si r es un número real
cualquiera, podemos hallar un vector u = ax2 + bx + c 2 P2 tal que T (u) = r.
Como
Z 1
T (u) = T ax2 + bx + c = ax2 + bx + c dx
0
1
a 3 b 2 a b
= x + x + cx = + +c=r
3 2 0 3 2
Solución. Como
ker T = fA 2 M2 2= T (A) = 0g
ker T = A 2 M2 2= At = 0
t
Pero si At = 0, entonces A = At = 0t = 0. De aquí se sigue que ker T = f0g,
luego nulidad de T = dim (ker T ) = 0.
Por otra parte, sea A 2 M2 2 entonces existe At 2 M2 2 tal que
t
T At = At = A:
358
Solución. Como
ker D = a + bx + cx2 + dx3 = D a + bx + cx2 + dx3 = 0 + 0x + 0x2
ker D = a + bx + cx2 + dx3 = b + 2cx + 3dx2 = 0 + 0x + 0x2
ker D = a + bx + cx2 + dx3 = b = 2c = 3d = 0
ker D = fa= a 2 Rg :
Esto dice que el ker D es el conjunto de los polinomios constantes es decir ker D = P0 .
Observemos que
ker D = fa (1) = a 2 Rg
esto signi…ca que ker D está generado por el polinomio constante f1g que obviamente
es linealmente independiente, luego una base para el ker D es el conjunto B = f1g
como esta base consta de un sólo vector se concluye que dim (ker D) = 1, luego
nulidad de D = 1.
Por otra parte el cont D es todo P2 ; puesto que todo polinomio en P2 es la
imagen bajo D (es decir, la derivada) de algún polinomio en P3 . Para ser explícitos
si a + bx + cx2 se encuentra en P2 entonces
b c
a + bx + cx2 = D ax + x2 + x3
2 3
De este modo
cont D = a + bx + cx2 2 P2 = a; b; c 2 R
Así, rango de D = dim P2 = 3: X
Ejemplo 6.6.9 Sea P2 ! P3 una transformación lineal dada por T (p (x)) = xp (x).
Encuentre el rango de T y la nulidad de T .
Observación 6.6.4 En este ejemplo sería fácil hallar primero el rango de T , debido
a que se ve fácilmente que x; x2 ; x3 es una base para el cont T . Aunque por lo
general, uno de los dos (el kernel o el contradominio de una transformación lineal)
sea más fácil de calcular, el teorema de la suma del rango y la nulidad puede ser
utilizado para hallar la otra.
359
Ejemplo 6.6.10 Sea W el espacio vectorial de todas las matrices simétricas 2 2.
Defínase una transformación lineal T : W ! P2 mediante
a b
T = (a b) + (b c) x + (c a) x2
b c
a b a b
ker T = 2 W= T = 0 + 0x + 0x2
b c b c
a b
= 2 W= (a b) + (b c) x + (c a) x2 = 0 + 0x + 0x2
b c
a b
= 2 W= (a b) = (b c) = (c a) = 0
b c
a b
= 2 W= a = b = c
b c
c c 1 1
= 2 W= a = b = c = c 2 W= c 2 R :
c c 1 1
1 1
Esto dice que ker T está generado por el conjunto unitario . El cual
1 1
constituye una base del ker T , de este modo la nulidad de T = 1. Entonces por el
teorema del rango se concluye,
360
Observación 6.7.1 La de…nición de inyectiva puede expresarse de manera más
formal como sigue,
T : V ! W es inyectiva si, para todo u; v 2 V; u 6= v implica T (u) 6= T (v).
El enunciado anterior es lógicamente equivalente al siguiente
T : V ! W es inyectiva si, para todo u; v 2 V; T (u) = T (v) implica u = v.
361
Recíprocamente, supongamos que ker T = f g. Para demostrar que T es inyec-
tiva, sean u; v 2 V tales que T (u) = T (v). Entonces T (u v) = T (u) T (v) = ,
lo que implica que u v se encuentra en el ker T , pero ker T = f g, de manera que
debemos tener que u v = o de forma equivalente u = v. Esto demuestra que T
es inyectiva. X
Ejemplo 6.7.2 Demuestre que la transformación lineal T : R2 ! P1 , de…nida por
T (a; b) = a + (a + b) x es inyectiva y suryectiva.
Solución. Si (a; b) se encuentra en el ker T , entonces
T (a; b) = a + (a + b) x = 0 + 0x:
De aquí se deduce que a = 0 y a + b = 0. Por tanto b = 0 y por consiguiente
(a; b) = (0; 0). En consecuencia, ker T = f(0; 0)g , entonces por el teorema anterior
T es inyectiva.
Por otra parte según el teorema del rango se sabe que
rango T = dim R2 nulidad T = 2 0 = 2:
Esto dice que, la imagen de T es un espacio bidimensional en R2 y por consiguiente
cont T = R2 . De este modo se concluye que T es suryectiva. X
362
Teorema 6.7.3 Sea T : V ! W una transformación lineal inyectiva. Si
S = fv1 ; v2 ; v3 ; : : : ; vk g
es un conjunto linealmente independiente en V , entonces
T (S) = fT (v1 ) ; T (v2 ) ; T (v3 ) ; : : : ; T (vk )g
es un conjunto linealmente independiente en W .
Entonces
T (a1 v1 + a2 v2 + a3 v3 + + ak vk ) =
lo que implica que a1 v1 +a2 v2 +a3 v3 + +ak vk se encuentra en el ker T . Pero como
T es inyectiva ker T = f g, por consiguiente a1 v1 + a2 v2 + a3 v3 + + ak vk = :
Pero como S = fv1 ; v2 ; v3 ; : : : ; vk g es linealmente independiente, todos los escalares
a1 ; a2 ; a3 ; : : : ; ak deben ser cero. Por tanto T (S) = fT (v1 ) ; T (v2 ) ; T (v3 ) ; : : : ; T (vk )g
es linealmente independiente. X
363
Teorema 6.7.5 Una transformación lineal T : V ! W es invertible si, y sólo si,
es inyectiva y suryectiva.
Demostración. Supongamos que T es invertible, entonces existe una transforma-
ción lineal T 1 : W ! V tal que T 1 T = IdV y T T 1 = IdW . Para demostrar
que T es inyectiva, supongamos que v 2 ker T , entonces T (v) = , por tanto,
1 1
T (T (v)) = T ( )
1
T T (v) =
(IdV ) (v) =
v =
Lo que establece que ker T = f g. Por consiguiente, T es inyectiva, de acuerdo al
teorema 6.7.1.
Para demostrar que T es suryectiva, sea w en W y sea T 1 (w) = v. Entonces
1
T (v) = T T (w)
1
= T T (w)
= (IdW ) (w)
= w
Lo que demuestra que w es la imagen de v bajo T . Debido a que v se encuentra en
V esto comprueba que T es suryectiva.
Recíprocamente, supongamos que T es inyectiva y suryectiva. Eso signi…ca que
nulidad T = 0 y rango T = dim W . Necesitamos demostrar que existe una trans-
formación lineal T 1 : W ! V , tal que T 1 T = IdV y T T 1 = IdW .
Sea w 2 W , como T es inyectiva y suryectiva, entonces existe un vector único
v 2 V tal que T (v) = w. Por tanto, tiene sentido de…nir una función T 1 : W ! V
de…nido mediante T 1 (w) = v, de esto se sigue que
1 1 1
T T (v) = T (T (v)) = T (w) = v y
1 1
T T (w) = T T (w) = T (v) = w
y esto muestra que T 1
T = IdV y T T 1 = IdW . Ahora debemos demostrar
que T 1 es una transformación lineal. Para este …n, sean w1 ; w2 2 W y a1 ; a2 2 R
escalares. Como T es suryectiva entonces existen v1 ; v2 2 V , tales que T (v1 ) = w1
y T (v2 ) = w2 . Entonces v1 = T 1 (w1 ) y v2 = T 1 (w2 ), luego
1 1 1
T (a1 w1 + a2 w2 ) = T (a1 T (v1 ) + a2 T (v2 )) = T (T (a1 v1 + a2 v2 ))
1
= T T (a1 v1 + a2 v2 ) = IdV (a1 v1 + a2 v2 )
1 1
= a1 T (w1 ) + a2 T (w2 )
En consecuencia, es una transformación lineal. X
364
6.8 Isomor…smos de espacios vectoriales
Las palabras isomor…smo e isomorfo se derivan de los vocablos griegos isos, que
signi…ca “igual”, y morfo, que quiere decir “forma”. De este modo, metafóricamente
hablando, los espacios vectoriales isomorfos tienen “formas iguales”.
Ahora estamos en posición de describir, en términos concretos, lo que signi…ca
que dos espacios vectoriales sean “esencialmente el mismo”.
Resulta fácil demostrar que T es una transformación lineal. Por otra parte si
p (x) = a0 + a1 x + a2 x2 + + an 1x
n 1
365
Ejemplo 6.8.2 Demuestre que Mm n y Rm n son isomorfos.
T (v) = a1 w1 + a2 w2 + a3 w3 + + an wn =
366
Ejemplo 6.8.4 Sea W el espacio vectorial de todas las matrices simétricas 2 2.
Demuestre que W es isomorfo a R3 .
Solución. Sabemos que dim W = 3. Por tanto dim W = dim R3 , de manera que
W ' R3 , (existe un candidato obvio para un isomor…smo T : W ! R3 . ¿Cuál es?).
X
367
Ejemplo 6.9.1 Sea V = P3 y D : V ! V el operador de derivación de…nido por
D (p (x)) = p0 (x). Determinar la matriz de D respecto a la base B = 1; x; x2 ; x3 .
Solución. Como
D (1) = 0 = 0 + 0x + 0x2 + 0x3
D (x) = 1 = 1 + 0x + 0x2 + 0x3
D x2 = 2x = 0 + 2x + 0x2 + 0x3
D x3 = 3x2 = 0 + 0x + 3x2 + 0x3
Solución. Como
T (u1 ) = T (1; 1) = (2; 3) = 3 (1; 1) + ( 1; 0) = 3u1 + u2
T (u2 ) = T ( 1; 0) = ( 4; 2) = 2 (1; 1) + 2 ( 1; 0) = 2u1 + 2u2
3 2
[T ]B = :
1 2
X
El siguiente teorema dice que la acción de un operador lineal T sobre un vector
u se preserva por su representación matricial.
[T ]B [u]B = [T (u)]B :
368
Demostración. Demostraremos el teorema para el caso dim V = 3.
Sea B = fu1 ; u2 ; u3 g una base para V . Supongamos que,
entonces 2 3
a11 a21 a31
[T ]B = 4 a12 a22 a32 5
a13 a23 a33
Ahora supongamos que u = b1 u1 + b2 u2 + b3 u3 entonces
2 3
b1
[u]B = 4 b2 5
b3
T (u) = T (b1 u1 + b2 u2 + b3 u3 )
T (u) = b1 T (u1 ) + b2 T (u2 ) + b3 T (u3 )
T (u) = b1 (a11 u1 + a12 u2 + a13 u3 ) + b2 (a21 u1 + a22 u2 + a23 u3 )
+b3 (a31 u1 + a32 u2 + a33 u3 )
T (u) = (a11 b1 + a21 b2 + a31 b3 ) u1 + (a12 b1 + a22 b2 + a32 b3 ) u2
+ (a13 b1 + a23 b2 + a33 b3 ) u3
Luego 2 3
a11 b1 + a21 b2 + a31 b3
[T (u)]B = 4 a12 b1 + a22 b2 + a32 b3 5
a13 b1 + a23 b2 + a33 b3
En consecuencia
2 32 3 2 3
a11 a21 a31 b1 a11 b1 + a21 b2 + a31 b3
[T ]B [u]B = 4 a12 a22 a32 5 4 b2 5 = 4 a12 b1 + a22 b2 + a32 b3 5 = [T (u)]B
a13 a23 a33 b3 a13 b1 + a23 b2 + a33 b3
369
D (p (x)) = b + 2cx + 3dx2 , luego respecto a la base normal B = 1; x; x2 ; x3 de
P3 se tiene 2 3 2 3
a b
6 b 7 6 2c 7
[p (x)]B = 6
4 c 5
7 y [D (p (x))]B = 6
4 3d
7
5
d 0
Resulta ahora fácil mostrar que el teorema anterior se cumple. En efecto usando la
matriz [D]B del ejemplo 6.9.1, se tiene
2 32 3 2 3
0 1 0 0 a b
6 0 0 2 0 7 6 b 7 6 2c 7
[D]B [p (x)]B = 6 76 7 6 7
4 0 0 0 3 5 4 c 5 = 4 3d 5 = [D (p (x))]B
0 0 0 0 d 0
Ejemplo 6.9.5 Hallar la representación matricial de cada uno de los siguientes ope-
radores lineales T sobre R2 respecto a la base normal B = fe1 = (1; 0) ; e2 = (0; 1)g.
(i) T (x; y) = (2y; 3x y), (ii) T (x; y) = (3x 4y; x + 5y)
370
Ejemplo 6.9.6 Hallar la representación matricial de cada operador lineal del ejem-
plo 6.9.5, respecto ahora a la base no normal B = fu1 = (1; 3) ; u2 = (2; 5)g.
1 2 a1 x
=
3 5 a2 y
T (x; y; z) = (a1 x + a2 y + a3 z; b1 x + b2 y + b3 z; c1 x + c2 y + c3 z)
371
está dada por 2 3
a1 a2 a3
[T ]B = 4 b1 b2 b3 5
c1 c2 c3
Es decir las …las de [T ]B se obtienen de los coe…cientes de x; y; z en las componentes
de T (x; y; z).
Solución. Como
T (e1 ) = T (1; 0; 0) = (a1 ; b1 ; c1 ) = a1 e1 + b1 e2 + c1 e3
T (e2 ) = T (0; 1; 0) = (a2 ; b2 ; c2 ) = a2 e1 + b2 e2 + c2 e3
T (e3 ) = T (0; 0; 1) = (a3 ; b3 ; c3 ) = a3 e1 + b3 e2 + c3 e3
En consecuencia 2 3
a1 a2 a3
[T ]B = 4 b1 b2 b3 5
c1 c2 c3
X
Nota 6.9.1 Esta propiedad es válida en cualquier espacio pero sólo respecto a la
base usual.
372
Solución. Primero debemos hallar las coordenadas de un vector arbitrario
u = (x; y; z) 2 R3 con respecto a la base B dada. Consideremos la siguiente
combinación lineal
a1 = z; a2 = y z; a3 = x y
luego
Así, 2 3
3 3 3
[T ]B = 4 6 6 2 5
6 5 1
(ii) Supongamos que v = (x; y; z) entonces
v = (x; y; z) = zv1 + (y z) v2 + (x y) v3
luego 2 3
z
[v]B = 4 y z 5
x y
Pero también,
373
y por tanto 2 3
3x
[T (v)]B = 4 2x 4y 5
x + 6y + z
Finalmente,
2 32 3 2 3
3 3 3 z 3x
[T ]B [v]B = 4 6 6 2 54 y z 5 = 4 2x 4y 5 = [T (v)]B
6 5 1 x y x + 6y + z
por tanto 2 3
0 1 0 0
6 0 0 0 0 7
[D]B = 6
4 0
7
0 1 1 5
0 0 0 1
(ii) Como
por tanto 2 3
3 1 0
[D]S = 4 0 3 2 5
0 0 3
X
374
Ejemplo 6.9.11 Sea
1 2
A=
3 4
y sea T : R2 ! R2 el operador lineal de…nido por T (u) = Au, donde u se escribe
como un vector columna. Hallar la matriz de T respecto a la base normal
B = fe1 = (1; 0) ; e2 = (0; 1)g.
Solución. Como
1 2 1
T (e1 ) = T (1; 0) = = 1 (1; 0) + 3 (0; 1) = 1e1 + 3e2
3 4 0
1 2 0
T (e2 ) = T (0; 1) = = 2 (1; 0) + 4 (0; 1) = 2e1 + 4e2
3 4 1
Entonces
1 2
[T ]B =
3 4
X
Ejemplo 6.9.12 Recordemos que toda matriz cuadrada A de orden n puede conside-
rarse como un operador lineal sobre el espacio vectorial Rn de…nido por T (u) = Au
donde u se escribe como un vector columna. Mostrar que la representación matricial
de T respecto a la base normal o usual B = fe1 ; e2 ; e3 ; : : : ; en g de Rn es la matriz
A, es decir, [T ]B = A.
375
2 32 3 2 3
a11 a1n 0 a1n
6 a21 a2n 76 0 7 6 a2n 7
6 76 7 6 7
T (en ) = Aen = 6 .. .. .. 76 .. 7=6 .. 7 = a1n e1 + a2n e2 + + ann en
4 . . . 54 . 5 4 . 5
an1 ann 1 ann
De este modo se concluye que
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
[T ]B = 6 .. .. .. .. 7=A
4 . . . . 5
an1 an2 ann
376
Observación 6.9.2 Observe que
0
[T ]B
B = [[T (u1 )]B ; [T (u2 )]B ; [T (u3 )]B ; : : : ; [T (un )]B ]
Solución. Como
Entonces 2 3
1 3
0
[T ]B 4 4 2 5
B =
1 2
X
Entonces 2 3
3
[T (u)]B 0 = 4 10 5
2
Finalmente observemos que
2 3 2 3
1 3 " 12
# 3
B0 5
[T ]B [u]B = 4 4 2 5
1
= 4 10 5 = [T (u)]B 0 .
1 2 5 2
377
De esta manera tenemos el siguiente teorema que establece lo que observamos
en el ejemplo anterior.
Luego
T (v1 ) = T (1; 1; 1) = (1; 1) = 7 (1; 3) + 4 (2; 5) = 7u1 + 4u2
T (v2 ) = T (1; 1; 0) = (5; 4) = 33 (1; 3) + 19 (2; 5) = 33u1 + 19u2
T (v3 ) = T (1; 0; 0) = (3; 1) = 13 (1; 3) + 8 (2; 5) = 13u1 + 8u2
Así,
B 0 7 33 13
[T ]B =
4 19 8
(ii) Si u = (x; y; z) entonces por el ejemplo 6.9.9 se sabe que
También
378
Por tanto
2 3
z
13x 20y + 26z
[u]B = 4 y z 5 y [T (u)]B 0 =
8x + 11y 15z
x y
luego
2 3
z
7 33 13 4 y 13x 20y + 26z
z 5 =
4 19 8 8x + 11y 15z
x y
0
[T ]B
B [u]B = [T (u)]B 0 .
Solución. Como
En consecuencia 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A = [T ] = 6 .. .. .. .. 7
4 . . . . 5
am1 am2 amn
X
379
Ejemplo 6.9.16 Hallar la matriz asociada de cada una de las siguientes transfor-
maciones lineales respecto a la base normal de Rn .
(a) T : R2 ! R3 de…nido por T (x; y) = (3x y; 2x + 4y; 5x 6y).
(b) T : R4 ! R2 de…nido por T (x; y; z; w) = (3x 4y + 2z 5w; 5x + 7y z 2w) :
(c) T : R3 ! R4 de…nido por T (x; y; z) = (2x + 3y 8z; x + y + z; 4x 5z; 6y) :
380
(b) De acuerdo al ejemplo 6.9.6, sabemos que
Entonces
2 3
1
2 5 3 4 1 5= 4
T (1; 1; 1) = = 12 (1; 3) + 8 (2; 5) = 12u1 + 8u2
1 4 7 4
1
2 3
1
2 5 3 4 1 5= 7
T (1; 1; 0) = = 41 (1; 3) + 24 (2; 5) = 41u1 + 24u2
1 4 7 3
0
2 3
1
2 5 3 4 0 5= 2
T (1; 0; 0) = = 8 (1; 3) + 5 (2; 5) = 8u1 + 5u2
1 4 7 1
0
En consecuencia
B 0 12 41 8
[T ]B =
8 24 5
X
Solución. Como
T x2 = 2x = 2 (x) + 0 (1)
T (x) = 1 = 0 (x) + 1 (1)
T (1) = 0 = 0 (x) + 0 (1)
Entonces
2 0 0
T x2 B0
= ; [T (x)]B 0 = ; [T (1)]B 0 =
0 1 0
0 2 0 0
A = [T ]B
B = 0 1 0
381
Si tomamos p (x) = 5x2 3x + 2, entonces T (p (x)) = T 5x2 3x + 2 = 10x 3.
Sin embargo, podemos hallar T (p (x)) usando la matriz A de la siguiente manera.
Puesto que
2 3 2 3
5 5
2 0 0 10
[p (x)]B = 4 3 5 entonces [T (p (x))]B 0 = 4 3 5=
0 1 0 3
2 2
Solución. Como
entonces
0 0 2
[T (1)]B 0 = ; [T (x)]B 0 = ; T x2 B0
=
0 1 0
Sin embargo, también en este caso podemos hallar T (p (x)) usando la matriz A de
la siguiente manera. Puesto que
2 3 2 3
5 5
0 0 2 4 10
[p (x)]B = 4 3 5 entonces [T (p (x))]B 0 = 3 5=
0 1 0 3
2 2
382
Ejemplo 6.9.20 Sea T : P2 ! P1 como se de…nió en el ejemplo 6.9.18 y esta
vez consideremos las bases B = x2 ; x; 1 y B 0 = fx + 1; x 1g para P2 y P1 ,
respectivamente. Hallar la matriz A asociada T respecto a las bases dadas.
383
Solución. Como
2 3
1
1 1 1 4 0 5= 1 1 0
T (E1 ) = =1 +1 = 1e1 + 1e2
1 2 3 1 0 1
0
2 3
0
1 1 1 4 1 5= 1 1 0
T (E2 ) = =1 +2 = 1e1 + 2e2
1 2 3 2 0 1
0
2 3
0
1 1 1 4 0 5= 1 1 0
T (E3 ) = =1 +3 = 1e1 + 3e2
1 2 3 3 0 1
1
0 1 1 1
A = [T ]B
B = 1 2 3
384
Entonces, la matriz de T respecto a las bases dadas es
0 3 1 0
A = [T ]B
B = 1 1 1
Observación 6.9.4 Observe que esta matriz di…ere de la que se tomó para de…nir
la transformación lineal T . Así, aunque una matriz A puede incluirse en la de…ni-
ción de una transformación lineal T , no se puede concluir que es necesariamente la
representación de T que buscamos.
A0 = [D]C
B0 = D x3 C
; D x2 C
; [D (x)]C ; [D (1)]C
385
esto es, 2 3
0 0 1 0
A0 = [D]C
B0 =4 0 2 0 0 5
3 0 0 0
Esto muestra que el orden de los vectores en las bases B y C afecta a la matriz de
una transformación lineal con respecto a estas bases.
(c) Calculemos en primer lugar D 5 x + 2x3 = 1 + 6x2 de manera directa,
para obtener la matriz de coordenadas
2 3
1
D 5 x + 2x3 C = 1 + 6x2 C = 4 0 5
6
X
Debido a que la transformación lineal del ejemplo anterior es fácil de emplear de
manera directa, en realidad no se logra ninguna ventaja si se utiliza la matriz de esta
transformación para hacer cálculos. Sin embargo, en otros ejemplos el enfoque ma-
tricial puede ser más simple, de modo que es muy adecuado para la implementación
por computadora. El ejemplo 6.9.24 ilustra la idea básica detrás de este enfoque
indirecto.
386
De esta manera las matrices de coordenadas son
2 3 2 3 2 3
1 1 1
[T (1)]B = 4 0 5 ; [T (x)]B = 4 2 5 ; T x2 B
=4 4 5
0 0 4
Por consiguiente 2 3
1 1 1
[T ]B = 4 0 2 4 5
B
0 0 4
(b) Aplicamos el teorema 6.9.2, como sigue.
La matriz de coordenadas de p (x) = 3 + 2x x2 con respecto a B es
2 3
3
[p (x)] = 4 2 5
1
[T (p (x))]B = [T ]B [p (x)]
2 B 32 3 2 3
1 1 1 3 0
T 3 + 2x x2 B = 4 0 2 4 54 2 5=4 8 5
0 0 4 1 4
X
En ocasiones, la matriz de una transformación lineal puede ser empleada de
maneras sorprendentes. El ejemplo, 6.9.25 muestra su aplicación a un problema del
cálculo tradicional.
387
puesto que el conjunto B = e3x ; xe3x ; x2 e3x es linealmente independiente, en-
tonces es una base para W .
(a) Demuestre que el operador diferencial D aplica a W en sí mismo.
(b) Encuentre la matriz asociada a D con respecto a la base B.
(c) Calcule la derivada de 5e3x + 2xe3x x2 e3x de manera indirecta, utilizando
el teoema 6.9.2 y veri…que utilizando el inciso (a).
388
Observación 6.9.5 La cuestión central del ejemplo 6.9.25 no es que este método
sea más fácil que la diferenciación directa. En realidad, una vez que la fórmula del
inciso (a) ha sido establecida, hay poco por hacer. Lo que es signi…cativo es que los
métodos matriciales pueden ser utilizados en lo que parece, a primera vista, ser un
problema de cálculo. Veremos esta idea con más detalle en el ejemplo 6.10.3.
de este modo
2 3 2 3 2 3
1 0 0
6 0 7 6 1 7 6 0 7
6 7 6 7 6 7
[IdV (u1 )]B = 6 .. 7 = e1 ; [IdV (u2 )]B = 6 .. 7 = e2 ; : : : ; [IdV (un )]B = 6 .. 7 = en
4 . 5 4 . 5 4 . 5
0 0 1
Y si B = C, entonces
[IdV ]B
B = [[IdV (u1 )]B ; [IdV (u2 )]B ; : : : ; [IdV (un )]B ] = In
[IdV (u1 )]C = [u1 ]C ; [IdV (u2 )]C = [u2 ]C ; : : : ; [IdV (un )]C = [un ]C
[IdV ]C
B = [[u1 ]C ; [u2 ]C ; : : : ; [un ]C ]
389
Solución. Observemos que
1 3 1
A= = [[T (u1 )]B 0 ; [T (u2 )]B 0 ; [T (u2 )]B 0 ]
2 1 2
390
Para veri…car que la transformación obtenida es la correcta encontremos la matriz
0
que representa a T . Esto es [T ]B
B :
Como
7x + 5y 11z 15x + 5y 3z
T (x; y; z) = ;
4 4
entonces
T (u1 ) = T (1; 0; 1) = ( 1; 3) 1 (1; 1) + 2 ( 1; 1) = 1v1 + 2v2
T (u2 ) = T (0; 1; 1) = (4; 2) 3 (1; 1) 1 ( 1; 1) = 3v1 1v2
T (u3 ) = T (0; 2; 2) = ( 3; 1) 1 (1; 1) + 2 ( 1; 1) = 1v1 + 2v2
De este modo
0 1 3 1
A = [T ]B
B = 2 1 2
Así, queda veri…cado el resultado obtenido. X
[S T ]D D C
B = [S]C [T ]B
En palabras este teorema dice que “la matriz que representa la composición S T
respecto de B y C es el producto de las matrices [S]D C
C y [T ]B ”.
Ejemplo 6.10.1 Utilice métodos matriciales para calcular (S T ) (a; b) de las trans-
formaciones lineales T : R2 ! P1 y S : P1 ! P2 de…nidas por
T (a; b) = a + (a + b) x y S (p (x)) = xp (x) :
391
Entonces de acuerdo con el teorema 6.10.1, la matriz que representa la composición
S T con respecto a B y B 00 es
2 3 2 3
0 0 0 0
00 00 0
4 1 1 0
[S T ]B
B = [S]B
B
0 [T ]
B
B = 0 5 =4 1 0 5
1 1
0 1 1 1
De este modo, según el teorema 6.9.2, obtenemos
2 3 2 3
0 0 0
B 00 a
[(S T ) (a; b)]B 00 = [S T ]B [(a; b)]B = 4 1 0 5 =4 a 5
b
1 1 a+b
En consecuencia (S T ) (a; b) = ax + (a + b) x2 . X
Teorema 6.10.2 Sean V y W espacios vectoriales ambos de dimensión n con bases
B y C respectivamente y sea T : V ! W una transformación lineal. Entonces T es
invertible si, y sólo si, la matriz [T ]C
B es invertible. En este caso
1
1 B
[T ]C
B = T C
1 1 B 1 0 a a
T (a + bx) B
= T B0
[a + bx]B 0 = =
1 1 b b a
Lo que signi…ca
1
T (a + bx) = ae1 + (b a) e2 = (a; b a) :
X
392
Observación 6.10.1 Observe que la elección de las bases normales o usuales reduce
prácticamente hasta la irrelevancia la importancia de este cálculo.
El siguiente ejemplo, una continuación del ejemplo 6.9.25, demuestra que las
matrices pueden ser utilizadas en ciertos problemas de integración en el cálculo. La
integral especí…ca que consideramos es evaluada en un curso de cálculo por medio
de dos aplicaciones del método de integración por partes. Compare este enfoque con
nuestro método.
393
De esto se sigue que
Z
2 3x 2 3x 1 2 3x
x2 e3x dx = e xe + x e :
27 9 3
X
Para estar completamente en lo cierto, necesitamos agregar una constante de
integración. No se muestra aquí debido a que trabajamos con transformaciones
lineales las cuales deben enviar vectores cero a vectores cero, lo cual obliga a la
constante de integración a ser también igual a cero.
Por último, presentamos un teorema que muestra como se afecta la representación
matricial de una transformación lineal cuando se selecciona una nueva base.
En particular
0
[T ]C
B =Q
1
[T ]C
B
[T ]C C
B 0 = [T ]B P
394
Ejercicio 6.11.5 T (x1 ; x2 ; x3 ) = (4x2 x1 ; 4x1 + 5x2 ) ; v = (2; 3; 1) ;
w = (3; 9) :
p p
2 2
Ejercicio 6.11.6 T (x1 ; x2 ) = 2 x1 2 x2 ; x1 + x2 ; 2x1 x2 ; v = (1; 1) ;
p
w= 5 2; 2; 16 :
T a0 + a1 x + a2 x2 = (a0 + a1 + a2 ) + (a1 + a2 ) x + a2 x2 :
a b a+b 0
T = :
c d 0 c+d
a b 1 a d
T = :
c d b c 1
395
Ejercicio 6.11.19 T : Mn n ! Mn n, de…nida por T (A) = AB, donde B es una
matriz …ja n n:
T a + bx + cx2 = (a + 1) + (b + 1) x + (c + 1) x2 :
T a + bx + cx2 = a + b (x + 1) x + b (x + 1)2 :
Demuestre que T es una transformación lineal de C [0; 1] a C [0; 1]. Luego determine
T (ex ) y T x2 .
396
Ejercicio 6.11.31 Determine si las siguientes funciones T : C [0; 1] ! R son o no
transformaciones lineales:
(a) T (f ) = f (0) :
(b) T (f ) = jf (0)j :
f (0)+f (1)
(c) T (f ) = 2 :
qR
1
(d) T (f ) = 0 [f (x)]2 dx:
encontrar
5 x
T y T
2 y
1 3
T =1 2x y T = x + 2x2
1 1
encontrar
7 x
T y T
9 y
encontrar
T 4 x + 3x2 y T a + bx + cx2 :
397
Ejercicio 6.11.36 Sea T : M2 2 ! R, una transformación lineal para la cual
1 0 1 1 1 1 1 1
T = 1; T = 2; T = 3; y T =4
0 0 0 0 1 0 1 1
encontrar
1 3 a b
T y T :
4 2 c d
w x w x
T = aw + bx + cy + dz para todo 2 M2 2:
y z y z
a a+b b c 2c + d
S= = y T =
b 0 a b d d
398
Calcule
1 x x
(S T) y (S T) ¿Puede calcular (T S) ?
2 y y
Si es así, hágalo.
Calcule
(S T ) 3 + 2x x2 y (S T ) a + bx + cx2
¿Puede calcular (T S) (a + bx)? Si es así, hágalo.
Encuentre
(S T ) (p (x)) y (T S) (p (x))
(Sugerencia: recuerde la regla de la cadena.)
Encuentre
(S T ) (p (x)) y (T S) (p (x)) :
x 4x + y x x y
S = y T =
y 3x + y y 3x + 4y
399
El conjunto de todas las transformaciones lineales desde un espacio vectorial V
hacia un espacio vectorial W se denota mediante L (V; W ). Si S y T se encuentran
en L (V; W ) podemos de…nir la suma S + T de S y T por medio de
a b a 0
T =
c d 0 d
y sean
1 2 0 4 3 0
(i) ; (ii) y (iii)
1 3 2 0 0 3
matrices en M2 2 . ¿Cuáles de las anteriores matrices se encuentran en el ker (T ),
en el cont (T )? Describa el ker (T ) y el cont (T ) :
T (A) = tr (A)
y sean
1 2 0 4 3 0
(i) A = ; (ii) A = y (iii) A =
1 3 2 0 0 3
400
matrices en M2 2 .
(a) ¿Cuáles de las anteriores matrices se encuentran en el ker (T )?
(b) ¿Cuáles de los siguientes escalares se encuentran en el cont (T )?
1
(i) 0; (ii) 2 y (iii) p
2
(c) Describa el ker (T ) y el cont (T ) :
a b
T a + bx + cx2 =
b+c
0 1 0
(i) ; (ii) y (iii)
0 0 1
En los ejercicios 54 a 57, encuentre las bases del ker (T ) y del cont (T ) de las
transformaciones lineales T en los ejercicios indicados. En cada caso, establezca la
nulidad y el rango de T y veri…que el teorema del rango.
401
Ejercicio 6.11.56 Ejercicio 52.
a b a b
T = :
c d c d
p (0)
T (p (x)) = :
p (1)
1 1
T (A) = AB; donde B= :
1 1
1 1
T (A) = AB BA; donde B= :
1 1
402
Ejercicio 6.11.68 T : R3 ! M2 2 de…nida por
a b b c
T (a; b; c) = :
a+b b+c
a + b + c b 2c
T (a; b; c) =
b 2c a c
Ejercicio 6.11.74 V = C; W = R2 :
1
T (p (x)) = xn p
x
es un isomor…smo.
403
Ejercicio 6.11.79 Sean S : V ! W y T : U ! V transformaciones lineales.
(a) Demuestre que si S y T son ambas inyectivas, entonces S T es inyectiva.
(b) Demuestre que si S y T son ambas suryectivas, entonces S T es suryectiva.
404
Ejercicio 6.11.87 T : P2 ! R2 de…nida por T (p (x)) = (p (0) ; p (1)) ;
a b
B = C = fE11 ; E21; E12 ; E22 g ; v = A = :
c d
1 1 a b
D= ; B = C = fE11 ; E12; E21 ; E22 g ; v=A= :
1 1 c d
a b
B = C = fE11 ; E21; E12 ; E22 g ; v = A = :
c d
405
Ejercicio 6.11.96 Sean
2 3 2 3 2 3
1 1 1
y1 = 4 1 5 ; y 2 = 4 1 5 ; y 3 = 4 0 5
1 0 0
y sea T : R3 ! R3 la transformación lineal de…nida por
T (a1 y1 + a2 y2 + a3 y3 ) = (a1 + a2 + a3 ) y1 + (2a1 + a3 ) y2 + (2a2 + a3 ) y3
(a) Determine una matriz que represente a T con respecto a la base fy1 ; y2 ; y3 g.
(b) Para cada una de las siguientes expresiones, exprese el vector u como com-
binación lineal de y1 ; y2 ; y3 y utilice la matriz del inciso (a) para determinar T (u).
2 3 2 3 2 3
7 3 1
(i) u = 4 5 5 ; (ii) u = 4 2 5 y (iii) u = 4 2 5 ;
2 1 3
Ejercicio 6.11.97 Sea T : P1 ! M2 1la transformación lineal de…nida por
R1
T (p (x)) = 0 p (x) dx
p (0)
Obtenga una matriz A tal que
T ( + x) = A :
406
Ejercicio 6.11.100 Considere el subespacio W del espacio vectorial F 0 de todas las
funciones diferenciables con valores reales de…nidas sobre R generado por
3 2
B=
2 1
407
Ejercicio 6.11.109 T del ejercicio 93.
En los ejercicios 111 a 113, utilice el método del ejemplo 6.10.3 para evaluar la
integral dada.
R
Ejercicio 6.11.111 (sen x 3 cos x) dx (véase el ejercicio 98).
R 2x dx
Ejercicio 6.11.112 5e (véase el ejercicio 99).
R
Ejercicio 6.11.113 e2x cos 2e2x sen x dx (véase el ejercicio 100).
igual a
1 2 1
A=
1 1 0
(a) Calcular [T (u1 )]C ; [T (u2 )]C y [T (u3 )]C :
(b) Calcular T (u1 ) ; T (u2 ) y T (u3 ) :
(c) Calcular 2 3
2
T 4 1 5:
1
408
CAPÍTULO 7
Valores y vectores característicos
T :V !V
y se requiere encontrar todos aquellos escalares para los cuales la ecuación
T (u) = u
El vector u =
6 2 Rn 1 se llama vector característico o vector propio de A
correspondiente al valor propio .
Observación 7.1.1 Observe que el vector u 2 Rn 1 no puede ser el vector nulo sin,
embargo si es posible que un valor característico sea cero.
409
Ejemplo 7.1.1 Si
2 0
A=
0 1
es fácil comprobar que
1
u1 =
0
es un vector característico de A correspondiente al valor característico 1 = 2, pues
2 0 1 2 1
Au1 = = =2 = 2u1
0 1 0 0 0
0
u2 =
1
Solución. Como
2 32 3 2 3 2 3
3 0 1 1 2 1
Au1 = 4 4 3 2 54 6 5=4 12 5 = 2 4 6 5 = 2u1
2 0 0 1 2 1
410
Similarmente de
2 32 3 2 3 2 3
3 0 1 0 0 0
Au2 = 4 4 3 2 5 4 1 5 = 4 3 5 = 3 4 1 5 = 3u2
2 0 0 0 0 0
411
(ii) Si u es un vector propio de A asociado a y k un escalar, entonces
Solución. Como
2 32 3 2 3 2 3
2 3 1 1 2 1
4
Au1 = 0 1 2 5 4 0 = 0 = 2 0 5 = 2u1
5 4 5 4
0 0 3 0 0 0
Esto signi…ca que el valor propio 1 = 2, tiene in…nitos vectores propios uno para
cada valor de k 6= 0 2 R.
412
Similarmente, se veri…ca que u2 es un vector propio de A, observando que
2 32 3 2 3 2 3
2 3 1 1 1 1
Au2 = 4 0 1 2 54 1 5 = 4 1 5 = 1 4 1 5 = 1u2
0 0 3 0 0 0
Esto dice que u2 es un vector propio de A asociado al valor propio 2 = 1. Note
también, aquí que 2 3
k
u=4 k 5
0
Para todo k 6= 0 2 R, es también un vector propio asociado a 2 = 1, pues
2 32 3 2 3 2 3
2 3 1 k k k
Au = 4 0 1 2 5 4 k 5 = 4 k 5 = 1 4 k 5 = 1u
0 0 3 0 0 0
Esto signi…ca que el valor propio 2 = 1 tiene in…nitos vectores propios.
Finalmente como,
2 32 3 2 3 2 3
2 3 1 5 15 5
Au3 = 0 4 1 2 5 4 5
1 = 4 3 = 3 1 5 = 3u3
5 4
0 0 3 2 6 2
Esto dice que u3 es un vector propio de A asociado al valor propio 3 = 3. Note
también, aquí que 2 3
5k
u=4 k 5
2k
Para todo k 6= 0 2 R, es también un vector propio asociado a 3= 3, pues
2 32 3 2 3 2 3
2 3 1 5k 15k 5k
Au = 4 0 1 2 5 4 k 5 = 4 3k 5 = 3 4 k 5 = 3u
0 0 3 2k 6k 2k
Esto signi…ca que el valor propio 3 = 3 tiene in…nitos vectores propios. X
413
que puede escribirse como
Iu = Au
Iu Au =
( I A) u =
Que resulta ser un sistema homogéneo de n ecuaciones lineales con n incógnitas.
Recordemos que un sistema lineal homogéneo general Ax = 0 admite solución no
trivial (in…nitas soluciones) si, y sólo si, jAj = 0.
En nuestro caso el sistema homogéneo
( I A) u =
tendrá solución no trivial (in…nitas soluciones) si, y sólo si, j I Aj = 0; Pero ¿Qué
es j I Aj = 0? Veamos con una matriz A3 3 .
2 3 2 3
1 0 0 a11 a12 a13
I A = 4 0 1 0 5 4 a21 a22 a23 5
0 0 1 a31 a32 a33
2 3 2 3
0 0 a11 a12 a13
= 4 0 0 5 4 a21 a22 a23 5
0 0 a31 a32 a33
2 3
a11 a12 a13
= 4 a21 a22 a23 5
a31 a32 a33
De este modo j I Aj = 0 resulta ser
a11 a12 a13
a21 a22 a23 =0
a31 a32 a33
En general, al desarrollar el determinante j I Aj se obtiene el siguiente polinomio
en de grado n.
' ( ) = n + cn 1 n 1 + + c1 + c0
Llamado polinomio característico de A y a la ecuación,
n n 1
'( ) = + cn 1 + + c1 + c0 = 0
se denomina ecuación característica de la matriz A.
Esta ecuación característica es muy importante ya que nos permite encontrar
los valores propios de A. Es decir, las soluciones de esta ecuación resultan ser los
valores propios de la matriz A.
414
Nota 7.2.1 Note que debido a que esta ecuación característica es de grado n en-
tonces una matriz A puede tener a lo mucho n valores propios diferentes.
2. Los vectores propios de A correspondientes a cada valor propio son las solu-
ciones diferentes de cero del sistema homogéneo, ( I A) = .
Nota 7.2.2 El problema de encontrar los valores propios de una matriz An n puede
ser difícil porque implica la factorización de un polinomio de grado n. Sin embargo,
una vez que se ha obtenido un valor propio, hallar los vectores propios correspon-
dientes es una aplicación directa del procedimiento de Gauss-Jordan.
Ejemplo 7.2.1 Encuentre los valores propios y los vectores propios correspondien-
tes de la matriz.
2 12
A=
1 5
Solución. Sabemos que los valores propios llamados también autovalores de la ma-
triz A son las soluciones de su ecuación característica.
j I Aj = 0
2 12
=0
1 +5
( 2) ( + 5) + 12 = 0
2
+3 10 + 12 = 0
2
+3 +2 = 0
( + 2) ( + 1) = 0
415
Seguidamente calculemos los vectores propios; como los vectores propios asocia-
dos a los valores propios son las soluciones diferentes de cero del sistema homogé-
neo.
( I A) =
Entonces para 1 = 1 resolvemos el sistema homogéneo ( 1I A) = , esto es,
1 2 12 x1 0
=
1 1+5 x2 0
3 12 x1 0
=
1 4 x2 0
3 12 : 0 1 4 : 0 1 4 : 0
$ $
1 4 : 0 3 12 : 0 0 0 : 0
Así se tiene, x1 4x2 = 0 y de esto x1 = 4x2 . Con x2 = t se concluye que todo
vector propio asociado al valor propio 1 = 1 es de la forma
x1 4t 4
u= = =t ; t 6= 0
x2 t 1
Si t = 1 entonces
4
u1 =
1
es un vector propio de A asociado al valor propio 1 = 1.
Observe que el espacio característico E 1 de 1 = 1, esta generado por el
conjunto unitario
4
B=
1
que es linealmente independiente luego una base para E 1 es, B y de esto se concluye
que, la dim (E 1 ) = 1.
Seguidamente, encontremos los vectores propios de A asociados al valor propio
2 = 2 para esto debemos resolver el siguiente sistema homogéneo
( 2I A) =
( 2I A) =
4 12 x1 0
=
1 3 x2 0
4 12 : 0 1 3 : 0 1 3 : 0
$ $
1 3 : 0 4 12 : 0 0 0 : 0
416
Así se tiene, x1 3x2 = 0 y de esto x1 = 3x2 . Con x2 = t se concluye que todo
vector propio asociado al valor propio 2 = 2 es de la forma
x1 3t 3
u= = =t ; t 6= 0
x2 t 1
Si t = 1 entonces
3
u2 =
1
es un vector propio de A asociado al valor propio 2 = 2.
Observe que el espacio característico E 2 de 1 = 2, esta generado por el
conjunto unitario
3
B=
1
que es linealmente independiente luego una base para E 2 es, B de este modo se ve
que, la dim (E 2 ) = 1.
Por tanto la matriz A tiene dos valores propios 1 = 1 y 2 = 2 cuyos vectores
propios asociados correspondientes son
4 3
u1 = y u2 =
1 1
Ejemplo 7.2.2 Determine los valores propios y vectores propios de la matriz dada
A y encuentre una base para cada uno de los espacios característicos correspondien-
tes, siendo 2 3
5 0 0
A=4 3 7 0 5
4 2 3
Solución. Sabemos que los valores propios de la matriz A son las soluciones de
su ecuación característica j I Aj = 0. Así, pues pasamos a calcular estas solu-
ciones. Observe que la matriz dada es triangular inferior, luego su determinante es
el producto de sus elementos de su diagonal principal, esto es
+5 0 0
3 7 0 = ( + 5) ( 7) ( 3) = 0
4 2 3
417
Nota. Nótese que
1 + 2 + 3 = 5 + 7 + 3 = 5 = tr A
1 2 3 = 5 7 3= 105 = det A
Para 1 = 5 resolvemos
2 32 3 2 3
0 0 0 x1 0
4 3 12 0 5 4 x2 5 = 4 0 5
4 2 8 x3 0
2 3 2 3
0 0 0 : 0 1 0 16=9 : 0
4 3 12 0 : 0 5$ $4 0 1 4=9 : 0 5
4 2 8 : 0 0 0 0 : 0
Cuyo sistema correspondiente es
16
x1 + 9 x3 = 0
4
x2 9 x3 = 0
y de esto se tiene
16 4
x1 =
x3 y x2 = x3
9 9
Parametrizando x3 = 9t se concluye que todo vector propio asociado al valor propio
1 = 5 es de la forma.
2 3 2 3 2 3
x1 16t 16
u = 4 x2 5 = 4 4t 5 = t 4 4 5
x3 9t 9
418
Observe que el espacio característico E 5 de 1 = 5, está generado por el conjunto
unitario 82 39
< 16 =
B= 4 4 5
: ;
9
que es linealmente independiente, luego una base para E 5 es B. Así, dim E 5 = 1.
Para 2 = 7 resolvemos el siguiente sistema
2 32 3 2 3
12 0 0 x1 0
4 3 0 0 5 4 x2 5 = 4 0 5
4 2 4 x3 0
2 3 2 3
12 0 0 : 0 1 0 0 : 0
4 3 0 0 : 0 5$ 4
$ 0 1 2 : 0 5
4 2 4 : 0 0 0 0 : 0
Cuyo sistema correspondiente es
x1 = 0
x2 + 2x3 = 0
y de esto se tiene
x1 = 0 y x2 = 2x3
Parametrizando x3 = t se concluye que todo vector propio asociado al valor propio
2 = 7 es de la forma.
2 3 2 3 2 3
x1 0 0
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 t 1
419
Finalmente para 3 = 3 resolvemos el siguiente sistema
2 32 3 2 3
8 0 0 x1 0
4 3 4 0 5 4 x2 5 = 4 0 5
4 2 0 x3 0
2 3 2 3
8 0 0 : 0 1 0 0 : 0
4 3 4 0 : 0 $ 5 4
$ 0 1 0 : 0 5
4 2 0 : 0 0 0 0 : 0
cuyo sistema correspondiente es
x1 = 0
y x3 = t 6= 0 2 R
x2 = 0
Así, cualquier vector propio asociado al valor propio 3 = 3 es de la forma.
2 3 2 3 2 3
x1 0 0
u = 4 x2 5 = 4 0 5 = t 4 0 5
x3 t 1
con t = 1, se tiene el siguiente vector propio asociado al valor propio 3 = 3.
2 3
0
u3 = 4 0 5
1
Observe que el espacio característico E3 de 3 = 3, está generado por el conjunto
unitario 82 39
< 0 =
B= 4 0 5
: ;
1
que es linealmente independiente, luego una base para E3 es B. Así, dim E3 = 1.
Finalmente, observemos que
Ejemplo 7.2.3 Determine los valores propios y los vectores propios correspondien-
tes de 2 3
2 1 0
A=4 0 2 0 5
0 0 2
¿Cuál es la dimensión del espacio característico de cada valor propio?
420
Solución. Sabemos que los valores propios de la matriz A son las soluciones de su
ecuación característica j I Aj = . Así, pues pasamos a calcular estas soluciones.
2 1 0
0 2 0 =( 2)3 = 0
0 0 2
421
que puede mostrarse es linealmente independiente. Luego una base para E2 es B,
en consecuencia dim E2 = 2.
Nótese que dim E2 = 2, diferente del orden de la matriz A y que
1 + 2 + 3 = 2 + 2 + 2 = 6 = tr A
1 2 3 = 2 2 2 = 8 = det A:
Ejemplo 7.2.4 Determine los valores propios y vectores propios de la matriz dada
A y encuentre una base para cada uno de los espacios característicos correspondien-
tes, siendo 2 3
4 1 1
A=4 2 5 2 5
1 1 2
Solución. Se sabe que los valores propios de la matriz A son las raíces de su poli-
nomio característico ' ( ) = j I Aj. Así, pues primeramente determinemos este
polinomio característico.
4 1 1 4 1
3 2
'( ) = 2 5 2 2 5 = 11 + 39 45
1 1 2 1 1
5 2
Ac11 = ( 1)1+1 = 12
1 2
4 1
Ac22 = ( 1)2+2 =9
1 2
4 1
Ac33 = ( 1)3+3 = 18
2 5
422
Las raíces de este polinomio característico resultan ser los valores propios de la
matriz A que son
1 = 2 =3 y 3 =5
x1 = x2 + x3
423
que puede comprobarse es linealmente independiente, luego una base para E3 es B.
Así, dim E3 = 2.
Similarmente para encontrar los vectores propios asociados al valor propio 3 = 5
debemos resolver el siguiente sistema homogéneo.
2 32 3 2 3
1 1 1 x1 0
4 2 0 2 5 4 x2 = 0 5
5 4
1 1 3 x3 0
2 3 2 3
1 1 1 : 0 1 0 1 : 0
4 2 0 2 : 0 5$ $4 0 1 2 : 0 5
1 1 3 : 0 0 0 0 : 0
cuyo sistema correspondiente es
x1 x3 = 0
x2 2x3 = 0
de donde se tiene
x1 = x3 y x2 = 2x3
con x3 = t 6= 0 se ve que todo vector propio asociado al valor propio 3 = 5 es de la
forma. 2 3 2 3 2 3
x1 t 1
u = x2 = 2t = t 2 5
4 5 4 5 4
x3 t 1
haciendo t = 1 se tiene el siguiente vector propio asociado al valor propio 3 = 5.
2 3
1
u1 = 2 5
4
1
Observe que el espacio característico E5 de 3 = 5, está generado por el conjunto
unitario 82 39
< 1 =
B= 4 2 5
: ;
1
que es linealmente independiente, luego una base para E5 es B. Así, dim E5 = 1.
Nuevamente en este ejemplo notamos que
dim E3 + dim E5 = 2 + 1 = 3
que es el orden de la matriz dada. Se verá en la siguiente sección que esta relación
dice que la matriz dada A es diagonalizable. X
424
7.3 Diagonalización.
En la sección anterior se estudio el problema del valor característico. En esta sección
se estudiará otro problema clásico del álgebra lineal, llamado problema de diagona-
lización.
En términos de matrices, el problema se plantea como sigue: Para una matriz
cuadrada A ¿existe una matriz invertible P tal que P 1 AP sea diagonal? Para
estudiar este problema es necesario conocer la siguiente.
De…nición 7.3.1 Se dice que dos matrices A y B son semejantes si, y sólo si, existe
una matriz no singular P tal que B = P 1 AP .
425
Observación 7.3.1 Observe que los valores propios de la matriz diagonal D son
1 = 1 y 2 = 2 los mismos que de la matriz A es decir A y D tienen los mismos
valores propios y que
det A = 2 = det D; tr A = 3 = tr D:
Observe también, que los elementos de la diagonal principal de la matriz diagonal D
son los valores propios de A y las columnas de la matriz invertible P son los vectores
propios de A correspondientes a 1 = 1 y 2 = 2.
Ejemplo 7.3.2 Por el ejemplo 6.2.2 se sabe que la matriz
2 3
5 0 0
A=4 3 7 0 5
4 2 3
tiene los siguientes valores propios 1 = 5; 2 = 7 y 3 = 3, cuyos vectores propios
correspondientes son
2 3 2 3 2 3
16 0 0
u1 = 4 4 5 ; u2 = 4 2 5 ; u3 = 4 0 5
9 1 1
Respectivamente, también, en este caso es fácil comprobar que la matriz A es seme-
jante a la matriz diagonal 2 3
5 0 0
D=4 0 7 0 5
0 0 3
ya que existe la matriz invertible
2 3 2 1
3
16 0 0 16 0 0
6 7
P =4 4 2 0 5 cuya inversa es P 1
=4 1
8
1
2 0 5
9 1 1 11 1
1
16 2
426
De…nición 7.3.2 (de matriz diagonalizable) Una matriz A es diagonalizable si,
y sólo si, A es semejante a una matriz diagonal.D.
En otras palabras una matriz A es diagonalizable si, y sólo si, existe una matriz
invertible P tal que P 1 AP = D:
1 0
D=
0 2
Nota 7.3.1 Note que si una matriz A tiene valores propios reales no todos diferen-
tes, es decir algunos de ellos son repetidos; la matriz puede ser o no ser diagonali-
zable.
427
El siguiente criterio de diagonalización es la que se usa con más frecuencia.
Solución. De acuerdo a los criterios anteriores. A será diagonalizable si, y sólo si,
tiene 3 vectores propios linealmente independientes, o
A será diagonalizable si, y sólo si, la suma de las dimensiones de sus espacios
característicos E es igual a 3.
En cualquier caso necesitamos encontrar los vectores propios de la matriz dada
A para lo cual necesitamos los valores propios de A.
Sabemos que los valores propios de A son las soluciones de su ecuación carac-
terística j I Aj = 0. Esto es,
1 2 1
0 1 4 =0
0 0 2
428
Luego todo vector propio asociado al valor propio 1 = 2 = 1 es de la forma
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 0 5 = t 4 0 5
x3 0 0
con t = 1 se tiene 23
1
u1 = 4 0 5
0
Observe que dim E1 = 1.
Se puede comprobar que para 3, la dim E2 = 1, de este modo se tiene
dim E1 + dim E2 = 2 6= 3
3 2
Solución. Como ' ( ) = 3 9 + 27 (veri…car) de aquí se tiene
' ( ) = ( + 3) ( 3)2 = 0
429
que veri…ca 2 3
3 0 0
P 1
AP = 4 0 3 0 5
0 0 3
X
Solución. Como
3 2
'( ) = 8 + 16 + 48 = 0
= ( + 2) ( 4) ( 6) = 0
430
con t = 1 tenemos 23
3
u1 = 4 2 5
0
un vector propio de A asociado a 1 = 2.
Para 2 = 4 debemos resolver el sistema homogéneo ( 2 I A) u = , esto es
2 32 3 2 3
4 3 5 x1 0
4 4 0 10 5 4 x2 5 = 4 0 5
0 0 0 x3 0
2 3 2 3
4 3 5 : 0 1 0 5=2 : 0
4 4 0 10 : 0 5$ 4
$ 0 1 5 : 0 5
0 0 0 : 0 0 0 0 : 0
de donde
5
x1 + 2 x3
= 0
x2 5x3 = 0
y de esto se tiene
5
x1 = x3 ; y x2 = 5x3
2
haciendo x3 = 2t; t 6= 0 2 R los vectores propios asociados al valor propio 2 =4
son todos de la forma
2 3 2 3 2 3
x1 5t 5
u = 4 x2 5 = 4 10t 5 = t 4 10 5
x3 2t 2
con t = 1 tenemos 2 3
5
u2 = 4 10 5
2
un vector propio de A asociado a 2 = 4.
Finalmente para 3 = 6 resolvemos el sistema homogéneo ( 3 I A) u = , esto
es 2 32 3 2 3
6 3 5 x1 0
4 4 2 10 5 4 x2 5 = 4 0 5
0 0 2 x3 0
2 3 2 3
6 3 5 : 0 1 1=2 0 : 0
4 4 2 10 : 0 5 $ $4 0 0 1 : 0 5
0 0 2 : 0 0 0 0 : 0
431
de donde
1
x1 + 2 x2 = 0
x3 = 0
y de esto se tiene
1
x1 = x2 y x3 = 0
2
haciendo x3 = 2t; t 6= 0 2 R se ve que todos los vectores propios asociados al valor
propio 3 = 6 son todos de la forma
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 2t 5 = t4 2 5
x3 0 0
con t = 1 tenemos 2 3
1
u3 = 4 2 5
0
vector propio de A asociado a 3 = 6.
A continuación formamos la matriz P no singular cuyas columnas son los vectores
propios de la matriz A; es decir.
2 3 2 1 1
3
3 5 1 4 8 0
P =4 2 10 2 5 cuya inversa es P 1 = 4 0 0 1 5
2
1 3 5
0 2 0 4 8 2
(veri…que). X
0
= 0
3
2
= 0
432
Así, la matriz A tiene un solo valor propio de multiplicidad 2 que es 1 = 2 = 0.
Determinemos su vector propio resolviendo el siguiente sistema homogéneo.
0 0 x1 0
=
3 0 x2 0
0 0 : 0 3 0 : 0 1 0 : 0
$ $
3 0 : 0 0 0 : 0 0 0 : 0
cuyo sistema correspondiente es x1 + 0x2 = 0. Haciendo x2 = t 6= 0 2 R se ve que
todos los vectores propios asociados a 1 = 2 = 0 son de la forma
x1 0 0
u= = =t
x2 t 1
con t = 1 se tiene
0
u1 =
1
un vector propio de A asociado al valor propio 1 = 2 = 0.
Observe que dim E0 = 1 6= 2, de este modo la matriz A no es diagonalizable. X
1 k
= 0
0 1
( 1)2 = 0
433
7.4 Matrices simétricas y diagonalización ortogonal
Recuerde que una matriz cuadrada A es simétrica si, y sólo si, At = A. En esta
sección demostraremos que toda matriz simétrica A siempre es diagonalizable (aún
cuando A tenga valores propios iguales). Es decir, mostraremos que para toda
matriz simétrica siempre existe una matriz especial invertible P cuya inversa es su
transpuesta. Esto es,
1
P = Pt (en este caso P es llamada matriz ortogonal)
4. A es diagonalizable.
10 10 10
10 5 0 10 5 = 0
10 0 +5 10 0
( 5) ( + 5) 100 ( 5) 100 ( + 5) = 0
( 15) ( + 15) = 0
434
Así, los valores propios de A son 1 = 0; 2 = 15 y 3 = 15 los cuales son números
reales y cada uno de multiplicidad 1.
Ahora para encontrar los vectores propios asociados a los valores propios ante-
riores debemos resolver los siguientes sistemas.
Para 1 = 0 Para 2 = 15 Para 3 = 15
(0I A) u = ( 15I A) u = (15I A) u =
Para 1 = 0 resolvemos
2 32 3 2 3
0 10 10 x1 0
4 10 5 0 5 4 x2 5 = 4 0 5
10 0 5 x3 0
2 3 2 3
0 10 10 : 0 1 0 1=2 : 0
4 10 5 0 : 5
0 $ 4
$ 0 1 1 : 0 5
10 0 5 : 0 0 0 0 : 0
cuyo sistema correspondiente es
1
x1 2 x3 = 0
x2 + x3 = 0
y de esto se tiene
1
x1 = 2 x3
x2 = x3
Parametrizando x3 = 2t se concluye que todo vector propio asociado al valor propio
1 = 0 es de la forma.
2 3 2 3 2 3
x1 t 1
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 2t 2
con t = 1, se tiene el siguiente vector propio asociado al valor propio 1 = 0.
2 3
1
u1 = 4 2 5
2
Observe que dim E0 = 1 = multiplicidad de 1 = 0.
Para 2 = 15 resolvemos el siguiente sistema
2 32 3 2 3
15 10 10 x1 0
4 10 20 0 5 4 x2 = 0 5
5 4
10 0 10 x3 0
435
2 3 2 3
15 10 10 : 0 1 0 1 : 0
4 10 20 0 : 0 5$ 4
$ 0 1 1=2 : 0 5
10 0 10 : 0 0 0 0 : 0
cuyo sistema correspondiente es
x1 + x3 = 0
1
x2 2 x3 = 0
y de esto se tiene
1
x1 = x3
y x2 = x3
2
haciendo x3 = 2t se ve que todo vector propio asociado al valor propio 2 = 15 es
de la forma. 2 3 2 3 2 3
x1 2t 2
u = 4 x2 5 = 4 t 5 = t4 1 5
x3 2t 2
con t = 1, se tiene el siguiente vector propio asociado al valor propio 2 = 15.
2 3
2
u2 = 4 1 5
2
x1 2x3 = 0
x2 2x3 = 0
de donde se tiene
x1 = 2x3 y x2 = 2x3
436
parametrizando x3 = t se ve que todo vector propio asociado al valor propio 3 = 15
es de la forma. 2 3 2 3 2 3
x1 2t 2
u = 4 x2 5 = 4 2t 5 = t 4 2 5
x3 t 1
con t = 1, se tiene el siguiente vector propio asociado al valor propio 3 = 15.
2 3
2
4
u3 = 2 5
1
Observe que
Esto dice que los vectores propios asociados a los valores propios diferentes son
ortogonales. Ahora observe que el conjunto
8 2 3 2 3 2 39
< 1 2 2 =
S = u 1 = 4 2 5 ; u2 = 4 1 5 ; u3 = 4 2 5
: ;
2 2 1
Finalmente, de…niendo 2 3
1=3 2=3 2=3
P =4 2=3 1=3 2=3 5
2=3 2=3 1=3
437
se ve que P es ortogonal es decir P 1 = P t , pues
2 32 3 2 3
1=3 2=3 2=3 1=3 2=3 2=3 1 0 0
P t P = 4 2=3 1=3 2=3 5 4 2=3 1=3 2=3 5 = 4 0 1 0 5 = I
2=3 2=3 1=3 2=3 2=3 1=3 0 0 1
Por tanto la matriz simétrica dada A es diagonalizable. Puesto que la matriz orto-
gonal P es la que permite diagonalizar la matriz A, razón por la cual se dice que la
matriz A es diagonalizable ortogonalmente. X
Ejemplo 7.4.2 Encuentre una matriz ortogonal P tal que P t AP diagonalice orto-
gonalmente A. Compruebe que P t AP da la forma diagonal correcta, donde
2 3
0 3 0
A=4 3 0 4 5
0 4 0
Solución. Sabemos que los valores propios de la matriz A son las soluciones de
su ecuación característica ' ( ) = j I Aj = 0, calculando este determinante y
simpli…cando nos queda
3 0 3
3 4 3 = 0
0 4 0 4
3
16 9 = 0
( 5) ( + 5) = 0
1 = 0; 2 = 5 y 3 =5
Como los vectores propios asociados a los valores propios son las soluciones di-
ferentes de cero del sistema homogéneo ( I A) u = . Así pues calculamos estos
vectores propios.
438
Para 1 = 0 resolvemos
2 32 3 2 3
0 3 0 x1 0
4 3 0 4 5 4 5 4
x2 = 0 5
0 4 0 x3 0
2 3 2 3
0 3 0 : 0 3 0 4 : 0
4 3 0 4 : 0 5$ $4 0 1 0 : 0 5
0 4 0 : 0 0 0 0 : 0
cuyo sistema correspondiente es
3x1 4x3 = 0
x2 = 0
y de esto se tiene
3x1 = 4x3 y x2 = 0
Parametrizando x3 = 3t; t 6= 0 2 R se concluye que todo vector propio asociado al
valor propio 1 = 0 es de la forma.
2 3 2 3 2 3
x1 4t 4
u = 4 x2 5 = 4 0 5 = t4 0 5
x3 3t 3
439
2 3 2 3
5 3 0 : 0 1 0 3=4 : 0
4 3 5 4 : 0 5$ 4
$ 0 1 5=4 : 0 5
0 4 5 : 0 0 0 0 : 0
cuyo sistema correspondiente es
3
x1 4 x3 = 0
5
x2 + 4 x3 = 0
que es equivalente a
3 5
x1 = x3 y x2 = x3
4 4
parametrizando x3 = 4t; t 6= 0 2 R se concluye que todo vector propio asociado al
valor propio 2 = 5 es de la forma.
2 3 2 3 2 3
x1 3t 3
u = 4 x2 5 = 4 5t 5 = t 4 5 5
x3 4t 4
440
cuyo sistema correspondiente es
3
x1 4 x3 = 0
5
x2 4 x3 = 0
luego,
3 5
x1 = x3 y x2 = x3
4 4
parametrizando x3 = 4t; t 6= 0 2 R. Así, cualquier vector propio asociado al valor
propio 3 = 5 es de la forma.
2 3 2 3 2 3
x1 3t 3
u = x2 = 5t = t 5 5
4 5 4 5 4
x3 4t 4
con t = 1, se tiene el siguiente vector propio asociado al valor propio 3 = 3.
2 3
3
u3 = 4 5 5
4
notemos que el espacio característico E5 de 3 = 5, está generado por el conjunto
unitario 82 39
< 3 =
B= 4 5 5
: ;
4
que es linealmente independiente, luego una base para E5 es B. Así, dim E5 = 1.
De este modo la matriz dada A tiene tres valores propios reales diferentes a saber
1 = 0; 2 = 5 y 3 = 5 cuyos vectores propios asociados correspondientes son:
2 3 2 3 2 3
4 3 3
u 1 = 4 0 5 ; u2 = 4 5 5 y u 3 = 4 5 5
3 4 4
Observe que
hu1 ; u2 i = h( 4; 0; 3) ; (3; 5; 4)i = 12 + 12 = 0
hu1 ; u3 i = h( 4; 0; 3) ; (3; 5; 4)i = 12 + 12 = 0
hu2 ; u3 i = h(3; 5; 4) ; (3; 5; 4)i = 9 25 + 16 = 0
Esto muestra que
8 2 3 2 3 2 39
< 4 3 3 =
S = u1 = 4 0 5 ; u2 = 4 5 ; u3 = 5 5
5 4
: ;
3 4 4
441
es un conjunto ortogonal; al normalizar cada vector de este conjunto obtenemos el
siguiente conjunto ortonormal
8 2 3 2 p 3 2 p 39
< 4=5 3=p50 3=p50 =
S 0 = v1 = 4 0 5 ; v2 = 4 5=p50 5 ; v3 = 4 5=p50 5
: ;
3=5 4= 50 4= 50
de…niendo 2 p p 3
4=5 3=5p2 3=5p2
P =4 0 5=5p2 5=5p2 5
3=5 4=5 2 4=5 2
se ve que P es ortogonal es decir P 1 = P t , pues
2 4 3 32 4 3
p p 3
3
2 3
5 0 5 5 10 2 10 2 1 0 0
t 6 3p 1
p 2
p 76 1
p 1
p 7 6 7
P P = 4 10 2 2 2 5 2 54 0 2 2 2 2 5=4 0 1 0 5=I
3
p 1
p 2
p 3 2
p 2
p
10 2 2 2 5 2 5 5 2 5 2
0 0 1
Ejemplo 7.4.3 Encuentre una matriz ortogonal P tal que P t AP diagonalice orto-
gonalmente A. Compruebe que P t AP da la forma diagonal correcta, donde
2 3
0 1 1
A=4 1 0 1 5
1 1 0
1 1 1
3
j I Aj = 1 1 1 = 1 1
1 1 1 1
3
= 3 2
442
los cuales resultan ser los valores propios de la matriz dada A, note que 1 = 2 = 1
es un valor propio de multiplicidad 2.
Para encontrar los vectores propios asociados al valor propio 1 = 2 = 1
debemos resolver el siguiente sistema.
2 32 3 2 3
1 1 1 x1 0
4 1 1 1 5 4 x2 5 = 4 0 5
1 1 1 x3 0
2 3 2 3
1 1 1 : 0 1 1 1 : 0
4 1 1 1 : 0 5$ $4 0 0 0 : 0 5
1 1 1 : 0 0 0 0 : 0
cuyo sistema correspondiente es
x1 + x2 + x3 = 0
que origina
x1 = x2 x3
haciendo x3 = t y x3 = k vemos que todo vector propio asociado al valor propio
1 = 2 = 1 es de la forma.
2 3 2 3 2 3 2 3 2 3 2 3
x1 t k t k 1 1
u = 4 x2 5 = 4 t 5 = 4 t 5 + 4 0 5 = t4 1 5 + k4 0 5
x3 k 0 k 0 1
con t = 1 y k = 0, se tiene 2 3
1
u1 = 4 1 5
0
y con t = 0 y k = 1, se tiene 2 3
1
u2 = 4 0 5
1
Observe que dim E 1 = 2 = multiplicidad de 1 = 2 = 1.
Para 3 = 2 resolvemos el siguiente sistema
2 32 3 2 3
2 1 1 x1 0
4 1 2 1 5 4 x2 5 = 4 0 5
1 1 2 x3 0
443
2 3 2 3
2 1 1 : 0 1 0 1 : 0
4 1 2 1 : 0 5$ 4
$ 0 1 1 : 0 5
1 1 2 : 0 0 0 0 : 0
que corresponde a
x1 x3 = 0
x2 x3 = 0
que es equivalente a
x1 = x3 y x2 = x3
haciendo x3 = t; t 6= 0 2 R se ve que todo vector propio asociado al valor propio
3 = 2 es de la forma.
2 3 2 3 2 3
x1 t 1
u = x2 = t = t 1 5
4 5 4 5 4
x3 t 1
w1 = u1 = ( 1; 1; 0)
hu2 ; w1 i h( 1; 0; 1) ; ( 1; 1; 0)i
w2 = u2 w1 = ( 1; 0; 1) ( 1; 1; 0)
hw1 ; w1 i h( 1; 1; 0) ; ( 1; 1; 0)i
1 1 1 1 1
w2 = ( 1; 0; 1) ( 1; 1; 0) = ( 1; 0; 1) + ; ;1 = ; ;1
2 2 2 2 2
Así, 8 2 3 2 39
< 1 1=2 =
w1 = 4 1 5 ; w2 = 4 1=2 5
: ;
0 1
444
es un conjunto ortogonal. Normalizando cada vector se obtiene el siguiente conjunto
ortonormal 8 2 p 3 2 p 39
< 1=p2 1=p6 =
v1 = 4 1= 2 5 ; v2 = 4 1=p6 5
: ;
0 2= 6
Ahora normalizando
2 3 2p 3
1 1=p3
u3 = 4 1 5 se tiene v3 = 4 1=p3 5
1 1= 3
De esta forma obtenemos el siguiente conjunto ortonormal
8 2 p 3 2 p 3 2 p 39
< 1=p2 1=p6 1=p3 =
S = v1 = 4 5
1= 2 ; v2 = 4 1=p6 ; v3 = 1=p3 5
5 4
: ;
0 2= 6 1= 3
de…niendo 2 p p p 3
1 1 1
2 2 6 6 3 3
6 1
p 1
p 1
p 7
P =4 2 2 6 6 3 3 5
1
p 1
p
0 3 6 3 3
se concluye que P t AP = D
2 1p 1
p 32 32 1
p p
1
p 3
1
2 3
2 2 2 2 0 0 1 1 2 2 6 6 3 3 1 0 0
6 1p 1
p 1
p 76 76 1
p 1
p 1
p 7 6 7
4 6 6 6 6 3 6 54 1 0 1 54 2 2 6 6 3 3 5=4 0 1 0 5
1
p 1
p 1
p 1
p 1
p
3 3 3 3 3 3
1 1 0 0 3 6 3 3
0 0 2
X
Ejemplo 7.4.4 Determine una matriz ortogonal P que diagonalice ortogonalmente
a la siguiente matriz 2 3
5 4 2
A=4 4 5 2 5
2 2 2
Solución. Los valores propios de la matriz A son las soluciones de su ecuación
característica ' ( ) = j I Aj = 0. Esto es,
5 4 2
4 5 2 = 0
2 2 2
3 2
12 + 21 10 = 0
2
( 1) ( 10) = 0
445
cuyas raíces son:
1 = 1; 2 =1 y 3 = 10
Haciendo los calculos necesarios, se ve que a 1 = 2 = 1 le corresponden los
siguientes vectores propios
2 3 2 3
1 1
u1 = 4 1 5 y u2 = 4 0 5
0 2
ya 3 = 10 le corresponde 2 3
2
u3 = 4 2 5
1
observe que u1 y u2 no son ortogonales, entonces utilizando el proceso de de orto-
normalización de Gram-Schmidt a fu1 ; u2 g se obtiene el conjunto ortonormal
8 2 p 3 2 p 39
< 1=p2 1=3p2 =
v1 = 4 1= 2 5 ; v2 = 4 1=3p2 5
: ;
0 4=3 2
Finalmente normalizando u3 se tiene
2 3
2=3
v3 = 4 2=3 5
1=3
de esta forma obtenemos el siguiente conjunto ortonormal
8 2 p 3 2 p 3 2 39
< 1=p2 1=3p2 2=3 =
S = v1 = 4 1= 2 5 ; v2 = 4 1=3p2 5 ; v3 = 4 2=3 5
: ;
0 4=3 2 1=3
Por tanto la matriz ortogonal deseada es
2 1p 1
p 2
3
2 2 6 2 3
6 1p 1
p 2 7
P =4 2 2 6 2 3 5
2
p 1
0 3 2 3
tal que P t AP = D.
2 1p 1
p 32 32 p
1
p
1 2
3 2 3
2 2 2 2 0 5 4 2 2 2 6 2 3 1 0 0
6 1p 1
p 2
p 76 76 1
p 1
p 2 7 6 7
4 6 2 6 2 3 2 54 4 5 2 54 2 2 6 2 3 5=4 0 1 0 5
2 2 1 2
p 1
3 3 3
2 2 2 0 3 2 3
0 0 10
X
446
7.5 Una aplicación de los valores y vectores propios
En esta sección se mostrará cómo se utilizan los resultados obtenidos acerca de los
valores y vectores propios de una matriz simétrica A. Primero, para identi…car y
segundo para gra…car cónicas representados por ecuaciones de la forma.
ax2 + bxy + cy 2 = d
x2 + y 2 4 y x 3y 2
q : Rn 1
!R
de…nida por
q (X) = X t AX
447
Donde 2 3
x1
6 x2 7
X=6 7
4 : 52R
n 1
xn
Se denomina forma cuadrática en n variables x1 ; x2 ; : : : ; xn .
La matriz A se llama matriz de la forma cuadrática.
Nota 7.5.1 Los elementos de la diagonal principal de la matriz A son los coe…-
cientes de los x2i mientras que las componentes aij y aji de A son todos iguales a la
mitad de los coe…cientes de los xij .
Ejemplo 7.5.1 La siguiente expresión q (x) = x21 + 2x1 x2 + 2x22 es una forma
cuadrática en las variables x1 y x2 . Observe que q (x) se puede expresar de la forma
X t AX donde
x1 1 1
X= y A=
x2 1 2
Pues
1 1 x1
X t AX = x1 x2
1 2 x2
x1
= x1 + x2 x1 + 2x2
x2
= (x1 + x2 ) x1 + (x1 + 2x2 ) x2
= x21 + x1 x2 + x2 x1 + 2x22
= x21 + 2x1 x2 + 2x22
Ejemplo 7.5.2 Determine la forma cuadrática p (x; y) correspondiente a la matriz
simétrica
5 3
A=
3 8
Solución.
5 3 x
p (x; y) = x y
3 8 y
x
= 5x 3y 3x + 8y
y
= 5x2 3xy 3xy + 8y 2
= 5x2 6xy + 8y 2 :
X
448
Ejemplo 7.5.3 Hallar la matriz simétrica A que corresponde a la forma cuadrática.
Solución. (a)
4 5=2
B=
5=2 7
(b) Note que q (x1 ; x2 ; x3 ) = 0x21 + 4x1 x2 + 5x22 + 0x1 x3 + 0x23 , entonces
2 3
0 2 0
B=4 2 5 0 5
0 0 0
q (X) = X t AX
es simétrica, luego para esta matriz simétrica existe una matriz ortogonal P talque
P t AP = B sea diagonal. En este caso se dice que las matrices A y B son congruen-
tes, es decir.
De…nición 7.5.2 Dos matrices A y B son congruentes si, y sólo si, existe una
matriz no singular (ortogonal) P tal que P t AP = B.
449
Ejemplo 7.5.5 Como la matriz de la forma cuadrática
5 2 x1
q1 (X) = 5x21 + 4x1 x2 + 8x22 = x1 x2
2 8 x2
9 0 y1
q2 (Y ) = 9y12 + 4y22 = y1 y 2
0 4 y2
5 2 9 0
A= y B=
2 8 0 4
que, como, sabemos son congruentes, luego las formas cuadráticas q1 (X) y q2 (Y )
son equivalentes.
450
El siguiente teorema caracteriza la equivalencia de las formas cuadráticas.
Ejemplo 7.5.7 Sea q (X) = 2x1 x2 + 2x1 x3 + 2x2 x3 la forma cuadrática en las
variables x1 ; x2 ; x3 ; matricialmente esta forma cuadrática se expresa como
2 32 3
0 1 1 x1
q (X) = X t AX = x1 x2 x3 4 1 0 1 5 4 x2 5
1 1 0 x3
siendo 3
2
0 1 1
A=4 1 0 1 5
1 1 0
la matriz de la forma cuadrática. Se puede mostrar que los valores propios de A son,
1 = 2; 2 = 1 y 3 = 1
1 2 x1
q (X) = x1 x2
2 4 x2
Donde
1 2
A=
2 4
es la matriz de la forma cuadrática, cuyos valores propios son 1 =0y 2 = 5:
451
Entonces por el teorema de los ejes principales la forma cuadrática considerada
es equivalente a la forma cuadrática
q1 (Y ) = 0y12 + 5y22
Luego la ecuación original dada x21 4x1 x2 + 4x22 = 4 se puede expresar como
5y22 = 4
13 4 x1
q (X) = x1 x2
4 7 x2
Donde
13 4
A=
4 7
es la matriz de la forma cuadrática, cuyos valores propios son 1 = 5 y 2 = 15:
Entonces por el teorema de los ejes principales la forma cuadrática considerada
es equivalente a la forma cuadrática
q1 (Y ) = 5y12 + 15y22
5y12 + 15y22 = 45
que se simpli…ca en
y12 y22
+ =1
9 3
Que representa la ecuación de una elipse horizontal. X
452
Ejemplo 7.5.10 Identi…que la cónica representada por las ecuaciones cuadráticas
q1 (Y ) = y12 + 3y22
y12 + 3y22 = 9
que se simpli…ca en
y12 y22 y22 y12
+ =1 o =1
9 3 3 9
Que representa la ecuación de una hipérbola vertical.
(b) Note que 7x21 + 32x1 x2 17x22 = 50, matricialmente se expresa como
7 16 x1
q (x1 ; x2 ) = x1 x2 = 50
16 17 x2
Como
7 16
=( 7) ( + 17) 256
16 + 17
entonces
' ( ) = ( + 25) ( 15)
453
Luego la ecuación original 7x21 + 32x1 x2 17x22 = 50 se expresa como
25y12 + 15y22 = 50
que se simpli…ca en
y12 y2 y22 y12
+ 502 = 1 o 50 =1
2 15 15
2
Que se trata de una hipérbola.
(c) El primer miembro de la ecuación dada 2x21 4x1 x2 + 5x22 = 36 es de la forma
cuadrática
2 2 x1
q (x1 ; x2 ) = x1 x2
2 5 x2
Donde
2 2
A=
2 5
es la matriz de la forma cuadrática, cuyos valores propios son las raíces de
2 2
'( ) = =( 2) ( 6) 4
2 5
2
= 7 +6=( 1) ( 6)
que son, 1 =1 2 = 6 de este modo la ecuación original se puede expresar como
y12 y2
y12 + 6y22 = 36 o + 2 =1
36 6
Que se trata de una elipse horizontal. X
Observación 7.5.2 Observe que para identi…car una cónica solo se necesita los
valores propios de la matriz de la forma cuadrática.
Sin embargo (así, como se verá a continuación) para gra…car una cónica es nece-
sario hacer uso de la matriz ortogonal P que diagonaliza ortogonalmente a la matriz
de la forma cuadrática q (X) = X t AX, cuyas columnas son los vectores propios
ortonormales de la matriz A de la forma cuadrática así, como demostramos a con-
tinuación.
Supongamos que q (X) = X t AX y q1 (Y ) = Y t BY son dos formas cuadráticas
equivalentes, entonces las matrices A y B son congruentes; esto hace que exista una
matriz ortogonal P tal que B = P t AP . Luego
q1 (Y ) = Y t BY
= Y t P t AP Y
= Y t P t A (P Y )
= (P Y )t A (P Y )
454
haciendo X = P Y se tiene
q1 (Y ) = X t AX = q (X)
PPt = I
PPt = jIj
t
jP j P = 1
jP j jP j = 1
jP j2 = 1
Por tanto, jP j = 1.
Se puede mostrar que si P se elige de modo que jP j = 1 entonces existe un
número real en [0; 2 ) tal que
cos sen
P =
sen cos
Donde da el ángulo de rotación de la cónica medido del eje x positivo al eje y
positivo. En este caso el cambio de variable X = P Y origina una rotación de los
ejes x1 x2 un ángulo .
x2
y1
y2
θ
x1
455
Ahora el número se elige como sigue
que son
5 1
1 = y 2 =
2 2
Luego por el teorema de los ejes principales la ecuación original puede expresarse
como
5 2 1 2
y y =3
2 1 2 2
el cual se simpli…ca en
y12 y22
6 =1
5
6
que se trata de una hipérbola.
456
Ahora, para gra…car esta cónica necesitamos los vectores propios ortonormales de
la matriz A asociados a los valores propios 1 y 2 , los cuales obtenemos resolviendo
los siguientes sistemas homogéneos, ( 1 I A) u = y ( 2 I A) u = .
Para 1 = 52 resolvemos
1 1 3=2 x1 0
=
3=2 1 1 x1 0
3=2 3=2 x1 0
=
3=2 3=2 x1 0
3=2 3=2 : 0 1 1 : 0 1 1 : 0
$ $
3=2 3=2 : 0 3=2 3=2 : 0 0 0 : 0
cuyo sistema correspondiente es
x1 x2 = 0 de donde se tiene x1 = x2
x1 t 1
u= = =t
x1 t 1
1
u1 =
1
1
Similarmente, para 2 = 2 resolvemos
2 1 3=2 x1 0
=
3=2 2 1 x1 0
3=2 3=2 x1 0
=
3=2 3=2 x1 0
3=2 3=2 : 0 1 1 : 0 1 1 : 0
$ $
3=2 3=2 : 0 3=2 3=2 : 0 0 0 : 0
cuyos sistema correspondiente es
x1 + x2 = 0 de donde se tiene x1 = x2
457
al parametrizar x2 = t; t 6= 0 2 R, se ve que todos los vectores propios asociados a
1
2 = 2 son de la forma
x1 t 1
u= = =t
x1 t 1
1
u2 =
1
1 1
u1 = ; u2 =
1 1
respectivamente; como vemos estos vectores propios son ortogonales como se es-
peraba, pero no ortonormales, sin embargo normalizandolos tenemos los vectores
ortonormales deseados
p p
1=p2 1=p2
v1 = y v2 =
1= 2 1= 2
458
x2
y1
y2
45º
x1
siendo
5 3
A=
3 5
la matriz de la forma cuadrática en cuestión; cuyos valores propios son las soluciones
de la ecuación característica
5 3
= 0
3 5
( 5) ( 5) 9 = 0
2
10 + 16 = 0
459
Para 1 = 2 resolvemos
1 5 3 x1 0
=
3 1 5 x1 0
3 3 x1 0
=
3 3 x1 0
3 3 : 0 1 1 : 0 1 1 : 0
$ $
3 3 : 0 3 3 : 0 0 0 : 0
cuyo sistema correspondiente es
x1 x2 = 0 de donde se tiene x1 = x2
x1 t 1
u= = =t
x1 t 1
1
u1 =
1
2 5 3 x1 0
=
3 2 5 x1 0
3 3 x1 0
=
3 3 x1 0
3 3 : 0 1 1 : 0 1 1 : 0
$ $
3 3 : 0 3 3 : 0 0 0 : 0
cuyo sistema correspondiente es
x1 + x2 = 0 de donde se tiene x1 = x2
x1 t 1
u= = =t
x1 t 1
460
con t = 1 se obtiene el siguiente vector propio
1
u2 =
1
1 1
u1 = ; u2 =
1 1
respectivamente; como vemos estos vectores propios son ortogonales pero no orto-
normales, sin embargo normalizandolos tenemos los vectores ortonormales
p p
u1 1=p2 u2 1=p2
v1 = = y v2 = =
ku1 k 1= 2 ku2 k 1= 2
461
que se reduce en
2y12 + 8y22 24y1 + 24y2 + 8y1 + 8y2 = 56
2y12 + 8y22 16y1 + 32y2 = 56
y12 + 4y22 8y1 + 16y2 = 28
Para identi…car la grá…ca de esta ecuación, debemos trasladar los ejes y1 ; y2 por lo
cual completamos los cuadrados para obtener
y12 8y1 + 4 y22 + 4y2 = 28
y12 8y1 + 16 + 4 y22 + 4y2 + 4 = 28 + 16 + 16
(y1 4)2 + 4 (y2 + 2)2 = 4
(y1 4)2
(y2 + 2)2
+= 1
4 1
La cual identi…camos como una elipse rotada un ángulo de = 45o y trasladada.
Haciendo z1 = y1 4 y z2 = y2 + 2 se tiene una traslación de los ejes y1 y y2 , luego
la ecuación se convierte en
z12 z22
+ =1
4 1
Cuya gra…ca es una elipse en posición normal o canónica con respecto de los ejes de
coordenadas z1 y z2 . Como muestra la siguiente …gura donde el origen del sistema
de coordenadas z1 ; z2 esta en (4; 2) los ejes de coordenados originales x1 ; x2 se han
rotado un ángulo de = 45o .
z2 x2
y1 z1
y2
45º
x1
X
La grá…ca de una ecuación cuadrática dada se puede identi…car fácilmente en
base a los valores propios 1 ; 2 de la matriz simétrica A que representa la ecuación
cuadrática
ax2 + bxy + cy 2 = d; d 6= 0
462
De hecho, si
1 2 >0 1 2 <0 1 2 =0
Elipse Hipérbola Parábola
463
la matriz de la forma cuadrática. Por el ejemplo 6.4.4, se sabe que esta matriz tiene
los siguientes valores propios
1 = 1; 2 =1 y 3 = 10
entonces por el teorema de los ejes principales la ecuación original dada se convierte
en
y11 + y22 + 10y32 = 100
que se reduce en
y11 y2 y2
+ 2 + 3 =1
100 100 10
la cual representa un elipsoide cuya grá…ca es la siguiente. X
1 = 1; 2 =4 y 3 =9
464
entonces por el teorema de los ejes principales la ecuación original dada se convierte
en
y11 + 4y22 + 9y32 = 36
el cual representa la ecuación cuadrática en el sistema rotado y1 y2 y3 . Cuya forma
estándar de esta es
y11 y22 y32
+ 2 + 2 =1
62 3 2
La grá…ca de esta ecuación es un elipsoide, como se muestra en la …gura, los ejes
y1 y2 y3 representan una rotación de 45o en sentido contrario a las manecillas del reloj
alrededor del eje y2 . Además, la matriz ortogonal
2 3
p1 0 p1
2 2
6 7
P =6 4 0 1 0 7
5
p1 0 p1
2 2
z'
x
x'
1 = 18; 2 =9 y 3 = 9
465
con vectores propios ortogonales correspondientes
2 3 2 3 2 3
2 1 2
u 1 = 4 2 5 ; u2 = 4 2 5 y u 3 = 4 1 5
1 2 2
466
z
z'
x'
y
y'
x
es 2 3
5 2 0
A=4 2 6 2 5
0 2 7
cuyos valores propios son
1 = 3; 2 =6 y 3 =9
467
Finalmente, usando el cambio de variables Y = P t X obtenemos
2 32 0 3
3 0 0 x
4 5 4 2 2 2
0
q (x; y; z) = x y z0 0 0 6 0 y 0 5 = 3 x0 + 6 y 0 + 9 z0
0 0 9 z0
donde pos; neg y cero son los números de valores propios de A, positivos, negativos
y ceros, respectivamente.
j I2 A1 j = ( 4) = 0; de modo que 1 = 0; 2 =4
j I2 A2 j = ( 1) ( 3) = 0; de modo que 1 = 1; 2 =3
468
El concepto de inercia de una matriz simétrica recien presentado permite clasi-
…car las super…cies cuádricas como sigue:
2x2 + 4y 2 4z 2 + 6yz 5x + 3y = 2
siendo 2 3
2 0 0
A=4 0 4 3 5
0 3 4
la matriz de la forma cuadrática en cuestión, cuyos valores propios son (veri…que)
1 = 5; 2 =2 y 3 = 5
469
Observación 7.5.4 La clasi…cación de una super…cie cuádrica es mucho más sen-
cilla que el problema de llevarla a las formas canónicas o estándar utilizadas en
geometría analítica y cálculo. Los pasos algebraicos para obtener una forma están-
dar a partir de una ecuación polinomial de segundo grado requieren, en general una
rotación y una traslación de ejes, como se sabe. La rotación requiere tanto de los
valores propios como de los vectores propios de la matriz A de la forma cuadrática.
Los vectores propios de A se utilizan para formar una matriz ortogonal P , tal que
jP j = 1 y por tanto, el cambio de variables X = P Y representa la rotación. La
forma asociada resultante es la que se obtiene en el teorema de los ejes principales;
es decir, se eliminan todos los términos de productos cruzados. En el siguiente
ejemplo se ilustra esta situación.
X t AX + 5 3 0 X=2
1 = 5; 2 =2 y 3 = 5
y 2 3 2 3 2 3
0 1 0
u 1 = 4 3 5 ; u2 = 4 0 5 y u3 = 4 1 5
1 0 3
Observe que los vectores propios son mutuamente ortogonales, ya que corresponden
a valores propios distintos de una matriz simétrica. Luego normalizandolos estos
vectores propios obtenemos
2 3 2 3 2 3
0 1 0
1 1
v1 = p 4 3 5 ; v2 = 4 0 5 y u3 = p 4 1 5
10 1 0 10 3
470
seguidamente formamos la matriz ortogonal
2 3
0 1 0
6 7
6 p3 0 p1 7
P = v1 v2 v3 =6 10 10 7
4 5
p1 0 p3
10 10
X t AX + 5 3 0 X = 2
t
(P Y ) A (P Y ) + 5 3 0 (P Y ) = 2
t t
Y P AP Y + 5 3 0 (P Y ) = 2
como P t AP = D, haciendo 3
2
x0
Y = 4 y0 5
z0
tenemos
Y t DY + 5 3 0 (P Y ) = 2
esto es,
2 32 0 3 2 3
5 0 0 x h i x0
x0 y 0 z 0 4 0 2 0 5 4 y0 5 + p9 5 p3 4 y0 5 = 2
10 10
0 0 5 z0 z0
que es equivalente a
2 2 2 9 3
5 x0 + 2 y0 5 z0 + p x0 5y 0 + p z 0 = 2
10 10
X
Para completar la transformación a la forma estándar. Introducimos un cambio
de variable para realizar una traslación que elimine los términos de primer grado.
Completando de manera algebraica el cuadrado de cada una de las tres variables,
Así, como se presenta en el siguiente.
471
Ejemplo 7.5.21 Continue con el ejemplo anterior para eliminar los términos de
primer grado.
Solución. La última expresión para la super…cie cuádrica del ejemplo anterior puede
escribirse como
2 9 2 2 3
5 x0 + p x0 + 2 y 0 5y 0 5 z0 + p z0 = 2
10 10
al completar el cuadrado en cada variable, tenemos
9 81 2 2 5 0 25
+ p x0 +
5 x0 +2 y0 y +
5 10 1000 2 16
2 3 9 405 50 45
5 z0 p z0 + = 2+ +
5 10 1000 1000 16 100
2 2 2
9 5 3 405 50 45
5 x0 + p + 2 y0 5 z0 p =2+ +
10 10 4 10 10 1000 16 100
Si hacemos
9 5 3
x00 = x0 + p ; y 00 = y 0 ; z 00 = z 0 p
10 10 4 10 10
podemos escribir la ecuación de la super…cie cuádrica como
2 2 2 5485
5 x00 + 2 y 00 5 z 00 = = 5:485
1000
que en su forma canónica o estándar, esto puede escribirse como
(x00 )2 (y 00 )2 (z 00 )2
5:485 + 5:485 5:485 = 1:
5 2 5
X
Concluimos este capítulo con una segunda aplicación de diagonalización para
calcular las potencias de una matriz.
472
de este modo se tiene
A2 = P DP 1
P DP 1
= P D2 P 1
0 1
A=
2 1
1 = 1 y 2 =2
1 1
u1 = y u2 =
1 2
De ello se desprende que A es diagonalizable, así existe una matriz no singular P tal
que P 1 AP = D, donde
1 1 1 0
P = u1 u2 = y D=
1 2 0 2
A2 = P DP 1
P DP 1
= PD P 1
P DP 1
= P DIDP 1
= P D2 P 1
473
y, en general, se tiene
An = P D n P 1
para toda n 1
Observe que este hecho será verdadero para cualquier matriz diagonalizable, no
únicamente para este ejemplo.
Como n
1 0 ( 1)n 0
Dn = =
0 2 0 2n
se tiene que
1
1 1 ( 1)n 0 1 1
An = P D n P 1 =
1 2 0 2n 1 2
" #" # " #
1 1 ( 1)n 0 2
3
1
3
= 1 1
1 2 0 2n 3 3
2 n n n+1 n
3
2( 1) +2 ( 1) +2
4 3 3 5
2( 1)n+1 +2n+1 ( 1)n+2 +2n+1
3 3
Ya que sólo se nos pregunto por A10 , esto es más de lo que necesitamos. Pero ahora
podemos simplemente tomar n = 10 para encontrar
2 3
2( 1)10 +210 ( 1)11 +210
A10 = 4 3 3 5 = 342 341
2( 1)11 +211 ( 1)12 +211 682 683
3 3
1 = 0; 2 =2 y 3 =4
474
Por consiguiente,
2 32 3k 2 3 1
1 0 1 0 0 0 1 0 1
Ak = 4 0 1 0 54 0 2 0 5 4 0 1 0 5
1 0 3 0 0 4 1 0 3
2 32 32 3 1
3
1 0 1 0 0 0 4 0 4
= 4 0 1 0 54 0 2 0 54 0 1 0 5
1 1
1 0 3 0 0 4 4 0 4
Por tanto,
2 3k 2 3
1 0 1 4k 1 0 4k 1
Ak = 4 0 2 0 5 = 4 0 2k 0 5
3 0 3 3 4 k 1 k
0 3 4 1
X
Ejercicio 7.6.1
0 1 1 =1 u1 = (1; 1)
A= ; ;
1 0 2 = 1 u2 = (1; 1)
Ejercicio 7.6.2
1 0 1 =1 u1 = (1; 0)
A= ; ;
0 1 2 = 1 u2 = (0; 1)
Ejercicio 7.6.3
1 k
A= ; 1 = 1; u1 = (1; 0)
0 1
Ejercicio 7.6.4
4 5 1 = 1 u1 = (1; 1)
A= ; ;
2 3 2 =2 u2 = (5; 2)
Ejercicio 7.6.5
1 1 1 =0 u1 = (1; 1)
A= ; ;
1 1 1 =0 u2 = (1; 1)
475
Ejercicio 7.6.6
2 3
2 3 1 1 =2 u1 = (1; 0; 0)
A=4 0 1 2 5; 2 = 1 ; u2 = (1; 1; 0)
0 0 3 3 =3 u3 = (5; 1; 2)
Ejercicio 7.6.7
2 3
2 2 3 1 =5 u1 = (1; 2; 1)
A=4 2 1 6 5; 2 = 3 ; u2 = ( 2; 1; 0)
1 2 0 3 = 3 u3 = (3; 0; 1)
Ejercicio 7.6.8
2 3
0 1 0
A = 4 0 0 1 5; 1 =1 ; u1 = (1; 1; 1)
1 0 0
En los ejercicios del 9 al 12, determine si u es un vector característico de A.
Ejercicio 7.6.9
(a) u = (1; 2)
7 2 (b) u = (2; 1)
A= ;
2 4 (c) u = (1; 2)
(d) u = ( 1; 0)
Ejercicio 7.6.10
(a) u = (4; 4)
3 10 (b) u = ( 8; 4)
A= ;
5 2 (c) u = ( 4; 8)
(d) u = (5; 3)
Ejercicio 7.6.11
2 3 (a) u = (2; 4; 6)
1 1 1
(b) u = (2; 0; 6)
A=4 2 0 2 5;
(c) u = (2; 2; 0)
3 3 1
(d) u = ( 1; 0; 1)
Ejercicio 7.6.12
2 3 (a) u = (1; 1; 1)
1 0 5
(b) u = ( 5; 2; 1)
A=4 0 2 4 5;
(c) u = (0;p
0; 0) p
1 2 9
(d) u = 2 6 3; 2 6 + 6; 3
476
En los ejercicios del 13 al 17, determine (a) la ecuación característica, (b) los
valores característicos y los vectores característicos correspondientes y c) una base
para cada uno de los espacios característicos correspondientes.
Ejercicio 7.6.13
1 1 1 1 1 4
(i) A = ; (ii) A = ; (iii) A =
1 1 2 4 1 2
Ejercicio 7.6.14
2 2 4 2 5 1
(i) A = ; (ii) A = ; (iii) A =
1 3 3 3 1 3
Ejercicio 7.6.15
2 3 2 3 2 3
2 1 1 1 2 2 1 1 0
(i) A = 4 2 4 2 5 ; (ii) A = 4 1 2 1 5; (iii) A = 4 0 1 0 5
1 1 3 1 1 4 0 0 1
Ejercicio 7.6.16
2 3 2 3 2 3
4 2 3 1 1 2 1 2 3
(i) A = 4 2 1 2 5; (ii) A = 4 0 2 0 5 ; (iii) A = 4 0 1 0 5
1 2 0 0 1 2 2 1 2
Ejercicio 7.6.17
2 3 2 3 2 3
5 0 0 1 2 1 2 2 3
(i) A = 4 3 7 0 5; (ii) A = 4 0 1 4 5; (iii) A = 4 2 1 6 5
4 2 3 0 0 2 1 2 0
a b
A=
0 d
Ejercicio 7.6.19 Para una matriz invertible A, demuestre que A y A 1 tienen los
mismos vectores característicos. ¿Cómo se relacionan los valores característicos de
A con los valores característicos de A 1 .
477
En los ejercicios 21 al 24, determine la dimensión del espacio característico co-
rrespondiente al valor característico 3.
Ejercicio 7.6.21 2 3
3 0 0
A=4 0 3 0 5
0 0 3
Ejercicio 7.6.22 2 3
3 1 0
A=4 0 3 0 5
0 0 3
Ejercicio 7.6.23 2 3
3 1 0
A=4 0 3 1 5
0 0 3
Ejercicio 7.6.24 2 3
3 1 1
A=4 0 3 1 5
0 0 3
Diagonalización
En los ejercicios del 25 al 30, compruebe que la matriz dada A es diagonalizable
al calcular P 1 AP .
Ejercicio 7.6.25
1 1 1 1
A= ; P =
2 4 1 2
Ejercicio 7.6.26
1 2 1 2
A= ; P =
2 2 2 1
Ejercicio 7.6.27
1 2 2 1
A= ; P =
3 2 3 1
Ejercicio 7.6.28
2 3 2 3
2 3 1 1 1 0
A=4 1 2 1 5; P =4 1 2 2 5
1 3 2 1 0 1
478
Ejercicio 7.6.29
2 3 2 3
2 1 1 1 1 1
A = 4 1 2 1 5; P =4 1 0 1 5
1 1 2 1 1 0
Ejercicio 7.6.30
2 3 2 3
1 3 3 1 1 1
4
A= 3 5 3 5; 4
P = 1 0 1 5
6 6 4 0 1 2
Ejercicio 7.6.31
1 4 1 0 0 2
(i) A = ; (ii) A = ; (iii) A =
1 2 2 1 0 0
Ejercicio 7.6.32
2 3 2 3 2 3
1 1 2 1 2 3 0 0 1
(i) A = 4 4 0 4 5; (ii) A = 4 0 1 2 5; (iii) A = 4 0 1 2 5
1 1 4 0 0 2 0 0 1
En los ejercicios del 33 al 37, para cada matriz dada A determine (en caso de
ser posible) una matriz P no singular tal que P 1 AP sea diagonal. Compruebe que
P 1 AP es una matriz diagonal con los valores característicos en la diagonal.
Ejercicio 7.6.33
0 1 1 2 1 4
(i) A = ; (ii) A = ; (iii) A =
2 3 4 5 2 3
Ejercicio 7.6.34
2 3 2 3 2 3
2 3 2 1 1 0 1 0 0
4
(i) A = 0 5 4 5; (ii) A = 4 0 2 0 5 ; (iii) A = 4 0 2 2 5
1 0 1 0 0 1 0 0 1
479
Ejercicio 7.6.35
2 3 2 3 2 3
2 1 1 1 2 2 1 1 2
(i) A = 4 2 4 2 5 ; (ii) A = 4 0 2 1 5; (iii) A = 4 0 1 0 5
1 1 3 1 1 4 0 1 3
Ejercicio 7.6.36
2 3 2 3 2 3
4 2 3 1 2 3 3 2 1
(i) A = 4 2 1 2 5; (ii) A = 4 0 1 0 5 ; (iii) A = 4 0 2 0 5
1 2 0 2 1 2 0 0 0
Ejercicio 7.6.37
2 3 2 3
2 0 0 0 1 0 0 0
6 3 1 0 0 7 6 1 0 1 0 7
(i) A = 6
4 0
7; (ii) A = 6 7
1 1 0 5 4 0 0 1 0 5
0 0 1 2 0 1 0 1
En los ejercicios del 39 al 42, utilice el resultado del ejercicio anterior para hallar
la potencia indicada de A.
Ejercicio 7.6.39
10 18
A= ; A6
6 11
Ejercicio 7.6.40
1 3
A= ; A7
2 0
Ejercicio 7.6.41 2 3
3 2 3
A=4 3 4 9 5; A8
1 2 5
Ejercicio 7.6.42 2 3
2 0 2
A=4 0 2 2 5; A5
3 0 3
480
Ejercicio 7.6.43 ¿Son semejantes las dos matrices siguientes? En caso a…rmativo,
determine una matriz P tal que B = P 1 AP .
2 3 2 3
1 0 0 3 0 0
A=4 0 2 0 5 y B=4 0 2 0 5
0 0 3 0 0 1
Ejercicio 7.6.44
2 1 11 5 4 2
(i) A = ; (ii) A = ; (iii) A =
1 2 5 4 2 4
Ejercicio 7.6.45
2 3 2 3 2
3
2 0 2 0 4 4 0 3 3
(i) A = 4 0 2 2 5; 4
(ii) A = 4 2 0 5; (iii) A = 4 3 0 3 5
2 2 3 4 0 3 3 3 0
Ejercicio 7.6.46
2 3 2 3 2 3
2 0 3 8 2 8 4 1 4
(i) A = 4 0 1 0 5 ; (ii) A = 4 2 0 34 5 ; (iii) A = 4 1 0 17 5
4 0 5 2 8 2 1 4 1
Ejercicio 7.6.47
2 3 2 3 2 3
2 2 1 4 3 p1 p1 p1
3 3 3 5 0 5 2 3 6
6 7 6 7 6 7
(i) A = 4 2
3
1
3
2
3 5 ; (ii) A = 4 0 1 0 5 ; (iii) A = 6
4 0 p1
3
p2
6
7
5
1 2 2 3 4
0 p1 p1 p1
3 3 3 5 5 2 3 6
Ejercicio 7.6.48
2 p p p 3 2 p p 3
2 6 3 2 5
2 6 3 3 0 2
6 p p 7 6 p 7
(i) A = 6
4 0 3
6
3
3 7 ; (ii) A = 6
5 4 0 2 5
5 0 7
5
p p p p p
2 6 3 2 5 1
2 6 3 6 5 2
481
Ejercicio 7.6.49 Hallar la inversa de cada una de las siguientes matrices ortogo-
nales. 2 3 2 3
1 0 0 1 0 0
6 7 6 7
(a) A = 4 0 cos sen 5 ; (b) A = 6 0 p1 p1 7
4 2 2 5
0 sen cos 0 p1 p1
2 2
En los ejercicios del 50 al 55, encuentre una matriz ortogonal P tal que P t AP
diagonalice A. Compruebe que P t AP da la forma diagonal correcta.
Ejercicio 7.6.50
2 2 3 4 1 3
(i) A = ; (ii) A = ; (iii) A =
2 2 4 5 3 1
Ejercicio 7.6.51
p
(i) A = p2 2
; (ii) A =
2 1
; (iii) A =
6 3
2 2 1 2 3 1
Ejercicio 7.6.52
2 3 2 3 2 3
5 0 0 2 3 0 1 0 1
(i) A = 4 0 1 3 5 ; (ii) A = 4 3 2 4 5 ; (iii) A = 4 0 1 0 5
0 3 1 0 4 2 1 0 1
Ejercicio 7.6.53
2 3 2 3 2 3
1 2 2 1 1 0 1 0 0
(i) A = 4 2 1 2 5 ; (ii) A = 4 1 1 0 5 ; (iii) A = 4 0 1 1 5
2 2 1 0 0 1 0 1 1
Ejercicio 7.6.54
2 3 2 3 2 3
1 1 2 3 0 1 0 1 1
(i) A = 4 1 1 2 5 ; (ii) A = 4 0 2 0 5 ; (iii) A = 4 1 0 1 5
2 2 2 1 0 3 1 1 0
Ejercicio 7.6.55
2 3 2 3 2 3
0 0 0 1 2 2 0 0 2 0 0 1
6 0 0 0 0 7 6 2 2 0 0 7 6 0 1 0 0 7
(i) A = 6
4 0 0 0
7; (ii) A = 6 7; (iii) A = 6 7
0 5 4 0 0 2 2 5 4 0 0 1 0 5
1 0 0 0 0 0 2 2 1 0 0 2
482
Ejercicio 7.6.56 Si b 6= 0, diagonalice ortogonalmente
a b
A=
b a
Formas cuadráticas
En los ejercicios del 60 al 63, hallar la matriz simétrica que corresponde a cada
una de las formas cuadráticas.
483
En los ejercicios del 70 al 75, escribir cada una de las siguientes formas cuadráti-
cas como X t AX.
Ejercicio 7.6.85 x1 x2 2 = 0:
En los ejercicios del 86 al 107, clasi…que la super…cie cuádrica dada por cada
ecuación y determine su forma canónica o estándar.
484
Ejercicio 7.6.87 x2 + y 2 + z 2 4yz = 1:
Ejercicio 7.6.93 11x2 + 11y 2 + 14z 2 + 2xy + 8xz 8yz 12x + 12y + 12z = 6:
Ejercicio 7.6.106 x2 + y 2 z2 2x 4y 4z + 1 = 0:
485
En los ejercicios del 108 al 121, utilice la inercia para clasi…car la super…cie
cuádrica dada en cada ecuación.
Ejercicio 7.6.109 x2 + 3y 2 + 2z 2 6x 6y + 4z 2 = 0:
Ejercicio 7.6.112 x2 y = 0:
Ejercicio 7.6.117 y 2 z2 9x 4y + 8z 12 = 0:
Ejercicio 7.6.120 x2 4z 2 4x + 8z = 0:
En los ejercicios del 122 al 129, utilice el método del ejemplo 7.5.22 para calcular
la potencia indicada de la matriz.
Ejercicio 7.6.122
9
4 6
3 5
Ejercicio 7.6.123
10
1 6
1 0
486
Ejercicio 7.6.124
6
4 3
1 2
Ejercicio 7.6.125
k
0 3
1 2
Ejercicio 7.6.126
2 38
2 1 2
4 2 1 2 5
2 1 2
Ejercicio 7.6.127
2 32002
1 1 1
4 0 1 0 5
0 0 1
Ejercicio 7.6.128
2 3 5
2 0 1
4 1 1 1 5
1 0 2
Ejercicio 7.6.129
2 3k
1 1 0
4 2 2 2 5
0 1 1
0 8
A=
2 0
487
Ejercicio 7.6.133 Emplee la diagonalización para calcular
2 3 8
2 0 3
A=4 0 1 0 5
3 0 2
en la que p p
1+ 5 1 5
r1 = y r2 =
2 2
y k es un entero positivo.
488
BIBLIOGRAFÍA
[1] Anton, Howard. Introducción al Algebra Lineal. Editorial Limusa. México, 1996.
[3] Hill, Richard. Algebra Lineal Elemental con Aplicaciones. Prentice-Hall His-
panoamericana, S. A. México, 1997.
[4] Ho¤man, Kenneth y Kunze, Ray. Algebra Lineal. Editorial Prentice-Hall Inter-
nacional Continental, España, 1973.
[6] Kolman, Bernard y Hill, David R. Algebra Lineal. Pearson Prentice Hall.
México, 2006.
[7] Kreider, Donald L., Kuller, Robert, G., Ostberg, Donald R. y Perkins, Fred W.
Introducción al Análisis Lineal Parte 1. Fondo Educativo Interamericano, S. A.
México, 1971.
[10] Lay, David C. Algebra Lineal y sus Aplicaciones. Tercera Edición Actualizada.
Pearson Educación. México, 2007.
489
[11] Leon, Steven J. Algebra Lineal con Aplicaciones. Compañia Editorial Conti-
nental, S. A. de C. V. México, 1993.
[12] Nakos, George y Joyner, David. Algebra Lineal con Aplicaciones. International
Thomson Editores, S. A. de C. V. México, 1999.
[13] Paige, Lowell J. y Swift, J. Dean. Elementos de Algebra Lineal. Editorial Re-
verté, S. A. México, 1967.
[14] Poole, David. Algebra Lineal una Introducción Moderna. Thomson México,
2004.
[15] Rojo, Armando O. Algebra II. Libreria "El Ateneo" Editorial. Buenos Aires,
1973.
490
ÍNDICE GENERAL
491
Eliminación gaussiana, 19 triangulares, 76
Escalares, 220 Matriz, 73
Espacio euclideano, 294 adjunta, 176
Espacio vectorial, 219 antisimétrica, 76
base de un, 244 aumentada, 6
Espacios vectoriales isomorfos, 365 cálculo de potencias de una, 194
característica, 192
Flexión de una viga elástica, 134 cuadrada, 74
Formas cuadráticas, 447 de ciframiento, 138
Fracciones parciales, 51 de codi…cación, 138
Función de coe…cientes, 6
biyectiva, 330 de cofactores, 176
dominio de una, 325 de coordenadas, 259
imagen o contradominio de una, 325 de decodi…cación, 138
inversa, 330 de desciframiento, 138
inyectiva, 329 de entrada-salida, 116
suryectiva, 329 de estados, 111
Función demanda, 43 de ‡exibilidad, 134
Funciones o aplicaciones, 325 de probabilidad de transición, 111
de proyección, 123
Integral como transformación lineal, 334
de rigidez, 134
Inversa aproximada o pseudoinversa, 123
de transición, 267
Isomor…smo, 365
diagonal, 75
Ley de la palanca de Arquimides, 47 escalar, 75
Ley de los cosenos, 48 estocástica, 111
Leyes de Kirchho¤, 38 identidad, 75
invertible, 97
Método de los mínimos cuadrados, 121 no invertible, 97
Matrices, 73 nula, 75
de transformaciones lineales, 391 ortogonal, 434
diferencia de, 78 rango de, 256
en forma escalón por …las, 18 simétrica, 76
en forma escalón por …las reducida, tamaño de, 74
18 transpuesta de una, 76
…la cifradas, 138 traza de una, 93
…la no cifradas, 138 Menor, 174
igualdad de, 74 de orden k, 200
multiplicación de, 81 Menor principal, 174
semejantes, 425 de orden k, 201
suma de, 77
492
Modelos de Leontief, 115 Subespacio vectorial, 224
Multiplicación escalar, 78 Suma de cuadrados, 52
Super…cies cuádricas, 463
Normalización de un vector, 299 Sustitución hacia atrás, 10
Operaciones elementales de ecuaciones, Teorema
11 de Cayley-Hamilton, 193
Operaciones elementales sobre …las, 16 de los ejes principales, 451
Operador diferencial, 334 del rango, 351
Operador dilatación y constracción, 334 Transformación lineal
Ortogonalidad, 302 cero, 332
de…nida por una matriz, 334
Polinomio característico, 192
identidad, 333
Polinomio de interpolación, 28
imagen o contradominio de una, 346
Potencias de matrices diagonalizables, 472
invertible, 345
Problema de Fibonacci, 53
inyectiva, 361
Proceso de ortonormalización de Gram -
núcleo o kernel de una, 346
Schmidt, 309
nulidad de una, 351
Producto de matrices, 84
proyección, 333
Producto interior, 293
rango de una, 351
Proyección ortogonal, 304
re‡exión, 333
Puntos colineales, 185
suryectiva, 360
Puntos coplanares, 186
Transformaciones lineales, 332
Rango de una matriz, 256 composición de, 343
Recta de regresión, 121 propiedades, 338
Red de calles, 34 representación matricial de, 376
Red eléctrica, 38 Transmisión de calor, 46
493
Vectores propios de una matriz, 409
Volumen de un tetraedro, 186
494