Algebra Lineal Santiago Relos

Algebra Lineal
Santiago Relos P.
Departamento de Ciencias Exactas
Universidad Privada Boliviana
Cochabamba, Bolivia
2010
2
ndice General
1 Matrices 9
1.1 Qu es una matriz? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1 Notacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Orden de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Producto por un nmero . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4 Resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.5 Producto de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 La transpuesta de una matriz . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.7 Propiedades de las operaciones matriciales . . . . . . . . . . . . . . . . 14
1.3 Matrices especiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1 Matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.2 Matrices triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.3 Matriz diagonal e identidad . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.4 La traza y contratraza de una matriz cuadrada . . . . . . . . . . . . . 20
1.4 La funcin matricial
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.5.1 Operaciones elementales y equivalencia de matrices . . . . . . . . . . . 23
1.5.2 Las operaciones elementales como aniquiladores . . . . . . . . . . . . . 25
1.5.3 Forma escalonada y escalonada reducida por las . . . . . . . . . . . . 25
1.5.4 Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.6 Determinante de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . 29
1.6.1 La denicin de determinante . . . . . . . . . . . . . . . . . . . . . . . 29
1.6.2 Propiedades del determinante . . . . . . . . . . . . . . . . . . . . . . . 32
1.6.3 Menor complementario y cofactor (adjunto) de un elemento . . . . . . 36
1.6.4 Menor y menor principal . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6.5 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.7 Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1
Esta funcin fue denida por el autor de este texto en 1994.
3
4 NDICE GENERAL
2 Sistemas de ecuaciones lineales 43
2.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.1.1 La denicin de sistema lineal . . . . . . . . . . . . . . . . . . . . . . . 43
2.1.2 Notacin matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.1.3 La solucin de un sistema lineal . . . . . . . . . . . . . . . . . . . . . . 44
2.2 Teorema de existencia de soluciones . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3 Soluciones de un sistema triangular . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.1 Sistema triangular superior . . . . . . . . . . . . . . . . . . . . . . . . 46
2.3.2 Sistema triangular inferior . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.4 Sobre las soluciones del sistema Ax = b . . . . . . . . . . . . . . . . . . . . . . 47
2.4.1 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.4.2 Variables libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.4.3 Clculo de la solucin de un sistema Ax = b . . . . . . . . . . . . . . . 48
2.5 La inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5.1 La denicin de matriz inversa . . . . . . . . . . . . . . . . . . . . . . . 54
2.5.2 Clculo de la inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5.3 Algunos teoremas sobre la inversa . . . . . . . . . . . . . . . . . . . . . 57
2.5.4 La adjunta de una matriz en el clculo de la inversa . . . . . . . . . . . 58
2.6 La regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.7 Sistemas homogneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.8 Algo de criptografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.8.1 La aritmtica del reloj . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.8.2 Tablas de sumar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.8.3 Matriz clave . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.8.4 Mensajes en clave . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.9 Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3 Espacios Vectoriales reales 71
3.1 La denicin de espacio vectorial . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2 El espacio vectorial R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.2.1 La recta en R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.2.2 El plano en R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.4 Combinacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.1 Espacio generado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.2 Dependencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5 Base y Dimensin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6 Espacio la, espacio columna y espacio nulo . . . . . . . . . . . . . . . . . . . 85
4 Espacios producto interno 89
4.1 La denicin de espacio producto interno . . . . . . . . . . . . . . . . . . . . . 89
4.1.1 Ejemplos de productos internos . . . . . . . . . . . . . . . . . . . . . . 89
4.1.2 Propiedades del producto interno . . . . . . . . . . . . . . . . . . . . . 90
4.2 La norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
NDICE GENERAL 5
4.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3.1 Vectores ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3.2 Conjuntos ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.3.3 Bases ortogonales y ortonormales . . . . . . . . . . . . . . . . . . . . . 92
4.4 Proceso de Gram Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4.1 La proyeccin ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4.2 La construccin de un conjunto ortogonal de tres vectores . . . . . . . 94
4.4.3 El proceso de Gram Schmidt . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Autovalores y autovectores 99
5.1 La denicin de autovalor y autovector . . . . . . . . . . . . . . . . . . . . . . 99
5.2 Clculo de autovalores y autovectores . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.1 Clculo de autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.2.2 Clculo de autovectores . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.3 Teoremas relativos a autovalores y autovectores . . . . . . . . . . . . . . . . . 105
5.3.1 Clculo del polinomio caracterstico . . . . . . . . . . . . . . . . . . . . 105
5.3.2 Autovalores y rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.3 Autovalores e inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.3.4 Mltiplos escalares de un autovector . . . . . . . . . . . . . . . . . . . 106
5.3.5 Raz del polinomio caracterstico . . . . . . . . . . . . . . . . . . . . . 106
5.3.6 Autovectores y dependencia lineal . . . . . . . . . . . . . . . . . . . . . 106
5.3.7 Autovalores de matrices simtricas . . . . . . . . . . . . . . . . . . . . 107
5.3.8 Los discos de Gersgorin . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.4 Multiplicidad algebraica y multiplicidad geomtrica . . . . . . . . . . . . . . . 108
5.5 Semejanza y diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.5.1 Matrices semejantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.5.2 Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6 Transformaciones lineales 119
6.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.1.1 La denicin de transformacin lineal . . . . . . . . . . . . . . . . . . . 119
6.1.2 Propiedades de una transformacin lineal . . . . . . . . . . . . . . . . . 120
6.2 Construccin de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . 121
6.3 Composicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.4 Ncleo e imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.4.1 Ncleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.4.2 Imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.4.3 El teorema de la dimensin . . . . . . . . . . . . . . . . . . . . . . . . 125
6.5 La transformacin inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.6 La matriz de una transformacin lineal . . . . . . . . . . . . . . . . . . . . . . 131
6.6.1 Matriz de coordenadas de un vector . . . . . . . . . . . . . . . . . . . . 131
6.6.2 Matriz de coordenadas de una transformacin lineal . . . . . . . . . . . 132
6.6.3 Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
6.7 Operadores lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6 NDICE GENERAL
6.8 La geometra de las transformaciones . . . . . . . . . . . . . . . . . . . . . . . 140
6.8.1 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.8.2 La transformacin rotacin . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.8.3 Transformaciones no lineales . . . . . . . . . . . . . . . . . . . . . . . . 143
7 Factorizacin LU y LR 145
7.1 Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.2 La inversa de una matriz elemental . . . . . . . . . . . . . . . . . . . . . . . . 146
7.3 La matriz elemental como aniquilador . . . . . . . . . . . . . . . . . . . . . . . 147
7.3.1 Aniquilacin bajo la primera entrada . . . . . . . . . . . . . . . . . . . 147
7.3.2 Aniquilador general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
7.4 Factorizacin LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.4.1 El algoritmo de Gauss en la factorizacin . . . . . . . . . . . . . . . . . 149
7.4.2 Clculo de la matriz L . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
7.4.3 Forma prctica de la construccin de L . . . . . . . . . . . . . . . . . . 153
7.5 Factorizacin LR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
7.5.1 Matrices de permutacin . . . . . . . . . . . . . . . . . . . . . . . . . . 154
7.5.2 Factorizacin con el algoritmo de Gauss con pivote . . . . . . . . . . . 155
7.5.3 Sobre la construccin de la matriz L y P . . . . . . . . . . . . . . . . . 156
7.6 La factorizacin y la solucin de sistemas lineales . . . . . . . . . . . . . . . . 159
7.6.1 Factorizacin LU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.6.2 Factorizacin LR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.7 La factorizacin y el clculo de autovalores . . . . . . . . . . . . . . . . . . . . 162
7.7.1 Convergencia de esta sucesin . . . . . . . . . . . . . . . . . . . . . . . 163
8 Matrices denida positivas 165
8.1 Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.2 Matrices denida positivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
8.2.1 Algunos teoremas sobre matrices denida positivas . . . . . . . . . . . 166
8.2.2 Caracterizacin de una matriz denida positiva . . . . . . . . . . . . . 167
8.3 Matrices denida negativas y semidenidas . . . . . . . . . . . . . . . . . . . . 168
8.4 La signatura de una matriz simtrica . . . . . . . . . . . . . . . . . . . . . . . 169
8.4.1 La denicin de signatura . . . . . . . . . . . . . . . . . . . . . . . . . 169
8.4.2 Clculo de la signatura con operaciones elementales . . . . . . . . . . . 170
8.5 Caracterizacin de matrices simtricas con operaciones elementales . . . . . . . 171
8.6 El criterio de Sylvester . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9 Otras aplicaciones del lgebra Lineal 175
9.1 Modelo de produccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
9.2 El modelo de Leontief o modelo de insumo producto . . . . . . . . . . . . . . . 175
9.2.1 Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.2.2 El modelo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
9.3 Cadenas de markov. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
9.3.1 Un ejemplo inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
NDICE GENERAL 7
9.4 Regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
9.4.1 Regresin lineal con dos variables . . . . . . . . . . . . . . . . . . . . . 179
9.4.2 Regresin lineal con k variables . . . . . . . . . . . . . . . . . . . . . . 181
8 NDICE GENERAL
Captulo 1
Matrices
El objetivo inicial de este captulo es la de familiarizarse con la notacin del lgebra Lineal,
se dan las deniciones que ms adelante se emplearn. Luego de esto se estudia una de las
herramientas ms importantes en la materia, a saber, las operaciones elementales de
la, para luego estudiar la reduccin de Gauss. Finalmente se estudian la denicin y las
propiedades del determinante de una matrz cuadrada.
1.1 Qu es una matriz?
Denicin 1.1 (Matriz) Una matriz es un arreglo rectangular de nmeros (reales o com-
plejos) dispuestos en las y columnas.
Ejemplo 1.1
2 3 3
2 5 7
1.1.1 Notacin.
Para denotar una matriz se usarn letras Maysculas y los nmeros que componen la matriz se
denotarn con la misma letra (minscula o mayscula) con un par de subndices en referencia
a la posicin que ocupa en el arreglo. La matriz se encerrar con un par de parntesis o un
par de corchetes.
Ejemplo 1.2
A =
_
2 3 3
2 5 7
_
Notacin para los elementos de la primera la:
a
11
= 2, a
12
= 3, a
13
= 3
Notacin para los elementos de la segunda la:
a
21
= 2, a
22
= 5, a
23
= 7
9
10 CAPTULO 1. MATRICES
Si A es una matriz de m las y n columnas, se escribir:
A = (a
ij
) ; i = 1, . . . , m; j = 1, . . . , n,
ms an escribiremos A M
m,n
, aqu M
m,n
es el conjunto de matrices de m las y n columnas,
los nmeros a
ij
se llamarn entradas de la matriz A, nalmente las entradas a
ii
se llaman
entradas de la diagonal principal.
1.1.2 Orden de una matriz
Si A M
m,n
, se dir que la matriz A es de orden m n, m por n, esto es, m las y n
columnas.
Ejemplo 1.3
A =
_
5 1
0 3
_
M
22
as A es de orden 2 2.
B =
_
_
3 4 1 4
3 3 2 3
0 2 3 2
_
_
M
34
luego B es de orden 3 4.
1.2 Operaciones con matrices
1.2.1 Igualdad de matrices
Denicin 1.2 (Igualdad de matrices) Sean A
m,n
, B M
m,n
, se dice que la matriz A es
igual a la matriz B, lo que escribimos A = B, si
a
ij
= b
ij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.4 Las matrices
A =
_
2 3 5
7 9 0
_
, B =
_
2 3 5
7 9 0
_
son iguales.
La matrices
C =
_
_
2 3
1 1
5 1
_
_
, D =
_
_
2 3
1 1
7 1
_
_
no son iguales pues c
31
,= d
31
1.2. OPERACIONES CON MATRICES 11
1.2.2 Producto por un nmero
Denicin 1.3 (Producto por un nmero) Sea A M
m,n
y r R, el producto del
nmero r y la matriz A, es la matriz en M
m,n
tal que
(rA)
ij
= ra
ij
.
Si r = 1, en lugar de escribir (1) A se escribir A.
Ejemplo 1.5
(2)
_
_
1 2 3 4
5 6 7 8
9 10 11 12
_
_
=
_
_
2 4 6 8
10 12 14 16
18 20 22 24
_
_
1.2.3 Suma
Denicin 1.4 (Suma) Sean A
m,n
, B M
m,n
, la suma de A y B, escrito A+B, es la matriz
en M
m,n
tal que:
(A+B)
ij
= a
ij
+b
ij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.6
_
_
1 2 3 4
5 6 7 8
9 10 11 12
_
_
+
_
_
7 4 2 1
10 8 5 3
12 11 9 6
_
_
=
_
_
6 6 5 5
15 2 12 11
21 21 2 18
_
_
1.2.4 Resta
Denicin 1.5 (Resta) Sean A
m,n
, B M
m,n
, la resta de A y B, escrito AB, es la matriz
en M
m,n
tal que:
(AB)
ij
= a
ij
b
ij
para i = 1, . . . , m; j = 1, . . . , n.
De la denicin se sigue que A B = A+ (B) .
Ejemplo 1.7
_
_
1 2 3 4
5 6 7 8
9 10 11 12
_
_
_
_
7 4 2 1
10 8 5 3
12 11 9 6
_
_
=
_
_
8 2 1 3
5 14 2 5
3 1 20 6
_
_
1.2.5 Producto de matrices
Antes de denir el producto de matrices es necesario dar las siguientes deniciones:
Denicin 1.6 (Vector la y vector columna) Sea A M
1,n
, es decir, una matriz de
una sola la y n columnas, a una matriz de este orden ser llamado vector la, usualmente
escribiremos
A = (a
1
, a
2
, . . . , a
n
) .
una matriz A M
n,1
, ser llamado vector columna, usualmente escribiremos
A =
_
_
_
_
_
a
1
a
2
.
.
.
a
n
_
_
_
_
_
Denicin 1.7 (Producto interior euclidiano) Sean
A = (a
1
, a
2
, . . . , a
n
) y B =
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
denimos el producto interior euclidiano de estos vectores como el nmero:
A B = a
1
b
1
+a
2
b
2
+ +a
n
b
n
.
Denicin 1.8 (Notacin para las las y columnas de una matriz) Sea A M
m,n
, si
A
1
, A
2
, . . . A
n
son los vectores columna de A, entonces la matriz A se escribir como
A =
_
A
1
, A
2
, . . . , A
n
.
Similarmente si A
1
, A
2
, . . . , A
m
son los vectores la de A, entonces A se escribir como:
A =
_
_
_
_
_
A
1
A
2
.
.
.
A
m
_
_
_
_
_
Ahora estamos en condiciones de denir el producto de matrices.
Denicin 1.9 (Producto de matrices) Sean A M
m,r
, B M
r,n
, tales que:
A =
_
_
_
_
_
A
1
A
2
.
.
.
A
m
_
_
_
_
_
, B =
_
B
1
, B
2
, . . . , B
n
,
el producto de A y B, escrito AB, es la matriz en M
m,n
denido por:
(AB)
ij
= A
i
B
j
,
es decir, la entrada ij de la matriz producto es el producto interior euclidiano de la la i de
A con la columna j de B, por tanto:
AB =
_
_
_
_
_
A
1
B
1
A
1
B
2
A
1
B
n
A
2
B
1
A
2
B
2
A
2
B
n
.
.
.
.
.
.
.
.
.
.
.
.
A
m
B
1
A
m
B
2
A
m
B
n
_
_
_
_
_
Ejemplo 1.8 Considere las matrices
A =
_
2 4 6
5 1 0
_
, B =
_
_
4 7
3 6
2 1
_
_
Para calcular el producto AB se realizan los siguientes pasos:
Primera columna En este clculo la primera columna de B no cambia.
Entrada A
11
:
(2, 4, 6)
_
_
4
3
2
_
_
= (2) (4) + (4) (3) + (6) (2) = 16
Entrada A
21
:
(5, 1, 0)
_
_
4
3
2
_
_
= (5) (4) + (1) (3) + (0) (2) = 23
Segunda columna En este clculo la segunda columna de B no cambia.
Entrada A
11
:
(2, 4, 6)
_
_
7
6
1
_
_
= (2) (7) + (4) (6) + (6) (1) = 4
Entrada A
21
:
(5, 1, 0)
_
_
7
6
1
_
_
= (5) (7) + (1) (6) + (0) (6) = 41
De lo anterior:
AB =
_
2 4 6
5 1 0
_
_
_
4 7
3 6
2 1
_
_
=
_
16 4
23 41
_
Observacin. Es inmediato, de la denicin, que la primera columna de AB es el pro-
ducto AB
1
, la segunda columna AB
2
, y as sucesivamente, es decir:
AB =
_
AB
1
, AB
2
, . . . , AB
n
Observacin. Es importante observar que el nmero de columnas de A (el primer factor)

es igual al nmero de las de B (el segundo factor), ms an, el orden de la matriz AB es el
nmero de las de A por el nmero de columnas de B.
Observacin. Usando la notacin sumatoria, la componente ij de AB, es:
(AB)
ij
=
r
k=1
a
ik
b
kj
,
donde A M
m,r
, B M
r,n
,
1.2.6 La transpuesta de una matriz
Denicin 1.10 (Transpuesta) Sea A M
m,n
, la transpuesta de A, escrito A
t
, es la matriz
en M
n,m
denido por:
A
t
ji
= A
ij
para i = 1, . . . , m; j = 1, . . . , n.
La anterior denicin motiva el siguiente proceso para el clculo de la matriz transpuesta:
La primera columna de A
t
es la primera la de A
La segunda columna de A
t
es la segunda la de A
Etc.
Ejemplo 1.9
A =
_
_
2 1
1 3
4 5
_
_
M
32
A
t
=
_
2 1 4
1 3 5
_
M
23
1.2.7 Propiedades de las operaciones matriciales
Suma
Teorema 1.11 Sean A, B, C matrices del mismo orden, entonces:
1. A+B = B +A {Conmutatividad}
2. A+ (B +C) = (A+B) +C {Asociatividad}
3. (A+B)
t
= A
t
+B
t
Demostracin. Ejercicio
Producto
Teorema 1.12 Sean A, B, C matrices del orden adecuado, entonces:
1. A(BC) = (AB) C {Asociatividad}
2. A(B +C) = AB +AC {Distributividad respecto de la suma}
3. (AB)
t
= B
t
A
t
Demostracin.
1. Ejercicio.
2. Supngase que A M
mr
, B, C M
r,n
, entonces:
[A(B +C)]
ij
=
r
k=1
A
ik
(B +C)
kj
=
r
k=1
A
ik
(B
kj
+C
kj
)
=
r
k=1
A
ik
B
kj
+A
ik
C
kj
= (AB)
ij
+ (AC)
ij
luego A(B +C) = AB +AC.
3. Supngase que A M
mr
, B M
r,n
, entonces:
(AB)
t
ji
= (AB)
ij
=
r
k=1
A
ik
B
kj
=
r
k=1
B
kj
A
ik
=
r
k=1
B
t
jk
A
t
ki
=
_
B
t
A
t
_
ji
luego (AB)
t
= B
t
A
t
.
El producto matricial no es conmutativo
En general no es cierto que el producto sea conmutativo, como lo prueba el siguiente ejemplo:
Ejemplo 1.10 Si
A =
_
2 1
4 3
_
, B =
_
3 1
0 2
_
entonces:
AB =
_
2 1
4 3
__
3 1
0 2
_
=
_
6 0
12 10
_
BA =
_
3 1
0 2
__
2 1
4 3
_
=
_
2 6
8 6
_
Sobre el producto cero en matrices
Denicin 1.13 (Matriz cero) Una matriz es la matriz cero si todas sus entradas son ceros.
Es sabido que si el producto de dos nmeros es cero, entonces al menos uno de los factores
es cero, esta propiedad ya no es verdadera en teora matricial, esto es, si el producto de dos
matrices es cero, entonces no necesariamente uno de ellos es cero.
Ejemplo 1.11 Sean
A =
_
2 1
2 1
_
, B =
_
1/2
1
_
Claramente:
AB =
_
2 1
2 1
__
1/2
1
_
=
_
0
0
_
y ni A ni B son la matriz cero.
Ejercicios propuestos
1. Una matriz A M
3,3
tiene la siguiente propiedad: a
ij
=
1
i+j
y una matriz B M
3,3
tiene la propiedad b
ij
=
_
1
ij
si i ,= j
0 si i = j
:
(a) Construya la matrices A y B.
(b) Calcular A+B, AB
(c) Dar las expresiones en trminos de i y j para (A +B)
ij
y (AB)
ij
.
2. Demostrar que (A+B)
t
= A
t
+B
t
3. Demostrar A(BC) = (AB) C, donde los rdenes de las matrices son del orden adecuado.
1.3. MATRICES ESPECIALES 17
4. Sea A =
_
_
1 2 3
4 5 6
7 8 9
_
_
, determinar una matriz B tal que
A+B =
_
_
1 1 2
2 3 3
4 4 5
_
_
Sol.
_
_
0 3 1
6 2 9
3 12 4
_
_
5. Hallar el conjunto de todas las matrices que conmutan con A =
_
2 4
6 8
_
6. Sea A =
_
1 1
1 1
_
, determinar una matriz B tal AB = BA. Sol. Una tal matriz es
B =
_
4 3
3 4
_
7. Sea A =
_
2 2
1 1
_
, existe una matriz B tal que AB = 0, en caso armativo encon-
trarla.
8. Sea A =
_
2 4
6 12
_
, existe una matriz B tal que AB = 0, en caso armativo encon-
trarla.
9. Considere la matriz A =
_
_
1 1 1
2 1 1
1 0 2
_
_
, B =
_
_
2 1 1
1 0 1
0 1 2
_
_
, C =
_
_
4 1 1
2 3 2
1 0 1
_
_
,
mostrar que AB = AC, es decir, de la igualdad AB = AC no se puede concluir con
B = C.
10. Sean A, B matrices en M
2,2
que conmutan con
_
0 1
1 0
_
. Demuestre que AB =
BA. (Sug. Muestre que cualquier matriz que conmuta con
_
0 1
1 0
_
tiene la forma
a
_
1 0
0 1
_
+b
_
0 1
1 0
_
donde a y b nmeros)
1.3 Matrices especiales
1.3.1 Matriz cuadrada
Denicin 1.14 (Matriz cuadrada) Una matriz A M
n,n
se llama matriz cuadrada, as
una matriz cuadrada tiene igual nmero de las que columnas.
Potencias
Una matriz cuadrada puede elevarse a una potencia entera positiva (luego se vern otro tipo
de potencias), Para esto denimos
Denicin 1.15 (Potencia) Sea A M
n,n
, k un entero positivo, la k esima potencia de
A, escrito A
k
, est denida por
A
k
= A
_
A
k1
_
De la denicin se deduce:
A
2
= AA
A
3
= AA
2
, etc
Matriz simtrica
Denicin 1.16 (Matriz simtrica) Una matriz cuadrada A M
n,n
se dice simtrica si
A
t
= A.
Ejemplo 1.12 La matriz
A =
_
_
1 2 3
2 4 5
3 5 6
_
_
es simtrica pues A
t
= A.
A =
_
_
1 2 3
4 5 6
7 8 9
_
_
no es simtrica pues:
A
t
=
_
_
1 4 7
2 5 8
3 6 9
_
_
,=
_
_
1 2 3
4 5 6
7 8 9
_
_
= A
Teorema 1.17 La suma de matrices simtricas es simtrica, en tanto que el producto de
matrices simtricas no necesariamente es simtrica.
Demostracin. Sea A, B M
n,n
matrices simtricas entonces:
(A+B)
t
= A
t
+B
t
= A+B
Para probar la segunda parte, sean
A =
_
1 2
2 3
_
, B =
_
2 4
4 5
_
1.3. MATRICES ESPECIALES 19
ambas matrices son simtricas, sin embargo
AB =
_
1 2
2 3
__
2 4
4 5
_
=
_
6 14
8 23
_
no es simtrica.
1.3.2 Matrices triangulares

Denicin 1.18 (Matriz triangular superior e inferior) Una matriz cuadrada A M
n,n
es triangular superior si:
a
ij
= 0, para i > j
y es triangular inferior si:
a
ij
= 0, para i < j
Ejemplo 1.14 Las matrices
A =
_
_
a
11
a
12
a
13
0 a
22
a
23
0 0 a
33
_
_
, B =
_
_
a
11
0 0
a
21
a
22
0
a
31
a
32
a
33
_
_
son respectivamente triangular superior y triangular inferior.
1.3.3 Matriz diagonal e identidad
Denicin 1.19 (Matriz diagonal) Una matriz D M
n,n
es diagonal si
d
ij
= 0, para todo i ,= j,
es decir, una matriz diagonal es aquella que es simultneamente triangular superior e inferior.
Las matrices diagonales se denotarn como
D = diag (d
1
, d
2
, . . . , d
n
) ,
en donde d
1
, d
2
, . . . , d
n
son los elementos de la diagonal principal.
Denicin 1.20 (Matriz identidad) La matriz I M
n,n
denida por
I
n
=
_
1 i = j
0 i ,= j
se llama matriz identidad en M
n,n
.
I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
es la identidad en M
3,3
1.3.4 La traza y contratraza de una matriz cuadrada
Denicin 1.21 (traza) Sea A = (a
i,j
) M
n,n
, la traza se dene por
tr (A) = a
11
+a
22
+ +a
nn
=
n
i=1
a
ii
Denicin 1.22 (contratraza) Sea A = (a
i,j
) M
n,n
, la contratraza se dene por
ctr (A) = a
1n
+a
2,n1
+ +a
n1
=
n
i=1
a
i,ni+1
1.4 La funcin matricial
1
Denicin 1.23 (La matriz contraidentidad) Una matriz W
n
= (w
r,s
) M
n,n
tal que w
r,s
=
1 si r = n s + 1 y 0 en otro caso, es llamada matriz contraidentidad de orden n. Si e
i
es el
i esimo vector cannico de R
n
, entonces la matriz contraidentidad puede escribirse como
W
n
= [e
n
e
n1
. . . , e
1
] .
Ejemplo 1.16
W
3
=
_
_
0 0 1
0 1 0
1 0 0
_
_
La matriz contraidentidad tiene las siguientes propiedades:
1. W
n
es simtrica.
2. W
n
W
n
= I
n
.
Denicin 1.24 Denimos la funcin de M
m,n
en M
n,m
mediante A A
, donde A
es
la matriz en M
n,m
cuyo elemento a
i,j
es:
a
i,j
= a
mj+1,ni+1
.
Ejemplo 1.17 Si A =
_
_
1 2 3 4
5 6 7 8
9 10 11 12
_
_
entonces con m = 3, n = 4:
a
11
= a
34
= 12
a
12
= a
24
= 8
a
13
= a
14
= 4
etc...
1
Esta funcin fue denida por el autor de este texto en 1994.
1.4. LA FUNCIN MATRICIAL 0121
2
21
luego: A
=
_
_
_
_
12 8 4
11 7 3
10 6 2
9 5 1
_
_
_
_
Esta funcin tiene muchas propiedades, enunciamos algunas.
Teorema 1.25 Sea A M
m,n
, entonces A
= W
n
A
t
W
m
.
Demostracin. Para i =

1, . . . , n, j =

1, . . . , m,se tiene:
A
t
=
_
a
t
ij
_
= (a
ji
)
A
t
W
n
= (a
mj+1,i
)
W
n
A
t
W
n
= (a
mj+1,ni+1
)
=
_
A
ij
_
= A
Teorema 1.26 Si A M
m,n
, (A
= A
m,r
, B M
r,n
entonces (AB)
= B
.
n,n
,entonces tr (A
) = tr (A) .
1. Sea A =
_
_
1 2 3
2 4 5
3 5 6
_
_
, calcular A
2
, A
3
, Sol.:
_
_
14 25 31
25 45 56
31 56 70
_
_
,
_
_
157 283 353
283 510 636
353 636 793
_
_
2. Hallar todas las matrices de orden cuadradas de orden 2 cuyo cuadrado sea nulo.
3. Probar: Si A M
m,n
es simtrica, entonces A
2
es simtrica.
4. Probar que el producto de matrices triangulares superiores es triangular superior.
5. Probar que el producto de matrices triangulares inferiores es triangular inferior.
6. Sea A M
n,n
, I la matriz identidad en M
n,n
. (a) Calcular (I +A)
2
, (b) (I +A)
n
, n un
nmero natural.
7. Una matriz A M
n,n
tal que A
p
= 0, p N se llama nilpotente, si p es el menor entero
para el cual A
p
= 0, la matriz se llama nilpotente de orden p. Si A es nilpotente de
orden 2, probar que A(I A)
n
= A.
8. Sea A nilpotente de orden 2 Sean X y Y matrices cuadradas tal que X = Y + A,
supngase que Y y A conmutan, probar que X
n
= Y
n1
(Y +nA) para todo natural
(Se asume que Y
0
es la identidad)
9. Una matriz A es idempotente si A
2
= A, sea B = I A.
(a) Muestre que B es idempotente,
(b) AB = BA
10. Determinar la veracidad o falsedad de las siguientes armaciones. Justique su respues-
ta.
(a) Si AB es simtrica, entonces A y B son simtricas.
(b) Si A es simtrica y P es cuadrada, entonces PAP
t
es simtrica.
11. Determinar a, b tales que
_
c 1
1 2d
_
+ 4
_
1 0
0 1
_
=
_
1 a 1
1 1 b
_
_
_
a 1
0 b
0 1
_
_
Sol. a = 1, b = 1, c = 3, d =
5
2
.
12. Considrese la matriz:
A =
_
_
0 1 1
0 1 1
0 0 1
_
_
Hallar una frmula para A
n
, donde n N.
13. Sean I la matriz identidad en M
n,n
, U =
_
_
_
_
_
1
1
.
.
.
1
_
_
_
_
_
M
n,1
la matriz cuyas coordenadas
son unos. Calcular: A = I
1
n
U U
t
. Probar
(a) A es simtrica
(b) A
2
A = A
(c) La traza es n 1
14. Es verdad que (A+B)
2
es igual a A
2
+ 2AB + B
2
. En caso de respuesta negativa
determinar matrices A y B tales que
(a) (A+B)
2
= A
2
+ 2AB +B
2
y
(b) (A+B)
2
,= A
2
+ 2AB +B
2
.
1.5. REDUCCIN DE GAUSS 23
15. Sean A, B matrices cuadradas en M
n,n
. Pruebe que:
(a) tr (A
t
) = tr (A)
(b) tr (A+B) = tr (A) +tr (B)
(c) tr (AB) = tr (BA)
(d) tr (AA
t
) =
n
i=1
n
j=1
a
2
ij
16. Sea A, B matrices cuadradas tal que AB = A y BA = B. Demostrar:
(a) B
t
A
t
= A
t
B
t
(b) A
t
es idempotente
17. Sea k R, A, B matrices cuadradas tal que AB = kB. Pruebe que A
n
B = k
n
B para
todo n N.
1.5 Reduccin de Gauss
1.5.1 Operaciones elementales y equivalencia de matrices
Denicin 1.29 (Operaciones elementales de la) Sea A M
m,n
. Sobre las las de
esta matriz se denen las siguientes operaciones:
1. Primera operacin elemental. A la la i se multiplica por el escalar r ,= 0. Se
emplea la notacin F
i(r)
, ntese que:
a
ik
= r (a
ik
) , k = 1, . . . , n.
De lo anterior se sigue que la la F
i
se reemplaza con rF
i
.
F
i
r F
i
2. Segunda operacin elemental. Las las i, j se intercambian. Se emplea la notacin
F
ij
, es claro que:
F
i
F
j
3. Tercera operacin elemental de la. A la la i se suma la la h multiplicada por
un nmero r. Emplearemos la notacin F
ih(r),
ntese que
a
ik
= a
ik
+r (a
hk
) , k = 1, . . . , n
De lo anterior se sigue que:
F
i
F
i
+r F
h
Las operaciones elementales de columna se denen como las anteriores, reemplazando la
por columna.
Denicin 1.30 (Operaciones elementales de columna) Sea A M
m,n
. Sobre las co-
lumnas de sta matriz se denen las siguientes operaciones:
1. Primera operacin elemental. A la columna i se multiplica por un escalar r ,= 0.
Se emplea la notacin C
i(r)
, note que:
C
i
r C
i
2. Segunda operacin elemental. Las columnas i, j se intercambian. Se emplea la
notacin C
ij
, se sigue:
C
i
C
j
3. Tercera operacin elemental de la. A la columna i se suma la columna h multi-
plicada por un nmero r. Emplearemos la notacin C
ih(r),
ntese que
a
ki
= a
ki
+r (a
kh
) , k = 1, . . . , m
es claro que:
C
i
C
i
+r C
h
Denicin 1.31 (Matrices equivalentes) Se dice que dos matrices A y B son equivalentes,
lo que escribiremos A B, si una de ellas se obtiene de la otra mediante una sucesin nita
de operaciones elementales de la.
Es inmediato probar que si A B entonces B A; tambin si A B, B C, entonces
B C.
Ejemplo 1.18 Sobre la matriz A, se realizan sucesivamente las siguientes operaciones ele-
mentales de la.
1. F
13
{Intercambio de la las 1 y 3}
2. F
32(4)
{A la la 3 se suma la la 2 multiplicada por 4}
A =
_
_
3 4 5
2 2 0
1 0 1
_
_
F
13
_
_
1 0 1
2 2 0
3 4 5
_
_
F
32(4)
= B
ntese que B A.
1.5.2 Las operaciones elementales como aniquiladores
Es posible usar las operaciones elementales de modo que ciertas entradas se conviertan en
cero, este proceso se llamar aniquilamiento de entradas en una matriz.
Ejemplo 1.19 En este ejemplo se emplean operaciones elementales para llevar una matriz a
su forma triangular inferior
A =
_
_
1 2 3
4 9 6
3 8 1
_
_
F
21(4)
F
31(3)
_
_
1 2 3
0 1 6
0 2 10
_
_
F
32(2)
_
_
1 2 3
0 1 6
0 0 2
_
_
= B
Nuevamente que A B. Ntese que la operacin elemental:
F
21(4)
aniquila la entrada a
21
F
31(3)
31
F
32(2)
32
1.5.3 Forma escalonada y escalonada reducida por las
Denicin 1.32 (Elemento distinguido) Un elemento distinguido es el primer nmero
distinto de cero en una la.
Denicin 1.33 (Forma escalonada) Una matriz A se dice que est en la forma escalo-
nada si el nmero de ceros antes del elemento distinguido de una la crece la tras la.
Ejemplo 1.20
A =
_
_
2 4 0 1
0 0 9 0
0 0 0 4
_
_
En la primera la existen 0 ceros antes del primer nmero distinto de cero (el 2).
En la segunda 2 ceros antes del primer nmero distinto de cero ( el 9) .
En la tercera 3 ceros antes del primer nmero distinto de cero (el 4).
Por tanto A est en la forma escalonada.
Ejemplo 1.21
B =
_
_
3 2 0 0
0 0 2 6
0 0 3 0
_
_
No est en la forma escalonada porqu?.
Denicin 1.34 (Forma escalonada reducida por las) Una matriz A est en la forma
escalonada reducida por las si:
1. Est en la forma escalonada y
2. Los elementos distinguidos son iguales a la unidad y son los nicos nmeros distintos
de cero en su respectiva columna.
A =
_
_
1 4 0 0
0 0 1 0
0 0 0 1
_
_
est en la forma escalonada reducida por las (los elementos distinguidos estn en negrillas).
B =
_
_
1 4 3 0
0 0 1 0
0 0 0 1
_
_
no est en la forma escalonada reducida por las por qu? (los elementos distinguidos estn
en negrillas).
1.5.4 Reduccin de Gauss
La reduccin de Gauss consiste en llevar una matriz a su forma escalonada mediante opera-
ciones elementales, se tienen dos formas
1. Reduccin de Gauss simple
2. Reduccin de Gauss con pivote
Reduccin de Gauss simple
Consiste en aplicar operaciones elementales a una matriz a la forma escalonada, sin ms
argumento que el hecho de poder hacerlo.
Ejemplo 1.24
A =
_
_
0 1 2 4
1 2 1 0
2 1 1 1
_
_
F
21
_
_
1 2 1 0
0 1 2 4
2 1 1 1
_
_
F
31(2)
_
_
1 2 1 0
0 1 2 4
0 5 3 1
_
_
F
32(5)
_
_
1 2 1 0
0 1 2 4
0 0 7 21
_
_
la ltima matriz se encuentra en su forma escalonada.
Ejemplo 1.25
A =
_
_
_
_
1 1 2 0
1 1 2 0
2 1 1 1
4 2 2 2
_
_
_
_
F
21(1)
F
31(2)
F
41(4)
_
_
_
_
1 1 2 0
0 0 0 0
0 3 5 1
0 6 10 2
_
_
_
_
F
23
_
_
_
_
1 1 2 0
0 3 5 1
0 0 0 0
0 6 10 2
_
_
_
_
F
42(2)
_
_
_
_
1 1 2 0
0 3 5 1
0 0 0 0
0 0 0 0
_
_
_
_
nuevamente la ltima matriz se encuentra en su forma escalonada.
Reduccin de Gauss con pivote
Sea d =
b
a
ij
, como se sabe, para aniquilar una entrada bajo a
ij
se emplea la operacin elemental
F
ij(d)
, es claro que a
ij
debe ser distinto de cero, en el mtodo de Gauss simple sta es la nica
condicin. La entrada a
ij
se llamar pivote, para minimizar los errores de redondeo, sta
entrada debe ser la mayor, en valor absoluto, de entre todos los siguientes nmeros
[a
i,j
[ , [a
i+1,j
[ , . . . , [a
mj
[
donde m es el nmero de las de la matriz, si el mximo ocurre en [a
h,j
[ se intercambian las
las i y h y luego se procede a la aniquilacin de los elementos bajo a
i,j
como en la seccin
anterior.
Ejemplo 1.26 Considrese la siguiente matriz:
A =
_
_
1 2 0
4 1 2
5 0 10
_
_
(Paso 1) Obsrvese que 5 = m ax[1[ , [4[ , [5[ , el mximo ocurre en la tercera la, luego se
intercambiarn las las 1 con 3 y luego proceder a la aniquilacin.
A =
_
_
1 2 0
4 1 2
5 0 10
_
_
F
1,3
_
_
5 0 10
4 1 2
1 2 0
_
_
F
21
(
4
5
)
F
31
(
1
5
)
_
_
5 0 10
0 1 10
0 2 2
_
_
(Paso 2) Ahora 2 = m ax[1[ , [2[ y ocurre en la la 3, luego se intercambian las las 2 y 3
para luego proceder a la aniquilacin.
_
_
5 0 10
0 1 10
0 2 2
_
_
F
23
_
_
5 0 10
0 2 2
0 1 10
_
_
F
32
(
1
2
)
_
_
5 0 10
0 2 2
0 0 9
_
_
as, A
_
_
5 0 10
0 2 2
0 0 9
_
_
con reduccin de Gauss con pivote.
Ejercicios
Reducir las siguientes matrices a la forma escalonada (la solucin no es nica) y escalonada
reducida por las
1.
_
_
1 0 0 1 0 0
2 1 0 0 1 0
2 3 1 0 0 1
_
_
Sol.
_
_
1 0 0 1 0 0
0 1 0 2 1 0
0 0 1 4 3 1
_
_
2.
A =
_
_
1 2 1 2 1
1 1 2 2 1
1 1 3 3 1
_
_
Sol.
_
_
1 2 1 2 1
0 1 3 4 0
0 0 5 5 0
_
_
,
_
_
1 0 0 1 1
0 1 0 1 0
0 0 1 1 0
_
_
3.
B =
_
_
_
_
1 1 2 1 1
2 1 2 2 0
0 1 0 2 1
0 2 2 0 1
_
_
_
_
Sol.
_
_
_
_
1 1 2 1 1
0 3 2 4 2
0 0
2
3
2
3
1
3
0 0 0 2 0
_
_
_
_
,
_
_
_
_
1 0 0 0 1
0 1 0 0 1
0 0 1 0
1
2
0 0 0 1 0
_
_
_
_
4.
C =
_
_
3 3 1
1 1 1
1 1 0
_
_
Sol.
_
_
3 3 1
0 0
2
3
0 0 0
_
_
,
_
_
1 1 0
0 0 1
0 0 0
_
_
5. Para qu valores de a y b, las siguientes matrices pueden llevarse a la forma identidad?
1.6. DETERMINANTE DE UNA MATRIZ CUADRADA 29
(a)
A =
_
a a
b b
_
(b)
B =
_
a b
b a
_
(c)
C =
_
_
1 +a 0 a
a b 1 a +b
1 b c 0 b +c
_
_
1.6 Determinante de una matriz cuadrada
1.6.1 La denicin de determinante
Denicin 1.35 (Permutacin) Sea n es un nmero natural, una permutacin del conjunto
1, 2, . . . , n, es una reordenacin de estos nmeros.
Es un resultado del anlisis combinatorio que la cantidad de permutaciones que se tienen
en el conjunto 1, 2, . . . , n es n!. Aqu n! es el factorial de n, y est denido por:
n! = 1 2 (n 1) n,
as:
3! = 1 2 3
4! = 1 2 3 4
por denicin 0! = 1.
Ejemplo 1.27 Considrese el conjunto 1, 2 . Las permutaciones de ste conjunto son:
1, 2
2, 1
Ejemplo 1.28 Considere ahora el conjunto 1, 2, 3. Las permutaciones de ste conjunto
son:
123
132
213
231
312
321
Denicin 1.36 (Inversin) En una permutacin del conjunto 1, 2, . . . , n existe una in-
versin cuando un entero precede a otro menor que l. Si el nmero de inversiones es par, se
dice que la permutacin es par, si el nmero de inversiones es impar, se dice que la permutacin
es impar. El signo de una permutacin j
1
j
2
. . . j
n
esta denido por:
sig (j
1
j
2
. . . j
n
) =
_
+1, si el nmero de permutaciones es par
1, si el nmero de permutaciones es impar
Ejemplo 1.29 Considrese las permutaciones de los nmeros 1234
1234 es par: tiene 0 inversiones.
1324 es impar: tiene una inversin 3 con 2
4213 es par pues tiene cuatro inversiones 4 con 2; 4 con 1; 4 con 3; 2 con 1.
Denicin 1.37 (Determinante) Sea A M
n,n
la siguiente matriz
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
Sea j
1
j
2
. . . j
n
una permutacin del conjunto 1, 2, . . . , n y considrese el producto
a
1j
1
a
2j
2
. . . a
nj
n
de manera que slo exista un elemento de cada la y y slo un elemento de cada columna. El
determinante de A, escrito [A[ es el nmero:
[A[ =
sig (j
1
j
2
. . . j
n
) a
1j
1
a
2j
2
. . . a
nj
n
.
donde la suma se realiza sobre las n! permutaciones del conjunto 1, 2, . . . , n. Finalmente
diremos que n es el orden de este determinante.
Ejemplo 1.30 Determinante de segundo orden
Considere la matriz
A =
_
a
11
a
12
a
21
a
22
_
las permutaciones del conjunto 1, 2 son
12, 21
entonces se tienen los siguientes productos
a
11
a
22
a
12
a
21
por tanto:
[A[ = sig (12) a
11
a
22
+sig (21) a
12
a
21
= a
11
a
22
a
12
a
21
Ejemplo 1.31 Determinante de tercer orden
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
las permutaciones del conjunto 1, 2, 3 son
123, 132, 213, 231, 312, 321
entonces se tienen los siguientes productos
a
11
a
22
a
33
a
11
a
23
a
32
a
12
a
21
a
33
a
12
a
23
a
31
a
13
a
21
a
32
a
13
a
22
a
31
por tanto:
[A[ = sig (123) a
11
a
22
a
33
+sig (132) a
11
a
23
a
32
+sig (213) a
12
a
21
a
33
+sig (231) a
12
a
23
a
31
+sig (312) a
13
a
21
a
32
+sig (321) a
13
a
22
a
31
= a
11
a
22
a
33
a
11
a
23
a
32
a
12
a
21
a
33
= +a
12
a
23
a
31
+a
13
a
21
a
32
a
13
a
22
a
31
factorizando a
11
, a
12
y a
13
de cada par de sumandos se tiene:
[A[ = a
11
(a
22
a
33
a
23
a
32
) a
12
(a
21
a
33
a
23
a
31
) +a
13
(a
21
a
32
a
22
a
31
)
= a
11
a
22
a
23
a
32
a
33
a
12
a
21
a
23
a
31
a
33
+a
13
a
21
a
22
a
31
a
32
as [A[ se calcula usando los elementos de la primera la con los signos que van alternadamente
de + a , concretamente:
Primer sumando: a
11
por el determinante de la matriz que resulta de eliminar la
primera la y primera columna de la matriz A.
Segundo sumando: a
12
primera la y segunda columna de la matriz A.
Tercer sumando: a
13
primera la y tercera columna de la matriz A.
Observacin. Reordenando los sumandos es posible obtener otras posibilidades para el
clculo del determinante de una matriz en M
33
en funcin de determinantes de orden dos, en
efecto: Empleando los elementos de la segunda la se tiene:
[A[ = a
21
a
12
a
13
a
32
a
33
+a
22
a
11
a
13
a
31
a
33
a
23
a
11
a
12
a
31
a
32
o empleando los elementos de la tercera la se tiene:

[A[ = a
31
a
12
a
13
a
22
a
23
a
32
a
11
a
13
a
21
a
23
+a
33
a
11
a
12
a
21
a
22
Ejemplo 1.32 Empleando la primera la se tiene:
1 2 3
4 5 6
7 8 9
= (1)
5 6
8 9
(2)
4 6
7 9
+ (3)
4 5
7 8
= (3) 2 (6) + 3 (3)

= 0
Ejemplo 1.33 Empleando la primera la se encuentra:
2 2 1
0 3 1
1 2 2
= (2)
3 1
2 2
(2)
0 1
1 2
+ (1)
0 3
1 2
= 9
1.6.2 Propiedades del determinante
Relativo a la transpuesta y al producto
P
1A
) Sea A una matriz cuadrada, entonces
A
t
= [A[
Ejemplo 1.34 Sea A =
_
a b
x y
_
, A
t
=
_
a x
b y
_
, luego:
[A[ = ay xb
A
t
= ay bx
P
1B
) Sean A, B matrices cuadradas, entonces:
[AB[ = [A[ [B[
Relativo a la la o columna nula
P
2
) Sea A una matriz cuadrada de una la (o columna nula), entonces
[A[ = 0
Ejemplo 1.35 Sea A =
_
a b
0 0
_
, el clculo del determinante da:
[A[ = (a) (0) (0) (b) = 0
Relativos a las operaciones elementales
Sea A una matriz cuadrada y B la matriz obtenida de A mediante una operacin elemental
de la. (las propiedades se mantienen si las operaciones elementales son de columna)
P
3
) (Operacin elemental F
i(r)
) Si A
F
i (r)
B, r ,= 0, entonces
[B[ = r [A[
Ejemplo 1.36 (Operacin elemental F
i(r)
) Sea A =
_
a b
c d
_
, sea B la matriz obtenida de
A aplicando la operacin elemental F
2(r)
, es decir:
A =
_
a b
c d
_
F
2(r)
_
a b
cr dr
_
= B
calculando el determinante de B se tiene:
[B[ =
a b
cr dr
= (a) (dr) (cr) (b)

= r (ad cb)
= r
a b
c d
= r [A[
por tanto [B[ = r [A[ .
P
4
) (operacin elemental F
ij
)Si A
F
i j
B, r ,= 0, entonces
[B[ = [A[ .
Ejemplo 1.37 Operacin elemental F
ij
. Sea A =
_
a b
c d
_
, sea B la matriz obtenida de A
aplicando la operacin elemental F
12
, entonces:
A =
_
a b
c d
_
F
12
_
c d
a b
_
= B
calculando determinantes:
[A[ = ad cb
[B[ = cb ad = (ad cb)
as [B[ = [A[ .
P
5
) (operacin elemental F
ij(r)
)Si A
F
ij (r)
B, r ,= 0, entonces
[B[ = [A[
Ejemplo 1.38 Operacin elemental F
ij(r)
. Sea A =
_
a b
c d
_
, sea B la matriz obtenida de
A aplicando la operacin elemental F
12(3)
, entonces:
A =
_
a b
c d
_
F
21(r)
_
a b
c +ra d +rb
_
= B,
calculando los determinantes se tiene:
[A[ = ad cd
[B[ = a (d +rb) b (c +ra)
= ad +rab bc rab
= ad cd
luego [A[ = [B[ .
Relativo a las (columnas) iguales
P
6
) Sea A una matriz cuadrada tal que dos de sus las (columnas) son iguales, entonces:
[A[ = 0
Ejemplo 1.39 Sea
A =
_
_
a b c
x y z
a b c
_
_
0bsrvese que las las 1 y 3 son iguales, calculando el determinante se encuentra:
[A[ = a
y z
b c
x z
a c
+c
x y
a b
= ayc abz bxc +baz +cxb cay

= 0
Relativo a una columna (la) que es una suma de vectores
P
7
) Sea A una matriz cuadrada tal que A = [A
1
, A
2
, . . . , A
i1
, W
1
+W
2
, A
i+1
, . . . , A
n
[ , en-
tonces:
[A[ = [A
1
, A
2
, . . . A
i1
, W
1
, A
i+1
. . . , A
n
[ + [A
1
, A
2
, . . . A
i1
, W
2
, A
i+1
. . . , A
n
]
donde A
i
, W
1
+W
2
son las columnas de A.
Ejemplo 1.40 Sea
A =
_
a x
1
+x
2
b y
1
+y
2
_
Calculando el determinante se encuentra:
[A[ = a (y
1
+y
2
) b (x
1
+x
2
)
= (ay
1
bx
1
) + (ay
2
bx
2
)
=
a x
1
b y
1
a x
2
b y
2
por tanto:

a x
1
+x
2
b y
1
+y
2
a x
1
b y
1
a x
2
b y
2
Relativo a matrices triangulares

P
8
) El determinante de una matriz cuadrada triangular (inferior o superior) es el producto
de las entradas de la diagonal principal.
Ejemplo 1.41
a
0 b
0 0 c
= abc
Clculo del determinante empleando operaciones elementales
Empleando operaciones elementales, es posible llevar la matriz a su forma escalonada, cui-
dando de emplear adecuadamente las propiedades. Recordemos que stas son:
Operacin elemental Efecto
multiplicacin por escalar determinante original por el escalar
cambio de las cambio de signo
tercera operacin elemental ninguno
Ejemplo 1.42
2 7 3
1 2 2
3 5 1
F
21
= (1)
1 2 2
2 7 3
3 5 1
F
21(2)
F
31(3)
= (1)
1 2 2
0 3 1
0 1 5
F
32
= (1)
2
1 2 2
0 1 5
0 3 1
F
32(3)
= (1)
2
1 2 2
0 1 5
0 0 16
= (1)
2
(1) (1) (16)
= 16
1.6.3 Menor complementario y cofactor (adjunto) de un elemento
Denicin 1.38 (Menor complementario) Sea A M
n,n
. Sea M
ij
M
n1,n1
la matriz
que resulta de eliminar la la i y la columna j en la matriz A. El determinante [M
ij
[ se llama
menor complementario de A, tambin se llamar simplemente menor. El nmero
ij
= (1)
i+j
[M
ij
[
se llamar cofactor (o adjunto) de la entrada a
ij
.
Observacin. Los signos (1)
i+j
de los cofactores de todos los elementos de A siguen
la siguiente regla: Los signos se alternan ya sea en las o columnas. As para A M
3,3
los
signos (1)
i+j
son:
_
_
+ +
+
+ +
_
_
Ejemplo 1.43 Considere la matriz
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
entonces:
M
11
=
a
22
a
23
a
32
a
33
, M
12
=
a
21
a
23
a
31
a
33
, M
13
=
a
21
a
22
a
31
a
32

y
11
= (1)
1+1
M
11
= M
11
12
= (1)
1+2
M
12
= M
12
13
= (1)
1+3
M
13
= M
13
Observacin. Del ejemplo 1.31 se tiene
[A[ = a
11
M
11
a
12
M
12
+a
13
M
13
= a
11
11
+a
12
12
+
13
13
esto no es casualidad, como se puede apreciar en el siguiente teorema.
Teorema 1.39 (Desarrollo por cofactores a travs de una la) Sea A M
n,n
, entonces
[A[ =
n
k=1
a
ik
ik
, i = 1, . . . , n
_
Desarrollo por cofactores
por la la i
_
Teorema 1.40 (Desarrollo por cofactores a travs de una columna) Sea A M
n,n
, entonces
[A[ =
n
k=1
a
kj
kj
, j = 1, . . . , n
_
Desarrollo por cofactores
por la columna j
_
Ejemplo 1.44
A =
_
_
2 0 3
1 1 1
3 1 0
_
_
los signos de los cofactores son
_
_
+ +
+
+ +
_
_
A continuacin realizamos el clculo del determinante de tres maneras.
(Cofactores a travs de la primera la) Los signos sern +, , +.
[A[ = +2
1 1
1 0
(0)
1 1
3 0
+ (3)
1 1
3 1
= 4
(Cofactores a travs de la segunda la) Los signos son , +,
[A[ = (1)
0 3
1 0
+ (1)
2 3
3 0
(1)
2 0
3 1
= 4
(Cofactores a travs de la primera columna) Los signos son +, , +
[A[ = (2)
1 1
1 0
(1)
0 3
1 0
+ (3)
0 3
1 1
= 4
1.6.4 Menor y menor principal
Denicin 1.41 (Menor) Un menor de una matriz A es el determinante de la submatriz
obtenida de A tomando algunas las y algunas columnas. El orden del menor principal es el
nmero de las (columnas).
Ejemplo 1.45 Sea A = (a
ij
) M
5,5
. Tomando las las 3, 4, 5 y las columnas 1, 2, 5 se tiene
el menor de orden 3:
a
31
a
32
a
35
a
41
a
42
a
45
a
51
a
52
a
55
la 3 con las columnas 1, 2, 5

_
_
_
Ejemplo 1.46 Considrese
A =
_
_
_
_
1 2 3 4
5 6 7 8
9 10 11 12
13 14 15 16
_
_
_
_
tomando las las 2, 4 y las columnas 3, 4 se tiene el menor de orden 2:
7 8
15 16
Denicin 1.42 (Menor principal) Si los elementos de la diagonal principal del menor
son tambin elementos de la diagonal principal de A, el menor se llama menor principal.
Ejemplo 1.47 Un menor principal de la matriz del ejemplo anterior se encuentra con las
las 1, 3 y las columnas 1, 3

1 3
9 11
1.6.5 Rango de una matriz

La denicin de rango
Denicin 1.43 (Rango) El rango de una matriz cuadrada no nula A es igual a r, lo que
escribiremos rango (A) = r, si al menos uno de los menores cuadrados de orden r es distinto
de cero, siendo nulos los menores cuadrados de orden r + 1. Por denicin el rango de la
matriz nula es 0.
Ejemplo 1.48 Considere
A =
_
_
2 0 1
1 1 1
3 1 0
_
_
el determinante
2 0
1 1
= 2, y [A[ = 0, entonces rango (A) = 2.

Teorema 1.44 El rango de A es igual al rango de su transpuesta, es decir:
rango (A) = rango
_
A
t
_
Teoremas y un algoritmo relativo al clculo del rango
Teorema 1.45 El rango de una matriz no varia mediante operaciones elementales de la o
columna.
Teorema 1.46 El rango de una matriz que est en la forma escalonada es el nmero de las
no nulas.
Los dos teoremas previos nos dan un algoritmo para calcular el rango de una matriz, pues
si se est interesado en calcular el rango de una matriz A, entonces se deben seguir con los
siguientes pasos:
1) Realizar operaciones elementales de la de modo de obtener la forma escalonada de la
matriz,
2) Se cuentan el nmero de las no nulas, si este nmero es r, entonces:
rango (A) = r.
Ejemplo 1.49 Se calcular el rango de la matriz
A =
_
_
1 2 3 2
3 6 10 8
2 4 7 6
_
_
Solucin.
A =
_
_
1 2 3 2
3 6 10 8
2 4 7 6
_
_
F
21(3)
F
31(2)
_
_
1 2 3 2
0 0 1 2
0 0 1 2
_
_
F
32(1)
_
_
1 2 3 2
0 0 1 2
0 0 0 0
_
_
la ltima matriz est en la forma escalonada, y sus dos primeras las no son nulas, entonces
rango (A) = 2.
Ejemplo 1.50 Ahora considrese la matriz
B =
_
_
1 2 0
1 0 0
1 6 1
_
_
B =
_
_
1 2 0
1 0 0
1 6 1
_
_
F
21(1)
F
31(1)
_
_
1 2 0
0 2 0
0 4 1
_
_
F
32(2)
_
_
1 2 0
0 2 0
0 0 1
_
_
la ltima matriz est en su forma escalonada, no tiene ninguna la nula, es decir rango (B) =
3.
1. Determinar si las siguientes permutaciones son pares o impares encontrando el nmero
de inversiones.
(a) 3214. Sol. impar
(b) 4213. Sol. par
(c) 32154. Sol. par
(d) 13524. Sol. impar
(e) 42531. Sol. impar
2. Aplicando propiedades mostrar que
2 1 1
1 2 1
1 1 2
= 0
3. Sin hacer el desarrollo por cofactores calcular:
1 a b +c
1 b a +c
1 c a +b
Sol. 0.
4. Usando propiedades mostrar que
a
2
1
a
1
1
a
2
2
a
2
1
a
2
3
a
3
1
= (a
1
a
2
) (a
2
a
3
) (a
3
a
1
)
1 1 1 1
1 x x
2
x
3
3 x + 2 2x + 1 3x
3 2x + 1 x
2
+ 2 3x
2
=
_
x
2
4x 3
_
(x 1)
4
1 1 1
x y z
yz xz xy
= (x y) (y z) (z x)
7. Conjeturar una frmula para el determinante de
x 1 1
1 x 1
.
.
.
.
.
.
.
.
.
.
.
.
1 1 x
(Es una matriz con unos en cada entrada fuera de la diagonal y x en la diagonal)
8. Se dice que una matriz es ortogonal si A
t
A = I. Probar que si A es ortogonal [A[ = 1.
9. Sea A M
n,n
, probar que [kA[ = k
n
[A[ .
10. Una matriz A es antisimtrica si A
t
= A. Si A es nilpotente, es cierto que el
determinante de A es cero?
11. Determinar el rango de las siguientes matrices.
(a) A =
_
_
2 2 1
1 0 3
1 2 4
_
_
, rango(A) = 2.
(b) B =
_
_
_
_
_
_
1 1 0
2 1 1
0 1 1
3 1 2
5 0 3
_
_
_
_
_
_
, rango(B) = 3.
12. Determinar los valores de k de modo que las siguientes matrices tengan rango igual al
orden de la matriz.
(a)
_
_
1 0 1
2 k k
2 k 1
_
_
. Sol. k ,= 1 y k ,= 0.
(b)
_
_
1 1 1
1 1 +k 2
1 1 + 2k k 5
_
_
. Sol. k ,= 4, k ,= 0.
(c)
_
_
1 1 1
1 3 0
2 2 k
_
_
Sol. k ,= 2
(d)
_
_
1 1 1
1 3 0
2 2 2 2k +k
2
_
_
Sol. k ,= 2, k ,= 0
(e)
_
_
6 12 + 7a 6 19a + 5b
3 6 + 3a 3 8a + 2b
1 2 +a 1 3a +b
_
_
Sol. a ,= b, a ,= 0
13. Determinar los valores de k de modo que las siguientes matrices tengan rango igual a 2.
(a)
_
_
6 18 2k
7 2 4
4 10 6
_
_
. Sol. k =
73
13
(b)
_
_
_
_
2 0 0 1
1 1 2 2
2 k 0 1
1 0 k 1
_
_
_
_
Sol. no existe
1.7 Sabias que?
(Tomado de http://www.enterate.unam.mx/Articulos/2003/mayo/progext.htm)
qu tan grave puede ser que se suscite un error?
En el periodo de 1985 a 1987, seis personas fueron sobreexpuestas a radiacin por un trata-
miento contra el cncer que era proporcionado con ayuda de una mquina llamada Therac-25.
Se cree que tres de estos seis pacientes fallecieron debido a la sobreexposicin, causada por
un error en el software de la mquina Therac-25 y por la falta de monitoreo de los operadores
de la mquina.
En 1995, el procesador Pentium de Intel
R _
present un error de software, codicado en
su hardware, que llevaba a la imprecisin en las operaciones de divisin de nmeros con
punto otante. Intel predeca que este problema slo lo notara una persona cada 27 mil
aos, no obstante, fue tan conocido, que la empresa perdi ms de 400 millones de dlares en
reemplazos del procesador.
El 4 de junio de 1996, la nave espaial Ariane 5, a los 40 segundos de haber iniciado su
secuencia de vuelo y a una altitud de 3,700 metros, se sali de su ruta y explot. El problema
fue ocasionado por el software de navegacin que hered del Ariane 4 y que no fue debidamente
probado.
Durante la Guerra del Golfo, un misil americano Patriot, fall en rastrear e interceptar un
misil Scud iraqu, el cual mat a 28 soldados e hiri a 100 personas. El problema se produjo
por un error en los clculos del Sistema de Control de Armas; cuando ocurri el incidente, el
sistema haba trabajado por ms de 100 horas, para entonces, la imprecisin del software se
acumul y ocasion que el sistema buscara en el lugar equivocado el misil Scud.
Captulo 2
Sistemas de ecuaciones lineales
En este captulo se dene un sistema de ecuaciones lineales, se estudia un teorema relativo
al rango y las soluciones, se entudia tambin una tcnica simple para determinar todas las
soluciones de un sistema. En una segunda parte se estudia la posibilidad de invertir una
matriz cuadrada y las condiciones bajo las cuales esto es posible. Finalmente se estudia la
regla de Cramer para resolver sistemas cuadrados.
2.1 Introduccin
2.1.1 La denicin de sistema lineal
Un sistema lineal de m ecuaciones con n incgnitas tiene la forma:
a
11
x
1
+a
12
x
2
+ +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+ +a
2n
x
n
= b
2

a
m1
x
1
+a
m2
x
2
+ +a
mn
x
n
= b
m
los nmeros a
ij
son los coecientes del sistema, los b
i
se llaman trminos independientes y
los x
i
se llaman incgnitas del sistema. Si cada b
i
es cero, el sistema se llama sistema
homogneo.
2.1.2 Notacin matricial
El anterior sistema puede escribirse como Ax = b, donde A M
m,n
es la matriz
A =
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
43
44 CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES
b M
m,1
, x M
n,1
son los vectores:
b =
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
, x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
2.1.3 La solucin de un sistema lineal
Un vector x es solucin de un sistema lineal Ax = b, si satisface la ecuacin matricial, esto a
su vez signica que el vector x satisface cada una de las ecuaciones del sistema.
Ejemplo 2.1 El siguiente sistema, es de 2 ecuaciones con 3 incgnitas:
_
1 2 3
2 2 2
_
_
_
x
1
x
2
x
3
_
_
=
_
5
2
_
una solucin de este sistema es el vector:
x =
_
_
2
0
1
_
_
pues
_
1 2 3
2 2 2
_
_
_
2
0
1
_
_
=
_
5
2
_
2.2 Teorema de existencia de soluciones
Denicin 2.1 (Matriz ampliada) Considere el sistema lineal Ax = b, A M
m,n
. La
matriz obtenida de aadir a la matriz A la columna b, denotada por [A : b] M
m,n+1
se llama
matriz ampliada (o matriz aumentada).
Las soluciones de un sistema Ax = b, A M
m,n
estn completamente determinadas por el
rango de A y el rango de la matriz ampliada [A : b] , eso es lo que arma el siguiente teorema.
Teorema 2.2 Sea Ax = b, un sistema de m ecuaciones y n incgnitas, entonces:
1. El sistema no tiene solucin ssi
rango (A) ,= rango ([A : b]) .
2. El sistema tiene innitas soluciones ssi
rango (A) = rango ([A : b]) < n.
2.2. TEOREMA DE EXISTENCIA DE SOLUCIONES 45
3. El sistema tiene solucin nica ssi
rango (A) = rango ([A : b]) = n.
En los tres siguientes ejemplos determinaremos si los sistemas tienen o no soluciones.
Ejemplo 2.2
_
1 2 1
3 5 1
_
_
_
x
1
x
2
x
3
_
_
=
_
3
1
_
Via operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :
[A : b] =
_
1 2 1 : 3
3 5 1 : 1
_
F
21(3)
_
1 2 1 : 3
0 1 2 : 10
_
es claro que rango (A) = rango ([A : b]) = 2 < 3, luego el sistema tiene innitas soluciones
(teorema 2.2).
Ejemplo 2.3
_
_
1 2 1
3 5 1
4 7 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
2
1
5
_
_
Mediante operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :
[A : b] =
_
_
1 2 1 : 2
3 5 1 : 1
4 7 0 : 5
_
_
F
21(3)
F
31(4)
_
_
1 2 1 : 2
0 1 4 : 5
0 1 4 : 3
_
_
F
32(1)
_
_
1 2 1 : 2
0 1 4 : 5
0 0 0 : 2
_
_
luego rango (A) = 2, rango ([A : b]) = 3, por tanto el sistema no tiene soluciones (teorema
2.2).
Ejemplo 2.4
_
_
1 2 1
3 5 1
4 7 5
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1
14
0
_
_
[A : b] =
_
_
1 2 1 : 1
3 5 1 : 14
4 7 5 : 0
_
_
F
21(3)
F
31(4)
_
_
1 2 1 : 2
0 1 4 : 11
0 1 1 : 4
_
_
F
32(1)
_
_
1 2 1 : 2
0 1 4 : 11
0 0 5 : 15
_
_
luego rango (A) = rango ([A : b]) = 3, es decir, el sistema tiene solucin nica (teorema 2.2).
2.3 Soluciones de un sistema triangular
2.3.1 Sistema triangular superior
Un sistema Ax = b, con A M
n,n
, es triangular superior si la matriz A es triangular superior.
Si rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin inversa.
Ejemplo 2.5 Considere el sistema triangular
_
_
a
11
a
12
a
13
0 a
22
a
23
0 0 a
33
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
b
1
b
2
b
3
_
_
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos.
La solucin se encuentra sucesivamente en los siguientes pasos:
x
3
se encuentra de la ecuacin a
33
x
3
= b
3
, de donde
x
3
=
b
3
a
33
x
2
22
x
2
+a
23
x
3
= b
2
, de donde
x
2
=
1
a
22
(b
2
a
23
x
3
)
x
1
11
x
1
+a
12
x
2
+a
13
x
3
= b
1
, de donde
x
1
=
1
a
11
(b
1
a
12
x
2
a
13
x
3
)
Teorema 2.3 Sea Ax = b, es un sistema triangular A M
n,n
de rango n, entonces las
soluciones son:
x
n
=
b
n
a
nn
x
j
=
1
a
jj
_
b
j

n
k=j+1
a
jk
x
k
_
, j = n 1, n 2, . . . , 1
este algoritmo se llama de sustitucin inversa.
2.3.2 Sistema triangular inferior
Un sistema Ax = b, con A M
n,n
, es triangular superior si la matriz A es triangular inferior.
Si rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin directa.
2.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B 47
Ejemplo 2.6 Considere el sistema triangular inferior
_
_
a
11
0 0
a
21
a
22
0
a
31
a
32
a
33
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
b
1
b
2
b
3
_
_
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos.
La solucin se encuentra sucesivamente con los siguientes pasos:
x
1
11
x
1
= b
1
, de donde
x
1
=
b
1
a
11
x
2
21
x
1
+a
22
x
2
= b
2
, de donde
x
2
=
1
a
22
(b
2
a
21
x
1
)
x
3
31
x
1
+a
32
x
2
+a
33
x
3
= b
3
, de donde
x
3
=
1
a
33
(b
3
a
31
x
1
a
32
x
2
)
Teorema 2.4 Sea Ax = b, es un sistema triangular A M
n,n
de rango n, entonces las
soluciones son:
x
n
=
b
1
a
11
x
j
=
1
a
jj
_
b
j

j1
k=1
a
jk
x
k
_
, j = n 1, n 2, . . . , 1
este algoritmo se llama de sustitucin directa.
2.4 Sobre las soluciones del sistema Ax = b
2.4.1 Sistemas equivalentes
Denicin 2.5 (Sistemas equivalentes) Sea Ax = b, un sistema con A M
m,n
y [A : b] su
matriz asociada. Sea [A
: b
] una matriz equivalente a la matriz [A : b] , entonces los sistemas

Ax = b y A
x = b
se llaman equivalentes.
Las operaciones elementales no modican la solucin de un sistema lineal, como se arma
en el siguiente teorema.
Teorema 2.6 Las soluciones de dos sistemas equivalentes son iguales.
2.4.2 Variables libres
Denicin 2.7 (Variable libre) Sea Ax = b, un sistema lineal con A M
m,n
tal que
[A : b] se encuentra en su forma escalonada, sea j la columna en donde no existe un elemento
distinguido, en ese caso la variable x
j
se llamar variable libre.
Ejemplo 2.7 Considere el sistema
_
_
2 1 3 1
0 0 1 3
0 0 0 2
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
4
1
2
_
_
la matriz aumentada es:
_
_
2 1 3 1 : 4
0 0 1 3 : 1
0 0 0 2 : 2
_
_
los elementos distinguidos se encuentran en las columnas 1, 3, 4, por tanto la nica variable
libre es x
2
.
Teorema 2.8 Si [A : b] se encuentra en la forma escalonada y rango (A) = rango (A : b) , y
se tiene al menos una variable libre, entonces se tienen innitas soluciones.
2.4.3 Clculo de la solucin de un sistema Ax = b
Los resultados previos justican el siguiente proceso para resolver un sistema lineal Ax = b,
donde A M
m,n
.
Paso 1 Construir la matriz aumentada [A : b] .
Paso 2 Llevar [A : B] a la forma escalonada [A
: b
] .
Paso 3 Identicar las variables libres.
Paso 4 Asignar valores arbitrarios a las variables libres. Este hecho origina un sistema
cuadrado triangular superior.
Paso 5 Se resuelve el sistema triangular superior, encontrndose as las incgnitas faltan-
tes.
Paso 6 Se escribe la solucin.
Ejemplo 2.8
_
1 2 1
3 5 1
_
_
_
x
1
x
2
x
3
_
_
=
_
3
1
_
[A : b] =
_
1 2 1 : 3
3 5 1 : 1
_
F
21(3)
_
1 2 1 : 3
0 1 2 : 10
_
Claramente el sistema tiene innitas soluciones. La variable libre es x
3
Sea x
3
= t, t R, as
el sistema se transforma en:
_
1 2
0 1
__
x
1
x
2
_
=
_
3 t
10 + 2t
_
que como se esperaba es triangular superior, resolviendo por sustitucin inversa se tiene
sucesivamente:
x
2
= 10 2t
x
1
= 3 t 2 (x
2
)
= 3 t 2 (10 2t)
= 17 + 3t
por tanto la solucin del sistema es:
x =
_
_
17 + 3t
10 2t
t
_
_
, t R
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 2.9 Resolver
_
_
_
_
1 2 3
2 1 0
1 0 3
1 1 3
_
_
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
_
_
2
1
1
2
_
_
_
_
Solucin.
[A : b] =
_
_
_
_
1 2 3 : 2
2 1 0 : 1
1 0 3 : 1
1 1 3 : 2
_
_
_
_
F
21(2)
F
31(1)
F
41(1)
_
_
_
_
1 2 3 : 2
0 3 6 : 5
0 2 0 : 1
0 1 6 : 4
_
_
_
_
F
24
_
_
_
_
1 2 3 : 2
0 1 6 : 4
0 2 0 : 1
0 3 6 : 5
_
_
_
_
F
32(2)
F
42(3)
_
_
_
_
1 2 3 : 2
0 1 6 : 4
0 0 12 : 7
0 0 12 : 7
_
_
_
_
F
43(1)
_
_
_
_
1 2 3 : 2
0 1 6 : 4
0 0 12 : 7
0 0 0 : 0
_
_
_
_
Puede observarse que el sistema no tiene variables libres. Por otra parte el sistema tiene solu-
cin nica pues rango (A) = rango [A : b] = 3 = nmero de variables. Empleando sustitucin
inversa se tiene:
x
3
= 7/12
x
2
= 1/2
x
1
= 3/4
Por tanto la solucin del sistema es:
x =
_
_
_
_
3
4
1
2
7
12
_
_
_
_
_
_
1 1 1 1
3 3 4 5
1 1 3 5
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
6
29
28
_
_
Solucin.
[A : b] =
_
_
1 1 1 1 : 6
3 3 4 5 . 29
1 1 3 5 : 28
_
_
F
21(3)
F
31(1)
_
_
1 1 1 1 : 6
0 0 1 2 . 11
0 0 2 4 : 22
_
_
F
32(2)
_
_
1 1 1 1 : 6
0 0 1 2 . 11
0 0 0 0 : 0
_
_
las variables libres son: x
2
y x
4
. Sean
x
2
= t
x
4
= s
entonces, el sistema se convierte en:
x
1
+x
3
= 6 +x
2
x
4
x
3
= 11 2x
4
reemplazando x
2
= t y x
4
= s, se tiene el sistema triangular
x
1
+x
3
= 6 +t s
x
3
= 11 2s
de donde sucesivamente:
x
3
= 11 2s
x
1
= 6 +t s (11 2s)
= 5 +t +s
x =
_
_
_
_
5 +t +s
t
11 2s
s
_
_
_
_
, t, s R
Ntese que la solucin puede escribirse como:
x =
_
_
_
_
5
0
11
0
_
_
_
_
+t
_
_
_
_
1
1
0
0
_
_
_
_
+s
_
_
_
_
1
0
2
1
_
_
_
_
Ejemplo 2.11 Considere el siguiente sistema:
_
_
1 1 0
0 k 2
0 0 k 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
2
1
k 1
_
_
determinaremos los valores de k para que el sistema (a) tenga solucin nica, (b) tenga
innitas soluciones, (c) no tenga soluciones.
Solucin. (a) El rango de la matriz de coecientes debe ser igual al rango de la matriz
ampliada e igual a 3, esto solo puede darse si k ,= 2 y k ,= 0.
(b) rango (A) = 2 para k = 0 o k = 2. Para k = 2, rango [A : b]=3, por tanto para este
valor no se pueden tener innitas soluciones (en realidad no se tienen soluciones), para k = 0,
rango [A : b] = 2, por tanto, para k = 0 se tienen innitas soluciones.
(c) Por lo anterior el sistema no tiene soluciones para k = 2.
1. Determinar las condiciones que deben cumplir los as de modo los siguientes sistemas
tengan solucin
x 2y = a
1
2x +y = a
2
4x + 3y = a
3
x 2y +z = a
1
3x + 2y = a
2
4x 2y +z = a
3
2. Hallar los valores de k de modo que los siguientes sistemas (a) tengan solucin nica,
(b) tengan innitas soluciones, (c) no tengan soluciones
(a)
_
_
1 0 1
2 k k
2 k 1
_
_
_
_
x
y
z
_
_
=
_
_
2
4
5 +k
2
_
_
Sol. (a) k ,= 1 y k ,= 0, (b) k = 1, (c) k = 0.
(b)
_
_
1 1 1
1 1 +k 2
1 1 + 2k k 5
_
_
_
_
x
y
z
_
_
=
_
_
1
1
5 +k
_
_
(c)
_
_
1 1 1
1 3 0
2 2 k
_
_
_
_
x
y
z
_
_
=
_
_
2
1
4 +k
_
_
Sol. (a) k ,= 2, (b) no, (c) k = 2
(d)
_
_
1 1 1
1 3 0
2 2 2 2k +k
2
_
_
_
_
x
y
z
_
_
=
_
_
2
3
k + 2
_
_
Sol. (a) k ,= 2, k ,= 0,(b) k = 2,(c) k = 0
(e)
_
_
k 1 1
1 k/4 1
k 1 k
_
_
_
_
x
y
z
_
_
=
_
_
k
2k
k
_
_
Sol. (a) k R1, 2 , (b) Innitas soluciones k = 1, (c) k = 2
(f)
_
_
k 4 4
1 k 1
4 1 k
_
_
_
_
x
y
z
_
_
=
_
_
k
2k
4
_
_
Sol. (a) k R5, 1, 4 , (b) No existe el caso de innitas soluciones, (c) k
5, 1, 4 .
3. Analizar las soluciones del sistema tomando en cuenta el valor de y .
_
_
1 /2
2
0 1
_
_
_
_
x
y
z
_
_
=
_
_

_
_
Sol.
(a) Innitas soluciones para = 2, = 4/3 y = 0, = 0.
(b) Sin solucin para = 2, ,= 4/3 y = 0, R0
(c) Solucin nica para ,= 2 y ,= 0
4. Dados u
1
=
_
_
1
2
1
_
_
, u
2
=
_
_
1
0
a
_
_
, u
3
=
_
_
a
1
1
_
_
determinar que condicin ha de
cumplir a para que v =
_
_
1
1
1
_
_
pueda escribirse como v = xu
1
+ y u
2
+ z u
3
. Sol.
a R1, 3/2 .
5. Resolver:
_
_
_
_
1 1 1 2 1
2 2 1 5 1
2 2 3 4 2
1 1 2 0 3
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
=
_
_
_
_
2
0
10
4
_
_
_
_
Sol.
_
_
_
_
_
_
8 +t 3s
t
6
2 +s
s
_
_
_
_
_
_
6. Resolver:
_
_
1 2 0 1 0
1 2 1 1 0
1 2 1 3 1
_
_
_
_
_
_
_
_
x
y
z
u
w
_
_
_
_
_
_
=
_
_
2
3
3
_
_
Sol.
_
_
_
_
_
_
2 2t
1
t
2
t
1
1 2t
2
t
2
2
_
_
_
_
_
_
7. Resolver:
_
_
0 0 3 6 2
1 2 1 1 0
1 2 1 3 1
_
_
_
_
_
_
_
_
x
y
z
u
v
_
_
_
_
_
_
=
_
_
2
3
3
_
_
Sol. :
_
_
_
_
_
_
1 2t
1
t
2
t
1
2 2t
2
t
2
4
_
_
_
_
_
_
8. Resolver:
_
_
1 2 0 1
1 2 1 1
1 2 1 3
_
_
_
_
_
_
x
y
z
w
_
_
_
_
=
_
_
2
3
1
_
_
Sol. No existen.
9. Resolver:
_
_
1 0 0
1 1 1
1 1 1
_
_
_
_
x
y
z
_
_
=
_
_
2
3
1
_
_
Sol. :
_
_
2
1 t
1
t
1
_
_
10. Determine un polinomio de grado 2 que pase por los puntos:
(2, 17) , (1, 7) , (3, 7)
2.5 La inversa de una matriz
2.5.1 La denicin de matriz inversa
Denicin 2.9 (Inversa) Sea A M
n,n
. Diremos que una matriz B M
n,n
es la inversa
de A si
AB = I
n
BA = I
n
donde I
n
es la matriz identidad, en M
n,n
.
Notacin. Es costumbre denotar la inversa de una matriz A mediante A
1
, por tanto si
A
1
es la inversa de A se debe tener: A
1
A = I
n
, AA
1
= I
n
, si no se dice lo contrario sta
ser la notacin usual para la inversa.
Ejemplo 2.12 (No pregunten de donde se saca la inversa de la siguiente matriz, ms adelante
se aprender a calcularlo). La inversa de
A =
_
2 7
1 4
_
2.5. LA INVERSA DE UNA MATRIZ 55
es :
A
1
=
_
4 7
1 2
_
pues:
AA
1
=
_
2 7
1 4
__
4 7
1 2
_
=
_
1 0
0 1
_
2.5.2 Clculo de la inversa
Para el clculo de la inversa de una matriz, recordemos algunos resultados de productos de
matrices.
Inicio del repaso
Si A, B M
n,n
y si B = [B
1
, B
2
, . . . , B
n
] donde los B
j
son la columnas de B,
entonces:
AB = A
_
B
1
, B
2
, . . . , B
n
=
_
AB
1
, AB
2
, . . . , AB
n
esto muestra que la j esima columna de AB es el producto AB

j
, siendo B
j
la
j esima columna de B.
La solucin del sistema Ix = b, es x = b. (aqu I es la matriz identidad)
Fin de repaso
Ahora estamos listos para discutir la forma de calcular la inversa. Sea A M
n,n
una
matriz de rango igual a n. para el clculo de la inversa emplearemos la siguiente notacin:
X = [X
1
, X
2
, . . . , X
n
] , donde X
j
es la j esima ser la inversa de A
I = [e
1
, e
2
, . . . , e
n
], I es la matriz identidad y e
j
la j esima columna.
Puesto que X es la inversa de A debemos tener AX = I, entonces:
[AX
1
, AX
2
, . . . , AX
n
] = [e
1
, e
2
, . . . .e
n
]
de donde
AX
j
= e
j
, j = 1, 2, . . . , n
lo anterior muestra que la j esima columna de X se encuentra resolviendo el sistema
AX
j
= e
j
.
Puesto que en cada uno de estos sistemas la matriz A no varia, podemos considerar la
matriz aumentada que involucre todos los sistemas, esta matriz es:
[A : e
1
, e
2
, . . . , e
n
]
resolviendo estos sistemas encontramos las columnas de la matriz inversa X, ms an podemos
llevar la anterior matriz a la forma escalonada reducida por las, y puesto que A es de rango n,
la matriz escalonada reducida por las debe ser la matriz identidad, as la matriz aumentada
tiene la forma:
[e
1
, e
2
, . . . , e
n
: X
1
, X
2
, . . . , X
n
]
as se ha calculado la inversa. A continuacin el algoritmo para el clculo de la inversa.
Algoritmo para el clculo de la inversa
Para calcular la inversa de una matriz A M
n,n
de rango n, se siguen los siguientes pasos
1 Se construye [A : e
1
, e
2
, . . . , e
n
]
2 Se realizan operaciones elementales de modo que
[A : e
1
, e
2
, . . . , e
n
] [e
1
, e
2
, . . . , e
n
: X
1
, X
2
, . . . , X
n
]
3 La matriz inversa A
1
tiene por columnas a los vectores X
1
, X
2
, . . . , X
n
.
Ejemplo 2.13 Calcularemos la inversa de
A =
_
2 7
1 4
_
Solucin.
_
2 7 : 1 0
1 4 : 0 1
_
F
21(1/2)
_
2 7 : 1 0
0 1/2 : 1/2 1
_
F
2(2)
_
2 7 : 1 0
0 1 : 1 2
_
F
12(7)
_
2 0 : 8 14
0 1 : 1 2
_
F
1(1/2)
_
1 0 : 4 7
0 1 : 1 2
_
por tanto:
A
1
=
_
4 7
1 2
_
Ejemplo 2.14 Determinar la inversa de
A =
_
_
1 2 1
2 1 1
1 0 1
_
_
Solucin.
[A : I] =
_
_
1 2 1 : 1 0 0
2 1 1 : 0 1 0
1 0 1 : 0 0 1
_
_
F
21(2)
F
31(1)
_
_
1 2 1 : 1 0 0
0 3 3 : 2 1 0
0 2 0 : 1 0 1
_
_
F
32
(
2
3
)
_
_
1 2 1 : 1 0 0
0 3 3 : 2 1 0
0 0 2 :
1
3

2
3
1
_
_
F
2(1/3)
F
3(1/2)
_
_
_
_
1 2 1 : 1 0 0
0 1 1 :
2
3

1
3
0
0 0 1 :
1
6

1
3
1
2
_
_
_
_
F
23(1)
F
13(1)
_
_
_
_
1 2 0 :
5
6
1
3

1
2
0 1 0 :
1
2
0
1
2
0 0 1 :
1
6

1
3
1
2
_
_
_
_
F
12(2)
_
_
_
_
1 0 0 :
1
6
1
3
1
2
0 1 0 :
1
2
0
1
2
0 0 1 :
1
6

1
3
1
2
_
_
_
_
de lo anterior se deduce que A
1
=
_
_
_
_
1
6
1
3
1
2
1
2
0
1
2
1
6

1
3
1
2
_
_
_
_
2.5.3 Algunos teoremas sobre la inversa
Teorema 2.10 Sobre una matriz A M
n,n
, las siguientes armaciones son equivalentes:
1. A tiene inversa.
2. rango (A) = n.
3. [A[ = det (A) ,= 0.
Teorema 2.11 Si A, B M
n,n
son invertibles, entonces AB es invertible, ms an, (AB)
1
=
B
1
A
1
.
Demostracin. Aceptando que AB es invertible, entonces
(AB) (AB)
1
= I
premultiplicando por la izquierda por A
1
se tiene:
B(AB)
1
= A
1
premultiplicando una vez ms por B
1
:
(AB)
1
= B
1
A
1
.

Teorema 2.12 (Unicidad de la inversa) Si la inversa existe, sta es nica.
Demostracin. Sea A una matriz invertible con inversa B. Si C es otra inversa se debe
tener:
AB = I, BA = I
AC = I, CA = I
entonces:
B = BI
= B(AC)
= (BA) C
= IC
= C
eso prueba el teorema.
2.5.4 La adjunta de una matriz en el clculo de la inversa
En el captulo 1, denimos el nmero
ij
= (1)
i+j
[M
ij
[
como cofactor (o adjunto) de la entrada a
ij
de una matriz A = (a
i,j
) M
n,n
, donde M es la
submatriz de A obtenida eliminando la la i y la columna j. La matriz construida con estos
cofactores forma una matriz, misma que denimos a continuacin.
Denicin 2.13 (Matriz adjunta) Sea A M
n,n
, la matriz adjunta de A es la matriz,
denotada por adj (A) , cuyo elemento ji es
ij
= (1)
i+j
[M
ij
[ , es decir, es la transpuesta de
la matriz formada por los cofactores.
adj (A) =
_
_
_
_
_
11

12

1n
21

22

2n
.
.
.
.
.
.
.
.
.
.
.
.
n1

n2

nn
_
_
_
_
_
t
Teorema 2.14 Si A M
n,n
invertible, entonces:
A
1
=
1
[A[
adj (A)
Ejemplo 2.15 Determinar la inversa de:
A =
_
a b
c d
_
Solucin. El determinante es [A[ = ad bc, y la adjunta es
adj (A) =
_
d c
b a
_
t
=
_
d b
c a
_
por tanto:
A
1
=
1
ad bc
_
d b
c a
_
Ejemplo 2.16 Determinar la inversa de:
A =
_
_
1 2 3
6 0 4
3 2 1
_
_
Solucin. El determinante es [A[ = 40 y la adjunta es:
adj (A) =
_
_
8 4 8
6 8 14
12 4 12
_
_
por tanto
A
1
=
1
40
_
_
8 4 8
6 8 14
12 4 12
_
_
1. Sean A, B, C matrices con las dimensiones adecuadas, Bajo que condiciones AB = AC
implica B = C?.
2. Determinar la inversa de
A =
_
_
3 1 1
8 2 3
10 2 3
_
_
Sol.
_
_
0
1
2

1
2
3
1
2
1
2
2 2 1
_
_
3. Determinar la inversa de
A =
_
_
1 2 1
1 3 2
1 3 2
_
_
Sol. No existe.
4. Cundo la siguiente matriz es invertible?, Cul es su inversa?
A =
_
_
_
_
_
a
1
0 0
0 a
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
n
_
_
_
_
_
5. Probar que la inversa de una matriz triangular es del mismo tipo.
6. Para que valores de a y b la siguiente matriz es invertible?
_
_
2 a 4 a 2b
2 1 +a 3 + b
1 0 2 +a +b
_
_
Sol. a ,= 0 y a ,= b
7. Considrese la matriz:
_
_
_
_
_
1
1
2

1
n
1
2
1
3

1
n+1
.
.
.
.
.
.
.
.
.
.
.
.
1
n
1
n+1

1
n+n1
_
_
_
_
_
Calcule la inversa para n = 2, n = 3 y n = 4. Conjeture una frmula para su inversa.
8. Sea A M
n,n
. Pruebe que:
(a) Si A es invertible y AB = 0 para alguna matriz B M
n,n
, entonces B = 0.
(b) Si A es no invertible, entonces existe una matriz B M
n,n
tal que AB = 0 pero
B ,= 0.
2.6 La regla de Cramer
Considere el sistema Ax = b, A M
n,n
. Si A = [A
1
, A
2
, . . . , A
n
] , donde A
j
es la j esima
columna de A, y
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
entonces las solucines son:
x
i
=
[A
1
, . . . , A
i1
, b, A
i+1
, . . . , A
n
[
[A[
, i = 1, 2, . . . , n
Ntese que [A
1
, . . . , A
i1
, b, A
i+1
, . . . , A
n
[ se obtiene de [A[ reemplazando la i esima columna
con el vector b.
2.7. SISTEMAS HOMOGNEOS 61
Ejemplo 2.17 Resolver:
_
a
11
a
12
a
21
a
22
__
x
1
x
2
_
=
_
b
1
b
2
_
Solucin.
x
1
=
b
1
a
12
b
2
a
22
a
11
a
12
a
21
a
22
, x
2
=
a
11
b
1
a
21
b
2
a
11
a
12
a
21
a
22

_
_
1 1 0
2 0 2
0 1 2
_
_
_
_
x
y
z
_
_
=
_
_
3
10
15
_
_
Solucin.
x =
3 1 0
10 0 2
15 1 2
1 1 0
2 0 2
0 1 2
=
4
2
, y =
1 3 0
2 10 2
0 15 2
1 1 0
2 0 2
0 1 2
=
2
2
, z =
1 1 3
2 0 10
0 1 15
1 1 0
2 0 2
0 1 2
=
14
2
por tanto la solucin es:
_
_
x
y
z
_
_
=
_
_
2
1
7
_
_
2.7 Sistemas homogneos
Se dice que un sistema es homogneo si es de la forma:
Ax = 0, A M
m,n
ntese que x = 0 es una solucin del sistema, as un sistema homogneo siempre tiene solucin.
Por tanto slo se tienen los siguientes casos:
(i) Solucin nica.
(ii) Innitas soluciones.
A este respecto se tiene el siguiente resultado:
Teorema 2.15 Las siguientes armaciones son equivalentes:
1. Ax = 0 tiene solucin nica.
2. A
1
existe.
3. rango (A) = n.
4. [A[ = det (A) ,= 0.
Ejemplo 2.19
_
1 2 1
3 5 1
_
_
_
x
1
x
2
x
3
_
_
=
_
0
0
_
La matriz aumentada para sistemas homogneos es de la forma [A : 0] , en la prctica slo
se trabaja con A. Con esta convencin se tiene:
A =
_
1 2 1
3 5 1
_
F
21(3)
_
1 2 1
0 1 2
_
,
claramente, el sistema tiene soluciones. La variable libre es x
3
. Sea x
3
= t, t R, as el
sistema se transforma en
_
1 2
0 1
__
x
1
x
2
_
=
_
t
2t
_
resolviendo por sustitucin inversa se tiene sucesivamente:
x
2
= 2t
x
1
= t 2 (2t)
= 3t
x =
_
_
3t
2t
t
_
_
, t R
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
_
_
_
_
1 2 3
2 1 0
1 0 3
1 1 3
_
_
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
_
_
0
0
0
0
_
_
_
_
2.7. SISTEMAS HOMOGNEOS 63
Solucin.
[A : b] =
_
_
_
_
1 2 3
2 1 0
1 0 3
1 1 3
_
_
_
_
F
21(2)
F
31(1)
F
41(1)
_
_
_
_
1 2 3
0 3 6
0 2 0
0 1 6
_
_
_
_
F
24
_
_
_
_
1 2 3
0 1 6
0 2 0
0 3 6
_
_
_
_
F
32(2)
F
42(3)
_
_
_
_
1 2 3
0 1 6
0 0 12
0 0 12
_
_
_
_
F
43(1)
_
_
_
_
1 2 3
0 1 6
0 0 12
0 0 0
_
_
_
_
Esta matriz no tiene variables libres. Por otra parte el sistema tiene solucin nica pues
rango (A) = rango [A : b] = 3. Empleando sustitucin inversa se tiene:
x
3
= 0
x
2
= 0
x
1
= 0
Por tanto la solucin del sistema es:
x =
_
_
0
0
0
_
_
_
_
1 1 1 1
3 3 4 5
1 1 3 5
_
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
_
0
0
0
_
_
Solucin.
[A : b] =
_
_
1 1 1 1
3 3 4 5
1 1 3 5
_
_
F
21(3)
F
31(1)
_
_
1 1 1 1
0 0 1 2
0 0 2 4
_
_
F
32(2)
_
_
1 1 1 1
0 0 1 2
0 0 0 0
_
_
las variables libres son: x
2
y x
4
. Sean
x
2
= t
x
4
= s
entonces, el sistema se convierte en:
x
1
+x
3
= x
2
x
4
x
3
= 2x
4
reemplazando x
2
= t y x
4
= s, se tiene el sistema triangular
x
1
+x
3
= t s
x
3
= 2s
de donde sucesivamente:
x
3
= 2s
x
1
= t s (2s)
= t +s
x =
_
_
_
_
t +s
t
2s
s
_
_
_
_
, t, s R
Ntese que la solucin puede escribirse como:
x = t
_
_
_
_
1
1
0
0
_
_
_
_
+s
_
_
_
_
1
0
2
1
_
_
_
_
1. Resolver
_
_
_
_
2 1 1
1 2 1
5 1 4
1 1 2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Sol. x =
_
_
t
t
t
_
_
.
2. Resolver:
_
_
1 0 1
1 1 1
1 1 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Sol. x =
_
_
t
0
t
_
_
2.8. ALGO DE CRIPTOGRAFA 65
3. Para que valores de k, el siguiente sistema (i) tiene la solucin nula como nica solucin.
(ii) Innitas soluciones.
_
_
1 1 1
1 1 +k 1
1 1 3 +k
2
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
Sol. (i) k / 0, 2, 2 (ii) k 0, 2, 2 .
4. Sea:
A =
_
_
2 0 3
0 5 0
3 0 2
_
_
(i) determinar los valores de tales que [A I[ = 0,
(ii) para cada valor encontrado en (i) resolver el sistema (AI) x = 0
Sol.: , t
_
_
0
1
0
_
_
asociado con 5, t
_
_
1
0
1
_
_
asociado con 1, t
_
_
1
0
1
_
_
asociado con 5
5. Lo mismo que en el anterior ejercicio para la matriz:
A =
_
_
10 15 15
6 11 6
3 3 8
_
_
t
_
_
1
0
1
_
_
, s
_
_
1
1
0
_
_
asociados con 5, t
_
_
5
2
1
_
_
asociado con 1.
2.8 Algo de criptografa
2.8.1 La aritmtica del reloj
Considrese un reloj como el siguiente:
Supngase que el reloj marca las 9, si transcurren 8 horas, entonces el reloj marcar 5. Para
nosotros, 9+8=17, sin embargo para el reloj apenas pasa de 12 vuelve a empezar en cero.
Para explicar este hecho requerimos la siguiente denicin.
Denicin 2.16 (Congruencia mdulo n) Diremos que dos enteros a y b son congruentes
mdulo n, lo que escribimos
a b (mod n) se lee a congruente con b mdulo n
si n divide a la diferencia a b, se escribe tambin n[ (a b)
Ejemplo 2.22 (Congruencia mdulo 12)
17 5 (mod 12) pues 12[ (17 5)
25 1 (mod 12) pues 12[ (25 1)
Ejemplo 2.23 (Congruencia mdulo 7)
17 3 (mod 7) pues 7[ (17 3)
972 6 (mod 7) pues 7[ (972 6)
2.8.2 Tablas de sumar
En la aritmtica del reloj, podemos realizar operaciones de sumas, restas, multiplicacin y
divisin entre algunos nmeros. A continuacin se muestran las tablas de la suma y producto
en mdulo 12:
A continuacin se presenta la tabla de multiplicar en mdulo 28, ntese que slo algunos
nmeros tienen inverso multiplicativo, por ejemplo 3
1
= 19 pues 19 3 = 57 1 mod 28.
2.8. ALGO DE CRIPTOGRAFA 67
2.8.3 Matriz clave
Es una matriz cuadrada A M
m.m
invertible mdulo 28. Es fcil producir estas matrices,
por ejemplo multiplicar dos matrices, una triangular inferior, de determinante cualquiera de
los nmeros del conjunto 1, 3, 6, 9, 11, 13, 15, 17, 19, 23, 25 y la otra una triangular superior
de determinante 1.
A =
_
_
1 0 0
2 1 0
2 1 3
_
_
_
_
1 1 1
0 1 1
0 0 1
_
_
=
_
_
1 1 1
2 3 3
2 3 6
_
_
,
claramente el determinante de esta matriz es [A[ = 3, puesto que 3
1
= 19 existe en mdulo 28,
la inversa de A existe. Calculando la inversa mediante la tcnica de la adjunta, se encuentra:
A
1
=
1
[A[
adj (A)
= 3
1
_
_
_
_
_
_
_
_
+
3 3
3 6
2 3
2 6
2 3
2 3
1 1
3 6
1 1
2 6
1 1
2 3
1 1
3 3
1 1
2 3
1 1
2 3
_
_
_
_
_
_
_
_
t
= 19
_
_
9 6 0
3 4 1
0 1 1
_
_
t
=
_
_
171 114 0
57 76 19
0 19 19
_
_
t
=
Mdulo 28
_
_
3 26 0
27 20 9
0 9 19
_
_
t
=
_
_
3 27 0
26 20 9
0 9 19
_
_
Ntese que ,
AA
1
=
_
_
1 1 1
2 3 3
2 3 6
_
_
_
_
3 27 0
26 20 9
0 9 19
_
_
=
_
_
29 56 28
84 141 84
84 168 141
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
mod 28
2.8.4 Mensajes en clave
Nuestro objetivo es emplear la inversin de matrices junto con la aritmtica mdulo 28 en
el proceso de escribir mensajes en clave. Para este propsito consideremos una cadena de
caracteres que llamaremos mensaje, por razones de simplicidad, el mensaje se escribir con
el alfabeto de 27 letras en mnsculas mas un espacio.
a b c d e f g h i j k l m n o p q r s t u v w x y z
Paso 1. El mensaje a encriptar de divide en cadenas de m caracteres (se aaden espacios
en blanco si es necesario), esta cadenas se traducen en cadenas numricas con el siguiente
criterio:
espacio a b c d e f g h i j k l m
0 1 2 3 4 5 6 7 8 9 10 11 12 13
n o p q r s t u v w x y z
14 15 16 17 18 19 20 21 22 23 24 25 26 27
Con los vectores numricos hallados se contruye una matriz M de m las.
Ejemplo 2.24 Consideremos el mensaje:
algebra
(omitimos el tilde) si las cadenas van a ser de 3 caracteres se tienen los vectores:
_
_
a
l
g
_
_
,
_
_
e
b
r
_
_
,
_
_
a
espacio
espacio
_
_
que traducidos son
_
_
1
12
7
_
_
,
_
_
5
2
19
_
_
,
_
_
1
0
0
_
_
nalmente la matriz numrica que contiene el mensaje es:
M =
_
_
1 5 1
12 2 0
7 19 0
_
_
Paso 2. Se elige una matriz invertible A M
m,m
. Luego contruiremos la matriz C = AM
que contendr nuestro mensaje en clave. Elegimos la matriz
A =
_
_
1 1 1
2 3 3
2 3 6
_
_
luego:
C =
_
_
1 1 1
2 3 3
2 3 6
_
_
_
_
1 5 1
12 2 0
7 19 0
_
_
2.9. SABIAS QUE? 69
=
_
_
20 26 1
59 73 2
80 130 2
_
_
=
_
_
20 26 1
3 17 2
24 18 2
_
_
mod 28
traducimos ahora la matriz C a caracteres empleando la tabla dada, obtenindose
_
_
s
c
w
_
_
,
_
_
y
p
q
_
_
,
_
_
a
b
b
_
_
por tanto el mensaje en clave es:
scwypqabb
Ntese que una misma letra puede codicarse con una letra distinta o igual, como es el caso
de la letra a que se codica como s y a y el espacio que se codica como la letra b en ambos
casos.
Paso 3. (Recuperacin de la informacin) Puesto que C = AM y A es invertible,
entonces M = A
1
C, por tanto para nuestro ejemplo:
M =
_
_
3 27 0
26 20 9
0 9 19
_
_
_
_
20 26 1
3 17 2
24 18 2
_
_
=
_
_
141 537 57
796 1178 84
483 495 56
_
_
=
_
_
1 5 1
12 2 0
7 19 0
_
_
por tanto el mensaje recuperado es:
algebra
Ejercicio
2.9 Sabias que?
(Tomado de http://200.109.120.2/mm/matematica3/fasciculo23.pdf)
Ya en el ao 450 a.C. los espartanos de Grecia enviaban mensajes codicados. Para
ello enrollaban una banda de cuero o cinturn sobre un cilindro, se escriba el mensaje y al
desenrollar la banda de cuero sta pareca que slo estaba adornada con marcas inocentes. Sin
embargo, si el destinatario del mensaje arrollaba nuevamente la banda alrededor de un cilindro
similar al utilizado cuando se escribi dicho mensaje, ste poda ser ledo sin dicultad. Este
mtodo es un sistema de codicacin por transposicin.
En el cifrado por sustitucin, cada letra o grupo de letras es reemplazada por una letra o
grupo de letras. Uno de los ms antiguos cifrados es el Cifrado de Csar, atribuido a Julio
Csar, quien sustituy cada letra por la que ocupa tres puestos ms all en el alfabeto. Con
ese mtodo, a se convierte en D, b en E, c en F,..., y z en C.
Una tcnica de codicacin por sustitucin fue utilizada por el insigne escritor estadou-
nidense Edgar Allan Poe (1809-1849) en su clebre narracin El escarabajo de oro. Tambin
este tipo de tcnica aparece con frecuencia en diarios y pasatiempos en los cuales se le propone
al lector la solucin de un criptograma.
En el siglo XIII, Roger Bacon (1214-1294) describi varios mtodos de codicacin. De
trascendental importancia, durante la II Guerra Mundial, fue el hecho de que los estadouni-
denses lograran descifrar el cdigo naval japons JN25 y los ingleses hiciesen lo propio con la
mquina alemana Enigma. Actualmente se utilizan sosticadas tcnicas de encriptamiento
de mensajes las cuales se basan en las propiedades de los nmeros primos.
Uno de los sistemas modernos para encriptar mensajes es el criptosistema de clave pblica.
Uno de stos es el sistema RSA (en honor de sus creadores los matemticos Rivest, Shamir y
Adler).
Captulo 3
Espacios Vectoriales reales
Con el propsito de aplicar el lgebra lineal en Ingeniera y otras ciencias, es necesario dotar
a un conjunto de la estructura llamada Espacio Vectorial, en este captulo estudiamos este
concepto, adems se estudian los subespacios, los subespacios generados por un conjunto
de vectores y el concepto de dependencia lineal. Luego de esto se estudia el concepto de
base y dimensin de un Espacio Vectorial.
3.1 La denicin de espacio vectorial
En anteriores secciones se trabaj con objetos del conjunto M
m,n
. En este conjunto no se ha
dicho nada sobre aspectos como la medida de cada elemento. Para poder discutir estos
aspectos es necesario denir el concepto de espacio vectorial.
Denicin 3.1 (Espacio Vectorial) Sea V un conjunto no vaco, en donde se han denido
dos operaciones llamadas suma y producto por escalar tal que para todo u, v V se tiene
u +v V y para todo u V y todo r R se tiene rv V. El conjunto V se llamar espacio
vectorial real (y sus elementos se llamarn vectores) si se cumplen las siguientes propiedades:
A
1
: Para todo u, v V, u +v = v +u.
A
2
: Para todo u, v, w V, u + (v +w) = (u +v) +w.
A
3
: Existe un vector en V denotado por 0 vector cero tal que 0 +u = u para todo u V.
A
4
: Para todo u V, existe u V tal que u + (u) = 0.
M
1
: Para todo k R y todo u, v V, k (u +v) = ku +kv.
M
2
: Para todo k
1
, k
2
R y todo u V, (k
1
+k
2
) u = k
1
u +k
2
u.
M
3
: Para todo k
1
, k
2
R y todo u V, k
1
(k
2
u) = (k
1
k
2
) u.
M
4
: Para 1 R, 1u = u, para todo u V
71
72 CAPTULO 3. ESPACIOS VECTORIALES REALES
Ejemplo 3.1 Considere el conjunto V = X : X M
m,n
, esto es, todas las matrices de m
las y n columnas, en este conjunto se denen las operaciones usuales de suma de matrices
y producto por un nmero denidos en el captulo 1. Es evidente que M
m,n
es un espacio
vectorial.
Observacin. Un conjunto V no es espacio vectorial por si solo, es necesario denir en
ella las dos operaciones de suma y producto por escalar. Ms an un, mismo conjunto puede
ser o no espacio vectorial dependiendo de las operaciones denidas en V , esto muestra la
importancia de las operaciones que se denan en el conjunto.
Ejemplo 3.2 Sea V = R
2
= (x
1
, x
2
) : x
1
R, x
2
R , en este conjunto denimos las
siguientes operaciones:
(a
1
, a
2
) + (b
1
, b
2
) = (a
1
+b
1
, a
2
+b
2
)
(a
1
, a
2
) = (a
1
, a
2
)
Es fcil comprobar que A
1
, A
2
, A
3
, A
4
se verican. Para probar M
1
, sean
u = (u
1
, u
2
) , v = (v
1
, v
2
)
entonces para un nmero k:
k (u +v) = k (u
1
+v
1
, u
2
+v
2
) = (ku
1
+kv
1
, u
2
+v
2
)
ku +kv = k (u
1
, u
2
) +k (v
1
, v
2
) = (ku
1
, u
2
) + (kv
1
, v
2
) = (ku
1
+kv
1
, u
2
+v
2
)
k (u +v) = ku +kv,
esto prueba que M
1
se cumple. Para probar M
2
sea u = (u
1
, u
2
) , k
1
= 3, k
2
= 2, entonces:
(k
1
+k
2
) u = (3 + 2) (u
1
, u
2
) = (5u
1
, u
2
)
por otra parte:
k
1
u +k
2
u = 3 (u
1
, u
2
) + 2 (u
1
, u
2
) = (3u
1
, u
2
) + (2u
1
, u
2
) = (5u
1
, 2u
2
)
por tanto (k
1
+k
2
) u ,= k
1
u + k
2
u. Esto prueba que M
2
no se cumple y por tanto R no es
espacio vectorial con las operaciones denidas.
Uno de los ejemplos ms importantes se discute en la siguiente seccin.
3.2 El espacio vectorial R
n
Denimos R
n
= (x
1
, x
2
, . . . , x
n
) : x
i
R . A este conjunto es posible darle la estructura de
espacio vectorial deniendo las siguientes operaciones suma y producto por un nmero:
(x
1
, x
2
, . . . , x
n
) + (y
1
, y
2
, . . . , y
n
) = (x
1
+y
1
, x
2
+y
2
, . . . , x
n
+y
n
)
k (x
1
, x
2
, . . . , x
n
) = (kx
1
, kx
2
, . . . , kx
n
)
3.2. EL ESPACIO VECTORIAL R
N
73
con stas operaciones R
n
es un espacio vectorial. Se llamar espacio vectorial ndimensional.
Con el propsito de entender el signicado visual de lo que es un punto y un vector en R
n
analizemos la manera de gracar un punto y un vector en R
2
, claro est, que esta manera se
pueden generalizar.
Para representar un punto en el plano RR se emplea el clsico sistema de coordenadas
cartesianas que consiste en dos rectas reales que se intersectan perpendicularmente en un
punto denotado con O llamado origen. Si (x
1
, x
2
) es un punto de R
2
su representacin
geomtrica se realiza siguiendo los siguientes pasos.
1. A partir del origen O se avanza paralelamente al eje x, la magnitud [x
1
[ en direccin
positiva o negativa dependiendo si x
1
es positivo o negativo. As se encuentra P
1
.
2. A partir del punto P
1
se avanza paralelamente al eje y, la magnitud [x
2
[ en direccin
positiva o negativa dependiendo si x
2
es positivo o negativo. As se encuentra P
2
.
3. El punto P
2
encontrado es la representacin geomtrica de (x
1
, x
2
) .
En el siguiente grco se asume que x
1
, x
2
son positivos
`
x
y
O = (0, 0)
P
2
= (x
1
, x
2
)
x
1
x
2

P
1
Sea v = (v
1
, v
2
) un vector de R
2
. Su representacin geomtrica se realiza en R
2
del
siguiente modo.
1. Se elige un punto arbitrario P
0
R
2
, este punto se llamar punto inicial.
2. A partir de P
0
se avanza paralelamente al eje x la magnitud [v
1
[ , en direccin positiva
o negativa dependiendo si v
1
es positivo o negativo, as localizamos el punto P
1
.
3. A partir de P
1
se mueve paralelamente al eje y la magnitud [v
2
[ , en direccin positiva
o negativa dependiendo si v
2
es positivo o negativo, as localizamos el punto P
2
, este
punto se llamar punto nal.
4. La echa trazada desde P
0
hasta P
2
es la representacin geomtrica del vector v.
`
x
y
>
>
>
>
>
>
>
>
>
>
>
>
P
2
P
0
P
1
x
Observacin 1. Si se elige como punto inicial el origen, la representacin geomtrica del
vector se llamar radio vector.
Observacin 2. Si un vector v tiene el punto Q como punto inicial y el punto P como punto
nal, entonces se verica:
v = P Q.
Observacin 3. Si un vector v tiene el origen O como punto inicial y el punto P como punto
nal, entonces es claro que:
v = P.
as existe una correspondencia biunvoca entre puntos y vectores.
3.2.1 La recta en R
n
La recta en R
n
que pasa por un punto P
0
en direccin del vector v es el subconjunto de R
n
denido por
/ = P
0
+tv : t R ,
aqu, el vector v se llama vector direccional de la recta.
3.3. SUBESPACIOS 75
P
0
Z
X
Y
/
>
>
>
>
>
>
>
v
P
0
+tv
3.2.2 El plano en R
3
Sean P
0
un punto en R
3
y u, v vectores. Denimos el plano que pasa por P
0
generado por los
vectores u y v como el conjunto
T = P
0
+tu +sv : t, s R .
Ntese que T R
3
.
P
0
v
u
3.3 Subespacios
Sea V un espacio vectorial, W V. Diremos que W es un subespacio de V si W mismo es
un espacio vectorial con las mismas operaciones denidas en V.
Para determinar que un subconjunto W de un espacio vectorial es o no un subespacio, no
es necesario probar las ocho propiedades que caracterizan un espacio vectorial, en su lugar se
tiene el siguiente teorema.
Teorema 3.2 Sea V un espacio vectorial, W V un conjunto no vaco. W es un subespacio
de V si y solamente si:
1. Para todo u, v W se tiene u +v W.
2. Para todo k R y todo u W se tiene ku W.
Ejemplo 3.3 Si V es un espacio vectorial, lo son tambin W = 0 y W = V.
Ejemplo 3.4 La recta en R
3
, / = P
0
+tu : t R es un subespacio de R
3
siempre que
P
0
= 0.
Ejemplo 3.5 El plano en R
3
, T = P
0
+tu +sv : t, s R es un subespacio en R
3
siempre
que P
0
= 0
Ejemplo 3.6 El conjunto W de todas las soluciones de un sistema homogneo Ax = 0,
A M
m,n
es un subespacio de R
n
.
3.4 Combinacin lineal
Sea S = v
1
, v
2
, . . . , v
k
un subconjunto de un espacio vectorial V. Cualquier vector en V
escrito de la forma:
w = k
1
v
1
+k
2
v
2
+ +k
n
v
n
se llamar combinacin lineal de los vectores del conjunto S.
3.4.1 Espacio generado
Sea V un espacio vectorial, el conjunto de todas las combinaciones lineales del conjunto
S = v
1
, v
2
, . . . , v
k
V, se llamar espacio generado por S y se denotar con LIN(S) .
Teorema 3.3 El conjunto LIN(S) es un subespacio de V, ms an, es el subespacio ms
pequeo de V que contiene S, es decir si W es otro subespacio que contiene S, se debe tener
LIN(S) W.
Ejemplo 3.7 En R
3
considere el conjunto:
S = (1, 0, 1) , (1, 3, 3) , (1, 3, 1)
determinar si v = (1, 2, 3) LIN(S) .
Solucin. Si el vector dado pertenece a LIN(S) , existen nmeros k
1
, k
2
, k
3
tales que:
(1, 2, 3) = k
1
(1, 0, 1) +k
2
(1, 3, 3) +k
3
(1, 3, 1)
esto origina el sistema:
_
_
1 1 1
0 3 3
1 3 1
_
_
_
_
k
1
k
2
k
3
_
_
=
_
_
1
2
3
_
_
3.4. COMBINACIN LINEAL 77
para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:
_
_
1 1 1 : 1
0 3 3 : 2
1 3 1 : 3
_
_
F
31(1)
_
_
1 1 1 : 1
0 3 3 : 2
0 2 2 : 2
_
_
F
32(2/3)
_
_
1 1 1 : 1
0 3 3 : 2
0 0 0 :
10
3
_
_
claramente el rango de la matriz de coecientes no es igual al rango de la matriz aumentada,
por tanto el sistema no tiene soluciones, es decir (1, 2, 3) / LIN((1, 0, 1) , (1, 3, 3) , (1, 3, 1)) .
Ejemplo 3.8 Determinar LIN(B) si:
B =
_
_
_
v
1
=
_
_
1
1
1
_
_
, v
2
=
_
_
2
1
1
_
_
_
_
_
Solucin. Sea v =
_
_
a
b
c
_
_
, un vector de R
3
, si este vector se encuentra en LIN(B) se
debe tener que el sistema
x
1
v
1
+x
2
v
2
= v
debe tener solucin, reemplazando valores se encuentra el sistema:
_
_
1 2
1 1
1 1
_
_
_
x
1
x
2
_
=
_
_
a
b
c
_
_
llevando la matriz aumentada a su forma escalonada se encuentra:
_
_
1 2 : a
1 1 : b
1 1 : c
_
_
F
21(1)
F
31(1)
_
_
1 2 : a
0 1 : a +b
0 1 : a +c
_
_
F
32(1)
_
_
1 2 : a
0 1 : a +b
0 0 : b +c
_
_
para que el sistema tenga soluciones se debe tener:
rango (Matriz de coecientes) = rango (Matriz aumentada) ,
esto se da cuando b +c = 0, as el subespacio generado por B = v
1
, v
2
es
W =
_
_
_
_
_
a
b
c
_
_
: b +c = 0, a, b, c R
_
_
_
=
_
_
_
_
_
a
b
b
_
_
: a, b R
_
_
_
=
_
_
_
a
_
_
1
0
0
_
_
+b
_
_
0
1
1
_
_
: a, b R
_
_
_
, un plano
3.4.2 Dependencia lineal
En un espacio vectorial V se considera el subconjunto S = v
1
, v
2
, . . . , v
n
, se dice que este
conjunto es linealmente dependiente (LD) si existen nmeros x
1
, x
2
, . . . , x
n
, no todos
nulos, tales que
x
1
v
1
+x
2
v
2
+ +x
n
v
n
= 0.
Si de la igualdad x
1
v
1
+x
2
v
2
+ +x
n
v
n
= 0 se sigue que la nica solucin es x
1
= x
2
=
= x
n
= 0, entonces el conjunto v
1
, v
2
, . . . , v
n
linealmente independiente (LI).
Ejemplo 3.9 Determinar si el conjunto
S = (1, 0, 1) , (1, 3, 3) , (1, 3, 1)
es LI o LD.
Solucin. Considrese la igualdad:
x
1
(1, 0, 1) +x
2
(1, 3, 3) +x
3
(1, 3, 1) = (0, 0, 0)
_
_
1 1 1
0 3 3
1 3 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:
_
_
1 1 1 : 0
0 3 3 : 0
1 3 1 : 0
_
_
F
31(1)
_
_
1 1 1 : 0
0 3 3 : 0
0 2 2 : 0
_
_
F
32(2/3)
_
_
1 1 1 : 0
0 3 3 : 0
0 0 0 : 0
_
_
es claro que este sistema tiene soluciones, si x
3
= 1, se encuentran x
2
= 1 y x
1
= 2. Por
tanto el sistema es LD pues existen nmeros, no todos cero, x
1
= 2, x
2
= 1, x
3
= 1 tales
que:
x
1
(1, 0, 1) +x
2
(1, 3, 3) +x
3
(1, 3, 1) = (0, 0, 0) .
Ejemplo 3.10 Determinar si el conjunto
S = (1, 0, 1) , (1, 3, 3) , (1, 3, 0)
es LI o LD.
Solucin. Considrese la igualdad:
x
1
(1, 0, 1) +x
2
(1, 3, 3) +x
3
(1, 3, 0) = (0, 0, 0)
_
_
1 1 1
0 3 3
1 3 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
3.4. COMBINACIN LINEAL 79
para calcular las soluciones llevamos la matriz aumentado a su forma escalonada:
_
_
1 1 1 : 0
0 3 3 : 0
1 3 0 : 0
_
_
F
31(1)
_
_
1 1 1 : 0
0 3 3 : 0
0 2 1 : 0
_
_
F
32(2/3)
_
_
1 1 1 : 0
0 3 3 : 0
0 0 1 : 0
_
_
claramente las soluciones son, x
1
= x
2
= x
3
= 0, por tanto el sistema es LI.
1. Sea V = (x, y) : x, y R . Mostrar que V no es espacio vectorial con respecto a las
siguientes operaciones.
(a) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, kb)
(b) (a, b) + (c, d) = (a, b) y k (a, b) = (k
2
a, k
2
b)
(c) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, 0)
2. Determinar si W es o no un subespacio vectorial de R
3
donde:
(a) W = (a, b, c) : c = 5a . Sol. si
(b) W = (a, b, c) : a < b < c . Sol. no
(c) W = (a, b, c) : ab = 0 . Sol. no
(d) W = (a, b, c) : a = b = c . Sol. si
(e) W = (a, b, c) : a = b
2
. Sol. no
(f) W = (a, b, c) : k
1
a +k
2
b +k
3
c = 0 . Sol. si
(g) W = (a, b, c) : c = a +b . Sol. si
3. En M
n,n
, el espacio vectorial de matrices cuadradas n n, mostrar que W es un subes-
pacio de M
n,n
si:
(a) W = A M
n,n
: A
t
= A
(b) W = A M
n,n
: A es triangular
(c) W = A M
n,n
: A es diagonal
(d) W = A M
n,n
: A es escalar
4. En M
n,n
, el espacio vectorial de matrices cuadradas n n, determinar si W es o no un
subespacio de M
n,n
, donde W es:
(a) el conjunto de todas las matrices invertibles,
(b) el conjunto de todas las matrices no invertibles
(c) el conjunto de todas la matrices A que conmutan con una matriz ja B.
(d) el conjunto de todas la matrices A tal que A
2
= A.
(e) el conjunto de todas las matrices antisimtricas (las matrices A tales que A
t
= A)
5. Mostrar que los siguientes conjuntos son espacios vectoriales con las operaciones usuales
de funciones y ternas es R
3
..
(a) El conjunto de polinomios T
n
= a
0
+a
1
t + a
n
t
n
: a
j
R, j = 0, 1, n
(b) El conjunto
L =
_
_
_
_
_
x
y
z
_
_
R
3
: 2x 5y + 7z = 0 y x +y +z = 0
_
_
_
6. Mostrar que los siguientes conjuntos no son espacios vectoriales, (las operaciones son
las usuales)
(a)
L
1
=
_
_
_
_
_
x
y
z
_
_
R
3
: x +y +z = 2
_
_
_
(b)
L
2
=
_
_
_
_
_
x
y
z
_
_
R
3
: x
2
+y
2
+z
2
= 1
_
_
_
(c)
__
x y
z 1
_
M
2,2
: x, y, z R
_
(d)
T
2
=
_
a
0
+a
1
t +a
2
t
2
: a
0,
a
1
, a
2
R
+
_
7. Considere: u
1
= (2, 1, 2) , u
2
= (1, 1, 1) , u
3
= (3, 0, 1) y S = u
1
, u
2
, u
3
determi-
nar si los siguientes vectores estn o no en LIN(S) .
(a) (2, 2, 2) . Sol. si
(b) (1, 2, 1) . Sol. no
8. Escribir D como combinacin lineal de
A =
_
1 1
0 1
_
, B =
_
0 1
1 1
_
, C =
_
1 0
1 1
_
3.5. BASE Y DIMENSIN 81
(a) D =
_
2 0
0 2
_
. Sol. no se puede escribir
(b) D =
_
2 0
0 1
_
. Sol. D = A B +C
9. En R
3
se considera S = (1, 1, 1) , (0, 1, 1) , (1, 1, 1) mostra que R
3
= LIN(S) .
10. En M
2,2
se considera el conjunto:
S =
__
1 1
0 1
_
,
_
0 1
1 1
_
,
_
1 0
1 1
__
mostrar que LIN(S) ,= M
2,2
. (ver ejercicio 8)
11. Probar que para cualesquiera vectores u, v, w, los vectores u v, v w, w u son LD.
12. Mostrar que cualquier conjunto que contiene el vector 0 es LD.
13. Mostrar que cualquier subconjunto de un conjunto LI. es LI.
14. Demostrar:
(a) Que 3 vectores en R
2
son LD.
(b) Que n + 1 vectores en R
n
son LD.
(Sug. Para probar la primera parte tome tres vectores y considere los casos en que dos
vectores son LD y LI.).
15. Considere el espacio W generado por los vectores (2, 1, 1, 2) y (1, 0, 1, 1) . Determinar
valores de a y b tales que
(a) (a, 2a +b, 0, a b) W. Sol. b = 0, a R
(b) (a, b, a +b, a) W . Sol. a, b R
3.5 Base y Dimensin
Denicin 3.4 (Base) Sea V un espacio vectorial , sea B = v
1
, v
2
, . . . , v
n
V. Diremos
que B es una base si:
(i) B es LI.
(ii) LIN(B) = V,
es decir, un conjunto es una base si es linealmente independiente y genera todo es
espacio V.
Observacin 1. Ntese que para comprobar si B es o no LI, se debe plantear la ecuacin:
x
1
v
1
+x
2
v
2
+ +x
n
v
n
= 0, (i)
el conjunto B es LI si la nica solucin es x
1
= x
2
= = x
n
= 0.
Observacin 2. Para comprobar si B genera o V (LIN(B) = V ), se debe plantear la
ecuacin:
x
1
v
1
+x
2
v
2
+ +x
n
v
n
= v, (ii)
donde v V es un vector arbitrario. Si este sistema tiene soluciones entonces B genera V,
es decir LIN(B) = V, ms an solo es necesario demostrar que V LIN(B) , pues la otra
inclusin es obvia.
Observacin 3. En la prctica se parte de la ecuacin (ii) pues (i) es un caso particular
de (ii) con v = 0.
Denicin 3.5 (Dimensin) La dimensin de un espacio vectorial es el nmero de elementos
que tiene su base. Si una base de un espacio vectorial V es n, escribiremos dim(V ) = n.
Ejemplo 3.11 Considere el espacio vectorial R
2
. Determinar si el conjunto
B =
__
1
1
_
,
_
2
1
__
es o no una base.
Solucin. Sea v =
_
a
b
_
un vector arbitrario de R
2
. Considere la ecuacin:
x
1
_
1
1
_
+x
2
_
2
1
_
=
_
a
b
_
esto da:
_
1 2
1 1
__
x
1
x
2
_
=
_
a
b
_
_
1 2 : a
1 1 : b
_
F
21(1)
_
1 2 : a
0 1 : a + b
_
es claro que el rango de la matriz de coecientes es igual al rango de la matriz aumentada e
igual al nmero de incgnitas, por tanto llegamos a las siguientes conclusiones.
Dependencia lineal: Puesto que:
rango (matriz de coecientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x
1
= x
2
= 0, por tanto
el conjunto B es LI.
3.5. BASE Y DIMENSIN 83
Generador: Puesto que para todo valor de a, b se tiene:
rango (matriz de coecientes) = rango (Matriz ampliada)
el sistema tiene soluciones, por tanto
_
a
b
_
LIN(B) , esto es R
2
LIN(B) , de esto
se sigue que R
2
= LIN(B) , es decir B genera R
2
.
De lo anterior se concluye que B es una base de R
2
. Note que la dimensin de R
2
es 2.
Ejemplo 3.12 Determinar si el siguiente conjunto es o no una base de R
3
.
B =
_
_
_
_
_
1
1
1
_
_
,
_
_
2
1
1
_
_
_
_
_
Solucin. Sea v =
_
_
a
b
c
_
_
, un vector arbitrario de R
3
, resolvamos el sistema
_
_
1 2
1 1
1 1
_
_
_
x
1
x
2
_
=
_
_
a
b
c
_
_
_
_
1 2 : a
1 1 : b
1 1 : c
_
_
F
21(1)
F
31(1)
_
_
1 2 : a
0 1 : a +b
0 1 : a +c
_
_
F
32(1)
_
_
1 2 : a
0 1 : a +b
0 0 : b +c
_
_
a partir de este resultado llegamos a las siguientes conclusiones:
Dependencia lineal: De la ltima matriz encontrada se tiene:
rango (Matriz de coecientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x
1
= x
2
= 0, por tanto
el conjunto B es LI.
Generador: Ntese que si b +c ,= 0 se tiene:
rango (matriz de coecientes) ,= rango (Matriz ampliada)
esto muestra, que en los casos b +c ,= 0, el sistema no tiene solucin, por tanto
_
_
a
b
c
_
_
no necesariamente pertenece a LIN(B) , luego B no genera R
3
.
De lo anterior se concluye que B no puede ser una base de R
3
.
Ejemplo 3.13 (La base cannica de R
n
) En el espacio vectorial R
n
se toman los vectores e
i
que tienen la siguiente propiedad: tienen la unidad en la i esima componente y ceros en las
dems, es inmediato probar que el conjunto:
B = e
1
, e
2
, . . . , e
n
forman una base de R

n
, as R
n
tiene dimensin n. Si n = 4, el conjunto base (base cannica)
es:
B = e
1
, e
2
, e
3
, e
4
donde: e
1
=
_
_
_
_
1
0
0
0
_
_
_
_
, e
2
=
_
_
_
_
0
1
0
0
_
_
_
_
, e
3
=
_
_
_
_
0
0
1
0
_
_
_
_
.e
4
=
_
_
_
_
0
0
0
1
_
_
_
_
1. Complete la frase referente a la dependencia lineal:
(a) Un conjunto que contiene el cero es ...................
(b) Un conjunto que contiene un nico vector no nulo es ....................
(c) Si w =
2u
3v, entonces el conjunto u, v, w es ...................

2. Determinar si
B =
_
_
_
_
_
1
1
1
_
_
,
_
_
1
2
0
_
_
_
_
_
es o no una base de R
3
.
3. Determinar la dimensin y la base de los siguientes subespacios de R
4
.
(a) Los vectores de la forma (a, b, 0, d) . Sol. 3
(b) Los vectores de la forma (a, b, c, d ) , tal que d = a +b, c = a b. Sol. 2
(c) Los vectores de la forma (a, b, c, d ) , tal que a = b = c. Sol. 2
4. Determine una base para (x
1
, x
2
, x
3
, x
4
, x
5
) R
5
: x
1
= 2x
3
y x
2
= 4x
5
.
5. Encontrar un vector de la base cannica en R
3
que se pueda agregar al conjunto
C =
_
_
_
v
1
=
_
_
1
2
3
_
_
, v
2
=
_
_
1
2
2
_
_
_
_
_
de manera que sea una base de R
3
. Sol. e
1
o e
2
. (Sug. el vector no debe estar en
LIN(C)).
3.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO 85
6. Pruebe que si B = v
1
, v
2
, v
3
son una base de un espacio vectorial V , entonces el
conjunto B
= v
1
v
2
, v
2
v
3
, v
3
sigue siendo una base de V. que puede decir
acerca del conjunto v
1
v
2
, v
2
v
3
, v
3
v
1
?
7. Suponga que v
1
, v
2
, v
3
es linealmente independiente en V y w V. Pruebe que si
v
1
+w, v
2
+w, v
3
+w es linealmente dependiente, entonces w LIN (v
1
, v
2
, v
3
)
8. Sea W el conjunto de todos los polinomios P (x) de grado menor o igual a 3 tales que
P (1) = P
(1) = 0, aqu P
(x) es la derivada de P (x) . Hallar una base de W. Sol.

B = x
3
3x + 2, x
2
2x + 1 , (Otra base es B =
_
x (x 1)
2
, (x 1)
2
_
)
3.6 Espacio la, espacio columna y espacio nulo
Sea A M
m,n
, las las de A consideradas como vectores la de R
n
forman un subespacio
de R
n
, llamado espacio la de la matriz A. Las columnas de A consideradas como vectores
columna de R
m
forman un subespacio de R
m
, llamado espacio columna de la matriz A.
El conjunto de soluciones del sistema homogneo Ax = 0, forman un subespacio llamado el
espacio nulo de A.
Los espacios la y nulo, cambian con operaciones elementales de la?
NO, las operaciones elementales no cambian estos espacios.
Y el espacio columna?
SI, las operaciones elementales pueden cambiar el espacio columna.
Cmo se encuentra una base para el espacio la?
Para determinar una base del espacio la de una matriz A M
m,n
, se procede a llevar sta
matriz a su forma escalonada, los vectores no nulos forman la base del espacio la.
Cmo se encuentra una base para el espacio columna?
Para determinar una base del espacio columna de una matriz A M
m,n
, se procede a llevar
esta matriz a su forma escalonada, sea j la columna donde aparece un elemento distinguido,
entonces, la j esima columna de A (no de la matriz escalonada) es un vector base del
espacio columna.
Ejemplo 3.14 Determinar la base del espacio la y columna de
A =
_
_
1 1 0 1 0
2 1 1 0 1
1 0 1 1 1
_
_
Solucin. Se lleva la matriz a la forma escalonada mediante operaciones elementales de
la.
A =
_
_
1 1 0 1 0
2 1 1 0 1
1 0 1 1 1
_
_
F
21(2)
F
31(1)
_
_
1 1 0 1 0
0 1 1 2 1
0 1 1 2 1
_
_
F
32(1)
_
_
1 1 0 1 0
0 1 1 2 1
0 0 0 0 0
_
_
Determinacin de la base del espacio la: Est formada por las las no nulas de la
matriz escalonada. esto es, la base es:
__
1 1 0 1 0
_
,
_
0 1 1 2 1
__
Determinacin de la base del espacio columna. los elementos distinguidos en la
matriz escalonada aparecen en las columnas 1 y 2, por tanto las columnas 1 y 2 de la matriz
A son la base del espacio columna, es decir, la base es:
_
_
_
_
_
1
2
1
_
_
,
_
_
1
1
0
_
_
_
_
_
Cmo determinar una base del espacio nulo?
Una base del espacio nulo de una matriz A M
m,n
, se encuentra directamente de las soluciones
que se encuentran.
Ejemplo 3.15 Determinar la base del espacio nulo de:
_
_
1 1 0 1 0
2 1 1 0 1
1 0 1 1 1
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
=
_
_
0
0
0
_
_
Solucin. Llevando la matriz de coecientes a su forma escalonada se encuentra:
A =
_
_
1 1 0 1 0 : 0
2 1 1 0 1 : 0
1 0 1 1 1 : 0
_
_
F
21(2)
F
31(1)
_
_
1 1 0 1 0 : 0
0 1 1 2 1 : 0
0 1 1 2 1 : 0
_
_
F
32(1)
_
_
1 1 0 1 0 : 0
0 1 1 2 1 : 0
0 0 0 0 0 : 0
_
_
las variables libres son x
3
, x
4
y x
5
. Sean
x
3
= t
x
4
= s
x
5
= r
3.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO 87
con esto, es sistema homogneo queda como:
_
1 1 : s
0 1 : t + 2s r
_
de donde se encuentra:
x
1
= t +s r
x
2
= t + 2s r
as, la solucin del sistema homogneo es:
x =
_
_
_
_
_
_
t +s r
t + 2s r
t
s
r
_
_
_
_
_
_
= t
_
_
_
_
_
_
1
1
1
0
0
_
_
_
_
_
_
+s
_
_
_
_
_
_
1
2
0
1
0
_
_
_
_
_
_
+r
_
_
_
_
_
_
1
1
0
0
1
_
_
_
_
_
_
as una base del espacio nulo:
_
_
_
_
_
_
_
_
1
1
1
0
0
_
_
_
_
_
_
,
_
_
_
_
_
_
1
2
0
1
0
_
_
_
_
_
_
,
_
_
_
_
_
_
1
1
0
0
1
_
_
_
_
_
_
_
_
Determinar bases para el espacio la, columna y nulo de:
1.
A =
_
_
1 0 1
0 2 1
1 1 1
_
_
Sol.
__
1 0 1
_
,
_
0 2 1
_
,
_
0 0 1
__
,
_
_
_
_
_
1
0
1
_
_
,
_
_
0
2
1
_
_
,
_
_
1
1
1
_
_
_
_
_
,
_
_
_
0
0
0
_
_
_
2.
B =
_
_
1 2 1 1
2 4 0 2
1 2 1 1
_
_
Sol.
__
1 2 1 1
_
,
_
0 0 2 0
__
,
_
_
_
_
_
1
2
1
_
_
,
_
_
1
0
1
_
_
_
_
_
,
_
_
_
_
_
_
2
1
0
0
_
_
_
_
,
_
_
_
_
1
0
0
1
_
_
_
_
_
_
3.
C =
_
_
_
_
_
_
0 1 2
1 2 1
1 3 3
2 5 4
1 1 1
_
_
_
_
_
_
Sol.
__
1 2 1
_
,
_
0 1 2
__
,
_
_
_
_
_
_
_
_
0
1
1
2
1
_
_
_
_
_
_
,
_
_
_
_
_
_
1
2
3
5
1
_
_
_
_
_
_
_
_
,
_
_
_
_
_
3
2
1
_
_
_
_
_
Captulo 4
Espacios producto interno
En este captulo, con el objeto de dar una estructura mtrica (la posibilidad de medir) a un
espacio vectorial se dene el concepto de producto interno. Con esta denicin es posible
denir el concepto de norma (medida) de un vector, ms an esta denicin permite denir
la ortogonalidad entre vectores de un espacio vectorial.
4.1 La denicin de espacio producto interno
Sea V un espacio vectorial, considrese la funcin
u, v : V V R,
es decir, a un par u, v V se asigna un nmero real. La funcin , se llama producto
interno, siempre que se cumplan las siguientes propiedades: Para todo u, v, w V y todo
k R.
P
1
: u, v = v, u , Simetra.
P
2
: u, v +w = u, v +u, w , Distributividad.
P
3
: ku, v = k u, v , Homogeneidad.
P
4
: u, u 0, , No negatividad.
P
5
: u, u = 0 si y solamente si u = 0.
4.1.1 Ejemplos de productos internos
El producto interior euclidiano
En R
n
se dene
u, v = u
t
v
este producto as denido es un producto interno, en efecto:
P
1
: u, v = u
t
v = v
t
u = v, u ,
89
90 CAPTULO 4. ESPACIOS PRODUCTO INTERNO
P
2
: u, v +w = u
t
(v +w) = u
t
v +u
t
w = u, v +u, w ,
P
3
: ku, v = (ku)
t
v = k (u
t
v) = k u, v ,
P
4
: u, u = u
t
u = u
2
1
+u
2
2
+ +u
2
n
0, aqu u =
_
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
_
P
5
:Si u, u = 0, entonces u
2
1
+u
2
2
+ +u
2
n
= 0, de donde cada u
i
= 0, esto es, u = 0, el
recproco es trivialmente cierto.
El producto interior euclidiano, se llamar tambin producto interno usual de R
n
, es usual
emplear la notacin u v, en lugar de u, v .
Producto interno asociado a una matriz
Considere el producto interno euclidiano en R
n
y A M
n,n
una matriz invertible, entonces
el producto en R
n
denido por:
u, v = Au Av
es un producto interno en R
n
. Ntese que u, v = u
t
(A
t
A) v
A =
_
3 1
2 1
_
a esta matriz se asocia el producto interno:
__
u
1
u
2
_
,
_
v
1
v
2
__
=
_
u
1
u
2
_
_
3 1
2 1
_
t
_
3 1
2 1
__
v
1
v
2
_
=
_
u
1
u
2
_
_
13 5
5 2
__
v
1
v
2
_
= 13u
1
v
1
+ 5u
1
v
2
+ 5u
2
v
1
+ 2u
2
v
2
.
4.1.2 Propiedades del producto interno
Teorema 4.1 Si u, v es un producto interno, entonces:
(i) 0, v = v, 0 = 0
(ii) u, kv = k u, v {vlido slo en en caso real}
(ii) u +v, w = u, w +v, w .
4.2 La norma de un vector
Denicin 4.2 (norma) Sea V un espacio producto interno, la norma (o longitud) de un
vector v V est denido por:
|v| =
_
v, v
donde , , es el producto interno denido en V.
4.3. ORTOGONALIDAD 91
Ejemplo 4.2 En el espacio vectorial R
n
, con u, v = u
t
v, la norma inducida por este pro-
ducto interno es:
|v| =
v
t
v =
_
v
2
1
+v
2
2
+ +v
2
n
Denicin 4.3 (distancia) La distancia entre dos vectores de un espacio vectorial V est
denido por:
d (u, v) = |v u| ,
donde || es la norma inducida por el producto interno denido en V.
4.3 Ortogonalidad
4.3.1 Vectores ortogonales
Denicin 4.4 (Vectores ortogonales) Dos vectores u, v en un espacio vectorial producto
interno se dirn ortogonales si
u, v = 0,
donde , , es el producto interno denido en V.
Ejemplo 4.3 En R
3
considrese el producto interno usual, sean
u =
_
_
2
1
3
_
_
, v =
_
_
2
1
2
_
_
, w =
_
_
1
10
4
_
_
w es ortogonal a u y a v, por otra parte u y v no son ortogonales, en efecto:
w, u = (1, 10, 4)
_
_
2
1
3
_
_
= 2 10 + 12 = 0
w, v = (1, 10, 4)
_
_
2
1
2
_
_
= 2 10 + 8 = 0
u, v = (2, 1, 3)
_
_
2
1
2
_
_
= 4 + 1 + 6 = 3 ,= 0.
4.3.2 Conjuntos ortogonales
Sea V un espacio vectorial producto interno, un conjunto B = v
1
, v
2
, . . . , v
n
V, es orto-
gonal si v
i
, v
j
= 0 para todo i ,= j.
Ejemplo 4.4 En R
2
con el producto interior usual el siguiente conjunto es ortogonal
__
3
4
_
,
_
4
3
__
Ejemplo 4.5 En R
3
con el producto interior usual el siguiente conjunto es ortogonal
_
_
_
_
_
0
1
0
_
_
,
_
_
1
0
1
_
_
,
_
_
1
0
1
_
_
_
_
_
4.3.3 Bases ortogonales y ortonormales
Sea V un espacio vectorial producto interno, un conjunto B = v
1
, v
2
, . . . , v
n
V, es orto-
normal si v
i
, v
j
= 0 para todo i ,= j y v
i
, v
i
= 1 para todo i.
Ejemplo 4.6 En R
2
con el producto interior usual el siguiente conjunto es ortonormal
__
3
5
4
5
_
,
_

4
5
3
5
__
Ejemplo 4.7 En R
3
con el producto interior usual el siguiente conjunto es ortonormal.
_
_
_
_
0
1
0
_
_
,
_
_
_
_
1
2
0
2
_
_
_
_
,
_
_
_
_
1
2
0
1
2
_
_
_
_
_
_
1. Considere el producto interno
u, v = 5v
1
u
1
+ 2v
1
u
2
+ 2v
2
u
1
+ 4v
2
u
2
pruebe que este producto interno est generado por la matriz A =
_
2 0
1 2
_
2. Cul es la matriz que genera el producto interno u, v = 4v
1
u
1
+ 16v
2
u
2
?
3. Trazar la circunferencia unitaria (|u| = 1), en R
2
usando el producto interior dado:
(a) u, v =
1
4
u
1
v
1
+
1
16
u
2
v
2
(b) u, v = 2u
1
v
1
+u
2
v
2
4. Encontrar el producto interior generado por una matriz y el producto interior euclidiano
en R
2
para que la circunferencia unitaria sea la elipse
x
2
a
2
+
y
2
b
2
= 1.
5. Probar:
|u +v|
2
+|u v|
2
= 2
_
|u|
2
+|v|
2
_
para cualquier espacio vectorial producto interno.
6. Probar:
u, v =
1
4
|u +v|
2
1
4
|u v|
2
en cualquier espacio vectorial producto interno.
4.4. PROCESO DE GRAM SCHMIDT 93
4.4 Proceso de Gram Schmidt
4.4.1 La proyeccin ortogonal
Motivacin. Consideremos el siguiente problema:
Sean dados dos vectores u y v de algn espacio vectorial,
construir un tringulo rectngulo de hipotenusa v y base
paralela al vector u.
Solucin. La respuesta se motiva en el siguiente grco:
u
v
c u
u c v
la altura del tringulo debe ser de la forma vcu, donde c es una constante. Por las condiciones
del problema, debemos tener:
v cu, u = 0
de donde se obtiene:
c =
v, u
|u|
2
.
por tanto es tringulo rectngulo est formado por:
Base:
v, u
|u|
2
u,
Altura: v
v, u
|u|
2
u,
Hipotenusa: v.
Denicin 4.5 (Proyeccin ortogonal). La proyeccin ortogonal del vector v sobre el
vector u est dador por:
proy
u
v =
v, u
|u|
2
u.
Observacin. Ntese que dado el conjunto u, v hemos construido el conjunto
_
u, v
v, u
|u|
2
u
_
que es ortogonal, ms an
LIN u, v = LIN
_
u, v
v, u
|u|
2
u
_
4.4.2 La construccin de un conjunto ortogonal de tres vectores
Si consideramos el conjunto v
1
, v
2
, v
3
es claro que si w
1
= v
1
y w
2
= v
2
v
2
, w
1
|w
1
|
2
w
1
entonces
el conjunto w
1
, w
2
es ortogonal. Denamos
w
3
= v
3
cw
1
kw
2
, c, k nmeros,
si exigimos que w
3
debe ser ortogonal a w
1
y w
2
debemos tener:
w
3
, w
1
= 0 y w
3
, w
2
= 0,
esto lleva a:
v
3
, w
1
c |w
1
|
2
= 0
v
3
, w
2
k |w
2
|
2
= 0
de donde:
c =
v
3
, w
1
|w
1
|
2
k =
v
3
, w
2
|w
2
|
2
,
por tanto:
w
3
= v
3
v
3
, w
1
|w
1
|
2
w
1
v
3
, w
2
|w
2
|
2
w
2
luego el conjunto w
1
, w
2
, w
3
es ortogonal. Esto puede continuarse con ms vectores, origi-
nando el proceso de Gram Schmidt, que se describe en la siguiente seccin.
4.4.3 El proceso de Gram Schmidt
Considere un conjunto B = v
1
, v
2
, . . . , v
n
base de un espacio vectorial V. El siguiente proceso
permite construir una base ortogonal.
w
1
= v
1
w
2
= v
2
v
2
, w
1
|w
1
|
2
w
1
w
3
= v
3
v
3
, w
1
|w
1
|
2
w
1
v
3
, w
2
|w
2
|
2
w
2
en general:
w
i
= v
i
v
i
, w
1
|w
1
|
2
w
1
v
i
, w
2
|w
2
|
2
w
2

v
i
, w
i1
|w
i1
|
2
w
i1
,
para i = 2, 3, . . . , n. Es un ejercicio simple probar que el conjunto C = w
1
, w
2
, . . . , w
n
es
una base ortogonal del espacio vectorial V , ms an el conjunto
D =
_
w
1
|w
1
|
,
w
2
|w
2
|
, . . . ,
w
n
|w
n
|
_
,
es una base ortonormal.
Ejemplo 4.8 Considere la siguiente base de R
3
B =
_
_
_
v
1
=
_
_
1
0
1
_
_
, v
2
=
_
_
0
1
1
_
_
, v
3
=
_
_
0
0
1
_
_
_
_
_
,
empleando las frmulas anteriores, se encuentra:
Clculo de w
1
:
w
1
= v
1
=
_
_
1
0
1
_
_
,
Clculo de w
2
:
w
2
= v
2
v
2
, w
1
|w
1
|
2
w
1
,
v
2
, w
1
= (0, 1, 1)
_
_
1
0
1
_
_
= 1, |w
1
|
2
= 2, luego:
w
2
=
_
_
0
1
1
_
_
_
1
2
_
_
_
1
0
1
_
_
=
_
_
1
2
1
1
2
_
_
Clculo de w
3
:
w
3
= v
3
v
3
, w
1
|w
1
|
2
w
1
v
3
, w
2
|w
2
|
2
w
2
v
3
, w
1
= (0, 0, 1)
_
_
1
0
1
_
_
= 1, |w
1
|
2
= 2
v
3
, w
2
= (0, 0, 1)
_
_
1
2
1
1
2
_
_
=
1
2
, |w
2
|
2
=
3
2
, luego
w
3
=
_
_
0
0
1
_
_
1
2
_
_
1
0
1
_
_

1
2
3
2
_
_
1
2
1
1
2
_
_
=
_
_

1
3
1
3
1
3
_
_
De lo anterior se deduce que
C =
_
_
_
w
1
=
_
_
1
0
1
_
_
, w
2
=
_
_
1
2
1
1
2
_
_
, w
3
=
_
_

1
3
1
3
1
3
_
_
_
_
_
es una base ortogonal, la base ortonormal es
D =
_
_
_
1
2
_
_
1
0
1
_
_
,
_
2
3
_
_
1
2
1
1
2
_
_
,
3
_
_

1
3
1
3
1
3
_
_
_
_
_
Ejemplo 4.9 Considere la base en R
4
B =
_
_
v
1
=
_
_
_
_
1
0
1
1
_
_
_
_
, v
2
=
_
_
_
_
1
1
1
1
_
_
_
_
, v
3
=
_
_
_
_
1
1
0
0
_
_
_
_
, v
4
=
_
_
_
_
1
0
1
1
_
_
_
_
_
_
Clculo de w
1
:
w
1
=
_
_
_
_
1
0
1
1
_
_
_
_
,
Clculo de w
2
:
w
2
= v
2
v
2
, w
1
|w
1
|
2
w
1
=
_
_
_
_
1
1
1
1
_
_
_
_
3
3
_
_
_
_
1
0
1
1
_
_
_
_
=
_
_
_
_
0
1
0
0
_
_
_
_
Clculo de w
3
:
w
3
= v
3
v
3
, w
1
|w
1
|
2
w
1
v
3
, w
2
|w
2
|
2
w
2
=
_
_
_
_
1
1
0
0
_
_
_
_
1
3
_
_
_
_
1
0
1
1
_
_
_
_
1
1
_
_
_
_
0
1
0
0
_
_
_
_
=
_
_
_
_
2
3
0
1
3
1
3
_
_
_
_
Clculo de w
4
:
w
4
= v
4
v
4
, w
1
|w
1
|
2
w
1
v
4
, w
2
|w
2
|
2
w
2
v
4
, w
3
|w
3
|
2
w
3
=
_
_
_
_
1
0
1
1
_
_
_
_
1
3
_
_
_
_
1
0
1
1
_
_
_
_
0
1
_
_
_
_
0
1
0
0
_
_
_
_
2
3
6
9
_
_
_
_
2
3
0
1
3
1
3
_
_
_
_
=
_
_
_
_
0
0
1
1
_
_
_
_
De los anterior la base ortogonal es
C =
_
_
_
_
_
_
1
0
1
1
_
_
_
_
,
_
_
_
_
0
1
0
0
_
_
_
_
,
_
_
_
_
2
3
0
1
3
1
3
_
_
_
_
,
_
_
_
_
0
0
1
1
_
_
_
_
_
_
y la base ortonormal:
D =
_
_
1
3
_
_
_
_
1
0
1
1
_
_
_
_
,
_
_
_
_
0
1
0
0
_
_
_
_
,
3
6
_
_
_
_
2
3
0
1
3
1
3
_
_
_
_
,
1
2
_
_
_
_
0
0
1
1
_
_
_
_
_
_
1. Probar que tres vectores contruidos con el mtodo de Gram Schmidt son efectivamente
ortogonales.
Determinar la base ortogonal y ortonormal a partir de las siguientes bases:
2.
B =
_
_
_
_
_
1
1
1
_
_
,
_
_
1
2
1
_
_
,
_
_
1
2
3
_
_
_
_
_
Sol. Base ortogonal:
_
_
_
_
_
1
1
1
_
_
,
_
_
1
2
1
_
_
,
_
_
1
0
1
_
_
_
_
_
3.
B =
_
_
_
_
_
1
1
1
_
_
,
_
_
0
1
1
_
_
,
_
_
0
0
1
_
_
_
_
_
Sol. Base ortogonal, debe calcular la base ortonormal.
_
_
_
_
_
1
1
1
_
_
,
_
_
2/3
1/3
1/3
_
_
,
_
_
0
1/2
1/2
_
_
_
_
_
4.
B =
_
_
_
_
_
1
1
1
_
_
,
_
_
1
1
0
_
_
,
_
_
1
2
1
_
_
_
_
_
_
_
_
_
_
1
1
1
_
_
,
_
_

1
3
1
3
2
3
_
_
,
_
_
3
2
3
2
0
_
_
_
_
_
5.
B =
_
_
_
_
_
1
0
0
_
_
,
_
_
3
7
2
_
_
,
_
_
1
2
7
_
_
_
_
_
_
_
_
_
_
1
0
0
_
_
,
_
_
0
7
2
_
_
,
_
_
0
2
7
_
_
_
_
_
Captulo 5
Autovalores y autovectores
En este captulo se estudia el concepto de autovalor y autovector, se enuncian sus propiedades
y teoremas relativos a este concepto. Se emplea este concepto para diagonalizar una matriz,
esto tiene muchas aplicaciones en ingeniera y otras ciencias.
5.1 La denicin de autovalor y autovector
Denicin 5.1 (Autovalor y autovector) Sea A M
n,n
. Un vector no nulo v y un nmero
sern llamados autovector y autovalor asociados respectivamente si
Av = v
Ejemplo 5.1 Un autovalor y su respectivo autovector de
A =
_
4 5
5 4
_
son = 9 y v =
_
1
1
_
, ntese que
Av =
_
4 5
5 4
__
1
1
_
= 9
_
1
1
_
= v
5.2 Clculo de autovalores y autovectores
5.2.1 Clculo de autovalores
De la ecuacin Av = v se tiene el siguiente sistema homogneo:
(AI) v = 0 (5.1)
donde 0 es el vector nulo en R
n
e I la matriz identidad en M
n,n
. Para el clculo de autovalores
analizamos el anterior sistema. Se tienen dos casos a discutir.
99
100 CAPTULO 5. AUTOVALORES Y AUTOVECTORES
Solucin nica El sistema 5.1 tiene soluciones (pues es homogneo), este sistema homo-
gneo tendr solucin nica si y solamente si el determinante de la matriz de coecientes
es distinto de cero, es decir, [AI[ , = 0, en este caso la solucin es v = 0, esta solucin
no nos interesa pues un autovector, por denicin, no puede ser el vector nulo.
Innitas soluciones De acuerdo a lo anterior, el sistema 5.1 tendr innitas soluciones si
y solamente si [A I[ = 0, as las soluciones de [AI[ = 0 son los autovalores de la
matriz A.
Resumimos lo anterior en el siguiente teorema.
Teorema 5.2 Los autovalores de una matriz A son las races de la ecuacin
[A I[ = 0
Denicin 5.3 (Polinomio y ecuacin caracterstica) El polinomio de grado n, p () =
[AI[ se llama polinomio caracterstico y la ecuacin [A I[ = 0 se llama ecuacin
caracterstica.
Es claro que los autovalores son las races del polinomio caracterstico.
A =
_
4 5
5 4
_
El polinomio caracterstico es:
[AI[ =
4 5
5 4
=
2
+ 8 9
luego la ecuacin caracterstica es:
2
+ 8 9 = 0
cuyas races son:
1
= 9
2
= 1
por tanto
1
= 9 y
2
= 1 son los autovalores de A.
5.2. CLCULO DE AUTOVALORES Y AUTOVECTORES 101
Los autovalores tienen que ser reales?
Los autovalores pueden ser nmeros complejos, como en el siguiente ejemplo.
Ejemplo 5.3
B =
_
1 4
4 1
_
Calculando el polinomio caracterstico se encuentra:
[B I[ =
2
2 + 17
luego la ecuacin caracterstica es:
2
2+17 = 0, de donde se encuentra que los autovalores
son:
1
= 1 + 4i
2
= 1 + 4i
Es siempre fcil calcular autovalores con el polinomio caracterstico?
No, en realidad no es un problema simple, principalmente por dos razones:
Para calcular el polinomio caracterstico, se debe encontrar el determinante de una
matriz, el clculo de este determinante requiere de por lo menos n! productos, por
ejemplo para calcular el determinante de una matriz en M
25,25
se requieren 25! = 1. 55
10
25
productos. Un supercomputador con una velocidad de clculo 3.210
9
operaciones
por segundo tardara:
(25! op)
_
1
3.2 10
9
seg
op
__
1hora
3600seg
__
1dia
24horas
__
1a no
365dias
__
1mill onaos
10
6
aos
_
= 153. 71
millones de aos.
An si se hubiese calculado el polinomio caracterstico, se deben calcular las races del
polinomio, este problema tampoco es tan simple.
Existen algoritmos ecientes para calcular autovalores?
Si, en la actualidad existen poderosos mtodos como los algoritmos de descomposicin LR
y QR, el mtodo de la potencia, deacin. Estos se estudian en materias como Mtodos
numricos.
Y entonces para que se estudia sta parte en lgebra Lineal?
El marco terico, que se estudia permite comprender muchos resultados como veremos luego
en las siguientes secciones.
5.2.2 Clculo de autovectores
Si es un autovalor de A M
n,n
, es claro que es solucin de la ecuacin caracterstica
[AI[ = 0. Considrese el sistema
(A I) x = 0
este sistema homogneo debe tener innitas soluciones (pues [AI[ = 0). Como se sabe, la
solucin del anterior sistema homogneo es un subespacio de R
n
; cada vector base de este
subespacio es un autovector asociado al autovalor .
Ejemplo 5.4 Determinar los autovalores y los autovectores asociados de la matriz
A =
_
_
2 1 3
1 2 1
3 1 2
_
_
Solucin. El polinomio caracterstico es
P () =
3
2
2
15
luego la ecuacin caracterstica es
3
2
2
15 = 0,
sus races son:
1
= 0
2
= 3
3
= 5
Determinamos ahora los autovectores asociados:
= 0. Se resuelve el sistema (A 0I) x = 0, es decir,
_
_
2 1 3
1 2 1
3 1 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Resolvemos este sistema con el algoritmo de Gauss:
_
_
2 1 3
1 2 1
3 1 2
_
_
F
12
_
_
1 2 1
2 1 3
3 1 2
_
_
F
21(2)
F
31(3)
_
_
1 2 1
0 5 5
0 5 5
_
_
F
32(1)
_
_
1 2 1
0 5 5
0 0 0
_
_
5.2. CLCULO DE AUTOVALORES Y AUTOVECTORES 103
la variable libre es x
3
, asignando x
3
= t, se tiene:
x
2
= x
3
= t
x
1
= 2x
2
+x
3
= t
por tanto es subespacio solucin asociado al autovalor =
1
= 0 es
W
=0
=
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
, dim(W
=0
) = 1
de este resultado concluimos que el autovector asociado a =
1
= 0 es v
1
=
_
_
1
1
1
_
_
= 3. Se resuelve el sistema (A(3) I) x = 0, es decir,
_
_
2 + 3 1 3
1 2 + 3 1
3 1 2 + 3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
resolviendo:
_
_
5 1 3
1 1 1
3 1 5
_
_
F
12
_
_
1 1 1
5 1 3
3 1 5
_
_
F
21(5)
F
31(3)
_
_
1 1 1
0 4 8
0 4 8
_
_
F
32(1)
_
_
1 1 1
0 4 8
0 0 0
_
_
3
. Sea x
3
= t, entonces:
x
2
= 2x
3
= 2t
x
1
= x
2
+x
3
= t
2
= 3 es
W
=3
=
_
_
_
t
_
_
1
2
1
_
_
: t R
_
_
_
, dim(W
=3
) = 1
2
= 3 es v
2
=
_
_
1
2
1
_
_
= 5. Se resuelve el sistema (A 5I) x = 0, es decir,
_
_
2 5 1 3
1 2 5 1
3 1 2 5
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
resolviendo:
_
_
3 1 3
1 7 1
3 1 3
_
_
F
12
_
_
1 7 1
3 1 3
3 1 3
_
_
F
21(3)
F
31(3)
_
_
1 7 1
0 20 0
0 20 0
_
_
F
32(1)
_
_
1 7 1
0 20 0
0 0 0
_
_
3
. Sea x
3
= t, entonces:
x
2
= 0
x
1
= 7x
2
+x
3
= t
3
= 5 es
W
=5
=
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
, dim(W
=5
) = 1
3
= 5 es v
3
=
_
_
1
0
1
_
_
.
Ejemplo 5.5 Calcular los autovalores y autovectores de:
B =
_
_
3 2 1
0 4 0
1 2 3
_
_
Solucin.
Autovalores. La ecuacin caracterstica es:
3
10
2
+ 32 32 = 0, resolviendo se
encuentra:
1
= 2,
2
=
3
= 4.
Autovectores. Se calculan los autovectores para cada autovalor distinto,
5.3. TEOREMAS RELATIVOS A AUTOVALORES Y AUTOVECTORES 105
= 2. Resolvemos (A2I) x = 0,
_
_
1 2 1
0 2 0
1 2 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
la solucin de este sistema es:
W
=2
=
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
, dim(W
=2
) = 1
= 4. Se calcula la solucin de (A 4I) x = 0,
_
_
1 2 1
0 0 0
1 2 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
la solucin es:
W
=4
=
_
_
_
t
_
_
2
1
0
_
_
+s
_
_
1
0
1
_
_
: t, s R
_
_
_
, dim(W
=4
) = 2
5.3 Teoremas relativos a autovalores y autovectores
5.3.1 Clculo del polinomio caracterstico
Teorema 5.4 Sea A M
n,n
, entonces el polinomio caracterstico es
P () = [I A[
=
n
S
1
n1
+S
2
n2
S
n1
S
n
=
n
k=0
(1)
k
S
k
nk
donde S
k
es la suma de todos los menores principales de orden k. Denimos S
0
= 1. Ntese
que S
n
= [A[ .
5.3.2 Autovalores y rango
Teorema 5.5 Sea A M
n,n
tal que rango (A) < n, entonces A tiene al menos un autovalor
igual a cero.
Demostracin. Por el teorema 5.4 el polinomio caracterstico no tiene trmino indepen-
diente, pues S
n
= [A[ = 0, esto prueba que al menos existe un autovalor igual a cero.
5.3.3 Autovalores e inversa
Teorema 5.6 Sea A una matriz invertible y un autovalor asociado al autovector v, entonces
1
es un autovalor de A
1
asociado a .
Demostracin. Por hiptesis Av = v, puesto que A es invertible v = A
1
(v) , de
donde A
1
v =
1
v, esto prueba el teorema.

Teorema 5.7 Una matriz es invertible si y solamente si sus autovalores son todos distintos
de cero.
5.3.4 Mltiplos escalares de un autovector
Teorema 5.8 Sea v un autovector de una matriz A asociado al autovalor , sea k R y
w = kv, entonces w es un autovector de A.
Demostracin. Aw = A(kv) = k (Av) = k (v) = (kv) = w, esto prueba el teorema.
5.3.5 Raz del polinomio caracterstico
Teorema 5.9 Toda matriz es raz de su polinomio caracterstico.
Demostracin. Ejercicio
Ejemplo 5.6 El polinomio caracterstico de
A =
_
2 1
2 4
_
es p () =
2
6 + 10, y
p (A) = A
2
6A + 10I
=
_
2 1
2 4
_
2
6
_
2 1
2 4
_
+ 10
_
1 0
0 1
_
=
_
0 0
0 0
_
5.3.6 Autovectores y dependencia lineal
Teorema 5.10 Sean v
1
, v
2
autovectores asociados respectivamente a
1
y
2
tales que
1
,=
2
, entonces el conjunto v
1
, v
2
es linealmente independiente.
Demostracin. Si el conjunto v
1
, v
2
fuera linealmente dependiente, existen escalares
c
1
y c
2
distintos de cero tal que:
c
1
v
1
+c
2
v
2
= 0 (i)
5.3. TEOREMAS RELATIVOS A AUTOVALORES Y AUTOVECTORES 107
multiplicando la matriz A se tiene:
c
1
Av
1
+c
2
Av
2
= 0,
empleamos ahora la hiptesis Av
1
=
1
v
1
, Av
2
=
2
v
2
, luego
c
1
1
v
1
+c
2
2
v
2
= 0, (ii)
de (i) multiplicando por
1
:
c
1
1
v
1
+c
2
1
v
2
= 0 (iii)
restando (iii)-(ii) se encuentra:
c
2
(
1
2
) v
2
= 0
puesto que ni c
2
ni v
2
son nulos se debe tener:
1
2
= 0, es decir
1
=
2
, esto es contrario
a la hiptesis
1
,=
2,
por tanto v
1
, v
2
debe ser linealmente independiente.
5.3.7 Autovalores de matrices simtricas
n,n
simtrica, entonces sus autovalores todos son nmeros reales.
Ejemplo 5.7
A =
_
_
4 5 0
5 4 0
0 0 1
_
_
Sus autovalores son
1
= 9,
2
= 1,
3
= 1.
5.3.8 Los discos de Gersgorin
Teorema 5.12 (Gersgorin, caso real) Sea A M
n,n
y
R
i
=
j=1
j=i
[a
ij
[
donde [[ es el valor absoluto. Entonces los autovalores de A estn en la union de los discos
n
_
i=1
(x, y) : |(x, y) (a
ii
, 0)| < R
aqu || es la norma euclidiana.

A =
_
_
5
2
9
4
0
5
7
2
0
5
2
1 5
_
_
Los autovalores son
1
= 5,
2
=
1
2
+
3
2
i,
3
=
1
2

3
2
i, los tres autovalores se encuentran
en la unin de los discos
_
_
x
5
2
_
2
+y
2

9
4
_
_
x +
7
2
_
2
+y
2
5
_
(x 5) +y
2

7
2
5.4 Multiplicidad algebraica y multiplicidad geomtrica
Denicin 5.13 (Multiplicidad algebraica) Sea p () el polinomio caracterstico de una
matriz A M
n,n
, y ( a)
m
un factor de p () , en esta condiciones se dice que es un
autovalor de A con multiplicidad algebraica igual m.
Denicin 5.14 (multiplicidad geomtrica) Sea un autovalor de A M
n,n
, la dimen-
sin del espacio solucin del sistema (AI) x = 0, es la multiplicidad geomtrica.
Las multiplicidades algebraica y geomtrica son iguales?
No, en general no son iguales, a este respecto se tiene el siguiente teorema
Teorema 5.15 La multiplicidad algebraica es mayor o igual que la multiplicidad geomtrica.
Ejemplo 5.9
A =
_
_
6 1 1
1 4 1
1 0 3
_
_
Un clculo inmediato muestra que el polinomio caracterstico es p () =
3
13
2
+5680,
cuyas races son los autovalores
1
= 5,
2
= 4,
3
= 4
as = 5 tiene multiplicidad algebraica 1, y = 4 tiene multiplicidad algebraica 2. A la luz
del teorema la multiplicidad geomtrica de = 5 debe ser 1 y la multiplicidad geomtrica
de = 4 debe ser menor o igual a 2. puede justicar esta armacin?. Para calcular las
multiplicidades geomtricas procedemos como sigue:
5.4. MULTIPLICIDAD ALGEBRAICA Y MULTIPLICIDAD GEOMTRICA 109
= 5: Se resuelve el sistema: (A5I) x = 0, es decir:
_
_
1 1 1
1 1 1
1 0 2
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
,
resolviendo, se encuentra que la solucin es
W
=5
=
_
_
_
t
_
_
2
1
1
_
_
: t R
_
_
_
,
de donde se sigue que la multiplicidad geomtrica es de = 5 es 1.
= 4 : Se debe resolver el sistema (A 4I) x = 0, es decir resolver el sistema:
_
_
2 1 1
1 0 1
1 0 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
resolviendo se encuentra que la solucin es:
W
=4
=
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
cuya dimensin es 1, luego la multiplicidad geomtrica de = 4 es 1. Resumimos esto
en la siguiente tabla:
W
Mult. algebraica Mult. Geomtrica

5
_
_
_
t
_
_
2
1
1
_
_
: t R
_
_
_
1 1
4
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
2 1
Ejemplo 5.10 En el ejemplo 5.4 (pgina 102) se calculan los siguientes resultados sobre la
matriz
A =
_
_
2 1 3
1 2 1
3 1 2
_
_
Ecuacin caracterstica:
3
2
2
15 = 0
Autovalores, autovectores y multiplicidad
W
Mult. algebraica Mul. Geomtrica

0
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
1 1
3
_
_
_
t
_
_
1
2
1
_
_
: t R
_
_
_
1 1
5
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
1 1
Ejemplo 5.11 En el ejemplo 5.5 pgina 104 se calculan los siguientes resultados sobre la
matriz
B =
_
_
3 2 1
0 4 0
1 2 3
_
_
3
10
2
+ 32 32 = 0
Autovalores, autovectores y multiplicidad
W

2
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
1 1
4
_
_
_
t
_
_
2
1
0
_
_
+s
_
_
1
0
1
_
_
: t, s R
_
_
_
2 2
5.5 Semejanza y diagonalizacin
5.5.1 Matrices semejantes
Denicin 5.16 Se dice que dos matrices A, B M
n,n
son semejantes si existe una matriz
P M
n,n
invertible tal que
B = P
1
AP
Dos matrices semejantes tienen la propiedad de tener los mismos autovalores, esto es lo
que dice el siguiente teorema.
Teorema 5.17 Sean A, B M
n,n
matrices semejantes, entonces A y B tienen los mismos
autovalores.
5.5. SEMEJANZA Y DIAGONALIZACIN 111
Demostracin. Existe P M
n,n
tal que B = P
1
AP. Sea un autovalor de A asociado
a v, es decir, Av = v. Denamos w = P
1
v, entonces
Bw =
_
P
1
AP
_
w
=
_
P
1
AP
_ _
P
1
v
_
= P
1
(Av)
= P
1
(v)
=
_
P
1
v
_
= w
por tanto es un autovalor de B. Esto prueba el teorema.
Ejemplo 5.12 Considrense las matrices

A =
_
4 5
5 4
_
, P =
_
1 1
2 3
_
,
y
B = P
1
AP =
_
21 40
15 29
_
un clculo inmediato muestra que los autovalores de A y B son: 1 y 9.
5.5.2 Diagonalizacin
Sea A M
n,n
, se dice que A es diagonalizable si existe una matriz invertible P tal que
P
1
AP = D,
donde D es una matriz diagonal, esto es, D = diag (d
1
, d
2
, . . . , d
n
) .
El producto de una matriz arbitraria por una matriz diagonal
Para comprender de mejor manera el resultado de la siguiente seccin, ntese el producto de
una matriz arbitraria y una matriz diagonal resulta ser la matriz cuya j esima columna es
un mltiplo de la j esima columna de la matriz P.
Ejemplo 5.13
_
_
p
11
p
12
p
13
p
21
p
22
p
23
p
31
p
32
p
33
_
_
_
_
d
1
0 0
0 d
2
0
0 0 d
3
_
_
=
_
_
p
11
d
1
p
12
d
2
p
13
d
3
p
21
d
1
p
22
d
2
p
23
d
3
p
31
d
1
p
32
d
2
p
33
d
3
_
_
en general si P = [P
1
, P
2
, . . . , P
n
] (P
i
la i-sima columna de P) y D = diag (d
1
, d
2
, . . . , d
n
) ,
entonces:
PD = [d
1
P
1
, d
2
P
2
, . . . , d
n
P
n
] .
Condicin necesaria y suciente para la diagonalizacin de matrices
Sea A M
n,n
una matriz tal que:
P
1
AP = D,
entonces:
AP = PD.
Sea P = [P
1
, P
2
, . . . , P
n
], entonces de la igualdad AP = PD y los resultados de productos de
matrices, se deduce:
[AP
1
, AP
2
, . . . , AP
n
] = [d
1
P
1
, d
2
P
2
, . . . , d
n
P
n
] ,
de donde:
AP
i
= d
i
P
i
, i = 1, 2, . . . , n,
esto prueba que la j esima columna de P es el autovector asociado al autovalor d
i
que a
su vez es la entrada (i, i) de la matriz diagonal D, ms an, al ser P invertible las columnas
de A deben ser linealmente independientes. Estas observaciones permiten probar el siguiente
teorema.
n,n
. A es diagonalizable si y solamente si es posible encontrar una
base de n autovectores linealmente independientes.
En trminos de la multiplicidad algebraica y multiplicidad geomtrica, se tiene el siguiente
resultado.
n,n
. A es diagonalizable si y solamente si cada autovalor tiene
multiplicidad algebraica y multiplicidad geomtrica iguales.
Ejemplo 5.14 Considere la matriz A del ejemplo 5.9 pgina 108,
A =
_
_
6 1 1
1 4 1
1 0 3
_
_
,
se ha establecido el siguiente resultado
W

5
_
_
_
t
_
_
2
1
1
_
_
: t R
_
_
_
1 1
4
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
2 1
al ser el autovalor = 4 de multiplicidad algebraica distinta a la multiplicidad geomtrica, la
matriz A no es diagonalizable.
Ejemplo 5.15 Considere la matriz A del ejemplo 5.10 pgina 109,
A =
_
_
2 1 3
1 2 1
3 1 2
_
_
Se ha establecido el siguiente resultado:
W
Mult. algebraica Mul. Geomtrica

0
_
_
_
t
_
_
1
1
1
_
_
: t R
_
_
_
1 1
3
_
_
_
t
_
_
1
2
1
_
_
: t R
_
_
_
1 1
5
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
1 1
luego las multiplicidades algebraica y geomtrica de todos los autovalores son iguales, por
tanto A es diagonalizable, mas an la matriz P que permite la diagonalizacin est formada
con los autovectores, as:
P =
_
_
1 1 1
1 2 0
1 1 1
_
_
y la matriz D con los correspondientes autovalores:
D =
_
_
0 0 0
0 3 0
0 0 5
_
_
,
ntese que P
1
AP = D.
Ejemplo 5.16 Considere la matriz B del ejemplo 5.11 pgina 110,
B =
_
_
3 2 1
0 4 0
1 2 3
_
_
se ha establecido el siguiente resultado:
W

2
_
_
_
t
_
_
1
0
1
_
_
: t R
_
_
_
1 1
4
_
_
_
t
_
_
2
1
0
_
_
+s
_
_
1
0
1
_
_
: t, s R
_
_
_
2 2
lo anterior muestra que B es diagonalizable y
P =
_
_
1 2 1
0 1 0
1 0 1
_
_
, D =
_
_
2 0 0
0 4 0
0 0 4
_
_
nuevamente P
1
BP = D.
Diagonalizacin ortogonal
Recordemos que una matriz P es ortogonal si P
1
= P
t
.
Denicin 5.20 Una matriz A es diagonalizable ortogonalmente, si existe una matriz orto-
gonal P tal que:
P
t
AP = D.
Observemos que si P
t
AP = D, entonces:
A = PDP
t
aplicando transpuesta se encuentra:
A
t
= PDP
t
= P
_
P
t
AP
_
P
t
= A,
as la matriz A debe ser simtrica. Por tanto las nicas matrices diagonalizables ortogonal-
mente son las simtricas.
Ejemplo 5.17 Diagonalizar la siguiente matriz ortogonalmente.
A =
_
_
2 1 1
1 2 1
1 1 2
_
_
Solucin.
3
6
2
+ 9 4 = 0,
Autovalores y autovectores:
=
1
= 4; autovector asociado: v
1
=
_
_
1
1
1
_
_
,
=
2
=
3
= 1; autovectores asociados, v
2
=
_
_
1
0
1
_
_
, v
3
=
_
_
1
1
0
_
_
.
Ntese que el conjunto v
1
, v
2
, v
3
es un conjunto LI. Para generar un conjunto ortogonal
emplearemos el clsico algoritmo de reduccin de Gram Schmidt.
Sea w
1
= v
1
=
_
_
1
1
1
_
_
,
w
2
= v
2
v
2
, w
1
|w
1
|
2
w
1
v
2
, w
1
= v
t
2
w
1
= (1, 0, 1)
_
_
1
1
1
_
_
= 0, |w
1
|
2
= w
1
, w
1
= 3, por tanto:
w
2
=
_
_
1
0
1
_
_
0
3
_
_
1
1
1
_
_
=
_
_
1
0
1
_
_
,
w
3
= v
3
v
3
, w
1
|w
1
|
2
w
1
v
3
, w
2
|w
2
|
2
w
2
v
3
, w
1
= v
t
3
w
1
= (1, 1, 0)
_
_
1
1
1
_
_
= 0, |w
1
|
2
= 3
v
3
, w
2
= v
t
3
w
2
= (1, 1, 0)
_
_
1
0
1
_
_
= 1, |w
2
|
2
= 2, por tanto:
w
3
=
_
_
1
1
0
_
_
0
3
_
_
1
1
1
_
_
1
2
_
_
1
0
1
_
_
=
_
_

1
2
1
1
2
_
_
es claro que el conjunto
_
w
1
|w
1
|
,
w
2
|w
2
|
,
w
3
|w
3
|
_
=
_
_
_
1
3
_
_
1
1
1
_
_
,
1
2
_
_
1
0
1
_
_
,
2
6
_
_

1
2
1
1
2
_
_
_
_
_
es un conjunto ortonormal, ms an son autovectores, as la matriz P cuyas columnas
son los vectores del anterior conjunto, diagonalizan ortogonalmente la matriz A, as:
P =
_
_
_
_
_
_
_
1
3

1
2

1
6
1
3
0
2
6
1
3
1
2

1
6
_
_
_
_
_
_
_
ntese que
P
t
AP =
_
_
_
1
3
1
3
1
2
0
1
6
2
6

1
6
_
_
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
_
1
3

1
2

1
6
1
3
0
2
6
1
3
1
2

1
6
_
_
_
=
_
_
4 0 0
0 1 0
0 0 1
_
_
= D.
En los siguientes problemas, calcular (a) Autovalores, (b) autovectores, (c) multiplicidad
algebraica y multiplicidad geomtrica, (d) diagonalizar (si es posible) la matriz dada.
1.
_
_
2 0 1
2 3 2
1 1 2
_
_
, Sol. (a) 1, 3 (b)
_
_
1
2
1
_
_
,
_
_
1
2
1
_
_
2.
_
_
2 1 0
2 2 2
0 1 2
_
_
, Sol. (a) 0, 4, 2 (b)
_
_
1
2
1
_
_
,
_
_
1
2
1
_
_
,
_
_
1
0
1
_
_
3. A =
_
_
1 7 2
7 1 2
2 2 1
_
_
, Sol. (a) 0, 6, 9 (b)
_
_
1
1
4
_
_
,
_
_
1
1
0
_
_
,
_
_
1
1
1
2
_
_
4. A =
_
_
4 2 2
5 3 2
7 1 6
_
_
, Sol. (a) 1, 4, 0 (b)
_
_
8
11
9
_
_
,
_
_
1
1
3
_
_
,
_
_
1
1
1
_
_
5. B =
_
_
0 4 1
4 10 2
12 18 2
_
_
, Sol. (a) 4, 2, 2 (b)
_
_
1
2
4
_
_
,
_
_
1
2
6
_
_
6. C =
_
_
4 1 1
1 4 1
4 4 1
_
_
, Sol. (a) 1, 3 (b)
_
_
1
1
4
_
_
,
_
_
1
0
1
_
_
,
_
_
1
1
0
_
_
7. A =
_
_
1 1 1
1 1 1
1 1 1
_
_
, Sol. (a) 1, 2 (b)
_
_
1
1
1
_
_
,
_
_
1
0
1
_
_
,
_
_
1
1
0
_
_
8. A =
_
_
_
_
2 2 0 0
2 2 2 1
0 2 2 0
0 1 0 2
_
_
_
_
, Sol. (a) 2, 1, 5 (b)
_
_
_
_
1
0
1
0
_
_
_
_
,
_
_
_
_
1
0
0
2
_
_
_
_
,
_
_
_
_
2
3
2
1
_
_
_
_
,
_
_
_
_
2
3
2
1
_
_
_
_
9. A =
_
_
_
_
1 0 1 0
0 1 0 1
1 0 1 0
0 1 0 1
_
_
_
_
, Sol. (a) 0, 2 (b)
_
_
_
_
1
0
1
0
_
_
_
_
,
_
_
_
_
0
1
0
1
_
_
_
_
,
_
_
_
_
0
1
0
1
_
_
_
_
,
_
_
_
_
1
0
1
0
_
_
_
_
10. A =
_
_
_
_
1 2 0 5
2 1 2 0
0 2 1 2
5 0 2 1
_
_
_
_
, Sol. (a) 0, 2, 5, 7 (b)
_
_
_
_
1
2
2
1
_
_
_
_
,
_
_
_
_
1
2
2
1
_
_
_
_
,
_
_
_
_
1
1
2
1
2
1
_
_
_
_
,
_
_
_
_
2
1
1
2
_
_
_
_
Diagonalizar ortogonalmente las siguiente matrices:
11. A =
_
_
2 1 1
1 2 1
1 1 2
_
_
, Sol. P =
_
_
_
1
3

1
2

1
6
1
3
1
2

1
6
1
3
0
2
6
_
_
_
12. A =
_
_
2 1 1
1 0 1
1 1 2
_
_
, Sol. P =
_
_
_
1
3

1
2
1
6
1
3
0
2
6
1
3
1
2
1
6
_
_
_
13. A =
_
_
2 4 0
4 2 3
0 3 2
_
_
, Sol. P =
_
_
2
5
2
2
5
2
3
5
1
2
2
1
2
2 0
3
10
2
3
10
2
4
5
_
_
Mostrar que existe una matriz ortogonal P formada por autovectores tales que P
t
AP
es una matriz triangular superior.
14. A =
_
_
5 3 3
6 4 3
6 3 2
_
_
, Sol. P =
_
_
_
1
3
0
2
6
1
3
1
2
1
6
1
3

1
2
1
6
_
_
_
15. Si A M
n,n
es invertible, demostrar que AB y BA tienen los mismos autovalores.
16. Determinar los autovalores de:
_
_
a
2
ab b
2
ab a
2
ab
b
2
ab a
2
_
_
17. Determinar los valores a para los cuales la siguiente matriz es diagonalizable, calcule la
matriz P que diagonaliza esta matriz:
A =
_
_
a a a
a a 2a
0 0 1
_
_
18. Supngase que A M
n,n
es simtrica y
1
,
2
autovalores de distintos asociados res-
pectivamente a v
1
y v
2
. Probar que v
1
es ortogonal a v
2
. (Sug. Ntese que Av
1
=
1
v
1
y por tanto v
t
1
A =
1
v
t
1
)
19. Supngase A M
n,n
, I M
n,n
la matriz identidad y c, d nmeros.
(a) Pruebe que si es un autovalor de una matriz A asociado al autovector v, entonces
v es un autovector de la matriz cA+dI asociado al autovalor c +d
(b) Pruebe que si A es diagonalizable entonces lo es tambin cA +dI.
20. Muestre que si es un autovalor de A, entonces
k
es un autovalor de A
k
.
21. Explique porque la siguiente matriz A M
n,n
no puede tener autovalores nulos .
A =
_
_
_
_
_
_
_
n 1 1 1
1 n 1 1
1 1 n 1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 1 1 n
_
_
_
_
_
_
_
Captulo 6
Transformaciones lineales
Muchos problemas prcticos planteados en un espacio vectorial pueden convertirse en pro-
blemas ms simples en otro espacio vectorial, para realizar esto, es necesaria una adecuada
funcion entre esos dos espacios vectoriales, tal funcin se llama Transformacin lineal, en
este captulo estudiamos el marco terico de estas funciones.
6.1 Introduccin
6.1.1 La denicin de transformacin lineal
Considere una funcin T : U V , donde U y V son espacios vectoriales. T es una transfor-
macin lineal si:
(i) Para todo u, w U, T (u +w) = T (u) +T (w)
(ii) Para todo u U y todo k R, T (ku) = kT (u)
Ntese que una transformacin lineal preserva las operaciones bsicas de un espacio vec-
torial, es decir, preserva la suma y producto por escalar.
Ejemplo 6.1 La funcin T : R
3
R
2
, denida por
T
_
_
x
y
z
_
_
=
_
2x +y
y + 3z
_
T es transformacin lineal, en efecto: Sean u =
_
_
x
y
z
_
_
, w =
_
_
a
b
c
_
_
, entonces:
T (u +w) = T
_
_
x +a
y +b
z +c
_
_
=
_
2 (x +a) + (y +b)
(y +b) + 3 (z +c)
_
119
120 CAPTULO 6. TRANSFORMACIONES LINEALES
=
_
2x +y
y + 3z
_
+
_
2a +b
b + 3c
_
= T
_
_
x
y
z
_
_
+T
_
_
a
b
c
_
_
= T (u) +T (w) .
por otra parte si k R, entonces:
T (ku) = T
_
_
kx
ky
kz
_
_
=
_
2kx +ky
ky + 3kz
_
= k
_
2x +y
y + 3z
_
= kT
_
_
x
y
z
_
_
= kT (u) .
Ejemplo 6.2 Sea A M
m,n
, denimos la transformacin T : R
n
R
m
por
T (x) = Ax
las propiedades matriciales permiten probar que T es una transformacin lineal.
6.1.2 Propiedades de una transformacin lineal
Teorema 6.1 Si T es una transformacin lineal, entonces
1. T (0) = 0.
2. T (u v) = T (u) T (v)
3. T (u) = T (u)
La primera propiedad muestra (en su forma contrapositiva) que si T (0) ,= 0, entonces T
no puede ser transformacin lineal.
Ejemplo 6.3 Sea T : R
2
R
3
denida por
T
_
x
y
_
=
_
_
2x + 3y + 5
x +y
x + 2y 1
_
_
obsrvese que T
_
0
0
_
=
_
_
5
0
1
_
_
,=
_
_
0
0
0
_
_
, por tanto T no es transformacin lineal.
6.2. CONSTRUCCIN DE TRANSFORMACIONES LINEALES 121
Observacin. Ntese que T (0) = 0, no es garanta de que T sea transformacin lineal.
2
R
3
T
_
x
y
_
=
_
_
xy
x
x +y
_
_
se puede probar que T no es transformacin lineal prubelo!.
1. Demostrar el teorema 6.1.
2. Determinar si las siguientes funciones son o no transformaciones lineales
(a) T : R
3
R
2
, T
_
_
x
y
z
_
_
=
_
3x y + 2z
x +z
_
Sol. Si
(b) T : R
2
R
2
, T
_
x
y
_
=
_
x
y + 2
_
Sol. No
(c) T : R
3
M
2,2
, T
_
_
x
y
z
_
_
=
_
x +y x z
y 2z
_
Sol. Si.
(d) T : M
2,2
R
2
, T
_
x y
z w
_
=
_
2x 3w
3z 4y
_
Sol. Si
(e) T : R
2
R
3
, T
_
x
y
_
=
_
_
xy
x
x +y
_
_
Sol. No
(f) T : R
2
R
2
, T
_
x
y
_
=
_
[x[
0
_
, Sol. No
3. Se dene T : M
n,n
M
n,n
por T (x) = xM + Mx, donde M es una matriz cualquiera
de V, mostrar que T es una transformacin lineal.
6.2 Construccin de transformaciones lineales
Considere un espacio vectorial V, sea B = e
1
, e
2
, . . . , e
n
una base de V. Sea T una transfor-
macin lineal de V en un espacio vectorial W. Si v V, entonces
v = c
1
e
1
+c
2
e
2
+ +c
n
e
n
,
aplicando la transformacin lineal se encuentra:
T (v) = c
1
T (e
1
) +c
2
T (e
2
) + +c
n
T (e
n
)
lo anterior muestra que la transformacin T est completamente determinada por las imgenes
de los vectores bsicos. Lo anterior permite construir transformaciones lineales.
Ejemplo 6.5 Considere los espacios vectoriales R
3
y R
2
, sea
B =
_
_
_
v
1
=
_
_
1
1
1
_
_
, v
2
=
_
_
1
0
1
_
_
, v
3
=
_
_
0
0
1
_
_
_
_
_
una base de R
3
. Sea T una transformacin lineal tal que
T
_
_
1
1
1
_
_
=
_
1
1
_
, T
_
_
1
0
1
_
_
=
_
2
1
_
, T
_
_
0
0
1
_
_
=
_
1
1
_
. (i)
Determinar la transformacin lineal.
Solucin. Sea v =
_
_
x
y
z
_
_
, existen nmeros c
1
, c
2
, c
3
tal que
v = c
1
v
1
+c
2
v
2
+c
3
v
3
, (ii)
_
_
1 1 0
1 0 0
1 1 1
_
_
_
_
c
1
c
2
c
3
_
_
=
_
_
x
y
z
_
_
resolviendo se encuentra:
c
1
= y (iii)
c
2
= x y
c
3
= x + 2y +z
empleando la transformacin T a la ecuacin (ii) se encuentra:
T (v) = c
1
T (v
1
) +c
2
T (v
2
) +c
3
T (v
3
)
reemplazando (i), (iii) y v en la anterior ecuacin se encuentra:
T
_
_
x
y
z
_
_
= y
_
1
1
_
+ (x y)
_
2
1
_
+ (x + 2y +z)
_
1
1
_
=
_
x y +z
2x + 4y +z
_
6.3. COMPOSICIN 123
1. Sea T : R
2
R una transformacin lineal tal que
T
_
1
1
_
= 2, T
_
1
2
_
= 2
determinar T
_
x
y
_
. Sol. 6x 4y
2. Sea T : R
2
R
3
una transformacin lineal tal que :
T
_
1
1
_
=
_
_
1
0
1
_
_
, T
_
1
2
_
=
_
_
2
1
4
_
_
Determinar T
_
x
y
_
. Sol.
_
_
y
x +y
6x + 5y
_
_
3. Determinar si existe o no una transformacin lineal T : R
2
R
2
tal que
T
_
2
4
_
=
_
1
1
_
, T
_
3
6
_
=
_
1
1
_
explicar.
4. Sea T : U V una transformacin lineal. Sea B = u
1
, u
2
, . . . , u
n
un conjunto en U
tal que C = T (u
1
) , T (u
2
) , , T (u
n
) es L.I., Mostrar que B es L.I.
6.3 Composicin
Sean T : U V, S : V W transformaciones lineales como se muestra en la gura.
U V W
u
T(u)
S(T(u))

T S
S T
La compuesta de T y S, escrito S T, es la funcin de U en W denida por:
(S T) (u) = S (T (u)) ,
es evidente que S T es una transformacin lineal.
Ejemplo 6.6 Determinar S T si:
T
_
x
y
_
=
_
_
x 2y
2x +y
2x + 2y
_
_
, S
_
_
u
v
w
_
_
=
_
u 2v
v +w
_
Solucin.
(S T)
_
x
y
_
= S
_
T
_
x
y
__
= S
_
_
x 2y
2x +y
2x + 2y
_
_
=
_
x 2y 2 (2x +y)
2x +y + 2x + 2y
_
=
_
5x 4y
3y
_
6.4 Ncleo e imagen
6.4.1 Ncleo
Sea T : U V, una transformacin lineal, denimos el ncleo de T como:
Nu(T) = u U : T (u) = 0
Teorema 6.2 El ncleo de una transformacin lineal T : U V es un subespacio de U.
Demostracin. Sean u, w Nu(T) , entonces T (u) = 0 y T (w) = 0, de donde
T (u +w) = T (u) +T (w) = 0 + 0 = 0
luego u +w Nu (T) . Por otra parte si k R, entonces
T (ku) = kT (u) = k0 = 0,
de donde se deduce que ku Nu (T) . De lo anterior se sigue que Nu (T) es un subespacio de
U.
Denicin 6.3 (Nulidad) La nulidad de una transformacin lineal T : U V, denotado
por nulidad (T) , es la dimensin del ncleo de T, es decir:
nulidad (T) = dim(Nu (T))
6.4. NCLEO E IMAGEN 125
6.4.2 Imagen
Sea T : U V, una transformacin lineal, denimos la imagen de T como:
Im(T) = T (u) : u U
o alternativamente como:
Im(T) = v V : existe u U tal que T (u) = v
Teorema 6.4 La imagen de una transformacin lineal T : U V es un subespacio de V.
Demostracin. Sean v
1
, v
2
Im(T) , luego existen vectores u
1
, u
2
U tales que T (u
1
) =
v
1
y T (u
2
) = v
2
, entonces:
T (u
1
+u
2
) = T (u
1
) +T (u
2
) = v
1
+v
2
,
esto prueba que v
1
+v
2
Im(T) .
Por otra parte si k R y v Im(T) , probaremos que kv Im(T) . Para empezar existe
u U tal que T (u) = v, entonces:
kv = kT (u) = T (ku) ,
esto prueba que kv Im(T) .
Denicin 6.5 (rango) El rango de una transformacin lineal T : U V, denotado por
rango (T) , es la dimensin de la imagen T, es decir:
rango (T) = dim(Im(T))
6.4.3 El teorema de la dimensin
Teorema 6.6 Sea T : U V una transformacin lineal, sea n = dim(U) , entonces:
nulidad (T) + rango (T) = n.
Ejemplo 6.7 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T :
R
2
R
3
denida por:
T
_
x
y
_
=
_
_
x y
x + 2y
x +y
_
_
Solucin.
Clculo de la nulidad
Nu (T) =
_
_
_
_
x
y
_
: T
_
x
y
_
=
_
_
0
0
0
_
_
_
_
_
=
_
_
_
_
x
y
_
:
_
_
x y
x + 2y
x +y
_
_
=
_
_
0
0
0
_
_
_
_
_
lo anterior origina el sistema:
_
_
1 1
1 2
1 1
_
_
_
x
y
_
=
_
_
0
0
0
_
_
,
resolviendo se encuentra que la nica solucin es:
_
x
y
_
=
_
0
0
_
por tanto
Nu (T) =
__
0
0
_
.
_
luego nulidad(T) = 0
Clculo de la imagen
Im(T) =
_
_
_
_
_
a
b
c
_
_
: T
_
x
y
_
=
_
_
a
b
c
_
_
para algn
_
x
y
_
_
_
_
es decir se debe tener:
_
_
x y
x + 2y
x +y
_
_
=
_
_
a
b
c
_
_
_
_
1 1
1 2
1 1
_
_
_
x
y
_
=
_
_
a
b
c
_
_
llevando la matriz aumentada a la forma escalonada se encuentra:
_
_
1 1 a
1 2 b
1 1 c
_
_
F
21(1)
F
31(1)
_
_
1 1 : a
0 3 : a +b
0 2 : a +c
_
_
F
32
(
2
3
)
_
_
1 1 : a
0 3 : a +b
0 0 :
1
3
a +c
2
3
b
_
_
lo anterior muestra que el sistema tiene solucin si y solamente si
1
3
a+c
2
3
b = 0, por tanto:
Im(T) =
_
_
_
_
_
a
b
c
_
_
:
1
3
a +c
2
3
b = 0; a, b, c R
_
_
_
=
_
_
_
_
_
a
b
1
3
a +
2
3
b
_
_
: a, b R
_
_
_
=
_
_
_
a
_
_
1
0
1
3
_
_
+b
_
_
0
1
2
3
_
_
: a, b R
_
_
_
6.4. NCLEO E IMAGEN 127
de donde se deduce que rango (T) = 2.
Ntese que
nulidad (T) + rango (T) = 0 + 2 = 2 = dim
_
R
2
_
.
Ejemplo 6.8 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T :
R
3
R
2
denida por:
T
_
_
x
y
z
_
_
=
_
2x y + 6z
2x 2y + 6z
_
Solucin.
Clculo del ncleo
Se resuelve el sistema
_
2 1 6
2 2 6
_
_
_
x
y
z
_
_
=
_
0
0
_
La solucin de este sistema es
_
_
x
y
z
_
_
= t
_
_
1
4
1
_
_
, t R
por tanto:
Nu (T) =
_
_
_
t
_
_
1
4
1
_
_
, t R
_
_
_
,
puesto que Nu (T) es generado por un slo vector, nulidad (T) = 1.
Clculo de la imagen.
Sea
_
a
b
_
Im(T) , entonces:
T
_
_
x
y
z
_
_
=
_
2x y + 6z
2x 2y + 6z
_
=
_
a
b
_
as, se plantea el sistema:
_
2 1 6
2 2 6
_
_
_
x
y
z
_
_
=
_
a
b
_
llevando la matriz aumentada a la forma escalonada se encuentra:
_
2 1 6 : a
2 2 6 : b
_
_
2 1 6 : a
0 3 12 : a +b
_
lo anterior muestra que este sistema siempre tiene soluciones, es decir, cualquier
_
a
b
_

Im(T) , por tanto Im(T) = R
2
y rango (T) = 2.
Nuevamente el teorema de la dimensin se cumple:
nulidad (T) + rango (T) = 1 + 2 = 3 = dim
_
R
3
_
.
1. En los siguientes problemas, determinar una base y la dimensin de (i) ncleo (ii) la
imagen de T.
(a) Sea T
_
_
x
y
z
_
_
=
_
_
x y + 2z
4x 2y + 13z
2x 3z
_
_
Sol. Nu (T) =
_
_
_
t
_
_
3/2
7/2
1
_
_
: t R
_
_
_
, Im(T) =
_
_
_
_
_
a
b
2
3
a
1
3
b
_
_
: a, b R
_
_
_
(b) Sea T
_
_
x
y
z
_
_
=
_
_
x + 2y z
y +z
x +y 2z
_
_
Sol. Nu(T) =
_
_
_
t
_
_
3
1
1
_
_
: t R
_
_
_
, Im(T) =
_
_
_
a
_
_
1
0
1
_
_
+b
_
_
0
1
1
_
_
: a, b R
_
_
_
2. Sea T : M
2,2
M
2,2
y M =
_
1 2
0 3
_
, sea T (A) = AM MA determinar una base y
la dimensin del ncleo de T. Sol.
__
1 1
0 0
_
,
_
1 0
0 1
__
3. Sea T : M
2,2
M
2,2
y M =
_
1 2
3 5
_
, sea T (A) = MA, determinar el ncleo de T
6.5 La transformacin inversa
Denicin 6.7 (Transformacin 1-1) Sea T : U V, una transformacin lineal. Se
dice que T es uno a uno (1 1) si para elementos u
1
, u
2
distintos de U, se encuentra que
T (u
1
) ,= T (u
2
) .
Una denicin alternativa es: Se dice que T es uno a uno si T (u
1
) = T (u
2
) implica
u
1
= u
2
.
Teorema 6.8 Sea T : U V, una transformacin lineal. Las siguientes armaciones son
equivalentes.
6.5. LA TRANSFORMACIN INVERSA 129
1. T es uno a uno.
2. Nu (T) = 0 .
3. nulidad (T) = 0.
Ejemplo 6.9 Determinar si la siguiente transformacin es o no uno a uno.
T
_
x
y
_
=
_
_
x + 2y
x y
2x y
_
_
el ncleo de T se encuentra resolviendo:
x + 2y = 0
x y = 0
2x y = 0
se encuentra que la nica solucin es:
_
x
y
_
=
_
0
0
_
, por tanto
Nu (T) =
__
0
0
__
,
de donde se deduce que T es una transformacin lineal uno a uno.
Ejemplo 6.10 Bajo qu circunstancias la transformacin T : R
n
R
m
, denida por
T (x) = Ax, es uno a uno?, aqu A M
m,n
.
Solucin. Sean x, y R
n
vectores tales que T (x) = T (y) , es decir: Ay = Ax, de donde:
A(y x) = 0,
ste es un sistema homogneo, como se sabe este sistema siempre tiene solucin. Si rango (A) =
n, entonces la nica solucin es la nula esto es y x = 0, por tanto T es uno a uno si
rango (A) = n. En particular si m = n, T es uno a uno ssi A M
n,n
es invertible.
Denicin 6.9 (Transformacin inversa) Sea T una transformacin lineal. T : V W,
tal que W = Im(T) . Se dice que T es invertible si existe una transformacin lineal T
1
de
W en V tal que
T
1
(T (v)) = v,
T
_
T
1
(w)
_
= w
para todo v V y todo w W.
Teorema 6.10 T : V Im(T) es invertible si y solamente si Nu (T) = 0
2
R
2
, denida por T
_
x
y
_
=
_
3x y
4x y
_
(a) determinar si es
o no invertible, (b) si fuera invertible determinar la inversa.
Solucin. (a) El ncleo se encuentra resolviendo
3x y = 0
4x y = 0
la nica solucin es
__
0
0
__
, por tanto Nu (T) =
__
0
0
__
, luego T es invertible.
(b) Sea
_
a
b
_
tal que T
_
x
y
_
=
_
a
b
_
, esto origina el sistema:
3x y = a
4x y = b
resolviendo se encuentra x = b a, y = 3b 4a, de donde se deduce que la transformacin
inversa es:
T
1
_
a
b
_
=
_
b a
3b 4a
_
o empleando las variables x, y :
T
1
_
x
y
_
=
_
y x
3y 4x
_
En los siguientes ejercicios, determinar T
1
si sta existe.
1. T : R
2
Im(T) , T
_
x
y
_
=
_
_
x 2y
2x 3y
x y
_
_
. Sol. T
1
_
_
a
b
c
_
_
=
_
3a + 2b
b 2a
_
,
c = b a
2. T : R
3
R
2
, T
_
_
x
y
z
_
_
=
_
x 2y +z
x +y 3z
_
. Sol. No existe
3. T : R
3
R
4
, T
_
_
x
y
z
_
_
=
_
_
_
_
x +z
2x +y 2z
x + 2y z
x z
_
_
_
_
, Sol. No existe
4. T : R
2
R
4
, T
_
x
y
_
=
_
_
_
_
x 2y
x + 3y
3x 5y
0
_
_
_
_
, Sol. T
1
_
_
_
_
a
b
c
d
_
_
_
_
=
_
3a + 2b
a +b
_
, c = 4a +b,
d = 0
6.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL 131
5. Sea
W =
_
_
_
s
_
_
1
1
1
_
_
+t
_
_
0
1
1
_
_
: a, b R
_
_
_
Se dene T : W R
2
por T
_
_
x
y
z
_
_
=
_
3x +y
8x + 3y
_
, z = 2x 3y. Sol. T
1
_
a
b
_
=
_
_
3a b
8a + 3b
18a 7b
_
_
.
6.6 La matriz de una transformacin lineal
6.6.1 Matriz de coordenadas de un vector
Sea U un espacio vectorial y B = u
1
, u
2
, . . . , u
n
una base de U. Si u U, entonces u se
escribe como:
u = c
1
u
1
+c
2
u
2
+ +c
n
u
n
,
la matriz
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
se llama matriz de coordenadas del vector u relativo a la base B. Emplearemos la notacin:
mat
B
u =
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
Ejemplo 6.12 En R
3
se considera la base
B =
_
_
_
u
1
=
_
_
1
0
1
_
_
, u
1
=
_
_
2
0
0
_
_
, u
3
=
_
_
0
1
1
_
_
_
_
_
sea u =
_
_
1
2
3
_
_
, para encontrar la matriz de coordenadas mat
B
u se plantea el sistema:
c
1
u
1
+c
2
u
2
+c
3
u
3
= u
lo que origina:
_
_
1 2 0
0 0 1
1 0 1
_
_
_
_
c
1
c
2
c
3
_
_
=
_
_
1
2
3
_
_
resolviendo se encuentra c
1
= 1, c
2
= 0, c
3
= 2, por tanto la matriz de coordenadas es:
mat
B
u =
_
_
1
0
2
_
_
.
6.6.2 Matriz de coordenadas de una transformacin lineal
Sea T : U V una transformacin lineal y B = u
1
, u
2
, . . . , u
n
una base de U y C =
v
1
, v
2
, . . . , v
m
. Puesto que C es una base de V, entonces cada vector T (u
j
) se escribe como
combinacin lineal de los vectores v
1
, v
2
, . . . , v
m
, es decir:
T (u
1
) = a
11
v
1
+a
21
v
2
+ a
m1
v
m
T (u
2
) = a
12
v
1
+a
22
v
2
+ a
m2
v
m

T (u
n
) = a
1n
v
1
+a
2n
v
2
+ a
mn
v
m
las componentes de la matriz mat
C
T (u
j
) =
_
_
_
_
_
a
1j
a
2j
.
.
.
a
mj
_
_
_
_
_
forman la j esima columna de la
matriz de coordenadas de la transformacin T, se denota con mat
C
B
T, es decir:
mat
C
B
T =
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
Teorema 6.11 Sea T : U V una transformacin lineal y B = u
1
, u
2
, . . . , u
n
una base
de U y C = v
1
, v
2
, . . . , v
m
. Entonces
mat
C
T (u) =
_
mat
C
B
T
_ _
mat
B
u
_
para todo u U.
Demostracin. Sea u U, existen nmeros c
1
, c
2
, . . . , c
n
tal que:
u = c
1
u
1
+c
2
u
2
+ +c
n
u
n
,
por tanto:
mat
B
u =
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
por otra parte aplicando la transformacin se encuentra:
T (u) = c
1
T (u
1
) +c
2
T (u
2
) + +c
n
T (u
n
) ,
entonces:
T (u) = c
1
(a
11
v
1
+a
21
v
2
+ a
m1
v
m
)
+c
2
(a
12
v
1
+a
22
v
2
+ a
m2
v
m
)
+
+c
n
(a
1n
v
1
+a
2n
v
2
+ a
mn
v
m
)
reordenando respecto a los vectores v
i
se encuentra:
T (u) = (a
11
c
1
+a
12
c
2
+ a
1n
c
n
) v
1
+(a
21
c
1
+a
22
c
2
+ a
2n
c
n
) v
2
+
+(a
m1
c
1
+a
m2
c
2
+ a
mn
c
n
) v
m
por tanto:
mat
C
T (u) =
_
_
_
_
_
a
11
c
1
+a
12
c
2
+ a
1n
c
n
a
21
c
1
+a
22
c
2
+ a
2n
c
n
.
.
.
a
m1
c
1
+a
m2
c
2
+ a
mn
c
n
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
m
_
_
_
_
_
=
_
mat
C
B
T
_ _
mat
B
u
_
.
Ejemplo 6.13 Considere la transformacin lineal T : R

3
R
2
denida por
T
_
_
x
y
z
_
_
=
_
x +y
y +z
_
.
Sean B =
_
_
_
u
1
=
_
_
1
0
1
_
_
, u
2
=
_
_
1
0
1
_
_
, u
3
=
_
_
0
1
0
_
_
_
_
_
, C =
_
v
1
=
_
2
5
_
, v
2
=
_
1
3
__
bases de R
3
y R
2
respectivamente.
(a) Calcular mat
C
B
T
(b) Empleando el teorema 6.11 (pg. 132) calcular mat
C
T (u) , donde u =
_
_
2
1
1
_
_
.
(c) Calcular mat
C
T (u) directamente.
Solucin. (a) Clculo de la primera columna: Se calcula mat
C
T (u
1
), las componentes
de este vector son las soluciones del sistema:
x
1
v
1
+x
2
v
2
= T (u
1
)
as se plantea el sistema:
_
2 1
5 3
__
x
1
x
2
_
=
_
1 + 0
0 + 1
_
_
x
1
x
2
_
=
_
2
3
_
, luego mat
C
T (u
1
) =
_
2
3
_
.
Clculo de la segunda columna: Se calcula mat
C
T (u
2
), las componentes de este vector
son las soluciones del sistema:
x
1
v
1
+x
2
v
2
= T (u
2
)
_
2 1
5 3
__
x
1
x
2
_
=
_
1 + 0
0 + (1)
_
_
x
1
x
2
_
=
_
4
7
_
, luego mat
C
T (u
2
) =
_
4
7
_
.
Clculo de la tercera columna: Se calcula mat
C
T (u
3
), las componentes de este vector son
las soluciones del sistema:
x
1
v
1
+x
2
v
2
= T (u
3
)
_
2 1
5 3
__
x
1
x
2
_
=
_
0 + 1
1 + 0
_
_
x
1
x
2
_
=
_
2
3
_
, luego mat
C
T (u
3
) =
_
2
3
_
.
De lo anterior se deduce:
mat
C
B
T =
_
2 4 2
3 7 3
_
Solucin (b) Empleando el teorema mencionado slo es necesario calcular mat
B
u, las
componentes de este vector son las soluciones del sistema:
x
1
u
1
+x
2
u
2
+x
3
u
3
= u,
es decir:
_
_
1 1 0
0 0 1
1 1 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
2
1
1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
_
_
1
2
3
2
1
_
_
_
_
, por tanto: mat
B
u =
_
_
_
_
1
2
3
2
1
_
_
_
_
, por tanto:
mat
C
T (u) =
_
mat
C
B
T
_ _
mat
B
u
_
=
_
2 4 2
3 7 3
_
_
_
_
_
1
2
3
2
1
_
_
_
_
=
_
9
15
_
Solucin (c). Se encuentra resolviendo el sistema
x
1
v
1
+x
2
v
2
= T (u) =
_
3
0
_
de donde:
_
2 1
5 3
__
x
1
x
2
_
=
_
3
0
_
resolviendo se encuentra
_
x
1
x
2
_
=
_
9
15
_
es decir:
mat
C
T (u) =
_
9
15
_
.
En los siguientes ejercicios, determinar, si es posible, mat
C
B
T.
1. T: R
2
R
3
, T
_
x
y
_
=
_
_
2x y
x 3y
3x +y
_
_
B =
__
3
2
_
,
_
1
1
__
, C =
_
_
_
_
_
1
0
1
_
_
,
_
_
1
1
1
_
_
,
_
_
1
1
1
_
_
_
_
_
determinar tambin mat
C
T (u) , u =
_
2
1
_
2. T: R
2
R
2
, T
_
x
y
_
=
_
2x y
x 3y
_
,
B =
__
3
1
_
,
_
5
2
__
, C =
__
2
3
_
,
_
2
3
__
6.6.3 Cambio de base
Teorema 6.12 Sea T : V W una transformacin lineal. Sean B, B
bases de V y C, C
bases de W, entonces:
mat
C
B
T =
_
mat
C
C
I
W
_
_
mat
C
B
T
_ _
mat
B
B
I
V
_
donde I
W
e I
V
son las aplicaciones identidad en W y V.
Ejemplo 6.14 Considere la transformacin T : R
2
R
3
, denida por
T
_
x
y
_
=
_
_
x y
x + 2y
x +y
_
_
Sean B =
_
e
1
=
_
1
0
_
, e
2
=
_
0
1
__
, C =
_
_
_
f
1
=
_
_
1
0
0
_
_
, f
2
=
_
_
0
1
0
_
_
, f
3
=
_
_
0
0
1
_
_
_
_
_
bases de R
2
y R
3
respectivamente. La matriz de coordenadas de T relativo a estas bases es:
mat
C
B
T =
_
_
1 1
1 2
1 1
_
_
Sean B
=
_
e
1
=
_
3
2
_
, e
2
_
4
3
__
y C
=
_
_
_
f
1
=
_
_
1
1
1
_
_
, f
2
=
_
_
1
1
0
_
_
, f
3
=
_
_
1
0
0
_
_
_
_
_
nuevas bases de R
2
y R
3
, calcularemos mat
C
B
T empleando el resultado:
mat
C
B
T =
_
mat
C
C
I
W
_
_
mat
C
B
T
_ _
mat
B
B
I
V
_
Clculo de mat
C
C
I
W
. (aqu W = R
3
). Primera columna:
_
_
1 1 1
1 1 0
1 0 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
1
0
0
_
_
resolviendo se encuentra el vector :
_
_
0
0
1
_
_
.
Segunda columna:
_
_
1 1 1
1 1 0
1 0 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
1
0
_
_
cuya solucin es:
_
_
0
1
1
_
_
.
Tercera columna:
_
_
1 1 1
1 1 0
1 0 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
1
_
_
resolviendo se encuentra la solucin:
_
_
1
1
2
_
_
.
De lo anterior se sigue que
mat
C
C
I
W
=
_
_
0 0 1
0 1 1
1 1 2
_
_
Clculo de mat
B
B
I
V
(aqu V = R
2
) Primera columna:
_
1 0
0 1
__
x
1
x
2
_
=
_
3
2
_
es claro que la solucin es:
_
x
1
x
2
_
=
_
3
2
_
Segunda columna:
_
1 0
0 1
__
x
1
x
2
_
=
_
4
3
_
la solucin es
_
x
1
x
2
_
=
_
3
2
_
, por tanto:
mat
B
B
I
V
=
_
3 4
2 3
_
Finalmente:
mat
C
B
T =
_
mat
C
C
I
W
_
_
mat
C
B
T
_ _
mat
B
B
I
V
_
=
_
_
0 0 1
0 1 1
1 1 2
_
_
_
_
1 1
1 2
1 1
_
_
_
3 4
2 3
_
=
_
_
5 7
4 5
8 11
_
_
En los siguientes problemas, determinar mat
C
B
T con la frmula mat
C
B
T =
_
mat
C
C
I
W
_ _
mat
C
B
T
_ _
mat
B
B
I
1.
T
_
x
y
_
=
_
_
x 2y
2x
3x +y
_
_
B =
_
e
1
=
_
1
0
_
, e
2
=
_
0
1
__
, C =
_
_
_
f
1
=
_
_
1
0
0
_
_
, f
2
=
_
_
0
1
0
_
_
, f
3
=
_
_
0
0
1
_
_
_
_
_
B
=
_
e
1
=
_
3
2
_
, e
2
_
4
3
__
, C
=
_
_
_
f
1
=
_
_
1
1
3
_
_
, f
2
=
_
_
1
1
2
_
_
, f
3
=
_
_
2
1
4
_
_
_
_
_
Sol.
_
_
13 19
0 1
7 10
_
_
2. Determinar mat
C
B
T si:
T (x, y) =
_
_
x 2y
2x
x y
_
_
B =
_
e
1
=
_
1
1
_
, e
2
=
_
1
1
__
, C =
_
_
_
f
1
=
_
_
1
0
1
_
_
, f
2
=
_
_
0
1
1
_
_
, f
3
=
_
_
1
0
1
_
_
_
_
_
B
=
_
e
1
=
_
3
2
_
, e
2
_
4
3
__
, C
=
_
_
_
f
1
=
_
_
1
1
3
_
_
, f
2
=
_
_
1
1
2
_
_
, f
3
=
_
_
2
1
4
_
_
_
_
_
Sol. mat
C
B
T =
_
_
_
_
3
2

3
2
2 2
1
2
3
2
_
_
_
_
, mat
C
B
T =
_
_
3 5
10 13
7 10
_
_
6.7 Operadores lineales
Un operador lineal es una transformacin lineal de un espacio vectorial en si mismo, es decir
es una transformacin lineal de la forma T : V V. Es claro que todo lo aplicado a transfor-
maciones se aplica a operadores. En esta seccin nos interesa discutir la diagonalizacin de
un operador lineal.
Sea T : V V un operador, donde V es de dimensin n de base B. Sea A = mat
B
B
T,
sea B
una nueva base de V tal que mat

B
B
T es diagonal, en estas condiciones se dir que T
es diagonalizable. Antes de ver las condiciones bajo las cuales un operador es diagonalizable,
notemos que:
6.7. OPERADORES LINEALES 139
Teorema 6.13
_
mat
B
B
I
V
_
_
mat
B
B
I
V
_
= I,
aqu I la matriz identidad n por n.
Por tanto si mat
B
B
I
V
= P, entonces mat
B
B
I
V
= P
1
.
Empleando el teorema 6.12 se encuentra
mat
B
B
T = P
1
AP
esto signica que T es diagonalizable si es posible encontrar una B
formada por autovectores

de A.
3
R
3
, denida por:
T
_
_
x
y
z
_
_
=
_
_
x 2y z
2x 2y 2z
6x + 12y + 8z
_
_
con la base cannica B = e
1
, e
2
, e
3
, la matriz de la transformacin es:
mat
B
B
T =
_
_
1 2 1
2 2 2
6 12 8
_
_
los autovalores y autovectores se muestran en la siguiente tabla
Autovalor Autovectores asociados
3
_
_
1
2
6
_
_
2
_
_
1
0
1
_
_
,
_
_
2
1
0
_
_
as la base que diagonaliza, la transformacin lineal es:
B
=
_
_
_
_
_
1
2
6
_
_
,
_
_
1
0
1
_
_
,
_
_
2
1
0
_
_
_
_
_
Determinar bases que diagonalizan, si fuera posible, la transformacin lineal dada.
1. T
_
_
x
y
z
_
_
=
_
_
x +y +z
2x z
2x + 2y + 3z
_
_
, Sol. No existe.
2. T
_
_
x
y
z
_
_
=
_
_
x +y +z
z
2y + 3z
_
_
, Sol. Una base es
_
_
_
_
_
1
1
2
_
_
,
_
_
0
1
1
_
_
,
_
_
1
0
0
_
_
_
_
_
6.8 La geometra de las transformaciones
6.8.1 Transformaciones lineales
Considrese la transformacin lineal:
T
_
x
y
_
=
_
x + 2y
x y
_
y el cuadrado de vrtices (0, 0) , (1, 0) , (1, 1) y (0, 1) . T transforma el cuadrado en el pa-
ralelogramo de vrtices(0, 0) , (1, 1) , (3, 0) y (2, 1) como puede verse en el siguiente gr-
co.********book.pdf**********
6.8.2 La transformacin rotacin
La matriz de rotacin para el plano R
2
se dene por:
R() =
_
cos sin
sin cos
_
Propiedades. La matriz de rotacin tiene las siguientes propiedades:
1. Es ortogonal, esto es R() es invertible, ms an la inversa es su transpuesta.
2. El resultado de R() por
_
x
y
_
es una rotacin del punto
_
x
y
_
en un ngulo de
radianes en sentido positivo.
En base a esta matriz denimos la transformacin: T : R
2
R
2
por:
T
_
x
y
_
=
_
cos sin
sin cos
__
x
y
_
La norma euclidiana de T
_
x
y
_
resulta ser:
_
_
_
_
T
_
x
y
__
_
_
_
=
_
_
_
_
_
cos sin
sin cos
__
x
y
__
_
_
_
=
_
__
cos sin
sin cos
__
x
y
__
t
_
cos sin
sin cos
__
x
y
_
=
_
_
x
y
_
t
_
cos sin
sin cos
_
t
_
cos sin
sin cos
__
x
y
_
=
_
_
x
y
_
t
_
x
y
_
=
_
_
_
_
_
x
y
__
_
_
_
por tanto la transformacin T preserva la norma.
6.8. LA GEOMETRA DE LAS TRANSFORMACIONES 141
Ejemplo 6.16 Si se quiere hacer una rotacin de 30
0
, la transformacin ser:
T
_
x
y
_
=
_
cos /6 sin /6
sin /6 cos /6
__
x
y
_
=
_
1
2
3x
1
2
y
1
2
x +
1
2
3y
_
As, el punto
_
1
1
_
se transforman en:
T
_
1
1
_
=
_
1
2
_
3 1
_
1
2
_
3 + 1
_
_
0 0.2 0.4 0.6 0.8 1
1.
2
1.4 1.6
1.
8
2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
0
30
1
1
( )
( )
1 3
1 3
2
1
2
1
Programa en MatLab
El siguiente programa rota cada punto del cuadrado de vrtices (0, 0) , (0, 1) , (1, 1) y (0, 1) un
ngulo de .
___________________________________________________
function rotacion(theta)
%Transforma el cuadrado de vrtices (0,0),(0,1),(1,1),(1,0)
%en un cuadrado rotado un ngulo theta mediante la transformacin
% T(x,y)=R(theta)*(x,y) donde R(theta) es la matriz de rotacin
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for x=0:paso:1
[u,v]=F(x,0,theta);
subplot(2,2,1)
plot(x,0,.r)
subplot(2,2,2)
plot(u,v,.r)
end
for y=0:paso:1
[u,v]=F(1,y,theta);
subplot(2,2,1)
plot(1,y,.g)
subplot(2,2,2)
plot(u,v,.g)
end
for x=1:-paso:0
[u,v]=F(x,1,theta);
subplot(2,2,1)
plot(x,1,.b)
subplot(2,2,2)
plot(u,v,.b)
end
for y=1:-paso:0
[u,v]=F(0,y,theta);
subplot(2,2,1)
plot(0,y,.y)
subplot(2,2,2)
plot(u,v,.y)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto con la rotacion theta
function [u,v]=F(x,y,theta)
matriz_rotacion=[cos(theta) -sin(theta);sin(theta) cos(theta)];
z=matriz_rotacion*[x y];
u=z(1); v=z(2);
___________________________________________________
6.8. LA GEOMETRA DE LAS TRANSFORMACIONES 143
6.8.3 Transformaciones no lineales
Las transformaciones lineales tienen la propiedad de preservar las guras, por ejemplo rec-
tngulos en rectngulos, esto no ocurre con las transformaciones no lineales, por ejemplo
considrese la transformacin:
T
_
x
y
_
=
_
x y
x
2
y
2
_
___________________________________________________
function Tran_no_lin
%Transforma el segmento que va de (1,-1) a (2,5)
%mediante una transformacin no lineal dado por:
% u=x-y, v=x^2-y^2
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for t=0:paso:1;
x=1+t; y=-1+6*t;
[u,v]=F(x,y);
subplot(2,2,1)
plot(x,y,.r)
subplot(2,2,2)
plot(u,v,.r)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto (u,v)
function [u,v]=F(x,y)
u=x-y;
v=x^2-y^2;
___________________________________________________
Captulo 7
Factorizacin LU y LR
Actualmente la factorizacin matricial se ha convertido en una herramienta util para resolver
algunos problemas como familias de sistemas como Ax = b, en donde b es jo y A puede
cambiar. Tambin la factorizacin se puede emplear en el clculo de autovalores de una
matriz. En este captulo nos dedicamos a estudiar un tipo de factorizacin basada en la
reduccin de Gauss. Existen otras factorizaciones como la factorizacin QR que cae fuera del
alcance de los objetivos de este texto.
7.1 Matrices elementales
Denicin 7.1 Una matriz elemental en M
n,n
es una matriz de la forma:
E
k
=
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0 0 0
0 1 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 0 0 0
0 0 d
k+1,k
1 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 d
n,k
0 1
_
_
_
_
_
_
_
_
_
_
_
Observe que E es igual a la matriz identidad excepto en las entradas E(k + 1, k) , . . . , E (n, k) .
Observe tambin que una matriz elemental tiene la forma:
E = I +
k
e
t
k
donde I es la matriz identidad en M
n,n
y:
k
= (0, . . . , 0, d
k+1,k
, . . . , d
n,k
)
t
y e
k
es el k-simo vector cannico. Ms an obsrvese que e
t
i
k
= 0 para i = 1, . . . , k.
145
146 CAPTULO 7. FACTORIZACIN LU Y LR
Ejemplo 7.1
E
2
=
_
_
_
_
1 0 0 0
0 1 0 0
0 5 1 0
0 2 0 1
_
_
_
_
= I +
2
e
t
2
Aqu:
2
=
_
_
_
_
0
0
5
2
_
_
_
_
, e
2
=
_
_
_
_
0
1
0
0
_
_
_
_
es inmediato comprobar que e
t
1
2
= 0 y e
t
2
2
= 0.
1. Probar que e
t
i
k
= 0 para i = 1, . . . , k.
2. Es el producto de matrices elementales una matriz elemental?. Justicar su respuesta.
3. Es el suma de matrices elementales una matriz elemental?. Justicar su respuesta.
7.2 La inversa de una matriz elemental
La inversa de la matriz elemental E = I +
k
e
t
k
es
E
1
= I
k
e
t
k
,
en efecto:
_
I +
k
e
t
k
_ _
I
k
e
t
k
_
= I
k
e
t
k
+
k
e
t
k

_
k
e
t
k
_ _
k
e
t
k
_
= I
k
_
e
t
k
k
_
e
t
k
= I
Similarmente se prueba
_
I
k
e
t
k
_ _
I +
k
e
t
k
_
= I
(Observemos que e
t
k
k
= 0).
Lo anterior muestra que la inversa de una matriz elemental se consigue cambiando de
signo las componentes del vector
k
.
Ejemplo 7.2
E
2
=
_
_
_
_
1 0 0 0
0 1 0 0
0 5 1 0
0 2 0 1
_
_
_
_
, E
1
2
=
_
_
_
_
1 0 0 0
0 1 0 0
0 5 1 0
0 2 0 1
_
_
_
_
7.3. LA MATRIZ ELEMENTAL COMO ANIQUILADOR 147
claramente:
_
_
_
_
1 0 0 0
0 1 0 0
0 5 1 0
0 2 0 1
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 5 1 0
0 2 0 1
_
_
_
_
=
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
7.3 La matriz elemental como aniquilador
Las matrices elementales se usan para triangularizar matrices, iniciamos esta seccin con el
siguiente resultado.
7.3.1 Aniquilacin bajo la primera entrada
Teorema 7.2 Dado el vector columna
u =
_
_
_
_
_
u
1
u
2
.
.
.
u
n
_
_
_
_
_
con u
1
,= 0, existe una matriz elemental E tal que Eu = u
1
e
1
.
Demostracin. Motivado por las operaciones elementales de la reduccin de
gauss denimos:
E =
_
_
_
_
_
_
_
_
_
_
1 0 0 0
u
2
u
1
1 0 0
u
3
u
1
0 1 0
.
.
.
.
.
.
.
.
.
.
.
. 0
u
n
u
1
0 0 1
_
_
_
_
_
_
_
_
_
_
es inmediato probar que Eu = u
1
e
1
=
_
_
_
_
_
u
1
0
.
.
.
0
_
_
_
_
_
.
Denicin 7.3 Los nmeros d

i1
=
u
i
u
1
, i = 2, . . . , n se llaman multiplicadores.
7.3.2 Aniquilador general
Teorema 7.4 Dado el vector columna
u =
_
_
_
_
_
_
_
_
_
u
1
.
.
.
u
k
u
k+1
.
.
.
u
n
_
_
_
_
_
_
_
_
_
con u
k
,= 0, existe una matriz elemental E tal que aniquila las entradas bajo a
k
, es decir, las
ltimas n k entradas de u.
Demostracin. Por el teorema previo, la matriz de aniquilacin la las entradas
bajo u
k
en el vector
v =
_
_
_
_
_
u
k
u
k+1
.
.
.
u
n
_
_
_
_
_
es
F =
_
_
_
_
_
1 0 0
d
k+1,k
1 0
.
.
.
.
.
.
.
.
.
.
.
.
d
n,k
0 1
_
_
_
_
_
M
nk+1,nk+1
donde d
jk
=
u
j
u
k
. Denimos
E =
_
I 0
0 F
_
M
n,n
donde I es la matriz identidad en M
k1
. Claramente:
Eu =
_
I 0
0 F
_
_
_
_
_
_
u
1
.
.
.
u
k1
v
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
u
1
.
.
.
u
k
0
.
.
.
0
_
_
_
_
_
_
_
_
_
Ejemplo 7.3 Hallar la matriz de aniquilacin que aniquile los ltimos 2 trminos de u =
(1, 2, 3, 4, 5)
t
7.4. FACTORIZACIN LU 149
Solucin. La matriz de aniquilacin para aniquilar las entradas bajo la primera
en el vector (3, 4, 5)
t
es
_
_
_
_
_
1 0 0
4
3
1 0
5
3
0 1
_
_
_
_
_
por tanto, aadiendo la matriz identidad en M
2,2
se encuentra la matriz
E =
_
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0
4
3
1 0
0 0
5
3
0 1
_
_
_
_
_
_
_
_
_
fcilmente podemos vericar que:
Eu =
_
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0
4
3
1 0
0 0
5
3
0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
2
3
4
5
_
_
_
_
_
_
=
_
_
_
_
_
_
1
2
3
0
0
_
_
_
_
_
_
1. Hallar una matriz de aniquilacin E tal que Eu = 5e
1
donde u = (5, 1, 4, 2)
t
.
2. Hallar una matriz de aniquilacin E tal que Eu = (u
1
, u
2
, 0, . . . , 0)
t
donde u = (u
1
, u
2
, . . . , u
n
)
t
.
3. Hallar una matriz de aniquilacin E que aniquile los ltimos 3 trminos del vector:
u =
_
_
_
_
_
_
_
_
6
5
4
3
2
1
_
_
_
_
_
_
_
_
7.4 Factorizacin LU
7.4.1 El algoritmo de Gauss en la factorizacin
Sea A M
m,n
. Supngase que en el proceso de triangularizacin de Gauss no se requiere
intercambios de la. Triangularizamos A mediante la siguiente sucesin de pasos:
Paso 1. Sea A
1
la primera columna de A tal que su primera entrada en no nula. Existe
una matriz elemental E
1
que aniquila las entradas bajo la primera entrada del vector
A
1
, entonces las propiedades del producto de matrices permiten probar que E
1
A tiene
la forma:
E
1
A =
_
_
_
_
_
a
11

0
.
.
.
.
.
.
.
.
.
.
.
.
0
_
_
_
_
_
aqu, los asteriscos mustran las entradas que no necesariamente son ceros.
Paso 2. Sea A
2
la segunda columna de E
1
A tal que su segunda entrada en no nula. Existe
una matriz elemental E
2
que aniquila las entradas bajo la segunda entrada del vector
A
2
, se puede probar que:
E
2
E
1
A =
_
_
_
_
_
_
_
a
11

0 a
22

0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0
_
_
_
_
_
_
_
siguendo de esta manera, y asumiendo que las entradas a
jj
necesarios para la aniquila-
cin son no nulos, en el paso k, k n se tendr:
E
k
E
k1
E
2
E
1
A = U,
donde U es una matriz triangular superior. Denimos L
1
= E
k
E
k1
E
2
E
1
, entonces
de la anterior igualdad:
A = LU,
esta es la llamada factorizacin LU.
En la siguiente seccin veremos la forma prctica de calcular la matriz L sin necesidad de
realizar el producto de matrices elementales y luego calcular su inversa.
7.4.2 Clculo de la matriz L
Para jar ideas, empezamos la discusin con n = 3, cuando A M
3,3
, la forma de L es: L =
(E
2
E
1
)
1
. Sean d
21
, d
31
los multiplicadores empleados en el primer paso y d
32
el multiplicador
del segundo paso. Denimos:
1
=
_
_
0
d
21
d
31
_
_
,
2
=
_
_
0
0
d
32
_
_
,
por tanto las matrices elementales son:
E
1
= I +
1
e
T
1
, E
2
= I +
2
e
t
2
luego:
L = (E
2
E
1
)
1
= E
1
1
E
1
2
=
_
I
1
e
t
1
_ _
I
2
e
t
2
_
es decir:
L =
_
_
1 0 0
d
21
1 0
d
31
0 1
_
_
_
_
1 0 0
0 1 0
0 d
32
1
_
_
=
_
_
1 0 0
d
21
1 0
d
31
d
32
1
_
_
As la matriz L est formada por los multiplicadores del proceso de aniquilacin de Gauss
con signo cambiado y en el lugar correspondiente.En general para matrices en M
n,n
la matriz
L tiene la siguiente forma:
L =
_
_
_
_
_
_
_
_
_
1 0 0 0
d
21
1 0 0
d
31
d
32
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
n1,1
d
n1,2
1 0
d
n1
d
n2
d
n,n1
1
_
_
_
_
_
_
_
_
_
donde los nmeros d
ij
son los multiplicadores que permiten triangularizar la matriz A.
Ejemplo 7.4 Considrese la matriz
A =
_
_
2 4 1
1 5 2
1 2 1
_
_
Calcular matrices L y U tales que A = LU.
Solucin. Procedemos con la eliminacin gausiana sin pivote.
A =
_
_
2 4 1
1 5 2
1 2 1
_
_
F
21(1/2)
F
31(1/2)
_
_
2 4 1
0 7 5/2
0 4 3/2
_
_
F
32(4/7)
_
_
2 4 1
0 7 5/2
0 0 1/14
_
_
= U
Los multiplicadores de la matriz elemental E
1
son
1
2
y
1
2
. El multiplicador de E
2
es
4
7
, por
tanto la matriz L es
L =
_
_
1 0 0
1/2 1 0
1/2 4/7 1
_
_
Un clculo directo muestra que:
LU =
_
_
1 0 0
1/2 1 0
1/2 4/7 1
_
_
_
_
2 4 1
0 7 5/2
0 0 1/14
_
_
=
_
_
2 4 1
1 5 2
1 2 1
_
_
= A
Ejemplo 7.5 Considrese la siguiente matriz
A =
_
_
_
_
1 1 2 1
2 1 2 1
2 1 1 1
1 1 5 3
_
_
_
_
realizando operaciones elementales de la se tiene:
A =
_
_
_
_
1 1 2 1
2 1 2 1
2 1 1 1
1 1 5 3
_
_
_
_
F
21(2)
F
31(2)
F
41(1)
_
_
_
_
1 1 2 1
0 1 6 3
0 3 3 1
0 2 3 2
_
_
_
_
F
32(3)
F
42(2)
_
_
_
_
1 1 2 1
0 1 6 3
0 0 15 8
0 0 15 8
_
_
_
_
F
43(1)
_
_
_
_
1 1 2 1
0 1 6 3
0 0 15 8
0 0 0 0
_
_
_
_
= U
Luego
L =
_
_
_
_
1 0 0 0
2 1 0 0
2 3 1 0
1 2 1 1
_
_
_
_
Claramente:
A = LU
=
_
_
_
_
1 0 0 0
2 1 0 0
2 3 1 0
1 2 1 1
_
_
_
_
_
_
_
_
1 1 2 1
0 1 6 3
0 0 15 8
0 0 0 0
_
_
_
_
Observacin importante. Observemos que el rango de A es 3, esto permite escribir
A = L
0
U
0
, donde:
L
0
=
_
_
_
_
1 0 0
2 1 0
2 3 1
1 2 1
_
_
_
_
U
0
=
_
_
1 1 2 1
0 1 6 3
0 0 15 8
_
_
en general para A M
m,n
con rango (A) = r, la matriz A se factoriza como A = LU, donde
L M
m,r
y U M
r,n
7.4.3 Forma prctica de la construccin de L
Puesto que L se construye con los multiplicadores, se puede llevar un registro de estos multi-
plicadores simultneamente a la triangularizacin tomando en cuenta que el multiplicador d
ij
se convierte en d
ij
(y en la posicin i, j) en la matriz L. Esta tcnica se emplear tambin
en la siguiente seccin.
Ejemplo 7.6 Considrese la siguiente matriz
A =
_
_
_
_
1 1 2 1
2 1 2 1
2 1 1 1
1 1 5 3
_
_
_
_
realizando operaciones elementales de la se tiene:
A =
_
_
_
_
1 1 2 1
2 1 2 1
2 1 1 1
1 1 5 3
_
_
_
_
F21(2)
F31(2)
F41(1)
_
_
_
_
1 1 2 1
2 1 6 3
2 3 3 1
1 2 3 2
_
_
_
_
F32(3)
F42(2)
_
_
_
_
1 1 2 1
2 1 6 3
2 3 3 1
1 2 3 2
_
_
_
_
F43(1)
_
_
_
_
1 1 2 1
2 1 6 3
2 3 3 1
1 2 1 2
_
_
_
_
La matriz L
0
tiene unos en la diagonal principal, ceros arriba de la diagonal y por debajo
de la diagonal se construye con la parte diagonal inferior de la ltima matriz encontrada (en
negrillas). La matriz U
0
se contruye con la parte triangular superior de la ltima matriz
encontrada.
L =
_
_
_
_
1 0 0 0
2 1 0 0
2 3 1 0
1 2 1 1
_
_
_
_
, U =
_
_
_
_
1 1 2 1
0 1 6 3
0 0 3 1
0 0 0 2
_
_
_
_
Claramente:
A = LU
=
_
_
_
_
1 0 0 0
2 1 0 0
2 3 1 0
1 2 1 1
_
_
_
_
_
_
_
_
1 1 2 1
0 1 6 3
0 0 15 8
0 0 0 0
_
_
_
_
1. Factorizar
A =
_
_
_
_
1 2 1 1
1 2 1 0
1 2 0 1
1 0 2 1
_
_
_
_
Sol.:
A =
_
_
_
_
1 0 0 0
1 1 0 0
1 0 1 0
1 1/2 2 1
_
_
_
_
_
_
_
_
1 2 1 1
0 4 2 1
0 0 1 0
0 0 0 3/2
_
_
_
_
7.5 Factorizacin LR
7.5.1 Matrices de permutacin
Denicin 7.5 (Matriz de permutacin) Una matriz de permutacin es auquella matriz cua-
drada que se obtiene de la identidad mediante un nmero nito de cambios de la. ntese
que la matriz identidad misma es una matriz de permutacin.
Propiedades de la matriz de permutacin.
Una matriz de permutacin es ortogonal, luego si P es ortogonal entonces P
1
= P
t
.
Ejemplo 7.7
P =
_
_
_
_
0 0 1 0
1 0 0 0
0 0 0 1
0 1 0 0
_
_
_
_
, P
1
= P
t
=
_
_
_
_
0 1 0 0
0 0 0 1
1 0 0 0
0 0 1 0
_
_
_
_
Sea P una matriz de permutacin y B la matriz obtenida de una matriz A pediante
las mismas operaciones elementales de la aplicadas para obtener P desde la matriz
identidad, entonces: B = PA.
7.5. FACTORIZACIN LR 155
Notacin prctica para matrices de permutacin
Sea e
i
el vector la con la unidad en su i-sima coordenada y ceros en las dems, entonces
la matriz identidad I M
n,n
se escribir como
I =
_
_
_
_
_
e
1
e
2
.
.
.
e
n
_
_
_
_
_
,
y una matriz de permutacin como:
P =
_
_
_
_
_
e
i
1
e
i
2
.
.
.
e
in
_
_
_
_
_
donde i
1
, i
2
, . . . , i
n
es una permutacin del conjunto 1, 2, . . . , n, ms an prescindiendo de la
letra e, la matriz de permutacin P se puede escribir como:
P =
_
_
_
_
_
i
1
i
2
.
.
.
i
n
_
_
_
_
_
al vector de la derecha se llamar vector de ndices.
P =
_
_
_
_
0 0 1 0
1 0 0 0
0 0 0 1
0 1 0 0
_
_
_
_
entonces P se puede representar como:
P =
_
_
_
_
3
1
4
2
_
_
_
_
7.5.2 Factorizacin con el algoritmo de Gauss con pivote
Considrese una matriz A M
m,n
de rango r. Para trinagularizar A aplicaremos el algoritmo
de reduccin de Gauss con pivote, como se sabe, este algoritmo en general requiere cambios
de la Supngase que se realizan de inicio todos los cambios de la necesarios, as podemos
suponer la existencia de una matriz de permutacin P tal que en PA no sern necesarios los
cambios de la al triangularizar la matriz. Con s = min m1, r, n, existen s matrices
elementales E
1
, . . . , E
s
tales que
R = E
s
E
s1
E
1
(PA)
es una matriz escalonada con sus r primeras no nulas y las restantes iguales a cero. Proce-
diendo como es usual, haciendo L = (E
s
E
s1
E
1
)
1
se encuentra:
PA = LR
donde L tiene la siguiente forma:
L =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0 0
d
21
1 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
s1
d
s2
.
.
. 1 0 0 0
d
s+1,1
d
s+1,2
d
s+1,s
1 0 0
d
s+2,1
d
s+2,1
d
s+2,s
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
d
m1
d
m2
d
m,s
0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
7.5.3 Sobre la construccin de la matriz L y P
La matriz L se construir como en el caso de la factorizacin LU salvo que el el caso de cambios
de la los multiplicadores tambin se intercambian. Por otra parte para la construccin de la
matriz de permutacin P se inicia con el vector
i =
_
_
_
_
_
1
2
.
.
.
n
_
_
_
_
_
que representa a la matriz identidad, en cada cambio de la del algoritmo de Gauss, este
vector tambin cambia con la misma operacion elemental. El ltimo vector i que se tiene
permite contruir la matriz P.
Ejemplo 7.9 Considrese la siguiente triangularizacin
A =
_
_
2 4 2 0
1 2 4 4
4 0 16 8
_
_
F
13
_
_
4 0 16 8
1 2 4 4
2 4 2 0
_
_
F
21(1/4)
F
31(1/2)
_
_
4 0 16 8
1/4 2 0 2
1/2 4 6 4
_
_
F
23
_
_
4 0 16 8
1/2 4 6 4
1/4 2 0 2
_
_
F
32(1/2)
_
_
4 0 16 8
1/2 4 6 4
1/4 1/2 3 4
_
_
7.5. FACTORIZACIN LR 157
Por la consideraciones anteriores
L =
_
_
1 0 0
1/2 1 0
1/4 1/2 1
_
_
, R =
_
_
4 0 16 8
0 4 6 4
0 0 3 4
_
_
Como se han realizado las operaciones elementales de cambio de la F
13
y F
23
(en ese orden)
el vector de ndices cambia del siguiente modo:
i =
_
_
1
2
3
_
_
F
13
_
_
3
2
1
_
_
F
23
_
_
3
1
2
_
_
por tanto la matriz P es:
P =
_
_
0 0 1
1 0 0
0 1 0
_
_
se observa:
LR =
_
_
1 0 0
1/2 1 0
1/4 1/2 1
_
_
_
_
4 0 16 8
0 4 6 4
0 0 3 4
_
_
=
_
_
4 0 16 8
2 4 2 0
1 2 4 4
_
_
PA =
_
_
0 0 1
1 0 0
0 1 0
_
_
_
_
2 4 2 0
1 2 4 4
4 0 16 8
_
_
=
_
_
4 0 16 8
2 4 2 0
1 2 4 4
_
_
tal como se esperaba.
Ejemplo 7.10 Consideremos ahora la matriz
A =
_
_
_
_
0 2 1 0 1
4 0 0 1 2
4 6 3 2 1
4 4 4 2 2
_
_
_
_
procedemos a la triangularizacin.
A =
_
_
_
_
0 2 1 0 1
4 0 0 1 2
4 6 3 2 1
4 4 4 2 2
_
_
_
_
F
12
_
_
_
_
4 0 0 1 2
0 2 1 0 1
4 6 3 2 1
4 4 4 2 2
_
_
_
_
F
21(0)
F
31(1)
F
41(1)
_
_
_
_
4 0 0 1 2
0 2 1 0 1
1 6 3 3 3
1 4 4 3 4
_
_
_
_
F
23
_
_
_
_
4 0 0 1 2
1 6 3 3 3
0 2 1 0 1
1 4 4 3 4
_
_
_
_
F
32(1/3)
F
42(2/3)
_
_
_
_
4 0 0 1 2
1 6 3 3 3
0 1/3 2 1 2
1 2/3 2 1 2
_
_
_
_
F
43(1)
_
_
_
_
4 0 0 1 2
1 6 3 3 3
0 1/3 2 1 2
1 2/3 1 0 0
_
_
_
_
por tanto
L =
_
_
_
_
1 0 0 0
1 1 0 0
0 1/3 1 0
1 2/3 1 1
_
_
_
_
R =
_
_
_
_
4 0 0 1 2
0 6 3 3 3
0 0 2 1 2
0 0 0 0 0
_
_
_
_
el vector de ndices tiene la siguiente variacin:
i =
_
_
_
_
1
2
3
4
_
_
_
_
F
12
_
_
_
_
2
1
3
4
_
_
_
_
F
23
_
_
_
_
2
3
1
4
_
_
_
_
luego la matriz de permutacin es:
P =
_
_
_
_
0 1 0 0
0 0 1 0
1 0 0 0
0 0 0 1
_
_
_
_
se puede probar que: PA = LR.
1. Factorizar:
A =
_
_
2 2 1
5 1 1
2 1 1
_
_
Sol. P =
_
_
0 1 0
1 0 0
0 0 1
_
_
, L =
_
_
1 0 0
2/5 1 0
2/5 3/8 1
_
_
, R =
_
_
5 1 1
0 8/5 3/5
0 0 13/8
_
_
2. Factorizar:
A =
_
_
_
_
1 2 1 1
1 2 1 0
1 2 0 1
1 0 2 1
_
_
_
_
Sol.
_
_
_
_
1 0 0 0
0 1 0 0
0 0 0 1
0 0 1 0
_
_
_
_
A =
_
_
_
_
1 0 0 0
1 1 0 0
1 1/2 1 0
1 0 1/2 1
_
_
_
_
_
_
_
_
1 2 1 1
0 4 2 1
0 0 2 3/2
0 0 0 3/4
_
_
_
_
7.6. LA FACTORIZACIN Y LA SOLUCIN DE SISTEMAS LINEALES 159
3. Factorizar:
A =
_
_
_
_
0 1 1 1
2 1 1 1
1 1 1 1
1 1 1 1
_
_
_
_
Sol.
P =
_
_
_
_
0 1 0 0
1 0 0 0
0 0 1 0
0 0 0 1
_
_
_
_
, L =
_
_
_
_
1 0 0
0 1 0
1/2 1/2 1
1/2 1/2 1
_
_
_
_
, R =
_
_
2 1 1 1
0 1 1 1
0 0 1 0
_
_
4. Factorizar:
A =
_
_
_
_
1 2 1 2 1
2 3 2 3 2
3 4 3 4 3
4 5 4 5 4
_
_
_
_
Sol.
P =
_
_
_
_
0 0 0 1
1 0 0 0
0 0 1 0
0 1 0 0
_
_
_
_
, L =
_
_
_
_
1 0
1
4
1
3
4
1
3
1
2
2
3
_
_
_
_
_
4 5 4 5 4
0
3
4
0
3
4
0
_
7.6 La factorizacin y la solucin de sistemas lineales
7.6.1 Factorizacin LU
La factorizacin LU, puede utilizarse para resolver un sistema Ax = b, donde A M
n,n
es
invertible. Si A = LU, el sistema a resolver es LUx = b. Esto origina el siguiente proceso:
Paso 1. Se asigna
z = Ux,
as se tiene el sistema triangular Lz = b
Paso 2. Se resuelve
Lz = b,
el resultado se reemplaza en la ecuacin del paso 1 y se resuelve el sistema triangular
Ux = z,
es claro que el vector x calculado es solucin del sistema Ax = b.
Observacin. El mtodo LU, permite resolver el sistema Ax = b resolviendo dos siste-
mas triangulares. La ventaja de mtodo, es que cuando se deben resolver varios sistemas
de la forma Ax = b en donde solamente varia el vector b, en esos casos la descomposicin se
realiza una sola vez, obtenindose rpidamente las soluciones.
_
_
1 5 1
2 3 2
1 2 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
10
21
5
_
_
Solucin. Anteriormente se ha encontrado que
A =
_
_
1 5 1
2 3 2
1 2 0
_
_
=
_
_
1 0 0
2 1 0
1 1 1
_
_
_
_
1 5 1
0 7 4
0 0 3
_
_
= LU
Paso 1. Se asigna Ux = z y se resuelve el sistema
Lz = b,
esto es,
_
_
1 0 0
2 1 0
1 1 1
_
_
_
_
z
1
z
2
z
3
_
_
=
_
_
10
21
5
_
_
resolviendo por sustitucin directa se encuentra
z =
_
_
10
1
6
_
_
Paso 2. Ahora resolvemos el sistema
Ux = z,
esto es,
_
_
1 5 1
0 7 4
0 0 3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
10
1
6
_
_
resolviendo por sustitucin inversa, encontramos
_
_
7
1
2
_
_
.
7.6.2 Factorizacin LR
Si se tiene PA = LR, entonces el sistema Ax = b puede resolverse de la siguiente forma:
1. Multiplicando a la igualdad por P se tiene:
PAx = Pb,
entonces LRx = Pb.
7.6. LA FACTORIZACIN Y LA SOLUCIN DE SISTEMAS LINEALES 161
2. El sistema LRx = Pb se resuelve con la tcnica anterior.
Ejemplo 7.12 Resolver el sistema Ax = b siguiente:
_
_
0 1 2
1 1 2
2 1 3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
13
15
26
_
_
Solucin. Factorizando A se tiene:
PA = LR
donde:
P =
_
_
0 0 1
0 1 0
1 0 0
_
_
, L =
_
_
1 0 0
1/2 1 0
0 2/3 1
_
_
, R =
_
_
2 1 3
0 3/2 1/2
0 0 5/3
_
_
Se resuelve
LRx = Pb,
es decir
_
_
1 0 0
1/2 1 0
0 2/3 1
_
_
_
_
2 1 3
0 3/2 1/2
0 0 5/3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
26
15
13
_
_
Sea z = Rx, as se tiene: Lz = Pb, esto es,
_
_
1 0 0
1/2 1 0
0 2/3 1
_
_
_
_
z
1
z
2
z
3
_
_
=
_
_
26
15
13
_
_
resolviendo:
z =
_
_
26
2
35
3
_
_
Ahora se resuelve: Rx = z,
_
_
2 1 3
0 3/2 1/2
0 0 5/3
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
26
2
35
3
_
_
resolviendo:
x =
_
_
2
1
7
_
_
1. (a) Resolver el sistema
_
_
0 5 1
2 3 2
1 2 4
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
2
21
28
_
_
usando el mtodo LU.
(b) Resolver el sistema anterior con el mtodo LR. Sol.
_
_
2
1
7
_
_
2. Resolver el siguiente sistema para a = 1, a = 2 y a = 1
_
_
2 3 2
2 1 2
1 1 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
9a 5
7a + 1
2a 3
_
_
Sol.
_
_
2
2
3
_
_
,
_
_
3
1
5
_
_
,
_
_
0
4
1
_
_
7.7 La factorizacin y el clculo de autovalores
Iniciamos este tema con el siguiente teorema.
Teorema 7.6 Sea A M
n,n
y A = (P
t
L) R, donde P, L y R son de la factorizacin LR. Se
dene B = R(P
t
L) , entonces A y B son semejantes.
Demostracin. Puesto que P y L son invertibles, se encuentra R = (P
t
L)
1
A, multi-
plicando por la derecha por P
t
L se obtiene:
R
_
P
t
L
_
=
_
P
t
L
_
1
A
_
P
t
L
_
puesto que B = R(P
t
L) , se tiene: B = (P
t
L)
1
A(P
t
L) , es decir A y B son semejantes.
La anterior propiedad motiva la siguiente sucesin de matrices semejantes a la matriz A:
Sea A
1
= A, entonces para k = 1, 2, . . .
A
k
=
_
P
t
k
L
k
_
R
k
, Factorizacin LR
A
k+1
= R
k
_
P
t
k
L
k
_
,
7.7. LA FACTORIZACIN Y EL CLCULO DE AUTOVALORES 163
7.7.1 Convergencia de esta sucesin
La anterior sucesin de matrices A
k
converge a una matriz triangular de la forma:
lim
k
A
k
=
_
_
_
_
_
A
11

0 A
22

.
.
.
.
.
.
.
.
.
.
.
.
0 0 A
mm
_
_
_
_
_
En donde cada A
ii
o es un nmero o una matriz 2 2, claramente los autovalores de A se
encuentran de la diagonal de la anterior matriz triangular.
Ejemplo 7.13 Consideremos la matriz
A =
_
_
4 5 6
1 6 12
1 5 11
_
_
Sea A
1
= A, la factorizacin LR da:
P
1
=
_
_
1 0 0
0 1 0
0 1 0
_
_
,
L
1
=
_
_
1.0000000 0.0000000 0.0000000
0.2500000 1.0000000 0.0000000
0.2500000 0.7600000 1.0000000
_
_
, R
1
=
_
_
4.0000000 5.0000000 6.0000000
0.0000000 6.2500000 12.5000000
0.0000000 0.0000000 1.0000001
_
_
por tanto:
A
2
= R
1
_
P
t
1
L
1
_
=
_
_
1.2500000 2.2000000 5.0000000
4.6875000 7.7500000 6.2500000
0.2500001 1.0000001 0.0000001
_
_
siguiendo con este proceso se encuentran sucesivamente:
A
3
=
_
_
8.6666670 5.5468750 6.2500000
3.9111111 0.9166668 6.6666670
0.0666667 0.1718750 1.2500001
_
_
.
.
.
A
19
=
_
_
5.0000057 19.7055264 16.7676296
0.0000007 0.6594791 2.7610657
0.0000003 2.9238024 4.6594734
_
_
A
20
=
_
_
5.0000029 12.3229637 19.7055264
0.0000004 3.9999971 2.9238024
0.0000003 1.7100991 0.0000000
_
_
Si se quiere una aproximacin de por lo menos 5 decimales, la naterior matriz puede
considerarse como triangular por bloques. Por tanto los autovalores de A son 5.0000057 y los
autovalores de
A
22
=
_
3.9999971 2.9238024
1.7100991 0.0000000
_
luego, los autovalores buscados son:
1
= 5.0000029
2
= 1.9999986 + 0.9999988 i
3
= 1.9999986 0.9999988 i
Observacin. Los autovalores exactos son: 5, 2 + i, 2 i , se observa que el anterior
resultado es exacto si se toman en cuenta 5 decimales.
Captulo 8
Matrices denida positivas
Las formas cuadrticas aparecen de manera natural en muchas aplicaciones como es el caso de
problemas de mximos y mnimos de funciones a varias variables. En este captulo se estudia
el marco terico de estas formas.
8.1 Formas cuadrticas
Denicin 8.1 (Forma cuadrtica) Una forma cuadrtica en x
1
, x
2
, . . . , x
n
es una expresin
de la forma:
n
i=1
n
j=1
a
ij
x
i
x
j
,
claramente una forma cuadrtica es un polinomio de grado dos a n variables.
Ejemplo 8.1
P = 3x
2
1
+ 2x
1
x
2
+ 6x
2
2
es una forma cuadrtica en las variables x
1
, x
2
.
La forma cuadrtica
n
i=1
n
j=1
a
ij
x
i
x
j
puede escribirse de manera nica como el producto
x
t
Ax, donde
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
y A = (a
ij
) es una nica matriz simtrica.
Ejemplo 8.2 A la forma cuadrtica P = 3x
2
1
+2x
1
x
2
+6x
2
2
est asociada la matriz simtrica
A =
_
3 1
1 6
_
,
en efecto:
_
x
1
x
2
_
_
3 1
1 6
__
x
1
x
2
_
= 3x
2
1
+ 2x
1
x
2
+ 6x
2
2
165
166 CAPTULO 8. MATRICES DEFINIDA POSITIVAS
8.2 Matrices denida positivas
Denicin 8.2 (Matriz denida positiva) Una matriz simtrica A M
n,n
es denida positiva
si
x
t
Ax > 0, para todo x R
n
no nulo
Ejemplo 8.3 Sea A =
_
3 2
2 5
_
, entonces
_
x
1
x
2
_
_
3 2
2 5
__
x
1
x
2
_
= 3x
2
1
4x
1
x
2
+ 5x
2
2
= 3
_
x
2
1
4
3
x
2
x
1
+
4
9
x
2
2
_
4
3
x
2
2
+ 5x
2
2
= 3
_
x
1
2
3
x
2
_
2
+
11
3
x
2
2
> 0
para todo
_
x
1
x
2
_
no nulo, luego A es denida positiva.
8.2.1 Algunos teoremas sobre matrices denida positivas
Teorema 8.3 Si A es una matriz simtrica denida positiva entonces todos sus autovalores
son positivos.
Demostracin. Sea un autovalor de A asociado al autovector v, entonces Av = v,
por tanto:
v
t
Av = v
t
v = |v|
2
por tanto =
v
t
Av
|v|
2
> 0, pues el es cociente de dos nmeros positivos (ntese que al ser v un
autovector, no puede ser nulo).
Teorema 8.4 Si cada autovalor de una matriz A M
n,n
simtrica es mayor a cero, entonces
A es denida positiva.
Ejemplo 8.4 Sea A =
_
3 2
2 5
_
, la matriz del ejemplo 8.3 A es denida positiva, sus
autovalores son 4 +
5, 4
5, ambos mayores a cero.

Teorema 8.5 Si A es una matriz simtrica denida positiva entonces cada entrada a
ii
> 0.
Demostracin. Ejercicio. (Sug. considere el vector unitario e
i
)
Teorema 8.6 Si A es una matriz denida positiva, entonces lo es tambin A
t
y A
1
.
8.2. MATRICES DEFINIDA POSITIVAS 167
Demostracin.
0 < x
t
Ax =
_
x
t
Ax
_
t
= x
t
A
t
x,
por tanto x
t
A
t
x > 0, esto prueba que A
t
es denida positiva. Por otra parte para todo x no
nulo, si Ay = x, entonces y = A
1
x no es nulo, por tanto:
x
t
A
1
x = y
t
AA
1
Ay = y
t
Ay > 0,
esto prueba que A
1
es denida positiva.
Teorema 8.7 Toda submatriz principal de una matriz simtrica A M
n,n
denida positiva
es denida positiva.
Demostracin. Sea S un subconjunto propio de 1, 2, . . . , n , sea M la matriz obtenida
de A eliminando las las y columnas que no se encuentran en S. Sea x R
n
tal que tiene
ceros en las entradas que no se encuentran en S. Sea y el vector que queda de x eliminando
las entradas que no se encuentran es S, entonces:
0 < x
t
Ax = y
t
My,
al ser y arbitrario no nulo, se prueba que M es denida positiva.
8.2.2 Caracterizacin de una matriz denida positiva
Teorema 8.8 Una matriz simtrica A M
n,n
es denida positiva si y solamente todos sus
autovalores son positivos.
Demostracin. Si A es denida positiva, entonces sus autovalores deben ser positivos,
ver 8.3 pgina 166. Recprocamente supngase que los autovalores de A,
1
,
2
, . . . ,
n
, son
todos positivos. Sea P la matriz ortogonal tal que
P
t
AP = D = diag (
1
,
2
, . . . ,
n
) ,
entonces para todo x R
no nulo:
x
t
Ax = x
t
PDP
t
x
=
_
P
t
x
_
t
D
_
P
t
x
_
= y
t
Dy
=
n
i=1
i
(y
i
)
2
> 0,
esto prueba el teorema.

Denicin 8.9 (Matriz diagonalmente dominante) Una matriz A M
n,n
es diagonal-
mente dominante si
[a
ii
[
n
j=1
j=i
[a
ij
[ , i = 1, 2, . . . n
si se reemplaza por >, A se llama estrictamente diagonalmente dominante.
n,n
matriz simtrica estrictamente diagonalmente dominante con
cada a
ii
> 0, entonces A es denida positiva.
Demostracin. Es consecuencia directa del teorema de Gersgorin 5.12 pgina 107.
8.3 Matrices denida negativas y semidenidas
Denicin 8.11 (Matriz denida negativa) Una matriz simtrica A M
n,n
es denida
negativa si
x
t
Ax < 0
para todo x R
n
no nulo.
Denicin 8.12 (Matriz semidenida positiva) Una matriz simtrica A M
n,n
es se-
midenida positiva si
x
t
Ax 0
para todo x R
n
no nulo.
Denicin 8.13 (Matriz semidenida negativa) Una matriz simtrica A M
n,n
es se-
midenida negativa si
x
t
Ax 0
para todo x R
n
no nulo.
n,n
es semidenida positiva si y solamente si sus
autovalores son no negativos. (es decir existen autovalores nulos y todos los dems positivos)
Teorema 8.15 Una matriz simtrica A es denida negativa si y solamente si A es denida
positiva.
Corolario 8.16 Una matriz simtrica A es denida negativa si y solamente todos sus auto-
valores son negativos
n,n
es semidenida negativa si y solamente si sus
autovalores son no positivos. (es decir existen autovalores nulos y todos los dems negativos)
Mediante el clculo de autovalores, clasicar las siguientes matrices.
8.4. LA SIGNATURA DE UNA MATRIZ SIMTRICA 169
1. A =
_
_
2 1 1.
1 4 1
1 1 2
_
_
. Sol. Denida positiva
2. B =
_
_
_
_
3 0 0 1.
0 4 1 0
0 1 5 0
1 0 0 3
_
_
_
_
Sol. Denida negativa
3. A =
_
_
1 2 3.
2 4 5
3 5 6
_
_
Sol. No denida ni semidenida
4. C =
_
_
1 0 1
0 2 0
1 0 1
_
_
Sol. Semidenida positiva
8.4 La signatura de una matriz simtrica
8.4.1 La denicin de signatura
Denicin 8.18 (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) ,
es el par (p, q) , donde p es el nmero de autovalores positivos y q el nmero de autovalores
negativos.
Observacin. Se puede probar que rango (A) = p +q.
A =
_
_
2 1 3
1 2 1
3 1 2
_
_
Esta matriz tiene los siguientes autovalores:
1
= 3
2
= 0
3
= 5
por tanto la signatura de esta matriz es sig (A) = (1, 1) (un autovalor positivo y un autovalor
negativo).
Ejemplo 8.6 Es claro que la signatura de
B =
_
_
3 0 0
0 5 0
0 0 1
_
_
es sig (B) = (2, 1) (dos autovalores positivos y uno negativo).
La signatura puede calcularse sin necesidad de calcular los autovalores, como se ver en
la siguiente seccin.
8.4.2 Clculo de la signatura con operaciones elementales
Denicin 8.19 (Operaciones elementales simultneas)Si a continuacin de una ope-
racin elemental de la se realiza la misma operacin de columna, se dir que se a hecho una
operqacin elemental simultnea.
Ejemplo 8.7
_
_
2 1 3
1 2 1
3 1 2
_
_
F
21
(
1
2
)
_
_
2 1 3
0
5
2

5
2
3 1 2
_
_
C
21(
1
2
)
n,n
matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Entonces: sig (A) = (p, q) donde p es el
nmero de entradas positivas en la diagonal de la matriz D y q el nmero de entradas negativas.
Ejemplo 8.8 Considere la matriz del ejemplo 8.5, aplicando operaciones elementales se tiene:
A =
_
_
2 1 3
1 2 1
3 1 2
_
_
F
21
(
1
2
)
_
_
2 1 3
0
5
2

5
2
3 1 2
_
_
C
21(
1
2
)
_
_
2 0 3
0
5
2

5
2
3
5
2
2
_
_
F
31
(
3
2
)
_
_
2 0 3
0
5
2

5
2
0
5
2

5
2
_
_
C
31
(
3
2
)
_
_
2 0 0
0
5
2

5
2
0
5
2

5
2
_
_
F
32(1)
_
_
2 0 0
0
5
2

5
2
0 0 0
_
_
F
32(1)
_
_
2 0 0
0
5
2
0
0 0 0
_
_
luego sig (A) = (1, 1) .
Observacin. Es posible tambin realizar operaciones elementales de la continuadas y
luego sus correspondientes operaciones columna.
Ejemplo 8.9 Sea: A =
_
_
8 2 3
2 3 2
3 2 8
_
_
, aplicando operaciones elementales se encuentra:
A =
_
_
8 2 3
2 3 2
3 2 8
_
_
F
21
(
1
4
)
F
31(
3
8
)
_
_
8 2 3
0
5
2
11
4
0
11
4

55
8
_
_
C
21
(
1
4
)
C
31(
3
8
)
8.5. CARACTERIZACINDEMATRICES SIMTRICAS CONOPERACIONES ELEMENTALES17
_
_
8 0 0
0
5
2
11
4
0
11
4

55
8
_
_
F
32
(
11
10
)
_
_
8 0 0
0
5
2
11
4
0 0
77
20
_
_
C
32
(
11
10
)
_
_
8 0 0
0
5
2
0
0 0
77
20
_
_
por tanto sig (A) = (0, 3) .
Observacin. Los autovalores de A son: 11, 7, 1, todos negativos.
8.5 Caracterizacin de matrices simtricas con opera-
ciones elementales
n,n
una matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Sea sig (A) = (p, q) donde p es el nmero de
entradas positivas y q el nmero de entradas negativas de la diagonal principal de la matriz
D. Entonces:
1. Si sig (A) = (n, 0) , entonces A es denida positiva.
2. Si sig (A) = (0, n) , entonces A es denida negativa.
3. Si sig (A) = (p, 0) y p < n, entonces A es semidenida positiva.
4. Si sig (A) = (0, q) y q < n, entonces A es semidenida negativa.
5. Si sig (A) = (p, q) p ,= 0, q ,= 0, entonces A no est denida.
Ejemplo 8.10 Sea
A =
_
_
4. 2 2
2 4 2
2 2 8
_
_
aplicando operaciones elementales simultneas se tiene:
A =
_
_
4 2 2
2 4 2
2 2 8
_
_
F21(1/2)
F31(1/2)
_
_
4 2 2
0 3 3
0 3 7
_
_
C21(1/2)
C31(1/2)
_
_
4 0 0
0 3 3
0 3 7
_
_
F32(1)
_
_
4 0 0
0 3 3
0 0 4
_
_
C32(1)
_
_
4 0 0
0 3 0
0 0 4
_
_
por tanto sig (A) = (0, 3) , es decir A es denida negativa.
8.6 El criterio de Sylvester
Este criterio, es otra manera de caracterizacin de matrices simtricas, ahora emplearemos
determinantes.
n,n
una matriz simtrica. Para cada k, k = 1, 2, . . . , n se dene
k
como el determinante de la matriz en M
k,k
obtenida con las primeras k las y k columnas
de la matriz A, es decir:
1
= [a
11
[
2
=
a
11
a
12
a
21
a
22
etc.
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1n
a
21
a
22
a
23
a
2n
a
31
a
32
a
33
a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nn
_
_
_
_
_
_
_
entonces:
1. Si cada
k
> 0, para k = 1, 2, . . . , n, entonces sig (A) = (n, 0)
2. Si (1)
k
k
> 0, para k = 1, 2, . . . , n, entonces sig (A) = (0, n) , (ntese que en este
caso los signos de los deltas van alternadamente de menos a mas, empezando con el
signo menos).
Ejemplo 8.11 Nuevamente considere la matriz A del ejemplo 8.9
A =
_
_
8 2 3
2 3 2
3 2 8
_
_
entonces:
1
= [8[ = 8
2
=
8 2
2 3
= 20
3
=
8 2 3
2 3 2
3 2 8
= 77
como los signos de los deltas van intercalados y empezando con signo negativo, sig (A) =
(0, 3) .
8.6. EL CRITERIO DE SYLVESTER 173
Ejercicio 8.1 Determinar la signatura de las siguientes matrices y clasique las mismas.
1. A =
_
_
9 2 3
2 4 2
3 2 9
_
_
, Sol. (3, 0)
2. A =
_
_
3 1 3
1 8 1
3 1 3
_
_
, Sol. (0, 2)
3. A =
_
_
4 2 4
2 4 0
4 0 8
_
_
, Sol. (3, 0)
4. A =
_
_
8 2 3
2 3 2
3 2 8
_
_
, Sol. (0, 3)
Captulo 9
Otras aplicaciones del lgebra Lineal
9.1 Modelo de produccin
Una compaia tiene tres plantas de produccin P1, P2, P3. En cada una de estas plantas se
fabrican tres productos A, B, C. Supongamos que de una unidad de insumo se sabe que:
1. La primera planta produce 4 de A, 2 de B y 4 de C
2. La segunda planta produce 5 de A, 4 e B y 2 de C.
3.La tercera planta produce 2 de A, 4 e B y 5 de C.
Las demandas a la compaia de estos tres productos son 1700 de A, 1600 de B y 1550 de
C. Cuntas unidades de insumo requiere cada planta para satisfacer la demanda?
El enunciado del problema se puede resumir como sigue:
Planta 1 Planta 2 Planta 3 Demanda
A 4 5 2 1700
B 2 4 4 1600
C 4 2 5 1550
Sean x
A
, x
B
y x
C
las unidades de insumo asignadas a la plantas A, B, C respectivamente,
entonces se plantea:
4x
A
+ 5x
B
+ 2x
C
= 1700
2x
A
+ 4x
B
+ 4x
C
= 1600
4x
A
+ 2x
B
+ 5x
C
= 1550
x
A
= 100
x
B
= 200
x
C
= 150
9.2 El modelo de Leontief o modelo de insumo producto
La tcnica de insumo producto se debe a Wassily Leontief (1941), y fue construida inicialmente
para el anlisis nacional de las modicaciones estructurales de la economa norteamericana.
175
176 CAPTULO 9. OTRAS APLICACIONES DEL LGEBRA LINEAL
En esta seccin analizamos un problema hipottico para luego plantear el problema de una
manera general.
9.2.1 Un ejemplo
Considrese un modelo muy simple de una economa en la cual se producen 2 artculos, es
decir, una economa formada por dos industrias: digamos la industria A y la industria B. (por
ejemplo, papa y ganado).
Cada ao tenemos una demanda externa de la industria A de 1670 unidades y una
demanda externa de la industria B de 3340 unidades. Aqu la demanda externa signica
que proviene de fuera de la economa, es decir, la cantidad de unidades requeridas para
exportacin. Adems hay una demanda interna de otras industrias del pas, en nuestro
caso, la demanda que ejerce A sobre B y viceversa.
Supongamos que para producir 1 unidad de A se requiere
1
8
de unidad de A y
1
10
de unidad
de B, es decir, con 1 unidad de A se fabrican 8 unidades de A y con 1 unidad de B se fabrican
10 unidades de A.
Tambin, para producir 1 unidad de B se requiere
1
2
unidad de B y
1
5
de A. Es decir, con
1 unidad de B se fabrican 2 unidades de B y con una unidad de A se fabrican 5 unidades de
B. Resumimos esto en la siguiente tabla:
1
8
de A
1 de A
1
10
de B
1
5
de A
1 de B
1
2
de B
La pregunta es: Cunto deben fabricar cada una de las industrias para que no haya
sobreproduccin?. Es decir, cul debe ser la produccin en cada una de las industrias para
que la disponibilidad de cada una sea igual a la demanda total?.
Sean x, y el nmero de unidades fabricadas del producto A y B respectivamente, entonces:
Produccin
Demanda
interna A
Demanda
interna B
Demanda
externa
Industria A x
1
8
x
1
5
y 1670
Industria B y
1
10
x
1
2
y 3340
x =
1
8
x +
1
5
y + 1670
y =
1
10
x +
1
2
y + 3340
9.2. EL MODELO DE LEONTIEF O MODELO DE INSUMO PRODUCTO 177
realizando operaciones se encuentra:
_
1
1
8
_
x
1
5
y = 1670
1
10
x +
_
1
1
2
_
y = 3340
resolviendo se encuentra
x = 3600
y = 7400
9.2.2 El modelo general
Supongamos una economa con n industrias. Sea
e
i
: La demanda externa ejercida sobre la industria i,
a
ij
: El nmero de unidades de la industria i que se necesitan para producir 1 unidad de
la industria j, es decir, la demanda por unidad de j sobre i.
x
i
: Produccin de i (nmero de unidades fabricadas por la industria i)
Como en el ejemplo anterior:
Produccin Demanda interna 1 Demanda interna 1 Demanda interna 1 Demanda extern
x
1
a
11
x
1
a
12
x
2
a
1n
x
n
e
1
x
2
a
21
x
1
a
22
x
2
a
2n
x
n
e
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
a
n1
x
1
a
n2
x
2
a
nn
x
n
e
n
as se plantea un sistema de n ecuaciones. La i esima ecuacin est dada por:
x
i
=
n
j=1
a
ij
x
j
+e
i
que se puede escribir como:
(1 a
ii
) x
i
j=1
j=i
a
ij
x
j
= e
i
Con A = (a
ij
) , x = (x
i
) y e = (e
i
) se encuentra el sistema:
(I A) x = e
Aqu I es la identidad en M
n,n
. La matriz A se llama Matriz de tecnologa, x es el vector
de produccin y e es el vector de demanda externa. La matriz L = I A se llama
matriz de leontief. Ntese que si L es invertible el problema tiene solucin nica.
9.3 Cadenas de markov.
9.3.1 Un ejemplo inicial
Considere el siguiente problema hipottico. Un cliente puede comprar el producto A, el pro-
ducto B o el producto C. Su siguiente compra est controlada por el producto que actualmente
a comprado. Cada vez que compra un nuevo producto ocurre un paso. Supngase que los
productores de los tres productos tienen la siguiente informacin relativa al comportamiento
de los clientes. Esta tabla muestra la probabilidad de que un cliente que compra un producto
actualmente (paso n = 0) pueda comprar el siguiente producto (paso n = 1).
Compra actual
Siguiente compra
Compra A Compra B Compra C
Tiene A
Tiene B
Tiene C
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
Esta tabla tiene la siguiente interpretacin: La probabilidad de que un cliente que actual-
mente compra A en la siguiente compra comprar A es 0.30, si el cliente tiene C actualmente,
en la siguiente compra, la probabilidad de comprar C nuevamente es 0.50. La matriz formada
con estos nmeros se llama matriz de transicin.
P =
_
_
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
_
_
V
1
= (0.40, 0.30, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en A
V
2
en B
V
3
en C
Problema. Cul es el vector de probabilidades para pasar del paso 0 a paso 2 estando
en A, en B y en C?.
Se puede probar que
V
2
1
= V
1
P
=
_
0.4 0.30 0.30
_
_
_
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
_
_
=
_
. 295 . 345 . 36
_
este vector tiene la siguiente interpretacin: Comprando actualmente un producto de A las
probabilidades de compra en una segunda ocacin se los productos A, B y C son respectiva-
mente 0.295, 0.345, 0.360.
V
2
2
= V
2
P
9.4. REGRESIN LINEAL 179
=
_
0.20 0.50 0.30
_
_
_
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
_
_
=
_
. 255 . 385 . 36
_
V
2
3
= V
3
P
=
_
0.25 0.25 0.50
_
_
_
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
_
_
=
_
. 275 . 325 . 4
_
Observacin. Ntese que los vectores encontrados son las las de P
2
,
P
2
=
_
_
. 295 . 345 . 36
. 255 . 385 . 36
. 275 . 325 . 4
_
_
,
se puede probar que los vectores V
n
i
son las las de la matriz P
n
.
En el paso 20 se tiene:
P
20
=
_
_
0.40 0.30 0.30
0.20 0.50 0.30
0.25 0.25 0.50
_
_
20
=
_
_
. 27344 . 35156 . 375
. 27344 . 35156 . 375
. 27344 . 35156 . 375
_
_
debe notarse que todos los vectores son iguales. Es interesante observar que a la larga el
cliente acabar comprando el producto C (al menos se tiene mayor probabilidad).
9.4 Regresin lineal
9.4.1 Regresin lineal con dos variables
Considrense los siguientes n puntos del plano:
(x
1
, y
1
) , (x
2
, y
2
) , . . . , (x
n
, y
n
)
estos puntos representados en el plano xy forman lo que llamaremos la nube de puntos. El
problema de la regresin lineal con dos variables consiste en hallar una recta y =
1
+
2
x
que minimize la funcin:
f (
1
,
2
) =
n
i=1
e
2
i
=
n
i=1
(y
i
2
x
i
)
2
,
se puede probar que
=
_
X
t
X
_
1
_
X
t
Y
_
donde:
X =
_
_
_
_
_
1 x
1
1 x
2
.
.
.
.
.
.
1 x
n
_
_
_
_
_
, Y =
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
, =
_

1
2
_
Observacin. Alternativamente para encontrar podemos resolver el sistema:
_
X
t
X
_
= X
t
Y
o equivalentemente:
_
_
_
n
n
i=1
x
i
n
i=1
x
i
n
i=1
x
2
i
_
_
_
_

1
2
_
=
_
_
_
n
i=1
y
i
n
i=1
x
i
y
i
_
_
_
se llaman las ecuaciones normales de la regresin lineal.
Ejemplo 9.1 Calcular la recta de regresin para los datos:
(0, 2) , (1, 5) , (3, 4) , (5, 5)
Solucin.
X =
_
_
_
_
1 0
1 1
1 3
1 5
_
_
_
_
, Y =
_
_
_
_
2
5
4
5
_
_
_
_
esto da
X
t
X =
_
1 1 1 1
0 1 3 5
_
_
_
_
_
1 0
1 1
1 3
1 5
_
_
_
_
=
_
4 9
9 35
_
X
t
Y =
_
1 1 1 1
0 1 3 5
_
_
_
_
_
2
5
4
5
_
_
_
_
=
_
16
42
_
por tanto
1
y
2
se encuentran resolviendo:
_
4 9
9 35
__

1
2
_
=
_
16
42
_
de donde:
_

1
2
_
=
_
182
59
24
59
_
As la recta de regresin es:
y =
182
59
+
24
59
x
x
5 4 3 2 1 0
5
4
3
2
1
9.4.2 Regresin lineal con k variables
Considrense los siguientes n puntos de R
k
:
(x
12
, x
13
, . . . , x
1k
, y
1
) ,
(x
22
, x
23
, . . . , x
2k
, y
2
) ,
. . .
(x
n2
, x
n3
, . . . , x
nk
, y
n
)
El problema de la regresin lineal con dos variables consiste en hallar una funcin y =
1
+
2
x
2
+ +
k
x
k
que minimize la funcin:
f (
1
,
2
, . . . ,
k
) =
n
i=1
e
2
i
=
n
i=1
(y
i
2
x
i2

k
x
ik
)
2
,
se puede probar que
=
_
X
t
X
_
1
_
X
t
Y
_
donde:
X =
_
_
_
_
_
1 x
12
x
13
x
1k
1 x
22
x
23
x
2k
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n2
x
n3
x
nk
_
_
_
_
_
, Y =
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
, =
_
_
_
_
_
2
.
.
.
k
_
_
_
_
_
Muchos problemas de regresin no lineales se pueden resolver mediante esta tcnica.
Ejemplo 9.2 Considere los siguientes datos:
i 1 2 3 4 5 6
x
i
-3 -2 0 1 2 3
y
i
1.5 4 0 3 -4 -1.5
hallar una funcin f (x) =
1
+
2
sin x +
3
sin 2x +
4
sin 3x que mejor se aproxime a estos
datos.
Solucin. La funcin es claramente no lineal, sin embargo es posible linealizarlo mediante
la asignacin
y = f (x)
x
2
= sin x
x
3
= sin 2x
x
4
= sin 3x
obtenindose:
y =
1
+
2
x
2
+
3
x
3
+
4
x
4
ahora tenemos un problema de regresin lineal con los datos:
x
i2
= sin (x
i
) x
i3
= sin(2x
i
) x
i4
= sin (4x
i
) , i = 1, 2, 3, 4, 5, 6
resumimos los clculos en la siguiente tabla:
i x
i
y
i
x
i2
= sin (x
i
) x
i3
= sin(2x
i
) x
i4
= sin (4x
i
)
1 3 1.5 . 14112 . 27942 . 41212
2 2 4 . 9093 . 7568 . 27942
3 0 0 0 0 0
4 1 3 . 84147 . 9093 . 14112
5 2 4 . 9093 . 7568 . 27942
6 3 1.5 . 14112 . 27942 . 41212
Fabricamos las matrices necesarias:
X =
_
_
_
_
_
_
_
_
1 . 14112 . 27942 . 41212
1 . 9093 . 7568 . 27942
1 0 0 0
1 . 84147 . 9093 . 14112
1 . 9093 . 7568 . 27942
1 . 14112 . 27942 . 41212
_
_
_
_
_
_
_
_
, Y =
_
_
_
_
_
_
_
_
1.5
4
0
3
4
1.5
_
_
_
_
_
_
_
_
por tanto:
X
t
X =
_
_
_
_
6 . 84147 . 9093 . 14112
. 84147 2. 4016 . 69003 . 27309
. 9093 . 69003 2. 1285 . 32094
. 14112 . 27309 . 32094 . 51575
_
_
_
_
_
X
t
X
_
1
=
_
_
_
_
. 2 . 10749 . 11417 4. 0599 10
2
. 10749 . 5302 . 18875 . 1927
. 11417 . 18875 . 61798 . 25338
4. 0599 10
2
. 1927 . 25338 2. 2097
_
_
_
_
X
t
Y =
_
_
_
_
3.0
5. 1734
9. 6206
1. 4224
_
_
_
_
por tanto:
_
_
_
_
4
_
_
_
_
=
_
X
t
X
_
1
_
X
t
Y
_
=
_
_
_
_
4. 3154 10
5
. 97542
4. 2659
. 4133
_
_
_
_
As la funcin pedida es:
f (x) = 4. 3154 10
5
. 97542 sin x + 4.2659 sin 2x 0.4133 sin 3x

Algebra Lineal Santiago Relos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra Lineal Santiago Relos

Uploaded by

Copyright:

Available Formats

Algebra Lineal

Observacin. Es importante observar que el nmero de columnas de A (el primer factor)

1.3.2 Matrices triangulares

o empleando los elementos de la tercera la se tiene:

Ejemplo 1.32 Empleando la primera la se tiene:

= (3) 2 (6) + 3 (3)

= (a) (dr) (cr) (b)

= ayc abz bxc +baz +cxb cay

Relativo a matrices triangulares

1.6. DETERMINANTE DE UNA MATRIZ CUADRADA 37

la 3 con las columnas 1, 2, 5

1.6.5 Rango de una matriz

= 2, y [A[ = 0, entonces rango (A) = 2.

] una matriz equivalente a la matriz [A : b] , entonces los sistemas

esto muestra que la j esima columna de AB es el producto AB

58 CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Ejemplo 2.18 Resolver:

forman una base de R

3v, entonces el conjunto u, v, w es ...................

(x) es la derivada de P (x) . Hallar una base de W. Sol.

v, esto prueba el teorema.

aqu || es la norma euclidiana.

Mult. algebraica Mult. Geomtrica

Mult. algebraica Mul. Geomtrica

Mult. algebraica Mult. Geomtrica

Ejemplo 5.12 Considrense las matrices

Mult. algebraica Mult. Geomtrica

Mult. algebraica Mul. Geomtrica

Mult. algebraica Mult. Geomtrica

Ejemplo 6.13 Considere la transformacin lineal T : R

una nueva base de V tal que mat

formada por autovectores

Denicin 7.3 Los nmeros d

5, ambos mayores a cero.

168 CAPTULO 8. MATRICES DEFINIDA POSITIVAS

You might also like