Professional Documents
Culture Documents
Santiago Relos P.
Departamento de Ciencias Exactas
Universidad Privada Boliviana
Cochabamba, Bolivia
2008
ndice General
1 Matrices
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
9
10
10
10
11
11
11
12
14
14
17
17
19
19
20
20
23
23
25
25
26
29
29
32
36
38
38
42
NDICE GENERAL
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
43
43
44
44
46
46
46
47
47
48
48
54
54
55
57
58
60
61
64
64
65
66
66
68
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
71
72
74
75
75
76
76
78
81
84
.
.
.
.
89
89
89
90
90
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
4.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . .
4.3.1 Vectores ortogonales . . . . . . . . . . . . .
4.3.2 Conjuntos ortogonales . . . . . . . . . . . .
4.3.3 Bases ortogonales y ortonormales . . . . . .
4.4 Proceso de Gram Schmidt . . . . . . . . . . . . . .
4.4.1 La proyeccin ortogonal . . . . . . . . . . .
4.4.2 La construccin de un conjunto ortogonal de
4.4.3 El proceso de Gram Schmidt . . . . . . . . .
5 Autovalores y autovectores
5.1 La definicin de autovalor y autovector . . . . . . .
5.2 Clculo de autovalores y autovectores . . . . . . . .
5.2.1 Clculo de autovalores . . . . . . . . . . . .
5.2.2 Clculo de autovectores . . . . . . . . . . .
5.3 Teoremas relativos a autovalores y autovectores . .
5.3.1 Clculo del polinomio caracterstico . . . . .
5.3.2 Autovalores y rango . . . . . . . . . . . . .
5.3.3 Autovalores e inversa . . . . . . . . . . . . .
5.3.4 Mltiplos escalares de un autovector . . . .
5.3.5 Raz del polinomio caracterstico . . . . . .
5.3.6 Autovectores y dependencia lineal . . . . . .
5.3.7 Autovalores de matrices simtricas . . . . .
5.3.8 Los discos de Gersgorin . . . . . . . . . . . .
5.4 Multiplicidad algebraica y multiplicidad geomtrica
5.5 Semejanza y diagonalizacin . . . . . . . . . . . . .
5.5.1 Matrices semejantes . . . . . . . . . . . . . .
5.5.2 Diagonalizacin . . . . . . . . . . . . . . . .
5
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
tres vectores
. . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
91
91
91
92
93
93
94
94
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
99
99
99
99
102
105
105
105
106
106
106
106
107
107
108
110
110
111
6 Transformaciones lineales
6.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 La definicin de transformacin lineal . . . . . . . .
6.1.2 Propiedades de una transformacin lineal . . . . . .
6.2 Construccin de transformaciones lineales . . . . . . . . . .
6.3 Composicin . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4 Ncleo e imagen . . . . . . . . . . . . . . . . . . . . . . . .
6.4.1 Ncleo . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.2 Imagen . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.3 El teorema de la dimensin . . . . . . . . . . . . .
6.5 La transformacin inversa . . . . . . . . . . . . . . . . . .
6.6 La matriz de una transformacin lineal . . . . . . . . . . .
6.6.1 Matriz de coordenadas de un vector . . . . . . . . .
6.6.2 Matriz de coordenadas de una transformacin lineal
6.6.3 Cambio de base . . . . . . . . . . . . . . . . . . . .
6.7 Operadores lineales . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
119
119
119
120
121
123
124
124
125
125
128
131
131
132
136
138
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
6.8 La geometra de las transformaciones
6.8.1 Transformaciones lineales . . .
6.8.2 La transformacin rotacin . .
6.8.3 Transformaciones no lineales .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Factorizacin LU y LR
7.1 Matrices elementales . . . . . . . . . . . . . . . . . . . . .
7.2 La inversa de una matriz elemental . . . . . . . . . . . . .
7.3 La matriz elemental como aniquilador . . . . . . . . . . . .
7.3.1 Aniquilacin bajo la primera entrada . . . . . . . .
7.3.2 Aniquilador general . . . . . . . . . . . . . . . . . .
7.4 Factorizacin LU . . . . . . . . . . . . . . . . . . . . . . .
7.4.1 El algoritmo de Gauss en la factorizacin . . . . . .
7.4.2 Clculo de la matriz L . . . . . . . . . . . . . . . .
7.4.3 Forma prctica de la construccin de L . . . . . . .
7.5 Factorizacin LR . . . . . . . . . . . . . . . . . . . . . . .
7.5.1 Matrices de permutacin . . . . . . . . . . . . . . .
7.5.2 Factorizacin con el algoritmo de Gauss con pivote
7.5.3 Sobre la construccin de la matriz L y P . . . . . .
7.6 La factorizacin y la solucin de sistemas lineales . . . . .
7.6.1 Factorizacin LU . . . . . . . . . . . . . . . . . . .
7.6.2 Factorizacin LR . . . . . . . . . . . . . . . . . . .
7.7 La factorizacin y el clculo de autovalores . . . . . . . . .
7.7.1 Convergencia de esta sucesin . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
140
140
140
143
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
145
145
146
147
147
148
149
149
150
153
154
154
155
156
159
159
160
162
163
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
165
165
166
166
167
168
169
169
170
171
172
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
175
175
175
176
177
178
178
NDICE GENERAL
NDICE GENERAL
Captulo 1
Matrices
El objetivo inicial de este captulo es la de familiarizarse con la notacin del lgebra Lineal,
se dan las definiciones 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
fila, para luego estudiar la reduccin de Gauss. Finalmente se estudian la definicin y las
propiedades del determinante de una matrz cuadrada.
1.1
Qu es una matriz?
Definicin 1.1 (Matriz) Una matriz es un arreglo rectangular de nmeros (reales o complejos) dispuestos en filas 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
10
CAPTULO 1. MATRICES
Si A es una matriz de m filas y n columnas, se escribir:
A = (aij ) ; i = 1, . . . , m; j = 1, . . . , n,
1.1.2
1.2.1
5 1
0 3
M22
3 4 1 4
2 3 M34
B= 3 3
0 2
3 2
luego B es de orden 3 4.
1.2
Definicin 1.2 (Igualdad de matrices) Sean Am,n , B Mm,n , se dice que la matriz A es
igual a la matriz B, lo que escribimos A = B, si
aij = bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.4 Las matrices
A=
son iguales.
La matrices
2 3 5
7
9 0
, B=
2 3 5
7
9 0
2
3
2
3
1
1 , D = 1
C= 1
7 1
5 1
1.2.2
11
2 4 6 8
1 2 3 4
(2) 5 6 7 8 = 10 12 14 16
18 20 22 24
9 10 11 12
1.2.3
Suma
Definicin 1.4 (Suma) Sean Am,n , B Mm,n , la suma de A y B, escrito A+B, es la matriz
en Mm,n tal que:
(A + B)ij = aij + bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.6
6 6 5 5
7
4
2 1
1 2 3 4
5 6 7 8 + 10 8
5 3 = 15 2 12 11
21 21 2 18
12 11 9 6
9 10 11 12
1.2.4
Resta
1 2 3 4
7
4
2 1
8 2 1 3
5 6 7 8 10 8
5 3 = 5 14 2 5
9 10 11 12
12 11 9 6
3 1 20 6
12
CAPTULO 1. MATRICES
1.2.5
Producto de matrices
a1
a2
A = ..
.
an
A = (a1 , a2 , . . . , an ) y B =
b1
b2
..
.
bn
A = A1 , A2 , . . . , An .
Similarmente si A1 , A2 , . . . , Am son los vectores fila de A, entonces A se escribir como:
A1
A2
A = ..
.
Am
Ahora estamos en condiciones de definir el producto de matrices.
A1
A2
A = .. , B = B 1 , B 2 , . . . , B n ,
.
Am
13
A1 B 1 A1 B 2 A1 B n
A2 B 1 A2 B 2 A2 B n
AB =
..
..
..
.
.
.
.
.
.
1
2
n
Am B Am B Am B
Ejemplo 1.8 Considere las matrices
A=
2 4 6
5
1 0
4 7
, B= 3 6
2 1
Entrada A21 :
4
(2, 4, 6) 3 = (2) (4) + (4) (3) + (6) (2) = 16
2
4
(5, 1, 0) 3 = (5) (4) + (1) (3) + (0) (2) = 23
2
Entrada A21 :
De lo anterior:
7
(2, 4, 6) 6 = (2) (7) + (4) (6) + (6) (1) = 4
1
7
(5, 1, 0) 6 = (5) (7) + (1) (6) + (0) (6) = 41
1
AB =
2 4 6
5
1 0
4 7
3 6 = 16 4
23 41
2 1
14
CAPTULO 1. MATRICES
Observacin. Es inmediato, de la definicin, que la primera columna de AB es el producto AB 1 , la segunda columna AB 2 , y as sucesivamente, es decir:
AB = AB 1 , AB 2 , . . . , AB n
aik bkj ,
k=1
1.2.6
Ejemplo 1.9
2 1
A = 1 3 M32
4 5
2 1 4
t
M23
A =
1
3 5
1.2.7
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 = At + B t
Demostracin. Ejercicio
15
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 At
Demostracin.
1. Ejercicio.
2. Supngase que A Mmr , B, C Mr,n , entonces:
[A (B + C)]ij =
Aik (B + C)kj
k=1
r
k=1
k=1
= (AB)ij + (AC)ij
luego A (B + C) = AB + AC.
3. Supngase que A Mmr , B Mr,n , entonces:
(AB)tji = (AB)ij
r
=
Aik Bkj
k=1
=
=
r
k=1
r
k=1
luego (AB)t = B t At .
Bkj Aik
t
Bjk
Atki
= B t At ji
16
CAPTULO 1. MATRICES
2 1
4 3
, B=
3 1
0 2
2 1
3 1
6 0
AB =
=
4 3
0 2
12 10
3 1
2 1
2 6
BA =
=
0 2
4 3
8 6
Sobre el producto cero en matrices
Definicin 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
AB =
2
1
2 1
Claramente:
, B=
1/2
1
1/2
1
0
0
Ejercicios propuestos
1. Una matriz A M3,3 tiene la siguiente propiedad: aij =
1
si i = j
ij
:
tiene la propiedad bij =
0
si i = j
1
i+j
1 2 3
4. Sea A = 4 5 6 , determinar una matriz B tal que
7 8 9
1 1
2
3 3
A + B = 2
4 4
5
0 3 1
Sol. 6 2 9
3 12 4
17
7.
8.
9.
10.
2 4
6
8
1 1
Sea A =
, determinar una matriz B tal AB = BA. Sol. Una tal matriz es
1 1
4 3
B=
3 4
2 2
Sea A =
, existe una matriz B tal que AB = 0, en caso afirmativo encon1 1
trarla.
2 4
Sea A =
, existe una matriz B tal que AB = 0, en caso afirmativo encon6 12
trarla.
4 1 1
2 1 1
1 1
1
Considere la matriz A = 2 1 1 , B = 1 0 1 , C = 2 3 2 ,
1
0
1
0 1 2
1
0
2
mostrar que AB = AC, es decir, de la igualdad AB = AC no se puede concluir con
B = C.
0 1
Sean A, B matrices en M2,2 que conmutan con
. Demuestre que AB =
1 0
0 1
BA. (Sug. Muestre que cualquier matriz que conmuta con
tiene la forma
1 0
0 1
1 0
donde a y b nmeros)
+b
a
1 0
0 1
1.3
1.3.1
Matrices especiales
Matriz cuadrada
Definicin 1.14 (Matriz cuadrada) Una matriz A Mn,n se llama matriz cuadrada, as
una matriz cuadrada tiene igual nmero de filas que columnas.
18
CAPTULO 1. MATRICES
Potencias
Una matriz cuadrada puede elevarse a una potencia entera positiva (luego se vern otro tipo
de potencias), Para esto definimos
Definicin 1.15 (Potencia) Sea A Mn,n , k un entero positivo, la k esima potencia de
A, escrito Ak , est definida por
Ak = A Ak1
De la definicin se deduce:
A2 = AA
A3 = AA2 , etc
Matriz simtrica
Definicin 1.16 (Matriz simtrica) Una matriz cuadrada A Mn,n se dice simtrica si
At = A.
Ejemplo 1.12 La matriz
1 2 3
A= 2 4 5
3 5 6
es simtrica pues At = A.
Ejemplo 1.13 La matriz
no es simtrica pues:
1 2 3
A= 4 5 6
7 8 9
1 4 7
1 2 3
4 5 6 =A
At = 2 5 8 =
3 6 9
7 8 9
19
2
3
14
23
no es simtrica.
1.3.2
2 4
4 5
Matrices triangulares
Definicin 1.18 (Matriz triangular superior e inferior) Una matriz cuadrada A Mn,n
es triangular superior si:
aij = 0, para i > j
y es triangular inferior si:
aij = 0, para i < j
Ejemplo 1.14 Las matrices
1.3.3
es decir, una matriz diagonal es aquella que es simultneamente triangular superior e inferior.
Las matrices diagonales se denotarn como
D = diag (d1 , d2 , . . . , dn ) ,
en donde d1 , d2 , . . . , dn son los elementos de la diagonal principal.
Definicin 1.20 (Matriz identidad) La matriz I Mn,n definida por
1 i=j
In =
0 i = j
es la identidad en M3,3
1 0 0
I3 = 0 1 0
0 0 1
20
CAPTULO 1. MATRICES
1.3.4
1.4
La funcin matricial 1
Definicin 1.23 (La matriz contraidentidad) Una matriz Wn = (wr,s ) Mn,n tal que wr,s =
1 si r = n s + 1 y 0 en otro caso, es llamada matriz contraidentidad de orden n. Si ei es el
i esimo vector cannico de Rn , entonces la matriz contraidentidad puede escribirse como
Wn = [en en1 . . . , e1 ] .
Ejemplo 1.16
0 0 1
W3 = 0 1 0
1 0 0
1 2 3 4
Ejemplo 1.17 Si A = 5 6 7 8 entonces con m = 3, n = 4:
9 10 11 12
a11 = a34 = 12
a12 = a24 = 8
a13 = a14 = 4
etc...
12
11
luego: A =
10
9
8
7
6
5
21
4
3
2
1
. . . , n, j = 1,
. . . , m,se tiene:
Demostracin. Para i = 1,
At = atij = (aji )
At Wn = (amj+1,i )
Wn At Wn = (amj+1,ni+1 )
= Aij
= A .
Teorema 1.26 Si A Mm,n , (A ) = A
Teorema 1.27 Sea A Mm,r , B Mr,n entonces (AB) = B A .
Teorema 1.28 Sea A Mn,n ,entonces tr (A ) = tr (A) .
Ejercicios propuestos
1 2 3
157 283 353
14 25 31
1. Sea A = 2 4 5 , calcular A2 , A3 , Sol.: 25 45 56 , 283 510 636
3 5 6
353 636 793
31 56 70
2. Hallar todas las matrices de orden cuadradas de orden 2 cuyo cuadrado sea nulo.
22
CAPTULO 1. MATRICES
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 A2 = A, sea B = I A.
(a) Muestre que B es idempotente,
(b) AB = BA
c 1
1 2d
+4
1 0
0 1
1
a 1
1 1 b
Sol. a = 1, b = 1, c = 3, d = 52 .
12. Considrese la matriz:
a 1
0 b
0 1
0 1
1
A = 0 1 1
0 0
1
1
U
n
U . Probar
t
1
1
..
.
1
(a) A es simtrica
(b) A2 A = A
(c) La traza es n 1
14. Es verdad que (A + B)2 es igual a A2 + 2AB + B 2 . En caso de respuesta negativa
determinar matrices A y B tales que
(a) (A + B)2 = A2 + 2AB + B 2 y
(b) (A + B)2 = A2 + 2AB + B 2 .
23
1.5
Reduccin de Gauss
1.5.1
Definicin 1.29 (Operaciones elementales de fila) Sea A Mm,n . Sobre las filas de
esta matriz se definen las siguientes operaciones:
1. Primera operacin elemental. A la fila i se multiplica por el escalar r = 0. Se
emplea la notacin Fi(r) , ntese que:
aik = r (aik ) , k = 1, . . . , n.
De lo anterior se sigue que la fila Fi se reemplaza con rFi .
Fi r Fi
2. Segunda operacin elemental. Las filas i, j se intercambian. Se emplea la notacin
Fij , es claro que:
Fi Fj
3. Tercera operacin elemental de fila. A la fila i se suma la fila h multiplicada por
un nmero r. Emplearemos la notacin Fih(r), ntese que
aik = aik + r (ahk ) , k = 1, . . . , n
De lo anterior se sigue que:
Fi Fi + r Fh
24
CAPTULO 1. MATRICES
Las operaciones elementales de columna se definen como las anteriores, reemplazando fila
por columna.
Definicin 1.30 (Operaciones elementales de columna) Sea A Mm,n . Sobre las columnas de sta matriz se definen las siguientes operaciones:
1. Primera operacin elemental. A la columna i se multiplica por un escalar r = 0.
Se emplea la notacin Ci(r) , note que:
Ci r Ci
2. Segunda operacin elemental. Las columnas i, j se intercambian. Se emplea la
notacin Cij , se sigue:
Ci Cj
3. Tercera operacin elemental de fila. A la columna i se suma la columna h multiplicada por un nmero r. Emplearemos la notacin Cih(r), ntese que
aki = aki + r (akh ) , k = 1, . . . , m
es claro que:
Ci Ci + r Ch
Definicin 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 finita
de operaciones elementales de fila.
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 elementales de fila.
1. F13 {Intercambio de la filas 1 y 3}
2. F32(4) {A la fila 3 se suma la fila 2 multiplicada por 4}
1 0 1
3 4 5
A= 2 2 0 2 2 0
3 4 5 F
1 0 1 F
13
ntese que B A.
=B
32(4)
1.5.2
25
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
1
2
3
1 2
3
1
2 3
1 6
9 6
0
0 1 6 = B
A= 4
F21(4)
0 2 10 F
0 0 2
3 8 1
F
31(3)
32(2)
1.5.3
2 4 0 1
A= 0 0 9 0
0 0 0 4
En la primera fila 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
3 2 0 0
B= 0 0 2 6
0 0 3 0
26
CAPTULO 1. MATRICES
Definicin 1.34 (Forma escalonada reducida por filas) Una matriz A est en la forma
escalonada reducida por filas 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.
Ejemplo 1.22 La matriz
1 4 0 0
A= 0 0 1 0
0 0 0 1
est en la forma escalonada reducida por filas (los elementos distinguidos estn en negrillas).
Ejemplo 1.23 La matriz
1 4 3 0
B= 0 0 1 0
0 0 0 1
no est en la forma escalonada reducida por filas 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 operaciones 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
1
0 1
2
4
A = 1
2 1
0 0
2
2 1
1 1 F21
1
2 1
0
0 1
2
4
0 5
3 1 F
32(5)
2 1
0
1
2
4
1
1 1 F
31(2)
1
2 1
0
0 1
2
4
0
0 7 21
27
1 1
2 0
1 1
2 0
1
0
1 2 0
0
0 0
A =
2
0
1 1 1 F21(1)
3 5 1
4
2 2 2 FF31(2)
0
6 10 2 F23
41(4)
1 1
2 0
1 1
2 0
0
0
3 5 1
3 5 1
0
0
0
0 0
0
0 0
0
6 10 2 F
0
0
0 0
42(2)
Sea d = abij , como se sabe, para aniquilar una entrada bajo aij se emplea la operacin elemental
Fij(d) , es claro que aij debe ser distinto de cero, en el mtodo de Gauss simple sta es la nica
condicin. La entrada aij se llamar pivote, para minimizar los errores de redondeo, sta
entrada debe ser la mayor, en valor absoluto, de entre todos los siguientes nmeros
|ai,j | , |ai+1,j | , . . . , |amj |
1 2 0
A = 4 1 2
5
0 10
(Paso 1) Obsrvese que 5 = max {|1| , |4| , |5|} , el mximo ocurre en la tercera fila, luego se
intercambiarn las filas 1 con 3 y luego proceder a la aniquilacin.
1 2 0
5
0 10
5
0 10
A = 4 1 2
4 1 2 F 4 0 1 10
21
5
0 10 F1,3
1 2 0 F ( 5 )
0 2 2
31( 1
5)
(Paso 2) Ahora 2 = max {|1| , |2|} y ocurre en la fila 3, luego se intercambian las filas 2 y 3
para luego proceder a la aniquilacin.
5
0 10
5
0 10
5
0 10
0 1 10 0 2 2
0 2 2
0 1 10 F
0
0 9
0 2 2 F23
32( 1
2)
5
0 10
as, A 0 2 2 con reduccin de Gauss con pivote.
0
0 9
28
CAPTULO 1. MATRICES
Ejercicios
Reducir las siguientes matrices a la forma escalonada (la solucin no es nica) y escalonada
reducida por filas
1.
1 0 0 1 0
0
Sol. 0 1 0 2 1 0
0 0 1 4 3 1
2.
1
0
0 1 0 0
2 1
0 0 1 0
2
3 1 0 0 1
1 0 0 1 1
1 2 1 2 1
Sol. 0 1 3 4 0 , 0 1 0 1 0
0 0 1 1 0
0 0 5 5 0
3.
1
2 1 2
1
A = 1 1 2 2 1
1
1 3 3
1
1 0
1 1 2 1 1
0 3 2 4
2 0 1
Sol.
2
1 ,
2
0 0
0 0
3
3
3
0 0
0 2 0
0 0
4.
1 1
2 1 1
2
1
2
2
0
B=
0
1
0
2
1
0
2 2
0
1
0
0
1
0
0 1
0 1
0 12
1 0
3 3 1
C = 1 1 1
1
1
0
3 3 1
1 1 0
Sol. 0 0 23 , 0 0 1
0 0
0
0 0 0
29
(a)
A=
a a
b b
B=
a b
b a
(b)
(c)
1+a
0 a
C = a b 1 a + b
1bc 0 b+c
1.6
1.6.1
Definicin 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 definido por:
n! = 1 2 (n 1) n,
as:
3! = 1 2 3
4! = 1 2 3 4
por definicin 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
30
CAPTULO 1. MATRICES
Definicin 1.36 (Inversin) En una permutacin del conjunto {1, 2, . . . , n} existe una inversin 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 j1 j2 . . . jn esta definido por:
+1, si el nmero de permutaciones es par
sig (j1 j2 . . . jn ) =
1, si el nmero de permutaciones es impar
4213 es par pues tiene cuatro inversiones 4 con 2; 4 con 1; 4 con 3; 2 con 1.
a11 a12
a21 a22
A = ..
.. . .
.
.
.
an1 an2
siguiente matriz
a1n
a2n
..
.
ann
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=
a11 a12
a21 a22
12, 21
entonces se tienen los siguientes productos
a11 a22
a12 a21
por tanto:
|A| = sig (12) a11 a22 + sig (21) a12 a21
= a11 a22 a12 a21
31
as |A| se calcula usando los elementos de la primera fila con los signos que van alternadamente
de + a , concretamente:
Primer sumando: a11 por el determinante de la matriz que resulta de eliminar la
primera fila y primera columna de la matriz A.
Segundo sumando: a12 por el determinante de la matriz que resulta de eliminar la
primera fila y segunda columna de la matriz A.
Tercer sumando: a13 por el determinante de la matriz que resulta de eliminar la
primera fila y tercera columna de la matriz A.
32
CAPTULO 1. MATRICES
a
|A| = a31
32
a21 a23
a22 a23
+ a33 a11 a12
a21 a22
+ (3) 4 5
7 8
1.6.2
a b
x y
, At =
t
A = |A|
a x
b y
, luego:
|A| = ay xb
t
A = ay bx
33
a b
0 0
a b
c d
A=
cr dr
c d F
2(r)
a b
c d
=B
A=
a b
c d F12
34
CAPTULO 1. MATRICES
calculando determinantes:
|A| = ad cb
|B| = cb ad = (ad cb)
as |B| = |A| .
P5 ) (operacin elemental Fij(r) )Si AFij (r) B, r = 0, entonces
|B| = |A|
Ejemplo 1.38 Operacin elemental Fij(r) . Sea A =
A aplicando la operacin elemental F12(3) , entonces:
A=
a b
c d
F21(r)
a b
c d
a
b
c + ra d + rb
= B,
a b c
A= x y z
a b c
35
a x1 + x2
b y1 + y2
por tanto:
a x1 + x2
b y1 + y2
a x1
=
b y1
a x2
+
b y2
= abc
36
CAPTULO 1. MATRICES
Ejemplo 1.42
2 7
1
3
2
2
1
2 7
2
2
3
=
(1)
3 5
1 F21
3 5
1 FF21(2)
31(3)
1
2 2
= (1) 0 3 1
0
1 5 F32
1
2
2
2
1 5
= (1) 0
0 3 1
F
32(3)
1 2 2
2
= (1) 0 1 5
0 0 16
= (1)2 (1) (1) (16)
= 16
1.6.3
Definicin 1.38 (Menor complementario) Sea A Mn,n . Sea Mij Mn1,n1 la matriz
que resulta de eliminar la fila i y la columna j en la matriz A. El determinante |Mij | se llama
menor complementario de A, tambin se llamar simplemente menor. El nmero
ij = (1)i+j |Mij |
se llamar cofactor (o adjunto) de la entrada aij .
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 filas o columnas. As para A M3,3 los
signos (1)i+j son:
+ +
+
+ +
Ejemplo 1.43 Considere la matriz
entonces:
M11
a
a
= 22 23
a32 a33
, M12 = a21 a23
a31 a33
, M13 = a21 a22
a31 a32
37
y
11 = (1)1+1 M11 = M11
12 = (1)1+2 M12 = M12
13 = (1)1+3 M13 = M13
Observacin. Del ejemplo 1.31 se tiene
|A| = a11 M11 a12 M12 + a13 M13
= a11 11 + a12 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 fila) Sea A Mn,n , entonces
n
Desarrollo por cofactores
|A| =
aik ik , i = 1, . . . , n
por la fila i
k=1
Teorema 1.40 (Desarrollo por cofactores a travs de una columna) Sea A Mn,n , entonces
n
Desarrollo por cofactores
akj kj , j = 1, . . . , n
|A| =
por la columna j
k=1
Ejemplo 1.44
2 0 3
A = 1 1 1
3 1 0
+ +
+
+ +
(1)
1 0
1 0
signos son +, , +
+ (3) 0 3 = 4
1 1
38
1.6.4
CAPTULO 1. MATRICES
1 2 3 4
5 6 7 8
A=
9 10 11 12
13 14 15 16
tomando las filas 2, 4 y las columnas 3, 4 se tiene el menor de orden 2:
7 8
15 16
Definicin 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
filas 1, 3 y las columnas 1, 3
1 3
9 11
1.6.5
La definicin de rango
Definicin 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 definicin el rango de la
matriz nula es 0.
Ejemplo 1.48 Considere
2 0 1
A = 1 1 1
3 1 0
2 0
= 2, y |A| = 0, entonces rango (A) = 2.
el determinante
1 1
39
1 2 3 2
A = 3 6 10 8
2 4 7 6
Solucin.
1 2 3 2
1 2 3 2
0 0 1 2
A = 3 6 10 8
F21(3)
0 0 1 2 F
2 4 7 6 F
31(2)
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 filas no son nulas, entonces
rango (A) = 2.
Ejemplo 1.50 Ahora considrese la matriz
1 2 0
B = 1 0 0
1 6 1
1 2 0
1 2 0
B = 1 0 0
0 2 0
F21(1)
1 6 1 F
0 4 1 F
31(1)
32(2)
1 2 0
0 2 0
0 0 1
la ltima matriz est en su forma escalonada, no tiene ninguna fila nula, es decir rango (B) =
3.
40
CAPTULO 1. MATRICES
Ejercicios propuestos
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
3. Sin hacer el desarrollo por cofactores
calcular:
1 a b+c
1 b a+c
1 c a+b
Sol. 0.
que
1
1 = (a1 a2 ) (a2 a3 ) (a3 a1 )
1
=0
que
1 1
y z
xz xy
2
= x 4x 3 (x 1)4
= (x y) (y z) (z x)
41
(Es una matriz con unos en cada entrada fuera de la diagonal y x en la diagonal)
2
2 1
0
3 , rango(A) = 2.
(a) A = 1
1 2
4
1 1 0
2
1 1
(b) B = 0 1 1
, rango(B) = 3.
3 1 2
5
0 3
12. Determinar los valores de k de modo que las siguientes matrices tengan rango igual al
orden de la matriz.
1
0 1
(a) 2
k k . Sol. k = 1 y k = 0.
2 k 1
1
1
1
(b) 1 1 + k 2 . Sol. k = 4, k = 0.
1 1 + 2k k 5
1 1 1
(c) 1 3 0 Sol. k = 2
2 2 k
1 1
1
Sol. k = 2, k = 0
0
(d) 1 3
2
2 2 2 2k + k
6 12 + 7a 6 19a + 5b
(e) 3 6 + 3a 3 8a + 2b Sol. a = b, a = 0
1 2 + a
1 3a + b
42
CAPTULO 1. MATRICES
13. Determinar los valores de k de modo que las siguientes matrices tengan rango igual a 2.
6 18 2k
(a) 7 2 4 Sol. k = 1
4 10
6
2
0 0
1
1 1 2
2
Sol. no existe
(b)
2
k 0 1
1
0 k
1
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 tratamiento 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.
R
present un error de software, codificado en
En 1995, el procesador Pentium de Intel
su hardware, que llevaba a la imprecisin en las operaciones de divisin de nmeros con
punto flotante. 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 define 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
2.1.1
Introduccin
La definicin de sistema lineal
2.1.2
Notacin matricial
A=
a11
a21
..
.
am1
a12 a1n
a22 a2n
.. . .
..
.
.
.
am2 amn
43
44
2.1.3
b=
b1
b2
..
.
bm
, x =
x1
x2
..
.
xn
x1
5
1 2 3
x2 =
2
2 2 2
x3
una solucin de este sistema es el vector:
2
x= 0
1
pues
2.2
1 2 3
2 2 2
2
5
0 =
2
1
45
x1
3
1 2 1
x2 =
1
3 5 1
x3
Via operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :
1
2
1 :
3
1 2 1 :
3
[A : b] =
0 1 2 : 10
3 5 1 : 1 F
21(3)
es claro que rango (A) = rango ([A : b]) = 2 < 3, luego el sistema tiene infinitas soluciones
(teorema 2.2).
Ejemplo 2.3
2
1
2 1
x1
3 5 1 x2 = 1
5
4
7 0
x3
Mediante operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :
1
2 1 :
2
1
2
1 :
2
1
4 :
5
[A : b] = 3 5 1 : 1
0
F21(3)
4
7 0 :
5 F
0 1 4 : 3 F
31(4)
32(1)
1 2 1 : 2
0 1 4 : 5
0 0 0 : 2
1
2
3 5
4
7
1
2 1
3 5 1
[A : b] =
4
7 5
1 2 1 :
0 1 4 :
0 0 5 :
1
1
x1
1 x2 = 14
0
x3
5
:
1
1
2 1 :
2
: 14
1 4 : 11
0
F21(3)
:
0 F
0 1 1 : 4 F
31(4)
32(1)
2
11
15
luego rango (A) = rango ([A : b]) = 3, es decir, el sistema tiene solucin nica (teorema 2.2).
46
2.3
2.3.1
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:
x3 se encuentra de la ecuacin a33 x3 = b3 , de donde
b3
a33
x3 =
1
(b2 a23 x3 )
a22
1
(b1 a12 x2 a13 x3 )
a11
bn
ann
1
=
ajj
bj
ajk xk
k=j+1
, j = n 1, n 2, . . . , 1
2.3.2
47
0
a11 0
x1
b1
a21 a22 0 x2 = b2
x3
b3
a31 a32 a33
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:
x1 se encuentra de la ecuacin a11 x1 = b1 , de donde
x1 =
b1
a11
1
(b2 a21 x1 )
a22
1
(b3 a31 x1 a32 x2 )
a33
b1
a11
1
=
ajj
bj
j1
k=1
ajk xk
, j = n 1, n 2, . . . , 1
2.4
2.4.1
48
2.4.2
Variables libres
Definicin 2.7 (Variable libre) Sea Ax = b, un sistema lineal con A Mm,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 xj se llamar variable libre.
Ejemplo 2.7 Considere el sistema
x1
4
2 1 3 1
0 0 1 3 x2 = 1
x3
2
0 0 0 2
x4
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 x2 .
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 infinitas soluciones.
2.4.3
Los resultados previos justifican el siguiente proceso para resolver un sistema lineal Ax = b,
donde A Mm,n .
Paso 1 Construir la matriz aumentada [A : b] .
Paso 2 Llevar [A : B] a la forma escalonada [A : b ] .
Paso 3 Identificar 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 faltantes.
Paso 6 Se escribe la solucin.
Ejemplo 2.8
1 2 1
3 5 1
x1
3
x2 =
1
x3
[A : b] =
1 2 1 :
3
3 5 1 : 1
F21(3)
49
1
2
1 :
3
0 1 2 : 10
17 + 3t
x = 10 2t , t R
t
el sistema tiene infinitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 2.9 Resolver
Solucin.
1
2 3
2
2 1 0 x1
1
x2 =
1
1
0 3
x3
1 1 3
2
1
2 3 :
2 1 0 :
[A : b] =
1
0 3 :
1 1 3 :
1
2 3 :
0
1 6 :
0 2 0 :
0
3 6 :
1 2 3 :
0 1 6 :
0 0 12 :
0 0 0 :
2
1
2
0
1
3
F21(2)
1
0 2
2 FF31(1)
0
1
41(1)
2
1 2
4
0 1
0 0
1
5 FF32(2)
0 0
42(3)
2
4
7
0
:
2
:
5
: 1
:
4 F
24
3 :
2
6 :
4
12 :
7
12 : 7 F
3
6
0
6
43(1)
50
Puede observarse que el sistema no tiene variables libres. Por otra parte el sistema tiene solucin nica pues rango (A) = rango [A : b] = 3 = nmero de variables. Empleando sustitucin
inversa se tiene:
x3 = 7/12
x2 = 1/2
x1 = 3/4
Por tanto la solucin del sistema es:
x=
3
4
1
2
7
12
x1
6
1 1 1 1
3 3 4 5 x2 = 29
x3
28
1 1 3 5
x4
Solucin.
: 6
1 1 1 1 : 6
. 29
0 0 1 2 . 11
F21(3)
: 28 F
0 0 2 4 : 22 F
31(1)
32(2)
: 6
. 11
: 0
1 1 1 1
3 3 4 5
[A : b] =
1 1 3 5
1 1 1 1
0 0 1 2
0 0 0 0
x2 = t
x4 = s
entonces, el sistema se convierte en:
x1 + x3 = 6 + x2 x4
x3 = 11 2x4
reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = 6 + t s
x3 = 11 2s
51
de donde sucesivamente:
x3 = 11 2s
x1 = 6 + t s (11 2s)
= 5 + t + s
por tanto la solucin del sistema es:
5 + t + s
x=
11 2s , t, s R
s
0
+ t
x=
11
0
1
1
0
1
+ s
2
0
1
0
2
x1
1 1
0
0
k
2 x2 = 1
k1
0
0 k2
x3
determinaremos los valores de k para que el sistema (a) tenga solucin nica, (b) tenga
infinitas soluciones, (c) no tenga soluciones.
Solucin. (a) El rango de la matriz de coeficientes 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 infinitas soluciones (en realidad no se tienen soluciones), para k = 0,
rango [A : b] = 2, por tanto, para k = 0 se tienen infinitas soluciones.
(c) Por lo anterior el sistema no tiene soluciones para k = 2.
Ejercicios propuestos
1. Determinar las condiciones que deben cumplir los as de modo los siguientes sistemas
tengan solucin
x 2y + z = a1
x 2y = a1
2x + y = a2
3x + 2y = a2
4x + 3y = a3
4x 2y + z = a3
2. Hallar los valores de k de modo que los siguientes sistemas (a) tengan solucin nica,
(b) tengan infinitas soluciones, (c) no tengan soluciones
52
1
0 1
x
2
2
k k y =
4
2
2 k 1
z
5 + k
(b)
x
1
1
1
1
1 1 + k 2 y = 1
z
5+k
1 1 + 2k k 5
(c)
2
1 1 1
x
1 3 0 y = 1
4+k
z
2 2 k
(d)
x
2
1 1
1
y = 3
1 3
0
z
k+2
2 2 2 2k + k 2
1 /2
x
2
y =
0 1
z
1
1
a
2
0 , u3 =
1 determinar que condicin ha de
, u2 =
4. Dados u1 =
1
1
a
1
Sol.
1 1
1
2
1
2
2 1 5 1
2 2
3
4
2
1
1 2
0 3
8 + t 3s
t
6
2+s
s
6. Resolver:
Sol.
7. Resolver:
Sol. :
1 2t1 t2
t1
2 2t2
t2
4
Sol. No existen.
0
=
10
= 3
0
0 3 6 2
1 2 1 1 0
1
2 1 3 1
8. Resolver:
x
y
z
u
w
1
2 0 1 0
1 2 1 1 0
1
2 1 3 1
2 2t1 t2
t1
1 2t2
t2
2
x1
x2
x3
x4
x5
x
y
z
u
v
= 3
x
2
1 2 0 1
1 2 1 1 y = 3
z
1
1
2 1 3
w
53
54
1 0 0
x
2
1 1 1 y = 3
1 1 1
z
1
2
Sol. : 1 t1
t1
2.5
2.5.1
Definicin 2.9 (Inversa) Sea A Mn,n . Diremos que una matriz B Mn,n es la inversa
de A si
AB = In
BA = In
donde In es la matriz identidad, en Mn,n .
Notacin. Es costumbre denotar la inversa de una matriz A mediante A1 , por tanto si
A1 es la inversa de A se debe tener: A1 A = In , AA1 = In , 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=
es :
1
A
pues:
1
AA
2 7
1 4
2 7
1 4
4 7
1
2
4 7
1
2
1 0
0 1
2.5.2
55
Clculo de la inversa
AB = A B 1 , B 2 , . . . , B n
= AB 1 , AB 2 , . . . , AB n
Ahora estamos listos para discutir la forma de calcular la inversa. Sea A Mn,n una
matriz de rango igual a n. para el clculo de la inversa emplearemos la siguiente notacin:
X = [X1 , X2 , . . . , Xn ] , donde Xj es la j esima ser la inversa de A
I = [e1 , e2 , . . . , en ], I es la matriz identidad y ej la j esima columna.
Puesto que X es la inversa de A debemos tener AX = I, entonces:
[AX1 , AX2 , . . . , AXn ] = [e1 , e2 , . . . .en ]
de donde
AXj = ej , j = 1, 2, . . . , n
lo anterior muestra que la j esima columna de X se encuentra resolviendo el sistema
AXj = ej .
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 : e1 , e2 , . . . , en ]
resolviendo estos sistemas encontramos las columnas de la matriz inversa X, ms an podemos
llevar la anterior matriz a la forma escalonada reducida por filas, y puesto que A es de rango n,
la matriz escalonada reducida por filas debe ser la matriz identidad, as la matriz aumentada
tiene la forma:
[e1 , e2 , . . . , en : X1 , X2 , . . . , Xn ]
as se ha calculado la inversa. A continuacin el algoritmo para el clculo de la inversa.
56
2 7
1 4
Solucin.
2 7 : 1 0
1 4 : 0 1
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
F21(1/2)
por tanto:
1
4 7
1
2
1 2
1
A = 2 1 1
1 0
1
Solucin.
1
2
1 :
1 0 0
1 2
1 : 1 0 0
0 3 3 : 2 1 0
[A : I] = 2 1 1 : 0 1 0
F21(2)
0 2
0 : 1 0 1 F
1 0
1 : 0 0 1 F
31(1)
( )
2
32 3
1 2 1 : 1
0 0
1
2
1 :
1
0 0
2
1
1 0
0
1
1
:
0
0 3 3 : 2
3
3
F2(1/3)
1
2
0
0
2 :
1
1
1
1
3
3
F3(1/2)
0 0 1 : 6 3 2 FF23(1)
13(1)
1 2 0 :
0 1 0 :
0 0 1 :
5
6
1
2
1
6
1
3
0 12
13
2.5.3
12
57
1
2
F12(2)
16
1
2
1
6
1 0 0 : 16
0 1 0 :
1
3
0
13
0 0 1 :
2
12
1
2
1
2
1
6
1
3
0
13
1
2
12
1
2
Teorema 2.10 Sobre una matriz A Mn,n , las siguientes afirmaciones son equivalentes:
1. A tiene inversa.
2. rango (A) = n.
3. |A| = det (A) = 0.
BI
B (AC)
(BA) C
IC
C
58
2.5.4
como cofactor (o adjunto) de la entrada aij de una matriz A = (ai,j ) Mn,n , donde M es la
submatriz de A obtenida eliminando la fila i y la columna j. La matriz construida con estos
cofactores forma una matriz, misma que definimos a continuacin.
Definicin 2.13 (Matriz adjunta) Sea A Mn,n , la matriz adjunta de A es la matriz,
denotada por adj (A) , cuyo elemento ji es ij = (1)i+j |Mij | , es decir, es la transpuesta de
la matriz formada por los cofactores.
t
11 12 1n
21 22 2n
adj (A) =
..
.. . .
..
.
.
.
.
n1 n2 nn
Teorema 2.14 Si A Mn,n invertible, entonces:
A1 =
Ejemplo 2.15 Determinar la inversa de:
A=
1
adj (A)
|A|
a b
c d
por tanto:
1
=
ad bc
d b
c a
1 2 3
A= 6 0 4
3 2 1
8
4
8
14
adj (A) = 6 8
12
4 12
por tanto
A1
8
4
8
1
6 8
14
=
40
12
4 12
59
Ejercicios propuestos
1. Sean A, B, C matrices con las dimensiones adecuadas, Bajo que condiciones AB = AC
implica B = C?.
2. Determinar la inversa de
0 12 12
Sol. 3 12 21
2 2
1
3. Determinar la inversa de
Sol. No existe.
3
1
1
2
3
A= 8
10 2 3
1 2 1
A = 1 3 2
1 3 2
a1 0 0
0 a2 0
A = .. .. . .
..
. .
. .
0 0 an
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
2
..
.
1
n
1
2
1
3
..
.
1
n
1
n+1
1
n+1
1
n+n1
..
.
..
.
(b) Si A es no invertible, entonces existe una matriz B Mn,n tal que AB = 0 pero
B = 0.
60
2.6
La regla de Cramer
x1
x2
x = ..
.
xn
Ntese que |A1 , . . . , Ai1 , b, Ai+1 , . . . , An | se obtiene de |A| reemplazando la i esima columna
con el vector b.
Ejemplo 2.17 Resolver:
Solucin.
a11 a12
a21 a22
b1
b2
x1 =
a11
a21
x1
x2
b1
b2
a11
a12
a21
a22
, x2 =
a11
a12
a21
a22
b1
b2
a12
a22
1 1
0
x
3
2 0 2 y = 10
0 1
2
z
15
Solucin.
3
1
0
10 0 2
15 1
2
4
=
x =
, y=
2
1
1
0
2 0 2
0 1
2
1
1 1
3
0
3
2 10 2
2 0 10
0
0 1
15
2
15
2
14
=
=
,
z
=
1 1
1 1
2
2
0
0
2 0 2
2 0 2
0 1
0 1
2
2
x
2
y = 1
z
7
2.7
61
Sistemas homogneos
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) Infinitas soluciones.
A este respecto se tiene el siguiente resultado:
Teorema 2.15 Las siguientes afirmaciones son equivalentes:
1. Ax = 0 tiene solucin nica.
2. A1 existe.
3. rango (A) = n.
4. |A| = det (A) = 0.
Ejemplo 2.19
1 2 1
3 5 1
x1
x2 = 0
0
x3
,
3 5 1 F
0 1 2
21(3)
3t
x = 2t , t R
t
el sistema tiene infinitas soluciones (para cada valor de t se tiene una solucin).
62
0
1
2 3
0
2 1 0 x1
x2 =
0
1
0 3
x3
1 1 3
0
Solucin.
1
2 3
1
2 3
1
2 3
2 1 0
3 6
1 6
0
[A : b] =
0 2 0 0 2 0
1
0 3 F21(2)
0
1 6 F24
0
3 6
1 1 3 FF31(1)
41(1)
1 2
3
1 2 3
0 1
0 1 6
6
0 0
0 0 12
12
0 0 12 F
0 0 0
F32(2)
F42(3)
43(1)
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:
x3 = 0
x2 = 0
x1 = 0
Por tanto la solucin del sistema es:
0
x= 0
0
x1
0
1 1 1 1
3 3 4 5 x2 = 0
x3
0
1 1 3 5
x4
Solucin.
1 1 1 1
1 1 1 1
[A : b] = 3 3 4 5
0 0 1 2
F21(3)
1 1 3 5 F
0 0 2 4 F
31(1)
32(2)
1 1 1 1
0 0 1 2
0 0 0 0
63
t+s
t
x=
2s , t, s R
s
1
1
0
1
x = t
0 + s 2
1
0
Ejercicios propuestos
1. Resolver
t
Sol. x = t .
t
2
1
1
0
x1
1 2
0
=
5 1 4 x2
x3
0
1 1
2
64
t
Sol. x = 0
t
0
1
0
1
x1
1 1
x2
0
1
=
1 1 1
x3
0
3. Para que valores de k, el siguiente sistema (i) tiene la solucin nula como nica solucin.
(ii) Infinitas soluciones.
1
1
1
x
0
1 1 + k
1 y = 0
1
1 3 + k 2
z
0
Sol. (i) k
/ {0, 2, 2} (ii) k {0, 2, 2} .
4. Sea:
2 0
3
0
A= 0 5
3 0 2
1
1
0
Sol.: , t 1 asociado con 5, t 0 asociado con 1, t 0 asociado con 5
1
1
0
10 15 15
A = 6 11 6
3 3 8
5
1
1
t 0 , s 1 asociados con 5, t 2 asociado con 1.
1
1
0
2.8
Algo de criptografa
2.8.1
2.8.
ALGO DE CRIPTOGRAFA
65
Definicin 2.16 (Congruencia mdulo n) Diremos que dos enteros a y b son congruentes
mdulo n, lo que escribimos
a b (mod n)
2.8.2
Tablas de sumar
A continuacin se presenta la tabla de multiplicar en mdulo 28, ntese que slo algunos
nmeros tienen inverso multiplicativo, por ejemplo 31 = 19 pues 19 3 = 57 1 mod 28.
66
2.8.3
Matriz clave
Es una matriz cuadrada A Mm.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.
1 0 0
1 1 1
1 1 1
A = 2 1 0 0 1 1 = 2 3 3 ,
2 1 3
0 0 1
2 3 6
claramente el determinante de esta matriz es |A| = 3, puesto que 31 = 19 existe en mdulo 28,
la inversa de A existe. Calculando la inversa mediante la tcnica de la adjunta, se encuentra:
1
adj (A)
|A|
2 3
3 3
+
+
2 6
3 6
1 1
1 1
1
+
= 3
3 6
2 6
1 1
1 1
+
+
2 3
3 3
t
9 6
0
171
4 1
57
= 19 3
=
0 1
1
0
3 27 0
26 20 9
=
0 9 19
A1 =
2
2
1
2
1
2
3
3
1
3
1
3
t
114 0
76 19
19 19
t
3 26 0
27 20 9
=
Mdulo 28
0 9 19
Ntese que ,
AA1
2.8.4
1 1 1
3 27 0
= 2 3 3 26 20 9
2 3 6
0 9 19
29 56 28
= 84 141 84
84 168 141
1 0 0
= 0 1 0 mod 28
0 0 1
Mensajes en clave
2.8.
ALGO DE CRIPTOGRAFA
67
caracteres que llamaremos mensaje, por razones de simplicidad, el mensaje se escribir con
el alfabeto de 27 letras en mnsculas mas un espacio.
abcdefghijklmnopqrstuvwxyz
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 filas.
Ejemplo 2.24 Consideremos el mensaje:
algebra
(omitimos el tilde) si las cadenas van a ser de 3 caracteres se tienen los vectores:
a
e
a
l , b , espacio
g
r
espacio
que traducidos son
5
1
1
12 , 2 , 0
19
0
7
1 5 1
M = 12 2 0
7 19 0
1 1 1
A= 2 3 3
2 3 6
luego:
1 1 1
1 5 1
C = 2 3 3 12 2 0
2 3 6
7 19 0
68
20 26
59 73
=
80 130
20 26
= 3 17
24 18
1
2
2
1
2 mod 28
2
y
s
c , p ,
q
w
por tanto el mensaje en clave es:
a
b
b
scwypqabb
Ntese que una misma letra puede codificarse con una letra distinta o igual, como es el caso
de la letra a que se codifica como s y a y el espacio que se codifica como la letra b en ambos
casos.
Paso 3. (Recuperacin de la informacin) Puesto que C = AM y A es invertible,
entonces M = A1 C, por tanto para nuestro ejemplo:
3 27 0
20 26 1
M = 26 20 9 3 17 2
0 9 19
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
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 codificados. 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 dificultad. Este
mtodo es un sistema de codificacin por transposicin.
69
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 codificacin por sustitucin fue utilizada por el insigne escritor estadounidense 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 codificacin. De
trascendental importancia, durante la II Guerra Mundial, fue el hecho de que los estadounidenses lograran descifrar el cdigo naval japons JN25 y los ingleses hiciesen lo propio con la
mquina alemana Enigma. Actualmente se utilizan sofisticadas 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).
70
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
En anteriores secciones se trabaj con objetos del conjunto Mm,n . En este conjunto no se ha
dicho nada sobre aspectos como la medida de cada elemento. Para poder discutir estos
aspectos es necesario definir el concepto de espacio vectorial.
Definicin 3.1 (Espacio Vectorial) Sea V un conjunto no vaco, en donde se han definido
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:
A1 : Para todo u, v V, u + v = v + u.
A2 : Para todo u, v, w V, u + (v + w) = (u + v) + w.
A3 : Existe un vector en V denotado por 0 vector cero tal que 0 + u = u para todo u V.
A4 : Para todo u V, existe u V tal que u + (u) = 0.
M1 : Para todo k R y todo u, v V, k (u + v) = ku + kv.
M2 : Para todo k1 , k2 R y todo u V, (k1 + k2 ) u = k1 u + k2 u.
M3 : Para todo k1 , k2 R y todo u V, k1 (k2 u) = (k1 k2 ) u.
M4 : Para 1 R, 1u = u, para todo u V
71
72
Ejemplo 3.1 Considere el conjunto V = {X : X Mm,n }, esto es, todas las matrices de m
filas y n columnas, en este conjunto se definen las operaciones usuales de suma de matrices
y producto por un nmero definidos en el captulo 1. Es evidente que Mm,n es un espacio
vectorial.
Observacin. Un conjunto V no es espacio vectorial por si solo, es necesario definir 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 definidas en V , esto muestra la
importancia de las operaciones que se definan en el conjunto.
Ejemplo 3.2 Sea V = R2 = {(x1 , x2 ) : x1 R, x2 R} , en este conjunto definimos las
siguientes operaciones:
(a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 )
(a1 , a2 ) = (a1 , a2 )
Es fcil comprobar que A1 , A2 , A3 , A4 se verifican. Para probar M1 , sean
u = (u1 , u2 ) , v = (v1 , v2 )
entonces para un nmero k:
k (u + v) = k (u1 + v1 , u2 + v2 ) = (ku1 + kv1 , u2 + v2 )
ku + kv = k (u1 , u2 ) + k (v1 , v2 ) = (ku1 , u2 ) + (kv1 , v2 ) = (ku1 + kv1 , u2 + v2 )
k (u + v) = ku + kv,
esto prueba que M1 se cumple. Para probar M2 sea u = (u1 , u2 ) , k1 = 3, k2 = 2, entonces:
(k1 + k2 ) u = (3 + 2) (u1 , u2 ) = (5u1 , u2 )
por otra parte:
k1 u + k2 u = 3 (u1 , u2 ) + 2 (u1 , u2 ) = (3u1 , u2 ) + (2u1 , u2 ) = (5u1 , 2u2 )
por tanto (k1 + k2 ) u = k1 u + k2 u. Esto prueba que M2 no se cumple y por tanto R no es
espacio vectorial con las operaciones definidas.
Uno de los ejemplos ms importantes se discute en la siguiente seccin.
3.2
El espacio vectorial Rn
73
P2 = (x1 , x2 )
x2
P1
O = (0, 0)x1
74
y
P2
3x
P0
P1
3.2.1
La recta en Rn
3.3. SUBESPACIOS
75
Z
P0
3v
L
P0 + t3v
Y
3.2.2
El plano en R3
Sean P0 un punto en R3 y u, v vectores. Definimos el plano que pasa por P0 generado por los
vectores u y v como el conjunto
P = {P0 + tu + sv : t, s R} .
Ntese que P R3 .
P0
3.3
Subespacios
76
3.4
Combinacin lineal
3.4.1
Espacio generado
Sea V un espacio vectorial, el conjunto de todas las combinaciones lineales del conjunto
S = {v1 , v2 , . . . , vk } 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 R3 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 k1 , k2 , k3 tales que:
(1, 2, 3) = k1 (1, 0, 1) + k2 (1, 3, 3) + k3 (1, 3, 1)
esto origina el sistema:
1
1 1
1
k1
k2
2
3
3
=
k3
3
1 3 1
77
1 1
1 : 1
1 1
1 : 1
1 1 1 :
0
3
3 : 2
0
3
3 : 2
0
3 3 :
1 3 1 : 3 F
0 2 2 : 2 F
0
0 0 :
31(1)
32(2/3)
1
2
10
3
1
2
B = v1 = 1 , v2 = 1
1
1
a
Solucin. Sea v = b , un vector de R3 , si este vector se encuentra en LIN (B) se
c
debe tener que el sistema
x1 v1 + x2 v2 = v
debe tener solucin, reemplazando valores se encuentra el sistema:
1
2
a
1 1 x1 = b
x2
1
1
c
llevando la matriz
1
2
1 1
1
1
1
2 :
a
1 2 :
a
: a
1 :
a+b
: b
0
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
: c F
31(1)
32(1)
b : b + c = 0, a, b, c R
W =
b : a, b R
=
1
0
a 0 + b 1 : a, b R , un plano
=
0
1
78
3.4.2
Dependencia lineal
(LD)
(LI).
1 1
1
x1
0
0
3
3 x2 = 0
1 3 1
0
x3
1 1
1 : 0
1 1
1 : 0
1 1 1 : 0
0
3
3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 1 : 0 F
0 2 2 : 0 F
0
0 0 : 0
31(1)
32(2/3)
1 1 1
x1
0
0
3 3
x2
0
=
1 3 0
x3
0
79
1 1 1 : 0
1 1
1 : 0
1 1 1 : 0
0
3 3 : 0
3
3 : 0
3 3 : 0
0
0
1 3 0 : 0 F
0 2 1 : 0 F
0
0 1 : 0
31(1)
32(2/3)
3. En Mn,n , el espacio vectorial de matrices cuadradas n n, mostrar que W es un subespacio de Mn,n si:
(a) W = {A Mn,n : At = A}
80
(b) El conjunto
L = y R3 : 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)
(b)
L1 = y R3 : x + y + z = 2
(c)
3
2
2
2
L2 =
y
R :x +y +z =1
z
x y
z 1
M2,2
: x, y, z R
(d)
P2 = a0 + a1 t + a2 t2 : a0, a1 , a2 R+
7. Considere: u1 = (2, 1, 2) , u2 = (1, 1, 1) , u3 = (3, 0, 1) y S = {u1 , u2 , u3 } determinar 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
1 1
0 1
1 0
A=
,B =
,C =
0 1
1 1
1 1
81
2
0
(a) D =
. Sol. no se puede escribir
0 2
2 0
(b) D =
. Sol. D = A B + C
0 1
9. En R3 se considera S = {(1, 1, 1) , (0, 1, 1) , (1, 1, 1)} mostra que R3 = LIN (S) .
10. En M2,2 se considera el conjunto:
1 1
0 1
1 0
S=
,
,
0 1
1 1
1 1
mostrar que LIN (S) = M2,2 . (ver ejercicio 8)
11. Probar que para cualesquiera vectores u, v, w, los vectores u v, v w, w u son LI.
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 R2 son LD.
(b) Que n + 1 vectores en Rn son LD.
(Sug. Para probar la primera parte tome tres vectores y considere los casos en que dos
vectores son LD y LI.).
3.5
Base y Dimensin
(i)
82
a
b
x1
esto da:
1
1
+ x2
1 2
1
1
2
1
x1
x2
a
b
a
b
1
1 : b F
0 1 : a + b
21(1)
83
1
2
B = 1 , 1
1
1
a
1
2
a
1 1 x1 = b
x2
1
1
c
llevando la matriz
1
2
1 1
1
1
1
2 :
a
1 2 :
a
: a
1 :
a+b
: b
0
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
: c F
31(1)
32(1)
a
esto muestra, que en los casos b + c = 0, el sistema no tiene solucin, por tanto b
c
3
no necesariamente pertenece a LIN (B) , luego B no genera R .
De lo anterior se concluye que B no puede ser una base de R3 .
Ejemplo 3.13 (La base cannica de Rn ) En el espacio vectorial Rn se toman los vectores ei
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 = {e1 , e2 , . . . , en }
donde: e1 =
0 , e2 = 0 , e3 = 1 .e4 = 0
0
0
0
1
84
Ejercicios propuestos
1. Determinar si
es o no una base de R3 .
1
1
B = 1 , 2
1
0
1
1
C = v1 = 2 , v2 = 2
2
3
de manera que sea una base de R3 . Sol. e1 o e2 . (Sug. el vector no debe estar en
LIN (C)).
3.6
Sea A Mm,n , las filas de A consideradas como vectores fila de Rn forman un subespacio
de Rn , llamado espacio fila de la matriz A. Las columnas de A consideradas como vectores
columna de Rm forman un subespacio de Rm , 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 fila y nulo, cambian con operaciones elementales de fila?
NO, las operaciones elementales no cambian estos espacios.
Y el espacio columna?
SI, las operaciones elementales pueden cambiar el espacio columna.
85
1 1
A = 2 1
1
0
Solucin.
fila.
1 1
A = 2 1
1
0
fila y columna de
0
1 0
1
0 1
1 1 1
1 1 0
1 0
0
1 0
1 1 2 1
1
0 1
0
F21(2)
0
1 1 2 1 F
1 1 1 F
31(1)
32(1)
1 1 0
1 0
1 1 2 1
0
0
0 0
0 0
Determinacin de la base del espacio fila: Est formada por las filas no nulas de la
matriz escalonada. esto es, la base es:
1 1 0 1 0 , 0 1 1 2 1
1
1
2 , 1
1
0
Una base del espacio nulo de una matriz A Mm,n , se encuentra directamente de las soluciones
que se encuentran.
Ejemplo 3.15 Determinar la base del espacio nulo de:
x1
0
1 1 0
1 0
x
2
2 1 1
0
0 1
x
=
3
0
1
0 1 1 1
x4
x5
86
1 1
2 1
A =
1
0
1 1
0
1
0
0
la matriz de coeficientes a su
0
1 0 : 0
1
0 1 : 0
F21(2)
1 1 1 : 0 F
31(1)
0
1 0 : 0
1 2 1 : 0
0
0 0 : 0
1 1 0
1 0 : 0
0
1 1 2 1 : 0
0
1 1 2 1 : 0 F
32(1)
x3 = t
x4 = s
x5 = r
con esto, es sistema homogneo queda como:
1 1 :
s
0
1 : t + 2s r
de donde se encuentra:
x1 = t + s r
x2 = t + 2s r
as, la solucin del sistema homogneo es:
t + s r
t + 2s r
t
x =
s
r
1
1
1
2
= t
1 +s 0
0
1
0
0
+r
1
1
1
1 2 1
1 , 0 , 0
0 1 0
1
0
0
1
1
0
0
1
87
Ejercicios propuestos
Determinar bases para el espacio fila, columna y nulo de:
1.
2.
1 0 1
A= 0 2 1
1 1 1
1 0
0
1
0
0 , 2 , 1 ,
Sol.
1 0 1 , 0 2 1 , 0 0 1 ,
1
1
0
1
1
2 1
1
B = 2 4 0 2
1 2 1 1
3.
1
1
1 2 1 1 , 0 0 2 0
Sol.
, 2 , 0 ,
1
1
0
1
C=
1
2
1
1 2 1 , 0 1 2
Sol.
,
1
2
2
1
3
3
5
4
1 1
1
0
1 2
1
, 3
2 5
1
1
1 ,
0
3
, 2
88
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 define el concepto de producto interno. Con esta definicin es posible
definir el concepto de norma (medida) de un vector, ms an esta definicin permite definir
la ortogonalidad entre vectores de un espacio vectorial.
4.1
4.1.1
90
u1
u2
t
2
2
2
P4 : u, u = u u = u1 + u2 + + un 0, aqu u = ..
.
un
2
2
2
P5 :Si u, u = 0, entonces u1 + u2 + + un = 0, de donde cada ui = 0, esto es, u = 0, el
recproco es trivialmente cierto.
El producto interior euclidiano, se llamar tambin producto interno usual de Rn , es usual
emplear la notacin u v, en lugar de u, v .
Producto interno asociado a una matriz
Considere el producto interno euclidiano en Rn y A Mn,n una matriz invertible, entonces
el producto en Rn definido por:
u, v = Au Av
es un producto interno en Rn . Ntese que u, v = ut (At A) v
Ejemplo 4.1 Considere la matriz
A=
3 1
2 1
4.1.2
4.2
La norma de un vector
4.3. ORTOGONALIDAD
91
Ejemplo 4.2 En el espacio vectorial Rn , con u, v = ut v, la norma inducida por este producto interno es:
t
v = v v = v12 + v22 + + vn2
Definicin 4.3 (distancia) La distancia entre dos vectores de un espacio vectorial V est
definido por:
d (u, v) = v u ,
4.3
4.3.1
Ortogonalidad
Vectores ortogonales
2
2
u = 1 ,v = 1 ,w =
2
3
sean
1
10
4
2
w, v = (1, 10, 4) 1 = 2 10 + 8 = 0
2
2
u, v = (2, 1, 3) 1 = 4 + 1 + 6 = 3 = 0.
2
4.3.2
Conjuntos ortogonales
Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortogonal si vi , vj = 0 para todo i = j.
Ejemplo 4.4 En R2 con el producto interior usual el siguiente conjunto es ortogonal
!
3
4
,
4
3
92
0
1
1
4.3.3
Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortonormal si vi , vj = 0 para todo i = j y vi , vi = 1 para todo i.
1 1
2
2
0
1 , 0 , 0
1
1
2
2
3
Ejercicios propuestos
2 0
1 2
4. Encontrar el producto interior generado por una matriz y el producto interior euclidiano
2
2
en R2 para que la circunferencia unitaria sea la elipse xa2 + yb2 = 1.
5. Probar:
u + v2 + u v2 = 2 u2 + v2
1
1
u + v2 u v2
4
4
en cualquier espacio vectorial producto interno.
u, v =
4.4
4.4.1
93
v cu
cu
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:
v, u
.
u2
por tanto es tringulo rectngulo est formado por:
c=
v, u
u,
u2
v, u
u,
Altura:
v
u2
Hipotenusa: v.
Base:
94
4.4.2
v2 , w1
w1 entonces
w1 2
esto lleva a:
v3 , w1 c w1 2 = 0
v3 , w2 k w2 2 = 0
de donde:
v3 , w1
w1 2
v3 , w2
k =
,
w2 2
c =
por tanto:
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
luego el conjunto {w1 , w2 , w3 } es ortogonal. Esto puede continuarse con ms vectores, originando el proceso de Gram Schmidt, que se describe en la siguiente seccin.
w3 = v3
4.4.3
vi , w1
vi , w2
vi , wi1
wi1 ,
2 w1
2 w2
w1
w2
wi1 2
95
1
0
0
0 , v2 =
1 , v3 =
0 ,
B = v1 =
1
1
1
1
w1 = v1 = 0 ,
1
Clculo de w2 :
v2 , w1
w1 ,
w2 = v2
w1 2
1
v2 , w1 = (0, 1, 1) 0 = 1, w1 2 = 2, luego:
1
w2
1
0
1
0
= 1
2
1
1
1
=
12
Clculo de w3 :
v3 , w1
v3 , w2
w2
w3 = v3
2 w1
w1 w2 2
1
1 = 12 , w2 2 = 32 , luego
12
w3
1
0
1
1
2
1
= 0 0 32 1
2
2
1
12
1
1
3
1
=
3
1
3
96
1
1
1
3
2
1
0 , w2 =
1 , w3 =
C = w1 =
3
1
1
1
2
3
" 1
1
1
1
2 2 31
1
D = 0 ,
, 3
3
2
3
1
1
12
3
Ejemplo 4.9 Considere la base en R4
1
1
0
1
B = v1 =
1 , v2 = 1
1
1
Clculo de w1 :
1
1
1
0
, v3 =
0 , v4 = 1
0
1
1
0
w1 =
1 ,
1
Clculo de w2 :
1
1 3
v2 , w1
w2 = v2
2 w1 = 1
3
w1
1
Clculo de w3 :
v3 , w1
v3 , w2
w3 = v3
w2
2 w1
w1
w2 2
1
1
1 1 0 1
=
0 3 1 1
0
1
Clculo de w4 :
0
1
0 1
=
1 0
0
1
2
0
3
0
1
=
0 13
13
0
97
v4 , w1
v4 , w2
v4 , w3
w4 = v4
w3
2 w1
2 w2
w1
w2
w3 2
2
1
0
1
3
0 1 0 0 1 23 0
=
1 3 1 1 0 6 1
3
9
1
0
13
1
0
C=
1 ,
y la base ortonormal:
0
1
1
0 1
,
D=
1 0
3
0
1
Ejercicios propuestos
2
0
3
0
1
,
0 13
13
0
0
0
=
1
1
,
1
3 0 1 0
, 1 ,
6 3
2 1
13
1
2
3
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.
3.
1
1
1
B = 1 , 2 , 2
3
1
1
1
1
1
1 , 2 , 0
1
1
1
0
0
1
1 , 1 , 0
B=
1
1
1
98
4.
2/3
0
1
1 , 1/3 , 1/2
1
1/3
1/2
1
1
1
B=
1
,
1
, 2
1
0
1
5.
1 3
3
1
2
1 , 1 , 3
3
2
1
23
0
3
1
1
0 ,
7 , 2
B=
0
2
7
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
5.2
5.2.1
4
5
5 4
1
1
= 9
1
1
= v
(5.1)
100
Solucin nica El sistema 5.1 tiene soluciones (pues es homogneo), este sistema homogneo tendr solucin nica si y solamente si el determinante de la matriz de coeficientes
es distinto de cero, es decir, |A I| =
0, en este caso la solucin es v = 0, esta solucin
no nos interesa pues un autovector, por definicin, no puede ser el vector nulo.
Infinitas soluciones De acuerdo a lo anterior, el sistema 5.1 tendr infinitas soluciones si
y solamente si |A I| = 0, as las soluciones de |A I| = 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
Definicin 5.3 (Polinomio y ecuacin caracterstica) El polinomio de grado n, p () =
|A I| 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.
Ejemplo 5.2 Considere la matriz
A=
4 5
5 4
= 2 + 8 9
2 + 8 9 = 0
cuyas races son:
1 = 9
2 = 1
por tanto 1 = 9 y 2 = 1 son los autovalores de A.
101
1 4
4
1
102
5.2.2
Clculo de autovectores
2
1
3
A = 1 2 1
3 1
2
Solucin. El polinomio caracterstico es
P () = 3 22 15
luego la ecuacin caracterstica es
3 22 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,
0
2
1
3
x1
1 2 1 x2 = 0
0
x3
3 1
2
2
1
3
1 2 1
1 2 1
1 2 1
1
3
5
5
2
0
F21(2)
3 1
2 F12
3 1
2 F
0
5
5 F
31(3)
32(1)
1 2 1
0
5
5
0
0
0
103
: t R , dim (W=0 ) = 1
W=0 = t 1
1
de este resultado concluimos que el autovector asociado a = 1 = 0 es v1 = 1
1
2+3
1
3
x1
0
x2
1 2 + 3
1
0
=
x3
3
1 2 + 3
0
resolviendo:
1
1 1
1
1 1
5
1
3
1
1
3
8
1 1
5
0 4
F21(5)
3 1
5 F
0 4
8 F
3 1
5 F12
31(3)
32(1)
1
1 1
8
0 4
0
0
0
la variable libre es x3 . Sea x3 = t, entonces:
x2 = 2x3 = 2t
x1 = x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 2 = 3 es
1
de este resultado concluimos que el autovector asociado a = 2 = 3 es v2 = 2
1
104
25
1
3
x1
0
1 2 5
1
x2
=
0
3
1 2 5
0
x3
resolviendo:
1 7 1
1 7 1
3
1
3
1 7 1
1
3
0
3
0 20
F21(3)
3 1 3 F
0
20
0 F
3 1 3 F12
32(1)
31(3)
1 7 1
0 20
0
0
0
0
la variable libre es x3 . Sea x3 = t, entonces:
x2 = 0
x1 = 7x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 3 = 5 es
1
de este resultado concluimos que el autovector asociado a = 3 = 5 es v3 = 0 .
1
Ejemplo 5.5 Calcular los autovalores y autovectores de:
3
2 1
4 0
B= 0
1 2 3
Solucin.
Autovalores. La ecuacin caracterstica es: 3 102 + 32 32 = 0, resolviendo se
encuentra:
1 = 2,
2 = 3 = 4.
Autovectores. Se calculan los autovectores para cada autovalor distinto,
105
= 2. Resolvemos (A 2I) x = 0,
1
2 1
x1
0
0
2 0
x2
0
=
1 2 1
0
x3
0
1
2
1
x1
0
x2
0
0
=
0
x3
1 2 1
la solucin es:
W=4
5.3
5.3.1
1
2
: t, s R , dim (W=4 ) = 2
+s 0
= t 1
1
0
5.3.2
Autovalores y rango
Teorema 5.5 Sea A Mn,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 independiente, pues Sn = |A| = 0, esto prueba que al menos existe un autovalor igual a cero.
106
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 A1 asociado a .
5.3.4
5.3.5
2 1
2 4
es p () = 2 6 + 10, y
p (A) = A2 6A + 10I
2
1 0
2 1
2 1
+ 10
6
=
0 1
2 4
2 4
0 0
=
0 0
5.3.6
107
(ii)
c1 1 v1 + c2 1 v2 = 0
(iii)
5.3.7
Teorema 5.11 Sea A Mn,n simtrica, entonces sus autovalores todos son nmeros reales.
Ejemplo 5.7
4 5
0
A= 5 4
0
0 0 1
5.3.8
donde || es el valor absoluto. Entonces los autovalores de A estn en la union de los discos
n
#
i=1
0
0
A = 5
5
2 1 5
5
2
9
4
72
108
5.4
9
4
7
2
6 1 1
A = 1 4 1
1 0
3
109
1 1 1
x1
0
1 1 1 x2 = 0 ,
0
1 0 2
x3
W=5
:tR ,
= t 1
0
2 1 1
x1
1 0 1 x2 = 0
1 0 1
x3
0
W=4
= t 1 : t R
t 1
1
1
t 1
:tR
1
1
:tR
2
1
Ejemplo 5.10 En el ejemplo 5.4 (pgina 102) se calculan los siguientes resultados sobre la
matriz
2
1
3
A = 1 2 1
3 1
2
Ecuacin caracterstica: 3 22 15 = 0
110
0
1
1
t 1
:tR
2
t
:tR
3
1
1
:tR
t 0
5
1
1
Ejemplo 5.11 En el ejemplo 5.5 pgina 104 se calculan los siguientes resultados sobre la
matriz
3
2 1
B= 0
4 0
1 2 3
5.5
5.5.1
W
Mult. algebraica Mult. Geomtrica
0
1
1
t
:tR
2
1
2
2
t 1
+s 0
: t, s R
0
1
Semejanza y diagonalizacin
Matrices semejantes
Definicin 5.16 Se dice que dos matrices A, B Mn,n son semejantes si existe una matriz
P Mn,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 Mn,n matrices semejantes, entonces A y B tienen los mismos
autovalores.
111
B=P
AP =
21
40
15 29
5.5.2
Diagonalizacin
Sea A Mn,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 (d1 , d2 , . . . , dn ) .
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
d1 0 0
p11 d1 p12 d2 p13 d3
p11 p12 p13
p21 p22 p23 0 d2 0 = p21 d1 p22 d2 p23 d3
0 0 d3
p31 p32 p33
p31 d1 p32 d2 p33 d3
112
P 1 AP = D,
entonces:
AP = P D.
Sea P = [P1 , P2 , . . . , Pn ], entonces de la igualdad AP = P D y los resultados de productos de
matrices, se deduce:
[AP1 , AP2 , . . . , APn ] = [d1 P1 , d2 P2 , . . . , dn Pn ] ,
de donde:
APi = di Pi , i = 1, 2, . . . , n,
esto prueba que la j esima columna de P es el autovector asociado al autovalor di 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.
Teorema 5.18 Sea A Mn,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.
Teorema 5.19 Sea A Mn,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,
6 1 1
A = 1 4 1 ,
1 0
3
se ha establecido el siguiente resultado
5
t
4
t
2
1
1
1
1
1
:tR
1
1
:tR
2
1
113
2
1
3
A = 1 2 1
3 1
2
Se ha establecido el siguiente resultado:
W
Mult. algebraica Mul. Geomtrica
0
1
1
t 1 : t R
3
1
1
t 2 : t R
t 0
:tR
5
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:
1 1 1
2 0
P = 1
1
1 1
y la matriz D con los correspondientes autovalores:
0
0 0
D = 0 3 0 ,
0
0 5
ntese que P 1 AP = D.
3
2
B= 0
4
1 2
se ha establecido el siguiente resultado:
1
0
3
W
Mult. algebraica Mult. Geomtrica
0
1
1
t
:tR
2
1
1
0
2
2
+s
: t, s R
t
0
1
114
2 0 0
1 2 1
P = 0 1 0 , D = 0 4 0
0 0 4
1 0 1
nuevamente P 1 BP = D.
Diagonalizacin ortogonal
Recordemos que una matriz P es ortogonal si P 1 = P t .
Definicin 5.20 Una matriz A es diagonalizable ortogonalmente, si existe una matriz ortogonal P tal que:
P t AP = D.
Observemos que si P t AP = D, entonces:
A = P DP t
aplicando transpuesta se encuentra:
At = P DP t
= P P t AP P t
= A,
as la matriz A debe ser simtrica. Por tanto las nicas matrices diagonalizables ortogonalmente son las simtricas.
Ejemplo 5.17 Diagonalizar la siguiente matriz ortogonalmente.
2 1 1
A= 1 2 1
1 1 2
Solucin.
Ecuacin caracterstica: 3 62 + 9 4 = 0,
Autovalores y autovectores:
1
1 ,
= 1 = 4; autovector asociado: v1 =
1
1
1
= 2 = 3 = 1; autovectores asociados, v2 = 0 , v3 = 1 .
1
0
Ntese que el conjunto {v1 , v2 , v3 } es un conjunto LI. Para generar un conjunto ortogonal
emplearemos el clsico algoritmo de reduccin de Gram Schmidt.
115
1
Sea w1 = v1 = 1 ,
1
w2 = v2
v2 , w1
w1
w1 2
1
v2 , w1 = v2t w1 = (1, 0, 1) 1 = 0, w1 2 = w1 , w1 = 3, por tanto:
1
1
1
1
0
w2 = 0 1 = 0 ,
3
1
1
1
w3 = v3
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
1
v3 , w1 = v3t w1 = (1, 1, 0) 1 = 0, w1 2 = 3
1
1
v3 , w2 = v3t w2 = (1, 1, 0) 0 = 1, w2 2 = 2, por tanto:
1
2
1
1
1
0 1
w3 =
1
0
=
1
1
3
2
1
1
0
12
1
1
1
2
w1
w2
w3
1
1
2
1 , 2
0
, 6
es claro que el conjunto
1
,
,
= 3
1
1
2
6
3
2
0
P = 13
6
1
1
1
6
3
2
116
P t AP =
1
3
12
16
1
3
0
2
6
1
3
1
2
16
4 0 0
= 0 1 0 = D.
0 0 1
2 1 1
1 2 1
1 1 2
1
3
1
3
1
3
12 16
2
0
6
1
16
2
Ejercicios propuestos
En los siguientes problemas, calcular (a) Autovalores, (b) autovectores, (c) multiplicidad
algebraica y multiplicidad geomtrica, (d) diagonalizar (si es posible) la matriz dada.
1
1
2 0 1
2 , 2
2 3 2 , Sol. (a) 1, 3 (b)
1.
1
1
1 1 2
1
1
2 1 0
1
2. 2 2 2 , Sol. (a) 0, 4, 2 (b) 2 , 2 , 0
1
1
1
0 1 2
1 7 2
1
1
1
1
1
8
4 2 2
4. A = 5 3 2 , Sol. (a) 1, 4, 0 (b) 11 , 1 , 1
1
3
9
7 1 6
0
4
1
1
1
5. B = 4 10
2 , Sol. (a) 4, 2, 2 (b) 2 , 2
12 18 2
4
6
4
1
1
1
1
1
4
1 , Sol. (a) 1, 3 (b) 1 , 0 , 1
6. C = 1
4 4 1
4
1
0
1
1
1
1 1 1
1 1 , Sol. (a) 1, 2 (b) 1 , 0 , 1
7. A = 1
0
1
1
1
1 1
2 2
0 0
1
1
2
2
2
2 2 1
, Sol. (a) 2, 1, 5 (b) 0 , 0 , 3 , 3
8. A =
0 2
1 0 2 2
2 0
0
1
0 2
0
2
1
1
117
1
0
0
1
1
0 1
0
0 1 1 0
0 1
0
1
, Sol. (a) 0, 2 (b)
9. A =
1 , 0 , 0 , 1
1
0 1
0
0
1
1
0
0 1
0 1
1
1
1
1 2 0 5
2
2 2 1 1
2 1 2 0
2
10. A =
0 2 1 2 , Sol. (a) 0, 2, 5, 7 (b) 2 , 2 , 1 , 1
2
1
1
5 0 2 1
2
1
1
1
2 1 1
2
6
3
1
1
11. A = 1 2 1 , Sol. P = 13
2
6
1
2
1 1 2
0
3
6
12. A =
2 1 1
1 0
1 , Sol. P =
1 1
2
1
3
1
3
1
3
2
2
2 4 0
5
13. A = 4 2 3 , Sol. P = 12 2
3
0 3 2
2
10
1
12
6
0 26
1
2
2
2
5
1
2
2
3
2
10
1
6
3
5
45
Mostrar que existe una matriz ortogonal P formada por autovectores tales que P t AP
es una matriz triangular superior.
1
2
0
5 3 3
6
3
1
1
14. A = 6 4 3 , Sol. P = 13
2
6
1
1
1
6 3 2
3
2
6
a2 ab b2
ab a2 ab
b2 ab a2
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 2a
A= a
0
0 1
18. Supngase A Mn,n , I Mn,n la matriz identidad y c, d nmeros.
118
n 1 1
1 n 1
A= 1 1 n
.. .. ..
. . .
1 1 1
1
1
.
..
. ..
n
Captulo 6
Transformaciones lineales
Muchos problemas prcticos planteados en un espacio vectorial pueden convertirse en problemas 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
Considere una funcin T : U V , donde U y V son espacios vectoriales. T es una transformacin 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 vectorial, es decir, preserva la suma y producto por escalar.
Ejemplo 6.1 La funcin T : R3 R2 , definida por
x
2x + y
y
=
T
y + 3z
z
a
x
b , entonces:
y
,w=
T es transformacin lineal, en efecto: Sean u =
c
z
x+a
T (u + w) = T y + b
z+c
2 (x + a) + (y + b)
=
(y + b) + 3 (z + c)
119
120
2x + y
=
+
y + 3z
x
= T y +T
z
= T (u) + T (w) .
por otra parte si k R, entonces:
T (ku) =
=
=
=
=
2a + b
b + 3c
a
b
c
kx
T ky
kz
2kx + ky
ky + 3kz
2x + y
k
y + 3z
x
y
kT
z
kT (u) .
6.1.2
2x + 3y + 5
x
x+y
T
=
y
x + 2y 1
5
0
0
0
0 , por tanto T no es transformacin lineal.
obsrvese que T
=
=
0
1
0
121
x
y
xy
= x
x+y
y
+
2z
(a) T : R3 R2 , T y =
Sol. Si
x+z
z
x
x
2
2
=
Sol. No
(b) T : R R , T
y
y+2
x
x
+
y
x
z
3
Sol. Si.
(c) T : R M2,2 , T y =
y
2z
z
x y
2x 3w
2
(d) T : M2,2 R , T
=
Sol. Si
z w
3z 4y
xy
x
= x Sol. No
(e) T : R2 R3 , T
y
x+y
|x|
x
2
2
(f) T : R R , T
, Sol. No
=
0
y
3. Se define T : Mn,n Mn,n por T (x) = xM + M x, donde M es una matriz cualquiera
de V, mostrar que T es una transformacin lineal.
6.2
Considere un espacio vectorial V, sea B = {e1 , e2 , . . . , en } una base de V. Sea T una transformacin lineal de V en un espacio vectorial W. Si v V, entonces
v = c1 e1 + c2 e2 + + cn en ,
aplicando la transformacin lineal se encuentra:
T (v) = c1 T (e1 ) + c2 T (e2 ) + + cn T (en )
122
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 R3 y R2 , sea
1
1
0
1 , v2 =
0 , v3 =
0
B = v1 =
1
1
1
1
1
0
1
2
1
T
1
=
,T
0
=
,T
0
=
.
1
1
1
1
1
1
Determinar la transformacin lineal.
x
Solucin. Sea v = y , existen nmeros c1 , c2 , c3 tal que
z
v = c1 v1 + c2 v2 + c3 v3 ,
resolviendo se encuentra:
(i)
(ii)
x
1 1 0
c1
1
0 0 c2 = y
z
1
1 1
c3
c1 = y
c2 = x y
c3 = x + 2y + z
empleando la transformacin T a la ecuacin (ii) se encuentra:
T (v) = c1 T (v1 ) + c2 T (v2 ) + c3 T (v3 )
reemplazando (i), (iii) y v en la anterior ecuacin se encuentra:
x
1
2
1
y
T
= y
+ (x y)
+ (x + 2y + z)
1
1
1
z
x y + z
=
2x + 4y + z
(iii)
6.3. COMPOSICIN
123
Ejercicios propuestos
1. Sea T : R2 R una transformacin lineal tal que
1
1
T
= 2, T
= 2
1
2
x
. Sol. 6x 4y
determinar T
y
2. Sea T : R2 R3 una transformacin lineal tal que :
1
2
1
1
= 0 ,T
= 1
T
1
2
1
4
y
x
Determinar T
. Sol. x + y
y
6x + 5y
6.3
Composicin
S(T (u))
T (u)
u
ST
La compuesta de T y S, escrito S T, es la funcin de U en W definida por:
(S T ) (u) = S (T (u)) ,
124
x 2y
u
x
u 2v
T
=
2x + y , S
v
=
y
v+w
w
2x + 2y
Solucin.
(S T )
6.4
6.4.1
x
y
x
= S T
y
x 2y
= S 2x + y
2x + 2y
x 2y 2 (2x + y)
=
2x + y + 2x + 2y
5x 4y
=
3y
Ncleo e imagen
Ncleo
6.4.2
125
Imagen
6.4.3
El teorema de la dimensin
xy
x
T
= x + 2y
y
x+y
Solucin.
Clculo de la nulidad
0
x
x
= 0
:T
Nu (T ) =
y
y
0
xy
0
x
x + 2y
0
=
:
=
y
x+y
0
126
0
1 1
x
0 ,
2
=
y
0
1
1
0
0
.
luego nulidad (T ) = 0
Clculo de la imagen
a
a
x
x
= b para algn
Im (T ) = b : T
y
y
c
c
a
xy
x + 2y = b
c
x+y
1 1
a
x
2
b
=
y
1
1
c
1 1 :
a
1 1 a
1 1 :
a
1
3 :
a + b
2 b
3 : a + b
0
0
F21(1)
1
0
0 : 3 a + c 23 b
1
1 c F
0
2 : a + c F
31(1)
2
32( 3 )
lo anterior muestra que el sistema tiene solucin si y solamente si 13 a + c 23 b = 0, por tanto:
a
b : 1 a + c 2 b = 0; a, b, c R
Im (T ) =
3
3
c
b
: a, b R
=
1
2
a
+
b
3 3
0
1
+b 1
: a, b R
a 0
=
1
2
3
127
y
T
=
2x 2y + 6z
z
Solucin.
Clculo del ncleo
Se resuelve el sistema
2 1 6
2 2 6
x
y = 0
0
z
1
x
y = t 4 , t R
z
1
por tanto:
Nu (T ) = t 4 , t R ,
x
a
2x y + 6z
y
=
T
=
b
2x 2y + 6z
z
2 1 6
2 2 6
x
y = a
b
z
2 2 6 : b
0 3 12 : a + b
128
lo anterior muestra que este sistema siempre tiene soluciones, es decir, cualquier
Im (T ) , por tanto Im (T ) = R2 y rango (T ) = 2.
Nuevamente el teorema de la dimensin se cumple:
a
b
nulidad (T ) + rango (T ) = 1 + 2 = 3 = dim R3 .
Ejercicios propuestos
1. En los siguientes problemas, determinar una base y la dimensin de (i) ncleo (ii) la
imagen de T.
x y + 2z
x
(a) Sea T y = 4x 2y + 13z
2x 3z
z
a
3/2
b
: t R , Im (T ) =
Sol. Nu (T ) = t 7/2
: a, b R
2
1
1
a
b
3
3
x + 2y z
x
y+z
(b) Sea T y =
x + y 2z
z
3
0
1
Sol. Nu (T ) = t 1
: t R , Im (T ) = a 0
+b
: a, b R
1
1
1
1
1 2
, sea T (A) = AM M A determinar una base y
2. Sea T : M2,2 M2,2 y M =
0 3
1 0
1 1
,
la dimensin del ncleo de T. Sol.
0 0
0 1
1 2
, sea T (A) = M A, determinar el ncleo de T
3. Sea T : M2,2 M2,2 y M =
3 5
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.
x + 2y
x
= xy
T
y
2x y
el ncleo de T se encuentra resolviendo:
x + 2y = 0
xy =0
2x y = 0
x
y
Nu (T ) =
0
0
0
0
, por tanto
T 1 (T (v)) = v,
T T 1 (w) = w
130
x
3x
y
Ejemplo 6.11 Sea T : R2 R2 , definida por T
=
(a) determinar si es
y
4x y
o no invertible, (b) si fuera invertible determinar la inversa.
Solucin. (a) El ncleo se encuentra resolviendo
0
0
3x y = 0
4x y = 0
0
0
la nica solucin es
, por tanto Nu (T ) =
, luego T es invertible.
a
x
a
(b) Sea
tal que T
=
, esto origina el sistema:
b
y
b
3x y = a
4x y = b
x
y
yx
3y 4x
Ejercicios propuestos
En los siguientes ejercicios, determinar T 1 si sta existe.
a
x 2y
3a + 2b
x
2
1
b
2x 3y . Sol. T
=
,
1. T : R Im (T ) , T
=
b 2a
y
c
xy
c=ba
x
x 2y + z
3
2
y
2. T : R R , T
=
. Sol. No existe
x + y 3z
z
x + z
x
2x + y 2z
3
4
y =
3. T : R R , T
x + 2y z , Sol. No existe
z
xz
2y
a
x
+
3y
x
3a + 2b
2
4
1 b
, Sol. T =
=
, c = 4a + b,
4. T : R R , T
3x 5y
y
c
a+b
0
d
d=0
131
5. Sea
1
0
W = s 1
+t 1
: a, b R
1
1
x
3x + y
a
2
1
y
=
, z = 2x 3y. Sol. T
Se define T : W R por T
=
8x + 3y
b
z
3a b
8a + 3b .
18a 7b
6.6
6.6.1
la matriz
c1
c2
..
.
cn
c1
c2
mat B u = ..
.
cn
1
2
0
0 , u1 =
0 , u3 =
1
B = u1 =
1
0
1
1
lo que origina:
1 2 0
c1
1
0 0 1 c2 = 2
1 0 1
c3
3
132
6.6.2
a1j
a2j
C
las componentes de la matriz mat T (uj ) = .. forman la j esima columna de la
.
amj
matriz de coordenadas de la transformacin T, se denota con matC
B T, es decir:
C
mat B T = ..
..
..
.
.
.
.
.
.
am1 am2 . . . amn
para todo u U.
mat B u =
c1
c2
..
.
cn
133
por tanto:
mat T (u) =
c1
a11 a12 . . . a1n
a21 a22 . . . a2n c2
= ..
..
.. ..
.
.
.
.
.
. .
cm
am1 am2 . . . amn
C
B
= mat B T mat u .
1
1
0
2
1
, v2 =
Sean B = u1 = 0 , u2 = 0 , u3 = 1 , C = v1 =
5
3
1
1
0
bases de R3 y R2 respectivamente.
(a) Calcular matC
BT
2
(b) Empleando el teorema 6.11 (pg. 132) calcular matC T (u) , donde u = 1 .
1
C
(c) Calcular mat T (u) directamente.
134
Solucin. (a) Clculo de la primera columna: Se calcula matC T (u1 ), las componentes
de este vector son las soluciones del sistema:
x1 v1 + x2 v2 = T (u1 )
as se plantea el sistema:
1+0
x1
2 1
=
0+1
5 3
x2
x1
2
2
C
resolviendo se encuentra:
, luego mat T (u1 ) =
=
.
3
x2
3
Clculo de la segunda columna: Se calcula matC T (u2 ), las componentes de este vector
son las soluciones del sistema:
x1 v1 + x2 v2 = T (u2 )
as se plantea el sistema:
2 1
5 3
x1
x2
1+0
0 + (1)
4
4
x1
C
.
=
, luego mat T (u2 ) =
resolviendo se encuentra:
7
x2
7
Clculo de la tercera columna: Se calcula matC T (u3 ), las componentes de este vector son
las soluciones del sistema:
x1 v1 + x2 v2 = T (u3 )
as se plantea el sistema:
x1
2 1
0+1
=
5 3
1+0
x2
2
x1
2
C
.
resolviendo se encuentra:
, luego mat T (u3 ) =
=
x2
3
3
De lo anterior se deduce:
2
4
2
C
mat B T =
3 7 3
Solucin (b) Empleando el teorema mencionado slo es necesario calcular matB u, las
componentes de este vector son las soluciones del sistema:
x1 u1 + x2 u2 + x3 u3 = u,
es decir:
2
1
1 0
x1
0
0 1 x2 = 1
x3
1
1 1 0
1
2
3
2
135
1
2
3
2
x1
B
resolviendo se encuentra: x2 =
, por tanto: mat u = , por tanto:
x3
1
1
mat B u
mat C T (u) = mat C
BT
1
2
2
4
2
3
=
2
3 7 3
1
9
=
15
Solucin (c). Se encuentra resolviendo el sistema
x1 v1 + x2 v2 = T (u) =
de donde:
resolviendo se encuentra
es decir:
2 1
5 3
x1
x2
C
x1
x2
=
mat T (u) =
9
15
3
0
3
0
9
15
Ejercicios propuestos
En los siguientes ejercicios, determinar, si es posible, matC
B T.
2x y
x
= x 3y
1. T : R2 R3 , T
y
3x + y
1
1
1
3
0 , 1
, C=
,
B=
1
2
1
1
2
C
determinar tambin mat T (u) , u =
1
2x y
x
2. T : R2 R2 , T
,
=
x 3y
y
3
5
2
B=
,
, C=
,
1
2
3
1
, 1
2
3
136
6.6.3
Cambio de base
xy
x
T
= x + 2y
y
x+y
1
0
0
1
0
Sean B = e1 =
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0
0
1
0
0
1
bases de R2 y R3 respectivamente. La matriz de coordenadas de T relativo a estas bases es:
1 1
1
2
mat C
BT =
1
1
1
1
1
4
3
y C = f1 = 1 , f2 = 1 , f3 = 0
, e2
Sean B = e1 =
3
2
1
0
0
nuevas bases de R2 y R3 , calcularemos matC
B T empleando el resultado:
%
&
C
mat C
T
=
mat
I
mat B
mat C
BT
B IV
B
C W
3
Clculo de matC
C IW . (aqu W = R ). Primera columna:
1
1
1 1
x1
1 1 0 x2 = 0
0
x3
1
0 0
0
resolviendo se encuentra el vector : 0 .
1
Segunda columna:
1
1 1
x1
0
1 1 0 x2 = 1
1
0 0
x3
0
0
cuya solucin es: 1 .
1
Tercera columna:
1
1 1
x1
0
1 1 0 x2 = 0
x3
1
1
0 0
1 .
resolviendo se encuentra la solucin:
2
mat C
C IW
0
0
1
1
= 0 1
1
1 2
Segunda columna:
la solucin es
x1
x2
1 0
0 1
3
2
1 0
0 1
x1
x2
x1
x2
3
2
x1
x2
3
2
4
3
, por tanto:
mat B
B IV
3 4
2 3
Finalmente:
%
&
mat C
I
mat B
mat C
BT
B IV
C W
0
0
1
1 1
3
4
= 0 1
1 1
2
2 3
1
1 2
1
1
5
7
5
= 4
8 11
mat C
B T =
137
138
Ejercicios propuestos
C
C
C
T
con
la
frmula
mat
T
=
mat
I
T
matB
mat
En los siguientes problemas, determinar matC
W
C
B
B
B
B I
1.
x 2y
x
T
= 2x
y
3x + y
1
0
1
0
0 , f2 =
1
, e2 =
, C = f1 =
B = e1 =
0
1
0
0
1
1
4
3
1 , f2 =
1
, C = f1 =
B = e1 =
, e2
3
2
3
2
13 19
1
Sol. 0
7 10
0
, f3 = 0
2
, f3 = 1
2. Determinar matC
B T si:
B=
e1 =
1
1
, e2 =
4
3
B = e1 =
, e2
3
2
32 32
2
Sol. matC
B T = 2
12 23
6.7
x 2y
T (x, y) = 2x
xy
0
1
1
1
, C = f1 = 0 , f2 = 1 , f3 = 0
1
1
1
1
1
1
2
3
2
4
3 5
, matC T = 10 13
B
7 10
Operadores lineales
139
%
&
mat B
I
mat B
B V
B IV = I,
B
1
Por tanto si matB
.
B IV = P, entonces matB IV = P
Empleando el teorema 6.12 se encuentra
1
AP
mat B
B T = P
esto significa que T es diagonalizable si es posible encontrar una B formada por autovectores
de A.
Ejemplo 6.15 Sea T : R3 R3 , definida por:
x
x 2y z
T y = 2x 2y 2z
z
6x + 12y + 8z
1 2 1
2 2 2
mat B
BT =
6 12
8
Autovalor Autovectores
asociados
1
2
3
6
1
2
0 , 1
2
1
0
2
1
1
B = 2 , 0 , 1
0
1
6
Ejercicios propuestos
x
x+y+z
1. T y = 2x z , Sol. No existe.
z
2x + 2y + 3z
0
x
1
x+y+z
1
1
y
z
, 1 , 0
2. T
=
, Sol. Una base es
2
1
z
0
2y + 3z
140
6.8
6.8.1
y el cuadrado de vrtices (0, 0) , (1, 0) , (1, 1) y (0, 1) . T transforma el cuadrado en el paralelogramo de vrtices(0, 0) , (1, 1) , (3, 0) y (2, 1) como puede verse en el siguiente grfico.********book.pdf**********
6.8.2
La transformacin rotacin
141
=
1
1
x + 2 3y
2
As, el punto
1
1
se transforman en:
1
1
1
2
1
2
2
1.8
1.6
1.4
1
2
1
2
3
1
3+1
( 3 1)
( 3 + 1)
1.2
1
1
1
0.8
0.6
30 0
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
1.
1.
1.4 1.6
2
8
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)
142
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);
___________________________________________________
6.8.3
143
Transformaciones no lineales
Las transformaciones lineales tienen la propiedad de preservar las figuras, por ejemplo rectngulos en rectngulos, esto no ocurre con las transformaciones no lineales, por ejemplo
considrese la transformacin:
xy
x
=
T
x2 y 2
y
___________________________________________________
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)
144
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 fijo 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
Ek =
1 0
0
0 0 0
0 1
0
0 0 0
.. .. . .
.. .. ..
..
.
.
. .
. . .
0 0
0
1
0 0 0
0 0 dk+1,k
1 0 0
.. ..
..
.. . . ..
. .
. .
.
.
0 0 dn,k 0 1
146
CAPTULO 7.
FACTORIZACIN LU Y LR
Ejemplo 7.1
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
Aqu:
0
0
= I + 2 et2
0
1
0
0
0
1
2 =
5 , e2 = 0
2
0
Ejercicios propuestos
1. Probar que eti k = 0 para i = 1, . . . , k.
2. Es el producto de matrices elementales una matriz elemental?. Justificar su respuesta.
3. Es el suma de matrices elementales una matriz elemental?. Justificar su respuesta.
7.2
I + k etk
Similarmente se prueba
I k etk
= I k etk + k etk k etk k etk
= I k etk k etk
= I
I k etk
I + k etk = I
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
0
0
,
0
1
E21
1
0
0
1
=
0
5
0 2
0
0
1
0
0
0
0
1
1
0 0
0
1 0
0 5 1
0
2 0
7.3
0
1
0
0 0
1
0 0
5
0 2
1
0
0
1
0
1
0
0 0
=
0 0
0
1
147
0
1
0
0
0
0
1
0
0
0
0
1
Las matrices elementales se usan para triangularizar matrices, iniciamos esta seccin con el
siguiente resultado.
7.3.1
u=
u1
u2
..
.
un
1
0 0 0
u2 1 0 0
u1
3
0
1
E= u
..
.
.
.
.
.
.
.
.
.
.
0
u
n
0 0 1
u1
u1
0
ui
, i = 2, . . . , n se llaman multiplicadores.
u1
148
CAPTULO 7.
7.3.2
FACTORIZACIN LU Y LR
Aniquilador general
u1
..
.
uk
u=
uk+1
.
..
un
con uk = 0, existe una matriz elemental E tal que aniquila las entradas bajo ak , es decir, las
ltimas n k entradas de u.
Demostracin. Por el teorema previo, la matriz de aniquilacin la las entradas
bajo uk en el vector
uk
uk+1
v = ..
.
un
es
donde djk =
F =
1 0 0
dk+1,k 1 0
.. .. . . .. Mnk+1,nk+1
. .
. .
dn,k 0 1
uj
. Definimos
uk
E=
I 0
0 F
Mn,n
Eu =
u1
..
I 0
.
0 F uk1
v
u1
..
.
uk
=
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
1 0 0
4
1
0
3
0 1
3
por tanto, aadiendo la matriz identidad en M2,2 se encuentra la matriz
1 0
0 0 0
0 1
0 0 0
0 0
1
0
0
E=
0 0 4 1 0
5
0 1
0 0
3
fcilmente podemos verificar que:
1 0
0
0 1
0
0 0
1
Eu =
4
0 0
5
0 0
3
0 0
1
0 0
2
0 0
3 =
1 0
5
0 1
1
2
3
0
0
Ejercicios propuestos
1. Hallar una matriz de aniquilacin E tal que Eu = 5e1 donde u = (5, 1, 4, 2)t .
2. Hallar una matriz de aniquilacin E tal que Eu = (u1 , u2 , 0, . . . , 0)t donde u = (u1 , u2 , . . . , un )t .
3. Hallar una matriz de aniquilacin E que aniquile los ltimos 3 trminos del vector:
6
5
4
u=
3
2
1
7.4
7.4.1
Factorizacin LU
El algoritmo de Gauss en la factorizacin
150
CAPTULO 7.
FACTORIZACIN LU Y LR
Paso 1. Sea A1 la primera columna de A tal que su primera entrada en no nula. Existe
una matriz elemental E1 que aniquila las entradas bajo la primera entrada del vector
A1 , entonces las propiedades del producto de matrices permiten probar que E1 A tiene
la forma:
a11
0
E1 A = .. .. . . ..
. .
. .
0
aqu, los asteriscos mustran las entradas que no necesariamente son ceros.
Paso 2. Sea A2 la segunda columna de E1 A tal que su segunda entrada en no nula. Existe
una matriz elemental E2 que aniquila las entradas bajo la segunda entrada del vector
A2 , se puede probar que:
a11
0 a22
0
E2 E1 A = 0
..
.. .. . . ..
.
.
. .
.
0
0
siguendo de esta manera, y asumiendo que las entradas ajj necesarios para la aniquilacin son no nulos, en el paso k, k n se tendr:
Ek Ek1 E2 E1 A = U,
donde U es una matriz triangular superior. Definimos L1 = Ek Ek1 E2 E1 , entonces
de la anterior igualdad:
A = LU,
esta es la llamada factorizacin LU.
7.4.2
Clculo de la matriz L
Para fijar ideas, empezamos la discusin con n = 3, cuando A M3,3 , la forma de L es: L =
(E2 E1 )1 . Sean d21 , d31 los multiplicadores empleados en el primer paso y d32 el multiplicador
del segundo paso. Definimos:
0
0
1 = d21 , 2 = 0 ,
d32
d31
por tanto las matrices elementales son:
E1 = I + 1 eT1 ,
E2 = I + 2 et2
7.4. FACTORIZACIN LU
151
luego:
L = (E2 E1 )1
= E11 E21
= I 1 et1 I 2 et2
es decir:
1
0 0
1
0
0
1
0
L = d21 1 0 0
d31 0 1
0 d32 1
1
0
0
1
0
d21
=
d31 d32 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 Mn,n la matriz
L tiene la siguiente forma:
1
0
0
0
d21
1
0
0
d31
d
0
0
32
L=
..
..
..
..
...
.
.
.
.
dn1,1 dn1,2
1
0
dn2 dn,n1 1
dn1
donde los nmeros dij son los multiplicadores que permiten triangularizar la matriz A.
2
4 1
5 2
A = 1
1 2
1
2
4
1
2
4 1
7 5/2
5 2
0
A = 1
F21(1/2)
0 4
3/2 F
1 2
1 F
31(1/2)
32(4/7)
2 4
1
0 7 5/2 = U
0 0 1/14
152
CAPTULO 7.
FACTORIZACIN LU Y LR
1
1
4
Los multiplicadores de la matriz elemental E1 son y . El multiplicador de E2 es , por
2
2
7
tanto la matriz L es
1
0 0
1/2
1 0
L=
1/2 4/7 1
1
0
1/2
1
LU =
1/2 4/7
2
4 1
1 5 2
=
1 2 1
2 4
1
0
0 0 7 5/2
0 0 1/14
1
=A
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
1 1 2 1
1
1 2 1
0
A =
F21(2)
1 1 1
0
1
1 5 3 FF31(2)
0
41(1)
1 1 2 1
1
0 1 6 3
0
0
0
0 15 8
0
0 15 8 F
0
43(1)
Luego
1
0 0
2
1 0
L=
2 3 1
1 2 1
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
1
2
1
1
6
3
3 3 1
2
3
2 FF32(3)
42(2)
1 2 1
1 6 3
=U
0 15 8
0 0 0
0
0
0
1
0
1 1 2 1
0 1 6 3
0
0 0
0 15 8
1
0
0 0 0
7.4. FACTORIZACIN LU
153
1
0 0
1 1
2
1 0
U0 = 0 1
L0 =
2 3 1
0
0
1 2 1
2 1
6 3
15 8
en general para A Mm,n con rango (A) = r, la matriz A se factoriza como A = LU, donde
L Mm,r y U Mr,n
7.4.3
Puesto que L se construye con los multiplicadores, se puede llevar un registro de estos multiplicadores simultneamente a la triangularizacin tomando en cuenta que el multiplicador dij
se convierte en dij (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
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
1 1 2 1
2
1 2 1
A =
2
1 1 1
1
1 5 3
1 1
2
2 1
6
2 3 3
1 2
3
fila se tiene:
1 1
2
1
2 1
6
3
2
F 21(2)
3 3 1
F 31(2)
1
2
3
2 FF 32(3)
F 41(1)
42(2)
1
1 1
2
1
2 1
3
6
3
2 3 3 1
1
2 F 43(1)
1 2
1
2
La matriz L0 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 U0 se contruye con la parte triangular superior de la ltima matriz
encontrada.
1
0 0 0
1 1
2
1
2
1 0 0
6
3
, U = 0 1
L=
2 3 1 0
0
0 3 1
1 2 1 1
0
0
0
2
154
CAPTULO 7.
FACTORIZACIN LU Y LR
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
1 1 2 1
0
0 1 6 3
0
0 15 8
0 0
0
0 0 0
1
Ejercicios propuestos
1. Factorizar
Sol.:
1
1
A=
1
1
1
0
0
1
1
0
A=
1
0
1
1 1/2 2
7.5
7.5.1
2
2
2
0
1
1
0
2
1
0
1
1
1 2
1
1
0
0 4
2
1
0
0 0 1
0
0
0 0
0 3/2
1
Factorizacin LR
Matrices de permutacin
Definicin 7.5 (Matriz de permutacin) Una matriz de permutacin es auquella matriz cuadrada que se obtiene de la identidad mediante un nmero finito de cambios de fila. 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
0
1
P =
0
0
0
0
0
1
1
0
0
0
0
0
,
1
0
P 1
0
= Pt =
1
0
1
0
0
0
0
0
0
1
0
1
0
0
7.5. FACTORIZACIN LR
155
e1
e2
I = .. ,
.
en
y una matriz de permutacin como:
ei1
ei2
..
.
P =
ein
i1
i2
P = ..
.
in
0
1
P =
0
0
0
0
0
1
1
0
0
0
0
0
1
0
3
1
P =
4
2
7.5.2
156
CAPTULO 7.
FACTORIZACIN LU Y LR
R = Es Es1 E1 (P A)
es una matriz escalonada con sus r primeras no nulas y las restantes iguales a cero. Procediendo como es usual, haciendo L = (Es Es1 E1 )1 se encuentra:
P A = LR
donde L tiene la siguiente forma:
1
0
d21
1
..
..
.
.
d
ds2
s1
L=
d
d
s+1,1
s+1,2
d
s+2,1 ds+2,1
..
..
.
.
dm2
dm1
7.5.3
..
..
.
.
..
.
1
ds+1,s
ds+2,s
..
..
.
.
dm,s
0
0
..
.
0
1
0
..
.
0
0
0
..
.
0 0
0 0
1 0
.. . . ..
. .
.
1
0
0
..
.
1
A =
4
la siguiente triangularizacin
4 2 0
4
0 16 8
2
4 4 1
2
4 4
0 16 8 F13
2 4 2 0 FF21(1/4)
31(1/2)
4
0 16 8
4
0 16 8
2 0 2 1/2 4 6 4
1/4
1/2 4 6 4 F23
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
1
0 0
4
0 16 8
1 0 , R = 0 4 6 4
L = 1/2
1/4 1/2 1
0
0 3 4
Como se han realizado las operaciones elementales de cambio de fila F13 y F23 (en ese orden)
el vector de ndices cambia del siguiente modo:
3
3
1
i= 2 2 1
1 F23
2
3 F13
se observa:
1
0
1
LR = 1/2
1/4 1/2
0 0 1
PA = 1 0 0
0 1 0
0 0 1
P = 1 0 0
0 1 0
0
4
0 16 8
4
0 0 4 6 4 = 2
1
0
0 3 4
1
4
0
2 4 2 0
2 4
1
2
4 4
=
1
2
4
0 16 8
0
2 1 0 1
4
0
0 1 2
A=
4 6 3 2 1
4 4 4 2 2
procedemos a la triangularizacin.
0
2 1 0
4
0
0 1
A =
4 6 3 2
4 4 4 2
4
0
0 1
0
2 1 0
1 6 3 3
1 4 4 3
4
0
0
1
6 3
0 1/3 2
1
2/3 2
1
2 F12
3
4 F23
1 2
3 3
1 2
1 2 F
43(1)
0 16 8
4 2 0
2
4 4
16 8
2 0
4 4
4
0
0
0
2 1
4 6 3
4 4 4
1
0
2
2
4
0
1 6
0
2
1 4
4
1
0
1
1
3
0
3
0
3
1
4
0
6
1/3
2/3
2
1
1 F21(0)
2 FF31(1)
41(1)
2
3
1
4 FF32(1/3)
42(2/3)
0 1 2
3 3 3
2 1 2
1 0 0
158
CAPTULO 7.
por tanto
1
0 0
1
1 0
L=
0 1/3 1
1
2/3 1
FACTORIZACIN LU Y LR
0
4
0
0 1
0
0 6 3 3
R=
0
0
0 2 1
1
0
0
0 0
1
2
2
1
i=
3 3
4 F
4
12
2
3
2
0
2
3
1
4
F23
0
0
P =
1
0
1
0
0
0
0
1
0
0
0
0
0
1
Ejercicios propuestos
1. Factorizar:
2 2
1
1
A = 5 1
2 1 1
0 1 0
1
0 0
5
1
1
1 0 , R = 0 8/5
3/5
Sol. P = 1 0 0 , L = 2/5
0 0 1
2/5 3/8 1
0
0 13/8
2. Factorizar:
Sol.
1
1
A=
1
1
1
0
0
0
0
1
0
0
0
0
0
1
2
2
2
0
1
1
0
2
0
1
0
0
1
0
1
0
A =
1
1 1/2
1
0
1
0 1/2
1
0
1
1
0
1 2 1
1
0 4 2
0
1
0
0 0 2 3/2
1
0 0 0 3/4
0
1 1
1
2
1
1
1
A=
1 1
1 1
1
1
1
1
Sol.
0
1
P =
0
0
1
0
0
0
0
0
1
0
4. Factorizar:
Sol.
7.6
159
0
1
0 0
0
0
1 0
, L=
1/2 1/2 1
0
1
1/2
1/2 1
0
1
P =
0
0
1
2
A=
3
4
0
0
0
1
0
0
1
0
2
3
4
5
1
2
3
4
2
3
4
5
2
1
1
1
, R = 0 1 1 1
0 0
1 0
1
2
3
4
1 0
1
1 1 4 5 4 5 4
0
, L = 43 1
0 3 0 3 0
0
4
3
4
4
2
1
0
2
3
7.6.1
Factorizacin LU
160
CAPTULO 7.
FACTORIZACIN LU Y LR
10
1 5 1
x1
2 3
2 x2 = 21
5
1 2
0
x3
1 5 1
1
0 0
1
5 1
2 = 2
1 0 0 7
4 = LU
A= 2 3
1 2
0
1 1 1
0
0
3
Lz = b,
esto es,
1
0 0
z1
10
2
1 0 z2 = 21
1 1 1
5
z3
10
z= 1
6
U x = z,
esto es,
x1
10
1
5 1
0 7
4 x2 = 1
6
0
0
3
x3
7.6.2
Factorizacin LR
0 1 2
x1
13
1 1 2 x2 = 15
x3
26
2
1 3
Solucin. Factorizando A se tiene:
P A = LR
donde:
Se resuelve
0 0 1
1
0 0
2
1
3
P = 0 1 0 , L = 1/2
1 0 , R = 0 3/2 1/2
1 0 0
0 2/3 1
0
0 5/3
LRx = P b,
es decir
26
x1
2
1
3
1
0 0
1/2
1 0 0 3/2 1/2 x2 = 15
13
x3
0
0 5/3
0 2/3 1
26
1
0 0
z1
1/2
1 0 z2 = 15
13
0 2/3 1
z3
resolviendo:
Ahora se resuelve: Rx = z,
resolviendo:
26
z= 2
35
3
2
1
3
x1
26
0 3/2 1/2 x2 = 2
35
x3
0
0 5/3
3
2
x= 1
7
161
162
CAPTULO 7.
FACTORIZACIN LU Y LR
Ejercicios propuestos
1. (a) Resolver el sistema
2
0 5 1
x1
2 3
2 x2 = 21
x3
28
1 2
4
2
(b) Resolver el sistema anterior con el mtodo LR. Sol. 1
7
2 3 2
x1
9a 5
2 1 2 x2 = 7a + 1
1 1 1
x3
2a 3
2
3
0
Sol. 2 , 1 , 4
3
5
1
7.7
A, multi-
7.7.1
163
A11
0
A22
lim Ak = ..
.
.
.
.
.
.
k
.
. .
.
0
0
Amm
4 5 6
A = 1 6 12
1 5 11
Sea A1 = A, la factorizacin LR
1 0 0
P1 = 0 1 0 ,
0 1 0
1.0000000 0.0000000
L1 = 0.2500000 1.0000000
0.2500000 0.7600000
por tanto:
A2 = R1 P1t L1
da:
0.0000000
4.0000000 5.0000000 6.0000000
0.0000000 , R1 = 0.0000000 6.2500000 12.5000000
1.0000000
0.0000000 0.0000000 1.0000001
164
CAPTULO 7.
A20
FACTORIZACIN LU Y LR
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 definida 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
x1
x2
x = ..
.
xn
Ejemplo 8.2 A la forma cuadrtica P = 3x21 + 2x1 x2 + 6x22 est asociada la matriz simtrica
3 1
A=
,
1 6
en efecto:
x1 x2
3 1
1 6
x1
x2
165
166
8.2
Definicin 8.2 (Matriz definida positiva) Una matriz simtrica A Mn,n es definida positiva
si
xt Ax > 0, para todo x Rn no nulo
3 2
Ejemplo 8.3 Sea A =
, entonces
2 5
para todo
8.2.1
x1 x2
x1
x2
3 2
2 5
x1
x2
Teorema 8.3 Si A es una matriz simtrica definida positiva entonces todos sus autovalores
son positivos.
Demostracin. Sea un autovalor de A asociado al autovector v, entonces Av = v,
por tanto:
vt Av = v t v = v2
v t Av
> 0, pues el es cociente de dos nmeros positivos (ntese que al ser v un
v2
autovector, no puede ser nulo).
por tanto =
Teorema 8.4 Si cada autovalor de una matriz A Mn,n simtrica es mayor a cero, entonces
A es definida positiva.
3 2
Ejemplo 8.4 Sea A =
, la matriz del ejemplo 8.3 A es definida positiva, sus
2 5
167
t
0 < xt Ax = xt Ax = xt At x,
por tanto xt At x > 0, esto prueba que At es definida positiva. Por otra parte para todo x no
nulo, si Ay = x, entonces y = A1 x no es nulo, por tanto:
xt A1 x = y t AA1 Ay = y t Ay > 0,
esto prueba que A1 es definida positiva.
Teorema 8.7 Toda submatriz principal de una matriz simtrica A Mn,n definida positiva
es definida positiva.
Demostracin. Sea S un subconjunto propio de {1, 2, . . . , n} , sea M la matriz obtenida
de A eliminando las filas y columnas que no se encuentran en S. Sea x Rn 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 < xt Ax = y t M y,
al ser y arbitrario no nulo, se prueba que M es definida positiva.
8.2.2
Teorema 8.8 Una matriz simtrica A Mn,n es definida positiva si y solamente todos sus
autovalores son positivos.
Demostracin. Si A es definida 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:
xt Ax = xt P DP t x
t
= P tx D P tx
= y t Dy
n
=
i (yi )2 > 0,
i=1
168
Definicin 8.9 (Matriz diagonalmente dominante) Una matriz A Mn,n es diagonalmente dominante si
n
|aii |
|aij | , i = 1, 2, . . . n
j=1
j=i
8.3
Definicin 8.11 (Matriz definida negativa) Una matriz simtrica A Mn,n es definida
negativa si
xt Ax < 0
para todo x Rn no nulo.
Definicin 8.12 (Matriz semidefinida positiva) Una matriz simtrica A Mn,n es semidefinida positiva si
xt Ax 0
para todo x Rn no nulo.
Definicin 8.13 (Matriz semidefinida negativa) Una matriz simtrica A Mn,n es semidefinida negativa si
xt Ax 0
para todo x Rn no nulo.
Teorema 8.14 Una matriz simtrica A Mn,n es semidefinida 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 definida negativa si y solamente si A es definida
positiva.
Corolario 8.16 Una matriz simtrica A es definida negativa si y solamente todos sus autovalores son negativos
Teorema 8.17 Una matriz simtrica A Mn,n es semidefinida negativa si y solamente si sus
autovalores son no positivos. (es decir existen autovalores nulos y todos los dems negativos)
Ejercicios propuestos
1.
2.
3.
4.
8.4
169
2 1 1.
4 1 . Sol. Definida positiva
A = 1
1
1 2
3
0
0 1.
0 4
1
0
Sol. Definida negativa
B=
0
1 5
0
1
0
0 3
1 2 3.
A = 2 4 5 Sol. No definida ni semidefinida
3 5 6
1 0 1
C = 0 2 0 Sol. Semidefinida positiva
1 0 1
8.4.1
Definicin 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.
Ejemplo 8.5 Considere la matriz
2
1
3
A = 1 2 1
3 1
2
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
3 0
0
B= 0 5
0
0 0 1
170
8.4.2
Definicin 8.19 (Operaciones elementales simultneas)Si a continuacin de una operacin elemental de fila 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 52 52
3 1
2 C21 ( 1 )
2
Teorema 8.20 Sea A Mn,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:
2
1
3
2
1
3
0 52 52
A = 1 2 1
3 1
2 C21 ( 1 )
3 1
2 F
1
2
21( 2
)
2
0
3
2
0
3
0 52 52
0 52 52
3 52
2 F
0 52 52 C
3
3
31( 2
31( 2
)
)
2
0
0
2
0
0
5
5
5
5
2
2
2
2
0 52 52 F
0
0
0 F
32(1)
32(1)
2
0 0
0 52 0
0
0 0
luego sig (A) = (1, 1) .
8
2
3
2 , aplicando operaciones elementales se encuentra:
Ejemplo 8.9 Sea: A = 2 3
3
2 8
8
2
3
8
2
3
11
2 F 1 0 52
A = 2 3
C
4
21( 4 )
21( 1
4)
55
0 11
3
2 8 F 3
3
4
8
C
31 ( 8 )
31 ( 8 )
8
0
0
11
0 52
4
0 11
55
4
8
F
8
0
0
11
0 52
4
0
0 77
20
C
( )
32 11
10
( )
32 11
10
8
0
0
5
0 2
0
77
0
0 20
8.5
Teorema 8.21 Sea A Mn,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 definida positiva.
2. Si sig (A) = (0, n) , entonces A es definida negativa.
3. Si sig (A) = (p, 0) y p < n, entonces A es semidefinida positiva.
4. Si sig (A) = (0, q) y q < n, entonces A es semidefinida negativa.
5. Si sig (A) = (p, q) p = 0, q = 0, entonces A no est definida.
4.
2 2
A = 2 4 2
2 2 8
aplicando operaciones elementales simultneas se tiene:
4
2 2
4
2 2
0 3 3
A = 2 4 2
F 21(1/2)
C21(1/2)
2 2 8 F 31(1/2)
0 3 7 C31(1/2)
4
0
0
4
0
0
0 3 3
0 3 3
0 3 7 F 32(1)
0
0 4 C32(1)
4
0
0
0 3
0
0
0 4
por tanto sig (A) = (0, 3) , es decir A es definida negativa.
172
8.6
El criterio de Sylvester
entonces:
1 = |a11 |
a
a
2 = 11 12
a21 a22
etc.
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
..
.
an1
an2
an3
a1n
a2n
a3n
..
.
ann
8 2
3
A = 2 3 2
3
2 8
entonces:
1 = |8| = 8
8 2
= 20
2 =
2 3
8 2
3
3 = 2 3 2 = 77
3
2 8
como los signos de los deltas van intercalados y empezando con signo negativo, sig (A) =
(0, 3) .
173
Ejercicios propuestos
Ejercicio 8.1 Determinar la signatura de las siguientes matrices y clasifique las mismas.
9 2 3
1. A = 2 4 2 , Sol. (3, 0)
3 2 9
3 1 3
2. A = 1 8 1 , Sol. (0, 2)
3 1 3
4 2 4
0 , Sol. (3, 0)
3. A = 2 4
4 0
8
8 2
3
4. A = 2 3 2 , Sol. (0, 3)
3
2 8
174
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 xA , xB y xC las unidades de insumo asignadas a la plantas A, B, C respectivamente,
entonces se plantea:
4xA + 5xB + 2xC = 1700
2xA + 4xB + 4xC = 1600
4xA + 2xB + 5xC = 1550
resolviendo se encuentra:
xA = 100
xB = 200
xC = 150
9.2
La tcnica de insumo producto se debe a Wassily Leontief (1941), y fue construida inicialmente
para el anlisis nacional de las modificaciones estructurales de la economa norteamericana.
175
176
CAPTULO 9.
En esta seccin analizamos un problema hipottico para luego plantear el problema de una
manera general.
9.2.1
Un ejemplo
1 de A
1 de B
1
8
de A
1
de B
10
1
de A
5
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
Industria A
Industria B
x
y
Demanda
interna A
1
x
8
1
x
10
Demanda
interna B
1
y
5
1
y
2
1
1
x + y + 1670
8
5
1
1
y =
x + y + 3340
10
2
x =
Demanda
externa
1670
3340
177
9.2.2
El modelo general
a1n xn
e1
x2
a21 x1
a22 x2
a2n xn
e2
..
..
..
..
..
...
.
.
.
.
.
an1 x1
an2 x2
ann xn
en
xn
as se plantea un sistema de n ecuaciones. La i esima ecuacin est dada por:
xi =
aij xj + ei
j=1
aij xj = ei
j=1
j=i
178
9.3
9.3.1
CAPTULO 9.
Cadenas de markov.
Un ejemplo inicial
Considere el siguiente problema hipottico. Un cliente puede comprar el producto A, el producto 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
Tiene A
Tiene B
Tiene C
Siguiente compra
Compra A Compra B Compra 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 actualmente 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.
V1 = (0.40, 0.30, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en A
V2 = (0.20, 0.50, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en B
V3 = (0.25, 0.25, 0.50) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
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
V12 = V1 P
0.40
0.30
0.30
0.4 0.30 0.30 0.20 0.50 0.30
=
0.25 0.25 0.50
. 295 . 345 . 36
=
=
=
179
V32 = V3 P
0.40
0.30
0.30
0.25 0.25 0.50 0.20 0.50 0.30
=
0.25 0.25 0.50
. 275 . 325 . 4
=
. 295 . 345 . 36
P 2 = . 255 . 385 . 36 ,
. 275 . 325 . 4
se puede probar que los vectores Vin son las filas de la matriz P n .
En el paso 20 se tiene:
20
0.40 0.30 0.30
P 20 = 0.20 0.50 0.30
0.25 0.25 0.50
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
9.4.1
Regresin lineal
Regresin lineal con dos variables
n
i=1
e2i
n
i=1
(yi 1 2 xi )2 ,
180
CAPTULO 9.
X =
1 t
= X tX
XY
1 x1
y1
1 x2
y2
..
.. , Y = ..
.
.
.
1 xn
yn
, =
2
o equivalentemente:
n
(
xi
n
i=1
(
n
n
(
2
xi
xi
i=1
i=1
1
2
n
yi
i=1
= (
n
x i yi
i=1
1
1
X=
1
1
esto da
X tX =
XY
2
0
5
1
,Y =
4
3
5
5
1 1 1 1
0 1 3 5
1 1 1 1
0 1 3 5
1
1
1
1
2
5
4
5
0
1
4
9
=
9 35
3
5
= 16
42
1
2
182
59
24
59
181
182 24
+ x
59
59
1
0
9.4.2
n
i=1
X =
e2i
n
i=1
1 t
= X tX
XY
, Y =
y1
y2
..
.
yn
, =
1
2
..
.
k
1 2 3 4 5
6
-3 -2 0 1 2
3
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.
182
CAPTULO 9.
=
=
=
=
f (x)
sin x
sin 2x
sin 3x
obtenindose:
y = 1 + 2 x2 + 3 x3 + 4 x4
ahora tenemos un problema de regresin lineal con los datos:
xi2 = sin (xi )
1 . 14112
1 . 9093
1 0
X =
1 . 84147
1 . 9093
1 . 14112
por tanto:
. 27942
. 7568
0
. 9093
. 7568
. 27942
, Y =
1.5
4
0
3
4
1.5
6
. 84147
. 9093
. 14112
. 84147 2. 4016 . 69003 . 27309
X tX =
. 9093 . 69003 2. 1285
. 32094
. 14112 . 27309 . 32094
. 51575
.2
. 10749 . 11417 4. 0599 102
t
1
. 10749
. 5302
. 18875
. 1927
XX
=
. 11417
. 18875
. 61798
. 25338
2. 2097
4. 0599 102 . 1927 . 25338
3.0
5. 1734
X tY =
9. 6206
1. 4224
183
por tanto:
1
2
t
1 t
XY
3 = X X
4
4. 3154 105
. 97542
=
4. 2659
. 4133