Loading documents preview...
Fundamentos de álgebra lineal Rubén E. Sánchez C. Profesor Escuda Colombiana de Ingeniería
\.,EDITORIAL
IJf-JmiLLAS
Dirección editorial Edición Diseño y diagramación Carátula
Alfonso López F. Luz Rodríguez A. O. Giovanny Méndez O. Giovanny Méndez
Prohibido reproducir este libro, total o parcialmente, sin autorización escrita del Editor. Todos los derechos reservados. Copyright © 2005 Editorial Tri !las de Colombia Ltda. ISBN: 958-33-7224-2 Cra. 15 No. 33A-35 Tels. (91)232 7367- 285 7187 Fax: (91 )285 8905 Bogotá D.C. Colombia Impreso en Colombia Impreso por: ULTRACOLOR ARTES GRAFICAS LTDA.
Printed in Colombia
DEDICATORIA A mis adorados hijos Rubén Daría y Millán Andrés, hoy colegas de trabajo en la Escuela Colombiana de Ingeniería. A la memoria de mi inolvidable padre Rubén Sánchez Figueroa.
Prólogo
Dirigido a profesores y estudiantes que deséan encontrar un libro de álgebra lineal que enseñe los fundamentos de manera clara y sencilla.
En la actualidad existen muchos programas que se instalan en el computador, los cuales ~rmiten comprender y avanzar en una extensa variedad de tópicos de esta asignatura y .:-esolver gran cantidad de problemas casi inmediatamente, que de otra forma consumiría :nucho tiempo y posiblemente nos conduciría a errores.
El alumno interesado en c6mo resolver temas y problemas de álgebra lineal con la ayuda del computador, puede consultar programas como MatLab®, Mupad®, Maple®, \1athCad®,Mathematic®, Derive®, TI Interactive® y muchos otros que ojalá se encuenmm en las respectivas universidades para que los estudiantes tengan acceso a ellos. Este libro no enseña a manejar los programas anteriores, sino que proporciona las herramientas y conocimientos de esta asignatura que necesita todo estudiante de ciencias, mgenieria, economía, administración y de otras caiTeras para su formación. Cuando se adquieren los conceptos básicos de esta materia es muy sencillo y motivante llllpliar los conocimientos estudiando cualquier otro texto más avanzado. Recomiendo consultar las siguientes páginas en la web: www.math.fsu.edu/Virtual/index.php www.indiana.edu/statmath/math/index.html www.mathworld.wolfram.com www.debianlinux.net/scíence.html .-\quí se encuentran temas muy interesantes de matemáticas y de otras ciencias.
El autor
Acerca del autor Rubén E. Sánchez C.
Licenciado en Ciencias de la Educación con especialización en Matemáticas y Física de la Universidad Nacional de Colombia, en 1967. En 1973 se graduó como matemático de la Universidad Nacional de Colombia. Profesor del Departamento de Matemáticas de la Universidad Nacional de Colombia (1968- 1996). Cuando se retiró ocupaba el cargo de profesor asociado de dedicación exclusiva. Fue distinguido como docente excepcional de la Universidad Nacional de Colombia en los años 1993 y 1994. Con su colega, el doctor Antonio Velasco Muñoz escribió varias ediciones del libro Curso básico de álgebra lineal, publicadas por Editorial Trillas. Ha trabajado también como profesor en la t:niversidad del Rosario, Pontificia Universidad Javeriana, Universidad Distrital Francisco José de Caldas, de la Salle, Universidad Libre y Universidad La Gran Colombia. En la actualidad se desempeña como profesor en la Escuela Colombiana de Ingeniería.
Contenido
1.
Matrices......................................................................................................
1
Noción de una matriz y álgebra de matrices ... .. ... .. .... ... .... .. ... .. ... ..... .. ..........
1
Polinomio de matrices··········:.... ···············.......................................................
11
Algunos tipos especiales de matrices .... ................................................... .. ..
14
Sistemas de ecuaciones lineales ..............................................................
23
Nociones fundamentales................... ............................................................
23
Resolución de un sistema de ecuaciones ... .......... ..... ........ ...... .. .......... ... .. ... .
25
Método de eliminación de Gauss ........................... ... .... .............. .. ........ ..... ...
31
Determinantes............................................................................................
47
Introducción a los determinantes........................................... .......................
47
Propiedades de los determinantes .............. ............. ......... .. ........ ... ..... ..... .....
53
Regla de Cramer........ .. ............ .. ..... ..... ................... .......... ... .. ................ .......
63
4.
Inversa de una matriz ..............................................................................
68
5.
Vectores en R."..................................................................................................................................
75
Álgebra de vectores y producto interno .......... .......... ........ ..... ...... .. ..... ..... ....
75
Bases y dimensiones en R." ................................ ................ ................... ... ..................
89
2.
3.
Proyecciones y producto vectorial ....................................... ..................... ...
100
6.
7.
8.
Método de Gram-Schrnidt ............................................................................
107
Rectas y planos.............................................................................................
113
Espacios vectoriales .................................................................................
119
Noción de espacio vectorial..........................................................................
119
Dependendencia e independencia lineal.......................................................
125
Bases y dimensión ........................................................................................
130
Transformaciones lineales .......................................................................
135
Definición y conceptos básicos .. ...... ................ ... .................... ........... ... .......
135
Matriz asociada a una transformación lineal....................................... .........
145
Cambio de base .. ... ..... ... ... ... .. ... ... .. ..... ...... ......... ... .. ... ...... .. .... .. ... ... ......... ... ...
155
Transformación asociada a una matriz.........................................................
160
Vectores y valores propios............................................................................
160
Formas cuadráticas.......................................................................................
183
Formas cuadráticas y transformación lineal.................................................
183
Rotación de ejes............................................................................................
184
Respuestas a los ejercicios .....................................................................
193
Bibliografia .................................. :.................................................................
209
Índice.............................................................................................................
211
Capítulo l
Matrices
NOCIÓN DE UNA MATRIZ Y ÁLGEBRA DE MATRICES
lJna matriz es una ordenación rectangular de números, por ejemplo:
es una matriz. Se emplean los paréntesis con el fin de considerar la ordenación rectangular de números como una entidad. En general, una matriz frecuentemente se escribe así:
A
=
(aij ) m xn
a tl
at 2
a2t
a 22
ami
am2
=
y se dice que es una matriz de tamaño m
m xn
n, o sea que está compuesta de m filas y n columnas. Por ejemplo, la primera fila A 1.= ( a 11 , a 12, . •• , a 1,J y la segunda columna: ><
2
Capítulo 1 Matrices
En general denotaremos por A¡. la i-ésima fila y por A._¡ la j-ésima columna de una matriz A. El elemento au. de la matriz se encuentra localizado en la intersección de la i-ésima fiJa y de la j -ésima columna.
Columna j
2
Ejemplo:
Sea A =
3
o
-3
- 1
2
Esta matriz es de tamaño 3 x 4, es decir, tiene tres filas y cuatro columnas. Sus filas son:
( - 1' 2, 3, 4) ( 4, O, - 3, 8) ( 9, - 1, 2, 4)
y
sus columnas son:
A.,=
además: a 14 = 4, a 24 = 8, a32 = - 1. a 23 = - 3
u J
~ión
de una matriz y álgebra de matrices
3
Orfinición 1 Una matriz A de tamaño n x n, es decir, cuando el número de filas igual al de las columnas, se denomina matriz cuadrada de orden n.
Definición 2 Dos matrices A = (aij)m xn y B = (bijJmxn (del mismo tamaño) son ,.uales si todos los correspondientes elementos son iguales, esto es, si ~
=bij Vi= 1,2, ·· · ,m y Vj= 1,2, ··· ,n.
Ejemplo: Hallar x, y, z, w, si X+ 2 (z+4
8)
3y+ 5w + 1
y+4 ) w+5
Por la definición anterior, tenemos que: x + 2 =6 y+ 4 = 3y + 8
=> => z + 4 = 3z - 8 => w + 5 = 5w+ 1 =>
x= 4 y= - 2
z = 6 w=
1
Definición 3 Sean A = (aij)m xn y B = (bij)m xn dos matrices del mismo tamaño. Se .:iefine la suma de estas matrices como la matriz C = (cij)m xn donde cij = aij + bij, 'Vi = : .2, · · · m y Vj = 1,2, · · · n. Esto es la suma de dos matrices del mismo tamaño, es la matriz de ese mísmo tamaño obtenida al sumar los correspondientes elementos.
Ejemplo:
(-~ ~ =~ 16 ( -5
l
2 X3
9-6] 6 -9
2X3
+
(~
4
Capítulo 7 Matrices
Ejemplo:
-5 - 2 -1 ) + _ 5 8 2x3
La suma ( _ 9
(48 -3) -9
no está definida porque
2 x2
las matrices son de diferente tamaño.
Definición 4 matriz nula (o
Una matriz que tiene todos sus elementos iguales a O se denomina cero) y se denota por O.
ma~riz
el tamaño de la matriz Oserá evidente dentro del contexto en el cual se use. ~i
A= (a¡)m xn y O= (O)m xn se aprecia claramente que A+ O= A.
Definición 5 Sea e un número (escalar) y A = (aü)m xn una matriz. El producto cA es la matriz B = (bü)m xn donde bü = caiJ. Hemos por tanto, defmido la multiplicación de un escalar e por una matriz A y se obtiene al multiplicar cada elemento de A por c.
Ejemplo:
43 -5] -5 5 -1
Definición 6 Sean A= (aiJ)m xn y B =(bü\nxn· Se define la diferencia A - B por: A - B = A + ( -1 )B Ejemplo:
Ejemplo:
5 -1 ) 3 -4 -
(
o -1 o
-5
128 -25] ( 1 - 3535
-4) -1
~ de una matriz
h
5
y álgebra de matrices
ema 1 Sean A, B, a. entonces:
e matrices de tamaño m
x
n, e y d escalares y O la matriz
(A + B) + e = A + (B + C) A+B = B + A A + O= A .1
A + (- A) = O
= cA + cB (e + a')A = cA + dA
f 1. e(A + B)
t:
(cd)A
= c(dA)
Demost ració n : Es necesario probar una igualdad de matrices; luego, por la defmición 2) debemos mosuar que el elemento que se encuentra en la posición ij, en la matriz a la izquierda del signo =.es igual al elemento que se encuentra en la posición ij en la matriz a la derecha del=. Se demostrará, el ordinal M2); los demás quedan como ejercicio. El elemento situado en el posición ij en la matriz (e+ a') A es (e+ d)aiJ = caiJ + daiJ. El e emento situado en la posición ij en la matriz cA+ dA es caiJ +da¡_¡- Por tanto, queda demostrado que:
(e + a') A = cA + dA
Definición 7 El producto de una matriz 1 xn (llamada vector fila) por una matriz nx] (llamada vector columna) se define como:
obsérvese que este producto es un número.
6
Ejemplo:
Capítulo 7 Matrices
(3, - 5, 8, 5) [
j J~
(3)(8) + (- 5)(- 9) + (8)(7) + (5)(-5)
~
100
Definición 8 Sean A = (a¡) mxn, B = (b1k)nxp· El producto AB es otra matriz (c;k )m xp donde C¡k = A¡.B.k=
e=
n
=ab + ab + .. ·ab i 1 ik i2 2k in nk =~a L. ij bjk i = [
Luego el elemento que se encuetra en la posición ik de AB se obtiene al multiplicar la fila ideA por la columna k de B. Nótese que la multiplicación de una matriz A con una matriz B solamente se define cuando el número de columnas de A es igual al número de filas de B. Además el tamaño de la matriz producto es (# de filas de A) x (# de columnas de B) En otros ténuinos tenemos:
[a,
al2
a2L
azz
azn a,"
a,~IL
am2
a:nn
l
bl2
[ bbz¡ ll
bzz
bn l
bnz
m xn
[ A,.B,, Az.B•I
A,.B.z Az.B.2
A,.B.P Az.B.P
Am~B.,
Am.B.z
Am:B.P
l mxp
""oc.ión de una matriz y álgebra de matrices
Ejemplo:
7
Vamos a hallar el producto de:
9 -9 -8 -5 ( -9 5
45 - 4)5
2x3
E producto está definido pues el número de columnas de la primera matriz es igual al -:UIIlero de filas de la segunda matriz. La matriz producto es de tamaño 2 x 4 y la denot3mos por:
nora bien:
~A,.B. 1 ~(~8,4,4) (=i) ;
~A,.B., ~ (-8, 4, 4) (
-140
=n
72
,~A 1 ,B.3 ~(-8,4, 4) ( ; ) ~
12
_~A,.B~~(-8, 4,4) (_!) ~-,
~ A,.B., ~(2,5, -5) (=iJ ·~
4
23
e,_.~ A .B. ~ (2, 5, - 5) ( =n
-
,,~A 2.B.3 ~(2,5, -5) ( .; ) ~
-
2
2
=,~A 2.B~~ (2,5, -5)
(j) ~
68
7
75
8
Capítulo 1 Matrice
Luego
(-8 5 -~) 2
72
( - 140 23
Ejemplo:
o)
4 7 4 7 -8
( 9 -9
4
2
X
-8 - 5 -9 5
3
12
-68 - 7
- 4) 75 2
X
3 x4
4
El producto
u n. 5 -9 - 1 -5 -1
( _~
3 3
3 -9 ) 9 -9 2
X4
no está defmido porque el número de columnas de la primera matriz no es igual al númer· de fi las de la segunda matriz.
Ejemplo:
Sean A
=(
~
y
B=
(-42 - )3) ~
2"2
AB y BA están definidos y
(- 4o
Es decir AB
-::¡:.
-7)
- 11
BA .
Luego el producto de dos matrices, en general, no es conmutativo. Si AB = BA se dice que A y B conmutan.
2x4
\'ación de una matriz y álgebra de matrices
9
Definición 9 Una matriz cuadrada de orden n que tiene todos los elementos diagonales iguales a 1 y todos los demás componentes iguales a O se denomina matriz de identidad (o idéntica de orden n) y se denota por In.
1n
Ejemplo:
12 = (
o
o
o
o
o
=
~)
1
1
o o o 1 o o o 1
I, = (
o o mxn
)
I, = [
~]
1 o o o 1 o o o 1 o o o
Si el orden es evidente dentro del contexto, se escribe simplemente l.
Supongamos que A, B, C son de tamaño tal que pueden efectuarse todas las operaciones indicadas a continuación (se dice que las matrices son conformables para las operaciones indicadas) y que e es un escalar; entonces: Teorema 2
i) c(AB)
=
(cA)B
=
A(cB)
ü) A(BC) = (AB)C üi) lA = A y BI = B
iv) A(B + C)
=
AB + AC
v) (A + B)C = AC + BC Demostración:
) Probaremos primero que c(AB) = (cA)B.
Sean A= (a;)m xn Y B
=
(bjp)m xp·
n
El elemento que se encuentra en la posición ik en la matriz c(AB) es e (La;¡ b1k). j =1. 11
El elemento que se encuentra en la posición ik en la matriz (cA) B es
L.
(caif)bJk
=
J =!
n
e (L. aif bJIJ. Luego, por la definición 2) de la igualdad de matrices, se desprende que 1= !
c(AB)
=
(cA)B.
Ahora se debe probar que (cA)B
=
A(cB) o c(AB) = A(cB)
10
Capítulo 7 Matrices
(Ejercicio)
ii) Sean A = (a¡)m xn, B = (bjk)n xp, C = (cks)pxq El elemento que se encuentra en la posición is dt: la matriz A(BC) se obtiene al multiplicar la fila ideA por la columnas de BC, por tanto, es: p
L
blk cks
I
b2kcks
k= i p
k=l
El elemento que se encuentra en la posición is en la matriz A(BC) se obtiene, al multiplicar la fila i de AB por la columna S de e, esto es:
Ip (j=I"i a¡r¡ b~cJ ) cks = j I= l a¡·r¡ ( k=Ipl b~c cks ) J 11
k=l
11
Polinomio de matrices
Luego por la definición 2) se desprende que A(BC)
=
(AB)C
Las otras partes del teorema son mucho más fáciles de probar y se dejan como e,ercicios. Si A es una matriz cuadrada, podemos formar los productos AA, lo que se denota por ~ •• AAA que se denota por A3 y en general AA ... A se denota por An. -
'-----v---'
"veces
Se define Ao= I
o)
Ejemplo: Si A = (-1 _ 3 4
~tonces A2
= ( - 151
o)
16
y A3 =
(-631
POLINOMIO DE MATRICES
St t{x) es el polinomio
x)
= a~" +
a,_ 1 xn-t + · ·· + a 1x + a 0
donde a,, a,,_1, mos la matriz
· ·· ,
(A)= a11A'1 + a11
_
a 1, a0 son escalares y A es una matriz cuadrada; por /(A) designare1An- l
+ ·· · + a 1A + a 0I
donde 1 es la matriz idéntica del mismo orden que A
Ejemplo: Sif(x)
=
2~2 + 3x -7 y A = ( ~ ~)
(6
~)
12
Capítulo 7 Matrices
EJERCICIOS En Jos siguientes ejercicios,
A = (~ ~ =~),
B=
y
( 3 5 - 9. ) 4
D=
Hallar: l.
4A+2B
2.
3C - 4D
3.
AC
4.
BD
5.
AD
6.
(A + B) D
7.
(A - 2B) C
8.
(2A - 3B) D
Calcu lar el producto de las siguientes matrices:
9.
JO
(-1, 0 ,3,- 4)
l~n
(- 1, o, 3,- 4)
ILH -i) 8 8 5
12.
[~l l ( ~:)
C" a, a,, ) (~·) C/21 °22
C/2;
x2
C/31 C/32
C/33
x3
1 -1
uJ=; -!)
13
Polinomio de matrices
13.
1 ~.
(; -~) (-; ~)
(: -:)(~
15. Calcular A2 si A =
16. Calcular A3 si
~)
(~
A~ (
D 1
o 1 o o
¡)
17. Demostrar que si AB = BA, entonces: a)
(A + B)2 = A2 + 2AB + B2
b)
(A - B)2 = A2- 2AB + B2 (A+B)(A - B) = A2 -B2
e)
18. Sif(x) =x2 + 3x + 5 y A=
(~
19. Sif(x) = x2 -5x + 10 y A= ( _;
20. Si f(x)
i}hallarf(A)
; } hallarf(A)
~ 2r'- 3x + 2 y A~ ( ~ ~
!}
hallarf(A)
21. Mostrar que si AB = A y BA = B, entonces A2 =A y B2 = B 22. Hallar dos matrices de tamaño 2 x 2 diferentes de O, de modo que AB = BA = O.
.!3. Si A es una matriz cuadrada tal que A2 = A, demuestre que (1 - A)2 = 1 - A
14
Capítulo 7 Matrices
24. Calcular:
b)
-3) ¡Js) ·(~ ¡-{S
(_~
a)
C+, 1+ i i
25. Sea A =
2 + i 3 +i ) l + 2i l + 3i 2i 3i
-2 + i 2 + 3i + Si
(3
2i)
4i 6i
( cos 8 - sen 8) calcular A2 y A3 sen 8 cos 8
26. Una matriz de Dürer es una matriz n x n (con n 2 3) construida con los enteros 1 a n2 de manera que la suma de cada una de las ti las, de cada Lma de las columnas y de cada una de las diagonales sea igual. Hallar una matriz de Dürer 3 x 3 y otra de tamaño 4 x 4. ALGUNOS TIPOS ESPECIALES DE MATRICES
Definición 1 Sea A una matriz de tamaño m x n. La matriz A' de tamaño n x m obtenida de A al intercambiar las .filas y las columnas, se denomina la transpuesta de A.
Si A= (a¡)m xn entonces A'= (bij) 11 x 111 donde bij =aij
Las filas de A' son A, 1, A,2, Ejemplo
Si A =
.. · ,
(-1 2) ~ -~
A.0 y las columnas A 1., A.2,
... ,
Am·
,= (-1 _3 2 3
entonces A
Si A y B son matrices conformables para las operaciones indicadas y si e es un escalar, se tiene:
Teorema 1
a) (A)' = A
b) (cA')' = cA' e) (A + B)' = A' + B' d) (AB)' = .8' A'
15
"dgunos tipos especiales de matrices
Demostración: Sean A= (a;)m xn y B = (b;kJnxp· El elemento que se encuentra en la posición ki de ,\8)', es elemento que se encuentra en la posición ik de AB, es esto es, n
A¡.B.k = L aiJbJk j - I
n
11
- elemento que se encuentra en la posición ki de B'A' es, B.k A;. =.I:b1k aiJ = ?, a iJ b;k· J =l
1 ... ¡
x la definición 2) de igualdad de matrices, se concluye que (AB)' = B'A'. Las demos':!'aciones de las otras partes del teorema se dejan como ejercicio.
Nota. Obsérvese el orden en la propiedad d), es análogo a lo que sucede cuando uno se ne las medias y Juego los zapatos; pero en el orden transpuesto se quitan primero los zapatos y Juego las medias.
Definición 2 Una matriz cuadrada A se denomina simétrica si A = A', y tisimétrica si A = - A'. ljemplo
A=
~ ~
(
=;)
es simétrica y
-5 - 7 - 1
4
~
(
-!-~ ~)
Jeorema 2
~ antisiméMca.
Toda matriz cuadrada A puede escribirse como A=B+ C
nde B es simétrica y C es antisimétrica.
Demostración: A=
-I(A + A')+
1
(A - A')
16 Sean B =
Capítulo 7 Matrices
t (A + A') y e = t (A - A') ~
B' = [ t(A + A')]' =
t (A + A')' =
~(A' + (A')')=
t (A' + A) = ~ (A + A') = B
por tanto, B' = B; entonces, B es simétrica.
e' = [ t (A - A')]'= !(A - A')' = t(A' - (A')') = !CA'-A)=- t (A - A') = - C. Es decir, e'
= - e; entonces, e es antisimétrica.
Ejemplo:
A=
( 4 o -1) - 5 5 -7 1 -1 3 5
-2 5
H
-4
= _!_2 (A + A') + _!_(A - A') = 2
n
5
+
H
2 - 1)
o
-3
3
o
Definición 3 Sea A una matriz con elementos complejos. La matriz A obtenida de A al conjungar todos sus elementos se denomina la conjugada de A. Si A = (a;)w
Definición 4 La transpuesta de A, o sea (A)' se denomina la transjugada de A y se denota por A*. Ejemplo: Si A
=
1 - 4i ( - 2i
2 + 3i 4 + 3i
3 ) entonces 1- i
1 + 4i
A* = (A)' =
(
2 - 3i 3
2i )
4 - 3i 1+ i
17
JWgunos tipos especiales de matrices
Jlorema 3 Si A y B son conformables para las operaciones indicadas y si e es . , escalar, se tiene: a) A=A b) cA = cA e) A + B = A + B
d) AB = AB e) (A)'= (A')
Demostración: Sean A = (aij)mxn' B =(bjk)nxp· El elemento que se encuentra en la posición ik de AB, es: n
A;. B.k =
n
L. a ij bjk = L. a ij bjk
j ;J
j; J
11
El elemento que se encuentra en la posición ik de A B esA;. B .k =
L. aij bjk
j =- 1
Por tanto, AB = A B. Las otras partes del teorema se dejan como ejercicio.
Definición 5 Una matriz cuadrada A se denomina hermítica si A* anrihermítica si A* = - A E¡emplo: A= ( 5 ~ i
.. = (_ o+
~
2
3
¡
20
=
A y
5 _; i ) es hermítica y
3i) es antl"hermztzca. ..
Definición 6 En una matriz cuadrada A los elementos a;; se denominan elemenos diagonales. La diagonal principal es el conjunto de todos los elementos diagonales.
18
Capítulo 7 Matrices
Si A = (aiJ)m xn• diag A= (a 11 , a 22 ,
· •· ,
a 11n).
Definición 7 En una matriz cuadrada A la suma de los elementos diagonales se denomina la traza de la matriz A y se denota por TrA.
Ejemplo: Si A =
-1 2 4) 3 - 3 5 , diag A= (-1 , - 3, - 8), y TrA = -12 (- 9 1 -8
Definición 8 Una matriz diagonal es una matriz cuadrada en la que todos los elementos que no se encuentran en la diagonal principal son O.
Ejemplo: (
b ~)
(
1 o o -3 o o
o~ )
son matrices diagonales
Definición 9 Una matriz escalar es una matriz diagonal que tiene todos sus elementos diagonales iguales.
Ejemplo: (;
~) ,
(6
~}
(
3~
o 3
o
-4
o o)
o -4 o
(
o o
-4
son matrices escalares. Definición 1O Una matriz cuadrada en la que todos los elementos por debajo de la diagonal principal son cero, se denomina matriz triangular superior. A = (aiJ)mxn es triangular superior si aiJ = O para i > j.
4) 8 -9 '
-3)
( oo o '
Ejemplo:
8
o o
(
-8 -5 o -9
o o
Definición 11 Una matriz cuadrada en la que todos los elementos por encima de la diagonal principal son cero, se denomina matriz triangular inferior. A = (aiJ)n xm es triangular inferior si aif = O para i < j.
Ejemplo:
(~
(_~
-8 o -5 -9
( 4
5
o '),. X
~)
19
ALgunos tipos especiales de matrices
Definición 12 ar inferiOI~
Una matriz es triangular si ella es triangular superior, o triangu-
Definición 13 Sea A una matriz cuadrada. a) Si AA'
= A' A = 1
se dice que A es ortogonal
b) Si AA* = A* A = 1
se dice que A es unitaria
e) Si A 2 = A
se dice que A es idempotente
d) Si A2 = 1
se dice que A es involutiva se dice que A es ni/potente de índice der.
Ejemplos:
(~ (o
¿) ¡)
-i
o
1
o
(o o
es ortogonal
1 5
es unitaria
n
o o 1J ( - 11 - o1 -1o
(_~
-D
es idempotente
es involutiva
es nilpolente de índice 2
20
Capítulo 7 Matrices
EJERCICIOS 2 l.
9]
5 -5 O -8 4 7 -9 ' 7 -8 3
-9 4 Sean A =
[
-;
[
5 -9 B _ - 1 -5 -
¡-~]
1 -1 3 3 -9 -6
Hallar A', B', (A+ B)', (3A)', (AB)'
2.
B=
3.
4.
-5]
9 -9 1 -7 1 -4 2 - 5 - 7 2 -3
9 Verificar que A = [ 3 -9
[-7 -2 -7 2 -3 -6
7 -8
6 -8 8 -1
o
-!]
es simétrica y que
es antisimétrica
Demostrar que si una matriz A es antisimétrica, entonces a;; = O y
Escribir la matriz
-28 3o - 51- 36 ] A= [ -4 -6 o8 -5
1
a ij
= -a1;
como la suma de una matriz simétrica
- 1 -5
y una antisimétrica.
5.
Demostrar que si una matriz cuadrada A se expresa como la suma de una matriz simétrica y una antisimétrica, dicha descomposición es única.
6.
Hallar la conjugada de las siguientes matrices:
2 + 3i A = - 3 + 4i (
B= (
4 + 2~
2 - 6i
3 - 2i 2 + Si 7
7 - 8i
1 + 3i
2 - Si
3 - 4i
O 2 - 9i 9+i
3 - 4i
3 + 7i 3 - 6i
J J
21
Mgunos tipos especiales de matrices
Hallar la transjugada de las matrices del ejercicio 6). Con las matrices del ejercicio 6 y con e= 3 - 4i, hallar A + B, cA, cB, cA, AB, A, B,
A B. Verificar que:
A=
[2-i.
-9
3 - 4i S + 3i
B
=[
3 -4i 1 + 7i 4 -2i
2 + 8i 1 - 7i 2 - Si
~
2+i
o
-2 + - 3 - 8i -4 9i - 1 - Si - 2 + Si
3i 25+- Si 2i
J es hermítica y
-9
3 - 8i 4- 9i
- 5i 21 + Si
o
- 3 + S~
l
antihermítica.
3 + Si
. Demostrar que (ABC)' = C'B'A' a) Demostrar que si A es hermítica, entonces sus elementos diagonales son reales.
b) Demostrar que si A es antihermítica, entonces sus elementos diagonales son iguales a cero, o imaginarios puros. 1. Demostrar que cada matriz cuadrada A puede expresarse de manera única como la suma de una matriz hermítica y una antihermítica.
., Expresar la matriz
S+ i - 3 + 4i ( 7 + 7i
8- i
4+ 2i)
8 - 3i - 9 + 2~
como la suma una matriz
hermítica y una antihermítica. 3. Demostrar que toda matriz hermítica A puede expresarse de manera única en la forma A = B + iC, donde B es real y simétrica y C es real y antisimétrica.
22
Capítulo 7 Matrices
14. Si A es una matriz cuadrada cualquiera, demostrar que la matriz B = A'A es simétrica. 15. Demostrar que si A y B son simétricas (o antisimétricas) entonces ABes simétrica sí y solamente sí AB = BA. 16. Hallar TrA, TrB, Tr(A + B), donde A y B son las matrices dadas en ejercicio 2). 17. Sean A y B matrices cuadradas del mismo tamaño; probar que:
Tr(A + B) Tr(AB)
= TrA + TrB
= 71-(BA).
18. Probar que si A es involutiva, A puede escribirse como la smna de dos matrices idempotentes. Ay uda: A = ~ (A + l) - [ - ~ (A - I)] 19. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la tercera. a) es real;
b) es ortogonal;
e) es unitaria.
20. Probar que si una matriz A tiene dos de las siguientes propiedades, también posee la tercera. a) es simétrica;
b) es.ottogonal;
e) es involutiva.
Sistemas de ecuaciones lineales NOCIONES FUNDAMENTALES
onsideremos el sistema de ecuaciones lineales:
+ +
a2,~n
b¡ b2
+
a i2x 2
+
+
ait~n
b¡
+
a mr2
+
+
am~n
bm
+ +
a ¡ 1x 1
a m l xl
(*)
=
+ +
a lt~n
a 22X2
a 11 x 1 a 21 x 1
a,2x2
esto es, m ecuaciones con n incógnitas x 1, x2,
··· ,
xw
Recordando la multiplicacion de matrices, podemos escnoir el sistema anterior como:
En forma abreviada escribimos AX = b donde A es la matriz de los coeficientes, X es el vector columna de las incógnitas y b el ~tor columna de los términos libres.
24
Capítulo 2 Sistemas de ecuaciones lineales
Toda n-tupla ordenada (x 1,x2,- · ·,.xn) que satisface cada una de las ecuaciones del sistema ( *) se llama una solución del sistema. Si miramos el sistema en forma de matrices, escribiremos una solución como el vector columna,
Si un sistema de ecuaciones no tiene solución se dice que es inconsistente. El sistema
X¡
3x 1 -X ¡
+ + +
2x2
x3 2x3 4x3
x2
3x2
+
2x4 x4
+
X4
10
= =
-5 3
se puede escribir en forma de matrices, como
(J Una solución del
siste~a
2 1 3
-1 -2 -4
es (1,2,3 ,4) o [
-:) [~~]~HJ
Í],
si considerarnos el sistema en formas de
matrices, pues si x 1 = l, x2 = 2, x3 = 3, x4 =4, se satisfacen las tres ecuaciones anteriores. Si en el sistema(*) b 1 = b2 = ··· = b111 = O, se dice que el sistema es homogéneo.
Definición 1 Dos sistemas de ecuaciones se dicen que son equivalentes, si ellos tienen exactamente las mismas soluciones. Propiedades de los sistemas de ecuaciones Propiedad 1 Si en un sistema de ecuaciones se intercambian dos ecuaciones el sistema resultante es equivalente al primero. Denotaremos con E¡ H Ej para indicar la operación de intercambiar la ecuación i, con la ecuación}.
25 llllliiH>t:fad
2
un sistema de ecuaciones se multiplica una una ecuación por un escalar e diferente el sistema resultante es equivalente al primero. Denotaremos con cE¡ para la operación de multiplicar la ecuación i por el escalar c.
._.,eaii03 un sistema de ecuaciones se multiplica una ecuación por un escalar e y se suma a ecuación, el sistema resultante es equivalente al primero. Denotaremos con CE¡ = Ej ndicar la operación de multiplicar la ecuación i por el escalar e y sumársela a la
-IJ'IerJaa 4 ~ sistemas de ecuaciones son tales que el primero es equivalente al segundo y el • ._Ido es equivalente al tercero, entonces el primer sistema es equivalente al tercero. propiedades se vienen usando desde el colegio y se deja su demostración como
ideremos el sistema de ecuaciones
a)
XI
3x 1
8x2 8x2
+ + +
2x2 x2
+
3x2
XI
3x_1 - 2x 1
+ +
x3 4x3 3x3 3x3
5x3
+ +
2x4 4x4 llx4 + 3x4 2x4
=
6
15 - 21 = 8 8 =
&minemos x 1 de la segunda ecuación en adelante; para ello, se efectúan las siguientes .,ernciones: -3E1 + E2, 2E1 + E 3, - E 1 + E4 , - 3E1 + E5 y nos resulta:
XI
b)
3x2
x2 2x2 5x2 8x2
+ + +
+
x3 x3
5x3 4x3
+
2x4 2x4 7x4
+
x4
2xu--
8x4
= = = = =
6
-3 -9 2 - lO
Eliminemos ahora x2 de la tercera ecuación, en adelante, efectuando las siguientes opeaciones: -2E2 + E3 , -5E2 + E4 , -8E2 + E5 y tenemos:
26
Capítulo 2
3x2 x2
XJ
+ +
x3 x3 3x3 9x3 6x3
2x4 2x4 3x4 + llx4 + 8x4
+
Sistemas de ecuaciones lineales
=
6
=
3 3 17
14
Antes de eliminar x 3 de la cuarta ecuación, en adelante, se efect1Jan las operaciones E3 , y Í E5 a fin de simplificar un poco las ecuaciones
t
3x2 x2
x,
+ +
x3 x3 x3 9x3 3x3
+
2x4 2x4 x4
6
= =
+ llx4 + 4x4
3 17 7
Efectúemos ahora las operaciones 9E3 + E4 , 3E3 + E5 y tendremos:
x,
3x2 X2
+ +
x3
+
x3 X3
2x4 2x4 x4 2x4 x4
6
-3 -1
8
=
4
= = =
-3
t
Efectúemos la operación E4 y nos quedará
x,
3x2 x2
+ +
x3 x3 x3
+
2x4 2x4 x4 x4 x4
6
-1 4 4
Por último eliminemos x 4 de la quinta ecuación por medio de la operación - E4 + E5 y nos resulta el sistema XI
3x2 x2
+ +
x3 x3 x3
+
2x4 2x4 x4 x4
o
6
=
'"1
- .)
-1 4
o
27
aesolución de un sistema de ecuaciones
sustituimos el valor de x 4 en la tercera ecuación, obtenemos el valor de x3 =3 y sustituprimera x 1 = l. La .-:~•ación del sistema es entonces ( 1,2,3,4) y en forma transpuesta
JIDdo en la segunda ecuación obtenemos el valor de x 2 = 2 y en la 1 2
"
XI
x2
o finalmente podemos escribi r
=
2
.)
x3
3
4
X.¡
4
o se observará, todas las operaciones anteriores se hicieron sobre los coeficientes
*las incógn itas, de modo que para ahorrar tiempo no es necesario que las escribamos; SIStema original a) se nos convierte en: 1 3
-2
2
3
-8
4
4
3 - 11 -21 -3 3 8 2 5 8
8 2
..,
6 15
.)
linea vertical es para separar los coeficien'tes de las incógnitas, de los términos libres;
.,ara que no nos queden los números sueltos, se introducen dentro de un paréntesis, es 61tir, se forma la matriz
A=
1 3 -2
"
.)
-3 -8
2
6
4
4
15
8 2
3 -3
- 11
- 1
5
- 21 8 8
3 -2
~ada
matriz ampliada (o aumentada ), debido a que está fo rmada por la matriz de los •eficientes de las incógnitas, j unto con los términos libres. A continuación vimos que el lilrema a) es equivalente al b), el cual en forma de matriz es:
1
o o o o
-3 1
2 5 8
2 6 -2 - 3
1 5
-7
9
-4
1
2
2
- 8 - 10
28
Capítulo 2 Sistemas de ecuaciones line
Si <= indica equivalencia, tenemos, por tanto: 1
3 -2 1 3
A=
1
o o o o 1
o o o o 1
o o o
o
-3 1 2
1 1
5
5 -4
8
2
-3 -8 8 2
-3
3
-1
5
- 2
2 6 -2 - 3 -7 - 9 1 2 - 8 -10
-3
1
2
1
1 1
-2 -1
o o
-3 1
1 1
2 -2
6 -3
1
-1
-1 4
o
o
2
2 6 4 15 -1 1 -21
1
o o o
-1 8
2 1 - 2 1 - 1 11 -9 -3 4
6 -3 -1
2 -2
6 -3 -1
1
-3
1
o o o o
4
o
-3 1
o o o o
<:
<:
8 8
1
6 -3
o o o o o o
1 4 3
1
o o o
1 1
-1
o o
<:
17 7
<:
4 4
o
y esta última matriz representa el sistema: X¡
3x2 x2
+ +
x3 x3 x3
+
2x4 2x4 x4 x4
o
6 -3 -1 4
o
lo cual como ha podido apreciarse, conduce a la solución
x1 = 1, x2 = 2, x3 = 3, x4 = 4. En la resolución de un sistema de ecuaciones lineales se permiten tres tipos de operaciones entre las ecuaciones a saber: que al observar la matriz aumentada equivale a: a) Intercambiar dos filas. b) Multiplicar una fi la por un número diferente a cero. e) Añadir a una fila, e veces una fila diferente.
29
Resolución de un sistema de ecuaciones
Habíamos utilizado E; para referirnos a la i-ésima ecuación, pero cuando utilicemos matrices nos referiremos a la i-ésima fila por tanto las operaciones anteriores se indicarán de la siguiente manera:
aJ F;
H
Fp
e) cF; + F1
b) cF;.
Este tipo de operaciones elementales entre filas de una matriz se denominan operacio-
aes elementales entre m as.
Definición 1 Sean A y B dos matrices del mismo tamaño. Se dice que A es equivalente a B si B se obtiene de A por un número finito de operaciones elemenrales entre filas. Denotaremos esto por A "" B. i) A"" B ii) Si A "" B ~ B "" A iii) Si A "" B y B ""
e ~ A "" e
Demostración: Queda como ejercicio.
Definición 2 Se dice que una matriz es escalonada si el número de ceros que recede al primer elemento diferente de cero en cada fila, aumenta fila por fila, hasta tener posiblemente filas de sólo ceros.
Ejemplo: Las siguientes matrices son escalonadas:
[~ 3
o
o o o
o
4
-5
-5
8
-5 5
3
-4
o
-9
o o
-9
-9
o o o o
-6 -5
6
-7
-1
o o o
] [
3
9
o
o
4
o o o
-3
o o o o
o
-8
-5
5
7
-8
o o -6 9
o o o
o
o -8 5 -5
o o
-1
o 2 1 4
o
o
4 3 -5
8
~l
9 3
-8
-2
-7
o o
4
o o
Con esta última terminología, tenemos un método para resolver un sistema de ecuaciones,
AX= b
(notacíón matricial)
30
Capítulo 2
Sistemas de ecuaciones lineales
i) Se forma la matiz ampliada. ü) Al efectuar operaciones elementales entre sus filas, debemos conseguir una matriz escalonada. üi) Se halla el sistema de ecuaciones que representa la matriz escalonada.
iv) En este último sistema se halla la solución. A este método lo llamaremos, «método de la matriz escalonada». Debe observarse que se ha empleado este método para resolver el sistema que se trató anteriormente.
Definición 3
Una matriz se llama escalonada reducida, si:
i) Es escalonada.
ü) El primer elemento de cada fila no nula es 1 y éste es el único elemento diferente de cero que se encuentra en la respectiva columna.
Ejemplo:
Las siguientes matrices son escalonadas reducidas.
[~
o
1
o
1
o o o o
-3
1
1
o o
o o
o o
o
o o
o o
1
o o
1
o o
o
l
'
o
3 -2 1
1
-3
o
o
[~
o 1
o o
-4 8 4 8
o o
o o o
1
o
1
2 -2 9 -7
J] -3
un o 1
o
o
Ejemplo: Hallar la matriz escalonada reducida equivalente a la matriz 1 -1
1 1
1 -1
2
-3
2
-1 1
-1
2 1 -1 -4
-1 2
2
-3
2
-1 1
-1 8 2 3 1 - 1 -1 o -4 10 z
8
3
1 - 1
-1 -4
-1 2 1 -1 -4
-F¡ + F2
- 2F 1 + F3
o
-F¡ + F4
10
-2F1 + F5
-1 3 3
- 5
-5
-1 3 3
-2 -1
o
- 17 - 8
-2
-2
- 6
1
o
o o o
-2
o
8
31
llli!todo de eliminación de Gauss
1 1
1
::::::
F2
1
o o o o
H
-F5
o o o o
o
- 3 - 3 1 2 2 13 13 o 4 4 o 7 7 ::::::
3F3 + F 1 - 2F3 + F2 - F3+ F4 - F3 + Fs
2
o
o
-2
3
3
- 5
3
3
o
1
i3 F3
l
1
o o o
o o
o
o o
o o
1
1
o o
o o
-F2 + Fl 5F2 + F 3 2F2 + F5
2F2+ F4
1
o
t F4 t Fs
::::::
o
1
::::::
4 7 1
2
-5 -2
13
o o o o
-1
8 6 -17 - 8
2 6
o
-1
o o
-3 2 1 1 1
-3 2 1
2 6 1 1 1
5 4 1
o o
tefinición 4 El rango fila de una matriz es el número de filas diferentes de cero, fUe tiene su forma escalonada (o escalonada reducida). Cualquiera sea la forma de escalonamiento de una matriz su rango fila es el mismo; con este supuesto es correcta la definición anterior. Si observamos el ejemplo anterior vemos que la matriz tiene rango 3.
MÉTODO DE EUMINACIÓN DE GAUSS
Para resolver un sistema de m ecuaciones con n incógnitas, se procede de la siguiente manera: i) Se f01ma la matriz ampliada B = ( A 1 b ), donde A es la matriz de los coeficientes y b indica la matriz de los términos libres.
u) Al aplicar operaciones elementales entre filas, la matriz B se lleva a una matriz equivalente e, donde e es escalonada reducida. ill) Como la matriz B es equivalente e, entonces el sistema de ecuaciones que representa la matriz B, es equivalente al sistema de ecuaciones que representa la matriz e, y en esa matriz es fácil hallar las soluciones.
32
Sistemas de ecuaciones lineales
Capítulo 2
Ejemplo: Resolver el siguiente sistema utilizando el método de eliminación de Gauss. XI 3x 1 - 2x 1 XI 3x 1
+ +
-3 .... .)
-2 1 3
1
o o o o o
1
o
1
o o o
o o o
-8 8 2 - 1
8
2
-9
JI
-6
8
o o o o
1
o o o
o o 1
o o
6
4 11 3 2
15 - 21 8 8
2
6
-7 1
o -1 -1
- 3F1 + F 5 3F2 "" + F1 - 2F2 + F 3
- 9
- 5F2 + F 4 -8F2 + Fs
2
o o
o o o
1
o o
1 -2
F4
+ F2
- 1
F4
+ F3
4 4
""
- F4 + Fs
o
1
o o o o
J..2 F-)
1
8
- FI + F4
-8 - lO
o
6
15 - 21 8
"" - 3F1 + F 2 2F1 + F 3
""1 3 F3
1
3F3 + F5
1lx4 3x4
-2 - 3
o o o o
9F3 + F 4
4x4
2x4
2
- 3 - 3 - 3 17 14
- F3 + F2
o
1 4 3 -3 5 -
5 -4
-4F3 + F t
1
+
+
= = = = =
2x4
+ +
X3 4x3 3x3 3x3 5x3
+ +
-3 1 2 5
-4 - 2 - 3
4 1 3
+
3x2 8x2 8x2 2x2 x2
o
1
o o o 1 -2 -1
-1 -1 2
4 1
-9 -3
- 4 - 2 - 1 11 4
- 3 - 3 - 1 17 7
""
t F4
8 4 1
o o o o
o 1
o o o
o o 1
o o
y esta última matriz, que es escalonada reducida, representa el sistema:
o o o l
2 3 4
o
o
33
de eliminación de Causs
.,.. tanto, la solución es (1, 2, 3, 4), o,
l¡emplo: Resolver el sistema 2x 1 - 3x 1
+ + +
X1
-3x 1
3x2 x2
+
2x2 2x2
+ +
[-~
-3
1
(
o o o
2
1
7 -7
o
8
8
2
-2 -5 3 -4
7Fj
-
7~
Véase nota
[
7
+ +
4 -3
-1 1 -24 18
2 2
1
5
-2 - 8 2 o
2 1 -3 2
1 -3 4 5
-2 1 - 188 - 1 -2~ 2
-- 68 - 8 - 24
o o o
J t F4 ""
14 7 -7
14
[
-24 18 = - 8
x4 x4 2x4 2x4
-3
-3
(-i
4x3 3x3 x3 5x3
l
J - 2F + F 1
3
3F1 + F4
2 7 -7
7 - 14
o
=
F 1 HF3
"" 3F1 + F 2
1
o o o
o
- 5 - 566 2 3 - 8 14 - 7 -42
2
l
1
-2 -5
2 2
3
o
-1 :::::
- 2F2 +F1 F2 +F3 -2F2 + F4
-8 6 -8 -6
J
34 7
o o o
(
o
~4]
-4 -5 - 6 - 2 - 14
7
o
7
o o
2 14 :::::
- 14F3 + F4 7
[
o o o
o o o
-5 -1
"'¡
1
7
o o
F2
1
o
-7 4 1
lp
7
7
4
o ::::
o o
o o o
[
;
1
o o
o o 1
o
-4 -5
-- M6
-1
-
14
7
3
- 30
o o o
-1471
:::::
1
i7
F4
68
o
7
1 (
o o o
l l;: [~~ l ( x,
Por tanto la solución es X =
o
o o
- 7
4 + 2 F4 + F 3
o
7
7
-~ l
3 -5 -1 17
-~ ]-JF5F F F
.)
1
o
[~ ..,
o o
7
I F3
3 - 30
- 7F3 + F 1
o
(~
z
l
Sistemas de ecuaciones linea!
Capítulo 2
o o o
o o
7
o o
-~
- .)
4
1
o
l
- 3 1 4 )
=
t
F2 pero esto conduce a trabajar con quebrados. Téngase en cuenta que con un 7 es fáci l eliminar los múltiplos de 7 por ejemplo, 7, l4,2l,etc; por eso se efectuó la operación de multiplicar por 7.
Nota: Aparentemente tocaría
Planteamientos Pensemos en el sistema de ecuaciones
2x 1 a)
-3x 1 - 5x 1
3x2 2x2 l2x2
+
+ +
x3 2x3 8x3
+
- 11 -4
2x4 3x4
+ + 13x4
-34
Este sistema evidentemente es lo mismo que x3 2x3 8x3
3x2 2x2 12x2
+
2x 1
+
3x 1 5x 1
+ + 13x4
2x4 3x4
= =
- 11 - 4
- 34
35
de eliminación de Gauss
que nos sugiere que si pensamos en la matriz ampliada, se pueden intercambiar dos umnas siempre y cuando tengamos presente el orden en que van las incógnitas; por . .110, escribiremos x2
x3
x4
- 3
1
2
-3 - 2 -5 -12
2 8
[ x2
3 - 114 13 - 34
l
[X~
:::
x2
xl
x4
-3
2
2
-2 -12
-3 -5
3 -11 -4 13 -34
l
n poco más adelante resolveremos el sistema a). Al resolver un sistema de m ecuaciones con n incógnitas, hemos visto que su solución 110ede hallarse fácilmente llevando la matriz ampliada a una escalonada reducida; estudiemos un poco cómo puede ser esta matriz.
i) Si tiene la forma:
o
o o
o o
o o
1
o
o o
o
o o
1
o
o o o o
o
o
o
o o
d sistema tiene solución única
ü) Si tiene la forma: 1
o
o
1
o o
o
o
o
o
o
o
o o
cJ ,J
c l,2
cl,n - r
c2, l
c2,2
c2,n
- 1'
o o
c,.,t
c,.,2
c,.,n- r
o
o
o
o
o
el sistema no tiene solución debido a que la última ecuación conduce a
0= 1
36
Capítulo 2 Sistemas de ecuaciones lineales
Ejemplo:
Resolver el sistema: -3x 1
+ + +
XI
5x 1
[-! [ oo 1
[
1
o o
4 18 2 - 4 3 10
2 - 4 10 7
-30
o
-2 -3 9
1
o
30
l l l
-4 10
2 4 4 - 18 3 10
H
::::;
Fl HF2
[ [
::::;
2 - 4 l - 3 -7 30
1
o o
~F2
::::;
o
1
o o
.!.p 9
-18
4x2 2x2 3x2
3
1
o
2 -3
l l l
"" 3F1+F 2 - 5F1 + F 3
- 2F2 + F 1 7F2 + F3
y el sistema no tiene solución; por tanto, es inconsistente.
Ül) Si la matriz escalonada tiene forma:
1
o o
o o
cl,l cl,2 C2, 1 C2,2
o o
o o
o o
1
o
c,.,J
c,.,2
o
o
o
o
o
o
1
o
o
o
o
di d2
cl,n - ,. c2,n-,.
e,.,, _,. d,.
o
o
o
o
el sistema que representa es: X¡
x2 x3
+ ci,Jx,+l + c1,2x,+2 + c2,lx.+ l + c2,2x,.,.2 + c 3, 1x,.,. 1 + c3,2x.+2
x,. + c,.,1x,..,. 1 + Las variables x,+l• x,+2, ·· · , variables libres, además:
X11 ,
cr,r.+2
+· ··+ +· · · + +· ·· + + ··· +
=
c2,,,_,x" c3,,r-,.x, =
dl d2 d3
=
d,.
C l ,n- I)C/1
cr,n-~11
que no aparecen al comienzo de ecuación, se llaman
37
de eliminación de Gauss
XI x2 x3
di d1 d3
=
x,.
cux,... 1 c2.1xr-1 c3.1xr-l
CI,2Xr-2 c2.2x,-2 c3.2x,.,.2
ci,,,_,Xn c2.n-,x11 c3,n ,.xll
c,., 1x,..,. 1
c,.,2x,..,.2
c,.,"_,.xn
-
d,.
n - r incógnitas después del signo =, a saber x,..,. 1, x,..,.2,
... ,
xw
l.aego si damos a estas n - r incógnitas valores arbitrarios - a 1,
-
~ •••• , - U11_,.
JeSpectivamente tenemos una solución del sistema
XI x2 x3
=
x,.
=
di d2 d3
+ ci,Ia.I + +
c2.1a1 c3.Ia.I
+ c1.2a.2 + + e2.2a2 + +
C3,2a2
+
d,.
+
c,., 1a 1 +
c,.,2a2
+ ... + cr,ll-ra n-r
+ e 1,11-·,.C:J.,,_,. + c2,n ,.a"_,. + c3,11 ,.a.n-r
la cual se puede escribir como:
X=
XI x2 x3
di d2 d3
+ + +
cl,l a l e2.1a1 c3,Ia.I
+ + +
c 1.2~ c2.2~ c3,2~
+ + +
x,. xr+l xr+2
d,.
+
c,.,JaJ
+
e,.,2a2
+
+ e l,n-ra"_,. + c2,,,_,.a"_,. + c3,11-/'a.ll_r
...
.-a~
+ c,·,n-ra.ll-1'
-a2
xn
- an-r
Como los a; son arbitrarios, el sistema tiene infinitas soluciones y X representa todas las .tucíones. Obsérvese que:
di d2 d3 X=
d,.
o o o
cl ,l e2,J e3,I +a l
e,.,l - 1
C1.2 e2.2 e3,2 +a.2
c,.,2
o
c l,n-r e2,n-r c3,n-r +···+an-r
er,n-r
o
- 1
o o
o
o
- 1
38
Capítulo 2 Sistemas de ecuaciones lineales
donde los a¡ son arbitrarios y X nos da lo que se conoce como solución general; si le damos valores determinados a los a¡ , tendremos soluciones particulares.
Ejemplo:
Resolver el sistema. 3x2 2x2 12x2
2x 1 - 3x 1 - 5x 1 x2 - 3 -3 - 2 - 5 - 12
[ x2
[X!
D
o
-l
o
l
x4 2 3 -- 114 13 - 34
1
2 8
X¡ x2 - 3 2 4 - 7 12 -21
x4
""
x3
+ + +
x4 2 - 11 ] -1 18 -3 54
X¡ -1 2 7
~]o
x2 5 4
o
18
o
+ 2x4 + 3x4 + 13x4
x3
2x3 8x3
""
""
[ X~
=
X¡ 2 -3 -5
x2 - 3 - 2 - 12
[X~
- 11
- 4 -34 x4 2 3 13
- 4 - 34
X¡ x4 2 2 -1 - 7 - 3 - 21
x2 -3 4 -1181 12 54
X¡ o - 12 1 7
x2 5 -4 -1~
x4 ""
-u]
[X!
o
o
o
""
l
~]
Por tanto, la última mattiz representa
- 12x¡ + 7x 1
x3 x4
+
5x2 4x2
25 -18
= =
Luego las variables libres son x 1 y x2, a las cuales les asignaremos valores arbitrarios denotados por - al> - ~. respectivamente. Por consiguiente:
x3 x4 X¡ x2
25 18
= = =
12a1 + 7a 1 a¡
+
5~
4a2 a2
solución que puede escribirse como:
X=
ln
=
l
[-in ~~f] +~ j +a, [
[
39
Método de eliminación de Causs
Si asignamos a o: 1 y a <X:1 los valores de 1 por ejemplo, obtendremos una solución particular del sistema
esto es x 3 = 18, x 4 = -15, x 1 = -1 , x 2 =-l. Si lo hacemos con 0:1 = 2 y <Xz = - 3, obtenemos otra solución, a saber:
Ejemplo:
Resolver el sistema homogéneo
=
o o
Naturalmente, este sistema (como cualquier otro que sea homogéneo) tiene una solución Ramada t rivial, igualando todas las incógnitas a cero, es decir
o
=
El problema consiste en averiguar si el sistema tiene soluciones diferentes de la trivial. Observemos:
(-~
3 4
(-~
4
11
~) ~)
=::
F 1 HF2
""
-F¡
AF2
(-;
(~
4 3
-4
~)
=::
2F1 +F2
n
"" F 4F2 + 1
(~
o 1
~)
concluimos que x 1 = Oy x2 =O; luego el sistema no tiene solución fuera de la trivial. Como se notará no es necesario escribir los términos libres cuando el sistema es homogé.w pues todas las operaciones que se hagan con el número cero darán siempre cero; por 1al razón los omitiremos, pero éstos deben quedar sobreentendidos.
40
Capítulo 2
Ejemplo:
Sistemas de ecuaciones lineales
Resolver el sistema (véase ejemplo de la página 36)
- 3x 1
2x2 l2x2
- 5x 1
[-x32 -
-5
+ +
3x2
2x¡
x2.., .)
D D
4
12
13
xi J -1
2 - 7 -21 X¡
-1
- 12 - 7
o
::::
x2 - 3 - 2 - 12
::::
-3
X¡
2 -3
-5
X¡ x4 2 2 -1 - 7 - 3 - 21
X¡
x4
o
2x4 3x4 + 13x4
X~ l [X~
x3 1 2 8
2 - 12
x2 - 3
+
::::
13
x, l
-3
4
12
X¡
o -12 1 7 o
o
X~ l
D D 1] x4
xn
o o o
+ +
x3 2x3 8x 3
o
y la solución general es:
X= [ Si por ejemplo a 1 = 1 y
~
~~ J aF! J+~ j J =
[
= 2, tenemos
[~¡ l
=
¡~~ r l [j J [~¡ l +2
=
que es una solución particular, diferente de la trivial. Si a 1 = ~ = O, tenemos naturalmente la solución trivial.
::::
41
odo de eliminación de Gauss
Ejemplo:
Resolver los sistemas
-3
a)
b)
-8
Tendríamos que llevar las siguientes matrices a la forma escalonada reducida:
Como la matriz de los coeficientes es la misma podemos reunir las dos matrices en una sola, así:
(
-3
2 5
1 2
(
-8 -3
2 5
1 2
1 1
-8
) )
entonces,
(~
::=
-2F2 + F1
(~
-2F1 + F 2
o1
1
2 1
-3 -2
~1 )
!1)
1 -2
De lo anterior se establece que la so lución del sistema (a) es x 1 = 1, y, x2 = -2 , y del SIStema (b) es y 1 = 3, y, Y2 = -1.
Ejemplo:
A=
(Importante) Dada una matriz
(~ ~ (~ ~ )(XII
) hallar una matriz X
~ (x
11
x 12
X21
X22
)
tal que
AX = I
•)
X 11
4xll XI I
4xtt
X21
+ + + +
2x21 9x21
X22
4x t2
+ +
=
o
X12
1
2x21 9x21
X12 )
=
2x22 9x22
,y,
(o
o
1
1
) (o 1
X 12 4xl2
+ +
) es equivalente a:
o 1 2x22 9x22
) de aqui por .igualdad de matnces se s1gue que: =
o 1
42
Capítulo 2
Sistemas de ecuaciones lineales
Como la matriz de los coeficientes es igual a la de los dos sistemas, procedemos como en el ejemplo anterior.
(!
2 9
(~
o
9
1
-4
n
1
(~
"" F -4F1 + 2
o
-n
2
1
-4
(**)
y de lo anterior concluimos que: X¡¡ X21
y por tanto, X =
=
9 -4
-2 1
xl2 X22
-n
(~
Nota: Si nos detenemos un poco en (**) y observamos (*), establacemos que un método rápido para hallar una matriz X es fonnar una matriz compuesta de la siguiente manera:
i) A la izquierda de la raya 1 van los elementos de matriz conocida y a la derecha, la matriz idéntica.
ü) Efectuar operaciones elementales entre filas, hasta que la matriz idéntica quede a la izquierda de 1. üi) La matriz que queda a la derecha de 1 es la mah"iz pedida.
Ejemplo:
X =
Si A =
(XII
X12
X21
X22
XJI
XJ2
(~
1 2 -1
iJ ,
hallar una matriz
x,. J de modo que AX = l
~=~
.).)
siguiendo las pautas de la nota anterior tenemos:
(~
1 2 -1
1 3 3
1
o o
o 1
o
n
"" F - F1+ 3
(
1
l
o
2 -2
3 2
1
o -1
o 1
o
o o
J
43
odo de eliminación de Causs
u
""
2F1
2
o o
o
-1
2
3
o
5
-1
o
- 1 l
2
"" F F3 + 1 - 3F3 + F2
(l~
u
2
o
o
2
2 ".)
-2
2
- 1
o
2
n o
10
o
o 1
o
l
5F2
5
o o
9
X=
(~
10 1 -5
4 2
iO
1 5
JJ 10 1 5
_l
- ¡o
(J
-4 2 2
o
10
o
-4 2
9 3 -1
1 4
-f] t
-5 5
~J
~F2 F3
1
-iO
iO
3
2
3
ió 1 -5
lO - 5 15 o 5 - 1
1"" lo F 1
iO
Luego la matriz pedida es ió
F2+ F3
(l~
"" 5F1
o o
n
== -F2 + FI
iO - ¡o 1 1 5 5
J
-iJ
Se deja como ejercicio comprobar que con esta matriz X si satisface AX = l .
lesumen: Consideremos un sistema de m ecuaciones con n incógnitas y repasemos los plantemientos tle la página 34 y el concepto de rango fila. Al resolver el sistema por el método de Gauss y si denotamos el rango fila por r, podemos
Gbtener las dos siguientes situaciones si el sistema tiene solución única. i) Si r = n, el sistema tiene solución única. ú) Si r < n, hay n - r variables libres y el sistema tiene infinitas soluciones. •
rema 1 Un sistema homogéneo de m ecuaciones lineales con n incógnitas ne soluciones no triviales si n > m
Demostración:
Sea A la matriz ampliada de los coeficientes y términos libres. Esta matriz tiene m filas tpues hay m ecuaciones), y por ende su rango filar , es a lo más m (r ~ m) . Pero sabemos ,or hipótesis que n > m, y como m ~ r, entonces n > r, luego por ii) del resumen anterior sabemos que el sistema tiene infinitas soluciones y por tanto tiene soluciones no triviales.
44
Capítufo 2
Sistemas de ecuaciones lineales
EJERCICIOS l.
¿Qué condiciones deben ser impuestas a a,b,c, para que los sistemas siguientes tengan solución?
a)
X
- 2x 3x b)
2x X
-2x
+ +
+ + +
2y y y 3y 2y y
+ + + +
3z z 2z
a b
z 2z 3z
a b e
e
Resolver los siguientes sistemas: a) por el método de la matriz escalonada; b) por el método de Gauss; e) ¿cuál es el rango fila de la matriz de los coeficientes?; d) ¿cuáles son las variables libres?; e) escribir los sistemas en notación matricial.
2.
3.
4.
XI
+
X1
+
-4xl 5x 1 -4xl
+
5x 1 XI
-3x 1 4x 1 5x 1 5.
+
2x 1 3x 1
X¡
2x 1 3x 1
+ +
+
x2 x2 2x2 3x2
+ + + +
x3 2x3 3x3 x3
2x2
+
2x2 4x 2 2x2
+
4x3 3x3 4x3 4x3 3x3
+
X2
+ + +
2x2 5x2 6x2
+
3x3 6x3 + 10x3 + +
- 4
x3 2x3 4x3
2x2 3x2 x2
1
- 21
+ + +
+
+
10
x4 3x4 x4 2x4 5x4 4x4 5x4 3x4
9 13
-3 5
20
= - 3 5 - 20
x4
+ 6x4 + 14x4 + 21x4
=
9
19 29
45
Método de eliminación de Gauss
6.
7.
8.
9.
10.
11.
3x 1 2x¡ -2x 1
+ +
2x¡ 4x 1 2x¡ X¡
+
-X¡ 3x 1 5x 1 15x1 - 5x 1
+
X¡ 2x 1
+
+
+
2x2 x2 2x2
+ +
3x2 3x2 3x2 x2
+ +
+ +
-X ¡ 2x¡ X¡
+ +
4x 1 -4x¡ - 3x 1 2x¡ 2x 1
+
X3
+ +
x3 2x3 4x3
+
3x3 3x3 3x3 21x3 + 9x3
x2 2x2 4x2 x2
+
+
o
x4 3x4 x4 4x4 2x4 3x4 6x4
5x4 3x4 llx4 + 3x4 7x4
13 15
+ +
3x5 3x5 5x5 + !Ox5
+ 2xs + 5x5 + 12xs + 14x5 xs
x2 4x2 4x2
+ + +
4x3 x3 x3
x2 x2
+
5x3 2x3 3x3
+
=
o o o
=
o
= =
13.
14.
A=
A=
x2 2x2 3x2 5x2 17x2
( (
2 3
5 7
2 4
3 2
1
= =
- 10 15
=
-
=
3 5 7 29 - 11
o
o
4x3 x4 xs + 3x3 + 5x 4 + 4x5 + 4x3 x4 8x 5x5 + x3 4 3x3 8x + + 7x5 4 Para la matriz dada A, hallar una matriz X, tal que AX = 1 12.
5
o o
2"\:2
5x2
X¡ X¡ 2x 1
x3 x3 3x3
J J
o o
o = =
o o
46
Capítulo 2
15.
A=
u l -2 7 1
16.
A=
[1
1 -1 -2 2
Sistemas de ecuaciones lineales
-1
3
-2 .) " -4
-i
l
17. Demostrar que: a) suma de dos soluciones de un sistema homogéneo de ecuaciones también es
solución. b) El producto de un escalar por una solución de un s istema homogéneo de ecuaciones también es solución.
apítulo 3
Determinantes
INTRODUCCIÓN A LOS DETERMINANTES
Consideremos el sistema de ecuaciones lineales
+ + en dos incógnitas x 1 y x 2• Para hallar el valor de x 1, multiplicamos la primera ecuación por 12 , y al sumar obtenemos
-Q
X1 =
b ,a 22- b2° 12 0
11°22- a 21°12
Despejando a x2 en la misma forma que se usó para x 1 tenemos:
b2a,, - b,a2 , 0 11a22- a 2 1°12
a 22
y la segunda por
48
Capítulo 3
Determinantes
Como el denominador es el mismo para x 1 y x2 , definimos
IAI= llamado determinante (de orden dos) de la matriz
El determinante de orden uno se define por la 11 1= all. Consideremos ahora el sistema de tres ecuaciones lineales con incógnitas x 1hh
+ + +
al2x2
0 22X2 0 32X2
+ + +
a 13x 3 0 23X3 0 33X3
Multipliquemos respectivamente estas ecuaciones por
= a22a33- a23°32 = -(a12a33 - a13a32) c31 = a,2a23- al3a22 C¡¡
C21
Al sumar las ecuaciones resultantes, tenemos que
Si multiplicamos ahora las ecuaciones respectivamente por C12
=-
C22
= 0 11°33 -
(a2,a33- a3ta23) 0 n°3t
C32 = -(a11°23- 0 21°13)
y al sumar las ecuaciones resultantes tenemos:
49
llltroducción a los determinantes
De igual manera si multiplicamos las ecuaciones respectivamente por
= a21°32- ~2°3 1 = -(a ,,a32- 0 21°31) C33 = 0 11°22- 0 12°21
C13
C23
adremos
x~ =
.)
-------------------------------------------------a,,o22o33
+ a2,a32ol3 + a23al2o31-
a3,a22ol3- o2,al2a33- o23a32a,,
omo el denonominador para x 1, x 2, x 3 es el mismo, definimos
IAI=
a,,
o,2
al3
a2l
a22
°23
a31
a 32
a33
0 11a22°33 + 0 21a32°13 + 0 23°12°31 - 0 31°22°13- a21°12°33- 0 23a32°11
ado determinante de orden tres, de la matriz
A=
(
:~: :~~ :~~ ·J
0 31
°32
°33
3x3
e resultado puede recordarse fácilmente por medio de la conocida ley de Sarrus
b)
a)
diagrama a) indica cómo conseguir los tres primeros términos del determinante, en to que el diagrama b) se refiere a los tres últimos. Los términos obtenidos en el grama b) llevan el signo cambiado en el desarrollo del determinante.
mplos: a)
1 -~
4
-5
1
= (8) (- 5) - (-5)(4) = - 20
50
Capítulo 3
5
-3 -2
2
-4
b)
2 1 3
Determinantes
= ( 1)(- 2)(3) + (5)(-4)(2) + (1)(- 3)(2) - (2)(- 2)(2) (5)(- 3)(3)- ( 1)(-4)( 1)
=5
Definición 1 El menor ij de un determinante IA I. denotado por M¡¡ ó IA,11, es el determinante que resulta al suprimir la fila í y la columna j en un determinante.
Así, en A=
y
en !A l=
C/ 12
a21
a22
Ml l
'
all
al:!
al3
a21
a22
a~~
a 31
C/32
a33
=
all
al3
a21
a23
IAnl =
a ,l
a13
a 31
a31
M 32= IA 321
M 22=
a¡¡
-~
,
=
d= la22l = a22
IA 1
M ll= IA, d =
= alla23 -
a22
a2'\
a32
a33
=
a22a33- a32a23
a21al3
= a1 1a33- a 13a 31
Definición 2 El cofactor ij denotado por e¡¡ (o por C;J, sí se desea especificar que es respecto a A), se define por:
Así, en
!A l=
A =
0 11
al2
0 21
C/22
al1
a12
a13
a21
an
a31
a •..,
a23 0 33
~-
'
e33 = (- 1) 3+3 M 3.>• = M 33 =
e L~ = ( -
1) 1t 2 M L.,
= - M L.., = -
a21
0 23
a31
a33
=a21a33 - 0 3la13
51
Introducción a los determinantes
Obsérvese que el signo de los cofactores vienen dados en el siguiente orden:
[~
[j,
+
~J
y en general por
...(-!)'+"] ... (- 1)2+11
+ (-J)n-2
+
Volvamos nuevamente a la definición de determinante de orden tres: a,2
a,3
a22
0 23
a32
a33
0 11a22a33 + a2,a32a13 + a23al2a31 - a31a22°13- 0 2na12a33- a23°32a11
Si factorizamos en el segundo miembro a 11 , - a 12 , a 13 , tenemos:
Al = a 11 (a22a 33 -
a 32a 23) -ada21 a 33 -
a31 a23 ) + a 13 (
a 21 a 32 - a 31 a 22 )
o sea:
Al= all por tanto,
Si factorizamos -a21 ,a22,
-a23 ,
tendríamos:
Factorizando a 31 , - a 32 , a 33 , se tiene·, Factorizando a 11 , -a21 ,
a 31 ,
Factorizando - a 12,
-a32 , se tiene,
a 22 ,
se tiene,
Factorizando a 13 , -a23 , a33 , se tiene,
IAI = IAI = IAI = IAI =
a 31 c31 + a32c32 + a 33c33 a 11 c 11 +
+ a 31 c31 a 12c 12 + a 22c22 + a32 c32 a 13c 13 + a 23c23 + a 33c33 a 21 c21
Esta manera de conseguir el desarrollo de un determinante de orden tres, nos sugiere la Kiea de cómo debe ser definido un determinante de orden cuatro, cinco y superiores.
52
Capíwlo 3
Definición 3 Sea A una matriz cuadrada de tamaño n
Determinantes
n, el determinante de esta matriz denotado por !Al, está dado por la suma de los productos de los elementos de cualquier fila (o columna) por sus respectivos cofactores.
Si IAI=
all
a l2
0 21
a22
alJ a2J
aln a2n
ail
a,¿
a¡¡
a in
anl
a,a
anj
ann
x
, entonces,
IAI = anc11 + a,--zca + ··· + aiJciJ + ··· + a;,,C¡11 (desarrollo por la fila i, i = 1, 2, ·· ·, n)
Ejemplos:
a)
4 -1 -2 (-2)
1
4
-1
b)
5 -1
3
-1 5 -1
-1 -1 3
-4
=~
-4 3
-3 2 -2 2
-3
¡ = 4 1 -~ ¡1- 1-; --: 1+ (- 1)
2 -2 2
= 4 (- 13) +8- (2) (-7) =-52+ 8 + 14 = - 30
4
o
1
3
-5
o
1
-1
= (- 3)
5 -1
2 -2 2
1
-5
+
1
1
-5
= (- 3) (O)+ 3(0) =O
En el ejemplo a) se desarrolló por la primera columna. En el ejemplo b) se desarrolló por la tercera columna pues como hay dos ceros, solamente resultan dos detennjnantes de orden tres.
53
Propiedades de los determinantes PROPIEDADES DE LOS DETERMINANTES
Propiedad 1 El determinante de una matriz cuadrada es igual al determinante de su transpuesta. Demostración: Por introducción sobren. a) Para detem1inantes de orden 1, !Al= la1¡J = a 11 y
IA'I = la 11 1= a 11 . Luego !Al=
IA'I b) Supongamos la propiedad verdadera para n = k, es decir, suponemos válido que !Al = IA'I si A es de tamaño k x k. (Hipótesis de inducción). e) Probemos que la proposición es verdadera para n = k + 1, es decir debemos probar que !Al= IA'I si A es de tamaño (k+ l)(k + 1). Si A es de tamaño (k+ l)(k + 1), entonces desarrollando por la primera fila tenemos:
!Al = aii!Attl - at2 1Ad + ... + (- 1)
l+n
IAtnl
Como las matrices A 1; son de tamaño k x k, aplicando la hipótesis de inducción vemos que lAlil = IA'Iil para i = 1, 2, · · · , n y por consiguiente:
IAI =attiA't d- a12IA'd + '" + (- 1) J+n IA'tnl y el lado derecho de esta expresión es el desarrollo de IA'I por la primera colum-
na de A. Luego
!Al = !Al
Corolario. Toda propiedad de un determinante enunciada en términos de fila, origina .a nueva propiedad enunciada en términos de columna.
hopiedad 2 cada uno de los elementos de una fila (o columna) de un determinante, es igual a cero, valor del determinante es cero. Se desarrolla el determinante por la fila (o columna) que tiene todos los elementos iguales
hopiedad 3 dos filas (o columnas) de un determinante son intercambiadas, el signo del determinanle queda cambiado.
stración:
a d
b e
g
h
e
f
g d a
h e b
f e
54
Capítulo 3
Determinantes
Demostración: (Por inducción). Sea IAI el determínate original y intercambiando dos filas, probaremos que
IBI el determinante obtenido de IAI,
IBI = -IAI a) Para determinantes de orden dos, se tiene:
IAI= IBI =
O ¡¡ 0 21 0 21 O¡¡
0 12 a22
= 0 11 ° 22- 0 21°12
a 22 0 12
= a l2a 21 -
a ¡¡ a 22
= -IAI
b) Supongamos verdadera la propiedad para determinantes de orden n-l. (Hipótesis de inducción). e) Demostremos la propiedad para determinantes de orden n, suponiendo que es obtenido de IAI intercambiando la fila i y la fila j. Sea k :t; i y k :t; J.
IBI = akl c_R + ak2ck~ + ... + a,mc/o~
IBI
(desarrollando por la k-ésima fila).
por hipótesis de inducción tenemos:
Propiedad 4 Si un determinante tiene dos filas (o columnas) iguales, el determinante vale cero. Ilustración:
a d
b
e
e
f
a
b
e
=O
Demostració n: Supongamos IAI tiene iguales las filas i y j sea IBI el detem1inante obtenido de intercambiando las filas i y j. Naturalmente IBI = IAI Sin embargo por la propiedad anterior
IAI,
55
Propiedades de los determinantes
Bl = - IAI, entonces IAI = - IAI, luego 2 IAI = O y por tanto IAI = O Propiedad 5 Si cada uno de los elementos de una fila (o columna) de un determinante se multiplica por el mismo número k, el valor del determinante queda multiplicado por k.
lustración: a
b kd k e a b
e
a
kf = k e
a
b e b
d
e f e
Demostración: Sea IAI el determinante original y IBI, el determinante obtenido de IAI, al multiplicar todos los elementos de la fila i por k. Desan·ollando IBI por la misma i-ésima fila, tenemos:
B = kail CAil + kai'2cA i'2 + ... + kainC inA =
IBI=kiAI Propiedad 6 Si cada uno de los elementos de una fila (o columna) de un determinante se expresa como la suma de dos o más términos, el determinante puede expresarse como la suma de dos o más determinantes.
ustración: a b e d+D e +E j+F g h
a b e a b e d e f + D E F g h g h i
Demostración: all 0 21
a l2 a22
a ,j a2j
a,, a2n
an+a',. 1
ai2+a',.2
aiJ+a'iJ
ai,+a'in
a ni
an2
a,j
ann
56
Capítulo 3
all
al2
alj
Determinantes
aln
all
al 2
alj
aln
a2,
a22
a 2j
a2n
/
a il
a' .,
,_
a ' ij
a' in
anl
an2
anj
0 nn
a21
a 22
a2j
a2n
a ¡¡
a,¿
a ij
a in
anl
an2
a,if
ann
+
Propiedad 7 La suma de los productos de los elementos de una fila (o columna) de un determinante por los correspondientes cofactores de la otra fila (o columna), es cero.
Demostración: Sean
IAI=
IBI = O pues tenemos,
a,.
a,2
aln
a 21
a22
a 2n
a¡ ¡
ai2
a in
f-
fila i
ajl
aj2
ajn
f-
fila}
a"'
a,2
a ,,
tiene dos filas iguales. Por otro lado desarrollando
IBI por la i-ésima fila
57
Propiedades de los determinantes
Bl =
9 =o aji Cil8 + aj2Ci28 + ... + ajnCin
Pero
C8 = C~,
C~ = C~ , · · · , C;,~= C;~ y, por tanto,
~; 1 C;1 + aj2C;1 + ·· · +
ajnct
= O, que era lo que queríamos probar.
Reuniendo en una sola propiedad la definición de determinante y la propiedad anterior, tenemos:
Propiedad 8 La suma de los productos de los elementos de una fila (o columna) por los correspondien-
tes cofactores de esa fila (o columna), da el valor del determinante; pero la suma de los elementos de una fila (o columna) por los conespondientes cofactores de otra fila (o columna), da cero.
Propiedad 9 El valor de un determinante no cambia si a los elementos de cualquier fila (o columna) se le suman k veces los correspondientes elementos de cualquier otra fila (o columna).
Demostración: Sean
all
a l2
aln
a2l
a22
a2n
a il
a;2
a in
IAI=
f-
fila i
y aj l
aj 2
ajn
anl
a,2
ann
f-
a¡¡
a¡2
a¡n
a21
a22
a2n
ail+kajl
aj 2+ kaj 2
aj1
aj 2
ajn
anl
an2
a m,
fila}
a;n+kaj n
f-
fila i
f-
fila}
IBI =
58
Capítulo 3
Determinantes
IAI = IBI. Desarrollando IBI por i-ésima fila tenemos: veamos que
como e~
= ~ ' eg = el~ ' ... ' cf,, = e~ ' tenemos:
~ + a11 e1~ + ... + 0;11 e;~) +k (aj 1 e~ + ape~ + ... + ajne;~)
= IAI +O
por la propiedad 8. Por consiguiente, hemos demostrado que
IBI = IAI. Observación: La fila (o columna) cuyos elementos son multiplicados por k quedan invariantes y solamente los elementos en la fila (o columna) aumentada se remplazan por la correspondiente suma algebraica.
a, b, e,
a2 b2 c2
a3 b3 c3
a, b,
a2
a3 b3 c3
C¡
b2 c2
=
a, b 1 + kc 1 C¡
a2 b2 + kc2 c2
O¡
a2
b 1 + kc 1 kc 1
b2 + kc 2 kc 2
a3 b3 + kc 3 , pero c3 a3 b3 + kc3 kc 3
Propiedad 1O Sean A y B matrices cuadradas del mismo tamaño, entonces
IABI = IAI IBI Esta propiedad no se probará debido a que su demostración es complicada. Obsérvese que
IABI = IAI IBI = IBI IAI = lB Al;
es decir
IABI = IBAI
Plopiedades de los determinantes
59
Ejemplos: a)
1 -1 -4
o o o -4 4 -1
1~ b)
-4
4
-2
-1 3
1
-3
o
-1
-2 1
o
5
3 - 3 2F +F 2 1 5
4
-5
l
2
-2 3
4 5
- 3 - 3F2 + F1 2F2 + F 3 5 -3F 8 2 + F4
2
IC22 = -4
5
5
o
=
3
-3 2
1 -4
-3 .., -.)
1
= le22=
5
- 35 1 = 20 - 3 = 17
-7
-4
o
4 4 -1
-2
4
8 - 1 - 1
o
o
4 4
7 7
=2
o
-4 5
o o
-1
2
5
-1
17
~
-2
4
2 - 3 8 - 1
1
1 -4
17
=1 1:
2 -3
-1
::::
17
e2 (*) -2e1 + e 3
8 - 1 el +
1 = O , por tener dos filas iguales.
(*) el + e 2, indica sumar la columna 1 a la columna 2. -2 el + e 3, indica multiplicar la columna 1 por - 2 y sumársela a la columna 3
1
e)
X
x2
1
y y2 y-x
= y2 -x2
Propiedad 5
z z2
-el+ e2 - e 1+ e3
z- x z2 - x 2
x2
l = l(y -(v-x)(yx)+ x)
(y - x) (z - x)
= (y- x) (z - x) (z - y)
X
1
(y
!
x)
o
o
y-x z- x y2-x2 z2-x2 (z - x) (z + x)(z - x)
1
60
Determinantes
Capftulo 3
EJERCICIOS l.
Calcular el valor de los siguientes determinantes
a)
-
2.
1
e)
1
-2
5
-3
3
5
-5 -2 2
-6
Utilizando la ley de Sarrus, evaluar
3
a)
o 4
6 3 6
-3
1
b)
-5 -2
1 4
-4 -1 -4
-1 4 6
e)
2 4
3.
Utilizando las propiedades, evaluar los dete1minantes anteriores.
4.
Calcular el valor de:
a)
e)
3 5
2 4
-8
6 -9
2
4
o o o
2
o o
-3
4 6 5 2
-7 -7 1
6 8 -2
b)
3
2 3
2 -7
-5 4
-1 1
5 -6
2
-8
-4
2
-4 1
-3
o
-9 -6 2
5.
Demostrar que si A es una matriz triangular, el determinante de A es el producto de sus elementos diagonales.
6.
Sin desarrollar, demostrar que :
a b e y b t x y z =x as S t U z e u
Z X y
t e a b
U
S
61
Propiedades de los determinantes Comprobar que
1 7.
1 y y3
X
x3
8.
9.
x-y-z 2y 2z
z
=~ - ~~ -~ ~ - ~~ +y+ ~
z3
2x 2x y-z-x 2y z-x-y 2z
= (x +y+ z)3
a2 a2 (b + c)2 2 b2 b2 = 2abc(a+b+ c)3 (a+c) c2 c2 (a+b) 2 a 2 - (b-e)2 be b2 - (c-a)2 ca c2 - (a- b)2 ab
10.
a2 b2 c2
ll.
(x, +y,) ~~ +z¡) (x 1 + z 1)
(x2 + Y2) ~2 + z2) (x2 + z2)
=
(a- b) (b-e) (e- a) (a + b +e) (a2 + b2 + e2)
(x3 + Y3) ~3 + z3) (x3 + z3)
Resolver los siguientes determinantes:
a
1
a
12.
a y +z 13.
X X
14.
I+a 1 1 1
y x+z y
z z x+y 1
1
1 l +b
1
1
1-a
1 1 1- b
X¡
y,
Z¡
= 2 x2
Y2 Y3
z2 z3
x3
62
Capítulo 3
Determinantes
Resolver: 15.
1
-5 ¡ x+7
X+;
-1 X
16.
-2 A,
17. -1
-1 -2 1
X -1 2
e-\
-2
-1
-1
A--2
o o
18.
2 -2 A- - 1
t..,
3 /..,-3
o
5 2 A--7
19. Sean Ay B matrices cuadradas del mismo tamaño, de modo que AB = l. Demostrar que:
IAI * O y IBI * O l b) IBI = iAi
a)
20. Demostrar que
IA171 = IAI17 , n = 0,1,2, ...
21. Demostrar que si
A es una matriz ortogonal, entonces IAI =
22. Demostrar que si
A es una maniz idempotente, entonces IAI =
±1 1 ó IAI = O
23. Sea A una matriz cuadrada y B una matriz obtenida de A, aplicando una operación elemental entre filas; probar que:
IAI * o ~ IBI * O. 24. Sea A una matriz cuadrada y E su matriz escalonada reducida; probar que:
IAI * O ~ IEI * O.
63
Regla de Cramer REGLA DE C RAMER
Consideremos el sistema de n ecuaciones con n incógnitas. a 11 x 1 a 21 x 1
+ +
a 11 1x 1
+
a 1¡x¡
22x2
+ ···+ + ··· +
a2i X¡
+ +
0 n2x2
+ ··· +
a ni X¡
+ ... +
al 2x2 0
+ +
a¡,fn
= b,
a2¡¡-Xn
=
an¡¡Xn
= bn
b2
Sea
:\=
0
12
a¡¡
a 2,
0
22
a2i
a:"
0 n2
a ni
[al\
a,"
:~:
1
la matriz de los coeficientes.
\amos a hallar el valor de x¡; para ello se multiplica la primera ecuación por C 1;; la ttegUnda por c2i; la tercera por c3i; etc, y la última por cni; y tenemos: O¡¡ C¡¡X¡ 0 21
c2r1
0 nt cnr 1
a22 c2h
+ ··· + + ·· · +
a¡; Ctr; 0 2; C2r;
+ +
+ +
a ln Clrn a2n C2rn
a112 Cnr2
+ ... +
ani Cnri
+ ... +
ann Cnrn
+ +
a12C1h
+
Al sumar estas ecuaciones, obtenemos:
,el 1. +
-
a2,- c2 1. +
... + a 2c171.) x2 + 11
=
b 1C 1¡
= b2C2; = bnCni
64
Capítulo 3
Determinantes
Por la propiedad 8, se desprende que
y de acuerdo con la definición de determipante, tenemos que:
IAi x;=
a ¡¡
al2
a l,i- 1
b¡
al ,í+ l
a ¡,
a 21
a 22
a 2,i-l
b2
a 2,í+ l
a 2,
a,¡
a ,2
an,i- 1
b/1
an.i+ J
...
a,,
Luego si IAI :t: O, se tiene:
a!L
al2
al ,i-1
b¡
al ,i+J
a¡,
a2,i+ l
a 2,
a , ,i+l
a ,,
a21
a 22
a 2, i- l
b2
a,,
a ,2
a n,i- 1
b,
x.= 1
IAI
_ IB~l
-w
para i = 1,2, ... , n
Conclusión: El denominador es el detenninante IAI, obtenido con los coeficientes de las incógnitas. El numerador es el determinante IB;I, obtenido al remplazar en el determinante IAI, la columna de los coeficientes de la variable X ; que se desea despejar, por la columna de los términos libres.
65
&egla de Cramer
.ljemplo: Resolver el siguiente sistema aplicando la regla de Cramer.
+
- xl XI
+
xl 1 -1
-1
1 1
IAI=
1
-1 IB2I = 1 1
7
3 1
X
1
+ +
x2 x2 x2 1 1 -1
1 1 -1
=
x3 x3 x3
= 4, IB 11=
7 3 1
-1
= 16, IB31 =
7 3 1
1 -1 1
1 -1 1
1
=8
-1
7
3
=20
-1
16 =-8 = 2, x2 = 4 = 4, x3 = ~ = 5 4 4
EJERCICIOS Resolver los siguientes sistemas de ecuaciones aplicando la regla de Cramer.
2.
3.
4.
6
+
1.
13
- 15x 1 + - 9x 1 +
11x2
=
-2 2
+ +
x3 4x3 2x3
= =
x3 2r3 3x3
=
13x2
5x 1 2xl 3x 1
+ + +
2x2 3x2 4x2
- 2x 1
+ + +
3x2 x2 2x2
- 3x 1 XI
3 1 8
- 5 - 12 - 1
66
Capítulo 3
3x2
3x 1
+ + + +
- 2xl
+
3x2
XI
5.
6.
4x 1 -xl
x2 5x2 2x2
XI
2x 1
+
x2 x2
2
+ +
x3 2x3 3x3 x3
+ +
2x3 x3
2x4
x3
x4 4x4
+
+
3x4
4
1 -2
X4
+
x4
=
-1 3 2
o
D eterminante
o 3 Determinantes
Capítulo 4
Inversa de una matriz
Definición 1 Sea A una matriz cuadrada de tamaño n x n. Se dice que A es invertible o no singular si existe una matriz cuadrada de tamaño n x n, tal que AX = XA = I · X se denomina una inversa de A.
Teorema 1
Si A tiene inversa, es única.
Demostración: -u pongamos
AX =XA=I AY =YA= 1 - =XI= X(AY)= (XA)Y = IY = Y or consiguiente hablaremos de la inversa de la matriz A y la denotaremos por A- 1 .
Definición 2
Si n es un entero positivo y A es una matriz invertible, se define
A -n
A-l A-t ... A-1 nveces
68
Capítulo 4
Inversa de una ma ·
Definición 3 Sea A una matriz de tamaño n x n. Formemos la matriz con l cofactores de los elementos del determinante de A y tomemos su transpuesta. La matriz así obtenida se llama la adjunta de A. Es decir, elt e12
e2I e22
en! en2
eln
e2n
enn
adj A =
Teorema 2
A (adj A)= (adj A) A =
IAI 1
(*)
Demostración: Por la propiedad 8 de los determinantes, tenemos a¡¡
a¡z
az¡
anl
•BKn-tración:
el! e1z
e2I e22
en]
azz
aln azn
an2
ann
e in
e2n
enn
o
o o
A e inYe
-
en2
A (adj A)=
los: Si A=
IAI
o
IAI
o
o
= IAI 1
l~
adj A= (_
IAI luego si A=
De manera análoga se demuestra que (adj A) A=
Corolario.
Si
IAI
7:-
IAI 1 Hallar la inY
O, la inversa de la matriz A es: A- 1 =
-
1
~
adj A
Demostración: Multiplicando la ecuación (*)por ~ tenemos:
A(~
adjA) =
(~
adjA) A=l,luegoA- 1 =
~~
adjA
-
:: con los uesta. La
Teorema 3
Si A es invertible, entonces,
IAI
::¡:. O
Demostración:
Supongamos que A es invertible, entonces, AX = XA = 1, por consiguiente, entonces IAI lXI = 1, luego IAI ::¡:. O
Si A es invertible, entonces el sistema de ecuaciones lineales
Teorema 4
AX=b
tiene solución única y viene dada por X = A- 1b
Demostración:
Como A es invertible, existe A- 1, luego A- 1(AX) =A-lb==> (A- 1A) X= A- 1b ==>IX= A-! b ==>X= A- 1b
Ejemplos:
a) Si A= (
~ ~)
con
IAI ::¡:.O, tenemos,
ad· A= ( d -b) A- l = -1 ( d -b) lJ -e a y !Al -e a
b) Hallar la inversa de A, si existe
A=
- A
IAXI = 111,
(
1 1 O 2 1 -1
70
Capítulo 4
c 21
= -1-i ~ 1=-4,
~ 1=2,
c23
=- 11
=1 2 ~ 1=1,
c 32
= -1
cl3
=1
c22
=1
c31
~
-i 1=-2,
1
1
-i l= 2
1
~ 1=-3
o
Inversa de una matriz
Además como AX = L
lo que da origen a los .: =
A
Luego la adj A=
9-4 lJ
(-2
3
2 -3 ,y
2 2 IAI =1C¡¡ + 1Cl2 + 1Cl3 =9 + 3-2 =10
Como IAI :t:. O, por el tec~Jil los x!J son únicos y, por_
Por consiguiente, A tiene inversa y A - 1 = _!_
10
9-4 1]
(-2 3
2 -3
2 2
Como se observa, este método es un poco extenso para calcular la inversa de una matriz; especialmente si la matriz es de gran tamaño; por tanto, trataremos de buscar un método rápido que permita calcular A- 1.
Esto nos permite concl · -
Sea A una matriz cuadrada de tamaño n x n. Se dice que A tiene una inversa por la derecha, si existe una matriz cuadrada X de tamaño n x n, tal que
Teorema 6
es única, que lo que de.:>_
Definición 4
Si AX = L
Demostración:
De manera análoga, se define inversa por la izquierda.
A(XA + X - 1) = A (XA IA+I-A=A+I-A=
Teorema 5
La inversa por la derecha es única.
esto es A(XA + X - 1) = l. pero como AX = 1, es d ~ reorema anterior que,
Demostración:
Como AX = 1, entonces
IAXI =
1, luego
IAI IXI =
1, lo que nos indica que
IAI :t:. O.
XA+X-I=X~XA =I
-o
2
71
Inversa de una matriz
Además como AX = 1, tenemos: a¡¡
at2
aln
X 11
xl2
X In
1
a22
a2n
X21
x22
x2n
o
o
a2t
o o
a ni
an2
ann
X ni
xn2
xnn
o o
1
lo que da origen a los siguientes sistemas de ecuaciones: X¡¡
1
X¡2
X¡n
o
o
x21
x22
1
X2n
o o
xnn
1
A xnl
o
'
A
,···,A xn2
o
Como IAI -:;:. O, por el teorema 4, cada uno de estos sistemas tiene solución única, esto es los X¡¡ son únicos y, por consiguiente, X ¡¡
X1i
Xln
X21
X22
x2n
X=
~ a inversa de una matriz;
-~ ~r de buscar un método
es única, que lo que deseábamos probar. Esto nos permite concluir que si AX=I} AY = I =>X=Y
Se dice que A tiene - X de tamaño n x n, 1.
Teorema 6
Si AX = 1, entonces, XA = l.
Demostración: A(XA + X- 1) = A (XA) + AX- A = (AX) A + AX- A = IA+I-A = A + I-A =I esto es A(XA + X - 1) = 1, lo cual muestra que XA + X - 1 es una inversa a derecha de A; pero como AX = 1, es de.cir, X es también una inversa a derecha de A, se concluye por el teorema anterior que, XA+X-I=X=>XA = I.
72
Capítulo 4
Corolario.
Inversa de una matriz
Si A tiene inversa por la derecha, es invertible.
En
Lo anterior nos enseña que para calcular la inversa de una matriz sólo es necesario hallar la inversa por la derecha.
Ejemplo:
i),
~
1 2 1 -1
Dada la matriz A = (
debemos hollar una matriz X tal que
AX=I Como se observó en la nota al finalizar el capítulo 2, y señalada como importante vimos que la manera de conseguir esta matriz es: Formar una matriz compuesta de la siguiente manera: i) A la izquierda de la raya 1 van los elementos de matriz conocida y a la derecha, la matriz idéntica. ii) Efectuar operaciones elementales entre filas, hasta que la matriz idéntica quede a la izquierda de 1. iii) La matriz que queda a la derecha de 1 es la matriz pedida. Siguiendo estos planteamientos obtuvimos:
[~ [
Luego X =
1 2 -1
10 9 3
10 • 2
iO - -1
iO -1
5
5
o
1
1
3 3
o 1 o o
-n~
10
~J
o o 1 o o 1
u [9-4 lJ :=:
3 -2
2 -3 2 2
Llamaremos este método, método rápido Ejemplo:
Resolver el sistema x1 + 2x 1
2x 3x2
3
-4
9
4
3
2
iO
iO 1
jJ
5
5
5
iO 1
- iD
10 1
nr.y·., ,_,,.,.
73
triz
En notación matricial AX = b, el sistema es: -"---~-- hallar
Por tanto X = A- 1b o sea ar zma matriz X tal que
1
5
(21) ; lo que indica, x _ (_-32 -1) 1
1=
1, y x 2= 2
EJERCICIOS -amo importante vimos - - mpuesta de la siguiente
l.
Demostrar que si A es una matriz invertib1e, A - I es invertib1e y (A- l )- 1 = A
.= :onocida y a la derecha,
2.
Si A y B son matrices cuadradas del mismo tamaño e invertib1es, demostrar que AB es invertible y (AB)-1 = B-1 A-1
3.
Demostrar que lmij Al= IAin-l
4.
Demostrar que si A y B son matrices no singulares del mismo tamaño entonces
...._-.......!:.....:""'-""""
_
~
la matriz idéntica quede
-- Ga.
adj (AB)
-
4 10
2
iO -
1 5
Jj
5.
=
(adj B) (adj A)
Demostrar que si A es no singular adj (adj A)
=
IAin-2 A
10 1
5
Si existe, hallar la inversa de las siguientes matrices, tanto por el método de la adjunta como por el método rápido. 6.
7.
8.
c3 !) (-35 -24)
' 2
(-¡ _¡) -1 1
74
Capítulo 4
Inversa de una matriz
9.
10.
-i _; -~ -~ [ 4 3
5 -6 4 -9
2 1
l
Capítulo
Resolver los sistemas de ecuaciones de los ejercicios de la sección 3 del capítulo 3, por el método de la matriz inversa.
Definición 1 LOS
elementos de 2
Ejemplos:
Definición 2
Sem1 ~ •
~e
Ejemplo: Si (3 - x 1• ~ Je la igualdad entre '
-
Inversa de una matriz
Capítulo 5
Vectores en JRn - .3 del capítulo 3, por el ÁLGEBRA DE VECTORES Y PRODUCTO INTERNO
Definición 1
lR" = {(x 1, x 2,
••• ,
x) 1 x; E JR, i = 1, 2, · · · , n}
os elementos de lR" son llamados puntos o vectores.
Ejemplos:
Definición 2 ue
(2,3,4)
E
JR3
(-3,2,1,5)
E
JR4
(3, -4)
E
JR2
(-2, i, 4)
~
JR3
Sean X= (x 1, x 2 ,
• • • , X 11),
X = Y sí,
Ejemplo:
X¡
Y= (y 1, y 2 ,
••• ,
Yn) elementos de lR". Se dice
=y¡, i = 1, 2, · · · n
Si (3- x 1, 2 + x 2 , 5- x3) = (-3, 4, 8). Hallar el valor de x 1, x 2 , x 3 .
:Je la igualdad entre vectores, se deduce
3 -x¡= - 3::::>x¡
6
2+
X2 =
4 =>
X2
2
5-
X3
=
8 =>
X3
= - 3
76
Capítulo 5 Vectores en IR"
Definición 3 Sean X = (x 1, x 2,
· ··
, X 11 ),
Y= (y 1, y 2 ,
··· ,
Yn) elementos de lR" y e un
Álgebra de vectores
M3. (cd)X = e( _M4. 1X=X
número real (escalar) , se define:
X+ Y= (x 1 + y 1, x 2 + Y2' · · · , xn + Yn) eX= (cx 1, cx2 , · · · , CX11 )
Demostración: A manera de ilustra;:
Naturalmente X+ Y y eX son nuevamente vectores de lR". c(X +Y)
Ejemplo:
Si X = (3, 5, -6), Y= (--4, 8, 5)
X+Y = (-1 13 -1) '
'
'
SX = (1 6 25 -30) ;;¡,
'
'
-3Y = (12 -24 -15) '
'
El vector de lR" que tiene todas sus componentes iguales a cero, se denota por O, O= (0, O, · · · 0), y se denomina el vector cero (o cero vector).
Definición 5
Definición 4 Si X, Y E lR"
-X X-Y
U1:
( - 1)X
Si V= (A, B) es un· respectivamente del · dice que está localiz.!.
X+( -1) Y
Denotaremos V = (-
Portanto,si X= (x¡,X2,··· ,xn), Y=(y¡,y2,···,yn)
-X X-Y
( -X¡ ' -X?_, ··· ' -X n ) X+( -l) Y = (Xt- Yt, X2- Y2, ···, Xn- Yn)
Teorema 1 Para cualesquier vectores X, Y, Z
E
JRn y cualesquier e y d escalares
(números reales), se tiene:
S l. S2.
(X + Y) + Z = X + (Y + Z) X+Y=Y+X
Definición 6 Sea. B-A=D - C
áJ-~ X+O = X
S4.
X+ (-X)= O
.\YU. ,e (X+ Y) = eX+ e~
---=M2.
~e
---';;,-
+ d)X = eX + dX
Ejemplo: Sean U =
.
A=(1,2,3)B=(--4. ~:
C=(2, 1,4)D=(-3. :._
:2:J 'tu/o 5
Vectores en lR"
-ementos de JR" y e un
77
Álgebra de vectores y producto interno
M3. (cd)X
=
e(dX.)
M4. lX=X Demostración:
A manera de ilustración, probaremos la propiedad MI, las demás quedan como ejercicio.
c(X +Y)
c(x 1 + y 1, Xz + yz,
00 •
,
Xn + Yn)
(ex ¡ + cy¡, cxz + cyz, ... , CX n + cyn ) (ex¡ , cxz, c(x¡ , xz,
_::e denota por O,
000 ,
000 ,
cxn) + ( cy¡, cyz, Xn) + c(y¡ , yz,
ooo
000 ,
cyn)
,yn)
eX+ cY
Un vector dirigido es una pareja ordenada de elementos de lR".
Definición 5
Si V = (A, B) es un vector dirigido, los puntos A, y B son llamados punto inicial y final respectivamente del vector V . Además, el vector V, tiene una dirección de A hacia By se dice que está localizado en A. Denotaremos V = (A, B) por V = AB _ __ ... , Yn)
-X
-
Yn ) A
'Squier e y d escalares
Definición 6 Sean U = AB y V= CD . Se dice que U es equivalente a V, si B-A = D-C
Ejemplo: Sean U
= AB y V = CD donde
=
(-4, 3, 2)
e= (2, 1, 4) n =
(- 3, 2, 3)
A= (1, 2, 3) B
78
Capítulo 5
Vectores en lR11
Los vectores U y V son equivalentes puesto que B-A=D - C = (-5 , 1, -1)
Definición 7
Sean U = AB y V = CD.
a) Se dice que U es paralelo a V si existe un número e
7:-
O, tal que
B-A=c (D - C)
b) Si e > O, se dice que los vectores tienen el mismo sentido. e) Si e < O, se dice que los vectores tienen sentido opuesto.
Ejemplo:
Sean U = AB y V = CD donde A = (l, 1)
e= (3 , 1)
B = (3 , 3) D = (5, 3)
Entonces U y V son paralelos y con el mismo sentido pues B- A= 1(D- C)
Si consideramos .·e-_ basta conocer las las coordenadas de: vector X= (1 3 ' ' Definición 8 Sea _ ud de X, denotada
Además son equivalentes.
Ejemplos: a) Si X A
e
=(1,
b) Si X =(2, 3. _
·amos a analizar vector sualizar para el cas~
~.::calar por un
Es claro que si dos vectores son equivalentes, ellos son paralelos y con el mismo sentido. Más adelante, podemos apreciar que ellos tienen la misma longitud.
- anX =(x 1,x2), Y= .
Capítulo 5
Vectores en IR"
79
.i.!gebra de vectores y producto interno
Es de observar que AB es equivalente a O (A - B ), donde O es el punto cuyas componentes son todas iguales a cero.
/
e "# O, tal que sentido. 'Puesto.
Si consideramos vectores localizados en el origen, para determinarlos completamente basta conocer las coordenadas del punto final y, para ello, indicaremos un vector sólo con las coordenadas del punto final; de ahí que los elementos de ~n se llamen vectores. Así el vector X = (1 , 3, 4) es el vector localizado en el origen y punto final en (1, 3, 4).
Definición 8 ud de
Sea X= (x 1, x 2,
••· ,
xn) un vector de lR". Se define la norma o longi-
X, denotada por IIXII como IIXII = ~x~ + x~+ ... + x~
Ejemplos:
a) Si
X =(l,
3, - 4, s)~IIXII=~1 + 9+16 + 25
=JSl
b) Si
X =(2,
3, 4, - s)~ IIXII = ~4+9+16+25
=.J54 =316
Vamos a analizar geométricamente la adición de dos vectores, la multiplicación de un escalar por un vector y la norma de un vector, para el caso de dos dimensiones; se puede Yisualizar para el caso de tres dimensiones y abstraer para dimensiones mayores. :: : ;- on el mismo sentido. d.
Sean
X= (x 1, xJ, Y = (y 1, y2)
dos vectores de 1R 2.
·1
80
Capítulo 5
Vectores en ~
!!'=bra de vectores ~
y proc __
norma de un vector to final X.
;~
1 1 1 1 1 1 1 1
Y=(x21 + Y¡)
1
1
1
1
1 1
1 1 1
Por tanto, la manera como hemos definido la adición de dos vectores coincide con le. conocida ley del paralelogramo.
- análisis geométrico de 12. -
La multiplicación de un escalar e por un vector X consiste en amplificar el vector X, le veces. Si e> O, eX tiene el mismo sentido que X, y si e< O, eX tiene sentido opuesto a X
y
+
y : cX=(cx 1 , cy 1 )
X=(xl , Y¡)
--~-------------------+x XI CX1
X
c>O ~ X= (x 1,
.x¡2) un vector
de~-
5
Vectores en IR"
81
-\lgebra de vectores y producto interno
a norma de un vector indica claramente su longitud, o sea, la distancia del origen al unto final X.
~-- X, --~
= ·ectores coincide
con la
~ ~ amplificar el vector X,
El análisis geométrico de la diferencia de dos vectores X y Y nos conduce a
lcl
_:x_ ·ene sentido opuesto a X.
+'_¡_.
y
+'_¡_.
X=(x 1 , y 1 )
X
c
-ea X= (x 1, .x¡2) un vector de IIR 2 y a el ángulo que forma con el eje X.
82
Capítulo 5
Vectores en lR"
y, ... .. ................. ..... .
Se puede probar (véas _ 23 y e es el ángulo err·~-
Naturalmente se tiene que
M' sen X¡
cosa =
Sean ahora X = (x 1, x 2), Y= (y 1, y 2) dos vectores de Sea e el ángulo entre los dos vectores. Vamos a hallar una fórmula que nos permita conseguir el valor de cose. lR2.
Definición 9 Sean _dtferente de cero y e
=
Definimos co
Probaremos un poco ma:: ::¡ue debemos garantizar
e Definición 1O Sean X Jefine su producto inte
=
Capítulo 5
Vectores en IR"
83
Álgebra de vectores y producto interno
8==a-~
cos e
=
cos(
cose = cos a cos
~
o_ -
~)
+ sen a sen
~
)
Se puede probar (véase ejercicios) que si X= (x 1, x 2 , x3) , Y= (y 1, y 2 , y 3) son vectores de y e es el ángulo entre los dos vectores, entonces
~3
==
1::: - ~ - :_
r-
-ea e el ángulo entre los dos - :::eguir el valor de cos e.
Definición 9 Sean X = (x 1, x 2, ... , xn), Y = (y 1, Yl• ... , Yn) dos vectores de JRn y diferente de cero y e el ángulo entre los dos vectores. Definimos
Probaremos un poco más adelante que este coseno está bien definido en el sentido en que debemos garantizar que
Definición 1O Sean X = (x 1, x 2, · · · , xn), Y = (y 1, y 2, · · · , Yn) dos vectores de define su producto interno o producto escalar denotado por X · Y como
X . Y= X ¡Y¡ + X2Y2 + XJY3 + ... + XrJ!n
]Rn
se
84
Capítulo 5 Vectores en
1~"
Nótese que el producto interno es un escalar de ahí el nombre de producto escalar. Con esta definición podemos, por tanto, escribir X· Y cose = IIX IIIIYII
cos e =
o'
iv) SiX=(x 1•.
Si X= (0, C.
o~e ~n
::...as otras partes qu ~emos definido la c 2
=
2
x 1 + x 2 + ···-
o' ypor tanto X . y = o
Es claro que si X · Y= O entonces cos e
:
luego X· X=
y concluir que si X es perpendicular (ortogonal) a Y (X .l Y) entonces
X ·Y luego IIXIIIIYII =
-4lgebra de vectores ~
Oy, por tanto, e = ~ luego X es perpendicular
aY
2 .:=:scribiremos a veces _
Ejemplo: Si X= (-2, 1, 3, 4) y Y = (1 , 2, -4, 3), entonces X · Y = O, luego X es perpendicular a Y.
Teorema 2
Sean X, Y, Z vectores de JRn y e un escalar, entonces
Teorema 3 •1 tonces
( D es ·e;
i) X·Y=Y·X ü) X·(Y+Z)=X · Y+ ' ·Z üi) (eX)· Y= c(X · Y) y X ·(e Y)= c(X ·Y) iv) Si X
-::f:.
emostración:
O, XX> O, pero si X= O, entonces, X · X= O.
Demostración:
üi) Sean X = (x 1, x 2 ,
··· ,
xn), Y = (y 1, Y2 '
(eX)· Y= (cx 1, cx 2, ···, cxn) · (y 1, y 2 , cx 1y 1 + CX2Y2 + · · · + CXrJln
=
··· , ···
Yn)
...:aciendo X2 =A, 2(X
,yn) =
c(x 1y 1 + X2Y 2 + · · · + X1,Yn)
=
c(X ·Y)
X · (eY)= (x 1, x 2, · · · , xn) · (cy 1 cy2, · · · , cyn) = cx 1y 1 + cx2y 2 + · · · + CXJ!n = c(x 1y 1 + X2Y 2 + · · · + XnYn) =e (X · Y)
_o que nos indica que e . si las tiene, son ~ 5 u~~-"'
--- _ro 5
85
.Vgebra de vectores y producto interno
Vectores en lE."
oducto escalar.
iv) Si X= (x 1, x2,
··· ,
2
xn) 2
:t:.
Oentonces algún X; :t:. O y, por tanto xi >O 2
?
luego X· X = x 1 + x 2 +·· · +X; + · · · + x~ >O Si X= (0, O, . · · · O) entonces X · X= O+ O + · · · +O = O
as otras partes quedan como ejercicio. emos definido la norma de un vector X= (x 1, x 2 ,
x¡¡ = ~ xf + xi + ... + x~
··· ,
xn) como
, pero X · X= xf + xi + .. . + x~ , luego podemos escribir
¡¡x¡¡ = Jx.x
o
iXii2 = X·X
__ =o X es perpendicular
Escribiremos a veces X2 en lugar de X · X y, por tanto,
_· · Y
=
O, luego X es
Teorema 3
.ces
(Desigualdad de eauchy-Schwarz ). Si X y Y son vectores de lR",
ntonces
Demostración:
c(X + Y) · e(X + Y)
~
O
e(X) · e(X) + c(X) · Y + Y · (eX) + Y · Y e 2X 2 + 2e(X · Y) + Y2 ~ O aciendo X 2 =A, 2(X
=
Y) = B, Y2 =e tenemos Ac2 +Be+ e ~ O
X·Y)
- CX_Y2 + · · · + CXJln
X
=
e
o que nos indica que el polinomio de segundo grado Ae2 +Be + no tiene raíces reales . si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
84
Capítulo 5
Vectores en R•
Nótese que el producto interno es un escalar de ahí el nombre de producto escalar.
iv) Si X= (x 1, x2,
Con esta definición podemos, por tanto, escribir
.••
luego X· X= x=-
X ·Y cose= IIXIIIIYII
Si X = (0, O, .· ··
~as
y concluir que si X es perpendicular (ortogonal) a Y (X l_ Y) entonces
otras partes quedan
X· Y cos 8 = O , luego IIXIIIIYII = O , y por tanto X · Y = O
.
n
Es claro que Sl X . y= oentonces cos e= oy, por tanto, 8 = - luego X es perpendicular aY 2
=: -cribiremos a veces x= ,. . . Si X= (-2, 1, 3, 4) y Y = (1, 2, -4, 3), entonces X · Y = O, luego X es perpendicular a Y. Ejemplo:
Teorema 2
Sean X, Y, Z vectores de JRn y e un escalar, entonces
eorema 3
( Desigua
. •1tonces i) X·Y=Y·X ü) X . (Y + Z) =X . y +X . z üi) (eX) · Y
=
c(X · Y) y X ·(eY) = c(X · Y)
Demostración:
iv) Si X* O, XX> O, pero si X = O, entonces, X · X= O.
Demostración:
üi) Sean X= (x 1, x 2,
••• ,
(eX)· Y= (cx 1, cx2,
xn), Y = (y 1, Y2, · · · , Yn)
••• ,
cxn) · (y 1, y 2 ,
cx 1y 1 + CX:z,Y2 + ·· · + CXnYn X · (eY)= (x 1, x 2,
=
••• ,
= _
Yn) =
c(x 1y 1 + X:z,Y 2 + ·· · + XrJ!n)
xn) · (cy 1 CY2, · · · , cyn) c(x 1y 1 + X:z,Y 2 + ··· + XnYn) = e (X· Y) ••• ,
aciendo X2 =A, 2(X x y
=
= c(X ·Y)
cx 1y 1 + cx2y 2 + ··· + CXrJ!n
=
_o que nos indica que el ~-"'""........,___._. _. si las tiene, son iguales: l =
_ ~a 5
Vectores en lR"
ucto escalar.
85
.Í.Igebra de vectores y producto interno
iv) Si X = (x 1, x 2 , luego X · X =
··· ,
xn)
-:F O entonces algún X¡ -:F O y, por tanto
2
x 1 + x 22 +··· + X¡2
xl >O
+ · · · + xn > o 2
/
Si X= (0, O, . · · · O) entonces X · X = O + O+ · · · + O= O
Las otras partes quedan como ejercicio. Hemos definido la norma de un vector X = (x 1, x 2 ,
XJJ=
Jxf + xi + ... + x~
••· ,
xn) como
, pero X · X = xf + xi + ... + x~ , luego podemos escribir
JJxJJ= Jx.x 2
~=G X es perpendicular
JJXJJ
=
o
X·X
Escribiremos a veces X 2 en lugar de X · X y, por tanto,
_- - Y
=
O, luego X es
_es
Teorema 3 m tonces
( Desigualdad de eauchy-Schwarz ). Si X y Y son vectores de
J~Rn,
Jx . YJ ~ JJxJJIJYJJ Demostración:
c(X + Y) · c(X + Y) ~ O c(X) · c(X) + c(X) · Y + Y · (eX) + Y · Y c2X2 + 2c(X · Y) + Y 2 ~ O aciendo X 2 =A, 2(X
= c(X·Y)
X
Y)= B, Y 2 =
e tenemos
Ac2 +Be+
e~
O
_o que nos indica que el polinomio de segundo grado Ac2 +Be + e no tiene raíces reales . si las tiene, son iguales; luego su discriminante es menor o igual a cero, o sea,
86
Capítulo 5
Vectores en IR"
B2 - 4AC sO, entonces B 2 s 4AC
Demostración:
//X- 1
Remplazando nuevamente A, B , C, por sus valores originales, tenemos:
4(X ·Y) s 4X 2Y 2
(x ·Y) s /IXII 2
2
IIYII 2
-
o sea por tanto
IX. Yl S IIXIIIIYII enemos, por tanto, Corolario
Teorema 5
Si e es ,
Demostración:
Por la desigualdad de Cauchy se concluye que
Demostración:
IX·YI por tanto IXII I YIIsl, X·Y 1 1 - S1 /XII YIIS
1/cX: = JlcX: = //eX = Corolario
Teorema 4 (Desigualdad del triángulo). Si X= (x p Xz, ... , xn) y y = (y,, Yz, ... , Yn son vectores de ~", entonces
Demostración:
5
Vectores en JRII
.S.tgebra de vectores y producto interno
87
Demostración:
~
1
(X+ Y) ·(X+ Y) = X·X+X·Y+Y·X+Y·Y X2 +2(X ·Y)+Y 2 IIXII 2 +2IIXIIIIYII +IIYII 2 =( ¡¡x¡¡ +IIYII ) 2
enemos, por tanto,
¡¡x +Yll 2 ::; ( ¡¡x¡¡ +IIYII Y=> ¡¡x +Yll ::; ¡¡x¡¡ +IIYII Teorema 5
Si e es un escalar y X un vector, se tiene:
Demostración:
jjcxjj 2 licXII 2 licXII
(cX)·(cX)=c2 (X·X)=c 2 jxjj2 => c2 jjxr => ici !IXII
Corolario
11- xll=llxll emostración:
11- x¡¡ =1 (- 1) x¡¡=1- liiiXII =¡ x¡¡ 1 Se
está aplicando la desigualdad de Cauchy.
88 Definición 11
Capítulo 5 Vectores en -
Se dice que un vector U es unitario si
IIUII =1 Si X es un vector arbitrario diferente de cero, el vector
-(X, y)= IIX - Yl =
es unitario pues Esta definición no
1
1
1
IUX = ~X = IXII IIXII=IIXIIIIXII =1 11
Ull=o (B,A)= liB- . Vll =o(n,c)=IID-c
1 Además como - - > O Ux y X tienen el mismo sentido
IIXII
o::
or ser B - A = D -
X
Definición 1
Ejemplo: Si X= (1, 2, 3) =>U x
=~~~~~ X= Jh- (1, 2, 3)
Sean _
donde los a.l son esca X2, ... ,Xm
Ejemplo: El vector - .:. Sean X y Y dos puntos de por o(X, Y) se define por Y)= 11 X- Y Definición 12
o(X,
~n. 11-
La distancia entre X y Y denotando
X=(-3, 1,2), Y=(4. .. :
- - lo 5 Vectores en lR"
89
Bases y dimensiones en lR"
En caso de estar X y Y en JR 2 o JR 3, esto coincide con la conocida fórmula de distancia entre dos puntos. En efecto si,
Esta definición nos permite probar que si tienen la misma longitud. En efecto
U = AB
es equivalente a
V= en,
ambos
u¡¡ =o(B,A)=IIB-AII v¡¡ =o(n, e)= liD- e¡¡= IIB - All =o(B, A)= IIDII por ser B - A = D -
e
BASES Y DIMENSIONES EN lR"
Definición 1 Sean X1, X2,
··· ,
Xm vectores de lR", una expresión de la forma
donde los a; son escalares, se denomina una combinación lineal de los vectores X 1, X2,··· ,Xm
Ejemplo:
er,;re X y Y denotando
El vector (-2, 3, 9) es una combinación lineal de los vectores
X= (-3, 1, 2), Y= (4, 1, 5) pues (-2, 3, 9) = 2X +Y.
90
Capítulo 5 Vectores en lR"
3ases
dimensiones er -
Definición 2 Jientes si existen ese
Notación: En lR 2 los vectores (1, 0), y (0, 1) son denotados por i y ] , respectivamente. En JR 3 los vectores (1, O, 0), (0, 1, 0), y (0, O, 1) son denotados por i,], k respectivamente.
y
- i la ecuación anterior:: ~ son linealmente ·
z
Ejemplo: Los vecto .ombinación lineal - _
-
(O,O,l)=k
(1 ,O) = i
_- probemos que
(O ,1, O) = j ;-----:.-----_......;~y
.__-------+X
,o~
a¡(l , O.
O) = i
X
Ejemplo: Todo vector en
JR2
se puede escribir como una combinación lineal de T y ] . En efecto
Análogamente todo vector en JR3 puede escribirse como una combinación lineaJ de ] , k pues
¿Son los
.X = (1, 2, 3, 4), y = 11dependientes?
T, - ,(1, 2, 3, 4) + ~(-4.- -_
X= (x 1, x 2, x 3) = x 1(1, O, O)+ xi1, O, O)+ x3(0 , 1, O)= x1i + x2 ] + x3k Por esta razón, el vector X= (-3, 4, 2) puede escribirse como
-
-
-
X= - 3i+4j+2k
:::sto da origen al siguie -,.
- -~ :::.. 'o 5 Vectores en
~"
~\·amente.
-i .1 ,k
respectiva-
Bases y dimensiones en
91
~~~
Definición 2 Un conjunto de vectores X 1, X 2,- · ·, X,. de JRn son linealmente dependientes si existen escalares a. 1, a. 2, . .. , a.,. no todos iguales a cero tal que:
a 1X 1 +
cx.zX2 +
··· +
a,X,. = O(O vector)
i la ecuación anterior sólo se cumple cuando todos los <X¡ son cero, se dice que X 1, X 2, · · · ,
X,. son linealmente independientes.
1,
Ejemplo: Los vectores T , k son linealmente independientes. Formemos una ombinación lineal de ellos, igualada a O.
-
-=O
-
a 1i + a 2 j + a 3 k
_- probemos que necesariamente a. 1 = <Xz = a.3 = O.
a. 1(1, O, O)+ <Xz(O, 1, O)+ a.3 (0, O, 1) =(0, O, 0), entonces (a. 1, <Xz, a.3)
=
(0, O, O)
or la definición de igualdad entre vectores se concluye que
jemplo: ~a. de i y
1 . En efecto
¿Son los vectores
( 1, 2, 3, 4), Y= (-4, - 7, 6, 8), Z dep endientes?
- =
=
(-1, -3, -5, 6) linealmente dependientes o
binación lineal de i , (1, 2, 3, 4) +
<Xz(-4~
-7, 6, 8) + a.3 (-1, - 3, -5, 6) = (0, O, O, O)=>
sto da origen al siguiente sistema de ecuaciones
92
Capítulo 5
a¡
4a 2
2a 1
7a 2
Bases y dimensiones en
'O
o o o o
a3 3a 3 5a 3 =
3a 1 + 6a 2 4a 1 + 8a 2
Vectores en JRr.
+ 6a 3 =
Resolvemos nuevam que resolveremos por el método de Gauss
1 - 4 2
-7
- 1 ,., -.)
3
6
-5
4
8
6
[
1
2
4
1
4
8 - 5 - 31
Los términos libres obviamente están sobreentendidos.
-4
- 1
1 -4
- 1
2 - 7 - 3
o
1
1
3
6 -5
o
18
- 2
4
8
o
24
10
6
1
o
o
1 - 1
-5
o o
8
o o
17
o
- 5
o 1 o o o o
-1
1
y, por tanto, la solución del sistema es a 1 =
~
1 - 4 -1
o o o
1 -1 9 -1 12
5
o o o 1 o o o 1 o o o 1
= a 3 = O, lo que nos permite concluir que
los vectores X, Y, Z son linealmente independientes. ¿Observa alguna particularidad en la matriz de los coeficientes con respecto a los vectores dados X, Y,Z?
Luego el sistema tiene : a = 1 tenemos a 1 = -2. dientes. Obsérvese que no es -onocer el rango fila, pt!~ ·ene infinitas soluciones guiente los vectores son de incógnitas, el sistel112. serían linealmente ·
.............
~
Como se puede obsef\·~ ma de ecuaciones para -alocando los vectores
Determinar si los siguientes vectores son linealmente dependientes o independientes.
Ejemplo:
Ejemplo:
Determinar
X = (1 , 4, 8), Y = (2, 1, -5), Z = (4, -5, - 31) X = ( 1, 4, -2, 1 ), Y = : mente dependientes o i _
a 1(1 , 4, 8) + ai2, 1, - 5) + a 3 (4, -5 , - 3) = (O, O, O)=>
5 Vectores en lR'
93
Bases y dimensiones en JRn
a 1 + 2a 2
=
4a ¡ + 8a 1
=
=
a2
5a 2
=
o o o
Resolvemos nuevamente por el método de Gauss
1 21 - 45 ] : : : [1 o -
4
[8
-5
- 31
o
4!
72 - 21
- 21
-63
La solución del sistema es por tanto
- 4 -1
(a arbitrario)
-1 ::::::
9 -1 5
L
::::
o o o 1
o o e nos permite concluir que on respecto a los vectores
Luego el sistema tiene soluciones diferentes a la solución trivial. Por ejemplo, haciendo a= 1 tenemos a 1 = - 2, ~ = 3, a 3 = -1 y por tanto los vectores son linealmente independientes. Obsérvese que no es necesario hallar la solución general del sistema; basta solamente conocer el rango fila, pues si el rango fila es menor que el número de incógnitas el sistema tiene infinitas soluciones, esto es, soluciones diferentes de la solución triviál y por consiguiente los vectores son linealmente dependientes; pero si el rango fila es igual al número de incógnitas, el sistema tiene solución única, que es la trivial y, por tanto, los vectores serían linealmente independientes. Esto se sigue del teorema 1 de la página 43. Como se puede observar, en los dos ejemplos anteriores es innecesario plantear el sistema de ecuaciones para hallar la matriz de los coeficientes; ésta se puede conseguir colocando los vectores dados en forma transpuesta, es decir, en forma de columna.
linealmente dependientes o Ejemplo:
Determinar si los vectores
X = (1,4, - 2,1), Y=(2,9,-3,4), Z=(-1, - 3,4,2), W=(3,11,-4,4)sonlineal- "" ~ mente dependientes o independientes. O. O, O)=>
94
Capítulo 5 Vectores en lR"
4
2
-1
".)
9
-3
11
1 2 ~
-2 1
1 ~
"
4 - 4
4
2
-.)
o
o 1 o o o o
4
-3
5 1 -1 3
1
3
dimension es er -
3 -1
2 2
2
jemplo: G = {( .. (x 1, x 2 , x 3) = X¡ l.
3 :_ ,
3
o o o 1 o o o 1 o o o 1
~
1
o o o
-1
.:.ases
14
Ejemplo: ¿G = {(l.
- 4
".)
=~ genera a
JR 2 se de -
o
Como tiene rango tres, el sistema tiene solución diferente de la trivial; luego los vectores son linealmente dependientes.
Teorema 1 Cualquier conjunto de m vectores de JRn, con m > n, es linealmente dependiente.
JUe es un sistema q~e
Demostración: ~ -í,
por ejemplo (3 , .:
Ejemplo: G = {(l. .: ~.y, z) E JR 3 se teruh
Siguiendo la idea del ejemplo anterior tenemos:
a¡¡
a 12
az¡
a22
azm
, que es una matriz de tamaño n x m, y por tanto su rango fila r es
menor o igual a n y como n < m, entonces r < m; es decir su rango fila es menor que el número de incógnitas, y por tanto tiene soluciones fuera de la trivial, lo que permite concluir que los vectores X 1, X 2, ... , Xn, son linealmente dependientes.
Definición 3 Un conjunto G = {X 1, X 2, ... , Xr} de vectores de JRn se dice que genera a JRn si todo elemento de JRn es una combinación lineal de G, es decir, si dado X E JRn, existen escalares a 1, a 2, ... , ar tal que
esolviendo este siste
~ wlo
5 Vectores en
~ 11
Bases y dimensiones en
~ 11
95
G
=
E3 , (x 1, x 2, x 3)
=
{(1 , O, 0), (0, 1, 0), (0, O, 1)} genera a lffi.3,pues dado (x 1, x 2 , x 3 ) x 1(l, O, O)+ x 2(0, 1, O)+ x 3(0 , O, 1)
Ejemplo: ¿G
=
{(1, 1), (1 , -1)} genera a JR 2 ?
Ejemplo:
Si genera a JR 2 se debe cumplir que
(x, y) = a 1(1,
U¡
+
Uz
- ial: luego los vectores
E
1) + az(l, -1), luego X
y
que es un sistema que sí tiene solución, a saber _ > n, es linealmente
x+y
U¡= - -
2
x-y
' Uz = - -
2
_-\sí, por ejemplo (3 , 5) = 4(1, 1)- (1, -1)
Ej emplo: G = {(1, 2, 1), (1, 1, 1)} no genera a JR3, pues si lo hiciera, dado x, y, z) E JR 3 se tendría (x, y , z)
-
~
tanto su rango fila r es
=
a 1(1, 2, 1) + ui1, 1, 1). Por tanto,
U¡
2u 1 U¡
,..,~go
fila es menor que el ::riYial, lo que permite
__ ·o es de JRn se dice que ·de G, es decir, si dado
+ u2 + u2 + u2
X
y Z
esolviendo este sistema por el método de Gauss se tiene
y-x]
2x- y
z-x
96
Capítulo 5
Que tiene solución solamente si z subconjunto
=
Vectores en lR"
x, pero entonces G no genera a todo JR3 sino al
Bases
dimensiones en '::
2.
B
3.
B = {(1 , 1), (1,independiente.
de vectores de lR", entonces B genera a lR".
4.
B
Demostración:
5.
B = {(1 , 2, 1), (1 , '
S= {(X , y , x)
Teorema 2
Si B
=
{X 1, X 2 ,
... ,
1
X
E JR, y E JR }
{X 1, X 2, · · · , Xn, X} consta den + 1 vectores y por teorema 1, es linealmente dependiente, y por tanto ~X 2
{(1 , 0), (0, 1
X J es un conjunto linealmente independiente =
{(1, O, 0), (0, :_
conjunto no genera _
Sea X un vector cualquiera de JRn, entonces el conjunto
a 1X 1 +
=
6.
B = {(1 , 2, 1), (l. linealmente depen _
+ · · · + anXn + a 11 + 1X =O donde no todos los a son iguales a cero.
Si fuera an + 1 = O se seguiría entonces que el conjunto formado por los vectores {X 1, X 2, · · · , X n} sería linealmente dependiente, lo que contradice el supuesto de que B = {X 1, X 2, · · · , Xn} es linealmente independiente. Por tanto se concluye que an + l:;tOy
B = {(1 O O ·· · O ' ' ' ' ... base canónica.
Teorema 3
Dos bases
Demostración: Se aplazará para el capí Por consiguiente B = {X 1, X 2,
··· ,
X n} si genera
a JRn. Definición 5 -ión .
Definición 4 . Un conjunto B = {X 1, X 2,
•· · ,
Xr} de JRn es una base de JRn si:
i) B es un conjunto linealmente independiente.
Como una base de JR2 es 2 - es 2, que abreviamo
ii) B genera a JRn. Ejemplos:
En general la base canóni _
( 1, O, O, · · · , 0), (0, 1, O, -- • l.
Del teorema anterior se concluye que cualquier conjunto de n vectores linealmente independiente de JRn es base de JRn.
La.!Jiwlo 5
Vectores en JRn
era a todo R3 sino al
97
Bases y dimensiones en JRn
2.
B = {(1, 0), (0, 1)} es una base de JR2.
3.
B = {(1, 1), (1, -1)} es una base de R. 2 , pues se puede probar que es linealmente independiente.
4.
B = {(1, O, 0), (0, 1, 0), (0, O, 1)} es una base de R. 3 .
5.
B = {(1, 2, 1), (1, 1, 1)} no es una base de R. 3 pues como se vio anteriormente este conjunto no genera a JR3.
6.
B = {(1, 2, 1), (1, 1, 1), (2, 3, 2)} no es una base de R. 3 pues este conjunto es linealmente dependiente.
_ nJente independiente
B = {(1, O, O, · · · , 0), (0, 1, O,··· , 0), · · ·, (0, O, O, · · ·, 1)} es una base de J!Rn, llamada base canónica.
-
- rrnado por los vectores ~ ~rradice el supuesto de ;::¡ tanto se concluye que r
Teorema 3
Dos bases cualquiera de J!Rn tienen el mismo número de vectores.
Demostración:
e aplazará para el capítulo siguiente.
Definición 5
El número de elementos que tiene una base lo llamaremos la dimen-
ión. -
_ ww base de J!Rn si:
omo una base de R. 2 es la base canónica {(1, 0), (0, 1)} s.-e-concluye que la dimensión de - es 2, que abreviamos escribiendo dim R. 2 = 2 n general la base canónica de JRn, 1, O, O,··· , 0), (0, 1, O, · · · , 0), · · · , (0, O, O,··· , 1)} tienen vectores luego
e n vectores linealmente dim J!Rn
=
n
98
Capítulo 5
Vectores en lR"
EJERCICIOS l.
Determinar si los vectores U
Bases
dimensiones er.
1O. Sea X un vector la dirección po
= AB
y V
= eD
son equivalentes
a) A = (1, 3), B = (4, 5), e= (1, 1), D = (4, 3) b) A= (1, 2, 4), B = (5, -3, 2), e = (-1, 1, 0), D = (-5, 6, 2)
e) A = (1, -3, 2, 4), B = (-4, 1, 5, 2), e= (- 3, 1, 2, 5), D = (-1, 5, 3, O)
11. Probar que: b) (X -
2.
Determinar si los vectores U = AB y V = eD son paralelos, perpendiculares o ninguna de las dos.
a) A=(1,2,3),B = (4,5, 7),e=(-l, 1,5),D=(l,2,3)
x.::. - _ Y) 2 = x.::. - _
a) (X + Y) 2 =
e) (X+Y)(X 12. Probar que si X -
b) A=(- 1,0, 1,-l),B=(l, 1, 1, l),e=(-1,2, 1,3),D=(3 ,4, 1, 7)
e) A = (1, 4, 3), B = (-1, 3, 2), e= (-3, 1, 4), D = (-3, 2, 3) 3.
Calcular la longitud de los vectores U y V dados en los ejercicios 1 y 2.
4.
Hallar el coseno del ángulo formado por los vectores U y V de los ejercicios 1 y 2.
13. Probar que
donde 5.
Hallar el coseno de los ángulos interiores del triángulo cuyos vértices son:
e es el án,:,
Indicar si los pendientes.
sigu:~
a) A = (1, 3, 4), B = (3, 1, -4), e= (-2, 3, 4) b) A= (-3, 5, 1), B = (2, -5, 1), e = (-1, 2, 3) 6.
Hallar el vector unitario para los vectores U y V del ejercicio l.
7.
Probar que IIXII =O si y solamente si X= O.
8.
Probar que
14. X = (1, 2, 3), Y= -
-
15. X= (3, 1, 2, 5), Y= 16. X= (1, 3, 4), Y= 17. X=(-1,2,1,3),Y=
a) 8(X, Y)= 8(Y, X) b) 8(X, Y) ::::; 8(X, Z) + 8(Z, Y) 9.
Demostrar que los vectores T,], k de JR 3 son unitarios y mutuamente perpendiculares.
18. Si X 1, X 2, ••• , • .::. probar que ellos sor 19. Demostrar que todc ~ y por tanto es base ~~ -
Capítulo 5
Vectores en JRn
Bases y dimensiones en JRn
99
1O. Sea X un vector de ~ 3 , denotemos por a, ~'y los ángulos que forma el vector X con la dirección positiva de los ejes coordenadas, probar que entes
cos 2 a + cos 2 ~ + cos 2y = 1
11. Probar que: : o =-1 , 5,3,0)
a) (X+ Y) 2 = X 2 + 2X · Y+ Y 2
b) (X - Y) 2 = X2 - 2X · Y + yz ~--.,
elos, perpendiculares o
e) (X + Y)(X- Y) = xz - yz 12. Probar que si X es perpendicular a Y
D = t3 4, 1, 7) _: - -- -)
:
-
IIX + Yll = IIX- Yll 13. Probar que
_ Y de los ejercicios 1 y 2.
___ ·os vértices son:
donde 8 es el ángulo formado por X y Y. Indicar si los siguientes conjuntos de vectores son linealmente dependientes o independientes.
14. X = (1, 2, 3), Y = (- 1, 4, 2), Z = (1, 5, -3)
==r::i
io l.
15. X=(3, 1,2,5), Y = (-1,4, 1,'3),Z = (2, 1,-4,3),W = (-3, 1,2,4) 6. X = (1,3,4), Y = (-1,3, l),Z = (-4, 1,5), W=(- 3, 1,5) X=(-1,2, 1,3), Y = (1,3,-1,2),Z=(O, 1, 1, 1), W = (-1, 1, 1,0) Si X 1, X 2, · · · , Xr son vectores diferentes de cero, mutuamente_perpendiculares, probar que ellos son linealmente independientes.
~ :: y mutuamente perpendicu-
9. Demostrar que todo conjunto den vectores linealmente independientes genera a JE.n y por tanto es base de ~n.
100
Capítulo 5
Vectores en JRn
:1royecciones y producto
E-
20. Para cada uno de los ejercicios 14 a 17 determinar si generan o no al respectivo JRn. 21. Para cada uno de los ejercicios 14 a 17 determinar si forman o no base del respectivo JRn. 22. Probar que si X y Y son vectores de JR3 y e es el ángulo entre los dos, entonces ?ara la situación b) teneX ·Y
cose =
IIXII IYII
X· Y
~ose= -cosa= -;:------,~-
I XIIIIY
Ayuda: Aplicar el teorema del coseno.
X·Y
l cYI
- I XIIIIYI = M~ PROYECCIONES Y PRODUCTO VECTORIAL
X
y
~ uego,
1 1 1 1 1 1 1 1 1 1
/
y
-<11(--cY
a)
tanto para la situa;::
b)
amado el coeficiente de -:: enotado por PXN es
cY
Consideremos los dos dibujos anteriores: el vector es llamado la proyección del vector X sobre el vector Y. La longitud de este vector se denomina la componente de X a lo largo de Y. Nuestro objetivo es buscar unas fórmulas que nos permitan encontrar fácilmente la proyección y componente de X sobre Y. Para la situación a) tenemos que e> O y X. y e cos =
IIXIII YI
pero por otro lado cose =
lcYII I XII
por tanto
_- la componente de X a le
-
·lo 5 Vectores en IR"
Proyecciones y producto vectorial
o no al respectivo JE.n.
iieYil
X ·Y
IIXII IIYII =
101 X· Y
W ~ IIXIIIIYII
eii YII
y despejando a e tenemos
¡ x¡¡ X· Y
e =-IIYII2 Para la situación b) tenemos que e < Oy
X· Y
eiiYII
cose = -cosa = IIXII IIYII , pero cosa =
X· Y
- IIXIIIIYII =
iieYil
¡¡x¡¡
X· Y
~ - IIXIIIIYII =
¡¡x¡¡ , luego
- eiiYII
lXf Y despejando a e tenemos X·Y
e =-IIYII2 Luego, tanto para la situación a) como para la-b) tenemos
X·Y
e =-IIYII2 y
amado el coeficiente de Fourier de X respecto a Y. El vector proyección de X sobre Y enotado por P XJY es
b
Px¡y =
~acto
la proyección del ...............-'""'"·LUa l a componente de X -:.~e nos permitan encontrar
X ·Y
eY = - -2 Y II Y II
_ la componente de X a lo largo de Y , denotado por C x¡y es
e r
tanto
IX·YI IX·YI ll= iieYii= eiiYII = - I2IYI I = X/Y I YII IIYII
=IIP XJY
102 Ejemplo:
Capítulo 5
Vectores en JRn
Proyecciones y
Calcular PXJY y CXJY si X= (-1, 3, 2), Y= (-3, 4, O)
a) XxY=-Y • b) XxX=O
X· Y
Px¡y
15
= IIYII2y = 25 (-
,., 3 _,,4,0 )=
5(- 3,4,0 )=( -59 '512 ,O)
e) X·(X· Y) = -. d) X
X
(Y + Z) = -
e) (eX) x Y = e_ -
Demostración: Las partes a), b), d), e
Definición 1
Sean
X = ( x1, x 2 , x 3 ) = x1-:1 + x 2-;J + x 3k-
.: ) Por la fórmula (*) ::e X . (X
X
Y) =
X¡X¿)13-
.-\nálogamente Y · (X
dos vectores de JR 3 , el producto vectorial de X por Y es el vector denotado por X x Y y se define como
a parte e) del teorema -
Y.
que abusando de la notación de determinante se puede escribir como k
x2
x3
Y1 Y2
Y3
XxY = x1
Teorema 1
-
j
i
Sean X, Y, Z, vectores de JR 3 y e un escalar entonces
Jemplo:
Si X= (1 , 2, 3
Capítulo 5 Vectores en lE."
103
Proyecciones y producto vectorial
a) XxY = -Y x X
-= . - .O)
b) X x X = O
)
-~ - -- .--.0
e) X· (X· Y)= Oy Y· (X x Y)= O d) X
X
(Y + Z) = X
X
y +X
X
z
e) (eX) x Y = c(X x Y) y X x (eY) = c(X x Y)
Demostración:
Las partes a), b), d), e) se tienen por las propiedades de determinantes. e) Por la fórmula ( *) se tiene:
Análogamente Y · (X x Y) = O
_ el vector denotado por La parte e) del teorema nos indica que el vector X x Y es perpendicular tanto a X como
aY. :r- -k XxY
y
"""~ego
YxX
entonces
mplo:
Si X= (1, 2, 3) y Y = (-4, 1, 2) entonces
104
Capítulo 5
XxY =
i
-j
k
1
2
3
-4
y
Vectores en lR"
Pro
=i-14]+9k=(1,- 14,9)
1 2
X · (X x Y) = Ocomo también Y · (X x Y) = O
Teorema 2
(Identidad de Lagrange) Si X y Y son dos vectores de ~ 3 , entonces
h
-en 8 = I YI/ => h =IIYII se- Demostración:
(Ejercicio) Teorema 3
A = I XIIh = IIXIIIIYI!sen
=
Si X y Y son dos vectores de ~ 3 , entonces Definición 2
es el escalar
IIX x Yll = IIXIIIIYIIsen 8
X. (Y
X
Z)
Teorema 4
donde 8 es el ángulo formado por X y Y
Demostración:
Sean X
Si X
=
(X:-
2 2 2 IIXxYII2 = IIXII IIYII - (X· Y) 2 2 2 IIXxYII2 = IIXII 11Yf - IIXII IIYII cos 28 Demostración:
IIXxYf
IIXfii YII2 ( 1- cosz 8) YxZ=
2 IIXxYII2 = IIXfiiYII sen 28 => IIXxYII
IIXIIIIYIIsen 8
Vamos ahora a calcular el área A de un paralelogramo formado por los vectores y Y.
1~
uego X
X·(Yx Z)=_ -
:=:.:: illlo
5
105
Proyecciones y producto vectorial
Vectores en lR"
s de R3 , entonces
X
h sen8=M=> h =1 YIsen8 => A=
I XIIh = IXI I YIIsen 8= IXxYl = IIY xXII
Definición 2 es el escalar
Sean X, Y, Z tres vectores de R3 , el triple producto e-scalar de X, Y, Z
X · (YxZ)
X . (Y X
Demostración: j
YxZ= y 1 Y2
ego - - do por los vectores X
--~
~
~----•----~
-
-
___....._
-
-
~-
---
x1
x2
x3
z)= YJ
Y2
Y3
106
Capítulo 5
Vectores en JRr.
.fétodo de
Cram-Sch~
Consideremos ahora un paralelepípedo formado por los vectores X , Y, y Z .
X , Y y Z Y x Z
·amos a explicar cór::. trabase B 1 = {Y 1. Y.:: . ndiculares ), es d Analicemos el caso
~
-
y
y
El volumen denotado por V es
V= (Área de la base) · (altura) Como área de la base= IIY x Zll y altura= IIX II 1cos 8 1, entonces
V == IIY x ZIIIIXIIIcos8l
omo se aprecia en el ~
Y1 =X 1 V == IIXIIIIY x Zlllcos8 l
V == IIIX IIIIY x z¡¡cose¡
v == ¡x. (Y x z)
Y-. == -
1
omprobemos que Y 2 _
O sea que el volumen de un paralelepípedo formado por tres vectores es el valor absoluto de su triple producto escalar.
Y2 · Y1 == X -
5
;:;.
Vectores en lR"
:-\.. - X, y' y z.
107
\tfétodo de Gram-Schmidt MÉTODO DE GRAM-SCHMIDT
Vamos a explicar cómo a partir de una base B = {X 1, X 2, · · ·, X11 } de JRn podemos obtener otra base B 1 = {Y 1, Y 2, · · ·, Y 11 } de JRn tal que los Y¡ sean mutuamente ortogonales (perpendiculares), es decir, si i -:t j entonces Y¡ · Y1 =O. Esta base se llama base ortogonal.
z z
Analicemos el caso de JR 2 . Sea B = {X 1, X 2 } una base de IR2 y hallemos B 1 = {Y 1, Y2 }.
y
Xt (=Y d
X
- _=-- n es omo se aprecia en el dibujo anterior, sea - =X¡
mprobemos que Y 2 .l Y 1 - r tres vectores es el valor
108
Capítulo 5
Vectores en JRn
Método de Cra m-Sc-
Por el problema 18 de la sección anterior sabemos que B 1 = {Y 1, Y 2 } es linealmente independiente y por el problema 19 sabemos que B 1 = {Y 1, Y 2 } genera a JR2. Luego B 1 = {Y 1, Y2 } es base de JR 2. Analicemos ahora el caso B 1 = {Y 1, Y 2, Y 3 }.
JR 3 .
Sea B
=
{X 1, X 2, X 3 } una base de
JR3
y hallemos
Siguiendo las mismas ideas como el caso de JR 2, sean
\
X-
X-
Teorema 1 Si B = B 1 = {Y 1, Y2, .. . , y n" -=
5
-
Vectores en R
\1étodo de Cram·Schmidt
109
=Y:_ Y 1
= Y 1, Y 2 } es linealmente
. Y :J genera a R2 . Luego
-., ' as e de R 3 y hallemos
Teorema 1
B1 = {Y 1, Y2,
Si B = {X 1, X 2 , ... , Xn} es base de R 3 , una base ortogonal Yn} se puede conseguir haciendo
... ,
11 o
.1étodo de Cram-Schrr _
Capítulo 5 Vectores en lR"
(- 1, 1, 1) - -'-(- _ _
Y~ =
0
or tanto la base B-
-ean ahora
Demostración:
Z 1= y
Se deja como ejercicio. Si uno vuelve todos los elementos de la base ortogonal
B 1 = {Y 1, Y 2,
·· · ,
Yn} unitarios se obtiene una base conocida como base ortonormal.
Ejemplo: Dada la base B = {1 , 1, 1), (-1, 1, 1), (2, 1, 3)} de ~ 3 obtener una base ortogonal y una ortonormal. Sean X 1 = (1, 1, 1), X 2 = (-1, 1, 1), X 3 = (2, 1, 3), entonces Y 1 = X 1 = (1, 1, 1) _ por consiguiente B. =
~-= una
base ortonorma: ,...,.
Capítulo 5
Vectores en lR"
111
\1étodo de Cram -Schmidt
{ ) (-1, 1, 1}(1, 1,1)( ) { ) 1( ) 2( ) \- 1, 1, 1 2 1, 1, 1 = \- 1, 1, 1 - 3 1, 1, 1 = 3 - 2, 1, 1 11( 1, 1' 1)11
- -Y- =
~ 1)(1, 1, 1)- (2 , 1' 3} i(- 2 ' ;, 1)i(- 2, 1, 1)= (o, -1 , 1) l i (- 2, 1, 1)11 ---
(2, 1, 3) - (2 , 1' 3} (1, 1 111 11( , ' ) 11
= or tanto la base
-
B 1 { (1, 1, 1) ,
i(- 2, 1, 1) (o, -1, 1)}
es una base ortogonal de R 3
. 3 1: de JR3 obtener una bas
es Y 1 = X 1 = (1, 1, 1) r consiguiente B 2 = {
~ (1, 1, 1), ~ (- 2, 1, 1), ~(o, -1, 1)}
una base ortonormal de JR3
112
Capítulo 5 Vectores en JRn
:;:,ectas
EJERCICIOS
RECTAS yp
Hallar la proyección del vector X sobre el vector Y, y la componente de X a lo largo de Y
l.
X= (- 1, 3, 2) Y= (--4, 1, 3)
2.
X=(2, 1,3)
3.
X= (- 3, 1, 2) Y= (-5, - 3, 6)
Definición 1 D -:t O se define
Y=(-1, - 2, 1)
Esta defmición se
4.
Hallar la proyección del vector Y sobre el vector X y la componente de Y a lo largo de X, para cada uno de los problemas anteriores.
X- P = tD o sea 5.
Hallar X x Y para los vectores dados en los problemas 1), 2) y 3).
6.
Hallar el área del paralelogramo, cuyos vértices son:
-. =
P + tD
(- 3, 1, 2), (-6, 3, 0), (1, 2, 3), (-2, 4, 1)
7.
Hallar el área del triángulo, cuyos vértices son: (-1, 3, 2), (2, 5, 6), (-3, 1, 4)
8.
Hallar el volumen del paralelepípedo formado por los vectores X= AB, Y= AC, Z = AD donde A= (- 2, 1, 4) B = (- 3, 1, 5) C = (2, 1, 1) D = (--4, 3, 2)
9.
ora vamos a obt ~ y 0 , z0) en la ~ :ualquiera de la línea. = (x 0 ,
Hallar una base ortogonal B 1 y una ortonormal B 2 de JR 2 a partir de la base B = {(1, 2), (2, 3)}
10. Hallar una base ortogonal B 1 y una ortonormal B 2 de JR 3 a partir de la base B = {(1, 1, 0), (1, -1, 1), (0, 1, - 1)} 11. Hallar una base ortogonal B 1 y una ortonormal B 2 de IR 4 a partir de la base B = {(1, 1, O, 1), (1, -1, 1, 0), (0, 1, -1, 1), (1, O, 1, 1)}
- e es la ecuación
Capítulo 5 Vectores en
~
113
Rectas y planos RECTAS Y PLANOS
Definición 1 Una recta L que pasa por un punto P en la dirección de un vector D :t O se define como L ={X
1
X= P + tD, t
lR }
E
Esta definición se basa en el hecho de que si X es un punto cualquiera de la recta, el ·ector PX =X- p debe ser paralelo a D, es decir, debe existir untE lR tal que _ , zomponente de Y a lo largo
_- - P = tD o sea _- =
P + tD y
ora vamos a obtener la ecuación paramétrica de una recta que pasa por un punto P y 0 , z 0) en la dirección de un vector D = (a, b, e). Sea X = (x, y, z) un punto lquiera de la línea, entonces
= (x 0,
~
::::_: a partir de la base X
=
P + tD se convierte en
(x, y, z) = (x 0 , y 0 , z0) + t(a, b, e) ~
::::_: a partir de la base
x
=
x0
+ ta
Y= Yo+ tb
z = z0 +te ~
::::_- a partir de la base e es la ecuación paramétrica de la recta. spejando a t de cada una de las ecuaciones anteriores e igualando, tenemos
114
Capítulo 5
Vectores en 2.
x - xo = Y -Yo = z - zo a b · e
Rectas
planos
M = {X 1 (X - P) · _- = Esta definición surge -
que se denomina ecuación cartesiana de la recta.
Yector PX = X - p e
Ejemplo: Hallar la ecuación paramétrica y cartesiana de la recta que pasa por e punto P = (2, 3, -4) en la dirección del vector D = (- 2, 4, 5).
IX-P) ·N= O
Hallar un punto adicional de la recta. La ecuación paramétrica es: X=
2 - 2t
y= 3 + 4t z
=
\
-4 + 5t
y la ecuación cartesiana es
x-2 -2
y- 3 4
z+4 5
- - = -- = - -
No olvidar que estas últimas igualdades son equivalentes a t, por tanto si t = 1, tenemos
x- 2 - - = l=>x=O
-2
y-3 - - = l=>y=7 4
Conseguiremos ahora '(A, B.
=0) y tiene a N = X - P) · N
=
O, se co
z+4 - - = l =>z =l 5 Luego un punto adicional de la recta es (0, 7, 1) que se habría podido también obtener d~ las ecuaciones paramétricas, haciendo t = l.
Definición 2 Un plano M que pasa por un punto P y tiene a N como vecto normal (perpendicular) se define como:
Ejemplo: La ecuació wrmal a (4, 5, 6) es,
Capítulo 5
Vectores en -
115
as y planos =
{X 1 (X - P) · N = O}
Esta definición surge del hecho de que si N es normal al plano, N es perpendicular al ·ector PX = X - P esto es
'a recta que pasa por -
X-P) ·N= O
z
y
r tanto si t = 1, tenemili" Conseguiremos ahora la ecuación cartesiana del plano que pasa por el punto P = (x 0 , y 0 , = y tiene a N = (A, B, C) como vector normal.
X - P) · N
=
O, se convierte entonces en:
A(x - x 0) + B(y - y 0) + C(z - z 0)
=
O
e es la ecuación cartesiana del plano. dido también obtener
Ejemplo: La ecuación del plano que pasa por el punto (-2, 3, 7) y tiene por vector arma! a (4, 5, 6) es, Tien e a N como vect
4(x + 2) + 5(y - 3) + 6(z -7) =O 4x + 5y + 6z = 49
116
Capítulo 5
Vectores en lR"
~ectas
y planos
Ejemplo: Calcular la ecuación del plano que pasa por los puntos P 1 = (2, 3, 4), P2 = (3, 4, 5), P3 = (3, 5, 7). Aquí conocemos tres puntos, pero no sabemos el vector normal, que podemos conseguir haciendo el producto vectorial entre los vectores
.
Luego y= y 0 para cua. lano que pasa por y =
EJERCICIOS \
Hallar la ecuació~ , adicional de la r a) P 1 = ( -1 , 2, 3
b) P 1 =(-3,-4.2 Demostrar que las x-l y-3 --=--= 2 3
~
.!
Hallar la ecuación perpendicular a la
~~
x-1 y-3 _ : - - = -- = 2 3 Luego la ecuación del plano es: -.
-{x- 2) + 2(y- 3)- (z- 4)
=
O
-x + 2y -z =O Para terminar, veamos qué indica la ecuación de una recta donde en el vector dirección D =(a, b, e) tiene una o dos componentes iguales al cero. Por ejemplo veamos que indicaría si b = O En este caso tenemos:
Hallar la ecuación
~~
a) ( 1 -1 1) (2 -~ ' ' ' ' b) (2, O, 3), (0, 3. Hallar la ecuación
x-3 y-6 --=--= 2 3 Hallar la ecuación
~
Capítulo 5
Vectores en IR"
117
Rectas y planos
x
=
x 0 + at
Y= Yo+ Ot = Yo z
=
z 0 + ct
LJego y = y 0 para cualquier valor de t lo que representa una línea que se encuentra en el plano que pasa por y = y 0 y paralelo al plano XZ.
EJERCICIOS '\
l.
Hallar la ecuación de la recta que pasa por los puntos P 1 y P 2 . Encontrar un punto adicional de la recta. a) P 1 = (-1 , 2, 3)
P 2 = (4, 5, 7)
b) P 1 =(- 3, --4, 2) P 2 = (5, - 3,4)
- - = - 1. ?-, -1)
2.
Demostrar que las dos siguientes líneas son coincidentes.
-'·
Hallar la ecuación de la línea que pasa por el punto (-1, 2, 4 ), la cual interseca y es perpendicular a la línea
x- 1
y-3
2
3
z-5 4
--=--= - -
Hallar la ecuación dei plano que pasa por los siguientes puntos.
a) (1,-1, 1),(2, - 3,4),(-3, 1, 4) b) (2, O, 3), (0, 3, 1), (8, 1, O) Hallar la ecuación del plano que contiene a las líneas
x-3
y- 6 3
z- 9 4 '
--=--=--
2
x-1
y- 3
z-5
3
2
-3
Hallar la ecuación del plano que contiene a las líneas
118
7.
Capítulo 5
x-3
y- 6
2
3
=
z- 9
4 '
x-1 2
y-3 3
Vectores en _,
z-5 4
Hallar la distancia del punto P = (1 , 1, 1) al plano
2x + 3y + 4z
=
5
Ayuda: Averiguar un punto T del plano y calcular la componente del vector PT -a-lo largo de_ vector normal.
Definición 1 Sea \ En V se definen dos : a) '~
Multiplicación de de V.
La suma asigna a cad El producto de un ese V es un espacio vecto donde u, v, w son vec ~ _
-l.
2. - .)-. .
S4.
(u+ v) + w = uu+v=v+u Existe un único y Para cada v e V. e_ que v + (-v) = O
_f l. a (u+ v) = au-
- 12. (a + f3)v
=
av + fJl
- B. ( af3)v = a (f3v) - 14. lv = v
CB.pítulo 5 Vectores en lR"
p~-::te del vector
Espacios vectoriales
PT a lo largo del NOCIÓN DE ESPACIO VECTORIAL
\
Sea V un conjunto no vacío de objetos, llamados vectores.
Definición 1
En V se definen dos operaciones: a) Suma entre elementos de V. b)
Multiplicación de un escalar (que puede ser real o complejo) por un elemento de V.
La suma asigna a cada par de vectores u, v, un vector denotado por u + v. El producto de un escalar a por un vector v, asigna un vector denotado por av. Y es un espacio vectorial si estas operaciones satisfacen los siguientes axiomas,
donde u, v, w son vectores arbitrarios y a, f3 son escalares también arbitrarios.
+ v) + w
+ (v + w)
l.
(u
2.
U+ V = V + U
3.
Existe un único vector denotado por O, llamado cero vector, tal que v +O= v
S4.
=
u
Para cada v e V, existe un único vector -v llamado el opuesto o negativo de v, tal que v + (-v) = O
_11. a (u + v) _12. (a+ {J)v _B. (a{J)v _f4. 1V
= V
=
= =
au + av av + f3v
a (f3v)
120
Capítulo 6
Espacios vectoriales
'loción de espacio vec¡ -
f)
Dependiendo si los escalares son los números reales o los números complejos, diremos que V es un espacio vectorial real o un espacio vectorial complejo.
un real x co es un espaci
Ejemplos:
a) V = JE.n con la suma y producto por escalar, definidos de la manera usual, es un espacio vectorial real. b) Como se vio en el Teorema 1, del Capítulo 1, el conjunto de todas las matrices de tamaño m x n, es un espacio vectorial.
i) Ov=O ü)
e) Sea P n el conjunto de todos los polinomios de grado menor o igual a n.
Sea Y
Teorema 1
ao =o
üi) (- a)v = a (iv) (- l)v = - v
v) Si av = O, ~~~.......--
vi) Si av = ~ v,
=
Se define la suma entre elementos de P n por
( anxn + an_1Xn- 1 + · · · + a 1x + ao) + ( bnx n + bn_¡Xn-! + ·· · + b¡X + bo) = ( an + bn )x n + (an_1 + bn_1 )xn- 1 + · · · + (a 1 + b1) X+ (a 0 + b0 )
Demostración:
i)
Aplicando los :!.TI:rLll• v + Ov ; lue~?c
y la multiplicación de un escalar real
a
por un elemento de Pn por
Oes único, lt.:~= ü) Es similar a 1 üi) Por el axio.li12
Entonces V
=
P n con las operaciones indicadas es un espacio vectorial real.
d) Sea V= {f: lE. --¿ lE.}. Definirnos la suma, y el producto de un escalar (real) por un elemento de V de la manera natural; si f y g E V y a E R
(! + g) (x)= j(x) +g(x) (aj)(x) = af(x)
Entonces se puede probar que V es un espacio vectorial real. e) Sea C[a, b] el conjunto de todas las funciones continuas de valor real definidas en el intervalo cerrado [a, b]. Definimos la suma, y el producto de un escalar por un elemento de C[a, b], como en el ejemplo anterior. Si V= C[a, b ], se sigue que V es un espacio vectorial real teniendo en cuenta que la suma de dos funciones continuas es continua y el producto de un escalar por una función continua también es continua.
[a+(-a )] v =
es único, por -
negativo de a
(-a) v= - (av. De esta mane _
v) Sia v
=
O, y a=
parte ii) tenem :
-
6 Espacios vectoriales
;:ros complejos, diremos
- ::i!
121
Noción de espacio vectorial
f) Si V= lR y definimos la suma de dos reales por medio de x EB y = mín(x, y) donde mín(x, y) denota el mínimo entre x y y, y el producto de un escalar (real) a por un real x como la multiplicación natural entre números reales, ax = a . x; V no es un espacio vectorial real. ¿Cuál sería el vector O?
:a manera usual, es un Teorema 1
- ~ de todas las matrices de
Sea V un espacio vectorial, v un vector y a un escalar, entonces:
i) Ov=O ü) aO=O
wor o igual a n.
1
üi) (-a)v=a(-v)= - (av) iv) (-l)v = -v v) Si av = O, entonces, a= O, o v =O
vi) Si av = ~v, y v
- --· - b1x + b0 )
=
Demostración: i)
- bo)
* 0, entonces, a=~
Aplicando los axiomas M4, M2 tenemos, v = lv =
(1 +O )v = 1v + Ov = v + Ov ::::::> v =
v + Ov ; luego Ov está haciendo el papel dé O, y por el axioma S3 sabemos que el O es único, luego Ov = O
ü) Es similar a la anterior y por tanto se deja como ejercicio.
espacio vectorial real. - ~to de un escalar (real) por
-,_.a E R
üi) Por el axioma M2 y por la parte i) de este teorema, tenemos, av + (-a )v = [a+ (-a )]v = Ov =O~ av +(-a) v = O; luego (-a) v está haciendo el papel de negativo de av, es decir, de -(av) y por el axioma S4, sabemos que el negativo es único, por tanto (- a )v = - (av). Por el axioma M2 y por la parte ii) de este teorema, tenemos, av+a(-v)= a[v+(-v)]=aO=O~av+a(- v)=O; luego a(- v) está haciendo el papel de negativo de av y por el axioma S4, sabemos que el negativo es único, por tanto
(--a) v = -(av). De esta manera queda probado que ( - a) v =a (- v) = -( av). ~:orial
-
real.
uas de valor real definidas i!~ roducto de un escalar por
:ial real teniendo en cuentE _ .,- el producto de un escala:
iv) La demostración se sigue de iii) haciendo a = l. v) Si a v = O, y a
-::F
1
1
a
a
O, entonces - ( av) = - O, entonces por el axioma M3 y por la
parte ii) tenemos: (
.
~ a) v = O~ 1v = O=> v = O.
122
Capítulo 6
Espacios vectoriales
Si av = O, y v ::F O, entonces a= O, pues si a ::F O, tendríamos __!_ ( av) = __!_ O, lo
a
a
i) Sean A.(A+B · es
que implica que v = O, lo que contradice el supuesto original de que v ::F O. vi) Si av = ~v, y v ::F O,=> av- ~v =O=> (a- ~)v =O=> a = ~.por la parte iv) de este teorema.
Definición 2
Sea S un subconjunto no vacío de un espaqio vectorial V, tal que S cumple las siguientes propiedades: i) \fu, v E S, u + v E S.
ü) Si a
E
2... _
Teorema 2 Sea \ Je V. El conjunto -e: n subespacio veciG Demostración:
ii) \fv E S y Va escalar, av E S. ean u, w E G(S), <::J..uu....L.~ . ego, u + w = (a 1 - ~
Se dice entonces que S es un subespacio vectorial de V.
-i 8 es un escalar y : - u =ó(a 1v1 +a v 2 2
Ejemplos: Sea V = IR3 a) S= { (x,y,O)
lx,y E IR} Ses un subespacio vectorial de V.
Luego el conjunto G(S ectorial.
i) Sean u= (xl'yl'O), v = (x 2,y2 ,0) E S=> u+ v = (x 1 + x2 ,y1 + y 2 ,0) E S
ü) Si a E IR y u= (xpypO) E S=> a u= (axpaypO) E S
Definición 3 Se d; ectorial V, genera a . ión lineal de v1, v2, --
b) S= {(x,y,l) lx,y E IR} S no es un subespacio vectorial de V, pues si
u= (xp Yp l),v = (x 2 , y 2 , l)E S::::::} u+ v = (x1 + x 2 , y 1 + y 2 , 2)
~S.
Ejemplo: Las matric e) Sea B un vector fijo de IR 3, S= { X E IR 3 1 X· B = 0}. S es un subespacio vectorial de V. i) Sean Xp X 2
E
r¡a/ de las matrices de
S::::::} X 1.B =O, y, Xi B = 0 =>
(X 1 +X)·B = X 1 ·B+X 2 ·B = 0+0 =O=> (X 1 +X) E S
ü) Si a E IR, y, XE S=> (aX) · B = a(X · B) =a O (pues X·B =0, ya que X
E
S)
=>aX E S
Ejemplo: Los polino d) Sea V el conjunto de todas las matrices cuadradas de tamaño n x n, y S el conjunto de todas las matrices simétricas de tamaño n x n, entonces S es subespacio vectorial de V.
·odas los polinom io_ .:? {x) =a2 x 2 +a 1x +q¡ .
= . ·endríamos _!_ (av) = _!_ O, le a
a
original de que v -:f::. O. =
123
ión de espacio vectorial
Capítulo 6
i) Sean A, y B E S=> A' = A, y, B' = B =>(A+ B)' =A'+ B' =A+ B, luego (A+ B) es simétrica y por tanto (A+ B) E S. ii) SiaE ~,y,A E S::::>(aA)' =aA'=aA,luego(aA)ES.
=>a = ~,por la parte iv) de
_ acio vectorial V, tal que S
leorema 2 Sea V un espacio vectorial y S = { v1 , v2 , • • ·, v n} un conjunto de vectores V. El conjunto de todas las combinaciones lineales de S denotado por G(S) es subespacio vectorial de V, y se denomina el subespacio generado por S.
n u, w E G(S), entonces, u= a 1v 1 +a 2v 2 + ··· +anvn y, w = ~ 1 v 1 + ~ 2 v 2 + · ·· + ~nvn, ego, u+ w = (a 1 + ~ 1 )v1 + (a 2 + ~ 2 ) v2 + ··· + (a 11 + ~ 11 )V11 E G(S).
·oes un escalar y u EG(S), entonces, u =a 1v 1 +a 2v 2 +···+a
V , por consiguiente, 11 11 =o (a¡V¡ +a2v2 + ... +a nvn ) = (oa¡) V¡+ (oa2) v2 + ... + (oa /1) vn E G(S).
- = x. -x2 ,y1 + y 2 ,0)E S -~ E
S
a. de V, pues si
ego el conjunto G(S) formado por todas las combinaciones lineales de S es un subespacio ectorial.
finición 3 Se dice que un conjunto de vectores v 1, v 2 , · · · , v 11 , de un espacio ctorial V, genera a V, si todo elemento de V se puede escribir como una combina·ón lineal de V¡, V2, ·· · , V 17 •
mplo:
Las matrices [
H
~ ~ ~ ~).[~ ~).[~ ~)
genera al espacio vecto-
S es un subespacio vectorial
1 de las matrices de tamaño 2 x 2, pues dada una matriz [: X -X 2)
E
S
ues X·B =0, ya que X E S)
- de tamaño n x n, y S el año n x n, entonces S es
m0 [ a
~Jse puede escribir
bl = a [ 00 1 O] + b[ O 1] + e [O O] + d [ O O] 00 10 01
cd
Los polinomios p 0 (x)= 1, p 1(x)= x, p 2 (x)= x 2 genera a P 2 (conjunto de dos los polinomio s de grado :::; 2), pues dado un polinomio cualquiera (x) =a2 x 2 +a 1x+a0 , este se puede escribir comop(x)=a 2 p 2 (x)+a 1p 1(x)+a 0 p 0 (x).
124
Capítulo 6
Espacios vectoriale;-
EJERCICIOS l.
11. 3
Determinar cuáles de los siguientes subconjuntos de ~ son subespacios vectoriales de ~ 3 . a) { (xpx 2 ,x 3 ) 1 x 1 =O}
12.
b) { (xpx 2 ,x3 ) 1 x 1 = 3} e) { (xl'x 2 ,x3 ) x 2 = 2x 1} 1
d) { (xl'x 2 ,x3 ) 1 x1 +x 2 +x 3 = O}
13. Si S 1 y S2 son de V?
e) { (xl'x 2 ,x3 ) 1 x 1 + x 2 + x 3 = 3} f) { (xpx 2 ,x3 ) 1 x 1 = x 2 = x 3 }
g) { (xpx 2 , x3 ) 1 x 1 2: O,x 2 2: O,x3 2: O} 2.
Definición 1
Sea
Considere V= P 2 . Determinar si p(x) = x 2 + x pertenece al generado por { x 2 ,2x + x 2 , x + x 2}
3.
Considere V= P 3 . Determinar si p(x) = x 3 + x 2 + x + 5, pertenece al generado po~ {x 3 ,-3x 2 , 2x + x 2 , x + x 2 ,1}
4.
Considere V= P 3 . Determinar si p(x) = x 3 + x 2 + x + 5, pertenece al generado po~ { x 3 -x 2 , x 2 +x, x 3 +x, 1}
5.
ConsidereV=~ 3 .Determinarsi {(3, 1, 1),(2, O, 1) ,( 4, 1, 1),(3, O, 2)} gene-
Definición 2
raa V. 6.
7.
Considere V genera a V.
= ~3 .
Determinar si {( 3, 1, 1) ,(2, O, 1), ( -1, -1, O), (- 4,- 2,- 1
Sea V= { f: ~ ~ ~} y S el conjunto de todas las funciones pares ( f (- x) = f (x) Demostrar que S es un subespacio vectorial de V.
8.
Sea V= { f : ~ ~ ~} y S el conjunto de todas las funciones impares (/ (- x) = - f(x)). Demostrar que S es un subespacio vectorial de V.
9.
Demostrar que el conjunto de soluciones de un sistema homogéneo Am xnXn x 1 =O e5 un subespacio vectorial de ~n .
10. Sea V el conjunto de todas las matrices cuadradas de tamaño n x n y S el conjunt· de las matrices simétricas. Demostrar que S es un subespacio vectorial de V.
Es obvio que si "todos· Pero puede suceder • "" a¡ = O, en este caso s=- ~ Si la única forma po I- =' dice entonces que { r: . _
Ejemplos: a) Sea V= llV 1". = independiente v2 e igualémo: _
vectoriale.
" - = :on subespacios vectoriale5'
125
Dependencia e independencia lineal
11. Sea V el conjunto de todas las matrices cuadradas de ~amaño n x n y S el conjunto de las matrices triangulares inferiores. Demostrar que S es un subespacio vectorial de V. 12. Demostrar que si S 1 y S 2 son subfspacios de un espacio vectorial V, entonces S1 n S2 es también subespacio de V .
13. Si S 1 y S2 son subespacios de un espacio vectorial V, ¿la unión S1 uS 2 es subespacio de V?
DEPENDENCIA E INDEPENDENCIA LINEAL
Definición 1 Sea V un espacio vectorial y, vi' v2 ,- · · ,v n un conjunto finito de vectores. Una combinación lineal de tales vectores es una expresión de la forma, n
a 1v1 +a 2v2 + ··· +anvn = La;v; i= l
_
_ : . pertenece al generado p
_
_ : . pertenece al generado p -
Definición 2 Un conjunto de vectores v" v2 ,- .. , v n de V son linealmente dependientes si existen escalares al' a 2 ,- .. ,a n no todos iguales a cero tal que:
. .f, 1, 1),(3, O, 2)} gene-
• 1
-1, -1, O), (- 4,- 2, - 1
.:iones pares ( f
(- x) = f
(x
Es obvio que si "todos" los a¡ son cero, entonces, a 1v1 +a v2 + · · · +anvn =O (cero vector) . Pero puede suceder que a 1v1 +a v 2 + · · · +anvn =O, sin ser necesariamente "todos" los a;= O, en este caso se dice que el conjunto, {vi' v2 , .. . , vn} es linealmente dependiente . Si la única forma posible para que a 1v1 +a v 2 + .. · +a nvn =O, es que todos los a;= O, se dice entonces que {vi' v2 , ... , vn} es linealment~ independiente.
- :irnciones impares (f (- x) = e Y.
Ejemplos:
.::::- Iamaño n x n y S el conjun - _ :.. -pacio vectorial de V.
a) Sea V= JR 2 , v1 = (1, 2), v2 = (1, 1) . Veamos si el conjunto {vi' v2 } es linealmente independiente o dependiente. Para ello formemos una combinación lineal de v 1 y v2 e igualémosla a cero.
126
Capítulo 6
Espacios vectoriales
a 1Cl, 2)+a/1, 1)=(0 , 0)=> (a, 1 +a 2 , 2a 1 +a 2 ) =(0, O)=>
1 {1OJ ~ (1 11 OJ ~ (1 O 1Ol ~ (1 O1Ol => { a 1 = O (2 1 o) o- 1 o o -1 o) o 1 o) a2 = o Por tanto {vl' v2 } es linealmente independiente. b) Sea V= ~ 2 , v1 = ( 1, 2) , v2 = ( 2, 4) . Analicemos si { vl' v 2} es linealmente independiente o dependiente.
a 1v1 +a 2v2 =O=> a 1(l, 2) +a 2 (2, 4) = (0, 0)=> (a 1 + 2a 2 , 2a 1 + 4a 2) =(0, O)=> a 1 +2a 2 =O
entonces
e=
a 1 =-1
2a 1 +4a 2 =O
G!I~H~ ~~~)=>
Sean -1 veces en el ínter:
Definición 3
(:~)=(~) +~ (-~) Por ende hay soluciones fuera de la trivial, por ejemplo, haciendo~= 1, tenemo_
a 1= 2 { a = -1 2
Jr
=
;luego { v 1' v2 } es linealmente dependiente.
Es un espacio vectorial V, un conjunto de vectores C = { vl' v2 ,. · ·, v, es linealmente dependiente sí y solo sí al menos uno de los vectores del conjunto C se puede escribir como una combinación lineal de los otros.
Teorema 1
Sean ¡; (x . eces en el intervalo [a. =-
Jeorema 2
- W(x) '1:- O en algún pz• . linealmente indep en - _
Demostración:
a) Supongamos que Ces linealmente dependiente, entonces,
a 1v1 +a 2v2 + · · · +a rvr = O
emostración:
- omemos una combinació~
6
Espacios vectoriales
127
pendencia e independencia lineal
donde los ex no son todos iguales a cero. Supongamos que a 1 7:- O; de no ser así reordenemos los vectores para que esto suceda:'entonces,
= = y esto demuestra que por lo menos v 1 es combinación lineal de los otros vectores de C. v 1' v 2} es linealmente
b) Si al menos un vector de e es combinación lineal de los otros, podemos suponer que es v 1, de no serlo los reordenamos para que esto suceda, por tanto
entonces <X¡ = - 1
e
=
{V¡ , v2 ,
···
Vr}es linealmente dependiente pues
<X¡ 7:-
0 ya que
finición 3 Sean f 1(x ),J2(x) ,- ··,Jn(x), funciones de [a,b] _, lR y derivables -1 veces en el intervalo [a, b]. El Wronskiano denotado por W(x) se define como
W(x)=
. haciendo ~ = 1, tenem :
_ ectores C = {VI' V2 ,- · · , L \"ectores del conjunto e
/¡(x)
f 2(x)
f n(x)
/¡'(x)
f 2'(x)
f n'(x)
/¡"(x)
f2"(x)
fn"(x)
/¡(n-!)(x)
f 2(n-!\x)
f n(n-!)(x)
hrema 2
Sean f 1(x),J2(x),---,Jn(x), funciones de [a,b] _, lR y derivables n -l ces en el intervalo [a, b]. W(x) 7:- O en algún punto x E [a,b ], el conjunto de funciones { /¡(x),J2(x),- · · ,J;/x)} linealmente independiente.
mostración: omemos una combinación lineal de f 1(x),J2 (x) , · · ·,Jn(x) igualada a cero
128
Capítulo 6
Espacios vectoriale;.
a 1.[¡(x) +a 2 f 2 (x) + ·· · +anfn(x) =O:::::::> a 1.[¡' (x) +a 2f 2' (x) + · · · +aJn' (x) = O:::::::>
Ejemplo: Las f .ndependientes p·
,
a 1/¡"(x) +a 2 f 2 "(x) + · · · +anfn"(x) =O:::::::> W(x ) =
El determinante de los coeficientes de las variables a¡ es
el cual por hipótesis es diferente de cero. Eso conlleva a que el sistema tiene solamen ~ la solución trivial a 1 = a 2 = ' · · = an =O por tanto el conjunto { .[¡(x),f2 (x),- · ·, f,,(x)} e5 linealmente independiente. Nota:
Téngase en cuenta que en ningún momento el teorema dice que si el Wronskianc es cero el conjunto de funciones es linealmente dependiente. Considere por ejemplo las funciones
Osi -1.::;x.::;O O< <1 _ X_
.[¡(x)= { X Sl·
El Wronskiano de estas funciones es:
1
W(x)= 1
~ ~
~ ~
3.
Sea U = { v1, v~ . V. Determinar :::
a)
Ul=
b)
U2=
e)
U3=
d)
U 4 == { 2
1
=
Osi
- 1 .: :; x .:::;; O
Demostrar que las [0, 1].
1
=
Osi
O.: :; x .:::;; 1
Demostrar que las intervalo [0, 2n].
es decir el Wronskiano es igual a cero, pero estas funciones son linealmente independientes pues ninguna de ellas se puede escribir como múltiplo de la otra.
-
Demostrar que las .:: en el intervalo (- x:.
vectori
pendencia e independencia lineal
129 "-
jemplo: Las funciones J;(x) = 1, j 2(x) = x, j 3(x) = x 2, f 4 (x) = x 3 son linealmente dependientes pues
1
X
x2
o 1 2x o o 2 o o o
W(x)=
x3 3x 2
= 12 ,
que es diferente de cero.
6x 6
EJERCICIOS 'l(x) r'(x ) li
l.
Demostrar que si un subconjunto de vectores contiene al vector cero, entonces el conjunto es linealmente dependiente. Demostrar que cualquier subconjunto de un conjunto linealmente independiente, también es independiente.
e el sistema tiene solamente to { J;(x),f2(x),-··,fn(x)} es
;crna dice que si el Wronskiano ,..,c'·-a..~~.~L-- . Considere por ejemplo las _
=
3.
Demostrar que cualquier superconjunto de un conjunto linealmente dependiente, también es dependiente.
4.
Sea U = {vi' v2, v3} un subconjunto linealmente independiente de un espacio vectorial V. Determinar si los siguientes conjuntos son linealmente independientes o no
a) 1
-1:s:; x:s:;O
Osi
O:s:;x:s:;1
X
_x:s:;l
-es -on linealmente independiene la otra.
U1
=
{v 1 +v 2,v1 +v 3,v 2 +v 3 }
= {v1 - v2, V¡ - v3,v 2 -v 3} e) u3 = {2v¡ + v2, 2v¡ + v3,2v2 +v3} d) U 4 = {2v 1 - v2, 2v1 - v3,2v 2 - v3 } b) U 2
1
5.
Demostrar que las funciones ex, e2x son linealmente independientes en el intervalo [0, 1].
6.
Demostrar que las funciones sen x, sen 2x son linealmente independientes en el intervalo [0, 27t]. Demostrar que las funciones 1, x + 1, x 2 + 1, x 3 + 1 son linealmente independientes en el intervalo (- co, co ).
130
Capítulo 6
Espacios vectoriales
BASES Y DIMENSIÓN
Definición 1
Bases
dimensión
Reemplazando lo
Se dice que B
{v 1, v2, ·· · ,vn} es una base de V si: i) B es un conjunto linealmente independiente. =
ii) B genera a V
(c1a 11 + c2a 12 + ... _ (c1an 1+c2an 2+ ... _ ~ pero esto es una {v 1, v2, ··· ,vn} es
Teorema 1 Sea B = {v 1, v 2, ··· ,vJ una base de V, entonces todo elemento v eV, puede ser expresado de manera única como una combinación lineal de los elementos de B.
Demostración:
Supongamos que v = a 1v1 +a 2v2 + · · · +anvn y v = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn entonces a 1v1+ a 2v2 + · · · +anvn = ~ 1 v 1 + ~ 2 v2 + · · · + ~nvn, lo que implica que (a 1- ~ 1) v1 + (a 2- ~ 2) v2 + · · · + (an- ~n)vn = O, y como {v 1, v 2, · · · ,vn} es linealmente independiente por ser base. se sigue que a 1- ~ 1 =O, a 2- ~ 2 =O, ···, an- ~n =O y por consiguiente a 1= ~ 1 , a 2= ~ 2, · · · , a n = ~ n , es decir v se puede escribir como combinación lineal de { v 1, v 2, · · · ,vn}. de manera única.
Teorema 2 Sea B = {v 1, v 2, ··· ,vn} una base de V y U ={u 1, u 2, · · · , um} un conjunto de m vectores de V. Si m > n, entonces, U es linealmente dependiente.
que es un sistema fuera de la trivial por hipótesis m > 11. Recuérdese que (p
=
Corolario. conjunto de m vecr Teorema 3 vectorial V,
Demostración:
Como B = {v 1, v 2, · ·· ,vn} es base de V, entones todo elemento de V, se puede escribir como combinación lineal de {vp v 2, · · · ,vn} en particular los elementos de U, por tanto tenemos: u1 =a 11v1+a 21v2 +· ··+an1vn u2 = al2vl + a22v2 + ... +an2vn
Demostración:
Como {v 1 v2 . . . v ' ' ' n ma anterior que n ~
•
Análogamente como n. (**)
m ~
De (*) y(**) se sigue ~ El teorema anterior no: el mismo número de , ': Como debemos demostrar que U = {u 1, u 2 , . . . ,um} es linealmente dependiente, formemos una combinación lineal de ellos igualada a cero c 1u 1 +c2 u 2 +···+cmum =O
y probemos que no todos los e son cero.
Definición 2 úmero de elementos
irn V = O.
Q¡;ítu/o 6
Espacios vectoriale5
óases y dimensión
131
Reemplazando los valores de u 1, u2 ,
.. • ,
um en esta expresión tenemos
clall + c2al2 + · · · + cma!m) V¡+(cla21+ c2a22 + · · · ~ cma2m)v2 + · · · +
e de V si:
(clanl+c2an2+ · · · + cmanm)vn=O pero esto es una combinación lineal de {v 1, v2 , ... ,vn} igualada a cero y como {v1, v2, .. • ,vJ es una base, y por tanto linealmente independiente, se concluye que
_ - •:ces todo elemento v E V. - ación lineal de los elemen-
clall +c2al2 + ... +cmu!m = 0 cla21 + c2a22 + · · · + cmu2m = 0
- _::. .: - · · · + ~nvn entonces a 1v1 __
~..:e
(a 1-
1 1 + (a 2-
~ )v
~ 2) v2
=--:e independiente por ser base.
- : -onsiguiente a 1 = ~ 1 , a 2 = -- -íón lineal de { v 1, v2, ··· ,vn}.
que es un sistema de n ecuaciones con m incógnitas c 1, c 2 , .. · , cm que tiene solución fuera de la trivial por ser un sistema homogéneo con más incógnitas que ecuaciones pues por hipótesis m> n. Luego U={ u 1, u2 , .. • , um} si es linealmente dependiente. Recuérdese que (p => q) <:::::>
(q => p) por tanto podemos enunciar el siguiente
Corolario. Sea B = {v 1, v2 , .. • ,vn} una base de V y U = { u 1, u 2, .. . , um} un conjunto de m vectores de V. Si U es linealmente independiente, entonces m ::; n. 1_; ={u 1, u 2 , ... , um} un PJealmente dependiente.
-= :---ento de V, se puede escribir s elementos de U, por tanto
Teorema 3 Si B = {v 1, v 2, ... ,vn} y B 1 ={ u 1, u2, vectorial V, entonces m = n.
um} son bases de un espacio
... ,
Demostración:
Como {v 1, v2, • • · ,vn} es linealmente independiente por ser base, se desprende del teorema anterior que n ::; m. (*) Análogamente como {v 1, v2 , m ::; n. (**)
.. ·
,vn} es linealmente y B =
{
v 1, v2,
.. •
,vn} es base se tiene
De (*) y(**) se sigue que n = m. El teorema anterior nos indica que cualesquier dos bases de un espacio vectorial V tienen el mismo número de vectores, y este número es conocido como la dimensión de V.
• ente dependiente, forme-
Definición 2 Sea V un espacio vectorial, se define la dimensión de V como el número de elementos que tiene una base. Se denota por dim V. Si V = {O} se define dim V= O.
132
Capítulo 6
Espacios vectoriales
V= JR 2 tiene dimensión 2 pues una base de V es {(1, 0), (0, 1)}
Ejemplo:
Teorema 4 Si un espacio vectorial V tiene dimensión n, entonces !ualquier conjunto de n vectores linealmente independiente es base de V .
Bases
dimensión
Repitiendo el argume:::: · tiene n elementos y ··· ,v17 } es base de Y. Definición 3 entonces,
Demostración:
Sea un conjunto B = {v 1, v2, · · · ,v11 } linealmente independiente de V y probemos que B = {v 1, v2, • · • ,v11 } si genera a V. Sea por tanto v un elemento cualquiera de V, entonces el conjunto { v 1, v2, • • · ,v11 , v }es linealmente dependiente por el teorema 2, ya que toda base de V consta de n vectores, luego
Sea B
=
El vector (a i' a ')' · · · . es llamado el vector respecto a la base B =
a 1v1 +a 2v2 + · · · +a 11 V 11 +av =O con a 7:- O, o algún a ; 7:- O. Si a = O, se sigue que tiene que haber algún a; diferente de cero, pero esto indicaría que a 1v1 +a 2v2 + ··· +a 11 v17 =0 con algún a; diferente de cero, lo que implica que {v 1, v2, ••• ,v11 } es linealmente dependiente, contradiciendo el hecho de que B= {v 1, v2, • • • ,v11 } es linealmente independiente. Por consiguiente a 7:- O y despejando v de a 1v1 +a 2v2 +· ··+a 11 v11 +av=O, tenemos
v = ( -:
1
)
v1+ ( - :
2
)
v2 + · · · + (
vE V es generado por {v1, v2,
•••
-:n)
vn lo que demuestra que cualquier elemento
,v17 }; por consiguiente B = {v 1, v2,
••·
Ejemplo: como
Sea B =
entonces (- 1, 2, 3) B = {(l, 2, 1),(-1,
,v11 } es base de V.
EJERCICIOS Ejemplo: B = { (1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} es una base de nealmente independiente.
JR 3
pues B es li-
En cada uno de lo: : _ es base de JR3. En ~ esa base.
a) B={(l,-1,! Teorema 5 Sea V un espacio vectorial de dimensión n y B 0 = {v 1, v2, ··· ,v,.} un conjunto de vectores linealmente independientes con r < n. Entonces se pueden encontrar vectores vr+ 1, vr+2, • · • ,v11 tal que B = { v 1, v2, · · · ,v,., vr+ 1 , vr+2 , • • · ,v11 } sea base de V.
d) B
Demostración:
Cada uno de los sigHallar una base pare :
Como V tiene dimensión n, cualquier base debe tener n elementos. Como B0 no es base. pero es linealmente independiente se concluye que no genera a V, por tanto existe un vector vr+ 1 que no pertenece al generado por B0 , luego {v 1, v2, • • • ,v,., vr+ 1} es linealmente independiente. Si r + 1 < n, podemos repetir el argumento y conseguir un conjunto { v1, v2 , ••• ,v,., v,.¡- 1 , vr+ 2 } linealmente independiente.
b) B
= {(O,- 2,
1
e) B={(3,-4,1.-
= {( 2, -1, l
.
a) { ( 1, 1, 1) , ( 1. • b) { ( -1, 2, 1) ' ( l. e) {(0, 2, 1) ,(3.
d) {(2, 1,-1), (1.
_o 6
133
Espacios vectoriales
l. 0), (0, 1)}
Repitiendo el argumento se llega el momento en que B={v 1, v2, ••• ,vr, vr+ 1 , vr+2, ··· ,vn} ·ene n elementos y por el teorema anterior se sigue que B= {v 1, v2, • • • , v r , v r+ 1 , v r+2 , ·· · ,vn} es base de V. /
enances cualquier con-
Definición 3 Sea B = {v 1, v2,
· ••
,vn} una base de un espacio vectorial V y v EV,
entonces,
=--e de V y probemos que ::ualquiera de V, entonce - - e. teorema 2, ya que toda
.:e ~ero, pero esto indicaría .:e :ero . lo que implica que ::-~o el hecho de que B=
El vector (al' a
2 ,- · · ,an) E
Jlln
es llamado el vector de coordenadas (o simplemente las coordenadas) del vector v, especto a la base B = {v 1, v2 , · · · ,vn} . Sea B = {(1, 2, 1) ,( - 1, 3, 4) ,(0, 1, -1)} una base de !R 3 y v
=
(-3, 7, 4),
omo
(-3, 7, 4) = (-1)(1, 2, 1)+2(- 1, 3, 4) +3(0, 1, - 1) -
-- an vn +av =O, tenemos q e cualquier elemento • 1.·:· · · · ,vn}
entonces (-1, 2, 3) son las coordenadas de v B= {(1, 2, 1) ,(-1, 3, 4),(0, 1, -1)}.
=
(-3 , 7, 4) respecto a la base
es base de V.
EJERCICIOS -
e de
Jll 3
pues B es li-
En cada uno de los siguientes ejercicios V= Jll 3 y v = (1 , 2, 3). Verificar si Bes o no es base de Jll 3 . En caso afirmativo hallar el vector de coordenadas de v respecto a esa base.
a) B ={(1, - 1, 1),(-1, 3, 1) ,(1, 2, - 1)} B = {v 1, v2, ••• ,vr} un < :. Entonces se pueden • . vr+ 1 , vr+ 2 , ··· ,vn} sea
b) B = {(0,-4 1),(-1, O, 1),(3, 2, -1)}
e) B = {(3, - 4, 1) ,(- 1, - 1, 1),(4,-3, O)} d) B = {(2, - 1,1) ,(1, 1, 1),(0,2,-1)} Cada uno de los siguientes conjuntos de vectores genera algún subespacio de Jll 3 . Hallar una base para ese subespacio y calcular su dimensión.
t-''=~~.::os.
Como B0 no es base, Y, por tanto existe un - . \ ·r • v r+ 1} es linealmente _ conseguir un conjunto
_ 3.
_
a) {( 1, 1, 1) ,(1, O, 1) ,(1, 2, 1)} b) { ( -1, 2, 1) '(1, -1, 1) ,(2, 1, o)} e) {(0, 2, 1) ,(3, 1, 2),(-4, 1, 3)} d) { (2, 1,- 1), (1, O, 5) ,( 3, 1, 4)}
134
Capítulo 6
Espacios vectoriales
3.
Demostrar que { 1+ x, 1- x} es una base para P 1 y hallar las coordenadas de p(x) = 4x + 5 respecto a esta base.
4.
Demostrar que {1, x + 1, x 2 + 1, x 3 + 1} es una base para P 3 y hallar las coordenadas de p (x) = 2x 3 - 5x 2 + 4x - 2 respecto a esta base.
5.
El conjunto de soluciones del sistema x1
-
2x 1
-
3x 2 7x 2
+ 2x 3 + 3x 3
Capítulo \
O O
es un subespacio de JR 3 . Encontrar una base para este subespacio. 6.
7.
Sea {( 1, 2, -1) , (O, 1, 2)} un conjunto linealmente independiente de vectores de JR 3 . A partir de este conjunto hallar una base de JR 3 . Sea{(l, 4, 1, 0),(-1, 2, O, 1)} unconjuntolinealmenteindependientedevectores de JR 3 . A partir de este conjunto hallar una base de JR 4 .
Definición 1 Sea:; transformada linea:
a) T(u+v) =T b) T(au)= a T
8.
Calcular la dimensión del espacio de las matrices triangulares superiores de tamaño n x n.
para todo u,
9.
Calcular la dimensión de las matrices simétricas de tamaño n x n.
Nota: Obsérvese T(au+v) = aT(u) -
V E
Vy
r
w _
Teorema 1
Demostración:
T(O)=T(O+O)=T(Oúnico, se concluye que Ejemplo:
T:
E .o
( x,y.:
es una transformación ' mentas de JR 3 y a e un ~
Capítulo 6 Espacios vectori
hallar las coordenada
-
~
para P 3 y hallar las coorde-
apítulo 7
Transformaciones lineales DEFINICIÓN Y CONCEPTOS BÁSICOS
Definición 1 Sean V y W espacios vectoriales. Una función T de V en W, es una ansformada lineal si
a) T (u + v) = T( u)+ T(v) b) T (au) = a T( u)
guiares superiores de tamat
ara todo u, v
E
V y para todo escalar a.
Nota: Obsérvese que estas dos propiedades se pueden resumir en una sola, T(au + v) = a T(u) + T(v)
Teorema 1
Sea T una transformación lineal de V en W, entonces T(O) = O
Demostración: T(O) = T(O +O)= T(O) + T(O), entonces T(O) hace el papel de O de W, y como el O es único, se concluye que T(O) = O
Ejemplo:
T: (x,y,z)
H
(x,y)
es una transformación lineal, en efecto, si u= ( x 1, y 1, z 1 ) y v = (x 2 , y 2 , z 2 ) son elementos de JR 3 y a es un escalar tenemos:
136
Capítulo 7
Transformaciones lineales
Definición y conceptos -
a) T(X+Y) =Ií ( 1, 2, 3) · (x1 -
b) T(au) = T(ax 1,ay1,az1) = (ax 1,ay1) =a(x1,y1) = aT(u)
Ejemplo:
b) T(aX) = T no es una transformación lineal, basta ver que si u = ( x , y) y a es un escalar, entonces T( a u)* a T(u)
( 1, 2, 3) ·(a.
T(au) = T(a.x,ay) =~(ruY + (ay) 2 = ~a 2 x 2 + a 2 /
a[(I, 2, 3) · x
lal
= ~a 2 (x 2 + y 2) =
~x 2 + / = laiT(u) Ejemplo:
es decir tenemos que T(au) = a IT(u) y no T(au) = a T(u) como se esperaría para que fuera transformación lineal. Esto se tendría si a ;: :- O, pero entonces no sería para todo a como dice la definición. 1
Ejemplo:
Sea V
=
{Matrices de tamaño 2 T:
x
2}, W
=
lR y T dada por
lR
V
X
(:
~)
x +y+z
H
Se puede probar muy fácilmente que T es una transformación lineal.
Sea A
=
(1, 2, 3) un vector de JR 3 y T:
JR 3 X
~ H
lR A·X
veamos que T es una transformación lineal. Sea a un escalar y X= (x 1, x 2 , x 3 ) ,
Y =(y¡, Y2, Y3)
y r
-
es una transformació mación nula.
Ejemplo: Rotación ción de rotar un vec
x+y x+y+z+w
Ejemplo:
T:
Analicemos primero e.
=· _
-
Transformaciones lineales
Definición
137
y conceptos básicos
- - :) =
( 1, 2, 3) · (x 1 + y 1, x 2 + y 2 , x 3 + y 3 )
=
=
x1 + y 1 + 2x2 + 2Y2 + 3x3 + 3y 3 =
Tu)
_ a es un escalar, entonces
=
a[(l, 2, 3) ·( x 1,x 2 , x3 )] = a[A · X] = aT(X)
Ejemplo: : mo se esperaría para que es no sería para todo a
T:
V
--7
V
H
W
0
es una transformación lineal. (Ejercicio). Esta transformación lineal se llama la transformación nula.
Ejemplo: Rotación de vectores. Sea T : R2 --7 R. 2 donde T representa la operación de rotar un vector un ángulo e, entonces T es una transformación lineal. Analicemos primero el efecto que tiene rotar un vector un ángulo
e.
y
in ea l.
______________.___
~~----------~x
x2
x1
138
Capítulo 7
Transformaciones lineales
Definición
Al rotar el vector: X 1 = ( x1 , y 1) un ángulo e obtenemos el vector X 2 = ( x 2 , Y2) pero debe observarse que la longitud del vector no cambia, por tanto // 2 // 1//
X =//X
X¡=
a(x1 cos 8-
/ X1// cosa
y 1 = / X1// sen a Xz =1/Xz // cos(a +e) =1/X¡//(cosa cose - sena sen e)=
//X 1 //cosa cose
- //X
1//
sena sen e= x1 cose- y 1sen8
Definición 2
Sean T
V en un espqs;:io vecrc
multiplicación del ese
y 2 = //X2 // sen( a + 8) = //X 1// (sen a cos 8 + cosa sen 8) = // X 1// sen a cos 8 + / X 1// cosa sen 8 = y 1 cos 8 + x 1 sen 8 = x 1 sen 8 + y 1 cos 8
Luego el efecto de rotar un vector X 1 = ( x1, y 1) es asignarle un nuevo vector dado por X 2 = (x1 cos 8 _Jy 1 sen 8, x1 sen 8 + y 1 cos 8) Por consiguiente T:
emostración:
~2
~
X 1 = (x1 , y 1)
H
!Rz
(x1 cos8
- y 1 sen8, x 1 sen8 + y 1 cos8)
Veamos ahora que T es una transformación lineal. Sean X = ( a 1, b1 ) , Y = ( a 2 , b2 ) do vectores de IR 2 y a un escalar
sigue de la definicióc .,_.._...,_. rmación nula dada en e nición 3 Sea T : la transformación e notaremos el núcleo 4 Sea T : · recorrido) de la tran~ existe un v E V, : T por Ir.
( a 1 cos8 + a 2 cos 8 - b1 sen 8 - b2 sen 8 , a 1 sen 8 + a 2 sen 8 - b1 cos 8 - b2 cos 8) =
( a 1 cos 8 - b1 sen 8, a 1 sen 8 - b1 cos 8) +
Sea T: JR3 _ T(x,y,z) = (x- _. : ~ {(x,y,z) / T(x,y, ~
=
= {(x,y,z) / (x- y,3 ~
-
Transformaciones lineales
:- x~ = (x2 ,J2) pero debe -- ~ =
X¡ll
Definición
139
y conceptos básicos
b) T(aX) = T(aa 1, ab1 ) = (ax1 cose - ay 1 sen e, ax 1 sen e +ay1 cose) =
a(x 1 cose - y 1 sen e , x 1 sen e + y 1 cose) =a T(X)
finición 2 Sean T 1 y T2 dos transformaciones lineales de un espacio vectorial - en un espacio vectorial W y sea a un escalar. Se define la suma de T 1 y T 2 y la ultiplicación del escalar a por la transformación T1 de la manera usual, es decir
=
(T1 +T2)(v) =T1(v)+T2 (v)
/
(a T1) (v) = aT1(v)
~
nuevo vector dado por
El conjunto de todas las transformaciones lineales de un espacio ctorial V en un espacio vectorial W es un espacio vectorial.
emostración: sigue de la definición anterior y observando que la transformación lineal Oes la transnnación nula dada en el ejemplo 4.
finición 3 Sea T : V
-7 W es una transformación lineal. Se define el núcleo la transformación como el conjunto de elementos v E V tales que T(v) = O. notaremos el núcleo de la transformación T por N r·
finición 4 Sea T :V -7 W es una transformación lineal. Se define la imagen recorrido) de la transformación como el conjunto de elementos w E W para los ales existe un v E V, tal que T(v) = w. Denotaremos la imagen de la transforma·ón T por Ir. emplo: Sea T : JR 3
-7
JR 2 donde
T(x,y,z) = (x - y, 3z) {(x,y,z) 1 T(x,y,z) = 0}
-T \ { (x,y,z) 1 (x-y, 3z) =O}
140
Capítulo 7
Transformaciones line
Como w 1, w2 E I r. T (v 1 + v2) = T(v 1) - T w2, por tanto w 1 + 1 : :::
{(x,y ,z) 1Cx - y ,3z ) = (O,O) }
=
Definición
{(x,y,z) lx- y =0, 3z =O }
T(av 1)
=
aT(v1) a' _
{(x,y ,z) lx= y, z=O}
Teorema 4 Sea T _
Ir
=
{ (x,x ,O)}
T es uno a uno, sí_·
{(x-y ,3z)¡x, y,zE JR }
Demostración: Recorcfemos que una
{ x(l,O) +y (-1,0) + z(0,3) 1 x,y, z E lR}
equivalente a afirmar
G {( 1,0) ,(-1,0) , (0,3) } G {(1,0) (0,3)} donde G denota el subespacio generado
Teorema 3 Sea T : V
~
W una transformada lineal de V en W.
a) Supongamo- _ Nr;t {O} im; (con v ;t 0) . .__ ciendo el su _
b) Supongamo- asumamos
a) El núcleo N r es un subespacio vectorial de V. b) La imagen Ir es un subespacio vectorial de W.
Demostración: a) Debemos demostrar que si v 1, v2 E Nr y a un escalar entonces
i) v 1 + v 2
E
ü) av 1
Nr
E
Teorema 5 Sea T : m conjunto linea/m · · · vk} un conjunto _ Entonces {v1, v2, .. .
Nr
Demostración:
Como v 1, v 2 E Nr , entonces T(v 1) = O, T(v 2 ) = O, lu e= T( v1 + v2 ) = T( v1) + T( v2 ) = O+ O= O. Por consiguiente v 1 + v 2 E Nr.
a 1v1 + a 2 v2 + ·· · +ak1
T(av1) = aT(v 1) = a0=0, entonces av 1 E Nr.
_- como {w1, w2, ... ,11·· 'JOr tanto {v 1, v2, • • · , 1·
b) Debemos demostrar que si w 1, w2 E Ir y
i)
w1+ w2 E Ir
ü)
aw1 E Ir
1T(v1)+a 2 T(v2 )+
.. . -
a un escalar entonces Teorema 6 Sea T --r = {0}.
_
-
Transformaciones lineale;
Definición
141
y conceptos básicos
Como w 1, w2 E Ir, existen v 1, v2 E V, tal que T(v 1) = w 1, T(v2) = w2 . Luego T (v 1 + v2) = T(v 1) + T(v2) = w 1 + w2 , lo que en resumen indica que T (v 1 + v2) = w 1 + w2, por tanto w 1 + w2 E Ir T(av 1)
= aT(v 1) aw 1, es decir T(av 1) = av 1 por consiguiente aw 1 E Ir
Teorema 4
Sea T : V
~
W una transformación lineal de V en W.
Tes uno a uno, sí y sólo sí, NT
=
{0}.
Demostración:
Recordemos que una función T es uno a uno si v1 * v 2 ::::::> T( v1) equivalente a afirmar que si
T( v1) = T( v2)
* T{v2)
.
Lo cual es
::::::> v1 = v2
a) Supongamos que Tes uno a uno y probemos que Nr = {0}. Si Tes uno a uno y N T :;t {O} implicaría que en el núcleo existen por lo menos dos elementos O y v (con v :;t 0), esto es T(O) =O y T(v) = O. Luego T no sería uno a uno, contradiciendo el supuesto de que si lo era. b) Supongamos ahora que Nr = {O} y probemos que T es uno a uno. Para ello asumamos que T(v 1) = T(v2), luego T (v 1 - v2) = O, lo que indica que (v 1 - v2) E Nr = {O}; por consiguiente v1 - v2 =O y v 1= v2 . Luego Tes uno a uno.
Sea T: V ~ W una transformación lineal de V en W, {w 1, w2 ••• wk} m conjunto linealmente independiente, contenido en la imagen de T y sed {v;, v2 , .. · · vk} un conjunto de elementos de V, tal que T(v 1) = w1, T(v2) = w2 T(vk) = wk. Entonces {v 1, v2, .. · , vk} es linealmente independiente. '
Teorema 5
Demostración:
O, T(v 2 ) = O, lue::: -iguiente v 1 + v2 E Nr.
a 1v1 +a 2 v2 + .. ·+akvk =0::::::>T(a 1v1 + a 2 v2 + .. · + akvk) = T(O) = O::::::> a 1T(v1)+a 2 T(v 2 )+ ... +a kT(vk)= O::::::> a 1w 1 + a 2 w 2 + .. · +ak wk = O .·como {wp w 2, · · · ,wk} es linealmente independiente, se concluye a 1 = a 2 = · · · ak =O; or tanto {v1, v2 , .. • , vk} es linealmente independiente. Teorema 6 --r = {0}.
Sea T : V
~
W
una transformación lineal de V en W, tal que
142
Transformaciones lineales
Capítulo 7
Si {v 1, v2 , ···, vk} un conjunto linealmente independiente elementos de V, entonces {T(v 1) , T(v2), · · ·, T(vk)} es también linealmente independiente
Luego x 1v1 + x 2 v~ de Nr, es decir de X¡V¡
+ x 2 v 2 +· ··+ X + X 2 v2 + · · · +X
Demostración:
X¡ V¡
a 1T(v 1)+ a 2 T(v 2 )+ ···+a kT(vk) = O::::? T(a 1v1 + a 2 v2 +···+a kvk) = O::::? a 1v1 + a 2 v2 · ·· +akvk E Nr, pero como Nr = {O} se tiene que a 1v1 +a 2 v2 + ··· +akvk = O. Como {v 1, v2 , ···,vd es linealmente independiente se concluye que a 1 = a 2 = ··· =ak = O. Por tanto {T(v 1) , T(v2), ··· ,T(vJ} es linealmente independiente.
pero esto es una co,.-·----=-...v2, ... , vd por tanto
Definición 5 Sea T : V ~ W es una transformación lineal. La dimensión de núcleo se denomina la nulidad de T y la dimensión de la imagen se denomina e~ rango de T.
Si T dim NT + dim Ir.
Teorema 7
V
~
W es una transformación lineal, entonces dim V =
Por tanto { T( v1) , T _ a Ir se deduce que es la dimensión de 1\";- "'En el ejemplo 5 \ :_ transformación 'line V - dim Nr= 3 -: = contenida en JR 2 se Ejemplo:
_
Sea T : - - -
Demostración:
Sea {u 1, u2 , •• ·, uk} una base del núcleo. Por el teorema 5 de la página 132 se pueder; encontrar vectores {v 1, v2, ···,vk} tal que B = { u1,u 2 , ... ,u 1 , v1, v2 , ... , vk} sea base de V. Sea ve V, entonces v = a 1u1 +a 2 u 2 +···+a 1u1 + ~ 1 v1 + ~ 2 v 2 +· ·· +~ kvk~
T(v)=T(a 1u1 +a 2 u2 + ···+a 1u1 + ~ 1 v 1 + ~ 2 v 2 +···+
~kvk) =
a 1T(u 1)+a 2 T(u 2)+···+a1T(u) + ~ 1 T(v 1 ) + ~ 2 T(v 2 ) +···+
~kT(vk)
~r
{(x,y)/T (x.
=
{ (x,y)/ (2x-
a 1O+a 2 0 + · ·· +a1 0 + ~ 1 T(v 1 )+ ~ 2 T(v 2)+ ···+~k T(vk) = 0 + 0+·· ·+0+ ~ 1 T(v 1 )+ ~ 2 T(v 2 )+··· +
{ (x,y) / (2 x -
~ kT(vk)=
~ 1 T(v1 )+ ~ 2 T(v 2)+ ···+~k T(vk)
Hemos demostrado por tanto que T( v) = { T( v1) ,T( v2), ... , T( vk)} genera a Ir .
= {(x,y)/2 x- . ~ 1T( v1) + ~ 2 T( v2 ) + · · · + ~k T( vk),
Veamos ahora que {T(v 1), T(v2), ... , T(vJ} es linealmente independiente.
es decir qu"
=
{(x,y)/x= C.
= =
={ (0,0)}= {0
x1T(v1)+ x 2 T(v 2 )+ ··· + xk T(vk)= O::::? T(x 1v1 + x 2 v 2 + · ·· + xkvk) = O::::? x1v1 +x2 v2 + ··· + xkvk E Nr·
Como Nr = {0}, se dirn V= dim Nr + din: _ transformación no e- _,-"~..,....,_,.
-
Transformaciones lineales
143
Definición y conceptos básicos
Luego x1v1 + x 2 v2 + · · · + xk vk puede expresarse como una combinación lineal de la base de Nr, es decir de { u 1 ,u 2 , ... ,u1 }. x1v1 + x 2 v2 + ... + xkvk = y 1u1 + y 2 u 2 + ... + J:J u1 => x1v1 +x 2 v2 +· ··+xkvk- y 1u1 - y 2u 2 _ , , _ y1 u1 =O, - U· 1'k)=0=>a¡V¡ +a 2 v2 - _ , + ... +a kv k = O. Como - - =a 2 =··· = ak =0. Por
_...........,,~ .rineal. La dimensión de: imagen se denomina e"
·:neal, entonces dim V
=
pero esto es una combinación lineal de los elementos de la base B = { u1, u 2 , .•• , uJ, v1, v2 , ... , vd por tanto x 1 = x 2 = · · · = xk = O, como también lo es y 1 = y 2 = · · · =y¡ = O. Por tanto { T( v1), T( v 2 ), • · ·, T( vk)} es linealmente independiente, y como también genera a Ir se deduce que es base y que tiene dimensión k. Como la dimensión de V es j + k, y la dimensión de N res j, y la dimensión de Ir es k, se sigue que dim V = dim N r + dim Ir. En el ejemplo 5 vimos que si T : JR. 3 ---¿ JR. 2 donde T(x,y,z) = ( x- y,3z) es una transformación lineal, N r = 1, entonces por el teorema anterior sabemos que dim Ir =·Q.im V - dim Nr= 3 - 1 = 2. Luego como la imagen tiene dimensión dos y la imagen está contenida en JR. 2 se concluye que Ir = JR. 2 .
Ejemplo:
Sea T : JR. 2
T(x,y) = (2x + y,x +y, 3x - y)
: "'e la página 132 se pueder. . ":. v2 , ... , vk} sea base de - ~2V2
+ .. ·+ ~kvk ~
JR. 3 donde
---¿
{(x,y)IT(x,y) = O}
{ (x,y) 1 (2x + y, x+ y, 3x- y)= O} { (x,y) 1 (2x +y, x +y, 3x - y)= (0,0,0 )} = { (x, y) l2x +y = O, x +y = O, 3x- y = O}
: _ ... +~k T( vk), es decir que
dependiente. - - .:t l'
= { (x,y)
1
x = O,y = O}
= {(0,0)} = {0}
) =o => Como Nr= {0}, se concluye que la transformación lineal es uno a uno. Además como dim V = dim N r + dim Ir, se tiene que 2 = O + dim Ir, o sea que dim I r= 2, por ende la transformación no es sobreyectiva.
144
Capítulo 7 Transformaciones lineales
Ir= {(2x+y,x+y,3x-y)¡x ,y E !R.}
d) T:
{x(2, 1, 3) + y(l, 1, -1) 1 x,y E IR.} T
M?_x _a
b
(e
d/
=
-
-
G {(2, 1, 3) , (1, 1, -1)} e) T: M 2 x:
donde G denota el subespacio generado.
Teorema 8 Sean V y W espacios vectoriales tales que dim V = dim W y T : V ---7 W es una transformación lineal. T es uno a uno, sí y solamente sí, T es sobreyectiva. Demostración: a) Supongamos que Tes uno a uno, entonces Nr = {O} y por tanto dim Nr = O. Como dim V= dirn Nr+ dim Ir, entonces dim Ir= dirn V, luego dim Ir= dim W. por consiguiente T es sobreyectiva. b) Supongamos ahora que T es sobreyectiva, entonces dim Ir = dim W, luego dim Ir=dim V, pero como dim V = dimNr+ dimir, se concluye que dimNr= O, por consiguiente Nr = {O} lo que indica que Tes uno a uno.
h) T: R. 2 ---7 ::::_:
3.
Demostrar que : sobreyectiva, "'-'""~-"-"!
EJERCICIOS MATRIZ ASOCIADA
l.
Sean F: U ---7 V y G: V transformación compuesta
---7
W transformaciones lineales. Demostrar que la
GoF: U
---7
W
dada por (G o F) (u) = G( F (u)) es una transformación lineal. 2.
Determinar cuáles de las siguientes aplicaciones T d~finidas a continuación sor: lineales. Para las que son lineales, hallar N r, Ir, dim N r y dim Ir a) T : IR.2 ---7 IR.2 donde T(x,y) = (3x,x +y) b) T : IR.2 ---7 IR.2 donde T(x,y) =(3x,xy)
e) T : IR.3
---7
IR.3 donde T(x,y,z) = (x- y,x + y,y- z)
Entonces, T(v1) T(v2) T(vn)
-
Transformaciones lineales
145
Matriz asociada a una transformación lineal
donde
donde
e dim V = dim W y T : sí y solamente sí, T es f) T:
-=
~,.,..,
y por tanto dim N r = O. Y.luego dimir= dim W.
I r = dim W, luego dÍffi cluye que dim Nr = O, por
3.
Mnxn
~
Mnxn
donde T(A) = ( A+A') 2
g) T:
JR2
~
JR2
donde T(x,y) =(cosx, y)
h) T:
JR2
~
JR2
donde T(x,y)=(2x,lyl)
Demostrar que si T : V ~ W es una transformación lineal uno a uno y sobreyectiva, entonces dim V = dim W
MATRIZ ASOCIADA A UNA TRANSFORMACIÓN LINEAL
aneales. Demostrar que la
ea T : V ~ W es una transformación lineal, Bv = {v 1, v2, w1, w2, ···, wm} base de W. Supongamos que
••• ,
.32nidas a continuación son T (V n) = a nl W¡ +a n2 W2 + ... +a nm W m
_-_ _: dim Ir
Entonces, T(v1)
a
11 w1 +a 12 w2
+···+a 1mwm
T(v 2 ) = a 21 w1 +a 22 w 2 +···+a 2 mwm =>
a nl W¡ +a n2 W2 + · · · +a nm W m
v11 } base de V y Bw =
14 6
Capítulo 7 Transformaciones lineales
a 12
a ¡m
a 21 a 22
a 2m
a nl
a nm
a 11
a n2
a 2m
La matriz A = a nl
2
W¡
tenemos que T
se llama la matriz asociada con la transforma-
a nm
a n2
Matriz asociada
En resumen he
Re-sultado 1
ción lineal respecto a las bases Bv = {v1, v2, ··· , vn} de V y Bw= {w 1, w 2, · ·· , wm de W y la denotaremos como MT Sea v E V :::::} v = x 1v 1 + x 2v 2 + ··· + x nvn :::::} T( v) = x 1T( v1)+ x 2T(v 2 ) + · · · + xn T(vn) =
T(v)
= (x1 , x 2 , .. • •
(1 )
= (y¡, Y2, ···, Y m
au (x¡,X2, ... ,xn) !xn a 2 ! a nl
a !2
a ¡m
W¡
a
a 2m
w2
a nm nxm
wm mxl
22
a n2
nde Es el vector e~ 2> · · · ' V} n de
V
Es la matriz :\1Es el vector e -
Haciendo
(y¡, Y2> . .. ,Ym) = (X¡ , x2, .. . , xn) !xn
a ¡¡
a !2
a¡m
a
a22
a 2m
21
r tanto ( y 1, y 2, ..• a nl
a n2
anm nxm
-
Transformaciones lineales
Matriz asociada a una transformación lineal
y 1w 1 + y 2w 2 + · ·· + YmWm, esto nos indica que (y 1, y 2, •• · , Ym) es el vector de coordenadas de la imagen de v respecto a la base Bw = {w 1, w2 , · ·· , wm} de W. - asociada con la transforma-
En resumen hemos obtenido el siguiente resultado:
Resultado 1 Si
vEV~v = x 1 v 1
+ x 2v 2 +···+xnvn
T(v) = (x 1 , x 2 , .. . , xn)
a¡¡
a 12
a 21
a 22
anl
a n2
~
a¡m
W¡
,.----'---,
(2)
(1)
(3)
W¡
=( y¡, J2, ... , Ym)
w2
donde
( 1) Es el vector de coordenadas en forma de fila de v respecto a la base Bv v2, .. · , vn} de V (2) Es la matriz My, asociada con la transformación lineal (3) Es el vector columna de la base Bw = {w 1, w2,
nxm
.. · ,
wm} de W.
a 11
a 12
a 1m
a 21
a 22
a 2m
a ni
a n2
a nm
= { v 1,
148
Capítulo 7
Transformaciones lineales
es el vector de coordenadas en forma de fila de T(v) respecto a la base Bw = {w1. w 2, · · · , wm} de W .
\tlatriz asociada a una
Ejemplo:
Sea T : -
Si calculamos la transpuesta tenemos:
Resultado 2
T(1, O)= (3, 1) = 3(1. T(O, 1) = (-2, 1)= - :
all
a 12
Luego la matriz asoc· a nm
Si v (4)
(- 3, 4), ento
=
(6)
(5)
~~( xx J=(31
-2
1
Yt = (w¡ , w2, · ··, wtn )
1
2
Y2
J
2y) , que
3x x+y
Ym
COID
~anónica.
donde
(4) Es el vector fila de la base Bw = {w1, w2 ,
••• ,
Ejemplo: Sea la -1,2)}, Bw = {(1,- : .
wm} de W.
(5) Es la transpuesta de la matriz Mr , asociada con la transformación lineal.
(6) Es el vector de coordenadas en forma de columna de v respecto a la base Bv = {v1• v2 , · · · , vn} de V.
Por tanto
T(l, - 1) = (5, O)= T(- 1, 2)
=
a :~
(-5, 1) = a:
Lo que nos conduce a:
Yt
a 11
a21
Y2
a 12
a 22
a" - a"
Ym
a nm
ue al resolverlo nos da: es el vector de coordenadas en forma de columna de T(v) respecto a la base Bw w2, ... ' wm} de w.
=
{w1.
En lo que resta del libro usaremos el resultado 2, tanto para explicaciones respecto a la matriz asociada a una transformación lineal, como para las respuestas a los ejercicios.
Jt t = O,
a ,2
por tanto Mr
= - 5, a2 1 =
=(
0 - ]
-
-
Transformaciones lineales
149
Matriz asociada a una transformación lineal
Sea T : JR 2
Ejemplo:
JR 2 dada por
--7
T(x,y) =(3x- 2y,x + y)
donde Bv= B111 = {(1,0),(0,1)} T(l, O)= (3, 1) = 3(1, O)+ 1(0, 1)
T( O, 1) = (-2, 1) = - 2(1, O)+ 1(0, 1)
=
Luego la matriz asociada con la transformación lineal es Mr = ( _
Si v
~ ~) /
=
(-3, 4), entonces el vector de coordenadas en forma de columna de T(v) es
J=(31
X M~ x~ (
t 3x- 2y) x+y
-2] (-3] 4
1
=
(-17] · 1
y si v = ( x, y), entonces T( v) = (3 -2) 1 1
(X) y =
, que coincide con T(v) = T(x, y) = (3x - 2y, x +y) debido a que Bw es la base
anónica.
Ejemplo: Sea la misma transformación del ejemplo anterior con Bv = {(1,-1), t- 1,2)}, B 111 = {(1,-1 ),(- 1,0)}. Tenemos por tanto , ~
- o rmación lineal. - respecto a la base Bv =
{,.
T( l, -1) = (5, O)= a 11 (1, -1) + a 12(- 1, O) T(-1, 2)
=
(-5, 1) = a 21 (1, - 1) + a 22 (- 1, O)
o que nos conduce al siguiente sistema de ecuaciones lineales:
- a¡¡
= 5 o = o
a 12
a¡¡
+
que al resolverlo nos da:
a11 =O, a 12 =-5,a21 = - 1, a 22 =4
- -::. explicaciones respecto a la - re::,-puestas a los ejercicios.
- -=-==-=-
por tanto Mr =
---~ -------=--~~------
..-
--
-
o - 5J (- 1 . 4
az¡ - a 21
a22
+
O
=
-5
=
1
150
Capítulo 7 Transformaciones li
Nuevamente si v
=
(-3, 4), entonces el vector de coordenadas de v respecto a la
B, = { ( 1,- 1) , (- 1, 2)} es (-
bas~
~) luego el vector de coordenadas en forma de columna
Si v = (x, y), debemos primero calcular el vector de coordenadas de v con respecto a la base Bv = { ( 1, -1) , (- 1, 2)} de V.
(x, y)= x 1(1, - 1) + x 2 (-1, 2), entonces, x2
=
X
- x 1 + 2x 2
=
y
X¡
que resolviendo nos da x 1 = 2x +y, x 2 entonces T( v) = M~
[Xzx 1)
= [
=
Sea u
E
U, entonce
=
denadas de u respe coordenadas de T 1( v :-. nadas de ( T 2 o T 1, Wes: M~(M;x)
= (M~M; X=
formacióríÍineal T 2
Definición 1 Sea transformación se /1-
x +y
y) O-1) [2xX++y)y - [--x6x - y 4
- 5
Definición 2 F: W
-7
Sea T V si
Ejemplo: En el ejemplo rotación de vectores de la página 13 7 vimos que el efecto de rotar un vector es una transformación lineal. Se puede observar que la matri::
' lineal es [ cos e asociada a esta transformacion -sen 8
sen cos
e). e
Sean U, V, W espacios vectoriales y Bu = {u 1, u2, .. • , us}, Bv vn} , Bw = {w 1, w2, ... , wm} bases de V, V y W respectivamente.
Teorema 1
v2 ,
.. · ,
donde Iv e Iw den o vectoriales V y W r·orT__.,--
=
{v1•
Ilustración:
Sean T 1: U --7 V , T 2 : V --7 W transformaciones lineales con matrices asociadas M 1 y M 2 respectivamente. Entonces la matriz asociada a la transformación lineal T2 o T 1 es M 1M 2.
Demostración: Tenemos:
u
B 11 ={u 1 ,~,
~ ·· ,U5
}
V Bv={v1 ,v2 , .. ,v11 }
T,
w Bw= {w1 ,w2 ;··,w111 }
Teorema 2 Sea T : ella es única.
-
Transformaciones
lineal ~
151
Matriz asociada a una transformación lineal
X¡
Sea u
E
U, entonces u = x 1u 1 + x 2 u 2 + · · · + xsus , luego X =
x2
es el vector de coor-
denadas de u respecto a la base Bu = { u 1, u 2 ,- • ·, us} luego M~ X es el vector de coordenadas de T 1( v) respecto a la base Bv = { v 1, v2 ,- • · , v n} de V. El vector de coordenadas de (T 2 o T 1 )( v) = T 2 (T 1 ( v )) respecto a la base Bw = { w 1, w 2 ,- · ·, wm} de Wes: M~(M;x) = (M~M;)X =
formación lineal T 2
T1 .
Definición 1 Sea Iv: V -7 V la transformación lineal dada por Iv(v) transformación se llama transformación idéntica sobre V.
-x-y)
'-- x - y
5 ·
o
(M 1M 2 )'X, por tanto M 1M 2 es la matriz asociada a la trans
Definición 2 Sea T : V F: W -7 V si
-7
=
v. Esta
W es una transformación lineal. T tiene una inversa
.a 13 7 vimos que el efec de observar que la ma -
T
o
F = Iw
F
o
T = Iv
donde Iv e Iw denotan las transformaciones lineales idénticas en los espacios ·ectoriales V y W respectivamente.
us}, Bv ectivamente.
_· u2,
••• ,
=
{v;
t"=7Jiones lineales con matrices
Ilustración: T
V
asociada a la transforma-
W
F
V
- - - - Iv __________. W
Teorema 2 Sea T : V ella es única.
F
V
T
---- Iw_________. -7
W
W una transformación lineal. Si T tiene una inversa,
152
Capítulo 7 Transformaciones lineales
Matriz asociada z
Demostración: Supongamos que T tiene dos inversas, F y G, esto quiere decir que
G
=
G
o
lw = G
o
T
o
F = lw
T
o
G = lw
F
o
T
= lv
G
o
T = lv
(T
o
F) =
F
=
G
(
T)
o
o
lv
o
F
=
F
Teorema 4 V
Ilustración:
Bl={vl }v2,- ··,vn}
Como la inversa es única la denotaremos por T- 1 y por consiguiente se tiene
Si Mr es la m r V
Si T : V
---7
T
o
T-
1
T-1 o
= lw
B 2 ={v~ , v;,···,v~}
T = lv
Demostración:
V tiene inversa T- 1, entonces, T
o
T -l
Sea A la matriz --
T - 1 = lv o
T- 1V
que escribiremos simplemente como
T
o
T- 1 = T- 1
o
T
=
1
donde 1 es la matriz idéntica en V.
Teorema 3 Sea 1 : V
---7 V la aplicación linea/idéntica y B = {v1,v2 base de V. La matriz asociada a 1 es: '.
o
o o
o o ...
1 nxn
1
Demostración:
o
v11 } una
~JERCICIOS
l.
Hallar la ma----r.;: general del
a) V= JR2 W= JR2 T(x, y)= -
l(v ¡)= V¡ = 1 V¡ +Ovz + ·· · + Ovn l(vz)= vz=Ov¡ + 1vz +···+ Ovn
b) V=JR2
W = JR2 T(x,y)
=
-
-
Transformaciones lineales
153
\1atriz asociada a una transformación lineal
1
o
o
1
o o
Luego la matriz asociada a 1 es
= 1
o o ... Teorema 4
= F=F
V B 1={v1,v2 ,- ··,vn}
- -iguiente se tiene
Sean B 1 = {v1, v2, .. ·, vn}
~
-{ , V , ... , } B 2 - v1,v2 , ,V11
nxn
B 2 = {v;, v;, .. ·, v~} bases de V y
y
· · lzneal. · una transformaczon
Si Mr es la matriz asociada a T, entonces My! es la matriz asociada a 1 V V B 1={v 1,v2 ,. ··,v,J B2 ={v; ,v; ,···,v;J
Demostración: Sea A la matriz asociada a T- 1. Sabemos por la definición de T- 1 que T
o
T-1 = T-1o T
=
1
y por el Teorema 1 sabemos que la matriz asociado a T 2
A
o
M
T
= M
T o
A
=
o
T 1 es M 1M 2, entonces,
In , por tanto,
A=Mj yB
=
EJERCICIOS
{v1,vz, ... , vn} una l.
Hallar la matriz asociada a la transformación lineal T : V -7 W respecto a las bases dadas. Calcular T(v) para el vector v dado, y hallar T(v) para un vector en general del espacio vectorial V .
a) V= 1R2
Bv = {(0, -1), (-1, 2)}
W=JR2
Bw = {(1, -1), (-1, O)}
T(x,y) =(- y, 2x + y) b) V =JR 2
W = JR2 T(x, y)= (2y, 3x)
v
=
(3, - 1)
Bv = {(1, 2), (-2, 1)} Bw = {(1, - 1), (-1, 3)} v=(3,-l)
154
Capítulo 7
W
= ~2
Transformaciones lineales
Matriz asociada a una tra-
Bv = {(1, O, 0), (0, 1, 0), (0, O, 1)}
Tix, y)= (x + y ._ .
Bw = {(1, 1), (4, 1)}
Tix, y)== (x- y. __ -
T(x, y, z) = (x +y+ z, 2y, 3x)
v = (1, 2, 3)
y las bases para 2: _
Calcular las matri ~ ~ d) V= ~ 3 W
Bv = {(1, 1, 1), (-1, 1, 0), (0, 1, -1)}
= ~3
T(x, y, z)
Bw = {(1, - 1, 2), (2, -1, 1), (1 , 1, 1)}
(x +y, x-y, z- x)
=
v = (-2, 3, 5)
6.
Igual al problema -,B3 = {(1, - 1, 0).
e) V= P3 W=P 2
Bw= {l,x,x2}
T(p( x)) = p' ( x) ==
fx p (x)
v 2.
=
p(x)
=
2 + 3x + 4x2 + 5x3 Con los datos del _ B 2 = {(1, 1), (-1. ·
Hallar T(x, y) y la matriz asociada, si la transformación T : ~ 2 ---7 ~ 2 viene dada por
T(l, 1) = (1, 2) T(-2, 3) = (-3, 5) donde la base de ~ 2 del lado izquierdo es {(1, 1), (-2, 3)} y la del lado derecho es {(1, 1), (-1 , O)} 3.
Sea T: ~ 2 ---7 canónica. Demu~-~ T- 1. Halle T- 1(x. _-
Hallar T(x, y, z) y la matriz asociada, si la transformación T: ~ 3 ---7 ~ 2 viene dada por T(l , O, O) = (1, 2) T(O, 1, O)= (1, - 1)
9.
Sea T : ~3 ---7 ::::es la canónica. D~ de T- 1• Halle T- · _
1O. Con los datos del t"'·"'--'-- ....... B 3 == {(1, O, 1), (C.
l. Sea T : ~ 3 ---7 es invertible.
T(O, O, 1) = (2, -3) donde la base de ~3 es {(1, 1, 1), (-1, 1, 0), (0, 1, -1)} y la de ~ 2 es {(1, 1), (-1 , O)} 4.
5.
Sea Te la transformación lineal que indica rotar un ángulo 8. Demostrar que la matriz asociada con la transformación lineal T a o T ~ es igual a la matriz asociada con la transformación lineal T a + ~Sean T 1: ~ 2 ---7 ~2, T 2 : ~ 2 ---7 ~3, T 3 : ~ 2 ---7 ~ 3 dadas por:
T 1(x, y)= (x +y, x)
CAMBIO DE BASE
V
={vl,v2,- ··~v~~}
~ B2=
El efecto de 1 es enviar ·os de la base B 1 == {v1 • ,.: _ ineal de los elementos e
-
Transformaciones lineales
155
1atriz asociada a una transformación lineal
T 2(x, y)= (x +y, y, x) T 3(x,y) = (x -y, x +y, x) y las bases para JR2 y JR3 son las bases canónicas.
Calcular las matrices asociadas a T 1, T2 , T3 , T2
o
T 1 , T3
o
Igual al problema anterior pero las bases para JR2 y JR 3 son B 2 B 3 = {(1, -1, 0), (0, - 1, 1), (1, O, 1)}
T 1, T 12 = T 1
=
o
T1
{(1, 1), (- 1, ~)}y
Sea T: JR2 ---7 JR 2 dada por T(x, y) = (x +y, 4y - 2x) y la base para JR2 es la canónica. Demuestre que T es invertible y por tanto calcule la matriz asociada de T- 1. Halle T- 1(x, y).
T : ~~2
---7
Con los datos del problema anterior halle matriz asociada a T- 1 si la base de JR2 es B 2 = {(1, 1), (- 1, 1)}.
JR2 viene dada
9.
Sea T : JR3 ---7 JR 3 dada por T(x, y, z) = (x-y + z, y- x, x - z) y la base para JR3 es la canónica. Demuestre que T es invertible y por ende calcule la matriz asociada de T- 1. Halle T- 1(x, y, z).
y la del lado derecho es
T : ]3 ---7 JR2viene dada
10. Con los datos del problema anterior halle la matriz asociada a T- 1 si la base de JR 3 es B 3 = {(1, O, 1), (0, 1, 1), (1 , 1, 0)} . l. Sea T : JR3 ---7 JR 3 dada por T(x, y, z) =(x -y, y - x, x- z). Demuestre que T no es invertible.
CAMBIO DE BASE
de
2
es {(1, 1), (-1, O)} -ean B 1 = {v1, v2 , ··· , vn} y B 2
--= lo
= {v;, ví,- ·· , v~} bases de V
y
8. Demostrar que la ~ :gual a la matriz asociada
V ~ 8,={v,,v2 ,. . .,vJ
:.:- dadas por:
El efecto de 1 es enviar un vector que se escribe como combinación lineal de los elemen:os de la base B 1 = {v1, v2 ,···, vn}, en el mismo vector pero escrito como combinación ineal de los elementos de la base B 2 = { v;, v;, · · ·, v~ }.
8 2
V ., · , · ={v;,v;,. --,v;,} la transformac10n 1dent1ca.
156
Capítulo 7 Transformaciones
lineal ~
Calculemos la matriz asociada a esta transformación lineal.
l(v1) =v1 =a 11 v{ +a12 v;
de la base B 1 a la
+···+a 1 nv~
respecto a la base B.: entonces Mr
=
=
La matriz de cambio (-1, O)} es naturalm
Esta matriz se denomina matriz de cambio de base de la base B 1 = { v1 , v 2 , • · ·, v n} a 1::. base B 2 = { v{, v; , · · ·, v~} y la denotaremos por M: 2
Teorema 1 T respecto a una b
1
X¡
base
Xz Por tanto si
B 2 = {v{,
<·
_
Sea M= MBB,2 la
son las coordenadas de un vector respecto a la base B 1 = { v1, v 2 , · · ·, vn
X¡
Demostración:
nos da las coordenadas del mismo vect
Sea v E V
=:}
v = x1'· X¡
siguiente X
pero respecto a la base B 2 = { v{, v;, · · ·, v~ }. Ejemplo:
Sea T : JR 2
---7
JR 2 con bases B 1
=
{(1, 1), (-1, 0)}, B 2
=
=
x2
{(2, O .
(- 3, 1)}. coordenadas de v respe
Calculemos la matriz de cambio de base respecto a las bases B 1 y B2 .
Como A es la matriz - __ coordenadas de T(v) e-:.
1(1, 1) = (1, 1) = a 11 (2, O)+ a 12(- 3, 1) 1(- 1, O)= (-1, O)= a 21 (2, O)+ a 22 (-3, 1)
2 - 3 1 - 1J ::::; ( 1 o 2 (o 1 1 o o 1 1
_l.J luego la matriz de cambio de base
La matriz M= M:' n .: 1 tanto MZ = W y M - 1" =
2 ,
o
-___ -
--
~
z
--
--
- --
-_ - - - - =-----
-
Transformaciones lineale<:
Matriz asociada a una transformación lineal
157
±
B de la base B 1 a la base B2 = MB~ = (_ 2
El vector de coordenadas de (2, 3) respecto la base B 1 = {(1 , 1), (-1, O)} es(;), por
'(3J1 = (_ 2
B ) · tanto (MB~
son las coordenadas de (2, 3)
1
respecto a la base B 2 = {(2, 0), (-3, 1)} La matriz de cambio de base M: 21, de la base B2 = {(2, 0), (-3, 1)} a la base B 1 = {(1, 1), 1
(-1, O)} es naturalmente (M:~ f = 1
(
_
2 1]_ 0
1
_
(o -2J 1
4
Sea T : V ~ V una transformación lineal. A la matriz asociada a T respecto a una base B 1 = { v1, v 2 ,- · ·, vn} y B la matriz asociada a T respecto a otra base B 2 = {vi, v;,· ··, v~}.
Teorema 1
Sea M = M: 21 la matriz de cambio de base, de la base B1 = { v1 , v 2 , · · ·, vn} a la base B2
= {v~ , v;, ... , v:}.
Entonces
Demostración:
-- :oordenadas del mismo vec X¡
siguiente X = . 1), (-1, 0)}, B 2
=
xz
es el vector de coordenadas de v respecto a la base B 1•
{(2, O Como M es la matriz de cambio de base de B 1 a B 2. entonces Y = MX es el vector de coordenadas de v respecto a la base B2 . Como A es la matriz asociada a T respecto a la base B 1, entonces Z = AX nos da el vector oordenadas de T(v) respecto a la base B 1 Análogamente W = BY nos da el vector de coordenadas de T(v) respecto a la base B2 .
~
-,
bio de base
~-~ --------~--
La matriz M = M: 2 nos permite cambiar de coordenadas de la base B 1 a la base B2, por 1 tantoMZ = WyM- 1W = Z
-
----
158
Capítulo 7 Transformaciones lineales
Veamos ahora que efectivamente M- 1BM =A.
(M- 1BM)
(X)=
Teorema 2
(M- 1B)
(MX) =
M- 1 (BY)
=
M- 1W
Sean B 1 = { v1 , v2 , • · ·, vn} y B 2
= Z = AX ::::}
= { v;, v;, · · · , v~}
M- 1BM
=A
bases ortonormales de B2
un espacio vectorial V. Entonces la matriz de cambio de base MB 1 de la base B 1 a la base B 2 es ortogonal. Demostración:
Sean P =
PJJ P21
PnJ
P12 P22 Pn2
P!n
qll
P2n
qz¡
Pnn
y Q=
qn]
q¡z
q22 qn2
Sea R = (riJ) = P'P. ~-:::e~ (columna j de P) = P Si las columnas de • indica que R
=
1 :::::)
ii) ::::}) Supongamos P'P. Se tiene por·
q]n
=
qzn
riJ
qnn
={
1
=
~
(fila i de P')
o si
*
i j 1 si i = j
lo
·
_,_
las matrices de cambio de base de B 1 a B 2 y de B2 a B 1 respectivamente, entonces,
V¡ = p 11V~ + P12 V~ + · · · + P!nV~
l.
V2 = Pz¡V~ + P22V~ + ··· + Pznv~
V~
2.
=q¡¡V¡ + q¡zVz + ·· · +q¡nvn
V~ = q2¡V¡ + qzzVz + ··· + qznvn
Sea V = ~ 2 , cematriz de cam de la base B a
3. Como B 1 es una base ortonormal V¡ · vj = ( Pn v{ + Pi2 v2 + · · · + Pii vj + · · · + Pin v~) · v' =PiJ. Análogamente como B 2 es una base ortonormal, vj·v¡ =(q 11 v 1 +q 12 v2 +··· q1¡v¡ + · · · + qJn vn)· V¡ =q 1¡, por tanto qJi = piJ, lo que nos indica que Q = P'. Por el teorema 4 de la página 153 se sigue que QP = PQ = 1, luego P'P = PP' = 1 y asi P es ortogonal. (Recuérdese que una matriz A es ortogonal si su inversa es A', esto es A'A=A A'= l .
Una matriz P nxn es ortogonal sí y sólo sí las columnas de P form ar una base ortonormal para ~n.
Teorema 3
Demostración:
i)
~)
Supongamos que las columnas de P forman una base orto normal.
4.
5.
Sea V= R 3, co,... (0, -1, 1), (1, O. : y la matriz de 1), hallar las coc~:c=~:..-1
- -
Transformaciones lineales
159
Ma triz asociada a una transformación lineal
Sea R = (riJ) = P'P, entonces, riJ =(fila i de P') (columna} de P) = (columna i de P) (columna} de P) = (P.¡) (P.) o
Z=_-\_"\:
~
M- 1BM=A
o
bases ortonormales de - e M ! 2 de la base B 1 a la l
Si las columnas de P son ortonormales se tiene entonces riJ
o si = { 1 Sl
i
o
o
l
*j = j
•
,
lo que nos
indica que R = 1 ~ P'P = 1 o sea que P es ortogonal. ii) ~) Supongamos ahora que P es ortogonal, esto es P'P = 1, y nuevamehte sea R = (r iJ) = P'Po Se tiene por tanto que R = 1, o sea
L
riJ = (fila i de P') (columna} de P) =(columna i de P) (columna} de P) = (P.¡) (P.)
o si
= {1 SI o
~
riYamente, entonces,
i
*j
o
l = }
o
. lo que nos indica que las columnas de P son ortonormales
EJERCICIOS l.
Sea V= JR 2, con bases B 1 = {(1, 0), (0, 1)} y B 2 = {(2, 0), (- 3, 1)}0 Calcular la matriz de cambio de base, de la base B 1 a la base B2 y la matriz de cambio de base, de la base B 2 a la base B 1. Dado el vector v = (3, -2), hallar las coordenadas de v respecto a las bases B 1 y respecto a la base B 2
20
Sea V = JR 2 , con bases B 1 = {(1, 1), (0, -3)} y B2 = {(2, 0), (-3, 1)}. Calcular la matriz de cambio de base, de la base B 1 a la base B 2 y la matriz de cambio de base, de la base B2 a la base B 1 Dado el vector v = (3, - 2), hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2. 0
- __
- ... -'-' P··V'· · v') y lJ J + ... + P mn o
- ·\'; =(qi ¡V¡ + qJ2 v2 + ··o ..:·c:a que Q = P'.
L luego P'P = PP' = 1 y as - -i su inversa es A', esto es:
30 Sea V= JR 3 , con bases B 1 = {(1, O, 0), (0, 1, 0), (0, O, 1)} y B2 = { {(1, - 1, 0), (0, -1, 1), (1, O, 1}} . Calcular la matriz de cambio de base, de la base B 1 a la base B 2 y la matriz de cambio de base, de la base B2 a la base B 1 Dado el vector v = (3, -2, 1), hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2 0
40
=
Sea V= R3, con base B 1 = {(1, 1, 1), (- 1, 1, 0), (0, 1, -1)} y B 2 = { {(1, -1, 0), (0, -1, 1), (1, O, 1)}} Calcular la matriz de cambio de base, de la base B 1 a la base B 2 y la matriz de cambio de base, de la base B 2 a la base B 1. Dado el vector v = (3, - 2, 1), hallar las coordenadas de v respecto a la base B 1 y respecto a la base B 2 o
0
- as columnas de P form ar.
50
}J (1, 1, 1), ~ (- 2, 1, 1), ~(o, - 1, 1)} y B = { ~ (1, 1, 0), )J (1, - 1, 1), ~ (1, - 1, - 2)} bases ortonormales de JR Sean B 1 = {
2
car que la matriz de cambio de base de B 1 a B 2 es ortogonal.
3
0
Verifi-
160
Capítulo 7 Transformaciones lineales
TRANSFORMACIÓN LINEAL ASOCIADA A UNA MATRIZ
Sea A una matriz de tamaño n x m y consideremos la aplicación: T : JE.m -7 JE.n dada por T(X) = AX donde X es un vector columna de tamaño m x 1, entonces AX es un vector columna de tamaño n x l.
de A si existe AX = A-IX, deb .; La ecuación A.X =
La aplicación dada por T(X) = AX es una transformación lineal.
Teorema 1
Demostración: Sean X y Y vectores columnas de tamaño m x 1, y
a un escalar, entonces
a) T(X +Y) = A(X +Y) = AX +AY= T(X) + T(Y) b) T(aX) = A(aX) = a(AX) = aT(X)
Como conclusión, podemos trasladar muchas propiedades de las transformaciones lineales a matrices y viceversa, trasladar varias propiedades de matrices a transformaciones lineales, pues a cada transformación lineal le corresponde una matriz, su matriz asociada y a cada matriz le podemos asociar una transformación lineal.
Veamos qué rela propios de la ma-=
VECTORES Y_VALORES PROPIOS
X-
X-
Sea T : V -7 V una transformación lineal. Se dice que v es un vector propio de T si existe A E R tal que Definición 1
E
V, v
;t
O
entonces X= X
T(v) ='Av
En otras palabras un vector v *O es un vector propio de T si T(v) es un múltiplo de v. También se emplean los términos valores y vectores característicos en lugar de vectores y valores propios. Además si v
;t
O, entonces 'A está determinado de manera única, pues si
V}
T(v)= A¡ T(v)= A2 v
:::::> A¡ v = Az v :::::> (A 1 - Az ) v = O y como v
* O :::::> A = A 1
2
Si T(v) ='Av, el escalar A se llama valor propio de T correspondiente al vector propio v.
Teorema 1
:ransformación ?ropio de T sí y s
-
Transformaciones lineales
a de tamaño m
x
161
Transformación lineal asociada a una matriz
1,
Si A es una matriz cuadrada podemos asociar esta matriz con una aplicación lineal. T : JRn -7 JRn dada por T(X) = AX por tanto podemos decir que X -:f::. O es un vector propio de A si existe un A E R tal que AX = AX. Esta última ecuación se puede escribir como AX = AIX, debido a que IX = X , pues 1 es la matriz idéntica. La ecuación AX = AIX implica (A- Al) X = O. Por tanto A es un valor propio sí y sólo sí la ecuación (A- AI)X = Otiene una solución no trivial, lo que nos lleva a afirmar que la matriz A- Al no tiene inversa, pues si tuviera una inversa multiplicando a ambos lados de la ecuación (A - AI)X = O por esta inversa nos llevaría a afirmar que X = O, lo que contradice el hecho de que X es un vector propio. El hecho de que A - Al no tiene inversa se puede expresar diciendo que el determinante de A- Al es cero.
epzsforma ción lineal.
En resumen tenemos que A es un valor propio de A, si
.a.:; transformaciones linea- :rices a transformaciones triz, su matriz asociada
Se dice que v
E
V, v
-:f::.
O
_ T v) es un múltiplo de v.
racterísticos en lugar de
lA - le~ = O.
Además, como (A- AI)X =O, implica que X está en el núcleo de A- Al, podemos afirmar que A es un valor propio si el núcleo de A - Al -:f::. {O} Veamos qué relación existe entre los valores propios de una transformación y los valores propios de la matriz asociada a la transformación lineal. Sea A la matriz asociada a T respecto a una base B = {v 1 , v2 , ···, vn} Si vE V => v = x 1v1 + x 2 v2 + ··· + xnvn,
entonces X =
es el vector de coordenadas de v respecto a la base B,
por consiguiente como T(v) =Av, el vector de coordenadas de T(v) tiene que ser igual al vector de coordenadas de Av, pero el vector de coordenadas de T(v) es AX y el vector de oordenadas Av es AX, por tanto T(v) =Av nos conduce a AX = AX. Análogamente si tenemos AX = AX, podemos ver a X como las coordenadas de un vector v y por tanto AX son las coordenadas de T(v); y si las coordenadas son iguales, los vectores que representan tienen que ser iguales, luego T(v) = Av. Todo lo anterior nos lleva a enunciar el siguiente teorema:
Teorema 1
Sea T : V -7 V una transformación lineal y A la matriz asociada a la
transformación lineal respecto a alguna base B = {v 1 , v2 , · ··, vn}. A es un valor vropio de T sí y sólo sí A es un valor propio de la matriz asociada A .
162
Capítulo 7
Transformaciones lineales
u¡
Si se expande el determinante lAse obtiene un polinomio de grado n en la variable A, que denotaremos por p(A), el cual se denomina polinomio característico y la ecuaciór: lA- AI I= O se denomina ecuación característica de la matriz A.
Teorema 2 T~_ = { v E VI T(v) = A-v} es un subespacio de V y es llamado e subespacio propio de T correspondiente al valor propio A.
Vectores
De forma similar (A+I)X= O=>
el subespacio pro
Ejemplo: Hallar
""
Demostración: Seanv1 ,v 2
ET~_
=> T(v 1 ) = A-v 1 yT(v2 )=A-v 2 =>
l l
A= 3 a) T(v 1 + v2 ) = T(v 2 )+ T(v 2 ) = A-v 1 + A-v 2 = A-(v 1 + v2 ) => (v 1 + v2 ) E T~_ b) Sea
a un escalar, entonces, T( av 1) = aT( v1) =a (A-v 1) =A( av 1) => ( av1) E T~_
3 O
1 -3
Hemos demostrado por tanto que el conjunto de todos los vectores propios correspondientes a un valor propio forman subespacio vectorial.
Ejemplo: Hallar los valores y vectores propios de la matriz A= [
3 -4)
- 2
1.
(A - 01) X= O=>A~ =
- 4¡ = O entonces, . , caractenstlca ' . es ¡3-AL a ecuacwn -2 1-A, A,
2
-
4A- - 5 =o=> (A-+ 1)(A-- 5) =o=> A, = 5, A, = - 1
Hallemos los vectores propios correspondientes al valor propio A= 5, para esto debem : hallar el núcleo de (A - 51), es decir, hallar X tal que Para A = 2, tenem : (A - 51) X = O=> [
=~ =:) [:~)
=
[~)que al resolver el método de Gauss, nos condu-
/
(A - 21) X= O=> ce a [
~ ~ ~) , luego la solución es [ ;~) = a [ _ ~) y por consiguiente una base para e
núcleo es [ _
~)
l por consiguiente una
-
Transformaciones lineal
~.:.\---'.....,-o
de grado n en la variab aracterístico y la ecuaci
- ..z A .
De forma similar para A = -1, hallemos el núcleo de (A + 1),
(A + 1) X= O::¿ ( _ ;
de V y es llamado
163
Vectores y valores propios
-;)
el subespacio propio es (
(;~) = ( ~ J, cuya solución es (;~) = a (=~) y una base para
~) , haciendo a
=
-1
Ejemplo: Hallar los valores y vectores propios de la matriz ·
A =(~ ~ :
=> IV¡
1 -3
+v 2 ) E TA
= A. ( av 1) ::¿ ( av 1)
31)
-
E
T"
- ·ectores propios correspo
1- A. La ecuación característica es 3
3 - A,
1
-3
- 1 3 =
o , entonces,
3-A.
2
4A? -4A.- A. 3 = 0::¿-fiv(A.-2) =0::¿fiv = O, A- =2 Hallemos los vectores propios correspondientes al valor propio A= O 1
3
(A - 01) X= O::¿ AX = O::¿ 3
O
(
1 -3
-~ J(:: J=( ~J,cuya solución general es
j
(:: J=a ( Jy por ~to una b~e p~a este subesp~io propio es (
j]
io A= 5, para esto debem : Para A = 2, tenemos
- 1
:l'..étodo de Gauss, nos condu-
(A - 21) X= O::¿
(
~
- ;:onsiguiente una base para e
por consiguiente una base pan1 este subespacio propio es ( _
~). ,
164
Capítulo 7 Transformaciones lineales
Ejemplo: Sea V = C"' =
T : C"' Si y
=
f
---7
lf : lR
C"' dada por: T(f)
=
---7
lR
1
f
Vectores y valores
tiene derivadas de todos los órdenes} y
contradicción, lueg ;:-=:=::::::;iiJI
df dx
{ V¡' V2' ... ' V n}
(x) es un vector propio de T entonces T(y)
=
A.y, implica ddy =A-y => dy y
X
es ~~-"-~.......,
=
A.dx => ln y = !ex+ e=> y = eA.x+c = ce A.x; en consecuencia, todo número real A es un
Teorema 4
Sea T :
tiene a lo más n ,.
valor propio de T y los vectores propios conespondientes son de la forma ceA.x para e :;t: O. Demostración: Teorema 3 Sean A- 1, A-2 , .. · , An valores propios todos diferentes entre sí, correspondientes a los vectores propios v 1, v 2 , · · · , vn, entonces { x 1 , x 2 , · · ·, xn} es linealmente independiente.
Si T tuviera n + 1 ' propios serían linea:.::: _ ó a el hecho de que ' ·
Demostración:
Supongamos que el subespacio generado por{ v1 , v2 , asu~amos
.. ·,
vn} tiene dimensión k( k< n) y
por tanto que una base para este subespacio es { v 1, v 2 , • · · , v k } (si es del caso
se reordenan para que esto suceda); por ende { v1 , v 2 , ... , v k} es linealmente independiente. Por el Teorema 2 de la página 130 sabemos que { v1 , v 2 ,
.. ·,
vk, vk+l} es linealmente
Teorema 5
Si un
dependiente,luego,a 1v1 +a 2 v2 + .. ·+akvk +ak+lvk+l = 0,conalgúna¡ 1 O. Demostración :
Si a k+I = O, tendríamos a 1v1 +a 2 v2 + · · · +a kv k = O, con algún a; :;t: O, lo que nos indicaría que { v1 , v2 , ... , v k} es linealmente dependiente, contradiciendo el hecho de que { v1 , v2 , .. · , vd es linealmente independiente; por consiguiente a k+l
:;t:
Oy
Como A es similar a
PAP-' =B.
Si hacemos p-1 = Q. ----~r similar a A.
a 1v1 + a 2 v2 + ... +akvk +ak+lv k+l = O con ak+I *O, entonces
De acuerdo con este
:·~~,..-:.--,
a 1T(v 1 )+a 2 T(v 2 )+ .. . +a kT(vk )+ak+1T(vk+i ) = O=> a 1A- 1v1 +a 2 A- 2 v2 + ... + akA-kvk +a k+ IA-k+lvk+l = O
Teorema 6
Si a la última de estas ecuaciones le restamos la primera multiplicada por lk+J , tenemos: a 1(A- 1 - A-k+i ) v 1 +a 2 (A- 2
-
A-k+I) v 2 + .. ·+a k (A-k - A-k+l ) vk =O. Como cada (A¡
- Ak+l )
*O, debido a que todos los A son diferentes entre sí, esto nos indicaría que { v1, v2 , • • · , vk } es linealmente dependiente, contradiciendo el supuesto inicial.
Demostración:
Como A es similar a B det(P) = det(p- 1). de- P
-
Transformaciones lineales
165
ectores y valores propios
1
Luego el supuesto de que la dimensión de { v1 , v 2 , · · · , v n} es k (k< n ), nos conduce a una
_ :odos los órdenes} y
ontradicción, luego dimensión de { v 1 , v 2 , · · · , v n} tiene que ser n, y esto no lleva a que v1 , v 2 ,
··· ,
v n} es linealmente independiente.
. . l. dy 1 -->.. dy = .' . rmp 1ca -= AY_,.-= ·
dx
y
_ ::.... i:odo número real A es un
Teorema 4
Sea T : V
-7
V una transformación lineal, con dim V = n, entonces T
Iiene a lo más n valores propios diferentes.
=.--·::s -on de la forma ce'Ax para
Demostración: ·erentes entre sí, correspon.r . X::' · • • , X n } es linealmente
Si T tuviera n + 1 valores propios diferentes, entonces los respectivos n + 1 vectores~ propios serían linealmente independientes, por el teorema anterior, pero esto contradeciría el hecho de que la dim V
tiene dimensión k(k< n) y .. '" - , · · ·, vk} (si es del caso
n, luego T tiene a lo más n valores propios diferentes.
Definición 2 Una matriz cuadrada AnX n se dice que es similar a una matriz Bnx, si existe una matriz P no singular (invertible) tal que
es linealmente indepen-
• . ,. , v k+i} es linealmente
=
A = P- 1BP
Teorema 5 Si una matriz A es similar a B, entonces B es similar a A.
_ = -. on algún a¡ 1 O.
Demostración: gún a; :f:- O, lo que nos indicatradiciendo el hecho de onsigu iente a
k+i :f:-
OY
Como A es similar a B existe una matriz no singular P tal que A= p-'BP
~
PA = BP
~
PAP-' = B. Si hacemos p-t = Q, entonces P = Q- 1, por tanto B = Q- 1AQ, lo que implica que B es similar a A.
es
De acuerdo con este teorema podemos hablar de matrices similares.
=
Teorema 6
Si A y B son matrices similares, entonces, det A = det B
tiplicada por lk+l , tenemos: = O. Como cada (A¡
- Ak+!)
-_:indicaría que { v1 , v 2 , · · ·, vk }
Demostración: Como A es similar a B, A = p-LBP, entonces det A= det (P- 1BP) = det(P- 1). det B. det(P) = det(P- 1). det(P). det B = det(p- 1.P). det B = det(l). det B = det B
166
Capítulo 7 Transformaciones lineales
Vectores y valores
Teorema 7 Si A y B son matrices similares, ellas tienen el mismo polinomio característico y en consecuencia los mismos valores propios.
Demostración:
T(v1 )= /c 1v1 = /c 1v1 T(v 2 )= /c 2 v2 = Ov 1 -
Demostración:
--_
Sean p A (le) y p B (~e) los polinomios característicos de A y B respectivamente. Como A es similar a B, existe una matriz no singular P tal que A= p- 1BP, por tanto, pA(A) = det(A- /el)= det(p- 1BP- /el)= det(p- 1BP- p- 1P/cl) = det(p- 1BP- p- 1/ciP)
=
det(P- 1(B - /ci)P) = det P- 1 • det(B - Al). det P = dét(B - /el). det P- 1 • det P
=
luego la matriz aso _
det(B- Al). det(p- 1.P) = det(B- Al) . det 1 = det(B- Al)= p 8 (A)
La recíproca del teorema anterior es falsa, ya que si A = [
~ ~) y B = 1
=[
~ ~) y
entonces p}A) = PiA) =(A- 1)2, pero A y B no son similares pues p- 1BP = P- 11P = I y por tanto es imposible que p- 1BP sea igual a A.
l"eorema 9 Sea T : asociada a T respeL.
Por el Teorema 1 de la página 157 podemos afirmar que si T : V --7 V una transformación lineal y A es la matriz asociada a T respecto a una base B 1, y B la matriz asociada a T respecto a otra base B2, entonces las matrices A y B son similares. Definición 3
Una transformación lineal T : V
--7
V se dice que es diagonalizable
si existe una base B = { v 1 , v 2 , · · · , v n} tal que la matriz asociada a T respecto a esta
Demostración:
base es una matriz diagonal. v1 =lv 1 +Ov2 +· ·· -
Sea T : V
--7
V una transformación lineal y B = { v1, v2 , · • • , v n} una
base de V, que consta de vectores propios de T, con valores propios \A2, • • • , A. respectivamente. Entonces la matriz asociada a T con respecto a esta base es la
v2 = Ov 1 + lv 2 + · · ·-
v n = Ov 1 + Ov 2 + · · · -
matriz diagonal 1
por tanto X 1 =
o
. X- =
o)
o o
v1, v 2 , . .. , vn respect
-
Transformaciones lineales
- mo polinomio carac-
167
Vectores y valores propios Demostración:
T(v1 ) = A. 1v1 = A. 1v1 + Ov 2 + ·· · + Ovn T(v 2 )= A. 2v2 = Ov1 + A. 2v2 +···+Ovn
ctivamente. Como A
et(p- 1BP- p- 1/...JP) =
luego la matriz asociada a T respecto a la base B = { v1, v2 , .•• , vn } es
y B=I
=(~ ~)y
_ es p- 1BP = p- 1JP = 1
-
-
\
T
o o Sea T : V ----7 V una transformación lineal con dim V asociada a T respecto a alguna base
Teorema 9
=
n. Si la matriz
o o o o "-2 o o
A¡
una transformaciór: B = { v1, v2 , ... , v n} es
o o
entonces esta base está formada por n vectores propios. "-n
que es diagonalizable
1-~..~::..~...o.-ru
a T respecto a esta
Demostración:
V¡ = 1V¡ + Ov2 + ... + Ov n v2 = Ov¡ + 1v2 + ... + Ov n
B = { v1 , v2 , · · ·, vn} una p ropios /..), 2, • • • , 'A . a esta base es la
~,..,,- ro
vn = Ov 1 + Ov 2 + · · · + 1vn
o
1
por tanto X 1 =
o o
,X2=
'···,Xn =
o
o o
son los vectores de coordenadas de
o
v1, v2 , ... , v n respecto a la base B = { v1, v 2 , . .. , v n }.
168
Capítulo 7
Transformaciones lineales
Vectores
A¡ Como el vector de coordenadas de T(v 1) es M 7 X 1 =
P11 (A-)
o
, entonces T(v)
=
P21
B = P12 (A-)
\v 1,
P 22 '-
o análogamente tenemos que el vector de coordenadas de T (v2) es
B=BoA-n-1 + B,I.n-:no dependen de A.
o M7 X 2 =
A-2
Recordemos que i _ , entonces T(v 2 )= A- 2 v2
o
lo cual aplicado a r:
y el de T(v11 ) es M 7 X 11 =
o o
, por tanto T(v11 )= A11 V 11 •
det(A - Al) 1 = (e ·_
Lo ·que nos indica que {v1, v2 , ... , v n} son los vectores propios correspondientes a lo_ valores propios A- 1 , A- 2 , · · · , A11 (Cayley-Hamilton). Sea A una matriz cuadrada de tamaño n x n p(A.) su polinomio característico, entonces, Teorema 10
_1
1
en"-
n¡ +cn-l "-1 n-1¡ -
·
-
p(A) =O Demostración:
Seap(A-) = det(A- A-1) =c 11 A11 + C11 _¡A11 -l + · ·· + c 1A- + c 0 el polinomio característico de la matriz A, B la adjunta de la matriz (A - Al) a 11 -A,
a ,2
aln
a2i
a22 - A.
a2n
an2
ann - A.
=
, por tanto B =
B0 A- B 1 = c 11 _ 11 C¡¡
c21
en!
cl2
c22
cn2
B1A- B 11 _ 2 , la matriz de Bn-2A -
an!
c ,n
c2n
= c 11 _ 2 1
cnm
Bn- 1
=
c,I
B 11 _ 1A = c 0 I
los cofactores en forma transpuesta. Multiplicando la prim _ Cada CiJ es un polinomio en A, de grado a lo más n- 1, que se denotará por piJ('J...), luego
A 11- 2 , etc., la penúltima-
-
Transformaciones lineales
169
Vectores y valores propios
P11(/t.)
P21(/t.)
B = P12 (A-)
P22 (A-)
que se puede escribir como, P1n (/..)
P2n (/..)
Pnn (/..)
B=BoA-n-1 +B 1A,n- 2 +···+Bn_ 2A,n +Bn_1 , donde las matrices B 0, B 1, no dependen de A.
- es
... ,
Bn _ 2, Bn_ 1
Recordemos que si X es una matriz cuadrada se tiene:
(adj X) X
=
det(X)I
lo cual aplicado a nuestro caso con X = (A - Al) se tiene : ( BoA-n-1 + B1/t.n-2 + ... + Bn-2/t., + Bn-1) (A - U) = det(A- U) 1 = ( CnAn + cn- 1/t.,n-1 + ... + C1A + co) 1 ~
~ ~ 0-
correspondientes a los
ada de tamaño n
X
ny
· omio característico de la
- B 0 = cnl
B 0 A - B 1 = cn_ 11 B 1A - Bn_ 2 = cn_ 2 1 , la matriz de
cnm _ ~:::¡:denotará por p;/'A), luego.
Bn_ 2 A - Bn_ 1 = c 11
Bn_1A = c 0 1 Multiplicando la primera de estas ecuaciones por An, la segunda por An- 1, la tercera por An-2 , etc., la penúltima por A, y la última por 1 tenemos:
170
Capítulo 7
Transformaciones lineales
Vectores
nos conduce a:
B OAn - B1An- 1An-1 - Cn- 1 B A n-1 - B 1
n- 2
A n-2 = e
n-2
A n-2
Este método de ca~ ~ tador para calcular __ .___.,..
EJERCICIOS
o= e nA n +en_¡ A n-! + c n-2 A n- 2 + ... + C¡A + Col.
Sumando estas ecuaciones tenemos: de donde tenemos:
Hallar el polinomi _ correspondiente. l.
p(A) =O
Con la ayuda del Teorema de Cayley-Hamilton se puede obtener la inversa de una matriz A.
2.
p(A) = 0=> e nA
n
Cn A
n
+en- ! +en-!
An- 1
A n-1
+cn- 2 +cn- 2
A( en A n-1 +cn- 1An- 2
A n-2
+···+C¡ A + Co 1 = O =:>
A n- 2
+ ·· ·+C¡ A = -Co 1 =:>
+cn-2
A n-3
+ ···+C¡
1) = 1=:>
- co A-l = cn A
n- 1
+en-!
3.
.f.
An- 2
+cn-2
A n-3
+···+e¡
1
- co Ejemplo:
Calcular con la ayuda del Teorema de Cayley-Hamilton la inversa de
3
4 1
A=[~ -~ ~) n-1
oo
oo2 1 ooo2
El polinomio característico es p(A) A-1 = en A
ooo
= A3
An-2 An-3 + cn-1 +cn-2
- co
-
6 A2 + 13 A - 1O, por tanto
+ ···+e¡
I
6.
Demostrar que Demostrar que " Demostrar que _-__ de la matriz A-1
-
Transformaciones lineal es
1 71
'ectores y valores propios
nos conduce a:
A _1 = lA 2 - 6A 1 + 131 = 2_ [ 10 10
.
9 3
-2
Este método de calcular la inversa de una matriz es muy útil si se dispone de un computador para calcular fácilmente las potencias de A.
EJERCICIOS - c~ _ 2
~
A n-2 +···+c 1A + c0
Hallar el polinomio característico, los valores propios y una base para el espacio propio ·orrespondiente. "-
obtener la inversa de una
2.
- 1=0=>
3.
2-2]
o
1 - 1
2
[1 ~ 2 -l.
2 2 [
_ -Ham ilton la inversa de
5.
3
1 41]
3
-1 -1 - 2
3 4
ooo 1 oo
oo2
1
ooo2 - O. por tanto
6.
Demostrar que las matrices A y A' tienen los mismos valores característicos
7.
Demostrar que los valores característicos de una matriz ortogonal son ±l.
8.
Demostrar que si A es un valor propio de la matriz A, entonces A,- 1 es un valor propio de la matriz A - 1
172
9.
Capítulo 7
Transformaciones lineales
Vectores
Conociendo los valores propios de la matriz A, hallar los valores propios de la matriz A2
10. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Por tanto tenemo::
¡- ~ -~ ll
~]
1- 1
11. Utilizando el Teorema de Cayley-Hamilton calcular la inversa de
Por otro lado, con:
Teorema 11 Si A es una matriz real y simétrica (A'= A), sus valores propios sor.
reales . . Demostración:
por ende tenemo X¡
Si X =
x2
*O
es un vector propio correspondiente al valor propio A, se tiene: ComoX'AX
AX=AX AX =AX AX=A.X AX = A.X pues A es una matriz real y por tanto
A = A , entonces
De (* *) y (*) se
X'(AX) = X'(XX) =
x¡ X'(X'X)= X'(x 1 , x 2 ,
... ,
xn)
X'2 n
Como
I
i=l
/x¡/
2
>e=
-
Transformaciones lineales
Vectores y valores propios
: yalores propios de la matriz Yersa de
173
_ n
_ n
7
"-L>;Xi = A.~]xJ ya que z2 = 1zl 2 i=l
i=l
Por tanto tenemos: n
X'(AX) = ?:::II X¡ 12
(*)
i= l
Por otro lado, como inversa de
AX = A.X , entonces X' (AX) = X' (A.X) X¡
= A.X'X = A.(:X t, :X2, ... , :X n) = A 1. sus valores propios so n
=
"-Lx;x¡ i=l
por ende tenemos X'(AX)
(* *)
or propio A, se tiene: Como X'AX es de tamaño 1 x 1, es simétrica, luego.
(X'AX) = X'AX X'A'X = X'AX X'AX = X'AX pues A es simétrica. ~
= A , entonces
De (* *) y (*) se sigue que: n
n
2
2 AIlx;l =1. I lx;l , entonces, i=l
i=l n
(A.- D
L lx¡ l2 =O i=l
n
Como
L lx¡l 2 >O ~(A. - ?:::) = O~ A = ?:::~ A es real. i=l
174
Capítulo 7
Transformaciones lineales
Vectores
Teorema 12 Los vectores propios correspondientes a valores propios diferentes
Demostración:
de una matriz simétrica A son ortogonales.
Por inducción sobre
Demostración: Sean A,>" A.z dos valores propios diferentes y Y, Z vectores propios correspondientes a A.y y A.z respectivamente. Probemos que
Sin=1 ,A = (a n ).E es diagonal y pode:::;
(n- 1) x (n- 1).
Yl_Z (1)
AY = A-yY
Sea \ un valor pr
(2)
AZ = A- 2 Z
unitario correspon ·
Y!
(1)
(2)
Z'AY = A-y(Z'Y)= A-y(z 1, z 2 , ... , z 11 ) Y2
Y'AZ= "-z(Y'Z)= A-(y¡, Y2, ... , Yn)
= A-y(Z· Y)
Yn
Sea B = {X 1, v 2 . .. Schmidt se puede ccc;Jsc_;::.JE!
Z¡
Sea P 1 la matriz d matriz cuyas col
z2
= "-z(Y · Z)
Por el teorema 2 e
1a columna de P ;. 1
(Z'AY) = Y'A'Z = Y'AZ=> Z' AY = Y'AZ pues Z' AY es de tamaño 1 x 1 y por tanto es simétrica. Entonces, =
Como ( A. y- A.z) =t Odebido a que
Ay
=
=t A.z se concluye que Y· Z = O
y por consiguiente,
Yl_Z
Teorema 13 Sea Anxn una matriz real simétrica. Entonces existe una matriz ortogonal P(r- 1 = P') tal que P'AP
=
D
es diagonal, con los valores propios de A como elementos de la diagonal.
Como (P¡'AP1)'
=
P-A
PiAP1 es (A-1 , O, ....
-
Transformaciones lineales
ores propios diferentes
Vectores y valores propios
175
Demostración: Por inducción sobre n. Sin= 1, A= (a 11 ) . El valor propio de A es a 11 y se verifica el teorema pues A = (a 1¡) ya es diagonal y podemos tomar P = (1 ), la matriz formada por el número l.
"'·os correspondientes a Ay
Supongamos el teorema verdadero para matrices de tamaño
(n- 1) x (n- 1). Sea A1 un valor propio de A, que es real por el teorema anterior y sea X1 un vector propio unitario correspondiente al valor propio \, esto es, \
z Sea B = {X1 , v 2 , · · · , vn} una base de lil". Por el método de ortogonalización de GramSchmidt se puede conseguir a partir de esta base una base B 1 = {u 1 , u 2 , . . . ,un} ortonormal. Sea P 1 la matriz de cambio de base, de la base B 1 a la base canónica; es decir P 1 es la matriz cuyas columnas son los vectores u 1, u 2 ,. ··,un· Por el teorema 2 de la página 15 8 la matriz P 1 es ortogonal.
z
1ª columna de
P{AP 1 = (P{A) Oª columna de P 1) = (P{A) X 1 =
P{(AX 1) = P{(A- 1X 1 )
= (A- 1P{)X 1
P¡) = A- 1 [ P; Oª columna de P¡)] = A, 1 [1 ª columna de P{ P]
= (A- 1P{) (1ª columna de
=
:::, :onces existe una matri.:
e
1
[1ª columna de 1] =
o Como (P{ AP1)' = P{ N p1 = P{AP (pues A es simétrica) se concluye que la primera fila de
de la diagonal.
P{AP1 es (A-1 , O, · · · , O).
176
Capítulo 7 Transformaciones lineales
Vectores
Tenemos por tanto que
A¡ P{AP1 =
o
o
Q
o A¡
o
es decir, Q Q' = Q Sea P = P 1Q, ento
donde A 1 es de tamaño (n- 1) (n- 1), además real y simétrica, pues P{AP1 lo es. El polinomio característico de P{AP1 es (A-\). (Polinomio característico de A 1), luego los valores propios de A 1 son valores propios de P{ AP1y por tanto de A, ya que P{ AP1 y A son similares. Véase Teorema 7 de la página 166. Supongamos que los valores propios propios de A 1 son A2, 'A3 ,
..•
A¡ Q'
Por hipótesis de inducción existe una matriz ortogonal Q 1 tal que
o
o
=
A¡
o
, \ que son reales pues
A 1 es simétrica.
o
~
l-;
o
1
Q;A1Q 1 =D 1
1
es diagonal con los valores propios de A 1 como elementos de la diagonal, es decir,
o o
o 1
o
o
o
o o
o Corolario.
SeaQ=
~,
~~
0
0
entoncesQ'=
:
,
Q¡
QQ' =
o
o
o Q¡Q;
o
1 =
o
= In In-1
o
Demostración:
P'AP = D =
o
o
y
Sabemos que existe -
o
1
base ortonormal de -
A¡
O
o
1.-
o
o
entonces AP = PD p Sean X 1, X 2, ···,~ las_.,___.,........,
-
Transformaciones lineal~
177
Vectores y valores propios
1
o
o
o
Q'Q=
~-::ica,
pues P[ AP1 lo es.
;:aracterístico de A 1), lueg - - to de A, ya que P{ AP1 y A
-
o
Q¡Q¡
=In In-1
o
I , luego Q es ortogonal.
=
Sea P = P 1Q, entonces P es ortogonal ya que P 1 y Q lo son, además se tiene: P{AP1 = (Q'P{)A(P1Q)=Q'(P{AP1 )Q=
A¡ Q'
o
o
o
Q=
A¡
\
o
_ · ... .,A que son reales pue5 -
o
o
o es decir, Q Q' = Q' Q
1
n
r.
o ... o
A¡
o A¡
1
.::e :a diagonal, es decir,
o
o
o
o
(1 o o
l~
r. 1
o
o A2
o o
o o
An
A¡
Q¡A¡Q¡
Las columnas de P son vectores propios de A y por tanto forman una base ortonormal de JRn.
Corolario.
o y
Demostración:
Sabemos que existe una matriz ortogonal P tal que
A¡ P'AP=D=
o =In
o
o
o A2 o o
entonces AP = PD pues p-I = P' Sean X 1, X 2, ···,~las coh,trnnas de P, entonces
178
Capítulo 7 Transformaciones lineal
AP = (AX 1, AX2, ..., AXn) PD
=
Vectores y valores p·
Es de anotar que : :. A2 = 3, lo cual era .:._
(A 1X 1, A2X2, .. ., A0 ~)
Escojamos ahora y de esto se concluye que cernas los vectores AX 1 =A 1X 1
AX2 = A2X2
es decir las columnas de P (son ortonormales pues Pes ortogonal, véase Teorema 3 de página 158 son vectores propios de A por tanto forman una base ortonormal de JRn.
Ejemplo: Si A = (
p(A )=det(A -
~ ~) hallar una matriz ortogonal P tal que P' AP = D
Al)=
1
2- A
1
1
2-'A
1
=
'A
2
-
Además P' AP =
-
Ejemplo: Si A =
-
4'A + 3 = ('A - 1) ('A - 3)
Por tanto los valores propios son A1 = 1 y A2 = 3 Hallemos los vectores propios correspondientes al valor propio A= 1, para esto debemos hallar el núcleo de (A - 1), es decir, hallar X tal que
(A - I)X=O=>G conduce a (
~)
(;J
=
(~)
p('A) = det (A - ·.
que al resolver por el método de Gauss, no:
~ ~ ~) , luego la solución es ( ;~)
=
a (_
~) y por consiguiente una has"
Por consiguiente •~ _
para el núcleo es{(_:)}.
(A - 41) X=O = De manera similar se tiene para A,
~ 2 que una base para el núcleo es {(:)}
-~----
~-- ~
--
-~~- ~~~
-
Transformaciones lineales
179
Vectores y valores propios
Es de anotar que los vectores propios correspondientes a A1 = 1 son ortogonales a los de A2 = 3, lo cual era de esperar por el teorema 12. Escojamos ahora una base ortonormal formada por vectores propios, para esto normalicemos los vectores X 1 = [ _
~)
y
- =anal, véase Teorema 3 de la e ortonormal de JRn.
X2 =[
P =[ _
~)
y de esta manera conseguimos
f fJ F2F2
Además P'AP = [
f -~~ [2 1)[ ~ ~] 1
12
F2
F2
1
1
=
[1 o) 03
- F2 F2
~ ~ 2 2]
Ejemplo: s; A [
O 2 , hallar una matriz ortogonal P tal que P' AP
2 ~
o A. = 1, para esto debemo:
p(A) =det(A - AI) =
o
- A
2
2
- A
2
2 3
2 =-A +12A+16 = (4-A)(A + 2)
2 -A
Por consiguiente los valores propios son A1 = 4 y A2 = 2 y por consiguiente una bas
Hallemos los vectores propios correspondientes al valor propio A = 4
- 4
(A-41) X = O=
· núcleo es{(:)}
[
~
2
=
D
180
· Capítulo 7 Transformaciones lineales
Por consiguiente y uw base es B 1 = {[:]}
Y una base para los vectores propios correspondientes al valor 'A = -2 es
Por el teorema 12 sabemos que los vectores de B 1 son ortogonales con los de B 0. Pero los vectores de B 1 no son ortogonales entre sí; por tanto debemos ortogonalizar esta base por el método de ortogorialización de Gram-Schmidt, para esto sea,
Además
P'AP
SeaY1 = X 1
{~J
=
,portanto
EJERCICIO Dada las siguien-""'dientes a valores que P' AP = D -=-
l.
A=(; ~~
- Transformaciones lineales
181
Vectores y valores propios
Por consiguiente una base ortonormal para ~ 3 es
orA, = -2 es
- gonales con los de B0 . Pero os ortogonalizar esta ba¡e _so sea,
1
F6
1
-fi o
6
F6
-J3
1
F6
-fi
6
1
-J3
3
1
-J3
Además
1
o
-fi P'AP =
F6 F6
1
1
-fi
-fi
F6
6 1
3 1
6 1
-J3
-J3
-J3
F6
1
6 -J3 1 F6 o 3 -J3 1 F6 1 6 -fi -J3
EJERCICIOS Dada las siguientes matrices simétricas comprobar que los vectores propios correspondientes a valores propios diferentes son ortogonales y hallar una matriz ortogonal P tal que P' AP = D sea diagonal
l.
A=G ~)
2. A=(86 136)
182
Capítulo 7 Transformaciones lineales
Recordemos breverr.~ en su forma estánda:
4.
5.
6.
A=[~ ~ ~] A=H ~: -:] A=[ : : - ~] - 2 2
8
Completando cuadrE2
(x - 2) +(y - 3) -= ~ (x-2) 2
4 7.
(y - 3)-+ = 9
Demostrar que si B ={ v 1 , v 2 , ... , v n} una base ortonormal de V y P"x" es una matriz ortogonal, entonces la nueva base B 1 ={ u 1 , u 2 , ••• , un } dada por:
el cual nuestra ec forma estándar y
es una base ortonormal.
-
183
Transformaciones lineales FORMAS CUADRÁTICAS
Recordemos brevemente que las gráficas de las cónicas son fáciles de trazar si ellas están en su forma estándar o canónica, esto es,
x 2 + y 2 = r 2 Circunferencia y
= ax2' o, 2
x2
= by2
2
X 2 +y= 1 E 1'1pse. a b2
Si (a 2 > b2 ) , tiene los focos en el eje X Si (a 2 < b2) , tiene los focos en el eje Y 2
2
.;- -
a
~ = 1 Hipérbola con focos b
2
en el eje X
2
~ - .;- = 1 Hipérbola con focos en el eje Y b
a
Ejemplo:
Identificar la cónica x2 - 6y - 4x + y 2 - 23
=
O
Completando cuadrados tenemos: (x2 - 4x + 4) + (y2 - 6y +9)- 4-9-23 =O
(x - 2) 2 +(y -3) 2 = 36 2
2
(X- 2) + (y - 3) = l 4 9 Y si trasladamos los ejes al punto (2, 3), tenemos un nuevo sistema de coordenadas x'y' en
t-==~~ de V y P nxn es una matriz
2
2
el cual nuestra ecuación anterior se convierte en: (x') + (y') = 1, que se encuentra en su
dada por:
4
9
forma estándar y por tanto es muy fácil identificarla; es una elipse con focos en el eje Y'. FORMAS CUADRÁTICAS Y TRANSFORMACIONES LINEALES
y
P= (x, y) = (x', y')
Y'
~
. '. ~
:
~
X'
:·
, a.·
:\·'
.... . 8
~~-L------------~X
o
--------
---------'1-
---
184
Capítulo 7
Transformaciones lineales
Formas cuadráUcas
y de aquí concluim -
ROTACIÓN DE EJES
Si uno rota el sistema cartesiano XY un ángulo e se obtiene un nuevo sistema cartesiano X'Y'. Luego un punto P tiene ahora doble sistema de coordenadas, las coordenadas (x, y) respecto al sistema XY y las coordenadas (x', y') respecto al sistema X'Y'.
Veamos cómo están relacionadas estas coordenadas. S1"hacemos r
x'
=-
cos a
r
--7 = OP,
:::::;>
sen e
x' = r cos a Ejemplo: Rotar términos cruzado
r
X
COS (a + e) = r X
cose
tenemos:
= l.' :::::;> y' = r sen a
sen a
La matriz (
:::::;> X=
r COS (a+ e) = r COS a COS e - r sen a sen e =
COS e -y' Sen e
sen (a + e) =
l. r
:::::;>
y = r sen (a+ e) = r cos a sen e + r sen a cos e
X = X
1
COS e - )"' =~
y=
1
Sen e + )"'
X
8(x'cose- y'se""'- -_ Por tanto
X =
x' cos e - y' sen e
y
x' sen e +y' sen e
=
5(x' sen e + y' co:
=
=--
4(cos e sen e )Cl
4(sen e)x'y' + ... ~ 2
que se puede escribir como
x) = (cose - sen e) (y sen e cose
(x)y
luego para que no · _ _ igual a cero, por -~-
- 3(2cose sen8 -y despejando(::) tenemos:
- 3 sen 2 e - 4 co-.::-:- =
(x) (x) ( = (
y'
y' -
cos e - sen e sene cose
cose -sen e
)-t(x)
- 3 sen 2 e = 4 CO
~
H
-
y 4 tan2e = - 3
sen e) (x) cose y
De aquí concluimos ~ fórmulas cos 2 e
= =- -
-
-
Transformaciones lineales
185
Formas cuadráticas
y de aquí concluimos que
x' nuevo sistema cartesiano las coordenadas (x, y -istema X'Y'.
llil
=
x' cos e + y' sen e
y'= -x'sen e+ y' cose
cos e - sen e ) La matriz ( es conocida como la matriz de rotación. sen e cose
Ejemplo: Rotar los ejes de modo que la ecuación 8x2 - 4.xy + 5y2 = 36 no tenga términos cruzados .xy y de esta manera identifique la cónica respectiva. -
:"' . a sen e
=
Aplicando la anterior tenemos: X= X
-
:~ - a cose
1
COSe- y' sen 8
y = x' sen e +y' cose 8(x' cose - y' sen e) 2 - 4(x' cose -y' sen e) (x' sen e +y' cose)+ 2
5(x' sen e +y' cos e) = 36 => 4( cose sen e)(y') 2 - 4(cos 8 sen e)(x') 2 - 6 (cose sen e)x'y'- 4( cos 2 e) x'y' + 2
2
2
2
4(sen 2 e) x'y' + 8(cos 2 e)(x') + 5(cos 2 e) (y') + 5 (sen 2 e )(x') + 8(sen 2 e) (y') = 36 luego para que no tenga términos cruzados- 6cos e sen e - 4cos 2 e+ 4sen 2 8 debe ser igual a cero, por tanto, 2
- 6cos8sene -4cos 2 e +4sen 8 = 0=> - 3(2cos e sen e)- 4(cos 2 e - sen 2 e)= o=> - 3 sen 2 e - 4 cos 2 e = o => - 3sen2e = 4cos2e =O=>
4 tan2e = - 3
3 De aquí concluimos que 2 e está en el segundo cuadrante, cos 2 e = - - y utilizando las 5 fórmulascos2e = 2cos 2 e - l,y cos2e = 1 - 2sen2 e tenemos:
186
Capítulo 7
Transformaciones lineales
Formas cuadrátiGS
Si hacemos a, =-
1
1
2
1
x =- x --y=
X
J51 J5
1 -
2y
1
J5
y teniendo en -~ 2 Q= a 11 x 1
y sustituyendo en la ecuación original 8x2 - 4.xy + 5y2 = 36, tenemos: 8 2 4 2 -(x'- 2y')- - (x' - 2y') (2x'- 2y') +(2x' +y') = 36 =::> 5 5
4(x') 2 + 9(y') 2 .::f 36 =::> (x')z (y')2 --+--=1
9
4
que es una elipse con focos en el eje X
1
Definición 1 Una forma cuadrática Q en n variable x 1, x 2, . .. , xn es una expresión de la forma
n
n
Ejemplo:
Q= ~ -
Puede escribirse
~
Q= LLc!ixixJ i=l j=l es decir; Q
=
L~=l clJx 1x J + L~=l c21 x2x J + L~=I c31 x3x J + · · · + L~=I cnJxnx J = C¡¡X¡X¡ +c 12 x 1x 2 + ···+C¡nX!Xn +
Ejemplo: Q = .=x.:. --
c2lx2xl + c22x2x2 + ... + c2nx2xn +
C¡¡X¡ +(c 12 +c 21 )x 1x 2 +· · ·+(c 1n +cn 1)X¡Xn +
C22xi + ( C23 + C32) X2X3 + · · · + (c2n + cn2)x2xn + Es de anotar que se convierte en:
-
Transformaciones lineales
Formas cuadráticas
Si hacemos aiJ
187
= t (ciJ +e1¡), es decir A = t (C + C') tenemos:
a¡¡
= e¡¡ y aiJ =
aJi y la
forma cuadrática nos queda:
Q = a 11 x 12 + 2a 12 x 1x 2 + · · · + 2 a 111 X¡X 11 + a 22 x 22 + 2a 23 x 2 x 3 + ··· + 2a 211 x 2x 11 + ·· · + a 1111 X112 y teniendo en cuenta que x¡xi =X_¡X¡ podemos escribir:
+
Q=
que eri forma matricial nos queda:
Q=(x 1,x 2 , ... ,xJ
a ¡¡
a12
a21
a22
Ejemplo:
X¡
a2n
X2 , o sea, Q = X' AX, donde A es simétrica.
.. an!
. .r:· ···, X11 es una expresión de
aln
an2
ann
Q = 5x~ + 2x 1x 2 + 6xi
Puede escribirse como
Q = (x 1,x 2 ,x 3 ,xJ
5
2
4
X¡
2
1 5 6
x2
3
5
2
7
x3
4
6
7
3
Xn
3
Es de anotar que si la matriz A en Q = X'AX es diagonal, entonces, la forma cuadrática se convierte en:
188
Capítulo 7
a 11
O Q = ( x 1 ,x 2 , ••• ,xn ) :
o
O
0
X¡
a22
O
X2
Transformaciones lineales
Formas cuadrá ticcs
pero por otro lad 2
2
2
= a 11 x 1 +a 22 x 2 +· .. +annxn
( cose -sen e
o P'
lo que nos indica que no contiene términos en x¡xl' i 7:- j. Como A es simétrica sabemos por el teorema 13 de la sección anterior que existe una matriz ortogonal P tal que
P' AP = D es diagonal.
sen
e
cos e
( cose -sen e
ser:.:: e os
P (cose -se • . . , sen e cosO sea que Pes
De aquí se sigue que A= PDP'
Defi11ición 2 la forma
y como
Q = X' AX tenemos: Q = X'(PDP' )X
La ecuación am
x{ ( X'P) D ( P'X). Haciendo P 'X = Y =
x2
tenemos
Ejemplo: 5y2 = 36 =
Y'DY
Tenemos Q = 8.:r:: - -
[A, = (x¡,x;,. ·,x;)
~
o
"-2 o
oln r, ~;
Q=(- 28 -2 ) 5 p(A.) = det(A- i.: Por consiguiente • :: puede escribirse o-
Todo lo anterior nos indica que si hacemos el cambio de coordenadas P'X = Y la formz. cuadrática Q no contendrá términos cruzados x;xj, lo cual nos permite fácilmente identificar la forma cuadrática.
Q = 4(x') 2 + 9( y'::
Como P'X =Y tenemos que:
Luego 4(x')2
Q = A-1 (x') 2 +A.
+ 9( ,:: = -
Si queremos saber ;: cruzados, necesi
ormaciones lineales
189
Formas cuadráticas
pero por otro lado sabemos (veáse página 184) que: cose ( -sen e
sen e ) cose
cose
P' ( - sen e ~•erior
que existe
Ull2.
(x) (x)
y = y ' =>
sen e)=> cose
p ( cos e -sen e )
sen e
cose
O sea que P es la matriz de rotación.
Definición 2
Una ecuación cuadrática en dos variables x y es una ecuación de
la forma ax2 + 2bxy + cy2 + dx + ey + f = O
La ecuación anterior puede escribirse en la forma 1
X¡
=Y =x2
tenemos Ejemplo: 5y2 = 36
Identificar en el plano xy, la figura definida por la ecuación 8x2
-
4xy +
Tenemos Q = 8x2 - 4xy + 5y2, entonces,
x, X~] X~
Q=(- ~ - ~) p(A.) = det(A - A-1) =
8 1
-2¡
=(A. -4)(A. - 9) - A -2 5-A.
Por consiguiente los valores propios son A- 1 = 4, ~ = 9, y por tanto la forma cuadrática puede escribirse como:
Q = A-1 (x')l + A- 2 (y') 2, que para nuestro caso es: Q = 4(x') 2 + 9(y')1
= 36 ~ ( x')l + (y') = 1 y por tanto la figura es una elipse. 2
Luego 4(x')1 + 9(y')1
9
4
Si queremos saber el ángulo de rotación que se ha hecho para que no haya términos cruzados, necesitamos saber la matriz P, para lo cual requerimos de los vectores propios.
190
Capítulo 7
Transformaciones lineales
Una base para los vectores propios correspondientes al valor A valor propio A= 4 es {-
=
4 es {
~}
Formas cuadrátiC2S
(x
y para el
~}. (x'
Normalizando estos vectores tenemos:
cose -sene ) 1 y como esta es la matriz de rotación ( concluimos que cose = ¡;: ; sen e cos e v5 ---2 sen e = J5 y tan e = 2 y nos permite concluir que para que no haya términos cruzados
~ X
-
en la ecuación 8x2 - 4.ry + 5y2 = 36 debemos rotar los ejes un ángulo de 8 = arctan 2 Véase ejemplo de la página 183, sección formas cuadráticas. - .r
Ejemplo: Identificar en el plano xy, la figura definida por la ecuación X
.f
X
-
El término xy se elimina de la misma forma que en el ejemplo anterior, mediante el uso de la matriz de rotación,
P=(4J5 como P'X = Y = .'
x' y'
~
2
X
= PY ~ 2
x y
y nuestra ecuac10n 8x + 4 xy + 5y -
= P
(x' .::
x'
y si trasladamos lo:
y'
72 36 J5 x + J5 y = 36
~- ~
se convierte en,
~1
--~~
-
---
---
---
-
-
------~~---
-
Transformaciones lineales
r i.
=
4 es {
~}
191
Formas cuadráticas
y para el
luimos que cose =
+9(y') +(-E, ~) (Js J5 J5 2
1
JS: 4(x')
2
2
J5 ángulo de e
=
arctan 2 2
2
4(.x') + 9(y') + (o' 36) (;:) == 36
2
4(x') 2 + 9(y') + 36y' == 36 2
2
4((x') + 2x') +9((y') + 4y') == 36
X) == 3 r
2
2
4((x') + 2x' + 1) + 9((y') + 4y' + 4) == 36 + 36 == 72 2
2
4(x') + 9(y' + 2) == 72 (x')2
(y'+ 2)2
18
8
-- +
== 1
y si trasladamos los ejes al punto (0, -2) tenemos un nuevo sistema de coordenadas xn_yn
(X ")2 (y")2 ' . ., . . y esta ultima ecuac10n se conv1erte en - - + - - == 1 que es una ehpse. :~conv ierte
en,
18
8
192
Capítulo 7
Transformaciones lineales
EJERCICIOS En cada uno de los siguientes ejercicios identificar en el plano xy la figura definida por la ecuación:
l.
2x2 + 3xy - 2y2
2.
x2
+ 2xy + y 2 - 8x + 8y = O
3.
xy
=
4.
17x2 - 12xy + 8y2
5.
x 2 + xy + y 2 - 3y- 6 = O
6.
3x2 - 2xy + 3y2 - 2x - 1Oy + 9 = O
7.
16x2 - 24xy + 9y2 -60x- 80y + 100 = O
=
25
8 =
80
Respuestas a -
')
l.
(22 28
.)
3G
3.
( - 54 L.: - 56 l1 c:
-
5.
( 45 53 - 6 -
-
7.
( 40 - 1 -- 8
9.
38
11. X: -
~-~=-=--
-
-
-
-=----=-=----""-
~-
-
Transformaciones lineales
--=-
la figura definida por la
Respuestas a los ejercicios Respuestas a los ejercicios de la página 11
l.
-51 -3
51 5
-1 - 21] 52 13
(22 38 -54) 28 30 -34
2.
3.
(-5412282-2) -56 118 69 2
4.
36 14 - 68 -68) ( 37 - 31 -29 14
5.
(45 7. - 87 -64) 53 -6 -90 -49
6.
81 21 -1 55-132) ( 90-37 -1 19 -35
7.
( 40 - 100 - 64 16) - 8 54 97 -6
8.
-18 -28 30 76) ( - 5 81 -93 -140
9.
38
[
13 - 11 -26 - 27
5
o 1o
2
10.
9
5x + 8x + 4x 3 ] - 3x 1 + 8x 2 - 9x 3 1
11. [
o -15
20
-6
8
-3
4
o -27
36
2
7x 1 + 5x 2
a 11 X 1 +
12.
[
a2,x, + a3Ixi +
G 12 X 2 a22X2 a32x2
+ + +
G 13 X 3 ] a23X3 a33X3
194
Respuestas a los ejercicios
13.
¡-8-3) -1 23
14.
[! ~l
15.
[~ ~l
16.
[~ ~ ~~
18.
[~ l~l
19.
[~ ~l
20.
[ZA'
-~A +2
25.
26.
2A.
4/c2- 3
3/c + 2
-
2A. 2
(AB)'=
-
]
3/c + 2
2 +25i -12+28i] - 22 + lli
l
6.
- 19 + 20i - 28 + 12i
24b.
A2 = [ cos 28 - sen 28 sen 28 cos 28
~]
o o lj
[
[-~ -:)
[! ;
(
4/c- 3 2
o 24a.
Respuestas a los E::
A3 = [ cos 38 - sen 38 sen 38 cos 38
- 28
l
- [1-3
B=
9- La suma de las filas o columnas es 34.
7.
Respuestas a los ejercicios de la página 20
l.
A' =
2 - 9 -5
5
5
4
4
7
- 5
o
7 - 8
9 - 8 -9
3
- 4 (A+ B)' = -1
1
_
3
-9-5-13 4
5
0 - 7 7 - 10 - 4
.) -
4 - .=.
5 - 1
B'=
*- [:-=-
A -
1- 2
3 - 9
B*
=
8 - 6
2 - .: -
[ .., ) - -.
8
- 1 3 10 5 10 -17
9 - 15 -1 -3
.,....,,.,,
~ ~~----
-
---
-
- - - - - ~~- - - - -
15 - 15
6 (3A)'=
- 27
12
-15
12
(AB)'=
-12 +28iJ - 28+12i
-+ 25i - 19 + 20i - _2 + lli
6.
37
-63
56 102
38)
- ¡
4
82 - 131
7
4-2¡] - ¡
7 + 8i
+ Si -B = [1 -3iO 22+9i 33 -+4i: 7i
7.
- - 1 1 - --1
20
2+6i
19
- 9 - 63
[ 2 -3i 3+2i A = - 3 - 4i 2 - Si
9- i
-
9
-28
:os 38
-~
24
21 - 27
-11 - 129
- ~en
o-
27 -73 - 49
o -o
_-......
27
21 - 24
15
'1
195
Respuestas a los ejercicios
Respuestas a los ejercicios
3 + 4i 3 +6i
[2-3i A* = 3 + 2i
-3 - 4i
4 - 2i
- i
2 - Si
2+6~] 7 + 8i
3
[1-3i B* = 2 +Si
3 3 - 9
o
3 +4i 3 - 7i
8 - 6
8.
A + B=
9-iJ
2 + 9i 3 +4i
[-~=:~
3 + 6i
5 + 7i 4+4i
7 + 2i] 3 - 8i
11 +Si 10+4i 10 + 14i
--
·--
--
--~------
- --
-~---
"""""'~-
-
-
-~ -~----
Respuestas a los ejercicios
197
Respuestas a los ejercicios
Respuestas a los ejercicios de la página 44 l.
2.
X1
= -2, x 2 = 1, x 3 = 4,
3.
X1
= 1, x 2 = 3, x3 = 2, x 4 = 4
4.
X¡
= - 2, x 2 = 3, x 3 = 4, x 4 = -1
5.
6.
7.
8.
-
-3+9iJ - 9 +3i o
a) a-7b-5c=O, b) a, b, e arbitrarios
-7
X¡
1
Xz
1
x3 x4
2
X¡
-7
Xz
16
x3 x4
11
X¡
1
1
x2 x3 x4
2
1
+a
o
2 3 -1 20
+a
- 34
-9
o
- 1
3 +a¡
2
+a 2
-1
o
Xs
o o
o
-1
X¡
3
- 3
5
-2
x2 x3 x4
4
- 6
18
-11
o +a¡ o o
- 1 +az
Xs
o o
9.
X1
= 0, x 2 = O
10.
X1
=0, x 2 =O, x3 = O
=-· ... ·- -.. - •2..._-=-~-
o +a2 -1
o o
o
-1
----
198
11.
12.
Respuestas a los ejercicios
[:}{;] 2.
X1
- 1
3.
X1 =
-9 +az - 6 -3 o
4.
X1
= 3, X:=
5.
x1
= --.
6.
X1
= 2, X:
X¡
-10
- 7
Xz
-1
xJ
= a¡
x4
o
Xs
13.
15.
-3
(-~ -~) ~
[ 22 - 17 -31
14.
7 -5 - 10
-:]
16.
l8_ (- 24 - ~) -2
- 6
18
16
1
4
- 6
o
4
18
7
3
-9
-1 1
11
15
- 27
- 25
-
1, X: =
=
- 2.
X_
r_
=
=
=-
Respuestas a los ejercicios de la página 60 l.
a) 13
b) -15
e) 34
2.
a) -60
b) -70
e) 24
54 - 52
10. 3.
a) -8
12.
(a+ 2)(a - 1)
13.
4xyz
14.
azbz
l.
a) Sí
15.
X = 2, x=3
2.
a) Ninguna
16.
X= 1
3.
la. IID I = '
=
17.
A = - 1, A = 1, A= 2
2a. IID I = '
= --
18.
A =2, A= 3, A= 7
3a. liD ~ = 3:-
b) -63
e) -16
8
- 4 10
2
--
~
--
--
-~-
- --
-
.
=
-
-
-
-- -------
199
Respuestas a los ejercicios
Respuestas a los ejerci ·
Respuestas a los ejercicios de la página 65
4
-
-~)
- 2 - 6
18
16
-6
o
4
".)
-9
- 11
15
-27
- 25
4
11
l.
X1
= 3,
X2
=1
2.
X1
=
1,
X2
=
3.
x 1 = - 2, x 2 = 5, x 3 = - 3
4.
x 1 = 3, x 2 = 1, x 3 = 2
5.
x 1 = - 2, x 2 =1, x 3 = - 1, x 3 = 3
6.
x 1 = 2, x 2 = -1, x 3 = 3, x 3 = 1
1
Respuestas a los ejercicios de la página 73 1 [ 4 14 - 2
6.
8.
10.
~r:
- 1) - 3
7
.
1~ G;)
1
o 1
9.
iJ
54
81
-36
45
1 - 52 8 - 4
-74
42
-46
-5
6
-7
10
8
-6
4
_1 [ 40
1~ -5
-
Respuestas a los ejercicios de la página 98 l.
a) Sí
b)No
e) No
2.
a) Ninguna
b) Paralelos
e) Perpendiculares
3.
la. ¡¡u = ¡ v¡¡ = -53 11
2a. ¡u = ¡v ¡ = 3-J5 11
3a. ¡ u ¡¡= 3-16, ¡¡v ¡ = -[46
-
-
-
--=-----==--
-
-~"-..l
-
~~---
200
4.
Respuestas a los ejercicios
2a .
IIU =-134' IIVII =3
2b.
IIUII =3, IIVII =6
2e.
IIUII =-16, IVII =-fi
11
la. 1
1 2a. 102
lb. -1
2b. 1
le .
4.
l.
p\
5.
l.
c. -
- -134
..l2__J69
2e. O
414
5
Respuestas a
2.
a. _ }_ -fi . _!2_ Jl86 . _2_ J93 6 ' 186 ' 93 b.
3.
~J85 · 22._J31o · - ~ J1054 85
le.
' 310
IIUull=
'
6.
9-E.
7.
J86
8.
2
9.
B,-
1054
1 rrC- 5,4,3, -2) ; 3"6
ltuvll=
1 ,-;-;:-(2,4, 1, -5) "46
( .::..
10.
Respuestas a los ejercicios de la página 111
l.
2.
3.
p
~y = (- 2, ~' %)
pXI Y
p
=
(~, ~' - ~)
-(-.!3. _36
X/Y -
7 '
11.
72)
35' 35
CX/ Y
12 ¡-;::;;; = -'V7Ü 35
,-
B -
=
201
Respuestas a los ejercicios
Respuestas a los ejercicios
p
l.
4.
Y/ X
.!2)
- (_13 39 14' 14' 7
2.
5.
- (- 36 12 24) 7 ' 7 ' 7
3.
p
l.
(7,-5,11)
2.
(7, - 5,-3)
3.
(12, 8, 14)
Y/X
6.
9.fi
7.
J86
8.
2
10.
B1
13 14
¡-:;-;;
CY/ X
= - v'14
CY/ X
=-1M
Cy1x
= -7 v'14 .
14
12
¡-:;-;;
={o, 1, O) ,(1, -1, 1) ,~ (1, -1, - 2)}
B, ~ {~ (1, 1, O), ~ (1, -1, 1), ~ (1, -1,- 2)} 11. . B 1
={o, 1, O, 1) ,0, - 1, 1, O) ,l(O, - 1, - 1, 1) ,l(- 1, O, 1, 1)}
1 1 1 1 } B 2 = { .J3(1, 1, O, 1), .J30' -1, 1, 0), .J3(0, - 1, - 1, 1), .J3(- 1, O, 1, 1)
-
~.
--
-~-
202
Respuestas a los ejercicios
Respuestas a los ejercicios de la página 117
5.
{(5, 1, - 1
x+1 = y - 2 = z - 5 - - (9, 8, 13) 5 3 4 '
8.
n(n+1 ) 2
l.
3. 4.
a)
-
b)
-
x+3 y+4 z - 2 - = -- = - (5, - 3, 4) 1 2 ' 8
x+1 y - 2 z-4 - - = - - = -36 4 -15
g) No
12x + 15 y + 6z = 3
b)
7x + 18y + 20z = 74
17x-18y+5z = -12
6.
x - 2y + z=O
7.
d) Sí, dirn _--=
a)
5.
a) Sí, dirn _-- =
2.
1 a. Mr= (
4
1
o: 1.::
J29
b . Mr=
[
G
Respuestas a los ejercicios de la página 124 l.
a)Sí
2.
Sí
b)No 3. Sí
c)Sí
4. No
d)Sí 5. Sí
e)No
6. No
f)Sí
g)No
7
c. MT=
13.No
3
Respuestas a los ejercicios de la página 129 4.
a)Sí
b)No
c)Sí
.
d)Sí
-r
Respuestas a los ejercicios de la página 133
~ _!_)
b)
(%, 4, %)
e) No es base
l.
a) ( 2
2
a. Dimensión= 2
b. Dimensión = 3
c. Dimensión= 3
d. Dimensión = 2
3.
'5' 5
(~,l)
4.
d. Mr= d) (- 1, 3, -1)
T(x, y, z)
=
(1, 4, - 5,- 2)
---~-
~
-
-
---
--
~~---==----
Respuestas a los ejercicios
203
Respuestas a los ejercicios
5.
{(5,1, - 1)} n(n + 1) 2
8.
n(n + 1) 2
9.
Respuestas a los ejercicios de la página 144 2.
a) Sí, dim Nr= O
b) No
e) Sí, dim Nr = O
d) Sí, dim Nr= O
e) No
f) Sí, N T = {Matrices antisimétricas}
g) No
h)No
Respuestas a los ejercicios de la página 153 1 a. Mr=
(~ ~)
(2 15
b. Mr=
7
2)
c. Mr=
d. Mr= d) (-1,3, - 1)
1
o
4 5
-
5
24 5
-
-1 - -3
3
-X
-
-
- -
--
5 7 5
--
-
-1 y 5
4 + - y
3 + - z 5
-
5
-
5
--~--~-
6
T(v) =
5
5 4 -x 5
-2 y 5
2 5
- z
1 + -z 5
--
---=---~ ~"'-~
]
2
2 5
6x -T(x, y, z) =
- x+ y
-
5
6
[3~
T(v)~ UJ T(x,y,z)~
6
-
-2x
- x+3y
T(x, y)=
2
-,., .) 3 7 - -1 3 3 1 1 - 3 3
4 5
[~3:
(-2x-y)
T(x,y)=
-
- -1
- o
-6
-
T(v) =
O - 2
~
(-5)
T(v)=
-~-
n::tJ
204
Respuestas a los ejercicios
o o o 1 o o o 2 o o o 3
d. Mr=
T(v)
T(p(x))
=
T( v)
=
~ [¡;]
[:;]
~)
2.
3.
Respuestas a
Mr=
(-~ -~] -3 -5
(1 o1 o1)
5.
6.
Mr
MT2 = 1
Mr, =
M
M
31(51
-I)
- 2
T3oT,
- -1 ( -4 - 2 1
3
l.
MB,
= -
2.
M B, B1
-
3.
MB, = _!_ -
4.
M BlB, = ...,. -
B,
-
-
-
=(- 11 B,
-
(o -1 2)
Mr2 = O -2
1
Respuestas a I : ej!Klilil•
- ~) -2 -1 ~)
- 1 - -1 ( - 3 2 -3 1
T3 -
Respuestas a
(o - 11 ~)
M T oT - O 2 1 -
M r¡2
=~ (~ ~)
?.
MT_,
=l(-~ ~) r-I =(lx -ly,
8.
MT_,
=
l.
'A = 2, B =
2.
'A= 1, B = -
3.
'A = O, B = -
4.
'A= - 1, B =
5.
'A= 1, B =
-
ix+ly)
~ ( _ ~ ~)
-
- --- ~ ~---~--
------~-
Respuestas a los ejerd
205
Respuestas a los ejercicios
9.
Mr-'
=
10.
Mr-'
=
11 21 11] T [1 1 o
1
= (x+y +z, x+2 y + z, x + y)
l[~ ~ 1~~
3 9 9j
Respuestas a los ejercicios de la página 159
[
~~- ~ -~ -~] -3
=
- 1
- 5
l.
e~)
1
-
M B1 - [
2.
M::{~ - ~]
3.
M'' B¡
~) 4.
1[ 6 2) B, - 3 - 9 -4
M B1
-11] -1 1 ~ 1_[-: 2 -1
-
B, =
MB 1
-
[o1-1
1 1
[-1 -1o 3:o
MB' = __!__ - 2 B, 2
o
o) 1
2 B, - - 3
M' B - -1 B 2 3
-2
o
-1
o
1
MB 1
B,
= __!__ 3
:]
loo -Jo -~] 2
-1
- 1
Respuestas a los ejercicios de la página 171 1.
A = 2, B = {(1, 1)} A = 3, B = {(2, 1)}
2.
A = 1, B = {(- 1, 1)} A = 3, B = {(1, O)}
3.
A=O,B={(-1,1,1)} A=1,B = {(-2,0,1),(2,1, 0)}
4.
A = - 1,B = {(0,-1,1)} A=1,B={(- 1,1,0)} A = 3,B={(- 2,3, 1)}
5.
A=1,B={(O,l,O,O)} A = 2,B = {(0,0,1,0)}
A=3,B={(~,1,0,0)}
206
Respuestas a los ejercicios
9.
Son los cuadrados de los valores propios de A
10.
~[ 1 o
o
1 1] 1
1 11. 40
o
1 1
[
3 2 -11] - 3
19 -1 4 - 5 10
Respuestas a los -
6.
P=
5
Respuestas a los ejercicios de la página 181 Respuestas a l.
-
(x'f - _
2.
3.
1
4.
P=
1
J5 5.
p
=
1
J2 o J2 1 1 o J2 J2 o o
o 2
J5
3.
(x')z - -
4.
(x')z - - - -16
=
5.
(x") z -- --6
=
6.
(x") z +:: -
=
7.
(y ")2 =-
=
~
Respuestas a los ejercicios
207
Respuestas a los ejercicios
6.
1
J2
2
J2
6
3
J2
1
P=
6 J2 2J2 o
2 - -
3
3
1
-
3
Respuestas a los ejercicios de la página 192 2
1O
(x')
2.
(x') 2
3.
(x')
4.
- - +-- = 1
5.
-
(y')
2
l.
=
= -4-fiy' = O
2
2
-
(y') = 16
(x')z
(y')z
16
4
(x")z
(y")z
6
18
-
- +-
-
hipérbola parábola hipérbola
elipse
= 1
elipse
6.
(x") + 2(y") = 1
elipse
7.
(y") = 4x"
2
2
2
parábola
Fe de erratas Página
141
Corrección
Errata 1
1
(cA') =cA' (AB)
(cA) =cA' (AB)
el sistema tiene solución única
el sistema tiene solución
1
1
20 t 43
t
521
54
t
-1
3
5
-2
-1
2
3
5 =
Como Cf1 = -ak 1C~ ,
crz = -ak2c:z' . . .
2
1 =
-1
2
1
,c.::, = -a,Olc;,.
, e;;~ = -e;;~ , ... ,
e:,= -e~
x+2
-5
x+2
-5
4
x+7
4
x- 7
-2
A.- 1
2
-1
IB31 =
A.- 1 -2
2 =O
-1
A.
-2
A.- 1
-1
-1
A.- 1
-1
1
7
1
-1
3
1
1
1
-1
1
7
1
-1
3
1
=O
-2
-1
-1
-1
721
3 -1
e~~ = -e~
4
E n los ejercicios 15, 16, 17,18 falta = O en cada uno
62 t
65 t
-3
1
62 t
62 t
4
-1
=20
IB31 =
1 -1
= 20
+ xz = 3
XI
+
2x = 3
XI
2x 1
-
3x2 = -4
2x 1 - 3x2 = -4
-Ir 3J
(" J~-}_[5 --32 -TJ -1 2
(X¡ J=-}_(-3 5 - 2
Resolver los sistemas de ecuaciones de los ejercicios de la sección 3 del capítulo 3, por el método de la matriz inversa
Resolver los sistemas de los ejercicios de la sección Regla de Cramer del capítul o 3, por el método de la matriz inversa
79 t
Sean X = (x 1 , xz), Y =6\, Y 2) dos vectores de R 2
Sean X= (x 1 , Y 1), Y =(x2 , Y 2) dos vectores de R 2
80 t
y= (xz+y ¡) X+Y = (x 1+yl' x1+y2)
Y= (xz, Yz) X+Y = (x1+x2 , y 1+y2)
73t
74 t
x2
x2
1 - 4
Página
X = ~x~ +x~
81 i
Página
Corrección
Errata
IIXII
= ~x~ + x;
150 !
82
t
sena = lfi[
__: Y1 sena- ¡¡x¡¡
85
t
c(X + Y) . c(X + Y) :2: O
(eX+ Y). (eX+ Y) :2: O
2(XxY)
2(X ·Y)
cos a = cjJ Y II IIXII
cosa= JJcYjj
101 j_
eX/Y = IIPX/YII = llcYII = ciiY IJ...
eX/Y =IIPX/YII = llcv¡¡ = icliiYII ...
103 i
c)X.(X.Y) = O
e) X .(X x Y)= O
112!
X=AB, Y=Ae, Z = AD
121 i
x - 1 = y-3 = z - 5 2 3 4 .. . v un vector y a un escalar .. .
X=AB Y=Aé Z=AD ' ' x-1 = y - 2 = z-3 2 3 4 . . . v un vector y a, f3 escalares .. .
126 j_
Es un espacio vectorial V . . .
En un espacio vectorial V ...
c!a 11 + c2a!2 + ... + cmu!m =O el a 2! + c2a22 + . .. + cmu2m =O
el a 11 + c2al2 + . . . + cma!m =O c!a 21 + c2a22 + . .. + cma2m =O
Xz
t 153 t 151
85 j_ 101 i
118i
153 j_
IIXII
157!
Z= A..: 157
131 i
ca 1
nl
+ca +···+cu =O 2 n2 m nm
134!
7. Sea . . . R 3
136i
T : R 2-7R 2
136!
149
t
ni
7. Sea . . . R 4 T: R 2-7R Sea V= {Matrices de tamaño 2 x 2},
W=RyT dada por T : V ---7 R
yT dada por T:V ---7 R 4
T(- 1,2) = (-5,1)
T(- 1,2) = (- 7,1)
-a2J +
a22 = - 5
o
=
.. . a2I - a21 +
1
á22 = -7
o
=
... ' a22 = 4
... ' ¿¡22 = 6
- 1
M,~(
-:] 2
O-:]
-1
158
i
161
J-
164
i
165
t
1
que al resolverlo nos da:
Mr =
W= B
MZ=
161 j_
que al resolverlo nos da:
o
J-
+ca 2 n2 +·· · +ca m nm =O
Sea V= {Matrices de tamaño 2 X 2},
. . . az1 149 j_
ca 1
i
154
166 j_
AX
Página
Corrección
Errata
Se puede observar que la matriz aso- Se puede observar que la matriz aso1501 ciada a esta transformación lineal ciada a esta transformación lineal es··· respecto a la base canónica es · · ·
t 153 t 151
cX + Y)2=:0
· · ·dada por lv(v)=v
· · · dada por 1/v)=v
AoM T =M oA=I n . T
AM T =M~=I . n
... Calcular T(v) para el vector v dado, y hallar T(v) para un vector 153 1. en general del espacio vectorial V. 154
i
T(x, y, z) = (x +y+ z, 2y + 3x)
T(x, y, z) = (x +y+ z, 2y, 3x)
1561. T : R 2 ----.¿ R 2 157
i
. . . Calcular las coordenadas de T(v) para el vector v dado, y las de T(v) para un vector en general del espacio vectorial V.
1 : R 2 ----.¿ R 2
La matriz de cambio de base M!'
La matriz de cambio de base M!' .
1
1571 M- BM =A 1
-
-:
+···+ca =O m 2m
- --_: ~ an1
+· ··+ca =O m nm
Y = M'X
Z=AX
Z=A'X
1571. W =BY
W =B'Y
MZ = W
M'Z=W
1
158
-
-7
a 22
- o
_I;- =
1
O
-1
-5) 6
MBM- =A
Y=MX
a L +·· · +ca =O m 1m
rr ._- :--n.
-
i
l
1
M- W = Z
(M'tW=Z
(M-1BM)(X)= (M-1B )(MX)=
(MBM- 1 ) X = (M-1 ) B'M'X =
M-1 (BY)= M - 1W = Z = AX ~
(M- 1 ) B'Y = (M- 1 ) W = (M't W =
M-1BM = A
Z ~ (MBM-1 )x = A'X ~
MBM-1 = A A'X 1611- AX · · · es un valor propio de la matriz · · · es un valor propio de la 1611. asociada A matriz A' · · ·, entonces {v1, v2, . . • , V0 } es · · · , entonces {x 1, x2, . . • , xJ es 164 i linealmente independiente linealmente independiente
t 164 t 165 t
, con algún a/0
, con algún ai * O
multiplicada por 1k+ l
multiplicada por
1661.
AlA2, · · · ,An
164
Ak+l
cambiar Ann x y Bnn x por Anxn y Bn:xn \,A2, . . . , An
3
Página
Corrección
Errata
cambiar M;x 1 ,M;x2 y M;xn por
1681 171-l-
M~X 1 , M~X2, y M~X n
· · · es un valor propio de la matriz · ··es un valor propio de la matriz invertible A, entonces A.- 1-·· A, entonces A-- 1••• --
172-1-
AX
--
-
= A X pues A es una
una matriz real ...
175-l- e¡ 178-l- se tiene para A.2= 2 179-l- A. 1 =4yA.2 =2 1801 B 0 • Pero los vectores de B 1
184
t
1851
--
A X = A X pues A es
matriz real.. .
180-1- NonnffiizaOOo la base B,
~
B2 • Pero los vectores de B 2 Normalizando esta base tenemos
{[:]}
y= x'sene +y'sen e
y = x'sene +y'cose
x' = x' cose+ y'sen e
X =X cose+ y sen e
y' =-x'sen8+ y'cose
y' = x sen8+ y cose
204
1
1901 · · · y para el valor propio A. = 4 es
· · · y para el valor propio A. = 9 es
. .. = 3 ... = 3
.. . = 36 ... = 36
(l
1
comoP'X=Y 190-1X=PY~
191 1
191
t
X
X y
T =
A. 1 = 4 y A.2 = -2
+ 14x3x 4 + 3x4
t
203!
A-¡ se tiene para A.2= 3
187-l- +14x3x 4 3x4
190
c.
' . X como P X = Y y' ~
,~
1
X =P ' y y
X=PY
~ (: J=P(::J
y nuestra ecuación 8x2 + 4xy + ...
y nuestra ecuación 8r - 4xy + ...
. . . =3 ... = 3
... = 36 .. . = 36
4 ((x'J + 2x )+9 ((y'J +4y')=36
4 (x'J + ~ (y'J + 4 y')= 36
4 ((xJ +u+ 1)+9 (cY'J +4f +4)=36 4 (x'J + 9 ((y'J + 4 y'+ 4 )= 36 199 í 6. x 1 =2,x2=-1,x3 =3,x3 =1
6. x 1 =2,x2=-1,x3 = 3,x4 =4 4
Página
Corrección
_LX: , M~ 2 y M~n por
1 3
1 3 1 -3 1
--
-X-. y M~Xn - ~or propio de la matriz entonces A- 1 ••·
Corrección
Errata
-
7
-
c. Mr =
'
3 1 -3
2 3 1 -3 1
11 3 7
--
--
Mr =
-
3.~
-
3 1 -3
-
3/
!J
203!
T(v)=[_
T(v)=[!J
--X
T(x,y,z){tx - x 3
204
.·=t l =
i
[ 11
T(x,y,z)= - ix . _
: l:J
T(x,y)=(~x +~y,-x+2y)
T(x
=>
:J=p(;,j
5
- -~~
-~-
· ----
+
,y
~ y - zJ - y+z 3
)=(6x-y 9y+x) 5 ' 5
Bibliografía
ANTON H. Introducción al álgebra lineal, 3a. ed., Editorial Limusa, 2003 ACHER, J. Algebra lineal y programación lineal, Montaner y Simón S.A. Editores, Barcelona, 1967 APOSTOL, Tom M. Calculus vol. 1 y JI, 2da. ed., Editorial Reverté, S.A., 1972 AYRES, Frank. Theory and Problems of Matrices, Schaum Publishing Co., Nueva York, 1962 GROSSMAN, S. Algebra lineal, Editorial McGraw-Hill, 5a. ed., México, 1996 HALMOS, Paul R. Espacios vectoriales finitos dimensionales, 2da. ed., Compañía Editorial Continental S.A., México, 1965 KOLMAN, B. Algebra lineal con aplicaciones, 6a. ed., Pearson Educación, 1999 KUROSCH, A. G. Curso de álgebra superior, Editorial MIR, Moscú, 1968 MALTSEV, A.I. Fundamentos de álgebra lineal, Primera edición en español, Siglo XXI Editores S.A., México, 1970 MOSTOW-SAMPSON, Meyer. Fundamental Structures of Algebra, McGraw-Hill Book Company, 1963 PAIGE, Lowell J. y SWIFT, J. Dean, Elements of Linear Algebra, B1aisdell Publishing Company, 1961
,
lndice
Ángulo entre vectores, 82
Forma cuadrática, 183
Base, 96
Independencia lineal, 125
Base canónica, 97
Inversa de una matriz 2x2, 41
Base de un espacio vectorial, 129
Método de la matriz escalonada, 30
Combinación lineal, 125
Método de Gauss, 31
Dependencia lineal, 125
Matrices
Determinantes, 4 7
Diagonal principal, 17
2
X
2, 48
Diferencia, 4
3
X
3, 49
Igualdad, 3
Cofactor ij, 50
Inversa por la derecha, 70
Ley de Sarrus, 49
Inversa por la izquierda, 70
Menorij, 50
Método rápido, 72
Propiedades, 53
Multiplicación, 6
Dimensión, 97, 131 Distancia entre dos puntos, 88
Multiplicación de un escalar por una matriz, 4
Ecuación característica, 162
Surna,3
Ecuación cartesiana de la recta, 114
Matriz
Ecuación cartesina del plano, 115
Adjunta, 68
Ecuación paramétrica de una recta, 113
Ampliada, 27
Espacios vectoriales, 119
Antihermítica, 17
Subespacio generado, 123
Antisimétrica, 15
Subespacios, 122
Conjugada, 16
212
Capítulo 7 Matrices
Cuadrada, 3
Solución general, 38
Parale
Dürer, 14
Solución trivial, 39
Pro
Diagonal, 18
Soluciones particulares, 38
Escalar, 18
Subespacio propio, 162
Fila por columna, 6
Transformación diagonalizable, 166
Hermítica, 17
Transformación lineal
Idéntica, 9 Idempotente, 19
.
Defmición, 135
Involuntiva, 19
Transformación lineal asociada a una matriz, 160
Nilpotente, 19
Transformaciones lineales
Nula,4
Imagen, 139
Ortogonal, 19
Inversa de una transformación, 151
Simétrica, 15
Núcleo, 139
Transjugada, 16
Nulidad y rango, 142
Transpuesta, 14
Suma y multiplicación por escalar, 139
,Traza, 18 Triangular, 19 Triangular inferior, 19 Triangular superior, 19 Unitaria, 19 Matriz de cambio de base, 156 Matriz invertible, 67 Operaciones elementales entre filas, 29 Ortogonalización de Gram-Schmidt, 107 Polinomio característico, 162 Polinomio de matrices, 11 Regla de Cramer, 63 Rotación de ejes, 184 Rotación de vectores, 13 7 Sistema homogéneo, 24 Sistema inconsistente, 24 Sistemas equivalentes, 24
Transformación idéntica, 151 Variables libres, 36 Vector de coordenadas, 133 Vectores, 7 5 Base ortogonal, 107 Base ortonormal, 109 Combinación lineal, 89 Componente, 100 Desigualdad de Cauchy-Schwarz, 85 Desigualdad del triángulo, 86 Equivalentes, 78 Identidad de Lagrange, 104 Igualdad, 75 Linealmente dependientes, 93 Linealmente independientes, 93 Norma, 79
~r-...,.,..;;.;..,
213
Capítulo 7 Matrices
lineal asociada a una triz, 160
Paralelos, 78
Triple producto escalar, 105
Producto interno, 83
Unitario, 88
Producto vectorial, 102
Vector dirigido, 77
Propiedades del producto intemo,83
Vectores y valores propios, 160
Proyección, 100
Volúmen de un paralelepípedo, 106
Suma y producto por escalar,76
Wronskiano, 128