Escolar Documentos
Profissional Documentos
Cultura Documentos
lgebra Lineal
para Ingeniera
ndice
Tema
Pgina
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
Espacio
. . . . .
. . . . .
. . . . .
. . . . .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
3D
. .
. .
. .
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
3
4
4
5
5
6
6
9
10
10
12
12
13
15
16
16
17
17
18
18
19
19
20
20
22
25
28
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
31
33
33
33
35
36
37
38
38
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ii
ndice
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
40
40
43
43
44
44
45
46
46
46
47
48
49
50
50
51
52
52
53
53
54
55
55
58
58
59
60
2 Espacios Vectoriales
2.1 Vectores en Espacios n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Representacin Grfica de Vectores . . . . . . . . . . . . . . . . . . . . .
2.2 Operaciones Elementales con Vectores . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Producto por un Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Vector Opuesto y Vectores Estndar . . . . . . . . . . . . . . . . . . . .
2.2.4 Diferencia de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Propiedades Algebraicas de la Suma y Producto por un Escalar . . . . .
2.3 Espacio y Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Sistemas de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Combinacin Lineal de Vectores . . . . . . . . . . . . . . . . . . . . . .
2.4.2 Dependencia e Independencia Lineal . . . . . . . . . . . . . . . . . . . .
2.4.3 Rango de un Sistema de Vectores . . . . . . . . . . . . . . . . . . . . . .
2.4.4 Interpretacin Geomtrica de la Dependencia e Independencia Vectorial
2.5 Conjuntos o Sistemas Generadores . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.1 Base y Dimensin de un Sistema de Vectores . . . . . . . . . . . . . . .
2.5.2 Generacin de n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.3 Base Cannica o Estndar de n . . . . . . . . . . . . . . . . . . . . . .
2.6 Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Propiedades del Producto Escalar . . . . . . . . . . . . . . . . . . . . .
2.7 Distancia y Norma en n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
65
66
66
66
67
68
68
69
70
72
72
73
76
78
80
81
82
84
86
87
87
1.3
1.4
1.5
1.6
1.7
1.8
1.9
Clases de lgebra
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
87
88
88
89
89
90
90
90
91
91
91
92
93
95
96
3 Matrices
3.0 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.0.1 Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . .
3.1 Operaciones Bsicas con Matrices . . . . . . . . . . . . . . . . . . .
3.1.1 Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Producto de un Escalar por una Matriz . . . . . . . . . . .
3.1.3 Diferencia o Resta de Matrices . . . . . . . . . . . . . . . .
3.1.4 Propiedades de la Suma y la Multiplicacin por un Escalar
3.1.5 Espacio Vectorial de Matrices . . . . . . . . . . . . . . . . .
3.1.6 Combinacin Lineal de Matrices . . . . . . . . . . . . . . .
3.2 Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Propiedades de la Multiplicacin de Matrices . . . . . . . .
3.2.2 Potencia de Matrices Cuadradas . . . . . . . . . . . . . . .
3.2.3 Producto Matricial Matriz-Vector . . . . . . . . . . . . . . .
3.2.4 Producto Matricial Vector-Vector . . . . . . . . . . . . . . .
3.2.5 Producto Matriz-Vector Estndar . . . . . . . . . . . . . . .
3.3 Expresin Matricial de un SEL . . . . . . . . . . . . . . . . . . . .
3.4 Matriz Transpuesta AT . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Matriz Simtrica y Antisimtrica . . . . . . . . . . . . . . .
3.4.2 Propiedades de la Matriz Transpuesta . . . . . . . . . . . .
3.5 Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Clculo de la Matriz Inversa: Mtodo de Gauss-Jordan . . .
3.5.2 Inversa y SEL . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.3 Operaciones con la Matriz Inversa . . . . . . . . . . . . . .
3.6 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.1 Introduccin: Determinantes de Matrices 2 2 . . . . . . .
3.6.2 Determinantes de Matrices 3 3 . . . . . . . . . . . . . . .
3.6.3 Regla de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.4 Determinantes de Matrices n n . . . . . . . . . . . . . . .
3.6.5 Clculo del Determinante mediante Desarrollos de Laplace
3.6.6 Determinantes e Inversa de una Matriz . . . . . . . . . . .
3.6.7 Propiedades de los Determinantes . . . . . . . . . . . . . .
3.6.8 Mtodo de Gauss para el Clculo del Determinante . . . . .
3.6.9 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
101
103
104
106
106
106
106
107
107
107
108
109
109
110
110
111
111
112
112
112
114
114
116
116
116
116
117
118
118
120
121
121
122
122
R
R
R R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Clases de lgebra
iv
ndice
3.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
124
125
125
128
128
131
133
133
4 Transformaciones Lineales
4.1 Concepto de Transformacin Lineal . . . . . . . . . . . .
4.1.1 Forma Matricial de una Transformacin Lineal .
4.1.2 Propiedades de las Transformaciones Lineales . .
4.2 Transformaciones Lineales Elementales . . . . . . . . . .
4.2.1 Transformacin Lineal de Vectores Estndar . . .
4.2.2 Demostracin = de la Seccin 4.1.2 . . . . . . .
4.3 Inversa de una TL . . . . . . . . . . . . . . . . . . . . .
4.3.1 Funcin Invertible . . . . . . . . . . . . . . . . .
4.3.2 Inversa de una TL . . . . . . . . . . . . . . . . .
4.4 Operaciones con TL . . . . . . . . . . . . . . . . . . . .
4.4.1 Suma de Transformaciones Lineales . . . . . . .
4.4.2 Composicin de Transformaciones . . . . . . . .
4.5 Imagen y Ncleo de una TL . . . . . . . . . . . . . . . .
4.5.1 Imagen de una TL . . . . . . . . . . . . . . . . .
4.5.2 Ncleo o Espacio Nulo de una TL . . . . . . . .
4.5.3 Nulidad y Rango de una TL . . . . . . . . . . . .
4.6 Tipos de TL . . . . . . . . . . . . . . . . . . . . . . . . .
4.6.1 Inyectivas, Sobreyectivas y Biyectivas . . . . . .
4.6.2 Homomorfismos, Endomorfismos e Isomorfismos
4.7 Transformaciones Geomtricas. Movimientos en 2 y 3
4.7.1 Traslaciones en 2 y 3 . . . . . . . . . . . . . .
4.7.2 Rotaciones en 2 . . . . . . . . . . . . . . . . . .
4.7.3 Rotaciones en 3 . . . . . . . . . . . . . . . . . .
4.7.4 Reflexiones sobre Rectas en 2 . . . . . . . . . .
4.7.5 Reflexiones sobre Rectas en 3 . . . . . . . . . .
4.7.6 Reflexiones sobre Planos en 3 . . . . . . . . . .
4.7.7 Homotecias en 2 y 3 . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
137
139
140
141
143
144
145
145
145
149
151
151
152
155
155
157
159
162
162
162
163
163
164
166
166
168
169
169
5 Bases
5.1 Bases en n . . . . . . . . . . . . . . .
5.1.1 Coordenadas y Matriz asociada
5.2 Cambio de Base . . . . . . . . . . . . .
5.2.1 Matriz de Cambio de Base . . .
R R
R
R
R R
R R
R
R
R
.
a
.
.
. . . . . .
una Base
. . . . . .
. . . . . .
6 Ortogonalidad
6.1 Ortogonalidad en n . . . . . . . . . . . .
6.1.1 Conjunto Ortogonal . . . . . . . .
6.1.2 Vector Ortogonal a un Subespacio
6.2 Bases Ortogonales y Ortonormales . . . .
6.2.1 Bases Ortogonales . . . . . . . . .
6.2.2 Bases Ortonormales . . . . . . . .
Clases de lgebra
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
171
173
173
176
176
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
181
183
183
184
185
185
187
ndice
6.3
6.4
6.5
6.6
6.7
6.8
6.9
v
Matrices Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1 Propiedades de las Matrices Ortogonales . . . . . . . . . . . . . .
TL Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.1 Caractersticas del Complemento Ortogonal . . . . . . . . . . . .
6.5.2 Clculo del Complemento Ortogonal . . . . . . . . . . . . . . . .
6.5.3 Relaciones de Ortogonalidad entre los Subespacios de una Matriz
6.5.4 Dimensin del Complemento Ortogonal . . . . . . . . . . . . . .
Proyeccin Ortogonal y Vector Perpendicular sobre Subespacios . . . . .
Teorema de la Descomposicin Ortogonal . . . . . . . . . . . . . . . . .
Proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . .
Factorizacin QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7 Mnimos Cuadrados
7.1 Introduccin . . . . . . . . . . . . . . . . . . . . . .
7.2 Mejor Aproximacin . . . . . . . . . . . . . . . . .
7.3 Aproximacin mediante Mnimos Cuadrados . . . .
7.4 Mnimos Cuadrados mediante la Factorizacin QR
7.5 Error en la Aproximacin por Mnimos Cuadrados:
7.6 Ajuste de Datos mediante Mnimos Cuadrados . .
7.6.1 Ejemplos de Problemas . . . . . . . . . . .
7.7 Resumen de Frmulas de Mnimos Cuadrados . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
188
189
190
190
191
191
192
194
195
197
198
199
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
203
205
205
206
210
212
213
217
221
8 Autovalores y Autovectores
8.1 Introduccin: Sistemas Dinmicos Discretos . . . . . . . . . . . . . .
8.2 Autovalores y Autovectores . . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Interpretacin Geomtrica de los Autovalores y Autovectores
8.2.2 Determinacin de Autovalores y Autovectores . . . . . . . . .
8.2.3 Autoespacios . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2.4 Multiplicidades Algebraica y Geomtrica . . . . . . . . . . . .
8.2.5 Autovalores y Matrices Inversas . . . . . . . . . . . . . . . . .
8.2.6 Tres Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3 Matrices Semejantes . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3.1 Matrices Triangulares . . . . . . . . . . . . . . . . . . . . . .
8.3.2 Matrices Semejantes . . . . . . . . . . . . . . . . . . . . . . .
8.3.3 Interpretacin de la Semejanza de Matrices . . . . . . . . . .
8.4 Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.4.1 Autovalores Reales y Complejos . . . . . . . . . . . . . . . .
8.5 Diagonalizacin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . .
8.5.1 Interpretacin Geomtrica de la Diagonalizacin Ortogonal .
8.5.2 Teorema Espectral . . . . . . . . . . . . . . . . . . . . . . . .
8.5.3 Descomposicin Espectral . . . . . . . . . . . . . . . . . . . .
8.6 Teoremas Avanzados Adicionales . . . . . . . . . . . . . . . . . . . .
8.7 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
223
225
227
227
228
230
232
234
235
236
236
236
238
241
243
245
246
249
250
251
252
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
253
255
256
256
256
257
. . . . . .
. . . . . .
. . . . . .
. . . . . .
Residuos
. . . . . .
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
Subespacio
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Clases de lgebra
vi
ndice
9.3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
258
259
261
263
272
274
277
277
279
280
285
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
287
289
290
292
293
294
295
296
297
298
299
300
301
302
303
303
303
304
305
305
313
313
313
315
316
317
321
322
324
9.4
APNDICES
A Temas de Repaso
A.1 Trigonometra . . . . . . . . . . . . .
A.1.1 Medida de ngulos: Radianes
A.1.2 Funciones Trigonomtricas .
A.2 Productos Notables . . . . . . . . . .
A.3 Sumatorios . . . . . . . . . . . . . .
Clases de lgebra
331
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
333
334
334
336
347
347
ndice
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
348
349
350
353
353
353
353
354
354
355
355
356
357
358
358
358
358
359
359
359
359
360
361
361
362
363
364
365
B Nmeros Complejos
B.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2 Cuerpo de los nmeros Complejos . . . . . . . . . . . . . . . . . . . . .
B.2.1 Definicin del nmero imaginario i . . . . . . . . . . . . . . . . .
B.2.2 Potencias enteras de i . . . . . . . . . . . . . . . . . . . . . . . .
B.2.3 Definicin de Nmero Complejo. Formas Cartesiana y Binmica
B.3 Operaciones Bsicas en
. . . . . . . . . . . . . . . . . . . . . . . . . .
B.3.1 Suma de Nmeros Complejos . . . . . . . . . . . . . . . . . . . .
B.3.2 Producto de Nmeros Complejos . . . . . . . . . . . . . . . . . .
B.3.3 El Cuerpo de los Nmeros Complejo . . . . . . . . . . . . . . . .
B.4 Conjugado de un Nmero Complejo . . . . . . . . . . . . . . . . . . . .
B.4.1 Propiedades del Conjugado . . . . . . . . . . . . . . . . . . . . .
B.4.2 Conjugados y Divisin de Nmeros Complejos . . . . . . . . . .
B.5 Representacin Geomtrica de
. . . . . . . . . . . . . . . . . . . . . .
B.5.1 El Plano Complejo . . . . . . . . . . . . . . . . . . . . . . . . . .
B.5.2 Mdulo de un Nmero Complejo . . . . . . . . . . . . . . . . . .
B.5.3 Argumento de un Nmero Complejo . . . . . . . . . . . . . . . .
B.6 Otras Formas de Expresar los Nmeros Complejos . . . . . . . . . . . .
B.7 Forma Trigonomtrica y Polar . . . . . . . . . . . . . . . . . . . . . . . .
B.7.1 Propiedades y Operaciones Bsicas de la Forma Polar . . . . . .
B.7.2 Exponencial Compleja. Frmula de Euler . . . . . . . . . . . . .
B.7.3 Teorema de De Moivre . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
367
369
369
369
369
370
371
371
371
373
373
374
374
375
375
376
377
378
378
379
380
381
R
R
R
R C
R
R
R
R
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Clases de lgebra
viii
ndice
B.7.4
B.7.5
B.8 Forma
B.8.1
B.8.2
B.8.3
Bibliografa
Clases de lgebra
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
381
382
383
383
384
385
387
TEMA
0.3
0.4
0.5
0.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
4
4
5
5
6
6
9
10
10
12
12
13
15
16
16
17
17
18
18
19
19
20
20
22
25
28
Clases de lgebra
Ec. Punto-Pendiente
Ec. General
Ec. Vectorial
Ec. Paramtrica
Rectas
Plano Eucldeo
Ec. Normal
Coordenadas Cartesianas
Ec. General
Ecuaciones Bsicas
Ec. Paramtrica
Ec. Vectorial
Planos
Ec. Normal
Ec. Paramtrica
Ec. Vectorial
Rectas
Ec. Normal
Sist. 2 Ecuaciones
Sist. 3 Ecuaciones
Sist. 1 Ecuacin
Ec. General
Espacio Eucldeo
Rectas y Planos
Igualacin
Sustitucin
Reduccin
2
TEMA 0: Conceptos Bsicos de Rectas y Planos
O
Y
X
Y
x
b
(x, y)
(x, y, z)
b
1 Espacio
2 La
tridimensional eucldeo. Ver en la Seccin 2.8, pgina 89 la definicin general de espacio eucldeo.
disposicin espacial de estos ejes puede variar segn las diferentes aplicaciones.
Clases de lgebra
y1
y0
y0
m
x2
x1
Figura 0.3.: Representacin de una recta en el plano eucldeo y sus elementos caractersticos.
Por dos puntos distintos del plano eucldeo de coordenadas (x1 , y1 ) y (x2 , y2 ) pasa una nica recta,
cuyos infinitos puntos (x, y) cumplen la ecuacin:
y2 y1
y y1
=
x2 x1
x x1
(0.1)
y2 y1
(x x1 )
x2 x1
(0.2)
Ejemplo 0.1. Encontrar la ecuacin de la recta que pasa por los puntos P1 = (1, 2) y
P2 = (1, 3) del plano eucldeo.
Solucin: Vamos a aplicar la Ecuacin (0.1), tomando por ejemplo3 P1 = (x1 , y1) y P2 =
(x2 , y2 ).
y2 y1
y y1
=
x2 x1
x x1
32
y2
=
1 1
x1
(x 1) = 2y 4
1
y2
=
2
x1
2y = 4 (x 1)
(x 1) = 2(y 2)
1
y = 2 (x 1)
2
Esta misma ecuacin se puede obtener aplicando directamente la Ecuacin (0.2). Podemos
comprobar como la frmula obtenida se cumple para las coordenadas de los puntos P1 y P2
utilizados en su clculo.
3 Es indiferente el orden que se tome en los puntos, en este caso podramos tomar P = (x , y1) y P = (x , y )
2
1
1
2 2
obtenindose el mismo resultado.
Clases de lgebra
y2 y1
x2 x1
(0.3)
tan = m
El valor de m puede ser cualquier nmero real (negativo, cero o positivo) o bien infinito si la recta es
vertical4 . El ngulo de inclinacin de la recta se puede obtener calculando el arcotangente5 de m.
Sustituyendo en la Ecuacin (0.2) se obtiene la ecuacin de la recta que pasa por un punto (x1 , y1 )
y tiene por pendiente m, conocida como ecuacin punto-pendiente:
y = y1 + m(x x1 )
(0.4)
y = y0 + mx
(0.5)
El valor y0 se denomina ordenada en el origen y corresponde con la ordenada del punto de corte de
la recta con el eje Y , (ver la Figura 0.3).
Ejemplo 0.2. Encontrar la recta en su forma punto-pendiente que pasa por los puntos
P1 = (0, 0) y P2 = (1, 1) y determinar su pendiente y su ordenada en el origen.
Solucin:
y
P2
1
P1
Por tanto:
y = y1 + m(x x1 ) = 0 1(x 0) = x
y = x
y = x
a, b, c
(0.6)
Clases de lgebra
Ejemplo 0.3. Determinar la ecuacin general de la recta que tiene por pendiente m = 3/2 y
pasa por el punto P = (1, 2).
Solucin: Aplicando la Ecuacin (0.4) se tiene:
3
3x 3
7 + 3x
y = y1 + m(x x1 ) = 2 + [x (1)] = 2 +
+ =
2
2
2
2
Reordenando podemos encontrar la ecuacin general de esta recta:
2y = 7 + 3x
3x 2y = 7
y=k
x=k
x0
~v
~p
b
~x
~x = p~ + t~v
(0.7)
X
8 Ver una introduccin a los vectores en el plano eucldeo y en el espacio 3D en el Apndice A.7, pgina 354 y un
estudio ms detallado en el Tema 2, pgina 63.
Clases de lgebra
x
y
x0
y0
+t
v1
v2
(0.8)
Esta ecuacin se puede partir en dos, dando lugar a la conocida como forma paramtrica de la recta:
x =
y =
x0 + v 1 t
y0 + v2 t
(0.9)
Las formas vectoriales y paramtricas son elementos esenciales del lgebra Lineal y sern muy
utilizadas en los prximos temas.
Ejemplo 0.4. Determinar la ecuacin vectorial y paramtrica de la recta que pasa por los
puntos P1 = (1, 2) y P2 = (3, 0).
Solucin: Restando las coordenadas de los puntos dados se puede obtener un vector con la
direccin de la recta (vector director).
~v = P1 P2 = [3 1, 0 (2)] = [4, 2]
Como vector director ~v podemos tomar o bien ste que acabamos de calcular o cualquiera de sus
mltiplos no nulos, como por ejemplo: [2, 1] [2, 1] ya que todos tienen la misma direccin12 .
Con un vector director y un punto cualquiera de la recta, por ejemplo P1 P2 , podemos obtener
una13 ecuacin vectorial de esta recta:
x
1
2
~x = ~x0 + t~v
;
+t
=
y
2
1
Podemos comprobar como dando los valores t = 0 y t = 2 se obtienen respectivamente los
puntos P1 y P2 de la recta.
(Contina en la pgina siguiente)
9 Los
vectores se van a representar en este libro encerrando su coordenadas entre corchetes cuadrados, [ ].
parmetro es un trmino que puede tomar cualquier valor, pero que no es una variable del sistema.
11 Los vectores se pueden poner indistintamente como filas o como columnas.
12 Lo importante aqu es la direccin del vector y no su sentido. Por ello tambin podemos utilizar el vector
P2 P1 en
lugar de P1 P2 .
13 Hay infinitas formas de representar una recta en su forma vectorial, dependiendo del punto y vector director
elegidos, pero todas representan la misma recta.
10 Un
Clases de lgebra
P
P
x = 1 + 2t
y = 2 + t
x
y
0
1
+t
1
3
Ejemplo 0.6. Obtener la ecuacin general de la recta cuya forma vectorial es:
x
1
2
=
+t
y
2
3
Solucin: Fcilmente podemos obtener su forma paramtrica:
x = 1 + 2t
y = 2 3t
Como la ecuacin general no tiene parmetros, debemos eliminar t de la forma paramtrica.
Para ello podemos despejar t en cada una de las ecuaciones e igualarlas:
x = 1 + 2t
y = 2 3t
x+1
t= 2
t= 2y
3
x+1
2y
=
2
3
3x + 3 = 4 2y
3x + 2y = 1
14 Tambin
Clases de lgebra
~n ~x = c
Donde:
~n = [a, b] : se denomina vector normal de la recta y que tiene por componentes los coeficientes
de la variables, a y b.
~x = [x, y] : vector que representa a todos y cada uno los puntos (x, y) de la recta17 .
c : trmino independiente (constante) de la ecuacin general.
La constante c es un nmero real y siempre se puede encontrar un determinado punto de la recta
p~ = [x0 , y0 ] que al multiplicarlo escalarmente por el vector normal ~n se obtenga como resultado c:
~n ~x = c
~n ~x = ~n p~
Pasando los dos trminos a un mismo lado y despejando el vector normal ~n se obtiene la denominada
ecuacin normal de la recta:
~n ~x ~n p~ = 0
~n
~x
p~
x0
(0.10)
~n (~x p~) = 0
y0
[1, 2] [x, y] = 3
Un vector normal de la recta es por tanto20 ~n = [1, 2]. Tomando un punto cualquiera de la
recta, por ejemplo (3, 0) se tiene p~ = [3, 0].
Finalmente una ecuacin normal de esta recta es:
[1, 2] ([x, y] [3, 0]) = 0
Desarrollando el producto escalar y simplificando se puede volver a recuperar la ecuacin general.
15 Ver
Clases de lgebra
10
Frmula
y = y0 + mx
ax + by = c
~x = p~ + t~v
~n (~x p~) = 0
mx y = y0
=
b6=0
ax + by = c
y=
a=m
b = 1
c = y0
y0 = c/b
m = a/b
c a
+
x
b
b
Nota 0.1. Si en al forma general b = 0, la recta es vertical y la pendiente m es infinita, por lo que este tipo de rectas
no pueden expresarse en la forma punto-pendiente.
x =
y =
x 0 + v1 t
y0 + v2 t
t =
=
x x0
v1
t =
x
y
0
c
+t
1
a
x x0
y y0
=
v1
v2
y y0
v2
Esta ecuacin se denomina ecuacin continua de la recta en el plano eucldeo. Si v~1 6= 021 la
ecuacin general tiene la forma:
v2
v2
x y = x0 y0
v1
v1
General Normal
~n(~x~
p) = [n1 , n2 ]([x, y][p1 , p2 ] = 0 = [n1 , n2 ][xp1 , yp2 ] = 0 = n1 (xp1 )+n2 (yp2 ) = 0
a = n1
b = n2
= n1 x + n2 y = n1 p1 + n2 p2
c = n1 p1 + n2 p2
ax + by = c
Nota 0.2.
h c i
[a, b] [x, y] 0,
=0
b
~n = [a, b]
p~ = [0, c/b]
21 Si
Clases de lgebra
11
Ejemplo 0.8. Encontrar las distintas formas de expresar matemticamente la recta que pasa
por los puntos P1 = (1, 2) y P2 = (0, 3) del plano eucldeo y especificar sus valores
caractersticos: pendiente, vector director, vector normal y puntos de corte con los ejes X e
Y.
Solucin: Aplicando la ecuacin de dos puntos podemos obtener la ecuacin punto-pendiente
de la recta.
3 (2)
y (2)
=
x1
01
y = 2 5(x 1)
y = 3 5x
Con esta ecuacin podemos determinar fcilmente la pendiente y los puntos de corte con el eje
X (valor de la x para y = 0) y con el eje Y (valor de la y para x = 0):
pendiente: m = 5
Corte eje X:
3
,0
5
Ahora tenemos que encontrar un vector p~ = [x0 , y0 ] de forma que el producto escalar ~n p~ = 3.
Para ello podemos coger P1 , P2 o cualquier otro punto de la recta. Tomando por ejemplo P2 ,
p~ = [0, 3], tenemos finalmente una ecuacin normal23 :
[5, 1] [x, y] = [5, 1] [0, 3]
La forma vectorial se puede obtener con un vector director y un punto cualquiera de la recta,
por ejemplo P1 :
[x, y] = [1, 2] + t[1, 5]
Por ltimo, una forma paramtrica de la recta se puede obtener partiendo la ecuacin vectorial
en sus distintas componentes:
x=1+t
y = 2 5t
22 Hay infinitas formas de representar la ecuacin general, basta con multiplicar ambas partes de la igualdad por un
nmero distinto de cero.
23 Hay infinitas ecuaciones normales asociadas a una recta, porque existen infinitos vectores normales e infinitos
puntos de la misma.
Clases de lgebra
12
Ejemplo 0.9. Encontrar en cada caso, la ecuacin de la recta en el plano eucldeo que pasando
por el punto (1, 2) cumple:
a) Es paralela a la recta y = 1 x.
b) Es perpendicular a la recta y = 1 + 3x.
Solucin:
a) Si es paralela a la recta, tiene su misma pendiente, en este caso m = 1. La recta buscada
tendr entonces por ecuacin: y = a x. El valor de a se puede determinar sabiendo que
la recta debe pasar por el punto (1, 2). Sustituyendo podemos obtener la forma puntopendiente de la recta pedida:
2=a1
a=3
y =3x
b) En este caso, las rectas deben ser perpendiculares. Teniendo en cuenta que las pendientes
m y m0 de dos rectas perpendiculares cumplen:
m=
1
m0
2=a
1
3
a=
7
3
y=
7 x
3 3
; a, b, c
c6=0
z = x + y +
= a/c
= b/c
= d/c
(0.11)
Clases de lgebra
13
y=0
d
c
x=0
d
b
d
a
Ejemplo 0.10. Encontrar la ecuacin general del plano que pasa por los puntos P1 = (1, 0, 1),
P2 = (1, 1, 1) y P3 = (0, 0, 1) del espacio 3D.
Solucin: Vamos a suponer25 que c 6= 0 y determinaremos las constantes , y de la
Ecuacin (0.11).
x + y + = z
Introduciendo los valores delos puntos P1 , P2 y P3 se obtiene el siguiente sistema de ecuaciones:
=
1
+
=0
+ + = 1
= 2
2y + z = 1
=
=
2y z = 1 =
=
1
=1
Una forma alternativa de describir un plano es a partir de un punto26 p~ = [x0 , y0 , z0 ] y dos vectores
~u = [u1 , u2 , u3 ] y ~v = [v1 , v2 , v3 ], contenidos en el mismo.
~p b
~u
~v
z=0
El conjunto de todos los puntos del plano (x, y, z) viene dado por las siguientes ecuaciones, donde
la variables t, s son parmetros.
~x = p~ + t~u + s~v
F. Vectorial:
x
x0
u1
v1
y = y0 + t u2 + s v2
z
z0
u3
v3
F. Paramtrica:
x
y
= x0 + tu1 + sv1
= y0 + tu2 + sv2
= z0 + tu3 + sv3
25 En caso de que este planteamiento no tenga solucin, ser debido a que c = 0 y tendremos que buscar otra constante
a b que no sea nula. Tener en cuenta que en todo plano al menos una constante debe ser distinta de cero.
26 El punto est expresado en forma vectorial, de igual forma que se realiz en la forma vectorial de una recta en el
plano, (ver la Seccin 0.2.5, pgina 6).
Clases de lgebra
14
Notar que la forma vectorial del plano en el espacio 3D tiene vectores de tres componentes y posee
dos parmetros27 .
Ejemplo 0.11. Encontrar las ecuaciones paramtrica y vectorial del plano que pasa por los
puntos: P1 = (1, 1, 1), P2 = (0, 0, 0) y P3 = (2, 0, 1) del espacio 3D.
Solucin: Para construir la forma vectorial del plano necesitamos un punto y dos vectores
contenidos en el mismo.
~x = p~ + t~u + s~v
Como punto p~ podemos tomar cualquiera de los dados en el enunciado28 , por ejemplo p~ = [1, 1, 1]
y para obtener los vectores ~u y ~v podemos restar dos a dos dichos puntos:
x
1
1
2
y = 1 + t 1 + s 0
z
1
1
1
x = 1 + t + 2s
y =1+t
z =1+t+s
1
0
x
0
x=t
y = 3 + t 2 + s 0
y = 3 + 2t
2x y = 3 =
;
z=s
z
0
0
1
Ejemplo 0.13. Encontrar la ecuacin general del plano cuya forma paramtrica en el espacio
3D es:
x=1+ts
y = 1 t 2s
z = t s
Solucin: Tenemos que eliminar los parmetros t y s, por ejemplo despejando de la tercera
ecuacin y sustituyendo en las dos primeras se tiene:
x = 1 + (z s) s = 1 z 2s
t = z s =
y = 1 (z s) 2s = 1 + z s s = 1 + z y
Sustituyendo el valor de s en la primera ecuacin de la x despejada se tiene:
x = 1 z 2(1 + z y) = 3 3z + 2y
x 2y + 3z = 3
27 A diferencia de la forma vectorial de la recta en el plano eucldeo donde los vectores tienen dos componentes y slo
posee un parmetro, (ver la Seccin 0.2.5, pgina 6).
28 Dispuestos como vectores en lugar de puntos.
Clases de lgebra
15
~p
~x = [x, y, z]
~n = [a, b, c]
p~ = [x0 , y0 , z0 ]
~x
Notar que la ecuacin normal de un plano en el espacio 3D es exactamente igual que la ecuacin
normal de una recta en el plano eucldeo 30 , aunque los vectores tienen tres componentes en lugar de
dos.
Ejemplo 0.14. Encontrar la ecuacin normal del plano x + y z = 2 en el espacio 3D.
Solucin: Podemos reinterpretar esta ecuacin en base al producto escalar de la siguiente forma:
x+yz =2
[1, 1, 1] [x, y, z] = 2
Un31 vector normal del plano es por tanto ~n = [1, 1, 1]. Tomando un punto cualquiera del
plano, por ejemplo (1, 1, 0) se tiene p~ = [1, 1, 0].
Finalmente una ecuacin normal de este plano es:
[1, 1, 1] ([x, y, z] [1, 1, 0]) = 0
nx ny + 2nz = 0
Fcilmente encontramos valores que cumplen esta ecuacin, como por ejemplo: ~n = [1, 1, 1].
Teniendo el vector normal y un punto del plano podemos encontrar su ecuacin normal:
[1, 1, 1]([x, y, z][1, 1, 1]) = 0
x+1+y1+z1 = 0
x + y + z = 1
29 Ver
Clases de lgebra
16
Frmula
ax + by + cz = d
~x = p~ + t~u + s~v
~n (~x p~) = 0
ax+by+cz = d =
x=t
y=s
z = 1c (d at bs)
d
a
b
] + s[0, 1,
]
[x, y, z] = [0, 0, ] + t[1, 0,
c
c
c
Para pasar de la forma vectorial/paramtrica a la forma general hay que eliminar los parmetros
t y s dejando una nica ecuacin. Esto se puede hacer mediante diferentes mtodos34 : por
reduccin, por sustitucin o igualacin o bien de forma matricial calculando el siguiente
determinante35 :
x x0 y y0 z z0
x = x0 + tvx + sux
vx
y = y0 + tvy + suy
vy
vz = 0 =
=
ax + by + cz = d
ux
z = z0 + tvz + suz
uy
uz
General Normal
Para pasar de la forma general a la forma normal se necesita el vector normal, formado por los
coeficientes de las variables, y un punto cualquiera del plano P = [x0 , y0 , z0 ].
ax + by + cz = d
=
=
Para pasar de la forma normal a la forma general basta con desarrollar el producto escalar.
[a, b, c] ([x, y, z] [x0 , y0 , z0 ]) = 0
=
[a, b, c] [x x0 , y y0 , z z0 ] = 0
=
32 Para obtener un punto del plano a travs de la ecuacin general, basta con fijar dos variables (por ejemplo x = 0
e y = 0) y despejar el valor de la tercera variable de la ecuacin general.
33 La tercera variable debe tener un coeficiente distinto de cero, para que al despejar no quede una divisin por cero.
34 Estos mtodos son prcticos cuando la ecuacin vectorial/paramtrica es simple, es decir, con muchos ceros.
35 Los tres vectores que se utilizan en el determinante son linealmente dependientes por estar contenidos en el plano
y por tanto su determinante es cero. Esto se estudiar con ms detalle en los prximos temas.
Clases de lgebra
17
Ejemplo 0.16. Encontrar el plano que pasa por los puntos P1 = (1, 1, 1), P2 = (0, 1, 0) y
P3 = (1, 1, 0) del espacio 3D, en las formas: general, vectorial, paramtrica y normal.
Solucin: Dados tres puntos no alineados se pueden obtener fcilmente dos vectores contenidos
en el plano que forman:
v~1 = p~2 p~1 = [0, 1, 0][1, 1, 1] = [1, 0, 1]
x = t
y = 1 2s
z =t+s
x = t
1
x+z =s
y = 1 2s
2x + y + 2z = 1
= x+z = (1y) =
=
1
s = 2 (1 y)
2
z =t+s
a1 x + b1 y + c1 z = d1
Y
X
36 Hay
a2 x + b2 y + c2 z = d2
Plano 1
Plano 2
infinitas formas vectoriales y paramtricas de un plano, en funcin de los vectores y puntos que se tomen.
Clases de lgebra
18
~x = p~ + t~v
F. Vectorial:
x
x0
v1
y = y0 + t v2
z
z0
v3
F. Paramtrica:
x
y
= x0 + tv1
= y0 + tv2
= z0 + tv3
~x
b
~v
~p
Y
~x = [x, y, z]
~v = [v1 , v2 , v3 ]
p~ = [x0 , y0 , z0 ]
~x = [x, y, z]
~n1 = [n1 , n2 , n3 ]
p~1 = [x0 , y0 , z0 ]
n~1
n~2
Y
X
37 De igual forma que una recta en el plano eucldeo (ver Seccin 0.2.5, pgina 6), aunque con vectores de tres
componentes en lugar de dos.
Clases de lgebra
19
Frmula
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
Vectorial (Paramtrica)
~x = p~ + t~v
Normal
x = x1 + tvx
y = y1 + tvy
[x, y, z] = [x1 , y1 , z1 ] + t[vx , vy , vz ]
;
z = z1 + tvz
Para pasar de la forma vectorial/paramtrica a la forma general, basta con eliminar el parmetro
t, y obtener entonces un sistema de dos ecuaciones.
x = x1 + tvx
x x1
y y1
z z1
y = y1 + tvy
=
=
=
vx
vy
vz
z = z1 + tvz
Esta ltima ecuacin se la conoce con el nombre de ecuacin continua de la recta. Agrupando
las igualdades de dos en dos se obtiene una forma general de la recta.
vy x vx y = vy x1 vx y1
vz y vy z = vz y1 vy z1
General Normal
Para pasar de la forma general a la forma normal, basta con pasar cada una de las ecuaciones
que forman la general a la forma normal 38 .
a1 x + b1 y + c1 z = d1
[a1 , b1 , c1 ] ([x, y, z] [x1 , y1 , z1 ]) = 0
=
a2 x + b2 y + c2 z = d2
[a2 , b2 , c2 ] ([x, y, z] [x2 , y2 , z2 ]) = 0
Para pasar de la forma normal a la forma general, basta con desarrollar cada uno de los productos
escalares39 de las ecuaciones que forman la normal.
[vx , vy , vz ] ([x, y, z] [x1 , y1 , z1 ]) = 0
vx x + vy y + vz z = vx x1 + vy y1 + vz z1
=
[ux , uy , uz ] ([x, y, z] [x2 , y2 , z2 ]) = 0
ux x + uy y + uz z = ux x2 + uy y2 + uz z2
38 Ver
39 Ver
Clases de lgebra
20
Ejemplo 0.17. Encontrar la recta que pasa por los puntos P1 = (1, 1, 1) y P2 = (0, 1, 0) en
las formas general, vectorial, paramtrica y normal.
Solucin: Inicialmente lo ms sencillo es calcular un vector director de la recta y obtener las
ecuaciones vectorial y paramtrica.
x=t
y=1
z = t
Con la ecuacin paramtrica se puede obtener la forma general eliminando el parmetro t para
obtener dos ecuaciones. En este caso particular se puede sumar la primera y tercera ecuacin y
coger directamente la segunda.
x+z = 0
y
= 1
Por ltimo, la ecuacin normal se obtiene transformado la ecuacin general en un producto
escalar.
x+z = 0
[1, 0, 1] [x, y, z] = 0
;
y
= 1
[0, 1, 0] [x, y, z] = 1
Se necesitan dos puntos, uno de cada uno de los planos que forman la forma general. Fcilmente
se obtiene P1 = (1, 0, 1) del primero y P2 = (0, 1, 0) del segundo. Finalmente:
= 0
= 0
R2 y el espacio 3D como R3 .
R2
Este es un sistema de ecuaciones lineales formado por una nica ecuacin de hasta42 dos
incgnitas (x e y) en el plano eucldeo y corresponde a la ecuacin general de una recta43
en el plano eucldeo ( 2 ).
40 Ver
Clases de lgebra
Y
b
c
b
c
a
21
ax + by = c en
R3
La misma ecuacin del caso anterior pero ahora en el espacio 3D ( 3 ) corresponde con un plano.
Hay que tener en cuenta que tan importante es la ecuacin que aparece, como el espacio ( 2
o 3 ) en el que estamos. En este caso el espacio determina el tipo de elemento que tenemos
(en 2 es una recta y en 3 es un plano), y la ecuacin determina la disposicin espacial del
correspondiente plano o recta.
En este caso se tiene la ecuacin general de un plano en el que falta la variable z, y por tanto
corresponder con un plano paralelo al eje z 44 .
Las soluciones de este sistema corresponden con los infinitos
Z
puntos del plano, que son los que verifican la ecuacin.
Al igual que antes, la solucin se puede expresar utilizando
la forma paramtrica del plano45 :
x=t
y = 1b (c at)
;
t, s
b
b
z
=
s
c
c
ax + by + cz = d en
R3
Z
d
c
d
a
x=t
y=s
;
t, s
z = 1c (d at bs)
d
b
44 Ver
x = 1/a(d bt cs)
y=t
;
t, s
z=s
45 Ver
Clases de lgebra
22
a1 x + b1 y = c1
a2 x + b2 y = c2
en
R2
R
El sistema de ecuaciones lineales en 2 formado por dos ecuaciones de hasta 2 incgnitas cada
una, corresponde a dos rectas en el plano eucldeo que geomtricamente pueden:
coincidir : si se cortan en infinitos puntos.
ser paralelas : no se cortan en ningn punto.
ser secantes: se cortan en un nico punto.
Estos tres casos se muestran grficamente en la siguiente figura:
Y
b
xs
ys
X
Por tanto, el sistema puede tener una nica solucin (rectas secantes), infinitas soluciones
(rectas coincidentes) o ninguna solucin (rectas distintas paralelas47 )
La solucin se puede obtener, por ejemplo, utilizando uno de los mtodos simples de resolucin
de sistemas48 .
47 Las rectas sern paralelas si tienen igual pendiente. La pendiente en la forma general se obtiene como m = a/b,
de forma que dos rectas sern paralelas si a1 /b1 = a2 /b2 .
48 Ver la Seccin 0.6, pgina 28.
49 Realmente podemos pensar que se trata de un sistema formado por una nica ecuacin (distinta).
Clases de lgebra
23
2
3
m2 =
3
1
=
6
2
Como son distintas, se trata de rectas secantes. La solucin del sistema es un nico punto
en el plano eucldeo, (punto de corte entre las dos rectas).
c) Este caso tampoco corresponde con rectas coincidentes. Calculando las pendientes:
m1 =
2
3
m2 =
4
2
=
6
3
Comprobamos que son iguales y por tanto se trata de rectas paralelas. Este sistema no
tendr solucin, por no existir ningn punto de corte entre ambas.
a1 x + b1 y = c1
a2 x + b2 y = c2
en
R3
R3 es un conjunto de
Coincidentes52 : infinitas soluciones correspondientes a los puntos del nico plano que
definen.
Paralelos53 : sin solucin.
Secantes54 : infinitas soluciones correspondientes a los puntos de la recta de corte.
En la siguiente figura se muestra grficamente las tres posibilidades.
Y
X
50 No
otra.
51 Al
Y
X
Y
X
existe ningn nmero que al multiplicar ambos trminos de la igualdad de una de las ecuaciones se obtenga la
estar en 3 hay tres variables independientes por lo que se trata de un plano y no una recta. Si una o varias
variables no aparece en la ecuacin, significa que no tienen ninguna restriccin y pueden tomar cualquier valor.
52 Dos planos son coincidentes si aun teniendo aparentemente ecuaciones distintas, representan el mismo conjunto de
puntos. En este caso se dice que ambas ecuaciones son equivalentes.
53 Dos planos son paralelos son si no se intersectan en ningn punto.
54 Dos planos son secantes si se cortan en una recta.
Clases de lgebra
24
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
en
R3
Y
X
La determinacin de estos casos se puede hacer mediante los vectores normales de los planos, de
la misma forma que el caso anterior.
Ejemplo 0.19. Determinar la disposicin relativa de los planos que forman los siguientes
sistemas de ecuaciones en 3 :
a)
x+yz =3
2x + 2y 2z = 6
b)
x+yz =3
2x y + z = 5
c)
x+yz =3
2x + 2y 2z = 5
55 En
este caso la solucin estar formada por los infinitos puntos del nico plano que definen
este caso los planos se cortan en una recta, cuyos infinitos puntos son la solucin del sistema.
57 Dos vectores ~
vy~
u son paralelos si se cumplen ~v = ~
u para cualquier
no nulo.
58 No necesariamente paralelos al eje z como el caso anterior.
56 En
Clases de lgebra
25
a1 x + b1 y = c1
a2 x + b2 y = c2
en 2
a3 x + b3 y = c3
Y
b
Y
b
X
b
xs
ys
X
Clases de lgebra
26
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
a3 x + b3 y + c3 z = d3
en
R3
Y
X
Y
X
Y
X
Y
X
El anlisis de estos casos resulta pesado realizarlo a travs de la pendiente de las rectas y el vector
normal de los planos. La situacin se complica todava ms cuando se tratan de muchas ecuaciones.
La forma eficiente de tratarlo se ver en el 59 .
Ejemplo 0.20. Encontrar los sistemas de ecuaciones lineales correspondientes a los siguientes
casos:
a) En 2 : una recta que pasa por el origen y vector director v~1 = [1, 2] junto con otra recta
paralela al eje X y que pasa por el punto (1, 1).
b) En 3 : un plano conteniendo los ejes X y Z, junto con otro plano que pasa por el punto
(0, 1, 0) y tiene vector normal n~2 = [0, 1, 2].
c) En 3 : una recta que pasa por el punto (1, 2, 0) y tiene por vector director v~1 = [1, 1, 1],
junto con el plano paralelo al eje Y , que contiene al vector v~2 = [1, 1, 1] y que pasa por
el punto (1, 1, 1).
(Contina en la pgina siguiente)
59 Ver
Clases de lgebra
27
2x y
y
=
0
= 1
en
R2
b) El primer plano que contiene a los ejes X y Z, pasa por el origen (0, 0, 0) y no contiene los
coeficientes61 a y c, por tanto tiene por ecuacin general y = 0.
Sabiendo que el vector normal del segundo plano es n~2 = [0, 1, 2], su ecuacin general
tendr la forma: y 2z = d. La determinacin de d se realizan sabiendo que contiene el
punto (0, 1, 0). Sustituyendo obtenemos que d = 1. El sistema de ecuaciones es por tanto:
y
y 2z
= 0
= 1
en
R3
x=1+t
y =2t
;
[x, y, z] = [1, 2, 0] + t[1, 1, 1] ;
z=t
xz
y+z
=
=
1
2
Con respecto al plano, al ser paralelo al eje Y , contiene al vector v~1 = [0, 1, 0] y como
adems contiene al vector tiene por ecuacin general ax + cz = d y como contiene al vector
v~2 = [1, 1, 2] y pasa por el punto (1, 1, 1), su ecuacin vectorial y paramtrica sern:
x=1+s
y =1+ts
[x, y, z] = [1, 1, 1] + t[0, 1, 0] + s[1, 1, 2] ;
z = 1 2s
Para pasar a la forma general del plano tenemos que combinar estas tres ecuaciones para
obtener una nica ecuacin sin parmetros t y s.
Clases de lgebra
28
xz
y+z
2x + z
= 1
= 2
= 3
en
R3
Nota 0.3. En general, hay diferentes formas de resolver un problema y en las soluciones mostradas aqu se presenta
slo una de ellas, que suele resultar la ms sencilla o rpida. Naturalmente, cualquier otra forma correcta de resolucin
del problema es perfectamente vlida.
3. Se repite el proceso de sustitucin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.
4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Mtodo de Igualacin
1. Se despeja una de las incgnitas en todas las ecuaciones.
2. Se iguala la primera ecuacin al resto de las ecuaciones, obtenindose un sistema de n 1
ecuaciones.
3. Se repite el proceso de igualacin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.
4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Mtodo de Reduccin
1. Se igualan los coeficientes (salvo el signo) de una de las incgnitas, entre la primera ecuacin
y el resto de ecuaciones en grupos de dos ecuaciones, mediante multiplicacin por nmeros
apropiados cada una de las ecuaciones.
2. Se suman las ecuaciones obtenindose una nica ecuacin (de cada grupo de dos ecuaciones)
con una incgnita menos.
3. Se repite el proceso de reduccin hasta obtener una nica ecuacin con una nica incgnita,
fcil de resolver.
4. La solucin del resto de las incgnitas se obtiene resolviendo las ecuaciones obtenidas hacia
atrs.
Clases de lgebra
29
Ejemplo 0.21. Resolver el siguiente sistema por los mtodos de sustitucin, igualacin y
reduccin.
3x y = 1
x+y
= 2
Solucin:
Sustitucin.
Despejando de la primera ecuacin:
(0.12)
y = 3x 1
Sustituyendo en la segunda ecuacin el valor de la variable y:
x + (3x 1) = 2
4x 1 = 2
4x = 3
x=
3
4
y=
5
4
Igualacin.
Despejando por ejemplo la variable y de ambas ecuaciones se tiene:
y = 3x 1
y =2x
Igualamos ambas ecuaciones y despejamos la variable x:
3x 1 = 2 x
4x = 3
x=
3
4
3
83
=
4
4
y=
5
4
Reduccin.
Sumando ambas ecuaciones se obtiene:
4x = 3
x=
3
4
3
83
=
4
4
y=
5
4
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
33
35
36
37
38
38
39
40
40
43
43
44
44
45
46
46
46
47
48
49
50
50
51
52
52
53
53
54
55
55
58
58
59
60
31
Clases de lgebra
Determinado
Sol. nica
Planos
Hiperplanos
Mt. Simples
SEL Pequeos
Sol.
Indeterminado
Incompatibles
Tipo SEL
Solucin
Compatibles
Frmula de Equilibrio
Puntos
Rectas
Dimensiones
Geometra
Objetos Geomtricos
Definiciones
M. Identidad
Rango
Teo. Rouche-Frobenius
Matrices
Sol. Trivial
SEL Homogneos
Met. Gauss-Jordan
SEL Grandes
Mt. Gauss
M. Escalonada Reducida
M. Escalonada
Mtodos de Resolucin
Ec. Equivalentes
SEL
32
TEMA 1: Sistemas de Ecuaciones Lineales
33
3(x y) = 2y
x+y
= 24
3x 5y
x+y
=
=
0
24
U
P
Ejemplo 1.2.
3x + 2 cos (y)
= 1
Incgnitas
Constantes
: x, y.
: 3, 2, 1.
En algunas ecuaciones adems de incognitas y constantes aparecen parmetros, que son valores de
los cuales dependen las incgnitas.
Clases de lgebra
34
Los valores {x, y} que la verifican dependen del valor del parmetro t, por lo que esta expresin
representa en realidad una familia de ecuaciones.
x + 2y 3z = 5
U
U
yx = sen (x) + 1
x1 + x2 = x3
Sistemas de Ecuaciones
Clases de lgebra
U
U
P
35
Ejemplo 1.5. La dimensin del sistema del Ejemplo 1.4 a) es: dos ecuaciones y dos incgnitas.
Solucin
Rn
Rn = {(x1 , x2 , , xn ) :
xi
R,
Rn .
1 i n}
Clases de lgebra
36
El espacio
cartesiano 1 .
El espacio 3 es el espacio tridimensional (3D) formado por todos los puntos del espacio real,
representado por los ejes XY Z.
El espacio
reales.
Rn
xy
=
5
2x + 3y + z = 14
y + 2z
= 3
xy+z
=
4
R3 .
.
.
.
.
donde:
xi
En este texto utilizaremos la sigla SEL para referirnos a los Sistemas de Ecuaciones Lineales.
1 Ver
2 Es
Clases de lgebra
Rn
37
=
9
x1 3x2 + x3 x5
2x1 + x2 + x3 x4 + 2x5 =
0
x2 + x4
= 12
Rn
ax + by + cz = d
a, b, c, d
y
x
Rn .
a1 x1 + a2 x2 + + an xn = b
Si b = 0 el hiperplano pasa por el origen (0, 0, . . . , 0)
3 Ver
4 Ver
Rn .
Clases de lgebra
38
Rn definido mediante
=
3
x + y 2z
x1 x2 + x3
xyz
= 2
x1 + 2x2 3x3 + x4
a) 2x3y = 1 ;
b)
;
c)
x1 x2 x3 =
1
4x1 + x2 x3 3x4
= 0
= 0
= 0
Excepto los puntos individuales, los objetos geomtricos de cualquier espacio n estn formados por
infinitos puntos. Aun as, algunos son ms grandes (poseen un mayor nmero de puntos) que otros.
Para poder cuantificar el tamao de un objeto geomtrico se vuelve a utilizar el trmino de dimensin 5 .
Punto: dimensin 0.
Recta: dimensin 1.
Plano: dimensin 2.
Hiperplano: dimensin > 2.
Estos valores se pueden obtener a travs de una frmula general conocida con el nombre de Frmula
de Equilibrio, que se ver posteriormente en la Definicin 1.16, pgina 40.
Cuando los objetos geomtricos estn definidos en su forma vectorial o paramtrica6 se puede
determinar fcilmente su dimensin contando el nmero de parmetros libres en su ecuacin.
5 Ver la dimensin de un SEL en la Definicin 1.5, pgina 34, dimensin de un punto en la Definicin 1.8, pgina 35
y la dimensin de un espacio en la Definicin 1.9, pgina 35.
6 Ver en el Tema 0, pgina 1 una introduccin a las diferentes formas de representar objetos geomtricos (rectas y
planos) en el plano eucldeo y en el espacio eucldeo.
Clases de lgebra
Rn
Ejemplo 1.11.
Un punto tiene dimensin cero
Una recta tiene dimensin uno
Un plano tiene dimensin dos
39
0 parmetros
1 parmetro
2 parmetros
:
:
:
~x = p~
~x = p~ + t~v
~x = p~ + t~v + s~u
+
+
a12 x2
a22 x2
..
.
+
+
am1 x1
+ am2 x2
+
+
a1n xn
a2n xn
..
.
=
=
b1
b2
..
.
amn xn
= bm
X1
X2
..
.
=
=
Xm
b1
b2
..
.
bm
E1
E2
..
.
Em
Cada una de las ecuaciones Ei se puede identificar como un determinado objeto geomtrico en el
espacio n .
R no nulo.
R no nulo.
Secantes: si Xi 6= cXj , para cualquier c R no nulo.
Ejemplo 1.12.
Las dos rectas de
R2 :
x + 3y = 2
2x + 6y = 4
R3 :
x + 2y z = 2
2x + 4y 2z = 0
son paralelos.
Los dos hiperplanos de
R4 :
x1 + 2x2 x3 + x4 = 2
x1 + x2 x3 + x4 = 2
son secantes.
Clases de lgebra
40
U
P
Ejemplo 1.13.
Dos rectas secantes son concurrentes en un punto.
Dos planos secantes son concurrentes en una recta.
Dos hiperplanos coincidentes son concurrentes al mismo hiperplano que representan.
Rn
Su solucin es un objeto geomtrico cuya dimensin viene dada por la frmula de equilibrio,
definida por:
Dimensin Objeto = Dimensin Espacio Num. Ecuaciones del Sistema = n m
7 Ver
Clases de lgebra
Rn
41
Ejemplos
Una ecuacin en
R2 :
ax + by = c
R2 :
R3 :
a1 x + b1 y
a2 x + b2 y
= c1
= c2
=
=
=
=
b1
b2
b3
b4
R4 .
Conclusiones
Sea un SEL en
Clases de lgebra
42
R5 :
R no nulo.
R no nulo.
x1 = t
x3 = s
t, s, w
x5 = w
x1
x2
x3
x4
x5
=
=
=
=
=
R5 , solucin
t
0
0
x1
0
1
0
4
x2 2
1
2 x1 + 4x3
s
0
0 + s 1 + w
= x3 = 0 + t
9/2
5
x4 1
1/2
1 12 x1 + 5x3 + 92 x5
1
0
0
0
x5
w
En forma vectorial 15 :
R5 definidos arriba.
11 Ver
Clases de lgebra
Rn
43
Fcilmente se puede obtener una ecuacin equivalente de otra multiplicando ambas partes de la
ecuacin por una constante distinta de cero.
Desde un punto de vista geomtrico, que dos ecuaciones sean equivalentes es lo mismo que sean
coincidentes16 , y por tanto representan el mismo objeto geomtrico.
E1 = cE2
Ejemplo 1.15. Encontrar todas las ecuaciones equivalentes del siguiente plano:
3x + 2y z = 5
Solucin: Multiplicando la ecuacin por un escalar no nulo a
3x + 2y z = 5
R:
3ax + 2ay az = 5a
16 Ver
17 Desde
Clases de lgebra
44
Ejemplo 1.16.
E=
m
X
i=1
ai Ei = a1 E1 + a2 E2 + + am Em
ai
E2
1
E3
b
(3) x
y
(2) 2x +3y
x +9y
= 1
= 4
= 5
Clases de lgebra
45
Ejemplo 1.18. Determinar de forma grfica una posible combinacin lineal de las tres rectas
E1 , E2 y E3 en 2 que muestra el siguiente grfico.
Solucin:
En un espacio
Ejemplo 1.19. Las tres ecuaciones E1 , E2 y E3 del Ejemplo 1.17 forman un conjunto de
objetos geomtricos (rectas en 2 ) concurrentes no coincidentes pero linealmente dependientes
y por tanto en este caso no se puede aplicar la frmula de equilibrio para determinar la dimensin
de la solucin del sistema formado por estas tres ecuaciones. Claramente la solucin del mismo
es un punto (objeto geomtrico de dimensin 0), mientras que la frmula de equilibrio dara un
objeto de dimensin 2 3 = 1, lo cual no tiene sentido.
19 Ver
Clases de lgebra
46
Rn
U
P
!
Existen sistemas de ecuaciones lineales con una estructura especial que permite su resolucin
sistemtica de forma fcil, independientemente de la dimensin del sistema. Este tipo de sistemas
se denominan escalonados o triangulares.
Definicin 1.22 (Sistemas Escalonados o Triangulares)
Se dice que un sistema est en su forma escalonada si permite colocar las ecuaciones con
las incgnitas ordenadas por columnas, de forma que el primer coeficiente distinto de cero
en cada ecuacin, denominado pivote, se encuentra en alguna columna a la izquierda de
cualquier pivote debajo de ella.
x1 + x2 3x3
2
x y z =
x2 x3
y + 3z =
5
;
5z = 10
x4
2x4
2x4
x5
+
x5
3x5
3x5
=
2
=
0
= 1
=
9
Nota 1.1. La forma escalonada que veremos aqu se denomina triangular superior y suele ser la ms utilizada, sin
embargo tambin se podra utilizar la forma escalonada triangular inferior25 , siendo el planteamiento del problema y
su resolucin de forma anloga a la explicada aqu.
x4
x1 + x2 3x3 +
z =
2
x y
x2
x3 2x4
x + y + 3z =
5
;
2x4
5z = 10
x3 +
x4
x5
+ x5
3x5
3x5
=
=
=
=
2
0
1
9
22 Ver
Clases de lgebra
Rn
47
U
P
El mtodo ms apropiado para resolver los sistemas escalonados es el mtodo de sustitucin hacia
atrs.
Definicin 1.23 (Mtodo de Sustitucin Hacia Atrs)
Consiste en ir resolviendo las ecuaciones del sistema escalonado en orden, desde la ltima
ecuacin que tiene menos incgnitas hasta la primera que tiene ms incgnitas, sustituyendo
las incgnitas resueltas por los valores encontrados26 .
Ejemplo 1.22. Resolver los SEL del Ejemplo 1.21 utilizando el mtodo de sustitucin hacia
atrs.
Solucin:
x=3
paso 3
z =
2
x=2+y+z =21+2=3 ;
x y
y + 3z =
5 y = 5 3z = 5 3 (2) = 1 ;
y = 1
paso 2
5z = 10
z = 10/5 = 2 ;
z=2
paso 1
x1
U
P
P
x2
x2
3x3
x3
x4
2x4
2x4
x5
+
x5
3x5
3x5
x1 = x2 + 3x3 x4 + x5 ; x1 = 2t + 9
x2 = x3 + 2x4 x5 ; x3 = t x2 = t 7
x4 = 21 (1 + 3x5 ); x4 = 5
x5 = 3
=
2
=
0
= 1
=
9
xy
y
=
=
1
1
R3 :
;
3x + 3y 3z
26 Si el sistema escalonado es triangular inferior, consiste en ir resolviendo las ecuaciones en orden desde la primera
hasta la ltima.
Clases de lgebra
48
Las operaciones elementales de fila se pueden utilizar para transformar cualquier SEL en un sistema
escalonado equivalente fcilmente resoluble.
Ejemplo 1.25.
3x + 2y z
xy+z
2x + y + 3z
= 1
3x 2y + z = 1
3x 2y + z
E1
E2 E3
= 2
xy+z
=
2
2x + y + 3z
= 3
2x + y + 3z
=
3
xy+z
= 1
3x 2y + z
E3 + 2E1 + E2
2x + y + 3z
=
3
5x 2y + 4z = 1
= 1
=
3
=
2
Todos estos sistemas intermedios y cualquier otro SEL resultado de operaciones elementales de
fila son equivalentes al inicial y por tanto poseen el mismo conjunto de soluciones.
27 Dando
28 Ver
lugar a una combinacin lineal de ecuaciones. Ver la Seccin 1.4, pgina 44.
la Definicin 1.15, pgina 40.
Clases de lgebra
Rn
49
U
P
x2 +
x3 =
3
x1 +
2x1 + 3x2 +
x3 =
5
x1
x2 2x3 = 5
R3 .
Solucin: Vamos a realizar diferentes operaciones elementales de fila de forma que se eliminen
variables en las ecuaciones inferiores hasta obtener un sistema en forma escalonada.
x1
2x1
x1
+
x2 +
x3 =
3
+ 3x2 +
x3 =
5
x2 2x3 = 5
x2 + x3
x1 +
E + E1
x2 + x3
3
2x2 + 3x3
=
=
=
E + 2E1
2
x1
+ x2
x2
x2
x1
3
x1
E + 2E2
1
3
+
+
+ x2
x2
x3
x3
2x3
+
+
x2 = x3 1 = 1
Comprobamos el resultado:
x1 + x2 + x3
2x1 + 3x2 + x3
x1 x2 2x3
=
3
=
1
= 5
x3
x3
5x3
=
=
=
3
1
10
x1 = 3 x2 x3 = 0
= 0+1+2
= 20+31+2
= 0122
=
=
=
3
5
5
29 El matemtico alemn Carl Friedrich Gauss (1777-1855) desarroll este mtodo sobre 1794 al resolver un sistema
de 17 ecuaciones con 17 incgnitas para determinar la rbita del planeta Ceres. Sin embargo, existen evidencias de que
este mtodo fue utilizado por los chinos hace 2000 aos.
30 Ver la Definicin 1.24, pgina 47.
31 Ver la Definicin 1.22, pgina 46.
32 Ver la Definicin 1.25, pgina 48.
33 Ver la Definicin 1.23, pgina 47.
Clases de lgebra
50
1.6. Matrices
En el clculo de las operaciones elementales del mtodo de Gauss, es mucho ms prctico operar
nicamente con los coeficientes y trminos independientes de cada ecuacin, sin incluir las variables34 .
Para este fin se utilizan las matrices.
Aunque se estudiarn en detalle en el Tema 3, vamos a recordar la definicin de matriz numrica.
Amn = .
..
..
..
.
.
am1
amn
aij
Rmn
donde
am2
1
2
1
3
R22
A34
0
= 1
8
2
3
1
1
1
0
4 2 6
R34
Los SEL se pueden representar de forma matricial asociando matrices a los coeficientes y trminos
independientes.
Rmn
Matriz Ampliada: Matriz m(n+1) conteniendo los coeficientes del sistema (matriz
ampliada) junto con el vector columna de los trminos independientes.
34 Ver
35 Nmeros
Clases de lgebra
1.6. Matrices
51
a11 x1 + a12 x2 +
..
..
.
.
am1 x1 + am2 x2 +
a1n xn
..
.
+ amn xn
b1
..
.
= bm
..
.. mn ; A|B = ..
..
..
A = ...
.
.
.
.
.
am1 am2 amn
am1 am2 amn bm
Rm(n+1)
3x + 2y z
xy+z
2x + y + 3z
= 1
= 2
= 3
3
1
2
2 1
1
1
1
3
1
2
3
Las operaciones elementales de fila realizadas en el mtodo de Gauss sobre un SEL para transformarlo
en otro sistema equivalente escalonado36 , se pueden realizar de forma ms conveniente en su
correspondiente matriz ampliada asociada.
Nota 1.2. La notacin es igual a la utilizada en las operaciones elementales de Fila aplicadas a las ecuaciones,
cambiando ecuaciones (E), por filas (F ).
36 Ver
Clases de lgebra
52
U
P
3 2 1 1
3 2
3
2 1 1
F
F
F
1
2
3
1 1
1 2
1 1 1
2
2
1
3
2
1
3 3
2
1 3
1 1
3
F3 + 2F1 + F2
2
Nota 1.3.
2 1
1 3
2 4
1
3
1
Ejemplo 1.28.
1 1
3
3
2
1
Las propiedades de las matrices equivalentes por filas se estudiarn en el Seccin 3.7.2, pgina 128.
El mtodo de Gauss37 puede aplicarse a la matriz ampliada del SEL, transformndola mediante
operaciones elementales de fila a una matriz equivalente por filas, en forma escalonada o triangular,
correspondiente al SEL escalonado buscado.
2
0
0
4 1
1 2
0 0
1
0
0
0
1
0
1
5
4
1
0
0
1
0
0
2
1
0
1
3
0
0 2
0 0
0 0
0 0
0 1 1 3
1 1
2 2
0 0
4 2
0 0
0 5
37 Ver
Clases de lgebra
1.6. Matrices
53
1
1
1
2
F 2F1
2
1
0
1
3
rang(A) = 2
Si rang(A) = n
Si rang(A) < n
Nota 1.4.
39 En
la Definicin 3.18, pgina 128 se ver una definicin alternativa del rango de una matriz.
40 El cual coincide con el nmero de pivotes de dicha matriz.
41 Tambin es conocido con el nombre de Teorema del Rango, sin embargo esta forma es ms confusa al existir ms
de un teorema del rango en diferentes reas.
Clases de lgebra
54
.
.
.
=
=
b1
b2
..
.
= bm
la aplicacin del mtodo de Gauss (eliminacin gaussiana) utilizando la matriz ampliada (forma
matricial) consiste en los siguientes pasos:
1. Obtener la matriz ampliada del SEL.
a11
a21
..
.
am1
a12
a22
..
.
a1n
a2n
..
.
amn
am2
b1
b2
bm
2. Se elige el primer pivote42 p = a11 . Si p = 0 se intercambia la primera fila con cualquier otra
por debajo hasta que p 6= 0.
3. Se hacen ceros todos los elementos de la columna del pivote p por debajo de l. Para ello,
llamando i a la fila del pivote, (p = aii ), cada fila Fj por debajo del pivote (j > i) se substituye
por la combinacin lineal:
Fj = Fj
aji
Fi
aii
j > i
x1
2x1
x1
x2
3x2
x2
+
+
x3
x3
2x3
=
3
=
5
= 5
1
1
1
1
1
1
1
3
3
F
2F
F
F
2
1
3
1
2
3
1
5 0
1 1 1 0
1 1 2 5
1 1 2 5
0
1 1
F + 2F2
0 1
3
0 0
R3 .
1
1
1 1
2 3
1
1
5
3
1
10
x1 = 3 x2 x3 = 0
3
1
8
x2 = x3 1 = 1
Clases de lgebra
55
x2 + 2x3 =
3
x1
x1 + 2x2 x3 = 3
2x2 2x3 =
1
Solucin:
1 1
2
1
2 1
0
2 2
3
1
F
F
1
3 2
0
1
0
1
2
3 3
2 2
1
F3 + 2F2
0
1
1
3
F
2
6 3 0
1
0
1
2
1 1
0
0
3
2
5
R3 .
1
2
1 1
2 2
3
2
1
= 1
x1 + x2 + 2x3
x1 + 2x2 + 2x3 = 1
x1 + 2x3
= 1
Solucin: Vamos a expresar el SEL en forma matricial, obtener una matriz ampliada escalonada
equivalente y analizar el tipo de solucin.
1 1 2 1
1
1 2 1
1 1 2 1
F2 F1
F3 F2
1 2 2 1 0
1 0 0 0 1 0 0
F3 F2
1 0 2 1
0 1 0 0
0 0 0 0
En este caso se obtiene una fila completa de ceros en la matriz ampliada escalonada resultante
y por tanto el sistema es compatible indeterminado.
Vamos a estudiar las caractersticas especiales de los SEL compatibles indeterminados para encontrar
una forma apropiada de representar sus infinitas soluciones.
43 Ver
Clases de lgebra
56
Cualquiera de las variables del sistema puede tomarse como principal o libre.
Las variables libres pueden tener cualquier valor y por tanto normalmente se les asocia un
parmetro libre.
Las variables principales dependen de los valores tomados por las variables libres.
w x y + 2z
2w 2x y + 3z
w + x y
el siguiente SEL de
=
=
=
R4 .
1
3
3
Solucin: Por el teorema de Rouch-Frbenius45 , este sistema slo puede ser incompatible o
compatible indeterminado por tener ms incgnitas (4) que ecuaciones (3). Vamos utilizar el
mtodo de Gauss matricial para resolverlo:
1 1 1 2
1
1 1 1
2
1
F 2F1
F + F1
2 2 1 3
0
0
1 1
3 2
1 3
1
1 1 0 3
1
1 1
0 3
1
0
0
1 1
2
0
1 1
0 2
2
1
1 1 1
2
F
+
2F
2
1 3
0
0
1 1
2
0
0
0
0
2z
z
1
1
0
=
=
Sistema compatible
indeterminado.
1
1
El cual es un sistema de 2 ecuaciones con 4 incgnitas y por tanto tiene un nmero infinito de
soluciones.
(Contina en la pgina siguiente)
45 Ver
Clases de lgebra
57
w = 1 + x + y 2z = 1 + s + (1 + t) 2t = 2 t + s
y
z
= s
= 1+t
= t
= 2ts
; t, s
Dando valores a los parmetros t y s se obtienen las infinitas soluciones del sistema.
Esta solucin en forma paramtrica no es nica ya que existen infinitas formas paramtricas
de expresar la solucin de un sistema, en funcin de las variables que asignemos como libres o
principales. Sin embargo, todas las diferentes formas expresan exactamente la misma solucin48 .
En muchos caso interesa tener la forma vectorial de la solucin, que en este caso se puede expresar
como:
x
s
0
0
1
y
1
1
0
1
+
t
=
= + t
z
1 + s0
t 0
w
2t+s
2
1
1
el Tema 0, pgina 1.
de vales [x, y, z, w] que cumplen el sistema de ecuaciones.
49 Objeto geomtrico de dimensin 2, correspondiente con el nmero de parmetros libres que aparecen en su
definicin, ver la Seccin 1.2.2, pgina 38.
48 Conjunto
Clases de lgebra
58
1 2 0 0 3
1 0
0 0 1 0
4 1 0
1 0 0
0 1 0
3 2 0
;
0 0 0 1
0 0 0 0
0
0 1
0 0 1
0 0 0 0
0
0 0
Definicin 1.36 (Matriz Escalonada Reducida Equivalente)
Se define la matriz escalonada reducida equivalente de una determinada matriz, a la
matriz escalonada reducida obtenida mediante operaciones elementales de fila.
La matriz escalonada reducida equivalente de una matriz A se puede obtener de dos formas:
Obtener la matriz escalonada equivalente 54 y posteriormente obtener los pivotes unidad y ceros
correspondientes. Este mtodo es computacionalmente preferible para un ordenador.
Ir obteniendo los pivotes unidad a medida que se va obteniendo la matriz escalonada equivalente.
Este mtodo es ms til para clculos a mano.
50 W. Jordan (1842-1899) fue un ingeniero y profesor alemn de topografa geodsica cuya contribucin a la solucin
de los sistemas lineales fue un mtodo sistemtico de sustitucin hacia atrs directamente relacionado con el mtodo de
Gauss-Jordan.
51 Ver la Seccin 1.5.5, pgina 49 y la Seccin 1.7, pgina 54.
52 Ver la Definicin 1.23, pgina 47.
53 Ver la Definicin 1.31, pgina 52.
54 Ver la Definicin 1.32, pgina 53.
Clases de lgebra
59
Proceso
x2
x1 +
2x1 + 3x2
x1
x2
Solucin:
3
1
1
1
1
1
F
2F
2
1
2
3
1
5 0
1
1 1 2 5
1 1
1 1
F + 2F2
0 1
3
0 0
x3
x3
2x3
=
3
=
5
= 5
3
1
F
F
3
1
1 0
5
0
1
1
2
3
1 0
2
4
F F2
1 1
0 1 1
1
10
0 0 5 10
1
1 0 2 4
F
2F
F2 + F3
3
0
0 1 0 1 1
0 0 1 2
0
1
1
5
R3 .
1
1
1 1
2 3
1 0
51 F3
0 1
0 0
0 0 0
1 0 1
0 1 2
2
1
1
3
1
8
4
1
2
Como el rango de la matriz de coeficientes es 3, igual que la dimensin del sistema, ste es
compatible y determinado.
La solucin es directamente la columna de trminos independientes.
x1 = 0
x2 = 1
x3 = 2
1 0 0
0 1 0
nn
In = . .
..
.. ..
.
55 Los SEL incompatibles y compatibles indeterminados se pueden identificar de igual forma que se vio en la
Seccin 1.7.1, pgina 55 y Seccin 1.7.2, pgina 55.
Clases de lgebra
60
a11 x1 + a12 x2 + +
a21 x1 + a22 x2 + +
..
..
.
.
am1 x1 + am2 x2 + +
incgnitas:
a1n xn
a2n xn
..
.
=
=
0
0
..
.
amn xn
Por el teorema de Rouch-Frbenius56 los SEL homogneos son siempre compatibles, ya que57
rang(A) = rang(A|B), pudiendo ser determinados o indeterminados en funcin de la matriz de
coeficientes A mn :
Si rang(A) < n, el sistema es compatible indeterminado, con infinitas soluciones, (una de ellas
la solucin trivial).
x1
2x1
x1
x2
3x2
x2
+ x3
+ x3
2x3
1
1
1 0
1
1
1
F 2F1
2
3
1 0 2
0
1 1
1 1 2 0
1 1 2
1 1
F3 + 2F2
0 1
0 0
56 Ver
= 0
= 0
= 0
Gauss:
0
1
F F1
0 3
0
0
0
1
1
5
0
0
0
1
1
1 1
2 3
0
0
0
57 Debido
Clases de lgebra
61
y=0
z=0
Cuando se resuelven SEL homogneos por el mtodo de Gauss o Gauss-Jordan, la columna nula de
trminos independientes no se ve modificada por las operaciones elementales de fila y por tanto se
puede prescindir de ella en los clculos matriciales.
x1 + x2 + x3 x4 = 0
x1 + x2 x3
= 0
x2 x3 x4 = 0
Solucin: Observamos que es un SEL homogneo de 3 ecuaciones con 4 incgnitas y por tanto es
obligatoriamente un sistema compatible indeterminado58 . Vamos a resolverlo aplicando el mtodo
de Gauss, omitiendo la columna de ceros de los trminos independientes por ser inalterable por
las operaciones.
1
1
1 1
1
1
1 1
1
1
1 1
F
+
F
F
+
2F
1
3
1
0
2
0 1 2
0
0 2 3
1 1
0 2
0 1 1 1
0 1 1 1
0 1 1 1
Est matriz ya est en forma escalonada, (aunque no estn ordenadas las filas), y podemos
resolver el sistema por el mtodo de sustitucin hacia atrs59 :
Fila 2: 2x3 3x4 = 0 = x3 =
3
x4
2
x = 2t
4
x3 = 3t.
Fila 3: x2 x3 x4 = 0 = x2 = x3 x4 = (3t) 2t = t.
Fila 1: x1 + x2 + x3 x4 = 0 = x1 = x2 x3 + x4 = t (3t) + 2t = 4t.
Quedando finalmente la solucin del sistema:
x1
4
x2
1
x3 = t 3
x4
2
58 Ya
que el rango de la matriz de coeficientes como mucho es 3, mientras que el nmero de ecuaciones es 4.
la Definicin 1.23, pgina 47.
59 Ver
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Espacios Vectoriales
Contenido
Vectores en Espacios n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Representacin Grfica de Vectores . . . . . . . . . . . . . . . . . . . . .
2.2 Operaciones Elementales con Vectores . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Producto por un Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Vector Opuesto y Vectores Estndar . . . . . . . . . . . . . . . . . . . .
2.2.4 Diferencia de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Propiedades Algebraicas de la Suma y Producto por un Escalar . . . . .
2.3 Espacio y Subespacio Vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Sistemas de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Combinacin Lineal de Vectores . . . . . . . . . . . . . . . . . . . . . . .
2.4.2 Dependencia e Independencia Lineal . . . . . . . . . . . . . . . . . . . .
2.4.3 Rango de un Sistema de Vectores . . . . . . . . . . . . . . . . . . . . . .
2.4.4 Interpretacin Geomtrica de la Dependencia e Independencia Vectorial
2.5 Conjuntos o Sistemas Generadores . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.1 Base y Dimensin de un Sistema de Vectores . . . . . . . . . . . . . . .
2.5.2 Generacin de n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.3 Base Cannica o Estndar de n . . . . . . . . . . . . . . . . . . . . . .
2.6 Producto Escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Propiedades del Producto Escalar . . . . . . . . . . . . . . . . . . . . . .
2.7 Distancia y Norma en n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.1 Propiedades de la Distancia . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.2 Distancia de un Punto al Origen . . . . . . . . . . . . . . . . . . . . . .
2.7.3 Norma de un Vector en n . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.4 Propiedades de la Norma . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7.5 Vectores Unitarios y Normalizacin . . . . . . . . . . . . . . . . . . . . .
2.8 Espacio Eucldeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9 Relaciones entre Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.9.1 Distancia entre dos Vectores . . . . . . . . . . . . . . . . . . . . . . . . .
2.9.2 ngulo entre dos Vectores en 2 . . . . . . . . . . . . . . . . . . . . . .
2.9.3 ngulo entre dos Vectores en n . . . . . . . . . . . . . . . . . . . . . .
2.9.4 Definicin Alternativa del Producto Escalar en n . . . . . . . . . . . .
2.10 Vectores Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11 Proyeccin Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11.1 Interpretacin Geomtrica en 2 y 3 . . . . . . . . . . . . . . . . . . .
2.11.2 Vector Perpendicular . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.11.3 Aplicaciones Geomtricas de la Proyeccin Ortogonal . . . . . . . . . . .
2.1
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
66
66
66
67
68
68
69
70
72
72
73
76
78
80
81
82
84
86
87
87
87
87
88
88
89
89
90
90
90
91
91
91
92
93
95
96
63
Clases de lgebra
Resta
Suma
Propiedades
Operaciones
Independencia Lineal
Rango de un Sist.
Sistemas de Vectores
Dependencia Lineal
Subespacios Vectoriales
Espacios Vectoriales
Rn
Base Cannica
Bases
Dimensin
Sistema Generador
Vectores
Propiedades
Producto Escalar
Norma Eucldea
Aplicaciones Geomtricas
Proyeccin Ortogonal
Ortogonalidad
64
TEMA 2: Espacios Vectoriales
Rn
65
Rn
vi
v1
v2
~v = .
.
.
vn
1
1
T
;
~u = 1 = 1 1 3
~v = 1 1 0
= 1
3
0
Rn = {[x1 , x2 , , xn ] :
Ejemplo 2.1.
2
= {[x, y] : x, y }
3
= {[x, y, z] : x, y, z
R
R
R}
xi
[1, 0] 2
[1, 1, 1/3]
R,
Rn .
1 i n}
R3
1 Esta definicin corresponde a los conocidos como vectores generales. Adems hay otros tipos de vectores como los
vectores geomtricos y de posicin. Ver una introduccin en el Apndice A.7, pgina 354.
2 En general reales o complejos, aunque en este tema nos centraremos slo en el caso real.
3 Ambos son equivalentes y slo es importante su tipo cuando tienen un carcter matricial, ver el Tema 3, pgina 101.
4 Una generalizacin de los vectores en espacios complejos
n se puede ver en el Apndice A.8, pgina 357.
Clases de lgebra
66
z
Y
~v = [x, y]
~v
~v
x
X
~v = [x, y, z]
R2 y R3 .
Existe una relacin directa entre un punto de n componentes P = (x1 , , xn ) y un vector con las
mismas componentes ~x = [x1 , , xn ], ya que asociado a cada punto existe un vector con inicio en
el origen (0, , 0) n y final en el punto en cuestin. De forma que cuando hablamos de espacios
n
nos podemos referir indistintamente a espacios de puntos 6 y/o espacios de vectores.
~u =
~v
R
v1 , v2 , , vn R
[u1 , u2 , , un ]
; u1 , u2 , , un
[v1 , v2 , , vn ]
Vamos a definir las operaciones de suma, producto por un escalar y diferencia entre vectores.
2.2.1. Suma
Definicin 2.3 (Suma de Vectores)
Se define la suma de dos vectores ~u, ~v
Clases de lgebra
67
R R
En los casos particulares de 2 y 3 donde los vectores se pueden representar grficamente, la suma
de dos vectores ~u + ~v representa el vector diagonal del paralelogramo de lados ~u y ~v , en el plano
definido por ambos vectores.
Z
~u
X
Ejemplo 2.3. En
Solucin:
~u
~v
~u
~u +
~s
~u
~v
~s =
~v
~v
~v
Y
4
3
2
1
1
~y
~v =
~x +
1 2
~x
~y
4 X
Ejemplo 2.4. En
Solucin:
Rn por un escalar 7 R de la
~v
Rn ,
Nota 2.1. La multiplicacin de un vector por una constante (escalar) nicamente modifica su longitud y/o sentido,
sin modificar su direccin. Su longitud variar si el escalar es distinto de 1 y el sentido cambiar si el escalar es negativo.
A esto se le denomina escalamiento de un vector.
7 La palabra escalar proviene del latn scala que significa escalera, y de forma general hace referencia a cualquier
nmero real o complejo.
Clases de lgebra
68
2~v
4
3
2
~v
1
4 3 2 1
1
23 ~v
32 ~v = 23 [2, 3] = [ 43 , 2]
6 X
2
3
4
~ei = [0, 0, , 1, , 0]
~u ~v = ~u + (~v )
~u, ~v
Rn
Por tanto la resta no se considera una operacin si no un caso particular de la operacin suma.
Clases de lgebra
Ejemplo 2.6. En
Solucin:
Y
4
3
~u
~v
~u ~v
4 3 2 1
1
~u
4 X
~v ~u
~v
69
3
4
P
P
Conmutativa
~u + ~v = ~v + ~u
Asociativa de la Suma
(~u + ~v ) + w
~ = ~u + (~v + w)
~
(~u) = ~u = ()~u
Elemento Neutro 1
(~u + ~0) = ~0 + ~u = ~u
Elemento Neutro 2
0~u = ~0
Elemento Unitario
1 ~u = ~u 1 = ~u
Elemento Opuesto 1
~u + (~u) = (~u) + ~u = ~0
Elemento Opuesto 2
Distributiva 1
(~u + ~v ) = ~u + ~v = (~u + ~v )
Distributiva 2
( + )~u = ~u + ~u = ~u( + )
~0 = ~0
Clases de lgebra
70
~)
w
~u +
~
w
w
~
(~v +
+
~v )
w
~
~u +
~u +
=(
R3 .
~v +
~v
~v
~u
Kn , siendo K
R K
R C
es un espacio vectorial.
El conjunto F de todas las funciones reales de variable real en el que se definen las
operaciones:
suma: (f + g)(x) = f (x) + g(x), f, g F.
R.
es un espacio vectorial.
8 Tambin
llamada adicin.
operaciones pueden ser muy variadas y no necesariamente la suma y producto por un escalar definidas
anteriormente para vectores.
10 Ver la Seccin 2.2.5, pgina 69.
9 Estas
Clases de lgebra
71
W V
= kw W .
Ejemplo 2.11.
x + y z + 5w t = 0
3x 5t
= 0
y + 2z w
= 0
forman un subespacio vectorial de
R5 .
R5 .
Clases de lgebra
72
U
P
R5 .
R5 .
Rn
m
X
cj ~vj
j=1
18 Ver
19 Ver
Clases de lgebra
73
Y
2
~x
~y
5 X
4
~v
3w~
1
~x
+
~y
= [5.5, 6]
+
2~v
w
~
~u
2 1
1
1
~u + 2~v + 3w
~ + ~x + ~y
2
1
= (1)[2, 2]+2[3, 1]+3[2, 2]+ [1, 2]+[3, 1]
2
= [2 + 6 6 + 0.5 + 3, 2 + 2 6 + 1 1]
Rn
Nota 2.2. La dependencia lineal es transitiva: si ~v depende linealmente de unos vectores y cada uno de estos dependen
linealmente de otros, entonces ~v depende linealmente de los ltimos.
R4
es linealmente dependiente o
R4
R4
R4
(Contina en la pgina siguiente)
Clases de lgebra
74
1
0
1
1
Gauss:
0
0
1
0
1
0
F3 F1
1
F4 F1
0
1 0
0 0
0 1
0 0
R que cumplen:
1
0
1
1
0
1
0
x1 = 0
1
1 x2
0
0
1
0
2
1
1 0
0 0
x1 [1, 0, 1, 1]+x2 [0, 0, 1, 0]+x3 [0, 0, 0, 1] = [1, 0, 1, 0] =
1 1
1 0
Resolviendo el SEL mediante
1 0
0 0
1 1
1 0
escalares x1 , x2 , x3
Gauss:
0
0
0
1
1
0
F3 F1
1 F4 F1
0
1 0 0
0 0 0
0 1 0
0 0 1
0
1
x1
0
0
x2 =
1
0
x3
1
0
1
0
2
1
20 En
este caso compatible determinado aunque igual sera si fuera compatible indeterminado.
Clases de lgebra
75
R.
1 = 2 = = p = 0
Ejemplo 2.15. Determinar si el conjunto de vectores V = {[1, 2, 3], [1, 1, 1], [1, 0, 1]} es
linealmente dependiente o independiente.
Solucin: Tenemos que encontrar los escalares 1 , 2 y 3 que cumplan:
1
0
1
1
1 2 + 2 1 + 3 0 = 0
0
3
1
1
1
1
1
1
2
3
1 + 2 + 3
0 = 21 + 2 + 0 =
1 2 + 2 1 + 3 0 = 21 + 2 +
3
1
1
31
2
3
31 + 2 3
1
= 2
3
21 La
22 Al
1
1
1
1
1
0 2
1
3
Clases de lgebra
76
1 1
1
1
0
2 1
0 2 = 0
3 1 1
3
0
1 1
1
1
1
1
1
1
1
F2 2F1
F3 2F2
2 1
0 0 1 2 0 1 2
F3 3F1
3 1 1
0 2 4
0
0
0
Por tanto el sistema es compatible indeterminado y por ello el conjunto de vectores es linealmente
dependiente.
Ejemplo 2.16.
El rango de S = {[1, 2], [3, 2]} es rang(S) = 2, ya que los dos son linealmente independientes
(no paralelos).
El rango de G = {[1, 1, 1], [2, 2, 2], [3, 3, 3]} es rang(G) = 1, ya que slo hay un vector
linealmente independiente de los dems.
El rango de M = {[1, 2, 3], [4, 5, 6], [5, 7, 9]} es rang(M ) = 2, ya que slo hay dos vectores
linealmente independientes.
23 Ver
Clases de lgebra
77
Para determinar el rango de un conjunto de k vectores S = {~v1 , ~v2 , , ~vk } de n hay que calcular
el nmero de vectores linealmente independientes de S. Para ello vamos a utilizar el SEL homogneo
que aparece en la definicion de dependencia lineal25 :
~v1 ~v2 ~vk ~x = ~0
x1 v~1 + x2 v~2 + + xk v~k = ~0
=
=
A~x = ~0
en el cual las columnas de la matriz de coeficientes A
~v1
~v2
~v3
~v4
~v5
2
0
0
0
1
0
0
0
2
1
0
0
0
1
1
0
1
0
1
0
25 Ver
Clases de lgebra
78
R4 :
V = {[1, 1, 0, 1], [1, 1, 1, 1], [0, 0, 1, 0], [1, 1, 1, 1], [0, 1, 0, 1]}
Solucin: Hay que determinar el nmero de vectores linealmente independientes que hay en V .
En este caso como mnimo hay uno, ya que no todos los vectores son nulos, y como mximo
cinco, que es el nmero total de vectores de V .
Para ello construimos una matriz A 45 utilizando los vectores de V como columnas31 .
1
1 0
1 0
1
1 0
1 1
A=
0 1 1
1 0
1 1 0 1 1
Ahora calculamos el rango de A, el cual coincidir con el rango de V . Para ello encontramos una
matriz escalonada equivalente:
1
1 0
1 0
1
1 0 1 0
1
1 0
1 1
0
0 0 0 1
F2 F1
0 1 1
1 0 F4 +F1 0 1 1 1 0
1 1 0 1 1
0
0 0 0 1
Como esta matriz tiene 3 filas no nulas, el rango de A y por tanto el rango de V tambin es 3.
rang(V ) = 3
Esto indica que en V slo tres vectores del total de cinco son linealmente independientes. La
matriz escalonada informa que son el primero ~v1 = [1, 1, 0, 1], el segundo ~v2 = [1, 1, 1, 1] y
el quinto ~v5 = [0, 1, 0, 1] , correspondientes a las posiciones de los pivotes 32 (primer elemento no
nulo de cada fila).
Naturalmente esta no es la nica terna de vectores de V que son linealmente independientes,
aunque este proceso de clculo nos asegura que estos tres s lo son.
Por ejemplo en este caso podemos comprobar a simple vista, como tambin el conjunto de
vectores primero, tercero y quinto son linealmente independientes, pero no el primero, segundo
y tercero, ya que ~v1 = ~v2 + ~v3 .
~u k ~v ~u = ~v
a~u + b~v = ~0
Clases de lgebra
79
~u, ~v , w
~ coplanarios ~u = ~v + w
~
a~u + b~v + cw
~ = ~0
a, b, c
ai
R4 :
1 1
0
1
1
1
0
1
1 1 0
1
0 1
1 1
1
1 1
F4 F1
F4 +F2
0 1 1 1
0 0
0
0 0 0
0
0
0
0
0
0
1 0 1
2
0 1 1
1
0 0 0
0
33 El
Clases de lgebra
80
t, s
Notar que hay infinitos hiperplanos de dimensin 3 que contienen a este plano y por tanto
tambin son co-hiperplanarios a estos hiperplanos pero de dimensin mayor34 .
~v = c1 w1 + + ck wk
wi W
menos d vectores de V .
R3 :
x + 2y z = 0
Solucin: En este caso el subespacio vectorial V 3 est formado por los infinitos vectores
de 3 que pertenecen al plano.
Como la dimensin del plano es35 3 1 = 2, cualquier conjunto de vectores de este plano
que contenga al menos dos vectores linealmente independientes ser un conjunto generador del
subespacio V .
Tiene por tanto infinitos conjuntos generadores. Por ejemplo tres de ellos son:
W3 = {[2, 2, 6], [7, 4, 1], [1, 1/2, 0], [0, 1/2, 1], [2, 1, 0]}
Donde los valores [x, y, z] utilizados cumplen la ecuacin del plano x + 2y z = 0.
3 , pensar en varios vectores que son paralelos y por tanto pertenecen a una nica recta. A su vez,
34 Por ejmplo en
hay infinitos planos que contiene a esta recta y por tanto los vectores son coplanarios a estos planos.
35 Ver la Definicin 1.16, pgina 40.
Clases de lgebra
81
A travs de la notacin gen() se representa el espacio generado por combinacin lineal de los
vectores de un conjunto generador W = {w
~ 1, , w
~ k }:
gen(w
~ 1, , w
~ k ) = {~v : ~v = 1 w
~ 1 + + m w
~ k , 1 , , k
R}
U
P
Ejemplo 2.20. De los tres conjuntos generadores del Ejemplo 2.19, pgina 80, slo el W1 es
una base de V , ya que su nmero de vectores coincide con la dimensin del subespacio vectorial
(plano de 3 ).
Ejemplo 2.21. Dado el sistema de vectores S = {[1, 2], [2, 4], [3, 5], [4, 8]}, encontrar todos los
conjuntos generadores y bases de S.
Solucin: Fcilmente podemos observar que el rango de este sistema es 2, por tanto todos sus
conjuntos generadores tendrn al menos dos vectores linealmente independientes y todas sus
bases tendrn exactamente dos vectores linealmente independientes.
Hay 7 posibles conjuntos generadores:
{[1, 2], [3, 5]}, {[2, 4], [3, 5]}, {[3, 5], [4, 8]},
{[1, 2], [4, 8], [3, 5]}, {[1, 2], [2, 4], [3, 5], [4, 8]}.
36 En la Definicin 2.10, pgina 72 se establece el concepto de dimensin de un subespacio vectorial. Tener en cuenta
que estas dos definiciones son complementarias, ya que un subespacio vectorial es un sistema de infinitos vectores.
Clases de lgebra
82
2.5.2. Generacin de
Rn
Rn .
R2
Con todas las combinaciones lineales de uno o ms vectores paralelos, (linealmente dependientes),
se obtienen todos los vectores contenidos en la recta que tiene la direccin de los vectores. Por
tanto, el rango de cualquier conjunto de vectores paralelos en 2 es 1 y no pueden ser una base
de 2 .
Cualquier vector de 2 se puede obtener como combinacin lineal de dos vectores no paralelos
(linealmente independientes). Por tanto, cualquier conjunto de vectores que contenga al menos
dos vectores no paralelos, tiene rango 2, y por tanto es un conjunto generador de 2 .
Y
~v
3~v
Y
~v
~u
X
~u 2~v
~v
~u +
2
~v
2
~u
Una base de
2~v
R2
R2 :
~e1 = [1, 0]
~e2 = [0, 1]
~v
~e2
~e1
Por tanto, el conjunto B = {~e1 , ~e2 } = {[1, 0], [0, 1]} es una base de
R2 .
A los vectores estndar se les suele denotar como ~i = [1, 0] y ~j = [0, 1], y a la base B = {~i, ~j} se le
denomina base cannica o estndar de 2 .
37 Ver
Clases de lgebra
83
R3
Con todas las combinaciones lineales de uno o ms vectores paralelos, (linealmente dependientes),
se obtienen todos los vectores contenidos en la recta que tiene la direccin de los vectores. Por
tanto, el rango de cualquier conjunto de vectores paralelos en 3 es 1 y no pueden ser una base
de 3 .
Con todas las combinaciones lineales de al menos dos vectores coplanarios no paralelos y por
tanto linealmente independientes, slo se pueden obtener todos los vectores contenidos en el
plano descrito por los vectores. Por tanto, el rango de cualquier conjunto de vectores coplanarios
en 3 es 2 y no puede ser una base de 3 .
Cualquier vector de 3 se puede obtener como combinacin lineal de tres vectores no coplanarios.
Por tanto, el rango de cualquier conjunto de vectores que contenga al menos 3 vectores no
coplanarios en 3 es 3.
Una base de
~
w
~u
~
w
~u ~v
~u
~v
~v
~
w
R3
R3 :
;
~e2 = [0, 1, 0]
~e3 = [0, 0, 1]
R3 .
~k
~i
X
~j
Y
A los vectores estndar de 3 se les suele denotar como ~i = [1, 0, 0], ~j = [0, 1, 0] y ~k = [0, 0, 1], y a
la base B = {~i, ~j, ~k} se le denomina base cannica o estndar de 3 .
Clases de lgebra
84
Rn
R
Rn
Una base de
independientes39 .
Rn
R
Ejemplo 2.22. Completar el conjunto de vectores S para que sea una base de
S = {[1, 0, 1], [1, 1, 1]}
Rn :
Rn
R3 .
1
x
1 1
1
x
0 1 6= y
=
0 + 1 6= y
1
z
1 1
1
z
1 1
0 1
1 1
x
1 1
x
F3 F1
y 0 1
y
z
0 0 zx
Por tanto, basta con que z 6= x. Hay infinitos vectores que cumplen esta condicin, por ejemplo:
~x = [x, y, z] = [0, 0, 1]
R3 podra ser:
B = {[1, 0, 1], [1, 1, 1], [0, 0, 1]}
38 Y
por tanto, todo ~v n se puede obtener por combinacin lineal de los vectores de V .
no co-hiperplanarios.
40 Ver la Definicin 2.6, pgina 68.
39 Vectores
Clases de lgebra
85
Ejemplo 2.23. Encontrar un conjunto generador y una base del subespacio vectorial W
definido por:
x+yz = 0
W :
xy
= 0
R3
Solucin: Primero tenemos que encontrar el conjunto de los infinitos vectores de 3 que
pertenecen al subespacio W y para ello tenemos que resolver el SEL que los define. Como
las dos ecuaciones del SEL son claramente linealmente independientes41 , la dimensin de W es
3 2 = 1 y por tanto es una recta en 3 que vendr definida en forma paramtrica por un nico
parmetro. Resolviendo el SEL por Gauss:
z = 2y = 2t
F2 F1
1
1 1 0
1
1 1 0
y=t
1 1
0 0
0 2
1 0
x = y + z = t + 2t = t
En forma vectorial, el conjunto de todos los vectores de 3 que forman parte de W son:
x
1
y = t 1
;
t
z
2
Un conjunto generador de W ser cualquier conjunto formado por al menos un vector no nulo
de W , como por ejemplo cualquiera de los tres siguientes42 :
G1 = {[1, 1, 2]}
Una base de W ser cualquier conjunto de vectores formado por un slo vector43 no nulo de W ,
como por ejemplo cualquiera de los dos siguientes:
B1 = {[1, 1, 2]}
B2 = {[2, 2, 4]}
Ejemplo 2.24. Encontrar un conjunto generador y una base del subespacio vectorial W
donde sus vectores ~v = [x, y, z, w, t] cumplen:
R5
W : x+yz =0
Solucin: En este caso la dim(W ) = 5 1 = 4, por tanto habr 4 parmetros libres en su
definicin vectorial. Resolviendo el SEL de una ecuacin con 5 incgnitas se tiene:
x = y z = +
x
1
1
0
0
1
0
0 0
y=
y
z=
z = 0 + 1 +
0
0
+
; , , ,
w
0
0
1 0
w=
t=
t
0
0
0
1
Dando valores a los parmetros , , y se obtienen todos los vectores del subespacio W .
Clases de lgebra
86
1
1
1 0
, 1 ,
0
G1 =
0 0
0
0
0
0
0
1
0
0
0
0
0
1
2
1
1 0
2
0
;
G
=
,
2
0 0
0
0
0
0
0
1
0
0
0
0
0
8
0
1
1
0
0
Una base de W est formada por cualquier conjunto de exactamente 4 vectores linealmente
independientes de W , como los dos ejemplos siguientes:
B1 = G1
0
2
1
1 0 0
0
B2 =
, 2 , 0
0 0 1
0
0
0
0
0
0
0
8
Los vectores poseen multitud de aplicaciones en ingeniera. Muchas de ella pueden ser fcilmente
desarrolladas mediante una importante operacin vectorial denominada producto escalar45 .
~u ~v = [u1 , u2 , , un ] [v1 , v2 , , vn ] = u1 v1 + u2 v2 + + un vn =
n
X
uk vk
k=1
R3 :
~v = [3, 5, 2]
Solucin:
~u ~v = [1, 2, 3] [3, 5, 2] = 1 (3) + 2 5 + (3) 2 = 3 + 10 6 = 1
44 Ya
45 En
Clases de lgebra
Rn
87
Nota 2.3.
No confundir el producto escalar de dos vectores, con el producto por un escalar 46 , c~v .
Los dos vectores tienen que tener igual dimensin (nmero de componentes).
El resultado siempre es un escalar (nmero real), no un vector.
El producto escalar es un caso especial del producto ms general denominado producto interno, definido para
espacios vectoriales generales47
Rn y c R, se verifica:
Conmutativa: ~u ~v = ~v ~u
Distributiva: ~u (~v + w)
~ = ~u ~v + ~u w.
~
Asociativa: (c~u) ~v = c(~u ~v ) = ~u (c~v )
~u ~u 0.
Si ~u ~u = 0 ~u = ~0.
Rn
A(a1 , , an )
B(b1 , , bn )
d(A, B) = d(B, A) =
v
u n
uX
2
2
(a1 b1 ) + (an bn ) = t (ai bi )2
i=1
R.
Rn , se verifica:
d(A, B) 0
d(A, B) = 0 A = B = d(X, X) = 0 X
Rn
d(A, B) = d(B, A)
Rn con xi R, se tiene:
d(A, ~0) =
46 Ver
v
u n
q
uX
(x1 0)2 + (xn 0)2 = x21 + x2n = t
x2i
i=1
Clases de lgebra
88
Si
Caso especial:
Nota 2.4.
Rn = R
d(A, 0) =
x2 = |x|
Rn
R
Rn
v
v
u n
u n
uX
uX
2
2
2
t
v1 + vn =
vi = t
vi vi = ~v ~v
i=1
i=1
Nota 2.5. Adems de la norma 2 o eucldea se definen otras normas muy utilizadas, como son la norma 1, la norma
n y la norma infinito, las cuales tienen diferentes aplicaciones.
Rn y un escalar R, se verifica:
~v 6= ~0
k~v k > 0 ,
k~v k = ||k~v k
Dem: k~v k =
k~0k = 0
(~v ) (~v ) =
2 (~v ~v ) =
2 ~v ~v = || k~v k
= k~uk2 + 2(~u ~v ) + k~v k2 k~uk2 + 2|~u ~v | + k~v k2 k~uk2 + 2k~ukk~v k + k~v k2 = (k~uk + k~v k)2
=
Nota 2.6.
~v
~u +
~v
~u
~u
R2 .
~v
Clases de lgebra
89
Cualquier vector ~v n no nulo se puede transformar en unitario dividiendo por la norma del
vector, de la siguiente forma:
1
1
x1
xn
~v = [x1 , x2 , , xn ] = ~u =
~v =
[x1 , x2 , , xn ] =
, ,
k~v k
k~v k
k~v k
k~v k
Comprobacin:
k~uk =
|xn |2
|x1 |2
+ +
=
2
k~v k
k~v k2
|x1 |2 + + |xn |2
=
k~v k2
k~v k2
= 1=1
2
k~v k
La recta real ( ), el plano eucldeo ( 2 ) y el espacio tridimensional eucldeo ( 3 ) son casos especiales
de espacios eucldeos de dimensiones 1, 2 y 3 respectivamente. El concepto abstracto de espacio
eucldeo generaliza estas construcciones a ms dimensiones ( n ).
49 Ver
Clases de lgebra
90
k~u ~v
k
~u
~v
X
Nota 2.7. La definicin de distancia entre vectores coincide con la definicin de distancia entre puntos de
se muestra a continuacin:
v
u n
q
uX
n
2
2
A, B
=
d(A, B) = d(B, A) = (a1 b1 ) + (an bn ) = t
(ai bi )2
Rn , como
i=1
~v , ~
u
Rn
v
u n
q
uX
2
2
(ui vi )2
d(~v , ~
u) = d(~
u, ~v ) = (u1 v1 ) + (un vn ) = t
i=1
R2
~v2
1 2
X
sen 1 =
y1
k~v1 k
sen 2 =
y2
k~v2 k
cos 1 =
x1
k~v1 k
cos 2 =
x2
k~v2 k
x1 x2
y1 y2
+
k~v1 k k~v2 k k~v1 k k~v2 k
cos =
~v1 ~v2
k~v1 k k~v2 k
Nota 2.8. El ngulo siempre se mide en radianes. La relacin entre grados sexagesimales y radianes viene dada
mediante la frmula: radianes = (grados 2)/360
Clases de lgebra
91
Rn
Rn :
~v1 ~v2
k~v1 k k~v2 k
Nota 2.9. Desde un punto de vista geomtrico, slo tiene sentido el ngulo entre vectores de
un punto de vista matemtico, dicha expresin en n tiene mltiples aplicaciones.
R2 y R3 , aunque desde
Rn
Rn fue:
~u ~v = [u1 , u2 , , un ] [v1 , v2 , , vn ] = u1 v1 + u2 v2 + + un vn =
n
X
u k vk
k=1
~u ~v = 0
Nota 2.10.
~u, ~v ortogonales
~v ~0 = 0 ;
~v
Rn
En
perpendiculares.
52 Ver
Clases de lgebra
92
cos =
~u
R2 y R3 .
~u ~v
0
=
=0
k~uk k~v k
k~uk k~v k
~u ~v = 0
~u ~v
=
En
R2
= arccos 0 =
y
R3
~v
El concepto de ortogonalidad es muy importante dentro de las matemticas. Su significado es ms
amplio que el puramente geomtrico y por ejemplo se habla de polinomios ortogonales, soluciones
ortogonales, campos ortogonales, etc.
Nota 2.11.
~v
Si ~
u ~v
~u
~v
~u
~u ~v
~u ~u
~u ~v
~u ~v
proy~u (~v ) =
~u
~u ~u
~u ~u
~u ~v
~u
(prod. por un escalar)
~u ~u
R
R
R
R
53 La palabra proyeccin proviene del latn proiectio, de proficere; de pro=delante y facere=hacer. Desde de un punto
de vista geomtrico, la proyeccin es la representacin grfica de un objeto sobre una superficie plana, obtenida al unir
las intersecciones sobre dicho plano de las lneas proyectantes de todos los puntos del objeto desde un determinado
vrtice. La proyeccin ortogonal es un tipo de proyeccin perpendicular.
Clases de lgebra
93
R2 y R3
La proyeccin ortogonal de un vector ~u sobre otro vector ~u, proy~u (~v ), coincide geomtricamente con
el vector sombra de ~v sobre ~u.
Denominando p~ al vector sombra de ~v sobre ~u, se cumple:
~v
p~
p~ = k~
pk
~u
Por trigonometra:
k~
p k = k~v k cos = k~v k
Finalmente:
p~ =
~
u~
v
k~
uk k~
vk
1
~u
k~uk
~
u~
v
k~
uk
~u ~v ~u
~u ~v
~u =
=
k~uk k~uk
k~uk2
~u ~v
~u ~u
~u
El vector proyeccin ortogonal, p~ = proy~u (~v ), siempre tiene la direccin del vector ~u y su sentido
viene dado por el vector ~v .
~v
p~
~u
Nota 2.12.
~u
~v
~v
~p
p~
~u
En grficos 3D las proyecciones ortogonales son muy tiles para determinar sombras, reflexiones, etc.
1
2 1
proy~u (~v ) = [2, 1] =
,
5
5 5
2
~u
Clases de lgebra
94
(~u ~u)~
p = 3[2, 2, 2] = [6, 6, 6]
y suponiendo que las coordenadas del vector ~v son [x, y, z], (valores que queremos conocer):
~u~v = [1, 1, 1][x, y, z] = xy+z
Por tanto:
(~u ~u)~
p = (~u ~v )~u ; [6, 6, 6] = [x y + z, x + y z, x y + z]
Donde tenemos que las coordenadas de ~v deben cumplir la ecuacin55 :
xy+z =6
Por tanto existen infinitos vectores ~v posibles, que estn contenidos en el plano anterior. Una
posible solucin sera por ejemplo ~v = [1, 0, 5].
Ejemplo 2.30. Encontrar una base del conjunto de vectores cuya proyeccin ortogonal sobre
el vector ~u = [1, 1, 0] 3 , es ortogonal al vector w
~ = [0, 1, 1].
Solucin: Sea la solucin buscada los vectores ~v = [x, y, z] 3 , entonces la proyeccin
ortogonal de ~v sobre ~u = [1, 1, 0] ser el vector:
proy~u (~v ) =
[1, 1, 0] [x, y, z]
xy
~u ~v
~u =
[1, 1, 0] =
[1, 1, 0]
~u ~u
[1, 1, 0] [1, 1, 0]
2
x=y
Como la ecuacin que define este conjunto de vectores x y = 0 es un plano de 3 , una base de
este conjunto sern dos vectores cualesquiera de ese plano que no sean paralelos. Por ejemplo:
BS = {[1, 1, 0], [0, 0, 1]}
55 Obtenemos
Clases de lgebra
un sistema de tres ecuaciones linealmente dependientes y slo una de ellas da informacin til.
95
Nota 2.13. El Ejemplo 2.30 tambin se puede resolver mediante una interpretacin geomtrica sencilla: como la
proyeccin de la solucin ~v sobre ~
u son vectores con direccin ~
u, todos los vectores ortogonales a este vector formarn
un plano con vector normal ~
u, y por tanto de ecuacin general x y = 0. Una base de este subespacio (plano) sern
dos vectores contenidos en el plano linealmente independientes, por ejemplo [1, 1, 0] y [0, 0, 2].
~v
~u
perp~u(~v )
proy~u (~v)
~u ~v
~u ~u
~u
Rn , no paralelo a ~v, de
~v
3
2
perp
~u
1
1
Clases de lgebra
96
R R
R2 y R3
Para calcular la distancia d de un punto A a una determinada recta, podemos utilizar la proyeccin
ortogonal de la siguiente forma:
Ab
~v
b
d = kP A proy~v (P A)k
Ejemplo 2.32. En
P
~v
x
y
1
1
+t
2
1
Solucin: Tomamos un punto cualquiera de la recta, por ejemplo para t = 1 se tiene P = (0, 1).
Ab
d
~v
b
d = kP A proy~v (P A)k
[1, 1] [2, 1]
1
proy~v (P A) =
[1, 1] = [1, 1]
[1, 1] [1, 1]
2
1
3 3
3
d = kP A proy~v (P A)k = k[2, 1] [1, 1]k = k[ , ]k =
2
2
2 2
2
56 En
57 Podemos
Clases de lgebra
97
Ejemplo 2.33. Utilizando el concepto de proyeccin ortogonal, encontrar la distancia del punto
A = (1, 1, 0) a la recta:
x+yz = 1
` :
xyz = 0
Solucin: Vamos a utilizar la frmula anterior. Conocido el punto A de los datos del problema,
se necesita un punto de la recta P y un vector director de la misma ~v . Para obtenerlos, vamos
a expresar la ecuacin general de la recta en su forma vectorial, resolviendo el SEL por Gauss.
x = 1 y + z = 1 21 + t = 12 + t
1
1 1
1
1
1 1 1
F2 F1
1
y = 1
=
2 = 2
1 1 1 0
0 2
0 1
z=t
A travs de la forma vectorial se puede obtener fcilmente un punto y el vector director58 :
1 1
x
1/2
1
P =
2, 2, 0
y = 1/2 + t 0 =
z
0
1
~v = [1, 0, 1]
1 1
1 3
[1/2, 3/2, 0] [1, 0, 1]
1
P A = (1, 1, 0)
, ,0 =
, , 0 ; proy~v (P A) =
[1, 0, 1] = [1, 0, 1]
2 2
2 2
[1, 0, 1] [1, 0, 1]
4
Finalmente:
r
r
1 3 1
1 3
1
1
38
38
1
9
1
+ +
=
=
d =
, , 0 , 0,
=
, ,
=
2 2
4
4
4 2 4
16 4 16
16
4
Distancia entre dos Rectas paralelas en
R2 y R3
Este caso es semejante al anterior, tomando un punto cualquiera P2 de una de las rectas y calculando
la distancia de ese punto a la otra recta.
P2
~v
b
b
P1
P1
P2
~v
58 Como punto P se puede tomar cualquiera de la recta, que se obtienen dando valores al parmetro t Lo ms sencillo
es tomar el punto para t = 0, como se ha hecho en este caso. Tambin como vector director se puede tomar cualquier
vector paralelo al vector [1, 0, 1].
Clases de lgebra
98
Ejemplo 2.34. En
x
1
1
`1 : y = 0 + s 1
z
1
1
x
0
1
`2 : y = 1 + t 1
z
1
1
Solucin: Tomamos un punto cualquiera de la primera recta, por ejemplo para s = 0 se tiene
P2 = (1, 0, 1). Entonces calculamos la distancia de P2 a la recta `2 .
[1, 1, 1] [1, 1, 2]
2
proy~v (P1 P2 ) =
[1, 1, 1] =
[1, 1, 1]
[1, 1, 1] [1, 1, 1]
3
1
2
5 1 4
1p 2
5 + (1)2 + (4)2 =
42
P1 P2 proy~v (P1 P2 ) = [1, 1, 2]
[1, 1, 1] =
,
,
; d=
3
3 3 3
3
3
42
d=
3
Distancia de un Punto A a un Plano en
R3
3. La distancia buscada coincide con la norma del vector proyeccin proy~v (P A).
~n
A
d = kproy~n (P A)k
d
P
Ejemplo 2.35. En
P
~n
Solucin: En este caso un vector normal al plano es ~n = [1, 1, 1] y punto del plano puede ser
por ejemplo P = (1, 0, 0), por tanto:
[1, 1, 1] [1, 0, 0]
1
proy~n (P A) =
[1, 1, 1] = [1, 1, 1]
[1, 1, 1] [1, 1, 1]
3
1
d=
1+1+1=
3
Clases de lgebra
3
3
99
R3
Este caso es semejante al anterior, tomando un punto cualquiera P1 de uno de los planos y calculando
la distancia de ese punto al otro plano.
~n
b
P1
P2
d = kproy~n (P1 P2 )k
~n
P1
d
b
Ejemplo 2.36. En
M1 : x + y + z = 1
M2 : x + y + z = 3
[1, 1, 1] [0, 1, 1]
2
[1, 1, 1] = [1, 1, 1]
proy~n (P1 P2 ) =
[1, 1, 1] [1, 1, 1]
3
2 3
d=
3
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
P2
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Matrices
Contenido
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.0.1 Tipos de Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
Operaciones Bsicas con Matrices . . . . . . . . . . . . . . . . . . . .
3.1.1 Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Producto de un Escalar por una Matriz . . . . . . . . . . . .
3.1.3 Diferencia o Resta de Matrices . . . . . . . . . . . . . . . . .
3.1.4 Propiedades de la Suma y la Multiplicacin por un Escalar . .
3.1.5 Espacio Vectorial de Matrices . . . . . . . . . . . . . . . . . .
3.1.6 Combinacin Lineal de Matrices . . . . . . . . . . . . . . . . .
Producto de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Propiedades de la Multiplicacin de Matrices . . . . . . . . .
3.2.2 Potencia de Matrices Cuadradas . . . . . . . . . . . . . . . . .
3.2.3 Producto Matricial Matriz-Vector . . . . . . . . . . . . . . . .
3.2.4 Producto Matricial Vector-Vector . . . . . . . . . . . . . . . .
3.2.5 Producto Matriz-Vector Estndar . . . . . . . . . . . . . . . .
Expresin Matricial de un SEL . . . . . . . . . . . . . . . . . . . . . .
Matriz Transpuesta AT . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.1 Matriz Simtrica y Antisimtrica . . . . . . . . . . . . . . . .
3.4.2 Propiedades de la Matriz Transpuesta . . . . . . . . . . . . .
Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.1 Clculo de la Matriz Inversa: Mtodo de Gauss-Jordan . . . .
3.5.2 Inversa y SEL . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5.3 Operaciones con la Matriz Inversa . . . . . . . . . . . . . . . .
Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.1 Introduccin: Determinantes de Matrices 2 2 . . . . . . . .
3.6.2 Determinantes de Matrices 3 3 . . . . . . . . . . . . . . . .
3.6.3 Regla de Sarrus . . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.4 Determinantes de Matrices n n . . . . . . . . . . . . . . . .
3.6.5 Clculo del Determinante mediante Desarrollos de Laplace . .
3.6.6 Determinantes e Inversa de una Matriz . . . . . . . . . . . . .
3.6.7 Propiedades de los Determinantes . . . . . . . . . . . . . . . .
3.6.8 Mtodo de Gauss para el Clculo del Determinante . . . . . .
3.6.9 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.10 Matriz Adjunta e Inversa de una Matriz . . . . . . . . . . . .
Subespacios Fundamentales de una Matriz . . . . . . . . . . . . . . .
3.7.1 Espacios Columna y Fila de una Matriz . . . . . . . . . . . .
3.7.2 Propiedades de las Matrices Equivalentes por Filas . . . . . .
3.7.3 Rango, Ncleo y Nulidad de una Matriz . . . . . . . . . . . .
3.7.4 Teorema del Rango de las Matrices . . . . . . . . . . . . . . .
3.7.5 Teorema Fundamental de las Matrices Invertibles . . . . . . .
3.7.6 Bases para los Espacios Fila, Columna y Nulo de una Matriz
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
103
104
106
106
106
106
107
107
107
108
109
109
110
110
111
111
112
112
112
114
114
116
116
116
116
117
118
118
120
121
121
122
122
124
125
125
128
128
131
133
133
101
Clases de lgebra
Resta
Suma
Tipos
Definiciones
Basicas
Propiedades
Transpuesta
M. Simtrica
Matriz-Vector
Producto
Matriz-Matriz
Operaciones
Definicin
Met. Gauss-Jordan
Clculo
Inversa
Matrices
Propiedades
Definicin
Clculo
Determinante
S. Fila
Propiedades
S. Columna
Tipos
Rango
Ncleo
Propiedades
Nulidad
Subespacios Mat.
Bases
102
TEMA 3: Matrices
3.0. Matrices
103
3.0. Matrices
;
aij
;
A = [aij ] mn
Amn = .
..
..
..
.
.
am1
am2
amn
Al conjunto de todos los elementos diagonales se denomina diagonal principal. Se
definen las subdiagonales como aquellas diagonales por encima y por debajo de la
diagonal principal.
Si las n columnas de la matriz Amn son los vectores ~c1 , ~c2 , , ~cn
representarla como un vector de vectores columna:
a1i
a2i
Rm , podemos
ami
Si las m filas de la matriz Amn son los vectores f~1 , f~2 , , f~m
representarla como un vector de vectores fila:
~
f1
f~2
A= .
..
f~m
f~i =
~ai1 ~ai2
~ain
Rn ,
podemos
Clases de lgebra
104
TEMA 3: Matrices
a1n
a11
a21
Am1 = .
..
am1
Es equivalente a un vector columna.
Matriz Nula, 0mn : Matriz con todos sus elementos iguales a cero.
{0mn = [aij ] : aij = 0, 0 i m, 0 j n}
0 0 0
0 0 0
0mn = . .
..
.. ..
.
0 0 0
Ann = .
..
..
..
.
.
an1 an2 ann
Matriz Triangular Superior: Matriz cuadrada donde sus entradas por debajo de la diagonal
principal son cero.
{Ann = [aij ] : aij = 0 si i > j}
Dn = . .
..
.. ..
.
0 0
Matriz Triangular Inferior: Matriz cuadrada donde sus entradas por encima de la diagonal
principal son cero.
{Ann = [aij ] : aij = 0 si i < j}
0 0
0
Dn = . .
..
.. ..
.
Clases de lgebra
3.0. Matrices
105
Matriz Diagonal: Matriz cuadrada donde sus entradas no diagonales son cero.
{Ann = [aij ] : aij = 0 si
a11 0
0 a22
Dn = .
..
..
.
0
i 6= j}
0
0
..
.
ann
Matriz Tridiagonal: Matriz cuadrada con elementos no todos nulos en la diagonal principal
y en las subdiagonales justo por encima y por debajo de la principal, siendo el resto de los
elementos cero.
a11 a21
0
a21 a22 a23
0 a31 a32
a33
..
..
.
.
0
an n1
ann
Matriz Escalar: Matriz diagonal con todos sus elementos diagonales iguales.
d 0 0
0 d 0
Dn = . .
..
.. ..
.
0 0 d
Matriz Identidad de orden n, In : Matriz escalar con elementos diagonales de valor unidad.
Tambin puede considerarse como una matriz cuyos vectores fila y columna son los vectores
estndar 1 de n .
{In = [aij ] : aij = 1 si i = j, aij = 0 si i 6= j}
In =
1 0
0 1
.. ..
. .
0 0
0
0
..
.
= ~e1
~e2
~en
~e1
~e2
..
.
~en
Matriz Elemental: Cualquier matriz que se obtiene al realizar una nica operacin elemental
por fila 2 sobre una matriz identidad In . Ejemplos de matrices elementales:
1 0 0 0
1 0 0
0 2 0 0
1 1
0 0 1
;
;
0 0 1 0
0
1
0 1 0
0 0 0 1
1 Ver
2 Ver
Clases de lgebra
106
TEMA 3: Matrices
a11 a1n
b11 b1n
..
..
.
..
.
A + B = [aij ] + [bij ] = .
. + .
.
am1 amn
bm1 bmn
a11 + b11
..
=
.
am1 + bm1
a1n + b1n
..
= [aij + bij ] = [cij ] = C
.
amn + bmn
a11
.
kA = k ..
am1
como la matriz
ka11
a1n
..
.. =
.
.
kam1
amn
a11
ka1n
.
..
= ..
.
am1
kamn
Rmn
a la matriz
a1n
.. k = Ak = B
.
amn
Al igual que con los vectores3 , la resta de matrices no se considera una operacin si no un caso
particular de la suma matricial.
3 Ver
Clases de lgebra
107
Rmn y , R. Entonces,
A+B =B+A
Conmutativa
(A + B) + C = A + (B + C)
Asociativa
A + 0mn = A
Elemento Neutro
1A = A
Elemento Unitario
A + (A) = 0mn
Elemento Opuesto
(A + B) = A + B
Distributiva 1
( + )A = A + A
Distributiva 2
(A) = ()A
Asociativa 2
A = c1 A1 + c2 A2 + + ck Ak =
k
X
cj Aj
j=1
c1 A1 + c2 A2 + + ck Ak = 0mn
es la solucin trivial 5 : c1 = c2 = = ck = 0.
c1 A1 + c2 A2 + + ck Ak = 0mn
4 Ver
5 Ver
Clases de lgebra
108
TEMA 3: Matrices
AB = .
..
.. =
..
.. ..
..
.
.
.
.
.
am1
am2
f1A
f~2A
f~mA
amn
f~1A ~c1B
f~2A ~c1B
..
.
f~mA ~c1B
bn1
bn2
f~1A ~c2B
f~2A ~c2B
..
.
f~mA ~c2B
bnp
f~1A ~cnB
f~2A ~cnB
..
.
f~mA ~cnB
=C
k=1
Nota 3.1.
A=
Clases de lgebra
1
2
2
1
1 0
1 1
R24
1
1
B=
1
0
1
3
1
0
2
0
2
1
R43
109
AB =
=
1
2
1 1 + 2 (1) + (1) 1 + 0 0
2 1 + 1 (1) + 1 1 + 1 0
1
1
2
1
0
1
1
1
1
0
1
3
1
0
2
0
=
2
1
1 1 + 2 3 + (1) 1 + 0 0
21+13+11+10
2 6 4
23
=
2 6 3
1 2 + 2 0 + (1) (2) + 0 1
2 2 + 1 0 + 1 (2) + 1 1
Rmn ,
Distributiva 1: (A + B)C = AC + BC
Distributiva 2: A(B + C) = AB + AC
Rmn
B
Rnp ,
Rps .
Rmn , B Rn .
A, B Rmn , C Rnp .
A Rmn , B, C Rnp .
A
N,
An = AA
A}
| {z
n veces
Propiedades de la Potencia de Matrices Cuadradas
Dada A
Rnn y r, s N, se verifica:
Ar As = Ar+s .
(Ar )s = Ars .
Por definicin A0 = In .
Clases de lgebra
110
TEMA 3: Matrices
AV = .
= Cm1
..
..
.. .. =
..
.
.
.
.
am1
am2
amn
vn
a21 a22 a2n
V A = v1 v2 vm .
..
.. =
..
.
.
am1 am2 amn
Rmn da
= C1n
w1
w1 v1
w2
w2 v1
W V = . v1 v 2 vn = .
..
..
wn
w n v1
w1 v2 w1 vn
w2 v2 w2 vn
= Ann
..
..
.
.
wn v2 wn vn
El producto matricial de una matriz (o vector) fila V 1n por una matriz (o vector) columna
W n1 es una matriz (o vector) de un slo elemento A 11 , siendo por tanto un escalar.
w1
w2
V W = v1 v2 vn . = v1 w1 + v2 w2 + + vn wn = A11
..
wn
El producto matricial de un vector fila por un vector columna es una operacin equivalente al producto
escalar 6 de dos vectores.
6 Ver
Clases de lgebra
111
a11 a12
a21 a22
A~ei = .
..
..
.
am1
am2
a11
a21
~ej A = 0 1 .
..
am1
y ~ej
a1n
a2n
..
.
R1n . Entonces
0
a1i
.. a2i
.
= .. = ~ci
1 .
..
ami
.
amn
a12
a22
..
.
a1n
a2n
..
.
am2
amn
= aj1
aj2
ajn
= f~j
A=
..
..
.. ; ~b = ..
..
..
..
..
.
.
.
.
.
.
.
b1
a11 a12 a1n
x1
a21 a22 a2n x2 b2
= A~x = ~b
..
..
.. .. = ..
.
.
.
.
.
am1
am2
amn
xn
bm
Todo SEL se puede definir mediante una ecuacin matricial10 en la que el producto matricial11
entre la matriz de coeficientes A y el vector de incgnitas ~x debe ser igual al vector de trminos
independientes ~b, de la forma:
A~x = ~b
7 Ver
Clases de lgebra
112
TEMA 3: Matrices
A = [aij ]
A=
Rnm
AT = [aji ] i, j
a11
a21
a12
a22
AT = .
..
..
.
a1n
a2n
am1
am2
..
.
amn
R
Una matriz cuadrada A Rnn se dice que es antisimtrica si AT = A.
(A B)T = AT B T
(kA)T = k(A)T
(Ar )T = (AT )r
;
;
Rmn
kR
A, B
Rmn ,
A, B Rnn
A Rnn , r 0
A
(AB)T = B T AT
Rmn
Teorema 3.1
Si A es una matriz cuadrada, entonces A + AT es una matriz simtrica 13 .
Si A es una matriz cuadrada, entonces A AT es una matriz antisimtrica.
AAT y AT A son siempre matrices simtricas.
12 Es
AT .
decir, la i-sima fila de A es la i-sima columna de AT y la j-sima columna de A pasa a ser la j-sima fila de
13 Ver
Clases de lgebra
113
Demostracin 3.1
Por las propiedades de la matriz transpuesta14 se tiene:
(A + AT )T = AT + (AT )T = AT + A = A + AT
(A AT )T = [AT (AT )T ] = (AT A) = A AT
(AAT )T = (AT )T AT = AAT
(AT A)T = AT (AT )T = AT A
1
0
2
1
0
1
1
1
calcular: A + AT y A AT .
Solucin:
a) A + AT =
1
0
1
1
b) A A =
1 1
0
1
1
1
0
1
1
1
0
1
1
2
1
0
(Matriz simtrica)
(Matriz antisimtrica)
1 1
1
A= 0
1
1
calcular: AAT y AT A.
Solucin:
1
a) AAT = 0
1
b) A A =
T
14 Ver
1
1
1
1 0
1
1 1
1
0
1
1
1
1
0
1
1
1
2
= 1
2
1
2
1 =
2
1
1 2
1 1
1
2
2
3
(Matriz simtrica)
(Matriz simtrica)
Clases de lgebra
114
TEMA 3: Matrices
Nota 3.2.
R
: AR = Im
Rnm : LA = In
Rmn , se denomina :
nm
Si A es invertible entonces R = L = A1 .
AX = In
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
an1
amn2
amnn
x11
x21
..
.
x12
x22
..
.
x1n
x2n
..
.
xn1
xn2
xnn
1 0
0 1
.. ..
. .
0 0
0
0
..
.
Denotando por ~xi a los vectores columna de X y ~ei a los vectores columna de In , el problema del
clculo de la matriz inversa se puede transformar en el clculo de n SEL de la forma15 :
A~x1 = ~e1
A~x2 = ~e2
A[~x1 ~x2 ~xn ] = [~e1 ~e2 ~en ]
=
..
..
.
.
A~xn = ~en
Notar que puede utilizarse el
..
..
.. ..
.
.
. .
an1 an2 ann 0
{z
}|
|
A
15 Ver
16 Ver
0 0
1 0
1 0
Op. Elem. de Fila 0 1
..
.. .. ..
. .
.
.
0 1
0 0
{z
}
{z
|
In
In
SEL a la vez:
0 x11 x12
0 x21 x22
.. ..
..
. .
.
1 xn1 xn2
}|
{z
x1n
x2n
..
.
xnn
A1
Clases de lgebra
115
1
A= 2
3
Solucin:
1 1 1
2 3 2
3 8 2
1
0
0
0
1
0
1 1
0
F 2F1
0 1
0 2
F3 3F1
0 5
1
1 0 0
F +F3
0 1 0
1
F3
0 0 1
10
2
7
0
0
1
1 1
3 2
8 2
1
2
3
6
1
1
0
5 1
0
1
0
1 0
0
F 5F2
0 1
0 3
F1 F2
0 0
1
A1
10
= 2
7
1
0
1
3
2
7
6
1
1
0
5 1
1 0
1 0
5 1
1 2
A= 4 5
7 8
invertible.
3
6
9
Solucin: La matriz es cuadrada y por tanto puede ser invertible. Vamos a calcular su rango,
obteniendo una matriz escalonada equivalente de A.
1 2 3
1
2
3
1
2
3
F2 4F1
F3 2F2
4 5 6 0 3
6 0 3 6
F3 7F1
7 8 9
0 6 12
0
0
0
Como rang (A) = 2 < n = 3, por tanto A es no invertible.
17 Estas
propiedades estn basadas en la resolucin de SEL. Ver el Teorema 1.1, pgina 53.
Clases de lgebra
116
TEMA 3: Matrices
A1 es nica.
El SEL A~x = ~b es compatible determinado y su solucin nica viene dada por:
~x = A1~b
Rm :
~b
Rn
Rmn :
En el caso especial ~y = ~0, el SEL A~x = ~0 siempre tiene como solucin ~x = ~0.
si A es invertible, esta ser la nica solucin.
si A no es invertible, tendr adems otras infinitas soluciones ms.
A1 es invertible y (A1 )1 = A
(cA)1 = 1c A1 , siendo c
R,
con c 6= 0.
(AB)1 = B 1 A1 .
AT es invertible y (AT )1 = (A1 )T .
Ar es invertible y (Ar )1 = (A1 )r = Ar , r 0.
Toda matriz elemental 18 es invertible y su inversa es una matriz elemental del mismo tipo.
3.6. Determinantes
3.6.1. Introduccin: Determinantes de Matrices 2 2
R22 de la forma:
Clases de lgebra
3.6. Determinantes
117
es sencillo siguiendo el mtodo de Gauss-Jordan. Sin prdida de generalidad, podemos suponer que
a 6= 0, entonces:
1
b
1
1
a b 1 0
0
1 ab a1 0
F cF1
a F1
a
a
2
c d 0 1
c d 0 1
ac 1
0 adcb
a
a
adcb F3
1
0
b
a
1
a
c
adcb
0
a
adcb
d
adcb
c
adcb
b
adcb
a
adcb
1
0
1
ad cb
F1 b F3
0
1
d
adcb
c
adcb
d b
c
a
b
adcb
a
adcb
R22 :
A1 =
1
det (A)
d b
c
a
a
A= d
g
b
e
h
c
f
i
ei f h ch bi bf ce
1
f g di ai cg cd af siendo |A| = aei + bf g + cdh ceg af h bdi
A1 =
|A|
dh eg bg ah ae bd
Clases de lgebra
118
TEMA 3: Matrices
a b c
d e f
g h i
a b
d e
g h
+ + +
a b c
d e f
g h i
+
a b c
d e f
g h i
5 3 2
0 2
A= 1
2 1 3
Vamos a deducir un mtodo general para calcular el determinante de una matriz n n. Comenzamos
con el determinante de una matriz A33 :
a b c
A= d e f
g h i
Como hemos visto anteriormente este determinante se puede expresar fcilmente mediante la regla de
Sarrus. El resultado obtenido se puede reorganizar de la siguiente forma:
|A| = aei + bf g + cdh ceg af h bdi = a(ei f h) b(di f g) + c(dh eg) =
d f
d e
e f
+ c
b
= a
g h
g i
h i
valor obtenido de esta forma para matrices de mayor orden no tiene ninguna relacin con la inversa de la matriz.
Clases de lgebra
3.6. Determinantes
119
Este procedimiento se puede generalizar para el clculo del determinante de cualquier matriz n n
de forma recursiva, como funcin de los determinantes de submatrices (n 1) (n 1) de A. A su vez,
cada uno de los determinantes obtenidos, se pueden definir mediante los determinantes de submatrices
(n 2) (n 2) de A, y as sucesivamente.
Vamos a clarificar el clculo definiendo previamente los conceptos de menor complementario y
adjunto.
La regla de los signos utilizada en el clculo del adjunto, (1)i+j , se puede expresar intuitivamente
en forma de tablero de ajedrez como:
+ +
+ +
+ +
+ +
..
..
..
.. . .
.
.
.
.
.
1
2
A=
1
1
1 1
0
1 2
3
1 1 1
1 2
1
adjunto C32 .
0
1 = 1 0 1 + 0 1 + 1 = 0
1
0
3 = (2 0 3 + 0 6 + 2) = 5
1
Clases de lgebra
120
TEMA 3: Matrices
n
n
n
X
X
X
(1)i+j aij |(Aij | =
(1)i+j aij Mij =
aij Cij
j=1
j=1
j=1
n
X
i=1
n
X
i=1
n
X
aij Cij
i=1
5 3 2
0 2
A= 1
2 1 3
Solucin: Desarrollando por ejemplo a travs de la primera fila:
0 2
0
(3) 1 2 + 2 1
|A| = 5
2 1 = 10 3 2 = 5
2 3
1 3
Clases de lgebra
3.6. Determinantes
121
|A||A1 | = 1
Y finalmente
|A1 | = |A|1 =
1
|A|
20 Ver
21 Basta
Clases de lgebra
122
TEMA 3: Matrices
Ejemplo 3.9. Aplicar el mtodo de Gauss para calcular el determinante de la siguiente matriz:
5 5 5
5
1 0
1
0
A=
0 1
1
1
1 1
1 1
Solucin:
5
1
0
1
5
0
1
1
5
5
1
1
0
1
0
5 F1
1
1 F2 F3 1
1 1
1
1
0
F3 F2
0
0
1
1
0
0
1
1
0
1
1
1
1
1
F3 +F1
1
0
F4 F1
1 1
1
1
1
1
F4 +2F3
1
0
2 2
1
0
0
0
1 1
0 1
0 1
0 0
1 1
1
1
1
1
0 1
0
0
0 2
1
1
1
1
0
1
2 2
R
R
Clases de lgebra
3.6. Determinantes
123
Denotemos por Ai (~b) a la matriz obtenida al reemplazar la i-sima columna de A por el vector ~b,
Ai (~b) = [ ~c1 ~c2
~b
~cn ]
Columna i
A travs de esta matriz se puede expresar la solucin del anterior sistema de ecuaciones lineales de la
forma dada por el siguiente teorema.
det(Ai (~b))
|A|
i = 1, , n
Demostracin 3.3
Como las columnas de la matriz identidad I son los vectores estndar columna ~ei , se tiene
que:
AIi (~x) = A[ ~e1 ~x ~en ] = [ A~e1 A~x A~en ] =
~b ~cn ] = Ai (~b)
= [ ~c1
det(Ii (~x)) =
1
0
..
.
0
1
..
.
..
.
x1
x2
..
.
0
0
..
.
0
0
..
.
0
..
.
0
..
.
xi
..
.
0
..
.
0
..
.
0 0
0 0
xn1
xn
..
.
1
0
0
1
= xi
como se puede ver al desarrollar por la fila i-sima. Por tanto, despejando de la expresin
|A| xi = det(Ai (~b)) se obtiene el resultado anterior.
Desde un punto de vista computacional la regla de Cramer es ineficiente para resolver sistemas,
salvo los muy pequeos, debido al gran coste de clculo de los determinantes.
Clases de lgebra
124
TEMA 3: Matrices
Dada una matriz cuadrada A nn , se puede construir una nueva matriz de adjuntos sustituyendo
cada elemento aij por el correspondiente adjunto 22 de cada elemento,
Teorema 3.4
Para toda matriz invertible A
Rnn se tiene:
A1 =
1
adj(A)
|A|
Demostracin 3.4
La inversa de una matriz invertible A es una matriz X tal que:
AX = I
X=
~x1
~x2
~xn
siendo ~xj la columna j-sima de la matriz X. Para determinar cada una de estos vectores
columna se puede resolver los sistemas A~xj = ~ej y por la regla de Cramer:
xij =
y como:
det(Ai (~ej )) =
a11
a21
..
.
a12
a22
..
.
..
.
aj1
..
.
aj2
..
.
1
..
.
an1
an2
0
a2n
..
.
det(Ai (~ej ))
|A|
..
.
a1n
..
.
= (1)j+i det(Aji ) = Cji
ajn
..
.
ann
Clases de lgebra
125
Rmn puede ser vista como un vector de vectores fila (f~i ) o como un vector
a11
..
A= .
am1
~cn
f~1
.
= ..
f~m
Rm
: ~x = 1~c1 + + n~cn
R}
fil(A) = {~x
a1n
.. = ~c
1
.
amn
Rn
: ~x = 1 f~1 + + m f~m
R}
1 0 0
1
A = 1 0 1 1
0 0 1
0
Solucin: El espacio fila es el subespacio vectorial generado por la combinacin lineal de los
tres vectores filas de A. En este caso claramente las tres filas son linealmente independientes
y por tanto el espacio fila corresponde con un hiperplano de dimensin 3 en 4 . Una base del
subespacio fila de A es:
la Definicin 4.10, pgina 155 se estudia la relacin entre espacio columna de una matriz y la imagen de sta.
Clases de lgebra
126
TEMA 3: Matrices
1
1
A=
1
1
1 1
1 1
0 1
1 1
1
1
1
1
1 0
1
1
x1
1 + x2 0 + x3 1 = 0
1
1
1
1
Al igual que se hizo en el Ejemplo 2.15, pgina 75, esto se puede transformar en un SEL de la
forma:
1
1 1 1
x1
1
1 1
x2 = 0
0
1
0 1
x3
1
1
1 1
Slo si este sistema
1 1 1
1
1 1
1
0 1
1
1 1
es compatible, el
1
F2 + F1
0
F3 + F1
0 F4 F1
1
1 1 1 1
1
0 1 0
0
0
0 2 1
0
2 1
F
F
1
3
0 1 2 1 F4 +2F3 0 1
2 1
0
2 0 0
0
0
4 2
1
0
0
0
0 1
0
2
1
2
0
0
0
1
1
0
F4 2F2
Clases de lgebra
127
1
1
1
1
1
x1 1 + x2 1 + x3 0 + x4 1 = 2
1
1
1
1
3
en el cual por comodidad, se han colocado los vectores fila de A como vectores columna. Al igual
que en el caso anterior, esto corresponde con el siguiente SEL:
1 1 1 1 1
1
x2
1
1
0 1
x3 = 2
1
1
1 1
3
x4
1 1 1 1
1
1
0 1
1
1
1 1
1
1
F +F1
0
2 2
F3 F1
3
0
1 1 1
0 1 2
2
2 0
1
3
2
(3.1)
Nota 3.3. En este problema no ha sido necesario resolver completamente los SEL, basta con analizarlos, ya que slo
se pide determinar la pertenencia o no a los subespacios fila y columna de la matriz. Sera necesario resolverlos en el
caso de pedir una posible combinacin lineal que demuestre la pertenencia.
Ejemplo 3.12. Encontrar una posible combinacin lineal entre los vectores fila de la matriz A
que genere el vector ~v correspondientes al Ejemplo 3.11.
Solucin: Resolviendo el SEL Ecuacin (3.1) se tiene:
x1 = 1 + x2 + x3 x4 = 1 + 4 2t 3 + 2t t = 2 t
1 1 1 1 1
x2 = 1 x3 = 1 + 3 2t = 4 2t
0
0 1 2 3 =
x3 = 3 + 2x4 = 3 + 2t
0
2
2 0 2
x4 = t
Hay por tanto infinitas soluciones posibles. Por ejemplo, una de ellas se obtiene para t = 0:
x1 = 2
x2 = 4
t=0
=
x3 = 3
x4 = 0
Por tanto, una combinacin lineal de los vectores fila de A que produce ~v es:
x1 f~1 + x2 f~2 + x3 f~3 + x4 f~4 = 2
+4
2 4 + 3 + 0 2 + 4 0 + 0
2+43+0
3
1
1
0
2
1
3
+0
= ~v
Clases de lgebra
128
TEMA 3: Matrices
Demostracin 3.5
Las matrices equivalente por filas se obtienen mediante operaciones elementales por
fila27 : intercambio de filas, multiplicacin de una fila por un escalar no nulo y sumar
a una fila una combinacin lineal de otras filas. Mediante estas tres operaciones se
generan distintos vectores que siguen perteneciendo al espacio fila de la matriz original,
conservndose adems el nmero de vectores linealmente independientes de la matriz.
Por tanto, los vectores fila de la nueva matriz equivalente a la original constituyen un
sistema generador28 del mismo espacio fila.
Para determinar29 dim(fil(A)) hay que encontrar el nmero de vectores fila de A
linealmente independientes, para ello se determina el rango de la matriz30 .
Para determinar dim(col(A)) hay que encontrar el nmero de vectores columna de A
linealmente independientes, para ello se determina el rango del conjunto de vectores31
mediante el clculo del rango de la matriz.
Por tanto dim(fil(A)) = dim(col(A)) = rang(A).
25 Ver
Clases de lgebra
129
Recordamos que el rango de una matriz coincide con el rango del conjunto de vectores34 tanto fila
como columna de la matriz.
0
0
1
1
2 1 1 2
V = 1 , 1 , 1 , 1
1 1 0 0
2
1
0
1
Solucin: Hay que determinar el nmero de vectores linealmente independientes35 que hay en
V . En este caso como mnimo hay uno36 y como mximo cuatro, que es el nmero de vectores
de V . La forma ms apropiada de calcular el rango es construir una matriz con los vectores de V
dispuestos en filas o en columnas y determinar el rango de la matriz, el cual coincide con el rango
del conjunto de vectores37 V . En nuestro caso vamos a disponerlos como vectores columna38 :
1 1 0
0
2 1 1
2
A = 1 1 1 1
1 1 0
0
1 0 1
2
Para determinar el rango de la matriz A se realizan operaciones elementales de fila hasta obtener
una matriz en forma escalonada equivalente39 , la cual posee el mismo espacio fila que la original40
y por tanto el mismo rango.
Aplicando Gauss:
1
1 0 0
1
1 0
0
1 1 0
0
2 1 1
F 2F
2
2
F3 +2F2 0 1 1 2
F23 + F11 0 1 1
0
0
1 1 1 1
0
3
3
2
1
1
F F
F F
1 1 0
0 0 0
0 0
0 4 2 0
0 F34 F11 0
0
0 0 0
0 1 1
2
1 0 1
2
El rango de la matriz resultante es 3, correspondiente a los tres pivotes41 1, -1 y 3.
Por tanto el rango del sistema de vectores V es 3, siendo los vectores linealmente independientes
el primero, segundo y tercero, (correspondientes a las columnas de los pivotes).
34 Ver
Clases de lgebra
130
TEMA 3: Matrices
ker(A) = {~x
U
P
Rn
: A~x = ~0}
1 0
A = 1 0
0 0
de la siguiente matriz:
0
1
1 1
1
0
Solucin: Para determinar el ncleo tenemos que resolver el sistema homogneo A~x =
vamos a hacer por Gauss:
x1 =
1 0 0 1
1 0 0 1
1 0 0
1
x2 =
F3 F2
F2 +F1
1 0 1 1 0 0 1 0 0 0 1 0 =
x3 =
0 0 0 0
0 0 1 0
0 0 1
0
x4 =
En forma vectorial:
x1
0
1
x2
1
0
x3 = t1 0 +t2 0
x4
0
1
0
1
1 0
ker(A) = gen
0 , 0
0
1
~0. Lo
x4
t1
0
t2
nul(A) = 2
42 Ver
Clases de lgebra
131
Rmn son:
rang(A) + nul(A) = n
Este teorema establece la relacin entre dos de los cuatro subespacios fundamentales de una
matriz demostrando que no son independientes.
En la Seccin 6.5.4, pgina 194 se generaliza este teorema estableciendo la relacin entre los
otros dos subespacios fundamentales.
Demostracin 3.6
nul(A) = Num. de parmetros libres de la solucin del Sist. Homog. = n rang(A)
=
Ejemplo 3.15. Comprobar el teorema del rango en la matriz del Ejemplo 3.14, pgina 130.
Solucin: Esta matriz tiene 4 columnas, por tanto n = 4 y la nulidad se calcul resultando
ser 2. El rango de la matriz se puede determinar fcilmente a travs de la matriz resultado del
mtodo de Gauss en el Ejemplo 3.14, donde vemos que posee dos pivotes y por tanto el rango
tambin es 2. Por tanto se tiene:
rang(A) + nul(A) = n
2+2=4
Clases de lgebra
132
TEMA 3: Matrices
Teorema 3.7
Sea A mn , entonces se verifica46 :
rang(AT ) = rang(A).
rang(AT A) = rang(A).
La matriz AT A
Demostracin 3.7
Ya que se cumple47 :
rang(A) = dim(col(A)) = dim(fil(A)) = rang(AT )
A~x = ~0
46 Las propiedades de la matriz AT A sern estudiadas ms detenidamente en el Tema 7, pgina 203 y el Tema 9,
pgina 253.
47 Ver el Teorema 3.5, pgina 128.
48 Ver el Teorema 3.6, pgina 131.
49 Ver la Seccin 3.5.3, pgina 116.
50 Ver la Seccin 3.5.1, pgina 115.
Clases de lgebra
133
Los subespacios asociados a una matriz determinan todas las caractersticas y propiedades de la misma.
En el siguiente teorema se renen las interrelaciones que hay entre ellos y el concepto de la inversa de
una matriz51 .
Teorema 3.8 (Teorema Fundamental de las Matrices Invertibles)
Sea A nn . Las siguientes afirmaciones son equivalentes:
A es invertible 52 .
A~x = ~b tiene solucin nica 53 ~b
Rn .
Rn .
Rn .
Rn .
3.7.6. Bases para los Espacios Fila, Columna y Nulo de una Matriz
Dada una matriz A mn , los pasos a seguir para calcular bases para el espacio fila, el espacio
columna y/o el espacio nulo son los siguientes:
1. Encontrar la forma escalonada 57 A. La denominaremos R.
2. Los vectores fila no nulos (con pivotes 58 ) de R forman una base59 del fil(A).
3. Los vectores columna de A correspondientes a los vectores columna de R con pivote, forman
una base del col(A).
4. Resolver el sistema R~x = ~0, expresando la solucin como una combinacin lineal, (a travs
de posibles parmetros libres), de un conjunto de vectores. Estos vectores forma una base del
ker(A).
51 En
la Teorema 8.2, pgina 234 se ampliar este teorema con el concepto de autovalor de una matriz.
la Definicin 3.12, pgina 114.
53 Ver la Seccin 1.3.3, pgina 43.
54 Ver la Seccin 1.9, pgina 60.
55 Ver la Definicin 1.32, pgina 53.
56 Ver la Seccin 2.5.1, pgina 81.
57 Puede ser la escalonada normal o la reducida. Esta ltima es ms costosa de calcular pero las bases resultantes
pueden, en algunos casos, ser ms sencillas y tiles para su posterior utilizacin.
58 Ver la Definicin 1.31, pgina 52.
59 Tambin se pueden tomar las correspondientes filas de la matriz original A, teniendo en cuenta los cambios de fila
realizados, en lugar de las filas de la matriz escalonada R como base del fil(A), aunque normalmente sern ms sencillas
(con ms ceros) y tiles las obtenidas de la matriz R.
52 Ver
Clases de lgebra
134
TEMA 3: Matrices
Ejemplo 3.16. Determinar bases para los espacios fila, columna y ncleo de la siguiente matriz:
1
2
0 1 0
0
1 1 0 0
45
A=
1
1
1 1 1
1 1
0 0 1
Solucin: Vamos a seguir los pasos descritos en la Seccin 3.7.6, pgina 133.
1. Forma escalonada R de A.
1
2
0 1 0
0
1 1 0 0
F3 F1
1
1 1 1
F4 +F1
1 1
0 0 1
1
0
0
0
2
0 1 0
1 1 0 0
F3 +F2
1
1 0 1
F4 F2
1
0 1 1
1 2
0 1 0
0 1 1 0 0
=R
0 0
0 0 1
0 0
1 1 1
2. Como hay pivote en las cuatro filas de R, nos indica que las cuatro filas de A son linealmente
independientes y por tanto forman una base del espacio fila de A. Por otra parte, como la
matriz escalonada equivalente R tiene el mismo espacio fila60 , una base ms apropiada del
espacio fila de A se puede formar con las filas de R.
Bfil(A) = {[1, 2, 0, 1, 0], [0, 1, 1, 0, 0], [0, 0, 0, 0, 1], [0, 0, 1, 1, 1]}
3. Una base del espacio columna de A est formado por el conjunto de vectores columna
linealmente independientes de A, y son aquellas columnas de A correspondientes a las
columnas con pivote de la matriz R. En este caso corresponden con las columnas: 1, 2, 3
y 5.
0
0
2
1
1 1 0
0
,
,
,
Bcol(A) =
1 1 1 1
1
0
1
1
Notar que en este caso no se puede tomar como base del espacio columna de A, las
columnas pivotes de R, ya que no se conserva el espacio columna en las matrices escalonadas
equivalentes.
4. Para encontrar una base del ncleo de A tenemos que operar igual que en el Ejemplo 3.14,
pgina 130. Para ello resolvemos el SEL homogneo A~x = ~0 a partir de la matriz R.
x1
x2
x3
x5
60 Ver
= 2x2 x4
=
x3
=
x4 x5
= 3t
x1
=
t
x2
=
t
; x3
x4
=
t
=
0
x5
= t
3
1
1
1
0
= ker(A) = gen
3
1
1
1
0
Clases de lgebra
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
135
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Transformaciones Lineales
Contenido
4.1
4.2
4.3
4.4
4.5
4.6
4.7
R
R
R
R
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
139
140
141
143
144
145
145
145
149
151
151
152
155
155
157
159
162
162
162
163
163
164
166
166
168
169
169
137
Forma Matricial
Clases de lgebra
Propiedades
TL Inversa
Operaciones
Definiciones
Tipos
Imagen
Composicin de TL
Transformaciones Lineales
Ncleo
Nulidad
Caractersticas
Rango
138
TEMA 4: Transformaciones Lineales
139
y1
y2
..
ym
=
=
adems de como un SEL1 , puede ser vista como una funcin vectorial2 que transforma un vector
de entrada:
~x = [x1 , x2 , , xn ] n
~y = [y1 , y2 , , ym ]
Rm
Rn 7 Rm
~x ~y
T :
Rn 7 Rm
y1
y2
..
ym
Nota 4.1.
[x1 , x2 , , xn ] [y1 , y2 , , ym ]
=
=
~y = T (~x)
Por inters prctico, se denotar mediante las siglas TL a las Transformaciones Lineales.
= x1 + x2
= x1 x2
1 Ver
Clases de lgebra
140
Las TL pueden utilizarse para codificar informacin como muestra el siguiente ejemplo.
Ejemplo 4.2. Un espa quiere enviar la posicin de un objetivo (x1 , x2 ) de forma codificada
(y1 , y2 ), siguiendo la clave (transformacin lineal):
y1 = x1 + 3x2
y2 = 2x1 x2
De forma que por ejemplo, cuando la posicin sea (5, 10):
x1
5
~x =
=
x2
10
Se enva la posicin codificada:
~y =
y1
y2
5 + 3 10
2 5 10
35
0
Esta informacin deber ser decodificada por su receptor, como se ver ms adelante en este
tema4 .
y1
y2
..
ym
a11 a12 a1n
x1
y1
y2 a21 a22 a2n x2
~y = A~x
;
.. = ..
..
.. ..
. .
.
.
.
ym
=
=
am1
am2
amn
xn
de la TL como5 :
~x
A
~y
Rnmn
R
Rm
4 Ver
Clases de lgebra
141
1
2
3
1
~y = A~x
R2 7 R2
~y = T (~x) = A~x
~u
Rn
k R
~u, ~v
Rn ,
Nota: Para k = 0
T (~0) = ~0
Las propiedades del Teorema 4.1 tambin se utilizan como definicin alternativa de transformacin
lineal 7 .
Demostracin 4.1
Demostracin = (Una TL verifica estas propiedades)
Vamos a demostrar como una transformacin T : n 7 m del tipo:
a11
y1 = a11 x1 + + a1n xn
..
..
..
=
~y = T (~x) = A~x = .
.
.
ym = am1 x1 + + amn xn
am1
~u, ~v
a1n
x1
.. ..
. .
amn
xn
Rn
a11 a1n
u1 + v1
a11 (u1 + v1 ) + + a1n (un + vn )
..
..
..
T (~u+~v ) = A(~u+~v ) = ...
=
.
.
.
am1 amn
un + vn
am1 (u1 + v1 ) + + amn (un + vn )
(Contina en la pgina siguiente)
7 Ver
Clases de lgebra
142
a11
..
T (~u) + T (~v ) = A~x + A~v = .
am1
a1n
u1
a11
.. .. + ..
. . .
amn
un
am1
v1
a1n
.. .. =
. .
amn
vn
a11 v1 + + a1n vn
a11 u1 + + a1n un
Suma de Vectores
..
..
=
+
.
.
am1 v1 + + amn vn
am1 u1 + + amn un
..
.
am1 (u1 + v1 ) + + amn (un + vn )
~u
a11 a1n
..
..
T (k~u) = A(k~u) = .
.
am1
amn
Rn ,
ser igual a:
k(a11 u1 + + a1n un )
ku1
..
..
= kA~u
. =
.
k(am1 u1 + + amn un )
kun
k(a11 u1 + + a1n un )
ky1
y1
..
kT (~u) = kA~x = k ... = ... =
= kA~u
.
k(am1 u1 + + amn un )
kyn
yn
siendo ambos resultados iguales.
Nota 4.2. La demostracin =, correspondiente a que una funcin vectorial (transformacin) cumpliendo las dos
propiedades anteriores obligatoriamente debe ser lineal en todas sus componentes, se ver en la Seccin 4.2.2, pgina 145.
Las dos propiedades del Teorema 4.1, pgina 141, se pueden resumir en una sola:
T (~u + ~v ) = T (~u) + T (~v )
~u, ~v
Rn ,
Clases de lgebra
143
R2 7 R2 definida por:
y1
y2
R2 .
=
3x1 + x2
= x1 2x2
3
1
1
2
u1
v1
w1
3
2
5
+7
=
u2
v2
w2
1
1
2
Forma 2:
T (2~u 5~v + 7w)
~ = 2T (~u) 5T (~v ) + 7T (w)
~ =
3
1
u1
3
1
v1
3
1
w1
=2
5
+7
1 2
u2
1 2
v2
1 2
w2
6
2
u1
15 5
v1
21
7
w1
=
+
+
=
2 4
u2
5 10
v2
7 14
w2
6u1 + 2u2
15v1 5v2
21w1 + 7w2
6u1 + 2u2 15v1 5v2 + 21w1 + 7w2
=
+
+
=
2u1 4u2
5v1 + 10v2
7w1 14w2
2u1 4u2 + 5v1 + 10v2 7w1 14w2
Estas dos propiedades simplifican en gran medida la utilidad y operaciones de las TL, haciendo de
ellas una herramienta matemtica de gran inters prctico.
Rn 7 Rm
: T (~x) = ~0
Rm
Rn
0 0 0
0 0 0
mn
0mn = . .
..
.. ..
.
Clases de lgebra
144
Rn 7 Rm
: T (~x) = ~x
Rm
Rn
1 0 0
0 1 0
nn
In = . .
..
.. ..
a11
a21
T (~ei ) = A~ei = .
..
am1
Rn 7 Rm , se tiene8 :
a12
a22
..
.
a1n
a2n
..
.
am2
amn
0
a1i
.. a2i
.
= ..
1 .
.
ani
..
0
~ei
Rn
siendo e~i el vector columna estndar 9 i-simo. Por tanto, el vector T (~ei ) corresponde con la columna
i-sima, ~ci , de la matriz asociada a la transformacin lineal T : n 7 m .
T (~ei ) = A~ei = ~c1 ~c2 ~cn ~ei = ~ci
Dado un vector ~x
Rm , se
Rn se tiene:
T (~x) = T (x1~e1 + x2~e2 + + xn~en ) = x1 T (~e1 ) + x2 T (~e2 ) + + xn T (~en ) = x1~c1 + x2~c2 + + xn~cn
siendo ~ci la columna i-sima
a11 a1n
..
..
~y = A~x = .
.
am1
8 Ver
9 Ver
amn
x1
a11
a12
a1n
n
..
.
.
. X
xi~ci
. = x1 .. + x2 .. + + xn .. =
i=1
xn
am1
am2
amn
Clases de lgebra
145
Vamos a utilizar la Definicin 4.3 de una matriz asociada a una TL mediante vectores estndar, para
terminar la demostracin del Teorema 4.1, pgina 141, cuyo resultado era:
Una transformacin T :
es una TL.
Demostracin 4.2
Una transformacin es lineal si tiene la forma10 : T (~x) = A~x
x1
x2
~x
A
Rnmn
R
Por tanto, aplicando las dos propiedades anteriores (1) y (2) tenemos:
(1)
(2)
x1
x2
(2)
TL.
que el producto matricial cumple todas propiedades, (ver la Seccin 3.2.1, pgina 109), de la definicin de una
11 Ver
Clases de lgebra
146
x1
x2
y0
b
y0
b
b
Solucin:
T es invertible al ser una funcin uno a uno o biyectiva.
R no es invertible, ya que R(x) = y0 tiene dos soluciones x1 y x2 .
S no es invertible, ya que S(x) = y0 no tiene solucin.
Ejemplo 4.6. Sea el problema de la codificacin de mensajes, Ejemplo 4.2, dado en este caso
por la siguiente TL:
y1 = x1 + 3x2
y1
1 3
x1
=
~y = A~x
=
=
y2 = 2x1 + 5x2
y2
2 5
x2
2 5 220
0
3
1
131
42
F1 +3F2
F3
1 0
0 1
5
42
~x = A1 ~y
Clases de lgebra
~x
147
1 3
codificar con la matriz A =
2 5
~y
5
3
1
decodificar con matriz A =
2 1
Ejemplo 4.7. No todas las transformaciones lineales son invertibles. Por ejemplo, supongamos
que se elige como codificacin:
x1
y1
T
7
x2
y2
y1 = x1 + 2x2
y1
1 2
x1
=
=
=
~y = A~x
y2 = 2x1 + 4x2
y2
2 4
x2
Cuando se recibe la informacin codifica ~y = [89, 178] y queremos decodificarla, tendremos que
resolver el sistema:
x1 + 2x2
= 89
2x1 + 4x2 = 178
que tiene infinitas soluciones de la forma:
x1
89 t
=
x2
t
Ya que este SEL no tiene solucin nica, es imposible recuperar la actual posicin codificada,
es decir, la transformacin de codificacin y la matriz de codificacin A son no
invertibles. Por tanto este cdigo (TL) no es til para este fin.
A~x = ~y
para todo ~y
Rm
A es invertible
Rmn :
m<n
En este caso el sistema tiene menos ecuaciones que incgnitas y por tanto puede ser:
incompatible (sin solucin).
compatible indeterminado (infinitas soluciones), para cualquier ~y
Rm .
Clases de lgebra
148
R3
y1
y2
a11
a21
a12
a22
a13
a23
R2 ,
podemos
y2
x3
x1
x2
x3
T (~x) = A~x
y1
x2
x1
Se puede considerar como una transformacin de todos los puntos del espacio 3 en los puntos
del plano 2 . Intuitivamente se aprecia que existen ms puntos en el conjunto dominio 3 que
en el conjunto imagen 2 y por tanto:
no es biyectiva 12 .
El SEL A~x = ~y puede tener infinitas soluciones o bien no tener solucin, para todos o
algunos ~y 2 .
Rm .
rang (A) = n
es decir:
Cualquier matriz escalonada equivalente 14 de A no posee ninguna fila de ceros.
La matriz escalonada reducida equivalente 15 de
1 0
0 1
In = . .
.. ..
0
m>n
0
0
nn
..
.
1
En este caso el sistema tiene ms ecuaciones que incgnitas y si T es inyectiva siempre podemos
encontrar algn determinado ~y m tal que el sistema A~x = ~y sea incompatible (sin solucin).
12 Ver
Clases de lgebra
149
Ejemplo 4.9. Una TL real con n = 2 y m = 3 de la forma T : 2 7 3 , se puede interpretar como una aplicacin de de todos los puntos del plano 2 en los puntos del espacio 3 .
y1
a11
y2 = a21
y3
a31
x2
a12
x1
a22
x2
a32
y2
T
T (~x) = A~x
y1
x1
y1
Claramente existen menos puntos en 2 que en 3 , de forma que no puede existir una
correspondencia uno a uno (biyectiva) y por tanto la TL no es invertible.
y1
y2
..
.
=
=
ym
T (~x) = A~x = ~y
~x
A
~y
R mn
R
Rm
n
T 1 :
x1 + x2
y1 =
y2 = 2x1 + 3x2
T :
y3 = 3x1 + 8x2
Rn Rn
y1
a11
y2 a21
.. = ..
. .
ym
am1
A=
Rn Rn
a12
a22
..
.
a1n
a2n
..
.
am2
amn
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
am1
am2
amn
x1
x2
..
.
xn
Rmn
~y = T (~x) = A~x
(~y ), como:
;
~x = T 1 (~y ) = A1 ~y
+
x3
1 1
+ 2x3
= ~y = T (~x) = A~x ;
A= 2 3
+ 2x3
3 8
1
2
2
16 Notar que necesariamente la matriz asociada a la TL tiene que ser cuadrada, (con igual nmero de filas que de
columnas).
17 Ver la Definicin 4.5, pgina 147.
Clases de lgebra
150
1 1 1 1 0 0
F2 2F1
2 3 2 0 1 0
F3 3F1
3 8 2 0 0 1
1 0 0
0 1 0
F3
0 0 1
F1 +F3
Gauss-Jordan18 :
1
0
0
1
1
5
0
0
1
10 6
1
2
1
0
7
5 1
x1
10y1 6y2 + y3
x2 = 2y1 +
y2
x3
7y1 + 5y2 y3
1
2
3
0
1
0
1 0
0
F 5F2
0 1
0 3
F1 F2
1
0 0
A1
1
0
1
3
2
7
10 6
1
1
0
= 2
7
5 1
~x = T 1 (~y ) = A1 ~y
A1
1 0
1 0
5 1
10 6
1
1
0
= 2
7
5 1
R2 7 R2 :
Solucin: La matriz A asociada a la TL es cuadrada pero claramente no tiene vectores fila (ni
columna) linealmente independientes, y por tanto la matriz A no es invertible y tampoco lo es
la TL definida por ella.
Propiedades de la TL Inversa
Dada una funcin biyectiva 19 T : X 7 Y se tiene:
T 1 (T (x)) = T 1 (y) = x , x X
T (T 1 (y)) = T (x) = y , y Y
(T 1 )1 = T
Linealidad de la TL Inversa
En caso de que exista, la transformacin inversa T 1 de una TL:
T :
Rn 7 Rm
T (~x) = ~y = A~x
18 Ver
Clases de lgebra
151
a11 a1n
b11 b1n
a11 + b11
..
.
.
.
..
.. + ..
.. =
C = A+B = .
.
am1 amn
bm1 bmn
am1 + bm1
~x
Rn
a1n + b1n
..
.
amn + bmn
Propiedades de la Suma de TL
La suma de TL es una TL.
La suma de TL es conmutativa, ya que: A + B = B + A.
La suma de TL es asociativa, ya que: A + (B + C) = (A + B) + C.
y1 = x1 + x2
y2 = 2x1 x2
F : 2 7 3
y3 = x1 + 2x2
G:
R2 7 R3
y1
y2
y3
= 2x1
= x1 x2
= 2x2
Solucin:
1
(F + G)(~x) = A(~x) + B(~x) = 2
1
1
= 2
1
21 Ver
1
2
1 + 1
2
0
1
2
x
1 1 + 1
x2
2
0
0
3
x
1 1 = 1
x2
2
1
0
x
1 1 = (A + B)~x =
x2
2
1
x
2 1 = C~x
x2
4
Clases de lgebra
152
1
1
2
0
x
(F G)(~x) = A(~x) B(~x) = 2 1 1 1 1
x2
1
2
0
2
1
1
2
0
1 1
x1
2 1 1 1
=
= 3 0
x2
1
2
0
2
1 0
x1 = (A B)~x =
x2
x1 = D~x
x2
R
R
R
R
(F G)(~x) = F [G(~x)]
Rp 7 Rm , de la siguiente
~x G(~x) F [G(~x)]
y1
y2
F : 2 7 3
y3
las TL:
= x1 + x2
= 2x1 x2
= x1 + 2x2
G:
R4 7 R2
y1
y2
= x1 + x2 + x3 + x4
= 2x1 x2 x4
1
F (~x) = A~x = 2
1
1
x1
1 x2
2
x3
G(~x) = B~x =
1
2
1 1
1
1 0 1
x1
x2
x3
x4
Clases de lgebra
153
1
1
1
2
2
x1
1
1 1
1
x2 =
(F G))(~x) = F [G(~x)] = A(B~x) = 2
1 0 1 x3
1
x4
1
1
(x1 + x2 + x3 + x4 ) + (2x1 x2 x4 )
x
+
x
+
x
+
x
2
3
4
= 2 1 1
= 2(x1 + x2 + x3 + x4 ) (2x1 x2 x4 ) =
2x1 x2 x4
1
2
(x1 + x2 + x3 + x4 ) + 2(2x1 x2 x4 )
x
3x1 + x3
3
0 1
0 1
x2
3 2
3
= 3x2 + 2x3 + 3x4 = 0
x3 = C~x
5x1 x2 + x3 x4
5 1 1 1
x4
R4 7 R3 .
Propiedades de la Composicin de TL
La composicin de TL es una TL: (F G)(~x) = A(B~x) = C~x.
La composicin de TL no es conmutativa: (F G) 6= (G F ).
La composicin de TL s es asociativa: F (G H) = (F G) H.
Demostracin 4.3
F :
G:
Rnp 7 Rnm
R 7 R
; F (~x) = A~x
; G(~x) = B~x
22 Ver
Clases de lgebra
154
Demostracin 4.4
Rnp 7 Rnm
R 7 R
F :
G:
; F (~x) = A~x
; G(~x) = B~x
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
am1
am2
amn
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
am1
am2
amn
b11
b21
..
.
b12
b22
..
.
b1p
b2p
..
.
bn1
bn2
bnp
x1
x2
.. =
.
xp
(a11 b11 + a12 b21 + + a1n bn1 )x1 + + (a11 b1p + a12 b2p + + a1n bnp )xp
(a21 b11 + a22 b21 + + a2n bn1 )x1 + + (a21 b1p + a22 b2p + + a2n bnp )xp
..
.
(am1 b11 + am2 b21 + + amn bn1 )x1 + (am1 b1p + am2 b2p + + amn bnp )xp
a11 b11 + a12 b21 + + a1n bn1
a21 b11 + a22 b21 + + a2n bn1
..
.
f1A
f~2A
f~mA
~
f1A ~c1B
f~2A ~c1B
C = AB =
..
.
~
fmA ~c1B
Clases de lgebra
f~1A ~c1B
f~2A ~c1B
..
.
~
fmA ~c1B
f~1A ~c2B
f~2A ~c2B
..
.
~
fmA ~c2B
f~1A ~c2B
f~2A ~c2B
..
.
~
fmA ~c2B
f~1A ~cnB
f~2A ~cnB
..
.
~
fmA ~cnB
AB
x1
x2
.. =
.
xp
x1
x2
..
.
xn
f~1A ~cnB
f~2A ~cnB
..
.
~
fmA ~cnB
= C~x
mn
Rnp
Rmp
R
155
1
2
2
1
1
1
1
1
x1
x2
3
3
1
1
x1
x2
= C~x
1/6
1/2
1/6
1/2
~x = C 1 ~z
2
x1
1/6 1/6
6
=
=
0
x2
1/2 1/2
6
~x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = ~y
Nota 4.3. Dada una TL, T : X 7 Y , no confundir la imagen de la transformacin, im(T ), con el espacio imagen de
la misma, Y . La imagen es un determinado subconjunto del espacio imagen, im(T ) Y , ver la Seccin 4.5.1, pgina 157.
~y = T (~x) = A~x
im(T ) = im(A)
Clases de lgebra
156
an1
a11
x1
a11 an1
y1
.. .. = x .. + + x .. = col(A)
im(A) = ... = ...
n
1
.
.
. .
amn
am1
xm
am1 amn
ym
1 1
A= 1 2
1 3
Solucin:
La imagen de T es el conjunto de todos los posibles valores dados por la transformacin.
Aplicando la relacin anterior se tiene:
1 1
1
1
x1
x1
x
T (~x) = T
=A
= 1 2 1 = x1 1 + x2 2
x2
x2
x2
1 3
1
3
De forma que la im(T ) se puede obtener con todas las posibles combinaciones lineales de los
vectores columna de la matriz A. En este caso en concreto, como los dos vectores son linealmente
independientes, corresponde a un plano en 3 que pasa por el origen25 (0, 0, 0).
1
1
im(T ) = im(A) = s 1 + t 2 ; s, t
3
1
Solucin:
T (~x) = T
x1
x2
x
=A 1
x2
1
2
3
6
x1
x2
1
3
1
1
= x1
+ x2
= x1
+ 3x2
=
2
6
2
2
= (x1 + 3x2 )
1
2
Como x1 , x2 , la im(T ) est formada por todos los vectores ~y 2 que tienen la direccin
del vector [1, 2]. Esto corresponde a una recta en 2 que pasa por el origen (0, 0).
im(T ) = im(A) =
1
; t
t
2
23 Ver
Clases de lgebra
157
k~v im(T )
Demostracin 4.5
T (~0) = A~0 = ~0
Sean ~v1 , ~v2 im(T ) = ~v1 +~v2 = T (~x1 ) + T (~x2 ) = T (~x1 + ~x2 ) = ~v1 +~v2 im(T )
Sea ~v im(T ) y k
~x = [x1 , x2 , , xn ] [y1 , y2 , , ym ] = ~y
Nota 4.4. Dada una TL, T : X 7 Y , el ncleo es un determinado subconjunto del espacio dominio, ker(T ) X,
ver la Seccin 4.5.2, pgina 159.
~y = T (~x) = A~x
26 Ver
27 Ver
ker(T ) = ker(A)
Clases de lgebra
158
1
1
1
2
1
3
R3 7 R2 definida por:
x1
x2
x3
Solucin: El ncleo de T son las soluciones del sistema A~x = ~0. Resolviendo dicho sistema
mediante el mtodo de Gauss-Jordan28 :
1 1 1 0
1 0 1 0
1 1 1 0
F F1
F F2
2
1
1 2 3 0
0 1 2 0
0 1
2 0
Solucin29 del SEL:
x3 = t, x2 = 2t, x1 = t
x1
1
~x = x2 = t 2
x3
1
ker(T ) = t 2 ; t
1
1
A=
1
1
Solucin: Aplicando Gauss-Jordan30 se
1
1 5 4 3
2
0
0 1 2 3
4
A=
0 2 4 7 10 0
0
0 1 2 4
6
TL T :
5
6
7
6
4
6
8
6
2
6
12
8
0
0
1
2 0 0
0
0 0
0
0
0
1
2
x1
6s 6t
x2 2s + 2t
s
~x =
x3 =
x4
2t
t
x5
equivalente:
0
6
0 2
1
2
0
0
28 Ver
Clases de lgebra
159
R5 dado por:
6
6
0
ker(T ) = s 1 + t
; s, t
2
0
1
0
T : X 7 Y
Demostracin 4.6
A~0 = ~0 =
~0 ker(T )
~v ker(T ), k
A~v1 = ~0
A~v2 = ~0
Clases de lgebra
160
La nulidad es la dimensin de la solucin del sistema homogneo 32 A~x = ~0, y por tanto coincide
con el nmero de parmetros de su solucin, (que a su vez, coincide con el nmero de filas nulas que
contiene una matriz escalonada equivalente 33 de A).
U
R
El concepto de rango ya fue definido en el Tema 3 sobre matrices34 y como se ver en el siguiente
teorema, est ntimamente relacionado con el rango de una TL.
Teorema 4.2
El rango de una TL coincide con el rango de su matriz asociada A:
rang(T ) = dim(im T ) = dim(im A) = rang(A)
Demostracin 4.7
Dada una TL: ~y = A~x
1. La imagen de T es el subespacio del espacio imagen que posee solucin en el SEL:
A~x = ~y .
2. La dim(T ) coincide con el nmero de columnas linealmente independientes de A.
3. El nmero de columnas linealmente independientes coincide con el nmero de filas no
nulas en la matriz escalonada equivalente y por tanto, coincide con el rang(A).
Por tanto, si T :
Rn 7 Rm , ~y = T (~x) = A~x :
rang(T ) + nul(T ) = n
Nota 4.5. Tener en cuenta que n representa la dimensin del espacio dominio de la TL y tambin el nmero de
columnas de la matriz asociada A.
32 Ver
Clases de lgebra
161
Demostracin 4.8
Ver el Teorema 3.6, pgina 131.
Ncleo
Imagen
0
ker(T)
Espacio Dominio
im(T)
Espacio Imagen
El teorema del rango establece que el tamao 37 de los subespacios ncleo e imagen juntos coincide
con el tamao del espacio dominio.
35 Ver
Clases de lgebra
162
4.6. Tipos de TL
4.6.1. Inyectivas, Sobreyectivas y Biyectivas
Dada una transformacin lineal, T :
Demostracin 4.9
Si ker(T ) = {~0} T es inyectiva.
Si ker(T ) = {~0}
Dados ~u, ~v
, dos vectores del espacio dominio de T , vamos a ver bajo que
condiciones T (~u) = T (~v ).
T (~u) = T (~v ) ; T (~u)T (~v ) = ~0 ; T (~u~v ) = ~0 = Sol. nica ~u~v = ~0 = ~u = ~v
Que es la definicin de una funcin inyectiva.
Si dim(im(T )) = m T es sobreyectiva.
T es invertible si es biyectiva.
Ver la Seccin 3.8, pgina 133.
38 Ver
el Apndice A.10.3, pgina 363, las definiciones de funciones inyectiva, sobreyectiva y biyectiva.
Clases de lgebra
R2 y R3
163
R2 y R3
Una transformacin geomtrica, es una aplicacin que hace corresponder a cada punto del plano (o
espacio) otro punto del plano (o espacio). Como consecuencia, las figuras se transforman en otras
figuras.
Las transformaciones geomtricas ms usuales son las traslaciones, rotaciones, reflexiones39 y las
homotecias. Todas ellas mantienen la forma de las figuras, pero pueden cambiar su tamao, orientacin
y/o posicin.
Un movimiento de una figura es una combinacin de traslaciones, rotaciones y reflexiones.
Cuando a una figura se le aplica un movimiento, produce otra figura de la misma forma y tamao
pero con distinta orientacin. Por su parte, las homotecias cambian el tamao de la figura, pero
conservan su forma y orientacin. Vamos a ver con ms detalle cada una de ellas.
4.7.1. Traslaciones en
R2 y R3
p~0 = p~ + d~
d~
P
x01
..
. =
x0n
x1
.. +
.
xn
d1
..
.
dn
x
Desde un punto de vista matricial, el movimiento de traslacin no corresponde con una
transformacin lineal.
Ejemplo 4.19. Sea el rectngulo con vrtices (1, 1), (3, 1), 3, 2) y (1, 2). Encontrar los valores
de sus nuevos vrtices, cuando se traslada la figura segn el vector de desplazamiento d~ = [3, 4].
y
x
Solucin: Desde un punto de vista computacional, las figuras se almacenan en memoria como
matrices de puntos. En nuestro caso, colocando los vrtices del rectngulo como vectores columna
se obtiene la siguiente matriz que define la figura:
1 3 3 1
P =
1 1 2 2
(Contina en la pgina siguiente)
39 Correspondiente
al grupo de simetras.
Clases de lgebra
164
d~
4.7.2. Rotaciones en
R2
Primeramente vamos a estudiar el efecto de una rotacin sobre un nico vector de 2 . Este proceso
se puede generalizar sobre un conjunto de vectores o puntos para calcular el efecto de una rotacin
sobre una figura plana cualquiera.
Dado un vector ~u = [ux , uy ] queremos encontrar las coordenadas que tendr si lo giramos un ngulo
de radianes40 , obtenindose un nuevo vector ~v = [vx , vy ].
y
~v
vy
~u
uy
vx
ux
Clases de lgebra
R2 y R3
165
= ux cos uy sen
= ux sen + uy cos
(4.3)
Esta matriz es ortogonal y la transformacin lineal que define es una transformacin lineal ortogonal,
cuyas propiedades se estudiaran en la Seccin 6.4, pgina 190.
Ejemplo 4.20. Sea el rectngulo con vrtices (1, 1), (3, 1), 3, 2) y (1, 2). Encontrar los valores
de sus nuevos vrtices, cuando se gira la figura un ngulo de 30 en sentido contrario a las agujas
del reloj, respecto al origen.
Solucin: La matriz correspondiente a este giro, teniendo en cuenta que 30 =
R
cos 6
sen 6
sen 6
cos 6
1/2
3/2
3/2
1/2
rad es:
Para calcular el movimiento de giro ms fcilmente, vamos a disponer los vrtices del rectngulo
como vectores columna de una matriz:
1 3 3 1
P =
1 1 2 2
Los nuevos vrtices transformados son:
3/2
1/2
1
T = R(P ) = R 6 P =
1
1/2
3/2
3
1
3
2
1
2
"
31
2
1+ 3
2
3 31
2
3+ 3
2
3 32
2
3+2 3
2
32
2
1+2 3
2
Clases de lgebra
166
4.7.3. Rotaciones en
R3
R
Las rotaciones bsicas sobre 3 son aquellas que se realizan sobre cada uno de los ejes de coordenadas
X, Y y Z. Cada una de estas rotaciones tiene asociada una matriz de rotacin, similar a la que se
obtuvo en la seccin anterior.
1
0
0
Rx = 0 cos sen
Rotacin sobre el eje X (plano Y Z) :
0 sen
cos
Rotacin sobre el eje Y (plano XZ) :
cos
Ry = 0
sen
cos
Rz = sen
0
0 sen
1
0
0 cos
sen 0
cos 0
0 1
Todas estas matrices de rotacin pertenecen al importante grupo de las matrices ortogonales, que
tienen bastantes propiedades y que se estudiaran en detalle en la Seccin 6.3, pgina 188.
Cualquier rotacin general en el espacio 3 se puede descomponer en una serie de rotaciones bsicas
sobre los ejes, mediante composicin de transformaciones lineales.
R2
~u
w
~
~p
x
d~
~v
La solucin de este problema se puede calcular fcilmente haciendo uso del vector proyeccin
ortogonal43 , p~.
~v = ~u + 2w
~ = ~u + 2(~
p ~u) = 2~
p ~u
(4.4)
41 Proceso
de trasladar o copiar todos los puntos de una figura a otra posicin equidistante de un objeto geomtrico
(punto, recta o plano.
42 Y por tanto con ecuacin y = dy x.
dx
43 Ver la Seccin 2.11, pgina 92.
Clases de lgebra
R2 y R3
167
En este caso el vector p~ corresponde con la proyeccin ortogonal del vector ~u sobre el vector director
~
de la recta d:
d~ ~u ~
d~ ~u ~
~v = 2~
p ~u = 2 proyd~(~u) ~u = 2
d ~u
d ~u = 2
(4.5)
~ 2
d~ d~
kdk
vx
vy
=2
dx ux + dy uy
~ 2
kdk
dx
dy
ux
uy
d2
d d
d d
d2
x y
x
2 kdk
~ 2 ux + 2 kdk
~ 2 uy ux
y
y
2 kxdk
~ 2 ux + 2 kdk
~ 2 uy uy
~v = T (~u) = A~u
vx
vy
d2
x
2 kdk
~ 2 1
d d
y
2 kxdk
~ 2
d2
y
2 kdk
~ 2
ux
uy
1
d d
y
2 kxdk
~ 2
(4.6)
La Ecuacin (4.6) no es necesario memorizarla y desde un punto de vista prctico interesa mucho ms
entender y conocer el proceso realizado para su obtencin, dado en la Ecuacin (4.4) y Ecuacin (4.5)
. Este proceso es general e independiente de la dimensin de espacio en que nos encontremos.
Ejemplo 4.21. Encontrar las matrices asociadas a las TL correspondientes a las reflexiones de
un vector ~u = [ux , uy ] de 2 sobre las siguientes rectas, encontrando las coordenadas del vector
reflectado ~v :
a) Eje x.
b) Eje y.
c) Recta y = x.
Solucin: Vamos a hacer uso de la matriz encontrada en la Ecuacin (4.6).
a) El eje x corresponde con la recta y = 0 que tiene por vector director d~ = [1, 0]. Por tanto
la matriz correspondiente a la TL que define la reflexin es:
1
0
ux
M=
= ~v = M~x =
0 1
uy
b) El eje y corresponde con la recta x = 0 que tiene por vector director d~ = [0, 1]. Por tanto
la matriz correspondiente a la TL que define la reflexin es:
1 0
ux
M=
= ~v = M~x =
0 1
uy
c) La recta y = x tiene por vector director d~ = [1, 1]. Por tanto la matriz correspondiente a
la TL que define la reflexin es:
0 1
uy
M=
= ~v = M~x =
1 0
ux
Clases de lgebra
168
Ejemplo 4.22. En 2 , encontrar las nuevas coordenadas del rectngulo con vrtices (1, 1),
(3, 1), 3, 2) y (1, 2), cuando se le realiza un movimiento de reflexin sobre la recta y = x.
Solucin: La recta y = x tiene por vector director d~ = [1, 1]. Por tanto la matriz
correspondiente a la TL que define la reflexin es:
0 1
M=
1 0
P 0 = T (P ) = M P =
0
1
1
0
1
1
3
1
3
2
1
2
1
1
1
3
2
3
2
1
R3
Como se ha comentado, el proceso seguido para obtener la Ecuacin (4.5) es vlido para cualquier
dimensin, de forma que se puede obtener, siguiendo los mismos pasos de la seccin anterior, la matriz
3 3 asociada a la TL de una reflexin de un vector ~u de 3 sobre una recta que pasa por el origen
con vector director d~ = [dx , dy , dz ] y el correspondiente vector reflejado ~v .
Desde un punto de vista operacional, resulta ms interesante realizar el proceso de clculo dado en
la Ecuacin (4.5) que calcular la matriz de reflexin y utilizarla para calcular el vector reflejado. Por
otra parte, la matriz de reflexin tiene mucho inters desde un punto de vista geomtrico.
Ejemplo 4.23. Calcular la reflexin del vector ~u = [1, 1, 1] de
x = 2t
y = t
z = 3t
R3 sobre la recta:
Solucin: El vector director de esta recta es d~ = [2, 1, 3], de forma que se tiene:
z
~u
Clases de lgebra
2
1
~
d ~u ~
[2, 1, 3] [1, 1, 1]
1 1 =
~v = 2
d ~u = 2
2
~
[2, 1, 3] [2, 1, 3]
kdk
3
1
~v
2
1
5
6
1
1
1 1 =
=
7
7
3
11
1
R2 y R3
169
R3
Al igual que se hizo en las reflexiones de vectores sobre rectas, tambin se puede determinar en
reflexin ~v de un vector ~u sobre un determinado plano que pasa por el origen44 .
R3 la
~n
p~
~y
~u
w
~
b
p~
~v
~n ~u
~n
~n ~n
(4.7)
R3 sobre el plano:
x + y 2z = 0
Solucin: En este caso el vector normal del plano es ~n = [1, 1, 2], de forma que aplicando la
Ecuacin (4.7) se tiene:
1
1
1
1
5
[1,
1,
2]
[1,
1,
1]
2
1
~n ~u
1 = 1 + 1 =
1
~v = ~u2
~n = 1 2
~n ~n
[1, 1, 2] [1, 1, 2]
3
3
1
1
2
2
1
4.7.7. Homotecias en
R2 y R3
1 0
d
..
.
0
.. = ...
P = T (P ) = HP
;
H = dI = d .
0
0
..
.
d
Si d > 1 corresponder con una expansin (aumento de tamao) y si 0 < d < 1 corresponder con
una compresin (disminucin de tamao).
44 Y
Clases de lgebra
170
Ejemplo 4.25. En 2 , encontrar las nuevas coordenadas del rectngulo con vrtices (1, 1),
(3, 1), 3, 2) y (1, 2) sometido a una homotecia de centro en el origen y razn 3.
Solucin: La matriz asociada a la TL de la homotecia es:
3 0
H=
0 3
Aplicando esta TL a la matriz de los vrtices del rectngulo se obtiene:
3 0
1 3 3 1
3 9 9
0
P = T (P ) = HP =
=
0 3
1 1 2 2
3 3 6
3
6
Siendo por tanto los nuevos vrtices (2, 2), (6, 2), (6, 4) y (2, 4) respectivamente.
y
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Clases de lgebra
TEMA
Bases
Contenido
5.1
5.2
Bases en n . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Coordenadas y Matriz asociada a una Base
Cambio de Base . . . . . . . . . . . . . . . . . . . .
5.2.1 Matriz de Cambio de Base . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
173
173
176
176
171
Clases de lgebra
Vector de Coordenadas
Coordenadas
Propiedades
Bases
Teoremas
Cambio de Base
172
TEMA 5: Bases
5.1. Bases en
Rn
173
5.1. Bases en
Rn
Recordatorio
Dado un sistema de vectores S, subconjunto de otro sistema de vectores V , S V , se dice
que S es un conjunto o sistema generador1 de V , si todo vector ~v V es linealmente
dependiente de S.
Una base2 de un conjunto de vectores V es un conjunto generador de V formado por vectores
linealmente independiente.
Al nmero de vectores que contiene cualquier base de un conjunto de vectores V se denomina
dimensin3 de V .
c1
[~x]B = ...
cm
c1
la
la
3 Ver la
4 Ver la
5 Ver la
2 Ver
Definicin
Definicin
Definicin
Definicin
Definicin
Clases de lgebra
174
TEMA 5: Bases
R2 .
3
1
1
3
1
3 10
10
0
20
40
c2 = 2
c1 = 4
[~x]B =
4
2
c) Tenemos que encontrar un vector ~u a partir de sus coordenadas dadas en la base B. Para
ello, basta con determinar el vector resultado de la combinacin lineal:
~u = PB [~u]B =
3
1
1
3
2
1
7
1
1
1
~u =
7
1
1
1
a
c
b
d
a+b=1
c + d = 1
a=1b=1t
a
a
b
1 1 0 0
b
1
b
=
t
=
=
c
0 0 1 1 c
1
c = 1 d = 1 s
d
d=s
d
Una posible solucin sera por ejemplo para t = s = 1:
PC =
Clases de lgebra
0
2
1
1
CW =
0
2
1
1
0
0 1 0
=
1 +t 0 +s 1
0
0
1
1
,
1
5.1. Bases en
Rn
175
R. Entonces:
Demostracin 5.1
Sean:
~x = (c1~v1 + + cn~v1 )
Las dos propiedades del Teorema 5.1 se pueden resumir en una sola7 :
[1~v1 + + n~vn ]B = 1 [~v1 ]B + + n [~vn ]B
Esto implica que las coordenadas de una combinacin lineal de vectores en una base determinada
coincide con la combinacin lineal de las coordenadas de los vectores en la misma base.
Teorema 5.2
En el espacio n las coordenadas de cualquier vector ~x
B = {~v1 , , ~vn }, se pueden obtener como:
c1
Rn
[~x]B = PB1 ~x
cn
6 Ver
Clases de lgebra
176
TEMA 5: Bases
Demostracin 5.2
Como en este caso la matriz PB es cuadrada y con vectores columna linealmente
independientes (por ser una base), siempre es invertible.
Muchas veces en la prctica interesa trabajar en un determinado sistema de coordenadas definido por
una determinada base. Vamos a ver como se realiza el cambio de base en espacios n .
1 2
1
2
1
c
1
0
= 1
c1 1 + c2 0 = 1
c2
0
1
1
1
0
Cuya solucin es c1 = 1, c2 = 1, por tanto el vector de coordenadas es: [~x]B = [1, 1]T
b) Con respecto a la segunda base CW = {~u1 , ~u2 } = {[1, 1, 0]T , [1, 1, 1]T } , tenemos que
resolver el sistema:
1
1
1
1
1
c
c1 1 + c2 1 = 1 1 1 = 1
c2
0
1
0 1
1
Cuya solucin es c1 = 0, c2 = 1, por tanto el vector de coordenadas es [~x]C = [0, 1]T .
Clases de lgebra
177
Rn de dimensin
~x W
Demostracin 5.3
Sea ~x W y [~x]B = [c1 , , ck ]T , entonces ~x = c1~v1 + + ck~vk , y por tanto:
c1
[~x]C = [c1~v1 + + ck~vk ]C = c1 [~v1 ]C + + ck [~vk ]C = [[~v1 ]C , , [~vk ]C ] ... = PCB [~x]B
ck
Toda matriz de cambio de base PCB en un subespacio vectorial de dimensin k, es una matriz
cuadrada e invertible de dimensin k k.
Ejemplo 5.3. Encontrar la matriz de cambio de base de B a C, PCB , correspondiente a las
bases del Ejemplo 5.2, y aplicarla al vector ~x = [1, 1, 1]T . Comprobar el resultado con el
obtenido en el Ejemplo 5.2.
Solucin: PCB = [[~v1 ]C , , [~vn ]C ]
1
1
1
c1
c
c1
1
Sol.
1
1 1
[~v1 ]C =
: PC [~v1 ]C = ~v1 =
= 1
=
c2
c2
c2
0
0 1
0
[~v2 ]C =
c1
c2
: PC [~v2 ]C = ~v2
1
1
2
c
c1
1
Sol.
1
1 1
0
=
=
=
c2
c2
1
0 1
1
1 1
PCB =
0 1
Comprobacin: segn la solucin del Ejemplo 5.2, el vector ~v en la base B es [~x]B = [1, 1]T .
Vamos a determinar su valor en la base C utilizando la matriz de cambio de base PCB .
1 1
1
0
[~x]C = PCB [~x]B =
=
0 1
1
1
que coincide con lo calculado en el Ejemplo 5.2.
La ventaja que tiene la matriz de cambio de base es que una vez obtenida, los vectores de coordenadas
se obtienen mediante una simple multiplicacin matriz-vector, sin necesidad de resolver ningn
sistema de ecuaciones lineales.
Clases de lgebra
178
TEMA 5: Bases
Teorema 5.4
Sean B = [~v1 , , ~vn ] y C = [~u1 , , ~un ] bases del espacio
cambio de base de B a C. Entonces:
1. PCB es la nica matriz M tal que: M [~x]B = [~x]C
Rn
~x
Rn .
2. PCB es invertible.
3. (PCB )1 = PBC .
Demostracin 5.4
1. Sea M una matriz con la propiedad M [~x]B = [~x]C para todo ~x n . Tomando ~x = ~ui ,
(i-sima componente de la base B), se tiene que [~x]B = [~ui ]B = ~ei y por tanto:
Teorema 5.5
Sean B = [~v1 , , ~vn ] y C = [~u1 , , ~un ] bases del espacio
PBC = (PB )1 PC
Clases de lgebra
Rn , entonces:
PCB = (PC )1 PB
Nota 5.1. Esta frmula slo es vlida para bases de espacios n , donde las matrices asociadas a las bases son cuadradas
e invertibles, y no para bases de subespacios W n , donde las matrices no son cuadradas y por tanto no invertibles.
Demostracin 5.5
Sea ~x n , entonces:
179
~x = PB [~x]B
~x = PC [~x]C
PB [~x]B = PC [~x]C
Ejemplo 5.4. La matriz de cambio de una base B a una base C de un subespacio W es:
1
1 1
1 1
PCB = 2
1 1 1
Sabiendo que expresados en la base cannica, los vectores de la base B son:
B = {~u1 = [1, 0, 1], ~u2 = [1, 1, 0], ~u3 = [0, 0, 1]}
encontrar los vectores de la base C = {~v1 , ~v2 , ~v3 }.
Solucin: La matriz de cambio de base cumple para cualquier vector ~x del subespacio:
[~x]C = PCB [~x]B
donde [~x]C y [~x]B son los vectores de coordenadas del vector ~x en las bases C y B respectivamente.
La matriz de cambio de base se puede obtener como:
PCB = [~u1 ]C [~u2 ]C [~u3 ]C
donde ~ui son los vectores de la base B. Por tanto, los elementos de la columna i de la matriz
PCB son los coeficientes de la combinacin lineal de los vectores ~vi de la base C para obtener
~ui .
1
1 1
~v1 + 2~v2 + ~v3 = ~u1
~v1 + ~v2 ~v3
= ~u2
1 1 =
PCB = 2
1 1 1
~v1 + ~v2 + ~v3
= ~u3
De forma matricial lo podemos expresar como:
1 1
1
~v1 ~v2 ~v3 2
1 1 = ~u1
1 1 1
donde ~v1
columnas.
8 Ver
~v2
~v3
~u1
~u2
~u3
~u2
~u3
Clases de lgebra
180
TEMA 5: Bases
~v1
~v2
~v3
~u1
~u2
~u3
1
2
1
1
1 1
1 1
1 1
(5.1)
Por tanto basta con calcular la inversa de la matriz PCB y multiplicarla por una matriz con
los vectores columna ~ui y se obtendr una matriz con los vectores columna ~vi .
Calculamos primero la matriz inversa:
1
1
1
1 0 0
1
1 1 1 0 0
F 2F1
0 1 1 2 1 0
2
1 1 0 1 0 2
F3 F1
1 1 1 0 0 1
0 2
0 1 0 1
1
F 1+F2
0
F3 2F2
0
0
0
1 1
0
2
1
2
3
1 0
1
F2
0
1 0
1
2 F3
2 1
0
1 0 0
F F3
0 1 0
2
0 0 1
1 1
~v1 ~v2 ~v3 = 0 1
1 0
Y por tanto la solucin es:
1
1/2
3/2
0
1
0
0 1
1
2
1 3/2
1
0
0 1/2
1
1/2
0
1
1
0
1/2
0 1/2
0 1/2 = 1/2
1
3/2 1
1/2
1/2
1
0
1
0
1 1/2
1
0
0
1/2
1/2
1/2
1/2
1
1/2
~v1 = 1/2 ; ~v2 = 0 ; ~v3 = 1/2
1/2
0
1/2
Ejemplo 5.5. Comprobar el resultado obtenido en el Ejemplo 5.4 para el vector ~u1 .
Solucin: El vector de coordenadas de ~u1 en la base B es [~u1 ]B = [1, 0, 0], ya que ~u1 es el
primer vector de dicha base. Entonces el vector de coordenadas de ~u1 en la base C es:
1
1 1
1
1
1 1 0 = 2
[~u1 ]C = PCB [~u1 ]B = 2
1 1 1
0
1
Por tanto, ~u1 se puede obtener por combinacin lineal de los vectores de la base C como:
1/2
1
1/2
1
~u1 = PC [~u1 ]C = ~v1 + 2~v2 + ~v3 = 1/2 + 2 0 + 1/2 = 0
1/2
0
1/2
1
Esto comprueba que los vectores ~vi estn bien calculados. De igual forma se podra comprobar
para ~u2 y ~u3 .
Clases de lgebra
TEMA
Ortogonalidad
Contenido
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
Ortogonalidad en n . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Conjunto Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.2 Vector Ortogonal a un Subespacio . . . . . . . . . . . . . . . . . .
Bases Ortogonales y Ortonormales . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Bases Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Bases Ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . .
Matrices Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1 Propiedades de las Matrices Ortogonales . . . . . . . . . . . . . .
TL Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5.1 Caractersticas del Complemento Ortogonal . . . . . . . . . . . .
6.5.2 Clculo del Complemento Ortogonal . . . . . . . . . . . . . . . .
6.5.3 Relaciones de Ortogonalidad entre los Subespacios de una Matriz
6.5.4 Dimensin del Complemento Ortogonal . . . . . . . . . . . . . . .
Proyeccin Ortogonal y Vector Perpendicular sobre Subespacios . . . . .
Teorema de la Descomposicin Ortogonal . . . . . . . . . . . . . . . . . .
Proceso de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . .
Factorizacin QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
183
183
184
185
185
187
188
189
190
190
191
191
192
194
195
197
198
199
181
Conj. Ortogonal
Clases de lgebra
Proceso de Gram-Schmidt
Cambio de Base
Propiedades
Matrices Ortogonales
Definicin
Calculo
Bases Ortogonales
Bases Ortonormales
Vector Ortogonal
a un Subespacio
Definicin
Propiedades
TL Ortogonales
Ortogonalidad
Definicin
Propiedades
Relacin con
Sub. Fund. Mat.
Complemento Ortogonal
Vec. Perpendicular
Definiciones
Teo. Descomp.
Ortogonal
Propiedades
Proy. Ortogonal
sobre Subespacios
Definicin
Clculo
Factorizacin QR
182
TEMA 6: Ortogonalidad
6.1. Ortogonalidad en
Rn
183
6.1. Ortogonalidad en
Rn
P
P
R
si i 6= j
i, j = 1, 2, , k
Nota 6.1. Desde el punto de vista geomtrico, los vectores de un conjunto ortogonal son mutuamente perpendiculares,
es decir el ngulo entre ellos es /2 rad = 90o .
Rn es un conjunto ortogonal.
R3
Solucin: Tenemos que demostrar que todo producto escalar entre vectores distintos del conjunto
es siempre cero.
~v1 ~v2 = 2 0 + 1 1 1 1 = 0
~v1 ~v3 = 2 1 1 1 1 1 = 0
~v2 ~v3 = 0 1 1 1 + 1 1 = 0
Teorema 6.1
Todo conjunto ortogonal de vectores no nulos {~v1 , , ~vk } de
independiente 3 .
Rn , es un conjunto linealmente
Demostracin 6.1
Siguiendo la definicin de conjunto linealmente independiente de vectores, vamos a
determinar qu escalares c1 , , ck verifican c1~v1 + + ck~vk = 0.
Para cualquier vector ~vi de un conjunto ortogonal se tendra:
Todos los productos (~vj ~vi ) son cero salvo para j = i, por tanto
ci (~vi ~vi ) = 0
ci = 0
ya que ~vi 6= ~0 y por tanto (~vi ~vi ) 6= 0. Como esta expresin es vlida para cualquier
i = 1, , k, implica que un conjunto ortogonal es un conjunto linealmente independiente.
1 Ver
Clases de lgebra
184
U
R
TEMA 6: Ortogonalidad
Teorema 6.2
Un vector ~v n es ortogonal a un subespacio W
los vectores que generan4 el subespacio.
Demostracin 6.2
Sea ~v n y un subespacio W n de dimensin dim(W ) = k con una base cualquiera
B = {~u1 , , ~uk }. Todo vector w
~ W se puede expresar entonces como:
w
~ = c1 ~u1 + + ck ~uk
Cualquier vector ~v
~v w
~ = ~v (c1 ~u1 + + ck ~uk ) = c1 (~v ~u1 ) + + ck (~v ~uk )
De forma que si:
~v ~ui = 0 ; 1 i k
Solucin:
x =
y =
z =
~v w
~ =0
R3
es ortogonal al subespacio
t
x
1
0
0
1
s
= y = t 0 + s 1 = BW = 0 , 1
t s
z
1
1
1
1
Claramente podemos observar que el vector ~v es ortogonal a los dos vectores de la base y por tanto
es ortogonal a W . Por otra parte, desde un punto de vista geomtrico, es fcil comprobar que ~v
es paralelo al vector normal al plano W , ~n = [1, 1, 1] y por tanto es perpendicular (ortogonal) a
todo vector del plano.
4 Es
Clases de lgebra
185
U
P
P
Rn es una base 6 de W
constituida por un
Ejemplo 6.4. En el Ejemplo 6.2, los tres vectores son ortogonales y por tanto son linealmente
independientes. Como adems su nmero (3) coincide con la dimensin 7 del espacio al que
pertenecen 3 , forman una base ortogonal de 3 .
Ejemplo 6.5. Encontrar una base cualquiera y una base ortogonal del subespacio W de
dado por:
W = [x, y, z] : x y + 2z = 0
R3
Solucin: Una base ser un conjunto linealmente independiente de n vectores que cumplan esa
ecuacin, donde n es la dimensin de W . Despejando x = y 2z y tomando los parmetros y = t
y z = s se tiene que el subespacio W formado por todos los vectores incluidos en el plano es:
x
t 2s
1
2
y=
t = t 1 + s 0 = t~v1 + s~v2
z
s
0
1
Como hay dos parmetros libre, se tiene8 que dim(W ) = 2. Como adems ~v1 y ~v2 son vectores
que pertenecen a W y son linealmente independientes (no paralelos), ambos forman una base
del subespacio W :
BW = {~v1 , ~v2 }
Esta base no es ortogonal ya que ~v1 ~v2 = 2 6= 0. Una base ortogonal se formar con dos vectores
que pertenezcan al plano y sean ortogonales. Sean esos vectores ~u1 = [a, b, c] y ~u2 = [d, e, f ],
entonces deben de cumplir:
= 0
a b + 2c
Cumplen la ec. del plano.
d e + 2f
= 0
ad + be + cf = 0
Ortogonalidad
Este es un sistema no lineal de 3 ecuaciones y 6 incgnitas, por lo puede tener infinitas soluciones.
Vamos a encontrar una solucin simple, fijando algunos valores y determinando el resto:
a = 1, b = 1
d = 1, e = 1
Ec. 1
c = 0
Ec. 3
f = 1
(Contina en la pgina siguiente)
5 Ver
Clases de lgebra
186
TEMA 6: Ortogonalidad
BW
1
1
= {~u1 , ~u2 } = 1 , 1
0
1
Teorema 6.3
Sea B = {~v1 , , ~vk } una base ortogonal de un subespacio W
sea ~x W . Entonces los escalares nicos9 c1 , , ck tales que,
Rn de dimensin k n y
~vi ~x
~vi ~vi
i = 1, , k
Demostracin 6.3
Como B es una base de W , existen los escalares nicos c1 , , ck tales que ~x = c1~v1 + +ck~vk ,
por tanto:
~vi ~x = ~vi (c1~v1 + + ck~vk ) = c1 (~vi ~v1 ) + + ci (~vi ~vi ) + + ck (~vi ~vk ) =
= 0 + + ci (~vi ~vi ) + 0 = ci (~vi ~vi )
ci =
~vi ~x
~vi ~vi
Ejemplo 6.6. En la segunda base (ortogonal) del Ejemplo 6.5, B = {~u1 , ~u2 }
{[1, 1, 0], [1, 1, 1]}, determinar el vector de coordenadas del vector ~x = [1, 1, 1] W .
Solucin:
c1 =
~u1 ~x
0
= =0
~u1 ~u1
2
c2 =
~u2 ~x
3
=
= 1
~u2 ~u2
3
Por tanto el vector de coordenadas es [~x]B = [0, 1], igual que el obtenido en el Ejemplo 5.2,
pero sin necesidad de resolver ningn SEL.
9 Estos
Clases de lgebra
187
Una base ortonormal es aquella que est formada por un conjunto ortonormal de
vectores.
Dada una base ortogonal 12 {~v1 , , ~vk } se puede obtener fcilmente una base ortonormal
{~u1 , , ~uk }, simplemente normalizando 13 cada uno de los vectores ~vi de la base.
~ui =
R
1
1
~vi =
~vi
k~vi k
~vi ~vi
Teorema 6.4
Sea B = {~u1 , , ~uk } una base ortonormal de un subespacio W
~x W entonces:
~x = (~u1 ~x)~u1 + + (~um ~x)~uk
Rn de dimensin k y sea
Demostracin 6.4
Trivial segn el Teorema 6.3 y teniendo en cuenta que cualquier vector ortonormal ~u cumple
Las bases ortogonales y ortonormales simplifican de forma considerable los clculos de cambios de
base14 .
10 Ver
la
la
12 Ver la
13 Ver la
14 Ver la
11 Ver
Clases de lgebra
188
TEMA 6: Ortogonalidad
U
!
Nota 6.2.
No se utiliza el trmino matriz ortonormal, aunque quizs sera ms intuitivo.
Es habitual utilizar la notacin Q para referirse a matrices ortogonales.
Teorema 6.5
Toda matriz ortogonal Qnn verifica:
QT Q = In
Demostracin 6.5
Si ~u, ~v n son vectores columna entonces16 :
~x ~y = ~xT ~y
Por tanto, el producto matricial QT Q corresponde con todos los posibles productos escalares
entre las columnas de Q. El resultado ser 1 si coinciden columnas iguales dando lugar a
los elementos de la diagonal, 0 si las columnas son distintas dando lugar al resto de los
elementos.
n = In
QT Q =
1 2
..
.
n
Teorema 6.6
Una matriz Q es ortogonal si y slo si:
Q1 = QT
15 Ver
16 Ver
Clases de lgebra
6.4. TL Ortogonales
189
Demostracin 6.6
Segn el Teorema 6.5, pgina 188, una matriz ortogonal Q verifica QT Q = In . Como
los vectores columna de Q son linealmente independientes17 existe Q1 , y por tanto
multiplicando ambas partes de la igualdad anterior por la inversa, Q1 = QT , se tiene:
QT Q = In
QT QQ1 = In Q1
| {z } | {z }
In
R
QT = Q1
Q1
Teorema 6.7
Los vectores fila de una matriz ortogonal Q forman un conjunto ortonormal de vectores.
Demostracin 6.7
QT = Q1
QQT = I
Sea Q
Demostracin
Si Q es ortogonal, QT Q = I, y por tanto se tiene:
Q~x Q~y = (Q~x)T Q~y = ~xT QT Q~y = ~xT I~y = ~xT ~y = ~x ~y
p
Clases de lgebra
190
TEMA 6: Ortogonalidad
6.4. TL Ortogonales
Rnn
~y
~x
~y = T (~x) =
cos
sen
sen
cos
~x
Esta TL es ortogonal ya que la matriz que define la transformacin es ortogonal (al ser los
vectores columna y fila ortogonales). Claramente, la rotacin preserva la longitud.
W = {~v
Rn
: ~v w
~ =0
Rn ortogonales20 a W se
w
~ W}
Ejemplo 6.8. Sean P y ` un plano y una recta en 3 que pasan por el origen21 . Si la recta
es perpendicular al plano (es decir, paralela al vector normal 22 al plano), entonces todo vector
~v ` es perpendicular a P y por tanto P = ` y ` = P.
18 Ver
Clases de lgebra
191
Rn . Entonces
W es un subespacio de Rn .
Sea W un subespacio de
(W ) = W .
W W = {~0}.
Si23 W = gen(w
~ 1, , w
~ k ), entonces ~v W sii ~v w
~ i = 0, i = 1, , k.
~v W sii ~v w
~ i = 0, i = 1, , k
Nota 6.3. En la Seccin 6.5.3, pgina 192 se ver una forma alternativa de encontrar el complemento ortogonal de
un subespacio vectorial, basado en las relaciones de ortogonalidad de los subespacios fundamentales de una matriz.
R4 ,
x1
x1 = x2 = s
x2
x2 = x4 = s
1 1 0 0
= t
=
x3 = t
x3
0 1 0 1
x4 = s
x4
1
0
0
+ s 1
0
1
0
1
x1 = x2 x4 = t s
0
0 1 0
x2 = t
=
1 1 0 1
x
3 =0
x4 = s
23 Ver
x1
1
x2
1
x3 = t 0
x4
0
+ s 0
0
1
Clases de lgebra
192
TEMA 6: Ortogonalidad
Una matriz A
Teorema 6.8
Sea A mn . Entonces25 :
[fil(A)] = ker(A)
Demostracin 6.8
Sea ~x n , entonces ~x (fil(A)) sii es ortogonal a cada fila de A, y esto es lo mismo
que A~x = ~0 y por tanto ~x ker(A).
Igual que antes, sustituyendo A por AT y teniendo en cuenta que fil(AT ) = col(A).
Toda matriz A
donde:
El dominio de T es X =
Rn .
Rm .
Rm .
25 Debido
[ker(A)] = fil(A)
Clases de lgebra
193
ker(AT )
ker(A)
TA
Rn
fil(A)
col(A)
Rm
Ejemplo 6.10. Resolver el anterior Ejemplo 6.9 teniendo en cuenta el Teorema 6.8.
Solucin: La definicin del subespacio W la podemos definir matricialmente como:
0
x1
x1 + x2 = 0
1 1 0 0
x2 = 0
W :
=
x2 + x4 = 0
0 1 0 1 x3 0
0
x4
Como hemos visto en el Teorema 6.8: [ker(A)] = fil(A), y como las dos filas de la matriz A
son linealmente independientes se tiene:
Bfil(A) = {[1, 1, 0, 0], [0, 1, 0, 1]}
Notar que esta solucin no es igual que la obtenida en el Ejemplo 6.9 aunque ambas son
perfectamente vlidas y corresponden a bases distintas del complemento ortogonal W .
1
1
0
3
1
1
4
5
2
w
~1 =
;
w
~
=
;
w
~
=
2
3
2
1
0
5
3
5
Calcular una base de W .
Clases de lgebra
194
TEMA 6: Ortogonalidad
1 1
0
3
1 1
2
4
A= 5
0 2 1
5
3
5
Del Teorema 6.8: W = (col(A)) = ker(AT )
1 3 5
0 5 0
1
1 2 2 3 0 0
[AT |~0] = 1
0 1 4 1 5 0
0
0
1
0
0
0
1
3
1
0
0
0
0
4
3
2
3
4
= t 2 + s
0 : t, s
1
0
0
1
3
4
3 1
= gen
2 , 0
1
0
0
1
Rn , entonces26 :
dim(W ) + dim(W ) = n
Sea la matriz A
mn
, entonces:
Ejemplo 6.12.
R4
dim(W ) + dim(W ) = 2 + 2 = 4 = n
En el Ejemplo 6.11 el subespacio W
cumplindose la ecuacin anterior:
dim(W ) + dim(W ) = 3 + 2 = 5 = n
Clases de lgebra
Rn con W
195
Si la base B es ortonormal
~
ui ~
ui = 1.
~
u1 ~v
~
uk ~v
proyW (~v ) = proyu
(~
v
)
+
+
proy
(~
v
)
=
~
u
+
+
~
uk = (~
u1 ~v ) ~
u1 + + (~
uk ~v ) ~
uk
1
~1
u
~k
~
u1 ~
u1
~
uk ~
uk
Nota 6.4.
Interpretacin Geomtrica
perpW (~v )
~v
p~1
~u1
W
p~2
~u2
proyW (~v )
base debe ser obligatoriamente ortogonal para que la frmula sea vlida.
la Seccin 2.11, pgina 92.
29 Ver la Seccin 2.11.2, pgina 95.
28 Ver
Clases de lgebra
196
TEMA 6: Ortogonalidad
Ejemplo 6.13. En
W
proyW (~v )
~n ~v
[1, 1, 2] [3, 1, 2]
4
~n =
[1, 1, 2] = [1, 1, 2]
~n ~v
[1, 1, 2] [1, 1, 2]
3
~u1 ~v
~u1 ~u1
~u1 +
~u2 ~v
~u2 ~u2
~u2
1
1
1
2/3
5/3
2
2
proyW (~v ) = 1 + 1 = 1 + 2/3 = 1/3
2
3
0
1
0
2/3
2/3
3
5/3
4/3
perpW (~v ) = 1 1/3 = 4/3
2
2/3
8/3
Notar que el vector perpW (~v ) es paralelo al vector normal al plano ~n = [1, 1, 2].
Clases de lgebra
197
~v = w
~ +w
~ = proyW (~v ) + perpW (~v )
Demostracin 6.9
w
~ +w
~ = proyW (~v ) + perpW (~v ) = proyW (~v ) + (~v proyW (~v )) = ~v
Ejemplo 6.14. En
subespacio vectorial:
x1 + x2
x1 + x4
= 0
= 0
x1 = x2 = t2
x1
1
0
x2
x2 = x4 = t2
1 1 0 0
1
1 0 0
= t1 0 +t2 1
x3
0
1
1 0 0 1
0 1 0 1
x3 = t 1
x4 = t 2
1
0
x4
Claramente la base BW = {~u1 , ~u2 } = {[0, 0, 1, 0], [1, 1, 0, 1]} ya es ortogonal. Calculamos ahora
la proyeccin ortogonal de ~v sobre W .
proyW (~v ) = proy~u1 (~v ) + proy~u2 (~v ) =
0
1
[0, 0, 1, 0] [1, 1, 1, 0]
0 + [1, 1, 0, 1] [1, 1, 1, 0] 1 = 1
=
0
[0, 0, 1, 0] [0, 0, 1, 0] 1
[1, 1, 0, 1] [1, 1, 0, 1]
2
0
1
0
0
=
1
0
1
1
perpW (~v ) = ~v proyW (~v ) = [1, 1, 1, 0] [0, 0, 1, 0] = [1, 1, , 0] =
2
2
0
0
w
~ =
1/2
0
1
1
w
~ =
1/2
0
w
~ W,
w
~ W
Clases de lgebra
198
TEMA 6: Ortogonalidad
Rn y definiendo:
~
u1 = x1
W1 = gen(x1 ) = gen(u1 )
~
u2 = perpW1 (~
x2 ) = ~
x2 proyW1 (~
x2 ) = ~
x2
x3 ) = ~
x3
x3 ) = ~
x3 proyW2 (~
~
u3 = perpW2 (~
~
u1 ~
x2
~
u1 ~
u1
~
u1 ~
x3
~
u1 ~
u1
~
u1
W2 = gen(x1 , x2 ) = gen(u1 , u2 )
~
u1
~
u2 ~
x3
~
u2 ~
u2
~
u2
W3 = gen(x1 , x2 , x3 ) =
= gen(u1 , u2 , u3 )
..
.
..
.
xm ) =
xm ) = ~
xm proyWm1 (~
~
um = perpWm1 (~
=~
xm
~
u1 ~
xm
~
u1 ~
u1
~
u1
~
um1 ~
xm
~
um1 ~
um1
~
um1
Wm = gen(x1 , . . . , xm ) =
= gen(u1 , . . . , um )
Entonces para cada i = 1, , m el conjunto de vectores {~u1 , , ~ui } forma una base ortogonal del
espacio Wi . En particular el conjunto {~u1 , , ~um } es una base ortogonal de Wm = W .
Ejemplo 6.15. Encontrar una base ortogonal de
Solucin: Para poder aplicar el proceso de Gram-Schmidt necesitamos partir de una base
cualquiera, por tanto elegimos dos vectores ~x2 y ~x3 que no sean paralelos entre ellos ni entre ~x1 .
Por ejemplo ~x2 = [0, 1, 0] y ~x3 = [0, 0, 1].
Ahora aplicamos Gram-Schmidt a esta base:
1
~u1 = ~x1
=2
3
~u2 = ~x2
~u3 = ~x3
0
0
1
~
u1 ~
x2
~
u1 ~
u1
~
u1 ~
x3
~
u1 ~
u1
0
~u1 = 1
0
1
3
2
14
3
~u1
~
u2 ~
x3
~
u2 ~
u2
1
3
5
35
3
1
1/7
1
2
2
= 5/7 = 5
14
3/7
3
3
~u2 =
3/10
3
0 = 0
=
1/10
1
Por tanto, {~u1 , ~u2 , ~u3 } es una posible base ortogonal para 3 que contiene al vector [1, 2, 3].
Normalizando estos vectores se podra obtener una base ortonormal de 3 .
Clases de lgebra
6.9. Factorizacin QR
199
6.9. Factorizacin QR
Demostracin 6.10
Sean ~c1 , , ~cn los vectores columna de la matriz Amn y sean ~q1 , , ~qn los vectores
ortonormales obtenidos al aplicar el proceso Gram-Schmidt a los vectores columna35 de A y
posterior normalizacin.
Entonces, existen escalares ij y rij tales que:
~q1 = 11~c1
..
..
.
.
A=
~c1 ~c2
~cn
~q1
~q2
~qn
r11
0
..
.
r12
r22
..
.
r1n
r2n
..
.
rnn
= QR
La matriz R se puede obtener fcilmente una vez determinada Q, ya que al tener columnas
ortogonales36 , QT Q = In y por tanto:
A = QR
QT A = QT QR
R = QT A
30 Para
Clases de lgebra
200
TEMA 6: Ortogonalidad
!
!
Nota 6.5. La factorizacin QR se puede extender a matrices arbitrarias (no necesariamente con columnas linealmente
independientes), mediante una forma ligeramente modificada, utilizando matrices de Householder.
Nota 6.6. Cuando el proceso de Gram-Schmidt se implementa en un ordenador, los errores de redondeo propios del
clculo, generan una prdida de ortogonalidad de los vectores, que puede llegar a ser una importante causa de errores.
En la prctica se suele utilizar una versin modificada de la factorizacin QR mostrada aqu, para minimizar estos
errores de redondeo.
1 1
1
4
A=
1
2
1
1
Solucin: Claramente los dos vectores columna de la matriz son linealmente independientes y
por tanto s es posible realizar la descomposicin QR de la matriz. Vamos a seguir los pasos
dados en la Demostracin 6.10.
1. Ortogonalizar los vectores columna de la matriz mediante el proceso de Gram-Schmidt.
~u1 = ~v1 = 1 1 1 1
~u1 ~v2
~u2 = ~v2
~u1 = 1
~u1 ~u1
1 1 1 1 1 4 2 1
2 1
1
1 1 1 1 1 1 1 1
5 5 1
1
=
2 2 2
2
1/2 5/52
1/2
5/52
Q = ~u1 ~u2 =
1/2
1/52
1/2 1/ 52
37 Ver
38 Ver
Clases de lgebra
6.9. Factorizacin QR
201
R = QT A =
1/2
5/ 52
1/2
5/ 52
1/2
1/2
1/ 52 1/ 52
1
1
1
1
1
2
4
=
2
0
1
3
13
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Mnimos Cuadrados
Contenido
7.1
7.2
7.3
7.4
7.5
7.6
7.7
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . .
Mejor Aproximacin . . . . . . . . . . . . . . . . . . . . . . .
Aproximacin mediante Mnimos Cuadrados . . . . . . . . .
Mnimos Cuadrados mediante la Factorizacin QR . . . . . .
Error en la Aproximacin por Mnimos Cuadrados: Residuos
Ajuste de Datos mediante Mnimos Cuadrados . . . . . . . .
7.6.1 Ejemplos de Problemas . . . . . . . . . . . . . . . . .
Resumen de Frmulas de Mnimos Cuadrados . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
205
205
206
210
212
213
217
221
203
Clases de lgebra
Teorema
Teorema
Ec. Normales
Mejor Aproximacin
Aplicaciones
Error
Mnimos Cuadrados
Factorizacin QR
204
TEMA 7: Mnimos Cuadrados
7.1. Introduccin
205
7.1. Introduccin
En este tema se presenta una aplicacin muy importante de las ideas vistas sobre el complemento
ortogonal 1 y la proyeccin ortogonal 2 sobre subespacios vectoriales vistos en el tema anterior.
w
~ W con w
~ 6= p~
~v
k~v ~pk
R R
p~
W
w
~
R
Demostracin 7.1
~v
k~v ~pk
p~
W
w
~
1 Ver
Clases de lgebra
206
Ejemplo 7.1. Sea W el plano en 3 con ecuacin xy +2z = 0, y sea ~v = [3, 1, 2]. Encontrar
la mejor aproximacin de ~v en W y la distancia eucldea desde ~v hasta W .
Solucin: La mejor aproximacin de ~v en W ser el vector proyW (~v ) calculado en el
Ejemplo 6.13.
5/3
proyW (~v ) = 1/3
2/3
4/3
perpW (~v ) = 4/3
8/3
por tanto:
d = kperpW (~v )k =
16 16 64
+
+
=
9
9
9
96
4 2
=
9
3
El SEL A~x = ~b, siempre tiene al menos una solucin de mnimos cuadrados ~s
que viene dada por las denominadas ecuaciones normales:
Rn
AT A~s = AT ~b
Si la matriz A tiene vectores columnas linealmente independientes entonces la matriz
AT A es invertible y la solucin de mnimos cuadrados es nica, dada por:
~s = (AT A)1 AT ~b
Clases de lgebra
207
Demostracin 7.2
El vector de la im(A) = col(A) ms cercano a ~b, segn el Teorema 7.1, es la solucin del
problema de mnimos cuadrados, siendo la proyeccin ortogonal del vector ~b sobre col(A):
A~s = proycol(A) (~b)
En lugar de calcular primero el vector proyeccin y despus resolver el SEL anterior, vamos
a utilizar una forma ms eficiente de resolverlo. Como el vector:
~b A~s = ~b proy
~
~
col(A) (b) = perpcol(A) (b)
es ortogonal a col(A), entonces para cualquier vector columna ~ci de A, se tiene:
~ci (~b A~s) = ~ciT (~b A~s) = 0
De forma matricial se puede expresar como:
AT (~b A~s) = ~0
AT ~b AT A~s = ~0
AT A~s = AT ~b
Este SEL se conoce con el nombre de ecuaciones normales. Para que la solucin sea nica,
el rango de la matriz AT A debe ser n (nmero de incgnitas del SEL) y entonces segn
el Teorema 3.7, pgina 132, las columnas de A son linealmente independientes, siendo la
solucin:
~s = (AT A)1 AT ~b
Ejemplo 7.2. Encontrar una solucin de mnimos cuadrados para el sistema incompatible
A~x = ~b, donde:
3
1
5
~b = 2
;
A = 2 2
5
1
1
Solucin: Tenemos que resolver el sistema (ecuaciones normales) AT A~s = AT ~b, de forma que:
1
5
1
2
1
6 0
T
2 2 =
A A=
5 2
1
0 30
1
1
AT ~b =
1
5
2 1
2
1
3
2
2=
16
5
~s =
p1
p2
1/3
8/15
Como las columnas de A son claramente linealmente independientes, por el Teorema 7.2, la
solucin de mnimos cuadrados es nica.
Clases de lgebra
208
Ejemplo 7.3. Encontrar una solucin de mnimos cuadrados para el sistema incompatible
A~x = ~b, donde:
1
1
0 1
0
1 1 0
~b =
;
A~x = ~b ;
A=
1
1
1 0
1
1 1 0
Solucin: Las ecuaciones normales AT A~s = AT ~b son en
1
0
1
1 1
1
1
1
T
1 1
A A = 0 1
1
1
1
0
0
0
1 1
1
AT ~b = 0
1
1
1 1
1
1
0
1
1 1
0
=
1
0
0
0
1
1
Resolviendo el SEL
4 3 1
3
3 0
1
0 1
por Gauss:
1
1 0 1
0 3 3 0
1 0 1
1
este caso:
1
4 3 1
0
3 0
= 3
0
1
0 1
0
3 1
p1
1
3 0 p2 = 0
0 1
p3
1
4
3
1
1
1 0 1
0 3 3 0
0 0 0
1
1
1
0 0
0
0
p1
p2
~s =
p3
=
=
=
1t
1t
t
0
3
0
1
3
0
1
3
0
Esto es consecuencia de que la matriz A tiene vectores columna linealmente dependientes, y por
tanto segn el Teorema 7.2 existe la solucin de mnimos cuadrados, pero en este caso no es
nica.
Ejemplo 7.4. Dar la solucin de mnimos cuadrados del siguiente SEL compatible determinado:
1 1
1
~
~
A~x = b ;
A=
;
b=
1
2
7
Solucin: Las ecuaciones normales AT A~s = AT ~b, son de la forma:
1 1
1 1
2 1
1
AT A =
=
; AT ~b =
1 2
1
2
1 5
1
2
1
1
5
p1
p2
8
13
~s =
p1
p2
1
2
1
8
=
7
13
3
=
2
Clases de lgebra
209
1
1
1
2
1
7
1
3
1
0
1
6
x2 = 6/3
x1 = 1 + x2
= 2
= 3
a + 5b =
2a 2b =
a +
b =
3
1
2
2
=
5
1
5
3
a
2
=2
b
1
5
z
b
b
z=
1
8
x+ y
3
15
Determinar el vector de 3 perteneciente al plano definido por los vectores ~v1 = [1, 2, 1]
y ~v2 = [5, 2, 1] que es ms cercano al vector ~u = [3, 2, 5].
Como ~v1 y ~v2 son linealmente independientes, definen un plano W y el vector buscado de
este plano se puede definir como combinacin lineal de ~v1 y ~v2 :
1
5
3
1
5
3
2 2 a = 2
a~v1 + b~v2 = ~u ;
a 2 + b 2 = 2
=
b
1
1
5
1
1
5
Segn la solucin anterior se tiene entonces a = p1 y b = p2 y el vector buscado es:
1
5
3
8
1
8
1
2 = 2/5
2+
~v = ~v1 + ~v2 =
3
15
3
15
1
1
1/5
Clases de lgebra
210
~u
~v2
p~
x
~v1
y
En la prctica, las ecuaciones normales que aparecen en muchos problemas de mnimos cuadrados
estn mal condicionadas, lo cual significa que los errores numricos que se producen en las operaciones
matemticas del mtodo (Gauss, Gauss-Jordan, etc.) como consecuencia de la utilizacin de un
ordenador6 en su resolucin, se van acumulando y pueden producir grandes errores en la solucin
final del problema.
La factorizacin 7 QR produce un mtodo de resolucin que mejora sensiblemente la precisin de
los resultados8 , aunque tiene un coste computacional superior.
No obstante, la obtencin de la factorizacin QR a travs del mtodo de ortogonalizacin de GramSchmidt9 aplicado a las columnas de la matriz A, es un mtodo inestable numricamente.
Existen mtodos alternativos10 para obtener la descomposicin QR que evita este problema, pero
incrementa considerablemente el coste computacional.
Por otra parte, la utilizacin del mtodo QR en la resolucin del mtodo de los mnimos cuadrados,
tiene el inconveniente que slo es aplicable cuando la matriz de coeficientes A tiene vectores columnas
linealmente independientes11 .
Vamos a ver a continuacin en que consiste este mtodo.
5 Debidas
Clases de lgebra
Teorema 7.3
Sea A mn con columnas linealmente independientes 12 y sea ~b m . Si A = QR es
una factorizacin QR de A, entonces la nica solucin del problema de mnimos cuadrados
A~x = ~b viene dada por:
A~x = ~b
211
QR~s = ~b
R~s = QT ~b
~s = R1 QT ~b
Demostracin 7.3
La solucin de mnimos cuadrados es:
AT A~s = AT ~b
Si A = QR entonces:
(QR)T (QR)~s = (QR)T ~b
RT QT QR~s = RT QT ~b
RT R~s = RT QT ~b
Como R es invertible, multiplicando por la izquierda ambas partes de la igualdad por (RT )1
se obtiene:
R~s = QT ~b
En la prctica y teniendo en cuenta que la matriz R tiene forma triangular, resulta mucho ms
sencillo resolver el SEL:
R~s = QT ~b
por el mtodo de sustitucin hacia atrs, que calcular R1 y despus ~s = R1 QT ~b.
Ejemplo 7.6. Encontrar la solucin de mnimos cuadrados del Ejemplo 7.2 utilizando la
factorizacin QR de la matriz A.
1
5
3
~b = 2
A = 2 2
;
1
1
5
Solucin: Como se vio en Seccin 6.9, para calcular la factorizacin QR de una matriz se necesita
ortonormalizar los vectores columna de A mediante el mtodo de Gram-Schmidt Llamando ~vi a
los vectores columna de A y ~ui a los nuevos vectores ortogonales, se tiene:
~u1 = ~v1 = 61 1 2 1
1/6
5/30
Q = ~u1 ~u2 = 2/6 2/30
~u2 = ~v2 ~u1 ~v2 ~u1 = 5 2 1
~u1 ~u1
1/ 6
1/ 30
12 Lo
Clases de lgebra
212
1/
2/
6
6 1/
6
5/ 30 2/ 30 1/ 30
1
2
1
5
6
2 =
0
1
0
30
Finalmente, la solucin de mnimos cuadrados vendr dada mediante la solucin del sistema:
3
p
6
0
1/
6
2/
6
1/
6
2/
6
1
T~
2 =
=
R~s = Q b ;
p2
30
0
5/ 30 2/ 30 1/ 30
16/ 30
5
s1
s2
1/3
8/15
Esta solucin coincide con la obtenida mediante las ecuaciones normales en el Ejemplo 7.2.
siendo la mejor aproximacin al problema15 . En funcin de cada caso particular, este valor puede
resultar una buena o mala aproximacin del problema. Para determinar la calidad de esta aproximacin
particular, estamos interesados en calcular los errores cometidos en cada una de las variables cuando se
utiliza la aproximacin ~s en lugar de la solucin exacta16 ~x. Estos errores se pueden expresar en forma
vectorial mediante un vector de errores, ~e, denominado tambin vector de residuos, de la siguiente
forma17 :
~e = ~b A~s
Cada una de las coordenadas de ~e = [e1 , em ] corresponde con los errores o residuos cometidos en
cada una de las incgnitas ~x = [x1 , xm ]. Desde un punto de vista prctico interesa determinar un
nico error global que cuantifique la calidad de la aproximacin, y ste se puede obtener calculando
la norma 18 del vector de residuos:
e = k~ek = k~b A~sk = k~b proycol(A) (~b)k = kperpcol(A) (~b)k
13 Ver
Clases de lgebra
213
El mtodo de mnimos cuadrados busca una solucin ~s que minimiza la norma eucldea del vector
de residuos (errores) definido por:
q
=
k~ek2 = e21 + + e2n
k~ek = e21 + + e2n
y por tanto, minimiza la suma de los cuadrados de los errores, de ah el nombre de mnimos
cuadrados.
Ejemplo 7.7. Encontrar los errores cometidos (residuos) en la aproximacin de mnimos
cuadrados del Ejemplo 7.2 y calcular el valor del error global. En base a ellos, determinar si
es una buena o mala aproximacin.
1
5
3
p1
1/3
~
2 2
~s =
A=
=
;
b= 2
;
p2
8/15
1
1
5
Solucin:
3
1
~e = ~b A~s = 2 2
5
1
5
0
1/3
2
= 14/5
8/15
1
24/5
Este valor indica que el error cometido en la aproximacin es considerablemente alto. Podemos
estimar el error relativo n cada ecuacin dividiendo los trmino bi entre los correspondientes ei
y multiplicando por 100, obtenindose 0% en la primera ecuacin, 71% en la segunda ecuacin
y 100% en la tercera ecuacin. Se puede observar que el error global es un valor promedio (en
tanto por uno) de los errores relativos. En funcin de la naturaleza del problema, estos altos
errores podran indicar una revisin del planteamiento del problema en busca de unos mejores
resultados.
El mtodo de los mnimos cuadrados es una tcnica matemtica ampliamente utilizada en el campo
de la ingeniera. Una de las aplicaciones ms extendidas es en el ajuste de datos a curvas, superficies,
etc.
Definicin 7.4 (Ajuste de Datos)
El ajuste de datos consiste en encontrar una determinada funcin que aproxime a unos
determinados datos.
El error del ajuste determinar la precisin del ajuste.
Hay diferentes tcnicas para realizar el ajuste de datos, siendo la ms ampliamente utilizada el
mtodo de los mnimos cuadrados.
Clases de lgebra
214
R2
Dado un conjunto de datos (x, y) R2 , normalmente dados en forma de tabla, se pide encontrar la
recta que mejor ajuste a estos datos. En este caso la familia de funciones ser:
y = f (x) = a + bx
siendo a y b los parmetros a determinar.
b b
2
1
b
b
x
x1
..
.
y
y1
..
.
xn
yn
y = a + bx
Sustituyendo cada uno de los pares (xi , yi ) de la tabla en la familia de funciones se obtiene el SEL,
siendo los parmetros a y b las incgnitas a determinar.
a + bx1 = y1
1 x1
y1
a + bx2 = y2
y
1 x2
a
2
..
..
A~x = ~b
=
..
.. b = ..
.
.
.
.
a + bxn = yn
1 xn
yn
Claramente si la tabla tiene ms de dos datos, el SEL ser incompatible y no tendr solucin19 .
Tendremos que buscar entonces la mejor solucin de mnimos cuadrados para encontrar la funcin,
perteneciente a la familia de funciones, que mejor ajuste a los datos dados.
Como siempre existe al menos una solucin de mnimos cuadrados20 , siempre existir al menos una
funcin de ajuste. El problema es que esta funcin no siempre ser una buena solucin del problema.
Para determinar la calidad del ajuste es necesario calcular los errores del problema de mnimos
cuadrados. Calculando el vector de errores 21 ~e = [e1 , ..., en ] tendremos:
Cada error individual ei representa el error cometido en cada ecuacin y geomtricamente se
puede interpretar como la menor distancia del punto (xi , yi ) a la funcin de ajuste.
El error global e = k~ek da la norma del vector error y representa la acumulacin de los errores
en todos los puntos, siendo un indicador de la calidad global del ajuste.
19 Lo cual indica que no existe ninguna funcin de la familia de funciones propuestas que pase o contenga a todos los
datos de la tabla.
20 Ver el Teorema 7.2, pgina 206.
21 Ver la Seccin 7.5, pgina 212.
Clases de lgebra
215
R2
Parbola en
Este caso es anlogo al ajuste de rectas, cambiando nicamente la familia de funciones del ajuste,
siendo en este caso:
y = f (x) = a + bx + cx2
con a, b y c los parmetros del ajuste (incgnitas a determinar).
b
b3
a + bx1 + cx21
a + bx2 + cx22
.
..
a + bxn + cx2n
Polinomio General en
= y1
= y2
..
.
= yn
R2
x
x1
..
.
y
y1
..
.
xn
yn
1
1
..
.
x1
x2
..
.
xn
y = a + bx + c2
x21
x22
b =
c
2
xn
y1
y2
..
.
yn
A~x = ~b
Se puede utilizar un polinomio de cualquier grado para el ajuste, siendo el procedimiento a seguir
anlogo a los anteriores.
b
2
1
c0 + c1 x1 + + cm xm
c0 + c1 x2 + + cm xm
2
..
c0 + c1 xn + + cm xm
n
= y1
= y2
..
.
= yn
x
x1
..
.
y
y1
..
.
xn
yn
1
1
..
.
x1
x2
..
.
xn
y = c0 + c1 x + + cm xm
xm
1
xm
2
xm
n
c0
c1
..
.
cm
y1
y2
..
.
yn
A~x = ~b
Naturalmente algunos polinomios darn un mejor ajuste que otros, pudindose determinar su calidad
mediante el clculo de los errores de mnimos cuadrados. De forma general, al aumentar el grado del
polinomio, (mayor nmero de parmetros de ajuste), disminuir el error cometido en el ajuste, pero
no necesariamente aumentar la calidad del ajuste. Esto se debe a que al aumentar el grado de un
polinomio aumentan las oscilaciones en su grfica, obtenindose resultados no deseados.
En un ajuste polinmico se buscar siempre el polinomio de menor grado que mejor ajuste a los
datos.
Clases de lgebra
216
Plano en
R3
Este es el caso ms sencillo de ajuste de datos en 3D. Dado un conjunto de puntos (xi , yi , zi ) queremos
encontrar el plano que mejor los ajusta:
z = f (x, y) = a + bx + cy
Siguiendo el planteamiento de los casos anteriores se obtendra el correspondiente SEL del ajuste.
z
b
b
x
b
a + bx1 + cy1
a + bx2 + cy2
..
a + bxn + cyn
Superficie Cuadrtica en
= z1
= z2
..
.
= zn
R3
1
1
x
x1
..
.
y
y1
..
.
z
z1
..
.
xn
yn
zn
x1
x2
..
.
xn
z = a + bx + cy
y1
y2
b =
c
yn
z1
z2
..
.
zn
A~x = ~b
El ajuste se puede realizar a una superficie ms general como por ejemplo una superficie cuadrtica o
cudrica (elipsoide, paraboloide e hiperboloide).
z
6.0
b
5.0
4.0
b
3.0
2.0
-1.0
1.0
-1.0
1
..
.
1
Clases de lgebra
y
y1
..
.
z
z1
..
.
xn
yn
zn
z = a + bx + cy + dx2 + ey 2 + f xy
1.0
2.0
1.0
-1.0
x
x1
..
.
x1
..
.
xn
2.0
a
z1
2
2
y1 x1 y1 x1 y1
..
..
..
.. b = z2
.. ..
.
.
.
.
. .
yn x2n yn2 xn yn
f
zn
=
=
..
.
z1
z2
..
.
zn
A~x = ~b
217
Rm
Se puede realizar un ajuste de datos en cualquier dimensin espacial, aunque para dimensiones altas
no existir una interpretacin geomtrica del problema.
El caso ms sencillo corresponde al ajuste de n datos (x1 , ..., xm ) m a un hiperplano:
x2
x12
..
.
xm
x1m
..
.
y
y1
..
.
xn1
xn2
xnm
yn
c0 + c1 x11 + + cm x1m
c0 + c1 x21 + + cm x2m
..
c0 + c1 xn1 + + cm xnm
y = c0 + c1 x1 + + cm xm
=
=
..
.
y1
y2
..
.
yn
1
1
..
.
x11
x21
..
.
x1m
x2m
..
.
xn1
xnm
c0
c1
..
.
cm
y1
y2
..
.
yn
A~x = ~b
En todos los casos la solucin de mnimos cuadrados del problema puede obtenerse mediante la
solucin del sistema de las ecuaciones normales 22 :
AT A~s = AT ~b
A~s ~b
2
1
1
0
1
1
R2
2
1
y = a + bx
siendo a y b los parmetros a determinar. El sistema de ecuaciones lineales correspondiente es
en este caso:
a 2b =
1
1 2
1
1 1 a
0
ab =
0
;
=
;
A~c = ~b
1
a+b =
1
1
1
b
a + 2b = 1
1
2
1
22 Ver
Clases de lgebra
218
a
b
1/4
3/10
y=
3
1
x
4 10
Ejemplo 7.9. Realizar una interpretacin grfica del Ejemplo 7.8 y calcular el error cometido
en el ajuste.
Solucin:
1
b
1
1
3/20
11/20
~e = ~b A~s =
21/20
13/20
error = k~ek =
37
1.36
20
1
1
1
1
1
1
1
1
Determinar cul de las dos curvas siguientes es ms apropiada para representarlos, teniendo en
cuenta el posible error de cada uno de los ajustes.
a) y = a +
b
x
b) y = a + bx2
Solucin: Vamos a calcular cada uno de los ajustes y sus correspondientes errores.
(Contina en la pgina siguiente)
23 Valores
Clases de lgebra
219
ab =
ab =
a+b =
a+b =
1
1 1
1
1 1 a
1
1
;
A~x = ~b
;
=
1
1
1
1
b
1
1
1
1
Notar que hay dos datos que se repiten. Esto puede ser habitual en muchos casos prcticos
y es importante recordar que siempre hay que considerar todos los datos, se repitan o no24 .
La solucin de mnimos cuadrados se puede encontrar resolviendo las ecuaciones normales:
4 0
2
T
T~
;
A b=
;
AT A~s = AT ~b
A A=
0 4
2
cuya solucin es:
a
b
1/2
1/2
1
1
y1 = +
2 2x
0
0
~e1 = ~b A~s =
1
1
error1 = k~e1 k =
2 1.41
2
1
1
b
1
Observar como la curva (en azul) pasa justamente por el punto (1, 1), ya que tiene ms
importancia que el resto, al aparecer repetido dos veces en los datos.
(Contina en la pgina siguiente)
24 Desde
un punto de vista prctico, el hecho de que se repitan datos puede corresponder, por ejemplo, a distintos
experimentos en los que se repiten condiciones y resultados. Cuantas ms veces se repitan, ms importantes sern esos
datos ya que se tiene una mayor seguridad sobre la veracidad de los mismos, y por tanto, en el sistema de ecuaciones
tienen que aparecer tantas veces como corresponda.
Clases de lgebra
220
a + b = 1
1 1
1
1 1 a
1
a + b = 1
;
A~x = ~b
;
=
1
a + b = 1
1
1
b
a+b =
1
1
1
1
a
b
1/2 t
t
y2 =
1
+ t + tx2
2
correspondientes a una familia de parbolas25 que ajustan a estos datos con error mnimo26 .
El error en todos estos casos es:
0
0
~e1 = ~b A~s =
1
1
error1 = k~e1 k =
2 1.41
2
1
1
b
1
t = 1
1
b
t=0
t = 2
(Contina en la pgina siguiente)
25 Para
26 Siendo
Clases de lgebra
221
el segundo de tipo parablico, tienen el mismo error, 2, y por tanto podra resultar ms
apropiada la curva ms simple, que corresponde al segundo caso con valor del parmetro
t = 0, la cual como hemos visto es una recta horizontal.
Solucin
Aprox. Min.
Cuadrados
A~x = ~b
Sol. QR
A~
p ~b
Error
R~s = ~bQT
e21 + + e2n
Nota 7.1. Existen otros procedimientos de clculo en la determinacin del problema de mnimos cuadrados. En el
Tema 9 se ver uno de ellos.
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Ec. Normales
: A~s = proycol(A) (~b) AT A~s = AT ~b
27 Determinados problemas reales pueden imponer una determinada funcin al ajuste debido a las leyes fsicas que
rigen el problema.
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Autovalores y Autovectores
Contenido
8.1
8.2
8.3
8.4
8.5
8.6
8.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
225
227
227
228
230
232
234
235
236
236
236
238
241
243
245
246
249
250
251
252
223
Clases de lgebra
Int. Geomtrica
Clculo
Autoespacios
Definiciones
Mat. Inversa
Potencia Mat.
Teoremas
Propiedades
Mat. Semejantes
Semejanza
Mat. Diagonalizable
Autovalores y Autovectores
Teorema
Auto. Reales
Teo. Espectral
Diag. Ortogonal
Desc. Espectral
Teo. Diagonalizacin
Diagonalizacin
224
TEMA 8: Autovalores y Autovectores
225
R22 , A R22 y
Entonces:
x, y
~x1
~x2
~x3
..
.
=
=
=
~xn
~xi
A~x0
A~x1
A~x2
..
.
A~xn1
t
0
1
..
.
xi
x0
x1
..
.
yi
y0
y1
..
.
xn
yn
3
2
1
b
b
b
b
b
b
y
b
Por otra parte, tambin se pueden obtener los valores temporales x(t) de la siguientes forma:
~x0
~x1
~x2
~x3
..
.
~xn
= A~x0
= A~x1 = AA~x0 = A2 ~x0
= A~x2 = AA2 ~x0 = A3 ~x0
..
.
Lo cual demuestra que en todo sistema dinmico discreto con una matriz A fija, la evolucin del
sistema depende nicamente del estado inicial ~x0 .
Es interesante conocer la evolucin a tiempos grandes y para ello ser necesario calcular An , cuestin
complicada si A es grande2
1 Si
Clases de lgebra
226
= ~v
= A~x0 = A~v = ~v
= A~x1 = A~v = A~v = 2~v
..
.
=
=
=
~v1 + ~v2
A~x0 = A(~v1 + ~v2 ) = ~v1 + ~v2
A~x1 = A(~v1 + ~v2 ) = 2~v1 + 2~v2
..
.
Nota 8.1. Si la matriz A fuera de orden m, se necesitaran m vectores linealmente independientes con estas propiedades
especiales y la potencia An se transformara en la suma de m potencias escalares.
Este tipo de situaciones se producen con bastante asiduidad en la prctica y se utilizan tcnicas de
este estilo para resolver problemas de forma analtica y numrica5 .
3 Ver
Clases de lgebra
227
K
K
A~v = ~v
Al vector ~v se le denomina autovector o vector propio8 de A correspondiente o asociado
al autovalor , y viceversa.
A~v = ~v
T (~v ) = A~v = ~v
~v
A(~v ) = (~v )
~y = A~x
Caso 1
5
~y =
4
3
2
1
0
1
2
3
4
5
5 4 3 2 1
6 El
y1
y2
3
1
1
3
x1
x2
espacio
representa a
(conjunto de los nmeros reales) o a
(conjunto de los nmeros complejos).
algunos libros lo denominan eigenvalor, trmino derivado de las terminologas inglesa y alemana. La palabra
eigen significa propio o caracterstico de, indicando que contiene informacin importante acerca de la naturaleza de la
matriz A.
8 Tambin denominado eigenvector en las terminologas inglesa y alemana.
9 En la Seccin 8.5.1, pgina 246 y la Seccin 9.3.2, pgina 261 se ampliar esta interpretacin grfica.
7 En
Clases de lgebra
228
Caso 2
3
~y =
y1
y2
1
1
1
1
x1
x2
3
3
Nota 8.2. La representacin grfica de los autovalores de una matriz real 3 3 estara formada por figuras 3D de
esferas y elipsoides. Para dimensiones mayores de 3 no se podra hacer representaciones grficas.
3
1
1
3
1
4
1
=
=4
= 4~x
1
4
1
a11 a12
a21 a22
A I = .
..
..
.
an1 an2
~v A~v ~v = ~0
(A In )~v = ~0
(8.1)
a1n
a2n
..
.
ann
0
..
.
..
.
0
0
..
.
a11
a21
..
.
a12
a22
..
.
a1n
a2n
..
.
an1
an2
ann
Como la ecuacin (8.1) es un sistema homogneo 11 , la nica forma de que tenga soluciones ~v distintas
de la nula, es que sea un sistema compatible indeterminado (infinitas soluciones) y por tanto con
una matriz escalonada reducida equivalente 12 con al menos una fila de ceros. Matricialmente esto
es equivalente a que la matriz (A I) sea singular 13 y por tanto, su determinante igual a cero,
det(A I) = 0, siendo sta la condicin necesaria y suficiente para la existencia de autovalores en
una matriz.
10 Ver
la
la
12 Ver la
13 Ver la
11 Ver
Clases de lgebra
229
P
P
1 0 1
A= 1 1 0
1 0 0
Solucin: El polinomio caracterstico es:
1
0
1
1 0 = (1 )2 + (1 ) = (1 )(2 + 1)
det(A I) = 1
1
0
La ecuacin caracterstica por tanto es:
(1 )(2 + 1) = 0
Procedimiento de Clculo de Autovalores y Autovectores
Sea A
Rnn .
Clases de lgebra
230
8.2.3. Autoespacios
Definicin 8.4 (Autoespacios)
El conjunto de todos los autovectores ~v asociados a un autovalor de una determinada matriz
A nn , junto con el vector nulo, se denomina autoespacio15 de y se representa por E .
0 1 0
A= 0 0 1
2 5 4
Solucin:
det(A I) = 0
2
0
1
4
= 2 (4 ) + 0 + 2 0 5 0 = 3 + 42 5 + 2 = 0
1 = 2
3
=
=
1 (raz doble)
2
1
[A1I|0] = 0
2
1 0
1 1
5 3
0
1 0
0 0 1
0
0 0
1
1
0
1 0
2 1
5 2
1 0
0
0 0 1
0
0 0
1/4
1/2
0
3 = 2
2
[A2I|0] = 0
2
0
x
1
1
0 = y = t 1 = E1 = 1
0
z
1
1
x
1/4
0
1
0 = y = t 1/2 = E2 = 2
0
z
1
4
Notar que los autovectores slo indican una direccin determinada y por tanto se puede tomar
cualquier mltiplo del mismo16 .
En resumen la matriz A tiene 2 autovalores (dos de ellos iguales) y asociados a cada valor hay
un autovector.
Los SEL que resultan en el clculo de los autovectores son siempre homogneos17 y por tanto podemos
obviar el vector de trminos independientes en su resolucin.
15 Tambin
16 Es
Clases de lgebra
231
4
4 4
4 4
B= 4
4 4
4
Solucin: Claramente esta matriz se puede expresar como:
1
1 1
1 1 = 4A
B = 4 1
1 1
1
Resulta ms sencillo trabajar con A, siempre que se conozca la relacin entre los autovalores y
autovectores de A y B. Teniendo en cuenta que:
A~v = ~v
A~v = ~v
B~v = ()~v
llegamos a la conclusin de que la matriz B tiene los mismos autovectores que A y los autovalores
estn multiplicados por .
Vamos entonces a calcular los autovalores y autovectores de A.
1
1
1
1
1
1 = (1 )3 + 2 3(1 ) = 0
1
1
1
Esta ecuacin se puede resolver desarrollando las potencias y obteniendo el polinomio de tercer
grado en . Sin embargo resulta ms sencillo realizar una cambio de variable, resolver una
ecuacin ms sencilla y deshacer el cambio. En este caso, haciendo el cambio de variable t = 1
la ecuacin queda:
t=1
(1 )3 3(1 ) + 2 = 0 t3 3t + 2 = 0
Una solucin es claramente t = 1 y factorizando por Ruffini18 se obtiene:
t3 3t + 2 = (t 1)(t2 + t 2) = (t 1)(t 1)(t + 2)
Por tanto las races son t1 = 1, t2 = 1 y t3 = 2. Deshaciendo el cambio de variable se obtienen
los autovalores de A: 1 = 0, 2 = 0 y 3 = 3. Finalmente sabiendo que los autovalores de B
son iguales que los de A multiplicados por cuatro se tiene:
Autovalores matriz B: 1,2 = 0
3 = 12
Vamos a calcular ahora los autovectores de la matriz A, que coinciden con los de la matriz B.
1,2 = 0
1
1
1
18 Ver
1 1
1
F2 F1
1 1 0
F3 +F1
1
1
0
1
0
0
1
v1 = v2 + v3 = t + s
0 =
v2 = t
0
v3 = s
Clases de lgebra
232
v1
1
1
v2 = t 1 + s 0
v3
0
1
1
1
E0 = 1 , 0
0
1
3 = 319
2
1 1
0
F 1+2F2
1 2 1 1
F3 +F2
1 1 2
0
1
1
E0 = 1 , 0
0
1
3
2
3
3
0
F 3+F1
1 1
3
0
v1
1
v2 = t 1
1
v3
3
2
0
E3 =
3
v2 = v3 = t
v1 = 2v2 + v3 = t
1 =
0
v3 = t
1
1
Con respecto a la matriz B, que tiene los mismos autovectores asociados a los autovalores
correspondientes, se tiene:
1
E12 = 1
En una matriz puede haber varios autovalores iguales, y asociados a ellos pueden existir uno o ms
autovectores. La cantidad de autovalores y autovectores asociados a un determinado valor se denominan
respectivamente multiplicidad algebraica y multiplicidad geomtrica.
Definicin 8.5 (Multiplicidad Algebraica y Geomtrica)
Multiplicidad algebraica de un autovalor es la multiplicidad 20 de su raz en el
polinomio caracterstico.
Multiplicidad geomtrica de un autovalor es la dimensin 21 del autoespacio asociado
al autovalor.
Clases de lgebra
233
Ejemplo 8.6. Determinar las multiplicidades algebraicas y geomtricas de los autovalores del
Ejemplo 8.4 y del Ejemplo 8.5.
Solucin:
En el ejemplo Ejemplo 8.4, el autovalor = 1 tiene multiplicidad algebraica 2 y
multiplicidad geomtrica 1, mientras que el autovalor = 2 tiene multiplicidad algebraica
1 y multiplicidad geomtrica 1.
En el Ejemplo 8.5 el autovalor = 0 tiene multiplicidad algebraica 2 y multiplicidad
geomtrica 2, mientras que el autovalor = 12 tiene multiplicidad algebraica 1 y
multiplicidad geomtrica 1.
3
A=
1
0
1
0 3
0 1
3 = (1 + )2 + 0 + 0 + 0 0 = 2 ( + 2) = 0
det(A I) =
1
0 1
2 ( + 2) = 0
1 = 2
3
=
0 (multiplicidad algebraica 2)
= 2 (multiplicidad algebraica 1)
1
3
1
=0
1
1 0 1
v1
0
1
v1 = v3 = t
F +3F1
0 0 0 =
3 2
v2 = s
= v2 = t 0 + s 1
F3 +F1
1
0 0 0
v3 = t
0
v3
1
0
1
=
La multiplicidad algebraica del autovalor = 0 es 2
E0 = 0 , 1
1
0
0
0
0
3 = 2
1
3
1
E2
1
1 0
1 v1 = v3 = t
F +3F1
0 1 3
3 2
v2 = 3v3 = 3t
F3 +F1
1
0 0
0
v3 = t
1
La multiplicidad algebraica
= 3
=
1
0
2
0
v1
1
= v2 = t 3
v3
1
del autovalor = 2 es 1
Clases de lgebra
234
R
Demostracin 8.1
Una matriz cuadrada A es invertible si y slo si det(A) 6= 0. Si 0 fuera un autovalor de esta
matriz se verificara:
det(A 0I) = det(A) = 0 Contradiccin!
Por tanto cero no puede ser un autovalor de una matriz invertible.
Veamos una versin ampliada del Teorema Fundamental de las Matrices Invertibles que vimos en el
Teorema 3.8, pgina 133.
A es invertible.
A~x = ~b tiene solucin nica ~b
Rn .
Rn .
Los vectores fila de A son linealmente independientes y forman una base del espacio
n
.
det(A) 6= 0.
0 no es un autovalor de A.
Clases de lgebra
235
Demostracin 8.2
Sea A~v = ~v , con A invertible.
A1 A~v = A1 ~v
~v = A1 ~v = A1~v
1~v = A1~v
;
Ak~v = k~v
Por tanto, k es un autovalor de Ak con ~v autovector asociado.
Como tambin se cumple A1~v = 1~v se puede realizar la misma demostracin para
Ak~v = k~v , siendo Ak = (A1 )k .
R
R
Teorema 8.4
Sea A nn y sean 1 , , m autovalores distintos de A con autovectores asociados ~v1 ,
, ~vm . Entonces ~v1 , , ~vm son linealmente independientes.
Teorema 8.5
Sea A nn y sean 1 , , m autovalores distintos de A con autovectores asociados ~v1 ,
, ~vm . Sea un vector ~v combinacin lineal de los autovectores, tal que:
~x = c1~v1 + + cm~vm
Entonces para cualquier entero k se tiene:
Ak ~x = c1 k1 ~v1 + + cm km~vm
Nota 8.3.
La demostracin del Teorema 8.4 no ver aqu debido a su longitud. Puede consultarse en la bibliografa.
La demostracin del Teorema 8.5 fue vista en la introduccin del presente tema.
Clases de lgebra
236
R
Demostracin 8.3
Si A es triangular, su determinante es el producto de sus elementos diagonales23 . Como la
n
1 = a11
Y
..
det(A I) = (a11 )(a22 ) (ann ) =
(aii ) = 0
.
i=1
n = ann
y por tanto, las soluciones de la ecuacin caracterstica sern los n elementos diagonales de
la matriz.
Ya que las las matrices triangulares muestran los autovalores de una matriz en su diagonal principal,
es muy interesante poder relacionar una matriz cuadrada cualquiera con una matriz triangular
equivalente que tenga los mismos autovalores.
Mediante el mtodo de eliminacin gaussiana se puede obtener una matriz triangular equivalente
de una matriz dada24 . Sin embargo, esta matriz equivalente por filas no conserva el valor del
determinante y por tanto tampoco conserva los autovalores.
En esta seccin vamos a estudiar una nueva transformacin matricial que s conserva los autovalores.
A = P BP 1
AP = P B
=
B = P 1 AP
Nota 8.4.
22 Ver
Clases de lgebra
237
A A.
Si A B entonces B A.
Si A B y B C, entonces A C.
Demostracin 8.7
Esta propiedad es consecuencia de: I 1 AI = A.
Si A B entonces:
AP = P B
AB
BC
A = P BP 1
= AP = P B
= BM = M C
P 1 A = BP 1
BA
; A = P BP 1
; B = M CM 1
A = P BP 1 = P (M CM 1 )P 1 = (P M )C(P M )1 = RCR1 = AR = RC = A C
1. det(A) = det(B).
2. A y B tienen el mismo polinomio caracterstico y por tanto los mismos autovalores.
3. A es invertible si y slo si B tambin lo es.
4. nul(A) = nul(B)
Nota 8.5.
= rang(A) = rang(B).
Demostracin 8.8
1. Como A = P BP 1 ,
det(A) = det(P ) det(B) det(P 1 ) = det(B) det(P ) det(P 1 ) = det(B)
(Contina en la pgina siguiente)
Clases de lgebra
238
P ~x ker(A)
Esto indica que por cada vector ~x que anula B~x existe al menos otro vector P ~x que
anula A(P ~x). Por tanto, dim(ker(B)) = p dim(ker(A)). Por otra parte, sea un vector
~y ker(A) = A~y = ~0, entonces como BM = M A, siendo M = P 1 se tiene:
BM ~y = M A~y ; B(M ~y ) = M (A~y ) = ~0
M ~y ker(B)
Por tanto dos matrices semejantes son siempre matrices equivalentes por filas, aunque no
necesariamente al contrario.
Como hemos visto, dos matrices A, B nn son semejantes si existe una matriz invertible P nn
tal que cumple AP = P B. Tambin hemos comprobado que ambas matrices A y B tienen muchas
propiedades en comn. Pero uno podra preguntarse qu representa la matriz P y porqu en la ecuacin
multiplica a una matriz por la izquierda y a otra por la derecha.
Vamos a dar un sentido a esta frmula y vamos a explicar qu pueden representar cada una de las
matrices A, B y P , utilizando para ello las transformaciones lineales26 y los cambios de base27 .
Sea una transformacin lineal28 T : n n definida mediante una matriz A nn de la
siguiente forma:
~y = T (~x) = A~x
R
R
Tanto los vectores del dominio ~x como los de la imagen ~y estn en la base cannica29 de n , que
vamos a denominar C. Supongamos que necesitamos trabajar en una determinada base B de n con
matriz asociada30 P y queremos calcular cual es la forma que tendra la transformacin lineal en esta
base.
26 Ver
Clases de lgebra
239
Llamando ~x 0 y ~y 0 a los vectores del dominio y de la imagen en la nueva base, la nueva transformacin
lineal T 0 sera:
~y 0 = T 0 (~x 0 ) = B~x 0
donde B es la matriz asociada a la transformacin lineal y la cual queremos conocer.
Con todos estos datos se tiene31 :
~x = PCB ~x 0 = (I 1 P )~x 0 = P ~x 0
~y = PBC ~y 0 = (I 1 P )~y 0 = P ~y 0
P ~y 0 = AP ~x 0
~y 0 = P 1 AP ~x 0
B = P 1 AP
Las matrices A y B que definen una transformacin lineal (endomorfismo) en bases distintas, A en
la base cannica y B en una base con matriz asociada P , son matrices semejantes, siendo la relacin
entre ellas:
AP = P B
De forma esquemtica el proceso se puede resumir como:
Rn
Base Cannica
P 1 P
Base B
Ejemplo 8.8. Sea el endomorfismo32 de
Rn
Base Cannica
P 1 P
Base B
R3 :
F (x, y, z) = [x + y z, z, y + z]
a) Encontrar la matriz A asociada a la transformacin lineal F .
b) Encontrar la matriz B asociada a F en la base B = {[1, 0, 1], [1, 1, 0], [0, 1, 1]}.
B
~x ~y
[~x]B [~y ]B
Base Cannica
Base B
31 Ver
Rn .
32
I de
el Teorema 5.5, pgina 178 y tener en cuenta que la matriz asociada a la base cannica es la matriz identidad
Clases de lgebra
240
y1
1 1
y1 = x + y z
y2 = 0 0
y2 = z
~y = F (~x) = A~x ;
=
y3 = y + z
y3
0 1
1
A= 0
0
1
1
1
1
0
1
1
x
1 y
1
z
B = PB1 APB
1
PB = 0
1
1
1
0
1
1 0
1 0
1 1 0 1 0 0
0 1 1 0 1 0 0
0 1
1 1
1 0 1 0 0 1
0 1 1 1 0
1 1
0 1
0 0
1 0
0 1
0 0
0
1
1
0
0
1
Por tanto:
1
0
0
0
1
0
1/2 1/2 1/2
1/2 1/2
1/2
1/2
1/2 1/2
1/2
1/2
1/2
1
1
B = PB1 APB = 1
2
1
1
1
1
1 1 0
1
1
0
1
0
1
1
0
0
0
1
1
1
0
0 0
1
0
1
1
0
0
0
1
0
1
2
1
0
1
0
1
1
0
0
1
0
0
1/2 1/2
1/2
1/2
1 1
1
1
1 1
= 1
2
1
1
1
1
1/2
1/2
PB1
1
1
1 0
1
1
1
1
0
1
1
0
0
2
1
1 =
2
2
1
0
3
3
1 3
1
1
Clases de lgebra
8.4. Diagonalizacin
241
8.4. Diagonalizacin
Las matrices diagonales presentan grandes ventajas desde el punto de vista matricial:
Son sencillas y necesitan poca memoria para su almacenamiento en un ordenador33 .
Si existe, su inversa es muy fcil de calcular (invertir los elementos diagonales).
Q
Su determinante es inmediato: |D| = dii .
Sus autovalores coinciden con los elementos diagonales.
U
R
Por tanto, es interesante encontrar una matriz diagonal que sea semejante a una matriz dada: A D.
Definicin 8.7 (Matriz Diagonalizable)
Una matriz A nn se dice que es diagonalizable si existe una matriz diagonal 34
D nn tal que A sea semejante a D, es decir, que exista una matriz P nn invertible
tal que:
AP = P D
=
A = P DP 1
donde los elementos diagonales de D son los autovalores de A y las columnas de P son los
n autovectores asociados linealmente independientes, en el mismo orden que los autovalores
correspondientes.
Demostracin 8.9
Sea A semejante a una matriz diagonal D mediante AP = P D. Sean ~v1 , , ~vn las columnas
de P y 1 , , n los elementos diagonales de A, entonces:
1
0
0
0
0 2
A~v1
A~v2
A~vn
1~v1
2~v2
33 Basta
34 Esta
n~vn
A~v1 = 1~v1
..
.
A~vn = n~vn
K R
K C
Clases de lgebra
242
Ejemplo 8.9. En caso de ser posible, encontrar una matriz P que diagonalice la siguiente
matriz A:
0
1 0
0 1
A= 0
2 5 4
Solucin: Del ejemplo Ejemplo 8.4 sabemos que sus autovalores son 1 = 2 = 1 y 3 = 2,
siendo sus autoespacios:
1
1
E1 = 1
;
E2 = 2
1
4
Como A no tiene 3 autovectores linealmente independientes, por el Teorema 8.9, A no es
diagonalizable y por tanto no existe la matriz P pedida.
Ejemplo 8.10. Si es posible, encontrar una matriz P que diagonalice la siguiente matriz A:
1 0
1
A = 3 0 3
1 0 1
Solucin: Del Ejemplo 8.7 sabemos que sus autovalores son 1 = 2 = 0 y 3 = 2, siendo sus
autovectores:
0
1
1
;
E2 = 3
E0 = 0 , 1
0
1
1
Es fcil comprobar que los tres autovectores son linealmente independientes y se pueden formar
con ellos una matriz P invertible de la forma:
1 0 1
3
P = ~v1 ~v2 ~v3 = 0 1
1 0
1
1 0
1
1 0 1
0 0
3 = 0 0
AP = 3 0 3 0 1
1 0 1
1 0
1
0 0
Clases de lgebra
2
1
6 = 0
2
1
0
1
0
1
0
3 0
1
0
0
0
0
0
0 = PD
2
8.4. Diagonalizacin
243
Nota 8.6.
El orden no importa, pero las matrices P y D sern distintas en funcin del orden elegido. Por ejemplo, en el
caso anterior se podra haber elegido:
1 0 1
2 0 0
3 1 0
0 0 0
P =
;
D=
1 0 1
0 0 0
0 1 1
0
0 0
1
3 0
0 2 0
P =
;
D=
0
1 1
0
0 0
Verificar AP = P D a mano es mucho ms sencillo que verificar A = P DP 1 ya que no es necesario calcular
P 1 .
A es diagonalizable.
A tiene en total n autovectores linealmente independientes 35 .
La multiplicidad algebraica de cada autovalor es igual a su multiplicidad geomtrica 36 .
Demostracin 8.10
Trivial ya que con el conjunto de autovectores formamos una matriz P invertible.
1
= 2 + 1 = 0
= 1 = i
1
2
=
i
= i
36 Ver
Clases de lgebra
244
i
1
1
i
F1 +iF2
0
1
0
i
v2 = t
v1 = iv2 = it
v
= 1
v2
i
i
=t
= Ei =
1
1
v2 = t
v1 = iv2 = it
=t
1 = i
i
1
1
i
F iF
2
1
0
1
0
i
v1
v2
i
i
= Ei =
1
1
F (x, y, z) = [x + y z, z, y + z]
Solucin: La matriz asociada a esta transformacin lineal era:
1 1 1
A = 0 0 1
0 1
1
Como se vio en la solucin del problema, la matriz B asociada a la funcin F en una base B
cumpla:
B = PB1 APB
Por tanto, en caso de que exista dicha matriz (base), corresponder con la diagonalizacin de la
matriz A. Vamos a ver si es posible, encontrando los autovalores y autovectores de A.
1 1
1
=1
2
0
= (1 )2 + (1 ) = 0 ;
1
(1
)
=
(1
)
(1 ) = 1
0
1 1
+1=0
14
= No todas las soluciones son reales.
2
Como algunos autovalores son complejos, sus autovectores asociados tambin sern complejos y
por tanto, no existe una matriz real y diagonal semejante a A.
2
Hay un tipo de matrices reales que siempre tienen autovalores y autovectores reales: las matrices
reales simtricas37 .
37 Ver
Clases de lgebra
R
245
Teorema 8.11
Si A es una matriz real y simtrica, entonces sus autovalores y autovectores asociados de A
son reales.
Demostracin 8.10
Un nmero complejo38 z = a + bi es real si z = z parte imaginaria nula, b = 0.
Sea una matriz A real y simtrica, entonces A = A y sea un autovalor con autovector
asociado v de A. Entonces Av = v.
=
v.
= A
Tomando complejos conjugados en ambas partes se tiene: Av
v = v
Posteriormente, tomando transpuestas y teniendo en cuenta el hecho de que A es simtrica:
v)T
(A
v)T = (
vT
T A =
v
Si los autovalores son reales y la matriz A tambin lo es, las soluciones del sistema homogneo
(autovectores asociados) tambin sern reales.
Frente a las claras ventajas que presenta una matriz diagonal D con respecto a una matriz cuadrada
A, aparece adems como contrapartida una matriz P y su inversa P 1 .
Resultara muy interesante poder encontrar matrices que fueran diagonalizables a travs de matrices
P que fueran ortogonales, con todas las ventajas que ello conlleva40 .
Definicin 8.8 (Diagonalizacin Ortogonal)
Una matriz A nn se dice que es diagonalizable ortogonalmente si existe una matriz
ortogonal Q y una matriz diagonal D tales que:
QT AQ = D
38 El
Clases de lgebra
246
R
Vamos a estudiar las condiciones bajo las cuales una matriz cuadrada es diagonalizable
ortogonalmente. Para ello vamos a ver primero una propiedad muy interesante de las matrices
simtricas41 .
Teorema 8.12
Si A es simtrica todos los autovectores correspondientes a autovalores distintos son
ortogonales entre s.
Demostracin 8.11
Sean ~v1 y ~v2 dos autovectores asociados a dos autovalores distintos 1 =
6 2 , A~v1 = 1~v1 ,
T
A~v2 = 2~v2 . Teniendo en cuenta que A es simtrica, A = A y que ~x ~y = ~xT ~y , se tiene:
1 (~v1 ~v2 ) = (1~v1 ) ~v2 = (A~v1 ) ~v2 = (A~v1 )T ~v2 = ~v1T (A~v2 ) = ~v1T (2~v2 ) = 2 (~v1 ~v2 )
Por tanto, (1 2 )(~v1 ~v2 ) = 0 y como 1 6= 2 por tanto ~v1 ~v2 = 0.
2 1
A= 1 2
1 1
Solucin: El polinomio caracterstico de A es:
1
1
2
1
1
1
E4 = 1
;
E1 = 0 , 1
1
1
0
Donde fcilmente se comprueba que todo autovector de E4 , (en este caso slo uno), es ortogonal
a todo autovector de E1 .
Nota 8.7. En el Ejemplo 8.7 se obtiene un conjunto de autovectores que son linealmente independientes, pero no son
ortogonales. Por tanto, es diagonalizable pero no ortogonalmente.
Vamos a ver desde un punto de vista geomtrico en 3 la diferencia entre matrices no diagonalizables,
diagonalizables no ortogonalmente y diagonalizables ortogonalmente.
Para ello, vamos a representar grficamente el conjunto de autovectores y los correspondientes
autoespacios asociados a los autovalores.
41 Ver
Clases de lgebra
247
0
A= 0
2
1 0
0 1
5 4
Esta matriz se estudi en el Ejemplo 8.9, pgina 242 y vimos que tena tres autovalores
1 = 2 = 1 y 3 = 2 con autoespacios asociados:
1
1
E1 = 1
;
E2 = 2
1
4
z
E2
~v2
E1
~v1
y
1 0
A= 3 0
1 0
1
3
1
Esta matriz se estudi en el Ejemplo 8.7, pgina 233 y vimos que tena tres autovalores
1 = 2 = 0 y 3 = 2 con autoespacios asociados:
0
1
1
E0 = 0 , 1
;
E2 = 3
1
0
1
42 Ver
Clases de lgebra
248
z
E0
~v1
~v3
~v2
E2
Por otra parte, el autoespacio asociado al autovalor -2 es una recta, siendo el autovector asociado
a este autovalor, (~v3 ), una base de este subespacio vectorial de dimensin 1 en 3 . Se puede
tomar como autovector asociado a este autovalor, cualquier vector no nulo perteneciente a la
recta.
Sin embargo, como la recta es fija y no ortogonal al plano46 , no forman un conjunto ortogonal
de vectores y por tanto la matriz no es diagonalizable ortogonalmente.
Matriz diagonalizable ortogonalmente.
2
A= 1
1
1
2
1
1
1
2
Esta matriz simtrica se estudi en el Ejemplo 8.13, pgina 246 y vimos que tena tres autovalores
1 = 4, 2,3 = 1 con autoespacios asociados:
1
1
1
;
E1 = 0 , 1
E4 = 1
0
1
1
En este caso el autoespacio asociado al autovalor 4 es una recta, siendo el autovector
correspondiente, (~v1 ), una base de este subespacio vectorial. Este vector puede ser cualesquiera
de la recta.
z
E4
~v1
E1
~v2
~v3
Clases de lgebra
249
Por otra parte, el autoespacio asociado al autovalor 1 es un plano y sus dos autovectores , (~v2 y
~v3 ), son una base del mismo. Estos dos autovectores pueden ser cualesquiera del plano, siempre
que sean linealmente independientes, de forma que aunque inicialmente no sean ortogonales47
siempre se pueden ortogonalizar mediante el proceso de Gram-Schmidt, para formar un conjunto
(base) ortogonal. Por ejemplo, ~v3 podra ser:
1/2
~v2 ~v3
1
~v3 = ~v3
~v2 =
~v2 ~v2
1/2
que pertenece al plano E1 y es ortogonal a ~v1 y ~v2 .
U
R
Demostracin 8.12
Si A es ortogonalmente diagonalizable, existe una matriz ortogonal Q tal que:
AQ = QD
A = QDQT
47 Como
Clases de lgebra
250
T
1 0
~q1
. .
.
T
. . .. ...
A = QDQ = ~q1 ~qn ..
=
T
0 n
~qn
1 ~q1
T
~q
.1
n ~qn .. = 1 ~q1 ~q1T + 2 ~q2 ~q2T + + n ~qn ~qnT
~qnT
2 1 1
A= 1 2 1
1 1 2
1
1
1
;
E1 = 0 , 1
E4 = 1
0
1
1
Como necesitamos tres autovectores ortogonales, aplicando el proceso de Gram-Schmidt52 a E1
se obtiene:
1/2
1
1
E1 = 0 ,
1
1/2
Normalizando estos vectores podemos obtener una matriz Q ortogonal de la forma:
1/3 1/ 2 1/6
1/3
1/6
1/ 2
2/ 6
Q = 1/3
2/6 ; ~q1 = 1/3 , ~q2 =
0 , ~q3 =
0
1/ 2
1/ 3
1/ 2 1/ 6
1/ 3
1/ 6
Clases de lgebra
251
4 0 0
QT AQ = 0 1 0
0 0 1
Finalmente, su descomposicin espectral ser:
Los dos teoremas que se presentan a continuacin se han hecho famosos por formar parte del algoritmo
de Google para la determinacin rpida del ranking de pginas web.
1 > 0.
1 tiene un autovector asociado ~v1 positivo (vi > 0).
Para cualquier otro autovalor de A se verifica || < 1 .
1 > 0.
1 tiene un autovector asociado positivo.
Para cualquier otro autovalor de A se verifica || 1 .
Cualquier autovalor (real o complejo) de A que verifique || = 1 , entonces es una
raz (compleja) de la ecuacin n n1 = 0.
1 tiene multiplicidad algebraica 1.
Clases de lgebra
252
8.7. Resumen
Toda matriz cuadrada siempre tiene autovalores y autovectores asociados (reales o complejos).
Si A es real y simtrica sus autovalores y autovectores siempre sern reales.
En las matrices triangulares (superiores, inferiores o diagonales), los autovalores corresponden
con los elementos de la diagonal principal : i = aii .
A es invertible cero no es un autovalor de A.
Tres teoremas importantes:
1. Los autovectores asociados a autovalores distintos son linealmente independientes.
2. Ak ~x = 1 k1 ~v1 + + 1 kn~vn siendo ~x = 1~v1 + + n~vn .
1
A
: autovectores 1/, mismos autovectores de A.
3. Si A~v = ~v =
An
: autovalores n , mismos autovalores de A.
Matrices Semejantes: A B P invertible : AP = P B.
Propiedades:
pA () = pB ()
rang(A) = rang(B)
Si A
= B
|A| = |B|
nul(A) = nul(B).
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
A = QDQT = [~q1 ~qn ][1 2 ][~q1 ~qn ]T = 1 ~q1 ~q1T + + n ~qn ~qnT
Clases de lgebra
TEMA
Pseudoinversa y Descomposicin en
Valores Singulares
Contenido
9.1
9.2
9.3
9.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
255
256
256
256
257
258
259
261
263
272
274
277
277
279
280
285
253
Definicin
Clases de lgebra
Aplicaciones
Min. Cuadrados
Propiedades
Pseudoinversa
Int. Geomtrica
Definicin
Propiedades
Aplicaciones
Clculo
254
TEMA 9: Pseudoinversa y Descomposicin en Valores Singulares
255
AT A~s = AT ~b
A+ = (AT A)1 AT
A+
Rnm
1 1
A= 1 2
1 3
R32
Solucin: Como los vectores columna son linealmente independientes, s existe la matriz
pseudoinversa . Vamos a calcularla.
1 1
3 6
7/3 1
1
1
1
T
T
1
1 2 =
=
(A A) =
A A=
1 2 3
6 14
1 1/2
1 3
+
A = (A A)
A =
7/3
1
1
1/2
1
1
1
2
1
3
4/3 1/3
1/2
0
2/3
1/2
1 Por
Clases de lgebra
256
AA+ A = A
A+ AA+ = A+
AA+ es simtrica : (AA+ )T = AA+
A+ A es simtrica : (A+ A)T = A+ A
Nota 9.1.
En la Seccin 9.4.1, pgina 277, se utilizan estas cuatro propiedades para dar una definicin general de la matriz
pseudoinversa.
En la demostracin del Teorema 9.9, pgina 277 se indica tambin la demostracin de estas propiedades.
~s = A+~b
!
A+
Rnm ,
~b
Rm
Demostracin 9.1
Basta tener en cuenta la Definicin 9.1, pgina 255 de A+ y el Teorema 7.2, pgina 206.
Nota 9.2. Si la matriz A no tiene vectores columna linealmente independientes y A+ se calcula como se explica en la
Seccin 9.4.1, pgina 277, el vector ~s = A+~b corresponde con una de las infinitas soluciones de mnimos cuadrados del
problema A~
x = ~b.
9 Estas
propiedades son anlogas a las de la matriz inversa, ver la Seccin 3.5.1, pgina 115.
Clases de lgebra
257
Teorema 9.2
Sea W un subespacio vectorial de m y A mn una matriz cuyas columnas forman una
base de W , entonces la proyeccin ortogonal de todo vector ~v m sobre W es el vector:
C = AA+
Demostracin 9.2
Como los vectores columna de A forman una base de W se tiene:
proyW (~v ) = proycol (A) (~v )
Segn el teorema de la mejor aproximacin11 , la proyW (~v ) es la mejor aproximacin de ~v en
W y sta corresponde con la solucin de mnimos cuadrados, ~x, dada por12 :
A~x = proycol (A) (~v )
cuya solucin, si A tiene vectores columna linealmente independientes, viene dada por13 :
~x = (AT A)1 AT ~v
Por tanto:
Rn
PB = A
C = AA+
~v
Rn
10 Ver
Clases de lgebra
258
R3 sobre
W : { x y + 2z = 0 }
Aplicarla para encontrar la proyeccin ortogonal del vector ~v = [3, 1, 2] sobre W y comparar
el resultado obtenido en el Ejemplo 6.13, pgina 196.
Solucin: Necesitamos una base de W . Para ello podemos resolver el sistema, o en este caso
como es un plano, dim(W ) = 2, basta tomar dos vectores del mismo linealmente independientes.
Por ejemplo los valores [1, 1, 0] y [1, 1, 1] cumplen la ecuacin y por tanto una base de W es
BW = {[1, 1, 0], [1, 1, 1]}. La matriz asociada a esta base es:
1 1
1
A= 1
0
1
Entonces:
T
A A=
1
1
1
1
0
1
1
2
1 =
0
1
1
1
0
0
3
(A A)
1/2
0
0
1/3
1
C = AA+ = A(AT A)1 AT = 1
0
1
1/2
1
0
1
0
1/3
1
1
1
1
0
1
5/6 1/6
= 1/6 5/6
1/3 1/3
1/3
1/3
1/3
5/6 1/6
proyW (~v ) = C~v = 1/6 5/6
1/3 1/3
3
1/3
5/3
1/3 1 = 1/3
2
1/3
2/3
Rnn
A = P DP 1
donde D es una matriz diagonal con los autovalores de A, y P es una matriz invertible que contiene
los autovectores de A. Si A es simtrica entonces se puede realizar una diagonalizacin ortogonal16 ,
donde P ser una matriz ortogonal 17 y por tanto P 1 = P T .
15 Ver
Clases de lgebra
259
R
Demostracin 9.3
Para toda matriz A
y por tanto puede ser diagonalizada ortogonalmente21 . Adems, por ser real y simtrica,
todos sus autovalores son reales22 .
Por otra parte, llamando a un autovalor de AT A asociado a un autovector unitario ~v , se
tiene:
0 kA~v k2 = (A~v ) (A~v ) = (A~v )T (A~v ) = ~v T AT A~v = ~v T ~v = (~v ~v ) = k~v k2 =
y por tanto, todos los autovalores de AT A son no negativos.
i =
p
i
i = 1, , n
18 Slo
en aquellos casos en los que A tiene n autovalores linealmente independientes, ver la Seccin 8.4, pgina 241.
terminologa anglosajona se define como Singular Value Descomposition (SVD).
20 Ver la Definicin 3.11, pgina 112.
21 Ver el Teorema 8.13, pgina 249.
22 Ver el Teorema 8.11, pgina 245.
23 Ver la Definicin 8.2, pgina 227.
24 Ver la Definicin 8.5, pgina 232.
19 En
Clases de lgebra
260
1
A= 1
0
la matriz A
1
0
1
R32 siguiente:
1 1
1 1 0
2
1 0 =
AT A =
1 0 1
1
0 1
1
2
1
2
=
=
1
3
Ordenando los autovalores de mayor a menor y calculando sus races cuadradas tenemos:
1 =
2 = 1
Teorema 9.4
Dada una matriz A mn y sean {1 , r } con r n el conjunto de autovalores no
nulos de la matriz AT A nn , y {~v1 , , ~vr } sus autovectores asociados. Entonces:
v1
A~
vr
kA~vi k = i = i y por tanto el conjunto { A~
1 , , r } es ortonormal.
Demostracin 9.4
Para todo i 6= j se tiene:
(A~vi ) (A~vj ) = (A~vi )T (A~vj ) = ~viT AT A~vj = ~viT j ~vj = j (~vi ~vj ) = 0
Ya que al ser AT A una matriz simtrica25 , sus autovectores son ortogonales26 .
Segn la demostracin del Teorema 9.3, pgina 259, los autovalores i y autovectores
~vi de la matriz AT A cumplen:
p
i = kA~vi k2 = i = i = kA~vi k
25 Ver
26 Ver
Clases de lgebra
261
De forma general, los autovalores de una matriz cuadrada A nn no coinciden con sus valores
singulares. Slo en el caso de matrices simtricas, los valores singulares son los valores absolutos de
los autovalores.
1
0
1
0
A = 0 2
0
0 1
Solucin: Como A es triangular, sus autovalores son directamente los elementos de su diagonal
principal27 :
Autovalores de A: 1 = 1 ;
2 = 2 ;
3 = 1
Para calcular los valores singulares de A tenemos que calcular los autovalores de AT A:
1 0 1
1
0
1
1
0
0
0 = 0 4 0
0 0 2
AT A = 0 2
0
0 1
1 0 2
1
0 1
3+ 5
2 =
2
3 5
3 =
2
1 =
4=2
2 =
3+ 5
1, 618
2
3 =
3 5
0, 618
2
Toda matriz A nn define una transformacin lineal 28 ~y = T (~x) = A~x que transforma los vectores
~x n en otros vectores ~y n . Como ya se vio en la Seccin 8.2.1, pgina 227, podemos estudiar
geomtricamente29 como se puede transformar una circunferencia de radio unidad en una determinada
elipse por la accin de una TL con matriz asociada A 22 y como tambin se puede transformar
una esfera de radio unidad en un elipsoide por la accin de una TL con matriz asociada A 33 .
27 Ver
28 Ver
R3 .
Clases de lgebra
262
Desde un punto de vista geomtrico y basndonos en el Teorema 9.4, pgina 260 se tiene:
Los valores singulares de una matriz A 22 son las longitudes de los dos semiejes de la
elipse en la que se queda transformada la circunferencia unidad, por la accin de la TL ~y = A~x.
Los valores singulares de una matriz A 33 son las longitudes de los tres semiejes del
elipsoide en el que se queda transformada la esfera unidad, por la accin de la TL ~y = A~x.
Ejemplo 9.5. Mostrar la elipse en la que queda transformada la circunferencia unidad por la
accin de la TL definida por la matriz:
1/4 3/4
A=
1 1/2
y determinar los valores de sus semiejes.
Solucin: Para cada uno de los puntos P = (x, y) de la circunferencia unidad se obtienen los
puntos P 0 = (x0 , y 0 ) de la elipse, obtenidos mediante la transformacin:
0
x
1/4 3/4
x
(x + 3y)/4
P 0 = AP
;
=
=
y0
1 1/2
y
(2x + y)/2
Utilizando por ejemplo MATLAB30 se puede crear una pequea rutina para representar
grficamente dicha transformacin, como sigue:
Clases de lgebra
263
A mn
U mm
(ortogonal)
A = U V T
mn
(pseudodiagonal)
V nn
(ortogonal)
R
R
R
R
a11
a21
..
.
am1
a12
a22
..
.
am2
Donde
m y n.
a1n
a2n
..
.
amn
..
.0
u11
u21
..
.
um1
..
.
u1m
u2m
..
.
umm
..
.
..0
2
..
.
..
.
0
..
.
0
..
.0
0
..
.0
r
..
.0
0
v11
v12
..
0
v1n
0
..
.
vn1
vn2
..
.
vnn
Demostracin 9.5
Para cada matriz A mn tenemos que encontrar matrices V
ortogonales y una matriz mn pseudodiagonal, que cumplan:
A = U V T
AV = U
Rnn
y U
Rmm
A~vi = i ~ui
donde ~vi y ~ui son los vectores columna de las matrices V y U respectivamente y i los valores
de la diagonal principal de la matriz .
(Contina en la pgina siguiente)
32 Ver
Clases de lgebra
264
~vi~vjT
1
1
A~vi ( A~vj )T =
AAT = 0
i
j
i j
Si r < m, el resto de vectores {~ur+1 , , ~um } se eligen de forma que la matriz U sea
ortogonal36 .
La matriz se construye con las mismas dimensiones que A y poniendo en la diagonal
principal37 los valores singulares de A ordenados de mayor a menor.
Las tres matrices U , y V , construidas de la forma descrita, cumplen los requerimientos del
teorema para cualquier matriz A mn .
La DVS de una matriz no es nica, ya que se pueden determinar diferentes matrices U y V que
cumplen las propiedades del teorema anterior. Sin embargo existe una nica matriz para cada A,
independientemente de las matrices U y V elegidas.
34 Siguiendo
Clases de lgebra
265
Clculo de la DVS
Rmn y las
A = U V T
El proceso ha realizar para su clculo se obtiene de la demostracin del Teorema 9.5, pgina 263, y es
el siguiente:
1. Calcular la matriz simtrica AT A.
2. Calcular los n autovalores i y autovectores asociados ~vi de la matriz AT A
Rnn .
Rmm .
Rmm
se obtienen mediante la
38 Los
cuales son todos reales no negativos, ya que AAT es una matriz real y simtrica.
cuales son ortogonales.
40 Ver la Seccin 6.3, pgina 188.
41 Si r > m hay slo que calcular m vectores ~
ui .
42 Estos vectores ya sern ortonormales.
43 Se suele probar con vectores vlidos lo ms sencillos posibles, como por ejemplo los vectores estndar ~
ei .
44 Ver la Seccin 6.8, pgina 198.
39 Los
Clases de lgebra
266
1 0
1 1 0
1 1 0
AT A = 1 0
= 1 1 0
0 0 1
0 1
0 0 1
1
0
1
~v1 = 1
;
~v2 = 0
;
~v3 = 1
0
1
0
1/2
0
1/2
;
~v3 = 1/ 2
;
~v2 = 0
~v1 = 1/ 2
1
0
0
1/2 0 1/2
2 0 0
=
;
V = 1/ 2 0
1/ 2
0 1 0
0 1
0
dividiendo por su
(como
3 = 0 no
Nos falta la matriz U que tiene dimensiones 2 2, ya que A tiene dimensiones 2 3. Entonces:
1/ 2
0
1
1
1
1
1 1 0
1
0
1
1
0
0 =
~u1 =
; ~u2 =
A~v1 =
A~v2 =
1/ 2 =
0
0
1
0
0
0
1
1
1
1
2
2
1
0
U=
Finalmente:
A = U V T =
Clases de lgebra
1
0
0
1
2
0
0
1
0 0
1 0
1
0
1/ 2
0
1/ 2
1/ 2
0
1/ 2
0
1
0
267
1
0
1
~v1 = 1
;
~v2 = 0
;
~v3 = 1
0
1
0
En este caso, las matrices y V quedan:
=
2
0
0 0
1 0
1/2 0
V = 1/ 2 0
0 1
1/2
1/ 2
0
donde podemos comprobar que la matriz coincide con la obtenida en el ejercicio anterior.
Finalmente la matriz U ser:
1/ 2
1
1
1 1 0
1
~u1 =
A~v1 =
1/ 2 =
0
1
2 0 0 1
0
1
1
~u2 =
A~v2 =
2
1
1
0
1
0
0
1
0
0 = 0
1
1
1
0
0
1
2
0
0 0
1 0
1/ 2
0
1/ 2
1/ 2
0
1/ 2
0
1
0
En todas las diferentes descomposiciones en valores singulares que tiene una matriz, la matriz
siempre es la misma y nicamente cambian las matrices ortogonales45 U y V .
45 Estas
Clases de lgebra
268
1
A= 1
0
1
0
1
de A son 1 =
0
;
1
0
3 y 2 = 1 y nos queda:
V =
1/2
1/ 2
1/2
1/ 2
Notar que como las dimensiones de A son 3 2, la matriz tiene las mismas dimensiones que
A, la matriz V debe ser 2 2 y la matriz U debe ser 3 3.
Para calcular U utilizamos los autovectores:
2/6
1 1
1
1
1/2
~u1 =
= 1/6
A~v1 = 1 0
1/ 2
1
3 0 1
1/ 6
1
1
1
1
~u2 =
A~v2 =
2
1
0
1
0
1/
2
0
= 1/2
1/ 2
1
1/ 2
Necesitamos un tercer vector ~u3 que sea ortonormal a ~u1 y ~u2 . Por ejemplo, claramente el vector
~e3 = [0, 0, 1] es linealmente independiente de ~u1 y ~u2 y por tanto basta con utilizar el proceso
Gram-Schmidt46 .
0
2/6
0
1/3
1
~u1 ~e3
~u2 ~e3
1
~u3 = ~e3
~u1
~u2 = 0 1/6 1/2 = 1/3
~u1 ~u1
~u2 ~u2
6
2
1
1/3
1/ 2
1/ 6
2/6
0 1/3
U = 1/6 1/2
1/3
1/ 6
1/ 2
1/ 3
A = U V
46 Ver
2/6
= 1/6
1/ 6
0
1/2
1/ 2
1/3
3
1/3 0
0
1/ 3
0
1/2
1
1/ 2
0
1/2
1/ 2
Clases de lgebra
269
Propiedades de la DVS
Teorema 9.6
Sea A = U V T una descomposicin en valores singulares de A mn , siendo {1 , , r }
los valores singulares no nulos de A, U = [~u1 , , ~um ] y V = [~v1 , , ~vn ] . Entonces:
rang(A) = r
{~v1 , , ~vr } es una base ortonormal de fil(A).
{~vr+1 , , ~vn } es una base ortonormal de ker(A).
{~u1 , , ~ur } es una base ortonormal de col(A).
{~ur+1 , , ~um } es una base ortonormal de ker(AT ).
~u1
Bcol(A)
~ur
~ur+1
Bker(AT )
~um
1 0 0
0 0
2
.
.
..
..
. ..
0 0
0 0 0
.
..
..
..
.
.
..
.
..
.
~v1
~vr
~vr+1
Bfil(A)
r = rang(A)
~vn
Bker(A)
Demostracin 9.6
(i) El nmero de valores singulares de una matriz A mn corresponde con el nmero
de columnas n de la matriz47 . Segn la demostracin del Teorema 3.7, pgina 132,
nul(A) = nul(AT A) y sta ltima corresponde con los valores singulares nulos48 de A.
Teniendo en cuenta el teorema del rango de las matrices:
47 Ver
48 Ya
Clases de lgebra
270
1
V = 0
0
0
0
1
0
0 1
A = U V T
2
0
=
0
0
0
1
0
0
R43
44
R43
R 33
R
0
0
0
0
Como nos dan una base del ker(AT ), estos vectores (ortonormalizados) podemos colocarlos (en
el orden que se quiera) en las ltimas columnas de la matriz U :
Clases de lgebra
271
0 0 1/2
0 0 1/ 2
U =
1 0
0
0 1
0
1/2
1/ 2
0
0
A = U V T
0 0 1/2
0 0 1/ 2
=
1 0
0
0 1
0
1/2
1/ 2
0
0
0
AT A = 0
0
0
0
0
2
0
0
2
0
0
0
0
0
0
1
2
0
0
0
1
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0 =
2
0 1
0
0
4
0
0
=
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
Al ser diagonal,
sus autovalores
son 1 = 4, 2 = 1 y 3 = 0 y por tanto sus valores singulares
0
0
0
k
0 3
0
1 = 4 :
=
~v1 = 0
;
k
0
0 4
0
2 = 1 :
3 = 0 :
3
0
0
4
0
0
0
0
0
0
0
1
0 0
1 0
0 0
0
~v2 = k
0
0
~v3 = 0
k
1
0
0
0
V = 0 1
0
0 1
que coincide con la dada en el enunciado.
dar una determinada matriz resultado A, otros valores daran otras posibles soluciones al problema.
que al ser V simtrica, su transpuesta coincide consigo misma.
52 Notar
Clases de lgebra
272
0
AT = 0
0
0
0
0
2
0
0
0
1
0
0
0
0
0 0 2 0
0 0 0 1
0 0 0 0
x1
x2
x3
x4
t, s
=t
=s
=0
=0
t, s
U = [~u1 , , ~um ]
= pseudiag(1 , , r )
A = U V T
V = [~v1 , , ~vn ]
Demostracin 9.7
A = U V
= [~u1 , , ~um ]
0
..
.
2
..
.
0
..
.0
0
..
.0
..
.
0
..
.
0
..
.0
r
..
.0
0
0
~v1
~v2
..
.
~vn
1~v1
2~v2
..
.
= [~u1 , , ~um ]
r ~vr
.
..
0
Clases de lgebra
273
1 1
A = 1 1
1 1
A A=
AT A:
= (3)2 1 = 0
2 = 2
1
1
1 1
1
1
1
1
1 1
1 1
1
1
(3) = 1
1 = 1 =
2
2 = 2 = 2
Autovectores de AT A:
1 = 4
1
0
1
0
1
1
1
1
1
1
1
1
~v1 =
2
~v2 =
2
1
1 1
V =
1
2 1
1
0
1
3
= 31 =
1 = 4
2 = 2
0
2
0
2
= 0
0
1
3
1 =
1
1
3 = 1
1
0
Matriz U :
1
1
1
1
~u1 =
A~v1 =
1
2
1
1
2
1
1
1
1
1
1
= 0 = 0
1
2
2 2 2
2 1
1
1
1
1
1
~u2 =
A~v2 =
2
2
1
1
0
0
1
1
1
1
= 2 = 1
1
2
2
0
0
1
Completamos la matriz U con un vector ~u3 ortonormal al resto, por ejemplo: ~u3 =
1
1
U=
0
2 1
0
2
0
1
0
1
1 [1, 0, 1]T .
2
Clases de lgebra
274
1
2
1
1
A = 1 ~u1~v1T + 2 ~u2~v2T = 0
2 1
2
Comprobacin:
1
2
1
1
0
2 1
2
0
1
1 + 2 1
1
2
0
1
= 0
1
0
1
1
2 1
2
0
1
0
0 + 1
1
0
0
1
1 = 1
0
1
1
1 =A
1
mn
Dada una matriz cualquiera A
, hemos visto como su matriz asociada AT A aparece
involucrada en diferentes temas de inters:
Propiedades matriciales: Teorema 3.1, pgina 112 y Teorema 3.7, pgina 132.
Ecuaciones normales de los mnimos cuadrados: Teorema 7.2, pgina 206.
Pseudoinversa: Definicin 9.1, pgina 255.
Valores singulares: Definicin 9.3, pgina 259.
Es importante destacar que la matriz a la que todos estos temas hacen principalmente referencia es
AT A y no AAT . Sin embargo, ambas matrices comparten propiedades54 y renen y concentran toda
la informacin de la matriz A.
Vamos a ver un teorema que presenta las propiedades de ambas matrices y que resulta de inters
prctico en el clculo de la DVS de una matriz.
Teorema 9.8
Sea A mn y A = U V T una descomposicin en valores singulares, con {1 , , r }
los valores singulares no nulos de A, y las matrices ortogonales U = [~u1 , , ~um ] y
V = [~v1 , , ~vn ]. Entonces:
Clases de lgebra
275
Demostracin 9.8
Llamando i a los autovalores no nulos y ~vi a sus autovectores asociados de AT A, se tiene:
AT A~vi = i~vi
Por otra parte, si A = U V T es una DVS de A se cumple que para todo 1 i r se tiene:
A~vi = i ~ui
Multiplicando ambas partes de esta ltima expresin por la matriz AAT se tiene:
AAT Avi = AAT i ~ui
La parte izquierda de la igualdad se puede expresar como:
A AT Avi = i A~vi = i i ~ui
|{z}
| {z }
i vi
i ~
ui
Una matriz A
55 En
Rmn slo tiene como mximo k valores singulares no nulos, siendo k = mn (m, n).
este caso en concreto, la matriz slo tendr como mximo dos valores singulares no nulos.
Clases de lgebra
276
Ejemplo 9.12. Encontrar una DVS de la matriz del Ejemplo 9.6, pgina 266, haciendo uso de
la matriz AAT .
1 1 0
A=
0 0 1
1 0
1 1 0
2 0
1 0 =
AAT =
0 0 1
0 1
0 1
2 = 2 = 1 ;
1 = 3 = 0
1 = 1 = 2 ;
La matriz pseudodiagonal es entonces:
2
0
0 0
1 0
Los vectores columna de la la matriz U se pueden calcular mediante la frmula ~ui = (1/i )A~vi
como se hizo en el Ejemplo 9.6 o bien mediante los autovectores de AAT . Vamos a calcularlos
mediante esta segunda forma:
1 = 2
2
0
0
1
0
0
0
1
2
0
0
1
1
0
0
0
1
0
.
Cuyas soluciones del sistema homogneo tambin se pueden calcular fcilmente: ~u2 = t
Y por tanto la matriz U es:
U=
1
0
0
1
0
1
.
Clases de lgebra
277
1. AA+ A = A
2. A+ AA+ = A+
3. (AA+ )T = AA+
4. (A+ A)T = A+ A
A + = V + U T =
1
1
~v1 ~uT1 + + ~vr ~uTr
1
r
0
..
.
2
..
.
0
..
.0
..
.
0
..
.
0
..
.0
0
..
.0
r
..
.0
Rmn
+
=
1
1
0
..
.
1
2
0
..
.0
..
.
..
.
0
..
.
0
..
.0
0
..
.0
1
r
..
.0
Rnm
56 En la Seccin 9.1, pgina 255 se vio una forma particular para determinar la pseudoinversa de matrices que tienen
sus vectores columna linealmente independientes.
57 Estas propiedades fueron vistas en Seccin 9.1.1, pgina 256 y determinan una forma ms general de definir la
matriz pseudoinversa para cualquier tipo de matriz.
Clases de lgebra
278
Demostracin 9.9
Notar que:
+ =
1 0
0 1
.. ..
. .
1
0
..
.
..
.
0
2
..
.
0
0
..
.
..
.
0
0
..
.
1
0
..
.
0
2
..
.
1
1
0
..
.
0
1
2
..
.
0
0
..
.
..
.
0
..
.
1
0
..
.
1
0
..
.
0
2
..
.
0
2
..
.
..
.
..
.
0
0
..
.
0
0
..
.
+ + = +
Teniendo en cuenta esto, vamos a demostrar que la matriz A+ = V + U T cumple las
propiedades de la Definicin 9.5, pgina 277:
1. AA+ A = (U V T )(V + U T )(U V T ) = U (+ )V T = U V T = A
2. A+ AA+ = (V + U T )(U V T )(V + U T ) = V + + U T = V + U T = A+
3. (AA+ )T = [(U V T )(V + U T )]T = [U + U T ]T = U (+ )T U T = U (+ )U T =
(U V T )(V + U T ) = AA+
4. (A+ A)T = [(V + U T )(U V T )]T = [V (+ )V T ]T = V (+ )T V T = V (+ )V T =
(V + U T )(U V T ) = A+ A
Ejemplo 9.13. Demostrar que la definicin de la matriz pseudoinversa para matrices con
vectores columna linealmente independientes dada en la Definicin 9.1, pgina 255:
A+ = (AT A)1 AT
coincide con la definicin general de matriz pseudoinversa dada en el Teorema 9.9, pgina 277:
A + = V + U T
Solucin: Vamos a sustituir la matriz A por su descomposicin en valores singulares, A =
U V T , y simplificar el resultado:
A+ = (AT A)1 AT = [(U V T )T (U V T )]1 (U V T )T = [V T U T U V T ]1 (V T U T ) =
= [V T V T ]1 (V T U T ) = V (T )1 V T V T U T = V (T )1 T U T = V + U T
Por tanto:
A+ = (AT A)1 AT = V + U T
Clases de lgebra
279
La descomposicin en valores singulares se puede utilizar tambin para resolver de forma eficiente el
problema de mnimos cuadrados con solucin nica58 .
Teorema 9.10
Sea A mn una matriz con vectores columna linealmente independientes y sea A = U V T
una descomposicin de valores singulares de A, siendo {1 , , n } sus valores singulares no
nulos59 de A. Entonces la solucin nica de mnimos cuadrados del problema A~s ~b se
puede expresar como:
~s =
~b ~u2
~b ~un
~b ~u1
~v1 +
~v2 + +
~vn
1
2
n
Demostracin 9.10
Vamos a sustituir A por su DVS, A = U V T , en las ecuaciones normales del problema de
mnimos cuadrados60 .
~s = (AT A)1 (AT ~b) = A+~b = V + U T ~b
Teniendo en cuenta que:
+ U T =
1
1
0
..
.
0
..
.
0
1
2
..
.
0
0
0
..
.
1
n
~u1
~u2
..
.
~un
+ U T ~b =
1
u1
1 ~
1
~
2 u2
..
.
1
un
r ~
Finalmente:
T~
V U b=
~v1
~v2
~vn
~
u1 ~b
1
~
u2 ~b
2
..
.
~
un ~b
r
b
=
~
u1 ~b
1
~
u2 ~b
2
..
.
~
un ~b
r
1
u1
1 ~
1
~
2 u2
..
.
1
un
r ~
~b ~u2
~b ~un
~b ~u1
=
~
v
+
~
v
+
+
~vn
1
2
1
2
n
58 Ver
Clases de lgebra
280
Notar que si el nmero de valores singulares no nulos es menor que n, el nmero de columnas de
A, la matriz A no tendr vectores columna linealmente independientes62 y la solucin de mnimos
cuadrados no ser nica63 y por tanto no se podr utilizar la DVS para obtener las infinitas soluciones
de mnimos cuadrados.
Sin embargo, si utilizamos la frmula del Teorema 9.10 tomando nicamente los trminos de los
valores singulares no nulos de A, se obtiene una de las infinitas soluciones de mnimos cuadrados
del problema.
Figura 9.1.: Fotografa digital en la que se ha aumentado el tamao de una pequea porcin (recuadro en rojo) para
visualizar la pixelacin de la imagen. Cada cuadradito contiene la informacin del color de un pxel.
r = rang(A)
i
T
T
A = 1 ~u1~v1 + + r ~ur ~vr
=
~ui m
~vi n
R
R
R
As, la informacin de la matriz queda organizada en bloques i ~ui~viT , teniendo todos el mismo tamao,
t = (1 + m + n)u, pero una cantidad distinta de informacin.
62 Ya
que el rango de la matriz ser inferior al nmero de columnas. Ver el Teorema 9.6, pgina 269.
el Teorema 7.2, pgina 206.
64 Normalmente comprimidas con algn mtodo de compresin y almacenadas en algn formato, como por ejemplo
JPEG.
65 Los tamaos tpicos son: doble precisin = 16 bits, precisin simple=8 bits, entero=4bits, etc.
63 Ver
Clases de lgebra
281
Los primeros bloques, correspondientes a los valores singulares ms grandes, tienen ms informacin
que los ltimos con valores singulares ms pequeos, y los bloques asociados a valores singulares nulos
no contienen informacin.
De esta forma, los bloques correspondientes a los valores singulares ms grandes contienen
la informacin base de la matriz y los ms pequeos representan pequeas correcciones a esta
informacin.
Por tanto, se puede comprimir el tamao de una matriz, tomando nicamente un pequeo nmero de
bloques correspondientes a los valores singulares ms grandes y desechando el resto. Esto tendr como
resultado una prdida de informacin que depender del tamao y cantidad de los valores singulares
eliminados.
El algoritmo de esta compresin consiste en la DVS de la matriz A y el almacenaje de los valores
singulares i y los vectores ~ui y ~vi , en funcin de la compresin y calidad deseadas. El algoritmo de
descompresin consiste en la formacin de los bloques (matrices del mismo tamao que A) i ~ui~viT
mediante productos vectoriales y la suma de dichos bloques en una nica matriz.
Si se toman k bloques el tamao necesario para su almacenamiento es:
tk = kt = k(1 + m + n)u
La relacin de compresin al tomar los k primeros trminos de la DVS es66 :
Ck = 1
k(1 + m + n)
k(1 + m + n)u
=1
mnu
mn
Se puede estimar67 la calidad de la matriz que resulta al tomar k trminos de la DVS como:
Qk =
k
X
i=1
r
X
i
i
i=1
La distribucin de tamaos en los diferentes i > 0 depende de cada matriz68 . Por ejemplo las
matrices correspondientes a imgenes que tienen su informacin69 concentrada en una determinada
zona, tienen pocos i > 0, de forma que son fciles de obtener altas compresiones con muy buena
calidad. Sin embargo si la informacin est uniformemente distribuida por la imagen, los valores
singulares i tienen una suave disminucin, obtenindose menores compresiones de peor calidad.
La DVS mediante la descomposicin espectral generalizada permite la compresin de datos con
prdida (de informacin), dependiendo su calidad del tipo de datos.
Vamos a ver a continuacin un ejemplo de compresin de una pequea imagen a blanco y negro,
correspondiente a un icono simple de 24x24 bits.
66 Aqu un valor C = 1 indicara que hemos conseguido comprimir la matriz totalmente (ahora no ocupa nada), un
k
valor Ck = 0, 5 indicara que ocupa slo la mitad y un valor Ck = 0 indica que no se ha comprimido nada (ocupa lo
mismo que la original). Valores negativos de Ck indican que ocupa ms que la original.
67 La calidad real depende de las aproximaciones numricas en el tratamiento de la matriz sobre los resultados de la
DVS. Su clculo requiere la comparacin entre la matriz real y la aproximada. Generalmente la calidad real es mayor
que la aproximada.
68 Recordamos que siempre se cumple aunque las diferencias entre ellos varan en cada matriz
r
1
2
segn la informacin contenida.
69 La informacin en una imagen depende de las variaciones de color. Zonas con colores constantes tienen poca
informacin (en la matriz aparecen los mismos valores), y al contrario zonas con mucho detalle (variaciones de color)
tienen mucha informacin (valores en la matriz muy diferentes).
Clases de lgebra
282
A=
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
1
1
1
0
0
1
1
0
0
0
0
1
1
0
0
1
1
1
0
0
0
0
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
1
0
1
1
1
1
0
0
0
0
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
0
0
0
1
1
1
0
0
0
1
1
1
1
1
1
1
1
0
0
0
1
1
1
0
0
0
0
1
1
1
0
0
0
0
1
1
1
1
1
1
0
0
0
0
1
1
1
0
0
0
0
1
1
1
0
0
0
1
1
1
1
1
1
1
1
0
0
0
1
1
1
0
0
0
0
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
0
0
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
1
0
1
1
1
1
0
0
0
0
0
1
1
1
0
0
1
1
0
0
0
0
1
1
0
0
1
1
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Ahora calculamos la DVS de A, por ejemplo con MATLAB, obteniendo los siguientes valores
singulares:
i = {12.7099, 5.4672, 5.3066, 2.7445, 2.6846, 1.8208, 1.0988, 0.7905, 0.6048, 0.3941, 0, , 0}
donde slo los primeros diez valores son distintos de cero. Por tanto: r = rang(A) = 10.
Con las matrices U y V se obtienen los correspondientes vectores columna ~ui y ~vi que utilizaremos
en la descomposicin espectral, formando las matrices comprimidas Ai :
A1 = 1 ~u1~v1T
A2 = 1 ~u1~v1T + 2 ~u2~v2T
A10 =
10
X
i ~ui~viT
i=1
Clases de lgebra
100
=
Qk = Pi=1
100
=
2,
9743
i
r
33, 6217
i=1 i
i=1
La calidad real se calcula dividiendo el nmero de pixels coincidentes entre la matriz aproximada
y la real entre el total de pixels. Los resultados para este caso se muestran en la siguiente grfica:
100
Compresion
Calidad real
Calidad aprox.
80
Porcentaje
283
60
40
20
0
1
10 11 12
Clases de lgebra
284
Clases de lgebra
285
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
70 Ver
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
10
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
289
290
292
293
294
295
296
297
298
299
300
301
302
303
303
303
304
305
305
313
313
313
315
316
317
321
322
324
287
Clases de lgebra
Clasificacin
Definicin
Tipos
Sol. Particular
Solucin Analtica
Sol. General
Forma Matricial
Sistemas (SEDO)
Autnomos
Primer Orden
Lineales
Isoclinas
Interpretacin Geomtrica
Campo Pendientes
Sol. Particular
Mt. Resolucin
Sol. General
Curva Integral
Solucin
Tipos
Definicin
Trayectorias
Plano Fase
Rep. Grfica
Sistemas Dinmicos
Nodos
Campo Direccional
Separatrices
Focos
Tipos
Definicin
Centros
Espirales
Puntos Crticos
Anlisis
Estabilidad
Puntos Silla
288
TEMA 10: Introduccin a las Ecuaciones Diferenciales
289
U
P
dy
d2 y
+x
+ (x2 p2 )y = 0
2
dx
dx
w
2w
=
2
x
t
Las ecuaciones diferenciales son el ncleo principal del Anlisis Matemtico y es la parcela matemtica
ms importante para la compresin de las Ciencias Fsicas.
a2
Analisis Complejo
Clculo
Series de Fourier y
Polinomios Ortogonales
lgebra
Ecuaciones Diferenciales
Integral de Lebesge
Anlisis
Numrico
Espacios Metricos y
de Hilbert
ANLISIS MATEMTICO
Las ecuaciones diferenciales tienen innumerables aplicaciones tericas y prcticas en muchos campos
de las ciencias, ingeniera y tecnologa, como por ejemplo:
Fsica: Leyes gravitacionales, electricidad y magnetismo, ecuaciones de onda, mecnica clsica
y cuntica, relatividad de Einstein, etc.
Qumica: Mezclas y reacciones qumicas, qumica nuclear, etc.
Biologa: Bio-fsica, ecologa, poblaciones, etc.
Economa
...
Clases de lgebra
290
y (k) =
dk y
dxk
(10.1)
(10.2)
En este tema slo veremos algunos tipos de ecuaciones diferenciales ordinarias (EDO).
U
P
Ejemplo 10.2.
x
df
+ x2 = 0
dx
df
d2 f
d3 f
+ 2 3 = x3
dx dx
dx
2f
f
+
= x + y2
x xy
Clases de lgebra
U
P
Ejemplo 10.3.
d3 y
d2 y
dy
5x 2 + 6
7y = 0
3
dx
dx
dx
5
2 3
dv
d v
2
7v
=
15t
+
3
+ 10
6
dt2
dt
10x2
291
z
2z
=0
x xy
Ejemplo 10.4.
y 00 2y 0 + y = 0
EDO lineal
d3 y
dy
+x
5y = ex
dx3
dx
: EDO lineal
(y x)dx + 4xdy = 0
1 Aquel
EDO lineal
(1 y)y0 + 2y = ex
: EDO no lineal
d2 y
+ sen y = 0
dx2
: EDO no lineal
d4 y
+ y2 = 0
dx4
: EDO no lineal
Clases de lgebra
292
Aunque generalmente es difcil o incluso imposible encontrar una solucin analtica 4 a una EDO,
suele ser sencillo comprobar que una determinada funcin y = f (x) es solucin de una determinada
EDO, calculando las correspondientes derivadas, introducindolas en la ecuacin y comprobando su
veracidad.
Ejemplo 10.5. Dada la EDO:
comprobar que las tres funciones:
f1 (x) = e2x
f2 (x) = e3x
y 00 5y 0 + 6y = 0
;
cierto!
cierto!
Sol.
Sol.
y = c1 e2x + c2 e3x ; y 0 = 2c1 e2x + 3c2 e3x ; y 00 = 4c1 e2x + 9c2 e3x
Sol.
[4c1 e2x + 9c2 e3x ] [10c1 e2x + 15c2 e3x ] + [6e2x + 6e3x ] = 0
cierto!
Nota 10.1. Las EDO poseen una teora compleja sobre la existencia y unicidad de sus soluciones y en este curso slo
se vern algunos detalles de la misma, (ver el Teorema 10.1, pgina 300).
2 Se dice que una funcin y = f (x) es de clase C n si existen y son continuas la funcin y sus n primeras funciones
derivadas; y, y 0 , y 00 , , y (n) .
3 El intervalo I se denomina intervalo de definicin, de validez o dominio de la solucin. Puede ser un intervalo
abierto (a, b), cerrado [a, b], infinito (a, ), etc.
4 Slo aproximadamente el 99.9% de las EDO resolubles tienen solucin analtica. El porcentaje es todava mucho
menor en el caso de las EDP.
Clases de lgebra
293
: Variable independiente.
x
dy
y = f (x) : Variable dependiente de x. Solucin buscada.
= F (x, y) =
(10.3)
dx
F (x, y)
: Funcin escalar de varias variables.
Definicin 10.6 (Funcin de Variables Separables)
Se dice que una funcin F (x, y) es de variables separables si puede separarse en dos funciones,
una para la variable independiente x y otra para la variable dependiente y, de forma:
F (x, y) = g(x)h(y)
dy
= g(x)dx
h(y)
dy
=
h(y)
g(x)dx
En el caso de que se puedan integrar ambas integrales indefinidas se obtiene la funcin solucin 5 .
Notar que al resolver las integrales indefinidas aparece una constante de integracin para cada una.
Estas constantes se pueden simplificar en una sola de la siguiente forma:
Z
Z
f (t) dt = g(r) dr ;
F (t) + = G(r) + ;
F (t) = G(r) + c
siendo F (t) y G(r) funciones primitivas 6 de f (t) y g(r) respectivamente, y las constantes de
integracin y c = la nica constante de integracin simplificada.
5 La funcin solucin puede estar en forma explcita, y = f (x), o bien en forma implcita, f (x, y) = 0, sin poder
despejar la variable dependiente de la independiente.
6 Es decir, funciones que cumplen [F (t)]0 = f (t) y [G(r)]0 = g(r).
Clases de lgebra
294
Ejemplo 10.6. Resolver las siguientes EDO simples mediante el mtodo de separacin de
variables:
a)
dy
=5
dx
b)
Solucin:
dy
a)
=5 ;
dx
dy
= 4x2 + 3x 2
dx
dy =
5 dx ;
c)
y = 5x + c
dy
= y
dt
; c
d)
dy
= 10t2 x3 y 5
dt
Z
Z
dy
4x3
3x2
= 4x2 +3x2 ;
dy = (4x2 +3x2) dx ; y =
+
2x + c ; c
dx
3
2
Z
Z
dy
dy
c)
= y ;
= dt ; ln y = t + c ; y = et+c = et ec ; y = ket
dt
y
k = ec
3
Z
Z
dy
dy
1
t
2 3 5
3
3
2
d)
= 10t x y ;
= 10x
= 10x
+c
; c
t dt ;
dt
y5
4y 4
3
b)
(n1)
Sujeta a:
x(t0 ) = x0 , x0 (t0 ) = t00 , . . . , x(n) (t0 ) = x0
Condiciones Iniciales
Ejemplo 10.7. El siguiente es un ejemplo de un problema de valor inicial, (PVI), para una
EDO de primer orden:
dy
= xy sen x2
dx
y(3) = 10
7 El trmino condicin inicial proviene de los sistemas fsicos en los que la variable independiente es el tiempo t y
donde y(t0 ) = y0 y y 0 (t0 ) = y00 representan respectivamente, la posicin y velocidad iniciales a tiempo t0 .
Clases de lgebra
Ejemplo 10.8. El siguiente es otro ejemplo de un problema de valor inicial, (PVI), en este
caso para una EDO de segundo orden:
00
y y 0 + xy sen x2 = 0
295
y(1) = 0
y 0 (1) = 2
Solucin General
Se denomina solucin particular de una EDO a la curva integral que satisface un PVI
con condicin inicial y = y0 cuando x = x0 :
x = (t; c0 )
= Solucin Particular
x0 = (t0 ; c0 )
La solucin particular representa una nica curva de la solucin general (familia
uniparamtrica), para un valor determinado c0 del parmetro.
En la siguiente grfica se muestra la solucin general de una determinada EDO (familia de curvas
uniparamtricas en color azul) y una solucin particular para unas determinadas condiciones iniciales
(curva en color rojo).
dx
= F (x, t) =
dt
x(t ) = x
=
0
0
8 Ver
(t; c)
x = (x; c)
x = (x; c0 )
t0
x0
(t; c = c0)
t
Clases de lgebra
296
2 = ce cos = ce(1) = ce
c=
2
= 2e1
e
dx
= F (t, x)
dt
la funcin F (t, x) representa la pendiente de la curva solucin x = (t; c) en cada punto (t, x).
x
x = (t; c)
x0
x = F (t0, x0)
t0
Esta informacin puede resultar til para tener un conocimiento geomtrico de la solucin de una
EDO.
Clases de lgebra
297
El valor de la pendiente de una EDO se puede representar en una grfica de ejes coordenados t x
mediante pequeos segmentos que indican la inclinacin de la curva solucin9 .
Por cada punto (t0 , x0 ) pasa una nica curva solucin, de forma que representando un campo vectorial
de pequeos segmentos (rayitas) podemos tener una aproximacin grfica del conjunto de soluciones.
y = (3 y)/2
y = (3 y)/2
6
3
y
1
1
Curvas Integrales
Campo de Pendientes
9 Segn
la definicin de derivada de una funcin, el ngulo del segmento viene dado por el valor = arctan
dx
.
dt
Clases de lgebra
298
10.3.2. Isoclinas
Definicin 10.10 (Isoclinas)
Una isoclina de la EDO x0 = f (t, x) es una curva de la forma:
f (t, x) = m
en la cual la pendiente x0 (t) de la curva solucin x(t) es constante e igual a m
R.
y =m+x
y=
m
x
; m
Clases de lgebra
299
En muchos problemas cientficos y tcnicos aparecen magnitudes que interaccionan unas con otras
siguiendo leyes complejas. Una buena forma de modelizar dichos problemas es a travs de sistemas de
ecuaciones diferenciales ordinarias.
Definicin 10.12 (Sistema de Ecuaciones Diferenciales Ordinarias)
Un Sistema de Ecuaciones Diferenciales Ordinarias (SEDO) es un conjunto de ecuaciones de
la forma:
~
=
(F1 , F2 , . . . , Fn )
~
x
=
(x1 , x2 , . . . , xn )
0
0
(n)
~
x
=
(x01 , x02 , . . . , x0n )
~
~
F [t, ~x, ~x , . . . , ~x ] = 0 =
.
..
..
.
(n)
(n)
(n)
(n)
~x
= (x1 , x2 , . . . , xn )
x2 = 2 (t)
...
xn = n (t)
x2 (t0 ) = x20
...
xn (t0 ) = xn0
Clases de lgebra
300
x(t) =
y(t) =
(1)
z(t) =
z + 2t
2y
x + t2
Solucin: Vamos comprobar si ambas partes de las igualdades del SEDO son iguales:
x0 = cos t + 2t z + 2t
y 0 = 2e2t
2y
z 0 = sen t
x + t2
= cos t + 2t = Cierto!
= 2e2t
= Cierto!
= sen t
= Cierto!
x02 = f2 (t, x1 , x2 , . . . , xn )
(10.4)
..
..
.
.
0
xn = fn (t, x1 , x2 , . . . , xn )
donde t es la variable independiente (espacial, temporal, etc.), el conjunto x1 , . . ., xn son
i
funciones desconocidas dependientes de una nica variable t y x0i = dx
dt .
A continuacin veremos un teorema muy importante que establece las condiciones suficientes para la
existencia y unicidad de las soluciones de un SEDO de primer orden.
x02 = f2 (t, x1 , x2 , . . . , xn )
..
.
(10.5)
x0n = fn (t, x1 , x2 , . . . , xn )
Clases de lgebra
301
Por tanto, basta con que las funciones que definen las derivadas en el SEDO sean funciones
suficientemente suaves (continuas y derivables) en un dominio, para asegurar la existencia de una
nica funcin solucin 15 en ese dominio.
x1 = x ; x2 = x0 ; x3 = x00 ; ; xn = x(n1)
0
x1
= x2
x
= x3
2
..
..
.
.
x
=
xn
(n1)
0
= f (t, x1 , x2 , . . . , xn )
xn
Ejemplo 10.15. Obtener el SEDO equivalente de la siguiente EDO de segundo orden:
y 00 + 3y 0 10y = 6e4x
Solucin: Al ser de segundo orden, se podr expresar como un SEDO de 2 2 de la siguiente
forma:
1. Despejamos y 00 :
y 00 = 3y 0 + 10y + 6e4x
y10
y20
y1 = y
=
=
y2 = y 0
y2
3y2 + 10y1 + 6e4x
15 Si existiera ms de una solucin en algn punto, la solucin no sera una funcin. Ver una introduccin a las
funciones en el Apndice A.10, pgina 361.
Clases de lgebra
302
P
P
P
x02 (t)
..
0
xn (t)
=
=
=
a11 (t)x1 (t) + a12 (t)x2 (t) + . . . + a1n (t)xn (t) + b1 (t)
a21 (t)x1 (t) + a22 (t)x2 (t) + . . . + a2n (t)xn (t) + b2 (t)
..
.
an1 (t)x1 (t) + an2 (t)x2 (t) + . . . + ann (t)xn (t) + bn (t)
x02 (t)
..
0
xn (t)
=
=
=
x02 (t)
..
0
xn (t)
=
=
=
16 Trmino
17 Por
Clases de lgebra
303
En este curso, vamos a analizar nicamente los SEDO ms sencillos que hay: de primer orden,
lineales y autnomos (SEDO1LA), tambin conocidos de forma abreviada como SEDO con coeficientes
constantes, (SEDOC).
Definicin 10.16 (SEDO con Coeficientes Constantes)
Los SEDO con coeficientes constantes, (SEDOC), tienen la forma:
0
.
.
0
xn = an1 x1 + an2 x2 + + ann xn
dxi
dt ,
x1 (t)
X = ...
xn (t)
x01
dx1 /dt
..
X 0 = ... =
.
0
xn
dxn /dt
a11
..
A= .
an1
a1n
..
.
ann
x(t) = ceat
t
x1 (t)
v1
x1 (t) = ~v1 et
x2 (t) = ~v2 e
x2 (t) v2
;
.. = ..
..
. .
.
xn (t)
vn
xn (t) = ~vn et
18 Ver
19 Ver
t
e
(10.6)
X(t) = ~v e
~v
R
Rn
(10.7)
Clases de lgebra
304
Vamos a ver qu condiciones tienen que tener la constante y el vector de constantes ~v para que la
Ecuacin (10.7) sea solucin de la Ecuacin (10.6).
X 0 (t) = et ~v
R
R
(10.6)
et ~v = Aet ~v
~v = A~v
Teorema 10.2
La Ecuacin (10.7) es solucin de Ecuacin (10.6) si y slo si es un autovalor de A y ~v su
autovector asociado20 .
Teorema 10.3
Si x1 (t), x2 (t), , xn (t) son soluciones de la Ecuacin (10.6), entonces cualquier
combinacin lineal de ambas tambin es solucin.
El conjunto de todas las soluciones del sistema (solucin general) es un espacio vectorial
de dimensin n.
Por tanto si todas las xi (t) son soluciones linealmente independientes 21 , (es decir, una
base 22 del espacio funcional correspondiente), cualquier otra solucin (t) se puede
expresar como combinacin lineal de ellas, para unos nicos valores reales c1 , c2 , ,
cn de la forma:
(t) = c1 x1 (t) + c2 x2 (t) + + cn xn (t)
(10.8)
20 Ver
fn (x)
0
0
f
(x)
f
(x)
n
1
6= 0 x [a, b]
..
..
..
W (x) =
.
.
.
(n1)
(n1)
f
(x) fn
(x)
21 Se
Esta definicin es anloga a la definicin de conjunto de vectores linealmente independientes, ver la Definicin 2.15,
pgina 75 y el Teorema 3.8, pgina 133.
22 Ver la Definicin 2.21, pgina 81.
23 Ver la Seccin 10.2.2, pgina 294.
Clases de lgebra
305
dx1
dt
dt
a11 a12
x1
0
;
X =
= AX
=
a21 a22
x2
dx
dx2
2
= a21 x1 + a22 x2
dt
dt
Para resolver un SEDOC, Ecuacin (10.6), basta encontrar los autovalores y autovectores de la
matriz A asociada al sistema, siendo la solucin general, segn el Teorema 10.3, de la forma:
X(t) =
x1 (t)
x2 (t)
2
X
(10.9)
k=1
donde c1 y c2 son constantes arbitrarias y 1 y 2 los autovalores asociados a los autovectores ~v1 y
~v2 . De forma matricial:
X(t) =
x1 (t)
x2 (t)
= c1 e
1 t
v11
v12
2 t
+ c2 e
v21
v22
c1 e1 t v11
c1 e1 t v12
+ c2 e2 t v21
+ c2 e2 t v22
(10.10)
2
X
ck e(tt0 ) ~vk
k=1
2
X
ck~vk
k=1
x10
x20
c1 v11
c1 v21
+
+
c2 v12
c2 v22
Clases de lgebra
306
dx1
dt = a11 x1
dx2
dt
X =
a22 x2
x01
x02
a11
0
0
a22
x1
x2
= AX
x1 (t)
x2 (t)
x1 (t) = c1 ea11 t
x2 (t) = c2 ea22 t
Las exponenciales sern crecientes si el coeficiente aii es positivo y decrecientes si aii es negativo. Si
alguno de los coeficientes es cero, la solucin es una recta horizontal.
Los parmetros c1 y c2 se podrn determinar si se especifican unas determinadas condiciones
iniciales:
c1 = x10 ea11 t0
x1 (t0 ) = x10
x10 = c1 ea11 t0
x2 (t0 ) = x20
x20 = c2 ea22 t0
x(0) = 5 ;
c2 = x20 ea22 t0
y(0) = 2
Solucin: La solucin general se puede obtener directamente integrando cada ecuacin por
separado obtenindose:
x(t) = c1 e3t
y(t) = c2 et
c1 = 5
2 = c1 e0 = c2 = 2
x(t) = 5e3t
y(t) = 2et
24 Ya que en cada ecuacin diferencial slo aparece un tipo de variable dependiente y por tanto podemos aplicar el
mtodo de separacin de variables a cada ecuacin de forma independiente.
25 Ver la Seccin 10.2.1, pgina 293.
26 Notar que en este caso los autovalores de la matriz A se pueden calcular fcilmente, siendo = a
1
11 y 2 = a22 ,
y sus autovectores asociados ~v1 = [1, 0] y ~v2 = [0, 1], lo cual corresponde con lo dicho en la Seccin 10.5.2.
Clases de lgebra
307
dx1
dt = a11 x1 + a12 x2
x01
x02
a11
a21
a12
a22
x1
x2
=
;
= A~x
dx2
= a21 x1 + a22 x2
dt
En este caso las ecuaciones del sistema no son independientes y no puede aplicarse directamente el
mtodo de separacin de variables para resolverlo.
Sin embargo, en el caso de que la matriz A sea diagonalizable tendremos:
1 0
A = P DP 1 ;
D=
;
P = [~v1 , ~v2 ]
0 2
siendo 1 , 2
Entonces:
d~x
= A~x = P DP 1 ~x
dt
P 1
~v2
d~x
= DP 1 ~x
dt
d
P 1 ~x = D P 1 ~x
dt
(10.11)
Se tiene:
d~y
= D~y
dt
que corresponde con el caso bidimensional simple visto anteriormente y cuya solucin es:
y1 = c1 e1 t
y2 = c2 e2 t
X (t) =
Autovalores:
1
4
x0 (t)
y 0 (t)
1
=0
2
2
+6=0
=
=
1
4
1
2
x(t)
y(t)
(1 )(2 ) 4 = 0
1 = 3
2 = 2
(Contina en la pgina siguiente)
Clases de lgebra
308
~v1 =
1
4
x(t)
y(t)
x(t)
y(t)
= c1 e
50
40
40
30
30
x(t)
1
4
+ c2 e
2t
50
40
x(t)
y(t)
20
1
1
+ c2 e2t
+ c2 e2t
10
y(t)
30
20
c1 = 1
c2 = 1
10
2
10
1
1
c1 e3t
4c1 e3t
=
=
10
3t
50
20
10
10
20
20
20
30
30
30
40
40
40
50
50
50
Figura 10.1.: Representacin grfica de la solucin general del Ejemplo 10.20 (familia uniparamtrica para las funciones
x(t) e y(t) y solucin particular para los valores c1 = 1 y c2 = 1.
Ejemplo 10.21. Encontrar la solucin particular del Ejemplo 10.20 sabiendo que:
x(1) = 2
y(3) = 4
+ c2 e21
+ c2 e23
(Contina en la pgina siguiente)
Clases de lgebra
309
4e9 e6 4
4
e5
e15
2e3
4e9
1
0
e5
15
e + 4e5
2e3
9
4e + 8e3
c2
c1
4e4 + 8e2
4e9 + 8e3
=
15
5
e + 4e
e10 + 4
2e3 c2 e5 = 2e3
4e9 + 8e3
2e13 + 8e3 4e9 8e3
2e13 4e9
=
=
e10 + 4
e10 + 4
e10 + 4
(10.12)
Como esta ecuacin se debe de verificar para todo valor de t, se tiene obligatoriamente que cumplir:
(A~v ~v ) = 0
(A~u ~u ~v ) = 0
=
=
(10.13)
(A I)~v = 0
(10.14)
((A I)~u = ~v
Por tanto, los pasos a seguir para resolver un SEDOC con matriz asociada no diagonalizable son:
1. Obtener el autovalor y el autovector asociado ~v (resolviendo el primer SEL, Ecuacin (10.13)).
2. Conocido ~v , resolver el segundo SEL, Ecuacin (10.14), obteniendo ~u.
3. La solucin general tendr la forma:
X(t) = c1 X1 (t) + c2 X2 (t) = c1~v et + c2 ~v tet + ~uet
27 Nmero
28 Nmero
de veces que se repite un determinado autovalor, ver Definicin 8.5, pgina 232.
de autovectores asociados a un autovalor.
Clases de lgebra
310
0
=0
1
1
1
0
1
.
(1 )2 = 0 = = 1 (doble)
Autovectores correspondientes a = 1 :
0 0
v1
0
v1 = 0
=
= v1 = 0 =
1 0
v2
0
v2 = 1
~v =
0
1
Entonces, adems de la solucin X1 (t) = ~v et , tenemos que buscar una segunda solucin de la
forma:
X( t) = ~v tet + ~uet
Para encontrar el vector ~u tenemos que resolver el SEL:
u1 = 1
0 0
u1
0
0 0 0
=
(AI)~u = ~v ;
=
=
1 0 1
u2 = 0
1 0
u2
1
= ~u =
1
0
X(t) = c1~v e
+ c2 ~v te
+ ~ue
= c1
0
1
e + c2
0
1
te +
1
0
et
x(t) = c2 et
y(t) = c1 et + c2 tet
y(2) = 2
cierto !
Para encontrar la solucin particular de las condiciones iniciales del problema, tendremos que
resolver el SEL:
1 = c2 e
c2 = e1
=
2
2
c1 = 2e2 2c2 = 2e2 + 2e1
2 = c1 e + 2c2 e
Clases de lgebra
311
Caso Complejo
En el caso de que la matriz A sea real, los autovalores complejos que aparezcan lo harn en pares
conjugados, siendo los autovectores correspondientes tambin complejos conjugados. Llamando r a los
autovalores y ~v a los autovectores correspondientes, se tiene:
)
(
r1 = + i ; ~v1 = ~a + ~bi
A~v = r~v =
r2 = i ; ~v2 = ~a ~bi
donde: , y ~a, ~b 2 .
Teniendo en cuenta la frmula de Euler 29 :
ezt = e(+i)t = et eit = et [cos (t) + i sen (t)]
Las soluciones se podrn expresar como:
(
x1 (t) = ~v1 er1 t = (~a + ~bi)e(+i)t = (~a + ~bi)et (cos t + i sen t) = et (~a cos t ~b sen t) + iet (~b cos t + ~a sen t)
x2 (t) = ~v2 er2 t = (~a ~bi)e(i)t = (~a ~bi)et (cos t i sen t) = et (~a cos t ~b sen t) iet (~b cos t + ~a sen t)
x(0) = 1 , y(0) = 2
29 Ver
30 Se
R.
Clases de lgebra
312
1
1
x(t)
y(t)
= 0 ; (1 )2 + 2 = 0 ; 1 = i 2
Autovectores: 1 = 1 + i 2
v1
i 2 1
0
v1 i 2 v2
=
=
v2
0
2
i 2
2v1 v2 i 2
v2 = v1 i 2=
Por tanto:
v1 = 1
v2 = i 2
1 = 1 + i 2
2 = 1 i 2
Solucin General:
~v1 =
~v1 =
~v2 =
1
0
1
0
+i
+i
1
0
1,2 = 1 i 2
2
0
2
= 0
= 0
0i
i 2
0
x(t)
1
t
= c1 e
cos t 2
sen t 2 +
y(t)
0
2
0
1
t
+c2 e
sen(t 2)
cos(t 2) +
0
2
x(t)
cos t
2
sen t 2
t
t
X(t) =
= c1 e
+ c2 e
y(t)
2 sen t 2
2 cos t 2
Solucin Particular: como x(0) = 1 , y(0) = 2
y
1
2
= c1
1 = c1
2 = c2 2
x(t) = et
y(t) = et
Clases de lgebra
1
0
+ c2
0
2
c1 =
1
c2 = 2
cos[t 2] 2 sen[t 2]
~x
x
t
2 sen[t 2] + 2 cos[t 2]
313
Hay una gran variedad de sistemas dinmicos. En este curso nos vamos a centrar principalmente en
los sistemas dinmicos definidos por SEDOC.
En la Seccin 8.1, pgina 225 se vio la definicin de Sistema Dinmico Discreto. Vamos a ver aqu la
versin continua.
Definicin 10.19 (Sistema Dinmico Continuo Lineal y Homogneo)
Un Sistema Dinmico Continuo Lineal y Homogneo 31 es un sistema dinmico definido
mediante un SEDOC de la forma:
d~x
= A~x
dt
Cada trayectoria representa un estado o fase del sistema bajo unas condiciones dadas.
Clases de lgebra
314
En las siguientes grficas se muestran un ejemplo de un plano de fases para un problema bidimensional
y un espacio de fases para un problema tridimensional.
Phase
20
10
0
-10
Portrait
by
NDSolve
y(t)
40
30
x(t)
20
10
0
-10
Plano de Fases (n = 2)
-5
10
Espacio de Fases (n = 3)
0
x (t) = f1 (x, y, z)
y 0 (t) = f2 (x, y, z)
0
z (t) = f2 (x, y, z)
x0 (t) = f1 (x, y)
y 0 (t) = f2 (x, y)
En las grficas de abajo se muestra para el caso bidimensional, la relacin que hay entre las curvas
integrales 32 de un sistema dinmico y sus trayectorias o lneas de flujo en el plano de fases.
x2
~x
x1
x2
t
Curvas Integrales
x1
Trayectoria en el Plano de Fases
32 Ver
33 Ver
Clases de lgebra
315
x1 = f1 (x1 , . . . , xn )
..
..
.
.
0
xn = fn (x1 , . . . , xn )
Se dice que ~xc = (xc1 , . . . , xcn ) n es un punto crtico, punto estacionario o punto de equilibrio
del sistema si:
0 c
c
c
x1 (~x ) = f1 (x1 , . . . , xn ) = 0
..
..
.
.
0 c
xn (~x ) = fn (xc1 , . . . , xcn ) = 0
Los puntos crticos de un sistema dinmico indican puntos estticos, invariantes en el tiempo.
Ejemplo 10.25. Calcular los puntos crticos del siguiente sistema dinmico:
0
x =x+y
y 0 = 1 + xy
Solucin: Tenemos que resolver el sistema de ecuaciones:
y = x
x+y =0
=
xy = 0
1 + xy = 1 x2 = 0
x = 1
Los puntos crticos del sistema son dos ~xc1 = (1, 1) y ~xc2 = (1, 1) .
Los puntos crticos de un SEDOC bidimensional se obtienen resolviendo el SEL:
0
x = ax + by
ax + by = 0
=
y 0 = cx + dy
cx + dy = 0
que al ser un SEL homogneo34 , siempre tiene al menos un punto critico en el origen del plano de
fases (x, y) = (0, 0).
Si las ecuaciones son linealmente independientes la solucin trivial ser nica, de otra forma, existirn
infinitas soluciones adems de la trivial.
34 Ver
Clases de lgebra
316
Ejemplo 10.26. Calcular los puntos crticos del siguiente sistema dinmico:
0
x = 3x + 2y
y 0 = 5x y
Solucin: Como el sistema para calcular los puntos crticos es homogneo y tiene ecuaciones
linealmente independientes, el nico punto crtico ser la solucin trivial:
~xc2 = (0, 0)
x2
x1
Normalmente para simplificar y clarificar el campo de direccin, no se considera a escala las normas
de los vectores velocidad sino nicamente su direccin, siendo por tanto la longitud de todas las
flechas iguales.
35 De forma anloga a como se hizo en la Seccin 10.3.1, pgina 297 con el campo de pendientes, aunque en este caso
slo eran rayitas sin direccin.
36 El vector velocidad d~
x/dt del movimiento de una partcula es tangente a la trayectoria en cada punto.
37 Vrtice del vector ~
x.
Clases de lgebra
317
10.7.5. Separatrices
Definicin 10.24 (Separatrices)
Las separatrices son trayectorias particulares que separan el plano de fases en regiones de
comportamiento similar.
x2
d~x
= A~x
dt
se pueden entender como la evolucin temporal de un
determinado vector de estado ~x siguiendo unas reglas
dadas por la matriz A asociada al sistema, de forma
A~x. En este caso, las separatrices son trayectorias que
mantienen constante su direccin ~v en el plano de fases,
siendo por tanto lneas rectas que pasan por el origen y
cumplen la condicin:
x1
A~v = ~v
coincidiendo por tanto con la direccin de los
autovectores de la matriz A.
Esquemticamente podemos entender el proceso pensando en un vector de entrada ~v que en un
tiempo infinitesimal cambia al vector A~v . Si la direccin del vector coincide con la direccin de
algn autovector, esta direccin permanece constante en el tiempo. En funcin del signo del autovalor
asociado al autovector, el sentido de la trayectoria permanecer o cambiar.
>0
A~v
~v
<0
~v
A~v
La direccin de las separatrices est dada por los autovectores de la matriz A que define el
SEDOC y las lneas en s mismas son los autoespacios 38 asociados.
El sentido de las separatrices depende del signo del autovalor asociado a cada autovector. Si
> 0 la trayectoria sale del origen y si < 0 la trayectoria entra al origen.
38 Ver
Clases de lgebra
318
0
x1 = x1 + 2x2
d~x
;
=
0
dt
x = 4x + 3x
2
dx1
dt
1
=
4
dx2
dt
2
3
x1
x2
= A~x
A=
1
4
2
3
2
=2
1
m2 =
x2
x1
Campo de direccin
1
= 1
1
x2
x1
Separatrices
x1
Trayectorias
Clases de lgebra
319
Ejemplo 10.28. Calcular el campo de direccin y las isoclinas del siguiente SEDO lineal:
dx1
dx1
dt = 3x1
d~x
3 0
x1
3 0
dt
;
=
= A~x ;
A=
=
0 0
x2
0 0
dt
dx
dx2
2
= 0
dt
dt
x1
3x1
0
= 0
= 0
Autovalores Complejos
Los autovalores complejos indican que no existen separatrices. Las trayectorias39 en el plano de fases
pueden ser curvas cerradas (elipses) o abiertas (espirales).
Nota 10.2.
donde a y b son los semiejes de la elipse en los ejes de coordenadas x e y respectivamente, r hace referencia a la velocidad
de giro y t es el parmetro.
De forma general, una elipse girada o una espiral (en funcin de los valores a, b, c y d), tendr una ecuacin paramtrica
del estilo:
x = a cos(rt) + b sin(rt)
y = c cos(rt) + d sin(rt)
39 En la Seccin 10.8.2, pgina 324 se ver informacin ms detallada sobre la forma de las trayectorias en el caso de
autovalores complejos.
Clases de lgebra
320
Ejemplo 10.30. Calcular el plano de fases del SEDOC dado en el Ejemplo 10.24:
0
x = x y
y 0 = 2x y
Solucin: En este caso los autovalores y autovectores eran valores complejos:
1 = 1 + i 2
2 = 1 i 2
~v1 =
~v2 =
1
0
1
0
+i
+i
2
0
2
x(t)
2
sen t 2
cos t
X(t) =
+ c2 et
= c1 et
y(t)
2 sen t 2
2 cos t 2
El cual corresponde a espirales centradas en el origen.
x2
x1
Generalmente la representacin precisa del plano de fases suele ser bastante costosa
computacionalmente y no suele ser necesaria. Mucho ms interesante resulta obtener una
representacin aproximada pero que d una idea clara del comportamiento de las soluciones del
sistema.
Esta representacin aproximada, con un coste computacional mucho menor, se puede obtener
mediante un anlisis de la estabilidad del SEDO, como se estudiar en la siguiente seccin.
Clases de lgebra
321
X = (t)
X(t0 ) = X0
definido para t t0 . Se dice que la solucin (t) es estable si para otros valores X1 suficientemente
prximos a X0 , la solucin del PVI:
0
X (t) = F (t, X)
X(t0 ) = X1
se mantiene prxima a (t).
X1
X0
t0
x(t)
y(t)
[x(t0) , y(t0)]
En la grfica superior se muestra la interpretacin grfica del concepto de estabilidad para el caso
bidimensional (SEDO 2 2):
0
x = f1 (t, x, y)
y 0 = f2 (t, x, y)
donde los valores X0 corresponden a una solucin con valores iniciales x(t0 ) = x0 , y(t0 ) = y0 , y X1 a
otras soluciones con valores iniciales x(t0 ) = x1 , y(t0 ) = y1 .
Los trminos y aparecen en la definicin matemtica de estabilidad que damos a continuacin.
Clases de lgebra
322
X 0 (t) = F (t, X)
t t0
Nota 10.3. En el campo de los sistemas dinmicos, el concepto importante suele ser el de estabilidad asinttica, la
cual asegura que toda seal de entrada acotada produce una respuesta tambin acotada.
La solucin de un sistema dinmico bidimensional pertenecen a alguno de los siguientes tres tipos
bsicos:
Punto Crtico: Representando por un punto constante del plano fsico.
Curva plana sin ningn corte.
Solucin peridica o ciclo, la cual est representada por una curva cerrada en el plano fsico.
y(t)
Trayectoria sin cortes
Ciclo
Punto Crtico
x(t)
Clases de lgebra
323
X 0 (t) = AX(t)
||X0 X1 || M (t0 )
siendo M (t0 ) un determinado valor finito. Esto slo ser posible si se cumplen estas dos condiciones:
lim ei t <
t
i 0
lim te3 t < Para que esto se produzca se debe cumplir alguna de estas dos condiciones:
t
3 < 0
Si 3 = 0 su multiplicidad debe ser uno para que no aparezcan trminos en t{. . .}.
Estabilidad y Estabilidad Uniforme
La condicin necesaria y suficiente para que un SEDOC sea estable 41 es:
La parte real de todos los autovalores de la matriz A debe ser cero o negativa: i 0
En caso de que alguno sea cero, su multiplicidad debe ser simple.
Si se cumple, la estabilidad ser adems uniforme.
Nota 10.4.
En caso contrario, el sistema ser inestable, es decir, todas sus soluciones sern inestables.
Estabilidad Asinttica
La condicin necesaria y suficiente para que un SEDOC sea asintticamente estable es que la parte
real de todos los autovalores de la matriz A debe ser negativa: i < 0.
Nota 10.5.
40 Correspondientes a todas las posibles soluciones reales o complejas correspondientes al caso bidimensional, como
se vio en la Seccin 10.6.1, pgina 305.
41 Es decir, que todas sus soluciones lo sean.
Clases de lgebra
324
X0
Xc
Xc
Punto Crtico
Asintticamente Estable
Xc
Punto Crtico
Estable
Punto Crtico
Inestable
x0
y0
a1
a2
b1
b2
x
y
X 0 = AX
a1 xc + b1 yc = 0
a2 xc + b2 yc = 0
Por simplicidad, vamos a suponer que (xc , yc ) = (0, 0) es la nica solucin del sistema42 . Vamos a
calcular los autovalores y autovectores de la matriz A asociada al sistema:
Autovalores (z1 , z2 )
a1 z
a2
b1
= (a1 z)(b2 z) a2 b1 = 0
b2 z
(a1 + b2 ) z
(a1 b2 a2 b1 ) =
= tr(A)
z2 z + = 0
42 Al
= det(A)
2 4
z1 = 1 + i1
z=
=
z2 = 2 + i2
2
Clases de lgebra
325
a 1 z1
a2
b1
b2 z1
a 1 z2
a2
b1
b2 z2
u1
v1
u2
v2
=
=
0
0
0
0
~v1 = (u1 , v1 )
~v2 = (u2 , v2 )
En funcin de los autovalores, el punto crtico y todas las trayectorias del plano de fases del sistema
sern:
Inestables: Si j > 0 z1 = z2 = 0
Uniformemente Estables: Si j < k = 0
Asintticamente Estables: Si 1,2 < 0
Como:
2 4
2
2 4 = 0 si =
2
4
los distintos tipos de soluciones se producirn en funcin de los valores de y producindose
diferentes casos que se pueden representar en una grfica generando diferentes zonas.
z=
2 < 4
2 = 4
2 > 4
Clases de lgebra
326
y(t)
y(t)
v1
v2
y(t)
v1
v2
v1
v2
x(t)
x(t)
x(t)
Nodo Estable
Nodo Inestable
Punto Silla
y(t)
c1v1 +c2 v2
v1
v2
c1v1 +c2 v2
v2
x(t)
x(t)
Clases de lgebra
327
c1
c2
~v1 + ~u]
t
t
y(t)
v1
v1
x(t)
x(t)
~v = ~u + i~s
r2 = i
~v = ~u i~s
Clases de lgebra
328
En este caso 6= 0 y aparecern centros de espiral con forma elptica debido a los efectos de la
exponencial.
Hay dos tipos de punto crtico:
Punto Espiral Estable: si < 0.
Punto Espiral Inestable: si > 0.
y(t)
y(t)
y(t)
x(t)
x(t)
x(t)
Centro
Resumen
2 < 4
Espiral
Estable
Nodo Estable
Degenerado
2 = 4
Espiral
Inestable
Centro
Nodo Inestable
Degenerado
Punto Silla
2 > 4
La terminologa utilizada para designar los distintos tipos de puntos crticos es amplia. En la siguiente
tabla se muestran algunos de los nombres ms utilizados.
Clases de lgebra
329
Trmino
Otros
Punto Crtico
Punto de Equilibrio,
punto singular, punto estacionario,
punto de reposo
Centro de Espiral
Nodo Estable,
Punto Espiral Estable
Atractor, Sumidero
Nodo Inestable,
Punto Espiral Inestable
Repulsor, Fuente
x0 (t)
0
1
=
=
y 0 (t)
0
4
xc + yc = 4
=
4xc + yc = 0
Autovalores y Autovectores:
r =3
1
Solucin General:
~v1 =
r2 = 1
x(t)
y(t)
= c1
~v2 =
1
2
e3t + c2
1
1
1
2
1
2
xc
yc
0
0
xc = 0
yc = 0
1
2
et
Plano Fase
y(t)
x(t)
v1
v2
1
0.5
x(t)
-2
-2
Punto Silla
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
APNDICES
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Temas de Repaso
Contenido
A.1 Trigonometra . . . . . . . . . . . . . . . . . . . . . . . . . .
A.1.1 Medida de ngulos: Radianes . . . . . . . . . . . . .
A.1.2 Funciones Trigonomtricas . . . . . . . . . . . . . . .
A.2 Productos Notables . . . . . . . . . . . . . . . . . . . . . . .
A.3 Sumatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.4 Binomio de Newton . . . . . . . . . . . . . . . . . . . . . . .
A.5 Polinomios . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.5.1 Regla de Ruffini . . . . . . . . . . . . . . . . . . . . .
A.6 Distancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.6.1 Valor Absoluto . . . . . . . . . . . . . . . . . . . . .
A.6.2 Distancia en
. . . . . . . . . . . . . . . . . . . . .
A.6.3 Distancia en 2 . . . . . . . . . . . . . . . . . . . . .
A.6.4 Distancia en 3 . . . . . . . . . . . . . . . . . . . . .
A.7 Vectores en el Plano y en el Espacio . . . . . . . . . . . . . .
A.7.1 Vectores de Posicin . . . . . . . . . . . . . . . . . .
A.7.2 Vectores que no son de posicin: Vectores Generales .
A.7.3 Vectores Elementales . . . . . . . . . . . . . . . . . .
A.8 Vectores en Espacios n , n y n . . . . . . . . . . . . . .
A.8.1 Caracterizacin de Vectores . . . . . . . . . . . . . .
A.9 Frmulas Geomtricas sobre Distancias . . . . . . . . . . . .
A.9.1 Producto Escalar y Vectorial en 3 . . . . . . . . . .
A.9.2 Distancia de un Punto a un Recta en 2 . . . . . . .
A.9.3 Distancia entre dos Rectas paralelas en 2 . . . . . .
A.9.4 Distancia de un Punto a un Plano en 3 . . . . . . .
A.9.5 Distancia entre dos Planos Paralelos en 3 . . . . .
A.9.6 Distancia de un Punto a un Recta en 3 . . . . . . .
A.9.7 Distancia entre dos Rectas paralelas en 3 . . . . . .
A.10 Introduccin a las Funciones . . . . . . . . . . . . . . . . . .
A.10.1 Tipos de Funciones . . . . . . . . . . . . . . . . . . .
A.10.2 Representacin Grfica de Funciones Reales . . . . .
A.10.3 Tipos de Funciones . . . . . . . . . . . . . . . . . . .
A.10.4 Funcin Inversa (o Recproca) f 1 (x) . . . . . . . . .
A.10.5 Composicin de Funciones . . . . . . . . . . . . . . .
R
R
R
R C
R
R
R
R
R
R
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
334
334
336
347
347
348
349
350
353
353
353
353
354
354
355
355
356
357
358
358
358
358
359
359
359
359
360
361
361
362
363
364
365
333
334
Temas de Repaso
A.1. Trigonometra
A.1.1. Medida de ngulos: Radianes
1 radin =
360
grados 57.3o
2
= 1 radin
Relacin Grados-Radianes
2 radianes = 360
3
4
5
6
2
rad
120
90
150
225
240
5
4
4
3
(grad)
180
45
30
360
0
210
7
6
rad =
60
180
2
3
135
3600
grad
330
11
6
315
270
3
2
300
5
3
7
4
Figura A.1.: Relacin entre grados sexagesimales (marco rojo) y radianes (marco azul) de los ngulos ms usuales en
los cuatro cuadrantes.
Clases de lgebra
A.1. Trigonometra
335
Ejemplo A.1. Determinar cuantos radianes son 15o y cuantos grados son
5
12
radianes.
Solucin:
15
=
rad
180
12
15o =
5
5 180
rad =
= 75o
12
12
Direccin
anti-horaria (+)
Direccin
horaria ()
[0, ]
Solucin:
= 2
12
= 2 +
23
rad
12
5
19
=
rad
12
12
Los ngulos cuyo valor absoluto es mayor que 2 radianes (360o ) indican ms de una vuelta en una
determinada direccin.
=
2k +
= 2k
=
=
[0, 2)
Z+
41
= 20, 5 = 2 10 = rad
2
2
2
Clases de lgebra
336
Temas de Repaso
c. opuesto
sa
nu
e
t
po h
hi
C
b
c. adyacente
\
Se definen la siguientes funciones trigonomtricas del ngulo agudo = BAC:
Nombre Funcin
Abreviatura
Definicin
seno
sen
cateto opuesto
hipotenusa
a
h
coseno
cos
cateto adyacente
hipotenusa
b
h
tangente
tan
cateto opuesto
sen
=
cateto adyacente
cos
a
b
Tabla A.1.:
Ejemplo A.4. Determinar los valores del seno, coseno y tangente correspondientes al ngulo
\ del siguiente tringulo rectngulo cuyos valores son: a = 3 y b = 4.
ABC
B
h
A
a
b
h = a2 + b2 = 32 + 42 = 25 = 5
c. op.
b
4
= =
hipot.
h
5
Clases de lgebra
cos =
c. ady.
a
3
= =
hipot.
h
5
tan =
c. op.
b
4
= =
c. ady.
a
3
A.1. Trigonometra
337
Valores: (sen,cos,tan)
(1, 0, )
!
3 1
, , 3
2
2
!
2
2
,
, 1
2
2
!
1
3
3
,
,
2
2
3
3
4
5
6
!
3 1
, , 3
2 2
!
2
2
,
,1
2
2
2
3
90
120
60
135
30
180
!
3
3
1
,
,
2
2
3
300
270
2
2
,
,1
2
2
!
3 1
, , 3
2
2
11
6
315
240
4
3
330
225
5
4
(0, 1, 0)
360
0
210
7
6
45
150
(0, 1, 0)
!
1
3
3
,
,
2 2
3
5
3
3
2
(1, 0, )
!
3
3
1
,
,
2 2
3
7
4
2
2
,
, 1
2
2
!
3 1
, , 3
2 2
Nota A.1.
= 90o y
3
2
Clases de lgebra
338
Temas de Repaso
Ejemplo A.5. Determinar los siguientes valores trigonomtricos, donde los ngulos estn
expresados en radianes.
a) sen
5
3
b) cos
3
4
c) tan
4
3
5
rad = 300o = rad = 60o
a)
3
3
5
3
sen
=
3
2
3
5
b)
rad = 135o =
rad = 225o
4
4
2
3
cos
=
4
2
4
2
rad = 240o =
rad = 120o
3
3
tan
c)
4
= 3
3
Determinacin Simplificada
Recordar todos los valores de la Figura A.3 no es fcil. Resulta ms prctico conocer una pequea
lista de ngulos simples del primer cuadrante y mediante ellos determinar otros valores del resto de
cuadrantes.
Primer Cuadrante ([0 , 90 ] = [0, /2])
Vamos a ver una pequea tabla de valores del seno, coseno y tangente de un conjunto de valores
[0, /2]. Con ellos se puede obtener fcilmente el valor de otros ngulos del resto de cuadrantes.
/2
/3
/4
/6
Grados
Radianes
0o
0
sen
cos
tan
0
1
0
Primer Cuadrante
30o
45o
60o
/6
/4
/3
3/2
1/2
2/2
2/2
1/2
3/2
1/ 3 = 3/3
1
3
90o
/2
1
0
+
(x, y)
sen( ) = sen()
Clases de lgebra
cos( ) = cos()
x
x
tg ( ) = tg ()
A.1. Trigonometra
339
x
x
(x, y)
sen( + ) = sen()
cos( + ) = cos()
tg ( + ) = tg ()
y
x
y
(x, y)
sen() = sen()
cos() = cos()
tg ( ) = tg ()
Ejemplo A.6.
Determinar los siguientes valores trigonomtricos, relacionando el correspondiente ngulo con
un valor en el primer cuadrante.
a) sen
11
6
b) cos
3
4
c) tan
4
3
= sen 2
= sen
= sen
=
6
6
6
6
6
6
2
3
2
b) cos
= cos
= cos
=
4
4
4
2
c) tan
= tan +
= tan
= 3
3
3
3
Clases de lgebra
340
Temas de Repaso
2 7 3 5
4
2
4
3 2
4
3
4
5
4
3
2
7
4
3
2
7
4
3
2
7
4
1
Grfica de la funcin seno.
Figura A.4.:
y
y = cos x
1
2 7 3 5
4
2
4
3 2
4
3
4
5
4
1
Grfica de la funcin coseno.
Figura A.5.:
8
6
4
2
2 7 3 5
4
2
4
3 2
4
y = tan x
0
3
4
x
5
4
2
4
6
8
Figura A.6.:
Clases de lgebra
A.1. Trigonometra
341
Abreviatura
Definicin
cosecante
csc
hipotenusa
1
=
= (sen )1
cateto opuesto
sen
h
a
secante
sec
hipotenusa
1
=
= (cos )1
cateto adyacente
cos
h
b
cotangente
cot
cateto adyacente
1
=
= (tan )1
cateto opuesto
tan
b
a
Tabla A.2.:
3
2
1
2 7 3 5
4
2
4
3 2
4
3
4
x
5
4
3
2
7
4
1
2
3
4
Figura A.7.:
Clases de lgebra
342
Temas de Repaso
y
4
y = sec x
3
2
1
2 7 3 5
4
2
4
3 2
4
3
4
5
4
3
2
7
4
1
2
3
4
Figura A.8.:
y
8
6
4
2
2 7 3 5 3 2 4
4
2
4
4
2
y = cot x
0
3
4
5
4
3
2
7
4
4
6
8
Figura A.9.:
Nota A.2. Las funciones inversas de las funciones trigonomtricas no existen en todos aquellos casos donde la funcin
directa es 0.
Clases de lgebra
A.1. Trigonometra
343
7
rad.
6
7
1
=
6
2
csc
3
7
b) cos
=
6
2
7
2
2 3
sec
= =
6
3
3
7
3
1
c) tan
=
=
6
3
3
7
= 2
6
cot
7
= 3
6
Abreviatura
arcoseno
sen = x
x [1, 1]
arcocoseno
cos = x
x [1, 1]
arcotangente
tan = x
Tabla A.3.:
Consecuencia
Dominio
Ejemplo A.8. Determinar los siguientes valores de las funciones trigonomtricas inversas:
a) arcsen
1
2
b) arccos
1
2
c) arctan 3
Solucin: Utilizando los valores de la Figura A.3, comprobamos que hay dos posibles
soluciones simples en cada caso. La solucin apropiada depender de consideraciones geomtricas
adicionales.
1
5
1
2
a) sen =
= =
,
;
b) cos =
= =
,
2
6 6
2
3 3
c) tan =
3 =
4
,
3 3
Clases de lgebra
344
Temas de Repaso
y = sen x
1
2
y=x
Figura A.10.:
y
y = cos1 x
y = cos x
2
y=x
Figura A.11.:
Clases de lgebra
A.1. Trigonometra
345
y
y = tan x
y = tan1 x
1
y=x
2
3
Figura A.12.:
a2 + b2 = c2
(Teorema Pitgoras)
sen2 x + cos2 x = 1
tan(x y) =
tan(2x) =
1
sen =
2
1
tan =
2
tan x tan y
1 tan x tan y
1 cos
2
1
cos =
2
1 cos
1 + cos
tan
2 tan x
1 tan2 x
1 + cos
2
1
1 cos
=
=
2
sen
sen
1 + cos
Clases de lgebra
346
Temas de Repaso
12
b) cos
5
12
c) tan
7
12
1
=
, utilizando la frmula del seno del ngulo mitad se tiene:
12
26
s
s
r
r
1 cos
1 cos (/6)
1 3/2
2 3
sen =
=
sen
=
=
=
2
2
12
2
2
4
a) Como
El signo depende del cuadrante donde se encuentre el ngulo . Como /12 = 15o est en
el primer cuadrante y ah el seno siempre es positivo, se tiene:
sen
=+
12
b) Como
2 3
2
5
6
=
2 3
= + sen(/12) = +
2
donde el valor de sen(/12) se ha obtenido del apartado a).
c) Como
7
5
=
, utilizando la frmula de la tangente de una diferencia se tiene:
12
12
tan(x y) =
=
tan x tan y
1 + tan x tan y
tan( 5/12) =
tan() tan(5/12)
=
1 + tan() tan(5/12)
0 tan(5/12)
sen(5/12)
sen(5/12)
= tan(5/12) =
= p
=
1 + 0 tan(5/12)
cos(5/12)
1 sen2 (5/12)
p
3
= p
=
42+ 3
2 3
2+ 3
Clases de lgebra
347
(a + b)(a b) = a2 b2
(a + b)2 = a2 + 2ab + b2
(a b)2 = a2 2ab + b2
A.3. Sumatorios
P
Al smbolo
La expresin
j=1
Ejemplo A.10.
Sumatorio simple:
n
X
j=1
Pj = P1 + P2 + + Pj
Pj =
j=1
n
X
Pi =
n
X
=1
i=1
ak xj = ak x1 + ak x2 + + ak xm = ak (x1 + x2 + + xm ) = ak
m
X
xm
j=1
Sumatorios combinados:
n X
m
X
a=5 b=2
sa wb =
n
X
a=5
sa
m
X
b=2
wb
n
X
a=5
sa (w2 + w1 + + wm ) =
b=2
Clases de lgebra
348
Temas de Repaso
Factorial :
Nota A.3.
(x + y) =
n! = 1 2 3 (n 1) n
n
X
n
k=0
n n
n n1
n n2 2
n
n n
n1
y =
x +
x
y+
x
y ++
xy
+
y =
0
1
2
n1
n
nk k
= xn + nxn1 y +
Nmeros Combinatorios :
n
n!
=
k
(n k)! k!
n(n 1) n2 2
x
y + + nxy n1 + y n
2!
k=0
k=0
5!
5!
5! 2
5! 3
5! 4
5! 5
+
x+
x +
x +
x +
x = 1 + 5x + 10x2 + 10x3 + 5x4 + x5
5!0! 4!1!
3!2!
2!3!
1!4!
0!5!
Ejemplo A.12. Encontrar el valor del coeficiente del trmino xy 2 z 7 de la siguiente potencia
(3x y + 2z)10
Solucin: Como en la frmula del binomio de Newton slo aparecen dos trminos y aqu
tenemos tres, vamos a agrupar los dos primeros y aplicamos dos veces dicha frmula.
(3x y + 2z)10 = [(3x y) + 2z]10 =
" k
10 X
X
10
k
k=0
i=0
10
X
10
(3x y)k (2z)10k =
k
k=0
ki
(3x) (y)
(2z)10k
Como la potencia de z tiene que ser 7, por tanto 10 k = 7 y k = 3. Por otra parte como la
potencia de x debe ser 1, i = 1 y de ah la potencia de y ser k i = 3 1 = 2 como indica el
enunciado. Por tanto:
10 9 8
10 3
10! 3!
3 27 xy 2 z 7 =
384 xy 2 z 7 = 138240 xy 2 z 7
(3x)(y)2 (2z)7 =
3
1
7! 3! 2! 1!
2
Clases de lgebra
A.5. Polinomios
349
A.5. Polinomios
a0
an
Monomio
:
:
:
:
ai
Divisibilidad de Polinomios
Se dice que un polinomio P (x) es divisible por otro polinomio Q(x) si existe un determinado
polinomio C(x) tal que:
P (x) = Q(x) C(x)
Generalizacin
P (x) = Q(x) C(x) + R(x)
Dividendo
P(x)
Q(x)
Divisor
Resto
R(x)
C(x)
Cociente
Ejemplo A.13. Dividir el polinomio P (x) = 6x4 +4x2 +x4 entre el polinomio Q(x) = 2x2 1
y descomponer P (x) en base al resultado.
Solucin:
6x4 + 4x2 + x - 5
-6x4 + 3x2
0
2x2 - 1
3x2 + 7/2
7x2 + x - 5
-7x2
+ 7/2
0
x - 3/2
7
3
6x4 + 4x2 + x 4 = 2x2 1 3x2 +
+ x
2
2
Clases de lgebra
350
Temas de Repaso
an xn
+ an1 xn1
a1 x
xr
+ a0
an1
an2
a1
a0
r
an
3. Se multiplica an por r y se coloca debajo de an . Posteriormente se suman ambos obtenindose
bn2 = an1 + an r
an an1 an2 a1 a0
r
an
an r
bn2
4. Se repite el paso 3 obtenindose: bn3 = an2 + bn1 r, bn4 = an3 + bn2 r, etc. hasta obtener
b = a0 + b0 r.
an an1 an2 a1 a0
r
an
an r
bn2
bn2 r
bn3
b1 r
b0
b0 r
b
an1
an r
bn2
an2
bn2 r
bn3
a1
b1 r
b0
a0
b0 r
b
Clases de lgebra
A.5. Polinomios
351
5x2
2x
x2
3
2
6
1
3
Por tanto:
2 7
2
4
8
1
C(x) = 3x2 + x + 4
R(x) = 1
5x2
2x
x+2
Por tanto:
5
6
11
2
22
24
7
48
55
Races de un Polinomio
Se dice que r
R
R
!
P (r) = 0.
Nota A.4.
Si x =
P () = R
Clases de lgebra
352
Temas de Repaso
Teorema A.3
El polinomio P (x) es divisible por x si y slo si P () = 0.
En particular si P (x) tiene tantas races reales como su grado, es decir r = m, entonces:
P (x) = an (x r1 )(x r2 ) (x rm )
siendo an el coeficiente principal.
Polinomios Irreducibles
Un polinomio se dice irreducible si no puede descomponerse en producto de dos o ms polinomios
de grado mayor o igual que uno.
Todos los polinomios de grado cero (las constantes) y de grado uno son irreducibles.
No existen polinomios irreducibles de grado mayor o igual que tres.
Los polinomios de grado dos irreducibles son los que no tienen races reales (por ejemplo
P (x) = x2 + 1).
Clases de lgebra
A.6. Distancia
353
A.6. Distancia
|x| =
x2 =
x
x
si
si
x0
x<0
A.6.2. Distancia en
x1
x2
p
d(x1 , x2 ) = |x1 x2 | = (x1 x2 )2 =
p
= (x2 x1 )2 = |x2 x1 | = d(x2 , x1 )
Nota A.5.
(a b)2 = a2 + b2 2ab
(b a)2 = b2 + a2 2ab
=
(a b)2 = (b a)2
Ejemplo A.17.
d(2, 5) = |2 (5)| = |7| = 7
A.6.3. Distancia en
En el plano
R2
d(5, 2) = | 5 2| = | 7| = 7
Y
b
y2
d
Teorema de Pitgoras
B
y2 y1
y1
x2 x1
A
x1
x2
d2 = (x2 x1 )2 + (y2 y1 )2
p
d(A, B) = (x2 x1 )2 + (y2 y1 )2 =
p
= (x1 x2 )2 + (y1 y2 )2 = d(B, A)
Clases de lgebra
354
Temas de Repaso
Ejemplo A.18.
d[(1, 2), (1, 1)] =
R3
A.6.4. Distancia en
En el espacio
[1 (1)]2 + [2 (1)]2 =
4+9=
13
z2 z1
p
(x2 x1 )2 + (y2 y1 )2
q
d(A, B) = d21 + (z2 z1 )2 =
p
= (x1 x2 )2 + (y1 y2 )2 + (z2 z1 )2 = d(B, A)
d1 =
d1
y1 y2
x2
x1
d1
A : punto inicial
~v = AB = [x2 x1 , y2 y1 ]
B : punto final
z2
y2
b
~v = AB
y1
z1
b
x1
b
y1
y2
x2
x2
x1
Figura A.13.: Vector geomtrico AB en el plano 2D y en el espacio 3D. En el caso del plano: A = (x1 , y1 ) y
B = (x2 , y2 ). En el caso del espacio 3D: A = (x1 , y1 , z1 ) y B = (x2 , y2 , z2 ).
4 La
palabra vector proviene de la raz latina vector, vectoris que significa que conduce.
Clases de lgebra
355
md
dire
ulo
n
cci
ido
sent
Es natural representar los vectores posicin utilizando coordenadas encerradas entre parntesis
cuadrados, [ ]. A las coordenadas se le denominan componentes del vector.
Plano (2D)
Espacio (3D)
=
=
(x, y)
(x, y, z)
= ~a = OA = [x, y]
= ~b = OB = [x, y, z]
z
A
b~
~a
~b
~a
~c
~c
5 La
norma, (ver la Seccin 2.7.3, pgina 88), generaliza el concepto de mdulo de un vector en el espacio eucldeo.
Clases de lgebra
356
Temas de Repaso
Por ejemplo, el vector ~v = [3, 2] se puede interpretar como: Estando en un punto cualquiera, muvete
3 unidades hacia la derecha y despus 2 unidades hacia arriba.
[3,
2]
[0, 2]
~v =
[3, 0]
En este sentido, los vectores geomtricos OA, BC y DE mostrados en la Figura A.7.2, corresponden
con el mismo vector (general ) [3, 2].
5
C
B
4
3
2
A
O
1
6 5 4 3 2 1
1
E
D
OA =
BC =
DE =
[3 0, 2 0]
[5 2, 5 3]
[1 (4), 2 (4)]
= [3, 2]
= [3, 2]
= [3, 2]
4
5
6
~v1 = [3, 2]
1
0
0
x
Vector columna : ~v = y
z
Nota A.6.
El vector nulo ~0 = [0, 0, 0] no se puede dibujar, ya que corresponde con el origen.
La distincin entre vector fila y vector columna quedar clara en la formacin de matrices, (ver Tema 3).
Los vectores tienen siempre ms de una componente. Se denominan escalares a los nmeros (una nica
componente) reales o complejos.
Clases de lgebra
Rn , Cn y Kn
357
Rn, Cn y Kn
Rn = {[x1 , x2 , , xn ] :
xi
R,
Rn .
1 i n}
Ejemplos:
R23 = {[x, y] : x, y R}
R = {[x, y, z] : x, y, z R}
!
Nota A.7.
Los vectores
[1, 0] 2
[1, 1, 1/3]
Cn = {[x1 , x2 , , xn ] :
Ejemplos:
C2 = {[x, y] : x, y C}
C3 = {[x, y, z] : x, y, z C}
R3
Nota A.8.
[0, i] 2
[2 + i, i, 1]
xi
C,
1 i n}
C3
Cn .
Nomenclatura
Generalmente la notacin utilizada para referirse a los vectores es la siguiente:
1. ~v
2. v
K
K
La segunda forma, utilizando letras en negrita, se suele utilizar con vectores complejos para que se
pueda distinguir claramente el conjugado a travs de su rayita.
Clases de lgebra
358
Temas de Repaso
L = x2 + y 2
y
= arctan x
~v = [x, y]
~v = [x, y]
R2 :
(Teorema de Pitgoras)
si
si
x 6= 0
x = 0
y>0
y<0
= /2
= /2
Vectores
Producto Escalar
~u =
~v =
[u1 , u2 , u3 ]
[v1 , v2 , v3 ]
~u ~v = u1 v1 + u2 v2 + u3 v3
Producto Vectorial
~i
~u ~v = u1
v1
R3
~j
u2
v2
~k
u3
v3
= (u2 v3 u3 v2 )~i + (u3 v1 u1 v3 )~j + (u1 v2 u2 v1 )~k
P
b
Punto
Recta
R
d=
R2
P = (x1 , y1 )
Ax + By + C = 0
|Ax1 + By1 + C|
A2 + B 2
Demostracin A.1
RP = RQ + QP ; ~n RP = ~n RQ + ~n QP ; ~n RP = 0 + ~n QP ;
|~n QP |
|~n RP | = |~n QP | ; k~nk kRP k = |~n QP | ; d = kRP k =
k~nk
Clases de lgebra
359
~n
b
P
b
d
R
R2
|Ax1 + By1 + C|
A2 + B 2
R3
~n
d
P b
Punto
Plano
d=
P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0
A2 + B 2 + C 2
P1
d
b
P2
~v
b
P = (x1 , y1 , z1 )
Ax + By + Cz + D = 0
A2 + B 2 + C 2
R3
R3
Punto A = (x1 , y1 , z1 )
Recta ~x = p~ + t~v
k~v P Ak
d=
k~v k
Demostracin A.2
Clases de lgebra
360
Temas de Repaso
P2
~v
b
b
P1
d=
R3
k~v P1 P2 k
k~v k
x 2y 2z + = 0
|x1 y1 z1 + |
|x1 y1 z1 + |
|Ax1 + By1 + Cz1 + D|
=
=p
=4
9
A2 + B 2 + C 2
12 + (2)2 + (2)2
donde P = (x1 , y1 , z1 ) son las coordenadas de un punto cualquiera del plano , por ejemplo
P = (3, 0, 0):
4=
|3 0 0 + |
3
12 = |3 + |
3 + = 12
= 12 3 = {9, 15}
Aparecen dos valores posibles de correspondientes a los dos planos (por encima y por debajo
de ) que distan 4 unidades.
Por tanto las dos posibles soluciones del problema son los siguientes planos:
x 2y 2z = 9
6 Ver
7 Ver
x 2y 2z = 15
Clases de lgebra
361
Si X
Ejemplo A.20.
f
f
f
f
:
:
:
:
R 7 R
C 7 R
R 7 C
C 7 C
Funcin
Funcin
Funcin
Funcin
Ej:
Ej:
Ej:
Ej:
f (x) = x2
f (x) = |x|
f (x) = ix
f (x) = x2
;
;
;
;
x
x
x
x
R
C
R
C
Kn Km
R32 R2
R R3
R R
Clases de lgebra
362
Temas de Repaso
f (x)
Imagen (o recorrido)
y
b
f (x)
Dominio
Imagen
Dominio
x
x : Variable independiente
y : Variable dependiente
Si n = 1 =
f : n
Si n = 2 =
Si n 3 =
R2 R2
f:
R3 R3
Ejemplos
x2+y2
200
150
100
50
0
10
10
5
5
0
0
5
y
Figura A.15.: f :
R 7 R
5
10
10
Figura A.16.: f :
R2 7 R
Figura A.18.: f :
R3 7 R3
3
3
Figura A.17.: f :
Clases de lgebra
R2 7 R2
363
x1
y3
y2
y1
x2
No es inyectiva
Si es inyectiva
No es sobreyectiva
pero no es sobreyectiva
Biyectiva
No es una funcion
Clases de lgebra
364
Temas de Repaso
En caso de que exista, la funcin inversa f 1 (x) de una funcin dada f (x) es aquella funcin
que tiene por conjunto dominio el conjunto imagen de f (x) y por conjunto imagen el conjunto
dominio de f (x).
La representacin grfica de f 1 (x) es una reflexin de la grfica de f (x) con respecto a la recta y = x.
La Figura A.24 muestra grficamente dos casos sencillos de la funcin inversa, en relacin a la funcin
original.
f 1(x) =
f 1(x) = ex + 1
f (x) = x3
f (x) = log(x 1)
Figura A.24.: Dos ejemplos de representacin grfica de una funcin f (x) junto a su correspondiente funcin inversa
f 1 (x). Puede apreciarse como ambas son una reflexin respecto de de la recta y = x.
La condicin necesaria y suficiente para que una funcin sea invertible es que sea biyectiva 8 .
Nota A.9.
Inversa de la funcin
6=
f 1 (x)
Funcin inversa
Ejemplo A.21. Calcular, en caso de que exista, la funcin inversa f 1 (x) de f (x) = 2x + 1.
=
si existe su
y1
2. x =
2
3. f 1 (x) =
8 Ver
1
f (x)
x1
2
f 1(x) =
x1
2
Clases de lgebra
365
(f g)(x) = f [g(x)]
x g(x) f [g(x)]
Caractersticas:
La expresin (f g)(x) se lee f compuesta de g.
El dominio de f debe ser la imagen de g.
El dominio de la nueva funcin (f g)(x) es el dominio de g(x) y su imagen es la imagen
de f (x).
(f g) : W 7 Y
Nota A.10.
En algunos textos, la composicin de funciones se define al contrario de como se define aqu, de la forma:
(f g)(x) = g[f (x)]
Ejemplo A.22. Dadas las siguientes funciones f (x) y g(x) determinar (f g)(x) y (g f )(x)
Solucin:
f (x) = cos(x)
g(x) = x2 + 1
Nota A.11.
Iguales !!
Es asociativa
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=
TEMA
Nmeros Complejos
Contenido
B.1
B.2
Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cuerpo de los nmeros Complejos . . . . . . . . . . . . . . . . . . . . .
B.2.1 Definicin del nmero imaginario i . . . . . . . . . . . . . . . .
B.2.2 Potencias enteras de i . . . . . . . . . . . . . . . . . . . . . . .
B.2.3 Definicin de Nmero Complejo. Formas Cartesiana y Binmica
B.3 Operaciones Bsicas en
. . . . . . . . . . . . . . . . . . . . . . . . . .
B.3.1 Suma de Nmeros Complejos . . . . . . . . . . . . . . . . . . .
B.3.2 Producto de Nmeros Complejos . . . . . . . . . . . . . . . . .
B.3.3 El Cuerpo de los Nmeros Complejo . . . . . . . . . . . . . . .
B.4 Conjugado de un Nmero Complejo . . . . . . . . . . . . . . . . . . . .
B.4.1 Propiedades del Conjugado . . . . . . . . . . . . . . . . . . . .
B.4.2 Conjugados y Divisin de Nmeros Complejos . . . . . . . . . .
B.5 Representacin Geomtrica de
. . . . . . . . . . . . . . . . . . . . . .
B.5.1 El Plano Complejo . . . . . . . . . . . . . . . . . . . . . . . . .
B.5.2 Mdulo de un Nmero Complejo . . . . . . . . . . . . . . . . .
B.5.3 Argumento de un Nmero Complejo . . . . . . . . . . . . . . .
B.6 Otras Formas de Expresar los Nmeros Complejos . . . . . . . . . . . .
B.7 Forma Trigonomtrica y Polar . . . . . . . . . . . . . . . . . . . . . . .
B.7.1 Propiedades y Operaciones Bsicas de la Forma Polar . . . . .
B.7.2 Exponencial Compleja. Frmula de Euler . . . . . . . . . . . .
B.7.3 Teorema de De Moivre . . . . . . . . . . . . . . . . . . . . . . .
B.7.4 Potenciacin en la Forma Polar . . . . . . . . . . . . . . . . . .
B.7.5 Raz n-sima de un Nmero Complejo . . . . . . . . . . . . . .
B.8 Forma Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.8.1 Operaciones en Forma Exponencial . . . . . . . . . . . . . . . .
B.8.2 Seno y Coseno Complejo . . . . . . . . . . . . . . . . . . . . . .
B.8.3 Logaritmo Complejo . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
369
369
369
369
370
371
371
371
373
373
374
374
375
375
376
377
378
378
379
380
381
381
382
383
383
384
385
387
367
Clases de lgebra
Ec. Punto-Pendiente
Ec. General
Ec. Vectorial
Ec. Paramtrica
Rectas
Plano Eucldeo
Ec. Normal
Coordenadas Cartesianas
Ec. General
Ecuaciones Bsicas
Ec. Paramtrica
Ec. Vectorial
Planos
Ec. Normal
Ec. Paramtrica
Ec. Vectorial
Rectas
Ec. Normal
Sist. 2 Ecuaciones
Sist. 3 Ecuaciones
Sist. 1 Ecuacin
Ec. General
Espacio Eucldeo
Rectas y Planos
Igualacin
Sustitucin
Reduccin
368
TEMA B: Nmeros Complejos
B.1. Introduccin
369
B.1. Introduccin
Se puede pensar en principio que los nmeros complejos slo estn relacionados con problemas que
de alguna forma no tienen solucin y que por tanto su utilidad bsica radica en separar lo til (real)
de lo intil (imaginario). Sin embargo, los nmeros complejos son una herramienta matemtica muy
apropiada y natural en el estudio y resolucin de una gran cantidad de problemas prcticos que
aparecen en la ciencia y la tecnologa.
En este tema se vern los principios bsicos de los nmeros complejos.
r=2
i2 =
2
1 = 1
r=3
r=0
i3 = i i2 = i
i4 = i i3 = i2 = 1
i5 = i i4 = i
i6 = i i5 = i2
i7 = i i6 = i3
i8 = i i7 = i4
i9 = i
i10 = i2
i11 = i3
Siendo % el operador mdulo que da como resultado el resto de una divisin entera2 . El valor de
r = n%4 slo puede ser algn natural del conjunto {0, 1, 2, 3}. Por ejemplo 1%4 = 1 , 4%4 = 0 ,
6%4 = 2 , 8%4 = 0 , etc.
Ejemplo B.1. Calcular i2010 .
Solucin: Como 2010 = 502 4 + 2, por tanto 2010%4 = 2.
i2010 = i2 = 1
1 En
2 En
algunos textos y aplicaciones se acostumbra a utilizar la letra j en lugar de la i para identificar al valor
este caso una divisin entre 4.
1.
Clases de lgebra
370
Forma Binmica, z = a + bi
Definicin B.3 (Forma Binmica)
Se denomina forma binmica de un nmero complejo z = (a, b) al siguiente modo de expresar
sus partes real y compleja:
a
Parte Real : Re(z) = a
z = a + bi
donde
b
Parte Imaginaria : Im(z) = b
R
R
La forma binmica de un nmero complejo es una de las formas ms utilizadas para representar a
los nmeros complejos.
C)
C y se define como:
C = {a + bi : a, b R}
R
C
R
RC
3 Se llama par ordenado a un conjunto formado por dos elementos y un criterio de ordenacin que establece cul es
primer elemento y cul el segundo.
Clases de lgebra
371
R se define la
Propiedades de la Suma
Conmutativa: z1 + z2 = z2 + z1 , z1 , z2
C.
C.
Elemento Neutro: 0 = 0 + 0i : z + 0 = 0 + z = z, z C.
Elemento Opuesto: z = a + bi C z = a bi : z + (z) = 0.
R se define la
Nota B.1.
Clases de lgebra
372
z = a + bi (a, b 6= 0)
z
z 1
Divisin en
b
a
,
a2 + b2 a2 + b2
a
b
,
a2 + b2 a2 + b2
= a + bi
= x + yi
ax by
ay + bx
=
=
siendo z = a + bi.
vamos a calcular x e y.
1
0
1 + by
ay
=
; b + b2 y = a2 y
a
b
1 + by
ay
= z = a + bi (a, b 6= 0)
z 1 =
y=
b
a 2 + b2
x=
b
a
,
a2 + b2 a2 + b2
ay
a
= 2
b
a + b2
z1
= z1 z21 = (a1 + b1 i)
z2
Clases de lgebra
z1
z2
a2
b2
a1 a2 + b1 b2
a1 b2 + a2 b1
+ 2
i =
+
i
2
2
2
2
2
a2 + b2
a2 + b2
a2 + b2
a22 + b22
373
Nota B.2. Posteriormente veremos formas ms prcticas de calcular la divisin entre nmeros complejos sin necesidad
de aprenderse frmulas complicadas.
z
w
w
z
C.
C.
Elemento Neutro: 1 = 1 + 0i : z 1 = 1 z = z, z
Elemento Inverso: z {0}
C, z1 : zz1 = 1.
Distributiva: z1 (z2 + z3 ) = z1 z2 + z1 z3 , z1 , z2 , z3
C.
C.
Nota B.3.
El conjunto
Clases de lgebra
374
C.
z w = z w, z, w C.
z = z, z C.
Si z = z = z R.
z + w = z + w, z, w
Si z = z =
z es imaginario puro.
; w = 4 8i
; z + w = 1 + 5i
; z + w = 1 5i
b)
z w = (5 3i)(4 + 8i) = 20 + (40 + 12)i + 24 = 4 + 52i = 4 52i
z w = (5 + 3i)(4 8i) = 20 + (40 12)i + 24 = 4 52i
Demostracin B.1
4 Ver
z 1 =
a
b
,
a2 + b2 a2 + b2
z
zz
Clases de lgebra
375
Ejemplo B.6. Calcular las divisiones del Ejemplo B.4, pgina 373 utilizando la frmula de la
Seccin B.4.2, pgina 374.
Solucin:
1 3
z
zw
(1 + 2i)(2 + 2i)
2 + 6i
=
=
=
= + i
w
ww
(2 2i)(2 + 2i)
8
4 4
w
wz
(2 2i)(1 2i)
2 6i
2 6
=
=
=
= i
z
zz
(1 + 2i)(1 2i)
5
5 5
Im
z = (a, b)
|z
Re
|z
|
b
z = (a, b)
Figura B.1.: Representacin grfica del plano complejo y conceptos asociados: afijo de z = a+bi (punto (a, b)), mdulo
|z|, argumento y conjugado z.
Clases de lgebra
376
Geomtricamente, el mdulo de un nmero complejo z representa la distancia del origen del plano
complejo al afijo de z, (ver Figura B.1).
|z| > 0 z 6= 0 ;
|0| = 0
zz = a2 + b2 = |z|2 = |z| =
zz
| z| = |z|
|z| = |z|
|z w| = |z| |w|
z 1 =
z
|z|2
|z 1 | =
|z + w| |z| + |w|
El nmero complejo
1
, (z 6= 0)
|z|
(Desigualdad Triangular)
z
tiene mdulo unidad, (z 6= 0).
|z|
5 Ver
Clases de lgebra
377
b
a
Arg(z)
+ 2
12
+(
3)2
4=2
= arctan
=
1
3
z =1i 3
Ejemplo B.8.
Calcular el argumento principal de los nmeros complejos z1 = 1 + i 3 y
z2 = 1 i 3.
Solucin:
Im
z1
+
1 = arg z1 = arctan
2 = arg z2 = arctan
1 = 3
3
1 =
+ 3
+
= 4
3
= 2
3
z2
4
3
1 =
Re
2 = + 3 = 2
3
Clases de lgebra
378
Forma Trigonomtrica de z
Forma Polar de z
: (cos + i sen )
:
[Nota: est en el subndice]
1 = arctan 1
1 = arctan(1) = arctan(1) = 2
Como el afijo de z1 cae en el cuatro cuadrante, el valor de 1 calculado es el correcto y por tanto:
z1 = 1 i =
2 cos
+ i sen
= 2 cos i sen
= 2
2
2
2
2
2
z2 = 1 + i 3
)
2
2
|z2 | = sqrt(1)
+
(
3)
=
4
=
2
2 = arctan 13 = arctan 3 = 3
(Contina en la pgina siguiente)
8 Ver
Clases de lgebra
379
2
=
3
3
2
2
z2 = 1 i 3 = 2 cos
+ i sen
= 2 2
3
3
3
Ejemplo B.10. Dar las formas polares de un nmero real y de un imaginario puro, positivos
y negativos.
Solucin:
0 + bi = b 2 = b (cos 2 + i sen 2 )
a + 0i = a0
0 bi = b
2
a + 0i = a
z 0 = a0 + b0 i = 0 0
zz 0 = (0 )(+0 )
z
0 =
z
0 (0 )
Demostracin B.2
Teniendo en cuenta que:
cos(a + b) = cos a cos b sen a sen b
sen(a + b) = sen a cos b + cos a sen b
Clases de lgebra
380
R R
f (x) = ex
e = nmero e = 2, 718281828459...
Demostracin B.3
Se realiza a travs de desarrollos de Taylor, (no se ver aqu).
Clases de lgebra
381
Demostracin B.4
Aplicando la Frmula de Euler y teniendo en cuenta que (ax )y = axy tenemos :
(cos + i sen )n
F. Euler
(ei )n = eni
F. Euler
cos(n) + i sen(n)
P
P
=
=
12 + 1 2 = 2
= 2 4
1
arctan 1 = 4
z 6 = ( 2)66 = (23 ) 3
2
4
3
3
z 6 = 8 cos
+ i sen
= 8(0 i) = 8i
2
2
Clases de lgebra
382
>0
( y es nico)
+ 2k
; k = 0, 1, 2, ..., n 1
n
Demostracin B.5
Si
= r =
= r
(r )n =
n
r
r=
= + 2k
+2k
n
1+i
=
2 = 4 2
4
4
1+1i = 2 4 =
1+i
1 + i = { 2 8 , 2 9
}
k=0
1 = /8
/4+2k
8
=
2
k=1
2 = 9/8
En este caso, las dos races solucin son nmeros complejos, cuya valor puede dejarse en forma
polar. Notar que ambas solucines son complejos opuestos 9 , ya que 2 = 1 + y por tanto10
z1 = z2 .
Ejemplo B.14. Calcular
Solucin: En este caso al ser una raz cbica tendr tres soluciones z1 , z2 y z3 .
= 3 1 = 1
1 = 3
k=0
3
3
1 + 0i = 1 =
1
1 = {1 3 , 1 , 1 5
}
+2k
3
k
=
1
5
k=2
3 = 3
9 Ver
10 Ver
Clases de lgebra
383
Solucin:
= 5 2 1.15
2e 3
/3+2k
Im
z
z2
z3
z1
z4
Re
z5
k=0
1 =
15
k=1
2 =
7
15
k=2
3 =
13
15
k=3
4 =
19
15
k=4
5 =
5
3
z = a + bi = = (cos + i sen ) = ei
Las utilidades de la forma exponencial son las mismas que las de la forma polar.
z 0 = a0 + b0 i = 0 0 = 0 ei
zz 0 = (0 )e(+ )i
0
z
0 =
e( )i
z
0
z n = n eni
Nota B.5.
La demostracin en inmediata en base a la Seccin B.7.1, pgina 379 y la Seccin B.7.4, pgina 381.
Clases de lgebra
384
i
i
2e 4
;
z = 1 i = 2e 4
i
z1
2
= e( 4 + 4 )i = e 2 = i
z2
2
z =1+i=
i100
z1100 = ( 2)100 e 4 = 250 ei25 = 250 ei[12(2)+] = 250 ei = 250
cos =
ei + ei
2
2 cos
cos + i sen + cos i sen
=
= cos
2
2
sen =
ei ei
2i
2i sen
sen + i sen cos + i sen
=
= sen
2i
2i
Siguiendo estas frmulas se pueden definir las funciones trigonomtricas seno y coseno en el campo
de los nmeros complejos de la siguiente forma.
ezi ezi
sen z =
zi
2i
sen z
ezi ezi
e ezi
tan z =
=
=
i
cos z
i(ezi + ezi )
ezi + ezi
ezi + ezi
cos z =
2
Nota B.6. Se definen las Funciones Hiperblicas: seno hiperblico, coseno hiperblico y tangente hiperblica, de un
nmero x , de la siguiente forma:
senh (x) =
ex ex
2
cosh (x) =
ex + ex
2
11 Ver
tanh (x) =
senh (x)
ex ex
= x
cosh (x)
e + ex
Clases de lgebra
385
Demostracin B.6
Sea z = y queremos calcular log z = x + yi :
z=e
Nota B.7.
x+yi
= e (cos y + i sen y) =
exy
ex
x = log
y + 2k
El cambio de base 12 en los logaritmos complejos se hace de forma anloga a los logaritmos reales:
(Frmula de Cambio de Base)
U
P
3 + i.
Solucin:
z=
log(z) = log 2 + (
3 + i = 2 6
+ 2k)i
6
Z
(Contina en la pgina siguiente)
12 El
by = x
Clases de lgebra
386
( 2) = 11
6
k=0
() =
k=1
( + 2) =
13
6
k=2
( + 4) =
25
6
..
.
Por tanto, en este caso el logaritmo principal es:
log ( 3 + i) = log 2 + i
6
Ejemplo B.18. Comprobar la veracidad del resultado del ejemplo anterior.
Solucin: Como por definicin de logaritmo:
logb x = y
by = x
log ( 3 + i) = log 2 + i
6
elog 2+ 6 i =
3+i
Vamos a comprobarlo:
e
log 2+
6i
=e
log 2
6i
= 2e
6i
=2
3 1
+ i) = 3 + i
= 2(cos + i sen ) = 2(
6
6
2
2
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Clases de lgebra
387
Bibliografa
O. BRETSCHER, Linear algebra with applications, Prentice Hall. 2 Edition. 2001.
J. BURGOS, lgebra lineal (Ed. McGraw-Hill, 2000)
M. CORRAL, Trigonometry, http://www.mecmath.net/trig. 2009.
B. KOLMAN, lgebra lineal con aplicaciones y Matlab, Sexta Edicin, (Prentice Hall,
1999).
D. C. LAY, lgebra lineal y sus aplicaciones, Segunda Edicin, (Addison-Wesley, 1999).
B. NOBLE y J. W. DANIEL, lgebra lineal aplicada, Tercera Edicin, (Prentice Hall
Hispanoamericana, 1989).
:???;
>CDB>
>1A>
>C1B>
>EA>
<???=
Clases de lgebra
:????;
>5NM5>
>CEEB>
>DDA>
>5IJ5>
<????=