You are on page 1of 117

UNIVERSIDAD DE LAS FUERZAS ARMADAS - ESPE

EXTENSION LATACUNGA

Gua didctica para la aplicacin de Scilab y Wiris en la asignatura de lgebra Lineal.

Ing. Jorge Snchez M

Latacunga 2014.
Contenido
1. SCILAB. .................................................................................................................................. 5
1.1 Dnde encontrar SCILAB? ............................................................................................. 6
1.2 Qu se puede hacer con SCILAB?.................................................................................. 6
1.3 Ambiente de Scilab. ...................................................................................................... 6
1.4 Resumen de comandos y operadores. .......................................................................... 7
1.4.1 Operaciones Bsicas .............................................................................................. 7
1.4.1 Grficos. ................................................................................................................ 7
1.4.2 Programacin. ....................................................................................................... 9
1.4.3 Vectores .............................................................................................................. 10
1.4.4 Matrices y Algebra Lineal. ................................................................................... 10
1.4.5 Nmeros Complejos ............................................................................................ 11
2. MATRICES ............................................................................................................................ 11
2.1 Definicin: ................................................................................................................... 11
2.1 Matrices en Scilab ....................................................................................................... 11
2.2 Orden de una matriz ................................................................................................... 12
2.3 Igualdad de Matrices................................................................................................... 12
2.4 Transpuesta de una matriz.......................................................................................... 12
2.5 lgebra de Matrices. ................................................................................................... 13
2.5.1 Suma.................................................................................................................... 13
2.1.1 Multiplicacin de una matriz por un Escalar. ...................................................... 14
2.1.2 Producto Matricial............................................................................................... 15
2.2 Algebra de Matrices Utilizando Scilab. ....................................................................... 15
2.3 Operaciones elementales en una matriz. ................................................................... 18
2.4 Matrices equivalentes. ................................................................................................ 20
2.5 Matriz Escalonada ....................................................................................................... 20
2.6 Matriz escalonada reducida. ....................................................................................... 20
2.7 Rango de una matriz. .................................................................................................. 20
3.7 Tipos de Matrices ........................................................................................................ 21
3.7.1 Matrices Cuadradas. ........................................................................................... 21
3.7.1 Matriz Simtrica. ................................................................................................. 21
3.7.2 Matriz Antisimtrica ............................................................................................ 21
3.7.3 Matriz Triangula superior. ................................................................................... 22
3.7.4 Matriz Triangular Inferior. ................................................................................... 22
3.7.5 Matriz Diagonal. .................................................................................................. 22
3.7.6 Matriz Escalar. ..................................................................................................... 22
3.7.7 Matriz Identidad ( ). ....................................................................................... 22
3.7.8 Matrices Elementales. ......................................................................................... 23
3.7.9 Matriz Nula. ......................................................................................................... 23
3.8 Tipos de Matrices cuadradas (Parte II). ......................... Error! Marcador no definido.
3.8.1 Matriz Nilpotente. ............................................................................................... 23
3.7.1 Matriz Idempotente. ........................................................................................... 23
3.7.2 Matriz Involutiva ................................................................................................. 23
3.7.3 Matriz Ortogonal. ................................................................................................ 24
3.8 Potencia de una Matriz Cuadrada. .............................................................................. 24
3.8.1 Potencia de una Matriz con Scilab ...................................................................... 26
3.9 Inversa de una matriz. ................................................................................................. 27
3.9.1 Propiedades de la matriz inversa. ....................................................................... 27
3.9.2 Mtodos para obtener la inversa de una matriz................................................. 27
4 DETERMINANTES................................................................................................................. 29
4.7 Mtodos de para obtener el determinante de una matriz. ........................................ 29
4.7.1 Determinante de una matriz de orden dos......................................................... 29
3.7.1 Determinante de un amatriz de orden tres ........................................................ 30
3.7.2 Mtodo por menores para encontrar el determinante de una matriz. .............. 30
3.7.3 Determinantes con Scilab. .................................................................................. 32
3.8 Propiedades de los determinantes ............................................................................. 32
3.9 Adjunta de una Matriz. ............................................................................................... 32
3.10 Inversa de una matriz mediante determinantes......................................................... 33
4 SISTEMAS DE ECUACIONES LINEALES. ................................................................................ 35
4.7 Sistemas de ecuaciones lineales. ................................................................................ 36
4.8 Representacin matricial de un sistema de ecuaciones lineales. ............................... 36
4.9 Solucin de un Sistema de Ecuaciones Lineales. ........................................................ 37
4.10 Sistemas Lineales Homogneos .................................................................................. 37
4.11 Tipos de sistemas de Ecuaciones Lineales .................................................................. 37
4.12 Sistemas de ecuaciones de dos incgnitas. ................................................................ 37
4.13 Sistemas de ecuaciones de tres incgnitas. ................................................................ 37
4.13.1 Eliminacin Gaussiana......................................................................................... 37
4.13.2 Mtodo de Cramer. ............................................................................................. 39
4.13.3 Mtodo Grafico: .................................................................................................. 40
5. ESPACIOS Y SUBESPACIOS VECTORIALES. ........................................................................... 45
5.1 ESPACIOS VECTORIALES. ............................................................................................. 45
5.2 SUBESPACIOS VECTORIALES........................................................................................ 46
5.2.1 Rutina de determinacin de subespacios vectoriales de R3 ............................... 49
5.3 COMBINACIONES LINEALES ........................................................................................ 54
5.3.1 Rutina para analizar combinaciones lineales.. ........................................................... 55
5.4 Conjunto Generador ................................................................................................... 56
5.5 Cpsula de un Conjunto .............................................................................................. 57
5.6 Dependencia e Independencia lineal .......................................................................... 58
5.7 Base y Dimensin ........................................................................................................ 60
5.7.1 Base: .................................................................................................................... 60
5.7.2 Dimensin: .......................................................................................................... 60
La dimensin de un espacio vectorial, es el nmero de vectores que posee las bases del
espacio vectorial. ................................................................................................................. 61
5.7.3 BASES CANNICAS .............................................................................................. 61
5.8 SUMA E INTERSECCIN DE SUB- ESPACIOS VECTORIALES.......................................... 67
5.8.1 Interseccin: ........................................................................................................ 67
5.8.2 Suma:................................................................................................................... 68
5.8.3 Suma Directa: ...................................................................................................... 68
Primeramente hallar una base para 1 ....................................................................................... 70
6. ESPACIOS EUCLDEOS: ......................................................................................................... 74
6.1 Producto interno ......................................................................................................... 75
6.2 ESPACIO EUCLDEO ..................................................................................................... 76
6.3 NORMA (MDULO) ..................................................................................................... 76
6.3.1 PROPIEDADES DE LA NORMA.................................................................................. 77
6.4 Distancia entre Vectores ............................................................................................. 77
6.5 PARALELISMO.............................................................................................................. 78
6.6 PERPENDICULARIDAD ................................................................................................. 78
6.7 PROYECCIN DE VECTORES ........................................................................................ 79
6.8 NGULO ENTRE VECTORES. ........................................................................................ 80
6.9 PROCESO DE ORTOGONALIZACION ............................................................................ 81
PROCESO DE GRAM SCHMIDT.......................................................................................... 81
7. TRANSFORMACIONES LINEALES ......................................................................................... 86
7.1 Propiedades de las Transformaciones lineales: ...................................................... 89
7.2 Aplicacin Lineal asociada a una matriz...................................................................... 92
7.3 Matriz asociada a una aplicacin lineal....................................................................... 93
7.4 Matriz de Rotacin ...................................................................................................... 94
7.5 Matriz Asociada a una Transformacin Lineal en funcin a otra Base ....................... 95
7.6 Matriz cambio de base ................................................................................................ 98
7.6.1 Propiedades de las matrices de cambio de base. ............................................... 98
7.7 Ncleo e Imagen de una Transformacin Lineal ......................................................... 99
7.7.1 Ncleo ................................................................................................................. 99
7.7.2 Imagen................................................................................................................. 99
7.8 Aplicacin Lineal Inyectaba ....................................................................................... 101
7.9 Transformacin Lineal Sobreyectiva. ........................................................................ 101
7.10 Transformacin Lineal Biyectiva ............................................................................... 101
7.11 Isomorfismo .............................................................................................................. 102
7.12 Inversa de una Transformacin Lineal ...................................................................... 102
7.13 Algebra de transformaciones Lineales ...................................................................... 103
7.13.1 Suma.................................................................................................................. 103
7.13.2 Producto por escalar ......................................................................................... 103
7.13.3 Composicin de Transformacin Lineal ............................................................ 104

GUIA METODOLOGICA DE LA UTILIZACION DE SCILB Y WIRIS EN ALGBERA


LINEAL.

1. SCILAB.
Scilab es un software matemtico, con un lenguaje de programacin de alto nivel, para
clculo cientfico, interactivo de libre uso y disponible en mltiples sistemas operativos
(Mac OS X, GNU/Linux, Windows). Desarrollado por INRIA (Institut National de
Recherche en Informatique et Automatique) y la ENPC (cole Nationale des Ponts et
Chausses) desde 1990, por Scilab Consortium dentro de la fundacin Digiteo desde 2008,
Scilab es ahora desarrollado por Scilab Enterprises desde julio 2012.
Scilab fue creado para hacer clculos numricos aunque tambin ofrece la posibilidad de
hacer algunos clculos simblicos como derivadas de funciones polinomiales y racionales.
Posee cientos de funciones matemticas y la posibilidad de integrar programas en los
lenguajes ms usados (Fortran, Java, C y C++). La integracin puede ser de dos formas:
por ejemplo, un programa en Fortran que utilice Scilab o viceversa.1 Scilab fue hecho para
ser un sistema abierto donde el usuario pueda definir nuevos tipos de datos y operaciones
entre los mismos.
Scilab viene con numerosas herramientas: grficos 2-D y 3-D, animacin, lgebra
lineal, matrices dispersas, polinomios y funciones racionales, Simulacin: programas de
resolucin de sistemas de ecuaciones diferenciales (explcitas e implcitas), Xcos:
simulador por diagramas en bloque de sistemas dinmicos hbridos, Control clsico,
robusto, optimizacin LMI, Optimizacin diferenciable y no diferenciable, Tratamiento de
seales, Grafos y redes, Scilab paralelo empleando PVM, Estadsticas, Creacin de GUIs,
Interfaz con el clculo simblico (Maple, MuPAD), Interfaz con TCL/TK.
1.1 Dnde encontrar SCILAB?

SCILAB es disponible en forma gratuita en sitio web oficial de SCILAB:


http://scilabsoft.inria.fr.
Documentacin referente a SCILAB puede ser encontrada y bajada desde el mismo sitio
web de SCILAB, as como muchas otras obras y colaboraciones disponibles en Internet.
Normalmente, todos los materiales pueden ser utilizados sin costo, solamente se deben
mantener los crditos y referencias correspondientes para los autores.

1.2 Qu se puede hacer con SCILAB?

Como ya fuera dicho, SCILAB es un ambiente de programacin flexible cuyas principales


caractersticas y prestaciones son:

Programacin con lenguaje simple y fcilmente asimilable;


Posee capacidades de generacin de grficos en dos y tres dimensiones;
Permite operaciones diversas operaciones matriciales;
Permite operaciones con polinomios y funciones de transferencia;
Permite la resolucin de sistemas de ecuaciones lineales y ecuaciones
diferenciales;
Posibilita al usuario la creacin y definicin de funciones propias;
Soporta la creacin y utilizacin de conjuntos de funciones destinadas a
aplicaciones especficas denominados Toolboxes, por ejemplo: Control,
Optimizacin, Redes Neurales, etc.

1.3 Ambiente de Scilab.

En la siguiente figura se ve la ventana de trabajo de SCILAB.


Figura 1. Ambiente Scilab.

En la barra de herramientas se tienen diferentes opciones, entre las cuales se puede


mencionar como ms importantes:

File: para manejo y ejecucin de archivos


Editor: que inicializa el editor de archivos de comandos y funciones
Control: con las funciones resume, abort e interrupt, que permiten moverse dentro de
diferentes workspace (ambiente de trabajo)

Tambin es importante recordar, que se dispone de un men de ayuda Help

1.4 Resumen de comandos y operadores.

1.4.1 Operaciones Bsicas


SCILAB muestra el siguiente smbolo indicando que el programa est listo para ejecutar
la siguiente instruccin. Esto se conoce como prompt:
Las variables van siendo cargadas al workspace mediante asignaciones:
--> a = 2.3
Para ver las variable las variables activas se utiliza: -->who
Existen variables pre-definidas, por ejemplo: %e, %i, %pi, %eps, %inf, %nan, etc.
El operador : (dos puntos) sirve para crear un vector fila, por ejemplo: --> nombre del
vector = valor inicial : incremento : valor final
El operador ; (punto y coma) evita la impresin en pantalla de la salida del comando
Para introducir un comentario y no ejecutar la lnea se usa: //
Para abrir el men de ayuda se usa: --> help
Para empezar a guardar una sesin de SCILAB en un archivo se usa:
diary(nombre_del_archivo).

1.4.2 Grficos.

Para grficos simples en 2 dimensiones (2-D):

-->plot(x,y,"ttulo_eje_x","ttulo_eje_y","ttulo_del_grfico")

Agregando un grilla para grficos simples en 2 dimensiones (2-D):

--> grid(n)
Para cambiar parmetros del grfico: color, tipo de lneas, fondo, espesor de lneas, etc.,
ver:

--> xset( )

Para abrir una nueva ventana de grfico:

--> xset(window,nmero de ventana )

Borrar el contenido de la ventana actual:

--> xbasc()

Para grficos simples en 2 dimensiones (2-D):

--> plot2d(x,y,[style,strf,leg,rect,nax])

x, y matrices o vectores a graficar style: vector conteniendo nmeros que definen el


color. Para graficar usando smbolos (+,*,o, etc.) usar nmeros negativos. strf =
xyz donde

x = 1, muestra leyenda de lneas


y = 1, usa rect;
y = 2, calcula bordes usando xmax y xmin
y = 3, similar a y = 1 pero con escala isomtrica
y = 4, similar a y = 2 pero con escala isomtrica
z = 1, ejes graficados de acuerdo a especificaciones en nax
z = 2, marco del grfico sin grilla
leg = nombrelnea1@l nombrelnea2@
rect = [xmin, ymin, xmax, ymax]
nax = [nx, Nx, ny, Ny] donde nx,ny = sub-graduaciones de x,y; Nx,Ny =
graduaciones de x,y.
Para colocar ttulo a un grfico:

-->xtitle(Nombre_del_grfico,Nombre_eje_x, Nombre_eje_y)

Creando sub-ventanas:-->xsetech( wrect). Donde wrect es un vector de 4 elementos [ x,


y, ancho, alto] donde ancho y alto definen en cuantas ventanas estar dividida
la ventana, x e y definen cual de las ventanas activar.
Grficos en 3 dimensiones:

-->Plot3d(x,y,z[,theta,alpha,leyenda,flag,ebox]).

Donde theta y alpha son los ngulos (en grados sexagesimales) representado las
coordenadas esfricas del punto de vista, leyenda contiene las leyendas
identificadoras de los ejes.

Contorno en 3 dimensiones:

--> contour(x,y,z[,theta,alpha,leyenda,flag,ebox])

Contorno (curvas de nivel) en 2 dimensiones :

--> contour2d(x,y,z[,theta,alpha,leyenda,flag,ebox])
1.4.3 Programacin.
Operadores de comparacin: = =, <, >, <=, >=, <> ~ =
Operadores lgicos: & (and), | (or), ~ (not)
Lazo FOR:

for ndice = valor_inicial : incremento : valor_final


<comandos o instrucciones>
end

Lazo WHILE:

while condicin
<comandos o instrucciones>
end

Condicional IF:

if condicin then
<comandos o instrucciones>
else
<comandos o instrucciones>
end

Seleccin de casos con SELECT-CASE:

select nombre_variable
case valor_1
<comandos o instrucciones>
case valor_2
<comandos o instrucciones>
.
end

Definicin de funciones en una sola instruccin: deff([variable_salida] =


nombre_funcion(variable_entrada),[ variable_salida = definicin de
la funcin])

Definicin de funciones usando archivos (extensin del archivo sci) : Primera lnea del
archivo debe empezar con:

Function [y1,,yn] = nombre_funcion(x1,,xm)

y1,,yn son las variables de salida, creadas/definidas en la funcin

x1,,xm son las variables de entrada

Se recomienda que el nombre del archivo sea el mismo que el de la funcin. La funcin
puede ser creada usando el editor.

Para utilizar una funcin primeramente debe ser cargada usando el comando getf:

getf(nombre_de_archivo_de_funcin)

La ltima lnea del archivo debe ser:

EndFunction
Continuacin de una lnea: en caso que requiera dividir una lnea de comando en ms
de una lnea, se tienen que colocar los caracteres () al final de la lnea:

Ejemplo: A = [ 1 2 3 5 6]

Se defini un vector de 1 fila y 6 columnas.

Variable Global: son aquellas variables definidas en el ambiente principal SCILAB.


Variable Local: son aquellas variables definidas solamente dentro de una funcin.
Guardando las variables en un archivo:

save(nombre_de_archivo, lista_de_variables)

Cargando las variables de un archivo:

load(nombre_de_archivo)

Imprimiendo en archivo de salida sin formato:

print(nombre_de_archivo, lista_de_variables)

Escribiendo en un archivo de salida:

write(nombre_unidad, lista_de_variables, (formato))

1.4.4 Vectores

Magnitud de un vector: norm( vector)


Transpuesta de un vector:
Mnimo y mximo de los valores de un vector: min( vector) max( vector)
Producto escalar de dos vectores fila: u*v
Operacin trmino a trmino de matrices: usar el punto (.) antes del operador,
ejemplo: .*, ./ ,.^2

1.4.5 Matrices y Algebra Lineal.

Transpuesta de una matriz/vector: usar el apstrofe: ejemplo: A


Inversa de una matriz: inv( matriz)
Matriz identidad: eye(n,n)
Traza: trace( matrix)
Dimensiones de una matriz/vector: size(matriz)
Matriz con elementos aleatorios: rand(n,m)
Extrayendo filas: A(2,:), A(1:3,:)
Extrayendo columnas: A(:,1), A(:,2:5)
Para acceder a la ltima fila/columna de una matriz usar el smbolo $, por ejemplo:
A(:,$) extrae la ltima columna de la matriz A
Solucin de un sistema lineal A*x = b : --> xsol = A\b
Factorizacin LU: [L,U] = lu(A) or [L,U,P] = lu(A)
Descomposicin en valores singulares: [U,S,V] = svd(A)
Rango de una matriz: rank( matriz)
Normas de una matriz:

--> norm(A) o norm(A,2) : norma Euclidiana


--> norm(A,1) : norma columna
--> norm(A,inf): norma infinita
--> norm(A,fro) : norma Frobenius

Nmero de condicin de uma matriz: cond( matriz)


Determinante de una matriz: det( matriz)
Autovalores y autovectores de una matriz: spec( matrix)

1.4.6 Nmeros Complejos

Si z es un nmero complejo z = x + iy, donde i = 1 (%i en SCILAB)

Para hallar la parte real de z: real(z)


Para hallar la parte imaginaria de z: imag(z)
Para hallar la representacin polar de z: [r,theta] = polar(z)
Para hallar la magnitud : abs(z)
Para hallar el argumento: arctan(Im(z)/Re(z))
Para hallar el complejo conjugado: conj(z)
Para hallar el negativo: -z
En general las matrices definidas en SCILAB pueden tener como argumentos a
nmeros complejos.

2. MATRICES

2.1 Definicin:
Una matriz definida sobre un campo , es un arreglo rectangular de filas y columnas. Se
utilizan letras maysculas para su identificacin y sus elementos se encierran en parntesis.
11 12 13 1
21 22 23 2
=( )
1 2 3

En la matriz A, la representa las filas y la representa las columnas.

2.2 Matrices en Scilab


Para crear un vector o una matriz es lo mismo. El delimitador que se usa para filas es ";" y
para filas se puede dejar un espacio o tambin podemos utilizar ",".
Creacin de un vector x que va desde -1 a 1 con intervalos de 0.2:
-->x=-1:.2:1

x =

- 1. - 0.8 - 0.6 - 0.4 - 0.2 0. 0.2 0.4 0.6 0.8 1.

0 1 1 2
Creacin de una matriz = (1 2 3 4)
2 0 2 0
-->A=[0 1 1 2;1 2 3 4;2 0 2 0]

A =
0. 1. 1. 2.
1. 2. 3. 4.
2. 0. 2. 0.

2.3 Orden de una matriz


Si una matriz tiene m filas y columnas se dice que tiene un orden .

A una matriz tambin se la representa de la siguiente manera:

= ( )

Donde:

: representa el elemento.
: representa la posicin del elemento. i: la fila ; j : la columna.
: indica el nmero de filas que tiene la matriz.
: indica el nmero de columnas que tiene la matriz.
Ejemplo 1 : Sea la matriz A definida sobre el campo de los reales.

1 2 4 6 6
4 1 5 23 12
=( )
11 7 0 18 20
21 3 13 3 8

a. Cul es el orden de la matriz?:


Su orden es: = 45
b. Cules son los elementos y
El elemento 13 es 4
El elemento 34 es 18

2.4 Igualdad de Matrices.


Sean = ( ) y = ( ) , matrices definidas sobre un campo , se dique que
= , si y solamente si, sus elementos son iguales en su respectiva posicin = .

Ejemplo 2: Matrices Iguales.

1 2 6 1 4 + 2 6
3 1 12 3 1 9+3
=( ) ; =( )
14 7 20 7+7 92 20
21 3 8 34 21 3 8 34

12 = 12

2 = 4 + 2

2.5 Transpuesta de una matriz


Sea = ( ) , su transpuesta , es la matriz = ( ) , que se obtiene
a partir de la matriz A al intercambiar las filas por las columnas.

Ejemplo 3
1 2
1 3 4
Sea = (3 0) Su Transpuestas es = ( )
2 0 6 23
4 6 32
Propiedades.

Dada una matriz, siempre existe la transpuesta y esta es nica

( ) =A
( + ) = +
( ) = ,
( ) =
(1 ) = ( )1

En Scilab para obtener la transpuesta se utilizar el apostrofe tal como se indica en el


ejemplo siguiente.

Matriz Original
-->A=[1 -2 4 6 -6;-4 -1 5 23 12;11 -7 0 18 20;-21 3 13 -3 8]

A =
1. - 2. 4. 6. - 6.
- 4. - 1. 5. 23. 12.
11. - 7. 0. 18. 20.
- 21. 3. 13. - 3. 8.

Matriz Transpuesta.
-->A=[1 -2 4 6 -6;-4 -1 5 23 12;11 -7 0 18 20;-21 3 13 -3 8]'

A =
1. - 4. 11. - 21.
- 2. - 1. - 7. 3.
4. 5. 0. 13.
6. 23. 18. - 3.
- 6. 12. 20. 8.

2.6 lgebra de Matrices.


2.6.1 Suma.
Sean , tal que = ( ) y = ( ) , la suma + , se define:

+ = ( ) + ( )
+ = ( + )
+

Ejemplo 4: Dadas las siguientes matrices


1 0 7 1 2 6 1
=( 3 2 ) , = (5 4) = (1 2 0)
6 2 8 9 4 2 9
Calcular: + +

Las matrices A y B son de orden 3 2, mientras la matriz M es cuadrada de orden 33.


Por tanto, no podemos calcular la suma de A y M y tampoco la suma de B y M, en cambio,
s podemos sumar A y B ya que tienen el mismo orden.

Esto es,
1 0 7 1
+ =( 3 2 ) + (5 4)
6 2 8 9
1+7 01
+ = ( 3+5 24 )
6 + 8 2 + 9
8 1
+ = ( 8 2)
2 7
Por lo tanto la suma se matrices se puede realizar nicamente si las matrices tienen el
mismo orden.

2.6.1.1 Propiedades de la Suma de Matrices.

Sean , ()

Clausurativa ( + ) ()
Conmutativa ( + ) = ( + )
Asociativa ( + ) + = + ( + )
Existencia del Elemento Neutro.
() () + = + =
Elemento Opuesto.
() () + () = () + =

2.6.2 Multiplicacin de una matriz por un Escalar.


Sea () y , la multiplicacin de una matriz por un escalar se define
por:

= ( )
= ( )

Ejemplo 5: Dada la matriz A y = 3, encontrar


1 0
=( 3 2)
6 2
1 0
= 3 ( 3 2)
6 2
3 0
=( 9 6)
18 6

2.6.2.1 Propiedades del Producto por Escalar.


Sea () y .

Clausurativa () () .
Distributiva respecto a la suma de matrices. ( + ) = +
Distributiva del producto respecto a la suma de matrices.
( + ) = +
Asociativa. () = ()
Elemento neutro 1. =

2.6.3 Producto Matricial.


Se denomina matriz producto de la matriz = ( ) por la matriz = ( ) a una
matriz = ( ) cuyos elementos son de la forma:

= ;

( ) ( ) = ( )

Donde: = =1

Ejemplo 6: Sean:
1 3
1 2 5
= (2 1) = ( )
2 0 3
0 4
1 3 7 2 14
1 2 5
= (2 1) ( )=( 0 4 7)
2 0 3
0 4 8 0 12
2

23 = 2 3
=1

23 = 2 3 = 21 13 + 22 23 = 2 5 + (1) 3 = 7
=1

*Dos matrices se pueden multiplicar slo cuando el nmero de columna de la primera


matriz sea igual al nmero de filas de la segunda.

2.6.3.1 Propiedades del producto Matricial.


Asociativa:
( ) = ( ), , , : , ,
Elemento neutro (Es la matriz unidad)
! =
Distributiva mixta.
( + ) = + , , , ,

2.7 Algebra de Matrices Utilizando Scilab.


Hay que recordar que para realizar las operaciones entre matrices existen restricciones,
estas hay que tener en cuenta cuando se definen las matrices.

Suma de Matrices:
-->A=[1 -2 4 6;-4 -1 5 23;11 -7 18 20;-21 3 13 -5]
A =

1. - 2. 4. 6.
- 4. - 1. 5. 23.
11. - 7. 18. 20.
- 21. 3. 13. - 5.

-->B=[0 2 -3 7;4 9 8 -8;-1 -3 -5 8; 1 0 3 -7]


B =

0. 2. - 3. 7.
4. 9. 8. - 8.
- 1. - 3. - 5. 8.
1. 0. 3. - 7.

-->A+B
ans =
1. 0. 1. 13.
0. 8. 13. 15.
10. - 10. 13. 28.
- 20. 3. 16. - 12.
Si el resultado se quiere guardar en una nueva matriz basta con poner:

-->C=A+B
C =
1. 0. 1. 13.
0. 8. 13. 15.
10. - 10. 13. 28.
- 20. 3. 16. - 12.

Para la multiplicacin se utiliza el comando *:


-->A*B
ans =

- 6. - 28. - 21. 13.


14. - 32. 48. - 141.
- 26. - 95. - 119. 137.
- 6. - 54. 7. 32

Si no se cumple con la condicin de multiplicacin nos dar un error en la operacin:


-->A=[1 -2 4 6;-4 -1 5 23;11 -7 18 20;-21 3 13 -5]
A =

1. - 2. 4. 6.
- 4. - 1. 5. 23.
11. - 7. 18. 20.
- 21. 3. 13. - 5.

-->B=[0 2 -3 7;4 9 8 -8;-1 -3 -5 8]


B =

0. 2. - 3. 7.
4. 9. 8. - 8.
- 1. - 3. - 5. 8.

-->A*B
!--error 10

Multiplicacin inconsistente.

En este caso el nmero de columnas de la matriz A es diferente al nmero de filas de la


matriz B.

EJERCICIOS RESUELTOS.
1. Realice las siguientes demostraciones:
a. La propiedad conmutativa de la suma de matrices en el campo de los reales.
b. La propiedad clausurativa del producto por escalar, en el campo de los reales.
Desarrollo:

a. La propiedad conmutativa de la suma de matrices en el campo de los reales


Sean () , P.D + = +

A B A B Axioma Re flexivo
A B (aij ) mxn (bij ) mxn Def . de matrices
A B (aij bij ) mxn Def . suma de matrices
A B (bij aij ) mxn Axio. Conmutativo de suma de reales.
A B (bij ) mxn (aij ) mxn Def . suma de matrices
A B B A

b. La propiedad clausurativa del producto por escalar, en el campo de los reales

Sea () , P.D ()

A A Axioma Re flexivo
A (aij )mxn Def . de matriz
A ( aij )mxn Def . Pr oducto por escalar
( aij )mxn M ( R) mxn

2. Sean las siguientes matrices:

1 3 2
3 3 1
= ( 2 0 4 ) , = ( ) = ( 4 6)
0 1 3
1 + 3 3

Determinar: La siguiente operacin: (2 + )

Desarrollo:

Aplicando las propiedades de la transpuesta tenemos:

(2 + ) = (2 ) + ( )
(2 + ) = 2( ) + [( ) ( ) ]
(2 + ) = 2 +

Por lo tanto se operara 2 +

1 3 2
3 3 1
2 ( 2 0 4 ) + ( 4 6) ( )
0 1 3
1 + 3 3

1 3 3 + 2 3 + 2 0 (1 ) + 2 (1 3)
2 ( 2 0 4 ) + ( 4 3 + 6 4 3 + 6 0 4 (1 ) + 6 (1 3) )
1 + 3 3 3 + 3 3 + 0 3 (1 ) + (1 3)
2 2 6 5 3 1 7
( 4 0 8 + 2 ) + (12 6 12 10 22 )
2 6 2 2 8 9 4
2 5 5 7
( 16 6 12 2 20 )
10 6 9 + 2 2

3. Sean A y B dos matrices simtricas del mismo orden

a. Pruebe que A.B + B.A es una matriz simtrica.


Desarrollo
a. Pruebe que A.B + B.A es una matriz simtrica.

H: Sabemos que A y B son matrices simtricas, por lo tanto:


= =
P.D: (. + . ) = (. + . )
(. + . ) = (. + . ) Axio. Reflexivo
(. + . ) = (. ) + (. ) Propiedad de la transpuesta.
(. + . ) = + Propiedad de la transpuesta.
(. + . ) = . + . Por hiptesis
(. + . ) = . + . Prop. Conmutativa suma de Matrices.

2.8 Operaciones elementales en una matriz.


Se pondrn atencin en tres operaciones entre filas de una matriz:

a. Intercambio de filas de una matriz. , 0


b. Multiplicacin de un escalar diferente de cero a una fila de una matriz.
c. Sumar a una fila de una matriz otra fila de la misma matriz multiplicada por un
escalar. + , , , 0.

Con el Software Scilab si se pueden realizar estas operaciones utilizando los siguientes
comandos:

-->A=rand(4,4) Se almacena en A una matriz 4x4 de num. Aleatorios


A =

0.2113249 0.6653811 0.8782165 0.7263507


0.7560439 0.6283918 0.0683740 0.1985144
0.0002211 0.8497452 0.5608486 0.5442573
0.3303271 0.6857310 0.6623569 0.2320748

-->A(2,2)=0 Se modifica el segundo elem. diagonal de A

A =
0.2113249 0.6653811 0.8782165 0.7263507
0.7560439 0. 0.0683740 0.1985144
0.0002211 0.8497452 0.5608486 0.5442573
0.3303271 0.6857310 0.6623569 0.2320748
-->A(2:3,1:2)=1 La submatriz A(2:3,1:2) se llena con unos
A =
0.2113249 0.6653811 0.8782165 0.7263507
1. 1. 0.0683740 0.1985144
1. 1. 0.5608486 0.5442573
0.3303271 0.6857310 0.6623569 0.2320748

-->A=[A,[1:5]'] Se aade a A una nueva columna al final

2.8.1.1 Instrucciones especficas para las operaciones entre filas de una matriz:

Definamos la siguiente matriz:


-->A=[1 -2 4 6 -6;-4 -1 5 23 12;11 -7 0 18 20;-21 3 13 -3 8]

A =
1. - 2. 4. 6. - 6.
- 4. - 1. 5. 23. 12.
11. - 7. 0. 18. 20.
- 21. 3. 13. - 3. 8.

Una operacin elemental seria:


-->A(2,:)=A(2,:)+4*A(1,:)

A =
1. - 2. 4. 6. - 6.
0. - 9. 21. 47. - 12.
11. - 7. 0. 18. 20.
- 21. 3. 13. - 3. 8.
Donde:

A(2,:)= Indica que el resultado se pondr en la fila 2.

A(2,:)+4*A(1,:) Indica que a los elementos de la fila 2 se les sumara cuatro veces los
elementos de la fila 1.

Se puede observar que en la operacin anterior se est utilizando la operacin de multiplicar


un escalar por toda una fila 4*A(1,:.)

Para seguir introduciendo ceros en la primera columna de la matriz dada es suficiente seguir
realizando operaciones elementales asi: si se quiere introducir un celo en la posicin 31
basta con poner:

-->A(3,:)=A(3,:)-11*A(1,:)

A =

1. - 2. 4. 6. - 6.
0. - 9. 21. 47. - 12.
0. 15. - 44. - 48. 86.
- 21. 3. 13. - 3. 8.
2.9 Matrices equivalentes.
Sean () . La matriz B es equivalente por filas a la matriz A ( ), si la
matriz B se obtiene de A al aplicar una o ms operaciones elementales. Ejemplo.
1 2 6
Ejemplo 7: Sea: = (3 1 12 )
14 7 20
1 2 6 3 1 12 3 1 12
= (3 1 12 ) 1 2 ( 2 4 12)
2 ( 1 2 6) 2
14 7 20 14 7 20 14 7 20
3 1 12
3
32 ( 2 4 12)
8 19 56
Esta ltima matriz que la llamaremos B, es equivalente a la matriz A.
3 1 12
= ( 2 4 12)
8 19 56

2.10 Matriz Escalonada


Una matriz () , se dice que es escalonada si cumple las siguientes caractersticas:

El nmero de ceros iniciales de izquierda a derecha aumentan al pasar de una fila a


otra.
Los primeros elementos diferentes de cero de izquierda a derecha en cada fila son
iguales a uno.
Si existen filas completas de cero, estas se encuentran en la parte inferior de la matriz.

Ejemplo 8:

1 0 2 1 4
0 1 3 5 2
=( )
0 0 0 1 1
0 0 0 0 0

2.11 Matriz escalonada reducida.


Una matriz () , es escalonada reducida si los 1 iniciales de cada fila son los
nicos elementos diferentes de 0 en su columna. As por Ejemplo:

Ejemplo 9:

1 0 2 0 4
0 1 3 0 2
=( )
0 0 0 1 1
0 0 0 0 0

2.12 Rango de una matriz.


El rango (ram( ) ) de una matriz () es el nmero de filas no nulas (diferentes
de cero) de una matriz reducida por filas equivalentes a la matriz A.

Ejemplo 10:
1 0 2 0 4
0 1 3 0 2
=( )
0 0 0 1 1
0 0 0 0 0
() = 3

Para obtener el rango de una matriz se utiliza las operaciones elementales de fila de una
matriz.

TEOREMA 1. Toda matriz () es equivalente por filas a una matriz


() escalonada por filas.

2.13 Tipos de Matrices


2.13.1 Matrices Cuadradas.
Una matriz es cuadrada si el nmero de filas es iguala al nmero de columnas.

Ejemplo 11:
1 2 6
= (3 1 12 )
14 7 20
A una matriz cuadrada de la representa de la siguiente manera. = ( ) , donde

representa el orden de la matriz.

En una matriz cuadrada hay que destacar un elemento, este es su diagonal principal.
11 12 13 1
21 22 23 2
=( )
1 2 3

Los elementos de su diagonal principal sern los = , para la matriz A la diagonal


principal estar formada por los siguientes elementos: 11 , 22 , 33 , . . . ,

2.13.2 Matriz Simtrica.


Sea = ( ) , La matriz A se dice que es simtrica ssi = .

Ejemplo 12:
3 5 6
=( 5 1 12)
6 12 0
3 5 6
= ( 5 1 12)
6 12 0
2.13.3 Matriz Antisimtrica
Sea = ( ) , La matriz A se dice que es antisimtrica ssi = .

Ejemplo 13:
0 1 2
= (1 0 3)
2 3 0
0 1 2
= ( 1 0 3)
2 3 0
0 1 2
= (1 0 3)
2 3 0
=

2.13.4 Matriz Triangula superior.


Una matriz = ( ) , es triangular superior ssi: = 0, > .

Ejemplo 14:
1 1 2
= (0 2 3)
0 0 1
2.13.5 Matriz Triangular Inferior.
Una matriz = ( ) , es triangular inferior ssi: = 0, < .

Ejemplo 15:
1 0 0
=( 3 2 0)
6 2 1
2.13.6 Matriz Diagonal.
Una matriz = ( ) , es diagonal ssi: = 0 , .

Ejemplo 16:
1 0 0
= (0 2 0 )
0 0 3
2.13.7 Matriz Escalar.
Una matriz = ( ) , es escalar si es diagonal, en los cuales los elementos de la matriz
diagonal son los mismos. = = = 0 .

Ejemplo 17:
3 0 0
= ( 0 3 0 ) , = 3
0 0 3
2.13.8 Matriz Identidad ( ).
Una matriz = ( ) se denomina identidad si cumple las siguientes
condiciones: , = 1

A la matriz identidad de le identifica con la letra I.


Ejemplo 18:
1 0 0
3 = (0 1 0)
0 0 1
2.13.9 Matrices Elementales.
Se dice que una matriz () es una matriz elemental si se obtiene de la matriz
identidad () por medio de solo una operacin elemental de fila.

Las matrices siguientes son matrices elementales pues todas ellas se obtuvieron a partir de
la matriz 3 por medio de la nica operacin elemental de fila:
2 3 , 1 23 32 , respectivamente.

Ejemplo 19:
1 0 0 1 0 2 1 0 0
(0 0 1) , (0 1 0 ) (0 3 0)
0 1 0 0 0 1 0 0 1

2.13.10 Matriz Nula.


Se dice que una matriz es nula, si todos sus elementos son cero. = , .

Ejemplo 20:
0 0 0
= (0 0 0)
0 0 0
2.13.11 Matriz Nilpotente.
Una matriz = ( ) es nilpotente de orden r, si existe un r tal que es igual a , donde
r es el menor entero positivo que cumple con la condicin.

Ejemplo 21:.

0 3 0
= (0 0 0)
0 4 0
0 0 0
2 = (0 0 0)
0 0 0

2.13.12 Matriz Idempotente.


Una matriz = ( ) es idempotente cuando 2 = .

Ejemplo 22:
0 0
=( )
1 1
0 0
2 = ( )
1 1

2.13.13 Matriz Involutiva


Una matriz = ( ) , es involutiva cuando 2 = .

Ejemplo 23:
0 1
=( )
1 0
1 0
2 = ( )
0 1

2.13.14 Matriz Ortogonal.


Una matriz = ( ) , es ortogonal si = .

Ejemplo 24:
sin cos
=( )
cos sin
Las matrices ortogonales de orden 2 son de la forma:

=( ) 0 =( )

2.14 Potencia de una Matriz Cuadrada.


Vamos a tratar de exponer distintas tcnicas para hallar las potencias naturales de matrices
cuadradas. Esta cuestin es de gran importancia y tiene muchas aplicaciones prcticas.
Como vamos a poder observar el clculo de potencias de matrices cuadradas lleva consigo
un nmero muy elevado de operaciones.

Es conveniente encontrar estrategias adecuadas que nos permitan calcular de modo


eficiente las potencias naturales de matrices cuadradas. Empezamos con este primer
ejemplo en el que utilizaremos el mtodo de induccin. Ejemplo.
1 0
=( )
1 1
En cualquier problema de este tipo es conveniente empezar calculando las potencias
sucesivas de la matriz cuadrada A. En este caso vamos a observar que estas potencias
parecen obedecer a un cierto patrn, lo que nos permite la posibilidad de lanzar una
hiptesis sobre el valor de que luego habra que demostrar por induccin.
1 0 1 0 1 0
2 = ( )( )=( )
1 1 1 1 2 1
1 0 1 0 1 0
3 = ( )( )=( )
2 1 1 1 3 1
1 0 1 0 1 0
4 = ( )( )=( )
3 1 1 1 4 1
1 0
Se puede concluir que = ( )
1
La demostracin mediante induccin sera:

Para = 1
1 0 1 0
1 = ( )=( )
1 1 1 1
Para =
1 0
= ( )
1
Para encontrar = + 1
1 0 1 0
= ( )( )
1 1 1

1 0 1 0
+1 = ( )=( )
1 1 ( + 1) 1

1 0
Por lo tanto queda demostrado por induccin que: = ( )
1

El segundo mtodo para encontrar la potencia n-esima de una matriz est condicionado a
encontrar una matriz B nilpotente as por ejemplo:

1 0 1 0
=( )1( ) ; = 1
1 1 0 1
0 0
=( )
1 0
La matriz A deber tener los mismos elementos en su diagonal principal caso contrario no
se podr encontrar la matriz nilpotente.
0 0
2 = ( )
0 0
Para este caso la matriz B es nilpotente de orden de nilpotencia igual a 2. Por lo tanto la
matriz A se le puede reescribir de la siguiente manera:

= +

= (+ )

Par desarrollar el lado derecho de la igualdad se utilizara el binomio de Newton:




= ( ) ( )


=0


= ( ) ( )0 0 + ( ) ( )1 + ( ) ( )2 2 + + ( ) ( )0
0 1 2
0 0 0 0
Como 2 = ( ), todos los dems trminos de la sumatoria sern ( ) , por lo tanto
0 0 0 0
los trminos a desarrollar queda:

= ( ) ( ) 0 + ( ) ( )1
0 1

= ( ) ( ) + ( ) ( )1
0 1
! !
= +1 + 1
0! ( 0)! 1! ( 1)!
Recordemos que: = , 0! = 1
! !
= + 1
! ( 1)!

( 1)! 1
= +
( 1)!

= + 1
1 0 0 0
= ( ) + 1 ( )
0 1 1 0
0 0 0
= ( )+( )
0 1 0
0
= ( )
1
Como = 1
1 0
= ( )
1
2.14.1 Potencia de una Matriz con Scilab
Para obtener la potencia de una matriz se definir la matriz y se le elevara a la potencia
correspondiente, as por ejemplo:

-->A=[1 0;-1 1]
A =

1. 0.
- 1. 1.

-->A^2
ans =
1. 0.
- 2. 1.

-->A^3
ans =

1. 0.
- 3. 1.

-->A^4
ans =

1. 0.
- 4. 1.
Se puede observar que el nico elemento de la matriz que se altera al encontrar las
deferentes potencias es el elemento 21 , y este elemento coincide con la potencia de la
matriz en ese instante, con lo cual podemos generalizar que la potencia de es:
1 0
= ( )
1
2.15 Inversa de una matriz.
En lgebra lineal, una matriz cuadrada A de orden n se dice que es invertible o inversible
(no singular), si existe otra matriz cuadrada B del mismo orden tal que AB=I, si se cumple
la matriz B es la inversa de A y se representada como 1 , tal que:

1 = 1 =

Una matriz no invertible se dice que es singular o degenerada. Una matriz es singular si
y solo si, su determinante es cero.

2.15.1 Propiedades de la matriz inversa.

La inversa de una matriz, si existe, es nica.


( )1 = 1 1
( )1 = (1 )
1
()1 = 1

(1 )1 =

2.15.2 Mtodos para obtener la inversa de una matriz.


Se pueden aplicar dos mtodos para obtener la inversa de una matriz:

2.15.2.1 Mediante operaciones elementales de fila:


Sea se cumple que ( ) ~ ~ ( 1 ).
1 2
Ejemplo 25.: Sea = ( ), encontrar la Inversa de A
3 4
1 2 1 0 1 2 1 0
( ) 31 ( )
3 4 0 1 2 0 2 3 1

1 1 2 1 0 1 0 2 1
2 1 (0 1) 1
2 ( 2)
3 2 3 1
1 2 2 0 1 2

2 1
1 = ( 3 1)

2 2

2.15.2.2 Mediante Determinantes.


Este mtodo se ver luego de ver determinantes.

EJERCICIOS PROPUESTOS.

1. Una fbrica produce dos modelos de lavadoras: A y B, en cada uno de los tamaos
grande, pequeo y mediana. Produce diariamente 400 grandes, 200 pequeas y 50
medianas del tipo A, 300 grandes, 100 pequeas y 30 medianas del tipo B, la del tamao
grande gasta 30 horas de taller y 3 horas de administracin, la del tamao pequeo gasta
20 horas de taller y 2 horas de administracin, la del tamao mediano gasta 15 horas de
taller y 1 hora de administracin, represente la informacin en matrices.

2. Una empresa de muebles fabrica tres modelos de estantera: A,B,C en cada uno de los
tamaos grande y pequeo. produce diariamente 2000 estanteras grandes y 4000
pequeas del tipo A, 5000 grandes y 3000 pequeas del tipo B, 4000 grandes y 6000
pequea del tipo C. Cada estantera grande lleva 20 tornillos y 6 soportes y cada
estantera pequea lleva 12 tornillos y 4 soportes, en cualquiera de los tres modelos,
represente esta informacin en matrices.

3. Ilustrar cada una de las propiedades de las matrices estudiadas con un ejemplo.

4. Bajo que circunstancia se da la igualdad.


a. ( + )2 = 2 + 2 + 2
b. ( )2 = 2 2 + 2
c. 2 2 = ( ) ( + )
d. ()2 = 2 2

5. Demostrar que si AB = A y BA = B entonces A y B son matrices Idempotentes.

6. Si A y B son matrices conmutativas demostrar que ; conmutan.

7. Hallar una matriz 33, tal que = + .

8. Demostrar que si una matriz A satisface la ecuacin 2 3 + = 0 entonces 1 =


3 .

9. Cules de los enunciados siguientes es verdadero. Justifique su respuesta desarrollando


el ejercicio o poniendo un contraejemplo.
a. ()1 = 1 1 1.
b. ( ) = .
c. es una matriz simtrica.
d. Si A y B son matrices simtricas entonces () =
e. Si A y B son matrices simtricas entonces ( + ) es simtrica.
f. + es una matriz simtrica.
g. es una matriz antisimtrica.
1
h. La matriz = ( ), es involutiva para b nmero real cualquiera.
0 1
cos sin
i. La matriz = ( ), es una matriz ortogonal.
sin cos
cos sin cos sin
j. Si = ( ), entonces = ( ).
sin cos sin cos
1 0 0 1 0 0
k. Si = (0 2 0), entonces = (0 2 0 )
0 0 3 0 0 3
l. Si A y B son matrices invertibles entonces A + B es una matriz invertible.
m. Si 1 existe, y = entonces = .

1 2 3
10. Si = (1 5 3), Explicar 2 mtodos diferentes como hallar 1 y cual es la inversa.
1 0 8
1 2 3 2
1 3 4
11. Si = ( ) , = (3 5) = ( 1 0), Calcular: B+C; AB; BA; AC;
2 3 1
2 0 1 4
CA; A(3B- 2C ).

12. Sabiendo que A y B son conmutables y que adems:


a. A es idempotente y B es involutiva, pruebe que ( + )3 + ( )3 = 8.
b. A es involutiva y B es idempotente, pruebe que ( + )3 + ( )3 = 8.

13. Hallar los valores de k , tal que es idempotente.:


0 0
a. = (0 0),
0 +4 0

0 0 +2
b. = ( )
+2 0 0
0
14. Sea = ( ), donde es un escalar e es la unidad imaginaria, verificar que 2 =

2 2 , obtenga .

15. Demostrar que si A y B son matrices cuadradas simtricas conmutativas de un mismo


orden, entonces la matriz: C = ABAB..ABA es simtrica.

16. Demostrar que el producto de dos matrices simtricas es una matriz simtrica, sii las
matrices dadas son conmutativas.

17. Demostrar que el producto de dos matrices antisimtrica es una matriz simtrica si y
slo si, las matrices dadas son conmutativas.

18. Demuestre que A y B conmutan, s y solo s y , conmutan para cierto


escalar k.
19. Si A conmuta con B, demuestre que la transpuesta de A conmuta con la transpuesta de
B.

20. Si A y B son matrices cuadradas y A es no singular, verifique que:


( + )1 ( ) = ( )1 ( + )

1 1
21. Hallar todas las matrices que conmuten con la matriz: = ( ).
0 1

3. DETERMINANTES.
Histricamente la teora de los determinantes precedi a la teora de matrices, y muchos
resultados familiares de la teora de matrices fueron originalmente formulados en trminos
de determinantes.

Definicin: El determinante de una matriz = ( ) (), notado det() || es


la funcin:
:
det()

3.1 Mtodos de para obtener el determinante de una matriz.


3.1.1 Determinante de una matriz de orden dos.
Sea = ( ) , el determinate queda definido de la siguiente manera.
2

11 12
= ( 22 )
21

12
|| = |11 22 | = 11 22 21 12
21

Ejemplo 26:
1 2
Sea = ( ), encontrar su determinante.
3 5
|| = | 1 2| = (1)(5) (3)(2)
3 5
|| = 5 + 6
|| = 11

3.1.2 Determinante de un amatriz de orden tres


Sea = ( )3 , para obtener su determinante se puede ocupar el mtodo de Sarrus, que
consiste en aumentar las dos primeras filas al ultimo de la matriz, o las dos primeras
columnas en la parte derecha de la matriz, asi:
11 12 13
Sea = ( 21 22
23 ), su determinante aplicando el mtodo de Sarrus quedara de la
31 32 33
siguiente manera:

Aumentando las dos primeras filas.

11 12 13
21 22 23
|| = 31 32 33
11 12 13
21 22 23

|| = 11 22 33 + 21 32 13 + 31 12 23 13 22 31 23 32 11 33 12 21

Aumentando las dos primeras columnas


11 12 13 11 12
|| = 21 22 23 21 22
31 32 33 31 32

|| = 11 22 33 + 31 12 23 + 21 32 13 13 22 31 23 32 11 33 12 21
1 3 1
Ejemplo 27: Sea = ( 2 4 5 ), encontrar su determinante.
3 0 2
1 3 1
2 4 5
|| = 3 0 2
1 3 1
2 4 5
|| = (1)(4)(2) + (2)(0)(1) + (3)(3)(5) (1)(4)(3) (5)(0)(1) (2)(3)(2)

|| = 8 + 0 45 12 0 + 12

|| = 53

3.1.3 Mtodo por menores para encontrar el determinante de una matriz.


Este mtodo es generalmente utilizado para encontrar el determinante de una matriz de
orden mayor que tres. Esta definida por:

1. Si = 1, det(11 ) = 11

2. Si > 1, las siguientes son dos formas equivalentes de definir el det()


a. El desarrollo del determinante por menores por la r-esima fila de A.
|| = =1(1)+ | | ,
Donde es la matriz 1 que resuslta de quitar de la matriz A la fila y la
columna para = 1,2, ,

b. El desarrollo del determinante por menores por la s-esima columna de A. || =


=1(1)+ | | ,
Donde es la matriz 1 que resuslta de quitar de la matriz A la fila y la
columna para i= 1,2, ,

En este mtodo se puede identificar los siguientes elementos:

Elemento Menor Cofactor

| | (1)+ | |

Se llama menor del elemento de un determinante A de orden n al determinante | | de


orden ( 1) que se obtiene al eliminar el rengln i y la columna s de A.

Se llama cofactor del elemento ais del determinante A, al menor | | con


el signo (-1)i+s y se denota , esto es

= (1)+ | |

Ejemplo 28: Determinar el determinante de la matriz A.

1 3 1
= (2 1 2)
0 4 3

|| = (1)+ | |
=1

Para este ejemplo se desarrolla con la fila 2


3
|| = (1)2+ 2 |2 |
=1

|| = (1)2+1 21 |3 1
| + (1)2+2 22 |
1 1
| + (1)2+3 23 |
1 3
|
4 3 0 3 0 4
|| = (1)2+1 2 |3 1
| + (1)2+2 (1) |
1 1
| + (1)2+3 2 |
1 3
|
4 3 0 3 0 4
|| = (1)(2)(5) + (1)(1)(3) + (1)(2)(4)
|| = 10 3 8
|| = 21

Para agilizar el clculo de un determinante, es preferible hacer el desarrollo por menores


por la fila o la columna que tenga mayor cantidad de ceros
3.1.4 Determinantes con Scilab.
Definir la matriz y utilizar el comando: -->det(A)

A =

1. - 2. 4.
- 4. - 1. 5.
1. - 3. 8.

-->det(A)
ans =

- 15.

3.1.5 Propiedades de los determinantes

Sean , ()
1. Para cualquier matriz A, A y su transpuesta tienen el mismo determinante: || = | |
2. Si B se obtiene de A intercambiando dos filas (o columnas) cualquiera entonces: || =
||
3. Si B se obtiene de A sumando un mltiplo de un fila (o columna) a otro fila (o
columna) de A, entonces. || = ||
4. Si la matriz A es triangular (superior o inferior), su determinante es el producto de los
elementos de la diagonal principal.
5. Si A tiene una fila (o columna) de ceros, entonces || = 0
6. Si A tiene dos filas (o columnas) que son iguales, entonces || = 0.
7. Si A tiene dos renglones (o columnas) que son mltiplos entre s, entonces || = 0.
8. Si A es cualquier matriz y es cualquier escalar, entonces || = ||
9. El determinante de un producto de matrices es el producto de los determinantes de los
factores.|| = ||||, |1 2 | = |1 ||2 | | |
10. | | = ||

Utilizando cualquiera de los dos Software comprobar las propiedades de los


determinantes.

3.2 Adjunta de una Matriz.


Consideremos una matriz cuadrada = ( ) sobre un campo K. La adjunta de A,
denotado por (), es la traspuesta de la matriz de cofactores de A:

1 2 1
Ejemplo 28.: Sea = (0 3 2 )
2 1 5
Los cofactores de los nueve elementos de A son:

3 2 0 2 0 3
11 = (1)1+1 | | 12 = (1)1+2 | | 11 = (1)1+3 | |
1 5 2 5 2 1
2 1 1 1 1 2
21 = (1)2+1 | | 22 = (1)2+2 | | 23 = (1)2+3 | |
1 5 2 5 2 1
2 1 1 1 1 2
31 = (1)3+1 | | 32 = (1)3+2 | | 33 = (1)3+3 | |
3 2 0 2 0 3

11 = 17 12 = 4 11 = 6
21 = 11 22 = 7 23 = 3
31 = 1 32 = 2 33 = 3

Por lo tanto su adjunta es :


17 4 6
() = (11 7 3)
1 2 3

3.3 Inversa de una matriz mediante determinantes.


Para matrices de rdenes superiores puede utilizarse la siguiente frmula:
1
1 = ()
||
Donde () es la transpuesta de la matriz adjunta de la matriz original ; || es
el determinante de A .
Cuando la matriz tiene ms de tres filas, est frmula no es muy ineficiente y conduce a
largos clculos. Hay mtodos alternativos para calcular la matriz inversa que son bastante
ms eficientes.
1 2 1
Ejemplo 29.: Sea = (0 3 2 ), encontrar 1
2 1 5
1 2 1
A=|0 3 2 | = 9
2 1 5

1
1 = ()
||

17 4 6
De la matriz A ya encontramos su adjunta: () = (11 7 3)
1 2 3

1 17 4 6
1 = (11 7 3)
9
1 2 3

1 17 11 1
1 = ( 4 7 2)
9
6 3 3

17 11 1
9 9
9
4 7 2
1 = 9 9 9
6 3 3

( 9 9 9 )

Inversa de una Matriz mediante Scilab

Se proceder como en el caso de obtener la potencia de una matriz, pero su exponente ser
-1 de tal forma que se obtendr la inversa. As por ejemplo:

A =
1. 0.
- 1. 1.
-->A^-1
ans =

1. 0.
1. 1.
Recordemos que : 1 = 1 =

EJERCICIOS PROPUESTOS.


1. Si | | = 6 , Hallar:

2 2 2 + + +
a) |3 3 3 | = , b) | | =, c)| |=


d) | |=

2. Si 33 y || =2; calcular: a) || b) |1 | c) |21 | d) |(2)1 |

+ + +
3. Demostrar que : | |=0
1 1 1

1 1 1
4. Demostrar que : | | = ( )( )( ).
2 2 2

+ + +
5. Demostrar que: | 1 1 1 | = |1 1 1|
+1 +1 +1

3 1 0
6. Considere que: = (2 4 3 ), hallar: a. b. 1 c. 1 1
5 4 2
1 +1
7. Para que valores de , la matriz A tiene inversa = ( 1 2 3 )
2 +3 +7
1 0 0 3
2 7 0 6
8. Calcular | |
0 6 3 0
7 3 1 5

3 + 3
9. Calcular | |
3 3 +

1 cos() cos(2)
10. Calcular | cos() cos(2) cos(3)|
cos(2) cos(3) cos(4)
0 4 0 0
1 0 0 0
11. Dada la matriz: = 5 + 3 5 + 2 1 Verificar que |A| en un
2 1 2 1 1
(3 1 3 +1 0 )
polinomio en x y sus races son : -3, -2, -1, 1, 2

2 2
12. Demostrar que | 2 2 | = ( + + )3
2 2

13. Sea = ( ) tal que = 2.{} .Hallar ||.

14. Sea = ( ) tal que = min{, }.Hallar ||

15. Sea = ( ) tal que = {, }.Hallar ||

1 ==1
0 =
16. Sea = ( ) tal que = { .Demostrar || = 1
1 <
1 >

17. Calcular los siguientes determinantes:

1 2 3 4 1
1 0 3 4 1
|1 2 0 4 1 |
a.

| |
1 2 3 4 0
1 2 3 4 ( 1) 0

1 1 0 0 0
1 1 1 0 0
|0 1 1 0 0|
b.
| |
0 0 0 1 1
0 0 0 1 1

4. SISTEMAS DE ECUACIONES LINEALES.


Se denomina ecuacin lineal a aquella que tiene la forma de un polinomio de primer grado,
es decir, las incgnitas no estn elevadas a potencias, ni multiplicadas entre s, ni en el
denominador.

Por ejemplo, 3 + 2 + 6 = 6 es una ecuacin lineal con tres incgnitas, las


ecuaciones lineales con dos incgnitas representan una recta en el plano, si la ecuacin
lineal tiene tres incgnitas, su representacin grfica es un plano en el espacio.

El objetivo del tema es el estudio de los sistemas de ecuaciones lineales, es decir, un


conjunto de varias ecuaciones lineales.
4.1 Sistemas de ecuaciones lineales.
Un sistema de ecuaciones lineales es un conjunto de ecuaciones lineales de la forma:

11 1 + 12 2 + 13 3 + + 1 = 1
21 1 + 22 2 + 23 3 + + 2 = 2
{

1 1 + 2 2 + 3 3 + + =

En este caso tenemos ecuaciones y incgnitas

Los nmeros reales se denominan coecientes y los se denominan incgnitas (o


nmeros a determinar) y se denominan trminos independientes.

En el caso de que las incgnitas sean dos se suelen designar simplemente por en vez
de 1 2 , y en el caso de tres, , , en lugar de 1 , 2 3 pero esto es indiferente a la
hora de resolver el sistema.

Resolver el sistema consiste en calcular las incgnitas para que se cumplan TODAS las
ecuaciones del sistema simultneamente. Diremos que dos sistemas son equivalentes
cuando tienen las mismas soluciones.

4.2 Representacin matricial de un sistema de ecuaciones lineales.


Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial del modo:

11 12 13 1
21 22 23 2
=( )
1 2 3

1 1
2 2
=( ) =( )


Donde:
a. A, es la matriz de los coeficientes.
b. X, es la matriz de las incgnitas
c. B, es la matriz del trmino independiente.

Un sistema de ecuaciones se les puede representar de la siguiente manera:


=
11 12 13 1 1 1
21 22 23 2 2 2
( ).( ) = ( )
1 2 3

La matriz formada por A y B conjuntamente, es decir:

11 12 13 1 1
22 23 2 2
(|) = ( 21 )

1 2 3 1
se llama matriz ampliada del sistema y se representar por (|) o b ien por A

4.3 Solucin de un Sistema de Ecuaciones Lineales.


La solucin de un sistemas de ecuaciones lineales es un conjunto de valores que al
reemplazarlos en dichas ecuaciones satisfacen la ecuacin.

El conjunto solucin se lo representa de la siguiente manera:

= (1 , 2 , 3 , , )
Para que sea solucin se debe cumplir que:

4.4 Sistemas Lineales Homogneos

Un sistema de ecuaciones lineales = se llama homogneo si = . Si el


sistema se llama no homogneo.

4.5 Tipos de sistemas de Ecuaciones Lineales


En general, buscaremos las soluciones de los sistemas en los nmeros reales R.
Dependiendo de las soluciones que tenga un sistema, stos se pueden clasicar en:

( )
{ ( )
( ) {
( )

4.6 Sistemas de ecuaciones de dos incgnitas.


Los sistemas ms sencillos son aquellos en los que slo hay dos incgnitas y dos ecuaciones,
y que ya son conocidos. Hay varios mtodos para resolverlos, los ms habituales son:

Reduccin
Igualacin
Sustitucin
Grfico.

4.7 Sistemas de ecuaciones de tres incgnitas.

En este tipo de sistemas tenemos tres incgnitas y los mtodos ms habituales son:
Eliminacin Gaussiana.
Mtodo de Cramer.
Grfico (Interpretacin Geomtrica de las ecuaciones.)

4.7.1 Eliminacin Gaussiana.


Este mtodo consiste en llevar la matriz aumentada del sistema a su forma escalonada o
escalonada reducida.

Ejemplo 30:
2 + = 11
3 = 20
4 + 2 + 5 = 8

Su representacin matricial ser:

2 1 1 11
(|) = (1 3 0 20)
4 2 5 8

Para llevarle a su forma escalonada se necesita aplicarle operaciones elementales a esta


ltima matriz. Para este caso utilizaremos Scilab:

-->A=[2 1 -1 11;1 -3 0 -20;4 2 5 8]


A =

2. 1. - 1. 11.
1. - 3. 0. -20.
4. 2. 5. 8.

-->A(1,:)=0.5*A(1,:)
A =
1. 0.5 - 0.5 5.5
1. - 3. 0. -20.
4. 2. 5. 8.

-->A(2,:)=A(2,:)-A(1,:)
A =
1. 0.5 - 0.5 5.5
0. - 3.5 0.5 - 25.5
4. 2. 5. 8.

-->A(3,:)=A(3,:)-4*A(1,:)
A =
1. 0.5 - 0.5 5.5
0. - 3.5 0.5 25.5
0. 0. 7. - 14.

->A(3,:)=(1/7)*A(3,:)
A =
1. 0.5 - 0.5 5.5
0. - 3.5 0.5 - 25.5
0. 0. 1. - 2.

El sistema escalonado nos quedara de la siguiente manera:

1 1 5
+ =
2 2 2
7 1 29
+ =
2 2 2
= 2

Por lo tanto la variable z=-2, para encontrar el valor de la variable y se deber remplazar
este valor en la ecuacin superior, con estos valores de z e y se puede encontrar el valor de
x. La solucin es (1,7,2).
Teorema: Sea el sistema lineal de m ecuaciones con incgnitas cuya representacin
matricial es = .

1. Si < ( | ), el sistema no tiene solucin.


2. = ( | ) = , el sistema tiene solucin.
Si, adems, r = n, tal solucin es nica.

Si, adems, r < n, el sistema tiene nmero infinito de soluciones con n r parmetros.

Ejemplo 30.: Resolver el siguiente sistema de ecuaciones lineales utilizando el mtodo de


Gauss.
+ =5
2 3 + = 0
+ = 5
1 1 1 5
1 1 1 5 2 1 1 1 5 1 3
2 1
( 2 3 1 0) (0 5 3 10) 2 (0 1 2)
+ 1 5 5
1 1 1 5 3 0 0 0 0
0 0 0 0

En este caso se puede observar que el rango de la matriz es 2, por lo tanto el sistema tendr
infinitas soluciones que se obtienen de la siguiente manera:

Escribimos el sistema escalonado que se obtiene de la matriz aumentada, sin tomar en


cuenta las filas nulas:
+ =5
3
=0
5

En este caso de la ltima ecuacin despejamos la incgnita ""

3
=
5

sta ltima ecuacin queda en funcin de la incgnita "", y la reemplazmo en la primera


ecuacin para encontrar la incgnita "" en funcin de ""

3
+ = 5
5
2
=5+
5

Por lo tanto la solucin que dar de la siguiente manera:


2 3
= 5 + , = , =
5 5

Una de las infinitas soluciones se obtiene dando valores a la variable "", entonces para
= 1, tendremos:
27 3
= , = , =1
5 5
4.7.2 Mtodo de Cramer.

Est definido por = 1 . Del ejemplo anterior se tiene que:


2 1 1 11

= (1 3 0 ) ; = ( ) = (20)
4 2 5 8
2 1 1 1 11
() = (1 3 0 ) (20)
4 2 5 8

Utilizando Scilab :

-->A=[2 1 -1;1 -3 0;4 2 5];


-->B=[11;-20;8];
-->X=(A^-1)*B
X =
1.
7.
- 2.

Anlisis del Mtodo de Cramer.

El mtodo de Cramer se utiliza nicamente en sistemas de ecuaciones lineales que


tengan el mismo nmero de ecuaciones y de incgnitas.
Si || = 0, existe la posibilidad que el sistema no tenga solucin o tena infinitas
soluciones.

Ejemplo 31.:
Dado el siguiente sistema de ecuaciones lineales:
( +1) + + = 1
{ + ( +1) + = 1
+ + ( +1) = 1

Determinar el valor del parmetro para que el sistema tena:


a. nica solucin.
b. Infinitas Soluciones
c. No tenga solucin.

Bastar con analizar una de las incgnitas, para este caso analizaremos en la incgnita x.

1 1 1
|1 +1 1 |
1 1 +1 2
= = 3
+1 1 1 + 3 2
| 1 +1 1 |
1 1 +1

2 2
= 3 =
+ 3 2 2 ( +3)
0
Si = 0|, entonces = 0, por lo tanto el sistema tendra infinitas soluciones.
9
Si = 3, entonces = 0 sistema no tiene solucin
Si 0 3 el sistema tiene nica solucin.

4.7.3 Mtodo Grafico:

El mtodo grfico se puede utilizar para obtener la solucin de sistemas de ecuaciones


lineales de dos y tres incgnitas.
Una de las mayores complicaciones es graficar en 3, y aun mas su interpretacin, debido
a que al tratar de graficar con papel y lpiz no se puede apreciar los puntos de corte de los
planos resultantes en el caso de tener sistemas de ecuaciones con tres incgnitas, para lo
cual es recomendable utilizar un software que nos ayude con la grfica de las ecuaciones,
de tal manera que resulte mucho ms fcil la interpretacin de los resultados.

Utilizando Scilab.

Resolver el siguiente sistema de ecuaciones:


2 + = 11
3 = 20
4 + 2 + 5 = 8

Hay algunas formas de graficar planos en Scilab, una de las ms sencillas est expuesta de
la siguiente manera:

1. Lo primero que tendremos que hacer es despejar la variable y de cada una de las
ecuaciones dadas. Para nuestro caso especfico tendremos:

= 11 2 +
20
=
3
8 4 5
=
2
2. Lugo escribimos los comando en Scilab de esta forma:

[x,z]=meshgrid(-10:0.4:10);//Definimos el rango de x y z
y1=11-2*x+z;//definimos la primera ecuacin.
mesh(x,y1,z,'Edgecolor','red')//comando utilizado para
graficar,'red' indica que el plano tomara el color rojo.
y2=(x-20)/3;//segunda ecuacin
mesh(x,y2,z,'Edgecolor','yellow')//plano color amarillo
y3=(8-4*x-5*z)/2;
mesh(x,y3,z,'Edgecolor','blue')
xtitle("Solucin Grfica de un S.E.L","x","y","z")//Ttulo del
grfico
xgrid()

3. El resultado es la interseccin de los planos, en el grfico se observa que los tres planos
se intersecan en un solo punto.
Figura 1. - Interpretacin Geomtrica de la solucin de un sistema de ecuaciones lineales
de tres ecuaciones con tres incgnitas

4. Con el mouse se le puede girar la figura para poder apreciar de una mejor manera el
resultado del sistema de ecuaciones lineales.

Figura 2 - Interpretacin Geomtrica de la solucin de un sistema de ecuaciones lineales


de tres ecuaciones con tres incgnitas

En la interpretacin grfica se pueden presentar los siguientes casos:

5. Los tres planos no se cortan en un solo punto, se puede observar que el plano de
color rojo y de color amarillo no se cortan, es decir los planos pueden cortarse de dos
en dos por lo tanto el sistema no tendra solucin.

Figura 3 - Interpretacin Geomtrica un sistema de ecuaciones que no tiene solucin.


6. Si los planos se intersecan en un conjunto de puntos comunes, es decir los planos se
intersecan en una recta comn. El sistema tiene infinitas soluciones.

Figura 4. Interpretacin Geomtrica un sistema de ecuaciones que no tiene infinitas


soluciones.

EJERECICIOS PROPUESTOS.

1. Calcular las soluciones de los siguientes sistemas de ecuaciones lineales:

2 + 3 = 1
4 + 2 + = 3
i. {
2 + + 4 = 4
10 5 6 = 10

2 3 + 4 = 3
+ 2 + 2 = 1
ii. {
3 + 2 3 = 4
3 + 7 = 4

++ =1
+ =0
iii. {
+ =1
+ 3 = 0

+ 3 = 1
2 + 2 = 1
iv. {
++ =3
+ 2 3 = 1

2 + 3 = 3
3 + 5 = 0
v. {
4 + = 3
+ 3 13 = 6
+ 3 + 2 = 0
2 + 3 = 0
vi. {
3 5 + 4 = 0
+ 17 + 4 = 0

++++ =7
3 + 2 + + 3 = 2
vii. {
+ 2 + 2 + 6 = 23
5 + 4 + 3 + 3 = 12

2. Las ecuaciones para hallar las intensidades de corriente 1 ; 2 ; 3 ; en un determinado


circuito de tres mallas son:

31 22 + 43 = 2
1 + 32 63 = 8
21 2 23 = 0

Hallar 1 ; 2 ; 3

3. Hallar los valores de la constante para que el sistema:


i. Tenga solucin nica
ii. No tenga solucin
iii. Tenga infinitas soluciones

+ =1
a. { + 3+ = 3
2
+ + 3 = 2

+ 2+= 1
b. {
2+ + 8 = 3

+ + = 2
c. { 3 + 4 + 2 =
2 + 3 3 = 1

+ = 2
d. { 2 + = 3
+ + (2 5) =

+ 2 = +1
e. { + = 1
3 + + =

( +1) + + = 1
f. { + ( +1) + = 1
( +3) + (2 +4) + (1) = 2

4. Discuta los valores de del siguiente sistema de ecuaciones


++ = 1
{ 2 + = 1
3 + ( 1) + = 2

5. ESPACIOS Y SUBESPACIOS VECTORIALES.

5.1 Espacios Vectoriales.


Sea V un conjunto no vaco, sobre el cual se han definido dos operaciones, la suma de
dos elementos del conjunto V y la multiplicacin de un escalar por un elemento
de V, se dice que V es un espacio vectorial ; ; +; si cumple con las siguientes
propiedades:

Sea , y

1. +
2. + =+
3. + ( + ) = ( + ) +
4. +=
5. + () =
6.
7. ( + ) = +
8. ( + ) = +
9. () = ()
10. 1 =

Ejemplos 32: Demostrar el axioma conmutativo en el espacio vectorial de las funciones


reales

Sean (), (), () ,

i. ( + )() = ( + )()
ii. ( + )() = ( + )()
iii. ( + )() = () + () .
iv. ( + )() = () + ()
v. ( + )() = ( + )()

Ejemplos 33: Demostrar el axioma asociativo en el espacio vectorial

Sean ,

= (1 , 2 , , ) = (1 , 2 , , ) = (1 , 2 , , )

+ ( + ) = ( + ) +

i. + ( + ) = + ( + )
ii. + ( + ) = (1 , 2 , , ) + (1 + 1 , 2 + 1 , , + )
iii. + ( + ) = (1 , 2 , , ) + (1 , 2 , , ) + (1 , 2 , , )
iv. + ( + ) = (1 + 1 , 2 + 2 , , + ) + (1 , 2 , , )
v. + ( + ) = ( + ) +

Ejemplos 34: Demostrar el axioma del producto de un escalar por la suma de vectores
en el espacio vectorial de los polinomios de grado n con coeficientes reales

Sea (), (), () ;


() = 0 + 1 + +
() = 0 + 1 + +

[ () + ()] = ()+ ()

i. ()+ () = ()+ ()
ii. ()+ () = (0 + 1 + + )+ (0 + 1 + + )
iii. ()+ () = 0 + 1 + + + 0 + 1 + +
iv. ()+ () = 0 + 0 + 1 + 1 + + +
v. ()+ () = (0 + 0 ) + (1 + 1 ) + + ( + )
vi. ()+ () = [(0 + 0 ) + (1 + 1 ) + + ( + )]
vii. ()+ () = [(0 +1 + + ) + ( 0 + 1 + + )]
viii. ()+ () = ( () + ())

5.2 Subespacios Vectoriales

Se llama subespacio vectorial de un espacio vectorial V ; ; +; a cualquier


subconjunto no vaco que es espacio vectorial con las mismas operaciones
definidas sobre V.

Si V es un espacio vectorial y , , entonces:

+ ; , ,
S es subespacio vectorial de {
;

Ejemplos 35:
Determinar si el conjunto = {(, ) 2 : 2 = 0} es un subespacio de 2

Sean: ; = (1 , 21 ) = (2 , 22 )

Por demostrar que: + .

1. +
i. + = + Axioma reflexivo
ii. + = (1 , 21 ) + (2 , 22 ) Definicin de vectores
iii. + = (1 + 2 , 21 + 22 ) Defi. Suma de Vectores
iv. + = (1 + 2 , 2(1 , +2 )) Axi. Recolectivo dela suma de R
v. + = (, 2)

2. .
i. = Axioma reflexivo
ii. = (1 , 21 ) Definicin de vector
iii. = (1 , 21 ) Definicin de producto por escalar.
iv. = (1 , 21 ) Axioma conmutativo del producto de R
v. = (, 2)

El espacio vectorial 2 se lo puede representar como el conjunto de todos los pares


ordenados que se encuentren en el plano , y el subespacio vectorial como el conjunto
de pares ordenados que pasan por el origen del plano formando la recta ue se encuentra
en color rojo.

Lo que se acaba de probar es que: si tomamos dos puntos sobre la recta que representa el
conjunto W y lo sumamos, debe caer en el mismo conjunto W, para este caso en en la
misma recta, de igual forma si multiplicamos un escalar por un punto que pertenezca a la
recta, el resultado deber caer en la misma recta..

Ejemplos 36: Determinar cul de los Subconjuntos son subespacios vectoriales de 3 :


a. = { (, , ) : + = }

Del conjunto dado tenemos que: = 2

Tomamos dos vectores u y v del conjunto dado:

= (21 1 , 1 , 1 ) = (22 2 , 2 , 2 )

+ 1

+ =+
+ = (21 1 , 1 , 1 ) + (22 2 , 2 , 2 ) Definicin de vectores
+ = (21 1 + 22 2 , 1 +2 , 1 + 2 ) Definicin suma de vectores
+ = (21 + 22 1 2 , 1 +2 , 1 + 2 ) Axi. conmutativo de suma de
+ = [(2(1 + 2 ) (1 2 ), ( 1 +2 ), ( 1 + 2 )] Axioma recolectivo
+ = (2 , , )

1
=
= (21 1 , 1 , 1 ) Axioma reflexivo
= (2 1 1 , 1 , 1 ) Definicin suma de vectores
= (2 , , ) L.Q.Q.D.
Se puede observar que el conjunto cumple con las dos propiedades, por lo tanto el
conjunto 1 , es un subespacio vectorial de

b. = { (, , ) : + = }

El conjunto 2 no es un subespacio vectorial de 3 , ya que no posee elemento neutro

Ejemplos 37: Determinar si el siguiente conjunto W es un subespacio vectorial de


() .


= {( ) () = }

De la condicin dada tenemos que = , por lo tanto sus elementos sern:


1 1 2 2
= ( ) = ( ) ;
1 1 2 2

Por demostrar que: +

+ =+ Axioma reflexivo
1 1 2 2
+ = ( ) + ( ) Definicin de matrices
1 1 2 2

+ 2 1 + 2
+ =( 1 ) Definicin de suma de R
1 + 2 1 + 2

+ =( )

Por demostrar que:

= Axioma reflexivo
1 1
= ( ) Definicin de matriz
1 1

1 1
= ( ) Definicin de producto por escal
1 1


= ( )

Ejemplos 38:El conjunto de las funciones pares es sub espacio vectorial?

Definicin de funcin par () = ()

i. ( + )() = ( + )() Axioma reflexivo


ii. ( + )() = () + () Definicin de suma de funciones
iii. ( + )() = () + () Definicin de funcin par
iv. ( + )() = ( + )() Definicin de suma de funciones


i. ( )() = ( )() Axioma reflexivo
ii. ( )() = ( ) Producto de un escalar por una funcin
v. ( )() = ( ) Definicin de funcin par
iii. ( )() = ()

Ejemplos 39: Sea = 2; con operaciones usuales. = {(; ): = } . Es


W un subespacio vectorial de V ?

El conjunto W no es un subespacio vectorial de V, no cumplira con el segundo axioma


, debido a que , es decir que puede tomar cualquier valor por ejemplo=
, y al realizar el producto por escalar se tiene que , ya que

5.2.1 Rutina de determinacin de subespacios vectoriales de R3

Para determinar un subespacio vectorial se debe determinar que dicho conjunto cumpla con
las siguientes condiciones:

Sea S un subconjunto de 3 y ,

Para que sea considerado subespacio debe cumplir que:


1. +
2.

Es decir deben cumplir con las leyes de composicin interna y externa.

Recordemos que: Todo subespacio vectorial puede ser considerado


como un Espacio Vectorial, por lo tanto el subespacio
necesariamente deber tener elemento neutro y cumplir con los diez
axiomas de un espacio vectorial.

Ejemplo 40: Determinar si los siguientes conjuntos pueden ser considerados subespacios
vectoriales:
= {(, , ) 3 : + 2 = 0}; . . 3

Para esto utilizaremos el programa realizado en Scilab llamado interfaz.

Pasos a seguir de la utilizacin del programa llamado interfaz.

1. Copiamos los programas llamados interfaz e interfaz2.


2. Abrimos el software de Scilab y mediante el men de Archivo en la opcin Abrir,
buscamos el programa interfaz de acuerdo a la ubicacin donde le hayamos
guardado.
Grfico 32 - Abriendo la rutina interfaz

3. Una vez que abramos el programa, aparecer una nueva ventana donde est el cdigo
fuente de este programa, en esta ventana compilamos, este comando se encuentra en
la parte superior tal como se indica en la figura:

Grfico 33 - Ejecucin de la rutina Interfaz.

4. Una vez ejecutado, regresamos a nuestra pantalla principal y lo llamamos de esta


manera:

-->interfaz
Grfico 34 - Llamando al programa interfaz a la ventana de ejecucin.

5. Si no hay ningn error debera salirnos la siguiente ventana:

Grfico 35 - Pantalla principal de la rutina interfaz.

En esta ventana por default nos saldr una condicin de un conjunto, sta nos muestra como
debemos introducir nuestras condiciones de los conjuntos a hacer analizados.

Tambin se genera un punto aleatorio, que sirve nicamente para comprobar si este punto
pertenece o no al plano dibujado.

Automticamente nos indicara si la condicin puesta para hacer analizada es o no un


subespacio vectorial y si el punto pertenece o no a dicho plano, este punto se lo puede variar
de acuerdo a su necesidad.

En donde tenemos los siguientes elementos:


Ingreso de la condicin para ser analizada.

Automticamente el programa nos indicar si le conjunto es o no un subespacio.

Punto cualquiera, que se le utiliza para verificar si pertenece ste punto o no al plano
generado (es decir si el punto cumple o no con la condicin)}

Grfico 36 - Grfico de la condicin a ser analizada.

Grafico que representa la condicin del conjunto, el punto amarillo representa el origen
punto (0,0,0) y el punto rosa representa el punto P aleatorio.

Grfico 37 - Generacin de puntos.


Con esta opcin de generar puntos 1 y 2 , se generaran dos puntos aleatorios 1 y 2 que
pertenezcan a la condicin y con los escalares podremos comprobar las leyes de
composicin interna y externa siempre y cuando este sea un subespacio vectorial. Si no es
subespacio vectorial podremos generar los puntos, pero la suma de estos no cumplen con
el axioma clausurativo de la suma.

De los ejercicios propuestos tendremos:

= {(, , ) 3 : + 2 = 0}

Despejando una variable de la condicin z: = + 2, al poner en el programa llamado


interfaz tenemos:

Grfico 38 - Representacin de los puntos que pertenecen a la condicin.

Como conclusin se puede observar que los puntos generados caen en el conjunto W, por
lo tanto este conjunto W es un subespacio vectorial de 3 .

Ejercicios Propuestos

1. En el e.v ( 2 , , +,)
a. Enuncie y compruebe la propiedad conmutativa de la suma.
b. Enuncie y compruebe la propiedad asociativa del producto por escalar

2. En el e.v ( 3 , , +,)
a. Enuncie y compruebe la propiedad asociativa de la suma.
b. Enuncie y compruebe las propiedades distributivas del producto por escalar.

3. En el e.v ( , , +,). Enuncie y compruebe la propiedad del inverso aditivo,


asumiendo la existencia del neutro aditivo.
4. En el e.v (, , +,) el e.v de las funciones reales sobre el campo de los reales.
Enuncie y compruebe las propiedades distributivas

5. Cules de los siguientes conjuntos son s.e.v del e.v 3 sobre el campo de R?
(Justifique su respuesta)
a. 1 = {(, , ) 3 + }
b. 2 = {(, , ) 3 || = | + |}
1 1
c. 3 = {(, , ) / || = 0} donde = (1 2 )
1 2

6. Cules de los siguientes conjuntos son s.e.v del e.v de las matrices sobre el campo
de los R? (Justificar)
a. 1 = { 2|| = 0}
b. 2 = { ( ) = 0}
c. 3 = { }
d. 4 = { = }
e. 5 = { }
f. 6 = { = 0}

7. Cules de los siguientes subconjuntos son s.e.v del e.v(F, , +, . ) ? (justificar)


a. 1 = { / }
b. 2 = { / }
c. 3 = { / }
d. 4 = { / }
e. 5 = { / (0) = (1) + 2}

5.3 Combinaciones Lineales

Sea V un espacio vectorial , , +, , = {1 , 2 , , } ; se llama


combinacin lineal de los elementos del conjunto A a todo vector que se pueda formar
por la combinacin de los elementos del conjunto A:

=1 = 1 1 +2 2 + , , + ;

Diremos que u es una combinacin lineal del conjunto A, si existen los de la siguiente
igualdad:

= 1 1 +2 2 +, , + ,

Ejemplo 40:Determine si el siguiente polinomio 2 () = 3 2 + 1, es un


combinacin lineal del conjunto = {2 (), 2 (), 2 ()} tal que 2 () = 2 1;
2 () = + 5; 2 () = 2 2 + 3.

Lo que se quiere saber es si: 2 () = 2 () + 2 () + 2 ()

3 2 + 1 = ( 2 1) + ( + 5) + (2 2 + 3)

3 2 + 1 = 2 + + 5 + 2 2 + 3

3 2 + 1 = 2 + 2 2 + + 3 +5

3 2 + 1 = 2 ( + 2) + ( + 3) + ( +5)
El sistema a resolver es:

+ 2 = 3

+ 3 = 1

- + 5 = 1
57 14 9
= ;= ;=
13 13 13
Como existe solucin, el 2 (), es una combinacin lineal del conjunto A

Ejemplos 41: Determinar el valor de a para que el vector sea combinacin lineal de
1 2 :
= (, 0, 0); 1 = (0, 1, 1); 2 = (1, 1, 1)

(, 0,0) = (0,1,1) + (1, 1,1)

(, 0,0) = (0, , ) + (, , )

=0+ =

0= 0=

0=+ 0=+

0 1 0 1 0 1 0 1 0 1
1
(1 1|0) 3 2 (1 1| 0 ) 3 (1 1|0) 2 + 3 (1 0|0) 3 1 (1 0| 0 )
2
1 10 0 2 0 0 1 0 0 10 0 0
Para que el sistema tenga solucin = 0, por lo tanto para que el vector sea
combinacin lineal de 1 2 , = .

5.3.1 Rutina para analizar combinaciones lineales.

El objetivo de la utilizacin de este programa es interpretar grficamente el concepto de


combinacin lineal. Para esta aplicacin especfica trabajaremos en 3

Sea: = {(1,2, 5) ; (4, 7,3) ; (2, 1, .2) }

Determinar si el siguiente conjunto S el linealmente dependiente o linealmente


independiente.

1. Cargar el archivo llamado interfaz2 , en la consola de Scilab tal como se hiso en el


programa anterior. Llamamos a la aplicacin.

-->interfaz2
Grfico 39 - Pantalla de inicio del programa interfaz2

Al iniciar el programa ste tiene unos vectores por default, estos vectores son linealmente
dependientes, y esto se observa en el grfico.

2. Para el ejemplo especfico tendremos:

Grfico 40 - Presentacin del anlisis de los vectores


Para este caso se puede observar que los vectores son linealmente independientes, es decir
que ningn vector de ese conjunto es combinacin lineal de los otros.
No existen los escalares 1 , 2 , ,

5.4 Conjunto Generador

Un conjunto de vectores {1 , 2 , . .. , }, de un espacio vectorial V, se llama un conjunto


generador de V si todo se puede expresar como combinacin lineal de los vectores
1 , 2 , . .. , .
5.5 Cpsula de un Conjunto

De esto se puede decir que todo vector en V es una combinacin lineal de un conjunto finito
de vectores de V.

Sea V un espacio vectorial cualquiera y S subconjunto de V.

0 (vaco). La capsula S es el conjunto formado por todos los elementos de V que


puedan expresarse como una combinacin lineal de S (S es el conjunto de todas las
combinaciones lineales de dichos elementos que pertenecen a S)

< >= Cpsula

< >= { =1 = 1 1 + 2 2 + + ; , }

Ejemplo 42: Determinar la capsula de

= {1 + , 1 + 2 , 1 + 3 } 3 ()

(1 + ) + (1 + 2 ) + (1 + 3 ) = 0 + 1 + 2 2 + 3 3

+ + + 2 + + 3 = 0 + 1 + 2 2 + 3 3

( + + ) + () + 2 () + 3 () = 0 + 1 + 2 2 + 3 3

El sistema a resolver es:

+ + = 0

= 1

= 2

= 3
1 1 1 0 1 1 1 0 1 1 1 0
(1 0 0|1 ) ( 0 1 1 |1 0 ) + (0 1 1| 1 0 )
2 1 3 2
0 1 0 2 0 1 0 2 0 0 1 2 + 1 0
0 0 1 3 0 0 1 3 0 0 0 3
1 1 1 0
0
4 + 3 (0 1 1| +
1
)
0 0 1 2 1 0
0 0 0 3 + 2 + 1 + 0

Para que el Sistema planteado tenga solucin 3 + 2 + 1 0 = 0, por lo tanto el


espacio generado por el conjunto dado son todos los polinomios que cumplan con la
condicin: 3 + 2 + 1 0 = 0; donde son los coeficientes reales de los polinomios.
El espacio generado se le puede representar como:

= {0 + 1 + 2 2 + 3 3 3 () 3 + 2 + 1 0 = 0}
1 1 2 3
Ejemplo 43: Encontrar la cpsula del siguiente conjunto: = {( ),( )}
2 3 1 0
1 1 2 3
( )+( )=( )
2 3 1 0
2 3
( )+( )=( )
2 3 0
El Sistema a resolver es:

+ 2 = 3 =

2 + = 3 =
1 2 + 1 2 1 2 1 2
2 1
+ +
(1 3| ) 3 21 (0 1| ) (1)2 (0 1 | ) 3 2
(0 1| )
2 1 3 0 3 2 0 3 2 4 + 62 0 0 5 3 +
3 0 3 1 0 6 3 0 6 3 0 0 9 6 +

5 3 + = 0
Por lo tanto su cpsula es: {
9 6 + = 0
El espacio generado se le puede representar como:

= {( ) : 22 5 3 + = 0; 9 6 + = 0}

5.6 Dependencia e Independencia lineal

Sea V un espacio vectorial , , +, , = {1 , 2 , , } ; se dice que el


conjunto A es Linealmente Independiente (L.I) si el siguiente sistema homogneo 1 1 +
2 2 + + = 0 , tiene como nica solucin la solucin trivial es decir =
0; + . Si el sistema tiene infinitas soluciones el conjunto es Linealmente
Dependiente (L-D).

Ejemplo 44: Determinar si el siguiente conjunto es linealmente independiente.

= {1 + 2 3 2 , 2 + 3 + 2 , 5 2 } 2 ()

(1 + 2 3 2 ) + (2 + 3 + 2 ) + ( 5 2 ) = 0
+2 3 2 2 + 3 + 2 + 5 2 = 0

El sistema homogneo a resolver es:


2 = 0
2 +3 + = 0
3 + 5 = 0

Un sistema homogneo tiene dos posibilidades de solucin; nica e infinitas soluciones.

1 2 0
=( 2 3 1 ); Matriz de los coeficientes.
3 1 5
0 2 0
|0 3 1|
0
= 0 1 5 = =0
1 2 0 30
|2 3 1|
3 1 5
0
=
30
= 0

0
=
30
=0

0
=
30
=0

El conjunto dado es Liealmente Independiente.

Al aplicar el mtodo de Cramer en la resolucin del sistema se puede observar que, basta
con analizar el determinante de la matriz de los coeficientes, ya que el determinante del
numerador siempre ser igual a cero debido a que siempre tendr una columna nula. Por lo
tanto se puede concluir que:

|| = 0,
|| 0,

Ejemplo 45: Sea 2 (). Determinar el valor de a para que el conjunto sea
linealmente independiente.

= {1 + + 2 ; 1 + 2 ; (1 + ) + }

(1 + + 2 ) + (1 + 2 ) + ((1 + ) + ) = 0

+ (1 + ) = 0
+ =0
+ = 0

1 1 1 +
= | 0 1 | = (1 + ) 1 1
1 1 0

= + 2 2 = 0
= ( + 2)( 1) = 0
= = 2
==1

. . {2,1}
. . = 2; = 1
Wronskiano: Sean 1 , 2 , . . . , funciones reales 1 veces diferenciables.
El Wronskiano de estas funciones es la funcin con dominio de la interseccin de los
dominios de todas las definida por:

1 () 2 () ()
1 () 2 () ()
() = | |

11 () 21 () 21 ()

Para determinar si el conjunto dado de funciones el Linealmente Dependiente o


Independiente se analiza el determinante formado por sus diferenciales; es decir si :

1 () 2 () ()

() 2 () ()
| 1 | = 0; El conjunto es L.D.

11 () 21 () 21 ()

1 () 2 () ()
1 () 2 () ()
| | 0; El Conjunto es L.I.

11 () 21 () 21 ()

Ejemplo 46: Determine si el siguiente conjunto { , , cos } es L.D o L.I.

Aplicando el Wronskiano:

cos
sen
| |=0
cos

Como tenemos dos filas iguales eso significa que el determinante es 0; por lo tanto el
conjunto dado es Linealmente Dependiente.

5.7 Base y Dimensin


5.7.1 Base:

Un conjunto de vectores {1 , 2 , . . . , } de un espacio vectorial V, es una base de este


espacio si y solo si todo vector se puede expresar como combinacin lineal nica
de los vectores 1 , 2 , . . . , .

Sean (, , +,) un espacio vectorial y . El conjunto B es una


base del espacio vectorial V si y solamente si B es linealmente independiente y B genera
V; es decir, el subespacio vectorial generado por B es el espacio vectorial V.

En otras palabras, B es una base de B si y solo si:

1. B es Linealmente Independiente.
2. < > B genera Espacio Vectorial.

5.7.2 Dimensin:
La dimensin de un espacio vectorial, es el nmero de vectores que posee las bases del
espacio vectorial.

5.7.3 Bases Cannicas

Dentro de las bases cannicas se pueden destacar las siguientes:

2 = {(1,0); (0,1)}

2() = {1, , 2 }

1 0 0 1 0 0 0 0
()2 = {( );( );( );( )}
0 0 0 0 0 1 0 1
Ejemplo 47: Determinar una base del siguiente espacio vectorial.

+ 3 = 0
= {( ) (2 ): }
2 + + = 0
Para pertenecer al espacio W, las matrices debern cumplir con estas condiciones:
+ 3 = 0
{
2 + + = 0
Para encontrar la base se debe resolver el sistema formado por las condiciones de
anteriormente expuestas:
1 1 3 0 0 1 1 3 0 0
( | ) 21 ( | )
2 1 1 1 0 2 0 3 7 1 0

Al resolver el sistema se tiene el siguiente Sistema escalonado:

+ 3 =0

3 7 + = 0

Como, en el sitema escalonado se tiene mas incgnitas que ecuaciones, el Sistema tiene
infinitas soluciones, las cuales , para este caso, quedaran en funcin de

= 3

= 3 + 7

Al encontrar la solucin general se tiene que:


3 3 0
( )=( )+( )
3 + 7 0 3 7

Por lo tanto una base del espacio dado es:

1 1 3 0
= {( )( )}
0 3 1 7
La dimensin del espacio W es 2

Ejemplo 48: Determine una base del siguiente subespacio dado = { + + 2


2 (); + 3 = 0}

Partimos de la condicin dada: + 3 = 0

Como se tiene una sola condicin: + 3 = , se podra despejar cualquier variable en


este caso.

Al plantear la solucin general se obtendra:

+ ( + 3) + 2

(1 + ) + ( 2 + 3)

Por lo tanto una base del conjunto dado es:

2 () = {1 + ; 3 + 2 }

Ejemplo 48: Determine si es L.D o L.I. { , , cos }

cos
sen
| |=0
cos

Como tenemos dos filas iguales eso significa que el determinante es 0.

EJERCICIOS RESUELTOS:

1. Dado el conjunto = ((1, 2), (3, 6)). Hallar: < >. El vector (2,3)
pertenece a < > ?

(, ) = (1, 2) + (1, 2)

+ =
{
2 2 =

1 1 1 1
( )= ( )
2 2 2 + 21 0 0 + 2

+ 2 = 0

< >= {(, ) : + = }

+ 2 = 0; (2,3)
3 + 2(2) = 0
70
El vector (, ) no pertenece al subespacio generado por los vectores
(, ), (, ).
2. Sea = (1 + 2 , 2 + 3 2 , 1 + 3 + 2 , 1 + 2 ) un subconjunto del espacio
vactorial 2 (). Hallar el subespacio vectorial generado por , adems determinar una
base.

+ + 2 = (1 + 2 ) + (2 + 3 2 ) + (1 + 3 + 2 ) + (1 + 2)

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

+ 2 + + =
{ + + 3 + 2 =
3 + =

1 2 1 1 1 2 1 1 1 2 1 1
(1 1 3 2 ) = 2 1 (0 1 2 1 ) = (0 1 2 1 )
1 3 1 0 3 + 1 0 1 2 1 + 3 2 0 0 0 0 2 +

() = { + + (): + = }

= 2 +

() = { + (2 + ) + 2 }
() = { + 2, + 2 }
() = { + , + }

3. Demuestre que el subespacio de 3 en el que se encuentran los vectores 1 =


(1,0, 1), 2 = (0,2, 2), 3 = (0, 2,2) es el plano + + = 0. Y verifique si el
vector (1,1, 2) se encuentra en dicho subespacio.

(, , ) = (1,0, 1) + (0,2, 2) + (0, 2,2)

1 0 0 1 0 0 1 0 0
(0 2 2 ) = (0 2 2 )= (0 2 2 )
1 2 2 3 + 1 0 2 2 + 3 + 2 0 0 0 ++

+ + = , El plano es el subespacio generado por los tres vectores, el cual


pasa por el origen.

+ + = 0; (1,1, 2)
1+12 = 0
0=0
El vector (, , ) pertenece al subespacio generado por los tres vectores.

4. Dado el conjunto = ( 1 + 2 , 3 4 2 , 1 2 + 3 2 ). Hallar < S > y


establecer una base para el subespacio generado.

+ + 2 = (1 + 2 ) + (3 4 2 ) + (1 2 + 3 2 )

+ + 2 = ( + ) + ( + 3 2) + ( 4 + 3) 2

+ =
{ + 3 2 =
4 + 3 =
1 0 1 1 0 1 1 0 1
(1 3 2 ) = 2 1 (0 3 3 ) = 1/32 (0 1 1 ( )/3)
1 4 3 3 + 1 0 4 4 + 1/43 0 1 1 ( + )/4

1 0 1
= (0 1 1 ( )/3 )
3 + 2 0 0 0 ( + 4 + 3)/12

() = { + + (): + + = }

= 4 + 3

() = {4 + 3 + + 2 }
() = {4 + , 3 + 2 }
() = { + , + }

5. Dada el s.e.v = { + + 2 2 ()/ (0) = (1)} del e.v. 2 () sobre .


Determinar un conjunto generador de .

(0) = + 2(0) =

(1) = + (1) + (1) 2 = +

(0) = (1)

=+

2 + = 0

= { + + 2 2 ()/ 2 + = 0}

= 2

= {2 + + 2 }

= {2 + , + 2 }

= { + , + }

6. Analizar la dependencia o independencia lineal de los siguientes conjuntos. En caso


de ser linealmente dependiente , hallar una relacion de dependencia a:

a. = {(1, 1, 2,3), (1, 1,0,2), (2,0,1, 1), (0,1,0,1)}

(0,0,0,0) = (1, 1, 2,3) + (1, 1,0,2) + (2,0,1, 1) + (0,1,0,1)

1 1 2 0 0 1 1 2 0 0
1 1 0 1 0 2 + 1 0 0 2 1 0
( )= ( )
2 0 1 0 0 3 + 21 0 2 3 0 0
3 2 1 1 0 4 31 0 1 5 1 0
1 1 2 0 0
0 1 5 1 0
= ( )
0 2 3 0 0
0 0 2 1 0
1 1 2 0 0 1 1 2 0 0
0 1 5 1 0 0 1 5 1 0
= ( )= ( )
3 + 22 0 0 7 2 0 0 0 7 2 0
0 0 2 1 0 74 + 23 0 0 0 11 0

1 1 2 0 0 1 1 2 0 0
0 1 5 1 0 2 4 0 1 5 0 0
= ( )= ( )
0 0 7 2 0 3 24 0 0 7 0 0
1/114 0 0 0 1 0 0 0 0 1 0

1 1 2 0 0 1 + 23 1 1 0 0 0
0 1 5 0 0 2 53 0 1 0 0 0
= ( )= ( )
1/73 0 0 1 0 0 0 0 1 0 0
0 0 0 1 0 0 0 0 1 0

1 + 22 1 0 0 0 0
2 0 1 0 0 0
( )
0 0 1 0 0
0 0 0 1 0

El sistema tiene la solucion trivial por lo tanto es linealmente independiente.

b. = {1,2 2 , 2 2 }

Aplicando el Wronskiano y analizando el determinante.

1 2 2 2 2 2
| 0 4 2 | = |4 2 2 2 + 2 2 2
2 + 2 2 2
2 |
8 2 + 8 2 + 4 2 2
2
0 8 2 2 2 + 8 2 + 4 2 2
2
= (1) |4 2 2 + 2 2 2 | = 4 2 (2 2 + 4 2 )
2 21 0 2 2 + 4 2
= 8 4 (1 + 2)

El determinante es diferente de 0 por lo tanto es linealmente independiente.

7. Sea = ( 1 + 2 2 , 1 + + 2 , 2 4 + ( 2 + ) 2 ). El campo R.

a. Para que valores de y es l.d. ? Hallar una relacion de dependencia en cada


caso.

+ + 2 = (1 + 2 2 ) + (1 + + 2 ) + (2 4 + ( 2 + ) 2 )

+ + 2 = ( 2) + (2 + 4) + ( + + ( 2 + )) 2

1 1 2
(2 4 )
1 ( 2 + )
1 1 2 1 1 2
|2 4 | = 2 21 |0 + 2 0 |
1 ( 2 + ) 3 + 1 0 1 ( 2 + 2)
+2 0
= | |
1 ( 2 + 2)

= ( + 2)( 2 + 2) = ( + 2)( + 2)( 1)

puede tomar cualquier valor no influye en la relacion de dependencia


Cuando = , = el sistema es linealmente dependiente.

Con = 2 y = 0

1 1 2 1 1 2
( 2 2 4 ) = 2 21 ( 0 0 0 2)
1 0 2 3 + 1 1 0 2
1 1 2
= (1 0 2 )
0 0 0 2

Con = 1 y = 1

1 1 2 1 1 2
(2 1 4 ) = 2 21 (0 3 0 2)
1 1 2 3 + 1 0 0 0

b. Para que los valores de y es l.i.?

puede tomar cualquier valor no influye en la relacion de independencia


Cuando , el sistema es linealmente dependiente.

c. Hallar < > en cada caso de la parte (a)

Con = 2 y = 0
< >= { + + ()/ = }

Con = 1 y = 1
< >= { + + ()/ = }

8. Sea = {( )/ = 0 + = 0}. Demostrar que es un s.e.v. de


(2 (), , +, ) Determine una base, diga su dimensin.

=0 + = 0

= =+

= (
1 1
1 +1
) = (
2 2
2 +2
)
1 1 2 2

. 0 = (0)
Como: 2 + = 0
2(0) + (0) 0 = 0
0=0

. + = +
= (
1 1
1 +1
) + (
2 2
2 +2
)
1 1 2 2

= (1

1
1 +1
) + (
2 2
2 +2
)
1 1 2 2
1 +2 1 +2
= (( )
+ )( + ) ( + )+( + )

+ . .


() = {( ) }
+

0 0
() = {( ) ,( )}


() = {( ) ,( )}

() =

9. Sea = {( , , ) / + 2 = 0 , 2 = 0 } un s.e.v. del e. v. 3 .

Determinar una base de , diga su dimension .

2 = 0 ; = 2
+ 2 = 0
2 + 2 = 0
+ 2 = 0; = /2

() = {( 2 , /2 , ) }

() = {( , / , ) }

() =

5.8 SUMA E INTERSECCIN DE SUB- ESPACIOS VECTORIALES

5.8.1 Interseccin:

Se denomina interseccin de los subespacios vectoriales 1 y 2 , al conjunto de todos los


vectores pertenecientes simultneamente tanto a 1 como a 2 .

Sea (, , +,) un espacio vectorial cualquiera con 1 y 2 subespacios vectoriales de

1 2 = { 1 2 }
TEOREMA: Sea (, , +,) un espacio vectorial cualquiera con 1 y 2 subespacios
vectoriales de , la interseccin 1 2 , es otro subespacio vectorial del mismo espacio
vectorial

5.8.2 Suma:
Dados un espacio vectorial(, , +,) , y dos subespacios suyos 1 y 2 , se denominan
suma de dichos subespacios, y se representa por 1 + 2 , al conjunto de todos los vectores
de que pueden expresarse como suma de un vector de 1 y otro de 2 .

1 + 2 = { + = , 1 2 }

Notas:

Obsrvese que, tanto la interseccin como la suma de subespacios siempre son


conjuntos no vacos, ya que les pertenece a ciencia cierta el vector nulo del espacio
vectorial V.
Para encontrar la interseccin de subespacios, se formar un sistema de ecuaciones
con la condicin de un subespacio.
Para encontrar la suma de subespacios vectoriales se necesita las bases de cada uno
de los subespacios, con las base se formara una matriz y mediante la eliminacin
Gaussiana se elimina los vectores comunes.
Si 1 interseccin 2 su elemento es 0 se dice que los conjuntos son
disjuntos, hay que recordar que para que un conjunto sea considerado
subespacio debe contener el elemento neutro, por lo que este elemento va ha
estar presente en todo subespacio.

5.8.3 Suma Directa:

Dados un espacio vectorial(, , +,) , y dos subespacios suyos 1 y 2 , se denominan


suma directa de dos subespacios, y se representa por 1 2 , si = + tal que si
! 1 y ! 2 , da como resultado = + .

1 2 = { : (! 1 )(! 2 ): = + }
Notas:

La suma directa se presenta cuando: 1 2 = {0}, es decir los


subespacios son disjuntos.
Si 1 y 2 son disjunto, estos subespacios toman el nombre de subespacios
suplementarios.

Ejemplo 49: Determine la suma e interseccin de los siguientes sub-espacios

= {(, , , ) 3 ; 2 + = 0}

= {(, , , ) 3 ; + + 3 = 0}

i.
ii. +
iii.

iv.
Utilizamos la condicin de cada uno de los subespacios para encontrar la
interseccin

2 + = 0

+ 5 = 0
1 2 1 0 1 2 1 0
( ) 2 1 ( )
1 1 5 0 0 3 6 0

Sistema escalonado

2 + = 0
3 6 = 0
6
=
3
= 2

= 2
= 2(2)
= 3
La solucin general del sistema es en (, , ) , por lo tanto el resultado es
(3, 2, ).

La interseccin presentada como subespacio:

= {(, , ) 3 : 3 = 0 2 = 0}
Una base de la interseccin:
= {(3,2,1)}

i. +
Para encontrar la suma se necesitan las bases de cada uno de los subespacios:
Base del subespacio S:

= 2 +
= 2
(2 , , )
= {(2,1,0); (1,0,1)}

Base del subespacio S:

= + 5
= + 5
( + 5, , )
= {(1,1,0); (5,0,1)}
Para obtener la suma:
2 1 0
1 0 1
+ =( )
1 1 0
5 0 1

Ejemplo 50: Se consideran los subespacio:



22 (): 1 = {( ) , } 2 = {( ) , , } .

Halle una base de los espacios 1 , 2 , 1 + 2 , 1 2 .

Base de los espacios 1 , 2

Para hallar una base de los espacios de 1 , 2 se realiza los siguientes clculos:
Primeramente hallar una base para 1


1 = {( ) , } = {( ) , = , = }

Ahora bien, como:
0 0 1 0 0 1
( )=( )+( )= ( )+( )
0 0 0 1 1 0

Una base para el subespacio 1:

1 0 0 1
1 = {( ),( )}
0 1 1 0
Ahora hallar una base para 2:

2 = { ( ) , , } = {( ) , , = }

Ahora bien, como:
0 0 0 0 1 0 0 1
( )=( ) +( )+( ) = ( )+( )+
0 0 0 0 0 1 0 0
0 0
( )
1 0

Una base para el subespacio 2


1 0 0 1 0 0
2 = {( ),( ),( )}
0 1 0 0 1 0
TEOREMA DE LA DIMENSIN:
dim( + ) = dim() + dim() dim( )

dim( ) = 0, = {0}

Ejemplo: Dados los s.e.v.

1 0 0 1 1 1
1 = {( ) / = = } y 2 = {( ),( ),( )} del
0 1 1 1 1 2
e.v. (2 (), , + , ). Hallar:

a) Una base B para el s.e.v. 1 2

1 0 0 1 1 1
( ) = ( )+( )+( )
0 1 1 1 1 2
1 0 1 1 0 1 1 0 1

(0 1 1 ) = (0 1 1 )= 0
3 2 (
1 1
)
0 1 1 0 1 1
1 1 2 4 1 0 1 3 4 + 2 0 0 2 +

=0


2 = {( ) / = 0}

= 0
{ =0
=0

1 1 1 0 1 1 1 0
( 1 1 0 0) = (1 1 0 0)
1 1 0 0 3 + 2 0 0 0 0

=
= 0; =0


1 2 = {( )/ = = 0 }


(1 2 ) = {( )}
0
0 0
(1 2 ) = {( ),( )}
0 0 0

( ) = {( ),( )}

b) Una base B para el s.e.v. 1 + 2


1 = {( ) / = = }

=
=0

(1 ) = {( )}
0
0 0
(1 ) = {( ),( )}
0 0 0
1 0 0 1
(1 ) = {( ),( )}
0 0 1 0
1 0 0 1 1 0 0 1 1 0 0 1
0 1 1 1 0 1 1 1 0 1 1 1
1 1 1 2 = 3 + 1 0 1 1 3 = 3 + 2 0 0 0 2
1 0 0 0 4 1 0 0 0 1 0 0 0 1
(0 1 1 0) (0 1 1 0 ) 5 2 (0 0 0 1)

1 0 0 1 1 3 1 0 0 0
0 1 1 1 2 + 1 0 1 1 0
= 1/23 0 0 0 1 = 0 0 0 1
24 + 3 0 0 0 0 0 0 0 0
25 3 (0 0 0 0) (0 0 0 0)


( + ) = {( ),( ),( )}

(1 + 2 ) = (1 ) + (2 ) (1 2 )
(3) = (2) + (3) (2)
() = ()

EJERCICIOS PROPUESTOS.
1. Exprese (-2,-8,-6) como combinacin lineal de (1,-1,1) y(2,3,4)
2. Dado el conjunto = {(1, 2), (3,6)}. Hallar
3. Dado el conjunto = {(1, 1,1), (8,1, 4), (2, 1,2)}. Hallar
4. Dado el conjunto = {(1,1), (2, 3)}. Hallar
5. Dado el conjunto = {(2,1, 4)}. Hallar
6. Dado el conjunto = {1 + 2 , 3 4 2 , 1 2 + 3 2 }. Hallar
3 ()
7. Dado el s.e.v. = {
} del e.v. 3 (). Determinar un
conjunto generador de W.
8. Dado el s.e.v. = { 2 ()/ (0) = (1)} dl e.v. 2 () sobre R Determinar un
conjunto generador de W.
9. Analizar la dependencia o independencia lineal de los siguientes conjuntos. En caso
de ser linealmente dependiente, hallar una relacin de dependencia.
a. = {(1 , 1 , 2 , 3), (1 , 1 , 0 , 2), (2 , 0 , 1 , 1), (0 , 1 , 0 , 1)}
1 1 1 0 1 2
b. = {( ),( ),( )}
1 1 0 2 1 3
c. = {1, 3} sobre el e.v. ( , + , )
d. = {1, 3} sobre el e.v. ( , + , )
e. = {1, (2), cos(2)}
f. = {1, sen2 (x), cos 2 (x)}
g. = {1,2e2x , x 2 e2x }

10. Sea = {1 + 2x x 2 , 1 + x + x 2 , 2 4x + (2 + )x 2 }. El campo es R


a. Para qu valores de y , S es l.d.? Hallar una relacin de dependencia en
cada caso.
b. Para qu valores de y , S es l.i.? .
c. Hallar <S> en cada caso de la parte (2)

11. Sea {u1 , . . , un } un conjunto l.i. de vectores en un V sobre K.


12. Sea w = 1 u1 + 1 u2 , , +n un i K . Demostrar que: {u1 w, u3 , , un } es l.i. si0.
13. Sea {u1 , , un } , un conjunto de l.i.de vectores en un e.v.V, sea
K {u1 . u2 , , un } es l.i. si 0.
14. Sean W1, W2 s.e.v. de un e.v. V sobre K, de dimensin finita, tal que : V = W1 W2
Demostrar que: Si = {1 , , } W1 , y T = {v1 , , vn } W2 son l.i.
Entonces {ui , vj } es l.i.
15. Demostrar que: ( x D) : {1 , 2 , , }es l.i. si ( x D ):
1 2
2
|| 1 | 0, D es el dominio comn de las n funciones.
: : : |
(1) (1) (1)
1 2
16. Sean W1 , W2 dos s.e.v. de y {1 , 2 , 3 , 4 } la base cannica de . Sea SeaW1 =<
{e2 , e2 e3 + e4 } >, W2 =< {e3 , e1 e3 e4 } >
a. Hallar las ecuaciones generadoras de W1 y de W2
b. Determinar 1 2
17. Sea = {1 2 2 ; 2 + 2 ; + 2 }S es base de 2 []?.
18. Sea = {(1,2), (2,3), (5,7)}S es base de 2?
19. Sea = {(, , ) / + 2 = 0, ; 2 = 0} un s.e.v del e.v 3.
Determinar una base de W, diga su dimensin.
20. Sea = {2 ()} / . = 0} un s.e.v de 2 (). Determinar una base de W
1 1
(donde = ( )).
1 3
1
21. Sea = {()3 [] / 1 () = 0}un espacio vectorial de 3 []. Calcular
una base de W.

22. Sea = {( ) = 0 + = 0}

a. Demostrar que M es un s.e.v. de (2 (), , +, ). Hallar una base de este
s.e.v. y diga su dimension
b. Demostar que ( , 0): A es invertible.Hallar la inversa de A
c. La matriz 1 pertenece a M?. En caso de que sea falso, qu condicon hay
que aadir sobre p y q para que 1 pertenezca a M?
d. Sea N= { 1 } {02 } N es un s.e.v. de M?
23. Sea W= {(, , ) + = , + = }
a. Para que valores de W es un s.e.v. vectorial de e.v. ( 3 , , +, )
b. Para los valores de a para cuales W es un s.e.v. dar una base

3 1 1
24. Dada la matriz A= (0 3 2) .Determinar s.e.v. de menor dimensin de
0 0 3
(3 (), +, )que contiene a todas las matrices I, A, 2 ,..., ,....Dar una base y diga
su dimension.
25. Sea W= {p(x) P[x]/p(x)=a+bx-bx+(2-b)x,a,b R} un s.e.v. de P[x]
a. Calcular una base B para W y diga la dimensin de W
b. Dar una base e.v. P[x] tal que contenga la base B
26. Sea W, W2 dos s.e.v. de R4 y {e1,e2,e3,e4} La base cannica de R4. Sea 1 =<
{1 + 2 , 1 4 } >, 2 =< {2 + 1 , 3 + 4 } >. Determinar W+W2 y diga su
dimensin.
27. Sea el e.v. (2 [], , +, ). Sea 1 = {() 2 []/() = ( + 1)}. un s.e.v. de
2 []. Determinar un s.e.v. 2 2 [] 2 [] = 1 2

6. ESPACIOS EUCLDEOS:

En matemticas, un espacio con producto interior es un espacio vectorial con una operacin
adicional, el producto interno (tambin llamada producto escalar o producto punto). Los
espacios vectoriales con producto interno generalizan el concepto de Espacio Euclidiano
(el cual posee el producto escalar como producto interno) y se estudian en anlisis
funcional.

6.1 Producto interno

Sean (V, K, +, *) un espacio vectorial cualquiera. Un producto interno sobre V es una


funcin . : tal que cumple con las siguientes propiedades:

Sean , ;

1. Linealidad: ( + ). = . + .
2. Homogeneidad: . = .
3. Simetra: . = .
4. Positividad: . > ,

A la estructura de espacio vectorial junto con un producto interno se le denomina


espacio con producto interior.

Espacios vectoriales ms frecuentemente utilizados:

i. ( 2 , , +,)
Sean: = (1 , 2 ) = (1 , 2 ); 2
. = 1 . 1 + 2 2
ii. ( 3 , , +,)
Sean: = (1 , 2 , 3 ) = (1 , 2 , 3 ); 3
. = 1 . 1 + 2 2 + 3 3
iii. En general para ( , , +,)
Sean: = (1 , 2 , , ) = (1 , 2 , , );
. = 1 . 1 + 2 2 +, , +
Por lo tanto:

. = . = 1 . 1 + 2 2 +, , +
=1
iv. En general para ( , , +,)
Sean: = (1 , 2 , , ) = (1 , 2 , , );
. = 1 . 1 + 2 2 +, , +
Por lo tanto:

. = . = 1 . 1 + 2 2 +, , +
=1

Ejemplo 51. Determinar si la siguiente expresin puede ser considerada un producto


interno:

Sean: = (1, 2 ), = (1, 2 ); , 2 : < . > = 1 1 2 1 1 2 +


2 2 2

Para que la expresin dada sea considerada un producto inetrno deber cumplir con los
axiomas anteriormente expuestos:

1. Linealidad: ( + ). = . + .

( + ). = ( + ). Axio. Reflexivo
= < [(1 , 2 ) + (1 , 2 )] . (1 , 2 ) > Def. vectores
= (1 + 1 , 2 + 2 ). (1 , 2 ) Hiptesis
= (1 + 1 ). 1 (2 + 2 ). 1 (1 + 1 ). 2 + 2(2 + 2 ). 2
Hiptesis
= 1 1 + 1 1 2 1 2 1 1 2 1 2 + 22 2 + 22 2
Axio. Distributivo
= (1 1 2 1 1 2 + 22 2 ) + (1 1 2 1 1 2 + 22 2 )
Axio. Asociativo
=< (1 , 2 ). (1 , 2 ) > +< (1 , 2 ). (1 , 2 ) > Hiptesis.
= ( + ).

2. Homogeneidad: . = .

. = . Axio. Reflexivo
= < (1 , 2 ). (1 , 2 ) > Def. vectores
= ( 1 , 2 ). (1 , 2 ) Produc. Por Escalar
= 1 1 2 1 1 2 + 2 2 2 ) Hiptesis
= (1 1 2 1 1 2 + 22 2 ) Axio. Recolectivo
=< (1 , 2 ). (1 , 2 ) >
= .

3. Simetra: : . = .

. = . Axio. Reflexivo
= < (1 , 2 ). (1 , 2 ) > Def. vectores
= 1 1 2 1 1 2 + 22 2 Hiptesis
= 1 1 1 2 2 1 + 22 2 Axio. Conmutativo
=< (1 , 2 ). (1 , 2 ) > Hiptesis
= .

4. Positividad: . > ,

< . > =< . > Axio. Reflexivo


= < (1 , 2 ) (1 , 2 ) > Def. vectores
= 1 1 2 1 1 2 + 2 2 2 Hiptesis
= 12 21 2 + 22 + 22 Suma de escalares
= (1 2 )2 + 22 Def. Producto Notable
(1 2 )2 + 22 > 0

6.2 Espacio Eucldeo

Sea V un Espacio Vectorial cualquiera, este espacio toma el nombre de Espacio Euclideo
si en este espacio se ha definido un producto interno.

6.3 Norma (mdulo)

La longitud de un vector a menudo se denomina norma de y se denota por

La norma de un vector se define de la siguiente manera:

= < . >
De esta definicin se ve directamente que el vector nulo es el nico vector cuya longitud
es igual a cero. Un vector de norma 1 se denomina vector unitario.

Ejemplo 52. Determinar la norma de los siguientes vectores:

Sea = (3, 4); 2

= < . >
= < (3.4)(3.4) >
= 25
= 5

1 2
Sea = ( ) ; ()2
3 2
= < . >
= (. )
1 2 1 3
= [( ).( )]
3 2 2 2
5 1
= ( )
1 13
= 18

Sea () = [1,2]

() = < . >
2
() = 1 (). ().
2
() = 1 2 .
2
() = 2
,2
1
() = 2 ( 4 2 )

6.3.1 Propiedades de la Norma

1. 0 Positividad
2. = Homogeneidad
3. + + Desigualdad Triangular

Un espacio vectorial V en el que hay definida una norma se denomina espacio vectorial
normado.

6.4 Distancia entre Vectores

Sean , , la distancia entre los vectores se define de la siguiente manera (para el caso
en que se pueda graficar):
u
u.v

Si hacemos referencia con vectores, tendramos que:

= +

Donde la distancia entre los vectores , grficamente sera

Como la distancia es una mtrica, se tiene que :

Ejemplo: Determinar la distancia entre los vectores dados:

= (1,3) = (2,5) =
= < . >
= < ( ). ( ) >
= < (1 2). (1 2 >
= 5

6.5 Paralelismo

Sean , , un espacio vectorial cualquiera, se dice que son paralelos si


tal que: =

6.6 Perpendicularidad.

Sean , , un espacio vectorial cualquiera, se dice que son perpendiculares


si < . >= 0

Ejemplo 53: Supngase que u, v y w son vectores tales que:


< >= 3, < >= 5, < >= 6 , = 2, = 2 , = 4
Determine el valor de las siguientes expresiones:
a. 5 2
b. < 3 5 + 2 >

Solucin:
a. 5 2
5 2 = (5 2). (5 2)
5 2
= 25 < > 10 < > 10 < > +4 < >
5 2 = 25 < > 20 < > +4 < >

Sabemos que:

= < > ;

Por lo tanto:
2 =< >
< >= 16

2 =< >
< >= 4

Con estos valores reemplazando en la expresin anterior tenemos:

5 2 = 25(16) 20(5) + 4(4)


5 2 = 25(16) 20(5) + 4(4)
5 2 = 400 + 100 + 16
5 2 = 516

b. < 3 5 + 2 >

< 3 5 + 2 >= 5 < > 5 < > 15 < > 2 < >
2 < > 6 < > < > +< >
+3 < >

< 3 5 + 2 >= 6 < > 5 < > 17 < > < >
6 < > < >

< 3 5 + 2 >= 6(3) 5(4) 17(5) 6 6(16) (4)


< 3 5 + 2 >= 23

6.7 Proyeccin de vectores

Sean , , un espacio vectorial cualquiera


Para determinar la proyeccin del vector sobre el vector , se debe determinar el valor
de y este valor multiplicarlo por v, de tal forma que: =

Partiendo de:

+ =

Al realizar el producto interno en ambos lados de la igualdad tenemos:

( + ) =

+ =

Como y son perpendiculares se tiene que =0

=

=

6.8 ngulo entre vectores.

u p

v v
Como se puede observar en el grfico: cos u u

uv
Se conoce que:
vv
u v
v
vv
Por lo tanto se tiene que: cos
u

v vv
Se conoce que:
2
v vv

u v v
cos
2
v u

u v
cos
v u

u v
Por lo tanto la expresin para calcular el ngulo entre vectores es: cos
v u

6.9 Proceso de Ortogonalizacin

PROCESO DE GRAM SCHMIDT

Sea B un subconjunto linealmente independiente B1 = {u1 , u2 , . . . , un }, del conjunto B se


puede obtener un conjunto ortogonal B2 = {w1 , w2 , , wn }, con el siguiente proceso:

1. w1 = u1
n < ui . wi1 >
2. wn = un . wi1
i=1 < wi1 . wi1 >

1 0 0 1 0 1
Ejemplo: Sea B una base del Subespacio Mat(R)2 . B1 = {( )( )( )},
2 1 1 3 2 0
obtener una base ortogonal a partir de esta base.

Aplicando:

1. w1 = u1
n < ui . wi1 >
2. wn = un . wi1
i=1 < wi1 . wi1 >

1 0 0 1 0 1
B = {( )( )( )}
2 1 1 3 2 0
1 0 0 1 0 1
u1 = ( ) ; 2 = ( ) ; 3 = ( )
2 1 1 3 2 0
w1 = u1
1 0
w1 = ( )
2 1
< u1 . w1 >
w2 = u2 w
< w1 . w1 > 1
0 1 1 2
( ).( )
0 1 2 1 1 0 . ( 1 2)
2 = ( )
2 1 1 2 1 2
( ).( ) 1 0
1 0 1 0
0 1
2 = ( )
2 1
<3 .1 > <3 .2 >
3 = 3 <1 .1 >
. 1 <2 .2 >
. 1

3 0 1 2 3 0 0 1
3 0 ( ).( ) 1 2 ( ).( ) 0 1
3 = ( ) 01 22 1 1
0
2 . (1 ) 0 2 2 1
0 1 0 1 . (2 )
0 2 ( ).(
1 0 1 0
) 0 ( ).(
2 1 2 1
) 1

3 0 3 1 2 2 0 1
3 = ( ) ( ) 6( )
0 2 6 1 0 2 1
1 1
3 0 1 0
2 3
3 = ( ) (1 ) (2 1)
0 2 0
2 3 3

5 4

2 3
3 = ( 1 5)

6 3

Por lo tanto la base ortogonal ser:


5 4

1 2 0 1
B2 = {( ); ( ); ( 2 3) }
1 0 2 1 1 5

6 3

Ejemplo: Ortogonalizar el siguiente conjunto: S={(1,2, 1); (0,1,3); (1,0,5)}

Para este caso analizamos primeramente si el conjunto es linealmente independiente:

(1,2, 1) + (0,1,3) + (1,0,5) = (0,0,0)


1 0 1 0 F 2F 1 0 1 0 1 0 1 0
(2 1 0|0) F2 + F 1 (0 1 2|0) F3 3F2 (0 1 2|0)
3 1
1 3 50 0 3 6 0 0 0 12 0
Como el sistema tiene nica solucin, y sta es la trivial, el conjunto es linealmente
independiente; por lo tanto se puede ortogonalizar.

w1 = u1
w1 = (1,2, 1)
< u2 . w1 >
w2 = u2 .w
< w1 . w1 > 1
(0,1,3)(1,2,1)
w2 = (0,1,3) (1,2,1)(1,2,1) . (1,2, 1)

1
w2 = (0,1,3) + 6
(1,2, 1)

1 1 1
w2 = (0,1,3) + (6 , 3 , 6)

1 4 17
w2 = ( , , )
6 3 6

<u3 .w1 > <u3 .w2 >


w3 = u3 . w1 . w2
<w1 .w1 > <w1 .w2 >

1 4 17
<(1,0,5).(1,2,1)> <(1,0,5).( , , )>
63 6
w3 = (1,0,5) <(1,2,1).(1,2,1)> . w1 1 4 17 1 4 17 . w2
<( , , ).( , , )>
63 6 63 6

43
4 3 1 4 17
w3 = (1,0,5) . (1,2, 1) 56 .( , , )
6 6 3 6
6

2 4 2 86 344 731
w3 = (1,0,5) ( , , ) ( , , )
3 3 3 354 177 177

16 580 12
w3 = (177 , 177 , 59)

EJERCICIOS PROPUESTOS:

1. En el e.v. (P2 , , +, .. se define: (()/()) = (0)(0) + (1)(1) + (1)(1)


Demostrar que (/) define un producto interno (p.i.) en el e.v. (2 , , +,)
2. Sean u = (x1 , x2 , x3 , x4 ), y = (y1 , y2 , y3 , y4 ) elementos del e.v. ( ,, +. . ).Se define

1 0 0 0 y1
0 2 0 0 y2
(/) = (x1 , x2 , x3 , x4 ) ( ) (y ). Demostrar que (/) defien un p.i.
0 0 3 0 3
0 0 0 4 y4

3. Sean u, v V e.v. con p.i. (/) sobre .


a. Si + 2 = 2 + 2 (/) = 0?
b. Si {, } es l.d. + = + ?
4. Sea (V,K,+,..) un e.v. con p.i. (/)
a. Sean 1 , 2 , 1, 2 elementos del e.v. entonces:21 + 2 2 + 21 2 +
22 2 + 21 2 = 1 + 2 + 2 2 + 1 + 2 2 2 + 1 + 1 2 +
1 1
b. Si 1 = 1 u1 + v1 y u1 v1 son ortogonales
5. Ver si las siguientes proposiciones son verdaderas o falsas (justificar la respuesta):
a. Sea (/) es un p.i. en (V, ,+,..). Si .(/) es un p.i. en el e.v. V sobre ?
b. Sea V un e.v. con p.i. sobre . Sea S V, S={u,v} l.d. u y v no son nulos. Existe
algn conjunto ortogonal que genere a <S>?
c. Sea S un subconjunto de un e.v. V con p.i. Si S es ortogonal S es l.i.?
d. Sea V un e.v. con p.i. (/) sobre . Si el ngulo entre los vectores u,v es 90, entonces
(u/v)=0?
e. Sea p(x) = a + a1 x y q(x) = b + b1 x elementos del e.v. P1 [x] sobre .Si
(p/q) = a1 b1 + a b1 + a1 b + 8a b (/) es un p.i.?
6. En el e.v. (4 , , +..) con el p.i. (/) usual:
a. Si W = {(x, y, z, t)4 /x 2y z + t = 0} un s.e.v. del e.v. 4 , dar una base B
ortonormal para W.
b. A partir de B completar una base ortonormal para todo el e.v. 4
7. Sobre V = (P2, , +, . . ) se define el p.i. (/) de la siguiente manera:
(p(x)/q(x)) = p(0)q(0) + p(1)q(1) + p(1)q(1)
a. Sea () = 1 2 + 2 . Calcular W = {p(x)P2 /(p(x)/r(x)) =0}
b. Calcular una base B para W (indique la dimensin de W ).
c. Hallar una base B1 ortonormal para W .
d. A partir de B1 construir una base ortonormal para todo el e.v. P2 .
e. P2 =< {()} > W ?
8. Sea = {: / } Sea (F,R,+,.) e.v. con p.i. definido por:

(f/g)= ()(). Demostrar que = {(), 3 + cos()}es ortogonal S es
una base para <S>?
9. En el e.v. 2 [] sobre R se define el p.i. (/): Sea () = 1 + 1 + 1 2 y () =
2 + 2 + 2 2 y (()/ ()) = 1 2 + 1 2 + 1 2
a. Calcular el conjunto = {1 , 2 , 3 } tal que:
1 ()es un polinomio ortogonal a () = 2 2 +
2 () = 2 + + 1y forma un ngulo de 60 con 1 ()
3 ()es una combinacin lineal de ()
b. B es una base para dicho e.v.?
c. Ortonormalizar la base
10. Sean el e.v. (2 [], , +, . ) con un p.i. (/) y q 2 []. Si {1 , 2 } es l.i. en 2 [] =>
{( /1 ), (/ 2 )} es l.i. en el e.v. 2 []?
11. Sean () = 5-2x+3 3 . Sea = {(), , (), ,, (), ,,, ()}
a. S es una base del e.v. (3 [],R,+,.)?
b. Halle las coordenadas del polinomio () = 1 + 2 3 en esta base (en el
caso de que S sea una base).
c. Determinar <S>
+ ( 3) + = + 2
12. Sea W el conjunto solucin del sistema: { + ( + 3) + (2 6) = 2 + 2 .En
3 + = + 2
los casos, en los cuales sea posible, encontrar una base ortogonal para W y extiende a
una base ortogonal para 3
1
13. Sobre = (2 [], , +, . ) Se define (p(x)/q(x))=0 ()()
a. Demostrar que (/) define un producto interno (p.i.) en 2 []
b. Sea r(x)= 2 . Calcular = {()2[]/(()/ () = 0)}
c. Halle una base B para (indique su dimensin).
1
14. Sobre V = (2 [], , +, ) : (()()) = 0 ()()
a. Demostrar que (/) define un producto interno (p.i.) en 2 [] .
b. Sea () = . 2 . = {() 2[](()/() = 0}
c. Halle una base B para (indique su dimensin)
d. Hallar una base B ortonormal para
e. e) A partir de B, construir un base ortonormal para todo el e.v. 2[] . 2[] =
< {()} > ?

15. Dados los s.e.v. 1 = {( ) + = + } , 2 =


{( ) + = = } del e.v. (2 (), , +, ) con el producto interno

definido por: (A/B) =Tr (A.B)?
a. Determinar 1 2 . . . .
b. Determinar 1 + 2 y de una base 1 ortogonal de este s.e.v que contenga a .
Diga la dimensin
c. 2 = 1 2 ?(justifique)
d. 1 2 es un s.e.v.? (justifique)
e. Existe alguna base ortonormal para 2 () que contenga a 1 o a B? En caso
afirmativo, encontrar la base.
16. 16. Sea = {: }. Sea (F, R,+,) e.v. con p.i. definido por:

() = ()(). Si 2 [] es un s.e.v. del e.v. F sobre R, entonces a partir de
la base {1,x, 2 }, obtenga una base ortonormal para 2 []
17. 1 = {1 + , + 2 , 1 + 2 } 2 = {1 + + 2 , 2 , 2 } dos bases de
e.v. 2 [] sobre R
a. Encontrar las coordenadas de los vectores de 2 respecto a la base 1 .
b. Escriba M, donde M es la matriz cuyas columnas son las coordenadas de los
vectores de 2 respecto a la base 1 , respectivamente
c. Si u es el vector coordenado de q(x) (expresado como columna) en las base 2 ,
entonces w=M.u es el vector coordenado de q(x) en la base 1 .
d. Sea u= (1,-1,2) el vector coordenado de q(x) respecto a 2 , hallar las coordenadas
de q(x) respecto a 1 usando la matriz M. Determinar el polinomio q(x).
7. TRANSFORMACIONES LINEALES

Sea V y W espacios vectoriales definido sobre un mismo campo K, y f una funcin f: V


W, f es una transformacin lineal (Aplicacin Lineal) si cumple el siguiente axioma:

u, v V, K

1. f (u + v) = f(u) + f(v)

2. f ( u) = f(u)
f
V W

u f(u)

v f(v)

u+v f(u+v)

Generalmente a las Transformaciones Lineales se les identifica con (V, W) conjunto


de aplicaciones lineales de V a W

Se puede considerar como la unin de los anteriores axiomas el siguiente axioma.

( + ) = () + ()

Ejemplo: Determine si la siguiente aplicacin lineal se puede considerar


transformacin lineal.

f R2 R2
f(x, y) = (x + y, x 2y)
Se procede a la comprobacin de los dos axiomas.
Primer axioma f (u + v) = f(u) + f(v)

1 ( + ) = ( + )
2 ( + ) = [(1 , 1 ) + (2 , 2 )]
3 ( + ) = [(1 + 2 ); (1 + 2 )]
4 ( + ) = [1 + 2 + 1 + 2 , 1 + 2 2(1 + 2 )]
5 ( + ) = [1 + 2 + 1 + 2 , 1 21 + 2 22 ]
6 ( + ) = (1 , 1 ) + (2 , 2 )
7 ( + ) = () + ()
Segundo axioma f ( u) = f(u)

1 ( ) = ( )
2 ( ) = [ (1 , 1 )]
3 ( ) = [ 1 , 1 ]
4 ( ) = [ 1 + 1 , 1 2 1 ]
5 ( ) = [ (1 + 1 ), (1 21 ) ]
6 ( ) = [(1 + 1 ), (1 21 ) ]
7 ( ) = [(1 , 1 )]
8 ( ) = ( )

Si u=(1 , 1 ) y v=(2 , 2 ) Determinar si (, ) = ( + , 2) es una


transformacin lineal mediante : ( + ) = ( + )

1 ( + ) = [ (1 , 1 ) + (2 , 2 )]
2 ( + ) = [ (1 + 2 ) , (1 + 2 )]
3 ( + ) = [ 1 + 2 + 1 + 2 ]
4 ( + ) = [( 1 + 2 + 1 + 2 ), ( 1 + 2 1 2 )]
5 ( + ) = [ 1 + 1 + 2 + 2 , 1 2 1 + 2 22 ]
6 ( + ) = [ (1 + 2 ) , (1 22 )]
7 ( + ) = [(1 + 1 , 1 21 ) + (2 + 2 , 2 22 )]
8 ( + ) = (1 , 1 ) + (2 , 2 )
9 ( + ) = () + ()

Ejemplo: Sea V = {ff = R R continua} y F V V, determinar si (f(x)) =


X
0 f(t)dt, es una combinacin lineal.

Sean : g(x) y h(x) V;

[() + ()] = [()] + [()]

[() + ()] = [() + ()]



[() + ()] = [() + ()]
0
[( + )() ] = [( + )()]

[( + )()] = [( + )()]
0

[( + )()] = [() + ()]
0

[( + )()] = () + ()
0 0

[()()] = [()]

[()()] = [()()

[()()] = [()()]
0

[()] = ()
0

[( )()] = ()
0

Ejemplo: Verificar si f Mat(R)2 P2 es una transformacin lineal:



( ) = ( ) + ( + ) ( + ) 2

Siendo:
1
==( 1 )
1 1
2
==( 2 )
2 2

( + ) = () + ()

Las matrices se pueden representar de la siguiente manera

( + ) = ( + ) = ( + ) = () + ()

1 ( + ) = ( + )
1 2
2 ( + ) = {( 1 )+( 2 )}
1 1 2 2
3 ( + ) = (1 + 2 ) (1 + 2 ) + [(1 + 2 ) + (1 + 2 )]
[(1 + 2 ) + (1 + 2 )] 2
4 ( + ) = 1 1 + 2 2 + [(1 + 1 ) + (2 + 2 )]
[(1 + 1 ) 2 (1 + 2 )] 2
1 2
5 ( + ) = [ ( 1 )+( 2 )]
1 1 2 2
6 ( + ) = () + ()

Cuando existe una constante, esta elevado a cualquier potencia o se multiplican no es


transformacin lineal.

Ejemplo: Determine si la siguiente funcin (, , ) = ( + , + 1), puede ser


considerada una aplicacin lineal

Utilizando las bases cannicas sacamos su imagen y comprobamos el axioma de la suma.

(1,0,0) = (1,1)

(0,0,1) = (0,0)

Sumando los vectores del espacio de partida se tiene: f(1,0,0) + f(0,0,1) = f(1,0,1) y
evaluando este resultado en la funcin dada (, , ) = ( + , + 1) se tiene:
f(1,0,1) = (1,0); mientras que sumando las imgenes de cada una de los vectores de
entrada se tiene que: f(1,0,1) = (1,1); por lo tanto esa funcin no puede ser considerada
una aplicacin lineal.

Comprobar si f Mat(R)n Mat(R)n es Transformacin Lineal:

(A) = AT A

Sean: C y D Mat(R)n
() =

() =

1. ( + ) = ( + )
2. ( + ) = ( + ) ( + )
3. ( + ) = ( + ) ( + )
4. ( + ) = + + +
Ya que T(C + D) es diferente a C C T + C DT + D C + D DT NO es
Transformacin Lineal.

7.1 Propiedades de las Transformaciones lineales:


I. Si f(u) = v , f(u) = v
II. (0) = 0 , 0
III. : : S un subconjunto de , = {1 , 2 , 3 , . . } Linealmente
independiente y = {1 , 2 , 3 , . . } un subconjunto cualquiera de W;
entonces existe una nica transformacin lineal tal que:
f(v1 ) = w1 ; f(v2 ) = w2 ; f(v3 ) = w3 ; ; f(vn ) = wn

IV. : : se tiene que 1 , 2 , 3 , . 1 , 2 , 3 , . .


entonces se cumple que:
f(a1 v1 + a2 v2 + + an vn ) = a1 f(v1) + a2 f(v2 ) + a3 f(v3 ) + an f(vn )

Ejemplo: Sea f: R3 P2 tal que:

(1,1,1) = 1 2 + 2
(2,0,0) = 3 + 2
(0,4,5) = 2 + 3 + 3 2

Determinar f(2, 3,1) = ?

Para resolver este ejercicio se debe probar que los elementos del espacio de partida deben
ser linealmente independientes, es decir se debe probar que el siguiente conjunto sea
linealmente independiente {(1,1,1); (2,0,0); (0,4,5)}.
1 1 1
|2 0 0| = 2
0 4 5
Como el determinante es diferente de cero, entonces el conjunto es linealmente
independiente.

Como el conjunto es linealmente independiente, este puede ser considerado como una base,
por lo tanto:

(2, 3,1) = (1,1,1) + (2,0,0) + (0,4,5)

Es decir :

f(2, 3,1) = [(1,1,1) + (2,0,0) + (0,4,5)]

f(2, 3,1) = (1,1,1) + (2,0,0) + (0,4,5), aplicando la IV propiedad


anteriormente expuesta. Por lo tanto se necesita encontrar los escalares: ,

Se plantea el sistema de ecuaciones para encontrar los valores de alfa, beta y gama.

2 = + 2
3 = + 4
1 = + 5
Dndonos como resultado

= 19
21
=
12
= 4

Los valores se reemplazan en funcin a las imgenes dadas

(2, 3,1) = (1,1,1) + (2,0,0) + (0,4,5)


21
(2, 3,1) = 19(1,1,1) + (2,0,0) + 4 (0,4,5)
12
21
(2, 3,1) = 19(1 2 + 2 ) + (3 + 2 ) + 4 ( 2 + 3 + 3 2 )
12
41 31 35 2
(2, 3,1) =
2 2 2

En caso de tener muchas transformaciones lineales con su imagen lo ms conveniente es


sacar una formula general.

Ejemplo: En el siguiente grfico se tiene la siguiente informacin:

y
-4,6 4,6

7,4
-7,4
-2,2 2,2

Determina la aplicacin lineal para pasar del primer al segundo cuadrante:

Por simple Inspeccin se puede determinar que: f(x, y) = (x, y); se debe analizar si esta
expresin cumple con los axiomas de una aplicacin lineal, para lo cual:

Sean: u , v R2 y R u = (x1 , y1 ) y v = (x2 , y2 )

Por demostrar que:

1. f (u + v) = f(u) + f(v)

2. f ( u) = f(u)

( + ) = () + ()

f(u + v) = f(u + v)

f(u + v) = f((x1 , y1 ) + (x2 , y2 ))

f(u + v) = f((x1 + x2 ) + (y1 + y2 ))

f(u + v) = f((x1 x2 ), (y1 + y2 ))


f(u + v) = f((x1 , y1 ) + (x2 , y2 ))

f(u + v) = f(u) + f(v)

( ) = ()

f(u) = f(u)

f(u) = f((x1 , y1 ) )

f(u) = f(x1 , y1 )

f(u) = (x1 , y1 )

f(u) = (x1 , y1 )

f(u) = f(u)

EJERCICIOS PROPUESTOS:

1. Considere las transformaciones del 1 al 15 y en cada una de ellas verificar que son lineales,

2. 1 () 2 2 () ( + ) = ( )
0
3. 1 () 2 () (()) = ()

4. 2 2 () ( )= +

5. 3 () 2 () (()) = ()

6. 2 () 2 2 () ( + + 2) = ( )

7. 2 2 ()) 2 2 () () =
8. 2 2 () () = ()

9. 2 2 () 3
( ) = ( , , )


10. 3 2 2 () ( , , ) = ( )


11. 2 2 () ( ) = +

2. Sea el espacio vectorial (, , +, . . ); = . : es una transformacin lineal.
a. Si {1 , 2 , , } es linealmente dependiente, {(1 ), (2 ), , ( )} es linealmente
dependiente?
b. Si {1 , 2 , , } es linealmente independiente, {(1 ), (2 ), , ( )} es
linealmente independiente?
3. Si es subespacio vectorial de : , define una transformacin lineal, demostrar
que () es subespacio vectorial de .
4. Sean 1 , 2 dos espacios vectoriales de dimensin 2 y con la misma base, 1 = {1 , 2 } y
sea : 1 2 una transformacin lineal, tal que:
(1 , 2 ) = 31 + 92
(31 , 22 ) = 71 + 232
a. Calcular (1 2 )

5. Comprobar que las siguientes aplicaciones no son lineales.


a. (, ) = 2. || +
b. (, ) = (, 2 )
c. () = , 2 ()
d. (, , ) = (2 ; + 1 + )
e. (, ) = ( (), )
f. () = (, , )
g. () = . , 2 ()
6. Si f L ( 3 , 3) tal que f (1, 1,-1)= (1,-2,3). Hallar el valor de f (-1,-1,1)
7. Sea f de 3 3 tal que, f (0 )=0
, entonces f es una aplicacin lineal?
8. Hallar una aplicacin lineal f de 2 ()en 3 tal que f (p(x))= (p(0),p(1),p(2)).
9. Hallar la aplicacin lineal de f de 2 () en 3 tal que f(p(x))=(p(-1),p(1),p(-2))
10. Determinar la frmula que define la simetra con respecto a la recta y=2x. Verificar que
esta aplicacin es lineal.
11. La proyeccin ortogonal f de un vector V sobre un subespacio vectorial W de V est
)
(/
dada por f (v) =v 2 . .Demostrar que f es una aplicacin lineal.

7.2 Aplicacin Lineal asociada a una matriz

Dada la matriz A Mat(k)mxn A = (aij ) mxn , la aplicacin definida por:

fA : k n k m

x fA (x) = Ax

fA (k) = Ax es una aplicacin lineal es decir fA (k n , k m ); Esta aplicacin lineal


asociada a la matriz A.

Demostracin:

fA (x + y) = fA (x + y)

fA (x + y) = A(x + y)

fA (x + y) = A(x) + Ay

fA (x + y) = fA x + fA y
1 1 1
Ejemplo: Dada la matriz: A = ( ) encontrar la aplicacin lineal a la matriz A
2 1 0
NOTA:

El nmero de columnas indcale espacio de partida.


El nmero de filas indica el espacio de llegada.

Por lo tanto la aplicacin lineal sea de f: R3 R2


x
fA (x, y, z) = A (y)
x
x
1 1 1 y
fA (x, y, z) = ( )( )
2 1 0 x

fA (x, y, z) = (x y + z; 2x y)

(, , ) = ( + ; )

2 3
Tambin se lo puede representar como: [] = [ ]
0

7.3 Matriz asociada a una aplicacin lineal

Sea f L (k n , k m )n entonces existe una matriz A = (aij ) Mmxn tal que: f(x) = Ax t
x k n

La columna de la matriz A, son las coordenadas de los elementos de la base cannicas de


k n , bajo f respecto de la base cannica de R3 y R2 respectivamente.

2 3
Ejemplo: Considerando el ejercicio anterior: [] = [ ]
0

Para determinar la matriz asociada a la transformacin lineal se deben considerar las bases
cannicas.

Bases cannica

R3 ; B1 = {(1,0,0); (0,1,0); (0,0,1)}

R2 ; B2 = {(1,0); (0,1)}

Calcular imgenes con respecto a B, es decir:

f(1,0,0) = (1,0)

f(0,1,0) = (0,1)

f(0,0,1) = (1, 2)

Con la base cannica del conjunto de llegada se calculamos las coordenadas de la imagen,
por ser la base cannica las coordenadas vienen a ser las imgenes de la funcin

(1,0) = (1,0) + (0,1)


=1 ; =0
(0,1) = (1,0) + (0,1)
=0 ; =1
(1, 2) = (1,0) + (0,1)
= 1 ; = 2
Por lo tanto la matriz A es:
1 0 1
A = ( )
0 1 2
Aplicando f(x) = Ax t
x
1 0 1
f(x, y, z) = ( ) (y)
0 1 2 x

7.4 Matriz de Rotacin


Se conoce que:

, = ||u|| cos( + ) ; , = ||u|| sen( + )

, = ||u|| cos( + )
, = ||u||[ . . ]
,
= ||u|| . |||| .
, = x - y

, = ||u|| ( + )
, = ||u||[ . + . ]
,
= |||| . + |||| .
, =x +
(x,y) =( , , , )
(x,y) =( , , , )
= |||| ; = ||||
(, ) = ( ; + )

cos sin
La matriz asociada a esta transformacin lineal es: A=( )
sin cos
cos sin
(x,y) ( ) ()
sin cos

Ejemplo: Girar el vector (7,2), 60 grados con respecto al origen.


cos sen x
f(x, y) = ( ) (y)
sen cos
cos60 sen60 7
f(x, y) = ( )( )
sen60 cos60 2
f(7,2) = (7cos60 2sen60; 7sen60 + 2cos60)

f(7,2) = (1,16; 7,06)

Su nueva coordenada ser: = (1,16; 7,06)

Ejemplo: Girar el vector (5,3), 30 grados con respecto (3,-2)

(h, k) = (3, 2)

= 30

U1 = (0,0) (h, k)
U1 = (0,0) (3, 2)
U1 = (3, 2)
U2 = (5,3) (h, k)
U2 = (5,3) (3, 2)
U2 = (2,5)

U1 :
cos sen x
f(x, y) = ( ) (y)
sen cos
cos30 sen30 3
f(x, y) = ( )( )
sen30 cos30 2
f(3,2) = (3cos30 2sen30; 3sen30 + 2cos30)

f(3,2) = (3,6; 0,23)

U2 :
cos sen x
f(x, y) = ( ) (y)
sen cos
cos30 sen30 2
f(x, y) = ( )( )
sen30 cos30 5
f(2,5) = (2cos30 5sen30; 2sen30 + 5cos30)

f(2,5) = (0,76; 5,33)

Para regresar al sistema original:

U1 = (3,6; 0,23) + (h, k)


U1 = (3,6; 0,23) + (3, 2)
U1 = (0,6; 1,77)

U2 = (0,76; 1,77) + (h, k)


U2 = (0,76; 1,77) + (3, 2)
U2 = (2,24; 3,33)

Para comprobar que el proceso se haya realizado correctamente el modulo del vector
original debe ser igual al mdulo del vector resultante

7.5 Matriz Asociada a una Transformacin Lineal en funcin a otra Base

Sea f: V W una aplicacin lineal cualquiera y sean S T dos bases cualesquiera


S
de V W respectivamente a la matriz asociada a f se les representa: [ f ]
T
a b
Ejemplo: Dada la siguiente aplicacin lineal f ( ) = a + (b c)x + dx 2 ,
c d
S
encontrar la matriz asociada [ f ] con respecto a las siguientes bases:
T
a. Bases cannicas
b. Las siguientes Bases:
1 1 0 1 0 0 1 0
S = {( ),( ),( ),( )}
0 0 1 0 1 1 0 1
T = {1 x; x 2 ; x + x 2 }

a. Bases cannicas
Sacamos las imgenes con respecto a la base T
1 1
( ) =1
0 0
0 1
( )=
1 0
0 0
( ) =
1 1
1 0
( ) = 2
0 1
Se procede a formar la matriz asociada con los resultados obtenidos
1 0 0 0
[ ]1 (0 1 1 0)
2
0 0 0 1
b. En funcin de las siguientes Bases:

1 1 0 1 0 0 1 0
= {( ),( ),( ),( )}
0 0 1 0 1 1 0 1
= {1 ; 2 ; + 2 }
Sacamos las imgenes
1 1
( ) =1+
0 0
0 1
( ) = 2
1 0
0 0
( ) = + 2
1 1
1 0
( ) = 1 + 2
0 1
+ + 2 = (1 ) + 2 + ( + 2 )
Se encuentra las coordenadas en forma general de cualquier polinomio en funcin
de la base del espacio de llegada; se plantea la siguiente combinacin lineal:

= +

=+
Resolviendo el sistema:

= = + =+
= + =++
=+ = +

Representando la solucin en forma matricial:



[ ] = [ + ]
+

Para 1 + :
1

[ ]=[ 2 ]
2

Para 2:
0
[ ] = [2]
2

Para + 2 :
0
[ ] = [1]
2

Para 1 + 2 :
1
[ ] = [1 ]
0

La matriz asociada a las bases dadas es:

1 0 0 1
[ ] (2 2 1 1)

2 2 2 0
7.6 Matriz cambio de base

Sea : y sea bases de V la matriz cambia de base es la matriz que


contiene en sus columnas las coordenadas de los vectores de la base expresados
en funcin de la base .

Ejemplo: Sea S = {(1,1); (1,1)} y T = {(2, 2); (1, 2)} base R2 . Encontrar:
[ f ] S ; y las coordenadas de v= (3; 4) con respecto a la base T si se sabe que
T
1 7
las coordenadas de V con respecto a S son: V3 = (2 ; 2)

[ ]

(, ) = (2, 1) + (1,2)

= 2 +

= + 2
2
=
5
+ 2
=
5
Se determinan las coordenadas del conjunto S = {(1,1); (1,1)}, en funcin de la
base T

1 = (1,1)
1 3
= =
5 5
2 = (1,1)
3 1
= =
5 5
Se forma la matriz cambio de base
1 3
[ f ]S = ( 5 5)
T 3 1
5 5

7.6.1 Propiedades de las matrices de cambio de base.

1. Toda matriz de cambio de base es cuadrada nxn, donde n es la dimensin del


espacio al que se refieren las bases.
2. Toda matriz de cambio de base es inversible (es decir, con determinante no nulo).
Adems, la matriz de cambio de S a T es inversa de la matriz de cambio de T a S.
S T
Es decir se cumple que: [ f ] [ f ] =
T S
Para el caso del ejercicio anterior se puede encontrar la matriz de cambio de base
aplicando la segunda propiedad expuesta.
1
[ f ]T = [[ f ] S ]
S T

1 3 1
T
[f] = ( 5 5)
S 3 1
5 5
1 32
[ f ]T = ( 2 )
S 3 1
2 2
S T
Se cumple que: [ f ] [ f ] =
T S
1 35 12 32 1 0
( 5 )( )=( )
3 1 3 1 0 1
5 5 2 2

7.7 Ncleo e Imagen de una Transformacin Lineal

7.7.1 Ncleo

Sean , espacios vectoriales sobre un campo y sea (, ). El ncleo (kernel,


espacio nulo) de se define como la preimagen completa del vector nulo:

Sea f: V W

() = { : () = 0}
f
V W

f(v)=0

() .

7.7.2 Imagen

Sean , espacios vectoriales sobre un campo y sea (, ). La imagen de se


define como el conjunto de todos los valores de la aplicacin :
() = { : () = }

La imagen puede ser un subespacio del espacio La imagen puede ser todo el espacio de llegada
de llegada. f
f V W
V W

Imagen

Imagen

()

Ejemplo: Encontrar el Ncleo de la siguiente aplicacin lineal:

: 3 3

f(x, y, z) = (x y + z; x + y + z; x 3y + z)

Ncleo

f() = 0

f(x, y, z) = (0,0,0)
xy+z=0
x+y+z=0
x 3y + z = 0
1 1 1 0 F3 F1 1 1 1 0 F3 + F2 1 1 1 0
(1 1 1 0) F2 F1 (0 2 0 0) (0 2 0 0)
1 3 1 0 0 2 0 0 0 0 0 0
Resolviendo el sistema se tiene:

y = 0 ; x = z

Por lo tanto el sistema tiene infinitas soluciones, por lo tanto la base del ncleo es: () =
(; 0; )

Imagen

f(x, y, z) = (a, b, c)
xy+z=a
x+y+z=b
x 3y + z = c
1 1 1 a F3 F1 1 1 1 a F3 + F2 1 1 1 a
(1 1 1 b) F2 F1 (0 2 0 b a) (0 2 0 ba )
1 3 1 c 0 2 0 c a 0 0 0 2a + b + c
Para que el sistema de ecuaciones tenga solucin 2a + b + c = 0 ; por lo tanto la
imagen es:

() = { (, , ) 3 2 + + = 0}

La base de la imagen es:

() = (; 2 ; )

() = {(1, 2,0); (0, 0, 1)}

NOTA: Si el sistema tiene una sola solucin cae en todo el espacio

Teorema de la dimensin:

= [()] + [()]

7.8 Aplicacin Lineal Inyectivaa


Sea f: V W, f es inyectiva si: v V ; w W tal que f(v) = w . Si N(f) = 0

En otras palabras, f es inyectiva si, y slo si f aplica vectores distintos en V sobre


vectores distintos en W.
f
V W

u f(u)

v f(v)

w f(w)

7.9 Transformacin Lineal Sobreyectiva.


Sea f: V W, f es sobreyectiva si la imagen es todo W: Si Im(f) = W

En otras palabras Sea f una transformacin lineal de V en W. Diremos que f es sobreyectiva


si la imagen de la transformacin f es todo U.

TEOREMA: Sea f una transformacin lineal de V en W. Si V es un espacio vectorial


finito, una transformacin lineal f es sobreyectiva si, y slo si, Img(f) = W.

TEOREMA: Sea f una transformacin lineal de V en W y sea DimV = DimW.


Entonces f es biyectiva si y slo si f es sobreyectiva.

7.10 Transformacin Lineal Biyectiva


Sea f: V W, f es biyectiva si: f es inyectiva y sobreyectiva
7.11 Isomorfismo
Las transformaciones lineales que son a la vez inyectivas y sobreyectivas, se llaman
isomorfismos, y se dice que son inversibles.
f
V W

1 = 1 (1 ) 1 = (1 )

2 = 1 (2 ) 2 = (2 )

7.12 Inversa de una Transformacin Lineal

Sea f: V W, f tiene inversa si: f es isomorfismo

Ejemplo: Determinar si la siguiente Transformacin Lineal tiene inversa.

(, ) = (, + 2)

Encontramos el ncleo:

=0

+ 2 = 0

La solucin es nica:

=0

=0

Por ende el ncleo de la funcin es igual a cero.

Determinamos su Imagen:

+ 2 =

=
2

=
2
La imagen es todo el espacio por lo que es sobreyectiva , por lo tanto si tiene inversa

Se determina la matriz asociada en funcin de las bases cannicas: B = {(1,0); (0,1)}


f (1,0) = (1,1)
f (0,1) = (0,2)
x 1 0 x
f (y) = ( )( )
1 2 y

[ f ]e1 = A = (1 0
)
2 1 2
Si |A| = 0 no tiene inversa ;
Si |A| 0 tiene inversa

Como |A| 0 , la transformacin lineal tiene inversa.

7.13 Algebra de transformaciones Lineales


7.13.1 Suma

Sea (, ), la suma + es otra Transformacin Lineal

( + ) (, )

( + )( + ) = ( + )() + ( + )()

( + )( + ) = ( + ) + ( + )

( + )( + ) = () + () + () + ()

( + )( + ) = [() + ()] + [() + ()]

( + )( + ) = ( + )() + ( + )()

NOTA: Para poder sumar deber estar en el mismo espacio

Ejemplo: Realizar la suma de las siguientes aplicaciones lineales:

(, ) = ( 2; ; + )

(, , ) = ( + ; 2)

En este ejemplo no se puede realizar la suma d las aplicaciones lineales debido a que
: 2 3 : 3 2.

Ejemplo: Sea (()2 , 3 ), encontrar +


a b
f( ) = (a + d; c d; a + 2b)
c d
a b
g( ) = (a, b 2c; a + b + c + d)
c d

(f + g) (a b
) = (2a + d; b c d; 2a + 3b + c + d)
c d
7.13.2 Producto por escalar
Sea (, ) ; (, )

7.13.3 Composicin de Transformacin Lineal

Sea (, ) (, ) ; () (, )

Ejemplo: Determinar (gof), dadas las siguientes aplicaciones lineales:


a ab
f(a, b, c) = ( )
a + c b + 2c
x y
f( ) = (x + w; y 2z)
z w
Solucin:

[(, , )]

( ) = [ + + 2; 2( + )]
+ + 2
() = [ + + 2; 2 + 2)

EJERCICIOS PROPUESTOS

1. Sea : una transformacin lineal, = = .


1 = {1 , 2 , , } , 2 = {(1 ), (2 ), , ( )} .
Demostrar que: es invertible si y solo si 1 linealmente independiente implica
2 linealmente independiente.
2. Sea : una transformacin lineal, = . = []
Demostrar que:
a. () 1 () = 0
b. es biyectiva si y solo si () 0.
3. Sea V una espacio vectorial de dimensin 2, {, } es base de V
a. Mostrar que .. = + 2 y .. = forman una base de V
b. Cul es la matriz asociada a la transformacin lineal T
T: 2 2
(, ) (, ) = (, )
Siendo {.. , .. } la base de salida y {, } la base de llegada ?
4. Sea L : 3 3 una transformacin lineal tal que: L (u) = v, L(v) = w, L (w) = u B =
{, , } es base de 3 , donde: u = (1,1,0), v = (0,1,1) = (1,0,1)
a. Hallar la matriz asociada a L respecto a B
b. Determinar la matriz asociada a L respecto a la base cannica
5. Sea : 2 2 una transformacin lineal cuya matriz asociada con respecto a la base

cannica es [ ]. Qu condiciones deben cumplir a, b, c, d para que:

() = (1,1) () = (1,1)?
6. Demostrar que si = {1, 2, . . , }, () = ().
7. Sea L una transformacin lineal
: 2 2
1 1
(, ) (, ) = ( + , + )
2 2
a. Para que valores de k de los reales L es biyectiva ?

b. Calcular []12 , donde 1 es base cannica de 2 2 = {(1,0), (0, 1)}
8. Sean las bases
1 = {1, , 2 } base de 2 , y
2 = {1,1 + , (1 + )2 , (1 + )3 } base de 3
1 1 1
1 2 3
A=[ ]
0 1 3
0 0 1
Hallar:

a. L : 2 3 , tal que, = []12
b. (), (), dimensiones y bases
9. Sea : 3 2 () , una transformacin lineal y
1 1 0
= [1 0 1 ], la matriz asociada a f respecto a las bases cannicas de 3 y 2 ()
2 1 1
representativamente. Hallar:
a. f explcitamente
b. N (f), Im(f), dimensiones y bases
10. Sea
T: 4 2
(, , , ) ( + , + )
a. Demostrar que T es lineal
b. N (T), Im(T), dimensiones y bases
11. Sea:
T: 3 2
(, , ) (, , )
Una transformacin lineal, donde:
(1,0, 1) = (3,1), (2, 1,1) = (4,2), (1,1, 1) = (1,3)
a. (, , )
b. (), (), dimensiones y bases
12. Sea
: 4 4
() (()) = ``() + `() + 2()
a. Probar que L es un isomorfismo
b. Estructurar la inversa de L

c. Hallar [] , siendo = {1, , 2 , 3 , 4 }, base de 4
13. Sea
: 2 2
1
() (()) = () ( 1) ()
2
a. Mostrar que L es lineal
b. (), (), dimensiones y bases
14. Sea
: 2 3
2 2 + 1 + (2 + 1 + , 2 1, 2 1 + )
Hallar
a. El valor de k para que L sea inyectiva
b. El valor de k para que dim (L) = 2
c. Una base para la imagen y el ncleo en cada caso anterior
d. 1 = 2

e. [] , si son las bases de 2 3 respectivamente
15. Sea el espacio vectorial 3 ( 3 , +, . )
: 3 3
(1 2 , 3 ) (1 2 , (1 + )1 3 , 2 2 (1 )3 )
a. Demostrar que L es lineal
b. Calcular (), (), dimensiones y bases.
c. Dar una base B para 3 , tal que [] tenga una columna de ceros
16. Sea
: 3 3
(, , ) (, , ) = ( + , 2 3 + , 2 2)
= {(2,1,0), (1,1,0), (2,1, 1)}, base cannica de 3
a. Demostrar que L sea biyectiva
1
b. Comprobar que [1 ] = ([] )
17. Sea = {1 , 2 , 3 } base de 3, donde: 1 = (1. 1,1), 2 = (1,0,1), 3 = (1,1,1) Si
: 3 3 es una transformacin lineal, tal que 1 = {2 } es base de () 2 =
(2 ) = (0, 1,1), 3 = (3 ) = (1,1,1)
a. Hallar L (, , )
b. Hallar la matriz asociada a L respecto a B
c. L es inyectiva, sobre, ....?
d. A partir del conjunto {2 , 3 } completar una base ortogonal para 3
18. Sea
: 3 3
(, , ) (, , ) = ( + 2 , + 3 5 , 2 + 3 + )
a. Hallar la matriz asociada a L respecto a las bases cannicas
b. Para qu valores de k , L es un isomorfismo ?
c. Para qu valores de k la dim (L) = 1 ?
d. Encontrar una base B para la cual la matriz asociada a L respecto a B tenga una
columna de ceros
19. Dadas las funciones f y g de 2 , tales que:
(()) = () `()
(()) = () ``()
a. Hallar (gof) (p(x))
b. Demostrar que gof es una transformacin lineal
c. gof es biyectiva ?
d. Si = {1, , 2 } 1 = {1 , 2 , 1 + 2 } son base de 2 , hallar
[]1
6
e. Si [()] = (6) , [()(())]
4
20. Sean las transformaciones lineales

: 2 3
2 2 + 1 + (22 1 + , 2 + 1, 2 + 21 )
: 3 2
(2 , 1 , ) (1 + ) 2 + (22 1 2 ) +
1 = {(2,1,0), (0,1, 1), (1,0,1)} base de 3
a. Demostrar que gof es invertible
b. Hallar ()1
1
c. Hallar F = [()1 ] y G = []1
d. Determinar si = 1
21. Sea
: 2 2
() (()) = `() 2 ()
a. Demostrar que L es lineal
b. Probar que L es invertible
c. Hallar 1
d. Hallar la matriz asociada a L respecto a B y `, siendo
a. = {1, , 2 } 1 = {1 , 2 , 1 + 2 } base de 2
e. Si () = 2 + 2 , hallar (()) usando []1
22. Sean : 3 3 una transformacin lineal y = {, , } una base de 3
= (1,0,0), = (0,1,1), = (0,2,1)
() = (1, 1, ), () = (0,1,1), () = (0,2,1)
a. Hallar {, , }
b. Para que valores de k, L es biyectiva ?
c. Hallar la base para el ncleo y una base para la imagen de f, cuando esta es biyectiva
d. Si k = 2, hallar la matriz asociada a f respecto a B
23. Sean
: 3 3
(, , ) {, , } = ( + , + , + )
: 3 3
(, , ) {, , } = (, + , + + )
a. Hallar gof y fog
b. Demostrar que gof es lineal
c. Demostrar que gof es diyectiva

d. Determinar si se cumple que [] = []
24. Sea : 3 3 una transformacin lineal, donde:
(, , ) = ( + + , 2 + , 2 + 3)
a. Encontrar una base B de 3, tal que [] sea diagonal
b. Escribir []
25. Sea : una transformacin lineal invertible. Si es un valor propio de L, cual es el
valor propio de 1 ?
26. Sea : 2 2 definida por (, ) = ( , ), probar que T es una transformacin
lineal y calcular N(T), Im(T).
27. Sea : 4 4 una transformacin lineal tal que: (, , , ) = ( + , 2
2, + 3 2 + 3, + + 2), Hallar una base para N (f), Im (f) y su dimensin.
Dado : 4 3 tal que:
a. Probar que T es una transformacin lineal.
b. Hallar N(T) y dim N(T), dim, Im(T)
28. Halar una transformacin lineal : 4 3 tal que N(T)= L{(2,1,-1,2),(3,0,1,-1)}.
29. Halar una transformacin lineal : 3 2 tal que N(T)= L{(1,2,3)}.
30. Sea = {(, , , ) 4 / = + + , , , }, = {(, , ) 4 / +
+ = 0} dos espacios vectoriales : tal que T(, , , ) = ( ,
, ) probar que T es una transformacin lineal, adems determinar N(T), Im(T) y
sus dimensiones.
31. Sea V el espacio vectorial de las matrices n-cuadradas sobre K y M una matriz arbitraria
en V, defnase : mediante () = + , con , mostrar que T es lineal.
32. Sea T: R5R3 la aplicacin lineal definida por: (, , , , ) = ( + 2 + 2 +
4, 2 + 5 + 4 5 + 5, + 4 + 5 2). Hallar una base y la dimensin de la
imagen de T.
33. Sea la transformacin lineal : 2 2 definida por (, ) = (2 , + ):
a. Es T inyectiva
b. Hallar la inversa de T, si existe.
34. Una transformacin lineal f: R3R2 est definida por (, , ) = ( 2, + ).
a. Hallar la matriz A de f, respecto de las bases {(1, 1,1), (2, 2,0), (3, 0,0)} en R 3
{(2,0),(0,2)} en R2.
b. Mediante la matriz A, obtener la imagen de (-2, 2,-2).

35. Dada la transformacin lineal de : ()2 3 definida por: ( ) = ( +

, + + , + + ). Obtener la matriz A de f respecto de las bases:
1 1 1 0 0 0 0 1
a. {( )( )( )( )} ()2 {(0,2,1), (2,0,1), (0,1,1)} 3
1 1 1 1 0 1 1 1
1 3
b. Utilizando la matriz hallada obtener la imagen de ( )
2 2
36. Sea la aplicacin T : 2 2 definida por: (, ) = (2 3, + 4), hallar la
matriz T relativa respectivamente a las siguientes bases de 2, B={1 , 2 }, y B' =
B={1 , 2 }, donde 1 =(1,0) , 2 = (1,3), 1 = (1,3), 2 = (2,5).
37. Puede existir alguna aplicacin lineal f de 2 3 () =< {(1, 1)} >
() =< {(1,1,2)} >? En caso afirmativo, determine la aplicacin lineal f es
nica?
38. Puede existir alguna aplicacin lineal f de 3 3 Tal que: () = < {(1, 1,1)} >
() = < {(1,1,2)} >?
39. Puede existir alguna aplicacin lineal f de 3 en3 tal que : () = <
{(1, 1,1), (0,1, 1)} > Img() =< {(1,1,2)} >?. En caso afirmativo, determinar la
aplicacin lineal, f es nica?
40. Sea L(3 , 3 )tal que, (1,0,1) = (1,1,2), (0,1,1) = (0,2,1) y (1,1,0) = (1, 1,1).
Determinar :
a. La aplicacin lineal f.
b. El subespacio vectorial Img f.
c. El subespacio vectorial
d. Bases para el Nf y la Img. f.
41. Sea L(3 , 3 ) , (, , ) = ( + , + , 3 + )
a. Determinar el ncleo de f.
b. Verificar que la imagen de f es un plano (s.e.v. de dim. 2) Hallar el plano.

c. (c) Sea (r,s,t) Img (f). Demostrar que = {(, , ) / (, , ) = (, , )}


es una recta paralela al ncleo.
42. Sea L(3 , 3 ) , (, , ) = ( + , + , 2)
a. Determinar una base del ncleo de f.
b. Verificar que la imagen de f es un plano (s.e.v. de dim. 2). Hallar el plano.
c. Sea (2,-3,-1) Img(f). Demostrar que = {(, , ) / (, , ) = (2, 3, 1) }
es una recta paralela al ncleo.

8. VALORES Y VECTORES PROPIOS

Sea f: V V siendo V un espacio vectorial cualquiera definida sobre k k , se dice


que uno es un valor propio de f cumple.

f(v) = v v V

= Valor Propio (Auto valor, Valor caracterstico, Eigen Valor)

V = Vector propio asociado a .

Ejemplo: Sea f R2 R2

f(x, y) = 10x 18y ; 6x 11y


2
f ( ) = (2,1)
1
3
f ( ) = (6, 4) = 2(3,2)
2
Son valores propios por cumplir la propiedad.
x 10 18 2 2
f (y) ( ) ( ) = 1( )
6 11 1 1
v = v
A

Teorema: Sea f: V V el conjunto de vectores propios forman un sub espacio vectorial.

Vx = { v V f(v) = v}
Av = v
Av v = 0
(A I)v = 0
|A I| = 0
8.1 Polinomio caracterstico

Sea A Mat K n , su polinomio caracterstico est definido por: p() = |A I|

Ejemplo:
10 18
A=( )
6 11
10 18 1 0
p() = |( ) ( )|
6 11 0 1
10 18
p() = |( )|
6 11
p() = (10 )(11 ) (6)(18)
p() = 110 + + 2 + 108
p() = 2 + 2

8.2 Valores propios


Los valores propios se encuentran igualando a cero el p().

p() = 0
2 + 2 = 0
( 1)( + 2) = 0
=1
= 2

Vectores propios Los vectores propios se encuentran al obtener la solucin no trivial.

(A I)(x) = 0

1 = 2
10 18 1 0 x
[( ) (2) ( )] (y) = 0
6 11 0 1
12 18 x
[( )] (y) = 0
6 9

12 18 0 1 12 18 0
( ) F2 F2 ( )
6 9 0 2 0 0 0

12x 18y = 0
12x = 18y
3y
x=
2
V = (x, y)
3y
V = ( , y)
2
V = (3,2)

2 =1
10 18 1 0 x
[( ) (1) ( )] (y) = 0
6 11 0 1
9 18 x
[( )] (y) = 0
6 12
9 18 0 1 9 18 0 9 18 0
( ) F ( ) 3F2 F1 ( )
6 12 0 2 2 3 6 0 0 0 0
9x 18y = 0
9x = 18y
x = 2y
V = (x, y)
V = (2y, y)
V = (2,1)

8.3 Diagonalizacin
Matrices similares

Sea A Y B Mat K n : A es similar a B si existe una matriz Q inversa tal que:

B = Q1 A Q

Teorema

Si dos matrices son similares entonces |A|=|B|

Matrices diagonales

Sea A Mat K n , A es diagonizado si A es similar a una matriz D

D = Q1 A Q

La matriz Q se forma por los vectores propios de A

Los vectores propios deben ser Linealmente Independientes.


Ejemplo

Sea B = Q1 A Q demostrar que |A|=|B|

|B| = |Q1 A Q|

|B| = |Q1 | |A| |Q|


1
|B| = |A| |Q
|Q1 |

|B| = |A|

8.3.1 Aplicaciones de la Diagonalizacin

Potencia Matrices

= 1
= 1
=
1 = 1
1 =
= 1

An =?

= 1 1

2 = 2 1

Esta frmula se aplica para cualquier exponente por ende:

=
10 18
Ejemplo: Diagonalizar la siguiente matriz: A = ( )
6 11
10 18 1 0
p() = |( ) ( )|
6 11 0 1
10 18
p() = |( )|
6 11
p() = (10 )(11 ) (6)(18)

p() = 110 + + 2 + 108

Polinomio caracterstico: () = +

p() = 0

2 + 2 = 0

( 1)( + 2) = 0

Valores Propios:

= 1; = 2

(A I)(x) = 0

1 = 2
10 18 1 0 x
[( ) (2) ( )] (y) = 0
6 11 0 1
12 18 x
[( )] (y) = 0
6 9
12 18 0 1 12 18 0
( ) F2 F2 ( )
6 9 0 2 0 0 0
12x 18y = 0
3y
x=
2
V 1 = (3,2)

2 = 1
10 18 1 0 x
[( ) (1) ( )] (y) = 0
6 11 0 1
9 18 x
[( )] (y) = 0
6 12
9 18 0 1 9 18 0 9 18 0
( ) F2 ( ) 3F2 F1 ( )
6 12 0 2 3 6 0 0 0 0
9x 18y = 0
x = 2y

V2 = (2,1)

Q se forma de los vectores propios


2 3
Q= ( )
1 2
Sacamos la inversa de Q
1
Q1 = Adj Q
|Q|
1 2 1
Q1 = ( )
1 3 2
2 1
Q1 = ( )
3 2
Sacamos la matriz D

D = Q1 A Q
2 1 10 18 2 3
D= ( )( )( )
3 2 6 11 1 2
1 0
D= ( )
0 2

An = QDn Q1

2 3 1 0 n 2 1
An = ( )( ) ( )
1 2 0 2 3 2
4 3(2)n 6 + 6(2)n
An = ( )
2 2(2)n 3 + 4(2)n

Ejemplo: Encontrar los vectores y valores propios


i 2
A= ( )
0 3+i
i 2 1 0
p() = |( ) ( )|
0 3+i 0 1
i 2
p() = |( )|
0 3+i
p() = (i )(3 + i ) (0)(2)

() = ( )( + )

p() = 0
(i )(3 + i ) = 0

= +

(A I)(x) = 0

1 = i
i 2 1 0 x
[( ) (i) ( )] (y) = 0
0 3+i 0 1
ii 2
( )=0
0 3+ii
0 2 x
[( )] (y) = 0
0 3

0 2 0
( )
0 3 0

x=0

y=0

V1 = (1,0)

2 = 3 + i
i 2 1 0 x
[( ) (3 + i) ( )] (y) = 0
0 3+i 0 1
i (3 + i) 2
( )
0 3 + i (3 + i)
3 2 x
[( )] (y) = 0
0 0
3 2 0
( )
0 0 0
3x + 2y = 0

3x = 2y
2y
x=
3
V2 = (2,3)

Aplicacin para la resolucin de Ecuaciones Diferenciales

Sea el sistema de ecuaciones diferenciales:


1 (t) = 3x1 (t) x2 (t)

2 (t) = 2x1 (t) + 2x2 (t)

(t) = Ax(t)


= 3 3

(,)
= 2 + 2 = (, )

La solucin de una ecuacin diferencial es de la forma: (t) = ni=1 c ; ex1 (t) , V1; donde:

i = Valores propios

Vi = Valores propios

Ejemplo:

x1 (t) = 10x1 (t) 18x2 (t)

x2 (t) = 6x1 (t) 11x2 (t)


10 18
A=( )
6 11
1 =1

2 = 2

V1 = (2,1)

V2 = (3,2)
2 3
X1 (t) = C1 et ( ) + C2 e2t ( )
1 2

8.4 Multiplicidad Algebraica


Se denomina multiplicidad algebraica de los valores propios al nmero de veces que se
repiten una raz del polinomio caracterstico.

Si se repiten los vectores propios o son mltiplos a estos se les conoce como multiplicidad
aritmtica en este caso la matriz.

EJERCICIOS PROPUESTOS

1. Demostrar que cualquier matriz de 22 , cuyo determinante es negativo es semejante a


una matriz diagonal
2. Sean A, B . Probar AB y BA tienen los mismos valores propios
3. Hallar todas las matrices 22 , con valores propios 1 y -1
4. Sean : una transformacin lineal invertible. Si es un valor propio de L, cual
es el valor propio de 1
5. Sean V un espacio vectorial y f, g dos transformaciones lineales tales que fog = gof.
Si es un valor propio de g , y 2 = { () = v }
a. Demostrar que si 2 , () 2
b. Dar una condicin para que: si () 2 2

6. Sean 1 2 Vectores propios con valores propios asociados 1 2 , respectivamente.


Demostrar 1 1 + 2 2 , es un vector propio si 1 = 0 2 = 0
1 1
7. Para que valores , , la matriz: = ( ); Tiene los vectores propios ( ) , ( ) ?
1
1 1 1 1 1 1
8. Sea la matriz: = [ ] con vectores propios [1] , [ 0 ] , [1]. Encontrar los
1 1 0
valores de a, b, c, p, q, r
1 1
9. Sea la matriz: = [ ]. Defina sobre los complejos
1 0
a. Diagonalizar A
b. Hallar A , para k = 1,2,3,..
10. Para cada uno de los siguientes casos, si es posible, diagnosticar la matriz dada y hallar la
matriz P invertible tal que, D = P` AP (comprobar)
1 3 3 3 1 1 3 1 1
a) [3 5 3] b) [7 5 1] c) [ 2 2 1 ]
6 6 4 6 6 2 2 2 0

3 2 1 2 2 1 5 6 6
d) [ 0 2 0 ] e) [ 1 3 1 ] f) [ 1 4 2]
0 0 0 1 2 2 3 6 4
11. Para cada uno de los siguientes casos, si es posible, diagnosticar la matriz dada y hallar la
matriz P invertible tal que, D = P` AP
9 3 0 1 2 1 3 1 1
a) [ 3 12 3 ] b) [ 2 0 2 ] c) [1 5 1]
0 3 9 1 2 1 1 1 3

1 0 0 1 1
d) [0 2 ] e) [ 1 0]
0 1 0 1+ 0 0
12. Demostrar que la siguiente matriz no es diagonalizable, pero, que si es semejante a una
0
matriz de la forma [ ].
1
2 1
[ ]
1 4
13. Probar que si es un valor propio de una matriz A con vector propio asociado v y k es un
entero positivo, entonces es un valor propio de la matrizA con vector propio asociado
v
1 1
14. Sea la matriz: = [ ]. Hallar los valores y vectores propios de A y A2 y verificar el
1 2
ejercicio 13.
15. Sea V el espacio vectorial de las funciones continuas con base {sen x, cos x} y sea
:
() (()) = ` ()
Es L diagonalizable ?

16. Sea = [ ]. Hallar las condiciones para que A sea diagonalizable

You might also like