Beruflich Dokumente
Kultur Dokumente
LINEAL
Libro de trabajo para estudiantes
y gua did
actica del docente
Vivian Libeth Uzuriaga L
opez
Alejandro Martnez Acosta
EMEMATIC
GRUPO DE INVESTIGACION
z
#
N
x 7y + 17z = 38
b
R(1, 2, 1)
b
P (5, 1, 2)
Q(2, 3, 3)
Universidad Tecnol
ogica de Pereira
Facultad de Ciencias B
asicas
Departamento de Matem
aticas
Pereira, 2014 1
ALGEBRA
LINEAL. Libro de trabajo para estudiantes y gua didactica del docente.
c Vivian Libeth Uzuriaga Lopez. Autor
Profesora titular
Universidad Tecnologica de Pereira
c Alejandro Martnez Acosta. Autor
Profesor asociado
Universidad Tecnologica de Pereira
Grupo de investigacion EMEMATIC1
Pereira - Risaralda. Enero de 2014
ISBN:
Estudios metodol
ogicos para la ense
nanza de las matematicas y el uso de las nuevas tecnologas.
Contenido
Presentaci
on
iii
1.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Lecciones de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
1.2.2
Leccion 2. Sistemas 2 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3
Leccion 3. Sistemas m n . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.4
19
2.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2
Lecciones de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1
. . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2
2.2.3
2.2.4
Leccion 4. Vectores en R3 y Rn . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.5
2.2.6
2.2.7
2.2.8
3 Matrices
53
3.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2
Lecciones de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.2.1
3.2.2
3.2.3
ii Contenido
4 Determinantes
67
4.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2
Lecciones de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.1
4.2.2
77
5.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2
Lecciones de clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.1
5.2.2
5.2.3
5.2.4
5.2.5
6 Transformaciones lineales
99
6.1
Taller pre-clase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2
6.2.2
Leccion 2. N
ucleo e imagen. Representacion matricial . . . . . . . . . . . 105
111
7.1
7.2
7.2.2
7.2.3
7.2.4
A Autoevaluaci
on
123
127
Presentaci
on
Este libro es resultado de experiencias de aula realizadas con estudiantes de ingeniera y tecnologa de la Universidad Tecnologica de Pereira durante 7 semestres academicos entre 2007 y
2010, en el desarrollo de los proyectos de investigacion: diagnostico de algunas causas que obstaculizan el aprendizaje del algebra lineal y estudios metodologicos para contribuir a mejorar el
proceso de ense
nanza-aprendizaje del algebra lineal, incorporando las nuevas tecnologas de la
informacion y las comunicaciones, propuestos por el grupo Estudios Metodol
ogicos para
la Ense
nanza de la Matem
atica y el uso de las Nuevas Tecnologas, EMEMATIC.
iv Presentacion
posibilitandole la solucion exitosa de muchos problemas en el desarrollo de su carrera y posteriormente en su actividad profesional.
Para la organizacion del contenido se tuvo en cuenta la celula generadora a partir del concepto de combinacion lineal, el cual se desarrolla desde el segundo captulo. Aunque el algebra
lineal se fundamenta esencialmente en la teora de los espacios vectoriales, las transformaciones lineales y los valores y vectores propios, el texto inicia con sistemas de ecuaciones lineales
porque permite al estudiante continuar el desarrollo de sus conocimientos a partir de lo visto
y aprendido en sus cursos previos, a la vez que posibilita ver su utilidad, as como establecer
una continuidad con lo que estudio en sus a
nos de colegio, logrando que los estudiantes vayan
cambiando su actitud frente a la matematica, llevandolo gradualmente a perderle el miedo y la
fobia, en particular al algebra lineal.
El libro facilita al estudiante la apropiacion de uno de los conceptos mas abstractos del curso,
espacios vectoriales, de manera natural y rigurosa. Se inicia con espacios vectoriales conocidos
y trabajados por ellos en otras asignaturas, por ejemplo en fsica, cuando usan vectores. Posteriormente, se hace la teorizacion de estos objetos matematicos como espacios vectoriales y
finalmente se desarrollan los temas transformaciones lineales y valores y vectores propios.
Esta distribuido en siete captulos y un apendice. Cada captulo contiene talleres pre-clase y
lecciones de clase. El contenido se desarrolla completamente en un semestre academico de 16
semanas con una intensidad de 4 horas semanales, lo cual es otra diferencia con textos similares.
Los talleres pre-clase aparecen al inicio de cada captulo con el proposito de que el alumno
realice una lectura previa de los ejercicios propuestos, se familiarice con ellos y este atento al
desarrollo de los conceptos del captulo a traves de las lecciones de clase, para identificar la
teora que le permitira la solucion de estos.
Los talleres constan de 5 secciones:
Ejercicios que requieren de conceptos desarrollados en las lecciones de clase para su modelacion.
Presentaci
on
completen en la medida en que se desarrolla la leccion; esto con el fin de motivar al alumno
a leer, escribir, construir sus propios ejemplos, contraejemplos, argumentar y debatir, lo que
caracteriza que el texto es de trabajo y no de simple consulta.
La manera como se presentan las lecciones, permiten al estudiante avanzar a su propio ritmo y
desarrollarlas de acuerdo a sus conocimientos, habilidades y competencias.
Los contenidos se distribuyen en captulos como se describe a continuacion:
El captulo 1, sistemas de ecuaciones lineales, proporciona al alumno las herramientas necesarias para el desarrollo de los captulos posteriores. En los captulos 2 y 3, vectores, rectas,
planos y matrices, se desarrolla la estructura de espacio vectorial en conjuntos particulares
tales como vectores y matrices. En el captulo 4, determinantes, se da su definicion y se ilustran con ejemplos sus propiedades las cuales seran usadas mas adelante en valores y vectores
propios. El captulo 5, espacios vectoriales, generaliza el concepto de espacio vectorial, su
estructura, propiedades, leyes y regularidades, el cual es uno de los temas centrales del curso.
En los captulos siguientes 6 y 7, transformaciones lineales y valores y vectores propios,
se estudian conceptos fundamentales para la formacion de los ingenieros y tecnologos. En el
apendice A se incluyen cuatro autoevaluaciones las cuales permitiran a los estudiantes verificar
el logro de los objetivos y familiarizarse con el tipo de preguntas que se realizan en cada uno
de los examenes.
Los autores.
Captulo 1
1.1
Taller pre-clase
5
2
y su diferencia sea 43 .
2.
3.
Todo sistema con mas incognitas que ecuaciones siempre tiene infinitas soluciones.
x + 2y = 5
El sistema 3x y = 1 tiene infinitas soluciones.
4x + y = 6
4.
5.
D. Poniendo en pr
actica la teora
1. Encuentre un valor de r, si existe, de modo que la 4-tupla dada sea una solucion del
sistema de ecuaciones lineales.
3y z + w = 3
2x y 2z + w =
a) (6, 2, 0, r)
b) (5, 3, r, 6)
c) (6, r, 1, 2)
x + y 2z
= 6
2. Resolver los siguientes sistemas de ecuaciones lineales mediante el metodo de eliminacion
gaussiana.
x 2y + 3z = 11
2x + 4y + 6z = 12
a) 4x + y z = 4
b) 2x 3y 4z =
2x y + 3z = 10
15
4x + y + 2z =
1 0
2 |
1
1 |
2 .
2 | 3 1
5
2
(i) x1 = 0
(ii) x2 = 1
2
1
1 0 1 + 5
0 3
0 0
0 0
3
3
( + 2)(5 )
Secci
on 1.1. Taller pre-clase
E. Aplicaciones.
1. Cuando se agrega un disco duro a una computadora personal, el sistema nuevo cuesta
$1.400.000. Se sabe que
1
3
1
5
dan un total de $400000. Cual es el costo del disco duro? (Ejercicio 48, pag. 14 de [5]).
2. Determine la ecuacion de la parabola con eje paralelo al eje y en el plano xy, que pasa
por los puntos P (1, 0), Q(1, 4) y R(2, 3).
3. Cesar Andres es un estudiante de segundo semestre de ingeniera de la Universidad
Tecnologica de Pereira que se va a cambiar de casa. Al empacar sus libros, nota que
si coloca 11 libros en cada caja, dejara uno por fuera. Por otro lado, si pone 12 libros
en cada caja, entonces la u
ltima contiene un solo libro. Cuantos libros y cuantas cajas
tiene Cesar Andres?
4. Carlos y Andres inician un negocio aportando capitales iguales. Transcurridos tres meses,
Mauricio ingresa al negocio y aporta la misma cantidad que invirtieron los dos primeros.
Si al cabo de un a
no las utilidades son de $1980.000, cuanto le corresponde a cada uno,
si las ganancias se reparten proporcionalmente?
Resuelva s
olo uno de los siguientes problemas.
5. En un estanque coexisten 3 clases de peces: mojarra, tilapia y cachama. Se alimentan con
3 tipos de concentrados: A, B y C. Cada mojarra consume mensualmente en promedio
1 kilo de concentrado A, 1 kilo de B y 2 kilos de C. Cada tilapia consume por mes en
promedio 3 kilos de concentrado A, 4 kilos de B y 5 kilos de C. Para cada cachama el
promedio mensual de consumo es de 2 kilos de concentrado A, 1 kilo de B y 5 kilos de
C. Mensualmente se suministra al estanque 2500 kilos de concentrado A, 2000 kilos de
B y 5500 kilos de C.
a) Construya un modelo matematico que represente la informacion del problema.
b) Podran coexistir 400 cachamas en el estanque?
c) Pueden coexistir 300 tilapias ?
d) Pueden coexistir 1200 mojarras?
e) Que poblacion de las tres especies de peces puede coexistir?
6. Encuentre las cantidades desconocidas en el circuito de la figura 1.1.
a
b
b
i1
10V
10A
i3
E2
d
b
i2
3A
E3
5A
1.2
Lecciones de clase
1.2.1
Lecci
on 1. La lnea recta
Coordenadas en el plano
Py (0, y1 )
b
R2 = {(x, y) | x, y R}
P (x1 , y1 )
Px (x1 , 0)
x1
x
| x, y R .
R =
y
2
x
.
Advertencia: (x, y) 6=
y
R2
La lnea recta
Para determinar la ecuacion de la recta se debe conocer:
1. Dos puntos diferentes. Sean P (x0 , y0 ) y Q(x1 , y1 ) dos puntos del plano.
y
b
O
P (x0 , y0 )
Q(x1 , y1 )
R(x, y)
y y1 = m(x x1 ),
donde m =
y1 y0
.
x1 x0
Ejercicio 1. Verifique que la ecuacion de la recta que pasa por los puntos P (x0 , y0 ) y
Q(x0 , y1 ) con y0 6= y1 es x = x0 .
Secci
on 1.2. Lecciones de clase 5
y
y = f (x)
P (0, k)
b
P (x0 , f (x0 ))
(a) Pendiente-intersecto
(1.1)
el caso.
y
3
2
1
x
6 5 4 3 2 1
1
2
3
4
5
ii) (1, 1)
iii) (4, 4)
v) (0, 0)
1.2.2
Lecci
on 2. Sistemas 2 2
Al terminar la leccion el alumno reconocera sistemas de dos ecuaciones lineales con dos incognitas a partir de situaciones problemas. Ademas, sera capaz de resolverlos, identificando cuando
es consistente o no y establecer condiciones para ello.
Observe que al resolver el ejercicio anterior se obtienen dos ecuaciones lineales con dos incognitas
a y b, que al analizar en conjunto, resulta un sistema 2 2 como se define a continuacion.
Definici
on 1.1 (Sistema de 2 ecuaciones lineales con 2 inc
ognitas). Un sistema de dos
ecuaciones lineales en las variables x y y, denominado sistema 2 2, es de la forma
a11 x + a12 y = b1
a21 x + a22 y = b2 ,
donde a11 , a12 , a21 , a22 R no son simultaneamente nulos, son los coeficientes del sistema y
b1 , b2 R, son los t
erminos independientes. Cuando los terminos independientes son iguales
a cero (bi = 0), se dice que el sistema es homog
eneo.
Notaci
on: En aij , i representa la iesima ecuacion, mientras que j, indica la jesima variable.
Ejemplo 1.1. En el sistema
2x 3y =
3x + y = 2
las variables son x, y; los coeficientes y los terminos independientes son a11 = 2, a12 = 3, b1 = 4,
a21 = 3, a22 = 1 y b2 = 2.
Secci
on 1.2. Lecciones de clase 7
y
a11 x + a12 y = b1
a11 x + a12 y = b1
a11 x + a12 y = b1
b
a21 x + a22 y = b2
a21 x + a22 y = b2
x
a21 x + a22 y = b2
(a) Solucion u
nica
b) Cuando las rectas se cortan en infinitos puntos, existen infinitos puntos cuyas coordenadas satisfacen las ecuaciones. En este caso, se dice que el sistema tiene
soluciones.
c) Si las rectas no se cortan, analticamente el sistema
Definici
on 1.2. Si un sistema tiene solucion u
nica o infinitas soluciones, se dice que es consistente. En otro caso, se dice que es
Ejercicio 1. Resuelva los siguientes sistemas, grafique cada par de rectas en un mismo plano
e identifique el punto o los puntos de interseccion, si existen.
a)
x+ y =
3x 2y = 4
b)
x + 23 y =
4
3
3x 2y = 4
c)
2x + 3y =
2x 3y = 4
x 2y = 4
(3 + 2a)y = c 4a
1.2.3
Lecci
on 3. Sistemas m n
(1.2)
Secci
on 1.2. Lecciones de clase 9
Observaci
on. Cuando n = 2, la ecuacion es de la forma a1 x1 + a2 x2 = b. Si se renombran las
variables x por x1 y y por x2 , se obtiene a1 x + a2 y = b, que es la ecuacion 1.1 de la leccion 1.
Ejercicio 1. Determine cuales de las siguientes ecuaciones son lineales:
a) 42 x +
b) 42 x +
c) sen
5 y + z 12 w = log 3
5y + z 21 w = log 3
x + 3y = 8
d) sen( 3 x) + 3y = 8
e) e2 x 3xy + 8w = 40
f) e2x 3x 3y + 8w = 40
g) 2x1 + 3x2 + 4x3 = 5
s1
.
.
Definici
on 1.4. Una solucion de la ecuacion (1.2) es una ntupla ordenada
ume . de n
sn
ros reales (o complejos), que al ser sustitudos en la ecuacion (1.2), se obtiene un enunciado
verdadero.
Ejemplo 1.6. La expresion 2x1 3x2 4x3 = 5 es una ecuacion lineal en las variables x1 , x2 ,
1
b) 1
0
1
2
c) 0
1
la forma: f (x) = a0 + a1 x + a2 x2 + a3 x3 .
a0 a1 + a2 a3 =
(1.3)
homog
eneo.
Observaci
on. Si el sistema tiene 2 ecuaciones y 2 variables, se esta hablando de un sistema
2 2, como se hizo en la definicion 1.1.
Ejemplo 1.7. Los siguientes son ejemplos de sistemas de ecuaciones lineales
x 2y + 3z = 4
a) 3x 4y + 5z = 8
2x 7y + 7z = 9
x + 2y 3z + 2w =
x+ y =7
b) 2x 5y + 5z w = 8
2z + 5w =
c) 4x y = 4
3x 2y = 5
Ejercicio 4. Determine el n
umero de ecuaciones y de incognitas en cada uno de los sistemas
del ejemplo 1.7.
s1
.
.
umeros
Definici
on 1.6. Una solucion del sistema (1.3) es una ntupla ordenada
. de n
sn
reales (o complejos), que es solucion de cada una de las ecuaciones que conforman el sistema.
Ejercicio 5. Determine si el vector dado es solucion del sistema del ejemplo 1.7b).
9
6
a)
0
0
15/2
1
b)
5/2
1/2
12
2
c)
1
1
0
0
d)
0
0
Definici
on 1.7. Si un sistema tiene solucion u
nica o infinitas soluciones, se dice que es consistente. En otro caso, se dice que es
Secci
on 1.2. Lecciones de clase 11
1.2.4
Lecci
on 4. Matriz asociada a un sistema de ecuaciones lineales.
En esta leccion, el alumno desarrollara habilidades para proponer como modelo matematico,
los sistemas de ecuaciones lineales para solucionar situaciones problemas. Ademas, sera capaz
de usar los metodos de eliminacion gaussiana y de Gauss-Jordan para determinar la solucion
de un sistema de los mismos. Tambien se representa un sistema en forma matricial.
Definici
on 1.8 (Matriz asociada de un sistema). El arreglo
a11
a21
.
..
a12
a22
..
.
am 1 am 2
. . . a1n
. . . a2n
..
...
.
. . . amn
| b1
| b2
.
| ..
| bm
se llama matriz
a11 a12
a
a22
A = ..21
..
.
.
am1 am2
. . . a1n
b1
. . . a2n
..
.. es la matriz de coeficientes del sistema, b = . el vector
...
.
bm
. . . amn
x
.1
.
de t
erminos independientes y x =
. es el vector de variables. Cada aij se llama
xn
componente ij de la matriz A, m n es el tama
no de A, la diagonal principal de A es
a11 , a22 , . . . , akk , donde k = mn{m, n}. La fila o renglon i de A, que se denota por f i o Ri ,
es Ri = f i = (ai1 , ai2 , . . . , aij , . . . , ain ).
Ejercicio 7. Escribir la matriz asociada para cada sistema del ejemplo 1.7.
de tama
no m n, si B se puede obtener de A aplicando una sucesion finita de operaciones
elementales por renglon.
x 2y + 3z = 4
Ec 1
2x 7y + 7z = 9
Ec 3
3x 4y + 5z = 8
Ec 2
1 2 3 | 4
3 4 5 | 8
2 7 7 | 9
x en ambas ecuaciones
Ec 2 Ec 2 3Ec 1
f 2 f 2 3f 1
3x + 6y 9z = 12
1 2
3 |
4
2 4 | 4
0
3x 4y + 5z =
2y 4z = 4
2 7
Ec 4
Ec 3 Ec 3 2Ec 1
2x + 4y 6z = 8
2x 7y + 7z =
3y + z =
Ec 5
Ec 1
2y 4z = 4
Ec 4
3y + z =
7 |
f 3 f 3 2f 1
1 2
3 |
4
2 4 | 4
0
0 3
1 |
Ec 5
Operacion en la ecuaci
on 3, tomando como base la
ecuaci
on 2, renombrada como Ec 4, para volver cero
el coeficiente de x en dicha ecuaci
on
Ec 4 21 Ec 2
y 2z = 2
Ec 6
Ec 5 Ec 5 + 3Ec 6
3y 6z = 6
3y + z =
5z = 5
Ec 7
Sistema equivalente
x 2y + 3z = 4
y 2z = 2
5z = 5
1 2
3 |
4
1 2 | 2
0
f 2 12 f 2
0 3
1 |
f 3 f 3 + 3f 2
1 2
3 |
4
1 2 | 2
0
0
| 5
Sistema equivalente
x 2y + 3z = 4
y 2z = 2
5z = 5
Determinando la soluci
on: despejando en la u
ltima
Determinando la soluci
on: de la u
ltima fila se escribe
ecuaci
on la variable z y haciendo sustituci
on hacia
atr
as se obtiene:
la ecuaci
on, 4z = 4, se encuentra el valor de z y se
hace sustituci
on hacia atr
as
5z = 5, z = 1
5z = 5, z = 1
y 2(1) = 2, y = 0
y 2(1) = 2, y = 0
x 2(0) + 3(1) = 4, x = 1
x 2(0) + 3(1) = 4, x = 1
Es decir, x = 1, y = 0, z = 1.
Es decir, x = 1, y = 0, z = 1
Secci
on 1.2. Lecciones de clase 13
Observe que la u
ltima matriz tiene ceros debajo de la diagonal principal y se dice que esta en
forma triangular superior. Este tipo de matrices son una generalizacion de las matrices en forma
escalonada que se definen a continuacion.
Definici
on 1.10. Una matriz Amn esta en forma escalonada reducida por renglones
cuando satisface las siguientes propiedades. (Definicion tomada de [2]).
1. Los renglones que constan solo de ceros, si los hay, estan en las u
ltimas filas de la matriz.
2. Al leer de izquierda a derecha, la primera entrada distinta de cero en cada renglon (que no
este formado completamente de ceros) es 1, y se le denomina pivote.
3. Si fi y fi+1 son dos renglones sucesivos que no constan completamente de ceros, entonces la
entrada principal (o pivote) del renglon fi+1 esta a la derecha del pivote del renglon fi .
4. Si una columna contiene un pivote de alg
un renglon, entonces el resto de las componentes
de esa columna son iguales a cero.
Si solo se cumplen 1, 2 y 3; se dice que A esta en forma escalonada por renglones.
Ejemplo 1.9. Las siguientes matrices estan en forma escalonada reducida por renglones
1 0
2
a) 0 1 1
1 0
2 0 2
b) 0 1 1 0
3
0 0
0 1 3
1 0
3 5
a) 0 1 1 0
0 0
0 1
1 0
2 0 2
b) 0 1 1 2
3
0 0
0 1 3
0 0
Ejemplo 1.10. Las siguientes matrices estan en forma escalonada por renglones
Ejercicio 8. Determine cuales de las siguientes matrices estan en forma escalonada por renglones y cuales en forma escalonada reducida.
1 5 0 3
1 7 0 0 6
1 0 0 2 1
A = 0 1 0
3 , B = 0 0 0 1 8 , C = 0 1 0 0 0 ,
0 0 1
9
0 0 0 0 1
0 1 1 0 0
!
!
1 3 0 0 0
1 0 0
0 0 0
D=
, E=
, F = 0 0 0 1 0 ,
0 1 0
0 0 0
0 0 0 0 0
1 2 0 0 0
1 0 0
G = 0 0 1 1 0 , H = 0 1 0 .
0 0 0 1 5
0 0 1
Ejercicio 9. Llevar las matrices del ejemplo 1.7 a una forma escalonada.
Teorema 1. Toda matriz de Amn no nula es equivalente por renglones con una u
nica matriz
E mn en forma escalonada reducida por renglones.
M
etodos de soluci
on de sistemas de ecuaciones lineales
1. Eliminaci
on
Paso 1. Formar la matriz aumentada del sistema:
A|b
Paso 2. Aplicar operaciones de renglon para llevar la matriz A a una forma escalonada U ,
donde los pivotes no necesariamente son iguales a 1: A | b U | b
Paso 3. Decidir si el sistema tiene solucion. El sistema no tendra solucion si U tiene al menos
una fila de ceros y el correspondiente termino independiente bi es distinto de cero. Si
el sistema tiene solucion se utiliza sustitucion hacia atras para hallarla.
2. Eliminaci
on gaussiana
Paso 1. Formar la matriz aumentada del sistema:
A|b .
Paso 2. Aplicar operaciones de renglon hasta llevar la matriz A a una forma escalonada por
renglones F : A | b F | b .
Paso 3. Decidir si el sistema tiene solucion. El sistema no tendra solucion si la forma escalonada
A|b .
Paso 2. Aplicar operaciones de renglon hasta llevar la matriz A a la forma escalonada reducida
por renglones E: A | b E | b .
Paso 3. Decidir si el sistema tiene solucion. El sistema no tendra solucion si la forma escalonada
2x + 2 y =
i) tenga solucion u
nica. Muestre la solucion, ii) tenga infinitas soluciones. Escriba la solucion
general, ii) sea inconsistente.
Soluci
on. Mediante eliminacion se tiene
!
1 2 | 1
f2 f2 + 2f1
2
2 |
1
0
2 4 | + 2
Secci
on 1.2. Lecciones de clase 15
El sistema equivalente es
x 2y = 1
(2 4)y = + 2
Para que haya solucion u
nica, 2 4 6= 0, es decir, 6= 2 y 6= 2. En este caso, la solucion
2
1
2
!)
conjunto solucion es
2y + 1
y
:yR
1 3k |
0 k 4 |
0
5
4k
| (k 1)(4 k)
Soluci
on. En el primer caso, debemos considerar dos posiblidades: solucion u
nica e infinitas
soluciones.
Para que haya solucion u
nica k = 1. El sistema resultante es
x + 2y = 5
3y = 3
La solucion es
7
1
!)
3 2
1
0
0
0
5
1
ka | a+1
pivotes
Taller de refuerzo
Se proponen actividades de refuerzo que le permiten al estudiante autoevaluarse en el desarrollo
de los propositos del captulo.
Ejercicio 1. Si la matriz asociada de un sistema de ecuaciones lineales es
1 0 0 0 | 1
0 0 1 0 | 2
0 0 0 1 | 5
1 3k
0
0
1
4
0
0
k5
0
0
0
5
4k
5k
| (5 k)(k + 2)
Secci
on 1.2. Lecciones de clase 17
=a
3x + 4y + 7z
=8
y +
z = a
2x + ay
z = 4
2x + 2y + (a2 + a)z = a + 1
Alimento B 1
1
C
de cepa
II III
2
4
2
0
3
1
Cuantas bacterias de cada cepa pueden coexistir en el tubo de ensayo y consumir todo el
alimento? Ejemplo 2.27, p. 101 de [6].
Ejercicio 7. Una pastelera ofrece a sus clientes tres clases de tortas con precios, economico,
estandar y preferencial. Cada una de las tortas contiene durazno, fresa y vino. En la del precio
economico, invierte $5 en duraznos, $2 en fresas y $3 en vinos. Para la del precio estandar, los
gastos son $10 en duraznos, $6 en fresas y $8 en vinos; y para la preferencial, $20 en duraznos,
$20 en fresas y $24 en vinos. Si el presupuesto permite $235.000 en duraznos, $158.000 en fresas
y $205.000 en vinos:
a) Construya un modelo que represente la informacion del problema.
x + 2y 2z = 0
a) 2x + 7y + 2z = 0
b) 2x + 7y + 2z = 0
x 2y z = 0
x y 8z = 0
x + 2y 2z + w = 0
c) 2x + 7y + 2z 2w = 0
x y 8z 3w = 0
Captulo 2
2.1
Taller pre-clase
Vectores en R2
A. Resuelva la siguiente situaci
on:
Un barco es empujado por un remolcador con una fuerza de 300 libras a lo largo del eje
y negativo, mientras que otro remolcador lo empuja a lo largo del eje x negativo con una
fuerza de 400 libras. Determine la magnitud y direccion de la fuerza resultante. (Ejercicio
29, pagina 228 de [3]).
B. Teora.
1. Describa un procedimiento geometrico y algebraico para
a) Sumar y restar vectores en el plano. Ejemplifique
b) Multiplicar un vector por un escalar (real)
2. Defina los siguientes terminos. De ejemplos y dibuje
a) Longitud o norma de un 2vector
b) Vector unitario en R2 . Vectores canonicos.
c) Producto punto y angulo entre dos vectores no nulos del plano
19
2.
#
Sean #
x , #
y , #
z R2 . Si #
x #
y = #
x #
z y #
x =
6 0 , entonces #
y = #
z.
3.
4.
#
El vector 0 de R2 siempre es posible escribirlo como combinacion lineal de cualquier
conjunto de vectores #
v , #
v , . . . , #
v de R2 .
1
D. Poniendo en pr
actica lo aprendido
1. Sea #
v = (3, 2). Halle un vector unitario que tenga direccion opuesta a la de #
v.
2. Exprese los siguientes vectores (5, 4), (1/2, 2/3) y (, 5 ) como combinacion lineal
b) Rectangulo
#
#
3
y #
v =
+ .
5. Calcule proy #
v u , donde u = 2
E. Aplicaciones
1. Dos lanchas ayudan a que un barco salga de su embarcadero. Una de las lanchas esta jalando de el con una fuerza de 200 N, mientras que la otra lo hace con una fuerza de 150
N. La primera lancha toma una direccion que forma un angulo de 25o . Que direccion
debe tomar la otra lancha para que el barco salga paralelamente al espigon? , ver [10].
#
#
2. Una fuerza F de magnitud 10 N se aplica en la direccion del vector T = 4
3
. Cual
es el trabajo al mover el objeto desde el punto A(1, 1) hasta el punto B(5, 4)?, ver [9].
Vectores en R3 y en Rn
A. Resuelva la siguiente situaci
on
Un fabricante produce cuatro artculos. Si su demanda esta dada por el vector
d = (30, 60, 40, 10) y el precio por unidad que recibe por p = $20, $60, $120, $35 , cuanto
dinero recibira el fabricante?
Secci
on 2.1. Taller pre-clase
21
B. Teora.
#
1. Sean P y Q dos puntos de Rn . Defina la norma del n-vector P y la distancia de P a Q.
Ejemplifique y dibuje los vectores para n = 3.
2. Defina vector unitario en Rn . Ejemplifique e ilustre graficamente para n = 3.
3. Demuestre las propiedades que cumple el producto escalar de vectores de Rn enunciadas
en la leccion 4 del captulo 2.
#
#
#
4. Sean #
a y b dos vectores de R3 . Demostrar: #
a b = b #
a.
C. Responda verdadero
o falso a las siguientes afirmaciones. Justifique cada una
de sus respuestas.
1.
2.
3.
4.
5.
el vector nulo.
#
Sean #
u , #
v R3 . Si #
u #
v = 0 , entonces al menos uno de los vectores es el vector
nulo.
(1, 0, 3) = 2, entonces y = 2
Sea #
u = (x, y, z) R3 . Si ( #
u k)
# R3 vectores no nulos. Si #
# entonces #
#
Sean #
u , #
v, w
u #
v = #
u w
v = w.
D. Poniendo en pr
actica lo aprendido.
1. Los puntos A(a, a, a), B(a, a, a), C(a, a, a) y D(a, a, a) representan cuatro
vertices de un cubo. Halle las coordenadas de los demas vertices.
2. Determine los octantes en que pueden estar los puntos P (x, y, z) si:
a) x + y = 0
b) x z = 0
c) y + z = 0
d ) xy < 0
e) 0 > yz
#
#
3. Sean #
a y b dos vectores de R3 que forman un angulo = 2/3. Si k #
a k = 3 y k b k = 4.
Calcule:
#
a) #
ab
#
b) k #
a + bk
#
#
c) (3 #
a 2 b ) ( #
a + 2b)
bado un incremento salarial general del 8 %, determine una expresion que utilice a u y
establezca todos los nuevos salarios. (Basado en el ejercicio 33, pagina 156 de [3]).
3. Una aerolnea compra provisiones para tres de sus aviones. El costo por viaje, en dolares,
se expresa con la matriz.
Clase
Primera
Negocios
Economica
600
700
500
800
700
900
a) Si los tres aviones volaron el mismo da, cuanto gasto la aerolnea en provisiones por
cada clase?
b) Si solo el avion 3 vuela 5 das a la semana Cuanto invierte la aerolnea por clase en
3 semanas? (Ejercicio 55, pagina 78 de [5]).
#
Momento de una fuerza. El momento m de una fuerza F respecto de un punto P
#
es el producto m = k Fkd, donde d es la distancia de P a la recta L definida por las
#
#
# = #
#
direccion de F. Se define el vector momento como sigue: m
r F. La magnitud de m
#
es el momento m, y se desplaza a lo largo del eje de rotacion que genera F con respecto
a P . En la practica, se le da un signo al momento. El signo de m es positivo si la fuerza
tiende a producir rotacion en sentido antihorario respecto al punto dado, y es negativo
en caso contrario.
P
b
#
r
#
F
d
b
#
en #
4. Calcule el momento m de F = 2
4
+k
r = (2, 1, 3).
Condiciones de equilibrio para fuerzas coplanares.
Cuando las fuerzas coplanares act
uan sobre un cuerpo rgido, este se encontrara en
equilibrio si se satisfacen las siguientes condiciones.
Secci
on 2.1. Taller pre-clase
23
#
R1
5/2
R
1
#
T
#
w
#
R2
Q
5/2
d
3d
Figura 2.2. Gr
afica ejercicio E5
Rectas y planos
1. Halle el punto de interseccion entre plano de ecuacion : 2x + 3y + z = 1 y la recta
L: x1=
y+1
z
= .
2
6
2. Determine la ecuacion parametrica de la recta L2 que pasa por el punto M (3, 2, 4), es
paralela al plano : 3x 2y 3z = 7 y se corta con la recta
L1 :
y+4
z1
x2
=
=
.
3
2
2
3. Encuentre la ecuacion del plano que pasa por el punto A(1, 2, 1) y es perpendicular a la
recta que es la interseccion de los dos planos
1 : x 2y + z 3 = 0 y 2 : x + y z + 2 = 0.
4. Halle la ecuacion del plano que pasa por el origen de coordenadas y es perpendicular a los
planos 1 : 2x y + 3z 1 = 0 y 2 : x + 2y + z = 0.
5. Considere la recta L :
x2
z+3
=y+1=
y el plano : x 2y + z = 1.
3
1
y2
z+3
x+1
=
=
sea
3
m
3
8. Describa un algoritmo, si existe, que permita dibujar un plano. Dibuje un plano paralelo a
los ejes coordenados y uno que no sea paralelo a los ejes.
9. Sean P un punto, L un recta y un plano en R3 . Describa un procedimiento para calcular
2.2
2.2.1
Lecciones de clase
Lecci
on 1. Vectores en el plano
Se comienza retomando los conceptos de distancia entre puntos, punto medio y mediatriz. Al
finalizar, el alumno los podra usar para deducir una expresion para el calculo de la distancia
de un punto a una recta. Se contin
ua con las definiciones basicas de vectores en R2 .
Coordenadas en el plano cartesiano.
y
y1
b
R2 = {(x, y) | x, y R} .
Py (0, y1 ) P (x1 , y1 )
b
Tambien
Px (x1 , 0)
x
x1
x
| x, y R .
R =
y
2
y
y2
P (x1 , y1 )
b
x1
d = d(P, Q) = P Q =
y1
O
Q(x2 , y2 )
b
a
x2
Ejercicio 1. Halle los valores de , si existen, de modo que los puntos P y Q disten 5 unidades:
a) P (4, 0), Q(, 4)
Punto medio. Sean P1 (x1 , y1 ) y P2 (x2 , y2 ) puntos en R2 . Las coordenadas del punto medio
y + y2
x + x2
, y = 1
.
P (
x, y) son: x = 1
2
2
Secci
on 2.2. Lecciones de clase 25
d = d(P, Q) = P Q,
de las rectas 2x 3y = 3 y x 2y = 1.
Notaci
on. Los vectores de R2 se denotaran mediante letras con una flecha encima, por ejemplo,
#
#
#
a , b , #
v , A. Un vector tambien se puede representar por un segmento rectilneo dirigido en la
#
forma P Q donde P es el punto inicial, cola o punto de aplicacion y Q es el punto final o cabeza.
Q(x2 , y2 )
b
P (x1 , y1 )
# = (a
R
, b)
R(a, b)
#
R(a, b) R = (a, b).
0
#
#
.
Vector nulo. El vector nulo es el vector 0 = (0, 0) o 0 =
0
Figura 2.6. Vector de posicion.
#
u = (a, b)
# k
ku
por k #
u k, esta dada por:
k #
uk =
b) #
v = (8, 6)
c) #
v = (12, 9)
d) 0 = (0, 0)
propiedad
k #
uk 0
1.
nombre
No negatividad
k #
u k = 0 si y solo si #
u =0
k #
u k = || k #
uk
2.
3.
Homogeneidad
Definici
on 2.2 (Direcci
on de un vector en R2 ). Sea #
u = (a, b) R2 , #
u 6= 0. La direccion
#
#
de u , denotada por = dir v , es el angulo con menor valor absoluto que forma el vector con
la parte positiva de las abscisas.
#
v2
#
v2
#
v1
2
2
1
4
#
v3
#
v1
#
v3
#
v4
#
v4
(b) 0 i < 2
(a) < i
si x1 6= 0.
Que sucede si x1 = 0?
d) #
v4 = (5, 5)
g) = (0, 1)
b) #
v2 = (5, 5)
e) #
v = (0, b), b R
c) #
v3 = (5, 5)
f)
= (1, 0)
h) u
= (2/ 13, 3/ 13)
Secci
on 2.2. Lecciones de clase 27
se denota por u
.
Los vectores
= (1, 0) y = (0, 1) se denominan vectores can
onicos de R2 .
Nota. La direccion de un vector no nulo #
u de R2 , tambien se puede definir como el angulo de
menor giro positivo del vector con respecto al eje positivo de las abscisas, como se ilustra en la
figura 2.8(b).
Definici
on 2.3 (Igualdad de vectores).
1. Geom
etricamente.
y
#
v
Ejercicio 7. Sea #
u = (2, 3).
a) Dibuje un vector #
v igual a #
u con cola en el punto P (5, 4).
# igual a #
b) Dibuje un vector w
u con cabeza en el punto Q(5, 1).
2.2.2
Lecci
on 2. Operaciones con vectores en R2
#
v2
#v
#v 1 + 2
#
v2
#
v1
#
v1
#
v1
1
1
x 2
3
2
#
v2
1
1
x 2
+ #
v
1
1
#
v2
v#
#
v1
1
2. Analticamente. Sean #
v1 = (x1 , y1 ) y #
v2 = (x2 , y2 ) dos vectores de R2 .
La suma de #
v1 y #
v2 , denotada por
, se define como:
#
v1 + #
v2 =
Definici
on 2.5 (Multiplicaci
on por un escalar).
1. Geom
etricamente.
#
v
#
v
#
v
#
v
b
#
v
#
v
#
v
#
v
(b) Contracci
on: 0 < || < 1
Secci
on 2.2. Lecciones de clase 29
a) Como es la direccion de #
v comparada con la de #
v?
b) A que es igual k #
v k?
c) Que sucede con el vector #
v si = 0?
Ejercicio 2. Considere los vectores #
v1 = (2, 3) y #
v2 = (1, 4). Realice las siguientes operaciones en forma analtica y geometrica.
a) #
v1 + #
v2
b) #
v2
c) #
v1 #
v2
d) 2 #
v1 + 3 #
v2
Ejercicio 3. Una empresa de artculos deportivos tiene dos fabricas y en cada una se ensamblan
bicicletas de monta
na fabricadas en aluminio y titanio. La primera planta produce 180 bicicletas
de aluminio y 24 de titanio por da. La segunda 240 y 30, respectivamente. Si v1 = (180, 24) y
v2 = (240, 30).
a) Calcule e interprete el significado de las siguientes expresiones
i. v1 + v2
ii. v2 v1
iii. 8v2
b) Cuantos das debera trabajar cada fabrica para que la empresa entregue 3240 bicicletas de
aluminio y 420 de titanio? (Basado en el ejemplo 10, pag. 73 de [5]).
Propiedades de la suma y la multiplicaci
on por un escalar
# R2 ; , R. Las siguientes propiedades se satisfacen:
Sean #
u , #
v, w
No.
Propiedad
#
u + #
v es un vector de R2
#
u + #
v = #
v + #
u
Nombre
# = #
# )
( #
u + #
v )+w
u + ( #
v +w
#
u + 0 = #
u
Asociativa
Invertiva
1M .
#
u + ( #
u) = 0
#
u es un vector de R2
2M .
( #
u + #
v ) = #
u + #
v
Distributiva de la multiplicaci
on por un escalar con
respecto a la suma vectorial
3M .
4M .
( + ) #
u = #
u + #
u
#
#
() u = ( u ) = ( #
u)
Asociativa escalar
5M .
1 #
u = #
u
Modulativa de la multiplicaci
on por un escalar
1S .
2S .
3S .
4S .
5S .
Definici
on 2.6 (Espacio vectorial). El conjunto R2 con las operaciones suma y multiplicacion por un escalar satisfaciendo las propiedades 1S5S, 1M5M, denotado hR2 , +, .i, es un
espacio vectorial.
b) #
v = (3, 7) = 1 (1, 0) + 2 (0, 1) + 3 (2, 3)
d) #
v = (5/3, 11) = (1, 0) + (0, 1)
1
Definici
on 2.7 (Combinaci
on lineal). Sean #
u , #
v1 , #
v2 , . . . , #
vk vectores de R2 . El vector #
u es
#
#
#
combinaci
on lineal de los vectores v1 , v2 , . . . , vk , si existen escalares 1 , 2 , . . . , k tales que
#
u = 1 #
v1 + 2 #
v2 + + k #
vk =
k
X
i #
vi .
i=1
de manera u
nica como combinaci
on lineal de los #
v i , i = 1, 2, . . . , k. Es decir
k
# X #
0 =
i vi
i=1
implica
0 = 1 = 2 = = k
21 + 32 = 0
71 82 = 0
Secci
on 2.2. Lecciones de clase 31
b) Los vectores #
v1 = (1, 2), #
v2 = (2, 3) y #
v2 = (3, 5) son linealmente dependientes (LD)
porque el vector nulo se puede escribir de muchas maneras, como una combinacion lineal de
los vectores dados, es decir,
(0, 0) = 1 (1, 2) + 2 (2, 3) + 3 (3, 5),
implica que 1 , 2 y 3 pueden tomar infinitos valores los cuales satisfacen la igualdad. Por
ejemplo,
(0, 0) = 1(1, 2) + (1)(2, 3) + 1(3, 5): 1 = 1, 2 = 1 y 3 = 1.
(0, 0) = 2(1, 2) + (2)(2, 3) + (2)(3, 5): 1 = 2, 2 = 2 y 3 = 2.
(0, 0) = 3(1, 2) + (3)(2, 3) + (3)(3, 5): 1 = 3, 2 = 3 y 3 = 3.
As, el sistema homogeneo resultante tiene infinitas soluciones.
Del ejemplo anterior se puede inferir: un conjunto de vectores es linealmente independiente, si el
sistema homogeneo que resulta de la definicion tiene solucion u
nica y es linealmente dependiente
si el sistema tiene infinitas soluciones.
Ejercicio 6. Determine si los siguientes vectores son LI o LD.
a) #
v1 = (1, 3), #
v2 = (1, 1)
c) #
v1 = (1, 3), #
v2 = (2, 6)
b) #
v1 = (1, 3), #
v2 = (0, 0)
d) #
v1 = (1, 3), #
v2 = (1, 1), #
v3 = (3, 5)
Definici
on 2.9 (Vectores paralelos). Dos vectores no nulos #
u y #
v son paralelos si existe
un escalar (no nulo) tal que
Ejemplo 2.4. Determine todos los vectores que sean combinacion lineal de #
v1 = (1, 5) y
#
v = (2, 10).
2
Soluci
on. #
u = (x, y) es combinacion lineal de #
v1 y #
v2 si existen escalares 1 y 2 tales que
(x, y) = 1 (1, 5) + 2 (2, 10).
De ah resulta el sistema
1 + 22 = x
(2.1)
51 102 = y.
Ahora,
1
2 | x
5 10 | y
f2 f2 + 5f1
1 2 |
0 0 | y + 5x
De la u
ltima fila se lee 02 = y + 5x. Esta ecuacion tiene solucion si y + 5x = 0, es decir,
y = 5x. Por lo tanto, los vectores que satisfacen la condicion son
H = #
u R2 | #
u = 1 #
v1 + 2 #
v2 = (x, y) R2 | y = 5x .
b) { #
v1 = (1, 3), #
v2 = (2, 6)}
Definici
on 2.11 (Conjunto generador). Sea S = { #
v1 , #
v2 , . . . , #
vk } R2 , se dice que S
es un conjunto generador de H R2 si todo vector #
u en H se puede escribir como
Ejemplo 2.5. S0 = {
, } es un conjunto generador de R2 , pues cada 2vector se puede escribir
como combinacion lineal de los elementos de S0 . En efecto, (x, y) = x(1, 0) + y(1, 0) = x
+ y
.
2.2.3
Lecci
on 3. Producto escalar en R2
Se introduce el producto escalar como otra operacion que se realiza entre vectores, se estudian
sus propiedades y el uso de las mismas en la definicion de angulo entre vectores y proyecciones.
Definici
on 2.12 (Producto escalar). Sean #
u = (x1 , x2 ) y #
v = (y1 , y2 ) vectores de R2 . El
producto escalar o producto punto entre #
u y #
v , denotado por #
u #
v , se define como
#
u #
v =
Ejemplo 2.6. Si #
u = (1, 3) y #
v = (4, 5), entonces #
u #
v = 1(4) + (3)(5) = 11.
# = (3, 2). Halle #
# 2 #
Ejercicio 1. Sean #
u = (2, 2), #
v = (1, 2) y w
u #
v , #
v #
u , #
u w,
u #
v,
#
# #
#
u ( #
u + w),
u #
u y #
v w
# R2 y R
Teorema 5 (Propiedades). Sean #
u , #
v, w
No.
propiedad
nombre
1.
#
u #
v = #
v #
u
Conmutativa
2.
#
# = #
#
u ( #
v + w)
u #
v + #
u w
3.
( #
u #
v ) = ( #
u ) #
v = #
u ( #
v)
4.
k #
u k2 = #
u #
u
# = (w , w ).
Demostraci
on. Se probara la propiedad 2. Sean #
u = (u1 , u2 ), #
v = (v1 , v2 ) y w
1
2
#
# = (u , u ) [(v , v ) + (w , w )] = (u , u ) (v + w , v + w )
u ( #
v + w)
1
2
1
2
1
2
1
2
1
1
2
2
= u1 (v1 + w1 ) + u2 (v2 + w2 ) = (u1 v1 + u1 w1 ) + (u2 v2 + u2 w2 )
#
= (u v + u v ) + (u w + u w ) = #
u #
v + #
u w.
1
Secci
on 2.2. Lecciones de clase 33
b)
Si #
u , #
v vectores no nulos de R2 , entonces #
u #
v 6= 0.
Angulo
entre vectores y proyecciones
Teorema 6 (Angulo
entre vectores). Sean #
u y #
v dos vectores no nulos de R2 y el angulo
entre ellos. Entonces
#
v
#
u #
v
cos = # # .
kukkvk
#
u
Demostraci
on. Usando propiedades se tiene
#
v
k #
u #
v k2 = ( #
u #
v ) ( #
u #
v)
2
= k #
u k 2 #
u #
v + k #
v k2
u# v#
#
u
(1)
(2)
#
u #
v
cos = # # .
kukkvk
Ejercicio 3. Indique las propiedades utilizadas para obtener la ecuacion (1). Por que el vector
que se trazo es #
u #
v?
Ejercicio 4. Que se puede decir de los vectores #
u y #
v si:
a) #
u #
v =0
Definici
on 2.13 (Vectores ortogonales). Dos vectores no nulos #
u y #
v son ortogonales
(perpendiculares) si el angulo entre ellos es
Ejercicio 5. Sean #
u y #
v vectores de R2 . Demuestre
a) k #
u + #
v k2 = k #
u k2 + 2 #
u #
v + k #
v k2
b) k #
u #
v k2 = k #
u k2 2 #
u #
v + k #
v k2
#
#
Ejemplo 2.7. Si k #
a k = 3 y
b
= 5. Calcule
#
a + b
en cada caso:
a) el angulo entre ellos es /3
#
b) #
a y b son ortogonales
Como
# #
2
#
#
2
a + b
= k #
a k2 + 2 #
a b +
b
.
Luego,
#
#
#
a b = k #
a k
b
cos /3 =
# #
2
a + b
= 9 + 2
15
2
15
2
porque
+ 25 = 49.
#
Por lo tanto,
#
a + b
= 7.
#
#
Ejercicio 6. Si k #
a k = 3,
b
= 5, el angulo entre ellos es /3 y #
c = #
a + 2 b , calcular
a) #
a #
c.
b) k #
c k.
#
v
#
proy #
u v
#
v
#
v
#
w
#
w
#
u
= 90
#
u
(b) = /2
#
proy #
u v
#
u
Secci
on 2.2. Lecciones de clase 35
Ejemplo 2.8. a) Si #
u = (2, 3) y #
v = (1, 2), entonces
#
proy #
u v =
8 12
, 13 )
= ( 13
#
comp #
u v =
= ( 21 , 12 )
#
1
comp #
u v = 2.
4
(2, 3)
( 13)2
4 .
13
b) Si #
u = (2, 2) y #
v = (5, 4), entonces
#
proy #
u v =
(2, 2)
( 8)2
y
3
#
v
#
v
#
u
#
u
#
proy #
u v
2
1
#
proy #
u v
(b)
(a)
#
#
#
#
Ejercicio 7. Sean #
u = (4, 3) y #
v = (3, 2). Calcule proy #
u v , comp #
u v , proy #
v u y comp #
v u.
Dibuje los vectores.
# = #
#
#
Ejercicio 8. Probar que w
v proy #
u v es ortogonal a u .
2.2.4
Lecci
on 4. Vectores en R3 y Rn
Vectores en R3 y en Rn
R3
Rn
R3 = {(x, y, z) | x, y, z R}
Rn = {(x1 , x2 , . . . , xn ) | x1 , . . . , xn R}
3
R = y | x, y, z R
x
Nota: (x, y, z) 6= y
z
x1
.
n
R = .. | x1 , . . . , xn R
xn
x
.1
Nota: (x1 , . . . , xn ) 6=
..
xn
Vector nulo
Origen
b
Vector nulo
Origen
y
b
Los tres planos coordenados dividen al espacio en ocho regiones llamadas octantes; el primero
esta situado en los semiespacios anterior, derecho y superior, el segundo situado en los semiespacios posterior, derecho y superior, el tercero en los semiespacios izquierdo, anterior y superior,
el cuarto en los semiespacios izquierdo, anterior y superior, el quinto situado en los semiespacios
anterior, derecho e inferior, el sexto situado en los semiespacios posterior, derecho e inferior, el
septimo octante en los semiespacios izquierdo, anterior e inferior y el octavo en los semiespacios
izquierdo, anterior e inferior.
Los planos coordenados xy, xz y yz dividen al espacio en ocho regiones llamadas octantes.
Los primeros cuatro estan situados encima del plano xy y se enumeran de acuerdo al orden en
que aparecen los cuadrantes en dicho plano. Los restantes se encuentran ubicados debajo del
plano xy y se contin
ua la numeracion siguiendo el mismo orden.
Ejercicio 1. Determine el signo de cada una de las coordenadas
I
z II
IV
Pl a
no
Pl a
xz
no
II
Octante
II
yz
III
IV
la
no
xy
II
x
VI
VI
V
VI
VII
VIII
Secci
on 2.2. Lecciones de clase 37
Ejemplo 2.9. Representar graficamente los siguientes puntos: P (2, 3, 3) y Q(3, 1, 2).
Soluci
on. En los literales a) y b) se representan las proyecciones de los puntos en el plano xy.
En el literal c) se dibujan los puntos P y Q.
z
Q(3, 1, 2)
P (2, 3, 3)
Px
)
,0
,3
(2
y(
3,
1,
0)
(a)
(b)
(c)
c) (0, 0, 1)
e) (2, 6, 4)
g) (3, 1, 1)
b) (0, 1, 0)
d) (1, 1, 1)
f) (2, 1, 2)
h) (2, 3, 1)
Definici
on 2.15 (Norma o longitud de un vector en R3 y Rn ).
1. Sea #
v = (x1 , x2 , x3 ) un vector de R3 . La norma de #
v , denotada por k #
v k, se define como
k #
vk =
2. Sea #
v = (x1 , x2 , . . . , xn ) un vector de Rn . La norma de #
v , denotada por k #
v k, se define como
k #
vk =
b) #
v2 = (1/ 3, 1/ 3, 1/ 3)
c) #
v3 = (0, 1, 1, 0)
d) #
v4 = (1/ 22, 1/ 22, 4/ 22, 2/ 22)
Definici
on 2.17 (Vectores can
onicos). Los vectores canonicos son:
1 , = e
2 .
1. En R2 :
= (1, 0) y = (0, 1). Tambien
=e
= (0, 0, 1). Tambien
1 , = e
2 , e
3 = k.
2. En R3 :
= (1, 0, 0), = (0, 1, 0) y k
=e
1 = (1, 0, . . . , 0), e
2 = (0, 1, . . . , , 0), . . . , e
n = (0, 0, . . ., 1).
3. En Rn son: e
1
Definici
on 2.18. La direccion de un vector #
v no nulo de Rn , es dir #
v =u
= # #
v.
kvk
Angulos
y cosenos directores
En R2 . Sea 0 6= #
v = (x1 , y1 ) R2 .
x
cos 1 = #1
kvk
y
#
v = (x1 , y1 )
2
cos 2 =
1
x
x2
x2
cos2 1 + cos2 2 = #1 2 + #2 2 = 1.
kvk
kvk
3
.
4
En R3 . Sea #
v = (x1 , y1 , z1 ) R3 , #
v =
6 0 y sean 1 , 2 y 3 los angulos que #
v forma con las
cos 1 =
y
cos 2 = #1
kvk
#
v = (x1 , y1 , z1 )
b
cos 3 =
Demostrar :
, cos 2 =
, . . . , cos n =
Ademas,
cos2 1 + cos2 2 + + cos2 n =
Secci
on 2.2. Lecciones de clase 39
Definici
on 2.19 (Distancia).
1. Sean P (x1 , y1 , z1 ) y Q(x2 , y2 , z2 ) dos puntos de R3 . La distancia d entre P y Q, se define
como
p
d = d(P, Q) = P Q = (x2 x1 )2 + (y2 y1 )2 + (z2 z1 )2 .
p
p
(x 0)2 + (y 0)2 + (z 0)2 = x2 + y 2 + z 2 .
r > 0, denominado radio, a un punto fijo C(x0 , y0 , z0 ), llamado centro, recibe el nombre de
superficie esf
erica o simplemente esfera.
Ejercicio 7. Halle la ecuacion de la esfera de centro C(5, 2, 2) y radio 4. Dibuje la esfera.
2.2.5
Lecci
on 5. Operaciones con vectores en R3 y Rn
Se estudian los vectores de Rn desde la estructura de espacio vectorial. El estudiante generalizara las definiciones de combinacion lineal, dependencia e independencia lineal, espacio generado
y conjunto generador dados en R2 ..
y
,
.
,
y se define como
2. La suma de #
v1 = (x1 , x2 , . . . , xn ) y #
v2 = (y1 , y2 , . . . , yn ) se denota por
y se
define como
Definici
on 2.23 (Multplicaci
on por un escalar).
1. La multiplicacion del vector #
v = (x, y, z) por el escalar se denota por
y se define
como
2. La multiplicacion del vector #
v = (x1 , x2 , . . . , xn ) por el escalar se denota por
se define como
Observaciones.
1. Para igualar o sumar dos vectores de Rn , estos deben estar escritos todos como filas o como
columnas.
2. Al sumar dos vectores de Rn el resultado es otro vector de Rn .
3. El resultado de multiplicar un escalar por un vector de Rn es otro vector de Rn .
Definici
on 2.24. Rn , n 1 con las operaciones suma y multiplicacion por un escalar definadas
anteriormente es un espacio vectorial. Se denota hRn , +, i.
Definici
on 2.25 (Combinaci
on lineal). Sean #
u , #
v 1 , #
v2 , . . . , #
v k vectores en Rn . El vector #
u
#
#
#
es combinacion lineal de v1 , v2 , . . . , vk , si existen escalares 1 , 2 , . . . , k tales que
#
u = 1 #
v1 + 2 #
v2 + + k #
vk =
k
X
i #
vi
i=1
0
0
1
x
#
= 0
donde
+ y
+ z k,
= 0, = 1, k
Ejemplo 2.11. Se tiene v = y = x
.
1
0
0
z
Ejercicio 8. Determine si #
u es combinacion lineal de los vectores dados
2
1
1
#
#
#
a) u =
1; v1 = 2, v2 = 0
5
1
1
Secci
on 2.2. Lecciones de clase 41
2
1
1
4
#
#
#
#
b) u = 2; v1 = 2, v2 = 3, v3 = 1
1
5
2
4
1
2
#
c) u =
4;
2
1
#
d) u = 1
;
#
v1
#
v1
0
1
1
1
1 #
0 #
=
0, v2 = 0, v3 = 1.
0
2
1
1
1
2
#
#
= 3, v2 = 1, v3 = 2
Definici
on 2.26 (Dependencia e independencia lineal). El conjunto de vectores de Rn ,
S = { #
v1 , #
v2 , . . . , #
vk } es linealmente independiente (LI) si el vector nulo se puede escribir
de manera u
nica como combinaci
on lineal de los elementos de S. Es decir
k
# X #
0 =
i vi
implica
i=1
0 = 1 = 2 = = k
Definici
on 2.27 (Vectores paralelos). Dos vectores no nulos #
u y #
v de Rn , n > 1 son
paralelos si existe un escalar (no nulo) tal que
Ejercicio 10. Justifique la siguiente afirmacion. Dos vectores de Rn con componentes no nulas
u
u
un
#
u = (u1 , u2 , . . . , un ) y #
v = (v1 , v2 , . . . , vn ) son paralelos si 1 = 2 = =
.
v1
v2
vn
Definici
on 2.28 (Espacio generado). Sea S = { #
v , #
v , . . . , #
v } Rn . El espacio generado
1
gen S =
#
u Rn | #
u = 1 #
v1 + 2 #
v2 + + k #
vk =
k
X
i=1
o
#
i vi ; i R .
1
1
#
#
a) S1 = v1 = 0, v2 = 1
1
1
Soluci
on.
1
1
1
#
#
#
b) S2 = v1 = 0, v2 = 1, v3 = 1
1
1
0
gen S1 = #
u R3 | #
u = 1 #
v1 + 2 #
v2
x
x
1
1
x
=
1
2
= y y = 1 0 + 2 1 = y y =
2 .
z
1
1
z
z = 1 + 2
x
Al resolver el sistema se obtiene: gen S1 = y x 2y + z = 0 .
Definici
on 2.29. Se dice que S = { #
v1 , #
v2 , . . . , #
vk } Rn es un conjunto generador de
H Rn si todo vector #
u perteneciente a H se puede escribir como combinacion lineal de los
elementos de S.
1
1
Ejemplo 2.13. S = 1, 0, 1 es un conjunto generador de R3 , pues todo vector
1
1
0
#
u Rn se puede escribir como combinacion lineal de los vectores de S.
2.2.6
Lecci
on 6. Producto escalar en R3 y Rn
Ejemplo 2.14. Si #
u = (1, 1, 4, 5) y #
v = (2, 3, 2, 8) entonces #
u #
v = 2 3 8 + 40 = 29.
# = (5, 6, 4). Efect
Ejercicio 1. Sean #
u = (2, 3, 1), #
v = (2, 3, 5) y w
ue
a) #
u #
u
b) k #
u k2
c) #
u #
v
#
e) #
u w
#
f) #
u #
v + #
u w
#
g) #
u ( #
v + w)
d) #
v #
u
Secci
on 2.2. Lecciones de clase 43
# Rn y R.
Teorema 8 (Propiedades). Sean #
u , #
v, w
No.
1.
2.
3.
4.
propiedad
nombre
#
u #
v = #
v #
u
#
#
#
u ( v + w) = #
u #
v+
( #
u #
v ) = ( #
u ) #
v =
Conmutativa
#
#
u w
#
u ( #
v)
k #
u k2 = #
u #
u
Ejercicio 2. Sean #
u , #
v Rn ; n > 1, R. Responda falso o verdadero. Justifique claramente
su respuesta.
a)
b)
c)
Si #
u 6= 0 y #
v 6= 0, entonces #
u #
v 6= 0.
#
u #
u > 0 para todo #
u Rn .
# y #
#
Si #
u #
v = #
u w
u 6= 0, entonces #
v = w.
Angulo
entre vectores y proyecciones en Rn
Teorema 9 (Desigualdad de CauchySchwarz). Para #
u , #
v Rn ,
| #
u #
v | k #
u k k #
vk
Definici
on 2.31 (Angulo
entre vectores). Sean #
u y #
v vectores no nulos de Rn . El angulo
entre ellos se define como el angulo que satisface
#
v
u #
cos = # # .
kukkvk
Ejercicio 1. Que se puede decir de los vectores #
u y #
v si:
a) #
u #
v =0
Definici
on 2.32 (Vectores ortogonales). Dos vectores no nulos #
u y #
v son ortogonales
(perpendiculares) si el angulo entre ellos es
#
#
#
Ejercicio 2. Sean #
a , b Rn . Si k #
a k = 3 y k b k = 5, calcule k2 #
a b k si
#
a) #
a y b son ortogonales
Ejercicio 5. Sean #
u , #
v Rn . Demostrar las siguientes propiedades
1. k #
u+
2. k #
u+
#
v k k #
u k + k #
u k. (Desigualdad triangular)
2
2
#
v k = k #
u k + k #
v k2 , si #
u y #
v son ortogonales. (Teorema de Pitagoras)
2.2.7
Lecci
on 7. Producto vectorial en R3
Se introduce el producto vectorial como otra operacion entre vectores de R3 y sus propiedades,
se finaliza el captulo con una aplicacion de estas a areas y vol
umenes.
Se inicia introduciendo las definiciones del determinante para matrices cuadradas de orden 2 y
3, las cuales seran usadas para definir el producto vectorial. En el captulo 4 se retoman estas
definiciones, se generaliza y se estudian algunas propiedades.
a11 a12
Definici
on 2.34 (Determinante 22). Sea A =
. El determinante de A, denotado
a21 a22
por det A o |A|, se define como
Definici
on 2.35 (Determinante 3 3). Si A = a21 a22 a13 . El determinante de A,
a31 a32 a33
denotado por det A o |A|, se define como
a
a
a
22 a23
21 a23
21 a22
|A| = a11
a12
+ a13
.
a32 a33
a31 a33
a31 a32
1 3
2
Ejemplo 2.16. Si A = 4
1 1, entonces
0
7
8
1 1
4 1
4 1
|A| = 1
(3)
+ 2
= 15 + 3(32) + 2(28) = 167.
7
8
0
8
0 7
2 1 2
0 4.
1 5
Secci
on 2.2. Lecciones de clase 45
Definici
on 2.36 (Producto cruz). Sean #
u = (u1 , u2 , u3 ) y #
v = (v1 , v2 , v3 ) vectores de R3 .
El producto cruz o producto vectorial entre #
u y #
v , denotado por #
u #
v , esta dado por
u u
u u
u u
k
#
u #
v = 2 3
1 3 + 1 2 k
= u1 u 2 u3
v2 v3
v1 v3
v1 v2
v v v
1
2
3
k
2
1
1 2
3
3
#
u #
v = 1 2
+
k
3 =
4 5
3 5
3
4
3
4 5
= 2
= (2, 14, 10).
= (10 12)
(5 9)
+ (4 + 6)k
+ 14
+ 10k
# = (1, 2, 4) R3 y R. Efect
Ejercicio 2. Sean #
u = (2, 1, 3), #
v = (1, 1, 2), w
ue
a) #
u #
v
d) #
u #
u
g) #
v ( #
u #
v)
b) #
v #
u
e) #
u #
u
#
h) #
u w
c) #
u 0
f) #
u ( #
u #
v)
#
i) #
v w
#
j) #
u ( #
v + w)
#
k) ( #
u + #
v) w
#
v #
u
#
ii. #
u ( #
v + w)
#
#
u #
v + #
u w
propiedad
nombre
1.
#
u
v #
v = #
u #
Anticonmutativa
2.
#
# = #
#
u ( #
v + w)
u #
v + #
u w
3.
# = #
# + #
#
( #
u + #
v) w
u w
v w
( #
u #
v ) = ( #
u ) #
v = #
u ( #
v)
4.
5.
6.
7.
8.
#
u 0 = 0 = 0 #
u
#
u #
u =0
#
u #
u =0
#
#
v)
u #
v ( #
v ) = 0 = #
u ( u #
b) k #
ck
Soluci
on. Se tiene
a)
#
#
#
a #
c = #
a ( #
a b #
a ) = #
a ( #
a b ) #
a #
a
= 0 k #
a k2 = 4
Propiedad
b)
#
#
k #
c k2 = #
c #
c = ( #
a b #
a ) ( #
a b #
a)
Propiedad
# #
2
#
2
=
a b
2 #
a ( #
a b ) + k #
ak
Propiedad
#
#
2
= k #
a k2
b
( #
a b )2 + 4 = 4 25 0 + 4 = 104.
Propiedades
Luego, k #
c k = 2 21.
#
Ejercicio 5. Sean #
a , b y #
c vectores de R3 tales que k #
a k = 4, kbk = 6 y el angulo entre #
a y
#
#
#
#
b es = 2/3. Si c = ( a 2 b ) 3 a , calcule
#
i) b #
c.
ii) k #
c k.
#
iii) El angulo entre b y #
c.
Secci
on 2.2. Lecciones de clase 47
#
Interpretaci
on Geom
etrica de k #
u #
v k y |( #
u #
v ) w|
#
u #
v
#
w
#
u #
v
#
v
h
#
v
#
u
#
u
(b)
(a)
a) el area del paralelogramo y del triangulo cuyos vertices consecutivos son los puntos
P (1, 2, 2), Q(2, 1, 3) y R(0, 4, 4).
b) el volumen del paraleleppedo cuyos lados adyacentes son #
u = (1, 2, 2), #
v = (2, 1, 3) y
#
w = (3, 3, 1).
2.2.8
Lecci
on 8. Rectas y planos en R3
Rectas en R3
Se deduce la ecuacion de la recta en R3 haciendo la siguiente analoga.
En R3
En R2
Para determinar la ecuacion de una recta L
y Q(x1 , y1 ) con x1 6= x0 .
P (x0 , y0 , z0 ) y Q(x1 , y1 , z1 ).
# Q
P
Q(x1 , y1 , z1 )
#v =
b
Q(x1 , y1 )
b
b
P (x0 , y0 , z0 )
P (x0 , y0 )
Se calcula el vector #
v = (a, b, c), donde
Se calcula la pendiente de L:
m=
y1 y0
R.
x1 x0
a = x1 x0 , b = y1 y0 , c = z 1 z 0 .
La pendiente es u
nica para cada recta en
El vector #
v = (a, b, c) es paralelo a la recta
L es un vector director.
ta en terminos de lo conocido.
y
b
Q(x1 , y1 )
R(x, y)
P (x0 , y0 )
#
v = (a, b)
b
L
Q(x1 , y1 , z1 )
b
R(x, y, z)
b
P (x0 , y0 , z0 )
#
v = (a, b, c)
x
O
x
y y0 = m(x x0 ) o y y1 = m(x x1 ).
Observe que R(x, y) es un punto arbitrario
#
#
Como P R es paralelo a #
v = P Q, existe un
#
n
umero real t tal que P R = t #
v . Note que
de la recta L.
Secci
on 2.2. Lecciones de clase 49
x x0
z z0
=
, y = y0 .
a
c
Q(2, 3, 3).
# # #
Soluci
on. Se tiene que P Q = Q P = (3, 0, 1) = #
v es un vector director de L.
Ecuacion vectorial:
(x, y, z) = (5, 3, 4) + t(3, 0, 1); t R.
Ecuaciones parametricas:
x = 5 + 3t
y = 3
z=
Ecuaciones simetricas:
; t R.
4t
z4
x+5
=
, y = 3.
3
1
y es paralela al vector #
v = 3
+ 2k
a) Encuentre un punto en la recta y uno que no este en la recta.
b) Las ecuaciones simetricas de la recta son u
nicas?
Definici
on 2.39 (Rectas paralelas y perpendiculares). Sean L1 y L2 dos rectas en R3
con vectores directores #
v1 y #
v2 , respectivamente. Entonces L1 y L2 son
1. paralelas (o coincidentes) si
2. perpendiculares si
Ejercicio 3. Determine que pares de rectas son paralelas, coincidentes, perpendiculares
L1 :
x = 5 2t
y=
z =
L2 :
2 + t,
6 6t
x = 3r
y = 21 r ,
z = 7 + 4r
L3 :
x=
8+s
y = 7 12 s ,
z = 1 + 3s
L4 :
x=
7
5
y = 8 9u
z = 9 3u
4
y L2 siempre se cortan?
Planos en R3
#
N: vector normal del plano , es un vector per-
#
N = (a, b, c)
Q(x, y, z
b
P (x0 , y0 , z0 )
O
Ecuacion cartesiana:
n
o
# #
= Q R3 | N P Q = 0
= {(x, y, z) | (a, b, c) (x x0 , y y0 , z z0 ) = 0}
# #
= {(x, y, z) | ax + by + cz = d} , donde d = N P.
Ejemplo 2.20. Halle la ecuacion cartesiana del plano que contiene el punto P (3, 1, 2) y es
paralelo a los vectores #
u = (1, 1, 2) y #
v = (2, 3, 1).
Soluci
on. Un vector perpendicular (normal) al plano es #
u #
v.
k
#
+ 3
+ 5k.
u #
v = 1 1 2 = 7
2 3
1
La ecuacion cartesiana es
7x + 3y + 5z = 2.
Secci
on 2.2. Lecciones de clase 51
Ejercicio 5. Halle la ecuacion del plano que contiene el punto P (1, 4, 2) y es perpendicular
a la recta L : x = 1 2t, y = 2 + t, z = 3 t; t R
Ejercicio 6. Encuentre la ecuacion del plano que contiene los puntos P (2, 3, 1), Q(3, 2, 1) y
R(0, 1, 0).
Ejercicio 7. Determine la ecuacion del plano que contiene los puntos P (1, 1, 2), Q(3, 5, 7) y
x3
z1
es paralelo a la recta L :
=y+1=
.
2
1
Ejercicio 8. Muestre que las rectas
x = 1 + 3t
x = 1 23 r
L1 : y = 2 + 4t ; t R y L2 : y = 1 2r ; r R
z = 4 2t
z = 1 + r
son paralelas y halle la ecuacion del plano que las contiene.
#
#
Definici
on 2.40. Sean 1 y 2 dos planos con vectores normales N 1 y N 2 respectivamente.
Los planos 1 y 2
#
#
1. Son paralelos si N 1 y N 2 lo son y ademas, los planos no tienen puntos en com
un.
#
#
2. Son coincidentes si N 1 y N 2 son paralelos y ademas, los planos se tocan en todos sus
puntos.
#
#
# #
3. Son perpendiculares si N 1 y N 2 lo son, es decir, si N 1 N 2 = 0
#
#
4. Son oblicuos si el angulo entre N 1 y N 2 satisface 0 < < y 6= 2 .
Teorema 14 (Teorema resumen). Sea A una matriz de tama
no n n. Las siguientes afirmaciones son equivalentes:
y la solucion es
pivotes.
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
Captulo 3
Matrices
A partir de algunas situaciones, el estudiante usara el concepto de matriz y sus propiedades
para su modelacion y solucion. Desarrollara habilidades que le permitiran aplicar las propiedades de las operaciones definidas sobre matrices para hacer demostraciones y simplificacion de
expresiones que las contienen. Ademas reconocera al conjunto de matrices con las operaciones
usuales de suma y multiplicacion por un escalar como otro ejemplo de espacio vectorial.
3.1
Taller pre-clase
A=
Negro
Blanco
Rojo
80
75
48
55
60
62
Regular
De lujo
B=
"
Blanco
Rojo
70
72
41
32
49
38
Regular
De lujo
e) Antisimetrica
i) Ortogonal
b) Matriz identidad
f) Triangular inferior
j) Idempotente
c) Transpuesta
g) Triangular superior
k) Nilpotente
d) Simetrica
h) Diagonal
a b
1 0
2 3
tal que AB = I 2 .
, encuentre la matriz B =
B=
2. Si
c d
0 1
1 2
53
54 Captulo 3. Matrices
3. Describa un procedimiento para calcular la inversa de una matriz A.
C. Responda falso
o verdadero, justificando sus respuestas
Sean A, B y C matrices de tama
nos tales que las operaciones indicadas se pueden realizar.
1.
2.
Si AC = BC y C 6= 0, entonces A = B.
3.
4.
5.
6.
7.
D. Poniendo en pr
actica lo aprendido.
!
!
y
12
1
3 x
, encuentre x y y.
1. Sean A =
y B = x. Si AB =
6
2 1 3
5
1 2
4
1 1
2. Sean A = 1
2
3 y B = 3
2. Exprese AB como una combinacion lineal
5 1 2
2
4
de las columnas de A.
3. Determine un valor de r y un valor de s de modo que AB T = 0, donde A = 2 r 3
y B = 2 1 s .
4. Simplifique las siguiente expresion
X = 31 B C T AB T + 2C T B T
5. Simplifique y encuentre la matriz X tal que
T
1
1 T
A C
6
XC 1 = 2(CB 1 A + CA) CB 1 A
1
E. Aplicaciones.
1. Un fabricante elabora productos P y Q en dos plantas X y Y . Durante la fabricacion
se producen los contaminantes bioxido de azufre, oxido ntrico y partculas suspendidas.
Las cantidades de cada contaminante estan dadas en kilogramos por la matriz.
Secci
on 3.2. Lecciones de clase 55
Bi
oxido de azufre
A=
"
Acido
ntrico
Partculas
300
100
150
200
250
400
Producto P
Producto Q
B=
Planta Y
12
15
10
Bi
oxido de azufre
Acido ntrico
Partculas
3.2
3.2.1
Lecciones de clase
Lecci
on 1. Definici
on, operaciones y propiedades
Se inicia retomando el concepto de matriz introducido en el captulo 1 y el estudiante complementara los espacios con las caractersticas basicas de matrices tales como notacion, tama
no y
sus componentes. Ademas, construira definiciones y ejemplos de algunos tipos de ellas. Se contin
ua con las definiciones y propiedades de las operaciones de suma de matrices y multiplicacion
por un escalar, para llegar a la estructura de espacio vectorial.
Definici
on 3.1 (Matriz m n). Una matriz de tama
no m n es un arreglo rectangular de
mn n
umeros (reales o complejos) escritos en forma de m renglones o filas y n columnas
a11
a12
. . . a1j
. . . a1n
a21 a22
..
..
.
.
A=
ai1 ai2
.
..
..
.
am1 am2
. . . a2j
. . . ..
.
. . . a2n
..
...
.
. . . ain
Fila i
..
...
.
. . . aij
. . . ..
.
. . . amj . . . amn
Columna j
Notaci
on
1. Las matrices se denotan con
2. En el tama
no de la matriz A, m
56 Captulo 3. Matrices
3. Si m = n se dice que A es una matriz
de orden
y forman un vector
. Es decir,
reni A = Ai =
y forman un vector
. Es decir,
colj A = A(j) =
20.
8 10 13 17
a) A es de tama
no 3 4, es decir, tiene 3 filas y 4 columnas. No es una matriz cuadrada.
b) El n
umero 11 esta en la fila 2 y la columna 3. Es decir, a23 = 11.
c) Las componentes de la diagonal principal de A son: a11 = 3, a22 = 0 y a33 = 13. Se tiene
k = mn {3, 4} = 3.
d) La fila 2 de A es el vector fila ren2 A = A2 = 7 0 11 20 , (tama
no 1 4).
e) La fila 3 de A es el vector columna col3 A = A(3)
5
= 11, (tama
no 3 1).
13
0 0
0 0
c) A =
0
0
Secci
on 3.2. Lecciones de clase 57
a) A = 0 4
0
0
0 0 4
b) A = 0 3 0
0 0 2
3
4
c) A =
0 5
0 0
0 0 0
a) A = 6 0 0
1 0 0
b) A = 0 0 0
4 2 7
c) A =
0 2 8
0 0
3 4
Matriz diagonal:
Ejemplo 3.5. Algunas matrices diagonales son
5
0 0
a) A = 0 4 0
0
0 5
b) A =
7 0
0 0
Matriz identidad:
a) I2 =
1 0
0 1
1 0 0
b) I3 = 0 1 0
0 0 1
Ejercicio 2. Clasifique cada una de las siguientes matrices de acuerdo con las definiciones
anteriores, si corresponde a alguna de ellas.
0 0
a) A = 0 0
0 0
b) A =
1 0 0
0 1 0
3 0 4
c) A = 0 7 4
0 0
d) A =
4 0
0 5
0 0 0
e) A = 0 0 0
0 0 0
3 0 0
f) A = 0 0 0
0 8 0
58 Captulo 3. Matrices
Operaciones y propiedades
Definici
on 3.2 (Igualdad). Dos matrices A = (aij )mn y B = (bij )pq son iguales si
y
Ejemplo 3.7.
a) Sea A =
2 5
2+2
1+ 2
yB=
15
3
49
. Entonces A = B.
1
y B = 1 2 , entonces A 6= B, ya que sus tama
nos son diferentes.
b) Si A =
2
!
!
!
4 2
3 2 7
3 5
Ejercicio 3. Sean A =
,B =
yC =
. Determine
5
7
5
2 7
5 7
los valores de y , si existen, de modo que
a) A = B
b) B = C.
Definici
on 3.3 (Suma). Sean A = (aij ) y B = (bij ) dos matrices de tama
no m n. La suma
Definici
on 3.4 (Multiplicaci
on por un escalar). Sean A = (aij ) una matriz de tama
no
m n y un escalar. La multplicacion de con A, es la matriz A = B = (bij ) tal que
bij = aij .
2 3 4
0 7
10 5 8
y B =
8 4 1
. Si C = A 2B, entonces
A=
2 3 4 5
8 7 6 5
, B=
4
4 7 8 2
, C = 3 y D = 3 2 4
0 3 22
7
5
!
b) C + D
c) 2A
En el siguiente teorema, se resumen las propiedades que satisfacen las operaciones suma y
multiplicacion por un escalar, en el conjunto de matrices m n.
Teorema 15 (Propiedades de la suma y la multiplicaci
on por un escalar). Sean
A, B, C matrices de tama
nos tales que las operaciones indicadas se pueden realizar; , R.
Secci
on 3.2. Lecciones de clase 59
No.
Suma
No.
1.
A + B es una matriz
1.
A es una matriz
2.
A+B =B+A
2.
0A = 0
3.
(A + B) + C = A + (B + C)
3.
(A + B) = A + B
4.
A+0=A
4.
( + )A = A + A
5.
A + (A) = 0
5.
1A=A
Definici
on 3.5 (Espacio vectorial Mmn (R)). El conjunto de matrices m n con la suma
y la multiplicacion es un espacio vectorial. Se denota por hMmn (R), +, i.
Definici
on 3.6 (Combinaci
on lineal). Sean A, A1 , A2 , . . . , Ak matrices de Mmn . La matriz
A es combinaci
on lineal de A1 , A2 , . . . , Ak , si existen escalares 1 , 2 , . . . , k tales que
A = 1 A 1 + 2 A 2 + + k A k =
2 3 3
3 2 4
k
X
i A i .
i=1
es combinacion lineal de A1 =
1 2 3
2 1 1
1 2
2 6
1 3
4 3
, A3 =
, A2 =
, A1 =
b) A =
2 3
4 10
2 5
9
2
Definici
on 3.7 (Dependencia e independencia lineal). El conjunto S = {A1 , A2 , . . . , Ak }
de manera u
nica como combinaci
on lineal de las matrices Ai , i = 1, 2, . . . , k. Es decir
0=
k
X
i=1
i Ai
implica
0 = 1 = 2 = = k
3
1 2
1 7
1 3
0 0
1
+ 3
+ 2
= 1
2 3
3 5
2 5
0 0
21
5
1
2 + 3 = 0
+ 72 23 = 0
32 + 23 = 0
+ 52 33 = 0
60 Captulo 3. Matrices
Ejercicio 6. Determine si las siguientes matrices son linealmente independientes o linealmente
dependientes.
1
a) A1 =
2
1
c) A1 =
2
3.2.2
2 6
1
3
1 1 2
3 2
, A2 =
b) A1 =
, A2 =
2 4
2 1 4
1 2
4
8
1 7 7
2 4 1
1 2
, A3 =
, A2 =
9 8 7
3 5 1
1 2
Lecci
on 2. Transpuesta y producto de matrices
!
1
7
1 5
8
Ejemplo 3.11. Si A =
, entonces AT = 5
4. La matriz A es 23, mientras
7 4 2
8 2
T
que la matriz A es 3 2.
Definici
on 3.2 (Producto punto fila columna). Sean u = (u1 u2 . . . un ) un vector fila
v1
u
y v = 2 un vector columna. El produto punto entre u y v es
. . .
un
T
uv =uv =
n
X
ui v i .
i=1
Definici
on 3.3 (Producto de matrices). Sean A = (aij ) y B = (bij ) dos matrices de
tama
nos m p y p n, respectivamente. La multiplicacion o producto de A con B, que se
denota por AB, es la matriz C = (cij ) de tama
no m n tal que cij = reni A colj B.
Observe:
1. Para poder realizar el producto de A con B, el n
umero de
al n
umero de
de B.
Amp B pn = C
2. El tama
no de la matriz C es m n, donde m es el n
umero de
de
de B.
Amp B pn = C mn
de A y n es el n
umero
Secci
on 3.2. Lecciones de clase 61
2 3
Ejercicio 1. Halle AB y BA si A = 0
2 y B =
3 2
2 3 4
4
No.
producto
No.
1.
(AB)C = A(BC)
1.
2.
A(B + C) = AB + AC
2.
(AB)T = B T AT
3.
(A + B)C = AC + BC
3.
(A + B)T = AT + B T
4.
AIn = A y Im A = A
4.
(A)T = AT
transpuesta
AT
T
=A
Definici
on 3.4 (Matriz sim
etrica). Sea A una matriz cuadrada de orden n. Se dice que A
es simetrica si
Ejemplo 3.12. A =
7 3
3 8
Definici
on 3.5 (Matriz antisim
etrica). Sea A una matriz cuadrada de orden n. Se dice que
A es antisimetrica si
Ejemplo 3.13. A =
Ejercicio 4.
0 9
9 0
62 Captulo 3. Matrices
1. Complete las componentes que hacen falta para que la matriz sea simetrica o antisimetrica,
seg
un sea el caso:
A=5
B=
7
9
= BA
Luego, A y B conmutan.
2. () Se deja como ejercicio
!
1 5
Ejercicio 5. Sean A =
yB =
1 2
XA = B + X T .
3.2.3
1 2
Lecci
on 3. Inversa de una matriz cuadrada
Se introduce la inversa de una matriz cuadrada a partir del producto y la igualdad de matrices.
Se contin
ua con el estudio de sus propiedades y se finaliza con el uso de dichas propiedades en
la demostracion de teoremas y simplificacion de expresiones que contienen matrices.
Ejercicio 1. Encuentre una matriz B tal que AB = I 2 , si A =
!
1 1
2 3
Definici
on 3.6 (Inversa). Sea A una matriz cuadrada de orden n. Se dice que A es invertible
o no singular si
tal que
Secci
on 3.2. Lecciones de clase 63
Notaci
on. Si A es invertible, su inversa se denota por A1 .
Ejemplo 3.15. Sea A una matriz cuadrada de orden n. Probar: si A satisface A2 + A I = 0,
entonces A es invertible. Cual es su inversa?
Soluci
on. Se tiene
A2 + A I = 0
(A + I)A = I
Al tomar B = A + I se tiene que A es invertible. Ademas, A1 = A + I.
Ejercicio 3. Probar: Si A satisface la ecuacion (A2I)(A+I) = 0, entonces A es invertible.
A que es igual A1 ?
Ejercicio 4. Describa un procedimiento para hallar la
1 2 2 | 1 0
2 3 5 | 0 1
3 7 4 | 0 0
ampliada y aplicar
0
f2 f2 2f1
0
f3 f3 3f1
1
f1 f1 + 2f2
f3 f3 + f1
f1 f1 + 4f3
f2 f2 + f3
f2 f2
Luego, A es invertible y A1
23
6
4
= 7 2 1.
5
1
1
2 2
3 5.
7 4
1
2 2 |
1 0 0
0 1 1 | 2 1 0
0
1
2 | 3 0 1
1
0 4 | 3 2 0
0
1
1 | 2 1 0
0
0
1 | 5 1 1
1
0 0 | 23 6 4
0 1 0 | 7 2 1
0
0 1 | 5 1 1
1 0 0 | 23
6
4
7 2 1 .
0 1 0 |
0 0 1 | 5
1
1
a) A =
2 7
b) B =
1
2
12
1 3 1
c) C = 2
4 4
1 4 3
64 Captulo 3. Matrices
a) Cuantos pivotes tiene A?
b) Cuantas soluciones tiene el sistema Ax = b?
. Cual es la solucion?
Definici
on 3.7 (Potencias de matrices). Sea A una matriz cuadrada de orden n. Las
potencias de A se definen de la siguiente manera
1. A0 = I si A 6= 0.
2. Ak = Ak1 A; k = 2, 3, . . .
a) A =
1 0
b) A =
0 1
1 0
c) A =
0 1
0 0
d) B =
2
5
1
5
15
2
5
!
2 3 5
2/3 1/3
a) A =
y B = 1
4
5 son idempotentes.
2/3 1/3
1 3 4
0 0 0
b) A = 0
0 0 es nilpotente con ndice de nilpotencia 2.
0
c) A =
5 0
1/ 5 2/ 5
es ortogonal.
2/ 5
1/ 5
a b
b a
, AT =
a b
b
AA =
Como a2 + b2 = 1, entonces AA =
1 0
b a
. Ahora
a2 + b 2
a2 + b 2
a b
= I. Luego A es ortogonal.
0 1
Se deja como ejercicio demostrar que B es ortogonal.
yB=
b a
con
Secci
on 3.2. Lecciones de clase 65
k un entero positivo.
1.
2.
A1
1
AB es invertible y (AB)1 =
3.
(A)1 =
4.
(A1 )T =
y Ak =
Soluci
on. Usando propiedades se tiene
X = 15 C T (C 1 AB T + 2C 1 B T )
= 51 C T C 1 (A + 2I)B T
1 1
1
AB
10
1 1
1
AB
10
1 1
= 51 CC 1 (A + 2I)B T 10(B ) A
I(A + 2I)B T BA1
= 10
5
1
B es ortogonal
= 5(I + 2A1 ).
Ejercicio 9. Considere las matrices:
0 1 1
2
1 0
A=
1 1 3
0
1 1
4 1 1
2
4
0
1
yB=
0
0
4
1
1
0 1 1
4
y la solucion es
66 Captulo 3. Matrices
6. La forma escalonada de A tiene
pivotes
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
Captulo 4
Determinantes
Se introduce la definicion de determinante y a partir de ejercicios de tipo algortmico los estudiantes ilustraran sus propiedades. Ademas, se calcula el valor del determinante de matrices
cuadradas usando propiedades para comparar las ventajas sobre el uso de la definicion.
4.1
Taller pre-clase
A. Teora.
1. Describa un metodo para calcular el determinante de una matriz A.
2. A que es igual el determinante de una matriz triangular?
3. Como es det A comparado con det(AT )?
4. Si A es una matriz que tiene una fila (o columna) de ceros, Que se puede concluir del
valor de su determinante?
5. Que valores puede tomar el determinante de A, si A es una matriz:
a) antisimetrica
b) ortogonal
c) idempotente.
B. Responda verdadero
o falso, justificando sus respuestas
1.
2.
3.
4.
5.
A y su adjunta conmutan.
6.
7.
8.
C. Poniendo en pr
actica lo aprendido.
1. Use propiedades del determinante para calcular det A en cada caso
67
68 Captulo 4. Determinantes
1 2
3
a) A = 3
5 8
a
2. Si d
g
x
3. Si 3
1
b
e
h
y
0
1
1 2 3 4
b) A =
1
4 1
2
2
5
2
2
7
3
7
a
c
d
g
f = 20, calcule 5b
5e
5h .
c + a f + d i + g
i
2x
z
2y
2z
2 = 2, halle 3x + 3 3y 3z + 2.
x+2 y+2 z+2
1
1 +1
2 0 0
0 0 5
1 4 3
1
que X = A + B 1 A 3B 1 A
|AB|. Halle x31 y x32 .
D. Aplicaciones.
b) El volumen del paraleleppedo cuyas aristas consecutivas estan determinados por los
# = (2, 2, 3).
vectores #
u = (2, 1, 0), #
v = (4, 3, 1) y w
4.2
4.2.1
Lecciones de clase
Lecci
on 1. Definiciones y propiedades
Secci
on 4.2. Lecciones de clase 69
Definici
on 4.1 (Determinante 22). Sea A =
por det A o
y se define como
a11 a12
. El determinante de A, se denota
a21 a22
det A =
Definici
on 4.2 (Menor (i, j) de A). Sea A = (aij ) un matriz de tama
no n n. El menor
2 2
3
2 7
Definici
on 4.3 (Cofactor (i, j) de A). Sea A = (aij ) un matriz cuadrada de orden n. El
cofactor (i, j) de A, que se denota1 por Aij , se define como
Aij = (1)i+j |Mij |.
Observe que (1)i+j =
si i + j es par
1 si i + j es impar
,
A= .
..
.. . .
.
. .
.
.
an1 an2 . . . ann
se denota por det A o |A| y se define como
|A| = a11 A11 + a12 A12 + + a1n A1n =
1
n
X
j=1
a1j A1j
70 Captulo 4. Determinantes
Ejemplo 4.3. Para la matriz A del ejemplo 4.1 el determinante es
2 2
3
det A = |A| = 2
3 7 = a11 A11 + a12 A12 + a13 A13
3 3
8
3 7
2 7
2
3
= (2)
+ (2)
+ (3)
3
8
3
8
3 3
5 3 4
3 5
1. El determinante de A = 0 7
7 es:
0 0 6
!
8 0
2. El determinante de B =
es:
Que clase de matriz es B?
Como
0 4
es el valor del determinante de las matrices A y B comparado con el producto de sus
componentes de la diagonal principal?
Propiedad 1. Si A es una matriz triangular, entonces det A =
3. Considere las matrices A =
2 1
3 4
yB=
a) det A =
A es invertible?
b) det B =
B es invertible?
4 6
Que relacion existe entre el valor del determinante de la matriz con el hecho de que esta
tenga inversa?
Propiedad 2. A = (aij ) es una matriz invertible si y s
olo si det A
4. Considere las matrices A =
2 1
yB=
. Calcule:
3 4
2 9
AB, A1 , B 1 , |A|, |B|, |AB|, A1 y B 1 .
a) Como es |AB| comparado con |A||B|?
b) Como es |A| comparado con A1 ?
c) Como es |B|1 comparado con |B|?
Secci
on 4.2. Lecciones de clase 71
b)
det(A + A1 ) = 1
c)
det(AA1 ) = 1
6. Sea A =
1 2
4 1k
es singular.
matriz B.
3 4
a) B =
1 2
, |B| =
|A|. Operacion:
Propiedad 5. Si B es una matriz que se obtiene de A al intercambiar dos filas (columnas), entonces |B| = |A|.
!
5 10
b) B =
, |B| =
3 4
|A|. Operacion:
|B| =
|A|.
e) B =
0 2
, |B| =
|A|. Operacion:
|A|.
72 Captulo 4. Determinantes
Ejemplo 4.4. Use las propiedades del deteminante para calcular |A| en cada caso
a) A = 2
1
2
3 14 22
Soluci
on. De acuerdo con las propiedades
1 5 7
1
5
a) |A| = 2 9 15
= 0 1
3 14 22f f 2f
0 1
2
f3 f3 3f1
2
3
5
b) |A| = 1 1 2
1
1
1
2
f
b) A = 1 1 2.
15
1 f2
1 1
8 y 1, se tiene
1
7
5
7
=
0 1 1 = (1)(1)(3) = 3
1
0
4f f f
0 3
3
1 1 2
1 1 2
1 1
= 0
= 2
1
1 = 3 = 23 .
3
5
0
2
3
f2 f2 +2f1
0
1
1
1
0
2
2
1
f3 f3 f1
2
Ejercicio 5. Utilice las propiedades del determinante para calcular det A en cada caso.
0 1 1 1
1 2
3
1 0 1 1
a) A = 2
b) A =
3 7
1
1
0
1
3 3
8
1 1 1 0
4.2.2
Lecci
on 2. Propiedades. Relaci
on determinante e inversa
Se contin
ua con la ejemplificacion y deduccion de propiedades del determinante y se establece
la relacion de este con la inversa de una matriz.
3 10
y A = 0 10
5
T
matriz A. Como es |A| comparado con A ?
T
A
Consecuencia: El determinante de una matriz se puede calcular por cualquier fila o columna.
Esto es:
a A + a A + + a A ; para i = 1, 2, . . . , n
i1
i1
i2
i2
in
in
|A| =
a A + a A + + a A ; para j = 1, 2, . . . , n
1j
1j
2j
2j
nj
nj
a
a b c
d
g
Ejemplo 4.5. Calcule b
e
h si se sabe que d e f = 7.
2c 3b 2f 3e 2i 3h
g h i
Secci
on 4.2. Lecciones de clase 73
Soluci
on. Usando las propiedades 8, 6 y 9 se tiene
a
d
g
b
e
h
2c 3b 2f 3e 2i 3h
f
3 f3 +3f2
a d g
a d g
a b c
= b e h = 2 b e h = 2 d e f = 14.
2c 2f 2i
c f i
g h i
a b c
a
d
g
Ejercicio 1. Si d e f = 15, encuentre 4b
4e
4h .
g h i
c a f d i g
8. Calcule det A en cada caso.
!
3 6
a) A =
. Como son las filas de A?
12 24
!
2 5
b) A =
. Como son las filas de A?
2 5
Propiedad 10. Si A es una matriz que tiene por lo menos una fila (columna) m
ultiplo escalar
de otra, entonces |A| =
9. Sean A =
11 5
.
!
2 3
,B=
4 8
4 8
Que relacion puede establecer?
yC =
9 8
4 8
Observe: A, B y C se diferencian u
nicamente en la primera fila. Ademas, la primera fila de C
es la suma de la primera fila de A con la primera fila de B.
Propiedad 11. Sean A, B y C matrices de tama
no n n que difieren s
olo en la fila i. Si
|C|
|A| + |B|.
Determinante e inversa
Definici
on 4.5 (Matriz adjunta). Sea A = (aij ) de tama
no nn. La adjunta de A, denotada
por adj A, se define como la transpuesta de la matriz de cofactores de A.
Ejercicio 2. Encuentre la adjunta de la matriz A del ejercicio 1 de la leccion 4.2.1, calcule
A adj A y (adj A)A.
Propiedad 12. A adj A = |A| I
Ejercicio 3. Si A es singular, A adj A = 0. Justifique.
Teorema 1. Sean A y B matrices n n. Entonces adj(AB) = adj B adj A.
74 Captulo 4. Determinantes
Demostraci
on. Justifique los pasos
AB adj(AB) = |AB|I
Propiedad 12
1
adj A.
|A|
Demostraci
on
Ejercicio 5. Sea Ann una matriz invertible. Pruebe que |adj A| = |A|n1 .
Ejemplo 4.6. Sean A y B matrices cuadradas de orden 4. Si B 1 = 21 y |A| = 3, calcule
el determinante de la matriz C si se sabe que C = A B adj B B 1 + A
Soluci
on. Justifique los pasos
C = A[B(adj B B 1 )] + A
|C| = A[B(adj B B 1 )] + A
= A(B adj B BB 1 ) + A
= A(|B|I I) + A
= |B|A A + A = |B|A
Esta es la matriz C
Tomando determinantes en ambos lados
= |B|4 |A|
= 24 3 = 48
1
|A|2 |C|2
. Halle su valor si A, B y C
Ejercicio 6. Muestre que [adj(AC)] AB T C =
T |B|
son matrices 4 4 tales que |A| = 3, |B| = 8 y 2C = 32.
Secci
on 4.2. Lecciones de clase 75
Regla de Cramer
Sea A una matriz n n invertible. Entonces el sistema Ax = b tiene solucion u
nica dada por
xj =
|Aj |
, j = 1, 2, . . . , n,
|A|
x y+ z =2
2x + 3y = 3
b) 2x + y + z = 2
3x + 2y = 2
3x + 2y 2z = 3
Teorema 2 (Teorema resumen). Sea A una matriz de tama
no n n. Las siguientes afir-
y la solucion es
pivotes
7. det A
8. Las filas de A son
9. El espacio generado por las filas de A es
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
Captulo 5
se introduce el concepto de espacio vectorial como una estructura algebraica sobre un conjunto
no vaco en el cual se definen dos operaciones, una interna llamada suma, , y una externa al
5.1
Taller pre-clase
A. Teora. Realice un estudio comparativo entre la definicion de espacio vectorial y la definicion de espacio vectorial en R2 , Rn y Mmn (R). Establezca semejanzas y diferencias.
B. Poniendo en pr
actica la aprendido.
1. V = (R2 , , ) es un espacio vectorial, donde y se definen de la siguiente manera:
(x, y) (z, w) = (x + z 1, y + w 1)
(x, y) = (x + 1, y + 1)
a) Halle el elemento neutro para la suma as definida
b) Encuentre el opuesto para cada vector #
v de R2
c) Verifique que [(x, y) (z, w)] = (x, y) (z, w)
2. V = (R+ , , ) es un espacio vectorial, donde y se definen de la siguiente manera:
x z = xz,
x = x
0, si i 6= j
5. Sean #
x1 , #
x2 , . . . , #
xk Rn , 2 k n, tales que #
x i #
xj =
. Muestre que
1, si i = j
#
x1 , #
x2 , . . . #
xk son linealmente independientes.
1
1
#
#
3
6. Construya una base de R que contenga a v1 = 1 y a v2 = 1. Explique
1
0
claramente su construccion.
1
1
1
2
v2 = . Explique
7. Construya una base para R4 que contenga a #
v1 = y a #
2
0
1
0
claramente su respuesta.
# , w
# } bases de R2 . Si la matriz de
8. Sean B1 = { #
v1 = (1, 2), #
v2 = (1, 0)} y !B2 = { w
1
2
2 1
transicion de B1 en B2 es PB1 B2 =
, halle la base B2 .
1 1
9. Encuentre una base para el n
ucleo y la imagen de cada una de las siguientes matrices.
Ademas, determine su nulidad y rango.
1 1
2
a) A = 3
4 5
5 6 12
1 1
0
1
1
a) B =
2
1
1
1
1
2
2.
3.
4.
5.
6.
Secci
on 5.2. Lecciones de clase 79
5.2
Lecciones de clase
5.2.1
Lecci
on 1. Espacio vectorial y subespacio
Con esta la leccion el alumno podra determinar si un conjunto dado con las operaciones definidas
en el, es un espacio vectorial o no. Asimismo, sera capaz de verificar cuando un subconjunto de
un espacio vectorial es un subespacio.
Definici
on 5.1 (Espacio Vectorial). Sea V un conjunto no vaco, en el cual se definen dos
operaciones y , llamadas suma y multiplicaci
on por un escalar (n
umero real), respectivamente. Se dice que V con las dos operaciones es un espacio vectorial, si satisface los
siguientes axiomas:
Para la suma
1S. Si u, v V , entonces u v V
2S. Si u, v V, entonces u v = v u
3S. Para cada u, v, w V se tiene
(u v) w = u (v w)
1M. Si u V y R, entones u V
2M. Si u, v V y R, entonces
(u v) = u v
3M. Si u V y , R, entonces
( + ) u = u u
4M. Si u V y , R, entonces
() u = ( u)
ue=u
Notaci
on y observaciones.
1. Un espacio vectorial se denota de cualquiera de las siguientes formas: (V, , ), (V, ), V.
2. Cada uno de los elementos de un espacio vectorial se llama vector.
3. El vector e se llama el elemento identidad o el m
odulo para .
4. El vector w V de la propiedad 5S se llama el inverso de u, y se denota por u; de
modo que u u = u (u) = e.
5. Cuando no se indican las operaciones se asume que son las usuales, ademas, estas no se
encierran en un crculo. En este caso, e = 0 y u = u.
Ejemplo 5.1. Los siguientes son espacios vectoriales
a) V = R2
b) M22 (R)
En el caso a) no se cumple la propiedad 5S. Por ejemplo, para u = 5, no existe v en N tal que
u + v = 5 + v = 0. Cuales de las otras propiedades no se satisfacen?
x
x
v = y2 estan en V ,
En el caso b) no se cumple la propiedad 1S. En efecto, si #
u = y1 y #
1
x1 + x2
y1 + y2
x1 + x2
2(x1 + x2 ) 6
6=
x1 + x2
.
2(x1 + x2 ) 3
Observaci
on. Para que un conjunto con las operaciones de suma y multiplicacion por un
escalar que se hayan definido no sea espacio vectorial, basta con que no se cumpla una de las
propiedades que lo definen.
Ejercicio 1. Determine cuales de los conjuntos con las operaciones indicadas son espacios
vectoriales. Si no lo es, diga cuales propiedades no satisface.
f) V = (M22 , )
a) V = (Z, +)
b) V = (Q, +)
1
g) V = (Mnn
, +)
c) V = (I, +)
d) V = (R, +)
h) V = (Mmn , +)
e) V = (Rn , +)
1
i) V = (Mnn
, )
(
)
x
j) V =
| y = 2x + 1
y
)
(
x
| y = 2x
k) V =
y
l) V = (P2 , +)
Notaciones.
Mmn representa las matrices de tama
no n n.
1
Mnn
representa las matrices invertibles de tama
no n n.
Secci
on 5.2. Lecciones de clase 81
Teorema 1 (Caracterizaci
on de subespacio). Sea V un espacio vectorial y H un subconjunto no vaco de V . H es un subespacio de V si y s
olo si
1. h1 + h2 H para todo h1 , h2 H.
2. h H para todo h H y R.
Lo anterior es equivalente a: H es un subespacio de V si y s
olo si
h1 + h2 H para todo h1 , h2 H y , R.
Ejemplo 5.3. Determine si H es un subespacio de V .
)
(
x
| x 0 , V = R2 .
b) H = {ax + b | a + b = 0} , V = P1 .
a) H =
y
Soluci
on.
a) En primer lugar, H es no vaco, pues
0
1
#
#
h1 + h2 =
x1 + x2
y1 + y2
x
#
ii) Sean h 1 = x1 H y R. Entonces x1 0. Ahora
2
#
h1 =
x1
y1
Luego, H no es subespacio de R2 .
b) H 6= pues h = x 1 H
i) Sean h1 = a1 x + b1 y h2 = a2 x + b2 en H. Entonces a1 + b1 = 0 (1) y a1 + b2 = 0 (2).
h1 + h2 = (a1 + a2 )x + (b1 + b2 ) H puesto que (a1 + a2 ) + (b1 + b2 ) = 0 por (1) y (2).
ii) Sean h = ax + b H y R. Entonces a + b = 0.
h = (a)x + b H pues a + b = (a + b) = 0 = 0.
Por tanto, H es un subespacio de P1 .
Ejercicio 2. Pruebe las siguientes afirmaciones
a) Si H es subespacio de V , entonces 0 H. Como una consecuencia de este resultado se tiene:
si 0
/ H, entonces H no es subespacio de V .
x
2
R |x0 y y0
a) H =
y
x
2
R | y = 2x
b) H =
d) H = {D Mnn | D es diagonal}
y
)
(
a 6a
; a, b R
e) H = A M22 | A =
b 0
f) H = {p(x) = ax2 + bx + c P2 | a + 2b c = 0}
g) H = {(x, y, z) R3 | ax + by + cz = 0; a, b, c R}
h) H = {A Mnn | det A 6= 0}
j) H = {0}
i) H = {p(x) P4 | grado(p(x)) = 5}
k) H = V
y
y = x2
x
R
, recta que pasa por el origen.
3. H =
y
5.2.2
Lecci
on 2. Combinaci
on lineal, independencia y dependencia
lineal, espacio generado
Secci
on 5.2. Lecciones de clase 83
Definici
on 5.4 (Combinaci
on lineal). Sean u, v1 , v2 , . . . , vk elementos de un espacio vectorial
V . Se dice que u es combinaci
on lineal de los vectores v1 , v2 , . . . , vk , si existen escalares
1 , 2 , . . . , k tales que
u = 1 v1 + 2 v2 + + k vk =
Observaciones.
k
X
i v i
i=1
1. La multiplicacion del escalar i con el vector vi depende de la forma como se haya definido
en el espacio vectorial.
2. La igualdad (=) es la definida en cada espacio.
3. Al establecer la igualdad se obtiene un sistema de ecuaciones lineales en 1 , 2 , . . . , k , el
cual puede ser consistente, en cuyo caso u es combinacion lineal de los vectores vi . Si el
sistema es inconsistente, se concluye que u no es combinacion lineal de los vi .
Ejemplo 5.5. Determine si el vector u es combinacion lineal de los vectores dados
a) u = 1 2x + x2 ; v1 = 2 x, v2 = 1 + x2
2 2
2 1
1 0
1 3
, v3 =
, v2 =
; v1 =
b) u =
0 14
0 0
0 0
0 7
Soluci
on. Al usar la definicion se tiene para cada caso
a) u = 1 v1 + 2 v2 . Reemplazando:
1 2x + x2 = 1 (2 x) + 2 (1 + x2 ) = 21 + 2 1 x + 2 x2 .
De ah se obtiene el sistema de ecuaciones lineales
21 + 2 =
1 = 2
2 =
3
;
6
c) u = 5 + x2 ;
#
v1 =
2
1 #
, v2 =
4
2
v1 = 1 + x, v2 = x2
d) u = 2 + 2x x2 ;
v1 = 1 + x, v2 = x2
!
!
!
4 7 14
1 1 2
0 1 2
; v1 =
, v2 =
9
10 2
0
4 5
3 2
6
!
!
!
!
2 3
1 1
1 1
1 0
, v1 =
, v2 =
, v3 =
1 1
1 0
0 1
1 1
e) u =
f) u =
Definici
on 5.5 (Independencia y dependencia lineal). Sean V un espacio vectorial y
S = {v1 , v2 , . . . , vk } V . Se dice que S es un conjunto de vectores linealmente indepen-
diente, LI (tambien se dice que los vectores v1 , v2 , . . . , vk son LI) si el vector nulo se puede
escribir de manera u
nica como combinacion lineal de v1 , v2 , . . . , vk . Es decir,
0=
k
X
i=
implica 0 = 1 = 2 = = k
k
X
i=1
0 = 1 v1 + 2 v2
0 + 0x + 0x2 = 1 (2 x) + 2 (1 + x2 ) = 21 + 2 1 x + 2 x2 .
Secci
on 5.2. Lecciones de clase 85
b)
0 = 1 v1 + 2 v2 + 3 v3
1 1
2 3
1 2
0 0
.
+ 3
+ 2
= 1
0 2
0 6
0 4
0 0
1
6
5
d) S = v1 = 2 , v2 = 11 , v3 = 9
3
17
14
1 1
2 1
1 0
, A3 =
, A2 =
e) S = A1 =
0 0
0
0
0 0
Definici
on 5.6 (Espacio generado). Sea S = {v1 , v2 , . . . , vk } V . El espacio generado por
gen {v1 , v2 , . . . , vk } = {u V | u = 1 v1 + 2 v2 + + k vk }
Ejemplo 5.7. Determine el espacio generado por por S = {v1 = 2 x, v2 = 1 + x2 }.
Soluci
on. Se tiene
gen S = gen {v1 , v2 } = {u P2 | u = 1 v1 + 2 v2 }
= ax2 + bx + c | ax2 + bx + c = 1 (2 x) + 2 (1 + x2 )
= ax2 + bx + c | ax2 + bx + c = 21 + 2 1 x + 2 x2 .
21 + 2 = c
1 = b
2 = a,
de donde c = a 2b. Por lo tanto, gen S = {ax2 + bx + c | c = a 2b} .
Definici
on 5.7. S = {v1 , v2 , . . . , vk } V es un conjunto generador del espacio vectorial V
1
1
0
0
1
S1 = 1 , 0 , 0 , S2 = 0 , 1 , 0
0
0
1
0
0
1
Observe que la diferencia de estas definiciones con las dadas para vectores en Rn , n > 1 y para
matrices m n es que aqu se hace para cualquier conjunto V que es espacio vectorial.
Ejercicio 8. Encuentre conjuntos generadores de las espacios vectoriales dados que sean linealmente independientes.
a) R5 ; S1 =
S2 =
b) P3 ; S1 =
S2 =
c) P5 ; S1 =
S2 =
d) M22 ; S1 =
S2 =
Secci
on 5.2. Lecciones de clase 87
5.2.3
Lecci
on 3. Bases y dimensi
on. Espacios fundamentales de una
matriz
2. S es un conjunto LI
1
1
1
b) S = v1 = 1 , v2 = 3 , v3 = 1 ; V = R3
2
2
0
1
1
1
c) S = v 1 = 1 , v2 = 1 , v3 = 3 ; V = R3
4
2
0
d) S = f 1 = 1 + x, f 2 = 1 2x + 3x2 , f 3 = 1 + x2 ; V = P2
1 0
1 1
1 1
1 1
; V = M22 (R).
,
,
,
e) S =
0 0
0 0
1 0
1 1
Teorema 2. Si un espacio vectorial V tiene una base con n elementos, entonces cualquier otra
base de V tambien tiene n elementos.
El teorema anterior justifica la siguiente definicion.
Definici
on 5.9 (Dimensi
on). Si un espacio vectorial V tiene una base con n elementos, se
dice que V es finitodimensional y n es la dimensi
on de V . Se denota por dim V = n. Si
V = {0} , dim V = 0. En otro caso, se dice que V es de dimension infinita.
Bases can
onicas
Espacio
Base can
onica
Dimensi
on
V =R
{1}
1
0
,
0
1
V =R
V = R3
V = Rn
0
0
1
0 , 1 , 0 . Tambien {e1 , e2 , e3 }
0
0
1
0
0
.
..
{e1 , e2 , . . . , en }, donde ei = 1 Posicion i
.
..
0
0
V = P1
{1, x}
V = P2
{1, x, x2 }
V = Pn
{1, x, x2 , . . . , xn }
n+1
V =P
{1, x, x2 , . . . , xn , . . .}
V = M22
V = M23
V = Mmn
1 0
0 0
. .
.. ..
0 0
0 1
0 0
0 0
,
,
,
0 0
0 0
1 0
0 1
1 0
1 0 0
0 0 0
..
.
...
0 1 0
0 0 0
0
0 1
0
0 0
, . .
..
. .
.
. .
0
0 0
..
.
...
!
0
,...,
0 0 0
0 0 1
0
0
, . . . , .
..
..
.
!)
0
.. . .
.
.
0 ...
..
Soluci
on. Como 3 0 + 0 = 0, entonces
0
0
H. Luego, H 6= .
mn
Secci
on 5.2. Lecciones de clase 89
x
H. Entonces 3x + y = 0. Es decir, y = 3x, x R. Luego,
Sea
y
1
x
x
, x R.
=x
=
3
3x
y
De ah, H = gen
1
3
1
y dim H = 1.
. Por lo tanto, una base para H es S =
3
Ejercicio 2. Halle una base para cada uno de los siguientes subespacios vectoriales y determine
su dimension.
3
a) H = y R | x + y 2z = 0
c) H = {A M22 | A es simetrica}
Hipotesis
Propiedad distributiva de sobre la suma
Porque
Por que
1 2 3 4
Soluci
on. Como A es de tama
no 3 4, se tiene que n = 4. Luego,
Al resolver
1 2
2 3
3 5
De ah,
ker A = x R4 | Ax = 0 .
3 4
1
2 3
4
1
0 1
0
f2 f2 2f1
f1 f1 + 2f2
5 6
1 2
1 2 .
0 1
0 1
f3 f3 3f1
f3 f3 f2
8 10
0 1
1 2
0
0
0
0
y
4
ker A = R | x = z, y = z 2w .
z
0
1
x
2w
2
1
y
= z + w ; z, w R.
=
0
1
z z
0
w
1
w
0
1
2
1
Luego, una base para ker A es S = , y (A) = dim(ker A) = 2.
1 0
0
1
Ejercicio 3. Encuentre el n
ucleo, una base para el n
ucleo y la nulidad de las siguientes matrices
1 4
5 7
a) A = 0 1 2
1 5
3 4
1 0 0
b) B = 8 5 0
9 7 2
Secci
on 5.2. Lecciones de clase 91
Demostraci
on. Ejercicio
Definici
on 5.13 (Rango). El rango de A esta dado por (A) = dim(im A).
Ejemplo 5.12. Determine la imagen, una base para la imagen y el rango de la matriz del
ejemplo 5.11.
Soluci
on. Como A es una matriz 3 4, entonces m = 3. Luego
Resolviendo el sistema
1 2
2 3
3 5
im A = y R3 | Ax = y, para alg
un x R4
3 4 | a
1 2 3
4 |
a
5 6 | b 0 1 1
2 | 2a b .
8 10 | c
0 0
0
0 | a+bc
Para que el sistema tenga solucion, a + b c = 0. Luego, im A = b | a + b c = 0 .
c
Para determinar una base para im A, sea y im A. Entonces
b + c
1
1
a
b = b = b 1 + c 0 ; b, c R.
c
0
c
1
1
Luego, una base para im A es S = 1 , 0 y (A) = dim(im A) = 2.
0
1
Ejercicio 4. Encuentre la imagen, una base para la imagen y el rango de cada una de las
1
0
x
3
im A = CA = gen 0 , 1 = y R x + y z = 0
1
1
z
Teorema 9. Sea B una matriz equivalente por renglones con la matriz A. Entonces
1. FA = FB
2. (A) = (B)
3. (A) = (B)
Ejercicio 5. Halle una base para el espacio fila y una base para el espacio columna de las
matrices del ejercicio 3, pagina 90.
Teorema 10. dim(FA ) = dim(CA ) = (A)
5.2.4
Lecci
on 4. Vector de coordenadas, cambio de base, bases ortonormales y proyecciones en Rn
Al finalizar la leccion el alumno podra determinar las coordenadas de un vector con respecto a
una base fija. Ademas, realizara cambios de coordenadas de una base a otra, usara el proceso de
Gram-Schmidt para ortonormalizar una base, es decir para encontrar otra que tenga vectores
ortogonales y se generaliza el concepto de proyeccion estudiado en la leccion 3 seccion 2.2.3 del
captulo 2 de la pagina 32.
0
1 #
1
1 #
#
Ejemplo 5.14. Sean B1 =
y B2 = v1 =
, u2 =
bases
, v2 =
1
0
2
1
de R2 . Los escalares que permite escribir los vectores de la base B1 como combinacion lineal de
los elementos de la base B son 2 y 1 para #
u , y 1 y 1 para #
u . Es decir, #
u = 2 #
v #
v y
#
u1 =
#
u 2 = #
v 1 + #
v 2 ; lo cual se denota
[ #
u 1 ]B =
2
2
1
y [ #
u 2 ]B =
2
1
.
1
b) Encuentre los escalares que permiten escribir cada vector de B2 como combinacion lineal de
los vectores de la base B1 .
Secci
on 5.2. Lecciones de clase 93
Definici
on 5.16 (Vector de coordenadas). Sea V un espacio vectorial, B = {v1 , v2 , . . . , vn }
una base de V y u V . El vector de coordenadas de u en la base B se define como el vector
columna formado por los escalares c1 , c2 , . . . , cn que permiten escribir a u como combinacion
lineal de los vectores de la base B y se denota por [u]B . Es decir,
c1
c2
[u]B =
.. si y solo si
.
cn
2
Ejemplo 5.15. Sea B1 = {v1 = 1, v2 = 1 + x, v3 = 1 + x + x2 } una
base
de P2 y u = 23x+5x
7
en P2 . El vector de coordenadas de u en la base B1 es [u]B1 = 8 porque
5
Definici
on 5.17 (Matriz de transici
on). Sea V un espacio vectorial de dimension n, y sean
B1 = {v1 , v2 , . . . , vn } y B2 bases de V . La matriz A tal que
A [u]B = [u]B ,
(5.1)
2 1
.
1
1
Una base B que satisface las dos condiciones anteriores se denomina base ortonormal de Rn .
Ahora generalizamos este concepto.
Definici
on 5.18. Sea S = {u1 , u2 , . . . , uk } un subconjunto de Rn . Se dice que S es un con-
2.
Ejercicio 4. Encuentre un conjunto de R3 que sea ortogonal y que no sea ortonormal. Cuantos
elementos puede tener a lo sumo este conjunto?
Teorema 11. Si S = {u1 , u2 , . . . , uk } Rn es ortogonal, entonces S es un conjunto lineal-
mente independiente.
Demostraci
on. Ejercicio
Definici
on 5.19 (Base ortonormal). Una base de Rn que es un conjunto ortonormal se
denomina base ortonormal de Rn .
u1 =
En general
uk+1
wk+1
=
w
,
k+1
k
X
(vk+1 ui )ui
i=1
#
v3
#
w
3
#
w
2
#
w
2
#
v2
u
3
u
2
O u
1
# = #
w
v1
1
O u
1
# = #
w
v1
1
#
v2
u
2
O u
1
# = #
w
v1
1
(a) k = 1
(b) k = 2
(c) k = 3
1
1
1
#
#
#
S = v1 = 0 , v2 = 1 , v3 = 1
1
0
1
Secci
on 5.2. Lecciones de clase 95
Soluci
on. Siguiendo los pasos dados se tiene
1
#
#
w1 = v1 = 0 ,
1
1
2
1 #
u
1 = # w
1 = 0
k w1 k
1
1
1
1
1
6
1 #
1 2
#
#
#
2
2 = # w2 = 6
w2 = v2 ( v 2 u
1 )
u1 = 1 0 = 1 ; u
2
k w2 k
1
2
1
0
16
1
1
1
1
1 31
#
#
#
#
w3 = v3 ( v 3 u
1 )
u1 ( v3 u
2 )
u2 = 1 0 2 = 3
3
1
1
1
1
3
1
1 #
13
u
3 = # w3 = 3
k w3 k
1
2
As, una base ortonormal para R3 es T = {
u1 , u
2 , u
3 } = 0 ,
1
2
1
13
2 , 1 .
6
3
1
16
3
x
Ejercicio 5. Sea H = y : x y + z = 0 un subespacio de R3 . Determine una base B
z
para H y construya una base ortonormal a partir de B.
Ejercicio 6. Construya una base ortonormal para el n
ucleo de la matrices dadas en el ejercicio
3 de la pagina 90.
Ejercicio 7. Determine una base ortonormal para
1
1
1
2
1
2
1
3
H = gen v1 = , v2 = , v3 = , v4 = .
1
1
0
1
0
1
1
1
5.2.5
Lecci
on No. 5. Espacios con producto interior
n
X
i=1
xi yi ,
complejo. El producto interior entre x e y, denotado por hx, yi, es la operacion que satisface
las siguientes propiedades.
PI2. hx, yi = hy, xi para todo x, y Rn , donde hy, xi denota el complejo conjugado de hy, xi.
PI4. hcx, yi = chx, yi y hx, cyi = chx, yi para todo x, y V y todo escalar c C.
Nota. A un espacio vectorial V sobre el cual se ha definido un producto interior hx, yi satis-
Si x = (x1 , x2 ) y y = (y1 , y2 ),
hx, yi = x1 y1 + 2x2 y2 .
Determine si hx, yi es un producto interior en R2 .
Soluci
on. Se verifican si se satisfacen las propiedades PI1.PI4.
PI1. hx, xi = x21 + 2x22 0 y hx, xi = 0 si y solo si x21 + 2x22 = 0 si y solo si x1 = x2 = 0
si y solo si x = 0
PI2. hx, yi = x1 y1 + 2x2 y2 = y1 x1 + 2y2 x2 = hy, xi
PI3. hx, y + zi = x1 (y1 + z1 ) + 2x2 (y2 + z2 ) = x1 y1 + x1 z1 + 2x2 y2 + 2x2 z2
= (x1 y1 + 2x2 y2 ) + (x1 z1 + 2x2 z2 ) = hx, yi + hx, zi
PI4. hcx, yi = cx1 y1 + 2cx2 y2 = c(x1 y1 + 2x2 y2 ) = chx, yi y
hx, cyi = x1 cy1 + 2x2 cy2 = c(x1 y1 + 2x2 y2 ) = chx, yi
Por lo tanto, hx, yi = x1 y1 + 2x2 y2 es un producto interior en R2 .
Ejercicio 1. Muestre que la siguiente operacion es un producto interior en E = R2 . Sean
x = (x1 , x2 ) y y = (y1 , y2 ),
hx, yi = x1 y1 + (x1 + x2 )(y1 + y2 )
Secci
on 5.2. Lecciones de clase 97
n
X
f (k/n)g(k/n).
k=0
y la solucion es
pivotes
7. det A
8. Las filas de A son
9. El espacio generado por las filas de A es
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
Captulo 6
Transformaciones lineales
Se estudian funciones que pertenecen a una clase particular y especial denominada transforma
ciones lineales. Estas
desempe
nan un papel importante dentro de la matematica, fsica, ciencias
de la computacion, ingeniera entre otras.
Al fnalizar el captulo, el estudiante sera capaz de reconocer las funciones que son transformaciones lineales, representarlas matricialmente cuando sea posible y relaconar el espacio nulo e
imagen de la transformacion con la matriz que la representa, as como usar adecuadamente el
teorema de la dimension.
Se inicia con el concepto de transformacion lineal y se analiza la geometra de algunas de ellas
en R2 .
6.1
Taller pre-clase
A. Teora Realice un estudio comparativo de las funciones mas usadas y estudiadas en los
cursos previos de matematicas y determine cuales satisfacen las propiedades de linealidad.
Es decir, las dos propiedades que cumple y definen una transformacion lineal.
B. Aplicando la teora
1. Halle una transformacion lineal T : R2 7 R3 si
3
3
1
1
= 2
= 1 y T
T
1
3
2
2
x
x 2y + 2z + 3w
y
T =
y + 3z + w
z
x
+ 5z + 4w
w
a) Halle ker T , una base para ker T y la nulidad de T .
b) Encuentre im T , una base im T y el rango de T .
1
c) El vector 3 im T ? Explique su respuesta.
4
99
T (1 + x) = 2 + 3x + x2 ,
T (1 x + x2 ) = 3 + 4x + x2
1
1
a
2
R | 2a b = 0
e im T =
ker T = gen 1 , 0
1
1
5
4
se transforme en
1
0
-1
-1
-1
-3
-2
-1
e) A =
1 0
c 1
Secci
on 6.1. Taller pre-clase
101
1 2
la matriz de la transformacion T : R2 7 R2 , referida a las bases
8. Sea A =
1 0
2
1
3
1
, halle la transformacion.
,
y B2 =
,
B1 =
7
3
4
2
1
3
1
# , w
# } de R2 . Halle la
#
#
#
B1 = v1 = 2 , v2 = 2 v3 = 1 de R3 y B2 = { w
1
2
4
3
1
base B2 . Sugerencia. Use el hecho [T (v)]B2 = AT [v]B1 .
C. Responda verdadero
o falso. Justifique claramente su respuesta
1.
2.
D. Aplicaciones
Identifique los conceptos que permiten solucionar la siguiente situacion.
Un caricaturista moderno emplea computadora y algebra lineal para transformar las imagenes
T
2
2
b
1
b
0
b
x
b
-1
0
b
u
b
-1
-2
-1
(a)
-2
-1
(b)
6.2
Lecciones de clase
6.2.1
Lecci
on 1. Definici
on y propiedades
1.
2.
z
x #
en V = R2 y R. Entonces
,v =
w
y
x+z
z
x
=T
+
y+w
w
y
x+z
x+z
=
=
y w
(y + w)
z
x
+
=
w
y
= T ( #
u ) + T ( #
v)
T ( #
u + #
v) = T
x + y
=
(x + y)
x
x+y
= T ( #
u)
= T
=
y
(x + y)
T ( #
u) = T
x
y
Suma de vectores
Definicion de la funcion
Suma de vectores
Definicion de la funcion
Secci
on 6.2. Lecciones de clase 103
x
y
x
T
x
x
y
x
y
-1
-1
-1
(d) = 2
-6
-5
-4
-3
-2
-1
(e) = 3
Observaci
on. Una transformacion lineal T : V 7 V recibe el nombre de operador lineal.
Ejemplo 6.3. La funcion T : Mmn 7 Mnm definida por T (A) = AT es un transformacion
lineal, pues para A, B en Mmn y R:
i=1
Ejercicio 3. Determine cual o cuales de las siguientes funciones dadas son transformaciones
lineales:
a) T : R 7 R; T (x) = 3x.
x
2
= xy.
c) T : R 7 R; T
y
1
e) T : C [a, b] 7 R; T (f (x)) =
b) T : R 7 R; T (x) = 3x + 2.
d) T : Mmn 7 R; T (A) = det A.
Z
f (x) dx.
a
Ejemplo 6.6. Sea V un espacio vectorial. La funcion I : V 7 V dada por I(u) = u es una
transformacion lineal denominada transformacion identidad.
T : V 7 W es una transformaci
on lineal, entonces para cada u V , T (u) queda completamente
determinado por {T (v1 ), T (v2 ), . . . , T (vn )}
5
Ejemplo 6.7. Sea T : R
7
P1 una transformacion lineal. Halle T
3
0
1
= 3 + x.
=1+x y T
T
1
2
2
si se sabe que
0
1 #
es una base de R2 . Luego, existen escalares 1 y 2
Soluci
on. B =
, v2 =
1
2
tales que #
u = 1 #
v1 + 2 #
v2 . Al resolver se obtiene 1 = 5, 2 = 13. As,
T ( #
u) = T
5
3
#
v1 =
0
1
0
1
= 5(1 + x) 13(3 + x) = 44 8x.
13T
= 5T
13
=T 5
1
2
1
2
Secci
on 6.2. Lecciones de clase 105
6.2.2
Lecci
on 2. N
ucleo e imagen de una transformaci
on lineal y su
representaci
on matricial
ker T = nu T = {u V | T (u) = 0} .
x+y
x
= 2x + 2y .
Ejemplo 6.8. Sea T : R2
7 R3 una transformacion lineal dada por T
y
x+y
Halle ker T .
0
x
+
y
n
x
#o
#
#
2
Soluci
on. ker T = u R | T ( u ) = 0 =
2x + 2y = 0. Al resolver el sis
y
0
x+y
1
x
.
| y = x = gen
tema homogeneo resultante se obtiene ker T =
1
y
x
!
x
+
y
y
,
Ejemplo 6.9. Si T : R4 7 R2 es una transformacion lineal dada por T =
z
zw
w
y
4
entonces ker T = R y = x, z = w .
w
a
2
= 2(ab)+(ab)x.
Ejemplo 6.10. Sea T : R 7 P1 una transformacion lineal dada por T
b
a
1
/ ker T .
Entonces ker T =
a = b . Observe que
b
2
Definici
on 6.3 (Nulidad). Si ker T es de dimension finita, esta se denomina nulidad de T y
se denota por (T ). Es decir, (T ) = dim(ker T ).
Ejemplo 6.11. En las transformaciones lineales de los ejemplos 6.8, 6.9 y 6.10 se tiene que
(T ) = 1, (T ) = 2 y (T ) = 1 respectivamente.
Definici
on 6.4 (Imagen). Sea T : V 7 W una transformacion lineal. La imagen de T , es el
conjunto de todos los vectores w de W que son imagenes, bajo T , de vectores de V . Esto es,
x+y
x
# R3 | T ( #
# para alg
= 2x + 2y e im T = { w
u ) = w,
un #
u R2 }.
Soluci
on. Se tiene T
y
x+y
x+y
a
a
x
#
#
2
R tal que 2x + 2y = b . Entonces
w = b im T si y solo si existe u =
y
x+y
c
c
x+y =a
2x + 2y = b
x+y =c
1 1 | a
1 1 |
a
2 2 | b 0 0 | b 2a .
1 1 | c
0 0 | ca
a
im T = b b = 2a, c = a = gen 2 . Luego, (T ) = dim(im T ) = 1.
im T es un subespacio de W .
Demostraci
on. Se probara que ker T es un subespacio de V . Es claro que ker T 6= pues
0 ker T . Ahora se demuestra la cerradura de la suma y de la multiplicacion por un escalar.
1. Sean v1 , v2 ker T . Entonces
T (v1 ) = 0 y T (v2 ) = 0
T (v1 + v2 ) = T (v1 ) + T (v2 )
=0+0=0
Hipotesis
Porque T es transformacion lineal
Porque
Por que
Secci
on 6.2. Lecciones de clase 107
Definici
on 6.6 (Funci
on uno a uno). Una funcion F : A 7 B es uno a uno (1 1) o
Definicion de ker T
Porque
T (u) = 0 y T (0) = 0 u = 0
Luego, ker T = {0}. Ahora supongamos que ker T = {0} y demostraremos que T es 1 1.
Sean u, v V tales que T (u) = T (v)
T (u) = T (v) T (u v) = 0
Porque
T (u v) = 0 u v ker T
u v ker T u v = 0
De donde u = v y por tanto, T es uno a uno.
x
+
y
x
.
=
Ejemplo 6.14. Sea T : R2 7 R2 una transformacion lineal definida por T
2x + 3y
y
Muestre que T es uno a uno y halle T 1 .
0
, luego, T es inyectiva. Ahora hallamos T 1 despejando
Soluci
on. Se tiene que ker T =
0
las variables x y y.
x
a
x
1 a
.
=T
si y solo si
=
T
b
y
b
y
Resolviendo
1 0 | 3a b
1 1 |
a
1 1 | a
x+ y =a
.
0 1 | b 2a
0 1 | b 2a
2 3 | b
2x + 3y = b
3a b
1 a
.
=
Por lo tanto, T
2a + b
b
x
x 2y + 2z
3
2
c) T : R
7 R ; T y =
2x 3y + 3z
z
yx
x
2
2
=
a) T : R 7 R ; T
y+x
y
x 2y
x
= 2x 3y
b) T : R2 7 R3 ; T
y
4x 7y
(6.1)
Ejemplo 6.15. Para las transformaciones lineales de los ejemplos 6.8, 6.9 y 6.10 se tiene
a) T : R2 7 R3 , dim V = dim R2 = 2 = n; (T ) + (T ) = n, 1 + (T ) = 2. Luego, (T ) = 1.
b) T : R2 7 P1 , dim V = dim R2 = 2 = n; (T ) + (T ) = n, 1 + (T ) = 2. Entonces, (T ) = 1.
c) T : R4 7 R2 , dim V = dim R4 = 4 = n; (T ) + (T ) = n, 2 + (T ) = 4. As, (T ) = 2.
Teorema 6. Sean V y W espacios vectoriales tales que dim V = n y dim W = m. Sean
B1 = {v1 , v2 , . . . , vn } una base de V y B2 = {w1 , w2 , . . . , wm } una base de W . Si T : V 7 W
es una transformaci
on lineal, entonces existe una matriz AT de tama
no m n tal que
AT [v]B1 = [T (v)]B2 para cada v V.
Definici
on 6.7. La matriz AT del teorema 6 recibe el nombre de matriz de T con respecto
a las bases B1 y B2 , y esta dada por
AT = [T (v1 )]B [T (v2 )]B . . . [T (vn )]B
2
a1j
a2j
=
.. si y solo si
.
amj
Secci
on 6.2. Lecciones de clase 109
Ejemplo 6.17. Halle la matriz de la transformacion lineal del ejemplo 6.10 con respecto a las
1
1 #
#
bases B1 = v1 =
de R2 y B2 = {w1 = 1, w2 = x} la base canonica de P1 .
, v2 =
2
0
a
= 2(ab)+(ab)x.
Soluci
on. Calculamos las imagenes de los vectores de la base B1 con T
b
#
1
2
#
= 2 + x = 1 1 + 1 x = 2w1 + 1w2 . De donde, T ( v 1 ) B =
.
T ( v1 ) = T
2
0
1
#
1
2
#
= 2 x = 2 1 + (1) x = 2w1 1w2 . Luego, T ( v 2 ) B =
.
T ( v2 ) = T
2
2
1
Por lo tanto, AT =
2 2
.
1 1
2. (T ) = (AT )
(T ) = (AT )
(T ) = (AT )
Ejemplo 6.18. Dada la transformacion lineal del ejemplo 6.10, analizada en el ejymplo anterior,
determine im T .
Soluci
on. Por el Teorema 7 parte 2, (T ) = (AT ) = 1. Luego
2 1
2
1
2
T
.
f f2 + f1
ya que AT =
im AT = gen
0 0
2 1 2
1
Por lo tanto, im T = gen {2 + x}.
Ejercicio 4. Halle la matriz de la transformacion con respecto a las bases B1 y B2 . Determine:
n
ucleo, nulidad, imagen y rango de cada transformacion lineal.
a) T : P2 7 P3 , T (c + bx + ax2 ) = b bx + cx3
(i) B1 y B2 son las bases canonicas.
(ii) B1 = {1 + x, 1 x, 1 + x + x2 } , B2 = {2 + 3x + x2 , 1 2x + x2 , 1 + 6x2 }
b) T : R4 7 R3 ,
x
x y + 2z + 3w
y
T
y + 4z + 3w
z =
x
+ 6z + 6w
w
1
1
0
0
1
1
1 0 0 1
1
ii. B1 = , , , , B2 = 0 , 1 , 1
0 1 1 0
0
0
1
0
1
1
1
y la solucion es
pivotes
7. det A
8. Las filas de A son
9. El espacio generado por las filas de A es
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
Captulo 7
En este captulo, se estudiaran los valores y vectores propios de una matriz cuadrada A de
tama
no n n que representan un operador lineal. Se retoma el concepto de n
ucleo de una
matriz, base y su dimension con los que se introducen las definiciones de espacio caracterstico,
vector propio y multiplicidad algebraica y geometrica de un valor propio .
Se contin
ua con la diagonalizacion de matrices cuadradas y luego con la diagonalizacion ortogonal de matrices simetricas para lo cual usa el proceso de Gram-Schmidt. Finalmente, se
estudian las formas cuadraticas y las secciones conicas, como una aplicacion de los conceptos
del captulo presente y de los anteriores.
7.1
Taller pre-clase
A. Teora
Identifique los conceptos de captulos anteriores que se usan para el desarrollo de la teora de
valores y vectores propios.
B. Poniendo en pr
actica lo aprendido
1. Determine si A =
4 3
0 4
respuesta.
1 1
1
2
2. Sea A =
1
1
1 1
yB =
0 5
1 1
2
1
1
2
1
#
3 2
10
3. Calcule A si A = 2 0
4
C. Responda verdadero
o falso. Justifique sus respuestas
1.
2.
3.
4.
5.
Si Ann es una matriz con componentes reales, entonces sus valores propios son reales.
6.
D. Aplicaciones
Dadas la ecuaciones cuadraticas
1. 2x2 + 10xy 2y 2 = 21.
2. x2 + 4xy + 4y 2 + 4 5 x 2 5 y = 20
a). Halle la matriz simetrica A que representa la forma cuadratica
b). Encuentre los espacios propios de la matriz A.
c). Diagonalice ortogonalmente la matriz A.
d). Elimine el termino cruzado e identifique la conica dada por la ecuacion
e). Realice el grafico de la conica donde muestre los ejes principales y el angulo de rotacion
Secci
on 7.2. Lecciones de clase 113
7.2
Lecciones de clase
7.2.1
Lecci
on 1. Definiciones
1.
A=
5.
1 2
4 3
1 0
2.
A = 3 0 3
6.
1 0 1
A=
1 1
1 3
2 1 1
A = 1 2 1
1 1 2
3.
7.
A = 0
1 0
0 1
2 5 4
A=
5 2
4.
8.
A=
A=
2 1
5 2
9 3
3 1
determine el o los valores de que permitan que el determinante de la matriz A I sea igual
a cero, es decir, |A I| = 0. ( es un n
umero real o complejo). Recuerde: I es la matriz
identidad.
Considere para cada matriz A el valor o los valores de encontrados en el numeral anterior.
Ademas, encuentre una base para el n
ucleo y determine la nulidad.
Recuerde: encontrar el n
ucleo de A I es equivalente a resolver el sistema homogeneo con
matriz de coeficientes A I.
Definici
on 7.2 (Vector propio).
Definici
on 7.3 (Polinomio caracterstico).
Definici
on 7.4 (Espacio caracterstico).
Definici
on 7.6 (Multiplicidad geom
etrica).
2 1 0
Ejemplo 7.1. Sea 0 2 0. Entonces
0 0 3
El polinomio caracterstico de A es
2
1
0
p() = |A I| = 0
2
0 = ( 2)2 ( 3)
0
0
3
= 2 multiplicidad algebraica = 2 = Ma ( = 2)
= 3 multiplicidad algebraica = 1 = Ma ( = 3) (simple)
Los espacios caractersticos correspondientes son
x
1
3
E2 = v R | (A 2I)v = 0 =
0 | x R = gen v1 = 0
0
0
0
0
3
E3 = v R | (A 3I)v = 0 =
0 | z R = gen v2 = 0
z
1
1
0
0
1
0
1
vector propio asociado a = 2 es v1 = 0 y un vector propio asociado a = 3 es v2 = 0.
1
0
La multiplicidad geometrica de cada valor propio es
Mg ( = 2) = dim E2 = 1,
Observe: Mg ()
Mg ( = 3) = dim E3 = 1.
Ma ().
3. A es invertible si y s
olo si = 0
4. Si A es una matriz triangular, los valores propios de A son
Ejemplo 7.2. La matriz A del ejemplo 7.1 no tiene 3 vectores propios linealmente independientes puesto que Mg (2) = 1 < Ma (2) = 2.
Secci
on 7.2. Lecciones de clase 115
7.2.2
Lecci
on 2. Diagonalizaci
on
Definicion de semejanza
B I = C 1 AC I
|B I| = C 1 AC I
= C 1 AC C 1 C
= C 1 (A I)C
= |C 1 ||A I||C|
= |A I|
Definici
on 7.8 (Matrices diagonalizables). Sea A una matriz n n. A es diagonalizable,
si A es semejante con una matriz diagonal. Es decir, existe una matriz invertible P tal que
D = P 1 AP ,
donde D es una matriz diagonal.
0 0
0
1 0
1
1 0 1
y P = 0 1
3. Cuales son los vectores propios de A?
1 0
1
matriz diagonal y P = (v1 v2 . . . vn ) . Observe que que las columnas de P son n vectores
propios LI de A.
Ejemplo 7.5. Para la matriz A del ejemplo 7.4 se tiene que las dos primeras columnas de P
son dos vectores propios LI asociados al valor propio = 0, es decir, una base para E0 . La
tercera columna es un vector propio asociado al valor propio = 2, o sea, una base para E2 .
Ejemplo 7.6. La matriz A del ejemplo 7.1 no es diagonalizable porque Mg (2) < Ma (2).
Ejercicio 2. Cuales de las matrices dadas en la leccion 1 son diagonalizables?
Ejercicio 3. Determine cuales de las siguientes matrices son diagonalizables
a) A = 4
1 2
1 1
b) A = 2
2 3
1 2
1 2 0
1
2
c) A = 2 1
2
2 1
Como son los vectores propios correspondientes a valores propios diferentes de una matriz
simetrica?
7.2.3
Lecci
on 3. Diagonalizaci
on ortogonal
Secci
on 7.2. Lecciones de clase 117
Definici
on 7.9 (diagonalizaci
on ortogonal). Se dice que una matriz Ann es diagonalizable
ortogonalmente, si existe una matriz ortogonal Q tal que
D = QT AQ,
donde
D = diag (1 , 2 , . . . , n ); 1 , 2 , . . . , n son los n valores propios de A.
Q = (u1 u2 . . . un ) ; u1 , u2 , . . . , un son vectores n propios ortonormales de A.
2 1 1
1/2
1/ 2 1/2
1 0 0
Q = 1/ 2
0 1/2 , D = 0 1 0
0 0 4
0
1/ 2 1/ 2
Note que las columnas de Q son una base ortonormal para cada espacio propio. En este caso,
las dos primeras columnas son una base ortonormal para E1 y la tercera es una base ortonormal
para E4 .
Teorema 15. A es diagonalizable ortogonalmente si y s
olo si es simetrica.
Ejercicio 4. Diagonalice ortogonalmente las matrices simetricas
2 1 1
1
2
2
1. A = 1 2 1
2. A = 2 1
2
1 1 2
2
2 1
7.2.4
Lecci
on 4. Formas cuadr
aticas y secciones c
onicas
En esta leccion se hace una aplicacion de los conceptos desarrollados en las lecciones anteriores
a conceptos que se estudian en otros cursos de matematicas y que ahora se desarrollan desde
los conceptos del algebra lineal.
Definici
on 7.10 (Forma y ecuaci
on cuadr
atica en dos variables).
Una forma cuadr
atica en las variables x y y es una expresion de la forma
F (x, y) = ax2 + bxy + cy 2 ,
(7.1)
donde | a| + | b| + | c| 6= 0.
La expresion (7.1) se puede abreviar como F (X) = XT AX, donde A =
!
x
matriz asociada a la forma cuadratica y X =
.
y
b/2
b/2
es la
x1
y1
(7.2)
5 2
!
2/ 5 1/ 5
, con | Q| = 1, D =
Q=
1/ 5
2/ 5
4 0
0 9
(7.3)
v
1
q21
= 21 = ,
q11
v11
2
Secci
on 7.2. Lecciones de clase 119
La grafica es
5
y1
x1
2
#
v2
#
v1
x
-1
-2
-3
-4
-5
-6
-5
-4
-3
-2
-1
Figura 7.1. Gr
afica ejemplo 7.9
!
5 2
2
1
#
v2 =
1
2
q21
v
1
= 21 =
q11
v11
2
x1
2
#
v2
#
v1
0
b
x
-1
-2
-3
-4
-5
-6
-6
-5
-4
-3
-2
-1
Figura 7.2. Gr
afica ejemplo 7.10
y B = (4 10, 8 10). Los valores y vectores propios de A son: 1 = 10 con vector propio
1
3
#
#
. Una matriz que diagoy 2 = 0 con vector propio asociado v2 =
asociado v1 =
3
1
!
3
1
10 0
10
10
naliza ortogonalmente a A es Q =
.
con D =
1
3
0
0
10
10
La ecuacion dada se transforma en 10x21 20x1 20y1 = 30 o x21 2x1 2y1 = 3. Al agrupar
y factorizar se obtiene
Los ejes x1 y y1 estan dados en las direcciones de los dos vectores ortogonales #
v1 =
#
v2 =
1
3
La grafica es
1
3
18.435 .
3
y
1
Secci
on 7.2. Lecciones de clase 121
y1
#
v2
x1
#
v1
x
-1
b
-2
-3
-4
-5
-6
-6
-5
-4
-3
-2
-1
Figura 7.3. Gr
afica ejemplo 7.11
c) x2 + 2 3 xy y 2 + 6x = 0
e) x2 + 2xy + y 2 + 2 x 2y = 0
f) 9x2 + 6xy + y 2 10 10 x + 10 10 y = 90
g) 2x2 + 4xy + 2y 2 + 2 2 x 6 2 y = 7
b) 9x2 + 6xy + y 2 = 9
d) 3y 2 + 4xy + 2 5x + 4 5y = 1
y la solucion es
pivotes
7. det A
8. Las filas de A son
9. El espacio generado por las filas de A es
. Es decir, gen{f1 , . . . , fn }=
de las filas de A.
. Es decir, gen{c1 , c2 , . . . , cn } =
de las columnas de A.
ndice A
Ape
Autoevaluaci
on
A.1
Autoevaluaci
on I.
A.2
Autoevaluaci
on II.
2. MATRICES Y DETERMINANTES.
2/3 2/3
1/3
1 2
SeanA = 2/3
1/3 2/3 , B = 2
3
1/3
2/3
2/3
3 6
5 y C = 7
15
8 .
2 3
paralelos.
Si #
u y #
v son vectores no nulos de R2 , entonces #
u #
v 6= 0.
Si A y B
a b
Si d e
g h
Secci
on A.3. Autoevaluaci
on III. 125
2
1
#
#
#
El vector u = 3 es combinacion lineal de los vectores v1 = 2 y v2 = 3.
7
3
2
e)
A.3
Autoevaluaci
on III.
I. ESPACIOS VECTORIALES
1. Determine el valor o valores de , si existe(n), de modo que el vector #
u = (1, 1, 4) se
#
#
encuentre en el espacio generado por el conjunto S = { v1 = (2, 1, ), v2 = (, 1, 2)}.
1 2 1 4 5
2. Considere la matriz A = 1
2 1 2 3
2 4 0 2 2
(a) Encuentre el n
ucleo y la imagen de A. Halle una base para ker A y para im A
2 1
R3 de manera que A = 1
2
2
3
es la
matriz
transformaci
on con respecto a las bases B1 = {1 + x, 1 2x} y
la
de
1
1
1
B2 = 0 , 1 , 1 .
1
0
1
4.
de A .
es un valor propio
A.4
Autoevaluaci
on IV.
I. ESPACIOS VECTORIALES
Halle el valor o valores de , si existe(n), de modo que el vector #
u = (1, 1, 4) se
encuentre en el espacio generado por el conjunto S = { #
v = (, 1, 1), #
v = (1, 1, )}.
1
b
im T = : 2a b c + d = 0, a 2b 2c + 2d = 0
1
4
1
= 2 . Calcule T
2
5
6
1
3
2
= 1 y
1
x2 6xy + y 2 + 4 2x 4 2y = 8.
1. Elimine el termino cruzado e identifique la conica.
2. Haga un grafico de la conica donde muestre los ejes principales y el angulo de rotacion.
IV. VERDADERO O FALSO. Responda verdadero o falso. Justifique claramente.
1.
2.
3.
es un subespacio de R2 .
El subconjunto
x
H=
4.
x
y
R2
:y
x2
Referencias
127