Beruflich Dokumente
Kultur Dokumente
ar 1
ALGEBRA
TEORICO - PRACTICO
FACULTAD DE TECNOLOGIA
Y
CIENCIAS APLICADAS
PERSONAL 15680822
E-MAIL: cap@ctcom.com.ar
MSN: cap_724@hotmail.com
AÑO 2005
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 2
BOLILLA Nº 1
LOGICA PROPOSICIONAL
PROPOSICIÓN: se llama proposición a toda oración de la cual se puede establecer su valor de verdad, es
decir, se puede indicar si es verdadera o falsa.
Las proposiciones se representan con las letras p, q, r, s, etc.
Ejemplos:
r: Alto! no es proposición
OPERACIONES
Las proposiciones se pueden unir formando proposiciones compuestas mediante los conectivos lógicos,
estos conectivos son:
NEGACIÓN: la negación de una proposición es otra proposición que se obtiene cambiando su valor de
verdad. Se simboliza por - p o ∼ p (se lee: “no p”) y su tabla de verdad es:
p -p
V F
F V
CONJUNCION: dadas dos proposiciones p y q, la conjunción es la proposición que se obtiene uniendo las
mismas mediante el conectivo y, se simboliza por p ∧ q (se lee: “p y q”) y su valor de verdad es verdadero
cuando las dos proposiciones son verdaderas.
p q p ∧q
V V V
V F F
F V F
F F F
DISYUNCION: dadas dos proposiciones p y q, la disyunción es la proposición que se obtiene uniendo las
mismas mediante el conectivo o, se simboliza por p ∨q (se lee: “p o q”) y su valor de verdad es falso cuando
las dos proposiciones son falsas.
p q p ∨q
V V V
V F V
F V V
F F F
p q p ⇒q
V V V
V F F
F V V
F F V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 3
V V V
V F F
F V F
F F V
p q p ∨q
V V F
V F V
F V V
F F F
EXCLUSION: dadas dos proposiciones p y q la exclusión es la proposición simbolizada por p ∧q (se lee: “ni
p ni q”). La exclusión es verdadera cuando ambas proposiciones son falsas.
p q p ∧q
V V F
V F F
F V F
F F V
TABLAS DE VERDAD:
Para confeccionar la tabla de valores de verdad de una proposición compuesta se debe ordenar en forma
alfabética las proposiciones dadas y luego se escriben las negaciones que intervienen en ella.
El número de valores de verdad está dado por 2n, donde es el número de letras proposicionales distintas que
aparecen en la proposición compuesta dada, no se debe contabilizar como distintas una proposición y su
negación. Estos valores se distribuyen de la siguiente manera: a la primera letra le corresponden la mitad de
valores verdaderos y la mitad falsos; a la segunda letra le corresponde, en forma alternada, la cuarta parte de
valores verdaderos y la cuarta parte de valores falsos y así sucesivamente, a la última letra le corresponden,
en forma alternada un valor verdadero y uno falso.
Si como resultado de esta tabla todos los valores resultan verdaderos se dice que representa una
TAUTOLOGIA o LEY LOGICA, si todos son falsos se dice que es una CONTRADICCIÓN y si existen
valores verdaderos y falsos se dice que es una CONTINGENCIA.
Ejemplos:
a) (p ⇒ q) ⇔ (- p ∨q)
p q -p p ⇒q -p ∨q (p ⇒ q) ⇔ (- p ∨q)
V V F V V V
V F F F F V TAUTOLOGIA
F V V V V V
F F V V V V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 4
b) (p ∧- q) ⇒ (r ∨ p)
p q r -q p ∧- q r ∨p (p ∧- q) ⇒ (r ∨ p)
V V V F F V V
V V F F F V V
V F V V V V V
V F F V V V V TAUTOLOGIA
F V V F F V V
F V F F F F V
F F V V F V V
F F F V F F V
IMPLICACIONES ASOCIADAS
Dada una implicación (p ⇒ q) considerada como implicación directa, se pueden obtener a partir de ella otras
tres implicaciones llamadas implicaciones asociadas a la dada, éstas son:
Recíproca: q ⇒p
Contraria: - p ⇒- q
Contrareciproca: - q ⇒- p
Cualquiera de estas implicaciones se puede tomar como implicación directa, por lo tanto se presenta el
siguiente esquema:
p ⇒q recíproca q ⇒p
contraria
contraria
- p ⇒- q recíproca - q ⇒- p
De estas implicaciones se verifica que son equivalentes la implicación directa con su contrarecíproca y la
contraria con su recíproca, es decir el bicondicional formado por ellas es una tautología:
a) (p ⇒ q) ⇔ (- q ⇒ - p)
p q -p -q p ⇒q - q ⇒- p (p ⇒ q) ⇔ (- q ⇒ - p)
V V F F V V V
V F F V F F V TAUTOLOGIA
F V V F V V V
F F V V V V V
b) (q ⇒ p) ⇔ (- p ⇒ - q)
p q -p -q q ⇒p - p ⇒- q (q ⇒ p) ⇔ (- p ⇒ - q)
V V F F V V V
V F F V V V V TAUTOLOGIA
F V V F F F V
F F V V V V V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 5
Ejemplos:
p q
Contrarecíproca: -q ⇒ -p: Si abc no es un triángulo isósceles, entonces abc no es un triángulo equilátero (F)
LEYES LOGICAS
Se dice que una proposición compuesta representa una ley lógica si la tabla de valores de verdad de la misma
representa una tautología.
- (- p) ⇔ p
IDEMPOTENCIA:
p ∧p ⇔ p
p ∨p ⇔ p
CONMUTATIVA:
a) De la conjunción: p ∧q ⇔ q ∧p
b) De la disyunción: p ∨q ⇔ q ∨p
ASOCIATIVA:
DISTRIBUTIVA:
LEYES DE DE MORGAN:
- (p ∧ q) ⇔ - p ∨- q
- (p ∨ q) ⇔ - p ∧- q
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 6
LEYES DE ABSORCIÓN:
p ∧C ⇔ C
p ∨T ⇔ T
LEYES DE NEUTRALIDAD:
p ∧T ⇔ p
p ∨C ⇔ p
DEFINICIÓN DE CONDICIONAL:
p ⇒ q ⇔ - p ∨q
DEFINICIÓN DE EXCLUSIÓN:
p ∧q ⇔ - p ∧- q
DEFINICIÓN DE BICONDICIONAL:
(p ⇔ q) ⇔ (p ⇒ q) ∧(q ⇒ p)
FUNCIONES PROPOSICIONALES
Otra forma de convertir una función proposicional en proposición es utilizando un proceso de cuantificación.
Existen dos tipos de cuantificadores:
CUANTIFICADOR UNIVERSAL: ∀x: P(x) (se lee: para todo x se verifica P(x))
NEGACIÓN DE UN CUANTIFICADOR
a) Para negar una función proposicional cuantificada universalmente se cambia el cuantificador universal por
uno existencial y se niega la función proposicional.
b) Para negar una función proposicional cuantificada existencialmente se cambia el cuantificador existencial
por uno universal y se niega la función proposicional.
- [∃ x / P(x)] ⇔ ∀ x: - P(x)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 7
PARES ORDENADOS
Dados dos elementos a y b, un par ordenado es el conjunto formado por esos dos elementos en el orden dado
y se denota por (a,b) donde a recibe el nombre de primera componente y b es la segunda componente.
PRODUCTO CARTESIANO
Dados dos conjuntos A y B, se llama producto cartesiano A x B al conjunto de todos los pares ordenados
tales que la primera componente pertenece al conjunto A y la segunda componente pertenece al conjunto B.
A x B = {(a,b) / a ∈A ∧ b ∈ B}
RELACIONES BINARIAS
En símbolos:
Sea R una relación entre A y B, es decir R ⊂ A x B. En el caso de conjuntos finitos se utilizan los soguientes
tipos de representación:
Dominio de una relación es el conjunto formado por las primeras componentes de los pares ordenados que
pertenecen a la relación.
Imagen de una relación es el conjunto formado por las segundas componentes de los pares ordenados que
pertenecen a la relación.
R - 1 = {(y,x) / (x,y) ∈ R}
Ejemplo:
Dados los conjuntos A = {1, 3, 5} y B = {2, 3, 4}. Dar la relación R definida por: R = {(a,b) / a < b}
Determinar dominio, imagen y la relación inversa de R.
D( R ) = {1, 3}
I( R ) = {2, 3, 4}
COMPOSICION DE RELACIONES
Sea R una relación definida en A, es decir, R ⊂ A2. Dicha relación puede clasificarse de acuerdo con las
siguientes propiedades:
Reflexividad:
R es reflexiva ⇔ ∀ x: x ∈ A ⇒ (x,x) ∈ R
Es decir, R es reflexiva si todo elemento del conjunto A esta relacionado consigo mismo.
No reflexividad:
R es no reflexiva ⇔ ∃ x / x ∈ A ∧(x,x) ∉ R
Es decir, R es no reflexiva si por lo menos existe algún elemento del conjunto A que no este relacionado
consigo mismo.
Arreflexiva:
R es arreflexiva ⇔ ∀ x: x ∈ A ⇒ (x,x) ∉ R
Es decir, la relación R es arreflexiva si ningún elemento del conjunto A está relacionado consigo mismo.
Simetría:
Es decir, si un par ordenado pertenece a la relación también debe pertenecer el par ordenado que resulta de
permutar sus componentes.
No simetría:
Es decir, existe por lo menos un par ordenado de la relación que no tiene su simétrico.
Asimetría:
Transitividad:
Es decir, si un elemento esta relacionado con otro (no necesariamente distinto) y éste está relacionado con un
tercero, entonces el primero debe estar relacionado con el tercero
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 9
No transitividad:
Atransitividad:
Antisimetría:
Es decir, los únicos pares ordenados que tienen su simétrico son aquellos que tienen las dos componentes
iguales.
RELACIONES DE EQUIVALENCIA
RELACIONES DE ORDEN
Lo esencial de toda relación de orden es la transitividad, y según se cumpla o no otras propiedades se habla
de orden amplio o estricto.
FUNCIONES
f es una función o aplicación de A en B si y sólo si f es una relación entre A y B tal que todo elemento de A
tiene un único elemento correspondiente de B.
CLASIFICACIÓN DE FUNCIONES
Sobreyectiva: si todo elemento del codominio es imagen de algún elemento del dominio.
COMPOSICIÓN DE FUNCIONES
(g o f)(x) = g [f(x)] ∀ x ∈ A
El símbolo “g o f” denota la función compuesta de f con g. Puede leerse “f compuesta con g” o “g cerito f”.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 10
BOLILLA Nº 2
Una ley de composición interna, definida en un conjunto no vacío A, consiste en una operación que asigna a
cada par ordenado de elementos de A un único elemento de A. Esto significa que a cada objeto de A x A le
corresponde un único elemento de A.
Definición:
a ∈ A ∧b ∧A ⇒ a * b ∈ A
Asociatividad
Conmutatividad
e ∈ A es neutro respecto de * ⇔ ∀ a ∈ A : a * e = e * a = a
Sea * una ley interna en A, con elemento neutro e. Dado a ∈ A interesa investigar si existe a’ ∈ A, tal que
compuesto a izquierda y a derecha con a de por resultado e. El neutro es el complemento del conjunto
relativo a todos. El inverso, si existe, es relativo a cada elemento.
a’ ∈ A es inverso de a ∈ A respecto de * ⇔ a * a’ = a’ * a = e
e' = e’ * e = e * e’ = e
Si un elemento de a ∈ A admite inverso respecto de la ley asociativa *, entonces dicho inverso es único.
Supongamos que a’ y a’’ son inversos de a. Aplicando consecuentemente la definición de neutro, el hecho de
que a’ es inverso de a, la asociatividad, el supuesto de que a’’ es inverso de a, y la definición de neutro se
tiene:
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 11
a’’ = a’’ * e = a’’ * ( a * a’ ) = ( a’’ * a ) * a’ = e * a’ = a’
La regularidad de un elemento respecto de una ley de composición interna consiste en que es cancelable o
simplificable a izquierda y a derecha en los dos miembros de una igualdad.
Definición
a * b = a * c ⇒b = c
a ∈ A es regular respecto de * ⇔
b * a = c * a ⇒b = c
Consideremos el caso de dos leyes de composición interna, “*” y “o”, definidas en un mismo conjunto A.
Interesa caracterizar el comportamiento relativo de dichas leyes internas en el sentido de obtener elementos
del tipo ( a * b ) o c, o bien ( a o b ) * c.
Definición
( a * b ) o c = ( a o c ) * ( b o c)
a, b, c ∈ A ⇒ c o ( a * b ) = ( c o a ) * ( c o b )
HOMORFISMOS
Homomorfismo entre dos conjuntos respecto de una ley interna en cada uno
* : A 2 →A
* : A’ 2 → A’
Definición
En símbolos
f : A → A’ es homomorfismo respecto de * y *’ ⇔ f ( a * b) = f (a) *’ f(b) cualesquiera que sean a y b en A
Ejemplo:
Sean (R, +) y (R+, . ), donde R es el conjunto de los reales, R+ el conjunto de los reales positivos y las
operaciones indicadas son la suma y el producto usuales.
Consideremos ahora la función
f: R → R+
se tiene entonces
ξ
f ( x + y) = 2 x + y = 2 .2y=f(x).f(y )
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 12
Basándonos en la definición (1) , el producto de potencias de igual base, y utilizando de nuevo la definición
(1), hemos probado que la imagen de la suma en R es igual al producto de las imágenes en R+
Una aplicación en f que satisface esta propiedad, se dice un homomorfismo de R en R+ respecto de las
correspondientes leyes de composición interna.
Se presenta a menudo la necesidad de operar con elementos de dos conjuntos, de modo que la composición
sea un elemento de uno de ellos. Esta situación es una de las características de la estructura de espacio
vectorial.
Sean dos conjuntos A y Ω, este último llamado de operadores.
Definición
Usualmente, una ley de composición externa en A con operadores en Ω se denota meditante “.” Y suele
llamarse producto de operadores de Ω por elementos d A.
En símbolos se tiene
Ejemplo:
Si A es el conjunto de los segmentos contenidos en un plano y N es el conjunto de los números naturales, una
ley de composición externa en A con operadores o escalares en N es el producto de números naturales por
segmentos del plano.
Ejemplo:
Sean R2 y Q. Definimos producto de números racionales por pares ordenados de números reales, mediante
α . (a , b ) = ( α . a , α . b )
La igualdad anterior determina una ley de composición externa en R 2 con operadores en Q. Notamos que el
mismo signo “.” Aparece en la definición anterior con dos significados distintos: en el primer miembro de
racionales por pares ordenados de reales, y en el segundo miembro consiste en el producto de racionales por
reales.
En particular, si el conjunto A se identifica con Ω, la ley externa se vuelve interna.
ESTRUCTURAS ALGEBRAICAS
GRUPO
DEFINICIÓN:
Sean un conjunto no vació G, y una función *. El par (G, *) es un grupo si y sólo si * es una ley interna en G,
asociativa, con neutro, y tal que todo elemento de G admite inverso respecto de *.
En forma simbólica:
G 1 . *: G 2 ⇒ G
G 2 . Asociatividad
∀ a ∀ b ∀ c: a, b, c ∈ G ⇒ ( a * b ) * c = a * ( a * c )
∃ e ∈ G / ∀ a : a ∈ G ⇒a * e = e * a = a
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 13
G 4. Existencia de inversos
∀ a ∈ G, ∃ a’ ∈ G / a * a’ = a’ * a = e
Si además se verifica
G 5. Conmutatividad
∀ a ∀ b: a, b ∈ G ⇒ a * b = b * a
SUBGRUPOS
DEFINICIÓN:
a ∈ H ∧b ∈ H ⇒ a * b´∈ H
1°) H ≠ ∅
2°) H ⊂ G
ESTRUCTURA DE ANILLO
DEFINICIÓN
Reformulamos la definición teniendo en cuenta que las dos leyes de composición se llaman aditiva y
multiplicativa, y que las suele denotar con +y . , respectivamente.
DEFINICIÓN
a .(b+c)=a.b+a.c
∀ a ∀ b ∀ c ∈ A:
(b+c).a=b.a+c.a
El anillo ( A, + , . ) no tiene divisores de cero si y solo si elementos no nulos dan producto no nulo.
DOMINIO E INTEGRIDAD
Todo anillo conmutativo, con unidad y sin divisores de cero, se llama dominio de integridad.
Las ternas (Z, + , . ), (R, +, . ) y ( Z 3, + , . ) son dominios de integridad. Si P denota el conjunto de los
enteros pares, entones (P, +, .) es anillo conmutativo, sin divisores de cero y sin elemento de unidad; en
consecuencia no es dominio de integridad.
ESTRUCTURA DE CUERPO
CONCEPTO DE CUERPO
Un anillo con unidad cuyos elementos no nulos son inversibles, se llama anillo de división. Todo anillo de
división conmutativo es un cuerpo.
DEFINICIÓN
La terna (K, +, . ) es un cuerpo si y solo si es un anillo conmutativo, con unidad, cuyos elementos no nulos
admiten inversos multiplicativo.
PROPIEDADES
MATRICES
Si m = n, es decir, si el número de filas es igual al número de columnas la matriz se llama cuadrada de orden
n, en caso contrario se dice que es una matriz rectangular de orden mxn.
IGUALDAD DE MATRICES
Dos matrices son iguales cuando tienen el mismo orden y los elementos correspondientes son iguales.
Sean:
A = (aij) 1≤ i ≤ m, 1≤ j ≤ n y
B = (bij) 1≤ i ≤ p, 1≤ j ≤ q
Entonces:
A = B ⇔ m = p, n = q y aij = bij
SUMA: La suma de matrices, del mismo orden, es otra matriz del mismo orden cuyos elementos se obtienen
sumando los elementos correspondientes de las matrices dadas.
Sean:
A = (aij) 1≤ i ≤ m, 1≤ j ≤ n y
B = (bij) 1≤ i ≤ m, 1≤ j ≤ n
Entonces:
a11 a12 a13 ..... a1n b11 b12 b13 ….. b1n
A= a21 a22 a23 ..... a2n B= b21 b22 b23 ….. b2n
.............................. ……………………
am1 am2 am3 ..... amn bm1 bm2 bm3….. bmn
PROPIEDADES:
A+N=N+A=A
A + (- A) = (- A) + A = N
Ejemplo:
2 -1 3 4 2 -1
A= B=
3 -2 1 3 2 -2
RESTA: La resta de matrices, del mismo orden, es otra matriz del mismo orden cuyos elementos se obtienen
restando los elementos correspondientes de las matrices dadas.
Sean:
A = (aij) 1≤ i ≤ m, 1≤ j ≤ n y
B = (bij) 1≤ i ≤ m, 1≤ j ≤ n
Entonces:
a11 a12 a13 ..... a1n b11 b12 b13 ….. b1n
A= a21 a22 a23 ..... a2n B= b21 b22 b23 ….. b2n
.............................. ……………………
am1 am2 am3 ..... amn bm1 bm2 bm3….. bmn
Ejemplo:
2 -1 1 2 3 2 4 -1
A= B=
3 2 -1 4 -1 4 -2 3
MULTIPLICACION DE UN ESCALAR POR UNA MATRIZ: El producto de un escalar por una matriz
es otra matriz del mismo orden que la matriz dada cuyos elementos se obtienen multiplicando el escalar por
cada uno de los elementos de la matriz dada.
Sean
k ∈ R y A = (aij) 1≤ i ≤ m, 1≤ j ≤ n
Entonces:
a11 a12 a13 ..... a1n k a11 k a12 k a13 ….. k a1n
A= a21 a22 a23 ..... a2n ⇒ kA= k a21 k a22 k a23 ….. k a2n
.............................. …………………………….
am1 am2 am3 ..... amn k am1 k am2 k am3….. k amn
Ejemplo:
2 -1 3 4 -2 6
A= ⇒ 2A =
3 2 -1 6 4 -2
PROPIEDADES:
(k1 + k2) A = k1 A + k2 A
k1 (A + B) = k1 A + k1 B
1A=A
MATRICES CONFORMABLES
MULTIPLICACIÓN DE MATRICES:
Sean:
A = (aij) 1≤ i ≤ m, 1≤ j ≤ n y
B = (bij) 1≤ i ≤ n, 1≤ j ≤ q
Dos matrices conformables, el producto A . B se define por:
n
A . B = C = (cij) / cij = ∑ aik bkj 1≤ i ≤ m, 1≤ j ≤ q
k=1
es decir, el elemento cij de la matriz resultante se obtiene como la suma de los productos de los elementos de
la fila i de la matriz A por los elementos de la columna j de la matriz B.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 18
Ejemplo:
3 -1 2 3 -2 1 4
A = B = 2 -1 3 -2
2 1 -3 3 -2 1 1
3 -2 1 4
2 -1 3 -2 B
3 -2 1 1
3 -1 2 13 -9 2 16
A A.B
2 1 -3 -1 1 2 3
PROPIEDADES:
MATRIZ IDENTIDAD
1 si i = j
I = (δ ij) / δ ij =
0 si i ≠ j
δ 11 δ 12 1 0 δ 11 δ 12 δ 13 1 0 0
I= = I= δ 21 δ 22 δ 23 = 0 1 0
δ 21 δ 22 0 1 δ 31 δ 32 δ 33 0 0 1
TRASPOSICION DE MATRICES
Se dice que la matriz B de orden nxm es la traspuesta de la matriz A de orden mxn si y sólo si b ij = aji y se
escribe B = At.
Ejemplo:
-1 2 0 -1 1
A= ⇒ At = 2 2
1 2 3 0 3
En consecuencia, para hallar la traspuesta de una matriz se cambian filas por columnas.
PROPIEDADES:
1º) La traspuesta de la suma de dos matrices es igual a la suma de las traspuestas de las mismas.
(A + B)t = At + Bt
2º) La traspuesta del producto de dos matrices es igual al producto de las traspuestas de dichas matrices en
orden permutado.
(A . B)t = Bt . At
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 19
MATRIZ SIMETRICA
A es simétrica ⇔ A = At
Ejemplo:
2 -1 3 2 -1 3
t
A= -1 4 2 es simétrica pues A = -1 4 2 =A
3 2 -5 3 2 -5
MATRIZ ANTISIMETRICA
A es antisimétrica ⇔ A = - At
Para que esto se cumpla los elementos de la diagonal principal deben ser iguales a cero.
Ejemplo:
0 1 -2 0 -1 2
t
A= -1 0 -3 es antisimétrica pues A = 1 0 3 =-A
2 3 0 -2 -3 0
MATRICES TRIANGULARES
Es decir, una matriz cuadrada es triangular superior si todos los elementos ubicados debajo de la diagonal
principal son iguales a cero.
Ejemplo:
Es decir una matriz cuadrada es triangular inferior si los elementos situados sobre la diagonal principal son
iguales a cero.
Ejemplo:
MATRICES DIAGONALES
Es decir, una matriz cuadrada es diagonal si los elementos ubicados fuera de la diagonal principal son iguales
a cero.
Ejemplo:
aij = a si i ≠ j
0 si i = j
Ejemplo:
2 0 0
A= 0 2 0
0 0 2
La matriz cuadrada A de orden n es inversible, regular o no singular si y sólo si existe una matriz B del
mismo orden tal que su producto por A a izquierda y a derecha es la matriz identidad.
A – A- 1 = A- 1 . A = I
PROPIEDAD:
Si dos matrices son inversibles entonces la inversa del producto es igual al producto de las inverses en orden
permutado, es decir:
(A . B)- 1 = B- 1 . A- 1
MATRICES ORTOGONALES
A de orden n es ortogonal ⇔ A- 1 = At
PROPIEDADES:
1º) Una matriz cuadrada es ortogonal si y sólo si el producto de dicha matriz por su traspuesta es la matriz
identidad.
A es ortogonal ⇔ A- 1 = At ⇔ A . A-1 = A At ∧ A- 1 . A = At . A ⇔ A . At = At . A = I
En efecto:
Análogamente es:
(AB)t (AB) = I
BOLILLA N° 3
ESPACIOS VECTORIALES
Sean V un conjunto no vacío, K un cuerpo, + y . dos funciones llamadas suma y producto, respectivamente.
El objeto (V,+,K,.) es un espacio vectorial si y sólo si se verifican los siguientes axiomas:
+: V2 → V
O sea:
x ∈ V ∧y ∈ V ⇒ x + y ∈ V
∀x, ∀y, ∀z ∈ V: (x + y) + z = x + (y + z)
∃ 0 ∈ V / ∀ x ∈ V: x + 0 = 0 + x = x
∀ x ∈ V, ∃ - x ∈ V / x + (- x) = (- x) + x = 0
∀ x, ∀ y ∈ V: x + y = y + x
. : K x V →V
O sea:
α ∈ K ∧ x ∈ V ⇒α x ∈ V
∀ α ∈ K, ∀ β ∈ K, ∀ x ∈ V: α (β x) = (α β ) x
∀ α ∈ K, ∀ β ∈ K, ∀ x ∈ V: (α + β ) x = α x + β x
∀ α ∈ K, ∀ x ∈ V, ∀ y ∈ V: α (x + y) = α x + α y
∀ x ∈ V: 1 . x = x
PROPIEDADES:
0x=0
2º) El producto de cualquier escalar por el vector nulo es igual al vector nulo.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 22
α .0=0
3º) Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es cero o el vector es nulo.
α . x = 0 ⇒α = 0 ∨ x = 0
(- α ) x = - (α x)
(a + c, b + d) + (m,n) = (a,b) + (c + m, d + n)
(a + c + m, b + d + n) = (a + c + m, b + d + n)
a + e = a ⇒e = 0 e+a=a ⇒e=0
Luego el neutro a derecha es ( e,e´) = (0,0) Luego el neutro a izquierda es (e,e´) = (0,0)
Como el neutro a derecha es igual al neutro a izquierda, entonces el elemento neutro es (e,e´) = (0,0).
Luego el opuesto a derecha es (a´,b´) = (-a,-b) Luego el opuesto a izquierda es (a´,b´) = (-a,-b)
Como el opuesto a derecha es igual al opuesto a izquierda, el opuesto de (a,b) es (a´,b´) = (-a,-b)
(a + c, b + d) = (c + a, d + b)
(a + c, b + d) = (a + c, b + d)
A6: El producto es una ley de composición externa en R2 con escalares en R por definición de producto
α [β (a,b)] = (α β ) (a,b)
α (β a, β b) = (α β ) (a,b)
(α β a, α β b) = (α β a, α β b)
[(α + β ) a, (α + β ) b] = (α a, α b) + (β a, β b)
(α a + β a, α b + β b) = (α a + β a, α b + β b)
α (a + c, b + d) = (α a, α b) + (α c, α d)
[α (a + c), α (b + d)] = (α a + α c, α b + α d)
(α a + α c, α b + α d) = (α a + α c, α b + α d)
1 (a,b) = (a,b)
(1 a, 1 b) = (a,b)
(a,b) = (a,b)
Luego, al cumplirse los diez axiomas se verifica que (R2, +, R, .) es un espacio vectorial.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 24
SUBESPACIO
CONDICION SUFICIENTE
Si el conjunto no vacío S ⊂ V es cerrado para la suma y para el producto por escalares, entonces (S, +, K, .)
es un subespacio de (V, +, K, .).
En la práctica, para demostrar que (S, +, K, .) es un subespacio de (V, +, K, .) se debe probar que:
1º) S ≠∅
2º) S ⊂ V
3º) x ∈ S ∧ y ∈ S ⇒ x + y ∈ S
4º) α ∈ K ∧ x ∈ S ⇒ α x ∈ S
Ejemplo:
Sean el espacio vectorial (R3, +, R, .) y el conjunto S de las ternas ordenadas de números reales tales que la
tercera componente es la suma de las otras dos, es decir:
S = {(x1,x2,x3) ∈ R3 / x3 = x1 + x2}
b) S ⊂ R3 por definición de S.
(x1,x2,x3) ∈ S ∧(y1,y2,y3) ∈ S ⇒ x3 = x1 + x2 ∧ y3 = y1 + y2
d) α ∈ R ∧ (x1,x2,x3) ∈ S ⇒ α (x1,x2,x3) ∈ S
α ∈ R ∧ (x1,x2,x3) ∈ S ⇒ α ∈ R ∧ x3 = x1 + x2
⇒ α x3 = α (x1 + x2)
⇒ α x3 = α x1 + α x2
⇒ (α x1, α x2 ,α x3) ∈ S
⇒ α (x1, x2 , x3) ∈ S
Sea A = {v1,v2, ..., vn} un conjunto de vectores del espacio (V. +, K, .). Se llama combinación lineal del
conjunto A a toda suma de productos de escalares arbitrarios de K por los vectores de A.
Es decir, una combinación lineal del conjunto A ⊂ V es todo vector de la forma:
n
∑ α i vi = α 1 v1 + α 2 v2 + α 3 v3 + ... + α n vn / α i ∈ K ∧vi ∈ A
i=1
En particular si todos los escalares son nulos, la combinación lineal se llama trivial y da por resultado el
vector nulo.
n
v = ∑ α i vi = α 1 v1 + α 2 v2 + α 3 v3 + ... + α n vn
i=1
Ejemplos:
Sean los vectores v1 = (-1,0,2) y v2 = (-1,2,4) en R3. Determinar si los vectores v = (-1,1,3) y u = (1,2,2) son
combinación lineal de v1 y v2.
Para v:
v = α 1 v1 + α 2 v2
(-1,1,3) = (- α 1- α 2, 2α 2,2α 1+ 4α 2)
- α 1 - α 2 = -1 ⇒ - α 1 – ½ = -1 ⇒ - α 1 = -1 + ½ ⇒ - α 1 = - ½ ⇒ α 1 = ½
2α 2 = 1 ⇒ α 2 = ½
2α 1 + 4α 2 = 3 ⇒ 2 ½ + 4 ½ = 3 ⇒ 3 = 3
Luego:
v = ½ v1 + ½ v2
Para u:
u = α 1 v1 + α 2 v2
(1,2,2) = (- α 1- α 2, 2α 2,2α 1+ 4α 2)
- α 1 - α 2 = 1 ⇒- α 1 – 1 = 1 ⇒- α 1 = 1 + 1 ⇒ - α 1 = 2 ⇒ α 1 = - 2
2α 2 = 2 ⇒ α 2 = 1
2α 1 + 4α 2 = 2 ⇒ 2 (- 2) + 4 1 = 2 ⇒ 0 = 2
Como la tercera ecuación no se verifica para los valores de α 1 y α 2, entonces el vector u no es combinación
lineal de los vectores v1 y v2.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 26
SUBESPACIO GENERADO
n
Ā= ∑ α i vi / α i ∈ K ∧vi ∈ A
i =1
Ejemplo:
Determinar el subespacio de (R3, +, R, .) generado por los vectores del conjuntos A = {(1,0,1),(0,1,1)}
Ā = {α 1 (1,0,1) + α 2 (0,1,1) / α 1 ∈ R ∧α 2 ∈ R }
En consecuencia Ā es el conjunto de todas las ternas ordenadas cuya tercera componente es la suma de las
dos primeras y podemos escribirlo como:
Ā = {(x1,x2,x3) / x3 = x1 + x2}
n
A es linealmente independiente ⇔ ∀ i: ∑ α i vi = 0 ⇒ α i = 0
i =1
n
A es linealmente dependiente ⇔ ∃ i / ∑ α i vi = 0 ∧α i ≠ 0
i =1
Ejemplos:
(α ,β ,γ ) = (0,0,0)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 27
α =0
β =0
γ =0
(α + β + γ , - α + β , 2β + γ ) = (0,0,0)
α +β +γ =0
-α +β =0 ⇒-α =-β ⇒α =β
2β + γ = 0 ⇒ γ = - 2β
SISTEMA DE GENERADORES
El conjunto A = {v1,v2, ..., vn} es un sistema de generadores de V si y sólo si todo vector de V se puede
expresar como combinación lineal de los vectores de A. O bien, A es un sistema de generadores de V si y
sólo si el subespacio generado por A es V, es decir Ā = V.
Sea A = {v1,v2, ..., vn} un conjunto de vectores de (V, +, K, .). Se dice que dicho conjunto es una base de V si
y sólo si es un conjunto linealmente independiente y un sistema de generador de V.
Se llama dimensión de un espacio vectorial al número cardinal de cualquiera de sus bases, es decir al número
de vectores que contiene una base del mismo.
Ejemplos:
BOLILLA Nº 4
b) La imagen del producto de cualquier escalar por todo vector de V es igual al producto del escalar por la
imagen de dicho vector.
f(α x) = α f(x)
Ejemplo:
= f(x1,x2,x3) + f(y1,y2,y3)
= (α x1 - α x3, α x2 - α x3)
Núcleo de una transformación lineal f, entre dos espacios vectoriales sobre el mismo cuerpo, es el conjunto
de los vectores del dominio cuyas imágenes son el vector nulo del codominio.
Es decir:
⇔ x1 – x3 = 0 ∧x2 – x3 = 0
⇔ x1 = x3 ∧x2 = x3
⇔ x1 = x2 = x3 = a
Luego:
N(f) = {(a,a,a) ∈ R3 / a ∈ R}
O sea:
N(f) = {a (1,1,1) ∈ R3 / a ∈ R}
Es decir que el núcleo de la transformación lineal es el conjunto de todos los múltiplos escalares del vector
(1,1,1).
Imagen de una transformación lineal f: V → W es el conjunto imagen del dominio, o sea, es la totalidad de
las imágenes de los vectores del primer espacio.
I(f) ={f(x) / x ∈ V}
1º) La suma del las dimensiones del núcleo y la imagen es igual a la dimensión del primer espacio.
2º) El núcleo de una transformación lineal entre dos espacios vectoriales es un subespacio del primero.
2º) La imagen de una transformación lineal entre dos espacios vectoriales es un subespacio del codominio.
Sean (V.+.K,.) y (W,+,K,.) dos espacios vectoriales y [v] = {v1,v2, ... , vn} una base de V. Si w1, w2, ..., wn
son n vectores cualesquiera de W, entonces existe una única transformación lineal f: V → W tal que se
cumple:
f(vi) = wi ∀ i = 1, 2, ... , n
Ejemplo:
[v] = {(1,1,1),(1,1,0),(1,0,0)} en R3
[w] = {(2,0),(0,1)} en R2
Aplicando la definición de la transformación lineal obtenemos las imágenes de los vectores de la base [v] y
los expresamos como combinación lineal de los vectores de la base de W.
Luego:
1 0 t 1 ½ ½
A= ½ 1 =
½ 0 0 1 0
Cálculos Auxiliares:
(2,0) = (2α ,0) + (0,β ) (1,1) = (2α ,0) + (0,β ) (1,0) = (2α ,0) + (0,β )
2α = 2 ⇒ α = 1 2α = 1 ⇒ α = ½ 2α = 1 ⇒ α = ½
β =0 β =1 β =0
Espacio columna de una matriz A de orden m x n es el subespacio generado por las columnas de A.
n
SC(A) = { ∑ α j Aj / α j ∈ K }
j=1
El rango columna de una matriz es la dimensión del espacio columna de dicha matriz.
Análogamente, el espacio fila de una matriz A de orden m x n es el subespacio generado por las filas de A.
m
SF(A) = { ∑ α i Ai / α i ∈ K }
i=1
El rango fila de una matriz es la dimensión del espacio fila de dicha matriz.
El rango de una matriz es igual a su rango fila o su rango columna (pues rF(A) = rC(A))
E s decir:
Las operaciones elementales sobre una matriz A de orden m x n son las siguientes:
Las matrices que realizan las operaciones elementales sobre las líneas de una matriz se llaman matrices
elementales.
EQUIVALENCIA DE MATRICES
Sean A y B dos matrices de orden m x n, se dice que B es equivalente A si y sólo si B se puede obtener
efectuando un número finito de operaciones elementales sobre A.
El método permite determinar el rango de una matriz mediante un número finito de operaciones elementales
del tipo: multiplicación de una fila por un escalar no nulo y adición de una fila a otra. Se opera
exclusivamente sobre las filas de una matriz y además el método se hace extensivo a la determinación de la
inversa de una matriz y a la resolución de un sistema de ecuaciones lineales.
Esencialmente se trata de formar el máximo número posible de vectores canónicos linealmente
independientes, tal número es el rango de la matriz.
Ejemplo:
1 2 1 -1
A= 1 1 0 2
0 1 2 -1
2 2 -1 2
PIVOTE
1 2 1 -1
1 1 0 2 a b
0 1 2 -1 d- b.c
2 2 -1 2 c d a
1 2 1 -1
0 -1 -1 3
0 1 2 -1
0 -2 -3 4
1 0 -3 1
0 0 1 2
0 1 2 -1
0 0 1 2
1 0 0 7
0 0 1 2
0 1 0 -5
0 0 0 0 Luego r(A) = 3
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 32
Para determinar la inversa de una matriz cuadrada A de orden n x n por el método de Gauss Jordan se escribe
la matriz dada y a su derecha se escribe la matriz identidad del mismo orden que la matriz dada. La matriz
resultante es de orden n x 2n. A ella se le aplica el método de Gauss Jordan hasta lograr transformar a la
matriz A en la matriz identidad, por lo tanto la matriz identidad se transforma en al inversa de A.
A I
I A-1
Ejemplo:
1 0 -1
A= 1 2 -2
2 -1 1
1 0 -1 1 0 0
1 2 -2 0 1 0
2 -1 1 0 0 1
1 0 -1 1 0 0
0 2 -1 -1 1 0
0 -1 3 -2 0 1
1 0 -1 1 0 0
0 1 -1/2 -1/2 1/2 0
0 0 5/2 -5/2 1/2 1
1 0 0 0 1/5 2/5
0 1 0 -1 3/5 1/5 A-1
0 0 1 -1 1/5 2/5
1 0 -1 1 0 0
1 2 -2 0 1 0
2 -1 1 0 0 1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 33
BOLILLA Nº 5
Sea A ∈ Kn x n (donde Kn x n representa el conjunto de todas las matrices cuadradas de orden n) una matriz
particionada en columnas, es decir A = (A1 A2 ... An) donde Ai con 1 ≤ i ≤ n denota la columna del lugar i de
la matriz.
D: Kn x n → K
Que verifica:
1º) Si una columna de una matriz está expresada como la suma de otras dos, el determinante de dicha
matriz es igual a la suma de los determinantes de las matrices que se obtienen al desdoblar esa columna.
D(A1 ... A´j + A´´j ... An) = D(A1 … A´j … An) + D(A1 … A´´j … An)
2º) Si todos los elementos de una columna de una matriz están multiplicados por un escalar, el determinante
de la misma es igual al escalar por el determinante de la matriz que resulta al sacar de esa columna el escalar
como factor común.
3º) Si dos columnas consecutivas de una matriz son iguales , el determinante de la misma es igual a cero.
D( I ) = 1
a11 a12 a13 ..... a1n a11 a12 a13 ..... a1n
A= a21 a22 a23 ..... a2n ⇒ D(A) = a21 a22 a23 ..... a2n
.............................. ..............................
an1 an2 an3 . .... ann an1 an2 an3 ..... ann
PROPIEDADES
1º) Si se permutan dos columnas de una matriz, entonces los correspondientes determinantes son opuestos.
2º) El determinante de toda matriz que tenga dos columnas idénticas es igual a cero.
3º) Si una columna de una matriz es el vector nulo, entonces su determinante es nulo.
D(A1 … 0 … An) = 0
4º) Si α∈ K ∧ A ∈ Kn x n entonces
D(α A) = α n D(A)
D(At) = D(A)
6º) El determinante del producto de dos matrices es igual al producto de los determinantes de las mismas.
Si en una matriz cuadrada se suprime la fila i y la columna j correspondiente al elemento a ij, el determinante
de la matriz cuadrada resultante se denomina menor complementario de aij y se simboliza con Mij.
Además, se define el cofactor o menor adjunto de aij, y se denota con Aij al producto:
Aij = (- 1) i + j Mij
Se debe notar que si la suma de los subíndices correspondientes a la fila y a la columna de un elemento
cualquiera de una matriz cuadrada es un número par, el menor complementario y el cofactor de él son
iguales, mientras que si la suma es un número impar , difieren en el signo.
Ejemplo:
2 -1 1
A= 1 2 -2
3 2 -1
2 -2
A11 = (- 1)1 + 1 = - 2 – (- 4) = - 2 + 4 = 2
2 -1
1 -2
1+2
A12 = (- 1) = (- 1) (- 1 + 6) = - 5
3 -1
1 2
A13 = (- 1)1 + 3 = 2–6=-4
3 2
-1 1
A21 = (- 1)2 + 1 = (- 1)(1 – 2) = 1
2 -1
2 1
A22 = (- 1)2 + 2 =-2–3=-5
3 -1
2 -1
2+3
A23 = (- 1) = (- 1) (4 + 3) = - 7
3 2
-1 1
3+1
A31 = (- 1) =2–2=0
2 -2
2 1
A32 = (- 1)3 + 2 = (- 1)(- 4 – 1) = 5
1 -2
2 -1
A33 = (- 1)3 + 3 = 4 + 1= 5
1 2
CALCULO DE UN DETERMINANTE
REGLA DE SARRUS:
Dada la matriz:
Es decir, el determinante de una matriz de orden 3 se calcula realizando los productos de acuerdo al siguiente
esquema:
. . . . . .
. . . - . . .
. . . . . .
Una forma práctica de aplicar esta regla se obtiene repitiendo las dos primeras filas o las dos primeras
columnas.
Ejemplo:
1 -1 2
A= 2 2 -3
3 -1 2
1 -1 2
2 2 -3 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
3 -1 2
1 -1 2
2 2 -3
3 -1 2 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
1 -1 2
2 2 -3
1 -1 2 1 -1
2 2 -3 2 2 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
3 -1 2 3 -1
Sea la matriz:
Entonces:
n n
D(A) = ∑ aij Aij = ∑ (-1) i + j aij Mij desarrollado por los elementos de una fila
j=1 j=1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 36
n n
D(A) = ∑ aij Aij = ∑ (-1) i + j aij Mij desarrollado por los elementos de una columna
i=1 i=1
Ejemplo:
Sea la matriz:
1 -1 2
A= 2 2 -3
3 -1 2
3 3
D(A) = ∑ a1j A1j = ∑ (-1) 1 + j a1j M1j
j=1 j=1
2 -3 2 -3 2 2
= (-1)2. 1 + (-1)3 (-1) + (-1)4 . 2
-1 2 3 2 3 -1
= 1 + 13 – 16
=-2
3 3
D(A) = ∑ ai2 Ai2 = ∑ (-1) i + 2 ai2 Mi2
i=1 i=1
2 -3 1 2 1 2
= (-1)3.(-1) + (-1)4 .2 + (-1)5 .(-1)
3 2 3 2 2 -3
= 13 – 8 - 7
=-2
REGLA DE CHIO
La regla de Chio se utiliza para reducir un determinante de orden n a otro de orden n – 1. El procedimiento
puede reiterarse hasta lograr un determinante de orden2 o 1.
El mecanismo es similar al empleo para el cálculo del rango de una matriz o la inversa de una matria por el
método de Gauss – Jordan.
Elegimos como pivote un elemento no nulo aij, después de extraerlo como factor común de la fila i
reducimos a cero los demás elementos de la columna del pivote.
Al desarrolar por los elementos de la columna j resulta un determinante de orden n–1 multiplicado por:
(-1) i + j aij.
Ejemplo:
2 0 -1 2
A= 3 2 -2 -3
0 -2 -2 2
2 3 0 -1
2 0 -1 2 2 1 0 1
D(A) = 3 2 -2 -3 = (-1) 3 + 3 (-2) 3 4 0 -5
0 -2 -2 2 0 1 1 -1
2 3 0 -1 2 3 0 -1
2 1 1
= (-2) 3 4 -5
2 3 -1
2 1 1
1+2
= (-2) (-1) .1 -5 0 -9
-4 0 -4
-5 -9
= (-2) (-1)
-4 -4
= 2 (20 – 36)
= 2 (-16)
= - 32
Si los términos independientes de un sistema de ecuaciones lineales son ceros, se dice que el sistema es
homogéneo.
SISTEMA
COMPATIBLE INCOMPATIBLE
(tiene solución) (no tiene solución)
DETERMINADO INDETERMINADO
(la solución es única) (tiene infinitas soluciones)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 38
SISTEMAS HOMOGENEOS: un sistema homogéneo es siempre compatible, es decir que siempre tiene
solución, pudiendo ser determinado o indeterminado o sea con una o infinitas soluciones, respectivamente.
El sistema homogéneo es compatible porque siempre tiene una solución por lo menos que es la trivial,
aquella en la cual todas las incógnitas son ceros. Por lo tanto, si la solución es única, es la trivial y si tiene
infinitas soluciones, una de ellas es la trivial.
Por ejemplo, en el sistema:
2x – 3y = 0
x+ ½y=0
SISTEMAS NO HOMOGENEOS:
x1
x2
X= x3
.
xn nx1
Teniendo en cuenta estas notaciones, el sistema de ecuaciones se puede escribir en forma matricial por:
AX = B
Es decir:
a11 a12 a13 ..... a1n x1 b1
a21 a22 a23 ..... a2n x2 b2
a31 a32 a33 ..... a3n x3 = b3
................................ . .
am1 am2 am3 ..... amn xn bm
Si B = 0, el sistema es homogéneo.
Si m = n, es decir si el número de ecuaciones es igual al número de incógnitas, el sistema se llama cuadrado.
SISTEMAS EQUIVALENTES: dos sistemas de ecuaciones son equivalentes cuando toda solución de uno
es solución de otro y recíprocamente, es decir, dos sistemas son equivalentes si tienen las mismas
soluciones.
Las operaciones que permiten transformar un sistema en otro equivalente son:
1º) El intercambio de dos o más ecuaciones del sistema, es decir el orden de las ecuaciones no altera el
sistema.
2º) Multiplicar una o más ecuaciones por una constante no nula.
3º) Reemplazar una ecuación por la que se obtiene sumando a la mencionada otra ecuación del sistema
multiplicada por una constante.
REGLA DE CRAMER
Sea el sistema:
AX = B
Como A es inversible, existe A–1 y premultiplicando ambos miembros de la relación anterior por ella,
resulta:
A-1 A X = A-1 B
(A-1 A) X = A-1 B
I X = A-1 B
Es decir:
X = A-1 B
Ejemplo:
x1 - x3 = -1
x1 + 2 x2 – 2 x3 = -1
2x1 – x2 + x3 = 3
1 0 -1 0 1/5 2/5
A= 1 2 -2 y su inversa es A –1 = -1 3/5 1/5
2 -1 1 -1 1/5 2/5
1
X= 1
2
1 0 -1
D= 1 2 -2 = (2 + 0 + 1) – (-4 + 2 + 0) = 3 – (-2) = 5
2 -1 1
-1 0 -1
Dx1= -1 2 -2 = (-2 + 0 - 1) – (-6 - 2 + 0) = -3 – (-8) = 5
3 -1 1
1 -1 -1
Dx2= 1 -1 -2 = (-1 + 4 - 3) – (2 - 6 - 1) = 0 – (-5) = 5
2 3 1
1 0 -1
Dx3= 1 2 -1 = (6 + 1 + 0) – (-4 + 1 + 0) = 7– (-3) = 10
2 -1 3
x1 = Dx1 ⇒ x1 = 5 ⇒ x1 = 1
D 5
x2 = Dx2 ⇒ x2 = 5 ⇒ x2 = 1
D 5
x3 = Dx3 ⇒ x3 = 10 ⇒ x3 = 2
D 5
Este teorema permite determinar si un sistema de ecuaciones lineales es compatible o incompatible y, en caso
de ser compatible, permite determinar si la solución es única o no.
Si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada y éste es menor que el número
de incógnitas, el sistema es compatible indeterminado.
En resumen:
SISTEMA
COMPATIBLE INCOMPATIBLE
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 41
r1 = r 2 r1 ≠ r2
DETERMINADO INDETERMINADO
r1 = r2 = número de incógnitas r1 = r2 < número de incógnitas
Ejemplos:
a)
x1+ x2 + x3 = 2
2x1 – x2 – x3 = 1
x1 + 2x2 – x3 = -3
1 0 0 1
0 0 1 2
0 1 0 -1
1 0 0 1
0 1 0 -1
0 0 1 2
b)
x1 + x2 – x3 = 1
x1 - 3x2 + 4x3 = 0
2x1 - 2x2 + 3x3 = 1
1 1 -.1 1
1 -3 4 0
2 -2 3 1
1 1 -.1 1
0 -4 5 -1
0 -4 5 -1
1 0 1/4 3/4
0 1 -5/4 1/4
0 0 0 0
Como r(A) = r(Aº) = 2 < número de incógnitas, el sistema dado es compatible indeterminado, para calcular
las solución del mismo reconstruimos las ecuaciones:
0 x1 + 0 x2 + 0 x3 = 0
(3 – a)/4
X = (1 + 5a)/4
a
c)
x1 + x2 – x3 = 1
x1 - x2 + 3x3 = -3
x1 + 0x2 + x3 = 1
1 1 -.1 1
1 -1 3 -3
1 0 1 1
1 1 -.1 1
0 -2 4 -4
0 -1 2 0
1 0 1 -1
0 1 2 2
0 0 0 2
BOLILLA Nº 6
< , >: V2 → R
que satisface las condiciones de simetría, de linealidad respecto del primer argumento y de definida positiva,
es decir:
2º) < x + y,z > = < x,z > + < y,z > ∀ x ∈ V, ∀ y ∈ V, ∀ z ∈ V
< x ,x > = 0 ⇔ x = 0
Todo producto interior en un espacio vectorial real asigna a cada par de vectores un único número real.
Ejemplo:
< , >: Rn x Rn → R
definida por:
donde:
x1 y1
x2 y2
X= x3 Y= y3
. .
. .
xn yn
es un producto interior. Para probar esta afirmación verificamos los axiomas de la definición:
Por definición de producto interior, por ser X t Y un escalar, por traspuesta del producto y nuevamente por
definición de producto interior.
2º) < X + Y,Z > = ( X + Y) t Z = (X t + Y t) Z = X t Z + Y t Z = < X,Z > + < Y,Z >
Por definición de producto interior, por traspuesta de la suma, por propiedad distributiva y nuevamente por
definición de producto interior.
Por definición de producto interior, por traspuesta de un escalar por una matriz y nuevamente por definición
de producto interior.
n
4º) < X,X > = X X = ∑ xi2 ≥ 0
t
i=1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 44
Por definición de producto interior, por producto de matrices y suma de números reales no negativos.
n
< X,X > = 0 ⇔ ∑ xi2 = 0 ⇔ xi = 0, ∀ I ⇔ X = 0
i=¡
La definición (1) caracteriza un producto interior en Rn, llamado también producto interior usual. Efectuando
la operación indicada en (1) es:
n
< X,Y > = ∑ xi yj
i=1
P sea, el producto interior de dos n-uplas de números reales es igual a la suma de los productos de las
componentes correspondientes.
Sea (V, +, R, .) un espacio vectorial con producto interior, y sean las combinaciones lineales:
n n
x = ∑ α i xi y = ∑ β j yj
i=1 j=1
Donde: α i, β j ∈ R y xi, yj ∈ V
n n
< x, y > = < ∑ α i xi, ∑ β j yj > por axioma 2 se tiene
i=1 j=1
n n
= ∑ < α i xi, ∑ β j yj > por axioma 3 resulta
i=1 j=1
n n
= ∑ α i < xi, ∑ β j yj > por axioma 1 resulta
i=1 j=1
n n
= ∑ α i < ∑ β j yj, xi > por axioma 2 resulta
i=1 j=1
n n
= ∑ α i ∑ < β j yj, xi > por axioma 3 resulta
i=1 j=1
n n
= ∑ α i ∑ β j < yj, xi > por axioma 1 resulta
i=1 j=1
n n
= ∑ α i ∑ β j < xi,yj > por propiedad de sumatoria, resulta
i=1 j=1
n n
= ∑ ∑ α i β j < xi,yj >
i=1 j=1
En particular es:
< α x + y, α x + y > = α 2 < x,y > + α < x,y > + α < y,x > + < y,y >
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 45
Módulo en un vector en un espacio con producto interior es la raíz cuadrada no negativa del producto
interior de dicho vector por sí mismo.
Ejemplo:
x = √ x1 x1 + y1 y1
x = √ x12 + y12
x = √ 32 + 42
x = √ 25
x =5
Se verifica que el cuadrado del módulo de todo vector es igual al producto interior de dicho vector consigo
mismo, es decir:
x 2
= < X,X >
En todo espacio vectorial con producto interior, el módulo del producto de un escalar por un vector es igual
al valor absoluto del escalar por el módulo del vector.
α x =α x
En efecto:
α x 2
= < α x,α x > = α < x,x > = α 2
x 2
=( α x
)2
O sea:
α x 2
= ( α x )2
α x = α x
El producto d un vector no nulo por el recíproco de su módulo, o lo que es lo mismo, el cociente entre un
vector no nulo y su módulo es un vector de módulo 1.
x = 1 x = 1 x = 1 x =1
x x x x
Ejemplo:
x = √ 12 + (-1)2 + (√ 2 )2 = 2
y resulta:
x = 1,- 1 , √2
x 2 2 2
ORTOGONALIDAD
Ejemplo:
x = (-2,3) e y = (-3,-2)