Beruflich Dokumente
Kultur Dokumente
EDITORIAL
UNIVERSITAT POLITÈCNICA DE VALÈNCIA
Subido por:
https://www.facebook.com/pages/Interfase-
IQ/146073555478947?ref=bookmarks
Álgebra matricial
EDITORIAL
UNIVERSITAT POLITÈCNICA DE VALÈNCIA
Colección Académica
/RVFRQWHQLGRVGHHVWDSXEOLFDFLyQKDQVLGRUHYLVDGRVSRUHO'HSDUWDPHQWRGH0DWHPjWLFD
$SOLFDGDGHOD8QLYHUVLWDW3ROLWqFQLFDGH9DOqQFLD
3DUDUHIHUHQFLDUHVWDSXEOLFDFLyQXWLOLFHODVLJXLHQWHFLWD
(VWUXFK)XVWHU9*UHJRUL*UHJRUL95RLJ6DOD%). Álgebra matricial 9DOHQFLD8QLYHUVLWDW
3ROLWqFQLFDGH9DOqQFLD
3ULPHUDHGLFLyQYHUVLyQLPSUHVD
3ULPHUDHGLFLyQYHUVLyQHOHFWUyQLFD
9LFHQW(VWUXFK)XVWHU
9DOHQWtQ*UHJRUL*UHJRUL
%HUQDUGLQR5RLJ6DOD
(GLWRULDO8QLYHUVLWDW3ROLWqFQLFDGH9DOqQFLD
distribución:ZZZODOLEUHULDXSYHV5HIBBB
,6%1YHUVLyQLPSUHVD
,6%1YHUVLyQHOHFWUyQLFD
/D (GLWRULDO 839 DXWRUL]D OD UHSURGXFFLyQ WUDGXFFLyQ \ GLIXVLyQ SDUFLDO GH OD SUHVHQWH SXEOLFDFLyQ FRQ
ILQHV FLHQWtILFRV HGXFDWLYRV \ GH LQYHVWLJDFLyQ TXH QR VHDQ FRPHUFLDOHV QL GH OXFUR VLHPSUH TXH VH
LGHQWLILTXH\VHUHFRQR]FDGHELGDPHQWHDOD(GLWRULDO839ODSXEOLFDFLyQ\ORVDXWRUHV/DDXWRUL]DFLyQ
SDUDUHSURGXFLUGLIXQGLURWUDGXFLUHOSUHVHQWHHVWXGLRRFRPSLODURFUHDUREUDVGHULYDGDVGHOPLVPRHQ
FXDOTXLHUIRUPDFRQILQHVFRPHUFLDOHVOXFUDWLYRVRVLQiQLPRGHOXFURGHEHUiVROLFLWDUVHSRUHVFULWRDO
FRUUHRHGLFLRQ#HGLWRULDOXSYHV
Presentación
El presente libro contiene la parte de álgebra que los autores han redactado
para la asignatura Álgebra matricial y geometrı́a, del Grado en Tecnologı́as Interac-
tivas, que se imparte en la Escuela Politécnica Superior de Gandia, por primera vez
en el curso 2017-2018.
El libro, como es usual en textos matemáticos, expone los resultados con una
continuada argumentación, pero en este caso sin apenas demostraciones. No obstante,
en letra pequeña se presentan pruebas abreviadas o extensiones de la teorı́a que el
lector puede obviar en una primera lectura.
El libro se ha estructurado en capı́tulos que contienen varias secciones, y en
cada uno de ellos los resultados se ilustran con ejemplos apropiados. Al final de
cada capı́tulo aparece una lista de ejercicios resueltos que podrán poner a prueba la
comprensión y adquisición de conocimientos por parte del lector. Estos ejercicios, en
ocasiones, complementan la teorı́a.
Los capı́tulos que conforman la obra son, en este orden: Teorı́a de conjuntos,
Funciones e interpolación, Sistemas de Numeración, Espacios vectoriales, Matrices,
Aplicaciones lineales, Determinantes, Sistemas de ecuaciones lineales y Diagonaliza-
ción de matrices.
Para la comprensión del texto se requieren conocimientos de álgebra elemental.
Los autores agradecerán cualquier sugerencia tendente a mejorar el presente texto en
ediciones posteriores.
Los autores
NOTACIÓN
En este texto se ha evitado un lenguaje excesivamente simbólico.
No obstante, el lector debe conocer la siguiente terminologı́a básica que se
usa en matemáticas y ciencias tecnológicas:
∀ Cuantificador universal. Se lee “para todo” o “para cada”
∃ Cuantificador existencial. Se lee “existe”
⇐⇒ Equivalencia proposicional. Se lee “si y sólo si”
sii Abreviatura de “si y sólo si”
⇒ Implicación proposicional. La proposición de la izquierda
implica la de la derecha. Se lee “implica”
| Se lee “tal (tales) que”
: Se lee “tal (tales) que”
i.e. En latı́n id est y se lee “es decir”
∈ Sı́mbolo de pertenencia
⊂ Sı́mbolo de inclusión
∪ Sı́mbolo de unión
∩ Sı́mbolo de intersección
N Conjunto de los números naturales (incluye al cero)
N∗ El conjunto N sin el cero
Z El anillo de los números enteros
Q El cuerpo de los números racionales
R El cuerpo de los números reales
C El cuerpo de los números complejos
Índice
1 TEORÍA DE CONJUNTOS 13
1.1 EL ÁLGEBRA DE BOOLE DE LA TEORÍA DE CONJUNTOS . . . . . . . 13
1.1.1 Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.3 Representaciones gráficas . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.4 Unión, intersección y complementación de conjuntos . . . . . . . . . . 15
1.1.5 Conjunto complementario y diferencia de conjuntos . . . . . . . . . . . 16
1.1.6 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.7 El álgebra de Boole de la teorı́a de conjuntos . . . . . . . . . . . . . . 17
1.2 CARDINALIDAD DE CONJUNTOS . . . . . . . . . . . . . . . . . . . . . . 17
1.2.1 Partición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2 Cardinal de un conjunto . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.4 Producto cartesiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.5 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.6 Variaciones con repetición . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.7 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3 COMBINATORIA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.1 Variaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.3 Permutaciones ordinarias . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3.4 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.5 Combinaciones ordinarias. Números combinatorios . . . . . . . . . . . 21
1.3.6 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4 UN POCO DE HISTORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5 EJERCICIOS RESUELTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 FUNCIONES E INTERPOLACIÓN 27
2.1 APLICACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
6 Índice
2.1.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.3 Clases de aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.5 Composición de aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.6 La aplicación identidad I . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.7 Correspondencia inversa . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.8 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.9 Nota . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.10 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.11 Caracterización de la aplicación inversa . . . . . . . . . . . . . . . . . 31
2.2 FUNCIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Función . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Nota . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.4 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.5 Dominio o campo de existencia de una función . . . . . . . . . . . . . 32
2.2.6 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.7 Función inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.8 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.9 Composición n-ésima de funciones . . . . . . . . . . . . . . . . . . . . 34
2.3 REPRESENTACIÓN DE FUNCIONES . . . . . . . . . . . . . . . . . . . . . 34
2.3.1 Gráfica de funciones continuas . . . . . . . . . . . . . . . . . . . . . . 34
2.3.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.3 Función definida a trozos . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.4 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3.5 Funciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3.6 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 INTERPOLACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.1 Discretización e interpolación . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.2 Interpolación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.4 Interpolación polinómica . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.5 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 REGRESIÓN Y CORRELACIÓN . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Nube de puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.3 Lı́neas de regresión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.4 Recta de regresión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5.5 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.5.6 Cálculo de las rectas de regresión con conceptos estadı́sticos . . . . . . 43
2.5.7 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Índice 7
3 SISTEMAS DE NUMERACIÓN 57
3.1 SISTEMA DE NUMERACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.1 Teorema fundamental de la numeración . . . . . . . . . . . . . . . . . 58
3.1.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.1.3 Nota . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.1.4 Algoritmo para escribir un número en base b . . . . . . . . . . . . . . 59
3.1.5 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.1.6 Aritmética con números en base b . . . . . . . . . . . . . . . . . . . . 59
3.1.7 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.1.8 Regla del producto por la unidad seguida de ceros . . . . . . . . . . . 60
3.1.9 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.1.10 Expresión de números racionales en base b . . . . . . . . . . . . . . . . 60
3.1.11 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.1.12 Productos con el factor bk en el sistema base b . . . . . . . . . . . . . 61
3.1.13 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2 SISTEMAS DE NUMERACIÓN USADOS EN COMPUTACIÓN . . . . . . . 61
3.2.1 El sistema binario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2.3 Escritura de un decimal en el sistema binario con k cifras exactas . . . 62
3.2.4 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.2.5 Escritura de un decimal en sistema binario . . . . . . . . . . . . . . . 63
3.2.6 Los sistemas octal y hexadecimal . . . . . . . . . . . . . . . . . . . . . 64
3.2.7 Conversión de un número binario a los sistemas octal o hexadecimal . 64
3.2.8 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3 UN POCO DE HISTORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4 EJERCICIOS RESUELTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4 ESPACIOS VECTORIALES 71
4.1 ESPACIOS VECTORIALES . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.1 El espacio vectorial Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.1.2 Representaciones geométricas . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.3 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.4 Subespacios de R2 y R3 . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.5 Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
8 Índice
5 MATRICES 87
5.1 EL ESPACIO VECTORIAL DE LAS MATRICES . . . . . . . . . . . . . . . 87
5.1.1 Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.1.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.1.3 El grupo abeliano (Mm×n , +) . . . . . . . . . . . . . . . . . . . . . . . 88
5.1.4 El espacio vectorial Mm×n . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.5 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.6 Base de Mm×n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.1.7 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2 EL ANILLO DE LAS MATRICES CUADRADAS . . . . . . . . . . . . . . . 90
5.2.1 El producto de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.3 El anillo de las matrices cuadradas (Mn , +, ·) . . . . . . . . . . . . . . 91
5.3 TIPOS ESPECIALES DE MATRICES . . . . . . . . . . . . . . . . . . . . . . 91
5.3.1 Matriz inversible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.3.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3.3 Matrices triangulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3.4 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Índice 9
7 DETERMINANTES 129
7.1 DETERMINANTE DE ORDEN n . . . . . . . . . . . . . . . . . . . . . . . . 129
7.1.1 Signatura de una permutación . . . . . . . . . . . . . . . . . . . . . . 129
7.1.2 Determinante de orden n . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.1.3 Determinante de orden 3 y de orden 2 . . . . . . . . . . . . . . . . . . 131
7.1.4 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7.1.5 Propiedades de los determinantes de orden n . . . . . . . . . . . . . . 132
7.1.6 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.2 DESARROLLO DE UN DETERMINANTE . . . . . . . . . . . . . . . . . . . 134
7.2.1 Menor complementario y adjunto . . . . . . . . . . . . . . . . . . . . . 134
7.2.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2.3 Proposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2.4 Proposición (desarrollo de un determinante) . . . . . . . . . . . . . . . 135
7.2.5 Proposición (determinante de una matriz triangular) . . . . . . . . . . 136
7.2.6 Cálculo práctico de determinantes . . . . . . . . . . . . . . . . . . . . 136
Índice 11
Capı́tulo 1
TEORÍA DE CONJUNTOS
{x ∈ N : x < 5} o {x ∈ Z : 0 ≤ x ≤ 4}.
1.1.2 Ejemplos
(b) −2 ∈ Z pero −2
∈ N.
En un diagrama lineal los elementos del conjunto son los que resaltan
sobre el segmento o la recta donde se representan. Este tipo de representación
es interesante cuando se desea entrever un orden entre los elementos. En la
figura inferior se representa en R el conjunto I que es el intervalo [1, 2[.
0 1 2 3
A B
A ∪ B = {x : x ∈ A ó x ∈ B}.
A ∪ B es el conjunto rayado.
A ∩ B = {x : x ∈ A y x ∈ B}.
A ∩ B es el conjunto rayado.
16 1. TEORÍA DE CONJUNTOS
E A B Ac E
A A
c
B-A
E c = ∅, Ac = B c ⇔ A = B, (Ac )c = A,
∅c = E, A ⊂ B ⇔ B c ⊂ Ac .
1.1.6 Ejemplo
Sea el referencial E = {1, 2, 3, 4, 5, 6}. Sean los conjuntos A = {1, 2, 3},
B = {3, 4, 5} (ver gráfico adjunto).
Entonces: A ∪ B = {1, 2, 3, 4, 5}, A ∩ B = {3}, Ac = {4, 5, 6},
B = {1, 2, 6}, B − A = {4, 5} (= B ∩ Ac ), A − B = {1, 2} (= A ∩ B c ).
c
1.2. CARDINALIDAD DE CONJUNTOS 17
Asociativas:
(A ∪ B) ∪ C = A ∪ (B ∪ C), (A ∩ B) ∩ C = A ∩ (B ∩ C).
Conmutativas:
A ∪ B = B ∪ A, A ∩ B = B ∩ A.
Distributivas
(A ∪ B) ∩ C = (A ∩ C) ∪ (B ∩ C), (A ∩ B) ∪ C = (A ∪ C) ∩ (B ∪ C).
Existencia de neutros:
A ∪ ∅ = A, A ∩ E = A.
Existencia de complementario:
A ∪ Ac = E, A ∩ Ac = ∅.
Por cumplirse las anteriores propiedades, los conjuntos con las leyes de
la unión, intersección y complementación constituyen un álgebra de Boole.
En un álgebra de Boole se verifican las leyes de De Morgan o del
complementario:
(A ∪ B)c = Ac ∩ B c , (A ∩ B)c = Ac ∪ B c .
Cd (A ∪ B) = Cd A + Cd B − Cd (A ∩ B) .
Cd E = Cd A1 + Cd A2 + · · · + Cd An .
Si B ⊂ A, entonces, Cd (A − B) = Cd A − Cd B.
1.2.3 Ejemplo
Sean los conjuntos A = {a, b, c, d}, B = {c, d, e, f, g}, C = {f, g}. Se
tiene que Cd A = 4, Cd B = 5, Cd C = 2.
Con la ayuda de los diagramas de Venn adjuntos se puede deducir que
Cd(A∩B) = 2, Cd(A∪B) = 7 (= Cd A+ Cd B− Cd(A∩B)), Cd(B−A) = 3,
Cd(A − B) = 2.
Cd (A1 × A2 × . . . × An ) = Cd A1 · Cd A2 · . . . · Cd An
1.2. CARDINALIDAD DE CONJUNTOS 19
1.2.5 Ejemplos
A×B = {(a, 1), (a, 2), (b, 1), (b, 2), (c, 1), (c, 2)}
1.2.7 Ejemplo
(a) Vamos a representar mediante un diagrama de árbol el conjunto A3
donde A = {a, b}.
Cada rama representa una terna de A3 .
20 1. TEORÍA DE CONJUNTOS
Viendo el diagrama, éstas son (de arriba a abajo): aaa, aab, aba, abb,
baa, bab, bba y bbb. Obsérvese que el número de ramas es RV23 = 23 = 8.
(b ) El número de bytes (de 8 bits) que se pueden hacer con los dı́gitos
{0, 1} son RV28 = 28 (el lector puede corroborarlo con el correspondiente
diagrama de árbol).
1.3.2 Ejemplo
La cantidad de números de tres cifras, sin repetir, que pueden hacerse
con las cifras 1, 2, 3, 4 y 5 son V54 = 5 · 4 · 3 = 60.
1.3.4 Ejemplo
Veamos cuántas permutaciones pueden hacerse utilizando el conjunto
A = {a, b, c}. Como Cd A = 3, entonces P3 = 3 · 2 · 1 = 6 (éstas son: abc, acb,
bac, bca, cab, cba).
n Vmn m · (m − 1) · · · (m − n + 1)
Cm = =
Pn n!
Es fácil obtener que Ç å
n m m!
Cm = =
n n! · (m − n)!
m
La expresión n se conoce como número combinatorio, y se lee m
sobre n.
m m m m
Se verifica que: 0
= m
= 1, y n
= m−n
.
En esencia, las variaciones difieren de las combinaciones en que en estas
últimas el orden es irrelevante.
1.3.6 Ejemplo
Veamos el número de subconjuntos con 3 cifras que pueden hacerse
con el conjunto A = {1, 2, 3, 4, 5}. Como Cd A = 5, entonces este número es
5!
C53 = = 10 (estos subconjntos son: {1, 2, 3}, {1, 2, 4}, {1, 2, 5}, {1, 3, 4},
3! · 2!
{1, 3, 5}, {1, 4, 5}, {2, 3, 4}, {2, 3, 5}, {2, 4, 5} y {3, 4, 5}).
(v) De (ii) se deduce que (A ∩ B ∩ C)c = {1, 2, 4, 5, 6}. Por otra parte, de (iii) se
deduce que
Solución:
(i) De los gráficos se infiere que A = [2, +∞[ y B =] − 5, 5[, y también los siguientes
apartados.
(i) (A ∪ B)c = {x : x ∈ A ∪ B} = {x : x ∈ A, x ∈ B} = {x : x ∈ Ac , x ∈
B c } = {x : x ∈ Ac ∩ B c } = Ac ∩ B c
(ii) Aplicando la ley de Morgan y, después, la asociatividad, se tiene:
(iii) Hállese A ∩ C y B ∩ C.
Solución:
A = {x ∈ N : x2 ≤ 9} = {0, 1, 2, 3}
B = {x ∈ Z : x2 ≤ 4} = {−2, −1, 0, 1, 2}
(ii) En el diagrama de Venn se observa que 26 − 6 = 20. Son los que sintonizan
FM pero no AM.
(ii) Hemos de calcualar los bytes que tienen sólamente 3 ceros, 4 ceros, . . . y 8
ceros, y sumarlos. En base al argumento del apartado (i), el número total de
dichos bytes será:
Ç å Ç å Ç å Ç å Ç å Ç å
8 8 8 8 8 8
+ + + + + .
3 4 5 6 7 8
Veamos una solución alternativa. Los casos descritos en (i) y (ii) son el contrario
uno del otro. Sabemos que RV28 = 28 es el número total de bytes. Entonces el
número pedido, atendiendo al apartado (i) es: 28 − 37.
27
Capı́tulo 2
FUNCIONES E
INTERPOLACIÓN
2.1 APLICACIONES
2.1.1 Aplicación
2.1.2 Ejemplos
(a) Sea A = {1, 2, 3}, B = {a, b, c, d}. El diagrama sagital adjunto re-
presenta una aplicación, digamos f , definida por f (1) = a, f (2) = b,
f (3) = c. En este caso, Im(f ) = {a, b, c}. La correspondencia inversa es
f −1 : B → A que viene definida por f −1 (a) = 1, f −1 (b) = 2, f −1 (c) = 3.
Obviamente, Im f −1 = {1, 2, 3} = A.
2.1.4 Ejemplos
(b) Los diagramas adjuntos representan una aplicación inyectiva (i), supra-
yectiva (ii) y biyectiva (iii).
2.1.8 Ejemplo
En referencia al apartado (b) del Ejemplo 2.1.4, en el diagrama (i), la
correspondencia f −1 no es aplicación pues f −1 (4) no existe. En (ii) f −1 no
es aplicación pues f −1 (2) = {b, c} (posee dos imágenes). Obviamente en (iii),
f −1 es aplicación, y además biyectiva.
2.1.9 Nota
En un diagrama sagital, es fácil identificar la inversa, si existe, de una
aplicación.
2.1.10 Ejemplo
Sea A = {a, b}, B = {1, 2}, y sea f la aplicación biyectiva adjunta.
Entonces f −1 : B → A viene definida por f −1 (1) = b, f −1 (2) = a.
2.2 FUNCIONES
2.2.1 Función
Las aplicaciones entre conjuntos numéricos se denominan funciones.
Ası́, una aplicación f : R → C se dice que es una función compleja de
variable real. También se dice que es una función definida sobre los reales que
toma valores en los complejos, o función de R en C.
Una aplicación f : R → R se denomina función real de variable real.
Es bastante usual que las funciones vengan dadas mediante expresiones mate-
máticas, escritas f (x) o, en ocasiones, y(x). Para representar la imagen, y, de
un elemento x, suele escribirse y = f (x), y a x se le llama variable mientras
que a y se la denomina función.
En un diagrama de ejes cartesianos, suele representarse la variable x
sobre el eje horizontal, denominado eje X, o bien eje OX (eje de abcisas),
mientras que la imagen y se representa en el eje vertical, eje Y o bien eje OY
(eje de ordenadas).
Por tanto (x, f (x)) ó bien (x, y) es un punto de R2 donde x es la abcisa e
y la imagen de x (por medio de f ). El conjunto de dichos puntos se denomina
gráfica de la función f .
2.2.2 Ejemplo
(a) La función f : R → C dada por f (x) = x + i es una función compleja
de variable real.
(b) La función f : R → [0, +∞[ dada por f (x) = x2 es una función real de
variable real. Su gráfica es la parábola que se presenta seguidamente.
-x x
32 2. FUNCIONES E INTERPOLACIÓN
Esta función es suprayectiva pues cualquier y ∈ [0, +∞[ posee una an-
tiimagen x (en realidad dos antiimágenes), como muestra la figura. Sin
embargo, no es inyectiva pues elementos distintos de R poseen igual
imagen (en efecto, f (2) = f (−2) = 4, por ejemplo).
2.2.3 Nota
2.2.4 Ejemplo
por lo que f ◦ g
= g ◦ f .
y también,
√ Ä√ ä2
(f ◦ g)(x) = f (g(x)) = f ( x) = x = x.
2.2.6 Ejemplo
Supongamos que trabajamos sólo con números reales.
2.2.8 Ejemplo
(a) Sea la función f (x) = x2 definida sobre [0, +∞[. Obviamente esta
√
función es biyectiva. Como y = f (x) = x2 , su inversa es x = + y.
√
Al cambiar x por y obtenemos y = x. Obsérvese la simetrı́a, arriba
√
comentada, de la gráfica de y = x2 y la de su inversa y = x.
y 4
y
y=x 2
2
y=x
3
y=\/ x
1
x x
1 2 3 4
4 y
y=x 2
y= +\/x
2
1
x
-2 2 4
-1
y= -\/x
2.3.2 Ejemplo
Consideremos la función f (x) = x2 − 4.
Sus raı́ces se deducen de f (x) = x2 − 4 = 0, y son 2 y −2.
La ordenada en el origen es f (0) = −4.
La gráfica de f es simétrica respecto al eje OY pues f (−x) = (−x)2 −4 =
x2 − 4 = f (x), para cualquier x ∈ R. La gráfica de f (x) se muestra abajo a
la izquierda.
y
y
4
4 | f(x)|
f(x)
2
2
x x
-2 2 -2 2
-2 -2
⎧
x2 − 4, x ≤ −2
⎪
⎨
La función |f (x)| está definida por |f (x)| = −(x2 − 4), x ∈] − 2, 2[
⎪
⎩ x2 − 4, x ≥ 2
La gráfica de |f (x)| se muestra a la derecha. Obsérvese que |f (x)| es de nuevo
una función simétrica respecto el eje OY .
2.3.4 Ejemplo
Consideremos la función f definida en toda la recta real de manera que
f (x) = 2x si x ≤ 0, f (x) = x2 + 1 si x ∈]0, 2[, y f (x) = 6 si x ≥ 2. Esta
función se escribe como sigue:
⎧
⎪
⎨ 2x , x ≤ 0
f (x) = x2 + 1, 0 < x < 2
⎪
⎩ 6, x ≥ 2
La gráfica es la siguiente:
36 2. FUNCIONES E INTERPOLACIÓN
5
f(x)
x
-2 -1 1 2 3
2.3.6 Ejemplo
(a) A partir de las 0 horas de cierto dı́a, y cada 4 horas, se ha medido la
temperatura en cierto punto de una ciudad. Los datos se muestran en
la siguiente tabla:
T (◦ C) 3 1 7 13 14 6 4
t (horas) 0 4 8 12 16 20 24
14 T (ºC)
12
10
2
t (horas)
5 10 15 20 25
2.4. INTERPOLACIÓN 37
2 y
1.5
0.5
-3 -2 -1 1 2 3
x
-0.5
-1
-1.5
-2
-2.5
-3
2.4 INTERPOLACIÓN
2.4.3 Ejemplo
Situémonos en el Ejemplo 2.3.6 (a). La temperatura a las 8 h era 7◦ C
y a las 12 h era 13◦ C. Nuestros dos datos son T (8) = 7 y T (12) = 13. Por
interpolación lineal vamos a estimar la temperatura a las 11h, (o sea 3 horas
después de la medición de las 8h).
Puesto que en 4 h la temperatura T se ha incrementado en 6◦ C, entonces
en tres hora se habrá incrementado en
6
T = · 3 = 4.5 ◦ C
4
En consecuencia la temperatura a las 11h será 7 + 4.5, o sea T (11) = 11.5.
T
También se puede interpretar utilizando el teorema de Tales, 6
4
= 3
; T = 6
4
· 3 = 4.5◦ C.
2.4.5 Ejemplo
⎧
⎪
⎪ 1 = a0
⎪
⎨ −1 = a0 + a1 + a2 + a3
⎪
⎪
⎪
−5 = a0 + 2a1 + 4a2 + 8a3
⎩
7 = a0 − a1 + a2 − a3
2.5.2 Ejemplo
Supongamos que las siguientes nubes de puntos corresponden a diversas
distribuciones bidimensionales.
al sistema de ecuaciones
N b + a yi = xi
b y i + a yi2 = xi y i
Ambas rectas son, en general, distintas y no hay razón alguna para que
a priori prevalezca una de ellas sobre la otra para ser usada como polinomio
interpolador. No obstante, el contexto puede inducirnos a la elección de una
de ellas (ver ejercicio R2.15).
2.5.5 Ejemplo
x 3 4 6 8 8 6 4 5 4 7
y 3 4 4 7 8 7 3 5 3 6
xi yi x2i yi2 x i yi
3 3 9 9 9
4 4 16 16 16
6 4 36 16 24
8 7 64 49 56
8 8 64 64 64
6 7 36 49 42
4 3 16 9 12
5 5 25 25 25
4 3 16 9 12
7 6 49 36 42
= 55 50 331 282 302
27
cuya solución es a = 28.5 = 0.947, b = (50−55a)
10 ≈ −0.211, por lo que la
ecuación de la recta de regresión de y sobre x es y = 0.947 x − 0.211.
Para obtener la recta de regresión de x sobre y hemos de resolver el
sistema
10 b + 50 a = 55
50 b + 282 a = 302
cuya solución es a = 27
32 = 0.844, b ≈ 1.281, por lo que la ecuación de la recta
de regresión de x sobre y es x = 0.844 y + 1.281, es decir y = 1.185 x − 1.518.
Como se observa, ambas rectas se cortan en (x̄, ȳ), que viene a repre-
sentar el centro de gravedad de la nube.
44 2. FUNCIONES E INTERPOLACIÓN
Si todos los puntos de la nube estuvieran sobre una recta, es obvio, por
simple interpretación geométrica, que ambas rectas de regresión coincidirı́an
con dicha recta.
Dada una distribución de frecuencias bidimensional correspondiente a una variable
(X, Y ) que ha tomado los N valores
(x1 , y1 ), (x2 , y2 ), . . . , (xN , yN )
(puede que se repitan) sabemos calcular la media, la varianza y la desviación tı́pica de
cada una de las dos variables:
N
N
xi yi
x1 + x2 + · · · + xN i=1 y1 + y 2 + · · · + y N i=1
x= = , y= = ,
N N N N
N
N
(xi − x)2
(yi − y)2
σx2 σy2
i=1 i=1
= , σx = =σx2 , , σy = σy2 .
N N
Se denomina covarianza de la distribución bidimensional al número real
N
(xi − x)(yi − y)
i=1
σxy = (2.4)
N
y es fácil demostrar que
N
x i yi
i=1
σxy = − x y. (2.5)
N
2.5.7 Ejemplo
Volvamos al Ejemplo 2.5.5. Para hallar las rectas de regresión, determi-
namos previamente los estadı́sticos que necesitamos. Para ello dispondremos
los cálculos en la siguiente tabla con las columnas apropiadas a tales efectos,
depués de obtener x̄ = 55 50
10 = 5.5, e ȳ = 10 = 5.
xi yi xi − x yi − y (xi − x)(yi − y) (xi − x)2 (yi − y)2
3 3 −2.5 −2 5 6.25 4
4 4 −1.5 −1 1.5 2.25 1
6 4 0.5 −1 −0.5 0.25 1
8 7 2.5 2 5 6.25 4
8 8 2.5 3 7.5 6.25 9
6 7 0.5 2 1 0.25 4
4 3 −1.5 −2 3 2.25 4
5 5 −0.5 0 0 0.25 0
4 3 −1.5 −2 3 2.25 4
7 6 1.5 1 1.5 2.25 1
55 50 27 28.5 32
=
En consecuencia, se tiene que:
28.5 32 27
σx2 = = 2.85, σy2 = = 3.2, σxy = = 2.7.
10 10 10
2.5. REGRESIÓN Y CORRELACIÓN 45
y = 0.947 x − 0.211.
y = 1.185 x − 1.518.
2.5.9 Ejemplo
Continuando con el Ejemplo 2.5.5 donde σx2 = 2.85, σy2 = 3.2, σxy = 2.7,
se tiene que
σxy 2.7 2.7
r= =√ ≈ = 0.894
σx σy 2.85 · 3.2 3.019933
lo que nos indica que hay una fuerte correlación directa entre las notas de
Matemáticas y las de Fı́sica.
Si un alumno obtiene una calificación de 6.5 en Matemáticas pode-
mos recurrir a la recta de regresión de y sobre x para conjeturar qué cali-
ficación obtendrá en Fı́sica. Entonces, sustituyendo x = 6.5 en la ecuación
y = 0.947x − 0.211 se obtiene que y ≈ 5.9. El lector comprobará que usando
la recta de regresión de x sobre y se obtiene que la calificación y de Fı́sica
es aproximadamente 6.1. Ambos resultados son bastante fiables porque el
coeficiente de correlación r se acerca a 1.
En el caso del párrafo anterior si el alumno hubiera obtenido un 0 en
Matemáticas no procede conjeturar nada acerca de la nota de Fı́sica pues 0
es un valor alejado del mı́nimo 3, teniendo en cuenta que el rango en que se
mueven las notas x de Matemáticas es 8 − 3 = 5.
y = b0 + b1 x + b2 x 2 , (b2 = 0)
con la condición, análoga al caso de la regresión lineal, de que la suma de los cuadrados de
las desviaciones d21 + d22 + · · · + d2N sea mı́nima, donde di = yi − (b0 + b1 xi + b2 x2i ).
Modificando ligeramente la terminologı́a hasta ahora utilizada, supondremos que
tenemos un total de N puntos que toman los siguientes m valores distintos
(i)
Por lo tanto,
(f ◦ g)(1) = 2
(f ◦ g)(2) = 3
(f ◦ g)(3) = 1
1 y=x/3-2/3
x
-2 2 4
-1
-2
1
R2.4 (i) Pruébese que la inversa de y = f (x) = es ella misma.
x
50 2. FUNCIONES E INTERPOLACIÓN
(ii) Hállese f n) .
Solución:
1 1
(i) (f ◦ f )(x) = f (f (x)) = f = 1
= x, luego f ◦ f = I, y por tanto f = f −1 .
x x
f 3) = f 2) ◦ f = I ◦ f = f
f 4) = f 2) ◦ f 2) = I ◦ I = I
..
.
5 y
y=e x
4
y=x
3
2 y=ln x
1
x
-3 -2 1 2 3 4 5
(ii) -1
-2
-3
Las gráficas de y = ex , e y = ln x son simétricas respecto a la recta y = x,
cuando se las representa en los mismos ejes.
El dominio de ln x es la imagen de ex ó sea, ]0, +∞[.
La imagen de ln x es el dominio de ex , o sea R.
R2.6 Haz las gráficas y estudia la simetrı́a y periodicidad de las siguientes funciones.
Solución:
y y=sen x
1
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
-1
2.7. EJERCICIOS RESUELTOS 51
y y=|sen x|
1
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
-1
2
y
y=1+sen x
1
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
Solución:
y
1 y=cos x
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
-1
y
1 y=cos 2x
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
-1
y
1 y=cos 2x
x
-3 -5 /2 -2 -3 /2 - - /2 /2 3 /2 2 5 /2 3
-1
Solución:
(i)
(i) sen(15◦ )
(ii) sen(45◦ )
1/2
(i) La función poligonal definida en [0, π6 ] obviamente es y = f (x) = π/6
· x, es
decir y = π3 · x. Por tanto sen 12
π
se puede aproximar por
Äπä 3 π 3 1
f = · = = = 0.25.
12 π 12 12 4
54 2. FUNCIONES E INTERPOLACIÓN
π
(ii) Para hallar sen de manera aproximada se puede hallar la recta f (x) del
4
intervalo [ π6 , π2 ], pero en esta ocasión, procedemos por proporciones.
Para un incremento de x de π2 − π6 la ordenada de la función se incrementa en
1
2
. Entonces, para el incremento de la variable de π6 a π4 se tiene la proporción
1/2 y
π π = π π,
− −
2 6 4 6
es decir,
1/2 y
= π
2
·π 12
6
o bien, 32 = 12 · y, y por lo tanto y = 18 = 0.125. Por tanto sen(45◦ ) ≈
1
2
+ 0.125 = 0.625.
1 = c0
0 = c0 + c1 + c2 + c3
5 = c0 + 2c1 + 4c2 + 8c3
−4 = c0 − c1 + c2 − c3
El sistema que constituyen las 4 ecuaciones anteriores tiene por solución, que el lector
verificará, c0 = 1, c1 = 0, c2 = −3, c3 = 2.
Ası́ pues, f (x) = 1 − 3x2 + 2x3 .
Finalmente, f (1.5) = 1 − 3 · 1.52 + 2 · 1.53 = 1.
2/5
En consecuencia la recta de regresión de y sobre x es y − 5 = (x − 10) que en su
6/5
forma explı́cita resulta
x 5
y= + .
3 3
2/5
Por otra parte, la recta de regresión de x sobre y es x − 10 = (y − 5) que en su
4/5
forma explı́cita resulta
y = 2x − 15.
Para calcular el número de fotones que se espera capturar al lanzar 11, se obtiene
para la recta de regresión de y sobre x
11 5 16
y= + = ≈ 5.33
3 3 3
y para la recta de regresión de x sobre y se obtiene
y = 2 · 11 − 15 = 7.
por lo que las estimaciones realizadas resultan poco fiables, pues 0.41 está lejos de 1.
Si no se dispone de calculadora podemos realizar la siguiente acotación:
1 1 1
r = √ ≤ √ = = 0.5
6 4 2
56 2. FUNCIONES E INTERPOLACIÓN
R2.16 Los siguientes datos se han obtenido en una experiencia para estudiar la relación
entre la cantidad de horas X dedicadas a la producción de ciertos componentes
electrónicos de precisión y el número de componentes producidos Y .
X 0 1 1 3 4 5
Y 2 3 4 7 12 22
Capı́tulo 3
SISTEMAS DE
NUMERACIÓN
decimal, entonces
y esta escritura es única si suponemos que todas las cifras son significati-
vas, esto es, as
= 0. Esta última afirmación no es exclusiva del sistema
de numeración decimal; en efecto, se puede demostrar, utilizando la división
euclı́dea, el siguiente teorema
as as−1 . . . a1 a0 (b
3.1.2 Ejemplo
(a) Deseamos escribir 65 en base 3.
En base 3, cada unidad tiene el valor que muestra el siguiente esquema
34 33 32 31 30
En nuestro caso, es sencillo observar que sólo nos interesan las 4 casillas
de la derecha cuyos valores son
27 9 3 1
65 = 2102(3
m = 2 · 34 + 1 · 33 + 0 · 32 + 0 · 31 + 2 · 30 = 2 · 81 + 27 + 2 = 191.
3.1. SISTEMA DE NUMERACIÓN 59
3.1.3 Nota
Obsérvese que la escritura de bs en base b es 10 · · · 0 con s dı́gitos que
son ceros. De ello se desprende que si m verifica bs−1 ≤ m < bs , entonces
m posee s dı́gitos significativos al escribirse en base b. No obstante m se
puede escribir con más dı́gitos pues de (3.1) se desprende que as . . . a1 a0(b =
0 . . . 0 as . . . a1 a0(b . Obviamente as . . . a1 a0(b
= as . . . a1 a0 0(b , pues este
último número es as · bs+1 + · · · + a0 · b + 0, que no coincide con (3.1).
3.1.5 Ejemplo
Apliquemos el algoritmo anterior para escribir 903 en base 5.
903 5
40 180 5
3 30 36 5
0 1 7 5
2 1
3.1.7 Ejemplo
Efectuemos 31021(4 + 22331(4 . Por imitación del caso decimal (y que el
lector argumentará) se tiene
3 1 0 2 1(4
+ 2 2 3 3 1(4
1 2 0 0 1 2(4
3.1.9 Ejemplo
Deseamos hacer el producto 1211(3 × 34 . Como 34 = 10000(3 , entonces
3.1.11 Ejemplo
Veamos a qué número decimal corresponde 204.201(5 .
De una parte, 204(5 = 2·52 +4 = 54. Por otra parte, 0.201(5 = 2·5−1 +1·5−3 =
0.408. Por tanto, 204.201(5 = 54.408.
3.2. SISTEMAS DE NUMERACIÓN USADOS EN COMPUTACIÓN 61
Al efectuar m(b : 1 0 0 · · · 0(b estamos multiplicando m(b por b−k y por tanto se tiene:
as ·bs−k +· · ·+ak +ak−1 ·b−1 +· · · a1 ·b1−k +a0 ·b−k +c1 ·b−(k+1) +c2 ·b−(k+2) +c3 ·b−(k+3)
3.1.13 Ejemplo
3.2.2 Ejemplo
Efectuemos la suma de los números 31 y 1, en sistema binario.
No recurrimos al algoritmo de la sección 3.1.4 dado que es inmediato
que 31 = 16 + 8 + 4 + 2 + 1, es decir 31 = 11111(2 . También 1 = 1(2 . Ası́ pues:
1 1 1 1 1(2
+ 1(2
1 0 0 0 0 0(2
El lector observará que 100000(2 se corresponde con el número decimal 32.
donde d es su parte no entera, que ignoramos. Al dividir (3.2) por 2k (es decir
1 0 . . . 0(2 con k ceros) se obtiene m que en binario, según la sección 3.1.12, es
0.ak−1 . . . a0 . . . con los k primeros dı́gitos exactos.
En el caso de que m·2k fuera entero, la expresión final binaria es exacta puesto
que d no existe.
3.2.4 Ejemplo
el producto 2 · 0.d2 que se escribirá como a3 .d3 como antes y ası́ se va repi-
tiendo el proceso. La expresión de x en binario es entonces 0.a1 a2 a3 . . . . Esta
expresión se termina obteniendo una representación finita cuando aparece un
di nulo o cuando se alcanza el máximo número de dı́gitos representables.
3.2.8 Ejemplo
Vamos a escribir el número binario 10111101.1011(2 en octal y después
en hexadecimal. Los bloques con 3 dı́gitos del número dado son
No existı́a signo para el 0, que se representaba mediante un espacio vacı́o, lo cual supuso
una dificultad para los arqueólogos a la hora de interpretar los numeros babilónicos. La
notación posicional puso de manifiesto la necesidad de establecer el concepto de cero, que
nació mucho más tarde, en la India, en el siglo VII a.C. Otro tipo de sistemas numéricos no
posicionales, como el de los números romanos, pueden parecer inicialmente más fáciles de
interpretar, pero complican operaciones aritméticas sencillas y la representación de números
grandes. La adopción de sistemas numéricos posicionales facilitó el avance de la aritmética
y el álgebra. El valor de los sistemas posicionales se aprecia también a la hora de manejar
numeros grandes. De hecho, los escribas de Babilonia podı́an expresar todos los números
inferiores a 216000 = 603 con sólo, a lo sumo, dos sı́mbolos y uno o dos espacios. El sistema
más extendido, el de base 10, debe su general implantación a razones biológicas. El hecho
de que el hombre tenga 10 dedos, que le sirven de ayuda en los cálculos sencillos, lleva de
forma natural a utilizar el sistema en base 10.
1101011(2 = 1 · 26 + 1 · 25 + 0 · 24 + 1 · 23 + 0 · 22 + 1 · 2 + 1 = 107
Escribamos 107 en base 8. Las potencias de 8 son: 1, 8, 64, 512, . . . , y los dı́gitos a
utilizar son: 0, 1, 2, 3, . . . , 6 y 7. Se tiene 107 = 64 + 5 · 8 + 3. Por tanto 107 = 153(8 .
(Para la conversión de 107 a base 8, el lector puede utilizar el algoritmo de la sección
3.1.4 o, alternativamente, el de la sección 3.2.7)
4231 8
23 528 8
71 48 66 8
7 0 2 8 8
0 1
R3.5 Idea un algoritmo para que realice el producto 1101(2 · 11(2 , en base 2.
Solución: Por analogı́a al caso decimal:
1 1 0 1(2
× 1 1(2
1 1 0 1
1 1 0 1
1 0 0 1 1 1(2
R3.8 Representa en binario los números reales 5.75 y 10.82 con 3 y 4 dı́gitos exactos
detrás del punto, respectivamente.
Solución: Aplicamos el algoritmo de la sección 3.2.3.
Se tiene 0.75 · 23 = 6, que es entero. Obviamente 6 = 110(2 . Calculemos 110(2 :
1000(2 = 0.110(2 . Por tanto 0.75 = 0.11(2 exacto.
Ası́ pues, como 5 = 101(2 , se tiene que 5.75 = 101.11(2 .
Por otra parte, 0.82 · 24 = 13.1, E [13.1] = 13. Obviamente 13 = 1101(2 . Calculemos
1101(2 : 10000 = 0.1101. Por tanto 0.82 = 0.1101(2 .
Ası́ pues, como 10 = 1010(2 , se tiene que 10.82 = 1010.1101 . . .(2 , con 4 dı́gitos
exactos detrás del punto.
1 0 2 0 7
↓ ↓ ↓ ↓ ↓
001 000 010 000 111
(i)
538 16
058 33 16
10 1 2
Por tanto, 538 = 21A(16 , dado que 10 = A en hexadecimal.
(ii) Consideremos cada dı́gito de la expresión octal como un número decimal y lo
escribimos en binario en bloques de 4 como sigue:
2 1 A
↓ ↓ ↓
0010 0001 1010
Capı́tulo 4
ESPACIOS VECTORIALES
λ · (a1 , a2 , . . . , an ) = (λ · a1 , λ · a2 , . . . , λ · an ).
72 4. ESPACIOS VECTORIALES
1. α · (β · a) = (α · β) · a
2. (α + β) · a = α · a + β · a
3. α · (a + b) = α · a + α · b
4. 1 · a = a
donde α, β, denotan, como es usual, a números reales, mientras que las letras
latinas a, b denotan elementos de Rn .
Cuando se dispone de un grupo conmutativo (V, +) y de una ley externa
que cumple las propiedades 1-4, se dice que (V, +) es un espacio vectorial
sobre el cuerpo de los reales, o simplemente que V es un espacio vectorial
real. La estructura de espacio vectorial se presenta con mucha frecuencia
en Fı́sica y Matemáticas. Por esta razón, los conceptos y propiedades que
se establecerán en este capı́tulo no se remitirán sólo a Rn sino a un espacio
vectorial V cualquiera.
Como es usual, a los números reales los representaremos mediante letras
griegas, y suelen denominarse escalares. A los elementos de V se les llama
vectores y se les representa por letras latinas; algunos autores les superponen
flechas, pero nosotros los escribiremos con negrita. Es también usual llamar
a los elementos de Rn puntos.
Denominaremos plano y espacio (cartesianos) a los espacios vectoriales
R2 y R3 , respectivamente.
4.1.4 Subespacios de R2 y R3
Los únicos subespacios propios de R2 son las rectas que pasan por el
origen (rectas vectoriales). En R3 son las rectas y planos que pasan por el
origen. Se invita al lector a que verifique geométricamente los axiomas de
espacio vectorial recordando cómo se efectúa en Fı́sica la suma de vectores de
igual dirección.
Si r es una recta del plano que no pasa por el origen (0, 0), entonces r no es subespacio
dado que el elemento nulo 0 = (0, 0) no pertenece a r.
4.1.7 Ejemplo
(a) La ecuación vectorial de la recta r del plano R2 que tiene vector director
v = (2, 1) es (x, y) = λ · (2, 1). Las ecuaciones paramétricas de r son
®
x = 2·λ
r≡
y = λ
x y
y la ecuación continua es r ≡ = , de la cual deducimos su ecuación
2 1
x
explı́cita y = .
2
El punto (vector) dado (6, 3) pertenece a r y tiene el sentido de v pues
6 3
(6, 3) = 3 · (2, 1), ó también porque = (= 3). Sin embargo (4, 3)
∈ r
2 1
pues no verifica la ecuación continua de r. (En efecto, 42
= 31 ).
(b) La ecuación vectorial de la recta s del espacio R3 que tiene vector direc-
tor v = (−2, 0, 1) es (x, y, z) = λ·(−2, 0, 1). Las ecuaciones paramétricas
de s son ⎧
⎪
⎨ x = −2 · λ
s≡ y = 0
⎪
⎩ z = λ
x y z
y la ecuación continua es s ≡ = = (que en este caso tiene
−2 0 1
sentido como reinterpretación de sus dos ecuaciones anteriores).
El punto (vector) (6, 0, −3) pertenece a s y tiene sentido contrario a
6
v pues (6, 0, −3) = −3 · (−2, 0, 1) (o también −2 = 00 = −3 1 = −3,
0
si obviamos el cociente 0 que carece de sentido). Como (6, 1, −3)
=
λ · (−2, 0, 1), cualquiera que sea λ ∈ R, se tiene que (6, 1, −3)
∈ s.
(c) Los vectores (1, 1, 1, 1), (−2, −2, −2, −2), (4, 4, 4, 4) están en una misma
recta de R4 , por ejemplo en la engendrada por b = (1, 1, 1, 1). Sin em-
bargo (1, 2, 2, 2) no pertenece a dicha recta pues, por ejemplo,
1 2 2 2
1
= 1 = 1 = 1 .
u
v u <u,v>
u
<u> v w
<u,v> <u,v,w>=R3
u v
3
2
1 1
1 2 1 2
4.1.10 Ejemplos
2 1 −3
(a) {(2, 1, −3), (4, 2, −6)} es un sistema ligado de R3 pues = = .
4 2 −6
Obsérvese que si llamamos u = (2, 1, −3) y v = (4, 2, −6) se tiene v = 2u o equiva-
lentemente 2u − v = 0.
2 1
(b) {(2, 1), (1, 3)} es un sistema libre de R2 pues
= .
1 3
(c) {(1, 2, 0, 0), (0, −1, 0, 1), (0, 1, 1, 1)} es un sistema libre de R4 pues la
única solución de α(1, 2, 0, 0) + β(0, −1, 0, 1) + γ(0, 1, 1, 1) = (0, 0, 0, 0)
es α = β = γ = 0.
4.1.11 Consecuencias
4.3.1 Lema
4.3.2 Nota
1 1 1 1 1
0 0 2 1 1
0 0 0 3 1
4.3.3 Ejemplo
El conjunto de vectores B = {(2, 3, 4, 1), (0, 3, 1, 0), (0, 0, 2, 1), (0, 0, 0, 3)}
es libre y, por la sección 4.2.2 es base de R4 .
Por el apartado (b) de las Consecuencias 4.1.11 también es libre cual-
quier subconjunto propio de B, pero no puede constituir base de R4 .
80 4. ESPACIOS VECTORIALES
4.3.5 Ejemplo
Nos preguntamos si el conjunto C = {e1 , e2 , e3 , e4 } es una base de R4 ,
donde e1 = (2, 4, −4, 2), e2 = (2, 5, 1, 0), e3 = (3, 8, −3, 2), e4 = (8, 22, 0, 2).
Para ello se realizan los siguientes pasos del proceso de Gauss:
1
e1 = 2 e1 = (1, 2, −2, 1) e1 = (1, 2, −2, 1)
e2 = (2, 5, 1, 0) e2 = e2 −2e1 = (0, 1, 5, −2)
e3 = (3, 8, −3, 2) e3 = e3 −3e1 = (0, 2, 3, −1)
e4 = (8, 22, 0, 2) e4 = e4 −8e1 = (0, 6, 16, −6)
e
4 = 2e3 − e4 = 2(e3 − 2e2 ) − (e4 − 6e2 )
G + H = v 1 , v 2 , . . . , v r , e1 , e2 , . . . , es .
4.3.7 Nota
Si dim(G + H) = dim G + dim H, entonces se dice que la suma es directa, y se
escribe G ⊕ H. Ello sucede si y sólo si G ∩ H = {0}.
4.3.8 Ejemplo
Sean los subespacios G y H de R4 dados por G = {(x, y, x, 0) : x, y ∈ R}
y H = {(0, 2y, 0, z) : y, z ∈ R}. Se tiene que G = {x(1, 0, 1, 0) + y(0, 1, 0, 0) :
x, y ∈ R} = (1, 0, 1, 0), (0, 1, 0, 0) y H = {y(0, 2, 0, 0) + z(0, 0, 0, 1) : y, z ∈
R} = (0, 2, 0, 0), (0, 0, 0, 1). Obviamente, dim G = dim H = 2.
Sabemos que G + H = (1, 0, 1, 0), (0, 1, 0, 0), (0, 2, 0, 0), (0, 0, 0, 1). Sin
necesidad de utilizar el proceso de Gauss se observa que dim(G + H) = 3. Ası́
pues, del resultado expuesto en la sección 4.3.6 se tiene 3 = 2+2−dim(G∩H)
y por tanto dim(G ∩ H) = 1.
82 4. ESPACIOS VECTORIALES
(iii)
R4.2 Aplica la definición para probar que B = {(−1, 1), (1, 3)} es un sistema libre
(linealmente independiente) en R2 (y por lo tanto es una base de R2 ).
Solución: Escribiremos la combinación lineal nula α · (−1, 1) + β · (1, 3) = (0, 0).
De ella se desprende
(−α, α) + (β, 3 β) = (0, 0), es decir, (−α, +β, α + 3 β) = (0, 0).
4.5. EJERCICIOS RESUELTOS 83
ß
−α + β = 0
Por tanto, , cuya única solución es α = 0, β = 0.
α +3β = 0
R4.3 Sea B = {e1 , e2 } una base de R2 , donde e1 = (−1, 1), e2 = (1, 3). Halla
las coordenadas del vector w = (5, 7) respecto la base B y respecto la base
canónica.
Solución: Hemos de escribir la combinación lineal, w = α · e1 + β · e2 para conocer
las coordenadas α y β de w respecto B. Se tiene (5, 7) = α · (−1, 1) + β · (1, 3). Por
tanto, (5, 7) = (−α, α) + (β, 3 β) = (−α + β, α + 3 β).
ß
5 = −α + β
Se tiene pues , cuya solución es α = −2 y β = 3.
7 = α +3β
Sin necesidad de hacer cálculos, las coordenadas de w respecto la base canónica son
5 y 7 (en efecto, (5, 7) = 5 · (1, 0) + 7 · (0, 1)).
R4.4 (Problema del cambio de base)
Se dispone de dos bases B y C del plano, R2 , donde B = {e1 , e2 } y
C = {v1 , v 2 }. Se sabe que v 1 = 2 · e1 − e2 y v 2 = e1 + 3 · e2 . Si un vector w
de R2 tiene por coordenadas (2, −3) respecto C, entonces ¿qué coordenadas
tiene w respecto B?
Solución: Del enunciado se desprende que w = 2 · v 1 − 3 · v 2 . Por tanto,
w = 2·v 1 −3·v 2 = 2·(2·e1 −e2 )−3·(e1 +3·e2 ) = 4·e1 −e2 −3·e1 −9·e2 = e1 −10·e2
Solución:
(iii) Como (1, 1, 1) no se encuentra en el plano que engendran (1, 0, 0) y (0, 1, 0) (es
decir (1, 1, 1) no es combinación lineal de ambos), entonces S7 es libre y, por lo
tanto, base de R3 .
S8 engendra también R3 pero necesariamente (1, 2, 3) es combinación lineal de
los restantes vectores. Es decir, S8 es ligado.
R4.6 Halla una base de cada uno de los siguientes subespacios vectoriales de R3 .
Encuentra una ecuación (o dos, según proceda) que defina dicho subespacio
(lo cual puede utilizarse para reescribir el subespacio):
Solución: (i) Cada vector del conjunto considerado se escribe de forma única como
(x, 0, 0) = x(1, 0, 0), por lo que {(1, 0, 0)} es una base de dicho subespacio.
Es fácil observar que todos los vectores del conjunto anterior tienen nulas la segunda
y tercera componentes, en cambio, la primera componente puede tomar cualquier
valor. En consecuencia, este conjunto puede escribirse de la forma {(x, y, z) ∈ R3 :
y = 0, z = 0}. Las ecuaciones que definen este subespacio son y = 0, z = 0.
Las respuestas a los demás apartados son análogas y las daremos de manera abre-
viada.
(ii) (0, y, 0) = y(0, 1, 0). Una base es {(0, 1, 0)}. Las ecuaciones que definen este
subespacio son x = 0, z = 0.
(iii) (x, y, 0) = x(1, 0, 0) + y(0, 1, 0). Una base es {(1, 0, 0), (0, 1, 0)}. Una ecuación
que lo define es z = 0.
(iv) (x, x, z) = x(1, 1, 0) + z(0, 0, 1). Una base es {(1, 1, 0), (0, 0, 1)}. Una ecuación
que lo define es x − y = 0 (o, x = y).
(v) (2y, y, 0) = y(2, 1, 0). Una base es {(2, 1, 0)}. Ecuaciones de este subespacio son
x = 2y (o, x − 2y = 0), z = 0.
(vi) (y + 2z, y, z) = y(1, 1, 0) + z(2, 0, 1). Una base es {(1, 1, 0), (2, 0, 1)}. Una
ecuación que lo define es x = y + 2z (o, x − y − 2z = 0).
R4.7 Determina si el conjunto dado por B = {e1 , e2 , e3 } es una base de R3 , donde
e1 = {(0, 2, 1)}, e2 = {(1, −1, 0)} y e3 = {(−2, 5, 1)}.
Solución: Aplicaremos el algoritmo de Gauss al sistema {e1 , e2 , e3 }, pero inter-
cambiando e1 por e2 por razones obvias.
e2 = 1 −1 0 e2 = 1 −1 0
e1 = 0 2 1 e1 = 0 2 1
e3 = −2 5 1 e3 = e3 + 2 · e2 = 0 3 1
e2 = 1 −1 0
e1 = 0 2 1
e3 = 2 · e3 − 3 · e1 = 0 0 −1
En consecuencia, B es base de R3 (no hacı́a falta el último paso dado que los vectores
e1 y e3 no eran proporcionales, y por tanto en el siguiente paso del algoritmo no podı́a
aparecer el vector nulo).
4.5. EJERCICIOS RESUELTOS 85
e1 = ( 1, 1, 1) e1 = ( 1, 1, 1)
e2 = ( 0, 1, 2) e2 = ( 0, 1, 2)
e3 = ( 1, a, 0) e3 = e3 − e1 = ( 0, a − 1, −1)
e1 = ( 1, 1, 1)
e2 = ( 0, 1, 2)
e3 = e3 − (a − 1)e2 = ( 0, 0, 1 − 2a)
Para que dim H = 2 debe suceder que e3 = 0 y, recı́procamente, si e3 = 0 entonces
dim H = 2. Ello equivale a que 1 − 2a = 0, es decir, a que a = 1/2. (A la misma
conclusión se llega si imponemos que los vectores e2 = (0, 1, 2) y e3 = (0, a − 1, 1)
1 2 1
sean proporcionales. En efecto, de = se llega a que a = ).
a−1 −1 2
R4.10 Sean G y H los subespacios de R4 determinados por G = (2, 4, −4, 2),
(2, 5, 1, 0) y H = (3, 8, −3, 2), (8, 22, 0, 2). Hallar una base de G ∩ H.
Solución: El Ejemplo 4.3.5 puso de manifiesto que dim(G + H) = 3. Ası́ pues,
como dim G = dim H = 2, por el resultado expuesto en la sección 4.3.6, deducimos
que dim(G ∩ H) = 1.
En el citado ejemplo se llegó a la ecuación e1 − 2e2 − 2e3 + e4 = 0, la cual indica
que un vector no nulo de G ∩ H es e1 − 2e2 = 2e3 − e4 dado que e1 − 2e2 ∈ G, y
2e3 − e4 ∈ H. Como e1 − 2e2 = (2, 4, −4, 2) − 2(2, 5, 1, 0) = (−2, −6, −6, 2), entonces
una base de G ∩ H es {(−1, −3, −3, 1)}.
R4.11 Sean G = (1, 0, 1), (1, 3, 2), (2, 3, 3), y H = {(x, x, z) : x, z ∈ R} dos subes-
pacios vectoriales de R3 . Hallar
(i) una base de G.
(ii) una base de G ∩ H.
Solución: (i) Nombremos e1 = (1, 0, 1), e2 = (1, 3, 2), e3 = (2, 3, 3). Aplicando
Gauss o por simple inspección se observa que e3 = e1 +e2 y que e1 , e2 son linealmente
independientes. Por tanto, se tiene que {e1 , e2 } es una base de G.
86 4. ESPACIOS VECTORIALES
(ii) Según el ejercicio R4.6 , una base de H está constituida por {v 1 , v 2 } donde
v 1 = (1, 1, 0), y v 2 = (0, 0, 1). Trataremos primero de conocer dim(G + H), para
determinar dim(G∩H), aplicando el proceso de Gauss (con pequeñas modificaciones)
al conjunto {e1 , e2 , v 1 , v 2 }.
e1 = 1 0 1 e1 = 1 0 1 e1 = 1 0 1
e2 = 1 3 2 e2 = e2 −e1 = 0 3 1 e2 = 0 3 1
v2 = 0 0 1 v2 = 0 0 1 v2 = 0 0 1
v1 = 1 1 0 v 1 = v 1 −e1 = 0 1 −1 v 1 = e2 −3v 1 = 0 0 4
Es innecesario proseguir dado que se observa que el sistema formado por los tres
primeros vectores es libre. Ası́ pues, dim(G + H) = 3 por lo que, según la sección
4.3.6, dim(G ∩ H) = 1, dado que dim G = dim H = 2.
Para obtener un vector no nulo de la intersección es innecesario recurrir a una
combinación lineal no trivial nula, pues observemos que v 1 = 4v 2 y, por tanto,
e2 − 3v 1 = 4v 2 , es decir, e2 − e1 − 3(v 1 − e1 ) = 4v 2 . De aquı́ se deduce que
2e1 + e2 = 3v 1 + 4v 2 ∈ G ∩ H puesto que los vectores de la izquierda de la igualdad
son de G y los de la derecha de H.
Ası́ pues, 2e1 + e2 = 2(1, 0, 1) + (1, 3, 2) = (3, 3, 4) es un vector de la intersección no
nulo y, en consecuencia, {(3, 3, 4)} es una base de G ∩ H.
87
Capı́tulo 5
MATRICES
Ö è
a11 ··· a1n
A= .. ..
. .
am1 · · · amn
5.1.2 Ejemplos
Ç å
1 3 2
(a) A = es una matriz de dimensión 2×3.
0 1 2
Ç å
2 i
(b) B = es una matriz cuadrada de orden 2 con coeficientes en
1 1
el cuerpo de los complejos.
5.1.5 Ejemplos
Ç å Ç å Ç å
1 3 −5 0 1 1 1 4 −4
(a) + =
2 4 0 −1 0 1 1 4 1
Ç å Ç å
1 3 −2 −2 −6 4
(b) −2· =
0 1 1 0 −2 −2
5.1.7 Ejemplo
® Ç å Ç å Ç å
1 0 0 1 0 0
El conjunto U11 = , U12 = , U21 = ,
0 0 0 0 1 0
Ç å´
0 0
U22 = es una base de M2×2 .
0 1
90 5. MATRICES
5.2.2 Ejemplo
Ö è
Ç å1 1 3 −1 Ç å
3 1 4 11 9 26 −2
· 0 2 1 1 =
1 3 −2 −3 5 −2 2
2 1 4 0
Se detalla, a modo de ejemplo, el cálculo del elemento obtenido en la
posición (2, 3): c23 = a21 b13 + a22 b23 + a23 b33 = 1 · 3 + 3·1 − 2·4 = −2.
5.3. TIPOS ESPECIALES DE MATRICES 91
Ç åÇ å Ç å
a11 a12 x y 1 0
=
a21 a22 z t 0 1
92 5. MATRICES
5.3.2 Ejemplos
Ç å Ç1 å
2 0 0 1
(a) Si A = = 2I es obvio que A−1 = 2
1 = I, puesto que
0 2 0 2 2
1
2I · I = I.
2
Ç å
1 1
(b) La matriz C = no posee inversa pues la ecuación matricial
2 2
Ç åÇ å Ç å
1 1 x y 1 0
=
2 2 z t 0 1
5.3.4 Ejemplo
Las matrices siguientes A, B y C son triangular superior, triangular inferior
y diagonal, respectivamente.
á ë á ë á ë
2 1 1 −1 1 0 0 0 1 0 0 0
0 1 2 1 1 −2 0 0 0 2 0 0
A= , B= , C= .
0 0 3 1 1 3 1 0 0 0 0 0
0 0 0 0 0 2 1 1 0 0 0 3
5.3.6 Ejemplos
Ö è
1 2 Ç å
1 0 5
(a) La transpuesta de A = 0 3 es At = .
2 3 4
5 4
(b) Las siguientes matrices A y B son simétrica y antisimétrica, respectiva-
mente: Ö è Ö è
1 2 3 0 1 2
A= 2 0 4 , B= −1 0 −3 .
3 4 1 −2 3 0
Ö è Ö è
5 0 0 5 1 0
(c) La matriz C = 1 0 0 es triangular inferior y C t = 0 0 2
0 2 2 0 0 2
es triangular superior.
5.3.7 Nota
Los conjuntos S y T de todas las matrices simétricas y antisimétricas, respectiva-
mente, de orden n son subespacios vectoriales de Mn . Se verifica que M = S ⊕ T , o
dicho de otra forma, toda matriz cuadrada A se puede descomponer como suma de una
matriz simétrica y otra antisimétrica, de manera única. Esta descomposición es de la forma
A = 21 (A + At ) + 12 (A − At ).
94 5. MATRICES
Demostración: (a), (b) y (c) son obvios. Veamos (d): Sean Am×n = (aij ), Bn×r = (bjk ), y
AB = (cik ). Si (AB)t = (eik ) entonces eik = cki = ak1 b1i + · · · + akn bni , y si B t At = (dik )
entonces dik = b1i ak1 + · · · + bni akn = eik .
5.4.2 Teorema
rang A = rang At .
5.4.3 Ejemplo
Ö è
1 2 −2 1
2 5 1 0
En el Ejemplo 4.3.5 se ha comprobado que A = 3 8 −3 2
tiene
8 22 0 2
rango 3 mediante el método de Gauss. El lector puede verificar con el mismo
método que el rango de At coincide con el rango de A.
5.5. MATRICES ELEMENTALES 95
5.5.2 Ejemplos
En los siguientes ejemplos la matriz de la derecha del producto se trans-
forma en la del segundo miembro de la igualdad, después de sufrir una modi-
ficación de sus filas que se explica abajo, tras ser multiplicada por una matriz
elemental (que aparece en negrita) y que denotamos después en negrita.
á ë á ë á ë
0 0 0 1 1 2 1 4 4 0
0 1 0 0 3 1 1 3 1 1
(a) · =
0 0 1 0 0 1 2 0 1 2
1 0 0 0 4 4 0 1 2 1
Se han intercambiado las filas primera y cuarta al multiplicar por E1,4 .
Ç å Ç å Ç å
−2 0 2 1 −1 4 −4 −2 2 −8
(b) · =
0 1 0 1 0 2 0 1 0 2
La primera fila se ha multiplicado por −2 al multiplicar por E1 (−2).
Ö è Ö è Ö è
1 0 0 1 1 1 2 1 1 1 2
(c) 0 1 0 · 0 1 0 0 = 0 1 0 0
2 0 1 1 0 2 1 3 2 4 5
A la tercera fila se le ha sumado el doble de la primera al multiplicar
por E3,1 (2).
Las matrices elementales son modificaciones de la matriz identidad, como sigue. Eij ,
la matriz cuyo objetivo es intercambiar la fila i-ésima y j-ésima, tiene 0 en las posiciones
(i, i), (j, j) y 1 en la posiciones (i, j), (j, i). Ei (α), que reemplaza Ai por α Ai , tiene α en
96 5. MATRICES
la posición (i, i). Eij (α), la que reemplaza Ai por Ai + α Aj , tiene α en la posición (i, j).
Por su propia estructura es fácil concluir que estas matrices son inversibles y sus inversas
son matrices elementales del mismo tipo.
5.5.4 Ejemplo
Ö è
1 0 0
Tratemos de hallar por el método descrito la inversa de A = 0 2 2 .
3 1 2
Escribiremos la matriz I al lado de la matriz A y ejecutaremos las mismas
operaciones elementales sobre ambas matrices transformando paso a paso la
matriz A hasta obtener la matriz I. De esta forma, la matriz I se transformará
al final en A−1 según el punto anterior.
e1 = (1 0 0 1 0 0) e1 = (1 0 0 1 0 0)
e2 = (0 2 2 0 1 0) e2 = (0 2 2 0 1 0)
e3 = (3 1 2 0 0 1)
e3 = e3 −3e1 = (0 1 2 −3 0 1)
e1 = (1 0 0 1 0 0) e1 = (1 0 0 1 0 0)
e2 = (0 2 2 0 1 0) e2 = e2 −2e3 = (0 2 0 6 2 −2)
e3 = e3 −2 e2 = (0 0 1 −3 −1
1
2 1) e3 = (0 0 1 −3 −1
2 1)
e1 = (1 0 0 1 0 0)
1
e2 = 2 e2 = (0 1 0 3 1 −1)
−1
e3 = (0 0 1 −3 2 1)
Ö è
1 0 0
Por tanto, A−1 = 3 1 −1 .
−1
−3 2 1
5.5. MATRICES ELEMENTALES 97
5.5.5 Teorema
Si A y B son matrices cuadradas y AB = I, entonces BA = I (es decir,
A es la inversa de B).
5.5.7 Ejemplo
Consideremos las matrices triangulares siguientes
Ö è Ö è Ö è
3 2 7 2 0 0 2 0 0
1
A= 0 0 4 , B= 1 −3 0 , C= 0 5 0 .
1
0 0 2 2 0 6 0 0 −3
5.5.8 Descomposición LU
Con alguna pequeña restricción y ligera modificación que ilustramos
en el Ejemplo 5.5.9 y de forma similar a la sección 5.5.3 se puede obtener
el siguiente resultado que es de interés para resolver sistemas de ecuaciones
lineales.
Si A es una matriz inversible admite, al menos, una reordenación de
sus filas de modo que la nueva matriz B obtenida puede descomponerse en
98 5. MATRICES
5.5.9 Ejemplo
Ö è
1 1 2
Vamos a efectuar la descomposición LU de la matriz A = 2 1 1 .
0 1 1
Para ello, efectuamos operaciones elementales sobre A hasta obtener U ,
y repetimos las mismas sobre I, como sigue:
e1 = (1 1 2 1 0 0) e1 = (1 1 2 1 0 0)
e2 = (2 1 1 0 1 0) e2 = e2 − 2 e1 = (0 −1 −3 −2 1 0)
e3 = (0 1 1 0 0 1) e3 = (0 1 1 0 0 1)
e1 = (1 1 2 1 0 0)
e2 = (0 −1 −3 −2 1 0)
e3 = e3 + e2 = (0 0 −2 −2 1 1)
Según la prueba de la sección 5.5.8, las dos matrices últimas son U y L−1 .
Por tanto Ö è−1 Ö è
1 0 0 1 0 0
L= −2 1 0 = 2 1 0
−2 1 1 0 −1 1
Ası́ pues Ö è Ö è
1 0 0 1 1 2
A= 2 1 0 · 0 −1 −3
0 −1 1 0 0 −2
Dada una matriz A podemos obtener, mediante operaciones elementales sobre A, una
matriz escalonada cuyos elementos distinguidos son unos que recibe el nombre de forma
escalonada de A. Más todavı́a, se puede demostrar que toda matriz tiene una forma
(escalonada) reducida, que es única.
Se denomina descomposición LS de la matriz A a una factorización A = L · S
donde L es una matriz inversible triangular inferior y S es una matriz escalonada cuyos
elementos distinguidos son unos. En el caso de que la forma escalonada S de A se obtenga
sin intercambio de filas (i.e. sin usar la primera operación elemental), dicha descomposición
es siempre posible y L = (Es , Es−1 , . . . , E1 )−1 siendo E1 , . . . , Es las matrices elementales,
del tipo (b) o (c), que en ese orden actúan sobre A para obtener S. De ello se desprende el
método para obtener la descomposición LS como ilustra el Ejemplo 5.5.11.
Una matriz A puede no admitir descomposición LS, y en el caso de que tenga puede
que no sea única. No obstante si A es de dimensión m × n y su forma escalonada puede
obtenerse sin intercambio de filas, entonces A tiene una única factorización A = L · S si y
solamente si rang A = m.
5.5.11 Ejemplo
Ö è Ö è
3 0 2 5 0 1 0 6 0 0
0 0 1 2 4 0 1 6 0 4
(a) Matriz escalonada: . Matriz reducida: .
0 0 0 3 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0
1 1 −1 1 4
(b) Dada la matriz A = 2 −1 3 2 −1 , vamos a hallar una descomposición
−4 5 −11 4 11
LS. Para ello obtendremos la forma escalonada S de A transformando A en las siguientes
matrices sucesivamente
Ñ é
e1 = 1 1 −1 1 4 1 0 0
e2 = 2 −1 3 2 −1 0 1 0 ,
e3 = −4 5 −11 −4 11 0 0 1
Ñ é
e1 = 1 1 −1 1 4 1 0 0
e2 = e2 − 2e1 = 0 −3 5 0 −9 −2 1 0 ,
e3 = −4 5 −11 −4 11 0 0 1
Ñ é
e1 = 1 1 −1 1 4 1 0 0
e2 = 0 −3 5 0 −9 −2 1 0 ,
e3 = e3 + 4e1 = 0 9 −15 0 27 4 0 1
Ñ é
e1 = 1 1 −1 1 4 1 0 0
e2 = 0 −3 5 0 −9 −2 1 0 ,
e3 = e3 + 3e2 = 0 0 0 0 0 −2 3 1
Ñ é
e1 = 1 1 −1 1 4 1 0 0
e2 = − 31 e2 = 0 1 − 53 0 3 2
3 − 31 0 .
e3 = 0 0 0 0 0 −2 3 1
100 5. MATRICES
5.6.2 Ejemplo
á ë
0 1 0 0
0 0 0 1
Sea A la matriz A = . Vamos a descomponerla por
0 0 0 1
0 0 0 0
bloques y verificar que A4 = 0 (i.e., A esnilpotente).
Ç å Ç å Ç å
0 1 0 0 0 0
Llamemos X = ,Y = ,0= . De este modo la
0 0 0 1 0 0
Ç å
X Y
matriz A se puede escribir por bloques como A = y se tiene que
0 X
Ç åÇ å Ç å
X Y X Y X 2 XY + Y X
A2 = AA = =
0 á
X 0 X ë 0 X2
Ç å 0 0 1 0
0 I 0 0 0 1
= =
0 0 0 0 0 0
0 0 0 0
102 5. MATRICES
Ç åÇ å Ç åÇ å
0 1 0 0 0 0 0 1
puesto que X2 = 0 y XY + Y X = + =
0 0 0 1 0 1 0 0
Ç å
1 0
= I. En consecuencia,
0 1
á ë
Ç åÇ å Ç å 0 0 0 0
0 I 0 I 0 0 0 0 0 0
A4 = A2 A2 = = =
0 0 0 0 0 0 0 0 0 0
0 0 0 0
Å ã
2 1
(ii) De la segunda ecuación se tiene X = 2Y − . Sustituyendo en la
4 1
primera: Å Å ãã Å ã
2 1 1 −1
2 2Y − − 5Y =
4 1 2 1
Por tanto: Å ã Å ã
4 2 1 −1
−Y − =
8 2 2 1
Å ã
−5 −1
y ası́ Y = . Finalmente:
−10 −3
Å ã Å ã Å ã
−5 −1 2 1 −12 −3
X=2 − =
−10 −3 4 1 −24 −7
.
Å ã
0 −1
R5.5 (i) Hállese la inversa de M = .
1 0
Å ã
0 −2i
(ii) Hállese la inversa de A = utilizando el apartado anterior.
2i 0
Solución:
(i) A · B
(ii) At · B t
Solución:
2
(i) A · B = (−1 2 0) · 3 = −2 + 6 + 0 = 4.
4
−1 −2 −3 −4
(ii) A · B =
t t
2 · (2 3 4) = 4 6 8 .
0 0 0 0
Å ã
0 1
R5.9 Probar que la matriz regular A = no admite descomposición LU .
1 1
Solución:
Å ã Å Si ã
pudiese
Å descomponerse A en un producto LU serı́a de la forma
ã
0 1 1 0 b c
= , lo que obliga a que se satisfaga el sistema
1 1 a 1 0 d
⎧
⎪
⎨
0=b
1=c
⎪
⎩ 1 = ab
1 = ac + d
Ü ê
1 2 0 1
0 1 0 3
R5.10 Obtener la factorización LU de la matriz A = .
0 1 −1 4
2 4 0 3
Solución: El siguiente método para obtener la descomposición LU de una matriz es
válido si durante el proceso no se obtienen ceros en la diagonal (ver final sección 5.5.8).
El método consiste en aplicar el proceso de Gauss mediante matrices elementales del
tipo Eij (α), hasta obtener una matriz U triangular superior. Con un sencillo cálculo
se desprende la descomposición LU como vemos a continuación
e1 = (1 2 0 1 1 0 0 0) e1 = (1 2 0 1 1 0 0 0)
e2 = (0 1 0 3 0 1 0 0) e2 = (0 1 0 3 0 1 0 0)
e3 = (0 1 −1 4 0 0 1 0) e3 = (0 1 −1 4 0 0 1 0)
e4 = (2 4 0 3 0 0 0 1) e4 = e4 − 2e1 = (0 0 0 1 −2 0 0 1)
e1 = (1 2 0 1 1 0 0 0)
e2 = (0 1 0 3 0 1 0 0)
e3 = e3 − e2 = (0 0 −1 1 0 −1 1 0)
e4 = (0 0 0 1 −2 0 0 1)
Del método se deduce que hemos obtenido
Ö è Ö è
1 2 0 1 1 0 0 0
0 1 0 3 0 1 0 0
U= , L−1 = .
0 0 −1 1 0 −1 1 0
0 0 0 1 −2 0 0 1
Ö è
1 0 0 0
0 1 0 0
El lector obtendrá L = , y por tanto
0 1 1 0
2 0 0 1
Ö è Ö è
1 0 0 0 1 2 0 1
0 1 0 0 0 1 0 3
A= · .
0 1 1 0 0 0 −1 1
2 0 0 1 0 0 0 1
Capı́tulo 6
APLICACIONES LINEALES
Vamos a ver que matriz y aplicación lineal son, en cierta manera, dos
formas distintas de describir un mismo concepto. Probaremos además que las
aplicaciones lineales biyectivas (isomorfismos) se corresponden con las matri-
ces inversibles que, como mostraremos en el próximo capı́tulo, tienen deter-
minante no nulo. Un aspecto interesante de los isomorfismos es que permiten
identificar espacios vectoriales de igual dimensión.
Añadamos que el presente capı́tulo, con ayuda de los determinantes,
será de importancia primordial en nuestro tratamiento de los sistemas de
ecuaciones lineales y de la diagonalización de endomorfismos.
En lo que sigue, (V, +) y (V , +) son espacios vectoriales sobre el mismo
cuerpo (K, +, ·) que, como en el resto del texto, supondremos el cuerpo de los
reales aunque los resultados que se dan también son válidos para otros cuer-
pos. A los vectores nulos de ambos espacios, les denotaremos indistintamente
por 0.
o, equivalentemente,
110 6. APLICACIONES LINEALES
6.1.2 Propiedades
(a) f (α1 x1 + · · · + αn xn ) = α1 f (x1 ) + · · · + αn f (xn ), αi ∈ K, xi ∈ V .
(b) f (0) = 0
6.1.3 Ejemplos
Es inmediato que la aplicación identidad I : V → V definida por
I(x) = x para x ∈ V , y la aplicación nula 0 : V → V definida por
0 (x) = 0 para x ∈ V , son lineales.
Las funciones circulares no son lineales. Por ejemplo, la función circular
sen : R → R no verifica, en general, sen(x + y) = sen x + sen y.
Diremos que una aplicación lineal f : Rn → Rm está dada de manera
explı́cita si la expresión de f (x) muestra el valor de las m componentes del
vector imagen referidas a las n componentes de x.
6.1.4 Ejemplo
Sea la aplicación f : R3 → R2 dada de manera explı́cita por f (x, y, z) =
(2x, y − z). Veamos que es lineal. En primer lugar probaremos que se
cumple L1: Sean x = (x1 , x2 , x3 ) e y = (y1 , y2 , y3 ) vectores de R3 . Entonces
f (x + y) = f (x1 + y1 , x2 + y2 , x3 + y3 ) = (2(x1 + y1 ), (x2 + y2 ) − (x3 + y3 )).
Por otra parte, f (x)+f (y) = (2x1 , x2 − x3 ) + (2y1 , y2 − y3 ) = (2x1 +
2y1 , x2 − x3 + y2 − y3 ) de donde es fácil observar que f (x + y) = f (x) + f (y).
Veamos ahora que se cumple L2: Sea α ∈ R, se tiene que
f (αx) = f (αx1 , αx2 , αx3 ) = (2αx1 , αx2 − αx3 ) = α(2x1 , x2 − x3 ) = αf (x).
6.1.5 Núcleo
Se denomina núcleo (“kernel”) de la aplicación lineal f al conjunto
Ker f = {v ∈ V : f (v) = 0}
6.1. APLICACIONES LINEALES 111
6.1.7 Nota
Es fácil observar que f es suprayectiva si y sólo si dim Im f = dim V .
Ello es debido a que como Im f ⊂ V , entonces Im f = V si y sólo si sus
dimensiones coinciden.
6.1.8 Ejemplo
Consideremos la aplicación f del Ejemplo 6.1.4 y hallemos el núcleo de
f . Se tiene que
¶ ©
Ker f = (x, y, z) ∈ R3 : f (x, y, z) = (0, 0)
Por tanto, se ha de verificar que (2x, y − z) = (0, 0) lo que conduce al sistema
®
2x = 0
de solución x = 0, y = z. Ası́ pues,
y−z =0
Ker f = {(0, z, z) : z ∈ R} ≡ z(0, 1, 1) = (0, 1, 1)
con lo que dim Ker f = 1. Según el Teorema 6.1.6, f no es inyectiva.
Hallemos ahora las antiimágenes del punto (2, 3). Se tiene que
¶ ©
f −1 (2, 3) = (x, y, z) ∈ R3 : f (x, y, z) = (2, 3)
Ha de verificarse, pues, que (2x, y − z) = (2, 3) lo que conduce al sistema
®
2x = 2
de solución x = 1, y = 3 + z. Ası́ pues,
y−z =3
f −1 (2, 3) = {(1, 3 + z, z) : z ∈ R} ≡ (1, 3, 0) + (0, z, z) ≡ (1, 3, 0) + Ker f
6.1.9 Proposición
Sea f (x) = y. Entonces, f −1 (y) = x + Ker f .
La siguiente proposición tiene una prueba inmediata.
6.1.10 Proposición
Si {e1 , . . . , en } es un sistema generador de V entonces {f (e1 ), . . . ,
f (en )} es un sistema generador de Im f .
Demostración. Podemos suponer (lo que no implica restricción alguna) que {e1 , . . . ,
er } es una base de Ker f , y que {e1 , . . . , er , . . . , en } es una base de V . Teniendo en cuenta
la proposición anterior, resulta sencillo demostrar que {f (er+1 ), . . . , f (en )} es una base de
Im f de donde se concluye el teorema.
lo que nos dice, si tenemos en cuenta (6.1), que f viene totalmente definida a
través del conocimiento de f (e1 ), . . . , f (en ).
El sistema (6.2) es equivalente a la siguiente ecuación matricial de f
Ö èÖ è Ö è
α11 ··· αn1 μ1 μ1
.. .. .. = .. (6.3)
. . . .
α1m · · · αnm μn μm
que abreviamos de la forma
A · μ = μ
donde la matriz A = (αij ) de dimensión m×n es la matriz asociada (única)
a la aplicación lineal f respecto las bases B y B . Sus columnas ordenadas,
según (6.3) y (6.1), están formadas por las coordenadas de f (e1 ), . . . , f (en )
referidas a la base B , mientras que μ y μ son dos vectores columnas consti-
tuidos por las coordenadas de x e y referidas a sus bases B y B , respectiva-
mente.
Supongamos en particular que f : Rn → Rm y que B y B son las bases
canónicas. Entonces, si x = (x1 , . . . , xn ) e y = (y1 , . . . , ym ) el sistema (6.2)
adquiere la forma
⎧
⎪
⎪ α11 x1 + · · · + αn1 xn = y1
⎨
.. (6.4)
⎪ .
⎪
⎩ α x + ··· + α x
1m 1 nm n = ym
y la expresión matricial (6.3) adquiere la forma
Ö èÖ è Ö è
α11 ··· αn1 x1 y1
.. .. .. = .. (6.5)
. . . .
α1m · · · αnm xn ym
que, abreviadamente, representaremos por
A x = y.
Esta última expresión, incluso en el caso de que las bases elegidas no sean las
canónicas, se usa simbólicamente de forma equivalente a f (x) = y.
Nota: La definición explı́cita de f y las expresiones (6.4) y (6.5) son
equivalentes. Por simple inspección de una de ellas se reconocen las restantes
(véase el Ejemplo 6.2.2).
114 6. APLICACIONES LINEALES
6.2.2 Ejemplo
Denotemos f (x1 , x2 , x3 ) = (2x1 , x2 −x3) la aplicación lineal del Ejemplo
6.1.4. Si escribimos f (x1 , x2 , x3 ) = (y1 , y2 ) entonces las ecuaciones paramé-
tricas respecto a las bases canónicas son
®
2x1 = y1
x2 − x3 = y 2
y la ecuación matricial es
Ö è
Ç å x1 Ç å
2 0 0 y1
x2 = .
0 1 −1 y2
x3
6.2.4 Ejemplo
Consideremos la aplicación lineal f del Ejemplo 6.1.4. Sean B = {e1 ,
e2 , e3 } y B = {e1 , e2 } bases de R3 y R2 , respectivamente, donde se tiene que
e1 = ( 21 , 0, 0), e2 = (0, −1, 0), e3 = (0, 0, 2), e1 = (−1, 0), e2 = (1, −1).
Para conocer las columnas de la matriz A asociada a f respecto a dichas
bases, hallaremos las coordenadas de f (ei ) respecto a la base B como sigue:
(Obsérvese que las expresiones de f (ei ) respecto B son inmediatas.
Cuando no lo son se recurre a la resolución de una ecuación vectorial. Como
ejemplo, en el último caso se escribirı́a (0, −2) = α31 e1 +α32 e2 lo que conduce
a (0, −2) = α31®(−1, 0) + α32 (1, −1) = (−α31 + α32 , −α32 ). Por tanto ha de
0 = −α31 + α32
verificarse que de solución α31 = 2 y α32 = 2).
−2 = −α31
6.2. MATRICES Y APLICACIONES LINEALES 115
Ç å
−1 1 2
Ası́ pues, A = .
0 1 2
En consecuencia, la ecuación matricial de f es
Ö è
Ç å μ1 Ç å
−1 1 2 μ1
μ2 = (6.6)
0 1 2 μ2
μ3
6.2.7 Nota
6.2.8 Proposición
6.3.1 Proposición
6.3.2 Nota
6.3.3 Proposición
6.3.5 Ejemplo
6.3.6 Proposición
6.3.7 Teorema
(i) f es biyectiva.
(ii) A es inversible.
(iii) rang A = n.
6.3.8 Corolario
Sean A y B matrices cuadradas de dimensión n. Entonces rang(AB) = n si y sólo
si rang A = rang B = n.
x = α1 e1 + · · · + αn en
(6.8)
x = β1 v 1 + · · · + βn v n
Supongamos conocidas las coordenadas de los vectores de la nueva base
B referidas a la antigua B:
⎧
⎪
⎨ v1 =
⎪ p11 e1 + · · · + p1n en
.. (6.9)
⎪ .
⎪
⎩ v = p e + ··· + p e
n n1 1 nn n
α = Pβ (6.11)
6.4.2 Ejemplo
Sean las bases B = {e1 , e2 } y B = {v 1 , v 2 } de R2 , donde
e1 = (1, 1), e2 = (1, 2), v1 = (3, 4), v2 = (2, 5). Para obtener la matriz
de paso P de B a B resolveremos las ecuaciones vectoriales
v 1 = 2e1 + e2
v 2 = −e1 + 3e2
Ası́ pues Ç å
2 −1
P =
1 3
3
e1 = 7 v1 − 17 v 2
1
e2 = 7 v1 + 27 v 2
D = P −1 AP. (6.13)
6.4.4 Nota
La ecuación (6.12) es equivalente a
A = QDP −1 (6.14)
A = P DP −1 . (6.15)
Solución:
Una base de Ker(f ) es {(1, −1, 0)}. Como dim Ker(f ) = 1, entonces del Teo-
rema de la dimensión se tiene: 3 = 1 + dim Im(f ), es decir dim Im(f ) = 2.
(ii) Si {u1 , u2 , u3 } es base canónica de R3 , entonces Im(f ) = f (u1 ), f (u2 ), f (u3 ).
Se tiene
f (u1 ) = f (1, 0, 0) = (1, 0, 0)
f (u2 ) = f (0, 1, 0) = (1, 0, 0)
f (u3 ) = f (0, 0, 1) = (0, 0, 1)
Ası́ pues, Im(f ) = (1, 0, 0), (0, 0, 1). Una base de Im(f ) es {(1, 0, 0), (0, 0, 1)}.
(iii) Como Ker(f ) = {0}, entonces f no es inyectiva. Como dim Im(f ) = 2 < 3
(= dim R3 ), entonces f no es suprayectiva.
R6.4 (i) Halla la matriz A de la aplicación lineal del Ejercicio R6.3 (f (x, y, z) =
(x + y, 0, z)) respecto de la base canónica
(ii) Hállese la ecuación matricial y las ecuaciones paramétricas.
6.6. EJERCICIOS RESUELTOS 125
R6.5 (i) Hállese la matriz D de la aplicación lineal, f , del Ejercicio R6.3, respecto
de la base B = {e1 , e2 , e3 } en ambos espacios, siendo e1 = (1, 0, 0),
e2 = (1, 1, 1) , e3 = (0, 0, −1).
(ii) Hállense las ecuaciones maricial y paramétrica de f .
(iii) Utilı́cese (ii) para hallar f (2, 1, −3)
Solución:
(ii) Se tiene
f (e1 ) = f (1, 0, 0) = e1 ,
f (e2 ) = f (1, 1, 1) = (2, 0, 1) = 2 e1 − e3 ,
f (e3 ) = f (0, 0, −1) = e3 .
1 2 0
Ası́ pues D = 0 0 0 .
0 −1 1
(ii) La ecuación matricial de f es:
1 2 0 λ1 μ1
0 0 0 · λ2 = μ2 .
0 −1 1 λ3 μ3
Las ecuaciones paramétricas son:
λ1 +2 λ2 = μ1
0 = μ2
−λ2 +λ3 = μ3
(iii) Como (2, 1, −3) = e1 + e2 + 4e3 , entonces usando la expresión matricial obte-
nemos su imagen
1 2 0 1 3
0 0 0 · 1 = 0 .
0 −1 1 4 0
Ası́ que f (e1 + e − 2 + 4e3 ) = 3e1 + 3e3 .
(Obsérvese que 3e1 + 3e3 = 3 (1, 0, 0) + 3 (0, 0, −1) = (3, 0, −3) que coincide
con el Ejercicio R6.4 (iii).
126 6. APLICACIONES LINEALES
R6.6 Hállese la matriz D de la aplicación lineal f del Ejercicio R6.5 usando la matriz
A del Ejercicio R7.4 y la matriz de paso P de la base canónica a B .
Solución: De e1 = (1, 0, 0), e2 = (1, 1, 1) y e3 = (0, 0, −1), deducimos la matriz
de paso P de la base canónica a B :
1 1 0
P = 0 1 0
0 1 −1
1 −1 0
Sabemos que D = P −1 · A · P . Como P −1 = 0 1 0 , entonces
0 −1 −1
1 −1 0 1 1 0 1 1 0 1 2 0
D= 0 1 0 · 0 0 0 · 0 1 0 = 0 0 0 .
0 −1 −1 0 0 1 0 1 −1 0 −1 1
R3 → R2 una
R6.7 Sea f : Å ã aplicación lineal cuya matriz respecto a la base canónica
1 1 0
es A = . Hállese la matriz D de f respecto a la base canónica de
0 2 2
R3 y a la base C = {e1 , e2 } de R2 , donde e1 = (1, 2) y e2 = (3, 5).
Solución: De e1 = (1, 2) Åy e2 = (3,
ã 5) deducimos que la matriz de paso, Q, de la
1 3
base canónica a C es Q = . La matriz de paso P de la base canónica de
2 5
R3 a la base canónica
Å
3
de Rã es I. Ası́ pues D = Q−1 · A · P = Q−1 · A · I = Q−1 · A .
−1 −5 3
Como Q = , entonces
2 −1
Å ã Å ã Å ã
−5 3 1 1 0 −5 1 6
D= · =
2 −1 0 2 2 2 0 −2
R6.9 Sea f : R3 → R2 una aplicación lineal cuya matriz A respecto a las bases
B = {e1 , e2 , e3 } y C = {v 1 , v 2 } es
Å ã
2 0 −1
A= ,
−1 1 0
siendo e1 = (1, 0, 0), e2 = (0, 1, 1), e3 = (0, 0, −1), v 1 = (1, 1) y v 2 = (0, 1).
(i)
u1 = (1, 0, 0) = e1 ,
u2 = (0, 1, 0) = e2 + e3 ,
u3 = (0, 0, 1) = −e3 .
1 0 0
Por tanto P = 0 1 0 .
0 1 −1
Por otra parte,
u1 = (1, 0) = v 1 − v 2 ,
u2 = (0, 1) = v 2 .
Å ã
1 0
Por tanto Q = .
−1 1
Å ã
−1 −1 1 0
(ii) Sabemos que D = Q · A · Q. Como Q = , entonces
1 1
Å ã Å ã 1 0 0
Å ã
1 0 2 0 −1 2 −1 1
D= · · 0 1 0 = .
1 1 −1 1 0 1 0 1
0 1 −1
Capı́tulo 7
DETERMINANTES
7.1.4 Ejemplos
1 2 1
(a) Para hallar 5 2 1 usamos el diagrama anterior que resulta
1 2 4
1 2 1
5 2 1 = 1 · 2 · 4 + 2 · 1 · 1 + 1 · 5 · 2 − 1 · 2 · 1 − 2 · 1 · 1 − 4 · 5 · 2 = −24
1 2 4
132 7. DETERMINANTES
−i −1
(b) = (−i) · i − (−1) · 1 = −i2 + 1 = 2
1 i
En efecto, cada sumando del determinante del último miembro según (7.1) se con-
vierte en una suma de dos sumandos que son precisamente los “correspondientes” de
|A| y |B|, respectivamente.
7.1.6 Ejemplos
Por las propiedades (a), (e) y (f) se tiene
0 1 1 −3
0 2
= 0, = 0, =0
1 2 1 2 −2 6
134 7. DETERMINANTES
−i −1 −i −1 1
i
= (−3) = (−3) · 2 = −6, = −2.
−3 −3i 1 i −i −1
1 2 1 1 2 4
− 5 2 1 = 5 2 1 = 24
1 2 4 1 2 1
1 2 1 1 2 1 1 2 1
3 1 0 + 2 1 1 = 5 2 1 = −24
1 2 4 1 2 4 1 2 4
1 5 1
2 2 2 = −24
1 1 4
à í
+ − + − ···
− + − + ···
+ − + − ···
.. .. .. . . . .
. . . . .
7.2. DESARROLLO DE UN DETERMINANTE 135
7.2.2 Ejemplo
Ö è
1 0 0
A = (aij ) = 3 2 0 . Entonces los coeficientes Aij de la
−1 2 −3
matriz de adjuntos (Aij ) de A son:
2 0 3 0 3 2
A11 = = −6, A12 = − = 9, A13 = = 8,
2 −3 −1 −3 −1 2
0 0 1 0 1 0
A21 = − = 0, A22 = = −3, A23 = − = −2,
2 −3 −1 −3 −1 2
0 0 1 0 1 0
A31 = = 0, A32 = − = 0, A33 = = 2.
2 0 3 0 3 2
Ö è
−6 9 8
Por tanto, Aij = 0 −3 −2 .
0 0 2
Ö è
−6 0 0
Ası́, (Aij )t = Aji = 9 −3 0 .
8 −2 2
El lector verificará que (Aij )t es la matriz de adjuntos de At .
Omitiremos la prueba de la siguiente proposición.
7.2.3 Proposición
a11 a12 ··· a1n−1 a1n
.. .. .. ..
. . . .
+ · · · + 0 0 ··· 0 akn
.. .. .. ..
. . . .
an1 an2 ··· ann−1 ann
en donde los determinantes del segundo miembro coinciden con |A| salvo en la fila k-ésima
en la que los elementos de ak1 , . . . , akn son ceros en los respectivos determinantes.
Entonces, por la Proposición 7.2.3 se tiene: |A| = ak1 · Ak1 + ak2 ·Ak2 + · · · + akn ·Akn ,
expresión que se conoce como desarrollo de un determinante por la fila k-ésima.
La prueba para columnas es una consecuencia de (j) de 7.1.5.
7.2.7 Ejemplo
2 0 0
(a) 1 −3 0 = 2 · (−3) · 5 = −30
2 1 5
1 1 2 1
2 3 0 0
(b) Vamos a calcular el determinante D = .
3 5 2 1
4 1 2 4
Observando los ceros de la segunda fila, optamos por un desarrollo de D por dicha
fila:
1 2 1 1 2 1 1 1 1
D = −2 5 2 1 +3 3 2
1 = −2D1 + 3 · 2 3 1
1
1 2 4 4 2 4 4 1 4
= −2 D1 + 6 D2
siguiendo el proceso,
1 1 1 1 1 1
0 −2 −2 = 0 −2 −2
3 a
0 −3 0 0 0 3 (3a ) − (1 )
2
Ası́ pues, como D2 es el determinante de una matriz triangular, se tiene por la
Proposición 7.2.5 que D2 = 1 · (−2)·3 = −6.
El valor del segundo determinante también se puede obtener como sigue:
1 1 1 1 1 1
1
0 −2 −2 = 0 −2 −2
2
0 −3 0 0 0 6 2(3a ) − 3(2a )
1
Obsérvese el factor que ha aparecido en la última expresión, atendiendo a (b) de
2
7.1.5. Éste es un detalle que el principiante acostumbra a omitir erróneamente, por
su similitud con el cálculo del rango de una matriz por el proceso de Gauss. Ası́ pues,
1
D2 = ·1·(−2)·6 = −6.
2
En consecuencia, D = −2 D1 + 6 D2 = −2·(−24) + 6 · (−6) = 12.
7.3.2 Teorema
7.3.3 Corolario
7.3.4 Nota
7.3.5 Proposición
1
en donde cij = (ai1 Aj1 + · · · + ain Ajn ). Entonces, si i = j, se tiene:
|A|
mientras que si i
= j entonces, por la Proposición 7.3.5, se tiene cij = 0 con
lo que (cij ) = I.
En consecuencia, según el Teorema 5.5.5, la inversa de A es
Ö è
A11 ··· An1
1 .. ..
A−1 = · . . ,
|A|
A1n · · · Ann
7.3.7 Ejemplo
Ö è
1 0 0
La matriz triangular inferior A = 3 2 0 es inversible pues
−1 2 −3
|A| = 1 · 2 · (−3) = −6.
Según Ö
el Ejemplo 7.2.2
è la traspuesta de la matriz Ö de adjuntos è de A
−6 0 0 −6 0 0
1
es (Aji ) = 9 −3 0 . Por tanto A−1 = − 9 −3 0 =
6
8 −2 2 8 −2 2
Ö è
1 0 0
− 32 21 0 que es de nuevo triangular inferior (ver Nota 7.3.4).
− 34 31 − 13
7.3.9 Ejemplo
Ö è
2 1 2 1
La matriz A = 2 5 2 1 tiene rango 3, pues el determinante
2 1 2 4
formado por las tres últimas columnas, según (a) del Ejemplo 7.1.4, es distinto
de cero.
Solución: Desarrollamos |A| por la tercera fila, |B| por la primera fila y |C| por
la segunda columna.
2 1
|A| = 4 · = 4 · (−6 − 1) = −28 .
1 −3
1 1
|B| = −5 · = −5 · (2 + 3) = −25 .
3 2
−2 −3 −2 −3
|C| = 1 · −2· = (−6 + 3) − 2 · (−4 + 3) = −3 + 2 = −1 .
1 3 1 2
142 7. DETERMINANTES
1
1 1
R7.6 Hállese el valor del determinante D = a b c .
b + c a+c a + b
Solución: Sumando a la segunda fila la tercera y usando (b) del punto 7.1.5 se
tiene
1 1 1
D = a + b + c a + b + c a + b + c
b+c a+c a+b
Por tanto |D| = 0 pues las filas primera y segunda son proporcionales.
1 1 ··· 1
a1 a2 ··· an
2
a22 ··· a2n
R7.7 Calcúlese el determinante Vn = a1 de orden n (n ≥ 2)
.. .. ..
. . .
an−1 an−1 ··· a n−1
1 2 n
denominado de Vandermonde.
Solución: Si a cada fila de Vn , empezando por la última, le restamos a1 veces la
anterior, se tendrı́a el determinante siguiente
1 1 ··· 1
0
a2 − a1 ··· an − a1
a2 (a2 − a1 ) ··· an (an − a1 )
Vn = 0
.. .. ..
. . .
0 a2 (a2 − a1 )
n−2
··· an−2 (a − a )
n n 1
1 1 1 1 1
2 3 4 7 8
R7.8 Hallar D = 22 32 42 72 82
2 3 33 43 73 83
2 4 34 44 74 84
Solución: D es un determinante de Vandermonde. Aplicando el ejercicio R7.7 se
tiene
D = (3−2)·(4−3)·(4−2)·(7−4)·(7−3)·(7−2)·(8−7)·(8−4)·(8−3)·(8−2) = 14400
con a ∈ R.
Solución: A es inversible pues |A| = 2 = 0.
Los adjuntos Aij de A son: a11 = −2, A12 = 10, A13 = −7, A21 = 2, A22 = −10,
A23 = 8, A31 = 0, A32 = 2, A33 = −2. A modo de ejemplo, la matriz
Å menor
ã de a23 ,
2 2
tras suprimir la segunda fila y tercera columna de A es M23 = . Por tanto,
5 1
2 2
el adjunto A23 de a3 es A23 = (−1)2+3 · |M23 | = − = −(2 − 10) = 8.
5 1
−2 2 0 −1 1 0
−1 1
Por tanto, A = 2
10 −10 2 = 5 −5 1 .
−7 8 −2 − 27 4 −1
B es inversible para todo a ∈ R pues, por el teorema fundamental de trigonometrı́a,
|B| = cos2 a + sen 2 a = 1 = 0.
Como BÅ11 = cos a, B12 ã= − sen a, B21 = sen a, B22 = cos a, entonces se tiene que
−1 cos a sen a
B = .
− sen a cos a
R7.10 Hállese las inversas de las siguientes matrices:
Ñ é
1 0 0 Å ã
0 −2i
A= 0 2 2 , B= .
2i 0
3 1 2
A11 = 2, A12 = 6, A13 = −6, A21 = 0, A22 = 2, A23 = −1, A31 = 0, A32 = −2,
A33 = 2.
2 0 0 1 0 0
−1 1
Ası́ pues, A = 2 6 2 −2 = 3 1 −1 .
−6 −1 2 −3 − 12 1
La matriz B es inversible pues |B| = −4 = 0. Los adjuntos Bij de B son: B11 = 0,
B12 = −2i, B21 = 2i, B22 = 0.
Å ã Å ã
0 2i 0 − 2i
En consecuencia, B −1 = 1
= .
−4 −2i 0 i
2
0
R7.11 Hállese la inversa de las siguentes matrices
Ñ é Ñ é
Å ã Å ã 0 −2 3 1 −2 3
2 0 2 1
A= , B= , C= 0 3 4 , D= 0 3 4 .
0 −3 1 0
0 0 1 0 0 1
Å 1
ã
0
Solución: A es una matriz diagonal, y por tanto A−1 = 2 .
0 − 13
B es una matriz simétrica,
Å y |B| =ã−1 = 0, luego es inversible. La matriz de adjuntos
0 −1
traspuestas es Bji = . Por tanto
−1 2
Å ã Å ã
0 −1 0 1
B −1 = −1 · = (que también es simétrica).
−1 2 1 −2
Solución: rang A ≤ 3, pues A tiene sólo 3 filas. A tiene una submatriz cuadrada
cuadrada
de orden
3 con determinante no nulo. En efecto, según el ejercicio R7.3 se
1 2 −1
tiene 5 2 1 = −32 = 0. Por tanto rang A = 3.
3 2 4
Con |B| = 0, entoncesÅ B no
ã puede ser derango 3. Obviamente rang B = 2. (En
1 1 1 1
efecto, la submatriz verifica = 1 = 0).
1 2 1 2
7.5. EJERCICIOS RESUELTOS 145
Ñ é
2 0 1
R7.13 Sea A = 1 1 1 . Discute el rang A según los valores del parámetro
1 3 a
real a.
Solución: Puesto que existen submatrices, de orden 2, de A con determinante
no nulo, obviamente, rang A ≥ 2, es decir rang A = 2 ó rang A = 3. Se tiene que
|A| = 2 a − 4. Por tanto si 2 a − 4 = 0, es decir si a = 2, entonces rang A = 2. Si
a = 2 entonces rang A = 3.
147
Capı́tulo 8
SISTEMAS DE
ECUACIONES LINEALES
Rn f Rm
x b
x1 A1 + x2 A2 + · · · + xn An = b
8.1.4 Proposición
Si a un sistema de ecuaciones lineales se le añade un número finito
de ecuaciones lineales que son combinaciones lineales de las dadas, el nuevo
sistema es equivalente al inicial.
8.1.5 Ejemplo
Sea el sistema ®
x + y = 2
.
2x − y = 1
Su única solución es x = 1, y = 1. Este sistema equivale a los siguientes
⎧ ⎧
⎪
⎨ x + y = 2 ⎪
⎨ x + y = 2
2x − y = 1 2x − y = 1
⎪
⎩ 4x + y = 5 ⎪
⎩ 0x + 0y = 0
Obsérvese que
1 1 2 1 1 2
2 −1 1 = 2 −1 1 = 0
4 1 5 0 0 0
pues en ambos casos la tercera fila es combinación lineal de las dos primeras.
150 8. SISTEMAS DE ECUACIONES LINEALES
8.1.8 Ejemplos
⎧
⎪
x+ y+ z = 3
⎨
(a) Resolvamos el sistema x+ y− z = 5
⎪
⎩ 3x + 3y + z = 11
Ö è Ö è
1 1 1 1 1 1 3
Se tiene que rang 1 1 −1 = rang 1 1 −1 5 = 2.
3 3 1 3 3 1 11
Ası́ pues, el sistema es compatible e indeterminado y puesto que tiene tres in-
cógnitas, existirán infinitas soluciones que dependerán de una incógnita. Para
hallarlas, en primer lugar dejaremos el sistema, siguiendo la teorı́a, con las
dos siguientes ecuaciones que constituyen un sistema equivalente al dado:
®
x+ y+ z = 3
(8.7)
x+ y− z = 5
Ç å
1 1 1
(Obsérvese que rang = 2). Este último sistema lo podemos
1 1 −1
escribir, por ejemplo, en las formas
® ®
x+ y = 3− z x+ z = 3− y
, ó
x+ y = 5+ z x− z = 5− y
Pero en el sistema de la izquierda el rango de la matriz de los coeficientes no
es dos, por lo que las soluciones no van a depender de z y, siguiendo la teorı́a,
dejamos el sistema escrito en la forma
®
x+ z = 3− y
(8.8)
x− z = 5− y
152 8. SISTEMAS DE ECUACIONES LINEALES
{(4 − y, y, −1) : y ∈ R} .
(c) Eventualmente
® podemos obtener en la formulación de un problema,
x + y + 0z = 2
el siguiente sistema
2x − y + 0z = 1
®
x+ y = 2
En tal caso se resuelve el sistema del ejemplo (c) anterior
2x− y = 1
que no es equivalente al de este apartado por carecer de una incógnita. Ahora
bien, cualquier z ∈ R con x = 1, y = 1 verifica el sistema inicial, y por tanto,
las soluciones son {(1, 1, z) : z ∈ R}.
⎧
⎪
⎨ x+ y =2
(e) El sistema 2x − y = 1 no es compatible, pues
⎪
⎩ 4x + y = 0
Ö è Ö è
1 1 1 1 2
rang 2 −1 = 2 < 3 = rang 2 −1 1
4 1 4 1 0
8.2.2 Ejemplos
(a)
® Por aplicación de la regla de Cramer al sistema del ejemplo (c) de
x+ y = 2
8.1.8, , tenemos:
2x − y = 1
2 1 1 2
1 −1 2 1
x = = 1, y = = 1.
1 1
1 1
2 −1 2 −1
8.2. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES 155
de modo que cij = 0 para i > j (i, j = 1, . . . , n), se le conoce como proceso
(de reducción) de Gauss. Un sencillo argumento nos llevarı́a a concluir que
este proceso es el mismo que realizamos en la sección 4.3, para la obtención
de sistemas equivalentes de vectores.
En el último sistema, se eliminan cuantas ecuaciones triviales de la
forma 0x1 + · · · + 0xn = 0 aparezcan. Finalmente, en el caso de que no
aparezca ninguna ecuación de la forma 0x1 + · · · + 0xn = d con d
= 0, que
156 8. SISTEMAS DE ECUACIONES LINEALES
8.2.4 Ejemplo
(a) Apliquemos el proceso de Gauss para resolver el sistema
⎧
⎪
⎨ x+ y+ z = 6
x + 2y − z = 6
⎪
⎩ 2x − y+ z = 5
de solución inmediata.
8.2.6 Ejemplo
1 1 1
es |A| = 1 1 −1 = 0, con lo que rang(A) < 3.
3 3 1
Obviamente rang(A) = 2, por lo que suprimiendo la última ecuación,
por ejemplo, se tiene el sistema equivalente:
®
x+ y+ z = 0
x+ y− z = 0
que el lector verificará que tiene como solución general {(x, −x, 0) : x ∈ R} y
que coindice con el Ker f del ejemplo (a) de 8.1.8, lo cual el lector justificará
observando la ecuación (8.7).
1 x x2 ··· xn−1 y
1 x1 x21 ··· x1n−1 y1
1 x2 x22 ··· xn−1
2 y2 = 0,
.. .. .. .. .. ..
. . . . . .
1 xn x2n · · · xnn−1 yn
8.3.2 Nota
Observemos que si w es un vector combinación lineal de v 1 , . . . , v r
entonces H = v 1 , . . . , v r , w, con lo que:
x ∈ H sii existen α1 , . . . , αr , α ∈ R tales que
x = α1 v 1 + · · · + αr v r + α w
8.3.4 Ejemplo
⎧
⎪ x 1 1
⎪
⎪ 1
⎪
⎪
⎪
⎪ x2 1 2 = −6 x1 + 3 x2 + x3 = 0
⎪
⎪
⎪
⎪ x3 3 0
⎪
⎪
⎪
⎪ x
⎪
⎨ 1 1 1
x2 1 2 = − 7 x1 + 3 x2 + x4 = 0
⎪
⎪
⎪
⎪ x4 4 1
⎪
⎪
⎪
⎪ x
⎪
⎪
⎪ 1 1 1
⎪
⎪
⎪
⎪ x2 1 2 = x2 + x5 = 0
⎪
⎩
x5 −1 −2
164 8. SISTEMAS DE ECUACIONES LINEALES
A=L+D+U
A x = b ⇔ D x = (D − A) x + b ⇔ x = D −1 (D − A) x + D −1 b
Las iteraciones de este método son fáciles de realizar dado que para
calcular la inversa de una matriz diagonal, que no tiene ceros en su diagonal,
sólo se requiere calcular los inversos de la diagonal. Ası́ pues, si D es una
Ö è
a11
matriz diagonal definida por D = .. , entonces se verifica que
.
ann
Ü 1
ê
a11
D −1 = .. .
.
1
ann
8.4.5 Nota
Para calcular las componentes del vector xk+1) con el método de Jacobi
k) k) k) k)
se utilizan los valores de xi , es decir, x1 , x2 , . . . , xn por lo que la expresión
de xk+1) se adapta al cálculo en paralelo y ofrece una reducción notable del
tiempo de cálculo. En cambio, en el método de Gauss-Seidel siempre se
utilizan los n últimos valores calculados. Más concretamente, para calcular
k+1) k+1) k+1) k) k)
xi se utilizan los valores x1 , . . . , xi−1 , xi , . . . , xn .
Aunque un paso iterativo de Gauss-Seidel es más costoso en sentido
computacional que un paso de Jacobi se tiene que, en general, en caso de
convergencia de ambos métodos, el método de Gauss-Seidel converge más
rápido que el de Jacobi.
Los programas informáticos de cálculo numérico incluyen habitualmente
los métodos de Jacobi y de Gauss-Seidel. En general, permiten programar la
8.5. UN POCO DE HISTORIA 167
Se tiene que rang A = 2 < 3 = rang A∗ , con lo que el sistema es incompatible. (La
última ecuación resultante, imposible de satisfacer, es 0 x + 0 y = 24).
También llegamos al mismo resultado observando que |A∗ | = 0, con lo que se obtiene
que rang A∗ = 3, y puesto que obviamente rang A = 2, el sistema es incompatible.
Finalmente se puede llegar al mismo resultado resolviendo el sistema
ß
2x − y = 1
x + 3y = −2
1
que tiene solución x = 7
, y = − 57 , pero que obviamente no satisface la última
ecuación.
Desde el punto de vista de las aplicaciones lineales, A es la matriz de una aplicación
lineal f : R2 → R3 dada por f (x, y) = (2x − y, x + 3y, 5x − 4y) que tiene dim Im f =
rang A = 2, con lo que dim Ker f = 0. Ası́ pues, f es inyectiva, pero no suprayectiva,
y precisamente (1, −2, 7) no es un punto de Im f pues el sistema inicial no tiene
solución, es decir, (1, −2, 7) no posee antiimagen.
R8.4 Discutir según los valores del parámetro k ∈ R, el sistema con tres incógnitas
⎧
⎨ x1 + 5x3 = 2 − 3x2
4x2 + 2x1 − 1 = −2x3
⎩
5x1 + 11x2 + 9x3 = k
⎧
⎨ x + 2z + t = 1
R8.5 Estudiar el sistema 3x − y + t = a y resolverlo cuando pro-
⎩
2x − y − 2z = 6
ceda según los valores del parámetro a ∈ R.
Solución: La correspondiente matriz ampliada es
1 0 2 1 1
∗
A = 3 −1 0 1 a
2 −1 −2 0 6
{(1 − 2z − t, −4 − 6z − 2t, z, t) : z, t ∈ R} .
es decir, y = 1 − 3x2 + 2x3 que coincide con lo obtenido en el ejercicio R2.14. Ası́
pues, f (1.5) = 1 − 3 · 1.52 + 2 · 1.53 = 1
⎧
⎨ 2x − y = 1
R8.9 Clasificar el sistema x + 3y = −2 y en el caso en que sea sobredeterminado
⎩
5x − 4y = 7
dese la “solución” por mı́nimos cuadrados.
172 8. SISTEMAS DE ECUACIONES LINEALES
2 −1 1
Solución: La matriz ampliada de coeficientes del sistema es A∗= 1 3 −2
5 −4 7
que verifica que |A∗ | = 11 = 0. Por tanto, como obviamente rang A = 2 se tiene
que rang A = 2 < 3 = rang A∗ . En consecuencia es un sistema incompatible. Como
rang A = 2 y el número de incógnitas también es dos, es un sistema sobredetermi-
nado.
La “solución” por mı́nimos cuadrados (la que da menor error en sentido “cuadrático”)
es la solución del sistema At Ax = At b, es decir, la solución de
Å ãÅ ã Å ã
27 −18 x 34
=
−18 26 y −35
I 1 2 3 4
VT 6.26 7.14 8.03 8.50
Cuando se impone que todos los valores de la tabla anterior cumplan la ley del
circuito se obtiene un sistema sobredeterminado:
⎧
⎪
⎪ R + V0 = 6.26
⎨
2 R + V0 = 7.14
⎪
⎪ 3 R + V0 = 8.03
⎩
4 R + V0 = 8.50
es decir, ß
y=0
r≡
2x − z = 0
R8.12 Hállense las “ecuaciones” del subconjunto S de R3 dado por las ecuaciones
paramétricas ⎧
⎨ x = 1+ α− β
S≡ y = 2+ α− 2β − μ
⎩
z = α+ 2β + 3μ
(i.e., eliminar los parámetros reales α, β, μ del sistema de ecuaciones S).
Solución: Escribiremos el sistema dado en la forma
x−1 =α− β
y−2 = α − 2β − μ
z = α + 2β + 3μ
174 8. SISTEMAS DE ECUACIONES LINEALES
Sea A la matriz
de coeficientes
del segundo miembro, respecto de los parámetros.
1 −1 0
Como |A| = 1 −2 −1 = 0, rang A < 3, y obviamente rang A = 2.
1 2 3
Ası́, S vendrá dado, prescindiendo de la última columna
y por tanto de μ según la
x − 1 1 −1
Nota 8.3.2, por una única ecuación, y − 2 1 −2 = 0 que el lector explicitará.
z 1 2
En este
Å casoã la matriz
Å delãsistemaÅ se descompone
ã como A = L + D + U en donde
0 0 4 0 0 1
L= ,D= ,U = ; y el sistema inicial se reescribe, teniendo
1 0 0 4 0 0
en cuenta la ecuación (8.17), como
Å ã Å ãÅ ã Å ã
xk+1) 0 −0.25 xk) 2.25
= +
y k+1) −0.25 0 y k) 1.5
Å ã Å ã
x0) 0
Se toma un vector inicial arbitrario, por ejemplo = , y se aplica el proceso
y 0) 0
iterativo para k = 0, 1, 2, . . . obteniendo la siguiente tabla:
k= 1 2 3 4 5 6
xk) = 1.87500 2.01563 1.99219 2.00098 1.99951 2.00006
y k) = 0.93750 1.03125 0.99609 1.00195 0.99975 1.00012
k= 1 2 3
xk) = 2.01563 2.00098 2.00006
y k) = 0.99609 0.99976 0.99998
k = 1 2 ... 10 11
k)
xJ = 0.84000 1.06400 ... 1.00004 0.99998
k)
yJ = 0.84000 1.06400 ... 1.00004 0.99998
k)
zJ = 0.84000 1.06400 ... 1.00004 0.99998
k = 1 2 3 4 5
k)
xGS = 0.99680 0.99644 0.99963 0.99998 1.00000
k)
yGS = 1.02144 1.00144 0.99999 0.99999 1.00000
k)
zGS = 0.99635 1.00042 1.00007 1.00000 1.00000
Al igual que en el apartado (a) del ejercicio anterior se calculan los valores propios
de MJ y MGS obteniendo que el módulo máximo para MJ es 0.4, mientras que para
MGS es 0.0894. En este caso se observa que el método de Gauss-Seidel tiene el de
módulo máximo menor que Jacobi y que converge a la solución x = y = z = 1 con
una tolerancia de 10−4 con la mitad de iteraciones que lo hace el método de Jacobi.
(b) El lector puede proceder igual que en el apartado anterior obteniendo los resul-
tados de las tablas siguientes:
8.6. EJERCICIOS RESUELTOS 177
k = 1 2 ... 49 50
k)
xJ = 1.16666 1.50000 ... 3.19979 3.19983
k)
yJ = 0.75000 -0.64583 ... -1.79974 -1.79978
k)
zJ = -5.25000 -2.25000 ... -5.79956 -5.79962
k = 1 2 ... 32 33
k)
xGS = 1.83333 2.48611 ... 3.19984 3.19988
k)
yGS = -0.72917 -0.68576 ... -1.79982 -1.79987
k)
zGS = -2.77083 -4.77257 ... -5.79971 -5.79978
Al igual que en (a) se calculan los valores propios de MJ y MGS obteniendo que el
módulo máximo para MJ es 0.8287, mientras que para MGS es 0.75. En este caso
se observa que el método de Gauss-Seidel continua teniendo módulo máximo inferior
a Jacobi pero, aunque son inferiores a la unidad, ambos están cercanos a uno. Ello
hace que el proceso de convergencia sea más lento y necesiten más iteraciones que
en el apartado anterior para converger a la solución x = 3.2, y = −1.8, z = −5.8 con
una misma tolerancia prefijada (10−4 ).
Aunque en este caso la matriz no es diagonal dominante, se observa que ha habido
convergencia en el proceso iterativo. Al calcular a posteriori los valores propios de
las matrices de iteración, se ha observado que todos ellos son inferiores a la unidad
y, por tanto, los métodos son convergentes como ya se habı́a observado.
179
Capı́tulo 9
DIAGONALIZACIÓN DE
MATRICES
9.1.1 Introducción
9.1.3 Nota
Si x es un vector propio no nulo de f , sólo puede tener un valor propio λ asociado
pues si f (x) = μx, entonces de λx − μx = f (x) − f (x) = 0 se tiene (λ − μ)x = 0 y, por
tanto, λ = μ pues x = 0.
9.1.5 Ejemplo
(A − λI)·x = 0 (9.1)
9.1. SUBESPACIOS PROPIOS 181
9.1.8 Ejemplo
Ç å Ç å
3 −2 1 2
En el ejercicio R6.8 hemos visto que D = yA=
3 −3 1 −1
son dos representaciones maticiales del mismo endomorfismo. Se tiene que
3 − λ −2
D − λI = = λ2 − 3
3 −3 − λ
y también
1 − λ 2
A − λI = = λ2 − 3.
1 −1 − λ
9.2.2 Proposición
El endomorfismo f es diagonalizable si y sólo si existe una base
B = {v 1 , v 2 , . . . , v n } de V , formada por vectores propios de f .
Ç d1 å
Demostración. Supongamos que D = .. es una representación matricial
.
dn
diagonal de f respecto a la base {v 1 , v 2 , . . . , v n }. Entonces, recordando la interpretación
de las columnas de D (sección 6.2.1), se tiene que f (v i ) = di v i , (i = 1, . . . , n) y, por tanto,
{v 1 , . . . , v n } es un conjunto de vectores propios.
Recı́procamente, supongamos que B = {v 1 , . . . , v n } es una base de vectores propios
de V . Entonces existen λ1 , . . . , λn ∈ K de forma
Ñque f (vi ) =éλi vi (i = 1, . . . , n), y la
λ1
λ2
representación matricial de f respecto B es D = .. .
.
λn
9.2.3 Nota
En las condiciones del punto anterior, precisemos que si B = {v 1 , . . . ,
v i , . . . , v i+s , . . . , v n } de manera que v i , . . . , v i+s son s vectores propios aso-
9.2. DIAGONALIZACIÓN DE MATRICES 183
9.2.4 Proposición
9.2.5 Ejemplo
Ç å
0 −2
Sea la matriz A = . Su ecuación caracterı́stica es
−1 1
−λ −2
|A − λI| = = λ2 − λ − 2 = 0
−1 1 − λ
9.2.7 Ejemplo
Ç å
0 −2
Sea la matriz A = . El polinomio caracterı́stico es
−1 1
−λ 2
|A − λI| = = λ2 − λ + 2
−1 1 − λ
9.2.8 Nota
Desde un punto de vista práctico conviene saber que si la raı́ces λi
de multiplicidad mi ≥ 2 verifican el Teorema 9.2.6, entonces es innecesaria
la verificación del enunciado para las raı́ces simples, pues éstas también lo
satisfacen.
A2 = (P D P −1 )(P D P −1 ) = P D (P −1 P ) D P −1 = P D 2 P −1
A3 = A2 A = (P D 2 P −1 )(P D P −1 ) = P D 2 (P −1 P ) D P −1 = P D 3 P −1
y, por inducción, se demuestra que An = P D n P −1 .
9.2.12 Nota
Dado que un polinomio con coeficientes reales no siempre tiene sus raı́ces
en R, se puede dar el caso de que una matriz con coeficientes reales no sea
diagonalizable en R pero sı́ lo sea sobre C (obsérvese el ejercicio R9.9).
Los dos
Å valores
ã propios son reales y distintos λ = 2, 3 por lo que A diagonaliza y
2 0
D= .
0 3
El sistema que da los subespacios propios es
ß
(1 − λ)x − 2y =0
Eλ =
x + (4 − λ)y =0
(Si deseamos verificar la corrección del proceso, veamos que P −1 A P = D (es decir,
A y D son semejantes). En efecto,
0 1 0 1 0 0 −1 −1 0
P −1 A P = −1 −1 0 0 1 0 1 0 0
1 1 1 1 1 2 0 1 1
1 0 0
= 0 1 0 =D
0 0 2
Ñ é
1 1 1
R9.4 Estudiar para a ∈ R la diagonalización de la matriz A = 0 2a 0 .
1 1 1
Solución: La ecuación caracterı́stica es
1−λ 1 1
|A − λI| = 0 2a − λ 0
1 1 1−λ
1−λ 1
= (2a − λ)
1 1−λ
= (2a − λ)(λ2 − 2λ) = 0
son λ1 = a − 1 y λ2 = 3 − a.
Los valores propios coinciden sii a − 1 = 3 − a, es decir, si a = 2. Ası́ pues, si a = 2
entonces ambos valores propios son distintos y, en consecuencia, A diagonaliza.
Si a = 2, entonces λÅ= 1 es ãun valor propio doble. Se tiene en este caso que
0 1
rang(A − 1 I) = rang = 1, con lo que dim E1 = 1 por la sección 8.3.3 y,
0 0
por tanto, A no diagonaliza.
Å ã
a 1
R9.6 Discutir si la matriz A = es o no diagonalizable, según los valores
0 2−a
reales del parámetro a.
Solución: La ecuación caracterı́stica correspondiente a A es:
a−λ 1
P (λ) = |A − λI| = = (a − λ)(2 − a − λ) = 0
0 2−a−λ
R9.7 Hallar los valores propios de la matriz Am siendo A = (aij ) una matriz triangular de
dimensión n.
Solución: Supongamos que A es triangular superior. Entonces Am es otra matriz
triangular superior, con diagonal am m
11 , . . . , ann .
190 9. DIAGONALIZACIÓN DE MATRICES
[1] F.J. Boigues Planes, V.D. Estruch Fuster, V. Gregori Gregori, B. Roig
Sala, A. Sapena Piera, A. Vidal Meló; Cálculo Básico, Ed. UPV, 2014.
[2] J.C. Del Valle Sotelo; Álgebra lineal para estudiantes de ingenierı́a y
ciencias, ed. McGraw-Hill, 2011.
[4] D.C. Lay; Álgebra lineal y sus aplicaciones, ed. Pearson Educación, 2007.
[5] L.M. Merino Gonzalez, E. Santos Alaez; Álgebra lineal con métodos ele-
mentales, ed. Paraninfo, 2006.
193
Índice de términos
continua, 34 ortogonal, 94
definida a trozos, 35 producto de, 90
discreta, 36 reducida, 98
impar, 34 regular, 91
inversa, 33 semejante, 94, 122
par, 34 simétrica, 93
parte entera, 37 singular, 91
real, 31 suma de, 88
traspuesta, 93
Galton, 41, 45 triangular, 92
Gauss, proceso de reducción de, 80 media, 44
gráfica de una función, 31 menor complementario, 134
grupo conmutativo, 71 mı́nimos cuadrados, 160
método
homomorfismo, 116 de Gauss-Seidel, 166
de Jacobi, 165
imagen, 27, 112
interpolación, 37 número combinatorio, 21
lineal, 38 nube de puntos, 39
polinómica, 38, 159 núcleo, 110
intersección, 15
inversión de una permutación, 129 operación elemental, 80
isomorfismo, 116 orden de una matriz, 88
binario, 61
de numeración, 57
de vectores equivalentes, 74
generador, 74
hexadecimal, 64
libre, 76
ligado, 76
linealmente dependiente, 76
linealmente independiente, 76
octal, 64
sistema de ecuaciones
compatible, 150
de Cramer, 150
determinado, 150
equivalente, 148
homogéneo, 157
incompatible, 150
indeterminado, 150
lineal, 147
sobredeterminado, 160
subconjunto, 13
impropio, 14
propio, 14
subespacio
impropio, 73
propio, 73, 180
suma de, 81
suma directa, 81
vectorial, 73
submatriz, 88
teorema de la dimensión, 78
en aplicaciones lineales, 112
en suma de subespacios, 81
unión, 15