Algebra Lineal (Santiago Relos)
Algebra Lineal (Santiago Relos)
Algebra Lineal (Santiago Relos)
Santiago Relos P.
Departamento de Ciencias Exactas
Universidad Privada Boliviana
Cochabamba, Bolivia
4 de mayo de 2014
2
Abstract
Se presenta a la comunidad de la UPB, este texto que trata sobre una introduccin al lgebra
Lineal. Est destinado a estudiantes de primer semestre. Se caracteriza por presentar los temas
combinando rigurosidad y aplicaciones de esta rama tan aplicada de las matemticas. Los temas
que trata son:
Matrices
Sistemas de ecuaciones lineales
Espacios Vectoriales Reales
Producto Interno
Autovalores y Autovectores
Transformaciones Lineales
Factorizacin LU y LR
Matrices Denida Positivas
Contiene una grn cantidad de ejercicios resueltos y problemas propuestos con respuestas.
Mis agradecimientos sinceros a Hugo Rojas Salinas PhD. y al Ing. Diego Sejas Viscarra por
la lectura y sugerencias de la versin anterior.
ndice General
1 Algunas aplicaciones del Algebra Lineal
1.1 Programacin Lineal1 . . . . . . . . . . .
1.1.1 El problema del transporte . . . .
1.1.2 El problema de la dieta . . . . . .
1.1.3 El problema del ujo en una red .
1.2 Regresin lineal con k variables . . . . . .
1.3 El modelo Input-Output de Leontief . . .
1.4 El secreto del Google y el Algebra Lineal
1.5 Clculo a varias variables . . . . . . . . .
1.6 Mensajes secretos. Criptografa . . . . . .
1.7 Telecomunicaciones . . . . . . . . . . . . .
1.8 Compresin de imgenes . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Matrices
2.1
2.2
2.3
2.4
2.5
9
9
9
10
11
12
12
13
15
15
16
16
17
Qu es una matriz? . . . . . . . . . . . . . . . . . . . . .
2.1.1 Notacin. . . . . . . . . . . . . . . . . . . . . . . .
2.1.2 Orden de una matriz . . . . . . . . . . . . . . . . .
Operaciones con matrices . . . . . . . . . . . . . . . . . .
2.2.1 Igualdad de matrices . . . . . . . . . . . . . . . . .
2.2.2 Producto por un nmero . . . . . . . . . . . . . . .
2.2.3 Suma . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4 Resta . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.5 Producto de matrices . . . . . . . . . . . . . . . .
2.2.6 La transpuesta de una matriz . . . . . . . . . . . .
2.2.7 Propiedades de las operaciones matriciales . . . . .
Matrices especiales . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Matriz cuadrada . . . . . . . . . . . . . . . . . . .
2.3.2 Matrices triangulares . . . . . . . . . . . . . . . . .
2.3.3 Matriz diagonal e identidad . . . . . . . . . . . . .
2.3.4 La traza y contratraza de una matriz cuadrada . .
La funcin matricial w . . . . . . . . . . . . . . . . . . . .
Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . .
2.5.1 Operaciones elementales y equivalencia de matrices
2.5.2 Las operaciones elementales como aniquiladores . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
18
18
18
19
19
19
20
22
23
27
27
28
28
29
29
33
33
34
Obtenido del libro: Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia,
de Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil.
NDICE GENERAL
2.6
2.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
36
39
39
42
45
47
47
52
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
53
53
53
54
54
56
56
56
57
57
57
58
63
63
64
66
67
70
72
76
76
76
77
78
80
81
.
.
.
.
.
.
.
.
87
87
88
90
91
91
91
92
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
4.5
4.6
Base y Dimensin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Espacio la, espacio columna y espacio nulo . . . . . . . . . . . . . . . . . . . . . . . 100
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
vectores
. . . . .
6 Autovalores y autovectores
6.1 La denicin de autovalor y autovector . . . . . . . . . . .
6.2 Clculo de autovalores y autovectores . . . . . . . . . . .
6.2.1 Clculo de autovalores . . . . . . . . . . . . . . . .
6.2.2 Clculo de autovectores . . . . . . . . . . . . . . .
6.3 Teoremas relativos a autovalores y autovectores . . . . . .
6.3.1 Clculo del polinomio caracterstico . . . . . . . .
6.3.2 Autovalores y rango . . . . . . . . . . . . . . . . .
6.3.3 Autovalores e inversa . . . . . . . . . . . . . . . . .
6.3.4 Mltiplos escalares de un autovector . . . . . . . .
6.3.5 Raz del polinomio caracterstico . . . . . . . . . .
6.3.6 Autovectores y dependencia lineal . . . . . . . . .
6.3.7 Autovalores y autovectores de matrices simtricas
6.3.8 Los discos de Gershgorin . . . . . . . . . . . . . . .
6.4 Multiplicidad algebraica y multiplicidad geomtrica . . . .
6.5 Semejanza y diagonalizacin . . . . . . . . . . . . . . . . .
6.5.1 Matrices semejantes . . . . . . . . . . . . . . . . .
6.5.2 Diagonalizacin . . . . . . . . . . . . . . . . . . . .
7 Transformaciones lineales
7.1 Introduccin . . . . . . . . . . . . . . . . . . . .
7.1.1 La denicin de transformacin lineal . .
7.1.2 Propiedades de una transformacin lineal
7.2 Construccin de transformaciones lineales . . . .
7.3 Composicin . . . . . . . . . . . . . . . . . . . .
7.4 Ncleo e imagen . . . . . . . . . . . . . . . . . .
7.4.1 Ncleo . . . . . . . . . . . . . . . . . . . .
7.4.2 Imagen . . . . . . . . . . . . . . . . . . .
7.4.3 El teorema de la dimensin . . . . . . . .
7.5 La transformacin inversa . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
105
105
105
106
107
107
107
108
108
110
110
111
111
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
117
117
117
119
122
122
122
123
123
123
123
124
124
125
127
127
128
.
.
.
.
.
.
.
.
.
.
137
137
137
138
139
141
142
142
142
143
146
NDICE GENERAL
7.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
148
148
149
153
155
157
157
157
160
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
161
161
162
163
163
163
165
165
166
168
170
170
171
171
174
174
176
177
177
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
179
179
180
180
181
182
183
183
183
184
185
.
.
.
.
187
187
187
188
190
7.7
7.8
Factorizacin LU y LR
8.1 Matrices elementales . . . . . . . . . . . . . . . . .
8.2 La inversa de una matriz elemental . . . . . . . . .
8.3 La matriz elemental como aniquilador . . . . . . .
8.3.1 Aniquilacin bajo la primera entrada . . . .
8.3.2 Aniquilador general . . . . . . . . . . . . .
8.4 Factorizacin LU . . . . . . . . . . . . . . . . . . .
8.4.1 El algoritmo de Gauss en la factorizacin .
8.4.2 Clculo de la matriz L . . . . . . . . . . . .
8.4.3 Forma prctica de la construccin de L . .
8.5 Factorizacin LR . . . . . . . . . . . . . . . . . . .
8.5.1 Matrices de permutacin . . . . . . . . . . .
8.5.2 Factorizacin con el algoritmo de Gauss con
8.5.3 Sobre la construccin de la matriz L y P .
8.6 La factorizacin y la solucin de sistemas lineales .
8.6.1 Factorizacin LU . . . . . . . . . . . . . .
8.6.2 Factorizacin LR . . . . . . . . . . . . . . .
8.7 La factorizacin y el clculo de autovalores . . . .
8.7.1 Convergencia de esta sucesin . . . . . . . .
Lineal
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . .
. . . .
lineal
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
pivote
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
NDICE GENERAL
Captulo 1
Programacin Lineal1
1.1
1.1.1
Supngase que cierto producto debe enviarse en cantidades u1 ,. . ., um , desde m orgenes a n destinos
v1 , . . ., vn . El problema consiste en determinar las cantidades xij que deben enviarse desde el origen
i al destino j, para conseguir minimizar el coste del envo.
Los cuatro elementos principales de este problema son:
1. Datos:
m : el nmero de orgenes
n : el nmero de destinos
ui : la cantidad que debe enviarse desde el origen i
vj : la cantidad que debe ser recibida en el destino j
cij : el coste de envo de una unidad de producto desde el origen i al destino j
1
Obtenido del libro: Formulacin y Resolucin de Modelos de Programacin Matemtica en Ingeniera y Ciencia,
de Enrique Castillo, Antonio J. Conejo, Pablo Pedregal, Ricardo Garca y Natalia Alguacil.
10
xij = ui , i = 1 . . . , m
i=1
m
xij = vj ; , j = 1 . . . , n
i=1
O r ig e n 2
O r ig e n 1
u1
x 21
x 22
O r ig e n m
u2
x2n
u
x m1
xm 2
xmn
x11
x12
v1
D e stino 1
v2
x1 n
D e stino 2
vn
D e stino n
z=
cij xij
i=1 j=1
1.1.2
El problema de la dieta
Supngase que se conocen los contenidos nutritivos de ciertos alimentos, sus precios y la cantidad
mnima diaria de nutrientes a consumir. El problema consiste en determinar la cantidad de cada
alimento que debe adquirirse de manera que se satisfagan los requerimientos y al mismo tiempo se
tenga un precio total mnimo.
Los cuatro elementos para este problema son:
1. Datos:
m : el nmero de nutrientes
n : el nmero de alimentos
aij : la cantidad del nutriente i en una unidad del alimento j
bi : la cantidad mnima del nutriente i aconsejada
cj : el precio de una unidad del alimento j
2. Variables. xj : la cantidad del alimento j que debe adquirirse.
11
3. Restricciones. La cantidad total de un nutriente dado i debe ser al menos la suma de las
cantidades de los nutrientes en todos los alimentos, adems estas cantidades deben ser no
negativas, es decir,
n
j=1
aij xj bi ;
i = 1, . . . , m
xj 0;
j = 1, . . . , n
z=
cj xj
j=1
1.1.3
Considrese una red de transporte (tuberas, ferrocarriles, autopistas, comunicaciones, etc.) a travs
del cual desea mandarse un producto homogneo (aceite, grano, coches, mensajes, etc.) desde ciertos
puntos de la red, llamados nodos fuente, hasta otros nodos de destino, llamados sumideros.
Adems de estas dos clases de nodos, la red puede contener nodos intermedios, donde no se
genera ni se consume el producto que est uyendo por la red.
Dentese por xij el ujo que va desde el nodo i al nodo j (positivo en la direccin de i a j, y
negativo en la direccin contraria).
Los cuatro elementos de este problema son:
1. Datos:
Un grafo G que describe la red de transporte, este grafo contiene un conjunto de nodos y un
conjunto de conexiones.
n: El nmero de nodos en la red
fi : El ujo entrante (positivo) o saliente (negativo) en el nodo i.
mij : La capacidad mxima de ujo en la conexin entre el nodo i y el nodo j.
cij : El ujo que va desde el nodo i al nodo j
2. Restricciones.
(xij xji ) = fi ;
i = 1, . . . , n
cij xij
i,j
12
1.2
e2i =
f ( 1 , 2 , . . . , k ) =
i=1
i=1
X =
X tY
, Y =
y1
y2
..
.
yn
, =
1
2
..
.
k
1.3
El modelo desarrollado por Leontief sirve para analizar las relaciones de interdependencia entre los
distintos sectores productivos de un pas o una regin.
Supongamos una economa con n industrias. Sea
ei : La demanda externa ejercida sobre la industria i,
aij : El nmero de unidades de la industria i que se necesitan para producir 1 unidad de la
industria j, es decir, la demanda por unidad de j sobre i.
xi : Produccin de i (nmero de unidades fabricadas por la industria i)
Los datos pueden describirse en la siguiente tabla:
Produccin
x1
x2
..
.
Demanda interna 1
a11 x1
a21 x1
..
.
Demanda interna 2
a12 x2
a22 x2
..
.
..
.
Demanda interna n
a1n xn
a2n xn
..
.
Demanda externa
e1
e2
..
.
xn
an1 x1
an2 x2
ann xn
en
as se plantea un sistema de n ecuaciones con n incgnitas. La i esima ecuacin est dada por:
n
xi =
aij xj + ei
j=1
1.4.
13
(1 aii ) xi
aij xj = ei
j=1
j=i
1.4
Todas las aplicaciones de las matemticas se encuentran en los instrumentos utilizados ms insospechados, una de stas es el buscador Google, tan popular para todos los internautas. Un artculo completo relativo a esta aplicacin se debe a Pablo Fernndez del Departamento de Matemticas, de la
Universidad Autnoma de Madrid Espaa, (http://www.uam.es/personal_pdi/ciencias/gallardo/),
los aspectos matemticos ms importantes de esta aplicacin se pueden resumir en los siguientes
puntos:
Teora de Grafos
Autovalores, Autovectores,
Teorema de Perron, Frobenius,
Mtodos numricos,
Matrices no negativas
Probabilidad, Cadenas de Markov
A continuacin se presenta la historia del buscador Google
(http://www.elhacker.net/trucos_google.html)
Historia de Google. Los comienzos
primavera 1995: Sergey Brin (23 aos entonces) y Larry Page (24), confundadores de Google y
actualmente presidente y CEO, se conocen en un acto que la Universidad de Stanford organiza
para los candidatos de su Doctorado en Informtica.
otoo 1995: Larry y Sergey comienzan a trabajar en el Digital Library Project de la Universidad de Stanford http://www-diglib.stanford.edu/. Larry Page, con experiencia en diseo
web y el ttulo de Ingeniero Elctrico, y Sergey Brin, un experto en tratamiento de datos y
Licenciado en Informtica y Ciencias Matemticas, comienzan a crear un algoritmo para la
bsqueda de datos. Esta tecnologa se convertir mas tarde en el corazn que har funcionar
a Google.
El nombre que Larry Page da a esta tecnologia fue PageRank. En su pgina web personal
de la Universidad de Stanford, colgar en 1997 una presentacion que lo explica: PageRank:
Bringing Order to the Web http://hci.stanford.edu/~page/papers/pagerank/.
enero 1996: Comienzan a desarrollar un buscador llamado BackRub http://web.archive.org/web/
19971210065425/ backrub.stanford.edu/backrub.html. Este nombre se lo dan debido a que la
mayor habilidad de este motor de bsqueda es analizar los back links (enlaces que apuntan a
una determinada pgina).
14
15
septiembre 1998: Google Inc. abre sus puertas en un garaje que un amigo les alquila en
Menlo Park, en California. Rpidamente, instalan varias lneas telefnicas, un cable modem, una lnea DSL, y una plaza de aparcamiento para su primer empleado, Craig Silverstein
(actualmente, Director de Tecnologia de Google). 25 millones de pginas estn indexadas
(http://web.archive.org/web/19981111183552/google. stanford.edu), y Google recibe diez mil
consultas por da. La revista PC Magazine lo incluye dentro de su lista Top 100 Web Sites
de 1998.
febrero 1999: La plantilla asciende a 8 personas, responde a 500.000 consultas por da, se
trasladan a unas nuevas ocinas en Palo Alto, y rma su primer contrato comercial con RedHat,
el cual empieza a suministrar el Sistema Operativo Linux de los servidores de Google. Mientras
tanto, continan con su campaa comercial: el boca a boca.
Fuente: google.dirson.com
1.5
En la revista Investigacin & Desarrollo de 2003 se publica un artculo relativo a una aplicacin del
lgebra Lineal al problema de mximos y mnimos de funciones a varias variables, dicho artculo se
muestra al nal del texto. A continuacin el resumen del trabajo mencionado.
Resumen
En este artculo se presenta una aplicacin del lgebra Lineal al problema de mximos y mnimos
de funciones a varias variables. Se considera una funcin f : U Rn R, U abierto y dos veces
diferenciable. Se toma un punto a U tal que f (a) = 0, se plantea el problema de determinar si
en este punto existe un mximo, mnimo o ninguna de estas situaciones. Se calcula f (a), como se
sabe esta segunda derivada es una matriz simtrica en Mn,n , dependiendo de la signatura se dar
una respuesta al problema planteado.
Este problema se puede resolver empleando determinantes o empleando congruencia de matrices.
Puesto que el clculo de determinantes tiene un altsimo costo computacional, usualmente se emplea
para casos de dos variables (el empleado en los textos bsicos de clculo), en tanto que la congruencia
de matrices es siempre viable an cuando n es muy grande pues se basa en simples operaciones
elementales de la y columna.
Finalmente, el propsito de este artculo, es presentar el problema de mximos y mnimos como
un problema que no depende de cantidad de variables (al menos no conceptualmente).
1.6
La criptografa, es la ciencia de cifrar o descifrar informacin utilizando tcnicas que hacen posible,
que slo un cierto grupo de personas autorizadas puedan tener acceso a ella. En este texto se presenta
una aplicacin en la criptografa, para esto se emplea la aritmtica modular y el clculo de la inversa
de una matriz.
16
1.7
Telecomunicaciones
Es conocido en el mbito de las telecomunicaciones, el rol que tiene el Anlisis de Fourier, esto es
una aplicacin del Clculo y el Algebra Lineal, temas como Matrices, Espacios Vectoriales, Bases,
etc. son parte esencial de este apasionante tema de la ingeniera.
1.8
Compresin de imgenes
Captulo 2
Matrices
El objetivo inicial de este captulo es la de familiarizarse con la notacin del lgebra Lineal, se dan
las deniciones que ms adelante se emplearn. Luego de esto se estudia una de las herramientas
ms importantes en la materia, a saber, las operaciones elementales de la, para luego estudiar
la reduccin de Gauss. Finalmente, se estudian la denicin y las propiedades del determinante
de una matrz cuadrada.
2.1
Qu es una matriz?
Denicin 2.1 (Matriz) Una matriz es un arreglo rectangular de nmeros (reales o complejos)
dispuestos en las y columnas.
Ejemplo 2.1
2 3 3
2 5
7
2.1.1
Notacin.
Para denotar una matriz se usarn letras maysculas y los nmeros que componen la matriz se
denotarn con la misma letra (minscula o mayscula) con un par de subndices en referencia a
la posicin que ocupa en el arreglo. La matriz se encerrar con un par de parntesis o un par de
corchetes.
Ejemplo 2.2
A=
2 3 3
2 5
7
o A=
2 3 3
2 5
7
18
CAPTULO 2. MATRICES
Si A es una matriz de m las y n columnas, se escribir:
A = (aij ) ; i = 1, . . . , m; j = 1, . . . , n,
ms an, escribiremos A Mm,n , aqu Mm,n es el conjunto de matrices de m las y n columnas, los
nmeros aij se llamarn entradas de la matriz A, nalmente las entradas aii se llaman entradas de
la diagonal principal.
Aplicacin. Una compaia de artculos electrnicos fabrica televisores, celulares en dos plantas
P 1 y P 2, la siguiente matriz representa la produccin de las dos plantas por semana:
Artculo
Televisores
Celulares
videojuegos
2.1.2
Plantas
P1 P2
50 60
150 100
80 40
Si A Mm,n , se dir que la matriz A es de orden m n, m por n, esto es, m las y n columnas.
Ejemplo 2.3
A=
as A es de orden 2 2.
2.2.1
M22
3 4 1 4
B= 3 3
2 3 M34
0 2
3 2
luego B es de orden 3 4.
2.2
5 1
0 3
Denicin 2.2 (Igualdad de matrices) Sean A, B Mm,n , se dice que la matriz A es igual a la
matriz B, lo que escribimos A = B, si
aij = bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 2.4 Las matrices
A=
2 3 5
7
9 0
, B=
2 3 5
7
9 0
son iguales.
Las matrices
2
3
2 3
C= 1
1 , D = 1 1
5 1
1 5
2.2.2
19
Denicin 2.3 (Producto por un nmero) Sea A Mm,n y r R, el producto del nmero r y
la matriz A, es la matriz en Mm,n tal que
(rA)ij = raij ,
para i = 1, . . . , m; j = 1, . . . , n.
Nota. r = 1, en lugar de escribir (1) A, se escribir A.
Ejemplo 2.5
1 2 3 4
2 4 6 8
(2) 5 6 7 8 = 10 12 14 16
9 10 11 12
18 20 22 24
2.2.3
Suma
1 2 3 4
7
4
2 1
6 6
5 5
5 6 7 8 + 10 8
5 3 = 15 2 12 11
9 10 11 12
12 11 9 6
21 21 2 18
2.2.4
Resta
1 2 3 4
7
4
2 1
8 2 1 3
5 6 7 8 10 8
5 3 = 5 14 2 5
9 10 11 12
12 11 9 6
3 1 20 6
20
CAPTULO 2. MATRICES
2.2.5
Producto de matrices
A=
a1
a2
..
.
an
A = (a1 , a2 , . . . , an ) y B =
b1
b2
..
.
bn
A1
A2
A= .
.
.
Am
Ahora estamos en condiciones de denir el producto de matrices.
A=
A1
A2
..
.
Am
B = B1 , B 2, . . . , Bn ,
21
ai1
ai2
air
b1j
b2j
..
.
brj
b1j
b2j
..
.
brj
A1 B 1 A1 B 2 A1 B n
A2 B 1 A2 B 2 A2 B n
AB =
..
..
..
.
.
.
.
.
.
1
2
n
Am B Am B Am B
Ejemplo 2.8 Considere las matrices
A=
2 4 6
5
1 0
4 7
, B= 3 6
2 1
Entrada (AB)21 :
4
(2, 4, 6) 3 = (2) (4) + (4) (3) + (6) (2) = 16
2
4
(5, 1, 0) 3 = (5) (4) + (1) (3) + (0) (2) = 23
2
7
(2, 4, 6) 6 = (2) (7) + (4) (6) + (6) (1) = 4
1
22
CAPTULO 2. MATRICES
Entrada (AB)22 :
7
(5, 1, 0) 6 = (5) (7) + (1) (6) + (0) (6) = 41
1
De lo anterior:
AB =
2 4 6
5
1 0
4 7
3 6 =
2 1
16 4
23 41
(AB)ij =
aik bkj ,
k=1
2.2.6
pique
C = 120
mixto Pescados
80
30
costoBs
45
P =
35
50
120 80 30
45
35 = 9700 Bs
50
23
Ejemplo 2.9
2 1
A = 1 3 M32
4 5
At =
2.2.7
2 1 4
1
3 5
M23
Suma
Teorema 2.11 Sean A, B, C matrices del mismo orden, entonces:
1. A + B = B + A {Conmutatividad}
2. A + (B + C) = (A + B) + C {Asociatividad}
3. (A + B)t = At + B t
Demostracin. Ejercicio
Producto
Teorema 2.12 Sean A, B, C matrices del orden adecuado, entonces:
1. A (BC) = (AB) C {Asociatividad}
2. A (B + C) = AB + AC {Distributividad del producto respecto de la suma}
3. (AB)t = B t At
Demostracin.
1. Ejercicio.
2. Supngase que A Mm,r , B, C Mr,n , entonces:
r
[A (B + C)]ij =
Aik (B + C)kj
k=1
r
= (AB)ij + (AC)ij
luego A (B + C) = AB + AC.
24
CAPTULO 2. MATRICES
3. Supngase que A Mm,r , B Mr,n , entonces:
(AB)tji = (AB)ij
r
Aik Bkj
k=1
r
Bkj Aik
k=1
r
t
Bjk
Atki
=
=
k=1
t
B At
ji
luego (AB) = B t At .
A=
, B=
3 1
0 2
entonces:
AB =
2 1
4 3
3 1
0 2
BA =
3 1
0 2
2 1
4 3
6 0
12 10
2 6
8 6
2
1
2 1
, B=
AB =
2
1
2 1
1/2
1
Claramente:
1/2
1
=
0
0
25
Ejercicios propuestos
1. Una matriz A M3,3 tiene la siguiente propiedad: aij =
1
si i = j
ij
propiedad bij =
:
0
si i = j
1
i+j
1 2 3
4. Sea A = 4 5 6 , determinar una matriz B tal que
7 8 9
0
3 1
Sol. 6 2 9
3 12 4
1 1
2
A + B = 2
3 3
4 4
5
1 1
1 1
2 4
6
8
4 3
3 4
2 2
1 1
2 4
6 12
encontrarla.
9. Considere la matrices
1 1
1
2 1 1
4 1 1
A = 2 1 1 , B = 1 0 1 , C = 2 3 2 ,
1
0
2
0 1 2
1
0
1
10. Sea A Mn,n una matriz tal que AB = 0 para toda matriz B Mn,n , probar que A = 0.
26
CAPTULO 2. MATRICES
0 1
1 0
0 1
1 0
0 1
1 0
tiene la forma a
1 0
0 1
12. Una matriz A Mn,n es llamada matriz de probabilidad si: (i) cada ai,j 0, (ii)
aik = 1
k=1
40
5
1200
35
6
999
20
12
400
15
25
250
Se pide expresar el total de venta de los televisores como un producto matricial, luego indicar
el ingreso total, si todos los televisores se venden.
17. Una fbrica produce dos modelos de autos de juguete, G1 y G2, en tres tipos: A, B y C. La
cantidad de juguetes del modelo G1 producidos por semana son: 200 unidades del tipo A, 100
del tipo B y 150 unidades del tipo C; la cantidad e juguetes del modelo G2 producidas por
semana son 150, 250 y 400, respectivamente, de los tipos A, B y C. El modelo A lleva 20
horas de taller y 1 hora de administracin. El modelo B lleva 25 horas de taller y 1.5 horas
de administracin. El modelo C lleva 30 horas de taller y 2 horas de administracin.
(a) Describir la informacin dada en forma matricial.
(b) Determinar las horas de taller y de administracin empleadas para cada uno de los modelos.
Sol. Se requieren para el modelo G1 : 11000 horas de taller y 650 horas de administracin, y
para el modelo G2 se requieren 21250 horas de taller y 1325 horas de administracin.
2.3
2.3.1
27
Matrices especiales
Matriz cuadrada
Denicin 2.14 (Matriz cuadrada) Una matriz A Mn,n se llama matriz cuadrada, as una
matriz cuadrada tiene igual nmero de las que columnas.
Potencias
Una matriz cuadrada puede elevarse a una potencia entera positiva (luego se vern otro tipo de
potencias), Para esto denimos,
Denicin 2.15 (Potencia) Sea A Mn,n , k un entero positivo, denimos A1 = A y para k 1,
la k esima potencia de A, escrito Ak , est denida por
Ak = A Ak1
De la denicin se deduce:
A2 = AA
A3 = AA2 , etc
Matriz simtrica
Denicin 2.16 (Matriz simtrica) Una matriz cuadrada A Mn,n se dice simtrica si At = A.
Ejemplo 2.12 La matriz
1 2 3
A= 2 4 5
3 5 6
es simtrica pues At = A.
Ejemplo 2.13 La matriz
no es simtrica pues:
1 2 3
A= 4 5 6
7 8 9
1 4 7
1 2 3
At = 2 5 8 = 4 5 6 = A
3 6 9
7 8 9
Teorema 2.17 La suma de matrices simtricas es simtrica, en tanto que el producto de matrices
simtricas no necesariamente es simtrica.
Demostracin. Sea A, B Mn,n matrices simtricas entonces:
(A + B)t = At + B t
= A+B
28
CAPTULO 2. MATRICES
1 2
2 3
, B=
2 4
4 5
1 2
2 3
2 4
4 5
6 14
8 23
no es simtrica.
2.3.2
Matrices triangulares
Denicin 2.18 (Matriz triangular superior e inferior) Una matriz cuadrada A Mn,n es
triangular superior si:
aij = 0, para i > j
y es triangular inferior si:
aij = 0, para i < j
i, j = 1, 2, . . . , n.
Ejemplo 2.14 Las matrices
2.3.3
1 i=j
0 i=j
se llama matriz identidad en Mn,n . Una matriz que es mltiplo escalar de la identidad de llama
matriz escalar.
2.3.4
29
1 0 0
I3 = 0 1 0
0 0 1
c 0 0
cI3 = 0 c 0
0 0 c
aii
i=1
ai,ni+1
i=1
2.4
La funcin matricial w
Denicin 2.23 (La matriz contraidentidad) 1 Una matriz Wn = (wr,s ) Mn,n tal que wr,s = 1 si
r = n s + 1 y 0 en otro caso, es llamada matriz contraidentidad de orden n. Si ei es el i esimo
vector cannico de Rn , entonces la matriz contraidentidad puede escribirse como
Wn = [en en1 . . . , e1 ] .
Ejemplo 2.16
0 0 1
W3 = 0 1 0
1 0 0
30
CAPTULO 2. MATRICES
1 2 3 4
Ejemplo 2.17 Si A = 5 6 7 8 entonces con m = 3, n = 4:
9 10 11 12
a11 = a34 = 12
a12 = a24 = 8
a13 = a14 = 4
etc...
12
11
luego: A =
10
9
8
7
6
5
4
3
2
1
At Wn = (amj+1,i )
Wn At Wn = (amj+1,ni+1 )
= Aij
= A .
1 2 3
1. Sea A = 2 4 5
3 5 6
14 25 31
Sol.: 25 45 56
31 56 70
, calcular A2 , A3 .
2. Hallar todas las matrices cuadradas de orden 2 cuyo cuadrado sea nulo.
Sol.
0 0
b 0
0 x
0 0
a ab
b a
31
1
1
A = 2 1 ,
3
0
1 2
B = 2 1 ,
1 5
3 2
C= 0 1
1 1
1
(b) Encuentre una matriz E tal que 2A 5B + 2C + 2E = 1
1
1 1
1 1
5
2
1
1
2 6
2
7
5
1
Sol. D =
4 2
,E =
3
,X=
2
6
3
1
5
3 2
2 13
1 12
1
xy1 x+y
1
2x y
0
,B = x + y + 1
A = 2y
1
2
1
3x + 5y ,
2
2
2x
2
x y
0
x + y 2
1
2
2x + y 1 3x + y
C =
xy
2
0
2x y 1
0
2
Sol. Matriz A : x =
existen
1
10 , y
3
= 10
, Matriz B : x = 1 + 2t, y = t, donde t R, Matriz C : No
(AB)i,j
B1,j
..
.
Bj,j
..
.
0
32
CAPTULO 2. MATRICES
10. Sea A nilpotente de orden 2, X y Y matrices cuadradas tal que X = Y + A y supngase que
Y y A conmutan, probar que X n = Y n1 (Y + nA) para todo natural (Se asume que Y 0 es la
identidad)
11. Supngase que A M2,2 conmuta con todas las matrices en M2,2 . Pruebe que A es una matriz
escalar.
12. Una matriz A es idempotente si A2 = A. Supngase que A es idempotente y B = I A :
(a) Muestre que B es idempotente,
(b) Muestre que AB = BA
13. Determinar la veracidad o falsedad de las siguientes armaciones. Justique su respuesta.
(a) Si AB es simtrica, entonces A y B son simtricas.
(b) Si A es simtrica y P es cuadrada, entonces P AP t es simtrica.
14. Determinar a, b tales que
c 1
1 2d
1 0
0 1
+4
1
a 1
1 1 b
Sol. a = 1, b = 1, c = 3, d = 52 .
15. Considrese la matriz:
a 1
0 b
0 1
0
1 1
A = 0 1
1
0
0 1
16. Considere la siguiente grca, contruya una matriz G M5,5 que tenga la propiedad Gij = 0
si las poblaciones no estn conectadas y Gi,j si las poblaciones estn conectadas. Construya
la matriz G.
Vinto
4
Tiquipaya
3
1
Cochabamba
Sacaba
Punata
unos. Calcular: A = I
1
nU
U t.
Probar
1
1
..
.
1
33
(a) A es simtrica
(b) A2 A = A
(c) La traza es n 1
18. Es verdad que (A + B)2 es igual a A2 + 2AB + B 2 . En caso de respuesta negativa, determinar
matrices A y B tales que
(a) (A + B)2 = A2 + 2AB + B 2 y
(b) (A + B)2 = A2 + 2AB + B 2 .
19. Sean A, B matrices cuadradas en Mn,n . Pruebe que:
(a) tr At = tr (A)
(b) tr (A + B) = tr (A) + tr (B)
(c) tr (AB) = tr (BA)
n
(d) tr AAt =
a2ij
i=1 j=1
20. Sea k R, A y B matrices cuadradas tal que AB = kB. Pruebe que An B = kn B para todo
n N.
2.5
Reduccin de Gauss
2.5.1
Denicin 2.29 (Operaciones elementales de la) Sea A Mm,n . Sobre las las de esta
matriz se denen las siguientes operaciones:
1. Primera operacin elemental de la. A la la i se multiplica por el escalar r = 0. Se
emplea la notacin Fi(r) , ntese que:
aik = r (aik ) , k = 1, . . . , n.
De lo anterior se sigue que la la Fi se reemplaza con rFi .
Fi r Fi
2. Segunda operacin elemental de la. Las las i, j se intercambian. Se emplea la notacin
Fij , es claro que:
Fi Fj
3. Tercera operacin elemental de la. A la la i se suma la la h multiplicada por un
nmero r. Emplearemos la notacin Fih(r), ntese que
aik = aik + r (ahk ) , k = 1, . . . , n
De lo anterior se sigue que:
Fi Fi + r Fh
34
CAPTULO 2. MATRICES
Las operaciones elementales de columna se denen como las anteriores, reemplazando la por
columna.
Denicin 2.30 (Operaciones elementales de columna) Sea A Mm,n . Sobre las columnas
de esta matriz se denen las siguientes operaciones:
1. Primera operacin elemental de columna. A la columna i se multiplica por un escalar
r = 0. Se emplea la notacin Ci(r) , note que:
Ci r Ci
2. Segunda operacin elemental de columna. Las columnas i, j se intercambian. Se emplea
la notacin Cij , se sigue:
Ci Cj
3. Tercera operacin elemental de columna. A la columna i se suma la columna h multiplicada por un nmero r. Emplearemos la notacin Cih(r), ntese que
aki = aki + r (akh ) , k = 1, . . . , m
es claro que:
Ci Ci + r Ch
Denicin 2.31 (Matrices equivalentes) Se dice que dos matrices A y B son equivalentes, lo que
escribiremos A B, si una de ellas se obtiene de la otra mediante una sucesin nita de operaciones
elementales de la.
Se demuestra que si A B entonces B A; tambin si A B y B C, entonces B C.
Ejemplo 2.18 Sobre la matriz A, se realizan sucesivamente las siguientes operaciones elementales
de la.
1. F13 {Intercambio de la las 1 y 3}
2. F32(4) {A la la 3 se suma la la 2 multiplicada por 4}
3 4 5
A= 2 2 0
1 0 1 F
13
1 0 1
2 2 0
3 4 5 F
=B
32(4)
ntese que B A.
2.5.2
Es posible usar las operaciones elementales de modo que ciertas entradas se conviertan en cero, este
proceso se llamar aniquilamiento de entradas en una matriz.
35
1
2
3
1
2 3
0
1 6
A= 4
9 6
F21(4)
3 8 1
0 2 10 F
F
31(3)
32(2)
1 2
3
0 1 6 = B
0 0 2
2.5.3
2 4 0 1
A= 0 0 9 0
0 0 0 4
En la primera la existen 0 ceros antes del primer nmero distinto de cero (el 2).
En la segunda 2 ceros antes del primer nmero distinto de cero ( el 9) .
En la tercera 3 ceros antes del primer nmero distinto de cero (el 4).
Por tanto A est en la forma escalonada.
Ejemplo 2.21
3 2 0 0
B= 0 0 2 6
0 0 3 0
Denicin 2.34 (Forma escalonada reducida por las) Una matriz A est en la forma escalonada reducida por las si:
1. Est en la forma escalonada y
2. Los elementos distinguidos son iguales a la unidad y son los nicos nmeros distintos de cero
en su respectiva columna.
36
CAPTULO 2. MATRICES
1 4 0 0
A= 0 0 1 0
0 0 0 1
est en la forma escalonada reducida por las (los elementos distinguidos estn en negrillas).
Ejemplo 2.23 La matriz
1 4 3 0
B= 0 0 1 0
0 0 0 1
no est en la forma escalonada reducida por las por qu? (los elementos distinguidos estn en
negrillas).
2.5.4
Reduccin de Gauss
La reduccin de Gauss consiste en llevar una matriz a su forma escalonada mediante operaciones
elementales, se tienen dos formas
1. Reduccin de Gauss simple
2. Reduccin de Gauss con pivote
Reduccin de Gauss simple
Consiste en aplicar operaciones elementales a una matriz de modo de llevarla a su forma escalonada,
sin ms argumento que el hecho de poder hacerlo.
Ejemplo 2.24
0 1
2
4
1
1
2
1
0
0
A =
2 1
1 1 F
2
21
1
2 1
0
2
4
0 1
0 5
3 1 F
32(5)
2 1
0
1
2
4
1
1 1 F
31(2)
1
2 1
0
0 1
2
4
0
0 7 21
Ejemplo 2.25
1 1
2 0
1 1
2 0
1
0
1 2 0
0
0 0
A =
F21(1)
1 1 1
0
3 5 1
4
2 2 2 FF31(2)
0
6 10 2 F
23
41(4)
1 1
2 0
1 1
2 0
0
0
3
5
1
3
5
1
0
0 0
0
0
0 0
0
6 10 2 F
0
0
0 0
42(2)
37
donde m es el nmero de las de la matriz, si el mximo ocurre en |ah,j | se intercambian las las i
y h y luego se procede a la anulacin de los elementos bajo ai,j como en la seccin anterior.
Ejemplo 2.26 Considrese la siguiente matriz:
1 2 0
A = 4 1 2
5
0 10
1 2 0
5
0 10
5
0 10
A = 4 1 2
4 1 2 F 4 0 1 10
21
5
0 10 F
1 2 0 F ( 5 )
0 2 2
1,3
31( 1
5)
(Paso 2) Ahora 2 = m
ax {|1| , |2|} y ocurre en la la 3, luego se intercambian las las 2 y 3 para
luego proceder a la aniquilacin.
5
0 10
5
0 10
5
0 10
0 1 10
0 2 2
0 2 2
0 1 10 F
0 2 2 F
0
0 9
23
1
32( 2
)
5
0 10
as, A 0 2 2 con reduccin de Gauss con pivote.
0
0 9
Ejercicios
Reducir las siguientes matrices a la forma escalonada (la solucin no es nica) y escalonada reducida
por las
1.
1
0
0 1 0 0
2 1
0 0 1 0
2
3 1 0 0 1
1 0 0 1 0
0
Sol.
0 1 0 2 1 0
0 0 1 4 3 1
38
CAPTULO 2. MATRICES
2.
3.
1
2 1 2
1
A = 1 1 2 2 1
1
1 3 3
1
1 2 1 2 1
1 0 0 1 1
Sol. 0 1 3 4 0 , 0 1 0 1 0
0 0 5 5 0
0 0 1 1 0
4.
1 1
2 1 1
2
1
2
2
0
B=
0
1
0
2
1
0
2 2
0
1
1 1 2 1 1
1 0
0 3 2 4
0 1
2
Sol.
2
2
1 ,
0 0
0 0
3
3
3
0 0
0 2 0
0 0
0
0
1
0
0 1
0 1
0 12
1 0
3 3 1
C = 1 1 1
1
1
0
3 3 1
1 1 0
Sol. 0 0 23 , 0 0 1
0 0
0
0 0 0
a a
b b
B=
a b
b a
(b)
(c)
1+a
0 a
C = a b 1 a + b
1bc 0 b+c
2.6
2.6.1
39
Denicin 2.35 (Permutacin) Sea n un nmero natural, una permutacin del conjunto {1, 2, . . . , n},
es una reordenacin de estos nmeros.
Es un resultado del anlisis combinatorio que la cantidad de permutaciones que se tienen en el
conjunto {1, 2, . . . , n} es n!. Aqu n! es el factorial de n, y est denido por:
n! = 1 2 (n 1) n,
as:
3! = 1 2 3
4! = 1 2 3 4
por denicin 0! = 1.
Ejemplo 2.27 Considrese el conjunto {1, 2} . Las permutaciones de este conjunto son:
1, 2
2, 1
Ejemplo 2.28 Considere ahora el conjunto {1, 2, 3}. Las permutaciones de ste conjunto son:
123
132
213
231
312
321
Denicin 2.36 (Inversin) En una permutacin del conjunto {1, 2, . . . , n} existe una inversin
cuando un entero precede a otro menor que l. Si el nmero de inversiones es par, se dice que la
permutacin es par, si el nmero de inversiones es impar, se dice que la permutacin es impar. El
signo de una permutacin j1 j2 . . . jn est denido por:
sig (j1 j2 . . . jn ) =
40
CAPTULO 2. MATRICES
a11 a12
a21 a22
..
..
.
.
an1 an2
A=
a1n
a2n
..
..
.
.
ann
donde la suma se realiza sobre las n! permutaciones del conjunto {1, 2, . . . , n}. Finalmente diremos
que n es el orden de este determinante.
Ejemplo 2.30 Determinante de segundo orden
Considere la matriz
A=
las permutaciones del conjunto {1, 2} son
a11 a12
a21 a22
12, 21
41
|A| = a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + a13 (a21 a32 a22 a31 )
a22 a23
a21 a23
a21 a22
= a11
a12
+ a13
a32 a33
a31 a33
a31 a32
as |A| se calcula usando los elementos de la primera la con los signos que van alternadamente de
+ a , concretamente:
Primer sumando: a11 por el determinante de la matriz que resulta de eliminar la primera
la y primera columna de la matriz A.
Segundo sumando: a12 por el determinante de la matriz que resulta de eliminar la primera
la y segunda columna de la matriz A.
Tercer sumando: a13 por el determinante de la matriz que resulta de eliminar la primera
la y tercera columna de la matriz A.
Observacin. Reordenando los sumandos es posible obtener otras posibilidades para el clculo del determinante de una matriz en M33 en funcin de determinantes de orden dos, en efecto:
Empleando los elementos de la segunda la se tiene:
|A| = a21
a12 a13
a32 a33
a11 a13
a31 a33
+ a22
a23
a11 a12
a31 a32
a12 a13
a22 a23
a32
a11 a13
a21 a23
+ a33
a11 a12
a21 a22
= (1)
5 6
4 6
4 5
(2)
+ (3)
8 9
7 9
7 8
42
CAPTULO 2. MATRICES
3 1
0 1
(2)
2 2
1 2
= (2)
+ (1)
0 3
1 2
= 9
2.6.2
a b
x y
a x
b y
, At =
, luego:
|A| = ay xb
At
= ay bx
a b
0 0
a b
c d
F2(r)
a b
c d
a b
cr dr
=B
43
|B| =
a b
c d
F12
c d
a b
=B
calculando determinantes:
|A| = ad cb
|B| = cb ad = (ad cb)
as |B| = |A| .
P5 ) (operacin elemental Fij(r) ) Si AFij (r) B, r R, entonces
|B| = |A|
Ejemplo 2.38 Operacin elemental Fij(r) . Sea A =
aplicando la operacin elemental F21(r) , entonces:
A=
a b
c d
F21(r)
a b
c d
a
b
c + ra d + rb
= B,
44
CAPTULO 2. MATRICES
a b c
A= x y z
a b c
|A| = a
a x1 + x2
b y1 + y2
a x1
b y1
a x2
b y2
= abc
45
Efecto
determinante original por el escalar
cambio de signo
ninguno
Ejemplo 2.42
2 7
3
1
2 2
3 5
1
= (1)
1
2 2
2 7
3
3 5
1
F21(2)
F31(3)
= (1)
1
2 2
0 3 1
0
1 5
F32
F21
= (1)2
= (1)
1
2 2
0
1 5
0 3 1
F32(3)
1 2 2
0 1 5
0 0 16
2.6.3
Denicin 2.38 (Menor complementario) Sea A Mn,n . Sea Mij Mn1,n1 la matriz que
resulta de eliminar la la i y la columna j en la matriz A. El determinante |Mij | se llama menor
complementario de A, tambin se llamar simplemente menor. El nmero
ij = (1)i+j |Mij |
se llamar cofactor (o adjunto) de la entrada aij .
Observacin. Los signos (1)i+j de los cofactores de todos los elementos de A siguen la siguiente
regla: Los signos se alternan ya sea en las o columnas. As para A M3,3 los signos (1)i+j son:
+ +
+
+ +
Ejemplo 2.43 Considere la matriz
46
CAPTULO 2. MATRICES
entonces:
a22 a23
, |M12 | =
a32 a33
|M11 | =
a21 a23
, |M13 | =
a31 a33
a21 a22
a31 a32
y
11 = (1)1+1 |M11 | = |M11 |
12 = (1)1+2 |M12 | = |M12 |
13 = (1)1+3 |M13 | = |M13 |
Observacin. Del ejemplo 2.31 se tiene
|A| = a11 |M11 | a12 |M12 | + a13 |M13 |
= a11 11 + a12 12 + 13 13
esto no es casualidad, como se puede apreciar en el siguiente teorema.
Teorema 2.39 (Desarrollo por cofactores a travs de una la) Sea A Mn,n , entonces
n
|A| =
aik ik ,
i = 1, . . . , n
k=1
Teorema 2.40 (Desarrollo por cofactores a travs de una columna) Sea A Mn,n , entonces
n
|A| =
akj kj ,
j = 1, . . . , n
k=1
Ejemplo 2.44
2 0 3
A = 1 1 1
3 1 0
+ +
+
+ +
1 1
1 0
(0)
1 1
3 0
+ (3)
1 1
3 1
=4
0 3
2 3
+ (1)
1 0
3 0
(1)
2 0
3 1
=4
1 1
1 0
(1)
0 3
1 0
+ (3)
0 3
1 1
=4
2.6.4
47
1 2 3 4
5 6 7 8
A=
9 10 11 12
13 14 15 16
2.6.5
La denicin de rango
Denicin 2.43 (Rango) El rango de una matriz cuadrada no nula A es igual a r, lo que escribiremos rango (A) = r, si al menos uno de los menores cuadrados de orden r es distinto de cero, siendo
nulos los menores cuadrados de orden r + 1. Por denicin el rango de la matriz nula es 0.
Ejemplo 2.48 Considere
el determinante
2 0
1 1
2 0 1
A = 1 1 1
3 1 0
= 2, y |A| = 0, entonces rango (A) = 2.
48
CAPTULO 2. MATRICES
1 2 3 2
A = 3 6 10 8
2 4 7 6
Solucin.
1 2 3 2
1 2 3 2
0 0 1 2
A = 3 6 10 8
F21(3)
0 0 1 2 F
2 4 7 6 F
31(2)
32(1)
1 2 3 2
0 0 1 2
0 0 0 0
la ltima matriz est en la forma escalonada, y sus dos primeras las no son nulas, entonces
rango (A) = 2.
Ejemplo 2.50 Ahora considrese la matriz
1 2 0
B = 1 0 0
1 6 1
1 2 0
1 2 0
B = 1 0 0
0 2 0
F21(1)
1 6 1 F
0 4 1 F
31(1)
32(2)
1 2 0
0 2 0
0 0 1
la ltima matriz est en su forma escalonada, no tiene ninguna la nula, es decir rango (B) = 3.
49
Ejercicios propuestos
1. Determinar si las siguientes permutaciones son pares o impares encontrando el nmero de
inversiones.
(a) 3214. Sol. impar
(b) 4213. Sol. par
(c) 32154. Sol. par
(d) 13524. Sol. impar
(e) 42531. Sol. impar
2. Aplicando propiedades mostrar que
2
1
1
1 2
1
1
1 2
=0
a2 1 b2
b2 1 c2
c2 1 a2
(b)
a 1 a3
b 1 b3
c 1 c3
= (b c) (a c) (a b) (a + b + c)
(c)
1
1
1
1
1
x
x2 x3
3 x + 2 2x + 1 3x
3 2x + 1 x2 + 2 3x2
= x2 4x 3 (x 1)4
50
CAPTULO 2. MATRICES
(d)
1 1 1
x y
z
yz xz xy
= (x y) (y z) (z x)
(e)
y+z
x+z
x+y
x
y
z
x+y+z x+y+z x+y+z
=0
(f)
x+y
x
y
y x+y
x
x
y x+y
= 2 (x + y) x2 xy + y 2
(g)
1+a
a
a
a
a 1a
a
a
a
a 1+a
a
a
a
a 1a
= 1 8a2 + 8a3
(h)
x+a
x
x
x
x xa
x
x
x
x x+b
x
x
x
x xb
= a2 b2
(i)
a2 r
ab
ab
b2
ab
a2 r
b2
ab
ab
b2
a2 r
ab
b2
ab
ab
a2 r
= (a + b)2 r
(a b)2 r
a2 b2 r
(Sug. Podra sumar las ltimas tres columnas a la primera y factorizar (a + b)2 r)
6. Conjeturar una frmula para el determinante de
x 1 1
1 x 1
.. .. . .
.
. ..
. .
1 1 x
(Es una matriz con unos en cada entrada fuera de la diagonal y x en la diagonal). Sol.
(x 1)n1 (x + n 1) .
51
2
2 1
(a) A = 1
0
3 . Sol. rango(A) = 2.
1 2
4
1 1 0
2
1 1
(b) B = 0 1 1
. Sol. rango(B) = 3.
3 1 2
5
0 3
0 c b
12. Calcular del determinante de A = c 0 a . Sol. 2abc
b a 0
13. Determinar los valores de k de modo que las siguientes matrices tengan rango igual al orden
de la matriz.
1
0 1
(a) 2
k k . Sol. k = 1 y k = 0.
2 k 1
1
1
1
(b) 1 1 + k 2 . Sol. k = 4, k = 0.
1 1 + 2k k 5
1 1 1
(c) 1 3 0 Sol. k = 2
2 2 k
1 1
1
Sol. k = 2, k = 0
(d) 1 3
0
2
2 2 2 2k + k
6 12 + 7a 6 19a + 5b
(e) 3 6 + 3a 3 8a + 2b Sol. a = b, a = 0
1 2 + a
1 3a + b
14. Determinar los valores de k de modo que las siguientes matrices tengan rango igual a 2.
52
CAPTULO 2. MATRICES
6 18 2k
(a) 7 2 4 . Sol. k = 73
13
4 10
6
2
0 0
1
1 1 2
2
Sol. no existe
(b)
2
k 0 1
1
0 k
1
2.7
Sabias que?
(Tomado de http://www.enterate.unam.mx/Articulos/2003/mayo/progext.htm)
En el periodo de 1985 a 1987, seis personas fueron sobreexpuestas a radiacin por un tratamiento
contra el cncer que era proporcionado con ayuda de una mquina llamada Therac-25. Se cree que
tres de estos seis pacientes fallecieron debido a la sobreexposicin, causada por un error en el software
de la mquina Therac-25 y por la falta de monitoreo de los operadores de la mquina.
En 1995, el procesador Pentium de Intel R present un error de software, codicado en su hardware, que llevaba a la imprecisin en las operaciones de divisin de nmeros con punto otante.
Intel predeca que este problema slo lo notara una persona cada 27 mil aos, no obstante, fue tan
conocido, que la empresa perdi ms de 400 millones de dlares en reemplazos del procesador.
El 4 de junio de 1996, la nave espacial Ariane 5, a los 40 segundos de haber iniciado su secuencia
de vuelo y a una altitud de 3,700 metros, se sali de su ruta y explot. El problema fue ocasionado
por el software de navegacin que hered del Ariane 4 y que no fue debidamente probado.
Durante la Guerra del Golfo, un misil americano Patriot, fall en rastrear e interceptar un misil
Scud iraqu, el cual mat a 28 soldados e hiri a 100 personas. El problema se produjo por un
error en los clculos del Sistema de Control de Armas; cuando ocurri el incidente, el sistema haba
trabajado por ms de 100 horas, para entonces, la imprecisin del software se acumul y ocasion
que el sistema buscara en el lugar equivocado el misil Scud.
Captulo 3
3.1
3.1.1
Introduccin
La denicin de sistema lineal
3.1.2
Notacin matricial
A=
..
.. . .
..
.
.
.
.
am1 am2 amn
b=
b1
b2
..
.
bm
, x =
53
x1
x2
..
.
xn
54
3.1.3
x1
x2 =
x3
5
2
2
x= 0
1
pues
1 2 3
2 2 2
3.2
2
0 =
1
5
2
55
Ejemplo 3.2
1 2 1
3 5 1
x1
x2 =
x3
3
1
1 2 1 :
3
3 5 1 : 1
F21(3)
1
2
1 :
3
0 1 2 : 10
es claro que rango (A) = rango ([A : b]) = 2 < 3, luego el sistema tiene innitas soluciones (teorema
3.2).
Ejemplo 3.3
2
1
2 1
x1
3 5 1 x2 = 1
x3
5
4
7 0
1
2 1
[A : b] = 3 5 1
4
7 0
1 2 1 :
0 1 4 :
0 0 0 :
:
2
1
2
1 :
2
0
1
4 :
5
: 1
F21(3)
:
5 F
0 1 4 : 3 F
31(4)
32(1)
2
5
2
luego rango (A) = 2, rango ([A : b]) = 3, por tanto el sistema no tiene soluciones (teorema 3.2).
Ejemplo 3.4
1
2 1
x1
1
3 5 1 x2 = 14
x3
0
4
7 5
1
2 1
[A : b] = 3 5 1
4
7 5
1 2 1 :
0 1 4 :
0 0 5 :
:
1
1
2 1 :
2
: 14
0
1 4 : 11
F21(3)
:
0 F
0 1 1 : 4 F
31(4)
32(1)
2
11
15
luego rango (A) = rango ([A : b]) = 3, es decir, el sistema tiene solucin nica (teorema 3.2).
56
3.3
3.3.1
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos. La
solucin se encuentra sucesivamente en los siguientes pasos:
x3 se encuentra de la ecuacin a33 x3 = b3 , de donde
x3 =
b3
a33
1
(b2 a23 x3 )
a22
1
(b1 a12 x2 a13 x3 )
a11
Teorema 3.3 Sea Ax = b, es un sistema triangular A Mn,n de rango n, entonces las soluciones
son:
bn
xn =
ann
n
1
bj
xj =
ajk xk , j = n 1, n 2, . . . , 1
ajj
k=j+1
3.3.2
a11 0
0
x1
b1
a21 a22 0 x2 = b2
a31 a32 a33
x3
b3
Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos. La
solucin se encuentra sucesivamente con los siguientes pasos:
57
b1
a11
1
(b2 a21 x1 )
a22
1
(b3 a31 x1 a32 x2 )
a33
Teorema 3.4 Sea Ax = b, un sistema triangular inferior con A Mn,n de rango n, entonces las
soluciones del sistema son:
x1 =
xj
b1
a11
1
=
ajj
j1
bj
ajk xk , j = 2, . . . , n
k=1
3.4
3.4.1
3.4.2
Variables libres
Denicin 3.7 (Variable libre) Sea Ax = b, un sistema lineal con A Mm,n tal que [A : b] se
encuentra en su forma escalonada, sea j la columna en donde no existe un elemento distinguido, en
ese caso la variable xj se llamar variable libre.
Ejemplo 3.7 Considere el sistema
x1
2 1 3 1
4
x
0 0 1 3 2 = 1
x3
0 0 0 2
2
x4
58
2 1 3 1 : 4
0 0 1 3 : 1
0 0 0 2 : 2
los elementos distinguidos se encuentran en las columnas 1, 3, 4, por tanto la nica variable libre es
x2 .
Teorema 3.8 Si [A : b] se encuentra en la forma escalonada y rango (A) = rango (A : b) , y se tiene
al menos una variable libre, entonces se tienen innitas soluciones.
3.4.3
Los resultados previos justican el siguiente proceso para resolver un sistema lineal Ax = b, donde
A Mm,n .
Paso 1
Paso 2
Paso 3
Paso 4
Asignar valores arbitrarios a las variables libres o parmetros. Este hecho origina un
sistema cuadrado triangular superior.
Paso 5
Paso 6
Se escribe la solucin.
Ejemplo 3.8
1 2 1
3 5 1
[A : b] =
1 2 1 :
3
3 5 1 : 1
x1
x2 =
x3
F21(3)
3
1
1
2
1 :
3
0 1 2 : 10
que como se esperaba es triangular superior, resolviendo por sustitucin inversa se tiene sucesivamente:
x2 = 10 2t
x1 = 3 t 2 (x2 )
= 3 t 2 (10 2t)
= 17 + 3t
59
17 + 3t
x = 10 2t , t R
t
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 3.9 Resolver
Solucin.
2
1
2 3
2 1 0 x1
1
x2 =
1
1
0 3
x3
1 1 3
2
1
2 3 :
2 1 0 :
[A : b] =
1
0 3 :
1 1 3 :
1
2 3 :
0
1 6 :
0 2 0 :
0
3 6 :
1 2 3 :
0 1 6 :
0 0 12 :
0 0 0 :
2
1
2
0
3
1
F
1
0 2
21(2)
2 FF31(1)
0
1
41(1)
2
1 2
4
0 1
0 0
1
5 FF32(2)
0 0
42(3)
2
4
7
0
:
2
:
5
: 1
:
4 F
24
3 :
2
6 :
4
12 :
7
12 : 7 F
3
6
0
6
43(1)
Puede observarse que el sistema no tiene variables libres. Por otra parte el sistema tiene solucin
nica pues rango (A) = rango [A : b] = 3 = nmero de variables. Empleando sustitucin inversa se
tiene:
x3 = 7/12
x2 = 1/2
x1 = 3/4
Por tanto la solucin del sistema es:
x=
3
4
1
2
7
12
x1
1 1 1 1
6
x
3 3 4 5 2 = 29
x3
1 1 3 5
28
x4
60
1 1 1 1
[A : b] = 3 3 4 5
1 1 3 5
1 1 1 1
0 0 1 2
0 0 0 0
: 6
1 1 1 1 : 6
. 29
0 0 1 2 . 11
F21(3)
: 28 F
0 0 2 4 : 22 F
31(1)
32(2)
: 6
. 11
: 0
x2 = t
x4 = s
5 + t + s
x=
11 2s , t, s R
s
5
0
x=
11 + t
0
1
1
0
1
+ s
2
0
0
1
1 1
0
x1
2
0
k
2 x2 = 1
0
0 k2
x3
k1
determinaremos los valores de k para que el sistema (a) tenga solucin nica, (b) tenga innitas
soluciones, (c) no tenga soluciones.
61
Solucin. (a) El rango de la matriz de coecientes debe ser igual al rango de la matriz ampliada
e igual a 3, esto solo puede darse si k = 2 y k = 0.
(b) rango (A) = 2 para k = 0 o k = 2. Para k = 2, rango [A : b]=3, por tanto para este valor no se
pueden tener innitas soluciones (en realidad no se tienen soluciones), para k = 0, rango [A : b] = 2,
por tanto, para k = 0 se tienen innitas soluciones.
(c) Por lo anterior el sistema no tiene soluciones para k = 2.
Ejercicios propuestos
1. Determinar las condiciones que deben cumplir
solucin
x 2y = a1
2x + y = a2
4x + 3y = a3
2. Hallar los valores de k de modo que los siguientes sistemas (a) tengan solucin nica, (b)
tengan innitas soluciones, (c) no tengan soluciones
(a)
1
0 1
x
2
2
k k y =
4
2
2 k 1
z
5 + k
(b)
1
1
1
x
1
1 1 + k 2 y = 1
1 1 + 2k k 5
z
5+k
1 1 1
x
2
1 3 0 y = 1
2 2 k
z
4+k
(d)
x
2
1 1
1
1 3
y = 3
0
2
z
k+2
2 2 2 2k + k
62
k 1
1
x
k
1 k/4 1 y = 2k
k 1
k
z
k
(f)
k 4 4
x
k
1 k 1 y = 2k
4 1 k
z
4
Sol. (a) k R {5, 1, 4} , (b) No existe el caso de innitas soluciones, (c) k {5, 1, 4} .
3. Analizar las soluciones del sistema tomando en
1 /2
2
0 1
Sol.
cuenta el valor de y .
y =
z
1
1
a
2
, u2 =
0 , u3 =
1 determinar que condicin ha de cumplir a
4. Dados u1 =
1
a
1
1
para que v = 1 pueda escribirse como v = x u1 + y u2 + z u3 . Sol. a R {1, 3/2} .
1
5. Resolver:
Sol.
8 + t 3s
t
6
2+s
s
6. Resolver:
1 1
1
2
1
2
2
1
5
1
2 2
3
4
2
1
1 2
0 3
x1
x2
x3
x4
x5
1
2 0 1 0
1 2 1 1 0
1
2 1 3 1
x
y
z
u
w
0
=
10
= 3
Sol.
2 2t1 t2
t1
1 2t2
t2
2
7. Resolver:
63
Sol. :
1 2t1 t2
t1
2 2t2
t2
4
8. Resolver:
Sol. No existen.
9. Resolver:
2
Sol. : 1 t1
t1
0
0 3 6 2
1 2 1 1 0
1
2 1 3 1
x
y
z
u
v
= 3
x
1 2 0 1
2
1 2 1 1 y = 3
z
1
2 1 3
1
w
1 0 0
x
2
1 1 1 y = 3
1 1 1
z
1
3.5
3.5.1
Denicin 3.9 (Inversa) Sea A Mn,n . Diremos que una matriz B Mn,n es la inversa de A si
AB = In
BA = In
donde In es la matriz identidad, en Mn,n .
64
2 7
1 4
es :
A1 =
pues:
AA1 =
3.5.2
2 7
1 4
4 7
1
2
4 7
1
2
1 0
0 1
Clculo de la inversa
Para el clculo de la inversa de una matriz, recordemos algunos resultados de productos de matrices.
Inicio del repaso
AB 1 , AB 2 , . . . , AB n
Ahora estamos listos para discutir la forma de calcular la inversa. Sea A Mn,n una matriz de
rango igual a n, para el clculo de la inversa emplearemos la siguiente notacin:
A1 = X 1 , X 2 , . . . , X n , donde Xj es la j esima ser la inversa de A
I = [e1 , e2 , . . . , en ], I es la matriz identidad y ej la j esima columna.
Puesto que A1 es la inversa de A debemos tener AA1 = I, entonces:
AX 1 , AX 2 , . . . , AX n = [e1 , e2 , . . . .en ]
de donde
AX j = ej , j = 1, 2, . . . , n
lo anterior muestra que la j esima columna de X se encuentra resolviendo el sistema AX j = ej .
65
Puesto que en cada uno de estos sistemas la matriz A no varia, podemos considerar la matriz
aumentada que involucre todos los sistemas, esta matriz es:
[A : e1 , e2 , . . . , en ]
resolviendo estos sistemas encontramos las columnas de la matriz inversa X, ms an podemos llevar
la anterior matriz a la forma escalonada reducida por las, y puesto que A es de rango n, la matriz
escalonada reducida por las debe ser la matriz identidad, as la matriz aumentada tiene la forma:
e 1 , e 2 , . . . , en : X 1 , X 2 , . . . , X n
as se ha calculado la inversa, A1 = X 1 , X 2 , . . . , X n . A continuacin el algoritmo para el clculo
de la inversa.
Algoritmo para el clculo de la inversa
Para calcular la inversa de una matriz A Mn,n de rango n, se siguen los siguientes pasos
1 Se construye [A : e1 , e2 , . . . , en ]
2 Se realizan operaciones elementales de modo que
[A : e1 , e2 , . . . , en ] e1 , e2 , . . . , en : X 1 , X 2 , . . . , X n
3 La matriz inversa A1 tiene por columnas a los vectores X 1 , X 2 , . . . , X n .
Ejemplo 3.13 Calcularemos la inversa de
2 7
1 4
A=
Solucin.
2 7 : 1 0
1 4 : 0 1
F21(1/2)
2
7 :
1 0
0 1/2 : 1/2 1
2 7 :
1 0
0 1 : 1 2
2 0 :
8 14
0 1 : 1
2
1 0 :
4 7
0 1 : 1
2
por tanto:
A1 =
4 7
1
2
1 2
1
A = 2 1 1
1 0
1
F2(2)
F12(7)
F1(1/2)
66
1 2
1 : 1 0 0
1
2
1 :
1 0 0
0 3 3 : 2 1 0
[A : I] = 2 1 1 : 0 1 0
F21(2)
1 0
1 : 0 0 1 F
0 2
0 : 1 0 1 F
31(1)
1 2
1
2
1 :
1
0 0
1 0
0 3 3 : 2
0 1
F2(1/3)
1
2
0
0
2 :
1
3
3
F3(1/2)
0 0
1
1
1 2 0 : 56
1 0 0
3 2
1
0 12
0 1 0 : 2
0 1 0
1
0 0 1 : 16 13
0 0 1
2
F
12(2)
3.5.3
16
1
2
1
6
1
3
0
13
1
2
12
1
2
32 2
3
1 :
1 :
2
3
1
6
13
1 :
13
: 16
1
3
1
2
1
6
13
1
2
1
2
12
1
2
F23(1)
F13(1)
Teorema 3.10 Sobre una matriz A Mn,n , las siguientes armaciones son equivalentes:
1. A tiene inversa.
2. rango (A) = n.
3. |A| = det (A) = 0.
Teorema 3.11 Si A, B Mn,n son invertibles, entonces AB es invertible, ms an, (AB)1 =
B 1 A1 .
Demostracin. Aceptando que AB es invertible, entonces
(AB) (AB)1 = I
premultiplicando por la izquierda por A1 se tiene:
B (AB)1 = A1
premultiplicando una vez ms por B 1 :
(AB)1 = B 1 A1 .
67
Demostracin. Sea A una matriz invertible con inversa B. Si C es otra inversa se debe tener:
AB = I, BA = I
AC = I, CA = I
entonces:
B = BI
= B (AC)
= (BA) C
= IC
= C
eso prueba el teorema.
3.5.4
t
11 12 1n
21 22 2n
adj (A) =
..
.. . .
..
.
.
.
.
n1 n2 nn
1
adj (A)
|A|
a b
c d
d c
b a
d b
c a
por tanto:
A1 =
1
ad bc
d b
c a
68
1 2 3
A= 6 0 4
3 2 1
8
4
8
14
adj (A) = 6 8
12
4 12
por tanto
A1
8
4
8
1
6 8
14
=
40
12
4 12
Ejercicios propuestos
1. Sean A, B, C matrices con las dimensiones adecuadas, Bajo que condiciones AB = AC implica
B = C?.
2. Determinar la inversa de
0 12
Sol. 3 12
2 2
12
1
2
3. Determinar la inversa de
Sol. No existe.
3
1
1
A= 8
2
3
10 2 3
1 2 1
A = 1 3 2
1 3 2
a1 0
0 a2
A= .
..
..
.
0
es su inversa?
0
0
..
..
. .
an
69
2 a 4 a 2b
2 1+a
3+b
1
0
2+a+b
Sol. a = 0 y a = b.
8. Sea A M2,2 una matriz invertible tal que |A| = 1. Encuentre todas las matrices A tales que
A1 = A.
9. Considrese la matriz:
1
2
1
3
..
.
1
n
1
n+1
1
n+1
1
n+n1
1
2
..
.
1
n
..
.
..
.
(b) Si A es no invertible, entonces existe una matriz B Mn,n tal que AB = 0 pero B = 0.
11. Suponga que I AB es invertible. Prubese que si I BA es invertible, entonces
(I BA)1 = I + B (I AB)1 A.
(Sug. Conviene partir de la identidad I AB = I AB y hacer C = (I BA))
12. Sean A, B y A + B matrices invertibles. Prubese que A1 + B 1 es invertible. (Sug. Puede
partir de B 1 (A + B) A1 )
13. Muestre que si A Mn,n , entonces:
1
I A
0 I
I A
0 I
I
0
1
V X
I
= |X| Y V X 1 U
.
70
3.6
La regla de Cramer
Teorema 3.15 (Regla de Cramer 1 ) Considere el sistema Ax = b, A Mn,n . Supngase que |A| = 0,
si A = A1 , A2 , . . . , An , donde Aj es la j esima columna de A, y
x=
x1
x2
..
.
xn
A1 , . . . , Ai1 , b, Ai+1 , . . . , An
, i = 1, 2, . . . , n
|A|
Ntese que A1 , . . . , Ai1 , b, Ai+1 , . . . , An se obtiene de |A| reemplazando la i esima columna con
el vector b.
Ejemplo 3.17 Resolver:
a11 a12
a21 a22
x1
x2
b1
b2
Solucin.
x1 =
b1 a12
b2 a22
a11 a12
a21 a22
, x2 =
a11 b1
a21 b2
a11 a12
a21 a22
1 1
0
x
3
2 0 2 y = 10
0 1
2
z
15
Fuente Wikipedia. Gabriel Cramer (31 de julio de 1704 - 4 de enero de 1752) fue un matemtico suizo nacido en
Ginebra.
Mostr gran precocidad en matemtica y ya a los 18 recibe su doctorado y a los 20 era profesor adjunto de matemtica.
Profesor de matemtica de la Universidad de Ginebra durante el periodo 1724-27. En 1750 ocup la ctedra de losofa
en dicha universidad. En 1731 present ante la Academia de las Ciencias de Pars, una memoria sobre las mltiples
causas de la inclinacin de las rbitas de los planetas.
71
Solucin.
x=
3 1
0
10 0 2
15 1
2
1 1
0
2 0 2
0 1
2
4
, y=
2
1
3
0
2 10 2
0
15
2
1 1
0
2 0 2
0 1
2
2
, z=
2
1 1
3
2 0 10
0 1
15
1 1
0
2 0 2
0 1
2
14
2
x
2
y = 1
z
7
Ejercicios propuestos
1. Determine los valores de c de modo que
regla de Cramer.
1 2
1 c
2 1
1 a a2
A = 1 b b2
1 c c2
0 c b
cos
a
c 0 a cos = b
b a 0
cos
c
(b) Use la regla de Cramer para calcular los cosenos.
72
3.7
Sistemas homogneos
x1
x2 =
x3
0
0
1 2 1
3 5 1
F21(3)
1
2
1
0 1 2
73
3t
x = 2t , t R
t
el sistema tiene innitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 3.20 Resolver
Solucin.
1
2 3
0
2 1 0 x1
0
x2 =
1
0
0 3
x3
1 1 3
0
1
2 3
1
2 3
1
2 3
0
2 1 0
3 6
1 6
0
[A : b] =
0 2 0 0 2 0
1
0 3 F21(2)
0
1 6 F
0
3 6
1 1 3 FF31(1)
24
41(1)
1 2
3
1 2 3
0 1
0 1 6
6
0 0
0 0 12
12
0 0 12 F
0 0 0
F32(2)
F42(3)
43(1)
Esta matriz no tiene variables libres. Por otra parte el sistema tiene solucin nica pues rango (A) =
rango [A : b] = 3. Empleando sustitucin inversa se tiene:
x3 = 0
x2 = 0
x1 = 0
Por tanto la solucin del sistema es:
0
x= 0
0
74
x1
1 1 1 1
0
3 3 4 5 x2 = 0
x3
1 1 3 5
0
x4
Solucin.
1 1 1 1
1 1 1 1
[A : b] = 3 3 4 5
0 0 1 2
F21(3)
1 1 3 5 F
0 0 2 4 F
31(1)
32(2)
1 1 1 1
0 0 1 2
0 0 0 0
x2 = t
x4 = s
entonces, el sistema se convierte en:
x1 + x3 = x2 x4
x3 = 2x4
reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = t s
x3 = 2s
de donde sucesivamente:
x3 = 2s
x1 = t s (2s)
= t+s
por tanto la solucin del sistema es:
t+s
t
x=
2s , t, s R
s
1
1
x = t
0
0
+ s 0
2
1
75
Ejercicios propuestos
1. Resolver
t
Sol. x = t .
t
2. Resolver:
t
Sol. x = 0
t
2
1
1
x1
0
1 2
1
=
0
5 1 4 x2
x3
0
1 1
2
0
1
0
1
x1
1 1
1 x2 = 0
x3
0
1 1 1
3. Para que valores de k, el siguiente sistema (i) tiene la solucin nula como nica solucin. (ii)
Innitas soluciones.
1
1
1
x
0
1 1 + k
1 y = 0
1
1 3 + k2
z
0
Sol. (i) k
/ {0, 2, 2} (ii) k {0, 2, 2} .
4. Sea:
2 0
3
0
A= 0 5
3 0 2
0
1
1
Sol.: , t 1 asociado con 5, t 0 asociado con 1, t 0 asociado con 5
0
1
1
10 15 15
A = 6 11 6
3
3
8
1
1
5
t 0 , s 1 asociados con 5, t 2 asociado con 1.
1
0
1
76
3.8
Algo de criptografa
3.8.1
Considrese un reloj como el siguiente: Supngase que el reloj marca las 9, si transcurren 8 horas,
entonces el reloj marcar 5. Para nosotros, 9+8=17, sin embargo para el reloj apenas pasa de 12
vuelve a empezar en cero. Para explicar este hecho requerimos la siguiente denicin.
Denicin 3.17 (Congruencia mdulo n) Diremos que dos enteros a y b son congruentes mdulo
n, lo que escribimos
a b (mod n)
3.8.2
Tablas de sumar
En la aritmtica del reloj, podemos realizar operaciones de sumas, restas, multiplicacin y divisin.
A continuacin se muestran las tablas de la suma y producto en mdulo 12:
A continuacin se presenta la tabla de multiplicar en mdulo 28, ntese que slo algunos nmeros
3.8.
ALGO DE CRIPTOGRAFA
77
3.8.3
Matriz clave
Es una matriz cuadrada A Mm.m invertible mdulo 28. Es fcil producir estas matrices, por
ejemplo multiplicar dos matrices, una triangular inferior, de determinante cualquiera de los nmeros
del conjunto {1, 3, 5, 9, 11, 13, 15, 17, 19, 23, 25, 27} y la otra una triangular superior de determinante
1.
1 0 0
1 1 1
1 1 1
A = 2 1 0 0 1 1 = 2 3 3 ,
2 1 3
0 0 1
2 3 6
claramente el determinante de esta matriz es |A| = 3, puesto que 31 = 19 existe en mdulo 28, la
inversa de A existe. Calculando la inversa mediante la tcnica de la adjunta, se encuentra:
1
adj (A)
|A|
3 3
+ 3 6
1 1
1
= 3
+
3 6
1 1
+
3 3
t
9 6
0
= 19 3
4 1
0 1
1
3 27 0
=
26 20 9
0 9 19
A1 =
2 3
2 6
2 3
+
2 3
1 1
2 6
1 1
2 3
1 1
2 3
1 1
2 3
t
171 114
0
= 57
76
19
0
19
19
t
3 26 0
27 20 9
=
Mdulo 28
0 9 19
78
Ntese que ,
1 1 1
=
2 3 3
2 3 6
29 56
=
84 141
84 168
1 0 0
= 0 1 0
0 0 1
AA1
3.8.4
3 27 0
26 20 9
0 9 19
28
84
141
mod 28
Mensajes en clave
Nuestro objetivo es emplear la inversin de matrices junto con la aritmtica mdulo 28 en el proceso
de escribir mensajes en clave. Para este propsito consideremos una cadena de caracteres que
llamaremos mensaje, por razones de simplicidad, el mensaje se escribir con el alfabeto de 27 letras
en mnsculas mas un espacio.
abcdefghijklmnopqrstuvwxyz
Paso 1. El mensaje a encriptar de divide en cadenas de m caracteres, formndose vectores
columna de m lugares (se aaden espacios en blanco si es necesario), estas cadenas se traducen en
cadenas numricas con el siguiente criterio:
espacio
0
a
1
n
14
o
16
15
b
2
c
3
p
17
d
4
e
5
f
6
q
18
r
19
s
20
g
7
h
8
t
21
i
9
j
10
k
11
l
12
m
13
u
22
v
23
w
24
x
25
y
26
a
e
a
l , b , espacio
g
r
espacio
1
5
1
12 , 2 , 0
7
19
0
1 5
M = 12 2
7 19
es:
1
0
0
z
27
3.8.
ALGO DE CRIPTOGRAFA
79
Paso 2. Se elige una matriz invertible A Mm,m . Luego contruimos la matriz C = AM que
contendr nuestro mensaje en clave. Elegimos la matriz
1 1 1
A= 2 3 3
2 3 6
luego:
1 1 1
C = 2 3 3
2 3 6
20 26
= 59 73
80 130
20 26
=
3 17
24 18
1 5 1
12 2 0
7 19 0
1
2
2
1
2 mod 28
2
s
y
a
c , p , b
w
q
b
scwypqabb
Ntese que una misma letra puede codicarse con una letra distinta o igual, como es el caso de la
letra a que se codica como s y a y el espacio que se codica como la letra b en ambos casos.
Paso 3. (Recuperacin de la informacin) Puesto que C = AM y A es invertible, entonces
M = A1 C, por tanto para nuestro ejemplo:
3 27 0
20 26 1
M = 26 20 9 3 17 2
0 9 19
24 18 2
141 537 57
= 796 1178 84
483 495 56
1 5 1
= 12 2 0 mod 28
7 19 0
por tanto el mensaje recuperado es:
ALGEBRA
80
Ejercicios propuestos
En los siguientes problemas se debe trabajar con aritmtica modular mdulo 28
1. Sabiendo que la matriz invertible mdulo 28 es A =
5 7
1 2
1 1 1
A= 2 3 3
2 3 6
3.9
Sabias que?
(Tomado de http://200.109.120.2/mm/matematica3/fasciculo23.pdf )
Ya en el ao 450 a.C. los espartanos de Grecia enviaban mensajes codicados. Para ello enrollaban
una banda de cuero o cinturn sobre un cilindro, se escriba el mensaje y al desenrollar la banda de
cuero sta pareca que slo estaba adornada con marcas inocentes. Sin embargo, si el destinatario
del mensaje arrollaba nuevamente la banda alrededor de un cilindro similar al utilizado cuando se
escribi dicho mensaje, ste poda ser ledo sin dicultad. Este mtodo es un sistema de codicacin
por transposicin.
En el cifrado por sustitucin, cada letra o grupo de letras es reemplazada por una letra o grupo
de letras. Uno de los ms antiguos cifrados es el Cifrado de Csar, atribuido a Julio Csar, quien
sustituy cada letra por la que ocupa tres puestos ms all en el alfabeto. Con ese mtodo, a se
convierte en D, b en E, c en F,..., y z en C.
Una tcnica de codicacin por sustitucin fue utilizada por el insigne escritor estadounidense
Edgar Allan Poe (1809-1849) en su clebre narracin El escarabajo de oro. Tambin este tipo de
tcnica aparece con frecuencia en diarios y pasatiempos en los cuales se le propone al lector la
solucin de un criptograma.
En el siglo XIII, Roger Bacon (1214-1294) describi varios mtodos de codicacin. De trascendental importancia, durante la II Guerra Mundial, fue el hecho de que los estadounidenses lograran
descifrar el cdigo naval japons JN25 y los ingleses hiciesen lo propio con la mquina alemana
Enigma. Actualmente se utilizan sosticadas tcnicas de encriptamiento de mensajes las cuales se
basan en las propiedades de los nmeros primos.
Uno de los sistemas modernos para encriptar mensajes es el criptosistema de clave pblica. Uno
de stos es el sistema RSA (en honor de sus creadores los matemticos Rivest, Shamir y Adler).
3.10
81
Ejemplo 3.25 Un criadero de peces produce tres tipos de peces. Un pez de la especie I consume por
semana, un promedio de una unidad del alimento 1, dos unidades del alimento 2 y dos unidades del
alimento 3. Un pez de la especie II consume por semana dos unidades del alimento 1, una unidad
del alimento 2 y dos unidades del alimento 3. Finalmente un pez de la especie III consume dos, una
y una unidades de los alimentos 1, 2, 3 respectivamente. En el criadero se disponen semanalmente
de 12000 unidades del alimento 1, 9000 unidades del alimento 2 y 10000 unidades del alimento 3.
Asumiendo que todo el alimento se consume, cuntos peces de cada especie pueden mantenerse en
el criadero?.
Solucin. Los datos se pueden escribir de la siguiete manera
Alimento
1
2
3
Especie
I II
1 2
2 1
2 2
III
2
1
1
Especie
I
x
II
y
III
z
Alimento
1
12000
2 9000
3
10000
1 2 2
x
12000
2 1 1 y = 9000
2 2 1
z
10000
x
2000
Resolviendo se encuentra: y = 1000
z
4000
Ejercicios
1. Una compaia tiene tres plantas de produccin P1, P2, P3. En cada una de estas plantas se
fabrican tres productos A, B, C. Supongamos que de una unidad de insumo se sabe que: La
primera planta produce 4 de A, 2 de B y 4 de C; la segunda planta produce 5 de A, 4 e B y 2
de C; la tercera planta produce 2 de A, 4 e B y 5 de C. Las demandas a la compaia de estos
tres productos son 1700 de A, 1600 de B y 1550 de C. Cuntas unidades de insumo requiere
cada planta para satisfacer la demanda?. Sol. 100, 200, 150.
2. Un turista muestra su registro de gastos en alojamiento, comidas y varios de un viaje por
Bolivia. (a) El turista muestra que en hospedaje gast por da Bs 200 en Cochabamba, 225
en Santa Cruz y 450 en La Paz. En comida, el registro indica que gasto Bs. 260, 250, 630 en
Cochabamba, Santa Cruz y La Paz respectivamente. Finalmente en varios, el turista muestra
que gast Bs. 180, 150, 300 en Cochabamba, Santa Cruz y La Paz respectivamente. Calcular el
nmero de das que permaneci el turista en cada una de las poblaciones si su registro muestra
que gasto Bs. 5050 en hospedaje, Bs. 6710 en comida y Bs. 3600 en varios. Sol. 5, 4, 7.
3. Un nutricionista debe preparar una dieta que de tres alimentos Arroz , Carne y Lentejas,
cada alimento contiene a su vez grasa, proteina y carbohidratos. Cada 100 gramos de
arroz contiene 0.8 g de grasa, 7 g de proteina y 80 g de carbohidratos. Cada 100 gramos
de carne contiene 25, 17, 0.1 gramos de de grasa, proteina y carbohidratos respectivamente.
82
Artculos
Maquinas
M1 M2
2
1
3
2
2
2
X
Y
Z
M3
3
1
1
Las mquinas M1, M2, M3 ests disponibles 1050, 800, y 650 horas respectivamente. Determinar la cantidad de artculos que deben producirse para emplear todo el tiempo disponible
de las mquinas. Sol. 100, 150, 200.
6. Cierta fbrica emplea tres mquinas en la elaboracion de cuatro productos diferentes. Las
maquinas se utilizan 24 horas al da. La siguiente tabla da el nmero de horas que cada
mquina requiere para elaborar una unidad de cada producto.
Mquinas
M1
M2
M3
Productos
P1 P2 P3
2
2
0
1
2
2
2
1
1
P4
2
1
1
7
2
5
3
8
4
4
0
7. Un fabricante de muebles fabrica sillas, mesas y puertas. Se necesitan 12 minutos para lijar una
silla, 6 para pintarla y 10 para barnizarla. Se requieren 15, 12 y 14 minutos para lijar, pintar y
barnizar una mesa respectivamente, nalmente se requieren 7,2,16 minutos para lijar, pintar y
83
barnizar una puerta. Existen semanalmente 14 horas de lijado, 7 horas de pintado y 18 horas
de barnizado. Cuntas unidades de cada mueble deben fabricarse si se deben emplear toda
la capacidad de lijado, pintado y barnizado?. Sol.: 40,10,30.
8. En una placa con puntos igualmente espaciados, la temperatura de un punto es aproximadamente el promedio de las cuatro temperaturas adyacentes, por ejemplo en la gura que se
muestra a continuacin
T =
A+B+C +D
4
D
A
T
B
200 0
120 0
T1
T2
T3
T4
100 0
150 0
Sol. : T1 = 151. 25, T2 = 146. 25, T3 = 138. 75, T4 = 133. 75.
9. Modelo en redes. En estos modelos se asume que el ujo total en un punto es igual al ujo
que sale. En el siguiente ejemplo: c = a + b.
a
c
84
40
x1
x2
x4
x3
10
20
x5
10. La siguiente gura representa un acueducto, por donde uye el agua en miles de metros cbicos
por hora. Determine los caudales x1 , x2 , x3 , x4 .
1000
800
x1
x2
x3
x4
400
600
11. (Leyes de Kirchho ) En el anlisis de redes elctricas, las leyes de Kirchho establecen:
(a) En cualquier punto, la suma de la corriente que entra en ese punto es igual a la suma de
la corriente que sale.
(b) En toda malla la suma de todas las cadas de tensin es igual a la tensin total suministrada.
85
I1
10 voltios
R1 = 6
Trayectoria 1
I2
R2 = 4
Trayectoria 2
I3
R3 = 8
15 voltios
15
26 ,
I2 =
85
52 ,
I3 =
55
52 .
10 voltios
R1 = 6
I2
R2 = 4
R3 = 8
R1 = 1
20 voltios
I3
I1
I4
R4 = 2
R2 = 25
I2
I5
I5
R4 = 50
I6
R6 = 2
R3 = 30
R5 = 1
10 voltios
R5 = 2
I3
I4
I6
R6 = 55
15 voltios
12. La suma de las edades de tres hermanos es de 60 aos. La edad del mayor es igual a la suma de
las edades de sus hermanos menores. Dentro de 10 aos, el mayor doblar la edad del menor.
Calcula la edad actual de cada uno de los hermanos. Sol. : 20, 10, 30
13. Una empresa de alquiler de buses dispone de 12 buses destinados a organizaciones empresariales
y equipos deportivos. Dispone de tres tipos de buses: el tipo I es un bus grande con capacidad
para 41 pasajeros, este tipo de bus a tres personas como empleados para operar el bus (dos
conductores y un ayudante); el tipo II es un bus mediano con capacidad para 25 y tiene
a dos empleados para operar el bus (un conductor y un ayudante); el tipo III es un bus
86
14. Halla un nmero de tres cifras sabiendo que stas suman 16. Adems, la cifra de las decenas
es igual a la suma de las otras dos y, por ltimo, si a este nmero le restamos el que resulta
de invertir el orden de sus cifras, el resultado es 396. Sol.: 682.
15. Una matriz A M3,3 es mgica si la suma de cada la, cada columna y las dos diagonales es
el mismo valor. Halle todas las matrices mgicas en M3,3 .
2S 3r
S
r
3
3
2S 3r
S
Sol. M =
r
, donde S es la suma comn.
3
3
2S 3r
S
r
3
3
16. Tres productos qumicos X; Y y Z, tienen los siguientes porcentajes de Fe, Zn y Cu:
X
Y
Z
Fe
40
30
10
Zn
30
40
50
Cu
30
30
40
Cunto de cada producto debe combinarse para obtener un nuevo producto que contenga
23% de Fe, 42% de Zn y 35% de Cu? . Sol. X, 30%; Y, 20%; Z, 50% .
Captulo 4
4.1
En anteriores secciones se trabaj con objetos del conjunto Mm,n . En este conjunto no se ha dicho
nada sobre aspectos como la medida de cada elemento. Para poder discutir estos aspectos es
necesario denir el concepto de espacio vectorial.
Denicin 4.1 (Espacio Vectorial) Sea V un conjunto no vaco, en donde se han denido dos
operaciones llamadas suma y producto por escalar tal que para todo u, v V se tiene u + v V y
para todo u V y todo r R se tiene rv V. El conjunto V se llamar Espacio Vectorial real (y
sus elementos se llamarn vectores) si se cumplen las siguientes propiedades:
A1 : Para todo u, v V, u + v = v + u.
A2 : Para todo u, v, w V, u + (v + w) = (u + v) + w.
A3 : Existe un vector en V denotado por 0 vector cero tal que 0 + u = u para todo u V.
A4 : Para todo u V, existe u V tal que u + (u) = 0.
M1 : Para todo k R y todo u, v V, k (u + v) = ku + kv.
M2 : Para todo k1 , k2 R y todo u V, (k1 + k2 ) u = k1 u + k2 u.
M3 : Para todo k1 , k2 R y todo u V, k1 (k2 u) = (k1 k2 ) u.
M4 : Para 1 R, 1u = u, para todo u V
Ejemplo 4.1 Considere el conjunto V = {X : X Mm,n }, esto es, todas las matrices de m las y
n columnas, en este conjunto se denen las operaciones usuales de suma de matrices y producto por
un nmero denidos en el captulo 1. Es evidente que Mm,n es un Espacio Vectorial.
87
88
k (u + v) = ku + kv,
esto prueba que M1 se cumple. Para probar M2 sea u = (u1 , u2 ) , k1 = 3, k2 = 2, entonces:
(k1 + k2 ) u = (3 + 2) (u1 , u2 ) = (5u1 , u2 )
por otra parte:
k1 u + k2 u = 3 (u1 , u2 ) + 2 (u1 , u2 ) = (3u1 , u2 ) + (2u1 , u2 ) = (5u1 , 2u2 )
por tanto (k1 + k2 ) u = k1 u + k2 u. Esto prueba que M2 no se cumple y por tanto R2 no es Espacio
Vectorial con las operaciones denidas.
Ejemplo 4.3 Sea V = C [a, b], el conjunto de las funciones continuas en el intervalo [a, b] . En este
conjunto se denen: (x + y) (t) = x (t) + y (t) , (rx) (t) = rx (t) , aqu x, y son funciones contnuas
denidas en el intervalo [a, b] , por otra parte r R. Se puede probar que con estas operaciones el
conjunto C [a, b] es un Espacio Vectorial.
Uno de los ejemplos ms importantes se discute en la siguiente seccin.
4.2
El espacio vectorial Rn
89
x2
P2 = (x1 , x2 )
P1
O = (0, 0) x1
90
P2
v
P0
P1
x
Observacin 1. Si se elige como punto inicial el origen, la representacin geomtrica del vector se
llamar radio vector.
Observacin 2. Si un vector v tiene el punto Q como punto inicial y el punto P como punto nal,
entonces se verica:
v = P Q.
Observacin 3. Si un vector v tiene el origen O como punto inicial y el punto P como punto nal,
entonces es claro que:
v = P.
as existe una correspondencia biunvoca entre puntos y vectores.
4.2.1
La recta en Rn
P0
@v
P0 + t@v
L
Y
4.3. SUBESPACIOS
4.2.2
91
El plano en R3
Sean P0 un punto en R3 y u, v vectores. Denimos el plano que pasa por P0 generado por los
vectores no nulos u y v como el conjunto
P = {P0 + tu + sv : t, s R} .
Ntese que P R3 .
v
P0
4.3
Subespacios
4.4
Combinacin lineal
92
4.4.1
Espacio generado
Sea V un espacio vectorial. El conjunto de todas las combinaciones lineales del conjunto S =
{v1 , v2 , . . . , vk } V, se llamar espacio generado por S y se denotar con LIN (S) .
Teorema 4.3 El conjunto LIN (S) es un subespacio de V, ms an, es el subespacio ms pequeo
de V que contiene S, es decir si W es otro subespacio que contiene S, se debe tener LIN (S) W.
Ejemplo 4.8 En R3 considere el conjunto:
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}
determinar si v = (1, 2, 3) LIN (S) .
Solucin. Si el vector dado pertenece a LIN (S) , existen nmeros k1 , k2 , k3 tales que:
(1, 2, 3) = k1 (1, 0, 1) + k2 (1, 3, 3) + k3 (1, 3, 1)
esto origina el sistema:
1
1 1
1
k1
k2
=
2
3
3
3
k3
1 3 1
1 1
1 : 1
1 1
1 : 1
1 1 1 :
0
3
3 : 2
0
3
3 : 2
0
3 3 :
1 3 1 : 3 F
0 2 2 : 2 F
0
0 0 :
31(1)
32(2/3)
1
2
10
3
1
2
B = v1 = 1 , v2 = 1
1
1
a
Solucin. Sea v = b , un vector de R3 , si este vector se encuentra en LIN (B) se debe
c
tener que el sistema
x1 v1 + x2 v2 = v
debe tener solucin, reemplazando valores se encuentra el sistema:
1
2
a
1 1 x1 = b
x2
1
1
c
93
1
2 : a
1
2 :
a
1 2 :
a
1 1 : b
0
1 :
a+b
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
1
1 : c F
31(1)
32(1)
b : b + c = 0, a, b, c R
W =
b : a, b R
=
1
0
=
a 0 + b 1 : a, b R , un plano
0
1
4.4.2
Dependencia lineal
1 1
1
x1
0
0
3
3 x2 = 0
1 3 1
x3
0
1 1
1 : 0
1 1
1 : 0
1 1 1 : 0
0
3
3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 1 : 0 F
0 2 2 : 0 F
0
0 0 : 0
31(1)
32(2/3)
94
0
1 1 1
x1
x2
3 3
=
0
1 3 0
x3
0
1 1 1 : 0
1 1
1 : 0
1 1 1 : 0
0
3 3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 0 : 0 F
0 2 1 : 0 F
0
0 1 : 0
31(1)
32(2/3)
Ejercicios propuestos
1. Sea V = {(x, y) : x, y R} . Mostrar que V no es espacio vectorial con respecto a las siguientes
operaciones.
(a) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, kb)
(b) (a, b) + (c, d) = (a + c, b + d) y k (a, b) = k2 a, k2 b
(c) (a, b) + (c, d) = (a + c, b + d) y k (a, b) = (ka, 0)
2. Determinar si W es o no un subespacio vectorial de R3 donde:
(a) W = {(a, b, c) : c = 5a} . Sol. si
95
(b) El conjunto
x
L = y R3 : 2x 5y + 7z = 0 y x + y + z = 0
6. Mostrar que los siguientes conjuntos no son espacios vectoriales, (las operaciones son las usuales)
(a)
(b)
L1 = y R3 : x + y + z = 2
(c)
L2 = y R3 : x2 + y 2 + z 2 = 1
z
L3 =
x y
z 1
M2,2 : x, y, z R
96
(a) D =
2
0
0 2
(b) D =
2 0
0 1
1 1
0 1
,B =
0 1
1 1
,C =
1 0
1 1
. Sol. D = A B + C
1 1
0 1
0 1
1 1
1 0
1 1
4.5
97
Base y Dimensin
Denicin 4.4 (Base) Sea V un espacio vectorial , sea B = {v1 , v2 , . . . , vn } V. Diremos que B
es una base si:
(i)
B es LI.
(ii)
LIN (B) = V,
es decir, un conjunto es una base si es linealmente independiente y genera todo es espacio
V.
Observacin 1. Ntese que para comprobar si B es o no LI, se debe plantear la ecuacin:
x1 v1 + x2 v2 + + xn vn = 0,
(i)
(ii)
donde v V es un vector arbitrario. Si este sistema tiene soluciones entonces B genera V, es decir
LIN (B) = V, ms an solo es necesario demostrar que V LIN (B) , pues la otra inclusin es obvia.
Observacin 3. En la prctica se parte de la ecuacin (ii) pues (i) es un caso particular de (ii)
con v = 0.
Denicin 4.5 (Dimensin) La dimensin de un espacio vectorial es el nmero de elementos que
tiene su base. Si una base de un espacio vectorial V tiene n elementos, escribiremos dim (V ) = n.
Ejemplo 4.12 Considere el espacio vectorial R2 . Determinar si el conjunto
1
1
B=
2
1
es o no una base.
Solucin. Sea v =
a
b
x1
1
1
+ x2
2
1
a
b
esto da:
1 2
1
1
x1
x2
a
b
F21(1)
1 2 :
a
0 1 : a + b
es claro que el rango de la matriz de coecientes es igual al rango de la matriz aumentada e igual al
nmero de incgnitas, por tanto llegamos a las siguientes conclusiones.
98
1
2
B = 1 , 1
1
1
a
Solucin. Sea v = b , un vector arbitrario de R3 , resolvamos el sistema
c
1
2
a
1 1 x1 = b
x2
1
1
c
1
2 : a
1
2 :
a
1 2 :
a
1 1 : b
1 :
a+b
0
0 1 : a+b
F21(1)
1
1 : c F
0 1 : a + c F
0 0 : b+c
31(1)
32(1)
a
esto muestra, que en los casos b + c = 0, el sistema no tiene solucin, por tanto b no
c
necesariamente pertenece a LIN (B) , luego B no genera R3 .
De lo anterior se concluye que B no puede ser una base de R3 .
99
Ejemplo 4.14 (La base cannica de Rn ) En el espacio vectorial Rn se toman los vectores ei que
tienen la siguiente propiedad: tienen la unidad en la i esima componente y ceros en las dems, es
inmediato probar que el conjunto:
B = {e1 , e2 , . . . , en }
forman una base de Rn , as Rn tiene dimensin n. Si n = 4, el conjunto base (base cannica) es:
1
0
0
1
donde: e1 =
0 , e2 = 0
0
0
B = {e1 , e2 , e3 , e4 }
0
0
0
0
, e3 = .e4 =
1
0
0
1
Ejercicios propuestos
1. Complete la frase referente a la dependencia lineal:
(a) Un conjunto que contiene el cero es ...................
(b) Un conjunto que contiene un nico vector no nulo es ....................
es o no una base de R3 .
1
1
B = 1 , 2
1
0
1
1
C = v1 = 2 , v2 = 2
3
2
de manera que sea una base de R3 . Sol. e1 o e2 . (Sug. el vector no debe estar en LIN (C)).
100
4.6
1 1
A = 2 1
1
0
Solucin. Se
1 1
A=
2 1
1
0
y columna de
0
1 0
1
0 1
1 1 1
0
1 0
1 1 0
1 0
1 1 0
1 0
1
0 1
0
1 1 2 1
0
1 1 2 1
F21(2)
1 1 1 F
0
1 1 2 1 F
0
0 0
0 0
31(1)
32(1)
101
Determinacin de la base del espacio la: Est formada por las las no nulas de la matriz
escalonada. esto es, la base es:
1 1 0 1 0
0 1 1 2 1
1
1
2 , 1
1
0
Cmo determinar una base del espacio nulo?
Una base del espacio nulo de una matriz A Mm,n , se encuentra directamente de las soluciones que
se encuentran.
Ejemplo 4.16 Determinar la base del espacio nulo de:
x1
1 1 0
1 0
x2
2 1 1
0 1
x3
1
0 1 1 1 x4
x5
Solucin. Llevando la
1 1
A = 2 1
1
0
1 1
0
1
0
0
= 0
0
1 0 : 0
1 1 0
1 0 : 0
0
1 1 2 1 : 0
1
0 1 : 0
F21(2)
1 1 1 : 0 F
0
1 1 2 1 : 0 F
31(1)
32(1)
0
1 0 : 0
1 2 1 : 0
0
0 0 : 0
x3 = t
x4 = s
x5 = r
con esto, es sistema homogneo queda como:
1 1 :
s
0
1 : t + 2s r
de donde se encuentra:
x1 = t + s r
x2 = t + 2s r
102
t + s r
t + 2s r
x =
t
s
r
1
1
2
1
= t
1 + s 0
0
1
0
0
+r
1
1
1
1 2 1
1 , 0 , 0
0 1 0
0
0
1
1
1
0
0
1
Ejercicios propuestos
Determinar bases para el espacio la, columna y nulo de:
1.
1 0 1
A= 0 2 1
1 1 1
Sol.
1 0 1
0 2 1
0 0 1
2.
0
1 0
1
,
0 , 2 , 1 , 0
1
1
1
0
1
2 1
1
B = 2 4 0 2
1 2 1 1
Sol.
1 2 1 1
0 0 2 0
1
1
, 2 , 0 ,
1
1
2
1
1
, 0
0 0
0
1
103
3.
C=
Sol.
1 2 1
0 1 2
0
1
1
2
1
1
2
2
1
3
3
5
4
1 1
1
0
1 2
, 1 , 3
2 5
1
1
3
, 2
104
Captulo 5
5.1
5.1.1
106
P4 : u, u =
ut u
u21
+ u22
+ + u2n
u21
u22
0, aqu u =
u2n
u1
u2
..
.
un
= 0, de donde cada ui = 0, esto es, u = 0, el
P5 :Si u, u = 0, entonces
+
+ +
recproco es trivialmente cierto.
El producto interior euclidiano, se llamar tambin producto interno usual de Rn , es usual
emplear la notacin u v, en lugar de u, v .
Producto interno asociado a una matriz
A=
3 1
2 1
3 1
2 1
v1
v2
13 5
v1
v2
5 2
= 13u1 v1 + 5u1 v2 + 5u2 v1 + 2u2 v2 .
=
u1 u2
x, y =
x (t) y (t) dt
Ejemplo 5.2 En C [0, 1] , el producto interno de los vectores x (t) = t + 1 e y (t) = t2 es:
$ 1
%
&
7
t + 1, t2 =
(t + 1) t2 dt =
12
0
5.1.2
5.2
107
La norma de un vector
Denicin 5.2 (norma) Sea V un espacio producto interno, la norma (o longitud) de un vector
v V est denido por:
'
v =
v, v
donde , , es el producto interno denido en V.
Ejemplo 5.3 En el espacio vectorial Rn , con u, v = ut v, la norma inducida por este producto
interno es:
(
t
v = v v = v12 + v22 + + vn2
Denicin 5.3 (distancia) La distancia entre dos vectores de un espacio vectorial V est denido
por:
d (u, v) = v u ,
donde es la norma inducida por el producto interno denido en V.
5.3
5.3.1
Ortogonalidad
Vectores ortogonales
Denicin 5.4 (Vectores ortogonales) Dos vectores u, v en un espacio vectorial producto interno
se dirn ortogonales si
u, v = 0,
donde , , es el producto interno denido en V.
Ejemplo 5.4 En R3 considrese el producto interno usual, sean
2
2
1
u = 1 , v = 1 , w = 10
3
2
4
w, u
w, v
u, v
2
= (1, 10, 4) 1 = 2 10 + 12 = 0
3
2
= (1, 10, 4) 1 = 2 10 + 8 = 0
2
2
= (2, 1, 3) 1 = 4 + 1 + 6 = 3 = 0.
2
108
5.3.2
Conjuntos ortogonales
3
4
4
3
0
1
1
Ejemplo 5.7 En C [0, ] con el producto interno usual, el siguiente conjunto es ortogonal
{1, cos 2t, cos 4t, sin 2t, sin 4t}
5.3.3
1 1
2
2
1 , 0 , 0
1
12
2
Ejercicios propuestos
1. Denimos C [a, b] , como el conjunto de funciones continuas en el intervalo [a, b] , denimos
, : C [a, b] C [a, b] R por
$ b
x (t) , y (t) =
x (t) y (t) dt,
a
5.3. ORTOGONALIDAD
109
(b) Mostrar que el conjunto W = {1, sin nx, cos nx : n = 1, 2, . . .} es ortogonal en C [0, 2] .
2. En M3,3 se dene A, B = tr B t A , muestre que esta funcin es un producto interno.
3. En R2 , considere el producto interno
"
u1
u2
v1
v2
2 0
1 2
"
"
x
y
x
y
a
b
a
b
1
16 u2 v2
(b) u, v = 2u1 v1 + u2 v2
7. Encontrar el producto interior generado por una matriz y el producto interior euclidiano en
2
2
R2 para que la circunferencia unitaria sea la elipse xa2 + yb2 = 1.
8. Probar:
u+v
+ uv
=2
+ v
1
u+v
4
1
uv
4
2.
u, u v
1
2 = 2.
uv
110
5.4
5.4.1
vcu
cu
la altura del tringulo debe ser de la forma v cu, donde c es una constante. Por las condiciones
del problema, debemos tener:
v cu, u = 0
de donde se obtiene:
c=
v, u
.
u 2
v, u
u,
u 2
v, u
v
u,
u 2
v.
Denicin 5.5 (Proyeccin ortogonal). La proyeccin ortogonal del vector v sobre el vector u
est dado por:
v, u
proyu v =
u.
u 2
Observacin. Ntese que dado el conjunto {u, v} hemos construido el conjunto u, v
que es ortogonal, ms an
u, v
v, u
u
u 2
v, u
u
u 2
5.4.2
111
v2 , w1
w1 entonces el
w1 2
2
2
= 0
= 0
de donde:
c =
k =
v3 , w1
w1 2
v3 , w2
,
w2 2
por tanto:
w3 = v3
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
luego el conjunto {w1 , w2 , w3 } es ortogonal. Esto puede continuarse con ms vectores, originando el
proceso de Gram Schmidt, que se describe en la siguiente seccin.
5.4.3
vi , w1
vi , w2
vi , wi1
wi1 ,
2 w1
2 w2
w1
w2
wi1 2
w1
w2
wn
,
,...,
w1
w2
wn
112
1
0
0
B = v1 = 0 , v2 = 1 , v3 = 0 ,
1
1
1
1
w1 = v1 = 0 ,
1
Clculo de w2 :
v2 , w1
w2 = v2
w1 ,
w1 2
v2 , w1
1
= (0, 1, 1) 0 = 1, w1 2 = 2, luego:
1
0
1
1
0
w2 = 1
2
1
1
1
=
Clculo de w3 :
v3 , w1
v3 , w2
w3 = v3
w2
2 w1
w1 w2 2
1
v3 , w1 = (0, 0, 1) 0 = 1, w1
1
1
v3 , w2 = (0, 0, 1)
1 = 12 , w2
w3
12
=2
12
= 32 , luego
1
0
1
1
2
1
= 0 0 32 1
2
2
1
1
12
1
3
= 13
1
3
1
1
1
3
2
1
C = w1 =
0 , w2 =
1 , w3 =
3
1
1
1
2
3
113
+ 1
1
1
3
1
2
2
1
0 ,
1
D=
, 3
3
2
3
1
1
12
3
Ejemplo 5.11 Considere la base en R4
0
B = v1 =
1
Clculo de w1 :
1
1
1
1
, v2 = , v3 =
1
0
1
0
1
0
w1 =
1 ,
1
Clculo de w2 :
Clculo de w3 :
1
1 3
v2 , w1
w2 = v2
2 w1 = 1 3
w1
1
v3 , w1
w1
w1 2
1
1
0
1
1
0 3 1
0
1
w3 = v3
Clculo de w4 :
v4 , w1
w1
w1 2
1
1
0
1
0
1 3 1
1
1
w4 = v4
, v4 = 0
1
0
1
0
=
1 0
1
0
v3 , w2
w2
w2 2
2
0
3
1 1 0
= 1
1 0 3
0
13
v4 , w2
v4 , w3
w3
2 w2
w2
w3 2
2
0
3
0 1 23 0
1
1 0 6
3
9
0
13
0
,
C=
2
0
3
1
, 01
0 3
0
13
0
0
=
1
1
0
,
114
1
0
1
0
, 1
D=
0
1
3
1
0
3 0 1 0
, 1 ,
6 3
2 1
1
3
1
2
3
Ejercicios propuestos
1. Probar que tres vectores contruidos con el mtodo de Gram Schmidt son efectivamente ortogonales.
Determinar la base ortogonal y ortonormal a partir de las siguientes bases:
2.
3.
1
1
1
B = 1 , 2 , 2
1
1
3
1
1
1
1 , 2 , 0
1
1
1
0
0
1
B=
1 , 1 , 0
1
1
1
4.
2/3
0
1
1 , 1/3 , 1/2
1
1/3
1/2
1
1
1
B=
1
,
1
, 2
1
0
1
1 3
3
1
2
1 , 1 , 3
3
2
23
0
1
115
5.
3
1
1
B=
0 ,
7 , 2
0
2
7
0
2
7
6. En el conjunto C [1, 1] considere el conjunto 1, x, x2 , x3 , ortogonalizar este conjunto empleando el producto interno usual de C [1, 1] , normalize el resultado de manera que la imagen
de cada polinomio P (x) de este conjunto satisfaga P (1) = 1.
Sol.
1, x, 12 3x2 1 , 12 5x3 3x
116
Captulo 6
Autovalores y autovectores
En este captulo se estudia el concepto de autovalor y autovector, se enuncian sus propiedades y
teoremas relativos a este concepto. Se emplea este concepto para diagonalizar una matriz, esto tiene
muchas aplicaciones en ingeniera y otras ciencias.
6.1
Denicin 6.1 (Autovalor y autovector) Sea A Mn,n . Un vector no nulo v y un nmero sern
llamados autovector y autovalor asociados respectivamente si
Av = v
Ejemplo 6.1 Un autovalor y su respectivo autovector de
A=
son = 9 y v =
1
1
, ntese que
Av =
6.2
6.2.1
4
5
5 4
4
5
5 4
1
1
= 9
1
1
= v
(6.1)
118
4 5
5 4
4
5
5
4
= 2 + 8 9
2 + 8 9 = 0
1 = 9
2 = 1
1 4
4
1
119
1
seg
3.2 109 op
1hora
3600seg
1dia
24horas
1a
no
365dias
1mill
on aos
106 aos
= 153. 71
millones de aos.
An si se hubiese calculado el polinomio caracterstico, se deben calcular las races del polinomio, este problema tampoco es tan simple.
Existen algoritmos ecientes para calcular autovalores?
Si, en la actualidad existen poderosos mtodos como los algoritmos de descomposicin LR y QR, el
mtodo de la potencia, deacin. Estos se estudian en materias como Mtodos numricos.
Y entonces para que se estudia sta parte en lgebra Lineal?
El marco terico que se estudia, permite comprender muchos resultados como veremos luego en las
siguientes secciones.
6.2.2
Clculo de autovectores
2
1
3
A = 1 2 1
3 1
2
Solucin. El polinomio caracterstico es
P () = 3 22 15
luego la ecuacin caracterstica es
3 22 15 = 0,
120
0
2
1
3
x1
1 2 1 x2 = 0
0
3 1
2
x3
2
1
3
1 2 1
1 2 1
1 2 1
2
1
3
0
5
5
F21(2)
3 1
2 F
3 1
2 F
0
5
5 F
12
31(3)
32(1)
1 2 1
0
5
5
0
0
0
la variable libre es x3 , asignando x3 = t, se tiene:
x2 = x3 = t
x1 = 2x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 1 = 0 es
1
de este resultado concluimos que el autovector asociado a = 1 = 0 es v1 = 1
1
2+3
1
3
x1
0
1 2 + 3
1 x2 = 0
3
1 2 + 3
x3
0
resolviendo:
5
1
3
1
1 1
3 1
5 F
12
1
1 1
1
1 1
5
1
3
0 4
8
F21(5)
3 1
5 F
0 4
8 F
31(3)
32(1)
1
1 1
0 4
8
0
0
0
121
1
de este resultado concluimos que el autovector asociado a = 2 = 3 es v2 = 2
1
25
1
3
x1
0
1 2 5
1
x2
=
0
3
1 2 5
x3
0
resolviendo:
3
1
3
1 7 1
3 1 3 F
12
1 7 1
1 7 1
3
1
3
0 20
0
F21(3)
3 1 3 F
0
20
0 F
31(3)
32(1)
1 7 1
0 20
0
0
0
0
x2 = 0
x1 = 7x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 3 = 5 es:
1
de este resultado concluimos que el autovector asociado a = 3 = 5 es v3 = 0 .
1
3
2
B= 0
4
1 2
de:
1
0
3
122
0
1
2 1
x1
0
2 0 x2 = 0
x3
0
1 2 1
la solucin de este sistema es:
W=2
= t
0
: t R , dim (W=2 ) = 1
0
1
2
1
x1
x2
=
0
0
0
0
1 2 1
x3
la solucin es:
W=4
6.3
6.3.1
2
1
= t 1 + s 0 : t, s R , dim (W=4 ) = 2
0
1
= n S1 n1 + S2 n2 Sn1 Sn
n
(1)k Sk nk
=
k=0
donde Sk es la suma de todos los menores principales de orden k. Denimos S0 = 1. Ntese que
Sn = |A| .
6.3.2
Autovalores y rango
Teorema 6.5 Sea A Mn,n tal que rango (A) < n, entonces A tiene al menos un autovalor igual
a cero.
Demostracin. Por el teorema 6.4 el polinomio caracterstico no tiene trmino independiente,
pues Sn = |A| = 0, esto prueba que al menos existe un autovalor igual a cero.
6.3.3
123
Autovalores e inversa
Teorema 6.6 Una matriz es invertible si y solamente si todos sus autovalores son distintos de cero.
Teorema 6.7 Sea A una matriz invertible y un autovalor asociado al autovector v, entonces
un autovalor de A1 asociado a v.
es
6.3.4
6.3.5
A=
es p () = 2 6 + 10, y
p (A) = A2 6A + 10I
=
=
6.3.6
2 1
2 4
0 0
0 0
2 1
2 4
+ 10
1 0
0 1
(ii)
124
(iii)
6.3.7
Teorema 6.11 Sea A Mn,n simtrica, entonces sus autovalores son todos nmeros reales.
Ejemplo 6.7
4 5
0
0
A= 5 4
0 0 1
= (1 v1 )t v2
=
=
=
=
=
(Av1 )t v2
v1t At v2
v1t (Av2 )
v1t 2 v2
2 v1t v2
6.3.8
Ri =
j=1
j=i
|aij |
donde || es el valor absoluto. Entonces los autovalores de A estn en la union de los discos
n
,
i=1
125
5
2
A = 5
52
0
0
1 5
9
4
72
6.4
3
2 i,
9
4
7
2
6 1 1
A = 1 4 1
1 0
3
126
0
1 1 1
x1
1 1 1 x2 = 0 ,
x3
0
1 0 2
resolviendo, se encuentra que la solucin es
W=5 = t 1 : t R ,
2 1 1
1 0 1
1 0 1
x2
=
0
0
x3
W=4 = t 1 : t R
1 :tR
1 :tR
Mult. algebraica
Mult. Geomtrica
Ejemplo 6.10 En el ejemplo 6.4 (pgina 119) se calculan los siguientes resultados sobre la matriz
2
1
3
A = 1 2 1
3 1
2
Ecuacin caracterstica: 3 22 15 = 0
Autovalores, autovectores y multiplicidad
3
5
t 1 : t R
t 2 : t R
t 0 :tR
Mult. algebraica
Mul. Geomtrica
127
Ejemplo 6.11 En el ejemplo 6.5 pgina 121 se calculan los siguientes resultados sobre la matriz
3
2 1
B= 0
4 0
1 2 3
Ecuacin caracterstica: 3 102 + 32 32 = 0
Autovalores, autovectores y multiplicidad
6.5
6.5.1
t 0 : t R
2
1
t 1 + s 0 : t, s R
0
1
Mult. algebraica
Mult. Geomtrica
Semejanza y diagonalizacin
Matrices semejantes
Denicin 6.17 Se dice que dos matrices A, B Mn,n son semejantes si existe una matriz P
Mn,n invertible tal que
B = P 1 AP
Dos matrices semejantes tienen la propiedad de tener los mismos autovalores, esto es lo que dice
el siguiente teorema.
Teorema 6.18 Sean A, B Mn,n matrices semejantes, entonces A y B tienen los mismos autovalores.
Demostracin. Existe P Mn,n tal que B = P 1 AP. Sea un autovalor de A asociado a v,
es decir, Av = v. Denamos w = P 1 v, entonces
Bw = P 1 AP w
= P 1 AP P 1 v
= P 1 (Av)
= P 1 (v)
= P 1 v
= w
por tanto es un autovalor de B. Esto prueba el teorema.
Ejemplo 6.12 Considrense las matrices
A=
y
4 5
5 4
,P =
1 1
2 3
21
40
15 29
un clculo inmediato muestra que los autovalores de A y B son: 1 y 9.
B = P 1 AP =
128
6.5.2
Diagonalizacin
Sea A Mn,n , se dice que A es diagonalizable si existe una matriz invertible P tal que
P 1 AP = D,
donde D es una matriz diagonal, esto es, D = diag (d1 , d2 , . . . , dn ) .
El producto de una matriz arbitraria por una matriz diagonal
Para comprender de mejor manera el resultado de la siguiente seccin, ntese que el producto de
una matriz arbitraria y una matriz diagonal resulta ser la matriz cuya j esima columna es un
mltiplo de la j esima columna de la matriz P.
Ejemplo 6.13
P 1 AP = D,
entonces:
AP = P D.
Sea P = P 1 , P 1 , . . . , P n , entonces de la igualdad AP = P D y los resultados de productos de
matrices, se deduce:
AP 1 , AP 2 , . . . , AP n = d1 P 1 , d2 P 2 , . . . , dn P n ,
de donde:
AP i = di P i , i = 1, 2, . . . , n,
esto prueba que la i esima columna de P es el autovector asociado al autovalor di que a su vez es
la entrada (i, i) de la matriz diagonal D, ms an, al ser P invertible las columnas de A deben ser
linealmente independientes. Estas observaciones permiten probar el siguiente teorema.
Teorema 6.19 Sea A Mn,n . A es diagonalizable si y solamente si es posible encontrar una base
de n autovectores linealmente independientes.
En trminos de la multiplicidad algebraica y multiplicidad geomtrica, se tiene el siguiente resultado.
Teorema 6.20 Sea A Mn,n . A es diagonalizable si y solamente si cada autovalor tiene multiplicidad algebraica y multiplicidad geomtrica iguales.
129
6 1 1
A = 1 4 1 ,
1 0
3
2
1
1
1
1
1
:tR
:tR
Mult. algebraica
Mult. Geomtrica
2
1
3
A = 1 2 1
3 1
2
Se ha establecido el siguiente resultado:
3
5
t 1 : t R
t
2
:tR
t 0 :tR
Mult. algebraica
Mul. Geomtrica
luego las multiplicidades algebraica y geomtrica de todos los autovalores son iguales, por tanto
A es diagonalizable, mas an la matriz P que permite la diagonalizacin est formada con los
autovectores, as:
1 1 1
2 0
P = 1
1
1 1
y la matriz D con los correspondientes autovalores:
0
0 0
D = 0 3 0 ,
0
0 5
ntese que P 1 AP = D.
130
3
2 1
4 0
B= 0
1 2 3
se ha establecido el siguiente resultado:
t 0 : t R
2
1
t 1 + s 0 : t, s R
0
1
1 2
P = 0 1
1 0
Mult. algebraica
Mult. Geomtrica
1
2 0 0
0 , D = 0 4 0
1
0 0 4
nuevamente P 1 BP = D.
Diagonalizacin ortogonal
Recordemos que una matriz P es ortogonal si P 1 = P t .
Denicin 6.21 Una matriz A es diagonalizable ortogonalmente, si existe una matriz ortogonal P
tal que:
P t AP = D.
Observemos que si P t AP = D, entonces:
A = P DP t
aplicando transpuesta se encuentra:
At =
P DP t
= P t DP t
= P DP t
= A,
as la matriz A debe ser simtrica. Por tanto las nicas matrices diagonalizables ortogonalmente son
las simtricas.
Ejemplo 6.17 Diagonalizar la siguiente matriz ortogonalmente.
2 1 1
A= 1 2 1
1 1 2
131
Solucin.
Ecuacin caracterstica: 3 62 + 9 4 = 0,
Autovalores y autovectores:
1
= 1 = 4; autovector asociado: v1 = 1 ,
1
1
1
= 2 = 3 = 1; autovectores asociados, v2 = 0 , v3 = 1 .
1
0
Ntese que el conjunto {v1 , v2 , v3 } es un conjunto LI. Para generar un conjunto ortogonal emplearemos el clsico algoritmo de ortogonalizacin de Gram Schmidt.
1
Sea w1 = v1 = 1 ,
1
w2 = v2
v2 , w1
1
= v2t w1 = (1, 0, 1) 1 = 0, w1 2 = w1 , w1 = 3, por tanto:
1
1
1
1
0
w2 = 0 1 = 0 ,
3
1
1
1
w3 = v3
v3 , w1
v3 , w2
v2 , w1
w1
w1 2
v3 , w1
v3 , w2
w2
2 w1
w1
w2 2
1
= v3t w1 = (1, 1, 0) 1 = 0, w1 2 = 3
1
1
= v3t w2 = (1, 1, 0) 0 = 1, w2 2 = 2, por tanto:
1
1
1
1
1
2
0
1
w3 = 1 1 0 = 1
3
2
0
1
1
12
1
1
1
2
w1
w2
w3
es claro que el conjunto
,
,
= 13 1 , 12 0 , 26 1 es
w1
w2
w3
1
1
12
un conjunto ortonormal, ms an son autovectores, as la matriz P cuyas columnas son los
132
12 16
3
1
2
0
P = 3
6
1
1
1
3
2
6
ntese que
P t AP
1
3
12
16
1
3
0
2
6
1
3
1
2
16
4 0 0
= 0 1 0 = D.
0 0 1
2 1 1
1 2 1
1 1 2
1
3
1
3
1
3
12 16
2
0
6
1
1
2
6
Ejercicios propuestos
En los siguientes problemas, calcular (a) Autovalores, (b) autovectores, (c) multiplicidad algebraica
y multiplicidad geomtrica, (d) diagonalizar (si es posible) la matriz dada.
0
2 8
0
1
1
1. 20
18 8 , Sol. 20, 22 (b) 4 , 10 , 1
60 6 44
1
0
3
2 0 1
1
1
2. 2 3 2 , Sol. (a) 1, 3 (b) 2 , 2
1 1 2
1
1
2 1 0
1
1
1
3. 2 2 2 , Sol. (a) 0, 4, 2 (b) 2 , 2 , 0
0 1 2
1
1
1
1 7 2
1
1
1
4. A =
7 1 2 , Sol. (a) 0, 6, 9 (b)
1
,
1
,
1
1
2 2 1
4
0
2
4 2 2
8
1
1
5. A = 5 3 2 , Sol. (a) 1, 4, 0 (b) 11 , 1 , 1
7 1 6
9
3
1
0
4
1
1
1
6. B =
4 10
2
, Sol. (a) 4, 2, 2 (b)
2
,
2
12 18 2
4
6
133
4
1
1
1
1
1
7. C = 1
4
1 , Sol. (a) 1, 3 (b) 1 , 0 , 1
4 4 1
4
1
0
1 1 1
1
1
1
8. A = 1
1 1 , Sol. (a) 1, 2 (b) 1 , 0 , 1
1
1 1
1
1
0
0 2 5
2
5
1
9. A = 3 5 15 , Sol. (a) 1, 1 (b) 1 , 0 , 3
1 2 6
0
1
1
2 2
0 0
1
2
0
2
2
1
, Sol. (a) 2, 1, 5 (b)
10. A =
0 2
1
2 0
0
1
0 2
0
1
0 1
0
1
0 1
0
0
1
, Sol. (a) 0, 2 (b)
11. A =
1
1
0 1
0
0 1
0 1
0
1
2
12. A =
0
5
a2
ab
13. A =
ab
b2
2
1
2
0
0
2
1
2
ab
a2
b2
ab
5
1
2
0
, Sol. (a) 0, 2, 5, 7 (b)
2
2
1
1
ab
b2
a2
ab
1
1
2 1
,
2
2 , 1
2
1
1
b2
1
ab
1
, Sol. (a) (a + b)2 , (a b)2 , a2 b2 ,
1
ab
a2
1
2 1 1
15. A = 1 0
1 , Sol. P =
1 1
2
1
3
1
3
1
3
2
2 4 0
5 2
16. A =
4 2 3 , Sol. P =
12 2
3
0 3 2
10 2
0
0
1 1
,
0 , 0
1
1
1
1
2 1 1
3
2
6
1
1
14. A = 1 2 1 , Sol. P = 13
2
6
1
2
1 1 2
0
3
6
1
2
0 3
, ,
0 2
2
1
2
3
,
2
1
1
0
,
1
0
2
1
,
1
2
0
1
1 1
,
1 , 1
1
0
1
0
,
0
1
1
12
6
0 26
1
2
2
5 2
1
2 2
3
10 2
1
6
3
5
45
Mostrar que existe una matriz ortogonal P formada por autovectores tales que P t AP es una
matriz triangular superior.
134
5 3 3
17. A = 6 4 3 , Sol. P =
6 3 2
1
3
1
3
1
3
0 26
1
2
12
1k
A=
k
0
1
6
1
6
diagonalizable?
k
k
k+1 k1
0
2
19. Sea A una matriz idempotente (A2 = A), probar que sus autovalores son = 0 y = 1.
20. Sea A una matriz ortogonal (A1 = At ), probar que sus autovalores son = 1 y = 1.
21. Sean A, B Mn,n . Si A es invertible, demostrar que AB y BA son semejantes y por tanto
tienen los mismos autovalores.
22. Calcular la m - sima potencia de:
Sol.
2
1 m
3 + 37
1
3 + 13 7m
13 + 13 7m
3 2 2
A= 2 3 2
2 2 3
13 + 13 7m 13 + 13 7m
2
1 m
13 + 13 7m
3 + 37
13 + 13 7m 23 + 13 7m
a2 ab b2
ab a2 ab
b2 ab a2
24. Determinar los valores a para los cuales la siguiente matriz es diagonalizable, calcule la matriz
P que diagonaliza esta matriz:
a a a
A= a
a 2a
0
0 1
25. Supngase A Mn,n , I Mn,n la matriz identidad y c, d nmeros.
(a) Pruebe que si es un autovalor de una matriz A asociado al autovector v, entonces v es
un autovector de la matriz cA + dI asociado al autovalor c + d
(b) Pruebe que si A es diagonalizable entonces lo es tambin cA + dI.
26. Muestre que si es un autovalor de A, entonces k es un autovalor de Ak .
27. Pruebe que si la matriz A Mn,n verica que Ap = 0, entonces el nico autovalor que puede
tener es = 0.
135
n 1
1 n
A= 1 1
.. ..
. .
1 1
1 1
1 1
n 1
.. . .
..
. .
.
1 n
a b c
c b a
b a c
(b)
'
donde a > b, a > c. Sol: a + c + b, (a c) (a b)
(c)
a b c
b a c
c b a
Sol. a + b + c, a b, a c.
a2 2ab b2
2ab a2 b2
b2
2ab a2
136
Captulo 7
Transformaciones lineales
Muchos problemas prcticos planteados en un espacio vectorial pueden convertirse en problemas ms
simples en otro espacio vectorial, para realizar esto, es necesaria una adecuada funcin entre esos
dos espacios vectoriales, tal funcin se llama Transformacin lineal, en ste captulo estudiamos
el marco terico de estas funciones.
7.1
Introduccin
7.1.1
x
T y =
z
2x + y
y + 3z
x
a
x+a
T (u + w) = T y + b
z+c
=
2 (x + a) + (y + b)
(y + b) + 3 (z + c)
2x + y
y + 3z
137
2a + b
b + 3c
138
x
a
= T y +T b
z
c
= T (u) + T (w) .
por otra parte si k R, entonces:
kx
T (ku) = T ky
kz
2kx + ky
ky + 3kz
2x + y
y + 3z
x
y
= kT
z
= kT (u) .
= k
7.1.2
obsrvese que T
0
0
x
y
2x + 3y + 5
=
x+y
x + 2y 1
5
0
= 0 = 0 , por tanto T no es transformacin lineal.
1
0
139
xy
= x
x+y
Ejercicios propuestos
1. Demostrar el teorema 7.1.
2. Determinar si las siguientes funciones son o no transformaciones lineales
x
3x y + 2z
3
2
(a) T : R R , T
y =
Sol. Si
x+z
z
x
y
(b) T : R2 R2 , T
(c) T :
R3
x
y+2
M2,2 , T
y =
z
x y
z w
(d) T : M2,2 R2 , T
(e) T : R2 R3 , T
x
y
(f) T : R2 R2 , T
x
y
Sol. No
x+y xz
y
2z
=
2x 3w
3z 4y
Sol. Si.
Sol. Si
xy
x Sol. No
x+y
|x|
0
, Sol. No
3. Se dene T : Mn,n Mn,n por T (x) = xM + Mx, donde M es una matriz cualquiera de V,
mostrar que T es una transformacin lineal.
7.2
Considere un espacio vectorial V, sea B = {e1 , e2 , . . . , en } una base de V. Sea T una transformacin
lineal de V en un espacio vectorial W. Si v V, entonces
v = c1 e1 + c2 e2 + + cn en ,
aplicando la transformacin lineal se encuentra:
T (v) = c1 T (e1 ) + c2 T (e2 ) + + cn T (en )
lo anterior muestra que la transformacin T est completamente determinada por las imgenes de
los vectores bsicos. Lo anterior permite construir transformaciones lineales.
140
1
1
0
B = v1 = 1 , v2 = 0 , v3 = 0
1
1
1
1
T 1 =
1
1
,T 0 =
1
1
1
2
1
0
,T 0 =
1
1
1
(i)
x
Solucin. Sea v = y , existen nmeros c1 , c2 , c3 tal que
z
(ii)
v = c1 v1 + c2 v2 + c3 v3 ,
esto origina el sistema:
c1
x
1 1 0
1
0 0 c2 = y
1
1 1
c3
z
resolviendo se encuentra:
(iii)
c1 = y
c2 = x y
c3 = x + 2y + z
empleando la transformacin T a la ecuacin (ii) se encuentra:
T (v) = c1 T (v1 ) + c2 T (v2 ) + c3 T (v3 )
reemplazando (i), (iii) y v en la anterior ecuacin se encuentra:
x
T y = y
z
1
1
+ (x y)
x y + z
2x + 4y + z
2
1
+ (x + 2y + z)
1
1
7.3. COMPOSICIN
141
Ejercicios propuestos
1. Sea T : R2 R una transformacin lineal tal que
T
determinar T
x
y
1
1
= 2, T
1
2
= 2
. Sol. 6x 4y
1
1
1
T
= 0 ,T
1
2
1
y
x
Determinar T
. Sol. x + y
y
6x + 5y
2
= 1
4
2
4
1
1
,T
3
6
1
1
explicar.
4. Sea T : U V una transformacin lineal. Sea B = {u1 , u2 , . . . , un } un conjunto en U tal que
C = {T (u1 ) , T (u2 ) , , T (un )} es L.I., Mostrar que B es L.I.
7.3
Composicin
S(T (u))
T (u)
u
S T
La compuesta de T y S, escrito S T, es la funcin de U en W denida por:
(S T ) (u) = S (T (u)) ,
es evidente que S T es una transformacin lineal.
142
x 2y
u
x
T
= 2x + y , S v =
y
2x + 2y
w
u 2v
v+w
Solucin.
(S T )
x
y
= S T
x 2y
= S 2x + y
2x + 2y
=
7.4
7.4.1
x
y
x 2y 2 (2x + y)
2x + y + 2x + 2y
5x 4y
3y
Ncleo e imagen
Ncleo
7.4.2
Imagen
143
7.4.3
El teorema de la dimensin
xy
x
T
= x + 2y
y
x+y
Solucin.
Clculo de la nulidad
Nu (T ) =
=
lo anterior origina el sistema:
x
y
x
y
1 1
1
2
1
1
0
:T
= 0
xy
0
: x + 2y = 0
x+y
0
x
y
x
y
0
= 0 ,
0
0
0
por tanto
Nu (T ) =
0
0
144
luego nulidad (T ) = 0
Clculo de la imagen
a
Im (T ) = b : T
x
y
a
= b para algn
c
xy
a
x + 2y = b
x+y
c
1 1
1
2
1
1
x
y
a
= b
c
x
y
1 1 :
a
1 1 a
1 1 :
a
1
0
3 :
a + b
2 b
0
3 : a + b
F21(1)
1
0
0 : 3 a + c 23 b
1
1 c F
0
2 : a + c F
31(1)
2
32( 3
)
lo anterior muestra que el sistema tiene solucin si y solamente si 13 a + c 23 b = 0, por tanto:
a
2
1
b : a + c b = 0; a, b, c R
Im (T ) =
3
3
c
: a, b R
=
b
1
2
3a + 3b
1
0
0
1
=
a
+b
: a, b R
1
2
3
2 1 6
2 2 6
x
y =
z
0
0
145
x
1
y = t 4 , t R
z
1
por tanto:
Nu (T ) = t 4 , t R ,
x
T y =
z
2x y + 6z
2x 2y + 6z
x
y =
z
2 1 6
2 2 6
a
b
a
b
2 1 6 :
a
0 3 12 : a + b
lo anterior muestra que ste sistema siempre tiene soluciones, es decir, cualquier
a
b
Im (T ) ,
Ejercicios propuestos
1. En los siguientes problemas, determinar una base y la dimensin de (i) ncleo (ii) la imagen
de T.
x
x y + 2z
(a) Sea T y = 4x 2y + 13z
z
2x 3z
3/2
a
: a, b R
Sol. Nu (T ) = t 7/2 : t R , Im (T ) =
b
2
1
1
3a 3b
146
x
x + 2y z
(b) Sea T y =
y+z
z
x + y 2z
3
1
0
Sol. Nu (T ) = t 1 : t R , Im (T ) = a 0 + b 1 : a, b R
1
1
1
1 2
, sea T (A) = AM MA determinar una base y la
0 3
1 1
1 0
dimensin del ncleo de T. Sol.
,
0 0
0 1
7.5
1 2
3 5
La transformacin inversa
Denicin 7.7 (Transformacin 1-1) Sea T : U V, una transformacin lineal. Se dice que T
es uno a uno (1 1) si para elementos u1 , u2 distintos de U , se encuentra que T (u1 ) = T (u2 ) .
Una denicin alternativa es: Se dice que T es uno a uno si T (u1 ) = T (u2 ) implica u1 = u2 .
Teorema 7.8 Sea T : U V, una transformacin lineal. Las siguientes armaciones son equivalentes.
1. T es uno a uno.
2. Nu (T ) = {0} .
3. nulidad (T ) = 0.
Ejemplo 7.9 Determinar si la siguiente transformacin es o no uno a uno.
x + 2y
x
T
= xy
y
2x y
el ncleo de T se encuentra resolviendo:
x + 2y = 0
xy =0
2x y = 0
se encuentra que la nica solucin es:
x
y
Nu (T ) =
0
0
, por tanto
0
0
147
3x y
4x y
(a) determinar si es o no
a
b
0
0
0
0
, por tanto Nu (T ) =
tal que T
x
y
a
b
, luego T es invertible.
T 1
x
y
yx
3y 4x
148
Ejercicios propuestos
En los siguientes ejercicios, determinar T 1 si sta existe.
1. T : R2 Im (T ) , T
x
y
x
2. T : R3 R2 , T y =
z
x 2y
a
= 2x 3y . Sol. T 1 b =
xy
c
x 2y + z
x + y 3z
3a + 2b
b 2a
, c=ba
. Sol. No existe
x + z
x
2x + y 2z
3. T : R3 R4 , T y =
x + 2y z , Sol. No existe
z
xz
4. T : R2 R4 , T
5. Sea
x
y
x 2y
x + 3y
, Sol. T 1
=
3x 5y
a
b
=
c
d
3a + 2b
a+b
, c = 4a + b, d = 0
1
0
W = a 1 + b 1 : a, b R
1
1
x
3x + y
2
y =
, z = 2x + y. Sol. T 1
Se dene T : W R por T
8x + 3y
z
3a b
8a + 3b ..
2a + b
7.6
7.6.1
a
b
c1
c2
..
.
cn
149
c1
c2
mat B u = .
.
.
cn
Ejemplo 7.12 En R3 se considera la base
1
2
0
B = u1 =
0 , u2 =
0 , u3 =
1
1
0
1
1
sea u =
2 , para encontrar la matriz de coordenadas matB u se plantea el sistema:
3
c1 u1 + c2 u2 + c3 u3 = u
lo que origina:
1
1 2 0
c1
0 0 1 c2 = 2
c3
3
1 0 1
mat u =
0 .
2
7.6.2
a1j
a2j
C
las componentes de la matriz mat T (uj ) = .. forman la j esima columna de la matriz
.
amj
de coordenadas de la transformacin T, se denota con matC
B T,
mat C
.
..
..
..
BT =
..
.
.
.
am1 am2 . . . amn
es decir:
150
mat B u
para todo u U.
Demostracin. Sea u U, existen nmeros c1 , c2 , . . . , cn tal que:
u = c1 u1 + c2 u2 + + cn un ,
por tanto:
mat B u =
c1
c2
..
.
cn
mat C T (u) =
..
..
..
..
.
.
.
.
mat C
BT
mat B u .
c1
c2
..
.
cm
151
T
y =
.
y+z
z
1
1
0
Sean B = u1 =
0 , u2 =
0
, u3 =
1 ,C =
1
1
0
de R3 y R2 respectivamente.
(a) Calcular matC
BT
v1 =
2
5
, v2 =
1
3
bases
2
(b) Empleando el teorema 7.11 (pg. 150) calcular matC T (u) , donde u = 1 .
1
C
(c) Calcular mat T (u) directamente.
Solucin. (a) Clculo de la primera columna: Se calcula matC T (u1 ), las componentes de ste
vector son las soluciones del sistema:
x1 v1 + x2 v2 = T (u1 )
as se plantea el sistema:
2 1
5 3
x1
x2
1+0
0+1
x1
2
2
=
, luego matC T (u1 ) =
.
x2
3
3
Clculo de la segunda columna: Se calcula matC T (u2 ), las componentes de ste vector son las
soluciones del sistema:
x1 v1 + x2 v2 = T (u2 )
resolviendo se encuentra:
as se plantea el sistema:
2 1
5 3
x1
x2
1+0
0 + (1)
4
4
x1
=
, luego matC T (u2 ) =
.
x2
7
7
Clculo de la tercera columna: Se calcula matC T (u3 ), las componentes de ste vector son las
soluciones del sistema:
x1 v1 + x2 v2 = T (u3 )
resolviendo se encuentra:
as se plantea el sistema:
2 1
5 3
resolviendo se encuentra:
De lo anterior se deduce:
x1
x2
2
3
mat C
BT =
x1
x2
0+1
1+0
2
3
152
Solucin (b) Empleando el teorema mencionado slo es necesario calcular matB u, las componentes de ste vector son las soluciones del sistema:
x1 u1 + x2 u2 + x3 u3 = u,
es decir:
1
1
0
0
1 1
1
2
x1
3
resolviendo se encuentra: x2 =
2
x3
1
2
0
x1
1 x2 = 1
1
0
x3
mat C T (u) =
mat C
BT
mat B u
2
4
2
3 7 3
9
15
1
2
3
2
1
2
3
2
, por tanto:
resolviendo se encuentra
2 1
5 3
x1
x2
x1
x2
=
es decir:
mat C T (u) =
3
0
3
0
9
15
9
15
Ejercicios propuestos
En los siguientes ejercicios, determinar, si es posible, matC
B T.
2x y
x
1. T : R2 R3 , T
= x 3y
y
3x + y
1
1
1
3
1
0 , 1 , 1
B=
,
, C=
2
1
1
1
1
determinar tambin matC T (u) , u =
2
1
7.6.3
2x y
x 3y
B=
3
1
x
y
2. T : R2 R2 , T
153
5
2
, C=
2
3
2
3
Cambio de base
C
mat C
mat C
mat B
BT
B T = mat C IW
B IV
donde IW e IV son las aplicaciones identidad en W y V.
Ejemplo 7.14 Considere la transformacin T : R2 R3 , denida por
xy
x
T
= x + 2y
y
x+y
1
0
0
1
0
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0 bases
Sean B = e1 =
0
1
0
0
1
de R2 y R3 respectivamente. La matriz de coordenadas de T relativo a estas bases es:
1 1
1
2
mat C
BT =
1
1
1
1
1
3
4
Sean B = e1 =
, e2
y C = f1 =
1 , f2 =
1 , f3 =
0 nuevas
2
3
1
0
0
C
mat C
B T = mat C IW
mat C
BT
mat B
B IV
3
Clculo de matC
C IW . (aqu W = R ). Primera columna:
1
1 1
x1
1
1 1 0 x2 = 0
1
0 0
x3
0
0
resolviendo se encuentra el vector : 0 .
1
Segunda columna:
1
1 1
x1
0
1 1 0 x2 = 1
1
0 0
x3
0
154
0
cuya solucin es: 1 .
1
Tercera columna:
0
1
1 1
x1
1 1 0 x2 = 0
x3
1
1
0 0
1
resolviendo se encuentra la solucin: 1 .
2
mat C
C IW
0
0
1
= 0 1
1
1
1 2
x1
x2
3
2
x1
x2
3
2
x1
x2
3
2
4
3
, por tanto:
mat B
B IV =
3 4
2 3
Finalmente:
mat C
B T
mat C
mat C
mat B
BT
C IW
B IV
0
0
1
1 1
1 1
2
= 0 1
1
1 2
1
1
5
7
4
5
=
8 11
=
3 4
2 3
155
Ejercicios propuestos
mat
T = mat IW
mat T
B
mat
IV
1.
B=
B =
e1 =
e1 =
1
0
3
2
13 19
Sol. 0
1
7 10
, e2 =
4
3
, e2
x 2y
x
T
= 2x
y
3x + y
1
0
0
, C = f1 = 0 , f2 = 1
1
0
0
1
1
, C = f1 = 1 , f2 = 1
3
2
0
, f3 = 0
2
, f3 = 1
C
2. Determinar matC
B T y matB T si:
x 2y
T (x, y) = 2x
xy
1
0
1
1
1
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0
B = e1 =
1
1
1
1
1
1
1
2
4
3
B = e1 =
, e2
, C = f1 = 1 , f2 = 1 , f3 = 1
3
2
3
2
4
3
2 32
3 5
10 13
Sol. matC
2
B T = 2
, matB T =
7 10
3
12
2
7.7
Operadores lineales
Un operador lineal es una transformacin lineal de un espacio vectorial en s mismo, es decir es una
transformacin lineal de la forma T : V V. Es claro que todo lo aplicado a transformaciones se
aplica a operadores. En esta seccin nos interesa discutir la diagonalizacin de un operador lineal.
Sea T : V V un operador, donde V es de dimensin n, sea B una base de V y sea A = matB
B T,
B
diagonalizable. Antes de ver las condiciones bajo las cuales un operador es diagonalizable, notemos
que:
156
Teorema 7.13
mat B
B IV
mat B
B IV = I,
B
1 .
Por tanto si matB
B IV = P, entonces matB IV = P
Empleando el teorema 7.12 se encuentra
1
mat B
AP
B T = P
esto signica que T es diagonalizable si es posible encontrar una base B formada por autovectores
de A.
Ejemplo 7.15 Sea T : R3 R3 , denida por:
x
x 2y z
T y = 2x 2y 2z
z
6x + 12y + 8z
mat B
T
=
2
B
6
transformacin es:
2 1
2 2
12
8
Autovectores
asociados
1
2
6
1
2
0 , 1
1
0
1
1
2
B = 2 , 0 , 1
6
1
0
Ejercicios propuestos
x
x+y+z
1. T y = 2x z , Sol. No existe.
z
2x + 2y + 3z
x
x+y+z
0
1
1
, Sol. Una base es 1 , 1 , 0
2. T y =
z
z
2y + 3z
2
1
0
7.8
157
7.8.1
Transformaciones lineales
x + 2y
xy
7.8.2
La transformacin rotacin
cos sin
sin
cos
2. El resultado de R () por
en sentido positivo.
x
y
en un ngulo de radianes
x
y
x
y
x
y
cos sin
sin
cos
x
y
resulta ser:
.
.
.
.
. cos sin
.
x
. = .
.
. sin
.
cos
y .
cos sin
x
=
sin
cos
y
t
x
cos sin
=
y
sin
cos
t
x
x
=
y
y
.
.
. x .
.
= .
. y .
cos sin
sin
cos
cos sin
sin
cos
x
y
x
y
158
x
y
cos /6 sin /6
sin /6
cos /6
1
1
2 3x
2 y
1
1
2 x + 2 3y
=
=
As, el punto
1
1
x
y
se transforma en:
1
1
2
1.8
1.6
1.4
1
2
1
2
1
2
1
2
3 1
3+1
( 3 1)
( 3 + 1)
1.2
1
1
1
0.8
0.6
30 0
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
1.
1.
1.4 1.6
2
8
Programa en MatLab
El siguiente programa rota cada punto del cuadrado de vrtices (0, 0) , (0, 1) , (1, 1) y (0, 1) un ngulo
de .
___________________________________________________
function rotacion(theta)
%Transforma el cuadrado de vrtices (0,0),(0,1),(1,1),(1,0)
%en un cuadrado rotado un ngulo theta mediante la transformacin
% T(x,y)=R(theta)*(x,y) donde R(theta) es la matriz de rotacin
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for x=0:paso:1
[u,v]=F(x,0,theta);
subplot(2,2,1)
plot(x,0,.r)
subplot(2,2,2)
plot(u,v,.r)
end
159
160
7.8.3
Transformaciones no lineales
Las transformaciones lineales tienen la propiedad de preservar las guras, por ejemplo cuadrilteros
en cuadrilteros, esto no ocurre con las transformaciones no lineales, por ejemplo considrese la
transformacin:
x
xy
T
=
y
x2 y 2
___________________________________________________
function Tran_no_lin
%Transforma el segmento que va de (1,-1) a (2,5)
%mediante una transformacin no lineal dado por:
% u=x-y, v=x^2-y^2
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for t=0:paso:1;
x=1+t; y=-1+6*t;
[u,v]=F(x,y);
subplot(2,2,1)
plot(x,y,.r)
subplot(2,2,2)
plot(u,v,.r)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto (u,v)
function [u,v]=F(x,y)
u=x-y;
v=x^2-y^2;
___________________________________________________
Captulo 8
Factorizacin LU y LR
Actualmente la factorizacin matricial se ha convertido en una herramienta til para resolver algunos
problemas como familias de sistemas como Ax = b, en donde b es jo y A puede cambiar. Tambin
la factorizacin se puede emplear en el clculo de autovalores de una matriz. En este captulo
nos dedicamos a estudiar un tipo de factorizacin basada en la reduccin de Gauss. Existen otras
factorizaciones como la factorizacin QR que cae fuera del alcance de los objetivos de este texto.
8.1
Matrices elementales
1 0
0
0 0
0 1
0
0 0
.. .. . .
.. ..
.
..
. .
.
. .
0
0
0
1
0
0
Ek =
0 0 dk+1,k
1 0
.. ..
..
.. . .
. .
.
.
.
0 0 dn,k 0
la forma:
0
0
..
.
..
.
1
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
161
0
0
= I + 2 et2
0
1
162
CAPTULO 8.
Aqu:
0
0
0
1
2 =
5 , e2 = 0
2
0
FACTORIZACIN LU Y LR
Ejercicios propuestos
1. Probar que eti k = 0 para i = 1, . . . , k.
2. Es el producto de matrices elementales una matriz elemental?. Justicar su respuesta.
3. Es el suma de matrices elementales una matriz elemental?. Justicar su respuesta.
8.2
I k etk
k etk
Similarmente se prueba
I k etk
I + k etk = I
claramente:
1
0 0
0
1 0
E2 =
0 5 1
0
2 0
1
0 0
0
1 0
0 5 1
0
2 0
0
0
,
0
1
1
0
0
0
1
0
5
0 0
1
0 2
E21
0
0
1
0
1
0
0
1
=
0
5
0 2
0
1
0
0
=
0 0
1
0
0
0
0
1
0
0
1
0
0
1
0
0
0
0
1
0
0
0
0
1
8.3
163
Las matrices elementales se usan para triangularizar matrices, iniciamos esta seccin con el siguiente
resultado.
8.3.1
u=
u1
u2
..
.
un
1
0 0
u2 1 0
u
u1
3 0 1
E=
u1
.
.. ..
..
. .
u
n
0 0
u1
u1
0
8.3.2
0
0
..
. 0
ui
, i = 2, . . . , n se llaman multiplicadores.
u1
Aniquilador general
u1
..
.
uk
u=
uk+1
..
.
un
con uk = 0, existe una matriz elemental E tal que aniquila las entradas bajo uk , es decir, las ltimas
n k entradas de u.
164
CAPTULO 8.
FACTORIZACIN LU Y LR
uk
uk+1
v= .
..
un
es
F =
donde djk =
1 0 0
dk+1,k 1 0
.. .. . .
.. Mnk+1,nk+1
.
. .
.
dn,k 0 1
uj
. Denimos
uk
E=
I 0
0 F
Mn,n
Eu =
I 0
0 F
u1
..
uk1
v
u1
.
..
uk
=
0
..
.
0
Ejemplo 8.3 Hallar la matriz de aniquilacin que aniquile los ltimos 2 trminos de u = (1, 2, 3, 4, 5)t
Solucin. La matriz de aniquilacin para
vector (3, 4, 5)t es
1
4
3
5
1 0
0 1
E=
1 0
0 1
0 0
0
0
1
4
0 0
3
5
0 0
3
0 0
0 0
0 0
1 0
0 1
8.4. FACTORIZACIN LU
fcilmente podemos vericar que:
1 0
0
0 1
0
0 0
1
Eu =
4
0 0
5
0 0
3
165
0 0
1
0 0
2
0 0
3 =
1 0
5
0 1
1
2
3
0
0
Ejercicios propuestos
1. Hallar una matriz de aniquilacin E tal que Eu = 5e1 donde u = (5, 1, 4, 2)t .
2. Hallar una matriz de aniquilacin E tal que Eu = (u1 , u2 , 0, . . . , 0)t donde u = (u1 , u2 , . . . , un )t .
3. Hallar una matriz de aniquilacin E que aniquile los ltimos 3 trminos del vector:
u=
8.4
6
5
4
3
2
1
Factorizacin LU
8.4.1
a11
0
E1 A = .. .. . .
..
. .
. .
0
aqu, los asteriscos muestran las entradas que no necesariamente son ceros.
Paso 2. Sea A2 la segunda columna de E 1 A tal que su segunda entrada en no nula. Existe una
matriz elemental E2 que aniquila las entradas bajo la segunda entrada del vector A2 , se puede
166
CAPTULO 8.
probar que:
E 2E 1A =
a11
0 a22
0
0
..
..
.
.
0
0
FACTORIZACIN LU Y LR
..
..
. .
..
.
siguendo de esta manera, y asumiendo que las entradas ajj necesarios para la aniquilacin son
no nulos, en el paso k, k < n se tendr:
Ek Ek1 E2 E1 A = U,
donde U es una matriz triangular superior. Denimos L1 = Ek Ek1 E2 E1 , entonces de la
anterior igualdad:
A = LU,
esta es la llamada factorizacin LU.
En la siguiente seccin veremos la forma prctica de calcular la matriz L sin necesidad de realizar
el producto de matrices elementales y luego calcular su inversa.
8.4.2
Clculo de la matriz L
Para jar ideas, empezamos la discusin con n = 3, cuando A M3,3 , la forma de L es: L =
(E2 E1 )1 . Sean d21 , d31 los multiplicadores empleados en el primer paso y d32 el multiplicador del
segundo paso. Denimos:
0
0
1 = d21 , 2 = 0 ,
d32
d31
por tanto las matrices elementales son:
E1 = I + 1 eT1 ,
E2 = I + 2 et2
luego:
L = (E2 E1 )1
= E11 E21
=
I 1 et1
I 2 et2
es decir:
1
0 0
1
0
0
L = d21 1 0 0
1
0
d31 0 1
0 d32 1
1
0
0
=
d21
1
0
d31 d32 1
8.4. FACTORIZACIN LU
167
As la matriz L est formada por los multiplicadores del proceso de aniquilacin de Gauss con
signo cambiado y en el lugar correspondiente.En general para matrices en Mn,n la matriz L tiene la
siguiente forma:
1
0
0
0
d21
1
0
0
d31
0
0
32
L=
..
..
..
..
..
.
.
.
.
.
dn1,1 dn1,2
1
0
dn1
dn2
dn,n1 1
donde los nmeros dij son los multiplicadores que permiten triangularizar la matriz A.
2
4 1
A = 1
5 2
1 2
1
2
4 1
2
4
1
A = 1
5 2
0
7 5/2
F21(1/2)
1 2
1 F
0 4
3/2 F
31(1/2)
32(4/7)
2 4
1
0 7 5/2 = U
0 0 1/14
1
1
Los multiplicadores de la matriz elemental E1 son y
2
2
la matriz L es
1
0
1
L = 1/2
1/2 4/7
LU
1
0
= 1/2
1
1/2 4/7
2
4 1
= 1 5 2
1 2 1
. El multiplicador de E2 es
0
0
1
0
2 4
1
0 0 7 5/2
1
0 0 1/14
=A
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
4
, por tanto
7
168
CAPTULO 8.
FACTORIZACIN LU Y LR
1
1 1 2 1
0
2
1
2
1
A =
0
2
1 1 1 F21(2)
F31(2)
0
1
1 5 3 F
41(1)
1 1 2 1
1
0 1 6 3
0
0
0
0 15 8
0
0 15 8 F
0
43(1)
Luego
1
0 0
2
1 0
L=
2 3 1
1 2 1
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
1
2
1
1
6
3
3 3 1
2
3
2 FF32(3)
42(2)
1 2 1
1 6 3
=U
0 15 8
0 0 0
0
0
0
1
0
1 1 2 1
0 1 6 3
0
0 0
0 15 8
1
0
0 0 0
1
0 0
1 1 2 1
2
1
0
0 1 6 3
L0 =
2 3 1 U0 =
0
0 15 8
1 2 1
en general para A Mm,n con rango (A) = r, la matriz A se factoriza como A = LU, donde L Mm,r
y U Mr,n
8.4.3
Puesto que L se construye con los multiplicadores, se puede llevar un registro de estos multiplicadores
simultneamente a la triangularizacin tomando en cuenta que el multiplicador dij se convierte en
dij (y en la posicin i, j) en la matriz L. Esta tcnica se emplear tambin en la siguiente seccin.
Ejemplo 8.6 Considrese la siguiente matriz
1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3
8.4. FACTORIZACIN LU
169
1 1
2
1
2 1
6
3
F 21(2) 2
3 3 1
F 31(2)
1
2
3
2 FF 32(3)
F 41(1)
42(2)
1
1 1
2
1
2 1
3
6
3
1
2 3 3 1
2 F 43(1)
1 2
1
2
1 1 2 1
2
1 2 1
A =
2
1 1 1
1
1 5 3
1 1
2
2 1
6
2 3 3
1 2
3
La matriz L0 tiene unos en la diagonal principal, ceros arriba de la diagonal y por debajo de la
diagonal se construye con la parte diagonal inferior de la ltima matriz encontrada (en negrillas).
La matriz U0 se contruye con la parte triangular superior de la ltima matriz encontrada.
1
0 0
2
1 0
L=
2 3 1
1 2 1
0
1 1
2
1
0 1
0
6
3
, U =
0
0
0 3 1
1
0
0
0
2
Claramente:
A = LU
1
0 0
2
1 0
=
2 3 1
1 2 1
0
1 1 2 1
0 1 6 3
0
0 0
0 15 8
1
0
0 0 0
Ejercicios propuestos
1. Factorizar
Sol.:
1
1
A=
1
1
1
0
0
1
1
0
A=
1
0
1
1 1/2 2
2
2
2
0
1
1
0
2
1
0
1
1
0
1 2
1
1
0 4
0
2
1
0 0 0 1
0
1
0 0
0 3/2
170
CAPTULO 8.
8.5
8.5.1
FACTORIZACIN LU Y LR
Factorizacin LR
Matrices de permutacin
Denicin 8.5 (Matriz de permutacin) Una matriz de permutacin es aquella matriz cuadrada
que se obtiene de la identidad mediante un nmero nito de cambios de la. Ntese que la matriz
identidad misma es una matriz de permutacin.
Propiedades de la matriz de permutacin.
Una matriz de permutacin es ortogonal, luego si P es ortogonal entonces P 1 = P t .
Ejemplo 8.7
0
1
P =
0
0
0
0
0
1
1
0
0
0
0
0
,
1
0
P 1
0
= Pt =
1
0
1
0
0
0
0
0
0
1
0
1
0
0
Sea P una matriz de permutacin y B la matriz obtenida de una matriz A mediante las mismas
operaciones elementales de la aplicadas para obtener P desde la matriz identidad, entonces:
B = P A.
Notacin prctica para matrices de permutacin
Sea ei el vector la con la unidad en su i-sima coordenada y ceros en las dems, entonces la
matriz identidad I Mn,n se escribir como
I=
P =
e1
e2
..
.
en
ei1
ei2
..
.
ein
P =
i1
i2
..
.
in
8.5. FACTORIZACIN LR
171
0
1
P =
0
0
8.5.2
0
0
0
1
1
0
0
0
0
0
1
0
3
1
P =
4
2
1
0
d21
1
..
..
.
.
ds2
L = ds1
ds+1,1 ds+1,2
ds+2,1 ds+2,1
..
..
.
.
dm1
dm2
8.5.3
..
..
.
.
..
.
1
ds+1,s
ds+2,s
..
..
.
.
dm,s
0
0
..
.
0
1
0
..
.
0
0
0
..
.
0 0
0 0
1 0
.. . . ..
.
.
.
1
0
0
..
.
172
CAPTULO 8.
FACTORIZACIN LU Y LR
que representa a la matriz identidad, en cada cambio de la del algoritmo de Gauss, este vector
tambin cambia con la misma operacion elemental. El ltimo vector i que se tiene permite contruir
la matriz P.
Ejemplo 8.9 Considrese la siguiente triangularizacin
2 4 2 0
4
0 16 8
A = 1
2
4 4
1
2
4 4
2 4 2 0 FF21(1/4)
4
0 16 8 F
13
31(1/2)
4
0 16 8
4
0 16 8
2 0 2
1/4
1/2 4 6 4
1/2 4 6 4 F
1/4
2 0 2 F
23
32(1/2)
4
0 16 8
4 6 4
1/2
1/4 1/2 3 4
Por las consideraciones anteriores
1
0 0
4
0 16 8
L = 1/2
1 0 , R = 0 4 6 4
1/4 1/2 1
0
0 3 4
1
3
i= 2 2
3 F
1 F
13
se observa:
1
0
LR =
1/2
1
1/4 1/2
0 0 1
PA = 1 0 0
0 1 0
23
3
1
2
0 0 1
P = 1 0 0
0 1 0
0
4
0 16 8
4
0
0 4 6 4
=
2
1
0
0 3 4
1
2 4 2 0
4
0
1
2
4 4 = 2 4
4
0 16 8
1
2
0
2 1
4
0
0
A=
4 6 3
4 4 4
0
1
2
2
1
2
1
2
0 16 8
4 2 0
2
4 4
16 8
2 0
4 4
8.5. FACTORIZACIN LR
173
procedemos a la triangularizacin.
0
2 1 0
4
0
0 1
A =
4 6 3 2
4 4 4 2
4
0
0 1
0
2
1
0
1 6 3 3
1 4 4 3
4
0
0
1
6 3
0 1/3 2
1
2/3 2
por tanto
1
0 0
1
1 0
L=
0 1/3 1
1
2/3 1
1
2 F
12
3
4 F
23
1 2
3 3
1 2
1 2 F
43(1)
1
0
2
2
4
0
1 6
0
2
1 4
4
1
0
1
1
3
0
3
0
3
1
4
0
6
1/3
2/3
2
1
1 F21(0)
2 FF31(1)
41(1)
2
3
1
4 FF32(1/3)
42(2/3)
0 1 2
3 3 3
2 1 2
1 0 0
0
4
0
0 1
0 6 3 3
0
R=
0
0
0 2 1
1
0
0
0 0
1
2
i=
3
4 F
12
4
0
0
0
2 1
4 6 3
4 4 4
0
0
P =
1
0
2
1
3
4 F
1
0
0
0
23
0
1
0
0
2
3
2
0
2
3
1
4
0
0
0
1
Ejercicios propuestos
1. Factorizar:
2 2
1
A = 5 1
1
2 1 1
0 1 0
1
0 0
5
1
1
Sol. P = 1 0 0 , L = 2/5
1 0 , R = 0 8/5
3/5
0 0 1
2/5 3/8 1
0
0 13/8
174
CAPTULO 8.
2. Factorizar:
Sol.
1
1
A=
1
1
1
0
P =
0
0
0
1
0
0
1
0
1
1
0
1 2 1
1
0
0 4 2
1
, R
0 0 2 3/2
0
1
0 0 0 3/4
0
1
P =
0
0
0
1 1
1
2
1
1
1
A=
1 1
1 1
1
1
1
1
1
0
0
0
0
1
0 0
0
0
1 0
, L=
1/2 1/2 1
0
1
1/2
1/2 1
0
0
1
0
4. Factorizar:
Sol.
8.6
1
1
0
2
0
1
0
0
0
1
1
0
,L=
1 1/2
1
1
0
1
0 1/2
0
0
0
1
3. Factorizar:
Sol.
2
2
2
0
FACTORIZACIN LU Y LR
0
1
P =
0
0
1
2
A=
3
4
0
0
0
1
0
0
1
0
2
3
4
5
1
1
1
0
43
,
L
=
0
4
1
0
2
1
2
3
4
2
3
4
5
2 1
1 1
, R = 0 1 1 1
0 0
1 0
1
2
3
4
0
1
1 ,R =
3
2
3
4
0
5 4
3
4 0
5 4
3
4 0
8.6.1
Factorizacin LU
La factorizacin LU, puede utilizarse para resolver un sistema Ax = b, donde A Mn,n es invertible.
Si A = LU, el sistema a resolver es LUx = b. Esto origina el siguiente proceso:
Paso 1. Se asigna
z = Ux,
as se tiene el sistema triangular Lz = b
Paso 2. Se resuelve
Lz = b,
el resultado se reemplaza en la ecuacin del paso 1 y se resuelve el sistema triangular
Ux = z,
175
10
1 5 1
x1
2 3
2 x2 = 21
5
1 2
0
x3
1 5 1
1
0 0
1
5 1
A= 2 3
2 = 2
1 0 0 7
4 = LU
1 2
0
1 1 1
0
0
3
Paso 1. Se asigna Ux = z y se resuelve el sistema
Lz = b,
esto es,
1
0 0
z1
10
2
1 0 z2 = 21
1 1 1
5
z3
10
z= 1
6
Paso 2. Ahora resolvemos el sistema
Ux = z,
esto es,
1
5 1
x1
10
0 7
4 x2 = 1
0
0
3
x3
6
7
1 .
2
176
CAPTULO 8.
8.6.2
FACTORIZACIN LU Y LR
Factorizacin LR
0 1 2
x1
13
1 1 2 x2 = 15
x3
26
2
1 3
Solucin. Factorizando A se tiene:
P A = LR
donde:
Se resuelve
0 0 1
1
0 0
2
1
3
P = 0 1 0 , L = 1/2
1 0 , R = 0 3/2 1/2
1 0 0
0 2/3 1
0
0 5/3
LRx = P b,
es decir
1
0 0
2
1
3
x1
26
1/2
1 0 0 3/2 1/2 x2 = 15
0 2/3 1
0
0 5/3
x3
13
26
1
0 0
z1
1/2
1 0 z2 = 15
z3
13
0 2/3 1
resolviendo:
26
z= 2
Ahora se resuelve: Rx = z,
35
3
resolviendo:
26
2
1
3
x1
0 3/2 1/2 x2 = 2
35
0
0 5/3
x3
3
2
x= 1
7
177
Ejercicios propuestos
1. (a) Resolver el sistema
2
0 5 1
x1
2 3
2 x2 = 21
1 2
4
x3
28
2
(b) Resolver el sistema anterior con el mtodo LR. Sol. 1
7
9a 5
2 3 2
x1
2 1 2 x2 = 7a + 1
x3
2a 3
1 1 1
2
3
0
Sol.
2 , 1 , 4
3
5
1
8.7
A, multiplicando
A P tL
8.7.1
A11
0
lim Ak = .
k
..
0
A22
..
. . ..
. .
.
0
Amm
En donde cada Aii o es un nmero o una matriz 22, claramente los autovalores de A se encuentran
de la diagonal de la anterior matriz triangular.
178
CAPTULO 8.
FACTORIZACIN LU Y LR
Sea A1 = A, la factorizacin LR
1 0 0
P1 = 0 1 0 ,
0 1 0
1.0000000 0.0000000
L1 =
0.2500000 1.0000000
0.2500000 0.7600000
por tanto:
A2 = R1 P1t L1
4 5 6
A = 1 6 12
1 5 11
da:
0.0000000
4.0000000 5.0000000 6.0000000
0.0000000 , R1 = 0.0000000 6.2500000 12.5000000
1.0000000
0.0000000 0.0000000 1.0000001
Si se quiere una aproximacin de por lo menos 5 decimales, la anterior matriz puede considerarse
como triangular por bloques. Por tanto los autovalores de A son 5.0000029 y los autovalores de
A22 =
3.9999971 2.9238024
1.7100991 0.0000000
Captulo 9
9.1
Formas cuadrticas
/n /n
i=1
j=1 aij xi xj
x1
x2
x= .
..
xn
Ejemplo 9.2 A la forma cuadrtica P = 3x21 + 2x1 x2 + 6x22 est asociada la matriz simtrica
A=
en efecto:
x1 x2
3 1
1 6
3 1
1 6
x1
x2
179
180
9.2
Denicin 9.2 (Matriz denida positiva) Una matriz simtrica A Mn,n es denida positiva si
xt Ax > 0, para todo x Rn no nulo
3 2
2 5
3 2
2 5
, entonces
x1
x2
para todo
9.2.1
x1
x2
11 2
x
3 2
Teorema 9.3 Si A es una matriz simtrica denida positiva entonces todos sus autovalores son
positivos.
Demostracin. Sea un autovalor de A asociado al autovector v, entonces Av = v, por tanto:
vt Av = v t v = v
vt Av
> 0, pues el es cociente de dos nmeros positivos (ntese que al ser v un
v 2
autovector, no puede ser nulo).
por tanto =
Teorema 9.4 Si cada autovalor de una matriz A Mn,n simtrica es positivo, entonces A es
denida positiva.
3 2
, la matriz del ejemplo 9.3 . La matriz A es denida positiva,
2 5
Teorema 9.5 Si A es una matriz simtrica denida positiva entonces cada entrada aii > 0.
Demostracin. Ejercicio. (Sug. considere el vector unitario ei )
Teorema 9.6 Si A es una matriz denida positiva, entonces lo son tambin At y A1 .
Demostracin.
0 < xt Ax = xt Ax
= xt At x,
por tanto xt At x > 0, esto prueba que At es denida positiva. Por otra parte para todo x no nulo,
si Ay = x, entonces y = A1 x no es nulo, por tanto:
xt A1 x = y t At A1 Ay = y t At y > 0,
esto prueba que A1 es denida positiva.
181
Teorema 9.7 Denimos una submatriz principal a la matriz obtenida con las entradas un menor
principal. Toda submatriz principal de una matriz simtrica A Mn,n denida positiva es denida
positiva.
Demostracin. Sea S un subconjunto propio de {1, 2, . . . , n} , sea M la matriz obtenida de A
eliminando las las y columnas que no se encuentran en S. Sea x Rn tal que tiene ceros en las
entradas que no se encuentran en S. Sea y el vector que queda de x eliminando las entradas que no
se encuentran es S, entonces:
0 < xt Ax = y t My,
al ser y arbitrario no nulo, se prueba que M es denida positiva.
9.2.2
Teorema 9.8 Una matriz simtrica A Mn,n es denida positiva si y solamente todos sus autovalores son positivos.
Demostracin. Si A es denida positiva, entonces sus autovalores deben ser positivos, ver 9.3
pgina 180. Recprocamente supngase que los autovalores de A, 1 , 2 , . . . , n , son todos positivos.
Sea P la matriz ortogonal tal que
P t AP = D = diag (1 , 2 , . . . , n ) ,
entonces para todo x R no nulo:
xt Ax = xt P DP t x
t
= P tx D P tx
= yt Dy
n
i (yi )2 > 0,
=
i=1
|aii |
j=1
j=i
|aij | , i = 1, 2, . . . n
182
9.3
Denicin 9.11 (Matriz denida negativa) Una matriz simtrica A Mn,n es denida negativa
si
xt Ax < 0
para todo x Rn no nulo.
Denicin 9.12 (Matriz semidenida positiva) Una matriz simtrica A Mn,n es semidenida
positiva si
xt Ax 0
Denicin 9.13 (Matriz semidenida negativa) Una matriz simtrica A Mn,n es semidenida negativa si
xt Ax 0
Teorema 9.14 Una matriz simtrica A Mn,n es semidenida positiva si y solamente si sus autovalores son no negativos. (es decir existen autovalores nulos y todos los dems positivos)
Teorema 9.15 Una matriz simtrica A es denida negativa si y solamente si A es denida positiva.
Corolario 9.16 Una matriz simtrica A es denida negativa si y solamente si todos sus autovalores
son negativos
Teorema 9.17 Una matriz simtrica A Mn,n es semidenida negativa si y solamente si sus
autovalores son no positivos. (es decir existen autovalores nulos y todos los dems negativos)
Ejercicios propuestos
Mediante el clculo de autovalores, clasicar las siguientes matrices.
2 1 1.
1. A = 1
4 1 . Sol. Denida positiva
1
1 2
3
0
0 1.
0 4
1
0
Sol. Denida negativa
2. B =
0
1 5
0
1
0
0 3
1 2 3.
3. A = 2 4 5 Sol. No denida ni semidenida
3 5 6
1 0 1
4. C = 0 2 0 Sol. Semidenida positiva
1 0 1
9.4
9.4.1
183
Denicin 9.18 (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) , es
el par (p, q) , donde p es el nmero de autovalores positivos y q el nmero de autovalores negativos.
Observacin. Se puede probar que rango (A) = p + q.
Ejemplo 9.5 Considere la matriz
2
1
3
A = 1 2 1
3 1
2
1 = 3
2 = 0
3 = 5
por tanto la signatura de esta matriz es sig (A) = (1, 1) (un autovalor positivo y un autovalor
negativo).
Ejemplo 9.6 Es claro que la signatura de
3 0
0
B= 0 5
0
0 0 1
9.4.2
2
1
3
1 2 1
3 1
2 F
2
1
3
0 52 52
3 1
2 C ( 1 )
21
1
2
21( 2
)
Teorema 9.20 Sea A Mn,n matriz simtrica. Sea D la matriz diagonal obtenida de A aplicando
operaciones elementales simultneas. Entonces: sig (A) = (p, q) donde p es el nmero de entradas
positivas en la diagonal de la matriz D y q el nmero de entradas negativas.
184
Ejemplo 9.8 Considere la matriz del ejemplo 9.5, aplicando operaciones elementales se tiene:
2
1
3
2
1
3
A = 1 2 1
0 52 52
3 1
2 C ( 1 )
3 1
2 F
21
1
2
21( 2
)
2
0
3
2
0
3
5
5
5
5
0 2 2
0 2 2
3 52
2 F
0 52 52 C
3
3
31( 2
31( 2
)
)
2
0
0
2
0
0
0 52 52
0 52 52
0 52 52 F
0
0
0 F
32(1)
32(1)
2
0 0
0 52 0
0
0 0
8
2
3
Ejemplo 9.9 Sea: A = 2 3
2 , aplicando operaciones elementales se encuentra:
3
2 8
8
2
3
8
2
3
11
A = 2 3
2 F 1 0 52
C
4
21( 4 )
21( 1
4)
11
55
0
3
2 8 F ( 3 )
3
4
8
C
(
)
31
31
8
8
0
0
8
0
0
5
11
5
11
0 2
0 2
4
4
55
0 11
0
0 77
4
8
20
F
C
32( 11
32( 11
10 )
10 )
8
0
0
0
0 52
77
0
0 20
9.5
Teorema 9.21 Sea A Mn,n una matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Sea sig (A) = (p, q) donde p es el nmero de entradas
positivas y q el nmero de entradas negativas de la diagonal principal de la matriz D. Entonces:
185
4.
2 2
A = 2 4 2
2 2 8
4
2 2
4
2 2
A = 2 4 2
0 3 3
F 21(1/2)
C21(1/2)
2 2 8 F 31(1/2)
0 3 7 C31(1/2)
4
0
0
4
0
0
0 3 3
0 3 3
0 3 7 F 32(1)
0
0 4 C32(1)
4
0
0
0 3
0
0
0 4
por tanto sig (A) = (0, 3) , es decir A es denida negativa.
9.6
El criterio de Sylvester
Este criterio, es otra manera de caracterizacin de matrices simtricas, ahora emplearemos determinantes.
Teorema 9.22 Sea A Mn,n una matriz simtrica. Para cada k, k = 1, 2, . . . , n se dene k como
el determinante de la matriz en Mk,k obtenida con las primeras k las y k columnas de la matriz A,
es decir:
1 = |a11 |
a11 a12
2 =
a21 a22
etc.
entonces:
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
..
.
a1n
a2n
a3n
..
.
an1
an2
an3
ann
186
8 2
A=
2 3
3
2
entonces:
ejemplo 9.9
3
2
8
1 = |8| = 8
8 2
2 =
= 20
2 3
3 =
8 2
3
2 3 2
3
2 8
= 77
como los signos de los deltas van intercalados y empezando con signo negativo, sig (A) = (0, 3) .
Ejercicios propuestos
Ejercicio 9.1 Determinar la signatura de las siguientes matrices y clasique las mismas.
9 2 3
1. A = 2 4 2 , Sol. (3, 0)
3 2 9
3 1 3
2. A = 1 8 1 , Sol. (0, 2)
3 1 3
4 2 4
3. A = 2 4
0 , Sol. (3, 0)
4 0
8
8 2
3
4. A = 2 3 2 , Sol. (0, 3)
3
2 8
Captulo 10
Cadenas de markov.
10.1.1
Un ejemplo
Compra A
0.40
0.20
0.25
Siguiente compra
Compra B Compra C
0.30
0.30
0.50
0.30
0.25
0.50
Esta tabla tiene la siguiente interpretacin: La probabilidad de que un cliente que actualmente
compra A, en la siguiente compra comprar A es 0.30, si el cliente tiene C actualmente, en la
siguiente compra, la probabilidad de comprar C nuevamente es 0.50. La matriz formada con estos
nmeros se llama matriz de transicin.
Se denen:
V11 = (0.40, 0.30, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando en
A
V21 = (0.20, 0.50, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando en
B
V31 = (0.25, 0.25, 0.50) es el vector de probabilidades para pasar del paso 0 al paso 1 estando en
C
Ahora se plantea el siguiente:
Problema. Cul es el vector de probabilidades para pasar del paso 0 a paso 2 estando en A, en
B y en C?.
187
188
este vector tiene la siguiente interpretacin: Comprando actualmente un producto de A las probabilidades de compra en una segunda ocasin sean los productos A, B y C son respectivamente 0.295,
0.345, 0.360.
V22 = V2 P
.0 255 0. 385 0. 36
V32 = V3 P
=
0. 275 0. 325 0. 4
. 295 . 345 . 36
P 2 = . 255 . 385 . 36 ,
. 275 . 325 . 4
se puede probar que los vectores Vin son las las de la matriz P n .
En el paso 20 se tiene:
20
0.40 0.30 0.30
P 20 = 0.20 0.50 0.30
0.25 0.25 0.50
debe notarse que todos los vectores son iguales. Es interesante observar que a la larga el cliente
acabar comprando el producto C (al menos se tiene la mayor probabilidad).
10.1.2
El vector jo
Sea P una matriz de transicin, el vector la v con coordenadas no negativas cuya suma da la unidad
que cumple con:
vP = v
189
se llama vector jo, se puede probar que P n tiende a la matriz cuyas las son todas iguales al vector
jo. Ntese que vP = v es lo mismo que P t vt = vt , esto muestra que el vector jo es un autovector
asociado al autovalor 1 de la matriz P t , es decir es solucin de
P t I vt = 0
donde v es la matriz identidad. El anterior sistema tiene innitas soluciones, nos interesa aquel
vector cuya suma de coordenadas es la unidad.
Ejemplo 10.1 Calcularemos el vector jo de la
0.40
P =
0.20
0.25
matriz:
Resolvemos el sistema:
0.30 0.30
0.50 0.30
0.25 0.50
0. 4 1
0. 2
0. 25
x
0
0. 3
0. 5 1
0. 25
y
=
0
0. 3
0. 3
0. 50 1
x
0
0. 6 0. 2
0. 25
x
0
0
0. 4 0. 375 y = 0
0
0
0
x
0
con z = t se encuentra: y = 0.375t
0.4 = 0. 9375t, x =
debe darnos la unidad, elegimos
t=
0.2(0. 9375t)0.25t
0.6
1
= 0. 375
. 72916 6667 + 0. 9375 + 1
190
2. Considere dos industrias de refresco: Coca Cola y Pepsi Cola. Cuando una persona ha comprado Coca Cola hay una probabilidad de 75% de que siga comprndola la vez siguiente. Si
una persona compr Pepsi, hay 60% de que repita la vez siguiente. Se pide:
a) Si una persona actualmente es comprador de Pepsi. Cul es la probabilidad de que compre
Coca Cola pasadas dos compras a partir de hoy?
b) Determinar el vector jo
Sol. Punto jo:
8 5
13 , 13
10.2
Regresin lineal
10.2.1
f ( 1 , 2 ) =
i=1
i=1
X =
(yi 1 2 xi )2 ,
X tY
y1
1 x1
1 x2
y2
..
.. , Y = ..
.
.
.
1 xn
yn
, =
1
2
n
n
/
xi
i=1
n
/
i=1
n
/
i=1
xi
x2i
1
2
n
/
i=1 yi
=
n
/
xi yi
i=1
191
0
2
1
5
,Y =
4
3
5
5
1
1
X =
1
1
esto da
X tX =
1 1 1 1
0 1 3 5
X tY
1 1 1 1
0 1 3 5
1
1
1
1
2
5
4
5
1
2
de donde:
1
2
0
1
=
3
5
4 9
9 35
16
42
16
42
182
59
24
59
182 24
+ x
59
59
y
5. 5
5
4. 5
4
3. 5
3
2. 5
2
5 x
192
10.2.2
e2i =
f ( 1 , 2 , . . . , k ) =
i=1
i=1
= X tX
donde:
X=
X tY
..
..
.. . .
.. , Y = ..
.
.
.
.
.
.
1 xn2 xn3 xnk
yn
, =
1
2
..
.
k
1
-3
1.5
2
-2
0
3
0
0
4
1
3
5
2
-4
6
3
-1.5
hallar una funcin f (x) = 1 + 2 sin x + 3 sin 2x + 4 sin 3x que mejor se aproxime a estos datos.
Solucin. La funcin es claramente no lineal, sin embargo es posible linealizarlo mediante la
asignacin
y = f (x)
x2 = sin x
x3 = sin 2x
x4 = sin 3x
obtenindose:
y = 1 + 2 x2 + 3 x3 + 4 x4
ahora tenemos un problema de regresin lineal con los datos:
xi2 = sin (xi )
193
xi
3
2
0
1
2
3
yi
1.5
0
0
3
4
1.5
1 0. 1411
0. 2794 0. 41212
1.5
1 0. 9093
0. 7568
0. 27942
0
0
0
0
0
, Y =
X =
1 0. 84147
0. 9093
0. 14112
3
1
4
0. 9093 0. 7568 0. 27942
1 0. 14112 0. 2794
0. 4121
1.5
por tanto:
6
0. 8415
0. 9093
0. 1411
0. 8415 2. 4016 0. 6900 0. 2731
X tX =
0. 9093 0. 6900 2. 1285
0. 3209
0. 1411 0. 2731 0. 3209
0. 5157
0. 2
0. 1075 0. 1142 0.0 406
0. 1075 0. 5302
0. 1888
0. 1927
1
X tX
=
0. 1142 0. 1888
0. 6180 0. 2534
0.04 06 0. 1927 0. 2534 2. 2098
1.0
1. 5361
X tY =
6. 5933
0. 3047
por tanto:
1
2
3 =
4
X tX
X tY
0. 2
0. 1075 0. 1142 0.0 406
1.0
0. 1075 0. 5302
0. 1888
0. 1927 1. 5361
=
0. 1142 0. 1888
0. 6180 0. 2534 6. 5933
0.04 06 0. 1927 0. 2534 2. 2098
0. 3047
0. 8002
0. 5966
=
3. 8216
1. 2528
194
Puntos dados
Puntos calculados
-2
-4
-6
-3
-2
-1
0
x
Ejercicios
1. Considere los siguientes datos:
0
3.20
xi
yi
1
2.8
5
2.0
7
1.3
10
1.16
Hallar , si los puntos dados deben ajustarse a la curva dada por: f (x) = 1 + ex .
Sol. = 2.4586, = 0.2678
f (x ) = 1 + 2.4586e 0.2678x
y
3.5
Puntos dados
Puntos calculados
2.5
1.5
10
195
0
1.53
2
1.94
3
2.12
5
1.77
7
1.23
8
0.95
10
0.46
2
Hallar , , si los puntos dados deben ajustarse a la curva dada por: f (x) = e(x) .
Sol. = 2.0298, = 0.0305, = 3.0069.
Puntos dados
1.8
Puntos calculados
1.6
1.4
1.2
1
0.8
0.6
0.4
0
10
196
10.3
Resumen
En este artculo se presenta una aplicacin del lgebra Lineal al problema de mximos y mnimos
de funciones a varias variables. Se considera una funcin f : U Rn R, U abierta y f dos veces
diferenciable. Se toma un punto a U en tal que f (a) = 0, se plantea el problema de determinar si
en este punto existe un mximo, mnimo o ninguna de estas situaciones. Se calcula f (a), como se
sabe esta segunda derivada es una matriz simtrica en Mn,n , dependiendo de la signatura de f (a)
se dar una respuesta al problema planteado.
Este problema se puede resolver empleando determinantes o empleando congruencia de matrices.
Puesto que el clculo de determinantes tiene un altsimo costo computacional, usualmente se emplea
para casos de dos variables (el empleado en los textos bsicos de clculo), en tanto que la congruencia
de matrices es siempre viable aun cuando n es muy grande pues se basa en simples operaciones
elementales de la.
Finalmente, el propsito de este artculo, es presentar el problema de mximos y mnimos como
un problema que no depende de cantidad de variables (al menos no conceptualmente).
1. Deniciones iniciales
Iniciamos este artculo con una breve introduccin a los autovalores y autovectores, ms detalles
se pueden encontrar en la bibliografa.
1.1 Autovalores y autovectores
Denicin 1.1. (Autovalores y Autovectores) Un vector no nulo v y un nmero son llamados
respectivamente autovector y autovalor asociados de una matriz si
Av = v
Teorema 1.1 Los autovalores de A Mn,n son las soluciones de
|A I| = 0
donde I Mn,n es la matriz identidad.
La ecuacin |A I| = 0 se llama ecuacin caracterstica.
Ejemplo 1.1 Considere la matriz
2 1
3
A = 1 2 1
3 1 2
Un simple clculo da:
|A I| = 3 + 22 + 15
por tanto el polinomio caracterstico es, 3 +22 +15 = 0, resolviendo esta ecuacin se encuentran
los autovalores:
1 = 3,
2 = 0,
3 = 5
197
Los autovalores de una matriz no necesariamente son reales, sin embargo para el caso de matrices
simtricas se tiene el siguiente teorema.
Teorema 1.2. Los autovalores de una matriz simtrica son todos reales.
1.2 La signatura de una matriz simtrica
Denicin 1.2. (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) es
el par (p, q) donde p es el nmero de autovalores positivos y q el nmero de autovalores negativos.
Ejemplo 1.2. La signatura de la matriz del ejemplo sig (A) = (1, 1) es pues se tiene un autovalor
positivo y un autovalor negativo.
La signatura puede calcularse sin necesidad se calcular los autovalores, como se puede deducir
del siguiente teorema .
Teorema 1.3. Sea A Mn,n una matriz simtrica. Sea D la matriz diagonal obtenida
de aplicando las mismas operaciones elementales de la y columna simultneamente. Entonces:
sig (A) = (p, q)donde p es el nmero de entradas positivas de D y q el nmero de entradas negativas
en la diagonal de D..
Ejemplo 1.3 Considere la matriz del ejemplo 1.1, aplicando operaciones elementales se tiene:
2
2 1
3
0
A = 1 2 1
F 21(1/2)
0
3 1 2
F 31(3/2)
2 0
0
0 5/2 5/2
2 0
0
0 5/2 0
0 0
0
1
3
5/2 5/2
C21(1/2)
5/2 5/2 C31(3/2)
2 0
0
0 5/2 5/2
0 0
0
C32(1)
4
2 4
A = 2 4
0
4 0
8
4
2 4
4 0 0
A = 2 4
0 0 3 0
4 0
8
0 0 8/3
por tanto la signatura es sig (A) = (3, 0), luego es denida positiva.
198
1
0
2
0
0 1
0 1.
A=
2
0 5 1
0 1 1 5
1 0 1
1 0 0
A= 0 1
1 0 1 0
1 1
2
0 0 0
1
0 1
A= 0
1 1
1 1 0
x1
..
con x = . , A Mn,n simtrica con entradas reales.
xn
Ejemplo 1.8. Considere la matriz del ejemplo 1.4,
4
2 4
A = 2 4
0 ,
4 0
8
x1
con x = x2 se tiene la forma cuadrtica:
x3
4
2 4
x1
F = (x1 , x2 , x3 ) 2 4
0 x2
4 0
8
x3
199
4
2 4
A = 2 4
0
4 0
8
x1
0
para todo x2 = 0 .
x3
0
h0
f (x) = A,
200
La denicin anterior no es tan simple de aplicar cuando las funciones son algo complicadas, en
la prctica se emplea el siguiente teorema.
Teorema 2.1. Sea f : U Rn R una funcin en las n variables x1 , x2 , . . . , xn derivable en
a, entonces:
f (a) f (a)
f (a)
f (a) =
,
....
x1
x2
xn
f (a)
es la derivada parcial de respecto de xj evaluado en a
xj
Ejemplo 2.1. Considrese la funcin.
donde
donde:
f (x, y, z)
x
f (x, y, z)
y
f (x, y, z)
z
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
2.3 Diferenciales
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8
dx =
dx1
dx2
..
.
dxn
2
calcularemos la diferencial de f en a = 1 . La derivada evaluada en este punto es:
1
f (2, 1, 1) =
= (12, 16, 2)
por tanto la diferenciual en a es:
dx
df (a) = (12, 16, 2) dy
dz
= 12 dx 16 dy + 2 dz
2.3.2 La segunda diferencial
Ejemplo 2.4. Considrese la funcin del ejemplo 2.1
f (x, y, z) = x2 y 2 + x2 4xz + 4z 2 + y 2 + 2xy + 2x 4z + 2y
se ha establecido que
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8
4 2 4
f (1, 1, 1) = 2
4
0
4
0
8
4 2 4
dx
d2 f (1, 1, 1) = (dx, dy, dz) 2
4
0 dy
4
0
8
dz
201
202
3.1 Introduccin
Denicin 3.1. (Maximo y mnimo) Una funcin f : U Rn R tiene un mximo (respectivamente un mnimo) en a U si f (a) f (x) (respectivamente si f (a) f (x)) para todo
x U.
Denicin 3.2. (Mximo y mnimo local) Una funcin f : U Rn R tiene un mximo local
(respectivamente un mnimo local) en a U , si existe un conjunto abierto O tal que f tiene un
mximo (respectivamente un mnimo) en U O. El punto a se llamar extremo local.
En la siguiente seccin se presenta un teorema que nos da luces para encontrar los extremos
locales de una funcin a varias variables.
3.2 Condicin necesaria de extremo
Teorema 3.1. Considrese una funcin f : U Rn R donde U es un conjunto abierto. Sea f
derivable en U tal que f tiene un extremo local en a entonces f (a) = 0, esto es, todas las derivadas
parciales en el punto a son nulas, es decir,
.
f (a)
= 0, j = 1, 2, . . . , n
xj
Los puntos a en donde f (a) = 0 se llaman puntos crticos.
Observacin. Ntese que, en un dominio abierto, el teorema anterior (en su forma contrapositiva) nos dice que si f (a) = 0 entonces en a no se pueden tener extremos locales, esto signica que
los extremos locales de una funcin f denida en un dominio abierto se encuentran en los puntos
donde la derivada es nula, es decir, los puntos en donde todas las derivadas parciales son cero.
3.3 Condicin suciente de extremo
En esta seccin acudiremos a la segunda diferencial para decidir si en un punto crtico existe o
no un mximo local, mnimo local o punto silla. Recordemos que la segunda diferencial es una forma
cuadrtica cuya matriz asociada es la segunda derivada de f .
Teorema 3.2. Sea f : U Rn R, U unconjunto
abierto, f derivable dos veces en U . Sea a
dx1
= 2xy 2 + 2x 4z + 2y + 2
= 2x2 y + 2y + 2x + 2
= 4x + 8z 4
1
1
0 , 1
0
1
2y 2 + 2 4xy + 2 4
f (x, y, z) = 4xy + 2 2x2 + 2
0
4
0
8
1
Punto a = 0 , en este punto crtico:
0
2 2 4
2
0
0
f (1, 0, 0) = 2 4
4 0
8 FF21(1)
0
31(2)
2 0 0
2 0
0 2 4
0 2
0 4 0 F 32(2)
0 0
2 0
0
0 2
0
0 0 8
2 4
2
4
4
0 C21(1)
C31(2)
0
4
8 C32(2)
203
204
1
Punto b = 1 , en este punto:
1
4 2 4
4 2 4
f (1, 1, 1) = 2
4
0
0
3 2
F 21(1/2)
4
0
8
0 2
4 C21(1/2)
F 21(1)
C21(1)
4
0
0
4 0
0
0
3 2
0 3 2
0 2
4 F 32(2/3)
0 0 8/3 C32(2/3)
4 0
0
0 3
0
0 0 8/3
Luego sig ((f 1, 1, 1)) = (3, 0) , por tanto (f 1, 1, 1) es denida positiva, luego en este
punto se tiene un mnimo local. El valor que tiene la funcin en este punto es:
f (1, 1, 1) = 3.
3.4 Conclusin
Luego de lo anterior, es claro que el problema de determinar si en un punto crtico existe un
mximo o un mnimo, no depende, al menos conceptualmente de la cantidad de variables, pues como
se a visto el clculo se reduce a simples operaciones elementales de la.
Referencias
1. Algebra Lineal, Juan de Burgos, McGraw-Hill/Interamericana de Espaa, 1993, Espaa.
2. Apuntes de lgebra Lineal Santiago Relos., UMSS, UPB, 2001, Cochabamba, Bolivia.
3. Apuntes de Clculo II, Santiago Relos P. UMSS, UPB, 2001, Cochabamba, Bolivia.
4. Clculo innitesimal de varias variables, Juan de Burgos, McGraw-Hill/Interamericana de
Espaa, 1995, Espaa.
5. Clculo Vectorial Jerrold E. Marsden, Antony Tromba, , Addison Wesley Iberoamericana,
1991, USA.
6. Matrices, Frank Ayres Jr, McGraw-Hill, 1969, USA.
7. Matrix Methods, second edition Richard Bronson, , Academic Press Inc., 1991, USA.
205
Bibliografa consultada
BURGOS , JUAN DE, Algebra Lineal, McGraw-Hill/Interamericana de Espaa, 1993, Espaa.
BRONSON RICHARD, Matrix Methods, second edition, Academic Press Inc., 1991, USA.
GARETH WILLIAMS, Algebra lineal con aplicaciones, cuarta edicin, McGraw-Hill, Mxico
2002.
HOWARD ANTON, Introduccin al Algebra Lineal, tercera edicin, Ed.Limusa Mxico 1994.
KOLMAN BERNARD, HILLl DAVID R., Algebra Lineal, octava edicin, Paerson Education,
Mxico 2006.
LARSON RON, FALVO DAVID C., Fundamentos de Algebra Lineal, sexta edicin, Cengage
Learning, Cengage Learning Editores, Mxico, 2010.
LAY DAVID C. lgebra Lineal y sus Aplicaciones, cuarta edicin, Pearson Education, Mxico,
2012.
PITA RUIZ CLAUDIO, Algebra Lineal, McGrawHill, Mxico 1991.
POOLE DAVID, Algebra Lineal, Una introduccin, tercera edicin, Cengage Learning Editores, Mxico, 2011.
STANLEY I. GROSSMAN, lgebra Lineal, sptima edicin, McGrawHill, Mxico 2012.