ÁLGEBRA LINEAL

Octava edición

®

Bernard Kolman

David R. Hill

ÁLGEBRA LINEAL

ÁLGEBRA LINEAL
OCTAVA EDICIÓN

Bernard Kolman
Drexel University

David R. Hill
Temple University TRADUCCIÓN: Victor Hugo Ibarra Mercado Escuela de Actuaría-Universidad Anáhuac ESFM-IPN REVISIÓN TÉCNICA: Alfonso Bustamante Arias Eddy Herrera Daza Jefe del Departamento de Matemáticas y Estadística Pontificia Universidad Javeriana, Universidad ICESI, Cali, Colombia Bogotá, Colombia Carlos Hernández Garciadiego Instituto de Matemáticas Universidad Nacional Autónoma de México Jaime Kiwa Kristal Departamento de Ciencias Básicas Instituto Tecnológico de Ciudad Juárez Gustavo Preciado Rosas Departamento de Matemáticas Instituto Tecnológico Autónomo de México Fabio Molina Focazzio Pontificia Universidad Javeriana, Bogotá, Colombia Oscar Andrés Montaño Carreño Pontificia Universidad Javeriana Cali, Colombia Jorge Iván Castaño Universidad EAFIT Medellín, Colombia Conrado Josué Saller Universidad Tecnológica Nacional Buenos Aires, Argentina

®
MÉXICO • ARGENTINA • BRASIL • COLOMBIA • COSTA RICA • CHILE • ECUADOR ESPAÑA • GUATEMALA • PANAMÁ • PERÚ • PUERTO RICO • URUGUAY • VENEZUELA

KOLMAN, BERNARD; HILL, DAVID R. Álgebra lineal PEARSON EDUCACIÓN, México, 2006 ISBN: 970-26-0696-9 Área: Universitarios Formato: 20 25.5 cm Páginas 760

Authorized translation from the English language edition, entitled Introductory linear algebra: an applied first course 8th ed., by Bernard Kolman and David R. Hill, published by Pearson Education, Inc., publishing as PRENTICE HALL, INC., Copyright © 2005. All rights reserved. ISBN 0-13-143740-2 Traducción autorizada de la edición en idioma inglés, titulada Introductory linear algebra: an applied first course 8a ed., de Bernard Kolman y David R. Hill, publicada por Pearson Education, Inc., publicada como PRENTICE HALL, INC., Copyright © 2005. Todos los derechos reservados. Esta edición en español es la única autorizada. Edición en español Editor: Enrique Quintanar Duarte e-mail: enrique.quintanar@pearsoned.com Editor de desarrollo: Esthela González Guerrero Supervisor de producción: Enrique Trejo Hernández Edición en inglés: Executive Acquisitions Editor: George Lobell Editor-in-Chief: Sally Yagan Production Editor: Jeanne Audino Assistant Managing Editor: Bayani Mendoza de Leon Senior Managing Editor: Linda Mihatov Behrens Executive Managing Editor: Kathleen Schiaparelli Vice President/Director of Production and Manufacturing: David W. Riccardi Assistant Manufacturing Manager/Buyer: Michael Bell Manufacturing Manager: Trudy Pisciotti Marketing Manager: Halee Dinsey Marketing Assistant: Rachel Beckman OCTAVA EDICIÓN, 2006 D.R. © 2006 por Pearson Educación de México, S.A. de C.V. Atlacomulco núm. 500–5° piso Col. Industrial Atoto 53519, Naucalpan de Juárez, Edo. de México Cámara Nacional de la Industria Editorial Mexicana. Reg. Núm. 1031. Reservados todos los derechos. Ni la totalidad ni parte de esta publicación pueden reproducirse, registrarse o transmitirse, por un sistema de recuperación de información, en ninguna forma ni por ningún medio, sea electrónico, mecánico, fotoquímico, magnético o electroóptico, por fotocopia, grabación o cualquier otro, sin permiso previo por escrito del editor. El préstamo, alquiler o cualquier otra forma de cesión de uso de este ejemplar requerirá también la autorización del editor o de sus representantes. ISBN 970-26-0696-9 Impreso en México. Printed in Mexico. 1 2 3 4 5 6 7 8 9 0 - 08 07 06 Art Drector: Kenny Beck Interior Designer/Cover Designer: Kristine Carney Art Director: Thomas Benfatti Creative Director: Carole Anson Director of Creative Services: Paul Belfanti Cover Image: Wassily Kandinsky, Farbstudien mit Angaben zur Maltechnik, 1913, Städische Galerie im Lenbachhaus, Munich Cover Image Specialist: Karen Sanatar Art Studio Laserwords Private Limited Composition; Dennis Kletzing

®

A la memoria de Lillie; para Lisa y Stephen
B. K.

Para Suzanne
D. R. H.

CONTENIDO
Prefacio xi Al estudiante xix

1

Ecuaciones lineales y matrices 1
1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 Sistemas lineales 1 Matrices 10 Producto punto y multiplicación de matrices 21 Propiedades de las operaciones con matrices 39 Transformaciones matriciales 52 Soluciones de sistemas de ecuaciones lineales 62 La inversa de una matriz 91 Factorización LU (opcional) 107

2

Aplicaciones de ecuaciones lineales y matrices (opcional) 119
2.1 2.2 2.3 2.4 2.5 2.6 2.7 Introducción a la teoría de códigos 119 Teoría de gráficas 125 Creación de gráficos por computadora 135 Circuitos eléctricos 144 Cadenas de Markov 149 Modelos económicos lineales 159 Introducción a wavelets (ondeletas u onditas) 166

3

Determinantes 182
3.1 3.2 3.3 Definición y propiedades 182 Desarrollo por cofactores y aplicaciones 196 Determinantes desde un punto de vista computacional 210

4

Vectores en R n 214
4.1 4.2 4.3 Vectores en el plano 214 n-vectores 229 Transformaciones lineales 247

vii

viii Contenido

5

Aplicaciones de vectores en R2 y R3 (opcional) 259
5.1 5.2 Producto cruz en R3 259 Rectas y planos 264

6

Espacios vectoriales reales 272
6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 Espacios vectoriales 272 Subespacios 279 Independencia lineal 291 Bases y dimensión 303 Sistemas homogéneos 317 El rango de una matriz y sus aplicaciones 328 Coordenadas y cambio de base 340 Bases ortonormales en R n 352 Complementos ortogonales 360

7

Aplicaciones de espacios vectoriales reales (opcional) 375
7.1 7.2 7.3 Factorización QR 375 Mínimos cuadrados 378 Algo más sobre codificación 390

8

Valores propios, vectores propios y diagonalización 408
8.1 8.2 8.3 Valores propios y vectores propios 408 Diagonalización 422 Diagonalización de matrices simétricas 433

9

Aplicaciones de valores propios y vectores propios (opcional) 447
9.1 9.2 9.3 9.4 9.5 9.6 La sucesión de Fibonacci 447 Ecuaciones diferenciales 451 Sistemas dinámicos 461 Formas cuadráticas 475 Secciones cónicas 484 Superficies cuádricas 491

10

Transformaciones lineales y matrices 502
10.1 10.2 10.3 10.4 Definiciones y ejemplos 502 El núcleo y la imagen de una transformación lineal 508 La matriz de una transformación lineal 521 Introducción a fractales (opcional) 536

Contenido

ix

11

Programación lineal (opcional) 558
11.1 11.2 11.3 11.4 El problema de la programación lineal; solución geométrica 558 El método símplex 575 Dualidad 591 Teoría de juegos 598

12

MATLAB para álgebra lineal 615
12.1 12.2 12.3 12.4 12.5 12.6 12.7 12.8 12.9 Entrada y salida en MATLAB 616 Operaciones matriciales con MATLAB 620 Potencias de matrices y algunas matrices especiales 623 Operaciones elementales por fila con MATLAB 625 Inversas de matrices en MATLAB 634 Vectores en MATLAB 635 Aplicaciones de las combinaciones lineales en MATLAB 637 Transformaciones lineales en MATLAB 640 Resumen de comandos de MATLAB 643

APÉNDICE

A B

Número complejos

A1

A-1 Número complejos A1 A-2 Números complejos en álgebra lineal A9
APÉNDICE

Instrucción adicional A19
B-1 Espacios con producto interno (requiere conocimientos de cálculo) A19 B-2 Transformaciones lineales invertibles y compuestas A30

Glosario para álgebra lineal A39 Respuestas A45 Índice I1

PREFACIO
Material incluido Este libro presenta una introducción al álgebra lineal y a algunas de sus aplicaciones importantes. Está pensado para alumnos de nivel medio y avanzado, y cubre más material del que se requeriría para impartir un curso semestral o trimestral. Omitiendo algunas secciones, es posible:abarcar en un semestre o en un trimestre los elementos esenciales del álgebra lineal (incluyendo los valores y vectores propios), enseñar cómo utilizar la computadora en problemas de álgebra lineal, y dedicar algún tiempo a varias aplicaciones relacionadas con el tema. Si se toma en cuenta que existe gran cantidad de aplicaciones de álgebra lineal en disciplinas como matemáticas, física, biología, química, ingeniería, estadística, economía, finanzas, psicología y sociología, no resulta exagerado afirmar que esta materia es una de las que más impacto tendrá en la vida de los estudiantes. Por otro lado, el contenido de esta obra puede utilizarse también en un curso de álgebra lineal con duración de un año, o para impartir un segundo curso del tema con hincapié en las aplicaciones. Al final del prefacio proponemos cierto ritmo para estudiar el material básico. El nivel y el ritmo del curso se pueden modificar fácilmente, variando el tiempo que se invierta en el material teórico y en las aplicaciones. Contar con conocimientos de cálculo diferencial e integral no es un requisito; sin embargo, se incluyen varios ejemplos y ejercicios en que se utilizan ciertos aspectos básicos de cálculo, a los que añadimos la nota “Requiere conocimientos de cálculo”. En el texto se subrayan los aspectos computacionales y geométricos de la materia, manteniendo la abstracción en un nivel mínimo. De acuerdo con lo anterior, en ocasiones omitiremos las demostraciones de algunos teoremas, difíciles o poco provechosas, a la vez que ampliaremos su ilustración mediante ejemplos. Las demostraciones tienen el nivel adecuado para el estudiante. También hemos centrado nuestra atención en las áreas esenciales del álgebra lineal; el libro no pretende describir la materia en forma exhaustiva.

Novedades en la octava edición
Nos complace mucho la amplia aceptación que han tenido las primeras siete ediciones de esta obra. El éxito alcanzado por el movimiento para la reforma del cálculo realizado en Estados Unidos durante los últimos años, dio lugar a que se hayan comenzado a gestar ideas para mejorar la enseñanza del álgebra lineal. El grupo de estudio del programa de álgebra lineal y otros de carácter similar han hecho varias recomendaciones en este sentido. Al preparar esta edición, las hemos tomado en cuenta, así como las sugerencias de profesores y estudiantes. Aunque realizamos muchos cambios en esta edición, nuestro objetivo sigue siendo el mismo que en las anteriores: desarrollar un libro de texto que ayude al maestro a enseñar y al estudiante a aprender las ideas básicas del álgebra lineal, así como a comprender algunas de sus aplicaciones. Para lograrlo, esta edición incluye las características siguientes: xi

xii Prefacio

Se agregaron estas nuevas secciones: • Sección 1.5, Transformaciones matriciales: introduce, desde muy temprano, algunas aplicaciones geométricas. • Sección 2.1, Introducción a la teoría de códigos: junto con un material de apoyo sobre matrices binarias que se presenta a lo largo de los primeros seis capítulos, esta nueva sección proporciona una introducción a los conceptos básicos de la teoría de códigos. • Sección 7.3, Algo más sobre codificación: desarrolla algunos códigos sencillos y sus propiedades básicas relacionadas con el álgebra lineal. Se agregó más material geométrico. También se añadieron ejercicios nuevos a todos los niveles. Algunos de ellos corresponden al tipo de respuesta abierta —lo que permite explorar con más amplitud un tema y realizar nuevos hallazgos—, mientras que otros son de desarrollo. Se agregaron más ilustraciones. Se actualizaron los archivos M de MATLAB a versiones más recientes. Al final de cada sección se agregó un listado de términos clave, lo que refleja nuestro interés en desarrollar aún más las habilidades de comunicación. En las preguntas de falso/verdadero se pide al estudiante que justifique su respuesta, lo que da una oportunidad adicional para exploración y redacción. Al repaso acumulativo de los primeros diez capítulos se agregaron 25 preguntas de falso/verdadero. Además se añadió un glosario, característica totalmente nueva en esta edición.

Ejercicios
Los ejercicios se agrupan en tres clases. Los de la primera, Ejercicios, son de rutina. En la segunda, Ejercicios teóricos, incluimos los que cubren las lagunas de algunas demostraciones y amplían el material tratado en el texto. Algunos de ellos piden una solución oral. En esta era de la tecnología, es particularmente importante escribir con cuidado y precisión, y estos ejercicios ayudarán al estudiante a mejorar esta habilidad, además de elevar el nivel del curso y plantear retos a los alumnos más dotados y con más interés. La tercera clase, Ejercicios con MATLAB (ML) consta de ejercicios preparados por David R. Hill para resolverse con ayuda de MATLAB o de algún otro paquete de software matemático. Las respuestas a los ejercicios numéricos impares y los ejercicios ML aparecen al final del libro. Al término del capítulo 10 se da un repaso acumulativo del material básico de álgebra lineal presentado hasta allí, el cual consiste en 100 preguntas de falso/ verdadero (las respuestas se dan al final del texto).

Presentación
La experiencia nos ha enseñado que los conceptos abstractos deben presentarse de manera gradual y basarse en fundamentos firmes. Por lo tanto, comenzamos el estudio del álgebra lineal con el tratamiento de las matrices como simples arreglos de números que surgen de manera natural en la solución de sistemas de ecuaciones lineales, un problema familiar para el estudiante. En cada nueva edición nos hemos preocupado por perfeccionar los aspectos pedagógicos de la exposición. Las ideas abstractas se han equilibrado cuidadosamente, y acentúan los aspectos geométricos y de cálculo de la materia.

Prefacio

xiii

Temario
El capítulo 1 aborda las matrices y sus propiedades. La sección 1.5 Transformaciones matriciales, nueva en esta edición, proporciona una introducción a este importante tema. Este capítulo consiste en dos partes: en la primera se analizan las matrices y los sistemas lineales; en la segunda se comentan las soluciones de sistemas lineales. El capítulo 2, cuyo estudio es opcional, está dedicado al análisis de aplicaciones de ecuaciones lineales y matrices en áreas como la teoría de códigos, la creación de gráficos por computadora, la teoría de gráficas, los circuitos eléctricos, las cadenas de Markov, los modelos lineales en economía, y las wavelets. En la sección 2.1, Introducción a la teoría de códigos —también nueva en esta edición—, se desarrollan los fundamentos para introducir un poco de material de la teoría de códigos. Para mantener la discusión de estos temas en un nivel elemental, ha sido necesario abundar en detalles técnicos. El capítulo 3 presenta brevemente las propiedades básicas de las determinantes. El capítulo 4 plantea el tema de los vectores en R n, además de explicar los vectores en el plano y ofrecer una introducción a las transformaciones lineales. El capítulo 5, cuya lectura es opcional, proporciona una oportunidad de explorar algunos de los muchos conceptos geométricos relacionados con vectores en R2 y R3; por conveniencia, limitamos nuestra atención a las áreas de producto cruz en R3, y rectas y planos. En el capítulo 6 llegamos a un concepto más abstracto, el de espacio vectorial. La abstracción en este capítulo se maneja con más sencillez una vez que se ha cubierto el material sobre vectores en R n. El capítulo 7 (opcional) presenta tres aplicaciones de espacios vectoriales reales: la factorización QR, mínimos cuadrados y, en la sección 7.3, Algo más sobre codificación —nueva en esta edición—, una introducción a algunos códigos sencillos. El capítulo 8, que versa sobre valores propios (eigenvalores) y vectores propios (eigenvectores), constituye el punto culminante del curso, y ahora se presenta en tres secciones para facilitar la enseñanza; en este capítulo se desarrolla cuidadosamente la diagonalización de matrices simétricas. El capítulo 9, de estudio opcional, aborda diversas aplicaciones de valores y vectores propios. Éstas incluyen sucesiones de Fibonacci, ecuaciones diferenciales, sistemas dinámicos, formas cuadráticas, secciones cónicas y superficies cuádricas. El capítulo 10 cubre las transformaciones lineales y matrices. La sección 10.4 (opcional), Introducción a fractales, analiza una aplicación de ciertas transformaciones no lineales. El capítulo 11 (opcional) se ocupa de la programación lineal, una importante aplicación del álgebra lineal. La sección 11.4 presenta las ideas básicas de la teoría de juegos. El capítulo 12 proporciona una breve introducción a MATLAB (abreviatura de MATRIX LABORATORY), un paquete de software muy útil para realizar cálculos de álgebra lineal en computadora (vea la descripción más adelante). El apéndice A presenta de manera breve pero completa los números complejos y su uso en álgebra lineal. El apéndice B toca otros dos temas avanzados del álgebra lineal: los espacios con producto interno, la composición de transformaciones lineales y las transformaciones lineales invertibles.

Aplicaciones
Casi todas las aplicaciones son completamente independientes; pueden abordarse después de terminar todo el material introductorio de álgebra lineal en el curso, o bien estudiarse tan pronto como se termine de desarrollar el material necesario para una aplicación en particular. En el caso de la mayoría de las aplicaciones se da una Vista preliminar de una aplicación en lugares adecuados de libro, cuyo propósito es indicar cómo proporcionar una aplicación inmediata del material que se acaba de estudiar. El diagrama que aparece al final de este prefacio proporciona los requisitos de cada una de las aplicaciones, y la Vista preliminar de una aplicación será útil para decidir cuál aplicación estudiar y cuándo hacerlo.

la introducción a una potente herramienta como MATLAB al inicio de la carrera universitaria. tanto en la elección del material como en el método de estudio de estas aplicaciones. el profesor puede ser muy selectivo.net/kolman. por su complejidad. Inc. Esto proporciona una herramienta pedagógica que permite al estudiante razonar los pasos para la resolución de un problema.. a nuestro juicio MATLAB es el más apropiado para este propósito. Estos archivos M están diseñados para transformar muchas de las capacidades de MATLAB en función de las necesidades del curso. abre el camino a otros tipos de software que serán de gran ayuda para el estudiante en cursos posteriores. dirección de correo electrónico: info@mathworks. especialmente en ciencias e ingenierías. y ha ido mejorando en cada nueva versión del software. 7. y soluciones a todos los ejercicios teóricos está disponible en inglés (sólo para el profesor) solicítelo al representante de Pearson Educación. Aproximadamente 24 archivos (M) han sido desarrollados para que el alumno los utilice con los ejercicios ML en este libro. www. Software MATLAB Aunque los ejercicios ML pueden resolverse usando diferentes paquetes de software. 24 Prime Park Way. podrían resultar tediosos. Sin duda. . y un examen del capítulo (todas las respuestas aparecen al final del libro). Por otra parte. [(508) 653-1415].xiv Prefacio Algunas de las secciones en los capítulos 2. dejando a MATLAB la responsabilidad de realizar cálculos que. 5. Contiene las respuestas a todos los ejercicios de número par. proporcionado así una capacidad de cálculo simbólico. El código de programación de MATLAB está escrito en lenguaje C. 9 y 11 también pueden utilizarse como proyectos independientes para los estudiantes. MATLAB está disponible de The Math Works. Aunque MATLAB permite la creación de programas para implementar muchos algoritmos matemáticos. MATLAB es un paquete de software versátil y poderoso. Material complementario Manual de soluciones para el profesor (0-13-143742-9). MATLAB incorpora rutinas de cálculo de calidad profesional. es preciso aclarar que en este libro no se pide al lector que escriba programas. este libro no incluye el programa ni las rutinas de comandos desarrolladas para la resolución de los ejercicios ML. un conjunto de ejercicios complementarios (las respuestas de todos los ejercicios impares aparecen al final del libro). La experiencia en el aula a partir de este enfoque ha demostrado una reacción favorable de los estudiantes. sino simplemente que use MATLAB (o algún otro paquete de software comparable) para resolver problemas numéricos específicos. La versión de MATLAB para el estudiante incluye también una versión de Maple. Material al final de los capítulo Cada capítulo contiene un resumen de Ideas clave para el repaso. El capítulo 12 de esta edición incluye una breve introducción a las capacidades de MATLAB para resolver problemas de álgebra lineal. éste es el papel ideal de MATLAB (o de cualquier otro paquete de software) al iniciar un curso de álgebra lineal.com. el material correspondiente está disponible en el sitio Web de Prentice Hall.pearsoneducacion. Natick. muy útiles en álgebra lineal. MA 01760. Por lo tanto. cuya piedra angular son sus capacidades para álgebra lineal.

4 Secciones 11.3 Sección 2. con mayor cohesión y unificada con propósitos pedagógicamente estratégicos.1 Sección 9.6 Sección 1.2. En esta nueva edición no hemos cambiado el fundamento estructural para la enseñanza del material esencial de álgebra lineal.6 Sección 1.7.9 Sección 2. 4.1 Sección 8.7 Sección 1.4 Sección 9.Prefacio xv Lecturas obligatorias para comprender las aplicaciones Sección 2.2 Sección 7. el libro se ha utilizado principalmente para el curso de álgebra lineal de segundo año de licenciatura.4 Sección 2.4 Sección 9.5 Sección 2.6 Secciones 11.3 Sección 9. Por lo tanto.5 Sección 8.4 Material sobre bits en el capítulo 1 Sección 1. La ubicación de las aplicaciones.1 y Capítulo 3 Secciones 4.5 Sección 1. este material puede enseñarse exactamente de la misma manera que antes.3 Sección 9. facilitará sin duda la impartición de un curso más rico y más variado. 1.1 Sección 7.3 Sección 11.5 Sección 9.1 Sección 2.1 Sección 5. .1 y 5.6.1-11.1 Sección 6.2 Sección 2. 6.7 Sección 5.2 Sección 1. junto con nuevas aplicaciones y otros materiales.2 Sección 7.2 Sección 9.2 Sección 9.7 Sección 4.2 Sección 8.2 Sección 8. Este curso cubrió lo básico de álgebra lineal y utilizó el tiempo extra disponible para el estudio de aplicaciones seleccionadas del tema.4 Sección 1.8 Secciones 1.6 Sección 2.3 Sección 9.6 Sección 10.1 – 11.3 A los usuarios de las ediciones anteriores: Durante los 29 años de vida de las siete ediciones anteriores de esta obra.

Avi Vardi. Tomaz Pisanski. Frank R. Andre L. Worcester Polytechnic Institute. De la tercera edición: Jerry Goldman. Rensselaer Polytechnic Institute. Shoreline Community College. Jürgen Gerlach. quien junto con Lilian Brady. Mike Daven. Trench. University of Missouri. John Broughton. que han compartido con nosotros sus experiencias con el libro y nos han ofrecido útiles sugerencias. Fue un placer trabajar con él. Western Kentucky University. y Paul Zweir. Robert E. Trinity University. David Goldberg. Herman E. Joseph Malkevitch. y a Blaise deSesa por su ayuda en la edición y la verificación de las soluciones a los ejercicios. Mount Saint Mary College. Virginia Commonwealth University. Dennis encontró varios errores y obró milagros en muy poco tiempo. York College de la City University de New York. Radford University. Louis. por preparar el Manual de soluciones para el estudiante. Busby. The Pennsylvania State University en University Park. Israel Institute of Technology. Calvin College. Ellington. Wells. De la quinta edición: Paul Been. Duris. Charles Heuer. y Lance L. y Aimee J. de Drexel University. Clemson University. De la octava edición: Juergen Gerlach. los comentarios y las críticas de estas personas han mejorado mucho la obra. Sandra Welch. Temple University. Allan Krall. Beck y Michael L. Herman E. En la segunda edición: Gerald E. John Mitchell. quien realizó la tipografía de todo el original del Manual de soluciones para el estudiante y del Manual de respuestas. Carrol G. Harry W. de la Stetson University. y James Snodgrass. Agradecemos también a Dennis R. DePaul University. el finado Charles S. John Goulet. University of Hawaii. Brooks. De la sexta edición: Daniel D. Bergum. Anderson. de la Stetson University. University of Missouri. De la séptima edición: Ali A. Irwin Pressman. South Dakota State University. Temple University. Miltin Schwartz y el finado John H. una sincera expresión de gratitud. St. a todos los maestros y estudiantes de Estados Unidos y de otros países. de la Temple University. Stanley Lukawecki. Robert C. Robin Clark. Philippe Loustaunau. y a Nina Edelman y Kathy O’Hara. Para todos. Gollwitzer. Xavier University. Las diversas sugerencias. Jame O. Indiana University-South Bend. y Larry Runyan. Olaf’s College. Kletzing. Concordia College. Austin State University. Vick. Seattle University. The University of North Carolina. Michael Gerahty. y Karen Schroeder. de la University de Illinois en Chicago. Staib. Villanova University. También debemos agradecer a Nina Edelman. George Mason University. Littlejohn. Virginia Commonwealth University. Daddel. También queremos dar las gracias a las siguientes personas. Key. David Royster. Temple University. Utah State University. Nuestra gratitud a Dennis Kletzing. Oded Kariv. hicieron una lectura crítica de las galeras. Broome Community College. Colorado State University. De la cuarta edición: William G. Seymour Lipschutz. Wayne McDaniels. David R. Golik. de Villanova University. L.xvi Prefacio Agradecimientos Nos complace expresar nuestro agradecimiento a las siguientes personas. Stephen F. Indiana University of Pennsylvania. Carleton University. y nuestro agradecimiento. y Alex Stanoyevitch. asimismo. Hill. Huntsville. Bentley College. DeMeyer. y Lynn Arthur Steen. Radford University. Technion. y David Shedler. W. William F. McLaughlin. Agradecemos también a Vera Pless. University of Missouri en St. Clemson University. Bartlow. Matt Insall. University of Alabama. por la ayuda que brindaron en ciertas partes del manuscrito: Thomas I. por su revisión crítica del material acerca de teoría de códigos. Levitan. que revisaron exhaustivamente el manuscrito de la primera edición: William Arendt. University of Missouri en Rolla. D. Drexel University. J. Yandl. Purdue University. University of Iowa. University of California-Davis. . Gollwitzer. Lanita Presson. Colgate University. Rensselaer Polytechnic Institute. University of Iowa.

quien con paciencia y experiencia guió este libro desde su concepción hasta su publicación. producción y mercadeo de esta edición. editor ejecutivo.edu .drexel. interés y cooperación constantes durante las etapas de concepción.edu David R.Prefacio xvii Por último. Bernard Kolman bkolman@mcs.temple. editora de producción. una sincera expresión de agradecimiento a Jeanne Audino. y a todo el equipo de Prentice Hall por su entusiasmo. diseño. Hill hill@math. a George Lobell.

.

encontrará que el tamaño de los problemas es mucho más grande. en segundo lugar. Además. y el análisis económico. desarrollaremos un núcleo de material. una poderosa herramienta de software que tiene como base las matrices y que se utiliza ampliamente en la industria. algunas de ellas podrán abordarse con más amplitud a lo largo del curso. el álgebra lineal nos afecta profundamente. Entre las aplicaciones que utilizan álgebra lineal están la transmisión de información. el desarrollo de motores (o máquinas) de búsqueda en Internet. La segunda categoría está compuesta por ejercicios teóricos. los ejercicios computacionales. éste no le dará una serie de técnicas aisladas de cálculo para resolver ciertos tipos de problemas. sino que entienda y explique cómo obtener la respuesta e interpretar el resultado. será capaz de realizar algunas demostraciones sencillas por su propia cuenta. Si bien hará muchos cálculos. por lo que al principio sólo esperamos que lea y entienda las comprobaciones que se incluyen en el libro. En algunos xix . es posible que constituya su primera experiencia en materia de abstracción. Primero. conforme avance en el curso. diseñados para resolverse por medio de una computadora y MATLAB. biología. el desarrollo de efectos especiales en películas y vídeo. la grabación de sonido.AL ESTUDIANTE Es muy probable que este curso sea muy diferente a cualquier otro de matemáticas que haya estudiado hasta ahora. aunque manteniendo la exigencia a este respecto en el mínimo. El álgebra lineal se utiliza diariamente para resolver problemas en otras áreas de matemáticas. ya que es casi seguro que emplee algún tipo de software para resolverlos. Como podrá ver. si hay tiempo suficiente. estadística. A diferencia de otros cursos de matemáticas. Una muestra de este tipo de programas se provee para el tercer tipo de ejercicios. denominado álgebra lineal. física. Esta última es una habilidad que toma tiempo dominar. ingeniería. En lugar de ello. e ilustrando ampliamente cada idea abstracta con ejemplos numéricos y aplicaciones. es un curso de matemáticas que puede tener gran impacto en su vocación profesional. Poco a poco lo introduciremos a la abstracción. Estos ejercicios. el objetivo de casi todos los problemas no es solamente obtener la respuesta “correcta”. finanzas. En este libro se incluyen aplicaciones seleccionadas y. Éste no es un impedimento. introduciendo ciertas definiciones y creando procedimientos para la determinación de propiedades y la demostración de teoremas. por lo menos en dos sentidos importantes. economía. sin embargo. psicología y sociología. muchas de las aplicaciones pueden usarse como proyectos de estudio autodidacta. y que los números involucrados no siempre son sencillos. así como sus números han sido cuidadosamente seleccionados de manera de casi todos ellos pueden realizarse fácilmente a mano. Cuando se le pida que utilice álgebra lineal en aplicaciones reales. Hay tres tipos de ejercicios en esta obra: primero.

ejercicios complementarios y un examen del capítulo. Al final de los primeros diez capítulos (que completan el núcleo del material de álgebra lineal de que se compone el curso) se hace un repaso que consiste en 100 preguntas de falso/verdadero. • Asegúrese de realizar su tarea de manera oportuna. no aprenderá a resolverlos por usted mismo. muchas veces se le pedirá que prepare un informe en donde se analice la solución y se justifiquen los pasos que le llevaron a ella. Le deseamos mucho éxito en su estudio del álgebra lineal. Tal vez le sea útil trabajar con otros estudiantes el material cubierto en clase y algunos problemas de tarea.xx Al estudiante de éstos es probable que se le pida demostrar un resultado o analizar una idea. Por último. inténtelo: de esta manera le será más fácil comprenderlo cuando se le analice en clase. lo primero que se coloca son los cimientos. • Haga uso de los recursos pedagógicos que proporciona este libro. Si alguno de tales conceptos le resulta confuso o sencillamente incomprensible. • Asegúrese de preguntar tan pronto como algo no le quede claro. esta disciplina utiliza palabras. Al final de cada sección se presenta una lista de términos clave. y tenga lápiz y papel a mano. Quizá tenga que leer una sección en particular más de una vez. Estamos seguros de que su esfuerzo por aprender álgebra lineal se verá ampliamente recompensado en otros cursos y a lo largo de su carrera profesional. Deténgase a verificar los pasos marcados con “verifique” en el texto. . Si espera hasta que los problemas le sean explicados en clase. en las que le pedimos que justifique su respuesta. al final del libro aparece un glosario de términos relacionados con el álgebra lineal. el estudio del álgebra lineal sigue el mismo principio: en este curso cada idea abstracta tiene como base una serie de conceptos desarrollados previamente. sus conocimientos serán insuficientes para entender las ideas subsecuentes. así como interpretar los resultados. La capacidad de obtener una respuesta no siempre es suficiente en el mundo actual. al final de cada capítulo se ofrece una lista de ideas clave para repasar. Estos tipos de ejercicios le darán experiencia en la redacción de textos relacionados con las matemáticas. no sólo símbolos. Recomendaciones para aprender álgebra lineal • Lea el libro lentamente. Aun cuando no pueda terminar un problema. Cuando se construye una casa.

ÁLGEBRA LINEAL .

.

. x1 = 2. . denominados incógnitas. an y se nos dice que debemos determinar los números x1. En muchas aplicaciones se nos dan b y las constantes a 1. . Un sistema lineal puede denotarse sin problema mediante a11 x1 + a12 x2 + · · · + a1n xn = b1 a21 x1 + a22 x2 + · · · + a2n xn = b2 . x2. . . x2 = 1 y x3 = −7 también lo es. .CAPÍTULO 1 Y MATRICES 1. un sistema de m ecuaciones lineales con n incógnitas x1. que expresa la variable b en términos de la variable x y la constante a. . . que satisfacen la ecuación (1). . . . . a2. ya que 6(2) − 3(3) + 4(−4) = −13. x2. es un conjunto de m ecuaciones lineales. De manera más general. . xn —al que podemos llamar simplemente sistema lineal—. . an. . . ya que x1 = 3. De manera análoga. . . a2 . . la ecuación a1x1 + a2x2 + · · · + anxn = b. (1) que expresa b en términos de las variables x1. s2. cada una con n incógnitas. x2 = s2. . se denomina ecuación lineal. . sn que tienen la propiedad de satisfacer (1) cuando x1 = s1. Una solución de una ecuación lineal (1) es una sucesión de n números s1. . . . . . . xn y las constantes conocidas a1. Ésta no es la única solución para la ecuación lineal dada.1 ECUACIONES LINEALES SISTEMAS LINEALES Una gran cantidad de los problemas que se presentan en las ciencias naturales y sociales. xn. . (2) 1 . . . . En consecuencia. así como en ingeniería y en ciencias físicas. Aquí se utiliza la palabra lineal porque la gráfica de la ecuación anterior es una línea recta. tienen que ver con ecuaciones que relacionan a dos conjuntos de variables. . x2 = 3 y x3 = −4 es una solución de la ecuación lineal 6x1 − 3x2 + 4x3 = −13. x2. . Una ecuación del tipo ax = b. . . . . am1 x1 + am2 x2 + · · · + amn xn = bm . . . xn = sn se sustituyen en (1). se denomina ecuación lineal.

. las aij son constantes conocidas. m n y m n. El director determina cómo sigue la cantidad x que debe invertir en los CD. para obtener y = 70. . usaremos una técnica denominada método de eliminación.800. solemos escribir x.2 Capítulo 1 Ecuaciones lineales y matrices Los dos subíndices. .000 0. es decir. obtenemos x = 30. queremos determinar los valores de x1. i y j. debemos tener x + y = 100. y = 70. . Si nuestro problema involucra dos. aunque lo más seguro es que haya sido con la restricción de hacerlo con sistemas lineales en los que m = n.800.000 0. el director del fondo debe invertir $30. .05x + 0. Así. b2.800 sobre las inversiones al cabo de un año. hemos eliminado la incógnita x. como a largo plazo. El objetivo del director es obtener un rendimiento de $7. En este curso ampliaremos este panorama. . tenemos el sistema lineal x+ y = 100. y. i. x2 = s2. s2. Una solución del sistema lineal (2) es una sucesión de n números s1. .800. Por lo tanto.000. Para comprobar que x = 30. . . . Dados los valores de b1. la i-ésima ecuación es ai1x1 + ai2x2 + · · · + ainxn = bi. mientras que el bono ofrece 9% al año.05) veces la primera ecuación a la segunda.000 es una solución de (3). en otras palabras. se utilizan como sigue. xn = sn se sustituyen en (2). y la cantidad y que dedicará a comprar bonos: Como la inversión total es de $100. . Para encontrar las soluciones del sistema lineal.800. y en la sección 1.05x + 0.04y = 2. tres o cuatro incógnitas. En consecuencia.000. mientras que el segundo subíndice. poniendo en práctica el método citado tratando con sistemas en los que tenemos m = n. . EJEMPLO 1 El director de un fondo de inversión tiene $100.000. En realidad. existe una gran cantidad de aplicaciones en que m n.000 en los CD y $70. j.000 en bonos a largo plazo. x2. Toda vez que el rendimiento deseado es de $7. eliminamos algunas de las incógnitas sumando un múltiplo de una ecuación a otra ecuación. En esta sección utilizaremos el método de eliminación como se estudió en cursos básicos. xn que satisfagan cada ecuación en (2). sn.000. obtenemos la ecuación 0. en donde la segunda ecuación no tiene término x. (3) Para eliminar x. El primer subíndice. Después despejamos y en la segunda ecuación. Los CD elegidos tienen un rendimiento de 5% anual. Esto es. sumamos (−0. verificamos que estos valores de x y y satisfagan cada una de las ecuaciones del sistema lineal dado. para obtener x+ y = 100.09y = 7. bm. ■ . z y w. Casi todos los lectores habrán tenido alguna experiencia con esta técnica en cursos de álgebra en niveles básicos. está asociado con la j-ésima variable xj. . y sustituyendo y en la primera ecuación de (3). que tiene la propiedad de que cada ecuación en (2) se satisface cuando x1 = s1. sistemas lineales con tantas ecuaciones como incógnitas. .000 para invertir. .5 lo haremos de manera mucho más sistemática. Las reglas del fondo establecen que la inversión debe hacerse tanto en certificados de depósito (CD). En (2). indica que estamos trabajando con la i-ésima ecuación.000. .09y = 7.

Podríamos haber obtenido la misma conclusión observando que en (4) el lado izquierdo de la segunda ecuación es igual a dos veces el lado izquierdo de la primera ecuación. (4) Nuevamente decidimos eliminar x.Sec. sumamos (−2) veces la primera ecuación a la segunda y (−3) veces la primera ecuación a la tercera. lo que nos da x + 2y + 3z = 6 y + 2z = 4 − 7y − 4z = 2. Esto significa que la solución del sistema lineal (4) es el conjunto vacío. (8) . podemos decir que el sistema no tiene solución. es un conjunto vacío. tenemos – x + 2y + 3z = 6 y + 2z = 4 z = 3. Multiplicamos la tercera ecuación de (6) por − 1 . Ahora sumamos 7 veces la segunda ecuación a la tercera. en términos prácticos. para obtener 5 x + 2y + 3z = 6 − 7y − 4z = 2 y + 2z = 4. para obtener (7) x + 2y + 3z = 6 y + 2z = 4 10z = 30. 1. lo que da por resultado x + 2y + 3z = 6 − 7y − 4z = 2 − 5y − 10z = −20.1 Sistemas lineales 3 EJEMPLO 2 Considere el sistema lineal x − 3y = −7 2x − 6y = 7. ■ EJEMPLO 3 Considere el sistema lineal x + 2y + 3z = 6 2x − 3y + 2z = 14 3x + y − z = −2. (6) Después eliminamos y como sigue. pero el lado derecho de la segunda ecuación no es dos veces el lado derecho de la primera ecuación. Para ello. 1 Al multiplicar la tercera ecuación por 10. (5) Para eliminar x. sumamos (−2) veces la primera ecuación a la segunda. Luego intercambiamos la segunda y tercera ecuaciones. y obtenemos x − 3y = −7 0x + 0y = 21 cuya segunda ecuación no tiene sentido. con ayuda de la segunda ecuación en (6).

z = 3 es una solución para el sistema lineal.4 Capítulo 1 Ecuaciones lineales y matrices Sustituyendo z = 3 en la segunda ecuación de (8). y = −2. Por lo tanto. es otra solución. sumamos (−2) veces la primera ecuación a la segunda y obtenemos x + 2y − 3z = −4 − 3y + 3z = 12. verificamos que estos valores de x. y = −6 y z = −2 ■ EJEMPLO 5 Considere el sistema lineal x + 2y = 10 2x − 2y = −4 3x + 5y = 26. una solución para el sistema lineal (9) es x=r+4 y=r−4 z = r. encontramos que y = −2. x = −4 − 2y + 3z = −4 − 2(z − 4) + 3z = z + 4. x = 1. Despejamos y en la segunda ecuación en (10) para obtener y = z – 4. ■ EJEMPLO 4 Considere el sistema lineal x + 2y − 3z = −4 2x + y − 3z = 4. z = 3 es una solución de (5). entonces x = 2. Al sustituir estos valores de z y y en la primera ecuación de (8). El sistema (8) tiene la ventaja de que puede resolverse con mucha facilidad. obtenemos x = 1. Para comprobar que x = 1. En consecuencia. obtenemos otra solución para (9). La importancia del procedimiento radica en el hecho de que los sistemas lineales (5) y (8) tienen exactamente las mismas soluciones. mientras que si r = −2. donde r es cualquier número real. (10) donde z puede ser cualquier número real. (11) . Esto significa que el sistema lineal (9) tiene un número infinito de soluciones. y y z satisfagan cada una de las ecuaciones del sistema. si r = 1. y y z. Cada vez que asignamos un valor a r. En consecuencia. dando los valores anteriores para x. y = −3 y z=1 es una solución. (9) Para eliminar x. con base en la primera ecuación de (10). Entonces. y = −2. entonces x = 5.

No es difícil demostrar (ejercicios T. concluimos que (13) no tiene solución.Sec. 1. lo que nos da x + 2y = −10 −6y = −24 −y = −10. Sumar un múltiplo de una ecuación a la otra. para eliminar x sumamos (−2) veces la primera ecuación a la segunda y (−3) veces la primera ecuación a la tercera.3) que el método de eliminación proporciona otro sistema lineal que tiene exactamente las mismas soluciones que el sistema dado. no tener solución. Al sustituir y = 4 en la primera ecuación de (12). El nuevo sistema lineal puede resolverse después sin dificultad. (14) que no tiene solución. 3. y = 4 es una solución para (11). una única solución). Por lo tanto. tenemos 6 x + 2y = 10 y= 4 y = 4. ■ Hemos visto que el método de eliminación consiste de la realización repetida de las operaciones siguientes: 1. x = 2. Como (14) y (13) tienen las mismas soluciones. Estos ejemplos sugieren que un sistema lineal puede tener una solución (es decir. (12) que tiene las mismas soluciones que (11).1 Sistemas lineales 5 Una vez más. Multiplicando la segunda ecuación por − 1 y la tercera por (−1). Intercambiar dos ecuaciones. obteniendo x + 2y = −10 −6y = −24 −y = −4. obtenemos x = 2. ■ EJEMPLO 6 Considere el sistema lineal x + 2y = 10 2x − 2y = −4 3x + 5y = 20. o un número infinito de soluciones. 2. sumamos (−2) veces la primera ecuación a la segunda y (−3) veces la primera ecuación a la tercera. . (13) Para eliminar x. obtenemos el sis6 tema x + 2y = 10 y= 4 y = 10. Al multiplicar la segunda ecuación por − 1 y la tercera por (−1). Multiplicar una ecuación por una constante diferente de cero.1 a T.

es decir. las rectas l1 y l2 no se intersecan. P2 y P3. Antes de proporcionar una descripción sistemática del método de eliminación en la siguiente sección. las rectas l1 y l2 se intersecan exactamente en un punto. (15) La gráfica de cada una de estas ecuaciones es una línea recta.) En consecuencia. De manera recíproca. Considere ahora un sistema lineal con las incógnitas x y y.6 Capítulo 1 Ecuaciones lineales y matrices Como quizá haya notado. El sistema tiene una solución única. permitiéndonos desarrollar herramientas para resolver muchos problemas importantes. que denotamos mediante l1 y l2. Por otra parte. hemos descrito el método de eliminación únicamente en términos generales. hablaremos del concepto de matriz. esto es. no tener solución o tener una infinidad de soluciones. hasta el momento. . a1x + a2y = c1 b1x + b2y = c2. de esta manera. Figura 1. tres de sus páginas se intersecan en una línea recta (el lomo). 3. aparentemente las tres páginas son paralelas y no se intersecan. y se denota con P1. las rectas l1 y l2 coinciden. s2) pertenece a ambas rectas. s2) está en ambas rectas. consideremos un sistema lineal de tres ecuaciones con tres incógnitas. lo que nos ayudará a simplificar en gran medida nuestra notación. respectivamente. de manera que no hemos indicado regla alguna para seleccionar las incógnitas que serán eliminadas. el sistema lineal tiene una solución única. l1 y l2. El sistema no tiene solución.1. y y z: a1 x + b1 y + c1 z = d1 a2 x + b2 y + c2 z = d2 a3 x + b3 y + c3 z = d3 . entonces el punto (s1. si el punto (s1. y = s2 es una solución del sistema lineal (15). Cuando el libro se sostiene abierto. y = s2 es una solución para el sistema lineal (15). el sistema lineal tiene un número infinito de soluciones. cuando se cierra el libro. Como en el caso de un sistema lineal de dos ecuaciones con dos incógnitas. Si x = s1.1 y l2 l2 x l1 (a) Una única solución l2 x x y y l1 l1 (c) Una infinidad de soluciones (b) No hay solución Ahora. 2.2. piense en que las paredes (planos) de una habitación se intersecan en un único punto: una esquina de la habitación. en otras palabras. l1 y l2. x. hemos llegado a las mismas tres posibilidades mencionadas. entonces x = s1. Para comprender de forma más concreta algunos de los casos posibles. (16) La gráfica de cada una de estas ecuaciones es un plano. El sistema tiene un número infinito de soluciones. por lo que podemos decir que el sistema lineal no tiene solución. en este caso. (Vea la figura 1. Estas situaciones se ilustran en la figura 1. Ahora piense en los planos como si se tratara de las páginas de un libro. el sistema lineal en (16) puede tener una solución única. respectivamente. siguiendo una alternativa geométrica: 1.

Siguiendo el método del ejemplo 4. Como la gerencia no quiere que las costosas máquinas X y Y estén ociosas. que debe ser igual a 80. de modo que las máquinas se utilicen a su capacidad total. La manufactura del producto requiere los tiempos siguientes en las máquinas X y Y: 1. Desde el punto de vista matemático. Para resolver este problema. Una tonelada de B requiere 3 horas en la máquina X y 2 horas en la máquina Y. x2 y x3. El número de horas que la máquina X será utilizada es 2x1 + 3x2 + 4x3.2 P1 P1 P3 P3 P2 P2 P1 P2 P3 (a) Una única solución (b) No hay solución (c) Una infinidad de soluciones EJEMPLO 7 (Planeación de producción) Un fabricante produce tres tipos diferentes de productos químicos: A. Cada producto debe pasar por dos máquinas de procesamiento: X y Y. Por lo tanto. 2x1 + 2x2 + 3x3 = 60. y la máquina Y puede utilizarse 60 horas a la semana. denotamos con x1. Este sistema lineal tiene un número infinito de soluciones. Una tonelada de C requiere 4 horas en la máquina X y 3 horas en la máquina Y. B y C. el número de horas que empleará la máquina Y es 60. Una tonelada de A requiere 2 horas en la máquina X y 2 horas en la máquina Y. 2. Así tenemos que 2x1 + 3x2 + 4x3 = 80. nuestro problema consiste en determinar los valores no negativos de x1. 3. 1. respectivamente. le gustaría saber cuántas toneladas debe manufacturar de cada producto. Daremos por sentado que el fabricante puede vender todos los productos que se manufacturen. . B y C que se fabricarán. x2 y x3 tales que 2x1 + 3x2 + 4x3 = 80. por lo que tenemos 2x1 + 2x2 + 3x3 = 60. el número de toneladas de productos A. vemos que todas las soluciones están dadas por x1 = 20 − x3 2 x2 = 20 − x3 x3 = cualquier número real tal que 0 ≤ x3 ≤ 20. De manera similar. La máquina X está disponible durante 80 horas a la semana.1 Sistemas lineales 7 Figura 1.Sec.

6. x + y + 3z = 12 2x + 2y + 6z = 6. 5. Observe que una solución es tan buena como la otra. x + y=1 2x − y = 5 3x + 4y = 2. 2x + 3y = 13 x − 2y = 3 5x + 2y = 27. x3 = 7 cuando x3 = 7. x + 4y − z = 12 3x + 8y − 2z = 4. Dado el sistema lineal 2x + 3y − z = 0 x − 4y + 5z = 0. 2x + 3y − z = 6 2x − y + 2z = −8 3x − y + z = −7. (a) verifique que x1 = 1. Resuelva el sistema lineal siguiente sin utilizar el método de eliminación 14. 11. . 2 x2 = 13. determínelo 2x + 3y − z = 11 x − y + 2z = −7 4x + y − 2z = 12. Cuando x3 = 10. x+ y= 5 3x + 3y = 10. 3z. (b) determine un valor de t para que el sistema no tenga solución. 2x − 3y + 4z = −12 x − 2y + z = −5 3x + y + 2z = 1. 18. z1 = −1 es una solución. x + 3y = −4 2x + 5y = −8 x + 3y = −5. 2.1 Ejercicios En los ejercicios 1 a 14. 10. 12. 7. y = y1 + y2 = 1 y z = z1 + z2 = 1 es una solución del sistema lineal? (d) ¿3x. y1 = −1. tenemos x1 = 5. z = r sea una solución del siguiente sistema lineal? De ser así. 2x + 4y + 6z = −12 2x − 3y − 4z = 15 3x + 4y + 5z = −8. Resuelva el sistema lineal siguiente sin utilizar el método de eliminación 8. 13. resuelva el sistema lineal dado por medio del método de eliminación.8 Capítulo 1 Ecuaciones lineales y matrices toda vez que debemos tener x1 ≥ 0. es una solución del sistema lineal? 17. mientras que x2 = 10. x3 = 10 x1 = 13 . y y z son como en la parte (c). (c) ¿Cuántos valores diferentes de t pueden seleccionarse en la parte (b)? 16. (a) determine un valor de t para que el sistema tenga una solución. x2 ≥ 0 y x3 ≥ 0. Ninguna es mejor. 3y. 3. donde x. 3x + 2y + z = 2 4x + 2y + 2z = 8 x − y + z = 4. 3x + 4y − z = 8 6x + 8y − 2z = 3. y = 2. 19. 15. 4x = 8 −2x + 3y = −1 3x + 5y − 2z = 11. (c) ¿x = x1 + x2 = −1. ■ Términos clave Ecuación lineal Incógnitas Solución de una ecuación lineal Sistema lineal Solución de un sistema lineal Método de eliminación Solución única Sin solución Infinidad de soluciones Manipulación de un sistema lineal 1. 4. a menos que se nos diera más información o se nos plantearan algunas restricciones. x + y − 2z = 5 2x + 3y + 4z = 2. y2 = 2. ¿Existe un valor de r tal que x = 1. 2x + y − 2z = −5 3y + z = 7 z = 4. 1. 9. x − 5y = 6 3x + 2y = 1 5x + 2y = 1. (b) verifique que x2 = −2. Dado el sistema lineal 2x – y = 5 4x – 2y = t. z2 = 2 es una solución. x + 2y = 8 3x − 4y = 4.

determínelo 3x − 2z = 4 x − 4y + z = −5 −2x + 3y + 2z = 9. ¿Cuánto se invirtió en cada fideicomiso? P1 P3 P1 P2 P3 (c) Figura 1.3. 1. y = 2. 10 y 6% anual.2. para producir cada tonelada del revelador de 9 minutos se utiliza 12 minutos la planta A y 12 minutos la planta B. La fabricación de cada tonelada del revelador de 2 minutos requiere 6 minutos en la planta A y 24 minutos en la planta B. Una refinería produce gasolina con azufre y sin azufre. c y d? . z = 1 sea una solución del siguiente sistema lineal? De ser así. Un fabricante produce dos tipos de plásticos: regular y especial. Suponga que los tres puntos (1. Diga cuál es el número de puntos que están simultáneamente en los tres planos que se muestran en cada inciso de la figura 1. P1 P2 P3 (a) P2 (b) 24.4. 28. Demuestre que el sistema lineal obtenido al remplazar una ecuación en (2) por un múltiplo constante de la ecuación diferente de cero. Cada onza del alimento A contiene 2 unidades de proteína. (a) Determine un sistema lineal de tres ecuaciones con tres incógnitas que deba resolverse para determinar a. ¿cuántas toneladas de cada tipo de revelador de película pueden producirse de modo que las plantas operen a toda su capacidad? 27. Por último. al final del primer año. Si la planta mezcladora está disponible 3 horas y la de refinación 2 horas. el rendimiento total fue de $2. La producción de cada tonelada de plástico regular requiere dos horas en la planta A y 5 horas en la planta B. Si la dieta debe proporcionar exactamente 25 unidades de proteínas. Por su parte.1 Sistemas lineales 9 20. T. b y c. Diga cuál es el número de puntos que están simultáneamente en los tres planos que se muestran en cada inciso de la figura 1. ¿El sistema lineal ax + by = 0 cx + dy = 0 siempre tiene solución para cualesquiera valores de a. Si la planta A está disponible 10 horas al día y la planta B 16 horas diarias. Un nutriólogo prepara una dieta que consiste en los alimentos A. (−1. Un fabricante produce reveladores de película de 2. 24 unidades de grasa y 21 unidades de carbohidratos. Para manufacturar cada tonelada del revelador de 6 minutos son necesarios 12 minutos en la planta A y 12 minutos en la planta B.Sec.1.2. (b) Resuelva el sistema lineal que obtuvo en la parte (a) para a. respectivamente. Para producir cada tonelada de gasolina sin azufre 5 minutos en la planta mezcladora y 4 minutos en la planta de refinación. ¿cuántas onzas de cada tipo de alimento deben utilizarse? 26. Si la planta A está disponible 8 horas diarias y la planta B 15 horas al día. T.3. mientras que cada tonelada de gasolina con azufre requiere 4 minutos en la planta mezcladora y 2 minutos en la planta de refinación. cada onza del alimento C contiene 3 unidades de proteínas. ¿cuántas toneladas de cada tipo de plástico pueden producirse diariamente de modo que ambas plantas se utilicen al máximo de su capacidad? 25. 3 unidades de grasa y 4 unidades de carbohidratos. ¿cuántas toneladas de cada tipo de gasolina deben producirse de modo que las plantas operen a toda su capacidad? Ejercicios teóricos T. 3 unidades de grasa y 2 unidades de carbohidratos. T. B y C. Los tres fideicomisos pagan una tasa de interés de 9. Demuestre que el sistema lineal que se obtiene al remplazar una ecuación en (2) por ella misma más un múltiplo de otra ecuación en (2) tiene exactamente las mismas soluciones que (2). ¿Existe un valor de r tal que x = r.−5). Demuestre que el sistema lineal que se obtiene al intercambiar dos ecuaciones en (2) tiene exactamente las mismas soluciones que (2). Una herencia de $24. el segundo fideicomiso recibió el doble del primero. 22. 7) están en la parábola p(x) = ax2 + bx + c. b y c. tiene exactamente las mismas soluciones que (2). Cada onza del alimento B contiene 3 unidades de proteínas.210.3 23. para producir cada tonelada de plástico especial se necesitan 2 horas en la planta A y 3 horas en la planta B. 6 y 9 minutos. b.000 se dividió en tres fideicomisos. 21. 1) y (2. 2 unidades de grasa y 1 unidad de carbohidratos.

como el i. observaremos lo siguiente. ⎢ . algunas de las cuales estudiaremos en este libro. . · · · · · · am j ⎤ a1n a2n ⎥ . ⎣ . ann forman la diagonal principal de A. . como debe hacer cualquier buena definición. en este libro restringiremos nuestra atención (salvo en el apéndice A) al análisis de las matrices cuyas entradas son números reales. Diremos que A es m por n (que se escribe m × n). desarrollando operaciones sobre las matrices y trabajando con ellas de acuerdo con las reglas que cumplen. j-ésimo elemento de A. Para simplificar. una matriz. ⎡ am j (1 ≤ j ≤ n). . Nos referimos al número aij.1. además. sino también —como veremos a continuación— resolver sistemas de ecuaciones lineales y otros problemas computacionales de manera rápida y eficiente. . a22. que está en la i-ésima fila (renglón) y la j-ésima columna de A. . . la del concepto de matriz no sólo permite mirar de otra forma los problemas existentes. sin embargo. . . . . da lugar a muchas nuevas preguntas. ⎥ ⎣ . . no nos proporciona solamente la oportunidad de contar con una notación conveniente. y solemos escribir (1) como A = [aij]. . . . ⎤ a1 j ⎢ a2 j ⎥ ⎢ . · · · amn ··· ··· columna j fila (renglón) i (1) La i-ésima fila de A es ai1 ai2 · · · ain La j-ésima columna de A es (1 ≤ i ≤ m). ⎥ . A=⎢ ⎢ ai1 ai2 ⎢ . ⎥ ⎥. . que nos permite hacer precisamente eso: escribir sistemas lineales de una manera compacta que facilite la automatización del método de eliminación en una computadora. · · · ain ⎥ . Sin embargo. Si m = n. ⎥ ··· . o la entrada (i. En esta sección definiremos un objeto.2 MATRICES Si analizamos el método de eliminación descrito en la sección 1. am1 am2 ⎡ ··· ··· ··· ··· ··· ··· ··· ··· a1 j a2 j . y que los números a11. sino que. . también se estudian las matrices con entradas complejas. Su uso. . j) de A. ⎦ . ai j . podríamos buscar una forma de escribir un sistema lineal sin tener que mantener las incógnitas. Por supuesto.10 Capítulo 1 Ecuaciones lineales y matrices 1. ⎦ . dándonos un procedimiento rápido y eficaz para determinar las soluciones. . ⎢ . En consecuencia. Al realizar los pasos necesarios. decimos que A es una matriz cuadrada de orden n. x2. sólo modificamos los números que aparecen junto a las incógnitas x1. xn. DEFINICIÓN Una matriz A de m × n es un arreglo rectangular de mn números reales (o complejos) ordenados en m filas (renglones) horizontales y n columnas verticales: a11 a12 ⎢ a21 a22 ⎢ . . . ⎥ . mismas que tienen gran importancia en muchas aplicaciones.

Si denotamos con aij el número de unidades del producto i elaboradas por la planta j en una semana. c21 = −1 y c31 = 2. a13 = 3.706 ⎥ 6. E es una matriz de 1 × 1. 2 −3 ⎤ 1 C = ⎣−1⎦ . 3 ⎡ ■ Si todas las entradas de un n-vector son iguales a cero. a22 = 0 y a23 = 1. nos referiremos a los n-vectores sólo como vectores.593 0 Tokio 5.959 6. En D. d22 = 0 y d33 = 2 forman la diagonal principal. aunque aparecen en algunos ejemplos de los capítulos 8 y 9. EJEMPLO 2 u= 1 2 −1 ⎤ 1 0 es un 4-vector y v = ⎣−1⎦ es un 3-vector. Cuando se sobreentienda el valor de n. la matriz de 4 × 3 Planta 1 Planta 2⎢ ⎣ Planta 3 Planta 4 ⎡ Producto 1 Producto 2 Producto 3 560 360 380 0 340 450 420 80 280 270 210 380 ⎤ ⎥ ⎦ . ■ Por conveniencia. b12 = 4. en los primeros siete capítulos de este libro trabajaremos casi por completo con vectores en Rn. con c11 = 1. De manera similar. En el capítulo 4 analizaremos los vectores a detalle. F = −1 Entonces. los renglones de A son matrices de 1 × n.Sec. Observe que si A es una matriz de n × n. los elementos d11 = 1.469 3.959 6. y lo denotaremos mediante letras minúsculas en negritas.469 Londres Madrid 0 3.706 6. así como ejemplos y ejercicios que muestran cómo se utilizan estos números en álgebra lineal. ⎡ E= 3 . 1 ⎤ 0 1⎦ . D es una matriz de 3 × 3. b21 = 2 y b22 = −3. es en el apéndice A donde puede encontrarse una introducción a los números complejos y a sus propiedades.593 ⎢ 785 ⎣ Nueva York 3. A es una matriz de 2 × 3 con a12 = 2. Londres Madrid Nueva York ⎡ 0 785 3. Por otra parte. el conjunto de todos los n-vectores con entradas complejas se denota mediante Cn. 2 0 2 . y F es una matriz de 1 × 3. con b11 = 1. se denota con 0.757 ⎦ 0 ■ EJEMPLO 4 (Producción) Suponga que un fabricante tiene cuatro plantas. B es una matriz de 2 × 2. El conjunto de todos los n-vectores con entradas reales se denota con Rn. Como se indicó anteriormente. Las matrices de 1 × n o n × 1 también se denominan un n-vectores. C es una matriz de 3 × 1. en cada una de las cuales se manufacturan tres productos. 1. en los ejemplos y ejercicios ilustrativos de los capítulos 1 a 7 centramos gran parte de nuestra atención en matrices y expresiones que sólo tienen números reales.2 Matrices 11 EJEMPLO 1 Sean A= ⎡ 1 −1 2 0 1 1 0 D = ⎣2 3 −1 3 . EJEMPLO 3 (Despliegue de valores en forma de tabla) La matriz siguiente proporciona las distancias entre las ciudades indicadas (en millas terrestres).757 Tokio ⎤ 5. 2 B= 1 4 .

la planta 2 produce 270 unidades del producto 3. es decir. podemos asociar las matrices siguientes: ⎤ 1 2 A = ⎣2 −2⎦ . aij = 0 para i j. EJEMPLO 7 −3 0 H = ⎣ 0 −2 0 0 ⎡ ⎤ 0 0⎦ 4 ■ 4 0 G= 0 −2 son matrices diagonales. x + 2y = 10 2x − 2y = −4 3x + 5y = 26. DEFINICIÓN Una matriz cuadrada A = [aij]. en una semana. −45⎦ −53 −10 −15 −34 −45 −53 15 mph 5 10 15 20 12 −3 −11 −17 ⎡ 10 7 −9 −18 −24 5 0 −15 −25 −31 Esta tabla puede representarse como la matriz 5 12 7 0 −5 −10 ⎢10 −3 −9 −15 −22 −27 A=⎣ 15 −11 −18 −25 −31 −38 20 −17 −24 −31 −39 −46 ■ EJEMPLO 6 Con el sistema lineal considerado en el ejemplo 5 de la sección 1. muestra cómo una combinación de la temperatura y la velocidad del viento hace que un cuerpo se sienta más frío que la temperatura real.12 Capítulo 1 Ecuaciones lineales y matrices proporciona la producción semanal del fabricante. y . Por ejemplo. Por ejemplo. es una matriz diagonal. en donde se lista el factor de congelación del viento. el cuerpo pierde la misma cantidad de calor que la que perdería si la temperatura fuera de −18 °F sin viento. y ⎤ 10 b = ⎣−4⎦ .3. ◦ F 0 −5 −22 −31 −39 −5 −10 −27 −38 −46 ⎤ −15 −34⎥ . en donde cada término fuera de la diagonal principal es igual a cero. cuando la temperatura es de 10 °F y el viento es de 15 millas por hora. llamaremos A a la matriz de coeficientes del sistema lineal. 3 5 ⎡ x x= . 26 ■ ⎡ En la sección 1. ■ EJEMPLO 5 La tabla siguiente.1.

páginas 12-13.html 3. Para construir las conexiones se procede como sigue. Cleve. si los elementos correspondientes son iguales. “The World’s Largest Matrix Computation: Google’s Page Rank Is an Eigenvector of a Matrix of Order 2. 1 ≤ j ≤ n. es una matriz escalar. La técnica fundamental que utiliza Google© para calificar los sitios. Moler. utilizan matrices para seguir el rastro de las ubicaciones en donde ésta se encuentra.) Si la fila (renglón) i de A contiene muchos unos. aunque no se representen de la misma 6 3 c manera. emplea conceptos de álgebra lineal que están fuera del alcance de este curso.2 Matrices 13 DEFINICIÓN EJEMPLO 8 Una matriz diagonal A = [aij]. denominada “matriz de conectividad”. DEFINICIÓN Dos matrices de m × n. son iguales si aij = bij. En matemáticas. la eficacia de Google© estriba en la manera en que utiliza las matrices para determinar cuáles sitios están referenciados en otros sitios. y Murray Browne. casi todas las entradas de la matriz de conectividad A son cero. En gran medida. ralas o poco densas. y luego presenta una lista de tales páginas en un orden de “importancia”. A = [aij] y B = [bij].7 Billion”. e incluso la manera en que los sitios Web se vinculan entre sí con otros. Como n es muy grande —su valor se calculaba en alrededor de 3 mil millones en diciembre de 2002—. al agregarse nuevos enlaces y sitios. Información adicional sobre el tema puede encontrarse en las fuentes siguientes. siempre que se presenta un nuevo objeto es preciso definir cuando dos de ellos son iguales. El software que controla el motor de búsqueda de Google considera que los sitios que están vinculados con muchos otros son más “importantes” (en otras palabras. Una manera sencilla de comprender las matrices que conforman el esquema de Google.Sec. Suponga que existen n páginas Web accesibles durante cierto mes. Berry. Understanding Search Engines—Mathematical Modeling and Text Retrieval.com/technology/index. De acuerdo con esto. aij = c para i = j y aij = 0 para i j. 1 ≤ i ≤ m. Lo que tenemos en mente es la definición según la cual a es igual a d cuando b ad = bc. la estructura de la matriz de Google determina las páginas Web que coinciden con el tema de búsqueda. consiste en imaginar una matriz A de n × n. Ya que Google actualiza su matriz de conectividad cada mes. la cual sólo contiene ceros al principio. el tipo de información que se halla en cada ubicación. Esto es. 1. Cuando se detecta que el sitio Web j está vinculado con el sitio Web i. 2. Las siguientes son matrices escalares: ⎡ 1 0 1 I3 = ⎣0 0 0 ⎤ 0 0⎦ . www. 1999. les da una calificación más alta). Por ejemplo. 0 −2 ■ Los motores de búsqueda para localización y recuperación de información en Internet. . significa que existen muchos sitios vinculados al sitio i.google. tales sitios aparecerían al principio de la lista de resultados de búsqueda que generaría Google cuando el usuario solicitara temas relacionados con la información del sitio i. es decir. Filadelfia: Siam. (Las matrices como ésta se denominan esparcidas. Por lo tanto. es decir. en lugar de mantener de manera directa el rastro del contenido de la información de una página Web real o de un tema de búsqueda individual. la entrada aij se hace igual a uno. MATLAB News and Notes. en donde todos los términos de la diagonal principal son iguales. decimos que los números 2 y 4 son iguales. 1 J= −2 0 . octubre de 2002. las palabras clave que aparecen en ellas. tenemos la siguiente definición. en el conjunto de todos los números racionales. Michael W. 1. n aumenta con el paso del tiempo.

A + (B + C) = (A + B) + C. definida por cij = aij + bij (i ≤ i ≤ m. Hasta el momento. B y C. El costo total de cada producto consta de los costos de manufactura y de embarque. de Estados Unidos. establecemos la convención. Es decir. EJEMPLO 11 (Producción) Un fabricante de cierto producto realiza tres modelos. En ocasiones. 1 ≤ j ≤ n). El teorema 1. SUMA DE MATRICES DEFINICIÓN Si A = [aij] y B = [bij] son matrices de m × n.14 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 9 Las matrices ⎡ ⎤ 1 2 −1 4⎦ A = ⎣2 −3 0 −4 5 y 1 2 x B = ⎣2 y −4 ⎡ ⎤ w 4⎦ z ■ son iguales si w = −1.1 de la sección siguiente muestra que la suma de matrices satisface la propiedad asociativa. 3 1 A+B = 1 + 0 −2 + 2 4 + (−4) 1 = 2 + 1 −1 + 3 3 + 1 3 0 2 0 . EJEMPLO 10 Sean A= Entonces 1 −2 2 −1 4 3 y B= 0 1 2 −4 . A continuación definiremos varias operaciones que producirán nuevas matrices a partir de otras. nuestro trabajo exigirá que sumemos más de dos matrices. 4 ■ Observe que la suma de las matrices A y B sólo se define cuando A y B tienen el mismo número de filas (renglones) y el mismo número de columnas. Estas operaciones son útiles en las aplicaciones que involucran matrices. sólo cuando A y B son del mismo tamaño. Algunas partes artes de cada uno se elaboran en la fábrica F1. es decir. mismas que son similares a que satisfacen los números reales. En consecuencia. sin embargo. A. C se obtiene sumando los elementos correspondientes de A y B. y después se terminan en la fábrica F2. los costos (en dólares) de cada fábrica pueden describirse mediante las matrices F1 y F2 de 3 × 2: Costo de Costo de ⎡ manufactura embarque ⎤ 32 40 Modelo A 50 80 ⎦ Modelo B F1 = ⎣ 70 20 Modelo C .4 se consideran más propiedades de las matrices. al escribir A + B entendemos que A y B tienen el mismo tamaño. y = 0 y z = 5. la suma de matrices sólo se ha definido para dos matrices. ubicada en de Taiwán. x = −3. En la sección 1. la suma de A y B da por resultado la matriz C = [cij] de m × n.

rA. donde bij = raij (i ≤ i ≤ m.72 proporciona la reducción de los precios para los tres artículos. ■ .95 1. B se obtiene multiplicando cada elemento de A por r. y denominamos a esto diferencia de A y B.16 11.60] un 3-vector que representa los precios actuales de tres artículos almacenados en una bodega. los costos totales de un producto del modelo C son $200 y $40. es la matriz B = [bij] de m × n. respectivamente. 1. EJEMPLO 12 Sean A= Entonces 2 4 3 −5 2 1 2−2 4−3 y B= 2 −1 3 .20p = 18.20p = (0.75 8. 2−5 1+2 1 −3 3 ■ EJEMPLO 13 Sea p = [18.60 − 3. 1 ≤ j ≤ n).88 .20p = 0.20)8. ■ MULTIPLICACIÓN POR UN ESCALAR DEFINICIÓN Si A = [aij] es una matriz de m × n y r es un número real.20)14.95 14.75 (0. (a) Determine un 3-vector que proporcione el cambio en el precio de cada uno de los tres artículos.75 8.79 2.95 (0. Así. escribimos A +(−1)B como A − B.80p.20)18. Es decir. (b) Determine un 3-vector que proporcione los precios nuevos de los artículos.2 Matrices 15 Costo de Costo de ⎡ manufactura embarque ⎤ 40 60 Modelo A 50 50 ⎦ Modelo B F2 = ⎣ 130 20 Modelo C La matriz F1 + F2 proporciona los costos totales de manufactura y embarque de cada producto.72 = 15. 3 5 −2 A−B = 3 + 1 −5 − 3 0 4 −8 = .80 6. (b) Los precios nuevos de los artículos están dados mediante la expresión p − 0.95 1. el 3-vector 0.95 14.60 = 3.79 2. el múltiplo escalar de A por r. Si A y B son matrices de m × n. Suponga que el almacén anuncia una venta en donde cada uno de estos artículos tiene un descuento de 20 por ciento.Sec. Solución (a) Como el precio de cada artículo se reduce 20%. Observe que esta expresión también puede escribirse como p − 0.

Puede calcularse (verifíquelo) para obtener [−17 16]. 0 5 −2 ⎤ 6 2 −4 2⎦ . donde aiTj = a ji (1 ≤ i ≤ n. . . .2 −6 0. =⎢ 3 8 ⎣ 2 ⎦ 7 −5 − 21 2 2 ⎡ ⎤ 3 3⎦ 3 (b) 2[3 −2] – 3[5 0] + 4[−2 5] es una combinación lineal de [3 −2]. la matriz A T = aiTj de n × m. Ak son matrices de m × n y c1. Ak. 3 ⎤ 5 4 2⎦ .16 Capítulo 1 Ecuaciones lineales y matrices Si A1. ⎡ D = 3 −5 2 E = ⎣−1⎦ . . . .08 0] y ■ LA TRANSPUESTA DE UNA MATRIZ DEFINICIÓN Si A = [aij] es una matriz de m × n. podemos calcular C: ⎤ ⎡ 0 −3 5 2 1⎣ 5 3 4⎦ − 6 2 C = 3 ⎣2 2 −1 −2 1 −2 −3 ⎤ ⎡ 27 − 5 −10 2 2 ⎥ ⎢ 21 ⎥ .1 1 0.4 ⎣−4⎦ es una combinación lineal de ⎣−4⎦ y ⎣−4⎦. EJEMPLO 15 Sean 4 −2 3 A= . 3 entonces C = 3A1 − 1 A2 es una combinación lineal de A1 y A2. −6 0.4 ⎦. ck son números reales. . . las entradas en cada fila de AT son las entradas correspondientes en la columna de A. . [5 [−2 5]. . C = ⎣−3 2 −3 ⎤ ⎡ . . A2. . . . EJEMPLO 14 (a) Si ⎡ ⎤ 0 −3 5 3 4⎦ A1 = ⎣2 1 −2 −3 y 5 2 2 A2 = ⎣ 6 −1 −2 ⎡ ⎤ 3 3⎦ .5 ⎣−4⎦ + 0. B = ⎣3 −1 0 4 3 ⎡ 1 . 1 ≤ j ≤ m) es la transpuesta de A. . c2. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0. 3. . A2. y c1. En consecuencia. entonces una expresión de la forma c1A1 + c2A2 + · · · + ckAk (2) se denomina combinación lineal de A1. ck se llaman coeficientes. Por medio de la 2 multiplicación por un escalar y la suma de matrices. c2.1 (c) −0.46 Puede calcularse para obtener (verifíquelo) ⎣ 0.2 ⎡ ⎤ −0.

Sec. La información está codificada en términos de 0 y 1 en una cadena de bits*. La representación binaria de la información sólo utiliza dos símbolos. 4 2 −3 6 3 B = ⎣ 2 −1 −4 2 ⎡ ⎤ 3 D T = ⎣−5⎦ . la matemática subyacente es invisible y por completo transparente para el espectador o el usuario. La información codificada en representación binaria está tan extendida y desempeña un papel tan importante que estudiaremos brevemente algunas de sus características. que se interpreta en términos de base 2 como sigue: 5 = 1(22) + 0(21) + 1(20). en lenguaje binario. suele estudiarse en cursos básicos de ciencias de la computación. se determinan utilizando propiedades de las matrices y la aritmética estándar de base 10. Tabla 1. Por lo que los cálculos. No desviaremos nuestra atención para analizar tales temas en este momento.2 Matrices 17 Entonces ⎤ 4 0 5⎦ . y ET = 1 T ⎡ ⎤ 0 4⎦ . En cambio. Iniciaremos con un análisis general de la suma y multiplicación binarias.1 muestra la estructura de la suma binaria. como combinaciones lineales. un 0 o un 1.2 la estructura de la multiplicación binaria. La tabla 1. como juegos de vídeo. Por ejemplo. el continuo desarrollo de la tecnología de cómputo ha traído al primer plano el uso de la representación binaria (base 2) de la información. Los coeficientes de las potencias de 2 determinan la cadena de bits. Sin embargo. 101. o en cursos de matemáticas finitas o discretas. Esta clase de matrices y vectores es importante en el estudio de la teoría de la información y en el campo de matemáticas de códigos de corrección de errores (también llamado teoría de codificación). transferencia electrónica de dinero. .2 + 0 1 0 0 1 1 1 0 × 0 1 0 0 0 1 0 1 Las propiedades de la aritmética binaria permiten la representación de combinaciones de números reales en forma binaria. el número decimal 5 se representa mediante la cadena 101. Al igual que utilizamos aritmética de base 10 cuando tratamos con números reales y complejos. esto es. comunicaciones mediante fax. y luego hablaremos de una clase especial de matrices binarias. comunicaciones satelitales.1 Tabla 1. y la tabla 1. 3 2 −1 3 . 0 y 1. en otros escenarios empleamos aritmética de base 2. que proporciona la representación binaria de 5. *Un bit es un dígito binario (del inglés binary digit). es decir. DVD o la generación de música en CD. nuestro objetivo se centrará en un tipo particular de matrices y vectores cuyas entradas son dígitos binarios. ■ MATRICES DE BINARIAS (OPCIONAL) En gran parte de nuestro trabajo con álgebra lineal utilizaremos matrices y vectores cuyas entradas son números reales o complejos. A = ⎣−2 3 −2 T ⎡ CT = 5 −3 2 . aritmética binaria. 1. que tiene un lugar clave en la teoría de la información y la comunicación. En casi todas las aplicaciones de cómputo.

1. De aquí que. Un n-vector (o vector) binario es una matriz de 1 × n o de n × 1. Como podemos ver. c3 = 1. Por medio de la definición de la suma de matri0 1 1 0 ces y con ayuda de la tabla 1. ⎣0⎦ 1 ⎡ ■ EJEMPLO 17 ■ EJEMPLO 18 Las definiciones de suma de matrices y multiplicación por un escalar se aplican también a las matrices binarias. tenemos que 0 + 0 = 0 y 1 + 1 = 0. es una matriz en que todas las entradas son bits. y u = 0 0 0 0 es un 4-vector binario.18 Capítulo 1 Ecuaciones lineales y matrices DEFINICIÓN Una matriz binaria† de m × n. Entonces 0 1 1 1 0 1 +0 +1 0 1 1 1 0 1 + + 0 0 1 (1 + 0) + 1 (0 + 0) + 1 1+1 0 = . c2 = 0. y el inverso aditivo del 1 es 1. . el inverso aditivo de 0 es 0 (como es usual). Por lo tanto. si se toma en cuenta el hecho de que los únicos escalares son 0 y 1. 0 1 0 ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ v = ⎢0⎥ es un 5-vector binario. 0+1 1+0 1 1 ■ Las combinaciones lineales de matrices binarias o n-vectores binarios son muy fáciles de calcular con ayuda de las tablas 1. u1 = 1 0 1 .1. para calcular la diferencia de matrices binarias A y B. tenemos ⎡ ⎤ ⎡ ⎤ 1+1 0+1 0 1 A + B = ⎣1 + 0 1 + 1⎦ = ⎣1 0⎦ . Esto es. EJEMPLO 19 Sean c1 = 1. ⎡ ⎤ ⎡ ⎤ 1 0 1 1 Sean A = ⎣1 1⎦ y B = ⎣0 1⎦. 0+1 1 ■ c1 u1 + c2 u2 + c3 u3 = 1 = = = De acuerdo con la tabla 1. la diferencia de matrices binarias no aporta nada nuevo a las relaciones algebraicas entre matrices binarias. y 0 y 1 como únicos escalares posibles.2.1 y 1. cada una de sus entradas es ya sea 0 o 1. u2 = y u3 = . todas cuyas entradas son bits. EJEMPLO 16 ⎤ 1 0 0 A = ⎣1 1 1⎦ es una matriz binaria de 3 × 3. † Las matrices binarias también se llaman matrices booleanas. procedemos como sigue: A − B = A + (inverso de 1) B = A + 1B = A + B. siempre y cuando utilicemos aritmética binaria (de base 2) para todos los cálculos.

calcule I3 − A. 0 0 0 3 0 0 es una combinación lineal de las matri2 0 0 ? Justifique su respuesta. calcule: (a) (2A)T (b) (A – B)T (c) (3BT – 2A)T (d) (3AT – 5BT)T (e) (−A)T y −(AT) (f) (C + E + FT)T 8. 1 1 matrices 0 10. vector cero Rn. . De ser posible. sean −2 . calcule la combinación lineal que se indica en cada caso: (a) C + E y E + C (b) A + B (c) D − F (d) −3C + 5O (e) 2C − 3E (f) 2B + F 1 A = ⎣6 5 Si ⎡ 2 −2 2 y 1 I 3 = ⎣0 0 0 1 0 es un número real. −1 ⎡ ⎤ 7 C = ⎣−4 6 (a) ¿Cuáles son los valores de a12. b. Sean A= y 2 6 −3 −5 ⎡ 5 .2 Matrices 19 Términos clave Matriz Filas (renglones) Columnas Tamaño de una matriz Matriz cuadrada Diagonal principal de una matriz Elemento (o entrada) de una matriz ij-ésimo elemento entrada (i. D = . ¿La matriz 1 es una combinación lineal de las −3 0 1 y 1 0 ⎤ 3 3⎦ 4 0 0 ? Justifique su respuesta. De ser posible.Sec. c y d. De ser posible. Sean 4. . Si c+d 4 = a−b 10 6 . F = . −3 1 2 A= 2 1 ⎡ 3 −1 1 C = ⎣4 2 1 ⎡ 2 −4 1 E = ⎣0 3 2 y ⎡ ⎤ 1 0 3 1⎦ . b. 1. Si 5. 1 ces 0 0 1 y 1 0 4 0 9. En los ejercicios 4 a 7. a + 2b 2a − b 4 = 2c + d c − 2d 4 determine a. calcule: (a) AT y (AT)T (b) (C + E)T y CT + ET (c) (2D + 3F)T (d) D − DT (e) 2AT + B (f) (3D – 2F)T 7. calcule la combinación lineal que se indica en cada caso: (a) 3D + 2F (b) 3(2A) y 6A (c) 3A + 2A y 5A (d) 2(D + F) y 2D + 2F (e) (2 + 3)D y 2D + 3D (f) 3(B + D) 6. De ser posible. B = ⎣2 4 3 2 ⎤ 3 3 −2 5⎦ . a23? (b) ¿Cuáles son los valores de b11.2 Ejercicios 1. el conjunto de todos los n-vectores Google© Matrices iguales Suma de matrices Múltiplo escalar Múltiplo escalar de una matriz Diferencia de matrices Combinación lineal de matrices Transpuesta de una matriz Bit Matriz binaria (o booleana) Matriz triangular superior Matriz triangular inferior 1. 2 3 1 ⎡ ⎤ 0 0 0 O = ⎣0 0 0⎦ . a22. c y d. j) n-vector (o vector) Matriz diagonal Matriz escalar 0. c31. 4 3 3 1 4 B = ⎣−3⎦ . 2 4 3 ⎤ 5 −4 5 4⎦ . ¿La matriz a+b c−d 3. 2 determine a. c33? 2. 5 ⎤ 2 5⎦ . ⎡ ⎤ 0 0⎦ . b31? (c) ¿Cuáles son los valores de c13.

T.2. ¿cuáles son las entradas de la diagonal principal de A − AT? Justifique su respuesta. T. entonces es una matriz diagonal. T. ⎡ ⎤ ⎡ ⎤ 1 0 1 0 1 1 11. 0 a12 a22 0 . 1 (a) Determine B de manera que A + B = (b) Determine C de manera que A + C = 1 12. T. . 0 Calcule cada una de las expresiones siguientes: Ejercicios teóricos T.8. ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ 0⎦ ann 0 0 0 . Si A es una matriz de n × n.y 0 14.7. Sea u = [1 1 0 0]. ⎢ . (c) A + B + C (a) A + B (d) C − B 13. f Matriz triangular inferior (Los elementos que están arriba de la diagonal principal son cero. Determine el 4-vector v tal que u + v = [1 1 1 1]. . T. Sea A = (b) C + D (c) A + B + (C + D)T (e) A − B + C − D. Haga una lista de todos los posibles 2-vectores binarios. T. (b) Demuestre que la suma y la diferencia de dos matrices triangulares inferiores es una matriz triangular inferior. . 0 ··· ··· a33 . ⎥ .B= 0 0 0 1 . 0 ··· ··· ··· . ⎢ . Los ejercicios T. Demuestre que la suma y la diferencia de dos matrices escalares es una matriz escalar.9 a T. . Sea 0 la matriz de n × n tal que todas sus entradas son cero.. (b) Calcule A + AT. ⎥ . . entonces AT es triangular inferior. Demuestre que la suma y la diferencia de dos matrices diagonales es una matriz diagonal. Si x es un n-vector. a n3 ··· ··· 0 . ⎢ . ⎥ . . . .5. ⎡ a11 ⎢0 ⎢ ⎢0 ⎢ ⎢ . 0 .1.3. 0 1 .. b d e ⎤ c e⎦ . a n2 0 0 a33 . y 0 1 1 1 1 0 ⎡ ⎤ 1 1 0 C = ⎣0 1 1⎦.4. ¿Cuántos hay? T. . . Sea ⎡ a11 ⎢a21 ⎢ ⎢a31 ⎢ ⎢ . 0 0 0 1 1 0 ..11. entonces k = 0 o A = O. ann Matriz triangular superior (Los elementos que están debajo de la diagonal principal son cero. . (c) Demuestre que si una matriz es al mismo tiempo triangular superior y triangular inferior. ··· ··· ··· ··· .9. (b) Demuestre que si A es una matriz triangular inferior. ⎥ . 1 0 0 . . . ⎢ . (a) Demuestre que si A es una matriz triangular superior. . . ⎤ a1n a2n ⎥ ⎥ a3n ⎥ ⎥ . . Una matriz A = [aij] se denomina triangular superior si aij = 0 para i > j. ··· ··· ··· ··· . ⎣ . a n1 0 a22 a32 . . Determine el 4-vector v tal que u + v = [1 1 0 0]. ¿Cuántos hay? T. B = ⎣1 0 1⎦. T. ⎢ . ⎤ ⎡ a A = ⎣c e (a) Calcule A – AT. entonces AT es triangular superior. . Sean A + 1 D= 0 1 0 1 . . ¿Cuántos hay? T.. 0 .) (a) Demuestre que la suma y la diferencia de dos matrices triangulares superiores es una matriz triangular superior. .C = 1 0 1 . demuestre que x + 0 = x. . Calcule cada una de las expresiones 1 0 1 siguientes: (a) A + B (d) A + CT (b) B + C (e) B − C. Sea u = [0 1 0 1]. . Haga una lista de todos los posibles 3-vectores binarios.6. (c) Calcule (A + AT)T. Haga una lista de todos los posibles 4-vectores binarios. ··· . . Se llama triangular inferior si aij = 0 para i < j. . ⎣ .18 tienen que ver con matrices binarias. Sean A = ⎣1 1 0⎦.10.) . .20 Capítulo 1 Ecuaciones lineales y matrices Los ejercicios 11 a 15 tienen que ver con matrices binarias. . Demuestre que si k es un número real y A es una matriz de n × n tal que kA = O. ⎢ . ⎦ . 15.

Represente con 0 la palabra OFF y con 1 la palabra ON. algunas de las propiedades de la multiplicación de matrices la distinguen de la multiplicación de números reales. y sea ⎡ ⎤ ON ON OFF A = ⎣OFF ON OFF⎦ .15. Un interruptor de luz normal tiene dos posiciones (o estados) encendido y apagado.18. ML. (b) Sea ⎡ ⎤ 1 1 C = ⎣0 0⎦ . Le pedimos que siga con cuidado los ejemplos o ilustraciones de las instrucciones de MATLAB que aparecen en las secciones 12. escriba help hilb.9. ML.17.13. Escriba el comando H = hilb(5) en MATLAB.10 y T. ML.13. Utilice bingen para resolver el ejercicio T. 1 0 ¿La matriz B del inciso (a) también “invertirá” los estados del conmutador de interruptores representado por C? Verifique su respuesta. Utilice bingen para resolver los ejercicios T. b23. el cual sirve para suprimir el despliegue del contenido de la matriz H. vea la sección 12. (c) Escriba el comando format long de MATLAB y despliegue la matriz B. T. Para obtener más información acerca del comando hilb. fila2(B).3 Producto punto y multiplicación de matrices 21 T.14. A = ⎣−3 2 4 1 valores redondeados a cuatro decimales. ¿Cuántas matrices binarias de n × n existen? T. respectivamente).4.Sec.).11.00001 ⎡ ⎤ 2/ 3 5 − 8.1. ⎡ ⎤ 5 1 2 0 1⎦ . (Observe que el último carácter es un punto y coma.2 ⎦ . Compare los elementos de B indicados en el inciso (a) y los del despliegue actual. A diferencia de la suma.2 antes de intentar realizar estos ejercicios. (e) Extraiga las dos últimas filas (renglones) como una matriz. Observe que el comando format short despliega los 1. Ejercicios con MATLAB Para utilizar MATLAB en esta sección. OFF ON ON Determine la matriz B de ON/OFF tal que A + B sea una matriz con cada entrada igual a ON.16. Justifique por qué B “invertirá” los estados de A. y sea ⎡ ⎤ ON ON OFF A = ⎣OFF ON OFF⎦ . .1. T. (9 + 4)/ 3 Utilice los comandos apropiados de MATLAB para desplegar lo siguiente: (a) a23. Introduzca las siguientes matrices en MATLAB. Suponga que la matriz binaria ⎡ ⎤ 1 0 A = ⎣0 1⎦ 1 1 representa un conmutador de interruptores en donde 0 representa apagado y 1 representa encendido. determine una matriz binaria B de m × n tal que A + B “invierta” todos los estados de los interruptores en A. Restablezca el formato a format short. (a) Determine una matriz B tal que A + B represente el conmutador de interruptores con el estado de cada interruptor ”invertido”. las cuales proporcionan información básica acerca del programa así como de las operaciones matriciales con el mismo. (b) Despliegue el contenido de H.12. ¿Cuántas hay? T. ¿Cuántos 5-vectores binarios hay? ¿Cuántos n-vectores binarios existen? T. ML. Los ejercicios ML. b12. OFF ON ON Determine la matriz B de ON/OFF tal que A + B sea una matriz con cada entrada igual a OFF. (c) Despliegue el contenido de H como números racionales. Represente con 0 la palabra OFF y con 1 la palabra ON (los términos de muchos aparatos electrónicos para “apagado” y “encendido”. 1. Haga una lista de todas las posibles matrices binarias de 2 × 2. Utilice los comandos apropiados de MATLAB para hacer lo siguiente: (a) Determine el tamaño de H.1 y 12.3 a ML. (Sugerencia: una matriz de n × n contiene el mismo número de entradas que un n2-vector. ¿Cuántas matrices binarias de 3 × 3 hay? T. (d) Extraiga las tres primeras columnas como una matriz. primero deberá leer las secciones 12.1 y 12.5.3 PRODUCTO PUNTO Y MULTIPLICACIÓN DE MATRICES En esta sección presentaremos la operación de multiplicación de matrices. columna3(A). 4∗2 B = ⎣ 1/ 201 0.3.) ML.2.5 emplean matrices binarias y los comandos complementarios descritos en la sección 12. (c) Si A es cualquier matriz binaria de m × n que representa un conmutador de interruptores. Resuelva el ejercicio 11 utilizando binadd. (b) fila1(A).2.

si ⎡ ⎤ ⎡ ⎤ a1 b1 ⎢ a2 ⎥ ⎢ b2 ⎥ a=⎢. De cualquier manera.⎦ . podemos calcular el promedio del curso haciendo ⎡ ⎡ ⎤ ⎤ 0. El producto punto es una operación importante que usaremos tanto en ésta como en secciones posteriores.10)(78) + (0. 2 Tenemos a · b = 4x + 2 + 6 = −4 4x + 8 = −4 x = −3. El producto punto de los vectores en Cn se define en el apéndice A. 84. ⎥.30 85 y calculando w · g = (0.1. ⎣. ■ *Tal vez ya esté familiarizado con esta útil notación. ■ EJEMPLO 2 Solución ⎡ ⎤ 4 Sean a = [x 2 3] y b = ⎣1⎦. el promedio del curso del estudiante es 77. dos exámenes de una hora y un examen final.⎥ y b = ⎢ . si a o b (o ambas) son n-vectores escritos como una matriz de 1 × n. Si a · b = −4. 30 y 30%.⎦ ⎣. ■ EJEMPLO 3 (Aplicación: cálculo de la calificación promedio de un curso) Suponga que un profesor utiliza cuatro notas para determinar la calificación promedio que obtiene un estudiante en un curso: cuestionarios. EJEMPLO 1 El producto punto de ⎤ 1 ⎢−2⎥ u=⎣ ⎦ 3 4 es ⎡ y ⎤ 2 ⎢ 3⎥ v=⎣ ⎦ −2 1 ⎡ u · v = (1)(2) + (−2)(3) + (3)(−2) + (4)(1) = −6. . 30. la analizaremos con detalle al final de esta sección.30)(84) + (0.* (1) De manera similar. Si las calificaciones de un estudiante son.10 78 ⎢0.1. determine x.30⎦ 62 0. Cada una de estas notas tiene una ponderación de 10. la notación de suma. el producto punto a · b está dado por (1). En consecuencia. Así.30⎥ ⎢84⎥ w=⎣ y g=⎣ ⎦ 0.2. 62 y 85. an entonces bn n a · b = a1 b1 + a2 b2 + · · · + an bn = i=1 ai bi . respectivamente.22 Capítulo 1 Ecuaciones lineales y matrices DEFINICIÓN El producto punto o producto interior de los n-vectores a y b es la suma de los productos de las entradas correspondientes. 78.30)(85) = 77. .30)(62) + (0. en cada rubro.

... Figura 1. Figura 1. bpj . . y B = [bij] es una matriz de p × n... am2 . .. . que se denota mediante AB.. 1. . .4. . bpn fili(A) c11 = c21 . . . . fili (A) y la j-ésima columna.. am1 a12 a22 . fili(A) . como se indica en la figura 1. . colj (B) de B.. ai1 . . .5. aip . .. . ... esto se muestra en la figura 1.. es la matriz C = [cij] de m × n.. cmn . . .. .. . (2) La ecuación (2) dice que el i. bp1 b12 b22 .. cm2 .Sec. . amp b11 b21 .5 m = n A p iguales tamaño de AB p B AB m n EJEMPLO 4 Sean 1 A= 3 Entonces 2 −1 1 4 y ⎤ −2 5 B = ⎣ 4 −3⎦ . . definida como ci j = ai1 b1 j + ai2 b2 j + · · · + ai p b pj p = k=1 aik bk j (1 ≤ i ≤ m. . . . . j-ésimo elemento de la matriz producto es el producto punto de la i-ésima fila. .. ...4 a11 a21 .. a1p a2p . .3 Producto punto y multiplicación de matrices 23 MULTIPLICACIÓN DE MATRICES DEFINICIÓN Si A = [aij] es una matriz de m × p. . 6 16 ■ .... 2 1 ⎡ AB = = (1)(− 2) + (2)(4) + (− 1)(2) (1)(5) + (2)(−3) + (−1)(1) (3)(− 2) + (1)(4) + (4)(2) (3)(5) + (1)(−3) + (4)(1) 4 −2 . ai2 . colj(B) = k=1 aik bkj Observe que el producto de A y B sólo está definido cuando el número de filas de B es exactamente igual al número de columnas de A. colj(B) b1j b2j . 1 ≤ j ≤ n). . el producto de A y B. . cij . cm1 p c12 c22 .. b1n b2n .. . c1n c2n . bp2 .. .

Parte del problema se debe al hecho de que AB se define sólo cuando el número de columnas de A es igual al número de filas de B. Solución Tenemos 1 x AB = 2 −1 Entonces por lo que x = −2 y y = 6. entonces BA es de p × p. la entrada (3. 6 ⎡ ⎤ 2 3 ⎣ ⎦ 2 + 4x + 3y 12 4 = = . 3 0 4 5 z ■ EJEMPLO 7 Sean 1 x A= 2 −1 Si AB = 3 1 y ⎡ ⎤ 2 B = ⎣ 4⎦ . Solución Si AB = C. . lo que significa que m = n. En consecuencia. esto pasará si n m. de esta manera. −2 2 ⎡ Calcule la entrada (3. ya que las propiedades algebraicas de la multiplicación de matrices difieren de las que satisfacen los números reales. ■ Las propiedades básicas de la multiplicación de matrices se estudiarán en la sección siguiente. 2) de AB. determine x y y. AB es una matriz de m × n. Ahora tenemos ⎤ 4 fil 3 (A) · col2 (B) = 0 1 −2 · ⎣−1⎦ = −5. 2. mientras que AB es de m × m. Por lo pronto. que es fil3(A) · col2(B).24 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 5 Sean ⎤ 1 −2 3 2 1⎦ A = ⎣4 0 1 −2 ⎡ y ⎤ 1 4 B = ⎣ 3 −1⎦ . Si BA está definida. si m p. diremos que la multiplicación de matrices requiere mucho más cuidado que la suma. 2 ⎡ ■ EJEMPLO 6 El sistema lineal x + 2y − z = 2 3x + 4z = 5 puede escribirse (verifíquelo) por medio del producto de matrices como ⎡ ⎤ x 1 2 −1 ⎣ ⎦ 2 y = . Es posible que BA no esté definido. AB y BA son de tamaños diferentes. y 12 . 1 4−4+y 6 y 2 + 4x + 3y = 12 y = 6. ¿Qué ocurre con BA? Pueden suceder cuatro situaciones diferentes: 1. 2) de AB es c32. si A es una matriz de m × p y B es una matriz de p × n.

3 ■ Uno se preguntaría por qué la igualdad y la suma de matrices se definen de manera natural. Suponga que tenemos tres pesticidas y cuatro plantas. ■ . Para determinar la cantidad de pesticida absorbida por uno de esos animales. En consecuencia. mientras que la multiplicación de matrices parece mucho más complicada. 3 1 mientras que B A = 2 −1 7 . sin embargo. AB 2 −2 BA. Luego. Entonces AB es de 2 × 2. mientras que BA no está definida. que tenemos tres animales herbívoros. 3) de AB es 3(8) + 2(15) + 2(10) + 5(20) = 174 mg de pesticida. EJEMPLO 8 EJEMPLO 9 EJEMPLO 10 Si A es una matriz de 2 × 3 y B es una matriz de 3 × 4. AB es una matriz de 2 × 4. Esta información puede representarse mediante la matriz ⎡ Planta 1 Planta 2 Planta 3 Planta 4⎤ 2 3 4 3 Pesticida 1 2 2 5 ⎦ Pesticida 2 A= ⎣ 3 4 1 6 4 Pesticida 3 Imagine ahora. come mensualmente. ■ Sean A de 2 × 3 y B de 3 × 2. Ahora bien. los animales herbívoros de la zona comen las plantas contaminadas y absorben los pesticidas. y sea bij la cantidad de plantas del tipo i que uno de ellos. 1 Entonces AB = En consecuencia. mientras que BA es de 3 × 3. j) de AB proporciona la cantidad de pesticida del tipo i que ha absorbido el animal j. EJEMPLO 11 (Ecología) Una siembra se rocía con pesticidas para eliminar insectos dañinos. 4. si i = 2 y j = 3. 1. ■ Sean A= 1 −1 2 3 y B= 2 0 1 . Si AB y BA son del mismo tamaño. podríamos repetir el análisis para determinar cuánto pesticida absorbe cada uno.3 Producto punto y multiplicación de matrices 25 3. El ejemplo 11 nos proporciona una idea al respecto. de tipo j. pueden ser iguales. Sea aij la cantidad de pesticida i (en miligramos) absorbida por la planta j.Sec. procedemos de la manera siguiente. Si AB y BA son del mismo tamaño. pueden ser diferentes. La información puede representarse mediante la matriz ⎡ ⎢ B= ⎣ Herbívoro 1 Herbívoro 2 Herbívoro 3 20 28 30 40 12 15 12 16 8 15 10 20 ⎤ Planta 1 ⎥ Planta 2 ⎦ Planta 3 Planta 4 La entrada (i. la entrada (2. 2 absorbidos por el herbívoro 3. si tuviéramos p animales carnívoros (como el hombre) que se comen a los herbívoros. las plantas absorben parte de las sustancias.

Además. si u y v se consideran matrices de 1 × n. 1 Entonces. y sea ⎡ am1 am2 a12 a22 . si u es una matriz de 1 × n y v es una matriz de n × 1. .9) que la j-ésima columna del producto matricial AB es igual al producto matricial Acolj(B). ⎣ . . Por último. ⎦ . u · v = uT v. 1 ⎡ ■ EL PRODUCTO MATRIZ-VECTOR ESCRITO EN TÉRMINOS DE COLUMNAS Sea a11 ⎢ a21 A=⎢ . cn . . la segunda columna de AB es ⎡ 1 Acol2 ( B) = ⎣ 3 −1 ⎤ ⎡ ⎤ 2 7 3 4⎦ = ⎣17⎦ . puede demostrarse (ejercicio T. 2 5 7 ■ Observación Si u y v son n-vectores. EJEMPLO 13 ⎤ ⎡ ⎤ 1 2 Sean u = ⎣ 2⎦ y v = ⎣−1⎦. una matriz de m × n.⎦ . De manera similar. Entonces −3 1 u · v = 1(2) + 2(−1) + (−3)(1) = −3. ⎡ ⎤ 2 uT v = 1 2 −3 ⎣−1⎦ = 1(2) + 2(− 1) + (−3)(1) + −3.⎥ . ··· ··· · · · amn ⎤ a1n a2n ⎥ .14) que si los consideramos como matrices de n × 1. ⎡ ⎤ c1 ⎢c2 ⎥ ⎢ c=⎣. entonces u · v = uvT. u · v = uv. Puede demostrarse (ejercicio T. ⎥ . Esta observación nos servirá en el capítulo 3.26 Capítulo 1 Ecuaciones lineales y matrices A veces es útil poder determinar una columna en el producto matricial AB sin tener que multiplicar las dos matrices. EJEMPLO 12 Sean 1 A=⎣ 3 −1 ⎡ ⎤ 2 4⎦ 5 y B= −2 3 3 2 4 .

am1 c1 + am2 c2 + · · · + amn cn El lado derecho de esta expresión puede escribirse como ⎤ ⎡ ⎤ ⎡ ⎤ a11 a12 a1n ⎢ a21 ⎥ ⎢ a22 ⎥ ⎢ a2n ⎥ c1 ⎢ . . ⎥ + c 2 ⎢ . . podemos concluir que la j-ésima columna del producto AB se puede escribir como una combinación lineal de las columnas de la matriz A. . .Sec. . Como A es de m × n y c es de n × 1. . ⎥ ⎣ . =⎢ . ⎡ ⎡ am1 am2 a12 a22 . ··· ··· · · · amn ⎤⎡ ⎤ ⎡ ⎤ a1n c1 renglón1 ( A) · c a2n ⎥ ⎢c2 ⎥ ⎢ renglón2 ( A) · c ⎥ ⎥ . . ⎦⎣ . 1 . . ⎡ (4) En consecuencia. el producto Ac escrito como una comunicación lineal de las columnas de A es ⎡ ⎤ 2 2 −1 −3 ⎣ ⎦ 2 −1 −3 −5 −3 = 2 Ac = −3 +4 = . 4 ⎡ Entonces. am1 am2 amn = c1col 1(A) + c2col 2(A) + · · · + cn col n(A). ⎦ ⎣ . el producto matricial Ac es la matriz de m × 1 a11 ⎢ a21 Ac = ⎢ . en las que los coeficientes son las entradas en c. ⎥⎢ . ⎦ . 1. ⎣ . ⎦ ⎣ . 4 2 −2 4 2 −2 −6 ■ 4 Si A es una matriz de m × p y B es una matriz de p × n. en la que los coeficientes son las entradas en la j-ésima columna de la matriz B: col j (AB) = Acol j (B) = b1 j col1(A) + b2 j col2(A) + · · · + b p j col p (A). cn renglónm ( A) · c (3) ⎤ a11 c1 + a12 c2 + · · · + a1n cn ⎢ a21 c1 + a22 c2 + · · · + a2n cn ⎥ ⎥.3 Producto punto y multiplicación de matrices 27 un n-vector. ⎦ ⎣ . el producto Ac de una matriz A de m × n y una matriz c de n × 1 puede escribirse como una combinación lineal de las columnas de A. EJEMPLO 15 Si A y B son las matrices definidas en el ejemplo 12. ⎦ ⎣ . entonces 1 AB = ⎣ 3 −1 ⎡ ⎤ 2 −2 4⎦ 3 5 3 2 ⎡ 4 4 =⎣ 6 1 17 7 17 7 ⎤ 6 16⎦ . es decir una matriz de n × 1. . . EJEMPLO 14 Sean A= 2 −1 −3 4 2 −2 y ⎤ 2 c = ⎣−3⎦ . ⎥ + · · · + c n ⎢ . ⎥ = ⎢ ⎦ .

xn ⎤ b1 ⎢ b2 ⎥ b = ⎢ . ⎦ . se denomina matriz aumentada del sistema lineal (5). Consideremos el sistema lineal de m ecuaciones en n incógnitas. . . . . ⎤ b1 b2 ⎥ . . . . bm ⎡ a11 ⎢ a21 Ax = ⎢ . am1 x1 + am2 x2 + · · · + amn xn = bm . ⎥⎢ . ⎣ . . ⎦ . cualquier matriz con más de una columna puede considerarse la matriz aumentada de un sistema lineal. ··· ··· am1 am2 · · · amn a1n a2n . . ⎥. bm obtenida al agregar la columna b a A. . el sistema lineal (5) puede escribirse en forma matricial como Ax = b. ⎦ . · · · amn xn am1 x1 + am2 x2 + · · · + amn xn ··· ··· Las entradas en el producto Ax son sólo los lados izquierdos de las ecuaciones en (5). . a11 x1 + a12 x2 + · · · + a1n xn = b1 a21 x1 + a22 x2 + · · · + a2n xn = b2 . . . La matriz A es la matriz de coeficientes del sistema lineal (5). ⎦⎣ . ⎥ = ⎢ . . . ⎥. ⎣. ⎦ ⎣ . . Por lo tanto. Entonces ⎡ a12 a22 . ··· ··· am1 am2 ⎡ · · · amn ⎤ a1n a2n ⎥ . Recíprocamente. . . a12 a22 . . La matriz de coeficientes y la matriz aumentada tienen una función esencial en nuestro método de solución de sistemas lineales. La matriz aumentada de (5) se escribe como A b . ⎥. ⎣ . ⎥.28 Capítulo 1 Ecuaciones lineales y matrices Las columnas de AB como combinaciones lineales de las columnas de A están dadas por ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 4 1 2 col1 ( AB) = ⎣ 6⎦ = Acol1 ( B) = −2 ⎣ 3⎦ + 3 ⎣4⎦ 17 −1 5 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 7 1 2 col2 ( AB) = ⎣17⎦ = Acol2 ( B) = 3 ⎣ 3⎦ + 2 ⎣4⎦ 7 −1 5 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 6 1 2 col3 ( AB) = ⎣16⎦ = Acol3 ( B) = 4 ⎣ 3⎦ + 1 ⎣4⎦ . . . . . . 1 −1 5 ■ SISTEMAS LINEALES A continuación generalizaremos el ejemplo 6. . ⎦ .⎦ . . . . y la matriz ⎡ a11 ⎢ a21 ⎢ . . Ahora definamos las siguientes matrices: (5) a11 ⎢ a21 A=⎢ . . . ⎣ . am1 am2 ⎤⎡ ⎤ ⎡ ⎤ a1n x1 a11 x1 + a12 x2 + · · · + a1n xn a2n ⎥ ⎢ x2 ⎥ ⎢ a21 x1 + a22 x2 + · · · + a2n xn ⎥ . ⎣ . . a12 a22 . . . ⎡ ⎤ x1 ⎢ x2 ⎥ x = ⎢ . ⎥.

3 Producto punto y multiplicación de matrices 29 EJEMPLO 16 Considere el sistema lineal −2x + z=5 2x + 3y − 4z = 7 3x + 2y + 2z = 3. 5 2x − y + 3z = 4 + 2z = 5. ⎥ = ⎢ . . una ecuación las de (6) siempre describe un sistema lineal como en (5). 0 −3 ■ . 3 3 2 2 ■ EJEMPLO 17 La matriz 2 −1 3 0 es la matriz aumentada del sistema lineal 3 2 4 . Si hacemos −2 A=⎣ 2 3 ⎡ ⎤ 0 1 3 −4⎦ . ⎣ . como La matriz de coeficientes es A y la matriz aumentada es ⎡ ⎤ −2 0 1 5 ⎣ 2 3 −4 7⎦ . se desprende que el sistema lineal en (5) puede escribirse como una combinación lineal de las columnas de A. EJEMPLO 18 Sea 1 A = ⎣−2 3 ⎡ ⎤ 2 3 4 4 −3 5⎦ . . .Sec. 0 5 −3 Si eliminamos la segunda fila y la tercera columna. 1. ⎥ + · · · + xn ⎢ . 3x ■ Con base en el análisis anterior. ⎦ . como ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ a11 a12 a1n b1 ⎢ a21 ⎥ ⎢ a22 ⎥ ⎢ a2n ⎥ ⎢ b2 ⎥ x1 ⎢ . ⎥ . obtenemos una submatriz de A. 2 2 ⎡ ⎤ x x = ⎣y⎦ z Ax = b. PARTICIÓN DE MATRICES (OPCIONAL) Si comenzamos con una matriz A = [aij] de m × n. y eliminamos algunas filas (renglones) o columnas (pero no todos). y ⎡ ⎤ 5 b = ⎣7⎦ . 3 podemos escribir el sistema lineal dado en forma matricial. ⎦ ⎣ . obtenemos la submatriz 1 3 2 4 . ⎥ = x2 ⎢ . ⎦ ⎣ . ⎦ ⎣ . am1 am2 amn bm ⎡ (6) Recíprocamente.

En consecuencia. ⎥ ⎢ ⎥ ⎢ B31 B32 ⎣b41 b42 b43 b44 ⎦ b51 b52 b53 b54 entonces un cálculo directo nos muestra que ⎤ ⎡ ⎢( A11 B11 + A12 B21 + A13 B31 ) ( A11 B12 + A12 B22 + A13 B32 ) ⎥ AB = ⎣ ⎦. si Ax = b. la partición se puede realizar de muchas formas distintas. el múltiplo escalar cA se obtiene formando el múltiplo escalar de cada submatriz. Por supuesto. A + B se obtiene simplemente sumando las submatrices correspondientes de A y B. se pueden trazar rectas horizontales entre las filas (renglones) y rectas verticales entre las columnas. A22 ⎡ a11 ⎢a21 A=⎣ a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 a34 a44 ⎤ ⎡ a15 a25 ⎥ ⎣ A11 = a35 ⎦ A21 a45 ⎤ A12 A22 A13 A23 ⎦. De manera análoga. Si A se divide como en (7) y ⎤ ⎡ b11 b12 b13 b14 ⎤ ⎥ ⎡ ⎢ ⎢b21 b22 b23 b24 ⎥ B11 B12 ⎥ ⎢ ⎢ ⎥ B = ⎢b31 b32 b33 b34 ⎥ = ⎣ B21 B22 ⎦ .30 Capítulo 1 Ecuaciones lineales y matrices Para subdividir una matriz en submatrices. si A es una matriz con una partición. ( A21 B11 + A22 B21 + A23 B31 ) ( A21 B12 + A22 B22 + A23 B32 ) EJEMPLO 21 Sea 1 ⎢0 ⎢ A=⎢ ⎣2 0 ⎡ ⎤ 0 1 0 2 3 −1⎥ A11 ⎥ ⎥= A21 0 −4 0⎦ 1 0 3 A12 A22 . ■ Si A y B son matrices de m × n que tienen una partición de la misma forma. Así. podemos escribir la matriz aumentada de este sistema como A b . ■ EJEMPLO 20 La matriz aumentada de un sistema lineal es una matriz con una partición. podemos hablar de particiones de una matriz. EJEMPLO 19 La matriz ⎡ a11 ⎢a21 A=⎣ a31 a41 a12 a22 a32 a42 a13 a23 a33 a43 a14 a24 a34 a44 ⎤ a15 a25 ⎥ a35 ⎦ a45 se puede separar como A= También podríamos escribir A11 A21 A12 . (7) lo cual da otra partición de A.

El único requisito es que. 1. Verificamos como sigue que C11 es esta expresión: A11 B11 + A12 B21 = = = 1 0 2 0 3 6 0 2 0 2 3 12 2 0 0 1 0 1 0 + 1 3 −1 3 0 10 −2 1 3 −3 −1 0 2 0 1 + 2 6 0 = C11 . La partición de una matriz implica una subdivisión de la información en bloques o unidades. Las matrices con partición son útiles al trabajar con matrices que exceden la capacidad de memoria de una computadora. 7 5 ⎡ ⎡ ⎤ 9 8 −4 D 7 5⎦ . Gracias a la tecnología de cómputo actual. 0 ■ Este método de multiplicación de matrices con una partición también se conoce como multiplicación por bloques. las computadoras con procesamiento paralelo utilizan las particiones para realizar más rápidamente los cálculos con matrices. 7 5 B y D = 2 3 9 6 8 −4 . El proceso inverso consiste en considerar matrices individuales como bloques y unirlas para formar una matriz por bloques. De esta manera. después de unir los bloques. 3 C = 1 −1 0 y D= 9 6 8 −4 .Sec. EJEMPLO 22 Sean B= Entonces tenemos 2 . al multiplicar dos matrices con partición se pueden conservar las matrices en un disco y llevar a la memoria solamente las submatrices necesarias para formar sus productos. B22 3 3 ⎢ 6 12 ⎢ AB = C = ⎢ ⎣ 0 −12 −9 −2 ⎡ ⎤ 0 1 2 −1 0 −3 7 5⎥ C11 C12 ⎥ . = ⎣6 1 −1 0 0 ■ . La partición de las matrices debe hacerse de modo que los productos de las matrices correspondientes estén definidos. = ⎣6 C 1 −1 0 D C CT ⎤ 9 8 −4 1 7 5 −1⎦ . Por supuesto. el resultado puede guardarse en el disco conforme se vaya calculando. ⎥= C21 C22 0 2 −2 −2⎦ 7 2 2 −1 donde C11 debe ser A11B11 + A12B21.3 Producto punto y multiplicación de matrices 31 y sea 2 0 ⎢ 0 1 ⎢ B=⎢ ⎣ 1 3 −3 −1 Entonces ⎡ 0 1 1 −1 0 0 2 1 ⎤ 1 −1 2 2⎥ B11 ⎥ ⎥= B21 1 0⎦ 0 −1 B12 . todas las filas y todas las columnas tengan el mismo número de entradas.

En el ejemplo 20 se dijo ya que la matriz aumentada del sistema lineal Ax = b es una matriz por bloques. c y d. Es fácil demostrar (ejercicio T.11) que la notación de suma satisface las siguientes propiedades: (i) n i=1 (ri + si )ai = n i=1 n i=1 ri ai + n i=1 n i=1 si ai . ai = 3 + 4 + 5 + 8 = 20. suele conservarse la información de las ventas mensuales de cada año en una matriz de 1 × 12. consiste en hacer la unión de matrices en bloques para extender las estructuras de información.32 Capítulo 1 Ecuaciones lineales y matrices Una práctica común en muchas aplicaciones. a3 = 5 y a4 = 8. bn . n ai significa La expresión i=1 a1 + a2 + · · · + an. los resultados de nuevos experimentos de laboratorio se adjuntan a la información existente para actualizar una base de datos en una investigación. Por ejemplo. encontramos conveniente considerar la matriz por bloques A b c d .) NOTACIÓN DE SUMA (OPCIONAL) Habrá ocasiones en que será necesario emplear la notación de suma.7. En estos casos. En ocasiones necesitaremos resolver varios sistemas lineales en los que la matriz de coeficientes A es la misma. De manera similar. ⎣. digamos b. ⎥. La letra i es el índice de la suma. ■ EJEMPLO 25 Si ⎡ ⎤ a1 ⎢ a2 ⎥ a=⎢. (ii) c(ri ai ) = c ri ai . y luego unir tales matrices para construir la matriz de ventas históricas de varios años. entonces 4 i=1 n a2 = 4. EJEMPLO 23 Si a1 = 3. a continuación revisaremos esta útil y compacta notación que se utiliza ampliamente en matemáticas. se trata de una variable muda o arbitraria que puede remplazarse por otra letra. an y ⎡ ⎤ b1 ⎢b2 ⎥ b = ⎢ . pero son diferentes los lados derechos de los sistemas. Por lo tanto. (Vea la sección 6. ■ EJEMPLO 24 La expresión i=1 ri ai significa r1a1 + r2a2 + · · · + rnan.⎦ . Por ello. podemos escribir n i=1 ai = n j=1 aj = n k=1 ak .⎥ ⎣.⎦ .

EJEMPLOS CON MATRICES BINARIAS (OPCIONAL) En el caso de las matrices binarias. el producto punto y el producto matricial se calculan de la manera usual. tenemos 3 2 ai j = 3 j=1 (a1 j + a2 j ) (8) j=1 i=1 = (a11 + a21 ) + (a12 + a22 ) + (a13 + a23 ) 2 3 ai j = 2 i=1 (ai1 + ai2 + ai3 ) i=1 j=1 = (a11 + a12 + a13 ) + (a21 + a22 + a23 ) = lado derecho de (8). ■ EJEMPLO 26 En términos de la notación de suma. Si sumamos las entradas de cada fila (renglón) de A y sumamos luego los números resultantes. ■ . EJEMPLO 28 ⎡ ⎤ ⎡ ⎤ 1 1 Sean a = ⎣0⎦ y b = ⎣1⎦ vectores binarias. Resulta fácil demostrar (ejercicio T. como p ci j = k=1 aik bk j (1 ≤ i ≤ m.12) que. Sea A = [a i j] la matriz de m × n. EJEMPLO 27 Si n = 2 y m = 3. obtenemos el mismo resultado que si sumáramos las entradas de cada columna de A y luego sumáramos los números resultantes. podemos escribir la ecuación (2). pero sin olvidar que debe usarse aritmética de base 2. 1.Sec. la expresión j=1 i=1 ai j significa que primero sumamos sobre i y luego sumamos la expresión resultante sobre j. (9) i=1 j=1 j=1 i=1 La ecuación (9) puede interpretarse como sigue. n m ■ ai j = m n ai j . Entonces 1 0 a · b = (1)(1) + (0)(1) + (1)(0) = 1 + 0 + 0 = 1.3 Producto punto y multiplicación de matrices 33 el producto punto a · b se puede expresar mediante notación de suma como a · b = a1 b1 + a2 b2 + · · · + an bn = n i=1 ai bi . j-ésimo elemento del producto de las matrices A y B. en general. para el i. 1 ≤ j ≤ n). m n ■ También es posible formar sumas dobles. Así.

b = 2 1 1 ⎡ ⎤ −2 3 . Si AB = . cos θ 5. Empleando la aritmética de base 2. b = ⎣0⎦ 1 −2 . Calcule w · w. 1 1 0 1 ⎣ 1⎦ y+1 1 1 Entonces y + 1 + x = 1 y y + 1 = 1. b = ⎣ 0⎦ 1 3.b= 4 −1 (d) a = 1 0 ⎡ ⎤ 1 0 . 4. Sea w = 2 sen θ . calcule a · b. b = ⎣3⎦ 6 ⎡ ⎤ 1 1 0 . b = 2 −1 . 1 1 0 ■ EJEMPLO 30 ⎡ ⎤ y 1 1 1 x 1 ⎢ 0⎥ y B = ⎣ ⎦ matrices binarias. de2 8 1 . b = ⎣0⎦ 0 ⎤ −3 x] y b = ⎣ 2⎦.34 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 29 Sean A = 1 1 0 1 0 matrices binarias. 1. Sean a = [−3 mine x. Solución Tenemos ⎡ ⎤ y 1 1 1 x ⎢ 0⎥ y+1+x 1 AB = = = . Si AB = Sean A = . Sean A = 3 termine x y y. b = 3 −1 . ⎣ 2⎦ x 1 6. Si a · b = 17. ■ Términos clave Producto punto (producto interior) Producto de matrices Matriz de coeficientes Matriz aumentada Submatriz Particiones de una matriz Multiplicación por bloques Notación de suma 1. resulta que y = 0 y x = 0. donde ⎡ ⎤ ⎢ 2⎥ v = ⎢− 1 ⎥. determine 1 1 0 1 1 1 1 x y y. Determine todos los valores de x tales que v · v = 1. 1 2 −1 ⎡ ⎤ y x 6 y B = ⎣x ⎦.3 Ejercicios En los ejercicios 1 y 2. (a) a = 2 (b) a = 1 (c) a = 1 1 −2 ⎡ ⎤ 1 2 −1 . deterx ⎡ (d) a = 1 2. (a) a = 1 (b) a = −3 (c) a = 4 2 . Entonces yB= 0 1 1 1 0 AB = = (1)(0) + (1)(1) (1)(1) + (1)(1) (1)(0) + (1)(0) (0)(0) + (1)(1) (0)(1) + (1)(1) (0)(0) + (1)(0) 1 0 0 .

(c) Determine la matriz aumentada. 2) (c) La entrada (3. ⎣ 1 0 0 2 4⎦ 3 0 1 3 6 21. y + 3z = 7 (a) Determine la matriz de coeficientes. Utilice el método del ejemplo 12 para calcular las siguientes columnas de AB. Demuestre que AB 12. 2. Escriba el sistema lineal con matriz aumentada ⎡ ⎤ 2 0 −4 3 ⎣0 1 2 5⎦ .3 Producto punto y multiplicación de matrices 35 En los ejercicios 7 y 8. sean ⎡ 1 −1 2 ⎢3 A=⎣ 4 −2 2 1 y ⎤ 2 4⎥ 3⎦ 5 ⎤ 2 4⎦ . Utilice el método del ejemplo 12 para calcular las siguientes columnas de AB: (a) La segunda columna (b) La cuarta columna. 1. 1 ⎤ 2 A = ⎣−1 5 ⎡ −3 2 −1 ⎤ 4 3⎦ −2 y ⎡ ⎤ 2 c = ⎣1⎦ . calcule AO. −2 ⎤ 3 1 −4 5⎦ . ( fil 2 ( A)) B Calcule las siguientes entradas de AB: (b) La entrada (2. −2 A= 1 3 2 2 y BA. −2 −3 . Escriba la combinación lineal 3 −2 2 3 +4 +2 3 5 −1 como un producto de una matriz de 2 × 3 y un 3-vector. (c) Determina la matriz aumentada. 18. 3). Considere el siguiente sistema lineal: 3x – y + 2z = 4 2x + y 4x =2 − z = 4. 4 (fil 1 ( A)) B . 16. Sean 1 4 ⎡ 2 C = ⎣3 1 ⎡ 1 E = ⎣−2 3 A= −3 . 4 2 2 0 3 B=⎣ 2 −1 D= 2 −1 ⎡ 1 4⎦ . 3). De ser posible. −1 −2 ⎤ 0 −3 1 5⎦ . Sean y 2 F= 4 1 A = ⎣2 3 ⎡ −2 4 0 ⎤ −1 3⎦ −2 y 1 B = ⎣3 2 ⎡ ⎤ −1 2⎦ . Si A es la matriz del ejemplo 4 y O es la matriz de 3 × 2 en la cual todas las entradas son cero. sean 15. 4 2x + w= 7 3x + 2y + 3z = −2 2x + 3y − 4z = 3 3z = 5. Sean ⎡ ⎤ 3 3 4⎦ y B = 1 3 −1 2 3 . 20. 3. x+ (a) Determine la matriz de coeficientes. De ser posible. (a) La primera columna (b) La tercera columna. calcule DI2 e I2D. 5 3 . 4 Exprese Ac como una combinación lineal de las columnas de A. 1 1 B = ⎣3 4 ⎡ 0 3 2 −1 −3 5 13. 4 7. (b) Escriba el sistema lineal en forma matricial. calcule: (a) AB (b) BA (c) CB + D (d) AB + DF (a) A(BD) (d) AC + AE (e) BA + FD (b) (AB)D (e) (D + F)A (c) A(C + E) 8. (b) Escriba el sistema lineal en forma matricial. Si I2 = 11. Sean A = y B = ⎣5⎦. En los ejercicios 13 y 14. . (b) Verifique que AB = 2 9. 14. 1 2 4 2 (a) Verifique que AB = 3a1 + 5a2 + 2a 3 . Sean A = ⎣−1 0 (a) La entrada (1. Considere el siguiente sistema lineal 1 0 0 2 yD= 1 −1 3 . 1 3 4 −1 22. donde aj es la j-ésima columna de A para j = 1. 19. calcule: Exprese las columnas de AB como una combinación lineal de las columnas de A. (d) La entrada (3.Sec. ⎡ ⎤ 3 2 −3 1 17. 1) 10. B= 2 −3 −1 . Escriba el sistema lineal con matriz aumentada ⎡ ⎤ −2 −1 0 4 5 −3 2 7 8 3⎥ ⎢ .

(Medicina) Un proyecto de investigación nutricional tiene como base de estudio a adultos y niños de ambos sexos. ¿Qué podría decir acerca del producto matricial AB si: (a) A tiene una columna que consta únicamente de ceros? (b) B tiene una fila (renglón) que consta únicamente de ceros? 27. Las cantidades de cada contaminante están dadas (en kilogramos) por la matriz Bióxido Óxido Partículas de azufre nítrico suspendidas A = [r 1 −2] y B = [1 3 −1]. X y Y. Formule el método para sumar matrices que estén divididas en bloques. Durante la fabricación emiten los contaminantes bióxido de azufre. Determine un valor de r y un valor de s tales que ABT = 0. Sean A una matriz de m × n y B una matriz de n × p. (a) 2x + 2y = 3 2x − 2y = 5 (b) 2x − 3y + 5z = −2 2x + 4y − 2z = −3 26. Escriba cada una de las siguientes matrices como un sistema lineal en forma matricial. (a) Determine un valor de r tal que AB = 0. 29. donde: T B= 9 10 10 12 Proceso de armado Proceso de acabado ¿Qué interpretación puede dar el fabricante a las entradas del producto de matrices AB? 32. (Ecología: contaminación) Un fabricante elabora los productos P y Q en dos plantas. (Costos de producción) Un fabricante de muebles produce sillas y mesas que deben pasar por un proceso de armado y uno de acabado. La composición de los participantes está dada por la matriz Adultos Niños ⎤ 2 4⎥ ⎥ 4⎥ ⎥ 6⎥ 6⎦ 7 A= 80 100 120 200 Hombres Mujeres 1 ⎢2 ⎢ B = ⎢1 ⎣2 3 ⎡ 2 1 5 1 2 3 3 4 3 4 4 2 2 5 6 1 −1⎥ ⎥ 3⎥ . Los tiempos necesarios para estos procesos están dados (en horas) por la matriz Proceso Proceso de armado de acabado A= 2 3 2 4 Silla Mesa (a) x 1 2 0 1 +y +z = 2 5 3 1 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 2 1 0 (b) x ⎣1⎦ + y ⎣1⎦ + z ⎣2⎦ = ⎣0⎦ 2 0 2 0 El fabricante tiene una planta en Salt Lake City y otra en Chicago. Sean A y B las siguientes matrices: ⎡ 2 1 3 4 2 3 −1 ⎢1 ⎢ 3 2 1 ⎢2 A=⎢ 3 2 ⎢5 −1 ⎣3 1 2 4 2 −1 3 5 y Los reglamentos estatales y federales exigen la eliminación de estos contaminantes. y verifíquelo estableciendo dos particiones distintas de las matrices ⎡ ⎤ ⎡ ⎤ 1 3 −1 3 2 1 1 0⎦ A = ⎣2 y B = ⎣−2 3 1⎦ 2 −3 1 4 1 5 y determinando su suma. grasa y carbohidratos que consume cada niño y adulto está dado por la matriz CarboProteínas Grasa hidratos Determine AB mediante dos particiones distintas de A y B. óxido nítrico y partículas suspendidas. A= 300 200 100 250 150 400 Producto P Producto Q (b) Mencione una forma alternativa de escribir este producto. Escriba cada uno de los siguientes sistemas lineales como una combinación lineal de las columnas de la matriz de coeficientes. El costo diario por deshacerse de cada kilogramo de contaminante está dado (en dólares) por la matriz ⎡ B= ⎣ Planta X Planta Y 8 7 15 12 9 10 ⎤ ⎦ Óxido nítrico Bióxido de azufre Partículas suspendidas ¿Qué interpretación puede dar el fabricante a las entradas del producto de matrices AB? 33.36 Capítulo 1 Ecuaciones lineales y matrices 23. 31. B= 20 10 20 20 20 30 Adultos Niños . donde A = [1 r 1] y B = [−2 2 s]. 7⎦ 1 ⎤ El número de gramos diarios de proteínas. Las tarifas por hora de cada proceso están dadas (en dólares) por matriz Salt Lake City Chicago 25. 30. 28. ¿Cuál es la relación entre los sistemas lineales cuyas matrices aumentadas son las siguientes? ⎡ ⎤ 1 2 3 −1 1 2 3 −1 3 6 2⎦ y ⎣2 2 3 6 2 0 0 0 0 24.

determine la 1 0 .3. 1 0 37. Obtenga una matriz de 2 × 3 que represente el precio de venta en las dos tiendas. ¿Es cierto que AB = BA? Justifique su respuesta. 0 ⎤ 0 0⎦ 1 40. 1 Ejercicios teóricos T. Sea s1 = [18. (a) ¿Es posible que x · x sea negativo? Explique. b = ⎣0⎦ 1 A= 200 50 150 40 120 25 Cámara Unidad de flash (b) a = 1 1 .b= 1 1 El número de equipos (cámara y unidad de flash) disponibles en cada tienda está dado por la matriz 220 B = ⎣ 300 120 ⎡ Nueva York Denver Los Ángeles 180 250 320 ⎤ 100 Automático 120 ⎦ Semiautomático Manual 250 (a) ¿Cuál es el valor total de las cámaras en Nueva York? (b) ¿Cuál es el valor total de las unidades de flash en Los Ángeles? 35. respectivamente. (b) Demuestre que si B tiene una columna de ceros. Calcule a · b a partir de los vectores binarios a y b.79] 3-vectores que denotan los precios de tres artículos en las tiendas A y B. Calcule a · b a partir de los vectores binarios a y b.80 13. ¿cuál es el valor de x? T. T.1. Sean a. A partir de las matrices binarias ⎡ ⎤ ⎡ 1 1 0 0 A = ⎣0 1 0⎦ y B = ⎣1 0 0 1 1 calcule AB y BA. (b) Demuestre que el producto de dos matrices triangulares inferiores es una matriz triangular inferior. (a) Demuestre que el producto de dos matrices triangulares superiores es una matriz triangular superior. (a) Demuestre que a · b = b · a. ⎡ ⎤ 1 1 1 x 39. (b) Demuestre que (a + b) · c = a · c + b · c. Sean A = y B = ⎣1⎦ matrices binarias. b = ⎣1⎦ 1 ⎡ ⎤ 1 ⎢1⎥ (b) a = 0 1 1 0 . la cual se vende por lo general junto con la cámara.2. Sean A y B matrices diagonales de n × n.3 Producto punto y multiplicación de matrices 37 (a) ¿Cuántos gramos de proteínas ingieren diariamente todos los hombres (niños y adultos) del proyecto? (b) ¿Cuántos gramos de grasas consumen a diario todas las mujeres (niñas y adultas)? 34. determine x y y.8. 0 y 1 1 Si AB = 0 . Demuestre que el producto de matrices aB puede . AB tiene una columna de ceros. T.50 10. determine todos los posibles valores de x. Cierta marca de cámara está disponible en los modelos automático. b y c n-vectores. cada una tiene una unidad de flash correspondiente. 1. Sea x un n-vector. 1 Si a · b = 0. Además. Denver y Los Ángeles. A partir de la matriz binaria A = matriz B de 2 × 2 tal que AB = 1 1 0 1 0 1 0 1 . (a) Obtenga una matriz de 2 × 3 que represente la información combinada de los precios de los tres artículos en las dos tiendas.6.7. T. semiautomático y manual. 36.4. ⎡ ⎤ x 38. y sea k un número real.5.95 14.98] y s2 = [17. (b) Si x · x = 0. T.75 8. (c) Demuestre que (ka) · b = a · (kb) = k(a · b). b = ⎣ ⎦. 41. (Comercio) Una empresa de fotografía tiene una tienda en cada una de las siguientes ciudades: Nueva York. ⎡ ⎤ 0 (a) a = 1 1 0 .Sec. Demuestre que el producto de dos matrices diagonales es una matriz diagonal. Demuestre que el producto de dos matrices escalares es una matriz escalar. T. (a) Demuestre que si A tiene una fila de ceros. Sean a = [1 x 0] y b = ⎣ 1⎦ vectores binarios. (a) Sea a una matriz de 1 × n y B una matriz de n × p. (b) Suponga que cada tienda anuncia una venta en la que el precio de cada artículo se reduce 20 por ciento. ⎡ ⎤ 1 (a) a = 1 1 0 . Los precios de venta de las cámaras y de las unidades de flash están dados (en dólares) por la matriz AutoSemimático automático Manual Los ejercicios 36 a 41 tienen que ver con matrices binarias. AB tiene una fila de ceros. T.

entonces A = O. y dé un contraejemplo en el caso de las que considere falsas. demuestre que u · v = uvT. Introduzca las matrices ⎡ 1 −1 2 ⎢3 A=⎣ 4 −2 2 1 y ⎡ 1 0 −1 3 −3 B = ⎣3 4 2 5 en MATLAB.12. (a) Si u y v se consideran matrices de n × 1.10. Demuestre que i=1 j=1 ai j = j=1 i=1 ai j . demuestre que u · v = uTv. Escriba el comando clear en MATLAB. ¿Qué es V en términos de las entradas del producto A * B? (b) Utilice los comandos apropiados de MATLAB para asignar col2(B) a C. Demuestre que la notación de suma satisface las siguientes propiedades n n n T.3. ¿Qué es V en términos de las entradas del producto A * B? De ser posible. y después introduzca las siguientes matrices: ⎡ ⎤ 1 1 2 ⎢ ⎥ 4 5 9 4 4 . m n 2 B = ⎣−3 4 1 −2 5 ⎤ −4 3⎦ . (b) Si u y v se consideran matrices de 1 × n. B = 5 −2 . (a) Utilice los comandos apropiados de MATLAB para asignar fil2(A) a R y col3(B) a C. −2 T. Introduzca el lado derecho del sistema y llámelo b. Dé un nombre a la matriz aumentada. Sea V = A * C. ML.38 Capítulo 1 Ecuaciones lineales y matrices escribirse como una combinación lineal de las filas de B. Recuerde que.2. un apóstrofo indica una transpuesta. T. Demuestre que si AAT = O (la matriz de m × m tal que todas sus entradas son cero). Forme la matriz aumentada asociada con este sistema lineal mediante el comando de MATLAB [A b]. (b) Demuestre que la i-ésima fila (renglón) del producto de matrices AB es igual al producto de matrices fili(A)B. Sean u y v n-vectores. por ejemplo aum. A = ⎢ 1 1 ⎥ . (a) A ∗ C (c) A = C (e) (2 ∗ C − 6 ∗ A ) ∗ B (g) A ∗ A + C ∗ C. (b) A ∗ B (d) B ∗ A − C ∗ A (f) A ∗ C − C ∗ A ⎤ 2 4⎥ 3⎦ 5 ⎤ 2 4⎦ 1 ML. (c) Si u se considera una matriz de 1 × n y v una matriz de n × 1. . Ejercicios con MATLAB ML. T. Introduzca en MATLAB la matriz de coeficientes del sistema 2x + 4y + 6z = −12 2x − 3y − 4z = −15 3x + 4y + 5z = −8 y llámela A. Sea V = R * C. Repita el ejercicio anterior con el siguiente sistema lineal: 4x − 3y + 2z – w = −5 2x + y − 3z = −7 −x + 4y + z + 2w = −8. Para la resolución de los ejercicios T. ¿Qué es V en términos de las entradas del producto A * B? (c) Utilice los comandos apropiados de MATLAB para asignar fil3(A) a R y luego calcule V = R * B. C = ⎣3 4⎦ 1 2 3 1 5 1 6 ML. Sea A una matriz de m × n cuyas entradas son números reales. (a) Demuestre que la j-ésima columna del producto de matrices AB es igual al producto de matrices A colj(B). utilice los comandos apropiados de MATLAB para. calcular lo siguiente.13. Escriba aB como una combinación lineal de las filas de B. utilice el comando aum = [A b]. T. en MATLAB. en los que los coeficientes son las entradas de a.11 a T.1.9. Diga si las siguientes expresiones son verdaderas o falsas. n n (a) i=1 n (ai + 1) = i=1 m ai +n (b) i=1 j=1 m n 1 = mn n m (c) j=1 i=1 ai b j = i=1 ai j=1 bj . demuestre las verdaderas.13 es necesario el análisis del material señalado como opcional. Luego. (b) Sean a = [1 −2 ⎡ 3] y n n (b) i=1 c(ri ai ) = c i=1 n m ri ai . (a) i=1 (ri + si )ai = i=1 ri ai + i=1 si ai . T. demuestre que u · v = uv. (¡No escriba el punto!) Observe que no aparece una barra entre la matriz de coeficientes y el lado derecho en la pantalla de MATLAB.11.14.4.

Repita el ejercicio ML. matriz nula o matriz cero. el producto punto de un par de vectores puede calcularse mediante el comando dot. por ejemplo la multiplicación (como hemos visto en la sección 1. ML. (a) La matriz diagonal de 4 × 4 con diagonal principal [1 2 3 4]. Calcule BB para n = 2. ML. Verifique sus resultados en MATLAB. B. (a) A + B = B + A. cuyas demostraciones se dejan como ejercicios. (b) Defina A = ones (3) y calcule AB por medio de binprod.7. ML. ¿En qué situaciones no es válido? En los ejercicios ML. habrá diferencias importantes por lo que respecta al comportamiento algebraico de ciertas operaciones. (b) La matriz diagonal de 5 × 5 con diagonal principal 0 1 1 1 1 .3). que ya conocemos. w = ⎣ ⎦.9. La matriz O se denomina neutro aditivo de m × n. Determine un valor de k tal que el producto punto de a con b = [k 1 4] sea cero. Casi todas las propiedades serán enunciadas como teoremas.4 Propiedades de las operaciones con matrices 39 ML. (c) Para cada uno de los siguientes vectores v. Muchas de estas propiedades son similares a las propiedades de los números reales. (c) Existe una única matriz O de m × n tal que A+O=A (1) para cualquier matriz A de m × n.5. (a) Utilice bingen para generar una matriz B cuyas columnas sean todos los posibles 3-vectores binarios. ML. Sea B una matriz de n × n en donde todas las entradas son unos. w) del programa. aparecerá un mensaje de error. Utilice binprod para resolver el ejercicio 40.1 (Propiedades de la suma de matrices) Sean A. ⎡ ⎤ ⎡ ⎤ 1 1 ⎢1⎥ ⎢0⎥ ML. 2 3 4 (c) La matriz escalar de 5 × 5 con únicamente cincos en la diagonal principal. El comando diag permite formar matrices diagonales sin escribir todas las entradas (para refrescar su memoria en torno del comando diag. v) en MATLAB. 0 0 1 1 utilice binprod para calcular a · b. w = 7 ⎡ ⎤ 2 4 ⎢−1⎥ ⎢ 2⎥ (ii) v = ⎣ ⎦. . (a) Utilice dot para calcular el producto punto de cada uno de los siguientes vectores. donde k es cualquier entero positivo? −1 . Sin embargo. (ii) v = −9 3 ⎡ ⎤ 1 ⎢ 2⎥ (iii) v = ⎣ ⎦.9 con 4-vectores y A = ones (4). ¿A qué es igual BB para n = k.9.Sec.10.11. 3. (i) v = [4 2 −3] 1. calcule dot (v.7 a ML. C y D matrices de m × n. su producto punto se calcula con el comando dot(v. 1.11 se utilizan matrices binarias y los comandos adicionales descritos en la sección 12. Dados los vectores binarios a = ⎣ ⎦ y b = ⎣ ⎦.) ML. (Sugerencia: busque un patrón que tenga como base las columnas de B.4 PROPIEDADES DE LAS OPERACIONES CON MATRICES En esta sección analizaremos las propiedades algebraicas de las operaciones con matrices recién definidas. TEOREMA 1. 0 3 (i) v = 1 ⎡ 4 ⎤ 6 −1 2 0 (b) Sea a = [3 −2 1]. utilice la característica de ayuda de MATLAB). 4 y 5. Si los vectores no tienen el mismo número de elementos. En MATLAB. Si los vectores v y w se han introducido a MATLAB ya sea como filas (renglones) o como columnas. Utilice el comando diag de MATLAB para formar cada una de las siguientes matrices diagonales. (c) Describa por qué AB sólo contiene solamente columnas con ceros y unos.8.6. −5 −3 1 0 6 ¿Qué signo tiene cada uno de estos productos punto? Explique por qué esto es válido para casi todos los vectores v. (b) A + (B + C) = (A + B) + C.

(2) Demostración (a) Para establecer (a).1. Entonces A+U=A si y sólo si* aij + uij = aij. El i.1. EJEMPLO 1 Para ilustrar el inciso (c) del teorema 1. (1) si A + U = A. j-ésimo elemento de B + A es bij + aij. j-ésimo elemento de A + B es aij + bij. debemos demostrar que el i. ■ (1 ≤ i ≤ m. U es la matriz de m × n tal que todas sus entradas son iguales a cero. entonces aij + uij = aij y (2) si aij + uij = aij. 0 2+0 3+0 2 3 ■ 0 0 0 0 0 . 1 ≤ j ≤ n). existe una única matriz D de m × n tal que A + D = O. entonces A + U = A. U se denota como O. Por lo tanto. Escribiremos D como (–A). lo cual es válido si y sólo si uij = 0. Como los elementos aij son números reales (o complejos). j-ésimo elemento de A + B es igual al i. observamos que la matriz cero de 2 × 2 e 0 0 Si 0 .40 Capítulo 1 Ecuaciones lineales y matrices (d) Para cada matriz A de m × n. j-ésimo elemento de B + A. La matriz (−A) se llama inverso aditivo o negativo de A. 0 4 −1 . el i. (c) Sea U = [uij]. 2 3 A= tenemos 4 −1 0 + 2 3 0 La matriz cero de 2 × 3 es 0 4 + 0 −1 + 0 4 −1 = = .1. . aij + bij = bij + aij de lo que se obtiene el resultado. de modo que (2) puede escribirse como A + (−A) = O. 0 *El conector lógico “si y sólo si” significa que ambas proposiciones son verdaderas o ambas son falsas. (b) Ejercicio T. En consecuencia. (d) Ejercicio T.

(c) Si A. sea A= Entonces 2 −4 3 4 . (c) Ejercicio T.1. (b) Ejercicio T.3. 1.4 Propiedades de las operaciones con matrices 41 EJEMPLO 2 Para ilustrar el inciso (d) del teorema 1. ■ Sean EJEMPLO 4 5 2 A= 2 −3 y 3 . En el ejercicio T.2 se pide al lector que demuestre el resultado para un caso específico. 4 −5 2 ■ EJEMPLO 3 Sean A= Entonces 3 −2 −1 2 5 3 y B= 2 −3 3 4 2 . −2 −3 −4 . entonces A(B + C)= AB + AC. 3⎦ 0 ⎤ 7 43 6⎦ = 12 3 ⎤ 2 0⎥ 43 = 3⎦ 12 0 ⎡ ⎤ 0 2⎦ . 5 −2 −A = Ahora tenemos que A + (−A) = O. 3 ⎡ 1 0 ⎢2 −3 C =⎣ 0 0 2 1 0 3 3 ⎣ 8 −4 4 9 3 ⎡ 1 0 13 ⎢2 −3 6 ⎣0 0 2 1 ⎡ Entonces A( BC) = y 5 2 2 −3 16 30 56 8 ( AB)C = 19 −1 6 16 −8 −8 16 30 56 .Sec. B y C son matrices de los tamaños apropiados. (b) Si A. B y C son matrices de los tamaños apropiados. 8 ■ . B y C son matrices de los tamaños apropiados. 4 2 −1 1 2 2 B = ⎣0 3 0 −1 ⎤ 2 0⎥ .3. entonces (A + B)C = AC + BC. Demostración (a) Omitiremos una demostración general. 6 A−B = 3 − 2 −2 − 3 −1 + 3 2−4 5−2 1 −5 3 = . A(BC) = (AB)C. 3−6 2 −2 −3 ■ TEOREMA 1.2 (Propiedades de la multiplicación de matrices) (a) Si A.

La matriz identidad I3 de orden 3 es 1 I3 = ⎣0 0 Por lo tanto. . 7 −4 0 2 7 −2 ⎤ 1 0 ··· 0 ⎢0 1 · · · 0⎥ In = ⎢ . 2 entonces I 2 A = A. . 1 ■ . es fácil verificar (ejercicio T. . 2 ⎤ 1 0 2⎦ B = ⎣2 3 −1 ⎡ y ⎤ −1 2 0⎦ .⎥.⎦ . C =⎣ 1 2 −2 ⎡ 2 2 A( B + C) = 3 −1 y ⎡ ⎤ 0 2 3 ⎣ 21 −1 3 2⎦ = 2 7 −2 5 −3 AB + AC = 15 1 6 −2 21 −1 + = . También resulta sencillo ver que toda matriz escalar de n × n puede escribirse como rIn para alguna r. Si A es una matriz de m × n. 0 0 ··· 1 ⎡ ■ DEFINICIÓN La matriz escalar de n × n cuyas entradas en la diagonal son todas iguales a 1. . 1 Si A= 4 −2 5 0 3 . . . es la matriz identidad de orden n.4) que I m A = AI n = A. AI3 = A.42 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 5 Sean A= Entonces 2 2 3 −1 3 . ⎡ 0 1 0 ⎤ 0 0⎦ . ⎣. EJEMPLO 6 La matriz identidad I2 de orden 2 es I2 = 1 0 0 .

algunas de las leyes conocidas de los exponentes de los números reales también pueden demostrarse para la multiplicación de una matriz cuadrada A (ejercicio T. la compañía R conserva 1 de sus clientes.5): ApAq = Ap+q y (Ap)q = Apq. esto no es válido para las matrices. EJEMPLO 8 Si A= entonces 1 2 2 . esta regla es válida (ejercicio T. ab = 0 se cumple sólo si a o b son cero. Sin embargo. Es decir. 8 16 5 . también definimos A0 = In. Si a y b son números reales. fabrican cierto producto.7 analizamos una clase especial de matrices A.Sec. Si p es un entero positivo. Sin embargo. como muestra el siguiente ejemplo. para las cuales AB = AC implica que B = C. Cada año. Sin embargo. b y c son números reales para los cuales ab = ac y a 0. 5 −1 AB = AC = pero B C. (Comercio) Suponga que únicamente dos compañías rivales. −2 3 entonces ni A ni B es la matriz cero. 10 ■ Observación EJEMPLO 9 En la sección 1. la ley de cancelación no se cumple para las matrices. 4 B= 2 3 1 2 y C= −2 7 . 0 ■ Si a. A continuación llamaremos su atención respecto de otras dos peculiaridades de la multiplicación de matrices. definimos las potencias de una matriz como sigue: Ap = A · A · · · A . si AB = BA. EJEMPLO 7 Si A= 1 2 2 4 y B= 4 −6 .4 Propiedades de las operaciones con matrices 43 Suponga que A es una matriz cuadrada. Observe que (AB) p ApB p para las matrices cuadradas en general. R y S. se tiene que b = c. mientras que 3 de los con4 4 .6). En el caso de enteros no negativos p y q. 1. p factores Si A es de n × n. pero AB = 0 0 0 . podemos cancelar a.

digamos. Como R y S controlan todo el mercado. S tiene 3 3 k 4 5 17 (12. al paso de 60 los dos años. b . R tiene 3 k clientes.000) 60 = 3.400 clientes. Esta información puede desplegarse en forma matricial como 3 ⎡R A = 1 ⎣4 3 4 1 3⎦ 2 3 S⎤ R S Al comenzar por vez primera la fabricación del producto. R conserva 1 de sus clientes y gana 1 de los de S. S conserva cia.000 S tiene 43 (12. 4 3 R tiene 1 3 k 4 5 + 2 3 1 2 k 3 5 = 1 3 4 5 + 1 2 3 5 k= 17 k 60 clientes. De manera análoga. mientras que 3 1 cambia a R. al final del 3 4 de sus clientes y gana de los clientes de R. Cuando k = 12. b ¿podemos determinar a y b de modo que la distribución sea la misma año con año? Cuando esto ocurre. mientras que S tiene los otros 2 . Al fi5 5 nal del primer año. k = 12. Entonces.000) = 8. y S tiene 2 k consumidores. S conserva 2 de sus clientes. inicialmente.000. Ax0 = x0 o (3) También queremos que la distribución no se modifique después de un año.600 clientes.44 Capítulo 1 Ecuaciones lineales y matrices sumidores cambian a S. se dice que la distribución del mercado es estable. De manera similar.000. la distribución del mercado es ⎡ ⎤⎡ ⎤ ⎡ x1 = Ax0 = 1 ⎣4 3 4 1 3 3⎦ ⎣5⎦ 2 2 3 5 = 1 ⎣4 3 4 3 5 3 5 + + 1 3 2 3 2 5 2 5 ⎤ ⎡ ⎤ 17 43 60 ⎦ = ⎣ 60 ⎦ . Procedemos de la manera siguiente. 2 5 3 Un año después. la distribución del mercado estará dada por x2 = Ax1 = A(Ax0) = A2x0. y que este número no se modifica con el paso del tiempo. Cuando k = 12. Denotamos la dis5 tribución inicial del mercado como ⎡ ⎤ x0 = ⎣ 5 ⎦ . Por lo tanto ⎡ 1 ⎣4 3 4 1 a 3⎦ ⎣ ⎦ 2 b 3 ⎤⎡ ⎤ ⎡ ⎤ a = ⎣ ⎦. debemos tener a + b = 1. En el mismo lapso. R tiene 3 del mercado (el mer5 cado es la cantidad total de clientes). En consecuen- + 2 2 k 3 5 = 3 3 4 5 + 2 2 3 5 k= 43 k 60 clientes. Esto se puede ver fácilmente como sigue. Si x0 = a . En consecuencia. R tiene primer año. Supongamos que el mercado inicial consta de k personas.

En la sección 2.5 volveremos a abordar este tema. B = ⎣1 0 −2 ⎡ A(r B) = y 1 −2 2 0 ⎤ −4 2 3 ⎣ −8 −2 −2 −8⎦ = 1 8 0 0 4 4 −4 1 −8 −2 = . TEOREMA 1. 0 8 0 r ( AB) = (−2) lo cual ilustra el inciso (d) del teorema 1.12. Resulta fácil demostrar que (−1)A = −A (ejercicio T. 13 El problema que acabamos de ver es un ejemplo de una cadena de Markov. 1. entonces (a) (b) (c) (d) r(sA) = (rs)A (r + s)A = rA + sA r(A + B) = rA + rB A(rB) = r(AB) = (rA)B ■ Demostración EJEMPLO 10 Ejercicio T.Sec.4 (Propiedades de la transpuesta) Si r es un escalar y A y B son matrices.4 Propiedades de las operaciones con matrices 45 Entonces 1 a 4 3 a 4 + 1b = a 3 + 2b = b 3 o −3a + 1b = 0 4 3 3 a 4 − 1 b = 0. Utilizamos la ecuación (3) y una de las ecuaciones en (4) para determinar (verifique) que a= 4 13 y b= 9 . A= Entonces 1 −2 2 0 3 1 y ⎡ ⎤ 2 −1 4⎦ .3. 3 (4) Observe que las dos ecuaciones en (4) son iguales. entonces (a) (b) (c) (d) (AT)T = A (A + B)T = AT + BT (AB)T = BTAT (rA)T = rAT . ■ TEOREMA 1. Sean r = −2.3 (Propiedades de la multiplicación por un escalar) Si r y s son números reales y A y B son matrices.13).

46 Capítulo 1 Ecuaciones lineales y matrices

Demostración

Dejaremos las demostraciones de (a), (b) y (d) como ejercicio (T.14); aquí sólo demostraremos el inciso (c). Así, sea A = [aij] una matriz de m × p y sea B = [b i j ] una matriz de p × n. El i, j-ésimo elemento de (AB)T es ciTj . Ahora bien,

ciTj = c ji = fil j ( A) · coli ( B) = a j1 b1i + a j2 b2i + · · · + a j p b pi
T T T T = a1 j bi1 + a2 j bi2 + · · · + a T biTp pj T T T T = bi1 a1 j + bi2 a2 j + · · · + biTp a T pj

= fil i ( B T ) · col j ( A T ),
que es el i, j-ésimo elemento de B T A T.

EJEMPLO 11

Sean

A=

1 3 2 −1

2 3

y

⎡ ⎤ 0 1 2⎦ . B = ⎣2 3 −1

Entonces

( AB) T =
y

12 7 5 −3

B T AT =

0 1

⎤ 1 2 2 3 ⎣ 12 7 3 −1⎦ = . 2 −1 5 −3 2 3

DEFINICIÓN

Una matriz A = [a i j ] cuyas entradas son números reales es simétrica si AT = A. Es decir, A es simétrica si es una matriz cuadrada para la cual aij = aji (ejercicio T.17).

Si la matriz A es simétrica, los elementos de A son simétricos respecto de la diagonal principal de A.

EJEMPLO 12

Las matrices

1 A = ⎣2 3
son simétricas.

2 4 5

⎤ 3 5⎦ 6

e

1 I3 = ⎣0 0

0 1 0

⎤ 0 0⎦ 1

Sec. 1.4 Propiedades de las operaciones con matrices

47

EJEMPLOS CON MATRICES BINARIAS (OPCIONAL)
Todas las operaciones matriciales analizadas en esta sección son válidas para matrices binarias, siempre y cuando utilicemos aritmética binaria. Por lo tanto, los únicos escalares disponibles son 0 y 1.

EJEMPLO 13

Solución

⎤ 1 0 Sea A = ⎣1 1⎦ una matriz binaria. Determine el inverso aditivo de A. 0 1 ⎡ ⎤ a b Sea −A = ⎣ c d ⎦ (el inverso aditivo de A). Entonces, A + (−A) = O. Tenemos e f 1+a =0 1+c =0 0+e =0 0+b =0 1+d =0 1+ f =0

de manera que a = 1, b = 0, c = 1, d = 1, e = 0 y f = 1. En consecuencia, −A = A. (Vea también el ejercicio T.38.) ■

EJEMPLO 14

A partir de la matriz binaria A = B O, tal que AB = O.

1 0 1 0 , determine una matriz binaria de 2 × 2,

Solución

Sea B =

a b . Entonces c d AB = 1 0 1 0 a b a b 0 0 = = c d a b 0 0

siempre y cuando a = b = 0, c = 0 o 1 y d = 0 o 1. Por lo tanto, existen cuatro de tales matrices,

0 0 , 0 0

0 0 , 0 1

0 0 1 0

y

0 0 . 1 1

La sección 2.2, teoría de gráficas, utiliza el material de esta sección; si lo desea, estúdiela en este momento.

48 Capítulo 1 Ecuaciones lineales y matrices

Vista preliminar de una aplicación
Teoría de gráficas (sección 2.2)
En los últimos años, la necesidad de resolver problemas que tienen que ver con la comunicación entre individuos, computadoras y organizaciones, ha crecido con un ritmo sin precedentes. Observe, por ejemplo, el crecimiento explosivo de Internet y sus posibilidades de interactuar con medios de todo tipo. La teoría de gráficas es un área de las matemáticas aplicadas que estudia problemas como el siguiente: Considere una red de área local que consta de seis usuarios, denotados mediante P1, P2, . . . , P6. Decimos que Pi tiene “acceso” a Pj si Pi puede enviar directamente un mensaje a Pj. Por otro lado, es posible que Pi no pueda enviar un mensaje de manera directa a Pk, pero si pueda enviarlo a Pj, quien lo enviará luego a Pk. En este caso, decimos que Pi tiene un “acceso en 2 etapas (o pasos)” a Pk. Del mismo modo, hablamos de un “acceso en r etapas”. Podemos describir la relación de acceso en la red que aparece en la figura 1.6, definiendo la matriz A = [a i j ] de 6 × 6, en la que a i j = 1 si Pi tiene acceso a Pj, y aij = 0 en caso contrario. En consecuencia, A puede ser
Figura 1.6
P3 P6

P1 P2

P5 P4

P1 P2 P A = 3 P4 P5 P6

P1 0 ⎢ 0 ⎢ ⎢ 1 ⎢ 0 ⎢ ⎣ 0 0 ⎡

P2 0 0 1 1 0 0

P3 0 0 0 0 0 0

P4 0 0 0 0 0 1

P5 1 1 1 1 0 0

P6 ⎤ 0 0 ⎥ ⎥ 1 ⎥ ⎥. 0 ⎥ 1 ⎦ 0

Utilizando la matriz A y las técnicas de teoría de gráficas que se estudian en la sección 2.2, podemos determinar el número de formas en que Pi tiene acceso a Pk en r etapas, donde r = 1, 2, . . . . La teoría de gráficas permite resolver muchos otros problemas que implican las comunicaciones. En realidad, la matriz A que se acaba de describir es una matriz binaria, pero en esta situación es mejor considerarla una matriz de base 10, como se mostrará en la sección 2.2.

Sec. 1.4 Propiedades de las operaciones con matrices

49

Términos clave
Propiedades de la suma de matrices Identidad aditiva o matriz cero Inverso aditivo o negativo de una matriz Propiedades de la multiplicación de matrices Matriz identidad Potencias de una matriz Propiedades de la transpuesta Matriz simétrica Matriz antisimétrica

1.4 Ejercicios
1. Verifique el teorema 1.1 para 8. De ser posible, calcule

A=
y

1 3

2 4

−2 , 5

B= −6 3

2 3 1 . 0

0 −2

1 5

(a) (AB)T (d) BB
TT

(b) BTAT (e) B B
T

(c) ATBT

−4 C= 2

9. De ser posible, calcule (a) (3C – 2E)TB (c) B C + A
T

(b) AT(D + F) (d) (2E)AT

2. Verifique el inciso (a) del teorema 1.2 para

1 A= 2
y

3 , −1

−1 B= 1 ⎤ 0 −1⎦ . 2 2 3

(e) (BT + A)C

3 −3

2 4

10. Si

⎡ 1 C = ⎣3 1 1 −3 −3 , 4

A=

−2 2

3 −3

y

B=

3 2

6 , 4

demuestre que AB = O. 11. Si

3. Verifique el inciso (b) del teorema 1.2 para

A=
y

B=

−3 −1

2 −2
y

A=

−2 2

3 , −3

B=

−1 2

3 0

0 C= 1

1 3

2 . −2

C=

−4 0

−3 , −4

4. Verifique los incisos (a), (b) y (c) del teorema 1.3 para r = 6, s = −2 y

demuestre que AB = AC. 12. Si A =

A=

4 1

2 , −3

B=

0 −4 3 −3

2 . 3 2 . 4 2 1 −1 . 5

0 1

1 , demuestre que A2 = I2. 0 2 . 3 Determine

5. Verifique el inciso (d) del teorema 1.3 para r = −3 y

A=

1 2 3 1

3 , −1 2 , −3

B=

−1 1 4 −2

4 13. Sea A = 1
(a) A2 + 3A

6. Verifique los incisos (b) y (d) del teorema 1.4 para r = −4 y

A=

1 2

B=

(b) 2A3 + 3A2 + 4A + 5I2 14. Sea A =

7. Verifique el inciso (c) del teorema 1.4 para ⎤ ⎡ 3 −1 1 3 2 4⎦ . A= , B = ⎣2 2 1 −3 1 2 En los ejercicios 8 y 9, sean

1 2

−1 . Determine 3

(a) A2 – 2A (b) 3A3 – 2A2 + 5A – 4I2 15. Determine un escalar r tal que Ax = rx, donde

⎡ ⎤ 2 −1 2 1 −2 4⎦ , A= , B = ⎣3 3 2 5 1 −2 ⎡ ⎤ 2 1 3 2 −1 2 4⎦ , D = C = ⎣−1 , −3 2 3 1 0 ⎡ ⎤ 1 1 2 1 0 3⎦ E = ⎣ 2 −1 y F = . 2 −3 −3 2 −1

A=

2 1

1 2

y

x=

1 . 1

16. Determine una constante k tal que (kA)T (kA) = 1, donde ⎡ ⎤ −2 A = ⎣ 1⎦ . −1 ¿Hay más de un valor de k que se pueda utilizar?

50 Capítulo 1 Ecuaciones lineales y matrices

17. Sean

A=

−3 4

2 5

1 0

(b) Demuestre que la distribución estable del mercado está dada por ⎡ ⎤

y aj = colj(A), j = 1, 2, 3. Verifique que ⎤ ⎡ a1 · a1 a1 · a2 a1 · a3 ⎥ ⎢ A T A = ⎣a2 · a1 a2 · a2 a2 · a3 ⎦ a3 · a1 a3 · a2 a3 · a3 ⎡ T ⎤ T T a1 a1 a1 a2 a1 a3 ⎢ T ⎥ T T = ⎣a2 a1 a2 a2 a2 a3 ⎦ .
T a3 a1 T a3 a2 T a3 a3

⎢ 53 ⎥ ⎢ ⎥ x = ⎢ 24 ⎥ . ⎣ 53 ⎦
8 53

21

(c) ¿Cuál de las tres compañías, R, S o T, ganará la mayor parte del mercado a largo plazo (suponiendo que el patrón de retención y pérdida de clientes permanece constante)? ¿Cuál es, aproximadamente, el porcentaje del mercado que ganó esta compañía? 21. Tomando como base el ejercicio 20, suponga que la matriz A está dada por

Los ejercicios 18 a 21 tienen que ver con cadenas de Markov, un área que se estudiará con más detalle en la sección 2.5. 18. Suponga que la matriz del ejemplo 9 es ⎡ ⎡ ⎤ ⎤

A = ⎣3
2 3

1

2 5⎦ 3 5

y

x0 = ⎣ 3 ⎦ .
1 3

2

R S T ⎤ 0.4 0 0.4 R A = ⎣ 0 0.5 0.4 ⎦ S 0.6 0.5 0.2 T ⎡
(a) Si la distribución inicial del mercado está dada por ⎡ ⎤

(a) Determine la distribución del mercado después de un año. (b) Determine la distribución estable del mercado. 19. Considere dos compañías de comida rápida, M y N. Cada año, la compañía M conserva 1 de sus clientes, mientras 3 que 2 de sus consumidores cambian a N. Cada año, N 3 conserva 1 de sus clientes, mientras que 1 cambia a M. 2 2 Suponga que la distribución inicial del mercado está dada por ⎡ ⎤

⎢3⎥ ⎢ ⎥ x0 = ⎢ 1 ⎥ , ⎣3⎦
1 3

1

determine la distribución del mercado al cabo de un año, y después de dos años. (b) Demuestre que la distribución estable del mercado está dada por ⎡ ⎤

x0 =

1 ⎣3⎦ . 2 3

⎢ 37 ⎥ ⎢ ⎥ x = ⎢ 12 ⎥ . ⎣ 37 ⎦
15 37

10

(a) Determine la distribución del mercado después de un año. (b) Determine la distribución estable del mercado. 20. Tomando como base el ejemplo 9, considere que había tres compañías competidoras, R, S y T, de modo que el patrón de retención y pérdida de clientes está dado por la información de la matriz A, donde

(c) ¿Cuál de las tres compañías, R, S o T, ganará la mayor parte del mercado en el largo plazo (suponiendo que el patrón de retención y pérdida de clientes permanece constante)? ¿Cuál es, aproximadamente, el porcentaje del mercado que ganó esta compañía? Los ejercicios 22 a 25 tienen que ver con el uso de matrices binarias. 22. Si la matriz binaria A = 23. Si la matriz binaria A = 24. Sea A =

⎡ ⎢ A= ⎢ ⎣

R
1 3 2 3

S
1 2 1 4 1 4

T
1 4 1 2 1 4

0

R ⎥ ⎥ S ⎦ T

1 1 1 0

1 , demuestre que A2 = O. 1 1 , demuestre que A2 = I2. 1

(a) Si la distribución inicial del mercado está dada por ⎡ ⎤

x0 =

1 ⎢3⎥ ⎢1⎥ ⎢3⎥ , ⎣ ⎦ 1 3

0 0

1 una matriz binaria. Determine 1
(b) A3 + A2 + A

(a) A2 − A 25. Sea A =

determine la distribución del mercado al cabo de un año, y después de dos años.

0 1

0 una matriz binaria. Determine 1
(b) A4 + A3 + A2

(a) A2 + A

Sec. 1.4 Propiedades de las operaciones con matrices

51

Ejercicios teóricos
T.1. Demuestre las propiedades (b) y (d) del teorema 1.1. T.2. Si A = [aij] es una matriz de 2 × 3, B = [bij] es una matriz de 3 × 4 y C = [cij] es una matriz de 4 × 3, demuestre que A(BC) = (AB)C. T.3. Demuestre las propiedades (b) y (c) del teorema 1.2. T.4. Si A es una matriz de m × n, demuestre que Im A = AIn = A. T.5. Sean p y q enteros no negativos, y sea A una matriz cuadrada. Demuestre que ApAq = Ap+q y (Ap)q = Apq. T.6. Si AB = BA, y p es un entero no negativo, demuestre que (AB) p = A pB p. T.7. Demuestre que si A y B son matrices diagonales de n × n, AB = BA. T.8. Determine una matriz de 2 × 2, B AB = BA, donde OyB I2, tal que T.18. Demuestre que si A es simétrica, entonces AT es simétrica. T.19. Sea A una matriz de n × m. Demuestre que si Ax = 0 para todas las matrices x de n × 1, entonces A = O. T.20. Sea A una matriz de n × n. Demuestre que si Ax = x para todas las matrices x de n × 1, entonces A = In. T.21. Demuestre que si AAT = O, entonces A = O. T.22. Demuestre que si A es una matriz simétrica, entonces Ak, k = 2, 3, . . . , es simétrica. T.23. Sean A y B matrices simétricas. (a) Demuestre que A + B es simétrica. (b) Demuestre que AB es simétrica si y sólo si AB = BA. T.24. Una matriz A = [aij] es antisimétrica si AT = −A. Demuestre que A es antisimétrica si y sólo si aij = −aji para toda i, j. T.25. Describa todas las matrices escalares que son antisimétricas. (Vea la sección 1.2 para la definición de matriz escalar.) T.26. Si A es una matriz de n × n, demuestre que AAT y ATA son simétricas. 0yB I2, tal que T.27. Si A es una matriz de n × n, demuestre que (a) A + AT es simétrica. (b) A – AT es antisimétrica. T.28. Demuestre que si A es una matriz de n × n, entonces A puede escribirse de manera única como A = S + K, donde S es una matriz simétrica y K es una matriz antisimétrica. T.29. Demuestre que si A es una matriz escalar de n × n, entonces A = rIn para algún número real r.
T T.30. Demuestre que I n = I n .

A=

1 2

2 . 1

¿Cuántas de estas matrices B existen? T.9. Determine una matriz B de 2 × 2, B AB = BA, donde

A=

1 0

2 . 1

¿Cuántas matrices B de este tipo hay? T.10. Sea A =

cos θ −sen θ

sen θ . cos θ

(a) Determine una expresión sencilla para A2. (b) Determine una expresión sencilla para A3. (c) Conjeture la forma de una expresión sencilla para Ak, en la que k es un entero positivo. (d) Verifique su conjetura del inciso (c). T.11. Si p es un entero no negativo y c es un escalar, demuestre que (cA) p = c pAp. T.12. Demuestre el teorema 1.3. T.13. Demuestre que (−1)A = −A. T.14. Complete la demostración del teorema 1.4. T.15. Demuestre que (A – B)T = AT – BT. T.16. (a) Demuestre que (A2)T = (AT)2. (b) Demuestre que (A3)T = (AT)3. (c) ¿Cierto o falso? Para k = 4, 5, . . . , (Ak)T = (AT)k. T.17. Demuestre que una matriz cuadrada A es simétrica si y sólo si aij = aji para toda i, j.

T.31. Sea A una matriz de m × n. Demuestre que si rA = O, entonces r = 0 o A = O. T.32. Demuestre que si Ax = b es un sistema lineal que tiene más de una solución, entonces tiene un número infinito de soluciones. (Sugerencia: si u1 y u2 son soluciones, considere w = ru1 + su2, donde r + s = 1.) T.33. Determine todas las matrices A de 2 × 2, tales que AB = BA, para cualquier matriz B de 2 × 2. T.34. Si A es una matriz antisimétrica, ¿qué tipo de matriz es AT? Justifique su respuesta. T.35. ¿Qué tipo de matriz es una combinación lineal de matrices simétricas? (Vea la sección 1.3.) Justifique su respuesta. T.36. ¿Qué tipo de matriz es una combinación lineal de matrices escalares? (Vea la sección 1.3.) Justifique su respuesta. T.37. Sea A = [a i j] la matriz de n × n definida por a i i = r y a i j = 0 si i j. Demuestre que si B es cualquier matriz de n × n, entonces AB = rB.

52 Capítulo 1 Ecuaciones lineales y matrices
T.38. Si A es cualquier matriz binaria de n × n, demuestre que −A = A. T.39. Determine todas las matrices binarias A de 2 × 2, tales que A2 = O. T.40. Determine todas las matrices binarias A de 2 × 2, tales que A2 = I2.

Ejercicios con MATLAB
Para utilizar MATLAB en esta sección, primero deberá haber leído el capítulo 12, hasta la sección 12.3. ML.1. Utilice MATLAB para determinar el menor entero positivo k en cada uno de los siguientes casos (vea también el ejercicio 12). ⎡ ⎤ 0 0 1 0 0⎦ (a) Ak = I3 para A = ⎣1 0 1 0 ⎡ ⎤ 0 1 0 0 0 0 0⎥ ⎢−1 (b) Ak = A para A = ⎣ 0 0 0 1⎦ 0 0 1 0 ML.2. Utilice MATLAB para desplegar la matriz A en cada uno de los siguientes casos. Determine el menor valor de k tal que Ak sea una matriz nula. tril, ones, triu fix, y rand son comandos de MATLAB. (Para ver una descripción, utilice el comando help del programa.) (a) A = tril(ones(5), −1) (b) A = triu(fix(10 ∗ rand(7)),2) ⎤ ⎡ 1 −1 0 1 −1⎦. Utilice el comando ML.3. Sea A = ⎣ 0 −1 0 1 polyvalm de MATLAB para calcular los siguientes polinomios de matrices: (b) A3 − 3A2 + 3A (a) A4 − A3 + A2 + 2I3 ⎤ ⎡ 0.1 0.3 0.6 0.2 0.6⎦. Utilice MATLAB para ML.4. Sea A = ⎣0.2 0.3 0.3 0.4 calcular las siguientes expresiones matriciales: (a) (A2 – 7A)(A + 3I3). (b) (A – I3)2 + (A3 + A). (c) Observe la sucesión A, A2, A3, . . . , A8, . . . . ¿Parece que converge a alguna matriz? De ser así, ¿a qué matriz?

⎡ 1 ML.5. Sea A = ⎣ 0


1 2⎦ . 1 3

Utilice MATLAB para calcular

los elementos de la sucesión A, A2, A3, . . . , Ak, . . . . Escriba una descripción del comportamiento de esta sucesión de matrices.


ML.6. Sea A =
1 ⎣2

⎤ 0
1 3⎦ . −1 5

Repita el ejercicio ML.5.

1 ML.7. Sea A = ⎣−1 0

−2 1 2

⎤ 1 2⎦. Utilice MATLAB para 1

hacer lo siguiente: (a) Calcule ATA y AAT. ¿Son iguales? (b) Calcule B = A + AT y C = A – AT. Demuestre que B es simétrica y C es antisimétrica. (Vea el ejercicio T.24.) (c) Determine una relación entre B + C y A. En los ejercicios ML.8 a ML.11 se emplean matrices binarias y los comandos adicionales que se describen en la sección 12.9. ML.8. (a) Utilice binrand para generar una matriz binaria B de 3 × 3. (b) Utilice binadd para calcular B + B y B + B + B. (c) Si B se sumara con ella misma n veces, ¿cuál sería el resultado? Explique su respuesta. ML.9. Sea B = triu(ones(3)). Determine k de modo que Bk = I3. ML.10. Sea B = triu(ones(4)). Determine k de modo que Bk = I4. ML.11. Sea B = triu(ones(5)). Determine k de modo que Bk = I5.

1.5

TRANSFORMACIONES MATRICIALES
En la sección 1.2 mencionamos la notación Rn para el conjunto de todos los n-vectores con entradas reales. De acuerdo con ello, R2 denota el conjunto de todos los 2-vectores, y R3 el conjunto de todos los 3-vectores. De manera geométrica, es conveniente representar los elementos de R2 y R3 como segmentos de recta en un sistema de coordenadas rectangular.‡ En esta sección nuestro enfoque es intuitivo, y nos permitirá presentar algunas aplicaciones geométricas interesantes en la sección siguiente (en una etapa temprana del curso). En la sección 3.1 realizaremos un análisis más cuidadoso y preciso de los 2-vectores y los 3-vectores.

Sin duda ha visto sistemas de coordenadas rectangulares en sus cursos de precálculo o de cálculo.

Sec. 1.5 Transformaciones matriciales 53

En R 2, el vector

x=

x y

se representa por medio del segmento de recta que se muestra en la figura 1.7. En R 3, el vector ⎡ ⎤ x x = ⎣y⎦ z se representa por medio del segmento de recta que se muestra en la figura 1.8.
eje z eje y y x eje x eje x (x, y) z O (x, y, z) x y eje y

O

x

x

Figura 1.7

Figura 1.8

EJEMPLO 1

En la figura 1.9 se muestran las representaciones geométricas de los 2-vectores

u1 =

1 , 2

u2 =

−2 1

y

u3 =

0 1

en un sistema de coordenadas rectangular de dos dimensiones. La figura 1.10 muestra las representaciones geométricas de los 3-vectores ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 −1 0 v1 = ⎣2⎦ , v2 = ⎣ 2⎦ y v3 = ⎣0⎦ 3 −2 1 en un sistema de coordenadas rectangular de tres dimensiones.
y z

u2 –2

2 1 u3 O

v1 u1 1 x x v3 O v2 y

Figura 1.9

Figura 1.10

54 Capítulo 1 Ecuaciones lineales y matrices

Las funciones aparecen en casi todas las aplicaciones de matemáticas. En esta sección daremos una breve introducción a ciertas transformaciones de R n a R m desde un punto de vista geométrico. Ya que deseamos representar estas funciones, denominadas transformaciones matriciales, la mayor parte de nuestro análisis en esta sección se limita a la situación en que m y n tienen los valores 2 o 3. En la sección siguiente se analizará una aplicación de estas funciones a las gráficas por computadora en el plano, esto es, para m y n iguales a 2. En el capítulo 4 consideraremos con mayor detalle una función más general, denominada transformación lineal de R n a R m. Puesto que toda transformación matricial es una transformación lineal, a continuación aprenderemos más acerca de sus propiedades. Las transformaciones lineales desempeñan un papel muy importante en muchas áreas de matemáticas, así como en numerosos problemas de aplicación en ciencias físicas, ciencias sociales y economía. Si A es una matriz de m × n y u es un n-vector, el producto Au es un m-vector. Una función f que transforma Rn en Rm se denota mediante f : R n → R m.§ Una transformación matricial es una función f : R n → R m, definida con f (u) = Au. El vector f (u) en Rm se denomina imagen de u, y el conjunto de todas las imágenes de los vectores en Rn se denomina rango de f . Aunque en esta sección nos limitaremos a estudiar matrices y vectores con entradas reales, puede desarrollarse un análisis completamente similar para matrices y vectores con entradas complejas. (Vea el apéndice A.2.)

EJEMPLO 2

(a) Sea f la trasformación matricial definida por

f (u) = 2 La imagen de u = −1 es f (u) = 2 4 3 1

2 4 u. 3 1

2 0 = −1 5

1 10 y la imagen de 2 es 5 (verifique).
(b) Sea A =

1 2 1 −1

0 , y considere la transformación matricial definida por 1
f (u) = Au.

⎡ ⎤ ⎡ ⎤ 1 0 1 2 En consecuencia, la imagen de ⎣0⎦ es 2 , la imagen de ⎣1⎦ es , y la ima2 1 3 ⎡ ⎤ −2 0 gen de ⎣ 1⎦ es (verifique). ■ 0 3
Observe que si A es una matriz de m × n y f : R n → R m es una transformación matricial de R n a R m, definida por f (u) = Au, un vector w en R m está en el rango de f sólo si podemos encontrar un vector v en R n tal que f (v) = w.

§

El apéndice A, que, aborda el tema de conjuntos y funciones, puede consultarse conforme sea necesario.

Sec. 1.5 Transformaciones matriciales 55

EJEMPLO 3

1 2 Sea A = −2 3 , y considere la transformación matricial definida por f (u) = Au. 4 Determine si el vector w = −1 está en el rango de f.

Solución

v La pregunta es equivalente a inquirir si existe un vector v = 1 tal que f (v) = w. v2 Tenemos Av =
o

4 v1 + 2v2 =w= −1 −2v1 + 3v2 v1 + 2v2 = 4 −2v1 + 3v2 = −1.

Al resolver este sistema de ecuaciones lineales por medio del método usual de eliminación, obtenemos v1 = 2 y v2 = 1 (verifique). Por lo tanto, w está en el rango de g. En particular, si v =

2 , entonces f (v) = w. 1

EJEMPLO 4

(Producción) Un editor publica un libro en tres ediciones diferentes: comercial, rústica y de lujo. Cada libro requiere de cierta cantidad de papel y lienzo (para la tapa). Los requerimientos se dan (en gramos) por medio de la matriz
Comercial Rústica De lujo

A=
Sea

300 40

500 50

800 60

Papel Lienzo

⎡ ⎤ x1 x = ⎣x2 ⎦ x3

el vector de producción, en donde x1, x2 y x3 son el número de libros que se publicarán en edición comercial, rústica y de lujo, respectivamente. La transformación matricial f : R 3 → R 2, definida por f (x) = Ax, da el vector

y=

y1 , y2

en donde y1 es la cantidad total de papel requerido, y y2 es la cantidad total de lienzo necesario para la publicación. ■ Para las transformaciones matriciales en donde m y n son 2 o 3, podemos dibujar representaciones que muestren el efecto de la transformación matricial. Esto se ilustrará en los ejemplos siguientes.

EJEMPLO 5

Sea f : R2 → R2 la transformación matricial definida por

f (u) =
Así, si u =

1 0 u. 0 −1

x , entonces y f (u) = f x y = x . −y

56 Capítulo 1 Ecuaciones lineales y matrices

El efecto de la transformación matricial f, denominada reflexión respecto del eje x en R2, se muestra en la figura 1.11. En el ejercicio 2 consideramos la reflexión respecto del eje y. ■
Figura 1.11
Reflexión respecto del eje x

y (x, y) u O f(u) (x, –y) x

EJEMPLO 6

Sea f : R3 → R2 la transformación matricial definida por ⎛⎡ ⎤⎞ ⎡ ⎤ x x 1 0 0 ⎣ ⎦ y . f (u) = f ⎝⎣ y ⎦⎠ = 0 1 0 z z Entonces

⎛⎡ ⎤⎞ x x f (u) = f ⎝⎣ y ⎦⎠ = . y z

La figura 1.12 muestra el efecto de esta transformación matricial. (Precaución: observe con atención los ejes en la figura 1.12.)
Figura 1.12
z (x, y, z) y f y f x y z x = y (x, y) x

u O x z

O

Observe que si

⎡ ⎤ x v = ⎣y⎦ , s

y O x Proyección

en donde s es cualquier escalar, entonces

f (v) =

x = f (u). y

Figura 1.13

Por lo tanto, un número infinito de 3-vectores tienen el mismo vector imagen. Vea la figura 1.13. La transformación matricial f es un ejemplo de un tipo de transformación matricial denominado proyección. En este caso, f ⎤ una proyección de R3 en al plano xy. ⎡ es x Observe que la imagen del 3-vector v = ⎣ y ⎦, bajo la transformación matricial f : z

Sec. 1.5 Transformaciones matriciales 57

R3 → R3, definida por

⎤ 1 0 0 f (v) = ⎣0 1 0⎦ v 0 0 0

⎡ ⎤ x es ⎣ y ⎦. El efecto de esta transformación matricial se muestra en la figura 1.14. La grá0 fica es casi igual a la de la figura 1.12, en donde la imagen es un 2-vector que está en el plano xy, mientras que en la figura 1.14 la imagen es un 3-vector que está en el plano xy. Observe que f (v) aparentemente es la sombra proyectada por v sobre el plano xy. ■
z (x, y, z) y x f z

Figura 1.14

v O x

f O x y z x = y 0 y (x, y, 0)

EJEMPLO 7

Sea f : R3 → R3 la transformación matricial definida por ⎡ ⎤ r 0 0 f (u) = ⎣0 r 0⎦ u, 0 0 r donde r es un número real. Es fácil ver que f (u) = ru. Si r 1, f se denomina dilatación; si 0 r 1, f se conoce como contracción. En la figura 1.15(a) se muestra el vector f1(u) = 2u, y en la figura 1.15(b) el vector f 2 (u) = 1 u. Como puede verse, la 2 dilatación estira el vector y una contracción lo comprime. De manera similar, podemos definir la transformación matricial g: R2 → R2 por

g(u) =

r 0 u. 0 r
1, g se denomina dila■

También tenemos que g(u) = r u, así que, una vez más, si r tación; si 0 r 1, g se llama contracción.
Figura 1.15
z f1(u) = 2u u O y O z

f2(u) = 1 u 2 u y

x (a) Dilatación: r > 1

x (b) Contracción: 0 < r < 1

58 Capítulo 1 Ecuaciones lineales y matrices

EJEMPLO 8

(Producción) Retomemos el caso del editor del ejemplo 4. Los requerimientos están dados por el vector de producción ⎡ ⎤ x1 x = ⎣x2 ⎦ , x3 donde x1, x2 y x3 representan la cantidad de ejemplares de la edición comercial, rústica y de lujo, respectivamente. El vector

y = Ax =

y1 y2

proporciona y1, la cantidad total de papel requerida, y y2, la cantidad total de lienzo necesaria. Sea c1 el costo por libra de papel y c2 el costo por libra de lienzo. La transformación matricial g: R2 → R1 definida por g(y) = By, donde B = [c1 c2]

proporciona el costo total de la producción de los libros.

EJEMPLO 9

Suponga que cada punto de R 2 se rota en sentido contrario a las manecillas del reloj, en un ángulo de φ respecto del origen de un sistema de coordenadas rectangulares. En consecuencia, si el punto P tiene coordenadas (x, y), después de la rotación obtenemos el punto P con coordenadas (x , y ). Para obtener una relación entre las coordenadas de P y las de P, tomamos como u el vector x , que se representa por medio del segy mento de recta que va del origen a P(x, y). Vea la figura 1.16(a). Además, sea θ el ángulo que forma u con la parte positiva del eje x.

Figura 1.16

y P' (x', y' )

y P'(x', y') f(u) P(x, y) u u x (a) O (b) Rotación x P(x, y)

O

Denotando con r la longitud del segmento de recta dirigido de O a P, de acuerdo con la figura 1.16(a) vemos que x = r cos θ, y x = r cos(θ + φ), y = r sen(θ + φ). (2) y = r sen θ (1)

Por medio de las fórmulas para el seno y el coseno de una suma de ángulos, las ecuaciones (2) se transforman en x = r cos θ cos φ − r sen θ sen φ y = r sen θ cos φ + r cos θ sen φ. Sustituyendo la expresión (1) en las últimas dos ecuaciones, obtenemos x = x cos φ − y sen φ, y = x sen φ + y cos φ. (3)

Sec. 1.5 Transformaciones matriciales 59

Al despejar x y y en (3), tenemos x = x cos φ + y sen φ y y = −x sen φ + y cos φ. (4)

La ecuación (3) proporciona las coordenadas de P en términos de las de P, y (4) expresa las coordenadas de P en términos de las de P . Este tipo de rotación se utiliza para simplificar la ecuación general de segundo grado ax2 + bxy + cy2 + dx + ey + f = 0. Al sustituir x y y en términos de x y y , obtenemos a x 2 + b x y + c y 2 + d x + e y + f = 0. El punto clave es elegir φ de modo que b = 0. Una vez hecho esto (podríamos tener que realizar una traslación de coordenadas), identificamos la ecuación general de segundo grado como una circunferencia, una elipse, una hipérbola, una parábola o una forma degenerada de éstas. Este tema se estudiará desde el punto de vista del álgebra lineal en la sección 9.5. También podemos realizar este cambio de coordenadas considerando la transformación matricial f : R2 → R2, definida por

f

x y

=

cos φ − senφ sen φ cos φ

x . y

(5)

De esta manera, (5) puede escribirse, por medio de (3), como

f (u) =

x cos φ − y senφ x = . x senφ + y cos φ y

De lo anterior se deduce que el vector f (u) está representado por el segmento de recta que va de O al punto P . Por lo tanto, la rotación de un ángulo φ en sentido contrario a las manecillas del reloj es una transformación matricial. ■

Términos clave
Transformación matricial Transformación (función) Imagen Rango Reflexión Proyección Dilatación Contracción Rotación

60 Capítulo 1 Ecuaciones lineales y matrices

Vista preliminar de una aplicación
Creación de gráficos por computadora (sección 2.3)
El amplio uso y constante desarrollo de los gráficos creados por computadora para las áreas de juegos de vídeo, efectos especiales en la industria cinematográfica y de televisión, y diseño asistido por computadora (CAD, por sus siglas en inglés), nos sorprende todos los días. En una aplicación de CAD común, se crea el modelo de un producto en computadora, para luego probarlo de manera exhaustiva a fin de encontrar fallas y, con base en la información recabada, mejorar el producto real. Las transformaciones matriciales desempeñan un papel muy importante en las gráficas por computadora. En la sección 2.3 analizaremos brevemente cuatro transformaciones matriciales. Dos de éstas son las siguientes:

f
la cual transforma
y 6 4 2 − 6 − 4 −2 −2 −4 −6 2 4 6 x

a1 a2

=

a1 , −a2

y 6 4 2 x

a

− 6 − 4 −2 −2 −6

2 −4

4

6

y

⎛⎡ ⎤⎞ ⎡ 5 cos 18 π a1 g ⎝⎣ ⎦⎠ = ⎣ 5 sen 18 π a2

5 −sen 18 π

⎤⎡ ⎤ a ⎦ ⎣ 1⎦ , 5 cos 18 π a2

que transforma

y 8 6 4 2 −4 −2 2 4 x

y 8 6 4 2

a

−4

−2

2

4

x

1.5 Ejercicios En los ejercicios 1 a 8. las imágenes de vectores diferentes pueden ser iguales. (c) ¿Cuál es el valor positivo más pequeño de k para el cual T(u) = Aku = u? Determine si el vector w dado está en el rango de f.w= −1 4 19. f : R2 → R2 es una rotación de 30° en sentido contrario a las manecillas del reloj. y u= 3 2 6. u = −2 3 −3 5. f x y = 1 0 0 −1 x .w= −1 −1 0 4 . w = ⎣1⎦ 14.1. donde A es una matriz de m × n. 1 z 18. 0 z ⎤⎡ ⎤ 1 x 0⎦ ⎣ y ⎦ . sea f : R2 → R3 la transformación matricial definida por f (x) = Ax. (b) Si T2(u) = A−1u. haga un bosquejo de u y de su imagen a partir de la transformación matricial f dada. w = ⎣0⎦ 2 1 0 En los ejercicios 15 a 17. y u= 2 3 2. (a) Demuestre que f (u + v) = f (u) + f (v) para cualesquiera u y v en Rn. (a) A = (b) A = 1 0 2 0 2 1 1 2 0 0 . sea f : R2 → R3 la transformación matricial definida por f (x) = Ax. describa la acción de T2 sobre u. f : R3 → R3 definida por ⎛⎡ ⎤⎞ ⎡ x 1 0 f ⎝⎣ y ⎦⎠ = ⎣1 −1 z 0 0 8. donde En los ejercicios 9 a 11. 1 1 Determine si el vector w dado está en el rango de f. f: R3 → R3 definida por ⎛⎡ ⎤⎞ ⎡ x 1 0 f ⎝⎣ y ⎦⎠ = ⎣−1 1 z 0 0 ⎤⎡ ⎤ 0 x 0⎦ ⎣ y ⎦ . y u= −3 3 ⎤ 2 u = ⎣−1⎦ 3 ⎤ 0 u = ⎣−2⎦ 4 ⎡ ⎡ 7. (a) A = 17. 1. donde A= cos φ sen φ −sen φ . f : R2 → R2 definida por En los ejercicios 12 a 14. proporcione una descripción geométrica de la transformación matricial f : R2 → R2 definida por f (u) = Au para la matriz A dada. f : R2 → R2 definida por f x y = 2 0 0 2 x . u = −1 3 4. . Esto es. f : R2 → R2 definida por f (u) = Au. (a) A = −1 0 0 1 1 0 1 0 0 0 0 1 (b) A = (b) A = (b) A = 0 1 0 −1 0 0 −1 0 −1 0 0 1 f x y = −1 0 0 −1 x . describa la acción de T1 sobre u. encuentre dos vectores diferentes. Sea f : R2 → R2 la transformación lineal definida por f (u) = Au. w = ⎣−1⎦ 13. (c) Demuestre que f (cu + dv) = cf (u) + df (v) para cualesquiera u y v en Rn y cualesquiera números reales c y d. donde ⎡ ⎤ 1 2 A = ⎣0 1⎦ . Algunas transformaciones matriciales f tienen la propiedad de que f (u) = f (v). w = −9 Para φ = 30°. 7 9. (a) A = 16. u y v. y u= 1 −2 3. f define una rotación en un ángulo de 30° en sentido contrario a las manecillas del reloj. Sea f : Rn → Rm una transformación matricial definida por f(u) = Au. f : R2 → R2 definida por 15. tales que f (u) = f (v) = w para el vector w dado. 2 −1 11. f : R2 → R2 es una rotación en sentido contrario a las manecillas del reloj de 2 π radianes.5 Transformaciones matriciales 61 1.Sec. w = 3 4 10. cos φ A= 1 −1 3 . cuando u v. (a) Si T1(u) = A2u. (b) Demuestre que f (cu) = cf (u) para cualquier u en Rn y cualquier número real c. Para cada una de las transformaciones matriciales siguientes. w = 1 Ejercicios teóricos T. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 0 12. f : R2 → R2 (reflexión respecto del eje y) definida por f x y = −1 0 0 1 x .

(a) Sea O: R n → R m la transformación matricial definida por O(u) = Ou. para toda u en Rn. hasta llevarla a una forma de la cual puedan deducirse fácilmente las soluciones. Demuestre que si u y v son vectores en Rn tales que f (u) = 0 y f (v) = 0. (b) y (c) está en la forma escalonada por filas. si las hay. con lo cual se obtiene una matriz de una forma particular. Esta nueva matriz representa un sistema lineal que tiene exactamente las mismas soluciones que el sistema dado. (b) Sea I : R n → R n la transformación matricial definida por I(u) = Inu.4). los unos principales describen un patrón de escalera (“escalonada”) que desciende a partir de la esquina superior izquierda. al leer de izquierda a derecha. DEFINICIÓN Una matriz A de m × n está en forma escalonada reducida por filas (renglones) cuando satisface las propiedades siguientes: (a) Todas las filas que constan sólo de ceros.3. (c) y (d): . ⎢. Demuestre que I(u) = u para toda u en Rn.2. (d) Si una columna contiene un uno principal.1). con lo que obtendremos un método útil para resolver sistemas lineales. El objetivo de esta sección consiste en manipular la matriz aumentada que representa un sistema lineal dado. T. T.⎥ . EJEMPLO 1 Las matrices siguientes están en la forma escalonada reducida por filas. donde O es la matriz cero de m × n. ya que satisfacen las propiedades (a).⎥ ⎣0⎦ 0 1. (b). Demuestre que O(u) = 0. si ⎡ ⎤ 1 0 0 2 4 ⎣0 1 0 −1 −5⎦ 6 0 0 1 3 representa la matriz aumentada de un sistema lineal. El método comienza con la matriz aumentada del sistema lineal dado. están en la parte inferior de la matriz. donde ⎡ ⎤ 0 ⎢0⎥ ⎢ ⎥ ⎢. (b) La primera entrada distinta de cero de la fila. Por ejemplo. Se dice que una matriz de m × n que satisface las propiedades (a). Sea f : R n → R m una transformación matricial definida por f (u) = Au. donde In es la matriz identidad (vea la sección 1.6 SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES En esta sección sistematizaremos el método de eliminación de incógnitas que ya conocemos (analizado en la sección 1. el resto de las entradas de dicha columna son iguales a cero.⎥ 0 = ⎢. es un 1. el uno principal aparece a la derecha y abajo de cualquier uno principal en las filas que le preceden. (c) Para cada fila que no consta sólo de ceros. es fácil determinar la solución a partir de las ecuaciones correspondientes x1 + x2 2x4 = 4 − x4 = −5 x3 + 3x4 = 6. donde A es una matriz de m × n. En una matriz en forma escalonada reducida por filas. Esta entrada se denomina entrada principal o uno principal de su fila.62 Capítulo 1 Ecuaciones lineales y matrices entonces f (cu + dv) = 0 para cualesquiera números reales c y d.

1⎦ 0 ■ Una propiedad útil de las matrices en forma escalonada reducida por filas (vea el ejercicio T. . arn por as1.Sec. carn. ar2. 0⎦ 1 ⎡ 1 ⎢0 ⎢ B = ⎢0 ⎣0 0 0 1 0 0 0 0 0 0 0 0 ⎤ 0 −2 4 0 4 8⎥ ⎥ 1 7 −2⎥ 0 0 0⎦ 0 0 0 ⎤ 1 2 0 0 1 C = ⎣0 0 1 2 3⎦ . Es decir. 0 0 0⎦ 0 0 0 1 ⎢0 I =⎣ 0 0 ⎡ 0 1 0 0 0 0 1 0 ⎤ 0 0⎥ 0⎦ 1 0 ⎢0 ⎢ J = ⎢0 ⎣0 0 ⎡ 0 0 0 0 0 1 0 0 0 0 3 0 0 0 0 5 7 1 −2 0 1 0 0 0 0 ⎤ 9 3⎥ ⎥ 2⎥ . arn por car1. . 2 ⎤ 4 5⎥ . . A continuación estudiaremos cómo transformar una matriz dada en una matriz en forma escalonada reducida por filas. . 2⎦ 0 1 E = ⎣0 0 1 ⎢0 G=⎣ 0 0 ⎡ ⎡ 0 3 2 −2 0 1 2 3 1 −2 0 1 0 0 ⎤ 4 5⎦ . as2. car2. es que si A es una matriz de n × n en forma escalonada reducida por filas y no es igual a In. . asn por ar2. . 2⎦ 0 0 3 1 −2 1 2 0 0 ■ EJEMPLO 2 Las matrices siguientes están en la forma escalonada por filas: 1 ⎢0 ⎢ H = ⎢0 ⎣0 0 y ⎡ 5 1 0 0 0 0 0 0 0 0 ⎤ 2 −2 4 3 4 8⎥ ⎥ 1 7 −2⎥ . . Es decir.6 Soluciones de sistemas de ecuaciones lineales 63 1 ⎢0 A=⎣ 0 0 y ⎡ 0 1 0 0 0 0 1 0 ⎤ 0 0⎥ . 1. . remplazar ar1. 0 0 0 0 0 Las matrices siguientes no están en forma escalonada reducida por filas. . asn y as1. . . . . . arn.9). . . (¿Por qué no?) ⎡ 1 D = ⎣0 0 1 ⎢0 F =⎣ 0 0 ⎡ ⎡ 2 0 0 ⎤ 0 4 0 0⎦ . DEFINICIÓN Cualquiera de las siguientes es una operación elemental por filas (renglones) sobre una matriz A = [a i j ] de m × n: (a) Intercambiar las filas r y s de A. . as2. . . . . . . remplazar ar1. 1 −3 ⎤ 4 5⎥ . . (b) Multiplicar la fila r de A por c 0. ar2. . por lo menos una fila de A consiste sólo de ceros.

respectivamente. . . .64 Capítulo 1 Ecuaciones lineales y matrices (c) Sumar d veces la fila r de A a la fila (renglón) s de A. . . as2. si B se puede obtener al aplicar a la matriz A una serie finita de operaciones elementales por fila. 3 Si sumamos 2 veces la fila 3 de A a su segunda fila. C = ⎣1 −2 4 −3 7 8 por lo que C es equivalente por filas a A y también equivalente por filas a A. obtenemos 3 ⎡ ⎤ 0 0 1 2 ⎢ ⎥ C = ⎢2 3 0 −2⎥ . Es decir. Observe que cuando una matriz se considera como la matriz aumentada de un sistema lineal. r s. . la fila 2 de A no cambia. obtenemos ⎡ ⎤ 1 2 4 3 2 3⎦ . EJEMPLO 3 Sea 0 A = ⎣2 3 ⎡ 0 3 3 ⎤ 1 2 0 −2⎦ . ■ DEFINICIÓN Se dice que una matriz A de m × n es equivalente por filas (renglones) a una matriz B de m × n. ⎣ ⎦ 1 1 2 −3 Al sumar (−2) veces la fila 2 de A a la fila (renglón) 3 de A. asn + darn. Sea EJEMPLO 4 1 2 1 A = ⎣2 1 −2 ⎡ 4 3 2 ⎤ 3 2⎦ . . B = ⎣4 −3 1 −2 2 3 de manera que B es equivalente por filas a A. al intercambio de dos ecuaciones. . 6 −9 Al intercambiar las filas 1 y 3 de A. Si intercambiamos las filas 2 y 3 de B.asn por as1 + dar1. ⎣ ⎦ 0 0 1 2 Al multiplicar la tercera fila de A por 1 . las operaciones elementales por filas son equivalentes. a la multiplicación de una ecuación por una constante distinta de cero y a la suma de un múltiplo de una ecuación a otra. . obtenemos ⎡ ⎤ 0 0 1 2 ⎢ ⎥ ⎢ D=⎣ 2 3 0 −2⎥ . ⎦ −1 −3 6 −5 Observe que al obtener D a partir de A. obtenemos ⎡ ⎤ 1 2 4 3 7 8⎦ . remplazar as1. obtenemos ⎡ ⎤ 3 3 6 −9 ⎢ ⎥ B = ⎢2 3 0 −2⎥ . as2 + dar2.

1. y 3. si A es equivalente por filas a B. que señalamos mediante un círculo. la primera fila por aquella en el renglón donde aparece el pivote. . Identificar la primera entrada (contando de arriba hacia abajo) distinta de cero en la columna pivote.2) que 1. A. 0 ⎢0 A=⎢ ⎣2 2 0 ⎢0 A=⎢ ⎣2 2 Pivote ⎡ 2 3 −4 0 2 3 2 −5 2 0 −6 9 2 3 −4 0 2 3 2 −5 2 0 −6 9 2 −5 2 0 2 3 2 3 −4 0 −6 9 Ejemplo ⎤ 1 4⎥ ⎥ 4⎦ 7 ⎤ 1 4⎥ ⎥ 4⎦ 7 ⎤ 4 4⎥ ⎥ 1⎦ 7 Columna pivote de A Paso 2.6 Soluciones de sistemas de ecuaciones lineales 65 Al multiplicar la fila 1 de C por 2. Ésta es la columna pivote. Determinar la primera columna (contando de izquierda a derecha) den A. toda matriz es equivalente por filas a sí misma. B es equivalente por filas a A. A es equivalente por filas a C. Utilizaremos el siguiente ejemplo para ilustrar el procedimiento. Este elemento es el pivote. EJEMPLO 5 Sea 0 ⎢0 A=⎣ 2 2 ⎡ 2 3 −4 0 2 3 2 −5 2 0 −6 9 ⎤ 1 4⎥ . ya que D se obtuvo D aplicando tres operaciones elementales por filas a A.5 Toda matriz de m × n es equivalente por filas (renglones) a una matriz en forma escalonada por filas. si A es equivalente por filas a B y B es equivalente por filas a C. ■ Ilustraremos la demostración del teorema exponiendo los pasos que deben realizarse en una matriz específica. Intercambiar. la pareja de afirmaciones “A es equivalente por filas a B” y “B es equivalente por filas a A” puede remplazarse por “A y B son equivalentes por filas”.Sec. De lo anterior se deduce que D es equivalente por filas a A. de modo que éste se encuentre ahora en la primera fila (renglón). 8 por lo que D es equivalente por filas a C. en caso necesario. TEOREMA 1. Procedimiento Paso 1. tal que no todas sus entradas sean cero. 4⎦ 7 El procedimiento para transformar una matriz a una forma escalonada reducida por filas es el siguiente. 2. Llamamos a esta nueva matriz A1. obtenemos ⎡ 2 4 8 2 D = ⎣1 −2 4 −3 7 ⎤ 6 3⎦ . para obtener una matriz en forma escalonada por filas que sea equivalente por filas a A. 2 ⎢0 A1 = ⎢ ⎣0 2 ⎡ Se intercambiaron la primera y tercera filas de A. ⎡ Paso 3. De acuerdo con 2. ■ Resulta fácil demostrar (ejercicio T.

66 Capítulo 1 Ecuaciones lineales y matrices Paso 4. . Así. 1 1 −5 1 2 ⎡ 0 0 2 3 ⎣0 2 3 −4 B= 0 −2 −1 7 Columna pivote de B Pivote 2 ⎤ 4 1⎦ 3 1 1 −5 1 2 ⎡ 0 2 3 −4 ⎣0 0 2 3 B1 = 0 −2 −1 7 Se intercambiaron la primera y la segunda filas de B. Llamamos a la nueva matriz A2. 1 1 1 −5 2 ⎢0 0 2 3 A3 = ⎢ ⎣0 2 3 −4 0 −2 −1 7 (−2) veces la primera fila de A2 se le sumó a su cuarta fila. . . 1 ⎢0 A2 = ⎢ ⎣0 2 ⎡ 1 −5 1 2 0 2 3 2 3 −4 0 −6 9 ⎤ 2 4⎥ ⎥ 1⎦ 7 La primera fila de A1 se multiplicó por 1 . Así. Repita los pasos 1 a 5 con B. la entrada de la primera fila del pivote y la columna pivote (donde estaba el pivote) es ahora un 1. todas las entradas de la columna pivote y las filas 2. Multiplicar la primera fila de A1 por el recíproco del pivote. . 2 Paso 5. para hacer que todas las entradas de la columna pivote. sean iguales a cero. . 2 2 ⎤ ⎥ 4⎦ 3 1 2 1 ⎡ 0 ⎢ B3 = ⎣0 0 1 −5 2 1 0 0 3 2 1 2 1 2 −2 2 3 2 3 ⎤ ⎥ 4⎦ 4 Se sumó 2 veces la primera fila de B2 se sumó 2 veces a su tercera fila . 3. ⎡ ⎤ 2 4⎥ ⎥ 1⎦ 3 Paso 6. Sumar los múltiplos apropiados de la primera fila de A2 a las demás filas. m se anulan. obtenida al ignorar o “tapar” la primera fila de A3. excepto aquella en entrada donde se encuentra el pivote. 2 ⎤ 1 4⎦ 3 1 1 −5 1 2 ⎡ 3 −2 0 1 2 ⎢ B2 = ⎣0 0 2 3 0 −2 −1 7 La primera fila de B1 se multiplicó por 1 . Llamamos a la nueva matriz A3. Identificar B como la submatriz de (m − 1) × n de A3.

La matriz. Sin embargo. obtenida al ignorar o “tapar” la primera fila de B3.6 Soluciones de sistemas de ecuaciones lineales 67 Paso 7. está en la forma escalonada por renglones. como en este caso no existe fila pivote en D. 2 3 Intercambie las filas 1 y 2 de A1 para obtener A2 = . que consiste en la matriz D y las filas sombreadas arriba de D. A continuación debe tratar de repetir los pasos 1 a 5 sobre D. 1 −2 1 −2 . 1 0 C= Columna pivote de C 1 −5 2 3 1 2 0 0 2 2 1 −2 3 3 Pivote 2 1 2 0 0 4 4 1 0 C1 = C2 = 0 0 1 −5 2 3 1 2 0 0 1 2 1 −2 3 3 2 2 1 2 2 4 No se intercambiaron las filas de C. Identificar C como la submatriz de (m − 2) × n. Paso 8. 3 1 Para determinar una matriz en forma escalonada por filas que sea equivalente por filas a A. modificamos el procedimiento anterior para evitar fracciones y procedemos como sigue. denotada por H. La primera fila de C se multiplicó por 1 .Sec. en ocasiones es posible evitar las fracciones mediante una modificación adecuada de los pasos del procedimiento. Sume (−1) veces la fila 1 a la fila 2 para obtener A1 = 2 3 . Identifique D como la submatriz de (m – 3) × n de C3. Repita los pasos 1 a 5 para C. 2 1 0 C3 = 0 0 1 −5 2 3 1 2 0 0 1 0 1 −2 0 3 2 2 1 2 2 0 La primera fila de C2 se sumó (−2) veces el primer renglón de C2 a su segunda fila. Sea A= 2 3 . hemos terminado. 1. 1 0 0 D= 0 ⎡ ⎢ ⎢0 H =⎢ ⎢0 ⎣ 0 1 1 1 −5 2 0 0 1 0 3 2 1 −2 3 2 2 2 0 ⎤ 2 1⎥ ⎥ 2⎥ 2⎥ ⎦ 0 ■ 1 2 0 1 −2 3 2 1 −5 2 1 0 0 3 2 1 0 0 Observación EJEMPLO 6 Cuando los cálculos se realizan de manera manual. no lo borre.

68 Capítulo 1 Ecuaciones lineales y matrices Sume (−2) veces la fila 1 a la fila 2 para obtener A3 = 1 −2 . El ejemplo siguiente se utilizará para ilustrar el procedimiento. Por lo tanto. para hacer cero todas las entradas por arriba del uno principal. iniciamos sumando − 3 2 veces la tercera fila de H a su segunda fila: ⎡ ⎢ ⎢0 ⎢ J1 = ⎢ ⎢0 ⎣ 0 Ahora. EJEMPLO 7 Solución Determine la forma escalonada reducida por filas de la matriz A del ejemplo 5. y cada una de ellas es equivalente por filas a A. Por ejemplo. que no está formada sólo por ceros. TEOREMA 1. ■ La matriz del teorema 1.6 Toda matriz de m × n es equivalente por filas a una única matriz en forma escalonada reducida por filas. En general. Iniciamos con la forma escalonada por filas H de A que obtuvimos en el ejemplo 5. Así. si A es una matriz dada. Omitiremos la demostración de que la matriz obtenida es única. si realizamos la operación siguiente en la matriz H del ejemplo 5. Sumamos múltiplos adecuados de cada fila de H. 2⎥ ⎦ 0 3 2 ⎥ 1⎥ 2⎥ ⎤ 0 que está en la forma escalonada por filas y es equivalente por filas a A. sumar (−1) veces la segunda fila de H a su primera fila. Observación Puede haber más de una matriz en forma escalonada que sea equivalente por filas a una matriz A dada. una matriz en forma escalonada por filas que es equivalente por filas a A se denomina forma escalonada por filas de A. 0 7 ■ una matriz que está en la forma escalonada y que es equivalente por filas a A. tanto H como W son matrices en la forma escalonada por filas. 3 1 2⎥ ⎦ 2 0 0 0 1 veces la tercera fila de J1 a su primera fila: ⎡ ⎢ ⎢0 ⎢ J2 = ⎢ ⎢0 ⎣ 0 1 1 1 0 0 0 0 1 0 19 4 − 17 4 3 2 ⎤ 7 ⎥ −5⎥ 2⎥ ⎥. sumamos 5 2 1 1 −5 2 1 0 0 ⎤ 2 ⎥ 0 − 17 − 5 ⎥ 4 2⎥ ⎥. obtenemos la matriz ⎡ 1 ⎢ ⎢0 ⎢ W =⎢ ⎢0 ⎣ 0 0 −4 1 0 0 3 2 3 −2 3 2 1 0 ⎥. Ilustraremos la demostración de este teorema llevando a cabo los pasos que deben realizarse sobre una matriz A específica para obtener una matriz en la forma escalonada reducida por filas equivalente a A. 2⎥ ⎦ 0 0 .6 se denomina forma escalonada reducida por filas de A.

Sus obras científicas incluyen importantes . 1. C d representa el sistema lineal Cx = d. B2. C2. . La idea central consiste en iniciar con el sistema lineal Ax = b. Si las matrices aumentadas A b y C d de estos sistemas son equivalentes por filas. Alemania. En la práctica. Sin embargo. . Sólo iniciamos con la matriz dada y la transformamos a la forma escalonada reducida por filas. Ahora. Ax = b. sin embargo. quien lo llamaba “contemplador de estrellas”. asimismo. . ■ TEOREMA 1. .1. y el conjunto de todas las soluciones para este sistema proporciona precisamente el conjunto de todas las soluciones para el sistema dado. Sean Ax = b y Cx = d dos sistemas lineales. B1. ■ Observación El procedimiento que se dio aquí para determinar la forma escalonada reducida por filas no es la única posible. .Sec. podríamos primero hacer cero todas las entradas por debajo del 1 principal y luego. Este procedimiento no es. ha sido uno de los matemáticos más famosos del mundo. sumamos (−1) veces la segunda fila de J2 a su primera fila: ⎤ ⎡ 1 0 0 9 19 2 ⎥ ⎢ ⎢0 1 0 − 17 − 5 ⎥ ⎢ 4 2⎥ K =⎢ ⎥. Como alternativa. obtener la matriz por bloques C d ya sea en la forma escalonada por filas o en la forma escalonada reducida por filas que sea equivalente por filas a la matriz aumentada A b . ■ Si A y C son dos matrices de m × n equivalentes por filas. . Durante su adolescencia realizó descubrimientos originales en teoría de números y comenzó a especular acerca de la geometría no euclidiana. cada uno con m ecuaciones y n incógnitas. Observe.1 Demostración Los resultados que tenemos hasta el momento nos proporcionan dos métodos para resolver sistemas lineales. que si un sistema no tiene solución. Esto es consecuencia de la definición de equivalencias por filas. Ejercicio T. Observe que en este ejemplo iniciamos con la fila inferior distinta de cero. con lo cual se obtiene un sistema lineal que tiene las mismas soluciones que el sistema dado. . ambos sistemas lineales tienen exactamente las mismas soluciones. . su genio logró impresionar lo suficiente a sus maestros como para que obtuviera del duque de Brunswick una beca para que pudiera asistir a la escuela secundaria local. . 3 ⎢0 0 1 2⎥ ⎦ ⎣ 2 0 0 0 0 0 que está en la forma escalonada reducida por filas y es equivalente por filas a A. Fue un niño prodigio incomprendido por su padre. no perdemos tiempo identificando las matrices A1. de manera inmediata. el otro tampoco. el método *Carl Friedrich Gauss (1777-1855) nacido en una familia pobre de obreros en Brunswick y muerto en Gotinga. los sistemas lineales Ax = 0 y Cx = 0 tienen exactamente las mismas soluciones. .3. hacer cero las entradas por arriba del 1 principal. tan eficiente como el que describimos previamente. . A2. etc. y del hecho de que las tres operaciones elementales por filas sobre la matriz aumentada resultan ser las tres modificaciones sobre un sistema lineal que se analiza en la sección 1. que es más fácil de resolver debido a la estructura más sencilla de C d . El método en donde C d está reducido a la forma escalonada por filas se denomina reducción de Gauss*-Jordan**.6 Soluciones de sistemas de ecuaciones lineales 69 Por último. y trabajamos hacia arriba para hacer ceros las entradas por encima de los 1 principales. RESOLUCIÓN DE SISTEMAS LINEALES A continuación aplicaremos estos resultados a la resolución de sistemas lineales.7 Demostración COROLARIO 1. C1. .

al italiano y al ruso. Transformar la matriz aumentada A b a su forma escalonada reducida por filas C d mediante operaciones elementales por filas. I. Este bosquejo biográfico se basa en el excelente artículo de S. el método de reducción de Gauss-Jordan ha sido ampliamente atribuido a Camille Jordan (1838-1922). a la geometría diferencial y al magnetismo. obtener una forma escalonada por filas C d de la matriz aumentada A b . Sus diarios y notas privadas contienen muchos otros descubrimientos que no publicó. Jordan fue un prolífico autor cuya obra principal. parece que el método fue descubierto también. el método alterno de Gauss-Jordan descrito en la observación anterior no es tan eficiente como el que se utilizó en los ejemplos 5 y 6. 1987. . En sus investigaciones utilizó un método que después se generalizó para la reducción por filas de una matriz. Formar la matriz aumentada A b . Formar la matriz aumentada A b . Paso 3.8. Resolver el sistema lineal correspondiente a C d por medio de sustitución hacia atrás (ilustrado en el ejemplo 11). Aunque dicho método se aplicaba en China desde casi 2000 años antes. Hombre austero y conservador que tuvo pocos amigos y una vida privada poco afortunada. se le consideraba un excelente maestro. Paso 2. Para cada fila distinta de cero de la matriz C d . Las filas que constan únicamente de ceros pueden ignorarse. Participó en la medición de varias regiones de Alemania. se preocupó mucho por dar el crédito de los descubrimientos científicos a sus fuentes originales. por B. Handbuch der Vermessungskunde (Manual de geodesia) fue traducido al francés. tenía cuidado de reconocerlo. del que hablaremos en la sección 1. de manera independiente y en la misma época. pues la ecuación correspondiente será satisfecha por cualesquiera valores de las incógnitas. páginas 130-142. lleva el nombre de este ilustre matemático en su honor.70 Capítulo 1 Ecuaciones lineales y matrices en donde C d está en la forma escalonada por filas se denomina eliminación de Gauss. un sacerdote avecindado en Luxemburgo. a la geografía matemática. Clasen. Althoen y R. matemático francés bastante conocido. Por medio de operaciones elementales por filas. Además. Paso 1. Paso 3. en este libro emplearemos el primer procedimiento con más frecuencia. En la práctica. ya que la ecuación correspondiente será satisfecha por cualesquiera valores de las incógnitas. Alemania. contribuciones a la teoría de números. C. además de magnífico autor. Hablando estrictamente. y cuando otros descubrían de manera independiente algunos resultados en sus notas privadas. Cuando sus estudios se basaban en resultados de otros. a la astronomía matemática. Asistió a la Universidad en Stuttgart y en 1868 se convirtió en profesor de tiempo completo de geodesia en la escuela técnica de Karlsruhe. Sin embargo la reducción de Gauss-Jordan y la eliminación de Gauss son útiles para resolver problemas de menos envergadura. Paso 2. 94. Los siguientes ejemplos ilustran el procedimiento de Gauss-Jordan. El procedimiento de reducción de Gauss-Jordan para resolver el sistema lineal Ax = b es el siguiente. “Gauss-Jordan reduction: A Brief History”. a la estadística. Paso 1. ** Wilhelm Jordan (1842-1899) nació en el sur de Alemania. Las filas que constan completamente de ceros se pueden ignorar. El procedimiento de eliminación gaussiano para resolver el sistema Ax = b es como sigue. Por desgracia. rápidamente reclamaba su propiedad. McLaughlin. ni la reducción de Gauss-Jordan ni la eliminación de Gauss se utilizan tanto como el método que implica la factorización LU de A. MAA Monthly. se despeja la incógnita correspondiente a la entrada principal de cada fila asociada con la entrada principal de esa fila.

Se sumó (−2) veces la segunda fila a su primera fila. 3 3 0 −1 Paso 2. 5 5 Se sumó 6 veces la segunda fila a su tercera fila.6 Soluciones de sistemas de ecuaciones lineales 71 EJEMPLO 8 Resolver el sistema lineal x + 2y + 3z = 9 2x − y + z = 8 3x − z=3 mediante la reducción de Gauss-Jordan. 1. 1 Se multiplicó la segunda fila por −− 1.Sec. La matriz aumentada de este sistema lineal es ⎡ ⎤ 1 2 3 9 ⎣2 −1 1 8⎦ . la matriz aumentada es equivalente por filas a la matriz ⎡⎡ ⎤⎤ 1 1 0 0 0 0 22 ⎣0 0 1 1 0 0 −1⎦⎦ ⎣ −1 0 0 0 0 1 1 33 en forma escalonada reducida por filas. −4 La tercera fila se multiplicó por − 1 1. (1) Solución Paso 1. Se sumó (−3) veces la tercera fila a su primera fila. (2) (2) . En consecuencia. Se sumó (−3) veces la primera fila a la tercera fila. . Ahora transformamos como sigue la matriz del paso 1 a su forma escalonada reducida por filas: 1 ⎣2 3 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ ⎤ 2 3 9 −5 −5 −10⎦ −6 −10 −24 ⎤ 2 3 9 1 1 2⎦ −6 −10 −24 ⎤ 2 3 9 1 1 2⎦ 0 −4 −12 ⎤ 2 3 9 1 1 2⎦ 0 1 3 ⎤ 2 3 9 1 0 −1⎦ 3 0 1 ⎤ 2 0 0 1 0 −1⎦ 0 1 3 ⎤ 0 0 2 1 0 −1⎦ 0 1 3 2 3 −1 1 0 −1 ⎤ 9 8⎦ 3 Se sumó (−2) veces la primera fila a la segunda. . 4 Se sumó (−1) veces la tercera fila a su primera fila.

Por lo tanto. El sistema lineal representado por (2) es x y y = −2 y yy y = −1 y y y yz = −3 de modo que la única solución del sistema lineal dado (1) es x = −2 y = −1 z = −3. Hemos ignorado la fila en (4). (5) Como r puede tener asignado cualquier número real en (5). ■ EJEMPLO 9 Resolver el sistema lineal x 2x 2x x + y + 5y + y − 3y + 2z − z − z + 2z − 5w − 9w + 3w + 7w = 3 = −3 = −11 = −5 (3) mediante la reducción de Gauss-Jordan. ya que consta completamente de ceros. una solución del sistema lineal (3) es x y z w = −5 − 2r = 2 + 3r = 3 + 2r = r. El sistema lineal representado en (4) es (4) x + 2w = −5 y − 3w = 2 z − 2w = 3. La matriz aumentada de este sistema lineal es ⎤ ⎡ 1 1 2 −5 3 5 −1 −9 −3⎥ ⎢2 . ⎣2 1 −1 3 −11⎦ 7 −5 1 −3 2 Paso 2. el sistema lineal dado (3) tiene una infinidad de soluciones. La matriz aumentada es equivalente por filas a la matriz (verifique) ⎡ ⎤ 1 0 0 2 −5 1 0 −3 2⎥ ⎢0 .72 Capítulo 1 Ecuaciones lineales y matrices Paso 3. cualquier número real. ⎣0 0 1 −2 3⎦ 0 0 0 0 0 que está en forma escalonada reducida por filas. si hacemos w = r. Paso 3. obtenemos x = −5 − 2w y = 2 + 3w z = 3 + 2w. Al despejar en cada ecuación la incógnita correspondiente a la entrada principal de cada fila de (4). Solución Paso 1. ■ .

La matriz aumentada es equivalente por filas a la matriz (verifique) 1 ⎢0 ⎣0 0 2 0 0 0 0 −3 1 0 0 0 0 0 0 −1 0 2 1 1 0 0 (7) Paso 3. 4⎦ 9 ⎤ 0 1⎥ . (8) donde r. una solución para el sistema lineal (6) es x1 x2 x3 x4 x5 x6 = r + 3s − 2t =t = 1 − 2r =s = 2−r = r. ■ El ejemplo siguiente ilustra el procedimiento de eliminación gaussiana y la sustitución hacia atrás. x4 = s y x2 = t. s y t son cualesquiera números reales. Haciendo x6 = r. Al despejar en cada ecuación la incógnita correspondiente a la entrada principal de cada fila de (7). el sistema lineal dado en (6) tiene una infinidad de soluciones. y como a r.6 Soluciones de sistemas de ecuaciones lineales 73 EJEMPLO 10 Resolver el sistema lineal x1 x1 x1 3x1 + 2x2 + 2x2 + x3 + 2x2 + 6x2 + x3 − 3x4 − 3x4 − 3x4 − 9x4 + x5 =2 + x5 + 2x6 = 3 + 2x5 + x6 = 4 + 4x5 + 3x6 = 9 (6) mediante la reducción de Gauss-Jordan. La matriz aumentada de este sistema lineal es ⎡ 1 ⎢1 ⎣1 3 ⎡ 2 2 2 6 0 1 0 1 −3 −3 −3 −9 1 1 2 4 0 2 1 3 ⎤ 2 3⎥ . (8) es la solución para el sistema lineal dado en (6). Solución Paso 1. El sistema lineal representado en (7) es x1 + 2x2 x3 − 3x4 − x6 = 0 + 2x6 = 1 x5 + x6 = 2. s y t se les puede asignar cualesquiera números reales.Sec. 2⎦ 0 Paso 2. obtenemos x1 = x6 + 3x4 − 2x2 x3 = 1 − 2x6 x5 = 2 − x6 . . 1. EJEMPLO 11 Resuelva mediante eliminación gaussiana el sistema lineal dado en el ejemplo 8. Así.

1 (10) Paso 3. y. y despejamos x para obtener x = 9 – 2y – 3z = 9 + 2 −9 = 2. y + z = 2. ■ . y = −1 y z = 3. Por último. Paso 3. x + 2y + 3z = 9. ■ EJEMPLO 12 Resolver el sistema lineal x + 2y + 3z + 4w = 5 x + 3y + 5z + 7w = 11 x − z − 2w = −6 mediante la reducción de Gauss-Jordan. el sistema lineal (9) dado no tiene solución. la solución es x = 2. sustituimos este valor de z en la ecuación que le precede. La última ecuación del sistema lineal representada en (10) es 0x + 0y + 0z + 0w = 1. La matriz aumentada del sistema es ⎡ 1 2 3 ⎣2 −1 1 3 0 −1 ⎤ 9 8⎦ . z y w que la satisfagan. La matriz aumentada es equivalente por filas a la matriz (verifique) ⎡ 1 ⎣0 0 0 −1 −2 1 2 3 0 0 0 ⎤ 0 0⎦ . la cual no tiene valores para x. (9) Solución Paso 1. y despejamos y para obtener y = 2 – z = 2 – 3 = −1.74 Capítulo 1 Ecuaciones lineales y matrices Solución Paso 1. En consecuencia. los valores para y y z que acabamos de obtener. 3 Paso 2. sustituimos en la primera ecuación. 0 0 1 3 Esta matriz aumentada corresponde al sistema lineal equivalente x + 2y + 3z = 9 y+ z=2 z = 3. La matriz aumentada de este sistema lineal es ⎡ 1 ⎣1 1 ⎤ 2 3 4 5 3 5 7 11⎦ . Después. 0 −1 −2 −6 Paso 2. En consecuencia. Una forma escalonada por filas de la matriz aumentada es (verifique) ⎡ ⎤ 1 2 3 9 ⎣0 1 1 2⎦ . El proceso de sustitución hacia atrás inicia con la ecuación z = 3.

. En lugar de resolver cada sistema de forma separada. Cada sistema lineal inconsistente produce la situación que se ilustra en el ejemplo 12. Vemos que un sistema homogéneo siempre es consistente. . la cual tiene unas filas cuyos primeros n elementos son iguales a cero. . Es decir. Los sistemas lineales de los ejemplos 8. . que tiene las mismas soluciones que el correspondiente sistema lineal dado. . Observaciones 1. Ax = bk. .Sec. am1 x1 + am2 x2 + · · · + amn xn = 0 (11) es un sistema homogéneo. . 1. . (12) . Conforme realizamos operaciones elementales por filas. un sistema lineal Ax = b en n incógnitas no tiene solución si y sólo si su matriz aumentada es equivalente por filas (renglones) a una matriz en forma escalonada reducida por filas o en forma escalonada por filas. . 2. .7.4). y cuyo (n + 1)-ésimo elemento es 1 (ejercicio T. . La forma escalonada reducida por filas d1 de esta matriz corresponde a los sistemas lineales Cx = d2. en el proceso de transformar la matriz aumentada a la forma escalonada reducida por filas podemos encontrarnos con una fila que tiene n entradas que son ceros y una entrada (n+1)-ésima distinta de cero. . A. . . x2. procedemos como sigue. b2 d2 ··· ··· bk . Los sistemas lineales que tienen por lo menos una solución se denominan consistentes. Una solución x1 . También podemos escribir (11) en forma matricial como Ax = 0. xn de un sistema homogéneo en donde no todas las xi se anulen es una solución no trivial. . SISTEMAS HOMOGÉNEOS Un sistema lineal de la forma a11 x1 + a12 x2 + · · · + a1n xn = 0 a21 x1 + a22 x2 + · · · + a2n xn = 0 . . pues siempre tiene solución trivial. . . 9 y 10 tuvieron por lo menos una solución. dk Cx = dk. a los sistemas lineales sin solución se les llama inconsistentes. Ax = b2. . mientras que el sistema del ejemplo 12 no tuvo solución alguna. con la misma matriz m × n de coeficientes. La solución x1 = x2 = · · · = xn = 0 del sistema homogéneo (12) se conoce como solución trivial. . podemos detener nuestros cálculos y concluir que el sistema lineal dado es inconsistente. Este enfoque será útil en la sección 6. .6 Soluciones de sistemas de ecuaciones lineales 75 El último ejemplo es característico de la forma en que un sistema lineal no tiene solución. Formamos la matriz aumentada de m × (n + k) A b1 C Cx =d1. En este caso. . En ocasiones es necesario resolver k sistemas lineales Ax = b1. Los ejercicios 35 y 36 le piden investigar esta técnica.

0 0 1 0 −1 1 1 que está en forma escalonada reducida por filas.) En consecuencia. ⎡ 1 1 ⎣1 0 1 2 es equivalente por filas (verifique) a ⎡ 1 0 ⎣0 1 0 0 (14) 1 0 1 1 1 0 ⎤ 0 0⎦ . 0 0 1 0 0 0 1 que está en forma escalonada reducida por filas. Por ejemplo. ■ EJEMPLO 14 Considere el sistema homogéneo x + y+z+w=0 x +w=0 x + 2y + z = 0. la solución de (13) es x = y = z = 0.76 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 13 Considere el sistema homogéneo x + 2y + 3z = 0 −x + 3y + 2z = 0 2x + y − 2z = 0. ⎡ ⎤ ⎡−2⎤ ⎡ ⎤ 1 1 1 1 0 ⎢ 2⎥ ⎣1 0 0 1⎦ ⎣ ⎦ = ⎣0⎦ . donde r es cualquier número real. La matriz aumentada de este sistema. Por lo tanto. la solución de (14) es x = −r y = −r z = −r w = −r. −2 1 2 1 0 0 2 (Verifique calculando el producto matricial del lado izquierdo. Esto es. 0 ⎤ 0 0⎦ . La matriz aumentada de este sistema. si hacemos r = 2. Por lo tanto. w=2 es una solución no trivial para este sistema homogéneo. 0 ⎤ 0 0⎦ . entonces x = −2. y = 2. z = −2. este sistema lineal tiene una infinidad de soluciones. ■ . lo cual significa que el sistema homogéneo (13) sólo tiene la solución trivial. ⎡ 1 ⎣−1 2 es equivalente por filas (verifique) a ⎡ 1 ⎣0 0 (13) 2 3 3 2 1 −2 ⎤ 0 0⎦ .

8 Un sistema homogéneo de m ecuaciones en n incógnitas siempre tiene una solución no trivial si m < n.) Sea Ax = b. con ello. Si m < n. si una de estas n – r incógnitas es distinta de cero.13. entonces m ≥ n. vea el ejercicio T. Entonces los sistemas homogéneos Ax = 0 y Cx = 0 son equivalentes. Ax = 0. Si A es m × n y Ax = 0 sólo tiene la solución trivial. es decir. y podemos despejar r incógnitas en términos de las n – r restantes. 3 + 2r ⎦ ⎣ 3⎦ ⎣ 2r ⎦ r 0 r Hacemos ⎡ ⎤ −5 ⎢ 2⎥ xp = ⎣ ⎦ 3 0 ⎡ y ⎤ −2r ⎢ 3r ⎥ xh = ⎣ . obtenemos una solución no trivial de Cx = 0 y. En consecuencia. b 0. entonces xp + xh es una solución del sistema dado Ax = b. Si r es el número de filas distintas de cero en C. concluimos que r < n.6 Soluciones de sistemas de ecuaciones lineales 77 El ejemplo 14 muestra que un sistema homogéneo puede tener una solución no trivial.Sec. de Ax = 0.2. Además. equivalente por filas a A. de modo que estas últimas pueden asumir cualquier valor. 1. si el número de incógnitas es mayor que el número de ecuaciones. (Vea la sección 9. entonces r ≤ m. Sea C la matriz en forma escalonada reducida por filas. 2r ⎦ r ⎡ .8 en la siguiente forma equivalente. donde xp es una solución particular del sistema no homogéneo dado y xh es una solución del sistema homogéneo asociado. Si hacemos ⎡ ⎤ x ⎢ y⎥ x = ⎣ ⎦. El siguiente teorema trata un caso donde esto ocurre. Demostración EJEMPLO 15 Considere el sistema lineal dado en el ejemplo 9. ■ También utilizaremos el teorema 1. Ax = 0. TEOREMA 1. Una solución para este sistema lineal estaba dada por x = −5 – 2r y = 2 + 3r z = 3 + 2r w = r. El siguiente resultado es importante en el estudio de las ecuaciones diferenciales. cada solución x del sistema lineal no homogéneo Ax = b puede escribirse como xp + xh. donde r es cualquier número real. Para una demostración. estamos resolviendo r ecuaciones en n incógnitas. un sistema lineal consistente. Así. z w la solución puede expresarse como ⎤ ⎡ ⎤ ⎡ ⎤ −5 − 2r −5 −2r ⎢ 2 + 3r ⎥ ⎢ 2⎥ ⎢ 3r ⎥ x=⎣ = + . Si xp es una solución particular del sistema no homogéneo dado y xh es una solución del sistema homogéneo asociado.

■ En este momento pueden estudiarse las secciones 2. xp es una solución particular del sistema dado y xh es una solución del sistema homogéneo asociado [verifique que Axp = b y Axh = 0. y2). así como el capítulo 11. y3). Por lo tanto. (x3. yn). a1 = −2. y 2. INTERPOLACIÓN POLINOMIAL Suponga que nos dan n puntos distintos (x1. EJEMPLO 16 Solución Determinar el polinomio cuadrático que interpola los puntos (1. an−1. (15) (16) En la sección 3. Además. Los n puntos dados pueden utilizarse para obtener un sistema lineal n × n. a0 = 4. es decir.17. y1). (xn.5. y1). . (3. y2). 7). . .. a1. 4). hay un único polinomio cuadrático de interpolación. obtenemos el sistema lineal 2 a2 x1 + a1 x1 + a0 = y1 2 a2 x2 + a1 x2 + a0 = y2 2 a2 x3 + a1 x3 + a0 = y3 . (x2. pasa por los tres puntos dados. existe un único polinomio de interpolación. cadenas de Markov.4. . Al sustituir los puntos dados en (15).78 Capítulo 1 Ecuaciones lineales y matrices Entonces x = xp + xh.. En ese caso tenemos dados los puntos (x1. circuitos eléctricos. Su gráfica. existe un único polinomio de interpolación de grado. En general. x1 x3 y x2 x3 y buscamos el polinomio y = a2x2 + a1x + a0. el polinomio que buscamos tiene la forma y = an−1 x n−1 + an−2 x n−2 + · · · + a1 x + a0 . . donde A es la matriz de coeficientes del ejemplo 9 y b es el lado derecho de la ecuación (3)]. n − 1 que pase por n puntos dados. ■ Observación Los sistemas homogéneos son especiales y desempeñan un papel clave en los últimos capítulos del libro. .2 demostraremos que el sistema lineal (16) tiene una única solución. a lo más. De acuerdo con ello. En consecuencia. (x2. el polinomio cuadrático de interpolación es y = x2 – 2x + 4. programación lineal. ¿Es posible determinar un polinomio de grado n – 1 o menor que “interpole” los datos. en los cuales se utiliza el material analizado en esta sección. Al plantear el sistema lineal (16) tenemos a2 + a1 + a0 = 3 4a2 + 2a1 + a0 = 4 9a2 + 3a1 + a0 = 7 cuya solución es (verifique) a2 = 1. Se puede demostrar que este sistema lineal tiene una única solución. que pase por los n puntos? De acuerdo con lo anterior. Consideremos a detalle el caso en que n = 3. cuyas incógnitas son a0. que se muestra en la figura 1. donde x1 x2. (2. 3). .

Los puntos de la placa cuya temperatura necesitamos conocer para este modelo se indican con puntos en la figura 1. Figura 1.Sec. T2 = 60°. en los cuatro puntos interiores igualmente espaciados en la placa. pero ésta puede ser diferente en cada lado. por lo que el único flujo de calor es a través de la placa misma. T3 = 40° y T4 = 35°. mismos que se muestran en la figura 1. 1.18. 60⎦ 40 Utilizando eliminación gaussiana o la reducción de Gauss-Jordan.6 Soluciones de sistemas de ecuaciones lineales 79 Figura 1. utilizamos la información siguiente. al este y al sur. La placa cuadrada está perfectamente aislada por arriba y por abajo. ■ . Para aproximar la temperatura en un punto interior de la placa. Por medio de la regla del promedio.18. 3. utilizamos la regla que promedia las temperaturas de sus cuatro puntos circunvecinos. i = 1. obtenemos las ecuaciones 100 T1 = T2 T4 60 T1 T3 0 40 60 + 100 + T2 + T3 4 T1 + 100 + 40 + T4 T2 = 4 60 + T1 + T4 + 0 T3 = 4 T3 + T2 + 40 + 0 T4 = 4 o o o o 4 T1 − T2 − T3 −T1 + 4T2 −T1 = 160 − T4 = 140 + 4T3 − T4 = 60 − T2 − T3 + 4T4 = 40. obtenemos la solución única (verifique) T1 = 65°. Para construir el sistema lineal adecuado. A continuación formaremos el sistema lineal para aproximar las temperaturas.17 12 10 8 6 4 2 0 –1 0 1 2 3 4 DISTRIBUCIÓN DE TEMPERATURA Un modelo sencillo para estimar la distribución de temperatura en una placa cuadrada da lugar a un sistema de ecuaciones lineales. Cada lado se mantiene a una temperatura constante. EJEMPLO 17 Solución Aproximar las temperaturas Ti. al oeste.18 La matriz aumentada para este sistema lineal es (verifique) 4 −1 −1 0 4 0 −1 ⎢−1 A b =⎣ −1 0 4 −1 0 −1 −1 4 ⎡ ⎤ 160 140⎥ . al norte. 2. 4.

La matriz aumentada del sistema lineal es 1 1 1 . • Si como resultado del proceso de resolución de un sistema consistente se puede asignar cualquier valor a una incógnita. EJEMPLO 18 Resolver el sistema lineal binario x+y=1 y=1 mediante la reducción de Gauss-Jordan. la forma escalonada reducida por filas de la matriz aumentada es la matriz 1 0 0 0 1 1 Paso 3. Esto es consecuencia de las propiedades aritméticas de la aritmética binaria. • Las operaciones elementales por filas (renglones) sobre matrices binarias son un intercambio de filas o la suma de una fila con otra.80 Capítulo 1 Ecuaciones lineales y matrices SOLUCIONES DE SISTEMAS LINEALES CON MATRICES BINARIAS (OPCIONAL) Las definiciones y teoremas que se desarrollan en esta sección son válidos para sistemas con matrices binarias. Por lo tanto. ■ EJEMPLO 19 Resolver el sistema lineal binario x +z=0 y =1 x +y+z=1 mediante la reducción de Gauss-Jordan. Los ejemplos 18 a 21 ilustran los conceptos de esta sección para tales sistemas. 0 1 1 Paso 2. El sistema lineal representado por (18) es x =0 y=1 (18) de modo que la solución única del sistema lineal (17) es x = 0. pero el número total de soluciones posibles dependerá del número de incógnitas que se puedan asignar de esta manera. Nos referiremos a tales sistemas como sistemas lineales binarios. (19) . y de las combinaciones lineales de matrices binarias que se analizaron previamente. Luego calculamos como sigue la forma escalonada reducida por filas de la matriz del paso 1: 1 1 1 0 1 1 1 0 0 0 1 1 Se sumó la segunda fila a la primera fila. (17) Solución Paso 1. y = 1. En el caso de sistemas lineales binarios se aplican las interpretaciones siguientes. podemos asignarle 0 o 1. Esto es. Tales sistemas tienen más de una solución. resulta imposible decir que tales sistemas tienen un número infinito de soluciones.

Por lo tanto. 1 1 1 1 Paso 2. ⎡ ⎤ ⎡ ⎤ 0 1 ⎣1⎦ o ⎣1⎦ . si hacemos z = b. el conjunto de soluciones para el sistema lineal (19) es x=b y=1 z = b. entonces “−z” es igualmente 0 o 1. 0 0 0 0 En consecuencia. ya sea 0 o 1. En consecuencia. (22) . Ahora calculamos como sigue la forma escalonada reducida por filas de la matriz del paso 1: ⎡ ⎤ 1 0 1 0 ⎣0 1 0 1 ⎦ 1 1 1 1 ⎡ ⎤ 1 0 1 0 ⎣0 1 0 1⎦ Se sumó la primera fila a la tercera fila.Sec.6 Soluciones de sistemas de ecuaciones lineales 81 Solución Paso 1. Como en (20) b es 0 o 1. obtenemos x = “−z” (el inverso aditivo de z) y = 1. el sistema lineal (19) tiene dos soluciones. (20) Al despejar en cada ecuación la incógnita que corresponde a la entrada principal de cada fila de (20). 1. 0 1 (21) ■ EJEMPLO 20 Resolver el sistema lineal binario x+y =0 x +y+z=1 x+y =1 mediante eliminación gaussiana. 0 1 0 1 ⎡ ⎤ 1 0 1 0 ⎣0 1 0 1⎦ Se sumó la segunda fila a la tercera fila. La matriz aumentada de este sistema lineal es ⎡ ⎤ 1 0 1 0 ⎣0 1 0 1 ⎦ . El sistema lineal representado por (20) es x y +z=0 = 1. la matriz aumentada es equivalente por filas a la matriz ⎡ ⎤ 1 0 1 0 ⎣0 1 0 1 ⎦ 0 0 0 0 Paso 3.

⎣1⎦ . entonces “−z” es igualmente 0 o 1. El sistema lineal representado por (23) es x+y =0 z=1 0 = 1. La matriz aumentada de este sistema lineal es ⎡ ⎤ 1 1 0 0 ⎣1 1 1 1 ⎦ . Por lo tanto. ■ (23) que es evidentemente inconsistente. EJEMPLO 21 Resolver el sistema homogéneo binario cuya matriz aumentada es ⎤ ⎡ 1 0 1 1 0 ⎣1 1 0 0 0 ⎦ 0 1 1 1 0 mediante reducción de Gauss-Jordan. existen cuatro posibles soluciones: ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 1 0 ⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎣0⎦ . Como existen dos opciones para z y dos para w. igual a 0 o a 1. Por lo tanto. (25) Al despejar en cada ecuación la incógnita que corresponde a la entrada principal de cada fila de (20). el conjunto de soluciones para el sistema lineal binario (25) es x = bz + b w y = bz + bw. La forma escalonada reducida por filas de la matriz aumentada es (verifique) ⎤ 1 0 1 1 0 ⎣0 1 1 1 0 ⎦ 0 0 0 0 0 ⎡ Paso 2. y bw es el elegido para w. (26) donde bz es el valor binario elegido para z. o ⎣1⎦ . (24) Solución Paso 1. Una forma escalonada por filas de la matriz aumentada es (verifique) ⎤ ⎡ 1 1 0 0 ⎣0 0 1 1 ⎦ . ⎣0⎦ .82 Capítulo 1 Ecuaciones lineales y matrices Solución Paso 1. (22) no tiene solución. 0 1 0 1 ■ . De manera análoga. En consecuencia. obtenemos x = “−z” + “−w” y = “−z” + “−w” (los inversos aditivos de z y de w) (los inversos aditivos de z y de w). El sistema lineal representado por (25) es x +z+w=0 y + z + w = 0. 0 0 0 1 Paso 3. si hacemos z = b. 1 1 0 1 Paso 2. w = b implica que w es 0 o 1.

que estudiaremos en la sección 2. También se espera que 45% de las personas que actualmente van en auto al trabajo opte por el transporte colectivo. Figura 1.19 b I c I d I voltios voltios a f e En el caso de este circuito.6 Soluciones de sistemas de ecuaciones lineales 83 Vista preliminar de una aplicación Circuitos eléctricos (sección 2.65 0. 1. En términos de probabilidades. hay que determinar las corrientes desconocidas I1. I3 0 1 5 12 En la sección 2.4. mientras que 65% seguirá empleando el servicio público. determinamos que I1.Sec. I2 e I3 (en amperes) a partir de los valores de la resistencia (en ohms) a lo largo de cada resistor.55 . En consecuencia.5) Considere el siguiente problema: las autoridades de una ciudad en donde se acaba de inaugurar un nuevo sistema de transporte público han predicho que cada año 35% de quienes lo emplean para ir al trabajo volverán a utilizar su auto.4 se presenta una breve introducción a estos circuitos eléctricos.45 . la probabilidad de que alguien que ahora utiliza el sistema de transporte público vuelva a conducir es de 0. mientras que 55% continuará manejando. Cadenas de Markov (sección 2.35 0. Al aplicar dos leyes fundamentales de la física.19 muestra el ejemplo de un circuito eléctrico.19). I2 e I3 deben satisfacer el sistema lineal ⎡ ⎤⎡ ⎤ ⎡ ⎤ 1 1 −1 0 I1 ⎣1 −2 0⎦ ⎣ I2 ⎦ = ⎣−16⎦ . 0. resistores (como los bulbos) y cables que los conectan.4) Un circuito eléctrico es una conexión cerrada de baterías (pilas). y el potencial electrostático (en voltios) a lo largo de cada batería (como se muestra en la figura 1. Las baterías y los resistores se denotan por escrito como Baterías Resistores La figura 1.35. podemos ilustrar el comportamiento esperado de los viajeros mediante la matriz A= 0.

satisfaciendo al mismo tiempo las siguientes restricciones: 1 x 2 1 x 2 + 1 y ≤ 100 4 + 3 y ≤ 120 4 x ≥0 y ≥ 0.35 0. Entonces. digamos.4 son cadenas de Markov. Si tiene 100 libras de café de Colombia y 120 de Kenia.5 nos permiten resolver éstos y muchos otros problemas semejantes. un área reciente de las matemáticas aplicadas que estudiaremos en el capítulo 11. Este problema se puede resolver fácilmente mediante las técnicas de programación lineal. Suponiendo que la población de la ciudad permanecerá constante durante mucho tiempo. Cada libra de la mezcla regular consta de 1 libra de ca2 fé colombiano y 1 libra de café keniano.84 Capítulo 1 Ecuaciones lineales y matrices que denota la información siguiente: Modo de transporte el siguiente año Modo de transporte este año Transporte público Transporte público Automóvil Automóvil 0. tres años? • ¿Qué porcentaje de usuarios utilizarán cada medio de transporte a largo plazo? Esta clase de problema y el que se describe en el ejemplo 9 de la sección 1. mientras que 85% prefiere su auto. haciendo que x denote el número de libras de mezcla regular y y el número de libras de mezcla de lujo a procesar. Cada libra de la mezcla de lujo consta de 1 de 2 4 libra de café de Colombia y 3 de libra de café de Kenia. Programación lineal (capítulo 11) El siguiente es uno de los problemas que suelen presentarse en los procesos de manufactura: Una procesadora de café utiliza granos de Colombia y de Kenia para preparar una mezcla regular y otra de lujo.45 0. . nuestro problema puede enunciarse como sigue: Determinar valores de x y y que hagan que la expresión z = 2x + 3y sea lo más grande posible.65 0.55 Cuando el sistema se pone en operación. a las autoridades responsables del sistema de transporte público les gustaría responder las siguientes preguntas: • ¿Cuál es el porcentaje de los usuarios de cada medio de transporte después de. Las técnicas que analizaremos en la sección 2. ¿cuántas libras de cada mezcla debe producir para lograr la máxima utilidad posible? Primero traduciremos este problema a una forma matemática. 15% de la gente utiliza el transporte público. La procesadora obtendrá una 4 ganancia de 2 dólares por cada libra de la mezcla regular y 3 por cada libra de la mezcla de lujo.

o en ninguna de las dos. (c) Sumar (−3) veces la primera fila a la cuarta. en la forma escalonada por filas.6 Soluciones de sistemas de ecuaciones lineales 85 Términos clave Forma escalonada reducida por filas Uno principal (entrada principal) Forma escalonada por filas Operación elemental por filas Equivalente por filas Forma escalonada reducida por filas de una matriz Forma escalonada por filas de una matriz Reducción de Gauss-Jordan Eliminación de Gauss Sustitución hacia atrás Sistema lineal consistente Sistema lineal inconsistente Sistema homogéneo Solución trivial Solución no trivial Sistemas lineales binarios 1. ⎣ 0 0 0 1 0⎦ 0 0 0 0 0 ⎡ ⎤ 0 1 0 0 5 0 1 0 4⎦ 8. 4 12. ⎡ ⎤ 1 0 0 0 −3 0 1 0 4⎦ 1. determine si la matriz dada está en la forma escalonada reducida por filas. Determine tres matrices que sean equivalentes por filas a ⎡ ⎤ 4 3 7 5 ⎣−1 2 −1 3⎦ . Determine tres matrices que sean equivalentes por filas a ⎡ 2 A = ⎣0 5 −1 1 2 3 2 −3 ⎤ 4 −1⎦ . ⎣ 0 0 0 1 3⎦ 0 0 0 0 0 ⎡ ⎤ 0 1 0 0 2 0 0 0 −1⎥ ⎢0 ⎢ ⎥ 0 0 1 4⎥ 4. ⎣ 0 0 1 −4⎦ 0 0 0 0 ⎡ ⎤ 1 0 0 1 1 0 2⎥ ⎢0 6. ⎣0 0 1 0 −2 3 9. ⎣0 0 0 0 −1 3 ⎡ ⎤ 1 0 0 0 2 0 1 0 0⎥ ⎢0 3. ⎣0 0 0 0 1 2 ⎡ ⎤ 0 1 0 0 5 0 1 0 −4⎦ 2. 2 0 1 4 En los ejercicios 13 a 16. determine una forma escalonada por filas para la matriz dada en cada caso. 1 Determine las matrices que se obtienen al realizar las siguientes operaciones elementales por filas en A. (b) Multiplicar la segunda fila por (−4).6 Ejercicios En los ejercicios 1 a 8. ⎣ 0 0 0 −1⎦ 0 0 0 0 ⎡ ⎤ 0 0 0 0 0 0 1 2 −3⎥ ⎢0 7. Sea 2 A=⎣ 3 −1 ⎡ 0 −2 3 4 5 1 ⎤ 2 6⎦ . ⎢0 ⎣0 0 0 0 0⎦ 0 0 0 0 1 ⎡ ⎤ 1 2 3 1 1 2 3⎥ ⎢0 5. 10.Sec. (a) Intercambiar la segunda y cuarta filas. ⎣ 0 1 2 −1⎦ 2 3 0 −3 ⎡ ⎤ 2 −1 0 1 4 1 4 −3⎥ ⎢ 1 −2 16. 11. 1. ⎢1 ⎣1 1 0 2⎦ 2 −6 −2 1 ⎡ ⎤ 1 2 −3 1 0 3 4⎥ ⎢−1 15. 2⎦ 5 Determine las matrices que se obtienen al realizar las siguientes operaciones elementales por filas en A. . Sea (b) Multiplicar la tercera fila por 3. ⎣ 5 −4 1 6 5⎦ −7 8 −3 −14 1 1 ⎢−3 A=⎣ 4 5 ⎡ 0 1 2 −1 ⎤ 3 4⎥ . ⎣ 1 3 −1 2⎦ 3 2 4 1 ⎡ ⎤ 1 −2 0 2 5⎥ ⎢2 −3 −1 ⎢ ⎥ 3 2 5⎥ 14. ⎡ ⎤ 0 −1 2 3 3 4 5⎥ ⎢2 13. (a) Intercambiar la segunda y tercera filas. (c) Sumar 2 veces la tercera fila a la primera.

⎡ ⎤ ⎡ ⎤ 5 1 ⎢−3⎥ ⎢2⎥ (b) x = ⎣ ⎦ (a) x = ⎣ ⎦ 5 3 2 4 ⎡ ⎤ 1 ⎡ ⎤ 1 ⎢ ⎥ ⎢− 3 ⎥ ⎢ 0⎥ ⎢ 5⎥ (d) x = ⎣ ⎦ (c) x = ⎢ ⎥ 0 ⎢ 1⎥ ⎣ ⎦ −1 2 5 (c) 2x 3x x x x (d) x + 2y − z = 0 2x + y + z = 0 5x + 7y + z = 0 En los ejercicios 23 a 26. Para cada una de las matrices de los ejercicios 13 a 16. 18. determine la forma escalonada reducida por filas de la matriz dada. En los ejercicios 20 a 22. (a) x + y + 2z + 3w = 13 x − 2y + z + w = 8 3x + y + z − w = 1 x +y+ z=1 x + y − 2z = 3 2x + y + z = 2 + y + z − 2w − 2y + z − 6w + y− z− w + z − 9w − y + 2z − 8w = 1 = −2 = −1 = −2 = 3 17. ⎡ ⎤ 1 1 1 0 1 0 3⎦ 27. x + y + z=2 x + 2y + z=3 x + y + (a 2 − 5)z = a 26. −2 (b) En cada parte. x + y=3 x + (a 2 − 8) y = a En los ejercicios 27 a 30.86 Capítulo 1 Ecuaciones lineales y matrices 21. resuelva el sistema lineal con la matriz aumentada dada. b = ⎣1⎦ −3 1 19. determine si x es una solución para el sistema homogéneo Ax = 0. 3 En cada parte. (a) ⎣1 0 1 1 1 (c) (d) x+ y+ z x + z 2x + y − 2z x + 5y + 5z . determine si x es una solución para el sistema lineal Ax = b. y (c) tenga una infinidad de soluciones. x + y − z=2 x + 2y + z=3 x + y + (a 2 − 5)z = a 24. Sea 1 A = ⎣−1 2 ⎡ 2 1 1 ⎤ 1 2⎦ . 23. b = 0 3 0 ⎡ ⎤ ⎡ ⎤ −1 3 (c) x = ⎣ 1⎦. ⎡ ⎤ ⎡ ⎤ 1 0 (b) x = ⎣0⎦. determine todas las soluciones del sistema lineal dado en cada caso. (a) x + y + 2z = −1 x − 2y + z = −5 3x + y + z = 3 x + y + 3z + 2w = 7 2x − y + 4w = 8 3y + 6z =8 x x 2x 4x 5x + 2y − 2y + 3y + 3y + 2y − 4z + 3z − z − 2z − 6z = 3 = −1 = 5 = 7 = 7 =0 =0 =0 =0 (b) 25. Sea (c) 2x 3x x 6x 5x (d) x + 2y + 3z − w = 0 2x + y − z + w = 3 x− y + w = −2 2x − y + z = 3 x − 3y + z = 4 −5x − 2z = −5 x +y+z+ w=6 2x + y − z =3 3x + y + 2w = 6 − y + y − y + 5y − 7y + z − 2z + z + 7z − 5z = 3 =− 2 = 7 = 13 = 12 22. x+ y+ z=2 2x + 3y + 2z = 5 2x + 3y + (a 2 − 1)z = a + 1 20. b = ⎣ 6⎦ 2 −5 ⎡ ⎤ ⎡ ⎤ 1 3 (d) x = ⎣ 2⎦. b = 0 (a) x = ⎣2⎦. (b) tenga una solución única. determine todos los valores de a para los que el sistema lineal resultante (a) no tenga solución. (a) (b) 1 A=⎣ 1 −1 ⎡ 2 3 2 −1 0 1 ⎤ 3 2⎦ .

resuelva los sistemas lineales Ax = b1 y Ax = b2 por separado. −4 37. y luego obtenga la forma escalonada reducida por filas de la matriz aumentada [A | b1 b2]. b2 = ⎣ 6⎦ 36. Determine una ecuación que relacione a. Sea f : R3 → R3 la transformación matricial definida por 1 A = ⎣1 0 0 1 1 ⎤ 5 1⎦ . y y z tales que f ⎝⎣ y ⎦⎠ = ⎣ 5⎦.6 Soluciones de sistemas de ecuaciones lineales 87 (b) 28. z −1 32. y y z tales que f ⎝⎣ y ⎦⎠ = ⎣2⎦. ⎤ 0 3⎦ −1 35. (a) (b) 1 ⎢1 ⎣1 1 ⎡ 1 ⎣1 5 ⎡ 1 ⎢2 ⎢ ⎢1 ⎣1 2 ⎡ 1 ⎣1 1 ⎡ 1 ⎢2 ⎣3 3 ⎡ 4 ⎣3 5 ⎡ 1 ⎣0 1 ⎡ 2 1 1 3 2 1 7 2 0 0 2 1 2 3 0 −2 −1 0 −3 2 3 1 1 2 0 3 1 2 3 3 1 9 1 1 2 3 4 3 0 2 3 −3 1 0 −1 6 −8 3 1 2 ⎤ 0 0⎥ 0⎦ 0 ⎤ 0 0⎦ 0 ⎤ 7 4⎥ ⎥ 5⎥ 11⎦ 12 1 1 1 ⎤ 4 5⎥ 2⎦ 7 ⎤ 5 1⎦ 8 −3 −3 −1 ⎤ 8 7⎦ 3 Determine una ecuación que relacione a. 2 z ⎛⎡ ⎤⎞ ⎡ ⎤ 2 x Determine x. b y c de modo que el sistema lineal ⎛⎡ ⎤⎞ ⎡ x 4 f ⎝⎣ y ⎦⎠ = ⎣2 z 2 1 −1 2 ⎤⎡ ⎤ 3 x 3⎦ ⎣ y ⎦ . 0 z 2x + 2y + 3z = a 3x − y + 5z = b x − 3y + 2z = c Sea consistente para cualesquiera valores de a. y y z para los que ⎛⎡ ⎤⎞ ⎡ ⎤ x a f ⎝⎣ y ⎦⎠ = ⎣b⎦ . A = ⎣−3 12 −10 4 −2 3 1 2 ⎡ En los ejercicios 37 y 38. Sea f : R3 → R3 la transformación matricial definida por x + 2y − 3z = a 2x + 3y + 3z = b 5x + 9y − 6z = c sea consistente para cualesquiera valores de a.* 39. b y c de modo que siempre podamos calcular los valores de x. z c En los ejercicios 35 y 36. b2 = 3 −8 −5 ⎡ ⎤ ⎡ ⎤ ⎤ 3 −4 1 −2 0 2 −1⎦. (a) (b) 29. Determine una solución no trivial del sistema homogéneo (−4I3 − A)x = 0. 40. b y c de modo que el sistema lineal ⎛⎡ ⎤⎞ ⎡ x 1 f ⎝⎣ y ⎦⎠ = ⎣−3 z −2 2 −2 0 ⎤⎡ ⎤ 3 x −1⎦ ⎣ y ⎦ . 1. Sea f : R3 → R3 la transformación matricial definida por ⎛⎡ ⎤⎞ ⎡ ⎤⎡ ⎤ x 1 2 3 x f ⎝⎣ y ⎦⎠ = ⎣−3 −2 −1⎦ ⎣ y ⎦ . y y z para los que ⎛⎡ ⎤⎞ ⎡ ⎤ x a f ⎝⎣ y ⎦⎠ = ⎣b⎦ . b1 = . z −2 0 2 z Determine una ecuación que relacione a. 4 z 33. A = 31. Sea f : R3 → R3 la transformación matricial definida por ⎛⎡ ⎤⎞ ⎡ x 4 f ⎝⎣ y ⎦⎠ = ⎣2 z 2 1 −1 2 ⎤⎡ ⎤ 3 x 3⎦ ⎣ y ⎦ . Determine una ecuación que relacione a. b y c que satisfagan esa ecuación. b y c que satisfagan esa ecuación. (a) (b) 30. b1 = ⎣−7⎦. . z c 34.Sec. *Este tipo de problemas desempeñará un papel importante en el capítulo 8.* 38. Determine una solución no trivial del sistema homogéneo (2I3 − A)x = 0. sea ⎡ ⎛⎡ ⎤⎞ ⎡ ⎤ x 4 Determine x. 0 z −1 1 5 . Compare sus respuestas. b y c de modo que siempre podamos calcular los valores de x.

(1. i = 1.) 30 A= 2 1 1 ∗ . 51. Se requieren 12 minutos para lijar una mesa para café. (2. donde xp es una solución particular del sistema dado y xh es una solución para el sistema homogéneo asociado. 4 para la placa que se muestra en la figura. resuelva el sistema lineal dado y escriba la solución x como x = xp + xh. 2 [Sugerencia: escriba la ecuación matricial Ax = 4x como 4x – Ax = (4I2 – A)x = 0 y resuelva el sistema homogéneo. tal que Ax = 3x. donde ⎡ ⎤ 1 2 −1 0 1⎦ . 8). 5). donde ⎡ ⎤ 1 2 −1 ∗ 0 1⎦ . 2. edición para club de lectores y edición de lujo. Determine una matriz x de 2 × 1 cuyas entradas no sean todas nulas. (5. (Se requiere cálculo) Construya un sistema de ecuaciones lineales para determinar un polinomio cuadrático p(x) = ax2 + bx + c que satisfaga las condiciones p(1) = f (1). (a) x + y +w=0 x +z+w=1 y+z+w=1 58. (−1. 49. 55. 45.] 42.2). determine el polinomio cúbico que interpole los puntos dados. Determine una matriz x de 3 × 1 cuyas entradas no sean todas nulas. ¿Cuántas unidades de cada mueble deben fabricarse por semana de modo que las mesas de trabajo se utilicen a toda su capacidad? 52. 8). Cada libro en edición de lujo necesita 3 minutos para el cosido y 5 para el pegado. Determine una matriz x de 2 × 1 cuyas entradas no sean todas cero. (Se requiere cálculo) Construya un sistema de ecuaciones lineales para determinar un polinomio cuadrático p(x) = ax2 + bx + c que satisfaga las condiciones p(0) = f (0). x − y − 2z + 3w = 4 3x + 2y − z + 2w = 5 − y − 7z + 9w = −2 50 T1 T3 0 T2 T4 50 En los ejercicios 47 y 48. A = ⎣1 4 −4 5 En los ejercicios 45 y 46. (1. 2). donde zarla. (−2. En los ejercicios 49 y 50. donde A= 4 0 1 . el de pintura 11 horas a la semana y el de barnizado 18 horas. 3). 50. ocho para pintarla y 12 para barni- En los ejercicios 56 a 59. (2. 34). (−1. 10). 54. 6 para pintarla y 12 para barnizarla. x 2x x 4x + 2y + y + 2y + 5y − z − 2z + 3z − 4z − 2w + 3w + 4w − w =2 =2 =5 =6 46. 3. (1. (Vea el ejemplo 17. tal que Ax = 1x. p (1) = f (1) y p (1) = f (1). mesas para café y mesas para comedor. p (0) = f (0) y p (0) = f (0). ¿cuántos libros de cada presentación se pueden producir por día de modo que las plantas se aprovechen a toda su capacidad? 53. A = ⎣1 4 −4 5 44. 47. Determine las temperaturas en los puntos interiores Ti. 2). determine el polinomio cuadrático que interpole los puntos dados. Un ebanista fabrica sillas. Son necesarios 15 minutos para lijar una mesa para comedor. (2. 12 para pintarla y 18 para barnizarla. −6). Cada libro de la edición para el club de lectores necesita 2 minutos para el cosido y 4 para el pegado. 56. 44). resuelva los sistemas lineales binarios. 48. Si la planta de cosido está disponible 6 horas diarias y la planta de pegado 11 horas. donde f (x) = e 2 x. 2). (3. tal que Ax = 4x. (1. Un editor publica un posible éxito de librería en tres presentaciones distintas: libro de bolsillo. (a) x + y + z =1 y+z+w=1 x +w=1 (b) x + y + z = 1 x +z=0 y+z=1 (b) x + y =0 x+y+z =1 x +y+z+w=0 (b) x + y + z =0 y+z+w=0 x +w=0 *Este tipo de problemas desempeñará un papel importante en el capítulo 8. 0). (3. (3. 12). 2 43. tal que Ax = 3x. (a) x + y + z = 0 y+z=1 x+y =1 57. .88 Capítulo 1 Ecuaciones lineales y matrices 41. Determine una matriz x de 3 × 1 cuyas entradas no sean todas nulas. Cada libro de bolsillo necesita un minuto para el cosido y 2 para el pegado. El centro de lijado está disponible 16 horas a la semana. Se necesitan 10 minutos para lijar una silla. donde f (x) = xe x−1.

(b) Demuestre que toda solución x del sistema lineal no homogéneo Ax = b puede escribirse como xp + xh. que tenga una fila cuyos primeros n elementos son iguales a cero y cuyo (n + 1)-ésimo elemento es igual a 1. Demuestre el corolario 1. (b) Demuestre que u – v es una solución. donde ⎡ ⎤ ⎡ ⎤ 1 1 0 0 (a) A = ⎣0 1 0⎦. demuestre que r u + sv es una solución. donde xp es una solución particular del sistema lineal no homogéneo y xh es una solución para el sistema homogéneo asociado Ax = 0.6 Soluciones de sistemas de ecuaciones lineales 89 59. T. un sistema lineal consistente. Demuestre que el sistema lineal Ax = b. demuestre que ru es una solución. Resuelva el sistema lineal binario Ax = c.11. (c) Si A es equivalente por filas a B y B es equivalente por filas a C. Demuestre que los valores de λ para los que el sistema homogéneo (a − λ)x + by = 0 cx + (d − λ)y = 0 tiene una solución no trivial. T. entonces xp + xh es una solución para el sistema dado Ax = b.] T. (c) Para cualquier escalar r. T. entonces B es equivalente por filas a A.5.2. d A= a c .12.5 para determinar si A es equivalente por filas a I2. (b) Sea A una matriz de 2 × 2 con una fila que consta totalmente de ceros.3. (d) Para cualesquiera escalares r y s.6. Sea A una matriz en n × n en forma escalonada reducida por filas.4.13. entonces A tiene una fila que consta totalmente de ceros. Use el ejercicio T. Demuestre que las propiedades (a).c=⎣ ⎦ 1⎦ 0 0 0 Ejercicios teóricos T.1. Sean u y v soluciones del sistema lineal homogéneo Ax = 0. c = ⎣1⎦ 1 1 1 0 1 ⎢1 (b) A = ⎣ 0 0 ⎡ 1 0 0 1 0 1 1 1 ⎤ ⎡ ⎤ 1 1 1⎥ ⎢0⎥ . Ax = 0. (a) Sea A= a ka b .8. Sea Ax = b. T. T. no tiene soluciones si y sólo si su matriz aumentada es equivalente por filas a una matriz en forma escalonada reducida. (a) Demuestre que u + v es una solución. T. a A= c b . (b) Si A es equivalente por filas a B. satisfacen la ecuación (a − λ)(d − λ)− bc = 0. entonces A es equivalente por filas a C. Sea sen θ . Demuestre que si u y v son soluciones del sistema lineal Ax = b.9. cos θ b .7. entonces todas las demás entradas de esa columna debajo de la entrada principal son iguales a cero.14. Demuestre que si A no es igual a In. kb Utilice el ejercicio T.) T. Demuestre que: (a) Toda matriz es equivalente por filas a sí misma.1. Justifique la segunda observación que sigue al ejemplo 12. b 0. Determine la matriz en forma escalonada reducida por filas que sea equivalente por filas a la matriz cos θ −sen θ T.10. (a) Demuestre que si xp es una solución particular del sistema no homogéneo dado y xh es una solución para el sistema homogéneo asociado Ax = 0. T. (b) y (c) por sí solas [excluyendo (d)] de la definición de la forma escalonada reducida por filas de una matriz A.Sec. T.8. entonces u – v es una solución para el sistema homogéneo asociado. 1.5 para determinar si A es equivalente por filas a I2. d Demuestre que A es equivalente por filas a I2 si y sólo si ad – bc 0. [Sugerencia: sea x = xp + (x − xp). (Sugerencia: vea el ejercicio T. T. donde A es de n × n. T. implican que si una columna de A contiene una entrada principal de alguna fila. Sea Demuestre que el sistema homogéneo Ax = 0 sólo tiene la solución trivial si y sólo si ad – bc 0.

Hill. ML. (a) Utilice \ para resolver el ejercicio 27(a).8. 1988. 1 (a) Multiplique la fila 1 por 4 .2.90 Capítulo 1 Ecuaciones lineales y matrices Ejercicios con MATLAB Para emplear MATLAB en esta sección. (b) Sume (− 1 ) veces la fila 1 a la fila 2.7).15. Sea A= 4 ⎢−3 A=⎣ 1 5 ⎡ 2 1 0 −1 ⎤ 2 4⎥ . A = ⎣4 7 8 9 0 Los ejercicios ML. ML. y luego aplique la instrucción reduce (5*eye(size(A)) A). (e) Intercambie las filas 2 y 4. (c) Sume (−1) veces la fila 1 a la fila 3. Utilice \ y rref para resolver Ax = b. [Sugerencia: en MATLAB. Nueva York.3. ML. 6⎦ 1 4 ⎤ Determine las matrices obtenidas al realizar las siguientes operaciones por filas. introduzca la matriz A. empleando el operador de dos puntos. en forma sucesiva. [Sugerencia: en MATLAB. Realice las operaciones por filas de manera directa. ML. El comando con el símbolo de diagonal invertida.14. (a) Multiplique la fila 1 por 2.6. ML. ML. Para más detalles acerca del comando. Resuelva cada uno de los ejercicios de demostración integrados en la rutina binreduce. Utilice reduce para determinar la forma escalonada reducida por filas de la matriz A del ejercicio ML. (d) Sume (−5) veces la fila 1 a la fila 4. donde ⎡ ⎤ ⎡ ⎤ 1 2 3 1 5 6⎦ .1.4.13. ML.4. ML. (b) Sume 3 veces la fila 1 a la fila 2. introduzca la matriz A. Utilice binreduce para obtener la forma escalonada reducida por filas de las matrices aumentadas binarias de los ejercicios 56 a 59.1.16 utilizan matrices binarias y los comandos adicionales descritos en la sección 12. 3⎦ 5 1 5 5 .14 a ML. Una vez que la matriz de coeficientes A y el lado derecho b se introducen a MATLAB. ML. no usa la forma escalonada reducida por filas.9. Sea ⎡ A= 1 ⎢2 ⎢1 ⎣3 1 1 3 1 4 1 2 1 4 1 5 1 3 1 5 ⎥ 1⎥ . Utilice reduce para determinar todas las soluciones del sistema lineal del ejercicio 20(b).) ML.7. \. El comando \ se comporta de manera diferente que rref.9. Utilice rref en MATLAB para resolver los sistemas lineales en los ejercicios 27 y 28. hasta la sección 12. utilizando el operador de dos puntos. MATLAB tiene un comando inmediato para resolver los sistemas lineales cuadrados Ax = b.] ML. b = ⎣0⎦ . en forma sucesiva. Utilice reduce para determinar la forma escalonada reducida por filas de la matriz A del ejercicio ML. 3 (c) Sume (−1) veces la fila 1 a la fila 3. sobre la matriz A. sino que inicia la ejecución de ciertos métodos numéricos que se analizan en un curso de análisis numérico.12.] . ML. ML. Sea ML.11. (b) Utilice \ para resolver el ejercicio 21(b). (d) Intercambie loas filas 2 y 3. ML. Utilice reduce para determinar todas las soluciones del sistema lineal del ejercicio 27(b). 1 Utilice reduce para determinar una solución no trivial del sistema homogéneo (−4I2 – A)x = 0.5. Realice las operaciones por filas de manera directa. Sea A= 1 2 2 . Determine las matrices obtenidas al realizar las siguientes operaciones por filas. (Introduzca el comando binreduce y luego la opción < 1 > para seleccionar una demostración. Utilice reduce para determinar todas las soluciones del sistema lineal del ejercicio 21(a). vea D. el comando x = A\b despliega la solución. y luego determine la solución para el sistema lineal correspondiente. ML. debe haber leído antes el capítulo 12. Random House. 4 Utilice reduce para determinar una solución no trivial del sistema homogéneo (5I2 − A)x = 0. y luego aplique la instrucción reduce( 4*eye(size(A)) A).10. Utilice binreduce para obtener la forma escalonada reducida por filas de la matriz aumentada binaria ⎡ ⎤ 1 1 0 0 1 1 ⎣1 0 1 0 0 1⎦ 1 1 1 1 1 0 y luego determine la solución del sistema lineal correspondiente. R. Utilice reduce para determinar todas las soluciones del sistema lineal del ejercicio 28(a).2. sobre la matriz A. siempre y cuando A sea no singular (vea la definición al principio de la sección 1.16. Experiments in Computational Matrix Algebra.

hacemos 1 3 a c 2 . Así.9 Demostración Si una matriz tiene inversa. 4 b ..Sec. La matriz B se denomina inversa de A. 1. ■ TEOREMA 1. Sean B y C inversos de A. d b 1 = I2 = d 0 0 1 0 . DEFINICIÓN Una matriz A de n × n es no singular (o invertible) si existe una matriz B de n × n tal que AB = BA = In. Si no existe tal matriz B. concluimos que B es una inversa de A y que A es no singular. AA–1 = A–1A = In. obtenemos los sistemas lineales a + 2c = 1 3a + 4c = 0 y b + 2d = 0 3b + 4d = 1. Ahora escribiremos la inversa de A. 1 −1 AB = BA = I2. la inversa es única. y formularemos el concepto correspondiente al recíproco de un número distinto de cero. si existe. Por lo tanto. Con lo cual concluye la demostración. como A–1. Sean A= Como 2 2 3 2 y B= 3 −1 2 . B = BIn = B(AC) = (BA)C = InC = C. Observación EJEMPLO 1 Con base en la definición anterior. Entonces BA = AC = In. . se deduce que AB = BA = In. debemos tener A A−1 = de modo que 1 3 2 4 a c a + 2c b + 2d 1 = 3a + 4c 3b + 4d 0 Al igualar las entradas correspondientes de estas dos matrices. por lo tanto. 1 A−1 = Entonces. entonces B es singular (o no invertible). ■ EJEMPLO 2 Sea A= Para determinar A−1.7 La inversa de una matriz 91 1.7 LA INVERSA DE UNA MATRIZ En esta sección concentraremos nuestra atención en las matrices cuadradas. también A es una inversa de B.

10 (Propiedades de la inversa) (a) Si A es una matriz no singular. b = 1 y d = − 1 . obtenemos los sistemas lineales. y Estos sistemas lineales no tienen solución. 1 Al igualar las entradas correspondientes de estas dos matrices. Como muestra. 1 concluimos que A es no singular y que A−1 = 1 . −1 2 ■ Observación EJEMPLO 3 No todas las matrices tienen una inversa. de modo que A no tiene inversa. pero antes estableceremos varias propiedades de las matrices no singulares. Por lo tanto. TEOREMA 1. hacemos 1 2 2 . entonces AB es no singular y (AB)−1 = B−1A−1. c = 3 . (b) Si A y B son matrices no singulares. A es una matriz singular. . entonces A−1 es no singular y (A−1)−1 = A. a + 2c = 1 2a + 4c = 0 b + 2d = 0 2b + 4d = 1. d A A−1 = de modo que 1 2 2 4 a c b 1 = I2 = d 0 0 1 a + 2c b + 2d 1 = 2a + 4c 2b + 4d 0 0 . y en breve lo modificaremos para obtener uno mejor. ■ El método que seguimos en el ejemplo 2 para determinar la inversa de una matriz no es muy eficiente. Además.92 Capítulo 1 Ecuaciones lineales y matrices Las soluciones son (verifique) a = −2. considere el ejemplo siguiente. Sea A= Para determinar A−1. 4 A−1 = Entonces debemos tener a c b . como la 2 2 matriz a c b −2 1 = 3 d −1 2 2 también satisface la propiedad de que −2 3 2 1 −1 2 1 3 −2 3 2 2 1 = 4 0 0 .

1. Por lo tanto. la inversa de la transpuesta de una matriz no singular. concluimos que (A−1)−1 = A. obtenemos T ( A A−1 ) T = In = In Demostración y A−1A = In.Sec. Como A es no singular. concluimos que (AB)−1 = B−1A−1. 1 −1 2 Además (verifique). la inversa de un producto de dos matrices no singulares es el producto de sus inversas en orden inverso. En consecuencia. A−1A = AA−1 = In. ■ y AT(A−1)T = In. la inversa de la inversa de una matriz A no singular es A. En consecuencia. B = A es una inversa de A−1. (b) Tenemos (AB)(B−1A−1) = A(BB−1)A−1 = AInA−1 = AA−1 = In y (B−1A−1)(AB) = B−1(A−1A)B = B−1InB = B−1B = In. 4 A−1 = −2 3 2 −1 2 1 y ( A−1 ) T = 3 −2 2 . entonces (AT)−1 = (A−1)T. En consecuencia.7 La inversa de una matriz 93 (c) Si A es una matriz no singular. (a) A−1 es no singular si podemos encontrar una matriz B tal que A−1B = BA−1 = In. 1 −1 2 ■ . EJEMPLO 4 Si A = 1 3 2 . Entonces (A−1)T = AT = 1n Estas ecuaciones implican que (AT)−1 = (A−1)T. En consecuencia. AB es no singular. y T ( A−1 A) T = In = In . AT = 1 2 3 4 y ( A T ) −1 = 3 −2 2 . de acuerdo con el ejemplo 2. Como la inversa de una matriz es única. (c) Tenemos AA−1 = In Al calcular las transpuestas. y como las inversas son únicas. es la transpuesta de su inversa.

xn. determinar B es equivalente a resolver n sistemas lineales (cada uno con n ecuaciones en n incógnitas). ⎢0⎥ ⎢ ⎥ ⎢. ■ UN MÉTODO PRÁCTICO PARA DETERMINAR A–1 Ahora desarrollaremos un método práctico para determinar A−1. entonces BA = In.2 Si A1. x2.⎥ ⎢. . TEOREMA 1. ⎦ . . . . A2. 1 Demostración Ejercicio T. ■ Anteriormente definimos una matriz B como la inversa de A si AB = BA = In. en. tales que Axj = ej (1 ≤ j ≤ n).9(a) de la sección 1.⎥ ⎣. muestra que una de estas ecuaciones es consecuencia de la otra. Si A es una matriz dada de n × n. e2. . . . (b) Si BA = In. .11 Suponga que A y B son matrices de n × n. . estamos buscando una matriz B = [b i j ] de n × n tal que AB = BA = In.⎦ . Ar son matrices no singulares de n × n. .94 Capítulo 1 Ecuaciones lineales y matrices COROLARIO 1. .⎥ ⎢ ⎥ e j = ⎢1⎥ ←− j-ésima fila.⎥ ⎢. Denotamos las columnas de In como las matrices de n × 1 e1. . Esto es precisamente lo que hicimos en el ejemplo 2. . la j-ésima columna de AB es la matriz Axj de n × 1. Por lo tanto. . entonces AB = In. El siguiente teorema.2. cuya demostración omitimos. ⎥ ⎢ .3. (a) Si AB = In. ⎡ ⎤ 0 ⎢0⎥ ⎢. ⎥ xj = ⎢ ⎥ ⎢ bi j ⎥ ⎢ . Como las matrices iguales deben coincidir columna a columna. Denotamos las columnas de B mediante las matrices n × 1 x1. . (2) En consecuencia. bn j ⎡ (1 ≤ j ≤ n). ⎥ ⎢ . ⎥ ⎣ . entonces A1A2 · · · Ar es no singular y −1 −1 ( A1 A2 · · · Ar ) −1 = Ar Ar −1 · · · A−1 . donde ⎤ b1 j ⎢b2 j ⎥ ⎢ . . xn. x2. el problema de determinar una matriz B = A−1 de n × n tal que AB = In (1) es equivalente al problema de determinar n matrices (cada una de n × 1) x1. 0 De acuerdo con el ejercicio T.

En esta situación. Paso 1. de modo que Axj = ej tampoco la tiene y. Hacemos lo mismo con A e2 . y B = D. entonces C tiene una fila de ceros. Para resolver el primer sistema lineal. A es singular. pero resulta evidente que D no puede tener una fila de ceros. entonces D = A−1.2. En consecuencia. C In. La matriz D en (4) surgió de In mediante una serie de operaciones elementales. 1.3 de la sección 1. (a) Si C = In. En este caso.6 implica que C tiene una fila que consta completamente de ceros. Sean d1. D en forma escalona- (b) Si C In. observamos que el producto CB de la ecuación (4) tiene una fila de ceros. una de las ecuaciones Cxj = dj no tiene solución. si observamos que la matriz de coeficientes de cada uno de estos n sistemas lineales siempre es A.3. El procedimiento práctico para calcular la inversa de la matriz A es el siguiente. . de modo que hemos obtenido A−1. . (4) Caso 2. . un argumento mediante determinantes mostrará su validez. En este caso. . C = In. el ejercicio T. d2. pero pediremos al lector que acepte el resultado sin solicitar demostraciones por ahora. la matriz C D da lugar a los n sistemas lineales Cx j = d j o la ecuación matricial (1 ≤ j ≤ n) (3) CB = D. Ahora existen dos casos posibles: Caso 1. Formar la matriz de n × 2n A identidad In con la matriz dada A. que se obtiene al adjuntar la matriz Paso 2. .. en este caso. Paso 3. .9 de la sección 1. A e n . A es singular y A−1 no existe. formamos la matriz aumentada A e1 y la escribimos en forma escalonada reducida por filas. Esta afirmación puede demostrarse formalmente en este momento. Transformar la matriz obtenida en el paso 1 a su forma escalonada reducida por filas mediante operaciones elementales por filas. la ecuación (3) se convierte en In x j = x j = d j . In . La matriz C de n × n es la forma escalonada reducida por filas equivalente por filas de A. .7 La inversa de una matriz 95 Cada uno de estos sistemas puede resolverse mediante el método de reducción de Gauss-Jordan. . Formamos la matriz de n × 2n A e1 e2 ··· en = A In y la transformamos a la forma escalonada reducida por filas C D . En la sección 3. Suponga que el paso 2 ha producido la matriz C da reducida por filas. Entonces.Sec. Con base en el ejercicio T. Sin embargo. podemos resolver todos estos sistemas de manera simultánea. Recuerde que todo lo que se haga a una fila de A también debe hacerse a la fila correspondiente de In. . dn las n columnas de D.

La matriz A I3 de 3 × 6 es 1 = ⎣ 0 5 ⎡ A 1 2 5 1 3 1 1 0 0 I3 0 1 0 ⎤ 0 0 ⎦. ⎡ A 1 1 2 5 1 2 1 3 1 1 3 1 0 0 1 0 −5 1 0 −5 1 0 5 4 I3 0 1 0 0 1 0 0 1 2 ⎢ ⎢0 ⎣ 5 ⎡ 1 ⎢ ⎢0 ⎣ 0 ⎡ 1 ⎢ ⎢0 ⎣ 0 ⎡ 1 ⎢ ⎢0 ⎣ 0 ⎡ 1 ⎢ ⎢0 ⎣ 0 ⎡ 1 ⎢ ⎢0 ⎣ 0 0 ⎤ ⎥ 0⎥ ⎦ 1 0 ⎤ Sumamos (−5) veces la primera fila a la tercera fila. ⎡ A−1 = 13 ⎢ 8 ⎢− 15 ⎣ 8 5 4 −1 2 1 2 0 3⎥ . 2 0 −4 1 1 0 1 1 0 0 1 0 1 3 2 0 0 1 2 Se multiplicó la tercera fila por − 1 . Se sumó (−1) veces la segunda fila a la primera fila. 1 Solución Paso 1. 8⎦ 1 −4 −1 8 ⎤ ⎥ Es fácil verificar que AA−1 = A−1 = I3. ■ . ⎥ 0⎥ ⎦ 1 0 ⎤ 0 −4 1 1 1 3 2 ⎥ 0⎥ ⎦ 1 ⎤ 0 ⎥ 0⎥ ⎦ ⎤ Se multiplicó la segunda fila por 1 .96 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 5 Determinar la inversa de la matriz ⎡ 1 A = ⎣0 5 1 2 5 ⎤ 1 3⎦ . concluimos que D = A−1. Se sumó (−1) veces la tercera fila a la primera fila. Como C = I3. Por lo tanto. 1 A I3 Paso 2. 4 1 0 0 1 0 0 1 0 −1 4 0 1 2 −1 4 − 15 8 5 4 13 8 − 15 8 5 4 0 −1 2 1 2 1 4 ⎥ 3⎥ 8⎦ 1 −4 0 3⎥ 8⎦ −1 4 −1 8 ⎤ ⎥ Se sumó − 3 veces la tercera fila a la 2 segunda fila. Paso 3. Ahora transformamos la matriz obtenida en el paso 1 a su forma escalonada reducida por filas.

entonces A es singular. EJEMPLO 6 Determine la inversa de la matriz ⎡ ⎤ 1 2 −3 1⎦. una vez que una matriz bajo A tiene una fila de ceros.7 La inversa de una matriz 97 Si la matriz escalonada reducida por filas bajo A tiene una fila de ceros. Transformamos la matriz obtenida en el paso 1 a su forma escalonada reducida por filas. ■ Observe que. procedemos como sigue: 1 2 −3 ⎣1 −2 1 5 −2 −3 ⎡ 1 2 −3 ⎣0 −4 4 5 −2 −3 ⎡ 1 2 −3 ⎣0 −4 4 0 −12 12 ⎡ 1 2 −3 ⎣0 −4 4 0 0 0 ⎡ A 1 0 0 1 −1 0 1 −1 −5 I3 0 1 0 0 1 0 0 1 0 1 0 −1 1 −2 −3 ⎤ 0 0⎦ 1 ⎤ 0 0⎦ 1 ⎤ 0 0⎦ 1 ⎤ 0 0⎦ 1 Se sumó (−1) veces la primera fila a la segunda fila. Como cada matriz bajo A es equivalente por filas a A. En este punto. A−1 no existe. para determinar A−1. podemos concluir el procedimiento tan pronto encontremos una matriz F que sea equivalente por filas a A y tenga una fila de ceros. F = ⎣0 −4 0 0 0 Como F tiene una fila de ceros. A es equivalente por filas a ⎡ ⎤ 1 2 −3 4⎦ . De esta manera. ■ . todas las matrices posteriores que sean equivalentes por filas a A tendrán una fila de ceros. A = ⎣1 −2 5 −2 −3 Paso 1. 1 A I3 Paso 2. concluimos que A es singular. Se sumó (−3) veces la segunda fila a la tercera fila.Sec. Para determinar A−1. no es preciso saber de antemano si existe o no. En este caso. Simplemente iniciamos el procedimiento anterior y obtenemos A−1. nos detenemos y concluimos que A es una matriz singular. o bien. si ésta existe.12 Una matriz de n × n es no singular si y sólo si es equivalente por filas a In. TEOREMA 1. Se sumó (−5) veces la primera fila a la tercera fila. 1. La matriz A Solución I3 de 3 × 6 es A 1 2 −3 1 = ⎣ 1 −2 5 −2 −3 ⎡ 1 0 0 I3 0 1 0 ⎤ 0 0 ⎦. El análisis anterior acerca del método práctico para obtener A−1 establece el siguiente teorema.

Aplicaciones Este método es útil para la resolución de problemas industriales. Si A es una matriz cuadrada no singular. el sistema lineal Ax = b es un sistema de n ecuaciones en n incógnitas. La matriz A forma parte intrínseca del procedimiento. hablamos de una caja negra. 16 entonces (verifique) ⎤ ⎡ ⎤ 4 1 x = A−1 ⎣ 7⎦ = ⎣2⎦ . EJEMPLO 7 (Proceso industrial) Considere un proceso industrial cuya matriz es la matriz A del ejemplo 5. Es decir. De hecho. El problema que aparece con frecuencia en el análisis de sistemas es la determinación de la entrada que debe utilizarse para obtener el resultado deseado. si b es la matriz resultante ⎡ ⎤ 4 ⎣ 7⎦ . Así. una forma eficiente de manejar esto es la siguiente: calculamos A−1 una vez. Además. tenemos una única solución. 8 la matriz de entrada x es la solución del sistema lineal Ax = b. si A es no singular. 16 1 ⎡ ■ . al variar b. Si b es la matriz resultante ⎡ ⎤ 8 ⎣24⎦ . En consecuencia. ⎣24⎦ ⎣0⎦ 2 8⎦ 1 8 8 0 −4 −1 8 Por otro lado. determinamos la solución correspondiente x formando A−1b. se obtienen m valores como resultado (mismos que pueden ordenarse como la matriz b de m × 1) mediante la regla Ax = b. es evidente que x = A−1b es una solución del sistema lineal dado. De esta manera. queremos resolver el sistema lineal Ax = b para x.98 Capítulo 1 Ecuaciones lineales y matrices SISTEMAS LINEALES E INVERSAS Si A es una matriz de n × n. Entonces A−1 existe y podemos multiplicar ambos lados de Ax = b por A−1 para obtener A−1 ( Ax) = A−1 b ( A−1 A)x = A−1 b In x = A−1 b x = A−1 b. Supongamos que A es no singular. lo cual significa que la estructura interna del proceso no nos interesa. Cualquier cambio en el mismo puede producir una nueva matriz. supongamos que hay una matriz A asociada a cierto proceso químico. ⎡ x = A−1 b = 13 ⎢ 8 ⎢− 15 ⎣ 8 5 4 −1 2 ⎤⎡ ⎤ ⎡ ⎤ 8 0 ⎥ 1 3⎥ ⎢ ⎥ = ⎢ ⎥ . Esto significa que si se utilizan como entrada n valores (que se pueden ordenar como la matriz x de n × 1). y siempre que modifiquemos b. Muchos modelos físicos se describen por medio de sistemas lineales.

(5) Demostración Supongamos que A es no singular. También podemos resolver este sistema mediante la reducción de Gauss-Jordan. 0 0 1 0 lo cual demuestra de nuevo que la solución es x = 0. tenemos A−1 ( Ax) = A−1 0 ( A−1 A)x = 0 In x = 0 x = 0. En este caso. Dejaremos la demostración del recíproco —si A es singular. ■ . determinamos la matriz en forma escalonada reducida por filas que es equivalente a la matriz aumentada del sistema dado. el sistema dado tiene una solución no trivial. la única solución de (5) es x = 0. Como A es no singular. 1. ⎡ ⎤ 1 2 −3 0 ⎣1 −2 1 0⎦ . el sistema homogéneo Ax = 0 tiene una solución no trivial si y sólo si A es singular. 0 donde r es cualquier número real. 5 −2 −3 0 es (verifique) ⎡ 1 ⎣0 0 lo cual implica que 0 −1 1 −1 0 0 x=r y=r z = r. donde A es la matriz singular del ejemplo 6. 0 5 5 1 es ⎡ ⎤ 1 0 0 0 ⎣0 1 0 0⎦ . y al multiplicar ambos lados de (5) por A−1. ⎡ ⎤ 1 1 1 0 ⎣0 2 3 0⎦ . ■ EJEMPLO 9 Considere el sistema homogéneo Ax = 0. A−1 existe.7 La inversa de una matriz 99 TEOREMA 1.3). Por lo tanto.Sec. donde A es la matriz del ejemplo 5.13 Si A es una matriz de n × n. En este caso. x = A−1 0 = 0. En consecuencia. Entonces. entonces (5) tiene una solución no trivial— como ejercicio (T. la matriz en forma escalonada reducida por filas que es equivalente por filas a la matriz aumentada del sistema dado. ⎤ 0 0⎦ . ■ EJEMPLO 8 Considere el sistema homogéneo Ax = 0.

TEOREMA 1. Esta lista de equivalencias no singulares irá creciendo conforme avancemos. Esto significa que al resolver un problema podemos utilizar cualquiera de las cuatro afirmaciones anteriores. A es no singular. Al final del apéndice B aparece la lista completa. 0 0 1 Paso 2. ■ Podemos resumir nuestros resultados acerca de los sistemas homogéneos y las matrices no singulares mediante la siguiente lista de equivalencias no singulares.14 Si A es una matriz de n × n. .100 Capítulo 1 Ecuaciones lineales y matrices La demostración del siguiente teorema se deja en manos del lector (ejercicio complementario T. EJEMPLO 10 Determine la inversa de la matriz binaria ⎡ ⎤ 0 1 1 A = ⎣1 0 1⎦ . procedemos como sigue: 0 ⎣1 1 ⎡ 1 ⎣0 1 ⎡ A 1 1 0 1 1 1 0 1 1 1 1 1 ⎤ 1 0 0 0 1 0⎦ 0 0 1 ⎤ 0 1 0 1 0 0⎦ 0 0 1 I3 Se intercambiaron la primera y la segunda fila. y a veces un procedimiento de solución es más fácil de aplicar que otro. es decir. La matriz A Solución I3 de 3 × 6 es ⎡ 0 1 1 A I3 = ⎣1 0 1 1 1 1 ⎤ 1 0 0 0 1 0⎦ . x = 0 es la única solución de Ax = 0. El sistema lineal Ax = b tiene una solución única para cada matriz b de n × 1. Para determinar A−1. INVERSA DE MATRICES BINARIAS (OPCIONAL) Las definiciones y teoremas desarrollados en esta sección son válidos para matrices binarias.18). A es equivalente por filas a In. que consta de 12 afirmaciones equivalentes. 1 1 1 Paso 1. 1. 2. que son intercambiables. utilizamos aritmética de base 2. Como verá a lo largo del curso. Ahora calculamos la forma escalonada reducida por filas de la matriz obtenida en el paso 1. Lista de equivalencias no singulares Las siguientes afirmaciones son equivalentes. Los ejemplos 10 y 11 ilustran los procedimientos computacionales de esta sección para matrices binarias en donde. 3. suele ocurrir que un problema dado se puede resolver de varias formas. por supuesto. 4. entonces A es no singular si y sólo si el sistema lineal Ax = b tiene una solución única para cada matriz b de n × 1.

En este punto. En consecuencia. Para determinar A−1. Se sumó la segunda fila a la tercera fila. ■ . 1 1 1 ⎡ ■ EJEMPLO 11 Determine la inversa de la matriz binaria ⎡ ⎤ 1 1 0 A = ⎣1 1 1 ⎦ . aquí A es singular. Se sumó la tercera fila a la primera fila. 1. procedemos como sigue: 1 ⎣1 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ A 1 0 1 1 0 1 1 0 0 1 0 1 1 0 0 1 0 0 ⎤ 1 0 0 0 1 0⎦ 0 0 1 ⎤ 1 0 0 1 1 0⎦ 0 0 1 ⎤ 1 0 0 1 1 0⎦ . Se sumó la segunda fila a la tercera fila. ya que la tercera fila. Ahora calculamos la forma escalonada reducida por filas de la matriz obtenida en el paso 1. La matriz A I3 de 3 × 6 es A I3 ⎡ 1 1 0 = ⎣1 1 1 0 0 1 ⎤ 1 0 0 0 1 0⎦ . A es equivalente por filas a I3.Sec. en la parte de la matriz de coeficientes de la matriz aumentada. 1 1 1 I3 Se sumó la primera fila a la segunda fila. 0 0 1 Solución Paso 1. por lo que A es no singular y concluimos que A−1 ⎤ 1 0 1 = ⎣0 1 1⎦ . En este punto vemos que A no puede ser equivalente por filas a I3. consta sólo de ceros. 0 0 1 Paso 2. Se intercambiaron la segunda y la tercera filas.7 La inversa de una matriz 101 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 ⎡ 1 ⎣0 0 0 1 1 1 1 0 0 1 1 0 1 1 0 1 1 0 0 1 0 0 1 0 0 1 ⎤ 0 1 0 1 0 0⎦ 0 1 1 ⎤ 0 1 0 0 1 1⎦ 1 0 0 ⎤ 0 1 0 0 1 1⎦ 1 1 1 ⎤ 1 0 1 0 1 1⎦ 1 1 1 Se sumó la primera fila a la tercera fila.

introducción a wavelets (ondeletas). dada por ⎡ 1 0 x = A−1 b = ⎣0 1 1 1 ⎤⎡ ⎤ ⎡ ⎤ 1 0 1 1⎦ ⎣1⎦ = ⎣0⎦ . Mínimos cuadrados.6. si lo desea. puede estudiarlas en este momento. Ax = b tiene una solución única. y la segunda mitad de la sección 7. utilizan el material de esta sección. la sección 2.7. 1 1 1 Así. . tenemos que A es no singular y ⎡ ⎤ 1 0 1 A−1 = ⎣0 1 1⎦ . Modelos económicos lineales. donde ⎡ ⎤ 0 1 1 A = ⎣1 0 1 ⎦ y 1 1 1 ⎡ ⎤ 0 b = ⎣1⎦ .2 (páginas 380 a 387). 1 Solución De acuerdo con el ejemplo 10. 1 1 0 ■ La sección 2.102 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 12 Resuelva el sistema lineal binario Ax = b.

Introducción a wavelets (sección 2. cuya única misión es construir todas las casas. El economista tiene que determinar los precios relativos p1. que dedicado de manera exclusiva a la producción de toda la comida. p2 y p3 por unidad de comida. Seleccionamos nuestras unidades de modo que cada uno produzca una unidad del artículo que fabrica durante el año. y un sastre. que se dedica tan sólo a la fabricación de toda la ropa.3. vivienda y ropa. codificadores de muchas clases.6 analiza éste y otros modelos económicos. Suponga que tenemos una sociedad sencilla. Table 1. la comprimen. etcétera. y señales utilizadas en radio.Sec.6) El análisis y la predicción económicos son cada vez más importantes en nuestras complejas sociedades moderna. decimos que tenemos un estado de equilibrio.7) Una de las características que definieron al siglo XX. Con el paso del tiempo se han desarrollado varios esquemas que transforman la información original. resultados de rayos x que se envían de un servicio médico a otro. p3 vemos que p se puede obtener al resolver el sistema lineal Ap = p. un carpintero. Cuando ocurre esta situación. 1.3 Bienes consumidos por: Agricultor Carpintero Sastre Bienes consumidos por: Agricultor 7 16 5 16 1 4 Carpintero 1 2 1 6 1 3 Sastre 3 16 5 16 1 2 7 De esta manera. la transmiten y luego hacen posible la recuperación de los datos de origen. que sólo consta de tres individuos: un agricultor. . de modo que nadie gane ni pierda dinero. 1 de los hoga2 3 res construidos por el carpintero. Entre los datos que se transmiten están archivos de huellas dactilares para aplicaciones legales. Ejemplos de tales esquemas incluyen el código Morse. y cuya presencia ha adquirido aún más fuerza en el siglo XXI. respectivamente. imágenes y muchas otros. Supongamos también que la parte de cada artículo consumida por cada persona está dada por la tabla 1. señales de radio del espacio exterior. televisión y transmisión de microondas.7 La inversa de una matriz 103 Vista preliminar de una aplicación Modelos económicos lineales (sección 2. Si ⎡ ⎤ p1 p = ⎣ p2 ⎦ . el agricultor consume 16 de la comida producida. procesamiento de señales para restauración de archivos. estudios de sismología. es la capacidad para transmitir grandes volúmenes de información. La sección 2. y 16 de la ropa fabricada por el sastre.

21. por lo que la cantidad de datos que debe transmitirse se reduce.20 Figura 1.2.20. el wavelet. En la sección 2. la ingeniería. empleando sólo técnicas básicas de álgebra lineal. y en ella se utiliza el material de las secciones 4.21 El procedimiento para determinar la recta que mejor se ajusta a los datos dados se presenta en la sección 7. ciencia e ingeniería.2. Al graficar varios datos. cuya existencia data de hace menos de 20 años. se obtiene un resultado semejante al que se muestra en la figura 1.7 proporcionamos una introducción muy elemental al método de wavelets para pequeños conjuntos de datos discretos. El problema consiste en trazar la línea recta que “mejor se ajuste” a los datos dados. se debe a que puede utilizarse con éxito en una amplia variedad de aplicaciones en medicina. pero más fácil comprimir. La enorme atención que ha recibido. Ajuste por mínimos cuadrados (sección 7. la economía y las ciencias sociales.2) La recolección y análisis de datos es un problema que surge con frecuencia en las ciencias exactas.104 Capítulo 1 Ecuaciones lineales y matrices Uno de dichos esquemas. Una vez que la información se ha transmitido. El método de wavelets transforma la información original en una forma equivalente a la información dada. la siguiente fase del procedimiento consiste en construir una aproximación de la información original. es el que se conoce como método de wavelets (u ondeletas). Esta recta aparece en la figura 1. y y x x Figura 1.2 y 6. Su justificación aparece en la primera parte de esa sección.9. y será analizada en la sección 7. La técnica para resolver este problema se llama método de los mínimos cuadrados. .

¿Cuál es el valor dentro A−1? . −1 15. Si A−1 = 14. Si A−1 = (b) x − y+ z=0 2x + y =0 2x − 2y + 2z = 0 2 1 3 −1 3 . si esto es posible. 3 1 es singular.Sec. 1. determine su inversa. 4. ⎡ ⎤ 1 2 3 1 3 1 2⎦ 5. 1. (a) ⎣ 2 3 ⎡ 3 (b) ⎣2 1 2 10. determine su inversa. (a) (b) ⎣0 2 6 1 2 4 ⎤ ⎡ 1 1 2 1 0 0⎥ ⎢0 −2 (c) ⎣ 0 3 2 1⎦ 1 2 1 −2 ⎡ ⎤ 1 1 1 1 1 3 1 3 1 2⎥ ⎢ 7. (a) (b) ⎣1 −2 6 0 1 2 ⎡ ⎤ 1 1 1 1 2 −1 2⎥ ⎢1 (c) ⎣ 1 −1 2 1⎦ 1 3 3 2 ⎡ ⎤ 1 2 3 1 3 2 3⎦ 6. utilice el método de los ejemplos 2 y 3. 4 4 . Determine todos los valores de a para los que la inversa de ⎡ ⎤ 1 1 0 0 0⎦ A = ⎣1 1 2 a existe. 16. ¿Cuál (o cuáles) de los siguientes sistemas lineales tiene una solución no trivial? (a) x + 2y + 3z = 0 2y + 2z = 0 x + 2y + 3z = 0 (b) 2x + y − z = 0 x − 2y − 3z = 0 −3x − y + 2z = 0 12.7 La inversa de una matriz 105 Términos clave Inversa Matriz no singular (o invertible) Matriz singular (o no invertible) 1. determine A. En los ejercicios 5 a 10. determine A. ¿Cuál (o cuáles) de los siguientes sistemas lineales tiene una solución no trivial? (a) x + y + 2z = 0 2x + y + z = 0 3x − y + z = 0 (c) 2x − y + 5z = 0 3x + 2y − 3z = 0 x − y + 4z = 0 13. ¿La matriz siguiente es singular o no singular? ⎡ 1 ⎣3 2 2 2 2 ⎤ −1 3⎦ 1 ⎡ 1 2 1 (c) ⎣1 1 1 ⎡ 1 −1 2 1 2 ⎢4 (b) ⎣ 2 −1 3 4 2 1 ⎤ 3 2⎦ 0 ⎤ 3 0⎥ 1⎦ −5 Si es no singular. determine la inversa de las matrices dadas. Demuestre que 2 −2 2 −4 1 es no singular. −2 2. (a) ⎣0 1 2 (c) ⎣3 7 ⎡ ⎡ 1 (c) ⎣1 0 ⎡ ⎡ 2 1 1 2 3 0 1 1 1 2 1 1 0 1 4 6 ⎤ 3 2⎦ 1 −3 −3 1 −2 ⎤ 2 2⎦ 2 ⎤ 3 2⎦ 3 ⎤ −2 6⎦ 2 ⎤ 1 −2⎥ 5⎦ 5 Si es no singular. (a) ⎣1 (b) ⎣1 0 1 1 1 3 2 11.7 Ejercicios En los ejercicios 1 a 4. Demuestre que 3. ¿La matriz siguiente es singular o no singular? 1 3 1 4 1 ⎢−1 9. (a) (b) ⎣ 2 4 1 2 −1 1⎦ 5 9 1 6 ⎡ ⎤ 1 2 1 3 2⎦ (c) ⎣1 1 0 1 ⎡ ⎤ ⎡ ⎤ 1 1 1 1 2 2 2 3⎦ 3 1⎦ 8. Demuestre que una matriz que tiene una fila o una columna formados exclusivamente por ceros debe ser singular.

Considere un proceso industrial cuya matriz es ⎡ ⎤ 2 1 3 2 −1⎦ . T. si A −1 2 = 4 3 1 y 5 b= . (a) (c) 1 ⎣1 1 ⎡ 1 ⎢1 ⎣0 0 ⎡ 0 ⎣1 1 ⎡ 0 ⎢0 ⎣1 1 ⎡ 1 1 0 1 1 1 0 1 0 1 1 0 0 1 ⎤ 1 0⎦ 0 0 1 1 1 ⎤ 0 0⎥ 1⎦ 1 1 (b) ⎣1 0 ⎡ 0 1 1 ⎤ 1 1⎦ 0 ⎤ 1 1⎦ 0 1 1 0 0 1 (b) ⎣1 1 ⎤ 0 1⎥ 1⎦ 0 ⎡ 0 1 0 ⎤ 0 1⎦ 1 En los ejercicios 31 y 32. para c 0? c 21. (a) x + y =0 x +y+z=0 y+z=0 (b) x =0 x +y+z=0 x +z=0 (b) y+z=0 x +z=0 x+y =0 25. Demuestre que la matriz se cumple. determine (AB)−1. Suponga que A = (a) Determine A−1. ⎦ a ad − bc sen θ cos θ T. 7 −1 5 27. −2 31. el sistema homogéneo Ax = 0 tiene una solución no trivial.12. Sea A una matriz de n × n. (b) Determine (A ) .5. y exprese A−1 como una matriz por bloques. ¿A es singular o no singular? Justifique su respuesta. determine la inversa de la matriz por bloques dada.2. Si esta condición es no singular si y sólo si ad – bc es no singular. determine la inversa de cada matriz binaria dada. y calcule su inversa. determine A. Si D = ⎣0 −2 0 0 3 24. si esto es posible. A = ⎣3 2 1 1 Determine la matriz de entrada para cada una de las siguientes matrices resultantes: ⎡ ⎤ ⎡ ⎤ 30 12 (b) ⎣ 8⎦ (a) ⎣20⎦ 10 14 18. (a) (c) 30. Si A−1 = 2y = 0 2x + (λ − 1)y = 0 29. ⎡ ⎤ 4 0 0 0⎦. y –A son no singulares? Explique. (Sugerencia: utilice el teorema 1. (a) x + y + z = 0 x +z=0 y =0 32.) T. T. ⎣ 0 0 ⎡ 1 3 0 0 0 0 6 1 ⎤ 0 0⎥ 7⎦ 1 yA ? En los ejercicios 29 y 30. 3 Ejercicios teóricos T. ¿La inversa de una matriz simétrica no singular siempre es simétrica? Explique. Sea A una matriz de 3 × 3. ¿Cómo se relacionan (A ) T −1 T −1 ⎡ 1 2 3 .3. . 20. 3 1 2 2 y B −1 = 3 3 5 .1. Demuestre que la matriz A= a c b d 0.106 Capítulo 1 Ecuaciones lineales y matrices ⎤ 1 26. ⎣3 0 ⎡ 2 1 0 ⎤ 0 0⎦ −4 1 ⎢2 28. determine cuáles de los sistemas lineales binarios tienen solución no trivial. 17. Si A y B son no singulares. ¿A + B. A – B. En los ejercicios 27 y 28. 19. Despeje x de Ax = b. (a) ¿(A + B)−1 = A−1 + B−1 para toda A y B? 1 (b) ¿ (c A) −1 = A−1 . ¿Para qué valores de λ el sistema homogéneo (λ − 1)x + tiene una solución no trivial? 22. Suponga que x = ⎣ 2⎦ es −3 una solución del sistema no homogéneo Ax = 0. Demuestre el corolario 1.2.4. 23. Si B es no singular. Suponga que A y B son matrices cuadradas y que AB = O. determine D−1. demuestre que ⎡ A−1 d ⎢ ad − bc ⎢ =⎢ ⎣ −c ad − bc cos θ −sen θ ⎤ −b ad − bc ⎥ ⎥ ⎥. Demuestre que si A es singular. A.

.2. T. .9. 7. y determine cuáles son no singulares.7. Sea B = bingen(1.2. Determine dos submatrices de 3 × 3 que tengan una inversa. (Sugerencia: utilice el ejercicio T. Demuestre que si A es una matriz simétrica no singular. Emplee el comando rref.4. Emplee el comando rref. . Por medio de binreduce determine cuáles de los sistemas lineales binarios en los ejercicios 31 y 32 tienen una solución no trivial. 1. ML. ⎡ ⎤ 1 1 2 1 3 1 1⎦ (b) A = ⎣2 (a) A = 1 2 1 2 1 ML. B3. y dos que no tengan inversa.) T. La razón principal por la que este método es tan utilizado. . ann. ML. 1/ann. Utilice MATLAB para determinar un entero positivo t tal que (tI – A) sea singular. . ML.9.13 de la sección 1.8 FACTORIZACIÓN LU (OPCIONAL) En esta sección estudiaremos una variante de la eliminación gaussiana (presentada en la sección 1. . (Vea el ejercicio T.13. Emplee el comando 1 ⎢0 (a) ⎣ 1 0 ⎡ 1 1 1 1 0 1 1 0 ⎤ 0 0⎥ 1⎦ 0 ⎡ 1 ⎢0 ⎢ (b) ⎢0 ⎣0 1 1 1 0 1 1 0 1 0 1 0 0 1 1 1 1 ⎤ 1 0⎥ ⎥ 0⎥ 1⎦ 1 ML.8.13 de la sección 1. ML. Bk. 1/a22.5.6. ML.8 Factorización LU (opcional) 107 T. Sea A una matriz diagonal con entradas de la diagonal a11.8. Demuestre que la inversa de una matriz triangular superior (inferior) no singular es triangular superior (inferior). ¿es posible que AB = O? Explique.) T. b 0 tiene una solución. . T. en donde k es un entero positivo. a22.Sec. Determine cuáles matrices binarias A. (Vea el ejercicio T. ⎡ ⎤ 4 1 2 1 3 4 1⎦ (b) A = ⎣1 (a) A = 3 1 0 0 −4 En los ejercicios ML. Demuestre que A−1 es no singular y que A−1 es una matriz diagonal con entradas de la diagonal 1/a11. de 2 × 2.11.6). Utilice MATLAB para determinar cuáles de las siguientes matrices son no singulares.13 de la sección 1. T. distintas de cero. Demuestre que si A es singular y Ax = b. Haga una lista de todas las posibles matrices binarias de 2 × 2.9 se emplean matrices binarias y los comandos adicionales que se describen en la sección 12. . la cual descompone una matriz como un producto de una matriz triangular inferior y una matriz triangular superior. T. . entonces tiene una infinidad de soluciones. tienen la propiedad de que A2 = O. . Por medio de binreduce determine cuáles de las matrices binarias en los ejercicios 29 y 30 tienen una inversa. Si A y B son matrices binarias no singulares de 3 × 3. 3). ⎡ ⎤ 1 0 0 1 2 1 0⎦ (b) A = ⎣0 (a) A = 2 4 1 1 1 ⎡ ⎤ 1 2 1 1 2⎦ (c) A = ⎣0 1 0 0 ML.5. que es el más utilizado en las computadoras para resolver sistemas lineales. .6 a ML. entonces A−1 es simétrica. en términos de A. T. rref([A eye(size))]). Si B = PAP−1. Utilice MATLAB para determinar la inversa de cada una de las siguientes matrices.1.7. Utilice MATLAB para determinar la inversa de cada una de las siguientes matrices.6.) Ejercicios con MATLAB Para emplear MATLAB en esta sección. exprese B2.3. Por medio de binreduce determine cuáles de las matrices siguientes tienen una inversa. 1.10.6.12. Utilice MATLAB para determinar cuáles de las siguientes matrices son no singulares. hasta la sección 12. radica en que proporciona la manera más económica de resolver . esto es.9.2. la matriz cuyas columnas son las representaciones binarias con tres bits de los enteros 1 a 7. Emplee el comando rref([A eye(size(A))]). . Esta descomposición conduce a un algoritmo para resolver un sistema lineal Ax = b. P y P−1. (a) A = 2 2 1 3 1 (b) A = ⎣0 1 ⎡ −1 2 0 ⎤ 2 1⎦ 0 1 −2 ⎡ 1 (b) A = ⎣4 7 ⎡ 1 (c) A = ⎣4 7 (a) A = 2 1 2 5 8 2 5 8 ⎤ 3 6⎦ 9 ⎤ 3 6⎦ 0 ML. debe leer primero el capítulo 12.

. Por ejemplo. . Las entradas y los resultados pueden estar relacionados por un sistema lineal. . Este tipo de situación suele presentarse en problemas de aplicación. . .6 junto con la eliminación gaussiana. . . . 1. Cuando U es una matriz triangular superior y todas las entradas de la diagonal son diferentes de cero. 0 0 0 · · · u nn bn La solución se obtiene mediante el algoritmo siguiente: xn = xn−1 bn u nn bn−1 − u n−1 n xn = u n−1 n−1 . . .⎦ . .⎥ ⎣ . ⎢ 0 ⎢ . si L es una matriz triangular inferior con todas las entradas de la diagonal diferentes de cero. el sistema lineal Ux = b puede resolverse sin transformar la matriz aumentada U b a la forma escalonada reducida por filas (renglones) o a la forma escalonada por filas. . . pidiendo adicionalmente que las entradas de la diagonal fuesen iguales a 1. . n − 1. j = n. o incluso cada hora. n. La matriz aumentada de tal sistema está dada por ⎡ ⎤ u 11 u 12 u 13 · · · u 1n b1 ⎢ 0 u 22 u 23 · · · u 2n b2 ⎥ ⎢ ⎥ 0 u 33 · · · u 3n b3 ⎥ .⎦ . . . . . j = 2. . j−1 bj − xj = k=n u jk xk u jj . que consiste en el procedimiento siguiente: la matriz aumentada tiene la forma ⎤ ⎡ 0 0 · · · 0 b1 11 ⎢ 21 22 0 · · · 0 b2 ⎥ ⎥ ⎢ ⎢ 31 32 33 · · · 0 b3 ⎥ ⎢ . como la que utilizamos l en la sección 1. . n1 n2 n3 ··· nn bn y la solución está dada por x1 = x2 = . . b1 11 b2 − 21 x 1 22 j−1 bj − xj = k=1 jj jk x k .108 Capítulo 1 Ecuaciones lineales y matrices un sistema lineal en el que tenemos que cambiar de manera repetida el lado derecho. . . 2. una compañía de servicio eléctrico debe determinar las entradas (las incógnitas) que necesita para producir algún resultado requerido (los lados derechos). . . . . . . . . De manera similar. . Este procedimiento es sólo una sustitución hacia atrás. .⎥ ⎣ . mientras que el lado derecho cambia día con día. ··· . . . ··· . el sistema lineal Lx = b puede resolverse por sustitución hacia adelante. cuya matriz de coeficientes es fija. La descomposición que se analiza en esta sección también es útil para resolver otros problemas en álgebra lineal.

resolvemos directamente para z por medio de sustitución hacia adelante. seguida de una sustitución hacia atrás. Al sustituir LU por A. a partir de la primera ecuación. tenemos (LU)x = b o. De acuerdo con el algoritmo que se dio antes. En resumen. L(Ux) = b. esta ecuación matricial se transforma en Lz = b. Una vez que determinamos z. triangular inferior. si una matriz A de n × n tiene una factorización LU.4. Este procedimiento se ilustra en el siguiente ejemplo. de acuerdo con el inciso (a) del teorema 1. esto es. tal como veremos más adelante. y una matriz U. 13 ⎡ ■ Como se ilustró anteriormente. Como L está en la forma triangular inferior. EJEMPLO 1 Para resolver el sistema lineal 5x1 = 10 4x1 − 2x2 = 28 2x1 + 3x2 + 4x3 = 26 utilizamos la sustitución hacia adelante. por lo que se les emplea en otros importantes procedimientos numéricos para resolver sistemas de ecuaciones. En este caso. procedemos hacia abajo. resolvemos Ux = z por sustitución hacia atrás. sección 1.8 Factorización LU (opcional) 109 Esto es. decimos que A tiene una factorización LU o una descomposición LU. Suponga que una matriz A de n × n puede escribirse como un producto de una matriz L. A = LU. triangular superior. despejando una incógnita de cada ecuación. 1. En el ejemplo siguiente se ilustra la sustitución hacia adelante. La factorización LU de una matriz A puede usarse de manera eficiente para resolver un sistema lineal Ax = b. la facilidad con la que pueden resolverse los sistemas de ecuaciones con matrices de coeficientes triangular superior o inferior es muy atractiva.2.Sec. 4 que implica que la solución para el sistema de ecuaciones triangular inferior dado es ⎤ 2 x = ⎣−10⎦ . Los algoritmos de sustitución hacia adelante y hacia atrás son rápidos y sencillos de usar. . y como U es triangular superior. obtenemos x1 = x2 = x3 = 10 =2 5 28 − 4x1 = −10 −2 26 − 2x1 − 3x2 = 13. la solución de Ax = b puede determinarse por medio de una sustitución hacia delante. Haciendo Ux = z.

5. con ⎡ 1 0 0 ⎢ 1 1 0 ⎢ L=⎢ 2 ⎣−2 −2 1 −1 1 −2 ⎤ 0 0⎥ ⎥ ⎥ 0⎦ 1 y ⎤ 6 −2 −4 4 ⎢0 −2 −4 −1⎥ ⎥ ⎢ U =⎢ ⎥ ⎣0 0 5 −2⎦ 0 0 0 8 ⎡ (verifique). 8⎦ −43 Entonces resolvemos Ax = b escribiendo LUx = b. Sea ⎡ ⎤ 2 ⎢ −4⎥ b=⎣ . con lo que.2 5 −5 + 4x3 + x4 x2 = = 6. Ahora resolvemos Ux = z.9 −2 2 + 2x2 + 4x3 − 4x4 x1 = = 4. ⎣0 0 5 −2⎦ ⎣x3 ⎦ ⎣ 2⎦ x4 0 0 0 8 −32 por sustitución hacia atrás. procedemos como sigue. Para resolver el sistema dado por medio de esta factorización LU. Primero hacemos Ux = z y resolvemos Lz = b: ⎤ ⎡ 1 0 0 0 ⎡z 1 ⎤ ⎡ 2⎤ ⎢ 1 1 0 0⎥ ⎢z 2 ⎥ ⎢ −4⎥ ⎥ ⎢ 2 ⎥⎣ ⎦ = ⎣ ⎢ 8⎦ ⎣−2 −2 1 0⎦ z 3 z4 −43 −1 1 −2 1 por sustitución hacia delante. con lo que. ⎡ ⎤⎡ ⎤ ⎡ ⎤ 6 −2 −4 4 x1 2 ⎢0 −2 −4 −1⎥ ⎢x2 ⎥ ⎢ −5⎥ = .110 Capítulo 1 Ecuaciones lineales y matrices EJEMPLO 2 Considere el sistema lineal 2 6x1 − 2x2 − 4x3 + 4x4 = 3x1 − 3x2 − 6x3 + x4 = −4 −12x1 + 8x2 + 21x3 − 8x4 = 8 −6x1 − 10x3 + 7x4 = −43 cuya matriz de coeficientes ⎡ ⎤ 6 −2 −4 4 1⎥ ⎢ 3 −3 −6 A=⎣ −12 8 21 −8⎦ −6 0 −10 7 tiene una factorización LU. obtenemos z1 = 2 z 3 = 8 + 2z 1 + 2z 2 = 2 z 4 = −43 + z 1 − z 2 + 2z 3 = −32. 6 . obtenemos z 2 = −4 − 1 z 1 = −5 2 x4 = −32 = −4 8 2 + 2x4 x3 = = −1.

inicie debajo del primer elemento de la diagonal de L1. Llame A la matriz resultante llámele U2 a la matriz resultante. para registrar las operaciones por fila. Empezamos a construir una matriz triangular inferior. A la matriz resultante le llamamos U1 a la matriz resultante. Procedimiento Paso 1. No se permitirá intercambio de filas (renglones). “Hacer ceros” debajo de la segunda entrada de la diagonal de U1. En la primera columna de L1. la solución para el sistema lineal dado es ⎡ ⎤ 4. escriba los negativos de los multiplicadores utilizados en las operaciones por filas. Matrices usadas ⎡ ⎤ 6 −2 −4 4 ⎢0 −2 −4 −1⎥ U1 = ⎣ 0 4 13 0⎦ 0 −2 −14 11 ⎡ ⎡ ⎢ 1 ⎢ L1 = ⎢ 2 ⎣−2 −1 1 0 1 ∗ ∗ 0 0 1 ∗ ⎤ 0 0⎥ ⎥ ⎥ 0⎦ 1 ⎤ 6 −2 −4 4 ⎢0 −2 −4 −1⎥ U2 = ⎣ 0 0 5 −2⎦ 0 0 −10 12 0 ⎢ 1 1 ⎢ L2 = ⎢ 2 ⎣−2 −2 −1 1 ⎡ 1 0 0 1 ∗ ⎤ 0 0⎥ ⎥ ⎥ 0⎦ 1 ⎡ .2⎦ −4 ■ A continuación se demuestra cómo obtener una factorización LU de una matriz. Sumar 2 veces la primera fila de A a la tercera. Al final de esta sección proporcionaremos una referencia que indica cómo ampliar el esquema de factorización LU para tratar con matrices en donde sean necesarios los intercambios de filas. con unos en la diagonal principal. modificando el procedimiento de eliminación gaussiana que se analiza en la sección 1. y no se exige que las entradas de la diagonal tengan 1. Escriba los negativos de los multiplicadores de las operaciones por renglón filas debajo de la segunda entrada de la diagonal de L1.8 Factorización LU (opcional) 111 En consecuencia. L1. Para describir la factorización LU. 1. EJEMPLO 3 Sea A la matriz de coeficientes del sistema lineal del ejemplo 2. “Hacer ceros” debajo de la primera entrada de la diagonal de A. Sumar − 1 2 veces la primera fila de A a su segunda fila. Tenga en cuenta que la única operación elemental por filas permitida es la de sumar un múltiplo de una fila a una fila diferente. Sumar 1 vez la primera fila de A a su cuarta fila.5 ⎢ 6. −1. ⎤ 6 −2 −4 4 1⎥ ⎢ 3 −3 −6 A=⎣ . usando solamente la operación de sumar un múltiplo de una fila a otra fila. −12 8 21 −8⎦ −6 0 −10 7 Procedemos a “hacer cero” las entradas debajo de la diagonal.9⎥ x=⎣ . Sumar 2 veces la segunda fila de U1 a su tercera fila. Llame a la nueva matriz L2 a la nueva matriz. Sumar (−1) veces la segunda fila de U1 a su cuarta fila.6.Sec. presentamos un procedimiento paso a paso en el siguiente ejemplo. Paso 2.

de David R. existen muchos métodos para obtener una factorización LU de una matriz. y utilizan estrategias adicionales para controlar el error de redondeo. U es triangular superior y LU es A. “Hacer ceros” debajo de la tercera entrada de la diagonal de U2. En tales casos. distribuido por McGraw−Hill) explora estas modificaciones del procedimiento para la factorización LU. Llame A la nueva matriz llámele U3 a la nueva matriz. Por ejemplo. Términos clave Sustitución hacia atrás Sustitución hacia adelante Factorización (o descomposición) LU . 1988. una matriz dada puede tener más de una factorización LU. o usar uno de los otros métodos para la factorización LU.U]=lu(A). El libro Experiments in Computational Matrix Algebra. Denomine A la nueva matriz llámele L3 a la nueva matriz. el procedimiento también falla. donde 2 0 0 0 ⎢ 1 −1 L=⎣ −4 2 1 −2 −1 −2 ⎡ ⎤ 0 0⎥ 0⎦ 2 y ⎤ 3 −1 −2 2 2 4 1⎥ ⎢0 U =⎣ . o si la tercera entrada de la diagonal de U2 es cero.112 Capítulo 1 Ecuaciones lineales y matrices Paso 3. Sumar 2 veces la tercera fila de U2 a su cuarta columna. 0 0 5 −2⎦ 0 0 0 4 ⎡ Además del esquema de almacenamiento de multiplicadores descrito en el ejemplo 3. el producto LU proporciona la matriz original A (verifique). Además. el programa responde con lo siguiente: la matriz que se obtuvo como L no es triangular inferior. sino una matriz que es una permutación de renglones de A. ⎤ 6 −2 −4 4 ⎢0 −2 −4 −1⎥ U3 = ⎣ 0 0 5 −2⎦ 0 0 0 8 0 0 ⎢ 1 1 0 ⎢ L3 = ⎢ 2 ⎣−2 −2 1 −1 1 −2 ⎡ 1 ⎤ 0 0⎥ ⎥ ⎥ 0⎦ 1 ⎡ Sean L = L3 y U = U3. Si se requiere intercambiar dos filas. De acuerdo con ello. Es importante observar que si a11 = 0. Escriba el negativo del multiplicador debajo de la tercera entrada de la diagonal de L2. Casi todos los programas de cómputo para factorización LU incorporan intercambios de filas en el esquema de almacenamiento de multiplicadores. el procedimiento usado en el ejemplo 3 no da buenos resultados. Hill (Nueva York: Random House. el producto L y U no es necesariamente A. si se realiza un intercambio de filas cuando se utiliza la comando lu de MATLAB en la forma [L. podemos tratar de reacomodar las ecuaciones del sistema y volver a empezar. si A es la matriz de coeficientes considerada en el ejemplo 2. otra factorización LU es LU. Este sistema de ecuaciones lineales se resolvió en el ejemplo 2 usando la factorización LU que se acaba de obtener. si la segunda entrada de la diagonal de U1 es cero. ■ Observación En general. Por ejemplo.

4 ⎡ ⎤ −3 ⎢−1. b = ⎣ 82⎦ 15 13 12 −5 ⎡ ⎤ ⎡ ⎤ 4 2 3 1 0 5⎦.8 10. Resuelva el sistema lineal por medio de una sustitución hacia delante. A = ⎣4 4 8 2 2 ⎡ ⎤ ⎡ ⎤ −3 1 −2 15 6.77 ⎥ b=⎣ 1. ⎡ ⎤ ⎡ ⎤ 2 3 4 6 5 10⎦. ML.25 −1 ⎥ ⎢ 1 9.6 1.25 −0. Ax = b. forsub y bksub.69 ⎦ −4.2 ⎡ ⎤ 4 1 0.8 Ejercicios En los ejercicios 1 a 4. A = ⎣ .01 0.8 Factorización LU (opcional) 113 1. ⎡ ⎤ ⎡ ⎤ 2 8 0 18 2 −3⎦. . −16⎦ −66 ⎤ 6 ⎢ 13⎥ b=⎣ . b = ⎣16⎦.08 0.5 0. usando lupr.2 0. A = ⎣2 1 2 1 −3 ⎡ ⎤ ⎡ ⎤ −5 4 0 1 −17 2 7⎥ ⎢−30 27 ⎢−102⎥ 8. las rutinas forsub y bksub pueden usarse para realizar la sustitución hacia adelante y hacia atrás.3 ⎡ ⎤ −0. 1 1 ⎤ −36 b = ⎣ 11⎦.15 ⎢ 9. A = ⎣−12 10 −6⎦. A = ⎣2 1 2 7 ML. Resuelva en MATLAB el sistema lineal del ejemplo 2.1 0. −1. U = ⎣0 2 1⎦ L = ⎣2 −3 1 −1 4 0 0 2 4 ⎢0 U =⎣ 0 0 ⎡ 2 −4 0 0 1 2 1 0 ⎤ 0 3⎥ 5⎦ 2 8 2. A = ⎣ 8 20 ⎡ 1 ⎢−1 L=⎣ 2 5 ⎡ 2 −6 16 10 0 1 −3 0 1 1 −3 4 0 0 1 −1 ⎤ −2 ⎢ −2⎥ b=⎣ . 1.Sec. Resuelva en MATLAB los ejercicios 7 y 8. seguida por una sustitución hacia atrás.1. forsub y bksub. resuelva el sistema lineal Ax = b con la factorización LU dada de la matriz de coeficientes A.5⎥ b=⎣ 5. ML. Utilice lupr en MATLAB para determinar una factorización LU de ⎡ ⎤ 2 8 0 2 −3⎦ .576 Ejercicios con MATLAB La rutina lupr proporciona un procedimiento paso a paso para obtener la factorización LU que se analizó en esta sección. 16 ⎡ 2 3 U = ⎣0 −2 0 0 ⎤ 1 3⎥ .2. 7⎦ 21 ⎤ 0 0⎥ . A = ⎣2 1 2 7 12 ⎡ ⎤ ⎡ ⎤ 2 0 0 1 4 0 0⎦.25 −2.2⎦ 4 2.3 −2. A = ⎣ . A = ⎣ −2 −6 7 8 9 5 ⎡ 1 0 0 1 0 ⎢ 2 L=⎣ −1 3 1 4 3 2 ⎡ 2 3 0 3 ⎢0 −1 U =⎣ 0 0 −2 0 0 0 4 ⎢−4 4. respectivamente.2⎦ 8 1.4. seguida por una sustitución hacia atrás. b=⎣ 5 2 0 2⎦ −7⎦ 10 1 −2 1 −6 ⎡ ⎤ 2 1 0 −4 0 0. Utilice help para obtener información adicional de estas rutinas. Utilice lupr en MATLAB para determinar una factorización LU de ⎡ ⎤ 8 −1 2 7 2⎦ .3. b = ⎣ 3⎦.52 −0.6⎦ 2. −2 −1. 0⎦ 1 ⎡ ⎡ ⎤ −1 5⎦ 2 2 3 0 5 3 ⎢ 4 3. Una vez que tenemos la factorización LU. −20⎦ 15 ⎡ En los ejercicios 5 a 10. 0⎦ 1 ⎤ 1 1⎥ 5⎦ 4 ⎤ 0 3⎥ .6 −0. A = ⎣ . A = ⎣3 1 1 5 ML.6 −1. −4⎦ −3 ⎤ 0 0⎥ . 5. A = ⎣6 2 ⎡ 4 L = ⎣3 1 ⎡ ⎡ 12 5 1 ⎤ −4 7⎦. determine una factorización LU de la matriz de coeficientes del sistema lineal dado. 1. 6 ⎤ 0 0 2 0⎦. usando lupr.25 6. b = ⎣−1⎦ 7. Compruebe su factorización LU por medio del ejemplo 3. Resuelva el sistema lineal usando una sustitución hacia delante.6⎥ ⎢ 0.

A = ⎣1 3 1 k ⎡ ⎤ 4 Determine todos los valores de k de modo que w = ⎣2⎦ 6 esté en el rango de f. ¿cuándo ocurre que (A + B)(A – B) = A2 – B2? (b) Sean A. Operaciones matriciales. Vea la página 41. Vea la página 70. Intercambiar dos ecuaciones. Ejercicios complementarios En los ejercicios 1 a 3.1. si esto es posible. Propiedades de la multiplicación por un escalar. Sea f : R4 → R3 la transformación matricial definida por f (x) = Ax.8. (a) Si A y B son matrices n × n. páginas 111-112. si esto es posible. Vea la página 39. Si A es una matriz de n × n. Teorema 1. Teorema 1. −8⎦ 1 determine una matriz C en forma escalonada reducida por filas que sea equivalente por filas a A. Determine todas las soluciones del sistema lineal x +y− z=5 2x + y + z = 2 x − y − 2z = 3. Propiedades de la multiplicación de matrices.12. 2 ⎡ ⎤ 1 Determine k de modo que w = ⎣1⎦ no esté en el rango de f. Calcule A2 – 2A + 3I2. 3. Vea la página 45. Método práctico para determinar A–1. Vea la página 70. Forma escalonada reducida por filas. Teorema 1. Teorema 1. −2 B= 3 2 −5 . B y C matrices n × n tales que AC = CA y BC = CB. Calcule 2A + BC. A es equivalente por filas a In. 2. se realizan las siguientes operaciones las veces que sean necesarias: 1. (b) Escriba el sistema lineal cuya matriz aumentada es ⎡ ⎤ 3 2 −4 ⎣5 1 2⎦ . 3. Véanse las páginas 65-66. Vea la página 45. Teorema 1. 3. Multiplicar una ecuación por una constante distinta de cero. Teorema 1. 4 y C = 4 3 1 . Procedimiento para transformar una matriz a una forma escalonada reducida por filas. Un sistema homogéneo de m ecuaciones en n incógnitas siempre tiene una solución no trivial si m < n. 2. 1 7. Vea el ejemplo 3. Teorema 1. donde L es una matriz triangular inferior y U es una matriz triangular superior).4.3. multiplicación por un escalar (vea la página 15). Vea la página 62.13. Las siguientes afirmaciones son equivalentes: 1. 3 2 6 6. Calcule AT + BTC. . Una matriz de n × n es no singular si y sólo si es equivalente por filas a In. x = 0 es la única solución de Ax = 0. multiplicación (vea la página 23). 9. sean A= 1 3 2 . Procedimiento de eliminación gaussiana (para resolver el sistema lineal Ax = b). 5. Sumar un múltiplo de una ecuación a otra ecuación.10. Teorema 1. Vea las páginas 94-95. A es no singular.2. el sistema homogéneo Ax = 0 tiene una solución no trivial si y sólo si A es singular. Propiedades de la suma de matrices. 4. Lista de equivalencias no singular. 1 1 k t 1. Factorización LU (para escribir una matriz A de n × n como LU. 2. si esto es posible. Sea f : R2 → R2 la transformación matricial definida por f(x) = Ax. (a) Escriba la matriz aumentada del sistema lineal x1 + 2x2 – x3 + x4 = −7 2x1 − x2 + 2x4 = −8.114 Capítulo 1 Ecuaciones lineales y matrices Ideas clave para el repaso Método de eliminación. transpuesta (vea la página 16). 8. El sistema lineal Ax = b tiene una solución única para cada matriz b de n × 1. Procedimiento de reducción de Gauss-Jordan (para resolver el sistema lineal Ax = b). 4. Suma (vea la página 14). Propiedades de la inversa. Propiedades de la transpuesta. Vea las páginas 92-93. en donde ⎡ ⎤ 0 2 1 0 A = ⎣1 0 2 1⎦ . Verifique que (AB)C = C(AB). Para resolver un sistema lineal. en donde ⎡ ⎤ 2 1 2 0 −1⎦ . Si 1 ⎢ 2 A=⎣ 4 −3 ⎡ 3 1 7 1 −2 3 −1 −8 ⎤ 5 2⎥ .

(c) tiene una infinidad de soluciones? 11. 14. determine todas las soluciones del sistema homogéneo (λI3 – A)x = 0. ¿Para qué valores de a ocurre que el sistema lineal x+y=3 5x + 5y = a (a) no tiene solución. 22. (b) tiene exactamente una solución. Determine todas las matrices 2 × 2 con entradas reales. de modo que el sistema lineal con matriz aumentada ⎡ ⎤ 1 1 −2 b1 ⎣2 −1 −1 b2 ⎦ 4 1 −5 b3 tenga una solución. 26. determine la inversa de la matriz ⎡ ⎤ −1 2 1 ⎣ 1 0 1⎦ .Ejercicios complementarios 115 10. de la forma A= tales que A2 = I2. 3. 19. Si A es una matriz de n × n y A4 = O. 13. (b) tenga una única solución y (c) tenga una infinidad de soluciones x+y− z=3 x−y+ 3z = 4 x + y + (a 2 − 10)z = a. 3 20. Determine todos los valores de a para los que el sistema resultante (a) no tenga solución. verifique que (In – A)−1 = In + A + A2 + A3. Sea A= 0 0 2 . (a) y λ = 4. 4. (c) k = 4. Si A es una matriz de n × n no singular y c es un escalar distinto de cero. ¿Para qué valor(es) de λ el sistema homogéneo (λ − 2)x + 2y = 0 2x + (λ − 2)y = 0 tiene una solución no trivial? 21. Determine todos los valores de a para los que los siguientes sistemas lineales tienen solución. 5 (a) Determine una matriz de 2 × k B O. b2 y b3. ¿El sistema homogéneo con matriz de coeficientes ⎡ ⎤ 1 −1 3 ⎣1 2 −3⎦ 2 1 0 tiene una solución no trivial? ⎡ ⎤ 1 2 −1 18. ¿cuál es el valor de (cA)−1? 23. 27. 2. De ser posible. Una matriz A de n × n (con entradas reales) es una raíz cuadrada de la matriz B de n × n (con entradas reales) si A2 = B. 25. (a) Determine una raíz cuadrada de B= 1 0 1 . Determine el número de entradas en o sobre la diagonal principal de una matriz de k × k cuando (a) k = 2. 2 29. (b) ¿La respuesta que dio al inciso (a) es la única posible? Explique. Despeje x en Ax = b si ⎡ 1 2 −1 1 A = ⎣0 3 1 ⎤ 0 0⎦ −1 y ⎡ ⎤ 2 b = ⎣1⎦ . ¿Para qué valores de a es consistente el sistema lineal x + 2y + z = a 2 x + y + 3z = a 3x + 4y + 7z = 8 (b) x + 2y + z = a 2 x + y + 3z = a 3x + 4y + 8z = 8 x1 + x3 = a 2 2x1 + x2 + 3x3 = −3a 3x1 + x2 + 4x3 = −2 15. (d) k = n. 12. determine la inversa de la matriz ⎡ ⎤ 1 2 3 ⎣2 5 3⎦ . 28. Determine una ecuación que relacione b1. Si A−1 = ⎣3 4 2⎦ y 0 1 −2 ⎡ 0 1 −1 0 B =⎣ 1 −2 3 calcule (AB)−1. (1 – a)x +z=0 −ay + z = 0 y – az = 0. (b) k = 3. 1 0 8 16. De ser posible. −3 2 3 17. tal que AB = O para k = 1. a 0 b c ⎤ 1 1⎦ . 1 . Si 5 A = ⎣0 0 ⎡ 3 4 0 ⎤ 1 2⎦ 4 24. Determine todos los valores de a para los que el siguiente sistema homogéneo tiene soluciones no triviales. Determine todas las soluciones del sistema lineal x+ y 2x − y − 3y −3x + 3y −z+ w= 3 − z + 2w = 4 +z = −2 + z − 3w = −5.

dos estudiantes deben determinar la inversa de una matriz A de 10 × 10.1. Calcule el vector w para cada una de las expresiones siguientes.5. se define como la suma de todos los elementos de la diagonal principal de A. Demuestre que si Tr(AAT)= 0.8. 0 30. respectivamente.1) de cada una de las siguientes matrices.3. entonces la traza de A. (c) Determine una raíz cuadrada de B = I4.) T. T. Demuestre que toda matriz simétrica. Resuelva el sistema lineal por medio de una sustitución hacia delante. considerando el sistema homogéneo Bx = 0.2. a su instructor. Demuestre que si A es antisimétrica (vea el ejercicio T. A y B son no singulares. b = ⎣ 19⎦ 35. T. determine una factorización LU de la matriz de coeficientes del sistema lineal Ax = b. Tr(A) = a11 + a22 + · · · + ann. Demuestre que no existen matrices A y B.) T. 1 T. T. Calcule la traza (vea el ejercicio complementario T. A−1 es antisimétrica. donde c es un número real (b) Tr(A + B) = Tr(A) + Tr(B) (c) Tr(AB) = Tr(BA) (d) Tr(AT) = Tr(A) (e) Tr(ATA) ≥ 0 T. T. Cada uno realiza los cálculos requeridos y entregan los resultados A1 y A2. ⎡ ⎤ ⎡ ⎤ 2 2 3 −6 5 7⎦.24 de la sección 1.13.4). Ak es antisimétrica para cualquier entero positivo impar k.7. Demuestre que A es no singular si y sólo si B es no singular. Demuestre que si AB es no singular. Tr(A). A = ⎣ 6 −4 18 5 −17 Ejercicios teóricos T.10.13. v = ⎣ 7⎦ .4. Demuestre que xTAx = 0 para toda x en Rn. Demuestre que (a) Tr(cA) = cTr(A). 1 1 2 1 ⎡ ⎤ ⎡ ⎤ 2 1 0 6 F = ⎣−3 0 2⎦ . (d) Demuestre que no existe una raíz cuadrada de B= 0 0 1 . T. Sea A una matriz de m × n. Sea A una matriz triangular superior. tales que T. A = B. n ⎡ 1 A = ⎣1 0 ⎤ ⎡ ⎤ −2 1 1 1 0⎦ . (Sugerencia: compruebe primero que B es no singular.5 de la sección 1. ⎡ ⎤ 2 2 3 1 0 4 4⎦ (b) ⎣2 (a) 2 3 3 −2 −5 ⎡ ⎤ 1 0 0 1 0⎦ (c) ⎣0 0 0 1 31.4). T.9. triangular superior (o inferior) es diagonal (vea el ejercicio T. Demuestre que si A es antisimétrica y no singular. Sea A una matriz antisimétrica de n × n. 0 ⎤ (a) ¿Cómo deben ser los dos resultados? ¿Por qué? (b) ¿Cómo se puede verificar el trabajo de los estudiantes sin repetir los cálculos? 33. y utilice el teorema 1. T. donde n es un entero positivo y ⎡ ⎤ 1 1 2⎦ A=⎣ . Demuestre que si Ax = Bx para todas las matrices x de n × 1. b = ⎣−13⎦ 34. (Vea el ejercicio T. Desarrolle una expresión sencilla para las entradas de A . Como parte de un proyecto. En los ejercicios 34 y 35. C = ⎣2 3 1⎦ . Sean A y B matrices de n × n equivalentes por filas. A = ⎣ 6 −6 −8 −10 22 ⎡ ⎤ ⎡ ⎤ −2 1 −2 −6 1 9⎦. . Si A = [aij] es una matriz de n × n.11. y x un n-vector. los elementos de la diagonal principal de A son todos iguales a cero. Demuestre que A es equivalente por filas a O si y sólo si A = O. de 2 × 2. 1 0 2 32. Sean A y B matrices de n × n. −1 1 2 −3 0 1 1 (a) w = A−1(C + F)v (b) w = (F + 2A)C−1v. Demuestre que si A es antisimétrica (vea el ejercicio T.2). sin calcular la inversa de ninguna de las matrices dadas. Demuestre que A es no singular si y sólo si todas las entradas de la diagonal principal de A son distintas de cero. seguida de una sustitución hacia atrás.24 de la sección 1.1.12. A = O.6.116 Capítulo 1 Ecuaciones lineales y matrices (b) Determine una raíz cuadrada de ⎡ 1 0 0 B = ⎣0 0 0 0 0⎦ . AB − B A = 1 0 0 .

(c) Si A es nilpotente. son de la forma r s −r 0 . k = 1. tales que AB = BA. x+ z= 4 2x + y + 3z = 5 −3x − 3y + (a 2 − 5a)z = a − 8. Determine todos los valores de a para los que el sistema lineal resultante (a) no tiene solución. Si A es una matriz de n × n. (d) Determine todos los valores de k para los que kA también es idempotente. AT es idempotente.20. (a) Forme el producto exterior de x y y. .19. (Vea el ejercicio T.22. entonces A es idempotente si A2 = A.23. . [Sugerencia: determine (In – A)−1 en los casos Ak = O. Determine todas las soluciones del sistema lineal x1 + x2 + x3 − 2x4 = 3 2x1 + x2 + 3x3 + 2x4 = 5 − x2 + x3 + 6x4 = 3. sean x y y matrices columna con n elementos. . (b) Verifique que ⎡ ⎤ 0 1 1 0 1⎦ A = ⎣0 0 0 0 es nilpotente. . (c) ¿A + B idempotente? Justifique su respuesta. El producto exterior de x y y es el producto matricial xyT que da como resultado la matriz de n × n ⎡ ⎤ x1 y1 x1 y2 · · · x1 yn ⎢ x2 y1 x2 y2 · · · x2 yn ⎥ ⎢ ⎥ ⎢ . Sea f : R4 → R4 una transformación matricial definida por f (x) = Ax. . 1 −1 1 0⎦ 4 −1 2 2 2. (b) Determine una matriz idempotente que no sea In ni O. Demuestre que el producto exterior de x y y es equivalente por filas a O. (b) Demuestre que si A es idempotente.17. Demuestre el teorema 1. T. .22.14. Demuestre que el producto de dos matrices antisimétricas de 2 × 2 es diagonal.) (a) Demuestre que H es simétrica. En los ejercicios T. Sean A y B matrices idempotentes n × n.15.16. o a una matriz con n – 1 filas de ceros. donde ⎡ ⎤ 2 1 0 2 0 0 1⎥ ⎢1 A=⎣ . . .1. . La matriz de n×n H = In – 2wwT es una matriz de Householder. (a) Demuestre que toda matriz nilpotente es singular.18. (c) Demuestre que la única matriz de n × n idempotente no singular es In. (Vea el ejercicio T. .24. . ⎣ . donde ⎡ ⎤ 1 x = ⎣2⎦ 3 y ⎡ ⎤ 4 y = ⎣5⎦ . T.14. (b) Demuestre que H−1 = HT. T. Demuestre que Tr(xyT) = xTy. 0 (b) Forme el producto exterior de x y y.] T. 3. Sea w una matriz de n × 1 tal que wTw = 1. ⎡ ⎤ a ⎢ b⎥ Determine todos los vectores w = ⎣ ⎦ que no están en el c d rango de f.Examen del capítulo 117 T. T. (a) Verifique que In y O son idempotentes. Sea A= 2 −1 0 . donde ⎡ ⎤ 1 ⎢2⎥ x=⎣ ⎦ 1 2 y ⎤ −1 ⎢ 0⎥ y = ⎣ ⎦. y busque un patrón. 2. demuestre que In – A es no singular. s donde r y s son números reales cualesquiera. Si A es una matriz de n × n. ¿Es esto cierto para matrices antisimétricas de n × n con n > 2? T. 1 Demuestre que todas las matrices B de 2 × 2.19 a T. ⎦ xn y1 xn y2 · · · xn yn T. entonces A es nilpotente si Ak = O para algún entero positivo k. ⎥.21.) (a) Demuestre que AB es idempotente si AB = BA. 3 5 ⎡ T. (Tenga en cuenta que una matriz de Householder es la matriz identidad más un múltiplo escalar de un producto exterior.14. (b) tiene una única solución y (c) tiene una infinidad de soluciones. Examen del capítulo 1. ¿Cierto o falso? El producto exterior de x y y es igual al producto exterior de y y x. . T.) T.

De ser posible. Justifique sus respuestas. A−1 y 1 = ⎣0 1 ⎡ 2 = ⎣0 1 ⎡ 3 1 −1 ⎤ 0 1⎦ 4 ⎤ B −1 calcule (AB) . −1 1 0 1 1 −2⎦ −1 (b) Despeje x en Ax = b. Si 7. (b) Si u1 y u2 son soluciones del sistema lineal Ax = b. 6. 2 2 A = ⎣−8 4 ⎡ 2 −11 13 ⎤ −1 5⎦ . determine la inversa de la siguiente matriz: ⎡ ⎤ 1 2 −1 ⎣0 1 1⎦ . entonces el sistema homogéneo Ax = 0 tiene una solución no trivial. entonces w = 1 u1 + 3 u2 también es una solución de 4 4 Ax = b. (a) Si 8. (e) Si A. seguida por una sustitución hacia atrás.118 Capítulo 1 Ecuaciones lineales y matrices 4. −5 ⎡ determine todos los valores de λ para los que el sistema homogéneo (λI2 – A)x = 0 tenga una solución no trivial. entonces (ABC)−1 = C−1A−1B−1. 1 0 −1 5. A= −1 −2 −2 . si ⎡ ⎤ 1 0 −2 1 3⎦ A−1 = ⎣2 4 2 5 y ⎡ ⎤ 2 b = ⎣1⎦ . (d) Un sistema homogéneo de tres ecuaciones con cuatro incógnitas tiene una solución no trivial. −7 ⎤ 3 b = ⎣−14⎦ . (c) Si A es una matriz no singular. Decida si cada una de las proposiciones siguientes es verdadera o falsa. Resuelva el sistema lineal usando una sustitución hacia delante. B y C son matrices no singulares de n × n. entonces (A + B)(A + B) = A2 + 2AB + B2. 3 . Determine la factorización LU de la matriz de coeficientes del sistema lineal Ax = b. (a) Si A y B son matrices de n × n.

1 ECUACIONES LINEALES Y MATRICES (OPCIONAL) INTRODUCCIÓN A LA TEORÍA DE CÓDIGOS Requisito. el proceso básico es el mismo. En la actual sociedad global. Con esto en mente. probabilidad y estadística. Los datos recibidos deben verificarse de alguna manera para (en el mejor de los casos) detectar errores en la transmisión.CAPÍTULO 2 APLICACIONES DE 2. número o símbolo se representará en forma binaria. en algunos casos. omitir ciertas letras de las palabras). Los datos se transmiten de un punto a otro o se registran en formas diversas para representar imágenes de vídeo. Casi todas las técnicas de codificación funcionan a la inversa de una abreviación. El aspecto clave de la transmisión de datos radica en que se lleve a cabo de manera rápida y barata. o combinaciones de éstas. la comunicación abunda en el comercio. número o símbolo que necesitemos transmitir se representará con un m-vector binario. Esto es. se compensa con un aumento de la posibilidad de que los datos se interpreten de manera incorrecta. y combinatoria. Sin importar la distancia que deba recorrer la transmisión. En esta sección se presentará una breve introducción a la codificación. Esencialmente. que ha desarrollado técnicas para contribuir a detectar y. incluyendo álgebra lineal y abstracta. CODIFICACIÓN DE INFORMACIÓN BINARIA Y DETECCIÓN DE ERRORES Un mensaje es una secuencia finita de caracteres de un alfabeto. La codificación es una rama de la teoría de la información y la comunicación. el gobierno. y cabe la posibilidad de que ocurra una distorsión. cada una de las cuales será un m-vector binario. la investigación y la educación. teoría de números. Esto es. se envían más datos de los normales como una forma de detectar posibles errores en la transmisión. sonido. 119 . El material sobre sistemas binarios que se analizó en el capítulo 1. La información debe enviarse y recibirse. De acuerdo con lo anterior. en la que utilizaremos el álgebra lineal. Todo carácter. los mensajes consistirán de un conjunto de palabras. 1}. corregir errores. es razonable considerar un proceso “abreviado” (por ejemplo. la teoría de códigos se basa en una cuidadosa selección de qué debe incluirse en la codificación y cómo hacerlo. cada carácter. Esta disciplina se apoya en diversos campos de las matemáticas. Elegiremos como nuestro alfabeto el conjunto B = {0. Desafortunadamente. cualquier ahorro de tiempo que se derive de un procedimiento de ese tipo. El conjunto de todos los m-vectores binarios se denota mediante Bm.

La transmisión errónea de bits en el mensaje enviado da lugar a que la palabra recibida sea diferente de la original. Palabra xt en Bm recibida. Tal problema puede deberse a problemas eléctricos. Canal de transmisión En la transmisión de información.) Un m-vector binario tiene la forma [b1. interferencia climática. b2 · · · bm] o [b1 b2 · · · bm]T. Un vector x en Bm se envía a través de un canal de transmisión. Esto se puede lograr de la manera siguiente. En la práctica. e(11) 110. etcétera. 0 0 Así. De presentarse este tipo de errores. la tarea básica consiste en reducir la probabilidad de recibir palabras que difieran de la que se envió. Tenemos e(00) = 000. donde cada bj es 0 o 1. e(10) = 100.1 y 1. Al codificar suele omitirse la notación matricial. esto es. n = 3 y e(b1b2) = b1b2b3. los vectores binarios y las matrices binarias comparten las mismas propiedades que los vectores y matrices reales (de base 10). De esta manera. donde b3 se define como 0 (b3 ≡ 0). e(01) = 010. salvo que para los cálculos relacionados con aquellos utilizamos aritmética de base 2. Primero elegimos un entero n m y una función inyectiva e de B m a B n. b2 0 0 0 ⎡ ■ EJEMPLO 2 Sean m = 2. las expresiones se escriben en la forma matricial estándar. e(10) = 101.2 de la sección 1. e(01) = 011. ⎤ 1 0 A = ⎣0 1⎦ . La figura 2. de un punto a otro de un canal de transmisión. cualesquiera sean x y y en B m.120 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Como vimos en el capítulo 1. Cualquiera de estas condiciones puede causar que un 0 sea recibido como 1. o viceversa. La función e se denomina función de codificación. (Vea las tablas 1. Figura 2. . e es una transformación matricial de B2 a B3. Tenemos e(00) = 000. Cuando se utiliza el álgebra matricial. x xt. e(11) 110. x y implica que e(x) e(y). esto es. a palabras diferentes en B m corresponden n-vectores diferentes en Bn.1 muestra los procesos básicos de envío de una palabra. el envío puede verse afectado por perturbaciones —que por lo general se denominan ruido— durante su trayecto por el canal de transmisión. dada por ⎡ ⎡ ⎤ ⎤ 1 0 b1 b1 e(b1 b2 ) = ⎣0 1⎦ = ⎣b2 ⎦ . y se recibe como el vector xt en Bm. n = 3 y e(b1b2) = b1b2b3. y concluimos que la función e es inyectiva.1 Palabra x en Bm transmitida. por lo que el m-vector binario se escribe como una cadena de bits en la forma b1b2 · · · bm. donde b3 se define como b1 + b2 (b3 > b1 + b2).2. xt podría ser cualquier vector en Bm. electricidad estática. EJEMPLO 1 Sean m = 2. La función e puede calcularse mediante una multiplicación por la matriz.

transmitiremos 0 o 1. e(11) = 100.1 Introducción a la teoría de códigos 121 y concluimos que la función e es inyectiva. x no se ha transmitido de manera correcta). se puede determinar la palabra original b.Sec.2 ilustra los dos pasos utilizados para la transmisión: primero se codifica la palabra original con la función e. Decimos que e detecta k o menos errores si cada vez que x = e(b) se transmite con k o menos errores. también para ayudar a corregirlos. n) y puede considerarse como un medio para representar cada palabra en Bm como una palabra única en Bn. La función e puede calcularse mediante una multiplicación por la matriz ⎡ ⎤ 1 0 A = ⎣0 1⎦ . Diremos que la palabra código x = e(b) se ha transmitido con k o menos errores si x y xt difieren en al menos 1 pero no más de k bits. EJEMPLO 4 . por lo tanto. xt = x para toda x en Bn. b2 0 0 0 La función inyectiva e de Bm a Bn. xt no es una palabra código (así. Figura 2. En el caso de una palabra b en Bm. La figura 2. 1 1 De esta manera. e(01) = 000. Dado que la función de codificación e es conocida. Esta función e es una transformación matricial. Si el canal de transmisión carece de ruido. e(10) = 100. ya que ⎡ ⎤ ⎡ ⎤ 1 0 b1 b e(b1 b2 ) = ⎣0 0⎦ 1 = ⎣ 0 ⎦ . algo más sorprendente. Los n-m bits adicionales del código pueden utilizarse para detectar errores en la transmisión y. e(b) se llama palabra codificada o palabra de código que representa a b. xt no puede ser x y. Por ejemplo. y luego se transmite la palabra código. y concluimos que la función e no es inyectiva. se denomina función de codificación (m. Tenemos e(00) = 000. Suponga que estamos interesados en transmitir un solo bit. 3). Palabra xt en Bn que es recibida. podríamos utilizar la función de codificación e (1. los errores de transmisión no pueden evitarse. n m. consiste en emitir el mensaje más de una vez.2 Palabra b en Bm que será transmitida. e es una transformación matricial de B2 a B3 dada por ⎡ ⎤ ⎤ 1 0 b1 b1 e(b1 b2 ) = ⎣0 1⎦ = ⎣ b2 ⎦ . n = 3 y e(b1b2) = b100. Esto es. éstos pueden ocurrir. 2. n). Sea e una función de codificación (m. b2 b1 + b 2 1 1 ■ ⎡ ■ EJEMPLO 3 Sean m = 2. Codificación de la palabra b como x = e(b) en Bn. e Canal de transmisión En general. Una manera de protegerse contra errores en la transmisión. Observación Incluso si la función de codificación e está diseñada para incorporar capacidad de detección de errores.

|x| = 3 EJEMPLO 5 ■ DEFINICIÓN La función de codificación e.4. La figura 2. por lo tanto. sabemos que ocurrieron dos. |x| = 1 (c) x = 000000. |x| = 2 (b) x = 000001. b 1 En consecuencia. pero ignoramos si éste fue un solo error o un error doble. ocurren cuando x = 000 pero xt = 111. . DEFINICIÓN Dado un n-vector x. con dicha estrategia decodificaríamos de manera incorrecta xt como 111. Si x = 000. podríamos concluir que se presentaron errores de transmisión. Una estrategia de corrección en este caso parte de suponer que la ocurrencia de un error es más probable que la ocurrencia de dos. sabemos que ha ocurrido un error en la transmisión. Asimismo. 110 o 010. Como la función de codificación detecta 2 errores o menos.3 ilustra este procedimiento de corrección. esto significa que ocurrió un error. Vea también el ejercicio T. tenemos un código de corrección de un solo error. En consecuencia. Los únicos casos en que resulta imposible detectar errores. o viceversa. dada por e(b) = e(b1b2 · · · bm) = b1b2 · · · bmbm+1 = bt. Si xt = 010. Pero observe que si x = 000 y xt = 011.3 001 011 101 000 111 010 100 110 0 Al procedimiento del ejemplo 4 suele denominársele código de repetición triple. se decodifica —de acuerdo con la figura 2. sólo hay dos palabras de código válidas. En términos de una transformación matricial tendríamos. de Bm a Bm+1. Suponga que además de detectar errores queremos corregirlos. |x| = 0 (d) x = 101010. Determine el peso de cada una de las palabras siguientes en B6. el número de unos (1) en x se denomina peso de x. esto significa que ocurrió por lo menos un error. 000 y 111. xt = 010 se “corrige” como 000. Si xt = b1b2b3.122 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) de modo que 0 se codifique como 000 y 1 como 111. de otra forma se decodifica como 111. ⎡ ⎤ ⎡ ⎤ b 1 e(b) = ⎣1⎦ b = ⎣b⎦ . (a) x = 011000. ya que éstas son palabras código no válidas. Si x = bbb se transmite de modo que la palabra recibida es xt = 001. Con esta estrategia. para un solo bit b. y se denota mediante |x|.3— como 000 si podemos movernos del vértice b1b2b3 a 000 a lo largo de una sola arista. pero si x = 111. ■ Figura 2. si recibiéramos 001. decimos que e es una función de codificación con capacidad para detectar un doble error.

e(001) = 0011. no podemos concluir que la palabra código esté libre de errores. decimos que bt tiene paridad par. 1. tales que e(b) = e(c). determine dos vectores diferentes b y c en B3. e(110) = 1100. e(100) = 1001. m + 1) o código de verificación de paridad (m. decimos que bt tiene paridad impar. Sin embargo. 2. n) Palabra de código (o palabra codificada) Detección de k o menos errores Función de codificación para detectar doble error Función de codificación para detectar un solo error Función de codificación de paridad (m. Si bm+1 = 1. A pesar de esta limitación. Términos clave Mensaje Palabras Ruido Función de codificación Función de codificación (m. EJEMPLO 6 Si m = 3. donde b4 = b1 + b3.1 Introducción a la teoría de códigos 123 donde bm+1 = 0. b2 b3 ⎡ ⎤ ⎡b1 ⎤ b1 ⎢b ⎥ e(b1 b2 b3 ) = A ⎣b2 ⎦ = ⎣ 2 ⎦ . determine dos vectores diferentes b y c en B3. el código de verificación (3. (b) Determine la matriz A de manera que e pueda escribirse como una transformación matricial en la forma ⎡ ⎤ b1 b e(b1 b2 b3 ) = A ⎣b2 ⎦ = 1 . e(010) = 0101. y si bm+1 = 0. 4) produce las palabras codificadas. b3 b3 b4 2. (b) Determine la matriz A de manera que e pueda escribirse como una transformación matricial en la forma ⎡ ⎤ ⎡b1 ⎤ b1 ⎢b ⎥ e(b1 b2 b3 ) = A ⎣b2 ⎦ = ⎣ 2 ⎦ . m + 1). Si el canal de transmisión transmite x = 101 de B3 como xt = 1011. pero no detecta un número par de errores. e(011) = 0110. Si la palabra recibida hubiera sido xt = 1010. m + 1) detecta un número impar de errores. e(111) = 1111. b3 b3 0 3. si |b| es par si |b| es impar se denomina función de codificación de paridad (m. como |101| = 2 y xt tiene paridad impar. En este caso. determine dos vectores diferentes b y c en B3.1 Ejercicios Todas las operaciones aritméticas de esta sección deben realizarse por medio de aritmética binaria. el peso de xt es |xt|= 3. sabemos que ocurrió un número impar de errores (al menos uno). 1. e(000) = 0000. Sea e la función de B3 a B4 dada por e(b1b2b3) = b1b2b3b4. Sea e la función de B3 a B4 dada por e(b1b2b3) = b1b2b3b4. ■ Observación El código de verificación de paridad (m. m + 1) [o código de verificación de paridad (m. (b) Determine la matriz A de manera que e pueda escribirse como una transformación matricial en la forma (a) ¿La función e es inyectiva? Si no lo es. m + 1)] 2. donde b4 = 0. (a) ¿La función e es inyectiva? Si no lo es.Sec. tales que e(b) = e(c). (a) ¿La función e es inyectiva? Si no lo es. e(101) = 1010. . este código se utiliza con mucha frecuencia. |xt| = 2 y xt tiene paridad par. tales que e(b) = e(c). Sea e la función de B3 a B2 dada por e(b1b2b3) = b1b2.

desarrolle las palabras código para el código de verificación de paridad (4. T. Determine el peso de cada una de las palabras dadas. 6) y se reciben las palabras siguientes. (b) Determine. con peso tres. de 1 × 16. Ejercicios con MATLAB El ejercicio ML.5. Por medio de las instrucciones siguientes. Sea e la función de B2 a B4 dada por e(b1b2) = b1b2b3. (a) 1101 (b) 0011 (c) 0100 (d) 0000 8. si utilizáramos una verificación de paridad sobre la palabra que se recibe.2. 0⎦ b2 1 (a) Determine todas las palabras código. si existe. (a) 10100 (b) 01101 (c) 11110 (d) 10000 10. ¿esta verificación detectaría todos los errores posibles? Explique su respuesta.3. 5). (d) Construya las palabras código del código de verificación de paridad (4. (i) 011 (ii) 111 (iii) 010 (iv) 001 e(b1 b2 ) = A b1 b2 ⎤ b1 = ⎣ b2 ⎦ . 15. Se utiliza un código de verificación de paridad (4. Sea e una función de codificación (m. (a) ¿La función e es inyectiva? Si no lo es. Ejercicios teóricos T. (c) Construya un vector binario. b1 × b2 ⎡ 5. Determine si se detectaría un error. 5) y se reciben las palabras siguientes.1. con peso uno. con peso dos. donde b3 = b1 × b2. Determine el peso de cada una de las palabras siguientes. (b) Demuestre que el código de corrección de error del ejercicio 11 es lineal. Determine la paridad de cada una de las palabras siguientes en B5. Determine si se detectaría un error.4.124 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) 4. T. con peso dos. Sea e la función de B2 a B4 dada por la transformación matricial siguiente: 1 ⎢0 e(b1 b2 ) = ⎣ 1 0 ⎡ ⎤ 0 1⎥ b1 . (a) Determine las palabras código para el código de verificación de paridad (2. (b) ¿Este código es lineal? (c) Como todas las palabras código tienen la misma paridad. Determine la paridad de cada una de las palabras siguientes en B4. tales que e(b) = e(c). determine dos vectores diferentes b y c en B2. 3). con peso uno. (a) Demuestre que el código de corrección de error del ejemplo 4 es lineal. ML. T. Determine el número de palabras con peso uno y con peso dos en Bn. 4) para generar una matriz cuyas columnas sean todos los vectores en B4.9. Decimos que e produce un código de corrección de error. Determine el número de palabras con peso cero en B3. w. (b) Utilice el comando s = sum(M) para calcular un vector cuyas entradas sean los pesos de las columnas de la matriz M. la matriz A de manera que e pueda escribirse como una transformación matricial en la forma 7. . Determine el número de palabras con peso cero en B2. (a) 01101 (b) 00011 (c) 00010 (d) 11111 9. Se utiliza un código de verificación de paridad (5. T. n) que detecta k o menos errores. (a) Utilice el comando M = bingen(0. cuyas entradas sean la paridad de las columnas de la matriz M. (a) 001101 (b) 101110 (c) 110000 (d) 111010 11. (a) 01110 (a) 101 (b) 10101 (b) 111 (c) 11000 (c) 011 (d) 00010 (d) 010 6.1 tiene que ver con matrices binarias y con los comandos adicionales que se describen en la sección 12. Un código de corrección de error es lineal si la suma (o diferencia) de cualesquiera dos palabras código es también una palabra código. 5) mostrando la matriz C = [M. w].1. (b) Determine si se detectará un error al recibir cada una de las palabras siguientes.

y aristas dirigidas. la digráfica de la figura 2.4. P1P3 y P3P1. la digráfica de la figura 2.4(d) tiene vértices P1. P1. En esta sección presentaremos una muy breve introducción a la materia.4 P1 P3 P1 P3 P2 (a) P2 P4 (b) P2 P1 P1 P3 (c) P2 P3 (d) . y viceversa.2 TEORÍA DE GRÁFICAS Requisito. Expresamos esta propiedad diciendo que no hay bucles (o lazos). GRÁFICAS DIRIGIDAS DEFINICIÓN Las gráficas dirigidas (conocidas también como digráficas) son conjuntos finitos de puntos P1. que se utiliza ampliamente para formular modelos de muchos problemas en los negocios. Propiedades de las operaciones con matrices La teoría de gráficas es un área relativamente nueva de las matemáticas. las ciencias sociales y las ciencias físicas. la digráfica de la figura 2. P1 ← P3. pero sí mediante otros vértices. P2 y P3 y aristas dirigidas P1P2. que incluye su relación con las matrices y la forma de emplear estos conceptos elementales para elaborar modelos de algunos problemas importantes.4(c) tiene vértices P1. La digráfica de la figura 2. Observe que en una digráfica podría no haber una arista dirigida del vértice Pi a alguno de los otros vértices. junto con conjuntos finitos de arcos (aristas o lados) dirigidos. .4(a) tiene vértices. . cada uno de los cuales une un par ordenado de vértices distintos. P2P3. Pn. → ■ EJEMPLO 1 Figura 2.Sec. P2. Estas aplicaciones incluyen problemas de comunicación y el estudio de organizaciones y estructuras sociales. P3 y P4 y aristas dirigidas P1P2 y P1P3. . . Un par de aristas dirigidas como P1P3 y P3P1 se indican por medio de un segmento recto o curvo con una flecha de doble punta. ninguno de los vértices de una digráfica puede estar unido a él mismo por medio de una sola arista dirigida. supondremos que no hay aristas dirigidas múltiples que unan a cualesquiera dos vértices. la arista dirigida PiPj es diferente de la arista dirigida PjPi. 2.4 muestra cuatro ejemplos de gráficas dirigidas. P1P2 y P2P3. La figura 2. P1P3 y P3P1. P2 y P3 y aristas dirigidas P2P1.4(b) tiene vértices P1. P2. P2 y P3.2 Teoría de gráficas 125 2. llamados vértices o nodos. Por otro lado. De acuerdo con lo anterior. Análisis de la sección 1. Además.

. 0 P3 ⎤ P1 P B= 2 P3 P4 ⎡ ⎢ ⎢ ⎢ ⎣ P1 0 0 0 0 P1 P2 1 0 0 0 P2 1 0 0 P3 1 0 0 0 P3 ⎤ 1 ⎥ 1 ⎦ 0 P4 0 0 0 0 ⎤ ⎥ ⎥ ⎥. las matrices de adyacencia de las digráficas de la figura 2. 0 ⎤ P1 0 ⎢ D = P2 ⎣ 0 1 P3 ⎡ ■ Figura 2. T2. diagramas de flujo. j es 1 si existe una arista dirigida de Pi a Pj y 0 en caso contrario. ⎦ P1 0 ⎢ C = P2 ⎣ 0 1 P3 P4 P3 ⎡ P1 1 ⎥ 0 ⎦. T7 venció a T4. relaciones familiares. C y D son. Con la información anterior obtenemos la digráfica de la figura 2. Las matrices A. EJEMPLO 3 La matriz P1 ⎡ P1 0 P2 ⎢ 0 A(G) = P3 ⎣ 0 1 P4 P2 1 0 1 0 P3 0 1 0 1 P4 ⎤ 1 1 ⎥ 1 ⎦ 0 ■ es la matriz de adyacencia de la digráfica que se muestra en la figura 2.6 . la matriz A(G) de n × n. respectivamente. Tanto en las siguientes páginas como en los ejercicios analizaremos algunos de estos casos. T6 no ha jugado. ■ Las digráficas pueden utilizarse en muchas situaciones. cuyo elemento i. y perdió contra T3. y perdió contra T7.5. T2 venció a T5. y perdió contra T1 y T3. . T3 venció a T1 y T2. . estructuras sociales. Suponga que después de cierto número de juegos tenemos la siguiente situación: T1 venció a T2 y T5. T7. EJEMPLO 2 P1 0 ⎢ A = P2 ⎣ 0 0 P3 P1 P2 ⎡ P1 P2 1 0 0 P2 1 0 0 P3 0 ⎥ 1 ⎦. B.4 (verifique). mapas de calles. T4 venció a T3. circuitos eléctricos y cadenas ecológicas. . EJEMPLO 4 Una liga de boliche consta de siete equipos: T1. a partir de una matriz dada cuyas entradas son ceros y unos (sólo hay ceros en las entradas de la diagonal). donde Ti → Tj significa que Ti venció a Tj. y perdió contra T4. problemas de transporte. incluyendo problemas de comunicaciones. T5 perdió contra T1 y T2. T1 T2 T4 T3 T6 T7 T5 Figura 2.6.5 Por supuesto. podemos obtener una digráfica cuya matriz de adyacencia sea la matriz dada. Observe que A(G) no es necesariamente una matriz simétrica. es la matriz de adyacencia de G.126 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) DEFINICIÓN Si G es una digráfica que tiene n vértices.

Pi domina a Pj o Pj domina a Pi. Sean P1. muchos teléfonos de emergencia en las autopistas permiten que el viajero llame a una estación de auxilio cercana. 2. ⎥ ⎥ ⎥ ⎦ . Pi influye en Pj. .7 para describir las relaciones de influencia entre ellos.7 Al observar las filas de A(G). . puede suceder o no que si Pi tiene acceso a Pj. 3. Pj. .2 Teoría de gráficas 127 MODELOS EN SOCIOLOGÍA Y COMUNICACIONES Suponga que tenemos n individuos P1. vemos que P3 tiene tres unos (1) en su fila. Este modelo se representa mediante una digráfica G como sigue. Para cada par de individuos Pi. La matriz de adyacencia de G es G P1 P5 P6 P2 P4 P1 P2 P A(G) = 3 P4 P5 P6 P1 0 ⎢ 0 ⎢ ⎢ 1 ⎢ 0 ⎢ ⎣ 0 0 ⎡ P2 0 0 1 1 0 1 P3 0 0 0 0 0 0 P4 0 0 0 0 0 1 P5 1 1 1 1 0 0 P6 ⎤ 0 0 ⎥ ⎥ 0 ⎥ ⎥. EJEMPLO 5 P3 Suponga que seis individuos se han reunido en sesiones de terapia de grupo durante mucho tiempo. Pn. . algunos de los cuales tienen relación entre sí. . EJEMPLO 6 P3 Considere una red de comunicación cuya digráfica G se muestra en la figura 2. La matriz de adyacencia de G es G P1 P2 P5 P6 Figura 2. pero no es posible que ambos sean dominantes. que no es parte del grupo.Sec. Pi puede tener acceso a Pj y Pj puede tener acceso a Pk. pero no necesariamente. P2. Daremos por sentado que ninguno de ellos tiene relación consigo mismo. La gráfica que representa esta situación es la digráfica completa con n vértices. Tales gráficas suelen denominarse gráficas dirigidas (o digráficas) de dominancia. . . pero no que la estación se comunique con el viajero. ha trazado la digráfica G de la figura 2. En este caso. tracemos una arista dirigida de Pi a Pj si Pi tiene acceso a Pj. . y el moderador. Algunos ejemplos de estas relaciones son: 1. 2. 0 ⎥ 0 ⎦ 0 Figura 2.8. Pi tiene acceso a Pj. Esta situación es idéntica a la del punto 1: si Pi influye en Pj. P5 no influye en persona alguna del ■ grupo. pero no necesariamente Pi tiene acceso a Pk. P2. de modo que P3 influye en tres personas (más que cualquier otro individuo). Pn los vértices de G.8 P4 P1 P2 P A(G) = 3 P4 P5 P6 ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ P1 0 0 1 0 0 1 P2 0 0 1 1 1 0 P3 0 0 0 0 0 1 P4 0 0 0 0 0 0 P5 1 1 1 1 0 0 P6 0 1 0 1 1 0 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥. Es importante observar que esta relación no necesariamente es transitiva. En consecuencia. Pj podría influir en Pi. Es decir. Por otro lado. Por ejemplo. P3 sería declarado líder del grupo. también Pj tenga acceso a Pi.

la influencia en r etapas muestra el efecto de la influencia indirecta. . tales que Pi tiene acceso a P j1 . 3 ⎥ 2 ⎦ 0 P1 P2 P 2 A(G) + [A(G)] = C = 3 P4 P5 P6 Como c35 = 3. o r etapas. el elemento i. . De manera similar. y Pjr 1 tiene acceso a Pk. bi j es el número de formas en que Pi tiene acceso a Pj en r etapas. P jr −1 . . De manera similar. Si hacemos A(G) + [A(G)]2 + · · · + [A(G)]r = C = [cij]. . P3 → P2 → P5 y P3 → P1 → P5. encontramos que P1 P2 P 2 [A(G)] = 3 P4 P5 P6 y P1 0 ⎢ 1 ⎢ ⎢ 0 ⎢ ⎢ 1 ⎣ 1 1 ⎡ P1 0 ⎢ 1 ⎢ ⎢ 1 ⎢ ⎢ 1 ⎣ 1 2 ⎡ P2 1 1 1 1 0 1 P2 1 1 2 2 1 1 P3 0 1 0 1 1 0 P3 0 1 0 1 1 1 P4 0 0 0 0 0 0 P4 0 0 0 0 0 0 P5 0 0 2 1 1 2 P5 1 1 3 2 1 2 P6 ⎤ 1 1 ⎥ ⎥ 2 ⎥ ⎥ 2 ⎥ 1 ⎦ 0 P6 ⎤ 1 2 ⎥ ⎥ 2 ⎥ ⎥. P j1 tiene acceso a P j2 . . En la relación de influencia. . EJEMPLO 7 Si G es la digráfica de la figura 2. . . podemos hablar de dominio en r etapas. ■ . . Pk pueden ser iguales. podemos hablar de un acceso en dos etapas. . . También podemos utilizar este modelo para estudiar la propagación de un rumor. P j1 .128 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Aunque la relación “Pi tiene acceso a Pj” no es necesariamente transitiva. j (r ) Entonces. Así. . .1 Sea A(G) la matriz de adyacencia de una digráfica G. y sea Br la r-ésima potencia de A(G): [A(G)]r = Br = [ bi(r ) ]. o r etapas. P jr −1 . cuya demostración omitiremos. ■ La suma de los elementos de la j-ésima columna de [A(G)]r proporciona el número de formas en que Pj puede ser alcanzado por los demás individuos en r etapas. (1) entonces cij es el número de formas en que Pi tiene acceso a Pj en una. . . dos. A partir de lo anterior es posible establecer el siguiente teorema. Decimos que Pi tiene acceso en dos etapas a Pk si encontramos un individuo Pj tal que Pi tiene acceso a Pj y Pj tiene acceso a Pk. j de Br . TEOREMA 2. . . dos. Pi tiene acceso en r etapas a Pk si podemos determinar r − 1 individuos P j1 . P jr −2 tiene acceso a Pjr 1. hay tres formas en que P3 tiene acceso a P5 en una o dos etapas: P3 →P5. . . de influencia en r etapas.8. Algunos de los r + 1 individuos Pi . cij en (1) es el número de formas en que Pi ha propagado el rumor hasta Pj en una. . y así sucesivamente.

término que definimos a continuación. Éste es un ejemplo de un clan. si en caso contrario.10 EJEMPLO 9 Considere la digráfica de la figura 2. El conjunto {P1. P4 pertenece a ambos clanes. en caso contrario. P4}.Sec. P5. sij = 1 si Pi y Pj tienen acceso uno al otro. Es difícil determinar los clanes en el caso de digráficas de gran tamaño. formamos una nueva matriz S = [sij]: sij = sji = 1 aij = aji = 1. Así. (c) No existe un subconjunto T de vértices que satisfaga la propiedad (b) y que contenga a S [es decir. Observe que S es una matriz simétrica (S = ST). P2. sij = 0. . Es decir. ■ Además. EJEMPLO 8 Considere la digráfica de la figura 2. P2. En este caso tenemos dos clanes: {P1. P2. P3. Si A(G) = [aij] es la matriz de adyacencia de una digráfica. el único clan en esta digráfica es {P1. 2.9 Figura 2. P3. P3.10. (b) Si Pi y Pj están en S. ■ P1 P3 P5 P2 P3 P1 P4 P6 P4 P5 P2 Figura 2. existe una arista dirigida de Pi a Pj y una arista dirigida de Pj a Pi.2 Teoría de gráficas 129 Al estudiar estructuras organizativas. {P1. P3} satisface las condiciones (a) y (b) anteriores. S es un subconjunto maximal que satisface (b)].9. un clan es un subconjunto S de vértices con las siguientes propiedades: (a) S contiene tres o más vértices. El siguiente método es útil para detectar clanes y puede implementarse con facilidad en una computadora. P2. P6}. hacemos sij = sji = 0. pues no satisface la condición (c). el cual satisface las condiciones (a). (b) y (c). con frecuencia encontramos subconjuntos de personas en los que cualesquiera dos individuos están relacionado entre sí. P4} y {P4. P2. pero no es un clan. P3} está contenido en {P1. DEFINICIÓN En una digráfica. P4}. En consecuencia.

Entonces. Paso 1. sij 0. Pj y Pk pertenecen al mismo clan. 1 ⎥ 1 ⎦ 0 Entonces. entonces s (3) > 0 ) se deja como ejercicio. de modo que Pj → Pi. puede demostrarse el siguiente teorema. j Pi pertenece a un clan si y sólo si la entrada diagonal.de S3. Pj. donde [ si(3) ]. Como una digráfica no tiene bucles. P1 P2 P S = 3 P4 P5 P6 ⎡ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ P1 0 0 0 1 1 0 P2 0 0 1 0 1 1 P3 0 1 0 1 0 1 P4 1 0 1 0 0 1 P5 1 1 0 0 0 1 P6 0 1 1 1 1 0 ⎤ ⎥ ⎥ ⎥ ⎥ ⎥. Esto significa que Pi. Pero sij 0 implica que sij 0. Así. j. j si aij = aji = 1. . hay por lo menos una forma en que Pi tiene acceso a sí mismo. Si sii > 0 .2. Pi pertenece a un clan si y sólo si si(3) es positivo. Si A = [aij] es la matriz de adyacencia de la digráfica dada.2 Sean A(G) la matriz de adyacencia de una digráfica y S = [sij] la matriz simétrica de(3) finida previamente. donde sij = sji = 1 y sij = 0 en caso contrario.130 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) EJEMPLO 10 Considere una digráfica con matriz de adyacencia P1 P2 P A(G) = 3 P4 P5 P6 P1 0 ⎢ 1 ⎢ ⎢ 0 ⎢ 1 ⎢ ⎣ 1 0 ⎡ P2 0 0 1 0 1 1 P3 1 1 0 1 0 1 P4 1 1 1 0 1 1 P5 1 1 1 0 0 1 P6 ⎤ 0 1 ⎥ ⎥ 1 ⎥ ⎥. cualesquiera dos de los individuos en {Pi. TEOREMA 2. con S 3 = [ si j ] . ii El procedimiento para determinar un clan en una digráfica es el siguiente. En primer lugar. calculamos la matriz simétrica S = [sij]. Pk} tienen acceso uno al otro. observe que la entrada diagonal si(3) de S3 proporciona el j (3) número de formas en que Pi puede tener acceso a sí mismo en tres etapas. Paso 2. es el elemento i. este acceso debe pasar por dos individuos: Pi → Pj → Pk → Pi. De manera similar. La dirección opuesta (si Pi está en un clan. Calculamos S 3 = [ si(3) ]. ■ j Consideremos brevemente por qué nos interesan las entradas diagonales de S3 en el teorema 2. si(3) es positiva. ⎥ ⎥ ⎥ ⎦ ■ De acuerdo con ello. j Paso 3.

0 ⎦ 2 P5 P4 P1 P2 S = P3 P4 P5 y P1 0 ⎢ 0 ⎢ ⎢ 1 ⎣ 0 1 ⎡ P1 2 ⎢ 1 ⎢ ⎢ 3 ⎣ 0 4 ⎡ Figura 2. 1 ⎦ 0 ■ P3 P5 P4 P1 P2 S = P3 P4 P5 y P1 0 ⎢ 1 ⎢ ⎢ 1 ⎣ 0 1 ⎡ P1 0 ⎢ 3 ⎢ ⎢ 4 ⎣ 0 3 ⎡ Figura 2. forman el único clan en esta digráfica.11 P1 P2 S 3 = P3 P4 P5 Como cada entrada diagonal de S3 es igual a cero.11.12.2 Teoría de gráficas 131 EJEMPLO 11 Considere la digráfica de la figura 2.Sec. P3 y P5 pertenecen a algún clan. 2. 0 ⎦ 0 P5 ⎤ 1 0 ⎥ ⎥ 0 ⎥ 0 ⎦ 0 P5 ⎤ 3 0 ⎥ ⎥ 0 ⎥. de hecho. cuya matriz de adyacencia es P1 P2 P1 P2 A(G) = P3 P4 P5 Entonces (verifique) P3 P1 0 ⎢ 0 ⎢ ⎢ 1 ⎣ 0 1 ⎡ P2 0 0 0 0 1 P2 0 0 0 0 1 P2 1 0 1 0 3 P3 1 1 0 1 1 P3 1 0 0 0 1 P3 3 1 2 0 4 P4 1 0 0 0 0 P4 0 0 0 0 0 P4 0 0 0 0 0 P5 ⎤ 1 1 ⎥ ⎥ 1 ⎥. 1 ⎦ 0 P5 ⎤ 1 1 ⎥ ⎥ 1 ⎥ 0 ⎦ 0 P5 ⎤ 4 3 ⎥ ⎥ 4 ⎥. s33 y s55 son positivos.12 P1 P2 S 3 = P3 P4 P5 Como s11. concluimos que no hay clanes. cuya matriz de adyacencia es P1 P2 P1 P2 A(G) = P3 P4 P5 Entonces (verifique) P1 0 ⎢ 1 ⎢ ⎢ 1 ⎣ 0 1 ⎡ P2 1 0 0 1 0 P2 1 0 0 0 0 P2 3 0 0 1 0 P3 1 0 0 1 0 P3 1 0 0 1 0 P3 4 0 0 2 0 P4 0 0 1 0 0 P4 0 0 1 0 0 P4 0 1 2 0 1 P5 ⎤ 1 1 ⎥ ⎥ 0 ⎥. EJEMPLO 12 Considere la digráfica de la figura 2. concluimos que P1. ■ .

Pr. En caso contrario. si tenemos P1 → P2 → P4 → P3 → P2 → P5. ■ P3 EJEMPLO 13 Figura 2. proporciona un criterio para las digráficas fuertemente conexas. Pb. . entonces no hay una trayectoria de Pi a Pj. Considere la digráfica de la figura 2. En el caso de muchas digráficas. pues todos los vértices de la misma son distintos y es imposible recorrer más vértices que los n de la digráfica.13.132 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Consideremos ahora el concepto de digráfica (o gráfica dirigida) fuertemente conexa.de [A(G)] + [A(G)]2 + · · · + [A(G)]n−1 es igual a cero. determinar si son o no fuertemente conexas resulta tedioso. el número de aristas en una trayectoria de Pi a Pj no puede exceder n – 1. obteniendo la trayectoria P1 → P2 → P5. . entonces bi(r ) es el número de formas de ir de Pi a Pj en r j j etapas. ■ . De acuerdo con lo anterior. Si [A(G)]r = [bi(r ) ] . Un ejemplo de una digráfica fuertemente conexa son las calles de una ciudad. PrPk. La sucesión P2 → P3 → P4 → P2 → P5 no es una trayectoria. podemos eliminar el segundo vértice P2 y todas las aristas entre los vértices P2. observe que si nuestra digráfica tiene n vértices. Por ejemplo. Pa. . . j.13 P1 P2 P5 P6 P4 DEFINICIÓN La digráfica G es fuertemente conexa si para cualesquiera dos vértices distintos Pi y Pj existe una trayectoria de Pi a Pj y una trayectoria de Pj a Pi. DEFINICIÓN En una digráfica. si el elemento i. Pk y aristas dirigidas PiPa. En primer lugar. La sucesión P2 → P3 → P4 → P5 es una trayectoria. una trayectoria (o camino) que une a dos vértices Pi y Pk. . Por lo tanto. . . PaPb. realmente obtenemos una trayectoria entre Pi y Pj con no más de r aristas. Una forma de ir de Pi a Pj en r etapas no es necesariamente una trayectoria. el siguiente teorema. la mitad de cuya demostración acabamos de bosquejar. TEOREMA 2.3 Una digráfica con n vértices es fuertemente conexa si y sólo si su matriz de adyacencia A(G) tiene la propiedad de que la matriz [A(G)] + [A(G)]2 + · · · + [A(G)]n−1 = E no tiene entradas iguales a cero. pues se repite el vértice P2. Si éstos y todas las aristas entre ellos se eliminan. es una sucesión de vértices distintos Pi. G no es fuertemente conexa. Pc. . pues podría tener vértices repetidos.

BUSBY y S. ROSS.B. Massachusetts: Addison-Wesley Publishing Company. ⎦ 0 0 Entonces (verifique) P5 P4 P1 P2 A(G)+[A(G)]2 +[A(G)]3 +[A(G)]4 = E = P3 P4 P5 P1 5 ⎢ 5 ⎢ ⎢ 5 ⎣ 5 5 ⎡ P2 5 4 4 4 5 P3 7 8 7 7 7 P4 10 10 10 10 10 P5 ⎤ 3 3 ⎥ ⎥ 4 ⎥. 2002. 2002. TRUDEAU. Linear Equations and Matrices. O. Inc. Boca Ratón: CRC Press.G. 4 ⎦ 3 ■ Figura 2. Discrete Mathematical Structures. Inc. GARY y P.J. G es fuertemente conexa si y sólo si E no tiene entradas iguales a cero. y T..C. 1996. VAN VLECK.. J. Nueva Jersey: Prentice Hall. 2004. Nueva York. EJEMPLO 14 Considere la digráfica de la figura 2. G. R. 4a. Nueva York.. 1966. B. TUCKER. Introduction to Graph Theory.. ZHANG.. Finite Graphs and Networks: An Introduction with Applications. . BUSACKER. Nueva York: Dover Publications.14. el contaminante puede propagarse de Pi a Pj.. Paso 1.C. SAATY. Introduction to Graph Theory. 2004. The Theory of Graphs and Its Applications. Nueva York: Dover. KOLMAN. 2004. Washington. Paso 2. ALAN. si hay una trayectoria de Pi a Pj. R. para rastrear la propagación de un contaminante en un grupo de individuos. JOHNSTON.: Mathematical Association of America. Wiley. ed.. CHARTRAND. Este enfoque sirve. 2a. 4a. Applied Combinatorics. Lecturas adicionales BERGE. GARY y LINDA LESNIAK. 2. La matriz de adyacencia es P2 P1 P3 P1 P2 A(G) = P3 P4 P5 P1 0 ⎢ 0 ⎢ ⎢ 0 ⎣ 1 0 ⎡ P2 1 0 0 0 1 P3 0 1 0 1 0 P4 1 1 1 0 1 P5 ⎤ 0 0 ⎥ ⎥ 1 ⎥.2 Teoría de gráficas 133 El procedimiento para determinar si una digráfica G con n vértices es fuertemente conexa es el siguiente.. C.S. McGraw-Hill.. CHARTRAND. 1965. PRICE y F. por ejemplo. Graphs and Their Uses.L. 5a.Sec. ed. D. 2001. Nueva York: McGrawHill. Upper Saddle River. la digráfica dada es fuertemente conexa. Si A(G) es la matriz de adyacencia de la digráfica.. ORE. revisada. calculamos [A(G)] + [A(G)]2 + · · · + [A(G)]n−1 = E. R. ed. Graphs and Digraphs. Reading.14 Como todas las entradas de E son positivas. ed.

dos o tres etapas? En los ejercicios 8 a 10. P1 influye en P2. P2 se lleva bien con P1 y P5. P3 influye en P1 y P4. Carter se ve influenciado por Peters. Se han observado las siguientes interacciones sociales entre ellas: P1 se lleva bien con P2. P2 P3 P5 (a) P4 (b) P1 P4 P6 P2 P3 P1 P5 Carter influye en Smith y Gordon. P2 influye en P3 y P4. En cada caso. P3. 0 ⎢1 8. P5 influye en P2 y P3. Gordon influye en Jones.134 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Términos clave Gráfica dirigida (digráfica) Vértices (o nodos) Arcos (aristas o lados) dirigidos Matriz de adyacencia Gráficas (o digráficas) de dominancia Acceso en dos etapas Clan Fuertemente conexa 2. Los siguientes datos han sido recopilados en un estudio sociológico de seis personas: (a) ¿De cuántas formas tiene acceso P2 a P1 por medio de un individuo? (b) ¿Cuál es el número mínimo de personas por medio de las cuales P2 tiene acceso a sí misma? 7. ⎢0 ⎢ ⎣1 0 ⎡ 0 0 1 1 0 0 1 0 1 1 0 1 1 0 1 ⎤ 0 1⎥ ⎥ 0⎥ 0⎦ 0 . Escriba la matriz de adyacencia que representa a G. Considere la siguiente relación de influencia entre cinco individuos. Jones influye en Carter y Russell. P4 y P5. que están encargadas de operar una estación climatológica en una isla remota. trace una digráfica determinada por la matriz dada. Peters se ve influenciado por Russell. P1. Smith influye en Jones. Russell se ve influenciado por Carter. Smith y Gordon. Trace una digráfica G que describa esta situación. descrita con matriz de adyacencia P1 P2 P3 P4 P5 P1 0 ⎢ 0 ⎢ ⎢ 0 ⎣ 0 1 ⎡ P2 1 0 1 0 0 P3 1 0 0 0 1 P4 1 1 1 0 0 P5 ⎤ 1 1 ⎥ ⎥ 0 ⎥. Peters influye en Jones y Gordon. Smith se ve influenciado por Peters. P3 y P4. Considere una red de comunicación entre cinco individuos. 1 ⎦ 0 3. (a) ¿Quién influye sobre más personas? (b) ¿Quién se ve influenciado por más personas? 6. P2 y P4. P3 y P5. Escriba las matrices de adyacencia de cada una de las digráficas dadas.2 Ejercicios 1. P5 se lleva bien con P4. P2. P4 se lleva bien con P2. ¿Cuáles de las siguientes pueden ser matrices de adyacencia de una digráfica de dominancia? ⎡ ⎤ 0 1 1 0 0 1 1⎥ ⎢0 (a) ⎣ 0 0 0 0⎦ 0 0 1 0 ⎡ ⎤ 0 0 1 0 0 0 1 0 1⎥ ⎢1 ⎢ ⎥ 0 0 0 1⎥ (b) ⎢0 ⎣1 1 1 0 1⎦ 1 0 0 0 0 5. Considere un grupo de cinco personas. encuentre un clan —si lo hay— para la digráfica con la matriz de adyacencia dada. 4. ⎡ ⎤ 0 1 0 0 0 0 1 1 0⎥ ⎢0 ⎢ ⎥ 0 0 1 1⎥ (a) ⎢1 ⎣ ⎦ 1 1 0 0 1 1 0 1 1 0 ⎡ ⎤ 0 1 1 1 0 0 1⎥ ⎢1 (b) ⎣ 1 1 0 0⎦ 0 1 0 0 2. P4 y P5. P4 influye en P5. P3 se lleva bien con P1. (a) ¿Puede P4 influir en P1 en dos etapas como máximo? (b) ¿De cuántas formas influye P1 en P4 en exactamente tres etapas? (c) ¿De cuántas formas influye P1 en P4 en una.

⎢0 ⎢ ⎣ 1 0 ⎡ 1 0 0 0 0 0 1 0 0 0 1 1 0 0 0 1 1 1 1 0 0 0 0 0 1 0 1 1 0 1 1 0 1 1 0 0 1 0 1 ⎤ 1 1⎥ ⎥ 0⎥ ⎦ 1 0 ⎤ 1 0⎥ ⎥ 0⎥ ⎥ 1⎥ 1⎦ 0 0 ⎢0 (b) ⎢1 ⎢ ⎣0 0 ⎡ 1 0 0 0 0 0 1 0 0 1 0 0 0 0 1 ⎤ 0 0⎥ ⎥ 0⎥ 1⎦ 0 13. Resuelva el ejercicio 13 utilizando MATLAB. T.3 pueden realizarse fácilmente en dicho software. pues de lo contrario la pirámide caerá. ⎦ 1 0 ¿Quién puede retirarse de la pirámide sin provocar que ésta se caiga? Ejercicios teóricos T. Determine si la digráfica con la matriz de adyacencia dada es fuertemente conexa. 2. En la siguiente matriz de adyacencia.2 y 2. ML. los cálculos de los teoremas 2.3 CREACIÓN DE GRÁFICOS POR COMPUTADORA Requisito. ⎢ ⎢1 ⎣1 1 ⎡ 0 ⎢1 10.1.2. descrita con la matriz de adyacencia ⎡ 0 ⎢0 ⎢ ⎢0 ⎣ 1 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 1 ⎤ 0 1⎥ ⎥ 0⎥ . aij = 1 significa que Pi soporta a Pj: ⎡ 0 ⎢1 ⎢ ⎢1 ⎣ 1 0 0 0 0 0 1 1 0 0 0 1 1 0 1 0 0 ⎤ 0 1⎥ ⎥ 0⎥ . 1⎦ 0 ML. ML. T. 2. 11. Resuelva el ejercicio 8 utilizando MATLAB.2.1. Determine un clan —si lo hay— para la digráfica con la siguiente matriz de adyacencia: ⎡ 0 ⎢1 ⎢ ⎢0 ⎣0 1 1 0 1 1 0 1 0 0 1 0 0 1 0 0 1 ⎤ 1 0⎥ ⎥ 1⎥ . Demuestre el teorema 2. Todos estamos familiarizados con los sorprendentes resultados que se logran con ayuda de computadoras en la creación de gráficos destinados a los juegos de vídeo y a los . Lectura de la sección 1. Considere una red de comunicación entre cinco individuos.3. Determine si la digráfica con la matriz de adyacencia dada es fuertemente conexa.5.Sec.3 Creación de gráficos por computadora 135 0 ⎢1 ⎢ ⎢0 9. Un grupo de cinco acróbatas realiza una pirámide humana.2. Ejercicios con MATLAB En MATLAB. Los operadores + y ^ permiten calcular sumas y potencias de una matriz. Por lo tanto. Demuestre el teorema 2. ⎦ 0 0 0 ⎢1 (a) ⎢0 ⎢ ⎣ 0 1 ⎡ 0 ⎢0 (b) ⎢0 ⎢ ⎣ 1 0 ⎡ 0 0 1 1 1 0 0 1 0 0 1 1 0 0 0 0 1 0 0 0 1 1 0 0 0 0 1 0 0 1 ⎤ 1 0⎥ ⎥ 0⎥ ⎦ 1 0 ⎤ 1 0⎥ ⎥ 1⎥ ⎦ 0 0 (a) ¿P3 puede enviar un mensaje a P5 en dos etapas cuando mucho? (b) ¿Cuál es el número mínimo de etapas que garantizará que cada persona puede enviar un mensaje a cualquiera otra (que no sea ella misma)? (c) ¿Cuál es el número mínimo de etapas que garantizaría que cada persona puede enviar un mensaje a cualquiera otra (inclusive ella misma)? 12. en la cual debe haber una trayectoria de soporte entre cualesquiera dos personas distintas. Demuestre que una digráfica que tiene aristas dirigidas PiPj y PjPi no puede ser una gráfica de dominancia. ⎡ ⎤ 0 1 1 1 0 1 1⎥ ⎢0 (a) ⎣ 1 0 0 1⎦ 0 0 1 0 14.1. Transformaciones matriciales.3.

sea T el triángulo de la figura 2. f se define mediante f(v) = Av. 0 −1 x x = . etcétera. (3. como se muestra en la figura 2. la seguridad que ofrecen en caso de choque. la comodidad de sus asientos. −4 −1 −6 En consecuencia. En esta sección veremos ejemplos de transformaciones matriciales f : R2 → R2 que son útiles en el desarrollo de gráficos bidimensionales. 1 v3 = 2 6 y calculamos las imágenes f(v1). y −y f (v) = Av = 1 0 0 −1 Para ilustrar una reflexión respecto del eje x en la creación de gráficos por computadora. tenemos 1 0 . la imagen de T tiene vértices (−1. −4). donde A= Por lo tanto. −1) y (2. La creación de gráficos por computadora también desempeña un papel importante en el mundo de la manufactura. su adaptabilidad al camino. −6). hacemos v1 = −1 . Por ejemplo. (Vea el ejemplo 5 de la sección 1. por sus siglas en inglés) se emplea para diseñar modelos de los productos y luego someterlos (también en computadora) a una serie de pruebas para. f(v2) y f(v3) formando los productos Av1 = Av2 = Av3 = 1 0 0 −1 1 0 0 −1 1 0 0 −1 −1 −1 = .15(b).15(a). 6 −6 Estos tres productos pueden escribirse en términos de matrices por bloques como A v1 v2 v3 = −1 3 2 . implementar las modificaciones necesarias a fin de lograr un mejor diseño. finalmente.136 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) efectos especiales en la industria del cine. EJEMPLO 1 Sea f : R2 → R2 la transformación matricial que realiza una reflexión respecto del eje x. 1 −1 2 2 = . Uno de los éxitos más notables de este método se ha conseguido en la industria automotriz. con vértices (−1. 4). (3. 6). 4 v2 = 3 .) Entonces. 1) y (2. en donde los modelos automovilísticos pueden verse desde diversos ángulos hasta encontrar un estilo más atractivo y popular. 4 −4 3 3 = . el diseño asistido por computadora (CAD.5. así como verificar la resistencia de sus componentes. ■ . Para reflejar T respecto del eje x.

seguida por una reflexión respecto de la recta y = −x. Una figura plana se gira en sentido contrario al giro de las manecillas del reloj. −3) y (−6. (−1. en un ángulo q. B(Av2) y B(Av3). calculamos B(Av1).15 EJEMPLO 2 La transformación matricial f : R2 → R2 que realiza una reflexión respecto de la recta y = −x se define mediante f(v) = Bv. 0). Esto muestra que el orden en que se realizan las transformaciones es importante. lo cual es comprensible. definida por f(v) = Av.16 (−4. 2. donde A= cos φ − sen φ . Es fácil demostrar que al invertir el orden de estas transformaciones matriciales se obtiene una imagen diferente (verifique). 9) . (−1.Sec. 1 1 . y calculamos los productos B v1 v2 v3 = 0 −1 −1 0 −1 4 3 1 2 −4 −1 −6 = .16. digamos.3 Creación de gráficos por computadora y 6 4 2 – 6 – 4 –2 –2 –4 –6 (a) –6 (b) 2 4 6 x 6 4 2 – 6 – 4 –2 –2 2 –4 4 6 x y 137 Figura 2. 1). no satisface la propiedad conmutativa. 1). (0. 2 4 y (3. en un ángulo de 50°. Primero elegimos algunos puntos de la parábola. tal como aparece en la figura 2. a diferencia de la multiplicación de números reales. y 6 4 2 – 6 – 4 –2 2 –2 –4 –6 4 6 x donde B= 0 −1 . por medio de la transformación matricial f : R2 → R2. utilizamos el triángulo T definido en el ejemplo 1. −1 0 Para ilustrar la reflexión respecto de la recta y = −x. 6 1 −3 −2 Por lo tanto. ■ Para realizar una reflexión respecto del eje x para el triángulo T del ejemplo 1. EJEMPLO 3 Las rotaciones en un plano se definieron en el ejemplo 9 de la sección 1. 4). sen φ cos φ Ahora suponga que queremos rotar la parábola y = x2 en sentido contrario a las manecillas del reloj.5. −2). ya que la multiplicación de matrices. la imagen de T tiene vértices Figura 2. (−2.

−0. (0.17 y y 8 6 4 2 x 8 6 4 2 x –4 –2 O (a) 2 4 –4 –2 O (b) 2 4 Las rotaciones son particularmente útiles en la obtención de efectos sofisticados para juegos de vídeo y para demostraciones animadas por computadora.0). Por ejemplo. y f : R2 → R2 la transformación matricial definida por f(v) = Av. donde B= cos θ2 − sen θ2 . 1.5437 8.3498 −1.4088.9660 . v3 = . v5 = . Sean u = 1 el 2-vector que representa un a2 rayo de la rueda. para lograr la ilusión de una rueda girando. 0. (−1. sen θ2 cos θ2 La sucesión de rotaciones del rayo u se representa mediante g( f (u)) = g(Au) = B(Au). v2 = 1 1 0 9 4 4 calculamos los productos (con cuatro cifras decimales) (verifique) A v1 = v2 v3 v4 v5 0 0 0. luego a en un ángulo e2. v4 = ⎣ 2 ⎦ . 8. como se ilustra en la figura 2.1233 A continuación trazamos los puntos imagen (−4. donde cos θ1 − sen θ1 A= . si ⎡ ⎤ 1 −1 0 3 −2 .0832 −4.1299 −4.0832) y los conectamos para obtener una aproximación de la imagen de la parábola.17(b). De esta manera.138 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) [vea la figura 2. . 0.1233). podemos rotar los rayos en un ángulo e1. y así sucesivamente. ■ Figura 2.9660. Luego calculamos las imágenes de estos puntos.3498.5437) y (−4.0391).0391 −0. (0.17(a)].4088 1.1299. v1 = . sen θ1 cos θ1 y sea g: R2 → R2 la transformación matricial definida por g(v) = Bv.

es decir. a2 Con base en la definición de multiplicación de matrices.3 Creación de gráficos por computadora 139 El producto Au se realiza primero. Si aplicamos la inclinación en la dirección x con k = 2. 0). el punto (x. Tenemos B(Au) = B(a1col1(A) + a2col2(A)) = a1Bcol1(A) + a2Bcol2(A) y la última expresión es una combinación lineal de los vectores columna Bcol1(A) y Bcol2(A). (4. (4. Es decir. 0) y (4. podemos obtener el mismo resultado formando el producto matricial BA y usándolo para definir una transformación matricial sobre los rayos de la rueda. 0) y (−2. y). EJEMPLO 4 Un inclinación (o corte) en la dirección x es la transformación matricial definida por f (v) = 1 k v. y genera una rotación de u en un ángulo e 1. (−6.18 y y y 4 2 O x 2 4 (a) 6 O 4 2 Inclinación k = 2 Inclinación k = –3 4 2 x 2 4 6 (b) 8 –6 –4 –2 O (c) x 2 4 6 . Esto indica que en lugar de aplicar en sucesión las transformaciones. (4. y) se mueve en forma paralela al eje x. la imagen de R es el paralelogramo con vértices (0. con vértices (0. tal como se ilustra en la figura 2.18(b). ■ como se muestra en la figura 2. 0). 2). 2). (0. así que tenemos B(Au) = (BA)u. [Bcol1(A) Bcol2(A)] = BA. que se muestra en la figura 2. 2). 0) y (8. y) hasta el punto (x + ky. 2. 2). 2). Si aplicamos la inclinación en la dirección x con k = −3. (4.18(a). Figura 2. 0). f seguida por g. la imagen de R es el paralelogramo con vértices (0. En el ejercicio 3 consideraremos inclinaciones en la dirección y. 0 1 donde k es un escalar. luego el producto B(Au) genera la segunda rotación. Consideremos ahora el rectángulo R. 2).18(c). que podemos escribir como el producto Bcol1 ( A) Bcol2 ( A) a1 .Sec. en una cantidad ky. Una inclinación en la dirección x lleva el punto (x.

Sin embargo. senθ las imágenes de la circunferencia unitaria que se obtienen mediante la aplicación de la transformación matricial f están dadas por f (u) = Au = h 0 0 k cos θ h cos θ x = = . EJEMPLO 5 Sea f : R 2 → R 2 la transformación matricial definida por f (v) = Av. juntos. ahora podemos representar un punto cos θ arbitrario en la circunferencia unitaria mediante el vector u = . Introduction to Computer Graphics. ■ Lecturas adicionales FOLEY. donde el ángulo θ toma todos los valores de 0 a 2/ radianes. Reading. Vea la figura 2.. Esto muestra que la imagen de la circunferencia unitaria obtenida mediante la transformación matricial f. sen θ) están en la circunferencia unitaria. cada uno de los puntos de la circunferencia unitaria se describe mediante un par ordenado (cos θ. FEINER. A. En el ejemplo 3.D. figura que puede ser especificada si se tienen sus tres vértices. Desafortunadamente una circunferencia no puede especificarse mediante un número finito de puntos. VAN DAM. ed.. h y = sen θ.19. En este caso. sen θ k sen θ y Recordemos que una circunferencia de radio 1 y centro en el origen se describe mediante la ecuación x2 + y2 = 1. sen2 θ + cos2 θ = 1. Según la identidad pitagórica. donde A= h 0 0 k con h y k diferentes de cero. S. Para un análisis detallado de este tema. se optó por un cierto número de puntos de la parábola para aproximarse a su forma y se calcularon las imágenes de estos puntos aproximativos que. los puntos (cos θ. PHILLIPS. dieron una forma aproximada de la imagen de la figura.L. Massachusetts: Addison-Wesley. Ahora queremos obtener una ecuación que describa la imagen de la circunferencia unitaria.K. Tenemos x = h cos θ de manera que y y = k sen θ x = cos θ. es una elipse con centro en el origen. k De acuerdo con lo anterior.140 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) En los ejercicios que se plantean al final de la sección. . HUGHES y R. En los ejemplos 1 y 2 aplicamos la transformación matricial a un triángulo. En consecuencia. que es la ecuación de una elipse. J. J. sen θ ). que no puede especificarse con un número finito de puntos. Ahora suponga que deseamos aplicar esta transformación matricial a una circunferencia de radio 1 y centro en el origen (la circunferencia unitaria).F. Por lo tanto. la figura que fue transformada fue una parábola. consulte la bibliografía que se indica al final de la sección. 2a. x h 2 + y k 2 = 1. se consideran otras transformaciones matriciales utilizadas en la creación de gráficas bidimensionales por computadora. De esta manera. 1996.

Inc. mientras que la contracción lo comprime. k f (v) = −2 3 1 v. La transformación matricial f : R 2 → R 2 definida por f (v) = Av. 1). es una dilatación en dirección y si k > 1. 3. ROGERS. 1). y J. 4). Mathematical Elements for Computer Graphics. determine y bosqueje la imagen de R. Una inclinación (o corte) en dirección y es la transformación matricial f : R 2 → R 2. Determine y bosqueje la imagen de R. donde A= −1 0 0 . y contracción si 0 < k < 1.3 Creación de gráficos por computadora 141 Figura 2. 4 y k es un número real. 3). ed. (1. −1). ed. 4. Sea R el rectángulo que se definió en el ejercicio 2.. −3) y (2. 1 esto es. Sea f : R2 → R2 la transformación matricial definida por f (v) = Av. 6. y es una contracción en dirección x si 0 < k < 1. 0).E. 1 A= k 0 0 .19 Circunferencia unitaria Elipse MORTENSON.A. 2. Sea f la inclinación en dirección x con k = 3. definida por A= k 0 0 . 3) y (2. donde y k es un número real. 1 y k es un escalar. ADAMS. determine y bosqueje la imagen de R para (a) k = 4 8.Sec. f es una reflexión respecto del eje y. Sea T el triángulo con vértices (1. es una dilatación en dirección x si k > 1. –1). 1989. 2 7. Sea T el triángulo con vértices (5. (0. donde 5. 2a. Determine las coordenadas de los vértices de la imagen de T bajo la transformación matricial f. 2a. 2 . La transformación matricial f : R2 → R2 definida por f (v) = Av. 1).. donde A= 1 0 0 . se denomina dilatación si k > 1. Si R es el rectángulo que se definió en el ejercicio 2. (2. D. 1). determine y bosqueje la imagen de R. (−3. (1. 1999. definida por f (v) = Av. donde y k es un número real. (3. Si R es el cuadrado unitario y f es la contracción en dirección y con k = 1 . Si R es el cuadrado unitario y si f es la dilatación en dirección x con k = 2. M. k A= 1 k 0 . Nueva York. En consecuencia. 1) y (3. 3) y (2. La transformación matricial f : R 2 → R 2 definida por f (v) = Av. Sea R el rectángulo con vértices (1. y sea f la inclinación en dirección y con k = −2. 2. 4).. Nueva York: Industrial Press. la dilatación estira un vector.F. Términos clave Creación de gráficos por computadora Diseño asistido por computadora (CAD) Imagen Reflexión Rotación Inclinación (corte) Dilatación Contracción 2. Mathematics for Computer Graphics Applications. Determine las coordenadas de los vértices de la imagen de T bajo la transformación matricial definida por (b) k = 1 4 f (v) = 4 −4 −3 v.3 Ejercicios 1. Determine y bosqueje la imagen de R. McGraw-Hill. Determine y bosqueje la imagen del rectángulo R con vértices (1. y es una contracción en dirección y si 0 < k < 1.

0).142 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) y 9. 1) y (0. f 2 . En los ejercicios 14 y 15. y sea f2 una rotación en sentido contrario a las manecillas del reloj. 12. f 3 y f 4 las siguientes transformaciones matriciales: f1 : rotación en sentido contrario a las manecillas del reloj. en un ángulo φ f2 : reflexión respecto del eje x f3 : rotación respecto del eje y f4 : rotación respecto de la recta y = x 14. Determine y dibuje la imagen del rectángulo con vértices (0. Demuestre que el resultado de realizar primero f2 y luego f1 no es el mismo que realizar primero f1 y luego f2. Puede aplicar en sucesión más de una transformación matricial. Sea f la rotación en sentido contrario a las manecillas del reloj y en un ángulo de 60°. Sean A la matriz singular 1 2 y T el triángulo definido 2 4 en el ejercicio 8. en un ángulo de //2 radianes. Sea S el triángulo que se muestra en la figura. Sea f : R2 → R2 la transformación matricial definida por f (v) = Av. Sea f la transformación matricial definida en el ejemplo 5. (a) y 2 –2 x O 2 x O 1 –2 Determine dos maneras distintas de utilizar las transformaciones matriciales anteriores sobre S para obtener la imagen dada. Si T es el triángulo definido en el ejercicio 8. Puede aplicar en sucesión más de una transformación matricial. y (a) (b) 2 O x –2 y O 2 x –2 . Sea f1 la reflexión respecto del eje y. determine y dibuje la imagen de T bajo f. 1) para h = 2 y k = 3. 3 –2 O 2 x Determine y dibuje la imagen del rectángulo definido en el ejercicio 12. Describa la imagen de T bajo la transformación matricial f : R2 → R2 definida por f (v) = Av. 10. (1. 13. y 2 1 A= 2 −1 . donde (b) –1 O x –1 15. Sea S el cuadrado unitario. sean f1. 11. (1. y 1 –2 Determine dos maneras distintas de emplear las transformaciones anteriores sobre S para obtener la imagen dada. 0).

y muestre la imagen. es decir.5 0.4.0 4]. Haga clic en el botón View. si ya está usando la rutina. 0. haga clic en Restart. haciendo clic en la palabra. y muestre la imagen.1 a ML. y lea la breve descripción.5 0 A= 0 1 escribiendo [0.) Seleccione el‘Object’ House haciendo clic en la palabra. (Inicie matrixtrans. ML. (d) Si aplicamos esta misma transformación una tercera vez. Son funciones. utilice la rutina de MATLAB matrixtrans para generar ilustraciones y capacidades experimentales adicionales. o. Ahora vuelva a introducir la matriz continuación aparecerá el cuadrado unitario en el conjunto de ejes a la izquierda. ¿Cuál es el área de la imagen? (Inspeccione cuidadosamente la figura. ¿Cuál es el área de la imagen compuesta? (c) Si A = 2 0 1 0 yB= 2 4 0 0 1 4 . con k = 1 (vea el ejemplo 4).) ML.1. haga clic en Restart. Seleccione una vez más la casa. (a) Haga clic en el botón Grid On. En la pantalla de visualización aparecerá la circunferencia unitaria en el conjunto de ejes a la izquierda. para poder mostrar fácilmente la salida o resultado. Utilice una transformación matricial que sea una inclinación en dirección x. la imagen. vimos que f (cuadrado unitario) = A(cuadrado unitario) = primera imagen y g(primera imagen) = B(primera imagen) = imagen compuesta. En la parte inferior izquierda está la Comment Window (Ventana de comentarios). Haga clic en el botón MAP IT para ver la imagen de la circunferencia unitaria determinada por la matriz A. (c) Escriba una breve descripción de las acciones realizadas por las transformaciones matriciales en los incisos (a) y (b). Calcule la matriz AB y explique cómo se relaciona el resultado de esta composición con el cuadrado unitario.5 0 0 1 (o utilice la flecha hacia arriba para tener acceso a la pila de comandos para encontrar esta matriz).4.) Una transformación matricial de Rm a Rn suele denominarse transformación o mapeo. 4 presione Enter. en relación con la figura actual? ML.Sec. tenemos g( f (cuadrado unitario)) = B(A(cuadrado unitario)) = imagen compuesta. En los ejercicios siguientes continuaremos esta práctica. Vea la ventana de comentarios. Calcule el área de la casa. Para iniciar esta rutina. o. luego haga clic en MAP IT. En los ejercicios ML. e introduzca la matriz A = 2 0 0 escribiendo [2 0. (a) Haga clic en el botón MATRIX. Utilice una transformación matricial que produzca una inclinación en dirección x con k = 0.0 1]. y muestre la imagen. (a) Seleccione el objeto Arrow (Flecha). luego haga clic en el botón View.3 Creación de gráficos por computadora 143 Ejercicios con MATLAB En esta sección se analizaron las transformaciones matriciales. (b) Haga clic en el botón Composite y luego en el botón MATRIX que se desplegará. ¿Cuál es el área de la imagen? ¿Cómo se relacionan las áreas? (b) Haga clic en el botón Restart. Seleccione otra vez la casa. Vea la ventana de comentarios. Utilice matrixtrans para realizar lo siguiente. En consecuencia. Muestre la imagen. Escriba help matrixtrans en MATLAB. si ya está usando la rutina. A continuación aparecerá la casa en el conjunto de ejes a la izquierda. En los ejemplos geométricos de esta sección se tomó A como una matriz de 2 × 2.5 (vea el ejemplo 4). y luego ingrese la matriz 0.3. Utilice una transformación matricial que produzca una inclinación en dirección x. y viceversa. con k = 2 (vea el ejemplo 4). (Observe que podemos visualizar los vectores como puntos. (a) Ahora haga clic en el botón MATRIX. cuya entrada y salida son vectores relacionados por medio de una multiplicación matricial: f (c) = Ac. que le proporcionará instrucciones sobre los pasos para usar esta rutina. Vea la ventana de comentarios. Esta vez ingrese la matriz 1 2 0 1 4 0 . al terminar presione Enter (Intro). Luego haga clic en el botón View. ¿en dónde estará la imagen.) Seleccione el ‘Object’ Square (Cuadrado). ML. (Inicie matrixtrans. ¿Cuál es el área de la imagen? (c) Haga clic en el botón Restart. A . Haga clic en el botón MAP IT para ver la imagen del cuadrado unitario determinado por la matriz A. Las rutinas de MATLAB utilizadas en estos ejercicios le dan la oportunidad de adquirir experiencia mediante la visualización de transformaciones matriciales. y utilizaremos MATLAB para construir gráficas de las imágenes. 2. y haga clic en MAP IT. Seleccione el ‘Object’ Circle (Círculo) haciendo clic en la palabra. Determine una matriz A tal que la imagen sea una flecha que apunta en la dirección opuesta.2. La entrada c puede ser un solo vector o una colección de vectores que representn una figura u objeto. escriba matrixtrans. ¿Cuál es el área de la imagen? (b) Haga clic en el botón Composite y luego en el botón MATRIX que se despliega.

w= −4 7 ⎡ ⎤ ⎡ ⎤ 5 3 (c) u = ⎣3⎦. se producirá la composición con la transformación que se acaba de aplicar. pero de la mitad de largo. Las proyecciones ortogonales desempeñan un papel fundamental en una gran variedad de situaciones que se plantearán posteriormente. eligiendo reflejar la figura actual alrededor del eje y. (a) u = (b) u = 5 3 . la proyección de u sobre w. 2 0 –2 –4 –6 Describa la imagen resultante. presione Enter. Para iniciar esta rutina. de modo que la figura final sea la que se muestra a continuación. y después esta imagen reflejada alrededor del eje y. Verá nuevamente el menú de opciones de Transformaciones Lineales del plano. (c) Seleccione el objeto Arrow y utilice la matriz de MATLAB cos(pi/4) − sen(pi/4) sen(pi/4) . explique cómo sabemos que BA AB. MATLAB puede ayudarnos a presentar los aspectos geométricos. y un cable es un conductor que . Elija una composición de transformaciones. Para iniciar la rutina correspondiente. En los ejercicios ML. determine las coordenadas del extremo superior de la flecha. utilice el botón de la cuadrícula (grid) y luego analice la cuadrícula generada en la flecha transformada. Escriba en MATLAB help project y lea la descripción. para cada uno de los pares de vectores siguientes.4 CIRCUITOS ELÉCTRICOS Requisito. Determine una matriz A tal que la imagen sea una flecha que apunta en la misma dirección. muestra la matriz y conserva un registro gráfico de la imagen original. ML. elija ‘See the Triangle’ y luego la opción ‘Use this Figure.5 y ML. una resistencia es un dispositivo. resistores (resistencias) y cables. Lectura de la sección 1. mediante la selección de la operación geométrica que queremos realizar sobre una figura. Las transformaciones matriciales de R2 a R2 se conocen como transformaciones lineales del plano.w= 4 1 1 3 . Muestre la imagen. En esta sección presentaremos las leyes básicas del análisis de los circuitos eléctricos. –4 –2 0 2 ML. Utilice project para determinar proywu. Compare este dibujo con el de la parte (a).6. como un foco.6. y luego seleccione la demostración para ver cómo funciona. que reduce la corriente en un circuito y convierte la energía eléctrica en energía térmica. La rutina planelt es muy versátil.5. ya que usted puede darle como entrada una matriz o figura propias. Soluciones de sistemas de ecuaciones lineales. el triángulo rotado 45°. esto es. y luego las emplearemos para analizar circuitos eléctricos formados por baterías. Si A es la matriz de la rotación de 45° y B es la matriz de la reflexión alrededor del eje y. Conserve un bosquejo de la figura obtenida con esta composición. simplemente escriba planelt. y si está en la dirección opuesta. utilice la rutina planelt. Si en este punto elige una transformación.6.144 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) (b) Seleccione el objeto Arrow (Flecha). w = ⎣3⎦ 0 8 2. Utilice planelt con el paralelogramo. y sígalas hasta llegar a FIGURE CHOICES. así como de las imágenes anterior y actual. (a) Seleccione la rotación y utilice un ángulo de 45°. Seleccione entonces el triángulo. Conserve un bosquejo de la figura compuesta. Go to select transformations’. escriba project. Las figuras que se exhiben muestran el triángulo original. La rutina utiliza la matriz adecuada para calcular la imagen. Determine si la longitud de la proyección es mayor que la del vector w. (d) Utilizando la parte (c). w = ⎣ 1⎦ 1 −4 ⎡ ⎤ ⎡ ⎤ 4 2 (d) u = ⎣6⎦. Lea las descripciones que aparecen en pantalla. ¿Qué ángulo forma con la parte positiva del eje horizontal? Como ayuda para responder esta pregunta.7. Inicie la rutina planelt. Después de que se muestren las figuras. La rutina planelt de MATLAB nos permite experimentar con tales transformaciones. Inténtelo. cos(pi/4) (b) Invierta el orden de las transformaciones propuestas en la parte (a). Aunque en esta sección utilizamos álgebra para calcular proyecciones. ML. Una batería (o pila) es una fuente de corriente directa (o voltaje) en el circuito.

de modo que el flujo de corriente es estacionario a lo largo del nodo.20 contiene los tres ciclos de voltaje a → b → c → f → a. Todos los circuitos eléctricos constan de ciclos de voltaje y nodos de corriente. unidas mediante cables. La diferencia de potencial eléctrico de una batería se considera positiva si se mide de la terminal negativa (−) a la positiva (+). 2. c→d→e→f→c y a → b → c → d → e → f → a.20 Los puntos. Un nodo de corriente es un punto donde se encuentran tres o más segmentos de cable. b.Sec. el flujo de todas las corrientes que llegan al nodo es igual al flujo de todas las corrientes que salen del nodo. a.20 muestra un circuito eléctrico sencillo. La corriente se denota con I y se mide en amperios (A). La diferencia de potencial eléctrico en una resistencia (denotada mediante V). • La conservación de la energía se establece en un resultado conocido como ley de voltaje de Kirchhoff: en torno de cualquier ciclo de voltaje.4 Circuitos eléctricos 145 permite el libre flujo de corriente eléctrica. Un circuito eléctrico sencillo es una conexión cerrada de resistencias. la figura 2. Las leyes físicas que gobiernan el flujo de corriente en un circuito eléctrico son la conservación de la energía y la conservación de la carga. Esto garantiza que la carga en un nodo no aumenta ni disminuye. y negativa cuando se mide de la terminal positiva (+) a la negativa (−). El signo negativo (−) se usa cuando la diferencia en la resistencia se mide en dirección del flujo de corriente. Estas unidades se relacionan mediante la ecuación Un voltio = (un amperio) × (un ohm). Las cantidades físicas que se utilizan al analizar los circuitos eléctricos son la corriente. pues en ellos sólo se encuentran dos segmentos de cable. baterías y cables. la resistencia y la diferencia de potencial eléctrico en una batería. Por ejemplo. Un ciclo de voltaje es una conexión cerrada dentro del circuito. Cuando los circuitos se representan por medio de diagramas. depende de la corriente que fluye por ella y de la resistencia que ofrece y está dada por la ley de Ohm: V = ± I R. resistencias y cables se denotan como sigue: Baterías b R E R R" a f e c E R! E! d Resistencias Cables La figura 2. d y e no son nodos de corriente. Figura 2. formado por tres baterías y cuatro resistencias. • La conservación de la carga se establece en un resultado que se conoce como ley de corriente de Kirchhoff: en cualquier nodo de corriente.20 contiene dos nodos de corriente en los puntos c y f. la figura 2. la diferencia total de potencial eléctrico es igual a cero. Por ejemplo. La diferencia de potencial eléctrico se mide en voltios (V) y se denota mediante E. las baterías. . La resistencia se denota con R y se mide en ohms (1). y se utiliza el signo positivo (+) cuando la diferencia en la resistencia se mide en dirección opuesta al flujo de corriente.

si es incorrecta. el valor de corriente será negativo. resistencias y cables.146 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Ahora podemos aplicar estas ideas. b R = # I E  = " 8 R =  R " = ! a f e c I R ! =  E =  8 d I! E ! = & 8 Figura 2. si un circuito tiene n nodos. El siguiente ejemplo ilustra lo dicho en el párrafo anterior. EJEMPLO 1 La figura 2.21. asignamos direcciones arbitrarias a estas corrientes.21 Primero asignamos incógnitas para las corrientes en cada segmento del circuito que comienza en cierto nodo y termina en algún otro (sin nodos intermedios). Por último al ir del punto f al punto a no hay diferencia de potencial. suficientes para calcular los valores desconocidos. y las resistencias tienen los valores señalados. Al ir del punto b al punto c por la resistencia de 5 . Este último caso indica. sólo necesitamos una de ellas. Además. Utilizando la ley de la corriente de Kirchhoff (la suma de las corrientes de entrada es igual a la suma de las corrientes de salida) en los puntos c y f. El problema consiste en determinar las corrientes que fluyen por cada segmento del circuito. Por ejemplo. asignamos I1 al segmento f → a → b → c. que la dirección real del flujo de corriente es justamente la opuesta a la asignada originalmente. y los métodos para resolver sistemas lineales. se tiene una diferencia de potencial de −5I1. I2 al segmento f → c. en la figura 2. para un caso en el cual las incógnitas son las corrientes. dados algunos valores. En resumen.20. obtenemos . medidos de la terminal negativa a la positiva. determinar todos los valores desconocidos de la diferencia de potencial eléctrico en las baterías. tenemos I1 + I2 = I3 e I3 = I1 + I2. Como estas dos ecuaciones contienen la misma información. a la resolución de problemas relacionados con los circuitos eléctricos. (1) respectivamente. Partimos del punto a y nos movemos por la batería de (−) a (+) hasta el punto b. por lo tanto. En general. la ley de la corriente de Kirchhoff proporcionará n − 1 ecuaciones útiles y una ecuación que es una combinación lineal de las otras n − 1. como indican las flechas de la figura 2. Estos problemas tienen el siguiente formato general: en un circuito con baterías. Si la dirección asignada es correcta. el valor de corriente que se obtenga será positivo. en el que las baterías tienen los potenciales eléctricos indicados. A continuación nos valemos de la ley de voltaje de Kirchhoff. de las resistencias y de las corrientes.21. al aplicar la ley de voltaje de Kirchhoff en el ciclo a → b → c → f → a. de modo que la diferencia de potencial es +40 V.21 muestra el circuito de la figura 2. Al ir del punto c al punto f por la batería de 120 V y una resistencia de 10 se tiene una diferencia de potencial de −120 V (a lo largo de la batería) y una diferencia de potencial de +10I2 (a través de la resistencia). e I3 al segmento c → d → e → f.

5 A. I3 20 0 1 5 Al resolver para I1. no proporciona nueva información. por lo tanto. En general. (3) Observe que la ecuación resultante del ciclo de voltaje a → b → c → d → e → f → a se convierte en (+E1) + (−R1I1) + (−R3I3) + (+E3) + (−R4I3) = 0 o (+40) + (−5I1) + (−20I3) + (+80) + (−30I3) = 0. como a → b → c → d → e → f → a no proporciona nueva información si todos sus ciclos interiores. lo cual se simplifica a I1 + 10I3 = 24. I2 = 6.21. El valor negativo de I1 indica que su verdadera dirección es la opuesta a la que se le asignó en la figura 2. las leyes de voltaje y corriente de Kirchhoff siempre conducen a n ecuaciones lineales que tienen una única solución. Pero esta ecuación es justamente la combinación lineal Ecuación (2) + 2 Ecuación (3) y. Las ecuaciones (1).Sec. es decir. ■ En general. I1 − 2I2 = −16. 2. un ciclo exterior mayor. en el caso de un circuito eléctrico que consta de baterías. Esto se simplifica a 10I2 + 50I3 = 200. (2) De manera análoga.4 Circuitos eléctricos 147 (+E1) + (−R1I1) + (−E2) + (+R2I2) = 0 o (+40) + (−5I1) + (−120) + (10I2) = 0. o I2 + 5I3 = 20. ya han sido incluidos. I2 e I3 obtenemos (verifique) I1 = −3. (2) y (3) conducen al sistema lineal ⎡ ⎤ ⎤⎡ ⎤ ⎡ 0 1 1 −1 I1 ⎣1 −2 0⎦ ⎣ I2 ⎦ = ⎣−16⎦ . y que tiene n diferentes asignaciones de corriente. resistencias y cables. como a → b → c → f → a y c → d → e → f → c. Términos clave Batería (pila) Resistencia Cable Ciclo de voltaje Nodo de corriente Ley de voltaje de Kirchhoff Ley de corriente de Kirchhoff . obtenemos (−R3I3) + (+E3) + (−R4I3) + (−R2I2) + (+E2) = 0 o (−20I3) + (+80) + (−30I3) + (−10I2) + (+120) = 0.25 A e I3 = 2. en consecuencia. al aplicar la ley de voltaje de Kirchhoff en el ciclo c → d → e → f → c. es redundante y se puede omitir.75 A.

1. b I" c c b I d e E ' ) I E f I! & # 8 # ! 8 I I# 4Ω  I" f ! e I! d a # g h # ) . determine las corrientes desconocidas en el circuito dado.148 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) 2. a I ! I! c " I" d ! b c I  8 I  I# I 8 $ 8 & 8 ! ) E a e f ! 8  e d ! 2. b I 7. a I 8. c I" d a I # b I c  ) d 8 I # $ I# " 8  8 E E! R !) e h g I! a f  #) f e 3. c  I! I" d I c R  I b  8 E &) d " ) I" " " I5 I! ! e a f e a f  8 I 4. b En los ejercicios 5 a 8.4 Ejercicios En los ejercicios 1 a 4. determine los valores desconocidos en el circuito dado. b I! I 6. 5.

Consideremos un sistema que está. Lectura de la sección 1.2. una persona puede fumar o no fumar. Por ejemplo. medio o alto. participó en las protestas contra el régimen zarista en la primera década del siglo XX. I2 = donde I = I. el clima en cierta área puede ser lluvioso o despejado. . Tales ideas fueron publicadas en una serie de artículos entre 1906 y 1912. donde I3 = R R3 I. conocimiento del concepto de límite. . vamos o no vamos a la escuela. y supondremos que el estado del sistema es observado a periodos fijos (digamos.1. vivimos en un área urbana. R R1 R2 R3 c a I b c d b I E R I R E R I R I R! I! f d h g f e 2. contamos con un nivel de ingresos bajo. Al pasar el tiempo. Soluciones de sistemas de ecuaciones lineales. ya que su padre trabajaba en el departamento ruso de silvicultura. 2.6. Para el siguiente circuito. 1 1 1 = + . en uno y sólo un estado entre una cantidad finita de ellos. Supongamos que el sistema tiene n estados posibles. depende solamente de su estado en el periodo de observación inmediato anterior. compramos un automóvil Chevrolet. . cada hora. Fue estudiante y luego profesor en la Universidad de San Petersburgo. a partir de datos históricos. . Para cada i = 1. . n. etcétera). sea tij la probabilidad de que si el sistema se encuentra en el es*Andrei Andreevitch Markov (1856-1922) pasó la mayor parte de su vida en San Petersburgo. DEFINICIÓN Una cadena de Markov o proceso de Markov es aquel en el que la probabilidad de que el sistema esté en un estado particular en un periodo de observación dado. demuestre que T. . Político liberal. Las aplicaciones que analizaremos a continuación son de este tipo. la probabilidad de que el sistema esté en cierto estado particular en determinado periodo de observación. Para el siguiente circuito. Sus ideas. . y ampliar el campo de aplicaciones de esta ley.5 CADENAS DE MARKOV* Requisitos. o en cualquier otro. Aunque estaba interesado en muchos aspectos del análisis matemático. el sistema puede pasar de un estado a otro. . su trabajo más importante fue contribuir a establecer las bases de la teoría moderna de la probabilidad. En muchas aplicaciones conocemos el estado actual del sistema y queremos predecir el que tendrá en el siguiente periodo de observación. que darían lugar a lo que hoy conocemos como procesos de Markov. en cualquier momento dado. y cada j = 1. manejo de conceptos básicos de probabilidad. suburbana o rural.Sec. 2. n. . I2 = R R2 I. Con frecuencia podemos predecir. cada día. 2. fueron motivadas por el deseo de dar una demostración rigurosa de la ley de los grandes números. Ford o de alguna otra marca. demuestre que I1 = e R2 R1 + R2 R1 R1 + R2 I = R R1 R R2 I e I1 = R R1 I. R R1 R2 a I 1 1 1 1 = + + .5 Cadenas de Markov 149 Ejercicios teóricos T.

150 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) tado j en cierto periodo de observación. estará en el estado i en el siguiente. entonces debe estar en alguno de los n estados (ya que también podría permanecer en el estado j) en el siguiente. suman 1. Por lo tanto.25 T =⎣ 0. respectivamente. se ha determinado que la probabilidad de que se dé un día lluvioso después de un día despejado es 1 . Como podemos ver. 25% cambiará a la marca B y 25% preferirá alguna otra. 2 Entonces. Otros nombres para una matriz de transición son matriz de Markov. de acuerdo con la ecuación (1).50 ⎢ ⎢0.60 0. la comprarán de nuevo la próxima semana. la marca B y otra marca. es decir.30⎥ B ⎦ 0.25 B 0. Como tij es una probabilidad. la matriz de transición de esta cadena de Markov es D R 1 2 1 2 2 3 1 3 T = D R ■ El ejemplo 9 de la sección 1.40 A ⎥ 0. B y D representan la marca A. 30% la comprará otra vez la próxima semana. debemos tener que 0 ≤ tij ≤ 1 (1 ≤ i. De las personas que ahora consumen la marca B. llamada matriz de transición de la cadena de Markov. no cambia con el tiempo. la matriz de transición de esta cadena de Markov es ⎡ A 0. . tenemos t1j + t2j + · · · + tnj = 1. De los consumidores que actualmente compran otra marca. 40% escogerá la marca A y 30% cambiará a la marca B. que presentamos a continuación. Los estados A.30 D D ■ Ahora utilizaremos la matriz de transición del proceso de Markov para determinar la probabilidad de que el sistema se encuentre en cualquiera de los n estados en el futuro. Asimismo. las entradas en cada columna de T son no negativas y. j ≤ n). tij recibe el nombre de probabilidad de transición. Por lo tanto.10 ⎤ 0.30 0. EJEMPLO 2 Una empresa dedicada a la investigación de mercados está analizando un gran grupo de consumidores de café. (1) Es conveniente disponer las probabilidades de transición como la matriz T = [tij] de n × n. tij se aplica a cada periodo. y así sucesivamente. Se ha determinado que 50% de las personas que actualmente utilizan la marca A. y la probabilidad de que se tenga un día lluvioso después 3 de otro día lluvioso es 1 . la probabilidad de que una persona que consume la marca B la siga comprando es 0.4 presenta una situación similar a la del ejemplo 2. Sea D el estado de un día despejado y R el de un día lluvioso. si el sistema está en el estado j en cierto periodo de observación. matriz estocástica y matriz de probabilidades.3. Además. Como resultado de un amplio registro.25. 60% optará por la marca A y 10% cambiará a otra. La probabilidad de que una persona que consume la marca A cambie a la marca B es 0. que compran una lata de café cada semana. 30% adquirirá de nuevo otra marcala próxima semana. EJEMPLO 1 Supongamos que el clima de cierta ciudad es lluvioso o despejado.

603 = 0.33 0.33 0.614 0. Suponga que comenzamos nuestra observación (día 0) en un día despejado. ⎥ ⎦ ⎣ (k) pn (k) p1 ⎤ (k ≥ 0) el vector de estado del proceso de Markov en el periodo de observación k.603 = .67 0. EJEMPLO 3 Considere de nuevo el ejemplo 1. 2.5 0.Sec.5 0. en general. se le llama vector de estado inicial.67 0.397 . puede determinarse a partir del vector de estado x(k) en el k-ésimo periodo de observación. en el (k + 1)-ésimo periodo de observación. De manera similar.4 Si T es la matriz de transición de un proceso de Markov.604 = 0.604 0. x(2) = T x(1) = x(3) = T x(2) = x(4) = T x(3) = x(5) = T x(4) = 0. 0. la probabilidad de que no llueva el día 1 es 0. El siguiente teorema. Así.603 0. TEOREMA 2. de modo que el vector de estado inicial es x(0) = 1 .5 0. se demuestra utilizando conceptos básicos de la teoría de probabilidad.67 0.67 = .614 0. la matriz de transición y el vector de estado inicial determinan por completo todos los demás vectores de estado. y.396 0.67 0.67 0.33 0.5 0. ⎥ ⎢ .397 0. cuya demostración omitimos.33 donde las fracciones se han aproximado a dos decimales.5 0. donde p (k) j es la probabilidad de que el sistema se encuentre en el estado j en el periodo de observación k. 0 0.386 0.33. y la probabilidad de que llueva ese día es 0. Al vector x(0).67. 0 Entonces. el vector de estado en el día 1 (el día siguiente al que comenzamos nuestras observaciones) es x(1) = T x(0) = 0.5 0. ⎥ ⎢ . el vector de estado x(k+1).397 0.396 0. x(1) = T x(0) x(2) = T x(1) = T (T x(0) ) = T 2 x(0) x(3) = T x(2) = T (T 2 x(0) ) = T 3 x(0) . (2) ■ La ecuación (2) indica que para obtener el vector de estado en el periodo (k+1) se multiplica la matriz de transición por el vector de estado en el periodo k.386 0.33 = 0.5 0.33 0. que x (n) = T nx(0). Esto es. que denota el vector de estado en el periodo 0.5 0.5 1 0.5 0.67 0.5 Cadenas de Markov 151 Sea ⎡ x(k) ⎥ ⎢ ⎢ (k) ⎥ ⎢ p2 ⎥ =⎢ .33 0. De acuerdo con lo anterior. como x(k+1) = Tx(k).

30 0.2748⎦ 0. 0.60 0.25 0.5058 0.60 0.5040 0.2⎦ = ⎣0. x(1) = T x(0) = ⎣0. la marca A tendrá el control de cerca de 51% del mercado.50 0. y llueve 40% del tiempo.25 0. el vector de estado inicial x(0) es.2 0. El vector fijo es el vector de estado estacionario. .2 x(0) = ⎣0. por ejemplo. En este caso decimos que el proceso de Markov ha alcanzado el equilibrio. Los procesos de Markov se utilizan por lo general para determinar el comportamiento de un sistema a largo plazo.40 0.40 0.25 0.2500 0. no llueve en 60% del tiempo. Por lo tanto.4600 0. 0. a largo plazo.2194 0. la marca B tiene 20% del mismo y las otras marcas tienen el 60% restante.2770⎦= ⎣0.5055 0.2190 ⎤⎡ ⎤ ⎡ ⎤ 0.10 ⎤⎡ ⎤ ⎡ ⎤ 0.2747⎦= ⎣0. x(2) = T x(1) x(3) = T x(2) x(4) = T x(3) x(5) = T x(4) 0.397 Esto significa que.2⎦ .2198 En consecuencia.25 ⎡ 0. 0.5055 0.30⎦ ⎣0.25 0.2194 ⎤⎡ ⎤ ⎡ ⎤ 0.30 0.2198 Esto significa que.40 0.30 0.60 0.4600 0.30 0.25 0. cuando n crece.25 ⎡ 0.2900⎦= ⎣0.30 0.25 ⎡ 0.5058 0.6 El vector de estado después de la primera semana es ⎡ ⎤⎡ ⎤ ⎡ ⎤ 0. a partir del cuarto día. la marca B dominará más o menos 27% del mismo y las otras marcas tendrán la predilección del 22% restante.50 = ⎣0.10 0. ⎡ ⎤ 0.2500 De manera análoga.2770⎦ 0.10 0. ■ En los dos últimos ejemplos hemos visto que los vectores de estado convergen a un vector fijo cuando el número de periodos de observación aumenta.30⎦ ⎣0.603 . Entonces.2190 0.152 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) A partir del cuarto día.10 0.30⎦ ⎣0.2198 ⎤⎡ ⎤ ⎡ ⎤ 0.6 0.50 = ⎣0.40 0.40 0. la parte del mercado que cierto fabricante espera conservar de manera más o menos permanente.30⎦ ⎣0. El siguiente ejemplo muestra que no todos los procesos de Markov alcanzan el equilibrio.60 0.10 0.5040 0. Suponga que al iniciar el estudio vemos que la marca A tiene 20% del mercado. 0.30⎦ ⎣0. el vector de estado del sistema es siempre el mismo.50 = ⎣0.2900⎦ .25 ⎡ 0.60 0. ■ EJEMPLO 4 Consideremos de nuevo el ejemplo 2.30 0.30 0.5055 0. saber si un proceso de Markov alcanza o no el equilibrio es de particular importancia.2747⎦ .25 0. 0.30 0.50 = ⎣0. los vectores de estado tienden al vector fijo ⎡ ⎤ 0.30 0.2748⎦= ⎣0.5055 ⎣0.30 0.2747⎦ .2198 0.2747⎦ 0.

⎦ . . . (¿Por qué no?) ■ DEFINICIÓN Una matriz de transición T de un proceso de Markov es regular si todas las entradas de alguna potencia de T son positivas. Un proceso de Markov es regular si su matriz de transición es regular.5 Cadenas de Markov 153 EJEMPLO 5 Sean ⎡ ⎤ T = Entonces. 2 3 ⎡ ⎤ x(3) = 2 ⎣3⎦ . los vectores de estado oscilan entre los vectores ⎡ ⎤ 2 ⎣3⎦ 1 3 ⎡ ⎤ y ⎣3⎦ . 2 3 1 Por lo tanto. muchos de los cuales surgen en aplicaciones prácticas. . un es un vector de probabilidad si ui ≥ 0 (1 ≤ i ≤ n) y u1 + u2 + · · · + un = 1. A continuación formularemos con precisión estas ideas. 1 3 ⎡ ⎤ x(2) = 1 ⎣3⎦ . 2 3 1 ⎡ ⎤ x(1) = 2 ⎣3⎦ . ■ Sin embargo. si pedimos que la matriz de transición de un proceso de Markov satisfaga una propiedad razonable. DEFINICIÓN El vector ⎡ ⎤ u1 ⎢u 2 ⎥ u=⎢. que realmente alcanzan el equilibrio. EJEMPLO 6 Los vectores ⎡ ⎤ 1 ⎢2⎥ ⎢1⎥ ⎣4⎦ 1 4 ⎡ ⎤ 1 y ⎢3⎥ ⎢2⎥ ⎣3⎦ 0 ⎡ ⎤ 1 son vectores de probabilidad. . 1 3 ⎡ ⎤ x(4) = ⎣ 3 ⎦ . obtenemos una amplia clase de procesos de Markov. 2.Sec. los vectores ⎡ ⎤ 1 ⎢5⎥ ⎢1⎥ ⎣5⎦ 2 5 y ⎢3⎥ ⎢1⎥ ⎣2⎦ 1 2 no son vectores de probabilidad. ⎥ ⎣. 0 1 1 0 y x(0) = ⎣ 3 ⎦ . . 2 3 1 y no convergen a un vector fijo.

⎥ ⎣. puede consultarse en el libro de Kemeny y Snell que se cita en la bibliografía recomendada al final de la sección.⎦ tal que todas sus columnas son idénticas. 0.5 Si T es la matriz de transición de un proceso de Markov regular. ■ TEOREMA 2.154 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) En los ejemplos 1 y 2. de modo que u es un vector de estado estacionario. ⎣. (b) Toda columna ⎡ ⎤ u1 ⎢u 2 ⎥ u=⎢. un ⎡ un u1 u2 .⎦ . . .8 1 0 T2 = 0. ui > 0 (1 ≤ i ≤ n) y u1 + u2 + · · · + un = 1. entonces: (a) Para cualquier vector de probabilidad x. T n tiende a una matriz u1 ⎢u 2 A=⎢. T nx → u conforme n → ∞. los procesos de Markov son regulares. A continuación establecemos el siguiente resultado. pues todas las entradas de las propias matrices de transición son positivas. Como T n → A a medida que n → ∞.2 0. TEOREMA 2.84 0. un de A es un vector de probabilidad tal que todos sus componentes son positivos.⎥ ⎣. . .6 Si T es una matriz de transición regular y A y u son como en el teorema 2.5. EJEMPLO 7 La matriz de transición T = es regular. . ya que 0. tenemos T nx → Ax.8 ■ Establecemos ahora el siguiente teorema fundamental de los procesos de Markov regulares.2 . entonces (a) A medida que n → ∞. Es decir. (b) El vector de estado estacionario u es el único vector de probabilidad que satisface la ecuación matricial Tu = u. ⎥. la demostración. ··· ··· ··· un ⎤ u1 u2⎥ .⎦ . xn un vector de probabilidad. que omitimos. Demostración (a) Sea ⎡ ⎤ x1 ⎢ x2 ⎥ x=⎢.16 0. .

. ⎣. tenemos que Tu = u. de modo que T n+1 → TA. podemos escribir Tu = u como Tu = Inu o (In − T)u = 0. En consecuencia. . pues x1 + x2 + · · · + xn = 1.9 de la sección 1. también tenemos que T n+1 → A. Paso 1. determinamos una única solución u. El segundo procedimiento para calcular el vector de estado estacionario u de una matriz de transición regular T es el siguiente. u es el límite de las potencias T nx. Por lo tanto v = u. ⎦ . Para demostrar que u es único. al exigir que sus componentes satisfagan la ecuación (4).Sec. (4) El primer procedimiento para calcular el vector de estado estacionario u de una matriz de transición regular T es el siguiente.6. ⎥. . T n+1 = T T n.* Paso 2. . T nv → u. (b) Como T n → A. Paso 1. Paso 2. Sin embargo. Al igualar las columnas correspondientes de esta ecuación (utilizando el ejercicio T.3). . ⎡ un ⎡ un xn u n x1 + u n x2 + · · · + u n xn ⎤ ⎡ ⎤ u 1 (x1 + x2 + · · · + xn ) u1 ⎢u 2 (x1 + x2 + · · · + xn )⎥ ⎢u 2 ⎥ ⎥ = ⎢ . TA = A. Por lo tanto.⎦ . ■ En los ejemplos 3 y 4 obtuvimos los vectores de estado estacionario calculando las potencias T nx. ⎦⎣ .5 Cadenas de Markov 155 Ahora. u n (x1 + x2 + · · · + xn ) un un u1 u2 . ⎥ = ⎢ . (3) Hemos demostrado que el sistema homogéneo (3) tiene una única solución u que es un vector de probabilidad. Según (b) del teorema 2. . Resolvemos el sistema homogéneo (In – T)u = 0. Otra forma de calcular el vector de estado estacionario de una matriz de transición regular es el siguiente. =⎢ . . ⎣ ⎦ ⎣. tenemos que T nv = v para todo n. . ⎥⎢ . 2. De la infinidad de soluciones obtenidas en el paso 1. u1 ⎢u 2 Ax = ⎢ . De acuerdo con (a). y como Tv = v. ⎦ ⎣ . Calculamos las potencias T nx. sea v otro vector de probabilidad tal que Tv = v. ··· ··· ··· ⎤⎡ ⎤ ⎡ ⎤ u1 x1 u 1 x1 + u 1 x2 + · · · + u 1 xn u 2 ⎥ ⎢ x2 ⎥ ⎢ u 2 x1 + u 2 x2 + · · · + u 2 xn ⎥ ⎥ . . T n x → u. *Este tipo de problemas se estudiará con mayor profundidad en el capítulo 8. donde x es cualquier vector de probabilidad. de modo que u1 + u2 + · · · + un = 1.

55 u1 = 0.70 −0. 4. Springer-Verlag. JOHN G. Nueva Jersey.25r + r = 1. 1973. ■ Lecturas adicionales KEMENY. o bien. Biological. tenemos 2. LAURIE SNELL.25r u3 = r.25 −0. y M.2747 u3 = 0..60 −0. Prentice Hall.3r u2 = 1.30⎦ ⎣u 2 ⎦ = ⎣0⎦ .10 0. u3 0 −0.2198. 0 u1 = 2. El sistema homogéneo (3) es (verifique) ⎤⎡ ⎤ ⎡ ⎤ 0 0.156 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) EJEMPLO 8 Consideremos la matriz del ejemplo 2. Nueva Jersey.30 1 −1. matriz estocástica o matriz de probabilidades) Vector de estado Vector de estado inicial Vector de estado estacionario Equilibrio . Upper Saddle River. ROBERTS. FRED S.25 0. and Management Sciences. MAKI.5055 u2 = 0.50 −0. y J.40 u1 ⎣−0. Nueva York.25 0 0.P. una solución es 0 −2. r= Por lo tanto. Finite Markov Chains. 1976. Términos clave Cadena de Markov (o proceso de Markov) Probabilidad de transición Matriz de transición (matriz de Markov. and Enviromental Problems. D. Life. Con base en la ecuación (4). donde r es cualquier número real.70 ⎡ La forma escalonada reducida por filas de la matriz aumentada es (verifique) ⎡ 1 ⎣0 0 Por lo tanto.2198. THOMPSON. Prentice Hall.00 ⎤ 0 0⎦ . Discrete Mathematical Models with Applications to Social. Mathematical Models and Applications: With Emphasis on the Social. Estos resultados coinciden con los que se obtuvieron en el ejemplo 4. 1 ≈ 0. 1997.3r + 1. Upper Saddle River.

3 0.67 0. la probabilidad de pasar por la misma puerta al día siguiente es 0.0 0. Considere la matriz de transición T = 1 ⎣2 1 2 (a) Demuestre que T no es regular. A y B.6 2.0 0. determine un valor para cada entrada faltante. Al inicio del experimento.1 0. o por la puerta B.2 0.2 0.4 0.6.2 0.4 ⎡ 0. ⎡ ⎤ 1 1 0.3 (d) ⎣0.7 0. ¿Cuáles de los siguientes son vectores de probabilidad? ⎡ ⎤ ⎡ ⎤ 1 1 ⎡ ⎤ 4 1 ⎡ ⎤ ⎢ ⎥ ⎢5⎥ 0 ⎢1⎥ ⎢2⎥ ⎢2⎥ (a) ⎢ 1 ⎥ (b) ⎣1⎦ (c) ⎢ 6 ⎥ (d) ⎢ 5 ⎥ ⎢ ⎥ ⎢ ⎥ ⎣3⎦ ⎢1⎥ ⎢1⎥ 0 ⎣3⎦ ⎣ 10 ⎦ 2 3 1 4 2 10 ⎡ ⎢ (a) ⎢0 ⎣ 0 1 1 3 1 3 1 3 0 ⎤ (b) ⎡ ⎥ 1⎥ ⎦ 0 1 ⎢4 ⎢1 ⎣2 1 4 3 5 0 2 5 ⎥ 0⎥ ⎦ 1 2 1 2 ⎤ 8. la rata tiene la misma probabilidad de pasar por la puerta A que por la puerta B.2 0.3 0.3 0. calcule x(1). 6.6 9.4 . 2. 0.9 1 2 T = (a) Si x(0) = 0. En consecuencia.3⎦ 0. ⎣0.55 0. Demuestre que cada una de las siguientes matrices de transición alcanza un estado de equilibrio.4 0.2 0.1 2⎦ (a) ⎣ 3 (b) 0. denotada por . 10.5 Ejercicios 1. 7.33 (c) (d) ⎣0. Considere la matriz de transición ⎡ 0 0.3 0.6 x (0) ⎡ ⎤ 0 = ⎣1⎦ .6 0.5⎦ 0. (a) Escriba la matriz de transición para el proceso de Markov.8⎦ 0. ⎣0.7 0.6 1 .3 0. ¿Cuáles de las siguientes matrices de transición son regulares? ⎡ 0 (a) ⎣ 1 ⎤ 1 2⎦ 1 2 ⎡ ⎢ (b) ⎢ 0 ⎣ 1 2 1 2 0 1 0 0 ⎤ ⎥ 1⎥ 2⎦ 1 2 11.6 0.4 0.4 (d) ⎣0.3. (b) ¿Cuál es la probabilidad de que la rata vuelva a pasar por la puerta A el jueves (el tercer día después del inicio del experimento)? (c) ¿Cuál es el vector de estado estacionario? .3 1 0. ⎡ ⎤ 1 1 0.4 0. x(2) y x(3) con tres cifras 0 decimales.5 Cadenas de Markov 157 2.2 T = ⎣0 0. En algunos casos puede haber más de una respuesta correcta.2 5.3 0.3 0.3 0.3 4.5 (a) Si ⎡ 3 1 4 2 1 2 1 2 ⎢ (c) ⎢ 0 ⎣ 3 4 1 3 ⎥ 2⎥ 3⎦ ⎤ 0.3 3. de modo que la matriz sea la matriz de transición de una cadena de Markov.1 0. (b) Demuestre que T n x → 0 para cualquier vector de 1 probabilidad x. Después de pasar por la puerta A y recibir una descarga eléctrica.7 ⎤ 0 0 0.5⎦ 0. en cuyo caso recibirá un choque eléctrico. (Psicología) Un psicólogo del comportamiento coloca todos los días una rata en una jaula con dos puertas.2 ⎤ ⎡ 0.7 (a) (b) ⎣0. ¿Cuáles de las siguientes pueden ser matrices de transición de un proceso de Markov? ⎤ ⎡ 0. ⎡ 0.0 0. ⎡ ⎤ ⎡ ⎤ 0. 0. con lo cual obtiene cierto alimento. (b) Demuestre que T es regular y encuentre su vector de estado estacionario.8 0.2 2 ⎦ (a) ⎣ 1 (b) 0.0 0.4 0. Después de pasar por la puerta B y recibir alimento.7⎦ 0. una cadena de Markov puede tener un único vector de estado estacionario.5 ⎤ 0.5 ⎡ ⎤ 0 1 ⎦. (b) Demuestre que T es regular y encuentre su vector de estado estacionario.0⎦ 0. Determine el vector de estado estacionario para cada una de las siguientes matrices regulares.8 0 ⎡ 2 1 ⎢3 (c) ⎢ 1 ⎣3 1 3 1 0 0 1 2 ⎥ 1⎥ 4⎦ 1 4 ⎤ 0.2 0.45 0.3⎦ .1 0. Se registra la puerta por la que pasa la rata. aunque su matriz de transición no es regular.1 0. la probabilidad de volver a pasar por la misma puerta al día siguiente es 0.Sec. La rata puede pasar por la puerta A. 0 calcule x(1). Sea En los ejercicios 3 y 4.2 0.4 0. x(2) y x(3) con tres cifras decimales.1 0. un lunes.5 0.5 ⎤ 0.5 0.

5 (b) ⎣0. ML. En el ejemplo 4.00 ⎡ 0 1 3 1 3 1 3 1 2 ⎥ 1⎥ 4⎦ 1 4 ⎤ 0. como en los ejemplos 3 y 4.50 ⎤ 0.25 0.66 (c) ⎣0.2 0.2. cuando sea adulto.25 0. (Negocios) El departamento de suscripciones de una revista envía cartas a una enorme lista de correos. ¿Qué porcentaje de las personas que reciben la carta actual se espera que pidan una suscripción? 13.5 Suponga que cada generación posterior se produce cruzando sólo con plantas del genotipo RW. se puede realizar fácilmente mediante ciertos comandos de MATLAB.25 ⎤ 0. Una vez que la matriz de transición T y el vector de estado inicial x(0) se introducen a MATLAB. rosadas o blancas? 15. x(2). se determinó que 40% de quienes la recibieron ordenaron una suscripción. Las autoridades de tránsito han realizado estudios que predicen el porcentaje de quienes utilizarán el sistema colectivo (M) y el de las personas que seguirán manejando su auto (A).625⎦ 0. (Transporte colectivo) Un sistema de transporte colectivo entra en operación.1.6 0.3.5 0. 60% de las personas ya suscritas se suscribirán de nuevo. y otras no.6 determine x(5). Se ha obtenido la siguiente matriz de transición: Año actual M A Ocupación del hijo 0.5⎦ . obtenemos la matriz de transición Flores de la planta madre Flores de la planta hija R P W 0.5 R P ⎣0. .0 ⎡ 0. 0. (a) Escriba la matriz de transición para este proceso de Markov. según los genotipos RR. si el estado inicial se cambia por ⎡ ⎤ 0. Utilice MATLAB para verificar los cálculos de los vectores de estado del ejemplo 3. ¿En qué momento alcanza el equilibrio el proceso?. En MATLAB.3⎦ 0.1.3 0. para los periodos de 1 a 5. 0. 0.3 0. el vector de estado del k-ésimo periodo de observación se obtiene mediante el comando T∧k ∗ x ML.1 ⎣0.125 0. también es una matriz de transición de una cadena de Markov? Explique.3⎦ . (a) ¿Qué porcentaje utilizará el sistema de transporte colectivo después de un año? ¿Después de dos años? (b) ¿En el largo plazo. (Sociología) Un estudio ha determinado que la ocupación de un niño.158 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) 12. (a) ¿Cuál es la probabilidad de que el nieto de un profesional también sea un profesional? (b) A largo plazo.5 W 0.0 ⎤ 0.8 Suponga que la población del área permanece constante y que al principio 30% de la gente se traslada en el transporte colectivo y 70% en automóvil.1 ⎡ 0.1 L 0.25 0. . De la lista de correo. ¿qué porcentaje empleará el sistema de transporte colectivo? Ejercicio teórico T. F = agricultor y L = obrero. Al cruzar cada uno de estos genotipos con un genotipo RW. Algunas de las personas que recibieron la carta ya estaban suscritas.3 0. mientras que 25% de las no suscritas lo harán. (Genética) Considere una planta que puede tener flores rojas (R). escriba help sum y determine la acción del comando sum en una matriz de m × n.2 ⎤ 0.7 0. Aplique el comando sum para determinar cuáles de las siguientes son matrices de Markov.2 0. Ejercicios con MATLAB El cálculo de la sucesión de vectores x(1).250 .6 Año siguiente En consecuencia.50 0.2 0. ML.2⎦ 0.2 . (b) Al enviarse la última carta. la probabilidad de que el hijo de un profesional también sea un profesional es 0.0 0.8 P F ⎣0.8. RW y WW. donde P = profesional.7 0. . ¿La transpuesta de una matriz de transición de una cadena de Markov. ⎡ (a) 2 ⎢3 ⎢1 ⎣3 0.33 0. ¿qué porcentaje de las plantas será de flores rojas.1 ⎡ Ocupación del padre P F L 0. rosadas (P) o blancas (W). depende de la ocupación de su padre y está dada por la siguiente matriz de transición. invitando a los destinatarios a suscribirse. y así sucesivamente. . ¿qué proporción de la población se dedicará a la agricultura? 14. M A 0.

formada por un agricultor. aunque él lo haya producido. etcétera. p2 el precio por unidad de habitación y p3 el precio por unidad de vestido. Por conveniencia. profesor de economía de la Universidad de Harvard. el agricultor consume 5 16 de su propio producto. el carpintero consume 16 de la ropa hecha por el sastre.Sec.1. y el sastre fabrica la ropa. la parte de cada artículo que consume cada individuo está dada en la tabla 2. la atención al análisis del comportamiento económico también ha ido aumentando. En la década de los treinta del siglo XX. 2. Suponemos que cada uno de ellos paga el mismo precio por un artículo. que no contáramos con todos los datos que deben reunirse o que ignoráramos cuándo se tiene suficiente información. p2 y p3 de modo que haya un estado de equilibrio. el cual definimos como: nadie gana o pierde dinero. un carpintero y un sastre. hemos elegido nuestras unidades de modo que cada individuo produce una unidad de cada artículo durante el año. *Este ejemplo se cita en la obra de Johnston. Nos interesa determinar los precios p1. A medida que la sociedad se ha hecho cada vez más compleja. el carpintero construye las casas. Wassily Leontief. mientras 5 que el carpintero consume del producto del agricultor.7. citados en las lecturas adicionales. Los gastos del agricultor son 7 16 p1 + 1 2 p2 + 3 16 p3 . de manera que el agricultor paga el mismo precio por su alimento que el sastre y el carpintero.6 MODELOS ECONÓMICOS LINEALES Requisito. En 1973 recibió el premio Nobel de Economía por ese trabajo. nuestro enfoque se basa en el material de los libros de Gale y de Johnston. Price y van Vleck. desarrolló uno de los primeros métodos de análisis matemático del comportamiento económico. los problemas involucrados en dicho análisis son más difíciles de tratar que los de las ciencias físicas. Por muchas razones. Price y van Vleck que se indica en las lecturas adicionales. La inversa de una matriz. . Tabla 2. Suponga que durante un año.1 Bienes consumidos por: Agricultor Carpintero Sastre Bienes producidos por: Agricultor 7 16 5 16 1 4 7 16 Carpintero 1 2 1 6 1 3 Sastre 3 16 5 16 1 2 De acuerdo con lo anterior.6 Modelos económicos lineales 159 2. también podría suceder que la resolución del problema matemático resultante fuera demasiado difícil. Cada uno produce un bien: el agricultor produce los alimentos. En esta sección daremos una breve introducción a las aplicaciones del álgebra lineal a la economía. MODELO CERRADO DE LEONTIEF EJEMPLO 1* Considere una sociedad sencilla. En gran medida. el lector puede consultar estos libros para conocer el tema con más amplitud. Sea p1 el precio por unidad de alimento. También Gale presenta el modelo general para este ejemplo. Por ejemplo. Lectura de la sección 1. podría ocurrir que no conociéramos todos los factores o variables que deben considerarse.

. (1) De manera análoga. pues p = 0 significaría que todos los precios son nulos. M2. . Entonces. G1.000. . y n artículos. Esto significa que el consumo total de cada artículo debe ser igual a su producción total. (3) Las ecuaciones (1). sirve para fabricar acero. ■ EJEMPLO 2 (Modelo de intercambio) Consideremos ahora el problema general en el que tenemos n fabricantes. pues él produce una unidad de alimento. donde Mi sólo fabrica Gi. digamos un año. Al producir el artículo Gi.000 y cada unidad de vestido cuesta $4. ningún artículo entra o sale del sistema. 16 ⎦ 1 2 ⎤ ⎤ p1 p = ⎣ p2 ⎦ .000. si r = 1000. G2. . p3 ⎡ Podemos rescribir la ecuación (4) como (In – A)p = 0 (5) que es un sistema homogéneo. donde (4) ⎡ A= 7 16 ⎢ ⎢5 ⎣ 16 1 4 1 2 1 6 1 3 3 16 ⎥ 5 ⎥. . el fabricante Mi puede consumir ciertas cantidades de los artículos G1. y supongamos que Mi sólo fabrica una unidad de Gi durante dicho periodo. . determinamos los precios relativos de los artículos. . cada unidad de habitación cuesta $3. Por ejemplo. el hierro.160 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) mientras que su ingreso es p1. Gn. . G2. Por ejemplo. con al menos un pi positivo. Consideremos un intervalo fijo. (2) y (3) se pueden escribir en notación matricial como Ap = p. es decir. Como los gastos deben igualar al ingreso. junto con otros ingredientes. Al resolver (5). 4 donde r es cualquier número real. . Si r es un número positivo. Supongamos que el modelo es cerrado. vemos que cada unidad de alimento cuesta $4. Gn. M1. obtenemos (verifique) ⎡ ⎤ 4 p = r ⎣3⎦ . . Mn. . . . (2) y en el del sastre tenemos 1 4 1 3 1 2 p 3 = p3 . Gi. Nuestro problema consiste en determinar una solución p para (5). en el caso del carpintero tenemos 5 16 p1 + p1 + 1 6 p2 + p2 + 5 16 p3 = p2 . tenemos 7 16 p1 + 1 2 p2 + 3 16 p 3 = p1 . Como la producción total de Gj es 1. . . cuyos componentes pi sean no negativos. tenemos a1j + a2j + · · · + anj = 1 ( 1 ≤ j ≤ n). . lo cual carece de sentido. Sea aij la cantidad del artículo Gj consumida por el fabricante Mi. 0 ≤ aij ≤ 1.

Por lo tanto. de acuerdo con la ecuación (6). . . (7) ⎤ p1 ⎢ p2 ⎥ A = [aij] y p = ⎢ .Sec. . con al menos un componente positivo y que satisfaga la ecuación (8). . nuestro problema consiste en determinar un vector p ≥ 0. . . .6 Modelos económicos lineales 161 Si el precio unitario de Gk es pk. an1 p1 + an2 p2 + · · · + ann pn = que puede escribirse en forma matricial como Ap = p. sus ingresos son iguales a pi. En consecuencia. entonces el fabricante Mi paga ai1p1 + ai2 p2 + · · · + ain pn (6) por los artículos que usa. . . . al igual que la matriz A del ejemplo 2. ⎥ . ■ Nuestro problema general se puede enunciar como sigue: dada una matriz de intercambio A. 2. . para j = 1. pn. . . de modo que ningún fabricante gane o pierda dinero. n (las entradas de cada columna suman 1). . Como Mi sólo fabrica una unidad. ⎦ . es decir. Puede demostrarse que este problema siempre tiene solución (vea la página 264 del libro de Gale que se cita en las lecturas adicionales). Esto haría que Ap ≤ p (9) . ■ (8) DEFINICIÓN Una matriz A = [aij] de n × n es una matriz de intercambio si satisface las dos propiedades siguientes: (a) aij ≥ 0 (cada entrada es no negativa). En nuestro problema general hemos pedido que el ingreso de cada fabricante sea igual a sus gastos. tenemos a11 p1 + a12 p2 + · · · + a1n pn = a21 p1 + a22 p2 + · · · + a2n pn = . pero también podríamos pedir que los gastos de cada fabricante no sean mayores que su ingreso. Nuestro problema consiste en determinar los precios p1. con al menos un componente positivo. que satisfaga la ecuación (8). 2. . logrando que el ingreso de cada fabricante sea igual a sus gastos. (b) aij + a2j + · · · + anj = 1. ⎣. . p2. ⎡ pn Podemos rescribir la ecuación (7) como (In − A)p = 0. EJEMPLO 3 La matriz A del ejemplo 1 es una matriz de intercambio. . determinar un vector p ≥ 0. . donde p1 p2 . pn .

si algún fabricante está logrando ganancias. . M1. tenemos que ai j ≥ 0 a1j + a2j + · · · + a n j = 1. Sea cij ≥ 0 el valor monetario de Gi que debe consumirse para producir una cantidad de Gj con valor de un dólar. G2. Mn. UN MODELO DE COMERCIO INTERNACIONAL EJEMPLO 4 Suponga que n países. . que era nuestro problema anterior.162 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) en lugar de Ap = p. . . Por lo tanto. M2.1) que si se cumple la ecuación (9).⎥ ⎣. Sin embargo. ya sea en el mercado interno o a los demás países. Ahora queremos determinar el ingreso total yi de cada país Ci. el ingreso total de Ci es ai1 y1 + ai2 y2 + · · · + ain yn. C2. En notación matricial. .⎦ . debemos determinar ⎡ ⎤ y1 ⎢ y2 ⎥ p = ⎢ . Supongamos que los precios están fijos durante este análisis y que el ingreso de Cj. proviene en su totalidad de la venta de sus productos. Como el valor de las exportaciones de Ci a Cj es aij yj. que no depende del ingreso yj de Cj. de modo que A = [aij] es una matriz de intercambio. en el modelo cerrado de Leontief. C1. Cn. debemos tener a i 1 y 1 + a i2 y 2 + · · · + ain yn = yi. comercian entre sí y utilizan la misma moneda. puede demostrarse (ejercicio T.⎦ . Observe que cii puede ser positivo. Supongamos también que la parte de su ingreso que Cj gasta en importaciones de Ci es un número fijo aij. ⎣. lo cual significa que podríamos necesitar cierta cantidad de Gi para producir una cantidad de Gi con valor de un dólar. Gn. yn con al menos una yi > 0. que denotamos mediante yj. un año. La matriz C = [cij] es la matriz de consumo. El vector ⎡ ⎤ x1 ⎢ x2 ⎥ x=⎢. xn (xi ≥ 0) (10) . . . . Una interpretación económica de esta afirmación es que. ■ EL MODELO ABIERTO DE LEONTIEF Suponga que tenemos n artículos. y n actividades. Suponga que cada actividad Mi produce sólo un artículo Gi y que Gi es producido sólo por Mi. al menos un fabricante está sufriendo pérdidas. el ingreso de cada uno de ellos será igual a sus gastos. Como las aij son parte de yj. si ningún fabricante gasta más de lo que gana. De esta manera. . se cumplirá también la ecuación (7). ⎥ ≥ 0. de modo que Ap = p. . . Sea xi el valor en dólares de la cantidad de Gi producida en un periodo fijo. . G1. digamos.

etcétera.⎦ . ¿es posible determinar un vector x ≥ 0 que satisfaga la siguiente ecuación? (In − C)x = d. (11) dn el vector de demanda.Sec. y sea ⎡ ⎤ d1 ⎢d2 ⎥ (di ≥ 0) d=⎢. La diferencia entre el valor en dólares de la cantidad producida de Gi y el valor total en dólares de la cantidad consumida de Gi. xi − (ci1x1 + ci2x2 + · · · + cinxn). La ecuación (12) se transforma en ⎡ 3 ⎣ 4 −2 3 −1 2 2 3 ⎤ ⎦ x1 = d1 . Ahora sea di el valor en dólares de la demanda externa de Gi. ¿es posible determinar un vector de producción x tal que la demanda externa d se satisfaga sin un superávit? Es decir. Observe que la expresión dada por la ecuación (10) es la i-ésima entrada del producto matricial Cx.⎥ ⎣. Nuestro problema se puede enunciar de la manera siguiente: dado un vector de demanda d ≥ 0. x2 d2 ⎡ 4 d1 =⎣ d2 4 ⎤ 3 9 2 de modo que ⎡ 3 x1 =⎣ 4 x2 −2 3 −1 2 2 3 ⎤−1 ⎦ ⎦ d1 ≥ 0. determinada por el vector de producción para elaborar una cantidad de G1 con valor de x1 dólares. Observe que la expresión en la ecuación (11) es la i-ésima entrada de x − Cx = (In − C)x. En consecuencia. Entonces ⎡ I2 − C = 1 0 0 − 1 1 ⎣4 2 3 ⎤ 1 2⎦ 1 3 ⎡ = 3 ⎣ 4 −2 3 −1 2 2 3 ⎤ ⎦. ■ .6 Modelos económicos lineales 163 es el vector de producción. una cantidad de G2 con valor de x2 dólares. es la producción neta. La expresión ci1x1 + ci2x2 + · · · + cin xn es el valor total de la parte consumida del producto Gi. podemos obtener un vector de producción para cualquier vector de demanda dado. 2. d2 ya que d1 ≥ 0 y d2 ≥ 0. (12) EJEMPLO 5 Sea ⎡ C= 1 ⎣4 2 3 ⎤ 1 2⎦ 1 3 una matriz de consumo.

si C es productiva. la ecuación (12) podría no tener solución. si (In − C)−1 existe y es ≥ 0. entonces para cualquier vector de demanda d ≥ 0. Es decir. C es productiva si (In − C) es no singular y todas las entradas de (In − C)−1 son no negativas. x = 0. el problema no tiene solución. e ⎡ ( I2 − C) −1 = 2 4 ⎣3 1 4 ⎤ 1 3⎦ . EJEMPLO 6 Considere la matriz de consumo ⎡ C= 1 ⎣2 1 2 ⎤ 1 2⎦ . entonces x = (In − C)−1d ≥ 0 es un vector de producción para cualquier vector de demanda dado. ■ DEFINICIÓN Una matriz de consumo C de n × n es productiva si (In − C)−1 existe e (In − C)−1 ≥ 0. EJEMPLO 7 Considere la matriz de consumo ⎡ C= 1 ⎣2 1 4 ⎤ 1 3⎦ . a saber. el modelo también se llama productivo. 1 3 Entonces ⎡ ( I2 − C) = 1 ⎣ 2 −1 4 −1 3 2 3 ⎤ ⎦. De acuerdo con lo anterior. −4 −4 x = (I2 − C)−1d no es un vector de producción si d 0. Si d = 0. lo cual significa que si no hay demanda externa. sí tenemos una solución. x ≥ 0. no hay producción alguna. para una matriz de consumo dada. En este caso. C es productiva. Sin embargo. 3 4 Entonces ⎡ I2 − C = 1 ⎣ 2 −1 2 −1 2⎦ 1 4 ⎤ e ( I2 − C) −1 = de modo que −2 −4 . la ecuación (In − C)x = d tiene una única solución. la ecuación (In − C)x = d tiene la solución única x = (In − C)−1d ≥ 0. pues todos sus componentes son negativos. Si d ≥ 0 es un vector de demanda.164 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) En general. por lo tanto. ■ . 1 2 En consecuencia.

6 Modelos económicos lineales 165 Algunos textos más avanzados (como el libro de Johnston citado en las lecturas adicionales. 3 (b) Determine el vector de producción para el vector de 2 . que la fracción del ingreso de C2 que gasta en 4 2 1 2 importaciones de C1 es --. 1 de la habitación 5 3 y 1 del vestido..y de C3 es --. VAN VLECK. con al menos un componente positivo.20 de cobre. de C2 es -. ⎢ 1 0⎥ ⎣6 ⎦ 6 1 5 0 6 2 65. Suponga que la matriz de consumo para el modelo de producción lineal es ⎡ ⎤ ⎣2 1 2 1 1 2⎦ .. de C2 es -. 1966. ⎢ 1 0⎥ 0 0⎥ ⎣ ⎦ ⎦ ⎣2 3 1 0 1 0 2 0 4 ⎡ ⎢ 9. PRICE y F. Lecturas adicionales GALE. C2 y C3. determine cuáles matrices son productivas. un ferrocarril y una planta de energía eléctrica. . The Theory of Linear Economic Models. Para producir $1 de cobre. ⎢ 1 ⎣4 0 1 3 1 3 0 2 3 1 3 ⎥ 1⎥ 6⎦ ⎤ 0 0 11.S. B. ⎢ 0 8. demanda 0 12. DAVID. Inc. Reading. G. ⎡ ⎤ ⎤ ⎡ 1 1 2 0 0 0 2 3 3 ⎢ ⎥ ⎥ ⎢ 2 7. determine un vector p ≥ 0. ⎢ 1 0 0 0⎥ ⎣ ⎦ ⎣3 4⎦ 1 1 1 1 3 0 2 3 3 3 4 ⎡ ⎤ 1 1 0 3 ⎢ ⎥ 1 4.. 1 4 (a) Determine el vector de producción para el vector de 1 demanda .y de C3 es 0.6 Ejercicios 1. 0 En los ejercicios 2 a 4. Linear Equations and Matrices. McGraw-Hill Book Company.Sec. 1 de la habitación y nada del 3 vestido. Suponga que la fracción del ingreso En los ejercicios del 7 al 10. Massachusetts: Addison-Wesley Publishing Co. y que el sastre con2 2 3 1 sume 5 del alimento. 1 de la habitación y 1 del vestido. que el carpintero consume 2 del alimen2 5 to. 66.. Un pequeño pueblo tiene tres industrias primarias: una mina de cobre. ¿Cuáles de las siguientes son matrices de intercambio? ⎡ 1 ⎢3 (a) ⎢ 2 ⎣3 ⎡ (c) 1 2 1 ⎢3 ⎢2 ⎣3 0 1 −1 2 −2 3 2 3 1 ⎤ ⎡ 1 ⎥ 0⎥ ⎦ 0 ⎤ 1 2 ⎥ 1⎥ 2⎦ 0 1 0 ⎢2 (b) ⎢ 1 ⎣2 0 ⎡ 1 ⎢ ⎢0 (d) ⎣ 0 1 3 1 3 1 3 1 4 1 4 1 2 3 4 ⎥ 1⎥ 4⎦ ⎤ 0 5 6 ⎥ 1⎥ 6⎦ ⎤ 1 1 de C1 que gasta en importaciones de C1 es -.. que satisfaga la ecuación (8) para la matriz de intercambio dada. que satisfaga la ecuación (8). ⎤ ⎡ ⎤ ⎡ 1 2 1 2 0 1 3 3 2 3 ⎥ ⎢ ⎥ ⎢ 1⎥ 3. página 251) demuestran los criterios para decidir si una matriz de consumo dada es productiva. Considere la economía simple del ejemplo 1. que la 5 5 5 fracción del ingreso de C3 que gasta en importaciones de C1 1 1 es --. Términos clave Modelo cerrado de Leontief Modelo de intercambio Matriz de intercambio Modelo de comercio internacional Modelo abierto de Leontief Matriz de consumo Vector de producción Producción neta Vector de demanda Matriz productiva Modelo productivo 2. ⎢ 1 ⎣2 1 4 0 1 3 0 1 3 1 2 ⎥ 1⎥ 4⎦ ⎤ ⎡ ⎢ 10. la mina gasta $0. C1. Nueva York. 1960. ⎢ 0 2. Suponga que el agricultor consume 2 del alimento. Considere el modelo de comercio internacional formado por tres países. Determine la matriz de intercambio A para este problema y un vector p ≥ 0. con al menos un componente positivo. 2. JOHSTON. de C2 es -4 2 1 y de C3 es -. Determine el ingreso de cada 2 2 país.

procesamiento de señales (como restauración de registros). lo transmiten y recuperan aproximaciones a la información de origen. permitiendo omitir parte de la misma (proceso conocido como compresión) y luego se transmite para que los datos recibidos puedan reconstruirse como una aproximación certera de la información original. La inversa de una matriz. En esta sección nos proponemos demostrar cómo los conceptos comunes de matrices pueden utilizarse para revelar la naturaleza básica de las wavelets. televisión y microondas.166 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) $0. En la figura 2. y la aproximación precisa de información. por sus siglas en inglés) para imágenes digitales. procesamiento de imágenes (tal como archivos dactilográficos de la Oficina Federal de Investigación de Estados Unidos. La capacidad de transmitir energía fue uno de los cambios más importantes que se dieron en el siglo XIX. es la desarrollada por el Grupo Unido de Expertos en Fotografía (JPEG. Lectura de la sección 1. el ferrocarril requiere $0.22 se representa gráficamente este escenario. sismología y en la resolución numérica de ecuaciones diferenciales parciales. de modo que pudiera ser reconstruido para recuperar de manera confiable la información original. así como los métodos que emplean técnicas privadas de codificación digital. incluyendo la compresión de datos para su transmisión eficiente.8 millones de dólares de transporte y 1. y su uso continúa adaptándose a un creciente número de áreas científicas y de ingeniería. El tema matemático de las wavelets ha recibido gran atención debido a su versatilidad para adaptarse a una miríada de aplicaciones. las wavelets han sido objeto de investigación continua desde la década pasada.20 de energía eléctrica.10 de transporte y $0. junto con el proceso de reconstrucción.5 millones de dólares por concepto de energía eléctrica.10 de transporte y $0. la descarga más rápida de información y posibilita seleccionar el tamaño de una imagen sin crear un archivo separado. Así.30 de energía eléctrica. $0. En el siglo XX ocurrió otra revolución —que continúa hasta nuestros días— de similar envergadura: la capacidad para transmitir información.20 de cobre. la planta destina $0. Para proporcionar $1 de transporte.7 INTRODUCCIÓN A WAVELETS (ONDELETAS U ONDITAS) Requisito.10 de cobre. la creciente necesidad de información por parte de los gobiernos y las entidades comerciales exigió que se resolviese cómo transmitir rápidamente lo esencial del conjunto de datos. . los codificadores de muchas clases (incluyendo claves públicas de encriptación). lo comprimen. las señales de radio. El esquema JPEG2000 emplea wavelets (ondeletas). los esquemas de transformación y compresión.7.20 de transporte y $0. FBI). Una técnica de codificación digital muy conocida y disponible comercialmente. Esta nueva técnica permitirá la creación de archivos de datos 20% más pequeños. $0. demuestre que Ap ≤ p implica que Ap = p. Una vez que se tuvo la infraestructura para transmitir datos. ¿Cuánto debe producir cada industria para satisfacer las demandas? Ejercicios teóricos T. Por lo tanto. En el modelo de intercambio (ejemplos 1 o 2). Mostraremos de qué manera la información digital se transforma.40 de energía eléctrica. 0. una tecnología de compresión que codifica imágenes en una cadena continua. Ejemplos de tales esquemas son el código Morse. Para lograrlo se han desarrollado diversos esquemas que transforman el conjunto de datos original.2 millones de dólares de cobre. La economía se presenta cuando existe una reducción significativa en la cantidad de información que se transmite. Para producir $1 de energía eléctrica. 2.1. deben diseñarse con esta clase de economía en mente. Su- ponga que durante el año hay una demanda externa de 1.

en el caso de conjuntos grandes de datos en los que aparece una gran cantidad de ceros (tales datos se denominan esparcidos. lo cual significaría cuatro monedas del tercer tipo (monedas de $0.2 Moneda de un dólar $0.2 pueden comprimirse de manera tan sencilla. Cuando la función f se grafica. en lugar de mostrar un trazo suave.25). ya que suele implicar la transmisión de grandes cantidades de datos. incluso tratándose de imágenes pequeñas. para presentar una curva suave. La información de la primera columna. Sin embargo. es en el de las imágenes. la segunda columna.01 0 0 4 0 0 0 0 0 2 5 0 0 0 1 1 1 0 15 0 0 0 0 1 95 0 1 1 1 1 10 Otro ámbito en donde la compresión de información resulta útil. (Observe que las primeras dos entradas proporcionan el número de monedas. pero la información transmitida permite reconstruir de manera exacta la información original.50 $0.) Aunque no todas las columnas de la tabla 2. Si el espaciado entre los valores de x es grande.22 Transformación Datos originales Compresión Transmisión Información aproximada EJEMPLO 1 En cada una de las columnas de la tabla 2.7 Introducción a wavelets (ondeletas u onditas) 167 Figura 2. lo cual significaría dos monedas de $0. Una descripción matemática de tal imagen proporciona la posición de cada punto y un código que denota un color o la escala de grises que corresponde al punto.2 se muestra una representación de un dólarcomo combinación de las monedas indicadas. por lo que el conjunto de datos originales {(x. dispersos o poco densos). En el caso de imágenes de alta calidad. Los detalles de la información acerca de cualquiera de estas cinco maneras de representar un dólar podrían transmitirse enviando la cadena de seis números correspondiente a una columna. o quizá por arcos. se puede comprimir a [4 3]T. por medio de un procedimiento común se genera un conjunto de valores de x igualmente espaciados. ■ Tabla 2. podría necesitarse un espaciado muy pequeño. El conjunto de datos resultante es muy grande. La entrada en un fila indica el número de monedas del tipo correspondiente a dicha fila. f (x))} tendría que ser muy grande. . y se calcula el valor de la función en cada uno de tales valores.25 y cinco de $0.10. la gráfica tal vez se vería dentada. una compresión puede ser tan sencilla como enviar un dígito distinto de cero y su posición en la cadena de información. y las segundas dos entradas la posición en la lista de los tipos de monedas. f (x)) conectados por segmentos de recta. varias de estas representaciones pueden comprimirse de modo que se envían menos de seis números. Luego se despliega la gráfica de f mostrando los puntos (x. 2. puede comprimirse a [2 5 3 4]T.05 $0.25 $0.10 $0. [0 0 4 0 0 0] T. Las imágenes gráficas y las fotografías digitales están formadas de cientos o miles de pequeños puntos. Los avances continuos en calculadoras y computadoras han puesto a disposición del usuario sencillos dispositivos para mostrar funciones matemáticas a través de gráficas.Sec. [0 0 2 5 0 0] T. De manera análoga.

Por transformación damos a entender algún proceso que toma los datos digitales originales.* éste es el paso de compresión. desarrollamos un conjunto equivalente de datos usando las operaciones de promediar y diferenciar. los datos transformados deben reflejar las cualidades intrínsecas de la información contenida en ellos. éstos son los pasos de transmisión y reconstrucción. El uso de promediar y diferenciar ofrece ese beneficio. El conjunto de datos comprimidos pierde parte de la información original. Para los datos iniciales ⎡ ⎤ a ⎢ b⎥ v=⎣ ⎦ c d necesitamos que el resultado de la multiplicación de matrices sea ⎡ ⎤ a+b ⎢ ⎥ ⎢ 2 ⎥ ⎢ ⎥. y produce un conjunto de información equivalente utilizando. en donde queremos promediar pares sucesivos de valores (acción denominada promedio por pares). de modo que pueda reconstruirse una buena aproximación de la imagen original. Los procesos de transformación y compresión se ilustran por medio de la gráfica de una función f evaluada en puntos igualmente espaciados.168 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) La transmisión de las grandes cantidades de datos necesarias para la representación de imágenes es una preocupación real. Idealmente. EJEMPLO 2 (Cálculo de promedios por medio de multiplicación matricial) (a) Para el vector a calculamos el promedio de las entradas usando el siguiente prob ducto de fila por columna 1 2 1 2 a+b a = . A veces los pasos de la transformación y la compresión se realizan de forma simultánea. una posible solución es el uso de esquemas de “transformación + compresión” que reducen la cantidad de datos que se necesita transmitir. algún tratamiento algebraico. y puede causar retraso en una red de computadoras. pero existen técnicas que pierden menos información aprovechando la ventaja de regiones en las que una función no cambia demasiado. pero en muchos casos se puede reconstruir una buena aproximación a partir de este conjunto más pequeño de datos. éste es el paso de transformación. muchas veces. junto con métodos que utilizan los datos transmitidos para construir buenas aproximaciones a la imagen original. y cómo utilizar las propiedades algebraicas para verificar que obtenemos un conjunto equivalente de datos. o brutos. El conjunto equivalente de datos que resulta contiene toda la información del conjunto original. Por compresión nos referimos a un esquema que reduce la cantidad general de datos que se necesita transmitir. Una característica de esta forma equivalente del conjunto de datos es que puede comprimirse con mayor facilidad. A continuación demostraremos cómo utilizar la multiplicación de matrices para realizar el paso de transformación. . Para evitar dificultades de este tipo. b 2 (b) A continuación se desarrolla el caso para cuatro valores. En el caso de una cadena o vector de datos de coordenadas y de un conjunto de puntos en la gráfica de la función f. ⎣c + d ⎦ 2 *Un esquema de compresión sencillo consiste en eliminar un dato sí y otro no.

Usando el resultado del inciso (a). ⎡ ⎢ A = ⎣0 0 1 2 1 2 0 1 2 0 1 2 0 0 0 0 1 2 ⎤ 0 ⎥ 0⎦ . y d = a − c es la distancia entre la primera entrada de v y el promedio. de 3 × 6 —que se muestra a continuación— en el producto Av para calcular el promedio por pares de las entradas en v. Partimos de la premisa de que a+b c a el vector v = puede reemplazarse por el vector w = . donde c = d b 2 es el promedio de las entradas en v.) ■ Nuestra transformación de datos debe ser tal que podamos recuperar los datos originales a partir de la forma alternativa equivalente que obtuvimos. Para desarrollar lo anterior procedemos como sigue. Esto se obtiene a partir de la observación de que. A continuación nos interesa lograr una formulación matricial de la transformación de datos. entonces a=c+d y b = 2c − a. (c) En el caso de seis valores en un vector v. se utiliza la matriz A.7 Introducción a wavelets (ondeletas u onditas) 169 Una matriz A por el vector v. desarrollamos una representación equivalente de la información en el vector original. formando una pareja con otra parte de la información y con un promedio. de a v= b a ⎡ ⎤ a+b c w= = ⎣ 2 ⎦. En consecuencia.Sec. b d a−c 1 2 Con base en el trabajo anterior. resulta que la primera fila de la matriz A debe ser 1 2 para que c sea el promedio de a y b. por lo que la matriz A debe ser de 2 × 4. la matriz que realiza la transformación a promedios por pares es A= 1 2 1 2 0 1 2 0 1 2 0 0 . entonces Av proporciona un vector. buscamos una matriz de 2 × 2 A tal que A a c c = = . 2. d a−c Por lo tanto. Denotemos la segunda fila de A mediante . de 3 × 1. resulta que ⎡ ⎤ ⎡ ⎤ a a+b 1 1 0 0 ⎢ b⎥ ⎢ 2 ⎥ ⎢ ⎥ ⎢ ⎥ 2 2 ⎢ ⎥=⎢ ⎥ 0 0 1 1 ⎣ c⎦ ⎣ c + d ⎦ 2 2 d 2 proporciona el promedio por pares. de 4 × 1. 1 2 0 0 (Verifique que si v = [a b c d e f ] T. Para garantizar la posibilidad de una recuperación exacta. si conocemos los valores de c y d. produce un vector 2 × 1. así que hemos obtenido los valores de a y b. que contiene los promedios por pares de las entradas de v.

Ahora determinamos una matriz A. a−c b (Esto se mostró anteriormente por medio de álgebra básica. A este procedimiento le llamamos formulación matricial de la representación promedio-diferencia. cuya solución es p = 1 . si conocemos el promedio de los dos valores y la distancia entre el primero y el promedio. Igualando los coeficientes de términos semejantes. se obtiene a p q = a − c. esto es. Al sustituir b por la expresión equivalente.) EJEMPLO 3 Ampliaremos la representación promedio-diferencia a un vector con más de dos entradas. se obtiene el sistema lineal p−q= 1 2q = −1. −1 2 ⎤ v= a b y w= c a−c tenemos Qv = w. b Realizando la multiplicación del lado izquierdo. tal que ⎡ ⎤ promedio de a y b ⎢promedio de c y d ⎥ Av = ⎣ . (a) Sea v = [a b c d]T. a fin de determinar los promedios por pares y las correspondientes diferencias. Observe que la matriz Q es no singular. podemos recuperar los datos originales. la formulación matricial para 2 2 calcular el promedio y la distancia entre la primera entrada y el promedio es ⎡ ⎤ 1 1 promedio de a y b c 2⎦ a ⎣2 = = . obtenemos pa + qb = a − c. distancia entre a y el promedio 1 1 b a−c − 2 2 o si ⎡ Q= 1 ⎣2 1 2 1 2⎦ . una conjetura plausible para la matriz A es ⎡1 2 ⎢0 0 ⎢ ⎢1 ⎣2 −1 2 0 0 1 2 0 0 1 2 1 2 ⎤ 0 1⎥ 2⎥ . y agrupar términos. de 4 × 4.170 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) [p q]. q = − 1 . v = Q −1 w = 1 1 1 −1 c a = . y determinemos estos valores. distancia entre a y el promedio⎦ distancia entre c y el promedio Usando el ejemplo 2 y repitiendo el desarrollo anterior para el caso de dos datos. 2c − a. tenemos pa + q(2c − a) = ( p − q)a + (2q)c = a − c. A partir de la multiplicación matricial. y que Q −1 = 1 1 1 −1 (verifique). ⎥ 0⎦ −1 2 . En consecuencia. Por lo tanto.

2. las últimas dos entradas del vector w y del vector ⎡ ⎤ g ⎢e − g ⎥ u=⎣ a − e⎦ c− f son iguales. Dado un vector v de valores de una función en puntos igualmente espaciados. donde g = . tal que a − e⎦ c− f ⎡ ⎤ g e+ f ⎢e − g ⎥ . Tenemos ⎤ ⎡ 1 1 0 0 ⎡ ⎤ ⎡ ⎤ 2 2 ⎥ a ⎢ e 1 1⎥ ⎢0 0 ⎢ f ⎥ ⎢ 2 2 ⎥ ⎢ b⎥ A1 v = ⎢ ⎥ ⎣ c⎦ = ⎣ a − e ⎦ . u = A2 w = ⎣ a − e⎦ 2 c− f (Observe que e − g es la distancia entre e y el promedio de e y f. formule una conjetura para una matriz de 6 × 6 tal que ⎡ ⎤ promedio del primer par de datos ⎢promedio del segundo par de datos⎥ ⎢ ⎥ ⎢promedio del tercer par de datos ⎥ Av = ⎢ ⎥. determine A−1. calculemos promedios de promedios y las distancias entre éstos y los promedios originales. habrá ceros. Sin embargo. A2. sino únicamente una reorganización de los resultados que ya hemos determinado. ■ A continuación. Para ilustrar que no hay que realizar nuevo trabajo técnico.) Como podemos ver. Además. ⎢distancia entre a y el promedio ⎥ ⎣distancia entre c y el promedio ⎦ distancia entre e y el promedio Verifique su conjetura y compruebe que la matriz A es no singular. seguidos de las distancia entre el primer elemento de cada par y el promedio. lo que nos permite sospechar que una parte de la matriz A2 será una identidad. en efecto. hemos encontrado cómo determinar una matriz A de modo que Av sea un vector que contenga los promedios por pares. El siguiente paso de nuestra transformación consiste en aplicar el mismo concepto a estos promedios de modo que. designados por v = [a b c d ]T. debemos asegurar la conservación de las distancias entre el primer elemento de cada par de datos y sus promedios. ⎥ ⎢1 −1 0 0⎦ ⎣2 2 d c− f 1 0 0 −1 2 2 donde e= ⎡ ⎤ e ⎢ f ⎥ Sea w = ⎣ .7 Introducción a wavelets (ondeletas u onditas) 171 Verifique que esta conjetura es correcta y que A es no singular.Sec. a+b 2 y f = c+d . Ahora queremos determinar una matriz de 4 × 4. Sea A1 la matriz que transforma estos datos a los promedios y diferencias analizadas en el inciso (a) del ejemplo 2. además. como A2 sólo transforma las primeras dos entradas de w. presentamos un resumen de nuestros desarrollos hasta el momento. 2 . consideremos el caso de cuatro valores de una función. (b) Para un 6-vector v = [a b c d e f ]T.

en el vector ⎡ ⎤ g ⎢e − g ⎥ u=⎣ a − e⎦ c− f la entrada g es el promedio final. ⎡ A2 = ⎢ ⎢ ⎣0 0 1 ⎢2 ⎢1 ⎢2 1 2 1 −2 ⎤ 0 0 ⎥ 0 0⎥ ⎥ ⎥. por lo tanto. La información intrínseca del conjunto original de datos se ha transformado en los coeficientes de detalle y el promedio final. I2 es una matriz identidad de 2 × 2. y a − e y c − f son los coeficientes de detalle. 1 −2 y. Con base en el trabajo anterior. ⎥ 0 1 0⎦ 0 0 1 Tenemos la siguiente sucesión de transformaciones de datos: ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ a e g ⎢ b⎥ ⎢ f ⎥ ⎢e − g ⎥ v = ⎣ ⎦ → A1 v = ⎣ = w → u = A2 w = ⎣ . resulta que ⎡ ⎤ Q = ⎣2 1 2 1 1 2⎦ . O2 I 2 c− f c− f encontramos que Q debe elegirse de modo que Q e g = . I2 donde O2 es una matriz de ceros de 2 × 2. En el vector ⎤ e ⎢ f ⎥ w=⎣ . De manera análoga. c a − e⎦ a − e⎦ d c− f c− f El anterior conjunto de pasos es equivalente al producto u = A2A1v. f e−g Pero esto es lo mismo que producir un promedio y la distancia entre la primera entrada y el promedio. a − e⎦ c− f las entradas e y f se denominan promedios. Inspeccionando el producto matricial ⎡ ⎤ ⎡ ⎤ e g Q O2 ⎢ f ⎥ ⎢ e − g ⎥ u = A2 w = ⎣a − e⎦ = ⎣a − e⎦ . y las últimas tres entradas son los coeficientes de detalle.172 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Conjeturamos que A2 será una matriz por bloques que tendrá la forma A2 = Q O2 O2 . Puede demostrarse que las matrices A1 y A2 ⎡ . y Q es una matriz de 2 × 2 que debe determinarse.

Reemplazar un coeficiente de detalle pequeño por cero tiene el mismo efecto que reemplazar un dato por un promedio de valores de datos. −1 2 Como se muestra en el ejemplo 5.7 Introducción a wavelets (ondeletas u onditas) 173 son no singulares (vea el ejercicio 6). cabe esperar que crecerá el tamaño de las matrices necesarias para realizar la transformación de los datos originales a un promedio final y coeficientes de detalle. el promedio final es 23 y los coeficientes de detalle son 12. Recuerde que en esta etapa podemos recuperar todos los datos originales. 2 n elementos. obtenemos . dadas previamente. 2 y −5. pueden escribirse como matrices por bloques. A1 = y. (Verifique. . En consecuencia. Observe que ambas matrices. . e. 2. esto es.Sec. para luego proceder a la transformación de los datos como se describió anteriormente. deberíamos utilizar este procedimiento sobre conjuntos con 2. transformamos los datos usando las matrices A1 y A2. podemos adjuntar ceros al final del vector para que cumpla con el requisito.) ⎣ 2⎦ ⎣ 2⎦ −5 −5 ⎡ Así. 8. hemos completado la transformación de los datos a la representación equivalente de promedio-diferencia. S2 = −1 2 0 0 1 2 0 1 2 0 −1 2 . por lo que el proceso se puede invertir. ■ Una vez que tenemos el promedio final y los coeficientes de detalle. hemos generado una representación equivalente a los datos originales. A continuación realizaremos una compresión. De aquí que. de acuerdo con lo anterior. P1 S1 P2 S2 ⎡ ⎤ Q A2 = O2 O2 . 16. A1 y A2. . I2 donde Q = 1 ⎣2 1 2 1 2⎦ . idealmente. Sea P = P1 y P2 = 0 1 2 0 1 2 0 1 2 0 1 2 S = S1 Entonces. Para determinar el promedio y los coeficientes de detalle. En caso de que el tamaño de nuestro vector de datos no sea una potencia de 2. EJEMPLO 4 Sea v = [37 33 6 16]T una muestra de una función f en cuatro puntos igualmente espaciados. como sigue: ⎤ ⎡ ⎤ 23 35 ⎢ 11⎥ ⎢ 12⎥ ⎢ ⎥ ⎢ ⎥ w = A2 A1 v = A2 ( A1 v) = A2 ⎢ ⎥ = ⎢ ⎥ . Una forma sencilla de llevarla a cabo consiste en hacer igual a cero un coeficiente de detalle si su valor absoluto es menor que un número de umbral. si la función no cambia con rapidez en esa región. En el caso de más de cuatro valores. preestablecido. se deduce que siempre debemos tener un número par de elementos en cada nivel de los promedios. 4. . Como estamos calculando promedios de pares de elementos. generalizar esta forma por bloques para las matrices que se utilizan en la transformación resulta sencillo.

Cuando el conjunto de datos es grande. tenemos ⎡ A−1 1 ⎢ ⎢ ⎢ =⎢ ⎢ ⎣ 1 2 1 2 ⎤−1 0 1 2 0 1 2 ⎡ 1 0 ⎢ ⎢ 1 0 =⎢ ⎢ ⎣ 0 1 0 1 1 ⎢1 =⎣ 0 0 ⎡ 0 1 2 0 1 2 −1 2 0 0 0 −1 2 ⎥ ⎥ ⎥ ⎥ 0 ⎥ ⎦ ⎤ 1 0 ⎥ −1 0 ⎥ ⎥ ⎥ 0 1 ⎦ 0 −1 ⎤ 0 1 0 0 −1 0⎥ 1 0 1⎦ 1 0 −1 y ⎡⎡ A−1 = ⎢ 2 ⎢ ⎣ 1 ⎢⎣ 2 ⎢ 1 ⎢ 2 ⎢ ⎤ 1 2⎦ −1 2 0 0 0 0 ⎤−1 ⎡ 0 0 ⎥ 1 1 ⎢ 0 0 ⎥ ⎢ 1 −1 ⎥ ⎥ =⎢ ⎢ ⎥ ⎣ 0 0 1 0 ⎥ ⎦ 0 0 0 1 ⎡ 1 1 ⎢1 −1 =⎣ 0 0 0 0 ⎤ 0 0 ⎥ 0 0 ⎥ ⎥ ⎥ 1 0 ⎦ 0 1 0 0 1 0 ⎤ 0 0⎥ . así que no se requieren conceptos adicionales en esta etapa. la elección de un número de umbral depende de la aplicación.174 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) una buena aproximación. la aproximación a los datos originales está dada por ˜ ˜ y = A−1 A−1 w. Las inversas que se utilizan no son difíciles de calcular. sean P = P1 P2 y S = S1 S2 . . 0⎦ 1 Si w es la información comprimida. Al recibir los datos comprimidos revertimos las transformaciones de diferenciar y promediar para generar una aproximación al conjunto de datos originales. para nuestros ejemplos. . De acuerdo con el ejemplo 4. sólo formamos los productos matriciales por medio de las inversas de las matrices que se utilizaron en la transformación. El proceso inverso utiliza las inversas de las matrices A1. .) Una vez que determinemos el conjunto de datos comprimidos. An. . sólo necesitamos transmitir los coeficientes distintos de cero y sus posiciones (esto es. x y 1 37 2 33 3 6 4 16 5 26 6 28 7 18 8 4 Si v es el vector de 8 × 1 de coordenadas de y. (En general. y suele basarse en la experimentación con aplicaciones similares. A2. toda vez que contamos para ello con sencillos patrones por bloques. 1 2 ˜ EJEMPLO 5 Suponga que tenemos la siguiente muestra de valores x y y a partir de la gráfica de una función. puede haber una extraordinaria reducción en la cantidad de datos que deben transmitirse. . el índice de sus columnas).

construimos la matriz por bloques A3 de 8 × 8. En este resultado. donde las primeras cuatro entradas son promedios (por pares) y las últimas cuatro entradas son los coeficientes de detalle (de primer nivel). 2. donde la primera entrada es el promedio (final) de los ocho datos originales. Z⎦ S2 T Sea A1 la matriz de 8 × 8 por bloques dada por ⎡ P1 P2 Z ⎢Z Z P ⎢ 1 A1 = ⎢ ⎣ S1 S2 Z Z Z S1 Entonces tenemos (verifique) A1 v = 35 11 27 11 2 −5 −1 7 . De ello resulta (verifique) que A3 [A2 ( A1 v)] = w = 21 2 12 8 2 −5 −1 7 T . ⎣ Z Z I Z⎦ Z Z Z I De lo anterior resulta (verifique) que T A2 (A1 v) = 23 19 12 8 2 −5 −1 7 . ⎣ Z Z I Z⎦ Z Z Z I donde ⎡ Q= 1 ⎣2 1 2 1 2⎦ −1 2 ⎤ como se desarrolló anteriormente. utilizamos un número de umbral e = 3. Sólo necesitamos transmitir las entradas distintas de cero de este vector y sus posiciones. y definimos Z= 0 0 0 0 e I = 1 0 . La información comprimida resultante es el vector de 8 × 1 ˜ w = 21 0 12 8 0 −5 0 7 T . . Para comprimir los datos en este ejemplo.Sec. de esta manera ⎡ ⎤ P1 P2 Z Z ⎢ S S Z Z⎥ ⎢ 1 ⎥ 2 A2 = ⎢ ⎥. 0 1 ⎤ Z P2 ⎥ ⎥ ⎥.7 Introducción a wavelets (ondeletas u onditas) 175 como en el ejemplo 4. de este modo ⎡ ⎤ Q Z Z Z ⎢ Z I Z Z⎥ ⎢ ⎥ A3 = ⎢ ⎥. Ahora construimos la matriz por bloques A2 de 8 × 8. Por último. igualamos a cero los coeficiente de detalles cuyo valor absoluto sea menor o igual a 3. las primeras dos entradas son promedios y las últimas seis son coeficientes de detalles (de segundo nivel). esto es. y las restantes siete entradas son los coeficientes de detalle (de tercer nivel).

Nuestro análisis sobre wavelets se ha limitado a conjuntos de datos discretos igualmente espaciados. Además. y la construcción de una aproximación a los datos originales. y los señalados con el símbolo + representan los datos de la wavelet. pares ordenados. esto es. y se utilizó un número de umbral e en la compresión. 3]. la transformación de los datos a una representación equivalente que puede invertirse para obtener la información original. A partir de ello podemos aplicar nuestra estrategia de compresión.23 40 30 20 10 0 0 2 4 6 8 Los puntos designados por los signos + indican un modelo que aproxima los datos originales.23.176 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Al recibir el vector w. el espacio requerido para almacenar los datos comprimidos puede ser significativamente menor que . elegir un número de umbral que se utiliza para introducir ceros de modo que nos permita transmitir menos datos y sus posiciones.24(a)-(c) muestran aproximaciones wavelet para muestras discretas de f (x) = e x cos(/ x) en el intervalo [0. trazamos el conjunto de datos originales y el conjunto de datos que lo aproximan. podemos construir un modelo que aproxime la información ˜ original calculando ˜ ˜ y = ( A1 ) −1 ( A2 ) −1 ( A3 ) −1 w = 33 33 4 14 29 29 20 6 T . en comparación con la transmisión de los datos originales. Al invertir los pasos de diferenciar y promediar. ■ Para descubrir el potencial completo de las wavelets debemos utilizar grandes conjuntos de datos. nueve aplicaciones de nuestra técnica de promediar y diferenciar producen un resultado de un promedio (final) y 511 coeficientes de detalle. Para un conjunto inicial de 512 = 29 datos. Para comparar visualmente los datos originales con el modelo desarrollado como un resultado del esquema de transformación/compresión. La transmisión de los datos comprimidos presenta un ahorro de tiempo significativo. obtenemos una wavelet que con frecuencias es una muy buena aproximación a la información original. es una aproximación sorprendentemente buena. Las figuras 2. Vea la figura 2. es decir. Hemos ilustrado la sucesión de operaciones. x y ˜ 1 33 2 33 3 4 4 14 5 29 6 29 7 20 8 6 Figura 2. considerando que en su elaboración intervienen muy pocos datos. una wavelet. esto es. Los puntos indicados con el símbolo o representan los datos muestrales originales. es decir. denotados por el símbolo o. Este modelo se denomina wavelet y. la compresión de los datos por medio de un número de umbral que convierte en cero aquellos valores que están por abajo de un número de umbral seleccionado. Los datos se eligieron en n puntos igualmente espaciados.

5 3 + o o o 0+ + o o + + + o + + o + o o −5 −10 −15 −20 −25 ++++ o o o + o ++ o + o o ++ oooooo o oo 0 ++++++++o + o oo ++++++++ ooooo + o −5 5 −10 −15 −20 −25 0 1 (b) n = 64. como las que se utilizan en las figuras 2. exige el conocimiento de técnicas adicionales de álgebra lineal y propiedades de colecciones de funciones. y el de cambio de base.) Lo mismo ocurre en el caso de muchas aplicaciones que involucran largas cadenas de datos. 2. Consulte la bibliografía de la sección lecturas adicionales para conocer más detalles y configuraciones generales para wavelets.5 (a) 2 2. en particular el de bases. (Para conocer una buena descripción de tal procedimiento.5 2 + o + o + o + o 3 10 n = 32. que se utilizan para expresar matrices o funciones en términos de bloques de construcción. enviamos los valores diferentes de cero de los datos comprimidos. La generalización de wavelets a funciones (no sólo a muestras discretas) requiere los mismos pasos que hemos usado y. que incorporan un procedimiento de codificación en el que no se incluye la posición de los datos comprimidos diferentes de cero. representaciones que son diseñadas para tratar con detalles finos que afectan sólo parte de la función bajo estudio. Ésta es la característica que hace de las wavelets un método muy atractivo en aplicaciones como la codificación de huellas dactilares. La elección de bases apropiadas permite obtener representaciones elegantes y sencillas de la información contenida en la función. así como el beneficio adicional de la propiedad de “acercamiento”. es decir. donde éstos se dividen en conjuntos más pequeños para aprovechar las regiones en las que una función no varía rápidamente. .Sec.5 1 1. En capítulos posteriores encontrará los conceptos requeridos. además.24 10 5 n = 16. vea el libro de Aboufadel y Schlicker citado en las lecturas adicionales al final de la sección. esto es.24(a)-(c). ε = 1. Adoptamos un punto de vista simplista en relación con la transmisión de los datos.0 +o++o +o++ +oo +o oo oo + + +o o o+ o + + + o o o + + + o o ++oo++ ++oo++ oo++oo oo++oo o + + o+ o+o 0 oo +o o ++ + + oo o + +oooo++ +oooo++ ++++oo ++++oo o + o −5 + o + o + −10 o + o + −15 o + o + o + −20 o + 5 −25 0 1 (c) 2 3 10 el que se necesita para almacenar los datos originales. que nos proporcionará el mecanismo para producir diferentes representaciones de una matriz o función. En ciertas aplicaciones —como los archivos de huellas dactilares que utiliza el FBI— se utilizan esquemas bastante más complejos.5 + o o o + o + o + o + o 0 0.7 Introducción a wavelets (ondeletas u onditas) 177 Figura 2. ε = 0. junto con su posición en la cadena. ε = 1.

noviembre de 1993. BARBARA BURKE. Determine el promedio final y los coeficientes de detalle calculando A2A1v. Construya la inversa de la matriz por bloques Q ⎢Z ⎢ A3 = ⎢ ⎣Z Z ⎡ Z I Z Z Z Z I Z ⎤ Z Z⎥ ⎥ ⎥ Z⎦ I del ejemplo 5. SIAM News (Mathematics That Counts). Emplee un número de umbral ε = 2 para determinar los datos comprimidos y calcular la wavelet. Determine el promedio final y los coeficientes de detalle calculando A3A2A1v. Nueva York: WileyInterscience. 1999. Nueva York: Springer-Verlag. 4. Nueva York: Springer-Verlag. Determine el promeMuestre el resultado en cada paso de la transformación.) . Cambridge: A. FRAZIER. Determine el promedio final y los coeficientes de detalle calculando A3A2A1v. Mathematics Magazine. “Wavelet Applications Come to the Fore”. Proponga una solución a ese problema para que podamos completar el procedimiento. Muestre el resultado en cada paso de la transformación. MULCAHY. 1999. diciembre de 1996. 2 ⎢1 ⎢2 3. (Sugerencia: incluya Q−1 en una forma por bloques como la de A3. T 6. 1995. Discovering Wavelets. An Introduction to Wavelets Through Linear Algebra. Determine el promedio final y los coeficientes de detalle calculando A2A1v. 1 2 −1 2 0 0 0 0 1 0 ⎤ 0 0⎥ ⎥ ⎥ 0⎦ 1 7. Explique la dificultad con la que nos enfrentamos al tratar de transformar un conjunto de seis elementos en una manera que corresponda a la multiplicación de matrices como A1 y A2. COLM. Sea v = [87 81 62 64 76 78 68 54]T una muestra de una función en ocho puntos igualmente espaciados. Términos clave Transformación de datos Compresión de datos Transmisión de datos Recuperación de información Wavelets Datos esparcidos (o dispersos o poco densos) Promedio por pares Formulación matricial de la representación promedio-diferencia Coeficientes de detalle Promedio final Número de umbral 2. como en el ejercicio 1. 1999.7 Ejercicios 1. MICHAEL W. CIPRA. EDWARD y STEVEN SCHLICKER. volumen 69. páginas 323-343. Muestre el resultado en cada paso de la transformación. Sea v = [1 −6 −1 5 2 −4 −1 −3]T una muestra de una función en ocho puntos igualmente espaciados. “Plotting & Scheming with Wavelets”. número 5.178 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) Lecturas adicionales ABOUFADEL. Peters. Sea v = [27 19 5 8] una muestra de una función en cuatro puntos igualmente espaciados. Muestre el resultado en cada paso de la transformación. YVES. cuatro puntos igualmente espaciados. 2. The World According to Wavelets: The Story of a Mathematical Technique in the Making. BARRY A. Demuestre que las matrices ⎡1 ⎢0 ⎢ A1 = ⎢ 1 ⎣2 0 y 2 1 2 0 1 2 0 −1 2 0 0 1 2 ⎤ 0 1⎥ 2⎥ ⎥ 0⎦ −1 2 ⎡1 A2 = ⎢ ⎣0 0 son no singulares. HUBBARD. NIEVERGELT. Sea v = [87 81 62 64]T una muestra de una función en cuatro puntos igualmente espaciados.K. Emplee un número de umbral e = 3 para determinar los datos comprimidos y calcular la wavelet. 5. Wavelets Made Easy.

3. Modelo abierto de Leontief: dada una matriz de consumo C y un vector de demanda d.5. Si T es la matriz de transición de un proceso de Markov regular. ⎥. en el periodo de la k-ésima observación. determine un vector de producción x ≥ 0 que satisfaga la ecuación (In − C )x = d. 2u 1 + u 2 u1 u2 y f 2 : R2 → R2 la inclinación en dirección y definida por f2 = La función f 2 ◦ f 1 : R2 → R2 definida por P1 P2 P3 P4 P5 P6 P1 0 ⎢ 0 ⎢ ⎢ 0 ⎢ ⎢ 1 ⎣ 0 0 ⎡ P2 1 0 0 0 0 0 P3 0 1 0 1 0 0 P4 0 1 1 0 0 1 P5 0 0 0 1 0 0 P6 ⎤ 1 0 ⎥ ⎥ 0 ⎥ ⎥. 0 ⎥ 1 ⎦ 0 ( f2 ◦ f1 ) = f2 f1 ¿De cuántas formas P1 puede tener acceso a P3 a través de dos individuos? . entonces: (a) Para cualquier vector de probabilidad x. Teorema 2. y sea S = [s i j ] la matriz simétrica definida por (3) (3) sij = 1 si aij = 1 y 0 en otro caso. con matriz de adyacencia f1 u1 u2 u1 u2 u1 u2 = u1 + u2 .⎦ . (2.3. (b) Determine todas las palabras código que tienen exactamente dos bits iguales a 1. ⎣. Se utiliza el código de verificación de paridad (4. entonces: (a) Conforme n → ∞. Sean f 1 : R2 → R2 la inclinación en dirección x definida por es una transformación matricial (vea el ejercicio T. Entonces.2. (r) ⎡ ⎤ u1 ⎢u 2 ⎥ ⎢ ⎥ u=⎢. Sea A(G) la matriz de adyacencia de una gráfica dirigida. 1). entonces el vector de estado x(k+1).1. (a) Determine una matriz asociada con f2 ◦ f1.4. en el periodo de la (k + 1)-ésima observación. . Wavelets aplicadas a una muestra de una función: dada una muestra de una función f. un un ··· un cuyas columnas son idénticas. como x(k+1) = Tx(k). 1 Teorema 2.Ejercicios complementarios 179 Ideas clave para el repaso Función de codificación.6. ⎥ ⎣. Pi pertenece a (3) un clan si y sólo si la entrada de la diagonal s i j es positiva. . .⎦ . y bajo f2 ◦ f1. Inclinación en dirección x: f (v) = 1 0 k v. . (c) ¿Cuántas palabras código del inciso (b) tienen paridad par? 2. 2) y (2. b i j . Una gráfica dirigida con n vértices es fuertemente conexa si y sólo si su matriz de adyacencia A(G) tiene la propiedad de que [A(G)] + [A(G)]2 + · · · + [A(G)]n−1 = E no tiene entradas iguales a cero. . Esto es. es el número de maneras en las que Pi tiene acceso a Pj en r pasos (etapas). donde s i j 3 es el i. determinamos una aproximación wavelet de f por medio del promedio y la diferencia con un número de umbral para generar un conjunto de coeficientes de detalle aproximados. por lo que u es un vector de estado estable.5. y sea Br la r-ésima potencia de A(G): (b) Toda columna [ A(G)]r = Br = [bi(r ) ]. puede determinarse por medio del vector de estado x(k). (1. Teorema 2. Teorema 2. Si T es la matriz de transición de un proceso de Markov. j-ésimo elemento en Br. (b) Sea R el rectángulo con vértices (1. 1). Si T es una matriz regular de transición y A y u son como en el teorema 2. ui > 0 (1 i n) y u1 + u2 + · · · + un = 1. T n tiende a una matriz ⎡ ⎤ u1 u1 ··· u1 ⎢u 2 u2 ··· u2⎥ ⎢ ⎥ A=⎢. 2). Ejercicios complementarios 1.1). Considere una red de comunicaciones entre seis individuos. un de A es un vector de probabilidad. j Entonces. con todas las entradas positivas. Teorema 2. Teorema 2. (b) El vector de estado estable u es el único vector de probabilidad que satisface la ecuación matricial Tu = u. . Haga un bosquejo de la imagen de R bajo f1. el i. determine un vector p ≥ 0 con al menos una componente positiva que satisfaga (In − A)p = 0. u2 u1 . Sea A(G) la matriz de adyacencia de una gráfica dirigida G. 5). con S 3 = [s i j ]. Modelo cerrado de Leontief: dada una matriz de intercambio A. Vea la página 121. (a) Determine el número de palabras código. T nx → u conforme n → ∞. j-ésimo elemento en S .

(b) Usando un número de umbral ε = 1. Demuestre que f 1 ◦ f 2 : R2 → R2 definida por ( f 1 ◦ f 2)(u) = f 1( f 2(u)) es una transformación matricial. Sea T el triángulo que se muestra en la figura 2. un granjero (D). Suponga que cada quién paga el mismo precio por un bien. (c) ¿Cuál es el resultado de aplicar dos veces f a T. (a) ¿Es e una función inyectiva? Si no lo es. .18(a) sea una parte de la recta y = x. p2 y p3 deben asignarse a los bienes de modo que se tenga un estado de equilibrio? I3 e I2 Tabla 2. (b) Determine la matriz A de modo que e pueda escribirse como una transformación matricial en la forma ⎡ ⎤ b1 b1 ⎢b2 ⎥ e(b1 b2 ) = A = ⎣ ⎦. Determine a y b de f (u) = Au. Sean p1. Sea f : R2 → R2 la transformación matricial definida por 1 2 . donde A = a b modo que la imagen del rectángulo que se muestra en la figura 2. respectivamente. Determine las corrientes desconocidas en el circuito siguiente. determine los datos comprimidos y luego calcule la wavelet. dada por e(b1b2) = b1b2b2b1. Ejercicio teórico T. Sean f 1 : R 2 → R 2 y f 2 : R 2 → R 2 transformaciones matriciales. hay una probabilidad de 0. dedicado sólo a proveer los productos lácteos necesarios y un agricultor (V) que D 3 8 1 4 3 8 V 1 3 1 3 1 3 R D V 7. x4 = 2. cuya población está formada por tres personas: un ganadero (R) que cuida y provee exclusivamente todo el ganado necesario. donde A = . hay una probabilidad de 0. Imagine que durante el año la parte de cada bien que consume cada individuo está dado en la tabla 2. Considere una aldea aislada en una parte remota de Australia.3 Bienes consumidos por: Bienes producidos por R 1 2 1 4 1 4 5.3. (b) Si el estudiante promedio practica un juego de vídeo el lunes. f ( f (T))? 3. determine dos vectores diferentes. ¿cuál es la probabilidad de que el estudiante promedio practique el juego de vídeo en el futuro? 6. x2 = −2. Suponga que las unidades se seleccionan de modo que cada persona produce una unidad de cada bien. esto es. mientras que si el estudiante no practica ese juego un día dado. Si el estudiante practica un juego de vídeo en un día dado.180 Capítulo 2 Aplicaciones de ecuaciones lineales y matrices (opcional) 4. Examen del capítulo 1. (a) Defina la transformación matricial f : R 2 → R 2 por −1 0 f (u) = Au.1. p2 y p3 los precios unitarios de ganado. (a) Determine el promedio final y los coeficientes de detalle por medio del cálculo de A2A1v. los datos originales y la aproximación wavelet. 2.6 de que lo juegue al día siguiente. (c) Grafique. (a) Escriba la matriz de transición para el proceso de Markov.2 de que al día siguiente vuelva a practicarlo. tales que e(b) = e(c). productos lácteos y legumbres. en el mismo conjunto de ejes coordenados. Sea e la función de B2 a B4. (b) Describa la operación geométrica que se aplicó a T bajo f . b2 b2 b1 (c) Demuestre que el peso de cada palabra código es par. Sea v = [2 4 5 1]T la representación de una muestra de una función f en puntos igualmente espaciados x1 = −4. Determine la imagen 0 1 de T bajo f. b y c en B2. Una empresa dedicada a la investigación de mercados ha detectado el comportamiento siguiente del estudiante promedio en cierto colegio. a 8 2 b I1 c 4 10 V f 18 V d 4V produce de manera exclusiva todas las legumbres. ¿Qué precios p1. y conecte los puntos sucesivos por medio de segmentos de recta. ¿cuál es la probabilidad de que lo juegue el viernes de esa misma semana? (c) A la larga. x3 = 0.15(a).

5.5 millones de dólares para el ferrocarril.40 de carbón y $0. Sea v = [0 −3 0 1]T la representación de una muestra de una función f en los puntos igualmente espaciados x1 = −6. b R a I R I I c d f e 6. $0. Considere una ciudad que tiene tres industrias básicas: una planta de acero. si lo hay.30 de transporte. la planta de acero utiliza $0. ¿Cuánto debe producir cada industria para satisfacer las demandas? 8. ¿cuál es la probabilidad de que un elector vote por los demócratas? 7.4. Si en un año dado un elector vota por los demócratas.Examen del capítulo 181 4.50 de acero. una mina de carbón y un ferrocarril. el ferrocarril utiliza $0. para la gráfica dirigida cuya matriz de adyacencia es la siguiente: ⎤ ⎡ 0 1 1 0 1 1 0 0 1 0 1⎥ ⎢0 ⎥ ⎢ 0 0 0 1 1⎥ ⎢1 ⎥. Si en un año dado. Determine las cantidades desconocidas en el circuito siguiente.10 de transporte.05 de transporte. x2 = −3. $0. un elector vota por los republicanos. ¿cuál es la probabilidad de que vote por ellos nuevamente en 2000? (c) En el largo plazo. Para proporcionar $1 de transporte. Determine un clan. Tras examinar los patrones de votación de electores no afiliados a los partidos Demócrata o Republicano. x4 = 3. determine los datos comprimidos y luego calcule la wavelet. ⎢ 1 0 0 1 0⎥ ⎢0 ⎣1 0 1 1 0 0⎦ 1 1 1 0 0 0 5. (a) Determine el promedio final y los coeficientes de detalle calculando A2A1v.10 de acero. un analista político de cierta ciudad llegó a las conclusiones siguientes. I probabilidad de que el año siguiente vote de nuevo por ellos es 0. $0.5 millones de dólares para el carbón y 0. Para producir $1 de acero. la mina de carbón utiliza $0. 1. (b) Por medio del número de umbral ε = 1. Para extraer $1 de carbón.20 de carbón y $0. la probabilidad de que el año siguiente vote nuevamente por ellos es 0. Suponga que durante el mes de diciembre existe una demanda externa de 2 millones de dólares para el acero. x3 = 0.10 de acero. (b) Si en 1996 un elector vota por los republicanos.30 de carbón y $0. la . (a) Escriba la matriz de transición para el proceso de Markov.

Para ilustrar esta definición. . Podemos colocar cualquiera de los n elementos de S en la primera posición. cualquiera de los n − 2 elementos restantes en la tercera. cualquiera de los n − 1 elementos restantes en la segunda posición. todas las matrices son cuadradas. El producto indicado en la expresión (1) se denota n!. n} el conjunto de enteros de 1 a n. Consideraremos algunos de estos aspectos en el capítulo 8. Aunque el método desarrollado en el capítulo 1 para resolver tales sistemas es mucho más eficiente que los métodos que involucran determinantes. . 2. 4}. Corresponde a la función f : S → S definida por f (1) = 4 f (2) = 1 f (3) = 3 f (4) = 2. 182 n factorial. trataremos brevemente las permutaciones. . y así sucesivamente. que se utilizan después en nuestra definición de determinante. éstos son útiles en otros aspectos del álgebra lineal. ordenados en forma ascendente. sea S = {1. y estudiaremos algunas de sus propiedades. Los determinantes se utilizaron por primera vez en la solución de sistemas lineales.1 DEFINICIÓN Y PROPIEDADES En esta sección definiremos el concepto de determinante.CAPÍTULO 3 DETERMINANTES 3. hasta llegar a la n-ésima posición. . En primer lugar. hay n(n – 1)(n − 2) · · · 2 · 1 (1) permutaciones de S. la cual sólo puede ser ocupada por el elemento que queda. DEFINICIÓN Sea S = {1. . 2. Un reordenamiento j1 j2 · · · jn de los elementos de S es una permutación de S. Entonces. Denotamos el conjunto de todas las permutaciones de S como Sn. 3. Entonces 4132 es una permutación de S. En este capítulo.

Las permutaciones impares en S3 son 132 (una inversión: 32). .1 Definición y propiedades 183 Tenemos que 1! = 1 2! = 2 · 1 = 2 3! = 3 · 2 · 1 = 6 4! = 4 · 3 · 2 · 1 = 24 5! = 5 · 4 · 3 · 2 · 1 = 120 6! = 6 · 5 · 4 · 3 · 2 · 1 = 720 7! = 7 · 6 · 5 · 4 · 3 · 2 · 1 = 5040 8! = 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 40. n}. El signo se toma como + o como – si la permutación j1 j2 · · · jn es par o impar.320 9! = 9 · 8 · 7 · 6 · 5 · 4 · 3 · 2 · 1 = 362. 4 antes de 2 y 3 antes de 2. la permutación 12 es par. a saber. Una permutación se denomina par o impar si el número total de inversiones en ella es par o impar. . 213 (una inversión: 21). S3 consta de 3! = 3 · 2 · 1 = 6 permutaciones del conjunto {1. mientras que los subíndices de las columnas están en el orden j1 j2 · · · jn. EJEMPLO 2 En S2. respectivamente. Definimos el determinante de A (que se escribe det(A) o |A|) como det(A) = |A| = (±)a1 j1 a2 j2 · · · an jn . . pues tiene una inversión. . y 321 (tres inversiones: 32. puede demostrarse que Sn tiene n!/2 permutaciones pares y un número igual de permutaciones impares. . ■ DEFINICIÓN Sea A = [aij] una matriz de n × n. 2. a saber. 3}. . 2. EJEMPLO 1 S1 consta sólo de 1! = 1 permutación del conjunto {1}. a saber. 213 y 321. Dado que sumamos sobre todas las permutaciones del conjunto S = {1. en el cual hay exactamente un elemento de cada fila y exactamente un elemento de cada columna. 4} tiene cuatro inversiones: 4 antes de 1.880. n}. . ya que no tiene inversiones. ■ Se dice que una permutación j1 j2 · · · jn de S = {1. 31 y 21). 2. Entonces. n} tiene una inversión si un entero mayor jr precede a uno menor js. Como la permutación j1 j2 · · · jn no es más que un reordenamiento de los números desde 1 hasta n. es una permutación par. . 2. cada término en det(A) es un producto de n elementos de A. 2}. 2. la expresión para det(A) tiene n! términos en la suma. cada uno con su signo adecuado. los subíndices de las filas aparecen en su orden natural. . . la permutación 21 es impar. S2 consta de 2! = 2 · 1 = 2 permutaciones del conjunto {1. 12 y 21. . 231. 1. 123.Sec. (2) donde la suma varía sobre todas las permutaciones j1 j2 · · · jn del conjunto S = {1. En consecuencia. . . respectivamente. Si n ≥ 2. Por lo tanto. la permutación 4132 de S = {1. 3. 4 antes de 3. 132. 3. En cada término (±)a1j1a1j2 · · · anjn del det(A). 312. no tiene repeticiones. 231 (dos inversiones: 21 y 31) y 312 (dos inversiones: 31 y 32). ■ EJEMPLO 3 Las permutaciones pares en S3 son 123 (sin inversiones).

Utilizamos todos los elementos de S3 para llenar los espacios en blanco y. det(A) = a11. a1−a2−a3−. a22 2 −3 . Como 12 es una permutación par.184 Capítulo 3 Determinantes EJEMPLO 4 Si A = [a11] es una matriz de 1 × 1. los subíndices vienen a ser 12 y 21. det(A) = a11a22 – a12a21. ■ Si EJEMPLO 5 A= a11 a12 a21 a22 es una matriz de 2 × 2. si a12 . el término a12a21 tiene asociado un signo −. y llenamos los espacios en blanco con todos los elementos posibles de S2. También podemos obtener det(A) formando el producto de las entradas en la línea que va de izquierda a derecha en el siguiente diagrama. entonces. a1−a2−a3−. Repetimos la primera y segunda columnas de A. EJEMPLO 6 Si ⎤ ⎡ a11 a12 a13 A = ⎣a21 a22 a23 ⎦ . a1−a2−a3−. formamos la suma de los productos de las entradas sobre las líneas que van de izquierda a derecha. entonces S1 sólo tiene una permutación. a11 a21 Por lo tanto. y restando de este producto el producto de las entradas en la línea que va de derecha a izquierda. como se muestra a continuación. como 21 es una permutación impar. 4 5 ■ A= entonces det(A) = (2)(5) – (−3)(4) = 22. a31 a32 a33 para calcular det(A) escribimos los seis términos a1−a2−a3−. la permutación 1. Por lo tanto. con lo cual obtenemos que det(A) = a11a22a33 + a12a23a31 + a13a21a32 – a11a23a32 −a12a21a33 – a13a22a31. a1−a2−a3− y a1−a2−a3−. anteponemos a cada término el signo + o el signo – según si la permutación es par o impar. Así. el término a11a22 tiene asociado un signo +. y restamos a este número los productos de las entradas en las líneas que van de derecha a izquierda (verifique). a11 a21 a31 a12 a22 a32 a13 a23 a33 a11 a21 a31 a12 a22 . (3) También podemos obtener det(A) como sigue. que es par. a32 ■ . para obtener det(A) escribimos los términos a1−a2− y a1−a2−.

1). ■ Tal vez ya se le ha ocurrido al lector que esta forma de calcular el determinante puede ser en extremo tediosa para un valor considerable de n. Así. ⎡ 2 1 1 ⎤ 3 3⎦ . 2002. 2 Solución Al sustituir en (3).1 Los determinantes de una matriz y de su transpuesta son iguales. Massachusetts: Addison-Wesley Publishing Company. ■ PROPIEDADES DE LOS DETERMINANTES TEOREMA 3. 7a. Fraleigh. La permutación 52134 se obtuvo intercambiando los dígitos 2 y 4 en 54132. aunque sí nos será útil la siguiente propiedad de las permutaciones: si intercambiamos dos números en la permutación j1 j2 · · · jn. A First Course in Abstract Algebra. EJEMPLO 8 El número de inversiones en la permutación 54132 es 8. Nosotros no utilizaremos las permutaciones en nuestros métodos para calcular los determinantes. De hecho. Sean A = [aij] y AT = [bij]. Sea EJEMPLO 7 1 A = ⎣2 3 Evaluar det(A).1 Definición y propiedades 185 Precaución Téngase presente que los métodos descritos en los ejemplos 5 y 6 para evaluar det(A) no se aplican para n ≥ 4.* puede demostrarse que tanto la permutación k1k2 · · · kn. Pronto desarrollaremos varias propiedades de los determinantes. 10! = 3. Massachusetts: Houghton Mifflin. Contemporary Abstract Algebra. 2003. El número de inversiones en la permutación 52134 es 5. de acuerdo con (2). 5a. . ed. Las permutaciones se estudian con cierto detalle en el cursos de álgebra abstracta y en cursos de teoría de grupos.. y J. donde bij = aji (1 ≤ i ≤ n. Entonces.6288 × 106 y 20! = 2.4329 × 1018 son números enormes. que reducirán en gran medida la magnitud de los cálculos requeridos. entonces el número de inversiones aumenta o disminuye en un número impar (ejercicio T.Sec. Podríamos obtener el mismo resultado aplicando el sencillo método descrito al finalizar la página anterior (verifique). El número de inversiones difiere en 3. tenemos Demostración det( A T ) = (±)b1 j1 b2 j2 · · · bn jn = (±)a j1 1 a j2 2 · · · a jn n . 1 ≤ j ≤ n). Reading. b1 j1 b2 j2 · · · bn jn = a j1 1 a j2 2 · · · a jn n = a1k1 a2k2 · · · ankn . det(AT) = det(A). Con base en las propiedades de las permutaciones discutidas en un curso de álgebra abstracta. encontramos que det(A) = (1)(1)(2) + (2)(3)(3) + (3)(2)(1) − (1)(3)(1) – (2)(2)(2) – (3)(1)(3) = 6. 3. Inc. es decir.. Gallian. un número impar. ed. (4) Ahora podemos reordenar los factores en el término aj11aj22 · · · ajnn de modo que los índices de las filas aparezcan en su orden natural. que determina el signo * Vea J.

se procede como al final de la demostración del teorema 3. Supongamos que B se obtiene a partir de A. como la permutación j1j2 · · · jn. bsj = arj y bij = aij para i r. De esta manera. daremos las demostraciones sólo para las filas de A. Por ejemplo. para las demostraciones del caso correspondiente para las columnas. La permutación j1j2 · · · js · · · jr · · · jn se obtiene de la permutación j1j2 · · · jr · · · js · · · jn mediante el intercambio de dos números. Entonces tenemos brj = asj. Entonces 1 A T = ⎣2 3 Al sustituir en (3).1 nos permite remplazar “fila” por “columna” en muchas de las otras propiedades de los determinantes. que determina el signo asociado con a1j1a2j2 · · · an jn. det(B) = −det(A). al intercambiar dos columnas de A. EJEMPLO 10 Tenemos que 2 −1 =7 3 2 y 3 2 = −7. el número de inversiones en la primera difiere en un número impar del número de inversiones en la segunda (vea el ejercicio T. podemos concluir que det(A) = det(AT). pero det(BT) = det(B) y det(AT) = det(A).1). son ambas impares o ambas pares. Ahora. Entonces BT se obtiene de AT. veremos la forma de hacerlo en el siguiente teorema. ■ EJEMPLO 9 Sea A la matriz del ejemplo 7. Supongamos ahora que B se obtiene a partir de A. y el número de inversiones en la permutación 34512 también es 6. b13b24b35b41b52 = a31a42a53a14a25 = a14a25a31a42a53. Por lo tanto. Demostración det( B) = = = (±)b1 j1 b2 j2 · · · br jr · · · bs js · · · bn jn (±)a1 j1 a2 j2 · · · as jr · · · ar js · · · an jn (±)a1 j1 a2 j2 · · · ar js · · · as jr · · · an jn . TEOREMA 3. ■ En los siguientes resultados. ■ El teorema 3. el número de inversiones en la permutación 45123 es 6. intercambiando dos filas de AT. det(BT) = det(AT). 2 det(AT) = (1)(1)(2) + (2)(1)(3) + (3)(2)(3) −(1)(1)(3) – (2)(2)(2) – (3)(1)(3) = 6 = det(A).186 Capítulo 3 Determinantes asociado con a1k1a2k2 · · · ankn.2 Si la matriz B se obtiene intercambiando dos filas o intercambiando dos columnas de A entonces det(B) = −det(A). Como los términos y los signos correspondientes en (2) y (4) coinciden. Por lo tanto.2. det(B) = −det(A). tenemos que ⎡ 2 1 3 ⎤ 3 1⎦ . Esto significa que el signo de cada término en det(B) es el negativo del signo del término correspondiente en det(A). 2 −1 ■ . i s. al intercambiar las filas r y s y supongamos que r s.

5 Si B se obtiene a partir de A multiplicando una fila (columna) de A por un número real c. ■ . se sigue que EJEMPLO 11 1 −1 1 2 0 2 3 7 = 0. y finalmente empleamos el teorema 3. ■ Utilizando el teorema 3. Como cada término en la definición de determinante de A contiene un factor de la r-ésima fila.3. entonces det(A) = 0. 1 En este caso. Intercambiamos las filas r y s de A para obtener una matriz B. Supongamos que la r-ésima fila de A consta completamente de ceros. Entonces det(B) = −det(A).1 Definición y propiedades 187 TEOREMA 3. 3. Supongamos que la r-ésima fila de A = [aij] se multiplica por c para obtener B = [bij]. como Demostración det(B) = = =c (±)b1 j1 b2 j2 · · · br jr · · · bn jn (±)a1 j1 a2 j2 · · · (car jr ) · · · an jn (±)a1 j1 a2 j2 · · · ar jr · · · an jn = c det( A).3. ■ Con base en el teorema 3. Por lo tanto. Obtenemos det(B) a partir de la ecuación (2). pues la primera y tercera columnas son iguales.5 para simplificar el cálculo de det(A). Supongamos que las filas r y s de A son iguales.3 Demostración Si dos filas (columnas) de A son iguales. entonces det(B) = c det(A). 0 ■ TEOREMA 3. det(A) = 0.4 Demostración Si una fila (columna) de A consta sólo de ceros. bij = aij si i r y brj = carj. B = A. primero factorizamos el factor común 2 de la tercera fila. Entonces. EJEMPLO 13 Tenemos que 2 1 6 1 =2 12 1 3 1 = (2)(3) 12 1 1 = 6(4 − 1) = 18. 4 ■ EJEMPLO 14 Tenemos que 1 1 2 2 5 8 3 1 3 =2 1 6 1 2 5 4 3 1 3 = (2)(3) 1 3 1 2 5 4 1 1 = (2)(3)(0) = 0. resulta que EJEMPLO 12 1 4 0 2 5 0 3 6 = 0. det(A) = −det(A).4. factorizando los factores comunes de las filas y las columnas de A. Así. ■ Ahora podemos utilizar el teorema 3. por lo que det(A) = 0. entonces cada término en det(A) es igual a cero. Por otro lado. 3 ■ TEOREMA 3. de modo que det(B) = det(A). luego 3 de la tercera columna. entonces det(A) = 0.Sec.

. . . . r s. Demostraremos el teorema para las filas. Si ahora se aplica la definición de determinante al segundo determinante.2). . . podemos que ver que ambos tienen el valor de 4. . .5. y brj = Demostración det(B) = = = + (±)b1 j1 b2 j2 · · · br jr · · · bn jn (±)a1 j1 a2 j2 · · · (ar jr + cas jr ) · · · as js · · · an jn (±)a1 j1 a2 j2 · · · ar jr · · · as js · · · an jn (±)a1 j1 a2 j2 · · · (cas jr ) · · · as js · · · an jn . ya que existen dos filas iguales.6 Si B = [bij] se obtiene de A = [aij] sumando a cada elemento de la r-ésima fila (columna) de A una constante c por el elemento correspondiente de la s-ésima fila (columna) r s de A. an2 ··· ··· ··· ··· ··· a1n a2n . . es decir. . . ann ← r -ésima fila ← s-ésima fila EJEMPLO 15 Tenemos 1 2 2 −1 1 0 3 5 0 3 = 2 −1 1 1 0 9 3 .188 Capítulo 3 Determinantes TEOREMA 3. as2 . Tenemos que bij = aij para i arj + casj. . La primera suma en esta última expresión es det(A). entonces det(A) = a11a22 · · · amn. det(B) = det(A) + 0 = det(A). . sección 1.7 Si una matriz A = [aij] es triangular superior (inferior) (vea el ejercicio T. an1 = 0. la segunda suma se puede escribir como c Observe que (±)a1 j1 a2 j2 · · · as jr · · · as js · · · an jn . Por lo tanto. 1 lo cual se obtiene al sumar el doble de la segunda fila a la primera. Entonces r. . entonces det(B) = det(A). (±)a1 j1 a2 j2 · · · as jr · · · as js · · · an jn a11 a21 . as1 . as2 . . . . ■ a12 a22 . digamos r s. el determinante de una matriz triangular es el producto de los elementos de la diagonal principal. asn . = as1 . ■ TEOREMA 3. . asn . .

3 ⎡ ⎤ 3 0 0 5 0⎦ . n ≤ jn. Por el corolario 3. COROLARIO 3. Procedemos de manera similar en el caso de operaciones entre columnas. . . Podemos interpretar los teoremas 3.5 y 3. con Ari ↔ rj indicamos que hemos intercambiado las filas i y j de la matriz A. un término a1j1a2j2 · · · anjn de la expresión para det(A) sólo puede ser distinto de cero si 1 ≤ j1. i i j j. 0) la fila (columna) i + la fila • Reemplazar la fila (columna) j por k veces (k (columna) j: kri + rj → rj (kci + cj → cj). en las matrices y en los determinantes. det(C) = 120. det(A) = a11a22 · · · ann. Solución De acuerdo con el teorema 3.6 en términos de esta notación así: det( Ari ↔r j ) = − det( A). Ahora. det(B) = −60. . Dejamos al lector la demostración del caso de una matriz triangular inferior (ejercicio T. . 3. . Con esta notación es fácil seguir el rastro de las operaciones elementales entre filas o entre columnas realizadas a una matriz. det(B).Sec. ■ El determinante de una matriz diagonal es el producto de las entradas de su diagonal principal. ■ Ahora presentamos una forma de denotar operaciones elementales por filas y por columnas.2. . Entonces. j1 = 1. el único término de det(A) que puede ser distinto de cero es el producto de los elementos de la diagonal principal de A. En consecuencia. det(C). debemos tener jn = n. . Por lo tanto.1 Definición y propiedades 189 Demostración Sea A = [aij] una matriz triangular superior (es decir. det(A) = −24.2). jn−1 = n −1. n}.1 Demostración Ejercicio T. .7. Como la permutación 12 · · · n no tiene inversiones. . 3. Por lo tanto. j2 = 2. Por ejemplo. 0) la fila (columna) i: • Reemplazar la fila (columna) i por k veces (k kri → ri (kci → ci). . . aij = 0 para i j).17. . 2. • Intercambiar filas (columnas) i y j: ri ↔ rj (ci ↔ cj).1. j1j2 . det( Akri →ri ) = k det( A) det( Akri +r j →r j ) = det( A). jn debe ser una permutación o reordenamiento de {1. ■ EJEMPLO 16 Sean 2 3 A = ⎣0 −4 0 0 ⎡ ⎤ 4 5⎦ . el signo asociado a ella es +. B = ⎣2 6 −8 −4 −5 C =⎣ 0 0 ⎡ ⎤ 0 0 4 0⎦ . . 0 −6 Calcular det(A). . 2 ≤ j2. .

1). i k i j 0 j. En seguida calculamos el determinante de la matriz triangular superior. 0 0 − 30 4 Multiplicar la fila 1 3 por . 2 Intercambiar las filas 1 y 3. EJEMPLO 17 4 3 Sea A = ⎣3 −2 2 4 Tenemos ⎡ ⎤ 2 5⎦. ■ . Las operaciones que seleccionamos no son las más eficientes. det( A) = 1 det( Akri →ri ).190 Capítulo 3 Determinantes Es conveniente rescribir estas propiedades en términos de det(A): det( A) = − det( Ari ↔r j ).7. Para las operaciones entre columnas procedemos de manera análoga. debemos registrar cómo cambia el determinante de las matrices resultantes al realizar tales operaciones. Lo que hacemos es transformar A por medio de operaciones elementales por filas en una matriz triangular. 3. 6 Solución det( A) = 2 det( A 1 r3 →r3 ) 2 ⎛⎡ ⎤⎞ 4 3 2 5⎦⎠ = 2 det ⎝⎣3 −2 1 2 3 ⎞ ⎛⎡ ⎤ 4 3 2 ⎠ 5⎦ = 2 det ⎝⎣3 −2 1 2 3 r ↔r 1 3 ⎛⎡ ⎤⎞ 1 2 3 5⎦⎠ = (−1)2 det ⎝⎣3 −2 4 3 2 ⎞ ⎛ ⎡ ⎤ 2 3 ⎟ ⎜ 1 ⎟ 5⎦ = −2 det ⎜⎣3 −2 ⎠ ⎝ 4 3 2 −3r1 + r2 → r2 −4r + r → r ⎛⎡ ⎤⎞1 3 3 1 2 3 = −2 det ⎝⎣0 −8 −4⎦⎠ 0 −5 −10 ⎞ ⎛⎡ ⎤ 1 2 3 ⎟ ⎜ = −2 det ⎝⎣0 −8 −4⎦ ⎠ 0 −5 −10 − 5 r +r →r 2 3 3 ⎤⎞8 ⎛⎡ 1 2 3 = −2 det ⎝⎣0 −8 −4⎦⎠ . 2). det( A) = −2(1)(−8) − 30 4 = −120 De acuerdo con el teorema 3. Obtener ceros debajo de la entrada (2. 3.5. Los teoremas 3. k det( A) = det( Akri +r j →r j ).2. pero con ellas evitamos el uso de fracciones durante los primeros pasos. Obtener ceros debajo de la entrada (1.7 son muy útiles en la evaluación de det(A).6 y 3. Calcular det(A). Por supuesto.

COROLARIO 3. como demuestra el siguiente corolario. podemos calcular fácilmente det(A−1) a partir de det(A). −2 3 2 1 .1 Definición y propiedades 191 Observación Haremos referencia al método utilizado en el ejemplo 17 para calcular un determinante. Sea A= Entonces det(A) = −2 y 1 3 2 . entonces det(A) 0y det( A−1 ) = 1 . det(AB) = det(A) det(B). es decir.4. Como consecuencia inmediata del teorema 3. ■ Observación En el ejemplo 18 también tenemos (verifique) BA = de manera que AB −1 0 . ■ EJEMPLO 18 Sean A= Entonces 1 3 2 4 y B= 2 −1 . y |B| = 5. AB = y 4 10 3 5 |AB| = −10 = |A||B|. Sin embargo. TEOREMA 3. Omitiremos la demostración del siguiente e importante teorema. 3.8. det( A) ■ Demostración EJEMPLO 19 Ejercicio T. |BA| = |B||A| = −10 = |AB|.2 Si A es no singular.Sec. 4 A−1 = Ahora. = 2 det( A) ■ . −1 2 det( A−1 ) = − 1 1 . como cálculo por reducción a la forma triangular. 1 2 |A| = −2 Además.8 El determinante del producto de dos matrices es el producto de sus determinantes. 7 10 BA.

3. EJEMPLO 20 El determinante de la matriz binaria de 2 × 2 A= 1 0 1 1 calculado por medio de la técnica desarrollada en el ejemplo 5. en cada una de las siguientes permutaciones de S = {1. 4}. 1 0 1 Solución 0 1 1 1 1 0 1 0 1 r1 ↔r2 1 1 0 = (−1) 0 1 1 1 0 1 r1 +r3 →r3 1 1 0 = (−1) 0 1 1 0 1 1 ■ De acuerdo con el teorema 3. es det(A) = (1)(1)(1) + (0)(0)(0) + (1)(1)(1) −(1)(0)(1) – (1)(0)(1) – (0)(1)(1) = 1 + 0 + 1 − 0 – 0 – 0 = 1 + 1 = 0. 2. 3. ■ EJEMPLO 21 El determinante de la matriz binaria de 3 × 3 ⎡ 1 0 A = ⎣1 1 0 1 ⎤ 1 0⎦ 1 calculado por medio de la técnica desarrollada en el ejemplo 6. sólo que en éste caso los cálculos se hacen con aritmética binaria. det(A) = 0. Determine el número de inversiones en cada una de las siguientes permutaciones de S = {1.1 Ejercicios 1. (a) 52134 (d) 13542 (b) 45213 (e) 35241 (c) 42135 (f) 12345 2. 5}.3. 4. es det(A) = (1)(1) – (1)(0) = 1.192 Capítulo 3 Determinantes DETERMINANTE DE MATRICES BINARIAS (OPCIONAL) Las propiedades y técnicas para el cálculo de determinantes desarrolladas en esta sección se aplican también a matrices binarias. 2. Decida. (a) 4213 (d) 3214 (b) 1243 (e) 1423 (c) 1234 (f) 2431 . Términos clave Permutación n factorial Inversión Permutación par Permutación impar Determinante Cálculo por reducción a la forma triangular 3. si es par o si es impar. ■ EJEMPLO 22 Utilice el cálculo por reducción a la forma triangular para evaluar el determinante de la matriz binaria ⎡ ⎤ 0 1 1 A = ⎣1 1 0⎦ .

Evalúe (a) . C = ⎣ b1 2c1 2c2 2c3 y ⎡ ⎤ a2 a3 a1 D = ⎣b1 + 4c1 b2 + 4c2 b3 + 4c3 ⎦ . b3 10. evalúe el determinante mediante la ecuación (2). Sea A = [aij] una matriz de 4 × 4. 3. det (c) 0 5 3 (d) λ−1 3 2 λ−2 4 −1 2 1 6. Si 13. verifique que el número de inversiones difiere en un número impar. calcule los determinantes de las siguientes matrices: ⎡ ⎤ a3 a2 a1 b2 b1 ⎦ . 4. b3 c3 ⎤ a3 b3 ⎦ . determine todos los valores de λ para los que el determinante sea igual a cero. donde A = 12.Sec. calcule el determinante indicado. (a) 2 −1 3 2 4 2 0 −2 0 0 2 4 3 2 3 1 3 4 5 0 (b) 0 2 0 3 0 0 0 0 −5 4 2 3 0 2 0 0 0 2 0 0 1 0 0 1 0 1 A = ⎣3 2 ⎤ 2 1⎦ . (c) . 4. donde A = ⎣−2 0 0 0 λ−1 (a) det ⎝⎣ 0 0 −1 λ−2 0 ⎛⎡ ⎤ 1 −1⎦ 1 |A| = a1 b1 c1 a2 b2 c2 a3 b3 c3 = −4. En cada uno de los siguientes pares de permutaciones de S = {1. Si 5. 6}. 15. (a) 0 0 4 0 9 −3 1 −3 6 −5 4 0 0 9 0 0 0 2 (b) 7 0 0 0 0 8 0 0 −3 |A| = a1 b1 c1 a2 b2 c2 a3 b3 c3 = 3. (a) 0 0 0 2 0 0 6 3 5 4 2 0 0 2 −5 4 6 0 −1 0 4 0 0 0 9 (b) 6 0 0 0 6 3 −2 4 7 5 0 −3 2 0 0 2 (c) 16. 14. (a) 436215 y 416235 (b) 623415 y 523416 (c) 321564 y 341562 (d) 123564 y 423561 En los ejercicios 5 y 6. En los ejercicios 15 y 16. determine todos los valores de λ para los que el determinante sea igual a cero. 3. 11. 2. c1 c2 c3 9. (a) (b) 0 0 4 0 −2 3 0 0 0 −4 2 3 1 2 3 1 3 0 1 0 0 0 0 2 3 (b) det(λI2 – A). 1 verifique que det(A) = det(AT). Para cada una de las matrices del ejercicio 12. 3. Determine el signo asociado a cada una de las siguientes permutaciones de S = {1. (a) 25431 (d) 52341 (b) 31245 (e) 34125 (c) 21345 (f) 41253 calcule los determinantes de las siguientes matrices: 4. Escriba la expresión general para det(A) usando la ecuación (2). 2.1 Definición y propiedades 193 3. 5. B = ⎣b3 c3 c2 c1 ⎡ ⎤ a2 a3 a1 b2 b3 ⎦ . Para cada una de las matrices del ejercicio 11. B= ⎡ a1 + 2b1 − 3c1 a2 + 2b2 − 3c2 ⎣ b1 b2 c1 c2 ⎡ 3a2 a1 3b2 C = ⎣b1 c1 3c2 y ⎡ a1 D = ⎣ c1 b1 ⎡ −1 4 5 a2 c2 b2 ⎤ a3 + 2b3 − 3c3 ⎦. Evalúe: (c) 2 0 0 (d) 7. c3 ⎤ a3 c3 ⎦ . 5}. 8. Si ⎤⎞ −2 2 ⎦⎠ λ−3 ⎡ −1 0 (b) det(λI3 – A).

T. el número de inversiones aumenta o disminuye en 1. entonces det(A) = ±1. T. (a) 4 −3 5 2 2 0 4 0 0 4 −1 1 1 1 2 −3 5 0 4 (b) 2 3 2 11 0 1 4 2 −4 −2 3 −1 0 8 −4 6 2 (b) A = ⎣0 0 22. evalúe el determinante dado de las matrices binarias por medio de las técnicas desarrolladas en los ejemplos 5 y 6. 0y T. (c) 24. (a) 21. T.) T. (a) (b) En los ejercicios 24 y 25. (a) 4 2 3 −2 −2 0 8 −2 (c) (b) 1 3 −4 −2 1 2 −9 15 0 1 1 2 1 3 1 0 1 1 1 0 0 25.9. entonces det(A) = 0 o det(B) = 0.8. entonces det(A) det(B) 0.194 Capítulo 3 Determinantes ⎡ ⎤ ⎡ 3 6 3 3 2⎦.2. determine (a) |A2| (b) |A4| (c) |A−1| 23. (a) 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 1 0 1 0 0 1 1 1 1 1 0 (b) 1 1 0 1 0 1 1 1 1 19. (a) (b) 0 1 1 1 1 1 0 0 1 (c) 20. calcule |A−1BT|. el número de inversiones aumenta o disminuye en un número impar. (a) Demuestre que si A = A−1.4. entonces det(cA)= cn det(A). Luego muestre que un intercambio de dos números cualesquiera se puede lograr mediante un número impar de intercambios sucesivos de números adyacentes. (Sugerencia: demuestre primero que si se intercambian dos números adyacentes. Verifique que det(AB) = det(A) det(B) para las siguientes matrices: ⎡ ⎤ ⎡ ⎤ 1 −2 3 1 0 2 3 1⎦.7 para el caso de una matriz triangular inferior. (b) Demuestre que si AT = A−1. Si A y B son matrices de n × n. entonces det(A) 0. ¿Es cierto que det(AB) = det(BA)? Justifique su respuesta T.10.1.5. (c) 1 2 2 3 0 −3 0 0 2 0 2 −3 5 3 2 1 1 3 0 2 3 −4 1 5 1 −3 6 4 (c) 1 0 0 2 −5 3 4 1 2 2 −2 0 3 0 3 2 2 0 0 0 0 4 0 1 −5 0 0 0 5 4 2 1 1 3 3 3 0 2 18. Demuestre el corolario 3. Si |A| = −4.3. Demuestre que si A es una matriz tal que en cada fila y en cada columna uno y sólo un elemento es 0. Demuestre el teorema 3.7. Demuestre que si det(AB) = 0. Demuestre que si intercambiamos dos números en la permutación j1 j2 · · · jn. (a) (b) (c) 2 −1 2 0 4 3 En los ejercicios 26 y 27. entonces det(A) = 1. B = ⎣3 −2 5⎦ (a) A = ⎣−2 0 1 0 2 1 3 0 1 0 1 1 0 1 1 1 1 0 1 0 1 1 1 1 0 (b) 1 0 1 0 1 1 1 0 1 1 0 1 1 1 0 0 0 1 0 0 1 0 1 0 1 1 0 0 0 1 1 1 27. con |A| = 2 y |B| = −3. T. calcule el determinante dado por reducción a la forma triangular.2. 17. 26. Demuestre que si A es una matriz no singular tal que A2 = A. evalúe el determinante dado de las matrices binarias por reducción a la forma triangular. T.6. T. B = ⎣4 0 −4 2 ⎤ 0 0 5 0⎦ 1 −2 En los ejercicios 17 a 20. Demuestre que si c es un número real y A es una matriz de n × n. (a) (b) Ejercicios teóricos T. . entonces det(A) = ±1. Demuestre que si AB = In.

donde A= (c) invert(A) *A. ¿En qué circunstancias una matriz diagonal es no singular? (Sugerencia: vea el ejercicio T. hasta la sección 12. miembro de la Comuna de París y del Club de los jacobinos.17. Por lo general. Demuestre que a2 b2 c2 a b c 1 1 1 = (b − a)(c − a)(b − c). Demuestre el corolario 3.4) y n es impar. = det(AT) det(B).14.24 de la sección 1.12.1 Definición y propiedades 195 T. A = ⎣4 0 0 5 (b) (3*eye(size(A)) − A)^2. Determine un entero positivo t tal que det(t*eye(size(A)) − A) = 0. Sea A = [aij] una matriz triangular superior. donde ⎡ ⎤ 2 3 0 1 0⎦ . Su padre.3) para calcular el determinante de cada una de las siguientes expresiones.Sec. tercero y cuarto grados. Su obra matemática publicada consta de cuatro artículos presentados en un periodo de dos años. Ejercicios con MATLAB Para utilizar MATLAB en esta sección. se le considera el fundador de la teoría de los determinantes. donde A= 5 −1 2 . 2 ⎤ 0 0⎦ . Demuestre que si det(A) = 0.3. 1 1 1 0 ML. ⎡ ⎤ 2 1 3 3 2⎦ (a) A = ⎣1 3 2 1 ⎡ ⎤ 0 1 3 −2 1 1 1⎥ ⎢−2 (b) A = ⎣ 2 0 1 2⎦ 1 0 0 1 ML. 1 ≤ i ≤ n.7. Calcule el determinante de cada una de las matrices siguientes por medio de det. Demuestre que si An = O. Utilizando el ejercicio T. T. En 1795.16. y fue su director hasta 1782. Utilice det (vea el ejercicio ML. para algún entero positivo n.1.18. 3. ML. intentó guiarlo hacia una carrera musical. médico.5. Vandermonde fue cofundador del Conservatorie des Arts et Métiers. entonces det(AB) = 0.15.11.) T.2. MATLAB tiene un comando det. T. como en el ejemplo 17. (a) 5*eye(size(A)) − A. 2 *Alexandre-Théophile Vandermonde (1735-1796) nació en París. vea el ejercicio T. Demuestre que A es no singular si y sólo si aii 0. Utilice la rutina reduce para realizar operaciones por filas y registre de forma manual los cambios en el determinante. como en el ejemplo 17. Utilice la rutina reduce para realizar operaciones por filas y registre de forma manual los cambios en el determinante. . entonces det(A) = 0. es preciso haber leído primero el capítulo 12. T. que regresa el valor del determinante de una matriz. también desarrolló fórmulas para resolver ecuaciones generales de segundo.4.1. siendo A una matriz antisimétrica (AT = −A. T. Demuestre que si A es de n × n. Fue un activo participante en la Revolución Francesa. ayudó a organizar un curso de economía política.5. Este determinante se llama un determinante de Vandermonde*. T. Sólo escriba det(A).13 de la sección 1.19. T. Demuestre que det(A B ) = det(A) det(B ) T T T T. ⎡ ⎤ 1 0 2 2 1⎦ (a) A = ⎣0 2 1 0 ⎡ ⎤ 1 2 0 0 1 2 0⎥ ⎢2 (b) A = ⎣ 0 2 1 2⎦ 0 0 2 1 ML.2.13. 1 (a) A = ⎣ 1 −1 ⎡ 1 ⎢2 (b) A = ⎣ 3 4 ⎡ −1 1 1 2 3 4 5 ⎤ 1 −1⎦ 1 3 4 5 6 ⎤ 4 5⎥ 6⎦ 7 ML. entonces det(A) = 0. donde ⎡ 1 A = ⎣0 1 1 5 1 . determine cuántas matrices binarias de 2 × 2 tienen determinante cero y cuántas tienen determinante igual a 1.

j) de una matriz de n × n. DEFINICIÓN Sea A = [aij] una matriz de n × n. . −1 5 2 = −6 − 10 = −16. ■ Si consideramos el signo de (−1)i+j como si hubiera sido ubicado en la posición (i. hemos evaluado los determinantes por medio de la ecuación (2) de la sección 3. El cofactor Aij de aij se define como Aij = (−1)i + jdet(Mij). EJEMPLO 1 Sea 3 −1 5 A = ⎣4 7 1 Entonces ⎡ ⎤ 2 6⎦ .2 DESARROLLO POR COFACTORES Y APLICACIONES Hasta este momento. Los patrones para n = 3 y n = 4 son los siguientes: + − + − + − + − + n=3 + − + − − + + − − + + − n=4 − + − + El teorema siguiente proporciona otro método para evaluar determinantes aunque.1. A23 = (−1)2+3 det(M23) = (−1)(10) = −10. y A31 = (−1)3+1 det(M31) = (1)(−16) = −16. 6 A12 = (−1)1+2 det(M12) = (−1)(−34) = 34. y a partir de las propiedades que se establecieron allí. hasta obtener matrices de 2 × 2. 7 1 det( M31 ) = Además. que reduce el problema a la evaluación de determinantes de matrices de orden n – 1. A continuación desarrollamos un método diferente para evaluar el determinante de una matriz de n × n.196 Capítulo 3 Determinantes 3. 1). entonces los signos forman un patrón de tablero de ajedrez que tiene un “+” en la posición (1. desde el punto de vista del cálculo. Sea Mij la submatriz de A de tamaño (n – 1) × (n – 1). El determinante det(Mij) se denomina el menor de aij. obtenida eliminando la i-ésima fila y la j-ésima columna de A. 2 3 −1 = 3 + 7 = 10. Luego podremos repetir el proceso para matrices de (n – 1) × (n – 1). 2 det( M12 ) = det( M23 ) = y 4 7 6 = 8 − 42 = −34. no es tan eficiente como la reducción a la forma triangular.

y para cada 1 ≤ j ≤ n. Obviamente. 3.1. det(A) = ai1Ai1 + ai2Ai2 + · · · + ain Ain (desarrollo de det(A) a lo largo de la i-ésima fila). (2) (1) Demostración De acuerdo con el teorema 3. Si ahora escribimos (3) como det(A) = a13(a21a32 − a22a31) + a23(a12a31 − a11a32) + a33(a11a22 – a12a21). Ahora.Sec. podemos verificar fácilmente que det(A) = a13A13 + a23A23 + a33A33.1.2 Desarrollo por cofactores y aplicaciones 197 TEOREMA 3. = (a21 a32 − a22 a31 ). puesto que cada una tiene dos ceros. = (a23 a31 − a21 a33 ). det(A) = a1jA1j + a2jA2j + · · · + anj Anj (desarrollo de det(A) a lo largo de la j-ésima columna). para cada 1 ≤ i ≤ n. Omitiremos la demostración general y consideraremos la matriz A = [aij] de 3 × 3. Según (3) de la sección 3. lo . que es el desarrollo de det(A) a lo largo de la primera fila. Entonces. que es el desarrollo de det(A) a lo largo de la tercera columna. det(A) = a11a22a33 + a12a23a31 + a13a21a32 − a11a23a32 − a12a21a33 − a13a22a31. ya que det(AT) = det(A). (3) A11 = (−1) 1+1 A12 = (−1) 1+2 A13 = (−1) 1+3 Por lo que a22 a23 a32 a33 a21 a23 a31 a33 a21 a22 a31 a32 = (a22 a33 − a23 a32 ).9 Sea A = [aij] una matriz de n × n. det(A) = a11A11 + a12A12 + a13A13. la primera fórmula se deduce de la segunda. ■ EJEMPLO 2 Para evaluar el determinante 1 −4 3 2 2 −3 4 2 1 3 . 0 0 −3 0 −2 3 observemos primero que es mejor desarrollarlo ya sea a lo largo de la segunda columna o a lo largo de la tercera fila. Podemos escribir esta expresión como det(A) = a11(a22a33 − a23a32) + a12(a23a31 − a21a33) + a13(a21a32 − a22a31).

con lo que se obtiene (−1) 3+1 (2) 2 −3 1 + (−1) 3+3 (−2) 2 1 −4 = (1)(2)(8) + (1)(−2)(10) = −4. tenemos 2 1 3 2 −3 4 0 −3 + (−1) 2+1 (−4) 0 0 −3 (−1) 1+1 (1) 0 0 −2 3 0 −2 3 2 −3 1 + (−1) 3+1 (3) 2 0 −2 4 2 −3 4 3 + (−1) 4+1 (2) 2 1 3 3 0 0 −3 ■ = (1)(1)(−12) + (−1)(−4)(−12) + (1)(3)(20) + (−1)(2)(−24) = 48. . desarrollando a lo largo de la tercera fila. al evaluar el determinante desarrollando a lo largo de la primera columna. 0 −2 2 −3 1 = (−1) 3+1(3) 2 0 −2 1 + (−1) 3+3 (0) −4 2 Ahora evaluamos (4) (4) 2 −3 2 1 0 −2 4 3 3 desarrollando a lo largo de la primera columna. encontramos que el valor del determinante está dado por (+1)(3)(20) + 0 + 0 + (−1)(−3)(−4) = 48. pues aij Aij = (0)(Aij) = 0. Entonces. De manera similar. Al sustituir en la ecuación (4).198 Capítulo 3 Determinantes mejor es desarrollar el determinante a lo largo de la fila o columna que tenga el mayor número de ceros. Por otra parte. evaluamos 1 −4 2 2 −3 2 1 0 −2 2 2 desarrollando a lo largo de la tercera fila. ya que en este caso no es necesario evaluar los cofactores Aij de los aij que son cero. tenemos 1 −4 3 2 2 −3 4 2 1 3 0 0 −3 0 −2 3 4 1 −3 3 + (−1) 3+2 (0) −4 1 3 2 −2 2 2 0 4 1 3 + (−1) 3+4 (−3) −4 3 2 4 3 3 2 −3 2 1 . con lo que se obtiene (−1) 1+1 (2) 1 −2 3 −3 + (−1) 2+1 (2) 3 −2 4 3 = (1)(2)(9) + (−1)(2)(−1) = 20.

Sec. . la segunda se deduce de la primera por medio del teorema 3. . Akn. ■ .1. Entonces. B es una matriz que tiene dos filas idénticas: las filas i y k. Ak2. 3. (5) (6) Demostración Sólo demostraremos la primera fórmula. det(B) = 0. EJEMPLO 3 Considere el determinante del ejemplo 2. j & k. de acuerdo con la ecuación (1). reemplazando la k-ésima fila de A por su i-ésima fila.10 Si A = [aij] es una matriz de n × n. que es lo que queríamos demostrar. . ai2. . .1 para introducir muchos ceros en una fila o columna dadas. Este procedimiento se ilustra en el ejemplo siguiente. . Entonces. Tenemos 1 −4 3 2 2 −3 4 2 1 3 0 0 −3 0 −2 3 c4 +c1 →c4 1 −4 = 3 2 2 −3 5 2 1 −1 0 0 0 0 −2 5 2 −3 5 1 −1 = (−1) 3+1 (3) 2 0 −2 5 0 −4 6 1 −1 = (−1) 4 (3) 2 0 −2 5 = (−1) 4 (3)(−2)(−8) = 48. . y luego desarrollar a lo largo de esa fila o columna. ya que tan pronto tengamos la respuesta obtendremos otro método para determinar la inversa de una matriz no singular. entonces ai1 Ak1 + ai2 Ak2 + · · · + ain Akn = 0 a1j A1k + a2j A2k + · · · + anj Ank = 0 para para i & k. TEOREMA 3. . Los cofactores de la k-ésima fila son Ak1. Ahora desarrollamos det(B) a lo largo de la k-ésima fila. tenemos 0 = det(B) = ai1Ak1 + ai2Ak2 + · · · + ain Akn.2 Desarrollo por cofactores y aplicaciones 199 Podemos utilizar las propiedades de la sección 3. ain. r1 −r2 →r1 ■ LA INVERSA DE UNA MATRIZ Es interesante preguntarse qué es ai1Ak1 + ai2Ak2 + · · · + ainAkn para i k. Considere la matriz B que se obtiene a partir de A. Por lo tanto. Los elementos de la k-ésima fila de B son ai1.

podemos combinar (2) y (6) como a1j A1k + a2j A2k + · · · + anj Ank = det(A) si j = k =0 si j k. . Tenga en cuenta que. EJEMPLO 4 Sea 1 A = ⎣−2 4 Entonces. j-ésimo es el cofactor Aji de aji. 2. . . ⎡ ⎤ 2 3 3 1⎦ . . La matriz adj A de n × n. En forma similar. En consecuencia. 4 −2 Ahora a31A21 + a32A22 + a33A23 = (4)(19) + (5)(−14) + (−2)(3) = 0 y a11A21 + a12A22 + a13A23 = (1)(19) + (2)(−14) + (3)(3) = 0.200 Capítulo 3 Determinantes Este teorema dice que si sumamos los productos de los elementos de cualquier fila (columna) por los cofactores correspondientes de cualquiera otra fila (columna). (8) (7) ■ DEFINICIÓN Sea A = [aij] una matriz de n × n. A2n ··· ··· ··· ⎤ An1 An2 ⎥ . 5 1 3 = −14. el resultado es cero. Sea EJEMPLO 5 ⎡ ⎤ 3 −2 1 6 2⎦ . es la matriz cuyo elemento i. A1n ⎡ A21 A22 . el término adjunta tiene otros significados en álgebra lineal. ⎦ . A = ⎣5 1 0 −3 Calcule adj A. 5 −2 A21 = (−1) 2+1 2 3 = 19. Podemos combinar (1) y (5) como ai1Ak1 + ai2Ak2 + · · · + ain Akn = det(A) si i = k =0 si i k. La adjunta de A se forma tomando la transpuesta de la matriz de cofactores de los elementos de A. ⎥. además del uso que se le da en la definición anterior. llamada la adjunta de A. 5 −2 A23 = (−1) 2+3 A22 = (−1) 2+2 1 4 2 = 3. . A11 ⎢ A12 adj A = ⎢ . Ann Observaciones 1. ⎣ .

0 −3 A13 = (−1) 1+3 5 1 A12 = (−1) 1+2 6 = −6. . ⎥ ⎢ A12 . . . 1 −3 A31 = (−1) 3+1 −2 6 1 = −10. ⎥ . ⎥ = det( A) In . . .2 Desarrollo por cofactores y aplicaciones 201 Solución Los cofactores de A son A11 = (−1) 1+1 6 2 = −18. A2n ··· ··· ··· A j1 A j2 . 0 5 2 = 17. A(adj A) = ⎢ ⎢ ai1 ⎢ ⎢ . · · · ain ⎥ ⎢ . de acuerdo con (8). . A1ia1j + A2ia2j + · · · + Anianj = det(A) =0 En consecuencia. entonces A(adj A) = (adj A)A = det(A)In. . ■ ⎡ . ⎢ . de acuerdo con (7). .11 Si A = [aij] es una matriz de n × n. ⎣ . . . ai2 . .Sec. 3. ⎢ . 5 6 3 1 = −10. ⎥ . ai1Aj1 + ai2Aj2 + · · · + ain Ajn = det(A) =0 Esto significa que si i = j si i j. . A21 A22 . ⎡ a12 a22 . . si i = j si i j. ⎤ · · · a1n ⎡ · · · a2n ⎥ A11 ⎥ . 2 A33 = (−1) 3+3 Entonces ⎤ −18 −6 −10 adj A = ⎣ 17 −10 −1⎦ . A jn ··· ··· ··· ⎤ An1 ⎥ An2 ⎥ . 0 ··· 0 det( A) El elemento i. . 1 0 A32 = (− 1) 3+2 3 −2 = 28. . ⎥⎣ . . . 2 3 5 1 = −1. 1 −3 A21 = (−1) 2+1 −2 1 = −6. . −6 −2 28 ⎡ ■ TEOREMA 3. 0 −3 A23 = (−1) 2+3 A22 = (−1) 2+2 3 −2 = −2. . (adj A)A = det(A)In. ⎥⎢ ⎥ . ⎤ det( A) 0 ··· 0 det( A) 0 ⎥ ⎢ 0 A(adj A) = ⎢ . ⎥. ⎦ Ann an1 an2 · · · ann El elemento i. ⎣ . Demostración Tenemos a11 ⎢a ⎢ 21 ⎢ . ⎥⎢ . ⎦ . . j-ésimo en el producto matricial (adj A)A es. ⎦ A1n . j-ésimo en el producto matricial A(adj A) es.

. Entonces ⎡ ⎤⎡ ⎤ ⎡ ⎤ 3 −2 1 −18 −6 −10 −94 0 0 ⎣5 6 2⎦ ⎣ 17 −10 −1⎦ = ⎣ 0 −94 0⎦ 1 0 −3 −6 −2 28 0 0 −94 ⎡ ⎤ 1 0 0 1 0⎦ = −94 ⎣0 0 0 1 y ⎡ ⎤⎡ ⎤ ⎡ −18 −6 −10 3 −2 1 1 ⎣ 17 −10 −1⎦ ⎣5 6 2⎦ = −94 ⎣0 −6 −2 28 1 0 −3 0 0 1 0 ⎤ 0 0⎦ . entonces ⎡ A11 ⎢ ⎢ det( A) ⎢ ⎢ A12 ⎢ ⎢ 1 = (adj A) = ⎢ det( A) ⎢ det( A) ⎢ .11. ⎥ ⎥ Ann ⎦ det( A) 0. y ⎡ A−1 = 1 (adj A) = det( A) 18 ⎢ 94 ⎢− 17 ⎣ 94 6 94 6 94 10 94 2 94 10 94 ⎥ 1 ⎥.3 Si A es una matriz de n × n y det(A) 0. det(A) = −94. por lo que si det(A) A 1 1 1 (adj A) = A(adj A) = (det( A) In ) = In . A(adj A) = det(A)In. que establecemos en el corolario siguiente. A2n det( A) ··· ··· A−1 ··· ⎤ An1 ⎥ det( A) ⎥ ⎥ An2 ⎥ ⎥ det( A) ⎥ . det( A) ■ EJEMPLO 7 Considere una vez más la matriz del ejemplo 5. ⎢ .202 Capítulo 3 Determinantes EJEMPLO 6 Considere la matriz del ejemplo 5. 94 ⎦ − 28 94 ⎤ ■ . 1 ■ Ahora tenemos un nuevo método para determinar la inversa de una matriz no singular. Entonces. A−1 = 1 (adj A). ⎥ . ⎥ . . entonces Demostración De acuerdo con el teorema 3. . ⎥ ⎥ . det( A) det( A) det( A) En consecuencia. ⎢ ⎢ ⎣ A1n det( A) A21 det( A) A22 det( A) . COROLARIO 3.

Recíprocamente.7 y con el ejercicio T. por lo tanto. ■ . Sea C1 la matriz obtenida al eliminar las filas ceros de la matriz B. Si det(A) 0. Ax = 0 sólo tiene la solución trivial (teorema 1. la demostración del recíproco es la demostración del ejercicio T.7. cuya demostración se dejó al lector como ejercicio T. el sistema Bx = 0 tiene las mismas soluciones que el sistema C1x = 0. en esencia. entonces A es singular (teorema 3. de acuerdo con el teorema 1.2 proporciona una expresión para A−1. B tiene una fila de ceros.12.9 de la sección 1. donde ⎡ ⎤ 1 ⎢2⎥ b = ⎣ ⎦. ■ COROLARIO 3. Este último es un sistema homogéneo que tiene como máximo n – 1 ecuaciones con n incógnitas. de acuerdo con el teorema 3.13 de la sección 1. Esto completa la demostración.4 Si A es una matriz de n × n. (b) Como det(A) 0. (e) Sí.y en consecuencia tiene una solución no trivial (teorema 1. tiene una solución no trivial.2. (c) Una solución para el sistema está dada por x = A−1b. si det(A) = 0. Si det(A) 0. por lo que A es no singular.12 Demostración Una matriz A es no singular si y sólo si det(A) 0. B = In.12. el sistema homogéneo sólo tiene la solución trivial según el corolario 3. Ahora demostraremos el recíproco.2 Desarrollo por cofactores y aplicaciones 203 TEOREMA 3. A es una matriz no singular y.8 de la sección 1. lo cual implica que det(A) 0. que el sistema dado. entonces. Suponga que A es equivalente por filas a la matriz escalonada reducida B. Entonces. el corolario 3.3 de la sección 1. 3.4 de la sección 3. La solución dada en (c) es única. ¿qué es B? (c) Proporcione una expresión para una solución del sistema lineal Ax = b.6.1. (e) ¿Existe A−1? Demostración EJEMPLO 8 Solución (a) Como det(A) 0. El sistema Bx = 0 tiene las mismas soluciones que el sistema Ax = 0. (d) No. 3 4 (d) ¿El sistema lineal Ax = b puede tener más de una solución? Explique.8.12). (b) Si A se lleva a la forma escalonada reducida por filas B. De acuerdo con el teorema 1. El recíproco ya se estableció en el corolario 3. Entonces AA−1 = In. ■ Sea A una matriz de 4 × 4 con det(A) = −2. A es no singular y. De acuerdo con el teorema 3. tenemos det(AA−1) = det(A) det(A−1) = det(In) = 1. Suponga que A es no singular.4. el sistema homogéneo Ax = 0 tiene una solución no trivial si y sólo si det(A) = 0.7).12 de la sección 1. Se sigue. según el teorema 3.6).Sec. Ax = 0. (a) Describa el conjunto de todas las soluciones del sistema homogéneo Ax = 0. Observe que.12.

A es no singular. la realización de operaciones elementales por filas sobre In nunca produce una matriz con determinante igual a cero. Supongamos ahora que F se obtiene de In mediante una sucesión de operaciones elementales por filas. es mucho menos eficiente que el método que vimos en el capítulo 1. A es equivalente por filas a In. Suiza. el cálculo de A−1 por determinantes. Sin embargo. La regla para resolver sistemas de ecuaciones lineales apareció en un apéndice de su libro Introduction à l’analyse des lignes courbes algébriques. 5. 4. si C se obtiene de In multiplicando una fila de In por c 0.11 para obtener otro método. en donde transcurrió toda su existencia. La regla ya era conocida por otros matemáticos. Observación La lista de equivalencias no singulares también se aplica a matrices binarias. Permaneció soltero. publicado en 1750. x = 0 es la única solución para Ax = 0. entonces det(C) = c det(In) = c (teorema 3. De hecho. viajó profusamente. para resolver un sistema lineal de n ecuaciones con n incógnitas cuya matriz de coeficientes sea no singular. det(A) 0. Podemos observar que el método descrito en el corolario 3.3. entonces det(D) = det(In) = 1 (teorema 3. Para demostrar que una matriz singular no tiene inversa. enseñó en la Académie de Calvin.3 para invertir una matriz no singular. y participó de manera activa en asuntos cívicos. para n 4. sistemas homogéneos y matrices no singulares. Esta contradicción justifica la afirmación utilizada en la sección 1.4). que tuvo mucha influencia en los círculos matemáticos. Analizaremos estos aspectos en la sección 3. Podemos resumir nuestros resultados sobre determinantes. REGLA DE CRAMER* Podemos utilizar el resultado del teorema 3. en la que trataremos con determinantes desde un punto de vista computacional. Ahora podemos justificar tal afirmación como sigue. el corolario 3.5). hasta su aparición en esta obra de Cramer. y que F tiene una fila de ceros. Entonces. entonces det(B) = −det(In) = −1 (teorema 3. nunca podremos obtener una matriz que tenga una fila de ceros.204 Capítulo 3 Determinantes En la sección 1. 1.2). por la gran cantidad de operaciones.7.6).3. det(F) = 0 (teorema 3. Lista de equivalencias no singulares Las afirmaciones siguientes son equivalentes. y si D se obtiene de In sumando un múltiplo de una fila de In a otra fila de In. Si la matriz B se obtiene de In al intercambiar dos filas de In. * Gabriel Cramer (1704-1752) nació en Ginebra.3 sigue siendo útil en otros campos. De esta manera. 3. en la lista siguiente de equivalencias no singulares. conocido como regla de Cramer.7 desarrollamos un método práctico para determinar A−1. exige mucho tiempo. como se indicó en el corolario 3. pero no se había difundido ni explicado con claridad. El sistema lineal Ax = b tiene una única solución para cada matriz b de n × 1. 2. allí utilizamos el hecho de que si iniciamos con la matriz identidad In y sólo empleamos operaciones elementales por filas sobre In. .

reemplazando su i-ésima columna por b.Sec. . · · · a1 i−1 · · · a2 i−1 . x1 ⎢ .. . A11 ⎢ ⎢ det( A) ⎢ ⎢ A12 ⎢ ⎢ det( A) ⎢ ⎡ ⎤ ⎢ . . ⎥ ⎥ ⎥ ⎥ A2n Ann ⎦ ··· det( A) det( A) xi = Ahora. det( A) donde Ai es la matriz que se obtiene a partir de A.⎥= A b=⎢ ⎣.. det( A) x2 = det( A2 ) . . ⎢ .. Si evaluamos det(Ai) desarrollando a lo largo de la columna i. . ⎢ . A2i Ani ⎥ ⎣ . . an1 x1 + an2 x2 + · · · + ann xn = bn un sistema de n ecuaciones lineales con n incógnitas y A = [aij] la matriz de coeficientes. ⎢ ⎢ det( A) xn ⎢ ⎢ . . encontramos que det(Ai) = A1ib1 + A2ib2 + · · · + Anibn. . . ⎦ ⎥ . . . . . . . . ⎤ A21 An1 ··· ⎥ det( A) det( A) ⎥ ⎥ A22 An2 ⎥ ⎥ ··· det( A) det( A) ⎥ ⎥⎡ ⎤ . a11 ⎢a21 Ai = ⎢ . ⎥ ⎢b2 ⎥ ⎥⎢ ⎥ ⎥ . . si det(A) ⎡ .12. sea A1i A2i Ani b1 + b2 + · · · + bn det( A) det( A) det( A) ⎡ (1 ≤ i ≤ n).. ⎤ · · · a1n · · · a2n ⎥ . de modo que podemos escribir el sistema dado como Ax = b. ⎢ ⎢ ⎢ ⎣ A1n det( A) Esto significa que 0. ⎢ x2 ⎥ ⎢ −1 x=⎢. . ⎥ b1 . 3. bn Si det(A) 0. ⎥ . Demostración De acuerdo con el teorema 3. . det( A) xn = det( An ) . . . b1 b2 . .⎦ ⎢ A1i .⎦ . . . Por lo tanto. ··· det( A) det( A) ⎥ bn ⎥ . ⎦ . .13 (Regla de Cramer).2 Desarrollo por cofactores y aplicaciones 205 TEOREMA 3. . an1 an2 · · · an i−1 bn a12 a22 . donde ⎡ ⎤ b1 ⎢b2 ⎥ ⎢ b = ⎣ . . . . . . . ⎣ . ⎥. an i+1 · · · ann a1 i+1 a2 i+1 . . . . el sistema tiene como solución única x1 = det( A1 ) . Sean a11 x1 + a12 x2 + · · · + a1n xn = b1 a21 x1 + a22 x2 + · · · + a2n xn = b2 . ⎥ . entonces A es no singular. ⎥.

. . |A| = En consecuencia −2 3 −1 1 2 −1 = −2. Entonces. ■ EJEMPLO 9 Considere el siguiente sistema lineal: −2x1 + 3x2 − x3 = 1 x1 + 2x2 − x3 = 4 −2x1 − x2 + x3 = −3. −2 ■ Para resolver el sistema lineal Ax = b. donde A es de n × n. debemos utilizar el método de reducción de Gauss-Jordan. Paso 2. −2 x2 = = −6 = 3. −2 x3 = = −8 = 4. . xi = det( Ai ) . Observe que la regla de Cramer sólo se puede aplicar si el sistema es de n ecuaciones con n incógnitas y su matriz de coeficientes es no singular.6. la regla de Cramer se vuelve computacionalmente ineficiente y es mejor utilizar el método de reducción de Gauss-Jordan.206 Capítulo 3 Determinantes En consecuencia xi = det( Ai ) det( A) para i = 1. Si det(A) 0. . −2 −1 1 x1 = 1 3 −1 4 2 −1 −3 −1 1 |A| −2 1 −1 1 4 −1 −2 −3 1 |A| −2 3 1 1 2 4 −2 −1 −3 |A| = −4 = 2. En esta expresión para xi. como se estudió en la sección 1. det(Ai). la regla de Cramer es como sigue: Paso 1. Para n 4. En este caso. Fue sólo en la deducción de la expresión para xi que tuvimos que evaluarlo desarrollando a lo largo de la i-ésima columna. 2. utilice la reducción de Gauss-Jordan. n. Si det(A) = 0. . no se puede aplicar la regla de Cramer. reemplazando la i-ésima columna de A por b. para cada i. Si tenemos que resolver un sistema lineal de n ecuaciones con n incógnitas cuya matriz de coeficientes es singular. el determinante de Ai. Calcule det(A). puede calcularse por cualquier método. det( A) donde Ai es la matriz que se obtiene a partir de A.

En consecuencia.1 los emplearemos para calcular el área de un paralelepípedo.1). que tiene el valor (x2 − x1)(x3 – x1)(x2 – x3). (x3.7. Al sustituir los puntos dados en (9).2 Ejercicios 1. OTRAS APLICACIONES DE DETERMINANTES En la sección 4. la matriz de coeficientes del sistema lineal en (10) es no singular. Términos clave Menor Cofactor Adjunta 3. el determinante de Vandermonde no es cero.Sec. donde x1 x2 x3. Calcule todos lo cofactores de los elementos de la segunda fila.6]. 0⎦ 0 Obtenga todos los cofactores. (10) La matriz de coeficientes de este sistema lineal es ⎡ 2 x1 ⎢ 2 ⎣x2 2 x3 x1 x2 x3 ⎤ 1 ⎥ 1⎦ 1 cuyo determinante es el determinante de Vandermonde (vea el ejercicio T. −3 ⎤ 1 ⎢2 A=⎣ 3 0 ⎡ 0 1 2 3 3 4 4 −1 ⎤ 0 −1⎥ . se discutió el problema de determinar un polinomio cuadráx2. El polinomio tiene la forma y = a2x2 + a1x + a0 (9) [Ecuación (15) de la sección 1. y todos lo cofactores de los elementos de la tercera columna.1 utilizaremos los determinantes para calcular el área de un triángulo. x1 x3 y tico que interpolase a los puntos (x1. existe un único polinomio cuadrático de interpolación. y3). Sea 2. Sea ⎡ 1 A = ⎣3 5 0 1 2 −2 4⎦ .12 de la sección 3.2 Desarrollo por cofactores y aplicaciones 207 REVISIÓN DE LA INTERPOLACIÓN POLINOMIAL Al final de la sección 1. obtenemos el sistema lineal 2 a2 x1 + a1 x1 + a0 = y1 2 a2 x2 + a1 x2 + a0 = y2 2 a2 x3 + a1 x3 + a0 = y3 . (x2. y en la sección 5. Por lo tanto. lo que implica que el sistema lineal tiene una solución única. 3. y2). . y1). Como los tres puntos dados son distintos. La prueba general para n puntos es similar.

(b) Calcule det(A). 3. Sea (c) ⎤ 4 2 2 1 2⎦ (b) ⎣0 1 0 3 ⎡ ⎤ 2 0 −1 ⎣3 7 2⎦ 1 1 0 ⎡ ⎤ 1 2 −3 2 3 ⎣−4 −5 2⎦ (b) −1 2 −1 1 −7 ⎡ ⎤ 4 0 2 ⎣0 3 4⎦ 0 1 −2 ⎡ ⎤ 2 0 1 5 −1 ⎣3 2 −1⎦ (b) 2 −1 1 0 1 ⎡ ⎤ 1 2 4 ⎣1 −5 6⎦ 3 −1 2 ⎡ ⎤ 4 0 0 −3 1 0⎦ (b) ⎣0 −3 2 0 0 0 2 ⎡ ⎤ 0 2 1 3 3 4⎥ ⎢ 2 −1 ⎣−2 1 5 2⎦ 0 1 0 2 3 −3 2 4 ⎡ 2 A = ⎣−1 3 ⎡ 1 2 −2 ⎤ 3 0⎦ . (a) (c) (b) (c) 2 −1 2 1 4 2 13. 4. 5 (c) Verifique el teorema 3. (c) Verifique el teorema 3. (a) 6. muestre que A(adj A) = (adj A)A = det(A)I3. Verifique el teorema 3.12 para determinar cuáles de las matrices siguientes son no singulares. esto es. si existen. ⎡ ⎤ 1 2 3 1 2 1 2⎦ (b) (a) ⎣0 3 4 2 −3 1 ⎡ ⎤ 1 3 2 1 4⎦ (c) ⎣2 1 −7 2 . utilizando el corolario 3. Utilice el teorema 3.9.3.10 para la matriz ⎡ ⎤ −2 3 0 1 −3⎦ A=⎣ 4 2 0 1 calculando a11A12 + a21A22 +a31A32. esto es. 1 14. 8. (b) Calcule det(A). ⎡ 2 4 −4 ⎤ 8 1⎦ .208 Capítulo 3 Determinantes En los ejercicios 3 a 6.11. evalúe los determinantes utilizando el teorema 3. (a) (c) 3 −3 0 2 0 2 2 1 −3 0 0 −1 0 1 2 2 −2 5 3 3 0 4 1 −1 −1 3 1 2 1 3 0 2 4 3 1 2 0 (c) 12. (a) Obtenga adj A. muestre que A(adj A) = (adj A)A = det(A)I3. En los ejercicios 10 a 13. (a) (b) 1 0 2 1 1 −1 11. Sea (b) (c) 4 −2 0 0 2 4 −1 −1 −3 2 2 −3 1 0 1 2 −1 3 −1 4 1 2 3 0 0 0 1 −2 −1 3 1 2 −2 3 2 0 −4 3 1 2 0 1 3 0 −1 3 3 0 1 −3 1 2 2 1 2 3 4 1 −1 −7 −5 −5 6 A = ⎣−3 4 (a) Determine adj A.11. (a) (b) (c) 10. (a) (c) 5. calcule las inversas de las matrices dadas. (a) 1 −1 3 4 −4 1 2 2 0 0 −3 2 5 2 2 0 3 2 3 2 0 1 3 4 1 9. (a) 7.

T. 2x + 4y + 6z = 2 x + 2z = 0 2x + 3y − z = −5 21.3 para determinar A−1. 2x + y + z = 6 3x + 2y − 2z = −2 x + y + 2z = 4 23. Si se satisface esta condición. Demuestre que A= a c b d es no singular si y sólo si ad – bc 0. . y (b) a lo largo de la tercera fila. T. x + y + z − 2w 2y + z + 3w 2x + y − z + 2w x− y + w = −4 = 4 = 5 = 4 (a) det λ−2 3 2 λ−3 =0 ⎡ 0 0 0 ⎤ −1 1⎦ −1 1 (b) det(λI3 – A) = 0.5. (a) ⎣ 1 0 ⎡ 0 1 1 1 1 0 1 1 ⎤ 1 1⎥ 0⎦ 1 0 ⎢1 ⎢ (b) ⎢1 ⎣1 1 ⎡ 1 0 1 1 1 1 1 0 1 1 1 1 1 0 1 ⎤ 1 1⎥ ⎥ 1⎥ 1⎦ 0 Ejercicios teóricos T. Compare estas respuestas con las que obtuvo para el ejemplo 6 de la sección 3. ⎡ ⎤ 4 3 −5 3⎦ (a) ⎣−2 −1 4 6 −2 ⎡ ⎤ 1 3 −1 2 4 1⎥ ⎢2 −6 (b) ⎣ 3 5 −1 3⎦ 4 −6 5 2 ⎡ ⎤ ⎡ ⎤ 2 2 −4 0 1 2 5 2⎦ (d) ⎣1 2 0⎦ (c) ⎣1 3 7 −2 1 3 4 16.2. Determine todos los valores de λ para los que x + 2y − z = 0 2x + y + 2z = 0 3x − y + z = 0 + − + − y y y y + 2z + z + 2z − z + w − w + 3w + w =0 =0 =0 =0 (b) x 2x 3x 2x En los ejercicios 20 a 23 resuelva por medio de la regla de Cramer. 2x + 3y + 7z = 2 −2x − 4z = 0 x + 2y + 4z = 0 17. Determine todos los valores de λ para los que (a) det =0 ⎡ −1 3 −1 ⎤ −3 0⎦ −2 −3 (b) det(λI3 – A) = 0.2 Desarrollo por cofactores y aplicaciones 209 1 ⎢ 3 (d) ⎣ −2 0 ⎡ 2 4 5 1 0 1 2 2 ⎤ 5 7⎥ 0⎦ −7 19. donde A =⎣2 0 λ−1 0 −4 λ−4 22. Demuestre que si A es simétrica. el sistema lineal dado. Utilice el corolario 3. Si A = [aij] es una matriz de 3 × 3. Utilice el teorema 3. T. obtenga la expresión general para det(A) por medio del desarrollo (a) a lo largo de la segunda columna. demuestre que si A = [aij] es triangular superior (inferior). (a) ⎣0 1 1⎦ (b) ⎣ 1 0 0 1⎦ 1 1 0 0 0 1 1 w (b) x + 2y + x + 2y + 3z z + 2w y + 2z − w 1 ⎢1 25.1.3. también A−1 es triangular superior. donde A = ⎣ 0 −2 18.4 para determinar si los sistemas homogéneos siguientes tienen soluciones no triviales. si es posible.4. (a) 15. Por medio de un desarrollo por columna (fila). Repita el ejercicio 18 para los sistemas homogéneos siguientes. 20. también adj A es simétrica. T. (a) x − 2y + z = 0 2x + 3y + z = 0 3x + y + 2z = 0 =0 =0 =0 =0 En los ejercicios 24 y 25. determine cuáles de las matrices binarias dadas son no singulares utilizando cualquiera de las técnicas de la lista de equivalencias no singulares.12 para determinar cuáles de las matrices siguientes son no singulares.1. entonces det(A) = a11a22 · · · ann. utilice el corolario 3. 3.Sec. Demuestre que si A es una matriz triangular superior no singular. ⎡ ⎤ ⎡ ⎤ 1 1 0 0 1 1 1 ⎢1 0 1 0 ⎥ 24.

12. para ver instrucciones sobre esta rutina.10.3 DETERMINANTES DESDE UN PUNTO DE VISTA COMPUTACIONAL Hasta ahora.7. 1 ML. det( A) T.5. o el ejercicio T. Demuestre que si A es una matriz de n × n. Casi todos los problemas de gran tamaño de álgebra lineal se resuelven usando computadores. Observe que si se dispone de cada cofactor. donde hemos desarrollado det(A) a lo largo de la primera columna. Sea A una matriz de n × n. Como la suma es mucho más rápida que la multiplicación. que calcula la adjunta de una matriz. donde A es de 25 × 25.10 de la sección 1.210 Capítulo 3 Determinantes T. Utilice la rutina cofactor para evaluar el determinante de A usando el teorema 3.] T. T.12 de la sección 3. donde se calculó det(A).9.9. tal que todas sus entradas son números enteros. escriba help cofactor. Demuestre que si A es singular. Utilice adjoint para auxiliarse en el cálculo de las inversas de las matrices del ejercicio 11. Utilice la rutina cofactor (vea el ejercicio ML.8.3.3 para determinar la inversa de ⎡ ⎤ 1 a a2 b b2 ⎦ . Escriba help adjoint.1. de modo que es natural comparar dos métodos estimando el tiempo requerido por los cálculos para el mismo problema. Para instrucciones sobre el uso de esta rutina. j) de una matriz. también adj A es singular.) Ejercicios con MATLAB ML. T.9.11 de la sección 1. cada cofactor Aij es más (+) o me- . digamos det(A) = a11A11 + a21A21 + · · · + an1An1.4. entonces det(adj A) = [det(A)]n−1. ML.6. En MATLAB existe una rutina adjoint. También tenemos dos métodos para obtener la inversa de una matriz no singular: el método que involucra determinantes y el método presentado en la sección 1. Determine todas las posibles matrices binarias de 2 × 2 que son equivalentes por filas a I2.1.1) para calcular el cofactor de los elementos de la segunda fila de ML. Utilice el corolario 3.11. entonces adj A es no singular y T. entonces B = C.2.13.19 de la sección 3. Si hallamos x por medio de la regla de Cramer.6. Resuelva el ejercicio T. Utilice la rutina cofactor para evaluar el determinante de A usando el teorema 3. Considere el sistema lineal Ax = b.1.] T. (Sugerencia: vea el ejercicio T. En MATLAB existe una rutina cofactor que calcula el cofactor (i. −1 ⎢ 2 A=⎣ 0 0 ⎡ 2 −1 2 0 0 2 −1 2 ⎤ 0 0⎥ 2⎦ −1 1 A = ⎣2 3 ⎡ 5 −1 2 ⎤ 0 3⎦ . con frecuencia se utiliza el número de multiplicaciones como base para comparar dos procedimientos numéricos. Utilice cofactor para comprobar los cálculos que hizo para la matriz A en el ejercicio 1.7. 3. (adj A) −1 = 1 A = adj ( A−1 ). Demuestre que si det(A) = ±1. [Sugerencia: demuestre que si A es singular. Demuestre que si A es no singular. En esta sección estudiaremos los criterios que deben considerarse para elegir uno u otro de estos métodos. Podemos hacer esto mediante un desarrollo por cofactores. T. primero debemos obtener det(A). Ahora. Demuestre que si det(A) 0. en este libro hemos desarrollado dos métodos para resolver un sistema lineal de n ecuaciones con n incógnitas: la reducción de Gauss-Jordan y la regla de Cramer. entonces todas las entradas de A−1 son enteros. se requieren 25 multiplicaciones. ⎡ ⎤ 4 0 −1 2 −1⎦ A = ⎣−2 0 4 −3 ML.6 por medio de determinantes. A = ⎣1 1 c c2 [Sugerencia: vea el ejercicio T. entonces A(adj A) = O. Sea AB = AC.

entonces det(A) = 0. entonces det(B) = det(A).6. Teorema 3. Aunque empleáramos una computadora del futuro (futuro no tan lejano) capaz de realizar un billón (1 × 1012) de multiplicaciones por segundo (3.) Si A = [aij]. entonces det(A) = 0. que será abordado en el capítulo 8. Teorema 3.. no proporcionan una fórmula para la respuesta. si estamos buscando respuestas numéricas. x1 = x2 = det( A1 ) . ⎥ . en comparación con las n3/3 multiplicaciones necesarias para la reducción de Gauss-Jordan. ■ Corolario 3. el cual puede desarrollarse a lo largo de una fila o una columna dadas. el cálculo de det(A) requiere más de 25 × 24 × · · · × 2 × 1 = 25! multiplicaciones. . Para n ≥ 5. Tenga en cuenta que los métodos con determinantes permiten expresar la inversa de una matriz y la solución de un sistema de n ecuaciones lineales con n incógnitas por medio de expresiones o fórmulas. entonces det(B) = c det(A). sino una expresión para dicha respuesta.7 para invertir una matriz. Teorema 3. ⎢ . la regla de Cramer requiere aproximadamente n4 multiplicaciones.3. podemos emplear cualquier método que involucra determinantes. Otra razón importante para el estudio de los determinantes es que éstos desempeñan un papel importante en el estudio de los valores y vectores propios. si n ≤ 4. reemplazando la i-ésima columna de A por b. Teorema 3. Si B se obtiene a partir de A sumando un múltiplo de una fila (columna) a otra fila (columna) de A. podemos calcular det(A) de una manera mucho más eficiente utilizando operaciones elementales por filas para reducir A a su forma triangular. Si det(A) 0. entonces el sistema homogéneo Ax = 0 tiene una solución no trivial si y sólo si det(A) = 0. requiriendo para ello 24 multiplicaciones. La reducción de Gauss-Jordan y el método para determinar A−1.Ideas clave para el repaso 211 nos (−) el determinante de una matriz de 24 × 24.13 (Regla de Cramer). Si A es una matriz de n × n. det( A) . En consecuencia.12.5. Al usar este método para una matriz de n × n.000 años en evaluar det(A). Ideas clave para el repaso ■ ■ ■ ■ ■ Teorema 3.2.8. Si dos filas (columnas) de A son iguales. ⎥. analizado en la sección 1. .15 × 1019 por año).7. Por otro lado. ⎢ ⎥ ⎢ A1n A2n Ann ⎥ ⎣ ⎦ ··· det( A) det( A) det( A) Teorema 3. . Si det(A) 0. la reducción de Gauss-Jordan sigue siendo mucho más rápida. det( A) det( An ) xn = . entonces el sistema tiene la solución única ■ ■ ■ ■ det( A2 ) . los métodos que utilizan determinantes son menos eficientes que la reducción de Gauss-Jordan y que el método de la sección 1. Si una fila (columna) de A consta sólo de ceros. entonces det(A) = a11a22 · · · ann. debemos proceder en forma numérica. Teorema 3. Si A = [aij] es triangular superior (inferior). ⎢ . A veces no es necesaria una respuesta numérica.. entonces det(A) = ai1Ai1 + ai2Ai2 + · · · + ainAin y det(A) = a1j A1j + a2j A2j + · · · + anj Anj. y entonces aplicar el teorema 3..4. A es no singular si y sólo si det(A) 0. a fin de hallarla. pues tal vez se quiera seguir utilizándola. det(AT) = det(A). ■ ■ ■ Corolario 3. ⎥ . Teorema 3.3. tardaría cerca de 49. det( A) donde Ai es la matriz que se obtiene a partir de A. entonces det(B) = −det(A). entonces ⎡ ⎤ A21 An1 A11 ··· ⎢ det( A) det( A) det( A) ⎥ ⎢ ⎥ ⎢ A12 A22 An2 ⎥ ⎢ ⎥ ··· ⎢ ⎥ det( A) ⎥ ⎢ det( A) det( A) −1 A =⎢ . Teorema 3.6. det(AB) = det(A) det(B).1). Si B se obtiene a partir de A multiplicando una fila (columna) de A por un número real c. Teorema 3.4. Sea Ax = b un sistema lineal de n ecuaciones con n incógnitas.7 (vea el ejemplo 17 de la sección 3. Teorema 3.9 (Desarrollo por cofactores. En general. Si B se obtiene a partir de A intercambiando dos filas (columnas) de A. Por supuesto. .. Entonces. la reducción de Gauss-Jordan necesita cerca de 253/3 multiplicaciones. Por supuesto. la importancia de los determinantes no recae en su uso computacional.1. y hallaríamos la solución en menos de un segundo.

Evalúe determine todos los valores para los que el sistema homogéneo Ax = 0 sólo tiene la solución trivial. A es equivalente por filas a In. Determine todos los valores de a para los que el sistema lineal 2x + ay = 0 ax + 2y = 0 tiene (a) solución única. El sistema lineal Ax = b tiene una solución única para cada matriz b de n × 1. Calcule todos los cofactores de ⎡ 2 −1 4 A=⎣ 1 −3 −4 9. 3. 15. −2 −3 −2 7. verifique lo siguiente. x = 0 es la única solución para Ax = 0. 4. Evalúe los determinantes siguientes por medio de la ecuación (2) de la sección 3. por medio del desarrollo de cofactores. 3 4 −1 −2 2 −1 1 1 2 3 3 5 1 0 . resuelva el sistema lineal siguiente por medio de la regla de Cramer: 3x + 2y – z = −1 x – y –z= 0 2x + y – 2z = 3. −1 1 2 12. Evalúe (a) a−b b−c c−a 1 1 1 a b c 1 1 1 bc ca ab a b c = = 1 1 1 a b c a b c 1 1 1 a2 b2 c2 b c a (b) 3 −1 4 1 2 −1 0 0 3 2 1 5 −2 3 2 −3 16. Calcule la inversa de la matriz siguiente. Sea ⎡ ⎤ 3 −1 2 4 5⎦ . Evalúe λ A = ⎣1 0 ⎡ 0 λ−1 0 ⎤ 1 0 ⎦. Determine todos los valores de λ para los que ⎛⎡ ⎤⎞ λ+2 −1 3 λ−1 2 ⎦⎠ = 0. Sea A de 4 × 4. 11.6 (no desarrolle los determinantes). Calcule (a) |A−1| (b) |2A| (c) |2A−1| −1 (d) |(2A) | 4. y suponga que |A| = 5. 2. 14. A = ⎣0 1 3 2 (a) Obtenga adj A. (a) 2. 3.212 Capítulo 3 Determinantes ■ Lista de equivalencias no singulares. Sean |A| = 3 y |B| = 4. det ⎝⎣ 2 0 0 λ+4 6.5 y 3.1. (b) una infinidad de soluciones.2. 10. Ejercicios adicionales 1. Si 0 0 4 2 0 0 −3 0 0 (b) 3 0 0 0 0 −2 0 0 0 4 1 0 3 2 −1 −4 a3 b3 c3 a1 b1 c1 a2 b2 c2 (b) Calcule det(A). 6 8. det(A) 0. A es no singular. Calcule (a) |AB| (b) |ABAT| (c) |B−1AB| 5. si existe. Las afirmaciones siguientes son equivalentes: 1. Determine todos los valores de λ para los que ⎡ ⎤ λ−3 0 3 ⎣ 0 λ+2 0 ⎦ −5 0 λ+5 es singular. 13. λ+1 2 −1 3 4 1 5 . 4 1 ⎤ 3 5⎦ . (c) Demuestre que A(adj A) = det(A)I3. Si calcule los determinantes de las matrices siguientes: ⎤ ⎡1 1 1 a a a 2 2 2 3 2 1 (a) B = ⎣ b1 b2 b3 ⎦ c1 c2 c3 ⎤ ⎡ a 1 − b1 a 2 − b2 a 3 − b3 (b) C = ⎣ 3b1 3b2 3b3 ⎦ 2c1 2c2 2c3 3. . = 5. Utilizando sólo operaciones elementales por filas o elementales por columnas y los teoremas 3. 5. De ser posible. por medio del corolario 3.3: ⎡ ⎤ 2 −1 3 ⎣ 0 1 2⎦ .

) T. T. T. 18. Resuelva el sistema lineal siguiente por medio de la regla de Cramer. entonces det(A) = 1. (e) Si det(A) = 7. Sea A de 3 × 3 y suponga que |A| = 2.1. entonces A(adj A) = O. Sea A una matriz de n × n cuyas entradas son enteros y det(A) = ± 1. entonces det(B) = det(A). Utilice la regla de Cramer para determinar todos los valo- Ejercicios teóricos T. Demuestre que si A y B son matrices cuadradas. Demuestre que si A es una matriz singular de n × n. entonces Ax = 0 tiene sólo la solución trivial. T. T. Examen del capítulo 1.8. entonces det(adj A) = 0. entonces A = O. entonces det(AAT) ≥ 0. Determine todos los valores de a para los que la matriz ⎡ 2 ⎤ a 0 3 ⎣ 5 a 2⎦ 3 0 1 es singular.2. entonces det(A) = 0. B y C son matrices cuadradas. Demuestre que si A es una matriz de n × n. Demuestre que si dos filas (columnas) de la matriz A de n × n son proporcionales. 1 0 −1 0 1 2 −1 1 0 3 . Demuestre que si B = PAP−1. . entonces det(B) = det(A).9.4. (i) Si A4 = In. Sea P una matriz invertible. Demuestre que det(Q – nIn) = 0. x – y + z = −1 2x + y – 3z = 8 x – 2y + 3z = −5. Demuestre que si A es una matriz singular de n × n.5. (h) Si B = PAP−1 y P es no singular.6. (c) Si AT = A−1. T. T. entonces toda solución de Ax = b consiste de enteros. ¿Para qué valores de a es 2 1 0 −1 0 1 0 0 3 + 1 a −2 a 3a a 1 0 2 = 14? (g) Si det(A) = 0. Calcule (a) |3A| (b) |3A | (c) |(3A) | 3. 2 −3 4 5 0 −2 −1 −1 Decida si es verdadera o falsa cada una de las afirmaciones siguientes. Sea Q una matriz de n × n. el signo del término a15a23a31a42a54 es +. 5. (b) det(−A) = −det(A). T. en la que cada entrada es 1. (d) Si det(A) = 0.3. Demuestre que si todas las entradas de b son enteros. (a) det(AAT) = det(A2). 4. (Sugerencia: vea el teorema 3. entonces det(A) = 1. Demuestre que si A. (f) En el desarrollo del determinante de una matriz de 5 × 5. (j) Si A2 = A y A In. 2. entonces AB es singular para cualquier matriz B de n × n. Evalúe 6. Determine todos los valores de a para los que la matriz res de a para los que el sistema lineal x – 2y + 2z = 9 2x + y =a 3x – y – z = −10 tiene una solución en la que y = 1. entonces det(A) = 0.7.Examen del capítulo 213 17. entonces det A C O B = det( A) det( B). Justifique sus respuestas.11. a−2 a−2 2 a+2 es no singular. entonces det A O O B = det( A) det( B).

Se elige un punto A a la derecha de O.1 VECTORES EN EL PLANO SISTEMAS DE COORDENADAS En muchas aplicaciones tratamos con cantidades mensurables. Figura 4. como u. existen otras cantidades mensurables. De esta manera. su coordenada es la longitud del segmento OP. los números reales positivos se encontrarán a la derecha de O. |−2| = 2. Si Q se encuentra a la izquierda de O. L. − 2 = 2 y |−1. y los negativos a la izquierda de O (vea la figura 4. la masa y la rapidez. 214 . |0| = 0. Los números reales se denominarán escalares. que pueden describirse por completo mediante su magnitud.82. Recuerde que el sistema de los números reales puede visualizarse como una línea recta. Por otro lado. llamado origen. Se elige un punto O en L. con el cual se fija la longitud OA como 1. y se especifica una dirección positiva. como la velocidad. La distancia entre los puntos P y Q con coordenadas a y b. su coordenada es el negativo de la longitud del segmento OQ.CAPÍTULO 4 n VECTORES EN R 4. Estas últimas cantidades se denominan vectores. y y z. para cuya descripción es necesario plantear no sólo una magnitud.1 –5 E C –4 –3 –2 Dirección negativa –1 O 0 A D 1 B 2 3 4 Dirección positiva 5 El valor absoluto |x| del número real x se define como |x| = x si x ≥ 0 −x si x < 0. éste corresponde al número 0. sino también una dirección. que por lo regular se coloca en posición horizontal.1). Los vectores se denotarán con letras minúsculas en negritas. y el punto P cuya coordenada es x se denota mediante P(x). la fuerza y la aceleración. es |b – a|. 3 3 El número real x que corresponde al punto P se denomina coordenada de P. y se denotarán con letras minúsculas en cursivas. y serán nuestro tema de estudio en este capítulo. Si P está a la derecha de O. |3| = 3. tales como la presión.82| = 1. respectivamente. La recta L se denomina eje coordenado. w. Por lo tanto. v.

con coordenadas x y y. Descartes tuvo un sueño que le permitió considerar que el método de las matemáticas es la mejor vía para llegar a la verdad. Si y representa la distancia entre cualquier punto de la recta y el punto de referencia.Sec. 3. y x representa la distancia a lo largo de la recta hasta el punto de referencia. pero no siempre. El periodo más productivo de su vida transcurrió de 1628 a 1648. se denota mediante P(x. Así. existe una ecuación que relaciona x y y. bávaro y francés.2). Por desgracia. 1. 4. es fácil ver (ejercicio T. En 1619. Una de las rectas. el eje y. . Ahora elegimos un punto en el eje x a la derecha de O. y) de números reales (figura 4. denominado origen. y también suele denominársele 2-espacio. los ejes x y y se denominan ejes coordenados (figura 4. El punto P. y) O Q x eje x Figura 4. que determina sus coordenadas. y) de números reales. El uso sistemático de las coordenadas cartesianas fue introducido posteriormente.1 vemos que las coordenadas de los puntos B. y un punto en el eje y arriba de O para fijar las unidades de longitud y las direcciones positivas en los ejes x y y. Para expresar una curva en forma algebraica. −3. sea Q la proyección de P en el eje y. De manera análoga. uno elige cualquier recta de referencia que resulte conveniente. respectivamente.5 – (−3)| = 1. o sistema de coordenadas cartesianas (nombre en honor del filósofo y matemático René Descartes*).5.1 Vectores en el plano 215 EJEMPLO 1 En la figura 4. por autores que continuaron el trabajo de Descartes. La distancia entre B y C es |−3 – 3| = 6. el eje x. se considera entonces en posición vertical. La correspondencia anterior entre puntos en el plano y pares ordenados de números reales se denomina sistema de coordenadas rectangulares. L' L' P P Q Q (a) L (b) L eje y Dirección positiva eje x Dirección positiva O Figura 4. La coordenada de Q en el eje y se llama coordenada y (ordenada) de P. La proyección ortogonal de un punto P en el plano a la recta L es el punto Q que se obtiene al intersecar L con la recta L que pasa por P y es perpendicular a L [figuras 4. por lo general se toma en posición horizontal. En 1649 aceptó una invitación de la reina Cristina de Suecia para ser su tutor particular y establecer una Academia de Ciencias en aquel país. su única publicación relativa a esta disciplina fue La Géométrie (La geometría).3(a) y (b)].3 eje y y Q' P(x. esto es. con cada punto en el plano está asociado a un par ordenado (x. C. la otra recta. ■ Analicemos ahora la situación análoga en el caso del plano. se dedicó al estudio autodidacta de las matemáticas. El conjunto de puntos en el plano se denota mediante R2. Con frecuencia. *René Descartes (1596-1650) fue uno de los científicos y filósofos más conocidos de su época.2 Figura 4. se utiliza la misma unidad de longitud en ambos ejes. Sin embargo. estos puntos se eligen de modo que sean equidistantes de O.1) cómo podemos asociar un punto en el plano con cada par ordenado (x. propuso un concepto radicalmente nuevo: la interpretación geométrica desde el punto de vista algebraico. Trazamos un par de rectas perpendiculares que se intersequen en un punto O. En La Géométrie. La distancia entre C y E es |−4. en forma simultánea mostró interés en la vida nocturna de París y en la milicia. En conjunto. y selecciona un punto de referencia sobre dicha recta. pues murió víctima de neumonía en 1650. representando la curva. pues sirvió como voluntario en los ejércitos holandés. Después de completar sus estudios profesionales en derecho.4 Sean P un punto en el plano y Q su proyección sobre el eje x. De manera recíproca. D y E son.5 y −4. La coordenada de Q en el eje x se denomina coordenada x (abscisa) de P. no tuvo tiempo de realizar ese proyecto. et chercher la vérité dans les sciences (Discurso del método para guiar bien la razón y buscar la verdad en las ciencias). que apareció como un apéndice de su principal obra filosófica Discours de la méthode pour bien conduire sa raison.4). La distancia entre A y B es |3 – 1| = 2. en el siglo XVII. y).5. y es considerado el fundador de la filosofía moderna. cuando vivió en Holanda.

Figura 4. Las coordenadas de la proyección del punto P(x. Para distinguir entre ambas. 3) Las coordenadas del origen son (0. y).6). 0) –4 –3 –2 –1 –1 –2 –3 (–2. y que al inicio de la sección 1. ■ VECTORES Recuerde que en la sección 1. EJEMPLO 3 Sea u= 2 . El segmento de recta di− → rigido de O a P se denota mediante OP . eje y 3 (–3.6 eje y P(x1. indicado por la flecha en su cabeza. –4) –4 (4.5 se muestran varios puntos y sus coordenadas. 2) 2 1 (0. O se denomina su cola y P su cabeza. y1). por . En esta sección veremos los 2-vectores desde el punto de vista geométrico. y1) u O (0. 0) (3. Con u asociamos el segmento de recta dirigido con punto inicial en el origen O(0.5 En la figura 4. 0) 3 4 5 eje x (0.3 presentamos vectores en forma algebraica para mejor comprensión de la multiplicación de matrices. –3) 1 2 (0. 0) eje x Un segmento de recta dirigido tiene una dirección.2 definimos un n-vector. y) en el eje x son (x. La magnitud de un segmento de recta dirigido es su longitud. 0) y punto terminal en P(x1. y1 donde x1 y y1 son números reales. y en la siguiente haremos lo mismo con los n-vectores. y las coordenadas de su proyección en el eje y son (0. Considere el 2-vector u= x1 . Las coordenadas “cartesianas” descritas anteriormente fueron introducidas más tarde. 0). colocamos una punta de flecha sobre la cabeza (figura 4. 2) (2. que es el ángulo que se forma entre ella y la parte positiva del eje x. 3 XVII.216 Capítulo 4 Vectores en Rn EJEMPLO 2 Figura 4. 0). en el siglo autores que seguían la obra de Descartes.

Con base en lo anterior. Como hemos visto. La magnitud y dirección de un vector son la magnitud y la dirección de su segmento de recta dirigido. 0) y cabeza P(2. ya que sus componentes respectivas difieren.7. con cola O(0.1 Vectores en el plano 217 Con u podemos asociar el segmento de recta dirigido con cola O(0. Como un vector es una matriz. 4. se dice que los vectores u= x1 y1 y v= x2 y2 son iguales si x1 = x2 y y1 = y2. ■ Figura 4.7 eje y 4 3 2 1 –3 –2 –1 O –1 –2 1 u eje x 2 3 4 P(2. EJEMPLO 5 Los vectores 1 0 y 1 −2 ■ no son iguales. denominados componentes de u. 3). 3) − → De manera recíproca. y1). 5). Esto es. podemos asociar el 2-vector x1 . Los conceptos segmento de recta dirigido y vector suelen utilizarse indistintamente. de manera que un segmento de recta dirigido se denomina vector. se necesita un sistema de coordenadas para establecer esta correspondencia. dos vectores son iguales si sus componentes respectivas son iguales. y1 donde x1 y y1 son números reales. podemos asociar el 2-vector 4 . 0) y cabeza P(x1. con cada segmento de recta dirigido que parte del origen podemos asociar un vector. vemos que con cada vector podemos asociar un segmento de recta dirigido y. OP. tal como se muestra en la figura 4. .Sec. 5 ■ DEFINICIÓN Un vector en el plano es un 2-vector u= x1 . con un segmento de recta dirigido. Nos referiremos a un vector en el plano simplemente como vector. y1 EJEMPLO 4 − → Con el segmento de recta dirigido OP con cabeza P(4. recíprocamente.

b) del vector −−→ −−→ 2 P4 Q 4 = = P2 Q 2 . del punto P(x1. 0) (b) Vectores en el plano.8(a).218 Capítulo 4 Vectores en Rn Con cada vector u= x1 y1 también podemos asociar de manera única el punto P(x1.8(a) el vector PQ también puede representarse por medio del vector (x2 − x1. dependiendo del contexto. 0) y Q2(2. x1 . en la figura 4. o simplemente vector con cola P(x1. y2 − y1). con cada punto P(x1. 2) x Q2(2. como se muestra en la figura 4.8 y Q(x2. 3) y Q1(5. y1). como se muestra en la figura 4. y1) y cabeza Q(x2. y en otras como el conjunto de todos los 2-vectores u = (x1. donde O es el origen (figura 4. . Por esta razón. 4) P(x1. P2 Q 2 y P3 Q 3 . 5). Ya que todos ellos tienen las mismas componentes. 4). Para determinar la cabeza Q4(a. Las componentes de tal vector son x2 − x1 y y2 − y1. y1) (no el origen) al punto Q(x2. y1) P"(x2 – x1. y2). y2) Q3(–1. 3 Figura 4.8(b). 1) 6 5 4 3 2 1 P1(3. en ocasiones tomamos R2 como el conjunto de pares ordenados (x1. y2 – y1) x –4 –3 –2 –1 1 2 3 4 P2(0. y2 − y1) con cola O y cabeza P (x2 − x1. y1) podemos asociar de manera única el vector x1 . Dos vectores en el plano como ésos se denominarán iguales si sus compo−−→ −−→ −−→ nentes son iguales. de forma recíproca. y1 En consecuencia. esta asociación se obtiene por medio del segmento de recta dirigido OP. P2(0. son iguales. o como el conjunto de todos los vectores. 5) O (a) Diferentes segmentos de recta dirigidos que representan el mismo vector. 3). y2). 1) y Q3(−1. Tal segmento de recta dirigido también se llamará vector en el plano. 3) y Q1(5. y1). P3(−3.6). Por lo tanto. Considere los vectores P1 Q 1 . que unen los puntos P1(2. 5 6 P3(–3. y1). Por lo tanto. y1 En aplicaciones físicas frecuentemente es necesario tratar con un segmento de rec− → ta dirigido OP. el plano puede visualizarse como el conjunto de todos los puntos. respectivamente. también podemos escribir u como − → Por supuesto.

debemos tener 8 – c = 2 y 6 – d = 3. o la longitud del segmento − → de recta dirigido PQ es √ − → PQ (−1 − 3) 2 + (5 − 2) 2 = (−4) 2 + 32 = 25 = 5.8(b). y y2 P2(x2. procedemos como sigue. y2) es (figura 4. d) del vector −−→ 2 P5 Q 5 = . De forma análoga. 3 con cabeza Q5(8. así que c = 8 – 2 = 6 y d = 6 – 3 = 3. la distancia entre los puntos P1 y P2. ■ −−→ −−→ −−→ La longitud de cada vector (segmento de recta dirigido) P1 Q 1 . P2 Q 2 y P3 Q 3 en la figura 4.9). así que a = 2 – 5 = −3 y b = 3 + 2 = 5. ■ EJEMPLO 7 Según la ecuación (2). Debemos tener a – (−5) = 2 y b – 2 = 3.1 Vectores en el plano 219 con cola P4(−5. y1) y punto terminal P2(x2. . 2) y Q(−1. es 13 (verifique).9 Figura 4.8(b). asimismo. 5). la distancia entre P(3. y1) x1 x2 x EJEMPLO 6 Si u = (2. Se dice que dos vectores distintos de cero u= x1 y1 y v= x2 y2 son paralelos si uno es un múltiplo del otro. son paralelos si las rectas en las que se encuentran son verticales o tienen la misma pendiente. son paralelos. u (2) 2 + (−5) 2 = √ 4 + 25 = √ 29. Por lo −−→ −−→ −−→ tanto.10 La ecuación (2) proporciona. la longitud. P2 Q 2 y P3 Q 3 en √ la figura 4. los vectores (segmentos de recta dirigidos) P1 Q 1 . (1) u y1 x También con base en el teorema de Pitágoras. 3). la longitud del segmento de recta dirigido con punto inicial P1(x1. de manera que las coordenadas de Q4 son (−3. para determinar la cola P5(c. 2). de acuerdo con la ecuación (1). 6). 4. y2) y1 O P1(x1.Sec. −5). LONGITUD y De acuerdo con el teorema de Pitágoras (figura 4. En consecuencia.10) O x1 −→ − P1 P2 (x2 − x1 ) 2 + ( y2 − y1 ) 2 . 5). Desde otro punto de vista. (2) Figura 4. y1) es u 2 2 x1 + y1 . magnitud o norma del vector u = (x1. las coordenadas de P5 son (6.

Por lo tanto.11. y3). y1). (3.220 Capítulo 4 Vectores en Rn USO DE DETERMINANTES PARA CALCULAR ÁREAS Considere el triángulo con vértices (x1. 2 2 2 2 2 2 Resulta que esta expresión es y 6 4 2 –6 –4 –2 –2 –4 –6 2 4 6 x x1 1 det ⎝⎣x2 2 x3 ⎛⎡ ⎤⎞ y1 1 y2 1⎦⎠ . para un triángulo con vértices (x1. y2) y (x3. 4). como se muestra en la figura 4. Ahora recuerde que el área de un trapecio es – de la distancia entre los lados paralelos 2 del trapecio. y2) y (x3. por la suma de las longitudes de los lados paralelos. 0) B(x2. y1). la fórmula que se acaba de obtener dará el negativo del área del triángulo. y3 1 Cuando los puntos están en los otros cuadrantes o se etiquetan en orden diferente. el área de T es Solución 1 2 ⎛⎡ −1 det ⎝⎣ 3 2 4 1 6 ⎤⎞ 1 1⎦⎠ = 1 |17| = 8. 0) C(x3. 6). y1) P3(x3.12 (el área es – del valor absoluto del determinante).11 y P2(x2. 2 EJEMPLO 8 Calcule el área del triángulo T que se muestra en la figura 4. y3).5. tenemos área del triángulo = 1 1 2 x1 det ⎝⎣x2 x3 ⎛⎡ y1 y2 y3 ⎤⎞ 1 1⎦⎠ 1 (3) Figura 4. 0) x Se puede calcular el área de este triángulo como el área del trapecio AP1P2B + área del trapecio BP2P3C − área del trapecio AP1P3C. De acuerdo con la ecuación (3). 2 1 ■ . (x2. área del triángulo P1P2P3 1 = 1 (x2 − x1 )( y1 + y2 ) + 1 (x3 − x2 )( y2 + y3 ) − 1 (x3 − x1 )( y1 + y3 ) 2 2 2 = 1 x2 y1 − 1 x1 y2 + 1 x3 y2 − 1 x2 y3 − 1 x3 y1 + 1 x1 y3 . Figura 4. y2) P1(x1.12. y3) A(x1. Así. con vértices (−1. 1) y (2. (x2.

Figura 4. y1) P3(x3.15 Suma de vectores También podemos describir u + v como la diagonal del paralelogramo definido por u y v. y1)* y v = (x2. y2) P1(x1. el vector con cola O y cabeza (x1 + x2.13 y P2(x2. Por último. EJEMPLO 9 Sea u = (1.15. observe que la suma de vectores es un caso especial de la suma de matrices.14.13. y1). En consecuencia. los vectores sumaron sus componentes. y4) OPERACIONES CON VECTORES DEFINICIÓN Sean u = (x1. 2 + (−4)) = (4.Sec. y2) dos vectores en el plano. y1) a (x1 + x2. Entonces u + v = (1 + 3. y1 + y2) u y2 u u +v (x2 . La suma de los vectores u y v es el vector (x1 + x2.14 Suma de vectores y1 + y2 y1 y (x1. −4).1 Vectores en el plano 221 Ahora suponga que tenemos el paralelogramo que se muestra en la figura 4. el vector de (x1. y1 . *Recuerde que el vector u = x1 también puede escribirse como (x1. y2) x2 x1 + x2 x v x1 O O v Figura 4. ■ Podemos interpretar de manera geométrica la suma de vectores como sigue. y1) u v + v (x1 + x2 . y3) x P4(x4. y1 + y2) es u + v. Como una diagonal divide al paralelogramo en dos triángulos iguales. y1 + y2) y se denota mediante u + v. con base en la ecuación (3) se deduce que ⎛⎡ ⎤⎞ x1 y1 1 área del paralelogramo = det ⎝⎣x2 y2 1⎦⎠ . 4. y1 + y2) también es v. Por lo tanto. En la figura 4. como se muestra en la figura 4. 2) y v = (3. −2). x3 y3 1 Figura 4.

cy1).17). d = −3 y u = (1.18. Observe que mientras el vector suma da una diagonal de un paralelogramo. Además. Si c > 0.222 Capítulo 4 Vectores en Rn EJEMPLO 10 Figura 4.3) que u + (−1)u = 0. ■ y 2 (1. y1) y c es un escalar (un número real). entonces cu = 2(1. el múltiplo escalar cu de u por c es el vector (cx1. −2). el vector substracción proporciona la otra diagonal. –2) (3. 0) se denomina vector cero. Si u es cualquier vector. El vector u – v se muestra en la figura 4. y du = −3(1. −4) tal como se muestra en la figura 4. escribimos u + (−1)v como u − v. du está en la dirección opuesta (figura 4. También podemos mostrar (ejercicio T. (4) . y Figura 4. y le llamamos la diferencia de u y v. −2) = (−3. = u. el múltiplo escalar cu de u por c se obtiene multiplicando cada componente de u por c. mientras que si d < 0. 2) u x 4 u+ –2 v v (4.19(a). cu está en la misma dirección que u. Así. resulta que (ejercicio T.2) u + 0.19(b). ■ El vector (0. – 4) DEFINICIÓN Si u = (x1. Vea la figura 4.16. (5) escribimos (−1)u como −u y le llamamos el negativo de u. −2) = (2. 6). entonces u + v es como se muestra en la figura 4.16 Si u y v son como en el ejemplo 9.17 Multiplicación por un escalar u O du cu x EJEMPLO 11 Si c = 2. y se denota mediante 0.

La − → − → − → fuerza resultante es el vector OC = OA + OB.19 v u u+v u–v –v v u (a) Diferencia entre vectores.18 (–3.1 Vectores en el plano 223 Figura 4. La fuerza resultante puede determinarse por medio de vectores. que tiene el efecto equivalente. podemos determinar una sola fuerza. Aplicación (vectores en física) Cuando varias fuerzas actúan sobre un cuerpo. En la figura 4.Sec. – 4) 6 Figura 4. El ejemplo siguiente ilustra este método. EJEMPLO 12 Suponga que se aplican dos fuerzas a un objeto: una de 12 libras a lo largo del eje negativo x. la magnitud de la fuerza resultante es 13 libras.20 hemos representado la fuerza a lo largo del eje x negativo por medio − → − → del vector OA . y su dirección es la que se indica en la figura. 4. denominada fuerza resultante. u–v (b) Suma de vectores y diferencia de vectores. y una de 5 libras a lo largo del eje y positivo. 6) y 6 4 2 –6 –4 –2 O –2 –4 x 2 4 (1. y la fuerza a lo largo del eje y positivo por medio del vector OB . –2) (2. ■ y C B 13 5 O x Solución Figura 4.20 A 12 . De esta manera. Determine la magnitud y dirección de la fuerza resultante.

Si sustituimos esta expresión en (6) y despejamos cos θ (recuerde que. entonces u 0y v 0).21 hemos representado la velocidad del bote mediante el vector OA. v 2 u 2 v 2 − 2 u v cos θ. Determine la velocidad resultante del bote. Por lo tanto. obtenemos cos θ = x1 x2 + y1 y2 .224 Capítulo 4 Vectores en Rn Los vectores también se utilizan en física para resolver problemas de velocidad. y la − → velocidad de la corriente del río mediante el vector OB . EJEMPLO 13 Suponga que un bote viaja hacia el este por un río. la magnitud de la velocidad resultante es 5 millas por hora. podemos rescribir (7) como cos θ = u·v u v (0 ≤ θ ≤ π ). y2) se define como u · v = x1x2 + y1y2. y1) y v = (x2. y su dirección es la que se indica en la figura. obtenemos u–v u u−v De acuerdo con (2). u = (x1. Solución − → En la figura 4. a razón de 4 millas por hora. que se muestra en la figura 4. En consecuencia.21 3 5 B C ÁNGULO ENTRE DOS VECTORES El ángulo entre dos vectores distintos de cero.3 se dijo que el producto punto de los vectores u = (x1. (8) . mientras que la corriente fluye hacia el sur a 3 millas por hora. y1) y v = (x2. 0 θ π.22.22 u 2 v 2 − 2(x1 x2 + y1 y2 ). Al aplicar la ley de los cosenos al triángulo de esa figura. como u y v no son vectores nulos. (6) u−v 2 = (x1 − x2 ) 2 + ( y1 − y2 ) 2 2 2 2 2 = x1 + x2 + y1 + y2 − 2(x1 x2 + y1 y2 ) O Figura 4. ■ O 4 A Figura 4. como se ilustra en el ejemplo siguiente. u v (7) Recuerde que en la primera parte de la sección 1. y2) es el ángulo θ. La velocidad resultante es el − → − → − → vector OC = OA + OB.

23). entonces: (a) u · u ≥ 0. Recíprocamente. Así. 2) son ortogonales.6. Además. el coseno del ángulo θ entre ellos es cero. tenemos u · v = 0.24. entonces podemos usar la definición del producto punto para escribir √ u u · u. Si los vectores no nulos u y v forman ángulos rectos (figura 4. en cualquier caso. ahora podemos decir que dos vectores u y v son ortogonales si y sólo si u · v = 0. cos θ = √ 6 20 √ = 0.1 Vectores en el plano 225 EJEMPLO 14 Si u = (2. 5 Podemos obtener una aproximación al ángulo por medio de una calculadora o con la ayuda de una tabla de cosenos. −4) y v = (4. Por lo tanto.Sec. de acuerdo con (8). 4.23 Vectores ortogonales EJEMPLO 15 ■ y 2 (4. 2) v 4 u x O –4 (2.93 radianes. – 4) TEOREMA 4. si u · v = 0. entonces u · v = (2)(−1) + (4)(2) = 6. Por lo tanto. (Vea la figura 4.) Figura 4. u · u = 0 si y sólo si u = 0 (b) u · v = v · u . el vector cero es ortogonal a todo vector. En consecuencia. Los vectores u = (2. ya que u · v = (2)(4) + (−4)(2) = 0.1 (Propiedades del producto punto) Si u. ■ u O v Si u es un vector en R2. v y w son vectores y c es un escalar. los vectores no nulos u y v son perpendiculares u ortogonales si y sólo si u · v = 0. u y 2 2 + 42 = √ 20 √ v De aquí que (−1) 2 + 22 = 5. 2). También diremos que dos vectores son ortogonales si por lo menos uno de ellos es el vector cero. encontramos que θ es aproximadamente 53°8 o 0. cos θ = 0 y los vectores forman ángulos rectos.24 Vectores ortogonales Figura 4. 4) y v = (−1.

. Son i = (1. respectivamente (figura 4. ■ Asimismo. −5). distinto de cero). EJEMPLO 16 Sea x = (−3. EJEMPLO 17 Si u = (4. x (−3) 2 + 42 = 5. 0) y j = (0. 4 5 Por lo tanto.5).26 Vectores ortogonales En R2 existen dos vectores unitarios que tienen una importancia especial. 1) Figura 4. los vectores unitarios a lo largo de los ejes positivos x y y.25). el vector u = 1 (−3. 1). el vector u= 1 x x es un vector unitario en dirección x (ejercicio T. y1) es cualquier vector en R2. ya que u −3 5 2 + 4 2 5 = 9+16 25 = 1.25 Figura 4. 0) x O i x y (0. ■ VECTORES UNITARIOS Un vector unitario es un vector cuya longitud es 1. u está en dirección x (figura 4. Si x es cualquier vector no nulo (es decir. ■ ■ EJEMPLO 18 Los vectores i y j son ortogonales [vea el ejercicio 23(b)].26).7. podemos escribir u en términos de i y j como u = x1i + y1j. 5 5 es un vector unitario.226 Capítulo 4 Vectores en Rn (c) (u + v) · w = u · w + v · w (d) (cu) · v = u · (cv) = c(u · v) Demostración Ejercicio T. 4). Entonces. y x 4 j u –3 O (1. 4) = − 3 . entonces u = 4i – 5j. Si u = (x1.

−1). 2) 11. 1) (d) (3. De ser posible. por lo menos uno distinto de cero.1 Ejercicios 1. −2) (b) (−1. Haga una gráfica. 3). 0). 1) (c) u = (−3. cuya cola está en 13. determine escalares c1 y c2. 2) (c) u = (2. (3. 0) y (−1. 5). Determine el coseno del ángulo que forma cada par de vectores u y v. Determine el área del paralelogramo con vértices (2. v = (3. (7. 4). (0. 4) (c) (−3. (2. −3) 20. 2). 3) (b) (−3. 4) (b) x = (−2. 3). 4. Determine el área de Q. 3). −3). 6). 0) 10. 4) (a) x = (2. (a) (2. 0). 0) 7. 3). 12. 3). (−1. Sea Q el cuadrilátero con vértices (−2. cuya cola está en (1. 3). 1) (a) (4. 6) como una combinación lineal (definida antes del ejemplo 4. si (a) u = (2. 2) (b) (0. (−1. (a) (1. (1. 3) (b) (3. 2) (c) (0. 2u y 3u – 2v. 2). v = (2. −5) (c) (3. v = (2. (a) x = (3. v (3. 3). 2). 3). ¿Es posible escribir el vector (−5. (3. 2 4 0 15. 2). −3). 2) (c) u = (3. tales que 3. v = (4. Determine la longitud de los vectores siguientes. Determine u + v. (3. (1. 16. −1) (d) (−3. Sea u = (1. 0). (3. Determine w1 y w2 tales que (a) w = 2u + 3v (c) w = 5 v 2 (b) u + w = 2u − v 9. −3) (b) u = (1. 5) (b) u = (0. w = (w1. 3). . que represente cada uno de los vectores siguientes. (a) u1 = −2 3 (b) u2 = 3 4 −3 (c) u3 = −3 0 (d) u4 = −3 −2 5 . 0). Repita el ejercicio 5 para (a) u = (−1. −2) (c) x = (5. −4). 1). 4) (d) (0. sección 1. 1). (0. 2. 18.Sec. −5) y w = (w1. 2) (e) (0. 2 17. v = (−2. 4) (f) (0. 4). −3) (d) u = (2. Determine la longitud de los vectores siguientes. 4). u – v. −1) (a) w = 2u (b) 3 x 2 =v (c) w + x = u 8. 0). 4) (b) u = (−4. 1) (d) (2. v = (−3. Determine el área del triángulo con vértices (3. 2) (c) (2. Determine el área del triángulo rectángulo con vértices (0. Determine la cabeza del vector (3. Determine un vector unitario en dirección x. 21. 0) (c) x = (−1. 5). 5. 4)? 14. 2) 6. v = (0. 2 4. 2). w2). 0) (b) (−2.1 Vectores en el plano 227 Términos clave Origen Valor absoluto Coordenada Eje coordenado Eje x Eje y Sistemas de coordenadas rectangulares (o cartesianas) 2-espacio Dirección de un segmento de recta dirigido Magnitud de un segmento de recta dirigido Vector Componentes de un vector Cabeza de un vector Cola de un vector Vectores iguales Longitud (magnitud o norma) de un vector Vectores paralelos Suma de vectores Múltiplo escalar de vectores Vector cero (nulo) Negativo de un vector Diferencia de vectores Fuerza resultante Producto punto Vectores perpendiculares (u ortogonales) Vector unitario 4. 19. 2) 2 (c) (−4. 4) y x = (−2. Grafique los puntos siguientes en R2. x2). v = (−2. Determine la distancia entre los siguientes pares de puntos. 2). 3). (a) u = (1. v = (−2. (0. −4) (d) (−4. (4. −3) (a) (2. 2) (a) (−2. −3) (b) x = (0. 3). Determine la cabeza del vector 5 . Determine un vector unitario en dirección x. v = (2. (5. (4. Verifique por medio de la fórmula 1 A = – (base)(altura). 2) y (3. Haga una gráfica. Determine la distancia entre los siguientes pares de puntos.3) de los vectores (1. Sea u = (−4. (4. v = (5. Trace un segmento de recta dirigido en R . −3). 2). Determine w1 y x2 de modo que c1 1 3 0 + c2 = .

Utilice la rutina vec2demo con cada uno de los pares de vectores siguientes.4. Determine la magnitud e indique en un dibujo la dirección de la fuerza resultante. Escriba cada uno de los vectores siguientes como una matriz de 2 × 1. Un barco es empujado por un remolcador con una fuerza de 300 libras. v = (1. v = [0 3] (b) u = [−3 1]. entonces cu = |c| u .) (a) u = [2 0]. 1 x x es un vector unitario en dirección x. Demuestre que (a) 1u = u (b) (rs)u =r (su). v = (3.) (a) u = [2 (c) u = [4 −2]. v = [2 2] (c) u = [5 2]. Determine todas las constantes a tales que los vectores (a. u4 = (−2. Demuestre que si u y v son paralelos. 1). ¿Cuáles de los vectores u1 = (1. donde r y s son escalares T. Determine todas las constantes a tales que los vectores (a. Demuestre que u + 0 = u. Para un par de vectores u = (x1. (En MATLAB se utilizan los corchetes. la rutina vec2demo gráfica u y v. −5) (c) u = (2. u + v. T. Una vez que los vectores u y v se han introducido a MATLAB. v = [−3 3] ML. entonces cos θ = ±1. Demuestre que si x es un vector no nulo. 1). Demuestre el teorema 4. 4). T. v = (4. y2) en el plano. Demuestre que u + (−1)u = 0.5. (a) u = (0. ¿Cuál será la rapidez resultante? Ejercicios teóricos T. utilice help vec2demo. Seleccione un par de vectores u y v para utilizarlos con vec2demo. . y1) y v = (x2. 2) y (a. (a) (1.8. 5) sean paralelos. y2). v = [−3 5] (b) u = [0 3].3.9. −3) 23. entonces w es ortogonal a ru + sv. Demuestre cómo podemos asociar un punto en el plano con cada par ordenado (x. u2 = (0.2. (En MATLAB se utilizan los corchetes. 26. 2). −4). u5 = (2. T. −2) sean ortogonales. (a) 3i – 2j (b) 2i (c) −2i – 3j 29. Sea θ el ángulo entre los vectores no nulos u = (x1. En una figura. −2) (d) u = (0. 0) (b) u = (2. 30. 2). 27. Determine el coseno del ángulo que forma cada par de vectores u y v. 2).2.6. que proporciona una muestra gráfica de vectores en el plano.3. Utilice la rutina vec2demo con cada uno de los pares de vectores siguientes. Demuestre que si c es un escalar. −1). entonces T. Escriba cada uno de los vectores siguientes en términos de i y j. 4) y (2. −1).7. donde r y s son escalares. v = [1 3] −1]. a lo largo del eje y negativo. 3) son (o están) (a) ortogonales? (b) en la misma dirección? (c) en direcciones opuestas? 25. −3) (c) (−2. indique la dirección aproximada que el aeroplano debe seguir para volar directamente hacia el sur. Demuestre que (a) i · i = j · j = 1 (b) i · j = 0 24. T. mientras que otro remolcador lo empuja en la dirección del eje x negativo con una fuerza de 400 libras. y) de números reales. y1) y v = (x2. u6 = (−6. T. 0) (d) (0. v = (−3. 3) (b) (−2.228 Capítulo 4 Vectores en Rn 22. u – v y un múltiplo escalar. v = [−2 0] ML. u3 = (−2. T.1. mientras el viento sopla hacia el oeste a 100 kilómetros por hora. u= Ejercicios con MATLAB Los ejercicios siguientes utilizan la rutina vec2demo. Suponga que un aeroplano vuela con una rapidez de 260 kilómetros por hora. ML. 3) 28.1. Demuestre que si w es ortogonal a u y a v.1. escriba vec2demo(u. v) Para obtener información adicional.

las componentes de un vector son escalares. un donde u1. lo examinaremos a detalle. .2 n-VECTORES En esta sección analizaremos los n-vectores desde el punto de vista geométrico. ⎣. . Como un u-vector es una matriz de n × 1. La suma de los vectores u y v es el vector ⎡ ⎤ u 1 + v1 ⎢ u 2 + v2 ⎥ ⎢ ⎥ ⎢ . que se llaman componentes de u. ⎡ OPERACIONES CON VECTORES DEFINICIÓN Sean ⎡ ⎤ u1 ⎢u 2 ⎥ ⎢ ⎥ u=⎢. vn EJEMPLO 1 ⎤ ⎡ ⎤ 1 1 ⎢−2⎥ ⎢−2⎥ Los 4-vectores ⎢ ⎥ y ⎢ ⎥ no son iguales. u2. . ⎦ . por lo tanto. Las componentes de un vector son números reales y. .⎦ .⎦ . Cuando no es necesario especificar el valor de n. un son iguales si ui = vi (1 i n). pues por lo menos uno de sus cuatro ⎣ 3⎦ ⎣ 3⎦ 4 −4 componentes difiere. El caso n = 3 es de interés especial. vn dos vectores en Rn.Sec. generalizando los conceptos que se estudiaron en la sección anterior. ⎥ y v=⎢. ⎥. ⎥ ⎣.3.⎥ ⎣.⎦ . ⎣ .⎥ ⎣. un n-vector es una matriz de n × 1 ⎡ ⎤ u1 ⎢u 2 ⎥ ⎢ ⎥ u = ⎢ . nos referimos a los n-vectores simplemente como vectores. ■ El conjunto de todos los n-vectores se denota mediante Rn.2 n-vectores 229 4. y se llama n-espacio. un y ⎡ ⎤ v1 ⎢v2 ⎥ ⎢ ⎥ v=⎢. un son números reales. . 4. los n-vectores ⎡ ⎤ ⎡ ⎤ v1 u1 ⎢u 2 ⎥ ⎢v2 ⎥ u=⎢. u n + vn y se denota como u + v.⎦ .⎦ ⎣. Los números reales se llaman escalares. Como ya hemos visto en la primera parte de la sección 1. . ⎥.

un es un vector en R y c es un escalar. Rn es cerrado bajo la operación de multiplicación por un escalar). ⎣ . ⎣−1⎦ ⎣ 2⎦ 2 −4 ⎡ EJEMPLO 3 ■ Las operaciones de suma de vectores y multiplicación por un escalar satisfacen las siguientes propiedades. u + v = ⎣−2 + 3 3 + (−3) 0 ⎡ ⎡ ■ DEFINICIÓN Si ⎡ ⎤ u1 ⎢u 2 ⎥ ⎢ ⎥ u=⎢.⎦ .230 Capítulo 4 Vectores en Rn EJEMPLO 2 ⎤ ⎡ ⎤ 1 2 Si ⎣−2⎦ y ⎣ 3⎦.2 Sean u. entonces 2 ⎡ ⎤ ⎡ ⎤ 2 −4 ⎢ 3⎥ ⎢−6⎥ cu = (−2) ⎢ ⎥ = ⎢ ⎥ . Rn es cerrado bajo la operación de suma de vectores). entonces 3 −3 ⎤ ⎡ ⎤ 1+2 3 ⎦ = ⎣1⎦ . (β) cu es un vector en Rn (es decir. existe un vector –u en Rn tal que u + (−u) = 0. Para cada vector u en Rn. (α) u + v es un vector en Rn (es decir. el múltiplo escalar cu de u por c es el vector ⎡ ⎤ cu 1 ⎢cu 2 ⎥ ⎢ ⎥ ⎢ . (e) (f) (g) (h) c(u + v) = cu + cv (c + d)u = cu + du c(du) = (cd)u 1u = u . ⎦ . ⎥. n cu n ⎤ 2 ⎢ 3⎥ ⎢ ⎥ Si u = ⎣−1⎦ es un vector en R4 y c = −2. ⎥ ⎣. TEOREMA 4. sean c y d escalares arbitrarios. (a) (b) (c) (d) u+v=v+u u +(v + w)= (u + v)+ w Existe un vector 0 en Rn tal que u + 0 = 0 + u = u para toda u en Rn. son vectores en R3. Entonces. v y w vectores cualesquiera en Rn.

un). . ⎣.⎦ ⎣ ⎦ ⎣ ⎦ . La clave aquí es que no importa cómo veamos a Rn. . el comportamiento algebraico es siempre el mismo. un 2 ■ con el punto (u1. ⎥ = ⎢ ⎥=⎢ ⎥ . entonces −u = ⎢ . . identificamos al vector ⎡ ⎤ u1 ⎢u 2 ⎥ ⎢. de modo que podamos utilizar indistintamente los puntos y los vectores. . Aquí verificaremos (f) y dejaremos el resto de la demostración al lector (ejercicio T.⎥ ⎣. la suma de vectores es la suma de matrices. Por lo tanto. . EJEMPLO 4 Si u y v son como en el ejemplo 2. y la multiplicación por un escalar es simplemente la operación de multiplicación de una matriz por un número real. . . ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ u1 (c + d)u 1 cu 1 + du 1 ⎢u 2 ⎥ ⎢(c + d)u 2 ⎥ ⎢ cu 2 + du 2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ (c + d)u = (c + d) ⎢ . como n-vectores.⎦ ⎣. Además. . Así.2) que −u = (−1)u. Resulta sencillo verificar (ejercicio T. un). un n-vector es una matriz de n × 1. u2. ⎣. ⎥ = c ⎢ . También escribiremos u + (−v) como u – v.2 n-vectores 231 Demostración (α) y (β) son consecuencia inmediata de las definiciones de suma vectorial y multiplicación por un escalar. ⎥ = cu + du. 0 ⎤ ⎡ ⎡ ⎤ −u 1 u1 ⎢−u 2 ⎥ ⎢u 2 ⎥ y si u = ⎢ .⎦ . ⎥. ⎥.⎦ ⎣ . . . un −u n tivo de u. podemos considerar Rn como si estuviera constituido por vectores o por puntos.1). . . . ⎥ + ⎢ . entonces ⎡ ⎤ ⎡ ⎤ 1− 2 −1 u − v = ⎣−2 − 3 ⎦ = ⎣−5⎦ . ⎡ ⎤ un ⎡ ⎤ cu n du n un un ■ Es fácil demostrar que los vectores 0 y –u en las propiedades (c) y (d) son únicos. u2. ⎡ ⎤ 0 ⎢0⎥ ⎢.⎦ . . Así. ⎦ . puntos o matrices de n × 1.⎦ ⎣.⎥ 0 = ⎣. 4. ⎦ ⎣ . . y lo llamaremos la diferencia de u y v. Rn se puede ver como el conjunto de todas las matrices de n × 1 con las operaciones de suma matricial y multiplicación por un escalar. y también podemos escribir u = (u1. ⎥ + d ⎢ . El vector 0 es el vector cero y −u es el nega⎣ . . .⎦ . Además. .Sec. (c + d)u n cu n + du n ⎡ ⎤ ⎡ ⎤ du 1 u1 u1 cu 1 ⎢u 2 ⎥ ⎢u 2 ⎥ ⎢cu 2 ⎥ ⎢du 2 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ = ⎢ . 3 − (−3) 6 Como en el caso de R .

O y 1 1 y 1 O x 1 (b) Sistema de coordenadas de mano izquierda. Si la tienda recibe un nuevo embarque de artículos. denominado origen. Figura 4. pero no siempre. a cada punto del espacio le asociamos una terna ordenada . El sistema que aparece en la figura 4. La proyección de un punto P en el espacio sobre una recta L es el punto Q que se obtiene al intersecar L con la recta L que pasa por P y es perpendicular a L (figura 4. hacen amplio uso de los vectores.27(a) se llama sistema de coordenadas de mano derecha.27(a) y (b) se muestran dos de los muchos sistemas de coordenadas posibles. Estas rectas se llaman ejes x. Estos tres números son las coordenadas de P. representado por el vector w.232 Capítulo 4 Vectores en Rn Los vectores en Rn se pueden utilizar para el manejo de grandes cantidades de datos. ■ VISUALIZACIÓN DE R3 No podemos trazar dibujos de Rn para n > 3. y el vector u–v representa el inventario al final de la semana. El siguiente ejemplo ilustra estas ideas. Así. En este libro utilizamos un sistema de coordenadas de mano derecha. De hecho. Un sistema de mano derecha se caracteriza por la siguiente propiedad: si doblamos los dedos de la mano derecha en la dirección de un giro de 90° desde el eje x positivo hasta el eje y positivo.29). entre los que destaca MATLAB. el nuevo inventario será u – v + w. El número de artículos vendidos al final de la semana puede describirse mediante el vector v. el pulgar apuntará en dirección del eje z positivo (figura 4. de modo que sea perpendicular a las otras dos.28).27(b) se llama de mano izquierda. el que aparece en la figura 4. Aplicación EJEMPLO 5 (Aplicación: control de inventario) Supongamos que una tienda maneja 100 artículos diferentes. varios productos de software para computadoras. cada una de las cuales pasa por el origen. llamadas ejes coordenados. como R3 es el mundo en que vivimos. Sin embargo. se escoge la misma unidad de longitud en los tres ejes coordenados. podemos visualizarlo de manera similar a la que utilizamos para R2. las coordenadas y y z se definen de manera análoga. Con frecuencia. En las figuras 4. Primero fijamos un sistema de coordenadas eligiendo un punto. En cada uno de los ejes coordenados elegimos un punto para fijar las unidades de longitud y las direcciones positivas. y y z. El inventario disponible al inicio de la semana se puede describir mediante el vector de inventario u en R100. y tres rectas.27 z z 1 1 x (a) Sistema de coordenadas de mano derecha. La coordenada x del punto P es el número asociado con la proyección de P sobre el eje x.

0. Para denotar un punto del espacio. a cada vector u = (x1.Sec. z) de números reales y. y2 − y1. 5. en las aplicaciones físicas trabajaremos con − → frecuencia con un segmento de recta dirigido PQ .30(a) y (b) mostramos dos puntos y sus coordenadas. Una vez más. y1. o simplemente vector con cola P(x1. ■ Figura 4. y1.31(b). y1. y2 − y1. y. cuya cola está en O(0. Por lo tanto. desde el punto P(x1. y2. y. z2). z2). 7) z y y (3. z1) [figura 4. z2 − z1) con cola O y cabeza P (x2 − x1. recíprocamente. de la figura 4. z).29 (x. los componentes de un vector u se denotan como x1. − 3 ) 2 x (a) x (b) El plano xy es el que está determinado por los ejes x y y.31(a)]. escribimos P(x. EJEMPLO 6 En las figuras 4. z1) (que es el origen) hasta el punto Q(x2. y. Los planos xz y yz se definen de manera similar. y1. también puede representarse mediante el vector (x2 − x1. u = (x1. a cada terna ordenada de números reales le asociamos un punto en el espacio. como se muestra en la figura 4.30 z (3. z1) y cabeza Q(x2. En R3. Esta correspondencia se llama sistema de coordenadas rectangulares. y2. Dos de estos vectores en R3 son iguales si sus componentes son iguales. y1. 6. z1). 4. En consecuencia. z1) le asociamos el segmento de rec− → ta dirigido OP .28 Figura 4. z) o simplemente (x.2 n-vectores 233 z L' O y P L Q x Figura 4.31(b). z1. Tal segmento de recta dirigido se llama también vector en R3. Como en el plano. . z2 − z1). y2 − y1 y z2 − z1. como en el plano. Sus componentes son x2 − x1. el − → vector PQ . 0) y cuya cabeza es P(x1. y1.

y x (b) Segmentos de recta dirigidos que representan el mismo vector. y1.31 z z Q(x2.0) x (a) Un vector en R3.17 de la sección 4. z2) v x2 x1 O y1 y2 y1 + y2 – 1u 2 O u 2u y y –u –2u x x1 + x 2 x Figura 4. z1 + z2) z z1 z2 (x1. PRODUCTO PUNTO EN Rn A continuación definiremos el concepto de longitud de un vector en Rn.33 Multiplicación por un escalar El múltiplo escalar en R3 se muestra en la figura 4. y1. z2 – z1) O(0.32 se parece mucho a la figura 4.14 de la sección 4. La suma u + v de los vectores u = (x1.32.32 Figura 4. generalizando la idea correspondiente en R2. y2. Pronto definiremos la longitud de un vector en Rn y el ángulo entre dos vectores distintos de cero en Rn. y1.234 Capítulo 4 Vectores en Rn Figura 4. pues en R2 y en R3 el vector u + v es la diagonal del paralelogramo determinado por u y v.0.1. z2) P(x1. que se parece a la figura 4. podremos demostrar que dos vectores distintos de cero en R3 son iguales si y sólo si cualesquiera segmentos de recta dirigidos que los representen son paralelos y tienen la misma dirección y la misma longitud. y2 – y1. z1) y v = (x2. z1) u u+ v (x2. z1) P(x1. z z1 + z2 (x1 + x2 . Una vez hecho esto. z2) en R3 es la diagonal del paralelogramo determinado por u y v. .33. y1 + y2 . y2. y1. como se muestra en la figura 4. z1) y O P"(x2 – x1. y2. El lector habrá observado que la figura 4.1.

esta distancia está dada por u−v (u 1 − v1 ) 2 + (u 2 − v2 ) 2 + · · · + (u n − vn ) 2 . un) y el origen mediante (1). De esta manera. no tienen que darse como definición. . En consecuencia. según la ecuación (2). . Si el vector p denota el precio de cada uno de los 100 artículos. EJEMPLO 8 Si u y v son como en el ejemplo 7. Ésta es exactamente la forma en que se definió el producto punto en R2. definido en la primera parte de la sección 1. Entonces. se pueden deducir con facilidad con dos aplicaciones del teorema de Pitágoras (ejercicio T. La distancia entre los puntos (2. . 1. un) y v = (v1. entonces. u2. Observe que en R3. . . . √ ■ u−v (2 − 4) 2 + (3 − 2) 2 + (2 − 1) 2 + (−1 − 3) 2 = 22. . Definiremos el coseno del ángulo entre dos vectores en Rn. análogo al teorema 4. u2. . 3). . 2. 3. 2. las ecuaciones (1) y (2) para la longitud de un vector y la distancia entre dos puntos. . . −1) y (4. + unvn. 2. u2. . Estableceremos estas propiedades en el siguiente teorema. . . (2) EJEMPLO 7 Sean u = (2. un) en Rn es u u2 + u2 + · · · + u2 . ■ Si u es un vector en Rn. podemos utilizar la definición de producto punto en Rn para escribir √ u u · u. 1. vn) son vectores en Rn.1. . La distancia entre los puntos (u1. ■ EJEMPLO 9 (Aplicación: control de ingresos) Consideremos la tienda del ejemplo 5. 3) es la longitud del vector u – v. donde u = (u1. . . . . generalizando la fórmula correspondiente en R2. 4. . .Sec. . n 1 2 (1) Asimismo. El producto punto en Rn satisface las mismas propiedades que en R2. El producto punto en Rn también se llama producto interior estándar (o canónico). un) y v = (v1. Si u = (u1.2 n-vectores 235 DEFINICIÓN La longitud (también llamada magnitud o norma) del vector u = (u1. primero debemos recordar el concepto de producto punto en Rn. . . . v2. . −1) y v = (4. vn). u2. el producto punto v·p proporciona el total de ingresos recibidos al final de la semana. v2. respectivamente. . . 3. u · v = (2)(4) + (3)(2) + (2)(1) + (−1)(3) = 13. u2. . 2. . su producto punto se define como u · v = u1v1 + u2v2 + . u v √ 22 + 32 + 22 + (−1) 2 = 18. . un) y (v1. . √ 42 + 22 + 12 + 32 = 30. definimos la distancia entre el punto (u1. v2. vn) se define entonces como la longitud del vector u – v. . . .3. Sin embargo.3).

con cuya hija contrajo nupcias. Su demostración. Ahora demostraremos un resultado que nos permitirá dar una definición útil para el coseno del ángulo entre dos vectores no nulos. Realizó importantes contribuciones a la naciente teoría de los determinantes. sería negativo para algún valor de r entre r1 y r2. Cauchy lo siguió de manera voluntaria a su exilio en Praga. pues a > 0) que es no negativo para todos los valores de r.3 (Propiedades del producto punto) Si u. o si las tiene. . TEOREMA 4.] Recordemos que las raíces de p(r) están dadas por la fórmula cuadrática como √ √ −2b + 4b2 − 4ac −2b − 4b2 − 4ac y 2a 2a *Augustin-Louis Cauchy (1789-1857) creció en un suburbio de París.236 Capítulo 4 Vectores en Rn TEOREMA 4. al estudio de las ecuaciones diferenciales ordinarias y parciales. a la teoría de los grupos de permutaciones y a los fundamentos del cálculo. v y w son vectores en Rn y c es un escalar. Esto significa que el polinomio no tiene raíces reales.3.4 (Desigualdad de Cauchy-Schwarz) Si u y v son vectores en Rn. donde además trabajó como maestro. buscó ciertos números asociados con las ecuaciones diferenciales.) Demostración Si u = 0. Devoto de la Iglesia Católica Romana. Ahora supongamos que u es distinto de cero. [Si p(r) tuviera dos raíces distintas r1 y r2. **Karl Hermann Amandus Schwarz (1843-1921) nació en Polonia. a la teoría de los valores propios. fundó la teoría de funciones de variable compleja. de modo que se cumple (3). entonces u = 0 y u · v = 0. Sus principales contribuciones a las matemáticas se dieron en los aspectos geométricos del análisis. En relación con lo anterior. aunque no es difícil.4. entonces |u · v u v . mismos que desde entonces se han llamado valores propios. Cauchy escribió siete libros y más de 700 artículos de calidad variable. La desigualdad anterior se utilizó en la búsqueda de estos números. tenía gran interés en las obras de caridad. quienes gobernaron en Francia después de la caída de Napoleón.34 Ahora. tampoco es muy natural. además. Fue protegido de Karl Weierstrass y Ernst Eduard Kummer. ya que comienza de una manera ingeniosa. y y = p(r) donde a = u · u. cuyo contenido abarcaba todas las ramas de las matemáticas. en particular a los reyes Borbones. b=u·v y c = v · v. (3) (Observe que el símbolo | | representa el valor absoluto de un número real. Sea r un escalar y consideremos el vector r u + v. p(r) = ar + 2br + c es un polinomio cuadrático en r (cuya gráfica es una parábola que abre hacia arriba. conocido como desigualdad de Cauchy*-Schwarz**. como las transformaciones conformes y las superficies mínimas. Asistió a la École Polytechnique y a la École des Ponts et Chausées. Cuando Carlos X fue derrocado en 1830.34. entonces: (a) (b) (c) (d) u · u * 0. en donde fue vecino de varios de los principales matemáticos de la época. u · u = 0 si y sólo si u = 0 u·v=v·u (u + v) · w = u · w + v · w (cu) · v = u · (cv) = c(u · v) ■ Demostración Ejercicio T. pero fue educado en Alemania. son iguales. También mostró enorme inclinación a la realeza. De acuerdo con el teorema 4. el símbolo denota la longitud de un vector. 0 (ru + v) · (ru + v) = r 2u · u + 2 ru · v + v · v = ar 2 + 2br + c. y durante un tiempo practicó la ingeniería. Este resultado. como se ve en la figura 4. tiene muchas aplicaciones importantes en matemáticas. 2 r1 r2 r Figura 4.

Bunyakovsky hizo contribuciones importantes a la teoría de números. EJEMPLO 11 Sean u = (1. Entonces √ √ u 2. podemos aplicar la ley de los cosenos para establecer que el coseno del ángulo entre u y v está dado por (4).35) para 0 θ π. 4. luego tuvo una larga carrera como profesor. en Rusia este resultado se conoce como desigualdad de Bunyakovsky*. para Rn. Se doctoró en París en 1825. u v 0 ≤ θ ≤ π. 0. Murió en San Petersburgo. 1). 1]. n > 3. tenemos que definirlo como (4). Si u y v son como en el ejemplo 7. . u v Al examinar la parte de la gráfica de y = cos θ (vea la figura 4. Al sacar las raíces cuadradas de ambos lados y observar que √ √ c = v·v v . 1. y también trabajó en geometría. y realizó estudios adicionales en San Petersburgo. u · v = 13. una minoría de autores se refiere a él como desigualdad CBS. Por lo tanto. cos θ = y θ = 60° o – radianes. 1) y v = (0. √ √ a = u·u = u . ■ Utilizaremos la desigualdad de Cauchy-Schwarz para definir el ángulo entre dos vectores distintos de cero en R n. Por lo general. lo cual significa que b2 4ac. la desigualdad de Cauchy-Schwarz implica que EJEMPLO 10 u·v u v o ≤1 −1 ≤ u·v ≤ 1. Si u y v son vectores distintos de cero.Sec. En el caso de R3. existe un único número real θ tal que cos θ = r. ■ Observación El resultado conocido ampliamente como la desigualdad de Cauchy-Schwarz (teorema 4.2 n-vectores 237 (a 0 pues u 0). En un intento por distribuir el crédito del resultado entre los tres. v 2 En consecuencia. 0. En Francia suele hacerse referencia a él como desigualdad de Cauchy. 3 ■ *Viktor Yakovlevich Bunyakovsky (1804-1889) nació en Bar. vemos que para cualquier número r en el intervalo [−1. 25 años antes que Schwarz publicase la suya. mecánica aplicada e hidrodinámica. Esto implica que hay un único número real θ tal que cos θ = u·v . y en Alemania se cita frecuentemente como desigualdad de Schwarz. Su demostración de la desigualdad de Cauchy-Schwarz apareció en una de sus monografías en 1859. Ambas raíces son iguales o no existen raíces reales si 4b2 – 4ac 0. Sin embargo. de acuerdo con el ejemplo 8. y 1 2 u · v = 1. Ucrania. 0. (4) El ángulo θ es el ángulo entre u y v. √ √ |u · v| = 13 u v 18 30.4) proporciona un buen ejemplo de cómo los sentimientos nacionalistas desempeñan un papel importante en la ciencia. obtenemos (3).

35 y 1 – 3π 2 π 2 –1 π 2 θ 3π 2 – Es muy útil hablar de ortogonalidad y paralelismo en Rn. 1. . concluimos que u y w tienen la misma dirección. y el coseno del ángulo entre u y w es 1 (verifique). u √ 2. TEOREMA 4. diremos que los vectores son ortogonales.36). tenemos u+v 2 = (u + v) · (u + v) = u · u + 2(u · v) + v · v = u 2 + 2(u · v) + v 2. EJEMPLO 12 Considere los vectores u = (1. en Rn. 0. Entonces u·v=0 y v · w = 0. y tienen la misma dirección si cos θ = 1. tenemos v u 2 + 2(u · v) + v 2 u 2+2 u v + v = ( u + v )2. u y v. Si uno de los vectores es el vector cero. Tienen la misma dirección si u · v = u v . 0. que demostramos a continuación.5 (Desigualdad del triángulo) Si u y v son vectores en Rn. v = (0. Demostración De acuerdo con la definición de la longitud de un vector. son ortogonales si cos θ = 0. En consecuencia. por ello formularemos a continuación las siguientes definiciones. 2 O u Obtenemos el resultado deseado al calcular las raíces cuadradas. DEFINICIÓN Dos vectores distintos de cero. Tenemos u · w = 6. 1. u·w u w . 0. paralelos si cos θ = ±1. ■ Figura 4. 3).36 Desigualdad del triángulo La desigualdad del triángulo en R2 y R3 simplemente establece que la longitud de un lado de un triángulo no excede la suma de las longitudes de los otros dos lados (figura 4. Es decir. lo cual implica que tanto u y v como v y w son ortogonales. Según la desigualdad de Cauchy-Schwarz. 0) y w = (3. son ortogonales si u · v = 0. w √ 18. Decimos que son paralelos si |u · v| = u v .238 Capítulo 4 Vectores en Rn Figura 4. 0. 1). ■ Una consecuencia de la desigualdad de Cauchy-Schwarz es la desigualdad del triángulo. entonces u+v u + v .

■ Otro resultado útil es el teorema de Pitágoras en Rn: si u y v son vectores en Rn. .10). como x = rio en dirección x. 1) ■ son vectores unitarios en Rn. 0. DEFINICIÓN Un vector unitario u en Rn es un vector con longitud 1. . . u = 2i – j + 3k. . 0). 0. . −1.Sec. 0.8 analizaremos tales conjuntos de vectores con más detalle. podemos escribir u en términos de i. . 2 0. observamos que las columnas de In forman un conjunto de n vectores que son ortogonales entre sí. u se puede escribir como una combinación lineal de e1. que son mutuamente ortogonales. 1). . en. . . en = (0. 0. . Si u = (u1.37 Vectores unitarios en R3 z k j i O y x EJEMPLO 15 Si u = (2. . y1. El vector ei. Así.2 n-vectores 239 EJEMPLO 13 Para u y v como en el ejemplo 12. . e2 = (0. u2. el vector u = 1 √ (1. un) es cualquier vector en Rn. 1 x x EJEMPLO 14 Si x = (1. e2. En la sección 6. 1) es un vector unita■ En el caso de R3. 0). . como u = u1e1 + u2e2 + · · · + unen. . Si x es un vector distinto de cero. . Figura 4. entonces u+v 2 = u 2 + v 2 si y sólo si u y v son ortogonales (ejercicio T. 1. . 0. los vectores unitarios en las direcciones positivas de los ejes x. 0). . Los n-vectores e1 = (1. . 1 i n se puede ver como la i-ésima columna de la matriz identidad In. 0) y k = (0. . 1. √ 2 . y y z se denotan como i = (1. 0. z1) es cualquier vector en R3. Si u = (x1. como u = x1i + y1j + z1k. . 3). 1). . como se muestra en la figura 4. j y k. . 0. . entonces el vector u= es un vector unitario en dirección x. 4.37. . tenemos √ √ √ u+v 4=2< 2+ 2 u v . j = (0. .

como se ilustró en la sección 1. 1) o o 1 0 0 . i = e1 se denota mediante (1. siempre y cuando utilicemos aritmética binaria. 0. i = e1 j = e2 En R 3 . 0) o k = e3 se denota mediante (0. 1) o La sección 5.39 . Las operaciones vectoriales de suma y multiplicación por un escalar son válidas para los vectores en Bn. 0. 0) (1. así que pueden estudiarse en este momento.38 Figura 4.39. Producto cruz en R3.240 Capítulo 4 Vectores en Rn Resumen de notaciones para vectores unitarios en R2 y R3 En R 2 . 1) (1. constituye una ilustración de los vectores en B3. Las coordenadas de los vértices del cubo corresponden al conjunto de 3-vectores binarios.2 definimos un n-vector binario como una matriz de 1 × n o de n × 1 en la que todas las entradas son 0 o 1. 0) (0. 0) (1. Sea Bn el conjunto de todos los n-vectores binarios.2 para Bn. 0) [1 0 0] [1 1 0] [0 1 0] Figura 4. 1) (0. y la sección 5. n-VECTORES BINARIOS (OPCIONAL) En la sección 1. En esta sección se presentó un modelo visual para R3. Observe que B3 tiene un número finito de vectores. 1. 1 j = e2 se denota mediante (0. 1. Existe un modelo similar. 1. 0. Rectas y planos. 1) [1 0 1] [1 1 1] [0 0 1] [0 1 1] (0. Además. utilizan el material de esta sección. el producto punto de n-vectores binarios está bien definido. mientras que R3 tiene una infinidad de ellos. pero más restringido. para B3.38.10 de la sección 1. Asimismo. 1 ⎡ ⎤ 1 ⎣ 0⎦ 0 ⎡ ⎤ 0 ⎣ 1⎦ 0 ⎡ ⎤ 0 ⎣ 0⎦ . 1. 1) (1. en donde sólo se permiten los escalares 0 y 1. 0. 0.2. El cubo unitario.1. (0. 1. puede verificarse el teorema 4. Los vectores distintos de cero de B3 se muestran en la figura 4.) Estos vectores pueden representarse de manera geométrica como segmentos de recta dirigidos que inician en el origen y terminan en un vértice del cubo. 0) o se denota mediante se denota mediante (1. que se muestra en la figura 4.3. (Vea el ejercicio T.2. 0. 0) (0.

32 y 4. (Vea los ejercicios 38. existe un vector no nulo en B3 tal que u u · u = 0. 1. 0) de B3. . . . De esto resulta que la desigualdad de Cauchy-Schwarz. No todas las propiedades del producto punto. . 1. los n-vectores binarios e1 = (1. T. . . ángulo entre vectores. no se generaliza para vectores en B3. 0). . . ■ Esta deficiencia significa que el concepto de longitud de vectores.20 y T. son válidas para Bn. Vea el ejemplo 16. . . 0. no son aplicables a Bn. . .33 para R3.2 n-vectores 241 Desafortunadamente no existe una convención geométrica análoga para las operaciones con 3-vectores binarios que corresponda a la construcción que se muestra en las figuras 4. e2 = (0. .21). EJEMPLO 16 Sea u = (1. . Sin embargo. 39. 0). 0.3. . Entonces u · u = (1)(1) + (1)(1) + (0)(0) = 1 + 1 + 0 = 0. . 4. como se definió para Rn. vectores ortogonales y la desigualdad del triángulo. 1) pueden emplearse para expresar cualquier vector u en Bn como n u = u 1 e1 + u 2 e2 + · · · + u n en = j=1 u jej. . enumeradas en el teorema 4.Sec. en = (0. √ Por lo tanto.

Por ejemplo. luego se hace una generalización a R3.6 0. cuando se traza una curva en una computadora o una calculadora gráfica.8 0.2 0 0 0.4 0. En la figura B mostramos y = sen x y luego sus aproximaciones con 5 y 15 segmentos de recta con la misma separación entre ellos.242 Capítulo 4 Vectores en Rn Vista preliminar de una aplicación Producto cruz en R3 (sección 5.5 2 2. Una operación sobre vectores que sólo es válida en R3 es el producto cruz de dos vectores. se unen numerosos segmentos de recta. 1 0.4 0.5 2 2. u v v u Figura A La operación producto cruz es útil en el estudio de planos y en otras aplicaciones de matemáticas.5 2 2.5 1 1. mientras más cortos sean los segmentos de recta. En general. Vea la figura A. y finalmente se generaliza aún más. .1 proporciona las propiedades básicas de la operación producto cruz. La sección 5. También es una de las curvas más útiles.2 0 0 0.5 3 3.5 3 3. todas las operaciones sobre vectores estudiadas en este texto han iniciado con la definición de la operación en R2.5 1 0. Si u = u1i + u2j + u3k y v = v1i + v2j + v3k son vectores en R3. un vector perpendicular al plano determinado por u y v.2) La curva más sencilla en R2 es una línea recta. lo cual aproxima la curva.5 1 1. Rectas y planos (sección 5. a vectores en Rn. mejor será la aproximación.5 1 1.2 0 0 0.8 0. pues nos permite aproximar cualquier otra curva.6 0.6 0.4 0.1) Hasta el momento.5 3 3. definimos su producto cruz como u × v = (u2v3 – u3v2)i + (u3v1 − u1v3)j + (u1v2 − u2v1)k.8 0.5 Figura B La recta L de la figura C se describe mediante la ecuación vectorial x = w0 + tu − <t< .5 1 0.

la superficie más sencilla en R3 es un plano. En la sección 5. y. z 0 (x 0.2 se presenta una breve introducción a las rectas y los planos desde el punto de vista del álgebra lineal. . P0 w0 O x P(x. z) P0(x0. z0) O x y Figura C Figura D De manera análoga.Sec. z) L tu y n P(x. 4. y. Con los planos es posible aproximar una superficie más complicada.2 n-vectores 243 z z ) y 0. y0. z) que satisfacen la ecuación −→ − n · P0 P = 0. El plano π que aparece en la figura D queda descrito como el conjunto de puntos P(x. y.

2. 2. (0. 0. −1)? 15. 0. (1. 2. 3) (b) (2. −1. 3). 1.2. (2. −1. Repita el ejercicio 1 para ⎡ ⎤ ⎡ ⎤ 2 3 (a) u = ⎣ 0⎦. (4. 5) (c) (0. 0. (3. cuya cola es (1. 1. −4) 2. 1. −2. Determine la longitud de los siguientes vectores. 3. (a) (2. 3. 4) (d) (1. 1 u = ⎣−2⎦ . c y d de modo que (a) w = 3u (b) w + x = u (c) w – u = v 5. 3) es una combinación lineal de los vectores (1. (b) (1. −1 −2 −4 0 (b) w + v = u 4. 3. 2u y 3u – 2v si (a) u = (1. ¿El vector (2. 2. w = (−3. 0. 2. 2. Determine a. (2. 3 ⎡ ⎤ a w = ⎣−1⎦ . −1). 1. 0) 7. 2) (d) (1. 2. −2. 3). −1) (b) u2 = (0. (3. 5. v = (0. De ser posible. (2. v = ⎣ ⎦ −3 5 0 −2 3. −1) (c) u3 = (0. 4. c = 2 y d = 3. 2). −1. −2. 3. −4) (b) (4. 0) Determine a. 3). (a) (2. c. 3). 2). −1. b) y x = (2. 6). 0. v = (−1. 3). −1) 14. 3 ⎡ ⎤ 3 x = ⎣ c⎦ . −1. −1. 3. Determine la distancia entre los siguientes pares de puntos. −4) (e) (0. (a) u1 = (2. v = (3. −3. (0. y y z Coordenadas Sistema de coordenadas rectangulares Planos xy. Sean u = (4. −3. −2. 0. −1. −2) (b) u = (4. Determine la longitud de los siguientes vectores. 5). −2. b y c de modo que 12. 1) y (−1. c2 y c3. 2. Grafique los siguientes puntos en R3. Determine la distancia entre los siguientes pares de puntos. b (a) w = 1 u 2 ⎡ ⎤ −3 v = ⎣−1⎦ . 6. 4) 3 13. 2. 3) (d) (−1. −2. Trace un segmento de recta dirigido en R que represente cada uno de los siguientes vectores. 0. w = (a. (a) (3. y y z Sistema de coordenadas de mano derecha Sistema de coordenadas de mano izquierda Coordenadas x. 4.−2. −4) (d) (3. 4) (d) (0.2 Ejercicios 1. 4). Sean u = (4. xz y yz Vector Vectores iguales Longitud (magnitud o norma) de un vector Distancia entre puntos (o vectores) Producto interno estándar (o canónico) Desigualdad de Cauchy-Schwarz Ángulo entre vectores Desigualdad del triángulo Vector unitario Ley del paralelogramo 4. Determine la cabeza del vector (3. u − v. 1). 2. 10. 5. −2. 1) (b) (4. 4) (b) (0. 2) (b) (1. 0. 0. 2. Sean 8. (a) (1. 0). 3). Para cada una de los siguientes pares de puntos en R3. 1) 9. 1. determine escalares c1. −3. 4. 1. −6. −3). 1. 5) (d) (1. −5. 1) (c) (−1. 0. b. 2. 2 (c) w + x = v ⎡ ⎤ (a) (1. (−1. 2) 11. 4) (c) (−1. 3). 2).244 Capítulo 4 Vectores en Rn Términos clave Componentes de un vector Vectores iguales n-espacio Escalares Suma de vectores Multiplicación por escalares de vectores Vector cero Negativo de un vector Diferencia de vectores Sistema de coordenadas Ejes coordenados Ejes x. v = (3. 0) (a) (1. −3. −1. (3. v = ⎣2⎦ −4 1 ⎡ ⎤ ⎡ ⎤ −3 2 ⎢ 5⎥ ⎢ 1⎥ (b) u = ⎣ ⎦. de modo que ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 3 0 c1 ⎣ 2⎦ + c2 ⎣ 3⎦ + c3 ⎣ 7⎦ = ⎣0⎦ . 1. 4. −2. 3. determine el vector asociado con el segmento de recta dirigido cuya cola es el primer punto y cuya cabeza es el segundo. 0. 5. (0. (−3. d. −3). 0). −1). 1). 1. −1. no todos nulos. 0. −3). 0. −2. 0. 0. 1). 2) (c) (0. −3) (c) (1. Determine u + v. 1. −4. 2) (c) (0. Verifique las propiedades (a) a (h) del teorema 4. 0) .

Ejercicios teóricos T. 2. 2. −1. −1) (d) u = (0. 0. 1). 4. 3). 4). −1. −1. 2. 3. 2. 3). 3. 2. (a) u = (1. j y k. u4 = (1. −1) (b) x = (0. La información. 0) (c) x = (−1. 2. que tiene a su servicio 2000 empleados. 1. bocinas y grabadoras que están a la venta en una tienda de artículos de sonido. Determine todas las constantes a tales que (1. −1). b. 1. −1. en R5. 0. 1. 0. Sea u = (1. Verifique el teorema 4. reproductores de discos compactos. 1). Determine el coseno del ángulo entre cada par de vectores u y v. 0). 0). 2. 80. El vector v = (200. 1). Verifique el teorema 4. 3. 3). 0. 1. 1. 1. −1. Determine c de modo que el vector v = (2. 0. 2) y P3(7. −3) (b) (2. para la longitud de un vector y la distancia entre dos puntos. 2. 0) 22. 10) proporciona el número de receptores.Sec. 2. 37. anota el salario de cada uno como un componente de un vector u en R2000. Los ejercicios 36 a 39 implican el uso de matrices binarias. 32. 4. 80. 0. (a) (1. u5 = (1. 1). 2. 31. −1) y u2 = (−2. b y c. 2) = 5. v = (0. (a) u = (2. (a) x = (1. de modo que v = (a. 3) (c) x = (0. 0. (a) x = (2. 27. 25. 2. (a) 2i + 3j – 4k (b) i + 2j (c) −3i (d) 3i – 2k Verifique que el triángulo con vértices P1(2. determine una expresión que utilice u y establezca todos los nuevos salarios. 3). se presenta en dos vectores. respectivamente. v = (−3. 3. en una semana dada. −2. Determine el coseno del ángulo entre cada par de vectores u y v. 0) (b) son paralelos? 35. 1. juego de bocinas y grabadora. 3. 0. ¿Qué le indicaría el producto punto u · v al propietario de la tienda? Una correduría bursátil registra los valores máximo y mínimo del precio de las acciones de IBM cada día. v = (2. 2. −4). 0. 120. 0. −1) (c) (0. 30. utilizando el teorema de Pitágoras. 33. 3). −3). 2). v = (3. Verifique que el triángulo con vértices P1(2. c. 1).2. 3. 1) es un triángulo rectángulo. 6. 1. Verifique la desigualdad del triángulo para u = (1. −2. 0) (b) u = (1. −2. −1. 2. 34. 5) (b) u = (0. 0. 0) (d) u = (2.1. −3. P2(3. 17. Si se ha aprobado un incremento salarial general de 8%. v = (1. −2. 1). ¿Cuáles de los vectores u1 = (4. 1.3 para c = 3 y u = (1. 1). u6 = (0. 4) es isósceles. v = (0. T. 2. 4) Escriba cada uno de los siguientes vectores en R3 en términos de i. −4) (a) son ortogonales? (c) tienen la misma dirección? 24. no todos nulos. 20. 2. 2. 3. Demuestre el resto del teorema 4. . donde u = (a. −4). 18. −1. los cuales proporcionan los valores máximo y mínimo. Demuestre que –u = (−1)u. ¿Existe más de un vector v? Explique. P2(3. 70) representa el precio (en dólares) de cada receptor. T. a) y v = (a. Determine un vector unitario en dirección x. determine a. 0. −8). Sea u = (0. De ser posible. 2. 3). 0. −1) 21. 38. 30.3. 0. −1.2 n-vectores 245 16. −2) Escriba cada uno de los siguientes vectores en R3 como una matriz de 3 × 1. 26. −1. a. −1. El vector u = (20. −3. reproductor de discos compactos.2. 36. 2. ¿Existe más de un vector v? Explique. Determine un vector v en B4 tal que u + v = 0. −2) (c) u = (2. Determine un vector v en B4 tal que u + v = 0. −5. Determine todos los vectores v en B3 tales que u · v = 0. v = (−4. Determine un vector unitario en dirección x. −3. 39. 1. 3) sea ortogonal a w = (1. 3. Demuestre que (a) i · i = j · j = k · k = 1 (b) i · j = i · k = j · k = 0 23. 0. 0. v = (2.4 para u y v como en el ejercicio 18. 3. u3 = (−2. 2) y P3(−3. Sea u = (1. −4) y w = (1. −2. Determine todos los vectores v en B4 tales que u · v = 0. 2) (d) (0. −2) (d) x = (0. 4. t y b. 2. 0. 0. Establezca las ecuaciones (1) y (2) en R3. Un gran fabricante de acero. Sea u = (1. 3. −1) y v = (1. 1). 19. Determine todas las constantes a tales que u · v = 0. 0) (c) u = (0. 29. c) sea ortogonal a los dos vectores w = (1. 1) y x = (1. 2). 2. ¿Cómo sería la expresión que muestra los valores diarios promedio del precio de las acciones de IBM durante toda la semana? 28. 4) (d) x = (0. respectivamente. −1) (b) x = (1. v = (−3.

Determine el “negativo” de cada vector en B4. 3) ML. Demuestre que (a) d(u. 3) (c) u = (1. Suponga que u es ortogonal a v y w.4. v = (−1. ML. Demuestre que si u · v = u · w para toda u. 6. Determine la norma o longitud de cada uno de los siguientes vectores mediante MATLAB. C(1.20. Demuestre que si u · v = 0 para todo vector v. 3.3. demuestre que u= 1 x x (a) Determine Vu. v = −u ML. 5. T. el cual tiene vértices en R3. −1. 4. −5) (b) u = (3. 4).246 Capítulo 4 Vectores en Rn T. 4. w) u+v d(u.21. Demuestre que u · v = 1 4 u+v 2 − 1 4 u − v 2.11. −5. 2. (Teorema de Pitágoras en R ) Demuestre que u + v 2 = u 2 + v 2.) ML. ˜ (c) ¿Vu junto con Vu contiene todos los vectores de B4? Explique.6. 1. Si x es un vector distinto de cero.14.17.13. Defina la distancia entre dos vectores u y v en R como d(u. 5). 4.6. 3). 0. −5. ˜ (b) Determine Vu. Sea u = (1. w) 2 n n es un vector unitario en dirección x. el conjunto de todos los vectores v en B4 tales que u · v = 0. 2) ML. ⎡ ⎤ ⎡ ⎤ 1 ⎡ ⎤ 0 ⎢0⎥ 2 ⎢ 4⎥ ⎢ ⎥ (a) u = ⎣ 2⎦ (b) v = ⎢ ⎥ (c) w = ⎢1⎥ ⎢ ⎥ ⎣−3⎦ ⎣0⎦ −1 0 3 ML. −2). −1. v) Utilice vec3demo con cada uno de los siguientes pares de vectores de R3. 0. si y sólo si u · v = 0. 0. pero no es paralelo a u ni a w. Determine el “negativo” de cada vector en B3. v = (7. 1.12. 0. T. −3) (c) u = (1. T. Demuestre que Ax · y = x · ATy. T. . 6. Los ejercicios T. 2. Demuestre que u · (v + w) = u · v + u · w. −5). Determine las longitudes de los lados del triángulo ABC. Para un par de vectores u y v.21 implican el uso de matrices binarias. −1. (a) Determine Vu. T. y un múltiplo escalar.7. 2). Demuestre que z es ortogonal a v.2. v) + d(v. (a) u = (5. −2) (c) u = (4. u) (d) d(u. 2. 1). Ejercicios con MATLAB Para utilizar MATLAB en esta sección. 0).10. v = (2. v = (−1. Demuestre que u es ortogonal a cualquier vector de la forma rv + sw. donde r y s son escalares. 2. escriba vec3demo (u. entonces v = w. v = (3. Determine con MATLAB la distancia entra cada uno de los siguientes pares de vectores. T. Sea u = (1.9. (a) u = (2. 2. entonces u = 0. el conjunto de todos los vectores v en B4 tales que u · v 0. donde |c| es el valor absoluto de c. Una vez introducidos los vectores a MATLAB. 2). T. 1). la rutina vec3demo grafica u y v. tenemos vec3demo.3. ⎡ ⎤ ⎡ ⎤ 2 2 (a) u = ⎣0⎦. 2 T. v y w los vectores definidos en el ejemplo 12. como sigue: √ u u · u. 4). ˜ (b) Determine Vu. v = ⎣−1⎦ 3 1 (b) u = (2. el conjunto de todos los vectores v en B3 tales que u · v = 0. −4). entonces cu =|c| u . T.19.18. Demuestre la ley del paralelogramo: + u−v 2 =2 u 2 +2 v . Sea z = (0. 1. deberá haber leído antes la sección 12.4. 1. T. 3. v) = 0 si y sólo si u = v (c) d(u. 0. Sea A una matriz de n × n. Como ayuda para visualizar las operaciones vectoriales en R3. Determine todos los vectores en B3 tales que v · v = 0. u + v y u – v. 1) (b) u = (3. T. Determine el producto punto de cada uno de los siguientes pares de vectores mediante MATLAB. T. −1. V = (0. La norma o longitud de un vector se puede calcular mediante productos punto.1. v) = d(v. B(4. v) * 0 (b) d(u. v = (6. 1). 2. Demuestre que si c es un escalar. ˜ (c) ¿Vu junto con Vu contiene todos los vectores de B3? Explique. T. Esta rutina proporciona un despliegue gráfico de los vectores en el 3-espacio.15. el conjunto de todos los vectores v en B3 tales que u · v 0. T.6. T. 1.5. T. 0). Sean u. (Sugerencia: determine un vector para cada lado y calcule su longitud. −2.16.v) = u −v .17 a T.5.8. Demuestre el teorema 4. dados por A(1. T. y sean x y y vectores en Rn.

toda transformación matricial es una transformación lineal.5 definimos una transformación matricial como una función L : Rn → Rm. 2. definida por L(u) = Au. Puesto que Rn puede considerarse como una sucesión de puntos o vectores.5 hablamos de las transformaciones matriciales. 0.2.2. (b) L(ku) = kL(u). 0) (b) u = (2.Sec. DEFINICIÓN Una transformación lineal L de Rn en Rm es una función que asigna a cada u en Rn un único vector L(u) en Rm. −4. Si n = m. v = (0. para cada u en Rn y cada escalar k. y estudiaremos sus propiedades con más detalle. . para cada u en Rn. 4. v = (0. Sea A una matriz de m × n. ML. v = (2. El vector L(u) en Rm se denomina imagen de u. Al verificar que se cumplen las propiedades (a) y (b) de la definición anterior. 4. 2.8. de modo que: (a) L(u + v) = L(u) + L(v). si c es un escalar.7. funciones que transforman Rn en Rm. L(u) también puede tomarse como punto o como vector de Rm. 0. Se dice que una función T de Rn en Rm es no lineal si no es una transformación lineal. 3. Escribiremos el hecho de que L manda Rn en Rm.3 Transformaciones lineales 247 En MATLAB. Utilice MATLAB para determinar el ángulo entre cada uno de los siguientes pares de vectores (para convertir el ángulo de radianes a grados. si los n-vectores u y v se ingresan como columnas. En esta sección presentaremos un enfoque alternativo a las transformaciones matriciales. entonces L(cu) = A(cu) = c(Au) = cL(u). Si u y v son vectores en Rn. ML. 4. para cada u y v en Rn.9. multiplique por 180/pi). aunque no sea una transformación lineal. el lado derecho de la expresión anterior se calcula como sqrt(dot(u. 2). entonces u *v o v *u proporciona el producto punto de los vectores u y v. A continuación denotaremos una función que transforma Rn en Rm por L.5. como L : Rn → Rm. una transformación lineal L : Rn → Rm es llamada también operador lineal en Rn. −1). 2. (a) u = (3.3 TRANSFORMACIONES LINEALES En la sección 1. enseguida demostraremos que cada transformación matricial es una transformación lineal. En el capítulo 10 consideraremos transformaciones lineales desde un punto de vista mucho más general. El conjunto de todas las imágenes en Rm de los vectores en Rn es el rango de L. 0) ML. u)) Verifique este procedimiento alternativo con los vectores del ejercicio ML. Además. −1. entonces L(u + v) = A(u + v) = Au + Av = L(u) + L(v). Verifíquelo con los vectores del ejercicio ML. 0. 0). Emplee MATLAB para determinar un vector unitario en la dirección de los vectores del ejercicio ML. En MATLAB. 1) (c) u = (1. Por lo tanto. En la sección 1.

Contracción: L : R3 → R3 se define mediante L(u) = ru para 0 < r < 1. Rotación en sentido contrario a las manecillas del reloj. k 1 EJEMPLO 1 Sea L : R3 → R2 definida como ⎛⎡ ⎤⎞ u1 u1 + 1 L ⎝⎣u 2 ⎦⎠ = . por lo que concluimos que L es una transformación no lineal. u2 − u3 v2 − v3 (u 2 − u 3 ) + (v 2 − v3 ) Como las primeras coordenadas de L(u + v) y L(u) + L(v) son diferentes. u2 u3 Dilatación: L : R3 → R3 se define con L(u) = ru para r > 1. L(u + v) L(u) + L(v). sean ⎡ ⎤ ⎡ ⎤ v1 u1 y v = ⎣v2 ⎦ . −u 2 Proyección al plano xy: L : R3 → R2 se define mediante ⎛⎡ ⎤⎞ u1 u L ⎝⎣u 2 ⎦⎠ = 1 . (u 1 + v1 ) + 1 . Reflexión respecto del eje x: L : R2 → R2 se define mediante L u1 u2 = u1 . ⎛⎡ ⎤⎞ ⎛⎡ ⎤ ⎡ ⎤⎞ v1 u 1 + v1 u1 L(u + v) = L ⎝⎣u 2 ⎦ + ⎣v2 ⎦⎠ = L ⎝⎣u 2 + v2 ⎦⎠ u3 v3 u 3 + v3 = Por otra parte.5. 0 1 donde k es un escalar. en un ángulo R2 → R2 se define mediante : L: L(u) = cos φ − sen φ u. ■ . 1 0 u. sen φ cos φ Inclinación en dirección x: L : R2 → R2 se define mediante L(u) = 1 k u. resumiremos a continuación las transformación matriciales que se presentaron en la sección 1. u = ⎣u 2 ⎦ u3 v3 Entonces. (u 2 + v2 ) − (u 3 + v3 ) L(u) + L(v) = u1 + 1 v +1 (u 1 + v1 ) + 2 + 1 = . Inclinación en dirección y: L : R2 → R2 se define con L(u) = donde k es un escalar. u2 − u3 u3 Para determinar si L es una transformación lineal.248 Capítulo 4 Vectores en Rn Por conveniencia.

. 2). Demostración TEOREMA 4. Como w 2w. entonces T es una transformación no Demostración T (0 R n ) = T (0 R n + 0 R n ) = T (0 R n ) + T (0 R n ). podemos calcular L(u) para u en R3 bajo la transformación lineal L : R3 → Rn si conocemos L(i).2. . Además. Estos teoremas pueden utilizarse para calcular la imagen de un vector u en R2 o R3 bajo una transformación lineal L : R2 → Rn una vez que conocemos L(i) y L(j).4). en la sección 10. 0) = (2. u2.3 Transformaciones lineales 249 Puede demostrarse que L : Rn → Rm es una transformación lineal si y sólo si L(au + bv) = aL(u) + bL(v) para cualesquiera números reales a y b y cualesquiera vectores u. para u y v en Rn ■ Demostración COROLARIO 4. 0. 1. . Las observaciones de las secciones 4. . ■ Observación El ejemplo 1 se podría haber resuelto con mayor facilidad usando el corolario 4. L(0. entonces v = v1i + v2j y u = u1i + u2j + u3k. 0). donde i = (1.1 como sigue: ⎛⎡ ⎤⎞ 0 1 0 L ⎝⎣0⎦⎠ = . T (0 R n ) + T (0 R n ) = w + w = 2w. Entonces: (a) L(0Rn) = 0Rm (b) L(u – v) = L(u) – L(v). 4.1 se demostrará una versión más general del segundo teorema.6 Si L : Rn →Rm es una transformación lineal. 2). 1). . donde i = (1. 0. 0) y k = (0. 0 0 0 L es no lineal. Sea T : Rn → Rm una función. Entonces ■ 0Rm. EJEMPLO 2 Sea L : R3 → R2 una transformación lineal para la cual sabemos que L(1. Las demostraciones se dejarán como ejercicios. c2. Determine L(−3. TEOREMA 4. De manera similar. 0.Sec. u3) es cualquier vector en R3.1 Ejercicio T.1.1 y 4. . v2) es cualquier vector en R2 y u = (u1.7 Ejercicio T. 0) y j = (0. u2. T es no lineal. 0. 0) = (3. v en Rn (vea el ejercicio complementario T. 1. L(j) y L(k). 1). Sea L : Rn →Rm una transformación lineal. Si T(0Rn) lineal. 0Rm. Sea T(0Rn) = w Sin embargo. −1). uk en Rn y cualesquiera escalares c1. . ck. . 4. . 1) = (−1. j = (0. 1) y L(0. Los dos teoremas siguientes proporcionan algunas otras propiedades básicas de las transformaciones lineales de Rn en Rm. entonces L(c1u1 + c2u2 + · · · + ckuk) = c1L(u1)+ c2L(u2) + · · · + ckL(uk) para cualesquiera vectores u1.2 implican que si v = (v1.

0. . 0. señalamos después del ejemplo 15 de la sección 4. . . 1) + 2(−1. . .) EJEMPLO 3 Sea L : R2 → R3 definida por L x y ⎤ 1 1 x 1⎦ = ⎣0 . en = (0. 0).250 Capítulo 4 Vectores en Rn Solución Como (−3. 1). 4. tenemos L(−3. entonces u = u1e1 + u2e2 + · · · + unen. Esto implica que si L : Rn → Rm es una transformación lineal para la cual conocemos L(e1). necesitamos determinar si existe un vector u= tal que L(u) = w. . y 1 −2 ⎡ Entonces L es una transformación lineal (verifique). . . −1) + 4(3. Por lo tanto. . . 4. donde e1 = (1. 2) = (4. . podemos calcular L(u). . .2 que si u = (u1. u2. 0). L(en). 11). Observe que el vector ⎡ ⎤ 2 v = ⎣ 3⎦ −7 está en el rango de L. . L = ⎣0 =⎣ 3 3 1 −2 −1 − 6 −7 Para saber si el vector ⎡ ⎤ 3 w = ⎣5⎦ 2 está en el rango de L. 2) = L(−3i + 4j + 2k) = −3L(i) + 4L(j) + 2L(k) = −3(2.3 en la sección 10. . L(e2). . podemos calcular con facilidad la imagen de cualquier vector u en Rn. ya que ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 2 2 −1 −1 1⎦ 3 ⎦ = ⎣ 3⎦ = v. . un) es cualquier vector en Rn. 2)= −3i + 4j + 2k. . 1. . . . . y 1 −2 x − 2y ⎡ . . (Vea el teorema 10. ■ De manera más general. . e2 = (0. Tenemos que x y L(u) = L x y ⎤ ⎡ ⎤ 1 1 x+y x 1⎦ = ⎣0 = ⎣ y ⎦.1.

■ EJEMPLO 4 (Criptografía) La criptografía es una técnica —desarrollada en la época de la antigua Grecia— de codificación y decodificación de mensajes. Así. pues sospechan que sus llamadas telefónicas y su correo han sido intervenidos. son dos agentes secretos que quieren comunicarse entre sí utilizando un código. 20 49 12 29 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 13 69 20 87 A ⎣ 1⎦ = ⎣50⎦ . w no está en el rango de L. los agentes proceden como sigue: en primer lugar. nuestros personajes acordaron utilizar una matriz de 3 × 3 no singular. Mark desea enviar a Susan el mensaje CITA EL MARTES Al utilizar el sistema de sustitución anterior. Por ejemplo. Mark separa el mensaje en cuatro vectores de R3 (si esto no puede hacerse. tal como ⎡ ⎤ 1 2 3 1 2⎦ . Podemos construir un código sencillo asociando un número diferente a cada letra del alfabeto. tenemos ⎡ ⎤ ⎡ ⎤ x+y 3 ⎣ y ⎦ = ⎣5⎦ . En particular. Para evitarlo. tenemos los vectores ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 3 1 13 20 ⎣ 9⎦ . incluyendo el análisis de frecuencia de las letras. x − 2y 2 x+y=3 y=5 x – 2y = 2. 20 12 18 19 Mark define entonces la transformación lineal L : R3 → R3 como L(x) = Ax. de modo que el mensaje se convierte en ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 3 81 1 47 A ⎣ 9⎦ = ⎣52⎦ . ⎣ 5⎦ .Sec. Mark envía el mensaje 3 9 20 1 5 12 13 1 18 20 5 19 Un código de este tipo podría descifrarse con poca dificultad mediante varias técnicas. Esto significa que Este sistema lineal de tres ecuaciones en dos incógnitas no tiene solución (verifique). A ⎣ 5⎦ = ⎣ 63 ⎦ . A 1 B 2 C 3 D 4 ··· ··· X 24 Y 25 Z 26 Supongamos que Mark S. podemos agregar algunas letras). y Susan J. A ⎣ 5 ⎦ = ⎣ 30 ⎦ .3 Transformaciones lineales 251 Como queremos L(u) = w. 18 37 19 43 . ⎣ 1⎦ . 4. cuando aceptaron la misión. ⎣ 5⎦ . Por lo tanto. A = ⎣1 0 1 2 Luego.

15 1 ⎤ ⎡ ⎤ 74 5 x3 = A−1 ⎣47⎦ = ⎣12⎦ . Mark separa el mensaje en cinco vectores de R3: ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 51 78 74 48 75 ⎣34⎦ . se indica una bibliografía donde puede encontrarse más material acerca de la criptografía. vemos que Mark ha recibido el mensaje LLEVARÉ LOS MAPAS En el apartado Lecturas adicionales que aparece al final de esta sección. ⎡ ⎡ ⎤ ⎡ ⎤ 78 22 x2 = A−1 ⎣59⎦ = ⎣ 1⎦ . En consecuencia.252 Capítulo 4 Vectores en Rn En consecuencia. ⎣34 ⎦ . ⎣47 ⎦ . 39 19 ⎡ Al utilizar la correspondencia entre letras y números. Mark transmite el mensaje 81 52 49 47 30 29 69 50 37 87 63 43 Supongamos ahora que Mark recibe el siguiente mensaje de Susan. Para ello. ya hemos visto que si A es una matriz m × n. ⎣55⎦ 22 37 42 15 39 y resuelve la ecuación ⎤ 51 L(x1 ) = ⎣34⎦ = Ax1 22 en términos de x1. la transformación matricial L : Rn → Rm definida mediante L(x) = Ax para x en Rn es una transformación lineal. 37 18 ⎡ ⎤ ⎡ ⎤ 48 19 x4 = A−1 ⎣34⎦ = ⎣13⎦ . 51 34 22 78 59 37 74 47 42 48 34 15 75 55 39 y quiere decodificarlo con la misma matriz clave A. ⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤ 51 0 1 −1 51 12 x1 = A−1 ⎣34⎦ = ⎣ 2 −2 −1⎦ ⎣34⎦ = ⎣12⎦ . TEOREMA 4. ■ En general. ⎣59 ⎦ . (1) . −1 1 1 22 22 5 De manera análoga. existe una única matriz m × n tal que L(x) = Ax para x en Rn.8 Sea L : Rn → Rm una transformación lineal. En el teorema siguiente demostraremos que si L : Rn → Rm es una transformación lineal. L debe ser una transformación matricial. Como A es no singular. 42 15 ⎡ ⎤ ⎡ ⎤ 75 16 x5 = A−1 ⎣55⎦ = ⎣ 1⎦ .

⎣.6. A continuación demostraremos que la matriz A es única. obtenemos L(ej) = Aej = colj(A) y L(ej) = Bej = colj(B). cn es cualquier vector en Rn.⎥ ⎣. ■ para x en Rn. . . ⎥.⎦ . . La matriz A = [L(e1) L(e2) . así que A = B. L(en)] de la ecuación (1) se denomina matriz canónica (o estándar) asociada a L. j = 1. entonces x = c1e1 + c2e2 + . . . z x+z Determine la matriz canónica asociada a L y verifique la ecuación (1).⎦ . EJEMPLO 5 Sea L : R3 → R3 el operador lineal definido por ⎛⎡ ⎤⎞ ⎡ ⎤ x x+y L ⎝⎣ y ⎦⎠ = ⎣ y − z ⎦ . cn la ecuación (2) puede escribirse como L(x) = Ax.Sec. Por lo tanto. . . . . n.3 Transformaciones lineales 253 Demostración Si ⎡ ⎤ c1 ⎢ c2 ⎥ x=⎢. las columnas de A y B coinciden. L(x) = c1L(e1) + c2L(e2) + . 4. Si definimos la matriz A de m × n cuya j-ésima columna es L(ej) y (2) ⎡ ⎤ c1 ⎢c2 ⎥ x = ⎢ . + cnL(en). de acuerdo con el teorema 4. . + cnen. así que. Suponga que también tenemos L(x) = Bx Haciendo x = ej. .

Nueva Jersey: Prentice Hall. 0 1 1 Ax = ⎣0 1 ⎤⎡ ⎤ ⎡ ⎤ 1 0 x x+y 1 −1⎦ ⎣ y ⎦ = ⎣ y − z ⎦ = L(x). Por lo tanto.. Nueva Jersey: Prentice Hall. Análisis avanzado FISHER. Nueva Jersey: Prentice Hall. y CAROL L. Upper Saddle River. Ciphers and Discrete Algorithms. Secret Codes and Ciphers. DAVID. Applications-Oriented Algebra. Harper & Row. Publishers. Applied Algebra. 2002. HARDY. DAREL W. Inc. Codes. Making. Lecturas adicionales sobre criptografía Análisis elemental KOHN. 1968 (63 páginas). Upper Saddle River. Inc. 1 0+1 1 En consecuencia. 1973. Breaking Codes. Upper Saddle River. KAHN. The Codebreakers.. “Coding Theory”). WALKER.254 Capítulo 4 Vectores en Rn La matriz canónica A asociada a L es la matriz 3 × 3 cuyas columnas son L(e1). respectivamente.. 1977 (capítulo 9. Nueva York: T. 2001. PAUL. Nueva York: The New American Library Inc. Términos clave Transformación lineal Función no lineal Imagen Rango Criptografía . 0 1 z x+z ■ por lo que se cumple la ecuación (1)... tenemos ⎡ ⎡ ⎤ 1 0 1 −1⎦ . GARRET. JAMES L. L(e2) y L(e3). 1 A = ⎣0 1 De esta manera. BERNICE. Inc. Solución ⎛⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤ 1 1+0 1 L(e1 ) = L ⎝⎣0⎦⎠ = ⎣0 − 0⎦ = ⎣0⎦ = col1 ( A) 0 1+0 1 ⎛⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤ 0 0+1 1 L(e2 ) = L ⎝⎣1⎦⎠ = ⎣1 − 0⎦ = ⎣1⎦ = col2 ( A) 0 0+0 0 ⎛⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤ 0 0+0 0 L(e3 ) = L ⎝⎣0⎦⎠ = ⎣0 − 1⎦ = ⎣−1⎦ = col3 ( A).

4). 3). 2x − z) (b) L x y = x 2 − y2 x 2 + y2 (c) L(x. 0. ¿Cuáles de las siguientes son transformaciones lineales? ⎛⎡ ⎤⎞ ⎡ ⎤ u1 u ⎜⎢u 2 ⎥⎟ ⎣ 2 1 ⎦ (a) L ⎝⎣ ⎦⎠ = u 1 + u 2 u3 u1 − u3 u4 ⎛⎡ ⎤⎞ ⎡ ⎤⎡ ⎤ x 1 1 0 x 2⎦ ⎣ y ⎦ (b) L ⎝⎣ y ⎦⎠ = ⎣0 −1 z 1 1 −1 z ⎛⎡ ⎤⎞ ⎡ ⎤ x 0 (c) L ⎝⎣ y ⎦⎠ = ⎣0⎦ z 0 En los ejercicios 5 a 12. x + y) ⎛⎡ ⎤⎞ ⎡ ⎤ x x+y (b) L ⎝⎣ y ⎦⎠ = ⎣ y ⎦ z x−z (c) L(x. L ⎝⎣ y ⎦⎠ = ⎣−1 z 0 0 1 z 13. 2). u = (−3. 3 . u = (1. 10.3 Transformaciones lineales 255 4. y) = (x 2 + x. dibuje la imagen del punto dado.3 Ejercicios 1. 3). x−y z L(i) = Determine L 2 3 4 −3 . y) = (x. y − y 2 ) 2. Sea L : R3 → R3 la transformación lineal definida por ⎛⎡ ⎤⎞ ⎡ ⎤⎡ ⎤ x −1 2 0 x 1 1⎦ ⎣ y ⎦ . y L(j) = −1 . 3). 0. y. x 2 . z −2x + 2z 17. − 2. P = (2. u = (−2. 2x + 3) 4. 2x + 2) 3. y. Sea L : R3 → R3 una transformación lineal tal que ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 1 L(i) = ⎣ 2⎦ . 16. −3). 5. y) = (x + 1. u = (2. L ⎝⎣ y ⎦⎠ = ⎣ 1 z 2 −1 1 z ¿Está w en el rango de L? ⎡ ⎤ ⎡ ⎤ 1 1 (b) w = ⎣3⎦ (a) w = ⎣ 2⎦ −1 2 15. L(j) = ⎣0⎦ . 2z) ⎛⎡ ⎤⎞ ⎡ ⎤ x 2x − 3y (b) L ⎝⎣ y ⎦⎠ = ⎣ 3y − 2z ⎦ z 2z (c) L(x. L : R2 → R2 se define mediante L(u) = −u. z x + 2y + 2z ¿Está w en el rango de L? ⎡ ⎤ ⎡ ⎤ 1 2 (b) w = ⎣−1⎦ (a) w = ⎣−1⎦ 0 3 14. L : R2 → R2 es una rotación de – π radianes en sentido 3 contrario a las manecillas del reloj. L : R2 → R2 es una rotación de 30° en sentido contrario a las manecillas del reloj. −y). −1. 11. 2 18. Sea L : R3 → R3 definida por ⎛⎡ ⎤⎞ ⎡ x 4 1 L ⎝⎣ y ⎦⎠ = ⎣2 −1 z 2 2 (a) L(x. L : R3 → R2 se define mediante ⎛⎡ ⎤⎞ x x L ⎝⎣ y ⎦⎠ = . 4. 6. b y c tales que ⎡ ⎤ a w = ⎣b⎦ c esté en el rango de L. y. o del vector u bajo la transformación lineal dada. u = (3. −1 2 3 ⎛⎡ ⎤⎞ 2 Determine L ⎝⎣−1⎦⎠. L : R2 → R2 se define mediante L(x. y) = (x − y. ¿Cuáles de las siguientes son transformaciones lineales? 12. y) = (x − y. ¿Cuáles de las siguientes son transformaciones lineales? (a) L(x.Sec. 0 z Determine una ecuación que relacione a. Sea L : R2 → R2 una transformación lineal tal que L x y = 1 2 −1 1 x . 3). L : R2 → R2 se define mediante ⎤⎡ ⎤ 3 x 3⎦ ⎣ y ⎦ . Sea L : R3 → R3 una transformación lineal definida por ⎛⎡ ⎤⎞ ⎡ ⎤ x x+z L ⎝⎣ y ⎦⎠ = ⎣ y + z ⎦ . P. y 7. y L(k) = ⎣1⎦ . u = (0. P = (−1. z) = (x + y. L : R2 → R2 se define mediante L(u) = 2u. −2). L. 2 8. z) = (x − y. L : R3 → R3 se define mediante ⎛⎡ ⎤⎞ ⎡ ⎤⎡ ⎤ x 1 0 1 x 1 0⎦ ⎣ y ⎦ . ¿Cuáles de las siguientes son transformaciones lineales? (a) L(x. 9. Repita el ejercicio 15 si L : R3 → R3 se define por ⎛⎡ ⎤⎞ ⎡ ⎤ x x + 2y + 3z L ⎝⎣ y ⎦⎠ = ⎣−3x − 2y − z ⎦ .

y) = (−y. para u en R . Sea L : Rn → Rn definida por L(u) = u + u0. T. T.6. Demuestre el teorema 4. y) = (y. (c) ¿Cuál es el menor valor positivo de k para el cual T(u) = A k u = u? T. −x) (c) L(x. 2y) En los ejercicios 23 y 24. definida por O(v) = 0 para v en Rn (vea el ejercicio T.7.256 Capítulo 4 Vectores en Rn 19. Sea u0 0 un vector fijo en Rn. L : R2 → R2 es una rotación de – radianes en sentido 3 contrario a las manecillas del reloj. T. Demuestre el teorema 4.3. L : R2 → R2 definida por L(x. 31. (b) para decodificar el mensaje 60 21 91 35 162 61 145 55 A= Ejercicios teóricos T. la cual se denomina transformación lineal nula (o transformación lineal cero). L : R3 → R3 está definida por L(u) = −2u. L : R2 → R2 es una reflexión respecto del eje y. L : R2 → R2 está definida por L x y = x−y . Repita el ejercicio 19. L : R2 → R2 es una rotación de – radianes en sentido 4 contrario a la manecillas del reloj. Sea L : R → R una transformación lineal.6). entonces L(au + bv) = 0. u es un vector en R1. Sea L : R2 → R2 la transformación lineal definida por L(u) = Au. L : R2 → R1 definida por L(x. x) 22. −y) (c) L(x. 20. y) (b) L(x. 2 1 (a) para codificar el mensaje AFANA MÁS. T. T. Sea O : Rn → Rm la transformación lineal nula. n n n L(v) = 0. (a) Si T1(u) = A2 u. Determine si L es una transformación lineal. T. (a) L(x. L : R3 → R3 está definida por ⎛⎡ ⎤⎞ ⎡ ⎤ x x−y L ⎝⎣ y ⎦⎠ = ⎣ x + z ⎦ . (b) Si T 2(u) = A−1 u. Determine la matriz canónica asociada a O. es un operador lineal sobre Rn. Describa de manera geométrica las transformaciones lineales siguientes. T. donde r es un escalar.11. y) = (−x. z y−z 30. en este caso. Para φ = 30°.7). Determine todos los valores de a y b tales que L sea una transformación lineal. 32. sen φ cos φ T. 25. y) = (2x. x) (b) L(x. describa la acción de T1 en u. 26. Determine la matriz canónica asociada a I. donde A= cos φ − sen φ . 21. para cualesquiera escalares a y b. significa que u también es un número real).2. Determine todos los vectores x en R3 tales que L(x) = 0. y) = (−y. Sea L : R1 → R1 definida por L(u) = au + b. determine si L es una transformación lineal. y) = sen x + sen y En los ejercicios 25 a 30. y) = (x + y + 1. x – y) 24. Sea L la transformación lineal definida en el ejercicio 11. con L como la transformación definida en el ejercicio 12. Sea I : Rn → Rm la transformación lineal definida mediante I(v) = v para v en Rn (vea el ejercicio T. (b) decodificar el mensaje 85 58 39 70 45 30 73 51 37 91 57 53.4. la cual se denomina operador identidad sobre Rn. T. Utilice la sustitución y la matriz A del ejemplo 4 para (a) codificar el mensaje ENVÍA DÓLARES.10. π 28. describa la acción de T 2 en u. 29. Sea I : R → R definida por I(u) = u.9. donde a y b son números reales (por supuesto. determine la matriz canónica asociada a L.8. Demuestre que I es una transformación lineal. Demuestre que la función O : Rn → Rm definida por O (u) = 0Rm es una transformación lineal. (a) L(x.6. Demuestre que si u y v son vectores en Rn tales que L(u) = 0 y n m . L define una rotación de 30° en el sentido de las manecillas del reloj. y) = (−x. Demuestre que L : Rn → Rm definida por L(u) = ru. x+y π 27.7. Justifique su respuesta.1. 23.5. Utilice el esquema de sustitución del ejemplo 4 y la matriz 5 3 . lo que. Describa de manera geométrica las transformaciones lineales siguientes.

Sea L : Rn → R1 definida por L(u) = u · u0. entonces L(c1u1 + c2u2 + · · · + ckuk) = c1L(u1) + c2L(u2) + · · · + ckL(uk). 4. es decir un paralelogramo con cuatro lados iguales. Sean u = (1. 9. Propiedades de la suma de vectores y multiplicación por un escalar en Rn (vea la página 230). Dibuje un diagrama para demostrar que 2(u + v) = 2u + 2v. ¿Para qué valores de a son ortogonales los vectores u y v? 11. sean u = (2. y) = (x – 1. 2. 1. y) es cualquier vector en R2. −2).6. Entonces existe una única matriz A de n × n tal que L(x) = Ax para x en Rn. ■ Teorema 4. ¿L : R2 → R2 definida por L(x. (Vea el ejercicio 12. Determine todos los valores de a tales que el vector (a. 4) y (5. 1).3 (Propiedades del producto punto). 1). 22. En los ejercicios 4 y 5. haga una figura que muestre la magnitud y la dirección de la velocidad resultante. 3.−2. Vea la página 236. 0. −3). 2). 3) y w = (4. 2. −2) como una combinación lineal de los vectores (1.2. Con base en esto. 1) = (1. sean u = (1. 2. Determine todos los valores de c para los cuales c(1. ■ Teorema 4. −2). demuestre que el vector v = (−y. 0. 1). 1. 3). −3. Haga un diagrama para demostrar que (u + v) + w = u + (v + w). 14. 1 1 Determine un vector unitario que sea ortogonal al vector (1. (e) Coseno del ángulo que forman u y v 8. 3) y (1. y w = (−2. se deduce que L no es una transformación lineal. v = (1. −1). Determine un vector unitario paralelo al vector (−1.Ejercicios complementarios 257 Ejercicios con MATLAB ML. −1. 7. 1. Si L : Rn → Rm es una transformación lineal. 1) y (0. L(0. 1. Sea L : R2 → R1 la transformación lineal definida por L(u) = u · u0. 13.8. Si una persona trata de nadar hacia el oeste a razón de 8 millas por hora. De ser posible. si y sólo si sus diagonales son ortogonales. Utilice MATLAB para realizar los cálculos. 0) = 9. Sean u = (a. 0). Demuestre que un paralelogramo es un rombo. 2. y – x) es una transformación lineal? 12. 1) = (3. determine L(1. (a) Escriba el vector (1. Un río fluye hacia el sur a razón de 2 millas por hora. 1. 6. 2).1 Sea L : Rn → R1 definida por L(u) = u . 3. 10. (2. x) es ortogonal a u. 1). 18. Escriba el vector (1. −5. 3) y v = (2. −1). 0) = (2. v = (3. . (0. −3). ■ Teorema 4. 19. Sea L : Rn → Rm una transformación lineal. 3. 2. (b) Si L: R3 → R2 es la transformación lineal para la cual L(1. Ideas clave para el repaso ■ Teorema 4. 2. −1). 1. Calcule (a) u (c) u − v (b) v (d) u · v 16. a. 1. Determine x tal que 2u + 3x = w – 5x. 0). de – radianes en sentido contrario a las manecillas 6 del reloj. 3. a) y v = (4. Ejercicios complementarios En los ejercicios 1 a 3. 20. donde u0 = (1. 2) como una combinación lineal de los vectores (−2. Determine la matriz canónica asociada a una rotación de π R2. determine a y b tales que ⎡ ⎤ a v = ⎣b⎦ 2 es ortogonal a los dos vectores ⎡ ⎤ ⎡ ⎤ 2 1 w = ⎣1⎦ y x = ⎣0⎦ . Demuestre que L es una transformación lineal.) Determine la matriz canónica asociada a L. (b) Determine un par de vectores u y v en R3 tal que L(u + v) L(u) + L(v). Sea u0 un vector fijo en Rn. −1). 2 Utilice MATLAB para realizar los cálculos. −2). 0. (a) Determine un par de vectores u y v en R tal que L(u + v) L(u) + L(v). Si u = (x. Dibuje un diagrama para demostrar que u + v = v + u. Determine x tal que u + x = v – w. ■ Teorema 4.4 (Desigualdad de Cauchy-Schwarz) |u · v| u v . 1). 5. 17. 15. 21. −2) sea ortogonal al vector (a. 2). (−2. 2) y L(0. Determine el área del cuadrilátero con vértices (−3.

entonces u = 0. . pero que u no es ortogonal a w. (e) En Rn. 2. −1) y (3. entonces L(u) = L(v) implica que u = v. Responda con falso o verdadero a cada una de las proposiciones siguientes. x+y 25. 1). 2 3 T. Justifique sus respuestas. (d) En Rn. (c) En Rn. −2x + 3y. 1. T. x + y). tenemos: (a) (u + cv) · w = u · w + c(v · w) (b) u · (cv) = c(u · v) (c) (u + v)·(cw) = c(u · w) + c(v · w) T. 0)? 4.1. Demuestre que el único vector x en R o R . Determine un vector unitario en la dirección (2. (b) En Rn. 3. donde ⎡ ⎤ 1 2 0 5⎦ . Demuestre que u · v = 0 si y sólo si u + v = u − v . cu = c u . si u es ortogonal a v y w. A=⎣ 2 −1 −3 −7 Determine una ecuación que relacione a. Demuestre que para cualesquiera vectores u. y) = (2x + 3y. 5. Sea L : R2 → R2 la transformación lineal definida por L x y = x−y . u + v = u + v . Sea L: R → R la transformación lineal definida por L(x) = Ax.5. (i) En Rn. (g) Los vectores (1. A = ⎣2 −1 3 2 4 ⎡ ⎤ 1 ¿El vector ⎣2⎦ está en el rango de L? 3 3 3 6. Sea L : R2 → R3 definida por L(x. Determine la matriz canónica asociada a L. Examen del capítulo 1. (a) En Rn. 3. 7. T. entonces c = 0 o u = 0. 1) y (−1. 0. si u · v = 0. si cu = 0. 3) es una combinación lineal de los vectores (1. Sea L : R3 → R3 la transformación lineal definida por L(x) = Ax. 3). T. 2). −2. −1. (j) Si L : Rn → Rm es una transformación lineal. ¿El vector (1.258 Capítulo 4 Vectores en Rn 23.4. (2. Si la matriz A de 5 × 3 es la matriz canónica asociada a la transformación lineal L : Rn → Rm. Demuestre que L : Rn → Rm es una transformación lineal si y sólo si L(au + bv) = aL(u) + bL(v) para cualesquiera escalares a y b y cualesquiera vectores u y v en Rn. entonces u = 0. 1. Determine el coseno del ángulo que forman los vectores (1. (f) Si L : R4 → R3 es una transformación lineal definida por L(x) = Ax. ¿cuáles son los valores de n y m? 24. 2. 4) y (3.3. Sean u y v vectores en Rn. ortogonal a cualquier otro vector. entonces u es ortogonal a 2v + 3w. entonces u = 0 o v = 0. si u · v = u · w.6. (h) En Rn. Demuestre que si u = 0 en Rn. b y c de modo ⎡ ⎤ a que ⎣b⎦ se encuentre en el rango de L. entonces v = w. es el vector cero. 4. si u = 0. 2. −1.2. c ¿ 2 está en el rango de L? 3 Ejercicios teóricos T. Proporcione un ejemplo en R4 para demostrar que u es ortogonal a v y v es ortogonal a w. donde ⎡ ⎤ 1 2 4 3 5⎦ . 2. 0) son ortogonales. entonces A es de 3 × 4. v y w en R2 o R3 y cualquier escalar c.

su producto cruz es el vector u × v definido por u × v = (u2v3 − u3v2)i + (u3v1 − u1v3)j + (u1v2 − u2v1)k. pero es conveniente considerarlo como tal para hacer el cálculo. Capítulo 3. v2 v3 (2) El lado derecho de (2) en realidad no es un determinante. (1) i u × v = u1 v1 j k u2 u3 .1 PRODUCTO CRUZ EN R 3 Requisitos. Entonces. Vectores en el plano. v2 que es el lado derecho de (1). Observe que el producto cruz u × v es un vector. a pesar de esta limitación. tenemos i j k 1 2 = −i + 12j − 5k. al desarrollar a lo largo de la primera fila. dicha operación tiene muchas aplicaciones importantes en diferentes situaciones. obtenemos u×v = u2 v2 u u3 u u3 i− 1 j+ 1 v3 v1 v3 v1 u2 k.1. Lectura de la sección 4.CAPÍTULO 5 APLICACIONES DE VECTORES EN R 2 Y R3 (OPCIONAL) 5. DEFINICIÓN Si u = u1i + u2j + u3k y v = v1i + v2j + v3k son dos vectores en R3. Si desarrollamos (2) a lo largo de la primera fila. u×v = 2 3 −1 −3 ■ 259 . Aquí consideraremos varias de ellas. a diferencia del producto punto u · v. El producto cruz u × v puede escribirse como un “determinante”. que es un número. En esta sección analizaremos una operación que sólo tiene sentido en R3. EJEMPLO 1 Sean u = 2i + j + 2k y v = 3i − j − 3k.

1 (Propiedades del producto cruz) Si u. Además. La demostración. Primero observemos la siguiente propiedad adicional del producto cruz. La ley conmutativa no se cumple. cuya demostración dejamos al lector: (u × v) · w = u · (v × w) También es fácil demostrar (ejercicio T.2. ■ . entonces: (a) (b) (c) (d) (e) (f) (g) (h) u × v = −(v × u) u × (v + w) = u × v + u × w (u + v) × w = u × w + v × w c(u × v) = (cu) × v = u × (cv) u×u = 0 0×u = u×0 = 0 u × (v × w) = (u · w)v − (u · v)w (u × v) × w = (w · u)v − (w · v)u ■ EJEMPLO 2 i Con base en (1). El producto cruz de un vector por él mismo es el vector cero. k × j = −i. Tampoco se satisface ley asociativa. Moviéndonos alrededor del círculo. tenga en cuenta que dos de sus propiedades importantes no se satisfacen. j × i = −k. k j Figura 5.1). vemos que el producto cruz de dos vectores tomados en el orden que se indica.1 Estas reglas pueden recordarse por medio del método que se indica en la figura 5. ya que i × (i × j) = i × k = −j. TEOREMA 5. mientras que (i × i) × j = 0 × j = 0. i × j = k.260 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) Algunas de las propiedades algebraicas del producto cruz se describen en el teorema siguiente. v y w son vectores en R3 y c es un escalar. k × i = j. j × k = i. u · (v × w) = 8. que se deduce con facilidad de las propiedades de los determinantes. es el negativo del tercer vector. moviéndonos en sentido contrario a las manecillas del reloj. (3) (u × v) · w = u1 u2 u3 v1 v2 v3 . y y (u × v) · w = 8. i × k = −j. en dirección de las manecillas del reloj. Entonces u × v = −i + 12j − 5k v × w = 3i − 12j + 7k lo cual ilustra la ecuación (3). w1 w2 w3 (4) EJEMPLO 3 Sean u y v como en el ejemplo 1. ya que u × v = −(v × u).4) que Ejercicio T.1. Ahora analizaremos con detalle las propiedades geométricas del producto cruz. se deja al lector (ejercicio T. se tiene que i × i = j × j = k × k = 0. y sea w = i + 2j + 3k. ■ Aunque muchas de las propiedades comunes de los números reales se cumplen para el producto cruz. vemos que el producto cruz de dos vectores tomados en el orden indicado es igual al tercer vector.

el dedo pulgar apuntará en la dirección de u × v (figura 5.1 Producto cruz en R 3 261 A partir de la construcción de u × v. v (5) (6) u Figura 5. . Si doblamos los dedos de la mano derecha en la dirección de una rotación del ángulo θ de u a v. u × v también es ortogonal al plano determinado por u y v.2 implica que u · v = u v cos θ. según el teorema 5. P1 −→ − Al hacer P1 P3 = v. y denotamos P1 P2 mediante el vector u. (c). encontramos que la altura h está dado por h = v sen θ. P3 (figura 5. La ecuación (4) de la sección 4. Al calcular las raíces cuadradas. Resulta. En consecuencia.5).2). Si tomamos el seg2 −→ − mento entre P1 y P2 como la base. obtenemos u × v = u v sen θ. En consecuencia. (7) Observe que en (7) no tenemos que escribir |sen θ|. P3 v h u P2 Área de un triángulo Considere el triángulo con vértices P1.3 by (b). según el teorema = u 2 v 2 − (u · v)2 por(b) of Theorem 4. Consideremos ahora varias aplicaciones del producto cruz. esto es.3 AT = 1 2 u v sen θ = 21 u × v . (c) y (d). resulta que u × v es ortogonal a u y a v. and (d) of Theorem 4. Puede mostrarse que si θ es el ángulo entre u y v. según el teorema the definition of length vector.1 = (u · u)(v · v) − (v · u)(v · u) por(b). donde b es la base y h es la altura. u v (u × v) · u = 0. donde θ es el ángulo entre u y v. el área AT del triángulo es Figura 5. El área de este triángulo es 1 bh. de la longitud de unof a vector. entonces b= u . La magnitud de u × v puede determinarse como sigue.3 4. o utilizando la ecuación (3) y las propiedades (a) y (e) del producto cruz (teorema 5.Sec. tenemos u×v 2 = (u × v) · (u × v) = u · [v × (u × v)] by (3) por(3) por(g) of Theorem 5. En consecuencia.1). la dirección de u × v está determinada como sigue. (u × v) · v = 0. P2. ya que sen θ es no negativo para 0 ≤ θ ≤ π. de acuerdo con (7). por lo tanto.3 y la definición by (b).1 = u · [(v · v)u − (v · u)v] by (g).3 and4. u×v 2 = u = u = u 2 2 2 v v 2 − u 2 v 2 cos2 θ v 2 (1 − cos2 θ) 2 sen2 θ. 5. que los vectores u y v son paralelos si y sólo si u × v = 0 (ejercicio T. De acuerdo con la definición de la longitud de un vector.2 Estas ecuaciones también pueden verificarse utilizando las definiciones de u × v y el producto punto.3).

V= v×w u |cos θ| = |u · (v × w)|. P2(−1. donde θ es el ángulo entre u y v × w. AT = = 1 2 1 2 (−3i − 2j + k) × (i + 2j − k) √ −2j − 4k = −j − 2k = 5. 5) y P3(3. 2.4 v b P1 u P3 AT h AT P2 P4 EJEMPLO 5 Si P1. En consecuencia. y la distancia d de esta cara a la cara paralela a ella. Entonces. P2 y P3 son como en el ejemplo 4. d = u |cos θ|.5 (9) v w v w u O d . Figura 5. 4).5). w1 w2 w3 Figura 5. y el área de la cara determinada por v y w es v × w . 0.262 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) EJEMPLO 4 Solución Determinar el área del triángulo con vértices P1(2.) ■ Volumen de un paralelepípedo Considere el paralelepípedo que tiene vértice en el origen y lados u.4) es 2AT. de manera que AP = u × v . Tenemos −→ − u = P1 P2 = −3i − 2j + k −→ − v = P1 P3 = i + 2j − k. Ahora. (8) De acuerdo con las ecuaciones (3) y (4). tenemos también que ⎛⎡ ⎤⎞ u1 u2 u3 V = det ⎝⎣ v1 v2 v3 ⎦⎠ . v y w (figura 5. 3). ■ Área de un paralelogramo El área AP del paralelogramo con lados adyacentes u y v (figura 5. 4. el área del paralelogramo con lados adyacentes √ − −→ −→ − P1 P2 y P1 P3 es 2 5. El volumen del paralelepípedo es el producto del área de la cara que contiene a v y w. (Verifique.

P3(0. 4. 13. 1. Sean u = i − j + 2k. (a) Verifique la ecuación (3). T.5. P2(−3.3. 11. 5. 1. Sean u = 2i − j + 3k. v = i + 3j + k y w = 2i + j + 2k. Demuestre la identidad de Jacobi: (u × v) · w = u1 u2 u3 v1 v2 v3 .1 Ejercicios En los ejercicios 1 y 2.2. También podemos calcular el volumen por medio de la ecuación (9). calcule u × v. 12. 3). 1). 5. Verifique que cada uno de los productos cruz u × v del ejercicio 2 es ortogonal a u y a v. 4). −→ − −→ − donde P1 P2 = 2i + 3j − k y P1 P3 = i + 2j + 2k. 1). T. Demuestre que (u × v) w = u (v × w). 2) (b) u = 2i + j − 2k. w = 2i − j + 2k y c = −3.6. (a) u = (1. . −1) (c) u = i − j + 2k.1 Producto cruz en R 3 263 EJEMPLO 6 Considere el paralelepípedo que tiene un vértice en el origen y lados u = i − 2j + 3k. u · (v × w) = −10. Demuestre el teorema 5.1. 6. Repita el ejercicio 12 para u = i − 2j + 4k.1. v = (0. i × k = −j. (a) u = 2i + 3j + 4k. 7. (b) Verifique la ecuación (4). v = (2. T. 3). (b) Verifique la ecuación (4). v = −i + 3j − k (b) u = (1. w1 w2 w3 (u × v) × w + (v × w) × u + (w × u) × v = 0. 2). 0. Demuestre que T. V = det ⎝⎣1 2 1 2 ■ Términos clave Producto cruz Identidad de Jacobi 5. −1) 3. v = 3i + 4j + k y w = −i + j + k. Verifique la ecuación (7) para los pares de vectores del ejercicio 1.1. v = i + 3k (c) u = 2j + k. Determine el área del triángulo con vértices P1. T.Sec. v = 3i + j − k y w = 3i + j + 2k. 4. Entonces v × w = 5i − 5k. como ⎛⎡ ⎤⎞ 1 −2 3 3 1⎦⎠ = |−10| = 10. P2 y P3. −1.7. Demuestre que j × i = −k. −2. (a) Verifique la ecuación (3). 8. Determine el área del paralelogramo con lados adyacentes u = i + 3j − 2k y v = 3i − j − k. de acuerdo con (8). v = 2i + 3j + k. que el volumen está dado por V = |u · (v × w)| = |−10| = 10. Verifique que cada uno de los productos cruz u × v del ejercicio 1 es ortogonal a u y a v. 2. −2). k × j = −i. T. v = −2u 2. Determine el volumen del paralelepípedo que tiene un vértice en el origen y lados u = 2i − j. v = 3u (d) u = (4. Por lo tanto. Se concluye entonces. 1. v = 3i − 4j + k (d) u = (2.4.. Sean u = i + 2j − 3k. Ejercicios teóricos T. v = (3. Determine el área del triángulo con vértices P1(1. Demuestre que u y v son paralelos si y sólo si u × v = 0. 0. −1. 3. v = i − 2j − 2k y w = 3i − j + k. v = 2i + 2j − k y w = i + j − k. Demuestre que u × v 2 + (u · v)2 = u 2 v 2. 10. Verifique las propiedades (a) a (d) del teorema 5. 9.

1. 0. Vectores en el plano.6. −1. 1). 1). 3) y w = (2. 1. −1. v = −2i + 4j + 3k (b) u = (−2. 3. v = (3. 2. y2) P1(x1.2 RECTAS Y PLANOS Requisitos.1.3. 1) (b) u = 3i − j + k. −1). −1) ML. RECTAS EN R 2 Dos puntos distintos cualesquiera.6) determinan una línea recta cuya ecuación es ax + by + c = 0. −1. 3) ML. Utilice crossdemo en MATLAB para desplegar los vectores u y v. Utilice cross en MATLAB para comprobar sus respuestas a los ejercicios 1 y 2. Utilice MATLAB para determinar el volumen del paralelepípedo que tiene un vértice en el origen y lados u = (3. −1) 5. 2). b y c son números reales. 2. y de la sección 5. 1) w = (0. que calcula el producto cruz de un par de 3-vectores. 2. que muestra de manera gráfica un par de vectores y su producto cruz. y el plano P2 determinado por u y w. −2. y su producto cruz. ML. 2). Como P1 y P2 pertenecen a la recta. y crossdemo. Con las rutinas dot y cross podemos realizar los cálculos del ejemplo 6. Producto cruz en R3. (1) donde a. y1) x O .6 y P2(x2. 3. −1. 1). Utilice la rutina cross para determinar el producto cruz de cada uno de los pares de vectores siguientes. donde x = (2. v = (3. y2) en R2 (figura 5. v = (2. El ángulo de intersección de dos planos en el 3-espacio es el mismo que el ángulo de intersección de perpendiculares a tales planos. 2) (c) u = (1. 2). v = (2. v = 2u (c) u = (1. Utilice cross en MATLAB para determinar el producto cruz de cada uno de los pares de vectores siguientes. 3.4. 2.) ML.264 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) Ejercicios con MATLAB Hay dos rutinas de MATLAB que se aplican al material estudiado en esta sección: cross. v = (1. sus coordenadas satisfacen la ecuación (1): ax1 + by1 + c = 0 ax2 + by2 + c = 0 (2) (3) Figura 5. (a) u = i − 2j + 3k. y1) y P2(x2. y a y b no son simultáneamente cero. v = (1. −3.2. P1(x1. −2. v = (1. ML. (a) u = i + 2j + 4k. −3) (c) u = (2. −2. (a) u = (2. −3). v = (0. 4. Encuentre el ángulo de intersección del plano P1 determinado por x y y. (Para obtener instrucciones sobre el uso de las rutinas de MATLAB. y = (3. Lectura de la sección 4. escriba la palabra help seguida por un espacio y el nombre de la rutina.5.1. 3). 5). 2) ML. v = i + 3j + k (b) u = (1. 1.

z0) un punto en R3. 5. c) un vector no nulo (distinto de cero) en R3. tenemos (verifique) −3x + 5y − 18 = 0. tiene una solución no trivial si y sólo si el determinante de la matriz de coeficientes es cero. 6). todo punto que satisface (5) pertenece a la recta. obtenemos x −1 4 y 3 6 1 1 = 0. si y sólo si (4) x x1 x2 y y1 y2 1 1 = 0.2 Rectas y planos 265 Ahora escribimos (1). Al sustituir en (5). b y c. y. La recta L que pasa por P0 y es paralela a u consiste de los puntos P(x. y. y x el vector asociado con el punto P(x. P 0(x 0 w0 O w 0 + u y x *Este tipo de problemas desempeñará un papel importante en el capítulo 8. recíprocamente. b y c. z) (figura 5. y. y0. 1 Al desarrollar este determinante en cofactores a lo largo de la primera fila. Como (4) es un sistema homogéneo. 3) y P2(4. Por su parte. y sea P0 = (x0. z) L z 0) . 1 (5) De esta manera.7 z −∞ < t < ∞. una recta está determinada en R2 si se especifican su pendiente y uno de sus puntos. esto es. b. (2) y (3) como un sistema lineal en las incógnitas a. Sea u = (a. ■ RECTAS EN R 3 Como probablemente recordará. con lo que obtenemos xa + yb + c = 0 x1a + y1b + c = 0 x2a + y2b + c = 0. todo punto P(x. Sean w0 el vector asociado con P0.7) tales que x = w0 + tu.Sec. (6) P(x. una recta está determinada en R3 si se especifican su dirección y uno de sus puntos. tu . z). Figura 5. EJEMPLO 1 Solución Hallar una ecuación de la recta determinada por los puntos P1(−1. Buscamos una condición sobre los valores de x y y para que (4) tenga una solución no trivial a. y) de la recta satisface (5) y. y 0.

al que puede asignarse cualquier número real.266 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) La ecuación (6) se denomina ecuación paramétrica de L. 5 − (−4)) = (1. 3. −4) y P1(3. 9). en forma simétrica. De hecho. como x = x0 + ta y = y0 + tb z = z0 + tc. ■ . 1 −5 9 En los ejercicios T. como x = −2 + t y = −3 − 5t z = −4 + 9t. podemos escribir ecuaciones paramétricas de L. −2. 4). Ahora u = (3 − 2. Como P0 está en la recta. −∞ < t < ∞ ■ EJEMPLO 3 Solución Determinar ecuaciones paramétricas de la recta L que pasa por los puntos P0(2. ya que contiene el parámetro t. b y c son distintos de cero en (7). 2. −2 − 3. de una recta son útiles en algunas aplicaciones de geometría analítica. Si a. −5. podríamos utilizar cualquier punto de la recta en las ecuaciones paramétricas de L.2 y T. podemos despejar a t de cada ecuación e igualar los resultados para obtener ecuaciones en forma simétrica de la recta que pasa por P0 y es paralela a u: x − x0 y − y0 z − z0 = = . 5). que se denominan ecuaciones paramétricas de L.3 se consideran la intersección de dos rectas en R3. a b c Las ecuaciones. 1) y es paralela al vector u = (2. EJEMPLO 4 Las ecuaciones. en forma simétrica. −→ − La recta que se busca es paralela al vector u = P0 P1 . son x = −3 + 2t y = −2 − 3t z = −1 + 4t. de la recta del ejemplo 3 son x −2 y−3 z+4 = = . −3. −∞ < t < ∞ (7) EJEMPLO 2 Las ecuaciones paramétricas de la recta que pasa por el punto P0(−3. La ecuación (6) también puede escribirse en términos de las componentes. Esto significa que una recta puede representarse de una infinidad de maneras en forma paramétrica. −∞ < t < ∞ ■ En el ejemplo 3 podríamos haber utilizado el punto P1 en lugar de P0.

Como P1. (9) puede rescribirse como ax + by + cz + d = 0. y0. y − y0 . c) como normal. b y c no sean todos iguales a 0. b. (10) ■ Resulta sencillo demostrar (ejercicio T. procedemos de la manera siguiente. En consecuencia. b. Este vector se denomina normal al plano. Para obtener una ecuación del plano que pasa por el punto P0(x0. 0. P2 y P3 están en el plano. P2(−1. −2. b = 15. donde r es cualquier número real. y0. −3. Solución a= b= d = r. podemos escribir (8) como a(x − x0) + b(y − y0) + c(z − z0) = 0.Sec. y. c y d son constantes. (11) ■ . (8) Como Figura 5. z0) y que contiene el vector no nulo n = (a. d = 17. tenemos (verifique) 8 r. Suponga que una ecuación del plano descrito está dada por (10). c). sus coordenadas satisfacen (10). obtenemos la ecuación del plano como 5(x − 3) − 2(y − 4) + 4(z + 3) = 0. y. (9) EJEMPLO 5 Solución Determinar una ecuación del plano que pasa por el punto (3. EJEMPLO 6 Determinar una ecuación del plano que pasa por los puntos P1(2. z) está en el plano si y sólo si −→ − n · P0 P = 0. 3) y P3(5. −3) y es perpendicular al vector n = (5. 17 15 r. 1). Por lo tanto. z − z 0 ). Al sustituir en (9). b. una ecuación para el plano descrito es 8x + 15y − 3z + 17 = 0. Por lo tanto. 4). es un plano con normal n = (a. Al resolver este sistema. 5. z) P0(x0.8). 17 3 c = − 17 r. −→ − Un punto P(x. 4). obtenemos el sistema lineal (verifique) 2a − 2b + 3c + d = 0 −a − 3b + 3c + d = 0 5a − 3b + 4c + d = 0. 4. −2. obtenemos a = 8. Haciendo r = 17.8 −→ − P0 P = (x − x0 . siempre y cuando a. z0) O x y Un plano en R3 puede determinarse mediante un punto en el plano y un vector perpendicular al plano. en donde a. y.2 Rectas y planos 267 PLANOS EN R 3 z n P(x. Si multiplicamos y simplificamos. z) está en el plano si y sólo si el vector P0 P es perpendicular a n (figura 5. P(x.1) que la gráfica de una ecuación de la forma dada en (10). c = −3.

268 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) EJEMPLO 7 La siguiente es una segunda solución para el ejemplo 6. obtenemos como ecuación del plano. Procediendo como en el caso de una recta en R2 determinada por dos puntos distintos P1 y P2. 2. P2(x2. ya que los puntos P1. −3) −→ − − −→ es perpendicular a P1 P2 y a P1 P3 y. la ecuación del plano descrito es x y 2 −2 −1 0 5 −3 z 1 3 4 1 1 = 0. 8(x − 2) + 15(y + 2) − 3(z − 1) = 0. Cuando se simplifica el miembro de la izquierda. la recta dada es la intersección de los planos 2x + 3y − 5 = 0 y 4x − 3z + 23 = 0. −2. 3 −2 4 Entonces. de una recta pueden utilizarse para determinar dos planos cuya intersección es la recta dada. z1). z2) y P3(x3. EJEMPLO 9 Determinar dos planos cuya intersección es la recta x = −2 + 3t y = −3 − 2t z = −5 + 4t. la ecuación coincide con la ecuación (11). −∞ < t < ∞ Solución Primero determinamos las ecuaciones de la recta en forma simétrica. en forma simétrica. 1 1 En nuestro ejemplo. la recta dada es la intersección de los planos y−3 x +2 = 3 −2 y x +2 z−5 = . ■ EJEMPLO 8 A continuación se presenta una tercera solución para el ejemplo 6. y3. ■ . el vector − −→ −→ − n = P1 P2 × P1 P3 = (8.1. y1. 3 4 En consecuencia. ■ Las ecuaciones. y2. P2 y P3 están en el plano. como y−3 z−5 x +2 = = . descrito en la sección 5. es normal al plano. es fácil demostrar (ejercicio T. 15. 1 1 Al desarrollar este determinante por cofactores a lo largo de la primera fila. −1. 2) y P1 P3 = (3.5) que una ecuación del plano que pasa por los puntos no colineales P1(x1. por medio del pro−→ − ducto cruz en R3. Si utilizamos el vector n y el punto P1(2. por lo tanto. Entonces. obtenemos (verifique) la ecuación (11). 1) en (9). 3) están en el plano. z3) es x x1 x2 x3 y y1 y2 y3 z z1 z2 z3 1 1 = 0. Los vectores no paralelos P1 P2 = −→ − (−3.

obtenemos (verifique) x = − 13 − 4 t 5 5 2 y= + 6t 5 5 z= 0+ t 1 −∞ < t < ∞ como ecuaciones paramétricas de la recta L de intersección de los planos (vea la figura 5. −5). 5. 3) (c) (0. −5. 2) (d) P0 = (−2. 0. −6) (c) (4. P2(−3. 1. (4. Determine ecuaciones en forma simétrica para cada una de las rectas del ejercicio 6. 0. 3) (b) (1. En el ejemplo siguiente determinamos la recta de intersección de dos planos. 1. 4) 6. 0). 1). EJEMPLO 10 Determinar ecuaciones paramétricas de la recta de intersección de los planos π1 : 2x + 3y − 2z + 4 = 0 y π2 : x − y + 2z + 3 = 0. Indique cuáles de los puntos siguientes están en la recta y+3 z−4 x −4 = = . −1) 5. (b) (1. P2(−3. u = (2. 3) (c) (1. L Figura 5. 5 2 2 7. x = 3 + 2t y = −2 + 3t −∞ < t < ∞ z = 4 − 3t. 2. 8. En cada uno de los siguientes ejercicios. −2) (d) 4. 2). 4) (d) (0. 0). (a) (2. 5. en una recta. −3. Indique cuáles de los puntos siguientes están en la recta (a) (0.9). 3) (d) (0. 2. 3) (c) P1(2. ■ Tres planos en R3 pueden intersecarse en un plano. 5) (b) (−3. u = (2. −2). 4. 1) (c) P0 = (0. u = (−2. P2(3. 0) (a) (1. 1) (c) (1. u = (4. determine una ecuación de la recta en R2 determinada por los puntos dados. determine ecuaciones paramétricas de la recta que pasa por el punto P0(x0. Son paralelos si sus vectores son normales. − 1 . 4) (b) P1(2. En cada uno de los ejercicios siguientes. Es posible detectar estas posibilidades al resolver el sistema lineal formado por sus ecuaciones. −2. 5. P2(3. en un solo punto. 2. −1. determine una ecuación de la recta en R2 determinada por los puntos dados. 3. Solución 2 Al resolver el sistema lineal formado por las ecuaciones π1 y π2. (a) P1(1. −3). −3.Sec.9 Términos clave Ecuación(es) paramétrica(s) de una recta Forma simétrica de una recta Normal a un plano Rectas no coincidentes 5. 4) 4. (4. determine ecuaciones paramétricas de la recta que pasa por los puntos dados. P2(0. −2). 4). (a) P1(−2. 2) (b) P0 = (3. 1). (a) (0. o bien no tener puntos en común. −4). P2(2. −4) (d) P1(2. 1). 5) (c) (−2. Indique cuáles de los puntos siguientes están en el plano 3(x − 2) + 2(y + 3) − 4(z − 4) = 0. −3. P2(1. 2. −3). (a) P0 = (3. z0) y es paralela al vector u. 5. −3. −1. 4) (c) P1(0. En cada uno de los siguientes ejercicios.2 Ejercicios 1. 2) (b) P1(1. 2) 2. P2(−3. 4) (b) (1. 2). −2) 3. (2. 5) (d) P1(−3. 3. −2. 1. −5). 0. 0). 4). (5. −2 2 −5 . En cada uno de los ejercicios siguientes. −2. y0.2 Rectas y planos 269 Dos planos son paralelos o se intersecan en una línea recta. 0.

3). ¿Cuáles de los pares de rectas siguientes son perpendiculares? (a) x = −2 + 2t y = −3 − 3t z = −4 + 4t (b) x = 3 − t y=4+t z = 2 + 2t y y x=2+t y=4−t z=5−t x = 2t y = 3 − 2t z = 4 + 2t 10. 0). 2. 18. 3. 4) 16.2. 3. n = (3. 2. 5. −4) (5. Determine ecuaciones paramétricas de la recta que pasa por el punto (3. x = −2 + 3t y = −3 − 2t z = −1 + 4t y x = −1 − 9t y = −5 + 6t z = −5 − 12t 11. 3. 3. 3. determine un par de planos cuya intersección sea la recta dada. −2. b y c no todas simultáneamente iguales a cero. 2). 5). n = (0. −2. (4. 5. Demuestre que la gráfica de la ecuación ax + by + cz + d = 0. −2. 2). 3). 2. (2. Determine el punto de intersección de las rectas x = 2 − 3s x = 5 + 2t y = 3 + 2s y y = 1 − 3t z = 4 + 2s z = 2 + t. 22. 4). 1. 1) y (4. 4) (−1. En cada uno de los ejercicios siguientes. (2. 4) (1. b. (a) 2x + 3y − 4z + 5 = 0 y −3x + 2y + 5z + 6 = 0 (b) 3x − 2y − 5z + 4 = 0 y 2x + 3y + 4z + 8 = 0 (c) −x + 2y + z = 0 y 2x − y + 2z + 8 = 0 12. 2). En cada uno de los ejercicios siguientes. donde a. 4) y (0. determine ecuaciones paramétricas de la recta de intersección de los planos dados. determine una ecuación del plano que pasa por los puntos dados y es perpendicular al vector n dado. 4. Determine una recta que pase por el punto (−2. (3. 20. Se dice que las rectas L1 y L2 en R3 son no coincidentes (o que se cruzan) si no son paralelas y no se intersecan.270 Capítulo 5 Aplicaciones de vectores en R2 y R3 (opcional) 9. Determine el punto de intersección de la recta x = 2 − 3t y = 4 + 2t z = 3 − 5t y el plano 2x + 3y + 4z + 8 = 0. Ejercicios teóricos T. 1). 2. 4). −3) (−2. 2. −2. −2). es un plano con normal n = (a. (−5. (d) L1 y L2 se intersecan si y sólo si w1 − w0 es una combinación lineal de u y v. 1. (0. b. −3). −3) y (0. 3. En cada uno de los ejercicios siguientes. 0. 3. −1) están en la misma recta? 15. (b) L1 y L2 son idénticas si y sólo si tanto w1 − w0 como u son paralelos a v. y L2 : x = w1 + tv.1. (c) L1 y L2 son perpendiculares si y sólo si u · v = 0. T. 2) 17. 4. ¿Los puntos (2. −4. 19. 3). Proporcione un ejemplo de rectas no coincidentes L1 y L2. −2. determine una ecuación del plano que pasa por los tres puntos dados. 1. n = (0. 4). −3) y es perpendicular a la recta que pasa por los puntos (3. 0. (−2. −2. Determine un plano que contiene las rectas x = 3 + 2t y = 4 − 3t z = 5 + 4t y x = 1 − 2t y = 7 + 4t z = 1 − 3t. T. En cada uno de los ejercicios siguientes. −3) y sea paralelo al plano −2x + 4y − 5z + 6 = 0. 4) y es perpendicular a la recta que pasa por los puntos (4. 3. n = (−1. (a) x = 2 − 3t y =3+ t z = 2 − 4t y−3 z+4 x −2 = = (b) −2 4 3 4t (c) x = y = 1 + 5t z =2− t 13. (−1. 23. 21. 3. ¿Los puntos (−2. −2. (3. Determine una ecuación del plano que pasa por el punto (−2. (−5. Determine un plano que pase por el punto (2. 5). 5) y (0. c). . −1. c y d son constantes.3. −1) están en la misma recta? 14. 2) (1. 4) (2. (a) (b) (c) (d) (0. 3. Demuestre que las ecuaciones paramétricas siguientes definen la misma recta. Sean L1 y L2 rectas dadas en forma paramétrica por L1 : x = w0 + su Demuestre que (a) L1 y L2 son paralelas si y sólo si u = kv para algún escalar k. 4). 8. (a) (b) (c) (d) (0. −3) y sea perpendicular al plano 2x − 3y + 4z + 7 = 0. con a.

c1). 3. c3) es x a1 a2 a3 y b1 b2 b3 z c1 c2 c3 1 1 1 1 = 0. Considere los planos a1x + b1y + c1z + d1 = 0 y a2x + b2y + c2z + d2 = 0 con normales n1 y n2. c2) y P3(a3. Determine ecuaciones paramétricas de la recta que pasa por el punto (5. Una ecuación del plano con normal n = (a. 3. z0) es a(x − x0) + b(y − y0) + c(z − z0) = 0 Ejercicios complementarios 1. (3. 3. Demuestre que una ecuación del plano que pasa por los puntos no colineales P1(a1. Determine una ecuación del plano que pasa por los puntos (1. 1. (c) Si v = −3u. entonces n2 = an1 para algún escalar a. 2. Determine ecuaciones paramétricas de la recta de intersección de los planos x − 2y + z + 3 = 0 y 2x − y + 3z + 4 = 0. L(u) = L es u1 u2 = u1 −2u 2 −1 2 0 . entonces u × v = 0. respectivamente. −9) (c) (1. 4. b2. 2) × (1.4. 2. −7. −1). y.Examen del capítulo 271 T. 0. 0). Responda con falso o verdadero a cada una de las proposiciones siguientes. Determine un vector u tal que u × (3. 3) (b) (5. 3) = (0. ¿Cuáles de los puntos siguientes están en la recta (a) (1. b3. 2. 1). −2. 2. donde w0 es el vector asociado con P0. −2. Determine x y y tales que (x. Vea la página 260. Demuestre que si los planos son idénticos. Una ecuación paramétrica de la recta que pasa por P0 y es paralela a u es x = w0 + tu. y0. −∞ < t < ∞. T. (e) Los planos 2x − 3y + 3z = 2 y 2x + y − z = 4 son perpendiculares. 1. 1). 2. entonces u × (v + w) = 0.5. (0. 0 . 5).1 (Propiedades del producto cruz). 2. c) y que pasa por el punto P0(x0. Ideas clave para el repaso Teorema 5. 1) y es paralela al vector u = (3. 4) está en el plano 2x − 3y + z = 5. b1. −1) = (−1. b. Justifique sus respuestas. 5). −1). P2(a2. 2. 4. (a) La matriz canónica asociada a la dilatación (b) Si u × v = 0 y u × w = 0. (d) El punto (2. y+3 z+5 x −3 = = ? 2 4 −4 Examen del capítulo 1.

V es cerrado bajo la operación ). sino también muchos otros espacios vectoriales importantes. El concepto de espacio vectorial aparece en muchas aplicaciones de matemáticas. y en el teorema 4. V es u ⊕ 0 = 0 ⊕ u = u. A continuación analizaremos su estructura fundamental.1 ESPACIOS VECTORIALES Al iniciar la sección 4. Los elementos de V se llaman vectores. v y w en V. tal que v está en V (es decir.CAPÍTULO 6 ESPACIOS VECTORIALES REALES 6. tal que u ⊕ −u = 0. 272 . para todo número real c y d y toda u en V. Dicho concepto no es más que una generalización cuidadosamente elaborada de Rn. La operación es la suma vectorial. (a) u v = v u. ⊕ y que satisfacen las siguientes propiedades: (α) Si u y v son elementos cualesquiera de V. los números reales se llaman escalares. (d) Para cada u en V existe un elemento –u en V. pues haremos referencia a ella varias veces a lo largo del capítulo. (β) Si u es cualquier elemento de V y c es cualquier número real. para más adelante ocuparnos de su estructura. para u. (g) c (d u) = (cd) u . entonces c u está en V (es decir. *Aunque en esta obra las definiciones no están numeradas. ciencias e ingeniería.2 establecimos algunas de sus propiedades básicas. para u y v en V. para toda u en V. la operación es la multiplicación por un escalar. para todo número real c y d y toda u en V. Al estudiar las propiedades y la estructura de un espacio vectorial. En esta sección definiremos el concepto de espacio vectorial en general. entonces u cerrado bajo la operación ). esta definición sí lo está. (h) 1 u = u . (e) c (u ⊕ v) = c u ⊕ c v . podemos examinar no sólo Rn en particular. DEFINICIÓN 1* Un espacio vectorial real es una terna formada por un conjunto V y dos operaciones.2 definimos Rn. (b) u (v w) = (u v) w. (c) Existe un elemento 0 en V. (f) (c + d) u = c u ⊕ d u . para todo número real c y toda u y v en V. para toda u en V.

4. y el negativo del vector (x. (c). −y. por lo tanto para Bn. la suma de n-vectores binarios se hace usando la suma binaria. y. z + z ) c (x. z + z ) = (c(x + x ). z + z ). Tales espacios son importantes en muchas aplicaciones de matemáticas y ciencias físicas. EJEMPLO 1 Considere el conjunto Rn junto con las operaciones de suma vectorial y multiplicación por un escalar definidas en la sección 4. z )] = c (x + x . En este caso. y . A partir de lo anterior. z ) = (x + x . con las operaciones de suma y multiplicación binarias. z) ⊕ (x . y + y .5 y T. y + y . las propiedades (α). 0) c (x. [Como se observó en la sección 1. z) es el vector (−x. ⊕ y multiplicación por escalares . Si permitimos que los escalares mencionados en la definición 1 sean números complejos. y el vector –u en la propiedad (d) es el negativo de u.6) que los vectores 0 y −u son únicos. para verificar la propiedad (e). 0) ⊕ (x . (β). Bn es un espacio vectorial. y. y. y. y. En el teorema 4. De manera más general. tomamos como conjunto de vectores V a Bn. cy. y.9. En este caso. y defina las operaciones ⊕ y como EJEMPLO 2 (x.2 de esa sección se estableció el hecho de que Rn es un espacio vectorial bajo las operaciones de suma y multiplicación por un escalar.2. usando bits como escalares.3 (a)-(c) son válidos para matrices binarias y. (a). 0). resulta fácil demostrar (ejercicio 7) que V es un espacio vectorial. con lo cual son válidas todas las propiedades listadas en la definición 1. 0) = (cx.Sec. 0). y + y . 6. y .7-T. (d) y (e) de la definición 1. y defina las operaciones ⊕ y como (x. y la multiplicación por escalares. y. Se puede demostrar (vea los ejercicios T. 0). 0 = (0. y + y . Una vez más. ya que satisface todas las propiedades de la definición 1. La propiedad (α) se denomina propiedad de cerradura para ⊕ . el conjunto de los n-vectores binarios. (b). procedemos como sigue: en primer lugar.† con lo que obtenemos un espacio vectorial sobre F. Por ejemplo. z) ⊕ (x . ■ Considere el conjunto V de todas las ternas ordenadas de números reales de la forma (x. obtenemos un espacio vectorial complejo. los teoremas 1. damos ahora un vistazo a un espacio vectorial sobre el campo constituido por los bits 0 y 1. (β) y (h) de la definición 1 también se cumplen. †Un campo (o cuerpo) es una estructura algebraica que goza de las propiedades algebraicas compartidas por los números reales. c (x. z). −z). En el apéndice A daremos una breve introducción a los espacios vectoriales complejos. También decimos que V es cerrado bajo las operaciones de suma de vectores. y . y la propiedad (b) se llama propiedad de cerradura para .1 y 1. 0.) En consecuencia. . es fácil verificar (ejercicio 8) que se cumplen las propiedades (α). los escalares pueden ser elementos de un campo F. Los campos se estudian a detalle en cursos de álgebra abstracta. y. complejos y racionales. ■ EJEMPLO 3 Considere el conjunto V de todas las ternas ordenadas de números reales (x. z). y. Aunque en este libro nuestra atención estará centrada en espacios vectoriales reales.1 Espacios vectoriales 273 El vector 0 en la propiedad (c) es el vector cero. 0) = (x + x .] (Vea los ejercicios T. z) = (cx.

definimos f ⊕ g como EJEMPLO 5 ( f ⊕ g)(t) = f (t) + g(t). ■ EJEMPLO 4 Considere el conjunto M23 de todas las matrices de 2 × 3 bajo las operaciones usuales de suma matricial y multiplicación por un escalar. t2 ■ . z ) = (cx + cx . b]. . z) = (cx. Un polinomio (en t) es una función que puede expresarse como p(t) = antn + an−1tn−1 + · · · + a1t + a0. . z + z) = ((c + d)x. z + z ). . ∞). donde n es un entero ≥ 0 y los coeficientes a0. a1. z) = ((c + d)x. De manera análoga. y. z) ⊕ c (x . z) = (cx + d x. y. a continuación demostraremos que la propiedad (f) no se cumple. y. z ) = (cx. es un espacio vectorial. denotado mediante F(−∞. y + y . z + z ) = (c(x + x ). Sin embargo. y. el conjunto de todas las funciones con valores reales definidas para todos los números reales. (x. y . ■ Sea F[a. Entonces. ■ Otra de las fuentes de ejemplos de espacios vectoriales que analizaremos será los conjuntos de polinomios. z) ⊕ (d x. Las siguientes funciones no son polinomios (explique por qué): √ f 4 (t) = 2 t − 6 y f 5 (t) = 1 − 2t + 1. Por cierto. es un espacio vectorial. Este espacio vectorial se denota Mmn. y + y. c (x. z) ⊕ (cx . (1) EJEMPLO 6 Las siguientes funciones son polinomios: p1(t) = 3t4 – 2t2 + 5t − 1 p2(t) = 2t + 1 p3(t) = 4. F[a. Por una parte.4 (teoremas 1. y. De manera similar. y . Si f está en F[a. (x. definidas en el intervalo [a. an son números reales. z) ⊕ d En consecuencia.274 Capítulo 6 Espacios vectoriales reales Además. las propiedades (g) y (h) sí se cumplen para este ejemplo. por lo tanto. lo cual hace de M23 un espacio vectorial. Si f y g están en V.3) establecimos que las propiedades de la definición 1 son válidas. y. b] es un espacio vectorial (ejercicio 9). .1 y 1. (c + d) Por otra parte. 2z). y. 2y. c (x. b] el conjunto de todas las funciones con valores reales. b] y c es un escalar. y. definimos c f como (c f )(t) = c f (t). comenzaremos por recordar algunos conceptos relativos a ellos. y + y . V no es un espacio vectorial bajo las operaciones indicadas. En la sección 1. el conjunto de todas las matrices de m × n bajo las operaciones usuales de suma matricial y multiplicación por un escalar. z).

Entonces. y. Sean p(t) y q(t). Es decir. EJEMPLO 7 Los polinomios definidos en el ejemplo 6 tienen los siguientes grados: p1(t): grado 4 p2(t): grado 1 p3(t): grado 0. elementos de Pn. por definición. como a i + bi = bi + a i se cumple para los números reales. p(t) ⊕ q(t) y c p(t) están en Pn. de modo que se cumplen (α) y (β) de la definición 1. Para verificar la propiedad (a). es decir.Sec. Si p(t) es el polinomio definido antes. el grado de un polinomio es la máxima potencia que tiene un coeficiente distinto de cero. ■ EJEMPLO 8 Si p(t) = antn + an−1tn−1 + · · · a1t + a0 y q(t) = bntn + bn−1tn−1 + · · · + b1t + b0. el polinomio cero no tiene grado. El polinomio cero se define como 0tn + 0tn−1 + · · · 0t + 0. son polinomios de grado n o el polinomio cero. dejaremos las demás al lector. 2t + 1 y 1 son elementos de P2. 6. Ahora sea Pn el conjunto de todos los polinomios de grado n junto con el polinomio cero. −p(t). polinomios de grado n o el polinomio cero. Las operaciones ya definidas ⊕ y muestran que p(t) ⊕ q(t) y c p(t) . Comprobaremos a continuación la propiedad (f). Si c es un escalar. (c + d) p(t) = (c + d)an t n + (c + d)an−1 t n−1 + · · · + (c + d)a1 t + (c + d)a0 = can t n + dan t n + can−1 t n−1 + dan−1 t n−1 + · · · + ca1 t + da1 t + ca0 + da0 = c(an t n + an−1 t n−1 + · · · + a1 t + a0 ) + d(an t n + an−1 t n−1 + · · · + a1 t + a0 ) = c p(t) ⊕ d p(t). definimos c p(t) como c p(t) = (can )t n + (can−1 )t n−1 + · · · + (ca1 )t + (ca0 ) (es decir. El polinomio cero es el elemento 0 requerido en la propiedad (c). observamos que q(t) ⊕ p(t) = (bn + an )t n + (bn−1 + an−1 )t n−1 + · · · + (b1 + a1 )t + (a0 + b0 ). multiplicamos cada coeficiente por c). su negativo. En consecuencia. es −antn – an−1tn−1 − · · · —a1t – a0. ■ . Tenemos. concluimos que p(t) ⊕ q(t) = q(t) ⊕ p(t). Enseguida demostraremos que Pn es un espacio vectorial. para cualquier escalar c. definimos p(t) ⊕ q(t) como p(t) ⊕ q(t) = (an + bn )t n + (an−1 + bn−1 )t n−1 + · · · + (a1 + b1 )t + (a0 + b0 ) (es decir. definidos como antes. Observe que. Verificamos la propiedad (b) de manera similar.1 Espacios vectoriales 275 El polinomio p(t) en (1) tiene grado n si an 0. sumamos los coeficientes de términos de potencias iguales). 2t2 – 3t + 5.

¿Es V un espacio vectorial? Si no lo es. u = 2 y v = 3: Solución u ⊕ v = 2 ⊕ 3 = −1 y v ⊕ u = 3 ⊕ 2 = 1. P es la unión de todos los espacios vectoriales Pn. ¿qué propiedades de la definición 1 no se cumplen? Si u y v están en V. debemos mostrar que satisface todas las propiedades de la definición 1. pero recordando siempre cómo ha sido definida cada operación en particular. Consideremos ahora el espacio P de todos los polinomios (de cualquier grado). Entonces. hemos definido el espacio vectorial Pn de todos los polinomios de grado n junto con el polinomio cero. Si se cumplen (α) y (β). Entonces. de modo que se cumplen (α) y (β) de la definición 1. un “vector” es simplemente un elemento de un espacio vectorial. y c es un escalar. llamada un espacio vectorial real. En este caso. En el caso de R3. Con frecuencia diremos simplemente espacio vectorial. ■ En consecuencia. entonces u ⊕ v y c u están en V. La ventaja de la definición 1 es que en ella no interesa qué es un vector. el comportamiento algebraico es el mismo. junto con el polinomio cero. Esto permite hablar de las propiedades de todos los espacios vectoriales. con las operaciones u ⊕ v = u − v (⊕ es la resta ordinaria) y c u = cu ( es la multiplicación ordinaria). P es un espacio vectorial (ejercicio 10). es decir. d = 3 y u = 4: (c + d) u = (2 + 3) 4 = 5 4 = 20 mientras que c u⊕d u=2 4⊕3 4 = 8 ⊕ 12 = −4. la propiedad (a) no se cumple. Tampoco se cumplen las propiedades (b). Sin embargo. aquellas propiedades que los hacen comportarse de manera similar) y define una nueva estructura. establecer si existe el elemento cero (o elemento neutro). se suman en P de la misma forma en que se sumarían en Pr. en R3. sin hacer referencia a uno en particular. (c) y (d) (verifique). Para cada número natural n. como vemos al considerar c = 2. Hay muchos otros ejemplos importantes de espacios vectoriales en varias áreas de las matemáticas. como se advierte al considerar. También escribiremos u ⊕ v simplemente como u + v y c u como cu. es recomendable verificar a continuación la propiedad (c). (g) y (h) se cumplen. V no es un espacio vectorial. ¿es un segmento de recta dirigido?. para referirnos a un espacio vectorial real.276 Capítulo 6 Espacios vectoriales reales EJEMPLO 9 Sea V el conjunto de los números reales. donde r es el máximo de los dos números m y n. V no es un espacio vectorial y no tiene sentido verificar las propiedades restantes. ¿un vector es un punto?. Primero debemos establecer si se cumplen (α) y (β) puesto que si alguna de las propiedades de cerradura falla. V no es un espacio vectorial. Por ejemplo. Dos polinomios. el concepto ya no tiene que estar asociado con un seg- . p(t) de grado n y g(t) de grado m. Naturalmente. Las propiedades (e). Para verificar que un conjunto dado V con dos operaciones y es un espacio vectorial real. El matemático abstrae aquellas características comunes a todos los objetos (es decir. si (c) no se cumple. ¿es una matriz de 3 × 1? La definición 1 se ocupa solamente del comportamiento algebraico de los elementos de un espacio vectorial. sin importar el punto de vista que se adopte. pero la propiedad (f) no. por ejemplo.

entonces c = 0 o u = 0. b] F(−∞. Si cu = 0. definidas para todos los números reales Pn. c0 = 0. entonces (a) (b) (c) (d) 0u = 0. por (b). para cada u en V.1 Espacios vectoriales 277 mento de recta dirigido. 0 = 0u + (− 0u) = (0u + 0u) + (−0u) = 0u + [0u + (− 0u)] = 0u + 0 = 0u. el espacio vectorial de todos los polinomios de grado n junto con el polinomio cero P. Mmn. Tenemos u = 1u = 1 1 1 c u = (cu) = 0 = 0 c c c de acuerdo con la parte (b) de este teorema y con (g) y (h) de la definición 1. (b) Ejercicio T. 6. (d) (−1)u + u = (−1)u + (1)u = (−1 + 1)u = 0u = 0. Al sumar −0u a ambos lados de (2). el espacio vectorial de todas las funciones con valores reales. (c) Suponga que cu = 0 y que c 0. El teorema siguiente presenta varias propiedades útiles. b]. el espacio vectorial de todos los n-vectores con componentes reales el espacio vectorial de todas las matrices de n × m el espacio vectorial de todas las funciones con valores reales. Demostración (a) Tenemos 0u = (0 + 0)u = 0u + 0u. para cada u en V. ■ Notación para los espacios vectoriales utilizados en esta sección Rn. TEOREMA 6. el espacio vectorial de todos los polinomios junto con el polinomio cero Términos clave Espacio vectorial real Vectores Escalares Suma vectorial Multiplicación por un escalar Vector cero (o nulo) Negativo de un vector Propiedades de cerradura Espacio vectorial complejo Polinomio Grado de un polinomio Polinomio cero . F[a. para cada escalar c.Sec. (2) según la parte (f) de la definición 1.1 Si V es un espacio vectorial. (−1)u = −u. comunes a todos los espacios vectoriales. se obtiene.1. se concluye que (−1)u = −u. ∞). (c) y (d) de la definición 1. definidas en el intervalo [a. Como –u es único.

Muestre que c0 = 0 para cada escalar c. Muestre que el conjunto del ejemplo 5 es un espacio vectorial. El conjunto de todos los números reales. cz) c (x. excepto la propiedad (f). Sea V el conjunto de todos los números reales. z) ⊕ (0. z) = (cx. con las operaciones usuales de suma y multiplicación. En los ejercicios 11 a 17. donde x 0 y y 0. con las operaciones usuales en R2. y) = (cx. (x. y + y . entonces v = w. V es el conjunto de todos los polinomios de la forma at2 + bt + c. 0. y. junto con las operaciones dadas.1 Ejercicios En los ejercicios 1 a 4. y). establezca el resultado indicado para un espacio vectorial real V. 11. Si no lo es. 0. 15.1. y. donde x 0. y ) = (x + x . z ) y (x. z) con las operaciones (0. z) 3. 20.3. Muestre que si u 0 y au = bu. a c b . Muestre que Bn es cerrado bajo la operación de suma binaria de los n-vectores binarios. 0) 17. y) = (0. z). y b = a + 1. determine si el conjunto dado. 1.278 Capítulo 6 Espacios vectoriales reales 6. entonces a = b. y + y ) y c (x.2. siendo éstos los bits 0 y 1. T. z) con las operaciones (x. 2. 6. y) ⊕ (x . V es el conjunto de todas las matrices de 2 × 2 2 2 14.1 a T. 10. 9. y.8. Muestre que si u + v = u + w. T.9. T. ⊕ es la suma matricial y ción por un escalar. ¿cuántos vectores existen en V? (b) Describa todos los espacios vectoriales que tienen un número finito de vectores. y.4. y + y ) y c (x. y) con las operaciones (x. 0.5. Muestre que –(−u) = u. y ) = (x + x . V es el conjunto de todos los pares ordenados de número reales (x. T. 4. b y c son números reales. z) con las operaciones (x. Ejercicios teóricos En los ejercicios T. z) = (0. Muestre que Bn es cerrado bajo la operación de multiplicación por escalares. El conjunto de todos los números reales positivos u con las operaciones u ⊕ v = uv y c u = uc 18. z) = (x. y) ⊕ (x . El conjunto de todas las ternas ordenadas de números reales de la forma (0. ¿Es V un espacio vectorial? 19. Muestre que espacio P de todos los polinomios es un espacio vectorial. 0. z ) = (x . El conjunto de todas las ternas ordenadas de números reales (x. cz). Sea V el conjunto formado solamente por un elemento 0. z) ⊕ ( x . 0. enumere las propiedades de la definición 1 que no se cumplen. Verifique con detalle que R2 es un espacio vectorial. V es el conjunto de todas las ternas ordenadas de números reales de la forma (0. Verifique que el conjunto del ejemplo 2 es un espacio vectorial. Muestre que la propiedad (h) es válida para todos los vectores en Bn. Muestre que V es un espacio vectorial. 16. T. z ) = (0. y. 5. T. El conjunto de todos los pares ordenadas de números reales (x. y . 1. z + z ) y (a1 t 2 + b1 t + c1 ) ⊕ (a2 t 2 + b2 t + c2 ) = (a1 + a2 )t 2 + (b1 + b2 )t + (c1 + c2 ) y c (0. T. 13. Verifique con detalle que R3 es un espacio vectorial. T. y. cz) r (at + bt + c) = (ra)t + (r b)t + r c. z + z ) y 12. z ) = (0. . d es la multiplica- donde a = d. Muestre que cada vector u en un espacio vectorial sólo tiene un negativo –u. y. El conjunto de todos los pares ordenados de números reales (x. Definimos ⊕ por u ⊕ v = 2u − v y como c u = cu. (0. 0. T. Muestre que un espacio vectorial sólo tiene un vector cero. y + y . z) ⊕ (x .4. z) ⊕ (0. y). El conjunto de todas las ternas ordenadas de números reales (x. donde a. 0. y + y . cy).6. y . 8. y. es un espacio vectorial. z + z ) y c c (0. z ) = (x + x . y . Verifique que el conjunto del ejemplo 3 satisface todas las propiedades de la definición 1. determine si el conjunto dado V es cerrado bajo las operaciones ⊕ y .7. (a) Si V es un espacio vectorial que tiene un vector distinto de cero. z) = (0. 7. y. cy. Sean 0 ⊕ 0 = 0 y c 0 = 0.

En primer lugar. ■ Sea W el subconjunto de R3 que consta de todos los vectores de la forma (a. si c es un escalar. hacemos una pausa para desarrollar un resultado que nos ahorrará mucho trabajo al examinar si un subconjunto W de un espacio vectorial V es o no un subespacio vectorial. Para verificar si W es un subespacio de R3. y el subespacio {0} que consta sólo del vector cero [recordemos que 0 ⊕ 0 = 0 y c 0 = 0 en cualquier espacio vectorial (vea el ejercicio 19 de la sección 6. W es un subespacio de R3. 0) = (a1 + a2. En este sentido. Sea V el conjunto de todas las matrices de 2 × 2. Con esta asociación. habremos establecido que la propiedad no siempre se cumple en todos los casos posibles. Emplee MATLAB para realizar las operaciones indicadas sobre los polinomios. Por lo tanto. Sean u = (a1. Es fácil demostrar que las propiedades (a)-(h) también se cumplen. * B k+A vectorial Pn de los polinomios con grado n o menor.Sec.2 Subespacios 279 Ejercicios con MATLAB Los conceptos analizados en esta sección no son fáciles de implementar en rutinas de MATLAB.) ML. se utiliza un cero para ese coeficiente. entonces cu = c(a1. (a) p(t) + q(t) (b) 5p(t) (c) 3p(t) – 4q(t) ¿Es V un espacio vectorial? (Sugerencia: introduzca algunas matrices de 2 × 2 y experimente con los comandos de MATLAB para comprender su comportamiento. Las operaciones sobre polinomios se pueden realizar mediante un software para álgebra lineal asociando. analizamos el espacio 6. En consecuencia. 0). tenemos la siguiente. cb1. Continuando con el ejemplo 8. utilizando la asociación matricial que hemos descrito. 0) está en W. b1 + b2. la suma de polinomios corresponde a la suma de matrices y la multiplicación de un polinomio por un escalar corresponde a la multiplicación de una matriz por un escalar. entonces W es un subespacio de V. Sean n = 3 y p(t) = 2t3 + 5t2 + t – 2 q(t) = t3 + 3t + 5.1)]. Si falta explícitamente algún término de p(t). un espacio vectorial con respecto a las mismas operaciones de V. Si W es un espacio vectorial con respecto a las operaciones en V. primero establecemos si se cumplen las propiedades (α) y (β) de la definición 1. DEFINICIÓN EJEMPLO 1 Sean V un espacio vectorial y W un subconjunto no vacío de V. y de acuerdo con el recuadro de la página 276.2. ML. Demostrar con MATLAB que una propiedad de la definición 1 se cumple para unos cuantos vectores no es suficiente para concluir que ella se cumple para todos. pues el tercer componente es igual a cero.1.2 SUBESPACIOS En esta sección comenzaremos a analizar la estructura de un espacio vectorial. a su vez. 0) = (ca1. b1. b1. b2. con cada polinomio p(t) de Pn. 0) también está en W. en W se satisfacen las propiedades (a) y (b) de la definición 1. junto con las operaciones usuales de suma de vectores y multiplicación por escalar. Usted debe evitar este razonamiento erróneo. 0) vectores en W. 0) + (a2. una matriz fila de tamaño n + 1. la propiedad se considera falsa. b. por lo tanto. 6. que es. Esta matriz está formada por los coeficientes de p(t) mediante la asociación p(t) = an t n + an−1 t n−1 + · · · + a1 t + a0 → an an−1 ··· a1 a0 . Cada espacio vectorial tiene por lo menos dos subespacios: él mismo. Ahora. b1. Entonces u + v = (a1. es conveniente tener un nombre para un subconjunto de un espacio vectorial dado. De esta forma. Definimos las operaciones que se indican. antes de verificar las condiciones de la definición 1. El subespacio {0} es denominado el subespacio cero. En cambio. deben ser satisfechos por todos los vectores. mediante los siguientes comandos de MATLAB: A⊕B k A es es A. Los requerimientos de la definición 1. podremos mostrar que un conjunto no es un espacio vectorial. si demostramos con MATLAB que para una elección particular de vectores no se cumple una propiedad. donde a y b son números reales cualesquiera. ■ Antes de mencionar otros subespacios. De acuerdo con la definición de EJEMPLO 2 . 0) y v = (a2. b2.

Mostrar que W es un subconjunto del espacio vectorial M23 definido en el ejemplo 4 de la sección 6. ■ Un criterio alternativo para mostrar que un subconjunto no vacío W de un espacio vectorial V es un subespacio de V consiste en demostrar que au + bv está en W. solamente necesitamos verificar que W es cerrado bajo las operaciones ⊕ y . b. debemos verificar que se cumplen (α).(h) de la definición 1. 1.2. Entonces ka1 kb1 0 ku = está en W 0 kc1 kd1 de modo que se satisface también la condición (β) del teorema 6.1. (Vea el ejercicio T.) Considere el conjunto W de matrices de 2 × 3 que tienen la forma EJEMPLO 3 a b 0 . Solución Considere las matrices u = a1 b1 0 c1 0 d1 y v= a2 0 b2 0 c2 d2 en W. sea k un escalar. W es un subespacio de M23. (β) Si c es cualquier número real y u es cualquier vector en W. entonces c en W. Observe que el subconjunto que tiene como único elemento el vector cero (vea el ejemplo 1) es un subespacio no vacío.2).2. donde x * 0. con las operaciones usuales de suma de vectores y multiplicación por escalar son subespacios? (a) W1 es el conjunto de todos los vectores de la forma x . Entonces W es un subespacio de V si. 1) son cero.13. donde x * 0. (β) y (a) . y . TEOREMA 6. es decir. Sin embargo.280 Capítulo 6 Espacios vectoriales reales subespacio vectorial. Entonces u+v= a1 + a2 b1 + b2 0 c 1 + c2 0 está en W d1 + d 2 de modo que se satisface el requerimiento (α) del teorema 6.1. c y d son números reales arbitrarios. Ahora. Observe que una matriz de 2 × 3 está en W si y sólo si sus entradas (1. y * 0. v está ■ Demostración Observaciones Ejercicio T. para vectores cualesquiera u y v en W y escalares cualesquiera a y b (ejercicio T. y (b) W2 es el conjunto de todos los vectores de la forma (c) W3 es el conjunto de todos los vectores de la forma x . donde x = 0. entonces W no es un subespacio de V. y sólo si se cumplen las siguientes condiciones: (α) Si u y v son vectores cualesquiera en W. Si un subconjunto W de un espacio vectorial V no contiene el vector cero. 3) y (2. el teorema siguiente dice que es suficiente verificar que se cumplen (α) y (β). Por lo tanto.2 Sea V un espacio vectorial con las operaciones ⊕ y y sea W un subconjunto no vacío de V. EJEMPLO 4 ¿Cuáles de los subconjuntos siguientes de R2. entonces u ⊕ v está en W. y x . 0 c d donde a. 2.

3 cu = c 0 0 = . porque si tomamos el vector 3 en W1. No es un subespacio de 2 R2. En consecuencia. Utilizando el mismo vector y el mismo escalar de la parte (a) puede mostrarse que W2 no es un subespacio.1 y W1 x O (b) W2 es el primer cuadrante del plano xy (vea la figura 6. de modo que se satisface la propiedad (α) del teorema 6. si c es un escalar.3). Figura 6.2).2 Subespacios 281 Solución (a) W1 es el semiplano derecho del plano xy (vea la figura 6.2 y W2 O x y (c) W3 es el eje y en el plano xy (vea la figura 6. entonces Figura 6.1). W3 es un subespacio de R2. no se cumple la propiedad (b) del teorema 6.2.2. cb1 b1 está en W3. 6. ■ . es decir. Para determinar si W3 es un subespacio. b1 b2 b1 + b2 está en W3. entonces la multiplicación por escalar −3 2 −6 = 3 −9 no es un vector de W1. Figura 6.Sec. de manera que se cumple también la propiedad (β) del teorema 6. Además. Entonces W3 O x u+v= 0 0 0 + = . sean u= 0 b1 y v= 0 b2 vectores cualesquiera en W3.2.

b1. b. si c es un escalar cualquiera. También. Se concluye entonces.2 no se cumple. Mostraremos que W es un subespacio de V. 1) + (a2. ∞).2. 1) = (a1 + a2. Para verificar si se cumplen las propiedades (α) y (β) del teorema 6. A continuación presentamos como ejemplo un subespacio muy importante EJEMPLO 9 Consideremos el sistema homogéneo Ax = 0. donde a1 y a2 son números reales cualesquiera. b]. se deduce que W no es vacío. b2. mencionado en el ejemplo 5 de la sección 6. Una solución es un vector x en Rn. ■ Sea V el conjunto de todos los polinomios de grado 2 (no 2. pero no es un subespacio de P2. b]. b].282 Capítulo 6 Espacios vectoriales reales EJEMPLO 5 Sea W el subconjunto de R3 formado por todos los vectores de la forma (a. 2). entonces A(cx) = c(Ax) = c0 = 0. verificando las propiedades (α) y (β) del teorema 6. b] es un subespacio del espacio vectorial de todas las funciones reales definidas en [a. sino exactamente igual a 2).1 denotamos por Pn el espacio vectorial formado por todos los polinomios de grado n y el polinomio cero. y Ay = 0. 1) vectores en W. continuas. no está en V. b]. ya que el tercer componente es 2 y no 1. b]. se puede demostrar que Pn es un subespacio de P (ejercicio 12). Para decidir si W es o no un subespacio de Rn. ■ EJEMPLO 6 EJEMPLO 7 EJEMPLO 8 (Requiere conocimientos de cálculo) Sea C[a. Como (α) del teorema 6. C[a. Sea W el subconjunto de Rn formado por todas las soluciones de dicho sistema. Por lo tanto. Sean v1 y v2 vectores fijos en un espacio vectorial V. sean u = (a1. y por P el espacio vectorial de todos los polinomios. y sea W el conjunto de todas las combinaciones lineales (vea la sección 1. b] el conjunto de todas las funciones reales. Por otra parte. A(x + y) = Ax + Ay = 0 + 0 = 0. b1 + b2. el polinomio 4t+3. si c es un escalar. es decir. ■ El subespacio W del ejemplo 9 se denomina espacio solución del sistema homogéneo Ax = 0. W no es un subespacio de R3. W consta de todos los vectores de la forma a1v1 + a2v2. entonces cf está en C[a. La suma. tomemos como ejemplo los polinomios 2t2 + 3t + 1 y −2t2 + t + 2. que no está en W.3) de v1 y v2. que es un polinomio de grado 1. no es un subespacio de Rn si b 0 (ejercicio T. El espacio vectorial de las funciones continuas y definidas para todos los números reales. Para mostrarlo. o espacio nulo de la matriz A. De la igualdad A0 = 0. Es fácil verificar que P2 es un subespacio de P3 y. 1) y v = (a2. Tenga presente que el conjunto de soluciones del sistema lineal Ax = b. Si f y g están en C[a. b1. que Pn es un subespacio de Pn+1 (ejercicio 11). Supongamos que x y y son soluciones. Ax = 0 Entonces.1.3). definidas en el intervalo [a. de modo que cx también es una solución. Entonces u + v = (a1. donde A es de m × n. ■ En la sección 6. es decir. que W es un subespacio de Rn. 1). pues la suma de dos funciones continuas es continua. en general.2. V es un subconjunto de P2. se denota como C(−∞. De manera análoga. donde A es una matriz de m × n. donde a y b son números reales cualesquiera. entonces f + g está en C[a. de modo que x + y también es una solución. consideraremos las condiciones (α) y (β) establecidas en el teorema 6.2. EJEMPLO 10 Una forma sencilla de construir subespacios de un espacio vectorial dado es la siguiente. b2. .

sean v1 = (1. si c es un escalar. 1).2 Subespacios 283 Sean w1 = a1v1 + a2v2 vectores en W. 5) es una combinación lineal de v1. .2. W es un subespacio de V. ■ y w2 = b1v1 + b2v2 El espacio construido en el ejemplo 10 a partir de dos vectores se generaliza fácilmente a un número finito de vectores. . . es también una combinación lineal de v1 y v2. . c1. entonces cw1 = (ca1)v1 + (ca2)v2 está en W. El vector v = (2. 6. Además. . 0). Al sustituir los valores de v. 1. Entonces w1 + w2 = (a1v1 + a2v2) + (b1v1 + b2v2) = (a1 + b1)v1 + (a2 + b2)v2. . Figura 6. 0. c1 + c2 + c3 = 2 2c1 + c3 = 1 c1 + 2c2 = 5. 0. . 1. . . 1) + c2(1. Ahora daremos la definición formal. c2 y c3 tales que c1v1 + c2v2 + c3v3 = v. v2 y v3 si podemos determinar números reales. v1. 1.4 Combinación lineal de dos vectores v2 c2v2 O v1 c1v1 v = c1v1 + c2v2 EJEMPLO 11 En R3. vk si v = c1v1 + c2v2 + · · · + ckvk para ciertos números reales c1. de modo que está en W. v2. 2.4 mostramos al vector v en R2 o R3 como combinación lineal de los vectores v1 y v2. obtenemos c1(1. 1. 2. ck. 0) = (2. c2. 5). v2 y v3. vk vectores en un espacio vectorial V.Sec. .) En la figura 6. Al efectuar las operaciones de la izquierda e igualar las entradas correspondientes. v2.3. Un vector v en V es una combinación lineal de v1. De acuerdo con el teorema 6. 2) y v3 = (1. DEFINICIÓN Sean v1. (Vea también la sección 1. 2) + c3(1. . resulta el sistema lineal (verifique) v2 = (1. . .

En la figura 6. v = v1 + 2v2 – v3. entonces el conjunto de todos los vectores en V que son combinaciones lineales de los vectores en S se denota como gen S o gen {v1. .5 muestra a v como una combinación lineal de v1. gen {v1. donde v1 y v2 son los vectores no colineales en R3. Entonces gen S es el conjunto de matrices en M23 formado por todos los vectores de la forma a 1 0 0 0 1 0 0 0 0 0 0 0 +b +c +d 0 0 0 0 0 0 0 1 0 0 0 1 = a b 0 .5 z ■ v2 v v1 v3 y x DEFINICIÓN Si S = {v1. v2 y v3. vk} es un conjunto de vectores en un espacio vectorial V. que allí se muestran.284 Capítulo 6 Espacios vectoriales reales cuya solución por los métodos del capítulo 1 es (verifique) c1 = 1. . Así. . v2}. v2 y v3. 0 c d donde a. . . vk}. . 0 0 0 0 0 0 0 1 0 0 0 1 . La figura 6. . Figura 6. c2 = 2 y c3 = −1.6 aparece una parte de gen {v1.6 z c1 v c1v1 v1 +c v 2 2 c2v2 v2 y x EJEMPLO 12 Considere el siguiente conjunto S de matrices de 2 × 3 1 S= 1 0 0 0 1 0 0 0 0 0 0 0 . v2. Figura 6. b. . . v2. . . lo cual significa que v es una combinación lineal de v1. v2} es un plano que pasa por el origen y contiene a los vectores v1 y v2. c y d son números reales.

v3. es decir. Para determinar si este sistema de ecuaciones lineales es consistente o no. ■ Demostración EJEMPLO 13 v1 = 2t 2 + t + 2. c y d son números reales. u pertenece a gen {v1. que es la siguiente (verifique) ⎡ ⎤ 1 0 1 −1 0 ⎣0 1 3 1 0⎦ . Dados los vectores siguiente en P2. v4}. v3. v2. Determine si el vector v2 = t 2 − 2t. . y obtenemos su forma escalonada reducida por filas. Solución Si podemos determinar escalares c1.2 Subespacios 285 Es decir. vk} un conjunto de vectores en un espacio vectorial V. . v4}. analizamos la consistencia de un sistema lineal adecuado. ■ TEOREMA 6. Al sustituir los valores de u. De modo que la igualdad anterior. v3. b. gen S es el subconjunto de M23 que consta de todas las matrices de la forma a b 0 . . v3 y v4. v2. ■ Observación En general. v1. 0 0 0 0 1 como el sistema es inconsistente. Entonces. . u = t2 + t + 2 pertenece a gen {v1. v3 = 5t 2 − 5t + 2. . v4}. se concluye que u no pertenece a gen {v1. 6. v2. v2.Sec. no tiene solución. entonces. origina el sistema lineal 2c1 + c2 + 5c3 − c4 = 1 c1 − 2c2 − 5c3 − 3c4 = 1 2c1 + 2c3 − 2c4 = 2. 0 c d donde a. gen S es un subespacio de V.4. c2. formamos la matriz aumentada. para determinar si un vector específico v pertenece a gen S. Dos polinomios coinciden para todos los valores de t sólo si los coeficientes de las potencias respectivas de t coinciden. Vea el ejercicio T. c3 y c4 tales que c1v1 + c2v2 + c3v3 + c4v4 = u. v4 = −t 2 − 3t − 2. v2.3 Sea S = {v1. tenemos c1 (2t 2 + t + 2) + c2 (t 2 − 2t) + c3 (5t 2 − 5t + 2) + c4 (−t 2 − 3t − 2) = t2 + t + 2 o (2c1 + c2 + 5c3 − c4 )t 2 + (c1 − 2c2 − 5c3 − 3c4 )t + (2c1 + 2c3 − 2c4 ) = t 2 + t + 2.

ilustran estos conceptos para Bn. v3}. Los ejemplos 14 a 16. Entonces. obtenemos ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 1 1 c1 ⎣1⎦ + c2 ⎣1⎦ + c3 ⎣1⎦ = ⎣0⎦ . w2 + w2 = w1 . v2 = ⎣1⎦ y v3 = ⎣1⎦ .2 usando escalares binarios y la aritmética binaria. w4 + w4 = w1 . 3. w3 + w4 = w2 . v1. 0 Si encontramos escalares (binarios) c1. w2 + w4 = w3 . w2 + w3 = w4 . lo cual muestra que W es cerrado bajo la multiplicación por escalares. w3 + w3 = w1 . 0 0 0 0 0 (Vea también el ejemplo 19 en la sección 1. según el teorema 6. j = 1. 0wj = w1 y 1wj = wj.2. w1 + w2 = w2 . y por tanto para Bn. w2. donde ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 0 w1 = ⎣0⎦ . W es un subespacio de B3. EJEMPLO 14 Sean V = B3 y W = {w1. v3}.2. Al sustituir u. 0 1 1 ⎡ ⎤ 1 Determine si el vector u = ⎣0⎦ pertenece a gen {v1. w1 + w3 = w3 . v2. w3 = ⎣1⎦ 0 0 0 Determine si W es un subespacio de V. combinación lineal y generador son válidos para cualquier espacio vectorial.) ■ EJEMPLO 16 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 1 v1 = ⎣1⎦ . w3. 4 del ejemplo 14 y los escalares c1 = c2 = c3 = c4 = 1. 0 Solución Aplicamos el teorema 6. Además. sean Solución . 2. c2 y c3. w1 + w4 = w4 . v2. v2 y v3. para j = 1. w4}. 4. 3. Para los vectores wj. y w 4 ⎡ ⎤ 1 = ⎣1⎦ . Tenemos (verifique) w1 + w1 = w1 . tales que c1v1 + c2v2 + c3v3 = u. de modo que W es cerrado bajo la suma de vectores. ■ EJEMPLO 15 Las combinaciones lineales de vectores en Bn puede formarse empleando sólo los escalares 0 y 1.286 Capítulo 6 Espacios vectoriales reales SUBESPACIOS EN Bn (OPCIONAL) Los conceptos de subespacio. 0 1 1 0 En B3. tenemos la combinación lineal ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 0 1 0 c1 w1 + c2 w2 + c3 w3 + c4 w4 = ⎣0⎦ + ⎣0⎦ + ⎣1⎦ + ⎣1⎦ = ⎣0⎦ = w1 . entonces u pertenece a gen {v1. w2 = ⎣0⎦ . 2.

b. ¿Es W un subespacio de R2? Explique. La ■ existencia de solución significa que u pertenece a gen {v1. Esto es. El conjunto W formado por todos los puntos de R2 que tienen la forma (x. z O y W x 3. ¿Cuáles de los siguientes subconjuntos de R3 son subespacios de R3? El conjunto de todos los vectores de la forma (a) (a. considere el círculo centrado en el origen y cuya ecuación es x2 + y2 = 1. con solución c1 = 0. v2. b. 2) (b) (a. o sobre sus lados. Sea W el conjunto de todos los puntos en R3 que están en el plano xy. c2 = 1 y c3 = 1. x) es una línea recta.2 Ejercicios 1.Sec. Considere el cuadrado unitario que se muestra en la figura adjunta. y O W x y x O 4. c). W es el forma y conjunto de todos los vectores cuya cola está en el origen y su cabeza es un punto interior al cuadrado. 6.2 Subespacios 287 Esta combinación lineal es equivalente al producto matricial (verifique) ⎡ ⎤⎡ ⎤ ⎡ ⎤ 1 0 1 1 c1 ⎣1 1 1⎦ ⎣c2 ⎦ = ⎣0⎦ . c). ¿Es W un subespacio de R2? Explique. En el plano xy. 0 0 1 1 Por lo tanto el sistema lineal es consistente. Sea W el conjunto de todos los vectores de la x . 5. Sea W el conjunto de todos los vectores cuya cola está en el origen y cuya cabeza es un punto interior a la. v3}. ¿Es W un subespacio de R3? Explique. donde c 0 . Términos clave Subespacio Subespacio cero Propiedad de cerradura Espacio solución Combinación lineal 6. donde c = a + b (c) (a. y transformarla a la forma escalonada reducida por filas. Al formar la matriz aumentada correspondiente. 0 y 1. b. o en la circunferencia. 2. donde 0 x 1. ¿Es W un subespacio de R2? Explique. c3 0 1 1 0 que tiene la forma de un sistema lineal. obtenemos (verifique) ⎡ ⎤ 1 0 0 0 ⎣0 1 0 1 ⎦ .

3. b] 22. f donde a = −2c y f = 2e + d 17. ¿Cuáles de los siguientes subconjuntos de P2 son subespacios? El conjunto de todos los polinomios de la forma (a) a2t2 + a1t + a0. d). b.2. b] (d) Todas las funciones acotadas en [a. ¿Cuáles de los siguientes subconjuntos del espacio vectorial M23 definido en el ejemplo 4 de la sección 6.1. ¿Cuáles de los siguientes subconjuntos de P2 son subespacios? El conjunto de todos los polinomios de la forma (a) a2t2 + a1t + a0. donde b = a + c 0 c . donde a = c = 0 (b) (a. 12. ¿Cuáles de los siguientes subconjuntos de R4 son subespacios de R4? El conjunto de todos los vectores de la forma (a) (a.288 Capítulo 6 Espacios vectoriales reales 6.1. (a) Muestre que P2 es un subespacio de P3. donde a – b = 2 (b) (a. donde a = 1. d). c. c). ¿Cuáles de los siguientes subconjuntos de R3 son subespacios de R3? El conjunto de todos los vectores de la forma (a) (a. donde a2 + a1 + a0 = 2 11. 3. donde a1 = 2a0 (c) a2t2 + a1t + a0. (Requiere conocimiento de cálculo) Considere la ecuación diferencial y – y + 2y = 0. donde a = 0 y b = −d 8. Proporcione un argumento que demuestre que W es un subespacio de R4. Muestre que V es un subespacio del espacio vectorial de todas las funciones con valores reales definidas en (−∞. Muestre que P es un subespacio del espacio vectorial definido en el ejemplo 5 de la sección 6. definido en el ejemplo 4 de la sección 6. donde c = a + 2b y d = a – 3b (c) (a. Sean u = (2. ¿Cuáles de los siguientes subconjuntos del espacio vectorial M23. c. donde a2 + a1 = a0 2 10. 13. (c) a2t + a1t + a0. 0. 2. d). c. donde a = b = 0 (b) (a. b. b = 0 y c + d = 1 (c) (a. (Vea también la sección 9. b. c. b. donde a y b son números reales cualesquiera. (Requiere conocimiento de cálculo) ¿Cuáles de los siguientes subconjuntos son subespacios del espacio vectorial C(−∞. d). d). b. 0) dos vectores en R y sea W el subconjunto de R3 que consta de todos los vectores de la forma au + bv. ¿Cuáles de los siguientes subconjuntos del espacio vectorial Mnn son subespacios? (a) El conjunto de todas las matrices singulares de n × n (b) El conjunto de todas las matrices triangulares superiores de n × n (c) El conjunto de todas las matrices de n × n cuyo determinante es 1 20. son subespacios? El conjunto de todas las matrices de la forma (a) a d a d b 0 b 0 c . ∞) definido en el ejemplo 8? (a) Todas las funciones no negativas (b) Todas las funciones constantes (c) Todas las funciones f tales que f (0) = 0 (d) Todas las funciones f tales que f (0) = 5 (e) Todas las funciones diferenciables 21. donde a0 = 2 2 (c) a d b e c . defina ⊕ y como en el ejemplo 5 de la sección 6. donde a 0yb 0 9. Muestre que Pn es un subespacio de P. c. (Requiere conocimiento de cálculo) ¿Cuáles de los siguientes subconjuntos del espacio vectorial C(−∞. donde a y b son números reales cualesquiera. ¿Cuáles de los siguientes subconjuntos del espacio vectorial Mnn son subespacios? (a) El conjunto de todas las matrices simétricas de n × n (b) El conjunto de todas las matrices no singulares de n × n (c) El conjunto de todas las matrices diagonales de n × n 19. b. donde a = −c (c) (a. b. f a 0 c donde a + c = 0 y b + d + f = 0 . 1) dos vectores en R4 y sea W el subconjunto de R4 que consta de todos los vectores de la forma au + bv.) 23. 14. Determine cuáles de los siguientes subconjuntos de R2 son subespacios. d). c. 2. −5.1. Sea V el conjunto de todas las soluciones de la ecuación diferencial dada. donde a0 = 0 (b) a2t + a1t + a0. c). donde a1 = 0 y a0 = 0 (b) a2t2 + a1t + a0. Sean u = (1.1 son subespacios? El conjunto de todas las matrices de la forma (a) a d (b) 0 b (c) a d b e 1 c b e c donde a = 2c + 1 . (b) Muestre que Pn es un subespacio de Pn+1. ∞). c). b. donde c 0 0 (b) . 3 15. Una solución de la ecuación diferencial es una función f con valores reales que satisface la ecuación. ∞) definido en el ejemplo 8 son subespacios? (a) Todas las funciones integrables (b) Todas las funciones acotadas (c) Todas las funciones integrables en [a. f 18. ¿Cuáles de los siguientes subconjuntos de R4 son subespacios de R4? El conjunto de todos los vectores de la forma (a) (a. Proporcione un argumento que demuestre que W es un subespacio de R3. b. −3) y v = (−2. −4) y v = (4. donde b = 2a + 1 7. 16.

⎣0⎦ . 4. Sea V = B4. Sea 26. Determine si ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 1 0 ⎬ ⎨ 1 W = ⎣0⎦ . ⎣1⎦ . Determine si W. 1). ⎣0⎦ . Determine cuáles de los siguientes subconjuntos de R2 son subespacios. 1. Sea V = B3. ⎩ 1 1 1 ⎭ ⎡ ⎤ 1 Determine si u = ⎣1⎦ pertenece a gen S. 1) (d) v = (0. Determine si W. es un subespacio de V. 2. 30. 1 ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ 0 S = ⎣0⎦ . p3(t)}. ⎣0⎦ ⎩ 1 0 1 ⎭ es un subespacio de V. 6. ⎣0⎦ . ⎣0⎦ ⎩ 0 1 1 0 ⎭ es un subespacio de V. Sea O x y (b) O x 25. p3 (t) = −t 2 + 1. es un subespacio de V. ⎣1⎦ . (a) p(t) = 3t 2 − 3t + 1 (c) p(t) = t + 1 (b) p(t) = t 2 − t + 1 (d) p(t) = 2t 2 − t − 1 Los ejercicios 28 a 33 utilizan matrices binarias. 29.2 Subespacios 289 (a) y lineales de A1 = 1 0 −1 . 24. 3 A3 = 2 −1 A2 = 2 ? 1 −3 3 1 2 1 0 1 . 2) (c) v = (−1. 1 33. ⎩ 0 0 1 ⎭ ⎡ ⎤ 1 Determine si u = ⎣0⎦ pertenece a gen S. (a) v = (−1. 2. 0) v2 = (1. −1. v2. ⎣1⎦ . O x p2 (t) = t 2 − 2t + 1. Sea V = B4. 32. 0. y v3 = (0. 2. donde p1 (t) = t 2 − t. 0. Determine. 1. donde v1 = (1. Determine si ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 0 ⎬ ⎨ 0 W = ⎣1⎦ . el conjunto de todos los vectores en V cuya primera entrada es 0. 2 O x (a) (c) (b) y 5 −1 3 3 −2 2 1 9 (b) (d) −1 2 0 1 27. 31. 4. 0) ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 1 ⎬ ⎨ 1 S = ⎣0⎦ . 3) (b) v = (1. p2(t). 1. en cada parte (a)-(d). si el vector dado v pertenece a gen {v1. 0. 1). Sea V = B3. Determine. v3}. 0. el conjunto de todos los vectores en V cuya segunda entrada es 1. 1. ⎣1⎦ . ¿Cuáles de los siguientes vectores son combinaciones . si el vector dado p(t) pertenece a gen {p1(t). (a) y 28.Sec. en cada parte (a)-(d).

Asociemos. ML.2. Sea W1 + W2 el conjunto de todos los vectores v en V tales 1 T. donde w1 es cualquier vector en B3. . En este caso escribimos V = W1 ⊕ W2 y decimos que V es la suma directa de los subespacios W1 y W2. W es un subespacio de B3 con exactamente cuatro vectores. T. T. v = [2 a1 b1] w = [2 a2 b2] v+w 3∗v ML. Demuestre que el conjunto de todas las soluciones de Ax = b donde A es de m × n. Sea S = {v1. Demuestre el teorema 6.10. exprese v en función de los elementos de S. Determine si existe un subespacio de V que tenga exactamente tres vectores diferentes. Demuestre que si un subconjunto W de un espacio vectorial V no contiene el vector cero. T. A3} a1 = fix(10 ∗ randn). Sea V = B3 y W = {w1}. 0. v2. 0 1 2 0 1 1 .7. 1)} v = (0. (a) S = {v1. Suponga que V = W1 + W2. 1. ¿cuál es el espacio nulo de A? Justifique su respuesta. (1.5. 1).1. con W1 ∩ W2 = {0}. Muestre que el conjunto de todos los puntos del plano ax + by + cz = 0 es un subespacio de R3. que v = w1 + w2. 1 v = ⎣1⎦. T. b. (a) S = {v1. 2. T.7. Determine todos los subespacios de B3 que contienen el vector ⎡ ⎤. v3} = {(1. Sean V igual a R3 y W el subconjunto de vectores de V que tienen la forma (2. Sea W1 + W2.) = v = I2 1 1 2 2 −1 −3 .4. donde w1 está en W1 y w2 está en W2. (Aplicaciones de combinaciones lineales en MATLAB. Demuestre el teorema 6. T. a. Si A es una matriz no singular. T.290 Capítulo 6 Espacios vectoriales reales Ejercicios teóricos T. (b) S = {A1. v3} ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 2 −1 ⎬ ⎨ = ⎣ 2⎦ . 5) en R3.3. T. 1). 1 Ejercicios con MATLAB ML. . y sólo si se cumple la siguiente condición: si u y v son vectores cualesquiera en W y a y b son escalares arbitrarios. . En caso afirmativo.4. Muestre que W contiene a gen S. Muestre que los únicos subespacios de R son {0} y el propio R1. Muestre que el conjunto W que consta de todos los múltiplos escalares cx0 de x0 es un subespacio de V. Sea A una matriz de m × n. 0. 8. ⎣−1⎦ .10. 1). no es un subespacio de Rn si b 0.12. Para resolver los siguientes ejercicios con MATLAB.16. b2 = fix(10 ∗ randn). A2.9. Emplee MATLAB para determinar si el vector v es una combinación lineal de los elementos del conjunto S. Construya instrucciones similares a las del ejercicio ML. T. (b) S = {v1. ¿Es W un subespacio de V? Sea V = B3. v2. a2 = fix(10 ∗ randn).1. 14. (0. donde w está en W1 y w2 está en W2. Demuestre que un subconjunto W de un espacio vectorial V es un subespacio de V si.14. Determine otros dos subespacios de B3 que tengan exactamente cuatro vectores. (1. (3.3. T. . T.8. 1.2. vk) un conjunto de vectores en un espacio vectorial V. T.1 para mostrar que W no es un subespacio de V. 1.15. T. 1. con cada uno de estos polinomios en W. Sea x0 un vector fijo en un espacio vectorial V.11. Demuestre que cada vector en V se puede escribir de manera única como w1 + w2. En el ejemplo 14. donde a y b son números reales arbitrarios. v3} = {(1. Sean W1 y W2 subespacios de un espacio vectorial V. T. entonces au + bv está en W. 1). 1. y sea W un subespacio de V que contiene a S. S.6. 0. T. b1 = fix(10 ∗ randn). v2.2. 3)} v = (–2. como se definió en el ejercicio T. entonces W no es un subespacio de V. Sean V = P2 y W el subconjunto de vectores de V que tienen la forma ax2 + bx + 5. ⎣ 8⎦ ⎩ −1 0 −3 ⎭ ⎡ ⎤ 0 v = ⎣ 5⎦ −2 ML. donde a y b son números reales arbitrarios. 4). ¿Es el conjunto W de todos los vectores x en Rn tales que Ax 0 un subespacio de Rn? Justifique su respuesta. Muestre que W1 + W2 es un subespacio de V. el vector (a. 1. Sean W1 y W2 subespacios de un espacio vectorial V. . 0). ¿Es W un subespacio de V? Utilice las siguientes instrucciones de MATLAB como ayuda para determinar la respuesta.17. Utilice MATLAB para determinar si el vector v es una combinación lineal de los elementos del conjunto.13. requiere haber leído la sección 12.3. v2. b).

v2. . Ahora formularemos estas ideas.5. los vectores dados no generan a V. si se denota por S el conjunto S = {v1. Paso 2. Sin embargo.3 Independencia lineal 291 ML. DEFINICIÓN Se dice que los vectores v1. p3(t)} = {2t − t + 1. donde S = {v1 . . vk} genera a V. investigamos la consistencia de un sistema lineal.Sec. 0. o que {v1. . esto es. que el único espacio vectorial real que tiene un número finito de vectores. o que V es generado por S o. v3 } = {(1. −1. . es el espacio cuyo único vector es 0. v2. En cada parte. debe notarse que existe más de uno de tales conjuntos que describen a V. si cada vector en V es una combinación lineal de v1. (1. 1. ⎢ 1⎥ ⎪⎣0⎦ ⎣−1⎦ ⎣ 0⎦ ⎣ 1⎦⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎭ 1 1 −1 1 ⎡ ⎤ 0 ⎢−1⎥ ⎢ ⎥ v = ⎢ 1⎥ ⎣−2⎦ 1 (b) S = {p1(t). cada vector en V puede ser expresado como una combinación lineal de los vectores en tal conjunto. 2. gen S = V. vk. . v4} ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 2 −2 ⎪ ⎪ 1 ⎪ ⎪⎢2⎥ ⎢ 1⎥ ⎢ 1⎥ ⎢ 1⎥⎪ ⎪ ⎨ ⎬ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ = ⎢1⎥ . v2. Seleccione un vector arbitrario v en V. 3. . .2. Determine si v es una combinación lineal de los vectores dados. vk}. exprese v en términos de los elementos de S. Nuevamente. En cada parte. . 6. v2.3 INDEPENDENCIA LINEAL En las secciones anteriores de este capítulo definimos un sistema matemático denominado espacio vectorial real y establecimos algunas de sus propiedades. . . Paso 1. . . . en el paso 2. de acuerdo con el ejercicio T. 1. −2. Emplee MATLAB para determinar si el vector v es una combinación lineal de los elementos del conjunto S. determine si v pertenece a gen S. En general. 0. 1). se dice también que S genera a V. 1. 3) (c) v = (0. 2. pero esta vez para un lado derecho que representa un vector arbitrario en un espacio vectorial V.4 de la sección 6. (a) v = (2. . t − 2.6. v2 . En efecto. p3 (t)} = {t − 1. t + 1. . ⎢ 2⎥ . ahora. 1). los vectores dados generan a V. v2.1. . . 1)}. si no. vk generan el espacio vectorial V es como sigue. (a) p(t) = t 2 + 2t + 4 (b) p(t) = 2t 2 + t − 2 (c) p(t) = −2t 2 + 1 v = p(t) = 4t 2 + t − 5 6. en esta sección y en la siguiente mostraremos que casi todo espacio vectorial V estudiado aquí posee un conjunto con un número finito de vectores que describen por completo el espacio V. si v 0 está en el espacio vectorial V y c c son números reales distintos entonces. p2 (t). −3. t 2 + t + 1}. . t − 1} 2 2 ML. En tal caso. determine si p(t) pertenece a gen S. v3. Además. vk de un espacio vectorial V generan a V.7. . (a) S = {v1. lo cual permite concluir que V tiene una infinidad de vectores. ⎢ 0⎥ . Observemos. v2. p2(t). 3) ML. donde S = {p1 (t). cv c v. ( 0. 3) (b) v = (2. 2. en el lenguaje de la sección 6. Si lo es. El procedimiento para establecer si los vectores v1. . .

donde a. 1). 3 Dado que existe una solución para cualquier elección de a. b y c son números reales cualesquiera. 0). c) un vector arbitrario en R3 (es decir. 1. v2. . es decir. 2. 0 0 1 0 0 1 genera el subespacio de M22 formado por las matrices simétricas. si existen constantes c1. d3 = c. c2 y c3 tales que c1v1 + c2v2 + c3v3 = v. Sea p(t) = at2 + bt + c un polinomio en P2. se concluye que v1. b y c. 0.292 Capítulo 6 Espacios vectoriales reales EJEMPLO 1 Sea V el espacio vectorial R3 y sean v1 = (1. donde p1(t) = t2 + 2t + 1 y p2(t) = t2 + 2. Debemos encontrar constantes d1. d2 = b. Sea S = {p1(t). Solución . v2 = (1. v2 y v3 generan a V? Solución Paso 1. Paso 2. b y c. ■ EJEMPLO 2 Demuestre que S= 1 0 0 1 0 0 . 2) y v3 = (1. b. p2(t)}. 3 c3 = 4a − b − 2c . tiene la forma A= a b . ¿Los vectores v1. v2 y v3 generan a R3. concluimos que S genera al subespacio dado. b c donde a. d2 y d3 tales que d1 1 0 0 1 0 0 a b + d2 + d3 =A= . o que gen{v1. Una solución es (verifique) c1 = −2a + 2b + c . donde a. Como hemos encontrado una solución para toda elección de a. ■ EJEMPLO 3 Sea V el espacio vectorial P2. Debemos examinar si v es combinación lineal de los vectores dados. 0 0 1 0 0 1 b c lo cual conduce a un sistema lineal cuya solución es (verifique) d1 = a. Una matriz simétrica arbitraria de 2 × 2. Solución Paso 1. La ecuación anterior conduce al sistema lineal (verifique) c1 + c2 + c3 = a 2c1 + c3 = b c1 + 2c2 = c. Paso 2. b y c son números reales cualesquiera. v3} = R3. ¿S genera a P2? Paso 1. 3 c2 = a−b+c . b y c son números reales arbitrarios). Sea v = (a.

. 0) y e2 = j = (0. 1) generan a R2. 1. e2 = j = (0. . . es decir. 0 b − 4a + 2c Si b – 4a + 2c 0. .3 Independencia lineal 293 Paso 2. en = (0. 1) generan a Rn. Así. pues todo polinomio en Pn es de la forma a0tn + a1tn−1 + · · · + an−1t + an. el polinomio 3t2 + 2t – 1 no puede escribirse como una combinación lineal de p1(t) y p2(t). 1} genera a Pn.2. . . Debemos determinar si existen constantes c1 y c2 tales que p(t) = c1p1(t) + c2p2(t). tn−1. 0) y e3 = k = (0. 0. 0). 0. . e2 = (0. . . 1 1 −1 3⎦ 4 4 −1 9 El conjunto de todas las soluciones del sistema Ax = 0 forma un subespacio de R4 (vea el ejemplo 9. un) en Rn puede expresarse como u = u1e1 + u2e2 + · · · + unen. donde ⎡ ⎤ 1 1 0 2 1 −5⎥ ⎢−2 −2 A=⎣ . 6. . 0. ■ EJEMPLO 4 Los vectores e1 = i = (1. 0). S = {p1(t). . u2) es cualquier vector en R2. .2). 0. En forma similar. 0.Sec. entonces u = u1e1 + u2e2. 1. p2(t)} no genera a P2. . todo vector u en R3 se puede escribir como combinación lineal de los vectores e1 = i = (1. obtenemos (verifique) ⎡ 1 ⎣0 0 ⎤ 0 2a − c 1 c − a ⎦. t. tales que at2 + bt + c = c1(t2 + 2t + 1) + c2(t2 + 2). sección 6. . Por esta razón. ■ EJEMPLO 5 El conjunto S = {tn. Utilizando operaciones elementales por filas sobre la matriz aumentada del sistema. Para determinar un conjunto generador del espacio solución . los vectores e1 = (1.1 y 4. . . (c1 + c2)t2 + (2c1)t + (c1 + 2c2) = at2 + bt + c. ya que. 1). . . . . Entonces e1. si u = (u1. puesto que cualquier vector u = (u1. Por ejemplo. . . 0). e2 y e3 generan a R3 . que es una combinación lineal de los elementos en S.2. obtenemos el sistema lineal c1 + c2 = a 2c1 =b c1 + 2c2 = c. Como dos polinomios coinciden para todos los valores de t sólo si los coeficientes de las potencias respectivas de t coinciden. u2. . . Como se observó en la sección 4. ■ EJEMPLO 6 Considere el sistema lineal homogéneo Ax = 0. el sistema es inconsistente y no existe solución. como observamos en las secciones 4.

En consecuencia. . vk. la solución general está dada por escalonada reducida por filas de la ⎤ 0 0⎥ . . . debemos tener. v2. la ecuación (1) siempre se cumple si hacemos igual a cero cada uno de los escalares c1. . vk}. v2. . . por lo menos uno de los escalares. Observe que. . . . . En otras palabras. vk son linealmente dependientes o linealmente independientes es como sigue. . Paso 1. por ⎡ ⎤ ⎡ ⎤ −1 −2 ⎢ 1⎥ ⎢ 0⎥ x = r ⎣ ⎦ + s ⎣ ⎦. v2. .294 Capítulo 6 Espacios vectoriales reales de este sistema homogéneo. c2. son linealmente independientes si la única combinación lineal de v1. v2. cualesquiera sean los vectores v1. Plantee la ecuación (1). diferente de cero. . . . v1. . . . se dice que el conjunto S es linealmente dependiente o linealmente independiente según si los vectores de S tienen la correspondiente propiedad. que c1 = c2 = · · · = ck = 0. la cual conduce a un sistema homogéneo. se dice que v1. vk son linealmente independientes si siempre que c1v1 + c2v2 + · · · + ckvk = 0. entonces los vectores son linealmente dependientes. son linealmente independientes. c2. . v1. esto es. entonces los vectores dados son linealmente independientes. . . . v2. Paso 2. . si tiene una solución no trivial. El procedimiento para determinar si los vectores v1. . vk que da como resultado el vector cero es aquella en la que todos los coeficientes son cero. . El resultado es (verifique) ⎡ 1 1 0 2 0 1 −1 ⎢0 ⎣0 0 0 0 0 0 0 0 Entonces. 0 1 0 1 ⎡ ⎤ ⎡ ⎤ −1 −2 ⎢ 1⎥ ⎢ 0⎥ generan el espacio solución. . los vectores ⎣ ⎦ y ⎣ ⎦ 0 1 0 1 ■ INDEPENDENCIA LINEAL DEFINICIÓN Los vectores v1. . vk en un espacio vectorial V son linealmente dependientes si existen constantes c1. . necesariamente. en forma matricial. v2. . . . . donde r y s son números reales cualesquiera. ck. . (1) En caso contrario. vk. . . encontremos la forma matriz aumentada. ck no todas iguales a cero. Cada elemento del espacio solución está dado entonces. tales que c1v1 + c2v2 + · · · + ckvk = 0. 0⎦ 0 x1 = −r – 2s x2 = r x3 = s x4 = s. . Si el sistema homogéneo que se obtuvo en el paso 1 tiene sólo la solución trivial. . v2. Si S = {v1. . El punto importante de la definición es si es posible satisfacer la ecuación (1) con. . vk. v2. . .

0. y v4 = (2. 2. 3) en R4. 1). −1). 0 1 0 0 1 0 se obtiene el sistema homogéneo ⎡ −c1 c1 0c1 0c1 − 2c2 + 0c2 + c2 + c2 =0 =0 =0 = 0. v3. 0) en R3. v2. 1. v4} linealmente dependiente o linealmente independiente? v2 = (1. v2 = (0. 1. Inicialmente formamos la ecuación (1). c1v1 + c2v2 + c3v3 = 0.3 Independencia lineal 295 EJEMPLO 7 Determinemos si los vectores ⎡ ⎤ −1 ⎢ 1⎥ ⎣ 0⎦ 0 ⎤ −2 ⎢ 0⎥ y ⎣ ⎦ 1 1 ⎡ que generan el espacio solución del sistema Ax = 0 del ejemplo 6 son linealmente dependientes o linealmente independientes. 0. Solución Cuando se forma la ecuación (1) ⎤ ⎡ ⎤ ⎡ ⎤ −1 −2 0 ⎢ 1⎥ ⎢ 0⎥ ⎢0⎥ c1 ⎣ ⎦ + c2 ⎣ ⎦ = ⎣ ⎦ . Esto muestra que los vectores dados son linealmente independientes. −1) . −2. 1. c2 y c3. son linealmente dependientes o si son linealmente independientes. 1. 2. El sistema homogéneo resultante es (verifique) Solución + c3 c2 + c3 c1 + c2 + c3 2c1 + 2c2 + 3c3 c1 =0 =0 =0 = 0. ■ EJEMPLO 9 Considere los vectores v1 = (1. ■ EJEMPLO 8 Determinar si los vectores v1 = (1.Sec. v3 = (−3. Entonces los vectores dados son linealmente independientes. 1. 6. 2). 2) y v3 = (1. ¿Es el conjunto S = {v1. cuya única solución es c1 = c2 = 0. cuya única solución es c1 = c2 = c3 = 0 (verifique). que debemos resolver para c1.

cuyas columnas son los n vectores dados. son linealmente independientes (ejercicio T. llegamos al sistema homogéneo de tres ecuaciones con cuatro incógnitas (verifique) c1 + c2 − 3c3 + 2c4 = 0 2c1 − 2c2 + 2c3 =0 −c1 + c2 − c3 = 0. Para determinar si S = {p1(t). en el ejemplo 10. Consiste en formar la matriz A. c2 = 1. y sólo si det(A) 0. . A= 1 0 0 1 y det(A) = 1. los vectores e1. ■ Como veremos. . los vectores e1. . Como ilustración. c4 = 0. tiene soluciones no triviales. La sustitución de estos valores en la ecuación correspondiente muestra que p1(t) + p2(t) – p3(t) = 0.6. ■ EJEMPLO 12 Si v1. . . c3 = −1. e2 y e3 en R3 y. Una solución particular es c1 = 1. establece otra forma de determinar la dependencia o independencia lineal de n vectores dados en Rn. p2 (t) = 2t 2 + t. Por lo tanto. c2 y c3. EJEMPLO 11 Considere los vectores p1 (t) = t 2 + t + 2. . El sistema homogéneo resultante es (verifique) c1 + 2c2 + 3c3 = 0 c1 + c2 + 2c3 = 0 2c1 + 2c3 = 0. plantearemos la ecuación (1) y la resolveremos para c1. que todo conjunto de vectores que incluya el vector cero es linealmente dependiente. c2 = 1. v2. 1) = (0. 0) se satisface solamente para c1 = c2 = 0. vk} es linealmente dependiente. v2.8 de la sección 1. c2 = 2.6. el corolario 6. c3 = 0.1). . p2(t). son linealmente independientes puesto que c1(1. . de modo que e1 y e2 son linealmente independientes.4 de la sección 6. . Entonces S es linealmente dependiente. en en Rn. En particular. c1 = 1. ■ EJEMPLO 10 Los vectores e1 y e2 en R2. de acuerdo con el teorema 1. vk son k vectores en un espacio vectorial y vi es el vector cero. . . 0) + c2(0. es decir. S es linealmente dependiente. c3 = 1. dos de las infinitas soluciones son c1 = 1. p3(t)} es linealmente dependiente o linealmente independiente. Esto indica que S = {v1. la ecuación (1) se cumple haciendo ci = 1 y cj = 0 para j i.296 Capítulo 6 Espacios vectoriales reales Solución Después de establecer la ecuación (1). que. . el cual tiene una infinidad de soluciones (verifique). ■ . los vectores dados son linealmente independientes si. definidos en el ejemplo 4. Similarmente. p3 (t) = 3t 2 + 2t + 2. en general. c4 = −1. e2. Entonces.

v2 es una combinación lineal de v1 y v3: v2 = a1v1 + a3v3. Como una recta que pasa por el origen siempre pertenece a un plano que pasa por el origen. entonces v1 y v2 son linealmente dependientes. v2 y v3 son linealmente dependientes en R3.7(a)]. Entonces.3 Independencia lineal 297 Sean S1 y S2 subconjuntos finitos de un espacio vectorial y tales que S1 es subconjunto de S2. Geométricamente. Figura 6. o están en una misma recta que pasa por el origen. o los tres vectores son el vector cero. o es una recta que pasa por el origen (cuando v1 y v3 son linealmente dependientes).Sec.7 v2 v1 O (a) Vectores en R2. En síntesis. suponga que v1 = cv2. donde c1. también lo es S2. y (b). o es el origen (cuando v1 = v3 = 0). Entonces existen escalares c1 y c2. v1 y v2 son linealmente dependientes en R2 si y sólo si uno de los vectores es múltiplo del otro. Entonces: (a) si S1 es linealmente dependiente. Recíprocamente. entonces v1 = − Si c2 0. linealmente dependientes v1 v2 O (b) Vectores en R2. por lo menos uno distinto de cero. digamos v1 y v3. En todos estos casos. v2 y v3 están en un mismo plano que pasa por el origen. lo cual significa que v2 está en el subespacio W generado por v1 y v3. y como los coeficientes de v1 y v2 no son ambos iguales a cero. digamos c2 0. o están en un plano que pasa por el origen y es generado por dos de ellos. . supongamos que v1. que pasa por el origen. v2 y v3 están en un mismo plano. Recíprocamente. dos vectores en R2 son linealmente dependientes si y sólo si ambos pertenecen a una misma recta que pasa por el origen [figura 6. Entonces v2 = − c1 c2 v1 − c3 c2 v3 . linealmente independientes Ahora suponga que v1. A continuación analizaremos el significado de independencia lineal en R2 y en R3. c2 y c3 no todos son cero. Como vemos. o es un plano que pasa por el origen (cuando v1 y v3 son linealmente independientes). Este subespacio W.2). si S2 es linealmente independiente. podemos concluir que v1. Si c1 0. v2 = − c1 c2 v1 . tales que c1v1 + c2v2 = 0. en cualquiera de los casos uno de los vectores es un múltiplo escalar del otro. Entonces 1v1 − cv2 = 0. entonces c2 c1 v2 . Entonces podemos escribir c1v1 + c2v2 + c3v3 = 0. 6. también lo es S1 (ejercicio T. Supongamos que v1 y v2 son linealmente dependientes en R2.

. . . entonces Demostración vj = − c1 cj v1 − c2 cj v2 − · · · − c j−1 cj v j−1 . v1. de forma equivalente. no todos cero. . Esta caracterización no funciona para conjuntos de tres o más vectores. En síntesis. . v2. vj−1. . es decir. una contradicción con la hipótesis de que ninguno de los vectores es el vector cero.4 Los vectores no nulos v1.8(a)] Figura 6. . . Podemos mostrar (ejercicio T. vn son linealmente dependientes. . . ■ . v1. . v 4 = v 1 + v 2. uno de los vectores vj es una combinación lineal de los vectores que le preceden v1. v2. v2. . tres vectores en R3 son linealmente dependientes si y sólo si están en un mismo plano que pasa por el origen [figura 6. ■ EJEMPLO 13 Si v1. Por lo tanto. vk en un espacio vectorial V. . . lo cual implica que v1 = 0. Sea j el mayor subíndice para el cual cj 0. son linealmente dependientes si. Como uno por lo menos de los coeficientes. en estos casos utilizaremos el resultado que se establece en el teorema siguiente. u y v son linealmente independientes si y sólo si ninguno de los vectores es múltiplo del otro. j ≥ 2. . . vj = c1v1 + c2v2 + · · · + cj−1vj−1. v2. . tales que c1v1 + c2v2 + · · · + cnvn = 0. v2. lo cual significa que v1. . Si j 1. linealmente dependientes (b) Vectores en R3. O. . encontramos (verifique) que v1 + v2 + 0v3 – v4 = 0.8 v3 v3 v + a 3v 3 v2 = a1 1 v1 O v2 v1 O (a) Vectores en R3. es diferente de cero. v2 y v3 son linealmente dependientes. . −1. v2. linealmente independientes En términos más generales. vn son linealmente dependientes. En este caso. es una combinación lineal de los vectores que lo preceden v1. sean u y v vectores distintos de cero en un espacio vectorial V. . . Supongamos ahora que v1. Si vj es una combinación lineal de v1.13) que u y v son linealmente dependientes si y sólo si existe un escalar k tal que v = ku. y sólo si uno de los vectores vj. vj−1. v3 y v4 son los vectores del ejemplo 9. . v2. Entonces existen escalares c1.298 Capítulo 6 Espacios vectoriales reales Entonces a1v1 – 1v2 + a3v3 = 0. . v2. Si j = 1. c2. . vj−1. TEOREMA 6. cn. entonces c1v1 + c2v2 + · · · + cj−1vj−1 + (−1)vj + 0vj+1 + · · · + 0vn = 0. . . v3 y v4 son linealmente dependientes. entonces c1v1 = 0. .

6. EJEMPLO 14 Considere el conjunto de vectores S = {v1. vj−1. entonces. v2 = ⎣ ⎦ . Ahora. a2. v2.3). . vn} genera un espacio vectorial V y que vj es una combinación lineal de los vectores que le preceden en S. .3 Independencia lineal 299 Observaciones 1. también se cumple que v1 + 2v2 + v3 + 0v4 = 0. .4 y en otras partes del texto. v3 = ⎣ ⎦ y v4 = ⎣ ⎦ . y ninguno de ellos puede ser el vector cero. Entonces el conjunto S1 = {v1. v1 = −v2 – 0v3 + v4 y v2 = − – v1 − – v3 −0v4. Para demostrar este resultado. v2. an tales que v = a1 v1 + a2 v2 + · · · + a j−1 v j−1 + a j v j + a j+1 v j+1 + · · · + an vn . v3}. vj+1. . como S genera a V.Sec. . . El teorema 6. Como ilustración. v2. lo cual significa que gen S1 = V. v2. También podemos probar que si S = {v1. . . dependencia lineal y generador. . puesto que su coeficiente es cero. Si los vectores v1. donde ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 0 2 ⎢1⎥ ⎢0⎥ ⎢1⎥ ⎢1⎥ v1 = ⎣ ⎦ . . Como v4 = v1 + v2. ■ GENERADOR E INDEPENDENCIA LINEAL EN B n (OPCIONAL) Los conceptos de independencia lineal. . 2 2 1 1 3. El resultado siguiente se utilizará en la sección 6. concluimos que W = gen S1. Suponga que S = {v1. 0 1 1 1 0 0 0 0 y sea W = gen S. . . . Sin embargo. . 2. . v3. v4} en R4. vn} que consta de los vectores en S. v2 y v3. observe que si v es cualquier vector en V. v2. . . . el ejemplo 13. vk en un espacio vectorial V son linealmente independientes. también genera a V. entonces v = a1 v1 + a2 v2 + · · · + a j−1 v j−1 + a j (b1 v1 + b2 v2 + · · · + b j−1 v j−1 ) + a j+1 v j+1 + · · · + an vn = c1 v1 + c2 v2 + · · · + c j−1 v j−1 + c j+1 v j+1 + · · · + cn vn . Recordemos que en el caso del espacio vectorial Bn sólo se permiten a 0 y 1 como escalares. . . v2. . vk} es un conjunto de vectores en un espacio vectorial V. si vj = b1v1 + b2v2 + · · · + bj−1vj−1. . . no podemos despejar a v4 para expresarlo como combinación lineal de v1. . entonces S es linealmente dependiente si y sólo si uno de los vectores en S es una combinación lineal de todos los demás vectores en S (ejercicios T. en el ejemplo 9. y que todas las operaciones aritméticas se realizan con aritmética binaria. podemos encontrar escalares a1. con excepción de vj. entonces no puede haber entre ellos dos vectores iguales. Así. donde S1 = {v1.4 no dice que en un conjunto de vectores linealmente dependientes todo vector v del conjunto es una combinación lineal de los vectores que le preceden. son válidos independientemente de la naturaleza de los escalares o de la de los vectores de un espacio vectorial.

v1. c2 y c3 (dígitos binarios) tales que c1v1 + c2v2 + c3v3 = v. 0 0 a+b+c El sistema es inconsistente si la elección ⎤ dígitos binarios para a.300 Capítulo 6 Espacios vectoriales reales EJEMPLO 15 Sea V el espacio vectorial B3 y sean ⎡ ⎤ ⎡ ⎤ 1 1 v1 = ⎣1⎦ . si v = ⎣1⎦. planteamos el sistema lineal homogéneo c1 + c2 =0 c1 + c3 = 0 c2 + c3 = 0. Formamos la matriz aumentada (verifique): ⎡ 1 ⎣0 0 y obtenemos su forma escalonada reducida por filas ⎤ 0 1 a+a+b 1 1 a + b ⎦. linealmente independientes? Con base en la ecuación (1). c1 = −c3 y c2 = −c3. Debemos establecer si existen escalares c1. En consecuencia. v2 y v3 del ejemplo 15. b y c es tal que ⎡ de 1 a + b + c 0. Por lo tanto. encontramos la solución no trivial c1 = c2 = c3 = 1 (verifique). v2 y v3 a V? ⎡ ⎤ a Sea v = ⎣b⎦ cualquier vector en B3. 1 Solución ¿Generan los vectores v1. donde c3 es 0 o 1. v2 y v3 no generan 1 a V. Escogiendo c3 = 1. Esto conduce al sistema lineal c1 + c2 =a c1 + c3 = b c2 + c3 = c. ■ Términos clave Generador Linealmente dependiente Linealmente independiente . 0 0 0 0 Entonces. es decir. ■ EJEMPLO 16 Solución ¿Son los vectores v1. b y c son pueden ser cualquiera c de los dígitos binarios 0 o 1. por ejemplo. cuya forma escalonada reducida por filas es (verifique) ⎡ ⎤ 1 0 1 0 ⎣0 1 1 0 ⎦ . v2 = ⎣0⎦ 0 1 y ⎡ ⎤ 0 v3 = ⎣1⎦ . v2 y v3 son linealmente dependientes. v1. donde a.

−2. 2. t} (c) {3t + 1. 1). ( 1. 0. ⎣0⎦ y ⎣1⎦ generan a B3. 1. ( 2. ¿Para qué valores de λ son los vectores t + 3 y 2t + λ2 + 2 en P1 linealmente dependientes? ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 1 17. (1. 0). 1. 3. −1). ( 1. 1 ⎡ ⎤ 4 x2 = ⎣−7⎦ . Siga las indicaciones del ejercicio 10. Siga las indicaciones del ejercicio 10. 1. 0. ( 1. Sea V el espacio vectorial de todas las funciones continuas de valores reales. Considere el espacio vectorial M22. 2) (d) (2. ( 0. et. 0. 2. Considere el espacio vectorial R4. 2. 0). 2. (−2. −2. 2). 6). 0. 1). 1). (−1. Determine un conjunto de vectores que genere el espacio nulo de ⎡ ⎤ 1 1 2 −1 3 6 −2⎥ ⎢ 2 A=⎣ . 2. ( 6.3 Ejercicios 1.Sec. 1. ( 0. Sean (a) (b) (c) 1 1 1 1 1 1 1 1 . ( −2. 0. sen2 t. (0. −3. ¿Cuáles de los siguientes vectores generan a R2? (a) (1. 1. 1) (b) (0. 2. −1. 0). −1. −5. exprese un vector del conjunto como combinación lineal de los demás. 5t 2 − 5t − 6. Siga las indicaciones del ejercicio 10. t − 1} 2 2 5. 6. 2 2 3 2 . 0. t 2 + t} (c) {t 2 + 2. 2. 6. −5. 2. 1. 1. 1)} (d) {(4. 0). ( 2. −1 1 ⎡ ⎡ ⎤ 1 ⎢6⎥ x3 = ⎣ ⎦ 2 0 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 1 18. 1). 2. −1. −3). (2. 2. −t3 + t2 – 5t + 2 a P3? 6. 1. 0). 1. 1. t. (a) {(1. t 2 + t. ( 1. 2. −1 ⎡ ⎡ ⎤ 1 x3 = ⎣2⎦ 2 15. 0). x3} linealmente independiente? 10. 2). Siga las indicaciones del ejercicio 10. −1). ( 3. ¿Cuáles de los siguientes conjuntos de vectores generan a R3? elementos del espacio nulo de A. t + 3} (b) {2t 2 + 1. −5). 4. 3. ¿Cuáles de los siguientes conjuntos de vectores en R3 son linealmente dependientes? Cuando lo sean. 3). 4). (1. 1). 6. 1. 2. ( 2. ( 4. −1) (d) (1. (2. ( 3. 6. −1). 3). 0). 0). 3). 0. ( 0. 3t 2 + 1. 1. 0 1 ⎤ 1 ⎢ 0⎥ x2 = ⎣ ⎦ . 1. 4. 8. Determine un conjunto de vectores que genere el espacio solución de Ax = 0. 3). x3} linealmente independiente? 9. ( 1. 0. et} (c) {t2. 2. (1. 1. 2 4 1 2 1 2 . −2. 1). ( 6. ( 2. (5. (1. 0. 1. 2. ( 0. −1. t 2 + t + 4} (d) {t + 2t − 1. 1). 2 0 1 1 . 1)} 3. 1). 1. ( 4. (0. −1. c} en R3 linealmente dependientes? 16. 0. 5)} (b) {(4. 0)} (d) {(1. 0). 2t 2 + t + 1} (d) {t 2 − 4. 2. (1. 1) 4. 3. −2. 1 0 1 2 . donde ⎡ ⎤ 1 0 1 0 2 3 1⎥ ⎢1 A=⎣ . −2 1 2 2⎦ 0 −2 −4 0 8. 1). 3. (0. 1). 2) 2. 6. 3)} (c) {(1. 0 1 1 elementos del espacio solución de Ax = 0. 1. 1). (2. Determine si los vectores ⎣1⎦. et} (b) {t. 5. (0. (a) {cos t. 2). (a) {t 2 + 1. 1). t3 + 2. ¿Cuáles de los siguientes vectores generan a R4? (a) (1. 2. 2 1 0 0 . ( 2. t 2 + 3. 2t 2 − t + 1. 3. −2) (c) (1. x2. −1. 1)} 11. 1). 1. (a) {t 2 + 1. 1) (c) (6. 0. 3t 2 − 5t + 2} 13. (3. 0. −2. (0. −6. Considere el espacio vectorial P2. ¿Para qué valores de c son los vectores (−1. 4. Sean ⎡ ⎤ 1 ⎢2⎥ x1 = ⎣ ⎦ . ¿Es el conjunto {x1. 6)} (d) {(1. 1 1 6 6 2 1 14. 1). ( −1. 1. 3). x2. 1. 2). 1)} (b) {(1. ( 3. ( 1. 1. ¿Cuáles de los siguientes conjuntos de polinomios generan a P2? (a) {(1. sen t. (a) {(1.3 Independencia lineal 301 6. t + 1} (b) {t 2 + 1. 0) (b) (1. 2). Determine si los vectores ⎣1⎦. 0. 2). 2. t − 2. ¿Es el conjunto {x1. 4)} (c) {(2. 1 1 0 0 . −1). t2 – t + 2. 0. 3). (−1. 2)} (c) {(1. ⎣0⎦ y ⎣1⎦ generan a B3. 1 0 0 . 4). ( 0. t + 2. 2). 0. 2) y (1. 1)} (b) {(1. cos 2t} ⎤ 2 x1 = ⎣−1⎦ . 2 0 3 3 . sen t} (d) {cos2 t. (2. 1. −1. 5)} 12. 1. 2 1 3 1⎦ 1 1 2 1 7. 1. ¿Generan los polinomios t3 + 2t + 1. t − 1. ( 0.

Sean S1 y S2 subconjuntos finitos de un espacio vectorial. i = 1. Sea W el subespacio de V generado por los vectores w1. Suponga que S = {v1. T. Avn} es linealmente independiente. T. w2. v2. v3} es un conjunto linealmente independiente de vectores en un espacio vectorial V. . T. T. [Sugerencia: forme la ecuación (1) y tome el producto punto con u × v. T. . w2 = v1 + v3 y w3 = v2 + v3 linealmente dependiente o linealmente independiente? Justifique su respuesta. Muestre que las filas no nulas de A. {u. Sea S = {v1. . donde cada vi. ( 1. y sea T = {v1. 0. w3}. w3}.11. también lo es S1. ( 0. . v2 y v3 del ejemplo 15 son linealmente dependientes. 1). donde w1 = v1. 2.302 Capítulo 6 Espacios vectoriales reales ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 0 1 ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎢0⎥ 19. (b) Si S2 es linealmente independiente. v2. + bmvm es una combinación lineal de los vectores de S. Determine si los vectores ⎣0⎦. Muestre que S es linealmente dependiente si y sólo si uno de los vectores en S es una combinación lineal de los demás vectores en S. . v} es linealmente dependiente si y sólo si existe un escalar k tal que v = ku. Determine si los vectores del ejercicio 19 son linealmente independientes. . . Muestre que w = b1v1 + b2v2 + . ⎢ 2⎥ .9. entonces {v1. y tales que S1 es un subconjunto de S2. . v3} es un conjunto linealmente independiente de vectores en un espacio vectorial V. T. 0). v y u × v forman una base para R3. Sean S1 y S2 subconjuntos finitos de un espacio vectorial V y sea S1 un subconjunto de S2.2. (a) S = {(1. . .1. . T. . entonces {Av1. ¿Es el conjunto T = {w1. v2. Sean u y v dos vectores distintos de cero en un espacio vectorial V. v3} es linealmente independiente. . w2. . 21. Ejercicios teóricos T. . es una combinación lineal de los vectores de S. 2 0 1 1 ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 2 −2 ⎪ ⎪ 1 ⎪ ⎪⎢2⎥ ⎢ 1⎥ ⎢ 1⎥ ⎢ 1⎥⎪ ⎪ ⎨ ⎬ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ (c) S = ⎢1⎥ . vn} es un conjunto linealmente independiente de vectores de Rn. Sea S = {u1. 1. Si S2 es linealmente dependiente. Muestre que {u. describa todos esos vectores v.1) Sean u y v vectores linealmente independientes en R3. v2}. . v2. T. . mediante algunos ejemplos. Suponga que S = {v1. T. 20.6. Muestre que T = {w1. .10.14. Suponga que S = {v1. .13. vk} un conjunto de vectores en un espacio vectorial. 1. u2. también lo es S2. Si S1 es linealmente independiente. . ⎢ 1⎥ ⎪⎣0⎦ ⎣−1⎦ ⎣ 0⎦ ⎣ 1⎦⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎭ 1 1 −1 1 . . Demuestre que los vectores e1. . . Con base en el teorema 6. Av2. Determine si los vectores del ejercicio 17 son linealmente independientes. Sean S1 y S2 subconjuntos finitos de un espacio vectorial V y sea S1 un subconjunto de S2. tales que {v1.1. 0. ⎣1⎦. v3} es un conjunto linealmente dependiente de vectores en un espacio vectorial V. v} también sea W? Si la respuesta es afirmativa. donde w1 = v1 + v2. . e2. v2. v} es linealmente independiente si y sólo si uno de los vectores no es múltiplo del otro. uk} un conjunto de vectores en un espacio vectorial. .8. T. ⎣1⎦ y ⎣0⎦ generan 0 0 1 1 a B 4. T. . (Requiere material de la sección 5. 1)} (b) S = 1 1 2 2 . forman un conjunto linealmente independiente de vectores. Muestre que: (a) Si S1 es linealmente dependiente. donde w1 = v1 + v2 + v3. vm}. wk. w2. w2. vistas como vectores en Rn. 0 1 −1 −3 . muestre.5. mediante algunos ejemplos. 1.12.4. . Suponga que S = {v1. T. que S2 puede ser linealmente dependiente o linealmente independiente. ¿Existe algún vector v en V tal que gen {w1. Determine si S es linealmente independiente o linealmente dependiente. . v2. . Sean v1. v2 y v3 vectores en un espacio vectorial.] T. ⎢ 0⎥ . . Muestre que si v3 no pertenece a gen {v1. Sea A una matriz de m × n en forma escalonada reducida por filas. .7. w2 = v2 + v3 y w3 = v3. . ¿Es el conjunto T = {w1. w2 = v1 + v2 y w3 = v1 + v2 + v3 linealmente dependiente o linealmente independiente? Justifique su respuesta. . .15. En forma equivalente. T. w3}. Muestre que u. 22. wk. 1. . que S1 puede ser linealmente dependiente o linealmente independiente. m. . w2. . muestre que los vectores v1. v2} es linealmente independiente. muestre.4. v2. Ejercicios con MATLAB ML. también es linealmente independiente.3. .en en Rn son linealmente independientes. Muestre que si A es una matriz no singular de n × n.

. . por lo tanto. v3 y v4 escritos en forma de columna. v3 v4 y v. v2. v2. Se concluye así que S es una base para R4. . d. vk}. v2. k2. ■ . 0. 1. v2. para lo cual determinaremos un conjunto mínimo de vectores de V que describa completamente a V. vk en un espacio vectorial V forman una base para V si (a) v1. d) un vector cualquiera de R4. que tiene como única solución c1 = c2 = c3 = c4 = 0 (verifique). . Cada uno de estos conjuntos de vectores se llama base natural. . Cuando se sustituyen v1. BASE DEFINICIÓN Observación Los vectores v1.4 Bases y dimensión 303 ML. 1. b. v2. en general. respectivamente. v2. e2. vk son linealmente independientes. R3 y Rn. c3 y c4. . c2. k3 y k4 del sistema lineal resultante.3). .en forman una base para Rn. Al sustituir los valores de v1. Los vectores e1 = (1.Sec. vk forman una base para un espacio vectorial V. sea v = (a. k2. . v2 = (0. S genera a R4. . v2. c. . donde v1 = (1. . b. donde ⎡ ⎤ 1 2 0 1 1 1 2⎥ ⎢1 A=⎣ .4 BASES Y DIMENSIÓN En esta sección proseguiremos con el estudio de la estructura de un espacio vectorial V. es una base para R4. para cualesquiera a. 1) forman una base para R2. es siempre posible hallar una solución (verifíquelo) k1. . e2 y e3 forman una base para R3 y. v4}. −1. . . . . 2. 0). v2. 0) y e2 = (0. k3 y k4 tales que k1v1 + k2v2 + k3v3 + k4v4 = v. Para mostrar que S genera a R4. los vectores e1. obtenemos el sistema lineal (verifique) Solución + c4 c2 + 2c3 c1 − c2 + 2c3 2c2 + c3 + c4 c1 =0 =0 =0 = 0. 2.2. v2. Debemos encontrar constantes k1. Observe que el coeficiente de la matriz del sistema lineal precedente consiste en los vectores v1. v3 = (0. v3. 0. Para mostrar que S es linealmente independiente. por esto los escribiremos como un conjunto {v1. vk generan a V y (b) v1. 6. base estándar o base canónica para R2. . . 2 −1 5 7⎦ 0 2 −2 −2 6. . 1). 1) y v4 = (1. . lo cual muestra que S es linealmente independiente. v3 y v4. Determine un conjunto generador del espacio solución de Ax = 0. . . ellos son distintos y no nulos (vea el ejemplo 12 en las sección 6. ■ EJEMPLO 1 EJEMPLO 2 Muestre que el conjunto S = {v1. Si los vectores v1. . 2). formamos la ecuación c1v1 + c2v2 + c3v3 + c4v4 = 0 y resolvemos para c1. los vectores e1. 0. c. .

sea el polinomio at2 + bt + c un vector arbitrario en V. . Dado que los dos polinomios coinciden para todos los valores de t sólo si los coeficientes de las respectivas potencias respectivas de t son iguales. denominada base canónica.15). 4 cuya solución es a1 = a. a+b−c . La demostración de la independencia lineal de tales vectores se deja como ejercicio (ejercicio T. ■ El conjunto de vectores {t n. Al sustituir estos valores en las expresiones precedentes para a1. S es una base para P2. formamos la combinación lineal a1(t2 + 1) + a2(t – 1) + a3(2t + 2) = 0. . b = 6 y c = 13. a2 y a3. Una vez más. S genera a V. Aquí. 2 c+b−a . esta igualdad se satisface para todos los valores de t sólo si a1 =0 a2 + 2a3 = 0 a1 − a2 + 2a3 = 0. 2 a3 = 17 . Para ilustrar este resultado. base estándar o base natural para Pn. Determinaremos constantes a1. t – 1. considere el vector 2t2 + 6t + 13. 4 2t 2 + 6t + 13 = 2(t 2 + 1) − 5 (t − 1) + 2 17 (2t 4 + 2). Por lo tanto. a2 = a3 = Por lo tanto. t. En el ejemplo 5 de la sección 6. EJEMPLO 4 Determine una base para el subespacio de P2. La única solución para este sistema homogéneo es a1 = a2 = a3 = 0.304 Capítulo 6 Espacios vectoriales reales EJEMPLO 3 Demuestre que el conjunto S = {t2 + 1. y que es linealmente independiente. S es linealmente independiente. tales que Solución at 2 + bt + c = a1 (t 2 + 1) + a2 (t − 1) + a3 (2t + 2) = a1 t 2 + (a2 + 2a3 )t + (a1 − a2 + 2a3 ). Para probar que S es linealmente independiente. t n−1. donde c = a – b. 1} forma una base para el espacio vectorial Pn. De ella se deduce que a1t2 + (a2 + 2a3)t + (a1 − a2 + 2a3) = 0. a = 2. Debemos mostrar que S genera a V. obtenemos el sistema lineal a1 =a a2 + 2a3 = b a1 − a2 + 2a3 = c. Para probar que genera a V. formado por los vectores de la forma at2 + bt + c. 2t + 2} es una base para el espacio vectorial P2. . . En consecuencia. a2 = − 5 . es decir. .3 se demostró que este conjunto es un generador de Pn. encontramos que a1 = 2. a2 y a3.

Como esta ecuación se cumple para todos los valores de t. vn} es una base para un espacio vectorial V. ■ Se puede también mostrar (ejercicio T. Ahora estableceremos algunos resultados relativos a espacios vectoriales de dimensión finita. Como S es linealmente independiente. Además.Sec. todo vector v en V se puede escribir como combinación lineal de los vectores en S. El espacio vectorial P. es decir. En primer lugar.11) que si S = {v1. TEOREMA 6. Por lo tanto. si no existe tal subconjunto finito de V. v2. de modo que ci = di. . el espacio es de dimensión infinita. . que puede escribirse como a(t2 + 1) + b(t – 1). en caso contrario. ci – di = 0. 6. 1 i n. entonces S es una base para V. vn} es un conjunto de vectores en un espacio vectorial V tales que todo vector en V se puede escribir de una y sólo de una forma como combinación lineal de los vectores en S. ■ Un espacio vectorial es de dimensión finita si existe un subconjunto finito de V que es una base para V. entonces cada vector en V se puede escribir de una y sólo una forma como combinación lineal de los vectores en S. 1 i n. no son de dimensión finita.4 Bases y dimensión 305 Solución Todo vector en V es de la forma at2 + bt + a – b. . . lo cual muestra que los vectores t2 + 1 y t – 1 generan a V. estos vectores son linealmente independientes ya que ninguno es múltiplo del otro. . ∞)de las funciones continuas f : R → R. escribiendo la ecuación a1(t2 + 1) + a2(t – 1) = 0 o t2a1 + ta2 + (a1 − a2) = 0. . que es la condición de independencia lineal. Casi todos los espacios vectoriales considerados en este libro son de dimensión finita. . Sin embargo.5 Si S = {v1. comparan el número de vectores de dos bases diferentes y establecen propiedades de las bases. v2. que hacen referencia al número de vectores en una base. debemos tener a1 = 0 y a2 = 0. de todos los polinomios. en la base S. sólo hay una forma de expresar v como combinación lineal de los vectores en S. y el espacio vectorial C(−∞. es conveniente anotar que muchos espacios vectoriales de importancia en matemáticas y en física son de dimensión infinita. supongamos que v = c1v1 + c2v2 + · · · + cnvn y v = d1v1 + d2v2 + · · · + dnvn son dos combinaciones lineales para el vector v. Ahora. su estudio excede el alcance de este libro. pues S es generador de V. . Al restar (2) de (1). obtenemos 0 = (c1 – d1)v1 + (c2 – d2)v2 + · · · + (cn – dn)vn. También podría haberse obtenido (con mayor trabajo) esta conclusión sobre independencia lineal. (2) (1) Demostración .

cn. c2. los vectores v1. v2. algún vj es una combinación lineal de los vectores anteriores en S (teorema 6. Entonces. . . Si S1 es linealmente dependiente. y dado que S es un conjunto finito. entonces S es una base para W porque S es generador de W. cr+2. no todos iguales a cero. . . . . Esta ecuación conduce a un sistema homogéneo con n incógnitas c1. ··· br n ⎥ 0 0 ··· 1 br r +1 ⎢0 ⎢0 0 0 ··· 0 0 ··· 0 ⎥ ⎥ ⎢ ⎢. .3. . . . . en algún momento encontraremos un subconjunto T de S que es linealmente independiente y genera a W. . . ⎦ ⎣. n ≥ m. c2.4). Caso II. . . . (4) donde a cr+1. . Si S es linealmente dependiente. (3) Demostración Por lo tanto. . cr+2 = 0. . . y supongamos que B tiene r filas no nulas. . algún subconjunto de S es una base para W. . . . . . Ahora. cr = −br r +1 cr +1 − br r +2 cr +2 − · · · − br n cn . . . c2. vn} también genera a W. . . 1 ≤ r ≤ m. . cr+2. de acuerdo con la hipótesis. obtenemos −b1r+1v1 − b2r+1v2 − · · · − br r+1vr + vr+1 = 0. B tiene la forma ⎤ ⎡ 1 0 0 ··· 0 b1 r +1 ··· b1 n ⎢0 1 0 ··· 0 b2 r +1 ··· b2 n ⎥ ⎥ ⎢ 0 1 ··· 0 b3 r +1 ··· b3 n ⎥ ⎢0 ⎢. eliminamos un vector de S1 que sea combinación lineal de los vectores que le preceden en S1 y obtenemos un nuevo conjunto S2 que también genera a W. vn. . . ⎢.306 Capítulo 6 Espacios vectoriales reales TEOREMA 6.. . Consideremos a los vectores en S como matrices de m × 1 y formemos la ecuación (3). Si S es linealmente independiente. . . . cuando V es Rm. cr pueden despejarse en términos de las otras incógnitas cr+1. v2. tales que c1v1 + c2v2 + · · · + cnvn = 0. Si S1 es linealmente independiente. . ⎥ . ⎥ . . . . ⎥ ⎢. . . . vn} un conjunto de vectores no nulos en un espacio vectorial V y sea W = gen S. . concluimos que S1 = {v1. Entonces. . . . c2 = −b2 r +1 cr +1 − b2 r +2 cr +2 − · · · − b2 n cn . . ⎥ . . .. . como columnas de su matriz de coeficientes A de m × n. B=⎢ ⎥. . . Sin pérdida de generalidad. . . por la observación anterior al ejemplo 14 de la sección 6. . 0 0 0 ··· 0 0 ··· 0 Al resolver el sistema para las incógnitas correspondientes a los unos (1s) principales vemos que c1. . Entonces. Tal conjunto T es una base para W. cn que tiene. . v2. podemos suponer que los r unos (1s) principales en las r filas no nulas de B aparecen en las primeras r columnas. cn. . . . Si en la ecuación (4) hacemos cr+1 = 1. vj−1.6 Sea S = {v1. . . . eliminamos vj de S. para obtener un subconjunto S1 de S. . Sea B la forma escalonada reducida por filas de la matriz A. cn = 0 y utilizamos estos valores en la ecuación (3). . . . entonces existen c1. cn se les pueden asignar valores reales arbitrarios. Demostración constructiva alternativa. Continuando de esta forma. así c1 = −b1 r +1 cr +1 − b1 r +2 cr +2 − · · · − b1 n cn . entonces S1 es una base. . . . vj+1. . Caso I. . . .

4 Bases y dimensión 307 lo cual implica que vr+1 es combinación lineal de v1. . vr. donde (5) ⎡ ⎤ x1 ⎢x2 ⎥ x=⎢.⎥ . Mostremos ahora que {v1. Recordemos que el sistema homogéneo BDx = 0 se puede escribir en la forma equivalente x1w1 + x2w2 + · · · + xrwr = 0. . v2. v2. . Al continuar de esta manera. Consideremos la matriz BD obtenida al eliminar de B todas las columnas que no tengan un 1 principal. eliminando las columnas correspondientes a las columnas que fueron eliminadas en B para obtener BD. vr. el conjunto de vectores que se obtiene eliminando vr+1 del conjunto S genera a W. En este caso. . . ⎣. de lo cual se sigue que {v1. . . . w2. . wr son las columnas de BD.Sec. En consecuencia. 0 0 0 1 ··· ··· . vr} es linealmente independiente. ⎤ 0 0⎥ ⎥ ⎥ . 6. 1 ⎢0 ⎢ ⎢0 ⎢ ⎢ ⎢ BD = ⎢ ⎢0 ⎢0 ⎢ ⎢. . . esto es.⎦ . . . las columnas de AD son linealmente independientes. v2. . . BD está formada por las primeras r columnas de B. . . si hacemos cr+1 = 0. . . a partir de A. Por lo tanto. .⎥ . v2. v2. . . vr] genera a W. las primeras r columnas de A. ADx = 0 también tiene únicamente la solución trivial. . De acuerdo con la observación que antecedió al ejemplo 14 de la sección 6. . . también lo son AD y BD.. 0 ⎡ 0 1 0 0 0 . . 1⎥ ⎥ ⎥ 0⎥ . . . . {v1. . . vn son combinaciones lineales de v1. . . .⎥ . vr.⎥ ⎣. la ecuación (5) sólo tiene la solución trivial. vr+3. vr} es linealmente independiente. 0 Sea AD la matriz obtenida. cr+2 = 1. v2.⎥ . . . cr+3 = 0. v2.⎦ . . . . cn = 0. . xr y w1. las columnas de AD son v1. Entonces los sistemas homogéneos ADx = 0 y BDx = 0 son equivalentes. ··· ··· ··· . vr+4. vr y que el conjunto de vectores obtenido a partir de S eliminando a vr+1 y a vr+2 genera a W. . . ■ . De manera similar. Puesto que las columnas de BD forman un conjunto de vectores linealmente independientes en Rm. es decir.3. Como A y B son equivalentes por filas. . encontramos que vr+2 es combinación lineal de v1.

Paso 3. v2.6). . . . que los r unos principales de las r filas no nulas de B aparecen en las primeras r columnas. la prueba alternativa del teorema 6. . v2. y resolverla para c1. . si S = {v1. cn no son todos cero. Sean V = Rm. Este conjunto T es una base para W. Paso 3. . La eliminación reiterada de vectores de S se termina cuando se obtiene un subconjunto T de S que genera a W y es linealmente independiente. Formar la ecuación (3). dado un conjunto S de vectores. S es linealmente independiente. Si c1. y constituye una base para W. Paso 2.6 establece un procedimiento muy eficiente (vea el ejemplo 5 a continuación) para determinar una base de W = gen S. de modo que T es una base para el espacio gen S.6 permite. . . cn. por lo cual necesitamos que la base sea un subconjunto de S. es suficiente transformar la matriz aumentada a la forma escalonada por filas (vea la sección 1.. utilizando S1 en lugar de S. 3 y 4. sin embargo. En este caso. El procedimiento anterior se hace muy tedioso puesto que cada vez que eliminamos un vector en S debemos resolver un sistema lineal.6 estudiaremos un procedimiento más eficiente para determinar una base para W = gen S. v2. . . El procedimiento para determinar un subconjunto de S que es una base para W = gen S es el siguiente: Paso 1. . hay casos en los cuales los vectores de S tienen ciertas propiedades y queremos que la base para W = gen S también las tenga. determinar un subconjunto T de S. c1v1 + c2v2 + · · · + cnvn = 0. y S = {v1. v4} es una base para gen S. En la sección 6. v6}. c 2. Construir la matriz aumentada asociada con el sistema homogéneo resultante de la ecuación (3). Paso 2. pero que no garantiza que tal base sea un subconjunto de S. Se elimina vj de S. Formar la ecuación (3). . . Observación En el paso 2 del procedimiento descrito en el recuadro anterior. obteniéndose un subconjunto S1 que también genera a W. Repetir el paso 1. Sea S = {v1. Si todos estos valores son cero.6 supusimos. formada por vectores de S. vn} un conjunto de vectores no nulos en V.308 Capítulo 6 Espacios vectoriales reales La primera demostración del teorema 6. entonces {v1. por ejemplo. vn} un conjunto de vectores no nulos en V. y los unos principales aparecen en las columnas 1. Los vectores en S correspondientes a las columnas que contienen los unos (1s) principales constituyen una base para W = gen S. y llevarla a la forma escalonada reducida por filas. c 2. . v3. . vj — es combinación lineal de los vectores que le preceden en S. entonces S es linealmente dependiente y por lo tanto alguno de sus vectores —digamos. Generalmente esto no es preocupante puesto que una base para W = gen S es tan buena como cualquiera otra. Recuerde que en la demostración alternativa del teorema 6. El procedimiento para determinar un subconjunto de S que sea una base para W = gen S es como sigue. . Paso 1. sin pérdida de generalidad. c1v1 + c2v2 + · · · + cnvn = 0. . . . Si V = Rm. .

v3} es una base para W = gen S. −4. Uno de los resultados principales (corolario 6. 1. 1). Observemos. Los unos principales aparecen en las columnas 1 y 2. 6) + c5 (9. obtenemos el sistema homogéneo c1 − 3c2 + 2c3 2c1 + c3 −2c1 − 4c2 + c3 c1 + 3c2 − c3 − 3c4 + 3c4 − 9c4 + 6c4 + 9c5 + 3c5 + 7c5 − 6c5 =0 =0 =0 = 0. de modo que {v1. . . −6). w3. . 1. . −2. wr} es un conjunto linealmente independiente de vectores en V. −9.6. w5} con w1 = v4. v4 = (−3. w2. v5} un conjunto de vectores en R4. v2} es una base para W = gen S. . 7. −2. vn} también es una base.4 Bases y dimensión 309 EJEMPLO 5 Sea S = {v1. w4 = v1 y w5 = v5.1) de esta sección. el orden de los vectores en el conjunto generador original S.7 Si S = {v1. Paso 2. entonces r n. . . cuando V = Rn. . donde S = {w1. 3) + c3 (2. 1. w3 = v2. Esta observación muestra que un espacio vectorial real diferente de 0 tiene siempre infinitas bases. Por ejemplo. v3 = (2. . 3. . . ■ Observación En la demostración alternativa del teorema 6. Al igualar las componentes correspondientes. TEOREMA 6. 3). 0). −1).Sec. vn} es una base para un espacio vectorial V y T = {w1. Determine una base para W = gen S. se refiere al número de vectores en dos bases diferentes. que si {v1. 2. v2. vn} es una base para un espacio vectorial V. . . 3. Solución Paso 1. 3. en primer lugar. v2 = (−3. v3. entonces la forma escalonada reducida por filas de la matriz aumentada es (verifique) ⎡ ⎤ 1 1 1 0 −1 0 3 3 3 ⎢ ⎥ ⎢0 1 −1 1 4 0⎥ ⎢ ⎥. ⎢ ⎥ 0 0 0 0 0⎦ ⎣0 0 0 0 0 0 0 Paso 3. donde v1 = (1. w2} = {v4. Formamos la ecuación (3). 0. formada de vectores del conjunto S.9). . v2. w2. v2. v2. si consideramos el ejemplo 5. 1. w4. . 0. si c 0 (ejercicio T. 0. c1 (1. −1) + c4 (−3. w2 = v3. ⎢ ⎥ 0 0 0 0 0⎦ ⎣0 0 0 0 0 0 0 Por lo tanto. 7. {w1. −4. que estableceremos muy pronto. 6) y v5 = (9. −6) = (0. 1) + c2 (−3. 0. entonces {cv1. 2. determina la base para W. La forma escalonada reducida por filas de la matriz aumentada asociada es (verifique) ⎡ ⎤ 1 3 3 0 1 0 2 2 2 ⎢ ⎥ 3 ⎢0 1 −1 −5 0⎥ 2 2 2 ⎢ ⎥. v4. . 3. . 6. −9.

■ Si S = {v1. n m. . R2 y las rectas . permite concluir que el número r de vectores w no puede ser mayor que el número n de vectores v. pero acabamos de demostrar que. de dimensión uno. . . la dimensión de Rn es n. w1. vj+1. Eliminemos ese vector particular vj. y en general. v1. Como S genera a V. v1. puesto que S es linealmente independiente. . para un espacio vectorial particular V. . vj−1.4.2). tenemos {0} y R2. entonces todo subespacio no nulo W de V tiene una base finita y que dim W dim V (ejercicio T. v2.7 implica que m n. así que es vi. los subespacios triviales. Y. Como el conjunto {0} es linealmente dependiente. La dimensión de R2 es 2. T1 también lo genera. es natural decir que el espacio vectorial {0} tiene dimensión cero. vj−1. V está representado por una recta que pasa por el origen. . la dimensión de Pn es n + 1. respectivamente. . . También se puede probar que si V es un espacio vectorial de dimensión finita. w2. Sea S1 = {w1.310 Capítulo 6 Espacios vectoriales reales Sea T1 = {w1. wm} son bases para un espacio vectorial. Como T es linealmente independiente. tiene dimensión 2. . Esta contradicción. Con frecuencia escribimos dim V para la dimensión de V. vn} y T = {w1. T1 es linealmente dependiente. vj+1. Esto es r n. En primer lugar. . ■ En la observación anterior al teorema 6. sus propiedades algebraicas son idénticas. . EJEMPLO 6 EJEMPLO 7 EJEMPLO 8 El subespacio W de R4. . vn}. los subespacios de R2 son {0}. . . i j. todas las bases tienen el mismo número de vectores. v2. y algún vector en T2 es una combinación lineal de los vectores precedentes en T2. . Observe que S1 genera a V. es linealmente dependiente. Como T es un conjunto linealmente independiente de vectores. . . entonces n = m. algún vj es una combinación lineal de los vectores que le preceden en T1. Repita este proceso una y otra vez. el teorema 6. considerado en el ejemplo 5. ■ Se puede probar que todos los espacios de dimensión finita que tienen igual dimensión difieren sólo en la naturaleza de sus elementos. Demostración COROLARIO 6. Entonces. vn}. dicho vector no puede ser w1. el subespacio V de R2 generado por un vector v 0 es un subespacio de R2. . . ■ La dimensión de P2 es 3. lo cual implica que también T es linealmente dependiente. Este hecho conduce a la siguiente definición. y en general. . entonces el conjunto resultante de vectores w. En segundo lugar. n = m. de dimensiones 0 y 2. . Entonces T2 es linealmente dependiente. vn}. . sea T2 = {w2. . la dimensión de R3 es 3. de acuerdo con el teorema 6. v1. . . Si se eliminan todos los vectores v antes de que se puedan incluir todos los vectores w. la dimensión de P3 es 4. A continuación.7 mencionamos que un espacio vectorial tiene muchas bases.1 Demostración DIMENSIÓN DEFINICIÓN La dimensión de un espacio vectorial no nulo V es el número de vectores en una base para V. Entonces. puesto que w1 es una combinación lineal de los vectores de S. Entonces. . . ■ Consideremos ahora los subespacios de R2 [recuerde que R2 puede visualizarse como el plano xy]. . Igualmente. un subconjunto de T.

4). 3 y 6. 1).4 Bases y dimensión 311 que pasan por el origen. v2. 0. 0. entonces ningún conjunto de n − 1 vectores en V puede generar a V (ejercicio T. −1. c1v1 + c2v2 + c3e1 + c4e2 + c5e5 + c6e4 = 0. Como {e1. e2. v2. muestre (ejercicio T. TEOREMA 6. 0. a la forma escalonada reducida por filas. Análogamente. 1. e2. La ecuación (3). En el ejemplo que sigue al enunciado del teorema se siguen completamente los pasos requeridos en la prueba. en el ejemplo 3 de la sección 6. Utilizamos el teorema 6. si un espacio vectorial V es de dimensión n. e1. 0) c1 − c2 + c3 − c2 + c4 c1 − c2 + c5 Al transformar la matriz aumentada mos (verifique) ⎡ 1 0 1 ⎢0 ⎣0 0 0 0 =0 =0 =0 c6 = 0.6. 0. 0). que contiene a S. 2. 0. La demostración se propone como ejercicio (ejercicio T.8) que los subespacios de R3 son {0}. podemos concluir que {v1. e3.8 establece que un conjunto linealmente independiente de vectores en un espacio vectorial V puede extenderse a una base para V. R3. e3. 6. e4} es una base para R4 que contiene a v1 y a v2. e3 = (0. que es de dimensión 3. ■ .5). Se puede probar que si un espacio vectorial V tiene dimensión finita n. Formamos el conjunto S = {v1. y e4 = (0. una base para R4 constituida por vectores de S. e1. también S lo genera. entonces cualquier conjunto de n + 1 vectores en V es linealmente dependiente (ejercicio T. Primero. En particular. conduce al sistema homogéneo e2 = (0. sea {e1.8 Si S es un conjunto de vectores linealmente independientes en un espacio vectorial de dimensión finita V. existe una base T para V. 0). obtene- 0 0 1 0 1 1 1 0 0 −1 0 0 0 0 0 1 ⎤ 0 0⎥ . A continuación enunciaremos un teorema que será utilizado repetidamente para construir una base que contenga un conjunto dado de vectores linealmente independientes. e2. ■ El teorema 6. 1. se mostró que los cuatro vectores en R3 del ejemplo 9 de la sección 6. EJEMPLO 9 Suponga que queremos construir una base para R4.8 como sigue. e4}.Sec. 0. Además.3). 0) y v2 = (−1. e4} genera a R4. e4} la base canónica para R4. de acuerdo con la demostración alternativa del teorema 6. 1. e3. todas las rectas que pasan por el origen y todos los planos que pasan por el origen. tal como se pide. donde e1 = (1.3. 0). Ahora determinaremos. por ejemplo. 0. cualquier conjunto con más de n vectores en Rn es linealmente dependiente. que contenga a los vectores v1 = (1. 1. 0⎦ 0 Como los números 1 principales aparecen en las columnas 1. se mostró que los polinomios p1(t) y p2(t) no generan a P2.3 son linealmente dependientes.

1 muestra que S no es una base para W. (b) Si S genera a V. TEOREMA 6.9 Sea V un espacio vectorial de dimensión n y sea S = {v1. ■ La siguiente es una aplicación particular del teorema 6.9 para determinar si S es o no una base. un conjunto de vectores en un espacio vectorial V es una base para V si genera a V y es linealmente independiente. no lo es. los vectores ⎡ ⎤ 1 b1 = ⎣0⎦ . . base estándar o base natural para B2. (¿Por qué?) La misma línea de razonamiento se aplica a cualquier espacio o subespacio vectorial cuya dimensión sea conocida. Sin embargo. contamos el número de vectores en S. Demostración Ejercicio T. la dimensión de B3 es 3 y.312 Capítulo 6 Espacios vectoriales reales De acuerdo con la definición.6. Cada uno de estos conjuntos de vectores se denomina base canónica. Si tiene n vectores. sólo necesitamos verificar una de las condiciones del teorema 6. utilizamos la parte (a) o la parte (b) del teorema 6. Para determinar si un subconjunto S de Rn es una base para Rn. si sabemos que la dimensión de V es n. y en consecuencia lo son para Bn. de acuerdo con el teorema siguiente. . vn} un conjunto de n vectores en V. . W = gen S es un subespacio de R4. ■ BASE Y DIMENSIÓN EN B n (OPCIONAL) Las definiciones y teoremas de esta sección son válidas para espacios vectoriales en general. En los ejemplos 11 a 15 se ilustran los conceptos estudiados en esta sección. y. entonces es una base para V. en general. EJEMPLO 11 Los vectores b1 = 1 0 y b2 = 0 1 forman una base para B2. de modo que dim W 4. Bn es un espacio vectorial de dimensión finita. y el conjunto tiene n vectores. 0 ⎡ ⎤ 0 b2 = ⎣1⎦ 0 y ⎡ ⎤ 0 b3 = ⎣0⎦ 1 forman una base para B3. para el espacio vectorial Bn. es una base. con la condición de que se utilice aritmética binaria.9. Si S es linealmente independiente o genera a R4. (a) Si S es linealmente independiente. entonces es una base para V. en caso contrario. ■ EJEMPLO 12 La dimensión de B2 es 2. es posible que S sea una base para R4. En el ejemplo 2. no las dos. EJEMPLO 10 En el ejemplo 5. . v2. las columnas de In forman una base para Bn. sólo necesitamos verificar una de las dos condiciones. esto es. no es base para Rn. si no tiene n vectores. la dimensión de Bn es n. ■ . como el conjunto S contiene cuatro vectores y dim R4 = 4. Como S tiene cinco vectores. B3 y Bn. Es decir. en general.9. respectivamente. el corolario 6.

S es una base para B3. v4}. 6. ⎡ ⎤ 1 ⎢1⎥ v3 = ⎣ ⎦ 0 0 y ⎡ ⎤ 0 ⎢0⎥ v4 = ⎣ ⎦ . donde ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 0 1 w1 = ⎣0⎦ . w2 = ⎣0⎦ .9(a). donde ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 0 v1 = ⎣1⎦ . v2. Al sustituir v1. que {w2. obtenemos el sistema lineal (verifique) c1 =0 c1 + c2 + c3 = 0 c2 = 0. w3. que tiene como única solución c1 = c2 = c3 = 0. Al sustituir v1.4 Bases y dimensión 313 EJEMPLO 13 Muestre que el conjunto S = {v1. 1 0 Solución ⎡ ⎤ a ⎢ b⎥ Debemos determinar si S genera a B4 y si es linealmente independiente. entonces. Con base en el teorema 6. v2. c3 y c4 dígitos binarios tales que c1v1 + c2v2 + c3v3 + c4v4 = w. . w3} es una base para W (verifique) y por lo tanto dim W = 2. Se sigue. Solución Para mostrar que S es linealmente independiente. w2. w3 = ⎣1⎦ y w4 = ⎣1⎦ 0 0 0 0 es un subespacio de B3. v3. se demostró que W = {w1. v2 y v3. donde ⎡ ⎤ ⎡ ⎤ 1 0 ⎢0⎥ ⎢1⎥ v1 = ⎣ ⎦ . ■ EJEMPLO 14 En el ejemplo 14 de la sección 6. Si w = ⎣ ⎦ c d es un vector cualquiera en B4. v3. v4 y w. obtenemos el sistema lineal (verifique) + c3 c2 + c3 c2 + c4 c1 + c2 c1 =a =b =c = d. w4}. c2 y c3. ■ EJEMPLO 15 Sea S = {v1.Sec. v3}. c2.2. v2. v2 = ⎣ ⎦ . lo que muestra que S es linealmente independiente. v2 = ⎣1⎦ y v3 = ⎣1⎦ 0 1 0 es una base para B3. formamos la ecuación c1v1 + c2v2 + c3v3 = 0 y la resolvemos para c1. 0 1 1 1 Determine si S es una base para B4. sean c1.

1. (a) {(2. ■ Términos clave Base Base canónica (estándar o natural) Espacio vectorial de dimensión finita Espacio vectorial de dimensión infinita Dimensión 6. 1. ( −2. (a) {(1. 0)} 3. 2. 1). Por ejemplo. 2). 2). ¿Cuáles de los siguientes conjuntos de vectores son bases para R2? (a) {(1. 2. 2. t − 1} 6. ( 1. 0)} 8. ( −2. 0). 1. 1. 0. −1). −1)} (d) {3t 2 + 2t + 1. 6. −1). 0. −1)} (c) {(3. 2. t 3 + t 2 + 1. 1)} 4. 1. 2. 0)} (b) {(1. 4). 4. ¿Cuáles de los siguientes conjuntos de vectores son bases para R3? (a) t 3 + 2t 2 + 3t. ( 0. 3. 3. 1. 4. 1. ( 0. 0. t 3 + t 2 + 2t + 2 (d) {t 3 − t. 2. 2. 1). 0 0 el sistema es inconsistente. 6). 2. 2t 3 + t 2 + 3t + 2. ¿Cuáles de los siguientes conjuntos de vectores son bases para R4? (a) {(1. ( 2.314 Capítulo 6 Espacios vectoriales reales Formamos la matriz aumentada y utilizamos operaciones fila: sumar la fila 1 a la fila 4. 0. 1. 1. ( 0. 2). 1). 0. 6t 3 + 8t 2 + 6t + 4. 3). 3). ( 4. 1. ( 0. −1)} (b) {(1. 1)} (b) {(1. 2). 1. 1 0 1 1 1 forman una base para el espacio vectorial M22. 1). ( 2. t 3 − 1. 1. 1. 4). 3). En los ejercicios 7 y 8. ( 0. ¿Cuáles de los siguientes conjuntos de vectores son bases para P2? 1 0 1 . −1. 4). 2. 5. (−3. ( 1. por lo tanto S no genera a B4 y no es una base para B4. 1. 1. 0)} (d) {(1. 0). ( 1. 3t + 2t. 0. ( 0. ( 1. sumar la fila 2 a la fila 3 y sumar la fila 2 a la fila 4. 3). 1). 1. Demuestre que las matrices (a) {(1. ( 2. ( 0. 0). t 3 + 2t 2 + t + 3. ( 3. 6t + 6t + 3} 2 2 2 . 6)} 2. determine cuál de los subconjuntos dados forma una base para R3. 2. 3). 2. 1)} (b) {(1. 1. ( −1. 1)} (c) {(−2. 4)} (d) {(0. 1 1 0 0 . 1. ¿Cuáles de los siguientes conjuntos de vectores son bases para P3? (b) {(0. 0. 4. 0).4 Ejercicios 1. 1. ( 1. 2. ( 1. ( 2. ( −1. −1). 7. para obtener la matriz aumentada equivalente (verifique) ⎤ ⎡ 1 0 1 0 a b ⎥ ⎢0 1 1 0 . ( 3. 0). 4t 2 − 1} (b) {t + 2t − 1. ( 0. 2. t 2 + t + 1. 1). 2). 2)} (d) {(1. 4)} (c) {(1. 1. t 3 + t 2 + t} (c) t 3 + t 2 + t + 1. 0. 1. 2t 3 + 1. ( 1. 3) como combinación lineal de los vectores en cada conjunto que sea una base. 1. ( 2. ( 0. 2t 2 + 2t + 3. si ⎡ ⎤ 0 ⎢1⎥ w = ⎣ ⎦. ( 1. 1. t 2 + 1} 5. ( 0. 1). ( 3. Exprese el vector (2. 1). t 3 + 2t 2 + t + 1 (b) {t 3 + t 2 + 1. 0. 1. 2). 0). 2). 0). ( 1. 0. −1. −3). 3t + 2t + 1. 5. ( 3. b y d es tal que a + b + d 0. −1)} (a) {−t 2 + t + 2. 0. 0 0 1 0 . ( − 1. ⎣0 0 1 1 b+c ⎦ 0 0 0 0 a+b+d Este sistema es inconsistente si la elección de dígitos binarios a. ( 2. 2t + 3t − 2} 2 2 2 (c) {t + 1. −1. 3).

b. 27. 0. −a + b. b. 1 1 1 1 . Exprese 5t2 – 3t + 8 como combinación lineal de los vectores en cada subconjunto que sea una base. Determine una base para M23. c). b. c. 2). b. 3) 29. donde b = a (c) Todos los vectores de la forma (a. donde v1 = (1. ⎣1⎦ . c. En los ejercicios 19 y 20. ¿Cuál es dim W? 14. t 2 + 1} (a) (b) {t + 1. Determine una base para el subespacio de P3 formado por los vectores de la forma at3 + bt2 + ct + d. 0). Determine una base para R4 que incluya a los vectores (1. 4). donde b = 3a – 5d y c = d + 4a. Determine las dimensiones de los subespacios de R2 generados por los vectores del ejercicio 1. 0. determine las dimensiones de los subespacios dados de R4. 34. b + c. 24. Determine las dimensiones de los subespacios de R3 generados por los vectores del ejercicio 2. 0. ¿Cuál es dim W? 13. v3 = (11. Sea S= 1 0 0 0 . −1) y v2 = (0. 1)} es una base para R3. t − 1. ¿Cuál es la dimensión de M23? Generalice a Mmn. t − t + 1} (b) 2 2 11. b. 0. donde v1 = (1. 0. donde 2a + b – c = 0 18. 2. W = gen S. Determine una base para el subespacio de R4. Determine una base para el subespacio de P2 formado por los vectores de la forma at2 + bt + c. v5}. donde a = b y c = d. Considere el siguiente subconjunto del espacio vectorial de todas las funciones con valores reales S = {cos2t. Determine una base para R3 que incluya a los vectores (a) (1. 1. donde c = 2a – 3b. (a) Todos los vectores de la forma (a. 19. Determine la dimensión del subespacio de P3 formado por los vectores de la forma at3 + bt2 + ct + d. d). 0 1 1 −1 . 28. 2) y (0. determine una base para los subespacios dados de R3 y de R4. 0. (1. b. Determine una base para el subespacio W = gen S. −a + b) (c) Todos los vectores de la forma (a. Proporcione un ejemplo de un subespacio de R4. donde b=a+c (b) Todos los vectores de la forma (a. 1. 2. ⎡ ⎤ 1 ⎣0⎦ 1 . 1 0 son una base para B3.4 Bases y dimensión 315 En los ejercicios 9 y 10. 1). Determine una base para el subespacio W de M33 formado por las matrices simétricas. c). Determine las dimensiones de los subespacios de R4 generados por los vectores del ejercicio 3. (a) Todos los vectores de la forma (a. d). 6. donde c = b – 2a. Considere el siguiente subconjunto de P3: S = {t3 + t2 – 2t + 1. sen2t. (a) Todos los vectores de la forma (a. v3 = (1. 17. v2. 26. 1. 1. v4 = (1. Determine una base para el subespacio de M33 formado por las matrices diagonales. v3. de dimensión 2. c). b. t − 1} (b) 10. 6. Proporcione un ejemplo de un subespacio de P3. (a) {t 2 + t. Determine una base para el subespacio de R3. (a) Todos los vectores de la forma (a. t2 + 1. Determine una base para el subespacio W = gen S. 2. (0. c. 35. determine cuál de los subconjuntos dados forma una base para P2. t + 1} (a) (b) {t 2 + 1. −b – c. 1. donde a = b (b) Todos los vectores de la forma (a + c. 1. 32. c). 16.Sec. ¿Cuál es dim W? 12. 1. t 2 . ¿Cuál es dim W? En los ejercicios 17 y 18. determine una base para el plano dado. a. Determine si los vectores ⎡ ⎤ ⎡ ⎤ 1 1 ⎣1⎦ . 0) y (0. d). Determine la dimensión del subespacio de P2 formado por los vectores de la forma at2 + bt + c. En los ejercicios 35 y 36. de dimensión 2. v4}. −5. 30. v2. 2x – 3y + 4z = 0. 0. Sea S = {v1. c). 15. a – b. 10. t3 – 2t. 36. v4. 25. 22. Determine todos los valores de a para los cuales {(a2. b. 1). 1. 33. −3) y v5 = (−1. 1). 2t3 + 3t2 – 4t + 3}. donde a = 0 (b) Todos los vectores de la forma (a + c. −1. cos 2t}. 7) y v2 = (3. (a) {t 2 + t. a + b + 2c) 9. v4 = (7. x + y – 3z = 0. W = gen S. Determine una base para el subespacio W = gen S de M22. donde a – b + 5c = 0 37. 31. 2) (b) (1. Sea S = {v1. −6. donde c=a–byd=a+b 20. v3. 21. 2). 1 1 1 −1 . −1). donde d=a+b (b) Todos los vectores de la forma (a. 0). 23.

. v3} un conjunto de vectores en B3. . entonces {cv1. v3 tales que v1 + v2 + v3 0. . T.3. donde w1 = v1 + v2 + v3. v2. Suponga que {v1. vn} es una base para R . v2. Demuestre que cualquier conjunto con m vectores linealmente independientes en V es una base para V. Demuestre que si {v1. .9. Muestre que si dim V = n. 1 ⎡ ⎤ 0 ⎢1⎥ ⎣1⎦ . . Sea S = {v1. 0 ⎡ ⎤ 1 ⎢1⎥ ⎣1⎦ 1 ⎡ ⎤ 0 ⎢1⎥ ⎣1⎦ . T. T. . v2.11. . . . Pruebe el teorema 6. v3 tales que v1 + v2 + v3 0.6. 1}.17. de V. v2. .14. es linealmente independiente. Sea dj = grado pj(t). Muestre que los subespacios de R3 son {0}.16. . Avn} también es una base para Rn. n . . v2.9.10. . Av2. . Demuestre o refute que {Av1. entonces estos vectores no pueden formar una base para Bn. 1 1 son una base para B4. entonces ningún conjunto con n – 1 vectores de V puede generar a V. Muestre que T = {w1. . T. . . Establezca una contradicción. pk(t)} es una base finita para P. Sea S = {v1. vn de Bn es 0. 0 ⎡ ⎤ 1 ⎢1⎥ ⎣0⎦ 0 son una base para B4.8. todas las rectas que pasan por el origen y todos los planos que pasan por el origen. Suponga que {v1. . t. Avn} es linealmente independiente. (b) Determine vectores linealmente dependientes v1. . T. .3. . Demuestre que si dim V = n. . . . T. . Muestre que el espacio vectorial P de todos los polinomios no es de dimensión finita. Muestre que si la suma de los vectores v1. T.8. Determine si los vectores ⎡ ⎤ 1 ⎢1⎥ ⎣0⎦ . . . Demuestre que si V es un espacio vectorial de dimensión finita entonces todo subespacio no nulo W. ⎣1⎦ . w2. R3. v2. [Sugerencia: suponga que {p1(t).316 Capítulo 6 Espacios vectoriales reales 38. . Muestre que S es una base para V. . T. 1 ⎡ ⎤ 1 ⎢0⎥ ⎣1⎦ . T. w2 = v2 + v3 y w3 = v3 también es una base para V. w3}. ⎡ ⎤ 0 ⎣1⎦ 1 40. v2.) T. Sea S = {v1. vn} también es una base para V.] T. .4. . Muestre que si A es una matriz no singular de n × n. v2. Pruebe el teorema 6. Determine si los vectores ⎡ ⎤ ⎡ ⎤ 1 0 ⎢0⎥ ⎢0⎥ ⎣0⎦ . y que A es una matriz singular. v3} una base para un espacio vectorial V. T. . (Sugerencia: vea el ejercicio T. . y suponga que cada vector en V puede escribirse de una y sólo de una forma como combinación lineal de los vectores de S. p2(t). .7. . Ejercicios teóricos T. 0 0 son una base para B3. ⎣0⎦ . T. Muestre que el conjunto de vectores en Pn.13. entonces {Av1. Av2. tn−1. . T. entonces W = V. 39. vn} es una base para un espacio vectorial V y c 0. . . vn} es un conjunto linealmente independientes de vectores en Rn. {tn. vn} un conjunto de vectores no nulos en un espacio vectorial V.15. entonces cualesquiera n + 1 vectores en V son linealmente dependientes. .10 de la sección 6. Determine si los vectores ⎡ ⎤ ⎡ ⎤ 1 1 ⎣1⎦ . Suponga que en el espacio vectorial no nulo V. v2. el máximo número de vectores en un conjunto linealmente independiente es m.1. T.12. T. v2.2.5. Muestre que si W es un subespacio de un espacio vectorial de dimensión finita V y dim W = dim V. tiene una base finita y dim W dim V. . (a) Determine vectores linealmente independientes v1.

7. es determinar una base para dicho espacio solución. 4 0 0 0 . 2. 2. Centraremos la atención en estos problemas. 1.10 a ML. 1. En los ejercicios siguientes relacionamos la teoría desarrollada en tal sección. e). ML. 6. 0. 1. 3. 2 . V = R4. b. 1. 1. V = P3. 1 0 0 1 . 1. S = {2t – 2. 2)} en V = gen S. v2. 6. −1).9 muestra que si sabemos que dim V = k. ¿Cuál es dim gen S? ¿Es gen S = P2? Una interpretación del teorema 6.1. 2t – 1. (1.) ML. 1. Allí se integrarán los fundamentos del tema. 1. 0). t2 – 3t + 1. S = 1 1 2 2 2 1 .12. (1. 1 r m. 0. Consideremos el sistema homogéneo Ax = 0. S = {t3 – t + 1. 1.6. (0. donde c = a y b = 2d + e. Para encontrar tal base utilizamos el método de reducción de Gauss-Jordan que se presentó en la sección 1. −1). Sin embargo. 0). 3. 1. (2. ML. 1)}. 2. ML. 1. 1). (1.9. 0. 2. En el ejemplo 9 de la sección 6. 1.3.8 es que cualquier conjunto linealmente independiente S de un espacio vectorial V puede extenderse a una base para V. 2t2 – 8t + 4} en V = P2. c.8. vk} es una base para un espacio vectorial V. 2)} en V = R4. t2 + 2t + 1}. en la forma convencional. Entonces. 1). Construya el sistema homogéneo Ax = 0 asociado con la pregunta sobre independencia o dependencia lineal. (Vea el ejemplo 5. 2. 1. la independencia lineal se analiza con facilidad con el comando rref de MATLAB. 0. 1). S = {(1. si S es una base para V. t3 + 2}. en una matriz [B 0] en forma escalonada reducida por filas. ML.7 a ML.5 SISTEMAS HOMOGÉNEOS Los sistemas homogéneos desempeñan un papel central en álgebra lineal. Sin pérdida de generalidad . 0).9 utilice el comando rref de MATLAB para determinar un subconjunto de S que es una base para gen S. (−2. 0). S = {(1. (2. como se verá en el capítulo 8.6. donde A es una matriz de m × n. en los ejercicios ML. 0. mostremos que gen S = V y que S es linealmente independiente. y que serán fundamentales en el capítulo 8.2 se observó que el conjunto de soluciones de este sistema homogéneo es un subespacio de Rn. 0. el teorema 6. sin distraernos con el material adicional del capítulo 8. 1. tales que b = 2a – c y S = {(0. −2. sólo necesitamos establecer que gen S = V o que S es linealmente independiente.12. formado por los vectores (a. −2. 4. Debemos transformar la matriz aumentada [A 0] del sistema. 1. en caso contrario. 1). (2.5. (1. 1. 1 ¿Cuál es dim gen S? ¿Es gen S = M22? ML. 2. S es linealmente independiente si y sólo si En los ejercicios ML. 0. 2)} en V = gen S. rref(A) = Ik . t2 – t + 1.11.Sec. 4t – 2. para resolver un importante problema presente en una amplia variedad de aplicaciones. ML. (0. 1. ML. con los procedimientos computacionales de MATLAB que ayudan en el análisis de la situación. d. en los ejercicios ML. 2. 1. utilice el comando rref de MATLAB para extender S a una base para V. ML. V = el subespacio de R5 que consta de todos los vectores de la forma (a. Sea S = {t – 2. En este caso especial. 2. Siguiendo las ideas del ejemplo 9.10. 1)}. ML. 0)}. . (2. . (2.5 Sistemas homogéneos 317 Ejercicios con MATLAB El uso de MATLAB en esta sección tiene como requisito la sección 12. 1. b. . y que aparecerá repetidamente en el capítulo 8. ¿Cuál es dim gen S? ¿Es gen S = R4? ML. 0 Aplique este caso especial. 1). 2.2. S = {(1. 1). 3. Un problema de importancia fundamental. 0). determine. (2.6. (2. S = {(1. 0.1 a ML. En esta sección trataremos varios problemas que involucran sistemas homogéneos. c). La definición de base requiere que para determinar si un conjunto S = {v1. 1)} en V = R3. S = {(1. 2 1 4 1 .4. S = {(0. −1)}. V = el subespacio de R3. 1). (2. S = {(1. .7. 0). y con r renglones no nulos. ML. si ello es posible.

··· ··· ··· 0 0 . . . y su dimensión es cero.318 Capítulo 6 Espacios vectoriales reales podemos suponer que los unos (1s) principales de las r filas no nulas de B aparecen en las primeras r columnas. . 0 1 0 1 . . 0 0 . xn se les pueden asignar valores reales arbitrarios sj. . 0 0 . donde a xr+1. ··· ··· ··· b1n b2n .⎥ . . . . br r +1 0 . 0 ··· ··· . 0 =⎢ ⎢ ⎢0 ⎢ ⎢0 ⎢ ⎢. .⎦ 0 ⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎭ ⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎭ r B ··· .⎥ . . . . 0 1 0 1 0 . 0 0 0 .. Si r = n. . . m Al despejar las incógnitas que corresponden a los unos (1s) principales. ⎢ 0 = ⎢0 ⎢ ⎢0 ⎢ ⎢.. 1 0 . 0 ··· ··· ··· . xr+2. . ⎢. . . . . ⎢.⎥ . 0 0 0 1 . . 0 ⎤ 0 ⎥ 0⎥ ⎥ . . ⎢. Si r n. . xr = −br r +1 xr +1 − br r +2 xr +2 − · · · − br n xn .⎥ . entonces n ⎡ ⎢ ⎢0 ⎢ ⎢ ⎢0 ⎢ ⎢. . ··· ··· ··· 0 0 0 . . . .⎥ .⎥ . . entonces n ⎡ ⎢ ⎢0 ⎢ ⎢.⎥ . . ⎢. . 0 0 ⎤ ⎥ 0⎥ ⎥ .⎥ . donde .⎥ ⎥ 0⎥ ⎥ 0⎥ ⎥ . .. 1 0 .⎦ 0 ⎫ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎪ ⎭ ⎫ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎬ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎭ r =n B m y la única solución de Ax = 0 es la solución trivial. . tenemos x1 = −b1 r +1 xr +1 − b1 r +2 xr +2 − · · · − b1n xn x2 = −b2 r +1 xr +1 − b2 r +2 xr +2 − · · · − b2n xn . 0 b1 r +1 b2 r +1 .⎥ ⎥ ⎥ ⎥ ⎥ 0⎥ ⎥ 0⎥ ⎥ . .. ⎣. . . El espacio solución no tiene base (en ocasiones se habla de una base vacía). 0 0 . . ⎣. . ⎢. . . . br n 0 .

⎢ ⎥ ⎢−br n ⎥ ⎢ ⎥ ⎢ 0 ⎥ xp = ⎢ ⎥. Además. elegimos los siguientes: ⎤ ⎡ ⎡ s1 = 1. . . ⎢ ⎥ ⎢−br r +1 ⎥ ⎢ ⎥ ⎢ 1 ⎥ x1 = ⎢ ⎥. . entonces {x1. . . . ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ ⎥ ⎢ . . Así. ⎥ ⎢ . ⎥ ⎢ ⎥ ⎢ ⎢ xr ⎥ ⎢ −br r +1 s1 − br r +2 s2 − · · · − br n s p ⎥ x=⎢ ⎥=⎢ ⎥ s1 ⎥ ⎢xr +1 ⎥ ⎢ ⎥ ⎢x ⎥ ⎢ s2 ⎥ ⎢ r +2 ⎥ ⎢ ⎥ ⎢ . . . ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ ⎥ ⎢ . . ⎦ ⎣ .. ⎡ ⎡ ⎤ ⎤ ⎤ −b1 r +1 −b1 r +2 −b1n ⎢−b2 r +1 ⎥ ⎢−b2 r +2 ⎥ ⎢−b2n ⎥ ⎢ ⎢ ⎢ ⎥ ⎥ ⎥ ⎢ . 6. donde p = n − r.. p. sp pueden tomar valores arbitrarios. ⎤ −b1 r +1 s1 − b1 r +2 s2 − · · · − b1n s p ⎥ ⎢−b2 r +1 s1 − b2 r +2 s2 − · · · − b2n s p ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ . ⎥ ⎢ . ⎢ 0 ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ ⎢ ⎢ ⎢ ⎥ ⎥ ⎥ ⎢ . . . . . s1 = 0. ⎥ ⎢ . ⎥ ⎢ .. s2. ⎥ ⎣ 0 ⎦ 1 ⎡ x = s1x1 + s2x2 + · · · + spxp. ⎥ ⎢ . ⎥ ⎢ . ⎥ ⎢ . ⎥ . ⎦ ⎣ . ⎥ . ⎥ ⎢ . . ⎥ ⎢ . ⎥ . ⎢ 1 ⎥ ⎢ 0 ⎥ ⎢ ⎥ ⎢ . .. . . . . ⎥ ⎢ . . ⎥ ⎢ . . . ⎢ ⎢ ⎢ ⎥ ⎥ ⎥ ⎣ 0 ⎦ ⎣ 0 ⎦ ⎣ 0 ⎦ 0 0 1 Dado que s1. .Sec. sp = 0 sp = 0 s p−1 = 0. ⎥ ⎣ 0 ⎦ 0 Como ⎡ ⎤ −b1 r +2 ⎢−b2 r +2 ⎥ ⎢ ⎥ ⎢ . . . ⎥ . con los cuales se obtienen las soluciones ⎤ −b1 r +1 ⎢−b2 r +1 ⎥ ⎢ ⎥ ⎢ . . . s2 = 0. ⎥ . ⎥ ⎢ . . ⎥ ⎢ . xp} genera el espacio solución de Ax = 0. ⎥ ⎢ . s1 = 0. s2 = 0. ⎥ ⎢ . ⎥ ⎢ . . ⎥ ⎢ ⎥ ⎢ . 2. . ⎥ ⎣ 0 ⎦ 0 ⎡ ⎤ −b1n ⎢−b2n ⎥ ⎢ ⎥ ⎢ . . ⎥ ⎢ . ⎥ ⎢ . ⎥ ⎢ ⎥ ⎢ . xn sp ⎡ x1 x2 . s p = 1. ⎥ ⎢ . . .5 Sistemas homogéneos 319 j = 1. ⎢ ⎢ ⎢ ⎥ ⎥ ⎥ ⎢−br r +1 ⎥ ⎢−br r +2 ⎥ ⎢−br n ⎥ ⎢ ⎢ ⎢ ⎥ ⎥ ⎥ ⎢ 1 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥ = s1 ⎢ ⎥ + s2 ⎢ ⎥ + · · · + sp ⎢ ⎥. . ⎥ ⎢ . x2. si formamos la ecuación c1x1 + c2x2 + · · · + cpxp = 0. ⎢ ⎥ ⎢−br r +2 ⎥ ⎢ ⎥ ⎢ 0 ⎥ x2 = ⎢ ⎥. . s2 = 1.

es el siguiente. Es la siguiente (verifique) ⎡ 1 ⎢0 ⎢ ⎢0 ⎣0 0 0 1 0 0 0 2 2 0 0 0 0 1 0 −1 1 2 0 0 0 0 ⎤ 0 0⎥ ⎥ 0⎥ . . Si en la solución no hay constantes arbitrarias. La nulidad de una matriz A es el número de constantes arbitrarias presentes en la solución del sistema homogéneo Ax = 0. no tiene una base. Si en la solución x hay constantes arbitrarias. . se escribe x como combinación lineal de los vectores x1. La denotaremos por nulidad A. tiene r renglones no nulos (es decir. x2. Observación Suponga que en el paso 1 la matriz en forma escalonada reducida por filas. determinamos la forma escalonada reducida por filas de la matriz aumentada. xp con s1. xp. DEFINICIÓN Observación EJEMPLO 1 Determine una base y la dimensión del espacio solución W del sistema homogéneo ⎡ 1 1 1 ⎢0 ⎢ 0 ⎢0 ⎣1 −1 2 1 4 2 0 0 6 1 1 1 0 0 ⎤⎡ ⎤ ⎡ ⎤ 2 0 x1 1⎥ ⎢x2 ⎥ ⎢0⎥ ⎥⎢ ⎥ ⎢ ⎥ 2⎥ ⎢x3 ⎥ = ⎢0⎥ . x2. El conjunto de vectores {x1. n de esta matriz. . . obtenida a partir de [A 0]. . x2. x2. Paso 2. . s2. llamaremos nulidad de A a la dimensión del espacio nulo de A.320 Capítulo 6 Espacios vectoriales reales la matriz de sus coeficientes es la matriz de columnas x1. . . r + 2. mediante reducción Gauss-Jordan. la dimensión del espacio solución es n − r. . Paso 1. la dimensión del espacio solución es p. xp} es una base para el espacio solución de Ax = 0. {x1. Si A es una matriz de m × n. . . . Resolver el sistema homogéneo dado. . 0⎦ 0 . 2⎦ ⎣x4 ⎦ ⎣0⎦ x5 1 0 Solución Paso 1. el espacio nulo de A. el espacio solución es {0}. . esto es. El procedimiento para determinar un base para el espacio solución de un sistema homogéneo Ax = 0 —o espacio nulo de A— donde A es una matriz de m × n. . . . . . Para resolver el sistema dado por el método de reducción de Gauss-Jordan. tiene r unos principales). se concluye fácilmente que c1 = c2 = · · · = cp = 0. Paso 3. Entonces p = n − r. Por lo tanto. xp} es también linealmente independiente y constituye una base para el espacio solución de Ax = 0. . sp como coeficientes: x = s1x1 + s2x2 + · · · spxp. . y su dimensión es cero. . . una solución x para Ax = 0 tiene n − r constantes arbitrarias. Además. . Observando las filas r + 1.

y dim W = 2. y después s = 0 y t = 1. transformaremos la matriz aumentada ⎡ ⎤ 1 0 1 0 ⎣−2 −3 0 0⎦ 0 0 0 0 a la forma escalonada reducida por filas. Obtenemos (verifique) ⎡ ⎤ 1 0 1 0 ⎢ ⎥ 1 −2 0⎦ . ■ Con el ejemplo siguiente ilustramos una clase de problemas que tendremos que resolver con frecuencia en el capítulo 8. en la ecuación (2). ⎣0 3 0 0 0 0 . EJEMPLO 2 Determine una base para el espacio solución del sistema homogéneo (λI3 – A)x = 0 para λ = −2 y ⎡ ⎤ −3 0 −1 1 0⎦ . toda solución es de la forma (verifique) ⎡ ⎤ −2s − t ⎢−2s + t ⎥ ⎢ ⎥ x = ⎢ s ⎥. ⎣ 0⎦ ⎣−2⎦ 0 1 Paso 3. tomemos primero s = 1 y t = 0. es decir.Sec. todo vector en W puede ser expresado como ⎡ ⎤ ⎡ ⎤ −2 −1 ⎢−2⎥ ⎢ 1⎥ ⎢ ⎥ ⎢ ⎥ (2) x = s ⎢ 1⎥ + t ⎢ 0⎥ .5 Sistemas homogéneos 321 Entonces. x2} es una base para W. Así obtenemos las soluciones ⎡ ⎤ ⎡ ⎤ −2 −1 ⎢−2⎥ ⎢ 1⎥ ⎢ ⎥ ⎢ ⎥ x1 = ⎢ 1⎥ y x2 = ⎢ 0⎥ . ⎣ −2t ⎦ t (1) donde s y t son números reales arbitrarios. A=⎣ 2 0 0 −2 Formemos la matriz −2I3 − A: Solución 1 −2 ⎣0 0 ⎡ 0 1 0 ⎤ ⎡ 0 −3 0⎦ − ⎣ 2 1 0 ⎤ ⎡ 0 −1 1 0 1 0⎦ = ⎣−2 −3 0 −2 0 0 ⎤ 1 0⎦ . ⎣ 0⎦ ⎣−2⎦ 0 1 Dado que s y t pueden tomar valores arbitrarios. 0 Como la última matriz de la derecha es la matriz de coeficientes del sistema homogéneo. Como todo vector en W es una solución. 6. Paso 2. la forma de tal vector está dada por la ecuación (1). El conjunto {x1.

el sistema homogéneo (λI2 − A)x = 0 tiene una solución no trivial. Entonces.322 Capítulo 6 Espacios vectoriales reales Entonces.4. este sistema homogéneo tiene una solución no trivial si y sólo si el determinante de la matriz de coeficientes es cero. esto es si y sólo si det o si y sólo si λ − 1 −5 −3 λ + 1 = 0. 1 3 −1 −3 λ + 1 El sistema homogéneo (λI2 – A)x = 0 es λ − 1 −5 −3 λ + 1 0 x1 = . Esto indica que todo vector en la solución puede escribirse como ⎡ ⎤ −1 ⎢ 2⎥ x = s ⎣ 3⎦ . toda solución es de la forma (verifique) ⎡ ⎤ −s ⎢2 ⎥ x = ⎣ 3 s⎦ . (λ − 1)(λ + 1) − 15 = 0 λ2 − 16 = 0 λ = 4 o λ = −4. EJEMPLO 3 Determine todos los números reales λ tales que el sistema homogéneo (λI2 – A)x = 0 tiene una solución no trivial. en consecuencia. 0 x2 De acuerdo con el corolario 3. si A= 1 5 . s donde s es cualquier número real. ■ . ⎧⎡ ⎤⎫ ⎪ −1 ⎪ ⎬ ⎨ ⎢ 2⎥ ⎣ 3⎦ ⎪ ⎪ ⎭ ⎩ 1 ■ es una base para el espacio solución. 3 −1 Solución Formemos la matriz λI2 − A: λ 1 0 0 1 5 λ − 1 −5 − = . 1 y. cuando λ = 4. Otro problema importante que resolveremos con frecuencia en el capítulo 8 se ilustra en el ejemplo siguiente. para la matriz dada A. o cuando λ = −4.

1 y x es el conjunto de soluciones para Ax = b. b 0 y el conjunto de soluciones del sistema homogéneo asociado Ax = 0. el conjunto de soluciones del sistema lineal Ax = b. 2 .9 z z 2 1 1 y x es el espacio solución para Ax = 0. b 0 no es un subespacio de Rn. El ejemplo siguiente ilustra una relación geométrica entre el conjunto de soluciones del sistema no homogéneo Ax = b.9. ■ Figura 6.2 (vea el comentario a continuación del ejemplo 9) que si A es una matriz de m × n. 6.Sec. Esta situación se ilustra en la figura 6. que puede escribirse como ⎡ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 2 −2 3 x = ⎣0⎦ + r ⎣ 1⎦ + s ⎣0⎦ .5 Sistemas homogéneos 323 RELACIÓN ENTRE SISTEMAS LINEALES NO HOMOGÉNEOS Y SISTEMAS HOMOGÉNEOS Se observó en la sección 6. EJEMPLO 4 Considere el sistema lineal ⎡ 1 ⎣2 3 ⎤⎡ ⎤ ⎡ ⎤ 2 −3 2 x1 4 −6⎦ ⎣x2 ⎦ = ⎣4⎦ . 0 0 1 El conjunto de soluciones del sistema homogéneo asociado es el subespacio bidimensional de R3 formado por los vectores de la forma ⎡ ⎤ ⎡ ⎤ −2 3 x = r ⎣ 1⎦ + s ⎣0⎦ . el conjunto de todas las soluciones del sistema no homogéneo dado es un plano 2 que no pasa por el origen y que se obtiene desplazando a 1 paralelamente a sí mismo. x3 6 −9 6 El conjunto de soluciones de este sistema lineal consta de los vectores de la forma ⎤ 2 − 2r + 3s ⎦ r x=⎣ s (verifique). 0 1 Este subespacio es un plano 1 que pasa por el origen.

6. que se definió en el ejemplo 10 de la sección 1. El conjunto de todas las soluciones de un sistema homogéneo binario es un subespacio. xp es una solución particular del sistema dado (verifique) y xh es una solución del sistema homogéneo asociado. s ⎢ ⎥ ⎣ ⎦ −r r Entonces x = xp + xh. 0 1 ⎡ donde r y s son números reales cualesquiera. de importancia en el estudio de ecuaciones diferenciales. en el ejemplo 4. EJEMPLO 5 Considere el sistema lineal x1 x1 x1 3x1 + 2x2 + 2x2 + x3 + 2x2 + 6x2 + x3 − 3x4 − 3x4 − 3x4 − 9x4 + x5 =2 + x5 + 2x6 = 3 + 2x5 + x6 = 4 + 4x5 + 3x6 = 9. Además.324 Capítulo 6 Espacios vectoriales reales El resultado siguiente. ■ SISTEMAS HOMOGÉNEOS BINARIOS (OPCIONAL) La diferencia principal entre los sistemas homogéneos reales y los sistemas homogéneos binarios es que si un sistema homogéneo binario tiene una solución no trivial. y no infinito como sucede en los sistemas homogéneos reales. su demostración se dejó como ejercicio T. entonces el número de soluciones no triviales es finito. Además.13 de esa sección. se presentó en la sección 1. ⎡ ⎤ 2 x p = ⎣0⎦ 0 ⎤ ⎡ ⎤ −2 3 y x h = r ⎣ 1⎦ + s ⎣0⎦ . donde xp es una solución particular del sistema no homogéneo y xh es una solución del sistema homogéneo asociado Ax = 0. . b 0 y xh es una solución del sistema homogéneo asociado Ax = 0 entonces xp + xh es una solución del sistema dado Ax = b. Allí determinamos que una solución para el sistema lineal está dada por ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ r + 3s − 2t 0 r + 3s − 2t ⎢ ⎥ ⎢0⎥ ⎢ ⎥ t t ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ 1 − 2r ⎥ ⎢1⎥ ⎢ −2r ⎥ x=⎢ ⎥=⎢ ⎥+⎢ ⎥.6. s s ⎢ ⎥ ⎢0⎥ ⎢ ⎥ ⎣ 2 − r ⎦ ⎣2⎦ ⎣ ⎦ −r r 0 r donde r. Así. Sean ⎡ ⎤ 0 ⎢0⎥ ⎢ ⎥ ⎢1⎥ xp = ⎢ ⎥ ⎢0⎥ ⎣2⎦ 0 y ⎡ ⎤ r + 3s − 2t ⎢ ⎥ t ⎢ ⎥ ⎢ −2r ⎥ xh = ⎢ ⎥. s y t son números reales cualesquiera. y ese subespacio contiene un número finito de vectores. Si xp es una solución particular del sistema no homogéneo Ax = b. toda solución x del sistema lineal no homogéneo Ax = b es de la forma xp + xh.

b1 b2 La ecuación (3) puede escribirse como ⎡ ⎤ ⎡ ⎤ 1 1 ⎢1⎥ ⎢1⎥ x = b1 ⎣ ⎦ + b2 ⎣ ⎦ 1 0 0 1 ⎧⎡ ⎤ ⎡ ⎤⎫ 1 ⎪ ⎪ 1 ⎨ ⎬ ⎢1⎥ ⎢1⎥ ⎣1⎦ . de modo que existen exactamente dos soluciones ⎣0⎦ y ⎣1⎦. (Recuerde que el negativo de un dígito binario es él mismo. (Verifique.) ■ ⎩ 1 ⎭ EJEMPLO 7 En el ejemplo 21 de la sección 1. 0 0 0 0 0 Esto indica que hay dos dígitos binarios arbitrarios b1 y b2 en la solución (verifique). x = −z y y = −z. para obtener (verifique) ⎡ ⎤ 1 0 1 0 ⎣0 1 1 0⎦ . dada por ⎤ ⎡ b1 + b2 ⎢b + b2 ⎥ (3) x=⎣ 1 ⎦.5 Sistemas homogéneos 325 EJEMPLO 6 Determine una base para el espacio solución W del sistema homogéneo binario x+y =0 y+z=0 x + z = 0.) Por lo tanto. 0 0 0 0 Entonces.Sec. ⎣0⎦ ⎪ ⎪ ⎩ ⎭ 0 1 de modo que . z 0 1 ⎧⎡ ⎤⎫ ⎨ 1 ⎬ Una base para el espacio solución es ⎣1⎦ .6 mostramos que el sistema homogéneo binario correspondiente a la matriz aumentada ⎡ ⎤ 1 0 1 1 0 ⎣1 1 0 0 0⎦ 0 1 1 1 0 tiene la forma escalonada reducida por filas ⎡ ⎤ 1 0 1 1 0 ⎣0 1 1 1 0 ⎦ . Solución Formamos la matriz aumentada y determinamos su forma escalonada reducida por filas. 6. el conjunto de soluciones consta de todos los vectores ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ z 0 1 de B3 de la forma ⎣z ⎦. donde z es 0 o 1.

b1 = 1. Por lo tanto. 0 1 1 ⎪ ⎪ 0 ⎩ ⎭ 0 1 0 1 ■ EJEMPLO 8 Sea Ax = b un sistema binario tal que la forma escalonada reducida por filas de la matriz aumentada [A b] está dada por ⎡ ⎤ 1 0 1 0 0 ⎣0 1 1 1 1 ⎦ . puede expresarse en la forma x1 + x3 =0 x2 + x3 + x4 = 1. 1 0 0 1 ■ Términos clave Nulidad .326 Capítulo 6 Espacios vectoriales reales es una base para el espacio solución W. Sean x3 = b1 y x4 = b2 (recuerde que el negativo de un dígito binario es él mismo). Entonces tenemos la solución ⎤ ⎡ b1 ⎢b + b2 + 1⎥ x=⎣ 1 ⎦. b1 b2 Una solución particular es ⎡ ⎤ 0 ⎢1⎥ xp = ⎣ ⎦ 0 0 y la solución del sistema homogéneo correspondiente es ⎡ ⎤ ⎡ ⎤ 1 0 ⎢1⎥ ⎢1⎥ xh = b1 ⎣ ⎦ + b2 ⎣ ⎦ . y b1 = b2 = 1.) Existen exactamente tres soluciones no triviales: una para cada una de las elecciones b1 = 0. ⎣ ⎦. de dos ecuaciones con cuatro incógnitas. Se concluye entonces que la solución involucra dos dígitos binarios arbitrarios puesto que x1 = −x3 x2 = −x3 – x4 + 1. ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 1 0 ⎪ ⎪ 0 ⎨ ⎬ ⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ W = ⎣ ⎦. b2 = 1. (Verifique. ⎣ ⎦ . ⎣ ⎦. 0 0 0 0 0 El sistema no homogéneo correspondiente. b2 = 0.

5 Ejercicios 1. A = ⎣1 0 ⎡ ⎡ ⎤ 1 −3⎦ 3 1 16. ⎣ 2 1 ⎡ 2 3 2 −3 ⎡ 0 0 1 19. (c) Grafique estos vectores en un sistema de coordenadas tridimensional para mostrar que el espacio solución es un plano que pasa por el origen. A = ⎣ 3 4 1 1⎦ 1 1 −1 1 ⎡ ⎤ 1 −1 2 1 0 0 1 −1 3⎥ ⎢2 ⎢ ⎥ 3 0 3⎥ 12.Sec. λ = 3. determine una base para el espacio solución del sistema homogéneo (λIn – A)x = 0 para el escalar λ dado y la matriz A dada. resuelva el sistema lineal dado y escriba la solución x como x = xp + xh. 1 ⎢1 7. En los ejercicios 3 a 10. (b) Exprese cada solución como combinación lineal de dos vectores en R3. A = ⎢5 −1 ⎣4 −2 5 1 3⎦ 1 3 −4 −5 6 En los ejercicios 13 a 16. 13. A = 14. A = 3 1 −4 2 2 2 −3 3 0 0 1 1 2 1 3. ⎣2 3 1 ⎢0 9.5 Sistemas homogéneos 327 6. ⎢−2 ⎣ 0 1 ⎡ 2 2 −4 0 2 −3 −4 6 −1 −3 −2 3 4 5 −2 1 3 −3 1 0 ⎡ ⎤ ⎤ x1 ⎡ ⎤ 3 0 ⎢x2 ⎥ 4⎥ ⎢ ⎥ ⎢0⎥ ⎥ ⎢x ⎥ ⎢ ⎥ 2⎥ ⎢ 3 ⎥ = ⎢0⎥ x 9⎦ ⎢ 4 ⎥ ⎣0⎦ ⎣x ⎦ 5 7 0 x6 1 A = ⎣−2 −1 ⎡ 1 −2 −1 ⎤ −2 4⎦ . x1 + 2x2 − x3 + 3x4 = 0 2x1 + 2x2 − x3 + 2x4 = 0 x1 + 3x3 + 3x4 = 0 x1 −x1 x1 3x1 ⎡ − x2 + 2x2 − x2 − 4x2 2 2 4 0 0 1 1 2 2 6 4 + 2x3 + 3x3 + 3x3 + x3 + 4x5 = 0 + 5x5 = 0 + 6x5 = 0 + 3x5 = 0 ⎡ ⎤ ⎤ x1 ⎡ ⎤ 1 2 1 0 ⎢x2 ⎥ 2 1 2⎥ ⎢ ⎥ ⎢0⎥ ⎢x ⎥ = 3 3 3⎦ ⎣ 3 ⎦ ⎣0⎦ x4 1 −1 −1 0 x5 ⎤⎡ ⎤ ⎡ ⎤ 0 2 x1 3⎦ ⎣x2 ⎦ = ⎣0⎦ x3 0 2 ⎡ ⎤ ⎡ ⎤ ⎤ x1 0 2 −1 1 ⎢x2 ⎥ 2 −2 −1⎥ ⎢ ⎥ ⎢0⎥ ⎢x ⎥ = 2 −4 1⎦ ⎣ 3 ⎦ ⎣0⎦ x4 0 0 −3 0 x5 + 3x4 + 4x4 + 5x4 + 2x4 En los ejercicios 17 a 20. 6. A = ⎣−1 0 ⎤ −2 1⎦ −1 5. λ = 1. ⎣ 2 0 ⎡ 1 8. (b) Exprese cada solución como combinación lineal de dos vectores en R3. 6. A = 18. En los ejercicios 11 y 12. λ = 1. A = ⎤ 0 −1⎦ 0 3 0 2 −2 ⎡ −2 0 20. donde xp es una solución particular del sistema dado y xh es una solución del sistema homogéneo asociado. x1 + x2 + x3 + x4 = 0 2x1 + x2 − x3 + x4 = 0 −1 −3 −2 0 ⎡ ⎤ x1 ⎢x2 ⎥ 1 ⎢ ⎥ 0 ⎢x ⎥ = 2 ⎣ 3⎦ 0 x4 x5 4. 2. A = ⎣ 0 −2 0 4 ⎤ 0 −3⎦ 5 En los ejercicios 21 y 22. determine una base para el espacio nulo de la matriz A dada. ⎡ ⎤ 1 2 3 −1 2 3 2 0⎥ ⎢ 11. x x 2x 2x + 2y + y − y − 2y − z + 3z + 4z + 8z − w + 2w + 3w + 6w = 3 = −2 = 1 = −4 22. 1 3 1 2 0 15. 21. Sea 1 ⎢ 1 ⎢ 10. x − y + 2z + 2w = 1 −x + 2y + 3z + 2w = 0 2x + 2y + z =4 . A = ⎣0 1 0 17. λ = −3. determine todos los números reales λ tales que el sistema homogéneo (λIn – A)x = 0 tiene una solución no trivial. 2 (a) Determine el conjunto de soluciones de Ax = 0. 8 ⎤ (a) Determine el conjunto de soluciones de Ax = 0. determine una base y la dimensión del espacio solución del sistema homogéneo dado. (c) Grafique estos vectores en un sistema de coordenadas tridimensional para mostrar que el espacio solución es un plano que pasa por el origen. Sea 2 A = ⎣−4 −8 ⎡ −1 2 4 −2 4⎦ .

ML. T. xk} un conjunto de soluciones de un sistema homogéneo Ax = 0. x2.4. A y B son dos matrices de m × n cuyas formas escalonadas reducidas por filas son las mismas. Para la matriz 1 A = ⎣3 2 ⎡ 2 2 1 ⎤ 3 1⎦ 3 y λ = 6. ⎣ ⎢x ⎥ = 1 1 1 0 1⎦ ⎣ 3 ⎦ ⎣1⎦ x4 1 0 1 0 0 1 x5 Ejercicios teóricos T. A = ⎢3 ⎣0 0 1⎦ 1 0 0 ⎡ ⎤ 1 4 7 0 5 8 −1⎦ ML. ⎣1 1 ⎡ ⎡ 0 0 0 1 0 1 ⎤ ⎡x1 ⎤ ⎡ ⎤ 1 0 ⎢x ⎥ 1⎦ ⎣ 2 ⎦ = ⎣0⎦ x3 0 0 x4 ⎡ ⎤ ⎤ x1 ⎡ ⎤ 1 ⎢x2 ⎥ 0 ⎢ ⎥ ⎣ ⎦ 1⎦ ⎢ x 3 ⎥ = 0 0 ⎣x4 ⎦ 0 x5 1 ⎢1 ⎢ 26. . S = {v1.1. Demuestre que todo vector en gen S es una solución de Ax = 0.2.5. . Además. 23. El método que desarrollaremos en esta sección produce una base para V.6 desarrollamos una técnica para seleccionar una base para V que es un subconjunto de S. También puede utilizar la rutina homsoln. A = ⎣2 3 6 9 −2 ML. ⎣ 0 1 1 0⎦ ⎣x3 ⎦ ⎣0⎦ x4 0 0 0 1 1 ⎡ ⎤ ⎡ ⎤ x1 ⎡ ⎤ 1 0 0 0 1 1 ⎢x2 ⎥ ⎢1 1 0 0 0⎥ ⎢ ⎥ ⎢1⎥ 28. . utilice el comando rref de MATLAB como ayuda en la determinación de una base para el espacio nulo de A. (b) Sea A un matriz no nula de 3 × 3 y suponga que Ax = 0 tiene una solución no trivial. . A = ⎣2 1 1 2 2 1 ⎡ ⎤ 2 2 2 2 1⎥ ⎢1 ⎢ ⎥ 1 0⎥ ML. ⎢0 ⎣0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 1 25. . ⎡ ⎤⎡ ⎤ ⎡ ⎤ 1 1 1 0 1 x1 ⎢1 0 1 1⎥ ⎢x2 ⎥ ⎢1⎥ = 27. Demuestre que la dimensión del espacio nulo de A es 1 o 2.2. ¿Cuál es la relación entre el espacio nulo de A y el espacio nulo de B? Ejercicios con MATLAB En los ejercicios ML.3. T. Demuestre que si la matriz de coeficientes A de n × n del sistema homogéneo Ax = 0 tiene una fila o columna de ceros. Determine tal solución por medio de los comandos de MATLAB. Determine tal solución por medio de los comandos de MATLAB. el sistema homogéneo (λI2 – A)x = 0 tiene una solución no trivial. En la demostración del teorema 6. vn}. . utilice help. (a) Demuestre que la matriz cero es la única matriz de 3 × 3 cuyo espacio nulo tiene dimensión 3. con cada matriz A asocia- . 6. pero no se garantiza que sea un subconjunto de S. Sea S = {x1. Para instrucciones. v2. Para la matriz A= 1 2 2 1 y λ = 3. resuelva el sistema binario dado y escriba la solución x como xp + xh.3.3.4. .6 EL RANGO DE UNA MATRIZ Y SUS APLICACIONES En esta sección obtendremos otro método eficaz para determinar una base para el espacio vectorial V generado por un conjunto de vectores dado. T.328 Capítulo 6 Espacios vectoriales reales ⎡ ⎤⎡ ⎤ ⎡ ⎤ 0 0 x1 0⎥ ⎢x2 ⎥ ⎢0⎥ ⎥⎢ ⎥ ⎢ ⎥ 0⎥ ⎢x3 ⎥ = ⎢0⎥ 1⎦ ⎣x4 ⎦ ⎣0⎦ x5 0 1 En los ejercicios 23 a 26. x1 + x2 + x4 = 0 x1 + x3 + x4 = 0 =0 x1 + x2 + x3 0 24. el sistema homogéneo lineal (λI3 – A)x = 0 tiene una solución no trivial. ⎣1 0 1 0 1 0 1 1 0 1 0 En los ejercicios 27 y 28. ⎡ ⎤ 1 1 2 2 1 0 4 2 4⎦ ML. .1 a ML. determine una base y la dimensión del espacio solución del sistema homogéneo binario dado. entonces Ax = 0 tiene una solución no trivial.1.

3. Por lo tanto. recuerde que según el ejercicio T. Entonces. wn = ⎢ . ⎦ ⎣ . 1. . 2. w1 = ⎢ . ⎦ . nos da información sobre la dimensión del espacio solución del sistema homogéneo cuya matriz de coeficientes es A. 0. . en consecuencia. . Las filas de A. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ a11 a12 a1n ⎢ a21 ⎥ ⎢ a22 ⎥ ⎢ a2n ⎥ w2 = ⎢ . Análogamente. . a1n ) v2 = (a21 . . sus correspondientes sistemas lineales tienen las mismas soluciones. una matriz de m × n. 4). −2. . . v2 = (3. Si A y B son equivalentes por filas. a12 . . equivalentes por filas. . a22 .6. como mostraremos posteriormente. Determinaremos una base para V. ⎦ ⎣ . . v1 = (a11 . si tomamos una matriz A y encontramos su forma escalonada reducida por filas.10 Demostración Si A y B son dos matrices de m × n. ⎡ am1 am2 a12 a22 . denominado el espacio columna de A. ⎦ . de modo que el espacio fila de A está contenido en el espacio fila de B. donde v1 = (1. ⎣ . ··· ··· · · · amn ⎤ a1n a2n ⎥ . ⎣ . Por lo tanto. . . .10.Sec. generan un subespacio de Rn. . denominado el espacio fila de A. el espacio fila de B está contenido en el espacio fila de A. . y sea V el subespacio de R5 dado por V = gen S. .7 de la sección 1. −4). 3). generan un subespacio de R .8 de la sección 6. ⎥ . . cada fila de B es una combinación lineal de las filas de A. ■ Un resultado relacionado con el anterior. ⎥ . . 2. am1 am2 amn consideradas como vectores de R . 8.3 las filas no nulas de una matriz que está en la forma escalonada reducida por filas son linealmente independientes y. v3. 4. B. se establece en el teorema 1.6 El rango de una matriz y sus aplicaciones 329 remos un número único que. . De acuerdo con el teorema 6. v4}. Allí demostramos que si dos matrices aumentadas son equivalentes por filas. Observación EJEMPLO 1 Sea S = {v1. amn ). las columnas de A. m m TEOREMA 6. 2. los espacios fila de A y B son iguales. DEFINICIÓN Sea a11 ⎢ a21 A=⎢ . A puede obtenerse a partir de B mediante un número finito de operaciones elementales por filas. De forma análoga. ⎥ . . consideradas como vectores en Rn. forman una base para su espacio fila. Además. entonces los espacios fila de A y B son iguales. −3). ⎥ . 6. v2. vm = (am1 . . Podemos usar este método para determinar una base para el espacio vectorial generado por un conjunto dado de vectores en Rn. 7. como se ilustra en el ejemplo 1. entonces los espacios fila de A y B son iguales. . . v4 = (−1. 3. v3 = (2. . entonces los renglones de B se obtienen a partir de los de A mediante un número finito de las (tres) operaciones elementales por filas. a2n ) . am2 . 0.

. a2.⎦ . 1. 1). 2 3 7 2 3⎦ −1 2 0 4 −3 Esta matriz es equivalente por filas a la matriz en forma escalonada reducida por filas B (verifique) ⎡ ⎤ 1 0 2 0 1 1 1 0 1⎥ ⎢0 B=⎣ . . El procedimiento para determinar una base para el subespacio V de Rn dado por V = gen S. Sin embargo. 0. Paso 1. donde S es un conjunto de vectores en Rn. 0 0 0 1 −1⎦ 0 0 0 0 0 Los espacios fila de A y B son idénticos. jk. . es el siguiente. vk} es un conjunto de vectores en Rn dados como filas. sus espacios fila son idénticos. 6. escriba v como una combinación lineal de la base determinada en dicho ejemplo. . EJEMPLO 2 Sea V el subespacio del ejemplo 1. Dado que el vector v = (5. an) es un vector en V y {v1. en términos de sencillez. Las filas no nulas de B forman una base para V. w2 = (0. 1. 0. . a la base canónica para Rn. 1. j2. . . Resumiremos ahora el método del ejemplo 1 para determinar una base para el subespacio V de Rn dado por V = gen S. de la matriz A Paso 3. Paso 2. 1) y w3 = (0. sin embargo. . . donde S = {v1. . vk} es una base para V obtenida por el método del ejemplo 1.⎥ ⎣. 0. . −1) ■ Observación Note en el ejemplo 1. la base para el subespacio V de Rn obtenida de esta manera es análoga. que las filas de las matrices A y B son diferentes. Determinar la forma escalonada reducida por filas B. Así. . 3) está en V. . w1 = (1. la base obtenida mediante el procedimiento del ejemplo 1 produjo una base que no es un subconjunto del conjunto generador. 4. . 2. y una base para el espacio fila de B está formada por sus filas no nulas. 0. v2. . Formar la matriz ⎡ ⎤ v1 ⎢ v2 ⎥ A=⎢. v2.330 Capítulo 6 Espacios vectoriales reales Solución Observe que V es el espacio fila de la matriz A cuyas filas son los vectores dados ⎡ ⎤ 1 −2 0 3 −4 2 8 1 4⎥ ⎢ 3 A=⎣ . vk cuyas filas son los vectores dados en S. 0. Por supuesto. forman una base para V. se puede demostrar que v = a j1 v1 + a j2 v2 + · · · + a jk vk . y los unos principales aparecen en las columnas j1. . Por lo tanto. 14. si v = (a1. .

{(1. 2. 3. El rango fila de A es 3. −4) + c2 (3. que contenga solamente vectores fila de A. −3) = (0. cuya matriz aumentada es ⎡ 1 ⎢−2 ⎢ ⎢ 0 ⎣ 3 −4 3 2 8 1 4 2 −1 3 2 7 0 2 4 3 −3 ⎤ 0 0⎥ ⎥ 0⎥ = A T 0⎦ 0 0 . obtenemos (verifique) ⎡ ⎢ ⎢0 ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢0 ⎣ 0 1 0 1 0 0 0 0 0 1 0 0 11 24 − 49 24 7 3 ⎤ ⎥ 0⎥ ⎥ ⎥ 0⎥ . 7. 8. 4). j2 = 2 y j3 = 4. ⎥ ⎥ 0⎥ ⎦ 0 0 (2) 0 0 Como los unos principales en (2) aparecen en las columnas 1. 3. 2. . 0. −2. 2.6 El rango de una matriz y sus aplicaciones 331 Solución Tenemos j1 = 1. la matriz de coeficientes es AT. 0. 0. EJEMPLO 3 Determinaremos una base para el espacio fila de la matriz A del ejemplo 1. concluimos que las tres primeras filas de A forman una base para el espacio fila de A. 0. 0). ■ Observación La solución del ejemplo 1 también proporciona una base para el espacio fila de la matriz A en ese ejemplo. (2. 3) + c4 (−1. 1. 1. ■ EJEMPLO 4 Determinaremos una base para el espacio columna de la matriz A definida en el ejemplo 1 y calcularemos el rango columna de A. 4). 3)} es una base para el espacio fila de A. 8. 0. Esto es. 7. (1) esto es. 6. Calcularemos también el rango fila de la matriz A. (3. 3.Sec. Observe que los vectores de dicha base no son filas de la matriz A. 3. DEFINICIÓN La dimensión del espacio fila de A se denomina rango fila de A y la dimensión del espacio columna de A se denomina rango columna de A. 0. 2. 2 y 3. 4. de modo que v = 5w1 + 4w2 + 6w3. formamos la ecuación c1 (1. 2. Solución Según el procedimiento de la demostración alternativa del teorema 6. 4) + c3 (2. Al transformar la matriz aumentada [AT 0] en (1) a la forma escalonada reducida por filas. −2.6.

0. 1. los vectores 1. ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 −2 3 ⎪ ⎪ ⎨ ⎬ ⎢ 3⎥ ⎢ 2⎥ ⎢1⎥ ⎣ 2⎦ . de lo cual se concluye que el rango columna de A es 3. 0⎦ 0 Como los unos principales aparecen en las columnas 1. 2 y 4. − 49 y 0. seguimos el procedimiento desarrollado en la demostración del teorema 6. ⎢ 1⎥ ⎢0⎥ ⎢ 0⎥ ⎣ ⎦ ⎣ ⎦ 11 − 49 24 24 y forman una base para el espacio columna de A. que contenga sólo vectores columna de A. ■ En los ejemplos 3 y 4 obtuvimos valores iguales para el rango fila y el rango columna de A. formamos la ecuación ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 −2 0 3 −4 0 ⎢ 3⎥ ⎢ 2⎥ ⎢8⎥ ⎢1⎥ ⎢ 4⎥ ⎢0⎥ c1 ⎣ ⎦ + c 2 ⎣ ⎦ + c 3 ⎣ ⎦ + c 4 ⎣ ⎦ + c 5 ⎣ ⎦ = ⎣ ⎦ 2 3 7 2 3 0 −1 2 0 4 −3 0 cuya matriz aumentada es A 0 . obteniendo (como en el ejemplo 1) ⎡ 1 ⎢0 ⎣0 0 0 1 0 0 2 1 0 0 0 1 0 1 1 −1 0 0 ⎤ 0 0⎥ . 0. 0. 1. El rango columna de A es 3. 0. Para ello.6. como lo establece el siguiente teorema. obtenemos la matriz AT. Esta igualdad. constituye un resultado muy importante en álgebra lineal. segunda y cuarta columnas de A forman una base para el espacio columna de A. cuya forma escalonada reducida por filas es (como vimos en el ejemplo 3) ⎡ 1 ⎢ ⎢0 ⎢ ⎢ ⎢0 ⎢ ⎢ ⎢0 ⎣ 0 Entonces. ⎣2⎦ ⎪ ⎪ ⎩ ⎭ −1 2 4 es una base para el espacio columna de A. Solución 2 Si queremos determinar una base para el espacio columna de A. Transformamos esta matriz a la forma escalonada reducida por filas. 0. . TEOREMA 6. concluimos que la primera. T 11 24 0 1 0 0 0 0 0 1 0 0 11 24 ⎥ − 49 ⎥ 24 ⎥ ⎥ 7⎥ . 24 ⎡ ⎤ 0 ⎢ ⎥ ⎢0⎥ ⎢ ⎥ ⎢1⎥ ⎣ ⎦ 7 3 7 3 forman una base para el espacio fila de A .11 El rango fila y el rango columna de la matriz A = [aij] de m × n son iguales.332 Capítulo 6 Espacios vectoriales reales Solución 1 Al escribir las columnas de A como vectores fila. los vectores ⎡ ⎡ ⎤ ⎤ 1 0 ⎢ ⎢ ⎥ ⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ . Es decir. que se cumple siempre. 3⎥ ⎤ ⎥ ⎥ 0⎦ 0 . Por lo tanto. ⎣ 3⎦ .

■ . . ⎦ 0 0 0 0 Entonces rango A = 3 y nulidad A = 2. . 6. . Entonces. es el siguiente. Si la matriz B es la forma escalonada reducida por filas de A.6 El rango de una matriz y sus aplicaciones 333 Demostración Sean w1. que denotaremos como rango A. Se concluye entonces. ■ DEFINICIÓN El resultado. Ahora resumiremos el procedimiento para calcular el rango de una matriz. obtenemos ⎡ 1 ⎢0 ⎢ ⎢0 ⎣0 0 0 1 0 0 0 2 2 0 0 0 ⎤ 0 1 0 −1⎥ ⎥ 1 2⎥ . . Hemos definido (vea la sección 6. como la dimensión del espacio nulo de A.5. hemos demostrado así el teorema siguiente que establece una relación fundamental entre el rango y la nulidad de A. la dimensión del espacio solución de Ax = 0 es n – r. w2. de este sistema homogéneo a la forma escalonada reducida por filas. nos permite referirnos al rango de una matriz de m × n.Sec. y B tiene r renglones no nulos. Como (n – r ) + r = n.12 Si A es una matriz de m × n. El rango de A es igual al número de filas no nulas de B.5. Pero este número es también el número de filas no nulas de la matriz en forma escalonada reducida que es equivalente por filas a la matriz A. Cuando A se lleva a la forma escalonada reducida por filas. utilizaremos el procedimiento seguido en la demostración alternativa del teorema 6. que rango fila de A = rango columna de A. wn las columnas de A. y r es también el rango de A. rango fila de A = rango columna de A. de modo que es también el rango fila de A. El procedimiento para calcular el rango de una matriz dada A. Paso 2. Para determinar la dimensión del espacio columna de A. ■ EJEMPLO 5 Sea 1 1 1 ⎢0 ⎢ 0 A = ⎢0 ⎣1 −1 2 1 ⎡ 4 2 0 0 6 1 1 1 0 0 ⎤ 2 1⎥ ⎥ 2⎥ . como la dimensión del espacio solución de Ax = 0. 2⎦ 1 la matriz definida en el ejemplo 1 de la sección 6. entonces rango A + nulidad A = n. Paso 1. TEOREMA 6. Llevar A a su forma escalonada reducida por filas. formamos la ecuación c1w1 + c2w2 + · · · + cnwn = 0 y transformamos la matriz aumentada. B. es decir.5) la nulidad de una matriz A de m × n. el rango columna de A es igual al número de unos principales. según el cual la dimensión del espacio solución de Ax = 0 es 2. Esto coincide con el resultado obtenido en la solución del ejemplo 1 de la sección 6. Los vectores correspondientes a las columnas en que aparecen los unos principales forman una base para el espacio columna de A. Por lo tanto. [A 0].6.

Dimensión del espacio fila de A = 2. Podríamos llegar a este resultado determinando una base con dos vectores para el espacio columna de A.2. obtenemos (verifique) ⎡ 1 ⎣0 0 lo cual permite concluir que: ● ● 0 1 0 ⎤ 1 1⎦ . ■ z Espacio nulo de A Espacio fila de A Figura 6. y la dimensión del espacio nulo de A. Estos resultados se ilustran en la figura 6. una verificación del teorema 6. el espacio columna de A es también es un subespacio bidimensional de R3. 0 rango A = 2. como veremos en la sección 10.10. De la forma escalonada reducida de A se concluye que toda solución del sistema homogéneo Ax = 0 es de la forma (verifique) ⎡ ⎤ −r x = ⎣−r ⎦ . EJEMPLO 6 Sea 3 −1 1 A = ⎣2 7 1 ⎡ ⎤ 2 3⎦ . es un plano que pasa por el origen. o nulidad de A. Por supuesto. pues. r donde r es una constante arbitraria. o espacio nulo de A. .334 Capítulo 6 Espacios vectoriales reales El ejemplo siguiente permite ilustrar geométricamente algunas de las ideas discutidas anteriormente. 8 Al transformar A a la forma escalonada reducida por filas. de modo que el espacio fila de A es un subespacio bidimensional de R3. Entonces. es una recta que pasa por el origen. es 1.10 y Espacio columna de A x Observación Los conceptos de rango y nulidad también se aplican a transformaciones lineales. es decir. esto es. ya sabemos que también la dimensión del espacio columna de A es 2. Ésta es.12. un plano que pasa por el origen. De modo que el espacio solución del sistema homogéneo.

B debe ser In.3.7). Entonces rango B = n. de modo que rango A = n. Entonces A es equivalente por filas a In (teorema 1.13 es el corolario siguiente. y que B es la forma escalonada reducida por filas de A. que constituye un criterio para saber que el rango de una matriz de n × n es n. Ejercicio T.7). así que B no tiene renglones nulos.Sec. sección 1. ■ El corolario siguiente proporciona otro método para decidir que n vectores de Rn son linealmente dependientes o linealmente independientes.6 El rango de una matriz y sus aplicaciones 335 RANGO Y SINGULARIDAD Si la matriz A es cuadrada. COROLARIO 6. vn} un conjunto de n vectores en Rn y sea A la matriz cuyas filas (columnas) son los vectores de S. Entonces.4 para establecer dependencia o independencia lineal no es tan eficiente como el método directo de la sección 6. COROLARIO 6. .5 Demostración EJEMPLO 7 El sistema homogéneo Ax = 0 de n ecuaciones lineales con n incógnitas tiene una solución no trivial si y sólo si rango A n. 6. rango A = 3 y . suponga que rango A = n. en consecuencia.2 Demostración Si A es una matriz de n × n.13 se expresa en el corolario siguiente.7). como lo muestra el teorema siguiente. sección 1. B está en la forma escalonada reducida por filas. entonces rango A = n si y sólo si det(A) Ejercicio T.3. ■ Sea ⎡ 1 A = ⎣0 2 2 1 1 ⎤ 0 3⎦ . COROLARIO 6. Entonces S es linealmente independiente si y sólo si det(A) 0. Además. COROLARIO 6.13 Demostración Una matriz A de n × n es no singular si y sólo si rango A = n.2 y de que Ax = 0 tiene una solución no trivial si y sólo si A es singular (teorema 1. .12. 0. ■ Una consecuencia inmediata del teorema 6. Ejercicio T. Hemos demostrado así que A es equivalente por filas a In y. Este resultado se sigue del corolario 6. Recíprocamente. v2. ■ Demostración Cuando n 4.4 Sea S = {v1.2.12. el método del corolario 6. que A es no singular (teorema 1. . El sistema lineal Ax = b tiene una solución única para toda matriz b de n × 1 si y sólo si rango A = n. .1.13. ■ Otro resultado fácilmente deducible del teorema 6. que exige la solución de un sistema homogéneo. 3 La forma escalonada reducida por filas de A es I3 (verifique). Suponga que A es no singular. Por lo tanto.3 Demostración Sea A una matriz de n × n. sección 1. TEOREMA 6. su rango permite decidir si la matriz es singular o no singular.

⎥ = ⎢ . no tiene mucho valor computacional. 2. . . inicialmente. el resultado del teorema 6. ya que generalmente estamos interesados en encontrar una solución.14 implica que Ax = b es inconsistente si y sólo si b no está en el espacio columna de A. . ⎤ 0 −6 1 3⎦ . 3 3 A es equivalente por filas a la matriz escalonada reducida por filas. . El teorema 6. esto es. Cuando b 0. ⎣ .336 Capítulo 6 Espacios vectoriales reales la matriz A es no singular. rango A = rango [A b]. esto es. y A es singular. las dimensiones de los espacios columna de A y de [A b] son iguales.14. donde b es una matriz arbitraria de n × 1. x2. lo cual significa que podemos determinar valores de x1. Además. Para demostrar el recíproco del resultado anterior. x2. Ax = b tiene una solución. Además. sólo tiene la solución trivial. ⎦ . entonces el sistema lineal dado puede rescribirse como Demostración ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ a11 a12 a1n b1 ⎢ a21 ⎥ ⎢ a22 ⎥ ⎢ a2n ⎥ ⎢ b2 ⎥ x1 ⎢ . ■ Observaciones 1. si y sólo si el rango de la matriz de coeficientes es igual al rango de la matriz aumentada. . . 0 0 ■ 3. b es combinación lineal de las columnas de A y pertenece entonces al espacio columna de A. Por lo tanto. . más que en saber si existe o no una solución. Ahora estableceremos algunos resultados que muestran cómo el rango de A también proporciona información sobre las soluciones del sistema lineal Ax = b. Entonces b está en el espacio columna de A. suponga que rango A = rango [A b]. rango A trivial. am1 am2 amn bm ⎡ (3) Ahora. Observe. si Ax = b tiene una solución. el sistema homogéneo Ax = 0.5 vimos que el rango de A proporciona información sobre la existencia de una solución no trivial para el sistema homogéneo Ax = 0.14 El sistema lineal Ax = b tiene solución si y sólo si rango A = rango[A b]. ⎥ + x2 ⎢ . Entonces. Ax = 0 tiene una solución no APLICACIONES DEL RANGO AL SISTEMA LINEAL Ax = b En el corolario 6. . que si A = [aij] es de m × n. ⎡ 1 ⎣0 0 Por lo tanto. ⎥ + · · · + xn ⎢ . ⎦ ⎣ . xn que satisfacen la ecuación (3). TEOREMA 6. ⎦ ⎣ . . En consecuencia. ■ EJEMPLO 8 Sea ⎡ 1 A = ⎣1 1 ⎤ 2 0 1 −3⎦ . ⎦ ⎣ . Aunque interesante. existen valores de x1. . ⎥ . xn que satisfacen la ecuación (3). el sistema lineal se dice que es no homogéneo. . .

−1. 1). 0. 3). Las columnas de A forman un conjunto linealmente independiente de n vectores en Rn. v4. donde v1 = (1. v5}. 2. 1. 1). 2). 1. v5}. 1. 8. v5}. 1). v2 = (2. v2. el sistema lineal tiene una solución.6 El rango de una matriz y sus aplicaciones 337 EJEMPLO 9 Considere el sistema lineal ⎡ 2 1 ⎣1 −2 0 1 ⎤⎡ ⎤ ⎡ ⎤ 1 3 x1 2⎦ ⎣x2 ⎦ = ⎣2⎦ . v4 = (0. 6. v2. 2. A es no singular. 1. 2.Sec.6 Ejercicios 1. A tiene rango n. V = gen S. Las filas de A forman un conjunto linealmente independiente de n vectores en Rn. 1. 1. El sistema lineal Ax = b tiene una solución única para cada matriz b de n × 1.V = gen S. v2 = ⎣ ⎦ . 0. 0. v3. Sea S = {v1. 9. −3. 1 2 2 1 ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 3 3 5 2⎥ 3⎥ ⎢ ⎢ ⎢3⎥ v3 = ⎣ ⎦ . v3. Ahora ampliaremos nuestra lista de equivalencias no singulares. 2) 3. 5. Determine una base para el subespacio de R4. v4. 2. Lista de equivalencias no singulares Las afirmaciones siguientes son equivalentes para una matriz A de n × n. 3. det(A) 0. . 1). x = 0 es la única solución de Ax = 0. porque rango A = 2 y rango [A b] = 3 (verifique). 2). 4. EJEMPLO 10 El sistema lineal ⎡ 1 2 ⎣1 −3 2 −1 ⎤⎡ ⎤ ⎡ ⎤ 3 4 x1 4⎦ ⎣x2 ⎦ = ⎣5⎦ x3 7 6 ■ no tiene solución. Sea S = {v1. v4 = (0. x3 3 3 ■ Como rango A = rango [A b] = 3. 1) ⎡ ⎤ ⎡ ⎤ 1 2 ⎢2⎥ ⎢1⎥ v1 = ⎣ ⎦ . v2 = (1. 1. Determine una base para el subespacio de R3. A tiene nulidad 0. 4). donde y v5 = (1. v3. 0. V = gen S. 7. 3 3 5 2 3 3 Determine una base para el subespacio de R4. A es equivalente por filas a In. 6. v3 = (−1. v4 = ⎣ ⎦ y v5 = ⎣ ⎦ . y v5 = (1. Sea S = {v1. v2. 1. Términos clave Espacio fila Espacio columna Rango fila Rango columna Rango Sistema no homogéneo 6. v4. donde v1 = (1. v3 = (0.

calcule los rangos fila y columma de A. ⎣−1 0 1 ⎢ 1 25. A = ⎣ 0 −1 ⎡ ⎡ 2 9 8 3 2 5 1 0 ⎤ −1 −1⎥ 3⎦ 2 −1 2 2 −2 ⎤ 3 0⎥ 1⎦ 7 1 15. 1 3 1 1 ⎡ ⎤ ⎡ ⎤ 3 5 ⎢2⎥ ⎢ 0⎥ v4 = ⎣ ⎦ y v5 = ⎣ ⎦ . ⎣ −1 −2 ⎡ ⎡ 2 2 8 1 2 3 6 ⎤ −3 3⎦ 0 4 3 2 12 ⎤ −1 2⎥ 1⎦ −4 1 24. A = ⎣2 0 −7 8 ⎡ ⎤ 2 −3 −7 11 10. A = ⎣3 7 8 −1 2 5 1 23. calcule el rango y la nulidad de A y compruebe que se cumple el teorema 6. el espacio columna de A. 1 2 ⎡ ⎤ ⎡ ⎤ 1 2 ⎢2⎥ ⎢1⎥ = ⎣ ⎦. v4. En los ejercicios 5 y 6. A = ⎣ −3 4 ⎡ ⎡ −2 −1 2 1 2 2 3 −2 7 4 −3 −1 3 4 2 1 ⎤ 0 0⎥ 5⎦ 3 7 8 8 −5 ⎤ 1 0⎥ 4⎦ −7 En los ejercicios 21 y 22 sea A una matriz de 7 × 3 cuyo rango es 3. muestre que los columnas de A son linealmente dependientes. utilice el teorema 6. ⎡ ⎤ 1 −2 5 3 2⎦ 9. y compruebe el resultado del teorema 6. v2 = ⎣ ⎦ . . ¿cuál es el máximo valor posible para rango A? 19. 21.12. ⎡ ⎤ 1 2 3 2 1 1 −5 −2 1⎦ 11. ¿Son las columnas de A linealmente dependientes o linealmente independientes? Justifique su respuesta En los ejercicios 23 a 25. utilice el corolario 6. donde v1 ⎡ ⎤ 0 ⎢2⎥ v3 = ⎣ ⎦ . 22. (b) formado por vectores que son vectores columna de A. determine una base para el espacio columna de A (a) formado por vectores que no son vectores columna de A. 1 ⎢ 2 13. v2.338 Capítulo 6 Espacios vectoriales reales 4. el espacio fila de AT y el espacio columna de AT. Sea S = {v1. A = ⎢3 ⎣5 9 ⎡ 3 1 2 8 9 2 −5 5 9 4 0 1 1 1 2 0 2 −2 −2 0 ⎤ 1 0⎥ ⎥ 1⎥ 2⎦ 2 En los ejercicios 13 a 17. muestre que las filas de A son linealmente dependientes. 1 0 4 −1 1 ⎢2 ⎢ 12.3 para determinar si el sistema lineal Ax = b tiene una única solución para toda matriz b de 3 × 1. calcule una base para el espacio fila de A. (b) formado por vectores que son vectores fila de A. V = gen S. A = ⎣−1 3 1 ⎢2 17. ⎣−1 0 ⎡ 2 2 1 ⎤ −3 3⎦ 1 En los ejercicios 26 y 27. Si A es una matriz de 3 × 4. 1 ⎢1 7. A = ⎣ 1 0 ⎡ ⎡ ⎡ 2 1 8 14 2 1 1 0 2 2 1 −2 −1 −8 −7 1 −4 −5 −2 1 −4 0 1 ⎤ 3 −5⎥ −1⎦ 8 ⎤ 3 −5⎥ 0⎦ 1 ⎤ 1 ⎢ 1 5. A = ⎣ 7 10 1 ⎢2 14. Si A es una matriz de 4 × 6. A = ⎣ 3 2 −2 ⎢−2 8.13 para determinar si cada matriz es singular o no singular. ¿Son las filas de A linealmente dependientes o linealmente independientes? Justifique su respuesta. 20. A = ⎣ −3 −2 1 ⎢ 3 6. determine una base para el espacio fila de A (a) formado por vectores que no son vectores fila de A. A = ⎣3 −1 −7 13⎦ 1 2 0 2 En los ejercicios 11 y 12. En los ejercicios 9 y 10. A = ⎣2 2 7 ⎤ −1 3⎥ 3⎦ 0 −2 −1 −8 ⎤ −1 3⎦ 3 En los ejercicios 7 y 8. v5}. A = ⎣ 7 5 ⎡ ⎡ 3 1 1⎦ 16.11. 18. v3. Determine una base para el subespacio de R4. Describa brevemente las relaciones entre estas bases. Si A es una matriz de 5 × 3.

¿Es ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ 2 S = ⎣2⎦ . determine cuáles de los sistemas homogéneos tienen una solución no trivial para la matriz dada A. Sea A una matriz de m × n. A = ⎣0 1 ⎡ 1 32. T. Sea A una matriz de m × n. A = ⎣3 1 ⎡ 2 8 −2 −1 2 −2 ⎤ −2 −7⎦ 1 ⎤ 2 3⎦ 1 En los ejercicios 33 a 36. T.4. calcule el rango de las matrices binarias dadas. Sea A una matriz de m × n con m n.9. Demuestre el corolario 6. Muestre que las filas de A o las columnas de A son linealmente dependientes. utilizando el teorema 6. A = ⎣ 1 1 ⎡ 1 31. Sea A una matriz de n × n.3. Muestre que el sistema homogéneo Ax = 0 tiene una solución no trivial si y sólo si las columnas de A son linealmente dependientes. es consistente (tiene solución). . ⎣1⎦ ⎩ 3 2 3 ⎭ un conjunto linealmente independiente de vectores en R3? 29.11.Sec. Muestre que el sistema lineal Ax = b tiene a lo más una solución para cada matriz b de m × 1 si y sólo si el sistema homogéneo asociado Ax = 0 tiene solamente la solución trivial. T. ⎣ 0 0 1 ⎢0 40. ⎣−1⎦ ⎩ 2 −5 3 ⎭ un conjunto linealmente independiente de vectores en R3? En los ejercicios 30 a 32.14. Demuestre que la solución es única si y sólo si rango A = n. Suponga que el sistema lineal Ax = b. ¿Es ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 2 2 ⎬ ⎨ 4 S = ⎣1⎦ . donde A es de m × n. T. Demuestre el corolario 6. determine cuáles de los sistemas lineales tienen una solución. ⎣2 5 1 34. 28. A = ⎣0 3 ⎡ 1 27.10.12. T. ⎣0 1 1 ⎢1 39. Muestre que las columnas de A son linealmente independientes si y sólo si el sistema homogéneo Ax = 0 tiene solamente la solución trivial.2.1. 1 33.8. ⎤ ⎡x1 ⎤ ⎡ ⎤ 4 1 ⎢x ⎥ 6⎦ ⎣ 2 ⎦ = ⎣2⎦ x3 −2 2 x4 ⎤⎡ ⎤ ⎡ ⎤ 1 x1 6 1⎦ ⎣x2 ⎦ = ⎣2⎦ x3 5 5 En los ejercicios 37 a 40.7.5.3. T. Muestre que rango A = n si y sólo si las columnas de A son linealmente independientes.6 El rango de una matriz y sus aplicaciones 339 1 26.2. 1 ⎢1 30. 6. ⎣0⎦ . entonces rango A = m. Muestre que las filas de A son linealmente independientes si y sólo si las columnas de A generan a Rn. Demuestre que si A es una matriz de m × n tal que AAT es no singular. ⎣ 5⎦ .4 para resolver los ejercicios 28 y 29. T. ⎣4 2 1 36.6. A = ⎣2 5 ⎡ 1 3 1 2 2 1 0 2 −1 −4 2 −1 1 1 ⎤ 3 0⎦ 3 ⎤ −1 3⎦ 3 ⎤ −1 2⎥ 3⎦ 1 1 37.5. T. utilizando el corolario 6.4. Muestre que el sistema lineal Ax = b tiene una solución para cada matriz b de m × 1 si y sólo si rango A = m. ⎣ 1 1 ⎡ ⎡ ⎡ 0 1 1 1 1 1 0 1 1 0 0 ⎤ 1 1⎦ 0 0 1 1 1 0 1 1 0 ⎤ 0 0⎥ 1⎦ 1 1 1 0 0 ⎤ 1 0⎥ 1⎦ 1 1 ⎢0 38. T. ⎣2 5 1 35. Sea A una matriz de n × n. Demuestre el corolario 6. Sea A una matriz de m × n. ⎣ 0 1 ⎡ 0 1 1 1 1 0 1 0 ⎤ 0 1⎥ 0⎦ 0 Ejercicios teóricos T. Sea A una matriz de n × n. T. T. ⎣1 5 ⎡ ⎡ ⎡ ⎡ 2 3 1 2 3 1 −2 −1 3 1 −1 1 5 −2 0 5 −2 0 −3 −5 1 ⎤ ⎡x1 ⎤ ⎡ ⎤ −2 0 ⎢x ⎥ 4⎦ ⎣ 2 ⎦ = ⎣0⎦ x3 2 0 x4 ⎤ ⎡x1 ⎤ ⎡ ⎤ −2 1 ⎢x2 ⎥ ⎣ 4⎦ ⎣ ⎦ = −13⎦ x3 2 3 x4 Utilice el corolario 6.

S1 = {v2. Sin embargo. Para determinar una base del espacio fila de A formado por filas de A. Observe que el vector de coordenadas [v]S depende del orden de los vectores en el conjunto S. .2 para los espacios columna. utilice la instrucción rank (A). cn como vector de coordenadas de v con respecto a la base ordenada S. Determine cuáles de los siguientes sistemas lineales son consistentes. ML. ML. cn son números reales. . . v2. c2. ML. calculamos rref(A ). utilizando solamente la instrucción rank. . v2.⎥ ⎣.1 COORDENADAS Y CAMBIO DE BASE COORDENADAS Sabemos que si V es un espacio vectorial de dimensión n. Calcule el rango y la nulidad de cada una de las siguientes matrices.340 Capítulo 6 Espacios vectoriales reales Ejercicios con MATLAB Dada una matriz A. . . . ⎡ ⎤ 1 3 1 5 0⎥ ⎢2 (a) A = ⎣ 4 11 2⎦ 6 9 1 ⎡ ⎤ 2 1 2 0 0 0 0⎥ ⎢0 ⎢ ⎥ 2 2 1⎥ (b) A = ⎢1 ⎣4 5 6 2⎦ 3 3 4 1 ML.2.1. entonces cada vector v en V se puede expresar en forma única como v = c1v1 + c2v2 + · · · + cnvn. Resuelva los ejercicios 1 a 4 usando MATLAB. Supondremos que todas las bases consideradas en esta sección son bases ordenadas. diferente a la anterior. . un cambio en el orden en que aparecen puede modificar las coordenadas de v con respecto a S. . Para calcular el rango de una matriz en MATLAB.3. . vn} es una base ordenada para el espacio vectorial V de dimensión n. 3 (a) ⎣1 2 1 ⎢2 (b) ⎣ 1 3 ⎡ ⎡ 2 2 1 2 1 −1 0 ⎤ 1 −1⎦ 3 1 0 −1 −1 2 0 −2 −2 ⎤ 1 2⎥ 1⎦ 3 ML. que no tengan vectores en común. vn} es una base ordenada para V. Los números 1 principales señalan las filas originales de A que forman una base para el espacio fila.4. hasta este momento no nos ha interesado orden de los vectores en S. V tiene una base S de n vectores. v1. las filas no nulas de rref(A) forman una base para el espacio fila de A y las filas no nulas de rref(A ) transformadas en columnas constituyen una base para el espacio columna de A. . 1 (a) ⎣0 3 1 (b) ⎣1 2 1 ⎢ 2 (c) ⎣ 2 −1 ⎡ ⎡ ⎡ 2 1 1 2 1 1 ⎤ ⎡x1 ⎤ ⎡ ⎤ 21 −1 ⎢x ⎥ 0⎦ ⎣ 2 ⎦ = ⎣ 8⎦ x3 16 −2 x4 ⎤⎡ ⎤ ⎡ ⎤ 3 1 x1 0⎦ ⎣x2 ⎦ = ⎣3⎦ x3 3 −1 4 2 1 ⎡ ⎤ ⎤ 3 2 0⎥ x1 ⎢2⎥ =⎣ ⎦ 3 1⎦ x2 2 2 6. en esta sección hablaremos de base ordenada S = {v1. . . donde c1. Nos referiremos a v S ⎡ ⎤ c1 ⎢c2 ⎥ =⎢. Si S = {v1. . Ver el ejemplo 3. Determine dos bases para el espacio fila de A.5. . . .⎦ . Las entradas de [v]S son las coordenadas de v con respecto a S. Repita el ejercicio ML. En este sentido. vn} para V.

pues S es la base canónica para R3. donde v1 = (1. obtenemos la solución (verifique) c1 = 3. 1. v2. −6. de modo que el vector de coordenadas de v con respecto a la base S es ⎡ ⎤ 3 ⎢−1⎥ v S = ⎣ ⎦. 2). c4 = 1. 0. . 0). Solución Como S es la base canónica v = 2e1 −1e2 + 3e3. 3). 2. que es simplemente un problema de combinación lineal. −1). v3. 6. −2 1 ■ EJEMPLO 2 Sea S = {e1. −1. el vector de coordenadas [v]S de v con respecto a S coincide con v. Calcule [v]S. −1. Si v = (1. de modo que v S ⎤ 2 = ⎣−1⎦ . T v1 T v2 ⎤ 2 0 0 1 0 1 1 2⎥ .7 Coordenadas y cambio de base 341 EJEMPLO 1 Sea S = {v1. Esta ecuación origina un sistema lineal cuya matriz aumentada es (verifique) ⎡ 1 ⎢1 ⎣0 0 o en forma equivalente. 0). 0. Al transformar la matriz en (1) a su forma escalonada reducida por filas. 2. v4} una base para R4. 1. e3} la base canónica de R3 y sea v = (2. v2 = (2. v4 = (0. c2. e2. 1 2 −1 −6⎦ 2 0 −1 0 (1) T v3 T v4 vT . 1. c3 y c4. c2 = −1. 1.Sec. 0). 3 ⎡ ■ Observación En el ejemplo 2. c3 = −2. tales que c1v1 + c2v2 + c3v3 + c4v4 = v. v3 = (0. calcule [v]S. Solución Para determinar [v]S necesitamos calcular las constantes c1.

342 Capítulo 6 Espacios vectoriales reales

EJEMPLO 3

Sea V = P1, el espacio vectorial de los polinomios de grado y T = {w1, w2}, bases para P1, donde v1 = t, Sea v = p(t) = 5t – 2. (a) Calcule [v]S. (b) Calcule [v]T. v2 = 1, w1 = t + 1,

1, y sean S = {v1, v2}

w2 = t – 1.

Solución

(a) Como S es la base canónica o estándar para P1, tenemos 5t – 2 = 5t + (−2)(1). Entonces,

v

S

=

5 . −2

(b) Para calcular [v]T, expresaremos a v como combinación lineal de w1 y w2. 5t – 2 = c1(t + 1) + c2(t – 1), o 5t – 2 = (c1 + c2)t + (c1 − c2). Al igualar los coeficientes de las potencias correspondientes de t, obtenemos el sistema lineal c1 + c2 = 5 c1 − c2 = −2, cuya solución es (verifique)

c1 =
Por lo tanto,

3 2

y c2 = 7 . 2 ⎡ ⎤ v
T

= ⎣2⎦ .
7 2

3

En cierto sentido, los vectores de coordenadas de los elementos de un espacio vectorial se comportan algebraicamente en forma similar a como se comportan los propios vectores. Por ejemplo, no es difícil demostrar (vea el ejercicio T.2) que si S es una base para un espacio vectorial n-dimensional V y v, w son vectores en V y k es un escalar, entonces [v + w]S = [v]S + [W]S y [kv]S = k[v]S. (3) (2)

Es decir, el vector de coordenadas de una suma de vectores es la suma de los vectores de coordenadas, y el vector de coordenadas de un múltiplo escalar de un vector es el múltiplo escalar del vector de coordenadas. Además, los resultados de las ecuaciones (2) y (3) se pueden generalizar para mostrar que [k1v + k2v2 + · · · + knvn]S = k1[v1]S + k2[v2]S + · · · + kn[vn]S. Es decir, el vector de coordenadas de una combinación lineal de vectores es la misma combinación lineal de los vectores de coordenadas individuales.

Sec. 6.7 Coordenadas y cambio de base

343

UNA REPRESENTACIÓN DEL ESPACIO VECTORIAL
La elección de una base ordenada, y la correspondiente determinación de un vector de coordenadas para cada v en V, nos permiten obtener una “ilustración” del espacio vectorial. Para esto, utilizaremos el ejemplo 3. Elegimos un punto fijo O en el plano R2 y trazamos dos flechas arbitrarias w1 y w2 que parten de O, y que representan los vectores t y 1 de la base ordenada S = {t, 1} para P1 (vea la figura 6.11). Las direcciones de w1 y w2 determinan dos rectas, a las que llamaremos eje x1 y eje x2, respectivamente. La dirección positiva del eje x1 está en la dirección de w1; la dirección negativa del eje x1 está a lo largo de −w1. De manera análoga, la dirección positiva del eje x2 está en la dirección de w2; la dirección negativa del eje x2 está a lo largo de −w2. Las longitudes de w1 y w2 determinan las escalas en los ejes x1 y x2, respectivamente. Si v es un vector en P1, podemos escribir a v, en forma única, como v = c1w1 + c2w2. Ahora, señalamos un segmento de longitud |c1| sobre el eje x1 (en la dirección positiva, si c1 es positivo y en la dirección negativa si c1 es negativo), y trazamos una recta que pase por el extremo de este segmento y que sea paralela a w2. De manera análoga, señalamos un segmento de longitud |c2| sobre el eje x2 (en la dirección positiva, si c2 es positivo y en la dirección negativa si c2 es negativo), y trazamos una recta que pase por el extremo de este segmento y que sea paralela a w1. Trazamos un segmento de recta dirigido desde O hasta el punto de intersección de estas dos rectas. Este segmento de recta dirigido representa el vector v.
eje x2

Figura 6.11

w2

c2
c1

+ c 1w 1 v=

c 2w 2

O

w1

eje x1

MATRICES DE TRANSICIÓN
Supongamos que S = {v1, v2, . . . , vn} y T = {w1, w2, . . . , wn} son bases para el espacio vectorial n-dimensional V. Examinaremos la relación entre los vectores de coordenadas [v]S y [v]T, del vector v en V con respecto a las bases S y T, respectivamente. Si v está en V, entonces v = c1w1 + c2w2 + · · · + cnwn de modo que (4)

v

T

⎡ ⎤ c1 ⎢c2 ⎥ = ⎢ . ⎥. ⎣.⎦ . cn

344 Capítulo 6 Espacios vectoriales reales

Entonces

v

S

= c1 w1 + c2 w2 + · · · + cn wn = c1 w1 = c1 w1
S S

S S S

+ c2 w2 + c2 w2

S

+ · · · + cn wn + · · · + c n wn

S

.

Denotemos al vector de coordenadas de wj con respecto a S como ⎡ ⎤ a1 j ⎢a2 j ⎥ wj S = ⎢ . ⎥ . ⎣ . ⎦ .

an j

Entonces

v

S

⎤ ⎡ ⎤ ⎡ ⎤ ⎡ a11 a12 a1n a11 ⎢a21 ⎥ ⎢a22 ⎥ ⎢a2n ⎥ ⎢a21 = c1 ⎢ . ⎥ + c2 ⎢ . ⎥ + · · · + cn ⎢ . ⎥ = ⎢ . ⎣ . ⎦ ⎣ . ⎦ ⎣ . ⎦ ⎣ . . . . . an1 an2 ann

an1 an2

a12 a22 . . .

⎤⎡ ⎤ c1 · · · a1n · · · a2n ⎥⎢c2 ⎥ . ⎥⎢ . ⎥ . ⎦⎣ . ⎦ . . · · · ann cn

o

v
donde

S

= PS←T v

T

,

(5)

v (en V)

[v]S (en Rn) Multiplicar a la izquierda por PS

PS←T
T

a11 ⎢a21 =⎢ . ⎣ . .

an1 an2

a12 a22 . . .

⎤ · · · a1n · · · a2n ⎥ . ⎥= . ⎦ . · · · ann

w1

S

w2

S

···

wn

S

[v]T (en Rn)

Figura 6.12

se conoce como la matriz de transición de la base T a la base S. La ecuación (5) dice que el vector de coordenadas de v con respecto a la base S es la matriz de transición PS←T multiplicada por el vector de coordenadas de v con respecto a la base T. La figura 6.12 ilustra la ecuación (5). En el cuadro siguiente se resume el procedimiento que acabamos de desarrollar para el cálculo de la matriz de transición de la base T a la base S. El procedimiento para calcular la matriz de transición PS←T de la base T = {w1, w2, . . . , wn} a la base S = {v1, v2, . . . , vn} para V es el siguiente. Paso 1. Calcule el vector de coordenadas de wj, j = 1, 2, . . . , n con respecto a la base S. Esto significa expresar a wj como una combinación lineal de los vectores en S: a1jv1 + a2jv2 + · · · + anjvn = wj, j = 1, 2, . . . , n.

Los valores para a1j, a2j, . . . , anj se determinan con reducción de Gauss-Jordan, transformando la matriz aumentada de este sistema a la forma escalonada reducida por filas. Paso 2. La matriz de transición PS←T de la base T a la base S se forma tomando el vector [wj]S como j-ésima columna de la matriz pedida, PS←T.

Sec. 6.7 Coordenadas y cambio de base

345

EJEMPLO 4

Sea V igual a R3, y sean S = {v1, v2, v3} y T = {w1, w2, w3} bases para R3, donde ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 2 1 1 v1 = ⎣0⎦ , v2 = ⎣2⎦ , v3 = ⎣1⎦ 1 0 1 y

⎡ ⎤ 6 w1 = ⎣3⎦ , 3

⎤ 4 w2 = ⎣−1⎦ , 3

⎡ ⎤ 5 w3 = ⎣5⎦ . 2

(a) Calcule la matriz de transición PS←T de la base T a la base S. ⎡ ⎤ 4 (b) Verifique la ecuación (5) para v = ⎣−9⎦. 5

Solución

(a) Para calcular PS←T, determinamos a1, a2, a3 tales que a1v1 + a2v2 + a3v3 = w1. En este caso obtenemos un sistema lineal de tres ecuaciones con tres incógnitas, cuya matriz aumentada es [v1 Esto es, v2 v3 w1],

2 ⎣0 1

1 2 0

1 1 1

⎤ 6 3⎦ . 3

De manera análoga, la determinación de b1, b2, b3 y c1, c2, c3 tales que

b1 v1 + b2 v2 + b3 v3 = w2 c1 v1 + c2 v2 + c3 v3 = w3 ,
exige resolver los sistemas lineales, cuyas matrices aumentadas son [v1 v2 v3 w2] y [v1 v2 v3 w3], o, específicamente, ⎡ 2 1 ⎣0 2 1 0

⎤ 1 4 1 −1⎦ 1 3

2 y ⎣0 1

1 2 0

1 1 1

⎤ 5 5⎦ . 2

Como la matriz de coeficientes de los tres sistemas lineales es la misma, [v1 v2 v3] en cada caso, podemos transformar simultáneamente las tres matrices aumentadas a la forma escalonada reducida, transformando la matriz por bloques [v1 v2 v3 w1 w2 w3] a la forma escalonada reducida.* Esto significa llevar la matriz ⎡ ⎤ 2 1 1 6 4 5 ⎣0 2 1 3 −1 5⎦ 1 0 1 3 3 2
*Discutido en la observación 2 que sigue al ejemplo 12 de la sección 1.6.

346 Capítulo 6 Espacios vectoriales reales a su forma escalonada reducida por filas (verifique) ⎡ ⎤ 1 0 0 2 2 1 ⎣0 1 0 1 −1 2⎦ , 1 1 1 0 0 1 de la cual se deduce que la matriz de transición de la base T a la base S es ⎡ ⎤ 2 2 1 2⎦ . PS←T = ⎣1 −1 1 1 1 (b) Si

⎤ 4 v = ⎣−9⎦ , 5

entonces para expresar v en términos de la base T utilizamos la ecuación (4). El sistema lineal asociado conduce a (verifique) ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 4 6 4 5 v = ⎣−9⎦ = 1 ⎣3⎦ + 2 ⎣−1⎦ − 2 ⎣5⎦ = 1w1 + 2w2 − 2w3 , 5 3 3 2 de modo que

v

T

⎤ 1 = ⎣ 2⎦ . −2

Entonces, aplicando la ecuación (5), encontramos que [v]S es ⎡ ⎤⎡ ⎤ ⎡ ⎤ 2 2 1 1 4 2⎦ ⎣ 2⎦ = ⎣−5⎦ . PS←T v T = ⎣1 −1 1 1 1 −2 1 Si calculamos [v]s directamente, planteando y resolviendo el sistema lineal correspondiente, encontramos que (verifique) ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 4 2 1 1 v = ⎣−9⎦ = 4 ⎣0⎦ − 5 ⎣2⎦ + 1 ⎣1⎦ = 4v1 − 5v2 + 1v3 , 5 1 0 1 es decir,

v
Hemos verificado así la ecuación

S

⎤ 4 = ⎣−5⎦ . 1

v

S

= PS←T v

T

.

En seguida demostraremos que la matriz de transición PS←T de la base T a la base S es no singular y que su inversa, P−1 es precisamente la matriz de transición de la S←T base S a la base T.

TEOREMA 6.15

Sean S = {v1, v2, . . . , vn} y T = {w1, w2, . . . , wn} bases para el espacio vectorial V, de dimensión n. Sea PS←T la matriz de transición de la base T a la base S. Entonces PS←T es no singular y P−1 es la matriz de transición de la base S a la base T. S←T

Sec. 6.7 Coordenadas y cambio de base

347

Demostración

Para demostrar que PS←T es no singular mostraremos que el espacio nulo de PS←T contiene solamente el vector nulo. Suponga que PS←T v T = 0 R n para algún v en V. De acuerdo con la ecuación (5),

PS←T v

T

= v

S

= 0 Rn .

Si v = b1v1 + b2v2 + · · · + bnvn, entonces ⎡ ⎤ ⎡ ⎤ 0 b1 ⎢0⎥ ⎢b2 ⎥ ⎢ . ⎥ = v = 0 Rn = ⎢ . ⎥ , S ⎣.⎦ ⎣.⎦ . . bn 0 de modo que v = 0v1 + 0v2 + · · · + 0vn = 0V. o sea que v
T

= 0 R n . Por lo tanto, el sistema homogéneo PS←Tx = 0 tiene solamente

la solución trivial y ello implica, de acuerdo con el teorema 1.13, que PS←T es no singular. Adicionalmente, si multiplicamos por la izquierda ambos lados de la ecuación −1 (5) por PS←T , obtenemos

v

T

−1 = PS←T v

S

.

−1 En conclusión, PS←T es la matriz de transición de la base S a la base T; la j-ésima −1 columna de PS←T es [vj]T. ■

Observación

En los ejercicios T.5 a T.7 le pedimos demostrar que si S y T son bases para el espacio vectorial Rn, entonces
−1 PS←T = M S MT ,

donde MS es la matriz de n × n cuya j-ésima columna es vj y MT es la matriz de n × n cuya j-ésima columna es wj. Esta fórmula implica que PS←T es no singular y es útil al resolver algunos de los ejercicios de esta sección.

EJEMPLO 5

Sean S y T las bases de R3 definidas en el ejemplo 4. Calcule la matriz de transición −1 QT←S de la base S a la base T, de forma directa y muestre que QT←S = PS←T . QT←S es la matriz que tiene por columnas los vectores solución del sistema lineal resultante de las ecuaciones vectoriales a1 w1 + a2 w2 + a3 w3 = v1 b1 w1 + b2 w2 + b3 w3 = v2 c1 w1 + c2 w2 + c3 w3 = v3 . Como en el ejemplo 4, podemos resolver simultáneamente estos sistemas por medio de la transformación de la matriz por bloques [w1 w2 w3 v1 v2 v3] a la forma escalonada reducida por filas. Esto es, transformamos ⎡ ⎤ 6 4 5 2 1 1 ⎣3 −1 5 0 2 1⎦ 3 3 2 1 0 1

Solución

348 Capítulo 6 Espacios vectoriales reales

a la forma escalonada reducida (verifique) ⎡ ⎤ 3 1 −5 1 0 0 2 2 2 ⎢ ⎥ 3⎥ , ⎢0 1 0 −1 −1 ⎣ 2 2 2⎦ 0 0 1 −1 0 2 de modo que

⎡ Q T ←S =

3 ⎢ 2 ⎢− 1 ⎣ 2

1 2 1 −2

−5 2

⎤ ⎥

3⎥ . 2⎦

−1

0

2

Multiplicando QT←S por PS←T, obtenemos (verifique) QT←S PS←T = I3, de lo cual −1 ■ concluimos que Q T ←S = PS←T .

EJEMPLO 6

Sea V igual a P1 y sean S = {v1, v2} y T = {w1, w2} bases para P1, donde v1 = t, v2 = t – 3, w1 = t – 1, w2 = t + 1.

(a) Calcule la matriz de transición PS←T de la base T a la base S. (b) Verifique la ecuación (5) para v = 5t + 1. (c) Calcule la matriz de transición QT←S de la base S a la base T y muestre que −1 Q T ←S = PS←T .

Solución

(a) Para calcular PS←T, necesitamos resolver simultáneamente las ecuaciones vectoriales a1v1 + a2v2 = w1 b1v1 + b2v2 = w2 mediante la transformación de la matriz por bloques resultante (verifique)

1 1 1 0 −3 −1

1 1

a la forma escalonada reducida por filas. El resultado es (verifique) ⎡ ⎤ 2 4 1 0 3 3⎦ ⎣ , 1 0 1 −1 3 3 de modo que

⎡ PS←T =
2 ⎣3 1 3


4 3⎦ . −1 3

(b) Al expresar v = 5t + 1, en términos de la base T, obtenemos (verifique) v = 5t + 1 = 2(t – 1) + 3(t + 1), y, en consecuencia,

v

T

=

2 . 3

Para verificarlo usted puede plantear y resolver el sistema lineal resultante de la combinación lineal v = a1w1 + a2w2.

Sec. 6.7 Coordenadas y cambio de base

349

Ahora usamos la ecuación (5), para obtener ⎡ ⎤

v

S

= PS←T v

T

=

2 ⎣3 1 3

4 3⎦ −1 3

⎡ ⎤ 16 2 = ⎣ 3 ⎦. 3 −1
3

Si calculamos [v]S directamente a partir del sistema lineal que resulta de la ecuación vectorial v = c1v1 + c2v2, encontramos que (verifique)

v = 5t = 1 =
de modo que

16 t 3

− 1 (t − 3), 3 ⎤

⎡ v
S

=

16 ⎣ 3 ⎦. −1 3

Por lo tanto,

v

S

= PS←T v

T

,

que es la ecuación (5). (c) La matriz de transición QT←S de la base S a la base T se obtiene (verifique) transformando la matriz por bloques

1 −1

1 1

1 1 0 −3

a la forma escalonada reducida por filas. Obtenemos (verifique) ⎤ ⎡ 1 2 1 0 2 ⎦. ⎣ 1 0 1 −1 2 por lo tanto,

⎡ Q T ←S =
1 ⎣2 1 2

⎤ 2 −1 ⎦.

Al multiplicar Q T←S por P S←T , obtenemos Q T←S P S←T = I 2 , de modo que
−1 Q T ←S = PS←T .

Términos clave
Base ordenada Vector de coordenadas Matriz de transición

6.7 Ejercicios
Supondremos que todas las bases consideradas en estos ejercicios son bases ordenadas. En los ejercicios 1 a 6, calcule el vector de coordenadas de v con respecto a la base dada S para V. 1. V es R2, S = 2. V es R3, S = {(1, −1, 0), (0, 1, 0), (1, 0, 2)}, v = (2, −1, −2). 3. V es P1, S = {t + 1, t – 2}, v = t + 4. 4. V es P2, S = {t2 – t + 1, t + 1, t2 + 1}, v = 4t2 – 2t + 3.

1 0 , 0 1

,v=

3 . −2

350 Capítulo 6 Espacios vectoriales reales

5. V es M22 , S = v= 1 −1 0 . 2

1 0

0 0 , 0 1

0 0 , 0 0

1 , 0

0 0

0 1

14. Sean

,

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ −1 0 ⎬ ⎨ 1 S = ⎣0⎦ , ⎣ 0⎦ , ⎣1⎦ ⎩ 1 0 2 ⎭ ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ −1 T = ⎣ 1⎦ , ⎣ 2⎦ , ⎣1⎦ ⎩ 0 −1 0 ⎭ ⎤ −1 w = ⎣ 8⎦ . −2 ⎡

6. V es M22 , S = 1 −1 0 0 ,v=

1 0

−1 0 , 0 1 3 . 2

1 1 , 0 0

0 , −1

y

1 −2

En los ejercicios 7 a 12, calcule el vector v si el vector de coordenadas [v]S está dado con respecto a la base S para V.

7. V es R 2 , S =

2 −1 , 1 1

, v

S

1 = . 2

bases para R3. Sean ⎡ ⎤ 1 v = ⎣3⎦ 8

y

8. V es R 3 , S = {(0, 1, −1), (1, 0, 0), (1, 1, 1)}, ⎡ ⎤ −1 v S = ⎣ 1⎦. 2 9. V es P1 , S = {t, 2t − 1}, v
S

=

−2 . 3

10. V es P2 , S = {t 2 + 1, t + 1, t 2 + t}, v 11. V es M22 , S = 0 2 0 3 −1 1 ⎡ 0 2 , 0 0 ⎤

S

⎤ 3 = ⎣−1⎦. −2 2 , 3

Siga las indicaciones del ejercicio 13. 15. Sean S = {t2 + 1, t − 2, t + 3} y T = {2t2 + t, t2 + 3, t} bases para P2. Sean v = 8t2 – 4t + 6 y w = 7t2 – t +9. Siga las indicaciones del ejercicio 13. 16. Sean S = {t2 + t + 1, t2 + 2t + 3, t2 + 1} y T = {t + 1, t2, t2 +1} bases para P2. Además, sean v = −t2 + 4t + 5 y w = 2t2 – 6. Siga las indicaciones del ejercicio 13. 17. Sean

2 1 , 1 −1

S=
y

1 0

0 0 , 0 1

1 0 , 0 0

2 0 , 1 1

0 1

, v

S

2 ⎢ 1⎥ = ⎣ ⎦. −1 3 1 0

T =

1 0

1 0 , 0 1

0 0 , 0 0

0 1 , 1 0

0 0

bases para M22. Sean

12. V es M22 , S = 0 1 −1 0

, v

S

−2 −1 , 0 0 ⎡ ⎤ 0 ⎢1⎥ = ⎣ ⎦. 0 2

3 1 , 1 0

0 , 0

v=

1 1

1 1

y

w=

1 −2

2 . 1

Siga las indicaciones del ejercicio 13. 18. Sean

13. Sean S = (1, 2), (0, 1) y T = {(1, 1), (2, 3)} bases para R2. Sean v = (1, 5) y w = (5, 4). (a) Determine los vectores de coordenadas de v y w con respecto a la base T. (b) ¿Cuál es la matriz de transición PS←T de la base T a la base S? (c) Determine los vectores de coordenadas de v y w con respecto a S utilizando PS←T. (d) Determine directamente los vectores de coordenadas de v y w con respecto a S. (e) Determine la matriz de transición QT←S de la base S a la base T. (f) Determine los vectores de coordenadas de v y w con respecto a T utilizando QT←S. Compare las respuestas con las de (a).

S=
y

−1 0

−1 1 , 1 0

0 0 , 1 0

−1 1 , 0 1

0 0

T =

1 0

1 1 , 0 1

0 1 , −1 0

0 0 , 0 0

1 1

bases para M22. Sean

v=

0 3

0 −1

y

w=

−2 −1

3 . 3

Siga las indicaciones del ejercicio 13. 19. Sean S = {(1,−1), (2, 1) y T = {(3, 0), (4,−1)} bases para R2. Si v está en R2 y

v
determine [v]S.

T

=

1 , 2

Sec. 6.7 Coordenadas y cambio de base

351

20. Sean S = {t + 1, t − 2} y T = {t − 5, t − 2} bases para P1. Si v está en P1 y

24. Sean S = {v1, v2} y T = {w1, w2} bases para P1, donde w1 = t, w2 = t – 1.

v
determine [v]S.

T

=

−1 , 3

Si la matriz de transición de S a T es

21. Sean S = {(−1, 2, 1), (0, 1, 1), (−2, 2, 1) y T = {(−1, 1, 0), (0, 1, 0), (0, 1, 1)} bases para R3. Si v está en R3 y ⎡ ⎤ 2 v S = ⎣0⎦ , 1 determine [v]T. 22. Sean S = {t2, t − 1, 1} y T = {t2 + t + 1, t + 1,1} bases para P2. Si v está en P2 y ⎡ ⎤ 1 v S = ⎣2⎦ , 3 determine [v]T. 23. Sean S = {v1, v2, v3} y T = {w1, w2, w3} bases para R3, donde v1 = (1, 0, 1), v2 = (1, 1, 0), v3 = (0, 0, 1). Si la matriz de transición de T a S es ⎡ ⎤ 1 1 2 ⎣ 2 1 1⎦ , −1 −1 1 determine los vectores de la base T.

2 −1

3 , 2

determine los vectores de la base S. 25. Sean S = {v1, v2} y T = {w1, w2} bases para R2, donde v1 = (1, 2), v2 = (0, 1).

Si la matriz de transición de S a T es

2 1

1 , 1

determine los vectores de la base T. 26. Sean S = {v1, v2} y T = {w1, w2} bases para P1, donde w1 = t – 1, w2 = t + 1.

Si la matriz de transición de T en S es

1 2
determine los vectores de S.

2 , 3

Ejercicios teóricos
T.1. Sea S = {v1, v2, . . . , vn} una base para el espacio vectorial V de dimensión n, y sean v y w dos vectores en V. Muestre que v = w si, y sólo si [v]S = [w]S. T.2. Muestre que si S es una base para un espacio vectorial V de dimensión n y v y w son vectores en V y k es un escalar, entonces [v + w]S = [v]S + [w]S y [kv]S = k[v]S. T.3. Sea S una base para un espacio vectorial V de dimensión n. Muestre que si {w1, w2, . . . , wk} es un conjunto linealmente independiente de vectores en V, entonces En los ejercicios T.5 a T.7, sean S = {v1, v2, . . . ,vn} y T = {w1, w2, . . . ,wn} bases para el espacio vectorial Rn. T.5. Sea MS la matriz de n × n cuya j-ésima columna es vj y sea MT la matriz de n × n cuya j-ésima columna es wj. Demuestre que MS y MT son no singulares. (Sugerencia: considere los sistemas homogéneos MSx = 0 y MTx = 0). T.6. Si v es un vector en V, demuestre que v = MS[v]S y v = MT[v]T. T.7. (a) Utilice la ecuación (5) y los ejercicios T.5 y T.6 para demostrar que
−1 PS←T = M S MT .

w1

S

, w2

S

, . . . , wk

(b) Demuestre que PS←T es no singular.
S

(c) Verifique el resultado de la parte (a) para el ejemplo 4.

es un conjunto linealmente independiente de vectores en Rn. T.4. Sea S = {v1, v2, . . . , vn} una base para un espacio vectorial V de dimensión n. Muestre que

v1

S

, v2

S

, . . . , vn

S

es una base para R .

n

352 Capítulo 6 Espacios vectoriales reales

Ejercicios con MATLAB
La determinación de las coordenadas de un vector con respecto a una base es un problema de combinación lineal. Por lo tanto, una vez construido el correspondiente sistema lineal, podemos valernos de las rutinas reduce o rref de MATLAB para determinar su solución. La solución nos proporciona las coordenadas deseadas (y el análisis de la sección 12.7 será útil para poder construir el sistema lineal necesario). ML.1. Sea V = R3 y La determinación de la matriz de transición PS←T de la base T a la base S también es un problema de combinación lineal. PS←T es la matriz que tiene como columnas las coordenadas de los vectores de T con respecto a la base S. Podemos seguir las ideas desarrolladas en el ejemplo 4 para determinar la matriz PS←T mediante las rutinas reduce o rref. La idea es construir una matriz A cuyas columnas corresponden a los vectores en S (vea la sección 12.7) y una matriz B cuyas columnas corresponden a los vectores en T. Entonces, la instrucción rref([A B]) proporciona la matriz [IPS←T]. En los ejercicios ML.4 a ML.6, aplique las técnicas de MATLAB descritas anteriormente, para determinar la matriz de transición PS←T de la base T a la base S. ML.4. V = R3,

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 2 1 ⎬ ⎨ 1 S = ⎣2⎦ , ⎣1⎦ , ⎣0⎦ . ⎩ 1 0 2 ⎭

Muestre que S es una base para V y determine [v]S para cada uno de los siguientes vectores. ⎡ ⎤ ⎡ ⎤ 8 2 (b) v = ⎣ 0⎦ (a) v = ⎣4⎦ 7 −3 ⎡ ⎤ 4 (c) v = ⎣3⎦ 3 ML.2. Sea V = R4 y S = {(1, 0, 1, 1), (1, 2, 1, 3), (0, 2, 1, 1), (0, 1, 0, 0). Muestre que S es una base para V y determine [v]S para cada uno de los siguientes vectores.

⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 1 ⎬ ⎨ 1 S = ⎣1⎦ , ⎣1⎦ , ⎣0⎦ , ⎩ 0 1 1 ⎭ ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 1 ⎬ ⎨ 2 T = ⎣1⎦ , ⎣2⎦ , ⎣1⎦ ⎩ 1 1 2 ⎭
ML.5. V = P3, S = {t – 1, t + 1, t2 + t, t3 − t}, T = {t2, 1 − t, 2 – t2, t3 + t2} ML.6. V = R4, S = {(1, 2, 3, 0), (0, 1, 2, 3), (3, 0, 1, 2), (2, 3, 0, 1), T = base canónica. ML.7. Sean V = R3 y las bases ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ 1 S = ⎣1⎦ , ⎣2⎦ , ⎣1⎦ , ⎩ 1 1 1 ⎭ ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ 1 T = ⎣0⎦ , ⎣1⎦ , ⎣1⎦ , ⎩ 1 0 2 ⎭ y

(a) v = (4, 12, 8, 14) (b) v =
1 , 2

0, 0, 0
7 3

(c) v = 1, 1, 1,

ML.3. Sea V el espacio vectorial de las matrices de 2 × 2 y

S=

1 1

2 0 , 2 1

2 3 , 0 −1

1 −1 , 0 0

0 0

. ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ −1 1 ⎬ ⎨ 2 U = ⎣1⎦ , ⎣ 2⎦ , ⎣−2⎦ . ⎩ 1 1 1 ⎭
Determine la matriz de transición P de U a T. Determine la matriz de transición Q de T a S. Determine la matriz de transición Z de U a S. ¿Se cumple que Z = PQ o QP?

Muestre que S es una base para V y determine [v]S para cada uno de los siguientes vectores. ⎡ ⎤ 2 10 1 0 3 ⎦ (b) v = ⎣ (a) v = 0 1 7 2
6

(c) v =

1 1

1 1

(a) (b) (c) (d)

6.8

Bases ortonormales en Rn
Nuestra experiencia con las bases naturales o canónicas para R2, R3 y, en general, Rn, nos ha mostrado que su uso reduce apreciablemente los cálculos. Un subespacio W de Rn no necesariamente contiene alguno de los vectores de tales bases, pero en esta sección mostraremos que sí tiene una base con las mismas propiedades de las bases canónicas. Es decir, mostraremos que existe una base S para W tal que cada uno de sus vectores tiene longitud 1 y cada dos vectores de S son ortogonales. El método para obtener dicha base, que presentaremos en esta sección, se conoce como proceso de Gram-Schmidt.

Sec. 6.8 Bases ortonormales en Rn

353

DEFINICIÓN

Un conjunto S = {u1, u2, . . . , uk} en Rn es ortogonal si cada par de vectores distintos en S son ortogonales, es decir, si ui · uj = 0 para i j. Un conjunto ortonormal de vectores es un conjunto ortogonal de vectores unitarios. Esto es, S = {u1, u2, . . . , uk} es ortonormal si ui · uj = 0 para i j, y ui · ui = 1 para i = 1, 2, . . . , k. Si x1 = (1, 0, 2), x2 = (−2, 0, 1), y x3 = (0, 1, 0), entonces {x1, x2, x3} es un conjunto ortogonal en R3. Los vectores

EJEMPLO 1

u1 =

1 2 √ , 0, √ 5 5

2 1 y u 2 = − √ , 0, √ 5 5

son vectores unitarios en las direcciones de x1 y x2, respectivamente. Como también x3 es un vector unitario, el conjunto {u1, u2, x3} es un conjunto ortonormal. Además gen{x1, x2, x3} es igual a gen{u1, u2, x3}. ■

EJEMPLO 2

La base canónica {(1, 0, 0,), (0, 1, 0), (0, 0, 1)} es un conjunto ortonormal en R3. En general, la base canónica para Rn es un conjunto ortonormal. El teorema siguiente es un resultado importante sobre los conjuntos ortogonales. ■

TEOREMA 6.16 Demostración

Si S = {u1, u2, . . . , uk} es un conjunto ortogonal de vectores no nulos en Rn entonces S es linealmente independiente. Consideremos la ecuación c1u1 + c2u2 + · · · + ckuk = 0. Al efectuar el producto punto de ambos lados de (1) por ui, 1 i k, tenemos (2) (c1u1 + c2u2 + · · · + ckuk) · ui = 0 · ui. (1)

Aplicando propiedades (c) y (d) del teorema 4.3 de la sección 4.2, el lado izquierdo de (2) es igual a c1(u1 · ui) + c2(u2 · ui) + · · · ck(uk · ui), y el lado derecho es 0. Como uj · ui = 0 si i j, (2) se convierte en (3) 0 = ci(ui · ui) = ci ui 2.

Como ui 0, la parte (a) del teorema 4.3 de la sección 4.2 establece que ui 0. Esto significa que en (3) necesariamente ci = 0, 1 i k, es decir, que S es linealmente independiente. ■

COROLARIO 6.6 Demostración DEFINICIÓN

Un conjunto ortonormal de vectores en Rn es linealmente independiente. Ejercicio T.2.

Del teorema 6.9, sección 6.4, y el corolario 6.6 se sigue que todo conjunto ortonormal de n vectores en Rn es una base para Rn (ejercicio T.3). Una base ortogonal (ortonormal) para un espacio vectorial es una base cuyos vectores forman un conjunto ortogonal (ortonormal).

354 Capítulo 6 Espacios vectoriales reales

El trabajo de cálculo necesario para resolver un problema generalmente se reduce cuando se trabaja con la base canónica (estándar) para Rn. Esto se debe a que tal base es ortonormal. Por ejemplo, si S = {u1, u2, . . . , un} es una base para Rn, y v es un vector en V, podemos escribir v como v = c1u1 + c2u2 + · · · + cnun. Los coeficientes c1, c2, . . . ,cn se obtienen resolviendo un sistema lineal de n ecuaciones con n incógnitas (vea la sección 6.3). Sin embargo, cuando S es ortonormal, podemos obtener los ci con mucho menos trabajo, como lo establece el siguiente teorema.

TEOREMA 6.17

Sean S = {u1, u2, . . . , un} una base ortonormal para Rn y v un vector en Rn. Entonces v = c1u1 + c2u2 + · · · + cnun, donde ci = v · ui (1 i n).

Demostración COROLARIO 6.7

Ejercicio T.4(a).

Sean S = {u1, u2, . . . , un} una base ortogonal para Rn y v un vector en Rn. Entonces v = c1u1 + c2u2 + · · · + cnun, donde

ci =

v · ui ui · ui

1 ≤ i ≤ n.

Demostración EJEMPLO 3

Ejercicio T.4(b). Sea S = {u1, u2, u3} una base ortonormal para R3, donde

u1 =

2 , 3

−2, 3

1 3

,

u2 =

2 1 , , 3 3

−2 , 3

y

u3 =

1 2 2 , , 3 3 3

.

Escriba el vector v = (3, 4, 5) como una combinación lineal de los vectores en S.

Solución

Tenemos v = c1u1 + c2u2 + c3u3. De acuerdo con el teorema 6.17, podemos obtener los valores de c1, c2 y c3 sin necesidad de resolver el sistema lineal correspondiente. Así, c1 = v · u1 = 1, c2 = v · u2 = 0, c3 = v · u3 = 7,

con lo cual v = u1 + 7u3 es la combinación lineal pedida.

TEOREMA 6.18

(Proceso de Gram*-Schmidt**) Sea W un subespacio no nulo de Rn con base S = {u1, u2, . . . , um}, Entonces, hay una base ortonormal T = {w1, w2, . . . , wm} para W.
*Jörgen Pederson Gram (1850-1916) fue un actuario danés. **Erhard Schmidt (1876-1959) impartió clases en varias de las principales universidades alemanas y fue alumno de Hermann Amandus Schwarz y de David Hilbert. Hizo importantes contribuciones al estudio de las ecuaciones integrales y de las ecuaciones diferenciales parciales y, como parte de este estudio, en 1907 presentó el método para determinar una base ortonormal. En 1908 escribió un artículo sobre un sistema de infinitas ecuaciones lineales con infinitas incógnitas, con el cual originó la teoría de los espacios de Hilbert y en el que utilizó su método nuevamente.

Sec. 6.8 Bases ortonormales en Rn

355

Demostración

La demostración es constructiva, es decir, construiremos gradualmente la base T deseada. El primer paso consiste en encontrar una base ortogonal T* = {v1, v2, . . . , vm} para W. Primero elegimos cualquiera de los vectores de S, digamos u1, y lo llamamos v1; v1 = u1. Después buscamos un vector v2 en el subespacio W1 de W generado por {u1, u2} que sea ortogonal a v1. Como v1 = u1, W1 es también el subespacio generado por {v1, u2}. Hagamos, v2 = c1v1 + c2u2. Intentaremos determinar c1 y c2 de modo que v1 · v2 = 0. Ahora,

0 = v2 · v1 = (c1 v1 + c2 u2 ) · v1 = c1 (v1 · v1 ) + c2 (u2 · v1 ) .
Como v1 0 (¿por qué?), v1 · v1 0, y al resolver para c1 y c2 en (4), obtenemos

(4)

c1 = −c2

u2 · v1 . v1 · v1

v2 u2

Donde podemos asignar un valor arbitrario no nulo a c2. Si hacemos c2 = 1, obtenemos u2 · v1 c1 = − . v1 · v1 Por lo tanto,

v2 = c1 v1 + c2 u2 = u2 −
v2

u2 · v1 v1 · v1

v1 .

u2 . v1 v v1 . v 1 1

Observe que hasta este momento hemos construido un subconjunto ortogonal {v1, v2} de W (vea la figura 6.13). A continuación, determinaremos un vector v3 que está en el subespacio W2 de W generado por {u1, u2, u3} y es ortogonal a v1 y v2. Por supuesto, W2 es también el subespacio generado por {v1, v2, u3} (¿por qué?). Sea, v3 = d1v1 + d2v2 + d3u3. Trataremos que d1 y d2 sean tales que v3 · v1 = 0 Ahora, y v3 · v2 = 0.

Figura 6.13

0 = v3 · v1 = (d1 v1 + d2 v2 + d3 u3 ) · v1 = d1 (v1 · v1 ) + d3 (u3 · v1 ), 0 = v3 · v2 = (d1 v1 + d2 v2 + d3 u3 ) · v2 = d2 (v2 · v2 ) + d3 (u3 · v2 ).

(5) (6)

En la obtención de los dos lados derechos de (5) y (6) usamos el hecho de que v1 · v2 = 0. Observe que v2 0 (¿por qué?). Al despejar d1 y d2 en (5) y (6), respectivamente, obtenemos

d1 = −d3

u3 · v1 v1 · v1 u3 · v1 v1 · v1

y d 2 = −d3

u3 · v2 . v2 · v2

Podemos asignar un valor arbitrario, no nulo, a d3. Si d3 = 1, obtenemos

d1 = −
Por lo tanto,

y d2 = −

u3 · v2 . v2 · v2 v2 .

v3 = u3 −

u3 · v1 v1 · v1

v1 −

u3 · v2 v2 · v2

Observe que hasta el momento tenemos un subconjunto ortogonal {v1, v2, v3} de W (vea la figura 6.14).

356 Capítulo 6 Espacios vectoriales reales

Figura 6.14
v3 u3 v3 v2 W2 v1 = u1 u3 . v1 v v1 . v1 1 u3 . v2 v v2 . v2 2

Ahora determinaremos un vector v4 en el subespacio W3 de W generado por el conjunto {u1, u2, u3, u4} —y, por lo tanto, por {v1, v2, v3, u4}—, que sea ortogonal a v1, v2 y v3. Podemos escribir

v4 = u4 −

u4 · v1 v1 · v1

v1 −

u4 · v2 v2 · v2

v2 −

u4 · v3 v3 · v3

v3

Continuamos de esta manera hasta obtener un conjunto ortogonal T* = {v1, v2, . . . , vm} de m vectores. Entonces, T* es una base para W. Para terminar, normalizamos los vi, es decir, hacemos

wi =

1 vi vi

(1 ≤ i ≤ m),

entonces T = {w1, w2, . . . , wm} es una base ortonormal para W. A continuación resumimos el proceso de Gram-Schmidt.

El proceso de Gram-Schmidt para calcular una base ortonormal T = {w1, w2, . . . , wm} para un subespacio no nulo W de Rn, dada una base S = {u1, u2, . . . , um} para W, es como sigue. Paso 1. Haga v1 = u1. Paso 2. Calcule los vectores v2, v3, . . . , vm, de manera sucesiva, uno a la vez, por medio de la fórmula

vi = ui −

ui · v1 v1 · v1

v1 −

ui · v2 v2 · v2

v2 − · · · −

ui · vi−1 vi−1 · vi−1

vi−1 .

El conjunto de vectores T* = {v1, v2, . . . , vm} es un conjunto ortogonal. Paso 3. Haga

wi =

1 vi vi

(1 ≤ i ≤ m).

Entonces T = {w1, w2, . . . , wm} es una base ortonormal para W. No es difícil mostrar que si u y v son vectores en Rn tales que u · v = 0, entonces u · (cv) = 0, para cualquier escalar c (ejercicio T.7). Este resultado se puede utilizar para simplificar los cálculos manuales en el proceso de Gram-Schmidt. Tan pronto como en el paso 2 se calcula un vector vi, se lo multiplica por un escalar que permita eliminar fracciones, si se han presentado. Nosotros haremos uso de este resultado al trabajar con el proceso de Gram-Schmidt.

Observación

3 3 3 −2 6 (1. 1. (−2. 2 . Utilice el proceso de Gram-Schmidt para transformar S a una base ortonormal para R3. 2)} es una base ortogonal para R3. (−1. Paso 3. √ . w3 } 1 1 1 1 2 1 1 1 = √ . u2. 2. − √ . w2 . 0. 0. √ 3 3 3 6 6 6 2 2 es una base ortonormal para R3. − √ . √ . 1) v1 3 1 1 v2 = √ (− 1. 2. 1). Ahora calculamos v2 y v3: v2 = u2 − u2 · v1 v1 · v1 v1 = (−1. Sea v1 = u1 = (1. ■ EJEMPLO 5 Sea W el subespacio de R4 con base S = {u1. −1) w2 = v2 6 1 1 1 1 v3 = √ (− 2. 0. 1. −1) y u3 = (−1. 2. − 2 . Solución Paso 1. 3). 0. √ . √ . Sea v1 = u1 = (1. −1) y u3 = (1. 1) − 2 (− 1. 1) . 0. 1). 0. Solución Paso 1. Entonces v3 = u3 − u3 · v1 v1 · v1 v1 − u3 · v2 v2 · v2 v2 = (− 1. −1). −2. 3 6 En consecuencia. Utilice el proceso de Gram-Schmidt para transformar S a una base ortonormal para W. 1. 1. 1) = − 1 . 0. −1) − −2 3 (1. 1. u2 = (−1. − √ . 1). 0. 0. Paso 2. que ahora utilizamos como v2. −2. −1) = (− 2. 0. Paso 2. −1) − = − 2 .8 Bases ortonormales en Rn 357 EJEMPLO 4 Considere la base S = {u1. 1. w3 = v3 8 2 2 w1 = Entonces T = { w1 . 0. u3} para R3. 0). 6. 3) − 4 (1. 2) = − √ . v2. Ahora calculamos v2 y v3: v2 = u2 − u2 · v1 v1 · v1 v1 = (−1. 0. 2). 1). 0. v3} = {(1. T* = {v1. 0. 2. 1. − 1 . Sean 1 1 v1 = √ (1.Sec. 2. donde u1 = (1. −2. donde u1 = (1. obtenemos (−1. − 2 . u2 = (−1. 0. −1). u2. 3 3 3 Al multiplicar v2 por 3. 0. u3}. 1). 2. para eliminar las fracciones.

√ . 0. 0. como v3. −2) = √ (−1. 0. Entonces v3 = u3 − u3 · v1 v1 · v1 v1 − −1 6 u3 · v2 v2 · v2 v2 −4 12 = (1. −1). 0. Términos clave Conjunto ortogonal Conjunto ortonormal Base ortogonal Base ortonormal Proceso de Gram-Schmidt . 6 6 6 3 3 3 es una base ortonormal para W. −2. − √ . (−2. 2 Multiplicamos v3 por 2. En el proceso de solución del ejemplo 5.358 Capítulo 6 Espacios vectoriales reales Multiplicamos v2 por 3. −1) v2 3 12 1 1 v3 = √ (1. − √ . La mayor parte de las implementaciones del proceso de Gram-Schmidt en computador. −2.18 se obtuvo primero una base ortogonal T* y después se normalizaron sus vectores para obtener la base ortonormal T. w3 } 1 2 1 1 1 1 = √ . −2. 0. −2. incluyendo los desarrollados con MATLAB. 2). 0. − √ 2 2 ■ Observaciones 1. podría diferir de la base ortogonal obtenida sin eliminar fracciones. para eliminar las fracciones. Paso 3. un camino alternativo es normalizar cada vector tan pronto como se obtiene. y obtenemos (1. no eliminan las fracciones. −2). 0. −2) 0. 0. para eliminar las fracciones. 2. Este paso opcional produce cálculos más sencillos para trabajo a mano. que será nuestro v2. 0. Por lo tanto. 1) v1 6 1 1 1 v2 = √ (−2. 0) − = 1 . 0. 1). 1) − (−2. −2. T* = {(1. v3 2 Entonces T = {w1 . aunque ortogonal. −1. Una observación final respecto al proceso de Gram-Schmidt: en la demostración del teorema 6. y obtenemos (−2. 2 (1. 1 1 √ . 0. la base resultante. − 1 . 0. Sean w1 = w2 = w3 = 1 1 v1 = √ (1. 0. w2 . 0. − √ . − √ . −1)} es una base ortogonal para W. 0. 0. 0. 1. −2. 0. Con este enfoque. −1). Por supuesto. 0. 0. tan pronto como calculamos un vector lo multiplicamos por un escalar adecuado para eliminar las fracciones presentes. (1. −2.

−1). . 3 3 3 3 3 3 12. 1. 2)} 2. Use el teorema 6. 3)} de R3 en una base ortonormal para R3. x1 + x2 − x3 = 0 2x1 + x2 + 2x3 = 0. 0. . v2. (0.4. Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de R3 con base {(1. v} es ortonormal? 5. (1. Use el teorema 6. 2 1 . −1). 2)} En los ejercicios 3 y 4. 1)}. 1. v1. . −3. Utilice el proceso de Gram-Schmidt para construir una base ortonormal para el subespacio W de R4 generado por {(1. 2. −1. (0. Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de R4 con base {(1. −1)} (c) {(0. a + b. (−1. 6. (b) Utilice el teorema 6. c. −2. ¿Para qué valores de a son ortogonales los vectores u y v? 4. 1.(3. v2. 0. (2.5. 7.17 para escribir el vector (2. −3)}. 1 √ . . vn. ¿Cuáles de los siguientes son conjuntos ortogonales de vectores? (a) {(1. √ . 21. c.7. (2. − √ . 0. 2). Determine una base ortonormal para el espacio solución del sistema homogéneo (a) (b) 1 2 2 . 2). 0) (c) {(0. b + c).8 Ejercicios 1. (−3.17 para escribir (2. (a) Demuestre el teorema 6. . vn vectores en Rn.Sec. (2.8 Bases ortonormales en Rn 359 6. 0. 2. . 1 1 1 √ . 2. 1). 0.17 para escribir el vector (2. Determine una base ortonormal para R3 que incluya los vectores 2 . 18. 10. (0. x3 −6 0 20. b. − 2 . 0. − √2 . . 1). − 2 . y v = a. 3)}. 0). d) tales que a – b – 2c + d = 0. √ . (0. Utilice el proceso de Gram-Schmidt para transformar la base {(1. 2). 1 y 2 . 3. 6. 1 . −1. Demuestre que si u es ortogonal a v1. √ 2 2 2 2 para R2. Determine una base ortonormal para el subespacio de R4 que consiste en todos los vectores de la forma (a. −1. 11. 0. 2 0. (a) Utilice el proceso de Gram-Schmidt para transformar la base {(1. √ 3 3 3 . ( 1. 1. −1). 2 −b . −2). Considere la base ortonormal S= 1 1 1 1 √ . . b. ( 0. . Determine una base ortonormal para el subespacio de R3 que consiste en todos los vectores (a. 3 3 3 1 √ . 2. T. ( 0. 0. 3 1 3 1 0. 1). (−1. 0. Determine una base ortonormal para el subespacio de R4 que consiste en todos los vectores de la forma (a. −1. 2). . −1. 1. 0)}. 1 √ 2 . 1) como combinación lineal de los vectores en S. 1. . T. 3) como combinación lineal de los vectores en S. v2. 1. entonces u es ortogonal a todo vector en gen{v1. 0. . 2). 17. −√ . 1.1. √ . 0) 5 5 5 5 para R3. 19. 0.3. 1). 3. 8. Demuestre el corolario 6. 0. 2 . 3 2 . 0. Determine una base ortonormal para el espacio solución del sistema homogéneo ⎡ 1 ⎣2 1 1 1 2 ⎤⎡ ⎤ ⎡ ⎤ −1 x1 0 3⎦ ⎣x2 ⎦ = ⎣0⎦ . b). 1)} (b) {(1. Sean u. Ejercicios Teóricos T. 0. 2. 2. Verifique que la base canónica para Rn es un conjunto ortonormal. 1.6. (0. 1). . 3 −2. (b) una base ortonormal. −1. 0). 0. 1. ¿Cuáles de los siguientes son conjuntos ortonormales de vectores? 13. 1. Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de R4 con base {(1. 0). Sean u = (1. 1). 1). (1. −2) y v = (a. 1. 16. 1. −2. −3. c) tales que a + b + c = 0. 1). 0).2. Demuestre que un conjunto ortonormal de n vectores en Rn es una base para Rn. T. (1. (2. T. 1. Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de R3 con base {(1. 2. a + b. −2. 0. −1. 0)}. 2). 1. 4)} de R2 en (a) una base ortogonal. ( 0. 15. −1. 0. 0. 1. . V = R3. −1. (1. (−1. 3 3 −2 . (1. (b) Demuestre el corolario 6. . (0. 2.17. (−1. 1)}. 1). ¿Para que valores de a y b el conjunto {u. 0. Determine una base ortonormal para el subespacio de R3 que consiste en todos los vectores de la forma (a. Considere la base ortonormal S= 1 2 2 1 √ . Sean u = 1 √ . −2. √ . Utilice el proceso de Gram-Schmidt para construir una base ortonormal para el subespacio W de R3 generado por {(1. 1) como combinación lineal de la base obtenida en la parte (a). 14. vn}. 0. 9. 1).

1. donde w1 está en W1 y w2 está en W2. cada vector de V se puede escribir de manera única como w1 + w2. y después calcule [v]T para cada uno de los vectores siguientes. un} una base ortonormal para Rn. (a) v = (1. . 2.2. . y sólo si u es ortogonal a cw. . Sea W1 + W2 el conjunto de todos los vectores v en V tales que v = w1 + w2. 1) ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎬ ⎨ 1 S = ⎣1⎦ . Utilice gschmidt para obtener una base ortonormal para R3 a partir de la base ML. −3. . n.2 le pedimos demostrar que W1 + W2 es un subespacio de V.2 le pedimos demostrar que si V = W1 + W2 y W1∩W2 = {0}. Demuestre que si u · v = 0. 1). “W perp”. Demuestre que cualesquiera sean los vectores x en S y y en T. Demuestre que el conjunto de los vectores en Rn que son ortogonales a u es un subespacio de Rn. . Sean {u1. Sea S = {u1. y produce una base ortonormal T para W. (Vea ejercicio T. Utilice gschmidt para obtener una base ortonormal para R4 a partir de la base S = {(1. 1. W = gen{w}. .9 COMPLEMENTOS ORTOGONALES Sean W1 y W2 subespacios de un espacio vectorial V.o “complemento ortogonal de W”). . lo cual denotamos como V = W1 ⊕ W2 . El algoritmo dado en esta sección para producir la base ortonormal T está implementado en la rutina gschmidt en MATLAB. . −1.6. 1). Entonces un vector u en R3 pertenece a W⊥ si. Digite help gschmidt para consultar las instrucciones. Dé tres ejemplos diferentes de tales matrices en R2 o R3. uk} una base ortonormal para un subespacio W de Rn. T. Determine una base ortonormal para el subespacio de R4 que consta de los vectores de la forma (a. entonces Rn se puede escribir como suma directa de W con otro subespacio de Rn. 0. 6.9. Demuestre o refute: A es no singular. . vn}.3. 0)}. con w1 en W1 y w2 en W2. 2. Se puede mostrar que W⊥ es el plano cuya normal es el vector w. . .7. S = gen{u1. . . 1). ML. T. Un vector u en Rn es ortogonal a W si es ortogonal a cada vector de W. Analice cómo construir una base ortonormal para V que incluya a S. (b) v = (1. (0. a + b. Sea A la matriz cuya columna j es vj.4. . En este caso. 1)} es una base para R3. x · y = 0. (0. entonces u · (cv) = 0 para cualquier escalar c. entonces V es la suma directa de W1 y W2. ⎣1⎦ . Este subespacio será utilizado para examinar una relación básica entre cuatro espacios vectoriales asociados con una matriz. En el ejercicio T. ⎩ 0 0 1 ⎭ Su respuesta estará en forma decimal. . . 1.11 de la sección 6. Suponga que {v1. ⎣0⎦ . En el ejercicio T. . S = {(0. 1. . 2. 4). u2. . uk. b + c). Ejercicios con MATLAB El proceso de Gram-Schmidt toma una base S. . 0. 2.11 de la sección 6.) En esta sección demostraremos que si W es un subespacio de Rn. . . Muestre que A es no singular y calcule si inversa. 1). v2. vn} es un conjunto ortogonal en Rn. rescríbala en tér√ minos de 2. donde a. 1. (1. j = 1. donde n k. . DEFINICIÓN Sea W un subespacio de Rn. 1. . 3). Suponga que {v1. T. T.2. . de modo que W es un subespacio de dimensión 1 de R3. T. uk+1. v2. 0. Sea u un vector fijo en Rn. ML. . b y c son números reales cualesquiera. Sean u y v vectores en Rn. . (0. (1. 0) (c) v = (−1.360 Capítulo 6 Espacios vectoriales reales T. .10 de la sección 6. 1.1. cualquiera sea el escalar c. Determine una base ortonormal T a partir de S. ML. ■ EJEMPLO 1 . uk} y T = gen{uk+1. .11. . 0. vn} es un conjunto ortonormal en Rn.10. Sea W el subespacio de R3 constituido por los múltiplos del vector w = (2. El conjunto de vectores en Rn que son ortogonales a todos los vectores de W se llama el complemento ortogonal de W en Rn y se denota W⊥ (se lee “W ortogonal”. . Sea A la matriz dada por A = [v1 v2 · · · vn].8. 1). para un subespacio W de Rn. .

2. obtenemos (verifique) a = −r – 2s. donde w1 = (1. Entonces.19 Sea W un subespacio de Rn. c.9 Complementos ortogonales 361 Observe que si W es un subespacio de Rn. 0) + s(−2. Entonces. son linealmente independientes y forman una base para W⊥. 1). 1. Entonces u está en W y en W⊥. 0) y (−2.3 se le pide mostrar que si un subespacio W de Rn está generado por un conjunto de vectores S. Además.Sec. u1 y u2 son ortogonales a cada vector w en W. u = (−r − 2s. s = 1. 1.2). d) un vector en W⊥. los vectores (−1. s = 0 y r = 0. 1. Como no son múltiplos uno del otro. TEOREMA 6. el complemento ortogonal de Rn es el subespacio cero y el complemento ortogonal del subespacio cero es el propio Rn (ejercicio T. r. 1. 1) y w2 = (0. Hemos mostrado así. r + s. tenemos (cu) · w = c(u · w) = c0 = 0. de modo que u1 + u2 está en W⊥. por lo cual u · u = 0. como se muestra en el ejemplo siguiente.1). 1.3 de la sección 4. 1. que W⊥ es cerrado bajo la suma de vectores y la multiplicación por escalares. 1) generan a W⊥. Por lo tanto. 0 . b. c = r. . De esto se sigue que u = 0. Ahora tenemos (u1 + u2) · w = u1 · w + u2 · w = 0 + 0 = 0. es un subespacio de Rn. sean u en W⊥ y c un escalar. u · w1 = a + b + d = 0 y u · w2 = −b + c + d = 0. −1. 1). entonces el vector cero siempre pertenece a W⊥ (ejercicio T. d = s. Solución Sea u = (a. Además. Entonces u · w1 = 0 y u · w2 = 0. (b) Supongamos que u es un vector en W ∩ W⊥. Haciendo alternativamente r = 1. 6. 0. Determine una base para W⊥. según el teorema 4. w2}. 0. Este resultado es útil para determinar W⊥. s) = r (−1. (b) W ∩ W⊥ = {0}. 1. y sólo si u es ortogonal a todo vector en S. Al resolver el sistema homogéneo a+b +d=0 − b + c + d = 0. ■ En el ejercicio T. Entonces (a) W⊥ es un subespacio de Rn. por lo tanto. de modo que cu está en W⊥. b = r + s. entonces un vector u en Rn pertenece a W⊥ si. EJEMPLO 2 Sea W el subespacio de R4 con base {w1. 1. Cualquiera sea el vector w en W. Demostración (a) Sean u1 y u2 vectores en W⊥.

. w4} = {(−1. tales que v = w + u. 3). 1)} y establecimos que es una base para W⊥. es una base para el subespacio W. 1)} Si v = (−1. 0). el proceso de Gram-Schmidt proporciona una base ortonormal para W.20 Sea W un subespacio de Rn. {w3. 1).20. Entonces W tiene una base formada por m vectores. base para W. Mostraremos que u está en W⊥ mostrando que u es ortogonal a todo vector de S. . v = w + u. −1. también concluimos que los vectores w y u definidos por las ecuaciones (1) y (2) son únicos. sean w = (v · w1 )w1 + (v · w2 )w2 + · · · + (v · wm )wm y u = v – w. 1. Además. 1. (1) (2) Como w es una combinación lineal de vectores en S. por lo tanto. . Si v es un vector en Rn. 0. −1. 1) 3 . u es ortogonal a to- Rn = W ⊕ W ⊥. 1. 1. En consecuencia. una base ortonormal para W. 1) 3 y 1 u2 = √ (0. W ∩ W⊥ = {0}. está en W⊥. 1. w2} = {(1. w pertenece a W. Entonces Rn = W ⊕ W ⊥. Demostración Sea dim W = m. w2. n ⊥ m. Como. (0. {w1. en S. 1. tenemos u · wi = (v − w) · wi = v · wi − w · wi = v · wi − [(v · w1 )w1 + (v · w2 )w2 + · · · + (v · wm )wm ] · wi = v · wi − (v · wi )(wi · wi ) =0 porque wi · wj = 0 para i j y wi · wi = 1. Con el proceso de Gram-Schmidt podemos obtener. . Sea S = {w1. 1 u1 = √ (1. En el ejemplo 2. (−2. determinaremos un vector w en W y un vector u en W⊥. 1. ■ Observación Como señalamos al principio de esta sección. Para cada wi. 1 i do vector de W y. 1. entonces R = W + W .362 Capítulo 6 Espacios vectoriales reales TEOREMA 6. EJEMPLO 3 Solución Siguiendo el procedimiento utilizado en la demostración del teorema 6. según la parte (b) del teorema 6. 4. a partir de ella.19. wm} la base ortonormal obtenida. Entonces. 0. 0.

RELACIONES ENTRE LOS ESPACIOS VECTORIALES FUNDAMENTALES ASOCIADOS CON UNA MATRIZ Si A es una matriz de m × n.20. entonces w es ortogonal a todo vector u en W⊥. Hemos mostrado que también (W⊥)⊥ es un subespacio de W. Entonces calculamos u = v – w = (−1. Como u está en W⊥. lo cual implica que u = 0. Por lo tanto. Recíprocamente. (Verifique que u está en W⊥. 4. 1.Sec. ■ Observación Como W es el complemento ortogonal de W⊥ y W⊥ es el complemento ortogonal de W. el espacio fila de A (un subespacio de Rm). asociamos con ella los siguientes cuatro espacios vectoriales fundamentales: el espacio nulo de A (un subespacio de Rn). . entonces. 1. El teorema siguiente muestra que las parejas formadas por estos espacios vectoriales son complementos ortogonales. por el teorema 6. donde w está en W y u está en W⊥.21 Si W es un subespacio de Rn. 2. 1) + 2(0. Sea w = (v · u1 )u1 + (v · u2 )u2 √ √ = 3u1 + 2 3u2 = (1. Entonces.9 Complementos ortogonales 363 (verifique). 2. para w en W y u en W⊥. 1. Por lo tanto. Se tiene. 1) = (1. 0. Demostración En primer lugar. es ortogonal a v y a w. u · u = 0. se dice que W y W⊥ son complementos ortogonales. sea v un vector arbitrario en (W⊥)⊥. 2. TEOREMA 6. si w es un vector en W. de modo que w está en (W⊥)⊥. (W⊥)⊥ = W. 0). W es un subespacio de (W⊥)⊥. 3) = (−2. 0 = u · v = u · (w + u) = u · w + u · u = u · u es decir. −1. 3) – (1. v puede escribirse como v = w + u. Entonces v = w. de modo que v pertenece a W. 6. 2.) Esto implica que v = w + u. −1. el espacio nulo de AT (un subespacio de Rm) y el espacio columna de A (un subespacio de Rm). entonces (W⊥)⊥ = W. −1. 3).

22 Si A es una matriz dada de m × n. . Se concluye. . . que generan al espacio fila de A.12 de la sección 6. . . (b) El espacio nulo de AT es el complemento ortogonal del espacio columna de A. de acuerdo con el teorema 6. Entonces. y compruebe el teorema 6. . . En consecuencia. 2. 0. x es ortogonal a los vectores v1. .22. 1)} . vm vectores en Rn que denotan las filas de A. . de modo que x pertenece al complemento ortogonal del espacio fila de A. verifiquemos que los dos espacios vectoriales cuya igualdad queremos establecer tienen igual dimensión. 1. 3. entonces la dimensión del espacio nulo de A es n – r (teorema 6.20. 0⎦ 0 Al resolver el sistema lineal Bx = 0. la dimensión de su complemento ortogonal es n – r. 7. vmx y tenemos v1x = 0. 4). v2x. x es ortogonal a todo vector del espacio fila de A. vmx = 0. encontramos (verifique) que ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ −2 −4 ⎪ ⎪ −7 ⎪ ⎪⎢−3⎥ ⎢−1⎥ ⎢−1⎥⎪ ⎪ ⎨ ⎬ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ S = ⎢ 1⎥ . Como el espacio fila de AT es el espacio columna de A. entonces: (a) El espacio nulo de A es el complemento ortogonal del espacio fila de A. . reemplace A por AT en la parte (a) para concluir que el espacio nulo de AT es el complemento ortogonal del espacio fila de AT. Demostración (a) Antes de probar el resultado. Además. Como la dimensión del espacio fila de A es r entonces. . sea x un vector del espacio nulo de A. las entradas de la matriz Ax de m × 1 son v1x. ⎢ 0⎥ . Solución Primero obtenemos la forma escalonada reducida por filas de A (verifique) 1 ⎢0 B=⎣ 0 0 ⎡ 0 1 0 0 7 3 0 0 2 1 0 0 ⎤ 4 1⎥ . 1 −1⎦ 1 5 Calcule los cuatro espacios vectoriales fundamentales asociados con A. v2x = 0. que el espacio nulo de A es igual al complemento ortogonal del espacio fila de A. vm. T = {(1.6). . . . Ahora. Si r es el rango de A. (3) Por lo tanto. v2. (0. . v2. Entonces Ax = 0. . ■ EJEMPLO 4 Sea 1 −2 ⎢ 1 −1 A=⎣ −1 3 2 −3 ⎡ 1 4 2 5 ⎤ 0 2 1 3⎥ .7 de la sección 6.4. Sean v1. 1. con base en el ejercicio T. esto demuestra la parte (b). ⎢ 0⎥ ⎪⎣ 0⎦ ⎣ 1⎦ ⎣ 0⎦⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎭ 0 0 1 es una base para el espacio nulo de A.364 Capítulo 6 Espacios vectoriales reales TEOREMA 6. (b) Para establecer el resultado.

⎤ 1 1 −1 2 3 −3⎥ ⎢−2 −1 ⎢ ⎥ 4 2 5⎥ . leídas verticalmente. c. ⎣ ⎦ 1 0 ⎪ ⎪ ⎩ ⎭ 0 1 es una base para el espacio nulo de AT. d. ⎦ 0 0 La solución del sistema lineal ATx = 0. AT = ⎢ 1 ⎣ 0 1 1 1⎦ 2 3 −1 5 y su forma escalonada reducida por filas (verifique) es ⎡ ⎡ 1 ⎢0 ⎢ C = ⎢0 ⎣0 0 0 −2 1 1 0 0 0 0 0 0 ⎤ 1 1⎥ ⎥ 0⎥ . ■ EJEMPLO 5 Determine una base para el complemento ortogonal del subespacio W de R5 generado por los vectores w1 = (2. ⎣ ⎦ . w2 = (1. Ahora. 3. las filas no nulas de C. −4. −1. b. w4 = (7. −1. w3 = (3. −8⎦ −2 . 2. 0. 7. −2). Solución 1 Sea u = (a. e) un vector arbitrario en W⊥. −1. −2. se sigue que S es una base para el complemento ortogonal del espacio columna de A. w5 = (1. Como u es ortogonal a cada uno de los vectores dados que generan a W. 2). −8). 1. Como los vectores en S y T son ortogonales. −4).9 Complementos ortogonales 365 es una base para el espacio fila de A. indica que (verifique) ⎧⎡ ⎤ ⎡ ⎤⎫ 2 −1 ⎪ ⎪ ⎨ ⎬ ⎢−1⎥ ⎢−1⎥ S = ⎣ ⎦. 1 ⎪ ⎪ −2 ⎩ ⎭ 1 1 Como los vectores en S y T son ortogonales. 1. tomando los vectores de S en forma horizontal. −1. −2). Además.Sec. tenemos un sistema lineal de cinco ecuaciones con cinco incógnitas. 3. proporcionan la base siguiente para el espacio columna de A: ⎧⎡ ⎤ ⎡ ⎤⎫ 1 0 ⎪ ⎪ ⎨ ⎬ ⎢ 0⎥ ⎢1⎥ T = ⎣ ⎦. S es una base para el complemento ortogonal del espacio fila de A. cuya matriz de coeficientes es (verifique) 2 −1 0 3 1 ⎢1 ⎢ 2 1 A = ⎢3 ⎣7 7 3 1 −4 −1 ⎡ 1 −2 −1 −4 −1 ⎤ 2 −4⎥ ⎥ −2⎥ . −4. 6. 1.

(0. 0 0 0 entonces. el espacio fila de A es un subespacio bidimensional de R3. proporcionan una base para W⊥.22. tomados en forma horizontal. 1). 0 0 0 Entonces ⎧⎡ ⎤⎫ ⎨ −1 ⎬ ⎣−2⎦ ⎩ 1 ⎭ . un plano que pasa por el origen. y entonces el espacio fila de A es W.22. obtenemos la base siguiente para el espacio solución (verifique): ⎧⎡ ⎤ ⎡ ⎤⎫ ⎪ ⎪ −1 ⎪ ⎪ ⎪⎢ 7 ⎥ ⎢ 0⎥⎪ ⎪ ⎪ ⎪⎢ 2 ⎥ ⎢ ⎥⎪ ⎪ − ⎪ ⎪⎢ 7 ⎥ ⎢ 0⎥⎪ ⎪ ⎬ ⎨⎢ ⎥ ⎢ ⎥⎪ S = ⎢ 1⎥ . Ésta es la matriz A de la solución 1. W⊥ es el espacio nulo de A. Como este vector de la base es ortogonal a los dos vectores de la base dada para el espacio fila de A. esto es. 1)}. ⎪⎢ ⎥ ⎢ ⎥⎪ ⎪ ⎪⎢ ⎥ ⎢ ⎥⎪ ⎪⎢ 0⎥ ⎢−2⎥⎪ ⎪ ⎪⎣ ⎦ ⎣ ⎦⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎪ ⎩ 1 ⎭ 0 Estos vectores. ■ El ejemplo siguiente ilustra geométricamente el teorema 6. el espacio nulo de A es ortogonal al espacio fila de A. la forma escalonada reducida por filas de AT es (verifique) ⎡ ⎤ 1 0 1 ⎣0 1 2 ⎦ . 1. ⎢ 0⎥ . Una base para este espacio es {(1. 0. Por el teorema 6. esto es. EJEMPLO 6 Sea 3 −1 1 A = ⎣2 7 1 ⎡ ⎤ 2 3⎦ . el espacio nulo de A es el complemento ortogonal del espacio fila de A. Ahora. Solución 2 Forme la matriz cuyas filas son los vectores dados. El espacio nulo de A es un subespacio de dimensión 1 de R3 con base ⎧⎡ ⎤⎫ ⎨ −1 ⎬ ⎣−1⎦ . Obtenemos así la misma base para W⊥ que en la solución 1.366 Capítulo 6 Espacios vectoriales reales Al resolver el sistema homogéneo Ax = 0. 8 La forma escalonada reducida por filas de A es (verifique) ⎡ ⎤ 1 0 1 ⎣0 1 1⎦ . ⎩ 1 ⎭ (verifique).

como vimos en la ecuación (1). lo cual indica que el espacio nulo de AT es una recta que pasa por el origen. así que es útil tener también una fórmula que proporcione proyW v cuando W tiene una base ortogonal.9 Complementos ortogonales 367 z Espacio nulo de A Espacio fila de A es una base para el espacio nulo de AT (verifique). .16 projW v = v · w1 v · w2 v · wm w1 + w2 + · · · + wm . y Espacio columna de A ⎧⎡ ⎤ ⎡ ⎤⎫ 0 ⎬ ⎨ 1 ⎣0⎦ . wm} y v es un vector en Rn. .13 vectores renombrados (reetiquetado) v2 = u2 u 2– yge pro } n{v 1 u2 v2 ygen pro } {v 1 v1 = u1 . Además.Sec.18 puede reformularse en términos de proyecciones en cada paso. los vectores en la figura 6. .6. . ilustra el teorema 6. . Además. se le pide mostrar que si {w1. w2. entonces existen vectores únicos w en W y u en W⊥. ⎣1⎦ ⎩ 1 2 ⎭ es una base para el espacio columna de AT (verifique). w1 · w1 w2 · w2 wm · wm Observación El proceso de Gram-Schmidt descrito en el teorema 6.20 cuando W es un subespacio bidimensional de R3 (un plano que pasó por el origen).15 PROYECCIONES Y APLICACIONES En el teorema 6. tales que v = w + u. .16.20 y en la observación que sigue al teorema. 6. . entonces W w = proyW v Figura 6. v u w = (v · w1)w1 + (v · w2)w2 + · · · + (v · wm)wm. La figura 6. Estos resultados se ilustran en la figura 6. En el ejercicio T. Con frecuencia una base ortonormal tiene muchas fracciones.15. wm} es una base ortogonal para W. ■ x Figura 6. Como cada vector de la base para el espacio nulo de AT es ortogonal a cada vector de la base para el espacio columna de AT. Este vector w se denomina proyección ortogonal de v sobre W y se denota por proyW v. mostramos que si W es un subespacio de Rn con una base ortonormal {w1.13 (el primer paso en el proceso de Gram-Schmidt) pueden rescribirse (reetiquetarse) como sigue: u2 Figura 6. así que el espacio columna de AT es un plano que pasa por el origen. w2. . el espacio nulo de AT es el complemento ortogonal del espacio columna de AT. Así.

− . 6 En el ejemplo 8. 3) sobre W. Primero calcule proyW v = (v · w1 )w1 + (v · w2 )w2 = Entonces v − proyW v = (1. 2 2 Usando el producto interno estándar sobre R3.− 3 3 3 y w2 = 1 1 √ .23. Podemos demostrar que el vector de W que está más cercano a v es de hecho proyW v. Determine la distancia de v a W. . 0).− . Solución De acuerdo con la ecuación (1). esto es. 6 3 6 ■ En la figura 6. donde w1 = 2 1 2 . v − proyW v representa la distancia. 324 81 324 6 ■ √ 5 2 entonces. el vector en W más cercano a v es proyW v. Entonces dado el vector v en Rn.− . 18 9 18 = 5 5 10 . determine la proyección ortogonal de v = (2. 1. por v − proyW v . de v al plano W. v − w es mínima cuando w = proyW v. 0. 1. en el 3-espacio. EJEMPLO 8 Sea W el subespacio de R3 definido en el ejemplo 7 y sea v = (1. y un vector u ortogonal a cada vector en W. . 1. . la distancia de v a W es . w2}.368 Capítulo 6 Espacios vectoriales reales EJEMPLO 7 Sea W el subespacio de dimensión dos de R3 con base ortonormal {w1.23 Sea W un subespacio de Rn. Demostramos la validez general de este resultado en el teorema 6. Esto es. Podemos generalizar esta noción de distancia.16 es claro que la distancia de v al plano W está dada por la longitud del vector u = v – w.− . para w en W. √ . . y hablar de distancia de un vector de Rn a un subespacio W de Rn. de este modo v − proyW v representa la distancia de v a W. 18 9 18 13 1 5 . . 6 3 6 u=v−w= 1 2 1 . 5 w = projW v = (v · w1 )w1 + (v · w2 )w2 = −1 w1 + √ w2 = 2 y 11 1 19 . 0) − y v − proyW v = Solución 1 1 w1 + √ w2 = 3 2 13 1 5 . TEOREMA 6.− 18 9 18 √ 25 100 25 5 2 + + = .

3. Exprese v = (1. minimiza a v − w . 1). 1. 0) como suma de un vector w en W y un vector u en W⊥. 6. √ . A = ⎣2 4 7 −1 2 ⎡ ⎤ 2 −1 3 4 7 −2⎥ ⎢0 −3 7. de modo que v−w 2 = (v − w) · (v − w) 2 = (v − proyW v) + (proyW v − w) · (v − proyW v) + (proyW v − w) = v −proyW v Si w + proyW v − w 2 2 . −1. √ . (b) Describa geométricamente W⊥.20. proyW v – w está en W. 0. donde w1 = (1. que proyW v es el vector en W que minimiza a v − w tanto. 0. 1. 1. v − proyW v es ortogonal a cada vector en W. (−1. Sea W = gen{(1. w2 = (1. En los ejercicios 6 y 7. 0. 0. (0.9 Complementos ortogonales 369 Demostración Sea w cualquier vector en W. w2} que está más cerca de v = (2. w5. 3). Sea W un subespacio de R3 generado por el vector w = (2. Sea W un subespacio de R3 con base {w1. 0. w5 = (2. 0). 2. En el ejemplo 7. 0. w2}. 1). (Puede utilizar una descripción verbal o gráfica. w2}. w4. Sea W el subespacio de R3 con base 1 2 √ . 0. (a) Determine una base para W⊥. (b) Describa geométricamente W . −1. −2. 1. 1) 2 1 − √ . 2)}. −1) (c) v = (−5. w2. −1). 1. (a) Determine una base W⊥. 2. calcule los cuatro espacios vectoriales fundamentales asociados con A y compruebe el teorema 6. 8. 0) como suma de un vector w en W y un vector u en W⊥. 1). entonces proyW v − w v−w 2 es positivo y v − proyW v 2. 1). (Puede utilizar una descripción verbal o gráfica. 6 3 6 y.9 Ejercicios 1. 1. w = proyW v = 11 1 19 .) 5.Sec. donde w1 = (1. Por el teorema 6. −1. 1. 1). por lo ■ es el vector de W = gen{w1. w4 = (3. 1. 0. proyW v. Sea W el subespacio de R4 con base (1. Entonces v – w = (v − proyW v) + (proyW v – w). 3. 1. 0. 1. 1. . Sea W el subespacio de R generado por los vectores w1. Términos clave Vector ortogonal Complemento(s) ortogonal(es) Espacios vectoriales fundamentales asociados con una matriz Proyección ortogonal 6. entonces. 2. −3. 2. 3). donde 5 ⊥ Determine una base para W⊥. 3. determine proyW v para el vector v y el subespacio W dados.) 4. (−1. Exprese v = (2. 9. 2 Se sigue. ⎡ ⎤ 1 5 3 7 0 −4 −6⎦ 6. 0). . Como w y proyW v están ambos en W. 2. w3 = (4. 5 5 (b) v = (2. 3. A = ⎣ 1 1 −2 3⎦ 1 4 −9 5 En los ejercicios 8 y 9. 0. −2).22. 0). 0. −4). 1. 5 5 (a) v = (3. 2. 5. 0) y w2 = (1. 1. 1) y w2 = (1. w3. 3) w1 = (2. Sea W un subespacio de R4 con base {w1. 4.

2 1 Calcule proyw1 v. us es una base para W⊥. Demuestre que si W es un subespacio de Rn. Muestre que si v es un vector en Rn. Ejercicios con MATLAB ML. w2}. wr es una base para W y u1. 1 1 √ . 2. . con w en W y u en W⊥. 2. . T. 2. Demuestre que si W es un subespacio de Rn que es generado por un conjunto de vectores S. . (b) Sea ⎡ ⎤ 2 ⎢1⎥ v = ⎣ ⎦. 1. Muestre que si Ax = 0. Sea W un subespacio de Rn y sea {w1. T. . 2 2 y w3 = w2 = (0. 0. wm} una base ortogonal para W. 1). u2. Sea W el subespacio de R4 definido en el ejercicio 11 y sea v = (1. .7.1. 1. entonces proyW v = v · w2 v · w1 w1 + w2 + · · · w1 · w1 w2 · w2 v · wm wm . 11. donde ⎡ ⎤ ⎡ ⎤ 1 0 w1 = ⎣2⎦ y w2 = ⎣−3⎦ . .) ⎡ ⎤ ⎡ ⎤ 1 0 ⎢ 5⎥ ⎢1⎥ (a) v = ⎣ ⎦. . 0. 5 5 Escriba el vector v = (1. 0. w3}. −1) al plano 3x – 2y + z = 0. calcule proyW v. 3. Sea W el subespacio de R3 definido en el ejercicio 10 y sea v = (−1. 0). con w en W y u en W⊥. entonces x está en W⊥. 0. 0. 3. Demuestre que el complemento ortogonal de Rn es el subespacio nulo y el complemento ortogonal del subespacio nulo es Rn. ML. . Determine la distancia de v a W. Sea W el espacio fila de la matriz A de m × n. donde (b) v = (0. 13. w2. 1 −1 1 0 y sea W = gen S. −1. 12. 2 2 Ejercicios teóricos T. entonces u en Rn pertenece a W⊥ si. w2}. √ . Determine la distancia de v a W.2. El plano P en R3 tiene la base ortogonal {w1. w2}.6. donde ⎡ ⎤ ⎡ ⎤ 1 1 ⎢0⎥ ⎢ 1⎥ w1 = ⎣ ⎦ y w2 = ⎣ ⎦ . Sea W un subespacio de Rn. 0. 0. u1. y sólo si u es ortogonal a cada vector en S. 14. us es una base para Rn y n = dim W + dim W⊥. 0) (c) v = (0. 1. Sea W el subespacio de R4 con base ortonormal {w1. 0) Escriba el vector v = (1. w = ⎢1⎥ ⎣ 0⎦ ⎣1⎦ 1 1 ML. Sea A una matriz de m × n.5.1. T. w2. . donde w está en el espacio nulo de A y u está en el espacio columna de AT.2. . √ . − √ . . 3 2 (a) Determine la proyección de ⎡ ⎤ 2 v = ⎣4⎦ 8 sobre P. + wm · wm T. −1) como w + u. entonces el vector cero de Rn pertenece a W⊥. 0). (Recuerde que en MATLAB tenemos disponibles las rutinas dot y norm. T. . . . 0) y w2 = 1 2 √ .3. 3) como w + u. donde w1 = 1 1 √ . .) w1 = (0. (Sugerencia: primero determine una base ortonormal para el plano.370 Capítulo 6 Espacios vectoriales reales (a) v = (2. Determine la distancia del punto (2. (a) Muestre que S es una base ortogonal para W. . T. . 0. 0. (c) Para el vector v de la parte (b). 3) 10. w2. Sea W el subespacio de R3 con base ortonormal {w1. . Muestre que cada vector v en Rn puede escribirse de manera única como w + u. entonces w1. Determine la proyección de v sobre w. Sea S = {w1. −1.4. 1. Muestre que si w1. 2. .3. w2. u2. (b) Determine la distancia de v a P. wr. . w = ⎣ ⎦ −1 2 2 1 ⎡ ⎤ ⎡ ⎤ 1 1 ⎢−2⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ (b) v = ⎢ 3⎥. .

vk} es linealmente dependiente si y sólo si uno de los vectores en S es combinación lineal de los otros vectores de S. . u2.4. . entonces rango A = n si y sólo si det(A) 0. vn} es una base para un espacio vectorial V. Sean S = {v1. v2. entonces c u está en W. Entonces W es un subespacio de V si y sólo si ( ) Si u y v son vectores arbitrarios en W. det(A) 0. Si A es una matriz de m × n. Teorema 6. . Teorema 6. 6. Teorema 6.13. . 9. de modo que Ty esté tan cerca como sea posible a b. un} es una base ortonormal para Rn y v es un vector en Rn. entonces v = (v · u1)u1 + (v · u2)u2 + · · · + (v · un)un. . .1.16. Podemos hacer esto determinando la proyección p de b sobre el espacio columna de T.15. w2. . (b) El espacio nulo de AT es el complemento ortogonal del espacio columna de A. . Un enfoque para determinar una solución aproximada es determinar un vector y en el espacio columna de T.18 (Proceso de Gram-Schmidt). 4. ML. . 5. Teorema 6.11.22. ⎣1⎦ 1 Ideas clave para repaso ■ ■ Espacio vectorial. El sistema lineal Ax = b tiene solución si y sólo si rango A = rango [A b]. S = {v1. v2. entonces es una base para V: Base para el espacio solución de Ax = 0. . wn} bases para el espacio vectorial V. entonces Ax = 0 tiene una solución no trivial si y sólo si rango A n. 7. Si A es una matriz de n × n. ⎣ ⎦ y v = ⎣ ⎦. . . Las filas de A forman un conjunto linealmente independiente de n vectores en Rn. Sea W el subespacio de R4 con base ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ ⎡ ⎤ 2 0 ⎪ 0 ⎪ 1 ⎨ ⎬ ⎢1⎥ ⎢−1⎥ ⎢1⎥ ⎢0⎥ S = ⎣ ⎦. Sea V un espacio vectorial con operaciones ⊕ y y sea W un subconjunto no vacío de V.2. . entonces (a) El espacio nulo de A es el complemento ortogonal del espacio fila de A. Teorema 6. x = 0 es la única solución para Ax = 0. A es no singular. A tiene rango n. Teorema 6.9 Complementos ortogonales 371 ML. vn} y T = {w1. y sea S = {v1. entonces u ⊕ v está en W.12. . v2. ■ Lista de equivalencias no singulares. A tiene nulidad 0. Vea la página 272. entonces es una base para V. vn} es una base para un espacio vectorial V y T = {w1. . Todas las bases para un espacio vectorial V deben tener el mismo número de vectores. de dimensión n. entonces r n. Si A es de n × n. . wr} es un conjunto linealmente independiente de vectores en V. Corolario 6. 1 ⎢0 ⎢ T = ⎢1 ⎣1 1 ⎡ ⎤ 0 1⎥ ⎥ 1⎥ 0⎦ 0 y ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ b = ⎢1⎥ . . ⎣ ⎦.9. . Las afirmaciones siguientes son equivalentes para una matriz A de n × n. Sea PS←T la matriz de transición de T a S. entonces todo vector en V puede escribirse en una y sólo una forma como combinación lineal de los vectores en S. . Teorema 6. ( ) Si u está en W y c es un escalar. Sean (a) Muestre que el sistema Tx = b es inconsistente. A es equivalente por filas a In. Teorema 6. Si S = {v1. . vn} un conjunto de n vectores en V. El sistema lineal Ax = b tiene una única solución para cada matriz b de n × 1.2. . Si S = {v1. Teorema 6. w2. 1. . Vea las páginas 354 y 355. 3. Rango fila de A = rango columna de A. v2. Sea W un subespacio de Rn. . .17. Sea V un espacio vectorial de dimensión n. . .5. ■ ■ ■ ■ ■ ■ Teorema 6. . ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ ■ . Si {u1. (b) Si S genera a V. entonces rango A + nulidad A = n.14. . (b) Determine la distancia de v a W. Teorema 6. Teorema 6. 2. .7.5. Entonces PS←T −1 es no singular y PS←T es la matriz de transición de S a T. Entonces Rn = W ⊕ W ⊥ . Las columnas de A forman un conjunto linealmente independiente de n vectores en Rn. Una matriz A de n × n es no singular si y sólo si rango A = n. . v2.Sec.5. . Si A es una matriz dada de m × n. Corolario 6. Teorema 6.20. 8. Corolario 6. b no está en el espacio columna de T. Vea la página 320. 6. (b) Como Tx = b es inconsistente. Teorema 6. 0 0 ⎪ 1 ⎪ 0 ⎩ ⎭ 1 0 1 1 (a) Determine proyW v. (a) Si S es linealmente independiente. . Determine esta proyección de p (la cual será Ty). Un conjunto ortogonal de vectores no nulos en Rn es linealmente independiente.

0). 1). 0. −2. Muestre que el subconjunto de todas las funciones f en C[a. de n × n. b]. ( 3. . ( 0. . tales que el sistema lineal Ax = b tiene solución. k. El conjunto de vectores {t2 + 2t + 2. b + c. b. 0). ¿El conjunto de vectores {t – 1. ¿Cuál es la dimensión del espacio solución? Determine una base para V = gen S. 1. y + y ) c (x. (1. 0. . v3 vectores en un espacio vectorial. 2. 2) y (−3. ¿Cuál es la dimensión de este subespacio? 8. 3. para t en [a. Considere el conjunto W de los vectores en R4 de la forma (a. tn puntos fijos en [a. 1. cy) es un espacio vectorial. Sea A una matriz fija de m × n y defina W como el subconjunto de todas las matrices b de m × 1 en Rm. 1. 1. 1). . 1). 1). donde v1 = (1. 1). v1 + v3}. 2. v3} = gen{v1 + v2. . (−1. −3. 3. −4). con las operaciones 13. Considere el espacio vectorial R2 (a) ¿Para que valores de m y b constituyen los vectores de la forma (x. 0)}. (2. (x. y) ⊕ (x . definimos f ⊕ g como ( f ⊕ g)(t) = f (t) + g(t) . Decida si el conjunto de pares ordenados de números reales. 2. escriba uno de los vectores como combinación lineal de los otros dos. . ¿Para qué valores de k. 2) y v2 = (1. (0. ¿es una combinación lineal de los vectores (1. −2. 1). b] con f (a) = k. forma un subespacio. −6). Sea A una matriz fija de n × n. ( 0. 1). para t en [a. (0. 2. 2. 5. (0. 0. Determine una base para el espacio solución del sistema homogéneo 16. . 1. 1. (1. 1). t2 + 2t + 1. y) = (cx. ¿Es W un subespacio de R4? 3. 3). ¿Es C(A) un subespacio vectorial del espacio de matrices de n × n? 19. 2t2 + 3t + 1. ¿Para cuál(es) valor(es) de l. Determine una base para V = gen S. 5. −2)}. Si f está en C[a. y ) = (x − x . (a) ¿Es W un subespacio de Rm? (b) ¿Cuál es la relación entre W y el espacio columna de A? 21. el conjunto {t + 3. 1). 11. 1. 0. tn. (Sugerencia: utilice el teorema 6. −1 ¿Para qué valor(es) de l el sistema homogéneo Ax = 0 tiene solamente la solución trivial? . t2 + t − 2} forma una base para P2? 7. 1. ¿Para qué valores de a está el vector (a2. −3a. 22. v2. 3). 2). 2. b]. es el conjunto de vectores de la forma (x. −2) está en gen{(1. definimos c f como (c f )(t) = c f (t). ¿Para qué valores de k es el conjunto S una base para R6? S = {(1. v1 − v3. Verifique que gen{v1. t2. donde a2 = 0. Sea V = gen{v1. n. 1) en gen{(1. Sea S = {(1. 4. 2)}? 14. b]. 2. 1. 1. −1. 2. Muestre que un subespacio W de R3 coincide con R3. 0). rx2) un subespacio de R2? 18. b] y c es un escalar. 0. 1. y sea C(A) el conjunto de todas las matrices B. −2). Determine la dimensión del subespacio de P2 formado por los polinomios a0t2 + a1t + a2. 0) y (0. donde a = b + c y d = a + 1. 0. b] el conjunto de funciones reales y continuas definidas sobre [a. Si f y g están en C[a. 2. 0. si y sólo si contiene los vectores (1. 1. ( 1. −t − 3} ¿es linealmente independiente o linealmente dependiente? Si es linealmente dependiente. . b]. El vector (4. a – b – 2c. (2. x1 + 2x2 − x3 + x4 + 2x5 = 0 x1 + x2 + 2x3 − 3x4 + x5 = 0. 9. b]? (c) Sean t1. 3. 1. esto es. 2. Determine una base para el subespacio de R4 cuyos vectores tienen la forma (a + b. (a) Muestre que C[a. 20.8. (0. 2.372 Capítulo 6 Espacios vectoriales reales Ejercicios complementarios 1. vea el ejemplo 9 en la sección 6. 1. ¿Los vectores (−1. 2t + l2 + 2} es linealmente independiente? 12. ( 0. 0). (Se requieren conocimientos de Cálculo.4). k. b]. a. mx + b) un subespacio de R2? (b) ¿Para que valores de r. 3. 10. 4)}? 15. f (ti) = 0 para i = 1. Sean v1. v2}. 0. b] que tienen raíces en t1. Sea λ2 A = ⎣−1 −1 ⎡ 0 λ 0 ⎤ 1 −2⎦ . 0)? 4. d). c. 1. 1. t2. (b) Sea W(k) el conjunto de funciones en C[a. 6. . b] es un espacio vectorial real. . tales que AB = BA. ( 0. . v2. b + c). (0. ¿Para qué valores de a está el vector (a2. −1. 2. −1. Determine una base S para R3 que incluya a v1 y a v2. 17. es W(k) un subespacio de C[a. −1) generan a R3? 5. 1. −1) y (0. 0. −3. .) Sea C[a.

(b) Determine el vector de coordenadas de v con respecto a S de manera directa. 0. 0. (0. (0. Dada la base ortonormal S= 1 1 √ . (a) Determine el vector de coordenadas de v con respecto de T de manera directa. vn} una base para un espacio vectorial V de dimensión n. w2} bases para P1. vn} una base para Rn. 1). y sólo si la dimensión del espacio solución del sistema homogéneo Ax = 0 es cero.8 muestra que el conjunto de todos los vectores en Rn que son ortogonales a un vector fijo u es un subespacio de Rn. 37. entonces {Av1.Sec. 1. ortogonal a cada vector en S. (1. 1). 1)} y T = {(1. (0. definido en el ejercicio 35. (0. . . 2. 0. 3) como combinación lineal de los vectores de S. Sean A y B matrices de m × n equivalentes por filas. . u= 1 1 √ . (c) Determine la matriz de transición PS←T de T a S. y2. Demuestre que A es no singular si. −1). ( 0. 2. T. w2. (1. Sea W = gen{(1. −2) a W. (a) Demuestre que rango A = rango B. ¿Qué puede decir acerca de la dimensión del espacio solución de un sistema homogéneo de ocho ecuaciones con 10 incógnitas? 26. donde v1 = t + 2. 2. 0. v} es ortonormal? para R3. entonces u = 0. ¿Para qué valores de a y b. 29. 0. (0. Calcule los cuatro espacios vectoriales fundamentales asociados con ⎡ ⎤ 2 3 −1 2 1 −2 3⎦ .5. v2} y T = {w1. 0.3. w3. . −1. A = ⎣1 2 1 4 2 Ejercicios teóricos T. 1. −5) w3 = (3. Sea {v1. Sean S = {v1. . 0. el conjunto {u. 0. para cualquier matriz A de m × n. Sea W el subespacio de R3. 2. Avn} también es una base para V. sean múltiplos de cada una de las demás? Explique. Sea W el subespacio de R3 generado por los vectores w1. 1)}. Demuestre que si A es una matriz de n × n no singular. 3). 1). 2)} bases para R3. −2). −1). . Sea v = (2. Dado u = (1. w4. −1. donde w1 = (2. 3 2 Determine T. . v2 = 2t – 1. w4 = (7. 6. Demuestre que si u es un vector en Rn. 34. 0. 0). . (b) Demuestre que para x en Rn. 3. si y sólo si Bx = 0. Determine la distancia de v = (2.6 de la sección 6. 1. 25. . 0). (a) Determine una base para W⊥. 1.9 Complementos ortogonales 373 23. −2. Ax = 0. ¿Es posible que todas las soluciones no triviales de un sistema homogéneo de cinco ecuaciones con siete incógnitas. 0. Mediante el proceso de Gram-Schmidt. 0. T. 5).4.1. (d) Determine el vector de coordenadas de v con respecto a S. Si la matriz de transición de T a S es 30. −1). [Sugerencia: Resuelva el sistema lineal u · v = 0. 1. . donde w está en W y u está en W⊥. (i) v = (1. Determine el rango de la matriz ⎡ 1 2 −1 1 −3 ⎢ 0 ⎢ 3 1 ⎢ 2 ⎣−1 2 2 3 1 −1 3 2 4 2 2 1 3⎥ ⎥ −1⎥ . (b) Muestre que los vectores (1. ¿Cuál es el mayor valor que puede tener la dimensión del espacio fila? Explique. Sean S = {(1. 28. Sea A una matriz de 8 × 5. . 3). . 1. y3)]. 1.2. Sea A una matriz de n × n. 4). 0. 2. El ejercicio T. − √ 2 2 y v = (a. v2. Sean −1 . T. 27. 1 36. Demuestre que rango A = rango AT. √ 2 2 33. (0. Av2. cuando v = (y1. −b). . 2 2 1 1 √ . utilizando PS←T y la respuesta de la parte (a). −1. Determine una base ortonormal para el conjunto de vectores x tales que Ax = 0 donde (a) A = (b) A = 1 0 1 0 0 1 0 1 5 −2 5 −2 −2 −5 −2 4 32. 0. 1). 31. empleando QT←S y la respuesta de la parte (b). − √ . escriba el vector (1. −1. 35. w2 = (1. v2. −1. Sea S = {v1. 1. 0) (ii) v = (1. 0) y la base para W⊥ de la parte (a) forman una base para R3. (c) Escriba el vector v como w + u. T. −5⎦ 4 ⎤ 24. 0). determine una base ortogonal para el subespacio de vectores en R3 que son ortogonales a u. 0. (e) Determine la matriz de transición QT←S de S a T (f) Determine el vector de coordenadas de v con respecto de T. 2. determine una base ortonormal para el subespacio de R4 que tiene una base {(1. Determine una base para W⊥. 0)} en R3.

. Considere el conjunto W de todos los vectores (a. . (2. −2. ¿Es W un subespacio de R3? 2. rango B}. entonces rango A 8. 0. ¿a qué es igual rango (PAQ)? T. . b2. −2. Justifique sus respuestas. −1. (e) Si las columnas de una matriz de n × n forman una base para Rn. muestre que rango (AB) = rango B. . . entonces rango A = n. (c) Todo conjunto de vectores en R3 que contiene dos vectores es linealmente independiente. (a) Demuestre que rango (AB) mín(rango A. 0. (b) Muestre que BTB = In. . 0. Mediante el proceso de Gram-Schmidt determine una base ortonormal para el subespacio de R4 con base (1. −1. (a) Muestre que m ≥ n. 0). . (h) Todo conjunto linealmente independiente de vectores en R3 contiene tres vectores. Sean A una matriz de m × n y B una matriz de n × k.8 Sea B una matriz de m × n con columnas ortonormales b1. Responda con falso o verdadero a cada una de las proposiciones siguientes. 0)}. . 3). 0. ninguno de los cuales es igual a cero. (j) Todo conjunto de vectores que genera a R3 contiene al menos tres vectores x1 + 3x2 + 3x3 − x4 + 2x5 = 0 x1 + 2x2 + 2x3 − 2x4 + 2x5 = 0 x1 + x2 + x3 − 3x4 + 2x5 = 0. 6. 1.7. 0). muestre que rango (AB) = rango A. (1. y A es no singular. a2v2. . . ¿Forman los vectores {(1. (3. . 1). (b) Determine A y B tales que rango (AB) mín{rango A. también lo hacen las filas. ak} un conjunto de escalares. . . 2)} una base para R3? 4. . cx = c x . (i) Si A es una matriz simétrica de n × n. Examen del capítulo 1. Demuestre que T = {a1v1. rango B}. (a) Todos los vectores de la forma (a.6. 3. Sea S = {v1. (1. −1. (e) Si P y Q son matrices no singulares. 3. vk} una base ortonormal para Rn y sea {a1. (f) Si A es una matriz de 8 × 8 tal que el sistema homogéneo Ax = 0 tiene solamente la solución trivial. −3)}? 5. c) en R3 tales que a + b + c = 0. v2. ¿Para qué valor(es) de l es linealmente dependiente el conjunto de vectores (λ2 −5. b. akvk} es una base ortogonal para V. Determine una base para el espacio solución del sistema homogéneo (b) En Rn.374 Capítulo 6 Espacios vectoriales reales T. (1. . . −a) forman un subespacio de R3. bn. . (d) Si m = n. 0). ak de modo que T sea una base ortonormal para Rn? T. 1. ¿Como deberían elegirse los escalares a1. −3. 1). . . (2. (g) Todo conjunto ortonormal de cinco vectores en R5 es una base para R5. . . (c) Si k = n y B es no singular. (d) El espacio solución del sistema homogéneo Ax = 0 es generado por las columnas de A.

podemos obtener una base ortonormal w1. .8. De acuerdo con el teorema 6. . .18 en la sección 6. 2. . . . . y para determinar aproximaciones por mínimos cuadrados (en la sección 7. Primero construimos una base ortonormal v1. . wi = un = r1n w1 + r2n w2 + · · · + rnn wn . TEOREMA 7. Recordemos cómo se obtiene esta base. .8). . y luego.2. las cuales forman una base para el espacio columna de A. . llamada factorización QR de A. Sean u1. n. . y R es una matriz de n × n triangular superior y no singular. Lectura de la sección 6. Bases ortonormales en Rn.8 analizamos la factorización LU de una matriz. entonces A puede factorizarse como A = QR. Ahora cada uno de los vectores vi ui se escribe como una combinación lineal de los vectores w: u1 = r11 w1 + r21 w2 + · · · + rn1 wn u2 = r12 w1 + r22 w2 + · · · + rn2 wn (2) . wn para el espacio generado por las columnas de A. . 3. . w2. . (1) v1 · v1 v2 · v2 vi−1 · vi−1 Demostración 1 vi para i = 1. Ahora analizaremos otra factorización de una matriz A. y demostramos que ésta conduce a un método muy eficiente para resolver un sistema lineal.17. . . v2. . Por último. En la sección 1. 3. para i = 2. n tenemos ui · v1 ui · v2 ui · vi−1 vi = ui − v1 − v2 − · · · − vi−1 . 375 . para determinar los valores propios de una matriz (vea el capítulo 8). para resolver sistemas lineales.CAPÍTULO 7 APLICACIONES DE ESPACIOS VECTORIALES REALES (OPCIONAL) 7. . Esta factorización se usa mucho en la codificación por computadora. un las columnas linealmente independientes de A. .1 Si A es una matriz de m × n con columnas linealmente independientes. vea un análisis de mínimos cuadrados). Mediante el proceso de Gram-Schmidt (vea el teorema 6. . donde Q es una matriz de m × n cuyas columnas forman una base ortonormal para el espacio generado por las columnas de A. u2. vn como sigue: v1 = u1. tenemos rji = ui · wj. .1 FACTORIZACIÓN QR Requisitos.

. donde x1. . . Sea Q la matriz cuyas columnas son w1. es el siguiente. 0 0 · · · rnn A continuación demostremos que R es no singular. . w2. rji = 0 para j > i. .3. . y sea W el subespacio de Rn con estos vectores como base. xn son las componentes del vector x. . . . vemos que ui está en gen{v1. . . r2. . . wn. x1 = x2 = · · · = xn = 0. Sea Q = [w1 w2 · · · wn] la matriz cuyas columnas son w1. Paso 2. . u2. u2. Transformamos la base {u1. . . de modo que x debe ser el vector nulo. Esto proporciona otra demostración de la no singularidad de R. v2. wi}. . es ortogonal a ui. . w2. . Calculamos R = [rij]. mediante el proceso de Gram-Schmidt. . . En el ejercicio T. Como wj es ortogonal a gen{w1. rn j Entonces. Sea ⎡ ⎤ r1 j ⎢r2 j ⎥ rj = ⎢ . Al multiplicar esta ecuación por Q a la izquierda. . . . .9 en la sección 1. exprese primero ui como una combinación lineal de v1. . w2. rn.3) como A = [u1 u2 . . El teorema 1. según la ecuación (1). y luego calcule rii = ui · wi. ⎥ . v2. ⎥ ⎣ .1 pedimos al lector que. . . ⎤ ⎡ r11 r12 · · · r1n ⎢ 0 r22 · · · r2n ⎥ ⎥ ⎢ 0 ··· ⎥. . x2. Por lo tanto. donde R es la matriz cuyas columnas son r1. Como sabemos a partir de la ecuación (3) de la sección 1. . . donde rji = ui · wj. Sea x una solución del sistema lineal Rx = 0. En consecuencia. ■ El procedimiento para determinar la factorización QR de una matriz A de m × n con columnas linealmente independientes. para demostrar que las entradas diagonales rii de R son distintas de cero. . un las columnas de A. . . . wn}. . en una base ortonormal {w1. . . vi} = gen{w1. Como las columnas de A son linealmente independientes. ⎦ . Sean u1. . w2. . wj. . . . . un} para W. un] = [Qr1 Qr2 · · · Qrn] = QR. . . tenemos Q(Rx) = (QR)x = Ax = Q0 = 0. .13 implica que R es no singular. . Paso 3. . . R=⎢0 ⎢ . el sistema homogéneo Ax = 0 puede escribirse como x1u1 + x2u2 + · · · + xnun = 0. . ⎦ . wi} para j > i. ⎣ . . las ecuaciones en (2) pueden escribirse en forma matricial (vea el ejercicio T. vi. w2.376 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) Además. Paso 1.

1832 0 0 35 Como puede verificar. 7. Por lo tanto.5774 0. w3 = ⎢ 1 ⎥ . Al aplicar el proceso de Gram-Schmidt a esta base. tenemos A = QR. u3 como base.5164 0. En consecuencia. ⎢√ ⎥ ⎢− √ ⎥ ⎢ √ ⎥ ⎢ 3⎥ ⎢ 15 ⎥ ⎢ 35 ⎥ ⎣ ⎦ ⎣ 3 ⎦ ⎣ 3 ⎦ √ − √35 0 15 Entonces.1 Factorización QR 377 EJEMPLO 1 Determinar la factorización QR de ⎤ 1 −1 −1 0 0⎥ ⎢1 A=⎣ .2582 −0.5071 ⎡ ⎤ ⎡ r11 r12 r13 R = ⎣ 0 r22 r23 ⎦ .7746 −0. R=⎢ 0 ⎢ ⎢ ⎥ 15 15 ⎥ ⎦ ⎣ ⎣ ⎦ √7 0 0 1. si A es de 5 × 3. 1 −1 0⎦ 0 1 −1 ⎡ Solución Sean u1. R = ⎢0 ⎣0 0 0⎦ 0 0 0 .1547 −0. u2.5774 ⎥ ⎢ 3 ⎥ ⎢ ⎢ ⎥ √5 − √2 ⎥ ≈ ⎢ 0 1.5071 ⎥ ⎥ ⎢ ⎥ ⎥≈⎢ ⎥ ⎥ ⎢ 0.Sec. tenemos (verifique) la siguiente base ortonormal para el espacio generado por las columnas de A: ⎤ ⎤ ⎡ ⎤ ⎡ ⎡ 1 √ − √1 − √4 ⎢ 3⎥ ⎢ 15 ⎥ ⎢ 35 ⎥ ⎢ 1 ⎥ ⎢ 2 ⎥ ⎢ 3 ⎥ ⎢√ ⎥ ⎢ √ ⎥ ⎢ √ ⎥ ⎢ 3⎥ ⎢ 15 ⎥ ⎢ 35 ⎥ w2 = ⎢ 1 ⎥ .2910 −0.7321 −1. ⎡ ⎤ ∗ ∗ ∗ ∗ ∗⎥ ⎢0 ⎢ ⎥ 0 ∗⎥ .1690 ⎥ ⎥ ⎢ ⎥ ⎦ ⎣ ⎦ 0 0.2582 0. entonces .5774 −0.6761 ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ ⎥ ⎢ 0. ⎤ ⎡ ⎡ ⎤ 3 2 1 √ − √3 − √3 ⎥ ⎢ 1. ⎡ ⎢ ⎢ ⎢ ⎢ Q=⎢ ⎢ ⎢ ⎣ y 1 √ 3 1 √ 3 1 √ 3 − √1 15 √2 15 − √1 15 3 √ 15 − √4 35 √3 35 √1 35 3 − √35 ⎤ 0 ⎤ 0. R = [rij]. 0 0 r33 donde rji = ui · wj. u2 y u3 las columnas de A. comenzando con u1. donde rij = 0 si i > j. w1 = ⎢ 1 ⎥ .5774 −0.5164 ⎥ . ■ Observación El software actual (como MATLAB) ofrece una factorización QR alternativa de una matriz de m × n como el producto de una matriz Q de m × m y una matriz R de m × n. y sea W el subespacio de R4 con u1.

De forma equivalente.7. Demuestre que toda matriz no singular tiene una factorización QR. En la demostración del teorema 6. A = ⎣1 0 ⎡ Ejercicio teórico T. en el capítulo 1 se dijo que un sistema lineal Ax = b.) Esto implica que b − A x es ortogonal a cada columna de A. por lo que debemos saber cómo tratarlos. de m × n. tal que A x sea tan cercano a b como sea posible. Lectura de las secciones 1. v2. Es decir. b − w .1.23 de la sección 6. .2. primero exprese ui como una combinación lineal de v1. . Ax = b es inconsistente si y sólo si b no está en el espacio columna de A. En consecuencia. calcule la factorización QR de A.1. 1 −1 ⎡ 1 2. Si W es el espacio generado por las columnas de A. Soluciones de sistemas de ecuaciones lineales.2. 7. muestre que rii no es cero. A T Ax = A T b. En la demostración del teorema 7.1 Ejercicios En los ejercicios 1 a 6. T. b − proyWb = b − A x es ortogonal a todo vector en W.1 A T (Ax − b) = 0 o. estamos seguros de que b − A x será lo más pequeña posible. buscamos un vector x en Rn. y luego calcule rii = ui · wi.1. Nuestro método consiste en modificar el problema de manera que no sea indispensable que la ecuación matricial Ax = b se satisfaga. A = ⎣−1 −1 ⎡ ⎡ ⎤ −1 3⎦ 1 0 2 −2 −1 2 1 ⎤ 2 0⎦ 2 ⎤ 1 −2⎦ −2 ⎤ −1 3⎦ 4 2 6. Los sistemas inconsistentes aparecen en muchas situaciones. x es una solución para ATAx = ATb. de manera equivalente. A = ⎣−1 0 1 5. si encontramos x tal que A x = proyW b. .9 implica que el vector en W más cercano a b es proyW b. (Vea la figura 7. n-vectores.378 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) Términos clave Factorización QR 7. 4. (1) . En cambio. vi. Como recordará.23. Como se indica en la demostración del teorema 6. Por lo tanto. . el teorema 6.6. Complementos ortogonales. La inversa de una matriz. A = ⎤ 2 −2⎦ 1 0 −3 2 2 3 2 4. se minimiza cuando w = proyW b. tenemos que b proyW b W Figura 7. A = ⎣−1 1 ⎡ 1 3. y 6. es inconsistente si no tiene solución. En términos de una ecuación matricial.14 de la sección 6.2 MÍNIMOS CUADRADOS Requisitos. A = ⎣ 2 −1 1. 1.6. demostramos que Ax = b es consistente si y sólo si b pertenece al espacio columna de A.9. para w en W.

aunque sí estudiaremos un importante caso particular. A continuación aplicamos el proceso de Gram-Schmidt a esta base para encontrar una base ortonormal de W. en la ecuación (1). A x será proyW b.. Para calcular una solución por mínimos cuadrados x del sistema lineal Ax = b. ATA es no singular y la ecuación (1) tiene la solución única x = (A T A)−1 A T b .) La ecuación (1) es el sistema normal de ecuaciones asociadas con Ax = b o. Entonces. Al multiplicar. Formamos ATA y ATb.2 Si A es una matriz de m × n tal que rango A = n. Paso 2. . Si A tiene rango n.2. Entonces.1988. Es decir. De acuerdo con el teorema 4. Despejamos x . el sistema normal de ecuaciones tiene una única solución. x = A−1b (vea el ejercicio T. En consecuencia. si suponemos que la aritmética es exacta. aun los errores numéricos mínimos. una solución por mínimos cuadrados para Ax = b es la solución usual. Random House. ambos lados de ATAx = 0 por xT. el sistema normal. si A es no singular. Observación Otro método para determinar proyW b es el siguiente.3 de la sección 4. una solución para este sistema es una solución por mínimos cuadrados.2 Mínimos cuadrados 379 Cualquier solución de (1) es una solución por mínimos cuadrados del sistema lineal Ax = b. Ax = b. En consecuencia. wm} una base ortonormal para el espacio W generado por las columnas de A.2). las columnas de A son linealmente independientes. pueden afectar los resultados. (Vea D. . Nueva York.9 produce proyW b = (b · w1)w1 + (b · w2)w2 + · · · + (b · wm)wm. En particular. Pero esto implica que tenemos una combinación lineal de las columnas linealmente independientes de A igual a cero.Sec. Experiments in Computational Matrix Algebra. 7. . por la izquierda. primero determinamos una base de W por medio de la transformación de AT a su forma escalonada reducida por filas. Mediante una reducción de Gauss-Jordan. El procedimiento es teóricamente válido. entonces ATA es no singular y el sistema lineal Ax = b tiene una única solución por mínimos cuadrados. resulta entonces que Ax = 0. resolvemos para x el sistema normal ATAx = ATb. por lo cual x = 0. simplemente. Hill. obtenemos 0 = xTATAx = (Ax)T(Ax)= (Ax) · (Ax). dada por x = (ATA)−1ATb. que es la solución por mínimos cuadrados del sistema lineal Ax = b. ■ Demostración El procedimiento para determinar la solución por mínimos cuadrados x de Ax = b es el siguiente. La matriz ATA es no singular si el sistema lineal ATAx = 0 sólo tiene la solución nula. procedemos como sigue. Sea {w1. . sin embargo. y luego consideramos las transpuestas de las filas no nulos como base de W. se necesitan algoritmos más elaborados para las aplicaciones numéricas. TEOREMA 7. Observe que si Ax = b es consistente. Paso 1. . distribuido por McGraw-Hill. la ecuación (1) de la sección 6. w2. Recuerde que para determinar una base ortonormal de W.) No analizaremos el caso general en este libro. (Cuidado: en general. digamos por redondeo.

Es decir. misma que se analiza en la sección siguiente. Como las columnas de Q forman un conjunto ortonormal. tenemos que QTQ = Im. w en W.9990 ⎢−2.4371 ⎢ 4.8902 Si W es el espacio columna de A.8852⎥ proyW b = Ax ≈ ⎢ ⎢ 0. ⎢ ⎥ ⎣ 2. ⎣−1 13 24 6⎦ 10 5 17 6 23 20 De acuerdo con el teorema 7. ⎡ ⎤ ⎡ ⎤ 26 5 −1 5 24 ⎢ 5 23 13 17⎥ ⎢ 4⎥ x = ⎣ ⎦.9713⎥ .0643⎥ x≈⎣ . desde el punto de vista del cálculo es mejor resolver la ecuación (1) mediante una reducción de Gauss-Jordan que determinar (ATA)−1 y luego formar el producto (ATA)−1ATb. w en W mín b − w = b − Ax . de modo que RTRx = RTQTb. tenemos la única solución por mínimos cuadrados (verifique) ⎡ ⎤ 0. Cuando A es una matriz de m × n cuyo rango es n. entonces (verifique) ⎡ ⎤ 1. Al sustituir A con esta expresión en la ecuación (1). donde 1 2 −1 ⎢ 2 1 1 ⎢ 3 4 ⎢−2 A=⎢ 2 1 ⎢ 4 ⎣ 0 2 1 1 −1 2 ⎡ ⎤ 3 2⎥ ⎥ 1⎥ . ⎢ 1⎥ ⎣ 3⎦ 5 ⎡ Solución Utilizando una reducción por filas. Al aplicar la reducción de Gauss-Jordan. 1. Enseguida formamos el sistema normal ATAx = ATb (verifique).6459⎦ 5.8181⎥ ⎢ ⎥ −1. 0⎥ ⎥ ⎦ 3 0 ⎤ 1 ⎢ 5⎥ ⎢ ⎥ ⎢−2⎥ b = ⎢ ⎥. Un método todavía mejor consiste en utilizar la factorización QR de A.380 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) EJEMPLO 1 Determine una solución por mínimos cuadrados de Ax = b. el sistema normal tiene una única solución.2712 que es el vector en W que minimiza b − w . MÍNIMOS CUADRADOS MEDIANTE FACTORIZACIÓN QR Sea A = QR una factorización QR de A. obtenemos (QR)T(QR)x = (QR)Tb o RT(QTQ)Rx = RTQTb. podemos demostrar que rango A = 4 (verifique). .2.1039⎦ 1.

EJEMPLO 3 En la fabricación del producto XXX.3851 0. al resolver vemos que (verifique) ⎤ 0.5076⎥ ⎣ 0 −0. y) en una gráfica.6867 0.1311 −0. Q está dada por (verifique) ⎡ ⎤ −0.8902 ■ ⎡ lo cual coincide con x .0492 0. Aprovechamos la gráfica resultante para establecer una relación entre las variables x y y que luego sirva para predecir nuevos valores de y para valores dados de x.0990 −0.4260 0. Como puede ver.7845 −0.3922 −0. EJEMPLO 2 Resuelva el ejemplo 1 mediante la factorización QR de A.3409 ⎢−0.4164⎥ ⎢ R=⎣ . 7.4244⎥ ⎢ ⎥ ⎢ 0. para obtener x .8102 −3.9806 0. QT b = ⎣ 2.3922 −0. Con frecuencia medimos un valor de y para un valor dado de x y luego localizamos los puntos (x. Al fabricar un galón de XXX.1961 0. ⎤ 4. obteniéndose los siguientes datos: .2540 −0.1768 0.1054 Entonces.7068 ⎢−0.1961 −0.9806 0 −4.Sec.4733 −0.4839⎦ −0.6945 −2. resultado que se obtuvo en el ejemplo 1.0081 0.2622 −0. se registraron la cantidad de alfa usada y la cantidad de beta presente. la cantidad de compuesto beta presente es controlada por la cantidad del ingrediente alfa utilizada en el proceso. Solución Nos servimos del proceso de Gram-Schmidt y realizamos todos los cálculos en MATLAB.1311⎥ .4055 y R está dada por (verifique) ⎡ ⎤ −5.1041 −0. podemos resolver fácilmente este sistema lineal mediante una sustitución regresiva.7210 −0.2 Mínimos cuadrados 381 Ya que RT es una matriz no singular.9990 ⎢−2.1039⎦ 1. AJUSTE POR MÍNIMOS CUADRADOS El problema de recolectar y analizar datos está presente en muchos aspectos de las actividades humanas.1961 −0. obtenemos Rx = QTb. 0 0 −4. Al utilizar el hecho de que R es triangular superior. 1.2177⎥ Q=⎢ ⎥ ⎢−0.5099 0.0643⎥ x=⎣ .8172⎦ 5.8699 Rx = QTb ⎡ Finalmente.8504⎦ 0 0 0 3.

.5 10 8. .7 11 9. y1). y1). En la figura 7. yn) estuvieran exactamente sobre la recta de mínimos cuadrados.6 7 7. . tendríamos que yi = b1xi + b0. es decir.5 12 9. De esta manera. . pues todas las mediciones están sujetas a errores experimentales. En vista de lo anterior.7 Beta presente Beta presente (onzas/galón) (onzas/galón) Los puntos de la tabla se grafican en la figura 7. n. negativa o cero. los puntos graficados no están. (xn. (x3. (x2. . Onzas de beta por galón . i = 1. y2). Si los puntos (x1. (x2. y2). Esta línea es la recta de mínimos cuadrados. (x5. (x2. tenemos yi = b1xi + b0 + di. y4).382 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) usada Alfa usada (onzas/galón) (onzas/galón) 3 4. La cantidad di puede ser positiva. y2). . 2. Estamos interesados en determinar la recta de mínimos cuadrados y = b1x + b0 (2) que “mejor se ajusta a los datos”. no sería razonable unir los puntos trazando una curva que pase por todos ellos. los datos tienen una naturaleza probabilística. yi) a la recta (deseada) de mínimos cuadrados. (4) (3) donde di es la desviación vertical del punto (xi. . Además.5 5 5.2. necesariamente. de modo que la gráfica sea una línea recta.3 se muestran cinco puntos de la recta de mínimos cuadrados (x1. .7 9 8. en el sentido de que si repitiéramos el experimento encontraríamos valores ligeramente distintos de beta para los mismos valores de alfa. . . Suponga que se nos han dado n puntos (x1. y1). ■ Figura 7. . . no son deterministas. . . .7 6 6. Como algunos de estos puntos no están necesariamente sobre la recta. (xn. y5). d1. A continuación aplicamos el método de mínimos cuadrados para obtener la línea recta que “mejor se ajusta” a los datos proporcionados. (x4.5 4 5. d5. donde por lo menos dos de las xi son distintas.2 12 11 10 9 8 7 6 5 4 3 2 1 O 1 2 3 4 5 6 7 8 9 10 11 12 Onzas de alfa por galón Suponga que la relación entre la cantidad de alfa utilizada y la cantidad de beta presente está dada por una ecuación lineal. y sus desviaciones correspondientes. . d2. sobre una línea recta. y3).0 8 7. yn).

la magnitud de d será lo más pequeña posible (la magnitud de un vector se analiza en la sección 4. . dada por x = (A T A)−1 A T b . . ⎣. d será minimizada. ⎥.. ⎣.⎦ . mediante una reducción de Gauss-Jordan. Resolvemos el sistema normal AT Ax = ATb ⎡ ⎤ y1 ⎢ y2 ⎥ b = ⎢ . .⎦ . Para cada xi. y5) d5 (x1. (x2. . dn podemos escribir las n ecuaciones en (4) como una sola ecuación matricial b = Ax + d. . Sean xn 1 yn Paso 2. 2 2 2 2 = d1 + d2 + · · · + dn El procedimiento para determinar la recta de mínimos cuadrados y = b1x + b0 para los datos (x1. es el siguiente. 1 x= b1 .2). . (xi . . .⎦ .(xn. En consecuencia podemos estar seguros de que A x estará lo más cerca posible de b. . y2). Como por lo general el sistema lineal Ax = b es inconsistente. Como d = b − Ax.2 nos permite afirmar que d se ha minimizado.2 Mínimos cuadrados 383 Figura 7. ⎥. 7. El material de la sección 4. De manera equivalente. n. yn). sea yi = b1 xi + b. xn ⎡ ⎤ 1 1⎥ .⎦ . Entonces.Sec. i = 1. . yi ) son los puntos sobre la recta de mínimos cuadrados. y4) d4 Recta de mínimos cuadrados Si hacemos ⎡ ⎤ y1 ⎢ y2 ⎥ b = ⎢ .⎦ . y1).2 implica entonces que Ax = b tiene una única solución por mínimos cuadrados. . determinamos una solución por mínimos cuadrados x de Ax = b. de modo que rango A = 2. y2) O x (x3. . x1 ⎢ x2 A=⎢.⎥ . Paso 1. ⎥. Recuerde que por lo menos dos de las xi son distintas. y x= b1 . . donde por lo menos dos de las xi son diferentes. y3) d3 (x4. ⎣.⎥ . yn x1 ⎢ x2 A=⎢. b0 en términos de x.3 y (x5. El teorema 7. y1) d1 d2 (x2. ⎡ ⎤ 1 1⎥ . ⎣. b0 y ⎡ ⎤ d1 ⎢ d2 ⎥ d = ⎢ . ⎣. 2.

7⎥ ⎢ ⎥ ⎢6.6 .4 12 11 10 9 8 7 6 5 4 3 2 1 O 1 2 3 4 5 6 7 8 9 10 11 12 Onzas de alfa por galón Onzas de beta por galón . una ecuación para la recta de mínimos cuadrados que se muestra en la figura 7. ■ Figura 7. b0 AT A = 645 75 75 10 y AT b = 598.457 onzas de beta presentes en un galón de XXX. al sustituir en (5). (b) Utilizar la ecuación obtenida del inciso (a) para predecir el número de onzas de beta presentes en un galón del producto XXX si se utilizan 30 onzas de alfa por cada galón. En consecuencia.583 b1 = .0⎥ b = ⎢ ⎥. Por lo tanto.5⎥ ⎢ ⎥ ⎢5.5⎦ 9. (5) donde y es la cantidad de beta presente y x es la cantidad de alfa utilizada. es y = 0.583 y b0 = 2.967. 0. 73.583x + 2. (b) Si x = 30.6⎥ ⎢ ⎥ ⎢7. 1⎥ ⎥ ⎥ 1⎥ 1⎥ ⎥ 1⎦ 1 x= b1 .7⎥ ⎢ ⎥ ⎣9.384 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) EJEMPLO 4 (a) Determinar una ecuación para la recta de mínimos cuadrados asociada a los datos del ejemplo 3. ⎡ 3 ⎢ 4 ⎢ ⎢ 5 ⎢ ⎢ 6 ⎢ ⎢ 7 A=⎢ ⎢ 8 ⎢ 9 ⎢ ⎢10 ⎢ ⎣11 12 ⎡ ⎤ 1 1⎥ ⎥ 1⎥ ⎥ 1⎥ ⎥ 1⎥ .5⎥ ⎢ ⎥ ⎢8. habrá 20.967. obtenemos y = 20. 2.7 Entonces. ⎢7.5 ⎢5.4 Al resolver el sistema normal ATAx = ATb mediante una reducción de Gauss-Jordan obtenemos (verifique) x= Entonces.4.7⎥ ⎢8. (a) Tenemos Solución ⎤ 4.967 b0 b1 = 0.457.

suponga que se nos han dado n puntos de datos (x1. Por lo tanto. que “mejor se ajuste” a estos datos. . podemos garantizar que d = b − Ax se minimiza. ⎥. .Sec. .2 Mínimos cuadrados 385 AJUSTE POLINOMIAL POR MÍNIMOS CUADRADOS Este método para obtener el ajuste lineal por mínimos cuadrados para un conjunto dado de puntos.⎥ ⎣. Si hacemos i = 1. ⎢ .⎦ 1 ⎤ ⎤ am ⎥ ⎢ ⎢am−1 ⎥ ⎥ ⎢ ⎢ .(xn. . . . tenemos yi = am xim + am−1 xim−1 + · · · + a1 xi + a0 + di . xn 1 ⎥ 1⎥ . . ⎥ x = ⎢ . (x2.⎥ . ⎣ . ⎥. Al igual que en el ajuste lineal por mínimos cuadrados.⎦ yn m x1 ⎢ m ⎢x2 A=⎢ . . . n. y2). . ⎢. . 2 · · · xn x1 x2 . .⎦ dn podemos escribir las n ecuaciones en (6) como la ecuación matricial b = Ax + d. m−1 xn 2 · · · x1 2 · · · x2 . donde al menos m + 1 de los xi son distintos. . m xn ⎡ m−1 x1 m−1 x2 . 2. dado que algunos de los n puntos de datos no están exactamente sobre la gráfica del polinomio de mínimos cuadrados.⎥ ⎣. . ⎥ ⎢ ⎢ a ⎥ ⎣ 1 ⎦ a0 ⎡ y ⎡ ⎤ d1 ⎢ ⎥ d2 ⎥ ⎢ d = ⎢ . una solución x del sistema normal ATAx = ATb es una solución por mínimos cuadrados de Ax = b. m n − 1. 7. . ⎢. yn). y1). . Con esta solución. . Como en el caso del ajuste lineal por mínimos cuadrados.⎥ . puede generalizarse con facilidad para resolver el problema de determinar un polinomio de grado dado que “mejor se ajuste” a los datos proporcionados. y que queremos construir un modelo matemático de la forma y = amxm + am−1xm−1 +· · ·+ a1x + a0. (6) ⎡ ⎤ y1 ⎢ ⎥ ⎢ y2 ⎥ b = ⎢ . ⎥.

misma que sugiere que un polinomio cuadrático y = a2t2 + a1t + a0 puede producir un buen modelo de estos datos.5 muestra una gráfica de los puntos. Paso 1. . . ⎢ a ⎥ ⎣ 1 ⎦ 1 a0 ⎤ ⎡ Paso 2.⎦ yn ⎡ A=⎢ . Figura 7. ⎣ . . .5 + 1 0.5 2 2.⎥ ⎣.386 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) El procedimiento para determinar el polinomio por mínimos cuadrados y = amxm + am−1xm−1 + · · · + a1x + a0 que mejor se ajusta a los datos (x1. (xn.21 1. . donde m lo menos m + 1 de los xi son distintos. ti yi 1 1.24 0. (x2. .5 + O –0. ⎥ . ⎢.04 1. .15 0. ⎢ . EJEMPLO 5 Los siguientes datos muestran los contaminantes atmosféricos yi (respecto de cierta norma de calidad del aire) en intervalos de media hora. resolvemos para x el sistema normal ATAx = ATb.5 4 4.5 1.⎦ ⎢ . y x = ⎢ . . ⎥.5 3 3. y2). yn).08 La figura 7.86 0. 2 · · · xn 2 x1 2 x2 x1 x2 . . ··· ··· m−1 xn . Formamos n −1 y por ⎡ ⎤ y1 ⎢ ⎥ ⎢ y2 ⎥ b = ⎢ . ti. ⎥.15 0. xn ⎤ am 1 ⎥ ⎢ ⎢am−1 ⎥ ⎥ ⎥ ⎢ 1⎥ ⎥. y1).5 t + 2 4 + 6 + + + + + y . ⎥ .68 1. es el siguiente.5 5 −0. m xn m x1 ⎢ m ⎢x2 ⎢ m−1 x1 m−1 x2 .⎥ . Mediante una reducción de Gauss-Jordan.41 −0. . .

68⎥ ⎢ ⎥ ⎢ 1. pero no es preciso que pase por ellos.04⎥ ⎢ ⎥ b = ⎢ 1. y el sistema normal es ⎡ 1583. a0 ⎡ ⎤ −0.25 ⎣ 378 96 378 96 27 ⎤ ⎤⎡ ⎤ ⎡ 54.5 + 1 0. ⎢ 1.25 ⎢ ⎢ 4 ⎢ ⎢ 6. −1.9317 de modo que obtenemos el modelo polinomial cuadrático y = −0.3274t 2 + 2.25 25 ⎡ 1 1.3274 x ≈ ⎣ 2.6 1.86⎥ ⎢ ⎥ ⎣ 0.65 96 a2 27⎦ ⎣a1 ⎦ = ⎣16. indicándolos mediante el símbolo + y la gráfica de y.9317. a0 5.08 El rango de A es 3 (verifique). ■ Figura 7. 7.21⎥ .15⎥ ⎢ ⎥ ⎢ 0.41⎦ −0.24⎥ ⎢ ⎥ ⎢ 0.6 muestra el conjunto de datos.36 9 Al aplicar la reducción de Gauss-Jordan obtenemos (verifique) ⎤ ⎡ −0. 1⎥ ⎥ 1⎥ ⎥ 1⎦ 1 ⎡ ⎤ a2 x = ⎣a1 ⎦ .5 4 4.5 5 ⎤ 1 1⎥ ⎥ 1⎥ ⎥ 1⎥ ⎥ 1⎥ .5 2 2.5 t + 2 4 + 6 + + + + + y Términos clave Solución por mínimos cuadrados Sistema normal Rectas de mínimos cuadrados Polinomio de mínimos cuadrados .5 3 3.2 Mínimos cuadrados 387 Ahora tenemos 1 ⎢ 2.71⎦ . La figura 7.0067t − 1.25 ⎢ ⎢16 ⎢ ⎣20.25 ⎢ A=⎢ 9 ⎢12.Sec.0067⎦ .15 ⎢ 0. Vemos que y está cerca de cada punto de datos.5 + O –0.

6. determine un polinomio cuadrático de mínimos cuadrados para los datos dados. 1. (9. (0. (2. . (2. (1.1 7. (5. A partir de tal experiencia se han obtenido los siguientes datos.388 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) 7. (10. (7. Año Ventas anuales (millones de dólares) 1997 1998 1999 2000 2001 2002 1. determine la recta de mínimos cuadrados para los puntos dados. 2). 3. 5). 2.3 3 ⎢2 ⎢ 2.2 4.4). Tiempo en la habitación (horas) Tiempo en encontrar la salida del laberinto (minutos) 1 0.0 5 3. 6). Una organización obtiene los siguientes datos que relacionan el número de agentes de ventas con las ventas anuales.5. (2.2 Sean x el número de agentes de ventas y y las ventas anuales (en millones de dólares).2 2. (3. (b) Utilice la ecuación obtenida en (a) para estimar las ventas anuales cuando se cuenta con 14 agentes. 3). (4.1 3 2. (4. 3). (5. (5.4).3 3.8). (5. 4) 10. (a) Determine la recta de mínimos cuadrados que relaciona x con y. (3. 1.2).6). A = ⎢ 0 ⎢ ⎣ 0 2 ⎡ ⎡ ⎡ −2 −3⎥ ⎥ −1⎥ 3⎦ 4 2 3 5 0 1 0 −2 0 0 2 0 ⎤ y 2 ⎢−1⎥ ⎢ ⎥ b = ⎢ 0⎥ ⎣ 1⎦ 0 ⎤ −1 2⎥ ⎢ ⎢ ⎥ b = ⎢ 0⎥ ⎣ 1⎦ −2 ⎤ 4 0⎥ ⎥ 0⎥ ⎥ 2⎥ 0⎦ 1 ⎤ −1 ⎢ 1⎥ ⎢ ⎥ ⎢ 2⎥ y b= ⎢ ⎥ ⎢ 0⎥ ⎣ 0⎦ 1 ⎡ ⎡ ⎡ ⎤ Sea x el número de horas que pasa el individuo en la habitación. 1). (1.8 5.5) 13.7). 2).5. . 2. A = ⎢2 ⎣2 3 −1 ⎢ 4 ⎢ ⎢ 3 4. (0.2). .2) 12. (4. 1. 3. 0. En un experimento diseñado para determinar el alcance de la orientación natural de una persona. 11. ⎡ ⎤ ⎡ ⎤ 2 1 3 0⎥ ⎢ 1⎥ 1. (8. (4. 5).7). Resuelva el ejercicio 1 mediante la factorización QR de A.6 4 2. Un productor de acero reúne los siguientes datos.3). ⎤ 1 2⎥ ⎥ 3⎥ 1⎦ 1 0 0 1 −1 −2 0 y 14. A = ⎢1 ⎣2 3 1 ⎢1 ⎢ 3. 3). (6.5. (b) Utilice la ecuación obtenida en (a) para estimar las ventas anuales para el año 2006. (6. (0. (3. 6) En los ejercicios 11 y 12.0 6. En los ejercicios 7 a 10. y sea y el número de minutos que tarda en encontrar la salida del laberinto.2). Luego se le pide que encuentre la salida de un Número de agentes de ventas Ventas anuales (millones de dólares) 5 6 7 8 9 10 2. 2). (2. 5).2 3.6).8). 2002 como 0. 15. sean x el año y y las ventas anuales (en millones de dólares). (a) Determine la recta de mínimos cuadrados que relaciona x con y. (a) Determine la recta de mínimos cuadrados que relaciona x con y. −0. 2. 1. (4. determine una solución por mínimos cuadrados de Ax = b. (7. un sujeto se introduce a una habitación especial. 3).8 2 2. 1. respectivamente. . −1. −1. 4. 4).6).2 Ejercicios En los ejercicios 1 a 4.5. (b) Utilice la ecuación obtenida en (a) para estimar el tiempo que tardará el sujeto en encontrar la salida del laberinto después de 10 horas en la habitación. Resuelva el ejercicio 3 mediante la factorización QR de A. (2. (4. 2. (5.1 5.5. 7. 0. (3. 1. −0. A = ⎢ 1 ⎣ 0 −1⎦ y b = ⎣ 2⎦ −1 1 −1 laberinto y se registra el tiempo que tarda en encontrarla.5. (3. 3) 9. 4). 4). 3). (3.6). 5). 0. Represente los años 1997. (1. (7.6). 4). en donde se le mantiene durante cierto tiempo. (2. 3). 2). (6.1 6 3. 5.1 5.5.3 3.6 3. 1. . 2) 8. (3. (4. (5.

Para utilizar lsqline.5 3. 0 1 (a) Demuestre que rango A = 2.2.8 0.2 0. (b) Utilice la ecuación del inciso (a) para estimar los ingresos brutos 12 semanas después de la presentación del automóvil. ML. En el instante t = 0.54 1.3 4 5. aplicando lsqline. 7. (x2. (c) Estime el instante en que el objeto toca la superficie del fluido por segunda vez.Sec. de 8 y de 9 horas en la habitación. (b) Estime la profundidad a los t = 5 y t = 6 segundos. Luego estime el tiempo que tarda el sujeto en encontrar la salida del laberinto después de 7. yn). Ejercicios con MATLAB La rutina lsqline de MATLAB calcula la recta de mínimos cuadrados para los datos que usted proporcione.5 −0(80 3 −0(99 3. Se realizó un experimento acerca de las temperaturas de un fluido en un recipiente de nuevo diseño.8 ⎤ −3 −2⎥ 2⎦ −1 ⎡ ⎤ 1 ⎢0⎥ y b = ⎣ ⎦. .4. ML. ML. no podemos emplear el teorema 7.1 4. . Para mayor información.5 0. Tiempo (minutos) 0 2 3 5 9 Temperatura (◦ F) 185 170 166 152 110 (a) Determine la recta de mínimos cuadrados. Siga el procedimiento general analizado antes del teorema 7.88 1 0.2 para determinar una solución por mínimos cuadrados x. ML.1. donde ⎡ 1 3 4 ⎢2 A=⎣ 0 −1 1 2 Número de semanas Ventas brutas por semana después de la presentación (millones de dólares) del automóvil 1 2 3 4 5 6 7 8 9 10 0. . y). Sean x los ingresos brutos por semana (en millones de dólares) y t las semanas después de la presentación del automóvil. (a) Determine un polinomio cuadrático de mínimos cuadrados para los datos dados. Un dispositivo registra la Tiempo (segundos) Profundidad (metros) 0 1 0. (c) Estime el instante en el que la temperatura del fluido fue de 160 °F. y grafica la recta y los puntos de datos.3 3. obteniéndose los siguientes datos. 6. Con base en el sistema normal de ecuaciones en (1).2 4. Resuelva el ejercicio 9 en MATLAB. la matriz ATA es no singular.5 0.5 −0(21 (a) Determine el polinomio cuadrático de mínimos cuadrados. utilice help lsqline. y las coordenadas y correspondientes en un vector y. 17. (b) Como rango A número de columnas. Dado Ax = b. altura del objeto sobre la superficie del fluido en intervalos de medio segundo.07 2 −0(42 2. introduzca las coordenadas x de sus datos en un vector x.8 1. luego escriba lsqline (x. un objeto se arroja sobre un fluido desde una altura de 1 metro. (b) Estime la temperatura en x = 1.2 Mínimos cuadrados 389 16. de modo que m = 1 en (6).2. Utilice lsqline para determinar la solución del ejercicio 13. ¿Esta solución es única? Ejercicios teóricos T. Suponga que queremos determinar la recta de mínimos cuadrados para los n puntos de datos (x1. 8 minutos.1. Demuestre que si al menos dos coordenadas x son distintas.5 −0(94 4 −0(65 4. Sea A una matriz de n × n no singular. y1).2 para determinar una solución por mínimos cuadrados.3. donde un valor negativo indica que el objeto se encuentra debajo de la superficie del fluido. . (xn. y2). T. El distribuidor de un nuevo automóvil ha obtenido los siguientes datos. donde A es la matriz que se obtiene de las n ecuaciones en (6). demuestre que la solución por mínimos cuadrados de Ax = b es x = A−1 b . . La siguiente tabla de datos es el resultado.

Use este modelo de datos para predecir el valor de y cuando x = 7.5 7. . Determine el polinomio de mínimos cuadrados para la siguiente tabla de datos.5 1 1. En la sección 2. donde C es la matriz de n × m Im D y D es una matriz de (n − m) × m.3 ALGO MÁS SOBRE CODIFICACIÓN* Requisito. Una introducción a la teoría de códigos.3 La transformación matricial e: Bm → Bn definida por e(b) = Cb = Im b. *En toda esta sección se utilizará exclusivamente aritmética binaria. En el caso de un vector de mensaje b en Bm.5. mencionaremos varias referencias para un estudio más profundo de la fascinante área de teoría de códigos. D donde b es un m-vector y D es una matriz de (n − m) × m. En esta sección mostraremos la manera en que pueden utilizarse técnicas de álgebra lineal para desarrollar códigos binarios de corrección de errores. En esta sección abordaremos la generación de códigos desde un punto de vista relacionado.1 se utilizaron códigos generados por una función de codificación e: Bm → Bn. D Db donde Db es un vector de (n − m) × 1.1.875 −1 0.75 8. y eligiendo la matriz de transformación de manera que garantice una correspondencia inyectiva entre el vector de mensaje en Bm y la palabra código en Bn.5 2 y 0. Una introducción a la teoría de códigos.9375 2. x −3 −2.390 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) ML. definimos la transformación matricial e(b) = Cb.25 11.5 0 −1.125 −1. al final de la sección. generando códigos binarios por medio de una transformación matricial de Bm a Bn. es inyectiva. La matriz D se elegirá de manera que sea útil en la detección y corrección de errores. donde n > m y e es uno a uno (inyectiva).8750 4.1. analizamos brevemente códigos binarios y detección de errores. Cada palabra código en Bn tiene la forma (1) Cb = Im b b= . espacios vectoriales y conceptos asociados en la construcción de algunos códigos sencillos y.5 −1 0 0. Haremos hincapié en el papel que desempeñan las matrices. TEOREMA 7. Lectura de la sección 2. En los ejemplos y ejercicios de la sección 2.5 −2 −1.

1) es C= Im .Sec.1. u donde u es la matriz de 1 × m con todas sus componentes iguales a 1. Las palabras código son todas las posibles combinaciones lineales de las columnas de C. 0 0 Las palabras código son el subespacio B3. m + 1) (vea la sección 2. Esto implica que el código generado por la función de código e es lineal. Si a y b son m-vectores tales que e(a) = e(b). b3 0 0 1⎦ 2 b3 b1 + b2 + b3 1 1 1 Estos vectores forman un subespacio de B4 de dimensión 3. (Vea el ejercicio 2. que consiste en todos los vectores de la forma ⎡ ⎤ b1 ⎣b2 ⎦ . (Vea el ejercicio 1. así que a = b y. En consecuencia. por lo tanto. 0 Estos vectores forman un subespacio de B3 de dimensión 2. En Bm existen 2m posibles mensajes. (Vea el ejercicio T.1. sección 2. e es inyectiva.1) es ⎡ ⎤ 1 0 0 ⎢0 1 0 ⎥ C =⎣ .) ■ EJEMPLO 3 La matriz de código de paridad (m. 4) (vea el ejemplo 6 en la sección 2. Pero como las columnas de C son linealmente independientes. tiene la matriz de código ⎡ ⎤ 1 0 C = ⎣0 1⎦ .4 en la sección 2. hay exactamente 2m palabras código en Bn.) EJEMPLO 1 El código (2. tenemos una combinación lineal de las columnas de C. 0 0 1⎦ 1 1 1 Las palabras código son todas las combinaciones lineales de las columnas de C. por lo tanto. las columnas de C son linealmente independientes. resulta que e(a) − e(b) = Ca − Cb = C(a − b) = 0. 3) del ejemplo 1. las palabras código forman un subespacio de Bn. que da el vector nulo. están en el espacio columna de la matriz C. En consecuencia.3 Algo más sobre codificación 391 Demostración Tenemos que n > m y rango C = m (verifique). 7. ■ A la matriz C = Im le llamamos matriz de código o matriz generadora del D código determinado por e. Por lo tanto. que es el conjunto de todos los vectores en B4 dado por ⎤ ⎡ ⎡ ⎤ b1 1 0 0 ⎡ ⎤ b1 b2 ⎥ ⎢0 1 0⎥ ⎣ ⎦ ⎢ b =⎣ Cb = ⎣ ⎦. ■ EJEMPLO 2 La matriz de código para el código de paridad (3. que entonces es cerrado respecto de la suma y de la multiplicación por un escalar. la única combinación lineal para la cual esto se cumple es la combinación lineal trivial.) ■ . y como e es inyectiva.

y para decodificar la palabra código. xt. Observe que en ningún caso es posible detectar todos los errores. En lugar de dar una construcción abstracta para G. o. Por supuesto G O.7 Palabra b en Bm que será transmitida Palabra xt en Bn que es recibida Detección/corrección de error Palabra de código Decodificación e Palabra del mensaje (suponiendo que cualquier error fue corregido) Canal de transmisión El álgebra lineal se utiliza para codificar el mensaje.4. Como se estudió en la sección 2. cuando xt es una palabra código. Para tal matriz G. así que de alguna manera debe depender de C. y luego se transmite. supondremos que no hay errores en la transmisión si la palabra que se recibe. A la recepción de xt. Podemos desplegar las palabras código formando el producto de C con la matriz de 3 × 8. necesitamos determinar si es una palabra código. ⎣1 1 0⎦ 1 0 1 Habrá 23 palabras código. Este esquema general se ilustra en la figura 7. La palabra recibida. G “por” cualquier palabra código debe ser el vector nulo. La observación principal que hacemos es que un dígito binario (bit) sumado con él mismo es igual a cero. que son las imágenes de los vectores b de B3 mediante la transformación matricial e: B3 → B5 definida por e(b) = Cb. un mensaje b en Bm se codifica primero como x = e(b). Para una matriz de código C de la forma (1). esto es.392 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) EJEMPLO 4 Determine las palabras código del código (3. xt. sería prudente utilizar un procedimiento de corrección de errores para asociar xt con una palabra código. y Gxt 0 en cualquier otro caso.2. e ilustró en la figura 2. Como xt es una palabra código si está en el espacio columna de C. *También se conoce como matriz de verificación de paridad. Por lo tanto.7.1. para detectar e (intentar) corregir errores en la transmisión. la matriz de código C de la forma dada en (1). es una palabra código. en donde el paso final es decodificar la palabra código. proporcionaremos varios ejemplos que ilustran la construcción. construimos G de modo que una fila de G por una columna de C sea una suma de un bit con él mismo. un vector en Bn. y luego enunciaremos el resultado general en el teorema 7. cuyas columnas son todos los vectores de B3: ⎡ ⎤ ⎡ ⎤ 1 0 0 ⎡ 0 1 0 0 1 1 0 1 ⎤ ⎢0 1 0⎥ 0 1 0 0 1 1 0 1 ⎢0 0 1 0 1 0 1 1⎥ ⎢ ⎥ ⎢ ⎥ ⎢0 0 1⎥ ⎣0 0 1 0 1 0 1 1⎦ = ⎢0 0 0 1 0 1 1 1⎥ . 5) con matriz de código ⎡ ⎤ 1 0 0 ⎢0 1 0⎥ ⎢ ⎥ C = ⎢0 0 1⎥ . mostraremos cómo determinar una matriz de verificación* G tal que Gxt = 0. . si no lo es. ⎣1 1 0⎦ 0 0 0 1 0 1 1 1 ⎣0 1 1 0 0 1 1 0⎦ Solución 1 0 1 0 1 0 1 1 0 1 0 Las columnas de la matriz de la derecha son las palabras código. de manera equivalente. podemos codificar y transmitir nuestro mensaje. y forman un subespacio de B5 de dimensión 3. también es un vector en Bn. las palabras código están en el espacio nulo de G. una manera de proceder consiste en determinar una matriz G tal que GC = O. Figura 7. ■ Una vez que hemos seleccionado nuestra función de codificación e. Para nuestros fines.

xt = ⎣ ⎦. por lo tanto. la matriz de verificación no detectaría los dos errores en el primero y cuarto bits. una palabra código debe satisfacer k1 + k2 + k3 = k4 o. donde kj.Sec. por lo tanto. Por ejemplo. 2. Sea ⎡ ⎤ k1 ⎢k2 ⎥ xt = ⎣ ⎦ k3 k4 la palabra recibida. 7. de manera equivalente (recuerde que el negativo de un bit es él mismo). De acuerdo con el ejemplo 2. (2) Vemos que si Gxt = k1 + k2 + k3 + k4 = 0. entonces xt no es una palabra código. entonces Gxt = 0 1 1 y. la matriz de verificación es G = [1 1 1 1]. entonces xt es una palabra código. . es una palabra código pero no e(b). la matriz de verificación es ⎡ 0 1 0 1 0 ⎤ 0 0⎥ ⎥ 1⎥ 0⎦ 1 G= 1 1 0 1 0 . 1 0 1 0 1 Este resultado se debe a que GC = O (vea el ejercicio 4) y. Sin embargo. j = 1. 4 son bits. 1 0 ⎡ ⎤ 1 ⎢1⎥ Si la palabra recibida. si existe más de un error en xt. ■ EJEMPLO 6 Para la matriz de código 1 ⎢0 ⎢ C = ⎢0 ⎣1 1 del ejemplo 4. k1 + k2 + k3 − k4 = k1 + k2 + k3 + k4 = 0. si Gy = O. Si Gxt = 1. pero es mejor proceder como sigue. Para verificar esto podemos calcular GC y demostrar que el resultado es O. ⎡ ⎤ 0 podríamos no detectarlo. además. en el caso del mensaje b = ⎣1⎦. 3. y es una palabra código.3 Algo más sobre codificación 393 EJEMPLO 5 Para la matriz de código ⎡ 1 ⎢0 C =⎣ 0 1 0 1 0 1 ⎤ 0 0⎥ 1⎦ 1 del ejemplo 2. tenemos 1 ⎡ ⎤ 0 ⎢1⎥ e(b) = Cb = ⎣ ⎦ (verifique). cada palabra código está en el espacio nulo de G.

3. Demostración Vea el ejercicio T. 5) con matriz de código ⎡ ⎤ 1 0 0 ⎢0 1 0⎥ ⎢ ⎥ C = ⎢0 0 1⎥. donde ei es la i-ésima columna de la matriz identidad de n × n (para algún valor desconocido de i). Tenemos Gxt = Gx + Gei = 0 + coli(G) = coli(G). Suponga que xt no es una palabra código y que sólo ocurrió un error. ⎢0⎥ . podemos determinar si la palabra recibida xt es o no una palabra código. deben ser una base para el espacio nulo de G. Si xt es una palabra código. así que necesitamos una estrategia que indique si debemos tratar de corregir el error y luego decodificar la palabra corregida. es G = [D In−m]. podemos proceder a decodificarla. 6 son bits. ■ EJEMPLO 7 Suponga que tenemos un código (3.) Siempre y cuando las columnas de G sean distintas. ■ TEOREMA 7. Esto implica que cualquier elemento del espacio nulo de G es una palabra código. 5. la dimensión del espacio nulo de G es 3. sabemos que existe al menos un error en la transmisión. concluimos que G es la matriz de verificación para el código generado por C. ⎣b b b ⎦ 1 2 3 b4 b5 b6 donde las bj. por lo tanto. Entonces xt = x + ei. ya que el rango de G es 2 (verifique). La matriz G= satisface b1 b2 b3 b4 b5 b6 1 0 0 1 GC = b1 + b1 b4 + b4 b2 + b2 b5 + b5 0 0 0 b3 + b3 = . j = 1. pero desconocemos el valor particular de i. ■ Por medio de la matriz de verificación. como se demostró en el ejemplo 4. 2. Si xt no es una palabra código.394 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) La última afirmación resulta de que una base para el espacio nulo de G es ⎧⎡ ⎤ ⎡ ⎤ ⎡ ⎤⎫ 0 1 ⎪ ⎪ 1 ⎪ ⎪ ⎪⎢1⎥ ⎢1⎥ ⎢1⎥⎪ ⎨ ⎬ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ S = ⎢1⎥ .4 La matriz de verificación para una matriz de código de la forma C= Im D para D una matriz de (n − m) × m. 0 0 0 b6 + b6 Además. Las tres columnas de C son linealmente independientes y están en el espacio nulo de G. ⎪⎣0⎦ ⎣1⎦ ⎣0⎦⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎭ 0 0 1 y cada vector en S es una palabra código. (Sólo sabemos que se tuvo un error. podemos comparar la columna Gxt .1. o solicitar que el mensaje vuelva a enviarse. En consecuencia. ⎢0⎥ (vea el ejercicio 5). 4.

así el teorema 7. TEOREMA 7. Esto contradice la hipótesis de que la matriz de verificación G puede usarse para detectar de manera correcta todas las palabras recibidas xt en las que aparezca cuando mucho un error. tendríamos Gei = 0.5 nos dice que la matriz de verificación no puede usarse para detectar un solo error. Esto implica que no podemos determinar cuál bit. Esto implica que ninguna columna de G puede ser nula. Entonces podemos decir que el único error ocurrió en el i-ésimo bit. el i-ésimo o el j-ésimo. corregirlo y luego proceder a decodificar de manera correcta el mensaje.5 no requiere que G y C tengan las formas especificadas en el teorema 7.5.5 Una matriz de verificación G para un código con matriz de codificación C. digamos la i-ésima y la j-ésima.) Por otra parte. Si la columna i de G sólo tuviese ceros. la matriz de verificación es G= 1 1 0 1 0 . por lo que aceptaríamos ei de manera errónea. Por ejemplo.Sec. Al comparar este 1 vector con las columnas de G. quizá ambos lo sean) y. detectará un solo error en la transmisión si y sólo si ninguna columna de G es nula y las columnas son distintas. no podríamos detectar un solo error en el mensaje. vemos que el error recae en los bits 3 o 5. Ahora suponga que la matriz G tiene dos columnas idénticas. por lo tanto.4. No tenemos forma de determinar cuál de ellos es el bit erróneo (de hecho. con i j. Para la matriz de código Observación EJEMPLO 8 1 ⎢0 ⎢ C = ⎢0 ⎣1 1 ⎡ 0 1 0 1 0 ⎤ 0 0⎥ ⎥ 1⎥ 0⎦ 1 del ejemplo 4. 1 0 1 0 1 como se mostró en el ejemplo 6. con un solo error en la posición i.3 Algo más sobre codificación 395 con las columnas de G para determinar el valor de i. Las columnas de la matriz G no son distintas. y si x = 0 se recibió en la forma xt = ei. resume las propiedades de una matriz de verificación que puede usarse para corregir errores individuales. suponga que la matriz de verificación G puede usarse para detectar de manera correcta todas las palabras recibidas xt en las que ocurrió cuando mucho un error. tendríamos Gxt = Gx + Gei = 0 + coli(G)= coli(G) = colj(G). esto es. El teorema 7. es erróneo. en consecuencia. 7. (No podemos determinar cuál bit es el erróneo si dos columnas de G son idénticas. para ⎡ ⎤ 0 ⎢1⎥ ⎢ ⎥ xt = ⎢1⎥ . Si un mensaje codificado x se recibe como xt = x + ei. ⎣1⎦ 0 0 no es una palabra código (vea el ejemplo 4). El teorema 7. no hay forma de implementar una corrección. enunciado sin demostrar. ■ el producto Gxt = .

Esta tarea se realizará al multiplicar la palabra código por la matriz I3 O3 × 2 de 3 × 6 (verifique). ⎡ ⎤ 0 Gxt = ⎣0⎦ (verifique). Podemos corregir el error para obtener la palabra código ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ ⎢1⎥ ⎢0⎥ . ⎢0⎥ ⎣0⎦ 1 Si la palabra recibida es entonces. con matriz de código ⎡ ⎤ 1 1 ⎢1 0⎥ ⎢ ⎥ C = ⎢1 0⎥ ⎣0 1⎦ 0 1 la matriz de verificación es ⎤ 0 0 0 1 1 G = ⎣0 1 1 0 0⎦ (verifique). con matriz de código ⎡ ⎤ 1 0 0 ⎢0 1 0⎥ ⎢ ⎥ ⎢0 0 1⎥ C =⎢ ⎥ ⎢1 1 0⎥ ⎣0 1 1⎦ 1 0 1 la matriz de verificación es ⎤ 1 1 0 1 0 0 G = ⎣0 1 1 0 1 0⎦ (verifique).396 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) EJEMPLO 9 Para la función de codificación e: B3 → B6.5. 1 0 1 0 0 1 ⎡ ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ ⎢1⎥ xt = ⎢ ⎥ . 1 0 1 0 1 ⎡ . ■ EJEMPLO 10 Para la función de código e: B2 → B5. Al comparar este vector con las columnas de la matriz G. que satisface el teorema 7. para lo cual eliminamos los últimos tres bits. inferimos que el bit número 6 es erróneo. ⎢ ⎥ ⎣0⎦ 0 Luego procederíamos a decodificar esta palabra. 1 Por lo tanto. se ha detectado un error.

1 entonces. EJEMPLO 11 Cuando n = 7. denominado la “Medalla Hamming”. Cursó estudios profesionales en la Universidad de Chicago en 1937. en 1939. California. California. Al comparar este vector con las columnas de la matriz G.5 por medio de la construcción siguiente. A mediados de la década de 1950. (3) ■ *Richard W. Suponga que las columnas de la matriz de verificación son la representación binaria de los enteros 1 a n. Hamming recibió muchos reconocimientos en su vida. ⎣1⎦ 1 ⎡ ⎤ 0 Gxt = ⎣0⎦ (verifique). se ha detectado un error. y murió en Monterey.2. También hizo importantes trabajos en análisis numérico y en ecuaciones diferenciales. En 1945 se unió al Proyecto Manhattan en Los Álamos. la matriz de Hamming correspondiente es ⎡ ⎤ 0 0 0 1 1 1 1 H (7) = ⎣0 1 1 0 0 1 1⎦ . en donde permaneció hasta 1976. 1 0 1 0 1 0 1 Observe también que la matriz G del ejemplo 10 es H(5). un pionero en la teoría de códigos. las representaciones binarias son 1 2 3 4 5 6 7 001 010 011 100 101 110 111 y. y obtuvo la maestría en la Universidad de Nebraska. cuando se unió al departamento de Ciencias Computacionales en la Escuela Naval de Postgraduados en Monterey. 0 ⎢1⎥ Podemos corregir el error para obtener la palabra código recibida ⎢1⎥. trabajando en el desarrollo de la primera bomba atómica.3 Algo más sobre codificación 397 Si la palabra recibida es ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ xt = ⎢1⎥ . Hamming (1915-1998) nació en Chicago. Iniciaremos nuestro desarrollo de códigos de Hamming ideando una matriz de verificación que satisfaga el teorema 7.5. Un método para construir tal matriz de verificación ha sido bautizado en honor de Richard Hamming. y la denotamos como H(n). y en 1988 el Instituto de Ingenieros en Electrónica y en Electricidad (IEEE. Una matriz de Hamming general se denotará simplemente como H. En consecuencia. por lo tanto. un área para la que escribió un artículo fundamental en 1950.Sec. el trabajo de Hamming en las primeras computadoras IBM 650 condujo al desarrollo de un lenguaje de programación que más tarde se convirtió en uno de los más populares. Illinois. que satisface el teorema 7. y el doctorado en la Universidad de Illinois. por sus siglas en inglés) creó en su honor un prestigioso premio. Fue más conocido por su trabajo pionero en la detección y corrección de errores. (Vea el ejercicio T.) Decimos que una matriz de esta forma es una matriz (de verificación) de Hamming. En 1946 aceptó un puesto en los Laboratorios de Bell Telephone. y luego proceder ⎢ ⎥ ⎣1⎦ 1 a decodificar esta palabra quitándole los últimos tres bits. . inferimos que el bit⎡ ⎤ número 1 es erróneo. 7.5. Esta tarea se realizará mediante la multiplicación 2 × 5 de la palabra código por la matriz I2 O2 × 3. ■ CÓDIGOS DE HAMMING* La matriz de verificación para corregir un código de un solo error debe satisfacer el teorema 7.

para un vector b en B4. En este caso tenemos ⎡ ⎤ 0 1 1 1 1 0 0 H (7) p = ⎣1 0 1 1 0 1 0⎦ . Por lo tanto. Así. el espacio nulo de Qp consiste en los vectores del espacio nulo de Q con sus entradas reacomodadas en la misma manera que se usó para obtener Qp a partir Q. Si la matriz Qp se obtiene a partir de la matriz Q por un reacomodo de las columnas de Q. como se analizó antes. si existe un solo error en la posición i-ésima de la palabra recibida xt. G = H(5). de manera directa. podemos construir la matriz de codificación correspondiente C= Im . El producto ⎡ ⎤ 0 Gxt = ⎣0⎦ 1 proporciona el código binario para 1. Sin embargo. la matriz H(7) del ejemplo 11 tiene el mismo espacio nulo que ⎡ ⎤ 0 1 1 1 1 0 0 (4) H (7) p = ⎣1 0 1 1 0 1 0⎦ . Una matriz de Hamming H tiene la propiedad crucial de que. Cuando realicemos tal reacomodo. lo haremos de modo que las columnas que preceden a las de la matriz identidad estén en orden decreciente de acuerdo con el entero que representan. podemos utilizar el resultado siguiente en nuestro provecho.) En consecuencia. (Vea el ejercicio T. entonces Hxt es igual a la columna i-ésima de H. D La matriz de código que corresponde a la matriz de verificación en la ecuación (4) es ⎡ 1 ⎢0 ⎢ ⎢0 ⎢ C = ⎢0 ⎢0 ⎢ ⎣1 1 0 1 0 0 1 0 1 0 0 1 0 1 1 0 ⎤ 0 0⎥ ⎥ 0⎥ ⎥ 1⎥ .3.398 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) La matriz de Hamming H(7) del ejemplo 11 no está en la forma dada en el teorema 7. obtenemos la posición del bit erróneo: en el ejemplo 10. 1 1 0 1 0 0 1 3 5 6 7 4 2 1 Una vez que una matriz de verificación de Hamming se ha reacomodado en una forma [D In–m].4. no hay necesidad de comparar el resultado del producto Hxt con las columnas de la matriz de Hamming H. 1 1 0 1 0 0 1 Observe que existen otros reacomodos de las columnas de la matriz H(7) que tienen la misma propiedad. . y ése es el bit erróneo. pero queremos demostrar que los resultados desarrollados en esta sección son aplicables a las matrices de Hamming. las matrices de Hamming no están reacomodadas como en el análisis anterior. que es exactamente el número i en forma binaria. En la práctica. 1⎥ ⎥ 1⎦ 1 (5) que define una función de codificación e: B4 → B7 como la transformación matricial definida por e(b) = Cb.

Las columnas de C son una base para el espacio nulo de H. ⎣1⎦ ⎣0⎦ 1 0 Por lo tanto. y la dimensión del espacio nulo de H. y es una característica distintiva de un código. como acabamos de describir. y determinamos que es una combinación lineal de los vectores ⎡ ⎤ ⎡ ⎤ 1 1 ⎢0⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢0⎥ y ⎢1⎥ . Solución ⎤ 0 0 0 1 1 H (5) = ⎣0 1 1 0 0⎦. 0 0 0 1 1 0 A continuación obtenemos la solución general para este sistema homogéneo. 7. 1 0 1 0 1 0 y determinamos su forma escalonada reducida por filas. 0⎦ 0 Las columnas de la matriz de código pueden intercambiarse para producir otro código. EJEMPLO 12 Determine la matriz de codificación C para la matriz de Hamming H(5). así la dimensión de su espacio nulo es 4. Como observamos anteriormente. Haremos referencia al código correspondiente como código de Hamming (7.3 Algo más sobre codificación 399 Como las matrices de Hamming H son tan útiles en la detección de errores individuales. 4).Sec. Las convenciones para la nomenclatura de los códigos de Hamming no son uniformes. Las palabras código serán las mismas. Para una matriz de código en la forma C= Im D . y esta base no es difícil de obtener por medio de la reducción por filas. Construimos la matriz aumentada 1 0 1 0 1 ⎡ ⎤ 0 0 0 1 1 0 ⎣0 1 1 0 0 0⎦ . obtenemos (verifique) ⎤ ⎡ 1 0 1 0 1 0 ⎣0 1 1 0 0 0⎦ . El ejemplo 10 es un código de Hamming (5. Designamos los códigos de Hamming mediante el entero n utilizado para construir H. una matriz de código es ⎡ 1 ⎢0 ⎢ C = ⎢0 ⎣1 1 ⎡ ⎤ 1 1⎥ ⎥ 1⎥ . la dimensión del espacio nulo de la matriz de verificación es la dimensión del subespacio de las palabras código. sólo necesitamos construir la matriz de codificación C correspondiente. ■ Un código de Hamming consiste en una matriz de verificación (de Hamming) H y su correspondiente matriz de código C. aquí hemos adoptado un estilo sencillo para resaltar el fundamento de álgebra lineal. H(7) tiene rango 3. 2). Al utilizar las operaciones por filas con aritmética binaria.

Como P es un reacomodo de la matriz identidad. La decodificación se ilustra en los ejemplos 13 y 14. dimos un procedimiento para decodificar una palabra código. una matriz cuyas columnas son un reacomodo de las columnas de la matriz identidad. Si denotamos mediante P la matriz de permutación adecuada. El mensaje original. la cual “quita” los n − m bits inferiores y regresa los m bits superiores. Si utilizamos una matriz de código C que corresponde a una matriz de Hamming H y no tiene la forma Im . n = 6. 2) en la forma de la matriz de verificación que se dio anteriormente. A partir de la forma de la matriz de código C podemos ver que obtenemos el mensaje correcto que se transmitió.400 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) con D una matriz de (n − m) × m y matriz de verificación G = [D In–m]. D (Vea el ejemplo 12. entonces HP = [D In–m]. esto es. sabemos que es posible reacomodar las columnas de H en la forma [D In–m]. Esto implica que la palabra 1 ⎡ ⎤ 0 ⎢1⎥ ⎢ ⎥ Cb = v = ⎢1⎥ .) Sea b = código correspondiente es 1 . D tendremos que revertir el reacomodo que dio lugar a H. 0⎦ 0 no es de la forma Im . Multiplicamos la palabra código por una matriz de la forma [Im Omx(n–m)]. A continuación se muestra esa construcción. 2) con ⎡ ⎤ 0 0 0 1 1 H (5) = ⎣0 1 1 0 0⎦ 1 0 1 0 1 y que la matriz de código ⎡ 1 ⎢0 ⎢ C = ⎢0 ⎣1 1 ⎤ 1 1⎥ ⎥ 1⎥ . las matrices de permutación P y P−1 pueden construirse por adelantado. ⎣1⎦ 1 El receptor debe decodificar los contenidos de v para obtener el mensaje que enviamos. [Vea el análisis que incluye las ecuaciones (4) y (5). Como el receptor sabe que utilizamos un código de Hamming (5. como se ilustró en el ejemplo 9 para el caso m = 3.] Tal reacomodo puede realizarse mediante la multiplicación de H a la derecha por una matriz de permutación. es no singular y P−1 existe. En el caso de los códigos de Hamming. por lo que multiplicamos la palabra código por [Im Om x(n–m)]P−1 para obtener el mensaje original. EJEMPLO 13 Suponga que hemos utilizado el código de Hamming (5. Para determinar P de modo que ⎡ ⎤ ∗ ∗ 1 0 0 H P = D I5−2 = ⎣∗ ∗ 0 1 0⎦ ∗ ∗ 0 0 1 .

y esto es. Defina la matriz P para tener las filas tales que fila1(P) = fila5(I5).3 Algo más sobre codificación 401 notamos que es posible realizar los corrimientos de columnas siguientes (los contenidos de las columnas 1 y 2 son la submatriz D de la matriz de codificación de la forma I2 D ): ⎡ ⎤ 0 0 0 1 1 H (5) = ⎣0 1 1 0 0⎦ 1 0 1 0 1 ↓ ↓ ↓ ↓ ↓ va a la columna 5 4 1 3 2 . 7. 4) con ⎡ ⎤ 0 0 0 1 1 1 1 H (7) = ⎣0 1 1 0 0 1 1⎦ 1 0 1 0 1 0 1 . Así. que se estudiará en el capítulo 8.) La matriz P es un ejemplo de una matriz ortogonal. de hecho. fila5(P) = fila2(I5). fila4(P) = fila3(I5). calculamos ⎡ ⎤⎡ ⎤ 0 0 1 0 0 0 ⎢0 0 0 0 1⎥ ⎢1⎥ 1 0 0 0 0 1 0 0 0 0 ⎢ ⎥⎢ ⎥ 0 0 0 1 0⎥ ⎢1⎥ PT v = 0 1 0 0 0 0 1 0 0 0 ⎢ ⎣0 1 0 0 0⎦ ⎣1⎦ 1 0 0 0 0 1 = El producto 1 = b. fila3(P) = fila1(I5). 1 0 ⎢0 1 0 0 0 0 ⎢ 0 0 1 0 0 0 ⎢ ⎣0 1 ⎡ 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 ⎤ 0 1⎥ 0 0 1 0 0 ⎥ 0⎥ = 0 1 0 0 0 ⎦ 0 0 ■ puede calcularse por adelantado y almacenarse para usarlo en la decodificación. fila2(P) = fila4(I5). (Verifique. para decodificar el contenido de la palabra código v.Sec. EJEMPLO 14 Suponga que utilizamos el código de Hamming (7. P−1 = PT. las filas de P son la permutación 54132 de las filas de I5. Obtenemos ⎡ 0 ⎢0 ⎢ P = ⎢1 ⎣0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 ⎤ 1 0⎥ ⎥ 0⎥ 0⎦ 0 y.

Como el receptor sabe que usamos un código de Hamming (7. para decodificar el contenido de la palabra código v. 4) en la forma de la matriz de verificación que se dio anteriormente. A fin de determinar P seguimos el procedimiento utilizado en el ejemplo 13.402 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) y la matriz de código ⎡ 1 ⎢1 ⎢ ⎢1 ⎢ C = ⎢0 ⎢0 ⎢ ⎣0 0 1 0 0 1 1 0 0 0 1 0 1 0 1 0 ⎤ 1 1⎥ ⎥ 0⎥ ⎥ 1⎥ . P−1 = PT (verifique) y. y vemos que ⎡ 0 H (7) = ⎣0 1 ↓ va a la columna 7 0 1 0 ↓ 6 0 1 1 ↓ 1 1 0 0 ↓ 5 1 0 1 ↓ 2 1 1 0 ↓ 3 ⎤ 1 1⎦ 1 ↓ 4 lo cual implica que la matriz de permutación es (verifique) ⎡ 0 ⎢0 ⎢ ⎢1 ⎢ P = ⎢0 ⎢0 ⎢ ⎣0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 ⎤ 1 0⎥ ⎥ 0⎥ ⎥ 0⎥ . . ⎢0⎥ ⎢ ⎥ ⎣1⎦ 1 El receptor debe decodificar el contenido de v para obtener el mensaje que enviamos. 1 1 Esto implica que la palabra código correspondiente es (verifique) ⎡ ⎤ 1 ⎢0⎥ ⎢ ⎥ ⎢0⎥ ⎢ ⎥ v = ⎢0⎥ .) Suponga también que el mensaje original es ⎡ ⎤ 0 ⎢0⎥ b = ⎣ ⎦. las matrices de permutación P y P−1 pueden construirse por adelantado de modo que estén listas para usarse. 0⎥ ⎥ 0⎦ 1 (Vea el ejercicio 21. 0⎥ ⎥ 0⎦ 0 Entonces.

The Ubiquitous Reed-Solomon Codes. Nueva York. consulte las referencias indicadas al final de la sección. sin embargo. Lecturas adicionales CHILDS. por último.siam. En nuestros ejemplos hemos visto cómo opera el paso de codificación de una sola palabra. pero no más. UMAP Module 336.org/siamnews/mtc/mtc193. En las referencias bibliográficas pueden encontrarse desarrollos de codificación más amplios.5 a T. un mensaje de texto primero se convierte a representación binaria como una larga cadena de bits. L. CIPRA. En esta breve mirada a los fundamentos de álgebra lineal involucrados en la teoría de codificación. Por ejemplo. uno de los premios más codiciados que entrega el Instituto de Ingenieros en Electrónica y en Electricidad (IEEE). S. H(7). Aspects of Coding. volumen 26. COHEN. Actualmente. se utiliza en la NASA y para grabación de discos compactos (CD).10. Lexington. Massachusetts: COMAP. Concrete Introduction to Higher Algebra. Los códigos de Hamming tuvieron un gran impacto en la teoría y el desarrollo de los códigos de corrección de errores —tanto así que la matriz. 2000. N. una familia de códigos. conocida como códigos Reed-Solomon. enero 1993. 2a edición. B.Sec. http://www. Un breve análisis de por qué sólo pueden corregir un solo error se da en los ejercicios T. el mensaje se decodifica. Springer-Verlag. número 1. 1979. Los ejercicios se centran en las ideas básicas de álgebra lineal que se utilizaron en esta sección. . y su desarrollo requiere de mayor conocimiento de matemáticas. 7. luego se conforma como una matriz X con [n − (k −1)] filas y se rellena con los ceros necesarios en la columna final. 1 1 0 ⎤ ⎢0 0 ⎢ ⎢0 0⎥ ⎢ ⎦ ⎢0 0 ⎢ 0 0 ⎢ ⎣0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 ⎤⎡ ⎤ 0 1 0⎥ ⎢0⎥ ⎥⎢ ⎥ 0⎥ ⎢0⎥ ⎥⎢ ⎥ 1⎥ ⎢0⎥ 0⎥ ⎢0⎥ ⎥⎢ ⎥ 0⎦ ⎣1⎦ 0 1 Existe una familia completa de códigos de Hamming que pueden corregir códigos con un solo error. de verificación de Hamming (7. hemos hecho hincapié en el papel que desempeñan las matrices.3 Algo más sobre codificación 403 calculamos ⎡ 1 ⎢0 ⎣0 0 ⎡ 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 ⎤ 0 0⎥ T P v 0⎦ 0 ⎡ 0 0 0 0 1 0 0 0 ⎢0 1 0 0 =⎣ 0 0 1 0 0 0 0 1 ⎡ ⎤ 0 ⎢0⎥ = ⎣ ⎦ = b.htm. Para información adicional sobre el tema. Después se aplica la función de codificación e como una transformación matricial con la matriz de código C.. Inc. El mensaje codificado del producto CX se reorganiza en una larga cadena que se transmite para luego aplicar el proceso de detección/corrección de errores a una matriz reorganizada de manera apropiada. Un análisis más detallado puede encontrarse en varias de las referencias que se dan al final de esta sección. 4) aparece en la Medalla Hamming. tales códigos se usan en dispositivos digitales. En la práctica. SIAM News. Desarrollos subsecuentes han producido códigos que corrigen múltiples errores. los espacios vectoriales y conceptos asociados en la construcción de algunos códigos sencillos.

5 para determinar si el código con matriz de verificación G detectará cualquier error individual en la transmisión para (a) La matriz de verificación del ejercicio 8. Upper Saddle River. Demuestre que el código de paridad (m. F. 13. HILL. 1 1 0 0 1 11. 5. 5a edición. Lexington. u donde u es la matriz de 1 × m con todas sus entradas unos (1). C. P. 4. R. R. SMITH. O. 6. Determine las palabras código para el código dado en el ejemplo 5. A First Course in Coding Theory. Describa el subespacio de las palabras código para el código del ejemplo 3. Determine una base para el espacio nulo de la matriz de verificación ⎡ ⎤ 1 1 1 0 0 G = ⎣0 1 0 1 0⎦ . Nueva Jersey: Prentice Hall. 1986. A. Utilice el ejemplo 7 para determinar la matriz de verificación para la matriz de código ⎡ ⎤ 1 0 0 ⎢0 1 0⎥ ⎢ ⎥ C = ⎢0 0 1⎥ .5 para determinar si el código con matriz de verificación G detectará cualquier error individual en la transmisión para (a) La matriz de verificación del ejercicio 10.. Nueva Jersey: Prentice Hall. 1 1 0 0 1 10. B. ROSS. páginas 972-977. Términos clave Matriz de código Matriz de verificación Matriz (de verificación) de Hamming Códigos de Hamming Matriz de permutación Códigos de Reed-Solomon Distancia mínima (Hamming) 7.1 tiene matriz de código 8. Massachusetts: COMAP. KOLMAN. C. R. WILDE. 3. UMAP Module 346. Coding and Information Theory. B. W.3 Ejercicios 1. Demuestre que una base para el espacio nulo de la matriz de verificación del ejemplo 6 es el conjunto dado en el ejemplo. BUSBY y S. 1997. (b) La matriz de verificación del ejercicio 11.404 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) HAMMING.. 1 ⎢0 ⎢ C = ⎢0 ⎣1 1 ⎡ 0 1 0 1 0 ⎤ 0 0⎥ ⎥ 1⎥ . ⎣0 1 1⎦ 1 1 0 7. RICE. Upper Saddle River. Utilice el ejemplo 7 para determinar la matriz de verificación para la matriz de código 9. Inc. 1 C= Im . S. 2004. Determine una base para el espacio nulo de la matriz de verificación G= 0 1 1 0 1 1 1 0 0 . (b) La matriz de verificación del ejercicio 9. m +1) de la sección 2. Notices of the American Mathematical Society 45 número 9. MATLAB Project Book for Linear Algebra. y C. Aplique el teorema 7. Aplique el teorema 7. Nueva Jersey: Pearson Education. Nueva York: Oxford University Press. Discrete Mathematical Structures. 2. Upper Saddle River. 1979. Determine la dimensión del subespacio de las palabras código para el código cuya matriz de verificación es ⎡ ⎤ 1 0 0 1 0 0 G = ⎣0 0 1 0 1 0⎦ . Richard Wesley Hamming. 1⎦ 0 . MORGAN. 1998. Determine la dimensión del subespacio de las palabras código para el código cuya matriz de verificación es ⎡ ⎤ 0 1 1 0 0 G = ⎣1 0 0 1 0⎦ . 1915-1998. 1980. Demuestre que el producto de la matriz de verificación y la matriz de código del ejemplo 6 es la matriz nula. Error-Correcting Codes I. R. 1 1 1 0 0 1 12.

Utilice el código de Hamming (7. si hay un error.2. corríjalo. T. w). Determine cuál de las siguientes palabras recibidas tiene un solo error (si lo hay). Determine cuál de las siguientes palabras recibidas tiene un solo error (si lo hay). si hay un error. Proporcione un argumento para demostrar que si las columnas de la matriz de verificación G son las representaciones binarias de los enteros 1 a n. T. y se denota mediante |x|. (Utilice 3 bits. v) ≤ H(u. Utilice el ejemplo 12 para formar todas las palabras código del código de Hamming (5. Utilice el ejemplo 14 para formar todas las palabras código del código de Hamming (7. corríjalo. Demuestre que el peso de todas las palabras no nulas es mayor que o igual a 3. a e o co ect t. T.5. Determine una matriz de código para H(4). v) ≥ 0 H(u. 16. v) = H(v. (Utilice 3 bits. 7. Para el código del ejemplo 9.1.5.4. Utilice el código de Hamming (7.4. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 0 ⎢1⎥ ⎢1⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ (a) xt = ⎢0⎥ (b) xt = ⎢0⎥ (c) xt = ⎢1⎥ ⎣0⎦ ⎣1⎦ ⎣1⎦ 0 1 1 21. v y w vectores en Bn. Para el código del ejemplo 9.Sec. Sean u. ⎡ ⎤ ⎡ ⎤ 1 0 ⎢1⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢0⎥ ⎢1⎥ (c) v = ⎢ ⎥. corríjalo. determine cuál de las siguientes palabras recibidas tiene un solo error (si lo hay). w = ⎢ ⎥ ⎢0⎥ ⎢1⎥ ⎣1⎦ ⎣1⎦ 1 0 Como se definió en la sección 2. ⎡ ⎤ ⎡ ⎤ 1 1 ⎢1⎥ ⎢0⎥ (a) v = ⎣ ⎦. (a) (b) (c) (d) H(u. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 0 ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ (a) xt = ⎢0⎥ (b) xt = ⎢1⎥ (c) xt = ⎢1⎥ ⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣1⎦ ⎣1⎦ ⎣1⎦ 1 1 1 Ejercicios teóricos T. Demuestre que H(u. T.8.6. 4) dado en el ejemplo 14. Demuestre el teorema 7. La distancia de Hamming entre dos vectores v y w en Bn se denota mediante H(v. Utilice el código de Hamming (5. si hay un error. esto es. 4). Demuestre que si la matriz Qp se obtiene a partir de la matriz Q por un reacomodo de las columnas de Q. Construya H(6). T. que la distancia de Hamming entre dos vectores es el peso de su diferencia o de su suma.3 Algo más sobre codificación 405 14. si hay un error. 2). v) = |u − v| = |u + v|. v) T. 4) dado en el ejemplo 14. corríjalo.) 17. Calcule la distancia de Hamming entre los pares de vectores siguientes.1. 19. determine cuál de las siguientes palabras recibidas tiene un solo error (si lo hay). entonces G satisface el teorema 7. ⎡ ⎤ ⎡ ⎤ 0 1 ⎢0⎥ ⎢1⎥ (b) v = ⎣ ⎦. Demuestre las afirmaciones siguientes. v) = 0 si y sólo si u = v H(u. el peso de un n-vector binario x es el número de unos (1) en x. Construya H(4). u) H(u.) 18.7. Determine una matriz de código para H(6). ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 0 ⎢1⎥ ⎢0⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢0⎥ ⎢1⎥ ⎢1⎥ (a) xt = ⎢ ⎥ (b) xt = ⎢ ⎥ (c) xt = ⎢ ⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎣1⎦ ⎣1⎦ ⎣1⎦ 0 1 1 15. w = ⎣ ⎦ 0 1 1 1 . 2) dado en el ejemplo 12. w = ⎣ ⎦ 0 0 1 0 T. Decodifique las siguientes palabras código recibidas. Demuestre que el peso de todas las palabras no nulas es mayor que o igual a 3. entonces el espacio nulo de Qp consiste en los vectores del espacio nulo de Q con sus entradas reacomodadas en la misma manera que la usada para obtener Qp de Q. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 0 1 1 ⎢0⎥ ⎢1⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢1⎥ ⎢1⎥ ⎢0⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ (a) xt = ⎢0⎥ (b) xt = ⎢1⎥ (c) xt = ⎢0⎥ ⎢1⎥ ⎢1⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣1⎦ ⎣0⎦ ⎣1⎦ 0 0 1 22. w) + H(w. ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 1 0 ⎢1⎥ ⎢0⎥ ⎢1⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢1⎥ ⎢1⎥ ⎢1⎥ (a) xt = ⎢ ⎥ (b) xt = ⎢ ⎥ (c) xt = ⎢ ⎥ ⎢0⎥ ⎢0⎥ ⎢1⎥ ⎣0⎦ ⎣1⎦ ⎣1⎦ 0 1 1 Los ejercicios 16 a 22 incluyen códigos de Hamming. 20. y se define como el número de posiciones en las que difieren v y w.3.

xn yn 1 ■ que mejor se ajusta a los datos (x1. (xn. . ⎣.. (b) Utilice el ejercicio T. ⎣.1. 11) que utiliza la matriz de código C del ejercicio ML. donde Q es una matriz de m × n cuyas columnas forman una base ortonormal para el espacio columna de A.4.⎥ . y2). ■ Método de mínimos cuadrados para la determinación del polinomio de mínimos cuadrados y = amxm + am−1xm−1 + · · · + a1x + a0 Resuelva el sistema normal ATAx = ATb para x por medio de la reducción de Gauss-Jordan. . ■ Matriz de código (Matriz generadora): para una función de codificación e: Bm → Bn. De esto resulta que G es tal que GC = O y las palabras código en Bn son exactamente el espacio nulo de G. Ejercicios con MATLAB Los ejercicios siguientes utilizan las rutinas bingen y binprod. ⎥. ⎥ ⎢ ⎣ a1 ⎦ a0 ⎡ Entonces b1 y b0 pueden determinarse resolviendo el sistema normal ATAx = ATb para x por medio de la reducción de Gauss-Jordan. entonces ATA es no singular y el sistema lineal Ax = b tiene una única solución de mínimos cuadrados dada por q q x = (A T A)−1 A T b.) ML. (b) Determine una matriz de código C para H(15). . página 390. . . ■ Para una matriz de código. Determine todas las palabras código en el código de Hamming (8. m m−1 2 xn xn · · · xn xn 1 y ⎤ am ⎢am−1 ⎥ ⎥ ⎢ ⎢ .10. y R es una matriz triangular superior no singular de n × n. yn). (b) Determine una matriz de código C para H(8). . Si A es una matriz de m × n.⎦ .3. yn ⎡ m ⎤ m−1 2 x1 x1 · · · x1 x1 1 m−1 m 2 ⎢x2 x2 · · · x2 x2 1⎥ ⎢ ⎥ A=⎢ . y R es una matriz triangular superior no singular de n × n). (Sugerencia: será útil binreduce. . donde C es una matriz de n × m dada en (1). C se denomina matriz de código (o matriz generadora). .) (c) Verifique que su matriz C del inciso (b) es correcta. . 4)? (b) ¿Cuántos errores puede detectar el código de Hamming (5. (Sugerencia: utilice binprod. Vea la página 376. si y sólo si su distancia mínima es al menos k + 1. (a) Utilice bingen para determinar H(15). (a) Utilice el ejercicio T. ⎣ . Sean ⎡ ⎤ y1 ⎢ y2 ⎥ ⎢ ⎥ b = ⎢ . 4) que utiliza la matriz de código C del ejercicio ML. y1). . es el mínimo de las distancias entre todas las palabras código distintas.) Un código puede detectar k o menos errores. . . b = ⎢ . y x = 1 . 2)? T. . . Vea la sección 12. . el sistema normal de ecuaciones tiene una única solución.⎦ . ML. 2). Esto es.9.⎥ . (Sugerencia: será útil binreduce. ⎥. donde n > m y e es inyectiva.6 para determinar la distancia mínima del código de Hamming (7. ⎥. y1). tal que Gxt = 0 cuando xt es una palabra código. Si A es una matriz de m × n con columnas linealmente independientes. (x2. . . ■ Teorema 7. Sean ⎤ ⎡ ⎡ ⎤ 1 x1 y1 ⎢ x2 ⎢ y2 ⎥ 1⎥ b ⎥ ⎢ ⎢ ⎥ . y Gxt 0 en caso contrario.) Ideas clave para el repaso Factorización QR (para escribir una matriz A de m × n con columnas linealmente independientes como QR. (x2. . . con rango A = n. ■ Teorema 7. ⎥ x = ⎢ .3. y2).) (c) Verifique que su matriz C del inciso (b) sea correcta. determinamos una matriz de verificación G de n − m × n. (Sugerencia: utilice binprod. 4).1.⎦ b0 ⎣.406 Capítulo 7 Aplicaciones de espacios vectoriales reales (opcional) T.1. A = ⎢ . El teorema siguiente puede demostrarse.9 o utilice la ayuda de MATLAB para una descripción de estas rutinas. definimos una transformación matricial e(b) = Cb. yn). . (a) ¿Cuántos errores puede detectar el código de Hamming (7.2. ML. (a) Utilice bingen para determinar H(8). (Sugerencia: utilice bingen y binprod. . en las referencias bibliográficas. Busby y Ross.) Determine todas las palabras código en el código de Hamming (15. . ■ Método de mínimos cuadrados para determinar la recta y = b1x + b0 que mejor se ajusta a los datos (x1. .7 para determinar la distancia mínima del código de Hamming (5. donde Q es una matriz de m × n cuyas columnas forman una base ortonormal para el espacio columna de A. entonces A puede factorizarse como A = QR. (Sugerencia: utilice bingen y binprod. La distancia mínima (de Hamming) de un código. .⎦ .2.) ML. C. . (Vea Kolman. (xn.

4.5.5.5 10 6. obteniendo los datos siguientes. 0 1 1 0 0 1 1 0⎦ 1 0 1 0 1 0 1 0 (a) Determine una base para el subespacio correspondiente de las palabras código. ⎣1⎦ 1 Si no lo es. 3. y y el número de calorías perdidas (en cientos). 2). 2). Tiempo en el equipo (minutos) Calorías perdidas (cientos) 5 3.8 12 7. (8.2 Sean x el número de minutos en el equipo.8 15 9. 10). (b) Utilice la ecuación que obtuvo en el inciso (a) para estimar el número de calorías perdidas después de 20 minutos en el equipo. 3). Determine una solución por mínimos cuadrados de Ax = b. (−1. determine el bit erróneo. donde ⎡ ⎤ ⎡ ⎤ −3 1 2 ⎢ 4 2⎥ ⎢−1⎥ A=⎣ y b = ⎣ ⎦. 3. (1. Determine ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ si la palabra recibida. si y sólo si ninguna columna de G es nula y las columnas son distintas. Una matriz de Hamming H tiene la propiedad crucial de que si hay un solo error en la posición i-ésima de la palabra recibida xt. (1. Un centro de acondicionamiento físico determina la relación entre el tiempo empleado en cierto equipo y el número de calorías perdidas. 1 0 1 0 1 0 2. Determine una factorización QR de ⎡ ⎤ 2 1 A = ⎣−1 −1⎦ . (2. Determine una factorización QR de ⎡ ⎤ 1 0 1 1 2⎦ . determine el bit erróneo.8). 3 5⎦ 3 0 1 4 5. Matriz (de verificación) de Hamming Una matriz de verificación cuyas columnas son las representaciones binarias ■ de los enteros 1 a n. 2.2 8 5. que es exactamente el número i en forma binaria. xt = ⎢0⎥ .3). Examen del capítulo 1.Examen del capítulo 407 ■ Teorema 7.8). Determine la recta de mínimos cuadrados para los siguientes puntos de datos: (0. Considere la matriz de verificación de Hamming ⎡ ⎤ 0 0 0 0 0 0 0 1 ⎢0 0 0 1 1 1 1 0⎥ H (8) = ⎣ . (5.2).5. 3. xt = ⎢ ⎥. (0. 4). Ejercicios complementarios 1. 2. (3. 1). 3. es una palabra código. ⎡ ⎤ 1 ⎢1⎥ ⎢ ⎥ ⎢1⎥ ⎢ ⎥ ⎢1⎥ (b) Determine si la palabra recibida.5 Una matriz de verificación G para un código con matriz de código C detectará un solo error en la transmisión. (0. (3. A = ⎣−1 2 2 −1 3. Si no lo es. . Determine una base para el subespacio de las palabras código para la matriz de verificación de Hamming ⎡ ⎤ 0 0 0 1 1 1 H (6) = ⎣0 1 1 0 0 1⎦ . El ejemplo 10 es un código de Hamming (5.3). entonces Hxt es igual a la i-ésima columna de H. 2. (a) Determine la recta de mínimos cuadrados que relaciona x con y. Determine el polinomio cuadrático de mínimos cuadrados para los siguientes puntos de datos: (−1.6). −2 3 4. es una ⎢1⎥ ⎢1⎥ ⎢ ⎥ ⎣1⎦ 0 palabra código. 1). 1.

y analizaremos brevemente la situación en el caso general. un vector propio debe ser un vector no nulo. 8. autovalores o incluso eigenvalores) de A si existe un vector x distinto de cero en R n tal que Ax = λx. En este capítulo estudiaremos las matrices que tienen entradas complejas y espacios vectoriales complejos. biología. es una transformación lineal. es la determinación de vectores x. autovectores. ecuaciones diferenciales. Una cuestión de considerable importancia en una gran variedad de problemas de aplicación. Los valores propios también se llaman valores característicos. ingeniería química. como hemos visto en las secciones 1. la función L: R n → R n definida por L(x) = Ax. asociado con el valor propio λ. De manera similar.CAPÍTULO 8 VALORES PROPIOS. que significa “propio”). si los hay.3. vectores latentes o eigenvectores.5 y 4. pues. DEFINICIÓN Sea A una matriz de n × n. valores característicos. tales que x y Ax sean paralelos (vea los ejemplos 1 y 2). Tal dificultad aparece en todas las aplicaciones relacionadas con las vibraciones: en aerodinámica. El número real λ es un valor propio (también conocidos como. pero 0 no es un vector propio. Observe que x = 0 siempre satisface (1). mecánica. el número λ puede ser real o complejo. en donde los escalares y las entradas de un vector son los dígitos binarios 0 y 1. Observación 408 En la definición anterior. Entonces. (1) Todo vector x distinto de cero que satisfaga (1) es un vector propio de A. Puede consultar el apéndice A para ver una introducción a los números complejos y al álgebra lineal con números complejos. De acuerdo con esto. física nuclear. elasticidad. VECTORES PROPIOS Y DIAGONALIZACIÓN En los primeros siete capítulos de este libro hemos utilizado números reales como las entradas de las matrices. y como escalares. autovalores. como hemos insistido.1 VALORES PROPIOS Y VECTORES PROPIOS Todas las matrices que consideraremos en este capítulo serán cuadradas. y definiremos parte de la terminología pertinente. sólo hemos tratado con espacios vectoriales reales y con el espacio vectorial B n. Sea A una matriz de n × n. etcétera. para x en R n. y el vector x puede tener componentes reales o complejos. . En esta sección formularemos el problema con precisión. valores latentes o eigenvalores (del alemán eigen. los vectores propios también se llaman vectores característicos. en la siguiente resolveremos el problema para matrices simétricas.

0 < λ < 1 y λ < 0. De hecho. ■ Figura 8. rx también es un vector propio de A. Ax = λx) y r es cualquier número real distinto de cero. x y Ax son paralelos.1 muestra que 2 x1 y Ax1 son paralelos. Esto ilustra el hecho de que x es un vector propio de A y. La figura 8. lo mismo que x2 y Ax2. ■ EJEMPLO 2 Sea ⎡ A=⎣ Entonces 0 1 2 0 1 2⎦ ⎤ . Un valor propio λ de A puede tener asociados muchos vectores propios distintos. ⎡ ⎤ ⎡ 1 0 A⎣ ⎦ = ⎣ 1 1 2 0 1 1 2⎦ ⎣ ⎦ ⎤⎡ ⎤ 1 = ⎡ ⎤ 1 ⎣2⎦ 1 2 ⎡ ⎤ 1 ⎣1⎦ = 2 1 de modo que x1 = 1 1 ⎤ es un vector propio de A asociado al valor propio λ1 = 1 .Sec. asociado con λ. todo vector distinto de cero en R n es un vector propio de A. En consecuencia. entonces A(r x) = r(Ax) = r(λx) = λ(r x). el único valor propio es λ = 1. asociado con el valor propio λ = 1: Inx = 1x. por lo tanto. 8. Además.1 Ax2 = – 1 2 1 2 y x1 = 1 2 1 2 1 1 Ax1 = O x 1 –1 x2 = Sea λ un valor propio de A con el vector propio correspondiente x.2 mostramos x y Ax para los casos λ > 1. En la figura 8. .1 Valores propios y vectores propios 409 EJEMPLO 1 Si A es la matriz identidad In. 2 ⎡ A⎣ de modo que 1 −1 ⎤ ⎡ ⎦=⎣ 0 1 2 0 1 2⎦ ⎣ ⎤⎡ ⎡ ⎤ ⎡ ⎤ −1 1 ⎣ 1⎦ ⎦ = ⎣ 2⎦ = − 1 2 −1 −1 1 2 x2 = 1 −1 es un vector propio de A asociado al valor propio λ2 = − 1 . si x es un vector propio de A asociado con λ (es decir.

1 0 = 0 0 0 1 1 0 1 = =0 0 0 0 1 es un vector propio de A. que x3 = . x1 x2 1 −2 1 4 x1 x =λ 1 . 4 Queremos determinar los valores propios de A y sus vectores propios asociados. asociado con el valor propio λ1 = 0. hemos encontrado los valores propios y los vectores propios asociados a una matriz dada por medio de inspección. dos vectores propios asociados con el mismo valor propio no necesitan tener la misma dirección. vectores propios y diagonalización Ax = x x O >l O 0< <l Ax = x Ax = x <0 Figura 8. EJEMPLO 4 Sea A= 1 −2 1 . Sólo deben ser paralelos. asociado con el valor propio λ2 = 1 (verifique). el número cero sí puede ser un valor propio. es otro vector propio asociado con el valor pro−1 pio λ1 = 1 .2 x O x Observación Como puede ver. aunque por definición el vector cero no puede ser un vector propio. Por lo tanto. sin embargo. El ejemplo 3 resalta el hecho de que.410 Capítulo 8 Valores propios. resulta fácil veri−1 ficar. argumentos geométricos o enfoques algebraicos muy sencillos. En consecuencia. 1 A de modo que x1 = Además. 0 0 0 . x2 x2 (2) . queremos determinar todos los números reales λ y todos los vectores no nulos x= que satisfagan (1). 0 0 1 ■ x2 = es un vector propio de A. CÁLCULO DE VALORES PROPIOS Y DE VECTORES PROPIOS Hasta este momento. 2 Sea EJEMPLO 3 A= Entonces. En el ejemplo siguiente. calcularemos los valores propios y los vectores propios asociados de una matriz utilizando un método un poco más sistemático. es decir. en el ejemplo 2.

Por lo tanto.1 Valores propios y vectores propios 411 La ecuación (2) se convierte en x1 + 4x2 = λx1 −2x1 + 4x2 = λx2. . o 1 −2 Esto da como resultado 1 4 x x1 =2 1 .2 implica que el sistema homogéneo en (3) tiene una solución no trivial si y sólo si el determinante de su matriz de coeficientes es cero. x2 x2 x1 + x2 = 2x1 −2x1 + 4x2 = 2x2 o (2 − 1)x1 − x2 = 0 2x1 + (2 − 4)x2 = 0 o x1 − x2 = 0 2x1 − 2x2 = 0. 8. es decir. si y sólo si λ−1 2 Esto significa que −1 = 0. formamos el sistema lineal Ax = 2x. Todas las soluciones de este último sistema están dadas por x1 = x2 x2 = cualquier número real r.Sec. Observe que podríamos haber obtenido este último sistema homogéneo simplemente sustituyendo λ = 2 en (3).4 de la sección 3. Para determinar todos los vectores propios de A asociados con λ1 = 2. (3) La ecuación (3) es un sistema homogéneo de dos ecuaciones en dos incógnitas. o λ2 − 5λ + 6 = 0 = (λ − 3)(λ − 2). o (λ − 1)x1 − x2 = 0 2x1 + (λ − 4)x2 = 0. λ1 = 2 y λ2 = 3 son los valores propios de A. El corolario 3. λ−4 (λ −1)(λ −4) + 2 = 0.

−an2 ··· ··· ··· λ − ann −a1n −a2n .412 Capítulo 8 Valores propios. 1 2 ■ En los ejemplos 1. La ecuación f (λ) = det(λIn − A) = 0 es la ecuación característica de A. A = ⎣1 4 −4 5 ⎡ El polinomio característico de A es (verifique) f (λ) = det(λI3 − A) = λ−1 −1 −4 −2 λ−0 4 1 −1 λ−5 ■ = λ3 − 6λ2 + 11λ − 6. . EJEMPLO 5 Sea ⎤ 1 2 −1 0 1⎦ . . vectores propios y diagonalización Por lo tanto. De manera análoga. 2 y 3 encontramos los valores y vectores propios por inspección. Todas las soluciones de este último sistema homogéneo están dadas por x1 = 1 x2 2 x2 = cualquier número real r. . r x2 = es un vector propio asociado con λ2 = 3. −an1 −a12 λ − a22 . (4) es el polinomio característico de A. . A continuación presentamos el procedimiento del ejemplo 4 como método estándar. para λ2 = 3 obtenemos. todos los vectores propios asociados con el valor propio λ1 = 2 están r . a partir de (3). donde r es cualquier número real distinto de cero. todos los vectores propios asociados con el valor propio λ2 = 3 están dados 1 r por 2 . En particular. Por lo tanto. mientras que en el ejemplo 4 procedimos de una manera más sistemática. . x2 = 0 (3 − 1)x1 − 2x1 + (3 − 4)x2 = 0 o 2x1 − x2 = 0 2x1 − x2 = 0. . El determinante λ − a11 −a21 f (λ) = det(λIn − A) = . DEFINICIÓN Sea A = [a i j ] una matriz de n × n. . En particular. donde r es cualquier número real distinto de cero. dados por r x1 = 1 1 es un vector propio asociado con λ1 = 2.

Sec. 1. Entonces. algunas de las cuales pueden ser números complejos. lo cual muestra que el término constante cn es (−1)n det(A). 9. en el desarrollo de un determinante de una matriz de n × n. En consecuencia. Las columnas de A forman un conjunto linealmente independiente de n vectores en R n. Ejercicio T. 8. lo cual se puede escribir como Ax = (λIn)x o (λIn − A)x = 0.1 Demostración Una matriz A de n × n es singular si y sólo si 0 es un valor propio de A. 8. det(A) 0. A es no singular. Cero no es un valor propio de A. Si hacemos λ = 0 en det(λIn − A). 6. 7. A continuación ampliaremos nuestra lista de equivalencias no singulares. Las filas de A forman un conjunto linealmente independiente de n vectores en R n. TEOREMA 8. cada término es un producto de n elementos de la matriz. 3. al igual que en la expresión de la derecha. La expresión relacionada con λn en el polinomio característico de A proviene del producto (λ − a11 )(λ − a22 ) · · · (λ − ann ). 2. si desarrollamos f (λ) = det(λIn − A). Con este resultado se establece el siguiente teorema. El sistema lineal Ax = b tiene una única solución para cada matriz b de n × 1. 10. Lista de equivalencias no singulares Las siguientes afirmaciones son equivalentes para una matriz A de n × n.7(b). 5. Un polinomio de grado n con coeficientes reales tiene n raíces (contando las repeticiones). Entonces.1 Valores propios y vectores propios 413 Recuerde que. como se indicó en el capítulo 3. podemos escribir f (λ) = det(λIn − A) = λn + c1 λn−1 + c2 λn−2 + · · · + cn−1 λ + cn . obtenemos det(− A) = cn. asociado con el vector propio x.2 Demostración Los valores propios de A son las raíces del polinomio característico de A. A tiene rango n. ■ TEOREMA 8. el cual tiene exactamente un elemento de cada fila (renglón) y un elemento de cada columna. x = 0 es la única solución para Ax = 0. de modo que el coeficiente de λn es 1. Sea λ un valor propio de A. En el siguiente teorema relacionaremos el polinomio característico de una matriz con sus valores propios. A tiene nulidad 0. Ax = λx. A es equivalente por filas (renglones) a In. 4. (5) . obtenemos un polinomio de grado n.

debemos determinar las raíces de su polinomio característico f (λ). ■ En consecuencia. f (λ) podría tener raíces irracionales o complejas. y (2) si a1. Sin embargo.2). Hay muchos métodos para determinar aproximaciones a las raíces de un polinomio. tenemos f (λ) = (λ − 1)(λ − 2)(λ −3). . es decir. para determinar los valores propios de una matriz dada A. muchos programas de computadora permiten determinar las raíces de un polinomio. Los vectores propios correspondientes se obtienen al sustituir el valor de λ en la ecuación (5) y resolver el sistema homogéneo resultante. muchos de los polinomios característicos considerados en el resto del capítulo tendrán sólo raíces enteras. . de hecho. ⎤⎡ ⎤ ⎡ ⎤ 0 1 − 1 −2 1 x1 ⎣ −1 1 −1 ⎦ ⎣x2 ⎦ = ⎣0⎦ x3 0 −4 4 1−5 ⎡ o ⎤⎡ ⎤ ⎡ ⎤ 0 0 −2 1 x1 ⎣−1 1 −1⎦ ⎣x2 ⎦ = ⎣0⎦ . Las posibles raíces enteras de f (λ) son ±1. si y sólo si det(λIn − A) = 0. asociado con λ1 = 1. λ3 = 3. La solución de esta clase de problema se analizó ya en la sección 6. λ2 = 2. f (λ) no puede tener una raíz racional que no sea un entero. obtenemos (verifique) f (λ) = (λ − 1)(λ2 − 5λ + 6).5. ±3 y ±6. ±2. los valores propios de A son λ1 = 1. si λ es una raíz real del polinomio característico de A. tenemos que f (1) = 0. Por supuesto. uno sólo debe verificar los factores enteros de an como posibles raíces racionales de f (λ). Así. x3 0 −4 4 −4 ⎡ . Recíprocamente. Por lo tanto.414 Capítulo 8 Valores propios. . (λ − 1) es un factor de f (λ). Al factorizar λ2 − 5λ + 6.4 de la sección 3. EJEMPLO 6 Considere la matriz del ejemplo 5. Al dividir f (λ) entre (λ − 1). . de modo que el sistema homogéneo (5) tiene una solución no trivial x. Por lo tanto. Este sistema tiene una solución no trivial si y sólo si el determinante de su matriz de coeficientes se anula (corolario 3. Para determinar un vector propio x1. algunos más eficaces que otros. formamos el sistema lineal (1I3 − A)x = 0. a2. vectores propios y diagonalización un sistema homogéneo de n ecuaciones en n incógnitas. an son enteros. de modo que λ = 1 es una raíz de f (λ). λ es un valor propio de A. para minimizar el esfuerzo de cálculo y para conveniencia del lector. y cada una será un factor del término constante del polinomio característico de A. Al sustituir estos valores en f (λ). entonces det(λIn − A) = 0. El polinomio característico es f (λ) = λ3 − 6λ2 + 11λ − 6. Dos resultados que suelen ser útiles a este respecto son (1) el producto de todas las raíces del polinomio f (λ) = λn + a1 λn−1 + · · · + an−1 λ + an es (−1) nan. Entonces.

En consecuencia. Para determinar un vector propio x2 asociado con λ2 = 2. formamos el sistema lineal (3I3 − A)x = 0. ⎡ ⎤ −1 x1 = ⎣ 1⎦ 2 es un vector propio de A. Por lo tanto. ■ .1 Valores propios y vectores propios 415 Una solución es ⎡ ⎢ ⎢ ⎣ −1r 2 r ⎤ ⎥ 1 ⎥ r 2 ⎦ para cualquier número real r. para r = 4. 8. para r = 2. asociado con λ3 = 3. para r = 4. asociado con λ2 = 2. x3 0 −4 4 −3 ⎡ ⎡ ⎢ ⎢ ⎣ −1r 2 r ⎤ ⎥ o Una solución es 1 ⎥ r 4 ⎦ para cualquier número real r. y vemos que una solución es (verifique) ⎤ ⎡ −1r 4 ⎥ ⎢ ⎢ 1r⎥ ⎣ 4 ⎦ r para cualquier número real r. es decir. ⎡ ⎤⎡ ⎤ ⎡ ⎤ 2 − 1 −2 1 0 x1 ⎣ −1 2 −1 ⎦ ⎣x2 ⎦ = ⎣0⎦ x3 −4 4 2−5 0 ⎤⎡ ⎤ ⎡ ⎤ 0 1 −2 1 x1 ⎣−1 2 −1⎦ ⎣x2 ⎦ = ⎣0⎦ . ⎡ ⎤ −1 x3 = ⎣ 1⎦ 4 es un vector propio de A. ⎡ ⎤ −2 x2 = ⎣ 1⎦ 4 es un vector propio de A.Sec. Así. Para determinar un vector propio x3 asociado con λ3 = 3. formamos el sistema lineal (2I3 − A)x = 0. asociado con λ1 = 1.

Para obtener un vector propio x2 asociado con λ2 = i. sustituimos λ = 3 en (5). los valores propios de A son λ1 = 3. determinamos que ⎡ ⎤ 3i x3 = ⎣−3 − i ⎦ 1 es un vector propio de A. λ3 = −i. Para obtener un vector propio x1 asociado con λ1 = 3. vectores propios y diagonalización EJEMPLO 7 Calcule los valores propios y los vectores propios asociados de ⎡ ⎤ 0 0 3 0 −1⎦ . Al dividir p(λ) entre (λ − 3). concluimos que ⎡ ⎤ 1 x1 = ⎣0⎦ 1 es un vector propio de A. lo cual nos da como resultado ⎡ ⎤⎡ ⎤ ⎡ ⎤ 3−0 0 −3 0 x1 ⎣ −1 3 − 0 1 ⎦ ⎣x2 ⎦ = ⎣0⎦ x3 0 −1 3 − 3 0 ⎡ ⎤ r Determinamos que el vector ⎣0⎦ es una solución para cualquier número real r (verifir que). Entonces. λ2 = i.416 Capítulo 8 Valores propios. ■ ⎡ . lo que da como resultado ⎡ ⎤⎡ ⎤ ⎡ ⎤ i −0 0 −3 0 x1 ⎣ −1 i − 0 1 ⎦ ⎣x2 ⎦ = ⎣0⎦ . A = ⎣1 0 1 3 El polinomio característico de A es Solución p(λ) = det(λI3 − A) = λ−0 0 −3 −1 λ − 0 1 = λ3 − 3λ2 + λ − 3 0 −1 λ − 3 (verifique). sustituimos λ = i en (5). obtenemos p(λ) = (λ − 3)(λ2 + 1). Al hacer r = 1. asociado con λ3 = −i. concluimos que ⎡ ⎤ −3i x2 = ⎣−3 + i ⎦ 1 es un vector propio de A asociado con λ2 = i. asociado con λ1 = 3. Al hacer r = 1. Determinamos que λ = 3 es una raíz de p(λ). De manera similar. x3 0 −1 i − 3 0 ⎤ (−3i)r Determinamos que el vector ⎣(−3 + i)r ⎦ es una solución para cualquier número r (ver rifique).

CADENAS DE MARKOV En las secciones 1. Es preciso hacer hincapié en que el método para determinar los valores propios de una transformación lineal o matriz por medio de la obtención de las raíces del polinomio característico no es práctico para n > 4. Para comprender rápidamente cómo falla este enfoque. Además. considere la matriz A.3 (teorema 8. la tercera es nueva.1).14 se deduce que λ = 1 es un valor propio de A. Para cada valor propio λ. Los valores propios y los vectores propios satisfacen muchas propiedades de gran interés. Paso 1. e incluso podría carecer por completo de raíces reales. Sea T una matriz regular de transición de un proceso de Markov. Precaución Al determinar los valores propios y los vectores propios asociados de una matriz A. ya que incluye la evaluación de un determinante. cada uno de los cuales produce . Éstas son los valores propios de A. tenemos que B = I2. Determine las raíces del polinomio característico f (λ) = det(λIn − A).4 y 2. de acuerdo con el ejercicio T. en el importante caso de las matrices simétricas. Como A es una matriz no singular. Sin embargo. Los valores propios de I2 son λ1 = 1 y λ2 = 1. Sus valores propios son λ1 = 2 y λ2 = 3. determine todas las soluciones no triviales para el sistema homogéneo (λIn − A)x = 0. Por último. Las primeras dos ya se han analizado en el texto. En cursos de análisis numérico se estudian métodos numéricos eficientes para la determinación de valores propios y los vectores propios asociados. El conjunto S que consiste en todos los vectores propios de A asociados con λj. es como sigue.5 mostramos que conforme n → ∞. El capítulo 9 se dedica por completo a un estudio más profundo de varias aplicaciones adicionales de valores y vectores propios. el polinomio característico de una matriz dada puede tener algunas raíces complejas. asociados con el valor propio λ. que consiste en una sociedad formada por un agricultor.6).3). En los ejercicios de esta sección se desarrollan otras propiedades. y luego determinar los valores y vectores propios de B. junto con el vector nulo. T n tiende a una matriz A. Por supuesto. Por ejemplo.6 analizamos el modelo cerrado de Leontief. Éstos son los vectores propios de A. si A es una matriz triangular superior (inferior) o una matriz diagonal. que es el único vector de probabilidad que satisface la ecuación matricial T u = u. es un subespacio de R n (ejercicio T. MODELOS ECONÓMICOS LINEALES En la sección 2. como las columnas de A suman 1. definida en el ejemplo 4. En el teorema 2. todas las raíces del polinomio característico son reales. denominado espacio propio asociado con λj (también se le conoce como espacio invariante). los valores propios de A son los elementos de la diagonal principal de A (ejercicio T. cuyas columnas son idénticas al vector u.1 Valores propios y vectores propios 417 El procedimiento para determinar los valores propios y los vectores propios asociados de una matriz. A continuación examinaremos brevemente tres aplicaciones de valores y vectores propios.Sec. el teorema 26 demostró que u es un vector de estado estable. un carpintero y un sastre. evite cometer el error común de transformar primero A a la forma escalonada reducida por filas B. 8. Estableceremos este resultado en la sección 8. Paso 2. cuando la transformamos a la forma escalonada reducida por filas B. Esto significa que λ = 1 es un valor propio de T y u es un vector propio asociado.5 se analizaron ya las cadenas o procesos de Markov.

lo que se busca es un estado de equilibrio. Dividimos la población de hembras en n + 1 grupos de edad. Por lo tanto.14 implica que λ = 1 es un valor propio de A. Sea (k) ⎡ x(k) ⎢ ⎥ ⎢ (k) ⎥ ⎢x ⎥ ⎢ 1 ⎥ =⎢ . (k+1) y. Hay x 0 hembras en el primer grupo de edad en el instante k. Es decir. DISTRIBUCIÓN ESTABLE DE EDADES EN UNA POBLACIÓN Considere una población de animales que pueden vivir hasta una edad máxima de n años (o cualquier otra unidad de tiempo). El ejercicio T. p2 y p3 de los tres bienes. consiste en determinar los precios p1. en general. El problema al que se enfrenta el planeador económico. x (k+1) = f j−1 x (k) j j−1 (1 ≤ j ≤ n). (k+1) (k) (k) (k) = b0 x0 + b1 x1 + · · · + bn xn . De manera similar. de modo que el primer grupo de (k) (k) edad engendra un total de b0 x 0 hembras. de modo que nadie gane ni pierda dinero. y cada una de ellas. f i = fracción de las hembras de edad i que seguirán vivas un año después. las x 1 hembras del se(k) gundo grupo de edad (edad 1) procrean un total de b1x 1 hembras. al analizar el crecimiento de toda la población podemos ignorar la población de machos y concentrar nuestra atención en la población de hembras. Entonces. procrea una descendencia de b0 hembras. primer grupo de edad están vivas un año después o (k+1) (k) x1 = f 0 x0 . ⎥ ⎢ . el problema radica en determinar una solución p para el sistema lineal Ap = p. x0 (6) La cantidad x 1 de hembras en el segundo grupo de edad en el instante k + 1 es el número de hembras del primer grupo de edad en el instante k que están vivas un año después. ⎥ ⎣ ⎦ (k) xn (k) x0 ⎤ (k ≥ 0) el vector de distribución de edades en el instante k. en promedio. 0 ≤ i ≤ n. vectores propios y diagonalización una unidad de un bien específico durante un año. En consecuencia. Supongamos que la cantidad de machos en la población es siempre un porcentaje fijo de la población de hembras. como sigue: x i = número de hembras de edad i que están vivas en el instante k. Sea p el vector de precios. y p es un vector propio asociado. ⎥ ⎢ . De esta manera.418 Capítulo 8 Valores propios. bi = número promedio de hembras nacidas de una hembra de edad i. El número de hembras en el primer grupo de edad (edad cero) en el instante k + 1 es simplemente el número total de hembras nacidas entre el instante k y el instante (k) k + 1. ⎛ ⎞ fracción de las hembras del número de hembras del (k+1) = ⎝ primer grupo de edad que ⎠ × x1 . cuyos componentes pi sean no negativos e integren por lo menos un valor positivo. (7) . La matriz de intercambio A proporciona la parte de cada bien que consume cada individuo a lo largo del año.

1 Así. 1945.⎥ . 300 en el segundo y 100 en el tercero. Linear Algebra Labs with MATLAB. Nueva Jersey: Prentice Hall. podemos escribir (6) y (7) como x(k+1) = Ax(k) donde (k ≥ 1). Leslie. . Hill y D. . queremos que x (k+1) = λx (k) o bien.H. si el número de hembras en los tres grupos es proporcional a 6:3:1. Experiments in Computational Matrix Algebra. EJEMPLO 8 Consideremos un escarabajo que puede vivir un máximo de dos años y cuya dinámica de población está representada por la matriz de Leslie ⎤ ⎡ 0 0 6 ⎥ ⎢ A = ⎣1 0 0⎦ .Sec. Podemos utilizar la ecuación (8) para intentar determinar una distribución de la población por grupos de edad en el instante k + 1. “On the Use of Matrices in Certain Population Mathematics”. Si podemos determinar un vector propio x(k) correspondiente al valor propio λ = 1. R. . λ es un valor propio de A y x (k) es un vector propio correspondiente. . (8) b0 ⎢ f0 ⎢ A =⎢0 ⎢. Recomendamos al lector que redacte una lista de hechos relativos a los valores propios y a los vectores propios. Ax (k) = λx (k).1 Valores propios y vectores propios 419 Utilizando notación matricial. edición. el número de hembras en cada grupo de edad será el mismo cada año. o D. . . E. 2004. de modo que el número de hembras en cada grupo de edad en el instante k + 1 sea un múltiplo fijo del número de hembras en el grupo de edad correspondiente en el instante k. el número de hembras en cada grupo de edad será el mismo cada año. Random House. . vea D. decimos que tenemos una distribución estable de edades. 0 · · · f n−1 0 y A se denomina matriz de Leslie*. ⎣. . Hill.⎦ . Es decir. Upper Saddle River. Para un análisis más amplio de aplicaciones elementales de los valores y vectores propios. Si λ = 1. ■ Los problemas de crecimiento poblacional del tipo considerado en el ejemplo 8 tienen aplicaciones en la cría de animales. 3a. Biometrika 33. tenemos una distribución estable de edades. si tenemos 600 hembras en el primer grupo de edad. R. *Vea P. 1988. 0 ⎤ b2 · · · bn−1 bn 0 ··· 0 0⎥ ⎥ 0 ··· 0 0⎥. Es decir. 8. 0 ⎡ b1 0 f1 . . si λ es el factor. Nueva York. 2 0 1 3 0 Determinamos que λ = 1 es un valor propio de A con el vector propio correspondiente ⎡ ⎤ 6 ⎣3⎦ . Los ejercicios teóricos de esta sección contienen muchas propiedades útiles de los valores propios. . En consecuencia. . Zitarelli.

⎣ 0 0 ⎡ 2 2 −2 2 −1 0 0 ⎤ 3 1⎦ 1 3 3 3 0 ⎤ 4 2⎥ 3⎦ 2 (b) Verifique que λ1 = 4 es un valor propio de A y que r . Determine todos los valores propios y los vectores propios asociados de cada una de las matrices siguientes. los valores propios y los vectores propios asociados de cada una de las matrices siguientes. ⎣0 0 ⎡ 3 1 0 ⎤ 0 0⎦ 2 2 ⎢0 19. r = 0. λ = 2 1 0 0 0 1 2 ⎡ ⎤ 3 0 0 3 −2⎦. es un vector propio asociado. ⎣0 6. ⎣0 0 2 14. ⎣0 1 0⎦.1) asociados a cada valor propio. 2r 2 12. 2 (c) Verifique que λ3 = 4 es un valor propio de A y que ⎡ ⎤ 8 x3 = ⎣5⎦ es un vector propio asociado.λ=2 0 0 2 5⎦ 0 0 0 2 . ⎡ ⎤ ⎡ ⎤ 0 0 1 2 1 0 20. 2 En los ejercicios 3 a 7. λ = 1 21. ⎣ .420 Capítulo 8 Valores propios. λ = 3 22. determine el polinomio característico de cada matriz. −1 (b) Verifique que λ2 = 2 es un valor propio de A y que ⎡ ⎤ −2 x2 = ⎣−3⎦ es un vector propio asociado. ⎡ ⎤ 1 2 1 2 1 1 2⎦ 3. ⎣3 0 ⎡ ⎡ −2 3 −1 0 −1 4 ⎤ 3 −2⎦ 2 ⎤ 0 0⎦ 3 2 13. ⎣1 2 1⎦. 3 3 0 0 3 ⎡ ⎤ 2 1 2 2 −2⎦ 7. determine bases para los espacios propios (vea el ejercicio T. 2 18. ⎡ ⎤ −2 −4 −8 0 1 0 0⎦ (b) ⎣ 1 (a) −1 0 0 1 0 ⎡ ⎤ 2 − i 2i 0 5 2 0 0⎦ (d) (c) ⎣ 1 −1 3 0 1 0 17. ⎣ 0 4. ⎣1 2 ⎡ 1 ⎢0 15. 1.1 Ejercicios 3 −1 . ⎡ ⎤ ⎡ ⎤ 0 1 2 1 0 0 0 3⎦ 3 0⎦ 8. es un vector propio asociado. r = 0. determine una base para el espacio propio (vea el ejercicio T. ⎣0 9. −r ⎡ ⎤ 2 2 3 2 1⎦. Determine el polinomio característico. ⎣−1 0 0 0 3 2 −2 16. −1 3 −1 3 2 ⎡ ⎤ 4 −1 3 4 2 2 1⎦ 5. ⎡ ⎤ i 1 0 −1 −1 + i (b) ⎣1 i 0⎦ (a) 1 0 0 0 1 ⎡ ⎤ ⎡ ⎤ 0 −1 0 0 0 −9 0 0⎦ 1 0⎦ (d) ⎣0 (c) ⎣1 0 1 0 1 0 0 En los ejercicios 18 y 19. 1 1 1 1 11. ⎣ 0 0 ⎡ 2 2 0 0 3 3 1 0 ⎤ 4 2⎥ 1⎦ 1 10.1) asociado con λ. Sea A = −2 2 (a) Verifique que λ1 = 1 es un valor propio de A y que x1 = r . determine el polinomio característico. 2. Sea A = ⎣1 2 −2 1 x2 = (a) Verifique que λ1 = −1 es un valor propio de A y que ⎡ ⎤ 1 x1 = ⎣ 0⎦ es un vector propio asociado. 1 2 −1 4 En los ejercicios 20 a 23. vectores propios y diagonalización Términos clave Valor propio (eigenvalor) Valor característico Valor latente Vector propio (eigenvector) Polinomio característico Ecuación característica Raíces del polinomio característico Espacio propio (espacio variante) Matriz de Leslie Distribución estable de edades 8. los valores propios y los vectores propios de cada matriz. ⎣−2 2 0 5 ⎡ ⎤ 4 2 0 0 ⎢3 3 0 0⎥ 23. ⎣2 3 1 1 En los ejercicios 8 a 15.

Sea A cualquier matriz real de n × n. Sea λj un valor propio particular de la matriz A de n × n. Sea A una matriz de n × n con valores propios λ1 y λ2. consistente en todos los vectores propios de A asociados con λj forma. Este subespacio se llama espacio propio asociado al valor propio λj. entonces el único valor propio de A es 0. T. T. Así. Demuestre que A y AT tienen los mismos valores propios. 28. 8. Considere un organismo que puede vivir hasta una edad máxima de dos años. Explique por qué el vector nulo es el único vector que pertenece a S1 y a S2.4. 0 Determine una distribución estable de edades. T. Demuestre que el sistema homogéneo Ax = 0 tiene una solución no trivial. 4 4 0 3⎦ 5 −3 −3 −3 (a) Determine una base para el espacio propio asociado con el valor propio λ1 = 3. Sea λ un valor propio de A con vector propio asociado x. Demuestre que: (a) (A + B)x = (λ + μ)x (b) (AB)x = (λμ)x . T. Ejercicios teóricos T. Sea A la matriz del ejercicio 1.6. Una matriz A de n × n es nilpotente si Ak = O para algún entero positivo k. donde λ1 λ2. (c) Demuestre que el término constante del polinomio característico de A es ± veces el producto de los valores propios de A.8. Sea λ un valor propio de la matriz no singular A con vector propio asociado x.3. demuestre que λk es un valor propio de Ak = A · A · · · A (k factores) con vector propio asociado x. Sea A una matriz cuadrada. donde k es un entero positivo. (a) Demuestre que det(A) es el producto de todas las raíces del polinomio característico de A.1. Demuestre que si A es una matriz triangular superior (inferior) o una matriz diagonal. junto con el vector cero. T. T. 26. Sean A y B matrices de n × n tales que Ax = λx y Bx = μx. (b) Suponga que 0 es un valor propio de A. ¿Podríamos decir algo acerca de los vectores propios asociados de A y AT? T. donde Tr(A) denota la traza de A (vea el ejercicio complementario T. (b) Determine una base para el espacio propio asociado con el valor propio λ2 = 3i.Sec.1 Valores propios y vectores propios 421 0 24. los valores propios de A son los elementos de la diagonal principal de A.10.11. Sea A una matriz de n × n. Demuestre que u es un vector propio de A.5. T.12. sumar a A un múltiplo escalar de la matriz identidad sólo desplaza los valores propios en el múltiplo escalar. Demuestre que λ + r es un valor propio de A + rIn con vector propio asociado x.5. Demuestre que si A es nilpotente. (b) Demuestre que A es singular si y sólo si 0 es un valor propio de A. (a) Suponga que el sistema homogéneo Ax = 0 tiene una solución no trivial x = u. Sean S1 y S2 los espacios propios asociados con λ1 y λ2.13. Demuestre que el subconjunto S de R n. ⎡ ⎤ 3 0 0 0 3 0 0⎥ ⎢3 25. y cuya matriz de Leslie es ⎡ ⎢ A = ⎣1 4 0 0 4 0 1 2 ⎤ 0 ⎥ 0⎦ .7.5. (b) Determine una base para el espacio propio asociado con el valor propio λ2 = −2i. y cuya matriz de Leslie es ⎡ (a) Determine una base para el espacio propio asociado con el valor propio λ1 = 2i. (d) Demuestre que det(A) es el producto de los valores propios de A. y determínela. y verifique el ejercicio T. respectivamente. Si λ es un valor propio de A con vector propio asociado x. Demuestre que 1/λ es un valor propio de A−1 con vector propio asociado x.1? T. y que v es un vector propio asociado. 0 27. (Sugerencia: utilice el ejercicio T. (a) Demuestre que el coeficiente de λn−1 en el polinomio característico de A está dado por –Tr(A). Determine los valores propios y los vectores propios de A2. Considere un organismo que puede vivir hasta una edad máxima de 2 años. Sea A = ⎣ . 0 Demuestre que existe una distribución estable de edades.2. Sea A = ⎣1 0 ⎡ −4 0 1 ⎤ 0 0⎦. T. T.9. un subespacio de R n. ¿Por qué es preciso incluir el vector cero en el subconjunto S en el ejercicio T. (b) Demuestre que Tr(A) es la suma de los valores propios de A.) T. ⎢ A = ⎣1 4 0 0 0 0 1 2 ⎤ 8 ⎥ 0⎦ .1 del capítulo 1).

14. el polinomio característico de cada una de las siguientes matrices. Demuestre que si A es una matriz tal que sus columnas suman 1. En cada uno de los siguientes casos. EJEMPLO 1 Sea A= 1 −2 1 4 .4.7 0 Determine una distribución estable de edades. A = ⎣2 3 (a) λ = 3.422 Capítulo 8 Valores propios. Una vez que se tiene un valor propio λ de A.2 DIAGONALIZACIÓN En esta sección mostraremos cómo determinar los valores propios y los vectores propios asociados de una matriz A dada.15. A = 2 4 0 3 1 1 2 1 ⎤ 0 0⎦ −1 ⎤ 2 −2⎦ 1 ⎤ 0 0⎥ −1⎦ 2 ML. Considere un organismo que puede vivir un máximo de dos años.2.3 ⎣0. Este procedimiento también determina valores propios complejos. (Sugerencia: considere el producto ATx.) Ejercicios con MATLAB MATLAB cuenta con un par de comandos útiles para determinar el polinomio característico y los valores propios de una matriz. donde x es un vector tal que todas sus entradas son 1. T.1. obtenemos las raíces del polinomio característico de A.4. 0 0. para u en R n. Por conveniencia.8 0. A = ⎣1 2 ⎡ 2 (c) λ = 2. L(w) también está en W. Sea A una matriz de n × n.9 0 0 ⎦. mediante MATLAB. λ es un valor propio de A. Utilice los comandos poly y roots de MATLAB para determinar los valores propios de las siguientes matrices: ML.2. empleamos rref o homsoln para determinar un vector propio correspondiente a partir del sistema lineal (λI − A)x = 0. mismos que se analizan en el apéndice A.3. que tiene los mismos valores propios y vectores propios que A. La matriz B tiene la útil propiedad de que sus valores propios se obtienen con facilidad. entonces λ = 1 es un valor propio de A. sólo trabajaremos con matrices cuya totalidad de las entradas y valores propios son números reales.2 0. en consecuencia. y utilice el ejercicio T. al hacerlo determinamos también los valores propios de A. 1 (a) A = 3 2 (c) A = ⎣1 1 ⎡ −3 −5 −2 −1 −1 3 −1 0 (b) A = ⎣−1 4 1 ⎤ 0 2 0⎦ (d) A = 3 0 ⎡ ⎤ 4 1⎦ 2 4 6 ML. ML. vectores propios y diagonalización T. Demuestre que un espacio propio de A es invariante bajo L (vea el ejercicio T. 1 2 2 −1 ⎡ 2 4 2 (b) A = ⎣1 0 4 ⎡ 1 0 ⎢2 −2 (c) A = ⎣ 0 0 0 0 (a) A = ⎤ 0 1⎦ 2 0 0 2 −1 1 −1 ⎡ 4 (b) λ = −1. comenzando con el término de mayor grado. y cuya matriz de Leslie es ⎡ ⎤ 0. Un subespacio W de R n se denomina invariante bajo L si para todo w en W. si existe una matriz no singular P tal que B = P−1AP. En la sección 8. este enfoque nos dará mucha información sobre el problema de valores y vectores propios. Si hacemos v = poly(A) y luego utilizamos el comando roots(v).3. MATRICES SEMEJANTES (SIMILARES) DEFINICIÓN Se dice que una matriz B es semejante o similar a una matriz A. Determine. y considere el operador lineal en R n definido por L(u) = Au. Utilice MATLAB para determinar un vector propio correspondiente.1). El comando poly(A) proporciona los coef icientes del polinomio característico de la matriz A. 8. mediante la determinación de los valores y vectores propios de una matriz relacionada B.

1. Si A es semejante a B y B es semejante a C. sección 8. 3 ■ En consecuencia. 3. A es semejante a A. implica que los valores propios de una matriz diagonal son las entradas de su diagonal principal.1. Si B es semejante a A. TEOREMA 8.4 Una matriz A de n × n es diagonalizable si y sólo si tiene n vectores propios linealmente independientes.Sec. Como f A(λ) = f B(λ).3 Demostración Matrices semejantes tienen los mismos valores propios. 2. Sean A y B semejantes. B es semejante a A.2 Diagonalización 423 la matriz del ejemplo 4. entonces A es semejante a C.1) la demostración de la validez de las siguientes propiedades elementales de la semejanza. ■ EJEMPLO 2 TEOREMA 8. 2 P −1 = y 2 −1 −1 1 B = P −1 A P = 2 −1 −1 1 1 −2 1 4 1 1 1 2 = 2 0 0 . f A(λ) y f B(λ).3. Entonces. DEFINICIÓN Diremos que la matriz A es diagonalizable si es semejante a una matriz diagonal. A es diagonalizable. respectivamente. Tenemos f B (λ) = det(λIn − B) = det(λIn − P −1 A P) = det(P −1 λIn P − P −1 A P) = det(P −1 (λIn − A)P) = det(P −1 ) det(λIn − A) det(P) = det(P ) det(P) det(λIn − A) = det(λIn − A) = f A (λ). entonces A es semejante a B. B = P−1AP para alguna matriz no singular P. podemos reemplazar las proposiciones “A es semejante a B” y “B es semejante a A” por “A y B son semejantes”. El teorema siguiente establece la condición para que una matriz sea diagonalizable. . A continuación demostraremos que A y B tienen los mismos polinomios característicos. resulta que A y B tienen los mismos valores propios. 8. Sea P= Entonces 1 1 1 . también decimos que A puede diagonalizarse. De acuerdo con la propiedad 2. En este caso. ya que es semejante a B. ■ −1 (1) El ejercicio T. Si A y B son como en el ejemplo 1. sección 8.1. Dejaremos al lector (ejercicio T.

.) Los vectores propios correspondientes EJEMPLO 3 x1 = 1 1 y x2 = 1 2 son linealmente independientes. . según el teorema 8. . todas son distintas de cero. . de acuerdo con el teorema 6. P−1AP = D. y que los vectores propios correspondientes. . el orden de las columnas de P determina el orden de las entradas de la diagonal de D. sección 8. resulta que la j-ésima columna de la matriz AP es Axj. sección 1. . Por lo tanto. . si λ1 = 3 y λ2 = 2. Como las columnas de P son linealmente independientes. 2. x1. y xj es un vector propio correspondiente. A es diagonalizable.13 de la sección 6. −1 1 En consecuencia. 3 Por otra parte. tenemos Ax j = λ j x j . . vectores propios y diagonalización Demostración Suponga que A es semejante a D. sus columnas son linealmente independientes y. Observe también que. A partir de (3) obtenemos (2). λ2. 0 0 λ2 ··· ··· ··· 0 λn ⎤ 0 0⎥ . (Vea el ejemplo 4. x2. 1 . xn. λj es un valor propio de A. respectivamente. . Sea (2) ⎡ λ1 ⎢0 ⎢ D=⎣. con base en (2). Esto completa la demostración. λn son n valores propios de A. y la j-ésima columna de PD es λ j x j . suponga que λ1. . . Sea A como en el ejemplo 1. En consecuencia. sección 6. entonces x1 = 1 2 y x2 = 1 . .13. . n la j-ésima columna de P. donde D es una matriz diagonal. De acuerdo con el ejercicio T.4 implica que los elementos de la diagonal de D son los valores propios de A.9. ⎥. P es una matriz cuyas columnas son. Además. de manera que AP = PD.4. lo cual implica que A es diagonalizable. . La demostración del teorema 8. Por lo tanto. .424 Capítulo 8 Valores propios. y sea xj. Los valores propios son λ1 = 2 y λ2 = 3. j = 1. P−1AP = D. ■ Observación Si A es una matriz diagonalizable.⎦ . (3) Como P es una matriz no singular. P −1 A P = 2 −1 −1 1 1 −2 1 4 1 1 1 2 = 2 0 0 . Recíprocamente.3. Aquí P= 1 1 1 2 y P −1 = 2 −1 . Entonces. es una matriz diagonal. n vectores propios linealmente independientes de A. por lo tanto. como en el ejemplo 1. son linealmente independientes.1.6 implica que P es no singular.6. Sea P = [x1 x2 · · · xn] la matriz cuya j-ésima columna es xj. el teorema 6.

. Los vectores propios asociados con λ1 y λ2 son vectores de la forma r . si todas son diferentes entre sí). 1 Los valores propios de A son λ1 = 1 y λ2 = 1. . 8. Podemos suponer que S1 = {x1. ■ El siguiente es un teorema útil. Al sustituir en (5). . λ2. . xj son sus vectores propios asociados. (5) Como λ1. x2. . .3 implica que algún vector xj es una combinación lineal de los vectores que le preceden en S. . y así sucesivamente. obtenemos (6) λ j x j = λ j c1 x1 + λ j c2 x2 + · · · + λ j c j−1 x j−1 . . Al multiplicar (4) por λj. . . 2.4 de la sección 6. . . cj−1 son escalares. x2. . λj son valores propios de A.5 Demostración Si todas las raíces del polinomio característico de una matriz A de n × n son distintas (es decir. . 2 ■ EJEMPLO 4 Sea A= 1 0 1 . P= Por lo tanto. . . . . Como A no tiene dos vectores propios linealmente independientes. tenemos λ j x j = c1 λ1 x1 + c2 λ2 x2 + · · · + c j−1 λ j−1 x j−1 . 2 −1 P −1 A P = −1 1 2 −1 1 −2 1 4 1 2 1 3 = 1 0 0 . xj−1} es linealmente independiente pues. Suponga que S es linealmente dependiente. . 0 donde r es cualquier número real distinto de cero. . sabemos que Axi = λixi para i = 1. j. y sea S = {x1. uno de los vectores en S1 sería una combinación lineal de los que le preceden y podríamos elegir un nuevo conjunto S2. el teorema 6. Entonces. . concluimos que A no es diagonalizable. y x1. En consecuencia. λn los valores propios (eigenvalores) distintos de A. TEOREMA 8. . λ2. . Sean λ1. xn} un conjunto de vectores propios asociados. . . x2. de otra forma. ya que identifica una clase amplia de matrices que pueden diagonalizarse. . Premultiplicando ambos lados de la ecuación (4) por A (multiplicando por la izquierda). 1 2 1 1 y P −1 = −1 1 . c2. A es diagonalizable. obtenemos Ax j = A(c1 x1 + c2 x2 + · · · + c j−1 x j−1 ) = c1 Ax1 + c2 Ax2 + · · · + c j−1 Ax j−1 . . (4) donde c1. (7) . tenemos que S1 es linealmente independiente y que x j = c1 x1 + c2 x2 + · · · + c j−1 x j−1 . .Sec. Queremos demostrar que S es linealmente independiente.2 Diagonalización 425 Entonces.

donde λ1. . vectores propios y diagonalización Restando (7) de (6). λ2. . Por lo tanto. . c2 (λ2 − λ j ) = 0. .5. con vectores propios asociados x1. . λr son los valores propios distintos de A. El entero ki se denomina multiplicidad de λi. cada uno de la forma λ − λj. . S es linealmente independiente y. . en el ejemplo 4 λ = 1 es un valor propio de A= 1 0 1 1 de multiplicidad 2. Consideremos ahora los vectores propios asociados a los valores propios λ2 = λ3 = 1. donde λj es una raíz del polinomio característico. de multiplicidad kj. EJEMPLO 5 Sea 0 A = ⎣0 0 ⎡ 0 1 0 ⎤ 1 2⎦ . x1. Esto significa que el espacio solución del sistema lineal (λ j I n −A)x = 0 tiene dimensión kj. De acuerdo con la ecuación (4). . . . (ya que las λ son distintas). tenemos 0 = λjxj − λjxj = c1 (λ1 − λ j )x1 + c2 (λ2 − λ j )x2 + · · · + c j−1 (λ j−1 − λ j )x j−1 . . Ahora.4. lo que implica que c1 = c2 = · · · = cj−1 = 0. El polinomio característico de A puede escribirse como el producto de n factores. Así. x3 0 0 0 0 . λ2 − λ j = 0. kr son enteros cuya suma es n. . A puede o no ser diagonalizable. Es posible demostrar que A puede diagonalizarse si y sólo si para cada valor propio λj. . . . xk son linealmente independientes (ejercicio T. donde k son valores propios distintos de A. k2. λk. . Como S1 es linealmente independiente. lo cual es imposible si xj es un vector propio. según el teorema 8. así que los valores propios de A son λ1 = 0. 1 El polinomio característico de A es f (λ) = λ(λ − 1)2. .426 Capítulo 8 Valores propios. y k1. x2. y los valores propios de A son las raíces del polinomio característico de A. . en realidad hemos establecido el siguiente resultado (de mayor importancia): sea A una matriz de n × n. concluimos que xj = 0. λ2 = 1 es un valor propio de multiplicidad 2. En consecuencia. Si no todas las raíces del polinomio característico de A son distintas. λ2. . . mismos que se obtienen resolviendo el sistema lineal (1I3 − A)x = 0: ⎡ ⎤⎡ ⎤ ⎡ ⎤ 0 1 0 −1 x1 ⎣0 0 −2⎦ ⎣x2 ⎦ = ⎣0⎦ . es imposible encontrar más de k j vectores propios linealmente independientes asociados con λj . de multiplicidad kj. . . Consideremos los ejemplos siguientes. . λ2 = 1 y λ3 = 1. c j−1 (λ j−1 − λ j ) = 0. . debemos tener c1 (λ1 − λ j ) = 0. A es diagonalizable. x2.11). xk. λ j−1 − λ j = 0 λ1 − λ j = 0. También puede demostrarse que si λj es un valor propio de A. pueden encontrarse k j vectores propios linealmente independientes. Entonces. De esta manera. . ■ Observación En la demostración del teorema 8. . . y sean λ1. el polinomio característico puede escribirse como (λ − λ1 )k1 (λ − λ2 )k2 · · · (λ − λr )kr . .

1 El polinomio característico de A es f (λ) = λ(λ − 1)2. o ⎡ ⎤⎡ ⎤ ⎡ ⎤ 0 0 0 0 x1 ⎣ 0 −1 0⎦ ⎣x2 ⎦ = ⎣0⎦ . 0 1 A continuación buscamos un vector propio asociado con λ1 = 0. de ⎡ ⎤⎡ ⎤ ⎡ ⎤ 1 0 0 0 x1 ⎣ 0 0 0⎦ ⎣x2 ⎦ = ⎣0⎦ . λ2 = 1. Consideremos ahora el espacio solución de (1I3 − A)x = 0. ⎤ 1 x1 = ⎣ 0⎦ −1 ⎡ es un vector propio asociado con λ1 = 0. ■ . Por lo tanto. x3 −1 0 −1 0 Una solución es cualquier vector de la forma ⎡ ⎤ t ⎣ 0⎦ −t para cualquier número t. 8. x2 y x3 son linealmente independientes. Como x1. esto es. x3 −1 0 0 0 Una solución es cualquier vector de la forma ⎡ ⎤ 0 ⎣r ⎦ s para cualesquiera números r y s. nuevamente. así que la dimensión del espacio solución del sistema lineal (1I3 − A)x = 0 es 1. Así. En consecuencia. A no puede diagonalizarse.Sec.2 Diagonalización 427 Una solución es cualquier vector de la forma ⎡ ⎤ 0 ⎣r ⎦ . de manera que los valores propios de A son λ1 = 0. Para ello tenemos que resolver el sistema homogéneo (0I3 − A)x = 0. No existen dos vectores linealmente independientes asociados con λ2 = 1. λ2 = 1 es un valor propio de multiplicidad 2. ■ EJEMPLO 6 Sea 0 A = ⎣0 1 ⎡ 0 1 0 ⎤ 0 0⎦ . λ3 = 1. 0 donde r es cualquier número. podemos tomar como vectores propios x2 y x3 los vectores ⎡ ⎤ ⎡ ⎤ 0 0 x2 = ⎣1⎦ y x3 = ⎣0⎦ . A puede diagonalizarse.

vectores propios y diagonalización Por lo tanto.5 resolvimos el problema de determinar una base para el espacio solución de un sistema homogéneo. Sea P la matriz cuyas columnas son los n vectores propios linealmente independientes determinados en el paso 3. Formamos el polinomio característico f (λ) = det(λIn − A) de A. Entonces. de multiplicidad kj. El procedimiento para diagonalizar una matriz A es el siguiente. entonces A no es diagonzalizable. determinamos n vectores propios linealmente independientes de A. De acuerdo con ello. En la sección 6. determinamos una base para el espacio solución de (λj In − A)x = 0 (el espacio propio asociado con λj). Paso 3. Paso 1. Para cada valor propio λj de A. . Paso 4. una matriz de n × n no puede diagonalizarse si no tiene n vectores propios linealmente independientes. es una matriz diagonal cuyos elementos de la diagonal son los valores propios de A correspondientes a las columnas de P. Paso 2. P−1AP = D. Si la dimensión del espacio propio es menor que kj.428 Capítulo 8 Valores propios. Determinamos las raíces del polinomio característico de A.

Entonces. . Los dos primeros números son 1 y 1. cada uno de los cuales contiene salmuera. 1. como en la distribución de hojas en ciertos árboles. para n ≥ 2 un = un−1 + un−2. Ecuaciones diferenciales (sección 9. 21. 0 0 ≤ k ≤ n − 1. La sección 9. 8. Por ejemplo.1) La sucesión de números 1. u0 = 1 y u1 = 1. supongamos que tenemos un sistema formado por dos tanques conectados entre sí. la salmuera se bombea del tanque R al tanque S a 20 galones/minuto. Las ecuaciones diferenciales aparecen en una amplia gama de aplicaciones. (*) y (**) pueden escribirse en forma matricial como wn−1 = Awn−2. las técnicas de búsqueda en métodos numéricos. 34. Al diagonalizar la matriz A. en general. se llama sucesión de Fibonacci. el orden de las semillas en los girasoles. y del tanque S al tanque R a 20 galones/minuto.2) (Requiere conocimientos de cálculo) Una ecuación diferencial es aquella que relaciona una función desconocida y sus derivadas. 5. 3. podemos escribir un−1 = un−1 y definir (**) wk = u k+1 uk y A= 1 1 1 .2 Diagonalización 429 Vista preliminar de una aplicación La sucesión de Fibonacci (sección 9.1 proporciona un breve análisis de la sucesión de Fibonacci. Cuando t = 0. . (Vea la figura A. (*) La sucesión de Fibonacci aparece en una amplia variedad de aplicaciones. y el tanque S contiene y(t) libras de sal en 300 galones de agua. lo cual podría ser tedioso si n es grande. 55. la generación de números aleatorios en estadística y otras. obtenemos la siguiente fórmula para calcular un en forma directa: ⎡ √ 1 ⎣ 1+ 5 un = √ 2 5 n+1 − √ 1− 5 2 n+1 ⎤ ⎦. 2.) . entonces. Así. . Además de (*). 13. 89. La ecuación anterior sirve para calcular los valores de un de manera sucesiva para cualquier valor de n.Sec. y el siguiente se obtiene al sumar los dos números que le preceden. El tanque R contiene x(t) libras de sal en 200 galones de agua. 8. La mezcla en cada tanque se mantiene uniforme revolviéndola constantemente.

dado por los pares ordenados (x(t). y(t)). Concentremos nuestra atención en el caso de sistemas lineales homogéneos de dos ecuaciones que pueden escribirse en la forma dx = ax + by dt dy = cx + dy dt para el que se especifican las condiciones iniciales x(0) = k1. 2 y(t) − 30 ⎤⎡ ⎤ En la sección 9.3 se proporciona una introducción elemental a los sistemas dinámicos. y(0) = k2. se conocen como sistemas dinámicos (o autónomos). Al determinar los valores y vectores propios de la matriz A= a b c d podemos predecir el comportamiento de la curva. En la sección 9. .3) (Se requieren conocimientos de cálculo) Los sistemas de ecuaciones diferenciales de primer orden en los que las derivadas no dependen de manera explícita de la variable independiente. Sistemas dinámicos (sección 9.430 Capítulo 8 Valores propios. denominada trayectoria del sistema.2 se presenta una introducción a la solución de sistemas lineales homogéneos de ecuaciones diferenciales. 30 y (t) = 1 x(t) 10 − el cual podemos escribir de forma matricial como ⎡ ⎤ ⎡ x (t) −1 ⎣ ⎦ = ⎣ 10 1 y (t) 10 2 x(t) 30 ⎦ ⎣ ⎦. tenemos que x(t) y y(t) deben satisfacer el siguiente sistema de ecuaciones diferenciales: 1 x (t) = − 10 x(t) + 2 y(t) 30 2 y(t). vectores propios y diagonalización 20 galones/minuto 20 galones/minuto Tanque R Tanque S Figura A Al plantear un modelo matemático para este problema.

1 y ⎡ ⎤ 0 ⎣1⎦ .2 Diagonalización 431 Términos clave Matrices semejantes (similares) Diagonalizable Diagonalizarse Valores propios (eigenvalores) Multiplicidad de un valor propio Matriz defectuosa 8. Sin hacer cálculos. y cuyos vectores propios asociados sean ⎡ ⎤ −1 ⎣ 0⎦ . cuyos valores propios sean 2 y −3. 1 ⎡ ⎤ 0 ⎣0⎦ . ⎣1 3 1⎦ 0 0 1 ⎡ ⎤ ⎡ ⎤ 3 −2 1 2 2 2 2 0⎦ 17.2 Ejercicios En los ejercicios 1 a 8. Sea A una matriz de 2 × 2 cuyos valores propios sean 3 y 4. ⎣0 3 1⎦ 0 0 3 1. En los ejercicios 11 a 22.Sec. y una matriz no singular P tal que P−1AP = D. A = 1 3 2 0 2 27. −2 y 3. ⎣1⎦ . ⎣ 0 1 3 ⎢2 22. ⎣ 0 0 ⎡ ⎡ ⎡ 0 3 0 1 4 0 1 0 3 0 0 ⎤ 0 0⎦ 3 0 0 4 0 0 0 5 0 ⎤ 0 0⎥ 0⎦ 0 ⎤ 0 0⎥ 1⎦ 6 1 20. y ⎣1⎦ . 6. A = 3 0 ⎡ 4 0 0 1 0 0 2 1 ⎤ 0 0⎦ 1 ⎤ 0 1⎦ 2 26. y 4. y cuyos vectores propios asociados sean ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ 1 0 1 ⎣0⎦ . 2 7. y 1 . ⎣0 0 ⎡ 0 1 1 ⎤ 3 0⎦ 2 1 0 −2 1 ⎡ 1 2 4. 2 3 2 1 2 ⎡ ⎤ 8 1 0 15. una matriz no singular P tal que P−1AP sea diagonal. ⎣0 0 ⎡ 0 1 1 ⎤ 1 0⎦ 2 ⎤ 3 2⎦ 2 2 ⎢3 8. determine dos matrices que sean semejantes a A. determine si la matriz dada es diagonalizable. 1 respectivamente. y una matriz no singular P tal que P−1AP = D. ⎡ ⎤ ⎡ ⎤ 4 2 3 1 1 2 1 2⎦ 11. determine una matriz diagonal D que sea semejante a A. Sin hacer cálculos. 8. 1 1 1 respectivamente. A = ⎣1 0 ⎡ . ⎣ 0 0 ⎤ 5 3⎥ 2⎦ 2 23. 4. 25. ⎣ 2 12. −2 5 ⎡ 3 2 0 0 2 1 3 2 2 0 3 19. Determine una matriz no diagonal de 2 × 2. 24. si es posible. Sea A una matriz de 3 × 3 cuyos valores propios sean −3. ⎣4 1 −1 4 ⎡ ⎤ 3 1 0 5. y cuyos vectores propios asociados sean 9. A = ⎣ 1 −1 2 28. ⎣0 1 0⎦ 14. y cuyos vectores propios asociados sean −1 2 respectivamente. En los ejercicios 25 a 28. determine. 1 4 1 −2 ⎡ ⎤ 1 1 −2 0 4⎦ 3. determine una matriz diagonal D que sea semejante a A. ⎣2 2 2⎦ 0 0 0 2 2 2 respectivamente. ⎣0 18. 1 10. 1 −1 1 y 2 . Determine una matriz no diagonal de 3 × 3 cuyos valores propios sean −2. ⎣2 0 4 ⎢0 21. ⎣0 1 0⎦ −1 −2 0 0 1 3 ⎡ ⎤ 1 2 3 0 −1 13. ⎣0 8 0⎦ 8 0 0 ⎡ ⎤ 3 0 0 16. ⎣0 −1 0 0 2.

entonces: (a) AT es diagonalizable. λ = 1. λ = 8. ⎣−3 −4 −3⎦ 40. 4 2 3 3 ⎡ 2 −2 3 35. (Sugerencia: vea la demostración del teorema 8. ⎤ 3 −2⎦ 2 3 2 6 4 ⎡ 0 −2 3 36. . (Sugerencia: determine −3 8 0 ⎡ En los ejercicios 37 a 40. ⎣0 1 0⎦ 30. . Sean λ1. y demuestre que A9 = PD9P−1). . demuestre que cada matriz es diagonalizable. donde k es un entero positivo. . x2. ⎣ 0 0 1 1⎦ −8 −8 −1 0 0 0 1 2 45. . Sean A y B matrices de n × n no singulares. (b) Si B es semejante a A. λk valores propios distintos de una matriz A. ⎣1 0 0 34. xk. 0 ⎢0 44. Si A y B son no singulares. Se dice que una matriz A es defectuosa si tiene un valor propio λ de multiplicidad m > 1. T. 5 42. 8 8 ⎤ 3 0 0 3 −2⎦. utilice los valores propios de la matriz d