Objetivos: Al finalizar este captulo, el lector : S Construir los ejes coordenados empleando vectores. S Identificar vectores linealmente independientes.

S Gererar subespacios en W* y conocer su dimensin. S Identificar el rango de una matriz. t S Generar bases ortonormales en $Hr>

En est capitulo se estudia la forma de obtener los ejes coordenados empleando los vectores, y tambin utilizando los conceptos de independencia lineal, conjuntos generadores y bases, desarrollados en captulos anteriores.
ww w.

10.2 Ejes de coordenadas usando vectores A partir de cualquier par de rectas que se cortan se pueden construir ejes de coordenadas si las rectas son perpendiculares. Por ejemplo considere dos vectores unitarios u y v perpendiculares en el espacio (euclidiano real) denotado por R2 y un punto de origen

at

em

at

10.1 Introduccin

ic a

1.c

om

comn de stos como 0. Ahora bien si P es un punto en el plano R2 como se muestra en la figura 10.1 Figura 10.1
i

bv,

P
i /

i i

au

Las rectas que contienen a los vectores unitarios u y v se transforman en los ejes de coordenadas, y las coordenadas del punto P son (a,b), representndose grficamente como se muestra en la figura 10.2
ww w.

at e

m
OP = au + bv
Figura 10.2
P(a,b)

at ic

Los vectores u^y v desde 0 hasta donde las perpendiculares de P son au y bv, y QP es un vector que se denota como:

a1

.c o

si y solo si Ax=u tiene una solucin nica, si la columna /-sima de A=[v b v 2 ,...,v k ] es u,. Si tiene solucin, los componentes Xj^v-jX^ de x proporcionan los coeficientes de la combinacin lineal. Ejemplo a) Expresar el vector (7, -4) como una combinacin lineal de los vectores u = (3,2) y v = (5, -1), representando los vectores en columnas, y usando como escalares a y b. 3 2
> v ''

u se puede escribir como:

o tambin 3a + 5b = 7 2a - b = 4 se puede encontrar la solucin

p 5! 7
2 -li-4
1

ww w.

2 -ib

at e

m
-

at ic
-2R 1 + R 2

a1
2 - 1 -4

.c o

-1

+b

3a 2a

+ 5b~ -b

7 -4

o I 3-26J 3
3

1 O -1
3 1

entonces a = -1 y b = 2, por lo tanto (7, -4) = -u +2 v b) Expresar el vector (6, 5, -10) como una combinacin lineal de los vectores u = (l, 1, l),v = (1,-1,-1) y w = (l, 2, -3), represente los vectores en columnas y utilice como escalares a, b y c. "1" " 1" " 1' a = a a +b -b -b +c + 2c =
.c o

' 6 ' 5 -10

1 + b -1 + c 2 1 -1 -3

-3c

se puede escribir como 1 1 1 2 -3 a

1 -1 1 -1 o tambin

at e

b = c

a + b + c= 6 a - b + 2c = 5 a -b -3c = -10 Encontrar la solucin 1 1 1 1 -1 2 6 5

-R2+R,

ww w.

-10

at ic
6 5

a1

"11

1|6
I I

0 2 -l! 1 1 -1 -3-10

-3 - R3+R1

"1 0 0 1 "
I

o 1 o! 2
I

1 -1 -3'-10

0 0 13

entonces a= l,b=2yc=3, por lo tanto (6,5,-10) =u+2v+3w.

10.3 Base en Rn Un subconjunto de vectores en Rn se puede utilizar para formar un sistema de coordenadas en Rn, al cual se le llama base de Rn.

Definicin: Sea el conjunto {xxh u2,..., uk} de vectores Rn, se le conoce como base de Rn si todo elemento de Rn se puede expresar como una combinacin lineal de u b u2, ..-> uk en una y slo una forma.
m

1. Formular una matriz A de orden n x n cuyas columnas sean u1? u 2 ,..., uk 2. Para saber si S es base, se debe de cumplir cualquiera de los siguientes casos: a) es invertible, b) el determinante de A es distinto de cero, c) A se reduce por renglones a In. 3. Para saber que S no es base, no se cumplen los casos mencionados en el segundo punto. Antes de plantear algunos ejemplos es importante mencionar el teorema 2.
ww w.

Teorema 2 Sean los vectores v1?v2,...,vn en Rn y [Vj,v2,...,vn] la matriz n x n cuya columna / -sima es vi. a) {vi,v2,.-.,vn} es una base de Rn b) [vi,v2,...,vn] es invertible c) [vi,v2v..,Vn] es In d) Determinante [ v ^ , . . . ^ ] * 0

at e

at ic

a1

El mtodo para determinar si un conjunto de vectores S es de base Rn es el siguiente:

.c o

Ejemplo: 1) Probar que el conjunto de vectores u = (-1, -3, -3), v = (3, -1, 9) y w = (5, 5, 15) no es una base de R3. Formar una matriz A de n x n cuyas columnas son u, v y w -1 A = -3 -3
U

3 -1 9
V

5 5 15
W

vectores

- 1 3 -3 -3 -1 9

5 5 15 =0

ww w.

Como el |A| =0, los vectores u, v y w no forman una base de R3 Si empleamos la forma reducida de renglones de A

at e

m
1 O 0 -3 1 0

at ic
-5 1 0

-1

5 5 15

- 3 -1 -3 9

Como se observa la matriz A no se puede reducir a I 3 , entonces el conjunto de vectores u, v y w no forman una base de R3. 2) Probar que el conj unto de vectores u = (l, l,2),v = (-l, 1,2) y w = (1, 1, -1) forman una base de R 3 . Construir la matriz A de n x n cuyas columnas son los vectores u, v y w .

a1

.c o

encontrar el determinante de A

1 A = 1 2
U

-1 1
V

1 1
W

2 - 1

encontrar el determinante de A 1 A = 1 2 -1 1 1 1 = -6

2 - 1

La matriz A se pudo reducir a I3 , entonces el conjunto de vectores u , v y w , forman una base de R3. Encontrar la inversa de la matriz A. 3 6 -3 6 0 -1 6 3 6 4 6 2 6 0 -2

ww w.

1 -1 1 1 2 2

1
_l

at e

m
->....-

at ic
0

Como el |A| * 0, entonces los vectores u, v y w forman una base en R3. Empleando la formas reducida de renglones de A 1 0 0 0 1 0 0 1

Como la matriz A es invertible, el conjunto de vectores u , v y w, forman una base de R3.

a1

.c o

3) Demostrar que los vectores u = (1, 0, 0), v = (0, 1, 0) y w = (0,0, 1), son base de R3. Construir la matriz A de n x n cuyas columnas son los vectores "1 A = 0 0 0 0"

1 0 0 1

Como se observa la matriz A es de forma "1 0 0"

0 0

En base al ejemplo 3 podemos plantear la forma general de la base cannica de Rn, en donde los vectores uj = (1, 0,..., 0), U2 = (0,1,..., 0),...., un = (0, 0,..., 1), forman el conjunto S = { u b u 2 ,..., un } de la base cannica de Rn. La matriz A de n x n cuyas columnas son los vectores u l5 u2 1 0 A= 0 1
ww w.

. . .

at e

Lo cual nos indica que tambin es invertible y que su determinante es distinto de cero (|A| = 1), entonces el conjunto de vectores u, v y w son base de R3.

es invertible y el determinante de A es distinto de cero.

at ic
1

a1

.c o

1 0

10.4 Independencia Lineal Una ecuacin vectorial a1u1 + a2u2 + ... + akuk = 0 va a tener por lo menos una solucin, los escalares a1 = a 2 =... = \ = 0. Un conjunto {u r u2, ..., uk} es linealmente independiente si y slo si, se tiene una solucin nica. Entonces la representacin nica es empleada para la independencia lineal.

Definicin:

2.

Ejemplo: 1) Mostrar que los vectores u = (3,4,1) y v = (2,1,0) son linealmente independientes = ^ (3, 4,1)+ a 2 (2, 1,0) = (3a l 4a l j a 1 ) + (2a2, a2 0) = (3a!+ 2a2, 4a1 + a 2 ,a 1 ) =(0,0,0) El sistema de ecuaciones queda como:

ww w.

1.

Se plantea la ecuacin vectorial a ^ + a2u2 + ... + akuk = 0, y se resuelve para los escalares a1? a 2 ,... 5 ak Se verifica que la solucin nica es a! = a2 = ... = ak = 0, entonces el conjunto S de vectores es linealmente independiente.

at e

Los pasos para identificar si un conjunto S = {u1? u 2 ,..., uk} de vectores es linealmente independiente, son los siguientes:

at ic

a1

Sea el conjunto {u b u2, ..., uk} de vectores en Rn es linealmente independiente, si y slo si, la ecuacin vectorial tiene una solucin nica, si existen escalares aj = a2 = ... = a k =0
.c o m

! 2 4a! + a2 ai+ 0

= 0 =0 =0

al sustituir aj= 0 en la ecuacin 1 y 2 a2 es igual a cero, entonces tenemos una solucin nica aj= a2 = 0 de la ecuacin ai U + a2 v = 0, esto nos lleva afirmar que los vectores u y v son linealmente independientes. 2) Mostrar que los vectores u = (1, 1) y v = (-1, 2) en R2 son linealmente independientes.
m .c o

Entonces la solucin del sistema I es nica con ai = a2 = 0, y los vectores u y v son linealmente independientes. Definicin: Sea el conjunto {uj, u2, ..., uk} de vectores en Rn es linealmente dependiente, si y slo si, la ecuacin vectorial &!**! + a2u2 + ,,, + a ^ = 0, se tiene una solucin en la que no todos los coeficientes ai son iguales a cero. Ejemplo: 1) Mostrar que los vectores u =(1,1), v = (-l,2)y w = (-2,l)en R2 son linealmente dependientes.

ww w.

at e

El sistema de ecuaciones queda como:

at ic

= (ai,a!) + (-a 2 +2a 2 ) = ( a r a 2 , a i + 2a2) = (0,0)

a1

a! u + a 2 v + a 3 w = a,(l,l) + a2(-l,2) + a3(-2,l) = (a lt a,) + (-a2,2a2) + (-2a3, a3) = (a! - a2 - 2a3 a! + 2a2 + a 3 ) = (0,0) El sistema de ecuaciones queda como: a! - a2 -2a3 = 0 a! + 2a2 + a3 = 0 como puede observarse la solucin del sistema no es nica por lo que los vectores u, v y w son linealmente dependientes.

=0 3a! - a2 + a3 = 0 El sistema no tiene una solucin nica, entonces los vectores u, v y w son linealmente dependientes. 3) Mostrar que S = {(1, 0), (0, 1), (1, -1)} son linealmente independientes aj (1,0) + a 2 (0,l) + a3 (1,-1) = a! u + a2 v + a3 w ai + a2 + (a 3 -a 3 ) = (0,0) ( a i + a 3 ,a 2 -a 3 )=(0,0) El sistema de ecuacin es:

ww w.

El sistema de ecuaciones es

at e

at ic

a1

2) Mostrar que los vectores u = (2,3), v = (1,-1) y w = (0,1) en R2 son linealmente dependientes. l) + a 3 (0,l) 3a1) + (a 2 -a 2 ) + (0,a 3 ) a 2 ,3a 1 -a 2 + a 3 )= (0,0)
.c o

+ a

a2 - a3 = 0 Si c * 0 y a2 = c entonces la solucin del sistema es a3 = +c, aj = -c, no se obtiene una solucin trivial, por lo que S es linealmente dependiente. 4) Mostrar que S = {(1, 0), (0,1)} son linealmente dependientes 0) + a2(0, 1)
ai

+ a2

=(0,0)
m

a) El determinante de [u1?u2,...,uk] * 0 b) o es invertible [u!,u2,...,uk] c) o[u b u 2 ,...,u k ]esl n . Ejemplo: a) Mostrar que los vectores u = (1, 1, 2), v = (-1, 1, 2) y w = (1, -1,-1) son linealmente independientes. "1 - 1 a. Det 1 2 1 1 1 = -6

ww w.

Los vectores u1 ,u2,...,uk de Rn forman un conjunto de vectores linealmente independientes en Rn, si y slo si, se cumplen cualquiera de los siguientes casos.

2 - 1

at e

Teorema 3

at ic

a1

.c o

Como tenemos una solucin nica, entonces S es linealmente independiente, ya que a\ = a2 = 0

3^ 6 b. es invertible ~6 O 1-1
c

6
6 O

4 '1

-2 0 0" 1 0 0 1
.c o m

1 1 2 - 1

'

1 2

- .... - 0 0

Ejemplo: a) Mostrar que los vectores u = (-1,-3,-3), v = (3,-1,9) y w = (5,5,15) son linealmente dependientes.
- 1 3
5 5 15
W

ww w.

a) El determinante de [u1?u2,...,uk] = 0 b) o si es singular [ui,U2,...,uJ c) o[u 1 ,u 2 ,...,ij9 t In

M
9

a.

-3 -3
U

-1 9
V

at e
= 0
5 5 15

1 3

b.

A =

3 - 1
3

at ic
= 0

Los vectores u , v y w son linealmente independientes. Los vectores u1,u25...:>uic de Rn forman un conjunto de vectores linealmente dependientes, si y slo si, se cumplen cualquiera de los siguientes casos:

vectores

a1

La matriz A no se puede transformar en I3, por lo tanto A"1 no existe, entonces A es singular porque no existe solucin de la ecuacin c. -1 -3 3 1 9 1 -3 5 5 -.... - 0 1 15 0 0 -5 1

-3
Teorema 4

at e

Teorema 5 Sea el conjunto S = {u1,u2,...,uk}de vectores en Rn es linealmente dependiente, si y slo si, al menos uno de los vectores del conjunto S se puede expresar como una combinacin lineal en trminos de los dems vectores.

ww w.

m
Figura 10.3
z

at ic

Sea el conjunto S = {u1?u2,...,uk}de vectores en Rn es linealmente independiente, si y slo si, se cumple para cualquier vector v = a^j + a2u2 +... + a^Uk de tal forma que la representacin es nica. Dos vectores no paralelos (no colineales) en una misma recta, son linealmente independientes. En el espacio tres vectores cualesquiera no paralelos en el mismo plano (no coplanares) son linealmente independientes como se muestra en la figura 10.3

a1

.c o

Ejemplo: a) Si consideramos dos vectores u y v que tienen un punto inicial en el origen en R2, son linealmente dependientes porque son paralelos en la misma recta que pasa por el origen, ver figura 10.4

Figura 10.4

ww w.

b)

Si consideramos un conjunto S de tres vectores {u, v y w } que tienen un punto inicial en el origen de R3, estos sern linealmente dependientes, por que los vectores son paralelos en el mismo plano (coplanares), como se observa en la figura 10.5 el vector w se puede expresar como una combinacin lineal w = au + bv de los vectores u y v. Figura 10.5

at e

at ic

a1

.c o

c) Sean cualesquiera cuatro vectores A, B, C y D del espacio son

linealmente dependientes, si los vectores OA , OB~, OC~ son no coplanares y sea QD~ otro vector. Ahora s tenemos la restas DDj paralela OC entonces D1 pertenece al plano AOB, como se muestra en la figura No. 10.6, el vector OD~ es coplanar respecto a los vectores OA~ y OB~ ? entonces OD~ = OD1 +
DXD

Figura 10.6

Teorema 6 Sea S = {u1,u2,...,uk} un conjunto de vectores en Rn, si k >n entonces S es linealmente dependiente. Ejemplo: Sean tres vectores u = (1,3), v = (0,3) y w = (8,2) en R2 son linealmente dependientes, porque k > n, o sea 3 >2. Si un conjunto de vectores S, es linealmente independiente si k < n. Para la dimensin del conjunto de todos los vectores planos es igual a dos, en el conjunto de vectores espaciales de tres, en una dimensin finita (a la cual se le conoce como espacios de dimensin finita) y para un espacio de dimensin infinita se puede encontrar un nmero tan grande de vectores independientes como se quiera.

ww w.

at e

at ic

a1

.c o

Teorema 7 En un espacio lineal de dimensin finita todo conjunto de vectores linealmente independientes puede ser incluido como una base. 10.5 Subespacios en Rn y dimensin Existe un determinado tipo de aplicaciones en el que es necesario utilizar subconjuntos de espacios vectoriales, siendo a su vez stos espacios vectoriales. Comenzaremos primero analizando el espacio generado por S. Sea el conjunto de todas las combinaciones lineales de un conjunto arbitrario S, se le conoce como espacio generado por S. Ahora si {u1?u2,...,uk} es un conjunto generado de Rn, se puede decir que los vectores u1?U2v..?uk generan a Rn.

Definicin: Dado un conjunto {u b u2*,..>iijj de vectores en Rn, e$ un conjunto generador de Rn, si cada uno de los vectores en Rn se expresan como una combinacin lineal de los vectores ul9 u 2 ,..., uk de la base.
ww w.

Ejemplo. 1) Mostrar que los vectores u = ( l , l ) , v = ( l , 2 ) y w = (-2,1) no generan a R2. Se considera un vector arbitrario (a, b) como una combinacin de los vectores u, v y w.

at e

at ic

a1

.c o

el sistema se escribe como:

2L\ + a2 - 2 a3 = a ai + 2a2 + a3 = b

En forma matricial: 1 1 -2 1 1 0 0 1 - 5 ! 2a 3 !-a -b +b

1 2

a,(-l,2) + a2 (-2,6) = (0,3) El sistema se escribe como: -a! - 2 a2 = 0 2 a! + 6 a2 = 3 En forma matricial: -1 2 -2 6 "1 0 2|0" 0 !3

No hay solucin.

ww w.

2) Mostrar que el vector (0, 3) no pertenece al conjunto de vectores u = (-l,2) y v = (-2,6) para generar a R2. Se considera al vector (0, 3) como una combinacin de los vectores u y v.

at e

at ic

Como puede observarse no hay una solucin nica, por lo tanto van a existir una infinidad de soluciones, esto nos lleva a que el vector (a, b) tambin se puede representar en una infinidad de formas en una combinacin lineal de los vectores u, v y w.

a1

.c o

3) Los vectores u = (1, 1, 2), v = (-1, 1, 2) y w = (1, 1, 1) van a generar a R 3 , porque forman una base de R3.

Teorema 8 Sea el conjunto S una base de Rn, si y slo si es un conjunto generador de Rn linealmente independiente. Ejemplo. 1) Los vectores u = (-1,-3,-3), v = (3,-1,9) y w = (-1 ,1,2) no generan a R3 ya que no forman una base de R3. 2) El conjunto de vectores u = (l,1,2), v = (-l,l,2)yw = (1,1,-1) generan a R3, porque forman una base de R3 y son linealmente independientes. Sea v un espacio real o complejo, si S es un subconjunto de v, teniendo S las mismas operaciones que v. Podemos decir que S es un subespacio de v si S tiene las mismas operaciones en un espacio vectorial.
ww w.

Definicin: Sea S un subconjunto (no vaco) de Rn, es un subespacio de Rn si cumple con las propiedades siguientes: 1. Si u y v pertenecen a S, entonces u + v pertenecen a S, 2. Si u pertenece a S, sea c cualquier escalar, entonces cu pertenecen a S.

Esto quiere decir que todas las combinaciones lineales del conjunto S ={u1,u2v.., UjJ de vectores en Rn, que se conocen como

at e

at ic

a1

.c o

un espacio generado por S cualquier subconjunto de Rn que satisfaga estas dos propiedades es llamado un subespacio de Rn . Ejemplo: 1) Sea un espacio generado por {(2,3)} en un subespacio de R2, se encuentra en la recta de la figura 10.7 (todo subespacio de Rn siempre tiene una base).

Figura 10.7
m

Este subespacio contiene a todos los vectores en R2 que se encuentran en la recta que pasa por los puntos (0,0) y (2,3). A los subespacios {0} y Rn se les conoce como subespacios triviales de Rn y a los dems subespacios de Rn se les nombran espacios propios. Si un subconjunto de Rn no contiene a cero, no es un subespacio de Rn (Toda recta o plano que no pasa por el origen no es un subespacio). Ahora si decimos que el vector cero pertenece a todo subespacio de Rn entonces {0} como Rn deben ser subespacios de Rn.

ww w.

at e

at ic

a1

.c o

Ejemplo: 2) Sea el espacio generado por {(3,8,5)} en un subespacio de R3, este subespacio contiene a todos los vectores en R3, que se encuentran en la recta que pasa por los puntos (0,0,0) y (3,8,5), como se muestra en la figura 10.8 Figura 10.8

3) Los vectores m = (2,-1,3), u2 = (4,0,6) y u3 = (8,-2,-3) generan a R3, porque forman una base de R3. El espacio generado por los vectores u l5 u2 y 1 3 es un subespacio de R3 que contie1 ne a los vectores (0,0,0) u l5 u 2 y u3.

Teorema 9 Sea la matriz A de m x n. En donde el conjunto de todas las soluciones posibles de un sistema homogneo de ecuaciones Ax = 0,

ww w.

at e

at ic

a1

.c o

(3, 8, 5)

va a ser un subespacio de Rn, al cual se le nombrar como espacio solucin del sistema. Ejemplo: 1) Sea la matriz A = 1 0 0 3 0 1

Probar que [1,1,1] no pertenecen al espacio de renglones de A. Sean los escalares Xj y x2 x^l 0 3]+x 2 [0 0 l]=[l 1 l]
.c o m

2) Probar que [ 2 0 7 ] pertenece al espacio de renglones de l ~ A= 0 3"

L
0 3]+x 2 [0 0 l]=[2 0 7]

Sean los escalares \\ y x2 xjl

El sistema de ecuaciones queda: xj + 0 = 2 0x, + 0 = 0 3 x, + 0 = 7

ww w.

El sistema no tiene solucin y el subconjunto [1 1 1] no pertenece al espacio vectorial de renglones de la matriz A.

at e

X! + 0 = 1 0 X! + 0 = 1 3 X! + 0 = 1

at ic

a1

Entonces el sistema queda

La solucin es Xj = 2 y x 2 = 1, entonces el vector [ 2 0 7 ] pertenece al espacio de renglones de A. Ahora si partimos de que todo subespacio de R n tiene una base, y la base de un subespacio v de R n es un conjunto generado de v linealmente independiente y puede tener muchas bases diferentes de R n .

Teorema 10 Sea {u1,u2v..? up} una base de un subespacio de Rn, de tal forma que todo subconjunto de v, que contenga ms de p elementos es linealmente dependiente.

v2 = a 1 2 u 1 + a 2 2 u 2 + . . . (1) v m = a l m u 1 + a 2 m u 2 + . . . + apmu Sean los escalares c1? c2, ...,cm; no todos iguales a cero.
ClV!+ C 2 V 2 + ... + C m V m =0 (2)

La ecuacin equivalente 3 se obtiene de las ecuaciones 1 y 2 + c2a12 + ... + c m a lm ) + u2 ( c ^ i + c2a22 +... + cna2m) (3) + ... + up ( c ^ ! + c2ap2 + ... + cmapm) = 0

ww w.

v1=anu1+a21u2+...

at e

Sea S = {vi,V2,..., vm} un subconjunto de v, en donde m > p. Si {u1?u2,..., up} es una base de v, entonces cada vector v debe de expresarse como una combinacin lineal de los elementos de la base.

at ic

a1

Demostracin del teorema 10

.c o

Si el conjunto {u1)u2v.., up} es una base y es un conjunto linealmente dependiente, entonces la ecuacin (2) tendr una solucin no trivial, solamente cuando los coeficientes de la ecuacin (3) sean todos iguales a cero. anc1+a12c2+... a 2 1 c 1 +a 2 2 c 2 +...

Corolario Sean las bases infinitas s, = {u1?u2,..., up} y s2 = {v1?v2,..., vn}de un subespacio v de Rn. Entonces debemos tener el mismo nmero de elementos (m = p) en el mismo espacio.

Teorema 11 Al nmero de elementos de cualquier base de un subconjunto v de Rn se le llama dimensin de v. Entonces s la dimensin de v es n, se dice que v es n - dimensional. La dimensin de un subespacio de Rn siempre es menor que, o igual a n.

ww w.

S = {vl5V2,..., vm} es linealmente dependiente

at e

El sistema anterior es homogneo con precauciones lineales con m incgnitas, en donde m>p. El sistema tiene una solucin no trivial, o sea, que tiene un nmero infinito de soluciones y por consecuencia se pueden llegar a tener escalares distintos de cero. Por lo tanto:

at ic

a1

.c o

Ejemplo: a) Si v es el subespacio de Rn generado por el vector (1,2), entonces el vector (1,2) es una base de v y la dimensin de v es uno. b) Sea el subespacio v de R3 generado por los vectores (1,1,0) y (2,0,4), los vectores son linealmente independientes y la dimensin de v es dos. c) La dimensin de un subespacio trivial {0} es cero (por convencin).

10.6 Rango de una matriz

El rango por renglones de la matriz A es igual al nmero de renglones no nulos, de cualquier forma escalonada por renglones correspondientes a la matriz A. Ejemplo: 1) Determinar el rango de A '1 A = 0 2 1 0 3 3 1 3 2 1 7

La reduccin por renglones de la matriz A es

ww w.

Definicin: Sea A una matriz, el rango de sta es la dimensin del espacio de renglones y la dimensin del espacio de columnas.

at e

at ic

a1

Al relacionar los conceptos de espacios vectoriales en Rn con los de matrices, se puede definir el rango de una matriz.
.c o

1 0 2

1 0 3 3 1 3

2 1 7
- >

1

- >

1 1 0

0 1 3 1

2 1 - =A' 1

0 0

Existen tres vectores no nulos, entonces el rango de la matriz A es de tres. 2) Encontrar el rango de la matriz B.
m

-1 -2 6

2 -1 18

5'

-2 6

-1 18

ww w.

5 -> - 1 0

-1

at e

La forma escalonada por renglones de la matriz B es: 5

at ic
1 0

1 3 0
1 = B' 0

Slo existen dos renglones no nulos, entonces el rango de la matriz B es de dos. Como la matriz B no se reduce a I3? por lo tanto no es una base de R3 y el espacio generado por {u1? u2, u3} es dado por los renglones no nulos de B ? , es decir, vx = (1, 3,0)yv2=(l,l,l).

Teorema 12 Sea la matriz A de n x n entonces: 1. A es invertible

a1

.c o

En toda matiz B n x 1 la ecuacin A X = B tiene solucin nica. 3. A X = 0 tiene solucin trivial. 4. La columna de A forma una base en Rn. 5. Las columnas de A son linealmente independientes 6. Los renglones de A forman una base de Rn. 7. Los renglones de A son linealmente independientes. 8. La forma escalonada reducida por renglones de A es In. 9. Determinante de A es distinto de cero 10. El rango de A es igual a n

2.

Definicin: Sea el conjunto s = {ui, u2, ..., uk} de vectores en Rn es ortonormal si cumple con que: s es ortogonal y que todo vector de s tiene una longitud unitaria, o sea; 11*,-1 - 1 , para todo i

Ejemplo: 1) Transformar el conjunto {u, v} en un conjunto ortonormal. u = (2,4) y v = (5,-3)

ww w.

Cuando es necesario tener ejes coordenados mutuamente perpendiculares, se necesita un conjunto ortogonal de vectores como base, o sea, el conjunto de s = {uj, u2, ..., uk} en Rn es ortogonal, si cumple con u. u = 0, siempre y cuando j = / Ahora si el conjunto s = {u1? u2, ..., uk} de vectores no nulos en Rn es ortogonal, se puede afirmar que s es linealmente independiente, y si todo vector que pertenece a la base ortogonal s tiene una longitud unitaria, esto quiere decir que la base es lineal o cannica.

at e

at ic

a1

.c o

10.7 Bases ortonormales

Encontrar la magnitud de cada vector u =

V =

16 = V20"

para normalizar cada vector, se divide a ste entre su magnitud.

u =

5_

-3

T4
Para expresar el vector w = (1, -2) como una combinacin lineal de los vectores ortonormales u' y v' es haciendo a w = a u' + b v' y resolviendo para encontrar a y b. Otra alternativa de solucin es emplear el siguiente teorema. Teorema 13 Sea {vl5 v2, ..., vn} una base ortonormal de Rn y v es cualquier vector en Rn entonces v = (v. v^Vj + (v. v2)v2 +... + (v. vn)vn el coeficiente de yt es v . v r

ww w.

To

2_

at e

El conjunto ortonormal es { u\ \9} y es una base de R2, los vectores u' y v' son linealmente independientes y la matriz es invertible.

at ic

a1

.c o

Si expresamos a w = (1, -2) como una combinacin lineal de vectores ortonormales u ' y v ' empleando el teorema 14 tenemos: w = (w . u') u' + (w . v') v' 8 20 6 -6 20 11

/20

V20 -3

720 5

-6

11

2)

a)

ww w.

Solucin:

at e

Sean los vectores u = (-1,2,5 ),v = (-2,-1,0) y w = (l,-2,1) a) Encontrar la base ortonormal b) Expresar a t (1, 4, 3) como una combinacin lineal de los vectores ortonormales u', v ' y w ' .

1, 2,

V =

>, - 1 , 0)

at ic
5)

a1

.c o

/20J

I w

- 1

b)

t = (tu')u + ( t v ) v +

(tw)w^

. , , , . . . 2 30' -M'

5 ) 430J

-1 ^30

8 ^30

15 ^30

22

,-2

-1

^
.c o m

-2

-6

Matriz ortogonal La matriz A de n x n es ortogonal si sus columnas forman un conjunto de vectores ortonormales v1?V2v.., vn, si stos vectores son linealmente independientes entonces la matriz es invertible. Teorema 14 Los siguientes enunciados son equivalentes a) A es ortogonal b) A - ^ A 1 c) A1 es ortogonal

ww w.

at e

at ic

a1

Ejemplo: 1) Sean los vectores 3 l

u'-

' 3

- 1

. j , ort<

Entonces la matriz
1 3
A/20 A/20~

A=

-1

_-j20

-J2Q _ 1 3 -1 -J2

A"' = A' = V20~

3
A/20~

2) Como los vectores

ww w.

at e

A/5

m
)

~J6' Entonces la matriz

- 1 2

-730"
A =
^- 2

vr -vr 1 2

-1

at ic
son ortonormales.

a1

.c o

es ortogonal y tiene

es ortogonal -1 A"1 = A' =

-2 1

30 5

10.8 Mnimos cuadrados Para explicar este tema, consideremos un experimento que relaciona el ingreso obtenido por ventas (en miles de pesos) y el nmero de aos de experiencia de cada vendedor. Si tomamos una muestra de seis vendedores, se obtiene el siguiente conjunto de datos (1,4), (3,5), (4,7), (5,11), (6,13)y (7,17), vea la figura 10.10.
m

Ventas

ww w.

at e

m
Figura 10.10
Aos de experiencia de los vendedores

at ic

a1

.c o

Con los puntos obtenidos del experimento {Figura 10.10) deseamos encontrar la recta y = a + bx que mejor se ajuste a los puntos obtenidos. Definicin: Sean (x l5 yO, (x2) yi)> ..., (xn, y n ) los n puntos distintos de datos. La recta y = a + bx con la prioridad de que el valor es el mnimo, en donde d es la distancia vertical desde el punto (x, y,-). Y se llama recta de mejor ajuste del conjunto de puntos de datos.

y2 = a + bx2

ww w.

y
J n

= a + bxn
n

el sistema I se puede escribir como y = Av

at e

y t = a + bXj

m
fl X,"
V =

y=

at ic

Si la recta y = a + bx es la que mejor se ajusta a los puntos (x 1? YiX (X2> Y2)> > (xn> Yn)- Ahora, s consideramos que todos los puntos estn sobre la recta de mejor ajuste, se tiene el sistema I.

a1

.c o

Ahora cuando no todos los puntos de datos caen sobre la recta de mejor ajuste, se aplican los dos siguientes pasos, primero se elige una lnea recta y = a + bx, como segundo paso se encuentran las distancias verticales de cada uno de los puntos obtenidos (xz, yi) a la lnea recta, ver figura 10.11 Figura 10.11

y<) Recta y = a+bx

De la figura 10.11 se observa que la distancia vertical d, del punto (x,, y,) a la recta es d, = y,-(a + bx,) para los dems puntos: y I - ( a + bx,) = y 2 - ( a + bx 2 ) =

yn-(a El sistema II se puede escribir como:

ww w.

at e

at ic

a1

.c o

y - Av = d "di

d=

Para calcular la magnitud de los vectores, se tiene

m

|y-Av

(i)

al efectuar el cuadrado de la ecuacin 1

A

y - A v | 2 = d 1 2 + d ^ + . . . + d; Para tener la recta del mejor ajuste, el vector v debe ser el vector que minimice el valor de |y - A v |2 Si |y - Av| es mnimo, entonces |y - Av|2 es mnimo cuando y - Av es ortogonal a cualquier vector del espacio S como se muestra en la figura 10.12 Figura 10.12

ww w.

entonces el valor que debe ser minimizado es:

at e

y - Av

at ic
y-Av

a1

.c o

Cuando v es el vector minimizante de los vectores de la forma [; ] y el producto de Av forman parte del subespacio S de Rn.

Teorema 15 ^y,), (x2?y2), ...,(x n ,y n ), "n" puntos distintos en donde Xj < x 2 < ... < xn y la recta y = a + bx de mejor ajuste tiene coeficientes dados por v = (A1 A) 1 A*y. Ejemplo: Encontrar la recta de mejor ajuste de los puntos obtenidos de siete experimentos.
m

" l~ 1 1 x2 1 x3 A = 1 4 1 5 1 X6_
x
X X

" 1 1 1 1 1 1

y, y2
V
=

y3 y4 y5
.y6_

ww w.

0' 5 7 1 1 1 3 17

at e

m
0' 3 4 5 6 7 _

at ic

(0, 0), (3, 5), (4, 7), (5, 11), (6, 13) y (7, 17)

a1

.c o

A* =

l 0

i 3

l 4

i 5

l 6

AlA =

6 25 _2f 135
r 81

5
37

(A'A}' -

m
5 37

185

ww w.

V =

81 111 5
37

at e

5 37 6

m
l 0 i 3 l 4 i 5 l 6

at ic
7

a1
7 11 13 17 53 295

v = (A1 AV 1 A1 y

185

81 v = 111 5 37 37 6 185

.c o

-1.189
V =

2.405 La ecuacin de la recta de mejor ajuste es: 2.4x

Teorema 16 ^yj), (x2,y2), -., (xn, yn), "n" puntos distintos en donde i 2 < xn? y e l polinomio de grado m, y = a0 + ajXj + ... + amxm de mejor ajuste tiene coeficientes dados por v = (A* A)"1 Afy.

x < X <

a1

.c o

1 v= A =

x,

at ic

lm 2m

"y i y2

at e

ww w.

nm _

.y n _

Ejemplo: Encontrar el polinomio de segundo grado de mejor ajuste para el conjunto de datos (0, 100), (1, 90), (2, 60), (3, 12) y (4, -57) "1 0 1 1 A= 1 2 1 3 1 4 0" 1 4 9 16 y= "100 " 90 60 12 _-57_

1 0 1 1 1 1 1" 1 1 A'A = 0 1 2 3 4 1 2 0 1 4 9 16 1 3

0 1 "5 4 = 10 30 9

10 30 100

30 100 354

1 4 16 " 62 54 87 -20 10 " -20 5

om

= 1
f

1 -54 ,70 ) 10

ww

62 10

w.

"100" 90 62 -54 10 1 1 1 1 1 1 t -54 87 -20 0 1 2 3 4 60 = (A'A)" A Y = 70 10 -20 5 0 1 4 9 16 12 -57

1.c

at

em

-54 87 -20

at

ic a

10" - 20 5

205 ' 18 -474

v =

70

- 54

- 6998 v = 70 -24 680 -99.971 v = - 0.343 9.714

La ecuacin es: Y =-99.971-0.343x +9.714 x2

10.9 Espacios vectoriales Es importante mencionar que existen semejanzas en las definiciones de los conceptos en el espacio de Rn, con las definiciones de los espacios vectoriales. Porque para poder definir los conceptos de espacios con producto interno, norma de un vector, determinar si dos vectores son ortogonales y ortonormales en cualquier espacio vectorial, se debe de partir tal y como se analiz en el caso de Rn, tomando en consideracin las propiedades del producto interno en Rn. Espacios con producto interno

Definicin: Sea V un espacio vectorial sobre los nmeros reales. Un producto interno real en V es una funcin que asocia a cada pareja de vectores u y v pertenecientes a V, un nmero real <u v>, con las siguientes propiedades: a) <u, v> <v, u> b)<u + v, w> ~ <u, w> + <v, w>
c)<ctt, v> c<n, v>

d)<u, u> > 0 y <u, u> ~ 0 < - > u ~ 0

Ejemplo 1) Sea u = (a^ a2) y v = (b1? b2) vectores en R2, si < u , v > = 3aibi + 2a2b2 podemos afirmar que < u , v > es un producto interno.

ww w.

at e

Los espacios vectoriales en los que puede definir el producto interno, se les conoce como espacios con producto interno.

at ic

a1

.c o

2) Comprobar las propiedades del inciso a al d de la definicin. 2.a) < u , v > = Sa^j +2a2b2 = 3a.Jo\ +2a2b2 = < u , v > 2.b) Si w = (c1? c2) < u + v, w >

= 3 (ai + bi) q + 2 (a2 + b2) c2 = = 3 aiCi + 3 biCi + 2 a2c2 + 2 b2c2 < u , w > + < v , w > = (3 a^i + 2 a 2 c 2 ) + (3 b ^ + 2 b2c2)

2.c) < cu , v > = 3 (caO b! + 2 (ca2) b 2 c < u , v > = c[3a1b1 + 2 a 2 b 2 ] 2.d) S < U , U > = 3 a + 2 a > > 0 < u , u > = 0 = 3 a + 2 a * se cumple, si y slo si 2\ = a2 = 0, entonces < u , u > = 0
.c o m

a) <au + bv, w> = <w, au + bv> = a <u, w> + b <v, w> b) <0, u> = <u, 0> = 0

Definicin: Sea v un espacio con producto interno. La norma v de un vector v est dada por | v 1 = -\/ <v,v>

Cuando la norma ||v de un vector v es un espacio con producto interno, va ha denotar la magnitud del vector v. Entonces u v

ww w.

Sea V un espacio de un producto interno, u, v y w son vectores en V, y que a y b son escalares.

at e

Teorema 17

at ic

a1

representa la distancia entre los vectores u y v, los cuales pertenecen a un espacio con producto interno.

Teorema 18 Si u y v son vectores en un espacio con producto interno, entonces:

u,v < u v
La desigualdad de Cauchy - Schwarz es la resultante de relacionar el producto interno de dos vectores con sus normas.

Ejemplo: 1)

<u, v> = ait>i+ a 2 b 2 + ...+ a n b n Ahora, si aplicamos la desigualdad de Cauchy - Schwarz + a 2 b 2 +... 2) +a22 + ... + a2i ^ b 2 +b22 +...

Sean u = (a l5 a 2 ) y v = (b 1? b 2 ) dos vectores en R n . El producto definido por: <u, v> = 3a!bi+ 2a 2 b 2 Si aplicamos la desigualdad de Cauchy - Schwarz 3 a 1 b 1 + 2 a 2 b 2 | < ^ 3 a f + 2 a \ ^J3b f + 2b 2

ww w.

at e

Sean u = (a l5 a2, ? a n) y v = (bb ^2? > b n ) dos vectores en R n . El producto definido por:

at ic

a1

.c o

El concepto de ortogonalidad en un espacio vectorial con producto interno, se define a continuacin.

Definicin: S u y v son vectores que pertenecen a un espacio vectorial con producto interno, entonces u y v sern ortogonales si cumplen <u, v> - 0

Ejemplo: Sea u = (a1? a2) y v = (b1? b2) vectores en R2, entonces <u, v> = ibi+ a2b2 es un producto interno de R2, ahora para que <u, v> = 0 = aibi+ a2b2, si slo si &\ = a2 = 0, por lo tanto <u, v> = 0. Es importante recordar que dos vectores en Rn son ortogonales si su producto interno es cero. Si consideramos ahora a un conjunto S contenido en un espacio con producto interno ortogonal, entonces toda pareja de elementos de S es ortogonal. Para que un conjunto S sea ortonormal debe de cumplir con que S sea ortogonal y que todo vector S tenga una norma igual a uno.
a

ww w.

at e

at ic

a1

.c o