You are on page 1of 88

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES UNIVERSIDAD DE CHILE FACULTAD DE ECONOMÍA Y NEGOCIOS ESCUELA DE ECONOMÍA Y ADMINISTRACIÓN PROGRAMA DE APOYO

ACADÉMICO

MATERIAL DE APUNTES ÁLGEBRA II
“EDICIÓN 2008”

SANTIAGO DE CHILE, 2008

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

PROLOGO 
El Material de Apuntes de Álgebra II es una iniciativa del Programa de Apoyo Académico de la Facultad de Economía y Negocios de la Universidad de Chile que busca ser el complemento a los Cuadernillo de Ejercicios I y Cuadernillo de Ejercicios II. Estos 3 cuadernillos en conjunto buscan reforzar y apoyar el aprendizaje de todos aquellos alumnos que toman clases en la tutoría de álgebra II del Programa de Apoyo Académico. Los contenidos del Material de Apuntes consisten en una recolección resumida de la materia que se ha visto en la cátedra de álgebra II durante los últimos semestres, razón por la cual es una útil herramienta en el estudio para los alumnos. Este cuadernillo es sólo parte del material educativo que el Programa de Apoyo Académico ha preparado en álgebra II, por cuanto como hemos dicho también disponemos de los Cuadernillos de Ejercicios I y II, los cuales han sido de gran ayuda en el estudio de los alumnos, ya que les ha permitido disponer de una gran cantidad de ejercicios en la preparación de sus evaluaciones. El autor de los Cuadernillos de Ejercicios I y II y del Material de Apuntes es Luis Araya Castillo, sin embargo los esfuerzos para llevar este proyecto adelante han sido tanto de los actuales integrantes del Programa de Apoyo Académico como de todos aquellos que alguna vez formaron parte de su equipo. Es así, que Margarita Pedreros realizó la ardua tarea de escribir el Material de Apuntes. El proceso de transcripción de los apuntes de clases ha sido bastante riguroso, por cuanto este proyecto ha sido realizado por la dirección del Programa de Apoyo Académico en conjunto con el equipo encargado de Álgebra II, es decir por Luis Araya Castillo, Margarita Pedreros y los tutores de Álgebra II, entre ellos Marco Antonio Lang y Cristopher Lang.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

En el Programa de Apoyo Académico trabajamos actualmente: Luis Araya Castillo M. Sc. (c) en Marketing Master (E) en Dirección Estratégica Licenciado en Ciencias de la Administración de Empresas Egresado de Ingeniería Comercial, mención Administración Bachiller con mención en Humanidades y Ciencias Sociales Diplomado en Seguridad Internacional y Operaciones de Paz Técnico en Electromecánica Operador en Armado y Mantención de Equipos Computacionales

Marco Antonio Lang Valenzuela Licenciado en Sistemas de Información y Control de Gestión Egresado de Ingeniería en Información y Control de Gestión y de Contador Auditor

Margarita Pedreros Licenciada en Ciencias en la Administración de Empresas M. Sc. (c) en Marketing Egresada de Ingeniería Comercial, mención Administración

Claudio Rodríguez López Estudiante Ingeniería en Información y Control de Gestión y/o Contador Auditor Contador General

Juan Solís Estudiante Ingeniería Comercial, mención Economía Técnico en Programación

Página 3

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

Si deseas comunicarte con el Programa de Apoyo Académico lo puedes hacer en: Oficina Teléfono Torre 105-B 9783493 programa.apoyo.academico@gmail.com Emails Web paa@fen.uchile.cl http://paa.fen.uchile.cl//

Página 4

v…………………………………………………….. 40 4... 16 1..10 Ortogonalidad……………………………………………………………………. 21 2.9 Vector Unitario……………………………....3 El conjunto M mxn (K ) ……………………………………………………………… 18 2.2 Notación Matricial……………………………………………………………….. 25 2. 30 3......5 Significado geométrico de la Norma Euclidiana…………………………………. 35 3..e..... 16 1.…………………………………. 39 4...5 Representación gráfica de vectores………………………………………………… 17 Unidad 2: MATRICES………………………………………………………………… 18 2.3 Suma y Suma Directa de s... 41 4... 37 4.5 El conjunto M mxn (K ) como Espacio Vectorial……………………………………..4 Vector de Coordenadas……………….....1 Definiciones………………………………………………………………………..……………………………………… 43 4. 7 1. 26 Unidad 3: SISTEMA DE ECUACIONES LINEALES………………………………...6 Norma inducida por un producto interno…………………………………………....10 Determinantes…………………………………………………………………….. 7 1. 33 3.2 Notación…………………………………………………………………………… 18 2... 31 3. 37 4. 44 Página 5 ..3 Norma de un vector………………………………...5 Sistemas Homogéneos…………………………………………………………….....PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES INDICE Unidad 1: ESPACIOS VECTORIALES……………………………………………... 19 2... 24 2.9 Método de Gauss para invertir Matrices……….2 Productos Internos usuales…………………………………………………………....6 Teorema importante……………………………………………………………….... 39 4. 30 3.... 21 2....... 39 4.7 Matrices Elementales (Cuadrada)…………………………………………………..…………………………………….4 Operaciones entre Matrices……………………………………………………….1 Estructuras Algebraicas ……………………………………………………………...7 Angulo entre dos vectores…………………………………………………………..4 Método de solución para sistemas con solución única……………………………...........………………………………......3 Naturaleza de las soluciones………………………………………………………....8 Operaciones Elementales………………………….. 38 4.1 Definición…………………………………………………………………………...2 Espacios Vectoriales ………………………………………………………………… 9 1... 30 3.. 36 Unidad 4: ELEMENTOS DE GEOMETRIA VECTORIAL………………………….8 Proyección Ortogonal……………………………………………………………… 42 4.....6 Definiciones básicas y consideraciones del lenguaje……………………………….. 25 2...……………………………….4 Algunas Normas en R n ………………………………………………………….1 Producto interno……………………………. 18 2..

4 Expresión Analítica de una F.7 Formas Cuadráticas (F.1 Definición………………………………………………………………………….5 Representacion Mat6ricial Diagonal……………………………………………….PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Unidad 5: TRANSFORMACIONES LINEALES……………………………………. 74 7.. 57 5. 75 7. 67 6.. 71 6.3 Imagen de una T.B)………………………………………….1 Definición…………………………………………………………………………. 55 5.3 Teorema…………………………………………………………………………… 66 6. 55 5.B…………………………………………………. 65 6. 65 6.4 Procedimiento general para el cálculo de Valores y Vectores Propios…………. 79 7.C)………………………………………………………….6 Formas Bilineales Antisimétricas………………………………………………….3 El conjunto B (v)…………………………………………………………………. 74 7...4 Matriz Representante de una TL…………………………………………………… 62 Unidad 6: VALORES Y VACTORES PROPIOS……………………………………..6 Teorema de Cayley-Hamilton ……………………………………………………. 75 7..5 Formas Bilineales Simétricas……………………………………………………… 77 7..1 Definición………………………………………………………………………….2 Propiedades básicas………………………………………………………………….L………………………………………………………………… 60 5.2 Teorema…………………………………………………………………………… 66 6.2 Núcleo de una T. 72 Unidad 7: FORMAS BINLINEALES (F.L…………………………………………………………………... 75 7. 81 Página 6 .

c є A (b*c) ∆ a = (b ∆ a)*(c ∆ a) Página 7 . Si * es una LCI entonces. #. b. b.b є A * es asociativa ssi (a*b)*c = a*(b*c) ∀ a.b) Ejemplos: 1) * : Z x Z (a.b) 2) ∆ : R x R (a. más precisamente se define: *:AxA (a.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Unidad 1 ESPACIOS VECTORIALES 1. se dice que ∆ es distributiva con respecto a * ssi: a ∆ (b*c) = (a ∆ b)*(a ∆ c) ∀ a. ∆. b є A Si ∆ es otra LCI definida en A.b) Z a*b = a+b +a·b R a∆b= 3 A a*b a3 + b3 b) Propiedades de una LCI Sea * : A x A A una LCI. c є A Un elemento e є A es neutro para * ssi a*e=a ∧ e*a=a ∀ a є A Un elemento a є A es simetrizable ssi existe a’ є A tal que a*a’=e ∧ a’*a=e a’ es el simétrico de a y viceversa.1 ESTRUCTURAS ALGEBRAICAS a) Ley de Composición Interna (LCI) Podemos entenderla como una “operación” entre elementos (generalmente numéricos) Las LCI se denotan por *. se dice que: • • • • • • * es cerrada ssi a*b є A ∀ a. * es conmutativa ssi a*b = b*a ∀ a.

∆) se llama cuerpo ssi: 1° LCI • * es cerrada • * es asociativa • Existe elemento Neutro para * • Todo elemento es simetrizable bajo * • * es conmutativa • • • • • • ∆ es cerrada ∆ es asociativa Existe elemento Neutro para ∆ Todo elemento es simetrizable bajo ∆ ∆ es conmutativa ∆ es distributiva c/r a * 1° LCI 2° LCI Ejemplos: (R.·). (C.*) es grupo abeliano ssi • • • • • * es cerrada * es asociativa Existe elemento Neutro Todo elemento es simetrizable.·). (Q.·).·). d) Estructura de Grupo Abeliano Sea (A.+. *. * es conmutativa 2° LCI Grupo Abeliano e) Estructura de Cuerpo Una estructura algebraica (A.+. + . ∆) Ejemplo: (Z.*) con * definida: a*b = a + b + a·b a*e = a (Z.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES c) Estructura Algebraica Se llama estructura algebraica a un conjunto A dotado de una o más LCI Se denotan: (A.+.+. +. (C. · ) son estructuras de cuerpo La usaremos casi siempre Página 8 . (R. … son estructuras algebraicas. · ). *.*) una estructura algebraica (sólo una LCI) se dice que (A. *) ó (A.

2) (α+β)*u = (α*u) ⊕ (β*u) b. w. y b) Los elementos del cuerpo K los llamaremos escalares.2 Propiedades Básicas. e) Análogamente usaremos el símbolo · para denotar multiplicación de escalares.2 ESPACIOS VECTORIALES. … usualmente. · ) una estructura de cuerpo. δ. r r ∀α є K a) α· 0 = 0 r r r r ∀ uє V b) 0 · u = 0 Escalar (A veces se denota 0 k para denotar el escalar 0) r r r r ∀ α є K. sea (K. x .3) (α·β)*u = α*( β*u) b. ⊕ ) una estructura algebraica. el que denotaremos por 0 r r r r r r r ∀u Cumple: 0 + u = u ∧ u + 0 = u V que cumple: 1. γ.1 Definición Sea ( V. Se dice que V es un espacio vectorial sobre K (o un K – espacio vectorial) ssi: a) ( V. v .2. + . ∀ u є V c) (-α)· u =α·(. tiene elemento neutro. los denotaremos por r r r r r u . se llama producto por escalar o producto escalar. d) En adelante usaremos el símbolo + para denotar suma de vectores y suma de escalares.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1.4) 1*u = u Observaciones: a) Los elementos del espacio vectorial V los llamaremos vectores. ⊕ ) es grupo abeliano b) Existe ley de composición externa * : K x V b.u )=-(α· u ) Página 9 . 1. c) La ley de composición externa *. Pero se debe tener presente que son operaciones distintas. y producto escalar.2. Se denotaran por α. r f) Como V es grupo abeliano. por simplicidad.1) α*(u ⊕ v) = (α*u) ⊕ (α*v) b. β.

.. NOTA: Este espacio lo estudiaremos más adelante.... x n + y n ) Producto escalar r r α ⋅ x (αx1 .... Sea X = (2. + A1 X + A 0 q(x) = B n X n + B n −1 X n −1 + .2... Y2 .-3..... Y3 ... x 2 + y 2 . X 2 .….12) b) R n [x] es espacio vectorial sobre R. Yn ) Suma de vectores r r X + Y = ( x1 + y1 .4) r Y = (8.. Ejemplo: R 2 [x] conjunto de polinomios de grado 2 o menor. X 3 . αx 2 . 2.... X n ) r Y = (Y1 ..) Con las siguientes operaciones suma de vectores y producto escalar: r Sea X = ( X 1 . a) R n es un espacio vectorial sobre R (n = 1.. R n [x] denota conjunto de polinomios de grado no menor con coeficientes en R..3 Ejemplos de espacios vectoriales. + (αA1 ) X + (αA0 ) c) M mxn (R) es espacio vectorial sobre R M mxn (R) es el conjunto de todas las “matrices” de m filas y n columnas. αx 3 .-15......5) r 3 · X = (6.2.. con coeficientes en R. αx n ) Ejemplo: r En R 3 ..-5. + B1 X + B 0 Suma de vectores: P(x) + q(x) = ( An + B n ) X n + ( An −1 + B n −1 ) X n −1 + . Página 10 ..... + ( A1 + B1 ) X + ( A0 + B 0 ) Producto escalar: α·p (x = (αAn ) X n + (αAn −1 ) X n −1 + .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1. p (x) = + 1 є R 2 [x] q (x) = 5 + 2x – 2 є R 2 [x] Las operaciones: Sean p(x) = An X n + An −1 X n −1 + . 3.....1) r r X + Y = (10.

b. α є K ⇒ α· x є W a) V W r 0 b) V c) V W K α r r x.4 Subespacios Vectoriales Sea V un espacio vectorial sobre un cuerpo K Sea W ⊆ V V W se llama subespacio vectorial de V.4.e.5) ∉ W ya que: 3+4 = 2·2 2) En R 3 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1.2. y r r x+ y r x r αx Ejemplos: 1) En R 3 sobre R Sea W = {(a. c) / a + b = ac} ⊆ R 3 ¿Es un s.2) 2+2=2·2 r r x + y = (3.2. ssi W es un W espacio vectorial Teorema de caracterización de los subespacios vectoriales W es s.e. sea w = {(a.2. b. Y є W ⇒ x + y є W r r c) x є W.3) є W 1+2=1·3 r Y = (2.v de V ssi: r a) 0 є W r r r r b) X .v de R 3 Página 11 .e. c) / a + b = 2} Demostrar que w es s.v en R 3 ? Respuesta: NO! r Contraejemplo: Sean x = (1.

4.26.0) Se cumple 0+0 = 2·0 r b) Sean x = ( x1 .l da como resultado..-4) es c. x 2 + y 2 ..-4) r r Se dice que el vector (17.6.6.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Solución: r a) PD 0 є W r 0 = (0.. x 2 .2. v n } ⊆ V Una combinación de vectores de A. (5.-2)+3(5. x 3 ) r Y = ( y1 . es una expresión del tipo: α 1 v1 + α 2 v 2 + .α n v n r r Ejemplo: En R 3 sea A = {(1.0.D r r c) PD x є W..−2)..E. αx 3 ) PD: (αx1 ) + (αx 2 ) = 2(αx 3 ) /·α ⇒ α ( x1 + x 2 ) = α (2 x 3 ) ⇔ (αx1 ) + (αx 2 ) = 2(αx 3 ) QED 1.0)} una c.l de v1 y v 2 Página 12 . y 3 ) r x є W ⇔ x1 + x 2 = 2x 3 r Y є W ⇔ y1 + y 2 = 2 y 3 (*) r r x + Y = ( x1 + y1 . α є W ⇒ α· x є W r EE x є W ⇔ x1 + x 2 = 2x 3 r α x = (αx1 . el vector (17.l de v1 y v 2 es: 2(1..4.0) r r r NOTA: Esta c.26.5 Combinación Lineal Sea V un espacio vectorial sobre un cuerpo K r r r Sea A= {v1 . αx 2 . x 3 + y 3 ) PD ( x1 + y1 ) + ( x 2 + y 2 ) = 2( x 3 + y 3 ) De hipótesis (*): ( x1 + x 2 ) + ( y1 + y 2 ) = 2 x 3 + 2 y 3 ⇔ ( x1 + y1 ) + ( x 2 + y 2 ) = 2( x 3 + y 3 ) Q. y 2 . v 2 .

. los vectores de A. α 3 = −1 que anulan la combinación lineal.0.D ⇔ ∃i tal que v i ∈ <A. v n } ⊆ V Entonces la notación <A> indica conjunto generado por A (o por los vectores de A) Se define como el conjunto de todas las c.2) + 1(-2.10.3... α 2 .4.5) + (-1)(0.{v i } > TEOREMA: Página 13 .3. v 2 ..D = Linealmente Dependiente) En efecto 2(1.....7 Dependencia lineal de vectores Sea V un espacio vectorial sobre un cuerpo K. v n } ⊆ V . Propuesta 1.. Propuesta.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1... x = α 1 v1 + α 2 v 2 + . + α n v n } TEOREMA: <A> es s.9) = (0.... r r r Sea A= {v1 . α n no todos nulos tales que: r r r r α1v1 + α 2 v2 + . + α n v = 0 Ejemplo: En R 3 ... α n ∈ K .2).. Diremos que A es linealmente dependiente (o que los vectores de A son linealmente dependientes) ssi existen escalares α1 . (0. Entonces: r r A es L.l de.... α 2 .D (L. TEOREMA: r Todo conjunto que contiene el vector 0 es L.. Sea V un espacio vectorial sobre K r r r Sea A= {v1 .5). Sea A= {(1.2..10. v 2 . ( −2. v n } ⊆ V .v de Dem.2..9)} A es L. r r r Sea A = {v1 .D Dem.e. α 2 = 1 .6 Subespacio Generado.0) Luego existen escalares no nulos α 1 = 2 . v 2 .4.. En otras palabras: r r r r r <A> = {x ∈ V / ∃α 1 .

v 2 . En R 2 la base canónica es {(1.. (0. r r r Sea A = {v1 . tales que α1v1 + α 2 v2 + .2.1. (0.2.Un espacio vectorial posee infinitas bases.l nula de los vectores.....PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Demostración: Por hipótesis A es L.. + ⎜ α ⎟v i −1 + ⎜ α ⎟v i +1 + . Si A1 y A2 Son dos bases de V entonces # A1 = # A2 2. α 2 .9 Base de un espacio vectorial Sea V un espacio vectorial sobre K.1)} En R 3 la base canónica es {(1.. (0..D ⇒ ⇐ Propuesto 1.0).0)...I si la única forma de obtener una c.I OBSERVACIONES: 1.. α n no todos nulos. + ⎜ α ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ i i ⎝ i ⎠ ⎝ i ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ i r (∴ v i es una combinación lineal de los n-1 restantes vectores) r r ∴ v i є <A.1)} ˆ ˆ ˆ k i j Página 14 . − α n v n / : α i ⎛ − α 2 −1 ⎞ r ⎛ − α i +1 ⎞ r ⎛ −α n r ⎛ − α1 ⎞ r ⎛ − α 2 ⎞r vi = ⎜ ⎜ α ⎟v1 + ⎜ α ⎟v 2 + .. 1... v n } ⊆ V . v n } ⊆ V .. Se dice que Aes linealmente independiente (o que los vectores de A son linealmente r r r r independientes) ssi α1v1 + α 2 v2 + . v 2 .. pero todas ellas tienen igual número de elementos.Se llama base canónica de un espacio vectorial.E. Es decir.D r r r r ∴ ∃ α1 ..0.. es con todos los escalares nulos. + α n v = 0 ⇒ α 1 = α 2 = …= α n = 0 Es decir A es L.... a la base estándar o más simple. − α 2 −1 v i −1 − α i +1 v i +1 − . + α n v = 0 Supongamos que α 1 ≠ 0 r r r r r r α i v i = −α 1 v1 − α 2 v 2 ..0).8 Independencia lineal ⎞r ⎟v n ⎟ ⎠ r r r Sea A = {v1 .{v i } > Q.0.. Se dice que A es base de V ssi: a) <A> = V b) A es L....

+ α n v n + (−α 1 v1 − α 2 v 2 − . y no todos los escalares son nulos (hay uno que es (-1) Dem ii) Propuesta 1. v 2 .D) ii) A es un conjunto minimal generador (si se le quita un vector... Se denota dim(V)= n. i) A es un conjunto maximal L. r r r Sea A = {v1 . Página 15 . α 2 .10 Dimensión de un espacio vectorial.. α n tales que: r r r r v * = α 1 v1 + α 2 v 2 + . v 2 . v n . es L.. deja de generar el espacio) Dem i) r r r r Consideremos el conjunto A’ = {v1 . v 2 ..D Como A es base de V entonces existen escalares α 1 .. v * } PD: A’ es L.. − α n v n ) r = 0 ∴ Tenemos una c......PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES TEOREMA: Sea V un espacio vectorial..... r r r Si A = {v1 ...2. v n } ⊆ V una base de V entonces. + α n v n Consideremos el siguiente vector: r r r r r x = α 1 v1 + α 2 v 2 + .I (si se le agrega un vector.... v n } es una base cualquiera de un espacio V. + α n v n + ( −1)v * r r r r r r = α 1 v1 + α 2 v 2 + ..l de los vectores de A’ que es nula. entonces la dimensión de V es igual al numero natural “n” (es igual al números de vectores de cualquier de V)...

-1. α n tales que x = α 1 v1 + α 2 v 2 + . Sean w1 y w 2 dos s. v 2 .(0..0) + 6(0.0..1) r ∴ [x] A = (5.0) + (-3) (0.. r r r Sea A = {v1 .e.1. Entonces el conjunto w1 + w 2 se llama conjunto suma de w1 y w 2 r r r r r r Se define: w1 y w 2 = {x ∈ V / x = w1 + w 2 .-1).0)} r r Sea x = (5.0) α – β + 3 = 5 α = 10 -α +2β = 6 β=8 r ∴ [x] A = (10... α 2 . Si A={(1.0.6) Página 16 . α 2 . α n ) se llama vector de coordenadas de x con respecto a la r r base A..(-1..-1.V Sea V un espacio vectorial sobre K.4 VECTOR DE COORDENADAS..-1) + 8(-1.v de V (dem.6) = 10(1.2)..-3. α n ) Ejemplos: En R 3 1) Sea la base A={(1.8...-3. Propuesta) dim( w1 + w 2 ) = dim( w1 ) + dim( w 2 ) – dim( w1 ∩ w2 ) * Se dice que V es suma directa de w1 y w 2 .6. Lo denotamos [x] A ....0).6).2) + 3(1.0. α 2 .-3.v de V.1.1)} base canónica de R 3 (5.0. Luego existen escalares α 1 . v n } una base ordenada de un espacio vectorial V. r r r r r Sea x є V.(1.0.0.3 SUMA Y SUMA DIRECTA DE S..e.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1.(0.3) 2) Idem..0. w1 ∈ w1 .-3) = 5(1.0). ssi: a) V = w1 + w 2 r r r r r r b) ∀x ∈ V (∃! w1 ∈ w1 )(∃! w 2 ∈ w 2 ) tales que x = w1 + w2 (Todo vector de V se escribe de manera única como suma de un vector de w1 y otro de w 2 ) NOTACION: V= w1 ⊕ w 2 TEOREMA: V= w1 ⊕ w 2 ssi: a) V = w1 y w 2 r b) w1 ∩ w2 = 0 {} 1.E. w 2 ∈ w 2 } TEOREMA: w1 + w 2 es s. Determinar [x] A (5.0.. Es decir [x] A = ( α 1 .. + α n v n r Entonces la n-tupla ( α 1 .

son iguales. Se representan por “flechas” r v Todo vector queda determinado por tres elementos: a) Módulo (“largo de la flecha”) b) Dirección (ángulo respecto a la línea de referencia) c) Sentido (hacia sonde apunta la flecha) Se desprende que si dos vectores tienen igual módulo.5 REPRESENTACION GRAFICA DE VECTORES. dirección y sentido.v = u 6+ (. r u SUMA: Ley del paralelogramo r v r r u =v r u r v r u r v r α· v (α>1) r α· v (0<α<1) r r u + v MULTIPLICACIOMN POR ESCALAR: r v r α· v (α<-1) Notar que la dirección no cambia al multiplicar por escalar RESTA: r u r r u -v r -v r v r u r r u .v ) r v r r u -v Página 17 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1.v=? r r r r u . También se desprende que todo vector se puede desplazar parablemente. y no cambia.

⎛1 4 − 2 6⎞ ⎟ ⎜ Sea A= ⎜ 5 0 1 4 ⎟ es una matriz de 3x4 ⎜ 2 1 −1 7 ⎟ ⎠ 3x4 ⎝ a 32 =1 y a 21 = 5 2.3 EL CONJUNTO M mxn (K ) Es el conjunto de todas las matrices de n filas. j=1.2. a 2 n ⎟ : ⎟ ⎟ .C..X.m .. Se usan generalmente letras mayúsculas para denotar matrices: A. Llamaremos matriz al arreglo bidimensional de escalares del tipo: ⎛ a11 ⎜ ⎜ a 21 ⎜ : ⎜ ⎜a ⎝ m1 a12 a 22 : a m2 .Y. se anota en forma abreviada: A= ( a ij ) mxn aij representa el numero ubicado en la fila i y en la columna j. aij є K} En el ejemplo anterior A є M 3 x 4 ( R ) NOTA: M n (K ) ≡ M nxn (K ) Página 18 .n.…. a1n ⎞ ⎟ .… Si A es un matriz como la del punto anterior..….B. a mn ⎟ ⎠ m filas n columnas 2... con coeficientes en K M mxn (K ) = {A=( aij )/i=1.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Unidad 2 MATRICES 2..2 NOTACION.1 DEFINICION.….2. n columnas.

A esto le llamaremos condición de consistencia de la multiplicación.4. entonces se define: α·A = (α ⋅ a ij ) mxn ⎛ 4 1 2 ⎞ ⎛ 20 5 10 ⎞ Ejemplo: 5 ⎜ ⎜ − 3 1 6 ⎟ = ⎜ − 15 5 30 ⎟ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠ 2.1 Suma: +: M mxn (K ) x M mxn (K ) B= (bij ) mxn A+B = (aij + bij ) mxn M mxn (K ) Si A= ( a ij ) mxn Se define: Ejemplo: ⎛1 3⎞ ⎛ − 4 0 ⎞ ⎛ − 3 3⎞ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎜ 4 2⎟ + ⎜ 5 − 2⎟ = ⎜ 9 0⎟ ⎜5 6⎟ ⎜ 1 1 ⎟ ⎜ 6 7⎟ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ 2.4.2 Producto escalar: • : K x M mxn (K ) M mxn (K ) Si A = ( a ij ) mxn . B= (bij ) mxp Se define: A · B = cik = (c ik ) mxp en que: ∑ (a j =1 n ij ⋅ b jk ) Página 19 .3 Multiplicación: • : M mxn (K ) x M nxp (K ) M mxp (K ) Notar que el número de columnas de la primera matriz debe coincidir con el número de filas de la segunda.4 OPERACIONES ENTRE MATRICES 2. Sean: A= ( a ij ) mxn .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2.4.

aunque se den las condiciones de consistencia. la multiplicación de matrices es distributiva respecto a la suma. d) La suma de matrices es asociativa: (A + B) + C = A + (B + C) Página 20 . es decir A+B = B+A b) Dadas las condiciones de consistencia para la multiplicación.4. Es decir A(B + C) = AB + AC c) La multiplicación de matrices NO es conmutativa.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ejemplo: ⎛5 ⎜ ⎛2 4 5 6⎞ ⎜ 4 ⎜ ⎜1 1 0 2⎟ ⎜1 ⎟ ⎝ ⎠ 2x4 ⎜ ⎜2 ⎝ 2 1⎞ ⎟ 6 2⎟ 0 1⎟ ⎟ 6 7 ⎟ 4 x3 ⎠ ⎛ 2 ⋅ 5 + 4 ⋅ 4 + 5 ⋅1 + 6 ⋅ 2 2 ⋅ 2 + 4 ⋅ 3 + 5 ⋅ 0 + 6 ⋅ 6 2 ⋅1 + 4 ⋅ 2 + 5 ⋅1 + 6 ⋅ 7 ⎞ ⎜ ⎟ = ⎜ 1 ⋅ 5 + 1 ⋅ 4 + 0 ⋅1 + 2 ⋅ 2 1 ⋅ 2 + 1 ⋅ 3 + 0 ⋅ 0 + 2 ⋅ 6 1 ⋅1 + 1 ⋅ 2 + 0 ⋅1 + 2 ⋅ 7 ⎟ ⎝ ⎠ ⎛ 43 52 57 ⎞ ⎜ ⎟ = ⎜ 13 17 17 ⎟ ⎝ ⎠ 2 x3 2.4 Propiedades: a) La suma de matrices es conmutativa.

6.6..4.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2.. la diagonal de A es el conjunto escalares { a ii } i=1.3. entonces la traza de A denotada Tr(A) es: Tr(A) = elementos de la diagonal) 2..1 Matriz cuadrada Una matriz A = ( a ij ) mxn se llama cuadrada si m=n (igual numero de filas que de columnas) 2... 0 ⎟ ⎝ ⎠ mxn Matriz neutro: 2.6 Matriz Diagonal (Sólo para cuadradas) Sea A = ( a ij ) nxn A se llama matriz diagonal.2 Diagonal de una matriz (Sólo para cuadradas) Sea A = ( a ij ) mxn ... 0 ⎟ ⎜: : :⎟ ⎜ ⎟ ⎜ 0 0 . ⎛ 0 0 ..3 Traza de una matriz (Sólo para cuadradas) Si A = ( a ij ) nxn . a1n ⎞ ⎟ .6.5 EL CONJUNTO M mxn (K ) COMO ESPACIO VECTORIAL Con las operaciones suma y producto por escalar vistas anteriormente. a mn ⎟ ⎠ diagonal 2.…. si a ij = 0 ∀ i ≠ j ⎛5 ⎜ ⎜0 Ejemplo: ⎜ 0 ⎜ ⎜0 ⎝ 0 2 0 0 0 0 0 0 0⎞ ⎟ 0⎟ 0⎟ ⎟ 3⎟ ⎠ ∑a k =1 n kk (suma de los es diagonal Página 21 .n ⎛ a11 ⎜ ⎜ a 21 ⎜ : ⎜ ⎜a ⎝ m1 a12 a 22 : a m2 .2.6 DEFINICIONES BASICAS Y CONSIDERACIONES DEL LENGUAJE. a 2 n ⎟ : ⎟ ⎟ .... 0 ⎞ ⎜ ⎟ ⎜ 0 0 .. 2. el conjunto M mxn (K ) es un espacio vectorial sobre K.

n Si a ij = a ji ∀j = 1.6.6.5 Matrices Triangulares (Sólo para matrices cuadradas) Una matriz A = ( a ij ) nxn se llama triangular superior si a ij = 0 ∀ i < j ⎛5 ⎜ ⎜4 Ejemplo ⎜ 6 ⎜ ⎜5 ⎝ 0 1 3 2 0 0 4 7 0⎞ ⎟ 0⎟ 0 ⎟ es triangular inferior ⎟ 1⎟ ⎠ 2. entonces A = AT y viceversa....PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2..2...7 Matriz Simétrica (Sólo para cuadradas) A = ( a ij ) mxn se llama simétrica ∀i = 1. es decir: A es simétrica <=> A = AT Página 22 .6 Matriz Traspuesta Sea A = ( a ij ) mxn . Se define AT = ( a ji ) nxm ⎛1 4⎞ ⎟ ⎜ ⎛1 2 7⎞ T ⎜ 2 3⎟ ⇒ A = ⎜ ⎜ 4 3 5⎟ ⎟ Ejemplo: A = ⎝ ⎠ ⎜7 5⎟ ⎠ 3x2 ⎝ PROPIEDADES: a) (A+B) T = AT + B T b) (α ⋅ A T ) = α ⋅ A T c) ( A T ) T = A d) (AB) T = B T AT α ∈Κ 2..6.2. n ⎛ 3 −2 1 7 ⎞ ⎜ ⎟ ⎜− 2 9 6 8 ⎟ Ejemplo ⎜ 1 6 7 4 ⎟ es simétrica ⎜ ⎟ ⎜ 7 8 4 − 6⎟ ⎝ ⎠ Observación: Si A es simétrica.. entonces AT denota la matriz traspuesta de A.

La condición para que A sea invertible la veremos más adelante. su inversa A −1 NO siempre existe. se dice que A es INVERTIBLE o NO SINGULAR. la matriz inversa de A. denotada A −1 A y A −1 son tales que: A ⋅ A −1 = I ∧ A −1 ⋅ A = I NOTA: Dada una matriz cuadrada A.9 Matriz Inversa (Sólo para cuadradas) Sea A = ( a ij ) mxn . Es decir: A·I = A y I·A = A 2. Página 23 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2.6.8 Matriz Identidad (Sólo para cuadradas) Una matriz A = ( a ij ) mxn se llama matriz identidad ssi: 1 si i = j a ij 0 si i ≠ j Se denotan por In ⎛1 0 0⎞ ⎟ ⎜ Ejemplo I 3 = ⎜ 0 1 0 ⎟ ⎜0 0 1⎟ ⎠ ⎝ NOTA: La matriz identidad es el neutro para la multiplicación de matrices cuadradas.6. es otra matriz de nxn. Si A −1 existe.

7.2 La matriz E ij (λ ) Se obtiene de la identidad reemplazando el elemento de la posición i. el resultado es que en la matriz A se intercambian la fila i con la fila j. E ij (λ ) . Las denotaremos por: E ij .7.7 MATRICES ELEMENTALES (Cuadrada) Existen 3 tipos de matrices elementales llamadas elementales.1 La matriz E ij Se obtiene a partir de la identidad intercambiando la fila i y la fila j Ejemplo: En M 3 ( R ) E 23 ⎛1 0 0⎞ ⎛1 0 ⎟ ⎜ ⎜ ⇒ E 23 = ⎜ 0 0 I 3 = ⎜0 1 0⎟ ⎜0 0 1⎟ ⎜0 1 ⎠ ⎝ ⎝ Al multiplicar por la izquierda la matriz 0⎞ ⎟ 1⎟ 0⎟ ⎠ E ij por una matriz A cualquiera. el resultado es que a la fila i de la matriz A se le suma la fila j multiplicada por λ. ⎛ 1 0 0⎞ ⎛ 1 2 3⎞ ⎛ 1 2 3⎞ ⎟⎜ ⎟ ⎜ ⎟ ⎜ = ⎜0 0 1⎟ ⎜ 4 5 6⎟ = ⎜7 8 9⎟ ⎜0 1 0⎟ ⎜7 8 9⎟ ⎜ 4 5 6⎟ ⎠⎝ ⎠ ⎝ ⎠ ⎝ Ejemplo: E 23 2. E i (λ ) 2. ⎛1 ⎜ ⎜0 Ejemplo: ⎜ 0 ⎜ ⎜0 ⎝ 0 7 0⎞ ⎛ 3 ⎟ ⎜ 1 0 0⎟ ⎜ 5 · 0 1 0⎟ ⎜ 2 ⎟ ⎜ 0 0 1⎟ ⎜6 ⎠ ⎝ E13 (7) 1 1 1 6 A 4 0 1 7 2 ⎞ ⎛10 ⎟ ⎜ 3⎟ ⎜ 5 = 4⎟ ⎜ 2 ⎟ ⎜ 9⎟ ⎜ 6 ⎠ ⎝ 8 11 30 ⎞ ⎟ 1 0 3⎟ 1 1 4⎟ ⎟ 6 7 9⎟ ⎠ Página 24 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2.j (que es un cero) Ejemplo: En M 3 ( R ) . E13 (7) = ? ⎛1 0 0 0⎞ ⎛ 1 0 7 0⎞ ⎜ ⎟ ⎜ ⎟ ⎜ 0 1 0 0⎟ ⎜ 0 1 0 0⎟ I4 =⎜ ⇒ E13 (7) = ⎜ 0 0 1 0⎟ 0 0 1 0⎟ ⎜ ⎟ ⎜ ⎟ ⎜0 0 0 1⎟ ⎜0 0 0 1⎟ ⎝ ⎠ ⎝ ⎠ Al multiplicar por la izquierda la matriz E ij (λ ) por una matriz A cualquiera.

E q q matrices elementales de cualquiera de los 3 tipos. Es decir se reemplaza el elemento de la posición i.. Sean E1 . tales que: ( E q ⋅ . convenientemente elegidas.. que transforman a A en la identidad.. ⎛1 ⎜ ⎜0 Ejemplo: ⎜ 0 ⎜ ⎜0 ⎝ 0 1 0 0 7 0⎞ ⎛ 3 ⎟ ⎜ 0 0⎟ ⎜ 5 · 5 0⎟ ⎜ 2 ⎟ ⎜ 0 1⎟ ⎜6 ⎠ ⎝ E 3 (5) 1 1 1 6 A 4 0 1 7 2⎞ ⎛ 3 1 ⎟ ⎜ 3⎟ ⎜ 5 1 = 4 ⎟ ⎜10 5 ⎟ ⎜ 9⎟ ⎜ 6 6 ⎠ ⎝ 4 2⎞ ⎟ 0 3⎟ 5 20 ⎟ ⎟ 7 9⎟ ⎠ 2. E 2 .. pero para i=j. ⋅ E 3 ⋅ E 2 ⋅ E1 ) ⋅ A = I En conclusión A −1 es el producto de un “cierto” número de matrices elementales. “convenientemente” elegidas. transformar A en la identidad.8 OPERACIONES ELEMENTALES Las 3 matrices elementales antes vistas.i de la identidad (que es un 1) por λ.3 La Matriz E i (λ ) Se obtiene de la misma forma que E ij (λ ) . el resultado es que toda la fila de la matriz A queda multiplicada por λ. dan origen a las siguientes operaciones elementales en una matriz A cualquiera. Es un proceso del tipo: [A I ] ……… …….9 METODO DE GAUSS PARA INVERTIR MATRICES. [I B] −1 c) Se identifica A = B Página 25 . E 3 . También conocido como “eliminación Gaussiana” Sea A una matriz invertible.. a) Intercambiar dos filas b) A una fila sumarle otra multiplicada por un escalar c) Multiplicar toda una fila por un escalar 2..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2. Al multiplicar por la izquierda esta matriz por una matriz A.7. • El método se resume en el siguiente algoritmo: a) Formar la matriz ampliada: [A I ] b) Mediante sucesivas operaciones elementales por filas en la matriz ampliada. al multiplicar por la izquierda..

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ejemplo: ⎛ 1 1 −1⎞ ⎟ ⎜ Sea A = ⎜ 1 − 1 1 ⎟ Determinar A −1 ⎜ 2 2 − 3⎟ ⎠ ⎝ Solución: ⎡1 1 − 1 1 0 0⎤ E 21 (−1) ⎡1 1 ⎢1 − 1 1 0 1 0 ⎥ ⎯ ⎢ ⎢ ⎥ ⎯→ ⎢0 − 2 ⎢2 2 − 3 0 0 1⎥ E 31 (−2) ⎢0 0 ⎣ ⎦ ⎣ por el método de Gauss. −1 0 0⎤ E 3 (−1) ⎡1 1 − 1 1 0 0 ⎤ ⎢ ⎥ 2 − 1 1 0⎥ ⎯ ⎥ ⎯→ ⎢0 − 2 2 − 1 1 0 ⎥ ⎢0 0 − 1 − 2 0 1⎥ 1 2 0 − 1⎥ ⎦ ⎣ ⎦ 1 E 23 (−2) ⎡1 1 0 3 0 − 1⎤ E 2 (− 1 2) ⎡1 1 0 ⎢ ⎯ ⎯→ ⎢0 − 2 0 − 5 1 2 ⎥ ⎯ ⎢ ⎥ ⎯→ ⎢0 1 0 ⎢0 0 1 E13 (1) ⎢0 0 1 2 0 − 1⎥ ⎣ ⎣ ⎦ E12 (−1) ⎡1 0 0 ⎢ ⎯ ⎯→ ⎢0 1 0 ⎢ ⎢0 0 1 ⎣ − 1⎤ 3 0 5 −1 − 1⎥ ⎥ 2 2 − 1⎥ 2 0 ⎦ 1 ⎛1 0⎤ 0⎞ 0 ⎞ ⎛1 1 ⎜ 2 ⎟ 2 2 ⎥ ⎟ 1⎜ −1 5 −1 −1 1 ⎥∴ A = ⎜ 5 1 ⎟ = ⎜ 5 −1 2 ⎟ 2 2 2 ⎜ 2 ⎟ 2⎜ ⎥ ⎟ − 1⎥ − 1⎟ 2 0 0 ⎜ 2 ⎝ 4 0 − 2⎠ ⎦ ⎝ ⎠ 1 2 1 Página 26 .

uno de la 3°. elegidos sin repetir la posición dentro de la columna.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 2. 2. uno de la n-ésima. surgidas de esta definición con permutaciones. Entonces el determinante de A es un escalar denotado det(A) ó |A| En otras palabras | |: M n (K ) K A |A| Determinante se define mediante el concepto de “permutación” Al respecto solo diremos que el determinante de una matriz de nxn consiste en la suma de n! productos. A continuación veremos las formulas para el calculo de determinantes. uno de la 2°.3 Caso 3x3: a11 det a 21 a 31 a11 a 21 a12 a 22 a 32 a12 a 22 a13 a 23 a 33 a13 a 23 + = a11 ⋅ a 22 ⋅ a 33 + a 21 ⋅ a 32 ⋅ a13 + a 31 ⋅ a12 ⋅ a 23 − a 31 ⋅ a 22 ⋅ a13 − a 21 ⋅ a12 ⋅ a 33 + Ejemplo: Página 27 . Estos factores se generan tomando un elemento de la 1° columna.1 Introducción: Sea A є M n (K ) (matriz cuadrada).2 Caso 2x2: ⎛ a11 det ⎜ ⎜a ⎝ 21 a12 ⎞ ⎟ = a11 ⋅ a 22 − a 21 ⋅ a12 a 22 ⎟ ⎠ ⎛ 5 6⎞ Ejemplo: det ⎜ ⎜ − 3 4 ⎟ = 5·4-(-3)·6 = 38 ⎟ ⎝ ⎠ 2. de n factores cada uno.10.10.….10.10 DETERMINANTES 2.

b) Cofactor: Denotaremos por C ij el cofactor de la posición i. Entonces det( A) = ∑ a i k ⋅ c ik k =1 n b) Desarrollo por columna: Se elige una columna. digamos la fila i. Es un escalar definido por: C ij = (−1) i + j ⋅ det(Mi j ( A)) - Fin Previo – Desarrollo de La place para cálculo de determinantes: Sea A = ( a ij ) nxn .4 Caso general nxn: PREVIO: a) Matriz menor: Si A = ( a ij ) nxn entonces M i j ( A) denota la matriz menor de A obtenida eliminando la fila i y la columna j. Ejemplo: ⎛ 4 8 − 6⎞ ⎟ ⎜ A= ⎜ 1 2 4 ⎟ ⎜− 3 7 5 ⎟ ⎠ ⎝ Solución: Elegimos desarrollo por fila i=3 Página 28 .j de la matriz A.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES det −2 4 1 5 1 −3 0 2 −2 4 5 1 1 1 −3 = -2+10+0-0-12-20 = -24 2. Entonces: det( A) = ∑ a kj ⋅ c kj k =1 n NOTA: El valor de det(A) es el mismo independiente de la fila o la columna elegida para su desarrollo. digamos la columna j.10. Entonces el determinante de A se puede calcular de cualquiera de las dos formas siguientes: a) Desarrollo por fila: Se elige una fila.

su determinante que multiplicado por dicho escalar.3) Si una fila es múltiplo de otra el determinante es cero.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ∴ det( A) = ∑ a 3k ⋅ c 3k k =1 3 = a 31 c 31 + a 32 c 32 + a 33 c 33 ⎛ 8 − 6⎞ ⎛ 4 − 6⎞ ⎛4 8⎞ ⎟ + 7(−1) 5 det⎜ ⎟ + 5(−1) 6 det⎜ = (−3)(−1) 4 det⎜ ⎜2 4 ⎟ ⎜1 4 ⎟ ⎜1 2⎟ ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ = (-3)44+(-7)22+5·0 = -286 2.D entonces su determinante es cero (y viceversa).4) Si una fila es combinación lineal de las restantes el determinante es cero. En particular: d. Ejemplo: a12 ⎛ a11 ⎜ det ⎜ α ⋅ a 21 α ⋅ a 22 ⎜ a a 32 ⎝ 31 En general a13 ⎞ ⎛ a11 ⎟ ⎜ α ⋅ a 23 ⎟ = α·det ⎜ a 21 ⎜a a 33 ⎟ ⎠ ⎝ 31 a13 ⎞ ⎟ a 23 ⎟ a 33 ⎟ ⎠ a12 a 22 a 32 det(α·a)= α n ·det(A) con A є M n ( K ) g) Si en una matriz a una fila se le suma otra multiplicada por un escalar (operación elemental n° 2) su determinante no cambia.1) Si una fila completa es nula el determinante es cero. su determinante es igual al producto de los elementos de la diagonal d) Si en una matriz los vectores representados por cada fila son L. d.5 Propiedades generales de los determinantes: a) det(A) = det( AT ) b) det(A·B) = det(A)·det(B) c) si una matriz es diagonal o triangular. Página 29 . e) Si en una matriz se intercambian dos filas el determinante cambia de signo.10. f) Si en una matriz se multiplican todos los elementos de una fila por un escalar. d.2) Si dos filas son iguales el determinante es cero. d.

a n . x n son incógnita (escalares) Una solución de una ecuación lineal es una n-tupla ( k1 ....... a 2 .. 3.............. Un sistema de ecuaciones lineales es un conjunto de ecuaciones del tipo: a11 x1 + a12 x 2 + a13 x 3 + . x 2 .............. k 2 ... x 3 ....... a m1 x1 + a m 2 x 2 + a m 3 x 3 + ... k 2 ...... + a n x n = b Donde a1 .................... ............................. Página 30 .. b son escalares conocidos... k 3 ..... + a mn x n = bn Es un sistema de “n ecuaciones” con “n” incógnitas......1 DEFINICIONES: Una ecuación lineal en n incógnita es del tipo: a1 x1 + a 2 x 2 + a 3 x 3 + .. + a 2 n x n = b2 ....... + a1n x n = b1 a 21 x1 + a 22 x 2 + a 23 x 3 + . x1 . k n ) tal que a1 k 1 + a 2 k 2 + a 3 k 3 + ................... k 3 ...... + a n k n = b es una tautología...2 NOTACION MATRICIAL El sistema se puede escribir de la forma.. k n ) es una solución del sistema si es solución de las m ecuaciones simultáneamente..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Unidad 3 SISTEMA DE ECUACIONES LINEALES 3... Una n-tupla ( k 1 ..

aparece una fila [000. Pueden darse 3 situaciones en cuanto a sus soluciones.3 NATURALEZA DE LAS SOLUCIONES r r Sea el sistema Amxn x = b (n ecuaciones con n incógnitas). c) Si en algún instante. escalonar la matriz A..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ x1 ⎞ ⎛ b1 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ x2 ⎟ ⎜ b2 ⎟ = ⎜ : ⎟ ⎜ : ⎟ : ⎜ ⎟ ⎜ ⎟ ⎜x ⎟ ⎜b ⎟ am2 ⎝ n⎠ ⎝ n⎠ r r A X b (Matriz de los coeficientes) ( vector incógnita) (vector del lado derecho) r r Luego escribiremos el sistema por: Ax = b ⎛ a11 ⎜ ⎜ a 21 ⎜ : ⎜ ⎜a ⎝ m1 a12 a 22 . a1n ⎞ ⎟ .0 k ] con k ≠ 0 entonces el sistema no tiene solución.. Página 31 . en el proceso de escalonamiento.... a 2 n ⎟ : ⎟ ⎟ ..... a) El sistema tiene solución única (hay una única n-tupla que es solución) b) El sistema tiene infinitas soluciones (hay infinitas n-tuplas que son solución) c) El sistema no tiene solución (ninguna n-tupla es solución) PREVIO: Matriz Escalonada Llamemos elemento distinguido de una fila al 1° elemento no nulo de izquierda a derecha. Ejemplo: ⎛3 ⎜ ⎜0 ⎜0 ⎜ ⎜0 ⎝ 4 0 0 0 0 1 0 0 1 2 1 0 5⎞ ⎟ 4⎟ 3⎟ ⎟ 6⎟ ⎠ Es una matriz escalonada - Fin Previo - r r El siguiente algoritmo se usa para conocer el tipo de solución de un sistema Amxn x = b r a) Formar la matriz ampliada A b [ ] b) Mediante operaciones elementales en la matriz ampliada... Una matriz se llama escalonada si el elemento distinguido de cada fila está estrictamente a la derecha del elemento distinguido de la fila anterior.. a mn ⎟ mxn ⎠ 3.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES d) En caso contrario: d. d. NOTA: el número de filas no nulas de A se llama Rango de A Ejemplo 1: ⎛ x⎞ ⎛ 1 2 −1 1 ⎞ ⎜ ⎟ ⎛ 4⎞ ⎟ ⎜ y⎟ ⎜ ⎟ ⎜ ⎜ 2 − 4 − 6 2⎟ ⋅⎜ ⎟ = ⎜ 3⎟ ⎜5 2 − 9 5⎟ ⎜ z ⎟ ⎜1⎟ ⎠ ⎜ w⎟ ⎝ ⎠ ⎝ ⎝ ⎠ r r x b A3x 4 x + 2y − z + w = 4 2 x − 4 y − 6 z + 2w = 3 5 x − 2 y + 9 z − 5w = 1 o bien 4 ⎤ 4 ⎤ ⎡1 2 − 1 1 4⎤ E 21 (−2) ⎡1 2 − 1 1 ⎡1 2 − 1 1 ⎢ 2 − 4 − 6 2 3⎥ ⎯ ⎢0 − 8 − 4 0 − 5 ⎥ E 32 (−1) ⎢0 − 8 − 4 0 − 5 ⎥ ⎢ ⎥ ⎯→ ⎢ ⎥ ⎯ ⎥ ⎯→ ⎢ ⎢5 2 − 9 5 1 ⎥ E 31 (−5) ⎢0 − 8 − 4 0 − 19⎥ ⎢0 0 0 0 − 14⎥ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ∴ Tenemos una fila: [0 0 0 0 −14] ⇒ El sistema no tiene solución. Ejemplo 2: x + 2 y − 3z = 4 x + 3 y + z = 11 2 x + 5 y − 4 z = 13 2 x + 6 y + 2 z = 22 3 incógnitas. el sistema tiene solución única. entonces el sistema tiene infinitas soluciones. 4 ecuaciones. Página 32 . ⎡1 ⎢1 ⎢ ⎢2 ⎢ ⎣2 2 − 3 4 ⎤ E 21 (−1) ⎡1 3 1 11 ⎥ E 31 ( −2) ⎢0 ⎢ ⎥ 5 − 4 13 ⎥ E 41 ( −2) ⎢0 ⎢ ⎥ 6 2 22⎦ ⎯ ⎯→ ⎣0 2 −3 4 ⎤ ⎡1 ⎥ E 32( −1) ⎢0 1 4 7⎥ E 42( −2) ⎢ ⎢0 1 2 5⎥ ⎯→ ⎢ ⎥ ⎯ 2 8 14⎦ ⎣0 2 −3 4 ⎤ 1 4 7⎥ ⎥ 0 − 2 − 2⎥ ⎥ 0 0 0⎦ N° de filas de A escalonada (rango de A) = N° de incógnitas ∴ el sistema tiene solución única.2) Si el numero de filas no nulas de A escalonada es menor que el numero de incógnitas.1) Si el numero de filas no nulas de A escalonada es igual al numero de incógnitas.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 3.. r r El proceso es del tipo: A b ……… ……. se transforma A en la identidad. r r Ax = b / A −1 izq En efecto: r r x = A −1 b Ejemplo: x + 2 y − 3z = 4 ⎛4⎞ ⎛1 2 − 3⎞ ⎟ ⎛ x⎞ ⎜ ⎟ ⎜ x + 3 y + z = 11 ⎜ 1 3 1 ⎟ ⎜ ⎟ ⎜ 11 ⎟ o en forma matricial ⎜ ⋅⎜ y⎟ = 2 x + 5 y − 4 z = 13 2 5 − 4 ⎟ ⎜ ⎟ ⎜ 13 ⎟ ⎜ ⎟ ⎟ ⎜ ⎜ 2 6 2 ⎟ ⎝ z ⎠ ⎜ 22 ⎟ 2 x + 6 y + 2 z = 22 ⎝ ⎠ ⎠ ⎝ [ ] [ ] [ ] ⎡1 ⎢1 ⎢ ⎢2 ⎢ ⎣2 2 −3 4 ⎤ ⎡1 2 − 3 4 ⎤ ⎥ clase anterior ⎢0 1 4 3 1 11⎥ 7⎥ ⎥ ⎢ 5 − 4 13 ⎥ ⎯ ⎯→ ⎯ ⎯→ ⎢0 0 − 2 − 2⎥ ⎥ ⎢ ⎥ 6 2 22⎦ 0⎦ ⎣0 0 0 El sistema tiene solución única: ⎡1 2 − 3 4 ⎤ ⎡1 2 − 3 4⎤ ⎡1 0 − 1 − 10⎤ E13 (11) ⎡1 0 0 1⎤ ⎢0 1 4 ⎥ E 3 ( 1 2 ) ⎢0 1 4 7 ⎥ E12 (−2) ⎢0 1 4 7 ⎥ E 23 (−4) ⎢0 1 0 3⎥ 7⎥ ⎢ ⎢ ⎥ ⎯ ⎢ ⎥ ⎢ ⎥ ⎯→ ⎯ ⎯→ ⎢0 0 − 2 − 2 ⎥ ⎢0 0 1 1 ⎥ ⎢0 0 1 1 ⎥ ⎯ ⎯→ ⎢0 0 1 1⎥ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ ⎦ Página 33 . I k r r La solución es x = k NOTA: Este procedimiento equivale a encontrar la inversa de A.4 METODOS DE SOLUCION PARA SISTEMA DE SOLUCION UNICA r r Sea el sistema Anxn x = b a) Gauss: r Se forma la matriz ampliada A b Mediante operaciones elementales por filas en esta matriz ampliada.

3.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛1⎞ r ⎜ ⎟ ∴ La solución es: x = ⎜ 3 ⎟ ⎜1⎟ ⎝ ⎠ b) Regla de Cramer: r r Sea el sistema Anxn x = b Llamaremos Ai la matriz que se obtiene reemplazando la columna i de la matriz A r por el vector b ⎛ x1 ⎞ ⎜ ⎟ ⎜ x2 ⎟ r ⎜ ⎟ det( Ai ) se resuelve: Xi = i=1.n Entonces si x = x 3 ⎜ ⎟ det( A) ⎜ : ⎟ ⎜x ⎟ ⎝ n⎠ Ejemplo: 2 5 ⎞ ⎛3 ⎛ 1 ⎞ r ⎜ ⎟ ⎜ ⎟ A = ⎜ −1 3 − 4⎟ b = ⎜ − 5⎟ ⎜ 6 −2 7 ⎟ ⎜ 4 ⎟ ⎝ ⎝ ⎠ ⎠ 2 5⎤ ⎡1 ⎢ − 5 3 − 4⎥ ⎢ ⎥ ⎢ 4 −2 7 ⎥ ⎣ ⎦ Tenemos que: x = 2 5⎤ ⎡3 ⎢ − 1 3 − 4⎥ ⎢ ⎥ ⎢ ⎣ 6 −2 7 ⎥ ⎦ 1 5⎤ ⎡3 ⎢− 1 − 5 − 4⎥ ⎢ ⎥ ⎢6 4 7⎥ ⎣ ⎦ y= 2 5⎤ ⎡3 ⎢ − 1 3 − 4⎥ ⎢ ⎥ ⎢ ⎣ 6 −2 7 ⎥ ⎦ 2 1⎤ ⎡3 ⎢− 1 3 − 5⎥ ⎢ ⎥ ⎢ 6 −2 4 ⎥ ⎣ ⎦ z= 2 5⎤ ⎡3 ⎢ − 1 3 − 4⎥ ⎢ ⎥ ⎢ ⎣ 6 −2 7 ⎥ ⎦ Página 34 .….2.

e.5 SISTEMAS HOMOGENEOS r r Sea el sistema Ax = b r r Este sistema se llama homogéneo ssi b = 0 Ejemplo: 3x + 5 y − z = 0 4x + 2 y + 4z = 0 − x + y − 2z = 0 Es un sistema Homogéneo.v de R n que llamaremos espacio solución del sistema. Página 35 . ⎜ ⎟ ⎜:⎟ ⎜0⎟ ⎝ ⎠ ¿Bajo qué condiciones un sistema homogéneo admite soluciones no triviales? Teorema: r r Sea el sistema homogéneo cuadrado Anxn x = 0 Entonces existen soluciones no triviales ssi: det(A) = 0 [Si det(A) ≠ 0 entonces la única solución es la trivial] Teorema: Si det(A) = 0 el sistema homogéneo tiene infinitas soluciones.} El conjunto de todas sus soluciones es un s. ⎛0⎞ ⎜ ⎟ ⎜0⎟ r ⎜ ⎟ Es claro que todo sistema homogéneo admite la solución x = 0 llamada solución trivial.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 3.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ejemplo: Encontrar el espacio solución del sistema: x + 5 y − 3z = 0 − 17 + 35 − 18 2x + 4 y + z = 0 x + 11y − 10 z = 0 Escalonemos la matriz de los cofactores: − 34 + 28 + 6 − 17 + 77 − 60 ⎛ 1 5 − 3 ⎞ E 21 (−2) ⎛ 1 5 − 3 ⎞ ⎛ 1 5 − 3⎞ ⎜ ⎟ ⎜ ⎟ E 32 (1) ⎜ ⎟ 1 ⎟ E 31 (−1) ⎜ 0 − 6 7 ⎟ ⎜2 4 ⎜0 − 6 7 ⎟ ⎯→ ⎜ ⎜ 1 11 − 10 ⎟ ⎯ ⎜ ⎟⎯ 0 ⎟ ⎝ ⎠ ⎯→ ⎝ 0 6 − 7 ⎠ ⎝0 0 ⎠ x + 5 y − 3z = 0 ∴ Tenemos 2 ecuaciones independientes: − 6 y + 7z = 0 x+5y-3z=0 ⇒ x=3z-5y ⇒ z= 6 y -6y+7z=0 7 ∴ x=3· 6 y -5y = − 17 y 7 7 ⎛ − 17 ⎞ ⎛ − 17 ⎞ ⎛ x ⎞ ⎛ − 17 7 y ⎞ ⎟ ⎜ ⎜ 7⎟ 7⎟ ⎜ ⎟ ⎜ ⎜ y ⎟ = y⎜ 1 ⎟ ∴ ⎜ 1 ⎟ es una base del espacio solución.6 TEOREMA IMPORTANTE Página 36 . es 1. ∴ ⎜ y⎟ = ⎜ 6 ⎟ ⎜ 6 ⎟ ⎜z⎟ ⎜ 6 y ⎟ ⎜ ⎜ ⎟ ⎟ ⎝ ⎠ ⎜ 7 ⎟ ⎝ ⎠ ⎝ 7 ⎠ ⎝ 7 ⎠ − 17 7 1 El espacio solución: 6 7 ⎛ − 17 ⎞ ⎜ ⎟ NOTA: otra base es: ⎜ 7 ⎟ ⎜ 6 ⎟ ⎝ ⎠ 3. su dim.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

Sea A una matriz cuadrada. Entonces las siguientes afirmaciones son equivalentes: a) A es invertible
r r b) El sistema Ax = 0 sólo admite la solución trivial.

c) Det(A) ≠ 0 d) Las filas de A como vectores de R n forman un conjunto L.I de vectores.

Unidad 4

ELEMENTOS DE GEOMETRIA VECTORIAL

4.1 PRODUCTO INTERNO

Sea V un espacio vectorial sobre un cuerpo K r r r r r r Sean x , y є V. Entonces la notación < x , y > significa producto interno entre x e y . Su resultado es un escalar. En general se define así: La aplicación < , >: V x V K es un producto interno ssi: r r r r r r r a) < x + y , z > = < x , z > + < y , z > r r r r b) <α x , y > = α< x , y > αєK r r r r c) < x , y > = < y , x > r r d) < x , x > ≥ 0 r r r r e) < x , x > = 0 ⇔ x = 0 Ejemplo:
r r En R 2 sean x = ( x1 , x 2 ) y = ( y1 , y 2 ) Sea la aplicación < , > : R 2 xR2 R definida: r r < x , y > = x1 y 1 + 2 x 2 y 2 + 5 ¿Es < , > un producto interno? Respuesta: NO

Contraejemplo: Para condición a)

r r r Sean x =(1,2) y =(3,4) z =(5,6) r r r < x + y , z > = <(4,6),(5,6)> = 4·5+2·6·6+5 = 97 r r r r < x , z > + < y , z > = <(1,2),(5,6)> + <(3,4),(5,6)> = 1·5+2·2·6+3·5+2·4·6+5
Página 37

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

= 5+24+5+15+48+5 = 102

4.2 PRODUCTOS INTERNOS USUALES.

Sobre un espacio vectorial V cualquiera se pueden definir muchos productos internos. Cualquier aplicación < , >: V x V K que cumplan las 5 condiciones de la definición es un producto interno “habitual”. a) En R n sobre R. r Sean X = ( X 1 , X 2 , X 3 ,..., X n ) r Y = (Y1 , Y2 , Y3 ,..., Yn ) n r r < x , y > = ∑ X k Yk
k =1

Ejemplo: r r y = (4,1,6) En R 2 sean x = (5,−2,1) r r < x , y > = 5·4+(-2)1+1·6 = 24 b) En R n [ x] sobre R Sean p(x) =

An X n + An −1 X n −1 + ... + A1 X + A 0

q(x) = B n X n + B n −1 X n −1 + ... + B1 X + B 0 <p(x),q(x)>=

∑A
k =1

n

k

Bk

c) En M mxn ( R ) sobre R Sean A,B є M mxn ( R ) <A,B> = Traza ( B T A )

Ejemplo:

Página 38

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

⎛4 3 En M 2 x 3 ( R ) . Sean A = ⎜ ⎜1 2 ⎝ ⎛ ⎛ −1 4 2 ⎞T ⎟ <A,B> = Traza ⎜ ⎜ ⎜⎜ 7 3 0⎟ ⎠ ⎝ ⎝ ⎛⎛ −1 7 ⎞ ⎜⎜ ⎟ ⎛4 = Traza ⎜ ⎜ 4 3 ⎟ ⋅ ⎜ ⎜ ⎜⎜ 2 0⎟ ⎝1 ⎠ ⎝⎝

⎛ −1 4 2⎞ ⎜ ⎜ 7 3 0⎟ ⎟ ⎝ ⎠ ⎛ 4 3 1⎞⎞ ⎟ ⋅⎜ ⎟ ⎜ 1 2 5⎟ ⎟ ⎠⎠ ⎝ ⎞ ⎛ 3 11 34 ⎞ ⎜ ⎟ 3 1⎞⎟ ⎟ ⎟ = Traza ⎜19 18 19 ⎟ = 23 2 5⎟⎟ ⎠ ⎜8 6 2⎟ ⎝ ⎠ ⎠ 1⎞ ⎟ B= 5⎟ ⎠

4.3 NORMA DE UN VECTOR

Una aplicación : V K se llama una norma definida en V ssi: r r a) x ≥ o ∀ x є V r r b) x = 0 ⇔ x = 0 r r r ∀ α є K, ∀ x є V c) αx = α ⋅ x r r r r r r d) x + y ≤ x + y ∀ x , y є V (desigualdad triangular)
4.4 ALGUNAS NORMAS EN R n

Sea

r X = ( X 1 , X 2 , X 3 ,..., X n ) r 2 2 2 2 a) x = x1 + x 2 + x 3 + ... + x n (norma euclidiana – usual) r b) x = máx {| x1 |, | x 2 |, | x 3 |,..., | x n |} (norma infinita) r c) x = | x1 | + | x 2 | + | x 3 | +...+ | x n |

4.5 SIGNIFICADO GEOMETRICO DE LA NORMA EUCLIDIANA

Construimos el caso R 2 sobre R. r r 2 2 x = x1 + x 2 Sean X = ( X 1 , X 2 )

Pitágoras
x2

x1 + x 2

2

2


Página 39

r x es el módulo o “largo” del vector

x1

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES

NOTA: El concepto se extiende a cualquier espacio vectorial y a cualquier dimensión.

4.6 NORMA INDUCIDA POR UN PRODUCTO INTERNO

Sea V un espacio vectorial con un producto interno < , > .

Entonces:

r x =

r r < x, y >

Ejemplo:
⎛4 1⎞ ⎜ ⎟ En M 3 x 2 ( R ) ⎜ 2 3 ⎟ = ⎜5 6⎟ ⎝ ⎠

⎛ 4 1⎞ ⎛ 4 1⎞ ⎜ ⎟⎜ ⎟ ⎜ 2 3 ⎟, ⎜ 2 3 ⎟ ⎜ 5 6⎟ ⎜ 5 6⎟ ⎝ ⎠⎝ ⎠

=

⎛⎛ 4 1⎞T ⎛ 4 1⎞⎞ ⎜⎜ ⎟ ⎜ ⎟⎟ Traza ⎜ ⎜ 2 3 ⎟ ⋅ ⎜ 2 3 ⎟ ⎟ ⎟ ⎜⎜ ⎜⎝ 5 6⎟ ⎜ 5 6⎟⎟ ⎠ ⎝ ⎠⎠ ⎝

=

⎛ ⎛ 4 1⎞⎞ ⎜⎛ 4 2 5⎞ ⎜ ⎟⎟ ⎟ ⋅ ⎜ 2 3⎟⎟ Traza⎜ ⎜ ⎜ ⎟ ⎜⎝ 1 3 6⎠ ⎜ 5 6⎟⎟ ⎝ ⎠⎠ ⎝

=

⎛ 45 40 ⎞ Traza⎜ ⎜ 40 46 ⎟ ⎟ ⎝ ⎠
Página 40

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES = 4.7 ANGULO ENTRE DOS VETORES Veamos el caso de R 2 x2 r x y2 α r y ϕ x1 β y1 ϕ =α −β Pero: x sen α = r2 x y sen β = r2 y Por otro lado: x1 cosα = r x y cos β = r1 y cos ϕ = cos (α-β) = cosα·cosβ+senα·senβ Página 41 .

−1) r r Calcular el vector proyección ortogonal de x sobre y . r Sea “a” el módulo de a .8 PROYECCION ORTOGONAL DE UN VECTOR SOBRE OTRO r r Sean x .−2) y = (1.0.3. y ⎞ ϕ = arccos⋅ ⋅⎜ r r ⎟ ⎜ x ⋅ y ⎟ ⎝ ⎠ = 4.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES x1 y x y = r · r1 + r2 · r2 x y x y x1 y1 + x 2 y 2 r r x ⋅ y r r r r x. y r ∴ r 2 ⋅y y r r Vector proyección ortogonal de x sobre y Ejemplo: r r 3 En R Sean x = (1. r r ⎛ x. y dos vectores r r x x r y r El vector a se llama proyección ortogonal de r sobre y r r r Calcularemos a en función de x e y . ϕ a r r x. y a a Del dibujo: cos ϕ = r . y = r r ∴ cos ϕ = r r x ⋅ y x ⋅ y NOTA: La formula anterior se extiende para cualquier espacio vectorial. Página 42 . y x. Es decir r r = r x ⋅ y x x r r x. y De donde a = r y r y r Entonces a = a r y r Vector unitaria en la dirección y sentido de y r r x.

−1) 2 r 3 a = ⋅ (1.0.−2). 2 ( ) 4. Pero y = ⎜ ⎜ ⎟ ⎝ 3 3 3⎠ y = ⎛ 1 ⎞ +⎛ 1 ⎞ +⎛ 1 ⎞ = ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ 3⎠ ⎝ 3⎠ ⎝ 3⎠ ⎝ NOTA: 2 2 2 1 1 1 + + =1 3 3 3 r x r El vector r es siempre un vector unitario en la dirección y sentido de x x r 1 r x r = r ⋅x x x En efecto Escalar positivo 1 r = r ⋅ x x Página 43 .−1) (1.9 VECTOR UNITARIO En R 3 r x = (1.1) r ¿Es x unitario? r x = r 12 + 12 + 12 = 3 ≠ 1∴ x no es unitario r ⎛ 1 1 1 ⎞ ⎟ es unitario.0. (1.0.0. en efecto .1. .0.−1) r a= ⋅ (1.3.−1) 2 3 −3 = 2 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Solución: (1.

y ) = 90 o ⎜ ⎟ ⎝2⎠ r r (hip x ⊥ y ) Página 44 .1. y )) = r r x ⋅ y 0 r r = x ⋅ y =0 r r ⎛π ⎞ ⇒ ∠( x .1.0.1.−1. y > = 0 r r r r Notación: x ⊥ y “ x es ortogonal a y ” Ejemplo: r r En R 4 Sean x = (1.1.2) r r < x . x . (− 1.−1. y є V r r r r Se dice que x e y son ortogonales ssi: < x . y ≠ 0 r r x.1).1) y = (−1.2) = 1(-1)+1(-1)+1·0+1·2 = 0 r r ∴ x⊥ y Nota: r r r r r r Sean x e y dos vectores tales que: x ⊥ y . y > = (1.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES =1 4.10 ORTOGONALIDAD r r Sea V un espacio vectorial sobre K y sean x . y r r cos(∠( x . y r r cos(∠( x .0. y )) = r r x ⋅ y r r x.

b) de < . β ∈ K r r r r En efecto: α ⋅ x . x (prop.. y (prop. Demostración: Página 45 . b) de < . x > = <0⋅0. r r r Sea V un espacio vectorial sobre.(0.E. >) = α·β·0 =0 4.0).I. >) =0 Q..D r r r r b) Si x ⊥ y entonces α ⋅ x ⊥ β ⋅ y ∀α . v j = r 2 vj si i = j Ejemplo: En R3 las bases canónicas {(1. β ⋅ y = α ⋅ β x . v n } A se llama conjunto ortogonal de vectores ssi: cada vector de A es ortogonal de vectores ssi: 0 si i ≠ j r r vi .10. x > r = 0 ⋅ 0. Sea A= {v1 ..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ortogonaliad es sinónimo de perpendicularidad (en R 2 y R 3 ) Propiedades: r a) El vector 0 es ortogonal a todo vector.1)} es un conjunto ortogonal de vectores.1.0.I / el reciproco no es valido. es decir A es ortogonal => A es L.0). ˆ k ˆ i ˆ j TEOREMA: Todo conjunto ortogonal de vectores no nulos es L.1 Conjunto ortogonal de vectores.(0.0.. v 2 . En efecto: r r r r < 0 .

. v n } El complemento ortogonal de A. + α n v n = 0 / < .n r r r r r r r α 1 v1 + α 2 v 2 + . v i r r r r r r r r α i v1 .1.…. v 2 .E: α 1 v1 + α 2 v 2 + . v i + . denotado C(A) al espacio generados por las columnas de A..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES r r r Sea A= {v1 . + α i v i ...3..... v i = 0 / por prop. v i = 0.3.2 Complemento ortogonal: Sea V un espacio vectorial sobre K.d A es ortogonal => A es L.e. > r r r ∀x 0⊥ x α i vi 2 =0 (A es conjunto ortogonal) r r < vi .2. Llamaremos espacio columna de A.. v j > = 0 ∀ i ≠ J => α i = 0 ∀ i=1.. vi > i = 1.. denotado A ⊥ es el conjunto de todos los vectores de V que son ortogonales a TODOS los vectores de A. + α i v i + . + α n v = 0 ⇒ α 1 = α 2 = …= α n = 0 / por definición de independencia lineal r r r r r r E. v n } P.. Página 46 .v Ar = 0 r y V = A ⊕ A⊥ ⇔ ⊥ r r x A x NOTA: El punto b) dice que todo vector de V se descompone de manera única como suma de un vector de A y otro de A ⊥ 4..2. r r r Sea A = {v1 . r r r r def x ∈ A ⊥ ←⎯ → x ⊥ y. v 2 .10. vi + α 2 v 2 . ∀y ∈ A ⎯ TEOREMA: a) b) A ∩ V = A⊥ A = + r {0} A⊥ r r r A ⊥ xes y + z de V s. + α n v n ..D 4. + α i v i + ...E..n Q..3 Mínimos cuadrados: Sea A una matriz de mxn..…... + α n v n .. b) de < .I r r r r P.d α1v1 + α 2 v2 + . a). v i + .

Conclusión: Página 47 .. ... a1n ⎞ ⎛ k1 ⎞ ⎟⎜ ⎟ ..... amn ⎟ ⎜ k n ⎟ ⎠⎝ ⎠ ⎛ b1 ⎞ ⎜ ⎟ ⎜ b2 ⎟ ⎜ : ⎟ ⎜ ⎟ ⎜b ⎟ ⎝ n⎠ ⎛ b1 ⎞ ⎛ a11 ⎞ ⎛ a12 ⎞ ⎛ a1n ⎞ ⎜ ⎟ ⎜ ⎜ ⎜ ⎟ ⎟ ⎟ ⎜ b2 ⎟ ⎜ a 21 ⎟ ⎜ a 22 ⎟ ⎜ a 2n ⎟ ⎜ : ⎟k1 + ⎜ : ⎟k 1 + … + ⎜ : ⎟k n = ⎜ : ⎟ ⎜ ⎟ ⎜ ⎜ ⎜ ⎟ ⎟ ⎟ ⎜b ⎟ ⎜a ⎟ ⎜a ⎟ ⎜a ⎟ ⎝ n⎠ ⎝ m1 ⎠ ⎝ m2 ⎠ ⎝ mn ⎠ Combinación lineal de las columnas de A...... : ⎜ ⎟ ⎜k ⎟ ⎝ n⎠ Entonces: ⎛ a11 ⎜ ⎜ a21 ⎜ : ⎜ ⎜a ⎝ m1 a12 a22 : am 2 . ⎨⎜ ⎬ : ⎟ ⎜ : ⎟ ⎜ : ⎟⎪ ⎪⎜ ⎟ ⎟ ⎜ ⎟⎜ ⎪⎜ a m1 ⎟ ⎜ a m 2 ⎟ ⎜ a mn ⎟⎪ ⎠⎭ ⎠ ⎝ ⎠⎝ ⎩⎝ . a mn ⎟ ⎠ => =C (A) = ⎧⎛ a11 ⎞ ⎛ a12 ⎞ ⎛ a1n ⎞⎫ ⎟⎪ ⎟ ⎜ ⎟⎜ ⎪⎜ ⎪⎜ a 21 ⎟ ⎜ a 22 ⎟ ⎜ a 2 n ⎟⎪ .. a1n ⎞ ⎟ .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ a11 ⎜ ⎜ a 21 Si A = ⎜ : ⎜ ⎜a ⎝ m1 a12 a 22 : a m2 ..Fin Previo – r r Consideremos el sistema de ecuaciones Amxn x = b ⎛ k1 ⎞ ⎜ ⎟ r ⎜k2 ⎟ Sea x = ⎜ ⎟ una solución del sistema... a2 n ⎟ ⎜ k 2 ⎟ = : ⎟⎜ : ⎟ ⎟⎜ ⎟ . a 2 n ⎟ : ⎟ ⎟ .

r b r r A⋅ x* − b C(A) r A⋅ x* r r ∴ A⋅ x* − b es ortogonal a todo vector de C(A). la mejor solución aproximada. e 2 = Ax * − b r Determinación de x * : r r El vector x * . r A⋅ y r r r r ∴ Ax * − b ⊥ Ay ∀y є R n r r r r ∀ y є Rn Ax * − b . r 2 r Esta solución minimiza el error cuadrático. es tal que A x * es la proyección ortogonal de r b sobre C(A). la mejor posible. : ⎜ ⎟ ⎜k ⎟ ⎝ n⎠ En otras palabras: r r r El sistema Ax = b tiene solución ssi b є C(A) Ahora. es decir. Pero todo vector de C(A) se escribe. es incompatible. Ay = 0 r r r r r ∀ y є Rn Ay. Mediante la formula que deduciremos a continuación podremos encontrar una solución r aproximada x * . Ax * = 0 − Ay.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ k1 ⎞ ⎜ ⎟ r ⎜k ⎟ Si ⎜ 2 ⎟ es solución del sistema si y sólo si el vector b pertenece al espacio columna de A. si ∉ C(A) entonces el sistema no tiene solución. b = 0 r r r r r ∀ y є Rn ( A ⋅ y )T ⋅ Ax * − ( A ⋅ y )T ⋅ b = 0 r r r r ∀ y є Rn ( A ⋅ y )T ⋅ Ax * − b = 0 r r r r ∀ y є Rn y T ⋅ A T ⋅ Ax * − b = 0 r r r r ∀ y є Rn y T ⋅ A T ⋅ Ax * − b = 0 ( ( ( ) ) ) Página 48 .

Este es en general. 2 5 Solución: Y= Ax 2 + Bx + C De la tabla de valores: ⎛ 4 − 2 1⎞ ⎛ 3⎞ ⎜ ⎟ ⎜ ⎟ ⎜ 1 − 1 1⎟ ⎛ a ⎞ ⎜ 1 ⎟ ⎜ 0 0 1⎟ ⋅ ⎜ b ⎟ = ⎜ 2 ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ 1 1 1⎟ ⎜ c ⎟ ⎜ 3 ⎟ ⎝ ⎠ ⎜ 5⎟ ⎜ 4 2 1⎟ 4a + 2b + c = 5 ⎝ ⎠ ⎝ ⎠ r r x b A r r* T Aplicando ecuación de mínimos cuadrados: A ⋅ Ax = A T b 4a − 2b + c = 3 a −b+c =1 c=2 a+b+c = 3 Página 49 . el caso de las aplicaciones a problemas reales en que se tiene mucha información (ecuaciones) y pocas incógnitas. 0 2 1 3 Encontrar la función cuadrática (parábola) que mejor aproxima estos 5 puntos.y se verá que se adaptan − 1 1 aproximadamente a una parábola.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES r r r y T ⋅ A T ⋅ Ax * − A T b = 0 ( ) r ∀ y є Rn r r A T ⋅ Ax * − A T b = 0 De donde r r A T ⋅ Ax * = A T b Ecuaciones normales de mínimos cuadrados siempre tiene solución para A que corresponde a la mejor aproximación del sistema incompatible r r Ax = b Minimiza el error cuadrático r 2 r e 2 = Ax * − b NOTA: Los sistemas incompatibles se dan generalmente cuando hay mayor número de ecuaciones que de incógnitas. Ejemplo: x y Experimentalmente se midieron los siguientes puntos −2 3 Si se grafican estos 5 puntos en el plano x.

4 Planos y rectas en R3 (el espacio de 3 dimensiones) 4.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ 4 − 2 1⎞ ⎛ 4 − 2 1⎞ ⎛ 4 − 2 1⎞ ⎛ 3⎞ ⎟ ⎜ ⎜ ⎜ ⎜ ⎟ ⎟ ⎟ ⎛ a ⎞ ⎜ 1 − 1 1⎟ ⎜ 1 − 1 1⎟ ⎜ 1 − 1 1⎟ ⎜1⎟ ⎜ 0 0 1⎟ 3 x 5 · ⎜ 0 0 1⎟ · ⎜ b ⎟ = ⎜ 0 0 1⎟ · ⎜ 2 ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎜ ⎜ ⎟ ⎟ ⎟ ⎜ c ⎟ ⎜ 1 1 1⎟ ⎜ 1 1 1⎟ ⎜ 1 1 1⎟ ⎜ 3⎟ ⎝ ⎠ ⎜ 4 2 1⎟ ⎜ 4 2 1⎟ ⎜ 4 2 1⎟ ⎜ ⎟ ⎝ ⎝ ⎠ ⎠ 5 x3 ⎠ 3 x 5 ⎝ 5 ⎠ 5 x1 ⎝ ⎛ 34 0 10 ⎞ ⎛ a ⎞ ⎛ 36 ⎞ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ 0 10 0 ⎟ ⎜ b ⎟ = ⎜ 6 ⎟ ⎜ 10 0 5 ⎟ ⎜ c ⎟ ⎜ 14 ⎟ ⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎛ a ⎞ ⎛ 34 0 10 ⎞ ⎜ ⎟ ⎜ ⎟ => ⎜ b ⎟ = ⎜ 0 10 0 ⎟ ⎜ c ⎟ ⎜ 10 0 5 ⎟ ⎝ ⎠ ⎝ ⎠ 4 ⎛a⎞ ⎛ 7 ⎞ ⎟ ⎜ ⎟ ⎜ b⎟=⎜ 3 ⎟ ⎜ 5 ⎜ c ⎟ ⎜ 58 ⎟ ⎜ ⎝ ⎠ ⎝ 35 ⎟ ⎠ −1 T ⎛ 36 ⎞ ⎜ ⎟ ⎜6⎟ ⎜ 14 ⎟ ⎝ ⎠ Resp: La función cuadrática que mejor aproxima los 5 puntos es: y = 4 x 2 + 3 5 x + 58 7 35 4.1 Rectas en R3 L z A B X 0 y x Sean A y B dos puntos fijos sobre la recta. y sea X un punto variable también sobre la recta r r Llamaremos: OA = p r r AB = d r r OX = r Página 50 .10.10.4.

I r α ⋅ AB z B X A C r β ⋅ AC 0 y x Página 51 .0.3) Sean: r L2 : r = (1.C tres puntos en el espacio tales que los vectores AB y AC son L. Vectorial de una recta en R3 r r r r = p + λd r p = vector posición de la recta (conocido. NOTA: r r r Dos rectas L1 : r = p1 + αd 1 r r r L 2 : r = p 2 + αd 2 Son paralelas en el espacio (L1//L2) si sus vectores directores son L.−4.B.2 Planos en R3 r r Sean A.3.6 ) r r L1//L2 pues d 1 es múltiplo de d 2 (son L.−3) + α (2. fijo) r d = vector director de la recta (cualquier vector fijo que le da la dirección) r r = vector variable sobre la recta.D) 4.D r r Es decir si d 1 es múltiplo de d 2 Ejemplo: r L1 : r = (5.−8.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Entonces tenemos: λ є R (parámetro) Ec.2 ) + α (1.4.10.

2. d 2 = δ 1 . d 2 se llama espacio director del plano (dimensión 2) { } Dos planos son paralelos en el espacio. Ejemplo: r r = (4. es decir: r r d 1 . Vectorial) El espacio generado por los vectores directores. δ 2 { } { } NOTA: r r r Sea la recta L : r = p l + λd l r r r r Sea el plano: π : r = pπ + α ⋅ d 1π + β ⋅ d 2π Página 52 .1) + α (3.−5. Vectorial de un plano en el espacio.2 ) + β (8. si sus espacios directores son iguales: r r r r π 1 : r = p1 + α ⋅ d 1 + β ⋅ d 2 r r r r π 2 : r = p2 + γ ⋅δ1 + ϕ ⋅δ 2 r r r r π 1 // π 2 d1 .1) en un plano en R3 (ec).PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ecuación vectorial del plano. r r Llamaremos OA = p r r AB = d 1 r r AC = d 2 r r OX = r (vector variable) r p = vector posición r conocidos d 1 = vector director 1 r d 2 = vector director 2 r r = vector variable r r r Tenemos: Ax = αd 1 + β d 2 r r r r Entonces: r = p + αd + β d 2 Ec.7.

d 2π } r Ecuación del plano que pasa por un punto A y que es normal (perpendicular) al vector OA : z A r r r −a X r a r r 0 y x Página 53 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES L // π r dl є {dr 1π r .

c 3 ) De donde x = a1 + αb1 + β c1 Ec. y. r − a. a 3 ) +α (b1 . Sean r = (x. B. Cartesiana del plano NOTA: El vector (A. Paramétricas de un plano. Anterior.B. z ) Reemplazamos: ( x.y. b3 ) +β (c1 . a = α r a es vector normal del plano Ecuación cartesiana de un plano r Usemos la ec. z ) = (a1 .B.-5) es normal al plano. b2 . b3 ) r d 2 = (c1 . y. c 3 ) r r = ( x. tenemos la ecuación: r r r. a = 0 r r r r a. Ejemplo: Sea el plano: π =3x+2y-5z+6 = 0. C ) a=(A. Y = a 2 + αb 2 + β c 2 Página 54 . r = a r2 Si llamamos α = a . entonces el vector (3. a 2 .C) Ax + By + Cz + D = 0 Ec. a 2 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES r OA ⊥ π r r Llamemos a = OA r r r a ⊥ r −a r r r ∴ < a -r − a > = 0 r r r r a. z ).C) es normal (perpendicular) al plano. c 2 . Llegamos a: Entonces (x. c 2 . r = a. r r r r Consideremos el plano π de ecuación vectorial: r = p + α ⋅ d 1 + β ⋅ d 2 r En que: p = (a1 .2. Ecuaciones paramétricas de un plano. y . a 3 ) r d 1 = (b1 .z) =α Ax + By + Cz = α Si llamamos D = α. a r r r2 a. b2 . ( A.

L? Respuesta: NO! ⎛ 1⎞ ⎛ 2⎞ v ⎜ ⎟ v ⎜ ⎟ Contraejemplo: Sean x = ⎜1⎟.1) + β (5. b) Cartesiana. La ecuación vectorial de este plano: (x. Siempre se puede obtener una ecuación a partir de otra. y ∈ U v b) f (αx ) = α ⋅ f ( x )∀x ∈ U Ejemplo: Sea la función de f : R 3 → R 2 .4. y. definida: ⎛x⎞ ⎜ ⎟ ⎛ 3x + 2 y + z ⎞ ⎟ f ⎜ y⎟ = ⎜ 3 ⎜ x + 3y + 2z + 5⎟ ⎠ ⎜z⎟ ⎝ ⎝ ⎠ ¿Es una T.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Z = a 3 + α b3 + β c 3 Ejemplo: x = 2 + 3α + 5β Y = − 1 + 4α + 2β Z = 6 + α + 7β Es un plano dado en forma paramétrica. Unidad 5 5.7 ) Observación Dado un plano π. V dos espacios vectoriales sobre un mismo cuerpo IK Sea f : u → V una función f Se llama transformación lineal (T.−2.6) + α (3. c) Paramétrica.−1.1 DEFINICION TRANSFORMACIONES LINEALES Sean U.) o aplicación linean ssi: v v v v v v + a) f ( x v y ) = f ( x ) + vf ( y )∀x . puede ser representado por B tipos de ecuación: a) Vectorial. y = ⎜1 ⎟ ⎜ 1⎟ ⎜3⎟ ⎝ ⎠ ⎝ ⎠ Página 55 .L. z ) = (2.

L (Probarlo) ⎟ z ⎠ ⎜ ⎟ ⎝ ⎜ w⎟ ⎝ ⎠ ⎛a ⎞ ⎛e ⎞ ⎜ ⎟ ⎜ ⎟ v ⎜b ⎟ v ⎜ f ⎟ Sean x = ⎜ ⎟. f ⎜ ⎟ = ⎜ ⎜ x + y + 4 z − 5w ⎟ Es T.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ ⎛1⎞ ⎛ 2 ⎞ ⎞ ⎜⎜ ⎟ ⎜ ⎟⎟ v v f ( x + y ) = f ⎜ ⎜1⎟ + ⎜1 ⎟ ⎟ = ⎜ ⎜1⎟ ⎜ 3 ⎟ ⎟ ⎝⎝ ⎠ ⎝ ⎠⎠ ⎛1⎞ ⎜ ⎟ v v f ( x ) + f ( y ) = f ⎜1⎟ + ⎜1⎟ ⎝ ⎠ ⎛ 2⎞ ⎜ ⎟ ⎛3 ⋅ 3 + 2 ⋅ 4 + 4 ⎞ ⎛17 ⎞ ⎟ ⎜ ⎟ f ⎜3⎟ = ⎜ 2 ⎜ 3 + 3 ⋅ 2 + 2 ⋅ 4 + 5 ⎟ = ⎜ 28 ⎟ ⎠ ⎝ ⎠ ⎜ 4⎟ ⎝ ⎝ ⎠ ⎛ 2⎞ ⎜ ⎟ ⎛ 3 ⋅1 + 2 ⋅1 + 1 ⎞ ⎛ 3 ⋅ 2 + 2 ⋅1 + 3 ⎞ ⎟ ⎜ ⎟ f ⎜1 ⎟ = ⎜ 2 ⎜1 + 3 ⋅ 1 + 2 ⋅ 1 + 5 ⎟ + ⎜ 2 2 + 3 ⋅ 1 + 2 ⋅ 3 + 5 ⎟ ⎠ ⎝ ⎠ ⎜3 ⎟ ⎝ ⎝ ⎠ ⎛ 6 ⎞ ⎛11 ⎞ =⎜ ⎟+⎜ ⎟ ⎜11⎟ ⎜18 ⎟ ⎝ ⎠ ⎝ ⎠ ≠ ⎛17 ⎞ =⎜ ⎟ ⎜ 29 ⎟ ⎝ ⎠ No se cumple condición a) Ejemplo: ⎛x ⎞ ⎜ ⎟ ⎜ y ⎟ ⎛ 5 x + 2 y − 3z + w ⎞ f : R4 → R2 . y = ⎜ ⎟ g c ⎜ ⎟ ⎜ ⎟ ⎜d ⎟ ⎜k ⎟ ⎝ ⎠ ⎝ ⎠ P.d ⎛⎛ a ⎞ ⎛e ⎞⎞ ⎜⎜ ⎟ ⎜ ⎟⎟ ⎜⎜b ⎟ ⎜ f ⎟⎟ a) f ⎜ ⎜ ⎟ + ⎜ ⎟ ⎟ = ⎜⎜c ⎟ ⎜ g ⎟⎟ ⎜⎜ d ⎟ ⎜ k ⎟⎟ ⎝⎝ ⎠ ⎝ ⎠⎠ ⎛a ⎞ ⎜ ⎟ ⎜b ⎟ f⎜ ⎟+ c ⎜ ⎟ ⎜d ⎟ ⎝ ⎠ ⎛e ⎞ ⎜ ⎟ ⎜f⎟ f⎜ ⎟ g ⎜ ⎟ ⎜k ⎟ ⎝ ⎠ Página 56 .

L Sea f : U → V una T.2 NUCLEO DE UNA T.V de U (propuesto) Página 57 .L El núcleo de f es un subconjunto de U (espacio de partida) denotado ker( f ) (Kernel) Definido: Ker ( f ) = x ∈ U / f ( x ) = 0 {v v v } V U f … … … v 0 TEOREMAS: Sea f : U → V una transformación lineal entonces: a) Ker( f ) es un S.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ ⎛ a ⎞⎞ ⎜ ⎜ ⎟⎟ ⎜ ⎜b ⎟⎟ b) f ⎜ α ⎜ ⎟ ⎟ = α ⋅ ⎜ ⎜c ⎟⎟ ⎜ ⎜ d ⎟⎟ ⎝ ⎝ ⎠⎠ ⎛a ⎞ ⎜ ⎟ ⎜b ⎟ f⎜ ⎟ c ⎜ ⎟ ⎜d ⎟ ⎝ ⎠ 5.E.

f : R → R .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES b) Demostración: a) Propuesta v f inyectiva ⇔ Ker ( f ) = {0U } b) ( Repaso f es inyectiva ⇔ f (a) = f (b) ⇒ a = b ) def b1 ⇒ ) v P.V Remplazando en (*) v v v v f ( x ) = f (0 U ) ⇒ x = 0 U QED ⇒ ) b. f ⎜ y ⎟ = ⎜ 2 x + 6 y − z ⎟ encontrar ker ( f ) ⎜ z ⎟ ⎜ − 10 y + 11z ⎟ ⎝ ⎠ ⎝ ⎠ Solución: Página 58 .d f es inyectiva ⇒ ker( f ) = {0U } v v v Sea x ∈ ker( f ) entonces f ( x ) = 0V (*) v v Pero 0 v = f (0U ) f Es T.2) QED 3 3 ⎛ x ⎞ ⎛ x − 2 y + 5z ⎞ ⎜ ⎟ ⎜ ⎟ Ejercicio: Sea la T. <=) Por b.L.2 <=) v Pd ker ( f ) = {0U } ⇒ f es inyectiva v v v v Pd f ( x ) = f ( y ) ⇒ x = y EE: v v v v v f ( x ) = f ⇔ ) f ( x ) − f ( y ) = 0V (y v v v ⇔ f ( x − y ) = 0V ( f es T.L v v v v EE f (0U ) = f (0 ⋅ 0U ) = 0 ⋅ f (0U ) = 0V E. de ker) v v v ⇔ x − y = 0U (hip) v v ⇔x=y QED.L) v v ⇔ x − y ∈ ker( f ) (def.1) y b.

11⎟ ⎜ 0 .10 11⎟ ⎜0 0 0⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ∴ x .2 5 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⇔ ⎜ 2 6 .1 ⎟ → E 21( −2 ) ⎜ 0 10 .2 5 ⎞ ⎛1 . ker) ⇒ f ⎜ y ⎟ = ⎜0⎟ ⎜ z ⎟ ⎜0⎟ ⎝ ⎠ ⎝ ⎠ x.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛x⎞ v⎜ ⎟ Sea x ⎜ y ⎟ ∈ ker( f ) ⎜z ⎟ ⎝ ⎠ ⎛ x ⎞ ⎛0⎞ ⎜ ⎟ ⎜ ⎟ (Def.2y + 5z = 0 10y – 11z = 0 ⇒ x = 2 y − 5z ⇒y= 11z 10 ⎛ 11z ⎞ x = 2⎜ ⎟ − 5z ⎝ 10 ⎠ 11z − 14 z − 5z = ⎛ − 14 z ⎞ ⎛ − 14 x ⎞= 5 ⎜ 5⎟ 5⎟ 5 ⎛x⎞ ⎜ ⎜ ⎟ ⎜ ⎟ ⎜11 ⎟ ∴ ⎜ y ⎟ = ⎜11z = z⎜ 10 ⎟ 10 ⎟ ⎜z ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎜ z ⎟ ⎜ 1 ⎟ ⎝ ⎠ ⎝ ⎠ ⎧− 14 ⎫ 5⎪ ⎪ ⎪11 ⎪ Resp: ker ( f ) = ⎨ Dim (ker( f )) = 1 10 ⎬ ⎪ ⎪ ⎪ 1 ⎪ ⎩ ⎭ Sigamos: Dar 1 vector que pertenezca al ker( f ) y comprobarlo.2y + 5z = 0 ⎛ x − 2 y + 5z ⎞ ⎛ 0 ⎞ ⎜ ⎟ ⎜ ⎟ 2x + 6y – z = 0 ⇔ ⎜ 2x + 6 y − z ⎟ = ⎜ 0⎟ ⇔ -10y + 11z = 0 ⎜ − 10 y + 11z ⎟ ⎜ 0 ⎟ ⎝ ⎠ ⎝ ⎠ ⎛1 − 2 5 ⎞ ⎛1 . ⎛ − 28 ⎞ ⎟ v ⎜ x = ⎜ 11 ⎟ ⎜ 10 ⎟ ⎝ ⎠ ⎛ − 28 ⎞ ⎛ − 28 − 2(11) + 5(10) ⎞ ⎛ 0 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ Comprobación: f ⎜ 11 ⎟ = ⎜ 2(−28) + 6(11) − 10 ⎟ = ⎜ 0 ⎟ ⎜ 10 ⎟ ⎜ − 10(11) + 11(10) ⎟ ⎜ 0 ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ Página 59 .11⎟ → E 32 (1) ⎜ 0 10 .10 11⎟ ⎜ 0 .

Entonces la imagen f es un subconjunto de V.L: Sea f : U → V una T.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 5. denotado por Im( f ). definido: v v Im( f ) = { f ( x ) / x ∈ U } U ………… ………… ………… ………… ………… V f ………… ………… ………… ………… ………… … … … Im( f ) Página 60 .L.3 IMAGEN DE UNA T.

......1 ⎟⎬ = Im( f ) (por teorema) ⎪⎜ 0 ⎟ ⎜ . escalonamos la matriz ⎛1 2 0 ⎞ ⎜ ⎟ ⎜ − 2 6 − 10 ⎟ ⎜ 5 − 1 11 ⎟ ⎝ ⎠ Las filas no nulas de ésta matriz escalonada formación una base de Im( f ) Entonces: Página 61 . ⎜ 6 ⎟. f (U 2 ).. (0.. ⎜ 0 ⎟ ⎜ − 10 ⎟ ⎠ ⎝ ⎠ ⎝ ⎛ 0⎞ ⎛ 5 ⎞ ⎜ ⎟ ⎜ ⎟ f ⎜ 0 ⎟ = ⎜ − 1⎟ ⎜1 ⎟ ⎜11 ⎟ ⎝ ⎠ ⎝ ⎠ ⎧⎛1 ⎞ ⎛ − 2 ⎞ ⎛ 5 ⎞⎫ ⎟ ⎜ ⎟⎪ ⎪⎜ ⎟ ⎜ ∴ ⎨⎜ 2 ⎟..1. ⎜ .. U 2 .0).1)} = R 3 (Esp. De partida) ⎛ 0⎞ ⎛ − 2 ⎞ ⎟ ⎜ ⎟ ⎜ f ⎜1 ⎟ = ⎜ 6 ⎟. sus imágenes genera el subespacio vectorial Im( f ) Ejercicio: Para la misma T...E.0..V de V TEOREMA: v v v Si { 1 .0.L del ejemplo anterior. ⎜0⎟ ⎜ 0⎟ ⎝ ⎠ ⎝ ⎠ {(1. calcular una base de Im( f ) Sabemos que: ⎛1 ⎞ ⎛1 ⎞ ⎜ ⎟ ⎜ ⎟ f ⎜ 0 ⎟ = ⎜ 2 ⎟.. f (U n )} = Im( f ) NOTA: Esto significa que si un conjunto de vectores el espacio genera el espacio de partida..10 ⎟ ⎜11 ⎟⎪ ⎠ ⎝ ⎠⎭ ⎩⎝ ⎠ ⎝ Para saber cuántos vectores LI hay. (0.0). U n } = U ⇒ U {f (U v 1 v v ).PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES TEOREMA: Im( f ) es S.

.2... .. Entonces [ f ]A....10. ¿Cómo se calcula [ f ]A... v v v Sea A = { 1 . NOTA: Esto presupone un orden fijo en los vectores de cada base. Entonces: dim(ker( f ) + dim(Im( f )) = dim( U ) Nulidad de Rango de f 5... A.. V n } V Página 62 . B: una base de V .. B denota matriz representante de f con respecto a las bases A y B.−10 )} ∴ Dim(Im( f )) = 2 ⎛1 2 0 ⎞ ⎜ ⎟ ⎜ − 2 6 − 10 ⎟ → E 21( 2) ⎜ 5 − 1 11 ⎟ E 31( −5) ⎝ ⎠ ⎛1 2 0 ⎞ ⎜ ⎟ ⎜ 0 10 − 10 ⎟ → E 32 (11 10 ) ⎜ 0 − 11 11 ⎟ ⎝ ⎠ ⎛1 ⎜ ⎜0 ⎜0 ⎝ 0 ⎞ ⎟ 10 − 10 ⎟ 0 0⎟ ⎠ 2 Teorema: Sea f : U → V una TL. B ? Datos: f . B.. (0.. V2 . U n } U v v v B = { 1 ..4 MATRIZ REPRESENTANTE DE UNA TL Sea f : U → V una transformación Lineal Sea A: una base de U .. U 2 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ∴ Una base de la Im( f ) es : {(1.0 )..

Página 63 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES v v v v f (U 1 ) = α 11V1 + α 12V 2 + KK + α 1mV m v v v v f (U 1 ) = α 21V1 + α 22V 2 + KK + α 2 mV m M M M M M M M M v v v v f (U 1 ) = α n1V1 + α n1V 2 + KK + α nmV m Entonces : ⎛ α 11 α 21 α 31 KKα n1 ⎞ ⎜ ⎟ ⎜ α 12 α 22 α 32 KKα n 2 ⎟ Notar que es la transpuesta de la [ f ] A. B = ⎜ KKKKKKKKKK ⎟ matriz de los coeficientes ⎜ ⎟ (escalares) ⎜α ⎟ ⎝ 1m α 2 m α 3m KKα nm ⎠ ⎛x⎞ ⎜ ⎟ ⎛ 5x + 4 y − 2z ⎞ ⎟ Sea la T. ⎜ 6 ⎟⎬ una base de R ⎪⎜ 4 ⎟ ⎜ 5 ⎟ ⎜ − 1⎟⎪ ⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎭ v v V1 V 2 ⎧ ⎛ 6 ⎞ ⎛ 0 ⎞⎫ B = ⎨ ⎜ ⎟. B. ⎜ 0 ⎟. ⎜ ⎟⎬ una base de R 2 ⎜ ⎟⎜ ⎟ ⎩ ⎝ − 1⎠ ⎝ 7 ⎠⎭ Calcular la [ f ] A.L f : R 3 → R 2 : f ⎜ y ⎟ = ⎜ ⎜ ⎟ ⎜ z ⎟ ⎝ x + 8 y + 3z ⎠ ⎝ ⎠ v v v U1 U 2 U 3 ⎧⎛ 1 ⎞ ⎛ − 2 ⎞ ⎛ 1 ⎞⎫ ⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪ 3 Ejemplo: Sean A = ⎨⎜ − 3 ⎟.

v Entonces: [ f ( x )]B = [ f ]A.2⎞ ⎜ ⎟ ⎛ − 20 ⎞ − 10 ⎛ 6 ⎞ 29 ⎛ 0 ⎞ f ⎜ 0⎟ = ⎜ ⎜ 13 ⎟ = 3 ⎜ − 1⎟ + 21 ⎜ 7 ⎟ ⎟ ⎜ ⎟ ⎜ ⎟ ⎠ ⎝ ⎠ ⎝ ⎠ ⎜ 5⎟ ⎝ ⎝ ⎠ ⎛ 1⎞ ⎜ ⎟ ⎛ 31 ⎞ 31 ⎛ 6 ⎞ 307 ⎛ 0 ⎞ ⎜ ⎟+ ⎜ ⎟ f ⎜ 6⎟ = ⎜ ⎟ = ⎜ 46 ⎟ 6 ⎜ − 1⎟ 42 ⎜ 7 ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎜ -1 ⎟ ⎝ ⎠ ⎛ − 15 6 . = ⎜ ⎜ − 27 14 29 21 307 42 ⎟ ⎟ ⎝ ⎠ ∴ si la bases son las canonícas. B: una base de V .L. entonces la propiedad queda: v v f ( x ) = [ f ]A .10 3 31 6 ⎞ ∴ [ f ] A. la son los escalares que nos dan en f . entonces [ f ] A. B ⋅ x Ejemplo: Página 64 . Propiedad: Sea f : U → V una T. B ⋅ v [x ] A Vector Vector coordenadas coordenadas v v de f ( x ) c/r a de f ( x ) c/r a la base de B la base de A NOTA: Si A y B son las bases canónicas de U y V respectivamente.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Solución : ⎛ 1⎞ ⎜ ⎟ ⎛ − 15 ⎞ − 15 ⎛ 6 ⎞ − 27 ⎛ 0 ⎞ f ⎜ − 3⎟ = ⎜ ⎜ − 11 ⎟ = 6 ⎜ − 1⎟ + 14 ⎜ 7 ⎟ ⎟ ⎜ ⎟ ⎜ ⎟ ⎠ ⎝ ⎠ ⎝ ⎠ ⎜ 4⎟ ⎝ ⎝ ⎠ ⎛. B. Sean A: una base de U . B .

sea λ ∈ IK v v v f (x ) = λ x Entonces x se llama un vector propio de f sí y sólo sí v El escalar λ se llama un vector propio de f y x es su vector propio asociado v v v v f ( 0) = f ( 0 ⋅ 0) = 0 ⋅ f ( 0) = 0 Página 65 .2 ⎞⎜ ⎟ ⎟⎜ y ⎟ Entonces: f ⎜ y ⎟ = ⎜ ⎜ ⎟ ⎜ z ⎟ ⎝1 8 3 ⎠⎜ z ⎟ ⎝ ⎠ ⎝ ⎠ Matriz representante de f c/r a las bases canonícas de R3 y R2 Unidad 6: 6. v Sea x ∈ U un vector no nulo.1 DEFINICION VALORES Y VACTORES PROPIOS Sea f : U → U una transformación lineal donde U es un espacio vectorial sobre un cuerpo IK (notar que f va de un espacio en sí mismo).PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛x⎞ ⎜ ⎟ ⎛ 5x + 4 y − 2 z ⎞ v 3 2 f (x ) : R → R : f ⎜ y ⎟ = ⎜ ⎜ x + 8 y + 3z ⎟ ⎟ ⎠ ⎜z ⎟ ⎝ ⎝ ⎠ ⎛x⎞ ⎛x⎞ ⎜ ⎟ ⎛ 5 4 .

L definida: f ⎜ ⎟ = ⎜ ⎟ ⎜ y⎟ ⎜4y ⎠ ⎝ ⎠ ⎝ v ⎛9⎞ Sea x = ⎜ ⎟ finito ⎜0⎟ ⎝ ⎠ ⎛ 9 ⎞ ⎛ 45 ⎞ ⎛9⎞ f ⎜ ⎟ = ⎜ ⎟ = 5⎜ ⎟ ⎜0⎟ ⎜ 0 ⎟ ⎜0⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ v v ∴ f (x) = λ ⋅ x Entonces: Infinitos λ =5 es un valor propio de f .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ejemplo: ⎛ x ⎞ ⎛ 5x + y ⎞ ⎟ Sea f : R 2 → R 2 una T. y x = ⎜ ⎟ es un vector propio asociado a él ⎜0⎟ ⎝ ⎠ (al valor propio). v ⎛9⎞ Página 66 .

y x 1.V de U. x 2} es L. Página 67 .I.E. x1 ≠ 0 y λ1 ≠ λ 2 ) QED. entonces el conjunto { x 1. v v v Es decir: el Conjunto A = {x ∈ U / f ( x )U= λ ⋅ x} es S. x 2 ≠ 0 y λ1 ≠ λ 2 ) v v v Ahora : * ⋅λ 2 = λ 2α 1 x1 + λ 2α 2 x 2 = 0 v v v * * = α 1λ1 x1 + α 2 λ 2 x 2 = 0 v v λ 2α 1 x1 − α 1λ1 x1 (-) v v α 1 (λ 2 − λ1 ) x1 = 0 v v ⇒ α 1 = 0 (hip. v v v P. x 2 son vectores propios v v asociados respectivamente.3 TEOREMA: Vectores propios asociados a valores propios distintos son L.E.d α 1 x1 + α 2 x 2 = 0 EE: * α 1 x1 + α 2 x 2 = 0 v v v v v v f (α 1 x1 + α 2 x 2 ) = f (0) v v v α 1 f ( x1 ) + α 2 f ( x 2 ) = 0 v v v v v * *α 1λ1 x1 + α 2 λ 2 x 2 = 0 / f ( x ) = λ ⋅ x v v v * ⋅λ1 : λ1α 1 x1 + λ1α 2 x 2 = 0 v v v * * : α 1λ1 x1 + α 2 λ 2 x 2 = 0 v v v (−) λ1α 2 x 2 − α 2 λ 2 x 2 = 0 v v α 2 (λ1 − λ 2 ) x 2 = 0 v v ⇒ α 2 = 0 (hip.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 6. Esto se generaliza para “n” valores propios todos distintos entre si: Dem: v v P. x 2} es L. *(dem.d { x 1.I.V de U.I. en otras palabras si λ 1 y v v λ 2 son 2 valores propios de f tales que λ 1 ≠ λ 2. Propuesta) 6.2 TEOREMA: El conjunto de todos los vectores propios asociado a un valor propio λ es un S.

sólo se determinan una base de ellos).λ I)=0 (es un numero finito de valores propios).4 PROCEDIMIENTO GENERAL PARA EL CALCULO DE VALORES Y VECTORES PROPIOS Sea: f : U → U una transformación lineal. Para cada valor propio λ se determinan sus vectores propios asociados al sistema b) v v 0 homogéneo (A. Lo denotaremos “ C A (λ ) ”. Para cada valor propio determinar una base de vectores propios. (o de la matriz A).λ I) x = (como son infinitos vectores propios. Página 68 . de donde se obtienen los valores propios λ . entonces Det (A.λ I) es un polinomio en λ . Det (A. La ecuación (3) se llama ecuación característica de la T.L. a) Det (A. de valor y vector propio) v v Remplazando en (1): A x = λ x v v v 0 ⇒ A x -λ x = v v ⇒ (A. Sea A la matriz representantes de f con respecto a la base canoníca de U. Ejercicios: Sea la T. Resumen: Calcular los valores propios de f a partir de la ecuación característica.λ I).L.λ I) x = 0 (2) v La ecuación (2) es un sistema de ecuación homogéneo de x . v v Sabemos del punto 5. Es decir: C A (λ ) =Det (A. Determinar el conjunto máximo de vectores propios L.I. Es una ecuación algebraica en λ de tipo polinomial. llamado polinomio característico de la T.λ I)=0 (3) (De esta forma el sistema (2) tiene soluciones no triviales).L f (o de la matriz A).4 que f ( x )=A ⋅ x (1) v Sea λ un valor propio de f y sea x un vector propio asociado. v Como x ≠ 0. entonces: v v f ( x )= λ x (por def.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 6. a f : R 3 → R 3 es definida por: ⎛ x ⎞ ⎛ 4x + y − z ⎞ ⎟ ⎜ ⎟ ⎜ f ⎜ y ⎟ = ⎜ 2x + 5 y − 2z ⎟ ⎜ z ⎟ ⎜ x + y + 2z ⎟ ⎠ ⎝ ⎠ ⎝ NOTA a) b) c) Encontrar los valores propios de f .

2⎟ 1 2⎟ ⎠ 1 -1 ⎞ ⎛1 0 0 ⎞ ⎤ ⎟ ⎜ ⎟⎥ 5 .2 ⎟ = 0 (Sarrus) 1 2−λ⎟ ⎠ 1 -1 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Solución: ⎛4 ⎜ A = ⎜2 ⎜1 ⎝ ⎡⎛ 4 ⎢⎜ Det ⎢⎜ 2 ⎢⎜1 ⎣⎝ 1 -1 ⎞ ⎟ 5 .λ3 + 11λ2 − 39λ + 45 = 0 (λ − 3) 2 + (λ − 5) = 0 Respuesta Hay 2 valores propios: λ 1=3 . λ 2=5 a) Parte b): vectores propios para λ =3 Multiplicidad Página 69 .2 ⎟ − λ ⎜ 0 1 0 ⎟⎥ = 0 Ecuacion Característica ⎜ 0 0 1⎟⎥ 1 2⎟ ⎠ ⎝ ⎠⎦ ⎛4 − λ ⎜ Det ⎜ 2 ⎜1 ⎝ ⎞ ⎟ 5 − λ .

2 ⎟ − 5⎜ 0 1 2 ⎟ ⎜0 ⎠ ⎝ 0 0 ⎞⎤⎛ x ⎞ ⎛ 0 ⎞ ⎟⎥⎜ ⎟ ⎜ ⎟ 1 0 ⎟⎥⎜ y ⎟ = ⎜ 0 ⎟ 0 1⎟ ⎥ ⎜ z ⎟ ⎜ 0 ⎟ ⎠⎦⎝ ⎠ ⎝ ⎠ 1 .1 ⎞ ⎛1 0 0 ⎞ ⎤ ⎛ x ⎞ ⎛ 0 ⎞ ⎟ ⎜ ⎟⎥⎜ ⎟ ⎜ ⎟ 5 .1 ⎞⎛ x ⎞ ⎛ 0 ⎞ ⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎜ 2 2 .3 ⎟⎜ z ⎟ ⎜ 0 ⎟ ⎠⎝ ⎠ ⎝ ⎠ Página 70 .2 ⎟ → E 21( −2 ) ⎜ 0 ⎜1 1 .2 ⎟⎜ y ⎟ = ⎜ 0 ⎟ 1 .1 ⎞⎛ x ⎞ ⎛ 0 ⎞ ⎟⎜ ⎟ ⎜ ⎟ 0 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎡⎛ 4 ⎢⎜ ⎢⎜ 2 ⎜ ⎢⎝1 ⎣ 1 .1 ⎞ ⎛1 ⎟ ⎜ 5 . ⎜1 ⎟⎬ ⎪⎜1 ⎟ ⎜1 ⎟⎪ ⎩⎝ ⎠ ⎝ ⎠⎭ ⎞ ⎟ ⎟= y⎟ ⎠ ⎛1 ⎞ ⎜ ⎟ x⎜ 0 ⎟ + ⎜1 ⎟ ⎝ ⎠ 1 -1 ⎞ ⎟ 0 0⎟ 0 0⎟ ⎠ ⎛ 0⎞ ⎜ ⎟ y ⎜1 ⎟ ⎜1 ⎟ ⎝ ⎠ Es una base de vectores propios asociados a λ =3 =3 Cualquier combinación lineal es un vector asociado a λ Vectores propios para λ =5 ⎡⎛ 4 ⎢⎜ ⎢⎜ 2 ⎢⎜1 ⎣⎝ ⎛ -1 ⎜ ⎜2 ⎜ 1 ⎝ 1 .1 ⎟ E 31( −1) ⎜ 0 ⎝ ⎠ ⎝ ⇒ x+ y−z =0 x+y=z ⎛x⎞ ⎛ x ⎜ ⎟ ⎜ ∴⎜ y ⎟ = ⎜ y ⎜z ⎟ ⎜x+ ⎝ ⎠ ⎝ ⎧⎛1 ⎞ ⎛ 0 ⎞⎫ ⎪⎜ ⎟ ⎜ ⎟⎪ ∴ ⎨⎜ 0 ⎟.1 ⎟⎜ z ⎟ ⎜ 0 ⎟ ⎝ ⎠⎝ ⎠ ⎝ ⎠ ⎛1 1 .1 ⎞ ⎛1 ⎜ ⎟ ⎜ ⎜ 2 2 .2 ⎟⎜ y ⎟ = ⎜ 0 ⎟ ⎜1 1 .2 ⎟ − 3⎜ 0 1 0 ⎟⎥⎜ y ⎟ = ⎜ 0 ⎟ 1 2 ⎟ ⎜ 0 0 1⎟ ⎥ ⎜ z ⎟ ⎜ 0 ⎟ ⎠ ⎝ ⎠⎦⎝ ⎠ ⎝ ⎠ ⎛1 1 .

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛ -1 ⎜ ⎜2 ⎜ 1 ⎝ 1 -1 ⎞ ⎛ -1 1 -1 ⎞ ⎛ -1 ⎟ ⎜ ⎟ ⎜ 0 -2⎟ → ⎜ 0 2 -4 ⎟ → ⎜ 0 1 .4 ⎟ ⎜ 0 ⎠ ⎝ ⎠ ⎝ 2y .4z = 0 2y = 4 z y = 2z 1 -1 ⎞ ⎟ 2 .I de f . ⎪⎜1 ⎟ ⎜1 ⎟ ⎜1 ⎟⎪ ⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎭ (nota rque este conjunto es una base en R 3 ). Página 71 . ⎜ 2 ⎟⎬ es el conjunto máximo de vectores propios L.3⎟ ⎜ 0 2 .4⎟ 0 0⎟ ⎠ ⇒ − x + y − z = 0 ⇒ x = y . ⎧⎛1 ⎞ ⎛ 0 ⎞ ⎛1 ⎞⎫ ⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪ c) ⎨⎜ 0 ⎟. ⎜1 ⎟.z ⇒ x = z ⎛x⎞ ⎛z ⎞ ⎜ ⎟ ⎜ ⎟ ∴ ⎜ y ⎟ = ⎜ 2z ⎟ = ⎜z ⎟ ⎜z ⎟ ⎝ ⎠ ⎝ ⎠ ⎛1 ⎞ ⎜ ⎟ z⎜ 2 ⎟ ⎜1 ⎟ ⎝ ⎠ ⎧⎛1 ⎞⎫ ⎪⎜ ⎟⎪ ∴ ⎨⎜ 2 ⎟⎬ Es una base de vectores propios asociada a λ = 5 ⎪⎜1 ⎟⎪ ⎩⎝ ⎠⎭ Importante :" en algunos casos no hay base de vectores propios entonces no posee represención matricial diagonal".z ⇒ x = 2z .

v v v En efecto. formada por vectores propios de f ⎪⎜1 ⎟ ⎜1 ⎟ ⎜1 ⎟⎪ ⎩⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎭ Página 72 ..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 6. la representación matricial de f c/r a esa base. ⎜1 ⎟⎬ ⎪⎜1 ⎟ ⎜1 ⎟⎪ ⎩⎝ ⎠ ⎝ ⎠⎭ ⎧⎛1 ⎞⎫ ⎪⎜ ⎟⎪ . es diagonal en que en la diagonal están los valores propios M ∴ [ f ] A. Sea f : U → U una T. ... V n } una base de U de vectores propios de f .. entonces f posee representación matricial diagonal sí y sólo sí existe una base de vectores propios a U. V2 .Base de los vectores propios para λ 2=5 ⎨⎜ 2 ⎟⎬ ⎪⎜1 ⎟⎪ ⎩⎝ ⎠⎭ ⎧⎛1 ⎞ ⎛ 0⎞ ⎛1 ⎞⎫ 3 ⎪⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎪ ∴ El Conjunto A= ⎨⎜ 0⎟.L. A Ejemplo: ⎛ x ⎞ ⎛ 4x + y − z ⎞ ⎟ ⎜ ⎟ ⎜ Sea la T. sea A = { 1 .L. a f : R → R es definida por: f ⎜ y ⎟ = ⎜ 2 x + 5 y − 2 z ⎟ ⎜ z ⎟ ⎜ x + y + 2z ⎟ ⎠ ⎝ ⎠ ⎝ 3 3 Dos valores propios: λ 1=3.. V Determina [ f ]A... ⎜1 ⎟.. λ 2=5 Multiplicidad algebraica 2 ⎧⎛1 ⎞ ⎛ 0 ⎞⎫ ⎪⎜ ⎟ ⎜ ⎟⎪ -Base de los vectores propios para λ 1=3 ⎨⎜ 0 ⎟.. ⎜ 2⎟⎬ es una base de R .5 REPRESENTACION MATRICIAL DIAGONAL. A (matriz representante de f c/r a base A) v v v v v v f (V1 ) = λ1 ⋅V1 = λ1 ⋅V1 + 0 ⋅V 2 + 0 ⋅ V3 + L + 0 ⋅V n v v v v v v f (V 2 ) = λ 2 ⋅ V 2 = λ1 ⋅V1 + 0 ⋅ V 2 + 0 ⋅ V3 + L + 0 ⋅ V n v v v v v v f (V n ) = λ n ⋅ V n = λ1 ⋅ V1 + 0 ⋅ V 2 + 0 ⋅ V3 + L + 0 ⋅ V n ⎛ λ1 0 0 L 0 ⎞ ⎜ ⎟ ⎜ 0 λ2 0 L 0 ⎟ = ⎜ 0 0 λ3 L 0 ⎟ ⎜ ⎟ ⎜LLLLLLL ⎟ ⎜ ⎟ ⎝ 0 0 0 L λn ⎠ Luego si hay una base de U de vectores propios de f .

A Comprobación: ⎛3 ⎜ = ⎜0 ⎜0 ⎝ 0 3 0⎞ ⎟ 0⎟ 0 5⎟ ⎠ ⎛ 1 ⎞ ⎛ 3 ⎞ ⎛1 ⎞ ⎛ 0 ⎞ ⎛ 1 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ f ⎜ 0 ⎟ = ⎜ 0 ⎟ = 3⎜ 0 ⎟ + 0⎜1 ⎟ + 0⎜ 2 ⎟ ⎜ 1 ⎟ ⎜ 3 ⎟ ⎜1 ⎟ ⎜1 ⎟ ⎜ 1 ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎛ 1 ⎞ ⎛ 0 ⎞ ⎛1 ⎞ ⎛0⎞ ⎛3⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ f ⎜1 ⎟ = ⎜ 0 ⎟ = 0⎜ 0 ⎟ + 3⎜1 ⎟ + 0⎜ 2 ⎟ ⎜ 1 ⎟ ⎜1 ⎟ ⎜1 ⎟ ⎜1 ⎟ ⎜ 3 ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎛1 ⎞ ⎛ 0 ⎞ ⎛1 ⎞ ⎛1 ⎞ ⎛ 3 ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ f ⎜ 2 ⎟ = ⎜ 0 ⎟ = 0⎜ 0 ⎟ + 0⎜1 ⎟ + 5⎜ 2 ⎟ ⎜1 ⎟ ⎜ 1 ⎟ ⎜1 ⎟ ⎜1 ⎟ ⎜ 3 ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ∴ [ f ]A. Página 73 .6 Teorema de Cayley-Hamilton Sea f : U → U una T.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Entonces según teorema [ f ] A. de finida por v v Matriz nula f ( x )=A x Entonces C A ( A) = 0 Recuerdo: C A (λ ) es el polinomio característico de El teorema de Cayley-Hamilton dice que la matriz A anula a su propio polinomio • característico.L. A ⎛3 ⎜ = ⎜0 ⎜0 ⎝ 0 0⎞ ⎟ 3 0⎟ 0 5⎟ ⎠ 6.

2 ⎟ − 11⎜ 2 ⎜1 1 2⎟ ⎠ ⎝ 1 -1 ⎞ ⎛1 ⎟ ⎜ 5 .2 ⎟ − 39⎜ 2 ⎜1 1 2⎟ ⎠ ⎝ 2 1 -1 ⎞ ⎛1 0 0 ⎞ ⎛ 0 ⎟ ⎜ ⎟ ⎜ 5 .H : ⎛4 ⎜ − ⎜2 ⎜1 ⎝ 1 -1 ⎞ ⎛4 ⎟ ⎜ 5 .2 ⎟ + 11⎜ 2 ⎜1 1 2⎟ ⎠ ⎝ 3 1 -1 ⎞ ⎛4 ⎟ ⎜ 5 .2 ⎟ + 45⎜ 0 1 0 ⎟ = ⎜ 0 ⎜ 0 0 1⎟ ⎜ 0 1 2⎟ ⎠ ⎝ ⎠ ⎝ 0 0 0 0⎞ ⎟ 0⎟ 0⎟ ⎠ (Comprobarlo) Aplicación Para El Cálculo De Inversas C A ( A) = 0 ⇒ − A 3 + 11A 2 − 39 A + 45I = 0 / A −1 ⇔ − A −1 ⋅ A 3 + 11A −1 ⋅ A 2 − 39 A −1 ⋅ A + 45 A −1 ⋅ I = 0 ⇔ − A 2 + 11A − 39 I + 45 A −1 = 0 ⇒ A −1 = ⎡⎛ 4 1 ⎢⎜ = ⎢⎜ 2 45 ⎢⎜ 1 ⎣⎝ 1 ( A 2 − 11A + 39 I ) 45 2 A −1 1 -1 ⎞ ⎛4 ⎟ ⎜ 5 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Ejemplo: En el mismo ejemplo anterior: C A (λ ) = −λ3 + 11λ2 − 39λ + 45 Según Teorema de C .2 ⎟ + 39⎜ 0 ⎜0 1 2⎟ ⎠ ⎝ 0 0 ⎞⎤ ⎟⎥ 1 0 ⎟⎥ 0 1⎟⎥ ⎠⎦ (Comprobarlo) Página 74 .

z 2 )) = f ((αx1 + βy1 ). δ ∈ IK v v v v (Es decir f debe ser lineal para cada variable del par ( x . ( z1 . Ejemplo: Sea f : R x R → R v v v Sea x = ( x1 . z ) + βf ( y. Página 75 . y 2 ) + ( z1 .d f (αx + βy. z ) = αf ( x . x 2 ) + β ( y1 . y ) = [ x1 x 2 ]⎜ ⎜ 7 10 ⎟ ⎢ y ⎥ ⎟ ⎝ ⎠⎣ 2 ⎦ Comprobando : ⎡ y1 ⎤ = [5 x1 + 7 x 2 3x1 + 10 x 2 ]⎢ ⎥ = (5 x1 + 7 x 2 ) y1 + ( 3 x1 + 10 x 2 ) y 2 ⎣ y2 ⎦ ⇒ falta demostrar la segunda parte. y 2 ). z ) + βf ( y. z 2 )) + βf (( y1 . z 2 )) Iguales = αf (5 x1 z1 + 3 x1 z 2 + 7 x1 z 2 + 10 x 2 z 2 β f (5 y1 z1 + 3 y1 z 2 + 7 y1 z 2 + 10 y 2 z 2 ) Notar que la ley de F. ( z1 . y 2 ). z ) α . z 2 )) = 5(αx1 + βy1 ) z1 + 3(αx1 + β 1 ) z 2 + 7(αx 2 + βy 2 ) z1 + 10(αx 2 + βy 2 ) Por otro lado v v v v αf ( x . z ) = αf (( x1 . ( z1 .B dada en (*) se puede escribir : ⎛ 5 3 ⎞ ⎡ y1 ⎤ f ( x. dem la linealidad para la segunda variable. es decir. z ) = f (α ( x1 . x 2 ). y) Se dice que f es una forma bilineal ssi: v v v v v v v • f (αx + βy.B) Sea V un espacio vectorial sobre un cuerpo IK. y ) + δf ( x .E : f (αx + βy. z 2 ) 2 2 Todos los productos de cada componente deben aparecer v v Definamos f ( x . z ) = αf ( x .1 DEFINICION: FORMAS BINLINEALES (F. y ) lineal en x y lineal en y ). (αx 2 + βy 2 ). z ) γ . Sea f : VxV → IK v v v v ( x. y ) = 5 x1 y1 + 3x1 y 2 + 7 x 2 y1 + 10 x 2 y 2 (*) Si no esta es porque el escalar es 0 ¿Es f una forma bilineal? Solución: v v v v v v v P. y = ( y1 . y) → f ( x. z ) v v v E. z ( z1 . z ) + βf ( y. β ∈ IK v v v v v v v • f ( x . γy + δz ) = γf ( x .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Unidad 7 7. x 2 ).

y )= f ( x ..V j ) Página 76 .B Sea V un v v espacio vectorial IK v Sea W= { 1 ..4 EXPRESION ANALITICA DE UNA F. . Vn }una base de V V Entonces siempre se puede escribir f (x. y)= x T Ay v Donde: x= [ x ]W y= [ y ]W v Vectores coordenadas Ojo: el vector de coordenadas c/r a la base canoníca es el mismo vector cualquiera v v A = (aij ) nxn ... y ) v ∀x ∈ V v v ∀x. y ) a) v v v v v v b) ( α f )( x .. la o las operaciones habituales para funciones.2 PROPIEDADES BASICAS: v v vv a) f (0..0) = 0 v v v v v v b) f ( x . y )( x ..B Sea f : VxV → IK una F.. V2 . y )= α f ( x .− y ) = f (− x . v v v v v v ( f +g)( x . Donde aij = f (Vi . y ) 7. x ) = 0 ∧ f ( x .3 EL CONJUNTO B (v) Es el conjunto de todas las formas bilineales f : VxV → IK B (V) es espacio vectorial sobre IK. y )+ g ( x ..PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 7. y ∈ V 7. y ) = − f ( x .

V j ) i =1 n j =1 n v = ∑ x i ∑ y j ⋅ a ij i =1 T j =1 = x Ay QED Página 77 . x 2 L .d f ( x . x n ] A⎢ 2 ⎥ Vector de cord ⎢M ⎥ ⎢ ⎥ Vector de ⎣ yn ⎦ EE cord v v⎞ ⎛ n v v f ( x . ∑ y j Vj ) i =1 j =1 n n v v v = ∑ x i ∑ y j f (Vi . y) = x T A y ⎡ y1 ⎤ ⎢y ⎥ v v v v P. y ⎟ ⎝ i =1 ⎠ n v v = ∑ x i f (Vi . entonces : v v v v f ( x. y ) i =1 n v n v v = ∑ x i f (Vi .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES NOTA Si W es base canonica del espacio. y ) = x T A y = [ x1 . y ) = f ⎜ ∑ x i Vi .

x 2 )) = y1 x1 + 5 y1 x 2 + 7 y 2 x1 + 3 y 2 x 2 v v y x f no es simetrica (ver contraejemplo) Notamos que a partir de este ejemplo.B simetrica v v v v f : R n xR n → R. y ) = x . f ( x . Ejemplo : f : R 2 xQ 2 → R f (( x1 . y 2 ).5 FORMAS BILINEALES SIMETRICAS Sea f : VxV → IK una F.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 7. que para que una F. y es una F.3 ⎟⎢ y ⎥ ⎟ ⎝ ⎠⎣ 2 ⎦ Notamos que la matriz representante es simétrica Página 78 . y = x1 y1 + x 2 y 2 es una F. x ) = y1 x1 + y 2 x 2 v v v v v y = ( y1 . ( y1 . x ) ∀x . y 2 )) = 5 x1 y1 + 8 x1 y 2 + 8 x 2 y1 − 3x 2 y 2 ⎛ 5 . x ) Ejemplo : f : R 2 xR 2 → R f (( x1 . y ) = x . x 2 ). y ∈ V v v v v Ej : f : R n xR n → R.B sea simétrica. y )= f ( y . los coeficientes de los productos mixtos (distintos índices) deben ser iguales.B simetrica v v v x = ( x1 . x 2 ) f ( y. y ) = f ( y. y 2 )) = x1 y1 + 5 x1 y 2 + 7 x 2 y1 + 3 x 2 y 2 ¿Es f Siemetrica? f (( y1 . x 2 ). f ( x .8 ⎞ ⎡ y1 ⎤ v v f ( x . y 2 ) ∴ f ( x . y ) = [x1 x 2 ]⎜ ⎜ 8 . ( x1 .B v v v v v v Se dice que f es simétrica ssi f ( x . ( y1 .

B simétrica Tq f ( x . y )= f ( y .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES TEOREMA: A es la matriz representante de una F. y T Es Decir: x A y= y A x (*) T T T T Notar que y a x es una escalar∴ y A x = ( y A x ) T ∴ T la igualdad (*) la podemos escribir: T x A y=( y A x ) T x T A y= x T AT y ∴ ∴ x T A y.d A= AT v v v v v v EE. y )= x A y P.A =0 A= AT QED T ∀ x. f es simétrica entonces por def f ( x .x T AT y=0 A. x ) ∀ x .B Simétrica ssi A es matriz simétrica Dem: T v v Sea f : VxV → IK una F. y Página 79 .d A es simétrica P.

PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 7. x 2 ). y 3 )) = 3 x1 y 2 + 5 x1 y 3 − 3 x 2 y1 − 8 x 2 y 3 − 5 x 3 y1 + 8 x 3 y 2 ⎛ 0 3 5 ⎞ ⎡ y1 ⎤ ⎜ ⎟ [ x1 x 2 x 3 ]⎜ . ( y1 .B Simétricas.5 8 0⎟ ⎢ y ⎥ ⎝ ⎠ ⎣ 3⎦ TEOREMA: Matriz Anti simétrica Llamemos Bs(V) al conjunto de todas las F.f ( y . Entonces: a) b) BS(V) y Ba(V)son S.6 FORMAS BILINEALES ANTISIMETRICAS: Sea f : VxV → IK una F.B Simétricas. ( y1 . x 2 .4 0⎟ ⎢ y ⎥ ⎟ ⎝ ⎠ ⎣ 2⎦ Ej f : R 3 xR 3 → R Matriz Anti simétrica f (( x1 . x 2 ). ( y1 . Llamemos Ba(V) al conjunto de todas las F. y )=. y 2 .y Ej: f : R x R → R f (( x1 .E.3 0 8 ⎟ ⎢ y 2 ⎥ ⎢ ⎥ ⎜ . x 3 ). y 2 ).V de B(V) B(V)= BS(V) ⊕ Ba(V) Página 80 . x ) ∀ x. x 2 )) f (( x1 . ( y1 .f (( x1 .B v v v v Se dice que f es anti simétrica ssi f ( x . x 2 ). ( y1 . y 2 )) = 4 x1 y 2 − 4 x 2 y1 . y 2 )) = 4 x1 y 2 − 4 x 2 y1 2 2 Es antisimetrica EE Pd f (( x1 . ( x1 . y 2 )) = −(4 y1 x 2 − 4 y 2 x1 ) = −4 y1 x 2 + 4 y 2 x1 Notar que : ⎛ 0 4 ⎞ ⎡ y1 ⎤ v v f (x. x 2 ). y) = [ x1 x 2 ]⎜ ⎜ . y 2 )) = − f (( y1 .

x 2 ).B anti simetrica (evidente) 2 v v v v v v Además: f ( x .f ( y . x )] Es F. y )+ f ( y . y )+ f a( x . y ) Y además : BS(V) ∩ Ba(V)={0} Propuesto: Sea la F. y ) + f ( y . y ) = [ f ( x . v v 1 v v v v f s ( x . y ) = [ f ( x .B simetrica (evidente) 2 v v 1 v v v v f a ( x . y ) − f ( y . y )+ f a( x .B simétrica y otra anti simétrica. y )= f S( x . y )=1/2[ f ( x . y ) en suma de una F. y 2 )) = 6 x1 y1 + 5 x1 y 2 + 7 x 2 y1 − 9 x 2 y 2 2 2 v v Descomponer f ( x . x )]+1/2[ f ( x .B f : R x R → R definida por: f (( x1 . ( y1 . x )] Es F. Página 81 . x )] v v = f (x. y ). y ) v v v v v v v v v v v v EE f S( x .B cualquiera entonces.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Dem b) Sea f una F.

C W: R → R . x 2 ). .9 ⎟ ⎢ x ⎥ Nota : la matriz representante de una F. a la aplicación. se dice que A es base conjugada si cada V vector de A es conjugado a todos los demás. V j)=0 ∀ i ≠ j Es decir f ( 2 2 Propuesto: Sea la F.1 Definición Sea f :VxV → IK una F.. ( x1 .7.C) 7.B f .C es siempre simetrica ⎟ ⎝ ⎠⎣ 2 ⎦ v f Se llama a la forma polar de W... x 2 )) = 6 x1 x1 + 5 x1 x 2 + 7 x 2 x1 − 9 x 2 x 2 = 6 x1 x1 + 12 x1 x 2 − 9 x 2 x 2 ⎛ 6 6 ⎞ ⎡ x1 ⎤ = [x1 x 2 ]⎜ ⎜ 6 .B Se llama forma cuadrática asociada a la F. x ) = f (( x1 . y )= 0 7.B: f : R x R → R definida por: f ( x . x 2 ) = x1 + 3 x1 x 2 + 2 x 2 Probar que (2.. v v V i. V2 . dada W( x ) su forma polar f se determina con la formula: v v v v v v f ( x .7. W:V → IK definida por: v v v W( x )= f ( x . x ) 2 2 v v Sea la F... V n } una base de V.-3) 2 2 Página 82 .C y sea f :VxV → IK su forma polar.-5) son conjugados c/r a W a) v Hallar el conjunto de todos los vectores x que son conjugados a: b) (2.7.C asociada W.. y )=1/2[w( x + y )-W( x )-W( y )] 7. Ejemplo: Resp: v v v W( x )= f ( x ..W ( x1 . v v v v Se dice que los vectores x e y son conjugados con respecto a W ssi f ( x .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 7.7 FORMAS CUADRATICAS (F.-3)y(6.2 Vectores Conjugados Sea W:V → IK una F.. y )= 6 x1 y1 + 5 x1 y2 + 7 x2 y1 − 9 x2 y2 Encontrar su F.3 Base Conjugada v v v Sea A = { 1 .

y )=1/2[w( x + y )-W( x )-W( y )] --Fin del Recuerdo— Página 83 . z ) γ .b f VxV → IK que es lineal en ambas variables v v v v v v v f (αx + βy. y )= x A y v X: vector de coordenadas de x en una cierta base.. . z ) = αf ( x . z ) α .V j ) con { 1 ... v Y: vector de coordenadas de y en una cierta base. x ) T v W( x )= x A x f se llama la forma polar de W v v v v v v f ( x .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES (resp: b) {( x1 . Vn } V |Simétrica| F.. • T v v Expresión analítica o matricial de una F.7..B simétrica W:V → IK se llama F. V n } tal que la matriz representante de W es diagonal.C.. z ) + βf ( y. δ ∈ IK ( Linean en 2° variable). .4 Diagonalización de una F. entonces siempre existe una base conjugada v B = { 1 . β ∈ IK (Linean en 1° variable). γy + δz ) = γf ( x . con aij = f (Vi .B Debe decir: sea f :VxV Ejercicios Recuerdos F.B f ( x .C → v Sea W:V v IK una F.. x 2 ) / 5 x1 + 6 x 2 = 0} ) 7. • v v v v v v v f ( x . V v Además : w( x ) = α 1 x 21 + α 2 x 2 2 + KK + α n x 2 n ⎛α1 0 0 0 0 ⎞ ⎟ ⎜ ⎜0 α2 0 0 0 ⎟ ⎜ 0 0 α KK 0 ⎟ 3 ⎟ ⎜ ⎜M M M M M ⎟ ⎟ ⎜ ⎝ 0 0 KKKKα n ⎠ nxn 7.7....C asociada a f v v v Si W( x )= f ( x .. V2 .... y ) + δf ( x .5 Formas Cuadráticas → IK una F..C : sea f una F. v v v v v Además A = (aij ) nxn ... V2 ..

x 2 ) / 2 x 1 + 3 / 2 x 1 ( −3) + 3 / 2 x 2 ⋅ 2 + 2 x 2 ( −3) = {(x 1 . x 2 ) − W (y1 . y) = [ x1 x 2 ]⎜ ⎟⎜ y 2 ⎟ ⎜3 2 2 2 ⎟⎝ ⎠ ⎜ ⎠ ⎝2 [ ] [ ] c) Probar que los vectores (2.-3).C W R → R definida v v 2 W ( x ) = x1 + 3 x1 x2 + 2 x2 x = ( x1 . (2.-3) v v Sea B : {x ∈ R 2 / x es conjugado a (2. x 2 + y 2 ) − W ( x1 .-3)} = 0 = {(x 1 .-5) son conjugados c/r a W P. x2 ) 2 Exprese W en forma matricial respecto a la base canoníca de R ⎛1 3 2 ⎞ ⎡ x1 ⎤ v v v W( x )= x T Ax = [x1 x 2 ]⎜ ⎜ 3 2 2 ⎟⎢ x ⎥ ⎟ ⎝ ⎠⎣ 2 ⎦ b) Obtener la forma polar de W y expresarla matricial Forma polar de W v v v v v v Sabemos f ( x . x 2 ) / 5x 1 + 6 x 2 = 0} Página 84 . x 2 ) / f ( x 1 . y) = [W (( x1 + x 2 ) + (y1 + y 2 )) − W ( x1 .-3)} = {(x 1 . x 2 ) − W (y1 . y 2 ) 2 1 v v f ( x . x 2 ) / − 5 / 2 x 1 + 3x 2 = 0} = {(x 1 . y 2 )] 2 1 = [W ( x1 + y1 .-5))=0 EE f ((2.-5))=2*6+3/2 *2(-5)+ 3/2 (-3)*6+2(-3)(-5) =12*15-27*30 =0 v d) Hallar el conjunto de todos los x que son conjugados a (2. x 2 ). x2 ) W ( x1 .(6. y )=1/2[w( x + y )-W( x )-W( y )] a) v x = ( x1 .-3).d f ((2.(6. y) = x1 y1 + x1 y 2 + x 2 y1 + 2 x 2 y 2 .-3). y 2 ))] 2 1 2 2 2 = ( x1 + y1 ) 2 + 3( x1 + y1 )( x 2 + y 2 ) + 2( x1 + y1 ) 2 − x1 − 3x1 x 2 − 2 x 2 − y1 − 3x1 x 2 − 2 y 2 2 1 2 2 2 2 2 2 = x1 + 2 x1 y1 + y1 + 3 x1 x 2 + 3 y1 y 2 + 3 y1 x 2 + 3 x1 x 2 + 2 x 2 + 4 x 2 y 2 + 2 y 2 − x1 − 3 x1 x 2 − 2 x 2 − y1 − 3 x1 x 2 − 2 y 2 2 1 = [2 x1 y1 + 3 x1 y 2 + 3 x 2 y1 + 4 x 2 y 2 ] 2 3 3 = x1 y1 + x1 y 2 + x 2 y1 + 2 x 2 y 2 2 2 ⎛ 3⎞ ⎟ ⎜1 3 3 v v v v 2 ⎟⎛ y1 ⎞ ⎜ ⎟ ⇒ f ( x .(6. f ( x . x 2 ) v y = (y1 .PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 1) Sea la F.

x 2 . x 3 ) = [ x 1 x 2 x 3 ]⎜ − 1 − 2 2 ⎟ ⎢ x 2 ⎥ ⎢ ⎥ ⎜3 / 2 2 3 ⎟ ⎜ 3 / 2 2 3 ⎟ ⎢x ⎥ ⎝ ⎠ ⎝ ⎠ ⎣ 3⎦ ⎡x 1 ⎤ . e2 . x3 )=?) Solución: ⎡ x1 ⎤ v v Sabemos : W(x1 .C tal que: v W( e 1)=0 v W( e 2)=-2 v W( e 3)=3 v v W( e + e 3)=5 v v W( e 1+ e 3)=6 v v W( e 1+ e 2)=-4 a) Hallar la expresión analítica de (W( x1 . e2 ) = W (e2 ) = −2 v v v a 33 = f (e3 . x 3 ) = [ x1 x 2 x 3 ] A ⎢ x 2 ⎥ Donde A = (a 0 ) con a 0 = f (ei . e1 ) = W (e1 ) = 0 v v v a 22 = f (e2 . e 3 ) = [W (e 2 + e3 ) − (e 2 ) − W (e3 )] = [5 + 2 − 3] = 2 2 2 ⎛ 0 −1 3 / 2⎞ ⎛ 0 − 1 3 / 2 ⎞ ⎡x 1 ⎤ ⎜ ⎟ ⎜ ⎟ ∴ A = ⎜ − 1 − 2 2 ⎟ ⇒ W(x 1 .1x 1 − 2 x 2 + 2 x 3 3/2x 1 + 2 x 2 + 3x 3 ]⎢ x 2 ⎥ = [-x 2 + 3 / 2 x 3 ⎢ ⎥ ⎢x 3 ⎥ ⎣ ⎦ = (-x 2 + 3 / 2 x 3 )x 1 + (-1x 1 − 2x 2 + 2x 3 )x 2 + (3/2x 1 + 2 x 2 + 3x 3 ) x 3 ] 2 = − x 1 x 2 + 3 / 2 x 1 x 3 − x 1 x 2 − 2 x 2 + 2 x 2 x 3 + 3 / 2 x 1 x 3 + 2 x 2 x 3 + 3x 3 2 Página 85 . e 2 ) = [W (e1 + e 2 ) − (e1 ) − W (e 2 )] = [−4 − 0 + 2] = −1 2 2 1 1 3 v v v v v v a 12 = f (e1 .3 v v v a11 = f (e1 . e 3 ) = [W (e1 + e3 ) − (e1 ) − W (e3 )] = [6 − 0 − 3] = 2 2 2 1 1 v v v v v v a 23 = f (e 2 . x 2 . e3 ) = W (e3 ) = 3 a 12 . j = 1. x 2 . e3 } la base canónica de R 3 Sea W= R → R una F. a 13 .2.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 3 v v v 2) sea B= {e1 .2. a 23 = ? 1 1 v v v v v v a 12 = f (e1 .3 . e j ) ⎢ ⎥ ⎢x 3 ⎥ ⎣ ⎦ ∀ i = 1.

1 1 ⎞ ⎡ x1 ⎤ ⎜ ⎟⎢ ⎥ ⎜ 2 3 . v 2 . v 3 . x 4 ) = [ x 1 x 2 x 3 x 4 ] ⎜ -1 . β .0. z.0.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES 3) Considerar la F.0) v v 3 = (u.0.5 ⎟⎢ x3 ⎥ ⎜ ⎟ ⎜1 1 .C W: R 4 → R definida por: ⎛1 2 .2 1 ⎟⎢ x 2 ⎥ W ( x1 . v.0. x 3 .5 5 ⎟ ⎢ x ⎥ ⎝ ⎠⎣ 4 ⎦ v v v v 4 Encontrar una base para R B = {v 1 . γ . v 4 } conjugada respecto a W Solucion : Contruyamos la base B de la forma v v 1 = ( x.0) v v 2 = ( y. δ ) v Sea v 1 = (1.0) Página 86 .2 4 . w.0.0) v v 4 = (α . x 2 .

−1. w.1 1]⎢ ⎥ = 0 ⇒ y − 2 z = 0 Sea y = 2 ⇒ entonces z = -1 ∴ v 2 = (2.γ + δ = 0 sean α = 2 β = 2 ⎢0 ⎥ ⎢ ⎥ ⎣0 ⎦ ⎡2 ⎤ ⎢.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES ⎛1 2 . w.2 4 . o]A ⎢ ⎥ = 0 ⇒ v = 0 ⎢0 ⎥ ⎢ ⎥ ⎣0 ⎦ v ∴ sea v 3 = (1.1 1 ⎞ ⎡ y ⎤ ⎜ ⎟⎢ ⎥ v v ⎜ 2 3 .0] ⎜ =0 .0) v Para v 4 : ⎡1 ⎤ ⎢0 ⎥ 1)[α β γ δ ] A ⎢ ⎥ = 0 ⇒ α + 2 β .5 ⎟ ⎢0 ⎥ ⎜ ⎟ ⎜ 1 1 .0.−2.5 5 ⎟ ⎢0 ⎥ ⎝ ⎠⎣ ⎦ ⎡ y⎤ ⎢z ⎥ v ⇒ [1 2 .2 1 ⎟⎢ z ⎥ f ( v 1 . v.0. o]A ⎢ ⎥ = 0 ⇒ u + 2v − w = 0 ⎢0 ⎥ ⎢ ⎥ ⎣0 ⎦ ⎡2 ⎤ ⎢. v v 2) v 3 conjugado v 2 ⎡1 ⎤ ⎢0 ⎥ 1)[u.I y ∴ son v v 4 1) v 3 conjugado v 1 base de R .1 .0.0) ⎢0 ⎥ Al elegirlos ⎢ ⎥ ⎣0 ⎦ escalonados. estos 4 v para v 3 vectores son L.1.0.2. v 2 ) = 0 ⇒ [1.1⎥ 2)[u. v.1⎥ 2)[α β γ δ ] A ⎢ ⎥ = 0 ⇒ β + γ = 0 γ =2 δ =4 ⎢0 ⎥ ⎢ ⎥ ⎣0 ⎦ ⎡1 ⎤ ⎢0 ⎥ v 3)[α β γ δ ] A ⎢ ⎥ = 0 ⇒ 8γ − 4δ = 0 ∴ v 4 = (2.4) ⎢1 ⎥ ⎢ ⎥ ⎣0 ⎦ Página 87 .

(2.0. (1.PROGRAMA DE APOYO ACADEMICO MATERIAL DE APUNTES Respuesta: Una base de R conjugada c/r a W es: B = {(1.0).0).4)} 4 Página 88 .0.2.0).-2.0. (8.-1.1.0.