You are on page 1of 91

Algebra Matricial

Dr. Alfonso Alba Cadena Facultad de Ciencias
fac@galia.fc.uaslp.mx UASLP
Unidad I
Fundamentos de matrices
1
Introducci´on
• Una matriz es un arreglo rectangular de n´umeros. Algunos
ejemplos de matrices son:
_
_
_
2 4 1
8 −1 5
1 3 −2
_
_
_
_
_
_
3 8
−2 3
6 2
_
_
_
_
5 −1 3
2 1 1
_
• El tama˜no de una matriz se especifica como n´umero de ren-
glones por n´umero de columnas.
• Una matriz es cuadrada si tiene el mismo n´umero de ren-
glones que de columnas.
2
Vectores y escalares
• Un vector es una matriz que consta solamente de un rengl´on
o una columna. Ejemplos de vectores:
_
2 4 1 8
_
_
_
_
_
_
3
−2
0
4
_
_
_
_
_
Vector rengl´on Vector columna
• Un escalar es una matriz de 1×1; es decir, un solo n´umero.
Ejemplos de escalares son:
8, 3.1416, 2 −3i
3
Notaci´on
• Las matrices se denotan mediante letras may´usculas:
A =
_
1 2
3 4
_
• Los vectores se representan con letras min´usculas:
a =
_
1 2 3
_
b =
_
2
−1
_
• Los escalares se representan tambi´en con letras min´usculas:
x = 4.5, y = 3 +4i
4
Notaci´on
• En caso de ambig¨uedad entre vectores y escalares, puede
agregarse una flecha a las variables que representan vectores,
por ejemplo:

i,

j.
• Algunas veces es ´util referirse a una matriz por medio de sus
elementos:
(a
ij
) =
_
_
_
_
a
11
a
12
· · · a
1n
a
21
a
22
· · · a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
· · · a
mn
_
_
_
_
.
(Notar que el primer sub´ındice denota el rengl´on y el segundo la columna)
5
Operaciones algebr´aicas
• Suma y resta de matrices:
_
_
a
11
· · · a
1n
.
.
.
.
.
.
a
m1
· · · a
mn
_
_
±
_
_
b
11
· · · b
1n
.
.
.
.
.
.
b
m1
· · · b
mn
_
_
=
_
_
a
11
±b
11
· · · a
1n
±b
1n
.
.
.
.
.
.
a
m1
±b
m1
· · · a
mn
±b
mn
_
_
• Multiplicaci´on por un escalar:
c
_
_
a
11
· · · a
1n
.
.
.
.
.
.
a
m1
· · · a
mn
_
_
=
_
_
ca
11
· · · ca
1n
.
.
.
.
.
.
ca
m1
· · · ca
mn
_
_
6
Producto de matrices
• Producto de un vector rengl´on y un vector columna:
_
a
1
a
2
· · · a
n
_
·
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
= a
1
b
1
+a
2
b
2
+. . . +a
n
b
n
• El producto de dos matrices A = (a
ij
) y B = (b
ij
) es una
matriz C = (c
ij
) dada por
c
ij
= (rengl´on i de A) · (columna j de B)
= a
i1
b
1j
+a
i2
b
2j
+. . . +a
in
b
nj
*Notar que el n´umero de columnas de A debe ser igual al n´umero de
renglones de B
7
Propiedades conmutativas, asociativas y distribu-
tivas
A+0 = 0 +A = A (identidad aditiva)
0A = A0 = 0
A+B = B +A (conmutatividad aditiva)
(A+B) +C = A+(B +C) (asociatividad aditiva)
α(A+B) = αA+αB (distributividad escalar)
(α +β)A = αA+βA (distributividad escalar)
(AB)C = A(BC) (asociatividad multiplicativa)
A(B +C) = AB +AC (distributividad)
(A+B)C = AC +BC (distributividad)
8
Matrices transpuesta y conjugada
• La transpuesta de una matriz A es otra matriz A
t
que se
obtiene al intercambiar los renglones por las columnas de A.
Ejemplo:
A =
_
3 8
−2 3
6 2
_
⇒ A
t
=
_
3 −2 6
8 3 2
_
• La transpuesta de un vector rengl´on es un vector columna,
y viceversa.
• La conjugada
¯
A de una matriz A con elementos complejos,
es la matriz que se obtiene tomando el complejo conjugado
de cada elemento de A. Ejemplo:
A =
_
3 +2i 8 −i
−2 1 +3i
−6 +4i −5i
_

¯
A =
_
3 −2i 8 +i
−2 1 −3i
−6 −4i 5i
_
9
Matriz asociada
• Considerar el siguiente sistema de ecuaciones lineales:
2x
1
+4x
2
+6x
3
= 4
x
1
−3x
2
+x
3
= 6
2x
2
−7x
3
= 16
• La matriz de coeficientes representa los coeficientes de las
variables del sistema. Para el ejemplo anterior es:
_
2 4 6
1 −3 1
0 2 −7
_
.
• La matriz asociada al sistema de ecuaciones se obtiene
agregando el lado derecho del sistema (t´erminos indepen-
dientes) a la matriz de coeficientes:
_
2 4 6 4
1 −3 1 6
0 2 −7 16
_
.
10
Determinantes, menores y cofactores
• El determinante de una matriz |A| = det A de una matriz
A = (a
ij
) de 2 ×2 se define como:
det A =
¸
¸
¸
¸
¸
a
11
a
12
a
21
a
22
¸
¸
¸
¸
¸
= a
11
a
22
−a
12
a
21
.
• El determinante de una matriz A = (a
ij
) de 3 ×3 est´a dado
por:
det A =
¸
¸
¸
¸
¸
¸
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
¸
¸
¸
¸
¸
¸
= a
11
¸
¸
¸
¸
a
22
a
23
a
32
a
33
¸
¸
¸
¸
−a
12
¸
¸
¸
¸
a
21
a
23
a
31
a
33
¸
¸
¸
¸
+a
13
¸
¸
¸
¸
a
21
a
22
a
31
a
32
¸
¸
¸
¸
11
Determinantes, menores y cofactores
• Sea A = (a
ij
) una matriz de n × n. La matriz M
ij
que se
obtiene al eliminar el i-´esimo rengl´on y la j-´esima columna
de A se conoce como la menor ij de A.
• El cofactor ij de A, denotado por A
ij
, es un escalar dado
por
A
ij
= (−1)
i+j
|M
ij
|.
• El determinante de A est´a dado por
det A = |A| = a
11
A
11
+a
12
A
12
+. . . +a
1n
A
1n
.
12
Combinaci´on lineal
• Sean v
1
, v
2
, . . . , v
n
∈ V vectores de igual longitud. Cualquier
vector de la forma
α
1
v
1

2
v
2
+. . . +α
3
v
3
,
donde α
1
, α
2
, . . . , α
3
son escalares y no son todos cero, se
llama combinaci´on lineal de v
1
, v
2
, . . . , v
n
.
13
Dependencia e independencia lineal
• Sean v
1
, v
2
, . . . , v
n
vectores de igual longitud. Se dice que son
linealmente dependientes si existen escalares c
1
, c
2
, . . . , c
n

R tales que al menos uno de ellos es distinto de cero y
c
1
v
1
+c
2
v
2
+. . . +c
n
v
n
= 0.
• Los vectores v
1
, v
2
, . . . , v
n
son linealmente dependientes si
cualquiera de ellos puede escribirse como una combinaci´on
lineal de los otros.
• Si los vectores no son linealmente dependientes, se dice en-
tonces que son linealmente independientes.
14
Rango de una matriz
• El rango ρ(A) de una matriz A es el n´umero de columnas o
renglones que son linealmente independientes.
• ρ(A) = 0 si y solo si A = 0.
• Si A es una matriz de m×n, entonces ρ(A) ≤ min(m, n).
• Un sistema de n ecuaciones tiene al menos una soluci´on si y
solo si su matriz de coeficientes y su matriz asociada tienen
el mismo rango. Si el rango es igual n, entonces la soluci´on
es ´unica.
15
Traza de una matriz
• La traza tr(A) de una matriz A = (a
ij
) de n ×n es la suma
de todos los elementos de la diagonal:
tr(A) = a
11
+a
22
+. . . +a
nn
.
• Propiedades:
– tr(A) = tr(A
t
)
– tr(AB) = tr(BA)
– tr(A+B) = tr(A) +tr(B)
– tr(cA) = ctr(A)
16
Inversa de una matriz
• La matriz identidad I es una matriz cuadrada que tiene
unos en la diagonal y ceros fuera de ella. Ejemplos:
I
2
=
_
1 0
0 1
_
, I
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
.
• Propiedad: IA = AI = A para toda matriz A.
• Sean A y B dos matrices de n × n tales que AB = BA = I.
Entonces a B se le llama la inversa de A y se denota por
A
−1
, de manera que AA
−1
= A
−1
A = I.
• Si A tiene inversa, se dice que A es invertible.
17
Propiedades de las inversas
• Si A es invertible, entonces su inversa es ´unica.
• (AB)
−1
= B
−1
A
−1
.
• Si A es invertible, entonces det A = 0 y det A
−1
= 1/det A.
• Considerar el sistema de ecuaciones dado por Ax =

b, donde
x = (x
1
, . . . , x
n
)
t
y

b = (b
1
, . . . , b
n
)
t
. Si A es invertible, en-
tonces el sistema tiene una soluci´on ´unica dada por
x = A
−1
b.
18
Teorema
Sea A una matriz de n×n. Entonces, las siguientes afirmaciones
son equivalentes:
• A es invertible.
• El sistema Ax = b tiene soluci´on ´unica para cada n-vector b.
• det A = 0.
• ρ(A) = n.
19
Matrices particionadas
En algunos casos es ´util particionar una matriz en sub-matrices
y operar con las sub-matrices como si fueran escalares.
Ejemplo:
AB =
_
1 −2 1 3
2 0 −1 1
−1 1 0 2
3 1 4 −1
__
2 1 2
4 −1 3
0 1 1
−2 4 −3
_
=
_
1 −2 1 3
2 0 −1 1
−1 1 0 2
3 1 4 −1
__
2 1 2
4 −1 3
0 1 1
−2 4 −3
_
=
_
C D
E F
__
G H
J K
_
=
_
CG+DJ CH +DK
EG+FJ EH +FK
_
.
20
Nociones de c´alculo matricial
• Vector tangente a una curva x(t) = (x
1
(t) . . . x
n
(t))
t
:
∂x
∂t
=
_
_
∂x
1
∂t
.
.
.
∂x
n
∂t
_
_
.
• Gradiente de una funci´on escalar f(x): ∇f =
∂f
∂x
=
_
∂f
∂x
1
· · ·
∂f
∂x
n
_
.
• Gradiente de f(x) en la direcci´on v: ∇
v
f =
∂f
∂x
v.
• Jacobiano de una funci´on vectorial

f(x) donde x es de dimensi´on m y

f
es de dimensi´on n:

f
∂x
=
_
_
_
∂f
1
∂x
1
· · ·
∂f
1
∂x
m
.
.
.
.
.
.
.
.
.
∂f
n
∂x
1
· · ·
∂f
n
∂x
m
_
_
_
.
21
Nociones de c´alculo matricial
El Hessiano ∇
2
f es el gradiente de segundo orden de una funci´on
escalar f(x):

2
f = ∇(∇f)
=

∂x
_
∂f
∂x
1
· · ·
∂f
∂x
n
_
=
_
_
_
_
_
_
_
_
_
_
_
∂f
∂x
2
1
∂f
∂x
1
∂x
2
· · ·
∂f
∂x
1
∂x
n
∂f
∂x
2
∂x
1
∂f
∂x
2
2
· · ·
∂f
∂x
2
∂x
n
.
.
.
.
.
.
.
.
.
.
.
.
∂f
∂x
n
∂x
1
∂f
∂x
n
∂x
2
· · ·
∂f
∂x
2
n
_
_
_
_
_
_
_
_
_
_
_
.
22
Nociones de c´alculo matricial
• Tangente o derivada de una matriz F(t) =
_
f
ij
(t)
_
:
∂F
∂t
=
_
_
∂f
11
∂t
· · ·
∂f
1n
∂t
.
.
.
.
.
.
.
.
.
∂f
m1
∂t
· · ·
∂f
mn
∂t
_
_
.
• Gradiente de una funci´on escalar f(X), con X de m×n:
∂F
∂t
=
_
_
_
∂f
∂X
11
· · ·
∂f
∂X
m1
.
.
.
.
.
.
.
.
.
∂f
∂X
1n
· · ·
∂f
∂X
mn
_
_
_
.
Notar que el orden de los ´ındices es transpuesto con respecto a X
• La derivada de f(X) en la direcci´on de Y es: ∇
Y
f = tr
_
∂f
∂X
Y
_
.
23
Unidad II
Introducci´on a Octave
24
Introducci´on a GNU Octave
• Es un lenguaje de alto nivel orientado al c´omputo num´erico
• Trabaja nativamente con vectores y matrices
• Es altamente compatible con Matlab
• Puede extenderse mediante funciones escritas en C/C++
• Es de distribuci´on gratuita
Octave puede descargarse de http://www.octave.org
25
Operaciones con matrices y vectores
• En Octave se pueden definir matrices escribiendo sus ele-
mentos entre corchetes.
• La coma separa los elementos en columnas, y el punto y
coma los separa en renglones.
Ejemplo: m = [1, 2, 3; 4, 5, 6] asigna a la variable m la matriz
_
1 2 3
4 5 6
_
.
26
Acceso a los elementos de una matriz
Dada una matriz m se puede tener acceso a cualquier elemento,
rengl´on, columna, o sub-matriz de m:
• m(i,j) hace referencia a un elemento.
• m(i,:) hace referencia al i-´esimo rengl´on.
• m(:,j) hace referencia a la j-´esima columna.
• m(i1:i2, j1:j2) hace referencia a una sub-matriz.
27
Aritm´etica de matrices
• Suma y resta: a + b, a - b
• Producto matricial: a * b
• Producto elemento por elemento: a .* b
• Transpuesta conjugada: a’
• Transpuesta: a.’
28
Funciones
• Determinante de una matriz: det(m)
• Producto escalar de dos vectores: dot(a, b)
• Inversa: inv(m), inverse(m)
• Rango: rank(m)
• Traza: trace(m) - equivale a sum(diag(m))
29
Matrices especiales
Las siguientes funciones de Octave devuelven matrices de utili-
dad general.
• Identidad: eye(m, n)
• Unos: ones(m, n)
• Ceros: zeros(m, n)
• Ruido uniforme: rand(m, n)
• Ruido normal: randn(m, n)
• Vector de n valores equiespaciados: linspace(base, limit, n)
• Rango de ´ındices: a:b (devuelve el vector [a, a+1, ..., b])
30
Ejercicios
Defina las siguientes matrices en Octave :
A =
_
1 2 −1
2 0 1
_
, B =
_
¸
_
−1 1
2 0
1 −2
_
¸
_ , C = 3 · I
3×3
.
Usando las matrices anteriores, calcule las siguientes expresiones:
a) A×B
b) B ×A−C
c) A+λN, donde λ = 0.1 y N es ruido uniforme
31
Unidad III
Sistemas de ecuaciones
lineales
32
Sistemas de ecuaciones lineales
Un sistema de m ecuaciones con n inc´ognitas se representa por
medio de su matriz asociada:
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
= b
m

_
_
_
_
_
a
11
a
12
· · · a
1n
b
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
21
a
22
· · · a
2n
b
2
a
m1
a
m2
· · · a
mn
b
m
_
_
_
_
_
33
Forma reducida de una matriz
• El pivote de un rengl´on es el primer n´umero (de izquierda a derecha)
distinto de cero en ese rengl´on.
• Una matriz se encuentra en forma reducida si cumple con lo siguiente:
1. Los renglones cuyos elementos son todos cero aparecen en la parte inferior de la
matriz.
2. El pivote (si lo hay) en cualquier rengl´on es 1.
3. El pivote de cualquier rengl´on est´a a la derecha del pivote del rengl´on anterior.
4. Cualquier columna que contiene el pivote de un rengl´on tiene ceros en el resto de
sus elementos.
• Si solo se cumplen las tres primeras condiciones, entonces se dice que la
matriz est´a en forma escalonada.
34
Operaciones elementales
• Las operaciones elementales con renglones son:
1. Multiplicar un rengl´on por un n´umero distinto de cero: R
i
= cR
i
.
2. Sumar un m´ultiplo de un rengl´on a otro: R
j
= R
j
+cR
i
.
3. Intercambiar dos renglones: R
i
↔ R
j
.
• Si la matriz A se puede transformar en la matriz B mediante
operaciones elementales, entonces se dice que A y B son
equivalentes por renglones.
• Cualquier matriz se puede reducir a forma escalonada o re-
ducida mediante operaciones elementales.
35
Reducci´on de matrices (m´etodo de Gauss)
Transformaci´ on de una matriz A = (a
i,j
) de m×n a la forma escalonada:
1. Comenzar con el rengl´on r = 1 y la columna c = 1.
2. Buscar el elemento a
k,c
con mayor valor absoluto en la columna c.
3. Si a
k,c
= 0, incrementar c y regresar al paso anterior.
4. Intercambiar los renglones r y k.
5. Multiplicar el rengl´on r por 1/a
r,c
.
6. Para cada rengl´on j debajo del rengl´on r (es decir, j = r+1, r+2, . . . , m),
sumar al rengl´on j el rengl´on r multiplicado por −a
j,c
.
7. Incrementar r y c, y regresar al paso 2.
36
Reducci´on de matrices (m´etodo de Gauss-Jordan)
Transformaci´ on de una matriz A = (a
i,j
) de m×n a la forma reducida:
1. Utilizar el m´etodo de Gauss para transformar la matriz a la forma escalon-
ada.
2. Sea r el ´ultimo rengl´on distinto de cero, y sea a
r,c
su pivote.
3. Reducir los elementos arriba del pivote sum´andole a cada rengl´on j =
1, . . . , r −1 el rengl´on r multiplicado por −a
j,c
.
4. Decrementar r y regresar al paso anterior.
37
Soluci´on de sistemas de ecuaciones lineales
• Considerar el siguiente sistema:
2x
1
+4x
2
+6x
3
= 18
4x
1
+5x
2
+6x
3
= 24
3x
1
+ x
2
−2x
3
= 4
• Encuentre la soluci´on del sistema:
1. De manera ingenua
2. Reduciendo la matriz asociada a la forma escalonada (m´etodo de
Gauss) y realizando sustici´on hacia atr´as.
3. Transformando la matriz asociada a la reducida (m´etodo de Gauss-
Jordan).
38
Inversa de una matriz cuadrada
• Para encontrar la inversa de una matriz cuadrada A:
1. Se escribe la matriz aumentada (A|I).
2. Se utilizan operaciones elementales para llevar la matriz
A a su forma reducida (Gauss-Jordan).
3. Se decide si A es invertible:
(a) Si la forma reducida de A es la identidad, entonces la
matriz que se tiene en el lado derecho es A
−1
.
(b) Si la reducci´on de A conduce a un rengl´on de ceros en
el lado izquierdo, entonces A no es invertible.
39
Matrices elementales
• Una matriz E de n × n se llama matriz elemental si puede
obtenerse a partir de aplicar una sola operaci´on elemental a
la matriz identidad.
• Una operaci´on elemental en una matriz A se puede escribir
como el producto EA, donde E es la matriz elemental co-
rrespondiente.
• Toda matriz elemental es invertible, y su inversa es una ma-
triz del mismo tipo.
40
Matrices elementales
• La transformaci´on de una matriz A a la forma escalonada o
reducida se puede expresar como el producto
E
m
E
m−1
. . . E
2
E
1
A,
donde E
i
es la matriz elemental correspondiente a la i-´esima
operaci´on aplicada.
• Una matriz cuadrada es invertible si y s´olo si es el producto
de matrices elementales.
41
Factorizaci´on LU
• La forma escalonada de una matriz es una matriz triangular
superior.
• Sea A una matriz cuadrada de n × n. Si A se puede re-
ducir por renglones a una matriz triangular superior U sin
hacer permutaciones de renglones, entonces existe una ma-
triz triangular inferior L invertible con unos en la diagonal tal
que A = LU. Si U tiene n pivotes (es decir, si A es invertible),
entonces esta factorizaci´on es ´unica.
42
Factorizaci´on LU
• Sea A una matriz de n × n y sean E
1
, E
2
, . . . , E
m
las matri-
ces elementales correspondientes a las operaciones requeridas
(ninguna de ellas una permutaci´on) para transformar A en
una matriz triangular superior U; es decir,
U = E
m
E
m−1
. . . E
2
E
1
A.
Entonces
A = E
−1
1
E
−1
2
. . . E
−1
m
. ¸¸ .
U
L
43
Factorizaci´on PA = LU
• En general, para cualquier matriz invertible de n × n existe
una matriz de permutaci´on P tal que PA = LU, donde L es
triangular inferior con unos en la diagonal, y U es triangular
superior.
• Notar que toda matriz de permutaci´on es su propia inversa.
• P se puede constru´ır como el producto P
k
P
k−1
. . . P
2
P
1
de
todas las permutaciones que se realizan durante la transfor-
maci´on de A en U.
44
Factorizaci´on LU
• Encuentre la factorizaci´on LU de la matriz de coeficientes A
del siguiente sistema:
2x
1
+4x
2
+6x
3
= 18
4x
1
+5x
2
+6x
3
= 24
3x
1
+ x
2
−2x
3
= 4
• Notar que LUx = b, por lo tanto, si se define y = Ux, en-
tonces Ly = b. Entonces, para resolver el sistema:
1. Se resuelve Ly = b para y mediante sustituci´on hacia adelante.
2. Se resuelve Ux = y para x mediante sustituci´on hacia atr´as.
45
Factorizaci´on LU y determinantes
• Si A y B son matrices de n×n, entonces det AB = det Adet B.
• Si una matriz cuadrada A tiene factorizaci´on LU tal que A =
LU, donde L tiene unos en la diagonal y U = (u
ij
), entonces
det A = det U =
n

i=1
u
ii
.
• Si P es una matriz de permutaci´on (es decir, el producto de
matrices elementales de permutaci´on), entonces det P = ±1.
• Si A tiene factorizaci´on PA = LU, entonces det A = ±det U.
46
Sistemas de ecuaciones lineales homog´eneos
• El sistema de ecuaciones Ax = b se llama homog´eneo si
b = 0.
• Un sistema homog´eneo siempre tiene al menos una soluci´on,
que es la soluci´on trivial x = 0. El sistema puede tener
soluci´on ´unica (la trivial) o un n´umero infinito de soluciones.
• Un sistema homog´eneo con m´as inc´ognitas que ecuaciones
siempre tiene infinitas soluciones.
47
Sistema homog´eneo asociado
• Sea Ax = b un sistema de ecuaciones no homog´eneo (es
decir, con b = 0). El sistema homog´eneo asociado est´a
dado por
Ax = 0.
• Si x
1
y x
2
son soluciones de Ax = b, entonces su diferencia
x
1
−x
2
es una soluci´on del sistema homog´eneo asociado.
• Dada una soluci´on x del sistema no homog´eneo, cualquier
otra soluci´on y de este sistema se puede obtener como y =
x +h, donde h es una soluci´on del sistema homog´eneo aso-
ciado.
48
Unidad IV
Espacios Vectoriales
49
Vectores en R
2
• Un vector v en el plano es un par ordenado de n´umeros reales
(a, b).
• El vector cero es (0, 0).
• La magnitud |v| de un vector v = (a, b) est´a dada por
|v| =
_
(a
2
+b
2
).
• La direcci´on ∠v de v = (a, b) est´a dada por
tan(∠v) =
b
a
.
50
Producto escalar de vectores en R
2
• Si u = (a
1
, b
1
) y v = (a
2
, b
2
), entonces u
t
v = a
1
a
2
+b
1
b
2
.
• |v|
2
= v
t
v.
• La distancia entre dos vectores u y v es |u −v|.
• El ´angulo φ entre dos vectores u y v es cos φ =
u
t
v
|u||v|
.
• Dos vectores u y v distintos de cero son ortogonales (per-
pendiculares) si y solo si u
t
v = 0.
51
Vectores en R
3
• Un vector v en R
3
es una terna ordenada de n´umeros reales
(x, y, z).
• Magnitud de un vector v = (x, y, z): |v| =

v
t
v =
_
x
2
+y
2
+z
2
.
• Direcci´on de un vector v: v/|v|.
• Distancia entre dos vectores: |v −u|.
• Angulo φ entre dos vectores v y u: cos φ =
v
t
u
|v||u|
.
52
Espacios Vectoriales
• Un espacio vectorial real V es un conjunto de vectores,
junto con dos operaciones llamadas suma y multiplicaci´on
por un escalar.
• La suma de vectores x y y de un espacio vectorial se escribe
como x +y.
• El producto de un vector x ∈ V y un escalar α ∈ R se escribe
αx.
• La magnitud o norma |v| de un vector v ∈ V est´a dada por
|v| =

v
t
v.
53
Axiomas de un espacio vectorial
i. Si x ∈ V y y ∈ V , entonces x +y ∈ V .
ii. Para todo x, y, z ∈ V , (x +y) +z = x +(y +z).
iii. Existe un vector 0 ∈ V tal que para todo x ∈ V , x +0 = 0 +x = x.
iv. Si x ∈ V , existe un vector −x ∈ V tal que x +(−x) = 0.
v. Si x, y ∈ V , entonces x +y = y +x.
vi. Si x ∈ V y α ∈ R, entonces αx ∈ V .
vii. Si x, y ∈ V y α ∈ R, entonces α(x +y) = αx +αy.
viii. Si x ∈ V y α, β ∈ R, entonces (α +β)x = αx +βx).
ix. Si x ∈ V y α, β ∈ R, entonces α(βx) = (αβ)x.
x. Para cada vector x ∈ V , 1x = x.
54
Ejemplos de espacios vectoriales
• El espacio R
n
=
_
(x
1
, x
2
, . . . , x
n
) : x
j
∈ R para j = 1, 2, . . . , n
_
.
• El conjunto V = {0}.
• El conjunto de puntos en R
2
que pertenecen a una recta que
pasa por el origen.
• El conjunto P
n
de polinomios con coeficientes reales de grado
menor o igual a n.
• El conjunto M
mn
de matrices de m×n con elementos reales.
55
Espacios generados por vectores
• Se dice que los vectores v
1
, v
2
, . . . , v
n
en un espacio V gene-
ran a V si cualquier vector u ∈ V se puede escribir como una
combinaci´on lineal de ellos.
• Sean v
1
, v
2
, . . . , v
n
vectores en un espacio vectorial V . El
espacio generado por ellos es el conjunto de combinaciones
lineales de v
1
, v
2
, . . . , v
n
, dado por:
span{v
1
, v
2
, . . . , v
n
} = {a
1
v
1
+a
2
v
2
+. . . +a
n
v
n
: a
1
, a
2
, . . . , a
n
∈ R} .
56
Dependencia lineal en R
n
• Un conjunto de m vectores en R
n
es siempre linealmente dependiente si
m > n.
• Un conjunto de vectores linealmente independientes en R
n
contiene a lo
m´as n vectores.
• Sean v
1
, v
2
, . . . , v
n
∈ R
n
, y sea A una matriz de n ×n cuyas columnas son
v
1
, v
2
, . . . , v
n
. Entonces, los vectores son linealmente independientes si y
s´olo si la ´unica soluci´on al sistema Ax = 0 es la soluci´on trivial x = 0.
• Sea A una matriz de n×n. Entonces det A = 0 si y s´olo si las columnas
de A son linealmente independientes.
57
Bases de un espacio lineal
• Un conjunto finito de vectores {v
1
, v
2
, . . . , v
n
} es una base de
un espacio vectorial V si (1) son linealmente independientes,
y (2) generan a V .
• Si {v
1
, v
2
, . . . , v
n
} es una base de V , entonces para cada v ∈ V
existe un conjunto ´unico de escalares c
1
, c
2
, . . . , c
n
tales que
v = c
1
v
1
+c
2
v
2
+. . . +c
n
v
n
.
58
Dimensi´on de un espacio lineal
• Si {u
1
, u
2
, . . . , u
m
} y {v
1
, v
2
, . . . , v
n
} son bases de V , entonces
m = n.
• Si el espacio vectorial V tiene una base finita, entonces la
dimensi´on dimV de V es el n´umero de vectores en cualquier
base de V . En este caso se dice que V es de dimensi´on finita.
• La dimensi´on del espacio V = {0} es 0.
59
Ortogonalidad y ortonormalidad
• Un conjunto de vectores v
1
, v
2
, . . . , v
n
en R
n
es ortogonal si
v
t
i
v
j
= 0 para i = j.
• Un conjunto de vectores v
1
, v
2
, . . . , v
n
en R
n
es ortonormal
si
v
t
i
v
j
=
_
0 si i = j,
1 si i = j.
• Una matriz Q de n×n es ortogonal si es invertible y Q
−1
= Q
t
.
• Una matriz Q de n ×n es ortogonal si y solo si las columnas
de Q forman una base ortonormal para R
n
.
60
Subespacios
• Un subespacio H de un espacio vectorial V es un subcon-
junto H ⊂ V que es en s´ı mismo un espacio vectorial bajo las
operaciones de suma y multiplicaci´on por un escalar definidas
en V .
• Para saber si un subconjunto H de un espacio vectorial V es
un subespacio, es suficiente verificar que cumpla las propiedades
de cerradura:
1. Si x, y ∈ H, entonces x +y ∈ H.
2. Si x ∈ H y α ∈ R, entonces αx ∈ H.
61
Proyecciones
• Sean u, v ∈ R
n
. La componente de u en la direcci´on de v es
u
t
v/|v|.
• Sean u, v ∈ R
n
. La proyecci´ on proy
v
u de u sobre v est´a dada
por
proy
v
u =
u
t
v
|v|
2
v.
• Sea H un subespacio de R
n
con base ortonormal {u
1
, u
2
, . . . , u
k
}.
Si v ∈ R
n
, entonces la proyecci´ on ortogonal proy
H
v de v so-
bre H est´a dada por
proy
H
v = (v
t
u
1
)u
1
+(v
t
u
2
)u
2
+. . . +(v
t
u
k
)u
k
.
62
Mas sobre proyecciones
• Si B = {u
1
, u
2
, . . . , u
n
} es una base ortonormal de R
n
y v ∈ R
n
,
entonces v = proy
R
nv; es decir:
v = (v
t
u
1
)u
1
+(v
t
u
2
)u
2
+. . . +(v
t
u
3
)u
3
.
• Si H es un subespacio de R
n
con dos bases ortonormales
{u
1
, u
2
, . . . , u
n
} y {w
1
, w
2
, . . . , w
n
}, entonces para cualquier v ∈
R
n
se tiene que:
(v
t
u
1
)u
1
+(v
t
u
2
)u
2
+. . . +(v
t
u
k
)u
k
= (v
t
w
1
)w
1
+(v
t
w
2
)w
2
+. . . +(v
t
w
k
)w
k
.
63
Complemento ortonormal
• Si H es un subespacio de R
n
, el complemento ortogonal
H

de H est´a dado por
H

= {x ∈ R
n
: x · h = 0 para toda h ∈ H}.
• Adem´as se cumple que
a) H

es un subespacio de R
n
.
b) H ∩ H

= {0}.
c) dimH

= n −dimH.
• Si H es un subespacio de R
n
y v ∈ R
n
, entonces existe un par
´unico de vectores h ∈ H y p ∈ H

tales que v = h +p.
64
Base can´onica
• La base can´onica de R
n
es una base ortonormal formada
por los vectores {e
1
, e
2
, . . . , e
n
} datos por:
e
1
=
_
_
_
_
1
0
.
.
.
0
_
_
_
_
, e
2
=
_
_
_
_
0
1
.
.
.
0
_
_
_
_
, · · · , e
n
=
_
_
_
_
0
0
.
.
.
1
_
_
_
_
.
• Un vector v = (x
1
, x
2
, . . . , x
n
)
t
se representa en la base can´onica
como
v = x
1
e
1
+x
2
e
2
+. . . +x
n
e
n
.
65
Representaci´on de vectores en una base
• Sea B = {u
1
, u
2
, . . . , u
n
} y sea v ∈ R
n
. Entonces existen
escalares b
1
, b
2
, . . . , b
n
tales que
v = b
1
u
1
+b
2
u
2
+. . . +b
n
u
n
.
• El vector (v)
B
= (b
1
b
2
· · · b
n
)
t
es la representaci´on de v en
la base B.
• Si U = (u
1
u
2
· · · u
n
), entonces
v = U(v)
B
= (u
1
u
2
· · · u
n
)
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
.
66
Cambio de base
• Sean B
1
= {u
1
, u
2
, . . . , u
n
} y B
2
= {v
1
, v
2
, . . . , v
n
} bases de
R
n
.
• Cada elemento de B
1
puede expresarse en t´erminos de B
2
:
u
j
= a
1j
v
1
+a
2j
v
2
+. . . +a
nj
v
n
.
• La matriz A = (a
ij
) de n × n se conoce como matriz de
transici´on de la base B
1
a la base B
2
.
67
Cambio de base
• Sean B
1
y B
2
dos bases de R
n
, sea A = (a
ij
) la matriz de
transici´on de B
1
a B
2
y sea v ∈ R
n
.
• Si (b
1
b
2
· · · b
n
)
t
es la representaci´on de v en B
1
, y (c
1
c
2
· · · c
n
)
t
es la representaciones de v en B
2
, entonces:
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
=
_
_
_
_
_
a
11
a
12
· · · a
1n
a
21
a
22
· · · a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
· · · a
nn
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
.
• Las columnas de A son la representaci´on de cada vector de
B
1
en B
2
.
68
Espacio nulo
• Sea A una matriz de m× n. El conjunto de soluciones N
A
del sistema homog´eneo Ax = 0 forma un espacio vectorial
conocido como el espacio nulo de A y se define como
N
A
= {x ∈ R
n
: Ax = 0}.
• La dimensi´on del espacio nulo de una matriz A, denotada
por ν(A) = dimN
A
se conoce como la nulidad de A. Si
N
A
= {0}, entonces ν(A) = 0.
• Una matriz A de n ×n es invertible si y solo si ν(A) = 0.
69
Imagen de una matriz
• La imagen imag A de una matriz A de m×n se define como
imag A = {y ∈ R
m
: Ax = y para alguna x ∈ R
n
}.
• La imagen de A es un subespacio de R
m
.
• ρ(A) = dim imag A.
• ρ(A) +ν(A) = n.
70
Espacios generados por las columnas y los ren-
glones de una matriz
• La imagen de una matriz A es el espacio generado por las
columnas de A.
• Sea R
A
el espacio generado por los renglones de A, entonces
dimR
A
= dim imag A = ρ(A).
• Sea A una matriz real. Entonces, todo vector en R
A
es
ortogonal a todo vector en N
A
.
71
Unidad V
Valores y vectores
caracter´ısticos
72
Eigenvalores y eigenvectores
• Sea A una matriz de n × n. Un vector v ∈ C
n
, v = 0 que
cumple con
Av = λv,
para alg´un escalar λ ∈ C, se llama eigenvector de A.
• El escalar λ es el eigenvalor de A correspondiente al vector
v.
73
Eigenvalores
• Sea A una matriz de n×n. Entonces, λ ∈ C es un eigenvalor
de A si y s´olo si
p(λ) = det (A−λI) = 0.
• El polinomio p(λ) = det (A − λI) se conoce como el poli-
nomio caracter´ıstico de A.
• Toda matriz de n × n tiene exactamente n eigenvalores (in-
cluyendo multiplicidades).
• Ejemplo: encontrar los eigenvalores de
_
2 0
1 −3
_
.
74
C´alculo de eigenvalores y eigenvectores
1. Encontrar el polinomio caracter´ıstico p(λ) = det (A−λI)
2. Encontrar las ra´ıces distintas λ
1
, λ
2
, . . . , λ
m
de p(λ) = 0.
3. Resolver el sistema homog´eneo (A − λ
i
I)v = 0 para cada
eigenvalor λ
i
.
Ejemplo: encontrar los eigenvalores y eigenvectores de
_
_
1 −1 4
3 2 −1
2 1 −1
_
_
.
75
Espacio propio
• Sea A una matriz de n×n y λ un eigenvalor de A. Entonces,
el conjunto E
λ
de todos los eigenvectores correspondientes
a λ, dado por
E
λ
= {v : Av = λv},
es un subespacio de C
n
.
• El espacio E
λ
se llama espacio propio de A correspondiente
al eigenvalor λ.
• E
λ
es el espacio nulo de la matriz A−λI.
76
Multiplicidad algebr´aica y geom´etrica
• Si A es una matriz de n ×n con eigenvalores λ
1
, . . . , λ
m
, en-
tonces su polinomio caracter´ıstico p(λ) puede factorizarse
como
p(λ) = (−1)
n
(λ −λ
1
)
r
1
(λ −λ
2
)
r
2
. . . (λ −λ
m
)
r
m
,
donde r
1
, . . . , r
m
son las multiplicidades algebr´aicas de los
eigenvalores λ
1
, . . . , λ
m
y cumplen que r
1
+r
2
+. . . +r
m
= n.
• La multiplicidad geom´etrica de un eigenvalor λ de una ma-
triz A es la dimensi´on del espacio propio correspondiente a
λ:
Multiplicidad geom´etrica de λ = dimE
λ
= ν(A−λI).
77
Eigenvectores
• Sea A una matriz de n × n, y sean λ
1
, λ
2
, . . . , λ
m
eigen-
valores distintos de A con eigenvectores correspondientes
v
1
, v
2
, . . . , v
m
. Entonces, v
1
, v
2
, . . . , v
m
son linealmente inde-
pendientes.
• Si A es una matriz de n × n, entonces A tiene n eigenvec-
tores linealmente independientes si y s´olo si la multiplicidad
geom´etrica de cada eigenvalor es igual a su multiplicidad al-
gebr´aica.
78
Matrices semejantes
• Dos matrices A y B de n × n son semejantes si existe una
matriz invertible C de n ×n tal que
B = C
−1
AC.
• Si A y B son semejantes, entonces tienen el mismo polinomio
caracter´ıstico, y por lo tanto, tienen los mismos eigenvalores.
79
Matrices diagonalizables
• Una matriz A es diagonalizable si existe una matriz diagonal
D tal que A es semejante a D.
• Una matriz A de n × n es diagonalizable si y s´olo si tiene n
eigenvectores linealmente independientes. En este caso, la
matriz diagonal D semejante a A est´a dada por
_
_
_
_
λ
1
0 · · · 0
0 λ
2
· · · 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 · · · λ
n
_
_
_
_
,
donde λ
1
, . . . , λ
n
son los valores propios de A.
• Si C es una matriz cuyas columnas son eigenvectores lineal-
mente independientes de A, entonces D = C
−1
AC.
80
Matrices sim´etricas
• Una matriz A es sim´etrica si A = A
t
.
• Si A es una matriz sim´etrica real de n × n, entonces sus
eigenvalores son todos reales.
• Si A es una matriz sim´etrica real de n ×n, entonces A tiene
n eigenvectores reales ortonormales.
81
Diagonalizaci´on ortogonal
• Una matriz A de n × n es diagonalizable ortogonalmente si
existe una matriz ortogonal Q tal que
Q
t
AQ = D,
donde D es la matriz diagonal de eigenvalores de A.
• Sea A una matriz real de n×n. Entonces A es diagonalizable
ortogonalmente si y solo si A es sim´etrica.
82
Diagonalizaci´on ortogonal
• Dada una matriz sim´etrica real A, se puede encontrar una
matriz diagonalizante Q tal que Q
t
AQ = D de la siguiente
manera:
1. Encontrar una base para cada espacio propio de A.
2. Encontrar una base ortonormal para cada espacio propio
de A.
3. Escribir Q como la matriz cuyas columnas son los eigen-
vectores obtenidos en el paso anterior.
83
Unidad VI
Formas cuadr´aticas
84
Formas cuadr´aticas
• Una forma cuadr´atica en dos variables (x, y) es un polinomio
cuadr´atico homog´eneo; e.g.,
ax
2
+bxy +cy
2
= d,
con a, b, c no todos cero.
• Esta ecuaci´on puede reescribirse como
v
t
Av = d,
donde
A =
_
a b/2
b/2 c
_
y v =
_
x
y
_
.
85
Secciones c´onicas
• Si A =
_
a b/2
b/2 c
_
, entonces, la ecuaci´on v
t
Av = d es
– Una hip´erbola si d = 0 y |A| < 0.
– Una elipse, c´ırculo, o c´onica degenerada si d = 0 y |A| > 0.
– Un par de rectas o c´onica degenerada si d = 0 y |A| = 0.
– Un par de rectas si d = 0 y |A| = 0.
– Una recta si d = 0 y |A| = 0.
86
Ejes principales
• En general, cualquier ecuaci´on de la forma v
t
Av = d donde
A es sim´etrica representa una forma cuadr´atica.
• Ya que A es sim´etrica, existe una matriz ortogonal Q tal que
Q
t
AQ = D con D = diag(λ
1
, . . . , λ
n
), donde λ
1
, . . . , λ
n
son los
eigenvalores de A.
• Las columnas de Q representan los ejes principales de la
forma cuadr´atica.
87
Simplificaci´on de formas cuadr´aticas
• Notar que si A es una matriz cuadrada diagonal, entonces
v
t
Av es una forma cuadr´atica donde solamente aparecen
t´erminos de la forma a
ii
v
2
i
, pero no de la forma a
ij
v
i
v
j
.
• En general, si A es sim´etrica, entonces puede diagonalizarse
ortogonalmente de manera que Q
t
AQ = D = diag(λ
1
, . . . , λ
2
).
• Si se define v
Q
= Q
t
v, entonces la ecuaci´on v
t
Av = d puede
simplificarse, quedando como v
t
Q
Dv
Q
= d.
88
Simplificaci´on: caso bivariado
• Considerar nuevamente la ecuaci´on v
t
Av = d con A =
_
a b/2
b/2 c
_
,
con diagonalizaci´on ortogonal Q
t
AQ = D = diag(λ
1
, λ
2
).
• Q es una matriz de rotaci´on de la forma Q =
_
cos φ −sinφ
sinφ cos φ
_
.
• Los ejes principales de la forma cuadr´atica son e
1
= (cos φ, sinφ)
t
y e
2
= (−sinφ, cos φ)
t
.
• La forma simplificada de la ecuaci´on queda entonces como
λ
1
u
2
1

2
u
2
2
= d, donde u = Q
t
v.
89
Ejemplo: caso bivariado
• Considerar la ecuaci´on 5x
2
−4xy +5y
2
= 1.
• La matriz de coeficientes es A =
_
5 −2
−2 5
_
.
• Diagonalizando ortogonalmente A, de manera que Q
t
AQ = D, obtenemos
D = diag(3, 7) y
Q =
1

2
_
1 −1
1 1
_
,
correspondiente a una rotaci´on de φ = 45

.
• Si se define la transformaci´on ˜ x = (x +y)/

2, ˜ y = (x −y)/

2, entonces
la ecuaci´on puede simplificarse como
3˜ x
2
+7˜ y
2
= 1.
90