You are on page 1of 183

Algebra Lineal

Santiago Relos P.
Departamento de Ciencias Exactas
Universidad Privada Boliviana
Cochabamba, Bolivia
2008

ndice General
1 Matrices

1.1 Qu es una matriz? . . . . . . . . . . . . . . . . . . . . . . . . . .


1.1.1 Notacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Orden de una matriz . . . . . . . . . . . . . . . . . . . . . .
1.2 Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Igualdad de matrices . . . . . . . . . . . . . . . . . . . . . .
1.2.2 Producto por un nmero . . . . . . . . . . . . . . . . . . . .
1.2.3 Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.4 Resta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.5 Producto de matrices . . . . . . . . . . . . . . . . . . . . . .
1.2.6 La transpuesta de una matriz . . . . . . . . . . . . . . . . .
1.2.7 Propiedades de las operaciones matriciales . . . . . . . . . .
1.3 Matrices especiales . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Matrices triangulares . . . . . . . . . . . . . . . . . . . . . .
1.3.3 Matriz diagonal e identidad . . . . . . . . . . . . . . . . . .
1.3.4 La traza y contratraza de una matriz cuadrada . . . . . . .
1.4 La funcin matricial 1 . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Operaciones elementales y equivalencia de matrices . . . . .
1.5.2 Las operaciones elementales como aniquiladores . . . . . . .
1.5.3 Forma escalonada y escalonada reducida por filas . . . . . .
1.5.4 Reduccin de Gauss . . . . . . . . . . . . . . . . . . . . . .
1.6 Determinante de una matriz cuadrada . . . . . . . . . . . . . . . .
1.6.1 La definicin de determinante . . . . . . . . . . . . . . . . .
1.6.2 Propiedades del determinante . . . . . . . . . . . . . . . . .
1.6.3 Menor complementario y cofactor (adjunto) de un elemento
1.6.4 Menor y menor principal . . . . . . . . . . . . . . . . . . . .
1.6.5 Rango de una matriz . . . . . . . . . . . . . . . . . . . . . .
1.7 Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1

Esta funcin fue definida por el autor de este texto en 1994.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

9
9
10
10
10
11
11
11
12
14
14
17
17
19
19
20
20
23
23
25
25
26
29
29
32
36
38
38
42

NDICE GENERAL

2 Sistemas de ecuaciones lineales


2.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 La definicin de sistema lineal . . . . . . . . . . . .
2.1.2 Notacin matricial . . . . . . . . . . . . . . . . . .
2.1.3 La solucin de un sistema lineal . . . . . . . . . . .
2.2 Teorema de existencia de soluciones . . . . . . . . . . . . .
2.3 Soluciones de un sistema triangular . . . . . . . . . . . . .
2.3.1 Sistema triangular superior . . . . . . . . . . . . .
2.3.2 Sistema triangular inferior . . . . . . . . . . . . . .
2.4 Sobre las soluciones del sistema Ax = b . . . . . . . . . . .
2.4.1 Sistemas equivalentes . . . . . . . . . . . . . . . . .
2.4.2 Variables libres . . . . . . . . . . . . . . . . . . . .
2.4.3 Clculo de la solucin de un sistema Ax = b . . . .
2.5 La inversa de una matriz . . . . . . . . . . . . . . . . . . .
2.5.1 La definicin de matriz inversa . . . . . . . . . . . .
2.5.2 Clculo de la inversa . . . . . . . . . . . . . . . . .
2.5.3 Algunos teoremas sobre la inversa . . . . . . . . . .
2.5.4 La adjunta de una matriz en el clculo de la inversa
2.6 La regla de Cramer . . . . . . . . . . . . . . . . . . . . . .
2.7 Sistemas homogneos . . . . . . . . . . . . . . . . . . . . .
2.8 Algo de criptografa . . . . . . . . . . . . . . . . . . . . .
2.8.1 La aritmtica del reloj . . . . . . . . . . . . . . . .
2.8.2 Tablas de sumar . . . . . . . . . . . . . . . . . . .
2.8.3 Matriz clave . . . . . . . . . . . . . . . . . . . . . .
2.8.4 Mensajes en clave . . . . . . . . . . . . . . . . . . .
2.9 Sabias que? . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

43
43
43
43
44
44
46
46
46
47
47
48
48
54
54
55
57
58
60
61
64
64
65
66
66
68

3 Espacios Vectoriales reales


3.1 La definicin de espacio vectorial . . . . . .
3.2 El espacio vectorial Rn . . . . . . . . . . . .
3.2.1 La recta en Rn . . . . . . . . . . . .
3.2.2 El plano en R3 . . . . . . . . . . . .
3.3 Subespacios . . . . . . . . . . . . . . . . . .
3.4 Combinacin lineal . . . . . . . . . . . . . .
3.4.1 Espacio generado . . . . . . . . . . .
3.4.2 Dependencia lineal . . . . . . . . . .
3.5 Base y Dimensin . . . . . . . . . . . . . . .
3.6 Espacio fila, espacio columna y espacio nulo

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

71
71
72
74
75
75
76
76
78
81
84

.
.
.
.

89
89
89
90
90

4 Espacios producto interno


4.1 La definicin de espacio producto interno
4.1.1 Ejemplos de productos internos .
4.1.2 Propiedades del producto interno
4.2 La norma de un vector . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

NDICE GENERAL
4.3 Ortogonalidad . . . . . . . . . . . . . . . . . . . . .
4.3.1 Vectores ortogonales . . . . . . . . . . . . .
4.3.2 Conjuntos ortogonales . . . . . . . . . . . .
4.3.3 Bases ortogonales y ortonormales . . . . . .
4.4 Proceso de Gram Schmidt . . . . . . . . . . . . . .
4.4.1 La proyeccin ortogonal . . . . . . . . . . .
4.4.2 La construccin de un conjunto ortogonal de
4.4.3 El proceso de Gram Schmidt . . . . . . . . .
5 Autovalores y autovectores
5.1 La definicin de autovalor y autovector . . . . . . .
5.2 Clculo de autovalores y autovectores . . . . . . . .
5.2.1 Clculo de autovalores . . . . . . . . . . . .
5.2.2 Clculo de autovectores . . . . . . . . . . .
5.3 Teoremas relativos a autovalores y autovectores . .
5.3.1 Clculo del polinomio caracterstico . . . . .
5.3.2 Autovalores y rango . . . . . . . . . . . . .
5.3.3 Autovalores e inversa . . . . . . . . . . . . .
5.3.4 Mltiplos escalares de un autovector . . . .
5.3.5 Raz del polinomio caracterstico . . . . . .
5.3.6 Autovectores y dependencia lineal . . . . . .
5.3.7 Autovalores de matrices simtricas . . . . .
5.3.8 Los discos de Gersgorin . . . . . . . . . . . .
5.4 Multiplicidad algebraica y multiplicidad geomtrica
5.5 Semejanza y diagonalizacin . . . . . . . . . . . . .
5.5.1 Matrices semejantes . . . . . . . . . . . . . .
5.5.2 Diagonalizacin . . . . . . . . . . . . . . . .

5
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
tres vectores
. . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

91
91
91
92
93
93
94
94

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

99
99
99
99
102
105
105
105
106
106
106
106
107
107
108
110
110
111

6 Transformaciones lineales
6.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 La definicin de transformacin lineal . . . . . . . .
6.1.2 Propiedades de una transformacin lineal . . . . . .
6.2 Construccin de transformaciones lineales . . . . . . . . . .
6.3 Composicin . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4 Ncleo e imagen . . . . . . . . . . . . . . . . . . . . . . . .
6.4.1 Ncleo . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.2 Imagen . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.3 El teorema de la dimensin . . . . . . . . . . . . .
6.5 La transformacin inversa . . . . . . . . . . . . . . . . . .
6.6 La matriz de una transformacin lineal . . . . . . . . . . .
6.6.1 Matriz de coordenadas de un vector . . . . . . . . .
6.6.2 Matriz de coordenadas de una transformacin lineal
6.6.3 Cambio de base . . . . . . . . . . . . . . . . . . . .
6.7 Operadores lineales . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

119
119
119
120
121
123
124
124
125
125
128
131
131
132
136
138

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

NDICE GENERAL
6.8 La geometra de las transformaciones
6.8.1 Transformaciones lineales . . .
6.8.2 La transformacin rotacin . .
6.8.3 Transformaciones no lineales .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

Factorizacin LU y LR
7.1 Matrices elementales . . . . . . . . . . . . . . . . . . . . .
7.2 La inversa de una matriz elemental . . . . . . . . . . . . .
7.3 La matriz elemental como aniquilador . . . . . . . . . . . .
7.3.1 Aniquilacin bajo la primera entrada . . . . . . . .
7.3.2 Aniquilador general . . . . . . . . . . . . . . . . . .
7.4 Factorizacin LU . . . . . . . . . . . . . . . . . . . . . . .
7.4.1 El algoritmo de Gauss en la factorizacin . . . . . .
7.4.2 Clculo de la matriz L . . . . . . . . . . . . . . . .
7.4.3 Forma prctica de la construccin de L . . . . . . .
7.5 Factorizacin LR . . . . . . . . . . . . . . . . . . . . . . .
7.5.1 Matrices de permutacin . . . . . . . . . . . . . . .
7.5.2 Factorizacin con el algoritmo de Gauss con pivote
7.5.3 Sobre la construccin de la matriz L y P . . . . . .
7.6 La factorizacin y la solucin de sistemas lineales . . . . .
7.6.1 Factorizacin LU . . . . . . . . . . . . . . . . . . .
7.6.2 Factorizacin LR . . . . . . . . . . . . . . . . . . .
7.7 La factorizacin y el clculo de autovalores . . . . . . . . .
7.7.1 Convergencia de esta sucesin . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

8 Matrices definida positivas


8.1 Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Matrices definida positivas . . . . . . . . . . . . . . . . . . . . . . .
8.2.1 Algunos teoremas sobre matrices definida positivas . . . . .
8.2.2 Caracterizacin de una matriz definida positiva . . . . . . .
8.3 Matrices definida negativas y semidefinidas . . . . . . . . . . . . . .
8.4 La signatura de una matriz simtrica . . . . . . . . . . . . . . . . .
8.4.1 La definicin de signatura . . . . . . . . . . . . . . . . . . .
8.4.2 Clculo de la signatura con operaciones elementales . . . . .
8.5 Caracterizacin de matrices simtricas con operaciones elementales .
8.6 El criterio de Sylvester . . . . . . . . . . . . . . . . . . . . . . . . .
9

Otras aplicaciones del lgebra Lineal


9.1 Modelo de produccin . . . . . . . . . . . . . . . .
9.2 El modelo de Leontief o modelo de insumo producto
9.2.1 Un ejemplo . . . . . . . . . . . . . . . . . .
9.2.2 El modelo general . . . . . . . . . . . . . . .
9.3 Cadenas de markov. . . . . . . . . . . . . . . . . .
9.3.1 Un ejemplo inicial . . . . . . . . . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

140
140
140
143

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

145
145
146
147
147
148
149
149
150
153
154
154
155
156
159
159
160
162
163

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

165
165
166
166
167
168
169
169
170
171
172

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

175
175
175
176
177
178
178

NDICE GENERAL

9.4 Regresin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179


9.4.1 Regresin lineal con dos variables . . . . . . . . . . . . . . . . . . . . . 179
9.4.2 Regresin lineal con k variables . . . . . . . . . . . . . . . . . . . . . . 181

NDICE GENERAL

Captulo 1
Matrices
El objetivo inicial de este captulo es la de familiarizarse con la notacin del lgebra Lineal,
se dan las definiciones que ms adelante se emplearn. Luego de esto se estudia una de las
herramientas ms importantes en la materia, a saber, las operaciones elementales de
fila, para luego estudiar la reduccin de Gauss. Finalmente se estudian la definicin y las
propiedades del determinante de una matrz cuadrada.

1.1

Qu es una matriz?

Definicin 1.1 (Matriz) Una matriz es un arreglo rectangular de nmeros (reales o complejos) dispuestos en filas y columnas.
Ejemplo 1.1
2 3 3
2 5
7

1.1.1

Notacin.

Para denotar una matriz se usarn letras Maysculas y los nmeros que componen la matriz se
denotarn con la misma letra (minscula o mayscula) con un par de subndices en referencia
a la posicin que ocupa en el arreglo. La matriz se encerrar con un par de parntesis o un
par de corchetes.
Ejemplo 1.2
A=

2 3 3
2 5
7

Notacin para los elementos de la primera fila:

a11 = 2, a12 = 3, a13 = 3


Notacin para los elementos de la segunda fila:
a21 = 2, a22 = 5, a23 = 7
9

10

CAPTULO 1. MATRICES
Si A es una matriz de m filas y n columnas, se escribir:
A = (aij ) ; i = 1, . . . , m; j = 1, . . . , n,

ms an escribiremos A Mm,n , aqu Mm,n es el conjunto de matrices de m filas y n columnas,


los nmeros aij se llamarn entradas de la matriz A, finalmente las entradas aii se llaman
entradas de la diagonal principal.

1.1.2

Orden de una matriz

Si A Mm,n , se dir que la matriz A es de orden m n, m por n, esto es, m filas y n


columnas.
Ejemplo 1.3
A=
as A es de orden 2 2.

1.2.1

5 1
0 3

M22

3 4 1 4
2 3 M34
B= 3 3
0 2
3 2

luego B es de orden 3 4.

1.2

Operaciones con matrices


Igualdad de matrices

Definicin 1.2 (Igualdad de matrices) Sean Am,n , B Mm,n , se dice que la matriz A es
igual a la matriz B, lo que escribimos A = B, si
aij = bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.4 Las matrices
A=
son iguales.
La matrices

2 3 5
7
9 0

, B=

2 3 5
7
9 0

2
3
2
3
1
1 , D = 1
C= 1
7 1
5 1

no son iguales pues c31 = d31

1.2. OPERACIONES CON MATRICES

1.2.2

11

Producto por un nmero

Definicin 1.3 (Producto por un nmero) Sea A Mm,n y r R, el producto del


nmero r y la matriz A, es la matriz en Mm,n tal que
(rA)ij = raij .
Si r = 1, en lugar de escribir (1) A se escribir A.
Ejemplo 1.5


2 4 6 8
1 2 3 4
(2) 5 6 7 8 = 10 12 14 16
18 20 22 24
9 10 11 12

1.2.3

Suma

Definicin 1.4 (Suma) Sean Am,n , B Mm,n , la suma de A y B, escrito A+B, es la matriz
en Mm,n tal que:
(A + B)ij = aij + bij
para i = 1, . . . , m; j = 1, . . . , n.
Ejemplo 1.6



6 6 5 5
7
4
2 1
1 2 3 4
5 6 7 8 + 10 8
5 3 = 15 2 12 11
21 21 2 18
12 11 9 6
9 10 11 12

1.2.4

Resta

Definicin 1.5 (Resta) Sean Am,n , B Mm,n , la resta de A y B, escrito A B, es la matriz


en Mm,n tal que:
(A B)ij = aij bij
para i = 1, . . . , m; j = 1, . . . , n.
De la definicin se sigue que A B = A + (B) .
Ejemplo 1.7

1 2 3 4
7
4
2 1
8 2 1 3
5 6 7 8 10 8
5 3 = 5 14 2 5
9 10 11 12
12 11 9 6
3 1 20 6

12

CAPTULO 1. MATRICES

1.2.5

Producto de matrices

Antes de definir el producto de matrices es necesario dar las siguientes definiciones:


Definicin 1.6 (Vector fila y vector columna) Sea A M1,n , es decir, una matriz de
una sola fila y n columnas, a una matriz de este orden ser llamado vector fila, usualmente
escribiremos
A = (a1 , a2 , . . . , an ) .
una matriz A Mn,1 , ser llamado vector columna, usualmente escribiremos

a1
a2

A = ..
.
an

Definicin 1.7 (Producto interior euclidiano) Sean

A = (a1 , a2 , . . . , an ) y B =

b1
b2
..
.
bn

definimos el producto interior euclidiano de estos vectores como el nmero:


A B = a1 b1 + a2 b2 + + an bn .
Definicin 1.8 (Notacin para las filas y columnas de una matriz) Sea A Mm,n , si
A1 , A2 , . . . An son los vectores columna de A, entonces la matriz A se escribir como

A = A1 , A2 , . . . , An .
Similarmente si A1 , A2 , . . . , Am son los vectores fila de A, entonces A se escribir como:

A1
A2

A = ..
.
Am
Ahora estamos en condiciones de definir el producto de matrices.

Definicin 1.9 (Producto de matrices) Sean A Mm,r , B Mr,n , tales que:

A1
A2

A = .. , B = B 1 , B 2 , . . . , B n ,
.
Am

1.2. OPERACIONES CON MATRICES

13

el producto de A y B, escrito AB, es la matriz en Mm,n definido por:


(AB)ij = Ai B j ,
es decir, la entrada ij de la matriz producto es el producto interior euclidiano de la fila i de
A con la columna j de B, por tanto:

A1 B 1 A1 B 2 A1 B n
A2 B 1 A2 B 2 A2 B n

AB =

..
..
..
.
.

.
.
.
.
1
2
n
Am B Am B Am B
Ejemplo 1.8 Considere las matrices
A=

2 4 6
5
1 0

4 7
, B= 3 6
2 1

Para calcular el producto AB se realizan los siguientes pasos:

Primera columna En este clculo la primera columna de B no cambia.


Entrada A11 :

Entrada A21 :

4
(2, 4, 6) 3 = (2) (4) + (4) (3) + (6) (2) = 16
2

4
(5, 1, 0) 3 = (5) (4) + (1) (3) + (0) (2) = 23
2

Segunda columna En este clculo la segunda columna de B no cambia.


Entrada A11 :

Entrada A21 :

De lo anterior:

7
(2, 4, 6) 6 = (2) (7) + (4) (6) + (6) (1) = 4
1

7
(5, 1, 0) 6 = (5) (7) + (1) (6) + (0) (6) = 41
1

AB =

2 4 6
5
1 0



4 7
3 6 = 16 4
23 41
2 1

14

CAPTULO 1. MATRICES

Observacin. Es inmediato, de la definicin, que la primera columna de AB es el producto AB 1 , la segunda columna AB 2 , y as sucesivamente, es decir:


AB = AB 1 , AB 2 , . . . , AB n

Observacin. Es importante observar que el nmero de columnas de A (el primer factor)


es igual al nmero de filas de B (el segundo factor), ms an, el orden de la matriz AB es el
nmero de filas de A por el nmero de columnas de B.
Observacin. Usando la notacin sumatoria, la componente ij de AB, es:
(AB)ij =

aik bkj ,

k=1

donde A Mm,r , B Mr,n ,

1.2.6

La transpuesta de una matriz

Definicin 1.10 (Transpuesta) Sea A Mm,n , la transpuesta de A, escrito At , es la matriz


en Mn,m definido por:
Atji = Aij
para i = 1, . . . , m; j = 1, . . . , n.
La anterior definicin motiva el siguiente proceso para el clculo de la matriz transpuesta:
La primera columna de At es la primera fila de A
La segunda columna de At es la segunda fila de A
Etc.

Ejemplo 1.9

2 1
A = 1 3 M32
4 5


2 1 4
t
M23
A =
1
3 5

1.2.7

Propiedades de las operaciones matriciales

Suma
Teorema 1.11 Sean A, B, C matrices del mismo orden, entonces:
1. A + B = B + A {Conmutatividad}
2. A + (B + C) = (A + B) + C {Asociatividad}
3. (A + B)t = At + B t
Demostracin. Ejercicio

1.2. OPERACIONES CON MATRICES

15

Producto
Teorema 1.12 Sean A, B, C matrices del orden adecuado, entonces:
1. A (BC) = (AB) C {Asociatividad}
2. A (B + C) = AB + AC {Distributividad respecto de la suma}
3. (AB)t = B t At
Demostracin.
1. Ejercicio.
2. Supngase que A Mmr , B, C Mr,n , entonces:
[A (B + C)]ij =

Aik (B + C)kj

k=1
r

Aik (Bkj + Ckj )

k=1

Aik Bkj + Aik Ckj

k=1

= (AB)ij + (AC)ij

luego A (B + C) = AB + AC.
3. Supngase que A Mmr , B Mr,n , entonces:
(AB)tji = (AB)ij
r

=
Aik Bkj
k=1

=
=

r

k=1
r

k=1

luego (AB)t = B t At .


Bkj Aik
t
Bjk
Atki



= B t At ji

16

CAPTULO 1. MATRICES

El producto matricial no es conmutativo


En general no es cierto que el producto sea conmutativo, como lo prueba el siguiente ejemplo:
Ejemplo 1.10 Si
A=
entonces:

2 1
4 3

, B=

3 1
0 2


 

2 1
3 1
6 0
AB =
=
4 3
0 2
12 10


 

3 1
2 1
2 6
BA =
=
0 2
4 3
8 6
Sobre el producto cero en matrices
Definicin 1.13 (Matriz cero) Una matriz es la matriz cero si todas sus entradas son ceros.
Es sabido que si el producto de dos nmeros es cero, entonces al menos uno de los factores
es cero, esta propiedad ya no es verdadera en teora matricial, esto es, si el producto de dos
matrices es cero, entonces no necesariamente uno de ellos es cero.
Ejemplo 1.11 Sean
A=

2
1
2 1

AB =

2
1
2 1



Claramente:

y ni A ni B son la matriz cero.

, B=
1/2
1

1/2
1

0
0

Ejercicios propuestos
1. Una matriz A M3,3 tiene la siguiente propiedad: aij =
 1
si i = j
ij
:
tiene la propiedad bij =
0
si i = j

1
i+j

y una matriz B M3,3

(a) Construya la matrices A y B.


(b) Calcular A + B, A B

(c) Dar las expresiones en trminos de i y j para (A + B)ij y (A B)ij .

2. Demostrar que (A + B)t = At + B t


3. Demostrar A (BC) = (AB) C, donde los rdenes de las matrices son del orden adecuado.

1.3. MATRICES ESPECIALES

1 2 3
4. Sea A = 4 5 6 , determinar una matriz B tal que
7 8 9

1 1
2
3 3
A + B = 2
4 4
5

0 3 1
Sol. 6 2 9
3 12 4

17

5. Hallar el conjunto de todas las matrices que conmutan con A =


6.

7.

8.

9.

10.

2 4
6
8


1 1
Sea A =
, determinar una matriz B tal AB = BA. Sol. Una tal matriz es
1 1

4 3
B=
3 4


2 2
Sea A =
, existe una matriz B tal que AB = 0, en caso afirmativo encon1 1
trarla.


2 4
Sea A =
, existe una matriz B tal que AB = 0, en caso afirmativo encon6 12
trarla.

4 1 1
2 1 1
1 1
1
Considere la matriz A = 2 1 1 , B = 1 0 1 , C = 2 3 2 ,
1
0
1
0 1 2
1
0
2
mostrar que AB = AC, es decir, de la igualdad AB = AC no se puede concluir con
B = C.


0 1
Sean A, B matrices en M2,2 que conmutan con
. Demuestre que AB =
1 0 

0 1
BA. (Sug. Muestre que cualquier matriz que conmuta con
tiene la forma
1 0




0 1
1 0
donde a y b nmeros)
+b
a
1 0
0 1

1.3
1.3.1

Matrices especiales
Matriz cuadrada

Definicin 1.14 (Matriz cuadrada) Una matriz A Mn,n se llama matriz cuadrada, as
una matriz cuadrada tiene igual nmero de filas que columnas.

18

CAPTULO 1. MATRICES

Potencias
Una matriz cuadrada puede elevarse a una potencia entera positiva (luego se vern otro tipo
de potencias), Para esto definimos
Definicin 1.15 (Potencia) Sea A Mn,n , k un entero positivo, la k esima potencia de
A, escrito Ak , est definida por


Ak = A Ak1
De la definicin se deduce:

A2 = AA
A3 = AA2 , etc
Matriz simtrica
Definicin 1.16 (Matriz simtrica) Una matriz cuadrada A Mn,n se dice simtrica si
At = A.
Ejemplo 1.12 La matriz

1 2 3
A= 2 4 5
3 5 6

es simtrica pues At = A.
Ejemplo 1.13 La matriz

no es simtrica pues:

1 2 3
A= 4 5 6
7 8 9

1 4 7
1 2 3
 4 5 6 =A
At = 2 5 8 =
3 6 9
7 8 9

Teorema 1.17 La suma de matrices simtricas es simtrica, en tanto que el producto de


matrices simtricas no necesariamente es simtrica.
Demostracin. Sea A, B Mn,n matrices simtricas entonces:
(A + B)t = At + B t
= A+B
Para probar la segunda parte, sean




1 2
2 4
A=
, B=
2 3
4 5

1.3. MATRICES ESPECIALES

19

ambas matrices son simtricas, sin embargo



1
AB =
2

6
=
8

2
3



14
23

no es simtrica.


1.3.2

2 4
4 5

Matrices triangulares

Definicin 1.18 (Matriz triangular superior e inferior) Una matriz cuadrada A Mn,n
es triangular superior si:
aij = 0, para i > j
y es triangular inferior si:
aij = 0, para i < j
Ejemplo 1.14 Las matrices

a11 a12 a13


a11
0
0
0
A = 0 a22 a23 , B = a21 a22
0
0 a33
a31 a32 a33

son respectivamente triangular superior y triangular inferior.

1.3.3

Matriz diagonal e identidad

Definicin 1.19 (Matriz diagonal) Una matriz D Mn,n es diagonal si


dij = 0, para todo i = j,

es decir, una matriz diagonal es aquella que es simultneamente triangular superior e inferior.
Las matrices diagonales se denotarn como
D = diag (d1 , d2 , . . . , dn ) ,
en donde d1 , d2 , . . . , dn son los elementos de la diagonal principal.
Definicin 1.20 (Matriz identidad) La matriz I Mn,n definida por

1 i=j
In =
0 i = j

se llama matriz identidad en Mn,n .


Ejemplo 1.15 La matriz

es la identidad en M3,3

1 0 0
I3 = 0 1 0
0 0 1

20

CAPTULO 1. MATRICES

1.3.4

La traza y contratraza de una matriz cuadrada

Definicin 1.21 (traza) Sea A = (ai,j ) Mn,n , la traza se define por


tr (A) = a11 + a22 + + ann
n

=
aii
i=1

Definicin 1.22 (contratraza) Sea A = (ai,j ) Mn,n , la contratraza se define por


ctr (A) = a1n + a2,n1 + + an1
n

=
ai,ni+1
i=1

1.4

La funcin matricial 1

Definicin 1.23 (La matriz contraidentidad) Una matriz Wn = (wr,s ) Mn,n tal que wr,s =
1 si r = n s + 1 y 0 en otro caso, es llamada matriz contraidentidad de orden n. Si ei es el
i esimo vector cannico de Rn , entonces la matriz contraidentidad puede escribirse como
Wn = [en en1 . . . , e1 ] .
Ejemplo 1.16

0 0 1
W3 = 0 1 0
1 0 0

La matriz contraidentidad tiene las siguientes propiedades:


1. Wn es simtrica.
2. Wn Wn = In .
Definicin 1.24 Definimos la funcin de Mm,n en Mn,m mediante A A , donde A es
la matriz en Mn,m cuyo elemento ai,j es:
ai,j = amj+1,ni+1 .

1 2 3 4
Ejemplo 1.17 Si A = 5 6 7 8 entonces con m = 3, n = 4:
9 10 11 12
a11 = a34 = 12
a12 = a24 = 8
a13 = a14 = 4
etc...

Esta funcin fue definida por el autor de este texto en 1994.

1.4. LA FUNCIN MATRICIAL 01212

12

11
luego: A =
10
9

8
7
6
5

21

4
3

2
1

Esta funcin tiene muchas propiedades, enunciamos algunas.

Teorema 1.25 Sea A Mm,n , entonces A = Wn At Wm .

. . . , n, j = 1,
. . . , m,se tiene:
Demostracin. Para i = 1,

At = atij = (aji )
At Wn = (amj+1,i )

Wn At Wn = (amj+1,ni+1 )

= Aij
= A .

Teorema 1.26 Si A Mm,n , (A ) = A
Teorema 1.27 Sea A Mm,r , B Mr,n entonces (AB) = B A .
Teorema 1.28 Sea A Mn,n ,entonces tr (A ) = tr (A) .
Ejercicios propuestos

1 2 3
157 283 353
14 25 31
1. Sea A = 2 4 5 , calcular A2 , A3 , Sol.: 25 45 56 , 283 510 636
3 5 6
353 636 793
31 56 70
2. Hallar todas las matrices de orden cuadradas de orden 2 cuyo cuadrado sea nulo.

3. Probar: Si A Mm,n es simtrica, entonces A2 es simtrica.


4. Probar que el producto de matrices triangulares superiores es triangular superior.
5. Probar que el producto de matrices triangulares inferiores es triangular inferior.
6. Sea A Mn,n , I la matriz identidad en Mn,n . (a) Calcular (I + A)2 , (b) (I + A)n , n un
nmero natural.
7. Una matriz A Mn,n tal que Ap = 0, p N se llama nilpotente, si p es el menor entero
para el cual Ap = 0, la matriz se llama nilpotente de orden p. Si A es nilpotente de
orden 2, probar que A (I A)n = A.

22

CAPTULO 1. MATRICES
8. Sea A nilpotente de orden 2 Sean X y Y matrices cuadradas tal que X = Y + A,
supngase que Y y A conmutan, probar que X n = Y n1 (Y + nA) para todo natural
(Se asume que Y 0 es la identidad)
9. Una matriz A es idempotente si A2 = A, sea B = I A.
(a) Muestre que B es idempotente,
(b) AB = BA

10. Determinar la veracidad o falsedad de las siguientes afirmaciones. Justifique su respuesta.


(a) Si AB es simtrica, entonces A y B son simtricas.
(b) Si A es simtrica y P es cuadrada, entonces P AP t es simtrica.
11. Determinar a, b tales que


c 1
1 2d

+4

1 0
0 1

1
a 1
1 1 b

Sol. a = 1, b = 1, c = 3, d = 52 .
12. Considrese la matriz:

a 1
0 b
0 1

0 1
1
A = 0 1 1
0 0
1

Hallar una frmula para An , donde n N.

13. Sean I la matriz identidad en Mn,n , U =

son unos. Calcular: A = I

1
U
n

U . Probar
t

1
1
..
.
1

Mn,1 la matriz cuyas coordenadas

(a) A es simtrica
(b) A2 A = A
(c) La traza es n 1
14. Es verdad que (A + B)2 es igual a A2 + 2AB + B 2 . En caso de respuesta negativa
determinar matrices A y B tales que
(a) (A + B)2 = A2 + 2AB + B 2 y
(b) (A + B)2 = A2 + 2AB + B 2 .

1.5. REDUCCIN DE GAUSS

23

15. Sean A, B matrices cuadradas en Mn,n . Pruebe que:


(a) tr (At ) = tr (A)
(b) tr (A + B) = tr (A) + tr (B)
(c) tr (AB) = tr (BA)
n
n

a2ij
(d) tr (AAt ) =
i=1 j=1

16. Sea A, B matrices cuadradas tal que AB = A y BA = B. Demostrar:


(a) B t At = At B t
(b) At es idempotente
17. Sea k R, A, B matrices cuadradas tal que AB = kB. Pruebe que An B = k nB para
todo n N.

1.5

Reduccin de Gauss

1.5.1

Operaciones elementales y equivalencia de matrices

Definicin 1.29 (Operaciones elementales de fila) Sea A Mm,n . Sobre las filas de
esta matriz se definen las siguientes operaciones:
1. Primera operacin elemental. A la fila i se multiplica por el escalar r = 0. Se
emplea la notacin Fi(r) , ntese que:
aik = r (aik ) , k = 1, . . . , n.
De lo anterior se sigue que la fila Fi se reemplaza con rFi .
Fi r Fi
2. Segunda operacin elemental. Las filas i, j se intercambian. Se emplea la notacin
Fij , es claro que:
Fi  Fj
3. Tercera operacin elemental de fila. A la fila i se suma la fila h multiplicada por
un nmero r. Emplearemos la notacin Fih(r), ntese que
aik = aik + r (ahk ) , k = 1, . . . , n
De lo anterior se sigue que:
Fi Fi + r Fh

24

CAPTULO 1. MATRICES

Las operaciones elementales de columna se definen como las anteriores, reemplazando fila
por columna.
Definicin 1.30 (Operaciones elementales de columna) Sea A Mm,n . Sobre las columnas de sta matriz se definen las siguientes operaciones:
1. Primera operacin elemental. A la columna i se multiplica por un escalar r = 0.
Se emplea la notacin Ci(r) , note que:
Ci r Ci
2. Segunda operacin elemental. Las columnas i, j se intercambian. Se emplea la
notacin Cij , se sigue:
Ci  Cj
3. Tercera operacin elemental de fila. A la columna i se suma la columna h multiplicada por un nmero r. Emplearemos la notacin Cih(r), ntese que
aki = aki + r (akh ) , k = 1, . . . , m
es claro que:
Ci Ci + r Ch
Definicin 1.31 (Matrices equivalentes) Se dice que dos matrices A y B son equivalentes,
lo que escribiremos A B, si una de ellas se obtiene de la otra mediante una sucesin finita
de operaciones elementales de fila.
Es inmediato probar que si A B entonces B A; tambin si A B, B C, entonces
B C.
Ejemplo 1.18 Sobre la matriz A, se realizan sucesivamente las siguientes operaciones elementales de fila.
1. F13 {Intercambio de la filas 1 y 3}
2. F32(4) {A la fila 3 se suma la fila 2 multiplicada por 4}

1 0 1
3 4 5
A= 2 2 0 2 2 0
3 4 5 F
1 0 1 F

13

ntese que B A.

=B
32(4)

1.5. REDUCCIN DE GAUSS

1.5.2

25

Las operaciones elementales como aniquiladores

Es posible usar las operaciones elementales de modo que ciertas entradas se conviertan en
cero, este proceso se llamar aniquilamiento de entradas en una matriz.
Ejemplo 1.19 En este ejemplo se emplean operaciones elementales para llevar una matriz a
su forma triangular inferior

1
2
3
1 2
3
1
2 3
1 6
9 6
0
0 1 6 = B
A= 4
F21(4)
0 2 10 F
0 0 2
3 8 1
F
31(3)

32(2)

Nuevamente que A B. Ntese que la operacin elemental:


F21(4) aniquila la entrada a21
F31(3) aniquila la entrada a31
F32(2) aniquila la entrada a32

1.5.3

Forma escalonada y escalonada reducida por filas

Definicin 1.32 (Elemento distinguido) Un elemento distinguido es el primer nmero


distinto de cero en una fila.
Definicin 1.33 (Forma escalonada) Una matriz A se dice que est en la forma escalonada si el nmero de ceros antes del elemento distinguido de una fila crece fila tras fila.
Ejemplo 1.20

2 4 0 1
A= 0 0 9 0
0 0 0 4

En la primera fila existen 0 ceros antes del primer nmero distinto de cero (el 2).
En la segunda 2 ceros antes del primer nmero distinto de cero ( el 9) .
En la tercera 3 ceros antes del primer nmero distinto de cero (el 4).
Por tanto A est en la forma escalonada.
Ejemplo 1.21

3 2 0 0
B= 0 0 2 6
0 0 3 0

No est en la forma escalonada porqu?.

26

CAPTULO 1. MATRICES

Definicin 1.34 (Forma escalonada reducida por filas) Una matriz A est en la forma
escalonada reducida por filas si:
1. Est en la forma escalonada y
2. Los elementos distinguidos son iguales a la unidad y son los nicos nmeros distintos
de cero en su respectiva columna.
Ejemplo 1.22 La matriz

1 4 0 0
A= 0 0 1 0
0 0 0 1

est en la forma escalonada reducida por filas (los elementos distinguidos estn en negrillas).
Ejemplo 1.23 La matriz

1 4 3 0
B= 0 0 1 0
0 0 0 1

no est en la forma escalonada reducida por filas por qu? (los elementos distinguidos estn
en negrillas).

1.5.4

Reduccin de Gauss

La reduccin de Gauss consiste en llevar una matriz a su forma escalonada mediante operaciones elementales, se tienen dos formas
1. Reduccin de Gauss simple
2. Reduccin de Gauss con pivote
Reduccin de Gauss simple
Consiste en aplicar operaciones elementales a una matriz a la forma escalonada, sin ms
argumento que el hecho de poder hacerlo.
Ejemplo 1.24

1
0 1
2
4
A = 1
2 1
0 0
2
2 1
1 1 F21

1
2 1
0

0 1
2
4

0 5
3 1 F

32(5)

la ltima matriz se encuentra en su forma escalonada.

2 1
0
1
2
4
1
1 1 F

31(2)

1
2 1
0
0 1
2
4
0
0 7 21

1.5. REDUCCIN DE GAUSS


Ejemplo 1.25

27

1 1
2 0
1 1
2 0
1
0
1 2 0
0
0 0

A =

2
0
1 1 1 F21(1)
3 5 1
4
2 2 2 FF31(2)
0
6 10 2 F23
41(4)

1 1
2 0
1 1
2 0
0
0
3 5 1
3 5 1

0
0
0
0 0
0
0 0
0
6 10 2 F
0
0
0 0

42(2)

nuevamente la ltima matriz se encuentra en su forma escalonada.


Reduccin de Gauss con pivote

Sea d = abij , como se sabe, para aniquilar una entrada bajo aij se emplea la operacin elemental
Fij(d) , es claro que aij debe ser distinto de cero, en el mtodo de Gauss simple sta es la nica
condicin. La entrada aij se llamar pivote, para minimizar los errores de redondeo, sta
entrada debe ser la mayor, en valor absoluto, de entre todos los siguientes nmeros
|ai,j | , |ai+1,j | , . . . , |amj |

donde m es el nmero de filas de la matriz, si el mximo ocurre en |ah,j | se intercambian las


filas i y h y luego se procede a la aniquilacin de los elementos bajo ai,j como en la seccin
anterior.
Ejemplo 1.26 Considrese la siguiente matriz:

1 2 0
A = 4 1 2
5
0 10

(Paso 1) Obsrvese que 5 = max {|1| , |4| , |5|} , el mximo ocurre en la tercera fila, luego se
intercambiarn las filas 1 con 3 y luego proceder a la aniquilacin.

1 2 0
5
0 10
5
0 10
A = 4 1 2
4 1 2 F 4 0 1 10
21
5
0 10 F1,3
1 2 0 F ( 5 )
0 2 2
31( 1
5)
(Paso 2) Ahora 2 = max {|1| , |2|} y ocurre en la fila 3, luego se intercambian las filas 2 y 3
para luego proceder a la aniquilacin.

5
0 10
5
0 10
5
0 10
0 1 10 0 2 2
0 2 2
0 1 10 F
0
0 9
0 2 2 F23
32( 1
2)

5
0 10
as, A 0 2 2 con reduccin de Gauss con pivote.
0
0 9

28

CAPTULO 1. MATRICES

Ejercicios
Reducir las siguientes matrices a la forma escalonada (la solucin no es nica) y escalonada
reducida por filas
1.

1 0 0 1 0
0
Sol. 0 1 0 2 1 0
0 0 1 4 3 1

2.

1
0
0 1 0 0
2 1
0 0 1 0
2
3 1 0 0 1


1 0 0 1 1
1 2 1 2 1
Sol. 0 1 3 4 0 , 0 1 0 1 0
0 0 1 1 0
0 0 5 5 0

3.

1
2 1 2
1
A = 1 1 2 2 1
1
1 3 3
1


1 0
1 1 2 1 1

0 3 2 4
2 0 1
Sol.
2
1 ,
2
0 0
0 0
3
3
3
0 0
0 2 0
0 0

4.

1 1
2 1 1
2
1
2
2
0

B=
0
1
0
2
1
0
2 2
0
1
0
0
1
0

0 1
0 1

0 12
1 0

3 3 1
C = 1 1 1
1
1
0

3 3 1
1 1 0
Sol. 0 0 23 , 0 0 1
0 0
0
0 0 0

5. Para qu valores de a y b, las siguientes matrices pueden llevarse a la forma identidad?

1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

29

(a)
A=

a a
b b

B=

a b
b a

(b)

(c)

1+a
0 a
C = a b 1 a + b
1bc 0 b+c

1.6
1.6.1

Determinante de una matriz cuadrada


La definicin de determinante

Definicin 1.35 (Permutacin) Sea n es un nmero natural, una permutacin del conjunto
{1, 2, . . . , n}, es una reordenacin de estos nmeros.
Es un resultado del anlisis combinatorio que la cantidad de permutaciones que se tienen
en el conjunto {1, 2, . . . , n} es n!. Aqu n! es el factorial de n, y est definido por:
n! = 1 2 (n 1) n,
as:
3! = 1 2 3
4! = 1 2 3 4
por definicin 0! = 1.
Ejemplo 1.27 Considrese el conjunto {1, 2} . Las permutaciones de ste conjunto son:
1, 2
2, 1
Ejemplo 1.28 Considere ahora el conjunto {1, 2, 3}. Las permutaciones de ste conjunto
son:
123
132
213
231
312
321

30

CAPTULO 1. MATRICES

Definicin 1.36 (Inversin) En una permutacin del conjunto {1, 2, . . . , n} existe una inversin cuando un entero precede a otro menor que l. Si el nmero de inversiones es par, se
dice que la permutacin es par, si el nmero de inversiones es impar, se dice que la permutacin
es impar. El signo de una permutacin j1 j2 . . . jn esta definido por:

+1, si el nmero de permutaciones es par
sig (j1 j2 . . . jn ) =
1, si el nmero de permutaciones es impar

Ejemplo 1.29 Considrese las permutaciones de los nmeros 1234


1234 es par: tiene 0 inversiones.
1324 es impar: tiene una inversin 3 con 2

4213 es par pues tiene cuatro inversiones 4 con 2; 4 con 1; 4 con 3; 2 con 1.

Definicin 1.37 (Determinante) Sea A Mn,n la

a11 a12
a21 a22

A = ..
.. . .
.
.
.
an1 an2

siguiente matriz

a1n
a2n

..
.
ann

Sea j1 j2 . . . jn una permutacin del conjunto {1, 2, . . . , n} y considrese el producto


a1j1 a2j2 . . . anjn
de manera que slo exista un elemento de cada fila y y slo un elemento de cada columna. El
determinante de A, escrito |A| es el nmero:

|A| =
sig (j1 j2 . . . jn ) a1j1 a2j2 . . . anjn .

donde la suma se realiza sobre las n! permutaciones del conjunto {1, 2, . . . , n}. Finalmente
diremos que n es el orden de este determinante.
Ejemplo 1.30 Determinante de segundo orden
Considere la matriz
A=

las permutaciones del conjunto {1, 2} son

a11 a12
a21 a22

12, 21
entonces se tienen los siguientes productos
a11 a22
a12 a21
por tanto:
|A| = sig (12) a11 a22 + sig (21) a12 a21
= a11 a22 a12 a21

1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

31

Ejemplo 1.31 Determinante de tercer orden

a11 a12 a13


A = a21 a22 a23
a31 a32 a33

las permutaciones del conjunto {1, 2, 3} son

123, 132, 213, 231, 312, 321


entonces se tienen los siguientes productos
a11 a22 a33
a11 a23 a32
a12 a21 a33
a12 a23 a31
a13 a21 a32
a13 a22 a31
por tanto:
|A| = sig (123) a11 a22 a33 + sig (132) a11 a23 a32 + sig (213) a12 a21 a33
+sig (231) a12 a23 a31 + sig (312) a13 a21 a32 + sig (321) a13 a22 a31
= a11 a22 a33 a11 a23 a32 a12 a21 a33
=
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
factorizando a11 , a12 y a13 de cada par de sumandos se tiene:
|A| = a11 (a
 22 a33 a23 a32 )
 a12 (a21 a33
 a23a31 ) + a13 (a
 21 a32 a22 a31 )
 a22 a23 
 a21 a23 
 a21 a22 
 a12 



= a11 
 a31 a33  + a13  a31 a32 
a32 a33 

as |A| se calcula usando los elementos de la primera fila con los signos que van alternadamente
de + a , concretamente:
Primer sumando: a11 por el determinante de la matriz que resulta de eliminar la
primera fila y primera columna de la matriz A.
Segundo sumando: a12 por el determinante de la matriz que resulta de eliminar la
primera fila y segunda columna de la matriz A.
Tercer sumando: a13 por el determinante de la matriz que resulta de eliminar la
primera fila y tercera columna de la matriz A.

32

CAPTULO 1. MATRICES

Observacin. Reordenando los sumandos es posible obtener otras posibilidades para el


clculo del determinante de una matriz en M33 en funcin de determinantes de orden dos, en
efecto: Empleando los elementos de la segunda fila se tiene:






 a12 a13 
 a11 a13 
 a11 a12 






|A| = a21 
+ a22 
a23 
a32 a33 
a31 a33 
a31 a32 
o empleando los elementos de la tercera fila se tiene:



 a12 a13 
 a11 a13




a
|A| = a31 
32
 a21 a23
a22 a23 





 + a33  a11 a12

 a21 a22










 + (3)  4 5
 7 8







Ejemplo 1.32 Empleando la primera fila se tiene:







 1 2 3 
 5 6 



 (2)  4 6
 4 5 6  = (1) 
 8 9 
 7 9


 7 8 9 
= (3) 2 (6) + 3 (3)
= 0

Ejemplo 1.33 Empleando la primera fila se encuentra:




 2 2 1 







 3 1 
 0 1 

 0
 = (2) 
 (2) 
 + (1)  0 3
3
1


 2 2 
 1 2 
 1 2
 1
2
2 
= 9

1.6.2

Propiedades del determinante

Relativo a la transpuesta y al producto


P1A ) Sea A una matriz cuadrada, entonces

Ejemplo 1.34 Sea A =

a b
x y

, At =

 t
A  = |A|
a x
b y

, luego:

|A| = ay xb
 t
A  = ay bx

P1B ) Sean A, B matrices cuadradas, entonces:

|AB| = |A| |B|






1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

33

Relativo a la fila o columna nula


P2 ) Sea A una matriz cuadrada de una fila (o columna nula), entonces
|A| = 0
Ejemplo 1.35 Sea A =

a b
0 0

, el clculo del determinante da:

|A| = (a) (0) (0) (b) = 0


Relativos a las operaciones elementales
Sea A una matriz cuadrada y B la matriz obtenida de A mediante una operacin elemental
de fila. (las propiedades se mantienen si las operaciones elementales son de columna)
P3 ) (Operacin elemental Fi(r) ) Si AFi (r) B, r = 0, entonces
|B| = r |A|
Ejemplo 1.36 (Operacin elemental Fi(r) ) Sea A =

a b
c d

, sea B la matriz obtenida de

A aplicando la operacin elemental F2(r) , es decir:






a b
a b
=B

A=
cr dr
c d F
2(r)

calculando el determinante de B se tiene:




 a b 

 = (a) (dr) (cr) (b)
|B| = 
cr dr 
= r (ad cb)


 a b 
 = r |A|
= r 
c d 

por tanto |B| = r |A| .

P4 ) (operacin elemental Fij )Si AFi j B, r = 0, entonces


|B| = |A| .
Ejemplo 1.37 Operacin elemental Fij . Sea A =

a b
c d

, sea B la matriz obtenida de A

aplicando la operacin elemental F12 , entonces:






c d
a b

=B
A=
a b
c d F12

34

CAPTULO 1. MATRICES

calculando determinantes:
|A| = ad cb
|B| = cb ad = (ad cb)
as |B| = |A| .
P5 ) (operacin elemental Fij(r) )Si AFij (r) B, r = 0, entonces
|B| = |A|
Ejemplo 1.38 Operacin elemental Fij(r) . Sea A =
A aplicando la operacin elemental F12(3) , entonces:
A=

a b
c d

F21(r)

a b
c d

a
b
c + ra d + rb

, sea B la matriz obtenida de

= B,

calculando los determinantes se tiene:


|A| = ad cd
|B| = a (d + rb) b (c + ra)
= ad + rab bc rab
= ad cd
luego |A| = |B| .
Relativo a filas (columnas) iguales
P6 ) Sea A una matriz cuadrada tal que dos de sus filas (columnas) son iguales, entonces:
|A| = 0
Ejemplo 1.39 Sea

a b c
A= x y z
a b c

0bsrvese que las filas 1 y 3 son iguales, calculando el determinante se encuentra:








 x y 
 x z 
 y z 



 b
|A| = a 
 a c +c a b 
b c 
= ayc abz bxc + baz + cxb cay
= 0

1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

35

Relativo a una columna (fila) que es una suma de vectores


P7 ) Sea A una matriz cuadrada tal que A = |A1 , A2 , . . . , Ai1 , W1 + W2 , Ai+1 , . . . , An | , entonces:
|A| = |A1 , A2 , . . . Ai1 , W1 , Ai+1 . . . , An | + [A1 , A2 , . . . Ai1 , W2 , Ai+1 . . . , An ]
donde Ai , W1 + W2 son las columnas de A.
Ejemplo 1.40 Sea
A=

a x1 + x2
b y1 + y2

Calculando el determinante se encuentra:

|A| = a (y1 + y2 ) b (x1 + x2 )


= (ay1 bx1 ) + (ay2 bx2 )
 


 a x1   a x2 
+

= 
b y1   b y2 

por tanto:


 a x1 + x2

 b y1 + y2

Relativo a matrices triangulares

 
  a x1
=
  b y1

 
  a x2
+
  b y2






P8 ) El determinante de una matriz cuadrada triangular (inferior o superior) es el producto


de las entradas de la diagonal principal.
Ejemplo 1.41

 a

 0 b

 0 0 c




 = abc



Clculo del determinante empleando operaciones elementales


Empleando operaciones elementales, es posible llevar la matriz a su forma escalonada, cuidando de emplear adecuadamente las propiedades. Recordemos que stas son:
Operacin elemental
Efecto
multiplicacin por escalar determinante original por el escalar
cambio de filas
cambio de signo
tercera operacin elemental
ninguno

36

CAPTULO 1. MATRICES

Ejemplo 1.42




 2 7

 1

3
2
2




 1

 2 7

2
2
3
=
(1)




 3 5


1 F21
3 5
1 FF21(2)

 31(3)
 1
2 2 

= (1)  0 3 1 
 0
1 5 F32



 1
2
2


2
1 5 
= (1)  0
 0 3 1 
F

 32(3)
 1 2 2 


2
= (1)  0 1 5 
 0 0 16 
= (1)2 (1) (1) (16)
= 16

1.6.3

Menor complementario y cofactor (adjunto) de un elemento

Definicin 1.38 (Menor complementario) Sea A Mn,n . Sea Mij Mn1,n1 la matriz
que resulta de eliminar la fila i y la columna j en la matriz A. El determinante |Mij | se llama
menor complementario de A, tambin se llamar simplemente menor. El nmero
ij = (1)i+j |Mij |
se llamar cofactor (o adjunto) de la entrada aij .
Observacin. Los signos (1)i+j de los cofactores de todos los elementos de A siguen
la siguiente regla: Los signos se alternan ya sea en filas o columnas. As para A M3,3 los
signos (1)i+j son:

+ +
+
+ +
Ejemplo 1.43 Considere la matriz

a11 a12 a13


A = a21 a22 a23
a31 a32 a33

entonces:
M11


 a
a
=  22 23
a32 a33





 , M12 =  a21 a23

 a31 a33





 , M13 =  a21 a22

 a31 a32






1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

37

y
11 = (1)1+1 M11 = M11
12 = (1)1+2 M12 = M12
13 = (1)1+3 M13 = M13
Observacin. Del ejemplo 1.31 se tiene
|A| = a11 M11 a12 M12 + a13 M13
= a11 11 + a12 12 + 13 13
esto no es casualidad, como se puede apreciar en el siguiente teorema.
Teorema 1.39 (Desarrollo por cofactores a travs de una fila) Sea A Mn,n , entonces


n

Desarrollo por cofactores
|A| =
aik ik , i = 1, . . . , n
por la fila i
k=1

Teorema 1.40 (Desarrollo por cofactores a travs de una columna) Sea A Mn,n , entonces


n

Desarrollo por cofactores
akj kj , j = 1, . . . , n
|A| =
por la columna j
k=1

Ejemplo 1.44

los signos de los cofactores son

2 0 3
A = 1 1 1
3 1 0

+ +
+
+ +

A continuacin realizamos el clculo del determinante de tres maneras.


(Cofactores a travs de la primera fila) Los signos sern +, , +.






 1 1 
 1 1 
 1 1 
 (0) 



|A| = +2 
 3 0  + (3)  3 1  = 4
1 0 

(Cofactores a travs de la segunda fila) Los signos son , +,








 2 0 
 2 3 
 0 3 
=4





(1) 
+ (1) 
|A| = (1) 
3 1 
3 0 
1 0 
(Cofactores a travs de la primera columna) Los



 1 1 
 0 3



|A| = (2) 

(1)
 1 0
1 0 

signos son +, , +






 + (3)  0 3  = 4

 1 1 

38

1.6.4

CAPTULO 1. MATRICES

Menor y menor principal

Definicin 1.41 (Menor) Un menor de una matriz A es el determinante de la submatriz


obtenida de A tomando algunas filas y algunas columnas. El orden del menor principal es el
nmero de filas (columnas).
Ejemplo 1.45 Sea A = (aij )
el menor de orden 3:

 a31 a32

 a41 a42

 a51 a52
Ejemplo 1.46 Considrese

M5,5 . Tomando las filas 3, 4, 5 y las columnas 1, 2, 5 se tiene


a35
a45
a55

  fila 3 con las columnas 1, 2, 5



  fila 4 con las columnas 1, 2, 5

  fila 5 con las columnas 1, 2, 5

1 2 3 4
5 6 7 8

A=
9 10 11 12
13 14 15 16
tomando las filas 2, 4 y las columnas 3, 4 se tiene el menor de orden 2:


 7 8 


 15 16 

Definicin 1.42 (Menor principal) Si los elementos de la diagonal principal del menor
son tambin elementos de la diagonal principal de A, el menor se llama menor principal.
Ejemplo 1.47 Un menor principal de la matriz del ejemplo anterior se encuentra con las
filas 1, 3 y las columnas 1, 3


 1 3 


 9 11 

1.6.5

Rango de una matriz

La definicin de rango
Definicin 1.43 (Rango) El rango de una matriz cuadrada no nula A es igual a r, lo que
escribiremos rango (A) = r, si al menos uno de los menores cuadrados de orden r es distinto
de cero, siendo nulos los menores cuadrados de orden r + 1. Por definicin el rango de la
matriz nula es 0.
Ejemplo 1.48 Considere

2 0 1
A = 1 1 1
3 1 0



 2 0 
 = 2, y |A| = 0, entonces rango (A) = 2.
el determinante 
1 1 

Teorema 1.44 El rango de A es igual al rango de su transpuesta, es decir:



rango (A) = rango At

1.6. DETERMINANTE DE UNA MATRIZ CUADRADA

39

Teoremas y un algoritmo relativo al clculo del rango


Teorema 1.45 El rango de una matriz no varia mediante operaciones elementales de fila o
columna.
Teorema 1.46 El rango de una matriz que est en la forma escalonada es el nmero de filas
no nulas.
Los dos teoremas previos nos dan un algoritmo para calcular el rango de una matriz, pues
si se est interesado en calcular el rango de una matriz A, entonces se deben seguir con los
siguientes pasos:
1) Realizar operaciones elementales de fila de modo de obtener la forma escalonada de la
matriz,
2) Se cuentan el nmero de filas no nulas, si este nmero es r, entonces:
rango (A) = r.
Ejemplo 1.49 Se calcular el rango de la matriz

1 2 3 2
A = 3 6 10 8
2 4 7 6
Solucin.

1 2 3 2
1 2 3 2
0 0 1 2
A = 3 6 10 8
F21(3)
0 0 1 2 F
2 4 7 6 F
31(2)

32(1)

1 2 3 2
0 0 1 2
0 0 0 0

la ltima matriz est en la forma escalonada, y sus dos primeras filas no son nulas, entonces
rango (A) = 2.
Ejemplo 1.50 Ahora considrese la matriz

1 2 0
B = 1 0 0
1 6 1

1 2 0
1 2 0
B = 1 0 0
0 2 0
F21(1)
1 6 1 F
0 4 1 F
31(1)

32(2)

1 2 0
0 2 0
0 0 1

la ltima matriz est en su forma escalonada, no tiene ninguna fila nula, es decir rango (B) =
3.

40

CAPTULO 1. MATRICES

Ejercicios propuestos
1. Determinar si las siguientes permutaciones son pares o impares encontrando el nmero
de inversiones.
(a) 3214. Sol. impar
(b) 4213. Sol. par
(c) 32154. Sol. par
(d) 13524. Sol. impar
(e) 42531. Sol. impar
2. Aplicando propiedades mostrar que

 2
1
1

 1 2
1

 1
1 2
3. Sin hacer el desarrollo por cofactores







calcular:

1 a b+c
1 b a+c
1 c a+b

Sol. 0.

4. Usando propiedades mostrar


 2
 a1 a1
 2
 a2 a2
 2
 a3 a3








que

1 
1  = (a1 a2 ) (a2 a3 ) (a3 a1 )
1 

5. Usando propiedades mostrar que



 1
1
1
1

2
3
 1
x
x
x

 3 x + 2 2x + 1 3x

 3 2x + 1 x2 + 2 3x2
6. Usando propiedades mostrar

 1

 x

 yz




=0



que

1 1
y z
xz xy




 2

 = x 4x 3 (x 1)4







 = (x y) (y z) (z x)



1.6. DETERMINANTE DE UNA MATRIZ CUADRADA


7. Conjeturar una frmula para el determinante de

 x 1 1

 1 x 1

 .. .. . .
.
 . .
. ..

 1 1 x

41











(Es una matriz con unos en cada entrada fuera de la diagonal y x en la diagonal)

8. Se dice que una matriz es ortogonal si At A = I. Probar que si A es ortogonal |A| = 1.


9. Sea A Mn,n , probar que |kA| = k n |A| .
10. Una matriz A es antisimtrica si At = A. Si A es nilpotente, es cierto que el
determinante de A es cero?
11. Determinar el rango de las siguientes matrices.

2
2 1
0
3 , rango(A) = 2.
(a) A = 1
1 2
4

1 1 0
2
1 1

(b) B = 0 1 1
, rango(B) = 3.
3 1 2
5
0 3

12. Determinar los valores de k de modo que las siguientes matrices tengan rango igual al
orden de la matriz.

1
0 1
(a) 2
k k . Sol. k = 1 y k = 0.
2 k 1

1
1
1
(b) 1 1 + k 2 . Sol. k = 4, k = 0.
1 1 + 2k k 5

1 1 1
(c) 1 3 0 Sol. k = 2
2 2 k

1 1
1
Sol. k = 2, k = 0
0
(d) 1 3
2
2 2 2 2k + k

6 12 + 7a 6 19a + 5b
(e) 3 6 + 3a 3 8a + 2b Sol. a = b, a = 0
1 2 + a
1 3a + b

42

CAPTULO 1. MATRICES

13. Determinar los valores de k de modo que las siguientes matrices tengan rango igual a 2.

6 18 2k
(a) 7 2 4 Sol. k = 1
4 10
6

2
0 0
1
1 1 2
2
Sol. no existe
(b)
2
k 0 1
1
0 k
1

1.7

Sabias que?

(Tomado de http://www.enterate.unam.mx/Articulos/2003/mayo/progext.htm)
qu tan grave puede ser que se suscite un error?
En el periodo de 1985 a 1987, seis personas fueron sobreexpuestas a radiacin por un tratamiento contra el cncer que era proporcionado con ayuda de una mquina llamada Therac-25.
Se cree que tres de estos seis pacientes fallecieron debido a la sobreexposicin, causada por
un error en el software de la mquina Therac-25 y por la falta de monitoreo de los operadores
de la mquina.
R
present un error de software, codificado en
En 1995, el procesador Pentium de Intel
su hardware, que llevaba a la imprecisin en las operaciones de divisin de nmeros con
punto flotante. Intel predeca que este problema slo lo notara una persona cada 27 mil
aos, no obstante, fue tan conocido, que la empresa perdi ms de 400 millones de dlares en
reemplazos del procesador.
El 4 de junio de 1996, la nave espaial Ariane 5, a los 40 segundos de haber iniciado su
secuencia de vuelo y a una altitud de 3,700 metros, se sali de su ruta y explot. El problema
fue ocasionado por el software de navegacin que hered del Ariane 4 y que no fue debidamente
probado.
Durante la Guerra del Golfo, un misil americano Patriot, fall en rastrear e interceptar un
misil Scud iraqu, el cual mat a 28 soldados e hiri a 100 personas. El problema se produjo
por un error en los clculos del Sistema de Control de Armas; cuando ocurri el incidente, el
sistema haba trabajado por ms de 100 horas, para entonces, la imprecisin del software se
acumul y ocasion que el sistema buscara en el lugar equivocado el misil Scud.

Captulo 2
Sistemas de ecuaciones lineales
En este captulo se define un sistema de ecuaciones lineales, se estudia un teorema relativo
al rango y las soluciones, se entudia tambin una tcnica simple para determinar todas las
soluciones de un sistema. En una segunda parte se estudia la posibilidad de invertir una
matriz cuadrada y las condiciones bajo las cuales esto es posible. Finalmente se estudia la
regla de Cramer para resolver sistemas cuadrados.

2.1
2.1.1

Introduccin
La definicin de sistema lineal

Un sistema lineal de m ecuaciones con n incgnitas tiene la forma:


a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

am1 x1 + am2 x2 + + amn xn = bm


los nmeros aij son los coeficientes del sistema, los bi se llaman trminos independientes y
los xi se llaman incgnitas del sistema. Si cada bi es cero, el sistema se llama sistema
homogneo.

2.1.2

Notacin matricial

El anterior sistema puede escribirse como Ax = b, donde A Mm,n es la matriz

A=

a11
a21
..
.
am1

a12 a1n
a22 a2n
.. . .
..
.
.
.
am2 amn
43

44

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

b Mm,1 , x Mn,1 son los vectores:

2.1.3

b=

b1
b2
..
.
bm

, x =

La solucin de un sistema lineal

x1
x2
..
.
xn

Un vector x es solucin de un sistema lineal Ax = b, si satisface la ecuacin matricial, esto a


su vez significa que el vector x satisface cada una de las ecuaciones del sistema.
Ejemplo 2.1 El siguiente sistema, es de 2 ecuaciones con 3 incgnitas:




 x1
5
1 2 3
x2 =
2
2 2 2
x3
una solucin de este sistema es el vector:

2
x= 0
1

pues


2.2

1 2 3
2 2 2



2
5
0 =
2
1

Teorema de existencia de soluciones

Definicin 2.1 (Matriz ampliada) Considere el sistema lineal Ax = b, A Mm,n . La


matriz obtenida de aadir a la matriz A la columna b, denotada por [A : b] Mm,n+1 se llama
matriz ampliada (o matriz aumentada).
Las soluciones de un sistema Ax = b, A Mm,n estn completamente determinadas por el
rango de A y el rango de la matriz ampliada [A : b] , eso es lo que afirma el siguiente teorema.
Teorema 2.2 Sea Ax = b, un sistema de m ecuaciones y n incgnitas, entonces:
1. El sistema no tiene solucin ssi
rango (A) = rango ([A : b]) .
2. El sistema tiene infinitas soluciones ssi
rango (A) = rango ([A : b]) < n.

2.2. TEOREMA DE EXISTENCIA DE SOLUCIONES

45

3. El sistema tiene solucin nica ssi


rango (A) = rango ([A : b]) = n.
En los tres siguientes ejemplos determinaremos si los sistemas tienen o no soluciones.
Ejemplo 2.2




 x1
3
1 2 1
x2 =
1
3 5 1
x3
Via operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :




1
2
1 :
3
1 2 1 :
3

[A : b] =
0 1 2 : 10
3 5 1 : 1 F
21(3)

es claro que rango (A) = rango ([A : b]) = 2 < 3, luego el sistema tiene infinitas soluciones
(teorema 2.2).
Ejemplo 2.3

2
1
2 1
x1
3 5 1 x2 = 1
5
4
7 0
x3
Mediante operaciones elementales calcularemos el rango de la matriz ampliada [A : b] :

1
2 1 :
2
1
2
1 :
2
1
4 :
5
[A : b] = 3 5 1 : 1
0
F21(3)
4
7 0 :
5 F
0 1 4 : 3 F
31(4)
32(1)

1 2 1 : 2

0 1 4 : 5

0 0 0 : 2

luego rango (A) = 2, rango ([A : b]) =


2.2).
Ejemplo 2.4

1
2
3 5
4
7

1
2 1

3 5 1
[A : b] =
4
7 5

1 2 1 :
0 1 4 :
0 0 5 :

3, por tanto el sistema no tiene soluciones (teorema

1
1
x1
1 x2 = 14
0
x3
5

:
1
1
2 1 :
2
: 14
1 4 : 11
0
F21(3)
:
0 F
0 1 1 : 4 F
31(4)
32(1)

2
11
15

luego rango (A) = rango ([A : b]) = 3, es decir, el sistema tiene solucin nica (teorema 2.2).

46

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

2.3
2.3.1

Soluciones de un sistema triangular


Sistema triangular superior

Un sistema Ax = b, con A Mn,n , es triangular superior si la matriz A es triangular superior.


Si rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin inversa.
Ejemplo 2.5 Considere el sistema triangular

a11 a12 a13


x1
b1
0 a22 a23 x2 = b2
0
0 a33
x3
b3

Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos.
La solucin se encuentra sucesivamente en los siguientes pasos:
x3 se encuentra de la ecuacin a33 x3 = b3 , de donde
b3
a33

x3 =

x2 se encuentra de la ecuacin a22 x2 + a23 x3 = b2 , de donde


x2 =

1
(b2 a23 x3 )
a22

x1 se encuentra de la ecuacin a11 x1 + a12 x2 + a13 x3 = b1 , de donde


x1 =

1
(b1 a12 x2 a13 x3 )
a11

Teorema 2.3 Sea Ax = b, es un sistema triangular A Mn,n de rango n, entonces las


soluciones son:
xn =
xj

bn
ann

1
=
ajj

bj

ajk xk

k=j+1

, j = n 1, n 2, . . . , 1

este algoritmo se llama de sustitucin inversa.

2.3.2

Sistema triangular inferior

Un sistema Ax = b, con A Mn,n , es triangular superior si la matriz A es triangular inferior.


Si rango (A) = n, el sistema se resuelve con el algoritmo de sustitucin directa.

2.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B

47

Ejemplo 2.6 Considere el sistema triangular inferior

0
a11 0
x1
b1
a21 a22 0 x2 = b2
x3
b3
a31 a32 a33

Si rango (A) = 3, entonces ninguno de los elementos de la diagonal principal pueden ser nulos.
La solucin se encuentra sucesivamente con los siguientes pasos:
x1 se encuentra de la ecuacin a11 x1 = b1 , de donde
x1 =

b1
a11

x2 se encuentra de la ecuacin a21 x1 + a22 x2 = b2 , de donde


x2 =

1
(b2 a21 x1 )
a22

x3 se encuentra de la ecuacin a31 x1 + a32 x2 + a33 x3 = b3 , de donde


x3 =

1
(b3 a31 x1 a32 x2 )
a33

Teorema 2.4 Sea Ax = b, es un sistema triangular A Mn,n de rango n, entonces las


soluciones son:
xn =
xj

b1
a11

1
=
ajj

bj

j1

k=1

ajk xk

, j = n 1, n 2, . . . , 1

este algoritmo se llama de sustitucin directa.

2.4
2.4.1

Sobre las soluciones del sistema Ax = b


Sistemas equivalentes

Definicin 2.5 (Sistemas equivalentes) Sea Ax = b, un sistema con A Mm,n y [A : b] su


matriz asociada. Sea [A : b ] una matriz equivalente a la matriz [A : b] , entonces los sistemas
Ax = b y A x = b se llaman equivalentes.
Las operaciones elementales no modifican la solucin de un sistema lineal, como se afirma
en el siguiente teorema.
Teorema 2.6 Las soluciones de dos sistemas equivalentes son iguales.

48

2.4.2

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Variables libres

Definicin 2.7 (Variable libre) Sea Ax = b, un sistema lineal con A Mm,n tal que
[A : b] se encuentra en su forma escalonada, sea j la columna en donde no existe un elemento
distinguido, en ese caso la variable xj se llamar variable libre.
Ejemplo 2.7 Considere el sistema


x1
4
2 1 3 1

0 0 1 3 x2 = 1
x3
2
0 0 0 2
x4

la matriz aumentada es:

2 1 3 1 : 4
0 0 1 3 : 1
0 0 0 2 : 2

los elementos distinguidos se encuentran en las columnas 1, 3, 4, por tanto la nica variable
libre es x2 .
Teorema 2.8 Si [A : b] se encuentra en la forma escalonada y rango (A) = rango (A : b) , y
se tiene al menos una variable libre, entonces se tienen infinitas soluciones.

2.4.3

Clculo de la solucin de un sistema Ax = b

Los resultados previos justifican el siguiente proceso para resolver un sistema lineal Ax = b,
donde A Mm,n .
Paso 1  Construir la matriz aumentada [A : b] .
Paso 2  Llevar [A : B] a la forma escalonada [A : b ] .
Paso 3  Identificar las variables libres.
Paso 4  Asignar valores arbitrarios a las variables libres. Este hecho origina un sistema
cuadrado triangular superior.
Paso 5  Se resuelve el sistema triangular superior, encontrndose as las incgnitas faltantes.
Paso 6  Se escribe la solucin.
Ejemplo 2.8


1 2 1
3 5 1



x1
3
x2 =
1
x3

2.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B

[A : b] =

1 2 1 :
3
3 5 1 : 1

F21(3)

49

1
2
1 :
3
0 1 2 : 10

Claramente el sistema tiene infinitas soluciones. La variable libre es x3 Sea x3 = t, t R, as


el sistema se transforma en:


 

1
2
x1
3t
=
0 1
x2
10 + 2t
que como se esperaba es triangular superior, resolviendo por sustitucin inversa se tiene
sucesivamente:
x2 = 10 2t
x1 = 3 t 2 (x2 )
= 3 t 2 (10 2t)
= 17 + 3t
por tanto la solucin del sistema es:

17 + 3t
x = 10 2t , t R
t

el sistema tiene infinitas soluciones (para cada valor de t se tiene una solucin).
Ejemplo 2.9 Resolver

Solucin.

1
2 3
2
2 1 0 x1
1
x2 =

1
1
0 3
x3
1 1 3
2

1
2 3 :
2 1 0 :
[A : b] =
1
0 3 :
1 1 3 :

1
2 3 :
0
1 6 :

0 2 0 :
0
3 6 :

1 2 3 :
0 1 6 :

0 0 12 :
0 0 0 :

2
1
2
0
1
3

F21(2)
1
0 2
2 FF31(1)
0
1
41(1)

2
1 2

4
0 1

0 0
1
5 FF32(2)
0 0
42(3)

2
4

7
0

:
2
:
5

: 1
:
4 F
24

3 :
2
6 :
4

12 :
7
12 : 7 F
3
6
0
6

43(1)

50

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Puede observarse que el sistema no tiene variables libres. Por otra parte el sistema tiene solucin nica pues rango (A) = rango [A : b] = 3 = nmero de variables. Empleando sustitucin
inversa se tiene:
x3 = 7/12
x2 = 1/2
x1 = 3/4
Por tanto la solucin del sistema es:

x=

Ejemplo 2.10 Resolver

3
4
1
2
7
12

x1
6
1 1 1 1

3 3 4 5 x2 = 29
x3
28
1 1 3 5
x4

Solucin.

: 6
1 1 1 1 : 6
. 29
0 0 1 2 . 11
F21(3)
: 28 F
0 0 2 4 : 22 F
31(1)
32(2)

: 6
. 11
: 0

1 1 1 1

3 3 4 5
[A : b] =
1 1 3 5

1 1 1 1

0 0 1 2

0 0 0 0

las variables libres son: x2 y x4 . Sean

x2 = t
x4 = s
entonces, el sistema se convierte en:
x1 + x3 = 6 + x2 x4
x3 = 11 2x4
reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = 6 + t s
x3 = 11 2s

2.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B

51

de donde sucesivamente:
x3 = 11 2s
x1 = 6 + t s (11 2s)
= 5 + t + s
por tanto la solucin del sistema es:

5 + t + s

x=
11 2s , t, s R
s

Ntese que la solucin puede escribirse como:

0
+ t
x=

11
0

1
1

0
1
+ s

2
0
1
0

Ejemplo 2.11 Considere el siguiente sistema:

2
x1
1 1
0

0
k
2 x2 = 1
k1
0
0 k2
x3

determinaremos los valores de k para que el sistema (a) tenga solucin nica, (b) tenga
infinitas soluciones, (c) no tenga soluciones.
Solucin. (a) El rango de la matriz de coeficientes debe ser igual al rango de la matriz
ampliada e igual a 3, esto solo puede darse si k = 2 y k = 0.
(b) rango (A) = 2 para k = 0 o k = 2. Para k = 2, rango [A : b]=3, por tanto para este
valor no se pueden tener infinitas soluciones (en realidad no se tienen soluciones), para k = 0,
rango [A : b] = 2, por tanto, para k = 0 se tienen infinitas soluciones.
(c) Por lo anterior el sistema no tiene soluciones para k = 2.
Ejercicios propuestos
1. Determinar las condiciones que deben cumplir los as de modo los siguientes sistemas
tengan solucin
x 2y + z = a1
x 2y = a1
2x + y = a2
3x + 2y = a2
4x + 3y = a3
4x 2y + z = a3
2. Hallar los valores de k de modo que los siguientes sistemas (a) tengan solucin nica,
(b) tengan infinitas soluciones, (c) no tengan soluciones

52

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES


(a)

1
0 1
x
2
2

k k y =
4
2
2 k 1
z
5 + k
(b)

Sol. (a) k = 1 y k = 0, (b) k = 1, (c) k = 0.


x
1
1
1
1
1 1 + k 2 y = 1
z
5+k
1 1 + 2k k 5

(c)


2
1 1 1
x
1 3 0 y = 1
4+k
z
2 2 k

(d)

Sol. (a) k = 2, (b) no, (c) k = 2

x
2
1 1
1
y = 3
1 3
0
z
k+2
2 2 2 2k + k 2

Sol. (a) k = 2, k = 0,(b) k = 2,(c) k = 0

3. Analizar las soluciones del sistema tomando en cuenta el valor de y .

1 /2
x
2
y =

0 1
z

Sol. Infinitas soluciones para = 2 y = 4/3, Si solucin para = 2 y = 4/3,


Solucin nica para = 2



1
1
a

2
0 , u3 =
1 determinar que condicin ha de
, u2 =
4. Dados u1 =
1
1

a
1

1 pueda escribirse como v = x u1 + y u2 + z u3 . Sol.


cumplir a para que v =
1
a R {1, 3/2} .

2.4. SOBRE LAS SOLUCIONES DEL SISTEMA AX = B


5. Resolver:

Sol.

1 1
1
2
1

2
2 1 5 1

2 2
3
4
2

1
1 2
0 3

8 + t 3s
t
6
2+s
s

6. Resolver:

Sol.

7. Resolver:

Sol. :

1 2t1 t2
t1
2 2t2
t2
4

Sol. No existen.

0
=
10

= 3

0
0 3 6 2

1 2 1 1 0

1
2 1 3 1

8. Resolver:

x
y
z
u
w

1
2 0 1 0

1 2 1 1 0

1
2 1 3 1

2 2t1 t2
t1
1 2t2
t2
2

x1
x2
x3
x4
x5

x
y
z
u
v

= 3

x
2
1 2 0 1

1 2 1 1 y = 3
z
1
1
2 1 3
w

53

54

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES


9. Resolver:

1 0 0
x
2
1 1 1 y = 3
1 1 1
z
1

2
Sol. : 1 t1
t1

10. Determine un polinomio de grado 2 que pase por los puntos:


(2, 17) , (1, 7) , (3, 7)

2.5
2.5.1

La inversa de una matriz


La definicin de matriz inversa

Definicin 2.9 (Inversa) Sea A Mn,n . Diremos que una matriz B Mn,n es la inversa
de A si
AB = In
BA = In
donde In es la matriz identidad, en Mn,n .
Notacin. Es costumbre denotar la inversa de una matriz A mediante A1 , por tanto si
A1 es la inversa de A se debe tener: A1 A = In , AA1 = In , si no se dice lo contrario sta
ser la notacin usual para la inversa.
Ejemplo 2.12 (No pregunten de donde se saca la inversa de la siguiente matriz, ms adelante
se aprender a calcularlo). La inversa de
A=
es :
1

A
pues:
1

AA

2 7
1 4

2 7
1 4

4 7
1
2



4 7
1
2

1 0
0 1

2.5. LA INVERSA DE UNA MATRIZ

2.5.2

55

Clculo de la inversa

Para el clculo de la inversa de una matriz, recordemos algunos resultados de productos de


matrices.
Inicio del repaso

Si A, B Mn,n y si B = [B 1 , B 2 , . . . , B n ] donde los B j son la columnas de B,


entonces:


AB = A B 1 , B 2 , . . . , B n

= AB 1 , AB 2 , . . . , AB n

esto muestra que la j esima columna de AB es el producto AB j , siendo B j la


j esima columna de B.

La solucin del sistema Ix = b, es x = b. (aqu I es la matriz identidad)


Fin de repaso

Ahora estamos listos para discutir la forma de calcular la inversa. Sea A Mn,n una
matriz de rango igual a n. para el clculo de la inversa emplearemos la siguiente notacin:
X = [X1 , X2 , . . . , Xn ] , donde Xj es la j esima ser la inversa de A
I = [e1 , e2 , . . . , en ], I es la matriz identidad y ej la j esima columna.
Puesto que X es la inversa de A debemos tener AX = I, entonces:
[AX1 , AX2 , . . . , AXn ] = [e1 , e2 , . . . .en ]
de donde
AXj = ej , j = 1, 2, . . . , n
lo anterior muestra que la j esima columna de X se encuentra resolviendo el sistema
AXj = ej .
Puesto que en cada uno de estos sistemas la matriz A no varia, podemos considerar la
matriz aumentada que involucre todos los sistemas, esta matriz es:
[A : e1 , e2 , . . . , en ]
resolviendo estos sistemas encontramos las columnas de la matriz inversa X, ms an podemos
llevar la anterior matriz a la forma escalonada reducida por filas, y puesto que A es de rango n,
la matriz escalonada reducida por filas debe ser la matriz identidad, as la matriz aumentada
tiene la forma:
[e1 , e2 , . . . , en : X1 , X2 , . . . , Xn ]
as se ha calculado la inversa. A continuacin el algoritmo para el clculo de la inversa.

56

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Algoritmo para el clculo de la inversa


Para calcular la inversa de una matriz A Mn,n de rango n, se siguen los siguientes pasos
1  Se construye [A : e1 , e2 , . . . , en ]
2  Se realizan operaciones elementales de modo que
[A : e1 , e2 , . . . , en ] [e1 , e2 , . . . , en : X1 , X2 , . . . , Xn ]
3  La matriz inversa A1 tiene por columnas a los vectores X1 , X2 , . . . , Xn .
Ejemplo 2.13 Calcularemos la inversa de
A=

2 7
1 4

Solucin.


2 7 : 1 0
1 4 : 0 1


2
7 :
1 0

0 1/2 : 1/2 1 F
2(2)


2 7 :
1 0

0 1 : 1 2 F
12(7)


2 0 :
8 14

0 1 : 1
2 F
 1(1/2)

1 0 :
4 7

0 1 : 1
2


F21(1/2)

por tanto:
1

4 7
1
2

Ejemplo 2.14 Determinar la inversa de

1 2
1
A = 2 1 1
1 0
1

Solucin.

1
2
1 :
1 0 0
1 2
1 : 1 0 0
0 3 3 : 2 1 0
[A : I] = 2 1 1 : 0 1 0
F21(2)
0 2
0 : 1 0 1 F
1 0
1 : 0 0 1 F

31(1)

( )

2
32 3

1 2 1 : 1
0 0
1
2
1 :
1
0 0

2
1

1 0
0
1
1
:

0
0 3 3 : 2

3
3

F2(1/3)
1
2
0
0
2 :

1
1
1
1
3
3
F3(1/2)
0 0 1 : 6 3 2 FF23(1)
13(1)

2.5. LA INVERSA DE UNA MATRIZ

1 2 0 :


0 1 0 :
0 0 1 :

5
6
1
2
1
6

1
3

0 12

13

de lo anterior se deduce que A

2.5.3

12

57

1
2

F12(2)

16

1
2
1
6

1 0 0 : 16

0 1 0 :

1
3

0
13

0 0 1 :

2
12
1
2

1
2
1
6

1
3

0
13

1
2
12
1
2

Algunos teoremas sobre la inversa

Teorema 2.10 Sobre una matriz A Mn,n , las siguientes afirmaciones son equivalentes:
1. A tiene inversa.
2. rango (A) = n.
3. |A| = det (A) = 0.

Teorema 2.11 Si A, B Mn,n son invertibles, entonces AB es invertible, ms an, (AB)1 =


B 1 A1 .
Demostracin. Aceptando que AB es invertible, entonces
(AB) (AB)1 = I
premultiplicando por la izquierda por A1 se tiene:
B (AB)1 = A1
premultiplicando una vez ms por B 1 :
(AB)1 = B 1 A1 .

Teorema 2.12 (Unicidad de la inversa) Si la inversa existe, sta es nica.
Demostracin. Sea A una matriz invertible con inversa B. Si C es otra inversa se debe
tener:
AB = I, BA = I
AC = I, CA = I
entonces:
B =
=
=
=
=
eso prueba el teorema. 

BI
B (AC)
(BA) C
IC
C

58

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

2.5.4

La adjunta de una matriz en el clculo de la inversa

En el captulo 1, definimos el nmero


ij = (1)i+j |Mij |

como cofactor (o adjunto) de la entrada aij de una matriz A = (ai,j ) Mn,n , donde M es la
submatriz de A obtenida eliminando la fila i y la columna j. La matriz construida con estos
cofactores forma una matriz, misma que definimos a continuacin.
Definicin 2.13 (Matriz adjunta) Sea A Mn,n , la matriz adjunta de A es la matriz,
denotada por adj (A) , cuyo elemento ji es ij = (1)i+j |Mij | , es decir, es la transpuesta de
la matriz formada por los cofactores.

t
11 12 1n
21 22 2n

adj (A) =
..
.. . .
..

.
.
.
.
n1 n2 nn
Teorema 2.14 Si A Mn,n invertible, entonces:
A1 =
Ejemplo 2.15 Determinar la inversa de:
A=

1
adj (A)
|A|

a b
c d

Solucin. El determinante es |A| = ad bc, y la adjunta es


t 


d c
d b
adj (A) =
=
b a
c a

por tanto:

1
=
ad bc

Ejemplo 2.16 Determinar la inversa de:

d b
c a

1 2 3
A= 6 0 4
3 2 1

Solucin. El determinante es |A| = 40 y la adjunta es:

8
4
8
14
adj (A) = 6 8
12
4 12

por tanto

A1

8
4
8
1
6 8
14
=
40
12
4 12

2.5. LA INVERSA DE UNA MATRIZ

59

Ejercicios propuestos
1. Sean A, B, C matrices con las dimensiones adecuadas, Bajo que condiciones AB = AC
implica B = C?.
2. Determinar la inversa de

0 12 12
Sol. 3 12 21
2 2
1

3. Determinar la inversa de

Sol. No existe.

3
1
1
2
3
A= 8
10 2 3

1 2 1
A = 1 3 2
1 3 2

4. Cundo la siguiente matriz es invertible?, Cul es su inversa?

a1 0 0
0 a2 0

A = .. .. . .
..
. .
. .
0 0 an

5. Probar que la inversa de una matriz triangular es del mismo tipo.


6. Para que valores de a y b la siguiente matriz es invertible?

2 a 4 a 2b

2 1+a
3+b
1
0
2+a+b
Sol. a = 0 y a = b

7. Considrese la matriz:

1
2
..
.

1
n

1
2
1
3

..
.

1
n
1
n+1

1
n+1

1
n+n1

..
.

..
.

Calcule la inversa para n = 2, n = 3 y n = 4. Conjeture una frmula para su inversa.


8. Sea A Mn,n . Pruebe que:
(a) Si A es invertible y AB = 0 para alguna matriz B Mn,n , entonces B = 0.

(b) Si A es no invertible, entonces existe una matriz B Mn,n tal que AB = 0 pero
B = 0.

60

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

2.6

La regla de Cramer

Considere el sistema Ax = b, A Mn,n . Si A = [A1 , A2 , . . . , An ] , donde Aj es la j esima


columna de A, y

x1
x2

x = ..
.
xn

entonces las solucines son:


xi =

|A1 , . . . , Ai1 , b, Ai+1 , . . . , An |


, i = 1, 2, . . . , n
|A|

Ntese que |A1 , . . . , Ai1 , b, Ai+1 , . . . , An | se obtiene de |A| reemplazando la i esima columna
con el vector b.
Ejemplo 2.17 Resolver:

Solucin.

Ejemplo 2.18 Resolver:

a11 a12
a21 a22


 b1

 b2
x1 = 
 a11

 a21



x1
x2

b1
b2



 a11
a12 

 a21
a22 
 , x2 = 
 a11
a12 

 a21
a22 



b1 
b2 

a12 
a22 

1 1
0
x
3
2 0 2 y = 10
0 1
2
z
15

Solucin.




3
1
0


 10 0 2 


 15 1
2 
4
 =
x = 
, y=

2
1
1
0


 2 0 2 


 0 1
2 

por tanto la solucin es:





 1
 1 1


3
0
3




 2 10 2 
 2 0 10 




 0
 0 1
15
2 
15 
2
14


 =
 =
,
z
=
 1 1
 1 1
2
2
0 
0 


 2 0 2 
 2 0 2 




 0 1
 0 1
2 
2 


x
2
y = 1
z
7

2.7. SISTEMAS HOMOGNEOS

2.7

61

Sistemas homogneos

Se dice que un sistema es homogneo si es de la forma:


Ax = 0, A Mm,n

ntese que x = 0 es una solucin del sistema, as un sistema homogneo siempre tiene solucin.
Por tanto slo se tienen los siguientes casos:
(i) Solucin nica.
(ii) Infinitas soluciones.
A este respecto se tiene el siguiente resultado:
Teorema 2.15 Las siguientes afirmaciones son equivalentes:
1. Ax = 0 tiene solucin nica.
2. A1 existe.
3. rango (A) = n.
4. |A| = det (A) = 0.

Ejemplo 2.19

1 2 1
3 5 1

 
x1
x2 = 0
0
x3

La matriz aumentada para sistemas homogneos es de la forma [A : 0] , en la prctica slo


se trabaja con A. Con esta convencin se tiene:




1 2 1
1
2
1
A=

,
3 5 1 F
0 1 2
21(3)

claramente, el sistema tiene soluciones. La variable libre es x3 . Sea x3 = t, t R, as el


sistema se transforma en


 

1
2
x1
t
=
0 1
x2
2t
resolviendo por sustitucin inversa se tiene sucesivamente:
x2 = 2t
x1 = t 2 (2t)
= 3t
por tanto la solucin del sistema es:

3t
x = 2t , t R
t

el sistema tiene infinitas soluciones (para cada valor de t se tiene una solucin).

62

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Ejemplo 2.20 Resolver

0
1
2 3
0
2 1 0 x1
x2 =

0
1
0 3
x3
1 1 3
0

Solucin.

1
2 3
1
2 3
1
2 3

2 1 0
3 6
1 6
0

[A : b] =
0 2 0 0 2 0
1
0 3 F21(2)
0
1 6 F24
0
3 6
1 1 3 FF31(1)
41(1)

1 2
3
1 2 3

0 1
0 1 6
6

0 0
0 0 12
12
0 0 12 F
0 0 0

F32(2)
F42(3)

43(1)

Esta matriz no tiene variables libres. Por otra parte el sistema tiene solucin nica pues
rango (A) = rango [A : b] = 3. Empleando sustitucin inversa se tiene:
x3 = 0
x2 = 0
x1 = 0
Por tanto la solucin del sistema es:

0
x= 0
0

Ejemplo 2.21 Resolver


x1
0
1 1 1 1

3 3 4 5 x2 = 0
x3
0
1 1 3 5
x4

Solucin.

1 1 1 1
1 1 1 1
[A : b] = 3 3 4 5
0 0 1 2
F21(3)
1 1 3 5 F
0 0 2 4 F
31(1)
32(2)

1 1 1 1

0 0 1 2

0 0 0 0

2.7. SISTEMAS HOMOGNEOS

63

las variables libres son: x2 y x4 . Sean


x2 = t
x4 = s
entonces, el sistema se convierte en:
x1 + x3 = x2 x4
x3 = 2x4
reemplazando x2 = t y x4 = s, se tiene el sistema triangular
x1 + x3 = t s
x3 = 2s
de donde sucesivamente:
x3 = 2s
x1 = t s (2s)
= t+s
por tanto la solucin del sistema es:

t+s
t

x=
2s , t, s R
s

Ntese que la solucin puede escribirse como:


1
1
0
1

x = t
0 + s 2
1
0

Ejercicios propuestos
1. Resolver

t
Sol. x = t .
t


2
1
1
0
x1
1 2

0
=
5 1 4 x2
x3
0
1 1
2

64

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES


2. Resolver:

t
Sol. x = 0
t

0
1
0
1
x1

1 1

x2
0
1
=
1 1 1
x3
0

3. Para que valores de k, el siguiente sistema (i) tiene la solucin nula como nica solucin.
(ii) Infinitas soluciones.


1
1
1
x
0
1 1 + k
1 y = 0
1
1 3 + k 2
z
0
Sol. (i) k
/ {0, 2, 2} (ii) k {0, 2, 2} .

4. Sea:

2 0
3
0
A= 0 5
3 0 2

(i) determinar los valores de tales que |A I| = 0,

(ii) para cada valor encontrado en (i) resolver el sistema (A I) x = 0



1
1
0
Sol.: , t 1 asociado con 5, t 0 asociado con 1, t 0 asociado con 5
1
1
0

5. Lo mismo que en el anterior ejercicio para la matriz:

10 15 15
A = 6 11 6
3 3 8

5
1
1
t 0 , s 1 asociados con 5, t 2 asociado con 1.
1
1
0

2.8

Algo de criptografa

2.8.1

La aritmtica del reloj

Considrese un reloj como el siguiente:


Supngase que el reloj marca las 9, si transcurren 8 horas, entonces el reloj marcar 5. Para
nosotros, 9+8=17, sin embargo para el reloj apenas pasa de 12 vuelve a empezar en cero.
Para explicar este hecho requerimos la siguiente definicin.

2.8.

ALGO DE CRIPTOGRAFA

65

Definicin 2.16 (Congruencia mdulo n) Diremos que dos enteros a y b son congruentes
mdulo n, lo que escribimos
a b (mod n)

se lee a congruente con b mdulo n

si n divide a la diferencia a b, se escribe tambin n| (a b)

Ejemplo 2.22 (Congruencia mdulo 12)

17 5 (mod 12) pues 12| (17 5)


25 1 (mod 12) pues 12| (25 1)

Ejemplo 2.23 (Congruencia mdulo 7)

17 3 (mod 7) pues 7| (17 3)


972 6 (mod 7) pues 7| (972 6)

2.8.2

Tablas de sumar

En la aritmtica del reloj, podemos realizar operaciones de sumas, restas, multiplicacin y


divisin entre algunos nmeros. A continuacin se muestran las tablas de la suma y producto
en mdulo 12:

A continuacin se presenta la tabla de multiplicar en mdulo 28, ntese que slo algunos
nmeros tienen inverso multiplicativo, por ejemplo 31 = 19 pues 19 3 = 57 1 mod 28.

66

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

2.8.3

Matriz clave

Es una matriz cuadrada A Mm.m invertible mdulo 28. Es fcil producir estas matrices,
por ejemplo multiplicar dos matrices, una triangular inferior, de determinante cualquiera de
los nmeros del conjunto {1, 3, 6, 9, 11, 13, 15, 17, 19, 23, 25} y la otra una triangular superior
de determinante 1.

1 0 0
1 1 1
1 1 1
A = 2 1 0 0 1 1 = 2 3 3 ,
2 1 3
0 0 1
2 3 6
claramente el determinante de esta matriz es |A| = 3, puesto que 31 = 19 existe en mdulo 28,
la inversa de A existe. Calculando la inversa mediante la tcnica de la adjunta, se encuentra:
1
adj (A)
|A|






 2 3 
 3 3 





+

+

 2 6 
 3 6 






 1 1 
 1 1 
1





+
= 3 


 3 6

 2 6 

 1 1 
 1 1 
 +
 
+ 




2 3
3 3

t
9 6
0
171

4 1
57
= 19 3
=
0 1
1
0

3 27 0

26 20 9
=
0 9 19

A1 =

2
2
1
2
1
2

3
3
1
3
1
3














t
114 0
76 19
19 19

t
3 26 0
27 20 9
=

Mdulo 28
0 9 19

Ntese que ,

AA1

2.8.4

1 1 1
3 27 0
= 2 3 3 26 20 9
2 3 6
0 9 19

29 56 28
= 84 141 84
84 168 141

1 0 0
= 0 1 0 mod 28
0 0 1

Mensajes en clave

Nuestro objetivo es emplear la inversin de matrices junto con la aritmtica mdulo 28 en


el proceso de escribir mensajes en clave. Para este propsito consideremos una cadena de

2.8.

ALGO DE CRIPTOGRAFA

67

caracteres que llamaremos mensaje, por razones de simplicidad, el mensaje se escribir con
el alfabeto de 27 letras en mnsculas mas un espacio.
abcdefghijklmnopqrstuvwxyz
Paso 1. El mensaje a encriptar de divide en cadenas de m caracteres (se aaden espacios
en blanco si es necesario), esta cadenas se traducen en cadenas numricas con el siguiente
criterio:
espacio a b c d e f g h i j
k l
m
0
1 2 3 4 5 6 7 8 9 10 11 12 13
n o p q r
s
t
u v w x y z
14 15 16 17 18 19 20 21 22 23 24 25 26 27
Con los vectores numricos hallados se contruye una matriz M de m filas.
Ejemplo 2.24 Consideremos el mensaje:
algebra
(omitimos el tilde) si las cadenas van a ser de 3 caracteres se tienen los vectores:

a
e
a
l , b , espacio
g
r
espacio
que traducidos son



5
1
1
12 , 2 , 0
19
0
7

finalmente la matriz numrica que contiene el mensaje es:

1 5 1
M = 12 2 0
7 19 0

Paso 2. Se elige una matriz invertible A Mm,m . Luego contruiremos la matriz C = AM


que contendr nuestro mensaje en clave. Elegimos la matriz

1 1 1
A= 2 3 3
2 3 6
luego:

1 1 1
1 5 1
C = 2 3 3 12 2 0
2 3 6
7 19 0

68

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

20 26

59 73
=
80 130

20 26
= 3 17
24 18

1
2
2

1
2 mod 28
2

traducimos ahora la matriz C a caracteres empleando


y
s
c , p ,
q
w
por tanto el mensaje en clave es:

la tabla dada, obtenindose

a
b
b

scwypqabb
Ntese que una misma letra puede codificarse con una letra distinta o igual, como es el caso
de la letra a que se codifica como s y a y el espacio que se codifica como la letra b en ambos
casos.
Paso 3. (Recuperacin de la informacin) Puesto que C = AM y A es invertible,
entonces M = A1 C, por tanto para nuestro ejemplo:

3 27 0
20 26 1
M = 26 20 9 3 17 2
0 9 19
24 18 2

141 537 57
= 796 1178 84
483 495 56

1 5 1
= 12 2 0
7 19 0
por tanto el mensaje recuperado es:

algebra

2.9

Sabias que?

(Tomado de http://200.109.120.2/mm/matematica3/fasciculo23.pdf)
Ya en el ao 450 a.C. los espartanos de Grecia enviaban mensajes codificados. Para
ello enrollaban una banda de cuero o cinturn sobre un cilindro, se escriba el mensaje y al
desenrollar la banda de cuero sta pareca que slo estaba adornada con marcas inocentes. Sin
embargo, si el destinatario del mensaje arrollaba nuevamente la banda alrededor de un cilindro
similar al utilizado cuando se escribi dicho mensaje, ste poda ser ledo sin dificultad. Este
mtodo es un sistema de codificacin por transposicin.

2.9. SABIAS QUE?

69

En el cifrado por sustitucin, cada letra o grupo de letras es reemplazada por una letra o
grupo de letras. Uno de los ms antiguos cifrados es el Cifrado de Csar, atribuido a Julio
Csar, quien sustituy cada letra por la que ocupa tres puestos ms all en el alfabeto. Con
ese mtodo, a se convierte en D, b en E, c en F,..., y z en C.
Una tcnica de codificacin por sustitucin fue utilizada por el insigne escritor estadounidense Edgar Allan Poe (1809-1849) en su clebre narracin El escarabajo de oro. Tambin
este tipo de tcnica aparece con frecuencia en diarios y pasatiempos en los cuales se le propone
al lector la solucin de un criptograma.
En el siglo XIII, Roger Bacon (1214-1294) describi varios mtodos de codificacin. De
trascendental importancia, durante la II Guerra Mundial, fue el hecho de que los estadounidenses lograran descifrar el cdigo naval japons JN25 y los ingleses hiciesen lo propio con la
mquina alemana Enigma. Actualmente se utilizan sofisticadas tcnicas de encriptamiento
de mensajes las cuales se basan en las propiedades de los nmeros primos.
Uno de los sistemas modernos para encriptar mensajes es el criptosistema de clave pblica.
Uno de stos es el sistema RSA (en honor de sus creadores los matemticos Rivest, Shamir y
Adler).

70

CAPTULO 2. SISTEMAS DE ECUACIONES LINEALES

Captulo 3
Espacios Vectoriales reales
Con el propsito de aplicar el lgebra lineal en Ingeniera y otras ciencias, es necesario dotar
a un conjunto de la estructura llamada Espacio Vectorial, en este captulo estudiamos este
concepto, adems se estudian los subespacios, los subespacios generados por un conjunto
de vectores y el concepto de dependencia lineal. Luego de esto se estudia el concepto de
base y dimensin de un Espacio Vectorial.

3.1

La definicin de espacio vectorial

En anteriores secciones se trabaj con objetos del conjunto Mm,n . En este conjunto no se ha
dicho nada sobre aspectos como la medida de cada elemento. Para poder discutir estos
aspectos es necesario definir el concepto de espacio vectorial.
Definicin 3.1 (Espacio Vectorial) Sea V un conjunto no vaco, en donde se han definido
dos operaciones llamadas suma y producto por escalar tal que para todo u, v V se tiene
u + v V y para todo u V y todo r R se tiene rv V. El conjunto V se llamar espacio
vectorial real (y sus elementos se llamarn vectores) si se cumplen las siguientes propiedades:
A1 : Para todo u, v V, u + v = v + u.
A2 : Para todo u, v, w V, u + (v + w) = (u + v) + w.
A3 : Existe un vector en V denotado por 0 vector cero tal que 0 + u = u para todo u V.
A4 : Para todo u V, existe u V tal que u + (u) = 0.
M1 : Para todo k R y todo u, v V, k (u + v) = ku + kv.
M2 : Para todo k1 , k2 R y todo u V, (k1 + k2 ) u = k1 u + k2 u.
M3 : Para todo k1 , k2 R y todo u V, k1 (k2 u) = (k1 k2 ) u.
M4 : Para 1 R, 1u = u, para todo u V
71

72

CAPTULO 3. ESPACIOS VECTORIALES REALES

Ejemplo 3.1 Considere el conjunto V = {X : X Mm,n }, esto es, todas las matrices de m
filas y n columnas, en este conjunto se definen las operaciones usuales de suma de matrices
y producto por un nmero definidos en el captulo 1. Es evidente que Mm,n es un espacio
vectorial.
Observacin. Un conjunto V no es espacio vectorial por si solo, es necesario definir en
ella las dos operaciones de suma y producto por escalar. Ms an un, mismo conjunto puede
ser o no espacio vectorial dependiendo de las operaciones definidas en V , esto muestra la
importancia de las operaciones que se definan en el conjunto.
Ejemplo 3.2 Sea V = R2 = {(x1 , x2 ) : x1 R, x2 R} , en este conjunto definimos las
siguientes operaciones:
(a1 , a2 ) + (b1 , b2 ) = (a1 + b1 , a2 + b2 )
(a1 , a2 ) = (a1 , a2 )
Es fcil comprobar que A1 , A2 , A3 , A4 se verifican. Para probar M1 , sean
u = (u1 , u2 ) , v = (v1 , v2 )
entonces para un nmero k:
k (u + v) = k (u1 + v1 , u2 + v2 ) = (ku1 + kv1 , u2 + v2 )
ku + kv = k (u1 , u2 ) + k (v1 , v2 ) = (ku1 , u2 ) + (kv1 , v2 ) = (ku1 + kv1 , u2 + v2 )

k (u + v) = ku + kv,
esto prueba que M1 se cumple. Para probar M2 sea u = (u1 , u2 ) , k1 = 3, k2 = 2, entonces:
(k1 + k2 ) u = (3 + 2) (u1 , u2 ) = (5u1 , u2 )
por otra parte:
k1 u + k2 u = 3 (u1 , u2 ) + 2 (u1 , u2 ) = (3u1 , u2 ) + (2u1 , u2 ) = (5u1 , 2u2 )
por tanto (k1 + k2 ) u = k1 u + k2 u. Esto prueba que M2 no se cumple y por tanto R no es
espacio vectorial con las operaciones definidas.
Uno de los ejemplos ms importantes se discute en la siguiente seccin.

3.2

El espacio vectorial Rn

Definimos Rn = {(x1 , x2 , . . . , xn ) : xi R} . A este conjunto es posible darle la estructura de


espacio vectorial definiendo las siguientes operaciones suma y producto por un nmero:
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
k (x1 , x2 , . . . , xn ) = (kx1 , kx2 , . . . , kxn )

3.2. EL ESPACIO VECTORIAL RN

73

con stas operaciones Rn es un espacio vectorial. Se llamar espacio vectorial ndimensional.


Con el propsito de entender el significado visual de lo que es un punto y un vector en Rn
analizemos la manera de graficar un punto y un vector en R2 , claro est, que esta manera se
pueden generalizar.
Para representar un punto en el plano R R se emplea el clsico sistema de coordenadas
cartesianas que consiste en dos rectas reales que se intersectan perpendicularmente en un
punto denotado con O llamado origen. Si (x1 , x2 ) es un punto de R2 su representacin
geomtrica se realiza siguiendo los siguientes pasos.
1. A partir del origen O se avanza paralelamente al eje x, la magnitud |x1 | en direccin
positiva o negativa dependiendo si x1 es positivo o negativo. As se encuentra P1 .
2. A partir del punto P1 se avanza paralelamente al eje y, la magnitud |x2 | en direccin
positiva o negativa dependiendo si x2 es positivo o negativo. As se encuentra P2 .
3. El punto P2 encontrado es la representacin geomtrica de (x1 , x2 ) .
En el siguiente grfico se asume que x1 , x2 son positivos
y 

P2 = (x1 , x2 )

x2

P1
O = (0, 0)x1

Sea v = (v1 , v2 ) un vector de R2 . Su representacin geomtrica se realiza en R2 del


siguiente modo.
1. Se elige un punto arbitrario P0 R2 , este punto se llamar punto inicial.
2. A partir de P0 se avanza paralelamente al eje x la magnitud |v1 | , en direccin positiva
o negativa dependiendo si v1 es positivo o negativo, as localizamos el punto P1 .
3. A partir de P1 se mueve paralelamente al eje y la magnitud |v2 | , en direccin positiva
o negativa dependiendo si v2 es positivo o negativo, as localizamos el punto P2 , este
punto se llamar punto final.
4. La flecha trazada desde P0 hasta P2 es la representacin geomtrica del vector v.

74

CAPTULO 3. ESPACIOS VECTORIALES REALES

y 

P2





3x 





P0

P1


Observacin 1. Si se elige como punto inicial el origen, la representacin geomtrica del


vector se llamar radio vector.
Observacin 2. Si un vector v tiene el punto Q como punto inicial y el punto P como punto
final, entonces se verifica:
v = P Q.
Observacin 3. Si un vector v tiene el origen O como punto inicial y el punto P como punto
final, entonces es claro que:
v = P.
as existe una correspondencia biunvoca entre puntos y vectores.

3.2.1

La recta en Rn

La recta en Rn que pasa por un punto P0 en direccin del vector v es el subconjunto de Rn


definido por
L = {P0 + tv : t R} ,
aqu, el vector v se llama vector direccional de la recta.

3.3. SUBESPACIOS

75

Z



P0


3v





 




L

 
P0 + t3v







Y





3.2.2

El plano en R3

Sean P0 un punto en R3 y u, v vectores. Definimos el plano que pasa por P0 generado por los
vectores u y v como el conjunto
P = {P0 + tu + sv : t, s R} .
Ntese que P R3 .

P0

3.3

Subespacios

Sea V un espacio vectorial, W V. Diremos que W es un subespacio de V si W mismo es


un espacio vectorial con las mismas operaciones definidas en V.
Para determinar que un subconjunto W de un espacio vectorial es o no un subespacio, no
es necesario probar las ocho propiedades que caracterizan un espacio vectorial, en su lugar se
tiene el siguiente teorema.
Teorema 3.2 Sea V un espacio vectorial, W V un conjunto no vaco. W es un subespacio
de V si y solamente si:
1. Para todo u, v W se tiene u + v W.

76

CAPTULO 3. ESPACIOS VECTORIALES REALES


2. Para todo k R y todo u W se tiene ku W.

Ejemplo 3.3 Si V es un espacio vectorial, lo son tambin W = {0} y W = V.


Ejemplo 3.4 La recta en R3 , L = {P0 + tu : t R} es un subespacio de R3 siempre que
P0 = 0.
Ejemplo 3.5 El plano en R3 , P = {P0 + tu + sv : t, s R} es un subespacio en R3 siempre
que P0 = 0
Ejemplo 3.6 El conjunto W de todas las soluciones de un sistema homogneo Ax = 0,
A Mm,n es un subespacio de Rn .

3.4

Combinacin lineal

Sea S = {v1 , v2 , . . . , vk } un subconjunto de un espacio vectorial V. Cualquier vector en V


escrito de la forma:
w = k1 v1 + k2 v2 + + kn vn
se llamar combinacin lineal de los vectores del conjunto S.

3.4.1

Espacio generado

Sea V un espacio vectorial, el conjunto de todas las combinaciones lineales del conjunto
S = {v1 , v2 , . . . , vk } V, se llamar espacio generado por S y se denotar con LIN (S) .
Teorema 3.3 El conjunto LIN (S) es un subespacio de V, ms an, es el subespacio ms
pequeo de V que contiene S, es decir si W es otro subespacio que contiene S, se debe tener
LIN (S) W.
Ejemplo 3.7 En R3 considere el conjunto:
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}
determinar si v = (1, 2, 3) LIN (S) .
Solucin. Si el vector dado pertenece a LIN (S) , existen nmeros k1 , k2 , k3 tales que:
(1, 2, 3) = k1 (1, 0, 1) + k2 (1, 3, 3) + k3 (1, 3, 1)
esto origina el sistema:

1
1 1
1
k1

k2
2
3
3
=
k3
3
1 3 1

3.4. COMBINACIN LINEAL

77

para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:

1 1
1 : 1
1 1
1 : 1
1 1 1 :
0

3
3 : 2
0
3
3 : 2
0
3 3 :

1 3 1 : 3 F
0 2 2 : 2 F
0
0 0 :
31(1)

32(2/3)

1
2

10
3

claramente el rango de la matriz de coeficientes no es igual al rango de la matriz aumentada,


por tanto el sistema no tiene soluciones, es decir (1, 2, 3)
/ LIN ({(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}) .

Ejemplo 3.8 Determinar LIN (B) si:

1
2

B = v1 = 1 , v2 = 1

1
1

a
Solucin. Sea v = b , un vector de R3 , si este vector se encuentra en LIN (B) se
c
debe tener que el sistema
x1 v1 + x2 v2 = v
debe tener solucin, reemplazando valores se encuentra el sistema:



1
2 
a
1 1 x1 = b
x2
1
1
c

llevando la matriz

1
2
1 1
1
1

aumentada a su forma escalonada se encuentra:

1
2 :
a
1 2 :
a
: a
1 :
a+b
: b
0
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
: c F
31(1)

32(1)

para que el sistema tenga soluciones se debe tener:

rango (Matriz de coeficientes) = rango (Matriz aumentada) ,


esto se da cuando b + c = 0, as el subespacio generado por B = {v1 , v2 } es

b : b + c = 0, a, b, c R
W =

b : a, b R
=

1
0

a 0 + b 1 : a, b R , un plano
=

0
1

78

CAPTULO 3. ESPACIOS VECTORIALES REALES

3.4.2

Dependencia lineal

En un espacio vectorial V se considera el subconjunto S = {v1 , v2 , . . . , vn } , se dice que este

(LD)

conjunto es linealmente dependiente


si existen nmeros x1 , x2 , . . . , xn , no todos
nulos, tales que
x1 v1 + x2 v2 + + xn vn = 0.
Si de la igualdad x1 v1 + x2 v2 + + xn vn = 0 se sigue que la nica solucin es x1 = x2 =

= xn = 0, entonces el conjunto {v1 , v2 , . . . , vn } linealmente independiente

(LI).

Ejemplo 3.9 Determinar si el conjunto


S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 1)}
es LI o LD.
Solucin. Considrese la igualdad:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 1) = (0, 0, 0)
esto origina el sistema:


1 1
1
x1
0
0
3
3 x2 = 0
1 3 1
0
x3

para calcular las soluciones llevamos la matriz aumentada a su forma escalonada:

1 1
1 : 0
1 1
1 : 0
1 1 1 : 0
0
3
3 : 0
0
3
3 : 0
0
3 3 : 0
1 3 1 : 0 F
0 2 2 : 0 F
0
0 0 : 0
31(1)

32(2/3)

es claro que este sistema tiene soluciones, si x3 = 1, se encuentran x2 = 1 y x1 = 2. Por


tanto el sistema es LD pues existen nmeros, no todos cero, x1 = 2, x2 = 1, x3 = 1 tales
que:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 1) = (0, 0, 0) .
Ejemplo 3.10 Determinar si el conjunto
S = {(1, 0, 1) , (1, 3, 3) , (1, 3, 0)}
es LI o LD.
Solucin. Considrese la igualdad:
x1 (1, 0, 1) + x2 (1, 3, 3) + x3 (1, 3, 0) = (0, 0, 0)
esto origina el sistema:


1 1 1
x1
0
0

3 3
x2
0
=
1 3 0
x3
0

3.4. COMBINACIN LINEAL

79

para calcular las soluciones llevamos la matriz aumentado a su forma escalonada:

1 1 1 : 0
1 1
1 : 0
1 1 1 : 0
0
3 3 : 0
3
3 : 0
3 3 : 0
0
0
1 3 0 : 0 F
0 2 1 : 0 F
0
0 1 : 0
31(1)

32(2/3)

claramente las soluciones son, x1 = x2 = x3 = 0, por tanto el sistema es LI.


Ejercicios propuestos

1. Sea V = {(x, y) : x, y R} . Mostrar que V no es espacio vectorial con respecto a las


siguientes operaciones.
(a) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, kb)
(b) (a, b) + (c, d) = (a, b) y k (a, b) = (k 2 a, k 2 b)
(c) (a, b) + (c, d) = (a, b) y k (a, b) = (ka, 0)
2. Determinar si W es o no un subespacio vectorial de R3 donde:
(a) W = {(a, b, c) : c = 5a} . Sol. si

(b) W = {(a, b, c) : a < b < c} . Sol. no


(c) W = {(a, b, c) : ab = 0} . Sol. no

(d) W = {(a, b, c) : a = b = c} . Sol. si


(e) W = {(a, b, c) : a = b2 } . Sol. no

(f) W = {(a, b, c) : k1 a + k2 b + k3 c = 0} . Sol. si

(g) W = {(a, b, c) : c = a + b} . Sol. si

3. En Mn,n , el espacio vectorial de matrices cuadradas n n, mostrar que W es un subespacio de Mn,n si:
(a) W = {A Mn,n : At = A}

(b) W = {A Mn,n : A es triangular}


(c) W = {A Mn,n : A es diagonal}

(d) W = {A Mn,n : A es escalar}

4. En Mn,n , el espacio vectorial de matrices cuadradas n n, determinar si W es o no un


subespacio de Mn,n , donde W es:
(a) el conjunto de todas las matrices invertibles,
(b) el conjunto de todas las matrices no invertibles
(c) el conjunto de todas la matrices A que conmutan con una matriz fija B.

80

CAPTULO 3. ESPACIOS VECTORIALES REALES


(d) el conjunto de todas la matrices A tal que A2 = A.
(e) el conjunto de todas las matrices antisimtricas (las matrices A tales que At = A)
5. Mostrar que los siguientes conjuntos son espacios vectoriales con las operaciones usuales
de funciones y ternas es R3 ..
(a) El conjunto de polinomios Pn = {a0 + a1 t + an tn : aj R, j = 0, 1, n}

(b) El conjunto

L = y R3 : 2x 5y + 7z = 0 y x + y + z = 0

6. Mostrar que los siguientes conjuntos no son espacios vectoriales, (las operaciones son
las usuales)
(a)

(b)

L1 = y R3 : x + y + z = 2

(c)

3
2
2
2

L2 =
y
R :x +y +z =1

z


x y
z 1

M2,2


: x, y, z R

(d)


P2 = a0 + a1 t + a2 t2 : a0, a1 , a2 R+

7. Considere: u1 = (2, 1, 2) , u2 = (1, 1, 1) , u3 = (3, 0, 1) y S = {u1 , u2 , u3 } determinar si los siguientes vectores estn o no en LIN (S) .
(a) (2, 2, 2) . Sol. si
(b) (1, 2, 1) . Sol. no
8. Escribir D como combinacin lineal de






1 1
0 1
1 0
A=
,B =
,C =
0 1
1 1
1 1

3.5. BASE Y DIMENSIN

81


2
0
(a) D =
. Sol. no se puede escribir
0 2


2 0
(b) D =
. Sol. D = A B + C
0 1
9. En R3 se considera S = {(1, 1, 1) , (0, 1, 1) , (1, 1, 1)} mostra que R3 = LIN (S) .
10. En M2,2 se considera el conjunto:

 
 

1 1
0 1
1 0
S=
,
,
0 1
1 1
1 1
mostrar que LIN (S) = M2,2 . (ver ejercicio 8)
11. Probar que para cualesquiera vectores u, v, w, los vectores u v, v w, w u son LI.
12. Mostrar que cualquier conjunto que contiene el vector 0 es LD.
13. Mostrar que cualquier subconjunto de un conjunto LI. es LI.
14. Demostrar:
(a) Que 3 vectores en R2 son LD.
(b) Que n + 1 vectores en Rn son LD.
(Sug. Para probar la primera parte tome tres vectores y considere los casos en que dos
vectores son LD y LI.).

3.5

Base y Dimensin

Definicin 3.4 (Base) Sea V un espacio vectorial , sea B = {v1 , v2 , . . . , vn } V. Diremos


que B es una base si:
(i)
B es LI.
(ii)
LIN (B) = V,
es decir, un conjunto es una base si es linealmente independiente y genera todo es
espacio V.
Observacin 1. Ntese que para comprobar si B es o no LI, se debe plantear la ecuacin:
x1 v1 + x2 v2 + + xn vn = 0,

(i)

el conjunto B es LI si la nica solucin es x1 = x2 = = xn = 0.


Observacin 2. Para comprobar si B genera o V (LIN (B) = V ), se debe plantear la
ecuacin:
(ii)
x1 v1 + x2 v2 + + xn vn = v,

82

CAPTULO 3. ESPACIOS VECTORIALES REALES

donde v V es un vector arbitrario. Si este sistema tiene soluciones entonces B genera V,


es decir LIN (B) = V, ms an solo es necesario demostrar que V LIN (B) , pues la otra
inclusin es obvia.
Observacin 3. En la prctica se parte de la ecuacin (ii) pues (i) es un caso particular
de (ii) con v = 0.
Definicin 3.5 (Dimensin) La dimensin de un espacio vectorial es el nmero de elementos
que tiene su base. Si una base de un espacio vectorial V es n, escribiremos dim (V ) = n.
Ejemplo 3.11 Considere el espacio vectorial R2 . Determinar si el conjunto

 

2
1
,
B=
1
1
es o no una base.
Solucin. Sea v =

a
b

un vector arbitrario de R2 . Considere la ecuacin:

x1
esto da:

1
1

+ x2

1 2
1
1



2
1

x1
x2

a
b

a
b

llevando la matriz aumentada a su forma escalonada se encuentra:






1 2 : a
1 2 :
a

1
1 : b F
0 1 : a + b
21(1)

es claro que el rango de la matriz de coeficientes es igual al rango de la matriz aumentada e


igual al nmero de incgnitas, por tanto llegamos a las siguientes conclusiones.
Dependencia lineal: Puesto que:
rango (matriz de coeficientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x1 = x2 = 0, por tanto
el conjunto B es LI.
Generador: Puesto que para todo valor de a, b se tiene:
rango (matriz de coeficientes) = rango (Matriz ampliada)
 
a
LIN (B) , esto es R2 LIN (B) , de esto
el sistema tiene soluciones, por tanto
b
se sigue que R2 = LIN (B) , es decir B genera R2 .
De lo anterior se concluye que B es una base de R2 . Note que la dimensin de R2 es 2.

3.5. BASE Y DIMENSIN

83

Ejemplo 3.12 Determinar si el siguiente conjunto es o no una base de R3 .

1
2

B = 1 , 1

1
1

a

b , un vector arbitrario de R3 , resolvamos el sistema


Solucin. Sea v =
c



1
2 
a
1 1 x1 = b
x2
1
1
c

llevando la matriz

1
2
1 1
1
1

aumentada a su forma escalonada se encuentra:

1
2 :
a
1 2 :
a
: a
1 :
a+b
: b
0
0 1 : a+b
F21(1)
0 1 : a + c F
0 0 : b+c
: c F
31(1)

32(1)

a partir de este resultado llegamos a las siguientes conclusiones:

Dependencia lineal: De la ltima matriz encontrada se tiene:


rango (Matriz de coeficientes) = 2 {igual al nmero de variables}
se sigue que el sistema homogneo tiene como solucin nica a x1 = x2 = 0, por tanto
el conjunto B es LI.
Generador: Ntese que si b + c = 0 se tiene:

rango (matriz de coeficientes) = rango (Matriz ampliada)

a
esto muestra, que en los casos b + c = 0, el sistema no tiene solucin, por tanto b
c
3
no necesariamente pertenece a LIN (B) , luego B no genera R .
De lo anterior se concluye que B no puede ser una base de R3 .
Ejemplo 3.13 (La base cannica de Rn ) En el espacio vectorial Rn se toman los vectores ei
que tienen la siguiente propiedad: tienen la unidad en la i esima componente y ceros en las
dems, es inmediato probar que el conjunto:
B = {e1 , e2 , . . . , en }

forman una base de Rn , as Rn tiene dimensin n. Si n = 4, el conjunto base (base cannica)


es:
B = {e1 , e2 , e3 , e4 }




1
0
0
0
0
1
0
0


donde: e1 =
0 , e2 = 0 , e3 = 1 .e4 = 0
0
0
0
1

84

CAPTULO 3. ESPACIOS VECTORIALES REALES

Ejercicios propuestos
1. Determinar si

es o no una base de R3 .

1
1

B = 1 , 2

1
0

2. Determinar la dimensin y la base de los siguientes subespacios de R4 .


(a) Los vectores de la forma (a, b, 0, d) . Sol. 3
(b) Los vectores de la forma (a, b, c, d ) , tal que d = a + b, c = a b. Sol. 2
(c) Los vectores de la forma (a, b, c, d ) , tal que a = b = c. Sol. 2

3. Determine una base para {(x1 , x2 , x3 , x4 , x5 ) R5 : x1 = 2x3 y x2 = 4x5 } .


4. Encontrar un vector de la base cannica en R3 que se pueda agregar al conjunto

1
1

C = v1 = 2 , v2 = 2

2
3

de manera que sea una base de R3 . Sol. e1 o e2 . (Sug. el vector no debe estar en
LIN (C)).

5. Pruebe que si B = {v1 , v2 , v3 } son una base de un espacio vectorial V , entonces el


conjunto B  = {v1 v2 , v2 v3 , v3 } sigue siendo una base de V. que puede decir
acerca del conjunto {v1 v2 , v2 v3 , v3 v1 }?
6. Suponga que {v1 , v2 , v3 } es linealmente independiente en V y w V. Pruebe que si
{v1 + w, v2 + w, v3 + w} es linealmente dependiente, entonces w LIN ({v1 , v2 , v3 })

3.6

Espacio fila, espacio columna y espacio nulo

Sea A Mm,n , las filas de A consideradas como vectores fila de Rn forman un subespacio
de Rn , llamado espacio fila de la matriz A. Las columnas de A consideradas como vectores
columna de Rm forman un subespacio de Rm , llamado espacio columna de la matriz A.
El conjunto de soluciones del sistema homogneo Ax = 0, forman un subespacio llamado el
espacio nulo de A.
Los espacios fila y nulo, cambian con operaciones elementales de fila?
NO, las operaciones elementales no cambian estos espacios.
Y el espacio columna?
SI, las operaciones elementales pueden cambiar el espacio columna.

3.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO

85

Cmo se encuentra una base para el espacio fila?


Para determinar una base del espacio fila de una matriz A Mm,n , se procede a llevar sta
matriz a su forma escalonada, los vectores no nulos forman la base del espacio fila.
Cmo se encuentra una base para el espacio columna?
Para determinar una base del espacio columna de una matriz A Mm,n , se procede a llevar
esta matriz a su forma escalonada, sea j la columna donde aparece un elemento distinguido,
entonces, la j esima columna de A (no de la matriz escalonada) es un vector base del
espacio columna.
Ejemplo 3.14 Determinar la base del espacio

1 1
A = 2 1
1
0
Solucin.
fila.

1 1
A = 2 1
1
0

fila y columna de

0
1 0
1
0 1
1 1 1

Se lleva la matriz a la forma escalonada mediante operaciones elementales de

1 1 0
1 0
0
1 0
1 1 2 1
1
0 1
0
F21(2)
0
1 1 2 1 F
1 1 1 F
31(1)

32(1)

1 1 0
1 0
1 1 2 1
0
0
0 0
0 0

Determinacin de la base del espacio fila: Est formada por las filas no nulas de la
matriz escalonada. esto es, la base es:



1 1 0 1 0 , 0 1 1 2 1

Determinacin de la base del espacio columna. los elementos distinguidos en la


matriz escalonada aparecen en las columnas 1 y 2, por tanto las columnas 1 y 2 de la matriz
A son la base del espacio columna, es decir, la base es:

1
1
2 , 1

1
0

Cmo determinar una base del espacio nulo?

Una base del espacio nulo de una matriz A Mm,n , se encuentra directamente de las soluciones
que se encuentran.
Ejemplo 3.15 Determinar la base del espacio nulo de:

x1

0
1 1 0
1 0
x
2

2 1 1
0
0 1
x
=
3

0
1
0 1 1 1
x4
x5

86

CAPTULO 3. ESPACIOS VECTORIALES REALES


Solucin. Llevando

1 1

2 1
A =
1
0

1 1

0
1

0
0

la matriz de coeficientes a su

0
1 0 : 0
1
0 1 : 0

F21(2)
1 1 1 : 0 F
31(1)

0
1 0 : 0
1 2 1 : 0
0
0 0 : 0

forma escalonada se encuentra:

1 1 0
1 0 : 0
0
1 1 2 1 : 0
0
1 1 2 1 : 0 F

32(1)

las variables libres son x3 , x4 y x5 . Sean

x3 = t
x4 = s
x5 = r
con esto, es sistema homogneo queda como:


1 1 :
s
0
1 : t + 2s r
de donde se encuentra:
x1 = t + s r
x2 = t + 2s r
as, la solucin del sistema homogneo es:

t + s r
t + 2s r

t
x =

s
r

1
1
1
2

= t
1 +s 0
0
1
0
0

as una base del espacio nulo:

+r


1
1
1

1 2 1
1 , 0 , 0

0 1 0

1
0
0

1
1
0
0
1

3.6. ESPACIO FILA, ESPACIO COLUMNA Y ESPACIO NULO

87

Ejercicios propuestos
Determinar bases para el espacio fila, columna y nulo de:
1.

2.

1 0 1
A= 0 2 1
1 1 1

1 0
0



 1

0
0 , 2 , 1 ,
Sol.
1 0 1 , 0 2 1 , 0 0 1 ,

1
1
0
1

1
2 1
1
B = 2 4 0 2
1 2 1 1

3.


1
1




1 2 1 1 , 0 0 2 0
Sol.
, 2 , 0 ,

1
1

0
1

C=
1
2
1




1 2 1 , 0 1 2
Sol.
,

1
2
2
1

3
3

5
4
1 1

1
0

1 2

1
, 3
2 5
1
1


1 ,
0

3
, 2

88

CAPTULO 3. ESPACIOS VECTORIALES REALES

Captulo 4
Espacios producto interno
En este captulo, con el objeto de dar una estructura mtrica (la posibilidad de medir) a un
espacio vectorial se define el concepto de producto interno. Con esta definicin es posible
definir el concepto de norma (medida) de un vector, ms an esta definicin permite definir
la ortogonalidad entre vectores de un espacio vectorial.

4.1

La definicin de espacio producto interno

Sea V un espacio vectorial, considrese la funcin


u, v : V V R,
es decir, a un par u, v V se asigna un nmero real. La funcin  ,  se llama producto
interno, siempre que se cumplan las siguientes propiedades: Para todo u, v, w V y todo
k R.
P1 : u, v = v, u , Simetra.
P2 : u, v + w = u, v + u, w , Distributividad.
P3 : ku, v = k u, v , Homogeneidad.
P4 : u, u 0, , No negatividad.
P5 : u, u = 0 si y solamente si u = 0.

4.1.1

Ejemplos de productos internos

El producto interior euclidiano


En Rn se define
u, v = ut v

este producto as definido es un producto interno, en efecto:


P1 : u, v = ut v = v t u = v, u ,
89

90

CAPTULO 4. ESPACIOS PRODUCTO INTERNO

P2 : u, v + w = ut (v + w) = ut v + ut w = u, v + u, w ,


P3 : ku, v = (ku)t v = k (ut v) = k u, v ,

u1
u2

t
2
2
2
P4 : u, u = u u = u1 + u2 + + un 0, aqu u = ..
.
un
2
2
2
P5 :Si u, u = 0, entonces u1 + u2 + + un = 0, de donde cada ui = 0, esto es, u = 0, el
recproco es trivialmente cierto.
El producto interior euclidiano, se llamar tambin producto interno usual de Rn , es usual
emplear la notacin u v, en lugar de u, v .
Producto interno asociado a una matriz
Considere el producto interno euclidiano en Rn y A Mn,n una matriz invertible, entonces
el producto en Rn definido por:
u, v = Au Av
es un producto interno en Rn . Ntese que u, v = ut (At A) v
Ejemplo 4.1 Considere la matriz
A=

3 1
2 1

a esta matriz se asocia el producto interno:



 


 



3 1 t 3 1
v1
v1
u1
u1 u2
,
=
2 1
u2
v2
v2
2 1




13 5
v1
u1 u2
=
v2
5 2
= 13u1 v1 + 5u1 v2 + 5u2 v1 + 2u2 v2 .

4.1.2

Propiedades del producto interno

Teorema 4.1 Si u, v es un producto interno, entonces:


(i) 0, v = v, 0 = 0
(ii) u, kv = k u, v {vlido slo en en caso real}
(ii) u + v, w = u, w + v, w .

4.2

La norma de un vector

Definicin 4.2 (norma) Sea V un espacio producto interno, la norma (o longitud) de un


vector v V est definido por:

v = v, v
donde  ,  , es el producto interno definido en V.

4.3. ORTOGONALIDAD

91

Ejemplo 4.2 En el espacio vectorial Rn , con u, v = ut v, la norma inducida por este producto interno es:


t
v = v v = v12 + v22 + + vn2

Definicin 4.3 (distancia) La distancia entre dos vectores de un espacio vectorial V est
definido por:
d (u, v) = v u ,

donde  es la norma inducida por el producto interno definido en V.

4.3
4.3.1

Ortogonalidad
Vectores ortogonales

Definicin 4.4 (Vectores ortogonales) Dos vectores u, v en un espacio vectorial producto


interno se dirn ortogonales si
u, v = 0,
donde  ,  , es el producto interno definido en V.

Ejemplo 4.3 En R3 considrese el producto interno usual,


2
2
u = 1 ,v = 1 ,w =
2
3

sean

1
10
4

w es ortogonal a u y a v, por otra parte u y v no son ortogonales, en efecto:



2

w, u = (1, 10, 4) 1 = 2 10 + 12 = 0


3

2
w, v = (1, 10, 4) 1 = 2 10 + 8 = 0
2

2
u, v = (2, 1, 3) 1 = 4 + 1 + 6 = 3 = 0.
2

4.3.2

Conjuntos ortogonales

Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortogonal si vi , vj  = 0 para todo i = j.
Ejemplo 4.4 En R2 con el producto interior usual el siguiente conjunto es ortogonal
  
!
3
4
,
4
3

92

CAPTULO 4. ESPACIOS PRODUCTO INTERNO

Ejemplo 4.5 En R3 con el producto interior usual el siguiente conjunto es ortogonal




1
1
0
1 , 0 , 0

0
1
1

4.3.3

Bases ortogonales y ortonormales

Sea V un espacio vectorial producto interno, un conjunto B = {v1 , v2 , . . . , vn } V, es ortonormal si vi , vj  = 0 para todo i = j y vi , vi  = 1 para todo i.

Ejemplo 4.6 En R2 con el producto interior usual el siguiente conjunto es ortonormal


 3   4 !
5
5
,
4
3
5

Ejemplo 4.7 En R con el producto interior usual el siguiente conjunto es ortonormal.

1 1

2
2
0

1 , 0 , 0

1
1

2
2
3

Ejercicios propuestos

1. Considere el producto interno


u, v = 5v1 u1 + 2v1 u2 + 2v2 u1 + 4v2 u2
pruebe que este producto interno est generado por la matriz A =

2 0
1 2

2. Cul es la matriz que genera el producto interno u, v = 4v1 u1 + 16v2 u2 ?


3. Trazar la circunferencia unitaria (u = 1), en R2 usando el producto interior dado:
1
(a) u, v = 14 u1 v1 + 16
u2 v2
(b) u, v = 2u1 v1 + u2 v2

4. Encontrar el producto interior generado por una matriz y el producto interior euclidiano
2
2
en R2 para que la circunferencia unitaria sea la elipse xa2 + yb2 = 1.
5. Probar:



u + v2 + u v2 = 2 u2 + v2

para cualquier espacio vectorial producto interno.


6. Probar:

1
1
u + v2 u v2
4
4
en cualquier espacio vectorial producto interno.
u, v =

4.4. PROCESO DE GRAM SCHMIDT

4.4
4.4.1

93

Proceso de Gram Schmidt


La proyeccin ortogonal

Motivacin. Consideremos el siguiente problema:


Sean dados dos vectores u y v de algn espacio vectorial,
construir un tringulo rectngulo de hipotenusa v y base
paralela al vector u.
Solucin. La respuesta se motiva en el siguiente grfico:
v

v cu

cu

la altura del tringulo debe ser de la forma vcu, donde c es una constante. Por las condiciones
del problema, debemos tener:
v cu, u = 0
de donde se obtiene:

v, u
.
u2
por tanto es tringulo rectngulo est formado por:
c=

v, u
u,
u2
v, u
u,
Altura:
v
u2
Hipotenusa: v.
Base:

Definicin 4.5 (Proyeccin ortogonal). La proyeccin ortogonal del vector v sobre el


vector u est dador por:
v, u
proyu v =
u.
u2


v, u
u
Observacin. Ntese que dado el conjunto {u, v} hemos construido el conjunto u, v
u2
que es ortogonal, ms an


v, u
LIN {u, v} = LIN u, v
u
u2

94

4.4.2

CAPTULO 4. ESPACIOS PRODUCTO INTERNO

La construccin de un conjunto ortogonal de tres vectores

Si consideramos el conjunto {v1 , v2 , v3 } es claro que si w1 = v1 y w2 = v2


el conjunto {w1 , w2 } es ortogonal. Definamos

v2 , w1 
w1 entonces
w1 2

w3 = v3 cw1 kw2 , c, k nmeros,

si exigimos que w3 debe ser ortogonal a w1 y w2 debemos tener:


w3 , w1  = 0 y w3 , w2  = 0,

esto lleva a:

v3 , w1  c w1 2 = 0
v3 , w2  k w2 2 = 0

de donde:

v3 , w1 
w1 2
v3 , w2 
k =
,
w2 2
c =

por tanto:

v3 , w1 
v3 , w2 
w2
2 w1
w1 
w2 2
luego el conjunto {w1 , w2 , w3 } es ortogonal. Esto puede continuarse con ms vectores, originando el proceso de Gram Schmidt, que se describe en la siguiente seccin.
w3 = v3

4.4.3

El proceso de Gram Schmidt

Considere un conjunto B = {v1 , v2 , . . . , vn } base de un espacio vectorial V. El siguiente proceso


permite construir una base ortogonal.
w1 = v1
v2 , w1 
w2 = v2
w1
w1 2
v3 , w1 
v3 , w2 
w3 = v3
w2
2 w1
w1 
w2 2
en general:
wi = vi

vi , w1 
vi , w2 
vi , wi1 
wi1 ,
2 w1
2 w2
w1 
w2 
wi1 2

para i = 2, 3, . . . , n. Es un ejercicio simple probar que el conjunto C = {w1 , w2 , . . . , wn } es


una base ortogonal del espacio vectorial V , ms an el conjunto


w1
w2
wn
D=
,
,
,...,
w1  w2 
wn 
es una base ortonormal.

4.4. PROCESO DE GRAM SCHMIDT

95

Ejemplo 4.8 Considere la siguiente base de R3


1
0
0

0 , v2 =
1 , v3 =
0 ,
B = v1 =

1
1
1

empleando las frmulas anteriores, se encuentra:


Clculo de w1 :

1
w1 = v1 = 0 ,
1

Clculo de w2 :
v2 , w1 
w1 ,
w2 = v2
w1 2

1
v2 , w1  = (0, 1, 1) 0 = 1, w1 2 = 2, luego:
1
w2


  1
0
1
0
= 1
2
1
1
1
=

12

Clculo de w3 :
v3 , w1 
v3 , w2 
w2
w3 = v3
2 w1
w1  w2 2
1

v3 , w1  = (0, 0, 1) 0 = 1, w1 2 = 2


1
1
v3 , w2  = (0, 0, 1)

1 = 12 , w2 2 = 32 , luego

12

w3

1

0
1
1
2

1
= 0 0 32 1
2
2
1
12
1
1
3
1

=
3
1
3

96

CAPTULO 4. ESPACIOS PRODUCTO INTERNO

De lo anterior se deduce que


1
1
1
3

2
1

0 , w2 =
1 , w3 =
C = w1 =
3

1
1
1
2
3

es una base ortogonal, la base ortonormal es

" 1
1
1

1
2 2 31
1
D = 0 ,
, 3
3
2

3
1
1
12
3
Ejemplo 4.9 Considere la base en R4

1
1
0
1

B = v1 =
1 , v2 = 1

1
1

Clculo de w1 :

1
1

1
0
, v3 =

0 , v4 = 1
0
1

1
0

w1 =
1 ,
1

Clculo de w2 :

1
1 3
v2 , w1 

w2 = v2
2 w1 = 1
3
w1 
1

Clculo de w3 :

v3 , w1 
v3 , w2 
w3 = v3
w2
2 w1
w1 
w2 2

1
1
1 1 0 1

=
0 3 1 1
0
1

Clculo de w4 :


0
1

0 1
=
1 0
0
1

2
0
3
0
1
=
0 13
13
0

4.4. PROCESO DE GRAM SCHMIDT

97

v4 , w1 
v4 , w2 
v4 , w3 
w4 = v4
w3
2 w1
2 w2
w1 
w2 
w3 2

2
1
0
1
3
0 1 0 0 1 23 0

=
1 3 1 1 0 6 1
3
9
1
0
13
1

De los anterior la base ortogonal es



1


0
C=
1 ,

y la base ortonormal:


0
1

1
0 1
,
D=

1 0

3
0
1

Ejercicios propuestos

2
0
3
0
1
,
0 13
13
0

0
0

=
1
1

,
1

3 0 1 0
, 1 ,

6 3
2 1

13
1

2
3

1. Probar que tres vectores contruidos con el mtodo de Gram Schmidt son efectivamente
ortogonales.
Determinar la base ortogonal y ortonormal a partir de las siguientes bases:
2.

Sol. Base ortogonal:

3.



1
1
1
B = 1 , 2 , 2

3
1
1

1
1
1
1 , 2 , 0

1
1
1


0
0
1

1 , 1 , 0
B=

1
1
1

98

CAPTULO 4. ESPACIOS PRODUCTO INTERNO

4.

Sol. Base ortogonal, debe calcular la base ortonormal.



2/3
0

1
1 , 1/3 , 1/2

1
1/3
1/2



1
1
1

B=
1
,
1
, 2

1
0
1

5.

Sol. Base ortogonal, debe calcular la base ortonormal.

1 3
3
1

2
1 , 1 , 3
3
2

1
23
0



3
1
1

0 ,
7 , 2
B=

0
2
7

Sol. Base ortogonal, debe calcular la base ortonormal.




0
0
1
0 , 7 , 2

0
2
7

Captulo 5
Autovalores y autovectores
En este captulo se estudia el concepto de autovalor y autovector, se enuncian sus propiedades
y teoremas relativos a este concepto. Se emplea este concepto para diagonalizar una matriz,
esto tiene muchas aplicaciones en ingeniera y otras ciencias.

5.1

La definicin de autovalor y autovector

Definicin 5.1 (Autovalor y autovector) Sea A Mn,n . Un vector no nulo v y un nmero


sern llamados autovector y autovalor asociados respectivamente si
Av = v
Ejemplo 5.1 Un autovalor y su respectivo autovector de


4
5
A=
5 4


1
, ntese que
son = 9 y v =
1
Av =

5.2
5.2.1

4
5
5 4



1
1

= 9

1
1

= v

Clculo de autovalores y autovectores


Clculo de autovalores

De la ecuacin Av = v se tiene el siguiente sistema homogneo:


(A I) v = 0

(5.1)

donde 0 es el vector nulo en Rn e I la matriz identidad en Mn,n . Para el clculo de autovalores


analizamos el anterior sistema. Se tienen dos casos a discutir.
99

100

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

Solucin nica  El sistema 5.1 tiene soluciones (pues es homogneo), este sistema homogneo tendr solucin nica si y solamente si el determinante de la matriz de coeficientes
es distinto de cero, es decir, |A I| =
 0, en este caso la solucin es v = 0, esta solucin
no nos interesa pues un autovector, por definicin, no puede ser el vector nulo.
Infinitas soluciones De acuerdo a lo anterior, el sistema 5.1 tendr infinitas soluciones si
y solamente si |A I| = 0, as las soluciones de |A I| = 0 son los autovalores de la
matriz A.
Resumimos lo anterior en el siguiente teorema.
Teorema 5.2 Los autovalores de una matriz A son las races de la ecuacin
|A I| = 0
Definicin 5.3 (Polinomio y ecuacin caracterstica) El polinomio de grado n, p () =
|A I| se llama polinomio caracterstico y la ecuacin |A I| = 0 se llama ecuacin
caracterstica.
Es claro que los autovalores son las races del polinomio caracterstico.
Ejemplo 5.2 Considere la matriz
A=

4 5
5 4

El polinomio caracterstico es:



 4
5
|A I| = 
5
4

luego la ecuacin caracterstica es:



 = 2 + 8 9


2 + 8 9 = 0
cuyas races son:
1 = 9
2 = 1
por tanto 1 = 9 y 2 = 1 son los autovalores de A.

5.2. CLCULO DE AUTOVALORES Y AUTOVECTORES

101

Los autovalores tienen que ser reales?


Los autovalores pueden ser nmeros complejos, como en el siguiente ejemplo.
Ejemplo 5.3
B=

1 4
4
1

Calculando el polinomio caracterstico se encuentra:


|B I| = 2 2 + 17
luego la ecuacin caracterstica es: 2 2+17 = 0, de donde se encuentra que los autovalores
son:
1 = 1 + 4i
2 = 1 + 4i
Es siempre fcil calcular autovalores con el polinomio caracterstico?
No, en realidad no es un problema simple, principalmente por dos razones:
Para calcular el polinomio caracterstico, se debe encontrar el determinante de una
matriz, el clculo de este determinante requiere de por lo menos n! productos, por
ejemplo para calcular el determinante de una matriz en M25,25 se requieren 25! = 1. 55
1025 productos. Un supercomputador con una velocidad de clculo 3.2109 operaciones
por segundo tardara:






1hora
1dia
1a
no
1mill
on aos
1
seg
= 153. 71
(25! op)
3.2 109 op
3600seg
24horas
365dias
106 aos
millones de aos.
An si se hubiese calculado el polinomio caracterstico, se deben calcular las races del
polinomio, este problema tampoco es tan simple.
Existen algoritmos eficientes para calcular autovalores?
Si, en la actualidad existen poderosos mtodos como los algoritmos de descomposicin LR
y QR, el mtodo de la potencia, deflacin. Estos se estudian en materias como Mtodos
numricos.
Y entonces para que se estudia sta parte en lgebra Lineal?
El marco terico, que se estudia permite comprender muchos resultados como veremos luego
en las siguientes secciones.

102

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

5.2.2

Clculo de autovectores

Si es un autovalor de A Mn,n , es claro que es solucin de la ecuacin caracterstica


|A I| = 0. Considrese el sistema
(A I) x = 0
este sistema homogneo debe tener infinitas soluciones (pues |A I| = 0). Como se sabe, la
solucin del anterior sistema homogneo es un subespacio de Rn ; cada vector base de este
subespacio es un autovector asociado al autovalor .
Ejemplo 5.4 Determinar los autovalores y los autovectores asociados de la matriz

2
1
3
A = 1 2 1
3 1
2
Solucin. El polinomio caracterstico es

P () = 3 22 15
luego la ecuacin caracterstica es
3 22 15 = 0,
sus races son:
1 = 0
2 = 3
3 = 5
Determinamos ahora los autovectores asociados:
= 0. Se resuelve el sistema (A 0I) x = 0, es decir,

0
2
1
3
x1
1 2 1 x2 = 0
0
x3
3 1
2

Resolvemos este sistema con el algoritmo de Gauss:

2
1
3
1 2 1
1 2 1
1 2 1
1
3
5
5
2
0
F21(2)
3 1
2 F12
3 1
2 F
0
5
5 F
31(3)
32(1)

1 2 1

0
5
5

0
0
0

5.2. CLCULO DE AUTOVALORES Y AUTOVECTORES

103

la variable libre es x3 , asignando x3 = t, se tiene:


x2 = x3 = t
x1 = 2x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 1 = 0 es

: t R , dim (W=0 ) = 1
W=0 = t 1

1
de este resultado concluimos que el autovector asociado a = 1 = 0 es v1 = 1
1

= 3. Se resuelve el sistema (A (3) I) x = 0, es decir,


2+3
1
3
x1
0

x2
1 2 + 3
1
0
=
x3
3
1 2 + 3
0

resolviendo:

1
1 1
1
1 1
5
1
3
1
1
3
8
1 1
5
0 4
F21(5)
3 1
5 F
0 4
8 F
3 1
5 F12
31(3)
32(1)

1
1 1
8
0 4
0
0
0
la variable libre es x3 . Sea x3 = t, entonces:

x2 = 2x3 = 2t
x1 = x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 2 = 3 es

W=3 = t 2 : t R , dim (W=3 ) = 1

1
de este resultado concluimos que el autovector asociado a = 2 = 3 es v2 = 2
1

104

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

= 5. Se resuelve el sistema (A 5I) x = 0, es decir,


25
1
3
x1
0

1 2 5
1
x2
=
0
3
1 2 5
0
x3

resolviendo:

1 7 1
1 7 1
3
1
3
1 7 1
1
3
0
3
0 20
F21(3)
3 1 3 F
0
20
0 F
3 1 3 F12
32(1)

31(3)
1 7 1

0 20
0

0
0
0
la variable libre es x3 . Sea x3 = t, entonces:

x2 = 0
x1 = 7x2 + x3 = t
por tanto es subespacio solucin asociado al autovalor = 3 = 5 es

W=5 = t 0 : t R , dim (W=5 ) = 1

1
de este resultado concluimos que el autovector asociado a = 3 = 5 es v3 = 0 .
1
Ejemplo 5.5 Calcular los autovalores y autovectores de:

3
2 1
4 0
B= 0
1 2 3
Solucin.
Autovalores. La ecuacin caracterstica es: 3 102 + 32 32 = 0, resolviendo se
encuentra:
1 = 2,
2 = 3 = 4.
Autovectores. Se calculan los autovectores para cada autovalor distinto,

5.3. TEOREMAS RELATIVOS A AUTOVALORES Y AUTOVECTORES

105

= 2. Resolvemos (A 2I) x = 0,


1
2 1
x1
0
0

2 0
x2
0
=
1 2 1
0
x3

la solucin de este sistema es:


W=2 = t 0 : t R , dim (W=2 ) = 1

= 4. Se calcula la solucin de (A 4I) x = 0,


0
1
2
1
x1

0
x2
0
0
=
0
x3
1 2 1
la solucin es:

W=4

5.3
5.3.1



1
2

: t, s R , dim (W=4 ) = 2
+s 0
= t 1

1
0

Teoremas relativos a autovalores y autovectores


Clculo del polinomio caracterstico

Teorema 5.4 Sea A Mn,n , entonces el polinomio caracterstico es


P () = |I A|
= n S1 n1 + S2 n2 Sn1 Sn
n

=
(1)k Sk nk
k=0

donde Sk es la suma de todos los menores principales de orden k. Definimos S0 = 1. Ntese


que Sn = |A| .

5.3.2

Autovalores y rango

Teorema 5.5 Sea A Mn,n tal que rango (A) < n, entonces A tiene al menos un autovalor
igual a cero.
Demostracin. Por el teorema 5.4 el polinomio caracterstico no tiene trmino independiente, pues Sn = |A| = 0, esto prueba que al menos existe un autovalor igual a cero.

106

5.3.3

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

Autovalores e inversa

Teorema 5.6 Sea A una matriz invertible y un autovalor asociado al autovector v, entonces
1
es un autovalor de A1 asociado a .

Demostracin. Por hiptesis Av = v, puesto que A es invertible v = A1 (v) , de


donde A1 v = 1 v, esto prueba el teorema.
Teorema 5.7 Una matriz es invertible si y solamente si sus autovalores son todos distintos
de cero.

5.3.4

Mltiplos escalares de un autovector

Teorema 5.8 Sea v un autovector de una matriz A asociado al autovalor , sea k R y


w = kv, entonces w es un autovector de A.
Demostracin. Aw = A (kv) = k (Av) = k (v) = (kv) = w, esto prueba el teorema.

5.3.5

Raz del polinomio caracterstico

Teorema 5.9 Toda matriz es raz de su polinomio caracterstico.


Demostracin. Ejercicio
Ejemplo 5.6 El polinomio caracterstico de

A=

2 1
2 4

es p () = 2 6 + 10, y
p (A) = A2 6A + 10I




2

1 0
2 1
2 1
+ 10
6
=
0 1
2 4
2 4


0 0
=
0 0

5.3.6

Autovectores y dependencia lineal

Teorema 5.10 Sean v1 , v2 autovectores asociados respectivamente a 1 y 2 tales que 1 =


2 , entonces el conjunto {v1 , v2 } es linealmente independiente.
Demostracin. Si el conjunto {v1 , v2 } fuera linealmente dependiente, existen escalares
c1 y c2 distintos de cero tal que:
(i)
c1 v1 + c2 v2 = 0

5.3. TEOREMAS RELATIVOS A AUTOVALORES Y AUTOVECTORES

107

multiplicando la matriz A se tiene:


c1 Av1 + c2 Av2 = 0,
empleamos ahora la hiptesis Av1 = 1 v1 , Av2 = 2 v2 , luego
c1 1 v1 + c2 2 v2 = 0,

(ii)

c1 1 v1 + c2 1 v2 = 0

(iii)

de (i) multiplicando por 1 :


restando (iii)-(ii) se encuentra:
c2 (1 2 ) v2 = 0

puesto que ni c2 ni v2 son nulos se debe tener: 1 2 = 0, es decir 1 = 2 , esto es contrario


a la hiptesis 1 = 2, por tanto {v1 , v2 } debe ser linealmente independiente.

5.3.7

Autovalores de matrices simtricas

Teorema 5.11 Sea A Mn,n simtrica, entonces sus autovalores todos son nmeros reales.
Ejemplo 5.7

4 5
0
A= 5 4
0
0 0 1

Sus autovalores son 1 = 9, 2 = 1, 3 = 1.

5.3.8

Los discos de Gersgorin

Teorema 5.12 (Gersgorin, caso real) Sea A Mn,n y



Ri =
|aij |
j=1
j=i

donde || es el valor absoluto. Entonces los autovalores de A estn en la union de los discos
n
#

i=1

{(x, y) : (x, y) (aii , 0) < Ri }

aqu  es la norma euclidiana.


Ejemplo 5.8 Considere la matriz

0
0
A = 5
5
2 1 5

5
2

9
4
72

108

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

Los autovalores son 1 = 5, 2 = 12 + 32 i, 3 = 12


en la unin de los discos
$
2
5
+ y2
x
2
$
2
7
x+
+ y2
2

(x 5) + y 2

5.4

32 i, los tres autovalores se encuentran

9
4

7
2

Multiplicidad algebraica y multiplicidad geomtrica

Definicin 5.13 (Multiplicidad algebraica) Sea p () el polinomio caracterstico de una


matriz A Mn,n , y ( a)m un factor de p () , en esta condiciones se dice que es un
autovalor de A con multiplicidad algebraica igual m.
Definicin 5.14 (multiplicidad geomtrica) Sea un autovalor de A Mn,n , la dimensin del espacio solucin del sistema (A I) x = 0, es la multiplicidad geomtrica.
Las multiplicidades algebraica y geomtrica son iguales?
No, en general no son iguales, a este respecto se tiene el siguiente teorema
Teorema 5.15 La multiplicidad algebraica es mayor o igual que la multiplicidad geomtrica.
Ejemplo 5.9

6 1 1
A = 1 4 1
1 0
3

Un clculo inmediato muestra que el polinomio caracterstico es p () = 3 132 + 56 80,


cuyas races son los autovalores
1 = 5,
2 = 4,
3 = 4
as = 5 tiene multiplicidad algebraica 1, y = 4 tiene multiplicidad algebraica 2. A la luz
del teorema la multiplicidad geomtrica de = 5 debe ser 1 y la multiplicidad geomtrica
de = 4 debe ser menor o igual a 2. puede justificar esta afirmacin?. Para calcular las
multiplicidades geomtricas procedemos como sigue:

5.4. MULTIPLICIDAD ALGEBRAICA Y MULTIPLICIDAD GEOMTRICA

109

= 5: Se resuelve el sistema: (A 5I) x = 0, es decir:


1 1 1
x1
0
1 1 1 x2 = 0 ,
0
1 0 2
x3

resolviendo, se encuentra que la solucin es

W=5

:tR ,
= t 1

de donde se sigue que la multiplicidad geomtrica es de = 5 es 1.


= 4 : Se debe resolver el sistema (A 4I) x = 0, es decir resolver el sistema:


0
2 1 1
x1
1 0 1 x2 = 0
1 0 1
x3
0

resolviendo se encuentra que la solucin es:

W=4

= t 1 : t R

cuya dimensin es 1, luego la multiplicidad geomtrica de = 4 es 1. Resumimos esto


en la siguiente tabla:

t 1

1
1

t 1

Mult. algebraica Mult. Geomtrica

:tR
1
1

:tR
2
1

Ejemplo 5.10 En el ejemplo 5.4 (pgina 102) se calculan los siguientes resultados sobre la
matriz

2
1
3
A = 1 2 1
3 1
2

Ecuacin caracterstica: 3 22 15 = 0

110

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

Autovalores, autovectores y multiplicidad


W

Mult. algebraica Mul. Geomtrica

0
1
1
t 1
:tR

2
t
:tR
3
1
1

:tR
t 0
5
1
1

Ejemplo 5.11 En el ejemplo 5.5 pgina 104 se calculan los siguientes resultados sobre la
matriz

3
2 1
B= 0
4 0
1 2 3

Ecuacin caracterstica: 3 102 + 32 32 = 0


Autovalores, autovectores y multiplicidad

5.5
5.5.1

W
Mult. algebraica Mult. Geomtrica

0
1
1
t
:tR


2
1

2
2
t 1
+s 0
: t, s R

0
1

Semejanza y diagonalizacin
Matrices semejantes

Definicin 5.16 Se dice que dos matrices A, B Mn,n son semejantes si existe una matriz
P Mn,n invertible tal que
B = P 1 AP
Dos matrices semejantes tienen la propiedad de tener los mismos autovalores, esto es lo
que dice el siguiente teorema.
Teorema 5.17 Sean A, B Mn,n matrices semejantes, entonces A y B tienen los mismos
autovalores.

5.5. SEMEJANZA Y DIAGONALIZACIN

111

Demostracin. Existe P Mn,n tal que B = P 1 AP. Sea un autovalor de A asociado


a v, es decir, Av = v. Definamos w = P 1 v, entonces


Bw = P 1 AP w



= P 1 AP P 1 v
= P 1 (Av)
= P 1 (v)


= P 1 v
= w
por tanto es un autovalor de B. Esto prueba el teorema.

Ejemplo 5.12 Considrense las matrices




4 5
1 1
A=
,P =
,
5 4
2 3

B=P

AP =

21
40
15 29

un clculo inmediato muestra que los autovalores de A y B son: 1 y 9.

5.5.2

Diagonalizacin

Sea A Mn,n , se dice que A es diagonalizable si existe una matriz invertible P tal que
P 1 AP = D,
donde D es una matriz diagonal, esto es, D = diag (d1 , d2 , . . . , dn ) .
El producto de una matriz arbitraria por una matriz diagonal
Para comprender de mejor manera el resultado de la siguiente seccin, ntese el producto de
una matriz arbitraria y una matriz diagonal resulta ser la matriz cuya j esima columna es
un mltiplo de la j esima columna de la matriz P.
Ejemplo 5.13

d1 0 0
p11 d1 p12 d2 p13 d3
p11 p12 p13
p21 p22 p23 0 d2 0 = p21 d1 p22 d2 p23 d3
0 0 d3
p31 p32 p33
p31 d1 p32 d2 p33 d3

en general si P = [P1 , P2 , . . . , Pn ] (Pi la i-sima columna de P ) y D = diag (d1 , d2 , . . . , dn ) ,


entonces:
P D = [d1 P1 , d2 P2 , . . . , dn Pn ] .

112

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

Condicin necesaria y suficiente para la diagonalizacin de matrices


Sea A Mn,n una matriz tal que:

P 1 AP = D,

entonces:
AP = P D.
Sea P = [P1 , P2 , . . . , Pn ], entonces de la igualdad AP = P D y los resultados de productos de
matrices, se deduce:
[AP1 , AP2 , . . . , APn ] = [d1 P1 , d2 P2 , . . . , dn Pn ] ,
de donde:
APi = di Pi , i = 1, 2, . . . , n,
esto prueba que la j esima columna de P es el autovector asociado al autovalor di que a
su vez es la entrada (i, i) de la matriz diagonal D, ms an, al ser P invertible las columnas
de A deben ser linealmente independientes. Estas observaciones permiten probar el siguiente
teorema.
Teorema 5.18 Sea A Mn,n . A es diagonalizable si y solamente si es posible encontrar una
base de n autovectores linealmente independientes.
En trminos de la multiplicidad algebraica y multiplicidad geomtrica, se tiene el siguiente
resultado.
Teorema 5.19 Sea A Mn,n . A es diagonalizable si y solamente si cada autovalor tiene
multiplicidad algebraica y multiplicidad geomtrica iguales.
Ejemplo 5.14 Considere la matriz A del ejemplo 5.9 pgina 108,

6 1 1
A = 1 4 1 ,
1 0
3
se ha establecido el siguiente resultado

5
t

4
t

2
1
1
1
1
1

Mult. algebraica Mult. Geomtrica

:tR
1
1

:tR
2
1

al ser el autovalor = 4 de multiplicidad algebraica distinta a la multiplicidad geomtrica, la


matriz A no es diagonalizable.

5.5. SEMEJANZA Y DIAGONALIZACIN

113

Ejemplo 5.15 Considere la matriz A del ejemplo 5.10 pgina 109,

2
1
3
A = 1 2 1
3 1
2
Se ha establecido el siguiente resultado:

W

Mult. algebraica Mul. Geomtrica

0
1
1
t 1 : t R

3
1
1
t 2 : t R

t 0
:tR
5
1
1

luego las multiplicidades algebraica y geomtrica de todos los autovalores son iguales, por
tanto A es diagonalizable, mas an la matriz P que permite la diagonalizacin est formada
con los autovectores, as:

1 1 1
2 0
P = 1
1
1 1
y la matriz D con los correspondientes autovalores:

0
0 0
D = 0 3 0 ,
0
0 5

ntese que P 1 AP = D.

Ejemplo 5.16 Considere la matriz B del ejemplo

3
2
B= 0
4
1 2
se ha establecido el siguiente resultado:

5.11 pgina 110,

1
0
3

W
Mult. algebraica Mult. Geomtrica

0
1
1
t
:tR



2
1

1
0
2
2
+s
: t, s R
t

0
1

114

CAPTULO 5. AUTOVALORES Y AUTOVECTORES

lo anterior muestra que B es diagonalizable y

2 0 0
1 2 1
P = 0 1 0 , D = 0 4 0
0 0 4
1 0 1

nuevamente P 1 BP = D.

Diagonalizacin ortogonal
Recordemos que una matriz P es ortogonal si P 1 = P t .
Definicin 5.20 Una matriz A es diagonalizable ortogonalmente, si existe una matriz ortogonal P tal que:
P t AP = D.
Observemos que si P t AP = D, entonces:
A = P DP t
aplicando transpuesta se encuentra:
At = P DP t


= P P t AP P t
= A,
as la matriz A debe ser simtrica. Por tanto las nicas matrices diagonalizables ortogonalmente son las simtricas.
Ejemplo 5.17 Diagonalizar la siguiente matriz ortogonalmente.

2 1 1
A= 1 2 1
1 1 2
Solucin.
Ecuacin caracterstica: 3 62 + 9 4 = 0,
Autovalores y autovectores:

1

1 ,
= 1 = 4; autovector asociado: v1 =
1

1
1
= 2 = 3 = 1; autovectores asociados, v2 = 0 , v3 = 1 .
1
0
Ntese que el conjunto {v1 , v2 , v3 } es un conjunto LI. Para generar un conjunto ortogonal
emplearemos el clsico algoritmo de reduccin de Gram Schmidt.

5.5. SEMEJANZA Y DIAGONALIZACIN

115

1
Sea w1 = v1 = 1 ,
1

w2 = v2

v2 , w1 
w1
w1 2

1
v2 , w1  = v2t w1 = (1, 0, 1) 1 = 0, w1 2 = w1 , w1  = 3, por tanto:
1

1
1
1
0
w2 = 0 1 = 0 ,
3
1
1
1

w3 = v3

v3 , w1 
v3 , w2 
w2
2 w1
w1 
w2 2

1
v3 , w1  = v3t w1 = (1, 1, 0) 1 = 0, w1 2 = 3
1

1
v3 , w2  = v3t w2 = (1, 1, 0) 0 = 1, w2 2 = 2, por tanto:
1

2
1
1
1
0 1

w3 =
1
0

=
1

1
3
2
1
1
0
12

1
1
1
2
w1
w2
w3
1
1
2

1 , 2
0
, 6
es claro que el conjunto
1
,
,
= 3

w1  w2  w3 


1
1
12
es un conjunto ortonormal, ms an son autovectores, as la matriz P cuyas columnas
son los vectores del anterior conjunto, diagonalizan ortogonalmente la matriz A, as:
1

1
1

2
6
3

2
0
P = 13
6

1
1
1

6
3
2


116

CAPTULO 5. AUTOVALORES Y AUTOVECTORES


ntese que

P t AP =

1
3
12
16

1
3

0
2
6

1
3
1
2
16

4 0 0
= 0 1 0 = D.
0 0 1

2 1 1

1 2 1
1 1 2

1
3
1
3
1
3

12 16

2
0
6
1
16
2

Ejercicios propuestos
En los siguientes problemas, calcular (a) Autovalores, (b) autovectores, (c) multiplicidad
algebraica y multiplicidad geomtrica, (d) diagonalizar (si es posible) la matriz dada.

1
1
2 0 1

2 , 2
2 3 2 , Sol. (a) 1, 3 (b)
1.
1
1
1 1 2

1
1
2 1 0
1
2. 2 2 2 , Sol. (a) 0, 4, 2 (b) 2 , 2 , 0
1
1
1
0 1 2


1 7 2
1
1
1

7 1 2 , Sol. (a) 0, 6, 9 (b)


1
1
3. A =
,
, 1
1
2 2 1
4
0
2

1
1
8
4 2 2
4. A = 5 3 2 , Sol. (a) 1, 4, 0 (b) 11 , 1 , 1
1
3
9
7 1 6

0
4
1
1
1
5. B = 4 10
2 , Sol. (a) 4, 2, 2 (b) 2 , 2
12 18 2
4
6

4
1
1
1
1
1
4
1 , Sol. (a) 1, 3 (b) 1 , 0 , 1
6. C = 1
4 4 1
4
1
0

1
1
1
1 1 1
1 1 , Sol. (a) 1, 2 (b) 1 , 0 , 1
7. A = 1
0
1
1
1
1 1

2 2
0 0
1
1
2
2
2

2 2 1
, Sol. (a) 2, 1, 5 (b) 0 , 0 , 3 , 3
8. A =
0 2
1 0 2 2
2 0
0
1
0 2
0
2
1
1

5.5. SEMEJANZA Y DIAGONALIZACIN

117

1
0
0
1
1
0 1
0
0 1 1 0

0 1
0
1


, Sol. (a) 0, 2 (b)
9. A =
1 , 0 , 0 , 1
1
0 1
0
0
1
1
0
0 1
0 1


1
1
1
1 2 0 5
2
2 2 1 1
2 1 2 0
2

10. A =
0 2 1 2 , Sol. (a) 0, 2, 5, 7 (b) 2 , 2 , 1 , 1
2
1
1
5 0 2 1
2
1

Diagonalizar ortogonalmente las siguiente matrices:


1

1
1

2 1 1
2
6
3

1
1

11. A = 1 2 1 , Sol. P = 13
2
6
1
2
1 1 2
0
3
6

12. A =

2 1 1

1 0
1 , Sol. P =
1 1
2

1
3
1
3
1
3

2
2
2 4 0
5
13. A = 4 2 3 , Sol. P = 12 2
3
0 3 2
2
10

1
12
6
0 26

1
2

2
2
5
1
2
2
3
2
10

1
6
3
5

45

Mostrar que existe una matriz ortogonal P formada por autovectores tales que P t AP
es una matriz triangular superior.
1

2
0

5 3 3
6
3
1
1
14. A = 6 4 3 , Sol. P = 13
2
6
1
1
1
6 3 2

3
2
6

15. Si A Mn,n es invertible, demostrar que AB y BA tienen los mismos autovalores.


16. Determinar los autovalores de:

a2 ab b2
ab a2 ab
b2 ab a2

17. Determinar los valores a para los cuales la siguiente matriz es diagonalizable, calcule la
matriz P que diagonaliza esta matriz.:

a a a
a 2a
A= a
0
0 1
18. Supngase A Mn,n , I Mn,n la matriz identidad y c, d nmeros.

118

CAPTULO 5. AUTOVALORES Y AUTOVECTORES


(a) Pruebe que si es un autovalor de una matriz A asociado al autovector v, entonces
v es un autovector de la matriz cA + dI asociado al autovalor c + d
(b) Pruebe que si A es diagonalizable entonces lo es tambin cA + dI.

19. Muestre que si es un autovalor de A, entonces k es un autovalor de Ak .


20. Explique porque la siguiente matriz A Mn,n

n 1 1
1 n 1

A= 1 1 n
.. .. ..
. . .
1 1 1

no puede tener autovalores nulos .

1
1

.
..
. ..
n

Captulo 6
Transformaciones lineales
Muchos problemas prcticos planteados en un espacio vectorial pueden convertirse en problemas ms simples en otro espacio vectorial, para realizar esto, es necesaria una adecuada
funcion entre esos dos espacios vectoriales, tal funcin se llama Transformacin lineal, en
este captulo estudiamos el marco terico de estas funciones.

6.1

Introduccin

6.1.1

La definicin de transformacin lineal

Considere una funcin T : U V , donde U y V son espacios vectoriales. T es una transformacin lineal si:
(i) Para todo u, w U, T (u + w) = T (u) + T (w)
(ii) Para todo u U y todo k R, T (ku) = kT (u)
Ntese que una transformacin lineal preserva las operaciones bsicas de un espacio vectorial, es decir, preserva la suma y producto por escalar.
Ejemplo 6.1 La funcin T : R3 R2 , definida por



x
2x + y

y
=
T
y + 3z
z

a
x

b , entonces:
y
,w=
T es transformacin lineal, en efecto: Sean u =
c
z

x+a
T (u + w) = T y + b
z+c


2 (x + a) + (y + b)
=
(y + b) + 3 (z + c)

119

120

CAPTULO 6. TRANSFORMACIONES LINEALES




 
2x + y
=
+
y + 3z

x
= T y +T
z
= T (u) + T (w) .
por otra parte si k R, entonces:
T (ku) =
=
=
=
=

2a + b
b + 3c

a
b
c

kx
T ky
kz


2kx + ky
ky + 3kz


2x + y
k
y + 3z

x

y
kT
z
kT (u) .

Ejemplo 6.2 Sea A Mm,n , definimos la transformacin T : Rn Rm por


T (x) = Ax
las propiedades matriciales permiten probar que T es una transformacin lineal.

6.1.2

Propiedades de una transformacin lineal

Teorema 6.1 Si T es una transformacin lineal, entonces


1. T (0) = 0.
2. T (u v) = T (u) T (v)
3. T (u) = T (u)

La primera propiedad muestra (en su forma contrapositiva) que si T (0) = 0, entonces T


no puede ser transformacin lineal.
Ejemplo 6.3 Sea T : R2 R3 definida por

 
2x + 3y + 5
x

x+y
T
=
y
x + 2y 1

 
5
0
0

0
0 , por tanto T no es transformacin lineal.
obsrvese que T
=
=
0
1
0

6.2. CONSTRUCCIN DE TRANSFORMACIONES LINEALES

121

Observacin. Ntese que T (0) = 0, no es garanta de que T sea transformacin lineal.


Ejemplo 6.4 Sea T : R2 R3
T

x
y

xy
= x
x+y

se puede probar que T no es transformacin lineal prubelo!.


Ejercicios propuestos
1. Demostrar el teorema 6.1.
2. Determinar si las siguientes funciones son o no transformaciones lineales



x
3x

y
+
2z
(a) T : R3 R2 , T y =
Sol. Si
x+z
z
  

x
x
2
2
=
Sol. No
(b) T : R R , T
y
y+2



x
x
+
y
x

z
3
Sol. Si.
(c) T : R M2,2 , T y =
y
2z
z

 

x y
2x 3w
2
(d) T : M2,2 R , T
=
Sol. Si
z w
3z 4y

 
xy
x
= x Sol. No
(e) T : R2 R3 , T
y
x+y

  
|x|
x
2
2
(f) T : R R , T
, Sol. No
=
0
y
3. Se define T : Mn,n Mn,n por T (x) = xM + M x, donde M es una matriz cualquiera
de V, mostrar que T es una transformacin lineal.

6.2

Construccin de transformaciones lineales

Considere un espacio vectorial V, sea B = {e1 , e2 , . . . , en } una base de V. Sea T una transformacin lineal de V en un espacio vectorial W. Si v V, entonces
v = c1 e1 + c2 e2 + + cn en ,
aplicando la transformacin lineal se encuentra:
T (v) = c1 T (e1 ) + c2 T (e2 ) + + cn T (en )

122

CAPTULO 6. TRANSFORMACIONES LINEALES

lo anterior muestra que la transformacin T est completamente determinada por las imgenes
de los vectores bsicos. Lo anterior permite construir transformaciones lineales.
Ejemplo 6.5 Considere los espacios vectoriales R3 y R2 , sea


1
1
0

1 , v2 =
0 , v3 =
0
B = v1 =

1
1
1

una base de R3 . Sea T una transformacin lineal tal que






 
1
1
0
1
2
1

T
1
=
,T
0
=
,T
0
=
.
1
1
1
1
1
1
Determinar la transformacin lineal.

x
Solucin. Sea v = y , existen nmeros c1 , c2 , c3 tal que
z
v = c1 v1 + c2 v2 + c3 v3 ,

esto origina el sistema:

resolviendo se encuentra:

(i)

(ii)

x
1 1 0
c1
1
0 0 c2 = y
z
1
1 1
c3

c1 = y
c2 = x y
c3 = x + 2y + z
empleando la transformacin T a la ecuacin (ii) se encuentra:
T (v) = c1 T (v1 ) + c2 T (v2 ) + c3 T (v3 )
reemplazando (i), (iii) y v en la anterior ecuacin se encuentra:





 
x
1
2
1

y
T
= y
+ (x y)
+ (x + 2y + z)
1
1
1
z


x y + z
=
2x + 4y + z

(iii)

6.3. COMPOSICIN

123

Ejercicios propuestos
1. Sea T : R2 R una transformacin lineal tal que
 
 
1
1
T
= 2, T
= 2
1
2
 
x
. Sol. 6x 4y
determinar T
y
2. Sea T : R2 R3 una transformacin lineal tal que :


 
 
1
2
1
1
= 0 ,T
= 1
T
1
2
1
4

 
y
x
Determinar T
. Sol. x + y
y
6x + 5y

3. Determinar si existe o no una transformacin lineal T : R2 R2 tal que


  

   
2
1
3
1
T
=
,T
=
4
1
6
1
explicar.

4. Sea T : U V una transformacin lineal. Sea B = {u1 , u2 , . . . , un } un conjunto en U


tal que C = {T (u1 ) , T (u2 ) , , T (un )} es L.I., Mostrar que B es L.I.

6.3

Composicin

Sean T : U V, S : V W transformaciones lineales como se muestra en la figura.


U
T V
S  W

S(T (u))

T (u)


u

ST
La compuesta de T y S, escrito S T, es la funcin de U en W definida por:
(S T ) (u) = S (T (u)) ,

es evidente que S T es una transformacin lineal.

124

CAPTULO 6. TRANSFORMACIONES LINEALES

Ejemplo 6.6 Determinar S T si:

 


x 2y
u
x
u 2v

T
=
2x + y , S
v
=
y
v+w
w
2x + 2y
Solucin.
(S T )

6.4
6.4.1

x
y

  
x
= S T
y

x 2y
= S 2x + y
2x + 2y


x 2y 2 (2x + y)
=
2x + y + 2x + 2y


5x 4y
=
3y

Ncleo e imagen
Ncleo

Sea T : U V, una transformacin lineal, definimos el ncleo de T como:


Nu (T ) = {u U : T (u) = 0}
Teorema 6.2 El ncleo de una transformacin lineal T : U V es un subespacio de U.
Demostracin. Sean u, w Nu (T ) , entonces T (u) = 0 y T (w) = 0, de donde
T (u + w) = T (u) + T (w) = 0 + 0 = 0
luego u + w Nu (T ) . Por otra parte si k R, entonces
T (ku) = kT (u) = k0 = 0,
de donde se deduce que ku Nu (T ) . De lo anterior se sigue que Nu (T ) es un subespacio de
U.
Definicin 6.3 (Nulidad) La nulidad de una transformacin lineal T : U V, denotado
por nulidad (T ) , es la dimensin del ncleo de T, es decir:
nulidad (T ) = dim (Nu (T ))

6.4. NCLEO E IMAGEN

6.4.2

125

Imagen

Sea T : U V, una transformacin lineal, definimos la imagen de T como:


Im (T ) = {T (u) : u U }
o alternativamente como:
Im (T ) = {v V : existe u U tal que T (u) = v}
Teorema 6.4 La imagen de una transformacin lineal T : U V es un subespacio de V.
Demostracin. Sean v1 , v2 Im (T ) , luego existen vectores u1 , u2 U tales que T (u1 ) =
v1 y T (u2 ) = v2 , entonces:
T (u1 + u2 ) = T (u1 ) + T (u2 ) = v1 + v2 ,
esto prueba que v1 + v2 Im (T ) .
Por otra parte si k R y v Im (T ) , probaremos que kv Im (T ) . Para empezar existe
u U tal que T (u) = v, entonces:
kv = kT (u) = T (ku) ,
esto prueba que kv Im (T ) .
Definicin 6.5 (rango) El rango de una transformacin lineal T : U V, denotado por
rango (T ) , es la dimensin de la imagen T, es decir:
rango (T ) = dim (Im (T ))

6.4.3

El teorema de la dimensin

Teorema 6.6 Sea T : U V una transformacin lineal, sea n = dim (U ) , entonces:


nulidad (T ) + rango (T ) = n.
Ejemplo 6.7 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T :
R2 R3 definida por:

 
xy
x
T
= x + 2y
y
x+y
Solucin.
Clculo de la nulidad

0
x
x
= 0
:T
Nu (T ) =
y

y
0


xy
0
 
x

x + 2y
0
=
:
=
y

x+y
0

126

CAPTULO 6. TRANSFORMACIONES LINEALES

lo anterior origina el sistema:


0
1 1  
x

0 ,
2
=
y
0
1
1

resolviendo se encuentra que la nica solucin es:


   
x
0
=
y
0
por tanto
Nu (T ) =



0
0

 
.

luego nulidad (T ) = 0
Clculo de la imagen



 
 
a
a
x
x
= b para algn
Im (T ) = b : T
y
y

c
c

es decir se debe tener:

esto origina el sistema:


a
xy
x + 2y = b
c
x+y


1 1  
a
x

2
b
=
y
1
1
c

llevando la matriz aumentada a la forma escalonada se encuentra:

1 1 :
a
1 1 a
1 1 :
a
1
3 :
a + b
2 b
3 : a + b
0
0
F21(1)
1
0
0 : 3 a + c 23 b
1
1 c F
0
2 : a + c F
31(1)
2
32( 3 )
lo anterior muestra que el sistema tiene solucin si y solamente si 13 a + c 23 b = 0, por tanto:

a
b : 1 a + c 2 b = 0; a, b, c R
Im (T ) =

3
3
c

b
: a, b R
=

1
2
a
+
b

3 3

0
1

+b 1
: a, b R
a 0
=

1
2
3

6.4. NCLEO E IMAGEN

127

de donde se deduce que rango (T ) = 2.


Ntese que

nulidad (T ) + rango (T ) = 0 + 2 = 2 = dim R2 .

Ejemplo 6.8 Determinar el ncleo, la imagen y sus dimensiones de la transformacin T :


R3 R2 definida por:



x
2x y + 6z

y
T
=
2x 2y + 6z
z
Solucin.
Clculo del ncleo
Se resuelve el sistema

2 1 6
2 2 6

La solucin de este sistema es

 
x
y = 0
0
z

1
x
y = t 4 , t R
z
1

por tanto:

Nu (T ) = t 4 , t R ,

puesto que Nu (T ) es generado por un slo vector, nulidad (T ) = 1.


Clculo
de la imagen.
 
a
Sea
Im (T ) , entonces:
b

  

x
a
2x y + 6z

y
=
T
=
b
2x 2y + 6z
z

as, se plantea el sistema:

2 1 6
2 2 6

 
x
y = a
b
z

llevando la matriz aumentada a la forma escalonada se encuentra:



 

2 1 6 : a
2 1 6 :
a

2 2 6 : b
0 3 12 : a + b

128

CAPTULO 6. TRANSFORMACIONES LINEALES

lo anterior muestra que este sistema siempre tiene soluciones, es decir, cualquier
Im (T ) , por tanto Im (T ) = R2 y rango (T ) = 2.
Nuevamente el teorema de la dimensin se cumple:

a
b


nulidad (T ) + rango (T ) = 1 + 2 = 3 = dim R3 .

Ejercicios propuestos

1. En los siguientes problemas, determinar una base y la dimensin de (i) ncleo (ii) la
imagen de T.


x y + 2z
x
(a) Sea T y = 4x 2y + 13z
2x 3z
z

a
3/2

b
: t R , Im (T ) =
Sol. Nu (T ) = t 7/2
: a, b R
2

1
1
a

b
3
3


x + 2y z
x

y+z
(b) Sea T y =
x + y 2z
z

3
0
1

Sol. Nu (T ) = t 1
: t R , Im (T ) = a 0
+b
: a, b R
1

1
1
1



1 2
, sea T (A) = AM M A determinar una base y
2. Sea T : M2,2 M2,2 y M =
0 3
 

1 0
1 1
,
la dimensin del ncleo de T. Sol.
0 0
0 1


1 2
, sea T (A) = M A, determinar el ncleo de T
3. Sea T : M2,2 M2,2 y M =
3 5

6.5

La transformacin inversa

Definicin 6.7 (Transformacin 1-1) Sea T : U V, una transformacin lineal. Se


dice que T es uno a uno (1 1) si para elementos u1 , u2 distintos de U, se encuentra que
T (u1 ) = T (u2 ) .
Una definicin alternativa es: Se dice que T es uno a uno si T (u1 ) = T (u2 ) implica
u1 = u2 .
Teorema 6.8 Sea T : U V, una transformacin lineal. Las siguientes afirmaciones son
equivalentes.

6.5. LA TRANSFORMACIN INVERSA

129

1. T es uno a uno.
2. Nu (T ) = {0} .
3. nulidad (T ) = 0.
Ejemplo 6.9 Determinar si la siguiente transformacin es o no uno a uno.

 
x + 2y
x
= xy
T
y
2x y
el ncleo de T se encuentra resolviendo:

se encuentra que la nica solucin es:

x + 2y = 0
xy =0
2x y = 0
x
y

Nu (T ) =



0
0
0
0


, por tanto



de donde se deduce que T es una transformacin lineal uno a uno.


Ejemplo 6.10 Bajo qu circunstancias la transformacin T : Rn Rm , definida por
T (x) = Ax, es uno a uno?, aqu A Mm,n.
Solucin. Sean x, y Rn vectores tales que T (x) = T (y) , es decir: Ay = Ax, de donde:
A (y x) = 0,
ste es un sistema homogneo, como se sabe este sistema siempre tiene solucin. Si rango (A) =
n, entonces la nica solucin es la nula esto es y x = 0, por tanto T es uno a uno si
rango (A) = n. En particular si m = n, T es uno a uno ssi A Mn,n es invertible.
Definicin 6.9 (Transformacin inversa) Sea T una transformacin lineal. T : V W,
tal que W = Im (T ) . Se dice que T es invertible si existe una transformacin lineal T 1 de
W en V tal que

para todo v V y todo w W.

T 1 (T (v)) = v,


T T 1 (w) = w

Teorema 6.10 T : V Im (T ) es invertible si y solamente si Nu (T ) = {0}

130

CAPTULO 6. TRANSFORMACIONES LINEALES




 

x
3x

y
Ejemplo 6.11 Sea T : R2 R2 , definida por T
=
(a) determinar si es
y
4x y
o no invertible, (b) si fuera invertible determinar la inversa.
Solucin. (a) El ncleo se encuentra resolviendo



0
0

3x y = 0
4x y = 0





0
0



la nica solucin es
, por tanto Nu (T ) =
, luego T es invertible.
 
   
a
x
a
(b) Sea
tal que T
=
, esto origina el sistema:
b
y
b
3x y = a
4x y = b

resolviendo se encuentra x = b a, y = 3b 4a, de donde se deduce que la transformacin


inversa es:
  

a
ba
1
=
T
b
3b 4a

o empleando las variables x, y :

x
y

yx
3y 4x

Ejercicios propuestos
En los siguientes ejercicios, determinar T 1 si sta existe.



 
a
x 2y
3a + 2b
x
2
1

b
2x 3y . Sol. T
=
,
1. T : R Im (T ) , T
=
b 2a
y
c
xy
c=ba



x
x 2y + z
3
2

y
2. T : R R , T
=
. Sol. No existe
x + y 3z
z


x + z
x
2x + y 2z
3
4

y =
3. T : R R , T
x + 2y z , Sol. No existe
z
xz

2y
a
 



x
+
3y
x
3a + 2b
2
4
1 b

, Sol. T =
=
, c = 4a + b,
4. T : R R , T
3x 5y
y
c
a+b
0
d
d=0

6.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL

131

5. Sea


1
0

W = s 1
+t 1
: a, b R

1
1



 
x
3x + y
a
2
1

y
=
, z = 2x 3y. Sol. T
Se define T : W R por T
=
8x + 3y
b
z

3a b
8a + 3b .
18a 7b

6.6

La matriz de una transformacin lineal

6.6.1

Matriz de coordenadas de un vector

Sea U un espacio vectorial y B = {u1 , u2 , . . . , un } una base de U. Si u U, entonces u se


escribe como:
u = c1 u1 + c2 u2 + + cn un ,

la matriz

c1
c2
..
.
cn

se llama matriz de coordenadas del vector u relativo

c1
c2

mat B u = ..
.
cn

a la base B. Emplearemos la notacin:

Ejemplo 6.12 En R3 se considera la base




1
2
0

0 , u1 =
0 , u3 =
1
B = u1 =

1
0
1

1

2 , para encontrar la matriz de coordenadas matB u se plantea el sistema:


sea u =
3
c1 u1 + c2 u2 + c3 u3 = u

lo que origina:


1 2 0
c1
1
0 0 1 c2 = 2
1 0 1
c3
3

132

CAPTULO 6. TRANSFORMACIONES LINEALES

resolviendo se encuentra c1 = 1, c2 = 0, c3 = 2, por tanto la matriz de coordenadas es:



1
mat B u = 0 .
2

6.6.2

Matriz de coordenadas de una transformacin lineal

Sea T : U V una transformacin lineal y B = {u1 , u2 , . . . , un } una base de U y C =


{v1 , v2 , . . . , vm } . Puesto que C es una base de V, entonces cada vector T (uj ) se escribe como
combinacin lineal de los vectores v1 , v2 , . . . , vm , es decir:
T (u1 ) = a11 v1 + a21 v2 + am1 vm
T (u2 ) = a12 v1 + a22 v2 + am2 vm

T (un ) = a1n v1 + a2n v2 + amnvm

a1j
a2j

C
las componentes de la matriz mat T (uj ) = .. forman la j esima columna de la
.
amj
matriz de coordenadas de la transformacin T, se denota con matC
B T, es decir:

a11 a12 . . . a1n


a21 a22 . . . a2n

C
mat B T = ..
..
..
.
.
.
.
.
.
am1 am2 . . . amn

Teorema 6.11 Sea T : U V una transformacin lineal y B = {u1 , u2 , . . . , un } una base


de U y C = {v1 , v2 , . . . , vm } . Entonces



mat B u
mat C T (u) = mat C
BT

para todo u U.

Demostracin. Sea u U, existen nmeros c1 , c2 , . . . , cn tal que:


u = c1 u1 + c2 u2 + + cn un ,
por tanto:

mat B u =

c1
c2
..
.
cn

6.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL

133

por otra parte aplicando la transformacin se encuentra:


entonces:

T (u) = c1 T (u1 ) + c2 T (u2 ) + + cn T (un ) ,


T (u) = c1 (a11 v1 + a21 v2 + am1 vm )
+c2 (a12 v1 + a22 v2 + am2 vm )
+
+cn (a1n v1 + a2n v2 + amn vm )

reordenando respecto a los vectores vi se encuentra:

por tanto:

T (u) = (a11 c1 + a12 c2 + a1ncn ) v1


+ (a21 c1 + a22 c2 + a2n cn ) v2
+
+ (am1 c1 + am2 c2 + amn cn ) vm

mat T (u) =

am1 c1 + am2 c2 + amn cn

c1
a11 a12 . . . a1n
a21 a22 . . . a2n c2

= ..
..
.. ..
.
.
.
.
.
. .
cm
am1 am2 . . . amn



C
B
= mat B T mat u .

a11 c1 + a12 c2 + a1n cn


a21 c1 + a22 c2 + a2n cn
..
.

Ejemplo 6.13 Considere la transformacin lineal T : R3 R2 definida por





x
x
+
y
T y =
.
y+z
z


 
 

1
1
0

2
1
, v2 =
Sean B = u1 = 0 , u2 = 0 , u3 = 1 , C = v1 =
5
3

1
1
0
bases de R3 y R2 respectivamente.
(a) Calcular matC
BT

2
(b) Empleando el teorema 6.11 (pg. 132) calcular matC T (u) , donde u = 1 .
1
C
(c) Calcular mat T (u) directamente.

134

CAPTULO 6. TRANSFORMACIONES LINEALES

Solucin. (a) Clculo de la primera columna: Se calcula matC T (u1 ), las componentes
de este vector son las soluciones del sistema:
x1 v1 + x2 v2 = T (u1 )
as se plantea el sistema:


 

1+0
x1
2 1
=
0+1
5 3
x2


 


x1
2
2
C
resolviendo se encuentra:
, luego mat T (u1 ) =
=
.
3
x2
3
Clculo de la segunda columna: Se calcula matC T (u2 ), las componentes de este vector
son las soluciones del sistema:
x1 v1 + x2 v2 = T (u2 )


as se plantea el sistema:


2 1
5 3



x1
x2

1+0
0 + (1)



 

4
4
x1
C
.
=
, luego mat T (u2 ) =
resolviendo se encuentra:
7
x2
7
Clculo de la tercera columna: Se calcula matC T (u3 ), las componentes de este vector son
las soluciones del sistema:
x1 v1 + x2 v2 = T (u3 )


as se plantea el sistema:



 
x1
2 1
0+1
=
5 3
1+0
x2




 
2
x1
2
C
.
resolviendo se encuentra:
, luego mat T (u3 ) =
=
x2
3
3
De lo anterior se deduce:


2
4
2
C
mat B T =
3 7 3


Solucin (b) Empleando el teorema mencionado slo es necesario calcular matB u, las
componentes de este vector son las soluciones del sistema:
x1 u1 + x2 u2 + x3 u3 = u,
es decir:

2
1
1 0
x1
0
0 1 x2 = 1
x3
1
1 1 0

6.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL

1
2
3
2

135

1
2
3
2

x1


B


resolviendo se encuentra: x2 =
, por tanto: mat u = , por tanto:
x3
1
1



mat B u
mat C T (u) = mat C
BT

1


2

2
4
2
3
=
2
3 7 3
1


9
=
15
Solucin (c). Se encuentra resolviendo el sistema

x1 v1 + x2 v2 = T (u) =
de donde:

resolviendo se encuentra

es decir:

2 1
5 3



x1
x2
C

x1
x2
=

mat T (u) =

9
15

3
0
3
0

9
15

Ejercicios propuestos
En los siguientes ejercicios, determinar, si es posible, matC
B T.

 
2x y
x
= x 3y
1. T : R2 R3 , T
y
3x + y

   
1
1
1
3

0 , 1
, C=
,
B=
1
2

1
1


2
C
determinar tambin mat T (u) , u =
1

  
2x y
x
2. T : R2 R2 , T
,
=
x 3y
y
   
  
3
5
2
B=
,
, C=
,
1
2
3

1
, 1

2
3



136

CAPTULO 6. TRANSFORMACIONES LINEALES

6.6.3

Cambio de base

Teorema 6.12 Sea T : V W una transformacin lineal. Sean B, B  bases de V y C, C 


bases de W, entonces:
&
%



C
mat C
T
=
mat
I
mat B
mat C

BT
B  IV
B
C W
donde IW e IV son las aplicaciones identidad en W y V.

Ejemplo 6.14 Considere la transformacin T : R2 R3 , definida por

 
xy
x
T
= x + 2y
y
x+y





 
 
1
0
0

1
0
Sean B = e1 =
, e2 =
, C = f1 = 0 , f2 = 1 , f3 = 0
0
1

0
0
1
bases de R2 y R3 respectivamente. La matriz de coordenadas de T relativo a estas bases es:

1 1
1
2
mat C
BT =
1
1


1
1
1
4
3
y C  = f1 = 1 , f2 = 1 , f3 = 0
, e2
Sean B  = e1 =
3
2

1
0
0

nuevas bases de R2 y R3 , calcularemos matC
B  T empleando el resultado:
%
&



C
mat C
T
=
mat
I
mat B
mat C
BT
B  IV
B
C W




3
Clculo de matC
C IW . (aqu W = R ). Primera columna:

1
1
1 1
x1
1 1 0 x2 = 0
0
x3
1
0 0

0
resolviendo se encuentra el vector : 0 .
1

Segunda columna:


1
1 1
x1
0
1 1 0 x2 = 1
1
0 0
x3
0

6.6. LA MATRIZ DE UNA TRANSFORMACIN LINEAL

0
cuya solucin es: 1 .
1

Tercera columna:


1
1 1
x1
0
1 1 0 x2 = 0
x3
1
1
0 0

1 .
resolviendo se encuentra la solucin:
2

De lo anterior se sigue que

mat C
C IW

0
0
1
1
= 0 1
1
1 2

I (aqu V = R2 ) Primera columna:


Clculo de matB
B V


es claro que la solucin es:

Segunda columna:

la solucin es

x1
x2

1 0
0 1

3
2

1 0
0 1



x1
x2



x1
x2

3
2

x1
x2

3
2

4
3

, por tanto:
mat B
B  IV

3 4
2 3

Finalmente:


%
&



mat C
I
mat B
mat C
BT
B  IV
C W


0
0
1
1 1 
3
4
= 0 1
1 1
2
2 3
1
1 2
1
1

5
7
5
= 4
8 11

mat C
B T =

137

138

CAPTULO 6. TRANSFORMACIONES LINEALES

Ejercicios propuestos





C
C
C
T
con
la
frmula
mat
T
=
mat
I
T
matB
mat
En los siguientes problemas, determinar matC


W
C
B
B
B
B I
1.

x 2y
x
T
= 2x
y
3x + y

 
 

1
0

1
0

0 , f2 =
1
, e2 =
, C = f1 =
B = e1 =
0
1

0
0

 

 
1
1

4
3







1 , f2 =
1
, C = f1 =
B = e1 =
, e2
3
2

3
2

13 19
1
Sol. 0
7 10


0
, f3 = 0

2
, f3 = 1

2. Determinar matC
B  T si:

B=

e1 =

1
1

, e2 =



 
4
3


B = e1 =
, e2
3
2

32 32

2
Sol. matC
B T = 2
12 23


6.7

x 2y
T (x, y) = 2x
xy


0
1
1

1
, C = f1 = 0 , f2 = 1 , f3 = 0
1

1
1
1


1
1
2

, C  = f1 = 1 , f2 = 1 , f3 = 1

3
2
4

3 5

, matC  T = 10 13
B

7 10

Operadores lineales

Un operador lineal es una transformacin lineal de un espacio vectorial en si mismo, es decir


es una transformacin lineal de la forma T : V V. Es claro que todo lo aplicado a transformaciones se aplica a operadores. En esta seccin nos interesa discutir la diagonalizacin de
un operador lineal.
Sea T : V V un operador, donde V es de dimensin n de base B. Sea A = matB
B T,

B
sea B una nueva base de V tal que matB  T es diagonal, en estas condiciones se dir que T
es diagonalizable. Antes de ver las condiciones bajo las cuales un operador es diagonalizable,
notemos que:

6.7. OPERADORES LINEALES


Teorema 6.13

139

%
&


mat B
I
mat B
B V
B  IV = I,

aqu I la matriz identidad n por n.

B
1
Por tanto si matB
.
B  IV = P, entonces matB IV = P
Empleando el teorema 6.12 se encuentra


1
AP
mat B
B T = P

esto significa que T es diagonalizable si es posible encontrar una B  formada por autovectores
de A.
Ejemplo 6.15 Sea T : R3 R3 , definida por:

x
x 2y z
T y = 2x 2y 2z
z
6x + 12y + 8z

con la base cannica B = {e1 , e2 , e3 }, la matriz de la transformacin es:

1 2 1
2 2 2
mat B
BT =
6 12
8

los autovalores y autovectores se muestran en la siguiente tabla

Autovalor Autovectores
asociados

1
2
3
6

1
2
0 , 1
2
1
0

as la base que diagonaliza, la transformacin lineal es:



2
1
1

B = 2 , 0 , 1

0
1
6

Ejercicios propuestos

Determinar bases que diagonalizan, si fuera posible, la transformacin lineal dada.


x
x+y+z
1. T y = 2x z , Sol. No existe.
z
2x + 2y + 3z

0
x
1
x+y+z
1

1
y
z
, 1 , 0
2. T
=
, Sol. Una base es

2
1
z
0
2y + 3z

140

6.8
6.8.1

CAPTULO 6. TRANSFORMACIONES LINEALES

La geometra de las transformaciones


Transformaciones lineales

Considrese la transformacin lineal:


  

x
x + 2y
T
=
y
xy

y el cuadrado de vrtices (0, 0) , (1, 0) , (1, 1) y (0, 1) . T transforma el cuadrado en el paralelogramo de vrtices(0, 0) , (1, 1) , (3, 0) y (2, 1) como puede verse en el siguiente grfico.********book.pdf**********

6.8.2

La transformacin rotacin

La matriz de rotacin para el plano R2 se define por:




cos sin
R () =
sin
cos

Propiedades. La matriz de rotacin tiene las siguientes propiedades:

1. Es ortogonal, esto es R () es invertible, ms an la inversa es su transpuesta.


 
 
x
x
2. El resultado de R () por
es una rotacin del punto
en un ngulo de
y
y
radianes en sentido positivo.
En base a esta matriz definimos la transformacin: T : R2 R2 por:
  
 
x
cos sin
x
T
=
y
sin
cos
y
 
x
La norma euclidiana de T
resulta ser:
y
'  '
'
  '
'
' cos sin
'
x
x '
'T
' = '
'
'
'
'
y
sin
cos
y '
$
  t 
 
cos sin
cos sin
x
x
=
sin
cos
sin
cos
y
y
$  
t 
 
t
x
cos sin
cos sin
x
=
y
sin
cos
sin
cos
y
$   
t
x
x
=
y
y
' '
' x '
'
= '
' y '

por tanto la transformacin T preserva la norma.

6.8. LA GEOMETRA DE LAS TRANSFORMACIONES

141

Ejemplo 6.16 Si se quiere hacer una rotacin de 300 , la transformacin ser:


 

 
x
cos /6 sin /6
x
T
=
y
sin /6
cos /6
y
 1

1
3x
y
2
2

=
1
1
x + 2 3y
2
As, el punto

1
1

se transforman en:

1
1

1
2
1
2

2
1.8
1.6
1.4

1
2
1
2



3

1


3+1

( 3 1)
( 3 + 1)

1.2

1

1

1
0.8
0.6

30 0

0.4
0.2
0
0 0.2 0.4 0.6 0.8 1

1.
1.
1.4 1.6
2
8

Programa en MatLab
El siguiente programa rota cada punto del cuadrado de vrtices (0, 0) , (0, 1) , (1, 1) y (0, 1) un
ngulo de .
___________________________________________________
function rotacion(theta)
%Transforma el cuadrado de vrtices (0,0),(0,1),(1,1),(1,0)
%en un cuadrado rotado un ngulo theta mediante la transformacin
% T(x,y)=R(theta)*(x,y) donde R(theta) es la matriz de rotacin
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for x=0:paso:1
[u,v]=F(x,0,theta);
subplot(2,2,1)
plot(x,0,.r)
subplot(2,2,2)

142

CAPTULO 6. TRANSFORMACIONES LINEALES


plot(u,v,.r)

end
for y=0:paso:1
[u,v]=F(1,y,theta);
subplot(2,2,1)
plot(1,y,.g)
subplot(2,2,2)
plot(u,v,.g)
end
for x=1:-paso:0
[u,v]=F(x,1,theta);
subplot(2,2,1)
plot(x,1,.b)
subplot(2,2,2)
plot(u,v,.b)
end
for y=1:-paso:0
[u,v]=F(0,y,theta);
subplot(2,2,1)
plot(0,y,.y)
subplot(2,2,2)
plot(u,v,.y)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)
axis equal
%Calcula el punto con la rotacion theta
function [u,v]=F(x,y,theta)
matriz_rotacion=[cos(theta) -sin(theta);sin(theta) cos(theta)];
z=matriz_rotacion*[x y];
u=z(1); v=z(2);
___________________________________________________

6.8. LA GEOMETRA DE LAS TRANSFORMACIONES

6.8.3

143

Transformaciones no lineales

Las transformaciones lineales tienen la propiedad de preservar las figuras, por ejemplo rectngulos en rectngulos, esto no ocurre con las transformaciones no lineales, por ejemplo
considrese la transformacin:

  
xy
x
=
T
x2 y 2
y

___________________________________________________
function Tran_no_lin
%Transforma el segmento que va de (1,-1) a (2,5)
%mediante una transformacin no lineal dado por:
% u=x-y, v=x^2-y^2
subplot(2,2,1)
hold on
subplot(2,2,2)
hold on
paso=0.01;
for t=0:paso:1;
x=1+t; y=-1+6*t;
[u,v]=F(x,y);
subplot(2,2,1)
plot(x,y,.r)
subplot(2,2,2)
plot(u,v,.r)
end
subplot(2,2,1)
axis equal
subplot(2,2,2)

144

CAPTULO 6. TRANSFORMACIONES LINEALES

axis equal
%Calcula el punto (u,v)
function [u,v]=F(x,y)
u=x-y;
v=x^2-y^2;
___________________________________________________

Captulo 7
Factorizacin LU y LR
Actualmente la factorizacin matricial se ha convertido en una herramienta util para resolver
algunos problemas como familias de sistemas como Ax = b, en donde b es fijo y A puede
cambiar. Tambin la factorizacin se puede emplear en el clculo de autovalores de una
matriz. En este captulo nos dedicamos a estudiar un tipo de factorizacin basada en la
reduccin de Gauss. Existen otras factorizaciones como la factorizacin QR que cae fuera del
alcance de los objetivos de este texto.

7.1

Matrices elementales

Definicin 7.1 Una matriz elemental en Mn,n es una matriz de la forma:

Ek =

1 0
0
0 0 0
0 1
0
0 0 0
.. .. . .
.. .. ..
..
.
.
. .
. . .
0 0
0
1
0 0 0
0 0 dk+1,k
1 0 0
.. ..
..
.. . . ..
. .
. .
.
.
0 0 dn,k 0 1

Observe que E es igual a la matriz identidad excepto en las entradas E (k + 1, k) , . . . , E (n, k) .


Observe tambin que una matriz elemental tiene la forma:
E = I + k etk
donde I es la matriz identidad en Mn,n y:
k = (0, . . . , 0, dk+1,k , . . . , dn,k )t
y ek es el k-simo vector cannico. Ms an obsrvese que eti k = 0 para i = 1, . . . , k.
145

146

CAPTULO 7.

FACTORIZACIN LU Y LR

Ejemplo 7.1

1
0 0
0
1 0
E2 =
0 5 1
0
2 0

Aqu:

0
0
= I + 2 et2
0
1

0
0
0
1

2 =
5 , e2 = 0
2
0

es inmediato comprobar que et1 2 = 0 y et2 2 = 0.

Ejercicios propuestos
1. Probar que eti k = 0 para i = 1, . . . , k.
2. Es el producto de matrices elementales una matriz elemental?. Justificar su respuesta.
3. Es el suma de matrices elementales una matriz elemental?. Justificar su respuesta.

7.2

La inversa de una matriz elemental

La inversa de la matriz elemental E = I + k etk es


E 1 = I k etk ,
en efecto:

I + k etk

Similarmente se prueba

I k etk




= I k etk + k etk k etk k etk


= I k etk k etk
= I

I k etk



I + k etk = I

(Observemos que etk k = 0).


Lo anterior muestra que la inversa de una matriz elemental se consigue cambiando de
signo las componentes del vector k .
Ejemplo 7.2

1
0 0
0
1 0
E2 =
0 5 1
0
2 0

0
0
,
0
1

E21

1
0
0
1
=
0
5
0 2

0
0
1
0

0
0

0
1

7.3. LA MATRIZ ELEMENTAL COMO ANIQUILADOR


claramente:

1
0 0
0
1 0

0 5 1
0
2 0

7.3

0
1
0

0 0
1
0 0
5
0 2
1

0
0
1
0


1
0

0 0
=
0 0
0
1

147

0
1
0
0

0
0
1
0

0
0

0
1

La matriz elemental como aniquilador

Las matrices elementales se usan para triangularizar matrices, iniciamos esta seccin con el
siguiente resultado.

7.3.1

Aniquilacin bajo la primera entrada

Teorema 7.2 Dado el vector columna

u=

u1
u2
..
.
un

con u1 = 0, existe una matriz elemental E tal que Eu = u1 e1 .


Demostracin. Motivado por las operaciones elementales de la reduccin de
gauss definimos:

1
0 0 0
u2 1 0 0

u1
3

0
1

E= u

..
.
.
.
.
.
.

.
.
.
.
0

u
n
0 0 1

u1

u1
0

es inmediato probar que Eu = u1 e1 = .. .


.
0


Definicin 7.3 Los nmeros di1 =

ui
, i = 2, . . . , n se llaman multiplicadores.
u1

148

CAPTULO 7.

7.3.2

FACTORIZACIN LU Y LR

Aniquilador general

Teorema 7.4 Dado el vector columna

u1
..
.

uk
u=

uk+1
.
..
un
con uk = 0, existe una matriz elemental E tal que aniquila las entradas bajo ak , es decir, las
ltimas n k entradas de u.
Demostracin. Por el teorema previo, la matriz de aniquilacin la las entradas
bajo uk en el vector

uk
uk+1

v = ..
.
un
es

donde djk =

F =

1 0 0
dk+1,k 1 0

.. .. . . .. Mnk+1,nk+1
. .
. .
dn,k 0 1

uj
. Definimos
uk

E=

I 0
0 F

Mn,n

donde I es la matriz identidad en Mk1 . Claramente:

Eu =

u1

..
I 0
.

0 F uk1
v

u1
..
.


uk

=
0
.
..
0

Ejemplo 7.3 Hallar la matriz de aniquilacin que aniquile los ltimos 2 trminos de u =
(1, 2, 3, 4, 5)t

7.4. FACTORIZACIN LU

149

Solucin. La matriz de aniquilacin para aniquilar las entradas bajo la primera


en el vector (3, 4, 5)t es

1 0 0
4

1
0
3

0 1

3
por tanto, aadiendo la matriz identidad en M2,2 se encuentra la matriz

1 0
0 0 0
0 1
0 0 0

0 0

1
0
0

E=

0 0 4 1 0

5
0 1
0 0
3
fcilmente podemos verificar que:

1 0
0
0 1
0

0 0
1

Eu =
4
0 0

5
0 0
3

0 0
1
0 0

2
0 0

3 =
1 0

5
0 1

1
2
3
0
0

Ejercicios propuestos

1. Hallar una matriz de aniquilacin E tal que Eu = 5e1 donde u = (5, 1, 4, 2)t .
2. Hallar una matriz de aniquilacin E tal que Eu = (u1 , u2 , 0, . . . , 0)t donde u = (u1 , u2 , . . . , un )t .
3. Hallar una matriz de aniquilacin E que aniquile los ltimos 3 trminos del vector:

6
5

4

u=
3

2
1

7.4
7.4.1

Factorizacin LU
El algoritmo de Gauss en la factorizacin

Sea A Mm,n . Supngase que en el proceso de triangularizacin de Gauss no se requiere


intercambios de fila. Triangularizamos A mediante la siguiente sucesin de pasos:

150

CAPTULO 7.

FACTORIZACIN LU Y LR

Paso 1. Sea A1 la primera columna de A tal que su primera entrada en no nula. Existe
una matriz elemental E1 que aniquila las entradas bajo la primera entrada del vector
A1 , entonces las propiedades del producto de matrices permiten probar que E1 A tiene
la forma:

a11
0

E1 A = .. .. . . ..
. .
. .
0
aqu, los asteriscos mustran las entradas que no necesariamente son ceros.

Paso 2. Sea A2 la segunda columna de E1 A tal que su segunda entrada en no nula. Existe
una matriz elemental E2 que aniquila las entradas bajo la segunda entrada del vector
A2 , se puede probar que:


a11
0 a22

0
E2 E1 A = 0

..
.. .. . . ..
.
.
. .
.
0
0

siguendo de esta manera, y asumiendo que las entradas ajj necesarios para la aniquilacin son no nulos, en el paso k, k n se tendr:
Ek Ek1 E2 E1 A = U,
donde U es una matriz triangular superior. Definimos L1 = Ek Ek1 E2 E1 , entonces
de la anterior igualdad:
A = LU,
esta es la llamada factorizacin LU.

En la siguiente seccin veremos la forma prctica de calcular la matriz L sin necesidad de


realizar el producto de matrices elementales y luego calcular su inversa.

7.4.2

Clculo de la matriz L

Para fijar ideas, empezamos la discusin con n = 3, cuando A M3,3 , la forma de L es: L =
(E2 E1 )1 . Sean d21 , d31 los multiplicadores empleados en el primer paso y d32 el multiplicador
del segundo paso. Definimos:

0
0
1 = d21 , 2 = 0 ,
d32
d31
por tanto las matrices elementales son:

E1 = I + 1 eT1 ,

E2 = I + 2 et2

7.4. FACTORIZACIN LU

151

luego:
L = (E2 E1 )1
= E11 E21



= I 1 et1 I 2 et2

es decir:

1
0 0
1
0
0
1
0
L = d21 1 0 0
d31 0 1
0 d32 1

1
0
0

1
0
d21
=
d31 d32 1

As la matriz L est formada por los multiplicadores del proceso de aniquilacin de Gauss
con signo cambiado y en el lugar correspondiente.En general para matrices en Mn,n la matriz
L tiene la siguiente forma:

1
0

0
0
d21
1

0
0

d31
d

0
0
32

L=
..
..
..
..
...

.
.
.
.

dn1,1 dn1,2
1
0
dn2 dn,n1 1
dn1
donde los nmeros dij son los multiplicadores que permiten triangularizar la matriz A.

Ejemplo 7.4 Considrese la matriz

2
4 1
5 2
A = 1
1 2
1

Calcular matrices L y U tales que A = LU.

Solucin. Procedemos con la eliminacin gausiana sin pivote.

2
4
1
2
4 1
7 5/2
5 2
0
A = 1
F21(1/2)
0 4
3/2 F
1 2
1 F
31(1/2)
32(4/7)

2 4
1

0 7 5/2 = U

0 0 1/14

152

CAPTULO 7.

FACTORIZACIN LU Y LR

1
1
4
Los multiplicadores de la matriz elemental E1 son y . El multiplicador de E2 es , por
2
2
7
tanto la matriz L es

1
0 0

1/2
1 0
L=
1/2 4/7 1

Un clculo directo muestra que:

1
0

1/2
1
LU =
1/2 4/7

2
4 1

1 5 2
=
1 2 1

2 4
1
0
0 0 7 5/2
0 0 1/14
1

=A

Ejemplo 7.5 Considrese la siguiente matriz

1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3

realizando operaciones elementales de fila se tiene:

1 1 2 1
1

1 2 1
0
A =

F21(2)
1 1 1
0
1
1 5 3 FF31(2)
0
41(1)

1 1 2 1
1
0 1 6 3
0

0
0
0 15 8
0
0 15 8 F
0
43(1)

Luego

1
0 0
2
1 0
L=
2 3 1
1 2 1

Claramente:
A = LU

1
0 0
2
1 0
=
2 3 1
1 2 1

1
2
1
1
6
3

3 3 1
2
3
2 FF32(3)
42(2)

1 2 1
1 6 3
=U
0 15 8
0 0 0

0
0

0
1

0
1 1 2 1
0 1 6 3
0

0 0
0 15 8
1
0
0 0 0

7.4. FACTORIZACIN LU

153

Observacin importante. Observemos que el rango de


A = L0 U0 , donde:

1
0 0
1 1
2
1 0
U0 = 0 1
L0 =
2 3 1
0
0
1 2 1

A es 3, esto permite escribir

2 1
6 3
15 8

en general para A Mm,n con rango (A) = r, la matriz A se factoriza como A = LU, donde
L Mm,r y U Mr,n

7.4.3

Forma prctica de la construccin de L

Puesto que L se construye con los multiplicadores, se puede llevar un registro de estos multiplicadores simultneamente a la triangularizacin tomando en cuenta que el multiplicador dij
se convierte en dij (y en la posicin i, j) en la matriz L. Esta tcnica se emplear tambin
en la siguiente seccin.
Ejemplo 7.6 Considrese la siguiente matriz

1 1 2 1
2
1 2 1
A=
2
1 1 1
1
1 5 3

realizando operaciones elementales de

1 1 2 1
2
1 2 1
A =
2
1 1 1
1
1 5 3

1 1
2
2 1
6

2 3 3
1 2
3

fila se tiene:

1 1
2
1
2 1

6
3

2
F 21(2)
3 3 1
F 31(2)
1
2
3
2 FF 32(3)
F 41(1)
42(2)

1
1 1
2
1
2 1
3
6
3

2 3 3 1
1
2 F 43(1)
1 2
1
2

La matriz L0 tiene unos en la diagonal principal, ceros arriba de la diagonal y por debajo
de la diagonal se construye con la parte diagonal inferior de la ltima matriz encontrada (en
negrillas). La matriz U0 se contruye con la parte triangular superior de la ltima matriz
encontrada.

1
0 0 0
1 1
2
1
2

1 0 0
6
3
, U = 0 1

L=
2 3 1 0
0
0 3 1
1 2 1 1
0
0
0
2

154

CAPTULO 7.

FACTORIZACIN LU Y LR

Claramente:
A = LU

1
0 0
2
1 0
=
2 3 1
1 2 1

1 1 2 1
0
0 1 6 3
0

0 15 8
0 0
0
0 0 0
1

Ejercicios propuestos
1. Factorizar

Sol.:

1
1
A=
1
1

1
0
0
1
1
0
A=
1
0
1
1 1/2 2

7.5
7.5.1

2
2
2
0

1
1
0
2

1
0

1
1

1 2
1
1
0
0 4
2
1
0

0 0 1
0
0
0 0
0 3/2
1

Factorizacin LR
Matrices de permutacin

Definicin 7.5 (Matriz de permutacin) Una matriz de permutacin es auquella matriz cuadrada que se obtiene de la identidad mediante un nmero finito de cambios de fila. ntese
que la matriz identidad misma es una matriz de permutacin.
Propiedades de la matriz de permutacin.
Una matriz de permutacin es ortogonal, luego si P es ortogonal entonces P 1 = P t .
Ejemplo 7.7

0
1
P =
0
0

0
0
0
1

1
0
0
0

0
0
,
1
0

P 1

0
= Pt =
1
0

1
0
0
0

0
0
0
1

0
1

0
0

Sea P una matriz de permutacin y B la matriz obtenida de una matriz A pediante


las mismas operaciones elementales de fila aplicadas para obtener P desde la matriz
identidad, entonces: B = P A.

7.5. FACTORIZACIN LR

155

Notacin prctica para matrices de permutacin


Sea ei el vector fila con la unidad en su i-sima coordenada y ceros en las dems, entonces
la matriz identidad I Mn,n se escribir como

e1
e2

I = .. ,
.
en
y una matriz de permutacin como:

ei1
ei2
..
.

P =

ein

donde i1 , i2 , . . . , in es una permutacin del conjunto 1, 2, . . . , n, ms an prescindiendo de la


letra e, la matriz de permutacin P se puede escribir como:

i1
i2

P = ..
.
in

al vector de la derecha se llamar vector de ndices.


Ejemplo 7.8 Considere la matriz

0
1
P =
0
0

0
0
0
1

1
0
0
0

entonces P se puede representar como:

0
0

1
0

3
1

P =
4
2

7.5.2

Factorizacin con el algoritmo de Gauss con pivote

Considrese una matriz A Mm,n de rango r. Para trinagularizar A aplicaremos el algoritmo


de reduccin de Gauss con pivote, como se sabe, este algoritmo en general requiere cambios
de fila Supngase que se realizan de inicio todos los cambios de fila necesarios, as podemos
suponer la existencia de una matriz de permutacin P tal que en P A no sern necesarios los

156

CAPTULO 7.

cambios de fila al triangularizar la matriz.


elementales E1 , . . . , Es tales que

FACTORIZACIN LU Y LR

Con s = min {m 1, r, n}, existen s matrices

R = Es Es1 E1 (P A)

es una matriz escalonada con sus r primeras no nulas y las restantes iguales a cero. Procediendo como es usual, haciendo L = (Es Es1 E1 )1 se encuentra:
P A = LR
donde L tiene la siguiente forma:

1
0
d21
1

..
..

.
.

d
ds2
s1
L=
d
d

s+1,1
s+1,2
d

s+2,1 ds+2,1

..
..

.
.
dm2
dm1

7.5.3

..
..
.
.
..
.
1
ds+1,s
ds+2,s
..
..
.
.
dm,s

0
0
..
.
0
1
0
..
.
0

0
0

..
.

0 0

0 0

1 0

.. . . ..
. .
.
1
0
0
..
.

Sobre la construccin de la matriz L y P

La matriz L se construir como en el caso de la factorizacin LU salvo que el el caso de cambios


de fila los multiplicadores tambin se intercambian. Por otra parte para la construccin de la
matriz de permutacin P se inicia con el vector

1
2

i = ..
.
n
que representa a la matriz identidad, en cada cambio de fila del algoritmo de Gauss, este
vector tambin cambia con la misma operacion elemental. El ltimo vector i que se tiene
permite contruir la matriz P.
Ejemplo 7.9 Considrese

1
A =
4

la siguiente triangularizacin

4 2 0
4
0 16 8
2
4 4 1
2
4 4
0 16 8 F13
2 4 2 0 FF21(1/4)
31(1/2)

4
0 16 8
4
0 16 8
2 0 2 1/2 4 6 4
1/4
1/2 4 6 4 F23
1/4
2 0 2 F
32(1/2)

4
0 16 8

1/2
4 6 4

1/4 1/2 3 4

7.5. FACTORIZACIN LR

157

Por la consideraciones anteriores

1
0 0
4
0 16 8
1 0 , R = 0 4 6 4
L = 1/2
1/4 1/2 1
0
0 3 4

Como se han realizado las operaciones elementales de cambio de fila F13 y F23 (en ese orden)
el vector de ndices cambia del siguiente modo:



3
3
1
i= 2 2 1
1 F23
2
3 F13

por tanto la matriz P es:

se observa:

1
0
1
LR = 1/2
1/4 1/2

0 0 1
PA = 1 0 0
0 1 0

tal como se esperaba.

0 0 1
P = 1 0 0
0 1 0


0
4
0 16 8
4
0 0 4 6 4 = 2
1
0
0 3 4
1

4
0
2 4 2 0

2 4
1
2
4 4
=
1
2
4
0 16 8

Ejemplo 7.10 Consideremos ahora la matriz

0
2 1 0 1
4
0
0 1 2
A=
4 6 3 2 1
4 4 4 2 2

procedemos a la triangularizacin.

0
2 1 0
4
0
0 1
A =
4 6 3 2
4 4 4 2

4
0
0 1
0
2 1 0

1 6 3 3
1 4 4 3

4
0
0
1
6 3

0 1/3 2
1
2/3 2

1
2 F12

3
4 F23

1 2
3 3

1 2
1 2 F

43(1)

0 16 8
4 2 0
2
4 4

16 8
2 0
4 4

4
0
0
0
2 1
4 6 3
4 4 4

1
0
2
2

4
0
1 6
0
2
1 4

4
1

0
1

1
3
0
3

0
3
1
4

0
6
1/3
2/3

2
1

1 F21(0)
2 FF31(1)
41(1)

2
3

1
4 FF32(1/3)
42(2/3)

0 1 2
3 3 3

2 1 2
1 0 0

158

CAPTULO 7.

por tanto

1
0 0
1
1 0
L=
0 1/3 1
1
2/3 1

FACTORIZACIN LU Y LR

0
4
0
0 1

0
0 6 3 3
R=

0
0
0 2 1
1
0
0
0 0

el vector de ndices tiene la siguiente variacin:

1
2
2
1

i=
3 3
4 F
4
12

2
3

2
0

2
3

1
4

F23

luego la matriz de permutacin es:

se puede probar que: P A = LR.

0
0
P =
1
0

1
0
0
0

0
1
0
0

0
0

0
1

Ejercicios propuestos
1. Factorizar:

2 2
1
1
A = 5 1
2 1 1

0 1 0
1
0 0
5
1
1
1 0 , R = 0 8/5
3/5
Sol. P = 1 0 0 , L = 2/5
0 0 1
2/5 3/8 1
0
0 13/8

2. Factorizar:

Sol.

1
1
A=
1
1

1
0

0
0

0
1
0
0

0
0
0
1

2
2
2
0

1
1
0
2

0
1
0
0
1
0
1
0
A =

1
1 1/2
1
0
1
0 1/2

1
0

1
1

0
1 2 1
1
0 4 2
0
1

0
0 0 2 3/2
1
0 0 0 3/4

7.6. LA FACTORIZACIN Y LA SOLUCIN DE SISTEMAS LINEALES


3. Factorizar:

0
1 1
1
2
1
1
1

A=
1 1
1 1
1
1
1
1

Sol.

0
1
P =
0
0

1
0
0
0

0
0
1
0

4. Factorizar:

Sol.

7.6

159

0
1
0 0

0
0
1 0
, L=
1/2 1/2 1
0
1
1/2
1/2 1

0
1
P =
0
0

1
2
A=
3
4
0
0
0
1

0
0
1
0

2
3
4
5

1
2
3
4

2
3
4
5

2
1
1
1

, R = 0 1 1 1

0 0
1 0

1
2

3
4

1 0 
1

1 1 4 5 4 5 4
0
, L = 43 1
0 3 0 3 0

0
4
3
4
4
2
1
0
2
3

La factorizacin y la solucin de sistemas lineales

7.6.1

Factorizacin LU

La factorizacin LU, puede utilizarse para resolver un sistema Ax = b, donde A Mn,n es


invertible. Si A = LU, el sistema a resolver es LUx = b. Esto origina el siguiente proceso:
Paso 1. Se asigna
z = U x,
as se tiene el sistema triangular Lz = b
Paso 2. Se resuelve
Lz = b,
el resultado se reemplaza en la ecuacin del paso 1 y se resuelve el sistema triangular
U x = z,
es claro que el vector x calculado es solucin del sistema Ax = b.
Observacin. El mtodo LU, permite resolver el sistema Ax = b resolviendo dos sistemas triangulares. La ventaja de mtodo, es que cuando se deben resolver varios sistemas
de la forma Ax = b en donde solamente varia el vector b, en esos casos la descomposicin se
realiza una sola vez, obtenindose rpidamente las soluciones.

160

CAPTULO 7.

FACTORIZACIN LU Y LR

Ejemplo 7.11 Resolver:

10
1 5 1
x1
2 3
2 x2 = 21
5
1 2
0
x3

Solucin. Anteriormente se ha encontrado que

1 5 1
1
0 0
1
5 1
2 = 2
1 0 0 7
4 = LU
A= 2 3
1 2
0
1 1 1
0
0
3

Paso 1. Se asigna U x = z y se resuelve el sistema

Lz = b,
esto es,

1
0 0
z1
10
2
1 0 z2 = 21
1 1 1
5
z3

resolviendo por sustitucin directa se encuentra

10
z= 1
6

Paso 2. Ahora resolvemos el sistema

U x = z,
esto es,


x1
10
1
5 1
0 7
4 x2 = 1
6
0
0
3
x3

resolviendo por sustitucin inversa, encontramos



7
1 .
2

7.6.2

Factorizacin LR

Si se tiene P A = LR, entonces el sistema Ax = b puede resolverse de la siguiente forma:


1. Multiplicando a la igualdad por P se tiene:
P Ax = P b,
entonces LRx = P b.

7.6. LA FACTORIZACIN Y LA SOLUCIN DE SISTEMAS LINEALES


2. El sistema LRx = P b se resuelve con la tcnica anterior.
Ejemplo 7.12 Resolver el sistema Ax = b siguiente:


0 1 2
x1
13
1 1 2 x2 = 15
x3
26
2
1 3
Solucin. Factorizando A se tiene:
P A = LR
donde:

Se resuelve

0 0 1
1
0 0
2
1
3
P = 0 1 0 , L = 1/2
1 0 , R = 0 3/2 1/2
1 0 0
0 2/3 1
0
0 5/3
LRx = P b,

es decir

26
x1
2
1
3
1
0 0
1/2
1 0 0 3/2 1/2 x2 = 15
13
x3
0
0 5/3
0 2/3 1

Sea z = Rx, as se tiene: Lz = P b, esto es,


26
1
0 0
z1
1/2
1 0 z2 = 15
13
0 2/3 1
z3
resolviendo:

Ahora se resuelve: Rx = z,

resolviendo:

26
z= 2
35
3

2
1
3
x1
26
0 3/2 1/2 x2 = 2
35
x3
0
0 5/3
3

2
x= 1
7

161

162

CAPTULO 7.

FACTORIZACIN LU Y LR

Ejercicios propuestos
1. (a) Resolver el sistema

2
0 5 1
x1
2 3
2 x2 = 21
x3
28
1 2
4

usando el mtodo LU.

2
(b) Resolver el sistema anterior con el mtodo LR. Sol. 1
7

2. Resolver el siguiente sistema para a = 1, a = 2 y a = 1

2 3 2
x1
9a 5
2 1 2 x2 = 7a + 1
1 1 1
x3
2a 3


2
3
0
Sol. 2 , 1 , 4
3
5
1

7.7

La factorizacin y el clculo de autovalores

Iniciamos este tema con el siguiente teorema.


Teorema 7.6 Sea A Mn,n y A = (P t L) R, donde P, L y R son de la factorizacin LR. Se
define B = R (P t L) , entonces A y B son semejantes.
Demostracin. Puesto que P y L son invertibles, se encuentra R = (P t L)
plicando por la derecha por P t L se obtiene:


1 t
R P tL = P tL
A P L
1

A, multi-

puesto que B = R (P t L) , se tiene: B = (P t L) A (P t L) , es decir A y B son semejantes.


La anterior propiedad motiva la siguiente sucesin de matrices semejantes a la matriz A:
Sea A1 = A, entonces para k = 1, 2, . . .


Ak = Pkt Lk Rk , {Factorizacin LR}


Ak+1 = Rk Pkt Lk ,

7.7. LA FACTORIZACIN Y EL CLCULO DE AUTOVALORES

7.7.1

163

Convergencia de esta sucesin

La anterior sucesin de matrices {Ak } converge a una matriz triangular de la forma:


A11

0
A22

lim Ak = ..

.
.
.
.
.
.
k

.
. .
.
0
0
Amm

En donde cada Aii o es un nmero o una matriz 2 2, claramente los autovalores de A se


encuentran de la diagonal de la anterior matriz triangular.
Ejemplo 7.13 Consideremos la matriz

4 5 6
A = 1 6 12
1 5 11

Sea A1 = A, la factorizacin LR

1 0 0
P1 = 0 1 0 ,
0 1 0

1.0000000 0.0000000
L1 = 0.2500000 1.0000000
0.2500000 0.7600000
por tanto:

A2 = R1 P1t L1

da:

0.0000000
4.0000000 5.0000000 6.0000000
0.0000000 , R1 = 0.0000000 6.2500000 12.5000000
1.0000000
0.0000000 0.0000000 1.0000001

1.2500000 2.2000000 5.0000000


= 4.6875000 7.7500000 6.2500000
0.2500001 1.0000001
0.0000001

siguiendo con este proceso se encuentran sucesivamente:

8.6666670 5.5468750 6.2500000


A3 = 3.9111111 0.9166668 6.6666670
0.0666667
0.1718750
1.2500001
..
.
A19

5.0000057 19.7055264 16.7676296


= 0.0000007 0.6594791 2.7610657
0.0000003
2.9238024
4.6594734

164

CAPTULO 7.

A20

FACTORIZACIN LU Y LR

5.0000029 12.3229637 19.7055264


3.9999971 2.9238024
= 0.0000004
0.0000003 1.7100991 0.0000000

Si se quiere una aproximacin de por lo menos 5 decimales, la naterior matriz puede


considerarse como triangular por bloques. Por tanto los autovalores de A son 5.0000057 y los
autovalores de


3.9999971 2.9238024
A22 =
1.7100991 0.0000000

luego, los autovalores buscados son:

1 = 5.0000029
2 = 1.9999986 + 0.9999988 i
3 = 1.9999986 0.9999988 i
Observacin. Los autovalores exactos son: 5, 2 + i, 2 i , se observa que el anterior
resultado es exacto si se toman en cuenta 5 decimales.

Captulo 8
Matrices definida positivas
Las formas cuadrticas aparecen de manera natural en muchas aplicaciones como es el caso de
problemas de mximos y mnimos de funciones a varias variables. En este captulo se estudia
el marco terico de estas formas.

8.1

Formas cuadrticas

Definicin 8.1 (Forma cuadrtica) Una forma cuadrtica en x1 , x2 , . . . , xn es una expresin


de la forma:
n
n

aij xi xj ,
i=1 j=1

claramente una forma cuadrtica es un polinomio de grado dos a n variables.


Ejemplo 8.1
P = 3x21 + 2x1 x2 + 6x22

es una forma cuadrtica en las variables x1 , x2 .


( (
La forma cuadrtica ni=1 nj=1 aij xi xj puede escribirse de manera nica como el producto
xt Ax, donde

x1
x2

x = ..
.
xn

y A = (aij ) es una nica matriz simtrica.

Ejemplo 8.2 A la forma cuadrtica P = 3x21 + 2x1 x2 + 6x22 est asociada la matriz simtrica


3 1
A=
,
1 6
en efecto:

x1 x2

3 1
1 6



x1
x2
165

= 3x21 + 2x1 x2 + 6x22

166

8.2

CAPTULO 8. MATRICES DEFINIDA POSITIVAS

Matrices definida positivas

Definicin 8.2 (Matriz definida positiva) Una matriz simtrica A Mn,n es definida positiva
si
xt Ax > 0, para todo x Rn no nulo


3 2
Ejemplo 8.3 Sea A =
, entonces
2 5

para todo

8.2.1

x1 x2

x1
x2

3 2
2 5



x1
x2

= 3x21 4x1 x2 + 5x22




4
4
4 2
2
= 3 x1 x2 x1 + x2 x22 + 5x22
3
9
3
2

2
11
= 3 x1 x2 + x22
3
3
> 0

no nulo, luego A es definida positiva.

Algunos teoremas sobre matrices definida positivas

Teorema 8.3 Si A es una matriz simtrica definida positiva entonces todos sus autovalores
son positivos.
Demostracin. Sea un autovalor de A asociado al autovector v, entonces Av = v,
por tanto:
vt Av = v t v = v2

v t Av
> 0, pues el es cociente de dos nmeros positivos (ntese que al ser v un
v2
autovector, no puede ser nulo).
por tanto =

Teorema 8.4 Si cada autovalor de una matriz A Mn,n simtrica es mayor a cero, entonces
A es definida positiva.


3 2
Ejemplo 8.4 Sea A =
, la matriz del ejemplo 8.3 A es definida positiva, sus
2 5

autovalores son 4 + 5, 4 5, ambos mayores a cero.


Teorema 8.5 Si A es una matriz simtrica definida positiva entonces cada entrada aii > 0.
Demostracin. Ejercicio. (Sug. considere el vector unitario ei )
Teorema 8.6 Si A es una matriz definida positiva, entonces lo es tambin At y A1 .

8.2. MATRICES DEFINIDA POSITIVAS


Demostracin.

167


t
0 < xt Ax = xt Ax = xt At x,

por tanto xt At x > 0, esto prueba que At es definida positiva. Por otra parte para todo x no
nulo, si Ay = x, entonces y = A1 x no es nulo, por tanto:
xt A1 x = y t AA1 Ay = y t Ay > 0,
esto prueba que A1 es definida positiva.
Teorema 8.7 Toda submatriz principal de una matriz simtrica A Mn,n definida positiva
es definida positiva.
Demostracin. Sea S un subconjunto propio de {1, 2, . . . , n} , sea M la matriz obtenida
de A eliminando las filas y columnas que no se encuentran en S. Sea x Rn tal que tiene
ceros en las entradas que no se encuentran en S. Sea y el vector que queda de x eliminando
las entradas que no se encuentran es S, entonces:
0 < xt Ax = y t M y,
al ser y arbitrario no nulo, se prueba que M es definida positiva.

8.2.2

Caracterizacin de una matriz definida positiva

Teorema 8.8 Una matriz simtrica A Mn,n es definida positiva si y solamente todos sus
autovalores son positivos.
Demostracin. Si A es definida positiva, entonces sus autovalores deben ser positivos,
ver 8.3 pgina 166. Recprocamente supngase que los autovalores de A, 1 , 2 , . . . , n , son
todos positivos. Sea P la matriz ortogonal tal que
P t AP = D = diag (1 , 2 , . . . , n ) ,
entonces para todo x R no nulo:
xt Ax = xt P DP t x
t


= P tx D P tx
= y t Dy
n

=
i (yi )2 > 0,
i=1

esto prueba el teorema.




168

CAPTULO 8. MATRICES DEFINIDA POSITIVAS

Definicin 8.9 (Matriz diagonalmente dominante) Una matriz A Mn,n es diagonalmente dominante si
n

|aii |
|aij | , i = 1, 2, . . . n
j=1
j=i

si se reemplaza por >, A se llama estrictamente diagonalmente dominante.


Teorema 8.10 Sea A Mn,n matriz simtrica estrictamente diagonalmente dominante con
cada aii > 0, entonces A es definida positiva.
Demostracin. Es consecuencia directa del teorema de Gersgorin 5.12 pgina 107.

8.3

Matrices definida negativas y semidefinidas

Definicin 8.11 (Matriz definida negativa) Una matriz simtrica A Mn,n es definida
negativa si
xt Ax < 0
para todo x Rn no nulo.
Definicin 8.12 (Matriz semidefinida positiva) Una matriz simtrica A Mn,n es semidefinida positiva si
xt Ax 0
para todo x Rn no nulo.

Definicin 8.13 (Matriz semidefinida negativa) Una matriz simtrica A Mn,n es semidefinida negativa si
xt Ax 0
para todo x Rn no nulo.

Teorema 8.14 Una matriz simtrica A Mn,n es semidefinida positiva si y solamente si sus
autovalores son no negativos. (es decir existen autovalores nulos y todos los dems positivos)
Teorema 8.15 Una matriz simtrica A es definida negativa si y solamente si A es definida
positiva.
Corolario 8.16 Una matriz simtrica A es definida negativa si y solamente todos sus autovalores son negativos
Teorema 8.17 Una matriz simtrica A Mn,n es semidefinida negativa si y solamente si sus
autovalores son no positivos. (es decir existen autovalores nulos y todos los dems negativos)

Ejercicios propuestos

Mediante el clculo de autovalores, clasificar las siguientes matrices.

8.4. LA SIGNATURA DE UNA MATRIZ SIMTRICA

1.

2.

3.

4.

8.4

169

2 1 1.
4 1 . Sol. Definida positiva
A = 1
1
1 2

3
0
0 1.
0 4
1
0
Sol. Definida negativa
B=
0
1 5
0
1
0
0 3

1 2 3.
A = 2 4 5 Sol. No definida ni semidefinida
3 5 6

1 0 1
C = 0 2 0 Sol. Semidefinida positiva
1 0 1

8.4.1

La signatura de una matriz simtrica


La definicin de signatura

Definicin 8.18 (Signatura) La signatura de una matriz simtrica A, denotada por sig (A) ,
es el par (p, q) , donde p es el nmero de autovalores positivos y q el nmero de autovalores
negativos.
Observacin. Se puede probar que rango (A) = p + q.
Ejemplo 8.5 Considere la matriz

2
1
3
A = 1 2 1
3 1
2

Esta matriz tiene los siguientes autovalores:

1 = 3
2 = 0
3 = 5
por tanto la signatura de esta matriz es sig (A) = (1, 1) (un autovalor positivo y un autovalor
negativo).
Ejemplo 8.6 Es claro que la signatura de

3 0
0
B= 0 5
0
0 0 1

es sig (B) = (2, 1) (dos autovalores positivos y uno negativo).


La signatura puede calcularse sin necesidad de calcular los autovalores, como se ver en
la siguiente seccin.

170

8.4.2

CAPTULO 8. MATRICES DEFINIDA POSITIVAS

Clculo de la signatura con operaciones elementales

Definicin 8.19 (Operaciones elementales simultneas)Si a continuacin de una operacin elemental de fila se realiza la misma operacin de columna, se dir que se a hecho una
operqacin elemental simultnea.
Ejemplo 8.7

2
1
3
1 2 1
3 1
2 F

( )

21 1
2

2
1
3
0 52 52
3 1
2 C21 ( 1 )
2

Teorema 8.20 Sea A Mn,n matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Entonces: sig (A) = (p, q) donde p es el
nmero de entradas positivas en la diagonal de la matriz D y q el nmero de entradas negativas.
Ejemplo 8.8 Considere la matriz del ejemplo 8.5, aplicando operaciones elementales se tiene:

2
1
3
2
1
3
0 52 52
A = 1 2 1
3 1
2 C21 ( 1 )
3 1
2 F
1
2
21( 2
)

2
0
3
2
0
3
0 52 52
0 52 52
3 52
2 F
0 52 52 C
3
3
31( 2
31( 2
)
)

2
0
0
2
0
0
5
5
5
5

2
2
2
2
0 52 52 F
0
0
0 F
32(1)
32(1)

2
0 0
0 52 0
0
0 0
luego sig (A) = (1, 1) .

Observacin. Es posible tambin realizar operaciones elementales de fila continuadas y


luego sus correspondientes operaciones columna.

8
2
3
2 , aplicando operaciones elementales se encuentra:
Ejemplo 8.9 Sea: A = 2 3
3
2 8

8
2
3
8
2
3
11
2 F 1 0 52
A = 2 3
C
4
21( 4 )
21( 1
4)
55
0 11

3
2 8 F 3
3
4
8
C
31 ( 8 )
31 ( 8 )

8.5. CARACTERIZACIN DE MATRICES SIMTRICAS CON OPERACIONES ELEMENTALES17

8
0
0
11
0 52
4
0 11
55
4
8
F

8
0
0
11
0 52
4
0
0 77
20
C

( )

32 11
10

( )

32 11
10

8
0
0
5
0 2
0
77
0
0 20

por tanto sig (A) = (0, 3) .

Observacin. Los autovalores de A son: 11, 7, 1, todos negativos.

8.5

Caracterizacin de matrices simtricas con operaciones elementales

Teorema 8.21 Sea A Mn,n una matriz simtrica. Sea D la matriz diagonal obtenida de A
aplicando operaciones elementales simultneas. Sea sig (A) = (p, q) donde p es el nmero de
entradas positivas y q el nmero de entradas negativas de la diagonal principal de la matriz
D. Entonces:
1. Si sig (A) = (n, 0) , entonces A es definida positiva.
2. Si sig (A) = (0, n) , entonces A es definida negativa.
3. Si sig (A) = (p, 0) y p < n, entonces A es semidefinida positiva.
4. Si sig (A) = (0, q) y q < n, entonces A es semidefinida negativa.
5. Si sig (A) = (p, q) p = 0, q = 0, entonces A no est definida.

Ejemplo 8.10 Sea

4.
2 2
A = 2 4 2
2 2 8
aplicando operaciones elementales simultneas se tiene:

4
2 2
4
2 2
0 3 3
A = 2 4 2
F 21(1/2)
C21(1/2)
2 2 8 F 31(1/2)
0 3 7 C31(1/2)

4
0
0
4
0
0
0 3 3
0 3 3
0 3 7 F 32(1)
0
0 4 C32(1)

4
0
0
0 3
0
0
0 4
por tanto sig (A) = (0, 3) , es decir A es definida negativa.

172

8.6

CAPTULO 8. MATRICES DEFINIDA POSITIVAS

El criterio de Sylvester

Este criterio, es otra manera de caracterizacin de matrices simtricas, ahora emplearemos


determinantes.
Teorema 8.22 Sea A Mn,n una matriz simtrica. Para cada k, k = 1, 2, . . . , n se define
k como el determinante de la matriz en Mk,k obtenida con las primeras k filas y k columnas
de la matriz A, es decir:

entonces:

1 = |a11 |

 a
a
2 =  11 12
a21 a22
etc.

a11
a21
a31
..
.

a12
a22
a32
..
.

a13
a23
a33
..
.

..
.

an1

an2

an3






a1n
a2n
a3n
..
.
ann

1. Si cada k > 0, para k = 1, 2, . . . , n, entonces sig (A) = (n, 0)


2. Si (1)k k > 0, para k = 1, 2, . . . , n, entonces sig (A) = (0, n) , (ntese que en este
caso los signos de los deltas van alternadamente de menos a mas, empezando con el
signo menos).
Ejemplo 8.11 Nuevamente considere la matriz A del ejemplo 8.9

8 2
3
A = 2 3 2
3
2 8
entonces:

1 = |8| = 8


 8 2 
 = 20

2 = 
2 3 


 8 2

3



3 =  2 3 2  = 77
 3
2 8 

como los signos de los deltas van intercalados y empezando con signo negativo, sig (A) =
(0, 3) .

8.6. EL CRITERIO DE SYLVESTER

173

Ejercicios propuestos
Ejercicio 8.1 Determinar la signatura de las siguientes matrices y clasifique las mismas.

9 2 3
1. A = 2 4 2 , Sol. (3, 0)
3 2 9

3 1 3
2. A = 1 8 1 , Sol. (0, 2)
3 1 3

4 2 4
0 , Sol. (3, 0)
3. A = 2 4
4 0
8

8 2
3
4. A = 2 3 2 , Sol. (0, 3)
3
2 8

174

CAPTULO 8. MATRICES DEFINIDA POSITIVAS

Captulo 9
Otras aplicaciones del lgebra Lineal
9.1

Modelo de produccin

Una compaia tiene tres plantas de produccin P1, P2, P3. En cada una de estas plantas se
fabrican tres productos A, B, C. Supongamos que de una unidad de insumo se sabe que:
1. La primera planta produce 4 de A, 2 de B y 4 de C
2. La segunda planta produce 5 de A, 4 e B y 2 de C.
3.La tercera planta produce 2 de A, 4 e B y 5 de C.
Las demandas a la compaia de estos tres productos son 1700 de A, 1600 de B y 1550 de
C. Cuntas unidades de insumo requiere cada planta para satisfacer la demanda?
El enunciado del problema se puede resumir como sigue:
Planta 1 Planta 2 Planta 3 Demanda
A 4
5
2
1700
B 2
4
4
1600
C 4
2
5
1550
Sean xA , xB y xC las unidades de insumo asignadas a la plantas A, B, C respectivamente,
entonces se plantea:
4xA + 5xB + 2xC = 1700
2xA + 4xB + 4xC = 1600
4xA + 2xB + 5xC = 1550
resolviendo se encuentra:
xA = 100
xB = 200
xC = 150

9.2

El modelo de Leontief o modelo de insumo producto

La tcnica de insumo producto se debe a Wassily Leontief (1941), y fue construida inicialmente
para el anlisis nacional de las modificaciones estructurales de la economa norteamericana.
175

176

CAPTULO 9.

OTRAS APLICACIONES DEL LGEBRA LINEAL

En esta seccin analizamos un problema hipottico para luego plantear el problema de una
manera general.

9.2.1

Un ejemplo

Considrese un modelo muy simple de una economa en la cual se producen 2 artculos, es


decir, una economa formada por dos industrias: digamos la industria A y la industria B. (por
ejemplo, papa y ganado).
Cada ao tenemos una demanda externa de la industria A de 1670 unidades y una
demanda externa de la industria B de 3340 unidades. Aqu la demanda externa significa
que proviene de fuera de la economa, es decir, la cantidad de unidades requeridas para
exportacin. Adems hay una demanda interna de otras industrias del pas, en nuestro
caso, la demanda que ejerce A sobre B y viceversa.
1
de unidad
Supongamos que para producir 1 unidad de A se requiere 18 de unidad de A y 10
de B, es decir, con 1 unidad de A se fabrican 8 unidades de A y con 1 unidad de B se fabrican
10 unidades de A.
Tambin, para producir 1 unidad de B se requiere 12 unidad de B y 15 de A. Es decir, con
1 unidad de B se fabrican 2 unidades de B y con una unidad de A se fabrican 5 unidades de
B. Resumimos esto en la siguiente tabla:

1 de A




1 de B




1
8

de A

1
de B
10
1
de A
5

1
2

de B

La pregunta es: Cunto deben fabricar cada una de las industrias para que no haya
sobreproduccin?. Es decir, cul debe ser la produccin en cada una de las industrias para
que la disponibilidad de cada una sea igual a la demanda total?.
Sean x, y el nmero de unidades fabricadas del producto A y B respectivamente, entonces:
Produccin
Industria A
Industria B

x
y

Demanda
interna A
1
x
8
1
x
10

Demanda
interna B
1
y
5
1
y
2

1
1
x + y + 1670
8
5
1
1
y =
x + y + 3340
10
2

x =

Demanda
externa
1670
3340

9.2. EL MODELO DE LEONTIEF O MODELO DE INSUMO PRODUCTO

177

realizando operaciones se encuentra:




1
1
1
x y = 1670
8
5


1
1
y = 3340
x+ 1
10
2
resolviendo se encuentra
x = 3600
y = 7400

9.2.2

El modelo general

Supongamos una economa con n industrias. Sea


ei : La demanda externa ejercida sobre la industria i,
aij : El nmero de unidades de la industria i que se necesitan para producir 1 unidad de
la industria j, es decir, la demanda por unidad de j sobre i.
xi : Produccin de i (nmero de unidades fabricadas por la industria i)
Como en el ejemplo anterior:

Produccin Demanda interna 1 Demanda interna 1 Demanda interna 1 Demanda extern


x1
a11 x1
a12 x2

a1n xn
e1
x2
a21 x1
a22 x2

a2n xn
e2
..
..
..
..
..
...
.
.
.
.
.
an1 x1
an2 x2

ann xn
en
xn
as se plantea un sistema de n ecuaciones. La i esima ecuacin est dada por:
xi =

aij xj + ei

j=1

que se puede escribir como:


(1 aii ) xi

aij xj = ei

j=1
j=i

Con A = (aij ) , x = (xi ) y e = (ei ) se encuentra el sistema:


(I A) x = e
Aqu I es la identidad en Mn,n . La matriz A se llama Matriz de tecnologa, x es el vector
de produccin y e es el vector de demanda externa. La matriz L = I A se llama
matriz de leontief. Ntese que si L es invertible el problema tiene solucin nica.

178

9.3
9.3.1

CAPTULO 9.

OTRAS APLICACIONES DEL LGEBRA LINEAL

Cadenas de markov.
Un ejemplo inicial

Considere el siguiente problema hipottico. Un cliente puede comprar el producto A, el producto B o el producto C. Su siguiente compra est controlada por el producto que actualmente
a comprado. Cada vez que compra un nuevo producto ocurre un paso. Supngase que los
productores de los tres productos tienen la siguiente informacin relativa al comportamiento
de los clientes. Esta tabla muestra la probabilidad de que un cliente que compra un producto
actualmente (paso n = 0) pueda comprar el siguiente producto (paso n = 1).
Compra actual
Tiene A
Tiene B
Tiene C

Siguiente compra
Compra A Compra B Compra C
0.40
0.30
0.30
0.20
0.50
0.30
0.25
0.25
0.50

Esta tabla tiene la siguiente interpretacin: La probabilidad de que un cliente que actualmente compra A en la siguiente compra comprar A es 0.30, si el cliente tiene C actualmente,
en la siguiente compra, la probabilidad de comprar C nuevamente es 0.50. La matriz formada
con estos nmeros se llama matriz de transicin.

0.40 0.30 0.30


P = 0.20 0.50 0.30
0.25 0.25 0.50

V1 = (0.40, 0.30, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en A
V2 = (0.20, 0.50, 0.30) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en B
V3 = (0.25, 0.25, 0.50) es el vector de probabilidades para pasar del paso 0 al paso 1 estando
en C
Problema. Cul es el vector de probabilidades para pasar del paso 0 a paso 2 estando
en A, en B y en C?.
Se puede probar que
V12 = V1 P

0.40
0.30
0.30


0.4 0.30 0.30 0.20 0.50 0.30
=
0.25 0.25 0.50


. 295 . 345 . 36
=

este vector tiene la siguiente interpretacin: Comprando actualmente un producto de A las


probabilidades de compra en una segunda ocacin se los productos A, B y C son respectivamente 0.295, 0.345, 0.360.
V22 = V2 P

9.4. REGRESIN LINEAL

=
=

179

0.20 0.50 0.30


. 255 . 385 . 36

V32 = V3 P

0.40 0.30 0.30


0.20 0.50 0.30
0.25 0.25 0.50

0.40
0.30
0.30


0.25 0.25 0.50 0.20 0.50 0.30
=
0.25 0.25 0.50


. 275 . 325 . 4
=

Observacin. Ntese que los vectores encontrados son las filas de P 2 ,

. 295 . 345 . 36
P 2 = . 255 . 385 . 36 ,
. 275 . 325 . 4

se puede probar que los vectores Vin son las filas de la matriz P n .
En el paso 20 se tiene:

20
0.40 0.30 0.30
P 20 = 0.20 0.50 0.30
0.25 0.25 0.50

. 27344 . 35156 . 375


= . 27344 . 35156 . 375
. 27344 . 35156 . 375

debe notarse que todos los vectores son iguales. Es interesante observar que a la larga el
cliente acabar comprando el producto C (al menos se tiene mayor probabilidad).

9.4
9.4.1

Regresin lineal
Regresin lineal con dos variables

Considrense los siguientes n puntos del plano:


(x1 , y1 ) , (x2 , y2 ) , . . . , (xn , yn )
estos puntos representados en el plano xy forman lo que llamaremos la nube de puntos. El
problema de la regresin lineal con dos variables consiste en hallar una recta y = 1 + 2 x
que minimize la funcin:
f ( 1 , 2 ) =

n

i=1

e2i

n

i=1

(yi 1 2 xi )2 ,

180

CAPTULO 9.

se puede probar que


donde:

X =

OTRAS APLICACIONES DEL LGEBRA LINEAL


1 t
= X tX
XY

1 x1
y1

1 x2
y2
..
.. , Y = ..
.
.
.
1 xn
yn




, =
2

Observacin. Alternativamente para encontrar podemos resolver el sistema:


t
X X = X tY

o equivalentemente:

n
(

xi
n

i=1

(
n
n
(
2
xi
xi
i=1

i=1

1
2

n
yi
i=1

= (

n
x i yi
i=1

se llaman las ecuaciones normales de la regresin lineal.

Ejemplo 9.1 Calcular la recta de regresin para los datos:


(0, 2) , (1, 5) , (3, 4) , (5, 5)
Solucin.

1
1
X=
1
1

esto da
X tX =

XY

2
0
5
1
,Y =
4
3
5
5

1 1 1 1
0 1 3 5

1 1 1 1
0 1 3 5

1
1

1
1

 2
5

4
5

0


1
4
9
=
9 35
3
5




= 16

42

por tanto 1 y 2 se encuentran resolviendo:



 


16
1
4 9
=
42
9 35
2
de donde:

1
2

182
59
24
59

9.4. REGRESIN LINEAL

181

As la recta de regresin es:


y=

182 24
+ x
59
59

1
0

9.4.2

Regresin lineal con k variables

Considrense los siguientes n puntos de Rk :


(x12 , x13 , . . . , x1k , y1 ) ,
(x22 , x23 , . . . , x2k , y2 ) ,
...
(xn2 , xn3 , . . . , xnk , yn )
El problema de la regresin lineal con dos variables consiste en hallar una funcin y = 1 +
2 x2 + + k xk que minimize la funcin:
f ( 1 , 2 , . . . , k ) =

n

i=1

se puede probar que


donde:

X =

e2i

n

i=1

(yi 1 2 xi2 k xik )2 ,


1 t
= X tX
XY

1 x12 x13 x1k


1 x22 x23 x2k
..
..
.. . .
..
.
.
.
.
.
1 xn2 xn3 xnk

, Y =

y1
y2
..
.
yn

, =

1
2
..
.
k

Muchos problemas de regresin no lineales se pueden resolver mediante esta tcnica.


Ejemplo 9.2 Considere los siguientes datos:
i
xi
yi

1 2 3 4 5
6
-3 -2 0 1 2
3
1.5 4 0 3 -4 -1.5

hallar una funcin f (x) = 1 + 2 sin x + 3 sin 2x + 4 sin 3x que mejor se aproxime a estos
datos.

182

CAPTULO 9.

OTRAS APLICACIONES DEL LGEBRA LINEAL

Solucin. La funcin es claramente no lineal, sin embargo es posible linealizarlo mediante


la asignacin
y
x2
x3
x4

=
=
=
=

f (x)
sin x
sin 2x
sin 3x

obtenindose:
y = 1 + 2 x2 + 3 x3 + 4 x4
ahora tenemos un problema de regresin lineal con los datos:
xi2 = sin (xi )

xi3 = sin (2xi ) xi4 = sin (4xi ) , i = 1, 2, 3, 4, 5, 6

resumimos los clculos en la siguiente tabla:


i xi
1 3
2 2
3
0
4
1
5
2
6
3

yi xi2 = sin (xi )


1.5
. 14112
4
. 9093
0
0
3
. 84147
4
. 9093
1.5
. 14112

Fabricamos las matrices necesarias:

1 . 14112
1 . 9093

1 0
X =
1 . 84147

1 . 9093
1 . 14112
por tanto:

. 27942
. 7568
0
. 9093
. 7568
. 27942

xi3 = sin (2xi ) xi4 = sin (4xi )


. 27942
. 41212
. 7568
. 27942
0
0
. 9093
. 14112
. 7568
. 27942
. 27942
. 41212
. 41212
. 27942
0
. 14112
. 27942
. 41212

, Y =

1.5
4
0
3
4
1.5

6
. 84147
. 9093
. 14112
. 84147 2. 4016 . 69003 . 27309

X tX =
. 9093 . 69003 2. 1285
. 32094
. 14112 . 27309 . 32094
. 51575

.2
. 10749 . 11417 4. 0599 102

t 1
. 10749
. 5302
. 18875
. 1927
XX
=

. 11417
. 18875
. 61798
. 25338
2. 2097
4. 0599 102 . 1927 . 25338

3.0

5. 1734

X tY =
9. 6206
1. 4224

9.4. REGRESIN LINEAL

183

por tanto:

As la funcin pedida es:

1
2
t 1 t

XY
3 = X X
4

4. 3154 105

. 97542
=

4. 2659
. 4133

f (x) = 4. 3154 105 . 97542 sin x + 4.2659 sin 2x 0.4133 sin 3x