Introduccion Al Algebra Lineal Howard Anton

s.
edicin
INTRODUCCiN AL ,
ALGEBRA LINEAL
r:8LIMUSA
Contenido de esta obra:
SISTEMAS DE ECUACIONES LINEALES Y MATRICES DETERMINANTES VECTORES EN LOS ESPACIOS BIDIMENSIONAL Y TRIDIMENSIONAL ESPACIOS VECTORIALES TRANSFORMACION,ES LINEALES EIGENVALORES (VALORES PROPIOS), EIGENVECTORES (VECTORES PROPIOS)
Introduccin al lgebra
Howard Anton
Drexel University
!El LlMUSA
NORIEGA EDITORES M8(ICO Espaa Venezuela. Colombia
VERSiN A.UTORIZADA EN ESPAOL DE LA OBRA PUBLICADA EN INGLt:S POR
J OHN W,LEY & SONS, INC ., CON EL TITULO: ELEMENTARY LINEAR ALGEBRA, 3RD . EDITION . <Cl JOHN WIlEY & SONS, INc. ISBN 0-471-05338-4 VERSiN EN ESPA AoL: JOS HERNNDEZ PREZ CASTELLANOS
INGENIERO INDUSTRIAL DE LA ESCUelA MILITAR DE INGENIEROS . PRO FESOR TITULAR DE MATEMTICAS y COORDINADOR DE MATEMTICAS OE LA ESCUELA
SUPERIOR DE INGENIERIA MECNICA y DE

M~xICO
EL~C
TRICA OEL INSTITUTO POllT~CNICO NACIONAL
LA PRESENTACiN Y DISPOSICIN EN CONJUNTO DE
INTRODUCCiN AL LGEBRA LINEAL

SON PROPIEDAD DEL EDITOR. NINGUNA PARTE DE ESTA OBRA PUEDE SER REPRODUCIDA. O TRANSMI T IDA , MEDIANTE NINGN SISTEMA O M~TODO, ELECTRNICO O MECNICO (INCLUYENDO El FOTO~DO . LA GRABACiN O CUALQUIER SISTEMA
DE RECUPERACiN Y ALMACENAMIENTO DE INFORMACIN) , SIN CONSENTIMIENTO POR ESCRITO Del EDITOR.
DERECHOS RESERVADOS :
<Cl1994, EDITORIAL LlMUSA, SA DE C. V. GRUPO NORIEGA EDITORES BALOERAS 95 , MExICO, D.F. C .P. 06040 TEL~FONO 521-21-05 FAx 512-29-03 CANIEM N .... 121 PRI ... ERA EDICi 1986 N: 1988,1989,1989, 1990,1991 , 1992, 1993, 1994 HECHO EN M~xlco ISBN 968-18-1660-9 (13209)
A Pat ya mis hijos Brian, David y Lauren
Prlogo
En este texto se proporciona un tratamiento elemental del lgebra lineal, apropiado para estudiantes del primero y segundo aos del nivel licenciatura. No se requiere saber Clculo; sin embargo, se incluye cierto nmero de ejercicios para estudiantes que tengan conocimiento de l; estos ejercicios estn marcados con claridad : "Para estudiantes que hayan estudiado clculo". Mi propsito principal al escribir este libro es presentar los fundamentos del lgebra lineal de la manera ms clara posible. El aspecto pedaggico es lo ms importante; el formalismo es secundario . En donde es posible, las ideas bsicas se estudian por medio de ejemplos numricos (ms de 200) y la interpretacin geomtrica. Mi tratamiento de las demostraciones vara. Aqullas que son elementales y tienen un contenido pedaggico significativo se presentan con precisin, en forma apI:opiada para los principiantes. Unas cuantas demostraciones que son ms difciles, pero pedaggicamente valiosas, aparecen al final de la seccin y marcadas "Opcional". No obstante, otras demostraciones se omiten por completo , haciendo hincapi en l aplicacin del teorema. Siempre que se omite una demostracin, trato de motivar el resultado, a menudo con un anlisis acerca de su interpretacin en el espacio bidimensional o tridimensional. Mi propia experiencia me ha llevado a concluir queja ntacin k es ms un estorbo que una ayuda para los principiantes en el lgebra lineal; por consiguiente, en general he evitado su uso . Un axioma pedaggico es que el profesor debe ir de lo familiar a lo desconocido y de lo concreto a lo abstracto; en el ordenamiento de los captulos se ha tenido en cuenta este principio. El captulo 1 trata de los sistemas de ecuaciones lineales, cmo resolverlos y algunas.--de sus propiedades. Tambin contiene el material bsico sobre matrices y sus propieaades aritmticas. El captulo 2 se refiere a los determinantes. Se ha aplicado el enfoque clsico de las permutaciones. En opinin del autor, es menos abstracto que el enfoque a travs de n formas lineales alternantes y da al estudiante una mejor comprensin intuitiva del tema que un desarrollo inductivo.
7
PROLOGO
El captulo 3 presenta los vectores en los espacios bidimensional y tridimensional como flechas, y desarrolla la geometra analtica de las rectas y los planos en el espacio . tridimensional. Dependiendo de los conocimientos previos de los estudiantes, se puede omitir este captulo sin perder continuidad (vase la gua para el profesor a continuacin de este prlogo). En los captulos 4 y 5 se desarrollan los resultados bsicos acerca de los espacios vectoriales reales de dimensin finita y las transformaciones lineales. Se empieza con un estudio de Rn y se avanza lentamente hacia el concepto general de vector. El captulo 6 trata del problema de los eigenvalores (valores propios) y la diagonalizacin. En el captulo 7 se dan algunas aplicaciones del lgebra lineal a problemas de aproximacin, sistemas de ecuaciones diferenciales, series de Fourier y la identificacin de secciones cnicas y superficies cuadrticas. Las aplicaciones a la administracin, biologa, ingeniera, economa, las ciencias sociales y las ciencias fsicas se incluyen en una publicacIn opcional (en ingls) que constituye un suplemento para este texto, Aplicaciones de Algebra Lineal por Chris Rorres y el autor (publicada en espaol por Editorial Limusa). En el suplemento se incluyen temas como: curvas del mejor ajuste a datos empricos, dinmica de la poblacin, procesos de Markov, cosecha ptima, modelos de Leontief en la economa, aplicaciones a la ingeniera, teora de las grficas y una introduccin a la programacin lineal. En el Captulo 8 se presentan los mtodos numricos del lgebra lineal; no se requiere tener acceso a medios de computacin, ya que se pueden resolver los ejercicios a mano o con la ayuda de una calculadora de bolsillo. En este captulo se dan al estudiante conocimientos bsicos de cmo se pueden resolver prcticamente ciertos problemas del lgebra lineal. Tambin, muchos estudiantes completan sus estudios del lgebra lineal con la ingenua creencia de que, en la prctica, los eigenvalores se encuentran al resolver la ecuacin caracterstica. Es posible que algunos profesores deseen utilizar esta seccin en conjuncin con un curso de programacin. He incluido gran nmero de ejercicios. Cada conjunto de ejercicios se inicia con problemas rutinarios de "habilidad" y progresa hacia problemas ms tericos. Al final del texto se dan las respuestas a todos los problemas de clculo. Puesto que se tiene ms material en este libro que el que se puede cubrir en un curso de un semestre o un trimestre , el profesor tendr que seleccionar los temas; para auxiliarlo en esta seccin, he agregado una gua para el profesor, a continuacin de este prlogo.
CARACTERISTICAS DE LA TERCERA EDICIDN

La amplia aceptacin de las dos primeras ediciones ha sido lo ms satisfactorio y el autor agradece los muchos comentarios favorables y las sugerencias constructivas que ha recibido del pblico. Como respuesta a estas sugerencias he realizado los siguientes cambios: Se han introducido ejercicios suplementarios al final de los captulos 1, 2, 4, 5 y 6. Estos ejercicios son diferentes de los que se encuentran al final de las secciones y deben proporcionar alguna variedad adicional.
PROLOGO
Se ha agregado una seccin nueva sobre la geometra de las transformaciones lineales en el plano (seccin 5.3). Este material es muy til para el profesor ; le ayuda a reducir el nivel de abstraccin en el estudio de las transformaciones lineales. Se han simplificado algunos de los ejercicios de clculo que eran innecesariamente tediosos. El ejemplo 40 de la seccin 4.6 y el anlisis que lo precede son nuevos. Se muestra cmo encontrar una base para el subespacio generado por un conjunto de vectores "independientes" del conjunto . Este mtodo proporciona una base que es un subconjunto del conjunto dado de vectores. La segunda edicin del suplemento ,Applications ofLinear Algebra, contiene algunos temas nuevos: Geometra plana, Equilibrio de los cuerpos rgidos, El problema de asignacin y Grficas con computadora.
LIBROS COMPlEMENTARIOS*
Student Solutions Manual for Elementary Linear Algebra contiene soluciones detalladas para la mayora de los ejercicios tericos y muchos ejercicios de clculo. Solutions Manual for Applications of Linear Algebra contiene soluciones detalladas para todos los ejercicios. Una publicacin opcional complementaria, titulada Aplicaciones de Algebra Lineal (ehris Rorres y Howard Anton, 1979, publicado en espafol por Editorial Limusa), contiene aplicaciones a administracin, biQtQ~a , i.n~enier.a, economa, ciencias sociales y ciencias fsicas. Este suplemento tambin contiene un "minicurso" en programacin lineal que se puede cubrir aproximadamente en seis clases.
*Slo existen las ediciones originales en ingls, publicadas por 10hn Wilcy & Sons, Inc., Nueva York.
Gua para el profesor
CURSO ESTANOAR
Se puede omitir el captulo 3, sin perder la continuidad, si los estudiantes han estudiado con anterioridad rectas, planos y vectores geomtricos en los espacios bidimensional y tridimensional. Dependiendo del tiempo disponible y la preparacin de los estudiantes, el instructor tal vez desee agregar todo de este captulo al material fundamental que se sugiere a continuacin : Captulo 1 Captulo 2 Captulo 4 Captulo 5 Captulo 6
7 5 14 6 5
Clases Clases Clases Clases Clases
Este programa es un tanto flexible; permite aprovechar una cantidad apreciable de tiempo de clase en el aula para analizar los problemas dejados como tarea, pero supone quese dedica poco de ese tiempo al material marcado como "opcional" . El profesor puede desarrollar su curso sobre este material segn 10 permita el tiempo, incluyendo clases acerca del material opcional y los captulos 3, 7 y 8.
CURSO ORIENTADO A LAS APLICACIONES

Los profesores que deseen hacer hincapi en las aplicaciones a los mtodos numricos pueden preferir el programa que sigue, el cual llega a los eigenvalores y eigenvectores con mayor rapidez: Captulo 1 Captulo 2 Secciones 4.1-4.6 Secciones 5.1-5 .2 Secciones 6.1-6.2
11
7 Clases 5 Clases 8 Clases 3 Clases 3 Clases
12
GUIA PARA EL PROFESOR
Siempre que se eliminen las secciones 5.4 y 5.5 , el profesor debe omitirel material opcional que est al final de la 6.1 , iniciar la seccin 6.2 con las formas matriciales de los problemas 1 y 2 , Y eliminar el ejemplo 9 de esa seccin . Una vez que se cubra el material mencionado , el profesor puede elegir temas del captulo 7 u 8 del texto, o bien , elegir temas del suplemento ,Applications of Linear Algebra. Dependiendo de los temas que se seleccionen , es posible que sea necesario cubrir algo del material de las secciones 4.7-4.10 5.3-5.5.
Agradecimientos
Agradezco la colaboracin de Profesor Joseph Buckley, Western Michigan University Profesor Harold S. Engelsohn, Kingsborough Community College Profesor Lawrence D. Kugler, University of Michigan Profesor Robert W. Negus, Rio Hondo Junior College Profesor Hal G. Moore , Brigham Young University Profesor William A. Brown, University ofMaine at Portland-Gorham Profesor Ralph P. Grimaldi, Rose-Hulman Institute ofTechnology Profesor Robert M. McConnel, University of Tennessee Profesor James R. Wall, Aubum University Profesor Roger H. Marty, Cleveland State University Profesor Donald R. Sherbert , University of Illinois Profesor Joseph L. Ullman , University of Michigan Expreso tambin mi agradecimiento al Profesor William F . Trench de la DrexeJ University , quien ley el manuscrito completo; sus sugerencias mejoraron inmensamente tanto el estilo como el contenido del texto. Por su mecanografa exacta y experta, les doy las gracias a Susan R. Gershuni y Kathleen R. MeCabe ; tambin agradezco al Profesor Dale Lick el haberme alentado en mi trabajo en sus primeras etapas, al Profesor Robert Higgins por su ayuda al resolver los problemas y a Frederick C. Corey de John Wiley, quien ayud a que la primera edicin se convirtiese en realidad. Por ltimo, estoy en deuda con todo el equipo de produccin y , en especial, con mi editor Gary W. Ostedt por sus innovadoras contribllciones a esta nueva edicin.
Howard Anton
13
Contenido
Sistemas de ecuaciones lineales y matrices 1 9
1.1
~.2
1.3 1.4 1.5 1.6 1.7
Introduccin a los sistemas de ecuaciones lineales 19 Eliminacin gaussiana 26 Sistemas homogneos de ecuaciones lineales 38 Matrices y operaciones matriciales 42 Reglas de la aritmtica matricial 50 Matrices elementales y un mtodo para hallar A-l 60 Resultados ad icionales acerca de los sistemas de ecuaciones y la inv ersibilidad 68
Determinantes 77 2. '1 2.2 2 .3 2.4 La funcin determinante 77 Evaluacin de los determinantes por reduccin en los renglones84 Propiedades de la funcin Qeterminante 90 Desarrollo por cofactores; regla de Cramer 97
Vectores en los espacios bidimensional y tridimensional 113 3.1 3.2 3.3 3.4 3.5 Introduccin a los vectores (geomtricos) 113 Normas de un vector; aritmtica vectoria l 123 Producto escalar (punto); proyecciones 126 Producto vectorial (cruz) 133 Rectas y planos en el espacio tridimensiona l 142
15
16
CONTENIDO
Espacios vectoriales 1 51 Espacio euclidiano n dimensional 151 Espacios vectoriales generales 157 Subespacios 163 Independencia lineal 172 Base y dimensin 178 Espacio de renglones y columnas de una matriz; rango; aplicaciones para hallar bases 186 4.7 Espacios de productos interiores 197 4.8 Longitud y ngulo en los.jlspacios de productos interiores 203 4.9 Bases ortonormales; proceso de Gram-Schmidt 211 4.10 Coordenadas; cambio de base 222 4.1 4.2 4.3 4.4 4.5 4.6
Transformaciones lineales 247 5.1 5.2 5.3 5.4 5.5 Introduccin a las transformaciones lineales 247 Propiedades de las transformaciones lineales: ncleo (kernel) y recorrido 256 Transformaciones lineales de R" hacia Rm; geometra de las transformaciones lineales de R2 hacia R2 265 Matrices de las transformaciones lineales 284 :emejanza 292
Eigenvalores (valores propios). eigenvectores (vectores propios) 301 6.1 6.2 6.3 Eigenvalores y eigenvectores301 Diagonalizacin 309 . Diagonalizacin ortogonal; matrices simtricas 318
Aplicaciones* 329 7.1 7.2 7.3 7.4 Aplicacin a las ecuaciones diferenciales 329 Aplicacin a problemas de aproximacin; series de Fourier 336 Formas cuadrticas; aplicacin a las secciones cnicas 343 Formas cuadrticas; aplicacin a las superficies cudricas 354
* En un suplemento en ingls a este texto se encuentran otras aplicaciones a la admi nistracin, la economa y las ciencias fsicas y sociales .
CONTEf,uoo
17
Int,adtt(m fos mtods numricos del lgebra lineal 363

8', l' Ellmincin gaussiana con condensacin pivotal 363 Los: mtOdos de Gauss-Seidel y de Jacobi 369 Aproximacin de los eigenvalores por el mtodo df3 las potenciS 315 Aproximacin de los eigenvalores no dominantes por deflacin 385
8.2
8.3
8,4-
Rspue'stas Indice' 419
a los ejercicios
391
-~
.~
,;"t
t.' '
1
Sistemas de ecuaciones lineales y matrices
1.1
INTRODUCCION A LOS SISTEMAS DE ECUACIONES LINEALES
En esta seccin se da la terminologa bsica y se analiza un mtodo para resolver los sistemas de ecuaciones lineales. Una recta en el plano xy se puede representar algebraicamente mediante una ecuacin de la forma
Una ecuacin de este tipo se conoce como ecuacin lineal en las variables x y y. En forma general, se define una ecuacin lineal en las n variables Xl' X2, . . , X n como aqulla que se puede expresar en la forfllil.
en donde al, a2, ... , an y b son constantes reales.
Ejemplo 1
Las siguientes son ecuaciones lineales:
x + 3y = 7 Y= + 3z
tx
+1
Xl Xl
2x 2 - 3X3 + X 4 = 7 + X 2 + .. . + X n = 1
Observe que una ecuacin lineal no comprende productos o races de variables. Todas las variables se presentan nicamente a la primera potencia y no aparecen como argument9 para funciones trigonomtricas, logartmicas o exponenciales. Las que siguen no son ecuaCiones lineales:
19
20
SISTEMAS DE ECUACIONES LINEALES Y MATRICES
+ 3.1'2
= 7
3x
Y -sen x = O
+ 2y - z + xz = 4 JX + 2x 2 + x 3 = 1
Unasolucindeunaecuacinlineala1x1 + a2x2 + ... + anx n = b esunasucesin de n nmeros Sl' S2, . .. , sn , tales que la ecuacin se satisface cuando se hace la sustitucin Xl = Sl , X2 = S2, . . ., Xn = Sn. El conjunto de todas las soluciones de la ecuacin es su conjunto solucin.
Ejemplo 2 Encuntrese el conjunto solucin de cada una de las siguientes ecuaciohes:
(i) 4x - 2y = 1
(ii)
Xl -
4X 2
+ 7X3 =
A fin de encontrar las soluciones de (i), se puede asignar un valor arbitrario a x y despejar y, o bien, elegir un valor arbitrario para y y despejar x . Si se sigue el primer procedimiento y se asigna a x un valor arbitrario t, se obtiene
= t,
y = 2t - ~
Estas frmulas describen el conjunto solucin en trminos del parmetro arbitrario t. Es posible obtener soluciones numricas particulares al sustituir t por valores especficos. Por ejemplo , t = 3 proporciona la solucin X = 3, Y = 11/2, Y t = 1/2 proporciona la soluci n x =-1/2,y = -3/2. Si se sigue el segundo procedimiento y se asigna ay el valor arbitrario t , se obtiene
x = ~t + ,
y = t
Aun cuando estas frmulas son diferentes a las obtenidas con anterioridad , proporcionan el mismo conjunto solucin cuando se hace variar t sobre todos los nmeros reales f}osibles. Por ejemplo, las frmulas previas dieron la solucin x = 3.)! = 11/2 cuando t = 3, mientras que estas frmulas conducen a esta solucin cuando'; = 11/2. Para encontrar el r.onjunto solucin de (ii) se puede asignar valores arbitrarios a dos variables cualesquiera y despejar la tercera variable. En particular, si se asignan los valores arbitrarios s y t a X2 YX3 , respectivamente , y se despeja Xl, se obtiene
Xl
= 5 + 4s - 7t,
Un conjunto fmito de ecuaciones lineales en las variables Xl , X2, ... , x n se conoce como sistema de ecuaciones lineales o sistema lineal. Una sucesin de nmeros si, 52, . .. , Sr! es una solucin del sistema si Xl = Sl, X2 = S2," ., Xn ,,; 5n es una solcin de toda ecuacin en tal sistema. Por ejemplo , el sistema
tiene la solucin Xl = 1, X2 = 2, X3 = -1, puesto que estos valores satisfaen las dos ecuaciones. Sin embargo, Xl = 1, X2 = 8, X3 = 1 no es una solucin, ya que estos valores slo satisfacen la primera de las dos ecuaciones del sistema.
INTRO!>UCCIO\l,/ A LOS SIS,TI;MAS DE ECUACIONES LINEALES
21
No to.dos los sistemas de ecuaciones lineales tienen soluciones. Por ejemplo, si se multiplica, l segunda e~uacin del sistema
+ y=4 2x + 2)" = 6
x
por 1/2 , es evidente que n,o hay solucin alguna, ya que las dos ecuaciones del sistema resultante .\+.1'=4
x+y=3
cO{ltradicen entre s. C\l~ndo un sist~ma de ecuaciones no tiene solucin se dice que es inconsistente. Si exi~te al menos l!na solucin, se le denomina consistente. A fin de ilustrar las posibilidades qUe pueden p~esentarse al resolver sistemas de ecuaciones lineales, c"onsidrese un sjstema general ele dos ecua,iones lineales en las incgnitas.x y y:
alX + QIY = CI (hx"" b 2 Y = C2
s~
(al' b l ninguno es cero) (a2' b 2 ninguno es cero)
Las grficas de estas ecuaciones son rectas; se har referencia a ellas como /1 y /2 ' Puesto que un punto (x, y) est sobre una recta si y slo si los nmeros x y y satisfacen la ecuacin de la mism. , las soluQiones del sistema de ecuaciones corresponden a puntos de interseccin de /1 y /1, . Se tienen tJ;es posibilidades (figura 1.1):
a) b)
Las rectas /1 y /2 pueden ser paralelas, en cuyo caso no existe interseccin alguna y, como consecuencia, no hay solucin para el sistema. Las rectas /t y /2 pueden intersecarse en slo un punto, en cuyo caso el sistema tiene exactamente un,a solucin. L~s rectas /1 y /2 pueden coincidir, en cuyo caso existe una infinidad de puntos de interseccin y, por consiguiente una infinidad de soluciones para el sistema.
Aun cuando slo ~e han considerado dos ecuaciones con dos incgnitas, posterionnente se demue~tr que se cumple este mismo resultado para sistemas arbitrllr:,s; es decir,
Figura 1.1 (a) Nin$Una soluci6J\. (b) Una solucl6n. (e) Una infmidad de soluciones.
22
todo sistema de ecuaciones lineales no tiene solucin alguna, tiene exactamente una solucin, o bien, una infinidad de soluciones. Un sistema arbitrario de m ecuaciones lineales en n incgnitas se escribe
Qx a 2 x
+ Q2X2 + ... + a"x" = b + Q22 X 2 + ... + a 2"x" = b 2
en dondex, X2, . .. ,xn son las incgnitas y lasa y b con subndices denotan constantes. Por ejemplo, un sistema general de tres ecuaciones lineales en cuatro incgnitas se escribe
ax a2x a 3 x
+ a2x2 + a3x3 + a4x4 = b + a22x2 + a 23 x 3 + a 24 x 4 = b 2 + a 32 x 2 + a33 x 3 + a34 x 4 = b 3
El sub ndice doble en los coeficientes de las incgnitas es una idea til que se emplea para establecer la ubicacin del coeficiente en el sistema. El primer subndice del coeficiente a indica la ecuacin en la que se encuentra, y el segundo indica la incgnita que multiplica. Por tanto , a 2 se encuentra en la primera ecuacin y multiplica a la incgnita X2 . Si mentalmente se mantiene presente la ubicacin de los signos +, las x y los signos = , es posible abreviar un sistema de m ecuaciones lineales en n incgnitas escribiendo nicamente el arreglo rectangular de nmeros:
a 12 a" a2"
la"
a2
a 22
b']
b2
amI
a m2
a mn
bit
Esto se conoce como matriz aumentada para el sistema. (En matemticas se utiliza el trmino matriz para denotar un arreglo rectangular de nmeros . Las matrices surgen en muchos contextos ; y en secciones posteriores se estudian con ms detalle .) Como ilustracin, la matriz aumentada para el sistema de ecuaciones x
2x I
3x
+ X 2 + 2X3 = 9 + 4X2 - 3x 3 = 1 + 6x 2 - 5X3 = O

4 6
2 -3 - 5
es
[~
OBSERVACION.
!]
Al construir una matriz aumentada, las incgnitas se deben escribir en el mismo orden en cada cuestin.
INTROOUCCION A LOS SISTEMAS DE ECUACIONES LINEALES
23
El mtodo bsico para resolver un sistema de ecuaciones lineales es reemplazar el sistema dado por uno nuevo que tenga el mismo conjunto solucin, pero que sea ms fcil de resolver. En general, este sistema nuevo se obtiene siguiendo una serie de pasos aplicando los tres tipos siguientes de operaciones a fin de eliminar sistemticamente las incgnitas .
Puesto que los renglones (lneas horizontales) de una matriz aumentada corresponden a las ecuaciones del sistema asociado, estas tres operaciones corresponden a las operaciones siguie;ltes sobre los renglones de la matriz aumentada:
40 cero.
Estas se denominan operaciones elementales sobre los renglones_ El ejemplo que sigue ilustra cmo pueden aplicarse estas operaciones para resolver sistemas de ecuaciones lineales. Como en la seccin que sigue se deduce un procedimiento sistemtico para hallar las soluciones, no es necesario preocuparse por la forma en que se seleccionaron los pasos en este ejemplo. Por el momento, la atencin debe centrarse en comprender los clculos y el anlisis. Ejemplo 3 A continuacin, en la columna de la izquierda se resuelve un sistema de ecuaciones lineales realizando las operaciones sobre las propias ecuaciones del sistema y en la columna de la derecha, se resuelve el mismo sistema realizando las operaciones sobre los renglones de la matriz aumentada .
+ .r + 2: = 9 2x + 4)' - 3: = 1 3x + 6y - 5: = O
x
4 6
2 -3 -5
Smese - 2 veces la primera ecuacin a la segunda para obtener
Smese - 2 veces el primer rengln al segundo para obtener
9 2)' - 7z = -17 3.\ + 6y - 5: = O

x
+ .r + 2: =
[~
2 6
2 -7 -5
-l~]
Smese - 3 veces la segunda ecuacin a la tercera para obtener
Smese -3 veces el primer rengln al tercero para obtener
24
SJ~TEMAS
DE ,eCUACIONeS LIr,EAJ.E;S Y,MATFlICES
y + 2z? 9 2y- 7z= -17 3y - llz=-27
[~
2 3
2 -7 -17
- 11
9]
por
~27
Multiplquese la segunda ecuacin por 1/2 para obtener
Multiplquese el segundo para obtener
ren~n
In
x + y + 2z =
Y-
tz =
_1}
3y - 11z
= -27
[~
[
~
O
2
1
- ]:
7
-ll
9]. =2;
17
Smese -3 veces la segunda ecuacin a la tercera para obtener
Smese -3 veceS el s,egundo r,englpn ~ para obtener
ter~er9
+ y + 2z =
Y-
tz =
9
_1 7 2
2
1
=2
-!z =
Multiplquese la tercera ecuacin por - 2 para 0btener
I O - 2
-'~J
. 2
~~
Multiplquese el tercer rengln obtener
por
~2
para
+ y + 2z =
Y - 2Z
i
9
-2
17
z=
[~
3
1
O
Smese - 1 veces la segunda ecuacin a la primera para obtener
Smese - 1 veces el segundo rengln al primero para obtener
+
Y-
121Z
=
_
3l
17 2
tz =
Z
[~
O
1
ti
- 2
2 7
l
-T
3
3 17
Smese - .!1.. veces la tercera ecuacin 2 7 a 1 pnmera y "2 veces 1a tercera a . ecuacin a la segunda para obtener
Smese - 121 'veces el tercer rengln al primero y -} veces el tercer rengln al segundo para obtene.r
=1
O
1
Y =2
z=3
Ahora es evident.e la solucin
x~
O O
~]
1,
y = 2,
z=3
J,
Cllll,ls dl,lla~ sgujentl,ls ~p. {:eu~cionl,ls I~l,laJt1$ en ;X 1 /

(a) XI (!;) (e) XI
Xl ,
Yx 3 ?
x, +
+ 2XIX2 + X3 = 2
3x 2 + 2X~/ 2 "" 4 XiI - 3X3 == ~
(b) X l + X2 + X3 = S~ijk(l~ I,lS una CQnstante) (4) XI = JiX;3 =- X2 T '7 (f) X;=X3 -
(a) 6x - 7y"" 3 (e) -3xI+4x2~'7X3+ ,8x~~5
(b) fX
(d) 2v - w
+ 4X2 - 7X3 = 8 + 3x t y ~ 4z =
3. Iialle l matril:
cQJle.~ M~les .
~X2 =
,lJment~~ pP-, G~J upo !il,l los sjgyjl,lptl,l jstl,lma d~ {:~Pl! a
(a)
XI -
3x I + 4X2 2x~ - x;
=
=;=
O - 1
3
(b)
XI
-XI
+ 2x~
(9)
+ x)= 1 -.,. X 3 == 3
= 1
X2
(el
XI
+
2X2 ~
XJ
= 1
XI
X3 2x 3 =l-
+ Xs
X4 '
=;= '}. ;=
== '}.
fIaJle ,\;ln i~temlJ 4e eCjl!l,:iQn~~ Unl,lall,ls qjle ~prrl,lsp.pnd

mtri9~$ !lUmentag sig!lieptl,l.~
9!l!ia !llll! <!$; las
l')
[~
G
~J
-J
3 4
'] [i
lo) ld)
O
1
-1
~]
O
(e)
2 3 A 4 3 2
~J
l~
O O O O 1 O O
O O
1
iJ
s.
,P~n qll,. val9T, o pam qu vl!lores, de 1!l c9n.stnte k t1l ~uilmt{: sistema ge eC!lcionl,ls Unel!ll,l$ nO tienl,l solllcjQnes? Tiene I,lx!l9tmeotl,l pna solUcin? TieIj.1,l !ln~ infil)icJJj.d eJe SolllCiQnes?
X -
y= 3
2x - ~y = k
(. ConsWete
I,ll sistema de I,lcul!<;ionl,l

l/ X
+ by = k ex + dy = I ex + Iv = m
Analice .1~s posicQnes reJativas de ll!s rectas ax cuando :
-+ !Jy
= k, ex
+ dy = 1 Y f!X + !Y ;;:: m
26
a)
b) e)
El sistema no tiene soluciones El sistema tiene exactamente una solucin El sistema tiene infinidad de soluciones
7. Demuestre que si el sistema de ecuaciones del ejercicio 6 es consistente , entonces se puede descartar al menos una ecuacin de l, sin alterar el conj\Jnto solucin. 8. Sea k = [= m = O en el ejercicio 6; demuestre que el sistema debe ser consistente. Qu se puede decir acerca del punto de interseccin de las tres rectas, si el sistema tiene exactamente una solucin? 9 . Considere el sistema de ecuaciones
+ y + 2z = a x + z=b 2x + y + 3z = e
x
Demuestre que para que este sistema sea consistente, a, b y e deben satisfacer e = a + b. 10. Demuestre que si las ecuaciones lineales Xl + kX2 = e y XI [X2 = d tienen el mismo conjunto solucin, entonces las ecuaciones son idnticas.
1.2
ELlMINACION GAUSSIANA
En esta seccin se da un procedimiento sistemtico para resolver sistemas de ecuaciones lineales; se basa en la idea de reducir la matriz aumentada a una forma que sea lo suficientemente simple como para que el sistema de ecuaciones se pueda resolver por observacin. En el ltimo paso del ejemplo 3 se obtuvo la matriz aumentada
[~
O
l O
o
O
~]
(1.1)
a partir de la cual la solucin del sistema result evidente. La matriz (l. 1) es un ejemplo de una que se encuentra en la forma escalonada en los renglones reducida. Para encontrarse en esta forma, una matriz debe tener las siguientes propiedades:
27
Si una matriz tiene las propiedades 1,2 Y 3 se dice que est en la formo eSC(Jlonall en los
renglanes.
Ejemplo 4 Las matrices siguientes estn en la forma escalonada en los renglones reducida .
[~
O 1 O
O O
4] [1O OO] 7, 1 O,
-1 O O 1
[~
1 -2 O O O' O O O
O
1
O O
~J [~ ~J
~]
Las matrices que siguen estn en la forma escalonada en los renglones. 1 4 3 O 1 6 [ O O 1

1
O
O
2 6 -1 1 O O
El lector debe verificar que cada una de las matrices anteriores satisface todos los requisitos necesarios.
OBSERVACION.
No es difcil ver que una' matriz en la forma escalonada en los renglones debe tener ceros debajo de cada I principal (vase el ejemplo 4). Como contraste, una matriz en la forma escalonada en los renglones reducida debe tener ceros arriba y abajo de cada 1 principal. Si, por una sucesin de operaciones elementales sobre los renglones, la matriz aumentada correspondiente a un sistema de ecuaciones lineales se pone en la forma escalonada en los renglones reducida, entonces es posible obtener el conjunto solucin para el sistema por observacin, o bien en el peor de los casos, despus de unos cuantos sencillos pasos. El ejemplo que sigue ilustra estas consideraciones. Ejemplo S Supngase que la matriz aumentada correspondiente a un sistema de ecuaciones lineales se ha reducido por medio de operaciones sobre los renglones a la forma escalonada en los renglones reducida que se da . Resulvase el sistema.
la)
[~
1
O
lb)
[~
1
O
O O
~Q
~1'f~I'4IA
PI;
EClUM~IQI'\lt;~ !"INEAL~
MAT~I~;1j
1,)
[~
P
O O
O
1 O
O
Q
J
5 O
~~l
XI
x~
lo)
[~
5
O O
l ~ O O
~]
Solucin parg a).
El ~item c\~ ;guaQjon~s QprrepoQdient~ es
= =2
~~
Xl
X2 X3
+ 4,x!j, ==
+ 2x4 + 3x4
= =
""'" l 6
2
q1.H: ~l, x~ y X3 corresp~men 1 ppngipales ~r la mltri~ alJm~ntll<l, se l"s llamar ,,rHlb/~!i nr;"o;pale$. Al4e&pejlf lli vPiI?J~& pringjpwlls ~n t~rmi!lQs ~ ~4 dll
P-u~sto
Xl ::; ~
1 ~ 4x4
( -.
,x7.
2x4
3X4
~3 =
2-
pagQ gu~ l ~4 se !e IHl\lc\~ sign" un valor arbitrarig, por ~jemplo t, dlq ge sQ!ucioJle~. El gp!ljuntp sglllcin queda P90 por 11)s fprrntJ&
Xl
8~
tl!mjl. una inflni.
= -1 ~ 4t,
~2 ~
6 - 2t,
+ 4~s ==
x~
X4
~~
+ J~s
1
~
Yllriable~
+ 5x s =
Aqu ls vlriables prinGipru~~ ~Q!l XII timjno~ de l~ variibles r!l~taJltes d .

-~l
X3
X3
't x\ Al despejllf hjs
principales en
=
==
-~
..., 4xs
- 6x~
1 = 3x s
eliMiNAe,N GAUSSIANA Cmo a x s se le puede asignar un valor arbitrarlo, t, Y a Xi un Valor rblUafiti una infinidad de soluciones. El conjunto slud6n qeda dado por las frmlas
Xl
29
s, se tiene
= t
~ 2 ~ 4t -
6s,
@i1
Xs
el sistema cdl'tlispondierite es
Solil'cion paro d), La ltima ecuacin
Ya qu nunca es posible satisfacer esta ecuacin, no existe solucin para el sistema. Se acaBa d ver qu fcil es resolver un sistema de ecuaciones lineales, una vet qUe su matriz auffi.ntada se encuefitra en la foma escalonada en los renglones reduCida. Ahora se explica un procedimiento paso a paso, conocido como eliminM:in de Gauss-Jordan ,';' que se pued aplicar a fin de llevar cualquier matriz a la fonna escalonada en los rengl'ortes redcida. A medida que se enuncie cada paso del procedimiento , se ilustra ia idea ilevand a esa foma a la matriz siguiente:
o
4
-2 -10
o
6
6
7
12
~5
-5
4~.
>"-~',{'-.~~1'
.-",
;jj:~1iy ,!:::~, '_~J_ .~. ~
:(
,.
,~~~,: ~;~";.~. ~f:~~ ~.\:~~' '~\::Ii'l r.:;~~",':~,,,,~c,

J
,',
-",,~.'.
',*,,-~"'.
.;,
[~ ~
~ ~~~ ~
4 -5 6
1;
-5
;~]~
-1
L Columna mis a la iiquierda tIbe HU

comta coirip1tameite de ce'OS
Friedrich Gauss (1777-J 855) . A veces conocido como el "prncipe de los matmticos", Guss hizo valiosas contribuciones la teora de los nmeros, teora de funciones, probbiidad y stadstica. Descubri una manera de calcular las rbitas de los asteroides, hizo dcscubrIriiento's bsicos en la teora electromagntic e invent un telgrafo. Camle lardan (l838-j 922) . lordan fue profesor en la cole Polyteehnique n Pars. Fue pionero en varias ramas de las matemtica s, incluyendo la teora de las matrices. Se hizo en prtieular famoso por el Teorema de la Curva de Jordan, el cual anrma : una curva simple cerrada (como un crculo o url cuadrado) divide al plano en dos regiones conexas que no se intersccan.
'" ea,.l
30
[~
[~
4 -10
O
4
-2 -5
O
6
12 7
28l 12
-1
-5
Se intercambiaron el primero y segundo renglones de la matriz ejemplo.
2 -5 O -2 4 - 5
3 6 O 7 6 -5
12
-1
14]
El primer rengln de la matriz anterior se multiplic por 1/2 .
[~
.
2 -5 O -2
O 7 O -17
14] 12
-29
.'
Se sum -2 veces el primer rengln de la matriz anterior al tercer rengln.
s '
1" __
'''r-''''''''''''-''-''-~~;':
-~''"'I''"";4
~', ~
"
.. '
,"'".';. ,", ,,"':'

v " ....
-1
r:
...
"'_
ti
"
' - '
.~~.~'/):~"' J:"~~ :/I","~i;\-.."':~;
[~
O -2 O 5
7 O -17 O
-29
12J
Columna ms a la izquierda que no consta completamente de ceros en la subrnatriz
l~
O O
O O
1 5
7 O - 2 O -17
-29
-6J
Se multiplic el primer rengln de asubmatriz por -1/2. para introducir un 1 principal.
O O
1 O
O O
- 2 2
1
-~J
Se sum -s veces el primer rengln al segundo de ella misma para introducir un cero debajo del 1 principal.
31
~
l~
2 -S
O O
1 O
3
O O
12
Se cubri el rengln superior de la submatriz Y se regres una vez ms al paso 1.
LColumna ms a la izquierda que no consta completamente de ceros en la nueva sub matriz

Se multiplic el primer (y nico) rengln de la nueva sub matriz por 2, para introducir un 1 principal.
2 -5 1 O O O
3 O O
La matriz completa est ahora en la fonna escalonada en los renglones. A fin de encontrar la forma escalonada en los renglones reducida se necesitan los siguientes pasos adicionales :
[~ [~ [~
Ejemplo 6
2
O O
- 5
1 O
3 O O 3 O O 3 O O
6 O
1
1~]
Se sum 7/2 veces el tercer rengln de la matriz anterior al segundo.
2 - 5
O O O O
l
O O
~]
I]
Se sum -6 veces el tercer rengln al primero.
2
O O
O O
Se sum S veces el segundo rengln al primero.
La ltima matriz est en la fonna escalonada en los renglones reducida.
Resulvase por medio de la eliminacin de Gauss-Jordan.

O
+ 15x6 =
'~''''~~'' .'_!i .. " t~~ 1"

_"
-.
SISfEMAS DE EcUAlOES
biNEAb~ V
MAfRics
La matriz aumerHdll para el sistem es
r~
O 2'
-2 6 -5 -2 O 5 10
3 6
O 8
2
4
()
()
=3 15 18
~!]
6
Al smr - 2 vecs el pfimer telgifi segundo y l CUlitW da
r~
[t
Al iritrml:Haf el tetcero
3 '-' 2 O -i O 5 4
2
O
~3
=2
10
8
15 18
~~J
Al mUltplicar el segundo teglfi p6r - 1 y, a 6ntlmiaiiI, sumar ""'5 Ve~s el segund al tet~r(j, y -4 veces el segtltldd al ctlafW da
3 -"2
(j
2
O (j
1
O
:1
O
O
O 6
~J
i]
y cuafto renglones y despus d multiplicaf l tercer rengln d la matriz rsultante por 1/6 s Hg a la fotIna eSGa10lada ert los tnglones
[~
3
O O
O
~2
2
O O
1
(j
2
O O
O 3
1
Al sumar -3 veceS l tercer rengln al segundo y despus de sumar :2 veces el segundo rengln de la matrIz tesuftante al prirriiO, se obtiene l fotma escalonada en los refiglofies tedlidda
El sistem de ecucibnes correspondiente es

Xl
r~
3 O O
O
1
O O
2
O
2 O
O O
O
O O
il
=0 =0 = 1-
+ 3X2
X3
+ 4x4 + 2xs + 2X4

X6
ElIMINACION GAUSSIANA
33
(Se ha descartado la ltima ecuacin, Ox + OX2 + OX3 4- OX4 + OXs + OX6 = O, puesto que ser satisfecha automticamente por las soluciones de las ecuaciones restantes.) Al despejar las variables principales, se obtiene
Xl
= -3X2 - 4x 4
2X5
x3
=
=
-2x 4
x6
Si se asignan a X2, X4 Y x s los valores arbitrarios r, s y t respectivamente, la solucin queda dada por las frmulas
Xl
= - 3r - 4s - 2t,
X3
-2s,
X5
= t,
Ejemplo 7 A menudo conviene ms resolver un sistema de ecuaciones lineales, llevando la matriz aumentada hacia la forma escalonada, sin llevar a cabo todos los pasos hasta la escalonada reducida. Cuando se hace esto, se puede resolver el sistema de ecuaciones que corresponde por medio de una tcnica llamada sustitucin IUlcia atrs. Ahora se ilustra este mtodo utilizando el sistema ttel ejemRlo 6. Por lo obtenido en los clculos del ejemplo 6, una forma escalonada en los renglones de la matriz aumentada es
3 -2 O 1
2
O O O
o
3
1
2
O O
O O
O O
Para resolver el sistema de ecuaciones correspondiente

Xl
3X2 - 2X3 X3
2xs
=O
+ 2X4
+ 3X6 = 1
X6 =
-1
se procede como sigue:
Paso 1. Se despejan las variables principales en las ecuaciones.
Xl
-3X2
+ 2x 3 -
2x s
X3 X6
= 1-
2X4 - 3X6
=-1
Paso 2. Empezando con la ecuacin de abajo y yend o hacia arriba, se sustituye sucesivamente cada ecuacin en todas las ecuaciones que estn fu d ella.,
34
Al sustituir x 6
= 1/3 en la segunda ecuacin da

Xl
X3 X6
= -3X2 + 2X3 = - 2X 4 =1
2xs
Al sustituir X3 = - 2x 4 en la primera ecuacin da

Xl
X3
=1
3X2 -
4X 4 - 2x s
= - 2x 4
=3"
X6
Paso 3. Se asignan valores arbitrarios a variables no principales cualesquiera.

Si se asignan a X2, X4 Y X s los valores arbitrarios r, s y t , respectivamente, el conjunto solucin queda dado por las frmulas
Xl
= - 3r - 4s - 2t,
X3
= 2s,
Xs
= t,
Esto concuerda con la solucin obtenida en el ejemplo 6. El mtodo de resolver sistemas de ecuaciones lineales reduciendo la matriz aumentada a la forma escalonada en los renglones se llama eliminacin gaussJna. Ejemplo 8 Resulvase
x+y+2z=9 2x + 4y - 3z = 1 3x + 6y - 5z = O
Por eliminacin gaussiana.
Solucin. Este es el sistema del ejemplo 3 . En ese ejemplo se convirti la matriz aumentada
2 -3
[i
a la forma escalonada en los renglones
-5
~]
[~
2 7 1 - 2 O
-'~]
ELIMINACION GAUSSIANA
35
El sistema correspondiente a esta matriz es

x
+ J' + 2.: =
y -
9
_1 7 2
tz =
Al despejar las variables principales da

x
= 9 - Y - 2.:
17 2
.\' =
+ 1':
.: = 3
Sustituyendo la ecuacin de abajo en las que se encuentran arriba queda
x=3 - y
.\'=2
.: = 3
y al sustituir la segunda ecuacin en la de arriba da
x
.\'=2
z=3
lo cual concuerda con la solucin encontrada por medio de la eliminacin de Gauss-Jordan en el ejemplo 3 . El procedimiento que se ha dado para reducir una matriz a la forma escalonada en los renglones o a la escalonada en los renglones reducida resulta apropiado para utilizar computadoras porque es sistemtico. Sin embargo, a veces este procedimiento introduce fracciones, las que, de lo contrario, se podran evitar al hacer variar los pasos en la forma correcta. Por consiguiente, una vez que haya dominado el procedimiento bsico, es psible que el lector desee hacer variar los pasos en problemas especficos a fm de evitar fracciones (vase el ejercicio 13). Se puede probar, aunque no se har, que no importa en qu forma se hagan variar las operaciones elementales sobre los renglones, siempre se llega a la misma forma escalonada en los renglones reducida; es decir, la forma escalonada en los renglones reducida es nica. No obstante, una forma escalonada en los renglones no es nica ; al cambiar la sucesin de operaciones elementales sobre los renglones es posible llegar a una forma escalonada en los renglones diferente (vase ejercicio 14).
OBSERVACION.
EJERCICIOS l . 2
1. Cules de .las siguientes matrices est en la forma escalonada en los renglones
reducida?
36
O O 1 1 O (d) O O O O 1
1 2 O 3 0J
(r) [
1 O 3 41J O 2
O O O O O
2. Cules de las siguientes matrices estn en la forma escalonada en los renglones?
H]
O O O 1 O O O O
(b)[~ -~
5 3
~J
~ ~ ~ ~J
3. En cada inciso suponga que la matriz aumentada para un sistema de ecuaciones lineales se ha llevado por medio de operaciones sobre los renglones a la forma escalonada en los renglones reducida que se da . Resuelva el sistema .
O O O O 1
(a)
le)
[i [~
:]
O 1 O O O O
1
lb)
[i
O 1 O
O O
3 -1
~J
2 1
5
O O O
5 3 4
O
-;J [i
Id)
2 O
O 1 O O
~]
4 7
4. En cada inciso suponga que la matriz aumentada para un sistema de ecuaciones

lineales se ha llevado por medio de operaciones sobre los renglones a la forma escalonada en los renglones que se da. Resuelva el sistema .
2
1 O
(a)
[i
-4
-2
-;]
O - 7
1
lb)
[i
O 1 O
-3
-4
1
~:]
le)
[~
5 -4 O 1 O O O O
7
4
O
1 O
-~J [1 22 ']
(d) O 1 3 3 O O O 1
(c)
S. Resuelva cada uno de los sistemas que siguen por medio de la eliminacin de Gauss-Jordan.
(a)
x. + X2 + 2x 3 = 8 (b) 2x 1 + 2X2 + 2X3 = O - x.-2x 2 +3:. 3 =1 - 2X1+5x2+2x3 = 0 3x 1 - 7x 2 + 4x] = 10 - 7x 1 + 7x 2 + X3 = O
x - y + 2z - IV = - 1 2x + y - 2z - 2w = - 2 -x +2y - 4z + w= 1 3x - 3", = - 3
ELIMINACION GAUSSIANA
37
6 . Resuelva cada u no de los sistemas del ejercicio 5 por eliminacin gaussiana. 7'. Resuelva cad a uno de los sistemas siguient es por eliminacin de Gauss-Jordan.
(a) 2x - 3X2 = -2
(b)
2x+ x 2 = 3x + 2x 2 =
3x + 2X2 - X3 = -15 5x + 3X2 + 2X3 = O 3x l + X2+3x3= 11 l1x + 7x 2 = - 30
(c)
4x 1 - 8X2 = 12 3x-6x 2 = 9 -2x 1 + 4x 2 = -6
8 . Resuleva cada uno de los sistemas del ejercicio 7 por eliminacin gaussiana. 9. Resuelva cada uno de los sistemas que siguen por eliminacin de Gauss-Jordan.
(a)
5x +2x2+ 6x3=0 - 2x 1 + X2 + 3X3 = O
(b) X -
2X2 + x 3 - 4x 4 = 1 x+ 3X2+ 7x 3 + 2X4 = 2 x - 12x 2 - 11 x3 - 16x 4 = 5
10. Resuelva cada uno de los sistemas del ej'ercicio 9 por eliminacin gaussiana. 11. Resuelva los sistemas que siguen, en donde a, b y e son constantes.
(a) 2x
3x
+ y= a + 6y = b
(b)
x+ x 2 2x 3X2
+ x 3 =a + 2X3 = b + 3X3 = e
12. Para qu valores de a el sistema que sigue no tiene soluciones? Tiene exactamente Una solucin? Tiene infinidad de soluciones?
+ 2y - 3: = 4 - Y + 5: = 2 4x + y + (a 2 - 14)z = a + 2
x
3~
B. lleve
-2
4
a la forma escalona:da en los renglones reducida sin introducir fraccin alguna. 14. Encuentre dos formas escalonadas en los renglo nes diferentes para
1 [2 3J 7
1S. Resuelva el sistema de ecuaciones no lineales que sigue para lOS ngulo. deseonocidosa, {3 y "1 , en donde O";;a";; 2rr , 0";;{3";; 21r Y O ~"I<1r.
38
2 sen ex - cos f3 + 3 tan y = 3 4 sen ex + 2 cos f3 - 2 tan ( = 2

6 sen ex - 3 cos f3 +
tan I
16 . Describa las formas escalonadas en los renglones reducidas que sean posibles para
17. Demuestre que si ad - be reducida de
*- 0 , entonces
es
la forma escalonada en los renglones
18. Aplique el resultado del ejercicio 17 para demostrar que si ad - be *- 0 , entonces el sistema
ax
+ by = k
ex
+ dy =
tiene exactamente una solucin.
1.3
SISTEMAS HOMOGENEOS OE ECUACIONES LINEALES
Como ya se seal , todo sistema de ecuaciones lineales tiene una solucin, una infinidad de soluciones, o bien, ninguna solucin. A medida que se avance , se presentan situaciones en las que no se tiene inters en encontrar las soluciones para un sistema dado, si no que, por el contrario, se trata de decidir cuntas soluciones tiene el sistema . En esta seccin se consideran varios casos en los que es posible, por simple observacin, llegar a proposiciones acerca del nmero de soluciones. Se dice que un sistema de ecuaciones lineales es homogneo si todos lo s trminos constantes son cero ; es decir , el sistema tiene la forma
a 1 x aZx
+ aZ x Z + . . . + a nX n = O + a z zxz + . . . + a ZnX n = O
To do sistema homog neo de ecuaciones lineales es consistente , ya que X = 0 , X2 = 0, .. . ,xn = siempre es una solucin. Esta solucin se conoce como solucin trivial; si existen otras soluciones, se dice que son soluciones no triviales. Dado que un sistema homogneo de ecuaciones lineales debe ser consistente , se tiene una solucin o una infmidad de soluciones. Puesto que una de estas soluciones es la trivial, se puede afIrmar 10 siguiente:
SISTEMAS HOMOGENEOS DE ECUACIONES L INEALES
39
Para un sistema homogneo de ecuaciones lineales, se cumple exactamente una de las siguientes proposiciones :
l . El sistema tiene slo la solucin trivial. 2. El sistema tiene una infinidad de soluciones no triviales adems de la trivial.
Existe un caso en el que queda asegurado que un sistema homogneo tiene soluciones no triviales; a saber, siempre que el sistema comprende ms incgnitas que ecua ciont::~. P::ra ver la razn , considrese el ejemplo que sigue de cuatro ecuaciones en cinco incgnitas.
Ejemplo 9
Resulvase el sistema homogneo de ecuaciones lineales que sigue , aplicando la eliminacin de Gauss-Jordan.
-Xl Xl
X2
+ 2X3
2x 3 X3
3x 4
+ x5 = O +x5 = O
X5
X2 -
=O
(1.2)
X4
+ X5 = O
La matriz aumentada para el sistema es
:2
-1
[-1
-1
2 -3 1 - 2 O -1
1
~J
Al llevar esta matriz a la forma escalonada en los renglones reducida , se obtiene
1 O
o
1 O O
O O
1
O
O
1 O
El sistema correspondiente de ecuaciones es

Xl
+ x2
X3
+ x5 = O + X5 = O
x4
=
(1.3)
Despejando las variables principales se llega a
= - X2 x3 = - x 5 X4 = O
Xl
x5
40
Por tanto, el conjunto solucin queda dado por

Xl
-s - t,
Xs
=t
Ntese que se obtiene la solucin trivial cuando s = t = O. En el ejemplo 9 se ilustran dos hechos importantes acerca de la resolucin de sistemas homogneos de ecuaciones lineales. En primer lugar, ninguna de las tres operaciones elementales sobre los renglones puede alterar la columna final de ceros en la matriz aumentada, de modo que el sistema de ecuaciones correspondiente a la forma escalonada en los renglones reducida de la matriz aumentada tambin debe ser un sistema homogneo (vase el sistema 1.3 del ejemplo 9). En segundo lugar, dependiendo de si la forma escalonada en los renglones reducida de la matriz aumentada tiene algn rengln slo con ceros, el nmero de ecuaciones en el sistema reducido es igual o menor que el nmero de ecuaciones en el sistema original (comprense los sistemas 1.2 y 1.3 del ejemplo 9). Por consiguiente, si el sistema homogneo dado tiene m ecuaciones en n incgnitas con m < n, si existen r renglones diferentes de cero en la forma escalonada en los renglones requcida de la matriz aumentada, se tendr r < n; as entonces, el sistema de ecuaciones correspondiente a la forma escalonada en los renglones reducida de la matriz aumentada se ver
+ L( ) = O + L( ) = O
(l.4)
en donde Xkl, Xk2, . . . , Xkr son las variables principales y L ( ) denota sumas que comprenden las n - r variables restantes. Al despejar las variables principales da
Xk, X k2
= -L( = -L( = -L(
)
)
Xk,
Como en el ejemplo 9, es posible asignar valores arbitrarios a las variables del segundo miembro y obtener as una infinidad de soluciones para el sistema. En resumen, se tiene el importante teorema que sigue : Teorema 1. Un sistema homogneo de ecuaciones lineales con ms incgnitas que ecuaciones siempre tiene una infinidad de soluciones.
OBSERVACION. Ntese que el teorema 1 slo se ap1ic~ a los sistemas homogneos. Un sistema no homogneo con ms incgnitas que ecuaciones no necesariamente es consistente (ejercicio 11); sin embargo, si el sistema es consistente, tendr una infinidad de soluciones. Se omite la demostracin.
SISTEMAS HOMOGENEOS DE ECUACIONES LINEALES
41
EJERCICIOS 1. 3
l. Sin utilizar lpiz ni papel, determine cules de los sistemas homogneos que siguen tienen soluciones no triviales.
(a)
XI + 3X2 + 5x} + x 4 = O 4x 1 - 7X2 - 3x} - X4 =0 3x I +2X2+7x}+8x4=0 a21xI + a22x2 + a2}x} = O
(b)
XI+2X2+3x}=0 x 2 + 4x} = O 5x} = O x1+ x2 = O 2x I + 2X2 = O
(e) al1xI + a 12 x 2 + al}x} = O
(d)
En los ejercicios 2 al 5, resuelva el sistema homogneo dado de ecuaciones lineales.

2. 2xI + X2 + 3x} = O XI + 2X2 = O X2 + x} = O
4.2xl-4x2+ x}+x 4 =0 x l -5x 2 +2x} =0 - 2X2 - 2x} - X 4 = O XI + 3x 2 + x4 = O XI-2x2- X}+X4=0
3. 3x I + X2 + X} + 5x 1 - x 2 + x} X4
X4
= O
= O
5.
X + 6y - 2z = O 2x - 4y + z = O
6. Para cul valor, o cules valores, de A el siguiente sistema de ecuaciones tiene soluciones no triviales?
(i. - 3)x
+ x + (i. -
3)y = O
7. Considere el sistema de ecuaciones

ax
+ by =
ex ex
+ dy = O + fy = O
Analice las posiciones relativas de las rectas ax

fy = O, cuando: a) el sistema tiene nicamente la solucin trivial b) el sistema tiene soluciones no triviales.
+ by
= O, ex
+ dy =
O Y ex
8. Considere el sistema de ecuaciones

ax
ex
a) b)
+ hy = O + dy = O
Demuestre que si x = Xo. y = Yo es cualquier solucin y k es cualquier entonces x = kxo . y = kyo tambin es una solucin. Demuestre que si x = Xo. y =Yo Yx = XI . Y = YI son dos soluciones cualesquiera, entonces x = Xo + XI.Y= Yo +YI t'ambin es una solucin .
constant~,
42
9. Considere los sistemas de ecuaciones

(1) ax
+ by = k ex + dy = I
(Il) ax . ex
+ by =
+ dy = O
Demuestre que si tanto x =XI. Y = YI como x = X2. Y = Y2 son soluciones de 1, entonces x = XI - X2, Y = YI - Y2 es una solucin de 11. b) Demuestre que si x = XI. Y = YI es una solucin de I y x = Xo. y = Yo es una solucin de 11, entonces X = XI + XO. Y = YI + Yo es una solucin de 1. 10. a) En el sistema de ecuaciones numerado (l.4), explique por qu sera incorrecto denotar las variables principales por Xl. X2' . . . X r , en lugar de xkl' xk2.' . . , xkr' como se ha hecho. b) El sistema de ecuaciones numerado (l. 3) es un caso especfico de (l . 4). Cules valores tiene r en e<;1;e caso? Cules son Xk 1. Xk2' ... Xkr en este caso? Escriba por completo las sumas denotadas por ~ ( ) en (l. 4). 11. Encuentre un sistema lineal inconsistente que tenga ms incgnitas que ecuaciones .
a)
1.4
MATRICES Y OPERACIONES MATRICIALES
Los arreglos rectangulares de nmeros reales surgen en muchos contextos que no son los de las matrices aumentadas para sistemas de ecuaciones lineales. En esta seccin se consideran eso:; arreglos como objetos por derecho propio y se desarrollan algunas de sus propiedades que se usan en el trabajo posterior en este texto. Definicin. Una matriz es un arreglo rectangular de nmeros. Los nmeros del arreglo se conocen como elementos de la matriz. Ejemplo 10 Los objetos siguientes son matrices :
[2
o - 3J
- J2 n e] 3 [ O 1 O [~J O O
[4J
Como se indica en estos ejemplos, las matrices tienen tamaos diferentes. El tamao de una matriz se describe especificando el nmero de renglones (lneas horizontales) y columnas (lneas verticales) que se presentan en ella. La primera matriz del ejemplo 10 tiene 3 renglones y 2 columnas, por tanto su tamao es de 3 por 2 (lo cual se escribe 3 X 2). El primer nmero siempre indica el nmero de renglones y el segundo el nmero de columnas. As entonces, las matrices restantes del ejemplo 10 tienen los tamaiios 1 X 4,3 X 3,2 X 1 Y IX1, respectivamente. Se usarn letras maysculas para denotar matrices y minsculas para denotar las cantidades numricas; por tanto, se podra escribir
e = [a ti
e]
43
Al analizar las matrices, por lo comn se da el nombre de escalares a las cantidades numricas. En este texto, todos los escalares sern nmeros reales. Si A es una matriz , se usar a para denotar el elemento que est en el rengln i y la columna j de A. Por consiguiente , una matriz general de 3 X 4 se puede escribir
QI2
Q22 Q32
QI3
Q23 Q33
Naturalmente, si se usa B para denotar la matriz, entonces se usar b i para el elemento que est en el rengln i y la columnaj. As entonces, una matriz general de m X 11 podra escribirse
B=
lb"
b21 .
b 12 b22 bm2
bm1
Una matriz A con 11 renglones y n columnas se denomina matriz cuadrada de orden n y se dice que los elementos all , a22, ... , ann estn en la diagonal principal de A (vase la figura 1. 2).
Q12
a22
a 2n
ano
QIl2
"'"1
.J
Figura 1.2
Hasta ahora se han utilizado las matrices para abreviar el trabajo al resolver sistemas de ecuaciones lineales. No obstante , para otras aplicaciones conviene desarrollar una "aritmtica de matrices" , en la que sea posible sumar y multiplicar las matrices en una forma til. El resto de esta seccin se ded'fc'a al desarrollo de esta aritmtica. Se dice que dos matrices son iguales si tienen el mismo tamao y los elementos correspondientes en las dos matrices son iguales. Ejemplo 11 Considrense las matrices
= e
B=
[~
e = [~
4
=1=
Aqu A =1= e, puesto que A 'y e no tienen el mismo tamao. Por la misma razn , B Tambin A =1= B, ya que no todos los elementos correspondientes son iguales.
C.
44
SISTEMAS DE ECUACIONES LINEALES V MATRICES
Definicin. Si A Y B son dos matrices cualesquiera del mismo tamao, entonces la suma A + B es la matriz que se obtiene al sumar los elementos correspondientes de las dos matrices. Las matrices de tamaos difererites no se pueden sumar. Ejemplo 12
Considrense las matrices
A~H
Entonces
O - 2
O 2 7
~]
A
B=
+ B=
[-2
~
n
4
3 2 2
5
O
-4
-:]
e=
[~
~J
5
2 3
2 O
~]
en tanto que A
+ e y B + e no estn definidas.
Definicin. Si A es una matriz cualquiera y e es cualquier escalar, entonces el producto eA es la matriz que se obtiene al multiplicar cada elemento de A por c. Ejemplo 13
Si A es la matriz
entonces
2A
A~U ~]
= [
-2 O
:]
( - I)A .
[= ~ = ~]
10 '
Si B es una matriz cualquiera, entonces - B denota el producto (-1) B . Si A YB son dos matrices del mismo tamao , entonces A- B se define como la suma A + (- B) = A + (- 1)B.
Ejemplo 14
A=
B
[~
3 2
~J
~]
= [~ - 3
2
45
Con base en las definiciones dadas - B

Y
=[
-1
-2 -7J
3
-5
A - B
[~
2 ~J + [ -~ -23 -7J = [2O -5

3
-3J -4
Obsrvese que es posible obtener A - B directamente, restandQ los elementos de B de los elementos correspondientes de A. En prrafo anterior se defmi la multiplicacin de una matriz por un escalar. Entonces, la pregunta siguiente es: cmo se multiplican dos matrices? Tal vez la definicin ms natural de la multiplicacin de matrices podra parecer : "multiplquense los elementos correspondientes". Sin embargo, sorprende el hecho de que esta definicin no sera muy til para la mayora de los problemas. La experiencia ha conducido a los matemticos a concluir la siguiente defmicin menos intuitiva pero ms til de multiplicacin de matrices. Definicin. Si A es una matriz de m X r y B es una de r X n, entonces el producto AB es la matriz de m X n cuyos elementos se determinan como sigue . Para encontrar el elemento en el rengln i y la columna j de AB, distngase el rengln i de la matriz A y la columna de la B. Multiplquense los elementos corrspondientes del rengln y columna y, a conti nuacin, smense los productos resultantes. Ejemplo 15 Considrense las matrices
[~
2 6
~J
4
B ~ [~
- 1 7
3
5
!]
Dado que A es una matriz de 2 X 3 y B es una de 3 X 4 , el producto AB es una matriz de 2 X 4. Para determinar, por ejemplo , el elemento del rengln 2 y la columna 3 de AB, se distingue el rengln 2 de A y la columna 3 ce B Entonces, como se ilustra a continuacin , se multiplican los elementos correspondientes y se suman estos productos.
-1 7
(2' 4)
3] = [DOO O J ~ OO[I]O
26
+ (6 . 3) + (O 5) =
46
El elemento del rengln 1 y la columna 4 de AB se calcula como sigue:

4
-1 7
(l . 3)
3 5
'j = [ DDOlTIlJ DO[l]O

=
+ (2 . 1) + (4 . 2)
13
Los clculos para los productos restantes son :
(1 . 4) + (2 . O) + (4 . 2) =
(l . 1) - (2 . 1) + (4' 7) =
(1 . 4)
12 27
30
+ (2' 3) + (4' 5) = (2 . 4) + (6 . O) + (O . 2) =
12 AB= [ 8
27
30
-4
26
13J 12
(21)-(61)+(07)= - 4 (2' 3) + (6' 1) + (O' 2) = 12

La detinicin de la multiplicacin de matrices requiere que el nmero de colwnnas del primer factor A sea igual al nmero de renglones del segundo factor B, para formar el producto AB. Si no se satisface esta condicin, el producto no est definido. Un modo de determinar si un producto de dos matrices est definido, es escribir el tamao del primer factor y, a la derecha del mismo , el tamao del segundo factor. Si, como en la figura 1.3, los nmeros interiores son iguales, entonces el producto est definido. Entonces, los nme ros exteriores dan el tamao del producto.
A
m
X
AB
n
In X
r Interiores Exteriores
t
Figura 1.3
Ejemplo 16 Supngase que A es una matriz de 3 X 4 , B es una de 4 X 7 y C una de 7 X 3. Entonces
AB est definido y es una matriz de 3 X 7; CA est definido y es una matriz de 7 X 4; BC est definido y es una matriz de 4 X 3. Todos los productos AC, CB y BA estn
definjdos. Ejemplo 17 Si A es una matriz general de m X r y B una matriz general de r X n , entonces, como lo sugieren las lneas sombreadas de abajo, el elemento que queda en el rengln i y la columna j de AB est dado por la frmula
47
' AB=
la
ailb lj + ai2 b 2j a l2 a22

al2
+ ai3 b3j + .. . + airb rj

b l2 b22
br1
a 2l
a" a2r
Gir
: a,1
1[bU
I
brl
bt}
b1j brj
~2l
l~ml
aml
~mJ
h'"J
brn
b 2n
La multiplicacin de matrices tiene una aplicacin importante a los sistemas de ecuaciones lineales. Considrese cualquier sistema de m ecuaciones lineales en n incgnitas:
allx l a 2l x l
+ allxl + ... + alnx n = b l + a22 x 2 + ' . , + alnx" = b l
Puesto que dos matrices son iguales si y slo si sus elementos correspondientes son iguales, es posible reemplazar las m ecuaciones de este sistema por la ecuacin matricial nica
allxl allx l l
~,"lXl + ~mlXl + . , , + ~mnXn
+ a l 2x l + ' , , + alnxn] + a22 x l +., . + alnx n

=
lb ' ] bl
~m
La matriz de m X 1 del primer miembro de esta ecuacin se puede escribir como un producto para dar
Si se designan estas matrices por A, X , Y B, respectivamente, se ha reemplazado el sistema original de m ecuaciones en n incgnitas por la ecuacin matricial nica
AX=B
(1.5)
Parte de lo que se ve posteriormente se dedica a la resolucin de ecuaciones matriciales como sta, para la matriz de incgnitas X. Como consecuencia de este enfoque matricial, se obtienen nuevos mtodos efectivos para resolver sistemas de ecuaciones lineales. La matriz A dada en (I. 5) se llama matriz de coeficientes para el sistema.
48
Ejemplo 18
A veces es til encontrar un rengln o columna particular de un producto AB, sin calcular el producto completo. Se deja como ejercicio demostrar que los elementos en la j-sirna columna de AB son los elementos del producto ABj, en donde Bi es la matriz formada al usar nicamente la j-sirna columna de B. Por tanto, si A y B son las matrices del ejemplo 15, la segunda columna de AB se puede obtener por medio del clculo
segunda columna de B
segunda columna deAB
[~:J t
De modo anlogo, los elementos del i-sirno rengln de AB son los elementos del producto AB, en donde A es la matriz fonnada al usar nicamente el i-sirno rengln de A. Por consiguiente, es posible obtener el primer rengln del producto AB del ejemplo 15 por medio del clculo :
[ [ 1 2 4]
[~ -~
3
5
!] ~
[12
27
30
1:J
primer rengln de A
primer rengln de AB
EJERCICIOS 1. 4 1. Suponga que A y B son matrices de 4 X 5 Y que C, D y E son matrices de 5 X 2, 4 X 2, Y 5 X 4, respectivamente. Determine cules de las siguientes expresiones matriciales estn definidas. Para las que estn definidas, d el tamao de la matriz resultante.
(a) BA
(d) AB
+B
(b) AC + D (e) E(A + B)
(e) AE + B (f) E(AC)
2. a) Demuestre que si tanto AB como BA estn definidas entonces AB y BA son
matrices cuadradas.
b) Demuestre que si A es una matriz de m X n y A(BA ) est definido, entonces B es una matriz de n X m . 3. Resuelva la siguiente ecuacin matricial para a, b, e y d
[a -b b + e 3d + e 2a - 4d
J=[8 ~J
7
4. Considere las matrices
A-H ~l
=[~ ~J c=G
~J
49
D=
[-
324
~ ~ ~l
E=
[-
413
~ ~l
Calcule
(a) AB (d) DE
,. (b) D + E (e) ED
(c) D-E (f) -7B
5. Utilizando las matrices del ejercicio 4, calcule (cuando se pueda): (al 3C - D (c) (AB)C (e) (4B)C + 2B (b) (3E)D (d) A(BC)
(f) D
+ E 2 (donde E2 =
EE)
6. Sean
-2
[:
5 4
:1
B= O
[6 -2
1
~l
a) el primer rengln de AB e) la segunda columna de AB
7.
8.
9.
10.
el tercer rengln de AB la primera columna de BA e) el tercer rengln de AA la tercera columna de AA Sean C. D y E las matrices del ejercicio 4 . Realizando los menos clculos posibles, determine el elemento del rengln 2 y columna 3 de C(DE). a) Demuestre que si A tiene un rengln de ceros y B es cualquier matriz parli la que AB est definido, entonces AB tambin tiene un rengln de ceros. b) Encuentre un resultado semejante que comprenda una columna de ceros. Suponga que A es cualquier matriz de m X n y que O sea la matriz de m X n para la que cada uno de los elementos es cero. Demuestre que si kA = O, entonces k = O, o bien A = O. Sea !la matriz de m X n cuyo elemento del rengln i y columnaj es
d) f)
Aplique el mtodo del ejemplo 18 para encontrar b)
{~
si si
i= j i#j
Dem4estre que AI= lA = A para toda matriz A de n X n. 11. Se dice que una matriz cuadrada es una matriz diagonal, si todos los elementos que no estn en la diagonal principal son ceros. Demuestre que el producto de matrices diagonales tambin es una matriz diagonal. Enuncie una regla para multiplicar matrices diagonales.
12. a) Demuestre que los elementos de laj-sima columna de AB son los elementos del producto ABj, en donde Bj es la matriz formada a partir de la j-sima columna de B. b) Demuestre que los elementos del i-simo rengln de AB son los elementos del producto AIB, en donde Al es la matriz formada por el i-simo rengln deA.
~l
,~,
.' ....: .
'
50
1.5
REGLAS DE LA ARITMETICA MATRICIAL
Aun cuando muchas de las reglas de la aritmtica para los nmeros reales tambin se cumplen para las matrices, hay algunas excepciones ; una de las excepciones ms importantes se presenta en la multiplicacin de matrices. Para los nmeros reales a y b, siempre se tiene ab =: bao Esta propiedad a menudo se denomina ley conmutativa para la multiplicacin. Sin embargo, en el caso de las mtrices , AB y BA no necesariamente son iguales. Es posible que la igualdad no se cumpla por tres razones. Puede suceder, por ejemplo , que AB est definido , pero BA no. Este es el caso si A es una matriz de 2 X 3 Y B una de 3 X 4. Tambin puede suceder que tanto AB como BA estn defmidos, pero tengan tamaos diferentes . Esta es la situacin si A es una matriz de 2 X 3 Y B una de 3 X 2 . Por ltimo, como se muestra en el ejemplo que sigue , se puede tener AB BA, incluso si AB y BA estn ambos definidos y tienen el mismo tamao.
Ejemplo 19
B=
Al multiplicar da
G~J
-1
AB
= [ 11
De donde , AB *BA .
Aunque la ley conmutativa para la multiplicacin no es vlida en la aritmtica matricial, muchas leyes conocidas de la aritmtica se cumplen para las matrices. En el teorema que sigue se resumen algunas de las ms importantes,junto con sus denominaciones.
Teorema 2. Suponiendo que los tamaos de las matrices son tales que es posible efectuar las operaciones indicadas, son vlidas las reglas que siguen de la aritmtica matricial:
+B=B A A + (B + C) = (A + B) + C A(BC) = (AB)C A(B + C) = AB + AC (B + C)A = BA -l' CA (f) A(B - C) = AB - AC (g) (B - C)A = BA - CA (h) a(B + C) = aB + aC (i) . a(B - C) = aB - aC (j) (a + b)C = aC -t-bC (k) (a - b)C = aC - bC (1) (ab)C = a(bC) (m) a(BC) = (aB)C = B(aC)
(a) A
(b) (c) (d) (e)
(Ley conmutativa para la adicin) (Ley asociativa para la adicin) (Ley asociativa para la multiplicacin) (Ley d istrib utiva) (Ley distributiva)
51
Cada una de las ecuaciones de este teorema sostiene una igualdad entre matrices. Para probar una de estas igualdades, es necesario demostrar que la matriz del primer miembro tiene el mismo tamao que la matriz del segundo miembro, y que los elementos correspondientes en los dos miembros son iguales. Como ilustracin, se probar (h) . Algunas de las demostraciones restantes se dan como ejercicios.
Demostracin de (h). Puesto que el primer miembro comprende la operacin B + C, B Y e deben tener el mismo tamao , por ejemplo m X n. Se deduce que a(B + e) y aB + ae tambin son matrices de m X n y, por tanto, tienen el mismo tamao. Sea lji cualquier elemento del primer miembro y rji el elemento correspondiente del segundo. Para completar la demostracin, es necesario demostrar que lji = rjj. Si ajj' bij y C son los elementos del i-simo rengln y j- sima columna de A , B Y e, respectivaij
mente , entonces, por las definiciones de las operaciones matriciales,
ji = a(b ij
+ Cij )
= ab jj
rij = ab ij + aCij
se tiene ljj = rij' 10 cual completa la demostra-
Debido a que a(b jj cina
+ Ci/)
+ aCij'
Aunque las operaciones de adicin y multiplicacin de matrices se defmieron para pares de stas, las leyes asociativas (b) Y (c) permiten denotar sumas y productos de tres matrices , como A + B + e y ABe, sin introducir parntesis algunos. Esto queda justificado por el hecho de que no importa cmo se introduzcan los parntesis, las leyes asociativas garantizan que se obtendr el mismo resultado final. Sin entrar en detalles, se observa que son vlidos resultados semejantes para sumas o productos que comprenden cuatro o ms matrices. En general , dados cualquier suma o cualquier producto de matrices, se pueden colocar o quitar pares de parntesis en cualquier lugar dentro de la expresin, sin
afectar el resultado final.

Ejemplo 20 Como ilustracin de la ley asociativa para la multiplicacin de matrices, considrese
B=
Entonces
[~ ~J
de modo que
(ABlC
Por otra parte ,
~ Hti] G~J ~ [~; :~]
Be=[~ ~J[~ ~J=[l~ ~J
52
de manera que
A(BC)
[~ ~ [l~ ~] = 4~ 3~
1 2]
[18 15]
Por tanto, (AB) C =A (BC) , como lo garantiza el teorema 2(C). Una matriz en la que todos los elementos son cero, tales como
O o O] [O
O O O, O O
[OJ
se denomina matriz cero. Las matrices cero se denotan por O; si es importante hacer hincapi en el tamao, se escribe Om Xn para la matriz cero de m X n. Si A es cualquier matriz y O es la matriz cero con el mismo tamao , es obvio que A + O = A . La matriz O desempea casi la misma funcin en esta ecuacin matricial que el nmero en la ecuacin numrica a + O = a . Como ahora ya se sabe que algunas de las reglas de la aritmtica para los nmeros reales no son vlidas en la aritmtica de las matrices, sera aventurado suponer que todas las propiedades del nmero real cero se llevan a las matrices cero . Por ejemplo , considrense los dos resultados estndar que siguen de la aritmtica de los nmeros reales :
i) ii)
Si ab = ac ya #= 0 , entonces b = c. (Esta se conoce como ley de cancelacin.) Si ad = 0 , entonces al menos uno de los factores de la izquierda es O.
Como se muestra en el siguiente ejemplo, los resultados correspondientes son falsos en
la aritmtica matricial.
Ejemplo 21
[~ ~J
B=G !]
AB
Aqu
AC
[! :]
Aunque A #= 0, es inco"ecto cancelar laA de ambos miembros de la ecuacinAB = AC y escribir B = C. Por tanto , la ley de cancelacin no se cumple para las matrices. Tambin, AD = 0, sin embargo, A #= y D #= 0, de modo que el resultado (ii) que se lista en prrafo anterior no se lleva a la aritmtica matricial.
53
A pesar de estos ejemplos negativos, cierto nmero de propiedades conocidas del nmero real O se llevan hacia las matrices cero. En el teorema que sigue se resumen algunas de las ms importantes; las demostraciones se dejan como ejercicios. Teorema 3. Suponiendo que los tamaos de las matrices son tales que se pueden efectuar las operaciones indicadas, las siguientes reglas de la aritmtica matricial son vlidas.
(a) A
+ O= O+ A = A (h) A - A = O (e) O-A=-A (d) AO = O: OA = O

Como aplicacin de estos resultados de la aritmtica matricial, se probar el teorema que sigue, el cual se anticip con anterioridad en el texto. Teorema 4. Todo sistema de ecuaciones linru/es no tiene soluciones, tiene exactamente
una solucin, o bien, una infinidad de soluciones. Demostracin. Si AX = B es un sistema de ecuaciones lineales, exactamente una de las siguientes afirmaciones es verdadera: (a) el sistema no tiene soluciones, (b) !'JI sistema tiene
exactamente una solucin, o bien, (e) el sistema tiene ms de una solucin. Se completa la demostracin si se puede probar que el sistema tiene una infinidad de soluciones en el caso (e). Supngase que AX = B tiene ms de una solucin y que Xl y Xl son dos soluciones diferentes. Por tanto , AX I = By AX2 = B. Al restar estas ecuaciones daAX I - AX2 = O, o bien, A(X - X 2 ) = O. Si se hace que X o = Xl - X 2 y k es cualquier escalar, entonces
A(.\'I
+ /':.\'0)
= AX 1
= A.\'I = 8 + kO = 8 + ()
=8
+ A(/.:X o) + /.:(AX o)
Pero con esto se afirma que X + k X o es una solucin de AX = B. Ya que existe una infinidad de valores que puede tomar k, AX = B tiene una infinidad de soluciones . En especial interesantes son las matrices cuadradas que tienen puros 1 en la diagonal principal y O en todas las dems posiciones, tales como
1 O O] [
O 1 O, O O 1
1 O O [ O
01 1 O O O 1 O' O O 1
O O
etc.
Una matriz de este tipo se denomina matriz identidad y se denota por l. Si es importante hacer hincapi en el tamao, se escribe In para la matriz identidad de n X n.
54
Si A es una matriz de m X n , entonces, como se ilustra en el ejemplo que sigue , AIn = A Y ImA = A. Por consiguiente , una matriz identidad desempea casi la misma funcin en la aritmtica matricial que el nmero 1 en las relaciones numricas a 1 = 1 a= a FJemplo 22 Considrese la matriz
A =
Entonces
[a!!
a2 !
1 A =
y
[1 0J [a!!
1
a2 !
ll
A13 =
[a a2!
Si A es una matriz cuadrada cualquiera y si es posible hallar una matriz B tal que AB = BA = 1, entonces se dice que A es inversible y B se conoce como inversa de A. Ejemplo 23
La matriz
B
puesto que
[~ ~J
AB = [
es una inversa de
- 1
2 -~J[~
~J = [~ ~J = 1
1
BA
FJemplo 24
=[~ 5J[ -1 -5J=[1O~J = 2 2 3

A
La matriz
~ [~ 5 ~]
4
55
no es inversible. Para ver por qu, sea
una matriz cualquiera de 3 X 3 . Por lo visto en el ejemplo 18 la tercera colurT:!!'l de BA es
Por tanto,
BA #- l
[O
O 1 O
1 O 0J
O 1
Resulta razonable preguntar si una matriz inversible puede tener ms de una inversa. El teorema que sigue indica que la respuesta es no : una matriz inversible tiene exactamente una inversa. Teorema S. Si tanto B como C son inversas de la matriz A, entonces B = C.
Demostracin. Supuesto que B es una inversa de A, BA = /. Al multiplicar por la derecha ambos miembros por C da (BA) C = IC = C. Pero (BA) C= B(AC) = BI= B , de modo queB= C. I
Como consecuencia de este importante resultado , ahora se puede hablar de "la" inversa de una matriz inversible . Si A es inversible , entonces su inversa se denota por medio del smbolo A _ 1 . Por consiguiente
~
'1' ...--
-t
1.:.
... -
: -__
La inversa de A desempea casi la misma funcin en la aritmtica matricial que la desem-
peada por el recproco a- 1 en las relaciones numricas aa- I Ejemplo 2S Considrese la matriz de 2 X 2
= 1 Y a- 1 a = 1.
A=[:
!]
56
Si ad - bc :#: O, entonces
A- 1
- ad - bc
[d -e
-ad: bcl
ad - bJ
dado que AA - 1 = 12 yA - 1 A = 12 (verifquese). En la siguiente ecuacin se muestra cmo encontrar las inversas de las matrices inversibles cuyos tamaos son mayores que 2 X 2. Teorema 6. Si A Y B son matrices inversibles del mismo tamao, entonces
a) AB es inversible
b) (ABr 1 =B- 1 A- 1
Demostracin. Si se puede demostrar que (AB) (B- 1 A -1 ) = (B- 1 A -1 ) (AB) = 1, ento n

ces se habr establecido simultneamente que AB es inversible y que (ABr 1 = B- 1 A -1 Pero (AB) (B- 1 A- 1 ) =A(BB- 1 ) A - 1 =AIA- 1 =AA- 1 =1. Anlogamente, (B- 1 A- 1 ) (AB) =1. Aun cuando no se probar, este resultado se puede extender hasta incluir tres o ms factores. Por tanto, es posible enunciar la siguiente regla general:
Ejemplo 26 Considrense las matrices
G ~J
AB
[~ ~J
Al aplicar la frmula dada en el ejemplo 25, se obtiene
Tambin
-;J [-13 -2J = [ 1

2
- 2
~J
Por consiguiente, (AB
= B- 1 A -1 , segn lo garantiza el teorema 6.
57
Si A es una matriz cuadrada y n es un entero positivo, se define
Si , adems , A es inversible, se define
Teorema 7. Si A es una matriz inversible, entonces:

a) b) e) A -1 es inversible y (A - 1 r 1 = A. A"esinversibley(A"r 1 =(A - 1 )"paran=O,1,2, .... Para cualquier esca/ardiferentede cero k, kA es in versib le y (kAr l =tA-1
Demostracin. a)
b) e)
Dado que AA- 1 =A -1 A =l, A -1 es inversible y (A -1 r 1 =A. Esta parte se deja como ejercicio . Si k es cualquier escalar diferente de cero, los resultados (1) y (m) del teorema 2 permiten escribir
De modo ana10go
G-1) =
A (kA)
l, de manera que kA es inversible y (kA
r1 A=
Se concluye esta seccin con la siguiente observacin: si A es una matriz cuadrada y r y s son enteros, entonces son vlidas las conocidas leyes de los exponentes que siguen:
Las demostraciones se dejan como ejercicios.
EERCICIOS 1.5
l. Sean
B
[~ ~J
ti
= - 3
h= 2
68
Demuestre que
(a) A (e) (a
+ (B + C) = (A + B) + C + b)C = aC + bC
(b) (AB)C = A(BC) (d) a(B - C) = aB - aC
2. Utilizando las matrices y los escalares del ejercicio 1, demuestre que

(a) a(BC)
= (a B )C = B(a C )
(b) A(B - C) = AB - A C.
3. Aplique la frmula dada en el ejemplo 25 para calcular las inversas de las SIguientes matrices :
A=
[~ ~J
[~ ~J
4. Verifique que las matrices A y B del ejercicio 3 satisfacen la relacin (ABr 1 =B-1A- 1 . 5. Sean A y B matrices cuadradas del mismo tamao. Es (ABl = A 2 B 2 una identidad matricial vlida? Justifique la respuesta . 6. Sea A una matriz inversible cuya inversa es
Encuentre la matriz A. 7. Sea A una matriz inversible y suponga que la inversa de 7A es
J [-1 2
4 -7
Encuentre la matriz A. 8 . Sea A la matriz
Calcule A 3 , A - 3 , Y A 2 9 . Sea A la matriz
2A
+l.
Determine si A es inversible y, si lo es, encuentre su inversa . (Sugerencia. Resuelva AX = / igualando los elementos correspondientes de los dos miembros.) 10. Encuentre la inversa de
cos O sen oJ [ - sen O cos O _
59
11.
aJ
Encuentre las matrices A y B de 2 X 2 tales que
bJ
Demuestre que, si A y B son matrices cuadradas tales que AB = BA, entonces

(A
+ B)2 =
A2
+ 2AB + B 2
cJ
Halle un desarrollo de (A + B/ que sea vlido para todas las matrices cuadradas A y B que tengan el mismo tamao.
12. Considere la matriz
A=
en donde aa22 . .. a nn '*- O. Demuestre que A es inversible y encuentre su inversa. 13. Suponga que A es una matriz cuadrada que satisface A 2 _ 3A + 1= O. Demuestre que A - = 31 - A. 14. aJ Demuestre que una matriz con un rengln de ceros no puede tener una inversa. b) Demuestre que una matriz con una columna de ceros no puede tener una inversa. 15. Es necesariamente inversible la suma de dos matrices inversibles? 16. Sean A y B matrices cuadradas tales que AB = O. Demuestre que A no puede ser inversible a menos que B = O. 17. En el teorema 3, porqu no se pudo escribir el inciso (dJ como AO = 0= OA? 2 18. La ecuacin real a = 1 tiene exactamente dos soluciones. Encuentre al menos ocho matrices diferentes de 3 X 3 que satisfagan la ecuacin matricialA 2 = 13' (Sugerencia. Busque soluciones en las que todos los elementos que no estn en la diagonal principal sean cero.) 19. Sea AX = B cualquier sistema consistente de ecuaciones lineales y supngase que X es una solucin fija. Demuestre que toda solucin para el sistema se pueX o, en donde X o es una solucin para AX = O. de escribir en la forma X = X Demuestre tambin que toda matriz de esta forma es una solucin. 20. Aplique los incisos (dJ y (mJ del teorema 2 a las matrices A, By ( - 1) Cpara deducir el resultado del inciso ([J. 21. Demuestre el inciso (bJ del teorema 2. 22. Demuestre el teorema 3. 23 . Demuestre el inciso (cJ del teorema 2. 24. D.e muestre el-inciso (bJ del teorema 7. 25 . Considere las leyes de los exponentes ArAs = Ar+ s y (Ar Js = Ars. aJ Demuestre que si A es cualquier matriz cuadrada, estas leyes son vlidas para todos los valores enteros no negativos de r y s.
~ll
.
60
Demuestre que si A es inversible, entonces estas leyes se cumplen para todos los valores enteros negativos de r y s. 26. Demuestre que si A es inversible y k es cualquier escalar diferente de cero , entonces (kA)n == k n A n para todos los valores enteros de n . 27 . a) Demuestre que siA es inversible y AB == AC entoncesB == C. b) D una explicacin de por qu el inciso (a) y el ejemplo 2 1 no se contradicen entre s. 28. Demuestre : Si R es una matriz cuadrada en la forma escalonada en los renglones reducida y si R no tiene renglones cero , entonces R == I.
b)
1.6
MATRICES ELEMENTALES Y UN METODO PARA HALLAR A- 1
En esta seccin se desarrolla un esquema o algoritmo sencillo para encontrar la inversa de una matriz inversible.
Definicin. Se dice que una matriz de n X n es una matriz elemental si se puede obtener a partir de la matriz identidad de n X n realizando una sola operacin elemental sobre los renglones.
Ejemplo 27
A continuacin se listan cuatro matrices elementales y las operaciones que las producen:
(1)
. [1 -~J
O
(ii)
l~ ~J
O O O O O 1 O
lntercmbiense el segundo y cuarto renglones de l.
(iii)
[~ ~]
O
1
(;v)
[~
O
1
~]
Multipl quese el segundo rengln de 1, por - 3
l"m,~ 3 . ." " , tercer rengln de

1, al primer rengln
Mu\tiplq uese el primer rengl n del, porl
Cuando se multiplica por la izquierda una matriz A por una matriz elemental E , el efecto es el de realizar una operacin elemental sobre los renglones en A. Este es el contenido del teorema que sigue, el cual se enuncia sin demostracin. Teorema 8. Si la matriz elemental E resulta al efectuar cierta operacin sobre los renglones en 1m Y si A es una matriz de m X n , entonces el producto EA es la matriz que resulta al efectuar la misma operacin sobre los renglones en A . En el siguiente ejemplo se ilustra esta idea. Ejemplo 28 Considrese la matriz A
~ [i
2
3
4
-1
4
3 ]
-1
MATRICES ELEMENTALES Y UN METOCO PARA HALLAR A
61
y considrese la matriz elemental
1 O 0J 1 (O O O 3 1
O
que resulta al sumar 3 veces el primer rengln de 13 al tercer rengln. El producto EA es
2
3 10
- 1
4
que es precisamente la misma matriz que resulta al sumar 3 veces el primer rengln de A al tercer rengln .
OBSERVACION. El teorema 8 es principalmente de inters terico y se aplicar para desarrollar algunos resultados acerca de las matrices y los sistemas de ecuaciones lineales.
Desde el punto de vista del clculo, es preferible efectuar las operaciones sobre los renglones directamente , en lugar de multiplicar por la izquierda por una matriz elemental. Si se aplica una operacin elemental sobre los renglones a una matriz identidad 1 para producir una matriz elemental E, entonces existe una segunda operacin sobre los renglones que, al aplicarse a E, reproduce l . Por ejemplo, si se obtiene E al multiplicar el i-simo rengln de 1 por una constante diferente de cero e, entonces es posible recobrar 1 si se multiplica el i-simo rengln de E por l/c. En la figura lA se listan las diversas posibilidades.
M ultipI q uese el rengln i por e 1=0
Multiplquese el rengln i por l/e Intercmbiense los renglones y j Smese -e veces el rengln i
al rengln j
Intercmbiense los renglones

i yj
Smese e veces el rengln i al renglnj
Figura 1.4
Las operaciones que estn a la derecha en esta tabla se denominan operaciones
inversas de las operaciones correspondientes que estn a la izquierda.

Ejemplo 29 Si se aplican los resultados que se dan en la figura lA, las tres primeras matrices elementales que se dan en el ~emplo 27 se pueden llevar nuevamente a matrices identidad al aplicar las siguientes operaciones sobre los renglones: multiplicar el segundo rengln de (i) por .- 1/3 ; intercambiar el segundo y cuarto renglones de (ii) ; sumar - 3 veces el tercer rengln de (iii) al primer rengln.
62
El teorema que sigue da una importante propiedad de las matrices elementales. Teorema 9.
Tockz matriz elemental es inversible y la inversa tambin es una matriz
elemental. Demostracin. Si E es una matriz elemental, entonces se llega a E llevando a cabo alguna operacin sobre los renglones en l. Sea Eo la matriz que se obtiene al realizar la inversa de
esta operacin en l. Al aplicar el teorema 8 y teniendo en cuenta el hecho de que-las operaciones inversas sobre los renglones cancelan el efecto de cada una de las otras, se deduce que
EoE = 1
EEo = 1
Por tanto , la matriz elemental Eo es la inversa de E.
Si es posible obtener una matriz B a partir de una matriz A , efectuando una sucesin finita de operaciones elementales sobre los renglones, entonces, obviamente, se puede regresar de B hacia A, llevando a cabo las inversas de estas operaciones, en orden inverso . Las matrices que se pueden obtener una de la otra por medio de una sucesin finita de operaciones elementales sobre los renglones, se dice que son equivalentes respecto a los
renglones.
El teorema que sigue establece algunas relaciones fundamentales entre las matrices de n X n y los sistemas de n ecuaciones lineales en n incgnitas. Estos resultados son sumamente importantes yse aplican muchas veces en secciones posteriores. Teorema..lO . Si A es una matriz de n X n, entonces las siguientes proposiciones son equivalentes, es decir, todas son verdaderas o todas son falsas.
a) b)
c)
A es inversible. AX = O tiene nicamente la solucin trivial. A es equivalente respecto a los renglones a In .
Demostracin. Se prob ar la equivalencia al establecer la cadena siguiente de implicaciones :

a) =>b) => c) => a).
a) ~ B): Supngase que A es inversible y que X o es cualquier solucin para AX = O. Por consiguiente , AXu = O. Al multiplicar los dos miembros de esta ecuacin por A - 1 se ob tiene A - 1 (AX o ) = A - 1 O, o bien (A - 1 A)Xo = O, o bien,IXo = O, o bien X o = 0.. Por tanto , AX = O slo tiene la solucin trivial.
b) => c): Sea AX = Ola forma matricial del sistema
(1.6)
MATRICES ELEMENTALES Y UN METODO PARA HALLAR A-
63
y supngase que el sistema nicamente tiene la solucin trivial. Si se resuelve por la elimi-
nacin de Gauss-Jordan, entonces el sistema de ecuaciones correspondiente a la forma escalonada en los renglones reducida de la matriz aumentada ser
Xl X2
=0 =0
Xn
(1.7)
= O
Por consiguiente, la matriz aumentada
r
a21 anl
a12 a 22
a ln a2n
a n2
a nn
!J
para (1. 6) se puede reducir a la matriz aumentada l O O O 1 O O O
O O O O O O O
O O O
para (1.7), por una sucesin de operaciones elementales sobre los renglones. Si se descarta la ltima columna (de ceros) en cada una de estas matrices, es posible concluir que se puede reducir A hacia In por una sucesin de operaciones elementales sobre los renglones; es decir, A es equivalente respecto a los renglones a In. e) ~ a): Supngase que A es equivalente respecto a los renglones a In, de modo que es posible llevar A hacia In por una sucesin finita de operaciones elementales sobre los renglones. Por el teorema 8 es posible realizar cada una de estas operaciones multiplicando por la izquierda, por una matriz elemental apropiada. Por tanto, se pueden encontrar las matrices elementales El, E2 , . . , Ek tales que (1.8) Por el teorema 9, El, E 2 , . , Ek son inversibles. Al multiplicar los dos miembros de la ecuacin (1.8) por la izquierda, sucesivamente por Ek/ , ... , Ei l , E l l se obtiene
(1.9)
Dado que (I .9) expresa a A como un producto de matrices inversibles, se puede concluir que A es inversible . I
64
OBSERV ACION . Como In est en la forma escalonada en los renglones reducida y ya que
sta para una matriz A es nica , el inciso (e) del teorema 10 es equivalente a afirmar que In es la forma escalonada en los renglones reducida de A . Como primera <ij>licacin de este teorema, se establecer un mtodo para determinar la inversa de una matriz inversible. La inversin del primero y segundo miembros de (I .9) da A -1 ::: Ek . . . E2E , o lo que es equivalente,
(1.10)
con lo cual se afirma que es posible obtener A -1 al multiplicar In sucesivamente por la izquierda, por las matrices elementales El, E2, .. ., Ek' Puesto que cada multiplicacin por la izquierda, por una de estas matrices elementales, realiza una operacin sobre los renglones, se concluye, al comparar las ecuaciones (1.8) y (l.l O), que la sucesin de operaciones sobre los renglones que reduce A hacia In , reducir In hacia A - . Por tanto, para hallar la inversa de una matriz inversible A , debe encontrarse una sucesin de operaciones elementales sobre los renglones que reduzca A hacia la identidad y, a continuacin, efectuar esta misma sucesin de operaciones sobre In para obtener A - . En el sigui(!nte ejemplo se da un mtodo sencillo para llevar a cabo este procedimiento . Ejemplo 30 Encuntrese la inversa de
2 5
O
Se desea reducir A hacia la m.atriz identidad por operaciones sobre los renglones y, simultneamente , aplicar estas operaciones a 1 para producir A - . Se puede realizar esto, adjuntando la matriz identidad a la derecha de A y aplicando las operaciones sobre los renglones a ambos lados, hasta que el lado izquierdo se reduce a l. Entonces la matriz final tendr la forma [IIA -1 J. Los clculos se pueden realizar como sigue:
[i
[~ [~
2
5 O
3 3 8
.g
1 O O 1
1 O
~]
2
1
-2
-3 5
I
- 2
-1
I I I I
O 1 O O 1 2
2 3 1 -3 O -1
1 -2
i. -5
~] ~]
Se sum -2 veces el primer renl:!n al segundo y -1 vecOlS el primer rengln al tercero
Se sum 2 veces el segundo rengln al tercero
MATRICES ElEMt;NTALES y UN METOOO PARA MALLAR A-
65
[~ [~
"
.
3 - 3
O O
O
1 -2 5 -2
-~]
-1
Se multiplic el tercer rengln por -1.
2
O O 1
O
\ -14 I I 13
I I
I
-5 5 -2
16
-:]
-~]
-1 16
s~ sum 3 veces el tercer rengln al segundo y -3 veces el tercer rengln al primero .
[
O
O
Por tanto,
O
O
\ -40 I I 13
I I
I
-5
Se sum -2 veces el segundo rengln a1.primero
5 -2
A- =
[- ~ 13
- 5 5 -2 -1
-~]
A menudo no se sab r con anterioridad si una matriz dada es inversible . Si se intenta el procedimiento aplicado en este ejemplo sobre una matriz que no es inversible, entonces, por el inciso (e) del teorema 10, ser imposible reducir el lado izquierdo hacia 1 por operaciones sobre los renglones. En algn paso del clculo, se Presentar un rengln de ceros en el lado izquierdo; entonces se puede concluir que la matriz dada no es inverslble y detener los clculos.
~iemplo 31
Considrese la matriz
A=[~ ~2 -~] -1 5
Al aplicar el procedimiento del ejemplo 30 da
L~
6 4
4 -1 5 4
O
1
O
O
O O
~] ~] ~]
Se sum -2 veces el primer rengln al segundo y el primero al tercero. Se sum el segundo rengln al tercero.
[ [
6 O -8 O 8
-9 9
-2
1
1 O
1 6 4 O -8 -9 O O O
-2
-1
66
Puesto que se ha obtenido un rengln de ceros en el lado izquierdo, A no es inversible.
Ejemplo 32
En el ejemplo 30 se demostr que
2 3]
5 3
O 8
es una matriz inversible . Con base en el teorema lO se puede concluir ahora que el sistema de ecuaciones
+ 2xz + 3x 3 = O 2x l + 5xz + 3x 3 = O Xl + 8X3 = O

Xl
tiene nicamente la solucin trivial.
EJERCICIOS 1.6
1. Cules de las que siguen son matrices elementales?
(a)
[~ ~J
O O [~ 10] O 1 O
(b)
[~
~J
1 O O O
(e)
[~ ~J
(d)
(e)
[:
!l
0]
(f)
-:] [l
(g)
O O 1 1 O O O 1
2. Determine la operacin sobre los renglones que llevar la matriz elemental dada hacia una matriz identidad.
(a)
[~ ~J
(e)
[l
MATRICES ELEMENTALES Y UN METODO PARA HALLAR A -
67
A=
3] 126 5 [4 8 9 7
7 8 9] 5 6 [1 2 3
4
Encuentre las matrices elementales E , E2 , E 3 Y E4 tales que

(a) EA=B
4. En el ejercicio 3' es posible encontrar una matriz elemental E tal que EB = C? Justifique la respuesta. En los ejercicios 5-7, aplique el mtodo mostrado en los ejemplos 30 y 31 a fn de encontrar la inversa de la matriz dada , si la matriz es inversible .
5. (a)
[~
[
~J
4
O
(b)
[-~
6. (a)
5
6 7 7
-:]
- 4
-~J
(e) [
_!
-~J
O
IblU
(e)
4
2 O
J lel [i
:1
(O
~]
5 5
10
1 1 1
(d)
]
v1
7. (a)
[J
11 1 - 2
-1]
" i -~ JO
V2
~]
Ib{
O O 2 O 2 4 2 4
~J
(el []
4
8
-!J
8. Demuestre que la matriz
es inversible para todos los valores de 9. Considere la matriz
e y encuentre A -
1.
A =
a)
[~ ~J
= l.
b)
e)
Encuentre las matrices elementales E y E tales que EEIA' Escriba A - 1 como un producto de dos matrices elementales. Escriba A como un producto de dos matrices elementales.
10. Efecte las operaciones sobre los renglones que siguen
58
SISTEjV1AS PI" I"CVACION~S LIN~~I,.ES
y MJ!,TFIICI:S
sobre
A = [-
~35 ~] 5
1
multiplicando A por la izquierd&, por una n&triz elemental apropiada. En cada caso, vt:rifique la respuesta llevando a cabo la operacin sobre los renglor~s directamente sobre A.
a)
r)
b;
Intercambie el primero y ter::er renglones. Multiplique el ~egundo rengln por 1/3 . Sume el dob~e del segundo rengln al prin1ero.
11. Exprese la matriz

3
3
-5
1
en la form a A = EFR, en donde E y F SO!) matrices elementales y R est4 en la forma escalonada en los renglones . 12. Demuestre que si
,1 O0]
A =
lO
1 O b e
es una matriz elemental, entonces al menOS un elemento del tercer rengln debe ser un cero . 13. Encuentre la inversa de cada una de las matrices de 4 X 4 siguientes, en donde k 1, k 2 ,.k 3 , k4 Y k son todas diferentes de cero.
kl O O O O O k2 O O k3 O O 0-' O O
k4
O
O
(b) O
k
(e)
(a)
O1 k
1 k
01 0J
k4
O O 1 k
14. Pruebe que si A es una matriz de m X n , existe una matriz inversible e tal que CA est en la forma escalonada en los renglones reducida. 15. Pruebe que si A es una matriz inversible y B es equivalente respecto a los renglones a A entonces B ta mbin es inversible.
1.7
RESULTADOS ADICIONALES ACERCA DE LOS SISTEMAS DE ECUACIONES Y LA INVERSIBILlDAD
En esta seccn se establecen ms resultados acerca de los sistemas de ecuaciones lineales y la inversibilidad de las matrices. Lo que se vea conducir a un mtodo para resolver n ecuaciones en n incgnitas, que es ms eficaz que la eliminacin g;lllssiana, para ciertos tipos de problemas.
RESULTADOS ADICIONALES AO~RCA DE
los SISTEMAS DE ECUACIONES
69
Teorema 11. Si A es una matriz irtversible de n X n, entonces para cada matriz B di! n Xl, el sistemd de ecuaciones AX = B tiene exactamente una solucin. a saber, X = A -1 B.
Dernostrdcin. PuestO' que A(A -1/1) == B, X = A -1 B es una sO'lucin de AX = B. Para dertlO'stta:t que sta: es la nica sO'lUcln, se supO'ndr que X o es una sO'lucin arbitraria y, a continuacin, se demostrar que X o debe ser la sO'lucin A -1 B. Si Xd es cua:lquier solucin, entO'nces AXo = B. Al multiplicar IO's dO's miembros por A -1 , se tt15tiene Xo = A - 1
B:
EjemPl 33 Cnsidere l sisterna de eeUaciO'nes lineales

xj
2x 1 +
Xl
+ ~X 2 + 3.\ 3 = 5 5X1 + 3.\3 = 3 + 8.\'3 = 17
En la: f(jrni matricial. este sistema se puede eScribir come AX = B, en dO'nde
A=
1 :2 3] [~ ~ ~
y = .::
[Xl]
B=
1~
5J
En el ejemplO' 30 se dettidstt6 q116 A es lnversible y que
-40
A- =
1~
16 -5
_1
- 1
-~]
Por el teO'fema 11. la selucin del sistema es

16
-5 [ = - 2 -1 17
~] ~] r-~] L
2
La tcnica que S ifustr en este ejemplO' slO' se aplica cuandO' la matriz de ceeficientes A es cuadrada, es decir, cuando el sistema tiene tantas ecuacienes cerne incgnitas. Sin e'mbargO', rtnichO's problemas de la ciencia y la ingeniera cemprenden sistemas de este tipO' . Ei mtO'de eS til en particular cuandO' eS necesariO' resolver una serie cempleta de sistemas
AX= 13 1 , AX= 132 " " , AX= Bk
70
cada uno de los cuales tiene la misma matriz cuadrada de coeficientes A. En este caso, se pueden obtener las soluciones
X= A -lBI,X= A -IB 2 ,
... ,
X= A - IBk
aplicando una inversin de matrices y k multiplicaciones de matrices. Este procedimiento es ms eficaz que el de aplicar por seprado la eliminacin gaussiana a.. cada uno de los k sistemas. Se har un parntesis para ilustrar en qu forma puede surgir esta situacin en las aplicaciones. En ciertos problemas de aplicacin, se consideran sistemas fsicos que pueden describirse como cajas negras. Este trmino indica que se ha despojado al sistema de todo lo superfluo y se contemplan sus caractersticas esenciales. Como se ilustra en la figura 1.5, uno se imagina simplemente que si se aplica cierta entrada al sistema, entonces se
Sistema (Caja negra)
Salida
Figura 1.5
obtendr de l determinada salida. La forma en que funciona el sistema internamente se desconoce o no tiene importancia para el problema - de ah el nombre de caja negra. En el caso de muchos sistemas importantes de caja negra, es posible describir matemticamente tanto la entrada como la salida en forma de matrices que tienen una sola columna. Por ejemplo, si la caja negra consta de cierta circuitera electrnica, entonces la entrada podra ser una matriz de n X 1 cuyos elementos fuesen n voltajes ledos a travs de determinadas terminales de entrada, y la salida podra ser una matriz de n X 1 cuyos elementos fuesen las corrientes resultantes en n alambres de salida. Hablando matemticamente, un sistema de este tipo hace nada ms que transformar una matriz de entrada de n X 1 en una matriz de salida de n X 1. Para una clase grande de sistemas de caja negra, una matriz de entrada C est relacionada con la matriz de salida B por medio de una ecuacin matricial
AC= B
en donde A es una matriz de n X n cuyos elementos son parmetros fsicos determinados por el sistema. Un sistema de este tipo es un ejemplo de lo que se conoce como sistema [isico lineal. En las aplicaciones, a menudo es importante determinar qu entrada se debe aplicar al sistema para lograr una determinada salida deseada. Para un sistema fsico lineal del tipo que acaba de describirse , esto equivale a resolver la ecuacin AX = B para la entrada X desconocida, dada la salida B que se desea. Por tanto, si se tiene una sucesin de matrices de salida diferentes B 1, .. . , Bk , Y se desea determinar las matrices de entrada que producen estas salidas dadas, ser necesario resolver sucesivamente los k sistemas ,de ecuaciones lineales
AX= BI
j = 1, 2, .' " k
cada uno de los cuales tiene la misma matriz cuadrada A de coeficientes.
RESUL TADOS ADICIONALES ACERCA DE LOS SISTEMAS DE ECUACIONES
71
El teorema que sigue simplifica el problema de demostrar que una matriz es inversible. Hasta ahora, para demostrar que una matriz A de n X n es inversible, era necesario encontrar una matriz B de n X n tal que
AB= 1
BA = 1
El teorema que sigue a continuacin muestra que si se produce una matriz B de n X n que satisfaga cualquiera de las dos condiciones que se dan , entonces la otra condici6n :;e cumple automticamente. Teorema 12. Sea A una matriz cuadrada.
a) b)
Si B es una matriz cuadrada que satisface BA = 1, entonces B = A -1. Si B es una matriz cuadrada que satisface AB = 1, entonces B = A -1
DemostracilI. Se probar (a) y se dejar (b) como ejercicio. a) Supngase que BA = 1. Si es posible demostrar que A es inversible, se puede completar la demostracin al multiplicar los dos miembros de BA = 1 por A - 1 para obtener
BAA
- 1
= lA
- 1
BI= lA
- 1
B= A
-1
para demostrar que A es inversible. basta con demostrar que el sistema AX = O tiene nicamente la solucin trivial (vase el teorema 10). Sin embargo, si se multiplican por la izquierda ambos miembros de AX = O por B, se obtiene BAX = BO , o bien, IX = O, o bien, X = O. Por tanto, el sistema de ecuaciones AX = O tiene solamente la solucin trivial. I Ahora se est en condiciones de agregar una cuarta proposicin que equivale a las tres dadas en el teorema 10. Teorema 13. Si A es una matriz de n X n, entonces las proposiciones que siguen son equh'alelltes:
a) b) e) d)
A es i/ll'ersible. AX = O tielle nicamente la solucin trivial. A es equil'alente respecto a los renglones a In. AX = B es consistente para toda matriz B de n X 1.
DemostracilI. Puesto que se prob en el teorema 10 que (a), (b) Y(e) son equivalentes, bastar con probar que (a) =* (d) Y (d) =* (a).
a) =* d): Si A es inversible y B es cualquier matriz de n Xl, entonces X = A - 1 B es una solucin de AX = B, segn se afirma en el teorema 11. Por tanto, AX = B es consistente.
d) =* a): Si el sistema AX = B es consistente para toda matrizB de n Xl, entonces, en particular. los sistemas
12
SIStl:MAS DE ECUACINES LINEALS
Y MATRICES
1 O
AX= O O
O 1 AX= O O
.. . ,
AX=
~l IJ
sern consistentes. Sea XI una solucin del primer sistema, X 2 -una solucin del segundo sistema, ... , y X n una solucin del ltimo sistema, y frmese una matriz e de ti X ti que tenga estas soluciones como columnas. Por tanto , e tiene la forrla
C= [X I
x.]
Como se analiz en el ejemplo 18, las columnas sucesivas del prdducto AC sern
Por tanto,
1
AC = [AX 1
AX 2
AX.]
O 1 O
a
O =1
o o
Con base en el inciso (b J del tememli 12, se G{1r1s1uye que e:: A - l . Por consiguiente, A es ifiversible. I Posteriormente en este libro, el problema fundamental que sigue se presenta repetidamente eft varios contextos.
Un problema !ufldtJfnental. Sea A trna matriz fija de m X n.l-:IlleflS todas las matrices B de m X 1 tales que el sistema de ecua'Ciones AX = B sea OOI1sistcnte . Si A es una matriz inversible, el teorema 11 resuelVe este problema por completo al afirmar que, pata toda matriz B de m Xl, AX =B tiene la solucin nica X =A - 1 H. Si A no es cuadrada, o siA es cuadrada pero no inversib le , entonces no se aplica ~I teorema 11. En estos casas, sera conveniente poder determinar Qu condiCiones, si las hay, debe satisfacer la matriz B para que AX = B sea consistente. En el ejemplo que sigue se ilustra cmo se puede aplicar la eliminacitt gauSSiami a fin de determinar esas condiciones.
FJemplo 34
Qu condiciones deben satisfacer b 1 ,
62 y b 3
para que el sistema de ecuaciones
XI
.t}
2x}
+ .x2 + 2X3 = b + .x} =b 2 + X2 + 3 '~3 = b3
RESUL fADOS ADICIONALES ACERCA DE lOs SISTEMAS DE ECUACIONES
13
sea consistente?
Solucin. La matriz aumentada es
que se puede llevar a la forma escalonada en tos renglones de la manera siguiente:
,t
[~ [~
1 -1 - 1 1
-1
-1
b2
b,
-
&3 - 2b!
b - b 2
Sol sum6 - 1 veces el primer tenllltllll segundo y - 2 veces el primefo al tt!tc:!!t.
2
1
b,
Se rtll,lltil'lic& ei segundo rengldrt por - t.
-1
1 2
- 1 b 3 - 2b!
b, ]
Se Sl1trt6 el segurtdo tengill al tt!rcer.
1 1 b! - b 2 O O b 3 -b 2 -b{ LO
Ahora es evidente, con base en lo exptesado en el tercer rengln de la matriz, que el sistema tiene una solucin si, y slo sil b1 , b2 Y ha satisfllcen la condi~i611
o bien,
Para expresar esta condicin de otra maneta, AX = jJ es cotlslsfettte si y sl(j si /J es tina matriz de la fortna
en donde b Y b 2 son arbitrarios.
EJERCICIOS 1.7
En los ejercicios 1- 6, resuelva el sistema aplicando el mtodo del ejemplo 33 ,
t.
X ) + 2X2=
2x ,
+ SX 2 = - 3
2. :h - 6X2 = H 2x + SX2 = J
4, 2_:, '1
J Xl
3. x ) + 2x 1 + 2x 3 = - I )( 1+ 3x2+ Xj = 4
x,
+ :h 2 + 2 X3 =
+ X 2 +X.l = + 2 X2 + x 3 =
-1 +X~ =
7
-
3
5
74
5.
- tx + foY + foz =
!x + h + !z = !x + h - ~z =
6.
3w
w
-IV
2 O
7 -2y - 3z=0 -2w - x - 4y-6z=6
+ x + 7)' + 9z = + x + 4)' + 4z =
7. Resuelva el sistema
X
X -
+ 2x 2 + X 3 = X2 + X3 =
X2
X+
cuando
(a) b
b b2 = b3
(e) b
= - 1, b 1 = 3, b 3 = 4 = - 1, b 1 = - 1, b 3 = 3
(b) b = 5, b 1 = O, b 3 = O (d) b = t, b 1 = 3, b 3 =
8 . Qu condiciones deben satisfacer las b para que el sistema dado sea consistente?
(a)
X X 2 + 3X3 = b 3x - 3X1 + 9X3 = b 1 -2x + 2x 1 - 6X3 = b 3
(b)
2x + 3.\'2 - X3 + X 4 = b X+5X2+ X3 - 2x*=b 2 -Xl + 2X2 + 2X3 - 3.\"4 = b 3 3x + X2 - 3X3 + 4x 4 = b*
2 2
-2
a)
b)
Demuestre que la ecuacin AX = X se puede reescribir como (A - l ) X = O Y aplique este resultado a fin de resolver AX = X para X. Resue1vaAX= 4X.
10 . Sin usar lpiz y papel, determine si las matnces siguientes son inversibles.
(,)[
2x
1
5
- 3
4
O O
(b)
r
y
1 O O O
2 1
-;]
= ()
Sugerencia. Considere los sistemas homogneos asociados
X l - .h 3 + .Y* = () 5x 2 + 4x, + Jy* = O
5X + -'"2 + 4-,".I + -'" ..

2-'".1 -'".1 -'" .. 7-," ..
x .I
+ 2x .. = ()
:h .. = 0
=O =O
+ -'" .. = ()
11. Sea AX = O un sistema homogneo de n ecuaciones lineales en Il incgnitas que tiene nicamente la solucin trivial. Demuestre que si k es cualqu ier entero
RESUL TADOS ADICIONALES ACERCA DE LOS SISTEMAS DE ECUACIONES
75
positivo, entonces el sistema A k X = Otambin tiene solamente la solucin trivial. 12. Sea AX = O un sistema homogneo de n ecuaciones lineales en n incgnitas y suponga que Q es una matriz inversible. Demuestre que A X = O slo tiene la solucin trivial si, y slo si, (QA) X = O tiene nicamente la solucin trivial. 13. Demuestre que una matriz A de n X n es inversible si, y slo si, es posible escribirla como un producto de matrices elementales. 14. Use el inciso (a) del teorema 12 a fin de probar el inciso (b).
EJERCICIOS SUPLEMENTARIOS
1. Aplique la eliminacin de Gauss-Jordan para despejar x' y y' en trminos de x y y.
X = S"X 3
f
S"y
Y = ~x'
+ ~y'
2. Aplique la eliminacin de Gauss-Jordan para despejar x' y y' en trminos de x y y.

x
=
x' cos () - y' sen()
y = x ' sen ()
+ y' cos ()
3. Una caja que contiene monedas con las denominaciones de un centavo, cinco centavos y diez centavos tiene 13 de ellas con un valor total de 83 centavos. Cuntas monedas de cada tipo hay en la caja? 4 . Halle los enteros positivos que satisfagan
x+y+z=9
x
+ 5y + IOz = 44
5. Para cul valor, o cules valores, de a el sistema siguiente tiene cero, una y una infinidad de soluciones?
X 1 +X2+ X3= 4 X3 = 2 (a 2 - 4)X3 = a - 2
6 . Sea
la matriz aumentada para un sistema lineal. Para cules valores de a y b el sistema tiene
a) b}
una solucin nica; una solucin uniparamtrica;
76
SiSTEMAs He ECUAi(jNES LINEALES Y MAT~ICES
e) d)
una solucin bipararnttica ninguna solucin?
'7. Halie una mattiz K tal que Al( 11 : : :
e dada que
- 1 '
A=
[-~
;] . -2
o
1
0J
C=
8 6 -6]
6 - 1 1
O O
- 4
8. Si A es de nt :x ti y B de ti X Ti, cuntas opetacidhS de multiplicacin y cUntas de dicit'i se nece~itafi para calcular el prddutd de matrices A E 7 9. Sea A un matfiz cuadrada.
(l j
b)
Detnuestrequ(I - A)_i:: I+A +A 2 +A 3 , Si A 4 :: a. Detnestreque(I - A)-l:: I+A +A 2 + . . . +An , siAn + i:: O.

,
10. Halle los valorlls de
b Y c de modo que la grfica del poliriotnio p(x )::::
+ bx + e pase por los p'Untos (1 , 2) , (- 1, 6) Y (2 , 3). 11. (Pia los lectores qUe hayan estudiado Clculo.) Encuentte los valores de a, h y 2 c de modo que 1a grfica del pdlinonio p(x) :: dX + bx + e pase por el punto (-1, O) Y tenga dna: tangente 1o'fiznfl ett (2 1 - 9). 12. Pruebe que si A es un. mtriz de iri )< rt Y B es la matriz d n X 1 para la cual cada: U110 de sus elri'leh ts es 1 In 1 Ntonces
Ti AB = T",
ax 2
en donde r eS el promedio de los elementos del i-sirrl rengln de A. 13, (Par los lectores 4e hayan estudiado Clculo.) S'i
C I I (X) CI2(X) . .
Ttl
C (\':J] I>'
e 2n(xl
=
[
21 '
(x)
22 .
( x)
. ..
Cm: (xl
Ch'~( ,,)
Cm~.xl
en donde eji (x J es una funcin difetenciab'le de x , ent oTics s defirie
Demuestre que ; si los elementos en A y E son furidiones difetenciatJleS de pr09licto AB est definido , ~htdnces
(/
x y el
lis
- (A Bl = -- B +A
eI.x
el
dB -
eI.\1
2 De termnan tes
~,1
L4 FUNCION PETEFUIIllNANl'E
El lector ya (}Onoce fun giones qomo j{x) = sen x y f(x ) = X l, as cuales asocian un nlrnero realf(x) con un valor real de la. vriabl~ x, Dado Ql1\ltanto x cumo f(x) toman ni~mente valore s real!ls, se PIJeder describir e ~s funciones corno fUllciones de valor real de una variable real. En esta seccin se inicia el estudio de funciones con valor r!lal d!l una variable matricial , es decir., funcione~ que asocian un nmero relf(X) con una matriz X. Blobjetivo principal es el estudio de una de esas funciones denominada fUilclon determinante. LQ que se haga sobre la fun.cin determinnte tendr aplj(;aciones importantes a la teora de los sistemas deecuaciores lineales y tambin conduoir a una frmula ex:plcita para la inversa de una matriz inversible . Antes de poder definir la funcin determinante, es necesario establecer algunos resultados referentes a las permutaciones . Definicjn. Una permutacifl del conjunto de enteros {l , 2, .. . , n } es un arreglo de es t os enteros en cjerto orden, sin ornisio1es o repeti ciones . Ejemplo 1 Hay seis permutacione~ diferentes del conjunto de enteros {l, 2, ~ }; stas on
(1 , 2, 3) (1,3, 2)
(2, 1, 3) (2, 3, 1)
(3, 1,2)
(3, 2, 1)
Un mtodo conveniente para listar en forma sistemtica las permutaciones es usar un rbol de permutaciones. En el ejemplo siguiente se ilustra este mtodo. Ejemplo 2 Lstense todas las permutaciones del conjunto de enteros {l, 2,3,4 }.
Solucin. Considrese las figura 2 .l. Los cuatro puntos marcados 1, 2, 3,4 que estn en la parte superior de la figura representan las elecciones posibles para :1 primer nmero de la
77
78
DETERMINANTES
permutacin. Las tres ramas que emanan de estos puntos representan las elecciones posibles para la segunda posicin en la permutecin. Por tanto , si la permutacin se inicia (2, -, --, - ), las tres posibilidades para la segunda posicin son 1, 3 Y 4 . Las dos ramas que emanan de cada punto en la segunda posicin representan las elecciones posibles para la tercera . As entonces, si la permutacin se inicia (2, 3, -, -), las dos elecciones posibles para la tercera posicin son 1 y 4 . Por ltimo, la nica rama que emana de cada punto en la tercera posicin representa la nica eleccin posible para la cuarta . Por consiguiente, si la permutacin se inicia (2,3,4, - ), la nica eleccin para la cuarta posicin es l. Ahora es posible listar las diferentes permutaciones, recorriendo todas las trayectorias posibles a travs del "rbol", desde la primera posicin hasta la ltima . Por medio de este proceso se obtiene la siguiente lista : (1,2,3,4) (1,2,4,3) (1,3,2,4) (1,3,4,2) (1,4,2,3) (1,4,3,2) (2,1,3,4) (2, 1,4,3) (2 , 3 , 1, 4) (2,3,4,1) (2 , 4,1,3) (2,4,3,1) (3,1,2,4) (3,1,4,2) (3,2,1,4) (3,2,4,1) (3,4,1,2) (3,4,2, 1) (4,1,2,3) (4,1,3,2) (4,2,1,3) (4,2,3,1) (4 , 3,1,2) (4,3,2,1)
Al observar este ejemplo se ve que hay 24 permutaciones de {1, 2, 3,4 }. Se pudo haber anticipado este resultado, sin listar realmente las permutaciones, por medio de la argumentacin que sigue. Como es posible llenar la primera posicin de cuatro maneras y, a continuacin, la segunda posicin de tres maneras, existen 4 3 maneras para Henar las primeras dos posiciones. Ya que entonces se puede llenar la tercera posicin de dos mane ras, se tienen 4 3 2 maneras para llenar las tres primeras posiciones. Por ltimo, puesto que entonces se puede llenar la ltima posicin slo de una manera, existen 4 3 2 1 = 24 maneras para llenar las cuatro posiciones. En general, el conjunto {1, 2, ... , n} tendr n (n -- 1) (n -- 2) 2 1 = n! permutaciones diferentes . Para denotar una permutacin general del conjunto {I, 2, . .. , n } , se escribir O" i2 , -. . , in)' Aqu, i I es el primer entero de la permutacin, i 2 es el segundo , etc. Se dice que ocurre una inversin en una permutacin 01, i2 , ... , in)' siempre que un entero ma yor precede a uno menor. Se puede obtener el nmero total de inversiones que ocurren en una permutacin de la manera siguiente : 1) se encuentra el nmero de enteros que son menores que i I Y que siguen a i 1 en la permutacin ; 2) se encuentra el nmero de enteros que son menores que i2 y que siguen a i2 en la permutacin. Se contina con este proceso de . conteo para h, . . . , in _l. La suma de estos nmeros ser el nmero total de inversiones en la permutacin .
Figura 2.1
LA FUNCION DETERMINANTE
79
Ejemplo 3 Determnese el nmero de inversiones en las permutaciones siguientes:
(i) (6 , 1, 3 , 4,5 ,2)

(i) (ii) (iii)
(ii) (2, 4, 1 , 3)
(i) (l, 2, 3, 4)
El nmero de inversiones es 5 + O + 1 + 1 + I El nmero de inversiones es 1 + 2 + O = 3. En esta permutacin no existen inversiones.
=8 .
Definicin. Se dice que una permutacin es por, si el nmero total de inversiones es un en tero par, y se dice que es impar, si el nmero total de inversiones es un entero impar.
En la tabla que aparece a contin uacin se clasifican las diversas permutaciones de {I , 2, 3 } como pares o impares .
Nmero d.e inversiones
Permutacin
Clasificacin
(1,2, 3) (1,3, 2) (2, 1,3) (2,3 , 1) (3, 1, 2) (3, 2, 1)

Considrese la matriz n X n
2 2 3
par impar impar par par impar
al2
A=
f""
a nl
a 2l
a 22
a n2
Por producto elemental tomado de A se entiende cualquier producfo de n elemen tos tomados de A, sin que dos cualesquiera de ellos provengan del misrro rengln o la misma columna . Ejemplo 5 Lstense todos los prod uetos elementales tomados de las matrices
DH!:RNlINANTI;S
O) Ya que cada prodllcto elemental
tien~ dos factores, y como cada fctor proviene de un rengln diferent~, un producto elem~ntal S~ puede escribir en la forma
en donde con los guiones se designan nmeros correspondientes a las columnas, Supuesto que ningllno de los dos factores del producto provienen de la misma columna,lo~nmeros de coluJl1na deben ser L2_ 2_ 1 Porlotanto,losnicosproductoselemental~SliOnalla22 -.:.
y
a12 a 21'
ji) Puesto que cada producto elemental tiene tres faytores, cada Uno de los cuales proviene de un rengln djferent~, se puede escribir un producto elemental en la forma
Y que dos fijctores del producto no deben provenir de la nism, columna, los nmeros de columna no tienen repeticiones; como consecuencl! deben formar una permutacin del conjunto {l, 2, 3 }. Estas 3! =6 permutaciones cond\.lCen a la siguiente Iist;l de prodllctos
elem~ntales:
al I a22 C 3 !)
al2 a 21 a 33 a"a 2 :a31
(/13
a21(/32
a ll '!23(/32
aI3 a 22(/31
Como se seala en este ejemplo, una matri: A de n X n tiene n! prodllctos elementales. Esto son los productos de la forma ala~i2 , - , anin' en donde (jI ,j." .. ,jn) es una permutacin del conjunto {I, 2, , .. ,n }. Se denomina Pro(1ucTo elemenfq/ {.'vn signo rorna(1o de A a un producto elemental aljl'a2i2 . .. anin multiplicado por + l Q bien, -l. Se utiliza el + si VI'!2" " ,jll} es un permutacin par y el - siVI,j2" " ,jn)esuna permutacin impar. Ejemplo 6 Lstense todos los productos elementales con signo de las matrices:
(i)
ll [a a21
(/12J (/22
(ii)
[""
(/21
(/12
422
a32
a,,]
a23
a33
a31
(i)
Producto elemental
a ll a22
a l 2a l l
Permutacin asoci{lc!{l
Par
impar
Producto ekmental con signo

a ll a22 - (/12(/21
(I,2) (2, 1)
par impar
LA FUNCiON oeTERMINANTE
81
(ii)
Producto elemental
a 11
Permutacin asociada
Par o mpar
Producto elemental con signo

[/ll a 22 a 33 a 11 a23 a 32
a 22 a3 3 a 33
a 11 [/23 a 32 a 12 [/21
a 1 2[/23 a 31 a l 3 a 21 a 32 a 13 a 2 2 a 3 1
(1,2,3) (1 , 3, 2) (2, 1, 3) (2, 3, 1) (3, 1, 2) (3 , 2, 1)
par impar impar par par impar
-[/12 a 2 1[/33 a 1 2 a 23[/31 a 1 3 a 21 a 32 - a I 3 a 22[/31
Ahora se tiene ya la posibilidad de definir la funcin determinante. Defin.icin. Sea A una matriz cuadrada. La funcin determinante se denota por det, y se define det (A) como la suma de todos los productos elementales con signo tomados de A. Ejemplo 7 Con referencia al ejemplo 6 , se obtiene
(i) det [. a 11
a21
('') d et .
[a a
11 21
a31
Es til disponer de las dos frmulas de este ejemplo para su uso posterior. Sin embargo, a fin de evitar la memorizacin de estas pesadas expresiones, se sugiere recurrir a los artificios mnemnicos que se ilustran en la figura 2.2. La primera frmula del ejemplo 7 se pbtiene a partir de la figura 2.2a , multiplicando los elementos por los que pasa la flecha que apunta hacia la derecha y restando el producto de los elementos por los que pasa la flecha que apunta hacia la izquierda. La segunda frmula del ejemplo 7 se obtiene copiando la primera y segunda columnas como se muestran en la figura 2.2b. Entonces el determinante se calcula al sumar los productos correspondientes a las flechas que apuntan hacia la derecha y restar los productos correspondientes a las flechas que apuntan hacia la izquierda.
(a)
Figura 2.2
82
DETERMINANTES
Ejemplo 8 Evalense los determinantes de
2
y
- 8
Al aplicar el mtodo de la figura 2.2a da
det(A) = (3)( - 2) - (1)(4) = - 10

Al aplicar el mtodo de la figura 2.2b da
det(B) = (45)
+ (84) + (96) -
(lOS) - ( - 48) - ( - 72) = 240
Observacin. Se debe hacer hincapi en que los mtodos que se describen en la figura 2.2
no funcionan para determinantes de matrices de 4 X 4 o mayores . La evaluacin de los determinantes directamente a partir de la definicin crea dificultades de clculo . De hecho, la evaluaci n directa de un determinante de 4 X 4 com. prendera el clculo de 4! = 24 productos elementales con signo , y un determinante de 10 X 10 comprendera lO! = 3 628 800 productos elementales con signo . Aun la ms rpida de las computadoras digitales actuales no puede manejar el clculo de un determinante de 25 X 25 con este mtodo, en una cantidad prctica de tiempo . Por tanto , la ma yor parte del resto de este captulo se dedica a desarrollar propiedades de los determinantes que simplificarn su evaluacin . Se concluye esta seccin haciendo notar que el determinante de A a menudo se escribe simblicamente como
en donde L indica que se deben sumar los trminos sobre todas las permutaciones (j 1 , J2'
.. . , in) y se selecciona + o - en cada trmino , segn la permutacin sea par o impar. Una , notacin alternativa para el determinante de una matriz A es lA 1 en lugar de det (A) . En esta notacin , el determinante de la matriz A del ejemplo 8 se puede escribir
'I !
- 2
11=
- lO
LA FUNCION D ETERMINANT E
83
EJERCICIOS 2. 1
1 . Encuentre el nmero de inversiones en cada una de las siguientes permutacionesde {l,2,3,4,5}.
(a) (34 1 5 2) (d) (1 2 3 4 5) (b) (4 2 5 3 1) (e) (1 3 5 42) (c) (5432 1) (f) (2 3 5 4 1)
2. Clasifiqu e cada una de las permutaciones del ejercicio 1 como par o impar . En los ejercicios 3 - 10 evale el deter minante.
311 .-1
I
~I
- 2
4 1 ~ :1
7
1
5.
- 1
1 -8
2
-~I
O
6.
1 4 ,,~ 3 "-1 1
k
7. 3
5 3
8 8. - 3
2 4
3
6
-6
2
9. 4
O - 1
10. 2
- 3 9 4 k+1 k2 3
11 . Halle todos los valores A para los que det (A) = O.
(a) A =
i' - I
1
- )
-
J
4
(b) A =
l. -
i. - 6 O O i.
-O 1 4 i. - 4
12 . Clasifique cada permutacin de {l , 2, 3 , 4 } como par o impar.
13. Utilice los resultados del ejercicio 12 para construir una frmula para el determinan te de una matriz de 4 X 4 .
14 . Use la frm ula que se obtuvo en el ejercicio 13 para evaluar
15 . Aplique la definicin de determinante para evaluar
O O (a) O O 5
O O O 4 O
O O 3 O O
O 2 O O O
O O O O
O O (b) O O 5
O O O 3 O O
O O O O
~I
O O O 1 O O
16 . Pruebe que si una matriz cuadrada A tiene una columna de ceros , entonces det
(A) = O..
84
DEfE~MINANTES
2.2
EVALUACION DE LOS DETERMINANTES POR REDUCCION EN LOS RENGLONES
En esta seccin se muestra que hay la posibilidad de evaluar el determinante de una matriz reducindola a la forma escalonada en los renglones. La importanca de este mtodo radica en el hecho de que evita los largos clculos relacionados con la aplicacin directa de la definicin de determinante. Primero se consideran dos clases de matrices cuyo determinante se puede evaluar co n facilidad , sin importar el tamao de la matriz. Teorema 1. Si A es cualquier matriz cuadrada que contiene un rengln de ceros, entonces det(A) = O.
Demostracin. Ya que un producto elemental con signo tomado de A contiene un factor de cada rengln de A , todo producto elemental con signo contiene un factor del rertgln de
ce ros y, como consecuencia, tiene valor cero . Ya que det (A) es la suma de todos los produ ctos elementales con signos, se obtiene det (A) = O. I Se dice que una matriz cuadrada es triangular superior si todos lo s elementos que est n debajo de la diagonal principal son ceros . De modo anlogo , se dice que una matriz cuadrada es triangular inferior si todos los elementos que estn arriba de la diagonal principal son ceros. Una matriz que se menciona simplemente como trianguJr puede ser supe- . rior o inferior. Ejemplo 9 Una matriz triangular superior general de 4 X 4 tiene la forma
QI2
al3
a23 Q33
a 22
a14] a2 4 a 34
O
O
a4 4
Una matriz iriangular inferior general de 4 X 4 tiene la forma
O
Q2 2 a32 Q42
O
a33 Q43
Ejemplo 10 Evalese det (A), en donde
~V ~ '-V~CI QN
PI; LOS DETE RMINANTES PO~ REDUCCION EN L OS RENGLONES
85
(/ 3 1
Q"l
(/ 33
Q43
El nico producto elemental tomado de A que puede ser diferente de cero es a 114 22 a 33a44 . Para ver esto, considrese un producto elemental tpico aljla2;2a3j 3a4j4' Supuesto que a12 =a 13 = a 14 =O, debe tenerse ji = 1 para tener un producto elemental d iferent e de cero , Si ji T I, se debe tener j2 =1= 1, dado que dos factores cualesquiera no pueden provenir de l.a misma columna . Adems , como (lB =a24 =O, se ha de tener j2 = 2 para tener un producto difere nt e de CerO. Al continuar de est. manera , se obtiene h = 3 Y j4 = 4. Ya a que alla72a33 a 44 se multiplica por +1 al fo rmar el producto elemental con signo , se obtiene
E$ posible aplicr un argumento semejante al que acaba de presentarse, a cualquier m!triz triang\.llar, para l1egi)r al re~uJtdo general siguiente:
Teorema 4. Si A es Ul/a matriz triangular de 11 X 11, .entonces det (A) es .el producto de los elementos de la dillgonal prill(:ipl; es decir, det (A) =gllqn a/V) ,
Ejemplo 1}
7 - 3 7 O - 3 O O 6 O O O O O O
S 5 7 9
O
1 6 = (,2)( - 3)(6)(9 )(4) = - 1296
8
4
En el teorema que sigue se muest ra en qu forma una operacin elemental sobre los renglones de una matriz afecta el valor de su determinante. Teor.e ma 3. Sea A cualquier matriz de n X n.
(a) Si A ' es la matriz que se obtiene cU{lndo un solo renglf)/1 de A se multiplica por una cOllstante k, entonces det (A') =k det (A) . (b) Si A' es la matriz que se obtiene al intercamb iar dos renglones de A, entonces det (A ') = - det (A) . (c) Si A ' es la matriz que se obtiene al sumar un mltiplo de uno de lo s renglo nes de A a otro rengln, entonces det (A ') =det (A).
Se onte la demost racin (vase el .ejerc icio 15).
86
DETERMINANTES
Ejemplo 12 Considrense las matrices

2
1 2
A,
~ [~ 1~]
8
1
A,
[:
2 2
:]
A3 =
2 2
- 3
J]
2 1
Si se evalan los determinantes de estas matrices por medio del mtodo usado en el ejemplo 8, se obtiene
det(A) = -2,
det(A I ) = -8,
det(A 2 ) = 2,
det(A )= - 2
Obsrvese que A 1 se obtiene al multiplicar el primer rengln de A por 4 ;A 2 al intercambiar los dos primeros renglones; y A 3 al sumar - 2 veces el tercer rengln de A al segundo. Como lo predice el teorema 3, se tienen las relaciones det(A tl = 4 det(A) Ejemplo 13 det(A 2 ) = - del(A)
y det(A 3 ) = det(A)
La proposicin (a) del teorema 3 tiene una interpretacin alternativa que a veces es til. Este resultado pennite extraer un "factor comn" de cualquier rengln de una matriz cuadrada hacia afuera del signo de detenninante . Como ilustracin, considrense las matrices
a ll
=
[
a21 a31
B=
l
a ll
all
ka 2 1 a31
en donde el segundo rengln de B tiene un factor comn de k. Puesto que B es la matriz que resulta al multiplicar el segundo rengln deA por k , la proposicin (a) del teorema 3 anrma que det (B) = k det (A); esto es,
al 3
ka 2 3 =
(11 2 a 22
(/ 2 1
Ahora se plantea un mtodo alternativo para evaluar los determinantes, que evita la gran cantidad de clculos relacionados con la aplicacin directa de la definicin de determinante. La idea bsica de este mtodo es aplicar las operaciones elementales sobre los
EVALUACION DE LOS DETERMINANTES POR REDUCCION EN LOS RENGLONES
87
renglones, a fin de reducir la matriz dada A hacia una matriz R que est en la forma escalonada en los renglones. Puesto que una forma escalonada en los renglones de una matriz cuadrada es triangular superior (ejercicio 14), es posible evaluar det (R) aplicando el teorema 2. Entonces se puede obtener el valor de det (A) al aplicar el teorema 3 para relacionar el valor desconocido de det (A) con el cJnocido de det (R) . En el ejemplo siguiente se ilustra este mtodo . Ejemplo 14 Evalese det (A) , en donde
1
- 6
6
Solucin. Al reducir A a la fomla escalonada en los renglones y aplicar el teorema 3, se obtiene
o
det( A) =
.'
')
1 - 6 6 [1
1 -
-1 )
, .' -6
9
5
- O
Se intercambian el primero
y segundo renglones de A .
')
6
Se extrajo del signo de det un factor de 3 del primer rengln de la matriz precedente (vase el ejemplo 13).
.'
5
~
- ~ I~
-~
1 6
1 O O 1 O O
2 1 10
_ 1
5 -5
~
Se sum - 2 veces el primer rengln de la matriz precedente al tercer rengln.
-~
5 1 O - 55
')
Se sum 10 veces el segundo rengln de la matriz precedente al tercer rengln.
1 = ( - ~)( - 55) O O
.'
5
1 O
se extrajo del signo de det un factor comn de SS . del ltimo rengln de la matriz precedente.
=
OBS ERVAClON .
( - ~)( - 55H1 )
= 165
El mtodo de reduccin en los renglones resulta apropiado para la evaluacin de determinantes con computadora debido a que es sistemtico y se programa con facilidad. Sin embargo, para clculos a mano, a menudo son ms sencillos los mtodos que se desarrollan en secciones subsiguientes. Ejemplo 15 Evalese det (A) , en donde
88
PE'TERMINANTES
A
1 O 3
~ [~
3
O 9
3 6 9
4
- 2
- 4 4
iJ
se sum 2 ~ece1 primer rengln de A al segundo. 1
-2
O 1 4
det(A)
s i
No se necesita reducir ms ya que, por el teorema 1, se deduce que de! (A) = O. Con base en este ejemplo debe ser evidente que, siempre que una matriz cuadrada tenga dos renglones proporcionales (corno el primero y segundo r,englones de A), es po .sible introducir un rengln de ceros al sumar un mltiplo apropiado de uno de estos ren~ones al otro . Por consiguiente, si una matriz cuadrada lienedos renglones proporcionalcs,
su determinante es cero.
Ejemplo 16 Cada una de las matrice.s Siguientes tiene dos renglones proporcionales; por tanto, por simple observacin se concluye que cada una tiene un determinante cero. -1
4
-2
8 3
EJERCICIOS 2.2 l. Evale por observacin los siguientes determinantes :
!2 .-40 (al,o i
i7' I.l
,Q
-51
2,
4,
- 12
15 ,
(b
,- 9
- 1
O
~
,.o
1
.o
2 3 7 6 2 .J
.3
I2 , 4
3 -1
~I
5
2
~j
{,e) 3
(d) 6
- 2
7
4
3
En los ejercicios 2 al 9, eyale los determinantes de las matrice.s dadas, reducindolas a una forma escalonada en los renglones.
2. ' ,Q 0-3 1 -2 7
2 3 7 ] [
3.
[~ 2 ~l,
1
3 O'
EVALU4CION PE ,,"OS DETE RMINANTES POR REDUCCI ON EN ,,"OS RENGLONES
!'lit
4.
H
[-:
-1
1-
- 2 5 - 3
6
:]
9
1
5.
H
1
- 4 7
-]
6.
3 2 - 2 -2
2 1
-~J
9,
7.[
3
2 1
'2
- 2
O O O
~7
~J
8.
[-1
"2 13
O
13 .l. 3
~J
e
O O O
5 O -4 1 O
r
2
2
O
(a) det 9 h
[
f]
i
(b) det
[~; ~~ ~;]
- g
a b e
a+d b+ e
- h
-1
le) det
d
9
e
h
(d) det d - 3a
[ 2g .
e - 3b
f - 3c
2i
e ]
'2h
11. Aplique la reduccin en los nmglones para demostrar que

1
a
('
('2
(b - (1)( C - (1)(e - b)
a2
hJ
12 . Aplique \ln argumento

O
(a)
COmO
el que se da en el ejempio 10 para demostrar que
do< [:
l/. 3 1
a22
",,]
a 23
=;;o
- aI 3a 22,l /31
aH
11 3 3
(b det [0
O O
aH
a4 ~
O
,(/2 3
1133 U4 3
O
(/41
""J
U J4
U 44
a24
= aI4a 2) a 32 u 41
13 . Pruebe que el teorema l es verdadero cuando se reemplaza la palabra "rengln" por "column,a ".
90
DETERMINAN T ES
14. Pruebe que una forma escalonada en los renglones de una matriz cuadrada es triangular superior.
15 . Pruebe los siguientes casos especiales del teorema 3 .
" 21
a22 a 12 a 32
a2J
a 13 a 33
a 11
a 13 a 23 a33
(b)
a 11 l/3 1
= -
" 21
l/ 3 1
a22 a32
a 11
+ Ka2 1
a2 1
a3 1
a 12
+ k a22
a 22 a32
a 13
+ ka 2 3
a23 a33
(e)
la =
11
a 12 a22 a32
a 13 Q :!3 a 33
(/2 1
1(/ 31
2.3
PROPIEDADES DE LA FUNCION DETERMINANTE
En esta seccin se desarrollan algunas de las propiedades fundamentales de la funci n deter minante_Lo que aqu se haga proporcionar alguna perspectiva adicional respecto a la relacin entre una matriz cuadrada y su determinante. Una de las consecuencias inmediatas de este material ser u na importante prueba con un determinante en relacin con la inversibilidad de una matriz. Si A es cua lq uier matriz m X n, entonces la transpuesta de A se denota por A t Y se define como la matriz de n X m cuya primera co lumna esel primerre ngln deA , su segunda columna es el segundo rengln de A , su tercera columna es el tercer rengln deA , etc. Ejemplo 17 Las transpuestas de las matri ces
a 11
A
(/ 2 1 (/ 3 1
B=
23 ] [~
:
e = [1
3 5]
91
son
B'=G
13):
~J
Suponiendo que los tamaos de las matrices son tales que se pueden efectuar las operaciones, la operacin transpuesta tiene las propiedades que siguen (vase el ejercicio
Propiedades de la operacin transpuesta.

(i) (ii) (iii) (iv)
(A')' = A
(A
+ m' = A' + B'
(kA)' = kA', "en donde k es cualquier escalar (AB)' = B' A'
Recurdese que el determinante de .una matriz A de n X n se define como la suma de todos los productos elementales con signo tomados de A . Puesto que un producto .elemental tiene un factor tomado de cada rengln y uno tomado de cada columna, es obvio que A y A t tienen precisamente el mismo conjunto de productos elementales. Aun cuando se omiten los detalles, se puede demostrar que A y A t tienen en realidad los mismos productos elementales con signo ; esto conduce al teorema que sigue: Teorema 4. Si A es cualquier matriz cuadrada, entonces det (A) = det (A t). En virtud de este resultado , casi todo teorema acerca de los determinantes que contiene la palabra "rengln" en su enunciado, tambin es verdadero cuando se sustituye la palabra "rengln" por "columna" . A fin de probar una proposicin relacionada con las column~: s. slo se necesita transponer la matriz en cuestin para convertir la proposicin acerca de las columnas en una referente a los renglones, y a continuacin aplicar el resultado conocido correspondiente, respecto a los renglones. Para ilustrar la idea, supngase que se desea probar que el intercambio de dos columnas de una matriz cuadrada A cambia el signo de det (A). Se puede proceder como sigue: SeaA' la matriz que se obtiene al intercambiar la columna r y la columna s de A. Por tanto (A'l es la matriz que se obtiene al intercambiar el rengln r y el rengln s de A t. Por tanto ,
delt A' ) = det(A ' )' - d eltA ') - delt A)
(Teorema 4) (Teorema 3b) (Teorema 4)
lo que prueba el resultado
Qj:TERMINANTES
Los I;!jemplo~ que siguen ilustran varios hl;!chos respecto a los determinantes que dependen de propiedadll~ relacionadas con las columnas de la matriz .
Por obsllrvacin: la matriz
H
Ejemplo 19
-2
8
- 4
~]
3
tiene un determin<mte, Cl)ro, p~esto que la primera y segundil columnas son proporcionales.
Calclese el determinante de
o
7
6
o
O 3
3
Se podra calcular este- determinante como antes, mediante la aplicacin de oPllraciones elementlcs sobre los renglones para reducir A a una forma escalonada en los renglones. Por otra parte, !le puede poner A en la forma triangular inferior en un Paso, sumado -3 veces la primera columna. a la cuarta., para obtener
dellAI
~ d'll~
o
7 6 3
o
O
-2 6J
~l ~
(1)(71(311 -261
- 546
Este ejemplo seala. que ~iempre ;onviene las colmnas que puedan acortar los clculos.
no perder el!'! vista las operaciones sobre
Supngase que A y B son matrices de n X n 'j qUe k es cualquier ~sclar. Ahora se consideran las relaciones posibles entre det (A), det (B) , y
det(kAl, delt A + Bl, Y det\,48)
Ya que es posible extraer del signo det un faetor comn de cllalquier rengln de una matriz y supye.sto que cada uno de los n renglones de kA tiene un factor comn de k, se obtiene
dCI(krl) = !;"dCI(A)
(2,1)
PROPIOAoES DE LA FUNCION DETERMINANTE
Ejemplo 20 Considrese las matrices
5.4 = [~~ I~J
Por clculo directo det (A) == 4 Y det (5A) == 100 . Esto concuerda con la relacin (i .!), l cual afirma que det (5A) == 5 2 det (A) . Desafortunadamente, en geeral, no existe relacin simple entre det (A), det (B) y det (A + B) . En particular, es necesario hacer ntar que, por lo comn, dt (A + B) no es igual a det (A) + det (B). El ejemplo siguiente ilustra este hecho . Ejemplo 21 Considrese las matrices
G~J
[~ ~ ]
+ B = [ 4. 38' 3
Se tiene det (A)

(A)
= 1, det (B) =8 Y det (A + B) == 23; por tanto, dt (A + 13) =1= det
+ det (E).
A pesar de este resultado negativo , hay Una importante rehlcin refereiHe a las sUmas de determinantes que con frecuencia resulta til. Corno ilustracin , considrense dos ma trices de 2 X 2
A=[
(/11 (/.1 2J (/ 21 a l;!
que difieren nicamente en el segundo rengln. Con base en la fm1Ula del ejemplo 7, se obtiene
det( A ) + d e t( A' ) =
(all(l2 2 -
= (/11(a 2 2
= det
Por tanto ,
(/11(/ 2 d
+ (/ ~2 )
(/11
+ ((/11(/ ~2 - aI 2 a ~l) a1 2(u21 + a d
(/ 21+ U '2 1
det[(/11
a 21
(/12J = del [ .
a 2 .
(/11
(/ 21 +
a 1
94
DETERMINANTES
Este ejemplo es un caso especial de resultado general que sigue:
Supngase que A, A' Y A" son matrices de n X n que difieren nicamente en un solo rengln, por ejemplo, el r- simo, y que es posible obtener el r- simo rengln de A" al sumar los elementos correspondientes de los r- simos renglones de A y A'. Entonces
det (A" ) = det(A)
+ det(A ' )
Se cumple un resultado semejante para las columnas. Ejemplo 22 Evaluando los determinantes, el lector puede verificar que
det [
1 + O 4 + 1 7 + (- 1)
7
O
5] = [1 7 5] + [1
3 det 2 O 3 det
7
O
1 4
Teorema 5. Si A Y B son matrices cuadradas del mismo tamao, entoncesdet (AB) =det (A)det (B). La elegante sencillez de este resultado, comparada con la compleja naturaleza tanto de la multiplicacin matricial como de la definicin de determinante , es interesante y sorprendente. Se omite la demostracin. Ejemplo 23 Considrense las matrices
B=[-
~ ~]
AB
[~
17]
14
Si tiene det (A) det (B) = (1) ( - 23) = - 23. Por otra parte , el clculo d recto muestra que det (AB) = -23, de modo que det (AB) = det (A) det (B). En el teorema 13 del captulo 1, se dieron tres proposiciones importantes que son equivalentes a la inversibilidad de una matriz. El ejemplo siguiente ayuda a agregar otro resultado a esa lista. Ejemplo 24 El propsito de este ejemplo es demostrar que, si la form a escalonada en los renglones reducida R de una matriz cuadrada no tiene renglones que const en completamente de ceros, entonces R debe ser la matriz identidad. Se puede ilustrar este hecho considerando la ma triz de n X n que sigue
95
1'21 R= 1':"
['"
1'12 /'22
r n2
En esta matriz, el ltimo rengln puede constar o no completamente de ceros. Si no consta completamente de ceros, la matriz no contiene renglones cero y, como consecuencia, cada uno de los n renglones tiene un elemento principal de l. Puesto que estos 1 principales se presentan progresivamente cada vez ms hacia la derecha, a medida que se recorre la matriz hacia abajo, cada uno de estos 1 debe estar en la diagonal principal. Ya que los otros elementos de la misma columna en el que se encuentra uno de estos 1 son cero, R debe ser l. Por tanto , R tiene un rengln de ceros, o bien , R =1. I Teorema 6. Una matriz cuadrada A es inversible si y slo si det (A)
-=1=
O.
Demostracin. Si A es inversible, entonces 1 =AA -1 de modo que 1 = det (l) =det (A) det (A -I ) . Por tanto , det (A) -=1= O. Inversamente, supngase que det (A) -=1= O. Se demostrar que A es equivalente respecto a los renglones de 1, y, por consiguiente , se concluir con base en el teorema 10 del captulo 1, que A es inversible . Sea R la forma escalonada en los renglones reducida de A. Debido a que R se puede obtener a partir de A por medio de una sucesin finita de operaciones elementales sobre los renglones, es posible encontrar las matrices elementales El, E2 , . .. , Ek tales que Ek E2EIA = R, o bien, A =E - I'E 2 - 1
Ek - 1 R.
Por tanto , det(A) = det(E 1 1 )det(E
1) , ..
det(E ;
1 )det(R)
(R)
Ya que se est suponiendo que det (A) -=1= O, con base en esta ecuacin se deduce que det -=1= O. Por consiguiente, R no tiene renglones cero , de modo que R =1 (vase el ejemplo 24). I Corolario . Si A esinversible, entonces
- 1
det(A
1 ) = det(A)
Demostracin. Ya que A -, A =1, det (A -, A) =det (l); es decir, det (Xl) det (A) = 1. Supuesto que det (A) -=1= O, se puede completar la demostracin al dividir todo entre det (A) .'
Ejemplo 25 Dado que ei primero y tercer renglones de
son proporcionales, det (A) = 0 , Por tanto , A no es invcrsible.
98
DETeRMINANTES
EJERCICIOS 2.3
l. Encuentre las tanspuestas de
(e) [7
2]
2. Verifique el teorem 4 para
3. Verifique que det (AB) = det (A) det (8) cUndo
A=
2 4 O] 1O 3 [O O 2
B=[~
4. Apque el teorma 6 para determinar cules de las matrices sigUientes son inversibles.
S. Suponga que det (A) = S, en donde
a
A =
Encuentre
(a) det(3A)
(e) det((2A) - 1)
(d) det b
ra
e
9 h
1
el]
e
6. Sin evaluar directamente, demuestre que x
=O Y x = 2 satisfacen
:2
I =
- 5
gUP.~ROLl,.O
POR COfACTORE$; RE;GlA DE CRAMER
97
'1 . Sin evaluar directamente , demuestre que

b+e
del
e+a b+
b I e
I
a] = O
8 . Para cul valor, o

k-3
cu~es
valores de k , A no es invesible?
(a) A = [ _ 2
k_ 2
-2J
(b) A =
l 2 4] [ 31
3
!;
1 6 .
9 . Suponga que A y E son matrices de n X n. Demuestre que si A es invel'sble , entonces det (E) = det (A -1 EA ).
10. (ll) Encuentre una matriz A de 3 X 3 diferente de cero tal que A = A t . (b) Halle una matriz A de 3 X 3 diferente de cero tal que A = - A t . 11 . Sea (Ji el elemento que est en el i- simo rengln y j-sima columna de A. En cul rengln y cul columna de A t aparecer aj ?
12 . Sea AX = O un sistema de n eculciones lineales en n incgnitas. Demuestre que el sistema tiene una solucin no trivial si y slo si det (A ) = O.
13 . Sean
(1 1 1
A =
[
l/2 1
l/ JI
'y'
I
bll
/ t 1
bJ I
b2 2 b 32
hU ] b
13
b.1 3
Demuestre que
(a) (A')' = A (b) (A
+ By =
A'
+ E'
(c) (A B)' = 8' A'
(d) (kA)' = kA'
14. Pruebe que (A tBti =EA . 1 S. Se dice que una matriz cuadrada A es simtrica si A t = A yantisimtrica si A t = - A . Demuestre qlle si B es una matriz cuadrada, entonces (a) Bil t Y B
+ st son simtricas
(b) B - B t es antisimtrica
2.4
DESARRO LL O POR COFA CTORES; REG LA DE CRAMER
En esta seccin se considera un mtodo para evaluar determinantes que resulta til para clculos a mano y tiene gran importancia terica . COmo consecuencia de lo que se haga aqu. se obtendr una frmula para la inversa de una matriz inversible as ~omo otra para la solucin de ciertos sistemas de ecuaciones lineales, en trminos de determinantes.
98
DETERMINANTES
Definicin. Si A es una matriz cuadrada, entonces el menor del elemento a se denota por M y se define como el determinante de la sub matriz que se deja despus de eliminar de A el i-simo rengln y la j-sima columna . El nmero ( - 1)I+} M se denota por C y se conoce como cofactor del elemento aiEjemplo 26 Sea
1
5
4
El menor del elemento all es
Mil
3 2
-l
-4
6 = 8
5
4
I !
~I
16
El cofactor de all es
Anlogamente, el menor del elemento a32 es
- 4
5 4 El cofactor de a32 es 6 8
=
I~
-41 6
26
Ntese que el cofactor y el menor de un elemento a; difieren nicamente en el signo, es decir, O = Mij_ Una manera rpida de determinar si se usa el +, o bien, - es aplicar el hecho de que el signo que relaciona C con MI est en el i- simo rengln y j - sima columna del arreglo
+
+
+
+
+
+
Por ejemplo, C1l = M 1l , C21 = - M 21 , C12 = -M 12 C22 = M22 , etc.
DESARROLLO POR COFACTORES; REGLA DE CRAMER
99
Considrese la matriz general de 3 X 3
En el ejemplo 7 se demostr que

det(A)
= 1I11a ZZ a )3 + alZa Z 3a 3 1 + ClI3a Z la 32

a l 3 a 22 a 31 a12a21a33 Cllla23C132
(2.2)
lo cual se puede volver a escribir como
Ya que las expresiones que estn dentro de los parntesis son precisamente los cofactores Cll , C21 y C31 (verifquese) se tiene
(2.3)
En la ecuacin (2 .3) se muestra que es posible calcular el determinante de A multipliCllndo los elementos que estn en la primera columna de A por sus cofactores y sumando los productos que resultan. Este mtodo para evaluar det (A) se conoce como deso"ollo por cotactores a lo largo de la primera columna de A .
~iemplo
27
Sea
[-~
-4 4
- 2
~l
Evalese det (A) aplicando el desarrollo por cofactores a lo largo de la primera columna deA.
Solucin. Con base en (2.3) ,
det(A)
=3
= 3( - 4) - (-2)( - 2)
/ 4 4 -4 /-4 -23- (-2) 11 - 201 +5 I 1 ~I

+ 5(3) =-1
Al reacomodar los trminos dados en (2.2) de diversas maneras, es posible obtener otras frmulas como la (2.3). No debe ser difcil verificar que todas las frmulas siguientes son correctas (vase el ejercicio 23):
100
DETERMINANTES
det(A) = C/ l l e ll
+ C/12eI2 + C/ 1 3e 1 3 = ({lle ll + 02l e 21 + C/ 3 1 C 31 = (/2 1C 2 1 + ClnC} 2 + a2 3 C 2 3 = (l1 2 C I } + C/ 2 2 C 2 2 + a32 C 3 2 -= (/ 3 1 C 31 + (/32 C 3l + C/3 3 C 3 3 = a l 3 C l 3 + a23 C 23 + C/33 C 33
(2.4)
Nt ese que, en cada ecuacin, todos los elementos y cofactores provienen del mismo rengln o columna. Estas ecuaciones se conocen como los deS4rroflos por cofactores de det (A). Los resultados que se acaban de da r para las matrices de 3 X 3 forman un caso especial del teorema general siguiente, el cual se enuncia sin demostracin. Teorema 7. Se puede rolcular el determinante de una matriz A de n X n multiplicando los elementos de cualquier rengl n (o columna ) por sus ca factores y sumando los productos que restilten; es decir, para cada 1 ~ i ~ n y 1 ~ j ~ n,
det(A) = ClljC l j + C/ 2 j C 2 j + ... + Clnje nj (desarrollo por cofactores a lo /argo de la j-sima columna)
y
det(A) = C/ il C;l + U i2 C i 2 + . . . + ClinC in (desarrollo por cofactores a lo largo del i- simo rengln)
Ejemplo 28 Sea A la matriz del ejemplo 27. Evalese det (A) por medio de su desarrollo por cofactores a lo largo del primer rengln.
Solucin.
3 det(A)= -2
- 4
~ =3 1 4 . -2
1
-2 - (1)
3 12 1 -5
= 1
- 2
3\ +
01 5 -2
3( - 4) - (1)( - 11)
Esto concuerda con el resultado obtenido en el ejemplo 27 .

OBS ERV ACION. En este ejemplo result innecesario calcular el ltimo cofactor, puesto que qued multiplicado por cero. En general, la mejor estrategia para evaluar un determinante por medio del desarrollo por cofactores es llevndolo a cabo a lo largo de un rengln o columna que tenga el mayor nmero de ceros.
A v~ces se puede aplicar el desarrollo pot ca factores combinado con operaciones sobre los renglones o columnas, para suministrar un mtodo efectivo con el cual evaluar los determinantes. El siguiente ejemplo ilustra esta idea.
DESARRObLO POR COFACiORES; REGLA DE CRAMER
101
Ejemplo 29
Evalese det (A), en donde
5 2 4
- 2 - 1 1
Solucin. Al sumar mltiplos apropiados del segundo rengln a los renglones restantes, se
obtiene
o
det(A) =
--1
1-
- 1
--'
O O
i\
3\ O,
Desarrollo por cofae tares a lo largo de la primera columna Se sum el i I I primer renglon 1 a la tercera columna. Desarrollo por cofac
1 _ 1 O 3
1 I
I 1
31
\i
1 8
O /
3
1 -1
- , O 3 1O 9
-( - 1)
.'
I~
~I
Ipnmera10 largo de la a columna

to~es
- 18
En un desarrollo por cofactores se calcula det (A) al multiplicar los elmentos de un rengln o columna por sus cofactores y sumar los productos resultantes. Resulta que si se multiplican los elementos de cualquier rengln por los factores correspondientes de un rengln diferente. la suma de estos productos siempre es cero. (Tambin se cumple este re sultado para las columnas). Aun cuando se omite la demostracin general, en el ejemplo que sigue se ilustra la idea de la demostracin en un caso especial. Ejemplo 30 Sea
Considrese la cantidad
102
D ET ERMINANTES
que se forma al multiplicar los elementos del primer rengln por los cofactores de los elementos correspondientes del tercer rengln y sumar los productos resultantes. Ahora se demuestra que esta cantidad es igual a cero por medio dei siguiente artificio. C~nstrya se una nueva matriz A' reemplazando el tercer rengln de A con otra copia del primer rengln. As entonces,
a 11
A'
a21
a 11
Sean e' 31, e' 32 y e' 33 los cofactores de los elementos que estn en el tercer rengln deA'. Dado que los dos primeros renglones de A y A' son los mismos, y ya que el clculo de e31 , e32 , e33 , e' 31, e' 32 y e' 33 slo comprende elementos de los dos primeros renglones de A y A' se deduce que
Puesto que A' tiene dos renglones idnticos,

det(A ' )
=O
(2.5)
Por otra parte, la evaluacin de det (A') mediante el desarrollo por cofactores a lo largo del tercer rengln da
det(A ' )
= u 11 e ~ 1 + U 12 C 32 + a l 3e :33
= a 11 e 3 1 + (/12 e 32 + el 1 3 e 33
(2.6)
Por lo expresado en (2.5) y (2.6) se obtiene
Definicin. Si A es una matriz cualquiera de n X n y matriz
e; es el cofactor de aij, entonces la
le "
C" 1
e 12 c 21 C 22 e .. 2
e 2.. C,"j e""
se conoce como matriz de cofactores tomados de A . La transpuesta de esta matriz se de nomina adjunto de A y se denota por adj (A). Ejemplo 31 Sea
A = [~
6 - 4
- ll
6J
103
Los cofactores de A son
e l l = 12 e2 l = 4 e 3 l = 12
e 12 = 6 e 22 = 2 e 32 = -
e 13 =-16
C~ 3
= 16
16
1O
e 33 =
de modo que la matriz de los cofactores es
[
y la adjunta de A es
1~
11
6 2 -10
- 16] 16 16
adj(A) = [
12 6
-1 6
16
- 10 16
11]
Ahora se cuenta con los elementos para establecer una frmula para la inversa de una matriz inversible . Teorema 8. Si A es una matriz im'ersible. entonces
== det()adj()
Demostracill. Se demostrar primero que

A adj(A)
det(A)!
Considrese el producto
a l1
a21
a 12 a22
. ..
...
:::1 r~"
ann
e 21
en e 2n
a n1
an2
: ~ e::
C j1 C j2 CJn
c"j
C n2 Cnn
El elemento del i- simo rengln y j- sima columna de A adj (A) es

(2.7)
(vanse las lneas sombreadas arriba) .
14
DfEMINANtS
Si i = j , entonces (2.7) es el desarrollo por cofactores de det (A) a 10 largo del i- simo rengln de A (teorema 7). Por otra parte, si i 4= j, entonces los a y los cofactores provienen de renglones diferentes de A , por tanto el valor de (2.7) es cero. Por tanto,
det( A )
O
det(A)
. ..
'..
A adJ (A)
=
[
. . . O
. .
.
~
det(A)
J= det(A)I
(2.8)
Supuesto que A es ivetsible, det (A) ecuacin (2.8) como
'* 0, Por consiguiet, es posible volver a escribir la

. [A adj(A)]
1 - d
et(A)
=1
o bien,
A [de:(A) adj(A)]
=1
Al multiplicar por la izquierda los dos miembros por A - da
A-
=_
1_ adj(A) det(A)
(2.9)
Ejetnplo 32 Usese (2.9) a fin de encontrar la inversa de la matriz A del ejemplo 31 .

SOlucin. Ellectr puede comprobar que det (A)
= 64. Por tanto,

12
-16
A- 1 = -
- adj(A) = ~ det(A) 64
64
4 2 16
~ 10
1] 2
16
12
6
64
=[ -~
~
l4
64
16
64
- ~
16
1 2]
64
64
Se observa que para matrices mayores que las de 3 X 3, el mtodo de inversin de matrices que se da en este ejemplo es, desde el punto de vista del clculo , inferior a la tcnica dada en la seccin 1.6. Por otro lado, el mtodo de inversin de la seccin 1.6 slo es un procedimiento de clculo, o algoritmo , para calcular A - y n O resulta muy til para estudiar las propiedades de la inversa. A menudo es posible utilizar la frmula (2 .9) a fin de obtener propiedades de la inversa, sin calcularla realmente (ejercicio 20).
DESARROLLO
pO~
COFA(!TOR8: REGlA OE C~AMER
105
Asimismo; Con frecuencia resulta til tener una frmula para la solucin de un sistema de ecuaciones que se pueda utilizar para estudiar las propiedades de la solucin, sin resolver el sistema. El teorema que sigue establece esa ftrntda pata los sistemas de n ecuaciones en n incgnitas. La frmula se colibce cotnb regla de Crali1er. Teorema 9. (Regla de Cramer). Si AX = B es un sistema de n ecuaciones lineales en n incgnitas tal que det (A) =1= O. entonces el &isterha tiene una solucin nica, Esta solucin es
det(Ad
XI
det(A 2 )
X2
det(A n )
X"
= det(A)'
= det(A)" '"
= det(A)
en donde A es la matriz que se obtiene al ;eemplazar los elementos de la' j- sima columna de A por los elementos de la matriz
BJ;:l
lb"
Demostracin. Si det (A) 0/= O, entoncsA es inversible ,/, por ei teoretna 11 d la seccin 1.7 X = A -1 B es la solucin fiica de AX == !J. Pbr consiguiente, pot el teorma 8 se tiene
CIl 1 C12 - t( d , e A) ;
X
=A
- 1
J B=- ( d
et A)
adJ(A)B
. '
C lri
Al multiplicar las tfitriccs tia
Por tanto, el elmento del j- simo rengln de
X cs'
(2.10)
Ahora , sea
U1i U !j .. U2J I
/ji
Utj + I
A.=
J
l""
a2!
:
a 22
b~
U2 J+
() ,,1
Un 2
a"j
hn
Unj +
..,
"'"1 :::
106
DETERMINANTES
Dado que Aj difiere de A nicamente en la j - sima columna, los cofactores de los elemenfos b . 02 . . . b" de Aj son iguales a los cofactores de los elementos correspondientes que estn en la j - sima columna de A. Como consecuencia, el desarrollo por cofactores de det (A j ) a lo largo de la j - sima columna es
Al sustituir este resultado en ( 2.10) se obtiene

X.
j
= det(A)
det(A)
Ejemplo 33
Aplquese la regla de Cramer para resolver

Xl
+
2x 2
-3x + 4 X2
- X -
+ 2 X3 = + 6 X3 = + 3x 3 =
6
30 8
Solucin.
1
A
o
4
= -3
[ -1
-2
~]
O 4
3 .
- 2
~]
3~]
A2 =[-~
Por tanto ,
- 1
6 30 8
~]
\" . 2 -
O 4
-2
\"
- - - - - _ .~
det(A) - 40 - 10 - - -det(A) 44 11 ' 152 38
det( A2 ) 72 18 - -- - - - det(A) - 44 - 11 '
det(A J)
.\"3
= det(A) = 44 = IT
Para resolver un sistema de n ecuaciones en n incgnitas por la regla de Cfamer, se necesita evaluar n + 1 detenninantes de matrices de 11 X n. Desde el punto de vista del clculo, para slste mas con ms de tres ecuaciones, la eliminacin gaussiana resulta superior, pues lo que slo se ha de reducir una matriz aumentada de 11 X /1 + l . Sin embargo , la regIa de Cramer da una frmula para la solucin .
107
EJERCICIOS 2.4
l. Sea
3. Evale el determinante de la matriz del ejercicio 1 por medio de un desarrollo por cofactores a lo largo de
(a) e\ "prime! ren,&\n

(d) la segunda columna
(o) \a "primera co\umna (e) el tercer rengln
(e) el ~e,&undo ren,&\n (f) la tercera columna
4 . Para la matriz del ejercicio 1, halle (a) adj (A) (b) A - 1 aplicando el mtodo del ejemplo 32.
En los ejercicios S al 10 evale det (A ) por medio de un desarrollo por cofactores a lo largo de cualquier rengln o columna que se elija .
6 6
5A -[:
7A - [: .J.:Z
2
1
:l
f.: I f.: 2
. A_ [-:
- 1 8. A
[' - I
=
3 O - 3
-:1
2
4
k
J.:Z
1
O
()
k- 3
k~J
9
9.
A {
3
6
()
14
- 3 3
-:]
6
()
3 3
3
1 2
4
4 6
W. A =
()
1
()
- 1
2
3
2
3
2 2 4 2 3
108
DETERMINANTES
11. Sea
(a) Evale A - 1 aplicando el mtodo del ejemplo 32 . (h) Evale A - 1 aplicando el mtodo del ejemplo 29 de la seccin 1.6 . (e) Cul de los dos mtodos implica menos clculos? En los ejercicios 12 al 17 rsuelva por medo de lii regla de Ctamer, cUiUid sea factible aplicarla .
li. 3x I
2x I 14.
-
4X2 = ~ 5
X2
13. 4x + 5-"
= 2
= 4
II x + f + 2:: = 3 x + 5.1' + 2:: = 1

15.
XI -
x + .1' - 2:: = 1 2x- .r + :: = 2
3.\'2
X2
+
-
X3
2x I
4 .\ 1
= 4 = - 2 =
x - 2.1' - 4:: = -4
3X3
O
7 15
tli. 2xI
3x I
~
-
x 1+ X3- 4x4= -32

= .\:4 "" 2X4 =
17. 2x I
4xI
X2
7x I + 2x 2 + 9X3
X2 +
Xi X3
x)
=8
14
+ x 4 = 11
+ 3X2 + X 3 = 6x 1 + 2x 2 + 2x ) =
.\' 4-
4X3 ~
-4
18. Aplique la regl de Cramer a fin de despejar z , sin despejar x , y y w .
4.\' + .r + tl + 3x + 7y - :: +
7x
t" .\'
t; ='
IV
6
I
-
+ 3,\, - 5.: + 8w = 4- .r +' z + :2\\. =
19 . Sa AX == B el sistema del ejercicio 18 . (a) Resulvalo por medi de la regla de Ctamer. (b) Resulval por medio de la eliminacin de Gauss-Jordan . (c) Con cul de los dos mtodos se realizan menos clculos? 20. Pruebe que si det (A) = l Y todos los elementos de A Son enteros, entonces todos los elementos de A -1 son. enteros. 21. Sea AX = B un sistema de n ecuaciortes lineales en 11 in:;grutas con :;oeficientes enteros y constantes enteras. Pruebe que si det (A) = 1, enton ces la solucin X tiene elementos enteros, 22. Pruebe que si A es una matriz triangUlar sUperior invetsible, entonces A -\ es triangular su perior. 23. Deduzca el primero y ltimo desarrollos por co fa ctores de la lista dada en (2.4).
DESARROI,.LO POR COFACTORES; REGLA DE CRAMER
109
24. Pruebe que la ecuaci6n de la recta que pasa por los puntos distintos (a 1, b 1) Y (a2' b 2 ) se puede escribir como
x
al
y
bl b2
=;;
a2
IX S2
I
YI Y2
=0
:"3
Y3
26. Pruebe qUe la eCllllcin dlll p~no qYe p~ por los puntos no coUneales (al, 61 , CI ), (a 2, b 2 , e2 ) Y (a3, b 3 , C3 ) se puede escribir :
x
al (/2
(/3
z
el
C2
b b2
b3
=;;0
e3
EJERCICIOS SuPLEMENTARIOS
1. Aplique la regla de Cramef para
~espejar
x' y y ' el'! trminos de x y y .
x = ix' -!y' y= 'h'+h'
2. Aplique la regla de Cramer para

x
~esptjr
x'
y y I en trmin os qe ~ y y.
y = x' sen e
= x' r;os e - y' sen 1) + y' cos o
3. Medil}nte el examen del determinante de la matriz de los coeficientes, demues. tre que el si.stema que sigue tiene una soluci6n no trivial si y slo si a ={J ,
+ y + l;! = O X + Y + {Jz = O 'l.X + {Jy + z = O

x
4. Demuestre que si una matriz cuadrada A satisface

.AJ + 4 A 2
-
2A
+ 7/ = O
entonces A t tambin satisface la misma relacin .
110
DETERMINANTES
s.
(a) Para el tringulo que se da abajo, aplique la trigonometra a fin de demostrar que
b cos y + ecos
fJ = a
y= b
(J.
ecos
(J.
a cos fJ
+ a cos + b cos
= e
y, a continuacin, aplique la regla de Cramer para demostrar que
(b) Use la regla de Cramer para obtener frmulas semejantes para cos(3 y cos 'Y .
G
x-
6. Use determinantes para demostrar que, para todos los valores reales de 'Y, la nica solucin de
x - 2y = j,x
y = Ay
esx = O, y
= O.
7. Pruebe que si A es inversible, entonces adj (A) es inversible y

[adj(AW
I
1 = __ A = adj(A ~ 1)
det(A)
8. Pruebe que si A es un;! matriz de n X n, entonces

det[adj(A)] = [det(A)]n I
9. (Para loslectores que hayan estudiado clculo) . Demuestre que si 11 (x), 12 (x), g (x) Yg2 (x) son funciones diferenciables, y si
W = III(X)
g{x)
j~(X)1
g z(x)
entonces
dW
--;; =
I('I(X)
('> (X)!
!JI(X) Y : (x)
!II(x)
'{ x )
/ ,(X) !
y: CX)
10. (a) En la figura que se da al final , el rea del tringulo ABC se puede expresar como rea A RC = rea ADHC + rea Ch'FB - rea AJJFB
111
Aplique esto y el hecho de que el rea de un trapecio es igual a 1/2 de la altura multiplicada por la suma de los lados paralelos, para demostrar que
X I
rea ABe
="2
YI Yz
X2
-" 3 Y3
[Nota. En la deduccin de esta frmula, se nombran los vrtices de manera que el tringulo se recorra en sentido contrario al movimiento de las manecillas del reloj, yendo de (x 1 , Y 1 ) a (x 2, Y2 ) Y a (x 3, Y 3). Si el recorrido se hace en el sentido del movimiento de las manecillas del reloj, el determinante que se obtiene conduce al negativo del rea .]
(b) Aplique el resultado obtenido en el inciso (a) para hallar el rea del tringulo con vrtices (3, 3), (4, O), (- 2 , -1) .
3
Vectores en los espacios bidimensional y tridimensional
Los lectores que conozcan el contenido de este captulo pueden pasar al captulo 4, sin prdida de contil/uidad.
3.1INTRODUCCION A LOS VECTORES (GEOMETRICOS)

En esta seccin se presentan geomtricamente los vectores en los espacios bidimensioaal (espacio 2) y tridimensional (espacio 3). Se definen las operaciones aritmticas sobre los vectores y se establecen algunas propiedades bsicas de estas operaciones. Muchas cantidades fsicas, como rea, longitud y masa, se definen completamente una vez que se da un nmero real que representa la magnitud de la misma. Otras canti dades fsicas , denominadas vectores, no quedan determinadas por completo hasta que se especifican una magnitud y una direccin. * Fuerza , desplazamiento y velocidad son ejemplos de vectores. Los vectores se pueden representar geomtricamente como segmentos rectilneos dirigidos, o flechas, en los espacios bidimensional y tridimensional; la direccin de la tlecha especifica la direccin del vector y la longitud de la misma describe su magnitud. La cola de la flecha se llama punto inicial del vector y su punta es el punto terminal. Los vectores se denotarn por medio de letras minsculas negritas como a, k, v, w y x. Al analizar los vectores, los nmeros se mencionarn como escalares. Todos los escalares que se usen en este libro sern nmeros reales y se denotarn por medio de letras minsculas cursivas comoa, k, JI, W y .X.
*En muchos libros en espaol sobre el tema se seala que un vector queda determinado al dar su magnitud, direccin y sentido; considerando la palabra direccin slo co n el significado de recta que contiene al vector; tal prctica, en no pocos casos, conduce a textos confusos. En este libro se traduce la palabra direction simplemente por direccin, dndole el significado - como en el texto en ingls, lo cual tambin es correcto en espaol- tanto de recta que contiene el vector como de sentido que se toma sobre la misma. (N. del T.)
113
114
VECTORES EN LOS
E~PACIOS
BIDIMENSIONAL y TRIDIMENSIONAL
Figura 3.1 a) El vector A B. b) Vectores equivalen tes.
Si, como en la figura 3.10, el punto inicial de un vector v es A, y el punto terminal es B, se escribe
v
AB
Los vectores con la misma longitud y la misma direccin, como los de la figura 3.lb, se dice que son equivalentes. puesto que se desea que un vector quede determinado nicamente por su longitud y direccin, los vectores equivalentes se consideran como iguales aun cuando puedan estar localizados en posiciones diferentes . Si v y w son equivalentes se escribe
,' = w
Definicin. Si v y w son dos vectores cualesquiera, entonces la suma v + w es el vector que se determina como sigue: Colquese el vector w de modo que su punto inicial coincida con el punto terminal de v. El vector v + w se representa por medio de la flecha que va del punto inicial de v al terminal de w (figura 3 .20). En la figura 3.2b se han construido dos sumas, v + w (flechas azules) y w + v (flechas blancas); es evidente que
~w+v l
y que la suma cOIncide con la diagonal del paralelogramo determinado por v y w . al ubicar estos vectores de modo que tengan el mismo punto inicial.
(al
Figura 3.2
INTRODUCCION A LOS VECTORES (GEOMETRICOSI
115
Figura 3.3 El vector de longitud cero se denomina vector cero y se denota por O. Se define O+v=v+O=v para todo vector v. Como no existe direccin natural para el vector cero, se convendr en que se le puede asignar cualquier direccin que resulte conveniente para el problema que se est considerando. Si v es cualquier vector diferente de cero, es obvio que el nico vector w que satisface v + w = O es el vector que tiene la misma magnitud que v pero cuya direccin es la opuesta (figura 3.3). Este vector se conoce como negativo (o inverso aditivo) de v y se escribe w=-v Adems, se define - 0=0.
/'o.--"~
Definicin. Si v y w son dos vectores cualesquiera , entonces la sustraccin se define por v-w = v+(-w) Figura 3.40). Para obtener la diferencia v - w, sin construir - w, colquense v y w de modo que coincidan sus puntos iniciales; el vector que va del punto terminal de w hacia el punto terminal de v es entonces el vector v - w (figura 3.4b) Definicin . Si v es un vector y k es el nmero real (escalar), entonces el producto kv se define como el vector cuya longitud es Ikl multiplicado por la longitud de v y cuya direccin es la misma que la de v, si k > 0, y opuesta a la de v, si k < o. Se define kv = O si k =0 o v=O . \
iJ_w
-w
(a)
w
(b)
Figura 3.4
116
VECTORES EN LOS ESPACIOS BIDIMENSIONAL Y TRIDIMENSIONAL
Figura 3.5
En la figura 3 .5 se ilustra la relacin entre un vector v y el vector

y ( - 3)v.
tv, (-
l)v, 2v
Ntese que el vector ( - l)v tiene la misma longitud que v pero su direccin es la opuesta. Por tanto , ( - l)v es precisamente el negativo de v; es decir,
\ (- l)V=-V )
Los problemas relacionados con vectores a menudo se simplifican al introducir un sistema de coordenadas rectangulares. Por el momento , el anlisis se restringe a vectores en el espacio bidimensional (el plano). Sea v cualquier vector en el plano y supngase , como en la figura 3.6, que se ha colocado v de manera que su punto inicial quede en el origen de un sistema de coordenadas rectangulares. Las coordenadas (VI . v2 ) del punto terminal de v se llaman componentes de v, y se escribe
---
Si se colocan vectores equivalentes, v y w, de modo que sus puntos iniciales caigan en el origen, entonces es obvio que sus puntos terminales deben coincidir (supuesto que los vectores tienen la misma longitud y la misma direccin) . As entonces, los vectores tienen las mismas componentes. Es igualmente obvio que ve;tores con las mismas componentes deben tener la misma longitud y la misma direccin y, por consiguiente , son eqtivalen tes . En resumen, dos vectores
son equivalentes si y slo si
Figura 3.6
INTROOUCCION A LOS VECTORES (GEOMETRICOS)
117
Figura 3.7
Las operaciones de adicin vectorial y multipliccinpor escalares son muy fciles de llevar a cabo en trminos de componentes. Como. se ilustra en la figura 3.7, si
erttonces Si v = (VI. V2) Y k es un escalar cualquiera, entonces. aplicando un argumento geomtrico relacionado con tringulos semejantes, se puede demostrar (ejercicio 14) que
(figura 3.8). As, por ejemplo, si v = (l . - 2) y w

v y
=(7, 6) entonces
+ w =(1..- 2) + (7 , 6) =(l + 7), - 2 + 6) =(8,4)
4v = 4( l. - 2) =(4( 1), 4(- 2
=(4, -
8)
Figura 3.8
(a)
(b)
Figura 3.9
Precisamente como los vectores en el plano se pueden describir por parejas de nmeros reales, es posible describir los vectores en el espacio tridimensional por ternas de nmeros reales, introduciendo un sistema de coordenadas reactangulares. Para construir un sistema de coordenadas de este tipo, se selecciona un punto O, conocido como origen, y se eligen tres rectas mutuamente perpendiculares, llamadas ejes de coordenadas, que pasen por el origen. Se denominan estos ejes como x, y y z y se selecciona una direccin positiva para cada uno de ellos, as como una unidad de longitud para medir las distancias (figura 3.9a). Cada par de ejes de coordenadas determinan un plano conocido como plano coordenado. Estos planos se mencionan como plano xy, plano xz y plano yz. A cada punto P en el espacio tridimensional se le asigna una terna de nmeros (x, y, z), llamados coordenadas de P, como sigue: se pasan tres planos por P que sean paralelos a los planos coordenados, y se denotan los puntos de interseccin de estos planos con los tres ejes coorde'n ados por X, Y Y Z (figura 3.9b). Las coordenadas de P se definen como las longitudes con signo
x = OX y=OY
z=OZ
En la figura 3.10 se han situado los puntos cuyas coordenadas son (4, 5, 6) y (- 3, 2, - 4). Los sistemas de coordenadas rectangulares en el espacio tridimensional caen en dos categoras, izquierdos y !erechos. Un sistema derecho tiene la propiedad de que un tornillo
y ~--~--=-----~~.
(-3,2, -4)
Figura 3.10
INTRODUCCION A lOS VECTORES (GEOMETRICOS)
119
Figura 3.11 a) Derecho. b) Izquierdo.
--z6
comn que apunte en 1 . ireccin positiva del eje z avanzara si el eje x positivo se hiciese girar 90 hacia el eje v ositivo (figura 3.1 la) . El sistema es izquierdo si el tornillo se desplazase hacia atrs (figura 3.1Ib). En este libro slo se utilizan sistemas derechos de coordenadas. Si, como en la figura 3. 12 , un vector ven el espacio tridimensional se ubica de modo que su punto inicial quede en el origen de un sistema rectangular de coordenadas, entonces las coordenadas del punto terminal se conocen como componentes de v y se escribe
Si v = (VI . V2, V 3 ) Y w = (WI ' W 2, W3) son dos vectores en el espacio tridimensional, entonces es posible aplicar argumentos semejantes a los usados para los vectores en un . plano, a fin de establecer los resultados que siguen: i) ii) iii) v y w son equivalentes si y slo si VI = W , V2 =W2 Y V3 = W3 v + w = (VI + WI . V2 + W2 , V3 + W3) kv = (kv l . kV2 . kV3) , en donde k es un escalar cualquiera
Ejemplo 1 Si v = (1 , - 3 , 2) Y w v+w
v- w
= (4 , 2, 1), entonces
= (5. = v + (-
1, 3), 2v = (2 , - 6 , 4), - w = (- 4 , - 2, - 1), w) = (- 3, - 5, 1).

z
Figura 3.12
120
VECTORES EN LOS ESPACIOS BIOIMENSIONAL y TRlDIMErJSIONAL
_1
OP
,p(X, y, z )
P'2(X -2, y::! . Z-2 }
Figura 3.13
A veces surgen vectores que no tienen sus puntos iniciales en el origen. Si el vector pp2 tiene el punto inicial p(x , y , z) y el punto terminal P~(X2, Y2, Z2), entonces
.
,/
es decir, las componentes de pp2 se obtienen al estar las coordenadas del punto inicial de las coordenadas del punto terminal. Se puerle ver esto considerando la figura 3.13; el vector pp2 es la diferencia de los vectores OP2 y OP, de modo que
Ejemplo 2 Las componentes del vector v P2 (7 , 5, - 8) son
= pp2 con punto
inicial p (2, - 1,4) Y punto terminal
v=(7 - 2,5 - (- I),(- 8) --' 4)=(5,6, - 12)

. De modo anlogo, en el espacio bidimensional, el vector con punto inicial p (x, Y) ypuntoterminalP2(x2,h)esPP2 =(X2 - X,Y2 - y). Ejemplo 3 Se pueden simplificar las soluciones para muchos problemas, trasladando los ejes de coordenadas a fm de obtener nuevos ejes paralelos a los originales. En la figura 3.140 se han trasladado los ejes de coordenadas xy para obtener un sistema de coordenadas x'Y' cuyo origen O' est en el punto (x, y) = (k, [). Un punto P en el espacio bidimensional ahora tiene tanto las coordenadas (x, y) como las coordenadas (x', y'). Para ver la forma en la que las dos estn relacionadas, considrese el vector O'P (figura 3.14b). En el sistema xy, su punto ini<;ial est en (k, 1) Y su punto terminal en
INTRODUCCION A LOS VECTORES (GEOMETRICOSI
121
-O ? 'P
Figura 3.14
'
'{
(X, y) ; por tanto~ (x - k, Y - 1). En e~tema x' y', su punto inicial est en (0, O) Y su pun~o terminal en (x', y',);as entonces, OF = (x', y'). Por tanto,
Estas expresiones se denominan ecuaciones de tras/acin. Como ilustracin, si el nuevo origen est en (k, 1) = (4, 1) Y las coordenadas xy de un punto P son (2,0), entonces las coordenadas x'y' de P son x' = 2 - 4 = - 2 Y X' = _ 1 =_ l. ' . ' En .el espacio tridimensional , l~s ecuaciones de traslacin son
J
en donde (k, 1, m) son las oordenadas xyz del nuevo origen. EJERCICIOS 3.1
1. Dibuje un sistema derecho de coordenadas y ubique los puntos cuyas coordenadas son :
a) (2, 3, 4)
e) ( - 2, -3, 4) i) (0,2, O)
b) ( - 2, 3.4)
c)(2, - 3,4)
g) (2, - 3, - 4) k) (2,0, 2)
1) ( - 2, 3, - 4) j) (0, 0, - 2)
d) (2, 3, - 4) 11) ( - 2, - 3, - 4) 1) ( - 2,0, O)
2. Dibuje los vectores siguientes con los puntos iniciales ubicados en el origen :
a)
VI
= (2 , 5)
b)v z = ( - 3.7)
(6, - 2) g) v7 = (2, 3, 4)
V4 =
d)
e)v ,= (2. 0)
h)v H = (2, O, 2)
e) v] = ( - 5, - 4) v" = (0, -X ) i) V 4 = (O: 0, - 2)
3. Halle los componentes del vector que tiene el punto inicial PI Y el punto ter-
minalP 2
122
VECTORES EN LOS ESPACIOS BIDIMENSIONAL V TRIDIMENSIONAL
a) P(3 , 5), 1'2(2, 8) e) P(6,5 , 8), P 2 (8, - 7, - 3)
b) P(7, - 2), Pz{O, O) d) PIrO, O 0), 1'2( - 8, 7,4) ,
'1, 4. Halle un vector con punto inicial P(2, - 1,4) Y que tenga la 'llisma direccin que
v = (7,6 , - 3).
5. Halle un vector, con direccin opuesta a la de v = (- 2, 4, - 1), que tenga el punto terminal Q(2, 0, - 7). 6. Sea u = (1,2,3) , v = (2, - 3, 1) y w = (3,2, - 1). Halle las componentes de
a) u - w d) 3(u - 7v)
b) 7v + 3w e) -3v-8w
e) -w+v f) 2v - (u + w)
7. Sean u, v y w los vectores del ejercicio 6. Encuentre las componentes del vector x que satisfaga 2u - v + x = 7x + w. 8. Sean u, v y w los vectores dd ejercicio 6. Halle los escalares el, e2 Y e3 tales que elu+e2v+e3w=(6 , 14, -- 2). 9. Demuestre que no existen los escalares el. e2 Y e3 tales que
c (1 ,2, - 3)
+ ( 2(5. 7, 1) + c 3(6. 9,
-2) = (4, 5, O).
10. Encuentre todos los escalares el. e; y e3 tales que

c(2, 7, 8)
+ c 2 (1 ,
- 1, 3)
+ c 3 (3 , 6. 11) = (0, 0, O).
11. Sea P el punto (2 , 3, - 2) Y Q el punto (7 , - 4 , 1 ).

a) Encuentre el punto medio del segmento rectilneo que une a P con Q. b) Encuentre el punto del segmento rectilneo que une a l' con Q que est a las
3/4 partes de la distancia de P a Q. 12. Suponga que un sistema de coordenadas xy se traslada para obtener un sistema de coordenadas x'y' cuyo origen O' tiene las coordenadas x y (2, - 3).
a) Halle las coordenadas x'y' del punto P cuyas coordenadas xy son (7,5). b) Encuentre las coordenadas xy del punto Q cuyas coordenadasx'y' son (- 3,6). (';Trace los ejes de coordenadas xy y x'y' y ubique los puntos P y Q.
13. Suponga que un sistema de coordenadasxy z se traslada para obtener un sistema de coordenadas x'y' z'. Sea v un vector cuyas componentes son v = (1' . ]J 2 1'3) en el sistema xy z. Demuestre que v tiene las mismas componentes en el sistema x'y'::' . 14 . Pruebe geomtricamente que si v = (v l. V2), entonces kv = (kv 1 , kV2 ). (Restrinja la de'm ostracin al caso k > que se ilustra en la figura 3.8. La demostracin completa comprendera muchos casos que dependen del cuadrante en el que cae el vector y el signo de k .)
NORMAS DE UN VECTOR; ARITMETICA VECTORIAL
123
3.2 NORMAS DE UN Vf.CTOR;ARITMETICA VECTORIAL

En esta seccin se establecen las reglas bsicas de la aritmtica vectorial. Teorema l. Si u , v y w son vectores en el espacio bidimensional o tridimensional. y k Y 1 son escalares. entonces se cumplen las relaciones siguientes:
a) b) c) d) e) f) g)
u + v= v+ u (u + v) + w = u + (v + u + O= O+ u = u
u
w)
+ (-u) = O
k(lu) = (kl)u k(u + v) = ku (k + l)u = ku h) 1u = u
+ kv + lu
Antes de analizar la demostracin, observe que se han desarrollado dos enfoques hacia los vectores: geomtrico. en el que los vectores se representan por medio de flechas o segmentos rectilneos dirigidos, y analtico. en el que se representan por parejas o temas de nmeros denominados componentes. Como consecuencia, los resultados del teorema 1 se pueden establecer geomtricamente o analticamente . Como i1uSiJ acin, se probar el inciso b) en ambas formas. Las demostraciones restantes se dejan como ejercicios.
Demostracin del inciso b) (analtica). Se dar la demostracin para vectores en el espacio tridimensional. La demostracin para el espacio bidimensional es semejante. Si u = (UI. U2. U3), v = (VI . v2 V3) Y W = (WI. W2. W3) , entonces
(u + 'v) +
= [(UI> u z , U3) + (VI> v z , V3 )] + ( W I> w z , W3) = (UI + VI , Uz + v z , U3 + v 3) +,( w l , wz, W3) = ([u l + VI] + w l , [u z + vz ] + wz, [U 3 + V3] + W3)
...
= (UI +
=
[ VI + w l ] , Uz + [vz + w z], U3 + [V3 + W3]) (UI> uz, U3) + (VI + wl> Vz + w z , V3 + W3)
+ (v + w) I
W
Demostracin del inciso b) (geomtrica). Supngase que u, v y QR Y RS. como se muestra en la figura 3.15. Entonces,
se representan por PO
v+
Tambin,
u
= QS . y u + (v +
w)
= PS
+ v = PR Y
(u
+ v) +
= PS
D'Vv'
Por tanto ,
u + (v +
w)
= (u + v) +
124
Figura 3.15
A la longitud de un vector v a menudo se le da el nombre de norma oe v y se le denota 'por IIvll. Del teorema de Pitgoras se deduce que la norma de un vector' v = (v) , 1'2) en el espacio bidimensional es
(figura ~ 3 . 16a).
Sea v = (VI, 1'2, 1'3) un vector en el espacio tridimensional . Utilizando la , figura 3 .16b Y con dos aplicaciones del teorema de Pitgoras, se 'obtiene
IlvW = (OR) 2 + (RP) 2

= (OQ) 2
=
Por tanto ,
v 1111
vi
+ (OS) 2 + (RP) 2 + v~ + v~
. ,)
(3. 1)
= -J Vi + [' 2 + 1')
~- , ,
Si PI (XI , Y I, ZI) Y P2(X2 , h , Z2) son dos puntos en el espacio tridimensional , entonces la distancia 'd entre ellos es la norma del vector PI P2 (figura 3 .17). Debido a que
Figura 3.16
NORMAS OE UN VECTOR; ARITMETICA VECTORIAL
125
/P' , ,.,,
p (X.y . z)
y
"l
Figura 3.17
de (3.1) se deduce que
De modo anlogo, si PI(X, Y) y P 2 (X2, Y2) son puntos en el espacio bidimensional, entonces la distancia entre ellos est dada por
Ejemplo 4 La norma del vector v =(- 3,2,1) es
La Jistancia d entre los puntos p (2 , - 1, - 5) Y P2 (4, - 3, 1) es
EJERCICIOS 3.2
1. Calcule la norma de v cuando
a) v = (3,4) d) v = (1 , 1, 1)
b) v = ( - I , 7) e) v = ( - H, 7, 4)
c) \' = (O, - 3) v = (9, O. (J)
2. Calcule la distancia entre PI y P 2 .

a) /J I (2 , 3),
e)
/JI( H, - 4, 2),
Pl (4 , 6) /J 2 ( - 6, -- 1, O)
b) PI ( - 2, 7)_ d)P ,( I , I.I),
1'2(0, - 3) 1'2(6, - 7.3)
3. Sea u = (1, -- 3,2), v = (l, 1, O) Y w '" (2 , 2, -- 4). Encuentre

a)
Ilu+ v ii
b)
liui + Ilvll
e)
u 11 - 2 ll + 21ll u 1
126
d)
113u -
5v
+ wll
4. Halle todos los escalares k tales que IIkvll = 3, en donde v = (l , 2,4).

5. Verifique los incisos (b), (e), (f) y (g) del teorema 1, para u 6,9), w = (- 8,1,2), k = - 3 Y 1 = 6.
= (1, -
3, 7), v = (6,
6. Demuestre
~ue
si v es diferente de cero, entonces
IT~II v
tiene norma l.
7. Use el resultado del ejercicio 6 para hallar un vector de norma 1 que tenga la misma direccin que v = (1, 1, 1).
8. Sea Po = (xo. Yo. zo) y P = (x. y. z). Describa el conjunto de todos los puntos (x. y . z) para los que IIp - Po 11 = 1. 9. Pruebe geomtricamente que si u y y son vectores en los espacios bidimensional y tridimensional, en tonces lIu + v 11 :s;;; lIu 11 + IIv 11 .
10. Pruebe analticamente los incisos (a), (e) y (e) del teorema l.
11. Pruebe analticamente los incisos (d), (g) y (h) del teorema l.
12. Pruebe geomtricamente el inciso
(n del teorema l .
3.3 PRODUCTO ESCALAR (PUNTO); PROYECCIONES

En esta seccin se presenta un tipo de multiplicacin de vectores en los espacios bidimensional y tridimensional. Se establecen las propiedades aritmticas de esta multiplicacin y se dan algunas aplicaciones. Sean u y v dos vectores diferentes de cero en los espacios bidimensional o tridimensional y supngase que se h-an situado estos vectores de modo que sus puntos iniciales coincidan. Se dir que el ngulo entre u y v es el ngulo () determinado por u y v que satisface O :s;;; () :s;;; 7T (figura 3.18). Definicin. Si u y v son vectores en los espacios bidimensional o tridimensional y () es el ngulo entre u y v, entonces el producto escalar (punto) o producto euclidiano interior u . " se define por
..
Figura 3.18
PRODUCTO ESCALAR (PUNTOI: PROYECCIONES
127
(0, 2, 21
(0,0, 1)
Figura 3.19
u. v= { llul ~llvll cos e,

Ejemplo 5
si u
-=1-
oy
v -=1-
siu=O v=O
Como se muestra en la figura 3.19 , el ngulo entre los vectores u = (O, O, 1) Y v = (O, 2, 2) es de 45 . Por tanto,
Sean u = (UI, U2 , U3) Y v =(VI. V2 V3 ) dos vectores diferentes de cero. Si, como en la fi gura 3.20 , (J es el ngulo entre u y v, entonces la ley de los cosenos da
Puesto que PQ = v - u, se puede volver a escribir (3. 2) como
-"
(3.2)
o bien,
Q (VI.
V2, V3 )
y
~
Figura 3.20
128
VECTORES EN LOS ESPACIOS BIDIMENSIONAL, TRIDIMENSIONAL
Al hacer la sustitucin,
despus de simplificar, se obtiene: (3.3)
Si u = (UI, U2) Y v = (VI, V2) son dos vectores en el espacio bidimensional , entonces la frmula que corresponde a (3.3) es
Ejemplo 6 Considrense los vectores

u
(2, - 1, 1)
v = (I , I, 2)
Hllese u . v y determnese el ngulo entre u y v.
Solucin.
Tambin lIull
= IIvll =V6, de modo que

cos ()
= ------. =
u.v
Ilu llll"11
--:-_
._= =
--
"; 6 .,;'6
2"
Por tanto , Ejemplo 7
e = 60.
Hll ese el ngulo entre un a de las diagonales de un cubo y una de sus aristas .
Solucin. Sea k la longitud de una de las aristas e introdzcase un sistema de coordenadas como se muestra en la figura 3.2 1.
Si se hace u.
= (k,
0 , O), U2
= (0, k, O) Y U 3 = (0 , 0 , k), entonces el vector
= (". k. Id = u I + U 2 + u .\
PRODUCTO ESCALAR .( PUNTOl; PROYECCIONES
129
V"(k,
O, O)
Figura 3.21
es una diagonal del cubo. El ngulo e entre d y la arista
UI
satisface
1
J3
Por tanto,
() = cos -' l ( _1_) :::: 54 '44'

y3
En el teorema que sigue se muestra cmo puede usarse el producto escalar para obtener informacin acerca del ngulo entre dos vectores; tambin se establece una im portante relacin entre la norma y el producto escalar.
Teorema 2. Sean u y v vectores en el espacio bidimensional o en el tridimensional.

a)
b)
v v = IIvIl 2 ;esdecir, IIvll = (v V)I/2 Si u y v son vectf!res diferentes de cero y e es el ngulo entre ellos. entonces
~\ 1
e es agudo e es obtuso e = .2!.. 2

Demostracill.
a)
si y slo si si y slo si si y slo si
v>O u' v<O u'v=O

U
Supuesto que el ngulo e entre v y ves O, se tiene
v. v = I! v cos O = IlvW cos O = IIvl1 2 llllvll b) Dado ' qJe lIu 11 > O, IIv 11 > O Y u v = lIu 11 IIv 11 cos e, u v tiene el mismo signo que cos e. Supuesto que e satisface O .;;;;; () .;;;;; n, !l ngulo e es agudo si y slo si cos e > O, () es obtuso si y slo si cos () < O Y() = n/2 si y slo si cos e = o. I
130
Ejemplo 8 Si u = (1, - 2,3), v = (- 3,4,2) Y W = (3,6, 3), entonces
+ (-2)(4) + (3)(2) = -5 v W = (- 3)(3) + (4)(6) + (2)(3) = 21 u' w = (1)(3) + (-2)(6) + (3)(3) = O

u' v = (1)( - 3)
Por tanto, u y v forman un ngulo obtuso, v y w forman un ngulo agudo y u y w son perpendiculares. En el teorema que se da a continuacin se listan las propiedades aritmticas principales del producto escalar. Teorema 3. Si u, v y w son vectores en el espacio bidimensional o en el tridimensional y k es un escalar, entonces
a) u' v = v . u b) u (v + w) = u v + u w c) k(u v) = (ku) v = u . (kv) d) v . v > O si v #- O Y v v = O si v = O Demostracin. Se probar (c) para vectores en el espacio tridimensional y se dejarn las de- . mostraciones que restan como ejercicios. Sean u =(u 1, uz, U3) Y v =(VI> vz, V3); entonces
k(u v)
= k(Ul VI + U2V2 + U3V3) = (kU}Vl + (kU2)V2 + (kU3)V3
= (ku) v
De modo anlogo, k(u v) = u . (kv)
Con base en el inciso b) del teorema 2, se defmen dos vectores u y v como ortogonales (escrito u 1 v) si u v = O. Si se conviene en que eI'vector cero forma un ngulo de 1r/2 con todo vector, entonces dos vectores son ortogonales si y slo si son geomtricamente perpendiculares. El producto escalar es til en problemas en los que se tiene inters en "descomponer" un vector en una suma de vectores perpendiculares. Si u y v son vectores diferentes de cero en el espacio bidimensional o en el tridimensional, entonces siempre es posible escribir u como
u=
W1
+ W2
en donde Wl es un mltiplo escalar de v y W2 es perpendicular a v (figura 3.22). El vector Wl recibe el nombre de proyeccin ortogonal de u sobre v y el Wz es la componente de u
ortogonal a v.
PRODUCTO ESCALAR (PUNTO); PROYECCIONES
131
Figura 3.22
Los vectores Wl Y W2 se pueden obtener como sigue. Debido a que tiplo escalar de v, se puede escribir en la forma Wl = kv. Por i.anto,
Wl
es un ml-
. u = W + W 2 = kv + W 2
f
(3.4)
Al tomar el producto escalar de dos miembros de (3.4) con v y aplicar los teoremas 2 y 3, se obtiene
u . v=
Supuesto que cin se llega a
W2
(kv + w2) v = kllvW + W 2 V
es el perpendicular a v, se tiene W2
v = 0, de modo que por esta ~cua-
k = TIVIr
y como
Wl
u'v
= kv, se obtiene
uv
W
= IIvl12V
+ W2 da
proyeccin ortogonal-de u sobre v
"-
Al despejar W2 de u = w,
componente de u ortogonal a v
Ejemplo 9 Considrense los vectores
u = (2, - 1, 3)
)
Y v = (4, - 1, 2)
Ya que
u ' v
y
= (2}(4) + (-1)( -1) + (3)(2) = 15

01
132
VECTORES EN LOS EsPACIOS BIDIMENSI"JNAL y TRIDIMENSIONAL
la proyeccin ortogonal de u sobre v es
u.v 15 (20 - 5 10) w = II vl1 2 V = 21 (4, - 1,2) = 7 ' 7 -' 7

La componente de u ortogonal a v es
20 - 5 10) ( - 6 - 2 11) w2 =u-w=(2,-1,3)- (\7 ' 7 ' 7. = -7-'7'7
Como comprobacin, es posible que el lector desee verificar que mostrando que W2 v = O.
W2
perpendicular a v,
EJERCICIOS 3.3
". 1. Halle u v para
a) u = (1,2), v = (6, -8)
b) u
= (-7,
- 3), v = (O, 1)
e) u = (1 , - 3,7), v = (8, - 2, -2)

,J.
d) u = (- 3, 1, 2), v = (4, 2, - 5) .'
2. En cada parte del ejercicio 1, halle el coseno del ngulo (} entre u y v.
u.-3. Determine si u y v forman un ngulo agudo, forman un ngulo obtuso o son ortogonales.
a) u=(7,3,5),v=( - 8,4,2) e) u = (1, 1, 1), v = ( - 1, O, O)
b) u=(6, 1,3),v = (4, 0, -6)
d) u = (4, 1,6), v = (- 3, O, 2)
.. 4. Halle la proyeccin ortogonal de u sobre v si:

a) u = (2, 1), v = (- 3,2) e) u=( - 7,1,3),v=(5,0,1)
d
b) u = (2,6), v = (- 9, 3) d) u = (O, O, 1), v = (8, 3, 4)
S. En cada uno de los incisos del ejercicio 4, halle la componente de u ortogonal a v. 6. Verifique el teorema 3 para u
= (6, -
1,2), v =(2, 7, 4)y k
=~
5.
f\
lS
7. Encuentre dos vectores de norma 1 que sean ortogonales a (3 , - 2). 8. Sean u
=0,2), v = (4, b}
2) Y w
= (6 , O). Halle :
e)
a}u'(7v+w)
II(u w) wll
Ilull (v w)
d)
IIlull v) . w
9. D una explicacin de por qu cada una de las expresiones siguientes no tienen significado.
'Y'/')
a} u (v' w)
~ .1 ,
b)(u' v
+~
d} k' (u
"
v)
10. Use vectores para hallar los cosenos de los ngulos interiores del tringulo con vrtices en (- 1, O), (- 2, 1) Y O , 4 ).
PRODUCTO VECTORIAL (CRull
133
11 . Establezca la identidad
12. Establezca la identidad
13. Halle el ngulo entre una de las diagonales de un cubo y una de sus caras . 14. Los cosenos de direccin de un vector v en el espacio tridimensional son los nmeroscos Q, cos ~ y cos 'Y, en donde Q , ~ Y 'Y son los ngulos entre v y los ej~s x , y y z positivos. Demuestre que si v =Ca, b , d, entonces cos Q =a/ya 1 + b 2 + c 2 Halle cos ~ y cos 'Y . IS. Demuestr,e que si ves ortogonal a w} y + k2W2 para todos los escalares k l y k 2 ,
W2.
entonces v es ortogonal a k} w
16. Sean u y v vectcres diferentes de cero en el espacio bidimensional o en el tridimensional. Si k '" Ilull y 1 = IIvll , demuestre que el vector
11
= -
1
~
/.:
- lb + lu)
I
biseca el ngulo entre u y v.
3.4 PRODUCTO VECTORIAL (CRUZ)

I
,En muchas aplicaciones de los vectores a problemas de la geometra, fsica e ingeniera, se tiene inters en construir un vector en el espacio tridimensional que sea perpendicular a dos vectores dados . En esta seccin se presenta un tipo de multiplicacin vectorial que facilita esta construccin. Definicin. Si u = (u 112. 113) Y v = (VI. V2 , V3) son vectores en el espacio tridimensional, entonces el producto vectorial (cruz) u X ves el vector definido por
o . ,con la notacin de determinantes.
u x"
OI3SFRVACION.
('1'~2
"
' 11..l1 -1"' 11.11. 1 , r 1 1', l' .1 l'
11
(3.5)
Existe un patrn en la frmula (3 .5) que es til tener presente. Si se forma la matriz de 2 X 3
[",
1',
Ir] .1
3
134
en donde los elementos del primer rengln son las componentes del primer factor u, y los del segundo rengln son las componentes del segundo factor v, entonces el determinante de la primera componente de u X v se obtiene al eliminar la primera columna de la matriz, el determinante de la segunda componente al eliminar la segunda columna de la matriz, y el determinante de la tercera componente. al eliminar la tercera columna de la matriz. Ejemplo 10 Halle u X v, en donde u =(1,2, - 2) Y v =(3,0, 1).
Solucin.
e ~-n
u x v=
(I~ -~I, - I~ -~I, I~ ~I)
= (2, - 7, -6)
En tanto que el producto escalar (punto) de dos vectores es un escalar, el producto vectorial (cruz) es otro vector. El teorema que sigue da una relacin importante entre el producto escalar y el vectorial y tambin indica que u X v es ortogonal tanto a u como a v. Teorema 4. Si uy v son vectores en el espacio tridimensional, entonces,
I
a) u (u x v) = O b) v (u x v) = O e) Ilu x vl1 2= IIul1211vll2
- (u . V)2
(u x v es ortogonal a u) (u x v es ortogonal a v)
(Identidad de Lagrange)
a) u (u x v) = (u 1 ,
U2' U3) (U2V3 U3 V 2)
U3V2, U3Vl -
U1V3, UIV2 -
U2Vl) U2Vl)
= Ul(U2 V 3 =0
b) Semejante a (a) c) Puesto que
+ U2(U3 V l
UIV3)
+ U3(UIV2
IIul12 IIvl12 - (u . V)2

=(U1 2
U/
2 U3 )(V/
V/
2 V3 ) -
(UIVl
U2V2
U3V3)2
(3.7)
Se puede establecer la identidad de Lagrange al "efectuar las multiplicaciones" de los segundos miembros de (3.6) y (3.7) Y verificar su igualdad.
PRODUCTO VECTORIAL (CRUZ)
135
Ejemplo 11 Considrense los vectores u
= (1, 2, -2)
a nd
v = (3, O, 1)
En el ejemplo lOse demostr que u x v Debido a que
= (2,
-7, -6)
u . (u x v) = (1)(2)
y
}
+ (2)( -
7)
+ (-
2)( - 6) = O
v . (u x v)
= (3)(2) + (0)( -
7)
+ (1)( -
6)
=O
u X ves ortogonal tanto a u como a v, como lo garantiza el teorema 4 . Las propiedades aritmticas principales del producto vectorial se listan en el teorema siguiente: Teorema 5. Si u, v y w son vectores cualesquiera en el espacio tridimensional y k es un es-
calar cualquiera, entonces:

a) u x v = - (v x u) b) u x (v + w) = (u x v) + (u x w) c) (u + v) x w = (u x w) + (v x w) d) k(u x v) = (ku) x v = u x (kv) e) u x O = O x u = O j)u x u=O
Las demostraciones se deducen inmediatamente de la frmula 3.5 y de las propiedades de los determinantes; por ejemplo, (a) se puede probar como sigue:
Demostracin. (a) Al intercambiar u y v en (3.5) se intercambian los renglones de los tres determinantes del segundo miembro de (3.5) y, en consecuencia, se cambia el signo de
cada componente del producto vectorial. Por tanto, u X v = - (v X u). Las demostraciones de los incisos restarrtes se dejan como ejercicios. Ejemplo 12 Considrense los vectores
i = (1, O. O)
= (0, 1, O)
= (O, 0, 1)
Cada uno de estos vectores tienen longitud 1 y estn a lo largo de los ejes de coordenadas (figura 3.23); stos se conocen como vectores unitarios estndar del espacio tridimensional.
136
r
z
(0,0, 1)
Figura 3.23
Todo vector v = (VI , V2, V3) en el espacio tridimension.al se puede expresar en trminos de i, j y k, ya que se puede escribir
Por ejemplo, (2, - 3, 4) De (3.5) se obtiene
= 2i - 3j + 41(
ixj =
(I ~ ~I, - I ~ ~I, I ~ ~I) = (0, 0, 1) = k
El lector no debe tener problemas en obtener los siguientes resultados.
i x i=j x j=k x k = O i x j = k, j x k = i, k x i = j j x i = - k, k x j = - i, i x k = - j
El diagrama que sigue es ti! para recordar estos resultados.
o:
Con referencia a este diagrama, el producto vectorial de dos vectores consecutivos al ir en el sentido de las manecillas del reloj es el vector que sigue sobre la circunferencia, y el producto vectorial de dos vectores consecutivos al avanzar en sentido contrario a las manecillas del reloj es el negativo del vector siguiente sobre la circunferencia. Tambin conviene hacer notar que se puede representar simblicamente un producto vectorial en la forma de un determinante de 3 x 3,
PRODUCTO VECTORIAL (CRUZI
137
X V
Por ejemplo, si u = (1, 2, - 2) Y v = (3, O, 1), entonces
j
u x v= 1 2
k
- 2
1
= 2i
- 7j - 6k
3 O
lo cual concuerda con el resultado que se obtuvo en el ejemplo 10. Observacin. En general, no es cierto que u X (v X w) :-= (u X v) X w. Por ejemplo ,
----
i x (j x j) = i x O = O
y
(i x j) x j = k x j = - (j x k) = - i
de modo que
i x (j x j) 4 (i x
J) x j
Por el teorema 4 se sabe que u X v es ortogonal tanto a u como a v: Si u y v son vectores diferentes de cero, se puede demostrar que es posible determin'lr la direccin de ti X v aplicando la "regla de la mano derecha" siguiente (figura 3.24). Sea 8 el ngulo entre u y v, y supngase que se hace girar u de modo que describa el ngulo 8 hasta que coincida con
uxv
Figura 3.24
*Recurdese que i en este texto , se convino en considerar slo sistemas derechos de coordenadas. Si hubieran utilizado sistemas izquierdos. a4u se aplicara la "rc!la de la milon izquierda".
o;c
138
v. Si se curvan los dedos de la mano derecha de modo que apunten en la direccin de rotacin, entonces el pulgar apunta (aproximadamente) en la direccin de u X v. Quizs el lector considere instructivo practicar esta regla con los productos.
i xj = k
j x k=i
k x i
=j
Si u y v son vectores diferentes de cero en el espacio tridimensional, entonces la norma de u X v tiene una interoretacin geomtrica til. La identidad de Lagrange, dada .en el teorema 4, afirma que (3.8)
. ~i (J denQta el ngulo entre u y v, entonces u v = lIullllvll cos (J, de modo que se puede , . volver a escribir (3.8) como .
Ilu
2 2 vl1 = IIul12 IIvl12 - IIul12 IIvl12 cos = IluW IlvW (1 - cos 2 e) 2 = IIul1211vl12 sen
Por tanto,
(3.9)
Pero l\vll sen (J es la altura del paralelogramo determinado por u y v (figura 3.2,S). Por consiguiente, por 10 expresado en (3.9), el rea A de este paralelogramo est dada por
A
= (base)(,altura) = Ilullllvll sen e = Ilu x vII
En otras palabras, la nonna de u X v es igual al rea del paralelogramo detenninado por uy v. Ejemplo 13 Hllese el rea del tringulo determinado por los puntos P1 (2, 2, O), P2 ( - 1, 0, 2) Y
P3 (0, 4, 3).
Figura 3.25
139
Figura 3.26
SOlucin. El rea A del tringulo es 1/2 del rea del paralelogramo determinado por los vectoresPlP2 y P1 P3 (figura 3.26). Al aplicar el mtodo analizado en el ejemplo 2 de la seccin 3.1 ,P1P2 = (- 3, -2, 2) YP1 P3 = (- 2,2,3). Se deduce que
P 1P2
y, como consecuencia,
A
P 1 P 3 = (- 10, 5, - 10)
= tllpp2
x P 1 P 3 11
= t(15) = 1f-
Inicialmente, se defmi un vector como un segmento rectilneo dirigido, o flecha, en el espacio bidimensional o en el tridimensional; posteriormente, se introdujeron los sistemas de coordenadas y las componentes para simplificar los clculos con vectores. Por tanto, un vector tiene una "existencia matemtica" sin importar si se haya introducido o no un sistema de coordenadas. Adems, las componentes de un vector no quedan ,determinadas slo por el propio vector; tambin dependen del sistema de coordenadas que se elija. Por ejemplo, en la figura 3.27 se tiene indicado un vector fijo en.el plano, v, y dos sistemas diferentes de coordenadas. En el sistema de coordenadas xy, las componentes de v son (1 , ), yen el sistemax'y' son (..Ji, O). Esto lleva a una pregunta importante acerca de la defmicin dada de producto vectorial. Puesto que se defmi el producto vectorial u X ven trminos de las componentes
Figura 3.27
140
VECTORES EN LOS ESPACIOS BIDIMENSIONAL Y TRIOIMENSIONAI,.
de u y V, y como estas componentes dependen del sistema de coordenadas elegido, parece factible que dos vectores fijos u. y v podran tener productos vectoriales diferentes en sistemas diferentes de coordenadas. Por fortuna, ste no es . l caso. Para justificar esto, basta e con recordar que:
i) ii) iii)
u X ves perpendicular tanto a u como a v. La orientacin de u X v se determina por la regla de la mano derecha. lIu X vll= lIullllvll sen 8.
Estas tres propiedades determinan por completo al vector u X v; las propiedades (i) y (ii) determinan la direccin, y la (iii) deterinina la longitud. Dado que estas propied.des dependen nicamente de las longitudes y posiciones relativas de u y v, y no del sistema derecho de coordenadas que se est utilizando en particular, el vector u X v permanece inalterado si se introduce un sistema derecho diferente d.e coordenadas. Este hecho se describe al afirmr que la definicin de u X v es independiente de las coordenados. Este resultado tiene gran importancia para los fsicos .e ingenieros quienes, COn frecu.encia, trabajan con muchos sistemas de coordendas en el mismo problema. Ejemplo 14 Considrense dos vectores perpendiculares u y v, cada uno de longitud 1 (como se muestra en la figura 3.280). Si se introduce un sistema de coordenadas XYf. como se ve ,e n la figura 3.28b, entonces
u
= (1 , O, O) = i
v = (O. 1, O) = j
de modo que
u x v = i x j = k = (O, 0, 1)
Por otro lado , si se introduce un sistema de .coorden~das x'y'i', como ~e muestra en la figura 3.28c, entonces
u = (0, 0, 1) = k
v=JI,O,O)=i
J. O. 1)
\J
r
.Y
(lJ. 1
O)
X v
u)o; \'
.(a)
.r '
;..--...,;..-_._-- ~
(b)
Figura 3.28
141
de modo que
u x v
=k
x i
= j = (O,
1, O)
Pero en las figuras 3.28by e se ve con claridad que el vector (O, 0,1) del sistemaxyz es el mismo que el vector (0, 1, O) del sistema x'y' z'. Por tanto, se obtiene el mismo vector u X v, sea que se calcule con coordenadas del sistema xyz o con las coordenadas del sistema x'y'z'. I ,
EJERCICIOS 3.4
1. San u = (2, - 1 1 3), v = (0,1,7) Y w = (1, 4, 5). Calcule:
a) v x w d) (u x v) x (v x w)
b) u x (v. x w)
e) u x (v - 2w)
c)(u x v) X W f) (u x v) - 2w
2. En cada inciso, halle un vector ortogonal tanto a u como a v.

a) u=(-7,3, 1) v = (2,0,4) b) u=(-I, - 1, -1) v=(2, 0, 2)
3. En cada inciso, halle el rea del tringulo que tiene los vrtices p. Q y R.
a) P(1, 5, -2) b) P(2,0, -3 )
Q(O, 0, O) Q(I, 4,5) .
R(3, 5,1) R(7, 2, 9)
4 . Verifique el teorma 4 para los vectores u = (l, - 5,6) Y v = (2, 1,2). S Verifique el teorema 5 para u = (2, 0, - 1), v= (6, 7, 4), w = (1,1, l)y k = - 3. 6. Qu es errneo en la expresin u X v X w? 7 ..Sean u = (-1, 3, 2) Y w == (1, 1, - 1). Halle todos los vectores x que satisfagan u X x = w. 8 . Sean ti =(UI .
U2. U3),
v=
(VI. V L V3)
Y w = (wI.
Uz
;2
W2
W2. W3) .
Demuestre que
LI)
u' (v x w)
w)
\\' .1
:'1
.1
9. Use el resultado del ejercicio 8 para calcular u' (v X w) cuando u = ( - 1, 4,7),

v
=(6, -
7,3) Y w
= (4, 0,1).
10. Sean m y n vectores cuyas componentes en el sistema xyz de la figura 3 .28 son m=(O,O, l)yn=(O, 1,0).
a) Halle las componentes de m y n en el sistema x'y'/ de la figura 3 .28. b) Calcule m X n utilizando las componentes en el sistema xyz. f') Calcule m X n utilizando las componentes en el sistema x'y'z' . d) Demuestre que los vectores que se obtuvieron en (b) y (e) son los mismos .
142
11. Pruebe las siguientes identidades.

a) (u + kv) x v = u x v b) (u x v) z = u . (v x z)
12. Sean u, v y w vectores diferentes de cero en el espacio tridimensional,tales que ningn par de ellos son colineales. Demuestre que: I
+- a) u X (v X w) se encuentra en el plano determinado por v y w (suponiendo que

los vectores se sitan de modo que tengan los mismos puntos iniciales).
b) (u X v) X w se encuentra en el plano determinado por u y v.
13. Pruebe que.x X (y X z) = (x z)y - (x y)z. Sugerencia. Pruebe primero el resultado en el caso en el que z = i = 0', 0, O), entonces cuando z =j = (0, 1, O) y, a continuacin, cuando z = k = (0, 0, 1). Por ltimo, pruebe para un vector arbitrario z = (Zl , Z2, Z3), escribiendo z = Zl i + Z2j + Z3k. 14. Pruebe los incisos (a) y (b) del teorema 5. 15. Pruebe los incisos (e) y (d) del teorema 5. 16. Pruebe los incisos (e) y (d) del teorema 5.
3.5 RECTAS Y PLANOS EN EL ESPACIO TRIDIMENSIONI'L

En esta seccin se usan los vectores para deducir ecuaciones de rectas y planos en el espacio tridimensional. A su vez, se utilizan estas ecuaciones para resolver algunos problemas bsicos de la geometra. En geometra analtica en el plano, se puede especificar una recta al dar su pendiente y uno de sus puntos. Anlogamente, es posible determinar un plano en el espacio tridimensional al dar su inclinacin y especificar uno de sus puntos. Un mtodo conve\niente para describir la inclinacin es especificar un vector (llamado normal) que sea perpendicular al plano. Supngase que se desea la ecuacin del plano que pasa por el punto Po (xo , Yo, zo) y que tiene como normal al vector n = (a, b, e). Es evidente, en la figura 3.29, que el plano consta precisamente de aquellos puntos P (x, y, z) para los cuales el vector PoP es ortogonal a n; es decir, para los que
(3.10) dado que PoP = (x - xo, Y - Yo, z - zo), (3.l0) se puede volver a escribir como
(3.11 )
A esta expresin se le da el nombre de forma punto-normal de la ecuacin de un plano.

l.
RECTAS Y PLANOS EN EL ESPACIO TRIOIMENSIONAL
143
Figura 3.29
Ejemplo 15
-5(z - 7) = O
Encuntrese la ecuacin del plano que pasa por el punto (3, - 1, 7) Y es perpendicular al vector n = (4, 2, - 5).
Solucin-:Por la expresin (3.11), una forma punto-normal es

4(x - 3)
+ 2(y + 1) -
Al realizar las multiplicaciones y agrupar los trnnos, (3.11) se puede escribir en la forma
ax + by + cz + d = O
(3.12)
en donde a, b c y d son constantes, y a, b yc no son todas cero. Como ilustracin, la ecuacin del ejemplo 15 se puede escribir como
4x + 2y - 5z + 25
=O
Segn lo indica el teorema que sigue, toda ecuacin que tiene la forma de (3.12) representa un plano en el espacio tridimensional. Teorema 6. Si a, b, c y d son constantes, y a, b y c no son todas cero, entonces la grfica de la ecuacin
es un plano que tiene al vector n = (a, b, c) como normal. Demostracin. Por hiptesis, a, b y c no son todas cero. Supngase, por el momento, que
a
"* O. Entonces la ecuacin ax + by + cz + d = O se puede volver a escribir como a(x +
144
(dla)) + by + ez =O. Pero esto es una forma punto-normal del plano que pasa por el punto (- dla, O, O) Y que' tiene a n =(a, b, e) como una normal. Si a = O, entonces b *- O, o bien, e*- O. Con una modificacin directa del argumento dado se manejarn estos otros casos. La ecuacin (3.12) es una ecuacin lineal en x, y y z; esta ecuacin se conoce como forma general de la ecuacin de un plano. Del mismo modo como las soluciones a un sistema de ecuaciones lineales
+ by = k ex + dy = k 2
ax
corresponden a puntos de interseccin de las plano xy, las soluciones de un sistema

ax
ff~ctas
ax
+ by = k
yex
+ dy
= k 2 en el
+ by + ez = k I e/x + ey + f z = k 2 gx + hy + ;z = k3
k 2 Ygx
(3.13)
corresponden a puntos de interseccin de los planos ax + by + ez = k, dx + ey + fz == + hy + iz = k3' En la figura 3.30 se han ilustrado algunas de las posibilidades geomtricas cuando (3.13) tiene cero , una o una infinidad de soluciones.
(a)
(b)
(e)
(d) (e) (f) Figura 3.30 (a) Ninguna solucin (tres planos paralelos). (b) Ninguna solucin (dos planos paralelos). (e) Ninguna solucin (tres planos sin interseccin comn). (d) Una infinidad de soluciones (tres planos coinciden tes). (e) Una infinidad de soluciones (tres planos que se intersecan en una recta). (f) Una lolucin (tres planos que se intersecan en un punto).
RECTAS Y PLANOS EN EL ESPACIO TRIDIMENSIONAL
145
Ejemplo 16
Encuntrese la ecuacin del plano que pasa por los puntos PI (1,2 , - 1) , P 2 (2, 3, 1) Y P3 (3 , - 1,2). Solucin. Debido a que los tres puntos se encuentran en el plano, sus coordenadas deben satisfacer la ecuacin general ax + by + cz + d = O del propio plano. Por tanto ,
a + 2b - e + d = O 2a + 3b + e + d = O 3a - b + 2e + ti = O
Al resolver este sistema da
a=Al hacer t
96 (
= - /6(
e =-h(
d=(
= - 16, por ejemplo, se llega a la ecuacin deseada

9.\
+y-
:5~
- 16 = O
Se observa que cualquier otra eleccin de t da un mltiplo de esta ecuacin, de modo que cualquier valor de t O sera igualmente apropiado.
Solucin alternativa. Supuesto que PI (1 ,2, - 1). P2(2, 3, 1) YP 3 (3 , - 1, 2) se encuentran en el plano, los vectores PI P2 = (1 , 1, 2) yP I P 3 = (2, - 3 , 3) son paralelos al plano. Por tanto P I P2 X P I P3 =(9 , 1, - 5) es normal el plano , ya que es perpendicular tanto aP I P2 como a Ip I P3. Con base en esto y en el hecho de que PI "est en el plano, una fomla punto-normal para la ecuacin del plano es
9(.\: - 1)
+ (y
- 2) - 5(z
+ 1) = O
o bien ,
9x
+ J' - 5z -
16
Ahora se muestra cmo obtener ecuaciones para rectas en el espacio tridimensional. Supngase que 1 es la recta en el espacio tridimensional que pasa por el punto Po(xo, Yo, zo) y es paralela al vector diferente de cero v=(a, b, e). Es obvio (figura 3.31) que 1 consta precisamente de aquellos puntos P (x, y, z) para los que el vector PoP es paralelo a v, es decir , para los cuales existe un escalar t tal que
PoP
tv
(3.14)
En tmlinos de componentes, (3.14) se puede escribir
(x - x o, y - Yo, z - zo) = lta, tb, te)
146
Figura 3.31
de lo cual se deduce que
x =~o + tQ ~ Y- Yo + lb endo.nde-oo < t < +00
Estas ecuaciones se denominan ecuaciones paramtricas para 1, ya que P(x , y, z) recorre la recta 1a medida que el parmetro t vara de - 00 a + 00 Ejemplo 17 La recta que pasa por el punto (1, 2, - 3) y es paralela al vector v =(4 , 5, - 7) tiene las ecuaciones paramtricas
x = 1
=2
+ 4t + St
en donde -
00
<t < +
00
z = - 3 - 7t
Ejemplo 18
a)
b)
Hllense las ecuaciones paramtricas para la recta 1 que pasa por los puntos PI (2 ,
4, - 1) y P2(S, 0, 7).
En dnde se interseca la recta con el plano xy?
_Solucin. a) Ya que el vector pp 2 1, la recta 1 est dada por
=(3, -
4, 8) es paralelo a 1 y P I (2 , 4 , - 1) est sobre
x = 2 + 3t
y = 4 - 4t
en donde 00
<t <+
00
=-
8t
147
b)
La recta se interseca con el plano xy en el {Xlnto en el que z = - 1 + 8t =O; es decir, cuando t 1/8 . Al sustituir este valor de t en las ecuaciones paramtricas para I se obtiene como punto de interseccin
(s. y. :)
9 (18 .;.
O)
Ejemplo 19 Hllense las ecuaciones paramtricas para la recta de interseccin de los planos
J\
+ 21' -
4: - 6 = O
s - 31' - 2: - 4 = O
Solucin. La recta de interseccin consta de todos los puntos (x, y, z) que satisfacen las
dos ecuaciones del sistema
3s
+ 21' -
4: = 6
s - 3\ - 2: = 4
Al resolver este sistema se llega a
s = f~
+ H-t
:=
Por tanto, las ecuaciones paramtricas para I son

s = f i) + \~r
l' =
ti -
2 1 1r
en donde - x < t <
+ x:
: = r
En algunos problemas , se da una recta
= .\ 0 + ar l' = Yo + b1
: = : (l
en donde .- x: <
<
+ ce
(3.15)
+ C1
y se tiene inters en encontrar los dos planos cuya interseccin sea la recta dada . Supuesto que existe una infinidad de planos que pasan por la recta , siempre se tiene una infinidad de pares de esos planos. Para encontrar uos de esos planos, cuando a, b y e son t odas diferentes de cero , se puede volver a escribir cada ecuacin dada en (3 .15) en la forma
-
s -
--= 1
Xo
J' - Yo = b
z - Zo
-
-=1
Al eliminar el parmetro t se llega a la conclusin de que la recta consta de todos los puntos (x, y, z) que satisfacen las ecuaciones
x - Xo
y - Yo z - Zo =-b-=-c-
148
conocidas como ecuaciones simtricas para la recta. Por tanto, es posible concebir la recta como la interseccin de los planos
x - Xo
y - Yo
a
o como la interseccin de
x - Xo
.1' -
Yo
z - Zo e
ze
Zo
a
y as sucesivamente.
Y - Yo
Z -
20
Ejemplo 20 Hllense dos planos cuya interseccin sea la recta

x
= 3 + 2e
y= - 4
Z= l
+ 7e
en donde -
-~
< e < + ' l.
+ 3t
Solucin. Debido a que las ecuaciones simtricas para esta recta son
x- 3 2
es la interseccin de los planos
y+ 4 7
z- 1 3
(3.16)
x- 3
2
o, lo que es equivalente ,
y+ 4 7
y+ 4 7
z- I
7x - 2y - 29
=O
3y - 7z
19 = O
Es posible obtener otras soluciones si se eligen pares diferen tes de ecuaciones en (3 .16).
EJERCICIOS 3.5
1. En cada inciso, halle una forma punto-normal de la ecuacin del plano que pasa por P y tiene a n como una normal.
a) P(2, 6, 1); n = (1 , 4,2) e) P(l , O, O) ; n = (O, 0,1) b) P( -1, -1,2); n = (-1 ,7, 6) d) P(O, O, O); n = (2,3, 4)
2. Escriba las ecuaciones. de los planos del ejercicio I en la forma general.
149
3. Halle una forma punto-normal de:

a) 2.\' - 31' + 7:: - 10 = O
b) .\ + 3::=0
4. En cada inciso , halle una ecuacin para el plano que pasa por los puntos dados.
a) \ -- 2, 1. 1)
b) (3, 2, 1) (0, 2.3)
(2, 1. - 1)
(1.0. - 1) (- 1. 3. 2)
5. En cada inciso, halle las ecuaciones paramtricas para la recta que pasa por P y es paralela a n.
a) PL2. 4. 6); n = (1. 2. 5) e) PI!. 1. 5): n = (O. O. l)
b) P( - 3.2. - 4) : n = (5. - 7. - 3) d) P(ll. O. O): n = ( 1. 1. 1)
6. Halle las ecuaciones simtricas para la recta de los incisos (a) y (b) del ejercicio 5. 7. En cada inciso, halle las ecuaciones paramtricas para la recta que pasa por los puntos dados.
a) (6. - 1.5). (7.2. - 4)
b) (O. O Ol.(-l. - 1.-1) .
8. En cada inciso, halle las t!cuaciones paramtricas para la recta de interseccin de los planos dados.
a) - 2.\' -;- 31' + 7: + 2 = O b) 3.\' - 5.1' + 2:: = O
y y
.\' + 2.1' - 3:: + 5 = O :: =0
9. En cada inciso, halle las ecuaciones para los dos planos cuya interseccin es la recta dada .
.\' =
,:\ + "r
- x< r<+ x
b)
.\' = 5r
a) .1' = - 7 + 2r 6 - r
.r=3r
:: =
- X <I<+oo
6r
10. Halle las ecuaciones para d plano xY . el plano xz y el plano )'z. 11. Demuestre que la recta
.\' = 0
.1' = 1
- :x;
< 1< + x
:: =
a) est en el plano 6x + 4y -- 4z = O b) es paralela al plano 5x -- 3y + 3z = 1 Y est debajo de l. c) es paralela al plano 6,x + 2,v - 2z = 3 Y est arriba de l.
12. Halle el punto de interseccin de la recta

.\ - 4 = 51 .1'+2=1 ; - 4= - 1
y el plano 3x - y
+ 7z + 8 = O.
150
13. Halle un plano que pase por el punto (2 , - 7, 6) Y sea paralelo al plano
Ss - 2.r
+ ;: -
9 = O.
14 . Demuestre que la recta

x - 4
= 2t
=- 1
y
Z
-%< 1 < + %
+ 1 = - 4t
7 = O.
es paralela al plano 3x
+ 2y + z -
15. Demuestre que las rectas

x
1 = 41
s
y
+
Z -
13 = 121 2 = 31
y - 3= 1
y.- 1 = 61
z - I =O
se intersecan. Encuentre el punto de interseccin . 16 . Halle una ecuacin para el plano determinado por las rectas del ejercicio 15 .
4
Espacios vectoriales
4.1 ESPACIO EUCLIDIANO 11 DIMENSIONAL

La idea de usar parejas de nmeros para localizar puntos en el plano}' ternas para localizar puntos en el espacio tridimensional se concibi por primera vez con claridad a mediados del siglo XVII. A fines del siglo XIX, matemticos y fsicos empezaron a darse cuenta que no era necesario quedarse en las ternas. Se reconoci que los conjuntos ordenados de cuatro nmeros (al , a2 , a3 , a4) se podan considerar como puntos en el espacio "tetradimensional" , los conjuntos ordenados de cinco nmeros (a 1 , a2 , . . . , as) como puntos en el espacio "pentadimensional", etc, Aun cuando la concepcin geomtrica no se extiende ms all del espacio tridimensional, es posible extender muchas ideas conocidas ms all de tal espacio, trabajando con propiedades analticas o numricas de puntos y vectores, en lugar de las propiedades geomtricas. En esta seccin se precisan ms estas ideas.
Definicin. Si 11 es un entero positivo, entonces una n-ada ordenada es una sucesin de n nmeros reales (al , a2, . .. , a,l ). El conjunto de todas las /loadas ordenadas se conoce como espacio n dimensional y se denota por RIl. Cuando 11 = 2, o bien. 3, es comn usar los trminos " pareja ordenada" y "terna ordenada", en lugar de 2-ada y 3-ada ordenadas. Cuando 11 = 1, cada n-ada ordenada consta de un nmero real y, por tanto, R I se puede concebir como el conjunto de los nmeros reales. Para este conjunto, es comn escribir R en lugar de R I Es posible que el lector haya encontrado, en el estudio del espacio tridimensional, que el smbolo (a \. a2. a3) tiene dos interpretaciones geomtricas diferentes. Puede interpretarse como un punto, en cuyo caso al , a2 Y 03 son las coordenadas (figura 4.10) o se puede interpretar como un vector, en cyo caso al, a2 ya3 son las componentes (figura 4. 1b). Por tanto, se concluye que una -ada ordenada (al, 02, ... , an ) se puede concebir como un "punto generalizado" o como un "vector generalizado" - desde el punto de vista matemtico, la distincin no tiene importancia. Por consiguiente, se tiene libertad de describir la S-ada (-2. 4, O, 1, 6) como un punto en R S o como un vector en R S Se har uso de ambas descripciones.
151
152
ESPACIOS VECTORIALES
i
(a )
Figura 4.1
Definicin Se dice que dos vectores u son iguales si

L1 1
= (U, U2 ,
=
. ,
Un) Y V = (VI,
1'2, . . ,
Vn ) en Rn
L"l , U 2
(; 2' . . . , Un
L"n
La suma u
+ V se define por
u
+ v=
(U I
(;1 ' U2
+ 1:2 '
.. . , Un
+ V n)
y sik es cualquier escalar, el mltiplo escalar ku se define por
ku
= (kul ,.ku2 , ... , ku n )
Las operaciones de adicin y muItip.\icacin escalar dadas en esta definicin se denominan operaciones estndar sobre Rn. Se define el vector cero en Rn como el vector
o = (0, O, .. . , O)
Si u = (u 1 , U2, . .. , un) es un vector cualquiera en Rn, entonces el negativo (o inverso aditivo) de u se denota por - u y se liefine por
- u = ( - ulo
U2 , " " -Un)
Se define la sustraccin de vectores en Rn por v - u = v + (-u) o, en trminos de las componentes,

v- u
= v + (-u) =
=
(VI , V2,"
"
vn )
+ (-
L/I,
-U2 , "
"
-Un)
(VI -
U lo V2 -
U2 , . . . , Vn -
Un)
En el teorema que sigue se listan las propiedades aritmticas ms importantes de la adicin y la multiplicacin escalar de vectores en Rn. Todas las demostraciones son fciles y se dejan como ejercicios. Teorema 1. Si u = (u, Uz , ... ,un), V = (v, V2, .. . , vn ) y I'ectores en R" y k Y 1son escalares, entonces:
W
=(w.
W2,""
wn)son
ESPACIO EUCLIDIANO n DIMENSIONAL
153
a) u
+ v= v+ u
b) u + (v + w) = (u + v) + w ::) u + O = O + u = u d ) u + (-u) = O,esdecir.u - u
=O
e) k(lu ) = (kl)u f) k(u + v) = ku + kv g) (k + [)u = ku + lu h) lu = u

Con este teorema se pueden manipular los vecto res en Rn sin expresarlos en trminos de componentes, casi de la misma manera como se manipulan lo s nmeros reales. Por ejemplo, para despejar x en la ecuacin vectorial x + u = v, se puede sumar - u a ambos miembros y proceder como sigue : (x + u) + ( - u) = v + ( - u) x + (u - u) = v - u x + O= v - u x = v- u El lector encontrar de utilidad nombrar los incisos del teorema I que justifican cada uno de los pasos en este clculo. A fin de extender las nociones de distancia, norma y ngulo hacia Rn , se principia con la generalizacin siguiente del producto escalar sobre R 2 y R 3 (seccin 3.3). Definicin. Si u = (UI. U2 , .. . , un) y V = (VI. V2 , . .. , vn ) son vectores cualesquiera en Rn, entonces el producto euclidiano interior u . v se define por
Obsrvese que cuando n = 2, o bien, 3, el producto euclidiano interior es el producto escalar ordinario (seccin 3.3). Ejemplo 1 El producto euclidiano interior de los vecto res u = ( - 1, 3, 5, 7)
y
= (5, - 4, 7, O)
u . v = ( - 1( 5) + (3)( - 4) + (5)(7) + (7)(0) = I X En el siguiente teorema se listan las cuatro propiedades' aritmticas principales del producto euclidiano interior.
154
Teorema 2. Si u, v y w son vectores en Rn y k es un escalar cualquiera, entonces:

(a) u v = v . u (b) (u + v) . w = u w
(e) (ku)' v = k(u . v)
+vw
v= O
(d) v v ~ O. Adems, v . v = O si y slo si
Se probarn los incisos (b) Y (d) Y se dejan las dems demostraciones como ejercicios. Demostracin (b). Sean u = (UI, U2, .. . , un), v = (VI, V2, . .. , vn ) y W =(WI ' W2," " w n ). Entonces (u + v) . W = (u I +
V I ' U2
V2' .. . ,
u" + v,,) .
(w , W 2 , . .. ,
w,,)
= (u + L'}II' + (u z + [2 )WZ + .. . + (u" + [ ")11',, = (1IH' + U Z H' 2 + . .. + u"w,,) + ( V IV + V 2 11' 2 + ... +

= U'W + V'W
L'"II',,)
v v = v~ +v~ + . .. +v~ ~ O . Adems , laigualdadsecumplesiyslosivl = V2 = . .. = vn = O; es decir, si y slo si v =.(). Ejemplo 2 El teorema 2 permite efectuar los clculos con los productos euclidianos interiores casi de la misma manera como se efectan con los productos aritmticos ordinarios. Por ejemplo, (3u + 2v) . (4u + v) = (3u) . (4u + v) + (2v) . (4u + v) = (3u) . (4u) + (3u) . v + (2v) . (4u) + (2v) . v = 12(u' u) + 3(u . v) +
~(v
. u) + 2(v . v)
= 12(u'u) + II(u'v) + 2(v'v) El lector debe determinar cules incisos del teorema 2 se aplicaron en cada paso. Por analoga con las conocidas frmulas en R 2 y R 3 , se define la norma euclidiano (o longitud euclidiano) de un vector u = (u 1, U2 , . . . , Un) en Rn por
Ilull = (u . U)1 /2 = Jui + u~ + ... + u;

De modo anlogo, la distancia euclidiana entre los puntos u =(U, V2 , .. . , vn ) en Rn se define por
112 ,' .. ,
u lI ) Y v =(1'1'
ESPACIO EUCLIDIANO n DIMENSIONAL
155
Ejemplo 3 Si u
= (1 , 3, -
2, 7) y }
= (0 ,7,2,2) entonces
y
d(u,
v) =
.J(l - Of
+ (3 - 7)2 + ( -=-2 - 2)2 + (7 - 2f =
j58
Puesto que se trasladaron tantas conocidas ideas del espacio bidimensional y tridies comn referirse a Rn , con las operaciones de adicin, multiplicacin escalar y producto interior que se han definido aqu, como espacio euclidiano n dimensional. Se concluye esta seccin haciendo notar que muchos autores prefieren usar la notacin matricial
mensiona~
U2 , . . . , un), para denotar los vectores en Rn. Esto se justifica por el hecho de que las operaciones matriciales
Ul] [ ~" en lugar de la notacin horizontal u = (Ul,

u=
U2
u+ v=
U2
Ul] [U [Ul + V2 l] U2 + U l] U2
. + .
[
k
~n
~n
=
Un
~ U"
ku
Ul] ~2
U"
[ kUI] kU n
~U2
producen lbs mismos resultados que las operaciones vectoriales
u + v= Uz, .. . , un) + Uz, . .. , U = n! + ku = k(u , u 2, . . . , Un! = (ku l , ku z, ... , ku,,)
(Ul,
(U l,
(U l U Uz + uz, . .. , Un + Un) l'
La nica diferencia es que, en uno de los casos, los resultados se presentan verticalmente, mientras que en el otro se presentan en forma horizontal. En diversas ocasion es se usarn las dos notaciones. Sin embargo, de aqu en adelante, las matrices de n X I se denotan por medio de letras negritas minsculas. As entonces, un sistema de ecuaciones lineales se escribir
Ax = b
en lugar de AX = B como antes.
156
EJERCICIOS 4.1
1. Sean u = (2,0, - 1, 3), v = (5,4, 7, -1) Y w = (6 , 2,0 , 9). Halle:
(a) u - v (d) 3(u - 7v)
(b) 7v + 3w (e) - 3v-8w
(e) -w + v (f) 2v - (u + w)
2. Sean u, v y w los vectores del ejercicio 1. Encuentre el vector x que satisfaga 2u - v + x = 7x + w.
3. Seanul = .(- 1, 3,2, 0),U2 =(2,0,4, - I),u3 = (7, 1, 1,4),yu4=(6,3, 1,2). Encuentre los escalares el. e2, C3 Y C4 tales que Cl Ul + t2 U2 + e3 U3' + C4 U4 = (0, 5, 6, - 3).
4. Demuestre que no existen los escalares Cl. e2 Y C2 (2, 0, 1, 2) + ('3(1, -2, 2, 3) = (1,0, 1, O) .
C3
tales que
CI
(1, 0, -2, 1)
5. Calcule la norma euclidiana de v cuando

(a) v = (4. - 3)
(b) v= (1. - 1.3)
(e) v = (2, 0.3, - 1)
(d) v = (- 1. 1. 1,3,6)
6. Seanu=(3,0, 1,2), v = (-1,2,7, - 3)yw =(2,0, 1,1). Halle

(a) lIu
+ .vll
+w ll
(b) Ilull
+ Ilvll
(e) 11- 2ull
u + 21 1 ll
(d) 1 - 5v 13u
(e)
lR] w
(f)
I I ~II "'11
7. Demuestre que si v es un vector diferente de cero en Rn, entonces Ojllvll)v tiene norma l. 8. Encuentre todos los escalares k tales que IIkvll = 3, en donde v = (- 1,2, O, 3). 9. Halle el producto euclidiano interior u v cuando:
(a) u = ( -- I ,3),v = (7, 2) (e) u = (I. - I ,2.3).v = (3. 3, -6. 4)
(b) u = (3. 7. 1). " = (- 1. O 2) . (d) u = (1.3. 2.6. - 1). = (O. O 2, 4. 1) .
10. (a) Halle dos vectores en R 2 con norma euclidiana 1, cuyos productos euclidianos interiores con (- 2, 4) sean cero. (b) Demuestre que existen una infinidad de vectores en R 3 con norma euclidiana 1, cuyo producto euclidiano interior con (-1 , 7,2) es cero. 11. Halle la distancia euclidiana entre u y v cuando:
(a) u
= (2.
- 1). v
= (3. 2)
(e ) u = (2,O, 1.3).v = ( - I, 4. ,)
(h)u = 11.1. - 1l., = (2.6. 11) (d) u = (. O. 1. 3.01. " = ( - 1. 4. 2.
~.
_,)
para los vectores en Rn . Interprete este resultado geomtricamente en R 2 ,
ESPACIOS VECTORIALES GENERALES
157
para los vectores en Rn . 14. Verifique los incisos (b), (e), (f) y (g) del teorema 1, cuando u = (1, O, - 1,2 ), v = (3 , - 1, 2, 4), w = (2, 7, 3, O), k = 6 Y 1== -2.
1 S. Verifique los incisos (b) Y (c) del teorema 2 para los valores de u, v, w y k del ejercicio 14
16. Pruebe desde el inciso (a) hasta el (d) del teorema 1. 17. Pruebe desde el inciso (e) hasta el (h) del teorema 1.
18. Pruebe (a) y (c) del teorema 2.
JO\
4.2 ESPACIOS VECTORIALES GENERALES
En esta seccin se generaliza todava ms el concepto de vector. Se enuncia un conjunto de ~iomas que, si son satisfechos por una clase de O bjetos, a estos objetos se les da el nombre de " yectores". Los axiomas se eligen por medio de la abstraccin de las propiedades ms importantes de los vectores en Rn; como consecuencia, los vectores en Rn automticamente satisfacen estos axiomas. Por tanto , este nuevo concepto de vector incluye tanto a lo s que se dieron con anterioridad como a muchas nuevas clases de vectores. Definicin. Sea V un conjunto arbitrario de objetos sobre los cuales se definen dos operaciones, la adicin y la multiplicacin por escalares (nIn eros reales) . Por adicin se entiende una regla para asociar, con cada pareja de objetos u y y en V, un elemento u + Y, llamado suma de u y v; por multiplicacin escalar se entiende una regla para asociar, con cada escalar k y cada objeto u en V, un elemento ku , llamado mltiplo escalar de u por k . si los axiomas siguientes son satisfechos por todos los objetos u, Y, w en V y todos los escalares k y 1, entonces V recibe el nombre de espacio vectorial ya los objetos en V se les denomina vectores:
(J) (2 ) (3) (4) (5)

(6) (7)
(8) (9) (10)
Si u y Y son objetos en V, entonces u + v est en V. u+v = v+u u + (v + w) = (u + v) + w Existe un objeto O en V tal que O + u == u + O = u para todo u en V Para cada u en V, existe un objeto - u en V, conocid o como negativo de u, tal que u + (- - u) =(- u) + u == O. Si k es cualquier nmero real y u es cualquier objeto en V, entonces ku est en V k(u + v) '~ ku + kv (k+l)u = ku+/u k(!u) == (kl)(u) lu = u
El vector O del axioma 4 se conoce como vector cero para V
158
Para algunas aplicaciones es necesario considerar espacios vectoriales en los que los escalares son nmeros complejos en lugar de nmeros reales. Tales espacios vectoriales se conocen como espacios vectoriales complejos. Sin embargo, en este texto, todos los escalares que se utilicen sern reales. El lector debe tener presente que, en la definicin de espacio vectorial, no se especifica la naturaleza de los vectores ni la de las operaciones. Cualquier clase de objetos que se desee puede servir como vectores; todo lo que se requiere es que se satisfagan los axiomas de los espacios vectoriales. Los ejemplos que siguen dan cierta idea de la diversidad de espacios vectoriales posibles. Ejemplo 4 El conjunto V == Rn , con las operaciones estndar de adicin y multiplicat:in escalar definidas en la seccin anterior, es un espacio vectorial. Los axiomas 1 y 6 se deducen de las definiciones de las operaciones estndar sobre Rn ; los axiomas restantes se deducen del teorema l.
Ejemplo 5
Sea V cualquier plano que pasa por el origen en R 3 . A continuacin se demuestra que los puntos en V forman un espacio vectorial bajo las operaciones estndar de adicin y multiplicacin escalar para vectores en R 3 . 3 Por lo que se acaba de ver en el ejemplo 4, se sabe que el propio R es un espacio vectorial bajo estas operaciones. Por tanto, los axiomas 2,3,7,8,9 Y 10 se cumplen para todos los puntos en R 3 y, como consecuencia, para todos los pu"ntos en el plano V. Por consiguiente, slo es necesario demostrar que se satisfacen los axiomas 1,4, 5 Y 6. Supuesto que el plano V pasa por el origen, tiene una ecuacin de la forma
us + hr + e: = O
(4.1)
,
(teorema 6 del captulo 3). Por tanto, si u == (u 1 , U2 , 11)) Y v == (VI, v2 , V3 ) so n puntos en V, entonces au I + bU2 + CU3 == O ya vl + bV2 + CV) == O. Al sumar estas ecuaciones da
En esta igualdad se afirma que las coordenadas del punto u + v =(UI + VI, U2 + V2, U3 + V3) satisfacen (4. 1); por tanto, u + v se encuentra en el plano V. Esto prueba que se satisface el axioma l. Al multiplicar toda la expresin au I + bU 2 + CU3 == O por - 1 da
a( - u)
+ h( -
U2 )
+ ("( -
ud = O
Como consecuencia, - u = (- u l , - u 2 , - U3) est en V. Esto estab lece el axioma 5. Las verificaciones de los axiomas 4 Y 6 se dejan com o ejercicios. Ejemplo 6 Los puntos de una recta V que pasa por el origen en R J form an un espa cio vectorial bajo las operaciones estndar de adicin y multiplicacin escalar para los vectores en R 3 .
159
El argumento es semejante al que se us en el ejemplo 5 y se basa en el hecho de que s puntos de V satisfacen ecuaciones paramtricas de la forma
X = (/f
J"
= hr
::: = ct
seccin 3.5). Los detalles se dejan como ejercicio.

Ejemplo 7
El conjunto V de todas las matrices de m X n con elementos reales,junto con las operaciones de adicin matricial y multiplicacin escalar, es un espacio vectorial. La matriz cero de X n es el vector cero O, y si u es la matriz A de m X n , entonces la matriz - A es el vector - u del axioma 5. La mayora de los axiomas restantes se satisfacen en virtud del teorema _ de la seccin 1.5 . Este espacio vectorial se denota por el smbolo Mmn .
ea Vel
l-0djU nto
de las funciones con valor real definidas sohre toda la recta real. Si f =
[(x ) y g = g(x) son dos de esas funciones y k es cualquier nmero real, se define la funin suma f
+ g y el mltiplo escalar hf por

(f
+ g)(x)
= I( x )
+ U( x )
(H)( x ) = "(( x )
En otras palabras, el valor de la funcin f + g en x se obtiene al sumar los valores de f y g en x (figura 4.2a) . De manera anloga, el valor de kf en x es k multiplicada por el valor de f en x (figura 4.2b). El conjunto Ves un espacio vectorial bajo estas operaciones. El vector cero en este espacio es la funcin constante cero, es decir, la funcin cuya grfica es una recta horizontal que pasa por el origen. La verificacin de los axiomas restantes es un ejercicio.
Figura 4.2
160
f'iaun4.3
Ejemplo 9 Sea Vel conjunto de todos los puntos (x, y) en R 2 que se encuentran en el primer cuadrante ; es decir, tales que x ;;;;. O Yy ;;;;' O. El conjunto V no es un espacio vectorial bajo las operaciones estndar sobre R 2 , puesto que no se satisfacen los axiomas 5 y 6. Para ver este hecho, obsrvese que v == (l, 1) est en V, pero (-l)v == - v = ( -1 , - 1) no lo est (fIgura 4.3). Ejemplo 10 Supngase que V consta de un solo objeto, el cual se denota por O, y se define por O + () = ()
/..:0 =
(1
para todos los escalares k. Se comprueba con facilidad que se satisfacen todos los axiomas de los espacios vectoriales. A este espacio se le da el nombre de espacio vectorlI cero. A medida que se avance, se agregan a la lista ms ejemplos de espacios vectoriales. Se concluye esta seccin con un teorema que da una lista til de propiedades de los vectores. Teorema 3. Sea V un espacio vectorial, u un vector en Vy k un escalar; entonces:
(u) Ou
=O u
(h) "O = O (e) ( - I)u =
(d) Si ku = O entonces k = O o bien, u = 11 ,
Demostracin. Se probarn los incisos (a) y (e) y se dejan las demostraciones de los incisos restantes como ejercicios. (a) Se puede escribir
()u
+ ()u
(O
+ O)u
(Axioma 8) (Propiedad del nmero O)
= Ou
161
Por el axioma 5, el vector Ou tiene un negativo, -Ou. Al sumar este negativo a los dos miembros de la expresin anterior se obtiene [Ou o bien,
+ OuJ + (-Ou)
Ou
+ (-
Ou)
I
,
Ou
+ [Ou + (-
Ou) ] = Ou
+ (-
Ou)
(Axioma 3)
o bien, (Axioma 5) o bien, Ou
=O
(Axioma 4)
(e) Para demostrar que ( - l)u = - u, debe demostrarse que u
+ (-I)u = O. A fin
de ver
que esto es cierto, obsrvese que u
+ (-
l )u = l u
= = =
+ (-
1)u
(Axioma 10) (Axioma 8) (Propiedad de los nmeros) (inciso a anterior)
(1 + (-I))u Ou O
EJERCICIOS 4.2
En los ejercicios 1 al14 sa da un conjunto de objetos junto con las operaciones de adicin y multiplicacin escalar. Determine cules de los conjuntos son espacios vectoriales bajo las operaciones dadas. Para aqullos que no lo son, liste todos los axiomas que no se cumplen.
1. El conjunto de todas las ternas de nmeros reales (J; y, z) con las operaciones (x, y, z) + (x', / , Z',) = (x + x', y + y ' , z + Z') Y k(xy, z) = (kx, y, z).
2. El conjunto de todas las ternas de nmeros reales (x, y, z) con las operaciones (x , y, z) + (x', .1" , z',) = (x + x', y + y', z + Z') Y k(x, y, z) = (0,0, O). 3. El conjunto 'de todas las parejas de nmeros reales (x, y) con las operaciones (x, y ) + (x' , .1") =(x +X', y + y') Y k(x, y) = (2ky; 2ky). 4. El conjunto de todos los nmeros reales x con las operaciones estndar de adicin y multiplicacin.
.J
5. El conjunto de todas las parejas de nmeros reales de la forma (x, O) con las operaciones estndar sobre R 2 . 6. El conjunto de todas las parejas de nmeros reales de la forma (x, y), en donde x ;;;. 0, con las operaciones estndar sobre R 2 .
162
7. El conjunto de todas las n-adas de nmeros reales de la forma (x, x, . . . , x) con las operaciones estndar sobre Rn. 8. El conjunto de todas las parejas de nmeros reales (x, y) con las operaciones (>; y.) + (x', y ') = (x + x' + 1, Y + y' + 1) Y k(x, y) = (kx, ky ). 9. El conjunto de todos los nmeros reales positivos x con las operaciones x
=xx ' y kx =x k .
+ x'
10. El conjunto de todas las matrices de 2 X 2 de la forma
con la adicin matricial y la multiplicacin escalar.

11. El conjunto de todas las matrices de 2 X 2 de la forma
con la adicin matricial y la multiplicacin escalar. 12. El conjunto de todas las funciones con valor real! definidas en todo punto sobre la recta real y tales que f( 1) = O, con las operaciones definidas en el ejemplo 8. 13. El conjunto de todas las matrices de 2 X 2 de la forma
a [a a+
h]
+b
con la adicin matricial y la multiplicacin escalar. 14. El conjunto cuyo nico elemento es la luna. Las operaciones son la luna + luna = luna y k(luna) = luna, en donde k es un nmero real. 15. Pruebe que una recta que pasa por el origen en R j es un espacio vectorial bajo las operaciones estndar sobre R 3 . 16. Complete los detalles faltan tes en el ejemplo 5. 17. Complete los detalles que faltan en el ejemplo 8. 18. Pruebe el inciso (e) del teorema 3. 19. Pruebe el inciso (d) del teorema 3. 20. Pruebe que un espacio vectorial no puede tener ms de un vector cero.
21. Pruebe que un vector tiene exactamente un negativo.
SUBESPACIOS
163
4.3 SUBESPACIOS
Si V es un espacio vectorial, entonces ciertos subconjuntos de V forman por s mismos espacios vectoriales bajo la adicin vectorial y multiplicacin escalar defmida sobre V. En esta seccin se estudia con todo detalle esos subconjuntos. Definicin. Un subconjunto W de un espacio vectorial Ves un subespacio de V, si Wes a s mismo un espacio vectorial bajo la adicin y multiplicacin escalar definidas sobre V Por ejemplo, las rectas y planos que pasan por el origen son subespacios deR 3 (ejemplos 5 y 6). En' general, se deben verificar los diez axiomas de los espacios vectoriales para demostrar que un conjunto W, con la adicin y la multiplicacin escalar, forma un espacio vectoriaL Sin embargo, si W es part~ de un conjunto mayor V del que ya se sabe que es un espacio vectorial, entonces no es necesario verificar ciertos axiomas para W porque se " heredan" de V. Por ejemplo, no se necesita verificar que u + v = v + u (axioma 2) para W, porque esto se cump le para todos los vectores en V y, como consecuencia, para todos los vectores en W. Otros axiomas heredados por W de V son : 3, 7, '8, 9 y 10. Por tanto , para demostrar que un conjunto W es un subespacio de un espacio vectorial V, slo es necesa rio verificar lo s axiomas 1, 4, 5 y 6. El siguiente teorema hace ver que incluso se puede hacer caso omiso de los axiomas 4 y 5. Teorema 4. Si W es un conjunto de uno o ms vectores de un espacio vec torial V, entonces W es lIn subespacio de V si y slo si se cumplen las condiciones siguientes :
(a) Si u y v son vectores en W, entonces u + v eSt en W (b) Si k es un escalar cualquiera y u es cllalquier vector en W, entonces ku est en W.
[Las condiciones (a) y (b) a menudo se describen diciendo que fiJ es cerrado bajo la adicin y es cerrado bajo la multiplicacin escalar.]
Demostracin. Si Wes un espacio de V , entonces se satisfacen todos los axiomas de los espacios vectoriales ; en particular, se cumplen los axiomas 1 y 6. Pero stas son precisamente las condiciones (a) y (b) . Recp rocamente, supngase que se cumplen las condiciones (a) y (b). Como estas condiciones son los axiomas 1 y 6 de los espacios vectoriales, slo se necesita demostrar que W satisface los ocho axiomas restantes. Los ax iomas 2,3 , 7, 8, 9 Y 10 son satisfechos automticamente por los vectores en W, dado que so n stisfechos por todos los vectores en V. Por tanto, para completar la demostracin, ba sta co n verificar que los axiomas 4 y 5 son satisfchos por W. Sea u cualquier vector en W. Por la condicin (b) , ku est en W para todo escalar k. Al hacer k = O, 'se deduce que Ou == O 'est en W, y al hacer k = -1, se concluye 'que (~l )u = - u est en' W. - I .' '
Todo espacio vectorial V tiene al menos dos subespacios. El propio V es un subespacio y el conjunto {O }que slo consta del vector cero en Ves otro subespacio denominado suhespacio cero. Los ejemplos que siguen suministran ilustraciones menos triviales de subespacios.
164
Figura 4.4
Ejemplo 11 En el ejemplo 5 de la seccin 4.2 se demostr que todos los vectores en cualquier plano que pase por el origen de R 3 forman un espacio vectorial ; es decir, los planos que pasan por el origen son subespacios de R 3 . Tambin se puede probar este resultadp de manera geomtrica, aplicando el teorema 4. Sea W cualquier plano que pasa por el origen y supngase que u y v son vectores cualesquiera en W. Entonces u + v debe estar en W porque es la diagonal del paralelogramo determinado por u y v (figura 4.4), y ku debe estar en W, para cualquier escalar k, porque ku est sobre una recta que contiene a u. Por tanto, W es un subespacio de R 3
OBSERVAClON.
Puede aplicarse un argumento geomtrico , como el de este ejemplo , pala demostrar que las rectas que pasan por el origen son subespacios de R 3 . Es posible d\!mostrar (ejercicio 20, seccin 4.5) que los nicos subespacios de R 3 son : {O }, R 3 , las rectas que pasan por el origen y los planos que pasan por el origen. Tambin, los nicos subespacios de R 2 son: {O }, R 2 Y las rectas que pasan por el origen. Ejemplo 12 Demustrese que el conjunto W de todas las matrices de 2 X 2 que tienen ceros en la diagonal principal es un subespacio del espacio vectorial M22 de todas las matrices de 2 X 2.
Solucin . Sean
A- [
O
a 2!
B-
. [0
b2 !
dos matrices cualesquiera en W y k un escalar cualquiera. Entonces
kA = [ ka 2 , -
A+B =
a2! + b 2 !
Debido a que kA y A + B tienen ceros en la diagonal principal, estn en W. Por consiguiente, W es un sub espacio de M 21 .
SUBESPACIOS
165
Ejemplo 13 Sea n un entero positivo y supngase que W consta de la funcin cero y de todas las funciones polinmicas que tienen un grado";; 11 ; esto es, todas las funciones expresables en la forma (4.2) en donde ao , ... , a n son nmeros reales. El conjunto W es un subespacio del espacio vectorial de todas las funciones con valor real analizadas- en el ejemplo 8. Para ver esto, sean p y q los polinomios
p(x)
ao + a l x
+ . . . + a/lx/l
y
(](.\) =
/J o + blx
+ . .. + h/lx/l
Entonces,
(p
y
+ q)(x)
= p(x)
+ (](x)
= (<l o
+ bol + (al + bl)x + . .. + (a" + b/l)x"
(kpl(x) = kp(.' )
= (ktl o) + (ka I ).\' + . . . + (ka/l).\"
tienen la forma dada en (4 .2). Por tanto, p este ejemplo se denota por el smbolo Pn . Ejemplo 14
+ q y kp estn en W. El espacio vectorial W de
(Para los lectores que hayan estudiado Clculo.) Recurdese, por lo visto en Clculo, que si f y g son funciones continuas y k es una constante, entonces f + g y kf son funciones continuas. Se concluye que el conjunto de todas las funciones continuas es un subespacio del espacio vectorial de todas las funciones con valor real. Este espacio se denota por C(- XI, + (0) . Un ejemplo ntimamente reiacionado es el espacio vectorial de todas las funciones que son continuas sobre un intervalo cerrado a ..;; x ..;; b. Este espacio se denota por C(a, b J . Ejemplo 15 Considrese un sistema de
111
ecuaciones lineales en
11
incgnitas
+ (/12'\2 + .. . + (/11l.\n = b l (/21 X 1 + (/22'\2 + ... + a2n.\/I = h 2

0IIX I
166
o bien, en notacin matricial , Ax
==
b. Se dice que un vector*
s=
SIl .
S2
'~1I
en Rn es un vector solucin del sistema si XI == SI, X2 ==S2" " ,Xn == Sn es una :solucin de tal sistema. En este ejemplo se demostrar que el conjunto de vectores solucin de un sistema homogneo es un subespacio de Rn. Sea A x == O un sistema homogneo de m ecuaciones lineales en n incgnitas, W el conjunto de vectores solucin, y s y s' vectores en W. Para demostrar que W es cerrado bajo la adicin y la multiplicacin escalar, se debe demostrar que s + s' y ks tambin son vectores solucin, en donde k es un escalar cualquiera. Supuesto que s y s' son vectores solucin se tiene ,
As = O y As' = O
Por tanto,
A(s
y
+ s' ) = As + As' = O + O = O'
..1(I\s) = k(As) = 1\0 = O
En estas ecuaciones se muestra que s + s' y ks satisfacen la ecuacin A x == O. Por tanto, s + s' y ks son vectores solucin. El subespacio W de este ejemplo se denomina espacio solucin del sistema A x == O. En muchos problemas se da un espacio vectorial V y es importante hallar el subespacio "ms pequeo" de V que contenga un conjunto especificado de vectores {VI, v2 , . . . , vy } . La definicin que sigue proporciona la clave para la construccin de tales subespacios. Defini"cin. Se dice que un vector w es una combinacin lineal de los vectores VI, v; si se puede expresar 'en la forma
w = k l VI
V2' .. . ,
+ k 2 v2 + . . . + k,v,
en donde k 1 , k 2 , Ejemplo 16
k y son escalares.
Considrese los vectores u == (1 , 2, - 1) Y v == (6, 4, 2) en R 3 . Demustrese que w == (9, 2, 7) es una combinacin lineal de u y v y que w' == (4, - 1, 8) no es comb inacin lineal de u y v.
"'En este ejemplo se est usando la notacin matricial para los vectores en Rn
SUBESPACIOS
167
Solucin. Para que w sea una combinacin lineal de u y v, deben existir los escalares k y k 2 tales que w = k 1 U + k 2 v; es de cir, (9, 2. 7) =k( 1.2. - 1) + k 2 (6.4.2)
o bien,
Al igualar las componentes correspondientes se obtiene
kl
+ 6k 2 = 9
2k l + 4k 2 = 2 -k l + 2k 2 = 7
Si se resuelve este sistema se llega a k 1
= - 3, k 2 = 2,
+ 2\"
de modo que
w = - 3u
De manera "anloga, para que w' sea una combinacin lineal de u y v, deben existir los escalares k l y k 2 tales que w' = k l U + k 2 v; es decir,
(4. - 1. 8)
o bien,
= k l (1.
2. - 1)
+ k2(6. 4, 2)
Al igualar las co mponentes correspondientes da
kl 2k l -k l
+ 6k 2 = 4 + 4k 2 = -1 + 2k 2 = 8
Este sistema de ecuaciones es inconsistente (verifquese) , de modo que no existen esos escalares. Como consecuencia, w no es una combinacin lineal de u y v. Definicin. Si VI, V2 , . . , vr son vectores en un espacio vectorial V y si todo vector en V es expresable como una combinacin lineal de VI, V2 , , v" entonces se dice que estos vectores gel/eran a V Ejemplo 17 Los vectores i = (l, 0, O), j = (O, 1, O) Y k = (O, O, 1) generan aR 3 porque todo vector (a, b. e) en R 3 se puede escribir como
(a, h, e) = oi
+ hj + ck
'la cual es una combinacin lineal de i,j y k.
168
Ejemplo 18 Los polinomios 1, x , X 2 , . . , xn generan al espacio vectorialPn (vase el ejemplo 13) dado que cada polinomio p en Pn se puede escribir como
p = a o + al x
la cual es una combinacin lineal de 1, x, Ejemplo 19 Determnese si
VI
+ ... + a.x
xn .
X2, . ,
= (1,1,2),
V2
=(1, 0,1) Y V3 =(2, 1,3) generan aR 3 .
Solucin Se debe determinar si un vector arbitrario b presar como una combinacin lineal
= (b 1,
b2 , b 3 ) en R 3 se puede ex-
de los vectores
VI, V2,
Y V3. Si se expresa esta ecuacin en trminos de componentes da
o bien,
o bien,
k k
+ k2
+ 2k3
= b
+ k3 = b 2 2k + k 2 + 3k 3 = b 3
Por consiguiente, el problema se reduce a determinar si este sistema es o no consistente para todos los valores de b 1 , b 2 Y b 3. Por los incisos (a) y (d) del teorema 13 de la seccin l. 7, este sistema ser consi~tente para todos los valores de b , b2 Y b 3 si y slo si la matriz de los coeficientes .
es inversible. Pero det(A) = O (verifquese), de modo que A no es inversible y, como consecuencia, VI, "2 Y V3 no generan a R 3 En general, un conjunto dado de vectores {v I , V2 , . . , v, } en un espacio vectorial V puede generar o no a V . Si lo genera, entonces todo vector en Ves expresable como una combinacin lineal de VI, V2, .. , v" y si no lo genera, entonces algunos vectores se pueden expresar mediante tal combinacin, mientras que otros no. El siguiente teorema indi-
SUBESPACIOS
169
ca que si se agrupan todos los vectores en V que son expresables como combinaciones lineales de VI , V2, . . . , Vy, entonces se obtiene un subespacio de V. Este subespacio se denomina espacio lineal generado por {VI, V2 ' . . , vr } , o ms simplemente, espacio generado por {VI, v2 , . , vr } . Teorema 5. Si VI, v2 ,
. . . ,
vr son vectores en un espacio vectorial JI, entonces:
(a) H conjunto W de todas las combinaciones lineales_de VI' V2 . . , Vr es un subespacio de V. (b) W es el subespacio ms pequeo de V que contiene a VI, V2 ' . . . , v" en el sentido de que cualquier otro subespacio de . V que contenga a VI , V2 , . . . , Vr debe contener a W Demostracin.
(a) Para demostrar que W es un sub espacio de V, debe probarse que es cerrado bajo la adicin y la multiplicacin escalar. Si u y V son vectores en W, entonces
en donde el ,
e 2 ,""
c r,
k l , k2 ,
. . ,
k r son escal ares. Por tanto ,
+ V = (el + k}v I + (e 2 + k 2)V 2 + ... + (cr + kr)v r
y, para cualquier escalar k,

ku = (kel)v I
+ (kc 2 )V 2 + ... + (kc,)v r
As entonces, u + v y ku son combinaciones lineales de VI, v2 , . . . , Vr y, como consecuencia, estn en W. Por consiguiente, W es cerrado bajo la adicin y la multiplicacin escalar. (b) Cada vector vi es una combinacin lineal de VI , V2 , . . . , Vy, puesto que es po sib le escrib ir,
Vi
= Ov I + Ov 2 + ... + 1V + .. . + Ov r
j
Por tanto, el subespacio W contiene a cada uno de los vectores VI, V2 , . . . , v, . Sea W' cu alquier otro subespacio que contenga a VI, V2 , . . . , vr . Dado que W' es cerrado bajo la adicin y multiplicacin escalar, debe contener todas las combinaciones lineales de por tanto, W' contiene a cada vector de W El espacio lineal W generado por un conjunto de vectores S se denota por lin (S) () bien, lin
{ VI, V2 , . . . ,
\ ' , V 2 , ,V r
= { VI ,
V2 , . . . ,
vr
vr
170
b)
Figura 4.5
Ejemplo 20 Si VI Y V2 son vectores no colineales en R 3 con puntos iniciales en el origen , entonces Iin {VI, V2}, el cual consta de todas las combinaciones lineales k l VI + k2V2 , es el plano determinado por VI y V2 (figura 4.5a). De modo anlogo, si V es un vector diferente de cero en R 2 o R 3 , entonce's lin {v }, el cual es el conjunto de todos los mltiplos escalares kv, es la recta detenninada por v (figura 4.5b).
EJERCICIOS 4.3
1. Aplique el teorema 4 para determinar cules de los siguientes son subespacios de R 3 .
(a) (b) (e) (d)
todos todos todos todos
los vectores los vectores los vectores los vectores
de de de de
la forma la forma la forma la forma
(a, O, O) ; (a, 1, 1); (a, b, e), en donde b = a (a, b, e), en donde b = a
+ e; + e + 1.
2. Aplique el teorema 4 para determinar cules de los siguientes son subespacios de Mu .

(a) todas las matrices de la forma
(/ hl [e di
en donde a, b, e, y d son enteros (b) todas las matrices de la forma
[(/e "h]
en donde a + d == O (e) todas las matrices A de 2 X 2 tales que A == A t (d) todas las matrices A de :1 X :1 tales que det(A)
=O
SUBESPACIOS
171
3. Aplique el teorema 4 para determinar cules de los siguientes son subespaciosdeP3 ' (a) todos los polinomios ao + ax + a2x2 + a3x3 para los que ao = O (b) todos los polinomios ao + a x + a2x2 + a3x3 para los que ao + a + a2 +a3 =0 (e) todos los polinomios ao + ax -+ a2x2 + a3x3 para los que ao. al. a2 Y a3 son enteros (d) todos los polinomios de la forma ao + ax, en donde ao yal son nmeros reales. 4. Aplique el teorema 4 para determinar cules de los siguientes son subespacios del espacio de todas las funciones con valor real, f, definidas sobre toda la recta real (a) (b) (e) (d) (e) todas las f tales quef(x)':;;:; O para toda x; todaslasftalesquef(O) = O; todas las f tales que feO) = 2; todas las funciones constantes; todas las f de la forma k 1 + k 2 sen x, en donde k I Y k 2 son nmeros reales.
S. Cules de las siguientes son combinaciones lineales de u = (1 , - '1, 3), Y v =
(2, 4, O)?
(a) (3,3,3)
(b)(4,2,6) (c)(J,5,6)
(d)(O, O, O)
6. Exprese los siguientes como combinaciones lineales de u 3) Y w = (3, 2, 5).
= (2,
1,4), v = (1, - ), .
(a) (5, 9, 5) (b) (2, O, 6) (e) (O, O, O) (d) (2,2,3)

7. Exprese los siguientes como combinaciones lineales de PI = 2 + x + 4x2 , P2 l -:x + 3x2 y P3 = 3 + 2x + 5x 2 .
(a) 5
+ 9x + 5x2
(b)2+6x 2
(e) O
(d) 2
+ 2x + 3x 2
8. Cules de las siguientes son com binaciones lineales de

A
= [
1 - 1
~JB = [~ ~J 'Y c = [~
(e)
-2J
.)
- 2 .
(a)
[~ ~J
VI VI VI VI
(b)
J [-1 7
5 1
O O [O 0J
(d)
[_ 6 g
9. En cada inciso determine si los vectores dados generan a R 3.

(a) (b) (e)
(u)
= (1 , 1, \), v2 = = (2, - \ , 3), V 2 = (3 , 1, 4), v2 = = (1 ,3, 3), v 2 =
(2, 2. O). v} = = (4, 1, 2), v3 (2, - 3,5 ), v.l (1 , 3, 4), v.l =
(3 , O, O)
= (X, - 1, g) = (5 , - 2, lI), v4 = (1 , 4, - 1) (1 , 4,3 ), v4 = (6, 2.1)
10. Determine cules de los siguientes estn en el espacio generado por
y
(a) cos
2,
(e) 1
(u)
sen .\
172
11. Determine si los siguientes polinomios generan a P2
PI = 1 + 2x - X2
P3 = 5 + 4x - X2
P2 = 3 +
Xl
P4 =
2 + 2x - 2X2
12. Sean VI = (2, 1, 0, 3), V2 = (3, - 1, 5, 2) Y V3 guientes vectores estn en !in {VI, v2 , V3 }?
(a )
= (-
1, 0 , 2, 1). Cules de los si-
(2. 3. - 7, 3)
(b) (0. 0, O O) .
(e) (1, 1, 1, 1)
(d) ( -4. 6, - 13.4)
1 3. Halle una ecuacin para el plano generado por los vectores u (2, 3, 5)
=(1,
1, - 1) Y V=
14. Halle las ecuaciones paramtricas para la recta generada por el vector u
7, - 1).
= (2,
15. Demuestre que los vectores solucin de un sistema no homogneo consistente de In ecuaciones lineales en n incgnitas no forman un subespacio de R".
16. (Para los lectores que hayan estudiado Clculo.) Demuestre que los siguientes conjuntos de funciones son subespacios del espacio vectorial del ejemplo 8. (a) todas las funciones continuas en todo punto ; (b) todas las funciones diferenciables en todo Junto ; (e) todas las funciones diferenciables en todo punto que satisfacen f' + 2f = O.
4.4 INDEPENDENCIA LINEAL

Por lo estudiado en la seccin 4.3, se sabe que un espacio vectorial Ves generado por un conjunto de vectores S = {VI , v2 , .. . , V } , si cada vector en Ves una combinacin lineal r de VI, V2 ' . . . , V . Los conjuntos generadores resultan tiles en una gran diversidad de pror blemas ya que, a menudo, es posible estudiar un espacio vectorial V estudiando primero los vectores en un conjunto generador S y, a continuacin , extendiendo los resultados hacia el resto de V. Por tanto, conviene mantener el conjunto generador S tan pequeo como sea posible. El problema de encontrar los conjuntos generadores ms pequeos para un espacio vectorial depende de la nocin de independencia lineal , la cual se estudia en esta seccin. Si S = {vI , v2 ,
, Vr
l es un conjunto de vectores, entonces la ecuacin vectorial
tiene al menos una solucin, a saber,
k 2 = O. . . . . /.:, = O
Si esta es la nica solucin, entonces S recibe el nOlllbre de conjunto /ea/mellle il1l!epl'ndiente. Si hay otrassolllciones entonces se d ice qlleSes un conjunto/inl'a/ml'llll' depel/diel/te.
INDEPENDENCIA LINEAL
173
Ejemplo 21 El conjunto de vectores S = {VI , V2 , V3 }, en donde VI = (2,0.1, 0,3), V = (1 ,2,5 , - 1), 2 V3 = (7, - 1, 5, 8) e s linealmente dependiente , ya que 3v + V - V3 = O. 2 Ejemplo 22 Los polinomios PI = 1 - X , P2 :-o 5 + 3x - 2x 2 y P3 = I + 3x linealmente dependiente en P2 ya que 3PI - P2 + 2p3 = O. Ejemplo 23 Considrense los vectores i = (1 , O, O), j = (O, 1, O) Y k = (O , O, 1) en R 3 . En trminos de componentes, la ecua cin vectorial
X2
forman un conjunto
se convierte en
k(1 , O, O)
o , lo que es equivalente,
+ k 2 (0, 1, O) + k 3 (0, 0, 1) = (O, O, O)
Por tanto, k = O, k 2 = O, k 3 = O; como consecuencia, el conjunto S = {i, j, k }es lineahnente independiente. Es p osible aplicar un argumento semejante para demostrar que los vectores e l = (1, O, O, . .. , O), e 2 = (O, 1, O, ... , O), .. . , en = (0 , O, 0 , . . . ,1) forman un conjunto linealmente independiente en Rn . Ejemplo 24 Determnese si los vectores VI
= (1 ,
- 2, 3)
V2
(5, 6, -1)
v3 = (3, 2,1 )
forman un conjunto linealmente dependiente o linealmente independiente.
Solucin En trminos de componen tes, la ecuacin vectorial
queda
kl(l , - 2, 3)
o, lo que es equivalente
+ k 2 (5 , 6,
- 1)
+ ")( 3, 2,
1) = (0, O, O)
174
Al igualar las componentes correspondientes da
+ 5k 2 + 3k 3 = O - 2k 1 + 6k 2 + 2k 3 = O 3k 1 - k 2 + k 3 = O
k1
Por tanto, V1, V2 Y V3 forman un conjunto linealmente dependiente si este sistema tiene una solucin no trivial, o bien, un conjunto linealmente independiente si tienen slo la solucin trivial. Al resolver este sistema se llega a
Como consecuencia, el sistema tiene soluciones no triviales y V 1 , V2 Y V3 forman un conjunto linealmente dependiente . De modo alternativo, se pudo haber demostrado la existencia de soluciones no triviales sin resolver el sistema, demostrando que la matriz de coeficientes tiene determinante cero y, como consecuencia, no es inversible (verifquese). El trmino "linealmente dependiente" sugiere que los vectores "dependen" uno del otro de alguna manera . Para ver que , en efecto, este es el caso, supngase que S = {V1, v2 , , Vr }es un conjunto linealmente dependiente, de modo que la ecuacin vectorial
tiene una solucin diferente de k = k 2 = .. . = k r = O. Para ser especficos, supngase que k 1 O. Al multiplicar ambos miembros por l /k 1 Y despejar V 1 , se llega a
*"
As entonces, V 1 se ha expresado como una combinacin lineal de los vectores restantes v2 , , vr . Se deja como ejercicio demostrar que un conjunto con dos o ms vectores es linealmente dependiente si y slo si al m enos uno de los vectores es una combinacin lineal de los vectores restantes. Los dos ejemplos que siguen dan una interpretacin geomtrica de la dependencia lineal en R 2 y R 3 . Ejemplo 25 Dos vectores, V 1 Y v2 , forman un conjunto linealmente dependiente si y slo si uno de los vectores es un mltiplo escalar del otro. Para ver por qu, supngase que S = {v 1 , V 2 }es linealmente dependiente. Supuesto que la ecuacin vectorial k j v j + /\2 v2 = O tiene una solucin diferente de k 1 = k 2 = O, esta ecuacin pu ede reescribirse como
Pero esto afirma que v 1 es un mltiplo escalar de v2 , o bien , que v2 es mlt ipl o esca lar de v 1 La re c proca se deja como ejercicio.
175
z z
x
(a)
lb)
( e)
Figura 4.6 (a) Linealmente dependientes. (h) Linealmente dependientes. ( e) Linealmente independientes. Se deduce que dos vectores en R 2 o en R 3 son linealmente dependientes si y slo si estn sobre la misma recta que pasa por el origen (figura 4.6). Ejemplo 26 Si VI, V2 Y V3 son tres vectores en R 3 , entonces el conjunto S = {VI, v2 , V3 }es linealmen te dependiente si y slo si los tres vectores estn en el mismo plano que pasa por el origen, cuando los vectores se colocan con los puntos iniciales en el origen (figura 4.7). Para esto, recurdese que VI, V2 Y V3 son linealmente dependientes si y slo si al menos uno de los vectores es_una combinacin lineal de los dos restantes o, lo que es equivalente, si y slo si al menos uno de los vectores est en el espacio generado por los dos restantes. Pero el espacio generado por dos vectores cua lesquiera en R 3 es una recta que pasa por el origen , un pIano que pasa por el origen, o bien, el propio origen (ejercicio 17). En todo caso, el espacio generado por dos vectores en R 3 siempre est en un plano que pasa por el origen. Se concluye esta seccin con un teorema que indica que un conjunto linealmente independiente en Rn puede contener cuando ms n vectores. Teorema 6. Sea S = {VI, V2 , es linealmente dependiente.
.. , Vr
}un conjunto de vectores en R". Si r > n. entonces S
(a )
lb)
(e)
Figura 4.7 (a) Linealmente dependientes. (h) Linealmente dependientes. ( e ) Linealmente independientes.
176
Demostracin Supngase que

VI
= (v I l' ; 12 , . . . V 2 =- ( V2 1, V 22 , . . .
, VI
n)
, V 21l )
Considrese la ecuacin
Si, como se ilustr en el ejemplo 24, se expresan los dos miembros de esta ecuacin en trminos de componentes y, a continuacin, se igualan las componentes correspondientes, se obtiene el sistema
v llk V 2k l
+ v 2k 2 + . . . + v rk r = O + V 22k 2 + .. . + v r 2 k r = O
Este es un sistema homogneo de n ecuac iones en las r incgnitas k , . . . , k,. Supuesto que r > n, con base en el teorema l de la seccin) .3 , se deduce que el sistema tiene soluciones no triviales. Por tanto, S = {VI, v2 , . . . , vr }es un conjunto linealmente dependiente . En particular, en este teorema se afirma que un conjunto en R 2 , con ms de dos vectores, es linealmente dependiente, y que un conjunto en R 3 , con ms de tres vectores, es 1 linealmente dependiente.
EJERCICIOS 4 .4
1. D una explicacin de por qu los siguientes conjuntos de vectores son lineal-
mente dependientes. (Resuelva este problema por simple obse~acin.)
(a )u, = (1. 2) y u1 = (-3, - 6)enR 1

(b) u, = (2, 3), U 1 ~ ( - 5, 8). U J = (6, 1) enR 1 (e) p, = 2 + 3x - ,2 Y Pl = 6 + 9:< - 3.\2 en p 2
(d)
A=
1 3' - [- 1 [2 OJ y B = - 2
2. Cules de los siguientes conjuntos de vectores en R 3 son linealmente dependientes?

(a) (2, - l'. 4).
(3 , 6. 2), (b) (3,1 , 1), (2 , - 1. 5), (e) (ri, O - 1). (1. ). 4) .
(2, 10. - 4) (4. (l, - 3)
(d) (1. 3, ]J. (O 1. 4J. (5. 6. 3J. .
(7, 2. - 1J
177
3. Cules de los siguientes conjuntos de vectores en R 4 son linealmente dependientes?

(a) (1 , 2, 1, - 2),
(O, - 2, - 2, O). (0,2, 3, 1l, (3. O, - 3.6) (b) (4, - 4,8, O), (2,2, 4, O), (6, O. O, 21. (6.3. - 3, O) (e) (4,4, O, O), (O, O, 6. 6), (- 5, O. 5, 5) (d) (3, O 4, 1), (6,2, - 1,2), ( - 1, 3.5, 1), (-3,7, 8, 3) ,
4. Cules de los siguientes conjuntos de vectores en P2 son linealmente depen-
dientes?
2-x+4x 2 , 3 +6x+2x 2 2 + 10,-4,2 (b) 3 + , + , 2, 2 - , + 5,2. 4 - 3,2 (e) 6 - ,2 , 1 + x + 4,1 (d) 1 + 3.\ + 3.\2, X + 4x 2 , 5 + 6, + 3.,2, 7 + 2, - ,2
(a)
5. Sea V el espacio vectorial de todas las funciones con valor real definidas sobre la recta real completa. Cules de los siguientes conjuntos de vectores en V son linealmente dependientes?
(a) 2.4 sen 2 x, cos 2 x (e) l ,sen x sen 2x

(e) (1
(b) x, eos x
(d) eos 2x, sen 2 x. cos 2 x

(f) O. x,
X2
+ X)2 , x" + 2x, 3
6. Supngase que VI, V2 Y V3 son vectores en R 3 que tienen sus puntos iniciales en el origen. En cada inciso, determine si los tres vectores estn en un plano.
(a) (b)
VI
"1
= (1 , O. - 2). V 2 = (3. L 2). " 3 = = (2, - 1. 4), "2 = (4, 2.3), \' 3 =
(1 , - L O) (2, 7, - 6)
7. Suponga que VI, V2 Y V3 son vectores en R 3 que tienen sus puntos iniciales en el origen. En cada inciso, determine si los tres vectores estn en la misma recta.
(a) (b)
VI VI
= (3.
- 6,9). v 2 = (2, - 4,6), v 3

v3 =
= (1,1,1)
= (2, - 1, 4), v 1 = (4, 2. 3). "3 = (2. 7. - 6)

(4. 6. 8), "1= (2. 3,4), ( - 2, - 3. - 4)
(e) \ ' 1 =
8. Para cules valores de A los vectores que siguen forman un conjunto linealmente dependiente en R 3 ?
VI
= (io. - 1, - 1), V 2 = (- 1. io, -1), V 3 = (-1, -1, io)
9. Sea S = {v 1, V 2, . . , Vn } un conjunto de vectores en un espacio vectorial V. Demuestre que si uno de los vectores es cero, entonces S ~s linealmente dependiente. 10. Si {VI, V2, V3 } es un conjunto linealmente independiente de vectores, demuestre que {VI, V2 }, {VI, V3 } , {V2, V3 }, {VI }, { V2 } Y {V3 } son tambin conjuntos linealmente independientes. 11. Si S = {VI, V2, . . . , vn } es un conjunto linealmente independiente de vectores, demuestre que todo conjunto de S con uno o ms vectores tambin es linealmente independiente.
178
12. Si {VI' V2, V3 } es un conjunto linealmente dependiente de vectores en un espacio vectorial V, demuestre que {VI, V2' V3, V4 } tambin es linealmente dependiente, en donde V4 es cualquier otro vector en V. 13. Si {VI , V2 , , vr } es un conjunto linealmente dependiente de vectores en un espacio vectorial V , demuestre que {V I, V 2, . . , vr + l ' . . . ,v n } tambin es linealmente dependiente , en donde vr + 1" . , vn son otros vectores cualesquiera en V. 14. Demuestre que todo conjunto con ms de tres vectores tomados de P2 es linealmente dependiente. 15. Demuestre que si {v I , V2 } , entonces {VI, V2 ,
V2 } V3 }
es linealmente independiente y es linealmente independiente.
V3
no est en lin {v I ,
16. Pruebe que un conjunto con dos o ms vectores es linealmente dependiente si y slo si al menos uno de los vectores es expresable como una combinacin lineal de los valores restantes. 17. Pruebe que el espacio generado por dos vectores en R 3 es una recta que pasa por el origen, un plano que pasa por el origen, o bien, el propio origen. 18. (Para los lectores que hayan estud iado Clculo.) Sea V el espacio vectorial de las funciones con valor real definidas sobre la recta real completa. Si f, g Y h son vectores en V, las cuales son doblemente diferenciables, entonces la funcin w = w(x) definida por
{(X)
Iv(X ) =
Y( :':)
y '(x ) q " (x)
h(x) h'(x) h" (O\)
F (x )
j" (x )
se conoce como wronskian o de f, g Y h, Pruebe que f, g Y h forman un conjunto linealmente independiente si el wronskiano no es el vector cero en V [es decir, w (x) no es idnticamen te cero] . 19. (Para los lectores que hayan estudiado Clculo.) Utilice el wronskiano (ej ercicio 18) para demostrar que los siguientes conjuntos de vectores son linealmente independientes.
(a) 1, x, eX
(b) sen x, cosx, x sen x
(d) 1, X, X2
4.5 BASE Y DI MENSIDN

Por lo comn, se concibe una recta como un espacio unidimensional, un plano como uno bidimensional y el espacio que lo rodea a uno como tridimensional. El objetivo princi pal de esta seccin es precisar esta nocin intuitiva de dimensin . Definicin. Si Ves cualquier espacio vectorial y S = {VI, V2, to de vectores en V, entonces S se denomina hase para V si
. . , Vr }
es un conjunto fini
'
BASE Y DIMENSION
179
(i)
()
S es linealmente independiente; S genera a V.
Ejemplo 27 Sean el "" 0, 0,0, ... , O), e 2 = (O, 1,0, . .. ,O), .. . ,en = (0,0, O, . .. , 1). En el ejemplo 23 se seal que S = {el, e2, ... , en } es un conjunto linealmente independiente en R n. Dado que cualquier vector v = (VI' V2, . . , vn ) en R n se puede escribir como v = V I e2 + V2e2 + ... + vnen , S genera a R n y, por tanto, es una base. Esta base se conoce como base estndar para Rn. Ejemplo 28 Sean
VI
V2, V3 }
= (1, 2, 1), V2 = (2 , 9, O) y es una base paraR 3 .
V3
= (3,3,4). Demustrese que el conjunto S =
{VI,
Solucin. Para demostrar que S genera a R 3 , es necesario demostrar que un vector arbitrario b = (b l , b 2 , b 3 ) se puede expresar como combinacin lineal
(4.3)
de los vectores en S. Al expresar (4.3) en trminos de las componentes da
o bien,
o bien,
+ 2/.: 2 ;+- 3/.: 3 = b 1 2/.: 1 + 9/.: 2 + 3k3 = b 2 /.:1 + 4/.: 3 = b 3

/.:1
(4.4)
Por tanto, para demostrar que S genera a V, se debe demostrar que el sistema (4.4) tiene una solucin para todas las elecciones de b = (b, b 2 , b 3 ). Para probar que S es linealmente independiente, es necesario demostrar que la nica solucin de (4.5 )
esk 1 =k 2 =k 3 =0. Como se hizo antes, si (4.5) se expresa en trminos de las componentes, la verificacin de la independencia se reduce a demostrar que el sistema homogneo
k 1 +2k 2 +3k 3 =O
2/.: 1
/.:1
+ 9k 2 + 3k 3 = O + 4k 3 = O
(4.6)
180
tiene nicamente la sulucin tri vial. Obsrvese que los sistemas (4.4) y (4.6) tienen la misma matriz de coeficiente. As entonces, por los incisos (a) , (b) Y (d) del teorema 13 de la seccin l. 7, es posible probar simultneamente que S es linealmente independiente y que genera a R 3 , demostrando que la matriz de coeficientes
de los sistemas (4.4) Y (4.6) es inversible. Puesto que

I
det(A) =
1 2 I
;1
2 3
4!
- 1
por el teorema 6 de la seccin 2.3, se concluye que A es inversible. Por consiguiente, S es una base para R 3 . Ejemplo 29 El conjunto S = {l, x, xZ , ... ,xn } es una base para el espacio vectorial Pn que se introdujo en el ejemplo 13. Por lo vis to en el ejemplo 18, los vectores en S generan a Pn . A fin de ver que S es linealmente independiente, supngase que alguna combinacin lineal de vectores en S es el vector cero, esto es,
Co
+ e 1x + ... + C"X" == O
(4.7)
se debe demostrar que eo = el = ... = en = O. Con base en lo visto en el Algebra , un polinomio diferente de cero de grado n tiene cuando ms n raoes distintas. Dado que (4.7) es una identidad, todo valor de x es una raz del primer miembro . Esto implica que el =e2 = ... = en = O; por otra parte, eo + el x + . .. + enx n podra tener cuanqo ms n races . Por tanto, el conjunto S es linealmente independiente . La base S de este ejemplo se conoce como base estndar para Pn .
Ejemplo 30
Sean
M4 -
-[0 0J
O l
El conjunto S = {MI, M z, M 3 , M4 } es una base para el espacio vectorial M 22 de matrices de 2 X 2. A fin de ver que S genera a M Z2 , ntese que un vector (matriz) tpico
BASE Y DIMENSION
181
se puede escribir como
[~ ~J=a[~ ~J + b[~ ~J +c [~ ~J + d[~ ~J

= aMI
+ + +
bM 2
c.\1 3
dM 4
Para verificar que S es linealmente independiente , supngase que
.%
decir,
Entonces,
a [e
bJ = LO rO
0J
Por tanto, a
=b = c =d = O de modo que S es linealmente independiente.
Ejemplo 31
Si S = {VI, V2, . ' .' , Vr } es un conjunto linealmente independiente en un espacio vectorial V, entonces S es una base para el subespacio lin(S), ya que S es independiente y, por definicin de lin(S), S genera a lin(S). Se dice que un espacio vectorial diferente de cero V es de dimensin finita si contiene un conjunto finito de vectores {VI, V2, . .. , VII } que fonna una base. Si no existe un conjunto de este tipo, se dice que Ves de dimensin infinita. Adems, se considera el espacio vectorial cero como de dimensin filta, aun cuando no tiene conjuntos linealmente independientes y, como consecuencia, no tiene base .
Ejemplo 32
Por lo visto en los ejemplos 27 , 29 y 30, R", PI! YM 22 son espacios vectoriales de dimensin tlnit a. El siguiente teorema suministra la clave hacia el concepto de dimensin para espacios vectoriales. Con base en l se obtendrn algunos de los resultados ms importantes del lgebra lineal.
Teorema 7. Si S = {VI, V2 , . . . , VI! } es una base para un espacio vectorial V, entonces todo conjullfo COIl ms de n vectores es linealmente dependiente.
Demostracin Sea S' = {WI, W2 , .. . , W m } cualquier conjunto de m vectores en V, en donde ni > 11. Se desea demos! rar que S' es linealmente dependiente . Supuesto que S = {VI V2' .. . , VI! } es una base, cada w se puede expresar como una combinacin lineal de los vectores en S, por ejemplo,
I
182
W
= av
W 1 = alv
+ a l v 1 + . . . + ClIlV Il + C/ 11 V 2 + .. . + all1vIl
(4. 8)
Para demostrar que S' es linealmente dependiente, se deben hallar los escalares k 1, k 2 , km, no todos cero, tales que
. ,
(4.9)
Al aplicar las ecuaciones dadas en (4.8), (4.9) se puede volver a escribir como
(kCI
+ k 2a2 + . .. + k",a",)v + (kC/ 2 + k 2 C1 z2 + . . . + k",a2",)v 2
Por tanto, el problema de probar que S' es un conjunto linealmente dependiente se reduce a demostrar que existen k , k 2, .. . , km, no todos cero, que satisfacen
uk u2k
+ UI 2k 2 + . .. + u",k", = O + a22k2 + . .. + uzmk m = O
(4.10)
Dado qe (4.10) tiene ms incgnitas que ecuaciones, la demostracin queda completa, ya que el teorema 1 de la seccin 1.3 garantiza la existencia de soluciones no triviales. I Como consecuencia, se obtiene el resultado siguiente : Teorema 8. Dos bases cualesquiera para un espacio vectorial de dimensin finita tiene el mismo nmero de vectores.
Demostracin. Sean S = {v, V2, .. . , vn } Y S' = {WI, W2' . . . , W m } dos bases para un espacio vectorial de dimensin finita V. Dado que S es una base y S' es un conjunto linealmente independiente, el teorema 7 implica que m';;:; n. De modo anlogo, dado que S' es una base y S es tinealmente independiente, tambin se tiene n .;;:; m. Por tanto, m = n. I
Ejemplo 33
La base estndar para Rn contiene n vectores (ejemplo 27). Por consiguiente, toda base para Rn contiene n vectores .
Ejemplo 34
La base estndar para Pn (ejemplo 29) contiene n + I vectores; as entonces, toda base para Pn contiene n + 1 vectores.
BASE Y DIMENSION
183
El nmero de vectores en una base para un espacio vectorial de dimensin finita es una cantidad en particular importante. Por el ejemplo 33, toda base para R 2 tiene dos vectores y toda base para R 3 tiene tres vectores. Ya que R 2 (el plano) es intuitivamente bidimensional y R 3 es intuitivamente tridimensional, la dimensin de estos espacios es igual al nmero de vectores que se tienen en sus bases. Esto sugiere la siguiente definicin: Definicin. La dimensin de un espacio vectorial de dimensin fInita V se defme como el nmero de vectores en una base para V. Adems, por definicin, el espacio vectorial cero tiene dimensin cero. Por lo que se vio en los ejemplos 33 y 34, RIl es un espacio vectorial de dimensin n y Pn es un espacio vectorial de dimensin n + l . Ejemplo 35 Determnese una base y la dimensin para el espacio de soluciones del sistema homogneo
.2X
-
+ .2X2
.\ 2
.\ -
+ x" + 2s" - 3.\ .. + S"

X"
Solucin En el ejemplo 8 de la seccin 1.3 se demostr que las soluciones estn dadas por
s=-S-{
Por tanto, los vectores solucin se pueden escribir como
Xl
- s- r
s
-s
~
-(
s,
- 1 - 1
O O O
lo cual demuestra que los vectores
-(
=s
O O O
+(
-1 O -1 O
-1
I
l
O O O
V2
-1 O -1 O
generan el espacio de soluciones. Dado que estos vectores tambin son linealmente independientes l verifquese), {VI, V2 } es una base, y el espacio de soluciones es bidimensional. En general, a fin de demostrar que un conjunto de vectores {VI, V2, .. . , Vn }es una base para un espacio vectorial V se tiene que demostrar que los vectores son linealmente
184
independientes y que generan a V. Sin embargo, si se sabe de antemano que V tiene dimensin n (de modo que {VI, V2, ' .. , vn } contiene el nmero correcto de vectores para tener una base) entonces basta con verificar la independencia lineal, o bien, la generacin -- la condicin restante se satisfar automticamente. Este es el contenido de los incisos (a) y (b) del teorema siguiente. En el inciso (c) de este teorema se afirma que todo conjunt o lineabtlente independiente forma parte de alguna base para V.
Teorema 9.
(a) (b) (c ) Si S = {VI, v2 , _ . . , Vn } es un conjunto de n vectores linealmente independientes en un espacio V de dimensin n, entonces S es una base para V. Si S = {v 1, V2, .. . , vn } es un conjunto de n vectores que genera un espacio V de dimensin n, entonces S es una base para V. Si S = {VI , V2, _ _ , vr } es un conjunto linealmente independiente en un espacio V de dim ensin n y r < n, entonces se puede I}grandar S hasta formar una base para V; es decir, existen los vectores vr +, _ . . , vn tales que {VI, V2 , . . . , V" vy + , . . _ , vn } es una base para V.
Las demostraciones se dejan como ejercicios.
Ejemplo 36
Demustrese que
VI
= (- 3, 7) Y V2 = (S, S) forman una base para R2_
Solucin. Dado que ninguno de los vectores es un mltiplo escalar del otro, S = {VI, V2 } es linealmente independiente. Puesto que R 2 es bidimensional, S es una base para R 2 con base en el in ciso (a) del teorema 9 . '
EJERCICIOS 4.5
1. D una explicacin de por qu los conjuntos siguientes de vectores no son bases
para los espacios vectoriales que se indican. (Resuelva este problema por simple observacin. ) (a) (b) (el
U1 U1 PI
= = =
(1, 2), U 2
(O, 3), U 3 = (2, 7) para R 2 ( -1 , 3, 2), U 2 = (6, 1, 1) para R 3 1 + .'( + X2, P 2 = X - 1 para P 2
=
(d) A
G~J
B= [
- 1
~J
e = [~
para M 2 2
~l
D=
[! ~J E C ~J =
2
2 Cules de los siguientes conjuntos de vectores son bases para R 2 ?

(a l (2. 1). (3. Ol
(bl (4. 1l, ( - 7, - 8)
(e)
(0, OUI, 3)
(u) (3,9), ( - 4, - 12)
BASE Y DIMENSION
185
3. Cules de los siguientes conjuntos de vectores son bases para R 3 ,?

(a) (1, O, O), (2, 2, O), (3,3 , 3) (e) (2~ - 3, 1), (4, 1, 1), (0, - 7, 1)
(b) (3, 1, - 4), (2, 5. 6), (1 , 4, 8) (d) (1 , 6, 4), (2, 4, - 1),( - 1, 2,5)
4. Cules de los siguientes conjuntos de vectores son bases para P2 ?

(a) 1 - 3.\ + 2X 2, 1 + x + 4X 2. 1 - 7.\ (b) 4 + 6x + X 2, - 1 + 4.\ + 2 X 2, 5 + 2x (e) 1 + x + X2 , X + X2 , X2 (d) - 4 + x + 3x 2 , 6 + 5x + 2x 2 , 8 + 4x +
X2
X2
5. Demuestre que el conjunto siguiente de vectores es una base para M zz .
[ O-IJ [ O-8J
- 1 O ' - 12 -4 '
6. Sea Vel espacio generado por (a) Demuestre que S = {VI, (b) Halle una base para V.
VI
= cos 2
X, V2
= sen 2 x
V3
= cos 2x.
V2' V3 }
no es una base para V.
En los ejercicios 7 al 12 determine la dimensin del espacio de soluciones del sistema que se da y encuentre una base para l.
7.
XI
- 2x 1
XI
9.
XI -
2x I
+ X2 - X3 = O - X 2 + 2x) = O + X3 = O 4 X2 + 3x) X4 = O S X2 + 6x) - 2X4 = O
8. 3x I +
X2
X3
+
-
X4
5x I
X2
+ X,
X4
=O
10. x l -3x 2 + X3= 0 2x 1 - 6x 2 + 2x 3 = O , 3x I - 9 X 2 + 3x 3 = O

12.
11. 2x I +X2+ 3x)= 0 XI + 5x 3 = O X2 + X3 = O
x+ y + 3x + 2y 4x + 3y x + 5y +
z=O 22 = O :; = O
:; =
()
13. Determine bases para los subespacios de R 3 que siguen: (a) El plano 3x - 2y + 52 = O (b) El plano x - y = O x = 2t (e) Larectay= - t - oo<t<+oo 2 = 4t (d) Todos los vectores de la forma (a, b. e), en donde b = a
J
+e
14. Determine las dimensiones de los siguientes subespacios de R 4 . (a) Todos los vectores de la forma (a. b. c. O) (b) Todos los vectores de la forma (a. b, e, d), en donde d = a + b y e = a - b. (e) Todos los vectores de la forma (a, b. e, d), en donde a = b = (' = d
186
15. Determine la dimensin del subespacio de P3 que consta de todos los polinomiosao +ax +a2x2 +a3x3 , paraloscualesao =0. 16. Sea {v, V2, V3 } una base para un espacio vectorial V. Demuestre que {u, U2 , U3 } tambin es una base, en donde U = V, U2 = V + V2 Y U3 = v + V2 + V3. 17. Demuestre que el espacio vectorial de todas las funciones con valor real definidas sobre la recta real completa es de dimensin infinita. (Sugerencia. Suponga que es de dimensin finita y que su dimensin es n y obtenga una contradiccin al producir n + 1 vectores linealmente independientes.) 18. Demuestre que un subespacio de un espacio vectorial de dimensin finita es de dimensin finita. 19. Sea V un sub espacio de un espacio vectorial de dimensin finita W. Demuestre que dim( V) ~ dim( W) (Sugerencia. Por lo visto en el ejercicio 18, Ves de dimensin finita.) 20. Demuestre que los nicos subespacios de R 3 son rectas que pasan por el origen, planos que pasan por el origen, el sub espacio cero y el propio R 3. (Sugerencia. Por lo visto en el ejercicio 19, los subespacios de R 3 deben ser de dimensin 0, dimensin 1, dimensin 2, o bien, de dimensin 3.) 21. Pruebe el inciso (a) del teorema 9. 22. Pruebe el inciso (b) del teorema 9. 23. Pruebe el inciso (e) del teorema 9.
4.6 ESPACIO DE RENGLONES V COLUMNAS DE UNA MATRIZ; RANGO; APLICACIONES PARA HALLAR BASES
En esta seccin se estudian ciertos espacios vectoriales asociados con las matrices. Los re sultados suministrarn un procedimiento sencillo para encontrar bases, reduciendo una ma triz apropiada a una forma escalonada en los renglones. Definicin. Considrese la matriz de m X n
A=
Los vectores
l
==
lll 1
lll
1121
ll l " lI
1I~"
11,:""
r lll
(0"'1 ' lI1I/ 2 ' . . . . ",",,)
APLICACIONES PARA HALLAR BASES
187
formados a partir de los renglones de A se conocen como vectores rengln de A, Y los vectores
formados a partir de las columnas de A se llaman vectores columna de A El subespacio de Rn generado por los vectores rengln es el espacio de renglones de A, y el subespacio de Rm generado por los vectores columna es el espacio de columnas de A.
Ejemplo 37
Sea
A
[~
y
-1
~J
r 2 = (3 , -1,4)
Los vectores rengln de A son

r 1 = (2, 1,0)
y los vectores colurrmas de A son
El teorema siguiente ayuda a encontrar bases para los espacios vectoriales; su demostracin se difiere hasta el final de la seccin
Teorema 10. Las operaciones elementales sobre los renglones no cambian el espacio de renglones de una matriz.
Con base en este teorema se deduce que el espacio de renglones de una matriz A permanece inalterado al red ucir\a hasta una forma e'scalonada en los rengkmes. S.in embargo, los vectores rengln diferentes de cero de una matriz en la forma escalonada en los renglones siempre son lineales independientes (ejercicio 17), de modo que estos vectores rengln diferentes de cero forman una base para el espacio de renglones As entonces, se tiene el s igu ie n te resultado :
Teorema 11. I,os vectores rengln diferentes de cero en una forma escalonada en los renglones de una matriz A forman una base para el espacio de renglones de A. Ejemplo 38
Encuntrese una base para el espacio generado por los vectores
188
VI
=(1. - 2.0,0, 3)
V2
= (2, - 5, - 3, -2, 6)
V4
V)
= (0, 5, 15. 10, O)
(2, 6, 18,8, 6)
Solucin El espacio generado por estos vectores es el espacio de renglones de la matriz
[~
- 2 - 5 - 3 5 15 6 18
-2
10
Al poner esta matriz en forma escalonada en los renglones se obtiene (verifquese):
[~
WI
- 2
l
~l 2 O' OJ
3 l
l
= (O, 1, 3, 2, O)
WJ
Los vectores rengln diferentes de cero en esta matriz son
(1 , - 2,0,0, 3)
W2
(O. 0, 1, 1, O)
Estos vectores forman una base para el espacio de renglones y, como consecuencia, una bas~ para el espacio generado por VI , V2, V3 Y V4. '
OBSERVACION.
Se han estado escribiendo los vectores rengln de una matriz en notacin horizontal, y los vectores columna en notacin vertical (matricial), debido a que esto pare ce ms natural. Sin embargo, no hay razn alguna de por qu no puedan escribirse los vectores rengln en notacin vertical y los vectores columna en notacin horizontal, si as resulta conveniente.
Teniendo en cuenta esta observacin, es evidente que, excepto por un cambio de notacin vertical a horizontal, el espacio de columnas de una matriz es el mismo que el espacio de renglones de su transpuesta. Por tanto, si se desea, se puede encontrar una base para el espacio de columnas de una matriz A, encontrando una base para el espacio de renglones de A t y, a continuacin, regresando a la notacin vertical.
"
Ejemplo 39
Hllese una base para el espacio de columnas de

()
-"
4 4
189
Solucin. Al transponer se obtiene
3 2 5
y al realizar la reduccin hacia una forma escalonada en los renglones se llega a (verifquese)
Por tanto, los vectores (1, 3, O) Y (O, 1, 2) forman una base para el espacio de renglones de Ato, lo que es equivalente,
fonnan una base para el espacio de columnas de A. En el ejemplo 38, se aplic la reduccin en los renglones a fin de encontrar una base para el espacio generado por un conjunto de vectores. Sin embargo, ese mtodo puede producir vectores base que no se encuentren entre los vectores del conjunto original. Ahora se muestra cmo producir una base que sea un subconjunto del conjunto dado de vectores. La idea es eliminar vectores del conjunto dado que sean combinaciones lineales del resto, dejando en consecuencia un conjunto de vectores linealmente independientes que generen el mismo espacio que el conjunto original de vectores . El mtodo , el cual se aplica nicamente a vectores en R n , se explica por medio de un ejemplo. Ejemplo 40 Encuntrese un subconjunto de los vectores
VI V3
(1, - 2, 0, 3),
V2
= (2, - 5, - 3, 6)
Vs
= (0, 1, 3, O),
v4 = (2, -1,4, - 7),
(5, - 8, 1,2)
que forme una base para el espacio generado por estos vectores
Solucin. Se principia por resolver la ecuacin vectorial

(4. 11)
------Al sustitu ir las componentes y, a continuacin, igualar las componentes correspondientes de los dos miembros de (4.1 1) se llega al sistema homogneo
190
C1
2c 2 5c 2
+ 2c 4 +
5c s
- 2c I 3c I
- 3c 2
+ 6e2
+ C3 - c 4 -8c s =0 + 3c 3 + 4c 4 + C s = O - 7('4 + 2e s = O
Al obtener este sistema por la eliminacin de Gauss-Jordan se obtiene (verifquese): el = - 25 - t,

e2'
s - t,
es
=t
(4.12)
en donde s y t son arbitrarios, Sustituyendo (4.12) en (4.11), se obtiene
(-25 -
t)v I
+ (5
- t)v 2
sV 3 - tV 4
+ tv s = O
10 cual se puede volver a escribir como
(4.13) Ya que s y t son arbitrarias, es posible hacer s = 1, t = O y, entonces s = O, ["= 1 Esto conduce a las ecuaciones de dependencia
-2v I
VI -
v2
+ v2 + v3 = O - V4 + V s = O
(4.14)
Con estas ecuaciones se pueden expresar los vectores V3 Y Vs como combinaciones lineales de los vectores precedentes (es decir, los vectores con subndices menores) Se obtiene
V3
=
=
2v I
VI
v2
Vs
+ v2 + v4
(4.15)
lo cual indica que es posible descartar V3 Y Vs del conjunto original, sin afectar el 'espacio generado . A continuacin se demuestra que los vectores restantes VI, V2 Y V4 son linealmente independientes y, por tanto, forman una base para el espacio generado por VI, V2, V3, V4 Y Vs- Si
entonces (4.11) se cumple con e3 = O yes = O Por tanto (4.12) se cumple con s = e3 = O y t = es = O. A partir de las ecuaciones restantes en (4.12), se deduce que
C1
= 0,
10 cual prueba que
VI, V2
Y v 4 son linealmente independientes .
OIlSFRV \CION . Aun cuandp se omite la demostracin. se puede demostr<lr que despus de aplicar las ecuaciones de dependencia, a fin de 'climinar aqucllos vecforcs que dependen de
191
los precedentes, los vectores restantes siempre sern linealmente independientes. P : consiguiente, no es necesario verificar la independencia como se hizo en el ltimo ejemplo. El teorema que sigue es uno de los resultados ms fundamentales del lgebra lineal. La demostracin se deja hasta el final de esta seccin. Teorema 12. Si A es una matriz cualquiera, entonces el espacio de renglones y el espacio de columnas de A tienen la misma dimensin.
Ejemplo 41
En el ejemplo 39 se vio que la matriz
[~
o
2 4
tiene un espacio de columnas bidimensional. Por consiguiente, en el teorema 12 se afirma que el espacio de renglones tambin es bidimensional. Para comprobar que, de hecho , este es el caso, se reduce A a una forma escalonada en los renglones , obteniendo (verifquese)
o
1
O
Dado que esta matriz tiene dos renglones diferentes de cero, el espacio de renglones de A es bidimensional. Definicin. La dimensin del espacio de renglones y columnas de una matriz A se conoce como rango de A. Por ejemplo, la matriz A de los ejemplos 39 y 41 tiene rango 2. El siguiente teorema agrega tres resultados ms a los del teorema 13 de la seccili 1.7 Y del teorema 6 de la seccin 2.3.
Teorema 13 . Si A es una matriz de n X n, enton ces las propo siciones que siguen son equivalentes. (a) A es inversible. (b) A x = O tiene nicamente la solucin trivial. (e) A es equivalente, respecto a los renglones, a In . (d) A x = b es consistente para toda matriz b de n X l . (e) det(A) O (1) A tiene rango n (g) l. os vectores rengln de A son linealmente independientes. (h) ,os vectores columna de A son linealnzente independientes.
*"
Demostracin. Se demostrar que (e), (1), (g) y (h) son equivalentes, prohando la sucesin de implicaciones (e) => (f) => C~) ~ (h) => (e) . Esto completa la demostracin puesto que ya se sabe que (e) equivale a (a), (b) , (d) y (e).
192
(e) ~ (j) Supuesto que A es equivalente, respecto a los renglones, aln y In tiene n renglones diferentes de cero, el espacio de renglones de A es de dimensin n, por el teorema 11. Por consiguiente, A tiene rango n.
(j) ~ (g) Supuesto que A tiene rango n, el espacio de renglones de A es de dimensin n. Ya que los n vectores rengln de A generan el espacio de renglones de A , por el teorema 9 de la seccin 4.5 se concluye que los vectores rengln de A son linealmente independientes.
(g) ~ (h) Supngase que los vectores rengln de A son linealmente independientes. As entonces, el espacio de renglones de A es de dimensin n. Por el teorema 12, el espacio de columnas de A tambin tiene dimensin n. Dado que los vectores columna de A generan el espacio de columnas, los vectores columna de A son linealmente independientes, con base en el teorema 9 de la seccin 4.5. :h) ~ (e) Supngase que los vectores columna de A son linealmente independientes. Por tanto, el espacio de columnas de A tiene dimensin n y, como consecuencia, el espacio de renglones de A , por el teorema 12 , tambin es de dimensin n. Esto significa que la fonna escalonada en los renglones reducida de A tiene n renglones diferen tes de cero, es decir, todos los renglones son diferentes de cero. Como se hizo notar en el ejemplo 24 de la seccin 2.3, esto implica que la forma escalonada en los renglones reducida de A esln . As entonces, A es equivalente, respecto a los renglones, a In I
Es interesante hacer notar que el teorema 13 rene todos los ternas principales que se han estudiado hasta aqu: matrices, sistemas de ecuaciones, determinantes y espacios vectoriales. Se concluye esta seccin con un resultado adicional acerca de los sistemas de ecuaciones lineales. Considrese un sistema de ecuaciones lineales
Ax
o, lo que es equivalente ,
=b
Q2/1 .\2 al/ljf.\lj
l fh j = lm
h2
Um2
lm/l ~/I
Al hacer la multiplicacin de las matrices que se encuentran en el primer miembro, se puede volver a escribir este sistema como
1(/11 Xl + (/12'\2 + ... + a 1/1.\/I] fhl j Xl + + ... + h

a 21 0 22 .\: 2 a2/1.\/I 2
_:/ml.\1
o bien ,
+ lm2.\2 + ... + }I/lIt'\/I a22
hit,
11 1 (/2/1 fh h flll/1j .\1 a ] +'\2fa, 12 j +"' +'\/1' = . . :'11/2. :1",11 JIU f:'",1
(/ 2 1
APLICACIONES IAAA HALLAR BASES
193
Dado que el primer miembro de esta ecuaci n es una combinacin lineal de los vectores columna de A . se deduce que el sistema A x = b es consistente si, y slo si, b es una combinacinlneal de los vectores columna de A . Po r tanto , se tiene el tl teo rema que sigue : Teorema 14. Un sistema de ecuaciones lineales x el espacio de columnas qe A. .
= b es consistente si y
slo si b est en
OPCIONAL
Demostracin del teorema 10. Supngase que los vectores rengln de una matriz A son r, , r2 , . .. , rm y que se obtiene B a partir de A , efectuando una operaci n demental sobre los renglones . Se demostrar que todo vector en el espacio de renglones de B tambin est en el espacio de renglones de A e , inversamente , que todo vector que est en el espacio de renglones de est en el espacio de renglones de B. Entonces es posible concluir que A y B tienen el mismo espacio de renglones . Considrese las posibilidades. Si la operacin sobre los renglones es un intercamb io de los mismos , entonces B y A tienen los mismos vectores rengln y . como consecuencia, el mismo espacio de renglones. Si la operacin sobre los renglones es la multiplicacin de uno de ellos por un escalar, o la adicin de un mltiplo de uno de los renglones a otro , entonces los vectores rengln r' 1 , r'2 . .. , r'm de B son combinaciones lineales de r; , r2 , . . . , rm ; por consiguiente , estn en el espaCio de renglones de A . Dado que un espacio vectorial es cerrado bajo la adicin y la multiplicacin escalat , todas las combinaciones lineales de r'l , r'2 , ... , r' n1 tambin estarn en el espacio de renglones de A. Por tanto , cada vector del espacio de renglones de B est en el espacio de renglones de A . Supuesto que B se obtiene a partir de A al efectuar una operacin sobre los renglones, se puede obtener A a partir de B , efectuando la operacin inversa (seccin 1.7). Por consiguiente , el argumento que se da Indica que el espacio de renglo nes de A est cont enido en el espacio de renglones de B.
OPCIONAL
Demostracin del teorema 12. Dentense los vectores rengln de
(11 2
A=
la"
(/21
(1 22
a,.]
a 2"
~"'l
(1", 2
~m"
por
r "r 2, , r",
Supngase que el espacio de renglones de A tiene dime nsin k y que S = {b, , b. , . . . ,b" } es una base pa ra el espacio de renglones, en donde b i = (b;, , b., "" bln)' Supuesto que S es tina base para el espacio de renglones, cada vector rengln se puede expresar como una combinacin lineal de b l , b 1 , . . . , b" ; por tanto,
194
r r2
= cb + C2b2 + ... + Clkbk = c2b + C22b2 + ... + C2k bk
(4.16)
Ya que dos vectores en R" son iguales si y slo si las componentes correspondientes son iguales, se pueden igualar las j- simas componentes de cada lado de (4.16), para obtener
aj a2j
= =
cbj c2bj
+ C 2b2j + ... + clk b kj + C22 b 2j + ... + C2k b kj
0 , 10
que es equivalente,
Gj] lJ lk] a" ~ b'l lC + b'l lC12] + .. . + b, lC e" e" e" l

G m}
Cm l C m2
(4.17)
Cmk
El primer miembro de esta ecuacin es elj- simo vector columna de A y i = 1,2, .. . , n es arbitrario; por tanto , cada vector columna de A est en el espacio generado por los k vectores del segundo miembro de (4.17). Por consiguiente, el espacio de columnas de A tiene dimensin ~ k. Ya que
k
= dim (espacio de renglones de A)
se tiene dim (espacio de columnas de A)

~
dim (espacio de renglones de A).
(4-.18)
Supuesto que la matriz A es completamente arbitraria, se aplica esta misma conclusin a A t , es decir, dim (espacio de columnas de A t ) ~ dim (espacio de renglones de A t)
(4.19)
Pero al transponer una matriz se convierten las columnas en renglones y los renglones en columnas de modo que espacio de columnas A t = espacio de renglones de A
y
espacio de renglones de A t = espacio de columnas de A Por tanto, (4.19) se puede volver a escribir como dim (espacio de renglones de A)
~
dirn (espacio de columnas de A)
195
Con base en este resultado y (4.18) se concluye que dim (espacio de renglones de A) = dim (espacio de columnas de A)
EJERCICIOS 4.6
1. Liste los vectores rengln y los vectores columna de la matriz
[~
2.
-1
5
4
o 7
2
-1
1]
En los ejer cicios 2 al 5 halle : (a) una base para el espacio de renglones; (b) una base para el espacio de columnas ; (e) el rango de la ~atriz.
[~
1
- 3J
- 6
3.
2 6 - 2 "6
10
[i
2
O 4
2 4 O -8
_ J
:]
1 2
4 [;
O 1 3
i1
- 3
5.
O 3 - 3 2 3 -3 5 -3
6
10
3
5
6. Halle una base para el subespacio de R " generado por los vectores que se dan .
(a) (1 , 1, -4, -3),
(2, 0,2, - 2),
(2, -1,3,2)
(b) ( - 1, 1, -2, O), (3, 3. 6, O), (9, O 0, 3) , (e) (1, 1, O O), (O O 1, 1), (- 2, O 2, 2), (O, - 3, O 3) , , , . ,
7. Verifique que el espacio de renglones y el espacio de columnas tienen la misma dimensin (como lo garantiza el teorema 12).
(a)
2
3
1
2
- 1
- 4
2
3 2
5
1
- 3
-2
En los ejercicios 8 al 9, aplique el mtodo del ejemplo 40 para: (a) encontrar un sub conjunto de los vectores que forme una base para el espacio generado por los propios vectores; (b) expresar cada Vi que no est en la base como una combinacin lineal de los vectores base.
8. v = (l , - 1, 5, 2), v2 = (- 2, 3, 1, 0), v3 =(4, - 5, 9, 4), v4 = (0, 4, 2, -3), vs = (-7.1 8.2, -8) 9. v = (1 , 0, 1, 1), v2 = ( - 3, 3, 7, 1), v3 =(- I, 3, 9, 3), v4 = (-5, 3, 5, - 1)
lQ. En Q4Q inci~o , ~n ~uel'\tfe \W l:las~ p&fa ~l ~spaQio g~ renglQnes q\1e Q onste por
completo de v~ctores rengl,n , y. enCl\entre l\na base Da!'!!' el esp,ciQ de cqll\mnis que c,onste ~ompleta.men~e c\1il vectores CQ\Yffinj, .
",[-:
d~
-~
-4
\~
-:]
~
lb)
l'
.2
~4
=1
3
9-
<"'
-*
-5
-,
'J
3
(a) Si A es Una.
~o g~.4 1
matri~
de 3
de
x :1 , 4c4\ e~ el valo r f!1~imQ pQsil'le para el ran~o

X
A? (o) Sl A es \,lna matriz
n,
~c;ul e ~
el valor mximo posible Paf e) fan,
t ~ . En cad", lnC;isg, d~tef!nj.pe ~! b ~ st eft l espaoiQ ele \!pll,\mnas. de A. Si lo est, e>\PfeSe q comQ \,lpa combinacin 1m e"'! de los veetqres, QO!llmna.
(a)
A =
[~
(b) A= [~
(c) A
-4l, [OJ J
-g .
b1
- 1
-6 :b =
3J [-2J lO
1
- 1
l ': - 1
13 , () Prveoe qU e ~j A es l\pa mtri; 4e 3 X ,51entQnes IOIl VtilQtOfeS !.mna d(,\ A son linealmente dependientes. (b) Pru~b~ q,ue si A (tS, una matri~ d~ ~ 't 3, entQn9.e~ \Qs 't~ctQl'es l'~f\~Ql\ d~ A son line!!'lmente gepe\1diel'lte~ ,
14. Pr\1ebe que si A ~s una matriz que nO es Quadract, entonces los VeQtQr e ! rengln de A, o bien, lo! vectQre~ QQ14m\1 ge,4 ~Qn UIll~I!Jlente ctePen~Hen~e:l ,
1$. Sea
Pruebe: A tiene rango 2 si y slo si \1no
mi'\ de lQ& c;let~rn.\1ant~~
a a
es diferente a cero ,
ll
2 \
a1 2. a 1 (/22 a
ll
(/
21
131 l ! (/ 131 ,I(l ' (/23 ,(/22 a

2] ,
16. Pruebe que un sistema de eCl,lacione& A X; = ~ es de SU matriz aumentada es igual al rango de A .
\!onsi~tente
si 't slo si el rango
17. PT\iebe el teorema 11 ,
!ip;.cIOs DE PRIJbotos INTERiORES
18. Ptuebe que los ved ores rengln de ua rtlatrt nVrslbl A de Una base par R" ,
I~
X n fotman
4.'1
ESPACiOS DE PRODUCtOS INTRIORES
En la stciM 4.1 se estdi el ptodtto euclidiano interioi' sobre el espaCio vettbiial R; . En esta S(lc;j6n se intfoduce la fiOci(jn de fi prodUcto inteot sobre un espad vectorial arbitrario . Cmo cOI1SeCUetl de l qUe se vea; se \)odra definir COh todo significad las nociones de ngulG , longitud y dista nda en espaios vettHiles ms generales. En el teotetla ;2 de la slkdn 4.1 , se reunieron las propiedades mas importantes del producto euclidiano interior. n Un espad vectorial general, Un pruduGto mtfir se defin lltOI1'tillamente apleartdo sts propiedades cdlliO XOfi\s.
Deflfidfi. Un jlrOtlfo fnt;;o; sobre un espado vectorial JI es Una tU'eion qUe asda Uf\' nUfi\er real .( ti . v con cada parej a d Vectores \J y ven Ji; d tal maneta qUe se 'satlsfacrt los axiomas sigientes ptit tod!! lbS vet tes u, \i y w en V y todos ts escalares le.
(l)
(2 )
< \) == ( \. u) u, < 4- \ . ,,) "" ( u. \\) ti
(3) ( kll.
\'>== k ( li. \)
~
"f ( \. \\)
(4 ( l . \)
SI Ys610 ~
Oltld \
( " \)
'=
=O
(axiOla de simetra) (axiofria de aditiVidd) (aXioma de hOtQ~ fi~ld) (aidoffia de pOsitividal)
Un espacio veetorial cOn un \)rodcto interior s ~ohoe como spicm de prodtl'9s litter/fes. LaS siguietHes propiedades dicionale~ s dedUcen de ihlfietHat a partir de l()s ~U tro axiomas de los prodUctos interiores:
(il ( O. \) == ( l . O) == O
(il) ( 11. \ 4- \\) == ti Ii ) ( ti. 1, \) == k ti, \)
<
< \) + ( ti. \\) ti.

+ \\ ) == + \l . ) + ( \\, u)
n)
Se probara (H) y se djal1 ~i) t (iH) cmo ejercidos.

( ti. \
<- \
= ( \ . ti )
"" ( \J. \) 4- ( ti,
(por simetrla) (pOi' llditividad) (pot sifietra)
Ejemplo 42 Sean u == (it

=u
Ui; .
11 11 ) Y v =(VI ; V 2 " ,
))") ;el producto eudidianointeriot<u, v>
v'" 11 1 1' 1 + 11 2 jj 2 + ... + tli Vil satisface todos los axilas del producto interior; por
lo ex['resado en l teorlha 2 de la seccin 4.1 . Ejempl 43

Si
ti == (aj , Il i )
Yv == (tj 1 1'2) son vectores en R2 ; entortces
198
ESPACIOS VECTORIALfS
define un producto interior. A fin de verificarlo, ntese primero que si se intercambian u y v en esta ecuacin, entonces el segundo miembro permanece inalterado. Por tanto,
( u, y)
SiW:::(WI , W2),entonces
(u
= ( Y u) ,
+ Y, w) = 3(u + ;)w + 2(U2 + V2 )W2 = (3u lV + 2U2W2) + (3 ; w + 2V2W2) = ( u, w) + ( Y w) ,
lo cual establece el segundo axioma.
A continuacin ,
( ku, y) = 3(ku);
= k(3u;
=
+ 2(ku 2);2 + 2U2;2)
k( u, y)
lo cual establece el tercer axioma. Por ltimo,
( Y, y)
3v;
+ 2;2[;2 =
3;i
+ 2d
. Obviamente, < v, v >::: 3vi + 2v~ ;;;. O. Adems < v, v >::: 3v; + 2v~ ::: O si y slo si VI ::: V2 ::: O; es decir, si y slo si v::: (VI, v2 ) ::: O. Por tanto, se satisface, el cuarto axioma. El producto interior de este ejemplo es diferente del producto euclidiano interior sobre R 2 ; esto indica que un espacio vectorial puede tener ms de un producto interior.
Ejemplo 44
Si
y
son dos matrices cualesquiera de 2 X 2, entonces la frmula que sigue define un producto interior sobre M 22 (verifquese) :
Por ejemplo, si
y
entonces
( U, V )
= 1( - 1) + 2(0) + 3(3) + 4(2) = 16
ESPACIOS DE PRODUCTOS INTERIORES
199
Ejemplo 45 Si
y
son dos vectores cualesquiera en P 2 , entonces la siguiente frmula define un producto interior sobre P2 (verifquese):
Ejemplo 46 (Para los lectores que hayan estudiado Clculo). Sean p =p (x) y q =q (x ) dos polinomios en PIl y defnase ( p, q)
p(x)q(x) dx
(4.20)
en donde a y b son nmeros reales fijos cualesquiera tales que a (4 .20) define un producto interior sobre P", (1) ( p. q )
< b. Se demostrar que
lb
a
p(xlq(x)dx
lb
ti
q(x)p(x)dx
= ( q, p)
lo cual prueba que se cumple el axioma 1.

(2) ( p
+ q. s )
=
=
Jb((xl + (1(X))5(X)dx
,1
J
11
I>
p(.Y)s(.Y) d.Y
+J
11
I'b
q(.Y)s(x) d.Y
= ( p. s )
+ ( q. s )
lo cual prueba que se cumple el axioma 2.

(3) ( kp. q )
Jb kp(.Y)q(.Y)d.Y = k Jabp(.Y)q(x)dx = k ( p, q ) r
ti
lo cual prueba que se cumple el axioma 3 . (4) Si P = P (x) es cualquier polinomio en PIl , entonces p2 (x) ~ O para toda x; por tanto,
Adems , dado que p2 (x) ~ O y los polinomios son funciones continuas, p2 (x) dx = O si y slo si p (x) = O para toda x que satisface a x b. Por tanto , < p, p > =f~ p2 (x)dx = O si y slo si p = O. Esto establece el axioma 4 . Conviene hacer notar que los argumentos dados aqu slo se pueden aplicar para demostrar que el espacio vectorial e [ a, b 1analizado en el ejemplo 14 es un espacio de productos interiores bajo el producto interior
f:
ESPACIOS VECTOfUAL61
<f, g)
fb = J" jt't }g(.'()clx
Si U 'J '" son vectores, diferentes de cero en R 3, entonces u v = Iu 11 ['IV Ilcas 8, en donde ~ es el ngwo, entre u Y' v (secc!n 3.3). Si se elevan al cuadrado los dos mic:ITi!:irs de' esta desigualdad! y se aplican las relaciones H W ::; u u, H I~2 = V V Y e:as1 e ~ 1, se u v n\!,)tiene desigualdad
'a'
EH el siguiente: twrema se muestra: (jiue esta desigualdad se puede gencrnlizaF hacia cual quier espacio de pmdu:dQ,s. interiores.. La desiglilaldad restante . conocida cOfflodesigwldad d'e Cauehy-Schwarz, pennne introducir las nociones de lQITgituQ y ngulo l1 cualquier espado de prodUctos; interiores.
Tef)fml~
JS. (lJe!.igpalQtl ele Qucy.Schwon*) Si u y vson lIectoresenun espaciodepm-
cAtet.os,inteffip,res Y, en.lances.
De"'ff'()~rr.cm
pende d~
\!l<JIl cutif~lo
Se adwie.lite de antemanQ d lec:tOlT que la demostracin aqu,i presentada de.Btil,ij perQ sin motivacin alguna. Si u 0, entonces < u. \i > = < u,
ti:> "" Q), de mMQ qu.e e'ritntemente , F igualdladi se cumple'. Supngase' w a hoFa l!.J.t1e u O. SUfII"::' <' 11, ~:>. b 2 < tl'. V. >. t: =- <. Vi" V! > 'i t cualq;u.ier nmeJQ Fe~t Por d e'lAfoma d' PQsitiviGadl. el pro41u:ct.Q int.erior de tuaIqu,ieF "lector poi si mismo Sie11lpFC es FfQ' Ffegativo'.
::1
'*
fuF tan1Jl.
(!) ~
<flu
-+
'1), ~tQ
+ ll}} = <, ui t2 + 2( u. v) e + <v, v) u = at 2 + bt -+ e

1
!ita de:sigJl~ impIka C\}\11e e:f poFmQmlo ti;. ua,t'ltic..o al 1 -t be "* e no' tie);le 'aliees,reates"(1 bi~n. tiealt \lU ra;iz .ep;~.ida. PQ-lI tantC)), 8.1!J di1CI1imm\Ullte debe satisla~eF b l - 4ac ~ O. Al1 (!-xJaresall'1i ~ y t: e0 t'vliFJ1W>,& de lJ '1 wda, 4 <: u" V' >41 - 41 < Ui, Ui > <. v,.v > ~ 0';.o. de ~ equivaf.ente, <: 11:, Vi :>2 ~ <. v. Ui :> <: v. v,- >. I
$ . , =;- (1;61 . ~ .
V-,.} SDR f!.i(!)s,vutmcs, euak'sqllIie.ra, enRn , e'otli1I\S, fa! d'e~igafd'ac) f' Caucl\j-$cl\wlHz ap;lkacfa a u Y! V' da JlWf tesulta dQ'
..
Ni",) '1' Vi = (V't.
Ji,!, . ..
*'AU/lUstitt I~Q~ (~/fI dij Q;I/..uehy' ~JJU&~-}>8 S7l_ A. \leCl:~, e,eJtIsideV'dd')l eom'O d pa~~e. d'cta, 'fisi's, modc'pn (lla1eh,y, ~wi a, J)Q-Retl ail :lfuul\) sob.l'ct bases ma1ematl<ias, t'i'fmcs; f~ ue jl)ll:!'HlJIlafiQ' dlt! l{ls.Il~~~b~)'I1<ts }.' pa'il> v.aJt0s 'IIlP-s \ID di e~i1iQ. pGE !tUS pel4cicn,e~) p~~tj( aSl
RQ>
H-m1lllMma1fd,~StllCw.fII'~
na:4i3l- t9,Z~ ). Matcm,ric@atlmaJl:.
ESPACIOS
DE PRODU01'QS INTERIORES
201
EJERCICIOS 4.7
1. Calcule < u, v > aplicando el producto interior del ejemplo 43.
(a) u '" (2. -1), v (e) u = (3, 1), v ==
== (- 1, 3) (- 2, 9)
(b) u = (O, OJ. v = (7, 2) , (d) u == (4, 6). v = (4, 6)
2 . Repita el ejercicio 1 aplicando el producto euc\jdiano interior sobre R2.

3. Calcule < u, v " aplicando el producto interior del ejmplo 44.
(a) u
:2 == [, J
-IJ
7
v ~
- [1 Z
4J
(b)
= [
- 3 5
2]
v=
, [4 o
6J
4. Calcle < p, q ::> apHCndo el producto intetior del ejemplo 45 .

(a)
(b)
p == - 1 + 2.t + x t p = ~j, + ~,t -+ J;2
q ==
2- 4x2
q == 2 + 4x - 2xl
5. Sean
U == (u 1, u 2 J Y V' == (VI , Vi). Demuestre que las sigUientes expresiones son prqductQf< intnofci sobre R 2
(a) ( u, v) = 6u jv
(o) ( u,. t ) = LU,V I
+ 2utvz + U ZV ) + U jil2 + 2U i{)t
6. Sean u == (Uf, Ut, U3) Y V' == (V'I ' V2 , V .. ) . Determine cules de las expresiones siguientes SOn productos, interiQr~s, sobre R 3 Para las qu e no lo sean, liste los axiomas que no se cumplen .
(a) ( u. v)
== u( v + U 3Uj
(b) (u i v) == (e) ( u, v) =
+ u~f + uiJ 2u 1 v) -+ U ZV2 + 4u J v}
ufur
(d) ( u, t) = u )v - u iil ].
+ UjVl
Determine si sobreMtt .
< U" JI :> '" Ur V I + U Z v'J + Ullf + U4V4
es un producto interior
g.. Sean p = p
(0:)
+ p (1 (2Jq(t/2) + p(l)q( 1) es, un product interior sobre 1'1 .
(x) y q =q (x) polinomios en P2' Demuestre que
< p; q "
= p (O) q
9. Ve. ifiqtie la d:esigualdad de Cauchy-Schwarz para r (a) u == ( 2, 1) Y v z (1" - 3), aplicando el producto nterior del ejemplo 43 . {fJ,)\ U == ( 2,1 , 5 }y Y=(l . -3,4), aplicando el producto euclidiarto interor
fl:)
u=
1 - 2 r
I
- 1
(,
'
). ,
. V = [ 1 . J 3
01
aplicando el prduGto InteJ'ior dd ejemplo 44
202
(d) p = 1 45.
+ 2x + X 2
y q = 2 - 4x 2 , aplicando el producto interior del ejemplo
10. Suponga que R 2 tiene el producto euclidiano interior. Aplique la desigualdad do Cauchy-Schwarz a los vectores u = (a. b), v = (cos (J , sen (J) para demostrar que la cos (J + b sen (J j2 ~a2 ,_+ b 2 .
11. Pruebe que si < u, v > es cualquier producto interior, entonces < O, v > =< v, O> =0.
12. Pruebe que si < u, v > es cualquier producto interior y k es un escalar cualquiera , entonces < u. kv > = k < u, v > . .
13. Demuestre que se cumple la igualdad en la desigualdad de Cauchy-Schwarz si y slo si u y v son linealmente dependientes.
14. Sean el. e2 Y e3 nmeros reales positivos y suponga que u = (u 1 , U2. U 3) Y v = (VI . V2. V3 ) . Demuestre que < u , v > =elul VI + 'e 2u2v 2 + e 3 u3v3 es un producto interior sobre R 3 .
15. Sean e l. e2 . .. en nmeros reales positivos y suponga que u = (UI . U2 .' un) y v = (VI . V2 ... v n ) . Demuestre que < u, v > = e l UI VI + C2u2V2 + + enunvn es un producto interior sobre Rn .
16. (Para los lectores que hayan estudiado Clculo). Aplique el producto interior
<p, q) =
p(x )q(x )dx

P~ .
para calcular < p, q > para los vectores p = p (x) y q = q (x) en

(a) p = 1 - x + (b) p = x - 5x 3
X2
+ 5x 3
q= x -
3X 2
q = 2+
8X2
17. (Para los lectores que hayan estudiado Clculo). Aplique el producto interior
< g) r,
fof (x )y(x) dx
l
a fin de calcular < f, g > para los vectores f = f(x) y g = g (x) en C [O , 1].
(a)
f = cos 2rrx rr
g = sen 2rrx
g=
(:" X
(b) f = x
(c)
r = tan -
g= t
18 . (Para los lectores que hayan estudiado Clculo) . Sean.r (x) y g (x) funciones
continuas sobre [O , 1] . Pru ebe qu e
LONGITUD Y ANGULO EN LOS ESPACIOS DE PRODUCTOS INTERIORES
203
(Sugerencia . Aplique la desigualdad de Cauchy-Schwarz y el producto interior del ejercicio 17).
4.8
En esta seccin se aplica de desigualdad de Cauchy-Schwarz para desarrollar las nociones de longitud , distancia y ngulo en los espacios de productos interiores generales. Definicin. Si Ves un espacio de productos interiores, entonces la norma (o longitud) de un vector u se denota por "u 11 y se defme por
Adems , la distancia entre dos puntos (vectores) u y v se denota por d (u, v) y se define por
d(u, v) =
Ejemplo 48 Si u = (u 1 . U 2 . . . un) Y v = diano interior, entonces
lIu- vII
( V I . V 2
vn ) son vectores en R n con el producto eucli-
Ilull = < , U) I /2 = .)uT+ u ~ + .. . + u~ u

y
Obsrvese que stas son precisamente las frmulas para la norma y distancia euclidianas analizadas en la seccin 4.1. Ejemplo 49 Supnga se que R 2 tiene el producto interior ejemplo 43 . Si u = (I , O) Y v = (O, 1) entonces
< u, v > = 3u 1 VI + 2 U 2 V 2
+ 2(OJ(O)] 1/ 2
ana lizado en el
Ilu = < , u ll u )
1/ 2
[ 3( 1)( 1)
J3
20~
ESPACIOg VetfOAIAL.18
t/(u, v) == Ilu - vii == (1;
-1)\ (1; ~ 1)1 /2
== [3(1)(1) + 2( = 1)( =;. 1Ji I.1 ==
JS
vI.
Es iifiportlHe tener presente qUe la noma y l distanda dependen del jjroduoto in, terior qUe se st usando. Si se clhnbia el p~duct interior. entonces cambia las normas y las distancias entre los vectores. Po' ejemplo. si R 2 tifi el ;roduutd eucJidlafio Ifltdbf, entonces la northa del vectOr 11 del ejemplo pte;eclente es j, y la distfWia entre ti y Vs
tri est momento, elltwtf pdra Objetar el U!it:) que ge est ha.c\~ndb de lbs trm-. nos longitud y distan(ia para las cantidades <: ti; ti :>1/2 y IIU = v I. Aun Uhd estas f6r; mulas definidoras surgen por imitacin con las f6rlhUlas dadas en k 2 y ?'3, lbS fe$ultados singulares qU s obtUvieron n el ejemplo 49 dan lugar a lrla dda aCrca de 'I adecuado de estliS defnidons. Despus de tbdo_ S fculef Una gfllrtlmagifuHil6n pilfa afirmlt 1 que la longitud del vector U == (1, Q) es v'3. A contrtuaci6fi se dan alguhs tgifllHHQS lln apoyo de stas definiciones. A travs de los as; los m1trttticos hart detertfiinado as que s considetan cmo las propiedades ms importantes de la jgflgittlu y la dJlitllfitii euclldians en R?, y R 3 estas ptopiedades se listn en la figura 4.8. . El teorema que sigue justifica las dfitllclohs qUe se da d I1blTi'l Ydistancia en los es' pacios de prodUctos irttei'iotes.
Teorema t 6. Si Ves un espadu de JH'oductos Interiores, HtcHici!s la HOrma Ii ti 11= <: ti; ti >1/2 y la distancia d (ti; y) ;: Ilu ~ vii satisfaCt'n todas/as propiedades QU' se liStan (In la llgu,ra
4,8.
Se probar la pfopiedd L4 y se dejan las demostraciones de la!! partes testan ts tomo ejtdcios. Antel de itlldar la dlrttoSfracion, Conviene haer Mtar que la desigUaldad d auhy-Schwal'tz
..
..
._-
___
---
",_0'-
-- ._.
,-
.. _____ .
~,-
.-
Ptoplef/dM M$ictls
d
ia longitud
::
PtdjidfJdiH; /jSiBs fi ia d/s tancia

.
--
_.
--
. ~.:.;.: .'
..
"
--
--
.--
-si
--
~_*r_
_._~
LI. 11 0 11
L2.
Ll .
~o
DI, dlu. v) Z O
si V s610 SI
Ilull = 0
11=0
m. "lu. v) == d
D3.
D4.
y s610
SI
ti "" v
L4.
II"ull = 1"111 0 11 Ilu + vii::; Ilull + IIvll
d(u. v) == d(v. 11)

tI(U.
v)
li(u. w)
del
-F tI(\\'.
,.
(desigualdad dei tringulo)
(d!isigUaidad
ttingui)
~QN(HTlJD V ANGlJ.\..()EN L,Q~ ESPACiOS Q!'i PRODlJ.CTQS
INTlift!ORES
~ p\.!eO~ ;sqibir en varias for-ma$ aIternativa, PuetQ que
lIu 112
;:;
< v, v ;>, se puede escribir como
< u, u :> y Ilv II~ ;:::

(4.21 )
(4.22)
Ilu + vll ~ =
= ( y, u) +- 2( u, v) + (V, v> :'% ( u, u>+ 21(1,1, v>1 + <v, v)

:$
< + v, u + v) u
( u, u) + ~lIullllvll 9= ( v, v)
2
(por 4,22)
ilull? + 211ullll vll + 11"11 =; (lIull + Ilvlll~ .

l ,
Al tOfTllf ls rice~ cuadradas d!l
lIu + vii
:$
111.111 + Ilvll, I
8.n R2 Q R~, el r;su!tdo que se aC/lb,a de prQtm expreSll el conocido hecho geQm, triGo de Que ICl ~uma de las longtude~ de dos de IQS laoos de YO tringulo es /11 menos tan grande como la longitud del tercer lado (figura 4.9), . Supngase que y y V son veQtores diferentes de, liero en un e~pQo de productQS interiore~ JI , La desigUaldad de Cauchy Sc,;hwar~, como se da en (4 .2 1), se puede escribir como
(IJUrn
f
U.,v ~
--~---. -~I. I\!II
Figura 4.9
206
o , de modo equivalente,
- 1
( u, v) S:MH S: 1
Como co nsecuencia de este resultado, existe un ngulo nico (} tal que
ces O= 11 0 11 "vII
<u. v)
(4.23)
Se define (} como el ngulo entre los vectores u y v. Obsrvese que en R 2 o R 3 , con el producto euclidiano interior, (4 .23) concuerda con la frmula comn para el coseno del ngulo entre dos vectores diferentes de cero (seccin 3.3 del captulo 3). Ejemplo 50
I
Encuntrese el coseno del ngulo
(J
entre los ~ectores

y
u = (4, 3, 1, - 2)
v = ( - 2, 1,2, 3)
en donde el espacio vectorial es R 4 , con el producto euclidiano interior.
Solucin.
Ilu = J36 ll
de modo Que
Ilv = JT8 ll
9
( u, v)
= -9
cos O = - Ejemplo 51
J36J T8
-- - = - --==--=
J3 0J2
Si M 22 tiene el producto interior dado en el ejemplo 44, entonces el ngulo entre las matrices
y
es n/2, puesto que
UV 1(0) + 0(2 ) + 1(0) + 1(0 ) cos () = -- - - - = ----- ... - --_.- -- _._- - - = O
I\ llulllIVl1
IIUIIIIVII
(4.2 3), se deduce que cos (J
Si u y v son vectores difrentes de cero tales qu e < u, v > = 0 , enton ces, con base en = y (J = n/2. Esto su giere I ~ siguiente terminologia .
207
Definicin. En un espacio de productos interiores, se dice que dos vectores u y v son orfogonales si < u, v> =: O. Adems, si u es ortogonal a cada vector en un conjunto W, se dice que u es ortogonal a W. Conviene hacer hincapi en que la ortogonalidad depende de la seleccin del producto interior. Dos vectores pueden ser ortogonales con respecto a un producto interior pero no con respecto a otro. Ejemplo 52 (Para los lectores que hayan estudiado Clculo). Supngase que P2 tiene el producto interior <p, q ) =
p(x)q(x) dx
que se analiz en el ejemplo 46, y sea
p
Entonces,
x,
<p, q )
f l xx 2 fl x 3
- 1
dx =
- I
dx
=O
Debido a que < p, q > =: 0, los vectores p =: X y q =: X2 son ortogonales en relacin con el producto interior dado. Se concluye esta seccin con una generalizacin interesante y til de un conocido resultado. Teorema 17. (Teorema de Pifgoras generalizado). Si u y v son vectores ortogonales en un espacio de productos interiores, entonces
Demostracin.
Ilu + vl1 2= u+ v), (u + v) 2 = Iu + Iv I l1 l1

2
IluW + 2<u, v) + I v 2 l1
Ntese que en R 2 o R 3 , con el producto euclidiano interior, este teorema se reduce al teorema ordinario de Pitgoras(figura 4 .10).
1I!08
ESPACIOS VE;CTOAIAl,.S
Fipra 4.10
EJERCICIOS 4.8
1 , Supngase que R 'Z ti~nlil el prpdu:to in tenor <;: u, v >:;: 3u 1 VI ~ P; (!J\. y V "" (vI' ,?, ). Halle IIw 11 cuando
u.)
+ 2u 2 l' 2 ,en donde
..
(a)
w = ( = 1, 3)
(b)
w ~ (6, 7)
(e)
w = (0,1)
(d) w s (O, O)
2, Repita !i!! ejercicio 1 utilizando el pfoduct<;> euclidiano interior sobre R 2 ,
3. Suponga q4e P~ lene el produ<;;tD interior del Iiljemplo 45 , Balle \lp 11 cl.\!lndo
(a) p "" -
1 + 2x + x 4
4 , Suponga que Mn tiene el producto interior dlill ejemplo 44. Halle
!lAII cuando
(ti)
A=
-[-17J (b) ~ [0 0J 2 .
~
A
J'
S. Supon~ que 8,'1, tiene el pro9ucto interior del ejercicio J. Encuentre d (x , y)

cuando
(a)
x = ( - 1, 4), Y = (2,
5)
(b) x ~ (3, 9), Y = (3, 9)
6. Repita el e.ierQ icio 5 utUizando el producto euclidiano interior sobre R 7. . 7 , Suponga qtle Pl tiene el Pro9ueto interior del ejemplo 45 , B aile d (p, q) cuando
p
= ;2 - .\
+ x ',
8. Suponga que M 22 tiene 111 prodU cto interior del ejemplo 44. B aIle d (A. B) cuandQ
(\1) A
[~
n
1
[-57 - 0J 3
t [;
(b) A
= - 6. J . 2 I
/1
3,
1
209
9. Suponga que R 2 , R 3 Y R 4 tienen el producto euclidiano interior. En cada inciso, encuentre el coseno del ngulo entre u y v.
(a) u = (1 , - 3), v = (2. 4) (e) u =
(b) u
(d)
( - 1, 5, 2), " = (2. 4. -9) (e) u={l ,0.1.0).v=( - 3. -3. -3. -3)
= ( - 1, O), v = (3, 8) u = (4, 1, 8), v = (1, O, - 3) (f) u = (2, 1, 7, -1), v = (4, O. O, O)
10. Suponga que P2 tiene el producto interior del ejemplo 45. Halle el coseno del ngulo entre p y q.
(., p = - 1 + 5.\: (b; p =.\: - X2
+ 2.\:2
q = 2 + 4.\: - 9.\:2 q = 7 + 3.\: + 3.\:2
11. Suponga que M 22 tiene el producto interior del ejemplo 44. Halle el coseno del ngulo entre A y B.
(a) A =
[2 6J B e ~J =
1 - 3
(b) A = [
-1
4J
B=[ -~ ~J
,- =(i.7.k)
v = (k. 5.6)
12. Suponga que R 3 tiene el producto euclidiano interior, Para cules valores de
k se tiene que u y v son ortogonales?
(a ) u =
(b) u
(2. 1. 3)
1)
= (k , k,
13. Suponga que P2 tiene el producto interior del ejemplo 45. Demuesire que p == 1 - x + 2x 2 y q = 2x + X2 son ortogonales,
14. Suponga que M 22 tiene el producto interior del ejemplo 44. Determine cules de las matrices que se dan son ortogonales a
=[
-1
2 31]
(d)
(a) [
- 1
~ 2
0J
(b)
[~
-:J
(e)
[~ ~J
G~J
15. Suponga que R 4 tiene el producto euclidiano interior. Halle dos vectores de norma I ortogonales a todos los vectores u = (2, 1, - 4, O), v =(- 1, - 1, 2, 2) yw=(3,2,5,4).
16. Sea V un espacio de productos interiores. Demuestre que si w es ortogonal tanto a UI como a U2 , es ortogonal a k 1 U 1 k 2 U2, para todos los escalares k I Y k 2 Interprete este resultado geomtricamente en R 3 , con el producto euclidiano interior.
17. Sea V un espacio de productos interiores. Demuestre que si w es ortogonal a cada uno de los vectores Ul , U2 , .. , Ur, entonces es ortogonal a todo vector en lin {UI , U2, . . . , Ur }.
210
18. Sea V un espacio de producto s interiores . Demuestre que si u y v son vectores ortogonales en V tales que Ilull= Ilvll= 1, entonces Ilu-v!I = -J2. 19. Sea V un espacio de productos interiores. Establezca la identidad
para los vectores en V. 20 . Sea V un espacio de productos interiores. Establezca la identidad
< . \) u
para los vectores en V.
1 + \11 1 - - \1 !lu ilu 1
2l. Sea {VI, V2, . . . , vr } una base para un espacio de productos interiores V. Demuestre que el vector cero es el nico vector en V que es ortogonal a todos los vectores de la base. 22. Sea v un vector en un espacio de producto s interiores V. (a) Demuestre que el conjunto de todos los vectores en V ortogonales a v forma un subespacio de V. (b) Describa el subespacio geomtricamente en R 2 Y R 3 con el producto euclidiano interior. 23, Pruebe la generalizacin siguiente del teorema 17. Si VI, V2 , . . . , vr son vectores ortogonales por pares en un espacio de productos interiores V, entonces
24. Pruebe las siguientes partes del teorema 16 . (a) parte L 1 (e) parte D2 (b) parte L2 (f) parte D3 (c) parte L3 (g) parte D4 (d) parte DI
25. Aplique mtodos vectoriales para probar que un tringulo inscrito en un Crculo y que tiene a uno de los dim etros como lado debe ser un tringulo rectngulo. (Sugerencio. Exprese los vectores iR y de la figura que sigue en trminos de u y v.)
Be
BASES ORTONORMALES; PROCESO DE GRAM SCHMIDT
211
26. (Para los lectores que hayan estudiado Clculo). Suponga que producto interior
e [O, 1T] tiene el
(r. g)
. y que f n
fo"((\")g(\") d\"
=1= /,
= cos nx (n = 0, 1, 2, ... ). Demuestre que si k son ortogonales con relacin al producto interior dado.
entonces f k y f l
4.9
BASES ORTONORMALES; PROCESO OE GRAM-SCHMIDT
En muchos problemas referentes a espacios vectoriales, la seleccin de una base para el espacio ~e hace segn convenga al que lo resuelve. Naturalmente, la mejor estrategia es elegir la base a fin de simplificar la solucin del problema a la mano. En los espacios de productor interiores, el mejor procedimiento a menudo es elegir una base en la que todos los vectores sean ortogonales entre s. En esta seccin se muestra cmo es posible construir esas bases. Definicin. Se dice que un conjunto de vectores en un espacio de productos interiores es un conjunto ortogonal si todas las parejas de vectores distintos en el coniunto son ortogonales. Un conjunto ortogonal en el que cada vector tiene norma 1 se conoce como ortonormal. Ejemplo S3 Sea
El conjunto S = ya que
{VI,
v2 ,
V3
les ortonormal si R 3 tiene el producto euclidiano interior,
Ejemplo S4 Si v es un vector diferente de cero en un espacio de productos interiores, entonces, por la propiedad L3 de la figura 4.8, el vector
1
IN1
E$PACIO$ V!9TO~IALES
tiene norma 1 , d3do que
IIR vii = II!TI Ilvll =
Este proceso de muItiplic3r un vector diferente de cero v por el recproco de su longitud, a fin de obtener un vector de norma 1, se denomin3 flormalizocifl de v. El inters de encontrar bases orto normales para espacios de productos interiores es, en parte, motvada por el teorema que sigue, el cual muestl1 q~e es excepcionalmente sencillo expresar un vector en trminos de una base ortonormal. Teo.reQllJ t8. Si S = {VI. Vl', ... ,"n les una base orto normal para un espacio de productos interiores Vy u es <:ua/quier vector en V, entonces
f)emostra.cin. Supuesto que S
= {VI,
V2, .. . . ,
VII les una base, un vector u se puede
expresar eola forma
Se completa la demostracin al demostrar que k = cada vector v} en S se tiene
< u, VI > para i = 1,2,
... ,f. Para
<u, v;)
= <k,v , + k 2 v2 + ," + k.v. , v) = k, <v" ,,) + k 2<v2 , vi l + .. , + kn < v~ , Vi )

es un CQojl,m,to o(tooormal,. se tlene
y
Dado qtle S=
{VI, V2' .. , V" }
ir) #- i
Por tanto, la ecuacin anterior se simplifica hasta
<u, v)
Ejemplo 55 Sea
VI
= ki
= (0,1 , O),
V2
(- t
O, ~ ),
V3
( ~, O,~ )
Es fcil comprobar que S = {VI , v~, V3. } es una base ortono(mal para R 3 , con el producto euclidiano interior. Exprsese el vector u = (I, 1, 1) como una combinacin lineal de los vectores en S.
Solucin.
y
!;tASes OATQNOAMALES; PROCESO DE GRAM-SCHMIDT
213
Por tanto ; por el teorema 18,
es decir,
A partir de este ejemplo, debe ser evidente la utilidad del teorema 18, si se tiene presente que, para las bases no ortonormales, por lo comn es necesario resolver un sistema de ecuaciones para expresar un "ector en trminos de una base . Teorema 19. Si S = {VI' V2 , v" } s Lin conjunto ortoxollal de \'ectores diferentes de cero en un esptlCio de productos interior$, entonces S es Unealmente independiente.
Demostracin. Supngase que

(4.24) Para demQstrar qu~ S {VI, V2 , VII } es linealmente independiente. se debe probar quek l =k 2 =k,,=O. Para cada Vi en S, conbase en (4.24) se deduce que
j
=.
o ; de modo equivalente,
Por la ortogonalidad de S,
< VI' Vi > :: Ocuando j -::f=;, de modo que esta ecuacin se reduce a
Ya que se supone que los vectores en S son diferentes de cero, < Vi, VI > -::f= O. por el axio' ma de positividad para los productos interiores. Por tanto, k = O. Ya que el sUbndice i es arbitrario. se tiene k l =kj = '. ='k" =O ; por tanto, Ses linealmente independiente. EjemptoS6 Eii el ejemplo 53 se demostr que
forman un conjunto orto normal con respecto al producto euclidiano interior sobre R . Por el teorema 19, estos vectores forman un conjunto linealmente independiente. Por tanto. ya que R 3 es tridimensional. S= {VI, Vl, V] } es una base ortonormal para R 3 .
214
Ahora se considera el problema de construir bases ortonormales para espacios de productos interiores. La demostracin del resultado preliminar siguiente se analiza en los ejercicios que estn al fmal de esta seccin. Teorema 20. Sea V un espacio de productos interiores y {VI, ortononnal de vectores en V. Si W denota el espacio generado por VI , tonces todo vector u en V se puede expresar en la fonna
u
"2, ... , un conjunto "2' .... , v enVr }
r,
\VI
+ \V 2
en donde
WI
est en W y
W2
es urtogonal a W al hacer
(4.25)
y
(4.26)
(Vase la fil(Ura 4.11 en donde se tiene una ilustracin en R 3.) Con la motivacin de la figura 4.11, a W Ise le da el nombre de proyeccin ortogonal de u sobre W y se denota por proYwU' El vector W 2 = u - proywU se conoce como componente de u ortogonal a W.
Ejemplo 57 Supngase que R 3 tiene un producto euclidiano interior y 2ue W es el subespacio generado por los vectores ortonormales VI = (O, 1, O) Y v2 = (-") , O,~) La proyeccin ortogonal de u = (1, 1, 1) sobre W ~s prpyw u = ( u, + ( u, = (1)(0, 1, O) + (-ti( -!, O,!)
"1 >"1
"2> "2
4 (2 S '
1, -ls )
El componente de u ortogonal a Wes

u - proYw u
= (1,1,1) -:-
4 (2 S'
1, -ls)
m, 0, m
Obsrvese que u - proywu es ortogonal tanto a VI como a V2, de manera que este vector es ortogonal a cada vector en el espacio W generado por VI Y V2 , como debe ser.
BASES ORTONORMALES; PROCESO DE GRAM-SCIIMIDT
215
u2-proy /, Uz
V~
t- -------Li.
U~
I
I
VI
Figura 4.12
Ahora se tienen los elementos necesarios para probar el resultado principal de esta seccin. Teorema 21. Todo espacio de productos interiores diferente de cero y de dimensin finita tiene ulla base ortol1onnal.
Demostracin. Sea V cualquier espacio de prod uctos interiores diferente de cero y con dimensin 11 , y supngase que S = {u! u 2 , ... . , u1 } es cualquier base para V. La sucesin siguiente de pasos produce una base ortonormal {VI, V2 , . .. VII} para V
Paso l. Sea V == u /11 U 11. El vector VI tiene norma 1. Paso 2. Para const ruir un vector V2 de nonna 1 que sea ortogonal a VI , se calcula la componente de U2 ortogonal al espacio W generado por V y, a continuacin , se normaliza ; es decir ,
'0 = , - lI u2 U2 -
proYl,o U 2 = u 2 proYl, , u 1 I u2 2
( u2 -
"I >'o
(u2 - "1 >"111
(figura 4.12). Por supuesto. si U2 - < U2, v > VI = O, no se puede llevar a cabo la normalizacin . Pero esto no puede suceder ya que entonces se tendra
lo cual afirma que u 2 es un mltiplo de UI , Y contradice la independencia lineal delabaseS= {UI , U2 , . . . , un }. Paso 3. Para construir un vector V3 de norma 1 que sea ortogonal tanto a VI como a V2 ' se calcula la componente de U3 rtogonal al espacio W2 generado por VI y V2' Y se nonnaliza (figura 4 .13); es decir
COIllO en el paso 2. la independencia lineal de {UI, U2,' .. , un} asegura que U3 - < U3, VI > VI - < U3, V2 > V2 O de modo que siempre se puede efectuar la nonnalizacin. Los detalles se dejan como ejercicio .
"*
216
Figura 4.13
Paso 4. Para determinar un vector V4 de nOlma 1 que sea ortogonal a VI' V2 Y V3, se calcula la componente de 14 ortogonal al espacio W3 generado por V , V2 Y V3 Y se normaliza . Por tanto,
Al continuar de esta manera, se obtiene un conjunto orto normal de vectore~, {v , vn } . Supuesto que Ves de dimensin n, y todo conjunto ortonormal es linealmente independiente, el conjunto {v, V2, . . . vn }es una base ortoriormaJ para V. La construccin paso a paso que acaba de darse , para convertir una base arbitraria en una base ortonormal, se conoce como proceso de Gram-Schmidt.* Se puede demostrar que , en cada paso de este proceso, los vectores V. V2 . . vk forman una base ortonormal para el subespacio generado por UI. U2 Uk.
V2 , ... ,
E.iemplo 58 Considrese el espacio vectorial R 3 con el producto euclidiano interior. Aplquese el proceso de Gram-Schmidt para transformar la base U =(1,1,1), U 2 :::: (0, 1,1), U3 ::::(0,0,1) en una base orto normal.
Solucin.
Paso l.
= (O I 1) -
"
2 (~__
_1 _~) j 3 j 3' j3 ' J 3
=~-~,~,D
Jorgen Pederson Gram (1850-1916). Actuario dans. Erhardt Schmidt (1876-1959). Matemtico alemn.
BASES ORTONORMALES; PROCESO DE GRAM-SCHMlpT
217
Por tanto,
=
Por tanto,
(o -~ ~)
, 2' 2
Por consiguiente,
fonnan una base ortononnal para R 3
OPCIONAL
Las siguientes consecuencias del proceso de Gram-Schmidt tienen numerosas aplicaciones, algunas de las cuales se analizan en la seccin 7.2. El lector contar con las bases necesarias para leer estas aplicaciones, despus de completar esta seccin opcional. Teorema 22. (Teorema de proyeccin). Si W es un subespacio de dimensin finita de un espacio de productos interiores V, entonces todo vector u en V se puede expresar exactamente de una manera como
u=
en donde
W
WI
+ W
est en W y
W2
es ortogonal a W.
Demostracin. La demostracin se reali za en dos partes. Primero es necesario encontrar los vectores W y W2 con las propiedades enunciadas y, a continuacin, se debe demostrar que estos son los nicos vectores con esas propiedades. Por el proceso de Gram-Schmidt, existe una base ortononnal {v, V2, . vr } para W, de modo que W = lin {v, V2, , Vr } . Por tanto, por el teorena 20, los vectores
"'1
= proYw u
W2
ti
-proYw u
218
tienen las propiedades enunciadas en este teorema. Para hacer ver que estos son los nicos vectores con estas propiedades, supngase que tambin se puede escribir
u=
W'
+ W~
(4.27)
en donde w' est en W y W'2 es ortogonal a W. Si (4.2 7) se resta de la ecuacin
se obtiene
,W
- w' = w 2 -
W2
(4.28)
Supuesto que W2 Y W'2 son ortogonales a W, su diferencia tambin ser ortogonal a W, ya que para cualquier vector w en W se puede escribir
<W, W2 - W2)
= <W, W2)
- <W, W2 )
= O- O= O
Pero el propio w~ - W2 es un vector en W, ya que, por (4.28), es una diferencia de dos vectores en el subespacio W. Por tanto, W'2 - W2 debe ser ortogonal a s mismo, es decir,
<W2 - w 2, w2 - w 2)
=O
Pero esto implica que W'2 - W2 = O, por el axioma 4 para los productos interiores. Como consecuencia, W'2 = W2 y, por (4.28), w' = W\. Si P es un punto en el espacio tridimensional comn y W es un plano que pasa por el origen, entonces el punto Q en W, ms prximo a P,~e obtiene al bajar una perpendicular de P a W (figura 4. 14a). Por tanto, si se hace u =OP, entonces la distancia entre P y W est dada por
En otras palabras, entre todos los vectores w en W, el vector w = proywu minimiza la dis(figura 4. 14b). tancia Ilu -
w"
(a)
(b)
Figura 4.14
BASES ORTONORMAlES; PROCESO DE GRAM-SCHMIDT
219
Hay otra manera de concebir esta idea. Considrese a u como un vector fijo del que se deseara obtener una aproximacin mediante un vector en W. Cualquier aproximacin w de ese tipo conducir a un "vector de error" u-w el cual, a menos que u est en W, no se puede hacer igual a O. Sin embargo, al hacer
w =proYw u
se pu\!de tener la longitud del vector de
er~or
Ilu - wll = Ilu -
proy~
ull
tan pequea como sea posible. As entonces, es posible describir la pre)ywu como la "mejor aproximacin" para u por medio de los vectores en W. El teorema que sigue hace ms precisas estas ideas intuitivas. Teorema 23. (Teorema de la mejor aproximacin). Si W es un subespacio de dimensin finita de un espacio de productos interiores V, y si u es un vector en V, y si u es un vector en V, entones proywu es la mejor aproximacin para u tomada de W, en el sentido de que
Ilu - ~~oYw ull < Ilu - wll

para todo vector w en W diferente de proywu. Demostracin. Para cualquier vector w en W se puede escribir
u - w = (u - proYw u)
+ (proyw u -
w)
(4.29)
Pero proywu - w, al ser una diferencia de vectores en W, est en W; y u - proywu es ortogonal a W, de modo que los dos trminos del segundo miembro de (4.29) son ortogonales. Por tanto, por el teorema de Pitgoras (teorema 17 de la seccin 4.8)
Si w
*- proYwu entonces el segundo trmino de esta suma ser positivo, de modo que
Ilu - wW > Ilu - proYw ul1 . 2
o, de manera equivalente,
Ilu - wll > Ilu - proyw ull I

En la seccin
7.2 se dan apli~acioncs de los l.tilllos teoremas.
220
EsPACIOS vctORIALE8
EJERCICIOS 4.9
1. Suponga que R2 tiene el producto euclidiano interior Cules de los siguientes
forman conjuntos ortonormales?

(a) (1 , O). (O, 2) (b) (
",,2
~. _
,, 2)
1 I", . ~) (5\(
...;2..; 2
(e)
(~ . _I~\(_ ~ . _ ~:::)
J2..;2)
"; 2 ..) 2
(~)
11. O). (0_O)
2. Suponga que R 3 liene el producto euclidiano interior. Cules de 105 siguientes forman conjuntos ortonormales?
(a)
(~. O. ~). (~' ~T -~). (-~~. o.~)
(b)(i.-i.jl. 1i. 1. - j l. (1,i.il

(c) (1. O. O).
(o. ~. ~).
,
-
(O. O 1\. ,
(d)
(~. ~
5 (~. -3 o) 6). 2'
j, Suponga que P2 tJcne
el produ.ctoiiltenor del ej~mplo 45. Cules de los slguien. tes forman conjuntos ort?rtormales? .
4. Suponga que M 22 tiene el producto interior del ejemplo 44. Cules de los siguientes forman conjuntos ortonom1ales?
(a)
[~ [~
(b)
~J [~ [-~ !J [~ n ~J [~ ~J [~ ~J [~ -~J
x = (~.- ~)
y
-n
S. Sean
y = ( 2 __
,, 3<)' "jI)
__ ~ _)
3u IVI
Demuestre que {x, y} es ortonormal si R,2 tiene el producto interior (u, v) = + 2U2 Vi, pero no es ortonormatsiR 2 tiene el producto euclidiano interior.
6. Demuestre que
J1 1
= (1. 0.0.1). U z = (-l . 0.2.1). U .l = (2. J. 2.
- 21. u"
= (-
1.2. - 1.11
es un conjunto ortogonal en R 4 con el producto euclidiano interior. Normalizando cada uno de estos \'ectors. obtenga un conjunto ortonornial.
aA'J:$ ORfONORMALS: PROCESO pe
GRAM4ICHMIDT
7. Suponga que R 2 tiene el producto euclidiano interior. Apijque eJ proceso de
Grarn -Schmi<lt para transformar la base {u), U2} en una base ortononilal.
(a)
U1
= (1, -3), U 2 = (2, 2)

1
(b)
U1
= (1, O),
U2 . =
(3, - 5)
8. Suponga que R 3 tiene eJ producto euclidiano interior Aplique el proceSO de Gram-Schmidt para transformar la base {UI, U2, 113 } en una bise ortononill.
(a) u 1 = (1 , 1, 1), u 2 = (-I, I, O), p3=(1 , 2, 1) (b) u I = (1,0, O), Pl = (3. 7, - 2), u3 '"-' (O, 4, 1)
9. Supon$a que R 4 tiene el produto e\lclidiano iJlterior. Aplique el proceso de ,Gram.Schmidt para transformar la base {UI' U2' 113, u", } en una base ortanormal
UI
= (0,2, 1, O), U2
=;
(1 , -1, O~
0), 03 = (1 , 2, O - '1), U 4 ,
=;
(1 , O, O 1) ,
10. Suponga que R 3 tiene el producto euclidiano interior. Encuentre una base ortonormal para el subespaciogenerado por (O, 1, 2), (-1, O, 1).
11. S\lponga que R~ tiene e'l producto interior (u, v);: U vi que el proceso Gram-Schmiclt para transformar
UI
+ 1U2 V2 +3U3 v). Apli-
= (1,1, \)
U2
= (1 , 1,0)
U3
=(1, 0, O)
en una base ortonOl'mal.
IZ. El subespaci9 de
, " 4 R 3 generdo por los vectores UI O, -~ Y U2 ::::: (0,1 , O) es Un plano que pasa por el origen. E~prese w == (1,2, 3) en li forma w = w + W2, en donde WI est en el plano y w7 es perpendicular al plano.
UI
=(s.
13. Repita el ejercicio 12 con
=(l, 1, 1) y U2 ::::: (2, O, ..,..1).
14. Suponga queR 4 tiene el producto euclidiano interior. Exprese w::::: (-1,2,6, O) en la fonila W W + W2, en donde W est en el espaciO W generado por ti l = (- 1, O 1, 2) Y U1 = (O, 1, O, 1), y W2 es ortogonal a W. ,
1S. Sea {vI '
V2, V3 }
una base ortonormal para un espacio de productos interiores
+ <w, V3 >2 .
16 . Sea
V . Demuestre que si w es un vector en V,entonces I1wW =<w, VI >2 +<W, V2>2
{VI, V2, . . . ,vn } una base ortonormal para un espacio de prOductos interiores V. Demuestre que si w es un vector en V, entonce~
17. En el paso 3 de la demostracin del teorema 21, se afirm que : "la independencia lineal de {u(, U2 , . . . , un }asegura que
Pruebe esta afirmacin.
222
18. Pruebe el teorema 20. (Sugerencia. Demuestre que el vector WI de (4,25) est en W,' el vector (4.26) es ortogonal a W y que u = WI + W2'
W2
de
19. (Para los lectores que hayan estudiado Clculo.) Suponga que el espacio vectorial P2 tiene el producto interior
( p, q) =
1- p(x)q(x)
elx
X2 }
Aplique el proceso de Gram-Schmidt para transformar la base estndar S = { 1, X, en una base ortonormal. (Los polinomios de la base resultante reciben el nombre de los tres primeros polinomios normalizados de Legendre.)
20. (Para los lectores que hayan estudiado Clculo. ) Aplique el teorema 18 para expresar los siguientes polinomios como combinaciones lineales de los tres polinomios normalizados de Legendre (ejercicio 19).
(a) I
+ .\ + 4X 2
(e)
+ J\
21. (Para los lectores que hayan estudiado Clculo.) Suponga que P2 tiene el producto interior
( p. q) =
r1 Jo p(x)q( x ) dx
X, X2 }
Aplique el proceso de Gram-Schmidt para transformar la base estndar S = {l, en una base ortonormal.
22. (Para los lectores que hayan estudiado el material opcional de esta seccin.) Halle el punto Q del plano 5x - 3y + z = O ms prximo a PO, -2,4) y deter mine la distancia entre el punto P y el plano. (Sugerencia. Imagine el plano como un subespacio W de R 3 , con el producto euclidiano interior, y aplique el teorema 23.) 23. (Para los lectores que hayan estudiado el material opcional de esta seccin.) Halle el punto Q de la recta
x = 21
.- =
- 1
: = 41
ms prximo a P(-4, 8, 1). (Sugerencia. Vea la sugerencia que se da en el ejerci cio anterior.)
4.10 COOROENADAS; CAMBIO DE BASE

Existe una estrecha relacin entre la nocin de base y la de sistema de coordenadas. En esta seccin se desarrolla esta idea y se analizan tambin resultados acerca del cambio de bases para los espacios vectoriales. .
COORDENADAS; CAMBIO DE BASE
223
Fipra 4.15
En la geometra analtica plana, se asocia una pareja de coordenadas (a, b) con un punto P en el plano, aplicando dos ejes perpendiculares de coordenadas. Sin embargo, tamo bin es posible introducir coordenadas sin hacer referencia a los ejes, utilizando vectores .. P r ejemplo, en lugar de introducir ejes de coordenadas, como en la figura 4.ISa, considre nse dos vectores perpendiculares VI y V2, cada uno de longitud 1, y con el mismo punto inicial O. (Estos vectores forman una base para R2 .) Al bajar perpendiculares desde un punto P hacia las rectas determinadas por VI y V2, se obtienen los vectores aVI Y bV2 tales que
(figura 4.1Sb). Es evidente que los nmeros a y b que acaban de obtenerse son los mismos que las coordenadas de P, relativas al sistema de coordenadas de la figura 4.1Sa . Por consiguiente, las coordenadas de P se pueden concebir como los nmeros necesarios para ex--+ presar el vector OP en trminos de los vectores base VI y V2. Para los fines de asociar coordenadas a los puntos en el plano, no es esencial que los vectores base V I YV2 sean perpendiculares o que tengan longitud 1 ; basta cualquier base para R 2 Por ejemplo, utilizando los vectores base VI y V2 de la figura 4.16, se puede asociar una pareja nic~e coordenadas a un punto P, proyecta)1do P paralelo a los vectores base, para hacer que OP sea la diagonal de un paralelogramo determinado por los vectores aVI Y bV2 ; por tanto
Fiaura4.16
224
Es posible considerar (a, b) como las coordenadas de P, relativas a la base {v, V2 } Esta nocin generalizada de coordenadas es importante, porque se puede extender a espacios vectoriales ms generales. Pero primero son necesarios algunos resultados preliminares. Supngase que S = {v, V2, . , Vn } es una base para un espacio vectorial de dimensin finita V. Dado que S genera a V, todo vector en V se puede expresar como una combinacin lineal de los vectores en S. Es ms, la independencia lineal de S asegura que hay una manera nica para expresar un vector como una combinacin lineal de los vectores en S. A fin de ver por qu, supngase que un vector v se puede escribir como
y tambin como
Al restar la segunda ecuacin de la primera da
Ya que el segundo miembro de esta ecuacin es una combinacin lineal de los vectores en Sj la independencia lineal de S implica que
e2
es decir,
k 2 = O, .. . , c" - k" = O
En resumen, se tiene el siguiente resultado:
Teorema 24. Si S = {v, V2 , . , vn } es una base para un espacia vectorial V, entonces todo vector ven V se puede expresar en la forma v = CI VI + e2 V2 + ... + Cn vn , exactamente de una manera. Si S = { VI. V2, . , Vn } es una base para un espacio vectorial de dimensin finita Vy
es la expresin para v en trminos de la base S, entonces los escalares c. , C2 , . .. , cn se dt~nominan coordenadas de v relativas a la base S. El vector de coordenadas de v relativo a S se denota por (v)s y es el vector en Rn definido por
"'l.. . = (e. _ (' 2-
. . . en)
La matriz de coordenadas de v relativa a S se denota por [v]S y es la matriz de n X 1 definida por
eaOROE'NAOAS;. CAMBIO D BASE
225
Ejemplo 59 En el ejempl 28 de faseccin 4.5 se mostr que S = {v, V2 , " 3 } es una base para R 3 , en donde V =(1 , 2,1), vz =( 2, 9, O) Y V3 =(3 , 3, 4). (a) (b) Encuntrese el vector de coorden adas y la matriz de coordenadas de v = (5, - 1, 9) con respecto a S. Encuntrese el vector ven R 3 cuy o vector de coordenadas con respecto a S sea (v)s =(-1,3,2).
Solucin (a ). Es necesari o encontrar los escalares e, e2 ' e3 tales que
o, en trminos de componentes, (5 . - 1, 9) = (' ,(1, 2. l ) + c 2 (2 , 9, O) + (' 3(3, 3, 4) Al gualar las componentes correspondientes se obtiene
(' , + 2('1 + 3('.\= 5 2e , + ge 2 + 3e3 = - 1

e,
Al resolver este sistema se obtiene e
+ 4e 3 =
= 1, e2 = 1, e3
y
=2. Por tanto,
(v)s =
(L - 1. 2)
Solucin b J Aplicando la definicin del vector de coordenadas (v)s ' se obtiene .

v
= (-
1)v,
+ 3" 2 + 2v 3 = (11 , 31, 7)
Los Vectores y las matrices de coordenadas dependen del orden en el que se escriban los vectores base ; un cambio en el orden de los vectores base conduce a un cambio correspondiente en el orden de los elementos de las matrices y los vectores de coordenadas. Ejemplo 60 Considrese la base S = {1, X, X2 } para P2 . Por simple observacin, el vector y la matriz de coordenadas con respecto a S, para un polinomio p = ao + ax + a2x2 , son
Llo ]
[p]s = [: :
226
Ejemplo 61
Supngase que se introduce un sl:;tema de coordenadas rectangulares xyz en el espacio tridimensional y considrese la base estndar S = (~j, k } , en donde
= (1, 0, O), j = (O, 1, O), Y k = (O, 0, \1)
Si, como en la figura 4.17, v = (a, b, a,) es cualquier vector en R 3 , entonces
v = (a, b, e)
lo cual significa que
= a(l, O? O) -+ b(O, 1, O) + c(O, 0, 1) = ai + bj + ck
= (r, b,
e)
= (v)s
En otras palabras, las componentes de un vector v relativas a un sistema de coordenadas rectangulares xyz son las mismas que las coordenadas de v, relativas a la base estndar {~j, k} . Ejemplo 62
Si-S == {Vi, V2, . , Vn } es una base ortonormal a un espacio de productos interiores V, entonces, por el teorema 18 de la seccin 4.9, la expresin para un vector u en trminos de la base S es
lo cual significa que
(O, O, 1)
r
Fiaura4.17
(a,
b, e)
227
Por ejemplo, si
v
= (O, 1, O),
V2
= (-t O, ~),
V3
= (t O,!)
entonces, como se observ en el ejemplo 55 de la seccin 4.9, S = {V, V2, V3 } es una base ortonormal para R 3 , con el producto euclidiano interior. Si u = (2, -1, 4), entonces
de modo que
(u)s
= (-
1,
2l)
Las bases ortonorma1es para los espacios de productos interiores son convenientes porque, como los muestra el siguiente teorema, muchas frmulas conocidas se cumplen en esos espacios.
Teorema 25. Si S es una base ortonormal para un espacio de productos interiores con n dimensiones y si
y
entonces
(a)
Ilull = ')ui + Ld + ... + u~

= =
.)(u U V V)2
(b) d(u, v)
(c) <u, v)
+ U1V2
+ (U2 - V2)2 + .. . + (un + . . . + UnV n
Vn)l
En los ejercicios se analizan las demostraciones y algunos ejemplos numricos. Ahora se pasa al problema principal de esta seccin.
Problema del cambio de base Si se cambia la base para un espacio vectorial, de cierta base B a otra nueva B ' , en qu forma est relacionada la matriz de coordenadas en aqulla, [~]B, de un vector v con la nueva matriz de coordenadas [v]B'? Por sencillez, se resolver este problema para los espacios bidimensionales. La solucin para los espacios con n dimensiones es semejante y se deja como ejercicio. Sean
B'
= {u', u~}
las bases inicial y nueva, respectivamente. Se necesitan las matrices de coordenadas para los vectores base iniciales, con relacin a la nuva base. Supngase que son
(4.30)
228
ESPACIOS VECTORIAleS
es decir,
u
U2
au'
= CU'
+ bu ~ + dU'2
(4.31)
Sea ahora v cualquier vector e'n V y
(4.32)
la matriz de coordenadas inicial, de modo que
(4.33 )
Para encontrar las nuevas coordenadas de v, se debe expresar V en trminos de la nueva base B'. Para hacerlo, se sustituye (4.31) en (4.33). Esto conduce a
o bien,
Por tanto, la nueva matriZ de coordenadas para v es
la cual se puede volver a escribir como
o, con base en (4.32),
En esta ecuacin Se afirma que es posible obtener la nueva matriz de cootdenadas [v]B' multiplicando la matriz de coordenadas inicial, [v1B, del primer miembro, por la matriz
cuyas columnas son las coordenadas de los vectores base iniciales, con relacin a la hueva base, (vase 4.30). As entonces, se tiene la solucin siguiente del problema del cambio de base.
COQRQENA.PAS; CAMSIO DE I;lASE
Solucin del problema del cambio de bqse. Si se cambia la base para un espacio vectorial V, de cierta base dada E = {UI, U2, . . . , Un } hacia otra nueva base E' = { u~, u;, . . . , u~ } , entonces la matriz de coordenadas inicial, [v lB, de. un vector v est relacionada con la nue, il va matr- de coordenadas [v le', por medio de la ecuacin
(4.34) en donde las columnas de P son las matrices de coordenadas de los vectores base iniciales con relacin a la nueva base, es decir los vectores. columnas de P son
Simblicamente, la matTtz P se puede escribir
esta matriz
Se conoce como matriz de transicin de R hacia S '.
Ejemvlo 63
Considrense las
ba~s
para R~, en donde
(a) (b)
Hllese la matriz de transicin de E haci B'. Usese (4.34) a fin de hallar [v lB" si
l'
[;J
= - . U'I
Solucin (a). En primer lugar deben encontran;e las matrices de coordenadas p~a los vectores bse iniciales, u I Y lt2 , en relacin con la nueva base 8'. Al segun: el p{oeedimiento dcl ejemplo 590, el lector debe poder demostrar que
u.,
U2
+ U'2
u~
= 2y', -
(verifquese). de modo
q\.jC
[u,]8'
= [ - :]
230
Por tanto, la matriz de transicin de B hacia B' es

p =
-1 [
1
Solucin (b). Por simple observacin,
de modo que al aplicar (4.34) Y la matriz de transicin del inciso (a),
Es posible que el lector desee verificar este resultado, comprobando que v =- 3u~ Ejemplo 64 (Aplicacin a la rotacin de los ejes de coordenadas.)
+ 5~ .
En muchos problemas, se da un sistema de coordenadas rectangulares xy y se obtiene un nuevo sistema de coordenadas x'y', al hacer girar el sistema xy en sentido contrario al de las manecillas del reloj, alrededor del origen, para describir un ngulo (J. Cuando se hace esto, cada punto Q en el plano tiene dos conjuntos de coordenadas: las coordenadas (x, y), relativas al sistema xy, y las coordenadas (x', y'), relativas al sistema x'y' (figura 4.18a). Al introducir los vectores unitarios u y U2, a lo largo de los ejes x y y positivos y los vectores unitarios u' y u~, a lo largo de los ejes x' y y' positivos, se puede considerar esta rotacin como un cambio desde una base B = {u , U2 } hasta una nueva base B' = { u;, u~ } (figura 4.18b). Por tanto, las nuevas coordenadas (x', y') y las coordenadas iniciales (x, y) de un punto Q estn relacionadas por
(4.35)
en donde P es la transicin de B hacia B'. Para encontrar P, deben determinarse las matrices de coordenadas de los vectores base iniciales U4 Y U2, con relacin a la nueva base.
y'
y
x
U (a) (b) (e)
Fiura 4.18
231
9 n cos(--O)
2
(d)
lijura 4.1Sd
Gomo se indica en la figura 4.18c, las componentes de - sen O, de modo que
UI
en la nueva base son cos O y
[UIJB '
= [ - sen e
cos
e]
U2
en tanto que, como se indica en la figura 4.1 &J en seguida las componentes de nueva base son cos(n/2 - O) = sen 8 y sen(n/2 - O) =cos O, de modo que
en la
Por consiguiente, la matriz de transicin de B hacia B' es
p = [ - sen e cos e
y (4.35) queda
cos
sen
e]
X:] = [ [.1' o, de modo equivalente,

X'
cos sen sen e cos
e e] [x] e y
(4.36)
cos
e + y sen e
.1"
= - x sen e + y cos e
Por ejemplo, si se hacen girar los ejes 8 = 45 entonces, puesto que
sen 45
= cos 45 =
1 Ji
2;32
~SPACIOS V~CTORI4~ES
(4.36) queda
",2
[ :.:] =
", 2 ,,2
'::]GJ
Por tanto, si las coordenadas iniciales de un punto Q son (x, y) =(2, - 1), entonces
[~:] =
,,2
,, 2
~3~[-n= _ 1
",2 _,
",, 2
", 2
d~ modo que las nuevas coordenadas de Q son (x', y'):= (l /Vi,
- 3/0).
Ejemplo 65 (Aplicacin a la rota.cin de ejes en el espacio tridimensional.) Supngase que se hace girar un sistema de coordenadas rectangulares xyz, alrededor de su eje z, en sentido contrario al de las manecillas del reloj (si se mira hacia abajo a Jo largo del eje positivo z), hasta describir un ngulo f) (figura 4.19 j. Si se introducen los vectores unitari os U , U2 Y U3 , a lo largo de los ejes x,y y z positivos, y los ve.c tores unitarios u~, u~ y u~, a lo largo de los ejes x', y' y z' positivos, es posible considerar la rotacin como un cambio desde la base B = {u l , U 2 , Ug } hacia la nueva base B' ;:: {u; , u;, u; } . Con base en lo desarrollado en el ejemplo 64 , debe resultar evidente que
cos
[uJu = -sen O [ O J
01
sen
y
[U 2JB '
= CO~
[
0]
()
U2 _ _ _ _ _ _ _
y'
---
.
y
FiJura 4.19
COORDENAOAS; CAMelO PI; BAS!:
Es ms, supuesto que u~ se extende 1 unidad hacia arriba del eje positivo z',
[n,l.
~ [ ~J
e e O~]
0'
Por tanto, la mlltriz de transici6n de B hacia n' es

cos sen - sen O cos ()

sen () cos ()
las coordenadas iniciales (x, y, z) de un punto Q est.n relacionlldas con sus nllevas coorde nadas (x', y', z') por
Ejemplo 66
Considrense los vectores
En el ejemplo 63 se encontr la matriz de transicin de la bllse B::: {ll, U2 }para Ri ' hacia la base B ' = {U'l' u~ } . Sin embargo, tambin es poSible preguntar acerca de la matriz de transicin de n' hacia B. Para obtener esta matriz, simplemente se cambia el punto de vis. ta y se considera a p' cOmO III base inicial y a B corno la base nueva. Como es cQstumbre, las columnas de la matriz de transicin sern las coordenadas de los vectores base iniciales con relacin II la nueVa base. Por simple observacin,
+ \J2 u = 2111 + 1 12
u', = u,
de manera que
y
Por tanto, la mlltriz dc transicin de 8' hacia B es
Q=
[:
;]
234
Si se multiplica la matriz de transicin de B hacia B ' , que se obtuvo en el ejemplo 63, por la matriz de transicin de B ' hacia B, que se obtuvo en este ejemplo, se encuentra
PQ = [
-1
1
lo cual indica que Q = TI . Como hace ver el teorema que sigue, esto no es accidental.
Teorema 26. Si P es la matriz de transicin desde una base B hacia una base B ' entonces
(a) (b)
Pes inversible p- I es la matriz de transicin de B ' hacia B.
(La demostracin se pospone hasta el final de la seccin.) Como resumen, si P es la matriz de transicin desde una base B hacia una base B ' entonces, para todo vector v:
[v]a, = P[V]B [V]B = P- I[V]B'

El siguiente teorema indica que si P es la matriz de transicin desde una base ortonormal hacia otra, entonces, en especial, la inversa de P se encuentra con mucha facilidad.
Teorema 27. Si P es la matriz de transicin desde una base ortonormal hacia otra base ortonorma' para un espacio de productos interiores, entonces
p- I
pI
(Se omite la demostracin.) Para ilustrar este resultado, considrese la matriz de transicin
p = [
cos sen - sen ecos ()
e]
que se obtuvo en el ejemplo 64, cuando se hicieron girar los ejes de coordenadas (cambiando en consecuencia la base ortonormal {UI' ~ } de la figura 4.18b a la base ortonormal {U'I , u~ } ). Es fcil verificar que
p - t = [cos O - sen () ]
sen de manera que P
-1
cos O
= pt.
Definicin. Una matriz cuadrada A con la propiedad de que
se denomina matriz ortogonal.
235
Como consecuencia, en el teorema 27 se afirma que una matriz de transicin de una base ortonorrnal a otra siempre es ortogonal. El siguiente resultado, cuya demostracin se analiza en los ejercicios, facilita averiguar si una matriz A de n X n es ortogonal. Teorema 28. Las proposiciones que siguen son equivalentes:
(a) (b) (e)
A es ortogonal Los vectores rengln de A forman un conjunto ortonormal en Rn, con el producto euclidiano interior Los vectores columna de A forman un conjunto orto normal en Rn, con el producto euclidiano interior.
Ejemplo 67 Considrese la matriz

1
Ji
A=
O
Ji
O
1
Ji
Los vectores rengln de A son
Ji
1 1 ) _ ' _(1 r = ( Ji' Ji' O , r 2 - (O, 0, 1), r3 - Ji'

Con relacin al producto euclidiano interior se tiene
1 \ - Ji' O)
de modo que los vectores rengln de A forman un conjunto ortonormal en R 3 Por tanto, A es ortogonal y
Ji
A1
Ji
1
= Al =
Ji
O
O - -
Ji
O
~SPACIOS
V!;C'fORIAl,.eS
(Es posibl~ que el lector encuentre instruotivo verificar que los vectores coll,lm,Vl\ d~ A tambin forml\n un Qonjunto, ortQnorrnal.) En los ejemplos 64 y 6S se consider el problema de relacionar las ooo)"d~nadas ini, c.iales y las nuevas, cuando s.e llev a ca.bo un cambio geomtrico (rota.cin) en los ejes. A veces se presenta el problema inverso siguiente. Se conoce una rela.cin
[x] = [41 Ih] [x'] y b b y'

2
(4.37)
entre las coordenadas inici.ues. y las nueVaS, en donde la matriz de 2 X 2 es ortogonal, y se tiene inters en determinar cmo estn relacionados geomtrica.mente el sistema de cooroma trQ1I,${orm4cin QrtogQnal denadas xy y el sistema xy'. La ecuacin (4.37) se conoce G de cO(Jrdenada$ sobre R~, A fin de estudiar el efecto de una tnH1sfonnacin QrtQ~onal de cQordenada.s, comidrense los vectores
en el sistema de coordenadas xy, e intwdt!?case un sistema de coordenaQas x'y', con el eje
x' positivo a lo largo de U'I' y el eje y' positivo a lo largo Q~ u; (figl,lra 4,20). Debido a que se supone que la matriz de 2 X 2. de (4,37) es ortogonal, los vectores u; y u; son ortogcr.
naJes, lo cual asegura que 10$ ejes x' y y' son perpendiculares. Dado que
la matriz
.r
~~~~~-~~~~----.
Figura 4,20
COORDtNADA$; tAMaiO l: BASE
(a )
(b)
dada en (4.31) es la matriz de transicion de la bas { u~ ,; } hacia la base (u 1 ; 2 } . EvidenteTYJente, hay dos posibilidades; se puede obtener el sstrh de coordendas x'/ hadendo girar el sisterh de coordenadas xy (figura 4.21a), o bien, es posible obtener el sisterha de coordenadas X'y" reflejando prin'lerb el sistemaxy con relac6nal eje x y, a Continuacin, girando el sstema de coordenadas reflejado (figura 4.21 b) . En los ejercicios se derhuestra que el determinante 'oe tina matriz ortogonal siempre es + - l . Es ms , Se puede probar que la transformaCin ortogonal de coordenadas (4.31) es una rotacin si
a2 l = fj
2
y es urta reflex16n seguda ''Of una rotacin ortogonal si este determinan te eS - 1. De manera anloga, una transformacin rtogonal de coordenadas
(/1
(/ 2
sobre R 3 es una rotaciri si
!JI
(' 1
(/ 31 h2 h3J
('1
('
= 1
y es una rotacin combinada con una reflexin en Uho de los planos coordenados; si este determinante es - 1. Eje mplo 68
La transformac in oHogonal de coordenadas
[:J
J2
1
- ,- "-"
-,/2.
I
[;,]
es una rotacin ya que
J1
..) 2
I
r: y-
= 1
JI
j2
238
Los ejes x' y y' positivos estn a lo largo de los ve,ctores columna
1
U'1
12
--
u~
12
-
12
12
F..... 4.11
OPCIONAL
Demostracin del teorema 26. Sea Q la matriz de transicin de B ' hacia B. Se demostrar 1 que QP = 1 y, en cons~cuencia, se concluir que Q =p- , para completar la demostliacin. Supngase que B = {u!, U2, . , Un } Y supngase adems que
QP = ~2!
Cn !
['"
C !2 C22
... .. .
c 2n
c n2
c nn
""J
Con base en (4.34),
para todo x en V. Al multiplicar toda la ecuacin de arriba desde la izquierda por Q y sustituir la segunda ecuacin da
I~!I . ,' 1
(4.38)
239
para todo x en V. Al hacer x = UI en (4.38) da

1
CII C21 C3 1 CI 2 C2 2
O O O
Cnl
Cn 2
Cnn
o bien,
De manera anloga, al sustituir sucesivamente x = U2,

C 12 C 22
.. ,
un en (4.38) se llega a
O O O
c ln
1
O O
e 32
Cn 2
c 2n e 3n
enn
Por tanto, QP =
L.
= (1, O), U2 = (O, 1); w = (3, -7) = (2, -4), u 2 = (3, 8) ; w = (1,1) = (1, 1), U2 = (O, 2); w = (a, b)
EJERCICIOS 4.10
1. Halle la matriz de coordenadas y el vector de coordenadas para w, con relacin a la base S = {UI, U2 }
(a) (b) (e)
UI
UI
UI
2. Halle el vector de coordenadas y la matriz de coordenadas para v, con relacin a S = {VI, V2, V3 }
(a) v
= (2, -1,3), VI = (1 , O, O), v2 = (2, 2, O), v 3 = (3, 3, 3) (b) v = (5, -12,3), VI = (1 , 2, 3), v 2 = (-4, 5, 6), V 3 = (7, -8, 9)
3. Halle el vector de coordenadas y la matriz de coordenadas para p, con relacin a S = {p, P2, P3 } . .
(a) P = 4 - 3x + X2, PI = 1, P2 = X, P3 = (b) P = 2 - x + X2, PI = 1 + x, P2 = 1 +
X2 X2,
P3
= X + X2
240
ESPACIOS VEctORIALES
4. Halle el vector de coordenadas y la matfiz de coordenadas para A ', Con relaCin aS ::: {A . A '2. A 3. A 4 }
A 2 0J -[ 3_
, ~ I
=[-1 1J ,
O O
5. En cada in ciso se da una base ortofiotlI1al telatvaal producto eucidano interior. Aplique el mtodo del ejemplo 62 pata encontrar el vector de coordenadas y la matriz de cordenadas de w.
(a) w = (3, 7); u 1
= (~, -
~} u = (~,
2
5z)
~h u 3 =
(b) w
( ~ 1 , O; 2) ; u 1 = (i, ~ t
!), ui = (t,!.
eL t, t)
6. (a) Halle VI si (W)s = (6, - 1, 4) Y S es la baSe que se da en el ejercicio 2a. (b) Halle q si (q)s = (3,0, 4) Y S es la base que se da en el ejercicio 3a. (e) Ralle S si (B)S =(- 8, 7; 6, :3) YS es la base que Se da en el ejercicio 4. 7. Suponga que R 1 tiene el producto eudjdiano interior }' que S == {w , W2 } es la -2 , (3 4 4 3 ' base ortonormaJ con w = 5' - 5)' Vl 2 = (-{> 5) ' Sean u, v los vectores en R para los que (u)s == (1, 1) Y (v)s
= (-
1; 4).
(a) Calcule Ilull d(u, v) y (u. v), aplicando el terema 25 . (b) Halle u y v y verifiq'u e los tesultados dei inciso (a) ; Galclando lIull d(u,v)y (u, v) directamente. , 8. Considere las bases B
= {u . Ui
Y Si
= { VI, V2
para R 2 , en donde
y
(a) Halle la matriz de transicin de B hacia S' . , (b) ~ alcule la matriz de coordenadas [w lE , en donde
y use (4. 34) para calcular [VI la'. (e) Verifique lo que se hizo, calculando [wlB , directamehte . (d) Halle la matriz de transicin de B' hacia B.
9. Repita las instrucciones del ejercicio 8 con
1o.
Considere las bases H = {u 1 ,
U2, U3 }
Y S i == {vJ ,
V2 , Vj
f lara R
en donn e
u1 =
- 2\ r- 3l L IJ
241
v2 =
. [-2]
- :
(a) Halle la matriz de transicin de B hacia B'. (b) Calcule la matriz de coordenadas [w]B' en donde
, I
y aplique (4.34) para calcular [wls'. (e) Verifique lo que se acaba de hacer, calculando [wls ' directamente.
,.
12. Considere las bases B = {PI, P2 } YB' P2 = 10 + 2x, ql = 2, q2 = 3 + 2x.
= {<tI, q2
} paraP\, en donde PI
= 6 + 3x ,
(a) Halle la matriz de transicin de B hacia B'. (b) Calcule la matriz de coordenadas [pIB' en donde p = - 4 + x, y aplique (4.3 4) para calcular [plB'. (e) Verifique los resultados obtenidos calculando [pls' direct amente. (d) Halle la matriz de transicin de B' hacia B. 13. Sea V el espacio generado por f l = sen x y f 2 = cos x. (a) Demuestre que gl = 2 sen x + cos x y g2 = 3 cos x forman una base para V. (b) Halle la matriz de transicin de B = {f l , f 2 } hacia B' = {gl, g2 } . (e) Calcule la matriz de coordenaaas [hlB ' en donde h = 2 sen x - S cos x ~ aplique (4.34) para obtener [hls'. (d) Verifique los resultados obtenidos calculando [hl B ' directamente. (e) Halle la matriz de transicin de B' hacia B. 14. Supngase que se obtiene un sistema de coordenadas rectangulares x'y' haciendo girar un sistema de coordenadas rectangulares xy hasta describir un ngulo () = 31TJ4. (a) Halle las coordenadas x'y' del punto cuyas coordenadas xy son (- 2,6) (b) Halle las coordenadas xy del punto cuyas coordenadas x'y' son (S, 2). 15. Repita el ejercicio 14 con ()
= 1TJ3.
16. Suponga que se obtiene un sistema de coordenadas rectangularesx'y'z' haciendo girar un sistema de coordenadas rectangulares xyz en sentido contrario al de las manecillas del reloj alrededor del eje z (cuando se observa hacia abajo a lo largo del eje z) hasta describir un ngulo () =1TJ4.
242
(a) Halle las coordenadas x'y' z' del punto cuyas coordenadasxyz son (-1, 2, 5). (b) Halle las coordenadas xyz del punto cuyas coordenadasx'y'z' son (1 , 6, -3). 17. Repita el ejercicio 16 para una rotacin de = rr /3 en sentido contrario al de las manecillas del reloj alrededor del eje y (cuando se observa a lo largo del eje y positivo hacia el origen). 18. Repita el ejercicio 16 para una rotacin de = 3rr/4 en sentido contrario al de las manecillas del reloj alrededor del eje x (al observar a lo largo del eje x positivo hacia el origen). 19. Aplique el teorema 28 para determinar cules de las siguientes matrices son ortogonales.
(a)
G~]
i
1
(b)
[~
1
fi
-~l
y2
2"
2
1
O
(c)
J2
O O O O
ji
O O O
1 2
fi
(d)
J6
2
y 'j 1
O
1
J6
1
J3
1
lo'
l!
e
u
6 1
6 6
1
2 1
J3
1
- -
-6
-lJ
(f)
J3 J3
O
1 2
fi
J6
J3
20. Halle la inversa de aquellas matrices del ejercicio 19 que sean ortogonales. 21. Demuestre que las siguientes matrices son ortogonales para todo valor de cos e - sene] (a) [ sen e cos e
COS
e.
(b)
[
senO
-sene cos e
~l
22. Halle las inversas de las matrices del ejercicio 21. 23. Considere la transformacin ortogonal de coordenadas
Encuentre (x', y') para los puntos con las coordenadas (x, y) siguientes.
(a) (2, -1)
(b) (4,2)
(c)( - 7, -8)
(d) (0, 0)
24. Dibuje un esquema de los ejes xy y los ejes x'y' para la transformacin de coordenadas del ejercicio 23.
243
25. Para cules de las siguientes matrices x = Px' es una rotacin?

(a) p
[~
_
J2J2
1 1]
-
(b) P
[ J2J2 1 1]
- -
~ ~
(e) P =
_;
.3 4J
;
26. Construya un esquema de los ejes xy y los x'y' para las transformaciones de coordenadas del ejercicio 25. 27. Considere la transformacin ortogonal de coordenadas
[}[!
(a) (3, O - 7) ,
-t
s O
~
Halle (x', y', z') para los puntos con las coordenadas (x, y, z) siguientes.
(b) (1 ,2, 6)
(c) (- 9, -2, - 3)
(d) (O, O, O)
28. Dibuje un esquema de los ejes xyz y los ejes x'y'z' para la transformacin de coordenadas del ejercicio 27. 29. Para cules de las siguientes matrices x =Px' es una rotacin?
O O
: -iJ
30: Dibuje un esquema de los ejesxyz y x'y'z' para las transformaciones de coordenadas del ejercicio 29. 31. (a) Se obtiene un sistema de coordenadas rectangulares x'y'z' al hacer girar un sistema de coordenadas xyz en sentido contrario al de las manecillas del reloj alrededor del eje y hasta formar un ngulo (al observar a lo largo del eje y positiVO hacia el origen). Halle una matriz A tal que
en donde (x, y, z) y (x,' y" z') son las coordenadas de un punto en los sistemas xyz y x' y' z', respectivamente. (b) Repita el inciso (a) para una rotacin alrededor del eje x. 32. Se obtiene un sistema de coordenadas restangulares x" y" z" al hacer girar primero un sistema de coordenadas rectangulares xyz; 60 en sentido contrario al
244
ESP~C,OS VECTORIALES
de la& manecillas del reloj (al mirar hacia abajo del eje z positivo), pu-a obtener un sistellla de coordenadas xyz y, a continuacin, haciendo girar el sistema de coordenadas x'y' z', 45 en sentido contrario al de las manecillas del reloj alrede" dor del eje y' (si se mira a lo largo del eje y ' positivo, hacia el origen). Halle una matriz A tal que
en donde (x, y, z) y (x", y", z") 's on las coordenadasxyz y x"y " z" de un punto.
33. Demuestre que si A es una Illatriz ortogonal, entonces A t tambin es ortogonal. 34. Pruebe que una matriz de n X n es ortogonal si slo si sus renglones forman un conjunto ortonormal en Rn.
35. Aplique los resultados de los ejercicios 33 y 34 para demostrar que una matriz de n X n es ortogonal si y slo si sus columnas fOrman Un conjunto ortonormal enRn. 36. Pruebe que si P es una matriz ortogonal, entonces det(P) 37. Pruebe el teorema 25a. 38. Pruebe el teorema 25b. 39. Pruebe el teorema 25c.
=1 -
l.
1. En cada inciso, el espacio de solucin es un subespacio de R 3 y, por tanto, debe ser una recta que pasa por el origen, un plano que pasa por el origen, todo R 3 , o nicamente el origen. (Vea la observacin que sigue al ejemplo 11.) Para cada sistema, determine cul es el caso. Si el subespacio es un plano, halle una ecuacin para l, y si es una recta encuentre las ecuaciones paramtricas.
(a) Ox
+ Oy + Oz =
(b)
2x - 3y + z = O 6x - 9y + 3z = O -4x + 6y - 2z = O 2x
(c)
x - 2y + 7z = O - 4x + 8y + 5z = O 2x - 4y + 3z = O
(d)
+ 4y + 8z = O + 5y + 6z = O 3x + y - 4z = O
x
2 Suponga que R 4 tiene el producto euclidiano interior. (a) Halle un vector en R 4 sea ortogonal a q = O, O, O, O) Y U4 = (O, O, O, 1) Y forme ngulos iguales con 112 = (O, 1, O, O) Y U3 = (O, O, 1, O). (b) Halle un vector x = (x, X2, X3, X4) de longitud 1 que sea ortogonal a U y U2, por arriba, y tal que el coseno del ngulo entre x y U2 sea el doble del coseno del ngulo entre x y U3.
246
3. (a) Sea A una matriz de m X n con los vectores rengln r1, r2, ... , rm , y B una matriz de n X p con los vectores columna c 1, C2, ... , cp . Demuestre que el elemento del rengln i y la co1umnaj de AB es el producto euclidiano interior de ri Y Cj. (b) Use el resultado de (a) para demostrar que si A es una matriz de n X n tal que AA t = 1, entonces los vectores rengln de A forman un conjunto ortonormal en Rn, con el producto euclidiano interior. (c) Demuestre que si A es una matriz de n X n y AAt = 1, entonces los vectores columna de A forman un conjunto ortonormal en Rn, con el producto euclidiano interior [Sugerencia : Demuestre que AtA = 1 Y aplique el resultado del inciso (b) a At.] 4. Sea Ax = O un sistema de m ecuaciones en n incgnitas. Demuestre que
x =
[::J
x.
es una solucin del sistema si y slo si el vector x = (x 1, X2, . , Xh) es ortogonal a todo vector rengln de A en el producto euclidiano interior sobre Rn (Sugerencia: Aplique el resultado del ejercicio suplementario 3a.) S. Aplique la desigualdad de Cauchy-Schwarz para demostrar que si al, a2, ... , a n son nmeros reales P9sitivos, entonces
(al
+ a 2 + ... + a.)
(1+ -a1+ . . . + -1)

Q1
;?: n 2
Q.
6. Sea W el espacio generado por f = sen x y 11 = cos x. (a) Demuestre que para cualquier valor de 8, f 1 = sen(x son vectores en W. (b) Demuestre que f 1 y 111 forman una base para W.
+ 8) y 81
= cos(x
+ 8)
7, (a) Exprese (4d, a - b, a + 2b) como una combinacin lineal de (4, 1, 1) Y (O, - 1, 2). (b) Exprese (3a + b + 3c. - a + 4b - c, 2a + b + 2c) como una combinaci6n lnealde (3,-1,2)y(l,4,1). (e) Exprese (20 - b + 4e, 3a - e, 4b + e) como una combinacin lineal de tres vectores diferentes de cero. 8. (a) Exprese v = (1,1) como una combinacin lineal de VI = (1, -1), V2 = (3,0), V3 = (2, 1), de dos maneras diferentes. (b) Demuestre que 4;;StO no viola el teorema 24.
9. Demuestre que si x y y son vectores en un espacio de productos interiores y c

es un escalar cualquiera, entonces
licx + yI1 2 = e2 11xli2 + 2e < x, y > + IiYli 2

10. Suponga que R 3 tiene el producto euclidiano interior. Halle dos vectores de longitud 1 que sean ortogonales a los tres vectores u I =(l, 1, -1), U2 =(-2, 1, 2) YU3 = (-1,0, 1).
5
Transformaciones lineales
5.1 INTROOUCCION A LAS TRANSFORMACIONES LINEALES

En esta seccin se inicia el estudio de las funciones con valor vectorial de una variable vectorial. Es decir , funciones que tienen la forma w = F(v) , en donde la variable independiente v y la dependiente w son vectores. Se enfoca la atencin en una clase especial de funciones vectoriales conocidas como transformaciones lineales. Estas funciones tienen muchas aplicaciones importantes en fsica, ingeniera, ciencias sociales y diversas ramas de las matemticas. Si V Y W son espacios vectoriales y F es una funcin que asocia un vector nico en W, con cada vector en V, se dice que F aplica (mapea) Ven W y se escribe F: V ~ W. Adems, si F asocia el vector w al vector v se escribe w = F(v) y se dice que w es la imagen de v bajo F. Como ilustracin, si v =(x, y) es un vector en R Z , entonces la frmula
F(v) = (x, x
+ y, x
- y)
(5.1)
defme una funcin que aplica R Z en R 3 En particular, si v = (1 ,1), entonces X = 1 YY = 1, de modo que la imagen de v bajo Fes F(v) = (1,2, O): Definicin Si F: V ~ W es una funcin del espacio vectorial V hacia el espacio vectorial W, eOtonces F es una transformacin lineal si n (i)
F (u
+ v) = F(u) + F(v) para todos los vectores u y ven
V.
(ii)
F(ku) = kF(u) para todos los vectores u en Vy todos los escalares k.
Como ilustracin, sea F:Rz ~ R 3 la funcin definida por (5.1). Si u = (X., y) Y v = (xz, Yz), entonces u + v = (XI + Xz, YI + yz), de modo que
F(u
+ v) = (XI + X2' [Xl + X2] + [YI + Y2], [XI + X21= (XI' XI + YI' Xl - YI) + (X2' X2 + h, 'X+ - h) = F(u) + F(v)
247
[Y1
+ Y2])
248
TRANSFORMACIONES LIN EALES
Tambin, si k es un escalar, ku
F(ku)
=(kx,
ky ), de manera que
= (kx, kx + ky , kx - ky) = k(x , X + y, Xl - y)

= kF(u)
Por tanto, F es una t ransformacin lineal. Si F V ~ W es una transformacin lineal, entonces para cualesquiera escalares k Y k 2 , se tiene
V2
cualesquiera en Vy
De modo anlogo, si V tonces
, V2, . ,
v n son vectores en Vy k , k 2 ,
. ,
k n son escalares, en-
(5.2)
A continuacin se dan algunos ejemplos. adicionales de transformaciones lineaes. Ejemplo 1
, I
Sea A una matriz fija de m X 11. Si se utiliza la notacin matricial para vectores en Rm y Rn , entonces se puede definir una funcin T:Rn ~ Rm por medio de
T(x)
= Ax
Obsrvese que si x es una matriz de n xl, entonces el producto Ax es una matriz de n m m x l ; as entonces, Taplica R en R . Adems, T es lineal; para co mprobarlo , sean u y v matrices de n X 1 Y k un escalar. Al aplicar las propiedades de la multiplicacin de matrices, se obtiene
A(u + v) = A u
o, de modo equivalente,
T(u
+ Av
A(ku) = k(A u)
+ v) =
T(u)
+ T(v )
T( ku) = kT(u )
A la transfo rmacin lineal de este ejemplo se le denominar multiplicacin por A. A las transformaciones lineales de este tipo se les conoce como transformaciones matriciales. Ejemplo 2 Como caso especial del ejemplo anterior, sea es la multiplicacin por la matriz
e un ngulo fijo\ supngase que T:R2 ~ R 2
INTROOUCCION A LAS T RANSFORMACION ES L INEALES
249
= reos
sen
e e
-sen eos
eJ e
Si v es el vector
entonces eos r sen
T(v)=Av=
e e
- sen e = eos e - y sen e eos e y J x sen e_ y eos e +
J[xl [x
Geo mtricamente, 1( v) es el vector que se obtiene si se hace girar v hasta describir un ngulo e A fin de comprobarlo, sea <p el ngulo entre v y el eje x positivo y supngase que
v' =
e:J
e (figura 5.1). Se
y = r sen cp
es el vector que se obtiene al hacer girar v hasta que describe un ngulo demostrar que v' = 1(v). Si r denota la longitud de v, entonces
x
= r cos cP
I
De modo semejante, supuesto que v tiene la misma longitud que v, se tiene

x' = r eos(e
+ cp)
y' = r sen (e
+ cp)
Por tanto,
v [::J '
=
G:~s(~ :
::J
e sen cpJ e sen rp
= [r eos eos cp - r sen r sen eos cp + reos
e e
= [x eos () - y sen
x sen
e + y eos e
eJ
= [:::
-:~:~J
[:J
= Av = T(v)
La transformacin lineal de este ejemplo se conoce como rotacin de R 'l hasta describir el ngulo e.
250
TRANSFORMACIONES LINEALES
(x, y)
Figura 5.1
Ejemplo 3 Sean V Y W dos espacios vectoriales cualesquiera. La aplicacin T: V -+ W tal que T(v) = O para todo ven Ves una transformacin lineal conocida como transformacin cero. A fin de ver que T es lineal, obsrvese que
T(u
+ v) = O,
T(u) = O, T(v) =
T(ku) ~
Por tanto,
T(u
+ v) =
T(u)
T(v)
T(ku)
kT(u)
Ejemplo 4 Sea V cualquier espacio vectorial. La aplicacin T: V -+ V definida por T(v) = v se conoce como transformacin identidad sobre V. La verificacin de que T es lineal se deja como ejercicio. S~ como en los ejemplos 2 y 4, T: V -+ Ves una transformacin lineal de un espacio vectorial Ven s mismo, entonces T es un operador lineal sobre V. Ejemplo 5 Sea V cualquier espacio vectorial y k cualquier escalar fijo. Se deja como ejercicio verificar que la funcin T: V -+ V definida por
T(v) = kv
es un operador lineal sobre V. Si k > 1, T es una dilatacin de JI, y si O < k < 1, entonces T es una contraccin de V. Geomtricamente, una dilatacin "estira" cada vector que est en Ven un factor k, y una contraccin de V "comprime" cada vector en un factor de k (figura 5.2). Ejemplo 6 Sea V un espacio de productos interiores y supngase que W es un subespacio con dimensin finita de V y que tiene a
INTRODUCCION A LAS TRANSFORMACIONES LINEALES
251
lo)
Figura S.2 (a) Dilatacin de V. (b) Contraccin de V.
como una base ortononnal. Supngase que T: V""* Wes la funcin que aplica un vector v en V hacia su proyeccin ortogonal sobre W (seccin 4.9); es decir
(vase figura 5.3). La aplicacin T recibe el nombre de proyeccin ortogolUll de V sobre W; su linealidad se deduce a partir de las propiedades bsicas del producto interior. Por ejemplo,
T(u
+ v) =
(u
+ v, W1 > W 1 + ( u + v, W 2 > W 2 + ... + ( u + v, wr > w r
= ( u, W1 > W 1 + ( u, W 2 > W 2 + ... + ( u, wr > w r
+ ( v, W1 > W 1 + ( v, W 2 > W 2 + ... + ( v, wr > w r = T( u) + T(v)

De manera anloga T(ku) = kT(u). Ejemplo 7 Como caso especial del ejemplo anterior, supngase que V = R 3 tiene el producto euclidiano interior. Los vectores W = (1, O, O) Y W2 = (O, 1, O) fonnan una base orto normal para el
Figura 5.3
252
TRANSFORMACIONES LINALES
plano xy. Por tanto, si v = (x, y, z) es cualquier vector en R 3 , la proyeccin ortogonal de R 3 sobre el plano xy est dada por
T(v)
= ( v, w ) w + ( v, W 2 ) W 2 = x(l, 0, O) + y(O, 1, O) = (x, y, O)
(Vase figura 5.4.)

z
(x, y, z)
y
~ .
(x, y , O)
Figura 5.4
Ejemplo 8
Sea Vunespacio vectorial conn dimensiones y S = {W1, W2, ... ,W n } tina base fija para V. . Por el teorema 24 de la seccin 4.10, dos vectres cualesqiliera u y ven V s pueden escribir de manera nica en la forma
y
= dw + d 2 w l + ... + dllw n
Por tanto, (u)s
(v)s
Pero
u
= (el, el, ... , en) = (d, d l , ... , dn)
+ v = (e + d)w l + (el + dl)W l + ... + (e + dll)w ku = (ke}w + (ke 2 )w l + .. . + (ketl)w

tl
tI
lI
de modo que
(u
+ v)s = (c l + di' Cl + d l , .. . ; c + e/h} (kl)s = (kc, ke2 ' . .. , kc

tI tI )
Por tanto,
y
(5 .3)
INTRODUCCION A LAS TRANSFORMACIONES LlNEAL!OS
25;3
Anlogamente, para las matrices de cQordenadas se tiene
[u
+ vJs = [uJs + [vJs
[kuJs = k[uJ s
Supngase que T: V -* Rn es la funcin que aplica un vector v en V hacia su vector de coordenadas con respecto a S; es decir,
T(v)
= (v)s
Entonces, en tr:ninos de T, en (5.3) se afirma que

T(u
+ v) =
T(u)
T(v)
y
T(ku)
kT(u)
As enton:;es, T es una transformacin lineal de V haci~ Rn. Ejemplo 9 Sea Vun espacio de productos interiores y supngase que Vo es cualquier vector fijo en V. Sea T: V -* R la transformacjn que aplica un vector v hacia su producto interior :;on vo ; es decir,
T(v)
= <v, Yo >
Con base en las propiedades de un producto interior,

T(u
y
+ v) = <u + v, Yo > = <u, Yo > + <v, Yo > =
T(u)
+ T(v)
T(ku)
= <ku, Yo > = k<u, Yo > =
kT(u)
de manera que T es una transformacin lineal. Ejemplo 10 (para los lectores que hay!l{l estudiado Clculo.) Sea V =C[O, 1 ] el espacio vectorial de todas las funciones con valor real continuas sobre el intervalo O ~ x ~ 1 Y supngase que W es el subespacio de C[O, 1 ] que consta de todas las funciones con primeras derivadas continuas sobre el intervalo O ~x ~ 1. Sea D: W -* V la transformacin que aplica f hacia su derivada; es decir,
D(f)
= f'
Al aplicar las propiedades de la derivacin, se tiene
254
D(f
y
+ g) = D(f) + D(g) .
D(kf)
kD(f)
Por tanto, D es una transformacin lineal. Ejemplo 11 (para los lectores que hayan estudiado Clculo.) Sea V = dio de
e [O, 1] el mismo del ejemplo anterior y supngase que J: V -+ R se define por meJ(f) =
JOI
f(x) dx
Por ejemplo, si [(x) = X2 , entonces
Dado que
JOI
y
(f(x)
+ g(x))dx = JOI
f(x)dx
+ JOI
g(x)dx
JOI
kf(x) dx = k
JOI f(x) dx
para cualquier constante k, se deduce que

J(f
+ g) = J(f) + J(g)
J(kf)
kJ(f)
Por tanto, J es una transformacin lineal.
EJERCICIOS 5.1 En los ejercicios 1 al 8 se da una ,frmula para una funcin F:R 2 -+ R 2 . En cada ejercicio, determine si F es lineal.
1. F(x, y) = (2x, y)
2. F(x, y) = (x 2 , y) 4. F(x, y) = (0, y)
3. F(x, y),= (y, x)
INTRODUCCION A LAS TRANSFORMACIONES LINEALES
255
5. F(x, y) = (x, y
+ 1)
6. F (x, y) = (2x 8. F (x, y) =
+ y, x
- y)
7. F(x, y) = (y, y)
W-X, ~y)
-+
En los ejercicios 9 al 12, se da una frmula para una funcin F :R 3 cicio, determine si F es lineal.
9. F (x, y, z) = (x, x
11. F (x, y, z) = (1 , 1)
R 2 , En cada ejer-
+ y + z)
10. F(x, y, z) = (O, O)

12. F(x, y, z) = (2x
+ y, 3y -
4z)
-+ R.
En los ejercicios 13 al 16, se da una frmula para una funcin F:M 22 ejercicio, determine si F es lineal.
En cada
14. F :]) ([;

15. F([; :])
17. F(a o + ax 18. F(ao
= det [ ;
2
:]
Z
= 2a
+ 3b + e -
16. F :]) ([;
= a
b
F :P 2 -+ P 2 .
En los ejercicios 17 al 20, se da una frmula para una funcin ejercicio, determine si F es lineal.
En cada
+ a2x 2) =
+
z
ao
+ (a + a 2 )x + (2a o -
3a)x 2
+ ax + a zx 2 ) = + a zx 2 ) =
a o + a(x
+ 1) + az(x + 1)2
19. F (a o + ax 20. F(a o + ax
azx ) = O (a o + 1)
+ ax + a 2 x 2
21. Sea F: R 2 -+ R 2 la funcin que aplica cada punto del plano hacia su reflexin respecto al eje y. Halle una frmula para F y demuestre que F es un operador lineal sobre R 2 22. Sea B una matriz fija de 2 X 3. Demuestre que la funcin T :M 22 -+ M 23 definida por T(A ) = AB es una transformacin lineal. 23. Sea T:R 3
-+
R 2 una transformacin matricial y supngase que
a)Halle la matriz.
b)
Hill'
rm])
r ([: ])
-+
,)
Bnro,na.
24. Sea T:R 3
W la proyeccin ortogonal de R 3 sobre el plano x z, W.
256
a) b)
Halle una frmula para T HalleT(2,7, -l).
~ 25. Sea T :R 3 ~ W la proyeccin ortogonal de R 3 sobre el plano W que tiene la ecuacin x + y + z = O.

a)
b)
Halle una frmula para T Halle T(3 , 8, 4).

T:R 2
~ 26. En cada inciso , sea
~ R 2 el operador lineal que hace girar cada vector del
plano hasta describir el ngulo e . Encuentre T( - 1, 2) Y T(x, y), cuando

re
(a) 0="4
(b) O = re
(c) 0= -
re
(d)
0=- -
7r
27. Pruebe que si T : V ~ W es una transformacin lineal, entonces T(u-v) = T(u) - T( v) para todos los vectores u y v en V. 28. Sea [VI, V2, . . . , Vn ] una base para un espacio vectorial V y supngase que T : V ~ W es una transformacin lineal. Demuestre que si T(VI) = T (V2) =. . . . = T( vn ) = O, entonces T es la transformacin cero. 29. Sea [VI' V2, . . . ' Vn ] una base para un espacio vectorial V y supngase que T : V ~ V es un operador lineal. Demuestre que si T(Vl) = VI, T(V2) = V2 ' .. . , T(vn ) = Vn ' entonces T es la transformacin identidad sobre V. 30. Sea S una base para un espacio vectorial V, con n dimensiones. Demuestre que si Vi, V2, . . . , v r forman un conjunto linealmente independiente de vectores en V, eptonces los vectores de coordenadas (Vi )s' (V2 )s, ... , (vr)S forman un conjunto linealmente independiente en R n , e inversamente . 31. Aplicando la notacin del ejercicio 30, demuestre que si VI' V2' . . . ,V, genera a V, entonces los vectores de coordenadas (VI )s' (V2 )s' . .. , (v,)s generan a Rn, e inversamente. 32. Halle una base para el subespacio de P2 generado por los vectores que se dan.
(a) -1 + x - 2x 2 , 3 + 3x + 6x 1 , 9 (b) l+x, X2, -2 + 2x 2 , -3x (e) 1 + x - 3x 2 , 2 + 2x - 6x 2 , 3 + 3x -
9X2
(Sugerencia. Suponga que S es la base estndar para P 2 y trabjese con los vectores
de coordenadas en relacin con S; vea los ejercicios 30, 31.)
5.2 PROPIEDADES DE LAS TRANSFORMACIONES LINEALES:

NUCLEO (KERNEL) y RECORRIDO
En esta seccin se desarrollan algunas propiedades bsicas de las transformaciones lineales. En particular, se demuestra que una vez que se conocen las imgenes de los vectores base bajo una transformacin lineal, es posible encontrar las imgenes de los vectores restantes en el espacio.
''ROPIEADES DE LAS TRANSFORMACIONES LINEALES
257
Teorema
(a) T(O)
1. Si r V -+ Wes una transformacin lineal,

=O
entonces:
(b) T( - v) = - T(,;) para todos los ven V (e) r(v - w) = T(v) - T(w) Para todos los vy wen V Demostracin. Sea cualquier vector en V. Debido a que Ov= O, se tiene: T(O) = T(Ov) = OT(v) = O
lci cual prueba (a). Tambin, T(-v) = T( (-l)v) = (-1) T(v) = -T(v), lo cual prueba (b). Por ltiino, v - w = v + (-1 )w; por tanto,
T(v - w) = T(v + (-1)w) = T(v) + (-1)T( w) = T(v) .- T(w) I

Defmicin. Si T: V -+ W es una transformacin lineal, entonces el conjunto de vectores en V que T aplica hacia O se conoce como ncleo (kernel o espacio nulo) de T; este espacio se denota por ker(J). El conjunto de todos los vectores en W que son imgenes bajo T de al menos un vector en V se conoce como reco"ido de T; este conjunto se denota por R(J). Ejemplo 12 Supngase que T V -+ Wes la transformacin cero. Supuesto que T aplica: todo vector haCia O, ker(T) = V. Ya que O es la nica imagen posible bajo T, R(T) consta del vector cero. Ejehlplo 13 Sea T:Rn -+ Rm la multiplicacin por
El nclo de T consta de todos los
que son vectores solucin del sistema homogneo
258
El recorrido de T consta de los vectores
tales que el sistema
A.. .
XIJ= lh. lJ l
X2
h2
. .
xn
hm
es consistente. Teorema 2. Si T: V
~
W es una transformacin lineal entonces:
a) b)
El ncleo de T es un sub espacio de V. El recorrido de T es un subespacio de W.
Demostracin. a) Para demostrar que ker(T) es un subespacio, se debe demostrar que es cerrado bajo la adicin y la multiplicacin escalar. Sean VI y V2 vectores en ker (T) y sup~gase que k es cualquier escalar. Entonces,
T(v 1
+ v2 ) =
T(v}
T(v 2 )
= 0 + 0=0
de modo que VI
+ V2
est en ker(1). Tambin
T(kv) = kT(v} = kO = O
de manera que kVI est en ker(T). b) Sean WI Y W2 vectores en el recorrido de T. Para probar esta parte, es necesario demostrar que WI + W2 Y kw l estn en el recorrido de T , para cualquier escalar k ; es decir, se han de encontrar los vectores a y b en V tales que T( a) = W + W2 Y T(b) = kw 1 . Supuest que WI Y W2 estn en el recorrido de T, existen los vectores al Y a2 en V tales que T(a) = WI Y T(a2) = W2. Sean a = al + a2 Y b = kal . Entonces
PROPIEDADES DE LAS TRANSFORMACIONES LINEALES
259
T(b) = T(ka) = kT(a) = kw
lo cual completa la demostracin. Ejemplo 14 Supngase que T:Rn -+ R m es la multiplicacin por una matriz A de m X n. Por lo visto en el ejemplo 13, el ncleo de T consta de todas las soluciones de Ax = O; por tanto, el ncleo es el espado de soluciones de este sistema. Tambin, por lo visto en el ejemplo 13, el recorrido de T consta de todos los vectores b tales que Ax = b es consistente. Por consiguiente, por el teorema 14 de la seccin 4.6, el recorrido de T es el espacio de columnas de la matriz A. Supngase que { VI , V2, . . . , vn }es una base para un espacio vectorial Vy T: V-+ W es una transformacin lineal. Si sucede que se conocen las imgenes de los vectores base, esto es,
entonces se puede obtener la imagen T(v) de cualquier vector v, expresando primero v en . trminos de la base, por ejemplo,
y, a continuacin, utilizando la relacin {5.2) de la seccin 5.1, para escribir
En pocas palabras, una transformacin lineal est completamente determinada por sus "valores" en una base. Ejemplo 15 Considrese la base S = { VI, V2, V3 } para R 3 , donde VI = (1 , 1, 1), V2 = (1, 1, O), (1, 0, O) Y sea T:R 3 -+ R 2 una transformacin lineal tal que T(v l )
V3
= (1, O)
Encuntrese T(2 , -3, 5).
Solucin. Exprsese primero
= (2, -3,5) como combinacin lineal de
VI
=(1,1,1),
V2
= (1, 1, O) Y V3 = (1, 0, O). Por tanto,
(2, - 3, 5) = k(I , 1, 1) + k 2 (1, 1, O) + k 3 (1, O, O)

o, al igualar las componentes correspondientes,
260
k + k2 k + k 2 k
+ k3 =
2 -3 5
10 cual conduce a k 1 = 5, k 2 = -8, k 3 = 5, de modo que

(2, -3, 5)
De donde;
5v - 8vi
+ 5v 3
T(2, -3,5) = 5T(v) - 8T(v i}
= 5(1 , O) =(9,23)
8(2,
+ 5T(v 3 ) -1) + 5(4,3)
DefiDicin. Si T: -+ W es una transformcin lineal, entonces la dimensin del reorrido de T se conoce como rango de T, y la dirriensin del ncleo se denomina nulidad de T. Ejemplo 16 Sea TR 2 -+ R 2 la rotacin de R 2 hasta describir el ngulo 11/4. Geomtricamente eS obvio que el recorrido de T es la totalidad de R 2 y que el ncleo de Tes { O }. Por tanto, T tiene el rango =2 Y la nulidad =O. Ejempio 17 Sea T:Rn -+ R.m la muitiplicacin por una matriz A de m X n. En el ejemplo 14 se observ que el recorrido de T es el espacio de columnas de A. Por tanto, el rango de T es la dimensin del eSpacio de columnas de A, el cual es precisamente el rango de A. En pocas palabraS; rango (1) = rango (A) Tambin en el ejemplo 14 se vio que el ncleo de T es el espacio de soluciones de Ax = O: Por consiguiente, la nulidad de T es la dimensin de este espacio de soluciones. El teorema que sigue establece una relacin entre el rango y la nulidad de una tninsformacin linel definida sobre un espacio vectorial de dimensin finita. La demostracin se deja hasta el final de la seccin.
Teorema 3. (Teorema de la diniens;n.) Si T V -+ W es una transformacin lineal desde un
espacio vectorial V con diniensin n hacia un espacio vectorial W, entonces
En el caso especial en el que V=Rn, W= Rm y T:R" ~ Rm es la multiplicacin por una matriz A de m X n, i teorema de la dimensin conduce al siguiente resultado:
261
n~li~ad
de T = n - (rangp de 1) =(nmero de columnas de A) -
(rang~
qe 1)
(5.~)
S}n emb~go, en el ej~mplo 17 se pizo notar que la nl!lJad de T ~s la dimensin del ~spa cio de soluciones de A x =:= 0, y que el raI1go de T es el rango de la matrizA. Por consiguiente, (5.4) conduce al teorema q~~ sigue: . . .' .' . Teprema 4. Si A es una matriz de m X n, entonces la dimensin del espacio de soluciones de Ax =: Qes
n-rango (A)
En ,~l
ej~l!lBlo
35 de la secci{:m 4.5 se dem9strQ
qu~
el
sist~ma
hqn:ogneo
+ Xs = O
- Xl Xl X2
2X3 -
3X4
+
-
Xs .): s
=O
= O
~2 -
2x 3
X3
X4
+ X5 =
tiene un espacio de soluc~ones bidimensiona~? al resolver el sistema y encontrar una base. Debido a que la matriz de l~s coeficientes
A= .
~~
2 -1 1
O
-1
-3
O
-2
1
tien ~
cincp colufl1I1as, por el teorema 4 se deduce
qu~
el rango
d~ A
debe
s~tisfacer
2 = 5 - nU1g0 (A)
de modo que rango (A) = 3. El lector puede verificar este resultado, reduciendo A hasta una forma escalonada en los renglones 'y demostrando que la matriz resultante tiene tres renglqnes diferentes de cero.
OPqONAL Demostracin del teorema 3.

~e
debe demostrar que
diIt\(R(T))
+ dim(ker(T)) =
(1) )
Se dar la demostracin para el caso en el que 1 -s;; dim (ker (1) ) < n. Los caso~ dirn (ker =O Y dim (ker (1) ) =n se dejan cOmO ejercicios. Supng~se que dim (ker (1) ) =r y
262
que VI, . . . , Vy es una base para el ncleo. Debido a que {VI, . . . ,Vy }es linealmente independiente, en el inciso (e) del teorema 9 que se da en el captulo 4 se afirma que existen n - r vectores, vr + 1" , Vn' tales que {v l' . . . , v" Vy +l , .. . , Vn} es unabase para V. Para completar la demostracin, se probar que los n - r vectores del conjunto S = {T( vy +I ), . . . , T(v )} fonnan una base para el recorrido de T Entonces se concluye que
n
dim(R(T))
+ dim(ker(T)) = (n -
r)
+r =n
Primero se demostrar que S genera el recorrido de T. Si b es un vector cualquiera en el recorrido de T, entonces b = T( v) para algn vector ven V. Ya que {VI, . . . , vy , vy +1 ' ... , vn }es una base para V; v se puede describir en la forma
Debido a que
VI, . . . ,
vy estn en el ncleo de T, T( VI) = ... == T(vy )== 0, de modo que
Por tanto, S genera el recorrido de T. Por ltimo, se demuestra que S es un conjunto linealmente independiente y, como consecuencia, fonna una base para el recorrido de T Supngase que alguna combinacin lineal de los vectores en S es cero, esto es, (5.5) Se debe demostrar que ky escribir (5.5) como
+ I = ...
== k n = O. Supuesto que T es lineal, es posible volver a
con lo cual se afirma que k
r+l
Y+l
+ ... + k n .
v est en el ncleo de T Por tanto, se

n
{VI, .. .
puede escribir este vector como una combinacin lineal de los vectores base por ejemplo,
,vy
Por consiguiente,
Supuesto que { VI, . . . , vn } es linealmente independiente, todas las k son cero ; en particular, k r + I == ... = k n = O, lo cual completa la dem ostracin.,
EJERCICIOS 5.2
1. Sea T:R 2
-+ R
2
la multiplicacin por
[ 2 -1J
-8 4
PROPIEDADES DE LAS TRANSFORMACIONES LINEALES
263
Cules de las siguien tes matrices estn en R( T)?
(b)
[~]
(e) [
~~]
2. Sea T:R 2 . -+ R. la transformacin lineal del ejercicio 1. Cules de las siguientes matrices estn en ker( T)?
(b)
[~]
(c) [:]
3. Sea T:R 4
-+
R 3 la multiplicacin por
- 2
-3j - 4
9
O - 9
Cules de las siguientes matrices estn en R(T)?
4. Sea T:R 4 -+ R 3 la transformacin lineal del ejercicio 3. Cules de las siguientes matrices estn en ker(T)?
5. Sea T: P2 -+ P 3 la transformacin lineal definida por T(p (x)) =zxp (x). Cules de los polinomios siguientes estn en ker(T)?
(b) O
(cl 1 + x
6. Sea T:P 2 -+ P 3 la transformacin lineal del ejercicio 5. Cules de los siguientes polinomios estn en R(T) ?
(bl 1 + x
7. Sea V cualquier espacio vectorial y supngase que T: V T(v) = 3v.

a) Cul es el ncleo de T?
-+ V
est definida por
b) Cul es el recorrido de T?
8. Halle el rango y la nulidad de la transformacin lineal del ejercicio 1.
264
TRAN~F9RMACIO!,!~S ~IN~.4:LES
9. Halle el rango y la nulidad de la transformacin lineal del ejerc\cio 5. 10. Sea V un espacio vectorial de dUnensin n. Encuentre el r<\Ilgoy la nulidad d~ la transform~cin lineal T: V -+ V definida por
(a) T(x) = x
(b) T(x) = O
(c) T(x) = 3x
11. Considrese la base S = {Vl, V V3 } para R 3, en donde Vl = O, 2, 3), V2 = (2, 5, 2, 3) Y V3 = O, O, 10). Encuentre una frmula para laansfo~acin lineal T:R 3 2 -+ R para la que T(Vl ) = O, O), T(v2 ) =O, O) Y T(V3) = (O, 1). Calcule 1'0, 1, 1). 12. Halle la transformacin lineal T:P2 -+ P 2 para la que TO) = (f) x, T(x) = 3 .:.. X2 y T(x 2 ) = 4 + 2x - 3x 2 . Calcule T( 2 - 2x 3x2 ). 13. En cada inciso utilice la informacin dada a fin de encontrar la nulida~ d~ T.
a) T:R s -+ R 7 tiene rango 3. e) El.recorrido de T:R 6 -+ R 3 es.R 3.
b) T :P 4 -+ P 3 tiene rango 1 d) T:M 22 -+ M 22 tiene rango 3.
14. Sea A una matriz de 7 X 6 tal que A x = O tiene nicamente la solucin trivial y supngase que T: R 6 -+ R 7 es la multiplicacin por A . Halle ~l rang'O' y la nuli. , - ., . dad de T.
~ IS. Sea A una matriz de 5 X 7 con rango 4.

a) Cul es la dimensin del espacio de soluciones de Ax = O?
b) A x
=b es consistente pra 'todos los vectores b en R
? D~ una explicacin.
H~e:
En los ejercicios 16 al 19, sea T la multiplicacin p'()r la matriz que se da.

a) Una base para el recorrido de T.
b) Una base para el ncle de T. e) El rango y la nulidad de T.

-1
16.
[i
[~
6 4
-:l
5
17.
[~
O O -2 O O
4
-1]
5 5
O O O - 1 8
18.
2 3
~J
19.
[-j
-2
O -1
3
-:J
20. Sea T:R 3 -+ V una transformacin lineal de R 3 hacia cualquier eSPacio vectorial. Demuestre que el n cleo de T es up.a re'?ta que pasa por el origen, un plPlO qu~ pasa por el origen, nicamente el origen, o bien, la totalidad de R 3 ~ '.. , t?21. Sea T: V ~ R 3 ~na transformacin lineal desde cualquier espacio vectorial hacia ,/ R 3. Demuestre que el recorrido 'de T e~ una rycta que pas~ por ~l origep: un plano que pasa por l origen, nicamente el origen, o bien, la totalidad de R 3. 22. Sea T :R 3 -+ R 3 la llluiplicacin por ' ,. . ,
Y"
I
GEOMETRIA DE LAS TRANSFORMACIONES LINEALES DE R , . ...., ' . .. -, -' . "~!
HACIA R
265
a) Demuestre que el ncleo de T es una recta que pasa por ~l origen y encuentr~
l~
ecuaciolles paramtricas de tal recta. de este plano.
b) Demuestre que el recovido de T es un plano. qll~ pasa por el origen y halle la

ecua~in
23. Prueb~ que s~ { VI, V2, . . . , vn } ~~ una base para Vy WI, W2, .. . , w n son vectores en W, no necesariament; ' distintos, entonces hay unq transformacin lineal T: V"* W tal que n~I' ) =wI, T(V2) =~2, . .. ,T(vn ) = wn' 24. Pruebe el teorema de la dimensin en los casos: (a) dim(ker(T)) = O (b) dim(ker(T)) = n 25. Sea T: V"* V un op~rador lineal sobre un espaci9 vectorial V de dimensin finita. Pruebe que R(T) = V si y so si Jcer (T) = {~ } 26. (fa;a 'los lectore~ qJIe hayau. estudiado Clculo.) Sea D :P3 "* P2 la transformacin derivacin D (p) = p'. Describa el ncleo de D. 27. (Para los lectores qU~ lIayan ~st~di~do Clculo.) Sea J:P I "* R la transformaciqn integracin (p) =fl- I p(x)dx. De~criba el ncleo de J.
5. TRANSEORIV!ACIO~ES LlNEA~ES DE Rn HACIA Rm ; G~OMETRIA QE L~S TRANSFORMACIONES LINEALES DE 1]2 HACIA R;2
En esta seccin se estudian las transformaciones lineales de Rn hacia R'!l y se obtienen las propiedades g~omtri~as de l~s transio~aciones lineales 8e R 2 hacia R 2 ' , Primero se demuestra que toda transformacin lineal d~ Rn hacia R m es una transformacin matricial M~s concretunente, se demuestra que si T:R~ "* Rm es c~alqu~er transformacin lineal, entonces es posible ~ncontrar una I\latriz A d~ 0 p tal qu~ Tes la m\lltiplicacin por A : A fin de verificarl~, sea
rn
la base estndar para Rn y supqngase que A es la matriz de m X n que tiene a
T(e l)' T(e2), ... , T(e n )

como sus vectores columna. (En esta seccin se supone que todos los vectores en n9t.aci~ m~tricial.) Por ejemplo, si T:R2 "* R 2 est dada por '
s~
expres3.l! ,
T
entonges
([Xl]) = [Xl + ~X2] X2 " Xl - X2
T(e} = F
([~]) = [l]
A=
G -n
t t
f{et} nel)
T(e2)
=T
([~]) = [ -
'
266
De modo ms gene ral, si
T(e}=:
U!!] a2! l
amI
, T(e 2 ) = :
ra!2] a22 , ... ,T(e ) =la!,,] a2n :

n
am 2
a m"
entonces,
A=
la"
a2!
:/1111 .
( l ' , )
a!2 a22
Qm2
a,,,]
a2 "
;/111"
l
( \' .;i
(5 .6)
"j ,l' ,1
Se demost rar que la transformacin lineal T:R" verificarlo, obsrvese primero que
-)o
Rm es la multiplicacin po r A . Para
= :,
l
.\ 2 .\1/
.\l]
=
Xl
x 1e 1
+ X2e2 + . . . + xnen
Por tanto, por la linealidad de T,

T(x) T(e)
+ X2 T(e 2 ) + ... + x"T(e,,)
(5 .7)
Po r otra parte,
Ax
= :
= Xl =
l l
a 11
a2!
a 12
a 22
11X 1 a 2".\ 2 "]l.\1]la l + (/12'\2 + . . . + a 1 ".\"J a (/21'\1 + (/22'\2 + .. . + (/2".\"
a lll !
am 2
~lll'" .~"
lill z]
C/22
= :/1111.\ 1+ :/1112.\2 + ... + ~,''''.\''
a
:
l1
a21 ]
~Zml
+ X2: + ... + x : :/1112 " :ZIIIII + X2 T(e2) + . . . + x"T(e,,)
la!,,]
a2"
Xl
T(e)
(5.8)
Al comparar (5.7) y (5.8) se llega a T(x) =Ax, es decir, Tes la multiplicacin por A. A la matriz A que se da en (5.6) se le llamar la matriz estndar para T.
GEOMETRIA DE LAS TRANSFORMACIONES LINEALES DE R
HACIA R
267
Ejemplo 19
Hllese la matriz estndar para la transformacin T:R 3 """* R 4 definida por
Solucin.
Utilizando a T(el)' T(e2)' y T(e3) como vectores columna, se obtiene
Como una verificacin, obsrvese que
lo cual concuerda con la frmula dada para T.

Ejemplo 20
Se:.! T:Rn
--7
Rm la multiplicacin por
A=
Encuntrese la matriz estndar para T. Por ejemplo,
l
:
(l!1
(1 2 1
(11 2
(1 22
al '"
a2n
.. .
(1m I
Um2
(!/~J
Solucin. Los vectores T( el), T( e2), . .. , T( en) son los vectores columna sucesivos de A.
268 J
.~
TRANSF.ORMACIO~ES
I
, ~:...
...
LINE.o.LES
, '. "'" '
T (e)
A e
all
(/2
:
am 1
As entonces, la matriz est~dar para Tes

. I I
En res!lTl1en, la matriz
e~tndar
para Una transformacin matricial es la propia matriz.
En el ejt~lo 20 se sugiere una nueva, m'lnera de conceqir la~ matfce~ . Una matriz A de m X n se p~ede considerar como la matriz estndar para la transformacin lineal que ilPlic~ Ifl'base est~nd~r para R~ en Ips vector~s col~mqa de A. Por tanto~ ' ,
-2
4
es la matriz estndar para la transformacin lineal de R 3 hacia R 2 que aplica
.. l. .
'l. ' , ,
en
respectivam en t~: En el resto de esta seccin se estudian las propiedades geomtricas de las transformaciones lineales en el pla~~, es decir, transformacio~~s, lineales deR~ haciaR~ . Si T:R2 :-* R 2 ~s un~ transf;rmaci~ de ~ste tipo y .<. . ,.. . , '
,A = [a d b] e
es la matriz estndar pilfa T, entonces
T([x]) - [ae b] [x]-_[ax + tly ] +b Y Y d y ex

< . . ' ,
(5 .9)
Hay dos interpretaciones geomtricas igualmente aprppiadas para esta, frmula : Es posible considerar los elementos de las matrics
GEOMETRiA DE LS TRANSFORMACIONES LINEALES DE 'R 2

y
~ (ax
\ \
HACIA R
269
+ by, eX + dy)
\
\
(ax
\
\
+ by,
ex
+ dy)
\
\
\ \
\
\
\
\
\
\ (x, yj
x
\ (x, y)
T aplica vectbres a vectbres
r
Figura
aplica puntos a pu ntos
5.5
'[ax + b y]
ex + dy
como componentes de vectores, o bien; como coordenadas de puntos. Coh la primera in terpretacin, T aplica flechas hacia flechas, y con la segunda, puntos hacia puntos (figura 5.5). La interpretacin que se elija no tiene importancia. En el anlisis que sigue, se consi deran las transformaciones lineales en el plano como aplicaciones de puntos hacia puntos.
Ejemplo 21
Sea T:R 2 -+ R2 la transforn1aci6n lineal que aplica cada punto en su imagen simtrica respecto al eje y (figura 5.6). Hllese la matriz estndar para T.
(-x,
y) ... --- - - - -- Ix,
y)
Figura 5;6
Solucin
Utilizando a T( el) Y T( ~) como vectores columna, se obtiene la matriz estndar
270
Como una comprobacin,
de modo que la multiplicacin por A aplica el punto (x, y) en su imagen simtrica (-x, y ), respecto al eje y. Ahora se enfoca la atencin sobre cinco tipos de transformaciones lineales planas que tienen importancia especial: rotaciones, reflexiones, expansiones, compresiones y deslizamientos cortan tes (cizallamientos). Rotaciones. Si T:R2 -+ R 2 hace girar cada punto en el plano alrededor del origen, hasta describir un ngulo e, entonces, por lo visto en el ejemplo 2 de la seccin 5.1, se deduce que la matriz estndar para Tes cos [ sen
e e
- sen cos
e ]
Reflexiones. Una reflexin respecto a una recta 1 que pasa por el origen, es una transformacin que aplica cada punto del plano en su imagen como en un espejo, respecto a la recta l. Se puede demostrar que las reflexiones son transfonnaciones lineales. Los casos ms importantes son las reflexiones respecto a los ejes de coordenadas y respecto a la recta y = x. Siguiendo el mtodo del ejemplo 21, el lector debe poder demostrar que las matrices estndar para estas transformaciones son:
~eflexin respecto al [ ~ey
1 0J
1
~eflexin respecto al
~ex
[1
0J
-1
, (x, y)
I
i
Reflexin respecto a 'l OI la recta y =x
(x, - y)
01J
Expansiones y compresiones. Si la coordenada x de cada punto en el plano se multiplica por una constante positiva k, entonces el efecto es dilatar o comprimir cada figura plana
HACIA R
271
en la direccin x. Si O < k < 1, el resultado es una compresin y si k > 1, una expansin (figura 5.7). A una transformacin de este tipo se le denomina expansin (o compresin) en la direccin x, con el factor k. De manera anloga, si la coordenada y de cada punto se multiplica por una constante positiva k, se obtiene una expansin (o compresin) en la direccin y, con el factor k . Puede demostrarse que las expansiones y compresiones a lo largo de los ejes de coordenadas son transformaciones lineales.
(fx, y)
I-_.....,~(x, y)
.
k=2
-,
(2x, y)
k=
(compresin)
i'!
11
Figura inicial
( expansi6n)
Figura 5.7
Si T:R2 ~ R 2 es una expansin o compresin en la direccin x , con el factor k , entonces
de modo que la matriz estndar para Tes
De manera anloga, la matriz estndar para una expansin o compresin en la direcciny es
Deslizamientos cortantes (cizallamientos). Un deslizamiento cortante en la direccin x, con factor k , es una transformacin que mueve cada punto (x, y) paralelo al eje x, en una cantidad ky, hacia la nueva posicin (x + ky, y). Bajo una transformacin de este tipo, los puntos que estn sobre el eje x no se mueven puesto que y = O. Sin embargo, conforme se avanza alejndose del eje x, la magnitud de y aumenta, por tanto, aquellos puntos ms alejados del eje x se mueven una distancia mayor que los que se encuentran ms cercanos (figura 5.8). Un deslizamiento cortante en la direccin y, con factor k, es una transformacin que mueve cada punto (x, y) paralelo al eje y, en una cantidad kx , hasta la nueva posicin (x, y + kx). Bajo una transformacin de este tipo, los puntos sobre el eje y permanecen
272
TRANSFORMACiONES LeifS
r-~~~.(x, y)
k>O
Figura 5.8
k<e
fijos, y los que se encuentran ms alejados del eje y se mueven una distancia mayor que los que estn ms cercanos. . Se puede demostrar que los desliiamientos cortantes son transformcines lineales, Si TR 2 -+ R 2 es un deslizamiento cortante de factor k en la diTecirt X, entonces
De rriodo anlogo, ia nitriz estndar para un deslizamiento cortante en la direciny, de fctor k, es
OBSERVACION. La multiplicacin por la matriz identidad de 2 x 2 aplica cada punto
en s mismo. A esta transformacih se le denomina trimsforniadn identidad. Si se desea, es posible imaginar 8ta transfrmaciri como una rotacin que describe un ngUlo de 0, o bien, como un deslizamiento cortante a lo largo de cualquiera de los dos ejes, con k = 0, o bien, como una compresin o una expansin a lo largo de cualquiera de los ejes, cori un factr k == l. Si se efectan en sucesin un nmero muy grande, pero finito, de transformaCiones de Rn hacia Rn, entonces es posible obtener el misnio resultado mediante una sola transformacin matricial. En el ejemplo que sigue se ilustra este hecho. Ejemplo 22 Supngase que se hace giTar el plano hasta que describe un ngulo e y, a continuacin; se sujeta a un deslizamiento cortante, de factor k, en la direccin x. Encuentrese una sola transformacin matricial que produzca el mismo efecto que el de ls dos transformaciones sucesivas.
GE0METRiA DE LoAS TRANSF0RMAC10NES LlNALES DE R 2 HACIA #2
273
SoluCin. Bajo la rotacin, el punto {x, y) se transforma en el punto (x " y' ) con las coordenadas dadas por
[x']= [CO,58 e y' sen

y ") con las co\:denadas dadas por
- sen cos e
e] [x] y
(5.10)
Bajo el desizamientocortame, el punt (x " .:Y i) se transforma entonces en el punto (x ",
(5.11)
Al sustituir (5. 10) en (5.11) se llega a 1 [X"] = '[ o k] [eos e y" 1 sen e o bien, -sen cos 8
0] [xJ y
'[X"] = '[' cos -e + k sen e

. y"
sen
-sen
e + kcos 0]
cos 8
[xJ
y
Por tanto\ la rotacin 'seguid'a pOr el deslizaininto co'rtante se pueden efectuar por medio de la transformacin matricial con na~riz
COS [
e + k sen fJ
seh 8
'- 'sen
e + k cos e 'J cos e
En 'general, si se llevan a cabo en sucesin las transfom'laciones matriciales
de R'/1 hacia 'Rn (primero T1 , a continuacin T 2 , etc.), entonces se obtiene el mismo resul-
tad'O por medio de la transformacin matricial nica T(x) =Ax, en aonde
'
(5.12)
Ntese que se obtiene el orden en el que se llevan a cabo las transformaciones al leer de derecha a izquierda en (5.12). Ejemplo 23
a)
Hllese una transformaCn matricial de R 2 hacia R 2 que primero lleve a cabo un deslizamiento cortante en un factor de 2 en la direccin x y, a continuacin, realice ' una reflexin respecto ay =x.
274
b)
Encuntrese una transformacin matricial de R 2 hacia R 2 que primero realice una reflexin respecto a y =x y a continuacin, un deslizamiento cortante en un factor de 2, en la direccin x.
Solucin a). La matriz estndar para el deslizamiento cortante es
y para la reflexin es
de modo que la matriz estndar para el deslizamiento cortante seguido por la reflexin es
A A
2 1
[0 [1 lJ
1
Solucin b). La reflexin seguida por el deslizamiento cortante se representa por medio de
En el ltimo ejemplo, ntese que A lA 2 A 2 A 1, de manera que el efecto de realizar un deslizamiento cortante y, a continuacin, una reflexin es diferente de realizar la reflexin y, a continuacin, el deslizamiento cortante. En la figura 5.9 se ilustra geomtricamente este hecho, en ella se muestra el efecto de las transformaciones sobre un rectngulo. Ejemplo 24 Demustrese que si T:R 2 ""* R 2 es la multiplicacin por una matriz elemental, entonces la transformacin es cualquiera de las que siguen:
'*
a) b) c) d) e) /)
Un deslizamiento cortante a lo largo de uno de los ejes de coordenadas. Una reflexin respecto a y = x. Una compresin a lo largo de uno de los ejes de coordenadas. Una expansin a lo largo de uno de los ejes de coordenadas. Una reflexin respecto a uno de los ejes de coordenadas. Una compresin o expansin a lo largo de uno de los ejes de coordenadas, seguida por una reflexin respecto a uno de tales ejes.
Solucin. Dado que una matriz elemental de 2 X 2 es el resultado de efectuar una sola operacin elemental sobre los renglones, sobre la matriz identidad de 2 X 2, se debe tener una de las formas que siguen (verifquese):
GEOMETRIA DE LAS TRANSFORMACIONES LINEALES DE R 2 HACIA R 2
275
Reflexin alrededor de y - x
Deslizamiento cortante en la direc cin x con k = 2

/ /
/ /
/
r
I I
/
/
/
//
(4,1)
~--~
(2,1)
Reflexin alrededor de y - x
Deslizamiento cortante en la direccin x con k - 2
Figura 5.9
Las dos primeras matrices representan deslizamientos cortantes a 10 largo de los ejes de coordenadas y la tercera, una reflexin respecto ay = x. Si k > 0, las dos ltimas matrices representan compresiones, o expansiones, a 10 largo de los ejes de coordenadas, dependiendo de si k 1, o bien, k ;;. 1. Si k < 0, y si se expresa k en la forma k = -k 1, en donde k 1 > 0, entonces las dos ltimas matrices se pueden escribir como
[~ ~J = [-~l ~J=[-~ ~J[~l ~J
(5.13)
[~ ~J = [~ ~~J = [~ - ~J [~ ~J
Ya -que k 1
(5.14)
> 0,
el producto que se da en (5 . 13) representa una compresin, o expansin,
a 10 largo del eje x, seguida por una reflexin respecto al eje y, y (5.14) representa una compresin, o una expansin, a 10 largo del eje y, seguida por una reflexin respecto al eje x. En el caso en el que k = -1, (5.13) Y (5.14) son tan slo reflexiones respecto a los ejes y y x, respectivamente. Sea T:R2~R2 la multiplicacin por una matriz inversible A y supngase que T aplica el punto (x, y) hacia el punto (x', y'). Entonces
276 y
A partir de estas ecuaciohess deduce 'que, si la multipUbicih por A aplica (x, y) haCia (x " y , ), ritbhces la ITnHtiplicacin por A- 1 regresa (xi, )1'), hacia su posicin origihal (x, y). POr esta ratn, se dice qu la multiplicacin por A y la multiplicacin por A - 1 so n
transformaCiones inversas.
Ejemplo 25 Si T:R2 -+ R 2 comprifue el plano en un fador de 2" eh la diteccin y ehtonces es intit'lamente evidente que, para regresar cada punto a su posicih original, se debe dilatar l plano en un factor de 2 en la direccin y. En efecto, este es el caso , porque
1
A =
[~ ~J
representa Una compresin de factor -} en la dlieccin y, y
es una expansin de facto'r 2 en la direccin y. Ejemplo 26 La multiplicacin por

COS [
A=
- sen (J ]
cds (J
sen (J
hace girar los puntos del plano hasta describir un ngulo e. Para regresar un punto hasta su posicin onginal, se debe hacer girar hasta que describa un ngulo - e. Se puede lograr esto al multiplicar por la matriz de rotacin
COS( - (J) [
sen( -
(J)
- sen( - (J) Jcos( - (J)
Aplicando las identidades, cos(...:.e) escribir esto como
= cos
e y sen (-8) = - sen e.. se pUede volver a

.
cos (J [ - sen (J
sen (J ] cos (J
"
pl\ede vt;rificar qv.~ ~sta m,atriz es I invma d~ A. S,e concluye esta sec(;jn, con ds. teo.remas que sumtnistrar. cierto. co.ncimiento. de l:as propiedades gemtriQ;as qe Ii\s tr(lnSfo.nnacjo.nes lin~al~s en el plap..
t:~ ~ectr
Teom"" 5. Si TR 2 -+ R,2 es la, /1lultiplicacif/ por una f11{ltriz inpersible A, entonces el efecto geor,nt1'ico de T es el mismo. que el prOducidg por ~n(2 Sucfsin apropiada de des#zrpniel;1to.s cor((llJtes\ cOl1;lpresiolfes" epqJ1siqne~ y r?lk.;ione~.
J)emostl;acin. Supu,esJo. que ;4 es inyef~ible, se pu~qe reducg- hasta la idel1tidad po.r medio, de una sU,cestn, finita ~e Qpe~<lcio..nes' ~~emel1ta,les sopre lp~ renglo.nes. Es po.sible ~fec tua U 9peracin eJement~ s9.br~ 19s renglo.nes tI multiplicar d()sde la izquierda po.r una, ,na ma~Fiz el~me;.tal y, en c(;ms~c,:ue:cja, existen las llla,trices ele~en~a,les?!~ ff2"" ,1J~, !a~es que
A,~
ctespejax- A; qa
(5.15) En, est\! e\1acin Sl expresa Ji co.mp un produ,cto de matrices ele!1l()p.tales (ya, qUe, por el te(),\'en, a 9 <!l1li sec(,:il\ 1.6" la inver&li de llna matriz eleTpental t?mqin ~s ()lel11:ntal). t:n1 to.nces. S; llega al esultil,do. co.n base eill visto en, el ejenp!o. +4 , l;:jempl,o ~7
cmo. pro~u,cto. de matriCeS elementa!es y, a co.ntin1.!acin, d()scrbase el efecto geo.mtri90. de la multipljcil<;Em po.r A, tl/1 trminos de deslizamiep.to.s cortantes, co.mpresio.nes, expa,nsio.nes y r()fj~xion.es. ' ,
,
Solucin. Se pl,lede
reducj~
A hasta I. co.mo. sigue:
[1 ?-J ~ [1
r----...,...",-:--,...,
Smese"'" 3. veces el primer rengln al tercero
3 4
-~
~J ~ [1
1
2J ~ [1 0J
1 1
.
M;ultiplquese el segundo. rengln

PQr -2
Smese - 2 veces el segundo. rengln a,lprimero
278
Se pueden efectuar las tres operaciones sucesivas sobre los renglones, multiplicando desde la izquierda sucesivamente por
Al invertir estas matrices y aplicar (5.15) se obtiene
Leyendo de derecha a izquierda y observando que
1 [ 0J = [1 0J [1 0J
-2 -1 2
se concluye que el efecto de multiplicar por A equivale a: 1) 2) 3) 4) Realizar un deslizamiento cortante por un factor de 2, en la direccin x; a continuacin expandir por un factor de 2 en la direccin y; a continuacin reflejar respecto al eje x; a continuacin realizar un deslizamiento cortante por un factor de 3 en la direcciny.
En los ejercicios se analizan las demostraciones por partes del teorema siguiente: Teorema 6. Si T:R 2
""* R 2 es la multiplicacin por una matriz inversible, entonces:
a) b)
c)
d) e)
La imagen de una recta es una recta. La imagen de una recta que pasa por el origen es una recta que pasa por el origen. Las imgenes de rectas paralelas son rectas paralelas. La imagen del segmento rectilneo que une los puntos P y Q es el segmento rectilineo que une las imgenes de P y Q. Las imgenes de tres puntos estn sobre una recta si y slo si los puntos tambin lo estn.
OBS ERVACIO N. Por las partes
(c), (d) y (e) , se deduce que la multiplicacin por una matriz inversible A de 2 X 2 aplica tringulos en tringulos y paralelogramos en paralelogramos.
Ejemplo 28
Trcese el esquema de la imagen del cuadrado con vrtices PI (O, O), P 2 (1, O), P 3 (O, 1) Y
P4 (1, 1), bajo la multiplicacin por

-1 2
A= [
-1
?J
HACIA R
279
Solucin. Puesto que
la imagen es un paralelogramo con vrtices (O, O), (- 1,2), (2, -1) Y (1,1) (figura 5.10).
(1, O)
(1, O)
Figura 5.10
Ejemplo 29
De acuerdo con el teorema 6, la matriz inversible
aplica la recta y = 2x
+ 1 en otra recta.
Encuntrese su ecuacin.
Solucin. Sea (x, y) un punto de la recta y cacin por A. Entonces
= 2x + 1 Y (x " y ') su imagen bajo la multipli-
de donde,
x =
y
x' -
y'
= -2x' + 3/
Al sustituir en y = 2x
+ 1 da
~o
-2x'
o, lo que es equivalente,
+ 3y' =
2(~'
- y')
+1
y'
Por tanto, (x " y , ) satisface
y
= !X' + t
=!;X: + t
la cual es la ecuacin que se desea.
EJERCICIOS 5.3
1. Encuentre la matriz estU1dar de cada u!,\o de los
ope radon~s lineal~s sigui~~t@. .
2,
Encuentre la matriz estndar de cada una de las guientes.
transfortrl~c!~nes ~n(:~l~~
s,i-
(a)
T([::J){ f~:J
([~:])
O O
e
(b) T
(r~:
l l)
x)
X4
[7X' + 1', 2
x X4 Xl X3 X2 Xl X3
-,x 1
+ x3
x,
+ X']
.
(el T
O O O
(d)
T(l@~
I
3.
Halle la matriz estndar para la trap.sfqrmacil1 lineal en el plano T.:R 2 ~ 1<2 que aplica un punto (x, y) en (vea la figura siguiente):
a) su reflexin respecto a la recta y = 7 x; b) su reflexin respecto al origen; e) su proyeccin ortogonal sobre ~l eje x; d) Su proyeccin ortogon~ ~o br~ ,el eje y.
4.
Para cada uno de los incisos del ejercicio 3, utilice la m,atriz q~ e S!! haY,a ollt.erp.do para calcul, r T(2, 1). Verifiqu~ las respuestas g!!ollltrj~!ll1f;)n!e, ,sim1!-Ildg a los puntos (2, 1) y T (2, 1). .
!
I
/ /
(x, y)
- - - 1 - -..- - - -
.t
(a)
(b)
(c)
5.
Encuentre la matriz estndar para el operador lineal T:R 3 pun!9 (.:t, y, z~ en:
-, ,,o _
~
".
_,
o"
~ l)
....
..,!
-*
R 3 que aplica un
. ,., .....
a) s~ reflt:}:in respectp al plmo ~y; b) su reflexin respecto a,l planp xz; ~)' s~ refl~xi~ r~sp~ci~ a pl~n~ 'yz. c " " J .
., ' ~"-.'0 '""
,~, ~
6.
Para cadl! ~~ciso de} ercicio 5, u tili~e la ma,triz qu~ se haya obttm~do par~ cal: ::u11! :r(1, 1, 1). Yerifiql!~ l~s r@spu~st~ !foe~mtri~aw-ente, h~cieJlqo j.n esqueIl1~4t1osvecton?(l, 1, l)y TP1 1, p.
1. ' If~~e!~ ~~ ~~if e~ttlligili Pjgil: ~! ppeHld?r.line4 T:R 3 '

fl) h'!pa
~
~ 3, el c~al
!W~ c~~ll Yect~~ Qg o en sentido ~qntr~rio al TI1qvpni~nto qe las manecillas del reloj, alrededor del eje z (cuando se observa hacia abajo del eje z poSitiYO, haca el origen); . . . , . " , . . . . . . " . ' . . o b) haga girar cada vector 90 en sentido contrariQ al de las manecillas del reloj, .. ~iedef!p; d~'l ' ~je ~ (~uaqqq ~e 'Illirfl '~ IR'la.rg~ 4~1 "~~e x ppsiti~o p.,!~ia el 9ri: gen); ' . e), ~rar S~da, yestor 9q'l eq s~!1ti8 co~trar~o al d~ las manecillas gel r~loj, air~d~qpr 4tl eje y (c~enqo ~e nira a lo argo dl!!l eje y pqsitiyQ p.cia t I pri:
.. ~.. J .
hagi!'
g~J1).
~.
't (91
Tra;e lln ~squeIlJ~ de 2)~ pajq:
lt Il1a,gt:q
q~l r~ctnBl'llo
son v~r*es (O,
P\ (L P),
(1~
21
a) una reflexin n~specto al eje x;
b) ima F~fl~;ip~ re~pe~to al ej~ y; r:} Hn a c8I!1pr@sipn qe fa~:tc?r k = ~

d) u!1a e~pansg)ll g~ facto! k
en la direccim)!;
f? ) J.!H g!!~U?:\lITlt<;ntq cortante d<; fctor k = 3 ~n 1~ d~~99i8n x; j) un' cjUz~i<;Il,W cqFt~te de factor k = - 2 en l~ 9ir~ccin y.
=2 en la qire~cin x;
Hag l;l!1 esgll~na. :le l~ If!ag!!n de~ cuadraqp con v~tices (Q, Q), (1, O), (O, 1) Y, (1,! l b~Jq 1<\ WH !!iplip~c~pn pqr
282
10.
Halle la matriz que haga girar un punto (x, y ) alrededor del origen hasta describir el ngulo:
(b) 90 (e) 180 (d) 270 (e) - 30
11.
Halle la matriz que realiza un deslizamiento cortante en :

a) un factor de k = 4 en la direccin y; b) un factor de k = - 2 en la direccin x.
12.
Encuentre la matriz que comprime o dilata en:

a) un factor de
~ en la direccin y;
x.
b) un factor de 6 en la direccin
13.
En cada inciso, describa el efecto geomtrico de la multiplicacin por la matriz dada

3 (a) [ O 0lJ
(e)
[~
;J
14.
Exprese la matriz como un producto de matrices elementales y, a continuacin, describa el efecto de la multiplicacin por la matriz dada, en trminos de compresiones, expansiones, reflexiones y deslizamientos cortantes.
2 (a) [ O
(c)
03J
(b)
1 [2 49J
[~
4 O [O-2J
(d)
-!J
15.
En cada inciso, encuentre una sola matriz que lleve a cabo la sucesin indicada de operaciones.
a) Comprima en un factor de
1 en la direccin x; a continuacin, dilate en un factor de 5 en la direccin y .2 b) Dilate en un factor de 5 en la direccin y; a continuacin, realice un deslizamiento cortante en un factor de 2 en la direccin y. e) Refleje respecto a y = x; a continuacin, realice un giro hasta describir un ngulo de 180.
En cada inciso, halle una sola matriz que lleve a cabo la sucesin indicada de operaciones.
16.
a) Refleje respecto al eje y; a continuacin, dilate en un factor de 5 en la direccin x; y, finalmente, refleje respecto a y = x . b) Haga girar hasta describir un ngulo de 30; a continuacin, realice un deslizamiento cortante en un factor de - 2 en la direccin y; y , finalmente, dilate
en un factor de 3 en la direccin y.
HACIA R
283
17.
Por medio de la inversin matricial, demuestre que:

a) La transformacin inversa para una reflexin respecto a y
xin respecto a y
= x.
=x
es una refle-
b) La transformacin inversa para una compresin a lo largo de uno de los ejes
es una expansin a lo largo de ese eje. e) La transformacin inversa para una reflexin respecto a uno de los ejes es una reflexin respecto a ese eje. d) La transformacin inversa para un deslizamiento cortante a lo largo de uno de los ejes es un deslizamiento cortante a lo largo de ese eje. 18. Halle la ecuacin de la imagen de la recta y = - 4x por
A
=
+ 3, bajo la multiplicacin
[~
-3J
-2
19.
En los incisos (a) hasta el (e) , halle la ecuacin de la imagen de la recta y bajo:
a) un deslizamiento cortante de factor 3 en la direccin x ;
b) una compresin de factor
= 2x,
1 en la direccin y
2
e) una reflexin respecto a y
= x;
d) una reflexin respecto al eje y; e) una rotacin de 60.
20.
Sea lla recta que pasa por el origen y que forma un ngulo de cf con el eje x positivo. Demuestre que" cos 2cp [ sen2cp sen2cp -cos 2cp
es la matriz estndar para la transformacin lineal que aplica cada punto del plano en su reflexin a l. (Sugerencia. Se puede realizar la. transform~cin por medio de una rotacin hasta describir el ngulo - cf para alinear 1 con el eje x; a continuacin, una reflexin respecto al eje x; y, finalmente una rotacin hasta describir el ngulo cf para colocar nuevamente 1 en su posicin original.)
21.
Encuentre la matriz para un deslizamiento cortante en la direccin x que transforme el tringulo con vrtices (0, O), (2, 1) Y (3, O) en un tringulo rectngulo con el ngulo recto en el origen.
a) Demuestre que la multiplicacin por
22.
A =
[!
~J
=
aplica todo punto del plano sobre la recta y 2x. b) Del inciso (a) se deduce que los puntos no colineales (1, O) (0, 1) (- 1, O) se aplican sobre una recta. Viola este hecho el inciso ( e) del teorema 6?
23,
~cuflcjn
.el in,~iso (a) del teorema 6, ($ugerfJnc;a, Una r~ct~ en el F~'!~o tiene qna Ax By + c;= O, en dop.de A y B no son am1:~ cer9. Aplique el J11tO,d o d.e l ,eje:nplo ?-9p?Ti ~t::no.strrr qu~ la jmMe~ d~ estt:: res:ta, bajo la l11ulti~ :pl~q.c~n po)" ~~ matriz !rlVers~ple
P-u.e ,b~
t}. r,te la ecuacin A' ~ e
+ 11'y + e == Q,
~n dopde
A' ;, fdA ~ cB){(a - pe),
y,
E' = { ..,. bA ami (a4 - b,c). Demuestre enfon.ces que A' ~ S' Ha sqn ambas .cero, lJ. fi.n p'e conclr .q}le 1t imagen es uni recta.}
I
24.
Aplique 1: sugerencia rema 6.
d~l
ejer,cicio 23 para propar los incisos (h) .
Y,
(e) del teo-
El). esta seccin sedep: Ustra ql!e si V y W son espacios, vectoriale~ con dimensin nnHa l ,(1'10 necesariamen,te R/J y fin )I entonc~s, 9911 un poco d~ jnge\1ioJ cll:lqlJ.ier transformac ,ciIl. Hp.eal T: V -j- W se puede cQnsid.erar . omo uJ1. transfOImacin matricial. La idea b~ca ,es elegir bi ses par':!Vy W, y traqaj,ar 90';1 as m ltri~es de c00rden,ag'l;S relativas a estas a ba.~es, en lugar decc:m 19s v,ectores. Par:!. ser especficos, supng~se qUe V t\ene dimensin 11 y Rpe W tiene , imen$jn m. ~i se ~gen l,as bases By ll' para Vy W; resPectiva,me!1te, d enF01).ces, paracac)a x en V, ~t matriz d'e coordenadas [ x ] B ser U:l vector en Rn , y la mttriz de coor,d epadas { !1x) JI}' ser algn vector en Rrr :por tanto) .ep el proceso de ,ap~i~ar ~e!l T(x), la transfonnacin linea T" genera" una aplicacin oe R~ hacia RIIJ" en,vi1fl\do { x lB haci. [ T(x) ] 8' . ~e I?l!j!de demostrar que esta aplicacin generada siempre es una transfom1 ac~JllineaL Como tal, se pl-!ede reCllizar apliGando \a matr~ estndar A, para eS,ta transol1na,c iqn; s decir,
(5.16)
,s ~
,de algun1f lJ1.alJ..~ra, ~s p.osibl~ !,!ncontraf l! matriz A, entQnces, como se mUestra en la
g~lf.<l S.ll, se pu,e decakl}lar !1x) en tres pasos, por medio del procedimiynto indirecto
igujyote: 1) 2) Calcular la m:triz de coordenaoas, [ x ]B M.ltiplicar [ x ]B desge la i;zquiercla, POr A, para produc~r [ Tex) J~' Reponstruir T(x,), a partir de Sll'n}atriz de cqordenadas [ rex) lB'
C lculo directo Multiplquese por A
(2) T(x)
3)
_Mo.>_
(1'1
[xJ Il
..
1'3
[T(x)lll'
Fig~ra
5,11
"'0
IIiIATRies be
L~S TRANs FORMACONES LlNElES
Hay ds tazones principales por las que este procedimientd iridiiectd es ri1podatit. primer lugar, suministra una manera eficiehte de levar a cabd las ttrisfomiidneS iineaies en una computadora digital. La segunda razn es terica, pero cdn importantes consecuencias prcticas. La matriz A depblle de as b'ases B y B ' . Por lo general se elegiran fas bases B y J' a fin de hacer que el cicuio de las matrices de coordenadas sea lo' ms fcil posible. Sin embargo, en lugar de ello se podra intentar elegir las bases jj y /jI para hacer que la matriz A sea lo ms sencilla posible, por ejemplo, con grupoS de elemntos iguales a cero. Cuando se hate esto en la forma correcta, la matriz A puede propo'rcionar infonnacn importante acerca de la transformain lineal T. En secciones posteriores se anipia esta ide. . Se considera ahora el problema de encontrar una matriz A que satisfaga (5.16). Supngase que V es un espacio de n dimensIones con base B == {", Ui ; . , . ,n' } Yque W ' es un espacio de m edn bas E' '= {v , "2, ... ; V }. Se est buscand un matriZ de th X ri m
Eh
a 11
a2 a 22 a m2
..
A= ait
a mI
...
a'' j
a2n
Qmll
ta que se cumpla (5 :16), pata tddos los vectores x en tor bas U, se desea que
V:
Eri particular, cuando x es ei vece
(5 .17J
Pro
o
" de mea qU
1
,A[U1] 8 = ~:iJ
amI
a 11
ahj
a z"
O ==
O
...
amn
l""j
a21 amI
Por tanto, (5 .1 7) implica que
286
Es decir, la primera columna de A es la matriz de coordenadas para el vector T(UI ), con respecto a la base B '. De manera anloga, si se hace que x= U2 en (5.16), se obtiene
A [U Z]B = [T(UZ)]B'
Pero,
O 1
[U2]B
O O
de modo que
A [U 2]B =
a21 [a" : ami
a l2 a 22 amz
"
ah] a 2n
. amn
O 1 O = O
a22 [a"] am2
Por tanto,
a 22 [a" ]= [T(u)]B' : am2

Es decir, la segunda columna de A es la matriz de coordenadas para el vector T( u2 ), con respecto a la base B'. Continuando de esta manera, se encuentra que la j-sima columna de A es la matriz de coordenadas para el vector T(u), con respecto a B'. La matriz nica A que se obtiene de esta manera se conoce como matriz de T con respecto a las bases B y B'. Simblicamente, se puede denotar esta matriz por medio de matriz de T con respecto a ~s bases B y B.
= [[T(UI)]B' i [T(U2)]B'
i ... i [T(Un)]B ]
Ejemplo 30 Sea T: PI
-+ P 2
la transformacin litleal definida por

T(p(x))
xp(x)
Encuntrese la matriz para T, con respecto a las bases
MATRICES DE LAS TRANSFORMACIONES LINEALES
287
y
en donde
'} B' = {'1, U , , U3 u 2
u1 = 1, u2 = x;
U'1
= 1, u = x,
U3
X2
Solucin. Con base en la frmula para T se obtiene

T(ud
T(1)
T(u 2 ) = T(x)
= (x)(l) = x = (x)(x) == x2
Por simple observacin, se puede determinar las matrices de coordenadas para T(ud y T(U2) con relacin a B ' ; stas son
[T(u,lJ, ;
m,
[T(u,lJ, =
Por tanto, la matriz para T con respecto a B y E' es
= [[T(u,l]. i [T(u,l].] =
[! ~]
Ejemplo 31 Sean T:P1

-+ P2 ,
By 8 ' las que se dan en el ejerr.plo 30 y supngase que

x
= 1-
2x
Usese la matriz obtenida en el ejemplo 30 para calcular T(x) por el procedimiento indirecto de la figura 5.11.
Solucin. Por observacin, la matriz de coordenadas de x con respecto a B es
Por tanto,
As entonces,
288
T(x) = OU'I
+ lu~ - 2u~ == 0(1) + l(x) --'- 2(xZ)

2X2
x -
Como verificacin, ntese que el clculo directo de T(x) es

T(x)
T(l - 2x)
= x(l -
2x)
== x - 2X2
lo cua concuerda con el resultado que se obtiene por medio del procediffiiento indirecto. EjemplO
:32
Si T:Rn -+ Rm es una transformacih lrieal y si j y B ' 30n las basrs esndar para Rn y Rm, respectivarrlente, entonces la matriz para T con respecto a By /3' es pre'cisaniete la matriz estndar para T que se analiz n l seccin ariterior. (Se deja la verific'<lcin de estb como ejercicio,) En el caso especial en el que V = W (de modo que T: V ~ V es un operador lineal), es corrin tomar j = B' al construir una matriz de 1: La riitriz resultante se one como mati-iz de T COf/ reSpecto a la base B. Ejemplo 33 Si B = { u , U2 , __ . , un } es ualqier bas para un espaci vectorial V de diniensin finita y . V ~ Ve s l operador identidad sobre JI; entOnces l(u) = U , 1(U2) = u2 , . , I( n ) = un" Por lo tanto,
1
O 1
[1(U 1 )]B = O , [1(UZ)JB =

O as entonces,
O O O , .. . , [1(un)JB ==
1 o o 1 [IJB = o o
o' o o
o o
Como consecuencia, la matriz del ope!ador identidad con respecto a cualquier base es la matriZ identid ad de n X n Ejempl 34 Sea TR 2 ~ R 2 el operador lineal definido por
MATRICES DE LAS TRANSFORMACIONES LINEALES Xl X2l ([ Xl]) = [ -2x + 4x J +

X 2 1 2
289
Encuntrese la matriz de T con respecto a la base B == { U1 ,
U2
},
en donde
Solucin A partir de la definicin T,

y
Por tanto,
y
Como consecuencia, la matriz de T con respecto a B es
EJERCICIOS 5.4
1.
Sea T:P2
P 1 la transformacin lineal definida p or
Halle la matriz de T, con respecto a las bases estndar para P 2 y P 1 2. Sea T:R 2 ~ R 3 definida por
a) Encuentre la matriz de T con respecto a las bases B = {

V2, V3 },
U, U2
YB I =
{V1 ,
en donde
b) Use la matriz obtenida en (a) con el fin de calcular
290
3.
Sea T:R 3
-*
R 3 definida por
a) Halle la matriz de T con respecto a la base B
= { v , V2,
V3
} ,
en donde
h) Use la matriz obtenida en (a) para calcular
4.
Sea T:P2
-*
P 4 la transformacin lineal definida por T(p(x) )
= x 2 p(x).
a) Halle la matriz de T con respecto a las bases B = { p, P2 , P 3 } Y B' en donde p = 1 + x2, P2 = 1 + 2x + 3x; P3 = 4 + 5x + x2 y B ' es la base
estndar para P4.

b) Use la matriz obtenida en (a) para calcular T(- 3
+ 5x -
2x 2 ).
5.
seanv1=GJ y
V2=[-~Jysupongaque
A=[_~ ~J
es la matriz de T:R 2
-*
R 2 con respecto a la base B
= { v, V2
} .
a) Halle [ T(v) lB y [ T(V2) b) Encuentre T(v) y T (V2).
e) Halle
([~J)
6. Sea A
=[
~ -3
- 2
6 O
2 7
I]
la matriz de T:R 4 ~ R 3 con respecto a ls bases
MATRICES DE LAS TRANSFORMAC IONES LINEALES
291
a) Halle [T(vI) 1s" [T(V2) 1s" [ T(V3) ]B' y [ T( V4) ]B" b) Encuentre T(VI), T(V2) , T(V3) y T(V4 )'
7.
S" A
V2 , V3
~ [~
} ,
_:
-!]
VI
la matri, d' T,P,
P, oon "'p"to a la bore B = { v"
en donde
= 3x + 3x 2 ,
V2
= -1 + 3x + 2x2 , V3 = 3 + 7x + 2X2 .
a) Halle [T(v) [T(V2) ]B y [T( V3) ]B' b ) Encuentre T(v), T(V2) y T(V3 )'
1s,
e) Halle T (1 8.
+ X2).
Demuestre que si T : V --* W es la transformacin cero (ejemplo 3), entonces la matriz de T con respecto a bases cualesquiera para V y W es una matriz cero. Demuestre que si T: V --* Ves una contraccin o una dilatacin de V (ejemplo 5), entonces la matriz de T con respecto a cualquier base para Ves una matriz diagonal Sea B = { V, V2 , V3, V4 } una base para un espacio vectorial V. Halle la matriz con respecto a B del oper ador lineal T: V --* V definido por T(v) = V2, T (V2)
=v3, T(V3)= V4. T(V4)=V,
9.
10.
11.
(Para los lectores que hayan estudiado Clculo.) Sea D :P2 -+ P2 el operador derivacin D ( p) = P'. En los incisos (a) y tb), halle la matriz de D con respecto a la base B = { PI , P2, P3 } .
a) PI = 1, P2 = X, P3 = X2 b) PI = 2, P2 = 2 - 3x, P3 = 2 - 3x
e) Use la matriz que se en contr en el inciso (a) para calcular D(6 - 6x + 24x1). d) Repita las instrucciones del inciso ( e) para la matriz hallada en el inciso (b) . 12. (Para los lectores que hayan estudiado Clculo.) En cada inciso, B = (f l , f 2 , f 3 ) es una base para un subespacio V del espacio vect orial de las funclOnes con v-
+ 8X2
292
T R ANSFO RMACIO NES LINEA L ES
lor real definidas sobre la recta real. Halle la matriz con respecto a B deloperador derivacin D: V"'" V. (a) f 1 = 1, f 2 = senx, f3 = cos x
(b) f 1 = 1, f 2 = eX, f3 = e2x (e) f 1 = e2 X, f 2 = xe 2x , f3 = x 2 e 2x
5.5 SEMEJANZA
La matriz de un operador lineal T: V"'" V depende de la base seleccionada para V. Uno de los problemas fundamentales del lgebra lineal es elegir una base para V que haga que la matriz de T sea tan sencilla como se pueda. A menudo este problema se ataca encontrando primero una matriz para T, con relacin a alguna base "sencilla", como una base estndar. Por lo comn, esta eleccin no conduce a la matriz ms sencilla para T, de modo que entonces se busca una manera de cambiar la base a fin de simplificar la matriz. Para dirigir un problema como ste, es necesario saber en qu forma un camb.io de base afecta la matriz de un operador lineal; en esta seccin se estudia este problema. El siguiente teorema es el resultado clave: Teorema 7. Sea T: V"'" V un operador lineal sobre un espacio vectorial de dimensin finita V. Si A es la matriz de T con respecto a una base B, y A I es la matriz de T con respec-
to a una base B', entonces

(5.18)
en donde P es la matriz de transicin de B' hacia B.

Para establecer este teorema, conviene describir la relacin
Au = v
de manera grfica, escribiendo
U
A
Supuesto que A es la matriz de T con respecto a B, y A I es la matriz de T con respecto a B ' , las siguientes relaciones se cumplen para todo x en V.
A[xJB = [T(X)JB
y
A'[ X JB' = [T(X)JB'

Estas relaciones se pueden escribir com o
[x JB
__
A _.
[T(X)]B
SEMEJANZA
293
"
[XJ 8' - - - - [T(xlJw
(5.19)
~ A fin de ver cmo estn relacionadas las matrices A y A', sea P la matriz de transicin de la base E' hacia la base B, de modo que p-l es la matriz de transicin de B hacia B ' . As entonces,
P[ xJB' = [XJ8
y
10 cual se puede escribir como

p
[xl B
(5.20)
y
[T( x)] B _..:..._ [T(x)l B ....
p- l
Para expresarlo en forma ms compacta, las relaciones (5 .19) y (5.20) se pueden eslabonar en una sola figura como sigue:
IxlB
_....0.:_. . .
A
fT(x)lB
pi
p- '
[XIB, _...,j,;A~_ .... [l'(x)]B'
En esta figura se ilustra que se tienen dos maneras para obtener la matriz [ T(x) lB" a partir de la matriz [ x ] B" Es posible tomar la trayectoria inferior a travs de la figura, es decir, (5.21 ) o bien, se puede ;ubir por el lado izquierdo, a travs de la parte superior y bajar por el lado derecho, es decir, (5.22) De (5.21) Y (5.22) se de duce que
(5.23)
para todo x en V. De (5.23) y el inciso (b) del ejercicio 11 se deduce que
294
"
P- 1 AP=A'
Esto prueba el teorema 7.
Observacin. Al aplicar el teorema 7, es fcil olvidar si P es la matriz de transicin de B hacia B '. (inco"ecto J, o bien de B' hacia B (co"ecto J. Es posible que ayude dar a B el nombre de base inicial, a B' el de base nueva, a A el de matriz inicial y a A I el de matriz nueva. Debido a que P es la matriz de transicin de B' hacia B, p-l es la matriz de transicin de B hacia B ' por tanto, (5.18) se puede expresar como:
atnz nueva = P -
matriz inicia!)
en donde P es la matriz de transicin de la base nueva hacia la base inicial.

Ejemplo 35 Supngase que T:R2 -+ R 2 se define por medio de
T([XIJ) - [ -2x + 4x z] XI + x Xz
1 z
Hllese la matriz estndar para T, es decir, la matriz para T con relacin a la base B = { el , ~ }, en donde
y, a continuacin, aplquese el teorema 7 para transformar esta matriz en la matriz para T con relacin a la base B ' = { Ul ' U2 } , en donde
U1
c]
Uz
[~]
Solucin. A partir de la frmula para T,
=[
-2 4
1 1J
SEMEJANZA
295
En seguida se necesita la matriz de transicin de B ' hacia B. Para esta matriz de transicin se necesitan las matrices de coordenadas para los vectores base B ' , con relacin a la base B. Por observacin,
U U2
=
=
e e
+ e2 + 2e 2
de modo que
Por tanto, la matriz de transicin de B ' hacia Bes
[~ ~J
El lector puede comprobar que
de modo que, por el teorema 7, la matriz de T con relacin a la base B ' es
P - AP
=[
-1
-1 [-21 4J[1 1 = [2 0J . J 1 1 2J 3 1
En este ejemplo se ilustra que la base estndar para un espacio vectorial no necesariamente produce la matriz ms sencilla para un operador lineal; en este ejemplo, la matriz estndar
no fue tan sencilla en estructura como la matriz
(5.24) con relacin a la base B ' . La matriz (5 .24) es un ejemplo de una matriz diagonal; esto es, una matriz cuadrada en la que todos los elementos que no estn en la diagonal son ceros. Las matrices diagonales tienen muchas propiedades convenientes. Por ejemplo, la k-sima potencia de una matriz diagonal
296
o
d
o
es
As entonces, para elevar una matriz diagonal a la k-sima potencia, slo se necesita elevar cada elemento de la diagonal a la k-sima potencia. Para una matriz ~o diagonal se requieren mucho ms clculos para obtener la k-sima potencia. Las matrices diagonales tambin tienen otras propiedades tiles. En el captulo que sigue se analiza el problema de hallar bases que produzcan matrices diagonales para operadores lineales. El teorema 7 da lugar a la definicin siguiente : Definicin_ Si A Y B son matrices cuadradas, se dice que B es semejante a A si existe una matriz inversible P tal que B =P- 1 AP. Ntese que la ecuacin B = p- 1 AP se puede escribir tambin como
Al hacer Q = P- 1 se llega a
con lo que se afirma que A es s~mejante a B. Por t anto, B es semejante a A si y slo si A es semejante a B ; como consecuencia, por lo general simplemente se dir que A y B son
semejantes.
Con esta terminologa, en el teorema 7 se afirma que dos matrices que represntan el mismo operador lineal T: V -+ V con respecto a bases diferentes son semejantes.
EJERCICIOS 5.5
En los ejercicios 1-7, halle la matriz T con respecto aB y aplique el teorema 7 para calcular la matriz de T con respecto a B'
~
1.
T:R -+ R se define por medio
SEMEJA NZA
297
{UU YB ' = {Vvz },en donde } I' l, 2 UI=[~J U2=[~J VI=[~J

T:R 2 -+ R 2 se define por medio de
V2
3 1- 4J L
2.
T([::]) [3:: ~ :::J

=
B = {u l , u2 } Y B' = {vJ , v2 }, en donde
3.
T:R 2 -+ R 2 es la rotacin alrededor del origen hasta describir un ngulo de 45; , R Y B ' son las bases del ejercicio 1.
4.
T: R 3 -+ R 3 se define por medio de
1Xl]) - [XI + ~X2 X3J Ix, _ ( lx: + 7 X3

-
X2
XJ
B es la base estndar para R 3 YB '
= { VI, V2, V3
},
en donde
S.
T:R 3 -+ R 3 e~la proyeccin ortogonal sobre el plano xy,' B y .B ' son las del ejercicio 4. T:R 2 -+R 2 se define por medio de T(x)= 5x; B y B' son las bases del ejercicio 2.
T:PI -+ PI se define 'por medio de T(ao P2 '} Y B ' = { ql, q2 }, en donde PI = 6
6. 7.
+ al x) = ao + al (x + 1) ; B = { PI, + 3x, P2 = 10 + 2x, ql = 2, qz = 3 +
2x,
8. 9. 10.
Pruebe que siA y B son matrices semejantes, entonces det(A) = det(B). Pruebe que las matrices semejantes tienen el mismo rango. Pruebe que si A y B son matrices semejantes, entonces A 2 YE 2 tambin son semejantes. De modo ms general, pruebe que Ak y Bk son semejantes, en donde k es cualquier entero positivo. Sean C
11.
yD
matrices de m X n. Demuestre que:
a) Si Cx D x para todo x en R'f, entonces C = D. b) SiR = { VI , V2,'" , vn } es una base para un espacio vectorial VyC[xlo
= D [x18 para todo xen V, entonces C=D .
298
1. Sea A una matriz de n X n, B una matriz diferente de cero de n X 1 Y x un vector en R n , expresado en notacin matricial. Es T(x) = A x + B un operador lineal sobre Rn? Justifique su respuesta. Sea
2.
A- [ sen e
a) Demuestre que
A 2 = [cos 2e
cos
e - sen e] cos e
sen 20
- sen 20] cos 20
A 3 = [ cos 30 sen 30
,- sen3e]
cos 30
b) d una suposicin lgica de la forma de la matriz A n para cualquier entero
positivo n. e) Considerand el efecto geomtrico de T:R 2 -+ R 2 , en donde T es la multiplicacin por A , obtenga geomtricamente el resultado que s obtuvo en (b). 3. Sea Vo un vector fijo en un espacio de productos interiores V y suponga que T: V -+ V se define por medio de T(v) = ( v, Vo ) vo . Demuestre que T es un operador lineal sobre V. Sean VI , V2, . . , vm vectores fijos en R n y suponga que T:Rn -+ Rm se define por medio de T(x) = ( x . VI, X' V2, . . . , x' vm ), en donde X' vi es el producto euclidiano interior sobre Rn. a) Demuestre que T es una transformacin lineal. b) Demuestre que la matriz con los vectores rengln VI, V2, . . . , vm es la matriz estndar para T. Sea T: R 4 -+ R 3 la transformacin lineal para la que
T(e,) = (1 , 2, 1), . T(e 3 ) = (l , 3, O), T(e z) = (0, 1, O) T (e4 ) = ( 1, 1, 1)
4.
5.
a) Halle las bases para el recorrido y el ncleo de T. b) Halle el rango y la nulidad de T.
6.
Sea A x = O un sistema lineal homogneo con n incgnitas y suponga que r es el rango de A. Halle la dimensin del espacio de soluciones si :
(aJ n
= 5, r = 3
(b) n = 4. r = 4
7.
a) Sea 1 la recta en el plano xy que pasa por el origen y forma un ngulo con el eje x positivo; y sea Po (xo, Yo) la proyeccin ortogonal de un punto P(x, y ).sobre 1 (vea la figura a continuacin).
SEMEJANZA
y
299
Se puede realizar esta proyeccin haciendo girar el plano hasta describir el ngulo - I/J hasta alinear 1 con el eje x, y, a continuacin, proyectando la imagen de P bajo la rotacin sobre el eje x y, por ltimo, haciendo girar el plano hasta describir el ngulo I/J para regresar 1 a su posicin original. Aplique esta observacin para demostrar que x o] [ Yo
= [
cos cjJ sen cjJ cos cjJ] sen cjJ cos cjJ sen2 cjJ
[x]
y
b) Aplique el resultado que se obtuvo en (a) con el fin de encontrar la proyec-
cin ortogonal del punto (1, 5) sobre la recta que pasa por el origen y forma un ngulo I/J = 30 con el eje x positivo. 8. Sean V y W espacios vectoriales, T, TI Y T 2 transformaciones lineales desde V hacia W, y k un escalar. Defina las nuevas transformaciones TI + T 2 Y kT, por medio de las frmulas
(T
T 2 )(x) = T(x)
T 2 (x )
(kT)(x) = k[T(x)]
a) Demuestre que (TI
+ T 2 ): V ~ W y kr: V ~ W son transformaciones lineales. ' b) Demuestre que el conjunto de todas las transformaciones lineales de V hacia W, con las operaciones dadas en el inciso (a), forma un espacio vectorial.
Sean A y B matrices semejantes. Pruebe:
9.
a) A t YB r son semejantes. b) A es inversible ~i y slo si B es inversible. e) Si A YB son inversibles, entonces A - 1 YB

10.
- 1
son semejantes.
(Teorema de la alternativa de Fredholm.) Sea T:V ~ Vun operador lin eal sobre un espacio vectorial de n dimensiones. Pruebe que se cumple exactamente una de las siguientes proposiciones :
i) La ecuacin T (x) = b tiene una solucin para todos los vectores b en V. ) La nulidad de O.
T>
300
11.
(Para los lectores que hayan estudiado Clculo.) Sea D:Pn -+ Pn el operador derivacin D (p) = p' Demuestre que la matriz D con respecto a la base B = { 1, 2 X, x , .. . , xn } es
O O
O O O O 3 O O O O O O O O
O O 2
O
O (n - 1) O
6
Eigenvalores (valores propios), eigenvectores (vectores propios)
6.1 EIGENVALORES y EIGENVECTORES

En muchos problemas de ciencias y matemticas, se da un operador lineal T : V -)- V Y es importante determinar aquellos escalares A para los cuales la ecuacin Tx = A x tiene soluciones diferentes de cero. En esta seccin se analiza este problema y, en secciones posteriores, se investigan algunas de sus aplicaciones. Definicin. Si A es una matriz de n X n, entonces se dice qUe un vector diferente de cero x en Rn es un eigenvector de A si A x es un mltiplo e-scalar de x; es decir ,
Ax = )x
para algn escalar A. El escalar A se denomina eigenvalor de A y se dice que x es un eigenvector correspondiente a A. Uno de los significados de la palabra "eigen" en alemn es el de "propio"; por ello , algunos autores tambin le dan a los eigenvalores los nombres de valores propios, valores caractersticos, o bien , races latentes. Ejemplo 1
El vector x =
[~J es un eigenvector de
correspondiente al eigenvalor A = 3, debido a que
301
302
EIGENVALORES y EIGENVECTORES
(a)
Figura 6.1 (a) Dilatacin, A > 1. (b) Contraccin, O < A < 1. (e) Inversin de la direccin, A < O.
Los eigenvalores y los eigenvectores tienen una interpretacin geomtrica til en R 2 Y R 3 Si A es un eigenvalor de A correspondiente a x, entonces Ax = AX, de modo que la multiplicacin por A dilata a x, contrae a x o invierte la direccin de x, dependiendo del valor de A (figura 6.1). Para encontrar los eigenvalores de una matriz A de n X n, se vuelve a escribir Ax = AX como Ax = Mx o, lo que es equivalente,
(M - A)x = O
(6.1)
Para que A sea un eigenvalor, debe haber una solucin diferente de cero de esta ecuacin. Sin embargo , por el teorema 13 de la seccin 4.6, la ecuacin 6.1 tendr una solucin diferente de cero si y slo si
det(,u - A)
=O
Esto se conoce como ecuacin caracterstica de A; los escalares que satisfacen esta ecua cin son los eigenvalores de A . Cuando se desarrolla, el determinante det (M - A) es un polinomio en A conocido como polinomio caracteristico de A . Ejemplo 2 Hllense los eigenvalores de la matriz
Solucin. Dado que

M - A =I.
.[1 0] -[ 3 = [J. - 3 ~ 2] 2]
1 - 1 1
l.
E!GENVALORES y EIGENVECTOR ES
303
el polinomio caracterstico de A es
det(n - A) = det [
y la ecuacin caracterstica de A es
A- 3 1
Las soluciones de esta ecuacin son A = 1 Y A = 2; estos son los eigenvalores de A.
Ejemplo 3
Hllense los eigenvalores de la matriz
Solucin. Procediendo como en el ejemplo 2, det(i./ - A) = det
}, + 2 [
_5
1
A-2
J=
' le 2
+1
Por tanto , los eigenvalores de A deben satisfacer la ecuacin cuadrtica A2 + 1 = O. Ya que las nicas soluciones de esta ecuacin son los nmeros imaginarios A = i Y A = - i, Y como se est suponiendo que todos los escalares en este texto son nmeros reales, A no tiene eigenvalores. *
Ejemplo 4
Hllense los eigenvalores de
o
- 17
Solucin. Como en los ejemplos precedentes,
!]
det(n - A) = det [
~
-4
-- 1 A
17
* Como se seal en la seccin 4 .2, hay algunas aplicaciones que requieren escalares complejos y espacios vectoriales complejos. En dichos casos, se permite que las matrices tengan eigenvalores complejos. Sin embargo, en este texto, slo se consideran eigenvalo res reales.
304
EIGENVALORES V EIGENVECTORES
Por consiguiente , los eigenvalores de A deben satisfacer la ecuacin cbica (6.2) Para resolver esta ecuacin, se principia por buscar soluciones enteras. Se puede simplificar en gran parte esta tarea, aprovechando el hecho de que todas las soluciones enteras (si las hay) para una ecuacin polinmica con coeficientes enteros
deben ser divisores del trmino constante, cn . Por consiguiente, las nicas soluciones enteras posibles de (6 .2) son los diviso res de - 4, es decir, I , 2, 4. Al sustituir sucesivamente estos valores en (6.2) se llega a la conclusin de que A= 4 es una solucin entera. Como consecuencia, A - 4 debe ser un factor del primer miembro de (6.2) . La divi&in de A3 - 8A 2 + In - 4 entre A - 4 indica que (6.2) se puede escribir como (). - 4) (},2 - 4? + 1)
=O
Por consiguiente, las soluciones restantes de (6.2) satisfacen la ecuacin cuadrtica
que se puede resolver por medio de la frmula correspondiente. Por tanto , los eigenvalores de A son
}.=2+ J3
.OBSERVACION.
),=2-/3
En mucho s problemas prcticos, la matriz A a menudo es demasiado grande como para que convenga determinar la ecuacin caracterstica. Como resultado, se aplican diversos mtodos de aproximacin para obtener los eigenvalores; en el captulo 8 se analizan algunos de estos mtodos. El siguiente teorema, resume todos los resultados obtenidos hasta ahora. Teorema 1. Si A es una matriz de n X n, entonces las siguientes proposiciones son equivalentes:
a)
by c)
d)
A es un eigenvalor de A. El sistema de ecuaciones (M - A) x = O tiene soluciones no triviales. Existe un vector diferente de cero x en R n , tal que Ax = AX. Aes una solucin real de la ecuacin caractedstica det (M - A) = O .
Ahora que se ha visto cmo se encuentran los eigenvalores, 'se considerar el problema de encontrar los eigenvectores. Los eigenvectores de A correspondientes a un eigenvalor A son los vectores diferentes de cero que satisfacen Ax = A x. Tambin se puede decir que los eigenvectores correspondientes a A son los ve ~tores diferentes de cero en el espacio de soluciones de (M - A)x = O. A este espacio de soluciones se le conoce como eigenespacio de A couespondiente a A.
305
Ejemplo S
Hllense bases para los eigenespacios de
-2
3
~]
Solucin. La ecuacin caracterstica de A es (X - 1) (X - 5)2 = O (verifquese), de , modo que los eigenvalores de A son X = 1 Y X = 5. Por definicin,
es un eigenvector de A correspondiente a X si y slo si x es una solucin no trivial de (Al - Ah: = 0, es decir, de
2
A.-3
Si X = 5, (6.3) queda
A. -5
] [Xl] [0]
X2 X3
(6.3)
Al resolver este sistema se llega a (verifquese)
Xl =
-s
Por tanto, los eigenvectores de A correspondientes a X = 5 son los vectores diferentes de cero de la for ma
Ya que
306
son linealmente independientes, forman una base para el eigenespacio a 11.= 5. Si A = 1, entonces (6.3) queda
correspon11en~e
-2 . [
Xl
2) - 2 _ 0, 0, 4
0J ~ [Xlj [0]
2-
'\3
Al resolver este sistema'se obtiene: (verifquese) ... '" , " _..
X2
=t
Por tanto , los eigenvectores correspondientes a A = 1 son los vectores diferentes de cero de la forma i ' I, e
q<snlL. t
1
~., I !:.l:lVW))ll'.l
J 2
'1
O~ yfl . 'di)
de modo que
\ r .'
1:
"
,. l
.1
es una base para el eigenespacio
6~f~espndi~ritr: a A = l..
I
l'
OPCIONAL
Los eigenvectores y los eigenva:lores s pueden defliiir tanto para los operadores lineales como para las matrices. Un escalar A se denomina eigenvalor de un operador lineal T: V '4. V,-'si 'existthln 'vector difern'te/de t ero 'x'en Vfl'quJ'-r)ldAx). El vcthrx b s(i1n!le~gehl vector de T correspondiente a A. De modo equivalente, los eigenvectores li q-;qilb '~ (:mes ponden a A son los vr~tpres diferentes d~ cero ~n eLpc1eo de/ I - T (ejercicio 19). Este ncleo es el eigenespacio de T,corre:spon4i~n~e a A. ' Se puede demo)s~r qu si Ves un spacio 'de dimensin finita y A es la matriz de T con respecto a cualquier bas:'B, elnton~s ~ L 1
l. 2.
Los eigenvalores de T son los eigenvalofes de la matriz A. 'ji' 1) " Un vector x es un eigenvector de T correspondiente a A si y slo si su matriz de coordenadas [x]B es un eigenvector de A correspondiente a A.
t"i ,
Se dejan las demostraciones
p~r~ los ejer~icios. !\ l

~
J,
E"GENVALO'RES
Y EIGENVECTORES
j'
307
Ejemplo 6
::Jn'r
11
,.~
Hllense los eigenvalores y bases pa;a los~ ~igenesp~cios del operador ' lin~al T:P2 -+ P2 definido por ' , " '-!
T(a , + bx
1:
+ cx 2 ) = (]a ....,. 2b) + (- 2a t

{~~
:3b)xi + (5c}x 2
X2
i!(
l_~
Solucin. La matriz de T con respecto a la :base estndar BIT {1, X,
les
Los eigenvalores de T son los eigenvalores de A; a saber, A = 1 Y A = 5 (ejemplo 5). Tambin, por lo visto en el ejemplo 5, el eigenespacio de A ,'correspondiente a lA = 5 tiene la de base {u , U2 }, y el corresPo;dient~ a A = 1 ti~ne l~ \~ase {~3}' e~ don
1: 1 \"
u!
=
l
1 ~J t-
O ")
) ~ [~J
uz
l') ;;
"1 \ >.el "
'JI" .' q
~~ = [~]
'.i
'
(j Z '1
li (T"e" '
<;u,H
,~
Estas matrices son las matrices de coordenadas con respecto a B de '; , 11 ., .c:' , ' iti " ,H"" ~; ~.; 1. ~.;. 1 .' ::"
p! = -1
-"
+x
P3
= 1 + .x
Por tanto , {-1 + X, x 2 } es 'una base'para el eigeri'espatio' de '1, 'correspondiente a A = 5, Y {1 + x} es una base para el eigenespacio correspo~di~nt~ il},"f! ' J,
"J
;-1
EJERCICIOS 6.1
1. Encuentre las ecuaciones caractersti?as de las matrices siguientes:
b
[10 -9J " C)t~' ~J I

4 -2
" " %.
(,)
1\
l' ,'2.' ~lHalle
,'j ;
los eigenvalores' de las matrices tli'ejerCicio '.- . " .. .' . .', , l . : , > . ,. ,.
3. Halle bases para ls eigeriespacios de las matrices defejercicio 1 ~'

Si ,.."
\
l' d,
[4 !<Eri!latla"irlCis de'l ejer~ic~ ( sea T:R2 ~ 'R2'Mt'HiuiI;id~i6W phi la ~atriz d1 ,' En' dada diso', ha'~"uh esqUema de la'Ugds eh' R2.(qii~ e:'[p1f9~n sobre s da ~niis'mas bajo ' T, 1, \ T IdO.. \ ' . .., , I f , J. d ,'. ;
308
S. Halle las ecuaciones caractersticas de las matrices siguientes :
a)
[-: ~l
O
O
b)
1 -2 O
-1 1
O
-~1
e)
[-2
-2~
-6 19
-2 5
\-1 d) l-1 -4
3 13
J U il
e)
-:J
-~l
f)
6 ,5 O -1 O -2 l1
6. Halle los eigenvalores de las matrices del ejercicio 5.
7. Encuentre bases para los eigenespacios de las matrices del ejercicio 5.

8. Halle las ecuaciones caractersticas de las matrices siguientes:
,) l
a) b)
O O
1
2 -2
O
~J ll~
Ol
b)
m~trices
O -9 O -2 O -2 1 O
-~j
9. Halle los eigenvalores de las
del ejercicio 8.
10. Encuentre bases para los eigenespacios de las matrices del ejercicio 8. 11. (Para los lectores del material opcional.) Suponga que T:P2 -+ P2 se define por medio de
Halle los eigenvalores de T. Encuentre bases para los eigenespacios de T.
12. Suponga que T:M 22 -+ M 22 se define por medio de
T([ac d = [2e a+ eJ bJ) b - 2e d

a) b)
Halle los eigenvalores de T. Encuentre bases para los eigenespacios de T.
13. Pruebe que A = O es un eigenvalor de una matriz A si y slo si A no es inversible. 14. Pruebe que el trmino constante que se encuentra en el polinomio caracterstico de una matriz A de n X n es (-1 yz det (A) . (Sugerencia. El trmino constante es el valor del polinomio caracterstico cuando A = O.) 15. La traza de una matriz cuadrada A es la suma de los elementos que estn en la diagonal principal. Demuestre que la ecuacin caracterstica de una matriz A de 2 X 2 es X2 - tr (A) + det (A) = 0, en donde tr (A) es la traza de A .
DIAGONALIZACION
309
16. Pruebe que los eigenvalores de una matriz triangular son los elementos que se encuentran en la diagonal princip al. 17. Demuestre que si X es un eigenvalor de A, entonces X2 es un eigenvalor de A 2 ; de modo ms general, demuestre que xn es un eigenvalor de An , si n es un entero positivo. 18. Aplique los resultados de los ejercicios 16 y 17 para hallar los eigenvalores de A 9 ,endonde
3 7
-1 3 O -2
l~l
19. (Para los lectores del material opcional.) Sea X un eigenvalor de un operador lineal T: V -+ V. Pruebe que los eigenvectores de T correspondientes a X son los vectores diferentes de cero del ncleo de XI-T.
6.2
DIAGDNALlZACIDN
En esta seccin y la siguiente, se enfoca la atencin en los siguientes problemas:
Si A es la matriz de T: V -+ V. con respecto a alguna base, entonces el problem,a 1 equivale a preguntar si existe un cambio de base tal que la nueva matriz para V sea diagonal. Por el teorema 7 de la seccin 5.5 , la nueva matriz para T ser P - 1 AP. en donde P ei la matriz de transicin apropiada. Si V es un espacio de productos interiores y las bases son ortonom1ales entonces, por el teorema 27 de la seccin 4.10, P ser ortogonal. Por tanto, se ha llegado a los siguientes planteamientos matriciales de los problemas anteriores.
Estos problemas sugieren las defmiciones que siguen.
310
EIGENVALORES Y EIGENVECTORES
Definicin. Se 'dice que una matriz cbladrada A es,diagonalizable si hay una matriz inversible P tal que P _1 AP sea diagonal; se dice qutHa matri:l:"P diagonalizti a A. ' El teorema que se da a continuacin es la herramienta bsica en el estudio de la diagonaHia'bildd:su demostracin revela la tcnica pata diag'onalizar una matriz:
_0.
'j,
('r. i/
, ~', \;""
( ~ l
~. ~;i,
'. ,;.-" .. 1 '
')
,."":
.\
,,'l,('
j(">'I)
Teorema 2. Si A es una matriz de n X n, entonces las proposiciones que siguen son equivalen tes: ,\{
,.' 'oo'
; ..
'. Ji'"
JI
a) b)
A es diagonalizable . A tiene n eigenvectores Zin~lmente independientes.

I
Demostracion a) versible
=>
b) Dado que se supone que A es diagonalizable, existe una matriz in
n'
)!l" IllJ '
P ~
"lPII'", P12 , .. ro;'

!zi
: .) : 1t
JPn ' .. ,
Pnl
tal que P 1
PnZ
1
AP es diagonal, por ejemplo P -
AP = D, en donde '\ .~ 11J t\ ,,10 j) Al o
~ 1l
Por tanto,AP=PD; es decir,

:' ., r.
'-
~f. l(\1 : 2'~:P~ "r., "l~d ~ /,'J'i : '

''''
PIl P21
PIZ P22
...
Pln] P2n O
~;' I
O A2
O ... O
'H!,
.'Ji f
Pn! ' pl 2' l n

;:j
11 .
t", \
b!~~d
I~h l
b1~~~
~ J,f'nn n t l'
'",
110'<
!
J tilPII )' IPZI

=::
J ',' ,,,'
J
: \'h~: l'1
,, :
')'ZPIZ ;' ZP2Z

' , ..
} ,nPlnj }'"Pz"
I"O"'J:'>
j H~)
'OJ O { .f. . - , ,JA"1I '" .

l.
j.!"i
/ , IPn ~ AZPnZ lu. \", '~) .. .' 11

l.. . J.....t ..gll'
,AnPnn ~. ,1'
l.
t
"
~~
t'
ti
2.
:"t
J'
'fGf:'"I~1fti ~U .. ~i;r
~t
ub ',)L:"!~l "~
{.. ti f'.~
.J t~
J1'- .. , .. (('~ '1

'J ..
Ji '
;'P
, (6..4)
J'. t "1')' t ",[ t ( J I ,H." I C'I' .j, .. ! 'Il l' ',l Si apo!ll ~~ penota!} lQ~,.y!ct9Jes colu;mnll. Ae P ,PPf p/" P2 , ' " . ", Pn ,eI,l,toll,<;:Y~, por .~9.4),
,1.1 l t ' 1')7
las columnas sucesivas ' de AP son Al PI ' AP2' .. . , An Pn Sin embargo, por el ejemplo 17 de la seccin lA, las columnas sucesivas de AP son AP1, AP2' ... , APn . As entonces, se debe tener ., , , , ,
(6.5)
'. .'1'
u
Supuesto que P es inversible, no todos sus vectores columna son cero; por tanto ,'por (6.5), Al, A2, .. , , An son eigenvalores de A, y PI, P2 , , .. , Pn son eigenvectores correspondientes. Ya que Pes inversible, del teorema 13 de la seccin 4.6 se deduce que PI, P2 , ... , Pn son linealmente independientes. Por tanto,A tiene n eignvectres lirealmenteindependientes.
311
b) => a). Supngase que A tiene n eigenvectores linealmente independientes, Pn , con los eigenvalores correspondientes Al', A2' .. ,. ~, y sea
>
PI, P2 , ' .. ,
1)
1,
P12 . . . Pln] P2n

..
1~
o!.
ti -, . ' \
"
Pn2
, "1
la matriz cuyos vectores column~ son. 'PI, las columnas del producto AP son
P2, . . . ,
...
''o
Pnn
f.1
,
Pn', Por el ejemplo 17 de la seccin 1.4,
Pero
de modo que ' ~ f 't" e i
'L...
;,1) I
r ~J
AP
~
)~.
~' IPII
~' IP21
AIPnl
~'nP I nJ
~'nP2n
~P ; -1
=
l
'P'l 2"
1~22
l . . _
.:, .
..
~21
'
p' lnJ '~i./.. "O

P2n
)'nPn~ ,' ,
'L;
Pn
=PD
;P~2
Pnn
O . . . O
A2
. O
. .
fJ
(6.6)
en donde D es la matriz diagonal que tiene los eigenvalores Al , A2' ... , ~ en la diagonal l. ' .." 1 I ... . " I , . principal.: Supuesto r ue los vectores deP'son linealmente i~Qependient~s, P es inversible. as entonces, (6 .6) 'se puede reescribiJ como P -1 AP = D; es,decir, A es 'diagonalizable .
\ .
.. .I
I
- j
1\
I
\ .:
,.
Con base en esta demostracin, se obtiene el siguiente procedimiento para diagonali:?:ar uI}.a matriz, diagonalizable,A d,~ n n: 1'""....
", .!
.J ;
(~"
',.
.'
.J
(.
Ejemplo 7 Hllese una matriz P que diagonalice a
u
j
312
EIGENVAlORES y EIGENVECTORES
-2
3
~]
Solucin. Por lo visto en el ejemplo 5, los eigenvalores de A son A = 1 Y A = 5. Tambin, por los resultados de ese ejemplo, los vectores
forman una base para el eigenespacio que corresponde a A =5 Y
es una base para el eigenespacio correspondiente a A = l . Es fcil verificar que {PI, P2, P3 } es linealmente independiente, de modo que
diagonaliza a A. Como comprobacin, el lector debe verificar que
p - 1 AP =
-1 1
[ 1 1 O
O O 1
O] [- 3 -2 ~] [- ~ ~ ~] = [~ ~ ~] 2 3
O O 5 O 1 O O O 1
No existe preferencia respecto al orden de las columnas para P. Dado que el i-simo elemento en la diagonal de P -1 AP es un eigenvalor para el i-simo vector columna de P, al cambiar el orden de las columnas de P slo se cambia el orden de los eigenvalores en la diagonal de P - 1 AP. Por tanto, si se hubiese escrito
en el ltimo ejemplo, se habra obtenido
DIAGONALIZACION
313
Ejemplo 8
La ecuacin caracterstica de
A=
es det(M - A) = det [
-3 [ -2
~J
-2 A _ 1] ::, ().
A+ 3 2
+ 1)2 = O
Por tanto, A = -1 es el nico eigenvalor de A; los eigenvectores correspondientes a A = -1 son las solciones de ( - - A)x = O; esto es, de
2x - 2X2 2x - 2X2
=O
=O
Las soluciones de este sistema son Xl = t, consta de todos los vectores de la forma
X2
= t ( verifquese) ; de aqu que el eigenespacio
Como este espacio es unidimensional, A no tiene .dos eigenvectores linealmente independientes y, por tanto, no es diagonalizable.
Ejemplo 9
Sea T:R 3 ~ R 3 el operador lineal dado por
Hllese una base para R 3 con relacin a la cual la matriz de T sea diagonal.
Solucin. Si B = {el, e2, e3} denota la base estndar para R 3, entonces
314
EIGENVAlORES :Y EIGENVEOTORS
?o:
IQm ,ji
=,. [-~d
l'
~]
\' IJ':.'.
Ahora se desea cambiar de la base estndar hacia una nueva base B' = {u; , u~, u~ } para obtener una matriz diagonal A' para T. Si se hace que P sea la matriz de transicin dda base desconocida B' hacia la base estndar B entonces, por el teorema 7 de la seccin 5.5, A YA' estarn relacionadas por medio de ' )i -' \
'j.'
l'
JJ')
.-1
En otras palabras, la matriz de transicin 1;'!,di.a~m~ap~ ,1 ; En $1 ~j~m~\?}}~;p,s.?'1}tr{) esta matriz. Por lo que se llev a cabo en ese ejemplo , " <:
~.
_ 'd
..
~)
.;
~ ~
(i
j,!
j 1f
r -
P=
J
C'
"
O 1 O O_ l.
iJ
Y
,
- = [5
A'
O 5
:.;~
..
.o O
'.ji
'"j J
l'
~~]
.J'Jy
~oJ
)";,1 "
~; ~11
'jTH,f
Ya que P representa la matriz de transicin de la base B' = {u; , ~, u~ }hacia la base estndar B = {el, e2, e3 }, las columnas de P s6n' [u; lB H~ lB y [~lB ' de manera que , 1. !
'
1
f(l ,
Por tanto,
1
'
U'l
(-I)e 1 , (l)e z + (0)e 3I t , + ,\1 , ,,0 '

r
l
. "".
"- .
i, [ce- IJ
\. J
~, Hl,,, .,,' ": ~';:le:': '(:),'~ ::le '[":' ~:1I :' : ,,"~,
u', 0= (O)e,
+.
(O)e,
+ (1)e"
,
j"
!
" J' \.\
,2 ,..," \
ji
,
I \1 : I I ,.,
1,
':
...
,;
.)\.1:..
.
I "
O
,
,Ui
lo
1\
tl:)II
: d:
son los vectores base que producen l,a matriz diagonal A para T. l Ahora crue se han desarrollabo ias tcnids para diagonalizar una matriz diagonaliza ble, se regresar a la pregunta : C4ndo u~~ ir/atriz cJad'ra'tla A es diagonalizable? El resultado siguiente ayudar a estudiarla ;)a demostracin se pospone hasta el final de la seccin .
DIAGONAllZACION
315
"Teorema ,3.: Si tintos )\1, A2 ;" diente. l

1\ 1
, ,,l.
VIo V2,' ': .', . .
vk son eigenvectores de A 'correspondien'tes a eigenvlolei .dis, Ak, entonces {Vl ~-V2 , . . . ; , Vk} es ,un conjunto li1;lealmente "indpen, ) '1 ~ _ e '._'
i'
lJ
f 'd,~ ~
I '"
'1,;
,\
1,' u,
"f _l'
': Como cOllsecuencia,de este teorema; se obtiene el til resultado que 'sigue:' ,, .i\. l;l, Teorema 4.. Si una matriz A de n x'; ,n tiene m' eigenvalores gonalizable.
distinto~,
~!",
'
entonces A es di'aJI' ,
Demostracin. Si VI, V2, . . . , Vn son eigenvectores correspondientes a los eigenvalores i distin tos Al, A2 ' . . . , An entonces, por el teorema 3, VI, V2 , . . . , Vn son linealmente , noe'pendientes, Por tanto, A es diagonalizable, por el -teorema 2 .
, I!
'~'.J
I r
Ejemplo 10
,
1:
l.) ,) ,
"'
1i'.,
... (t:"
! 1)
.1
' ;4 ','.
=,[~ '2' ~J '. '0 ' O '"4" 1

,
I
I
'", J:-:" ,_ .. 'J'
J'(
tirietres 'iger.~albres distintos, X. == 4, A = '2 zable .Adems, ,~- .,,') , '.,'

: I
+...}3, A 2'- V'3.P~r fan~;', A es d~a:g~rialil':

,'o -'
,l .. t
"
'.'
'
P-'A:~.[~
()
O
"\ \
+ J3
l
2,
J
l'
J
para alguna matriz inversible P. Si se desea, se puede encontrar la matriz P aplicando el mtodo que se muestra en el ejemplo 7, ,"';,,'IIJ
~jemplo
11
1,' 11, l. 1\ , I
La, { , " recproca ,del teorema 4 es , t , es decir, .tna matriz A.( de n ,X n puede( serdiagonafalsa; ~ ' J {,')} .1U.~: I..>f " ', , ,: ,. \. . lizable aun cuando no tenga n eigenvalores distintos. Por ejemplo, si t" ,
! ,
o-
11'
J'
.A =
[~ ~J
.,
det(/.! - A) = (;, - 3Z = O
.'
de modo que A = 3 es el nico eigenvalor distinto de A . Sin embargo, es obvio que A es diagonalizablc, dado que, con P = J, , , , "" 1, \ '
p - 'A P = 1- , A 1 = A = O ,
I ' -
[3 3J
,
~ J
'
316
OBSERVACION. El teorema 3 es un caso especial de un resultado ms general: Supngase que Al, A2, ... , Ak son eigenvalores distintos y se elige un conjunto linealmente independiente en cada uno de los eigenespacios correspondientes. Si entonces se combinan todos estos vectores en un solo conjunto, el resultado todava es un conjunto linealmente independiente. Por ejemplo, si se eligen tres vectores linealmente independientes de un eigenespacio y dos eigenvectores linealmente independientes de otro eigenespacio, entonces los cinco vectores juntos forman un conjunto linealmente independiente. Se omite la demostracin .
OPCIONAL Se concluye esta seccin con una demostracin del teorema 3.
Demostracin. Sean VI, V2, . . . , vk eigenvectores de A que corresponden a los eigenvalores distintos Al, A2' . _. , Ak' Se supondr que VI, "2, ... , Vk son linealmente dependientes y se obtendr una contradiccin_ Entonces se puede concluir que VI, "2, .. , V k son linealmente independientes. Ya que, por defmicin, un eigenvector es diferente de cero, {VI } es linealmente independiente . Sea r el entero ms grande tal que {VI, V2, .. , vy } es linealmen te indepe: diente. Dado que se est suponiendo que {VI, V2 ," " vk } es linealmente dependiensatisface 1 ~ r < k. Es ms, por definicin de r, {v , V2, . . . , vr + 1 }es linealmente depen diente. Por tanto, existen los escalares e, e2 , .. . ,er + , no todos cero, tales que
(6.7) Al multiplicar ambos miembros de (6.7) por A y aplicar
se obtiene
(6.8)
Al multplicar ambos miembros de (6.7) por Ay + se llega a
I
Y restar la ecuacin resultante de (6.8)
Supuesto que
{VI,
v2 '
. .
vr } es linealmente independiente, esta ecuacin implica que
y como A, A2>.' .. , Ay t
son distintos, se deduce que

Cl
('2
= ...=
Cr
=O
(6.9)
Sustituyendo estos valores en (6.7) se obtiene
DIAGONAlIZACION
317
Debido a que el eigenvector vr +
es diferente de cero, se concluye que

Cr +
=O
C, C2 , . ,
(6.10)
Las ecuaciones (6.9) y (6.10) contradicen el hecho de que todos cero ; esto completa la demostracin .
cr
no son
EJERCICIOS 6.2
Demuestre que las matrices de los ejercicios 1 a14 no son diagonalizables .
1.
G~J 2. [2 -3J [~ ~~]

1 - 1
. 3.
4.
[= ~
- 4
En los ejercicios S al 8 halle una matriz P que diagonalice a A y determine P - AP.

14 A= [ --20
5.
12J 17
6.
A= G
0J - 1
'
7.
A= ['O
O 1 O 1
:]
RA " [ :
O 3 O
~O 21
3
En los ejercicios 9 al 14, determine si A es diagonalizable. Si lo es, halle una matriz

P que diagonalice a A y determine P
AP.
9. A =
19 -9 -6] [
25 - 11
- 1
10. A =
17
- 9
- 9 - 4
- 3 [- 3
- 2
13. A"
-2
O
O O
3
0l
~J
".A "
[-2
~
-2
O O
318
E IG ENVALOR ES y EIGENVECTORES
15. Sea T:R 2
-+
R 2 el operador lineal dado por
-l.
'
. ,:,. ~
!'
1"
;.1 {"
,,;' r1 I( r
Halle una base para R 2 con relacin a la cual la matriz de T sea diagonal. 16. Sea T:R 3
n .
0f,
-+
O"
R 3 el operador lineal dado por
. )
1\
.......
;'A',. ; ~i
Halle una base para R 3 con relacin a la cual la matriz de T sea diagonal. ,,~ ,r r : J\ i (r l~ I ) . f ... 11' r i .. ~ _ ..; r;' 17. Sea T:P 1 -+ PIel operador lineal definido por
1"1 ,
'; , , .... ' j'
!
i
T .. o + ax) = a o + (6ao ~ a)x (a _.

1,
<
i
"
l
1
Halle una base para PI con respecto a la cual la matriz para T sea diagonal.
, I
'f
'
18.' Sea A una matriz de\n' X iz y Puna matrz inversiblt! de n ' X n: Demuestre que :
a) b) (P-IAP? = P - I A 2 P' ; l ' , I I I I (P -1 AP)k = P -1 A kP (k un entet o positivo).
J
"
jI '\ ~
."
..'
l.
",
19. Use los resultados del ejercicio 18 para ayudarse a calcular A lO , en donde
'1 2 , A= [ ~ 0J ' i
: I
,1
';
.!'!
- 1
(Sugerencia. Halle unamatr~ P quediagonalice a A y calcule (P

(.j .)
t
- 1 A P) IO
~ t
.)
Itr i
'1.'
(.J
: !!"
~)
.'1~
:,h
JI
:;.
20. Sea
1(
,
F
A=
[a
e
Demuestre que : a) A es diagonalizable si b) A no es diagonalizable si

"
\~J
\!
(I
~.
' !
(a _- d)2 (a - d)2
tJ -
-,
+ 4bc > O. + 4bc < O.
' ! "
(1
?
.. 11
(l
6.3
DIAGDNALlZACION 'OR TOGO NAl ; MATRICES SIMETRICAS

\,
t'
"
r',
En esta seccin ;se estudia ef segu'ndo; probl~m a p ~opue sto al principio de \a se cci n 6.2. Este estudio conducir"a la 'consideracin de una clase impo rtante de matrices cono cid as como matrices simtrioas. " il I 1 ',\ :
IIII~TRfCES
SIMcT'RiCAS
319
'Eli...to.da! 'e,s ta seccin, por' ortogonal, se entiehde l rto.g()flal co.n respecto al pro.ducto o euclidiano. interio.r sobre R'n' ' t; 1(,
j
Definicin. Se dice que una matriz cuadrada lA 'es ort'ogonalmenle '{Jiago'nalizable si existe una matriz orto.gonal P tal que p- 1 AP (= pt AP) sea diagonal; se dice que la matriz P
diagrlolizd'ortog'nolmenteaA. '.'
.",lrl,I,)
"\J
,'~t\,,\),\ ' . d
'
";l,"
Se debe co.nsiderar do.s interro.gantes. Primero, cules matrices son orto.gonalmente diago.nalizables?; y , segundo., cmo se encuentra una matriz P para llevar a cabo la diago.nalizacin ortogonal de una matriz o.rtogo.nalmente \diag~5nalizable? ' El siguiente teo.rema se refiere a la primera interro.gante. ' Teorema 5. Si A es una matriz de n X n, entonces las proposiciones que siguen son ~equl
valen tes:
a)
b)
A es ortogonalmente diagonalizable, , il A tiene un conjunto ortonotmal deJ eigehvec'tores.
i
!
Demostracin a) '* b), Supuesto. que A es ortogonalmente diago.nalizable, existe una matriz
o.rtogo.nal P tal que P -1 AP es diagonal. Como se indica en la demo.stracin del teo.rema 2, lo.s n vectores co.lumna de P son eigenvecto.res de A . Como. P es orto.go.nal, e~tos vectores co.lumna son orto.no.nnales (vase ,el ,teo.rema 2& de la 'seccin 4~ 10), de modo que A tiene f! ejgenvectQres;orto.noJ1IDale,s. !f , t 'Jf o Ilr ,,'H" 'o'', "', q' ~, ,
.
,1_ ,L
t,
el
b '* a). Supngase que A tiene un co.njunto o.rtonormal de n eigenvecto.res , {PI> P2, ... ,
~n)';l ycno. \ se.)tP~}~Ia" , ~nI Ja",?e~9.s(r~GiH" qe. te.p~em~ .2" la \\mf\t~iz f ~que tien~)! e~t.q~ eigenvectores como co.lumnas diago.naliza a A. Debido. a que est 9 &\~ig~nxe;to.r,~s s9n R~t? \ no.rmales , P es ortogonal y, por tanto, diagonaliza o.rtogo.nalmente a A, I
:'lJ~ OllJ.H["pl- 'te; J(~ (:, .!{ rp rt ,r! ... ~~ '1:) r ! f"1 ",i' 'c ,J " ) En la demostracin d, 1 triow na ~ ! S~ l in,1~c~ fl~e ,u na,1l1atr,iz,A de J:2 X n, ortcgQn~l mente diagonalizable , es ortogon almente diago.nalizada por cualquier matriz P de 11 X 'n cuyas columnas fo.rmen un co.njunto. o.rto.no.rmal de eigenvectores de A , Sea D la matriz diago.nal -, ..
fI ...
_'j/\),>,_f,
r.,J
...
"
!.,;."- J
I _ \-
(t'
.'
~; .
,"
.~.
I _
,,]' 1,
/ l)
':T,J: - 1 Al? '1>:[ J '
Por tanto.,
A = PDP - 1
, \. \, f (
,.~
1:; n1
i::..
(}
1.1
~ :.lb . ~<i\\',1\ ~)
l' f"';; )
,o[,n<, '(
mUJ'
'l'l~
1\-1 = P, I?lt~!ug
'JI :W1J
frUJ'
'100 10'
Po.r tanto,
A' = (PDP')' = PD'P' = PDP' = A

Una matriz con la propiedad de'
320
se conoce como simtrica. As entonces, se ha demostrado que una matriz ortogonalmente diagonalizable es simtrica. La recproca tambin es verdadera; sin embargo, se omite la demostracin, ya que llevara ms all del alcance de este texto. El siguiente teorema resume el anlisis realizado hasta aqu: Teorema 6. Si A es una matriz de n X n, entonces las proposiciones siguientes son equivalentes:
a) b)
A es ortogonalmente dlgonalizable. A es simtrica.
Ejemplo 12 La matriz
- 4
3
O
~]
es simtrica puesto que A = A t. Se ver ahora el problema de encontrar una matriz ortogonal P para diagonalizar una matriz simtrica. La clave es el teorema que se da a continuacin, cuya demostracin se encuentra al final de la seccin. Teorema 7. Si A es una matriz simtrica, entonces los eigenvectores de eigenespacios diferentes son ortogonales. Como consecuencia de este teorema, se obtiene el procedimiento que se describe en seguida para diagonalizar ortogonalmente una matriz simtrica:
Se debe aclarar la justificacin de este procedimiento. En el teorema 7 se afirma que los eigenvectores de eigenespacios distintos son ortogonales, en tanto que la aplicacin del proceso de Gram-Schmidt asegura que los eigenvectores obtenidos dentro del mismo eigenespacio son ortonormales. Por consiguiente, el conjunto completo de eigenvectores obtenidos por este procedimiento es ortonormal. Ejemplo 13 Hllese una matriz ortogonal P que diagonalice a
MATRICES SIMETRICAS
321
Sol~cin.
La ecuacin caracterstica de A es
det(i.! - A)
= det
i. -4 -2 [ -2
-2
i. - 4 -2
-2]
- 2
(i. - 2)2(). - 8)
=O
i. -
As entonces, los eigenvalores de A son A=2 YA= 8. Por el mtodo aplicado en el ejemplo 5, se puede demostrar que
forman una base para el eigenespacio correspondiente a A = 2. Al aplicar el proceso de GramSchmidt a {u, U2} se llega a los eigenvectores ortonormales (verifquese)
J2
VI
J2
O
v2
-~1 ~J
El egenespacio correspondiente a A = 8 tiene a
como base. Al aplic~r el proceso de GramSchmidt a{u3 }se obtie~e
J3
v3
j3
1
J3
322
EIG EN V A LORES y EIGENVECT O RES
Por ltimo, al utilizar
VI , V2
Y V3 comQ vectores columna, se tiene 1
Ii
P=
1
16
1
13
1
/2
O
16
2
J3
v 1 fi' 3
16
la cual diagonaliza ortogonalmente a A . (Como comprobacin, es posible que el lector desee verificar que ptAP es una matriz diagonal.) Se concluye esta seccin enunciando dos propiedades importantes de las matrices simtricas. Se omiten las demostraciones. Teorema 8.
a) b)
La ecuacin caracterstica de una matriz simtrica A' slo tiene races reales. Si un eigenvalor A de una matriz simtrica A se repite k veces, como una raz de la ecuacin caracterstica, entonces el eigenespacio oorrespondiente a A tiene k dimensiones.
Ejemplo 14 La ecuacin caracterstica de la matriz simtrica

3 100 O
1 3 O O O
A = O O 2 O O 2
O O
es
de modo que los eigenvalores son A = 4, A = 1 y A = 2, en.donde A = 4 y A = 1 estn repetidos dos veces y A = 2 ocurre una vez. Por tanto, los eigenespacios 'correspondientes ~ = 4 Y A = 1 son bidimensionales y el eigenespacio que corresponde a A = 2 es unidimensional.
OPCIONAL
Demostracin del teorema 7. Sean Al y A2 dos eigenvalores diferentes de la matriz simtrica A de n X n y supngase que
MAT,RICES SIMETRICAS
323
son los eigenvectores correspondientes. Se desea demostrar que
Dado que V t V2 es una matriz de n X n que tiene a <VI. V2> como su nico elemento , se puede completar la demostracin al demostrar que <VI t V2 > = O. Ya que VtAV2 es una matriz de 1 X 1 y , evidentemente, toda matriz de 1 X 1 es simtrica, v'Av 2 = (v'Av 2 Y
= vz'A'v = v2'Av
(por una propiedad de la transpuesta ; vase la seccin 2.3) (supuesto que A es simtrica)
Tambin,
v2 'Av
= =
vz'l. v
y, v 2 'v
), (v 2'v)'
), v tv2
De donde,
.o bien,
Supuesto que
A =1= A 2 ,
s~ concluye que
V t V2 =
O.
EJERCICIOS 6.3
1.
Aplique el inciso (a) del te.orema 8 para enc.ontrarlas dimensi.ones de l.os eigenespacios de las matrices simtricas siguientes:
a}
[~ ~J
b)
[~~2
- :
-2
-2
-~l
324
EIGENVAlORES y I;IGENVECTORES
,{
4
:1
O 4 O O O O O
d)
[:
O 3 3
:1
-3
5
4
,)fi
~J nU jJ
-3
O O
O -2 1 O "3
En los ejercicios 2-9, halle una matriz P que diagonalice ortogonalmente a A y determine F - 1 AP.
~. A = G ~J
4. A = [-7
3. A =
[3~3
3,;3J
-1
24J 24 7
1
1
5. A
l~
r
-J
-36
O -3 O -23
- 1
-3~]
U ~[:
A
O
1
:]
7 A+~
9. A =
2
- 1
-1 ]
~ 1
- 1
~r;
3 O0 O OJ
O O O O O O
f~
-2
-2 O 2 O 5 O O -2
-~J
10. Halle una matriz que diagonaliza ortogonalmente a
[:
en donde b =1= O.
:J
11 . Se dice que dos matrices de n X n, A y B, son ortogonalmente semejantes si existe una matriz ortogonal P tal que B = p - 1 AP. Demuestre que si A es simtrica y A Y B son ortogonalmente semejantes, entonces B es simtrica. 12. Pruebe el teorema 7 para matrices simtricas de 2 X 2. 13. Pruebe el teorema 8a para matrices simtricas de 2 X 2.
1. a)
Demuestre que si 0< fJ <
7T,
entonces
MATRICS SIMETRICAS
325
[COS O
sen O
-seno] cos O
b)
no tiene eigenvalores y , como consecuencia, no tiene eigenvectores. Considerando la transformacin lineal de la multiplicacin por A, d una explicacin geomtrica del resultado que se obtiene en (a) .
2. Halle os eigenvalores de
3.
a)
b)
e)
Demuestre qUe si D es una matriz diagonal con elementos no negativos en la diagonal principal, entonces existe una matriz S tal que S2 = D . Demuestre qtie si A es tina mattz diagortalizable con eigenvalores no negativos, entonces existe una matriz S tal que S2 = A . Halle una matriz S tal que $2 = A , si
A =
13 O 91] [O
4 5
4. 5,
Pruebe : Si A es una matriz cuadrada, entonces A y A t tienen los mismos eigenvalores. Pruebe : Si A es una matriz cuadrada y p(X) = ~et (Al - A) es el polinomio caracterstico de A, entonces el coeficiente de Xn - 1 en p (X) es el negativo de la traza de A (vase el ejercicio 15 de la seccirt6.1 en relacin cn la terminologa).
6. Pruebe: Si b
*' 0, entonces
no es diagonalizable. 7. En el lgebra linea avanzada se prueba el teOrema de Cayley-Hamilton, el cual afirma que una matriz cuadrada A satisface su ecuacin caracterstica; es decir, si
es la ecuacin caracterstica, entonces
Verifique este resultado para:
(a) A
G~]
-3
!]
326
E IG ENVALORES y EIGENVECTORES
En los ejercicios 8 al 10 aplique el teorema de Cayley-Hamilton, enunciado en el ejercicio 7. 8. 9. Use los resultados del ejercicio 15 de la seccin 6.1 para probar el teorema-de Cayley-Halmilton para las matrices de 2 X 2. El teorema de Cayley-Hamilton proporciona un mtodo para calcular potencias de una matriz. Por ejemplo, si A es una matriz de 2 X 2, con ecuacin caracterstica.
entonces Col + cA
+ A 2 = O, de modo que
Al multplicar todo por A da A 3 = - c' A 2 - coA, lo cual expresa A 3 en trminos de A 2 Y A, Y al multiplicar todo por A 2 se obtiene A 4 = - cA 3 - CoA 2, que expresa A 4 en trminos de A 3 Y A 2. Continuando de esta manera, se pueden calcular las potencias sucesivas de A, expresndolas simplemente en trminos de potencias lnferiores. Utilice este procedimiento para calcular
y
para
10. Use el mtodo del ejercicio precedente para calcular A 3 Y A 4 si

1
O -3
11. Demuestre que
!l
:J
A = [:
tiene
a) b)
c)
12. a)
dos eigenvalores distintos si (a- d)2 + 4bc > O; un eigenvalor si (a - d)2 + 4bc = O; ningn eigenvalor si (a -d)2 + 4bc < O. Demuestre que si A es una matriz de n X n, entonces el coeficiente de "An en el polinomio caracterstico de A es 1. (Un polinomio con esta propiedad se conoce como mnico.) Demuestre que la matriz
b)
MATRICES SIMETRICAS
327
10
l:
c)
O O
O O O O
- eo
- el
O O
- e2
( n- 1
tiene el polinomio caracterstico peA) = Co + CI A + . . . + C n _ 1 )n - 1 + An. Esto indica que todo polinomio mnico es el polinomio caracterstico de alguna matriz. La matriz de este ejemplo se denomina matriz acompaante de p (A). (Sugerencia. Evale todos los determinantes del problema, sumando un mltiplo del segundo rengln al primero, para introducir un cero en el lugar superior de la primera columna y, a continuacin, desarrollando en trminos de cofactores a lo largo de la primera columna.) Halle una matriz con polinomio caracterstico peA) = 1 - 2A + A2 + 3~3
'*
+ A4
7
Aplicaciones
7.1 APlICACION A LAS ECUACIONES DIFERENCIALES

Muchas leyes de la fsica, qunica, biologa y economa se expresan en trminos de ecuaciones diferenciales, es decir, ecuaciones que comprenden funciones y sus derivadas. El pfopsito de esta seccin es ilustrar una manera en la que es posible aplicar el lgebra lineal para resolver ciertos sistemas de ecuaciones diferenciales . Esta sec.cin no es amplia, pero debe servir para convencer al lector respecto a que el lgebra lineal tiene aplicaciones slidas . Una de las ecuaciones diferenciales ms sencillas es y' = ay (7.1)
en donde y ={(x) es una funcin desconocida que se debe determinar , y' = dy fdx es su derivada y a es una constante . Como la mayora de las ecuaciones diferenciales, (7.1) tiene una infmidad de soluciones,. las cuales son funciones, en este caso, de l forma
(7.2)
en donde c es una constante arbitraria. Cada funcin de este tipo es una solucin de y' = ay dado que y' = cae ax = ay Inversamente, toda solucin de y' = ay debe ser una funcin de la forma ceO X (ejercicio 7), de modo qe (7.2) describe todas las soluciones de y' =ay. A (7.2) se le da el nombre de solucin general de y' = ay. A veces el problema fsico que genera una ecuacin diferencial impone alguna condicin agregada que permite aislar una solucin particular a partir de la solucin general. Por ejemplo, si se requiere que la solucin de y' = ay satisfaga la condicin agregada
y(O)
329
=3
(7.3)
330
APLICACIONES
es decir , y = 3 cuando x = O, entonces, al sustituir estos valores en la solucin general y = cell x , se obtiene un valor para c, a saber Por tanto,
3 = ceo = c
y = 3e ax
es la nica solucin de y ' = ay que satisface la condicin agregada . Una condicin, como la (7.3), que especifica el valor de la solucin como la (73), que especifica el valor de la solucin en un punto se conoce como condicin inicial, y el problema de resolver una ecuacin diferencial sujeta a una condicin inicial se denomina problema con valor inicial. En esta seccin se considera la resolucin de sistemas de ecuaciones diferenciales que tienen la forma
/1 = a ll Y1 + a 12Y2 + ... + a 1"y"

y~
= a 21 Y1 + a 22Y2 + . .. + a 2"y"
(7.4)
en donde Y1 = 11 (x), Y2 = 12 (x), ... 'Y n = In (x) son funciones que van a determinarse y las a son constantes . En notacin matricial , (7 .4) se puede escribir
l
y~
0,
Y2
<lj
1
ra11 a 21
. . .
a"l
~2" lY1 .~:2j

a""
.Y n
"j
ms brevemente,
Y' =AY
Ejemplo 1
a) Escnbase el sistema
/ 1 =, 3Y1
y~ =
-2Yz
y~
= 5Y3
en notacion matricial .
b) Resulvase el sistema. c) Hllese una solucin del sistema que satisfaga las condiciones iniciales y 1 (O) = 1, Y2 (O) = 4 YY3 (O) 2.
APLlCACION A LAS ECUACION ES DIFERENCIALES
331
Solucin a).
nr
. ~~
=
O -2 O
~W:l
~]
Y
(7. 5)
o bien ,
Y'
~ [~
Y
-2
O
b)
Debido a que cada ecuacin comprende slo una funcin desconocida, se puede resolver cada una por separado. De (7 .2) se obtiene
= ce 3x Y2 = c 2 e - 2x 5x Y3 = c 3e
o , en notacin matricial,
c) A partir de las condiciones iniciales dadas , se obtiene

1 = y (O)
yz (O)
- 2 = Y3 (O)
= = =
ceo = c c2e o =
C2
C3 eo
= C3
de modo que la solucin que satisface las condiciones iniciales es
o , en notacin matricial,
y = Y2
[ V _ 3
y ]
I =
3X
e zx] 4e -
_ 2e 5 x
El sistema de este ejemplo fu e fcil de resolver porque cada ecuacin comprenda slo una funcin desconocida, y ste fue el caso porque la matriz de coeficientes (7.5 ) para el sistema fue diagonal . Pero cmo manejar un sistema ,
332
APLICACIONES
Y'
AY
en el cual la matriz A no sea diagonal? La idea es sencilla : Intntese hacer una sustitucin para Y que conduzca a un nuevo sistema con una matriz diagoal de los coeficientes; resulvase este nuevo sistema ms sencillo y , a continuacin , sese esta solucin para determinar la del sistema original. La clase de sustitucin que se tiene en mente es
YI YZ
= PIIU 1 + P12 UZ + ... + Pl"U" = P21 U I + PZZU Z + .. . + P2"U"
(7.6)
o , en notacin matricial ,
e~ ~::
f Yl j
o, ms brevemente,
fPll
PIZ
P22 P,,2
P2" PI,,]
lU lj'
lI z
~"II ~I"
PU
En esta sustitucin, las Pi son constantes que deben determinarse de tal modo que el nuevo sistema qUe comprenda las funciones desconocidas u 1 ,u z , ... , Un tenga una matriz diagonal de los coeficientes . Se deja como ejercicio para el estudiante derivar cada una de las ecuaciones en (7.6) Y deduCir que
Y' = PU'
Si se hacen las sustituciones Y
=PU y y' = PU' en el sistema original

Y'
AY
y.si se supone que Pes inversible , se obtiene

P U'
A(PU)
o bien,
o bien ,
U'= D U
APLICACION A LAS ECUACIONES DIFERENCIALES
333
en donde D =p- 1 AP. Ahora queda claro cmo elegir P; si se desea que la nueva matriz de los coeficientes D sea diagonal, se debe elegir P como una matriz que diagonalice a A. Esto sugiere el procedimiento que sigue para resolver un sistema Y'
= AY
con una matriz A de los coeficientes que sea diagonalizable:
Ejemplo 2
aj Resulvase
/ 1 = YI + Y2 Y~ = 4YI - 2Y2
b j Hllese la solucin que satisfaga las condiciones iniciales y 1 (O) = 1, Y2 (O)
Solucin aj . La matriz de los coeficientes para el sistema es
=6.
Como se analiz en la seccin 6.2, A ser diagonalizada por cualquier matriz P cuyas columnas sean eigenvectores linealmente independientes de A. Dado que
det(1.J - A) =
/, -
-4
I~
. - 1 1 = A2 +2
+ 1, -
6 = (1, + 3)(/. - 2)
los eigenvalores de A son A. = 2, A. = -3. Por definicin,
x=
[xlJ x
2
es un eigenvector de A correspondiente a A. si y slo si x es una solucin no trivial de (/J - A)x = 0 , es decir, de
l. [ - 4
1 l.-+1J[xJ [OJ 2 O
1
X2
334
APLICACIONES ~ist,ema
Si A. = 2, este
se convierte en
1 1J lJ [-4 - 4 [x = [OJ
Xz
Al resolverlo. da
Xl
t,
.\z
= t
de modo que
Por tanto ,
es una base para el eigenespacio correspondiente a A. = 2. De manera anloga, el lector puede demostrar que
es una base para el eigenespacio correspondiente a A. = -3. Por tanto,
diagonaliza a A y
Por tanto , la sustitucin

y
= PU
Y'
PU'
conduce al nuevo " sistema diagonal "
U'1
u~
= 2u 1 = - 3u z
Con base en (7 .2 ), la solucin de este sistema es

[{ 1
(' 1 (' 2.\'
11 2 =
('2 e
Jx
e ('2.\ .1 U = [ e 1e - 3.\ 2
APLICACIONES A LAS ECUACIONES DIFERENCIALES
335
de modo que la ecuacin Y = PU proporciona como la solucin para Y
o bien,
y,
)'z
= c,e zx - ,tcze- 3x
= c,e h + c ze- 3x
(7,7)
, b) Si se sustituyen las condiciones iniciales dadas en (7,7), se obtiene
e, - ,tc 2 = c , + C2 = 6
Al resolver este sistema'se btiene
ez
=4
de modo que, por (7.7), la solucin que satisface las condiciones iniciales es
)' , = 2e h
J'2
e - 3x
= 2e 2x
+ 4e - 3x
En esta seccin se ha supuesto que la matiiz de los coeficienfes de y' = A Y es diagonalizable , Si este no es el caso , es necesario aplicar otros mtodos para resolver el sistema, Los mtodos de este tipo se estudian en textos ms avanzados,
EJERCICIOS 7.1
1. a) Resuelva el sistema
/1 = .\"1
+ 4.\"2
.\"~
2.\"1
+ 3\"2 ,
b) Halle la solucin que satisfaga las condiciones iniciales y , (O)
= O, Y2 (O) = O,
.r'1 = .\"1
.I'~
+ 3\"2 = 4\'1 + 5\'1
b) Halle la solucin que satisfaga las condiciones
y,(O) = 2, y; (O) = 1
Y'2 = - 2\" 1
,.-:, =
-2.\"1
+ .\'2
'
+ .\'3
336
APLICACIONES
b ) Halle la solucin que satisfaga las condiciones iniciales y (O) 1. Y3 (0)=0.
= -l. Y2 (O) =
4. Resuelva el sistema
y'l = 4YI
y = 2YI
Y3 = 2YI
+ 2Y2 + 2y, + 4Y2 + 2Y3 + 2Y2 + 4Y3
S. Resuelva la ecuacin diferencial y" - y' - 6y = O. (Sugerencia.) Haga Y1 = Y Y2 = y' Y. a continuacin. demuestre que
/\ =
Y2
= y" = / + 6y = y'\ + 6YI = 6y\ + Y2
6. Resuelva la ecuacin diferencial y" , - 6y" + 11Y' 6y = O. (Sugerencia. Haga YI =Y.Y2 = y'.Y3 = y " Y. a continuacin. demuestre que
y'l = Y2
Y'2 = Y3 Y3
= 6YI -
llY2
+ 6Y3 '
7. Pruebe que toda solucin de y' =ay tiene la forma Y ::; ceax . (Sugerencia . Sea y = f(x) una solucin y demuestre que f(x)e -x es constante.) 8. Pruebe que si A es diagonalizable y
y =
r~:j
)1"
satisface y' = A Y. entonces cada y ; es una combinacin lineal de e A1x e A2x .. .. eAnx en donde Al A2 ..... An son eigenvalores de A.
7.2
APLlCACION A PROBLEMAS DE APROXiMACION; SERIES DE FOURIER
En muchas aplicaciones se tiene inters en encontrar la mejor aproximacin posible sobre un intervalo. para una funcin f. por medio de otra funcin que pertenece a alguna clase especificada; por ejemplo:
a). Halle la mejor aproximacin posible para eX sobre [O. 1l. por medio- de un polinomio de la forma ao + a 1 x + a2 X2 . b ) Halle la mejor aproximacin posible para sen 1TX sobre [-l. 1], por medio de una funcin de la forma ao + a \ eX + a2 e?- X + a3 e3x .
e) Halle la mejor aproximacin posible para sobre [O . 21Tl. por medio de una funcin de la forma ao + a \ sen x + a2 sen 2x + b 1 COS X + b2 cos 2x.
Ix I
SERIES DE FOURIER
337
Fi8Ura 7.1
Obsrve que en cada uno de estos ejemplos, las funciones de aproximacin se extrajeron de algn subespacio del espacio vectorial C[a /J] (funciones continuas sobre [a , b D. En el primer ejemplo , fue el subespacio de qo, 1] generado por 1, x y X 2 ; en el segundo ejem plo , fue el sub espacio de q -1, 1] generado por 1, ex ,e 2 x y e 3 x ; y , en el tercer ejemplo, fue el sub espacio de qo , 21T] generado por 1, sen x, sen 2x , cos x y cos 2x. Por tanto, cada uno de estos ejemplos enuncia un problema de la forma siguiente : Problema de aproximaciri. Hllese la mejor aproximacin posible sobre [a, b] para una funCin dada f , utilizando nicamente aproximaciones tomadas de un sub espacio espe cificado W de qa , b] . Para resolver este problema es necesario tomar el trmino "la rriejor aproximacin posible sobre [a , b]" de manera ms precisa. Intuitivamente, la mejor aproximacin posi ble sobre [a , b] es aqulla que produzca l menor error . Peto qu se entiende por "error"? Si slo se tuviese inters en la aproximacin de [(x) en un slo punto xo , entonces el error en X o por una aproximacing(x) sera simplemente
error
= !f(-,o) -
g(x o)!
a io que a veces se denomina 'desvwcin entre [ y g en Xo (figura 7.1.). Sin embargo, se tiene inters en la aproximaciri sobre un intervalo completo [a, b), no en un solo punto . Como cohsecueriia, es pOsible qile eh una parle del intervalo, una aproximacin g (x) tenga desviaciones meriores respecto de [que una aproximacin g2 (x), yen otra parte del intervalo podra suceder lo contrario. Cmo se decide cul es la mejr aproxirriacin global? Lo que se necesita es alguna manera de medir el error global en una aproximacin g(x). Una medida posible del errr global. se obtiene integrndo la desviacin !f(x) - g(x) sobre todo el intervalo; es decir,.
erro r
= J~h V(x)
11
- O(x) ! dx
(7.8)
Geomtricamente , (7 .8) es el rea entre las grficas de [(x) y g(x) sobre el intervalo [a, b] (figura 7.2); entre mayor sea el rea, mayor ser el error global. Aun cuando (7 .8) es natural y geomtricamente atractiva, la presencia de un signo de valor absoluto es lo suficientemente incmoda en los clculos, que la mayora de los matemticos y cientficos por lo general se inclinan por la siguiente medida alternativa del error, conocida como error cuadrtico medio,
338
APLICACIONES
fiaun7.2
El error cUadrtico medio tiene la ventaja adicional de que permite trasladar la teora de los espacios de productos interiores hacia los problemas de aproximacin. Para ver en qu forma sucede esto, considrese el producto interior
( r, g)
r . = Ja f(x)q(x)dx
b
b
,
(7.9)
sobre el espacio vectorial (la, b]. Con este producto interior,
Ilr - gl1 2= (r - g, f - g) = J, r
[I(x) - q(x)]Z lix
en el que se afirma que el error cuadrtico medio , que resulta de aproximar f por g sobre [a , b], es el cuadrado de la distancia entre f y g, cuando estas funciones se conciben como vectores en (la, b], con el producto interior (7.9). As entonces, una aproximacin g , tomada de un sub espacio W de (la, b], minimiza el error cuadrtico medio si y slo si mi2 n.imiza En' po, o bien, de modo equivalente , si y slo si minimiza cas palabras, la aproximacin g en W que minimiza el error cuadrtico medio es el vector g en W ms prximo a f, utilizando el producto interior (7.9) . Per? ya se sabe qu es vector g; es la proyeccin ortogonal de f sobre el subespacio W (teorema 23, seccin 4.9) . Vase la figura 7.3. En resumen, se tiene el siguiente resuHado:
Ilf - g11
Ilr - gil.
f = funcin enc[a,bl que debe aproximarse
W = espacio vectorial de funciones de aproximacin
Figura 7.3
SERIES DE FOURIER
339
Solucin del problema de mnimos cuadrados. Si f es una funcin continua sobre [a, b] Y W es un espacio con dimensin finita de C[a, b], entonces la funcin g en W que minim~a el error cuadrtico medio
[{(xl - g(X)J2 dx
es g = proYw f, la proyeccin ortoganal de f sobre W, en relacin con el producto interior (7 .9). La funcin g = proyw f se conoce como aproximacin de los mnimos cuadrados para f tomada de W.
Series de Fourier
Una funcin de la forma
t(xl = Co + c) cos x + C 2 cos 2x + ... + en cos nx + d) sen x + d2 sen 2x + .. . + dn sen nx

se conoce como polinomio trigonomtrico; si dice que t(x) tiene orden n. Ejemplo 3
en
(7.10)
y d n no son ambos cero, entonces se
t(x) = 2
+ cos x
- 3 cos 2x
+ 7 sen 4x
es un polinomio trigonomtrico con

Co
= 2. e) = 1. C2 = -3, d) = 0, d2 = O, d 3 = 0, d4 = 7
El orden de t(x) es 4 . Resulta evidente , por lo expresado en (7.1 O), que los polinomios trigonomtricos de orden n o menos son las diversas combinaciones lineales posibles de 1, cos x, cos 2x, . . . , cos nx, sen x, sen 2x, ... , sen nx (7.11 )
Por tanto, los polinomios trigonomtricos de orden n o menos forman un sub espacio W del espacio vectorial de funciones continuas; a saber, el sub espacio generado por las 2n + 1 funciones enumeradas en (7.11). Se puede demostrar que estas funciones,son linealmente independientes y, como consecuencia, forman una base para W. Considrese el problema de encontrar una aproximacin para una funcin continua f(x) sobre el intervalo [O, 21T], por medio de un polinomio trigonomtrico de orden n o menor. Como se hizo .notar antes , la aproximacin de mnimos cuadrados para f, tomada de W, es la proyeccin ortogonal de f sobre W. Para hallar esta proyeccin ortogonal, es necesario encontrar una base ortonormal go ,g , .. , ,g2 n para W, despus de lo cual es posible calcular la proyeccin ortogonal sobre W, a partir de la frmula
(7.12)
340
APLICACIONES
(vase el teorema 20 de la seccin 4 .9 ) . Se puede obtener una base ortonormal pra W, aplicando el proceso de Gram- Schmidt a la base 7.i 1), utilizando el producto irlteridr
( u, v)
= Jro
27t
u(x)L"(x)dx
Esto conduce (ejercicio 6) a la base ortonormal

go =
-= . g =
-y
-= cos x, . .. , gil = -= COS I1X ,

\i n
-y' n
2n
= ---;::::-
gn +
Sen x, ...
, g 21l
-= sen I1 X
yn
(7.13)
'\In
Si se introduce la notacin
entonces, al sustituir (7.13) en (7.12), se obtiene Proyw f en donde
= 2o + [al cos x + . , . + a ll cos nx] + [h sen x + ' .. + !J 1l sen I1X]
ao =
Fe
( f, go) =
;c
i 27t j'(x)
o
;c
1 dx
= -
1 i 27t [(x) dx
o
'\1 2n
'\1 2n
'\1 2n
a =
1 f g ) ,c(, '
'\In
1 =--;= S 27t
yn
1 ' [(X) - r;;cosxdx = -1 S 27t j(x)cosxdx \in n o
an =
'\In
r::- ( f, gn )
1 i 27t
'\In
r::
f (x )
'\In
r.:: cos nx dx
= -
1 i 27t , .
o
j (x) cos nx dx
b =
'\In
1 ( f, gn + ) r.::
'\I n
1 i27t f (x) 1 sen x d~x r:: r::o

'\In
= -
1 i 27t ! (x ) sen x dx
(J
b" =
'\In
r::: ( f, g2n )
1 i2 7t 1 r.:: f(x) r= sen nx dx '\In o '\In
= -
1 i2 7t !(x) sen nx dx n o
S~RIES
DE FOURIER
341
En pocas palabras,
ak =
Los nmeros ao , ~I Ejemplo 4
~ rln f(x)cos
n
Jo
kx dx,
~e
bk = -
n o
1l2rr f(x) sen kx dx
, ... ,
an, b 1,
...
,Pn
denominan coejiciertes de Founer* de f.
Hllese la aproximacin de mnimos cuadrados de [(x)

a) un polinomio trigonomtrico de orden 2 o menor b) un polinomio trigonomtrico de orden n o menor.
=x
sobre [O, 21T], por medio de
Solucin.
1 ao = Para k
nOn
llrr ,f' (xlii., = -1 llrr xdx = 2n o
= 1, 2,
. ~. , la integracin por partes conduce a ( verifquese):
1 ak = -
nO
llrr f(xlco$ kx dx = -n1llrr x cos kx dx = O ' o l )rr

nO
1 1 bk = - - ((xl sen kx dx = nO'
lln x sen kx dx = --k2

""
(7. 14)
Por tanto, la aproximacin de mnimos c\ladrados PaJa x sobre [O , 21T], por medio de un " polinomio trigonomtrico de orden 2 o menor es
,\ :::: -, + al cos S + al cos 2s + b I

o bien. con base en (7.14),
aO
sen x
+ b2
sen 2x
s ~ T - 2 ~n s - ~I1 2x
b) La aproximacin de mnimos ~uadradQs p~ra ~ sobr~ [O, 2rr], por !l1edio de un polinomio trigonomtrico ~e orden n o menor es
s:::: -,
ao
+ [al
CO~ x
+ ," + (/" cos IISJ + [b l
sen s
+ .. , + bn sennx]
*Jean Baptiste Joseph Fourier (1768 - 1830) - matemtico y fsico francs . Fourer descubri las series q1Je llevan su Ilompre y las ideas relacionadas ~ trabajar cpn problemas de dif1JSin del calor. Este descubrimiento es uno de los ms trascendentllles en la 'historia de las Matemticas ; es la piedra angular de muchos campos de investigacin matemtica y u~a herramienta' bsica en muchas ramas de la ingeniera. rourier , poltico activista durante la Revolucin Francesa, pas mucho tiempo en la crcel por defender a muchas vctimas dur~te la Epoca del Terror. Final!nel~e se' col1virti en 1JIl amigo predilec to de Na polen, quien lo nombr tanto Barn como Conde.
342
APLICACIONES
o, por (7.14), x
~
n - 2 sen x (
sen sen sen + - - + - -3x + ... + - -
2x
nx)
Resulta obvio esperar que el error cuadrtico medio disminuya a medida que se aumenta el nmero de trminos en la aproximacin de mnimos cuadrados
f(x) ~
a
)0 -
k= 1
(a k cos kx
+ bk
sen kx)
Se puede probar que el error cuadrtico medio tiende a cero conforme n ~ denota escribiendo
+ 00; esto se
f(x)
k= l
"fe
(a k cos kx
+ bk
.
sen kx)
El segundo miembro de esta ecuacin se denomina serie de Fourier para f. Las series de este tipo tienen importancia primordial en ingeniera , ciencias y matemticas.
EJERCICIOS 7.2
l. Halle la aproximacin de mnimos cuadrados de [(x) = 1 [O, 21T] por medio de
a) un polinomio trigonomtrico de orden 2 o menor;
+x
sobre el intervalo
b) un polinomio trigonomtrico de orden n o menor.

)
2. Encuentre la aproximacin de mnimos cuadrados de [(x) = valo [O, 21T] por medio de
a) un polinomio trigonomtrico de orden 3 o menor; b) un polinomio trigonomtrico de orden n o menor.
X2
sobre el inter-
3. a) Halle la aproximacin de mnimos cuadrados de x sobre el intervalo [O, 1], por medio de una funcin de la forma a + be x . b) Encuentre el error cuadrtico medio de la aproximacin.
4. a) Determine la aproximacin de mnimos cuadrados de eX sobre el intervalo LU, 11. por medio de un polinomio de la forma ao + al x.
b) Halle el error cuadrtico medio de la aproximacin.
S. a) Encuentre la aproximacin de m nimos cuadrados de sen 1TX sobre el intervalo [-1,1], por medio de un polinomio de la formaao + ax + a2x2. b) Halle el error cuadrtico medio de la aproximacin. 6 , Aplique el proceso de Gram-Schmidt para obtener la base o.r tonormal (7.13), a partir de la base (7.11).
~I
APLlCACION A LAS SECCIONES CONICAS
343
7. Lleve a cabo las integraciones que se dan en (7.14). 8. Halle la serie de Fourier de [(x)
= 1T -
x.
7.3 FORMAS CUADRATICAS;.APlICACION A LAS SECCIONES CONICAS

En esta seccin se aplican los resultados obtenidos acerca de las transformaciones 0rtOgo nales de coordenadas, para el estudio de las ecuaciones cuadrticas, las formas cuadrticas y las secciones cnicas. Las formas cuadrticas surgen en una diversidad de problemas importantes referentes a reas tan diversas como las vibraciones , la relatividad, la geometra y la estadstica. Una ecu acin de la forma 2 (7.15) a.\2 + 2hs\' + cr + d.\ + e\' + I = O en donde a, b," ... , f son nmeros reales, y al menos uno de los nmeros a, b, c no es cero, se denomina ecuacion cuadrtica en x y y; la expresin
se llama forma cuadrtica asociada. Ejemplo 5 En la ecuacin cuadrtica

3.\2
+ 5.\.1' - 7.1'2 + 2.\ + 7 = O
las constantes que se mencionan en (7.15) son
a= 3
Ejemplo 6 Ecuacin
e = -7
d=2
e= O
f=7
~uadrtica
Forma cuadrtica asociada
3.\2 + 5.n - 71'2 + 2.\ + 7 = O

4.\2 - 5r 2
J,2
+ 8.1' + 9 = O
- 7.v 2 4.\2 _ 5.\'2
+ 5xy
.\.1'
.n+r=O
Las grficas de las ecuaciones cuadrticas en x y y se llaman cnicas o secciones cniimpo~tantes son las elipses, los crculos, las hiprbolas y las parbolas; se dice que stas son cnicas no degeneradas. Las cnicas restantes se califican como degeneradas e incluyen puntos aislados y parejas de rectas (vase ejercicio 13). Se dice que una cnica no degenerada se encuentra en posicin estandar, con relacin a los ejes de coordenadas, si su ecuacin se puede expresar en una de las formas dadas en la figura 7 .4.
cas. Las cnicas ms
344
Grfica
APLlC~CIONfOS
X2
k2 -+
y2
(_-:c.:k,--"O~)HH~~x (k, O)
=
l:.
(-k, O)
l)
1; k, 1> O
(0, -/)
k<l k>l
(~k ' O)
, .
.'
l'
,C;
t:.~)
x , !l, 0)
(0, -k)
(Elipse o crculo)
k=l
(Hiprbola)
(Hiprbola)
(O. -k)
y2
= kx
(Parbola)
::1
k>O
%
r ~I
k<O
y
x ti
X2
= kv
(Parbola)
k> O
Figura 7.4
APLlCACION A LAS SECClON!=S CONICAS
345
Ejemplo 7 La ecuaciQn
4 + "9 =
X2
y2
X2
1 es de la forma k 2
+F =
y2
1 con k
= 2, 1= 3
Por tanto, su gr~fica es una elipse en la posicin estndar, la cual se interseca con el eje x en (-2, Q) y (2, Q), y se interseca con el eje yen (O, -3) Y (0, 3). La ecuacin X2 - 8y2 = -16 se puede reescribir como y2 /2 - X2 / 16 = 1, la cual es de la formay 2 /k 2 - X2 /[2 = 1 con k = v'2, 1= 4. As entonces, Su grfica es una hiprbola en posicin estndar que se interseca con el eje y en (O , - v'2) y (O, v'2). La ecuacin 5x2 + 2y = se puede volver a escribir como X2 = -ty, la cual es de la forma X2 = ky con k = -}. Dado que k < 0, ~u grfica es una parbola en posicin e~ tndar que se abre hacia abajo. Obsrvese que niflguna cnica en posicin estndar tiene trmino en xy (conocido como trmino de producto cruzado) en su ecuacin; la presencia de un trmino xy, en la ecuacin de una cnica degenerada, indica, que tal cnica est girada respecto a su posicin estndar (figura 75a). Tambin, ninguna cnica en posicin estndar tiene tanto un trmino en X2 como en x, o bien, uno en y2 yen y. Si no existe trmino de producto cruzado, la presencia de cu~lquiera de estos dqs pareS de trminos en la ecuacin de una cnica no degenerada indica que tal cnica est trasladada respecto a su posicin estndar (figura 7 5b). Una tcnica para identificar la ~rfica de una cnica nQ degenerada , que no se encuentra en la posicin estndar, consiste en hacer girar y trasladar los ejes de coordenadas xy, para obtener un sistema de coordenadas x'y', con relacin al cual la, cnica est en la posicin estndar. Una vez que se hace lo anterior , la ecuacin de la cnica en el sistema x'y'tend~ una de las formas dadas en la figura 7.4 y , por consiguiente, es posible identifica,rla con fac~ifla(:l.
Ejemplo 8 Dado que la ecuacin cuadrtica
2x:
+ y2
12x -
4y
+ 18 = O
contiene trm!lOs en X2 ,x,y2 y y, pero ningn trmino con producto cruzado, su grfic'! es una cnica que est trasJadada respecto de la posicin estndar, pero no est gir,!da.
Cl~
(a)
(b
(e )
F~Qra
7.5 (a) Girada. (l;)
T~asladada.
Ce) Girada y trasladada.
346
A PL ICACION ES
Esta cnica se puede llevar a la posicin estndar, trasladando apropiadamente los ejes de coordenadas. Para hacerlo, agrpense primero los trminos en x y y. Esto conduce a
(2.'(2 - 12x)
o bien,
+ (l + (y2 -
4y)
+ 18 = O
= - 18
2(x 2
6x)
4y)
Al completar los cuadrados* en las dos expresiones que estn entre parntesis, se obtiene
2(x 2 o bien,
6x
+ 9) + (y2
2(, -
- 4y
+ 4) = -18 + 18 + 4
2)2 = 4
(7.16)
W + (y -
Si se trasladan los ejes de coordenadas por medio de las ecuaciones de traslacin
,'= x
- 3
y' =y-2
(ejemplo 3 de la seccin 3.1), entonces (7.16) queda
o bien,
que es la ecuacin de una elipse en posicin estndar, -en el sistema x'y'. En la figura 7 .6 se tiene un esquema de esta elipse.
Figura 7.6
*Para completar el cuadrado en una expresin de la forma (p/2)2 para obteRer
x2
+ {Jx, se suma y
se resta la constante
,' l)' ~_\ ' + I)' + (~y
-el' = (\ + ~y rey
APLl CACION A LAS SECCIONES CONICAS
347
Ahora se considera la identificacin de las cnicas que estn giradas respecto a la posicin estndar. En el resto de este texto se sigue una convencin estndar de omitir los corchetes en todas las matrices de 1 X 1. Por tanto, el smbolo 8 puede denotar el nmero 8, o bien, la matriz de 1 X. 1 cuyo elemento es el nmero 8. Siempre ser posible entender, por el contexto, cul es el significado. Con esta convencin, (7 .15) se puede escribir en la forma matricial
o bien,
X ' Ax
+ Kx + f = O
(7.17)
en donde
A=[: ~]
x !Ax
K = [d
e]
En esta notacin , la forma cuadrtica asociada con (7.17) es
La matriz simtrica A se denomina matriz de la forma cuadratica xtAx. Ejemplo 9 Las m atrices de las formas cuadrticas
3X2
+ 5xy + 7)/
son
y
Considrese una cnica e con la ecuacin

X' Ax
+ Kx + f = O
(7.18 )
Ahora se demostrar que es posible hacer girar los ejes de coordenadas xy de modo que en la ecuacin de la cnica, en el sistema de coordenadas x'y', no tenga trmino con producto cruzado. Paso l. Se halla una matriz
p=
[PII
P2I
PI 2] P22
que diagonaliza ortogonalmente a A.
348
APLICACIONES
Paso 2. Se intercambian las columnas qe P, si es nece~ario, para hac~r que jet(P) Esto' asegura que la transformacin ortogonal de coorqenadas
= .
Px', es
decir{~ J= P
[::J
(7.l ~)
es una rotacin (va~e el anlisis qlle precede al ej~mplo 68 en la seccin 4.1 O). Paso 3. A fin de obteI1er la cuacin para en el sistema x'y', se sustituye (7.19) en (7.18). Esto conduce a '
(Px'YA(Px') , .
K(Px' )
+f =O
o bien,
x't( PtAP)x'
+ (KP)x' + f = o
(7.20)
Puesto que P diagonaliza Qrtog~malmenfe a A,
en donde Al y A2 son eigenvalores de A. Por t311to , 0.20) se puede volver a escribir como
[X'
o bien,
Y'J O
[Al
A2
J[x:J+ [d e [P11 PI2J [x:J+ f = ] P21 P22 Y Y
(en donde d' = dpll + eP21 Y e' =dpl2 + eP22)' Esta ecuacin no tiene trmino de producto cruzado. En el siguen te teorema se resume este anlisis. Teorema 9. (TeorefllO de los ejes, principales para, R 2 j. Sea
ax 2
la ecuacin de una cnica
+ 2bxy + cy2 + dx + ey + f = O
e, y
supngase que
xtAx
=
ax 2
+ 2bxy + cy2
es la forma cuadrtica asociada. Entonces s~ puede (lacer girar los ejes de coordenadas de modo que la ecuacin para e en e/nuevo sistema de coordenadas x'y' tenga la forma
APLICACION A LAS SECCIONES CONICAS
349
en donde AI Y A2 son los eigenvalores de A. Se puede llevar a cabo la rotacin por medio d e la sustitucin
x = Px'
en donde P diagonaliza ortogonalmente a A y det(P) = 1
Ejemplo 10
Descrbase la cnica e cuya ecuacin es 5x 2 - 4xy Solucin. La forma matriciaJ de esta ecuacin es
+ 8y2
- 36 = o;
(7.21)
en donde
La ecuacin caracterstica de A es
det(.U - A) = det [
A- 5 2
A-8
(A - 9)(A - 4) = O
Poi tanto, los eigei'lValores de A son A = 4 Y A = 9. Los eigenvectbres correspondientes a A = 4 son as soluciones diferentes de cero de
Al resolver este sistema se obtiehe
Por tanto,
es una base pra el eigenespacio correspondiente a A = 4 . Al normalizar este vector con el fin de obtener una base ortonormal para este eigenes!,acio, se obtiene 2
VI =
J5
1
)5
350
APLICACIONES
De modo anlogo,
1
V2
J5
2
J5
es una base ortonormal para el eigenespacio correspondiente a 'JI. = 9. Por tanto,
2
1
P=
J5 J5
J5
2
J5
diagonaliza ortogonalmente a A. Es ms, det(P) = 1 de modo que la transformacin ortogonal de coo rdenadas
x
Px'
(7 .22)
es una rotacin. Al sustituir (7.22) en (7.21) se obtiene

(Px'yA(Px') - 36
=O
o bien,
(x' )'(P'AP)x' - 36
=O
Ya que
P'AP =
es posible escribir esta ecuacin como
[~ ~J
o bien ,
4X'2 + 9;:,2 - 36
=O
APL ICACION A LAS SECCIONES CONICAS
351
Figura 7.7
Se puede reescribir esta ecuacin como
que es la ecuacin de la elipse cuyo esquema se da en la figura 7.7.
Ejemplo 11
Descrbase la cnica e cuya ecuacin es
5x - 4xy
2
20 + 8y 2 + ~ x
J5
80
J5
+4=
Solucin. La forma matricial de esta ecuacin es x' Ax

en donde
y
+ Kx + 4 = O
K = [_.../5
(7.23)
20
-~ 50J
Y.J
Como se muestra en el ejemplo 10,
p =
)5
.L
1
[ J5 .
352
APLICACioNES
diagonaliza ortogonalmente a A. Al sustituir x = Px' en (7.23) se obtiene

(Px,),A(Px' ) + K(Px')
+4=
1
(7.24)
o bien,
(X' )I(PIAP)x'
+ (KP)x' + 4 =
Dado que
2
Pk =
I
[4 0J
9
KP=[~ -80J J5 J5 1
J5
J5
2
=[-8
-36]
J5
es posible escribir (7.24) como
4X,2 + 9y'2 - 8x' - 36y'
(7.25)
Para llevar la cnica a la posicin estndar, se deben trasladar los ejes x'y'. Procediendo como en el ejemplo 8 , se reescribe (7.25) como
4(X,2 - 2x' ) + 9( y' 2 - 4y' ) = - 4

Al completar los cuadrados se obtiene
4(X'2 - 2x'
o bien,
+ 1) + 9(y'2
- 4y'
+ 4) = -4 + 4 + 36
4(x' - 1)2 -+- 9( y' - 2)2 = 36

Si se trasladan los ejes de coordenadas por medi de las ecuaCiones
x"
(7.26)
x' - 1
y"=y'- 2
entonces (7.26) queda
02
+ -
Y =1 4
11 2
que es la ecuacin de la elipse cuyo esquema aparece en la figura 7.8.
APLlCACION A LAS SECCIONES CONICAS
353
Figura 7.8
EJERCICIOS 7.3
1. Halle las fonnas cuadrticas asociadas con las ecuaciones cuadrticas que siguen.
a) 2X2 - 3xy
b)
X2 X)'
+ 4y2 - 7x + 2y + 7 = O + 5x + 8)' - 3 = O
=
e) 5xy = 8 d ) 4X2 - 2.1'2

e)
i + 7x -
8.1' - 5 = O
2. Encuentre las matrices de las fonnas cuadrticas que se dan en el ejercicio 1.
3. Exprese cada una de las ecuaciones cuadrticas del ejercicio 1 en la fonna matricial xtA x + Kx + f= O.
4 . Nombre las cnicas siguientes .

a ) 2.'(2
+ 5.1'2
.\'2 -
20
8= O e) X2 + y2 - 25 = O g ) -x 2 =2)' i} .r - X2 = O
e)
X2 -
b ) 4x 2 +9y2=1 d) 4y2 - 5X2 = 20 f) 7y2 - 2x = O h) 3x - 11 y 2 = O j ) X2 _ 3 = _ y2
5. En cada inciso , una traslacin lleva la cnica a la posicin estndar. Nombre la cnica y d su ecuacin en el sistema de coordenadas trasladado .
a) 9X2 + 4i - 36x - 24y b ) X2 - 16i + 8x + 128y
+ 36 =
=
256
354
e) y2 - 8x - 14r + 49 = O d) ,x2 + y2 + 6x - 10y + 18 = O e) 2X2 - 3y2 + 6x + 20.1 = - 4 1 f) x 2 + lOx + 7y = - 32
APLICACIONES
6. Las cnicas no degeneradas que siguen estn giradas respecto a la posicin estndar. En cada inciso , grense los ejes de coordenadas a fin de eliminar el trmino en xy. Nombre la cnica y d su ecuacin en el sistema de coordenadas girado .
a) 2X2 - 4xy - y2 + 8 = O e) 5X2 + 4xy + 5y2 = 9
b) X2 + 2xy + )'2 + 8x + y = O d ) 11 x2 + 24xy + 4/ - 15 = O
En los ejercicios 7 al 12, traslade y haga girar los ejes de coordenadas, si es necesario , para poner la cnica en la posicin estndar. Nombre la cnica y d su ecuacin en el sistema de coordenadas final.
7. 9X2 - 4xy
+ 6y2 - 10x - 20y = 5
8. 3X2 - 8xy - 12y2 - 30x - 64y = O 9. 2X2 - 4xy - / - 4x - 8y = -14
10. 21x2
+ 6xy + 13y2 - 114x + 34y + 73

6xy - 7y2
= O
11.
X2 -
+ 10x + 2y + 9 = O
12. 4X2 - 20xy
+ 25/ - 15x - 6y = O
13. En ciertos casos, la grfica de una ecuacin cuadrtica en x y y puede ser un punto, una recta o un par de rectas ; stas se conocen como degeneradas. Tambines posible que la ecuacin no sea satisfecha por valor real alguno de x y y. En estos ltimos casos, la ecuacin no tiene grfica; se dice que representa una cnica imaginaria. Cada una de las ecuaciones que siguen representan una cnica degenerada o una imaginaria. Cuando sea posible , trace la grfica.
a) X2 - / = O e) 8X2 + 7y2 = O e) 9X2 + 12xy + 4/
- 52 = O
b ) x2+3y2+7=0 d) X2 - 2xy + y2 = O f) X2 +y2_2x- 4y= - 5
7.4 FORMAS CUADRATICAS; APlICACION A LAS SUPERFICIES CUADRICAS

En est a seccin, las tcnicas de la seccin anterior se extienden hacia las ecuaciones cuad rticas en tres variables. Una ecuacin de la forma
ax 2 + by2
+ cz 2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j = O
(7.27)
en donde a. b ... f no son todo s cero , se denomina ecuacin cuadrtica en x. y y z ; la expresin
ax 2 + bJ;2
es laforma cuadrtica asociada.
+ cz 2 + 2dxy + 2exz + 2fyz
APLlCACION A LAS SUPERFICIES CUADRICAS
355
La ecuacin (7 .27) se puede escribir en la forma matricial
[x y
z] :
a d e] [X] [ ~ ~ ~ + [g
Xl Ax
o bien,
+ Kx + j = O
en donde
A = d e
a d e] [ fb fc
K = [g h
i]
La matriz simtrica A se conoce como matriz de la forma cuadrtica
x'A x
Ejemplo 12
ax 2 + by2
+ c::. 2 + 2dxy + 2ex z + 2fyz
La forma cuadrtica asociaqa con la ecuacin cuadrtica
3X2
es
+ 2i
Z2
+ 4xy + 3xz -
8yz
+ 7x + 2y + 3z -
7= O
3X2
+ 2y 2
Z2
+ 4xy + 3xz -
8yz
La matriz de esta forma cuadrtica es
[~
-4
Las grficas de las ecuaciones cuadrticas en x, y y z se llaman cudricas o superficies cudricas. A continuacin se dan algunos ejemplos de cudricas y sus ecuadones. Cuando la ecuacin de una cudrica tiene una -de las formas que se muestran en la figura 7 .9, se dice que se encuentra en la posicin estndar, con relacin a los ejes de coordenadas. La presencia de uno' o ms de los trminos de productos cruzados xy, xz y yz en la ecuacin de una cudrica no degenerada indica que sta se encuentra girada respecto a la posicin estndar; la presencia de los trminos en X2 y x, y2 Y Y o Z2 y z, al mismo tiempo , en una cudrica sin trmino con producto cruzado indica que la misma est trasladada respecto a la posicin estndar.
356
APLICACIONES
Elipsoide
Hiperboloide deun manto
Figura 7.9a
x
x
Hiperboloide de dos mantos
r:ono elptico
Figura 7.9 b
Ejemplo 13
r
Descrb ase la superficie cudrica cuya ecuacin es 4X2
+ 36y 2 - 9z 2 - 16x - 216y + 304 = O

\
Solucin. Al reacomodar los trminos da
4(x'l -4x)+36(y2 - 6y) - 9z 2 = - 304
APLICACION A LAS SUPERFICIES CUADRICAS
357
Paraboloide elptico
Paraboloide hiperblico
Figura 7.9c
Completando los cuadrados se obtiene

4(x 2 4(x - 2)2
-
4x
+ 4) + 36(.\"2
- 6.1'
+ 9) -
9;:2
= -304 + 16 + 324
+ 36(.\" - W -
9z2
= 36
o bien,
(x - 2)2 -'----=-9-
+ )-
(.
3)2
- 4 -
Z2 _ 1
Al trasladar los ejes por medio de las ecuaciones

x'
=x
- 2
y' = y-3
z'
se llega a
que es la ecuacin de un hiperboloide de un manto. El resultado que sigue indica que siempre es posible eliminar los trminos de productos cruzados. de la ecuacin de una cudrica, girando los ejes de coordenadas. Teorema 10. (Teorema de los ejes principales para R 3.) Sea
QX 2
+ by2 + cz 2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j =
(7.28)
358
APLICACIONES
la ecuacin de una cudrica Qy supngase que
x'Ax = ax 2 +
bl + cz 2 + 2dxy + 2exz + 2fyz
es la forma cuadrtica asociada. Entonces es posible girar los ejes de coordenadas de modo que la ecuacin de Q en el sistema de coordenadas x'y'z' tenga la forma
(7.29)
en donde Al, 71. 2 , Y 71. 3 son los eigenvalores de A. Se puede llevar a efecto la rotacin por medio de la sustitucin
x = Px'
en donde P diagonaliza ortogonalmen te a A y det(P) = l. Este teorema sugiere el siguiente procedimiento para eliminar los trminos de productos cruzados, de una ecuacin cuadrtica en x, y y z.
Paso l . Se encuentra una matriz P que diagonalice ortogonalmente a A . Paso 2. Si es necesario , se intercambian dos de las columnas de P para hacer que det(P) = 1. Esto asegura que la transformacin ortogonal de coordenadas
(7.30)
es una rotacin .
Paso 3. Se sustituye (7.30) en (7.29). La demostracin de que la nueva ecuacin tiene la forma dada en (7.29) es semejante a la que se dio en la seccin anterior ; Se deja como ejercicio. Ejemplo 14 Descrbase la superficie cudrica cuya ecuacin es
4X2
+ 4y2 + 4z 2 + 4xy + 4xz + 4yz -
3= O
Solucin. La forma matricial de la ecuacin cuadrtica anterior es
x'Ax - 3 = O
en donde
(7.31 )
APLICACION A LAS SUPERFICIES CUADRICAS
359
Como se muestra en el ejemplo 13 de la seccin 6.3 , los eigenvalores de A son A = 2 Y A= 8, YA es diagonalizada ortogonalmente por la matriz
ji
P=
16
1
.j3
1
ji
O
J6
2
,)3
1
y6
,/3
en donde los dos primeros vectores columna de P son los eigenvectores correspondientes a A = 2 Y el tercer vector columna es un eigenvector correspondiente a A= 8 . Puesto que det(P) = 1 (verifquese) , la transformacin ortogonal de coordenadas
X =
Px ', es decir, ~.
X = P [X'] ] ~.: [
(7.32)
es una rotacin. Al sustituir (7.3 2) en (7.31) se obtiene (Px'YA(Px' ) - 3 = O o, de manera equivalente, (x' )'(P' AP)x' - 3 = O Ya que
(7.33)
(7.33) queda
o bien,
360
APLICACIONES
Esto se puede reescribir como
que es la ecuacin de un elipsoide.
EJERCICIOS 7.4
1. Halle las fonnas cuadrticas asociadas con las ecuaciones cuadrticas que siguen.
a) X2 + 21- Z2 + 4xy - 5yz + 7x + 2z = 3 b) 3X2 + 7z 2 + 2xy - 3xz + 4yz - 3x = 4 e) xy + xz + yz = 1 d) X2 + y2 - Z2 = 7 e) 3z 2 + 3xz - 14y + 9 = O f) 2z 2 + 2xz + y2 + 2x - y + 3z = O
2. Encuentre las matrices de las fonnas cuadrticas que se dan en el ejercicio l. 3. Exprese cada una de las ecuaciones cuadrticas dadas en el ejercicio 1, en la forma matricial x t Ax + Kx + f= O. 4. Nombre las cudricas siguientes.
a) 36x2 + 9y2 + 4z 2 - 36 = O b) 2x 2 +6y2-3z 2 =18 e) 6X2 - 3y2 - 2z 2 - 6 = O d) 9X2 + 4y2 - Z2 = O e) 16x 2 +1=16z f) 7X2 - 3y2 + z = O g) X2 + y2 + Z2 = 25
S. En cada inciso, detennine las ecuaciones de traslacin que llevarn la cudrica a la posicin estndar. Nombre la cudrica.
a)
b) e) d)
e) f) g)
9X2 + 361 + 4z 2 - 18x - 144y - 24z + 153 = O 6X2 + 3y2 - 2z 2 + 12x - 18Y - 8z = - 7 3X2 - 31- Z2 + 42x + 144 = O 4X2 + 91 - Z2 - 54y - 50z = 544 X2 + 16y2 + 2x - 32y - 16z - 15 = O 7X2 - 3y2 + 126x + 72y + z + 135 = O X2 + y2 + Z2 - 2x + 4y - 6z = 11
6. En cada inciso, halle una rotacin x =Px' que elimine los trminos de productos cruzados. Nombre la cudrica y d su ecuacin en el sistemax'y'z' .
a) b) e) d) 2X2 + 3y2 + 23z 2 + 72xz + 150 = O 4X2 + 41 + 4z 2 + 4xy + 4xz + 4yz - 5 = O 144x 2 + IOOy2 + 81z 2 - 216xz - 540x - 720z = O 2xy + z = O
APlICACION A LAS SUPERFICIES CUADRICAS
361
En los ejercicios 7 al 10 traslade y haga girar los ejes de coordenadas para llevar la cudrica a la posicin estndar. Nombre la cudrica y d su ecuacin en el sistema de coordenadas final.
7. 2xy
+ 2xz + 2yz -
6x - 6y - 4z = -9
8. 7X2 + 7/ +10z 2 - 2xy - 4xz 9. 2xy - 6x

10.
+ 4yz -
12x
+ 12y + 60z =
26y - 2z
= O
24
+ 10y + z - 31 2X2 + 2/ + 5z 2 - 4xy -
= O
2xz + 2yz
+ lOx -
11. Pruebe el teorema 10.
8 Introduccin a los mtodos numricos del lgebra lineal
8.1 ELlMINACION GAUSSIANA CON CONDENSACION PIVOTAL

En esta seccin se analizan algunos 'aspectos prcticos de la resolucin de sistemas de n ecuaciones lneales en n incgnitas. En la prctica, los sistemas de ecuaciones lineales a menudo se resuelven en computadoras digitales. Dado que las computadoras tienen un lmite en el nmero de cifras decimales que pJeden llevar, redondean, o truncan, la mayora de las cantidades numricas. Por ejemplo, una computadora diseada para almacenar ocho cifras decimales podra registrar 2/3 como .66666667 (redondeado), o bien, 66666666 (truncado). En cualquiera de los dos casos, se introduce un error al que se denominar error por redondeo. Las consideraciones prcticas principales al resolver sistemas de ecuaciones lineales en computadoras digitales son: 1. 2. Minimizar las faltas de exactitud debidas a los errores por redondeo . Minimizar el tiempo de computadora (y, por tanto, el costo) necesario para obtener la solucin.
Excepto cuando la matriz de coeficientes tiene una estructura especializada (por ejemplo, un nmero grande de ceros), la eliminacin gaussiana por lo general es el mejor mtQdo para resolver el sistema. En esta seccin se presenta una variacin de la eliminacin gaussiana, desarrollada con el fin de minimizar el efecto del error por redondeo. La mayor parte de la aritmtica para computadoras se lleva a cabo utilizando nmeros normalizados de punto flotante. Esto significa que los nmeros se expresan en la forrna* (8.1 ) en donde k es un entero y M es una fraccin que satisface
. 1 ::; M <
La fraccin M se llama mantisa.

*La mayora de las computadoras convierten nmeros decimales (base 10) a nmeros binario; (base 2). Sin embargo, a fin de simplificar slo se pensar en trminos de decimales . c,
363
364
INTRODUCCION A LOS METODOS NUMERICOS DEL ALGEBRA LINEAL
Ejemplol Los nmeros que siguen estn expresados en la forma normalizada de punto flotante. 73 -.000152
= .73
x 10 2
= -.152 x 10 - 3 1,579 = .1579 x 10 4
- 1/4
=-
.25 x 10
El nmero de cifras decimales que se tengan en la mantisa y el tamao admisible del exponente k que se tiene en (8.1) dependen de la computadora que se est utilizando. Por ejemplo, la IBM 360 almacena el equivalente de siete dgitos decimales en la mantisa Y'Permite variar 10k desde 10- 75 hasta 10 75 . Una computadora que utiliza n cifras decimales en la mantisa se dice que redondea los nmeros hasta n dgitos significativos. Ejemplo 2 Los nmeros que siguen estn redondeados hasta tres dgitos significativos.
Forma normalizada de punto flotante .233 x 10 1 .176 X 10 4 .921 X 10 - 5 -.120 x 10 .138 X 10 2 -.850 X 10 - 1
f.
Nmero 7/ 3 1,758 .0600092143 - .12 13.850 -.08495
Valor redondeado 2.33 1,760 .00000921 - .12 13.8 - .085
(Si, como en los dos ltimos casos, la porcin de decimal que se va a descartar en el proceso de redondeo es exactamente la mitad de una unidad, sadoptar la convencin de redondear de modo que el ltimo dgito conservado sea par. En la prctica, el tratamiento de esta situacin vara de computadora a computadora.) Ahora se introducir una variacin de la eliminacin gaussiana denominada condensacin pivotal o eliminacin gaussiana con pivote; este mtodo est proyectado-con el fin de minimizar el efecto acumulativo del error por redondeo al resolver n ecuaciones lineales en n incgnitas. Se supone que el sistema tiene una solucin nica. A medida que se describa cada paso, se ilustrar la idea utilizando la matriz aumentada para el sistema
Paso l . En la columna de la extrema izquierda , se encuentra un elemento que tenga el valor absoluto ms grande. Este se conoce CO lIJO elemento pivote.
ELIMINACION GAUSSIANA CON CONDENSACION PIVOTAL
365
. r~
Elemento/L 3 pivote
~
-2
-~
1~]
11
Columna de la extrema izquierda
Paso 2 . Si es necesario, se efecta un intercambio de renglones, para llevar el elemento pivote a la parte superior de la columna.
6 2
2 -1
1~]
11
Se intercambiaron el primero
y segundo renglones de la
-2
matriz anterior.
Paso 3. Si el elemento pivote es a, se multiplica el rengln superior por 1la.

"3
I
- t
-2
El primer renglon de la matriz anterior se multiplic por 1/6.
Paso 4. Se suman mltiplos apropiados del rengln superior a los renglones de abajo , de modo que , en la columna localizada en el paso 1, todos los elementos que estn por debajo del que se encuentra ms arriba se conviertan en ceros.
[~
"3
-1
-2
O
- 5
Se sum -3 veces el primer rengln de la matriz anterior al segundo y tercer renglones.
Paso 5. Se cubre el rengln superior de la matriz y se empieza nuevamente con el paso 1, aplicado a la submatriz que se deje. Se contina de esta manera hasta que la ma triz completa quede en la forma escalonada en los renglones.
Eleme~ L--Co1umna diferente de cero ms a

pivote
1
[ ~ 0-: -! -~]
O O 5
"3
I
la izquierda en la submatriz
Se intercamb iaron el prim ero y segundo renglones de la submatriz.
[~
[~
-5
- 1
- 2
"3
I
O -
- 1
- 2
- 5
~]
El primer rengln de 15 sub matriz se multiplic por - 1/5.
366
INTRODUCCION A LOS METODOS NUMERICOS DE~ ALGEBRA LIN~AL
,~l
l
1 1
O - 1,
- 6
2]
O - 2
El primer rengln de la submatriz se sum al Isegundo rengln.
..,
Elemento../' pivote
I,~
1
O
1 1 O
EIl -
O - 1 6
2]
Se cubri el primer rengl~ de la sub matriz y se regres una vez ms al paso lo
1 - Columna de la extrema
izquierda en la nueva submatriz.
3'
1
[~
El primer rengln de la nueva sub matriz se multiplic por -1/2.
Ahora la matriz completa se encuentra en la forma escalonada en los renglones. Paso 6. Se resuelve el sistema de ecuaciones correspondiente por medio de sustitucin regresiva.
el sistema de ecuaciones correspondiente es
Xl
+ X 2 + 1X3 =
X2
X3
2 = -1 = 3
Por medio de una sustitucin regresiva se llega a

X2
= -1
Xl
=2
Puesto que los clculos anteriores son exactos, este ejemplo no ilustra la efectividad de la condensacin pivotal en la reduccin del error por redondeo; el ejemplo que se da a continuacin s lo hace. Ejemplo 3 Resulvase el sistema siguiente por eliminacin gaussiana con pivote. Despus de cada clculo, redondese el resultado hasta tres dgitos significativos .
.00044x 1
+ .0003x 2 - .0001x 3 = .00046 4x 1 + X2 + .\:3 = 1.5

3.\:1 9.2.\:2 SX3
(8.2)
= - 8.2
Solucin (con pivote). La matriz aumentada es

.0003 -.0001
1
.00046]
-9.2
-.5
1.5 -8.2
ELIMINACION GAUSSIANA CON CONDENSACION PIVOTAL
367
Para llevar el elemento pivote a la parte superior de la primera columna, se intercambian el primero y el segundo renglones ; esto da
4 .00044 [ 3 1 .0003 -9.2
1
-.0001 -.5
1.5 ] .00046
-8.2
Al dividir cada elemento del primer rengln entre 4 da

1 .00044 [
.25 .0003 -9.2
.25 -.0001 - .5
375 .00046 .
-8.2
Sumando -.00044 veces el primer rengln al segundo y - 3 veces el primero al tercero se obtiene (despus de redondear hasta tres dgitos significativos),
1
.25
O .000190 [ O -9.95 -
.25 -.00021 -1 .25
.375 ] .000295 -9.32
Intercambiando el segundo y tercer renglones se tiene .25 O -9.95 [ O .000190
.25 -1 .25 - .00021
.375 ] -9.32 .000295
Dividiendo cada elemento del segundo rengln entre - 9.95 se obtiene .25 1 [ O .000190
O
.25 .126 - .00021
.375 ,] .937 .000295
Al sumar - .000 190 veces el segundo rengln al tercero da
[~
.25
1
.25 .126 -.000234
.375 ] .937 .000117
Al dividir cada elemento del tercer rengln entre - .000234 se llega a la forma escalonada en los renglones
[~
.25 1 O
.25 .126
375 . .937
-.5
368
El sistema de ecuaciones correspondiente es

Xl
+ .25X2 + .25x3 = .375 X2 + .l26x3 = .937

X3
= - .5
Resolviendo por sustitucin regresiva se obtiene (hasta tres dgitos significativos)

Xl
= .250
X2
= 1.00
X3
= -.500
(8.3)
Si (8.2) se resuelve por eliminacin gaussiana sin pivote, y capa clculo se redondea hasta tres dgitos significativos, se obtiene (se omiten los detalles)
Xl
= .245
X2
l.01
X3
= -.492
(8.4)
Al comparar (8.3) y (8.4) con la solucin exacta

Xl
X2
= 1
se ve que el uso del pivote proporciona resultados ms exactos. A pesar del hecho de que la "Condensacin pivotal puede reducir el efecto acumulado del error por redondeo, existen ciertos sistemas de ecuaciones, denominados sistemas mal condicionados, que son tan extremadamente sensibles que incluso los errores ms ligeros en los coeficientes pueden conducir a inexactitudes importantes en la solucin. Por ejemplo, considrese el sistema
Xl
Xl
+ X2= + 1.016x2 =
-3
5
(8.5)
Si se supone que se va a resolver este sistema en una computadora que redondea hasta tres dgitos significativos la computadora almacena este sistema. como
X+
Xl
X2= -3 5
+ l.02X2 =
(8.6)
La soucin exacta para (8.5) es X = - 503 , X2 = 500, Y la solucin exacta para (8.6) es = - 403 , X2 = 400 . Por tanto , un error por redondeo de slo .004 en uno de los coeficientes de (8.5) conduce a un error importante en la solucin. Muy poco se puede hacer, desde el punto de vista de la computacin, para evitar los errores grandes en las soluciones de los sistemas lineales mal condicionados. Sin embargo, en los problemas fsicos, en donde se presentan los sistemas mal condicionados, a veces es posible volver a plantear el problema que da lugar al sistema, a fin de evitar la situacin de mal condicionado. En algunos de los textos que se mencionan al final de este captulo se explica cmo reconocer los sistemas mal condicionados.
Xl
EJERCICIOS 8.1
1. Exprese lo siguiente en la torma normalizada con punto flotante.
LOS METODOS DE GAUSS-SEIDEL y DE JACOBI
369
(a)
Jt-
(d) -.135
(b) 3,452 (e) 17.921
(cl .000003879
(f) - .0863
2. Redondee los nmeros que se dan en el ejercicio 1 hasta tres dgitos significativos.
3. Redondee los nmeros que se dan en el ejercicio 1 hasta dos dgitos significativos. En los ejercicios 4 al 7, use la eliminacin gaussiana con pivote para resolver el sistema con exactitud. Verifque el trabajo, utilizando la eliminacion gaussiana sin pivote para resolver el sistema.
4.
3x 1 +x 2 =-2 - 5x 1 + X 2 = 22
5.
XI + X 2 + x 3 = 6 2x 1 - X 2 + 4x 3 = 12 -3x1+2x2- x3=-4
6.2x 1 +3x 2 -
x 3 =5
7.
4x 1 + 4X2 - ~X3 = 3 2x 1 - 3x 2 + X3 = - 1
5x 1 2x 1
+ 6X2
-
-8x 1 + 5x 1 + 2x 2 + 3x 3
- X3 + 2X4 = - 3 x 2 + x 3 + x 4 =0 X2+2X3- x 4 =3
X4
En los ejercicios 8 al 9, resuelva el sistema por eliminacin gaussiana con pivote. Redondee todos los clculos hasta tres dgitos significativos.
8.. 21x 1 + .33x2 = .54 .70x 1 + .24x1 = .94
9. .11x 1
- .13X1 + .20X3 = - .02 .10x 1 + .36x 2 + .45x 3 = .25 .50x 1 - .01x 1 + .30x 3 = - .70
Resuelva
.0001x 1 +
X1
X2
= 1
+x 2 =2
por eliminacin gaussiana, con y sin pivote. Redondee todos los clculos hasta tres dgitos significativos. Compare los resultados con la solucin exacta.
8.2 lOS METODOS DE GAUSS-SEIDEl y DE JACOBI

Por lo comn, la eliminacin gaussiana es la mejor tcnica para resolver un sistema de ecuaciones lineales. Sin embargo, cuando el nmero de ecuaciones es grande, por ejemplo 100 ms, y cuando la matriz tiene muchos ceros, otros mtodos pueden ser ms efectivos; en esta seccin se estudian dos de esos mtodos. Considrese un sistema de n ecuaciones lineales en n incgnitas
alx a2l x
+ +
al2x2 a22 x 2
+ ... + alnx. = b l + ... + a2.x n = b 2
(8.7)
370
Se supondr que los elementos de la diagonal al 1 , a2 2, oo , , a nn , son diferentes de cero y que el sistema tiene exactamente una solucin. El primer mtodo que se analiza se conoce como iteracin de Jacobi o mtodo de los desplazamientos simultneos. Para empezar, escrbase nuevamente el sistema (8.7), despejando X 1 en la primera ecuacin, en trminos de las incgnitas restantes; despejando X2 en la segunda ecuacin , en trminos de las incgnitas restantes; despejando x 3 en la tercera ecuacin , en trminos de las incgnitas restantes, etc. Esto conduce a
(8 .8)
Por ejemplo , el sistema

20.\: I
- XI
X2 -
X3
= 17
(8.9)
XI -
IOx2
+ X3 = 13 X 2 + 1Ox 3 = 18
se reescribira
XI
X2 X3
= H - iox 2 + iox 3 = -: ~ + -ta x I + -tax 3 = g + -taXI --taX 2
o bien,
XI
X2
X3
= .850 - .05X2 + .05x3 = -1.3 + .1xI + .I X3 = 1.8 + .l x l - .l x2
(8.10)
Si se conoce una aproximacin para la solucin de (8.7) y se sustituyen estos valores aproximados en el segundo miembro de (8.8), a menudo resulta que los valores de XI' X2' ... , x n que se obtienen en el primer miembro forman incluso una mejor aproximacin para la solucin. Esta observacin es la clave para el mtodo de J acobi. Para resolver el sistema (8.7) por el mtodo de iteracin de Jacobi, se hace una aproximacin inicial para la solucin. Cuando no se disponga de una mejor eleccin, se usaXl =0,X2 =0,X3 =0, .... Se sustituye esta aproximacin inicial en el segundo miembro de (8.8) y se utilizan los valores de Xl, X2, '" que se obtienen en el primer miembro, como nueva aproximacin para la solucin.
LOS METODOS D E GAUSS-SEI DE L V D E JACOBI
371
o o
-1.3
1.8
-1.035 2.015
- .9980 2.004
- .99935 2.0000
- .99999 1.9999
-1.0000 2.0000
Figura 8.1
Por ejemplo, para resolver (8.9) por el mtodo de Jacobi, se sustituira la aproximacin inicial Xl = 0, X2 =0, X3 = en el segundo miembro de (8.10) y se calculara la nueva aproximacin
Xl
= .850
(8.11 )
A fin de mejorar la aproximacin, se repetira el proceso de sustitucin. Por ejemplo, en la resolucin de (8.9), se sustituira la aproximacin (8.11) en el segundo miembro de (8.10)1para obtener la siguiente aproximacin
Xl
X2
= .8 50 - .05( -
1.3)
+ .05(1.8) =
1.005 1.035
==
X3
1.3 + .1(.850) + .1 (1.8) 1.8 + .1(.850) - .1 ( - 1.3)
=-
= 2.015
De esta manera, se puede generar una sucesin de aproximaciones la cual, en ciertas condiciones, se aproximar ms y ms a la solucin exacta del sistema. En la figura 8.1 se han resumido los re sultados obtenidos al resolver el sistema (8.9), por medio de la iteracin de Jacobi. Todos los clculos se redondearon hasta cinco dgitos significativos. Al final de seis sustituciones (denominadas iteraciones) , se conoce con exactitud la solucin exacta Xl = 1, X2 = - 1, X 3 = 2, hasta cinco dgitos significativos. A continuacin se analiza una pequea modificacin del mtodo de Jacobi, que con frecuencia re duce el nmero de iteraciones necesarias para obtener un grado de exactitud dado. La tcnica se llama iteracin de Gauss-Seidel.. o bien, mtodo de los desplazamientos sucesivos. En cada iteracin del mtodo de Jacobi, la nueva aproximacin se obtiene al sustituir la aproximacin anterior en el segundo miembro de (8.8) y despejar los nuevos valores de X I , X2, No todos estos nuevos valores de las X se calculan simultneamente ; pnmero se tiene X l a partir de la ecuacin superior, entonces se obtiene X2 a partir de la segund a ecuacin , a continuacin X 3 , etc. Puesto que en general los nuevos valores de las X estn ms prximos a la solucin exacta, esto sugiere que se podra obtener una mejor exactitud utilizando los nuevos valores de las x tan pronto como se conozcan. Como ilustracin , considrese el sistema (8 .9). En la primera iteracin del mtodo de Jacobi, la aproximacin inicial Xl = 0, X l = 0, X3 = se sustituy en cada ecuacin del segundo miembro de (8.10), para obtener la nueva aproximacin
oo
.\ 1
= .850
(8.12)
372
En la primera iteracin del mtodo de Gauss-Seidel, la nueva aproximacin se calculara comG sigue. Se sustituye la aproximacin inicial Xl = 0, X2 = 0, X3 = O en el segundo miembro de la primera ecuacin dada en (8.10). Esto conduce a la nueva estimacin
Xl
= .850
Se utiliza este nuevo valor de X 1 inmediatamente, realizando la sustitucin

Xl =
.850
en el segundo miembro de la segunda ecuacin dada en (8.10). Esto conduce a la nueva

estima~inx2
= -1.215.
Xl
Se usa este nuevo valor de X2 inmediatamente, sustituyendo
= .850
X,
= - 1.215
X3
en el miembro de la tercera ecuacin dada en (8.10). Esto produce la nueva estimacin = ,2.0065 .
Por tanto, al final de la primera iteracin del mtodo de Gauss-Seidel, la nueva aproximacin es
Xl
= .850
X2
= -1.215
X3
= 2.0065
(8.13 )
Los clculos para la segunda iteracin se llevaran a cabo como sigue. Sustituyendo (8.13) en el segundo miembro de la primera ecuacin dada en (8.10), y redondeando hasta cinco dgitos significativos, da
Xl
= .850 -
.05( -1.215)
+ .05(2.0065) = 1.0111
Al sustituir
Xl
= 1.0111
X2
= - 1.215
X3
= 2.0065
en el segundo miembro de la ecuacin dada en (8.1O), y redondeando hasta cinco dgitos significativos, se obtiene
X2
= -1.3 + .1(1.0111) + .1(2.0065) = - .99824
Sustituyendo
Xl
= 1.0111
X2
= - .99824
X3
= 2.0065
en el segundo miembro de la tercera ecuacin dada en (8.10), y rendondeando hasta cinco dgitos significativos, se llega a
X3
= 1.8 + .1(1.0111) - .1(-.99824) = 2.0009
As entonces, al fmal de la segunda iteracin del mtodo de Causs-Seidel, la nueva aproximacin es

Xl
= 1.0111
X2
= -.99824
X3
= 2.0009
LOS METODOS DE GAUSS-SEIDEL y DE JACOBI
373
o o o
.850 -1.215 2.0065
1.0111 -.99824 2.0009
.99995 -.99992 2.0000
1.0000 -1.0000 2.0000
Figura 8.2
En la figura 8.2 se han resumido los resultados que se obtuvieron al aplicar cuatro iteraciones del mtodo de Gauss-Seidel para resolver (8.9). Todos los nmeros se redondearon hasta cinco dgitos significativos. Si se comparan las tablas de las figuras 8.1 y 8.2, se ve que el mtodo de Gauss-Seidel produce la solucin de (8.9) (exacta hasta cinco dgitos sigpificativos) en cuatro iteraciones, en tanto que se necesitaron seis iteraciones para alcanzar la misma exactitud con el mtodo de J acobi. Sin embargo, no debe concluirse, por los resultados de este ejemplo que el mtodo de Gauss-Seidel es siempre mejor que el de Jacobi. Aun cuando puede pare cer sorprendente, hay ejemplos en los que el mtodo de Jacobi es mejor que el de Gauss-Seidel. Los mtodos de Gauss-Seidel y de Jacobi no siempre funcionan. En algunos casos, uno, o los dos mtodos, pueden se r ineficaces para producir una buena aproximacin para la solucin, sin importar el nmero de iteraciones que se efecten. En tales casos, se dice que las aproximaciones divergen. Si al llevar a cabo un nmero suficiente de iteraciones, se puede obtener la solucin hasta cualquier grado de exactitud que se desee , se dice que las aproximaciones convergen. Se concluye esta seccin con el anlisis de una condicin, la cual asegurar que las aproximaciones generadas por los dos mtodos convergen. Se dice que una matriz cuadrada
= .
l""
:/111
(/21
a 12 an
0,,2
G 2n
"'~l
:1""
es estrictamente dominante en la diagonal, si el valor absoluto de cada elemento en la diagonal es mayor que la suma de los valores absolutos de los elementos restantes en el mismo rengln; es decir,
la11 1 lad + la 13 1 . . . + la 1nl > + la221 > la211 la z + ... + hnl + 31
374
INlRODUCCION A LOS MElODOS NUMERICOS DEL ALGEBRA LINEAL
Ejemplo 4
: [5
- 2
~!]
- 4
12
no es est rictamente dominante en la diagonal ya que, en el segundo rengln, 1 1no es 1 mayor que + yen el tercer rengln , no es mayor que + Sin emb argo, si se intercambian el segundo y terce r renglones , la matriz resultante
1 1 61, 41 -
1- 41
ISI 1 1. 12
es estrictamente dominante en la diagonal, puesto que
7 3 11> 1 21+ 11 12 1 1> 1 + 1 41 51 41 1 1 61> 1 + 11 Se puede demostrar que si A es estrictamente dominante en la diagonal , entonces canto la aproximacin de Gauss- Seidel como la de Jacobi, para las soluciones de Ax = b, convergen.
EJERCICIOS 8.2
Xl
En los ejercicios 1 al 4, resuelva los sistemas por la iteracin de Jacobi. Inicie con = O, X2 = O. Use cuatro iteraciones y redondee los clculos hasta tres dgitos siglificativos. Compare los resultados con las soluciones exactas.
1. 2x'l
+
-
X2 =
7 13 - 10
XI -
2x 2 = 1
2. 3x I - .x2 = 5 2x I + 3 X 2 = - 4
4. 4x I
3. 5x I
Xr
2x 2
= =
+ 7X2
+ .l x2 = .2 .3x l + .7 X2 = l A
En los ejercicios 5 al 8, resuelva los sistemas por medio de la iteracin de Gauss-Seidel. Inicie con X l = O, X2 = O. Use tres iteraciones y redondee los clculos hasta tres dgitos significativos . Compare los resultados con las soluciones exactas. 5. Resuelva el sistema del ejercicio l . 6. Resuelva el sistem a del ej ercicio 2. 7. Resuelva el sistema del ejercicio 3.
I
8. Resuelva el sistema del ejercicio 4 .
APROXIMACION DE LOS EIGF.NVALORES POR EL METODO DE LAS POTENCIAS
375
En los ejercicios 9 al 10, resuelva los sistemas por medio de la iteracin de J acobi. Inicie con Xl = 0, Xz = 0, X 3 = O. Use tres iteraciones y redondee los clculos hasta tres dgitos significativos. Compare los resultados con las soluciones exactas.
9. 10.\1 +
.\1
.\2 + 2.\3 = 3 + 10.\2 - .\3 =} 2.\ 1 + .\ 2 + 10.\ 3 = - 9
10. 20.\ 1 2 .\ 1
.\ 2 + .\ 3 = 20 + 10.\2 - .\3 = 11 .\ 1 + .\ 2 - 20.\ 3 = - 18
En los ejercicios 11 al 12, resuelva los sistemas por medio de la iteracin de Jacobi. Inicie con Xl =0, Xz = 0, X 3 = O Use tres iteraciones y redondee los clculos has. ta tres dgitos significativos. Compare los resultados con las soluciones exactas. 11. Resuelva el sistema del ejercicio 9. 12. Resuelva el sistema del ej ercicio 10. 13. Cules de las siguientes matrices son estrictameute dominantes en la diagonal?
(a) [
- 1 4
2 lJ
3
(b)
(e)
[: ~ :]
O O 1
id l
[~
3 1
J ['
+ 3.\1 = 4
.\ 1
(~) ~
- 7
2
2 2 5 2
14. Considere el sistema

.\ 1
.\1 -
=O
a)
Demuestre que las aproximaciones obtenidas por medio de la iteracin de Jacobi divergen. b) Es la matriz de los coeficientes
estrictamente dominante en la diagonal? 15. Demuestre que si uno o ms de los elementos en la diagonalall, azz, . a nn que se dan en (8.7) es cero , entonces es posible intercambiar las ecuaciones y volver a nombrar las incgnitas, de modo que los elementos en la diagonal del sistema resultante no sean todos ceros.
8.3 APROXIMACION DE LOS EIGENVALORES POR EL METODO DE LAS

POTENCIAS
Se pueden encontrar los eigenvalores de una matriz al resolver su ecuacin caracterstica. En los problemas prcticos, este mtodo no es eficaz. Es ms, en muchos problemas fsicos slo se necesita el eigenvalor con el valor absoluto mximo. En esta seccin se analiza
376
un mtodo para obtener una aproximacin de este eigenvalor y un eigenvector correspondiente. En la seccin que sigue, se analiza la aproximacin de los eigenvalores y eigenvectores restantes. Definicin. Se dice que un eigenvalor de una matriz A es el eigenvalor dominante de A, si su valor absoluto es mayor que los valores absolutos de los eigenvalores restantes. Un eigenvector que corresponda al eigenvalor dominante se denomina eigenvector dominante deA. Ejemplo S Si una matriz A de 4 X 4 tiene los eigenvalores
). =
-4
entonces Al = -4 es el eigenvalor dominante puesto que
1- 41> 1- 21
Ejemplo 6 Una matriz A de 3 X 3 con los eigenvalores
1'2
= -7
no tiene eigenvalor dominante . Sea A una matriz diagonalizable de n X n , con un eigenvalor dominante. Al final de esta seccin se demuestra que si es un vector arbitrario diferente de cero en Rn , entonces el vector
"o
(8.14)
por lo comn es una buena aproximacin para un eigenvector dominante de A, cuando el exponente p es grande. El siguiente ejemplo ilustra esta idea. Ejemplo 7 Como se mostr en el ejemplo 2 del captulo 6, la matriz
A=[
-1
3O 2J
tiene los eigenvalores Al = 2 Y Az = 1. El eigenespacio correspondiente al eigenvalor dominante A = 2 es el espacio de soluciones del sistema
(21 - A)x
=O
APROXIMACION DE LOS EIGENVALORES POR EL METODO DE LAS POTENCIAS
377
es decir,
Al resolver este sistema se obtiene XI = - 2t, X 2 = t. Por tanto, los eigenvectores correspondientes a Al = 2 son los vectores diferentes de cero de la forma
(8.15)
A continuacin se ilustra un procedimiento para utilizar (8.14) a fin de estimar un eigenvector dominante de A. Para empezar, se selecciona arbitrariamente
Al multiplicar repetidamente
Xo
por A se obtiene
A 3 X o = A(A 2 x o)
[3
-1
- 1
A4xo
= A( A3x o) = [
3 2J [
29J = [
13
- 29
61J
~ 29 [2.10J
- 1
A partir de estos clculos es evidente que los productos se estn aproximando cada vez ms a mltiplos escalares de
que es el eigenveetor dominante de A obenido al hacer t = - 1 en (8.15). D-Jdo que un mltiplo escalar de un eigenvector dominante tambin es un eigenvector dominante , los
378
, clculos anteriores estn produciendo aproximaciones cada vez mejores para un eigenvector dominante de A. En seguida se muestra en qu forma obtener una aproximacin del eigenvector dominante, una vez que se conoce una aproximacin de un eigenvector dominante . Sea Auna eigenvalor de A y x un eigenvector correspondiente. Si < , > denota el producto euclidiano interior, entonces
( x, Ax ) ( x, x )
= ( x, Ax ) = A( X, x ) = A
( x, x ) ( x, x )
Por tanto, si es una aproximacin para un eigenvector dominante, se puede obtener una aproximacin del eigenvalor dominante por medio de
Al ~
( x, Ax ) ( __ ) X,X
(8.16)
La razn que se da en (8.16) se conoce como cociente de Rayleigh. * Ejemplo 8 En el ejemplo 7 se obtuvo
- = [ 509J ' x -253

como aproximacin para un eigenvector dominante. Por tanto,
Ax = [
3 2J [ 509J [1021J -1 O -253 = -509
Al sustituir en (8.16), se obtiene
A ~ ( x, Ax ) = (509)(1021) + (- 253)( - 509) ~ 2007 1 ( x, x) (509)(509) + (- 253)( - 253) .

la cual es una aproximacin relativamente buena para el eigenvalor dominante Al = 2. La tcnica que se ilustr en los ejemplos 7 y 8 para obtener aproximaciones de los eigenvectores y eigenvalores dominantes con frecuencia se denomina mtodo de las potencias o mtodo de las iteraciones. Como se ilustr en el ejemplo 7 , a menudo el mtodo de las potencias genera vectores que tienen componentes inconvenientemente grandes. Para remediar este problema, se acostumbra "reducir" el eigenvector aproximado, en cada paso , de modo que sus com*Jolm William Strutt Rayleigh (1842 - 1919) - Fsico britnico . Ray leigh recibi el Premio Nobel en Fsica en el ao d~ 1904 por su participacin en el descubrimiento del argn , en 1894 . Su investigacin abarc casi todo el campo de la I,' sica, incluyendo sonido, teora ondulatoria, ptica , visin del . color, electrodinmica , electromagnetismo, dispersin de la luz, viscosidad y fotografa .
APROXIMACION OE LOS EIGENVALORES POR EL METOCO CE LAS POTENCIAS
379
ponentes se encuentren entre +'1 y - l. Es posible lograr esto, multiplicand0 el eigenvector aproximado por el recproco de la C9mponente que tenga el valor absoluto ms grande. Como ilustracin, en el primer paso del ejemplo 7, la aproximacin al eige'n vector dominante es
La componente con el mayor valor absoluto es 5 ; por tanto el eigenvector reducido es
A continuacin se resumen los pasos del mtodo de las potenoias con reduccin a
escala.
Paso O. Se selecciona un vector arbitrario diferente de cero, Xo . Paso 1. Se calcula Axo y reduce a fin de obtener la primera aproximacin para un eigenvector dominante . Se nombra como Xl . Paso 2. Se calcula Ax y se reduce para obtener la segunda aproximacin , X2 . Paso 3. Se calcula AX2 y se reduce para obtener la tercera aproximacin, Continuando de esta manera, se obtiene una sucesin, Xo, cada vez mejores para un eigenvector dominante . Ejemplo 9 Usese el mtodo de las potencias con reduccin a escala para obtener una aproximacin de un eigenvector dominante y el eigenvalor dominante de la matriz A que se da en el ejemplo 7.
Xl, X2, . ..
X3 .
,de aproximaciones
Solucin. Seleccinese arbitrariamente
como una aproximacin inicial. Multiplicando
Xo
por A y reduciendo a escala se obtiene .
Multiplicando
Xl
por A y reduciendo a escala da
Ax =
2J 1 [- 3 O [ - .2J = [-2.6J 1 1
x2 =
1 -1 26 [2.6J = [ -
.3X5
1J
380
INTRODUCCION A
LO~
METODOS NUMERICOS DEL ALGEBRA LINEAL
Por el cociente de Rayleigh, la.primera estimacin del eigenvalor dominante es

'1
<X l'
Ax l )
= (1)(2.6) + (- .2)( - 1) = 2.692

(1)(1)+(-.2)(-.2)
<X 1 'X I )
Al multiplicar X2 por A y reducir se obtiene

AX 2
=[
3 -1
2J [ 1 J O - .385
= [2.23J
-1
X3= -1 -
2.23
[2.23J - 1
1 J - .448 ,
Por el cociente de Rayleigh, la segunda estimacin del eigenvalor dominante es

)' 1 ~ < X 2,
Ax <x 2 , x 2 )
= (1)(2.23) + (- .385)( -1) = 2.278

(1)(1)
+ (- .385)( -
.385)
Si se multiplica X3 por A y se reduce da
AX 3
2J 1 = [ ~ 3 O [ - .448 J = [2.1 04J 1 -1
x4
= 2.104
[2.104J -1
= - .475
La tercera estimacin del eigenvalor dominante es
Al ~
< X 3,
AX3) <x 3 , x 3 )
= (1 )(2.104) + (- .448)( - 1) = 2.125

(1)(1)
+ (-.448)(-.448)
Si se contina de esta manera, se genera una sucesin de aproximaciones para un eigenvector dominante y el eigenvalor dominante . Los valores que se calcularon anteriormente, junto con otros resultados de estimaciones posteriores se encuentran tabulados en la figur 8.3.
2.692
2.278
2.125
2.060
2.029
2.014
Fig.ua 8.3
381
No hay reglas eficaces y rpidas para detenninar cuntos pasos deben usarse en el mtodo de las potencias. Slo se considerar un procedimiento posible que se usa con amplitud . Si 7f denota una aproximacin para una cantidad q , entonces el error relativo en la aproximacin se define como
le
~ ql
(8.17)
y el error en porcentaje en la aproximacin se define como
Iq~ ql x
Ejemplo 10
100%
Si el valor exacto de cierto eigenvalor es A = 5, Y si A = 5.1 es una aproximacin para A, entonces el error relativo es
li ~ ~I =-s -/.1 11- . 1= =

02
y el error en porcentaje es
.02
(.02).x 100% = 2%
En el mtodo de las potencias, sera ideal poder decidir con anterioridad el error relativo E que se puede tolerar en el eigenvalor, y , entonces, detener los clculos una vez que el error relativo sea menor que E. Por tanto, si A(i) denota la aproximacin para el eigenvalor dominante Al , en el i- simo paso, los clculos se suspenderan una vez que se satisfaga la condicin
--.-- < E
1. 1
;0 1 - ~(i)1
Desafortunadamente , no es posible llevar a la prctica esta idea, ya que se desconoce el valo r exacto Al ' Para remediarlo , es usual estimar Al por medio de A(i) y detener los clculos en el i- simo paso , si (8.18 ) La can tidad que se encuentra en el primer miembro de (8.18) se conoce como error relativo estimado. Si se mul tiplica por 100% , se le denomina error en porcentaje estimado. Ejemplo 11 En el ejemplo 9, cuntos pasos se deben utilizar para estar seguros de que el error en porcentaje estimado , en el eigenvalor dominante, es menor que el 2%?
382
Solucin. Dentese por A(i) la aproximacin para el eigenvalor dominante en el i-simo paso. Por tanto, por lo que se expresa en la figura 8.3 ,
X(I)
= 2.692,
X(2) = 2.278,
X(3)
= 2.125, etc.
Por lo que se expresa en (8.18), el error relativo estimado despus de dos pasos es
7(~~- X~!ll =
1 .(2)
2 278 692 - 2. 1 :::: 1 .182 1 _ = .182 .

2.278
Por consiguiente, .el error en porcentaje estimado, despus de dos pasos, es 18.2% . El error relativo estimado despus de tres pasos es
IX(3}_- 7(2)\ = \2.125 - 2.278\ :::; ,(3) 2.125
1 072 1 .072 -. =
y el erraren porcentaje estimado es 7.2% . En la tabla de la figura 8.4 se listan los errores en porcentajes restantes. En esta tabla se ve que el error en porcentaje estimado es menor que el 2% al final del quinto paso.
OPCIONAL
Esta seccin "," concluye con una demostracin de que el mtodo de las potencias funciona, cuando A es una matriz diagonalizable, con un eigenvalor dominante. Sea A una matriz diagonalizable de n X n . Por el teorema 2 de la seccin 6.2, A tiene n eigenvectores linealmente independientes, VI , V2, .. . , vn . Sean Al, A2 , ... , An los eigenvalores correspondientes, y supngase que
(8.19)
.182
.072
.032
.015
.007
7.2%
1.5%.
.7%
Figura 8.4
383
Por el teorema 9(a) de la seccin 4.5, los eigenvectores V , V2 , ... , vn forman una base para Rn ; por tanto, se puede expresar un vector arbitrario Xo en R n , en la forma:
(8.20)
Al multiplicar, desde la izquierda, los dos miembros por A da

Axo
= A(ky + k 2Y2 + '" + kny = kl(Ay) + k 2(AY 2) + .. . + kn(AYn) = k/.Y + k2;'2Y2 + ... + knAnYn
lI )
Si se multiplica una vez ms por A da

A2xo
= A(k/,Y + k2A2Y2 + .. . + k"AnY n) = k/,(Ay) + k2)'2(AY2) + . . . + kn}'n(Ay = ki,iy"+ k2}' ~Y2 + .. . + kn)'~Yn
lI )
Continuando , despus de p mul tiplicacioncs por A , se obtendra

(8 .21)
Puesto que Al
=1=
O (vase 8 .l9), (8.21) se puede reescribir como

(8.22)
De (8 .l9) se deduce que
son todos menores que uno en valor absoluto; por tanto, (A2/A)P , ... , (An/AdP se aproximan paulatinamente a cero, a medida que p crece y, por (8.22), la aproximacin
(8.23)
se hace cada vez mejor. Si k =1= O, * entonces X~ k V es un mltiplo escalar diferente de cero del eigenvector dominante v ; por tanto, Afk VI tambin es un eigenvector dominante . Por tanto , por (8.23), AP xo se convierte cada vez en una estimacin mejor de un eigenvector dominante, confonne p crece.
*Por lo comn no es posible decir por la simple observacin de Xo si k 1 #: O. Si, por accidente, k 1 = O, el mtodo de las potencias todava funcio na en los problemas prcticos, ya que generalmente los errores por redondeo en las computadoras tienden a hacer que k sea pequeo, pero diferente de cero. Curiosamente, este es uno de los casos en el que los errores ayudan a obtener resultados correctos.
384
EJERCICIOS 8.3
1. Halle el eigenvalor dominante (si existe).
(a) [ -
(,)
[:
-;J
2 -5
O
(b)
[~
~J
-12 O O
il
(d)
[~
~l
~J
,1"
2. Sea
A=e
a) Use el mtodo de las potencias con reduccin a escala para obtener una apro-
ximacin del eigenvector dominante de A. Parta de
Redondee todos los clculos hasta tres dgitos significativos y suspenda despus de tres iteraciones (es decir, tres multip'licaciones por A). b) Use el resultado del inciso (a) y el cociente de Rayleigh para obtener una aproximacin del eigenvalor dominante de A. e) Encuentre los valores exactos del eigenvector y eigenvalor dominantes. d) Halle el error en porcentaje en la aproximacin del eigenvalor dominante .
En los ejercicios 3 al 4 siga las instrucciones que se dieron en el ejercicio 2 .
4. A=
5. Sea
[-3 2J
2 O
a) Aplique el mtodo de las potencias con reduccin a escala a fin de obtener una aproximacin del eigenvalor dominante y un eigenvector dominante deA .
Parta de
Redondee todos los clculos hasta tres dgitos significativos y suspenda cuando el error en porcentaje estimado, en el eigenvalor dominante, sea menor del 2% .
b) Encuentre los valores exactos del eigenvalor y eigenvector dominantes. ,
APROXIMACION DE LOS EIGENVALORES NO DOM INANTES POR DEFLACION
385

A =
[-5 5 J
6 -4
7. Sea
a) Aplique el mtodo de las potencias con reducCin a escala para obtener una aproximacin de un eigenvector de A . Parta de
Redondee todos los clculos hasta tres dgitos significativos y suspenda despus de tres iteraciones. b) Use el resultado del inciso (a) y el cociente de Rayleigh a fin de obtener una aproximacin del eigenvalor dominante de A. e) Encuentre los valores exactos 'Para el eigenvalor y eigenvector dominantes. d) Halle el error en porcentaje eri la aproximacin del eigenvalor dominante.
8.4
APROXIMACION DE LOS EIGENVALORES NO OOMINANTES POR DEFLACION
En esta secclOn se bosquej~ con brevedad un mtodo para obtener los eigenvectores y eigenvalores no dominantes de una matriz simtrica. Se necesita el teorema siguiente, el cual se enuncia sin demostracin .* Teorema 1. Sea A una matriz simtrica de n X n, con eigenvalores ~I , ~2 un eigenvector correspondiente a ~I y 11 = 1, entonces:
IlvI
, ... ,
~n' Si VI es
a) La matriz B = A - ~I VJ Vil tiene los eigenvalores O, A.2 , .. . , ~n' b) Si V es un eigenvector de B correspondiente a uno de los eigenvalores ~2 , ... , ~n ' entonces V tambin es un eigenvector de A correspondiente a este eigenvalor.
(En el teorema 1 se est suponiendo que tonces, VI VI t es una matriz de n X n .) Ejemplo 12 En el ejemplo 5 de
lal~eccin
VI
se expresa como una matr~ de n Xl; as en-
6.1 se demostr que
*Los lectores interesados en la demostracin de este teorema pueden consultar la bibliografa que aPlIrece al final de esta seccin.
386
-2
3
O tiene los eigenvalores A
~]
= 5 , A2 = 5, A3 = 1 Y que
es un eigenvector correspondiente a A = 5. Al normalizar v se obtiene
~'1 = ~') [ - O = :]
,,~
"\
.,
,,2
o
que es un eigenvector de norma 1, correspondiente a A = 5. Por el teorema 1, la matriz
=A
- ,,- vv r =
H
- 5
-2
3 O
~]
i - 2
2
J2
- 5
I
J2
O
[-~
2
1
~H
Bes
-2
3 O
0] [- , ~ ~
0] = [" ~ ~
~ O
~]
1) = O
debe tener los eigenvalores A = 0,5 Y l . Como comprobacin, la ecuacin caracterstica de
~ 1 ;.(i. - 5)(;. =
O
..{ -5
De donde, los eigenvalores de B son A:: 0 , A:: 5, A:: 1, como lo predice el teorema l. El eigenespacio de B correspondiente a A:: 5 es el espacio de soluciones del sistema
(51 - B)x
=O
APROXIMACION DE lOS EIGENVAlOR ES NO DOMINANTES POR DEF l AC ION
387
es decir,
2 2
9
1'
Al resolver este sistema da XI = O, X2 = O, X3 = t. Por tanto, los eigenvectores de B correspondientes a A= 5 son los vectores diferentes de cero de la forma
Como lo predice el inciso (b) del teorema 1, stos tambin son eigenvectores de A correspondientes a A= 5, ya que
- 2
3
O
es decir,
De modo anlogo, los eigenvectores de B correspondientes a A = l tambin son eigenvectores de A correspondientes a A = l . El teorema 1, hasta cierto punto, hace posible determinar los eigenvalores y eigenvectores no dominantes de una matriz simtrica A de n X n . Para ver cmo, supngase que se pueden ordenar los eigenvalores de A, de acuerdo con la magnitud de sus valores absolutos , como sigue: (8 .24) Adems supngase que se han obtenido el eigenvalor dominante y el eigenvector dominante de A, por el mtodo de las potencias. Al normalizar el eigenvector dominante , se puede obtener un eigenvector dominante VI que tenga norma uno. Por el teorema 1, los eigenvalores de B = A - Al V IV, t sern O, A2 , A3 , ... , An. Por (8 .24), estos eigenvalores quedan ordenados segn sus valores absolutos , como sigue:
Por tanto, A2 es el eigenvalor dominante de B. Ahora, aplicando el mtodo de las potencias a B , se puede encontrar una aproximacin para el eigenval'o r A2 y un eigenvector correspondiente. Esta tcnica para obtener aproximaciones para el eigenvalor con el segundo valor absoluto ms grande se conoce como deflacin.
APROXIMACION DE LOS EIGENVALORES NO DOMINANTES POR DEFLACION
389
Redondee todos los clculos hasta tres dgitos significativos y suspndase despus de tres iteraciones. d) Halle los valores exactos de lo s eigenvalores y eigenvectores . 2. Siga las instrucciones dadas en el ejercicio 1 con
388
I NTROOUCCION A LOS METODOS NUMERICOS DEL ALGEBRA LINEAL
Por desgracia , existen limitaciones prcticas del mtodo de deflacin. Puesto que slo se obtienen en foOlla aproximada por el mtodo de las potencias , se introduce un error en B al aplicar la deflacin. Si se aplica un a vez ms el proceso de deflacin, la matriz siguiente tiene errores adicionales introducidos a travs de la aproximacin de 71. 2 y V2 . ConfoOlle se contina el proceso, esta composicin de los errores finalmente destruye la exactitud de los resultados. En la prctica , en general se debe evitar encontrar ms de dos o tres eigenvalores por deflacin. Cuando la razn \71. 2 /71. 1 \ est cercana a uno , el mtodo de l~s potencias converge con lentitud; es decir , se necesitan muchos pasos para obtener un grado razonable de exactitud . Los lectores interesados en estudiar tcnicas para "acelerar" esta rapidez de convergencia y aprender ms acerca de los mtodos numricos del lgebra lineal , quizs deseen consultar los siguientes textos:
Al y
VI
Analysis 01 Numerical Methods, E. Isaacson y H. B. Keller, John Wiley and Sons, Nueva York, 1966. Applied Linear Algebra, B. Noble, Prentice - Hall, Inc., 1969. Computational Methods 01 Linear Algebra, V. N. Faddeeva , Dover , 1959.
En las bibliografas adicionales de estos textos se encuentran ms referencias.
EJERCICIOS 8.4
l. Sea
a) Aplique el mtodo de las potencias con redw:;cin a escala para obtener una
aproximacin de un eigenvector dominante. Parta de
Redondee todos los clculos hasta tres dgitos significativos y suspenda despus de tres iteraciones (es decir, tres multiplicaciones por A). b) Use el resuitado del inciso (a) y el cociente de Rayleigh para obtener una aproximacin .del eigenvalor dominante de A . e) Aplique la deflacin para obtener una aproximacin del eigenvalor restante y el eigenvector correspondiente; esto es, aplique el mtodo de las potencias a
en donde ';1 y Al son las aproximaciones obtenidas en los incisos (a) y (b). Parta de
=GJ
Apndice
Respuestas a los ejercicios
EJERCICIOS 1.1 (pgina 25)

1. b,d,f
2. a) .\ = ~t + 1.\ = t b) Xl = - 2s + ;t + 4. x 2 =
S. X 3 = t =:tr - is + ~t -~. X 2 = r. X 3 = s. x.. = t d) r = ti] - ~r - ts + 2r. \1' = q. x = r. .r = s. ::: =
e)
Xl
3. a)
1 1
- 2
4
- [
l~
- 1
0]
.'
O O O
[
b) [ _ :
O 2 - 1
~J
e)
[~
O 2 - [ O 2
-
;]
-'
b)
d) [1
O O [
=
~J
Xl
x3=2
Xl
4. a) 2x 1
+ X 2 + X.\ = -' - X2 + 2X 3 = 4
X2 =
O O
X 1 -X2 = [
= 1
d)
=2
=3
5. k
= 6, una infinidad de soluciones
k -# 6, ninguna solucin
6. a) Las rectas no tienen punto comn de interseccin. b) Las rectas se mtersecan exactamente en un punto. c) Las tres rectas coinciden.
391
392
AP ENO ICE

1.
d,!
XI XI
2. b, c,f
3. a) e)
= 4, X2 = 3, X3 = 2 b) X = 2 - 3t, X 2 = 4 + t, X3 = 2 - t, X4 = t = -1 - 5s - 5t, X 2 = S, X 3 = J - 3t, X 4 = 2 - 4t, Xs = t d) Inconsistente
4. a) x l =4,x 2 =3,x 3 =2 b)xl=2-3t;X2=4+t,X3=2-t,x4=t ;;) XI = -1 - 5s - 5t: x 2 = s, X 3 = 1 - '3t, x 4 = 2 - 4t, x 5 = t d) Inconsistente

5. a) x l =3,x z =l,x 3 =2
e)
X
b)x=-3t,x 2 =-4t, x 3 =7t -4, x z =2, x 3 =7

b) Inconsistente
= s - 1, Y = 2r, z = r, W = s
b)
Xl =
7. a) Inconsistente
9. a)
XI
e)
XI =
3 + 2t, x 2
= t
= 0,
Xl
= - 3t, X3 =
11. a )
XI = ~a - !b, Xz = - ~a + tb b) xl=a-~c,xz= a-tb,x3 = -a+tb+~c
12. a = 4, una infinidad; a = -4, ninguna; a
'*
4 , exactamente una.
14.
15.
11 1 [ 3J Y [1 0J
IX
S011
respuestas posibles.
= -, f3 = n, I = 0,
2

1. a, e, d 2.
Xl
= 0, X 2 = O,
X3
4.
Xl
= 0, Xz = 0,
X3
0,
X4
5.
= 8' y = 16' z = t
5t
6. i. = 4, ;. = 2
11. Una respuesta posible es X + Y + z = x+y+z=J

1. a) indefinida d) indefinida
b) 4 x 2 e) 5 x 5
e) indefinida j) 5 x 2
3. a
5, b
= -
3, e
4, d
4. a)
[12 -31
-4 4
8
b)
Ij
H l]
3
6 1
e)
[-~ -']
4
-1
-1
-1
d) [-: 32
t~l
9 25
e)
[':
36 -1 26
12
':]
21
j) ,
[ -2& 7J O -14
RESPUESTAS A LOS EJERCIC IOS
393
5. a) Indefinida
b)
[4? 12
36
d)
[,;
[ '1
108 - 3 7'6
21 63
"]
e)
[ 3
I~
45 - 11 17
9l
17j
13
45
-11
17
13
9]
b)
e) IndefinIda
1)
17 41J
[" 15 31]
O 2
38 lO 27
6. a) [67
41
[63 67 57J
e)
[m
d)
6~j
e)
[24 56 97J
f)
[::1
')7
7. 182

3. A - I = 5. No
3
2 [ -5 - 3IJ
6.
[-3~ -~]
A- 3
I
7.
[~
26
8.A =[1 2~] 26

9 A'
=[
~[
- 2
-!]
- 2 2
I I
- TI
!] ;]
2 -
2A
+1
=G
o
~]
10. [ca s O -seno] senO cos O
a ll
O
O
11. e) (A
+ BZ
A2
+ AB +
BA
+ B2
12. A - I =
O
l '
o
17. OA Y AO pueden no tener el mismo tamao.
18.
[ ~I O 0]
I
O
EJE RelelOS 1.6 (pgina 66)

1.11, h, d,l,
(.J
2. a) Smese -5 veces el primer rengln al segundo.

b) Intercmbiense el primero y tercer renglones. e) Multiplquese el segundo rengln por}.
394
APENDICE
3. a)
E,~[:
O 1 O O 1 O
c)
E,~ [i
[-~
i] ~]
b) [
b) E 2 =
[00 ']
O 1 O 1 00
1 O d) E ~ [ : O0] .
-2 O 1
4. No, puesto que no se puede obtener los renglones.
e efectuando sobre B una sola operacin sobre

e) No inversible
s.
a)
-~J
10
11
=~
-3J -2
l~
b)
6. a)
d)
H -:]
O - 1
,y -
[=;
10
-']
,
1 ,
~.
b) No inversible
e)
rl
e)
O
1
1
J
O
"2
1 1
f)
HJ 1
-2
1 1 1
"2 "2
l~
1 - 1
-i,]
-L/2
' h 7 a) [ tvo 2
tv 2
O
:j l-i
O O 1
O O
4
-8
1 1
-4
8. A -
[ca, n
1
se~{)
- senO cos ()
0]
~J
b)
~J
e) No inversible
9. a)
El =[- 3 ~JE2= [:) 1 =[13 ~J [~ ~J

O 1 O O 1 O O O
A - I=[~
~J [- ~ ~J
e) A
11. A
H 0] [' mi 'l
3 3 1 7 X O O ()
o
/(1
()
o
O
()
1
/(~
/(
o
/(
o o
(l
o
13. a)
/( 2 O
O
-
o
b)
()
o
()
()
/.:.J
/(c
(l
O
O
()
k,
()
()
L
O
"1
()
/(~
()
'l'~'
/(c
()
"
/(2
,,~
k-'
1,
RESPU ESTA A L OS EJERCICIOS
395

I. x l = 41 ,x 2 =-17 3.
Xl
= -7, x 2 = 4, x 3 = - 1
4.
Xl
= 1, x 2 = - 11 , x 3 = 16 = 1,
X
5. x = 1, Y = 5, z = - l
7. a ) X l b) Xl e) X J d) x J
6.
= - 6, Y = 10, z = -7
=
=
1f, X 2 = -t X3 = -4-},X 2 =},X3=.lj

X2
= 3,
=~ , x 2 =
= O X 3 = -4 , -i, X3 = TI
EJERCICIOS SUPLEMENTARIOS (Pgina 75)

1.
2.
x' = ~x + % y' = - %x + h y, x' = x cos e + y sen e, y' =

2,
- x sen
e+ y
cos
e
caso contrario.
3. 3 monedas de un centavo, 4 de cinco centavos,6 de diez centavos.

4. x = 4, Y =
==
5. Una infinidad si a = 2 a = - ~; ninguna en

b) a #- O, h = 2 d) a = O h #- 2 ,
7. K =
6. a) a #- O h '1- 2 , e) a = O, h = 2
[~ ~l
8. mpn multiplicaciones y mp(n - 1) adiciones
10. a = 1, h = - 2, e = 3
11. a = 1, b = - 4, e = - 5

1. a) 5 2. a) Par
b) 7
e) 10
d)
O
4k -- 5
e) 4
n
7. O
5
e) Impar
b) Par
e) Impar
d) Impar
n Par
9. 104
3. 5
4. O
5. 59
6. k
8. 425
11. a) ;. = 3, ;, = 2
14. 275
15. a) 120
b) - 120
b) 1, = 2, ;. = 6

1. a) 6 6. - 21
b) - 16 7. 6
8.
e)
d) O
2. - 21
10. a) 5
3. - 5
b) 10
9. - 2
4. - 7 5. 18 e) 5 d) 10
EJERqCIOS 2.3 (pgina 96)
1. a)
[~
- 3
I
~l
-x
b)
()
r'
d)
.\
~1
lIJJ
e)
(/1 2
lIJ .1
""1
(12 2
"l J
396
APENDICE
4. a) Inversible e) No inversible
b) No inversible
5. a) .135
b) ~
e)
io
d) -5
d) No inversible
6. Si x = O, el primero y tercer renglones son proporcionales. Si x = 2, el primero y segundo renglones son proporcionales.
8. a) k = 1(5
+ JI?), k = 1(5 -
J17)
(b) k
-1

1. a) .'11 1 1 = 29, ,'111 2 = - I 1, ,'1113 = - 19, ,'112 1 = 2 L ,'1121 = 13. ,'11 23 = - 19 M 31 = 27, ,'1132 = -5. ,'1133 = l e) b) C 11 = 29, C 12 = 11 , C 13 = -19, C 2 = -2 1, C n = 13 C 23 := 19, C 31 = 27, C 32 = 5, C 33 = 19
2. a) M e) M
13 22
36, C!3
36
=
= - 48, C 22
-48
b) M 2 3 = 24, C 23 = -24 d) ,'1121 = - 108, C 21 = 108
3. 152
4. a)
I ~~
-19
-2 1 13 19
8. k
2~j
19
3 -
?9
b)
-21
(lU
;1
-19
13
19
9. - 120
2~l
19
5. 48
6. - 66
7. O
8k
10k
+ 95
lO. O
11.A - 1 =
r-7
=
y
4
2
3 O - 1 O -1 O O - 7
-~J
12.
Xl
= 1, x 2 = 2
13. x =
15.
Xl =
-fr, z = - ft 14. x = if,)' = H. z = ~ 16. X l = 3, Xl = 5, X3 = -~? ,X 2= -H,x 3 =-'W

18. z = 2
-1,
X4
= 8
17. No se puede aplicar la regla de Cramer.
EJERCICIOS SUPLEMENTARIOS (pgina 109)

1.
X'
=!X + b
"
y' =
-%x +
2. x'
x cos O + y sen e, y' = - "sena + y cos (}
10. b)
~2.

3. a) pp 2 = (- 1, 3) e) P 1 P l = (2.- 12, -IJ)
b) 'PP z = ( - 7, 2) d) pp l = ( - R. 7.4)
4. PQ, en donde Q = (9,5,1) es una respuesta posible, 5. PQ . en donde P = (0,4,-8) es una respuesta posible.
6. a) (- '2,0.4) e) (- 1. - 5, 2)
b) (2 3, - 15, 4) d ) (-39. 69. - 12)
7.x =( - ~,t. l)
e) (- 30. -7, 5)
j) (O . ..:.. lO. O)
RESPUESTAS A LOS EJERCICIOS
397
10. el = 11. a)
1,
(1. -t -t)
e2 = -
1,
e3 =
1 (en
donde t es arbitraria)
b)x=-- 1,y=3
b)
el, -ti)
12. a) x' = 5, y' = 8

1. a) 5
b) 5.,/i
b)
e) 3 e)
d )3
e) -J129
f) 9
2. a)
fi3
2-/26
-J209
f) 1
d)
-J93
d) 2,/37 '
3. a) 2",3
e)
b) ~T4
+ ",2
e) 4-JT4
(1 /,/6, 1/.,/6, -2/i6)
7. (1 /) 3, 1/i3, 1/.}3)
8. Una esfera de radio 1 con centro en (x o , Yo, zo)

1. a) -10
b) -3 b)
e)
e)
d) -20
2. a)
-J 5
/58
b) (0,0)
d)
20
1y'70
d) ortogonales
3. a) obtuso
4. a) (E, 5. a)
b) agudo
e) obtuso
e) (-~~,O, e)
--A-) (t%.11)
-+%)
d) (H,M,~)
b) (2,6)
(-tt 1.11)
b) 36
d) (-* ,
--KH)
7.
+ - - -- -JU' -J13
( 2 3)
e
2
M.
a)
e) 24" 5
d) 24-/3
2 .
10. cos 0 1 = 0, cos
3 = - =--= , cos ) 10
()3
-_=
-J 10
13. () = cos '- l
-~
~6

1. a) -23,7, -1) d) O, - 56, - 392)
b) (-20, -67, -9) e) (24,0, -16)
b) (-2,0,2)
e ) (-78, -52, -26 ) f) (- 12, - 22, - 8)

b) 9)13
2. a) (12,30, -6)
3. (a) t)374
7. x =
(t - ti, - t + ~l, 1).
en donde t es arbitraria.
9.227
10. a) u =(O, 1,0) y v=(I , O, O)

(h) ( - 1, O, O)
e) (0, 0, - 1)
398
APENDICE

1. a) (x - 2) + 4( y - 6) + 2(z - 1) = O b) -(x+ l) +7(y+ l) +6(z-2)=0
e)
d) 2x
+ 3y + 4z = O + 2z 28 = O
2. a) x + 4Y e) z = O
b) - x
d) 2x
+ 7Y + 6z - . 6 = O + 3y + 42 = O
3. a) (5, O, O) es un punto en el plano y n = (2, - 3, 7) es un vector normal, de modo

qu e 2(x - 5) - 3y + 7z = O es una forma punto-normal ; otros puntos y otras n ormales proporcionan otras respuestas correctas. h) x + 32 = O son respuestas posibles.
4. a) 2y 2 -
1= O
b) x +9 y- 5z- 16= 0
5. a)
1:
= 2 + t, Y = 4
+ 2e, z =
6 + 5t
b) x= -3+5t,y=2-7t,2= - 4-3t
e ) x=l,y= I ,2=5+t d) x = t, Y = t, 2 = I 6. a) x-2= -'2 7. a) x = 6
v- 4
= -
z- 6 5
x+3 y-2 z+4 (b) - = - = -
-7
- 3
+ 1, Y = -1 + 3t, z = 5 l, ::
91
or x = 7 + t, Y = 2 + 3t,
"' = - 4 - 9t son respuestas posibles.
b) x = - t, Y = posible. 8. a) x =
= - t or .X = - I - t, Y = - I - t, z = - 1 - t es u na respuesta
~t, z = t
- 4- + 4t, y = -l.;f -
b) x
it, y = l, 2 = O
12. (- 2F, -~, 1f)
9. a) x - 2y - 17 = O. y
+ 22 - 5 = O
b) 3x - 5y= 0,2y-z= 0
10. plano xy: z

13. 5x - 2y
= O; plano xz : y = O; plano yz: x = O

15. (- 17, - 1, 1)
+ z - 30 = O
16. x - 4y
+ 42 + 9 = O

1. a) (-3. - 4, -8,4) d) ( - 99, -84, - 150,30)
b) (53, 34. 49. 20)
e) (- 63.
el
- 28, - 2 1, - 69)
e)( - 1,2,7,- 10) f) (2,6, 15, -1 4)
2.
(-t.
- 1,
- t, -!)
b) v' II b) i l4
3.
l ,e 2 = l ,c}= - 1,c4 = I
d) y 48
5. a) 5
6. a)
v ~73
e) v' T 4
+ 3.J7
f) I
e ) 4" 14
d)
v' 1801
e ) ( _2 . O,
~_ . ~_)
y 6 .../ 6
y6
3
8. k =
Jl4
- I b) - I
9. a)
e)
d) 27
399
10. a)
(2. ~~) J5
~5
(_~=,
,,) 5 . j 5
__
1 )
ll. a)
JlO
b) 3.[3
e)
.j59
d) 10

1. No es un espacio vectorial. No se cumple el axioma 8. 2. No es un espacio vectorial. No se cumple el axioma 10. 3. No es un espacio vectorial. No se cumplen los axiomas 9 y 10. 4. El conjunto es un espacio vectorial bajo las operaciones dadas. 5. El conjunto es un espacio vectorial bajo las operaciones dadas. 6. No es un espacio vectorial. No se cumplen los axiomas 5 y 6. 7. El conjunto es un espacio vectorial baja las operaciones dadas . 8. No es un espacio vectorial. No se cumplen los axiomas 7 y 8. 9. El conjunto es un espacio vectorial bajo las operaciones dadas. 10. No es un espacio vectorial. No se cumplen los axiomas 1,4,5 Y 6. 11. El conjunto es un espacio vectorial baja las operaciones dadas . 12. El conjunto es un espacio vectorial bajo las operaciones dadas. 13. El conjunto es un espacio vectorial bajo las operaciones dadas. 14. El conjunto es un espacio vectorial bajo las operaciones dadas.

1. a,e
2. b, e
3. a, b, d
4. b, d, e
5. a, b, d
6. a) (5,9,5) = 3u - 4v-t- w e) (O. O O) = Ou + Ov + Ow ,
b) (2, O, 6) = 4u - 2w d) (2,2,3) = t u - t v + tw
7. a) 5 + 9x + 5X2 = 3p - 4P2 + P3 (b) 2 + 6X2 = 4p - 2P3 e) 0= Op + OP2 + OP3 d) 2 + 2x + 3X2 = t p - t p2 + t p3

8. u. e, d
9. a) Los vectores lo generan b) Los vectores no lo generan 10. a, 'C
e) Los vectores no lo generan d) Los vectores lo generan
11. Los polinomios no generan a P2
12. a, b, d
13. 8x - 7y
00
+z= O
14. x = 2t, y = 7t, z = - t, en donde - 00< t
<+
400
APENDICE

1. a)
Uz
es un mltiplo escalar de
UI .
b) Por el teorema 6, los vectores son linealmente dependientes. c) pz es un mltiplo escalar de PI .
d) B es un mltiplo escalar de A.
2.
a) independiente
b) independiente b) independiente b) independiente b) independiente
c) independiente c) independiente
d) dependien te d) independiente d) dependiente d) dependiente
3. a) independiente
4.
a) independiente a) dependiente
e) independiente e) independiente
S.
e) dependiente
f) dependiente
6. a) No se encuentran en un plano.
b) Se encuentran en un plano.
7. a) No se encuentran en la misma recta. b) No se encuentran en la misma recta. c) Se encuentran sobre la misma recta.

1. a) Una base para R 2 tiene dos vectores.
b) Una base para R 3 tiene tres vectores. e) U na base para P 2 tiene tres vectores. d) Una base para M 22 tiene cuatro-vectores.
2. a, b
3. a, b
4. c, d
VI, V2, V3
6. Dos cualesquiera de los vectores
7. Base: (1,0,'1); dimensin = 1
8. Base: (-i, -i, 1, O), (O, - 1, O, 1); dimensin = 2 9. Base : (4, 1, O O), (- 3, O, 1, O), (1 , O, O, 1): dimensin = 3 , 10. Base: (3, 1, O), (-1, 0,1); dimensin = 2 12. Base: (4, -5,1); dimension
13. a) 14.
a)
11. Ninguna base; dimensin = O
1
c) (2, - 1, 4)
d) (1 , l. O), (0,1 ,1)
ti,
1, O),
(-i, 0,1)
b) (1,1, O), (O, 0, 1)
3- Tridimensional b) 2-Bidimensional c) 1- Unidimensional
15. 3- Tridimensional
EJERCICIOS; 4.6 (pgina 195)

1. ! '= (2, -1 , 0, 1) !2 = (3, 5, 7, - 1)
!3=(1.4, 2.7)
401
b)
GJ
e) 1
4. a) (1, O, 1,2), (0, 1, 1, O), (O, 0, 0, 1)
e) 3
5. a} , 1,0,5, 2, O), (O, 1,0, O, O), (0, 0, - 3, O, 1)
b)
1\
b
-1
e) 3
6. a) (1, 1, -4, -3),(0, 1, - 5, -2),(0, 0, 1, -~) b) (1, - 1,2, O), (0, 1,0, O), (O, O, 1, -i)
e) (1, 1, 0, O), (O, 1, 1, 1), (O, 0, 1, 1), (O, 0, 0, 1)

8. a)
{ VI ' V2 ,
v,,}
b) v3 = 2v - v2 , v5 =
-VI
+ 3v 2 + 2v"
9. a)
h, v 2 }
b) v3 =2v+v 2 ,v,,= -2v+v 2
10 . a) Primero y tercer renglones, o segundo y tercer renglones; cualquier par de columnas, excepto el par que consta de la primera y cuarta columnas. b) Dos cualesquiera de los tres primeros renglones, junto con el ltimo rengln; tres columnas cualesquiera.
11. a) 3 b) el mnimo de m y n
12. a)
b- [lJ -1 3J - 4 L-6
c)b=c - c z
b) b no est en el espacio de colum nas de A
EJERCICIOS 4.7 (pgina '201)

1. a) - 12
3. a) 16
b)O
e)O
d)120
2.
a) - 5
b)
e)
3 d) 52
b) 56
4.
a)-6
b) O
6.
a) No es un producto interior,
no se cumple el axioma 4. b) No es un producto interior, no se cumplen los axiomas 2,3. e) <u, v> es un producto interior. d) No es un producto interior, no se cumple el axioma 4 .
7. No. No se cumple el axiona 4.
402
APENDICE
28
16. a) - 15
b) O
17 . ajO
b)1
e) - -4
1T
In _1_
",/2

1. a)
J2i
j6
b) b)
J206
.j85
4. a)
e)
.Ji
d) d)
b)
O O
2. a) jiO
3. a)
6. a)
e) 1
b) 5
Ji8
J2
-1
b) O b) b) O
-3
/96 7. Ji8
e) O
19 _ 10-./ 7
5. a) ,,'45
b) O
8. a)
J98
b) O
-1 e) -
9. a)
j73
-20 d) 9jiO
.Ji
= -
f) -
J55
b) k = -2, k = -3
10. a) O
1 4~
11. a) 1
b) O
12. a) k
a, b, e
15.
J3249 (- 34, 44, - 6, 11)

3249

1. b
2. b, d
3. a
4. a
7. a)
(~, - ~), (Jw,Jw)
b) (1 , O), (O, -1 )
8. a)
(~, ~3' ~),( - ~, ~, O),(~, ~, -~)

7 v53 2 30 105 ro ) ' ( O, ~, --) v 53 '>1 1192511925
b) (1,0,0), ( O, ro' -
9.
2 1 )(5 1 2 ) (0, )S' }S' , J36' - J36' J36' ,
12.
13.
= (-t 2, ~),
W2
(t
0, ~-)
(it
n, N),
W2
= (iz,
- -12, -A)
14.
= (-i, -, i, t), W 2 = (, t
ll-, - t)
22. Q( - ~.
-t -<;); tJ3s
23. Q( -t~.
- lf)
403

1. a) (w)s = (3, -7), [wJs = [_
~J
b) (w)s = (ls ,
3 1 4),
[wJs =
[~J
2. ,) (,1,
~ (3. - 2. 1). e,], ~ [-~l
b)
,,
~ (- 2. 0, 1), [,], ~ [-~l
3. ,) (p), - (4. - 3. 1). [p],
[-
il
(pI,
(0.2. - 1), [p],
~ ~l
[_
4.
(Ah +llL3)[A],~ l~J

- [-2 .j2J s.j2
3
b) (w),
5. a) (w)s= (-2 y 2.S y 2). [wJ s=
(O, -2, 1), [w],
~ [ -:1
6. a) w = (l6. 10, 12) 7. a) 8. a)
b) q
= 3 + 4X 2
e) B = ,1S
L6
-lJ
3
Ilu = y 2. d(u . v) = ,jI}, (u v) = l ,
r \'
- 2
;:
3
L -TI
~J
11
b) [
=~J
d)
r~
-
-!J
~
5
9. a) [
=~J [=~J
b)
d) [
10. a )
[
--~
1-1]
e)
b+~l
J
d) [ -
11
,+ -i
2 - 3
1)
-1 J
2.]
b)
[_.2 ] .~
12. a)
[ :j
b) [ - ;
13. b)
[_!
~j
2v' 2)
[_ ~j
v'3)
e)
f -fJ
~J
14. a) (4 v' 2,
b) (- 3.s .j2, 1.5 .j2) b) (2.S
15. a) ( - 1 + 3";3, 3 +
- )3, 2.S)3 +
16. a) (.S v2. 1.5,2. 5)
b) ( - 2.5 ft., 3.5 ft., -3)

b) (.S - l.S.J3, 6, -1.5 - .s)3)
19. a,b, d, e
17. a) (-.5 - 2.S ..,;3, 2, 2.S - .S ;)3) 18. a) ( - 1, 1.S v'2, - 3.S .j2)
b) (1 , -1.S .j2, 4.S J2)
404
APENDICE
20. a}
[~
~]
b)
l l
,,2
1
,)
1-~2
d}
O
"\
) -
_ ,\
"6
,,3
,,6
,6
"I}
..,; 3
,3
,) II
2. a) [
27. a) (lf-, 29. b
/'
1
6 6
1 1
-6
l
ij
,
;
-6
e -sene
cos
sene] cos e
b)
[
b)
- se~o
ca, O sene
cos
o
(-t - 6f)
b) (2, 1,6)
23. a) (-2, - 1)
e) ( --Y-,~)
:l
(d) (O, O)
25. a, e
-t -7)
e) (--~ , l/ , -3 )
d) (O, O, O)
31. a) A =
[ca, O O
sen e
-
O 1 O
-"~lIl
cos
b) A
~ [~
O 'cos (1
-sene
senO O cos ()
32.
-/2
4
-/6
4
-
..,;2
2
J3
2
.Ji
4
-/6
4
Ji
2
EJE RCICIOS SUPLEMENTARIOS (pg ina 244)

L a) Tdo R 3 e) Recta : x = 2t, y
= t, Z = O
b) Plano: 2x - 3y + Z d) El origen: (O, O, O)
=O
2. a) (O, a, a, O) con a =1= O
7. ~) a(4, 1, 1) + b(O, - 1,2) b) (a + e)(3, -1,2) + b(l, 4,1) e) a(2, 3, O) + b( - 1, O, 4) + c(4, -1, 1)
8. a) y <:= (-1 + r)y + (1 - r)Y2 + rY 3; r arbitrario
405

I. Lineal
S. No lineal
9. Lineal 13 . Lineal 17. Lineal

21 . F(x, y)
2. 6. 10. 14. 18.

y)
No lineal Lineal Lineal No lineal Lineal
3. 7. 1I. 15 . 19.
Lineal Lineal No lineal Lineal pneal

b)
4 . Lineal 8. No lineal 12. Lineal 16. No lineal ;20. No lineal
= (-x.
23. a) [:
b) T(\:, y, z) = (x, O. :)
42J [ -55
e) [x +
3y + x - 7=
4ZJ
+ 2z)
24. a) (2, O. - [ )
25. a) Tt3 . 8, 4) = (-2, 3, - 1)

26.
b) T(\: . r. :) = t (2x r)
r - :::. - x + 2r 2
:::. - x - y
a) T ( - 1. 2) = ( - 3_ . \ , 2 y 2;
b) T( - 1, 2)
~): T(x.
(~~ - ~_.
,2
y)
\:_
'v
v2
+~)
v2
(1. - 2): T (\:. r )
= ( - \:. -
T(\: . r) =
,3 (- :? \: -
- r. - \:
2' 2
,3) +- r
2 '
/
d) T (- 1.2)=
- 2" + ",3. 2- + 1 :
T( \:.
,j
r)
1) 1 (2 x + -:23 'r. -y3 x + -2 'r 2

'v
EJERCICIOS 5.2 (pgina 2. 2) 6

1. a. e 2.
l/
3.
l/.
h. e
.4. a
5. b
.6. a
7. ker(T)
=;o
{O}; R(T)
= V
8. Rango (T) = l, nulidad (T) = 1

~-----
9. Rango (T) = 3, nulidad
(n = O
11
10. a) Rango (T) = n, nulidad (T) = e) Rango (T) = 11, nulidad (T) =
b) Rango (T)= 0, nulidad (1')=
11. T(\: . .\". :::) = (30\: - 101' - 3:::. - 9, + 3r + .::). T(I, 1, 1) = (17, - 5)
12. T (:? - 2\:
+ 3\:2) = 8 + 8x -
7>;2
13 . a) Nulidad(T)=2 b ) Nulidad (T)=4 e) Nulidad(T)=3 d) Nulidad(T)= 1
14. Nulidad ( T) = 0 , rango (T) = 6

a ) Dimensin = nulidad (T) = 3 b) No . Para que Ax = b sea consistente para todo b en R 5, se deb. tener R(T) . R 5 e = Pero R(T) =1= R S puesto que rango (T) dim R.(T) = 4.
c) Rango (T)= 2, nulidad (T)= 1
406
APENDIC.E
17. ,)
m [H m
b)
c) Rmgo
en" l. nuliMd en" 2

e) Rango
18. a)
[~l [~J
bf]Pj
-1 -1
b)
=
(n = 2, nulidad (n = 2.
19
'lJ l-JjVJ
O
e) Rango
(n = 3, nulidad (n = 2
< t < + 'X)
22. a) 14x - 8y - 5z
b) x
= -
1,
Y=
1,
z = t, -
'X)
26 . ker (D) consta de todos los polinomios constantes.

27. ker (l) consta de todos los polinomios de la forma kx.
.1. a)
2 1 -IJ
Ll 1
b)
[~ ~J
b) [
-1
2
1
- 1
1
~l
[~ ~J
O O O O O O
e)
O O O O O O
O O O
o
1
O O
O O
1
d)
O
O - 1
b)[-~_~J
b)(-2, -I)
O O O
3. a) [ _
~J
e)
e) (2, O)
d)
O [O olJ
4. a) (-1, -2)
d) (0,1)
8. a) Rectngulo con vrtices en (O, O), (1, O), (1, -2), (0, - 2) b) Rectngulo con vrtices en (O, O), (- 1, O), (-1, 2), (O, 2)
e) Rectngulo con vrtices en (O, O), (- 1, O), (- 1,
t), (O, t)
d) Cuadrado con vrtices en (O, O), (2, O), (2, 2), (0, 2) e) ParalelograrilO con vrtices en (0, O), (1, O), (7, 2), (6,2) f) Paralelogramo con vrtices en (O, O), (1, - 2), (0, 1), (1, - 1)
407
9. Rectngulo con vrtices en (O, O), (- 3, O), (0,1), (- 3,1)
10.
(a)
I
1
j2
1
e)
L2 v
3
e)
[ 'V
2
1
-
~
'V
- 2
[-1
0J
- 1
2
12. a)
11. (a)
[~ ~J
[~ ~J
b)
[~ ~J
13. a) Dilatacin en un factor de 3 en la direccin x. b) Dilatacin en un factor de - 5 en la direccin y. e) Deslizamiento cortante en un factor de 4 en la direccin x.
14. a)
[~ ~J[~ ~J ; dilatacinenladireCCinyenUnfactorde3,acontinUaCin
una dilatacin en la direccin x en un factor de 2.
b)
[~ ~J [~ ~J ; deslizamiento cortante en la direccin x en un factor de 4 y,

a con tinuacin , deslizamiento cortante en la direccin y en un factor de 2.
e) [0 I
lJ [4 0J [1
I
0J
-2
; dilatacin en la direccin y en un factor de - 2,
en seguida una dilatacin en la direccin x en un factor de 4 y, por ltimo, una reflexin respecto a y = x .
d) [ 1 0J [. 1 0J [1 4 1 O 18 O
- 3J ; deslizamiento cortante en la direccin x con un facI
tor de - 3; en seguida , dilatacin en la direccin y con un factor de 18 y, por ltimo deslizamiento cortante en la direccin y con un factor de 4.
15. a)
1 [0 (5)J
- 5 O
=
b)
[~ ~J
) I[
h
16. a) [
O IJ
h
2 _ 6,j 3 + 3
-./ 3
+ 3,.;3
-1
18. a) 16y - Ilx - 3
19. a) .\'
b) .\' = x
d) Y = - 2x
21. [:1 - ~J
22. b) No; A no es inversible.
408
APENDIC E
1.
1 [O -21 -30J
bJ [~:]
4. a)
O O O O O O 1 1 4 025 1 3 1
5. a) [T(V)]B
= [
-~J [T(V2)]B = [~J

T(v 2 )
b) T(v 1 )
= [ -~J
= [ ~~J
e)
[-~J
6.
'J [T(,,)].
~[
[TI,,)].
~ [ - n [TI,,)]. ~ [iJ [TI'.)], ~ m
bJ Te,,{H TI',J{n T(',J~

7. ' :
[Te,,]. ~
m~H
b)
nn
e) -6
Ti',)
~ n]
'fm
[Te,,)]. [_ [Te,,)]. ~ [-:]

-6 - 5x
b) T(v 1)
e) T(1
= 16 + 51x + 19x 2, T(v 2 ) = + X2) = 22 + 56x + 14x 2

O 2 O O
+ 5x 2, ThJ = 7 + 40x + 15x 2
11. ,)
[l 1 0]
[~ O 0]
O O -1 1 O
[O -~' O
O O
b)
-~
O
il]
+ 48x
12.
'J
[0 O 1
~
O
~]
-~
11
e) O 2
2 [' 1 0J O O 2
l. [T]B = O -1
[1 -2J-
[T]B' =
-TI _..1_
11
56J
2:
2. [T] B =
4 61J [~ _,~
[T]B' = [
U2 9 -W z;-J
10
3. [T]B = ~
4. (Y],
~ -~o -~] 7
=
l [i
-I
()
,, 2"
y2
- _.1
./'2
_1
409
[T]B = ~
11 v' 2
,)2"J
(T],
13
11 ,)2
~ [ -:
1 0 ]
5. [TJB
[~ ~ ~;l
O O
[T]B' =
[~) ~
O O
7. [T]u
= [;
6. [TJB =
[~ ~J
[T] B'
[~ ~J

1. No; T(x
+ x 2 ) = A(x + x 2 ) + B"# (Ax + B) + (A x 2 + B) = T (x) entonces T (cx ) = cAx + B"# c(Ax + B) = cT(x).
. n
+ T(x 2 )y, si.c "# 1,
2. b) A =
[cos n(] senn(]
sen n(] ] cos nO
5. a) T(e3) y
dos cualesquiera de T(e ), T(e2) y T (e3) forman bases para el recorrido; (- 1, 1, O, 1) es una base para el kernel. b) Rango = 3, nulidad = 1
b)
6. a) 2
7. b
)(3 +45,)3' ,)3+ 4

b) i.2
-
5)
EJERCICIQS 6.1 (pgina 307)

l.a) ;.2-2i.- 3 = 0 d) i. 2 + 3 = O
8i.
16 = O
e) J.2 =0
2 f) A
c ).2-12=0 - 2). + 1 = O
2. a) i. = 3, i. = - 1 b) i. = 4 d) Ningn eigenvalor real e) i. = O
c) }, = jl2, j. = f) }, = 1
-J12
3. a) Base para el eigenespacio correspondiente a i.
3:
[n
base para el eigenespacio correspondiente a ), = - 1: [~J

b) Base para el eigenespacio correspondiente a i, = 4: [:]
410
APENDICE
e) Base para el eigenespacio correspondiente a ), =
J12:[ v 3 l
,=;
1
1
base para el eigenespacio correspondiente a ). = d) No hay eigenespacios.

e) Base para el eigenespacio correspondiente a ).
,.. [~~2l
12:
= O:
[~J [~J
f) Base para
5. a) i,3 - 6i. 2 e) i3 + 8i,2 e) ;' 3 - 6i. 2
el eigenespacio correspondiente a ), = 1: [~l
[~J
+ Il i, - 6 = + i. + 8 = + 12i. - 8 =
b) ;.3 - 2i. = d) P - i. 2 - ), - 2 = f) ),3 - 2;.2 - ISi. + 36
b) i. = O, i. = ..J 2, i. = 6. a) i = 1, i. = 2, i. = 3 e ) i. = - 8 d) ;.= 2 e) i. = 2 j) ).= - 4,}.=3
7. a) ), = 1: base (\,' i. = 2: base
[0]
r-i-J. i. = 3: base [- 1] : :
;. =
- .j2:
base
+(
+(15 - SJ 2.) 1 ~ 2J2. )
I
b,,,
el J.
- 8 b,,, [
=]
(d)
'~2
1~]
8. a) (i, - 1)2(i.+ 2)( ). + 1) = 0

9. a) ;.= U . = -2,;.= - 1
b)
(i. - 4) 2(i. 2 + 3)= 0
b)j. = 4
2 ~J
. I
= - :2. base
1- \Ij-. l
()
= -
1 base
1-~
()
()
411
11. (1) X= - 4, ;. =3 b) Base para el eigenespacio correspondiente a ;. = - 4: - 2
base para el eigenespacio correspondien te a ;.

12. a) i. = 1, i. = - 2, i. = - 1
3: 5 - 2x
+ ~x + Xl + Xl
b) Base para el eigenespacio correspondiente a ;. = 1:
[~ ~J
[~ ~J
base
para el eigenespacio correspondiente a i. espacio co rrespondiente a ;. =

-
- 2: [ -
~ ~J; base para el eigen~
1:

5. P = [:
~J
6. P
[~ ~J
p - 1 AP =
[1O - 0J 1
7.
p~
=
U~ :]
[-~ ~ ~l 100
p-1 A P =
8. P
9. N o diagonalizable
[O
()
0] 1 O () 2
O 3
O
()
11. No diagonalizable
12.
p~ n
l'O O ,
()
O
1 O O 1
()
P - 1AP = [" ()
()
l
1
()
13. No diagonalizable
14. P =
O O
O
P - 1AP =
l- O 2
O
O - 2 O
o
3
~l
0 J J
- 1
:]
()
[:,]
41 2
A PEND ICE
17. PI =t-+-x, pz=x
1 19. [ - 1023
1024J
EJ ERel el os 6.3 (pgina 323)

1. a) A = o: unidimensional, A = 2: unidimensional b) A = 6: unidimensional, A = - 3: bidimensional e) A = 3: unidimensional, A = O: bidimensional d) A = o: unidimensional, A = 6: bidimensional e) A = O: tridimensional, A = 8: unidimensional f) A= -2: tridimensional, A = 4 : unidimensional
3.
p= ~~ -~J 1 ..} 3
p - I AP = [8
O -4
0J
4.
p=[! p= -~~
-n
O 1 ;
P - IAP= [25 O
- 2~J
O
~
-3
5.
J ]
p-1AP=
_ ~
O ~
["
-5~J
\1-
/2
6.
"'; 2
/2
O
...; 2
1
~)j
J3
7.
-../3
\1 3
J6
2
~J
..}2
O
-
O
8.
()
"';2
O
J6
.,;
O
v2
O O
J2
()
,
-y-
()
.., 5 2
v5 v5
O
()
9.
,15
O
O
2
...;5 I ...;5
v5
2
.,;5
413

1. b) La transformacin hace girar los vectores hasta describir el ngulo
e; por lo tanto, si O < O < n, entonces ningn vector diferente de cero se transforma en un vector con la misma direccin o la opuesta.
2. A = k con multiplicidad 3. 3. e)
9. A 2
r L
[~
2 O
15 5
:l
A 4 = [375 125
30J
10 '
A 3 = [75 25
150J 50 '
750J 250 '
AS = [1875 625
3750J 1250 O O O -1 - 3
IO.A'_[;
-3 -8 -15
10
:J
A' - [ : lO
- 8 - 15 - 24
15
l~l
11
el [
O O 1 O
-:l

1. a) Y = cle sx
Y2
= cl e
= = =
5x
2c 2 e - x c 2 e- x
b)
YI = Y2
O O
-4Oe 7 .< - 2Oe 7x
2. a)
YI
Y2
ce 7x - 3c 2 e - x 2ce 7x + 2c 2 e - x
b)
YI = Y2 =
+ ~6e - x
-
~e - x
3. a)
YI Y2 Y3
-c 2 e 2x + c 3 e 3x = ce x + 2c 2 e 2x - c 3 e 3 2x 3x = 2c 2 e - c 3 e
b) Y
2e 3x h Y2 = eX - 2e + 2e 3x 3x h .Ji3 = - 2e + 2e
= e Zx _
4.
YI
Y2
Y3
= (c I + c z)e 2x + C3et = - C2eh + C3 e8x = _c\e 2x + c 3e Bx

1. a) (1 + n) - 2senx - sen2x
sen 2x sen 3x sen nXJ b) (l+n)-2 [ senx+--+-- + "'+ - 2 3 n

4n 2. a) 1n2 + 4 cos x + cos 2x + ~ cos 3x - 4n senx - 2n sen2x - 3 sen 3x
b) 3 n
4 2
+4
k= \
~ cos Kx ~ ~enkx L. - 2 - - 4n L. - -
k=
1 1 3. a) - - -t---e x 2 e- 1
1 3- e b) - - - 12 2e - 2
414
APENDICE
4. a) (4e - 10)
+ (18 -
6e) x
b) (3 - e)(7e - 19)
3 5. a) - x n
b) 1- -
6 n2
8.
L
k= 1
<Xl
2
- sen(kx)

1. a) 2X2 - 3xy 2. a) [
_~
y]
+ -!J
[-~ [-~
4y2 b) [
b) x 2 -xy
e) Sxy e) -
d) 4X 2 - 2 y 2
d)
e) y2 e)
_~ -~J
Lz
I-~ ~J
[~
-~J
[~
~J
3. a) [x
b) [x
y]
7=0 -!J[:J + 2][:J + [-7 -~J [:J +S 8][:J-3=0 [

d) [x y]
e) [x
y]
[~ ~J[:J -8 =0
[~ ~J [:J + [7
b) elipse f) parbola j) crculo
[~
-~J [:]-7 =
d) hiprbola h) parbola
e) [x
y]
-8][:J-S=0
e) hiprbola g) parbola
b) X,2 - 16y,2 = 16, hiprbola d) x,2 + y,2 = 16, crculo f) y' = - +X,2, parbola
4. a) elipse e) crculo i) parbola
5. a) 9X'2
+ 4y'2 = 36, elipse e) y,2 = 8x' , parbola e) 18y,2 - 12x,2 = 419, hiprbola
+8=
0, hiprbola e) 7x,2
6. a) 3x,2 - 2y,2
b) 2v'2x,2 - 7x'
+ 9y' = 0 ,
+ 3y,2 =
9, elipse
parbola d) 4x,2 - /2
= 3, hiprbola
= 81, hiprbola
66, elipse
7. 2X,,2
+ y,,2 = 6, elipse
8. 13y"2 - 4x,,2 10. 6X,,2
9. 2x,,2 - 3y,,2 = 24, hiprbola

11. 4y ,,2 - x,,2
+ Ily,,2 =
= 0, hiprbola =x
12. v'29y ,2 - 3x' = 0, parbola
13. a) Dos rectas que se intersecan, y
y y = -x
b) N o existe grfica
e) La grfica es el punto nico (0 , O)

d) La grfica es la recta y
=x
3
e) La grfica consta de dos rectas paralelas j) La grfica es el punto nico (1, 2)
JD
2 x + --= y = + 2
J13
415

1. (a) X2 + 2y2 - Z2 + 4xy - 5yz e) xy + xz + yz e) 3Z2+3xz
b) 3X2
d)
+ 7z 2 + 2xy - 3xz + 4yz + y2 _ Z2 J) 2z 2 + 2xz + y2

X2
4. a) Elipsoide .
b) Hiperboloide de un manto . e) Hiperboloide de dos mantos. d) Cono elptico. e) Paraboloide elptico. j) Paraboloide hiperblico. g) Esfera.
S. a) 9x,2 + 36y,2 + 4z,2 = 36, elipsoide b) 6X ,2 + 3y,2 - 2Z,2 = 18, hiperboloide un manto e) 3x,2 - 3y,2 - z ,2 = 3, hiperboloide de dos mantos d) 4x,2 + 9y,2 - z,2 = O, cono elptico e) X,2 + 16y,2 - 16z' = 32, hiperboloide de un manto J) 7x,2 - 3y,2 + Z, = O, paraboloide hiperblico g) X,2 + y,2 + z,2 = 25, esfera 6. a) 25x' - 3y' - 50z' - 150 = O, hiperboloide de dos mantos b) 2X,2 + 2y,2 + 8z,2 - 5 = O, elipsoide c) 9x,2 + 4)',2 - 36z = O, paraboloide elptico d) x,2 - y,2 + Z ' = O, paraboloide hiperblico
416
APENDICE
7 . xI/2
8. XI/2
+ vl/ 2
221/ 2 = - 1, hiperboloide de dos mantos

=::
+ y ,,2 + 221/ 2
4 , elipsoide
9. XI/2
+ )' 1/ 2 + z" =:: 0 1 paraboloide hiperblico + 3yl/2

-
10. 6XI/2
8 v'2zl/ = O, paraboloide elptico

1. a) .28 x 10 1 d) -.135 x 10 2. a) .280 x 10 1 d) - .135 x 10
b) .3452 x 10 4
e) .17921 x 10 2
b) .345 x 104 e) .1 79 x 10 2 b) .35 x 104 e) .18 x 10 2
e) .38 79 x 10 - 5 f) - .863 x 10 - I e) .388 x 10 - 5 f) -.863 X 10 1
3. a) .28 x 10 1
d) - .14 x 10
d .39
f) - .86
10 - 5 1 X 10 -
4. 6.
XI XI XI Xl
= -
3,
X2
7
X3
= 1, Xl = 2,
=
=3
7. 9.
XI XI
= O, X 2 = O, X3 = 1, X4 = - 1
= -2,x 2 = 0, X3=
8. 10.
.997, Xl
1.00
= O, X 2 = 1 (
sin pivote
);
XI
= 1, X2
1 ( con pivote)

1. Xl "'" 2.81, X 2 "'" .9 4 ; la solucin exacta es XI
= 3, X2 = 1
2. XI ""'.954,X2 ""' - 1.90;lasolucinexactaesxl = 1 ,x2 =-2
3. Xl "'" -2.99, X2 "'" - .998; la solucin exacta es Xl = - 3, X2 ==- 1 4 . Xl "'" 0.00 , X2 "'" 1.98; la solucin exacta es Xl 5. Xl "'" 3.03,X2 "'" 1.02; la solucin exacta esxl
=::
O, X2
=::
= 3, X2 = 1
= 1, X2 = -2 ,
6. Xl "'" 1.01, X2 "'" - 2.00; la solucin exacta es Xl
7. X I ""' - 3.00,X2 ""'- 1.00 ; lasolucinexactaesxl = - 3,X2 = - 1
8.
Xl
::::O. 00S,X2 ::::o2.00;lasolucinexactaesx =0 ,X2 =2
9. Xl"'" .492,X2 ""' .006 ,X 3 ""' - .996 ; la solucin exacta esx = t, X2 =0,X3 = - 1
10.
11.
XI "'" 1 .VO , X2 "'"
.998, X3 "'" 1.00 ; la solucin exacta e.s Xl
0.=
1, X2
= 1, X3 = 1
Xl ""' .499,X2 ""'. 0004 ,X3 ""' - 1.00 ; la solucin exacta es Xl =:}-,X2 =0,X3 = - 1
12. Xl "'" 1.00 , X2 "'" l.00 ,X3 "'" 1.00 ; la solucin exacta esxl = I , X2 = 1,x3 = 1
13 . a, d , e
417

1. a)A=3
b) No hay eigenvalor dominante
e) A
=6
d)
A= 3
2. a) [1.00 .503
b) 5.02
e) El eigenvector dominante es
d) El error en porcentaje es .4%
[~J
el eigenvalor dominante es 5
3. a) [1 .00 .750J
b) 8.01
e) El eigenvector dominante es
[~J; el eigenvalor dominante es 8
d) El error en porcentaje es .125%
4. a) [
1.00 .560
b) -4.00
e) El eigenvector dominante es [
d) El error en porcentaje es 0%
-~J
el eigenvalor dominante es -4
5. a) Al final de dos iteraciones, el eigenvalor y eigenvector dominantes son aproxi-
madamente Al "" 20.1 Y x
~ [ .119J 1
Al = 20 Y x
b) Los valores exactos del eigenvalor y eigenvector dominantes son
[~J
6. a) Al final de tres iteraciones, el eigenvalor y eigenvector dominantes son apro-
ximadamente Al "" -9.95 Y x ~
1 [- .978J
b) Los valores exactos del eigenvalor y eigenvector dominantes son
Al
-10.
bj 10.0
418
APENDIC E

b) 7.00
e) i' 2 ~ 2.00,
V2
1 [-.SIJ
d) Eigenvalores exactos 7, 2 ; eigenvectores exactos
VI
['!J'
V2
[-+l
~
1 [-.S32J
2. a) [ , .503
b) 12.0
e) i' 2 ~ 2.02, V 2 ~
d) Eigenvalores exactos 12, 2; eigenvectores exactos
In die e
A Adjlmta, 103 Angula entr e vectores. 206 Apli caciones, 329-360 a las ecuaciones diferenciales. 329-336 a las series de Fouricr. 339-342 a formas cuadrticas. 343-360 a pro blemas dc apro:-.:imacin. 336- 342 Aproximacin de mnimos cuadrados. 339-341 Apro:-.:imacin mejor, 219 Ar bol de perm utaciones. 77 Area. 139 A:-.:ioma de aditividad. 197 A:-.:ioma de positividad, 197 A:-.:iorna de simctra. 197 A:-.:iomas, para un espacio de productos interiores. 197 para Wl espacio vectorial. 157 Cnica no degenerada. 34 3 Conjunto (de vectores) or tonormal, 211 Conjunto ortogonal, 207, 211 Cono elp tico. 355 Contraccin (operador ele), 250 Coordenadas. de un punto, 230-232 de lUl vector. 224 Coorelcnaela(s). ejes de, 118-ll9 libre. 140 matriz ele. 224. 286-287 planos de. 118 vector de. 224 Coscnos de direccin. 133 Cramer. regla ele. 97-109
D
Defiacin. 385- 3 8 8 Descomposicin de Wl vecto r. 131 Deslizamientos co rtantes. 271-272 Desviacin, 337 Desplazamientos simultneos, 369-376 Desplazamientos sucesivos. 371-375 DeL 81 Determinante (flUlcin determinante), desarrollo por cofaeto res de lUl, 97-109 e1efinicin, 81 de lUla matriz de 2 :-.: 2, 79 de Wla matriz de 3 x 3, 79 Diagonal principal 43 Dilatacin, 250 Dimensin, 183-184 Distancia euclidiana, 154 Distancia, entre puntos. 203 entre vectores, 204
E
B
Base, 178 cambio de, 226-230 cootdenadas relativas a una_ 222 estilndar. 179. 180 Base estndar para P Il 180 para R Il , 178
e
Caja negra. 7O Cambio de base. 227-230 Cauchy. Augustin Louis. 200 Cauehy. desigualdad dL'. 200 Ca uchy-Sehwar:r. dcsi~ualdad de. 200-201. 204. 205 Cerrado bOl jo la ael icin. 163 Ccrraelo bajo la multiplicacin escalar. 163 CoLictor. 97- 108 e1esarrollo. 97- 109 Columna. de una matrir. 42 espacio. 187 vector. 187 COlllbinaei;lIllineal 166 COll1poncnte. orto~onal a. 130. 133 ele lU1 vector. 116-117.119 COlllpresin. 270 Condcnsaci0n pivota l. 363-369 Condici\ln inilL 3.30 C\lniL'a ill1at!imria. 354
419
Ecuacin caraeterlstica, 302 Ecuacin cuadrtica, en x y y, 343 en x, y y ~, 354 Ecuacin diferencial, 329-336 sol ucin general de Wla, 329 solucin particular, 329 I:cuacioncs de dependencia, 190 Fe uaciones de traslacin, 121. Le uaciones paramtricas, 146-147 Ic uaciones simtri cas, 148-149 Fcuacin lineal, 19-76 so lucin ele una, 20 Ligenespacio (espacio propio), 304-306, 307
420 de un operador lineal, 306 Eigenvalor dominante, 375 Eigenvalores (valores propios) complejos, 304 Eigenvalor (valor propio), 301-326 de un operador lineal, 306-307 Eigenvector dominante, 376 Eigenvector (vector propio), 301-326 de un operador lineal, 307 Elemento pivote, 364 Elementos, 42 Eliminacin gaussiana, 26-38, 106 con pivote, 363- 3 69 Elipse, 344 Elipsoide, 355 Eq uivalentes respecto a los renglones, 62 Error cuadrtico medio, 337 Error en porcentaje, 381 Error en porcentaje estimado, 381 Error por redondeo, 363 Error relativo, 381 Error relativo estimado, 381 Escalar, 43, 113 Espacio generado, 168 Espacio lineal generado, 169 Espacio n, 151 Espacio n euclidiano, 155-157 Espacio nulo (kernel), 257 Espacio (subespacio) del vector cero, 160 Espacio de renglones, 187 Espacios vectoriales complejos, 158, 304 Espacios vectoriales de dimensin finita, 181182 Espacios vectoriales de dimensin infinita, 181 Espacios vectoriales generales, 156-163 Estrictamente dominante en la diagonal, 373374 Expansin (o compresin), 270-271
F
INDICE
Imagen, de un vector, 247 Inversa(s), de una matriz, 53-57 de una matriz de 2 x 2, 275 operaciones, 61 Inversin en Wla permutacin, 78-79 Inverso aditivo, vase Negativo de un vector Iteraciones, 371
J
Jacob~ iteracin de. 369 lordan, Camille, 29
Lagrange, identidad de, 134-135 Legendre, polinomios de, 221 Ley conm utativa, para la adicin, 50 para la multiplicacin, 50 Ley de cancelacin, 52- 5 3 Ley distributiva, 50 Leyes asociativas, 50 Un, 170 Logitud de un vector, 120-126,203 Longitud euclidiana, 154
M
Forma cuadrtica, 343-360 matriz de una, 347 Forma cuadrtica asociada, 309, 354 Forma escalonada en los renglo nes, 26 Forma escalonada en lo s renglones reducida, 26, 27 Forma general de un plano, 144 Fourier, coeficientes de, 341 Fourier, Jean Baptiste Joseph, 341 Fourier, series de, 339-342 Fredholm, teorema altern'ativ o de, 29,9
G Ga uss, Carl Freidrieh, 29 Gaus~Jordan, eliminacin de, 29-30 Gauss-Seidel, iteracin de, 371-376 Generacin, 167 Gram, J otgen Pederson, 216 . GranrSchmidt, proceso de, 216 H
Hiprbola, 344 Hiperboloide, de un manto, 355 de dos mantos, 355
Mantisa, 363 Matrices ig uales, 43 Matrices ortogonalmente semejantes, 324 Matrices semejantes, 291-296 MatriZ acompaante, 327 Matriz antisimtrica, 97 Matriz aumentada, 22- 23 Matriz cero, 52-53 Matriz cuadrada, 84, 90-97 Matriz de coeficientes, 47 Matriz de transicin, 229 Matriz diagonal, 295-296 Ma tri z diagonal superior, 84 Matriz diagonalizablc, 309-318 Matriz elemental, 60- 67 . Matriz estndar, 266-268 Matriz identidad, 53 Matriz inversiblc, 53-57, 275 Matriz (matrices), aumentada, 22-23 acompaante, 327 an tisim trica, 97 cero, 52-53 columnas de una, 42 de coeficientes, 47 de coordenadas, 224 definicin, 22, 42 de los cofactores, 102 de una forma c uadrtica, 347 de una transformacin lineal, 284-291 diagonal, 295-296 diagonalizablc, 310 diagonal principal, 43 elemental, 6(H7, 275 elementos de una, 42 eq uivalcntes respecto a Jos renglones, 62
IN DICE
421
forma escalonada en los renglones, 26, 27 forma escalonada en los renglones red ucida, 26, 27 identidad, 53 igualdad de, 43 inversa, 54-57 inversible, 54-57, 275 inversin de una, 63, 64 m wtiplo escalar de Wla, 152, 158 notacin matricial para vectores, 155 orden de una, 43 ortogonal, 234 ortogonalmente diagonizabl e, 318 ortogonalmente semejantes, 324 prod ucto de, 44-45 rango de W1a, 191 rengln de una, 42 semejantes, 292-296 simtrica, 97, 318-327 suma, 44 tamao de una, 42 transformacin, 248- 249 transicin, 229 transp uesta de una, 91 traza de una, 308 triangular, 84-85 triang ular inferior, 84 triangular superior, 84 Matriz ortogonal, 234 Matriz ortogonalmente diagonalizable, 318 Matriz triangular, 84-85 Matriz triangular inferior, 84 Matriz simtrica, 97, 318-326 Menor, 98 Mtodo de iteraciones, 266 Mtodo de la potencia, 375-386 con reduccin a escala, 379 Multiplicacin por A (como una transformacin), definicin, 248- 249 espacio nulo, 257 ncleo (kernel), 256- 25 7 recorrido, 256- 25 7 Mltiplo escalar, 152-157
N
matriz de un, 264 Orden, 43, 339 Origen, 118-119
P
Parbola, 344 Paraboloide elptico, 355 Paraboloide hiperblico, 355 Par ordenado, 151 Perm utacin, 77 Perm utacin impar, 78 Perm utacin par, 79 Pitgoras, teorema generalizado de, 207, 219 Plano, ecuacin general, 144 forma normal puntual, 142 Plano xz, 118 Plano xy, 118 Plano y Z, 118 Polinomio caracterstico, 302 Polinomio mnico, 326 Polinomios normalizados de Lcgendre, 221 Polinom io trigonomtrico, 339 orden de Wl, 339 Posicin estndar, 343, 354-357 Problema con valor inicial, 330 Prod ucto, de una matriz por un escalar, 43 de matrices, 44-45 de matrices inversibles, 54 de un vector por un escalar, 115-116, 152153, 157 Producto elemental, 79-81 Prod ucto elemental con signo, 80, 91 Prod ucto escalar (pW1tO), 126 propiedades del, 130 Producto interior eucl idiano, 126, 153 Productos(s) interior(es), axiomas para el, 197203 espacio de, 197 euclidiano, 153, 197 Producto vectorial (cruz) dc vectores, 133-141 Proyeccin ortogonal, 130, 213, 251 PW1tO inicial, 113 Punto s en R n , 151 Pw1to terminal, 113
R
n-ada ordenada, 151 Nega tivo de Wl vector, 115, 152 Norma de un vector, 122-125, 202 Norma euclidiana, 155 Normal a W1 plano, 142 Normali zacin de W1 vector, 211 Ncleo (kernel), 256-265 N ulidad, de W1a transformacin, 259 Nmcro con p unto flotante normalizado, 363 Nmeros binarios, 363 Nmeros decimales, 363
o
OperacicJJ1es elcmentales sob re los renglones, 23 Operaciones en los renglones, 23 Operac iones estndar sobre R n , 152 Operador lineal, 250
Races latentes, 301 Rango de una matriz, 191 de una transformacin, 259 Raylcigh, cociente de, 378 Rayleigh, John, 378 Recorrido, 257 Recta, ecuacio nes para mtricas de la, 146-147 ecuaciones simtricas de la, 148- 149 Reflexiones , 270 Regla de la mano derecha, 137 Rengln, 42 R m ,265 Rotacin, de ejes, 232-233 de vectore< 241, 24B, 249 Rotaciones, 270
422
INDICE
s
Schmidt, Erhard t, 216 Schwarz, de sigualdad de, vase Cauchy-S chwar z, desig ualdad de Schwarz, Hermann Amand us, 200 Seccin cnica (cnica), 315 degenerada, 316 no degenerada, 316 Seccin cnica degenerada, 343-354 Sistema consistente, 21 Sistema de coordenadas derecho, 11 8- 119 Sistema de coordenadas izq uierdo, 11 8-1 19 Sistema de coordenadas rectang ulares, 118 Sistema de ecuaciones lineales, 20-21 consistente, 2 inconsistente, 21 solucin de un, 20 Sistema flsi co lineal, 70 Sistema homog6neo, 38- 42, 166 Sistema inconsistente, 21 Sistema mal co ndicionado, 368 Sol ucin, de una ecuacin lineal, 20 conjunto, 20 de un sistema, 20-21 espacio, 166 vector, 166 Soluciones no triviales, 38 Solucin trivial, 38 S ubespacio, 163- I 72 S ubcspacio cero, I 63 S uma, de matrices, 43 de vectores, 114, 15 2, 157 S uperficie cuadrtica, 355 Sustitucin hacia ~trs, 33 Sustraccin, de matrices, 44 de vector es, 115, 151
T
Terna ordenada, 151 Transfrmacin cero, 250- 251 Transformaciones linea les en el plano, 268 Transformacin identidad, 250, 271 Transform aci n inversa, 276 Transformacin linea~ 247-299 matri z de una, 284- 292 Transformacin ortogonal de coo rdenadas, 235237 Transp uesta, 91 propiedades de la, 91 Traza de una matriz, 309
u
Uno principa~ 28 Uso de un pivote, 364
v
Valores caracter lsticos, 301 Valores propios, 301 Variables principales, 28 Vector, 113-130 cero, 115-116, 157 de coordenadas, 222- 245 longitud de un, vase Norma de un vector norma de un, 123-125 Vector cero, 114-120, 157 Vectores (co n j unto de) linealmente dependientes, 172 Vectores (conj unto de) linealmente independiente s, 172 Vectores eq uivalentcs, 113 Vectores geomtricos. 113-123 Vec tores iguales, 114 Vectores ortogonales, 126. 200 Vectores rengln, 187 Vectores lU1itarios estndar, 135-136 Vectori al, espacio, 151 -245 axiomas, 157 de dimensin finita. 181 de dimensin infinita, 181 dimensin de un, 183-184 subespacio de un, 163-172
Tamao dc lUla matriz, 42 Teorema de dimensin, 260 Teo rema de la mejor aproximacin, 219 Teorema de homogeneidad, 197 Teorema de lo s ejes principales, I,ara R 2, 348 J . para R , 357-358 Teorema de proyeccin, 217- 219 Teorema genera lizado de Pit(goras, 207
w
Wronskiano. 178

Introduccion Al Algebra Lineal Howard Anton

Cargado por

Copyright:

Formatos disponibles

Introduccion Al Algebra Lineal Howard Anton

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introduccion Al Algebra Lineal Howard Anton

Cargado por

Copyright:

Formatos disponibles

s.

Contenido de esta obra:

VERSiN A.UTORIZADA EN ESPAOL DE LA OBRA PUBLICADA EN INGLt:S POR

SUPERIOR DE INGENIERIA MECNICA y DE

TRICA OEL INSTITUTO POllT~CNICO NACIONAL

LA PRESENTACiN Y DISPOSICIN EN CONJUNTO DE

INTRODUCCiN AL LGEBRA LINEAL

DE RECUPERACiN Y ALMACENAMIENTO DE INFORMACIN) , SIN CONSENTIMIENTO POR ESCRITO Del EDITOR.

A Pat ya mis hijos Brian, David y Lauren

CARACTERISTICAS DE LA TERCERA EDICIDN

Gua para el profesor

Clases Clases Clases Clases Clases

CURSO ORIENTADO A LAS APLICACIONES

7 Clases 5 Clases 8 Clases 3 Clases 3 Clases

GUIA PARA EL PROFESOR

Sistemas de ecuaciones lineales y matrices 1 9

1.3 1.4 1.5 1.6 1.7

Int,adtt(m fos mtods numricos del lgebra lineal 363

Rspue'stas Indice' 419

INTRODUCCION A LOS SISTEMAS DE ECUACIONES LINEALES

en donde al, a2, ... , an y b son constantes reales.

SISTEMAS DE ECUACIONES LINEALES Y MATRICES

Ejemplo 2 Encuntrese el conjunto solucin de cada una de las siguientes ecuaciohes:

INTRO!>UCCIO\l,/ A LOS SIS,TI;MAS DE ECUACIONES LINEALES

(al' b l ninguno es cero) (a2' b 2 ninguno es cero)

SISTEMAS DE ECUACIONES LINEALES Y MATRICES

+ Q2X2 + ... + a"x" = b + Q22 X 2 + ... + a 2"x" = b 2

+ a2x2 + a3x3 + a4x4 = b + a22x2 + a 23 x 3 + a 24 x 4 = b 2 + a 32 x 2 + a33 x 3 + a34 x 4 = b 3

+ X 2 + 2X3 = 9 + 4X2 - 3x 3 = 1 + 6x 2 - 5X3 = O

INTROOUCCION A LOS SISTEMAS DE ECUACIONES LINEALES

Smese - 2 veces la primera ecuacin a la segunda para obtener

Smese - 2 veces el primer rengln al segundo para obtener

9 2)' - 7z = -17 3.\ + 6y - 5: = O

Smese - 3 veces la segunda ecuacin a la tercera para obtener

Smese -3 veces el primer rengln al tercero para obtener

DE ,eCUACIONeS LIr,EAJ.E;S Y,MATFlICES

y + 2z? 9 2y- 7z= -17 3y - llz=-27

Multiplquese la segunda ecuacin por 1/2 para obtener

Multiplquese el segundo para obtener

Smese -3 veces la segunda ecuacin a la tercera para obtener

Smese -3 veceS el s,egundo r,englpn ~ para obtener

Multiplquese el tercer rengln obtener

Smese - 1 veces la segunda ecuacin a la primera para obtener

Smese - 1 veces el segundo rengln al primero para obtener

Cllll,ls dl,lla~ sgujentl,ls ~p. {:eu~cionl,ls I~l,laJt1$ en ;X 1 /

(a) 6x - 7y"" 3 (e) -3xI+4x2~'7X3+ ,8x~~5

,lJment~~ pP-, G~J upo !il,l los sjgyjl,lptl,l jstl,lma d~ {:~Pl! a

fIaJle ,\;ln i~temlJ 4e eCjl!l,:iQn~~ Unl,lall,ls qjle ~prrl,lsp.pnd

9!l!ia !llll! <!$; las

I,ll sistema de I,lcul!<;ionl,l

Analice .1~s posicQnes reJativas de ll!s rectas ax cuando :

SISTEMAS DE ECUACIONES LINEALES Y MATRICES

Las matrices que siguen estn en la forma escalonada en los renglones. 1 4 3 O 1 6 [ O O 1

Solucin parg a).

El ~item c\~ ;guaQjon~s QprrepoQdient~ es

tl!mjl. una inflni.

Aqu ls vlriables prinGipru~~ ~Q!l XII timjno~ de l~ variibles r!l~taJltes d .

't x\ Al despejllf hjs

Solil'cion paro d), La ltima ecuacin

'~'''''' .'_!i .. " t 1"