You are on page 1of 41

Dr.

Miguel Villa
Autores: Israel Balseca Johanna Palma Andres Salazar

MATRICES Una matriz es un arreglo rectangular de m filas por n columnas. A las matrices se les designa por las letras maysculas del alfabeto asi por ejemplo:
Fila (Vector Fila)

(
Columna (Vector Columna)

) mxn
Orden de la matriz

Orden de una Matriz Es el nmero de filas por el nmero de columnas que forma la matriz. Una matriz puede estar definida en diferentes campos, como por ejemplo el campo de los reales o el de los imaginarios. Generalmente se los representa de la siguiente manera:

)
4x5

+
3x5

Algebra de Matrices Se considera las siguientes operaciones: Suma y Resta Producto de un a matriz por un escalar Producto Matricial

Suma Para poder sumar matrices estas deben tener el mismo orden.

( ( ( Propiedades 1. Clausurativa 2. Conmutativa 3. Asociativa

( ) )

4. Existencia de Elemento Neutro 5. Inverso Aditivo

Producto de una Matriz por un Escalar

Propiedades 1. Clausurativa 2. Distributiva 3. Distributiva 4. Asociativa Ejercicio:

( ( ( ) +

( * ( * ( ( *

( * ( * ( *

( * ( * ( *)

Producto Matricial Para poder realizar el producto de dos matrices AxB el numero de columnas de la que ser igual al numero de filas de la .

tiene

Ejercicio: ( ) ( +

( ( )

Propiedades del Producto Matricial 1. A.(B.C)=(A.B).C 2. A.(B+C)= A.B+A.C (B+C).A= B.A+C.A A.B+A.C B.A+C.A 3. A.I= I.A I= Matriz Identidad

Ejercicio: Hallar todas las matrices conmutativas con la siguiente matriz: ( ( ( )( ) ) ) ( ( )( ) )

Se dice que dos matrices son iguales si tienen el mismo orden en la misma posicion.

( (

) )

( (

)( +(

+ )

( (

) )

Matrices Cuadradas Se dice que una matriz es cuadrada si el numero de filas es igual al numero de columnas.

( 1. Matriz Simetrica

) n

Transpuesta de un a Matriz Para obtener la transpuesta de un a matriz se intercambia filas por columnas. Ejemplos: ( ) ( +

( Propiedades 1. 2. 3. 4. Ejemplos: ( +

2. Matriz Antisimetrica ( + ( +

3. Matriz Triangular Superior

4. Matriz Triangular Inferior

5. Matriz Diagonal

6. Matriz Escalar

7. Matriz Identidad Es una matriz escalar con k=1, es la unica conmutativa con cualquier matriz. ( +

Rango de una Matriz Es el numero de columnas o filas que son linealmente independientes, si el rango fila y la columna son iguales simplemente sear rango A. [ ] [ ] [ ]

8. Matriz Nilpotente Cualquier matriz triangular con ceros a lo largo de su diagonal principal es nilpotente. ( )

Tambien existen otras matrices que no tienen ceros pero al elevarlas al cuadrado son cero. Ejemplo: ( ) ( +

9. Matriz Idempotente

Es aquella matriz que si se eleva a un n numero va a seguir siendo la misma por lo que se cumple que: Un ejemplo claro es la matriz nula y la unidad. ( )

10. Matriz Involutiva Es una matriz cuadrada tal que su cuadrado es igual a la matriz unidad. ( ( ) )

11. Matriz Ortogonal Es una matriz cuadrada cuya matriz inversa coincide con su matriz transpuesta. ( ( ) ( ) ( ) ) ( ( ) )

12. Matriz Hermitica Es una matriz cuadrada de elementos complejos que es igual a su propia transpuesta conjugada. ( )

13. Matriz Antihermitica Es una matriz cuadrada cuya transpuesta conjugada es menos la matriz. ( )

Operaciones Elementales de una matriz 1) 2) se puede intercambiar filas 3) se le puede sumar una fila por un escalar. 14. Matrices Equivalentes Se dice que una matriz A es intercambiable con B y de B se obtuvo operaciones. 15. Matriz Escalonada Se dice que una matriz es escalonada cuando el numero de ceros de izquierda a derecha aumenta al pasar de una fila a otra. Despues de los ceros iniciales siempre debera haber un 1. Si existen filas nulas deberan estar al ultimo.

( ) 16. Matriz Escalonada Reducida Es similar a la escalonada pero los uno despues de los ceros iniciales son los unicos distitos de cero en columna.

( ) Rango de una matriz El rango de una matriz es el numero de filas no ulas que se obtiene de una matriz A al llevarle a su equivalente de una matriz escalonada reducida. ( ( + + ( +

) ( )

| | ( )

| | )

Potencia de una Matriz

N veces ( ( ( ( ( ) )( ) )( ) ) )

DETERMINANTES () El determinante de una matriz cuadrada es: | | Metodos para obtener un a) Matrices de orden 2 ( ) ( | | ) | |

| | b) Matriz de orden 3

Metodo de Sarrus Este metodo consiste en aumentar las dos primeras filas en la parte inferios de la matriz o las dos primeras columnas a la derecha. ( + ( )

Su determinante es igual a la suma de las diagonales principales menos las diagonales secundarias. | | Ejemplo: ( + ( )

| | | | | | Metodo Por Menores | | | |

| ( + | | | |

| | | |

Ejemplo: ( )

| | | |

| |

| | | | |

| | | | Propiedades: Donde sea la fila tambien puede ser columna 1. Si una matriz tiene una fila nula su determinante es cero. 2. Si una matriz tiene 2 filas iguales su determinante es cero.

( ( (

) ) )

| | | | | |

3. Si una matriz tiene una fila proporcional a otra su determinante es cero. 4. Si se intercambian 2 filas de una matriz el signo de su determinante cambia.

Ecuaciones Lineales Son de la forma: Donde:

Solucion de una ecuacion lineal Es todo conjunto (n-uplas) que toman las variables y se mantiene la igualdad. Sistema de ecuaciones lineales

( ) Se dice que se tiene m ecuaciones y n incognitas. Representacion maticial.

( ) Metodos de Resolucion de un Sistema de Ecuaciones Lineales a) Metodo de Gauss Consiste en pasa la matriz aumentada del sistema a su forma escalonada. | |

( (

) | )

( ) ( |

( ) ) ( | +

Una vez obtenida la matriz escalonada se obtiene el sistema escalonado.

Una vez obtenido el sistema la solucion se encuentra de abajo hacia arriba.

b) Metodo de Gauss-Jordan Consiste en llevar la matriz aumentada del sistema a su forma escalonada reducida. | | ( | + ( | *

c) Metodo de Crammer Se aplica unicamente cuando el numero de ecuaciones es igual al numero de incognitas.

Ejemplo: ( | ( ) | ,

( )

,( )

( )

Propiedades de la Matriz Inversa

| | | | Ejemplo: |

| |

| | | | | | ( | * | | | |

Analisis Mediante Gauss Si en el proceso de llevar la matriz aumentada a su forma escalonada o escalonada reducida alguna fila queda: | El sistema no tiene solucion.

Si al escribir el sistema escalonado nos queda ms incognitas que ecuaciones el sistema tiene infinitas soluciones en este caso se debera encontrar la solucion general y dos especificas. Si al escribir el sistema escalonado el umero de ecuaciones es igual al numero de incognitas y se lo encuentra de abajo hacia arriba. Nota: Si existen filas nulasd se refiere a que existe ecuaciones rebundantes se las pasa al ultimo y se sigue con el proceso.

( | | | |

| | | | ,

| | | |

ANLISIS POR DETERMINANTES Para encontrar cualquier variable se puede presentar los siguientes casos:

Del siguiente sistema de ecuaciones encontrar a) nica solucin b) Infinitas soluciones c) No tiene solucin

[ [

] ]

ESTRUCTURAS ALGEBRAICAS Tambin son conocidas como sistemas algebraicos siendo una n dupla (a1, a2an) donde a1 es un conjunto dado no vaco y (a1, a2am) es un conjunto de operaciones aplicables a los elementos de dicho conjunto.

ESPACIOS VECTORIALES Sea V un conjunto deonde tenemos definido una ley u operacin interna que designaremos por x V V. Sea K un cuerpo (conmutativo) y sea, por ultimo, una operacin externo que designemos por . K * V V. Diremos que (V. +.) tiene estructura de espacio vectorial sobre el cuerpo K, o simplemente que (V,+.) es n K-espacio vectorial cuando se verifiquen las condiciones sguientes: Asociativa Existencia de elemento neutro Existencia de elemento simtrico Conmutativa.

Los espacios vectoriales es una estructura algebraica que cumple operaciones sea V un conjunto de elementos (vectores), definidos sobre un campo <K, +>, con las operaciones <U,+,> de la suma y el producto por escalar. Ser dice que V es un espacio vectorial si cumple: Ley composicion interna Ley composicion externa Sean u, v, w U y , R 1. u + v U 2. u +( v+ w) =(u+v)+w 3. u + 0 = u 4. U+(-u)= 0 5. U+v=v+u 6. u U 7. ( u+v)= u + v 8. ( + ) u = u + u 9. ( ) u= ( u) 10. 1. u= u clausurativa asociativa elemento neutro inverso aditivo Conmutativo

A los elementos de un espacio vectorial se los conoce como vectores . Ejm: Demostrar si el siguiente conjunto es un espacio vectorial R2={ (X,Y)/X,Y R}

[ [ [ [( ] [ ] ] ] ]

[ ]

11. ( ) u= ( u)

( + ) u = u + u

SUBESPACIOS VECTORIALES Sea W un conjunto de vectores y W es un subconjunto propio de V, donde V es un EV W es subespacio vectorial si: 1.-WO 2.- W v 3.- W tiene que ser E.V Demostrar que es un subespacio vectorial W={(x,y)R2 / y= 2x }

1)

( (

) ( )

2)

Demostrar: S={(x,y,z)R3 / X=|Y+Z|}

COMBINACIONES LINEALES Sean V1, V2, ,Vn V ; <V; |K, +> V= 1V1 + 2V2 ++nVn EJEMPLO: Determinar si el siguiente polinomio pertenece al conjunto

Determine si es combinacin lineal de : V=(1, 2 , 1) T={(-1,2,1);(1,1,2);(1,2,3)}

DEPENDENCIA E INDEPENDENCIA LINEAL

Sea { V1, V2, ,Vn } V Se dice que el conjunto es linealmente independiente si al resolver la ecuacin homognea se tiene como nico resultado una ecuacin trivial (=0).

Soluciones triviales

Dependiente 0; infinitas soluciones. Ejm:

[ Determinar si es L.D o L.I [

Si es L.D o L.I encontrar su relacin de dependencia

[ [

] ]

BASE Y DIMENSIN DE UN ESPACIO VECTORIAL

Para que un conjunto pueda ser considerado la base de un espacio vectorial, debe cumplir 2 condiciones: El conjunto tiene que ser linealmente independiente y como una nica solucin una trivial. Ese conjunto debe generar la solucin.

Ejm: Determinar si el siguiente conjunto es una base de S={1+x;1+ } T={(1,1),(0,2)} (1,1)+(0,2)=(0,0) ( | ( |= 2 * ( * )

(1,1)+(0,2)=(x,y) Genera todos los puntos del espacio porque no tiene capsula. Dimensin La dimensin de un espacio vectorial es el nmero de elementos de la base Dim(T)=2 Para obtener la base de un subespacio vectorial de parte de la ecuacin dada o la capsula. Siempre la dimensin de un subespacio tiene que ser menor a la del espacio que lo contiene. (8,3)=(1,-1)+(0,2) ( ) =8; =11/2 W={(x,y) =0} y-2x=0 y=2x (x,y) (x,2x) Bw={(1,2)} Determinar la base y dimensin de: W={( ( ( ( B={( Dim(T)=3 ) ) )+ ( ); ( ) + ( ) ;( ) )} ) /| | }

2a-b=0; 2a=b; a=b/2

OPERACIONES VECTORIALES INTERSECCION DE SUBESPACIOSVECTRIALES (N) Sean S y T subespacios vectoriales de V. Se denomina interseccin de subespacio vectorial (S y T) al conjunto de todos los vectores que pertenecen simultneamente tanto del subespacio S y T si la interseccin de S y T da como nico elemento el elemento neutro, entonces se dice que S y T son disjuntos. El subespacio interseccin de varios subespacios es el ms amplio de todos los subespacios contenidos en ellos. Si SnT={0} S={(x,y) y=2x} y-2x=0 T={(x,y) y=1/3 x} y-1/3x=0 SnT={0} Encontrar la interseccin de los siguientes conjuntos S={(x,y,z) x-y+z=0} T={(x,y,z) x+2y-3z=0} x-y+z=0 x+2y-3z=0 ( x-y+z=0 3y-4z=0 y=4z/3 + ( +

x-4z/3+z=0 (x,y,z) x=2/3 R=(2/3;4z/3;z) BSnT<1,4,3>

UNION DE SUBESPACIOS Sean S y T subespacios de V. La unin de dos subespacios esta definida por la totalidad de los elementos de S y T. La unin de dos subespacios no necesariamente da otro subespacio. SuT=u+v S={(1,2); (0,0).(2,4)} S={(1,1/3); (0,0).(2,2/3)} Suma y Suma directa Suma Sean S y T subespacios vectoriales de V, u S y v T S+T={x V/ x=u+v; u S y v T} S+T={x x=u+v..} Suma Directa La suma directa se la puede realizar nicamente si los subespacios son disjuntos .Ejm:

Dados los siguientes conjuntos (subespacios), encontrar la interseccin y la suma, indicar si la suma es directa. S={(1,-1,-1,0,0); (1,-2,-2,0,-3);(1,-1,-2,-2,1)} T={(1,-2,-3,0,-2); (1,-1,-3,2,-4);(1,-1,-2,2,-5)} ( S=2x+2z-y 3v+4w-x-z=0 Teorema.Dim(S+T)=dim(S)+dim(T)-dim(SnT) 5=3+3-1 5=5 w=(2x-y)/2 ESPACIOS EUCLIDEOS Producto interno El producto interno de los define como una operacin entre los elementos del mismo espacio. Para que esta operacin sea considerada como un producto interno debe cumplir los sig axiomas: Sea u,v,w V 1. 2. 3. 4. Axio Conmutativo: <u.v>=<v.u> Axio distributivo: <w.(v+u)>=<w.v>+<w.u> Axio distributivo: <xu.v>=x<u.v> Axio positividad:<u.u>=0 +

Productos internos usuales u=(x1,x2) v=(y1,y2) <u.v>=x1y1+x2y2 Ejemplo: . U=(3,-1) v=(1,5) <u.v>=(3)(1)+(-1)(5) =3-5 =-2 U=(x1,x2) v=(y1,y2) w=(z1,z2) <w.(v+u)>=<w.v>+<w.u> =(z1,z2)[(x1,x2)+(y1,y2)] =(z1,z2)(x1+y1,x2+y2) =z1(x1+y1)+z2(x2,y2) =z1x1+z1y1+z2x2+z2y2 =(z1x1+z2x2)+(z1y1+z2y2) =(z1,z2)(x1,x2)+(z1,z2)(y1,y2) =<w.u>+<w.v>

Traza Se obtiene nicamente de matrices cuadradas, es igual a la sumatoria de la diagonal principal Tra(A)=a+d <F,R,+,.> Sean f(x) y g(x) [a,b] <f(x).g(x)>= < ,+,.> <u.v>=uk.vk U=(3-i,2) v=(2+i,1+i) <u.v>=(3-i)(2+i)+2(1+i) =(3-i)(2+i)+2(i+1) =6+3i-2i- +2i+2 =9+3i Norma || || La norma de un vector es la magnitud de un vector. ||u||= A=( ||A||=( ||A||= Propiedades 1. ||u||>0 2. ||u||=|||| ||u|| ; R 3. ||u.v||=||u||+||v|| Distancia entre dos vectores ) )( )

a+d=b d=||b-a||=

||w||= Proyeccin de un vector sobre otro vector Perpendicularidad Dos vectores son perpendiculares si al realizar el producto interno el resultado es cero. Si <u.v>=0 v+P=u v<(v+P)>=<v.u> <v.v>+<v.P>=<v.u> = Ejercicios: U=(1,1) v=(5,-1) ||v-u||= v-u=(5,-1)-(1,1) v-u=(4,-2) ||v-u||= ||v-u||= ||v-u||= Angulo entre dos vectores Sean u y v espacios vectoriales de V

|| |||| || Ejercicio: P(x)= Q(x)=

= 4

-20x+25

|| |||| ||

[ = 134,097 ORTOGONALIDAD Sean u y v espacios vectoriales de V. 1. u y v son ortogonales si <u.v>=0 2. s es ortogonal si cada par de vectores es ortogonal S={u1,u2,u3,.,un} <u1,u2>=0 <u1,u3>=0 . . . <un+1,un>=0 Teorema: Todo conjunto ortogonal es linealmente independiente.

Proceso de Gram Schmidt Sea S={v1,v2,.,vn} donde S es [], entonces existir W={w1,w2,,wn} que sea ortogonal, se lo obtiene: 1. w1=v1 2. wi=vi-

Ejercicios: Si u=(7,4,5) y v=(-3,2,-1); hallar a y b de R w=au+bv<w.v>=0 W=a(7,4,5)+b(-3,2,-1) W=(7 a,4 a,5 a-3 b,2 b, -b) <w.v>=0 (4a -3b, 4a +2b, 5a -b)(-3,2,-1)=0 -21a+9b+8a+4b-5a+b=0 -18a+14b=0 b=18a/14 a=7; b=9 w=(22,46,26) Complemento Ortogonal

Sea v un espacio vectorial definido en un campo con la suma y producto con un producto interno. Sea w un subespacio vectorial de V el conjunto ortogonal a W se le denotara y esta definido por: = {uVi/ W <v.w>=0} Dado el siguiente conjunto encontrar su complemento ortogonal S={(a,b,c) a+2b+c=0} a=-2b-c (a , b, c) (-2b-c, b, c) Bs=(-2,1,0);(-1,0,1) (-2,1,0).(a,b,c)=0 (-1,0,1)(a,b,c)=0 -2a+b=0; -a+c=0 ( ( a-c=0 b-2c=0 b=2c a=c =<(c, 2c, c)> B =<(1, 2, 1)> ( ( | ) | ( ) ( | ) | ) + +

| )

| )

S+T (

DIM=4

PRODUCTO VECTORIAL Este producto esta definido unicamente para Sea u y v . ; (| | | | |

| | |

| | |

|* | |

Al realizar el producto vectorial entre dos vectores siempre nos da otro vector, este es perpendicular a los vectores dados (u, v). Ejemplo: Determinar el producto vectorial entre los siguientes vectores: u= (3, 2,-1) v= (1,-3,4)

(|

| |

|)

(|

| |

|)

PROPIEDADES Sean u, v, w 1.2.3.4.5.-

(|

| |

|)

(|

| |

|)

El modulo al realizar el producto interno de dos vectores tambin esta definido. Sean u y v

CALCULO DEL AREA DE UN PARALELOGRAMO Teorema: v uu

Determinar el rea del paralelogramo que tiene como vrtices los siguientes puntos:

(| | |

| | |)

TRANSFORMACIONES LINEALES Sea v y w espacios vectoriales y F una funcin de v a w, para que esta funcin sea considerada como una transformacin lineal, tiene que cumplir con: v= conjunto de partida w= conjunto de llegada a) b) c) Determinar si se puede considerar una Funcin lineal.

[ [

] ]

Suma Si f(x) y g(x) son dos funciones, entonces la funcin suma est dada por:

Resta Esta dada por: Producto El producto est dado por Cociente El cociente est dado por ( * Compuestas Sean y dos funciones con sus respectivos dominios compuesta con esta dada por: y , entonces la funcin

Sea

Sea

Al conjunto de aplicaciones lineales de v a w se lo representa de la siguiente manera:

PROPIEDADES: 1.2.3.- Sea 4.- Sea una base de v y nica transformacin lineal, tal que:

un conjunto cualquiera de w, existe una

NCLEO E IMAGEN Ncleo Sea F (v, w) Nf ={ v V /f(v)=0 } Imagen Sea F (v, w) Imag F= {w W / v V; f(w)=W } Teorema de Dimensin

dimV=dim NF + dim Img F Dado el siguiente ejercicio encontrar el ncleo e imagen

Teoremas El ncleo de un sistema lineal es un subespacio del conjunto de partida. La imagen de una aplicacin lineal es un subespacio del conjunto de llegada.

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL Cualquier aplicacin lineal se puede representar en una aplicacin lineal donde loa letra de los coeficientes se aplicar con una letra mayscula. Para encontrar una aplicacin lineal se utilizara la base cannica del conjunto de partida F: R3 R3

+( )

( (

) )( )

MATRIZ CAMBIO DE BASE Sea V un de dimensin finita. Sean . Una Matriz [Id], que representa el cambio de base entre tiene que ser cuadrada e inversible | | Determinar la matriz de cambio de base de y de . Determinar las coordenadas del vector respecto a (1,3) si se sabe que las coordenadas son respecto a C

[ ]

[ ] ( )

[ ]

[ ]

[ ] | |

[ ]

,( )

En otra forma: ( *( ) ( )

TEOREMA

Una aplicacin lineal es biyectiva si esta es inyectiva Si una aplicacin lineal es biyectiva esta toma el nombre de isomorfismo. Ejemplo: Determinar si la siguiente aplicacin lineal es isomorfismo. | || |

sobreyectiva.

Si el ncleo es no es isomorfismo. Si el determinante es = 0 no es isomorfismo. POLINOMIOS PROPIOS, VECTORES PROPIOS Y POLINOMIOS CARACTERSTICOS MATRICES SIMILARES Se dice que A es similar a B, si existe una matriz invertible Q tal que cumpla: | | | | | | | | | || | | | | | POLINOMIO CARACTERSTICO para obtener el polinomio caracterstico se A se utiliza: | | | | Ejemplo: | || | | | | | ||

| || |

| | | | ||

AUTO VALORES O VALORES PROPIOS Para determinarlos se debe encontrar las races de los polinomios caractersticos Ejemplo: *

VALORES PROPIOS Cada valor propio se asocia a un vector mediante la siguiente ecuacin homognea. Los vectores propios se obtienen al resolver el sistema anteriormente indicado, todas las respuestas son vlidas excepto las triviales. | | | || | | | || | | ( | )

Est bien si quedan infinitas soluciones

| |

||

|| | |

| )

La definicin de un vector propio parte de la definicin.

| | |

Matrices Similares tienen el mismo polinomio caracterstico. Los valores propios de una matriz simtrica siempre sern reales y los valores propios ortogonales. Sea A una demostrar que sus valores propios siempre sern reales. | | | Se analiza el discriminante y deber ser mayor o igual que cero. DIAGONALIZACIN Se dice que una matriz A cuadrada es diagonizable si es similar a una matriz diagonal A es diagonizable si y solamente si existe una base formada para los auto valores; para este caso se debe considerar: | | | | |

La matriz D es una matriz diagonal y los elementos en su diagonal principal son propios. La matriz Q est formada por los vectores propios en forma de columna. | |

| | | |

||

||

| | APLICACIN | | | |

||

||

||

| | | | |

||

| |

| | | .

Demuestre que un vector caracterstico de A es una vector caracterstico de

You might also like