Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
A=
(2.1)
2
Multiplicacin de matrices: Sea A= aij m ,n (de dimensin mxn) y B= bij n , p (de
dimensin nxp), se define el producto entre matrices, A B A B, como una nueva
matriz C= cij m , p (de dimensin mxp), donde
n
cij a ik bkj
(2.2)
k 1
Ejemplo1:
A=
AB=
a11 a12
a a
21 22
B=
b11 b12
b b
21 22
BA=
Ejemplo 2:
A=
1 0 1
2 i 3
1 0
B= 2 i
3 1
4
0
, AB=
2 1 4 i
11 2i 2 8 3i
Ejemplo 3:
A=
1 2
3 4
B=
3 2
3 0
, entonces
AB=BA
Resulta consistente con las definiciones anteriores, el dividir una matriz en submatrices
menores. Este proceso es conocido como particin de una matriz y resulta muy til en
programacin, especialmente cuando se trabaja con matrices de grandes dimensiones.
Por ejemplo, si partimos simtricamente una matriz cuadrada A de orden tres de la
forma
A=
B11 B12
B21 B22
a31 a32 a33
a1 a12
B1
a 21 a 2
a13
B12
a23
y B22 a33
Si hacemos una particin similar para una matriz cuadrada C de orden tres
C=
D11 D12
D D
21 22
3
4
Se verifica que la suma o diferencia y el producto de ambas matrices puede ser
expresado en funcin de sus submatrices como:
A B=
AB=
(2.3)
A=
a11 a12
a a
21 22
AD=F=
D=
d11 d12
d d
21 22
D=
F=
d11 d12
d d
21 22
= DI DII
= FI FII
6
Matrices hermticas y antihermticas: Si una matriz cuadrada A= a ij m , m satisface
que A= T, entonces se dice que A es hermtica. Si A= - T entonces se dice que A es
antihermtica.
Traza de una matriz: Sea una matriz cuadrada A= a ij m , m , entonces la diagonal
principal de A esta formada por los elementos a ij tales que i=j. Se define como traza
m
a ij
=0 para i j.
i 1
Matriz triangular superior: A es una matriz triangular superior si aij =0 para i<j y
estrictamente triangular superior si a ij =0 para i j.
Matriz triangular inferior: A es una matriz triangular inferior si aij =0 para j>i y
estrictamente triangular inferior si a ij =0 para j i.
Matriz identidad: Se define como matriz identidad(o unitaria), I= a ij m , m = I n ,
aquella matriz que satisface las condiciones que a ii =1 para i=1,,m y aij =0 si i j.
Frecuentemente resulta til la notacin que utiliza la denominada delta de Kronecker:
0 cuando i j
ij
1 cuando i j
(2.4)
(2.5)
Matriz unitaria: Se dice que una matriz A es unitaria si satisface que A A*= A*A=I.
Matriz indempotente: Se dice Se que A es una matriz indempotente si A2=AA=A I.
Matriz nilpotente: Si r>0 es el menor entero que satisface que Ar=0, donde
Ar=AA .. A (r veces), entonces A es nilpotente con ndice r.
3.3
- Para cualquier matriz A, las matrices definidas como A A* y A*A son hermticas y
tr(A A*)=tr(A*A)= aij , donde
2
a ij
a ij a ij
(A+B)T=AT+BT ,
(AB)T=BTAT
(AT)T=A
3.4 Determinantes
Sea una matriz cuadrada A= a ij n ,n , definimos como determinantede orden n a un
nmero asociado a A que indicaremos por det(A)= A aij
(2.6)
a11
det (A)=
a12
a13............ a1n
entonces
............... ...........................
an1 an 2 an3........... ann
a11
a21
an1
M22=
a13
a23
an 3
a1n
a2 n
anm
5 2 0
3 1 2
A=
1 4 2
entonces
A21=(-1)2+1
2 0
4 2
= -M21
A=
entonces
T
A
A
......
A
11 12 1n A11 A21 ...... An1
A A ...... A A A ....... A
12 22
n2
21 22
2n
Adj(A)=
=
......................... .......................
An1 An 2 ...... Ann A1n A2n ......... Ann
Determinante. El valor del determinante de una matriz cuadrada A de orden n, se define
como la suma de los productos de los elementos de una fila fila (o columna) cualquiera
de dicha matriz por sus correspondientes cofactores. Esto nos conduce a las
denominadas frmulas de desarrollo de Laplace.
n
det(A)= a kj Akj
k 1
(2.7
k 1
a,b)
para cualquier valor de i o j.
Comentemos algunas propiedades de los determinantes, las que simplifican mucho la
evaluacin de los mismos.
1.- Si todos los elementos de una fila (o columna) son iguales a cero, el determinante
es nulo.
2.- El valor de un determinante no cambiar si se intercambian sus filas y columnas.
Es decir det(A)=det(AT).
3.- det(I)=1
4.- Sea un escalar y A una matriz cuadrada de orden n, entonces det( A)= n
det(A)
5.- El intercambio de dos filas (o dos columnas) cualesquiera cambia el signo de su
determinante.
6.- Si los elementos correspondientes a dos filas (o columnas) son iguales o
proporcionales, el determinante ser nulo.
7.- Si A y B son matrices cuadradas del mismo orden, entonces:
det(AB)=det(A) det(B)
3.5
10
Un caso especial de las frmulas de Laplace es el desarrollo de un determinante por una
cierta fila o columna. El desarrollo por la i-sima fila de una matriz cuadrada A de orden
n, es de acuerdo a (2.7)
n
j 1
j 1
k j
det(A)= ik ( 1) a kj M kj = ik a kj Akj
(2.8a)
Similarmente si desarrollamos por la j-sima columna
n
det(A)= jk (1)
i 1
ik
(2.8b)
La comprobacin de las propiedades 1 a 4 es una cuestin sencilla a partir de (2.8a) o
(2.8b)
Para comprobar la propiedad 5 procederemos inductivamente:
i)
Las columnas que se permutan son consecutivas (la k-sima con la (k+1)sima) columna
j= 1 2 k
k+1 n
j=
2 k
k+1 n
A=
......................................
A=
......................................
Sea
(2.9)
Desarrollando A por la k-sima columna (2.8b)
n
i 1
i 1
i 1
ik
ik
det(A)= jk (1) a ij M ij (1) a ik M ik a ik Aik
(2.10)
Desarrollando A por la (k+1)-sima columna
n
det(A)= j ( k 1) ( 1)
i 1
i k 1
(2.11)
para cualquier valor de i, cada k en las sumatorias (2.10) y (2.11) verifica que:
( 1) i k aik M ik ( 1)(1) i k a i ( k 1) M ' i ( k 1)
11
Por lo tanto
det(A)= - det(A)
ii) Suponemos vlida la propiedad para permutaciones entre las columnas k-sima y
(k+h)-sima (columnas separadas h lugares), es decir que se verifica que det(A)= det(A).
...
a21 a22 ...a2k a2(k 1) ... a2(k h) a2(k h1) .... a2n
det
................................................................
an1 an2 ...ank .... an(k 1) ... an(k h) an(k h1) ..... ann
...
a21 a22 ...a2(k 1) a2k ... a2(k h) a2(k h1) .... a2n
(-1) det
................................................................
an1 an2 ...an(k 1) .... ank ... an(k h) an(k h1) ..... ann
11
12
...
a21 a22 ...a2(k 1) a2(k h1) ... a2(k h) a2k .... a2n
det
................................................................
an1 an2 ... an(k 1) .... an(k h1) ... an(k h) ank ..... ann
por (ii) (se permutaron dos columnas separadas por h posiciones, indicadas con
...
a21 a22 ...a2(k h1) a2(k 1) ... a2(k h) a2k .... a2n
= (-1) det
................................................................
an1 an2 ... an(k h1) .... an(k 1) ... an(k h) ank ..... ann
Por (i) (se permutaron dos columnas consecutivas, indicadas con ), quedando
demostrado iii).
La propiedad 5 se obtiene como una consecuencia de la propiedad 4
El resto de las propiedades de demuestran fcilmente y quedan como ejercicio para el
lector.
Si en (2.7 a) reemplazamos a ik por a rk , el resultado a rk Aik debe ser el
determinante de una nueva matriz, donde los elementos de la fila i estn reemplazados
por los elementos correspondientes a la fila r. Por consiguiente debe anularse si i r
por la propiedad 7. Se obtienen un resultado similar si reemplazamos a rj por a ks en
(2.7 b) cuando s j . De esta forma adems de (2,7 a,b) tendremos las relaciones:
n
a
k 1
rk
Aik 0 ( r i )
a
k 1
ks
Akj 0
(s j)
(2.12
a,b)
2.7 La matriz inversa
Definiremos en primer lugar Demostraremos que una matriz cuadrada tiene inversa si y
slo si su determinante es distinto de cero.
Sea A una matriz cuadrada de orden n la que suponemos que posee inversa. Entonces
existe una cierta matriz B, tal que
12
13
AB=BA=I
(2.13)
Entonces
det( AB)= det(BA) =det( I )
Segn las propiedades 6 y 1
det(A) det(B)= det(B) det(A)= 1
(2.14)
En consecuencia det(A) 0, pues en caso contrario su producto con det(B) sera nulo y
no igual a 1.
Previamente necesitaremos probar una propiedad del deteminante:
9- Cualquiera sea la matriz cuadrada A, de orden n, se verifica que:
A Adj(A)=Adj(A) A=det(A) I
(2.15)
j 1
a1 j A1 j
a2 j A1 j
= j 1
j 1
anj A1 j
j 1
j 1
a1 j A2 j . a1 j Anj
a
2j 2j
2 j nj
n
n
j 1
j 1
13
14
A 0 0
= 0 A 0
0 0 A
por la propiedad 8
1 0 0
0 1 0
= det(A) I
A
0 0 1
(2.16)
Si una matriz no tiene inversa se dice que es una matriz singular. Una matriz A tiene
inversa, si y slo si det(A) 0. En forma equivalente, una matriz A es no-singular, si y
slo si det(A) 0.
En particular si A y B son dos matrices no singulares se verifica que su producto es
tambin no singular.
Si
(2.17)
14
15
(2.18)
A= a a a a =
r1 r 2
rr rs
ars
AT A=I
(2.19)
15
16
a1
A= a
2
a3
b1
B= b
2
b3
(2.20)
A=
a1
a
2
an
(2.22)
Definimos el cuadrado de la longitud de A como el producto escalar ATA. Es decir
long2(A)= a12 a 22 a n2
(2.23)
(2.24)
donde
significa el valor absoluto.
Es decir que la magnitud del producto escalar entre A y B no es mayor que el producto
de las longitudes de A y B.
16
17
De forma anloga al caso del anlisis vectorial obtenemos que
cos
AT B
( A A) ( B T B )1 / 2
T
( )
1/ 2
(2.24)
cos H
( A B ) ( B A)
T
( H )
2( A A)1 / 2 ( B B )1 / 2
(2.25)
(2.26)
Es decir c1 , c 2 c k 0
Definamos en lgebra un espacio vectorial R n (de vectores reales de dimensin n), al
conjunto de vectores de la forma (2.21) que satisfacen los siguientes axiomas:
1.- Existe una operacin (+) sobre los vectores tal que si A y B R n entonces
A+B=B+A=C R n.
A+B=
a1
a
2
b1
b
2
an
bn
17
a1 b1
a b
2 2
=B+A=C
a n bn
18
0
0
0=
0
A=
a1
a
2
a1
a
2
Adems
a) ( A)=( )A
c) (A+B)= A+
an
an
b) 1 A= A
d) ( )A= A+ A
3 0 3
A
6 0 1
1
A B , sabiendo que
3
1 1 0
B
2 0 2
18
19
sabiendo que X B I
1 1 1
C 0 1 0
3 1 2
1 1
D 0 0
2 2
Calcular: c.1) C 2
c.2) CD
c.3) C T D T
c.3) (C T I )(C I )
1.d) Resolver la ecuacin E 2 X 2 I , donde todas son matrices de dimensiones 2x2 y
i 1
E
1 i
1.f)
0 i
A
i 0
1.g)
Demostra que si A R
IA=AI=I
1.h)
nxn
es hermtica
19
20
1.i) Utilizar la definicin del desarrollo de un determinante por filas o columnas (2.8
a,b) para evaluar el determinante de
a1 a12
A
a21 a2
3 2 2
B 1 2 3
4 1 2
1 0 2
=0
det 0
0
2 0 4
1,k) Sea la matriz
0 3
A 2 0
2 1
4
3
1 0
A
a 1
1,n)
a 0
B
0 b
con a 0 y b 0
20
21
3 2
A 2 1
1 2
1
3
1
B 0
3
1 1 1
det x y z (x y)( y z)(z x)
yz xz xy
cos sen
A
sen cos
1.p)
Verificar que
1,q)
1
1
A=
1
1
21
1
0
B=
0
1
22
De finimos un sistema de m ecuaciones lineales con n incgnitas ( x1 , x 2 , , x n ) en
la forma
(2.27)
a m1 x1 am 2 x 2 a mn x n c m
x1 c1
a a ....... a
a a ....... a x c
2 2
a a ....... a
xn c n
11 12
1n
21
22
2n
m1
m2
(2.28)
mn
a
k 1
ik
x k ci
k 1
ik
x k ci
(2.29)
(i 1, 2, , m)
(2.30 a)
(2.30
b)
Es comn encontrar en la bibliografa estas ecuaciones escritas utilizando la convencin
de Einstein, la cual implica que la sumatoria se realiza sobre los subndices repetidos sin
necesidad de utilizar el smbolo . Por ejemplo en esta convencin la (2.30 a) toma
una forma ms simple
a ik x k ci
( k 1, , n ; i 1, , m)
(2.30
a)
22
23
'
dnde a12
(2.31)
a
a12
c
, , a1' n 1n y c1' 1
a11
a11
a11
'
'
'
a31 x1 (a12 a31 ) x2 (a1n a31 ) xn c1a31
(2.32)
(2.33)
donde ahora
'
'
a 22
(a 22 a12
a 21 ) , , a 2' n (a 2 n a1' n a 21 ), c 2' c 2 a 21c1'
'
'
a m' 2 ( a m 2 a12
a m1 ) , , a mn
(a mn a1' n a m1 ), c m' c m a m1c1'
23
24
'
0 (en caso contrario reordenamos las ecuaciones o las
Paso 2 Supongamos que a 22
variables para que as sea). Dividimos ambos miembros de la segunda ecuacin del
'
sistema (2.33) por a 22
, de forma tal que esta ecuacin adquiere la forma
'
a 23
'
a 22
"
a2
n
'
a2
'
a2
'
c2
'
a 22
"
2
La ecuacin (2.34) quedar como segunda ecuacin del nuevo sistema, pero la
utilizamos como en el Paso 1, para eliminar el coeficiente de x 2 en todas las otras
ecuaciones del sistema (2.33), multiplicando sucesivamente la (2.34) por
'
'
'
a12
, a 32
, a 42
, , a m' 2 y restamos las ecuaciones resultantes respectivamente de la
primera, tercera, cuarta, .. , m-sima ecuaciones de (2.33). El sistema (2.33) se
convierte en
x1
"
a13
"
a 33
x3
"
23
x3
x3
"
m 3
x3
(2.35)
Pasos restantes. Repetimos el proceso k veces hasta terminar, es decir hasta que k=m o
hasta que los coeficientes de todas las variables x1 , x 2 , , x n sean iguales a cero en
todas las ecuaciones siguientes a la k-sima ecuacin. Llamaremos a estas m-k
ecuaciones remanentes, cuando m>k, con el nombre de ecuaciones residuales.
Sin embargo existen dos alternativas con los resultados. En primer lugar puede ocurrir
que, siendo m>k, el miembro de la derecha de una o ms de las ecuaciones residuales
sea distinto de cero y la ecuacin (o ecuaciones) sea por consiguiente del tipo 0 c r( k ) ,
con r>k (pero en realidad c r( k ) 0 ). En este caso la suposicin previa que existe
solucin del sistema (2.27) es contradictoria y, por consiguiente no existe solucin. Se
dice que en este caso el sistema (2.27) es incompatible.
En el caso contrario, es decir que los trminos independientes de las ecuaciones
residuales sean nulos, no existe contradiccin alguna y el sistema (2.27) se reduce de m
ecuaciones a un sistema de k ecuaciones que, despus de efectuar alguna transposicin,
se puede escribir en la forma
24
25
x1 1 11 xk 1 1( n k ) x n
x2 2 21 x k 1 2( n k ) x n
(2.36)
x x
k ( nk ) xn
k k k1 k 1
donde las y las son constantes relacionadas con los coeficientes de (2.27). Como
cada unos de los pasos utilizados para reducir el sistema (2.27) al (2.36) es reversible,
se concluye que ambos sistemas son equivalentes, en el sentido que cada uno de ellos
implica al otro. En consecuencia, en este caso la solucin ms general de (2.27) expresa
cada una de las k variables x1 , x 2 , , x k como una constante ms una combinacin
lineal especfica de las restantes n-k variables, cada una de las cuales pueden tener
valores arbitrarios.
En particular, cuando k=n se obtiene una solucin nica. En caso contrario decimos que
existe una familia de n-k parmetros como soluciones. Al nmero de ecuaciones
residuales (n-k) se lo denomina defecto del sistema (2.27). Obsrvese que si el sistema
(2.27) es compatible y k <m, se pueden omitir m-k ecuaciones (aquellas que
corresponden a las ecuaciones residuales), las cuales deben estar implcitas en la
restantes k ecuaciones.
Ejemplo:
Ilustraremos la reduccin de Gauss-Jordan considerando el sistema de cuatro ecuaciones
simultneas siguiente:
x1 2 x 2 x3 2 x4 1
2x x x x 4
1 2 3 4
x1 x2 2 x3 x4 5
x1 3x2 2 x3 3x 4 3
ecuacin.1
ecuacin.2
ecuacin.3
(2.37)
ecuacin 4
3
x1 x3
x x x 2
2
3
4
0 0
(2.38)
0 0
25
26
x1 3 1 0
x
2 2 1 1
1 CC 2
x3 0 1 0
x 4 0 0 1
(2.39 b)
5
3
1
(ecuacin 1).
3
27
Sea el sistema dado por la (2.29)
A X=C
Como A es no-singular, premultiplicamos por su inversa
(2.40)
A=( A1 A2 An )
donde cada
Ak
a1k
a
2k
ank
columnas de R n
C= xi Ai
con
i 1
xi R n
entonces
det A1 A 2 C An
xj
det( A)
columna j.
En efecto:
n
det( A1 A2 C An )=det( A1 A2 xi Ai An )=
i 1
= x1 det( A1 A2 A1 An )+ x 2 det( A1 A2 A2 An )+
+ x j det( A1 A2 A j An )++ x n det( A1 A2 An An )= x j det(A)
Por la propiedad 5 el nico trmino distinto de cero es el correspondiente a x j .
Luego
det A1 A 2 C An
xj
det( A)
27
28
a m1 x1 am 2 x 2 a mn x n c m
(2.27)
x1 c1
a a ....... a
a a ....... a x c
2 2
a a ....... a
xn c n
11 12
1n
21
22
2n
m1
m2
mn
28
(2.28)
29
En notacin matricial en la forma (2.29)
A X=C
(1.29)
De esta forma podemos interpretar cada una de las ecuaciones (2.27) como el producto
escalar de dos vectores
donde es un escalar
A=
(2.41 a)
E1=
e1
e
2
en
a m1e1 am 2 e2 amn (en en ) 0
(2.41 b)
tenga soluciones no trivales. Los valores de para los cuales el sistema (2.32 a o b)
tiene soluciones no triviales se denominan autovalores o valores caractersticos de la
matriz A. En muchos de ls casos que se presentan en la prctica, la matriz A es real y
simtrica, de manera tal que
a ij a ji
(2.42)
O en una forma ms general, cuando los coeficientes de A son complejos los casos ms
importantes son aquellos en que los elementos simtricos, respecto a la diagonal
principal, son complejos conjugados. Es decir que A es una matriz hermtica
a ij a ji
(2.43)
Nos limitaremos al estudio del caso de matrices reales.
La ecuacin (2.41 b) tendr soluciones no triviales si y slo si
29
30
a n1 an2 ann
(2.44)
que no es otra cosa que una ecuacin polinmica de grado n para la incgnita . A
cada autovalor le corresponder una solucin X 0 , es decir una solucin no trivial, que
se denominar autovector o vector caracterstico. La ecuacin (2.44) tambin puede
escribirse en la forma
det(A- I )=0
(2.44
a)
y se la denomina ecuacin caracterstica. Las n soluciones, 1 , 2 , , n no
necesariamente deben ser todas diferentes.
Sean 1 y 2 , dos autovalores diferentes de la matriz A y E1 y E2 los autovectores
respectivos. En consecuencia se satisface el siguiente par de ecuaciones
A E1= 1 E1
(2.45 a)
A E2= 2 E2
(2.45 b)
con ( 1 2 )
Si postmultplicamos la transpuesta de (2.44 a) por E2 obtenemos
(A E1)TE2= 1 ( E1)T E2
(2.46)
(2.47)
(2.48)
Como en el caso de una matriz simtrica AT=A, el resultado de restar (2.47) de (2.48)
es:
( 2 1 ) (E1)T E2=0
(2.49)
Dado que habamos supuesto que 1 2 , se concluye que E1 y E2 son ortogonales.
Dos autovectores de una matriz simtrica y real que corresponden a autovalores
diferentes son ortogonales.
30
31
Un segundo resultado muy importante es que los autovalores de una matriz real y
simtrica son siempre reales. Para demostrarlo supondremos que 1 i (con
A E1= 1 E1
y, por consiguiente el conjugado de dicha ecuacin es:
A E 1 1 E 1
Pues A es real y el conjugado del producto es el producto de los conjugados. Si
premultiplicamos la primera ecuacin por ( E 1 ) T y postmultiplicamos la traspuesta de
la segunda ecuacin por X1, obtendremos
( 1 1 ) ( E 1 ) T E1 = ( E 1 ) T A E1 -(A E 1 ) T E1 =0
(2.50)
Dado que el producto ( E 1 ) T E1 es una cantidad positiva ( long 2 (E1)), se deduce que (
1 1 )= 2i debe ser nulo, en consecuencia 0 . Es decir que 1 R. Todos los
autovalores de una matriz simtrica y real son reales. Es sencillo comprobar a partir de
este resultado que todos los autovectores de una matriz real y simtrica tambin son
reales.
2.14 Reduccin de una matriz a su forma diagonal
Una expresin de segundo grado de la forma
2
2
2
Z a11 x1 a 22 x 2 a nn x n 2a12 x1 x 2 2a13 x1 x3 2a ( n 1) n x n 1 x n
(2.51)
Se denomina una forma cuadrtica de x1 , x 2 , , x n . Supondremos que a ij y xi
R. Geomtricamente en un espacio R2 la ecuacin Z=constante representa una curva d
segundo grado (cnica) con centro en el origen, mientras que en R3 Z=constante
representa una superficie cudrica con centro en el origen. Muchos problemas en que
intervienen estas ecuaciones estn ntimamente relacionados con sistemas de ecuaciones
lineales.
Observemos en primer lugar que si escribimos
yi
1 Z
2 xi
(i 1, 2 , , n)
obtendremos el sistema
a m1 x1 a m 2 x2 a mn xn y m
(2.52)
(2.53)
31
32
donde es una matriz real y simtrica Z ( z ij z ji ), y
X=
x1
x
2
Y=
xn
(2.54)
Es sencillo apreciar que la forma cuadrtica (2.50) es equivalente a la relacin
Z XTY
(2.55)
En consecuencia podemos escribir la (2.50) en la forma
Z XT Z X
(2.56)
(2.58)
Z= (X)TZ X
(2.59)
o
donde la nueva matriz Z est definida por la relacin
Z=QT Z Q
(2.60)
33
normalizados de forma tal que long 2 (E1)=1). Entonces podemos escribir las siguientes
relaciones
A E1= 1 E1 ,
A E2= 2 E2 , , A En = n En
(2.61)
Formamos una matriz Q donde los autovectores representan columnas de dicha matriz
E1 E 2 E n
Q=[E1 E2 . En]=
(2.62)
AQ=
(2.63)
1 0 0
AQ=Q . 0 0
2
n
(2.64)
Esta ltima relacin se deduce en forma directa con slo observar que el producto de A
por la k-sima columna de Q es la k-sima columna del miembro de la derecha de
(2.63). Como los vectores E1 E2 . En son linealmente independientes, es evidente que
det(Q) 0 . Por consiguiente existir inversa, Q-1, y premultiplicando ambos miembros
en (2.64) por Q-1 obtendremos
33
34
1 0 0
Q A Q= 0 0 =
2
n
-1
ij
(i 1, 2 , , n)
(2.65)
p ij eki ekj
(2.67)
k 1
donde
e1 j
e2 j
E=
enj
j
(2.70)
a la forma:
A=(X)TA X
donde
34
A= i ij
35
es decir, a la forma:
A= 1 ( x1' ) 2 2 ( x 2' ) 2 n ( x n' ) 2
donde los nmeros i son los autovalores de la matriz A.
(2.71)
Kernel(A) or Null(A) = x R : A x 0
(2.72)
donde 0 representa el vector nulo con m componentes (que por simplicidad notaremos
como 0 ). El espacio nulo ser un subespacio lineal y Euclideo de dimensiones n-1.
Ax =0
a21 x2 a22 x2 a2 n xn 0
(2.73)
a x a x a a 0
mn n
m1 1 m 2 2
Consideremos la matriz A=
235
4 2 3
35
36
x 0
235
y 0
4 2 3
z 0
Lo anterior puede ser escrito como un sistema homogneo de ecuaciones lineales que
involucran a x, y y z.
2x 3 y 5z 0
4 x 2 y 3z 0
x 0.0625 z
y 1.625 z
0.625
1.625
1
donde
es un escalar
El espacio nulo de A es precisamente una recta que pasa por el origen en R3.
2.15.1 Propiedades del espacio nulo
Hemos mencionado que el espacio nulo de una matriz de dimensiones m n es un
subespacio de R n . Entonces, el subconjunto Null(A) tendr las siguientes propiedades,
propias de un espacio vectorial:
1. Null(A) siempre contendr l vector cero
36
37
2. Si x e y Null ( A) x y Null ( A)
consecuencia A ( x y ) A x A y 0 0 0
= 0 . En
A(b x ) b A x b 0 0
a11 x1 a12 x2 a1 n xn c1
a21 x2 a 22 x2 a2 n xn c2
Ax c
(2.74)
a x a x a a c
mn n
m
m1 1 m 2 2
Si
u y v
A (u v ) A u A v c c 0
(2.75)
puede ser expresad como la suma de una solucin particular de (2.75), digamos v , y un
elemento cualquiera del espacio Null(A). Formalmente decimos que el conjunto de
kernel(T)= v V : T ( v ) 0
(2.76)
Si representamos la transformacin lineal por una matriz, entonces el kernel de la
transformacin es precisamente el espacio nulo de la matriz.
Ejercicios:
1.r) Resolver el sistema de ecuaciones
37
38
3x1 2 x2 2 x3 10
x1 2 x2 3x3 1
4x x 2x 3
3
1 2
por el mtodo de Cramer
1.s) Resolver por el mtodo de Cramer
2 x1 5 x2 3x3 3
x1 2 x2 x3 2
7 x 4 x 3x 12
2
3
1
1.t) Para qu valores de k ocurre que el sistema siguiente tiene soluciones triviales?
2 x ky z 0
(k 1) x y 2 z 0
4x y 4z 0
5 7 5
A= 0 4 1
2 8 3
1.v) a) Encontrar los autovectores que correspondan a los autovalores de la matriz A del
problema (1.u)
b) Determinar un conjunto de autovectores unitarios.
1.w) Encontrar los autovalores y autovectores de la matriz
A=
cos sen
sen cos
Bibliografa recomendada
38
39
Arfken G.: Mathematical methods for physicists, Academia Press, New Cork, 1970, 815
pp.
Byron F. W. and R. W. Fuller: Mathematical of classical and quantum physics, Vol. I,
Addison-Wesley Publishing Co., Reading, 1969, 310 pp.
Cotlar M. y C. R de Sadosky: Introduccin al Algebra, Editorial Universitaria de
Buenos Aires, Buenos Aires , 1962, 216 pg.
Hildebrand F. B.: Mtodos de la matemtica aplicada, Editorial Universitaria de Buenos
Aires, Buenos Aires, 1973, 465 pg.
Pearson C.E.: Handbook of applied mathematiccs, Van Nostrand Rinhold Co., New
York, 1974, 1265 pp.
Rojo A.O.: Algebra II, El Ateneo, Buenos Aires, 1973, 395 pg..
Spiegel M. R. Matemticas superiores para ingenieros y cientficos, Serie de
Compendios Schaum, McGraw Hill, Mxico 1971, 415 pp.
39