Professional Documents
Culture Documents
org
28/02/2008
Álgebra y Geometría Analítica Unidad 1
MATRICES
Definición: una matriz es un arreglo rectangular de símbolos o números encerrados entre corchetes. Los
números del arreglo se denominan elementos y están ubicados en “p” filas y “q” columnas (Antón, 47)
Ejemplos:
⎡a 11 a 12 ..... a 1q ⎤
⎡1⎤ ⎢ ⎥
⎡a b c ⎤
A =⎢ ⎥ B = ⎢⎢0⎥⎥ ⎢
A=⎢
a 21 a 22 ..... a 2q ⎥
[ ]
= a1j
⎣d e f ⎦ ............................. ⎥
⎢⎣0⎥⎦ ⎢ ⎥
⎢⎣a p1 a p 2 .... a pq ⎥⎦
Matriz cuadrada; una matriz es cuadrada si tiene igual número de filas que de columnas.
Ejemplos:
⎡a b c ⎤
⎡1 0⎤
A =⎢ ⎥ B = ⎢⎢d e f ⎥⎥
⎣ 0 1 ⎦ ⎢⎣g h i ⎥⎦
Matriz nula:
⎡0 0 ⎤
Es aquella en que aij=0 para todo i,j . Se simboliza: O = ⎢ ⎥
⎣0 0 ⎦
Matriz diagonal: una matriz cuadrada es diagonal si verifica que aij = 0 para todo i ≠ j.
⎡1 0 0⎤
⎡1 0 ⎤
Ejemplo: A = ⎢⎢0 2 0⎥⎥ B =⎢
⎣ 0 − i ⎥⎦
⎣⎢0 0 0⎦⎥
⎧1 si i = j
Matriz identidad: es aquella matriz cuadrada que verifica que: a ij ⎨
⎩0 si i ≠ j
⎡1 0 0 ⎤
Ejemplo: I = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 1⎥⎦
Matriz transpuesta: si A es cualquier matriz mxn, entonces la transpuesta de A, denotada At, se define como
la matriz nxm que se obtiene al intercambiar las filas y la columnas de A. Es decir, la primera fila de A es la 1º
columna de At, la segunda fila de A es la 2º columna de At, y así sucesivamente. (Antón, 57). O sea que (At)ij
=(A)ji.
Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 1
⎡1 2⎤ ⎡1 3 ⎤
Ejemplo: A = ⎢ ⎥ At = ⎢ ⎥
⎣3 4⎦ ⎣ 2 4⎦
Propiedades:
a) (At)t = A
b) (α.A)t = α.At (α escalar)
c) si A y B son matrices pxq: (A+B)t = At + Bt
d) Si A y B son matrices de orden pxq y qxr respectivamente, entonces: (A.B)t = Bt. At
⎡ 0 1⎤
Ejemplo: A=⎢ ⎥
⎣− 1 0⎦
Matriz triangular: Una matriz cuadrada en la que todos los elementos arriba de la diagonal principal son cero
se denomina triangular inferior, y una matriz cuadrada en la que todos los elementos debajo de la diagonal
principal son cero se denomina triangular superior. Una matriz que es triangular inferior y superior se
denomina triangular. (Antón, 95)
⎡1 2 9 ⎤ ⎡1 0 0 ⎤
⎢ ⎥
Ejemplo: A = ⎢0 0 2⎥ es triangular superior B = ⎢⎢2 3 0⎥⎥ es triangular inferior
⎢⎣0 0 1⎥⎦ ⎢⎣4 - 5 0⎥⎦
Traza de una matriz: se denomina traza de una matriz a la suma de los elementos de su diagonal principal y
n
se escribe tr(A) = ∑a
i =1
ii
Propiedades:
o tr(A+B) = tr(A) + tr(B)
o tr(kA) = k. tr(A)
o tr(At) = tr(A)
o tr(A.B) = tr(B.A)
Prof A. Schilardi 2
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 1
Suma: sean A y B matices del mismo orden, entonces la suma A+B es la matriz obtenida al sumar los
elementos correspondientes de B con los de A . O sea: (A+B)ij = (Aij)+(B)ij = aij + bij
Ejemplo:
⎡1 2⎤ ⎡- 5 4 ⎤ ⎡− 4 6⎤
A=⎢ ⎥ B=⎢ ⎥ A+B = ⎢ ⎥
⎣3 4⎦ ⎣- 8 0⎦ ⎣ − 5 4⎦
Propiedades:
a) A + B = B +A
b) A+(B+C) = (A+B)+C
c) A+O=A
d) A+(-A) = O
Producto por un escalar: Si A es una matriz y c un escalar, el producto c.A es la matriz que se obtiene al
multiplicar cada elemento de A por c. O sea: (c.A)ij = c.(A)ij = c.aij
Propiedades:
a) c(A+B) = cA+cB con c escalar y A y B matrices del mismo orden
b) (c+d)A = cA+dA con c y d escalares
c) (c.d)A = c.(d.A)=(d.c)A con c y d escalares
Producto de matrices: Si A es una matriz pxq y B es una matriz qxr, entonces el producto A.B es la matriz
pxr cuyos elementos se determinan así: “para el elemento ij de A.B multiplicar entre sí los elementos
correspondientes de la fila i de A y la columna j de B y luego sumar los productos.
⎡1 2⎤ ⎡5 6 7 ⎤ ⎡1.5 + 2.8 1.6 + 2.9 1.7 + 2.10 ⎤
Ejemplo: A = ⎢ ⎥ B = ⎢8 9 10⎥ A.B = ⎢3.5 + 4.8 3.6 + 4.9 3.7 + 4.10⎥ =
⎣3 4⎦ ⎣ ⎦ ⎣ ⎦
En forma general:
donde:
Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 1
Propiedades:
a) (A.B).C = A.(B.C)
b) A(B+C) = A.B+A.C
c) (A+B).C = A.C + B.C
Comentario: por la condición que deben cumplir las matrices A y B para que su producto esté definido,
podemos decir que en algunos casos aunque A.B esté definido no necesariamente B.A lo estará. Además,
aunque ambos productos estén definidos, no siempre el resultado de multiplicar A.B es igual que el resultado de
B.A. Por lo tanto podemos decir que “ el producto de matrices no verifica la propiedad conmutativa”. O sea:
A.B ≠ B.A
Operaciones elementales
Existen sólo tres operaciones elementales:
Matrices elementales
Son aquellas matrices que se obtienen mediante una sola operación elemental sobre la matriz identidad.
⎡1 0 3⎤ ⎡1 0 0 ⎤
⎡1 0 ⎤ ⎢ ⎥
Ejemplo: E1 = ⎢ ⎥ E 2 = ⎢0 1 0 ⎥ E 3 = ⎢⎢0 0 1⎥⎥
⎣0 − 2⎦ (-2)F2 ⎢⎣0 0 1⎥⎦ F +·3F ⎢⎣0 1 0⎥⎦ F ↔ F
1 3 2 3
Sea A una matriz mxn y E una matriz elemental de mxm, la multiplicación por izquierda de A por E realiza la
misma operación elemental en las filas de A que la realizada en la identidad para obtener E. Si la operación se
hace por derecha, se opera sobre las columnas.
Matrices equivalentes
Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 1
Definición: Una matriz B es equivalente por filas a A si existe una secuencia finita E1, E2, E3........Ek de
matrices elementales tales que: B = Ek, Ek-1, ......E1.A
Matrices escalonadas
Una matriz está escalonada por filas si satisface:
9 Todas las filas que tienen sólo ceros están en la parte inferior de la matriz
9 Si un renglón no consta completamente de ceros, entonces el primer elemento distinto de cero de la fila
es un uno ( uno principal).
9 En dos filas consecutivas cualesquiera que no conste completamente de ceros, el uno principal del
renglón aparece más a la derecha que el uno principal del renglón anterior.
⎡1 3 4⎤ ⎡1 4 2 ⎤
Ejemplo: A = ⎢⎢0 0 1⎥⎥ B = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 0⎥⎦ ⎢⎣0 0 1⎥⎦
Matriz escalonada reducida: son las matrices escalonadas que tienen ceros por encima y por debajo del
uno principal.
⎡1 0 0 ⎤
Ejemplo: A = ⎢⎢0 1 0⎥⎥
⎢⎣0 0 1⎥⎦
Una matriz A puede llevarse a escalonada o escalonada reducida utilizando operaciones elementales. De esta
manera se obtiene la forma escalonada o escalonada reducida equivalente de A. (Método de Gauss-Jordan)
Rango de una matriz: es la cantidad de filas distintas de cero de la forma escalonada equivalente de una
matriz.
Propiedad
Si una matriz tiene inversa, ésta es única.
Prof A. Schilardi 5
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 1
A.C=I
D(A.C)=DI
(D.A).C = D
I.C = D
C = D luego la inversa es única
1 −1
b) (k.A ) −1 = A con k escalar
k
c)(A-1)-1=A
d) (Am)-1 = (A-1)m
e) (At)-1 = (A-1)t
f) I-1 = I
Cálculo de la inversa
Para encontrar una matriz X=A-1 tal que A.X = I, debemos ampliar la matriz A con la identidad y trabajar de la
siguiente manera:
⎡ 2 − 5⎤ ⎡ 2 -5 M 1 0 ⎤ ⎡1 0 M 3 5⎤
A=⎢ ⎥ [A M I] = ⎢− 1 3 M 0 1 ⎥ → ⎢0 1 M 1 2 ⎥
⎣− 1 3 ⎦ ⎣ ⎦ ⎣ ⎦
Prof A. Schilardi 6
2008
Álgebra y Geometría Analítica Unidad 1
EVALUACIÓN
Si A es una matriz que se obtiene a partir de I5 (identidad de orden 5) permutando las dos primeras filas
y luego multiplicando la última fila por (-3) entonces el rango de A es:
3 ( ) 2( ) 1 ( ) 5( ) NRAC ( )
Si A2 = I, entonces A.(A+B) es igual a:
AB-I ( ) 2I+AB ( ) AB + I ( ) I+B ( ) NRAC ( )
Prof A. Schilardi 7
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 2
DETERMINANTES
A cada matriz cuadrada es posible asociarle un número real llamado determinante. O sea, a cada matriz A
de orden nxn, es posible asociar un escalar det(A).
Producto elemental : un producto elemental de una matriz A de orden nxn se define como cualquier
producto de m elementos de A donde todos los factores pertenecen a filas y columnas distintas.
⎡a a12 ⎤
A = ⎢ 11 ⎥ producto elemental = a 11 .a 22
⎣ 21
a a 22 ⎦
producto elemental = a 12 .a 21
Una permutación del conjunto de enteros {1,2,3....,n} es un arreglo de éstos en algún orden sin omisiones ni
repeticiones. (Antón, 108)
Inversión: ocurre una inversión en una permutación, siempre que un entero mayor precede a un menor.
Se dice que una permutación es impar si el número total de inversiones es impar. En caso contrario, la
permutación es par.
Un producto elemental con signo de A, será el producto a1 j1 .a 2 j2 ....a njn multiplicado por (+1) si {j1;j2;...jn}
es una permutación par, o estará multiplicado por (-1) si {j1;j2;...jn}es una permutación impar.
Definición de determinante
Sea A una matriz cuadrada. La función determinante (det(A) o ⏐A ⏐) se define como la suma de todos los
productos elementales con signo de A.
a11 a12
Ejemplo: det( A) = = a11 .a 22 − a12 .a 21
a 21 a 22
Propiedades
a) det(At) = det(A)
b) si A es una matriz triangular, el det(A) es el producto de los elementos de la diagonal.
c) Si A tiene una fila o columna completa de ceros, entonces det(A) = 0
Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 2
d) Si A es una matriz que tiene dos filas o columnas idénticas, entonces det(A) = 0
e) Si A’ es la matriz que se obtiene de multiplicar a una sola fila o columna de A por una constante k,
entonces det(A’) = k det(A)
f) Si A’ es la matriz que se obtiene de intercambiar dos filas o columnas de A, entonces det(A’) = -
det(A)
g) Si A’ es la matriz que se obtiene de sumarle a una fila o columna de A un múltiplo de otra, entonces
det(A’)=det(A)
h) Si A y B son matrices cuadradas de igual orden, entonces det(A.B)=det(A).det(B)
i) A es inversible ⇔ det(A) ≠ 0
Demostración:
?
⇒) A es inversible ⇒ det( A) ≠ 0
A es invertible ⇒ A.A-1 = I ⇒ Det(A.A-1) = det(I) ⇒ det(A).det(A-1) = 1 ⇒ det(A) ≠ 0
?
⇐ ) det( A) ≠ 0 ⇒ A es inversible
Ek.Ek-1.......E1.A = R ⇒
⇒ det (Ek).det(Ek-1) .......det(E1) .det(A) = det(R) ⇒
⇒ det (R ) ≠ 0
⇒ R no tiene ninguna fila de ceros
⇒ R=I
⇒ A es equivalente por filas a I
⇒ A es inversible
1
j) Si A es invertible : det( A −1 ) =
det( A)
Demostración:
Si A es invertible A.A-1 = I
det(A.A-1) det(I)
det(A).det(A-1) = 1
1
det(A-1) =
det( A)
Menor complementario : Si A es una matriz cuadrada, entonces el menor complementario del elemento
aij (se anota Mij) se define como el determinante de la submatriz que queda después de quitar la i-ésima
fila y la j-ésima columna de A.
El número (-1)i+j Mij se denota Cij y se denomina cofactor del elemento aij.
Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 2
Matriz adjunta: Si A es cualquier matriz cuadrada y Cij es el cofactor de aij, entonces la matriz
Cálculo de la inversa
1
Se A es una matriz invertible: A −1 = . Adj ( A)
det( A)
Prof A. Schilardi 3
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 2
Evaluación
En el siguiente ejercicio una sola es la respuesta correcta. Márquela con una cruz:
a b c g h i
Si d e f = 5 entonces 2d 2e 2f es igual a :
g h i a b c
10 ( ) -10 ( ) -5 ( ) 5( ) NRAC ( )
Sean C y D matrices de 3x3. Completar las siguientes expresiones para que resulten proposiciones
verdaderas.
Det( C-2Ct)= ............................
Det ((-DC) = ............................
Det( 3C-1) =............................
Det(2(CD)-1) = ............................
Det (5(DC)t)= ............................
Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 3
Una ecuación lineal con n incógnitas tiene la forma : a1x1+a2x2+.....+anxn donde los ai son números reales y
a los xi se los denomina incógnitas o variables.
Un sistema de ecuaciones lineales con “n” ecuaciones y “p” incógnitas tiene la forma:
El conjunto de todos los valores que puede tomar x1,x2,x3,.....,xn es el conjunto solución S.
Ejemplo:
⎧ x1 + x 2 = 2
i) ⎨ S={(2;0)}
⎩ x1 − x 2 = 2
⎧ x1 + x 2 = 2
ii) ⎨ S=∅
⎩ x1 + x 2 = 1
⎧ x1 + x 2 = 2
iii) ⎨ S tiene infinitos elementos
⎩− x1 − x 2 = −2
determinado
Tiene
COMPATIBLE
solución
SEL indeterminado
No tiene
INCOMPATIBLE
solución
Prof A. Schilardi 1
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 3
Forma matricial
Matriz de términos
independientes
⎡1 1 ⎤ ⎡ x1 ⎤ ⎡2⎤ ⎡1 1 M 2⎤
i) ⎢ ⎥.⎢ ⎥ = ⎢ ⎥ ⎢1 − 1 M 2⎥ matriz ampliada o aumentada (A’)
⎣1 − 1⎦ ⎣ x 2 ⎦ ⎣2⎦ ⎣ ⎦
Matriz de
Matriz de incógnitas
A.X = B
coeficientes
Sistemas equivalentes:
Dos sistemas de ecuaciones son equivalentes si tienen el mismo conjunto solución. Dos matrices ampliadas
equivalentes corresponden a sistemas de ecuaciones lineales equivalentes.
Teorema de Rouché-Frobenius
Nos permite encontrar el conjunto solución de un sistema buscando un sistema equivalente cuya matriz
aumentada sea ESCALONADA. (Antón, 29)
Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 3
Método de Gauss-Jordan
Nos permite encontrar el conjunto solución de un sistema buscando un sistema equivalente cuya matriz
aumentada sea ESCALONADA REDUCIDA. (Antón, 35)
Teorema:
Si A es una matriz inversible de nxn, entonces para cada matriz B de orden nx1, el sistema A . X = B
tiene exactamente una sola solución y esta es : X = A-1. B
Demostración
A.X=B ⇒ A-1.( AX) = A-1.B ⇒I.X = A-1B ⇒ X = A-1.B
Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 3
Evaluación
En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
⎧ x1 − x 2 + x3 − x 4 = t
El sistema ⎨ es compatible determinado si:
⎩ x 2 − 2 x3 + 3 x 4 = 1
t=0 ( ) t no existe ( ) t = -1 ( ) t ∈R ( ) NRAC ( )
X=I( ) NRAC ( )
Prof A. Schilardi 4
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4
w v = (x1;x2)
v v = x 1 i + x2 j
x2 v = x1 x0 + x2 y0
x1 v y w son representaciones del mismo vector
Suma de vectores
u= (u1;u2)
v = (v1;v2)
u + v = (u1+v1 ; u2+v2 )
Propiedades
u,v ∈ R2 : u + v = v + u
u,v,w ∈ R2 : u + (v+w) = (u+v) +w
0 = ( 0;0) elemento neutro: u+0 = u
Prof A. Schilardi
2008 1
Álgebra y Geometría Analítica Unidad 4
Vectores en R3
u u = (u1 ; u2 ; u3)
u = u12 + u 22 + u 32
distancia euclidiana entre vectores: la distancia entre dos vectores u y v se define como:
d (u, v) = u − v
2
2 2
PQ = u + v − 2 u v cos θ
PQ = v − u
p Q
u v cos θ =
1
2
(
u + v − v−u
2 2 2
)
u 2
v como v−u = ( v1 − u1 ) 2 + ( v 2 − u 2 ) 2 + ( v3 − u 3 ) 2
demostrar que u • v = u1v1 + u 2 v 2 + u 3 v3
Prof A. Schilardi
2008 2
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4
Propiedades:
o u•v=v•u
o u •(v+w) = u • v + u • w
o α (u • v) = (αu) • v α escalar
u•v
Ángulo entre vectores: cosθ =
u.v
Ángulos directores
Sean i, j, k vectores unitarios a lo largo de los ejes positivos de x,y,z de un sistema de coordenadas
rectangulares de un espacio tridimensional. Si v=(a,b,c) es un vector diferente de cero, entonces los ángulos
a, b, g entre v y los vectores i, j, k, respectivamente, se denominan ángulos directores de v.
A los números cos(a), cos (b), cos(g), se los denomina cosenos directores de v.
a
a) cos( a) =
v
b) cos (a) + cos2(b) + cos2(g) = 1
2
x y z
u × v = u1 u2 u3
v1 v2 v3
Prof A. Schilardi
2008 3
Álgebra y Geometría Analítica Unidad 4
Propiedades:
u × v = -(v × u)
u ×(v+w) = u ×v + u ×w
k.(u ×v) = ku × v = u × kv k escalar
u×0= 0
u ×u= 0
u × v = u v − (u • v ) 2
2 2 2
Interpretación geométrica
u×v = u v − ( u . v cosθ ) 2
2 2 2
= u . v (11
−4cos θ)
2 2 2
u 24 3
h
sen 2θ
v u × v = u . v senθ
A = b . h = u v senθ = u × v
Producto mixto:
v
Propiedad:
o (u × v ) • w = u • (v × w)
Prof A. Schilardi
2008 4
Álgebra y Geometría Analítica Unidad 4
R
P(x,y,z)
P0(x0;y0;z0)
P0 P = λv
OP = OP0 + P0 P
OP = ( x0 ; y 0 ; z 0 ) + λ .v
OP = ( x0 ; y 0 ; z 0 ) + λ .(v1 ; v 2 ; v3 )
v
Ecuación vectorial de
la recta
Ecuaciones paramétricas:
OP = ( x0 ; y 0 ; z 0 ) + λ (v1 ; v 2 ; v3 )
( x; y; z ) = ( x0 + λv1 ; y 0 + λv 2 ; z 0 + λv3 )
⎧ x = x0 + λv1
⎪
⎨ y = y 0 + λv 2
⎪ z = z + λv
⎩ 0 3
Ecuaciones simétricas:
x − x0
λ=
v1
y − y0 x − x0 y − y 0 z − z 0
λ= = =
v2 v1 v2 v3
z − z0
λ=
v3
Prof A. Schilardi
2008 5
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4
PLANOS EN R3
OP = OP0 + P0 P
P0 P = λ1v + λ 2 u
P(x;y;z)
P0(x0;y0;z0)
OP = OP0 + λ1v + λ 2 u
ecuación
vectorial del
plano
u
(n x ; n y ; n z ) = n vector normal → n ⊥ π
n(nx;ny;nz) P0 P ∈ π → P0 P ⊥ n → P0 P • n = 0
[( x; y; z) − ( x 0 ; y 0 ; z 0 )]• (n x ; n y ; n z ) = 0
P0(x0;y0;z0)
( x − x 0 ; y − y 0 ; z − z 0 ) • (n x ; n y ; n z ) = 0
π
P(x;y;z) ( x − x 0 )n x + ( y − y 0 )n y + (z − z 0 )n z = 0
xn x − x 0 n x + yn y − y 0 n y + zn z − z 0 n z = 0
xn x + yn y + zn z − ( x 0 n x + y 0 n y + z 0 n z ) = 0
Prof A. Schilardi
2008 6
Álgebra y Geometría Analítica Unidad 4
ESPACIOS VECTORIALES
Definición: Sea V un conjunto en el cual se definen las operaciones de adición y multiplicación por un
escalar. Se dice que el conjunto V con estas operaciones es un ESPACIO VECTORIAL si satisface:
9 A1) x∈ V , y∈ V : (x+y) ∈ V
9 A2) (x+y)+z = x+(y+z) para todo x,y,z ∈ V
9 A3) existe un e ∈ V tal que : x+e = e+x = x
9 A4) para cada x∈ V existe un – x∈ V tal que : x+(-x) = e
9 A5) x+y = y+x para todo x,y ∈ V
9 A6) x∈ V, α∈ R entonces : α.x ∈ V
9 A7) α, β ∈ R y x∈ V entonces : (α + β)x = αx + βx
9 A8) α ∈ R y x,y ∈ V entonces: α(x+y) = αx + αy
9 A9) α, β ∈ R , x ∈ V entonces : (α.β) x = α( βx)
9 A10) x ∈ V entonces : 1.x = x
Propiedades:
?
P1) 0.u = 0 con 0∈ R y u ∈ V (espacio vectorial)
Demostración: 0.u = (0+0) u = 0.u + 0.u ⇒ 0.u = 0.u + 0.u ⇒ 0.u + (-0.u) = 0.u + 0.u + (-0.u) ⇒ 0 =
0.u
?
P2) (-1).u = − u u ∈ V (espacio vectorial)
Demostración: 0 = 0.u = (1+ (-1)).u = u+(-1). u ⇒ 0 = u+(-1)u ⇒ 0+(-u) = u+(-1) u + (-u) ⇒ -u = (-1)u
?
P3) k .0 = 0 con 0∈ V (espacio vectorial) y k ∈ R
Demostración: k.0= k(u+(-u) ) = k.u + k.(-u) = ku + (-ku) = 0 ⇒ k.0 = 0
SUBESPACIOS VECTORIALES
Definición: “un subconjunto S ≠ ∅ de un espacio vectorial V es subespacio de V si S es espacio
vectorial por sí solo, bajo las operaciones de adición de vectores y multiplicación por un escalar definidas
en V”.
Prof A. Schilardi
2008 7
Álgebra y Geometría Analítica Unidad 4
Demostración
?
⇒ ) S es subespacio ⇒ se verifican las dos condiciones enunciadas.
Si S es subespacio de V entonces es espacio vectorial por sí mismo. Por lo tanto, como las dos condiciones
corresponden a dos de los axiomas de espacio vectorial, está demostrado.
?
⇐ ) se verifican las dos condiciones ⇒ S es subespacio vectorial.
Por hipótesis es un subconjunto de un espacio vectorial y muestra las mismas propiedades de V. (axiomas
A2,A5,A7, A8,A9) . Además los axiomas A1 y A6 corresponden a las dos condiciones, por lo tanto faltaría
demostrar que se verifican los axiomas del elemento neutro y del opuesto.
Por ser cerrado para el producto por un escalar : k.u ∈ S con k ∈ R y u ∈ S
- Si k = 0 entonces 0.u ∈ S entonces 0.u = 0 ∈ S .
- Si k = -1 entonces -1.u ∈ S entonces -1.u = -u ∈ S
Propiedad:
“ sea S un subespacio de V entonces S contiene al vector nulo”
Combinación lineal
Sea un espacio vectorial V . Sean v1,v2,.....,vn vectores de V y λ1, λ2,...., λn escalares. Se dice que la
expresión λ1v1 + λ2 v2 + ......+ λn vn es una combinación lineal de los vectores de V. (Antón, 270)
Propiedad:
Si v1,v2,.....,vn son vectores de un espacio vectorial V, entonces el conjunto W de todas las combinaciones
lineales de v1,v2,.....,vn es un subespacio de V.
Demostración:
Prof A. Schilardi
2008 8
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4
entonces : (α1+β1) v1 + (α2 +β2) v2 + .....+ (αn + βn) vn es una combinación lineal de v1,v2,.....,vn
Luego es cerrado para la suma.
k( α1v1 + α2v2 + .....+ αn vn ) = (k.α1)v1 + (k.α2 )v2 + .....+ (k.αn) vn combinación lineal de
v1,v2,.....,vn. Entonces es cerrado para el producto por un escalar.
Espacio generado
Sea S = { v1,v2,.....,vn } un conjunto de vectores en un espacio vectorial V. Entonces el conjunto W de
todas las combinaciones lineales de los vectores de S se denomina espacio generado por v1,v2,.....,vn , y
se dice que los vectores v1,v2,.....,vn generan a W. (Antón, 272)
Independencia lineal
Teorema 1
Un conjunto S con dos o mas vectores es linealmente dependiente si y sólo sí al menos uno de los vectores
es una combinación lineal de los demás vectores de S. (Antón, 279)
Demostración
?
⇒ ) S es linealmente dependiente ⇒ un vector es C.L de los demás.
Si S es linealmente dependiente entonces λ1v1 + λ2 v2 + ......+ λn vn = 0 con λi ≠ 0
Supongamos que λ1 ≠ 0 entonces
λ1v1 = - λ2 v2 - ......- λn vn
− λ2 λ λ
v1 = v 2 − 3 v3 − ........ − n v n
λ1 λ1 λ1
Prof A. Schilardi
2008 9
Álgebra y Geometría Analítica Unidad 4
?
⇐ ) un vector es C.L de los demás ⇒ S es linealmente dependiente
Teorema 2
Demostración de a)
λ1v1 + λ2 v2 + ......+ λr vr = 0
⎧λ 1 v11 + λ 2 v 21 + ......... + λ r v r1 = 0
⎪λ v + λ v + ......... + λ v = 0
⎪ 1 12 2 22 r r2
⎨
⎪....................................................
⎪λ 1 v1n + λ 2 v 2 n + ......... + λ r v r n = 0
⎩
Entonces existen soluciones no triviales, luego S es linealmente dependiente como queríamos demostrar.
Teorema 3
Demostración:
Prof A. Schilardi
2008 10
Álgebra y Geometría Analítica Unidad 4
Teorema 4
Demostración
Teorema 5
Demostración
Base y dimensión
Sea V un espacio vectorial y B = { v1,v2,.....,vr } un conjunto finito de vectores de V. Se dice que B es una
base de V si: (Antón, 290)
Dimensión
Sea V un espacio vectorial y B una base que consta de “n” vectores, decimos que V tiene dimensión n. Se
anota dim (V). Además, por definición el espacio vectorial {0} tiene dimensión cero. (Antón, 298)
Decimos que V tiene dimensión finita si hay un conjunto finito de vectores que formen una base, sino se
dice que V tiene dimensión infinita.
Coordenadas
Prof A. Schilardi
2008 11
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 4
Si B = { v1,v2,.....,vn } es una base de un espacio vectorial V, entonces cada vector de V se puede expresar
de modo único como combinación lineal de los vectores de B. O sea:
v = λ1v1 + λ2 v2 +.....+ λn vn
donde λ1 , λ2 ,....... ,λn son únicos.
A los escalares se los denomina coordenadas del vector en la base B.
Podemos nombrar las coordenadas de un vector como los elementos de una matriz de nx1 tal que:
⎡ λ1 ⎤
⎢λ ⎥
[v]B = ⎢ 2⎥ esta matriz es la matriz de coordenadas de v respecto a B
⎢M⎥
⎢ ⎥
⎣λ n ⎦
Teorema
Demostración
Sea V un espacio vectorial y B = { v1,v2,.....,vn } una base de V. Entonces existen λ1 , λ2 ,....... ,λn escalares
tales que
λ1v1 + λ2 v2 +....+ λn vn = u ∈ V
supongamos que existe otra:
Cambio de base
Si se cambia la base de un espacio vectorial de una base inicial B = { u1,u2,.....,un } a una nueva base B’=
{ u’1,u’2,.....,u’n } entonces la matriz de coordenadas inicial [v]B está relacionada con [v]B’ por medio de la
ecuación
[v]B’ = P. [v]B
Donde las columnas de P son las coordenadas de los vectores de B con respecto a la base B’
P = [[u1 ]B ' M[u 2 ]B ' M.........M[u n ]B ' ] matriz de transición de B → B’ (Antón, 401)
Prof A. Schilardi
2008 12
Álgebra y Geometría Analítica Unidad 4
Evaluación:
1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
El volumen de la caja determinada por los vectores (1;4;0) , (1, 3, 3) y (0,1,-2) es igual a
10 ( ) 0 ( ) -1 ( ) 1 ( ) NRAC ( )
⎡− 1 0⎤ ⎡1 0 ⎤ ⎡ 0 1⎤ ⎡1 0⎤
P=⎢ ⎥ ( ) P=⎢ ⎥ ( ) P=⎢ ⎥ ( ) P=⎢ ⎥ ( )
⎣ 0 1⎦ ⎣0 − 1⎦ ⎣− 1 0⎦ ⎣0 1 ⎦
NRAC ( )
⎛ x + 2y − z = 0 π1
⎜
⎜ 2x + y − 2z = 0 π 2
⎜ 3x + 3 y − 3z = 0 π
⎝ 3
Prof A. Schilardi
2008 14
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 5
Propiedades
Desigualdad de Cauchy-Schwarz
Sean u,v dos vectores de un espacio vectorial real con producto interior, entonces:
< u; v > ≤ u . v
(Antón, 354)
Otras expresiones equivalentes:
Prof A. Schilardi 1
2008
Álgebra y Geometría Analítica Unidad 5
Norma o longitud
Sean u un vector de un espacio vectorial con producto interior, entonces la norma o longitud de un vector
u se define como:
1
u =< u; u > 2
u ≥0
u =0 ⇔ u=0
k .u = k . u
u+v ≤ u + v desigualdad triangular
Sean u,v dos vectores de un espacio vectorial con producto interior, entonces la distancia entre u y v se define
como:
d (u; v) = u − v
Propiedades
• d ( u; v) ≥ 0
• d ( u; v ) = 0 ⇔ u = v
• d (u; v ) = d (v; u )
• d (u; v ) ≤ d (u; w) + d (v; w) desigualdad triangular
< u; v >
cosθ =
u . v
Vectores ortogonales
En un espacio vectorial con producto interior dos vectores u y v son ortogonales si < u ; v > = 0
Prof A. Schilardi 2
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 5
u+v = u + v
2 2 2
Demostración:
u + v =< u + v; u + v >=< u; u + v > + < v; u + v >=< u; u > + < u; v > + < v; u > + < v; v >= u + v
2 2 2
Bases ortonormales
Un conjunto de vectores de un espacio vectorial con producto interior se denomina conjunto ortogonal si todas
las parejas de vectores distintos en el conjunto son ortogonales. Un conjunto ortogonal en el que cada vector
tiene norma uno se denomina conjunto ortonormal. Si este conjunto es base de un espacio vectorial, se
denomina base ortonormal.
Teorema
Todo conjunto ortogonal de vectores al que no pertenece el vector nulo es linealmente independiente.
Demostración
entonces: < w; vi > = λ1 < v1 ; vi > + λ2 < v2; vi > + .... + λn < vn ; vi > = 0 (2)
Matriz ortogonal
Se dice que Q es una matriz ortogonal si los vectores columna de Q forman una conjunto ortonormal de Rn
(con el producto euclideano).
Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 5
Teorema
Propiedades
Prof A. Schilardi 4
2008
Álgebra y Geometría Analítica Unidad 5
Evaluación
1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
o Sean los vectores u=(u1;u2) y v=(v1;v2) en R2 . La función definida por: < u ; v > = 4u1v1-3u2v2 :
No es producto interior porque no verifica el axioma de simetría ( )
No es producto interior porque no verifica el axioma de homogeneidad ( )
No es producto interior porque no verifica el axioma de positividad ( )
Es producto interior ( )
NRAC ( )
Prof A. Schilardi 5
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6
TRANSFORMACIONES LINEALES
T (u + v) = T(u) + T(v)
T (λu) = λ T(u)
Nota: en el caso en que V = W se dice que T es un operador lineal sobre V.(Antón, 447)
Expresión matricial:
⎛ x2 ⎞ ⎡0 1 ⎤
⎛ x1 ⎞ ⎜ ⎟ ⎛ x1 ⎞ ⎢ ⎡x ⎤
T ⎜⎜ ⎟⎟ = ⎜ x1 ⎟ o como matrices T⎜⎜ ⎟⎟ = ⎢1 0⎥⎥ . ⎢ 1 ⎥
⎝ x2 ⎠ ⎜ x + x ⎟ ⎝ x 2 ⎠ ⎢1 1 ⎥ ⎣ x 2 ⎦
⎝ 1 2⎠ ⎣ ⎦
T(u) = A.u
Teorema
Si T es una transformación lineal de Rn en Rm, entonces existe una matriz A de mxn tal que T(x) = A.x
Además, siendo B = { e1;e2;.....;en) una base de Rn, el j-ésimo vector columna de A está dado por: aj = T(ej)
con j = 1,2,...,n.
Demostración:
Si x ∈ Rn ⇒ x = (x1;x2;......,xn)
x = x1 e1 + x2 e2 + .....+ xn en
Prof A. Schilardi
2008 1
Álgebra y Geometría Analítica Unidad 6
⎡ x1 ⎤
⎢x ⎥
T ( x) = [a1 M a 2 M L M a n ]⎢ 2 ⎥ = A.x
⎢M⎥
⎢ ⎥
⎣ xn ⎦
Demostración:
T(0) = T (0.v)=0.T(v) = 0
Demostración:
T(-v) = T((-1).v) = (-1).T(v) = -T(v)
Demostración:
T(v-w) = T(v+(-1)w) = T(v) + T((-1)w) = T(v) + (-1)T(w) = T(v) – T(w)
Sea T: V → W una transformación lineal , el núcleo de T (ker(T)) es el conjunto que consta de todos los
elementos de V que se transforman en el cero de W. O sea que:
Sea T: V → W una transformación lineal, la imagen de T (Im(T)) es el conjunto de todos los vectores de W
que son imagen de por lo menos un vector de V. O sea que:
Prof A. Schilardi
2008 2
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6
Teorema:
1) El ker(T) es un subespacio de V.
2) El Im(T) es un subespacio de W.
Demostración de 1)
Sean v1,v2 vectores del núcleo de V y k un escalar:
- T(v1 + v2) = T(v1) + T(v2) = 0 + 0 = 0 ⇒ v1 + v2 ∈ ker(T)
- T(kv1) = k T(v1) = k.0 = 0 ⇒ k.v1 ∈ Ker(T)
Demostración de 2):
Sea w1 y w2 elementos de Im(T) y k un escalar. Existe un v1 ∈ V tal que T(v1) = w1 y v2 ∈ V tal que T(v2)
= w2.
Busquemos v1 + v2 = a ∈ V ⇒ T(a) ∈ Im(T) pero T(a) = T(v1 + v2) = T(v1) +T( v2 ) = w1 + w2 ⇒ w1 + w2
∈ Im(T)
También existe un b = kv1 ∈ V ⇒ T(b) ∈ Im(T)
T(b) = T(k.v1) = k T(v1) = k.w1 ∈ Im(T)
Teorema :
Sea T: V → W una transformación lineal cuyo ker(T) = {0}. Si v1;v2;.....;vn son elementos linealmente
independientes de V, entonces T( v1) ;T(v2) ;.....; T(vn) son elementos linealmente independientes de W.
Como v1;v2;.....;vn son linealmente independientes entonces λ1v1 + λ2 v2 + ..... + λn vn = 0 cuando λ1 = λ2 =....
= λn = 0
Luego T( v1) ;T(v2) ;.....; T(vn) son linealmente independientes
Prof A. Schilardi
2008 3
Álgebra y Geometría Analítica Unidad 6
Teorema de la dimensión
Teorema:
Sea T: V → W una transformación lineal, entonces las siguientes proposiciones son equivalentes
a) T es inyectiva
b) Ker(T) = {0}
c) Nulidad(T) = 0
d) Im(T) = V
Demostración a)⇔ b)
?
a) ⇒ b) T es inyectiva ⇒ ker(T) ={0}
v ∈ Ker(T) ⇒ T(v) = 0 y T(0) = 0 ⇒ v = 0 luego ker(T) = {0}
?
b) ⇒ a) ker(T) = {0} ⇒ T es inyectiva
[x]B [T(v)]B’
A
Prof A. Schilardi
2008 4
Álgebra y Geometría Analítica Unidad 6
Propiedades:
Prof A. Schilardi
2008 5
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 6
Evaluación:
1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
⎡2 1 ⎤
o La dimensión del núcleo de la transformación lineal matricial definida por A = ⎢ ⎥ es:
⎣0 2⎦
no existe ( ) 2 ( ) 1 ( ) 0( ) NRAC ( )
o Si A es una matriz de 5x2, entonces por el teorema de la dimensión se puede asegurar que:
⎡1 0 0 ⎤ ⎡1 0 0 ⎤
A=⎢ ⎥ ( ) A=⎢ ⎥ ( )
⎣0 1 1 ⎦ ⎣0 1 - 1⎦
⎡1 0 ⎤
⎡0 1 1 ⎤
A=⎢ ⎥ ( ) A = ⎢⎢0 1 ⎥⎥ ( ) NRAC ( )
⎣1 0 0⎦ ⎢⎣0 - 1⎥⎦
Prof A. Schilardi
2008 6
Álgebra y Geometría Analítica Unidad 7
Supongamos una transformación lineal T: V→ V y queremos hallar un v ∈ V tal que T(v) // v. O sea T(v)
= λ.v ( ⊗) con λ escalar.
Definición:
Si A es una matriz mxn entonces un vector x diferente de cero en Rn se denomina vector propio de A si A.x
es un múltiplo escalar de x. Es decir: A.x = λ.x para algún escalar λ. El escalar λ se denomina valor propio
de A y se dice que x es un vector propio de A correspondiente a λ. (Antón, 415)
Para calcularlos:
A.x = λ x ⇒ Ax - λ.x = 0 ⇒ (A- λ.I) x = 0
Det(A- λ.I) = 0
Ecuación
característica
Los vectores propios de A correspondientes a un valor propio λ, son los vectores x distintos de cero del
espacio solución de (A- λ.I) x = 0
Multiplicidad geométrica
Suponga que λ es un valor propio de A, entonces la multiplicidad geométrica de λ es la dimensión del espacio
característico que le corresponde .
Multiplicidad algebraica
Teorema:
Prof A. Schilardi 1
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 7
Teorema:
Si A y B son matrices semejantes de nxn, entonces tienen la misma ecuación característica y por lo tanto los
mismos valores propios.
Demostración:
Si A y B son semejantes ⇒ B = P-1 .A .P ⇒ B - λ I = P-1 .A .P - λ I
Propiedades
9 Si λ es valor propio de una matriz A no singular, entonces λ-1 es valor propio de A-1
Demostración :
Si λ es valor propio de A ⇒ A.x = λ.x ⇒ A-1 A.x = A-1λ.x ⇒ I.x = λ.(A-1.x) ⇒
λ-1.x = A-1.x ⇒ λ-1 es valor propio de A-1
Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 7
9 El determinante de una matriz es el producto de sus valores propios y la traza de dicha matriz es
la suma de sus valores propios.
Diagonalización
Una matriz Anxn es diagonalizable si existe una matriz D (diagonal) que sea semejante a A. O sea:
Teorema:
Una matriz Anxn es diagonalizable ⇔ tiene n vectores propios linealmente independientes y además D tiene
la forma:
⎡λ1 0 0 L 0⎤
⎢0 λ 0 L 0 ⎥⎥
D=⎢ 2
⎢L L L L L⎥
⎢ ⎥
⎣0 0 0 L λn ⎦
corolario:
Diagonalización ortogonal
Se dice que una matriz A nxn es diagonalizable ortogonalmente si existe una matriz ortogonal Q tal que:
Qt. A .Q = D
Teorema:
a) A es diagonalizable ortogonalmente
b) A tiene un conjunto de n vectores propios ortonormales
Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 7
Si A es una matriz simétrica , entonces todos sus valores propios son reales y la multiplicidad geométrica
coincide con la algebraica para cada valor propio. O sea que:
Propiedad:
Los vectores propios correspondientes a valores propios distintos de una matriz simétrica son ortogonales.
Prof A. Schilardi 4
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 7
Evaluación
1) En los siguientes enunciados una sola es la respuesta correcta. Márquela con una cruz.
o Si A es una matriz de 3x3, det(A) = 10 y dos de sus vectores propios son λ1 = 2 y λ2 = 10, entonces
los valores propios de –A son:
1 −1
; 2 ; 10 ( ) ; − 2 ; − 10 ( ) -2 ; -2 ; -10 ( )
2 2
0 ; 2; 10 ( ) NRAC ( )
Prof A. Schilardi 5
2008
Álgebra y Geometría Analítica Unidad 8
FORMAS CUADRÁTICAS
Una forma cuadrática de 2 variables se define como una expresión del tipo: ax2 + bxy + cy2 o :
⎡ b⎤
⎢a 2 ⎥ ⎡ x ⎤ = x t Ax
[x y] ⎢
b ⎥⎢ ⎥ Forma
⎢ c ⎥ ⎣ y⎦ matricial
⎣2 ⎦
Una forma cuadrática se denomina definida positiva si xt A.x > 0 para todo x ≠ 0 y una matriz simétrica A. Se
denomina matriz positiva definida si xt A x es una forma cuadrática definida positiva.
Propiedades:
Cónicas
Prof A. Schilardi 1
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8
Una cónica no degenerada está en posición normal si se puede expresar de la siguiente manera
PARÁBOLA
Una parábola es el lugar geométrico de todos los puntos del plano que equidistan de una recta fija ( directriz) y
de un punto fijo (foco) no situado sobre dicha recta.
M P(x;y)
p
Ecuación de la directriz D: x = - entonces x +
2
p
=0
2
p
F( ;0)
2
p 2 p
PF = PM ⇒ (x − ) + y2 = x +
2 2
trabajando la expresión obtenemos:
D
p p2 p2 p
x − 2x +
2
+y =x +
2 2
+ 2x
2 4 4 2
simplificando y sumando nos queda:
P( semiparámetro)
Ecuación cartesiana
y2 = 2 p x de la parábola que
abraza al eje x con
vértice en el (0;0)
x2 = 2 p y x2 = -2py
Prof A. Schilardi 2
2008
Álgebra y Geometría Analítica Unidad 8
V(h;k)
(x-h)2 = ± 2p(y-k)
(y-k)2 = ± 2p(x – h)
Si llamamos a -2p = d
-2k = e
k2 +2ph = f obtenemos la ecuación general y2 + dx +ey +f = 0
Prof A. Schilardi 3
2008
Álgebra y Geometría Analítica Unidad 8
HIPÉRBOLA
Se denomina hipérbola al lugar geométrico de los puntos del plano cuya diferencia de la distancias a dos
puntos fijos llamados focos es una constante igual a “2 a”
P(x;y)
c > a
2b F1 P − F2 P = 2a
F2 F1 F1 P = ( x − c) 2 + y 2
F2 P = ( x + y ) 2 + y 2
( x − c ) 2 + y 2 = 2a + ( x + c ) 2 + y 2
Elevando al cuadrado y desarrollando los cuadrados :
x 2 − 2 xc + c 2 + y 2 = 4a 2 + 4a ( x + c) 2 + y 2 + ( x + c) 2 + y 2 ⇒ x 2 − 2 xc + c 2 + y 2 = 4a 2 + 4a ( x + c) 2 + y 2 +
x 2 + 2 xc + c 2 + y 2
− 4 xc − 4a 2 = 4a ( x + c) 2 + y 2 ⇒ xc + a 2 = − a ( x + c) 2 + y 2 elevamos al cuadrado
[ ]
x 2 c 2 + 2 xca 2 + a 4 = a 2 ( x 2 + 2 xc + c 2 + y 2 ⇒ x 2 c 2 + 2 xca 2 + a 4 = a 2 x 2 + 2 xca 2 + a 2 c 2 + a 2 y 2
− a 2 (c 2 − a 2 ) + x 2 ( c 2 − a 2 ) − a 2 y 2 = 0 llamamos b 2 = c 2 − a 2
b 2 x 2 − a 2b 2 − a 2 y 2 = 0 ⇒ b 2 x 2 − a 2 y 2 = a 2b 2
x2 y2
− =1 ecuación cartesiana
a2 b2
a = semieje real
b = semieje imaginario
c = semidistancia focal
( x − h) 2 ( y − k ) 2
si el centro de la hipérbola está en C(h;k) : − =1
a2 b2
Ecuación
ax2 + cy2 +dx +ey +f = 0 general de la hipérbola
Prof A. Schilardi 4
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8
ELIPSE
Se denomina elipse al lugar geométrico de los puntos del plano cuya suma de las distancias a dos puntos fijos
llamados focos es una constante igual a “2 a”.
a>c
F2 F1 2b
F1 P + F2 P = 2a
2c
F1 P = ( x − c) 2 + y 2
F2 P = ( x + c) 2 + y 2
2a
( x − c ) 2 + y 2 + ( x + c ) 2 + y 2 = 2a
Ecuación general
b2x2 +a2 y2 –a2b2 = 0 de la elipse
a = semieje mayor
b = semieje menor
c = semidistancia focal
c
excentricidad
a
( x − h) 2 ( y − k ) 2
Si el centro de la elipse no coincide con (0;0): + = 1 ecuación cartesiana
a2 b2
Prof A. Schilardi 5
2008
Álgebra y Geometría Analítica Unidad 8
Forma matricial
Todas las cónicas tienen como ecuación general: ax2 + bxy +cy2 +dx +ey +f = 0
Forma cuadrática
⎡ b⎤
⎢a 2⎥ ⎡x ⎤ ⎡x ⎤ ⎡ x⎤
[x y] ⎢b ⎥ ⎢ y ⎥ + [1
d e] ⎢ ⎥ + f = 0
23 ⎣ y ⎦
el vector ⎢ ⎥ está en coordenadas de la base
⎢ c⎥ ⎣ ⎦ K
⎣ y⎦
⎣2 ⎦
canónica
Si la cónica está rotada ( no está en posición normal) b ≠ 0 entonces podemos girar los ejes para que en un
nuevos sistema de ejes x’-y’ se encuentre en posición normal. Esto se hace así:
1. encontrar Q que diagonalice ortogonalmente a la forma cuadrática ( con los vectores propios)
2. asegurarse que esta transformación sea una rotación (det(Q) = 1)
⎡ x⎤ ⎡ x'⎤
3. cambiar las coordenadas del vector x = Q.x’ ⎢ y ⎥ = Q ⎢ y '⎥
⎣ ⎦ ⎣ ⎦
y encontrar la ecuación en el nuevo sistema x’-y’ sustituyendo:
xtAx + kx + f = 0 ⇒ (Qx’)t A (Qx’) + k (Qx’) + f = 0 ⇒ (x’)t ( Qt. A .Q).x’ + (kQ) x’ + f = 0
como Q diagonaliza ortogonalmente a A entonces:
⎡λ 0⎤
Q t . A.Q = ⎢ 1 ⎥
⎣ 0 λ2 ⎦
⎡λ 0 ⎤ ⎡ x' ⎤ ⎡ x' ⎤
4. Volvemos a escribir : [x' y '] ⎢ 1 + [d e] [Q] ⎢ y '⎥ + f = 0 que es :
⎣0 λ2 ⎥⎦ ⎢⎣ y '⎥⎦ ⎣ ⎦
Sea ax2 + bxy +cy2+dx +ey +f = 0 la ecuación de la cónica y sea xt A x = ax2 + bxy +cy2 su forma
cuadrática asociada., los ejes coordenados se pueden girar de modo que la ecuación de la cónica en el nuevo
sistema de coordenadas sea de la forma: λ1 x’2 + λ2 y’2 +d’x’ +e’y’ +f = 0 donde λ1 y λ2 son los valores
Prof A. Schilardi 6
2008
Álgebra y Geometría Analítica Unidad 8
SUPERFICIES CUÁDRICAS
Podemos aplicar lo visto a ecuaciones cuádricas con 3 variables para estudiar superficies cuádricas.
Una ecuación de la forma ax2 + by2 + cz2 + dxy +e xz +f yz +g x + hy +iz +j = 0 (1) donde no todos los
coeficientes a,b,c,d,....,j son cero se denomina ecuación cuádrica.
A la expresión ax2 + by2 + cz2 + dxy +e xz +f yz se la denomina forma cuadrática asociada
La expresión de (1) en forma matricial es:
⎡ d e⎤
⎢a 2⎥
⎢d
2 ⎡ x⎤ ⎡ x⎤
f⎥ ⎢ y⎥ + ⎢ y⎥ + j = 0
[x y z] ⎢ b ⎥
⎢ ⎥ [g h i] ⎢ ⎥
⎢2 2⎥
⎢e ⎢⎣ z ⎥⎦ ⎢⎣ z ⎥⎦
c⎥
f
⎢⎣ 2 2 ⎥⎦
Sea ax2 + by2 + cz2 + dxy +e xz +f yz +g x + hy +iz +j = 0 la ecuación de una cuádrica. Sea xt A x = ax2 + by2
+ cz2 + dxy +e xz +f yz su forma cuadrática asociada.
Los ejes de coordenadas se pueden girar de tal modo que la ecuación de la cuádrica en el sistema de
coordenadas x’-y’-z’ sea de la forma :
λ1 x’2 + λ2 y’2 + λ3 z’2 +g’ x’ +h’ y’ + i’z’ +j = 0
donde λ1; λ2 ; λ3 son los valores propios de A, la rotación se puede efectuar con la sustitución x = Q.x’ donde
Q es la matriz que diagonaliza ortogonalmente a xt. A. X y det(Q) = 1
Prof A. Schilardi 7
2008
www.elsolucionario.org
Álgebra y Geometría Analítica Unidad 8
ELIPSOIDE
x 2 y2 z2
+ + =1
a 2 b2 c2
x 2 y2 z2
+ − =1
a 2 b2 c2
x 2 y2 z2
− − =1
a 2 b2 c2
Prof A. Schilardi 8
2008
Álgebra y Geometría Analítica Unidad 8
PARABOLOIDE ELÍPTICO
x 2 y2
+ = 2cz
a 2 b2
PARABOLOIDE HIPERBÓLICO
x 2 y2
− = 2cz (c > 0)
a 2 b2
Prof A. Schilardi 9
2008
Álgebra y Geometría Analítica Unidad 8
Evaluación
1) Completar:
2) En los incisos siguientes una sola es la respuesta correcta. Márquela con una cruz
⎡1 0 0 ⎤
La matriz
⎢0 2 0⎥ es:
⎢ ⎥
⎢⎣0 0 3⎥⎦
Indefinida ( ) semidefinida positiva ( ) definida positiva ( ) NRAC ( )
la ecuación x2 + y2 + z2 = 4 representa:
una elipse trasladada ( ) un elipsoide ( ) un hiperboloide ( ) NRAC ( )
Prof A. Schilardi 10
2008