La bondad en las palabras genera confianza.

La bondad en el pensamiento genera profundidad.

La bondad en el dar genera amor.
Lao Tsé
 2.4 Vectores
Introducción

El estudio de los vectores, su geometría y su

aritmética, desempeñan un papel importante en el
campo de la ciencia.
En el plano y el espacio los vectores tienen
existencia doble: son a la vez objetos algebraicos y
geométricos. Esta dualidad permite estudiar la
geometría con métodos algebraicos.

2
 Operaciones vectoriales

Vector de n componentes

Un vector de n componentes es un conjunto

ordenado de n números escritos en la forma

(x1, x2, …, xn)

El vector puede ser vector renglón o vector

columna.
3
Los elementos x1, x2, …, xn son las componentes
del vector.
Por simplificación, se hará referencia a un
vector renglón de n componentes como un
vector-n.
Vector cero es aquel cuyos elementos son todos
cero.

4
Ejemplo: Tres vectores

(2, -1) es un vector-2

(3, 0, -1) es un vector-3
2
 
Vector-4:  −1
3
 
1

5
Los vectores 2 y 3 pueden interpretarse geométri-
camente como puntos en el plano o en el espacio.

6
Los vectores se denotarán con letras minús-
culas negritas, así u, v, a y b representan
vectores.
n
El espacio R
Se usa el símbolo R n para denotar el
conjunto de todos los vectores-n (x1, x2, …,
xn), donde los ai son números reales. Así, R 2
es el conjunto de vectores en el plano. Y

7
 3
R es el conjunto de vecto-
res en el espacio.
Se consideran las dos opera-
ciones siguientes con vecto-
res:
i) Suma: La resultante u +
v de dos vectores se obtiene
de la ley del paralelogramo.

8
ii) Multiplicación por
un escalar: El producto
ku de un número real k
por un vector u se obtie-
ne multiplicando la mag-
nitud de u por k.

9
Los vectores del mismo tamaño pueden
sumarse componente por componente:
(1, -1) + (4, -2) = (5, -3)
(1, 2, 3) + (4, -2, -7) = (5, 0, -4)
La suma de vectores 2 y 3 se representa en
forma geométrica como la flecha diagonal
del paralelogramo cuyos lados son los
vectores dados.
10
Un vector-n puede multiplicarse por un
escalar, componente por componente

5(4, -2) = (20, -10)

-3 (4, -2, -7) = (-12, 6, 21)

11
La diferencia u – v se
representa como u +
(-1)v. Si u = (3, 2), v =
(4, -1). Entonces

u – v = (3, 2) - (4, -1)

= (-1, 3)

12
 n
Vector de base estándar de R
El vector-n que tiene 1 como i-ésimo
componente y todos los demás componentes 0
se denota por ei. Los vectores e1, e2, e3, …, en se
llaman vectores de base estándar de R n
Para R 2
e1 = (1, 0), e2 = (0, 1)
Para R3
e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)

13
 Teorema 3
Propiedades de las operaciones
vectoriales

Sean u, v, y w vectores-n, y α y β escalares

 u+v = v+u propiedad conmutativa

 u + (v + w) = (u + v) + w propiedad asociativa para la suma
 u+0 = 0+u existencia del cero
 u + (-u) = 0 inverso aditivo
 α(u + v) = αv + αu propiedad distributiva para escalar
 (α + β)u = αu + βu propiedad distributiva
 (αβ)u = α(βu) = β(αu) propiedad asociativa
 1u = u existencia de la unidad

14
Estas propiedades permiten operaciones del
siguiente tipo:
Determinar el vector x tal que 2x – 4v = 3u

2x - 4v + 4v = 3u + 4v
2x = 3u + 4v
x = 3(½)u + 2v

15
 Producto punto, norma, ángulo y
distancia

La norma, longitud o magnitud de un vector-n,

u, es la raíz cuadrada positiva:

2 2 2
u = u + u +
+ u
1 2 n

La distancia entre los vectores u y v se define

d = ||u – v||

16
17
 Producto punto o producto interno

Sean u y v vectores no
nulos y perpendiculares,
entonces u - v tiene la re-
presentación geométrica
mostrada.

18
Aplicando el teorema de Pitágoras

||u – v||2 = ||u||2 + ||v||2

Con u = (x1, y1) y v = (x2, y2), se define el
producto punto o producto interno como

u • v = (x1, y1) • (x2, y2) = x1 x2 + y1 y2

19
 Ejemplo
Sean u = (-1, 2, 3, 0), v = (-2, 0, 2, 0) y w = (-2,
0, -2, 1).
Calcular u • v, u • w y v • w
u • v = (-1)(-2)+(2)(0)+(3)(2)+(0)(0) = 8
u • w = (-1)(-2)+(2)(0)+(3)(-2)+(0)(1) = -4
v • w = (-2)(-2)+(0)(0)+(2)(-2)+(0)(1) = 0
Los vectores v y w se dice que son ortogonales

20
 Vector unitario
Sea v = (v1, v2, …, vn) un vector distinto de cero y
sea u el vector unitario en la dirección de v,
entonces
v  v1 vn 
u= =  ,
, , 
v  v v 

Los vectores-3 unitarios, a lo largo de los ejes

coordenados son e1, e2 y e3 y se les representa
también por i, j, k.
21
 Teorema 4.
Propiedades del producto punto

Sean u, v, y w vectores-n, y α escalar

 u•v = v•u simetría

 u • (v + w) = (u • v) + (u • w) aditividad
 α (u • v) = (α u) • v = u • (α v) homogeneidad
 u • u ≥ 0. Además, u • u = 0
si y sólo si u = 0 positividad

22
 Propiedades importantes
Si u y v son vectores-n se tiene:
2 2 2
u + v = u + v + 2(ui v)
2 2 2
u − v = u + v − 2(ui v )

Desigualdad de Cauchy-Schwarz: ui v ≤ u v

Desigualdad del triángulo: u+v ≤ u + v

23
Desigualdad del triángulo en el plano

24
 Ángulo entre vectores
Sean u y v vectores-n diferentes de cero. El
ángulo entre los vectores es

ui v
cos θ = ,0 ≤θ ≤ π
u v

25
 Proyecciones ortogonales
Sean u y v vectores-n di-
ferentes de cero. La pro-
yección de u sobre v, se
denota por proy(u, v) y es

ui v ui v
proy (u , v) = 2 v = v
v vi v

26
 2.5 Matrices
Operaciones matriciales. Suma, multiplicación
por un escalar y multiplicación matricial.
Recuérdese que una matriz es un arreglo rec-
tangular de m×n números en forma de m ren-
glones y n columnas. Se denotan por mayúsculas
en negritas.
 a11 … a1n 
 
A=    
a
a 
 m1 mn 

27
El número aij es el (i,j)-ésimo elemento de A. El i-
ésimo renglón y la j-ésima columna de A son

 a1 j 
a 
[ ai1 ai 2
ain ]  2j
  
 
 amj 

Una matriz de 1×n es una matriz renglón y una

de m×1 es una matriz columna o vector.
28
 Matrices especiales
Matriz cero: Matriz identidad:
0 0
0 1 0
0
   
0 0
0  0 1
0
0=  I=
       
   
0 0
0 0 0
1

a 0
0
 
 0 a
0 
Matriz escalar:
   
 
0 0
a
29
Matriz triangular superior: Matriz diagonal:
 a11 a12
a1n 
 
 0 a22
a2 n   a11 0
0 
       
 0 a22
0 
 
 0 0
ann       
 
Matriz triangular inferior:  0 0
ann 
 a11 0
0 
 
 a21 a22
0 
     
 
 an1 0
ann 
30
 Suma de matrices y multiplicación
por escalar
 2 −1  3 2
Suma de matrices:    
A =  4 2  y B =  −4 0 
3 0   −1 3 
   

2 −1   3 2  2 + 3 −1 + 2   5 1
       
A +B = 4 2  +  −4 0 = 4 − 4 2+0  = 0 2
3 0   −1 3   3 − 1 0 + 3   2 3 

 3 2  2 −1  3 − 2 2 +1   1 3
       
B − A =  −4 0 − 4 2  =  −4 − 4 0 − 2  =  −8 −2 
 −1 3   3 0   −1 − 3 3 − 0   −4 3 


31
 Multiplicación por un escalar
Definición: Sea A una matriz y α un escalar. El
múltiplo escalar de A por α, denotado αA, es
la matriz que se obtiene al multiplicar cada
elemento de A por α.

 a11 … a1n   α a11 … α a1n 

   
αA = α      =     
a
a  α a
α a 
 m1 mn   m1 mn 

32
 Teorema 6
Leyes para suma de matrices y multiplicación
por escalar

Sean A, B y C matrices de m×n, y sean α, y β

escalares cualesquiera, entonces:

 A+B = B+A  α (A+B) = αA+αB

 (A+B)+C = A+(B+C)  (α + β )C = α C+β C
 A+0 = 0+A = A  (α β )C = α (β C ) = β (α C)
 A+(-A) = (-A)+A = 0  1A = A

33
Las leyes anteriores nos permiten resolver
ecuaciones matriciales sencillas. Ejemplo, sean
1 2 0  0 1 3 
A=  y B= 
 0 0 −1   1 0 −1 

Determinar la matriz X tal que 2X - 4B = 3A

2X = 3A + 4B  32 5 6
X = 3(½)A + 2B =  
2 0 7
 −
2

34
 Multiplicación matricial
Definición: Si A es una matriz m×k y B una
matriz k×n, el producto AB es la matriz m×n
cuyas columnas son Ab1, Ab2, …, Abn, en las
que b1, b2, …, bn son las columnas de B.
Ejemplo:  3 2 4
2 0 1  
A=  B =  − 2 4 5 
 2 1 2   0 3 −2 
 
 6 7 6
AB = [ Ab1 Ab 2 Ab3 ] =  
 4 14 9 

35
 Teorema 7
Leyes de la multiplicación matricial

Si A es una matriz de m×k, y B y C tienen

tamaños tales que las operaciones siguientes
son válidas, y si α es cualquier escalar.
 (AB)C = A(BC)
 A(B + C) = AB + AC
 (B + C) A = BA + CA
 α (BC) = (α B)C = B(α C)
 ImA = AIn = A
En general AB ≠ BA
36
 Ejemplo:
Comprobar la ley distributiva y asociativa de la
multiplicación de matrices si:
1 1
  1 2 1 0 
A = 0 1, B =   , C =  
1 0 3 4 1 1 
 

1 1 6 7 4 6  10 6
   2 2       1 0   
A(B + C) =  0 1  = 4 5 ( AB)C =  3 4  = 7 4
4 5 
2  
1   1 1 1 
 0  2 2  3 2 
4 6 2 1 6 7 1 1 10 6

AB + AC =  3
   
4 + 1 1 =  4 5
   3 2   
A(BC) =  0 1 = 7 4
0    3
1 7 4
 2   1 0   2 2  
1  2 

37
 Potencias de una matriz cuadrada
3 2
A = A A = ( AA) A
Para enteros positivos cualesquiera:
n m n+m
A A =A
n m nm
(A ) = A
n n n
(α A) = α A
38
 Matrices y sistemas lineales
El sistema lineal:
x + 3y - z = 4
-2x + y + 3z = 9
4x + 2y + z = 11
Puede representarse matricialmente:

 1 3 −1  x   4 
     O bien Ax = b
 −2 1 3  y  =  9 
 4 2 1   z  11
    
39
 Matriz inversa
Definición: Se dice que una matriz A de n×n es
invertible, o no singular, si existe una matriz B,
llamada inversa de A tal que
AB = I y BA = I
Las matrices siguientes son inversas:
 2 7   4 −7   2 7  4 −7   1 0 
 y   = 
 1 4   −1 2   1 4  −1 2   0 1 

40
Para matrices de 2×2 si Si A es invertible,
entonces Ax = b
a b
A=  tiene, exactamen-
c d te, una solución
Entonces su inversa es que es x = A-1b.
Ejemplo:
−1 1  d −b  x – 4y = 2
A =  
ad − bc  −c a  x – 3y = 1

41
Propiedades de las matrices inversas

 (AB)-1 = B-1A-1
 (A-1) -1 = A
 (α A) -1 = (1/α) A-1
 (An)-1 = (A-1)n

42
 Cálculo de A-1
Existen tres métodos para calcular la inversa de
una matriz.

1. Método de Gauss
2. Método de la adjunta
3. Método Montante

43
 Método de Gauss
Algoritmo. Si A-1 existe:

1. Obtener la forma reducida escalonada de

[A|I], haciendo [B|IB]
2. Si B tiene un renglón 0, A es no invertible.
Caso contrario continuar en 3.
3. La matriz está en la forma [I|A-1].

44
 Ejemplo:
Calcular A-1 si  1 0 −1 
 
A =  3 4 −2 
 3 5 −2 
 

 1 0 −1 1 0 0   1 0 0 −2 5 −4 
   
 3 4 −2 0 1 0 ∼
  0 1 0 0 −1 1 
   
 3 5 −2 0 0 1   0 0 1 −3 5 −4 

 −2 5 −4 
 
A −1 =  0 −1 1 
 −3 5 −4 
 
45
 Transpuesta de una matriz
La transpuesta, AT de una matriz A m×n,
es la matriz n×m cuyas columnas son los
renglones de A en el mismo orden.
1 4
1 2 3 T  
A=  , A =  2 5 
4 5 6 3 6
 
1 2 T 1 2
B= ,B =  
2 4  2 4 

46
Propiedades de la transpuesta

 (A + B)T = AT + BT
 (AT)T = A
 (α A)T = α AT
 (AB)T = BTAT
 (AT)-1= (A-1)T

47
 Método de la adjunta
−1 adj A
Se define A =
A

Donde adj A es la matriz adjunta de A la

cual es la transpuesta de la matriz de
cofactores. Un cofactor es un menor con
signo dado por
Cij = ∆ij = (-1)i + jAij
48
El menor, Aij, de una matriz cuadrada es
el determinante formado al eliminar la i-
ésima fila y la j-ésima columna de la
matriz. Ejemplo: Determinar la inversa de
 1 0 −1 
 
A =  3 4 −2 
 3 5 −2 
 
A = 1 ( 4 )( −2 ) − ( 5 )( −2 )  − 0 ( 3)( −2 ) − ( 3)( −2 )  + ( −1) ( 3)( 5 ) − ( 3)( 4 ) 
A = −1

49
Cálculo de menores de A
4 −2 3 −2 3 4
C11 = (−1)1+1 = +2; C12 = (−1)1+ 2 = 0; C13 = (−1)1+3 = +3
5 −2 3 −2 3 5
0 −1 1 −1 1 0
C21 = (−1) 2+1 = −5; C22 = + = +1; C23 = − = −5
5 −2 3 −2 3 5
0 −1 1 −1 1 0
C31 = + = +4; C32 = − = −1; C33 = + = +4
4 −2 3 −2 3 4

 2 0 3 Adj A = [C ji ] = [Cij ]T
 
[Cij ] =  −5 1 −5   2 −5 4 
 4 −1 4   
  Adj A =  0 1 −1
 3 −5 4 
 
50
  2 −5 4 
−1 adj A 1  
A = =  0 1 −1
A −1  
 3 −5 4 
 −2 5 −4 
−1  
A =  0 −1 1 
 −3 5 −4 
 

51
 Método Montante
Calcular A-1 si  1 0 −1 
 
A =  3 4 −2 
 3 5 −2 
 

Pivote actual
Primer paso
1  1 0 −1 1 0 0 
 
 3 4 −2 0 1 0 
Pivote anterior  3 5 −2 0 0 1 
 

52
 Haciendo ceros abajo del pivote y
determinantes de 2×2 para el resto de
renglones Pivote anterior
4
1  1 0 −1 1 0 0   4 0 −4 4 0 0 
   
 0 4 1 −3 1 0    0 4 1 −3 1 0 
 0 5 1 −3 0 1   0 0 −1 3 −5 4 
   

Pivote anterior Pivote actual

Pivote actual
53
 4  −1 0 0 2 −5 4 
 
 0 −1 0 0 1 −1 
 0 0 −1 3 −5 4 
 

Adj A  −2 5 −4 
determinante
−1  
A =  0 −1 1 
 −3 5 −4 
 

54