Álgebra Lineal.

LGEBRA
LINEAL
Definiciones Abstractas
En el presente manual se estudiarn temas de la materia de lgebra lineal como ciencia
moderna y por lo tanto abstracta. Con el motivo de ser objeto de evaluacin final dentro del
perodo de verano del 01 de junio al 01 de agosto del 2013.
30-7-2013
Docente: Jess Zavala
Horario: 11:00 15:00
Aula: 401
Apellidos: Parra Helguera
Instituto Tecnolgico de Acapulco lgebra Lineal
1| Xchitl Maribel Parra Helguera

NDICE
1. Nmeros Complejos. 02
1.1. Definicin y origen de los nmeros complejos. 02
1.2. Operaciones fundamentales con nmeros complejos. 03
1.3. Potencias de i, mdulo o valor absoluto de un nmero complejo. 04
1.4. Forma polar y exponencial de un nmero complejo. 05
1.5. Teorema de Moivre, potencias y extraccin de races de un nmero complejo. 07
1.6. Ecuaciones polinmicas. 09
2. Matrices y Determinantes. 10
2.1. Definicin de matriz, notacin y orden. 10
2.2. Operaciones con matrices. 15
2.3. Clasificacin de las matrices. 16
2.4. Transformaciones elementales por rengln. Escalonamiento de una matriz. Rango de una
matriz. 19
2.5. Clculo de la inversa de una matriz. 21
2.6. Definicin de determinante de una matriz. 22
2.7. Propiedades de los determinantes. 24
2.8. Inversa de una matriz cuadrada a travs de la adjunta. 26
2.9. Aplicacin de matrices y determinantes. 29
3. Sistemas de Ecuaciones Lineales. 31
3.1. Definicin de sistemas de ecuaciones lineales. 31
3.2. Clasificacin de los sistemas de ecuaciones lineales y tipos de solucin. 32
3.3. Interpretacin geomtrica de las soluciones. 38
3.4. Mtodos de solucin de un sistema de ecuaciones lineales: Gauss, Gauss-Jordan, inversa
de una matriz y regla de Cramer. 40
3.5. Aplicaciones. 47
4. Espacios Vectoriales. 51
4.1. Definicin de un espacio vectorial. 51
4.2. Definicin de subespacio vectorial y sus propiedades. 52
4.3. Combinacin lineal. Independencia lineal. 54
4.4. Base y dimensin de un espacio vectorial, cambio de base. 57
4.5. Espacio vectorial con producto interno y sus propiedades. 66
4.6. Base ortonormal, proceso de Ortonormalizacin de Gram-Schmidt. 69
5. Transformaciones Lineales. 74
5.1. Introduccin a las transformaciones lineales. 74
5.2. Ncleo e imagen de una transformacin lineal. 78
5.3. La matriz de una transformacin lineal. 83
5.4. Aplicacin de las transformaciones lineales de los cuatro tipos: reflexin, dilatacin,
contraccin y rotacin. 88


1.1 Definicio n y origen de los nu meros
complejos.
Historia de los nmeros complejos.
La primera referencia conocida a races cuadradas de nmeros negativos proviene del trabajo de
los matemticos griegos, como Hern de Alejandra en el siglo I antes de Cristo, como resultado de
una imposible seccin de una pirmide. Los complejos se hicieron ms patentes en el Siglo XVI,
cuando la bsqueda de frmulas que dieran las races exactas de los polinomios de grados 2 y 3
fueron encontradas por matemticos italianos como Tartaglia, Cardano.
Aunque slo estaban interesados en las races reales de este tipo de ecuaciones, se encontraban
con la necesidad de lidiar con races de nmeros negativos. El trmino imaginario para estas
cantidades fue acuado por Descartes en el Siglo XVII y est en desuso. La existencia de nmeros
complejos no fue completamente aceptada hasta la ms abajo mencionada interpretacin
geomtrica que fue descrita por Wessel en 1799, redescubierta algunos aos despus y
popularizada por Gauss. La implementacin ms formal, con pares de nmeros reales fue dada en
el Siglo XIX.
Definicin.
Un nmero complejo z es una combinacin lineal de la forma z=(a+bi) en donde a y b son nmeros
reales. Al nmero a se le llama la parte real de z, a = Re(z), y al nmero b la parte imaginaria de z, b
= Im(z). A la expresin a + bi de un nmero complejo z se le conoce como la forma estndar de z.
Ejemplos:

Decimos que dos nmeros complejos z = a + bi, w = c + di, son iguales z = w, si y solo si a = c y b = d.
Los conjuntos de la forma (a;0) son nmeros reales puros (CR) y se encuentran en el eje real. Los
conjuntos de la forma (0;b) se denominan complejos imaginarios puros(CI) y se encuentran en el
eje imaginario.
Opuesto y conjugado de un numero complejo.
Dado: z=(a;b) su opuesto es -z=(-a;-b)
Dado: z=(a;b) su conjugado es z=(a;-b)


Complejo nulo.
z=(a;b) es nulo si a=b=0, anotndose z=(0;0)

Interpretacin geomtrica.
Los nmeros complejos se representan en unos ejes cartesianos. El eje x se llama eje real y el eje y
se llama eje imaginario.

Nmero imaginario.
La unidad imaginaria es el nmero y se designa por la letra i.

1.2 Operaciones fundamentales con
nu meros complejos.
Adiccin.- Dados los complejos Z1 = (a;b) y Z2 = (c ;d). Se define Z1 + Z2 = (a; b) + (c; d) = (a +c; b+ d)

Sustraccin.- Se obtiene sumando al minuendo el opuesto del sustraendo : Z1 + (-22) = (a; b) + (-c ;
d) = (a c ; b-d)

Multiplicacin.- Dados los complejos Z1 = (a ; b) y Z2 = (c ; d), se define Z1 * Z2 = (a*c-b*d; a*d +
b*c)

Potenciacin.- La potenciacin de un numero complejo con potencia natural, se resuelve como una
multiplicacin reiterada: Zn = (a ; b)n = (a ;b)1.(a ; b)2(a ; b)n asociado de a dos pares los pares
ordenados.

Forma Binmica.- La forma Binmica de un numero complejo es: Z = a + bi

Operaciones de nmeros complejos en su forma Binmica: La suma y diferencia de
nmeros complejos se realiza sumando y restando partes reales entre si y partes
imaginarias entre s.
o +(a +bi) + (c + di) = (a+c) + (b+d) i
o -(a +bi) - (c + di) = (a-c) + (b-d) i
Multiplicacin con nmeros complejos.- El producto de los nmeros complejos se realiza aplicando
la propiedad distributiva del producto respecto de la suma y teniendo en cuenta que i2 = -1 (a + bi)
(c + di) = (ac-bd) + (ad + bc) i
Divisin con nmeros complejos.- El cociente de nmeros complejos se hace racionalizando el
denominador; esto es, multiplicando numerador y denominador por el conjugado de este.

Ejemplo.-
(3 + 2i) + 8-7-i) = (3-7) + (2i i) = -4 + i
= (5 + 3i) + {(-1 + 2i) + (7-5i)}
=(5 + 3i) + {(-1 + 7) + (2i 5i)}
= (5 + 3i) + (6 3i)
= (5 + 6) + (3i 3i)
= 11
1.3 Potencias de i, mo dulo o valor
absoluto de un nu mero complejo.
Potencias de la unidad imaginaria.
i0 = 1
i1 = i
i2 = 1
i3 = i
i4 = 1
5

Los valores se repiten de cuatro en cuatro, por eso, para saber cunto vale una determinada
potencia de i, se divide el exponente entre 4, y el resto es el exponente de la potencia equivalente a
la dada.
Ejemplo.- i22 i22 = (i4)5 i2 = 1
Valor absoluto.
El valor absoluto, mdulo o magnitud de un nmero complejo z viene dado por la siguiente
expresin: Si pensamos en z como un punto en el plano; podemos ver, por el teorema de Pitgoras,
que el valor absoluto de un nmero complejo coincide con la distancia eucldea desde el origen del
plano. Si el complejo est escrito en forma polar z = r ei, entonces |z| = r. Podemos comprobar
con facilidad estas tres importantes propiedades del valor absoluto para cualquier complejo z y w.
Por definicin, la funcin distancia queda como sigue d(z, w) = |z - w| y nos provee de un espacio
mtrico con los complejos gracias al que se puede hablar de lmites y continuidad. La suma, la resta,
la multiplicacin y la divisin de complejos son operaciones continuas. Si no se dice lo contrario, se
asume que sta es la mtrica usada en los nmeros complejos.

1.4 Forma polar y exponencial de un
nu mero complejo.
Forma Polar.
El producto de dos nmero complejos diferente de cero est dado en la forma polar por el
producto de sus valores absolutos y la suma de sus argumentos. El cociente de dos nmeros
complejos diferentes de cero est dado por el cociente de sus valores absolutos y la diferencia de
sus argumentos.


Argumento de un nmero complejo.- El argumento de un nmero complejo es el ngulo que forma
el vector con el eje real. Se designa por arg(z).

Forma exponencial.
A veces, y por simple comodidad se prefiere trabajar con la forma trigonomtrica en vez de con la
forma Binmica: Sea Z un nmero complejo cualquiera su representacin podr expresarse de
las siguientes maneras, Donde p es la magnitud de tu vector.:


1.5 Teorema de Moivre, potencias y
extraccio n de races de un nu mero
complejo.
Teorema de Moivre y Potencias.
De la figura 1.1 tenemos dada la representacin polar de un nmero complejo


Donde la formula se usa cuando

En este caso

En general, para cualquier entero positivo k.

A esto se le conoce como Teorema de Moivre aplicable as mismo a las potencias de nmeros
complejos.

Races de un nmero complejo.
Dado un nmero complejo que se define tal que i
2
=-1. Utilizando esta notacin podemos pensar en
i como la raz cuadrada de 1, pero notamos que tambin tenemos (-i
2
)
2
=i
2
=-1, as que (i) es
tambin una raz cuadrada de 1. Semejantemente a los nmeros reales, decimos que la raz
cuadrada principal de 1 es i, o, en general, si x es cualquier nmero real positivo, entonces en la
raz cuadrada principal de x se cumple la siguiente igualdad:

Es decir, la raz cuadrada de un nmero negativo es necesariamente imaginario. Eso es debido a
que i
2
=-1, por lo que entonces:

Si se desea encontrar la raz de un nmero imaginario es posible demostrar la igualdad

Por los argumentos dados, i no puede ser ni positivo ni negativo. Esto crea un problema: para el
nmero complejo z, no podemos definir para ser la raz cuadrada positiva de Z.

Para cada nmero complejo diferente a cero z existen exacto dos nmeros W tales que w
2
=Z . Por
ejemplo, las races cuadradas de i son:
; Y:
La definicin general de est introduciendo el siguiente punto de rama: si z = rei es representado
en coordenadas polares con < , despus fijamos el valor principal a:

As definido, la funcin de la raz es holomorfa en todas partes excepto en los nmeros reales no
positivos, donde no es incluso continua. La antedicha serie de Taylor para sigue siendo
vlida para el resto de los nmeros complejos x con |x| < 1.
En general, para un nmero complejo expresado en forma rectangular, se obtiene:

Donde (el valor absoluto o mdulo del nmero complejo), y el signo de
la parte imaginaria de la raz coincide con el signo de la parte imaginaria del radicando.

1.6 Ecuaciones polino micas.
Los nmeros complejos surgen ante la imposibilidad de hallar todas las soluciones de las
ecuaciones polinmicas de tipo

Dados los valores apropiados de los coeficientes an a a0 , esta ecuacin tendr n soluciones reales
si que permitirn reescribir el polinomio de la siguiente forma:

Sin embargo, ecuaciones incluso tan sencillas como x2 + 1 = 0 desafan esta regla, ya que su
solucin, que tericamente vendra dada por

Que no existe en el campo de los reales ya que la raz cuadrada no est definida para argumentos
negativos.
Los nmeros complejos sin embargo permiten ampliar an ms el concepto de "nmero",
definiendo la unidad imaginaria o i como i = raz de -1, lo que significara que la ecuacin anterior s
tendra dos soluciones, que seran x1= i y x2= - i.
La introduccin de los nmeros complejos permite probar el teorema fundamental del lgebra, que
dice que cualquier ecuacin polinmica de grado n tiene exactamente n soluciones complejas.
De esta manera, se define genricamente un nmero complejo como un nmero compuesto por
dos partes, una parte real a y una parte imaginaria b, escribindose como sigue: z = a + bi.
Por ejemplo, 2-3i, 4+8i, 3-i, etc.
Con los nmeros complejos se opera como se operara con productos de sumas ordinarios,
teniendo en cuenta siempre que i2 = -1: (a + bi)(c + di) = ac +adi +bci + bdi2 = (ac - bd) + (ad+bc)i.
La divisin es un poco ms sofisticada debido a la necesidad de eliminar la unidad imaginaria del de
nominador de la fraccin:

2.1 Definicio n de matriz, notacio n y
orden.
Definicin.
Se llama Matriz a todo cuadro de nmeros distribuidos en filas y columnas. Las matrices aparecen
por primera vez hacia el ao 1850, introducidas por J.J. Sylvester.
El desarrollo inicial de la teora se debe al matemtico W.R. Hamilton en 1853. En 1858, A. Cayley
introduce la notacin matricial como una forma abreviada de escribir un sistema de m ecuaciones
lineales con n incgnitas.
Los trminos horizontales son las filas de la matriz y los verticales son sus columnas. Una matriz con
m filas y n columnas se denomina matriz m por n, o matriz m n.

Las matrices se denotarn usualmente por letras maysculas, A, B, ..., y los elementos de las
mismas por minsculas, a, b, ...
Ejemplo:

Donde sus filas son (1, -3, 4) y (0, 5, -2) y sus

Clases de matrices.
Segn el aspecto de las matrices, stas pueden clasificarse en:

Matrices cuadradas.
Una matriz cuadrada es la que tiene el mismo nmero de filas que de columnas. Se dice que una
matriz cuadrada n n es de orden n y se denomina matriz n-cuadrada. Ejemplo: Sean las matrices

Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente.

Matriz identidad.
Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste en los
elementos a11, a22, ..., ann. La traza de A, escrito trA, es la suma de los elementos diagonales.

La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra posicin, denotada
por I, se conoce como matriz identidad (o unidad). Para cualquier matriz A, A I = I A = A.


Matrices triangulares.
Una matriz cuadrada A = (ai j ) es una matriz triangular superior o simplemente una matriz
triangular, si todas las entradas bajo la diagonal principal son iguales a cero. As pues, las matrices

Son matrices triangulares superiores de rdenes 2, 3 y 4.

Matrices diagonales.
Una matriz cuadrada es diagonal, si todas sus entradas no diagonales son cero o nulas. Se denota
por D = diag (d11, d22, ..., dnn ). Por ejemplo,

Son matrices diagonales que pueden representarse, respectivamente, por diag(3,-1,7) diag(4,-3) y
diag(2,6,0,-1).

Traspuesta de una matriz.
La traspuesta de una matriz A consiste en intercambiar las filas por las columnas y se denota por
AT. As, la traspuesta de

En otras palabras, si A = (ai j ) es una matriz m n, entonces AT = (aTij) es la matriz n m. La
trasposicin de una matriz cumple las siguientes propiedades:

1. (A + B)T = AT + BT.
2. (AT)T = A.
3. (kA)T = kAT (si k es un escalar).
4. (AB)T = BTAT.
Matrices simtricas.
Se dice que una matriz real es simtrica, si AT = A; y que es antisimtrica, si AT = -A.
Ejemplo: Consideremos las siguientes matrices:

Podemos observar que los elementos simtricos de A son iguales, o que AT = A. Siendo as, A es
simtrica. Para B los elementos simtricos son opuestos entre s, de este modo B es antisimtrica. A
simple vista, C no es cuadrada; en consecuencia, no es ni simtrica ni antisimtrica.

Matrices ortogonales.
Se dice que una matriz real A es ortogonal, si AAT = AT A = I. Se observa que una matriz ortogonal A
es necesariamente cuadrada e invertible, con inversa A-1 = AT.
Consideremos una matriz 3x3 arbitraria:

Si A es ortogonal, entonces:

Matrices normales.
Una matriz es normal si conmuta con su traspuesta, esto es, si AAT = ATA. Obviamente, si A es
simtrica, antisimtrica u ortogonal, es necesariamente normal.


Ejemplo:

Matriz numrica.
Conjunto de nmeros colocados en filas y en columnas.

Matriz de orden (m,n).
Conjunto de nmeros reales, dispuestos en filas m, i en columnas n. Cada uno de los nmeros que
consta la matriz es un elemento, que se distingue entre los otros, por su posicin.

Subndices.
Cada elemento tiene unos subndices que sirven para indicar su posicin dentro de la matriz. El
primer indica la fila, y el segunda indica la columna.

Orden de la matriz.
El nmero de filas y columnas de una matriz determina el orden de la matriz. El orden de la matriz
est determinado por un par de nmeros naturales; m y n.

Las filas son los nmeros dispuestos en m horizontales. En el ejemplo, la primera fila estara
formada por los nmeros [ 1 2 3 ].
Las columnas son los nmeros dispuestos en n verticales. En el ejemplo, la primera columna estara
formada por los nmeros [ 1 1 4 6 ].
Una matriz de orden (m,n) es el conjunto de nmeros dispuestos en m filas y n columnas.
Siguiendo el mismo ejemplo, vemos que es una matriz 4x3. Se clasifica as porque la matriz
contiene 4 filas y 3 columnas.
Si queremos sealar un elemento de la matriz, estos se distinguen por su posicin, la cual queda
definida por su fila y su columna.
Por ejemplo, si queremos dar la posicin del nmero 7 (figura 1.1), sera de la siguiente forma: am,n
es a2,3; m indica la fila en la cual se encuentra el nmero. Pasa exactamente lo mismo n, que indica
la columna en la que se encuentra.
2.2 Operaciones con matrices.
Suma.
Las matrices se pueden sumar y restar entre s, con la condicin que sean del mismo orden. La
suma se obtiene sumando los elementos de dos matrices que pertenecen a la misma fila y a la
misma columna. Dada las matrices A y B del mismo orden, la matriz sumante se obtiene sumando
cada trmino de A correspondiente en B:


Propiedades de la suma.-
Asociativa: (A+B)+C = A + (B+C)
Conmutativa: A + B= B + A
Elemento neutro: A + 0 = A
Elemento simtrico: A - B = A + ( - B )

Producto por un escalar.
Con un nombre real k y la matriz A de orden (m,n), definimos el producto de K por A el producto de
cada elemento que les forma cada uno. Igual que la siguiente forma: cuando K=2

Propiedades del producto escalar.-
k ( A + B ) = kA + kB
( k + h )A = kA + hA
k ( hA) = ( kh ) A
1A = A

2. 3 Clasificacio n de las matrices.
Tipos de matrices.
Triangular superior.
En una matriz triangular superior los elementos situados por debajo de la diagonal principal son
ceros.


Triangular inferior.
En una matriz triangular inferior los elementos situados por encima de la diagonal principal son
ceros.

Diagonal.
En una matriz diagonal todos los elementos situados por encima y por debajo de la diagonal
principal son nulos.

Escalar.
Una matriz escalar es una matriz diagonal en la que los elementos de la diagonal principal son
iguales.

Identidad.
Una matriz identidad es una matriz diagonal en la que los elementos de la diagonal principal son
iguales a 1.

Potencia.
Se llama potencia k-sima de una matriz cuadrada A, donde k OE , un entero positivo, al producto
de A por s misma, repetido k veces.

Ak = AAA......k veces ...... A
Se conviene en que:
A- k = (A- 1) k " k OE
A0 = I

Traspuesta.
Dada una matriz A, se llama matriz traspuesta de A a la matriz que se obtiene cambiando
ordenadamente las filas por las columnas

(At)t = A
(A + B)t = At + Bt
( A)t = At
(A B)t = Bt At

Simtrica.- Una matriz simtrica es una matriz cuadrada que verifica: A = At.

Antisimetrica.- Antisimtrica o hemisimtrica es una matriz cuadrada que verifica: A = -At.

Compleja.- Sus elementos son nmeros complejos aij e

Conjugada.- Matriz conjugada de una matriz A Aquella que se obtiene sustituyendo cada elemento
por su complejo conjugado (igual parte real, pero la parte imaginaria cambiada de signo).

Hermitiana o hermitica. Una matriz hermitiana (o hermtica) es una matriz cuadrada de
elementos complejos que tiene la caracterstica de ser igual a su propia traspuesta conjugada. Es
decir, el elemento en la i-sima fila y j-sima columna es igual al conjugado del elemento en la j-
sima fila e i-sima columna, para todos los ndices i y j:

o, escrita con la traspuesta conjugada A*: Por ejemplo,

Es una matriz hermtica.

Antihermitiana.- una Matriz antihermitiana es una matriz cuadrada cuya traspuesta conjugada es
menos la matriz. Esto es si satisface a la relacin:
A * = -A
O en su forma componente, si (A = ai,j):

Para toda la i y las j.

Ortogonal.- Una matriz ortogonal es necesariamente cuadrada e invertible : A-1 = AT La inversa de
una matriz ortogonal es una matriz ortogonal. El producto de dos matrices ortogonales es una
matriz ortogonal. El determinante de una matriz ortogonal vale +1 -1.

2.4 Transformaciones elementales por
renglo n. Escalonamiento de una
matriz. Rango de una matriz.

La idea que se persigue con las transformaciones elementales es convertir una matriz concreta en
otra matriz ms fcil de estudiar. En concreto, siempre ser posible conseguir una matriz
escalonada, en el sentido que definimos a continuacin.
Sea A una matriz y F una fila de A. Diremos que F es nula si todos los nmeros de F coinciden con el
cero. Si F es no nula, llamamos PIVOTE de F al primer nmero distinto de cero de F contando de
izquierda a derecha.

Una MATRIZ ESCALONADA es aquella que verifica las siguientes propiedades:
1. Todas las filas nulas (caso de existir) se encuentran en la parte inferior de la matriz.
2. El pivote de cada fila no nula se encuentra estrictamente mas a la derecha que el pivote de
la fila de encima.

Por ejemplo, entre las matrices:

A no es escalonada, mientras que B y C si lo son.
Dada una matriz escalonada E se define el RANGO de E, que representamos por rg (E), como el
nmero de filas no nulas de E.

En los ejemplos B y C de arriba se tiene rg (B) = rg(C) = 2, sin embargo no podemos decir que rg(A) =
3 ya que A no est escalonada. Otro ejemplo, las matrices nulas tienen rango cero y la matriz
identidad de orden n cumple rg (In) = n.
La siguiente cuestin que abordaremos es la definicin de rango para una matriz cualquiera que no
est escalonada. La idea ser la de transformar la matriz dada en otra que sea escalonada mediante
las llamadas transformaciones elementales por filas que describimos a continuacin.

Dada una matriz A cualquiera, las TRANSFORMACIONES ELEMENTALES por filas de A son tres:
1. Intercambiar la posicin de dos filas.
2. Multiplicar una fila por un nmero real distinto de cero.
3. Sustituir una fila por el resultado de sumarle a dicha fila otra fila que ha sido previamente
multiplicada por un nmero cualquiera.
Nota: Anlogamente podramos hacerlo todo por columnas; sin embargo, son las transformaciones
por filas las que son importantes en los sistemas de ecuaciones lineales que estudiaremos despus.
El siguiente resultado nos garantiza que siempre podemos transformar una matriz cualquiera en
otra escalonada.

Teorema.
A partir de cualquier matriz A se puede llegar, mediante una cantidad finita de transformaciones
elementales, a una matriz escalonada E.

Veamos en un ejemplo cmo se hace. Obsrvese que, primero, hacemos que la componente (1,1)
de la matriz de partida sea igual a uno. Luego, se hace que el resto de componentes de la primera
columna sean cero. Despus se pasa a la componente (2,2), y as sucesivamente.

El teorema anterior nos permite hacer una definicin importante:
Dada una matriz A cualquiera se define el RANGO de A y lo denotamos rg(A) como el rango de
cualquier matriz escalonada E equivalente con A (se demuestra que este nmero no depende de la
matriz escalonada E a la que se llegue). El rango siempre es un nmero menor o igual que el
nmero de filas y el nmero de columnas de A. Adems, el rango es cero si y slo si A = 0. En
nuestro ejemplo de antes, el rango es 3.

2.5 Ca lculo de la inversa de una matriz.

Sabemos ya multiplicar matrices y hemos visto algunas de las propiedades de esta operacin.
Recordemos, en primer lugar, que no siempre es posible efectuar la multiplicacin de dos matrices,
y en segundo lugar, que aunque sea posible hacer esta multiplicacin, en general no es
conmutativo, es decir AB es distinto de B*A.
En el caso particular de que tratemos con matrices cuadradas del mismo orden A y B, es claro que
podemos efectuar los productos AB y BA, que darn como resultado otra matriz del mismo orden,
aunque, como ya se ha dicho, las matrices resultantes sern, en general, distintas.

Sabemos tambin que el elemento neutro del producto de matrices es la matriz identidad In. Por
analoga con el caso de los nmeros reales, podemos plantearnos la siguiente cuestin: Si tenemos
un nmero real, por ejemplo el 2, podemos interesarnos en buscar el inverso del 2 para el
producto, es decir un nmero real x tal que 2x = 1, el producto de 2 por x sea igual al elemento
neutro, el 1.
Evidentemente, en el caso de los nmeros reales es bien fcil despejar x para obtener, en nuestro
caso, que x =12, es decir, el inverso de un nmero real es otro nmero que multiplicado por el da
el elemento neutro, el 1.
Todo nmero real, salvo el 0, tiene inverso.
Trasladando esto a las matrices, nos podemos plantear si dada una matriz cuadrada A de orden n,
cualquiera, existe su inversa X para el producto de matrices, tal que A X = In es decir, el producto
de A por su inversa produce el elemento neutro matricial, la matriz identidad In. Sin embargo, hay
algunas diferencias con respecto al caso de los nmeros reales:
1. No podemos despejar la matriz X del modo X = In A, porque no hemos definido la divisin
de matrices.
2. No todas las matrices cuadradas no nulas tienen matriz inversa (sea lo que sea, por
analoga con los nmeros).
Definamos, en primer lugar, el trmino de matriz inversa: Dada una matriz cuadrada de orden n , A,
se dice que A es invertible (o que posee inversa o que es no singular o que es regular ), si existe otra
matriz del mismo orden, denominada matriz inversa de A y representada por A1 y tal que: A * A1
= In y A1 * A = In
Si A no tiene inversa, se dice que es singular o no invertible.
Si una matriz tiene inversa, dicha matriz inversa es nica (slo hay una).

2. 6 Definicio n de determinante de una
matriz.
El determinante de una matriz cuadrada es un nmero real cuya definicin exacta es bastante
complicada. Por ello, definiremos primero el determinante de matrices pequeas, y estudiaremos
mtodos y tcnicas para calcular determinantes en general. Solamente se puede calcular el
determinante a matrices cuadradas.


En cuanto a la notacin, a veces el determinante se escribe con la palabra det, y otras veces se
indica sustituyendo los parntesis de la matriz por barras verticales.
El determinante de una matriz determina si los sistemas son singulares o mal condicionados. En
otras palabras, sirve para determinar la existencia y la unicidad de los resultados de los sistemas de
ecuaciones lineales.
El determinante de una matriz es un nmero.
Un determinante con valor de cero indica que se tiene un sistema singular.
Un determinante con valor cercano a cero indica que se tiene un sistema mal condicionado.

Un sistema singular es cuando en el sistema de ecuaciones se tiene a ms de una ecuacin con el
mismo valor de la pendiente. Por ejemplo ecuaciones que representan lneas paralelas o
ecuaciones que coinciden en los mismos puntos de graficacin.
En un sistema mal condicionado es difcil identificar el punto exacto en que las lneas de las
ecuaciones se interceptan.


2. 7 Propiedades de los determinantes.

1.- |At|= |A| El determinante de una matriz A y el de su traspuesta At son iguales.

2.-|A|=0 Si: Posee dos lneas iguales

Todos los elementos de una lnea son nulos.

Los elementos de una lnea son combinacin lineal de las otras.

F3 = F1 + F2

3.-Un determinante triangular es igual al producto de los elementos de la diagonal principal


4.-Si en un determinante se cambian entre s dos lneas paralelas su determinante cambia de signo.

5.-Si a los elementos de una lnea se le suman los elementos de otra paralela multiplicados
previamente por un n real el valor del determinante no vara.

6.-Si se multiplica un determinante por un nmero real, queda multiplicado por dicho nmero
cualquier lnea, pero slo una.

7.-Si todos los elementos de una fila o columna estn formados por dos sumandos, dicho
determinante se descompone en la suma de dos determinantes.

8.-|AB| =|A||B| El determinante de un producto es igual al producto de los determinantes.


2. 8 Inversa de una matriz cuadrada a
trave s de la adjunta.
Primero Recordemos que
Dada una matriz cuadrada A de dimensin n, diremos que es regular (o inversible) si existe una
matriz de la misma dimensin, B, que cumple:

Donde es la matriz identidad de dimensin n.
Si no existe tal matriz B, diremos que A es singular (o inversible).
En caso de existir B, es nica, por lo que la llamaremos inversa de A y la denotaremos por
El mtodo que usaremos en estos ejercicios consiste simplemente en aplicar la frmula

Donde el exponente T indica matriz traspuesta y Adj() indica adjuncin

Recordemos cmo se define la matriz adjunta:
Sea A una matriz de cuadrada de dimensin n

Se define su matriz adjunta como

Donde A
i , j
es la matriz que resulta al quitar la fila i y columna j a A.
Al elemento ad
i , j
se le denomina ( i , j )- cofactor (o adjunto) de la matriz A.

Entonces
Sea A una matriz de nxn. Entonces A es invertible si y solo si detA0. Si detA0, entonces

Si detA0, entonces se demuestra que (1/detA)(adjA) es la inversa de A multiplicndola por A y
obteniendo la matriz identidad:

Si AB=I, entonces B=A
-1
. As, (1/detA)adjA=A
-1


Ejemplo:
Calculamos los cofactores de A (los elementos de su matriz adjunta):

La matriz adjunta es:

Calculamos el determinante de A:

La matriz inversa es:


2. 9 Aplicacio n de matrices y
determinantes.

Las matrices se utilizan en el contexto de las ciencias como elementos que sirven para clasicar
valores numricos atendiendo a dos criterios o variables.

Ejemplo: Un importador de globos los importa de dos colores, naranja (N) y fresa (F). Todos ellos se
envasan en paquetes de 2, 5 y 10 unidades, que se venden al precio (en euros) indicado por la tabla
siguiente:

Sabiendo que en un ao se venden el siguiente nmero de paquetes:

Resumir la informacin anterior en 2 matrices A y B, de tamao respectivo 2x3 y 3x2 que recojan
las ventas en un ao (A) y los precios (B).
Nos piden que organicemos la informacin anterior en dos matrices de tamao concreto. Si nos
jamos en las tablas, es sencillo obtener las matrices:

Estas matrices se denominan matrices de informacin, y simplemente recogen los datos numricos
del problema en cuestin.


Otras matrices son las llamadas matrices de relacin, que indican si ciertos elementos estn o no
relacionados entre s. En general, la existencia de relacin se expresa con un 1 en la matriz y la
ausencia de dicha relacin de expresa con un 0.
Estas matrices se utilizan cuando queremos trasladar la informacin dada por un grafo y expresarla
numricamente.
En Matemticas, un grafo es una coleccin cualquiera de puntos conectados por lneas. Existen
muchos tipos de grafos. Entre ellos, podemos destacar:
Grafo simple: Es el grafo que no contiene ciclos, es decir, lneas que unan un punto consigo
mismo, ni lneas paralelas, es decir, lneas que conectan el mismo par de puntos.
Grafo dirigido: Es el grafo que indica un sentido de recorrido de cada lnea, mediante una
echa.
Estos tipos de grafo pueden verse en la gura:

Relacionadas con los grafos se pueden denir algunas matrices. Entre todas ellas, nosotros nos
jaremos en la llamada matriz de adyacencia, que es aquella formada por ceros y unos
exclusivamente, de tal forma que:
un 1 en el lugar (i,j) expresa la posibilidad de ir desde el punto de la la i hasta el punto de
la columna j mediante una lnea que los una directamente.
un 0 en el lugar (i,j) expresa la imposibilidad de ir del primer punto al segundo mediante
una lnea que los una directamente.
La matriz de adyacencia del grafo dirigido de la gura anterior ser:


3.1 Definicio n de sistemas de
ecuaciones lineales.
En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin conocido como
sistema lineal de ecuaciones o simplemente sistema lineal, es un conjunto de ecuaciones lineales
(es decir, un sistema de ecuaciones en donde cada ecuacin es de primer grado), definidas sobre un
cuerpo o un anillo conmutativo. Un ejemplo de sistema lineal de ecuaciones sera el siguiente:

El problema consiste en encontrar los valores desconocidos de las variables x1, x2 y x3 que
satisfacen las tres ecuaciones.
El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y
tiene una infinidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural,
estimacin, prediccin y ms generalmente en programacin lineal as como en la aproximacin de
problemas no lineales de anlisis numrico.
En general, un sistema con m ecuaciones lineales y n incgnitas puede ser escrito en forma normal
como:

Donde son las incgnitas y los nmeros son los coeficientes del sistema
sobre el cuerpo . Es posible reescribir el sistema separando con coeficientes
con notacin matricial:

Si representamos cada matriz con una nica letra obtenemos:

Donde A es una matriz m por n, x es un vector columna de longitud n y b es otro vector columna de
longitud m. El sistema de eliminacin de Gauss-Jordan se aplica a este tipo de sistemas, sea cual sea
el cuerpo del que provengan los coeficientes.

3. 2 Clasificacio n de los sistemas de
ecuaciones lineales y tipos de solucio n.
Clasificacin.
Podemos clasificar los sistemas de ecuaciones lineales segn su nmero de soluciones de la
siguiente forma:
Sistemas con una solucin: Las ecuaciones del sistema son rectas secantes. Se cortan en un
punto (x, y) que es la solucin del sistema
Sistemas sin solucin: Las ecuaciones del sistema son rectas paralelas. No tienen ningn
punto en comn, y por tanto no hay solucin
Sistemas con infinitas soluciones: Las ecuaciones del sistema son rectas coincidentes.
Tienen todos los puntos en comn, y por tanto todos ellos son solucin
Condiciones que deben cumplir las ecuaciones para que el sistema tenga una, ninguna o infinitas
soluciones:
Una solucin: Los coeficientes de x e y de las dos ecuaciones no son proporcionales.
Ejemplo:
Ninguna solucin: Los coeficientes de x e y de una ecuacin son proporcionales a los de la
otra, mientras que los trminos independientes no lo son.
Ejemplo:
Infinitas soluciones: Los coeficientes de x e y, y el trmino independiente de una ecuacin,
son proporcionales a los de la otra.
Ejemplo:

Tipos de Solucin.
Sustitucin.- El mtodo de sustitucin consiste en despejar en una de las ecuaciones cualquier
incgnita, preferiblemente la que tenga menor coeficiente, para, a continuacin, sustituirla en otra
ecuacin por su valor.
En caso de sistemas con ms de dos incgnitas, la seleccionada debe ser sustituida por su valor
equivalente en todas las ecuaciones excepto en la que la hemos despejado. En ese instante,
tendremos un sistema con una ecuacin y una incgnita menos que el inicial, en el que podemos
seguir aplicando este mtodo reiteradamente. Por ejemplo, supongamos que queremos resolver
por sustitucin este sistema:

En la primera ecuacin, seleccionamos la incgnita y por ser la de menor coeficiente y que
posiblemente nos facilite ms las operaciones, y la despejamos, obteniendo la siguiente ecuacin.

El siguiente paso ser sustituir cada ocurrencia de la incgnita y en la otra ecuacin, para as
obtener una ecuacin donde la nica incgnita sea la x.

Al resolver la ecuacin obtenemos el resultado x=5, y si ahora sustituimos esta incgnita por su
valor en alguna de las ecuaciones originales obtendremos y=7, con lo que el sistema queda ya
resuelto.

Igualacin.- El mtodo de igualacin se puede entender como un caso particular del mtodo de
sustitucin en el que se despeja la misma incgnita en dos ecuaciones y a continuacin se igualan
entre s la parte derecha de ambas ecuaciones.
Tomando el mismo sistema utilizado como ejemplo para el mtodo de sustitucin, si despejamos la
incgnita en ambas ecuaciones nos queda de la siguiente manera:


Como se puede observar, ambas ecuaciones comparten la misma parte izquierda, por lo que
podemos afirmar que las partes derechas tambin son iguales entre s.

Una vez obtenido el valor de la incgnita x, se substituye su valor en una de las ecuaciones
originales, y se obtiene el valor de la y.
La forma ms fcil de tener el mtodo de sustitucin es realizando un cambio para despejar x
despus de averiguar el valor de la y.

Reduccin.- Este mtodo suele emplearse mayoritariamente en los sistemas lineales, siendo pocos
los casos en que se utiliza para resolver sistemas no lineales. El procedimiento, diseado para
sistemas con dos ecuaciones e incgnitas, consiste en transformar una de las ecuaciones
(generalmente, mediante productos), de manera que obtengamos dos ecuaciones en la que una
misma incgnita aparezca con el mismo coeficiente y distinto signo. A continuacin, se suman
ambas ecuaciones producindose as la reduccin o cancelacin de dicha incgnita, obteniendo as
una ecuacin con una sola incgnita, donde el mtodo de resolucin es simple. Por ejemplo, en el
sistema:

No tenemos ms que multiplicar la primera ecuacin por -2 para poder cancelar la incgnita y. Al
multiplicar, dicha ecuacin nos queda as:

Si sumamos esta ecuacin a la segunda del sistema original, obtenemos una nueva ecuacin donde
la incgnita y ha sido reducida y que, en este caso, nos da directamente el valor de la incgnita x:

El siguiente paso consiste nicamente en sustituir el valor de la incgnita x en cualquiera de las
ecuaciones donde aparecan ambas incgnitas, y obtener as que el valor de y es igual a:


Mtodo Grfico.- Consiste en construir la grfica de cada una de las ecuaciones del sistema. El
mtodo (manualmente aplicado) solo resulta eficiente en el plano cartesiano, es decir para un
espacio de dimensin 2.
El proceso de resolucin de un sistema de ecuaciones mediante el mtodo grfico se resuelve en
los siguientes pasos:
Se despeja la incgnita (y) en ambas ecuaciones.
Se construye para cada una de las dos ecuaciones de primer grado obteniendo la tabla de
valores correspondientes.
Se representan grficamente ambas rectas en los ejes coordenados.
En este ltimo paso hay tres posibilidades:
Si ambas rectas se cortan, las coordenadas del punto de corte son los nicos valores de las
incgnitas (x,y). "Sistema compatible determinado".
Si ambas rectas son coincidentes, el sistema tiene infinitas soluciones que son las
respectivas coordenadas de todos los puntos de esa recta en la que coinciden ambas.
Sistema compatible indeterminado.
Si ambas rectas son paralelas, el sistema no tiene solucin.

Mtodo de Gauss.- La eliminacin de Gauss-Jordan, ms conocida como mtodo de Gauss, es un
mtodo aplicable nicamente a los sistemas lineales de ecuaciones, y consistente en triangular la
matriz aumentada del sistema mediante transformaciones elementales, hasta obtener ecuaciones
de una sola incgnita, cuyo valor ser igual al coeficiente situado en la misma fila de la matriz. Este
procedimiento es similar al anterior de reduccin, pero ejecutado de manera reiterada y siguiendo
un cierto orden algortmico.
El Mtodo de Gauss consiste en convertir un sistema normal de 3 ecuaciones con 3 incognitas en
uno escalonado, en la que la primera ecuacin tiene 3 incgnitas, la segunda ecuacin tiene 2
incgnitas, y la tercera ecuacin tiene 1 incgnita. De esta forma ser fcil a partir de la ltima
ecuacin y subiendo, calcular el valor de las tres incgnitas.
En primer lugar, reducimos la incgnita x, sumando a la segunda fila, la primera multiplicada por
2/3, y a la tercera, la primera fila. La matriz queda as:


El siguiente paso consiste en eliminar la incgnita y en la primera y tercera fila, para lo cual les
sumamos la segunda multiplicada por -2 y por -4, respectivamente.

Por ltimo, eliminamos la z, tanto de la primera como de la segunda fila, sumndoles la tercera
multiplicada por -2 y por 1/2, respectivamente:

Llegados a este punto podemos resolver directamente las ecuaciones que se nos plantean:

O, si lo preferimos, podemos multiplicar las tres filas de la matriz por: 1/2, 2 y -1 respectivamente, y
obtener as automticamente los valores de las incgnitas en la ltima columna.

Ejemplo.-
Pongamos un ejemplo del clculo de un sistema de ecuaciones por el mtodo de Gauss. Se renen
30 personas entre hombres, mujeres y nios. Se sabe que entre los hombres y el triple de mujeres
exceden en 20 el doble de los nios. Tambin se sabe que entre hombres y mujeres se duplican al
nmero de nios. Plantear y resolver el sistema de ecuaciones. x=nmero de hombres; y=nmero
de mujeres; y z=nmero de nios. Se renen 30 personas entre hombres, mujeres y nios:
x+y+z=30. Se sabe que entre los hombres y el triple de mujeres exceden en 20 el doble de los nios:
x+3y=2z+20. Tambin se sabe que entre hombres y mujeres se duplican al nmero de nios:
x+y=2z.


Agrupando las tres ecuaciones tenemos el sistema, que ordenado resulta:

Aplicamos Gauss, restando la primera ecuacin a las dos siguientes:

En este caso en la tercera ecuacin se ha eliminado la y, por lo que no es necesario hacer ms
operaciones. Por lo tanto obtenemos que z = 10 de la tercera ecuacin:

Sustituyendo z en la segunda ecuacin obtenemos que y = 10:

Sustituyendo z y en la primera ecuacin obtenemos x = 10.

Con lo que hemos obtenido el resultado del sistema:


Mtodo de Cramer.- La regla de Cramer da una solucin para sistemas compatibles determinados
en trminos de determinantes y adjuntos dada por:

Donde Aj es la matriz resultante de remplazar la j-sima columna de A por el vector columna b.
Para un sistema de dos ecuaciones y dos incgnitas:

La regla de Cramer da la siguiente solucin:

Nota: Cuando en la determinante original det(A) el resultado es 0, el sistema indica mltiples o sin
coincidencia.

3. 3 Interpretacio n geome trica de las
soluciones.

Cada ecuacin representa un plano en el espacio tridimensional. Luego se trata de estudiar la
posicin relativa de tres planos en el espacio. Las soluciones del sistema son geomtricamente los
puntos de interseccin de los tres planos, los casos son:
Un punto nico.

Sistema compatible determinado.

Los tres planos se cortan en P.


Una recta. Son soluciones todos los puntos representativos de la recta comn. Sistema
compatible indeterminado con un grado de libertad. Los planos se cortan en r.

Un plano. Los planos son coincidentes. El sistema es compatible indeterminado con dos
grados de libertad.

Ningn punto. El sistema es incompatible. Esta situacin se presenta geomtricamente de
distintas maneras. Para estudiar las posiciones relativas de los planos hay que tomarlos de
dos en dos.

Se pueden presentar varios casos: Que los planos sean paralelos:


3. 4 Me todos de solucio n de un sistema
de ecuaciones lineales: Gauss, Gauss-
Jordan, inversa de una matriz y regla
de Cramer.

Mtodo de resolucin de Gauss-Jordan
Es el mtodo de resolucin de sistemas de ecuaciones lineales, que consiste en llegar a un sistema
"escalonado" transformando la matriz ampliada en una matriz escalonada por filas.
El mtodo de Gauss es una generalizacin del mtodo de reduccin, que utilizamos para eliminar
una incgnita en los sistemas de dos ecuaciones con dos incgnitas. Consiste en la aplicacin
sucesiva del mtodo de reduccin, utilizando los criterios de equivalencia de sistemas, para
transformar la matriz ampliada con los trminos independientes ( A* ) en una matriz triangular, de
modo que cada fila (ecuacin) tenga una incgnita menos que la inmediatamente anterior.
Se obtiene as un sistema, que llamaremos escalonado, tal que la ltima ecuacin tiene una nica
incgnita, la penltima dos incgnitas, la antepenltima tres incgnitas,..., y la primera todas las
incgnitas.
El siguiente esquema muestra cmo podemos resolver un sistema de ecuaciones lineales aplicando
este mtodo.
Partimos, inicialmente, de un sistema de n ecuaciones lineales con n incgnitas, compatible
determinado:

En primer lugar, aplicando sucesivamente el mtodo de reduccin, eliminamos en todas las
ecuaciones, excepto en la primera, la incgnita x1, obtenindose un sistema equivalente:

En segundo lugar, aplicando nuevamente el mtodo de reduccin de forma sucesiva, eliminamos
en todas las ecuaciones, excepto en las dos primeras, la incgnita x2, obtenindose un sistema
equivalente:

Para resolverlo despejamos, en primer lugar, la nica incgnita de la ltima ecuacin. Luego
sustituimos sta en la penltima ecuacin y despejamos la otra incgnita.
Posteriormente, sustituimos dos de las tres incgnitas de la antepenltima ecuacin por sus valores
y despejamos la que queda, y as sucesivamente hasta llegar a la primera ecuacin.
Las transformaciones que podemos realizar en dicha matriz para transformar el sistema inicial en
otro equivalente son las siguientes:
Multiplicar o dividir una fila por un nmero real distinto de cero.
Sumarle o restarle a una fila otra fila.
Sumarle a una fila otra fila multiplicada por un nmero distinto de cero.
Cambiar el orden de las filas.
Cambiar el orden de las columnas que corresponden a las incgnitas del sistema, teniendo
en cuenta los cambios realizados a la hora de escribir el nuevo sistema equivalente. Es
decir: si, por ejemplo, la 2 columna corresponde a la incgnita y, y la tercera a la incgnita
z, y cambiamos el orden de las columnas, ahora la 2 columna corresponde a la incgnita z
y la tercera a la incgnita y.
Eliminar filas proporcionales o que sean combinacin lineal de otras.
Eliminar filas nulas (0 0 0 ... 0).

Despus de realizar las transformaciones que se consideren pertinentes, se obtendr un sistema
escalonado. Suponiendo que hubisemos eliminado, si las hubiera, las filas nulas (0 0 0 ... 0), que
corresponden a ecuaciones del tipo 0 = 0, el sistema equivalente tendra ahora k ecuaciones
lineales con n incgnitas.

Analizando el sistema resultante, podemos efectuar su discusin del siguiente modo:
Si alguna de las ecuaciones es del tipo 0 = b (siendo b distinto de cero), el sistema es
incompatible y no tiene solucin.
Si no hay ecuaciones del tipo 0 = b, y adems k = n, es decir, el nmero de ecuaciones del
sistema equivalente es igual al nmero de incgnitas, el sistema es compatible
determinado y, por lo tanto, tiene una nica solucin.
Si no hay ecuaciones del tipo 0 = b y k < n, es decir, el nmero de ecuaciones es menor que
el nmero de incgnitas, el sistema es compatible indeterminado y, en consecuencia, tiene
infinitas soluciones. En este caso, tenemos que separar las incgnitas principales de las no
principales.

Pero, cules son las incgnitas principales? Se puede dar el siguiente criterio: Si el sistema
es escalonado y tiene k ecuaciones, las k primeras incgnitas sern las principales y las n -
k restantes sern las no principales que pasaremos al segundo miembro como parmetros.

Mtodo de resolucin de Cramer. Regla de Cramer.
La regla de Cramer utiliza las propiedades de las matrices y sus determinantes para despejar, por
separado, una cualquiera de las incgnitas de un sistema de ecuaciones lineales.

REGLA DE CRAMER
Un sistema de ecuaciones lineales recibe el nombre de sistema de Cramer cuando se cumplen las
dos condiciones siguientes:
El nmero de ecuaciones es igual al nmero de incgnitas.
El determinante de la matriz de los coeficientes (matriz del sistema) es distinto de cero (det
( A ) 0)


Un sistema de Cramer es, por definicin, compatible determinado, puesto que se cumple que rango
(A) = rango (A*) = n (n de incgnitas).
Consideremos un sistema de Cramer, es decir, un sistema de n ecuaciones lineales con n incgnitas,
cuya expresin general es la siguiente:

Sean A la matriz del sistema, entonces det (A) 0.
Llamaremos matriz asociada a la incgnita xi y la designaremos por Ai a la matriz que se obtiene al
sustituir en la matriz del sistema la columna i por la matriz columna de los trminos
independientes.
Es decir:

Todos los sistemas de Cramer son compatibles determinados.
El valor de cada incgnita se obtiene dividiendo el determinante de la matriz asociada a dicha
incgnita por la matriz del sistema (matriz de los coeficientes de las incgnitas).

Se puede aplicar la regla de Cramer para resolver sistemas de ecuaciones lineales compatibles que
tengan ms ecuaciones que incgnitas? La respuesta es afirmativa. Basta con obtener un sistema
equivalente al inicial eliminando las ecuaciones superfluas o dependientes (proporcionales, nulas o
que sean combinacin lineal de otras).
El procedimiento a seguir es el siguiente: Supongamos que tenemos un sistema de m ecuaciones
lineales con n incgnitas, siendo m > n y tal que: rango (A) = rango (A*) = n. Por lo tanto, sobran m -
n ecuaciones. Para averiguar cules son las ecuaciones de las que podemos prescindir, basta
encontrar en la matriz de los coeficientes (A) un menor de orden n distinto de cero, por ejemplo, el
que utilizamos para averiguar el rango de la matriz A.

Las filas que intervienen en este menor son las que corresponden a las ecuaciones principales.
Las restantes ecuaciones las podemos suprimir.
Ejemplo: Sea el sistema de ecuaciones lineales formado por dos ecuaciones con dos incgnitas:

Encontrar el valor de x e y mediante la regla de Cramer. Empezaremos con el primer paso, que
consiste en hallar la matriz ampliada A b asociada al sistema de ecuaciones lineales:

El segundo paso es calcular el determinante de A. As pues:

Y el tercero y ltimo paso consiste en calcular las incgnitas:

Mtodo de la matriz inversa.
Consideremos un sistema de n ecuaciones lineales con n incgnitas, cuya expresin general es la
siguiente:


Hemos visto que este sistema se puede escribir en forma matricial del siguiente modo: A X = B. La
matriz A se llama matriz del sistema, es de dimensin n x n y sus elementos son los coeficientes de
las incgnitas. La matriz X es una matriz columna, de dimensin n x 1, formada por las incgnitas
del sistema. Por ltimo, la matriz B es otra matriz columna, de dimensin n x 1, formada por los
trminos independientes. Es decir:

Si el determinante de la matriz A es distinto de cero (det (A) 0 ), la matriz A tiene inversa ( A-1 ).
Por lo tanto, podemos calcular la matriz de las incgnitas X del siguiente modo:

Es decir, para calcular la matriz columna de las incgnitas ( X ), multiplicamos la inversa de la matriz
A ( A-1 ) por la matriz columna de los trminos independientes, obtenindose otra matriz columna
de la misma dimensin que X.
Se puede aplicar el mtodo de la matriz inversa para resolver sistemas de ecuaciones lineales
compatibles que tengan ms ecuaciones que incgnitas? La respuesta es afirmativa. Basta con
obtener un sistema equivalente al inicial eliminando las ecuaciones superfluas o dependientes
(proporcionales, nulas o que sean combinacin lineal de otras).
El procedimiento a seguir es el siguiente: Supongamos que tenemos un sistema de m ecuaciones
lineales con n incgnitas, siendo m > n y tal que: rango (A) = rango (A*) = n. Por lo tanto, sobran m -
n ecuaciones. Para averiguar cules son las ecuaciones de las que podemos prescindir, basta
encontrar en la matriz de los coeficientes ( A ) un menor de orden n distinto de cero, por ejemplo,
el que utilizamos para averiguar el rango de la matriz A. Las filas que intervienen en este menor son
las que corresponden a las ecuaciones principales. Las restantes ecuaciones las podemos suprimir.
Se puede aplicar el mtodo de la matriz inversa para resolver sistemas de ecuaciones lineales
compatibles indeterminados? La respuesta es tambin afirmativa. El procedimiento a seguir es el
siguiente: Supongamos que tenemos un sistema de m ecuaciones lineales con n incgnitas, tal que:
rango (A) = rango (A*) = k < n. Por lo tanto, sobran m - k ecuaciones y, adems, hay n - k incgnitas
no principales. Para averiguar cules son las ecuaciones de las que podemos prescindir, y cules son
las incgnitas no principales, basta encontrar en la matriz de los coeficientes ( A ) un menor de
orden k distinto de cero, por ejemplo, el que utilizamos para averiguar el rango de la matriz A. Las
filas que intervienen en este menor son las que corresponden a las ecuaciones principales o
independientes. Las restantes ecuaciones las podemos suprimir. Las columnas que figuran en dicho

menor corresponden a las incgnitas principales. Las incgnitas no principales las pasamos al otro
miembro y pasan a formar un nico trmino junto con el trmino independiente. Se obtiene, de
este modo, un sistema de k ecuaciones lineales con k incgnitas, cuyas soluciones van a depender
de n - k parmetros (correspondientes a las incgnitas no principales).
3. 5 Aplicaciones.
Fracciones parciales.
Una tcnica muy conveniente utilizada en algunas tareas matemticas es aquella conocida como
fracciones idea principal consiste en cambiar la forma que puede ser expresado un cociente entre
polinomios a otra forma ms conveniente para cierto tipo de clculo.
Ejemplo 4.1 Determine los valores de las constantes a y b para que satisfagan:

Solucin.-


Ejemplo: (Forma dudosa) Determine los valores de las constantes a y b para que satisfagan:

SOLUCIN

Determinacin de curvas.
Un problema comn en diferentes tareas es la determinacin de curvas. Es decir el problema de
encontrar la funcin que pasa por un conjunto de puntos. Usualmente se conoce la naturaleza de la
funcin, es decir, se conoce la forma que debe tener la funcin. Por ejemplo, lnea recta, parbola o
exponencial etc. Lo que se hace para resolver este tipo de problemas es describir la forma ms
general de la funcin mediante parmetros constantes. Y posteriormente se determinan estos
parmetros haciendo pasar la funcin por los puntos conocidos.
Ejemplo: Determine la funcin cuadrtica que pasa por los puntos P (1, 4), Q(1, 2), y R(2, 3).
Solucin: La forma ms general de una cuadrtica es: f (x) = a x2 + b x + c donde los coecientes a,
b, y c son constantes numricas. El problema consiste en determinar estos coecientes.

As pues los parmetros a, b, y c se vuelven ahora las incgnitas. Y para poderlas determinar
requerimos de ecuaciones o igualdades que deben satisfacer. Para determinar estas ecuaciones
debemos usar los puntos.
Para que la funcin pase por el punto P (1, 4) se debe cumplir que f (x = 1) = 4,
Es decir, se debe cumplir: a (1)2 + b (1) + c = 4
Es decir, se debe cumplir: a + b + c =4
Procediendo de igual manera con el punto Q(1, 2): formulamos la ecuacin: a b + c =2 y para R(2,
3): 4a + 2b + c = 3.
Resumiendo para que la funcin f (x) = a x2 + b x + c pase por los puntos P , Q, y R deben cumplirse
las ecuaciones:
a + b + c = 4
a b + c = 2
4a + 2b + c = 3
La solucin a este sistema es: a = 2/3, b = 1, y c =11/3
La misma situacin presentada en el problema de las fracciones parciales que originaba un sistema
inconsistente, se puede presentar en la determinacin de funciones. Y la conclusin es similar: si el
sistema originado es inconsistente lo que se concluye es que no existe una funcin con esa forma
general que pase exactamente por los puntos dados.

Balanceo de Reacciones Qumicas.
Una aplicacin sencilla de los sistemas de ecuaciones se da en el balanceo de reacciones qumicas.
La problemtica consiste en determinar el nmero entero de molculas que intervienen en una
reaccin qumica cuidando siempre que el nmero de tomos de cada sustancia se preserve.

Ejemplo Balancee la reaccin qumica: aCH4 + bO2=cCO2 + dH2O
Solucin: Para determinar los coeficientes a, b, c, y d que representan el nmero de molculas de
las sustancias en la reaccin debemos igualar el nmero de tomos en cada miembro:
Por los tomos de carbono: a = c. Por los tomos de oxigeno: 2 b = 2 c + d. Por los tomos de
hidrgeno: 4 a = 2 d


Este sistema es consistente y origina infinitas soluciones. La frmula general para las soluciones
queda:
a = 1/2 d
b = d
c = 1/2 d
El valor ms pequeo de d que hace que los nmeros de molculas sean enteros positivos es d =
2: a = 1, b = 2, c = 1, y d = 2

Aplicaciones a Manufactura.
Ejemplo:
Patitos Computers fabrica tres modelos de computadoras personales: can, clon, y lenta-pero-
segura. Para armar una computadora modelo can necesita 12 horas de ensamblado, 2.5 para
probarla, y 2 ms para instalar sus programas. Para una clon requiere 10 horas de ensamblado, 2
para probarla, y 2 para instalar programas. Y por ultimo, para una lenta-pero-segura requiere 6
para ensamblado, 1.5 para probarla, y 1.5 para instalar programas. Si la fbrica dispone en horas
por mes de 556 para ensamble, 120 para pruebas, y 103 horas para instalacin de programas,
Cuntas computadoras se pueden producir por mes?

Solucin:
En nuestro caso las incgnitas el nmero de cada tipo de computadora a producir:
x = nmero de computadoras can
y = nmero de computadoras clon
z = nmero de computadoras lenta-pero-segura

Para determinar las ecuaciones debemos utilizar los tiempos de ensamblado, pruebas,
e instalacin de programas.
Ensamblado: 556(total) = 12 x(can) + 10 y(clon) + 6 z(lenta)
Pruebas: 120(total) = 2.5 x(can) + 2 y(clon) + 1.5 z(lenta)
Instalacin de programas: 103(total) = 2 x(can) + 2 y(clon) + 1.5 z(lenta)

Al resolver este sistema obtenemos: x = 34, y = 4, z = 18

Dado lo comn de las aplicaciones hacia el rea de manufactura, existe una forma simple de
construir la matriz del sistema de ecuaciones que en general se trabaja como una tabla:
En la ltima columna aparecen los recursos: un rengln para cada tipo de recursos y en
cuya posicin final se pone el total de recursos disponibles.
En las primeras columnas se colocan los objetos o modelos a ser ensamblados o
construidos: en cada posicin se coloca el total de recursos que consume en forma unitaria
cada tipo de objeto.

4.1 Definicio n de espacio vectorial.

Sean K un cuerpo dado y V un conjunto no vaco, con reglas de suma y producto por escalar que
asigna a cada par u, vV una suma u+vV y a cada par uV, kK un producto kuV. V recibe el
nombre de espacio vectorial sobre K (y los elementos de V se llaman vectores) si satisfacen los
siguientes axiomas.
[A1] para toda terna de vectores u, v, wV, (u+v)+w=u+(v+w).
[A2] existe un vector en V, denotado por 0 y denominado el vector cero, tal que u+0=u para
todo vector uV.
[A3] para todo vector uV existe un nico vector en V, denotado por u, tal que u+(-u)=0.
[A4] para todo par de vectores u, vV, u+v=v+u.
[M1] para todo escalar kK y todo par de vectores u, vV, k(u+v)=ku+kv.

[M2] para todo par de escalares a, bK y todo vector uV, (a+b)u=au+bu.
[M3] para todo par de escalares a, bK y todo vector uV, (ab)u=a(bu).
[M4] el escalar unidad 1K cumple 1u=u para todo vector uV.

Los axiomas precedentes se desdoblan de forma natural en dos categoras. Los cuatro primeros
ataen nicamente a la estructura aditiva de V y pueden resumirse diciendo que V es un grupo
conmutativo bajo la suma.
De ello se deriva que cualquier suma de vectores de la forma v1+v2++vm no requieren parntesis
y no depende del orden de los sumandos, que el vector cero, 0, es nico, que el opuesto u de u es
nico y que se verifica la ley de cancelacin; esto es, para tres vectores cualesquiera u, v, wV.
U+w=v+w implica u=v. Asimismo, la resta se define segn u-v=u+(-v).
Por otra parte, los cuatro axiomas restantes se refieren a la <<accin>> del cuerpo K sobre V.
observece que la rotulacin de los axiomas refleja este desdoblamiento.
Empleando estos axiomas adicionales probaremos las siguientes propiedades elementales de un
espacio vectorial.
Teorema: sea V un espacio vectorial sobre un cuerpo K.
1. Para todo escalar kK y 0V, k0-0.
2. Para 0K y todo vector uV, 0u=0.
3. Si ku=0, donde kK y uV, entonces k=0 o u=0.
4. Para todo kK y todo uV, (-k)u=-ku.

4. 2 Definicio n de subespacio vectorial
y sus propiedades.

Sea W un subconjunto de un espacio vectorial V sobre un cuerpo K. W se denomina un subespacio
de V si es a su vez un espacio vectorial sobre K con respecto a las operaciones de V, suma vectorial
y producto por un escalar.

Un criterio simple para identificar Subespacios es el siguiente.
Teorema: supongamos que W es un subconjunto de un espacio vectorial V. entonces W es un
subespacio de V si y solo si se cumple:
1. 0W
2. W es cerrado bajo la suma de vectores, es decir: para todo par de vectores u, vW, la suma
u+vW.
3. W es cerrado bajo el producto por un escalar, esto es: para todo uW y para todo kK el
mltiplo kuW.

Corolario: W es un subespacio de V si y solo si:
1. 0W.
2. au+bvW para todos los u, vW y a, bK.

Ejemplo: sean U y W subespacios de un espacio vectorial V. probemos que la interseccin UW es
tambin subespacio de V. claramente, 0U y 0W, porque U y W son subespacios, de donde 0UW.
supongamos ahora que u, vUW. entonces u, vU y u, vE y, dado que U y W son subespacios, u+v,
kuU y u+v, kuW para cualquier escalar k. as u+v, kuUW y por consiguiente UW es un
subespacio de V. El resultado del ejemplo precedente se generaliza como sigue.

Teorema: la interseccin de cualquier nmero de subespacios de un espacio vectorial V es un
subespacio de V.
Recurdese que toda solucin de un sistema de ecuaciones lineales con n incgnitas AX=B puede
verse como un punto en Kn y por tanto el conjunto solucin de tal sistema es un subconjunto de
Kn. Supongamos que el sistema homogneo, es decir, supongamos que el sistema tiene la forma
AX=0. Denotemos por W su conjunto solucin.
Como A0=0, el vector cero 0W adems, si u y v pertenecen a W, esto es, si u y v son soluciones de
AX=0, necesariamente Au=0 y Av=0. Por esta razn, para todo par de escalares a y b en K,
tendremos A(au+bv)=aAu+bAv=a0+b0=0+0=0. De esta manera, au + bv es tambin una solucin de
AX=0 o, dicho de otro modo, au+bvW. En consecuencia, segn el corolario, hemos demostrado:


Teorema: el conjunto solucin W de un sistema homogneo con n incgnitas AX=0 es un
subespacio de kn.
Hacemos nfasis en que el conjunto solucin de un sistema inhomogneo AX=B no es subespacio
de Kn. De hecho, el vector cero, 0, no pertenece a dicho conjunto solucin.

4. 3 Combinacio n lineal. Independencia
lineal.
Combinacin Lineal.
Sean v1, v2, , vn, vectores en un espacio vectorial V. entonces cualquier vector de la forma:
a1v1+a2v2++anvn, donde a1,a2,,an son escalares se denomina una combinacin lineal de v1,
v2,,vn.

Una combinacin lineal en M23

Conjunto generador.

Se dice que los vectores v1, v2, , vn de un espacio vectorial V generan a V si todo vector en V se
puede escribir como una combinacin lineal de los mismo.
Es decir, para todo vV, existen escalares a1, a2, , an tales que v=a1v1+a2v2++anvn
Cuatro vectores que generan a M22


Espacio generado por un conjunto de vectores.
Sean v, v2, , vk, k vectores de un espacio vectorial V. el espacio generado por ,v1, v2, , vk- es el
conjunto de combinaciones lineales v1, v2, , vk. Es decir
donde a1, a2, , ak, son
escalares arbitrarios.

Teorema: si v1, v2, , vk son vectores en un espacio vectorial V, entonces gen,v1, v2, , vk- es un
subespacio de V.

Ejemplo:
El espacio generado por dos vectores en R3.
Sea v1=(2,-1,4) y v2=(4,1,6). Entonces H=gen{v1, v2}={v:v=a1(2,-1,4)+a2(4,1,6)}. Cul es la
apariencia de H? si v=(x, y,z)H, entonces tiene x=2a1+4a 2, y=-a1+a2 y z=4a 1+6 2. Si se piensa que
(x, y, z) esta fijo, entonces estas ecuaciones se pueden ver como un sistema de tres ecuaciones con
tres incgnitas a1, a2. Este sistema se resuelve en la forma usual:

Independencia Lineal.
En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o independencia
lineal de los vectores. En esta seccin se define el significado de independencia lineal y se muestra
su relacin con la teora de sistemas homogneos de ecuaciones y determinantes.


Existe una relacin espacial entre los vectores , se puede
apreciar que v2=2v1; o si se escribe esta ecuacin de otra manera. 2v1-v2=0.

En otras palabras, el vector cero se puede escribir como una combinacin no trivial de v1 y v2 (es
decir, donde los coeficientes en la combinacin lineal no son ambos cero).
Qu tienen de especial los vectores ?
La respuesta a esta pregunta es ms difcil a simple vista. Sin embargo, es sencillo verificar que
v3=3v1+2v2; rescribiendo esto se obtiene .

Se ha escrito el vector cero como una combinacin lineal de v1, v2, y v3. Parece que los dos
vectores de la ecuacin y los tres vectores de la otra ecuacin tienen una relacin ms cercana que
un par arbitrario de 2-vectores a una terna arbitraria de 3-vectores. En cada caso, se dice que los
vectores son linealmente dependientes. En trminos generales, se tiene la importante definicin a
continuacin presentada.
Definicin: sean v1, v2, , vn vectores en un espacio vectorial V. entonces se dice que lois vectores
son linealmente dependientes si existen n escalares c1, c2, , cn no todos ceros tales
que .

Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.

Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la ecuacin
c1v1+c2v2++cnvn=0 se cumple nicamente para c1=c2==cn=0.
Son linealmente dependientes si el vector cero en V se puede expresar como una combinacin
lienal de v1, v2,,vn con coeficientes no todos iguales a cero.
Nota. Se dice que los vectores v1, v2, , vn son linealmente independientes (o dependientes), o
que el conjunto de vectores ,v1, v2, , vn- es linealmente independiente (o pendiente).
Esto es, se usan las dos frases indistintivamente.


Teorema: dependencia e independencia lineal.
Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de ellos es un
mltiplo escalar del otro.
Demostracin: primero suponga que v2=cv1 para algn escalar c0. Entonces cv1-v2=0 y v1 y v2
son linealmente dependientes. Por otro parte, suponga que v1 y v2 son linealmente dependientes.
Entonces existen constantes c1 y c2 al menos uno distinto a cero, tales que c1v1+c2v2=0. Si c10,
entonces dividiendo entre c1 se obtiene v1+(c2/c1)v2=0, o sea,

Es decir, v1 es un mltiplo escalar de v2. Si c1=0, entonces c20 y, por lo tanto, v2=0=0v1.

4. 4 Base y dimensio n de un espacio
vectorial, cambio de base.

Se ha visto en R2 conviene escribir vectores como una combinacin lineal de los vectores:

En R3 se escribieron los vectores en trminos de:

Ahora se generalizar esta idea.


Base.
Un conjunto finito de vectores es una base para un espacio vectorial V si:

Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn.
En Rn se define:

Puesto que los vectores e, son las columnas d una matriz identidad (que tiene determinante 1),
es un conjunto linealmente independiente y, por lo tanto, constituye una
base en Rn. Esta base especial se denomina base cannica en Rn. Ahora se encontraran bases para
otros espacios.
Ejemplo: base cannica para M
22

Se vio que:

Generan a:

Entonces es evidentemente que .
As, estas cuatro matrices son linealmente independientes y forman una base para M
22
, lo que se
denomina base cannica para M
22
.

Teorema: si es una base para V y si vV, entonces existe un conjunto nico de
escalares tales que
Existe cuando menos un conjunto de dichos escalares porque genera a V.
suponga entonces que v se puede escribir e dos maneras como una combinacin lineal de los
vectores de la base.
Es decir, suponga que:

Sea dos bases para V. debe demostrarse que
m=n. esto se prueba mostrando que si m>n, entonces S es un conjunto literalmente independiente,
lo que contradice la hiptesis de que S es una bse. Esto demostrara que mn. la misma prueba
demostrara que m y esto prueba el teorema. As, basta demostrar que si m>n, entonces S es
independiente. Como S constituye una base, todo u se puede expresar como una combinacin
lineal de las v. se tiene (1)

TEOREMA: suponga que dimV=n. si
Entonces, restando se obtiene la ecuacin
pero como los v son linealmente independientes, esta ecuacin se cumple si y solo si

As, y el teorema queda demostrado.


Teorema: si son bases en un espacio vectorial V,
entonces m=n; es decir, cualesquiera dos bases en un espacio vectorial V tienen el mismo numero
de vectores.
Para demostrar que S es dependiente, deben encontrarse escalares:

No todos cero, tales que (2)
Sustituyendo (1) en (2) se obtiene (3)

La ecuacin (3) se puede reescribir como:

Pero como son linealmente independientes, se debe tener (5)

El sistema (5) es un sistema homogneo de n ecuaciones con las m incgnitas y
como m>n, el teorema dice que el sistema tiene un numero infinito de soluciones. De esta forma,
existen escalares no todos cero, tales que (2) se satisface y, por lo tanto, S es un
conjunto linealmente dependiente.
Esta contradiccin prueba que mn si se cambian los papeles de S1 y S2, se demuestra que nm y la
prueba queda completa.
Por este teorema se puede definir uno de los conceptos centrales en el lgebra lineal.

Dimensin.
Si el espacio vectorial V tiene una base con un numero finito de elementos, entonces la dimensin
de V es el nmero de vectores en todas las bases y V se denomina espacio vectorial de dimensin
finita. De otra manera, V se denomina espacio vectorial de dimensin infinita. Si V={0}, entonces se
dice que V tiene dimensin cero.
Notacin. La dimensin V se denota por dimV.
Ejemplo: la dimensin de M
mn

En M
mn
sea A la matriz de mxn con un uno en la posicin ij y cero en otra parte. Es sencillo
demostrar que las matrices a para i=1,2,,m y j=1,2,,n forman una base para M
mn
. As,
dimM
mn
=mn.
Teorema: suponga que dimV=n. si es un conjunto de m vectores linealmente
independientes en V, entonces mn.
Sea
Entonces, igual que la prueba del teorema, se pueden encontrar constantes
no todas cero, tales que la ecuacin (2) se satisface. Esto contradice la
independencia lineal de los vectores u. as, mn.

Teorema: sea H un subespacio de un espacio vectorial de dimensin finita V. entonces H tiene
dimensin finita y (6)

Sea dimV=n. cualquier conjunto de vectores linealmente independientes en H es tambin
linealmente independiente en V. por el teorema anterior, cualquier conjunto linealmente
independiente en H puede contener a lis mas n vectores. Si H=,0-, entonces dimH=0. Si dimH,0-,
sea v0 un vector en H y H=gen,v-. si H=H, dimH=1 y la prueba queda completa. De lo contrario,
elija a vH tal que vH y sea H=gen{v1,v2}, y as sucesivamente. Continuamos hasta encontrar
vectores linealmente independientes tales que H=gen{ }. El
proceso tiene que terminar porque se pueden encontrar a lo mas n vectores linealmente
independientes en H. entonces H-kn.


Ejemplo: una base para el espacio de solucin de un sistema homogneo
Encuentre una base (y la dimensin) para el espacio de solucin S del sistema
homogneo

Solucin: aqu . Como A es una matriz de 2x3, S es un subespacio de R3.
Reduciendo por renglones, se encuentra, sucesivamente,

Entonces y=z y x=-z de manera que todas las soluciones son de la forma .As, es
una base para S y dimS=1. Obsrvese que S es el conjunto de vectores que se encuentran en la
recta x=-t, y=t, z=t.
TEOREMA: cualquier conjunto de n vectores linealmente independientes en un espacio vectorial V
de dimensin n constituyen una base apara V.
Sean , n vectores. Si generan el espacio V, entonces constituyen una base. De
lo contrario, existe un vector uV tal que ugen . Esto significa que los n+1
vectores , u donde linealmente independientes. Para ver esto observe que si
(8)


Entonces porque de lo contrario podramos escribir u como una combinacin lineal
de dividiendo la ecuacin (8) entre y poniendo todos los trminos,
excepto u, en el lado derecho. Pero si entonces (8) es

Lo que significa que ya que los v son linealmente independientes.
Ahora sea W=gen{ ,u}. como todos los vectores entre las llaves estn en V, W es
un subespacio de V. como ,u son linealmente independientes, forman una base
para W, y dimW=n+1. Pero por el teorema, dimWn. esta contradiccin muestra que no existe el
vector uV tal que ugen{ }. As, genera a V y, por lo tanto,
constituye una base para V.

Cambio de base.
En R2 se expresaron vectores en trminos de la base cannica:

En Rn se defini la base cannica .
En Pn se defini la base estndar como . Estas bases se usan ampliamente
por la sencillez que ofrecen a la hora de trabajar con ellas.
Pero en ocasiones ocurre que es ms conveniente alguna otra base. Existe un nmero infinito de
bases para elegir, ya que en un espacio vectorial de dimensin n, cualesquiera n nmero de
vectores, linealmente independientes, forman una base.
En esta seccin se ver como cambiar de una base a otra mediante el clculo de cierta matriz.


Iniciaremos por un ejemplo sencillo.
Sean u .
Entonces, es la base cannica en R2.
Sean Como v1 y v2 son linealmente independientes (porque v1 no es
un mltiplo de v2), es una segunda base en R2.
Sea un vector en R2.
Esta notacin significa que

Es decir, x est expresando en trminos de los vectores de la base B. para hacer hincapi en este
hecho, se escribe Como B es otra base en R2, existen escalares c1 y c2 tales que
(1)
Una vez que se encuentran estos escalares. Se puede escribir para indicar que x
esta ahora expresado en trminos de los vectores en B. para encontrar los nmeros c1 y c2, se
escribe la base anterior en trminos de la nueva base.
Es sencillo verificar que (2);

y ; es decir:

Entonces:

As, de (1),

o


Por ejemplo, si:

Entonces:

4. 5 Espacio vectorial con producto
interno y sus propiedades.

Un espacio vectorial complejo V se denomina espacio con producto interno si para cada par
ordenado de vectores u y v en V, existe un numero complejo nico (u,v), denominado producto
interno de u y v, tal que si u, v y w estn en V y C, entonces:


La barra es las condiciones v) y vii) denota el conjugado complejo. Nota: Si (u,v) es real, entonces
(u,v)=(u,v) y se puede eliminar la barra en v).

Ejemplo: producto interno de dos vectores en C3
En C3 Sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). Entonces:

Sea V un espacio con producto interno y suponga que u y v estn en V. entonces

Nota 1. Aqu se usa la doble barra en lugar de una sola para evitar confusin con el valor absoluto.
Por ejemplo sen t denota la norma de sen t como un vector en C*0, 2+ mientras que |sen t|
denota el valor absoluto de la funcin sen t.
Nota 2. La ecuacin anterior tiene sentido ya que (u, u)0.
Ejemplo: dos vectores ortogonales en C2
En C2 los vectores (3,-i) y (2,6i) son ortogonales porque

Conjunto ortonormal.
El conjunto de vectores:


Es un conjunto ortonormal en V si y
Si solo el primero se cumple, se dice que el conjunto es ortonormal.

Teorema: cualquier conjunto finito de vectores ortonormales diferentes de cero en un espacio con
producto interno es linealmente independiente.
Teorema: cualquier conjunto finito linealmente independiente en un espacio con producto interno
se puede convertir en un conjunto ortonormal mediante el proceso de Gram-Schmidt. En
particular, cualquier espacio con producto interno tiene una base ortonormal.

Proyeccin ortogonal.
Sea H un subespacio del espacio con producto interno V con base ortonormal

Si vV, entonces la proyeccin ortonormal de v sobre H denotada por proy
H
v esta dada por (6)

Las demostraciones de los siguientes teoremas son idnticas a sus contrapartes en Rn.
Teorema: sea H un subespacio de dimensin finita con producto interno V. suponga que H tiene
dos bases ortonormales
Sea vV. Entonces:

Complemento ortogonal.
Sea H un subespacio del espacio con producto interno V. entonces el complemento ortogonal de H,
denotado por H, est dado por (7)

Teorema: si H es un subespacio del espacio con producto interno V, entonces

Teorema de proyeccin: sea H un subespacio de dimensin finita del espacio con producto interno
V y suponga que vV. entonces existe un par nico de vectores h y p tales que hH, pH, y
(8) v=h+p donde h=proy
H
v.
Si V tiene dimensin finita, entonces p=proy
H
v.

Teorema: sea A una matriz de nxn; entonces A tiene vectores propios linealmente independientes
si y solo si multiplicidad geomtrica de cada valor propio es igual a su multiplicidades algebraica. En
particular, A tiene n vectores propios linealmente independientes si todos los valores propios son
distintos (ya que entonces la multiplicidad algebraica de cada valor propio es 1).

4. 6 Base ortonormal, proceso de
Ortonormalizacio n de Gram-Schmidt.
Conjunto ortonormal en R
n

Se dice que un conjunto de vectores S=,u1, u2, , uk- en Rn es un conjunto ortonormal si (1) (2)

Si solo satisface la ecuacin (1), se dice que el conjunto es ortogonal.
Si u, v y w en Rn y es un nmero real, entonces (3) (4) (5) (6)(7)

Ahora se presenta otra definicin til:
Si vRn, entonces la longitud o norma de v, denotada por |v|, est dada por (8)
Nota. Si entonces v*v=
Esto significa que (9)
De esta forma se puede obtener la raz cuadrada en (8), y se tiene (10)(11)

Teorema: si S= es un conjunto ortogonal de vectores diferentes de cero,
entonces S es linealmente independiente.

Suponga que
Entonces, para cualquier i=1,2,,k

Como v0 por hiptesis |v|
2
>0 y se dice que c=0. Esto es cierto para i=1,2,,k, lo que completa la
prueba.

Proceso de Ortonormalizacin de Gram-Schmidt.
Sea H un subespacio de dimensin m de Rn. Entonces H tiene una base ortonormal.
Sea S= una base de H. se probara el teorema construyendo una base
ortonormal a partir de vectores en S. antes de dar los pasos para esta construccin, se observa el
hecho sencillo de que un conjunto de vectores linealmente independiente no contiene al vector
cero.

Paso 1. Eleccin del primer vector unitario.
Sea (12)

Entonces

De manera que |u|=1.

Paso 2. Eleccin de un segundo vector ortogonal a u.
Como anteriormente se ha visto que, en R2, el vector es la ortogonal a v. en
este caso es la proyeccin de u sobre v. esto se ilustra en la siguiente figura.

Resulta que el vector w dado es ortogonal a v cuando w y v estn en Rn para cualquier n2.
Obsrvese que como u es un vector unitario, para cualquier vector v.

Sea (13)
entonces de manera que v es
ortogonal a u. ms aun, por el teorema, u y v son linealmente independientes. v0 porque de otra
manera lo que contradice la independencia de v1 y v2.

Paso 3. Eleccin de un segundo vector unitario.
Sea (14)

Entonces es evidente que {u1,u2} es un conjunto ortonormal.
Suponga que se han construido los vectores u1, u2,,uk(k<m) y que forman un conjunto
ortonormal.
Se mostrar cmo construir u
k+1
.


Paso 4. Continuacin del proceso.
Sea (15) entonces para
i=1,2,,k
Pero Por lo
tanto,

As, es un conjunto linealmente independiente, ortogonal y v
k+1
0.

Paso 5 Final.
Sea

Entonces es claro que es un conjunto ortonormal y se puede
continuar de esta manera hasta que k+1=m con lo que se completa la prueba.
Nota. Como cada u es una combinacin lineal de vectores v, gen es un
subespacio de gen y como cada espacio tiene dimensin k, los espacio son
iguales.


5.1 Introduccio n a las
transformaciones lineales.
El presente capitulo aborda una clase especial de funciones denominadas transformaciones
lineales que ocurren con mucha frecuencia en el lgebra lineal y otras ramas de las matemticas.
Estas tienen una gran variedad de aplicaciones importantes. Antes de definirlas, se estudiaran dos
ejemplos sencillos para ver lo que es posible realizar.

Ejemplo 1: reflexin respecto al eje x
En R
2
se define una funcin T mediante la frmula T(x;y)=(x;-y). Geomtricamente, T toma un
vector en R
2
y lo refleja respecto al eje x. esto se ilustra en la figura. Una vez que se ha dado la
definicin bsica, se ver que T es una transformacin lineal de R
2
en R
2
.

Ejemplo 2: transformacin de un vector de produccin en un vector de materia prima.
Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres
tipos de materiales. Se identifican los cuatro productos como P
1
, P
2
, P
3
, y P
4
y a los materiales
por R
1
, R
2
y

R
3
. La tabla siguiente muestra el nmero de unidades de cada materia prima que se
requieren para fabricar 1 unidad de cada producto.

Ejemplo 2: transformacin de un vector de produccin en un vector de materia prima.
Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres
tipos de materiales. Se identifican los cuatro productos como P
1
, P
2
, P
3
, y P
4
y a los materiales
por R
1
, R
2
y

R
3
. La tabla siguiente muestra el nmero de unidades de cada materia prima que se
requieren para fabricar 1 unidad de cada producto.


Surge una pregunta natural: si se produce cierto nmero de los cuatro productos, Cuntas
unidades de cada material se necesitan? Sean p
1
, p
2
, p
3
y p
4
el nmero de artculos fabricados en los
cuatro productos y sean r
1
, r
2
, y r
3
el nmero de unidades necesarios de los tres materiales.
Entonces se define

Por ejemplo, suponga que P=(10,30,20,50). Cuntas unidades de R
1
se necesitan para producir
estos nmeros de unidades de los cuatro productos? De la tabla se tiene que
r=p
1
*2+p
2
*1+p
3
*3+p
4
*4=10*2+30*1+20*3+50*4=310 unidades
De manera similar r
2
=10*4+30*2+20*2+50*1=190 unidades
Y r
3
=10*3+30*3+20*1+50*2=240 unidades
En general se ve que

o A
p
= r.

Esto se puede ver de otra manera. Si a p se le conoce como le vector de produccin y a r como el
vector de materia prima, se define la funcin T por = T(p) = Ap. Esto es, T es la funcin que
transforma el vector de produccin en el vector de materia prima y se hace mediante la
multiplicacin de matrices ordinaria. Como se ver , esta funcin es tambin una transformacin
lineal.
Antes de definir una transformacin lineal, hablaremos un poco sobre las funciones. En la seccin
1.7 se escribi un sistema de ecuaciones como
Ax=b
Donde A es una matriz de m*n, x R y b R. Se pidi encontrar x cuando A y b se conocan . No
obstante, esta ecuacin se puede ver de otra forma: suponga que A se conoce. Entonces la
ecuacin Ax=b dice : proporcione una x en R y yo le dar una b en R; es decir , A representa
una funcin con dominio R e imagen en R.
La funcin que se acaba de definir tiene las propiedades de que A ( si es un escalar y A(x + y) =
Ax + Ay. Esta propiedad caracteriza las transformaciones lineales.

Definicin 1 transformacin lineal
Sean V y W espacios vectoriales reales. Una transformacin lineal T de V en W es una funcin que
asigna a cada vector v V un vector nico Tv W y que satisface, para cada u y v en V y cada escalar .
T(u + v) = Tu + Tv
Y
T(av)=aTv

Tres observaciones sobre notacin.
1. Se escribe T: v W para indicar que T toma el espacio vectorial real V y lo lleva al espacio vectorial
real W; esto es, T es una funcin con V como su dominio y un subconjunto de W como su imagen.
2. Se escriben indistintamente Tv y T(v). Denotan lo mismo; las dos se leen T de v. Esto es anlogo
a la notacin funcional (x), que se lee de x.
3. Gran parte de las definiciones y teoremas en este captulo tambin se cumplen para los espacios
vectoriales complejos (espacios vectoriales en donde los escalares son nmeros complejos).

Ejemplo 5 La transformacin identidad
Sea V un espacio vectorial y definida I: V V por Iv = v para todo v en V. Aqu es obvio que es I es una
transformacin lineal, la cual se denomina transformacin identidad u operador identidad.

Ejemplo 6 Transformacin de reflexin
Sea T:R
2
R
2
definida por T(x;y)=(x;-y). Es fcil verificar que T es lineal. En trminos geomtricos, T
toma un vector en R
2
y lo refleja respecto al eje y (vea la figura 5.2)

Ejemplo 7 Transformaciones de R
n
R
m
dada por la multiplicacin por una matriz de m*n.

Sea A una matriz de m*n y definida T:R R por Tx = Ax. Como A(x + y) = Ax + Ay y A( si x y y estn
en R, se observa que T es una transformacin lineal. Entonces: toda matriz A de m*n se puede
utilizar para definir una transformacin lineal de R en R.

5.2 Nu cleo e imagen de una
transformacio n lineal.
En esta seccin se desarrollan algunas propiedades bsicas de las transformaciones lineales.
Teorema 1.
Sea T: V W una transformacin lineal. Entonces para todos los vectores u, v, v
1
, v
2
,.v
n
en V y todos
los escalares

Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que el cero de la derecha es
el vector cero en W.
i. T (0) = T (0 + 0)= T (0) + T (0). As 0= T (0) T (0) = T (0) + t(0) T(0) = T(0)
ii. T (u-v) = T [u + (-1) v] = Tu + T [(-1) v] = Tu + (-1)Tv = Tu Tv.
iii. Esta parte se prueba por induccin (vea el apndice 1). Para n = 2 se tiene T(
1
v
1
+
2
v
2
) = T (
1
v
1
)
+ T(
2
v
2
) =
1
Tv
1
+
2
Tv
2
. As, la ecuacin (1) se cumple para n = 2. Se supone que se cumple para n =
k y se prueba para n=k + 1: T (
1
v
1
+
2
v
2
+ .+
k
v
k
+
k+1
v
k-1
) = T(
1
v
1
+
2
v
2
+.+
k
v
k
) + T(
k+1
v
k+1
), y
usando la ecuacin en la parte iii para n= k, esto es igual a (
1
Tv
1
+
2
Tv
2
+.
k
Tv
k
) +
k+1
Tv
k+1
, que es
lo que se quera demostrar. Esto completa la prueba.

Observacin.
Los incisos i) y ii) del teorema 1 son casos especiales del inciso iii). Un dato importante sobre las
transformaciones lineales es que estn completamente determinadas por el efecto sobre los
vectores de la base.

Teorema 2.
Sea v un espacio vectorial de dimensin finita con base B= {v1,v
2
,.v
n
}. Sean w
1
,w
2
,.w
n
vectores en
W. Suponga que T
1
y T
2
son dos transformaciones lineales de V en W tales que T
1
v
i
= T
2
v
i
= w
i
para i
= 1, 2,,n.
Entonces para cualquier vector v v, T
1
v = T
2
v; es decir T
1
= T
2
.
Como B es una base para V, existe un conjunto nico de escalares
1
,
2
,.,
n
.
Tales que v =
1
v
1
+
2
v
2
+ +
n
v
n
.
Entonces, del inciso iii) del teorema 1, T
1
v = T
1
(
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
T
2
v
1
+
2
T
2
v
2
+ +
n
T
n
v
n
=
1
w
1
+
2
w
2
++
n
T
n
v
n

De manera similar:
T
2
v = T
2
(
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
T
2
v
1
+
2
T
2
v
2
++
n
T
n
v
n
=
1
w
1
+
2
w
2
++
n
v
n
Por lo tanto, T
1
v =T
2
v.

El teorema 2 indica que si T:v W y V tiene dimensin finita, entonces slo es necesario conocer el
efecto que tiene T sobre los vectores de la base en V.
Esto es, si se conoce la imagen de cada vector bsico, se puede determinar la imagen de cualquier
vector en V.
Esto determina T por completo. Para ver esto, sean v
1
, v
2
,.v
n
una base en V y sea v otro vector en
V. Entonces, igual que en l aprueba del teorema 2, Tv =
1
Tv
1
+
2
Tv
2
++
n
Tv
n

As, se puede calcular Tv para cualquier vector v V si se conocen Tv
1
,Tv
2
,.Tv
n

Ejemplo 1 Si se conoce el efecto de una transformacin lineal sobre los vectores de la base, se
conoce el efecto sobre cualquier otro vector.
Sea T una transformacin lineal de R
3
en R
2
y suponga que


Solucin. Se tiene

Entonces

Surge otra pregunta; si w
1
,w
2
,.,w
n
son n vectores en W, existe una transformacin lineal T tal que
Tv
1
= w
1
para i = 1,2,,n? La respuesta es s. Como lo muestra el siguiente teorema.

Definicin 1 Ncleo e imagen de una transformacin lineal
Sean V y W dos espacios vectoriales y sea T:V W una transformacin lineal. Entonces

i . El ncleo de T, denotado por un, est dado por

ii. La imagen de T, denotado por Im T, est dado por


Observacin 1. Observe que un T es no vaco porque, de acuerdo al teorema 1, T(0) = 0 de manera
que 0 un T para cualquier transformacin lineal T.
Se tiene inters en encontrar otros vectores en V que se transformen en 0.
De nuevo, observe que cuando escribimos T(0) = 0, el 0 de la izquierda est en V y el de la derecha
en W.
Observacin 2. La imagen de T es simplemente el conjunto de imgenes de los vectores en V
bajo la transformacin T.
De hecho, si w = Tv, se dice que w es la imagen de v bajo T.

Antes de dar ejemplos de ncleos e imgenes, se demostrar un teorema de gran utilidad.

Teorema 4 Si T:V W es una transformacin lineal, entonces
i.Un T es un subespacio de V.
ii.Im T es un subespacio de W.

Demostracin
I. Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y u
estn en un T.
ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vectores u y v en V. Esto significa que T(u +
v)= Tu + Tv = w + x y T(u) = Tu =w. Por lo tanto, w + x y w estn en Im T.

Ejemplo 3. Ncleo e imagen de la transformacin cero
Sea Tv = 0 para todo v V(T es la transformacin cero). Entonces un T = v e Im T = {0}.

Ejemplo 4 Ncleo e imagen de la transformacin identidad
Sea Tv = v para v V(T es la transformacin identidad). Entonces un T= {0} e Im T = V.


Las transformaciones cero e identidad proporcionan dos extremos. En la primera todo
se encuentra en el ncleo. En la segunda slo el vector cero se encuentra en el ncleo.
Los casos intermedios son ms interesantes.

Ejemplo 5 Ncleo e imagen de un operador de proyeccin
Sea T:R
3
R
3
definida por

T es el operador de proyeccin de R
3
en el plano xy.

Entonces x = y = 0. As, nu T = {(x,y,z):x = y = 0, zR}, es decir, el eje z, e Im T = {(x,y,z): z = 0}, es decir
el plano xy. Observe que dim un T = 1 y dim Im T = 2.

Definicin 2 Nulidad y rango de una transformacin lineal
Si T es una transformacin lineal de v en w, entonces se define.

Observacin. En la seccin 4.7 se definieron el rango, la imagen, el espacio nulo y la nulidad de una
matriz. Segn el ejemplo 5.1.7, Toda matriz A de m*n da lugar a una transformacin lineal
T:R
definida por Tx = Ax. Es evidente que un T = N

A
, Im T = Im A = C
A
, v(T) = v(A) y p(T) = p(A).
Entonces se ve que las definiciones de ncleo, imagen, nulidad y rango de una transformacin lineal
son extensiones del espacio nulo, la imagen, la nulidad y el rango de una matriz.

Ejemplo 6. Ncleo y nulidad de un operador de proyeccin
Sea H un subespacio de R y sea Tv = proy
H
v. Es obvio que la Im T = H. Se tiene que toda v V si v=h
+ proy
H
v + proy
H
v. Si Tv = 0, entonces h=0, lo que significa498

5. 3 La matriz de una transformacio n
lineal.

Si A es una matriz de m*n y T: R
n-
R
m
est definida por Tx = Ax, entonces, T es una transformacin
lineal. Ahora se ver que para toda transformacin lineal de R
n
en R
m
existe una matriz A de m*n tal
que Tx = Ax para todo x R
n
. Este hecho es de gran utilidad. Si Tx = Ax. Entonces un T = N
A
e Im T =
R
A
. ms aun, v(T) = dim un T = v(A) y p(T) = dim Im T = p(A). As se puede determinar el ncleo, la
imagen, la nulidad y el rango de una transformacin lineal de R
n-
R
m
determinando el espacio nulo y
la imagen de la matriz correspondiente. Adicionalmente, una vez que se sabe que Tx = Ax. Se puede
evaluar Tx para cualquier x en R
n
mediante una simple multiplicacin de matrices.
Pero esto no es todo. Como se ver, cualquier transformacin lineal entre espacios vectoriales de
dimensin finita se puede representar mediante una matriz.
Teorema 1
Sea T:R
n -
R
m
una transformacin lineal. Existe entonces una matriz nica de m*n, A
T
tal que

Demostracin
Sea w
1
= Te
1
,w
2
= Te
2
,.,w
n
= Te
n
. Sea A
T
la matriz cuyas columnas son w
1
, w
2
,., w
n
y hagamos que
A
T
denote tambin ala transformacin de R
n-
R
m
, que multiplica un vector en R
n
por A
T
. si

Entonces:

De esta forma, A
T
e
i
= w
i
para i = 1,2,.n., T y la transformacin A
T
son las mismas porque coinciden
en los vectores bsicos.
Ahora se puede demostrar que A
T
es nica. Suponga que Tx = A
T
x y que Tx = B
T
x para todo x R
n
.
Entonces A
T
x = B
T
x, o estableciendo C
T
= A
T
B
T
, se tiene que C
T
x = 0 para todo x R
n
. En particular,
C
T
e
i
es la columna i de C
T
. As, cada una de las n columnas de C
T
es el m-vector cero, la matriz cero
de m*n. Esto muestra que A
T
= B
T
y el teorema queda demostrado.
Definicin 1 Matriz de transformacin
La matriz A
T
en el teorema 1 se denomina matriz de transformacin correspondiente a T o
representacin matricial de T.
NOTA. La matriz de transformacin A
T
est definida usando las bases estndar tanto en R
n
como en
R
3
. Si se utilizan otras bases, se obtendr una matriz de transformacin diferente.

TEOREMA 2 sea A
T
la matriz de transformacin correspondiente a laa transformacin lineal T.
entonces.
i. Im T = Im A = C
AT

ii. P(T) = p(A
T
)
iii. Un T = N
AT

iv. v(T) = v(A
T

Ejemplo 1 Representacin matricial de una transformacin de proyeccin
Encuentre la matriz de transformacin A
T
correspondiente ala proyeccin de un vector en R
3
sobre
el plano xy.
Solucin

Teorema 4
Sean V y W espacios vectoriales de dimensin finita con dim V = n. sea T:V-W una transformacin
lineal y sea A
T
una representacin matricial de T respecto a las bases B
1
en V y B
2
en W. entonces
i. p(T) =p(A
T
) ii. V(A) = v(A
T
) iii. V(a) + p(T) = n

Teorema 5 Sea T:R
n-
R
m
una transformacin lineal. Suponga que C es la matriz de transformacin de
T respecto a las bases estndar S
n
y S
m
en R
n
y R
m
, respectivamente. Sea A
1
la matriz de
transicin de B
2
a base S
m
en R
m
. Si A
T
denota la matriz de transformacin de T respecto a las bases
B
1
y B
2
, entonces.

Geometra de las transformaciones lineales de R
2
en R
2
.
Sea T:R
2-
R
2
una transformacin lineal con representacin matricial A
T
Ahora de demostrar que si
A
T
es invertible, entonces T se puede escribir como una sucesin de una o ms transformaciones
especiales, denominadas expansiones, compresiones, reflexiones y cortes.

Expansiones a lo largo de los ejes x o y
Una expansin a lo largo del eje x es una transformacin lineal que multiplica a la coordenada x de
un vector en R
2
por una constante C >1. Esto es

De manera similar, una expansin a lo largo del eje y es una transformacin lineal que multiplica la
coordenada y de todo vector en R
2
por una constante C>1. Como antes ,

Entonces la representacin matricial de T es de manera que

a) se comienza con este rectngulo.
b) Expansin en la direccin de x c = 2.
c) Expansin en la direccin de y con c = 4.

Compresin a lo largo de los ejes x o y.
Una compresin a lo largo de los ejes x o y es una transformacin lineal que multiplica ala
coordenada x o y de un vector en R
2
por una constante positiva 0<c<1, mientras que para la
expansin c<1.

a) se comienza con este rectngulo.
b) Compresin a lo largo del eje x con c =1/3.
c) Compresin a lo largo del eje x con c=1/2.

5. 4 Aplicacio n de las transformaciones
lineales: reflexio n, dilatacio n,
contraccio n y rotacio n.

Reflexin sobre el eje x
En este caso, queremos averiguar cmo est definida la transformacin T de R2 en R2 que cada
vector:

Lo refleja sobre el eje x, para obtener un vector:


En una grfica, vemos la situacin como sigue:

En este caso, la situacin es ms sencilla ya que claramente tenemos dos tringulos rectngulos
que son congruentes, de donde T queda definida como sigue:

Esta transformacin se llama la reflexin sobre el eje x, y es lineal, ya que:

Ejemplo dilatacin o expansin
Una dilatacin es una transformacin que incrementa distancias.


Sea V= (2 4) encontrara la expansin vertical cuando K=2
Expansin horizontal (k71) o contraccin (0<k<1)
Expansin vertical (k71) o contraccin (0<k<1)

Ejemplo contraccin
Una contraccin es una transformacin que decrece distancias. Bajo una contraccin, cualquier par
de puntos es enviado a otro par a distancia estrictamente menor que la original.

Sea V= (2 4) encontrara la contraccin horizontal cuando K=1/2
Haciendo la grfica el punto disminuye en el eje horizontal.

Rotacin por un ngulo

Sea un ngulo medido en radianes. Queremos averiguar cual es
la transformacin T de R2 en R2 que gira cada vector un
ngulo , para obtener un vector

En una grfica, vemos la situacin como sigue:

Si usamos las funciones trigonomtricas, tenemos que:

Distribuyendo y usando el hecho de que:
; y
Tenemos que:

Por lo tanto, ya descubrimos cmo debe estar definida la transformacin:

Tal que:


Esta transformacin se llama la rotacin por un ngulo y es lineal, ya que:

Álgebra Lineal.

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Álgebra Lineal.

Uploaded by

Copyright:

Available Formats

LGEBRA

definida por Tx = Ax. Es evidente que un T = N

You might also like