5.

01 DEFINICIÓN TRANSFORMACIÓN LINEAL Y SUS PROPIEDADES

En un espacio vectorial se definen dos operaciones: la adición y la

multiplicación por un escalar. Las transformaciones lineales entre
espacios vectoriales conservan estas estructuras lineales según el
criterio que se establece a continuación.

Definición. Sean V y W espacios vectoriales. Una transformación lineal

T de V en W es una función que asigna a cada vector v ∈ V un único
vector Tv ∈ W y que satisface para cada u y v en V y cada escalar α,

T(u + v) = Tu + Tv (1)

T(cu) = cT(u) (2)

Notación. Escribimos T: V → W para indicar que T transforma V en W.

Terminología. Las transformaciones lineales se llaman, con

frecuencia, operadores lineales. También, las funciones que
satisfacen (1) y (2) se denominan funciones lineales.

La primera condición implica que T convierte la suma de los vectores

en la suma de las imágenes de los vectores. La segunda condición
implica que T convierte el múltiplo escalar de un vector en el múltiplo
escalar de la imagen. De esta manera, las operaciones de adición y
multiplicación por un escalar se conservan bajo una transformación
lineal.

Propiedades básicas de las transformaciones lineales.

Teorema 1. Sea T: V → W una transformación lineal. Entonces para

todos los vectores u, v, v1, v2, ..., vn en V y todos los escalares α1,
α2, ..., αn:

i. T(0) = 0

ii. T(u - v) = Tu - Tv

iii. T(α1v1, α2v2, ..., αnvn) = α1Tv1+ α2Tv2+ ... + αnTvn

Nota. En la parte (i) el 0 de la izquierda, es el vector cero

en V mientras que el 0 del lado derecho, es el vector cero en W.

Teorema 2. Sea V un espacio vectorial de dimensión finita con base

B={v1, v2, ..., vn}. Sean w1, w2, ..., wn n vectores en W. Suponga que
T1 y T2 son dos transformaciones lineales de V en W tales que
T1vi= T2vi = wi para i = 1, 2, ..., n.

Entonces para cualquier vector v ∈ V, T1v = T2v. Es decir T1 = T2.

Teorema 3. Sea V un espacio vectorial de dimensión finita con
base B = {v1, v2, ..., vn}. Sea también W un espacio vectorial que
contiene a los n vectores w1, w2, ..., wn. Entonces existe una única
transformación lineal T: V → W tal que Tvi = wi para i = 1, 2, ..., n.

Ejemplo 21.2
Demuestre que la transformación T : R3→R2 es lineal:

T((x, y, z)′) = (x + z, y − z)′

Solución
Sean u = (x1, y1, z1)′ y v = (x2, y2, z2)′. Entonces
T(u + v) = T((x1 + x2, y1 + y2, z1 + z2)′)
= ((x1 + x2) + (z1 + z2), (y1 + y2) − (z1 + z2))′
= (x1 + z1, y1 − z1)′ + (x2 + z2, y2 − z2)′
= T(u) + T(v)
Por otro lado, para todo escalar c,
T(c u) = T((c x1, c y1, c z1)′)
= (c x1 + c z1, c y1 − c z1)′
= c (x1 + z1, y1 − z1)′
= c T((x1, y1, z1)′)
= c T(u)
Como se cumplen las dos condiciones:
T(u + v) = T(u) + T(v)
T(c u) = c T(u)
T es lineal _

Ejemplo 21.3
Sea A una matriz m × n. Demuestre que la transformación T : Mn×k→Mm×k
definida como
T(B) = AB
es lineal.
Solución
Sean B y C dos matrices n × k cualquiera y c un escalar cualquiera:
T(B + C) = A(B + C) = AB + AC = T(B) + T(C)
T(cB) = A(cB) = c (AB) = c T(B)
Como se cumplen las dos condiciones:
T(B + C) = T(B) + T(C)
T(cB) = c T(B)
T es lineal _
Ejemplo 21.4
¿Es lineal la transformación f : R→R, definida por f(x) = x + 1 ?
4
Solución
No, la parte 1 de la definición no se cumple porque
f(x + y) = (x + y) + 1
y
f(x) + f(y) = x + 1 + y + 1 = x + y + 2
no son iguales _
5.02.-EJEMPLOS DE TRANSFORMACIONES LINEALES
( REFLEXION, DILATACION, CONTRACCION Y ROTACION)

Rotación

Sea 0 ≤ θ < 2π un ángulo medido en radianes. La Transformación de

T : R2 ―› R2 que gira sobre un vector ū = (u1, u2) es un ángulo θ,
para obtener un vector T (ū) = (v1, v2).

Usando las funciones trigonométricas, tenemos que:

v1 = ||T (ū)|| • cos (α + θ) = ||ū|| • (cos α cos θ - sen α sen θ)

v2 = ||T (ū)|| • sen (α + θ) = ||ū|| • (sen α cos θ + cos α sen θ)

Como u1 = ||ū|| = cos α y u2 = ||ū|| = sen α se obtiene:

v1 = u1 cos θ – u2 sen θ

v2 = u2 cos θ – u1 sen θ

Por lo tanto la Transformación T : R2 ―› R2 debe estar definida tal

que:

T (u1, u2) = (u1 cos θ – u2 sen θ, u2 cos θ – u1 sen θ).

Esta transformación se llama la rotación por un ángulo θ y es lineal,

ya que:

T [(u1, u2) + γ(v1, v2)] = T (u1 + γv1, u2 + γv2)

= ((u1 + γv1) cos θ – (u2 + γv2) sen θ, (u2 + γv2) cos θ + (u1 + γv1)
sen θ)

=(u1 cos θ - u2 sen θ, u2 cos θ + u1 sen θ)+(v1 cos θ - v2 sen θ, v2

cos θ + v1 sen θ)

= T (u1, u2) + γT (v1, v2)

Transformación de Reflexión:

La Transformación de T : R2 ―› R2 que a cada vector ū = (u1, u2) lo

refleja sobre el eje x, para obtener un vector T (ū) = (v1, v2).

En este caso, la situación es más sencilla ya que claramente tenemos

dos triángulos rectángulos que son congruentes, de donde T queda
definida como sigue:

T (u1, u2) = (u1, -u2)

Esta transformación se llama la reflexión sobre el eje x, y es lineal, ya
que:

T [(u1, u2) + γ(v1, v2)] = T (u1 + γv1, u2 + γv2) = (u1 + γv1, -u2
-γv2)

= (u1, -u2) + γ(v1, -v2) = T (u1, u2) + γT (v1, v2)

Dilatación y contraccion

Considere el operador T: R2→R2 , definido por , donde r es

un escalar, si , entonces T acerca los puntos al origen; esta
operación recibe el nombre de contracción de factor r.

Se puede demostrar que T es una transformación lineal.

Determine la matriz canónica de T. determine el efecto que tiene T en

la base canónica

La matriz canonica es

T se puede expresar como una transformación matricial:

Por ejemplo considere la dilatación T definida por la matriz , se

tiene que,

Por consiguiente, T transforma el punto en el punto . la imagen

se localiza en la misma dirección que el punto original a partir del
origen, pero se encuentran tres veces mas lejos del origen.
5.03 DEFINICIÓN DE NUCLEO O KERNEL E IMAGEN DE UNA
TRANSFORMACIÓN LINEAL

Nucleo o kernel

Definición. Sean V y W espacios vectoriales y sea T : V → W una

transformación lineal. Entonces:

El kernel (o núcleo) de T, denotado como ker T, está dado por

ker T = {v ∈ V: Tv = 0}

Obervación. Note que ker T es no vacío ya que por el Teorema 1 de

las Transformaciones lineales, T(0) = 0 de manera que 0 ∈ ker T para
toda transformación lineal T. Será interesante encontrar otros
vectores en V que sean "mapeados al cero". De nuevo, nótese que
cuando escribimos T(0) = 0, el 0 de la izquierda está en V, y el 0 de la
derecha está en W.

Imagen de una transformación lineal.

Definición. Sean V y W espacios vectoriales y sea T : V → W una

transformación lineal. Entonces:

imag V = { w ∈ W: w = Tv para alguna v ∈V}

Observación. El concepto imag T es simplemente el conjunto de

"imágenes" de vectores en V bajo la transformación T. De hecho,
si w = Tv, diremos que w es también la imagen de v bajo T. también
recibe el nombre de rango de T. el rango se representa por rango(T).

Teorema. Si T : V → W es una transformación lineal, entonces:

i. ker T es un subespacio de V.

ii. imag T es un subespacio de W.

Demostración.

i. Sean u y v en ker T; entonces T(u + v) = Tu + Tv = 0 + 0 = 0

y T(αu) = αTu = α0 = 0 de modo que u + v y αu están en ker T.

ii. Sean w y x en imag 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(αu) = αTu = αw. De esta manera w + x y
αw están en imagT.
Ejemplo

Determine el nucleo y el rango de la transformación definida por la

siguiente matriz

Solución

A es una matriz de 3x3.de esta manera, A define un operador lineal T:

Los elementos de se expresan en forma de matriz columna para

poder efectuar la multiplicación de matrices. Por conveniencia,
exprese los elementos de en forma de renglón.

Nucleo: el nucleo contara de todos los vectores en ,

tales que

Asi,

Esta ecuación matricial corresponde al siguiente sistema de

ecuaciones lineales.

Al resolver este sistema, se obtienen varias soluciones

 . Por consiguiente, el nucleo es el conjunto de
vectores .

El ker(T) es un Subespacio unidimensional de cuya base es

Rango: los vectores columna de A genera el rango. Escriba estos

vectores columna como renglones de una matriz y calcule la forma
reducida escalonada de la matriz. Los vectores renglón distintos de
cero proporcionan una base para el rango. Así

Los vectores generan el rango de T. cualquier vector del

rango es una combinación lineal de estos vectores.

Por lo tanto, el rango de T es

Rango(T) es un Subespacio bidimensional de con base

5.04.-LA MATRIZ DE UNA TRANSFORMACIÓN Y REPRESENTACION
MATRICIAL DE UNA TRANSFORMACION LINEAL.

Si T es una función de en definida por en

donde A es una matriz de , y dado que la
condición corresponde a la propiedad
distributiva de la multiplicación de matrices y la
condición es también una propiedad de la multiplicación
de matrices . Entonces T es una transformación
lineal. Y se puede concluir que:

Toda matriz A de define una transformación lineal de

en .
Ahora consideremos una transformación lineal T de en ; si
aplicamos esta transformación a los vectores base de , obtenemos
los siguientes vectores:

Si construimos una matriz AT cuyas columnas sean los

vectores ; AT define una transformación lineal de
en tal que si

para i = 1, 2, . . . , n.
Entonces
y por lo tanto para i = 1, 2, . . . , n. Concluimos que T y
la transformación AT , son la misma, porque tienen el mismo efecto
sobre los vectores base.
AT es la matriz cuyas columnas son los vectores .

La matriz AT se llama matriz de

transformación de T o representación matricial de T.
Si se usan bases diferentes, las matrices de transformación que se
obtendrán serán diferentes.

Ejemplo 1.

Encuentre la representación matricial de la transformación

lineal T de en definida por

Aplicamos T a los vectores base de :

, , ,

Entonces la matriz AT es

Ejemplo 2.

En el ejemplo 1 se utilizó la base canónica para construir la matriz de

representación de la transformación lineal
ahora se utilizará la base .

, , ,

Entonces la nueva matriz de transformación queda:

Ejemplo 3.

Encuentre la representación matricial AT de la transformación

lineal T definida por

Aplicamos T a los vectores base de :

Entonces la matriz de transformación es

Ejemplo 4.

Encuentre la representación matricial AT de la transformación

lineal T definida por

Aplicamos la transformación a los vectores base de

Entonces la matriz de transformación es

5.05.- TRANSFORMACIONES LINEALES Y SISTEMAS DE

ECUACIONES LINEALES.

Las transformaciones lineales junto con los conceptos de núcleo y

rango desempeñan un papel importante en el análisis de sistemas de
ecuaciones lineales. Se verá que estos sistemas
permiten visualizar los conjuntos de soluciones.

Un sustema de m ecuaciones lineales con n variables se puede

expresar en forma matricial de la siguiente manera:

Ax = y

A es una matriz de m x n; ésta es la matriz de coeficientes del

sistema. El conjunto de soluciones es el conjunto de x que satisface
esta ecuación. Ahora cuenta con una forma elegante de visualizar
este conjunto solución. Sea T: Rn → Rm la transformación lineal
definida por A. El sistema de ecuaciones se puede escribir de la
siguiente manera:

T(x) = y

El conjunto de soluciones es el conjunto de vectores

en Rn transformado por T en el vector y. Si y no pertenece al rango
de T. Entonces el sistema no tiene solución. Véase la siguiente figura:
Ecuaciones homogéneas

Esta forma de ver los sistemas de ecuaciones lineales nos lleva al

siguiente resultado.

Teorema 1. El conjunto de soluciones de un sistema homogéneo

de m ecuaciones lineales con n variables, Ax = 0, es un subespacio
de Rn.

Demostración. Sea T la transformación lineal de Rn en Rm, definida

por A. El conjunto de soluciones es el conjunto de vectores
en Rn transformado por T en el vector cero. El conjunto de soluciones
es el núcleo de la transformación y por consiguiente, un subespacio.

Ecuaciones no homogéneas

Ahora verá que el conjunto de soluciones de un sistema de

ecuaciones lineales no homogéneas no forma un subespacio.

Sea Ax = y (y ≠ 0) un sistema de ecuaciones lineales no homogéneo.

Sea x1 y x2 soluciones. Por lo tanto,

Ax1 = y y Ax2= y

Si se suman estas ecuaciones, se obtiene

Ax1+ Ax2= 2y

A(x1 +x2)= 2y

Por lo tanto, x1 + x2 no satisfacen a Ax = y. No se trata de una

solución. El conjunto de soluciones no es cerrado bajo la adición; por
consiguiente, no es un subespacio.
Sin embargo, ¡No todo está perdido! Aunque el conjunto de
soluciones de un sistema no homogéneo no es un subespacio, el
conjunto se puede obtener trasladando cierto subespacio. Este
resultado permitirá representar el conjunto de soluciones.

Teorema 2. Sea Ax = y un sistema no homogéneo de m ecuaciones

lineales con n variables. Sea x1 una solución particular. Cada solución
se puede escribir de la siguiente forma: x = z + x1, donde z es un
elemento del núcleo de la transformación T definida por A. La
solución es única si el kernel consta sólo del vector cero.

Demotración. x1 es una solución. Por

consiguiente, Ax1 = y. Sea x cualquier solución. Así, Ax = y. Si se
igualan Ax1 y Ax, se tiene que

Ax1 = Ax

Ax - Ax1 = 0

A(x - x1) = 0

T(x - x1) = 0

Por lo tanto, x - x1 es un elemento del núcleo de T; llámenlo z.

x - x1 = z

Se puede escribir:

x= z + x1

Note que la solución es única si el único valor de z es 0; es decir, si el

kernel es el vector cero.

Este resultado implica que el conjunto de soluciones de un sistema de

ecuaciones lineales no homogéneo Ax = y se puede obtener a partir
del kernel de la transformación definida por la matriz de coeficientes
y una solución particular x1. Si se toma cualquier vector z del kernel y
le suma x1, se obtiene una solución. Desde el punto de vista
geométrico, esto significa que el conjunto de soluciones se obtiene
trasladando el núcleo a una distancia y en una dirección definidas por
el vector x1. Véase la siguiente figura:
 5.06.-ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES

Una transformación lineal es un conjunto de operaciones que se

realizan sobre un vector para convertirlo en otro vector. En ocasiones
trabajar con vectores es muy sencillo ya que pueden ser facilmente
interpretados dentro de un contexto gráfico, lamentablemente no
siempre ocurre y es necesario transformar a los vectores para
poderlos trabajar más facilmente. Por otra parte, trabajar con
sistemas lineales es mucho más sencillo que con sistemas no lineales,
ya que se puede utilizar una técnica llamada superposición, la cual
simplifica de gran manera gran variedad de cálculos, por lo que es de
gran interes demostrar que un proceso puede ser reducido a un
sistema lineal, lo cual solo puede lograrse demostrando que estas
operaciones forman una transformación lineal.

Se denomina transformación lineal, función lineal o aplicación lineal a

toda aplicación cuyo dominio y codominio sean espacios vectoriales y
se cumplan las siguientes condiciones:

Sean V y W espacios vectoriales sobre el mismo campo K, y T una

función de V en W. T es una transformación lineal si para cada par de
vectores de u y v pertenecientes a V y para cada escalar k
perteneciente a K, se satisface que:

1.
2. donde k es un escalar.

Son aplicaciones lineales los operadores usados en la formulación

matemática de la mecánica cuántica. Para detalles específicos sobre
estos, ver el artículo Operador (mecánica cuántica).

Propiedades de las transformaciones lineales

1.

Transformación Lineal Singular y No Singular

Sean y espacios vectoriales sobre el mismo campo y una

transformación lineal de en . Entonces, es no singular si:

En caso contrario es singular.

Teorema fundamental de las transformaciones lineales

• Sea B = {v1,v2,v3,...vn} base de V y C = {w1, w2, w3,...wn n} un

conjunto de vectores de W no necesariamente distintos,
entonces existe una única transformación lineal
Para todo

Clasificación de las transformaciones lineales

1. Monomorfismo: Si es inyectiva, o sea si el único

elemento del núcleo es el vector nulo.
2. Epimorfismo: Si es sobreyectiva (exhaustiva).
3. Isomorfismo: Si es biyectiva (inyectiva y
exhaustiva).
4. Endomorfismo: Si o sea si el dominio es igual al
codominio (el espacio vectorial de salida y el de llegada son el
mismo).
5. Automorfismo: Si es endomorfismo e isomorfismo a
la vez.
Definición 1

Sean espacios vectoriales, y sea . Diremos que

es:

1. Una transformación lineal (o morfismo ) si dados ,

,
2. Un Monomorfismo si es un morfismo inyectivo.
3. Un epimorfismo si es un morfismo sobreyectivo.
4. Un isomorfismo si es un morfismo biyectivo.

Además llamaremos ( para abreviar) al espacio de

morfismos de , donde es la función constante cero,

esto es:

Y la suma y producto escalar en se definen así:

1. Si , entonces es la transformación dada por

2. Si , , entonces es la transformación dada por.

TEOREMAS
TEOREMA 2.1 Si T : V W es una transformación lineal, entonces
V es dimensionalmente finito si y sólo si N(T) y R(T) son
dimensionalmente finitos, y en este caso,

dim(V) = nulidad(T) + rango(T).

Demostración

Dados dos espacios vectoriales V y W sobre un campo F, definimos

L(V, W) = {T : V W | T es una transformación lineal}.

Si T, U Î L(V, W) y a Î F, definimos aT + U : V ® W como (aT + U)(x) =

aT(x) + U(x) para toda x Î F. Es un ejercicio verificar que aT + U es
una transformación lineal y que L(V, W), junto con estas operaciones
de suma y de multiplicación por escalares, es un espacio vectorial
sobre F.

Definimos el que una función fuera inyectiva, sobre y biyectiva. Es un

ejercicio demostrar que para una transformación lineal T : V W,
las siguientes condiciones son equivalentes:

• T es inyectiva
• N(T) = {0} (es decir, nulidad(T) = 0)
• Para todo S ê V, S es linealmente independiente si y sólo si T(S)
ê W es linealmente independiente

También se deja como ejercicio el verificar que si V y W son dos

espacios vectoriales con la misma dimensión (finita) y T : V W es
una transformación lineal, entonces T es inyectiva o sobre si y sólo si
es biyectiva.

Una transformación lineal es una función que preserva la estructura

algebraica de espacio vectorial, por lo que no toda función entre
espacios vectoriales es una transformación lineal. De hecho, es
sencillo encontrar funciones inyectivas, sobre, y biyectivas que no son
transformaciones lineales. Esto motiva las definiciones de
monomorfismo, epimorfismo e isomorfismo.

LEMA 2.2 Sean V y W dos espacios vectoriales sobre un campo F.

Supongamos que V es dimensionalmente finito y que b = {x 1, ..., xn}
es una base de V. Entonces para todo {y1, ..., yn} í W, existe una
unica transformación lineal T : V W tal que T(xi) = yi para toda i
= 1, ..., n.
TEOREMA 2.3 En la categoría de los espacios vectoriales
dimensionalmente finitos, la dimensión es un invariante completo de
isomorfismo. Es decir, para cualesquiera dos espacios vectoriales
dimensionalmente finitos V y W sobre un campo F, existe un
isomorfismo entre V y W si y sólo si dim(V) = dim(W).

Demostración

Sea V un espacio vectorial dimensionalmente finito sobre un campo F

y sea b = (x1, ..., xm) una base ordenada de V. Para cada x Î V, existen
escalares únicos a1, ..., am Î F tales que x = a1x1 + ... + amxm.
Definimos al vector coordenado de x relativo a b como

a1
[ x ]b
( : ),
=
am

Sean V y W dos espacio vectoriales dimensionalmente finitos sobre

un campo F, b = {x1, ..., xm} una base ordenada de V y g = {y1, ...,
xn} una base ordenada de W. Para cada T Î L(V, W), definimos la
matriz asociada a T con respecto a las bases ordenadas b y g como

g
[T(x1)]g ...
[T] =( ).
b [T(xm)]g

Por otro lado, dada una matriz A Î Mn x m(F), la función LA : Fm ® Fn

definida por LA(x) = Ax, es una transformación lineal (ejercicio).

TEOREMA 2.4 Sean V y W dos espacio vectoriales dimensionalmente

finitos sobre un campo F, b = {x1, ..., xm} una base ordenada de V y g
= {y1, ..., yn} una base ordenada de W. Entonces el mapeo T |
[T]bg constituye un isomorfismo F : L(V, W) Mn x m(F). Más aún, para
toda A Î Mn x m(F), se tiene que F (A) Î L(V, W) es tal que [F-1(A)]bg = A.
-1

Demostración
Sean V y W dos espacios vectoriales sobre un campo F. Si T Î L(V, W),
entonces existe una matriz asociada a T por cada par de bases
ordenadas b y g de V y W respectivamente. El siguiente teorema
(cambio de coordenadas) establece la relación entre estas matrices.

TEOREMA 2.5 Sean V y W dos espacio vectoriales dimensionalmente

finitos sobre un campo F. Si b, b' son dos bases ordenadas de V y g g'
son dos bases ordenadas de W, entonces existe una matriz invertible
Q tal que . Entonces el mapeo T | [T] bg constituye un isomorfismo
F : L(V, W) Mn x m(F). Más aún, para toda A Î Mn x m(F), se tiene
que F (A) Î L(V, W) es tal que [F-1(A)]bg = A.
-1

Ejercicios:

Sea un -espacio vectorial y una transformación lineal de

de rango . Demostrar que existe un escalar tal que .

Solución. Puesto que , entonces existe un vector no

nulo de tal que , así, para algún de . Sea
un vector de , entonces
, es
decir, .▫

Encontrar subespacios de tales que

pero la suma no es directa.

Solución. Sea
. Es claro
que En efecto,
Pero nótese que la suma
no es directa ya que , puesto que el vector
.

ejemplo

Sea un -espacio vectorial y sea un subespacio de . Dado

denotemos por el subconjunto de definido por
. Denotemos por la colección de todos
estos subconjuntos, es decir, . Demostrar
que:

Solución. (i) Si entonces luego y

entonces por tanto Veamos ahora
el recíproco: debemos demostrar que : sea
entonces . Hemos
demostrado que . Sea ahora entonces

, luego hemos probado la otra

inclusión, es decir, y de esta manera se tiene que
.

(ii) Veamos que la operación de suma está bien definida:sea y

entonces debemos ver que : ,
entonces

, es decir, .

Ahora revisemos las propiedades de la suma de vectores: la

asociatividad y la conmutatividad son consecuencia de las
respectivas propiedades de la suma de vectores en El cero del
espacio cociente es

El opuesto del vector es . De la misma forma se demuestra que

la operación de escalar por vector está bien definida y además se
cumplen las otras propiedades de espacio vectorial:

(iii) Sea , , sea una base de ,

según la Prop 9 del Capítulo 1, esta base se puede completar hasta
una base de . Vamos a probar que el
conjunto

es una base de veamos en primer lugar que este

conjunto de clases genera al espacio
Bibliografía

• http://sistemas.itlp.edu.mx/tutoriales/matematicas4/t41.
htm

• Stanley I. Grossman: "Algebra Lineal", Segunda Edición;

Grupo Editorial Iberoamérica

• http://oceanologia.ens.uabc.mx/~matematicas/algebralin
eal/V%20Transformaciones
%20Lineales/03%20representacion%20matricial.htm

• http://www.ingquimica.com/modules.php?
name=Forums&file=viewtopic&t=267&start=0&postdays=0&
postorder=asc&highlight
• Gareth Williams:”algebra lineal con aplicaciones”, cuarta
edición; Mc Graw Hill Interamericana, Editores S.A. de
C.V.