Documentos de Académico
Documentos de Profesional
Documentos de Cultura
[ALGEBRA
LINEAL]
[Resumen del curso]
INDICE
MATRICES
- Definicion y tipos de
matrices………………………………………………………….1
- Operaciones con
matrices……………………………………………………………….6
- Inversa de una
matriz…………………………………………………………………….11
- Rango de una
matriz……………………………………………………………………..15
- Determinantes…………………………………………………………………
……………22
- Inversa de una matriz con
determinantes……………………………………..25
- Solución de ecuaciones
lineales…………………………………………………….31
ESPACIOS VECTORIALES
- Definicion y
propiedades………………………………………………………………39
- Sub-espacios
vectoriales………………………………………………………………41
- Operaciones con espacios y sub-
espacios…………………………………….43
TRANSFORMACIONES LINEALES
- Definicion………………………………………………………………………
………...53
- Matriz asociada a una
transformación…………………………………….55
- Rango de una transformación
lineal………………………………………..59
- Cambio de
base……………………………………………………………………….63
- Autovalores y
autovectores…………………………………………………….64
- Diagonalizacion………………………………………………………………
……65
1
[ALGEBRA LINEAL]
Matriz:
Definición y elementos.
a 11 a 12 ..........a 1n
a 21 a 22 ..........a 2n
A
..........................
a a ..........a
m1 m2 mn
2 3 1 0
A 3 1 5 1 Además, a23 = 5 y a33 = 6
0 2 6 4
Si llamamos a la matriz A, también denotaremos a dicha matriz como A (aij ) mn donde los
aij son elementos reales. Al conjunto de todas las matrices de orden m n sobre el conjunto de
los números reales lo denotaremos como M mn () .
2 1 3
Dada una matriz cualquiera, por ejemplo, A podemos escribirla separando sus filas,
3 0 2
o bien, sus columnas, es decir,
2 1 3
A A1 2 1 3 A2 3 0 2 A tiene dos vectores fila
3 0 2
2 1 3 2 1 3
A A 1 A 2 A 3 A tiene tres vectores columna
3 0 2 3 0 2
2
[ALGEBRA LINEAL]
Esto significa que podemos pensar en una matriz bien como una tabla de elementos,
bien como un conjunto de vectores puestos en fila, bien como un conjunto de vectores puestos
en columna.
a 11 a 12 ..........a 1n A1
a 21 a 22 ..........a 2n
A
..........................
A
A 2
...
A A1 A2 ..... An
a a ..........a A
m1 m2 mn m
2 3 1 0
Ejemplo: A 3 1 5 1
0 2 6 4
2 3 0
Al eliminar la 2ª fila y la 3ª columna, nos queda: M
0 2 4
Tipos de matrices.
Matriz fila.
Llamaremos matriz fila a la matriz que solo tiene una fila, es decir, a una matriz de orden 1 n
Ejemplo: A 1 4 3 0
Matriz columna.
Llamaremos matriz columna a la matriz que solo tiene una columna, es decir, a una matriz de
orden m 1
2
Ejemplo: A 4
1
3
[ALGEBRA LINEAL]
Matriz nula.
Llamaremos matriz nula a aquella en la que todos sus elementos son cero.
0 0 0
Ejemplo: 0
0 0 0
Matrices iguales.
Dos matrices A y B diremos que son iguales si tienen la misma dimensión y si los elementos que
ocupan la misma posición son iguales, es decir,
a 1
b3
a b 1 3
Ejemplo: Si
c d 3 5 c 3
d 5
Matriz traspuesta.
Dada una matriz A = (aij), se llama traspuesta de A, y se representa por At, a la matriz que se
obtiene intercambiando en A las filas por las columnas. Si A es de orden m n , At es de orden
nm
Ejemplo:
1 0
-1 2 3
Si A que es de orden 2 x 3 A 2 4 que es de orden 3 x 2.
t
0 4 6 3 6
1.- (At)t = A
2.- (A + B)t = At + Bt
4
[ALGEBRA LINEAL]
Matriz cuadrada.
Llamamos matriz cuadrada de orden n a aquella que tiene igual número de filas que de
columnas, por tanto su orden es n n . Al conjunto de todas las matrices de orden n sobre el
conjunto de los números reales lo denotaremos M n ( () .
4 8 3
Ejemplo: A 7 1 0
3 5 2
Dada una matriz cuadrada de orden n, A=(aij), llamaremos diagonal principal de A a los
elementos aii, donde 1 i n .
4 8 3
A 7 1 0 es la diagonal principal
3 5 2
De igual forma llamaremos diagonal secundaria a los elementos aij tal que i+j=n+1.
4 8 3
A 7 1 0 es la diagonal secundaria
3 5 2
Matriz triangular.
Diremos que A es una matriz triangular superior si todos los elementos por debajo de la
diagonal principal son ceros.
1 4 2
A 0 3 6
0 0 1
5
[ALGEBRA LINEAL]
Diremos que A es una matriz triangular inferior si todos los elementos por encima de la
diagonal principal son ceros.
4 0 0
B 7 1 0
3 5 2
Matriz diagonal.
Diremos que A es una matriz diagonal si es una matriz triangular superior e inferior a la
vez, es decir, es la que tiene todos sus elementos nulos excepto los de la diagonal principal.
5 0 0
Ejemplo: D 0 4 0
0 0 3
Matriz escalar.
Llamaremos matriz escalar a una matriz diagonal en la que todos los elementos de la
diagonal principal son iguales.
5 0 0
Ejemplo: E 0 5 0
0 0 5
Llamamos matriz unidad o matriz identidad de orden n, a una matriz escalar especial en
la que todos los elementos de la diagonal principal son 1. A dicha matriz la denotamos por I o
por In, donde n indica el orden de la matriz.
1 0 0
Ejemplo: I 3 0 1 0
0 0 1
Matriz simétrica.
Dada una matriz cuadrada A, diremos que A es una matriz simétrica si es igual a su traspuesta, es
decir, si At = A. (el elemento aij = aji.)
1 2 0 1 2 0
Ejemplo: A 2 4 7 y A 2 4 7 por tanto, A es simétrica
t
0 7 5 0 7 5
6
[ALGEBRA LINEAL]
Suma de matrices
Dadas dos matrices A = (aij) y B = (bij), A,B M mn () , (de la misma dimensión)
entonces, se define la matriz suma de A y B como otra matriz C = (cij) M mn () tal que:
Con la definición vista de suma de matrices elemento a elemento es fácil imaginar que
las propiedades de la suma de matrices son las mismas que la de la suma de números reales.
Considerando entonces las matrices A, B, C M mn () , tendremos las siguientes propiedades:
1.- Asociativa: A + (B + C) = (A + B) + C
2.- Conmutativa: A + B = B + A
3.- Existe elemento neutro: El elemento neutro será la matriz nula 0, puesto que
7
[ALGEBRA LINEAL]
Dada la matriz A M mn () y un número k , entonces la matriz producto k·A será el
producto de multiplicar cada elemento de A por k, es decir si A = (aij) entonces: k·A = (k·aij)
7 1 14 2
Ejemplo: 2 5 3 10 6
4 1 8 2
Igual que decíamos antes para la suma de matrices, las propiedades del producto de una
matriz por un escalar serán las mismas que las del producto de números reales. Así sean A, B
M mn () y , tendremos las siguientes propiedades:
4.- Existe elemento neutro: Dicho elemento será el 1 (nº real), ya que: 1·A = A
8
[ALGEBRA LINEAL]
Antes de definir el producto de dos matrices con carácter general, vamos a definir el
producto de una matriz fila por una matriz columna:
Si consideramos una matriz fila A y otra matriz columna B, (ambas con el mismo número de
elementos) entonces su producto será:
b1
b2
...
a1 a2 ...... an a1 b1 a2 b2 ....... an bn
...
....
b
n
6
Ejemplo: 1 2 3· 4 1·6 2·(4) 3·5 6 8 15 13
5
Importante: obsérvese que el resultado de multiplicar una fila por una columna es un número.
Dada una matriz A = (aij) M mn () y otra matriz B = (bij) M n p () , es decir, tales que el
número de columnas de A es igual al número de filas de B, entonces se define la matriz producto
A·B como otra matriz C = (cij) M m p () , tal que cij será el producto de la fila i de A por la
columna j de B, es decir:
b1 j
b2 j
cij = ai1 ai 2 ...... ain .... ai1 b1 j ai 2 b2 j ....... ain bnj o también
....
b
nj
n
cik a ih .bhk
h 1
9
[ALGEBRA LINEAL]
6 1 0 5
1 2 3 4 15 7 10
Ejemplo: 5 1 2 2
0 1 1 0 4 1 3 5 3 1 5
Iguales
Explicación:
Para hallar c11 = -4 hemos hecho lo siguiente: elegimos la fila 1 de A y la multiplicamos por la
columna 1 de B :
6 1 0 5
1 2 3
5 1 2 2 c11 1·6 2·(5) 3·0 4
0 1 1 0 4 1 3
Para hallar c23 = -1 hemos hecho lo siguiente: elegimos la fila 2 de A y la multiplicamos por la
columna 3 de B :
6 1 0 5
1 2 3
5 1 2 2 c23 0·0 (1)·2 1·1 1
0 1 1 0 4 1 3
Consecuencias:
Sean A M mn () , y B,C M n p () , entonces se verifican las siguientes propiedades:
1.- No es una ley interna, ya que las matrices que se multiplican no tienen por qué ser del mismo
orden, y la matriz resultado normalmente no es de la misma dimensión que ninguna de las que
se multiplica.
A · B = C
10
[ALGEBRA LINEAL]
A·(B·C) = (A·B)·C
3.- No es conmutativa.
A·B B·A
Lo anterior no quiere decir que eso sea siempre distinto, sino que no son necesariamente
iguales. En general ni siquiera serán comparables, a menos que p = m; en cualquier otro caso
no podremos ni hacer el producto B·A.
Ejemplos:
2 0 1
1 3 1
Sean A= B= 1 4 3
2 4 1 0 1 2
2 0 1
1 3 1
Está claro que podemos realizar A · B · 1 4 3
2 4 1 0 1 2
2 0 1
1 3 1
Sin embargo es imposible realizar B · A 1 4 3 ·
0 1 2 2 4 1
Pero aún en el caso de que pudiese realizarse, tampoco es cierto que salga el
mismo resultado como prueba el siguiente ejemplo:
1 2 1 4 1 10 11 6
Si A= B= entonces: A · B = pero B · A =
3 1 0 3 3 9 9 3
4.- Distributiva:
Además de las propiedades anteriores, que son válidas para todas las matrices,
independientemente de su orden, si consideramos una matriz cuadrada de orden n A M n ()
, podemos añadir las siguientes:
11
[ALGEBRA LINEAL]
5.- Existe elemento neutro: El elemento neutro del producto de matrices ‘cuadradas’ de orden
n será la matriz unidad o matriz identidad In, puesto que:
A·In = In·A = A
1 2 3 1 0 0 1 2 3
Ejemplo: 1 4 5 · 0 1 0 = 1 4 5
0 2 3 0 0 1 0 2 3
6.- Elemento inverso: No existe, en general, elemento inverso A-1 de una matriz cuadrada A
Ejemplo:
... ... 0 0 1 0
· =
... ... 0 1 0 1
Sin embargo, si hay matrices que tienen inverso, es decir tal que: A·A-1 = A-1·A = In
Ejemplo:
1 2 1 0 1 1
4 2
Si consideramos la matriz A = 0 2 0 podemos probar que la matriz = 0 1
2
0 verifica
2 1 0 1 3 1
4 2
que:
1 2 1 0 1 1
1 0 0 0 1 1
4 2
4 2
0 2 0 · 0 0 = 0 1 0 por tanto A-1= 0 0
1 1
2 2
2 1 0 1 3 1 0 0 1 1 3 1
4 2 4 2
Aunque esta es una propiedad evidente de los números reales, en las matrices no tiene por qué
ocurrir. La causa o la propiedad que está detrás de esto es la existencia (para los números reales)
o la no existencia (para las matrices) de elemento inverso.
12
[ALGEBRA LINEAL]
Ejemplo:
1 0 0 0 0 0
0 0 1 1 0 0
Ninguna de las matrices multiplicadas es la matriz nula, pero su producto sí lo es. La causa es
que ninguna de esas matrices tiene inversa.
Podemos comenzar diciendo que una matriz que no sea cuadrada, nunca tendrá inversa
y que entre las matrices cuadradas, en general, tampoco existen inversas (hemos visto en el
apartado anterior ejemplos en el que unas veces si tienen y otras no)
De existir la matriz inversa de una matriz cuadrada A, la representaremos por A-1 y la llamaremos
matriz inversa de A.
Por tanto, entre las matrices cuadradas podemos establecer una gran división: aquellas que tienen
inversa y aquellas que no la tienen.
Definición: Llamaremos matriz regular a toda matriz cuadrada que tenga inversa.
Definición: Llamaremos matriz singular a toda matriz cuadrada que no admita inversa.
13
[ALGEBRA LINEAL]
Ejemplos:
1 2 1
A= 0 2 0 es una matriz regular porque tiene inversa.
2 1 0
1 2 1
B= 0 2 0 es una matriz singular porque no tiene inversa
1 4 1
1 2 1
Ejemplo: Vamos a calcular la inversa de la matriz A = 0 2 0
2 1 0
x 11 x 12 x 13
Se trata de hallar una matriz X = x 21 x 22 x 23 que verifique que A · X = I, es decir:
x x 33
31 x 32
1 2 1 x 11 x 12 x 13 1 0 0
0 2 0 · x 21 x 22 x 23 = 0 1 0
2 1 0 x x 33 0 0 1
31 x 32
14
[ALGEBRA LINEAL]
1 2 1 X 1 e1
0 2 0 · X 2 e 2 y haciendo la multiplicación, que se convierte en:
2 1 0 X e
3 3
X 1 2 X 2 X 3 e1
2X2 e2 donde X1, X2 y X3 son las incógnitas pero vectores.
2 X 1 X 2 e3
2e 3 e 2 e2 4e - 3e 2 - 2e 3
X1 = X2 = X3 = 1
4 2 4
X1 = 0 1
4
1
2
X 2 = 0 1
2 0 X 3 = 1 -3
4
1
2
X1 0 1 1
4 2
X =X2 =0 1
2
0
X 1 3 1
3 4 2
15
[ALGEBRA LINEAL]
1 2 1 0 1 1
1 0 0
4 2
0 2 0 · 0 0 = 0 1 0
1
2
2 1 0 1 3 1 0 0 1
4 2
Antes de definir el rango de una matriz, vamos a dar una serie de definiciones
relacionadas con los vectores.
Definición: Dado un conjunto de vectores v1 , v2 , v3 ,......, vm n , diremos que dichos vectores
son linealmente dependientes cuando alguno de ellos se pueda expresar en función de los otros,
o también, cuando alguno de ellos sea combinación lineal de los otros o, equivalentemente, si
existen 1 , 2 , 3 ,....., n , alguno de ellos distinto de 0, tal que:
1 v1 2 v2 3 v3 .......... n vn 0
Ejemplo:
v1 1 0 1 2
Dados los vectores v2 4 2 2 1 , podemos observar que el vector v3 se obtiene a partir
v3 6 2 4 5
de los otros dos de la siguiente forma: 2 v1 v2 v3 o equivalentemente, 2v1 v2 v3 0 ,
por tanto, los vectores v1 , v2 , v3 son linealmente dependientes.
Definición: Diremos que dichos vectores son linealmente independientes cuando ninguno de
ellos se pueda expresar en función de los otros, o también, cuando ninguno de ellos sea
combinación lineal de los otros o, equivalentemente, si la única forma de conseguir que:
1 v1 2 v2 3 v3 .......... n vn 0
es cuando 1 2 3 ..... n 0
16
[ALGEBRA LINEAL]
Ejemplo:
v1 1 1 0
Dados los vectores v2 0 1 3 , puede comprobarse que ninguno es combinación de los
v3 1 1 6
otros dos y para ella podemos verlo intentando escribir el vector v3 en función de v1 y de v2
Deberíamos encontrar entonces dos valores x e y tales que x v1 y·v2 v3 , o también:
x·1 1 0 y0 1 3 1 1 6
x 0y 1
x y 1 y de las ecuaciones primera y tercera obtenemos x = 1, y = 2, pero esas
0 x 3 y 6
soluciones no son válidas para la segunda ecuación, por lo que el sistema no tiene solución y por
tanto v3 no se puede expresar en función de v1 y de v2
(Nota: Habría que comprobar todos los casos posibles pero sólo hemos hecho un ejemplo)
Una vez hechas las consideraciones oportunas anteriores referentes a vectores linealmente
dependientes e independientes, repasemos los conceptos de vector fila y vector columna con
los que iniciamos el tema:
a 11 a 12 a 13 ... ... a 1n
a 21 a 22 a 23 ... ... a 2n
Sea A = ... ... ... ... ... ... una matriz de orden mxn.
... ... ... ... ... ...
a ... a mn
m1 a m2 a m3 ...
Podemos interpretar cada una de sus filas como un vector, y de esa forma la matriz A
tendría m vectores de n coordenadas y si denotamos la fila i mediante la expresión Ai,
tendríamos:
17
[ALGEBRA LINEAL]
..............................................
..............................................
A1
A2
...
y podríamos escribir A = es decir, hemos abreviado la matriz A .
Ai
...
A
m
Llamamos vectores fila de una matriz a cada una de las filas de dicha matriz, pero
interpretadas como vectores (Si la matriz es de orden mxn obtendremos m vectores fila de n
componentes).
Asimismo, podemos considerar ahora como vectores, en lugar de las filas, las columnas,
con lo que tendríamos n vectores de m componentes.
a 11 a 12 a 1j a 1n
a 21 a 22 a 2j a 2n
A1 ... A 2 = ... ......... A j = ... ......... A n = ...
... ... ... ...
a a a a
m1 m2 mj mn
18
[ALGEBRA LINEAL]
Llamamos vectores columna de una matriz a cada una de las columnas de dicha matriz, pero
interpretadas como vectores (Si la matriz es de orden mxn obtendremos n vectores columnas
de m componentes).
Esto nos permite también hacer el razonamiento inverso, es decir, dada una serie de vectores
podemos ponerlos en forma de matriz:
v1 1 0 1 2
Ejemplo: Dados los vectores v2 4 2 2 1 podemos representarlos en forma de
v3 9 8 4 3
matriz, de dos formas:
1 0 1 2
A = 4 2 2 1
9 8 4 3
1 4 9
0 2 8
B=
1 2 4
2 3
1
Una vez recordadas las definiciones anteriores podemos estamos en condiciones de dar
la definición de Rango de una matriz.
19
[ALGEBRA LINEAL]
a 11 a 12 a 13 ... ... a 1n
a 21 a 22 a 23 ... ... a 2n
Dada una matriz A = ... ... ... ... ... ... de orden mxn,
... ... ... ... ... ...
a ... a mn
m1 a m2 a m3 ...
Ejemplos:
1 0 0
1 0 2 3
A = 0 1 0 B =
0 0 1 0 1 1 2
C1 = e1=( 1 0 0 )
C3 = e3=( 0 0 1 )
- Rg(B) = 2 porque las columnas segunda y tercera son combinación lineal de las
dos primeras, que son las dos únicas independientes:
20
[ALGEBRA LINEAL]
C1= ( 1 0 )
C2= ( 0 1 )
Por tanto, a la hora de calcular el rango de una matriz lo podemos hacer por filas o por
columnas.
Además, en una matriz cualquiera de orden mxn el rango máximo posible será el valor
más pequeño entre m y n. (Máximo Rg(A) = Min (m,n))
1 0 2 3
Ejemplo: A=
0 1 1 2
21
[ALGEBRA LINEAL]
A la hora de calcular el rango de una matriz, podremos realizar determinadas operaciones con las
filas y las columnas de forma que el rango no varía. Vamos a ver que operaciones son esas:
1.- Si en una matriz multiplicamos una fila (o columna) por un número distinto de 0, la matriz
resultante tiene el mismo rango que la anterior.
2.- Si en una matriz a una fila (o columna) le sumamos otra fila (o columna), la matriz resultante
tiene el mismo rango que la anterior.
3.- Si en una matriz a una fila (o columna) le sumamos una combinación lineal de las restantes,
la matriz resultante tiene el mismo rango que la anterior.
4.- Si en una matriz eliminamos una fila (o columna) cuyos elementos sean todos 0, la matriz
resultante tiene el mismo rango que la anterior.
5.- Si en una matriz eliminamos una fila (o columna) que sea igual o proporcional a otra, la matriz
resultante tiene el mismo rango que la anterior.
6.- Si en una matriz intercambiamos dos filas (o columnas) entre sí, la matriz resultante tiene el
mismo rango que la anterior.
El método de Gauss consiste en llegar, mediante las operaciones vistas anteriormente que
me dejan invariante el rango, a una matriz escalonada a partir de nuestra matriz original, Una vez
hayamos obtenido una matriz escalonada (aij=0 cuando i>j), y después de haber eliminado las filas
o columnas nulas y las iguales o proporcionales a otras, el rango será el menor número de filas o
columnas que nos queden.
22
[ALGEBRA LINEAL]
* Ejemplos:
1 1 0 1 1 0 1 1 0
f 2 ´ f 2 2 f1
a) 2 1 1 0 1 1 0 1 1 rg 2
1 1 2 f 3 ´ f 3 f1 0 2 2 f 3 ´ f 3 2 f 2 0 0 0
1 1 2 1 1 2 1 1 2
f 2 2 f1 f3 3 f 2
b) 2 1 1 0 1 3 0 1 3 rg 3
1 2 0 f 3 f1 0 3 2 0 0 7
Así la matriz del apartado a) anterior no tendrá inversa porque su orden es 3 pero su rango es 2.
Sin embargo, la matriz del apartado b) sí tiene inversa ya que su orden y su rango coinciden.
El determinante de una matriz es un escalar (un número), obtenido a partir de los elementos de
una matriz por operaciones especificadas, y que es característico de la matriz. Los determinantes
están definidos solamente para matrices cuadradas. En esta sección se estudiarán los métodos
para obtener los determinantes y las propiedades de éstos.
El determinante de una matriz 2 2 .
a a
A 11 12
a21 a22
23
[ALGEBRA LINEAL]
Ejemplos:
3 6 3 6
Si A entonces A 3 24 27
4 1 4 1
1 0 1 0
Si A entonces A 10 0 10
6 10
6 10
n
A a i j Ci j Para cualquier fila i = 1, 2, …, n,
j1
24
[ALGEBRA LINEAL]
n
A a i j Ci j Para cualquier columna j = 1, 2, …, n
i1
se puede escribir
3
A a11C11 a12C12 a13C13 a 1 j C1 j
j1
EJEMPLO
3 0 2
A 6 8 1
0 3 4
A 96 0 36 0 9 0 141
8 1 6 8
A 3 02 332 3 218 0 105 36 141
3 4 0 3
3 2 3 2
A 08 3 0 812 0 3312 96 45 141
0 4 6 1
25
[ALGEBRA LINEAL]
B A1 ai j a i j bi j
1
26
[ALGEBRA LINEAL]
Ejemplos:
A.
1 6
Determinar, si existe, la inversa de la matriz
4 3
1 6
3 24 27, de manera que la inversa existe.
4 3
3 1 6 2 4 4 1 1
b11 b12 b21 b22
27 9 27 9 27 27 27 27
1
1 6 19 2
4
9
y así,
4 3 27 1
27
B.
3 15
Determinar, si existe, la inversa de la matriz
1 5
3 15
1515 0 , de manera que no existe la inversa (es decir, la matriz es singular).
1 5
EJEMPLOS
A.
0 2 3
Encontrar la inversa, si existe, de la matriz 1 3 3
1 2 2
27
[ALGEBRA LINEAL]
Intercambiode la primera
y segunda filas Paso1 Paso 2
0 2 3 1 0 0 1 3 3 0 1 0 1 3 3 0 1 0 1 3 3 0 1 0
1 3 3 0 1 0 0 2 3 1 0 0 0 2 3 1 0 0 0 1 2 2 0 0
3 1
1 2 2 0 0 1
1 2 2 0 0 1
0 1 1 0 1 1
0 1 1 0 1 1
Paso 2 Paso 3 Paso 3
1 0 3 3
1 0 1 0 32 3
1 0 1 0 0 0 2 3
2 2
2
0
1 3
2
1
2
0 0 0 1 3
2
2
1
0 0 0 1 0 1 3 3
0 0 1 1
1 1
0 0 1 1 2 2
0 0 1 1 2 2
2 2
1
0 2 3 0 2 3
Por lo tanto, 1 3 3 1 3 3
1 2 2
1 2 2
y esta matriz es igual a su inversa. Observemos que
0 2 3 0 2 3 1 0 0
1 3 3 1 3 3 0 1 0
1 2 2
1 2 2
0 0 1
B.
1 2 3
Obtener la inversa, si existe, de la matriz 1 0 4
0 2 2
Paso1 Paso 2 Paso 2
1 2 3 1 0 0 1 2 3 1 0 0 1 2 3 1 0 0 1 0 4 0 1 0
1
0 4 0 1 0
0 2 7 1 1 0 0 1 72 12 12 0 0 1 7
2
1
2
1
2
0
0 2 2 0 0 1
0 2 2 0 0 1
0 2 2 0 0 1
0 0 5 1 1 1
Paso 3 Paso 3
1 0 4 0 1 0 1 0 0 4
15 45
5
0 1
7
2
1
2
1
2
0 0 1 0 15 15 107
0 0 1 15 1
15
0 0 1
1 1
15
5 5 5
1
1 2 3 45 15 45
1
1 0 4 5 5 10
1 7
En consecuencia,
0 2 2 15
1 1
5 5
28
[ALGEBRA LINEAL]
4
15 45 1 2 3 1 0 0
51
5 5 10 1 0 4 0 1 0
1 7
y
5
1 1
15
0 2 2 0 0 1
5
A1
1
adj A
A
EJEMPLOS
A.
Encontrar la inversa, si existe, de la matriz
0 2 3
A 1 3 3 A 0 6 6 9 0 4 1
1 2 2
1 3 13 1 3
A 0 21 31 0 22 3 32 3 1
12
1 2 1 2
1 3 22 0 3 32 0 3
A 21 31 21 22 3 30 3 200 3 1
12
1 2 1 2 1 3
29
[ALGEBRA LINEAL]
3 3 1 3 1 3
C11 1 C12 1 2 3 1 C13 1
11 12 13
6 6 0 2 3
2 2 1 2 1 2
21 2 3 0 3 0 2
C21 1 4 6 2 C22 1 C23 1 0 2
22 23
0 3 3
2 2 1 2 1 2
31 2 3 0 3 0 2
C31 1 C32 1 0 3 3 C33 1
32 33
6 9 3 02 2
3 3 1 3 1 3
0 2 3 0 2 3
Por lo tanto, adj A Ci j 1 3 3
1
1
A adj A 1 3 3
A
1 2 2
1 2 2
PROPIEDADES
1
1. La inversa de la inversa de una matriz es la matriz original, es decir, A1 A.
2. El determinante de la inversa de una matriz es igual al recíproco del determinante de la
matriz; es decir, A1 1/ A .
3. La inversa de la transpuesta de una matriz es igual a la transpuesta de la inversa de la matriz;
1
es decir, A A1 .
del producto de dos matrices es igual al producto de sus inversas en orden
4. La inversa
contrario; es decir, AB B1 A1 .
1
DEPENDENCIA
LINEAL Y RANGO
Un conjunto de m vectores a1 , a2 ,...,am cada uno con n elementos, se dice que es linealmente
dependiente si existe una combinación lineal (no trivial) de los vectores, que sea igual al vector
cero con n elementos. Es decir, si existe un conjunto de números 1 , 2 ,... m con al menos uno
de ellos (distinto de cero).
m
1a1 2 a2 ... m am i ai 0
i1
entonces el conjunto de vectores a1 , a2 ,...,am se dice que es linealmente dependiente. Si no
m
existe un conjunto de términos (excepto cuando todos valen cero) de modo que i ai 0 ,
i1
se dice que el conjunto de vectores es linealmente independiente.
matriz como un conjunto de vectores fila o un conjunto de vectores
Puede considerarse a una
columna. Es demostrable que para cualquier matriz, el número de filas linealmente
independiente es igual al número de columnas linealmente independientes; este número es el
30
[ALGEBRA LINEAL]
rango de la matriz. De modo que si una matriz es m x n y su rango se denota por r, entonces r
min (m, n).
EJEMPLOS
A.
1 4
Determinar el rango de la matriz 5 10
3 2
B.
3 6
Determinar el rango de la matriz 1 2
2 4
Nótese que las dos columnas son también linealmente dependientes, puesto que 2 (primera
columna) - (segunda columna) = 0.
El rango de la matriz es 1.
1. Puesto que el determinante de una matriz diagonal es igual al producto de sus elementos
diagonales, si A es una matriz diagonal, entonces r A es el número de elementos
diagonales distintos de cero en A . En particular r I n n .
2. Puesto que cualquier submatriz de A es la transpuesta de una submatriz de A y como
B, entonces r A r A.
B
3. El rango del producto de dos matrices no puede exceder al menor rango de las dos
matrices; es decir, r AB minr A, r B.
31
[ALGEBRA LINEAL]
Considere la solución de un sistema general de n ecuaciones lineales en n variables x1 , x2 ,...xn ,
y Ax
Si r A y r A, entonces todas las ecuaciones en el conjunto son lógicamente compatibles y
hay por lo menos una solución.
Si r A y r A n , hay un número infinito de soluciones y las filas (y columnas) de A son
linealmente dependientes.
32
[ALGEBRA LINEAL]
De otra forma, el procedimiento estándar descrito previamente se puede usar para cambiar la
disposición A I c
a la forma I A x
1
el
cual se puede obtener la solución directamente.
Un tercer método matricial para resolver ecuaciones lineales simultáneas está dado por la
regla de Cramer:
cn an 2 a nn an1 c n a nn a n1 a n 2 cn
x1 x2 xn
A A A
EJEMPLOS
A.
Resolver el sistema de ecuaciones lineales simultáneas
3x1 x 2 x 3 2
x1 2x 2 x 3 9
4 x1 3x 2 2x 3 1
Entonces la solución se puede obtener directamente de I x
o bien, obtenerse como
x A1c
33
[ALGEBRA LINEAL]
x1 1
Por tanto, leyendo directamente en la tabla x 2 3
x 3
2
x1 30 7 1 1
2 1
1
2
6 30
o usando la matriz inversa, x A1c , x2 15 13 9 3
15
7
x3 30 1 2
30
11 1
6
En la práctica, se
obtendría la solución a partir de x A1c si y sólo si A1 se hubiera obtenido
sin la tabla I A1 x .
3 1 1
A 1 2 1 12 4 3 8 9 2 30
4 3 2
2 1 1
9 2 1
1 3 2 8 1 27 2 6 18 30
x1 1
30 30 30
3 2 1
1 9 1
4 1 2 54 8 1 36 3 4 90
x2 3
30 30 30
3 1 2
1 2 9
4 3 1 6 36 6 16 811 60
x3 2
30 30 30
34
[ALGEBRA LINEAL]
este determinante esun polinomio de n-ésimo grado en , y por lo tanto, A tiene n raíces
características, 1 , 2 ,..., n , que no necesariamente son distintas.
a11 a12
Consideremos la matriz general 2 x 2 A
a21 a22
a11 a12
0
a21 a 22
cuya solución es
35
[ALGEBRA LINEAL]
1 12 a11 a22 a11 a22 4a11a22 a12a21 2 12 a11 a22 a11 a22 4a11a22 a12a21
2 2
Obsérvese que las raíces características de una matriz simétrica siempre son reales, ya que la
expresión a11 a22 4a12
2 2
siempre es no negativa.
EJEMPLO
10 3
Obtener las raíces características de la matriz A
3 2
2
12 a11 a22
2
a11 a22
2
4a12
1 12 64 36 11,1
2
i1
4. La raíces características de una matriz diagonal son sus elementos diagonales. Obsérvese que
i 12 tr A.
2
i1 i 11 A
2
en el ejemplo anterior y
i1
36
[ALGEBRA LINEAL]
2
x11 x12
2
1
2
9x12 x12
2
1
1 3 3 1
x12 x11 x1 ,
10 10 10 10
Para 2 1,
10 3 1 0x 21 0
A Ix 2
3 2 0 1x 22 0
9x 21 3x 22 0
3x 21 x 22 0
x 22 3x 21
37
[ALGEBRA LINEAL]
2 x2 1
Al normalizar de modo que x
2
x21 x 22
2
1
2
x21 x 21
2
1
1 3 1 3
x21 x 22 x2 ,
10 10 10 10
2. Si una raíz característica tiene multiplicidad k , esto es, si es repetida k veces, habrá k
vectores ortogonales correspondientes a esta raíz.
38
[ALGEBRA LINEAL]
CONCLUSION:
Se concluye que en este capítulo, se muestra un cierto tipo de ordenamiento que facilita las
operaciones. Esto permitiría resolver problemas de diversos tipos tanto en física, matemática
hasta en la vida diaria. Ya que se ven involucrados un conjunto de variables que pueden
representar diversas cosas y más aun con un determinado ordenamiento.
39
[ALGEBRA LINEAL]
ESPACIOS VECTORIALES
Un espacio vectorial real V es un conjunto de objetos, denominados vectores, junto con dos
operaciones binarias llamadas suma y multiplicación por un escalar, y que satisfacen los
siguientes diez axiomas.
Ejemplo:
E.1 El conjunto de todas las n-nadas con componentes reales 𝑅 𝑛
Demostración:
La suma: La suma de dos vectores con n componentes es un vector también con n componentes
cuya componente i-esima es la suma de las componentes i-esimas de los vectores que se están
sumando:
(xi) + (yi) = (xi + yi)
El producto por escalares: El producto de un escalar por un vector de n componentes se también
un vector de n componentes cuya componente i-esima es el producto del escalar por la i−esima
componente del vector que se multiplica:
c · (xi) = (c · xi)
40
[ALGEBRA LINEAL]
Ii.- x + (y + z) = (x + y) + z Los vectores son iguales pues tienen la misma dimensión y al comparar
las componente i se tiene
xi + (yi + zi) = (xi + yi) + zi
Iii.-Existe el vector neutro bajo la adición: Este vector es el vector con todas sus componentes
cero 0 = (0) y cumple 0 + x = x + 0 = x pues al comparar las i-esimas componentes se cumple:
0 + xi = xi + 0 = xi
Iv.- Cada vector de tiene su inverso aditivo: Para cada vector x = (xi) el vector −x = (−xi) cumple
x+ (−x) = (−x)+x = 0 pues al comparar las i-esimas componentes se cumple:
−xi + xi = 0 = xi + −xi
v.- x + y = y + x Los vectores son iguales pues tienen la misma dimensión y al comparar las
componente i se tiene
xi + yi = yi + xi
Vii.- c(x + y) = cx + cy: Los vectores son iguales pues tienen la misma dimensión y al comparar las
componentes i se tiene
c(xi + yi) = c xi + c yi
Viii.- (c1 +c2)x = c1 x+c2 x: Los vectores son iguales pues tienen la misma dimensión y al comparar
las componentes i se tiene
(c1 + c2)xi = c1 xi + c2 xi
Ix.- (c1 · c2)x = c1 (c2 x): Los vectores son iguales pues tienen la misma dimensión y al comparar
las componentes i se tiene
Si es un espacio vectorial
41
[ALGEBRA LINEAL]
Ejemplo2:
Sea V = {1}. Es decir, V consiste únicamente del número 1. Este no es un espacio vectorial ya
que viola el axioma i) el axioma de cerradura. Para verlo con más claridad, basta con observar
que:
1 + 1 = 2 no ϵ V.
También viola otros axiomas; sin embargo, con solo demostrar que viola al menos uno de los
diez axiomas
Queda probado que V no es un espacio vectorial.
SUB-ESPACIOS VECOTRIALES
42
[ALGEBRA LINEAL]
i) Si x ϵ H y y ϵ H, entonces x + y ϵ H.
ii) Si x ϵ H, entonces αx ϵ H para todo escalar a.
En 𝑹 En ℝ𝟑
𝑾 = {𝟎} 𝑾 = {(𝟎, 𝟎, 𝟎)}
𝑾=𝑹 𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔)
𝑾 = ℙ(𝒑𝒍𝒂𝒏𝒐𝒔)
𝑾 = ℝ𝟑
En 𝑹𝟐
𝑾 = {(𝟎, 𝟎)} En 𝑹𝟒
𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔) 𝑾 = {(𝟎, 𝟎, 𝟎, 𝟎)}
𝑾 = ℝ𝟐 𝑾 = 𝓛 (𝒓𝒆𝒄𝒕𝒂𝒔)
𝑾 = ℙ(𝒑𝒍𝒂𝒏𝒐𝒔)
𝑾 = 𝕊(𝒔ó𝒍𝒊𝒅𝒐𝒔)
𝑾 = ℝ𝟒
Conjunto Generador:
Definición:
ℒ{𝑋} = {∑ 𝛼𝑖. 𝑣𝑖 ; 𝑣𝑖 𝜖 𝑋 ; 𝛼𝑖 𝜖 𝑅}
𝑖
Propiedades:
𝑆𝑖 𝑋, 𝑌 ⊆ 𝑉 𝑡. 𝑞. 𝑋 ⊆ 𝑌
⇒ ℒ{𝑋} ⊆ ℒ{𝑌}
𝑆𝑖 𝑋 𝑒𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙 𝑑𝑒 𝑉
⇒ ℒ{𝑋} = 𝑋
𝑋 ⊆ ℒ{𝑋}
43
[ALGEBRA LINEAL]
Ejemplo:
𝑉 𝜀 𝑅3
𝑋 = { 𝑃1 } ⇒ 𝑛𝑜 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡.
ℒ{𝑋} = ℒ{ 𝑃1 } = {𝛼𝑃1 ; 𝛼 𝜀 𝑅}
⇒ 𝑅𝑒𝑐𝑡𝑎 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛 𝑦 𝑞𝑢𝑒 𝑐𝑜𝑛𝑡𝑖𝑒𝑛𝑒 𝑎 𝑃1
⇒ 𝐸𝑠 𝑢𝑛 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑖𝑎𝑙
Observación 1:
𝑋⊆𝑌
ℒ{𝑋} ⊆ ℒ{𝑌}
Observación 2:
𝑋 ⊆ ℒ{𝑋}
Ejemplo:
𝑃3 𝜀 𝑃 = ℒ1 {𝑃1 , 𝑃2 }
𝑋⊂𝑌⊂𝑍
𝑃3 = ℒ1 {𝑃1 , 𝑃2 } = 𝑃
44
[ALGEBRA LINEAL]
Ejemplo 2:
ℙ = {(𝑥, 𝑦, 𝑧) 𝜀 𝑅 3 /𝑥 + 2𝑦 + 3𝑧 = 0}
Solución:
ℙ = (𝑥, 𝑦, 𝑧) 𝜀 ℙ ⇒ 𝑥 + 2𝑦 + 3𝑧 = 0 ⇒ 𝑥 = −2𝑦 − 3𝑧
= (−2𝑦, 𝑦, 0) + (−3𝑧, 0, 𝑧)
= 𝑦(−2,1,0) + 𝑧(−3,0,1)
(−2,1,0)𝜀ℙ
} ⇒ ℒ{(−2,1,0), (−3,1,0)} ⊂ ℒℙ = ℙ … . (II)
(−3,1,0)𝜀ℙ
De (I)y(II) :
ℒ{(−2,1,0), (−3,0,1)} = ℙ
Notación:
Definición:
⇒ 𝑑𝑖𝑚ℝ 𝑉 = 𝑛
45
[ALGEBRA LINEAL]
Teoremas:
⇒ ℒ{𝑣1 , 𝑣2, 𝑣3 , … , 𝑣𝑛 } = 𝑉
Ejemplo: Si se tienen
Solución:
a) ¿ 𝑋 ≪ ℝ3 ?
⇒ 𝑐𝑢𝑚𝑝𝑙𝑒
𝑖𝑖)𝑢, 𝑣 𝜀 𝑋 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ?
𝑆𝑢𝑚𝑎𝑛𝑑𝑜 𝐼 𝑦 𝐼𝐼:
46
[ALGEBRA LINEAL]
𝛼(𝑥1 , 𝑥2 , 𝑥3 ) + 𝛽(𝑦1 , 𝑦2 , 𝑦3 )𝜀 𝑋
⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 (𝑐𝑢𝑚𝑝𝑙𝑒)
¿ 𝑌 ≪ ℝ3 ?
𝑖)(0,0,0)𝜀 𝑌 ,0 = −0 = −0 (𝑐𝑢𝑚𝑝𝑙𝑒)
𝑖𝑖)𝑢, 𝑣 𝜀 𝑌 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑌 ?
𝑆𝑢𝑚𝑎𝑛𝑑𝑜 𝛼𝑢 + 𝛽𝑣:
⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑌(𝑐𝑢𝑚𝑝𝑙𝑒)
-Para X
(𝑥, 𝑦, 𝑧) ⇒ 2𝑥 + 𝑦 − 3𝑧 = 0
𝑦 = 3𝑧 − 2𝑥
47
[ALGEBRA LINEAL]
⇒ 𝐷𝑖𝑚(𝑋) = 2
-Para Y
Como solo hay una componente (1, −1, −1) entonces no hay necesidad de
analizar su dependencia lineal.
⇒ 𝐷𝑖𝑚(𝑌) = 1
Sea 𝑋, 𝑌 ≪ 𝑉
𝑖)¿ 𝑋 ∪ 𝑌 ≪ 𝑉? . . . . . 𝑁𝑜
𝐸𝑗𝑚:
𝑉 = 𝑅2
𝑢𝜀𝑋∪𝑌
} 𝑝𝑒𝑟𝑜 𝑢 + 𝑣 ∉ 𝑋𝑈𝑌
𝑣𝜀𝑋∪𝑌
48
[ALGEBRA LINEAL]
𝑖𝑖)¿ 𝑋 ∩ 𝑌 ≪ 𝑉? . . . . . 𝑆𝑖
Por teorema:
𝑖)0 𝜀 𝑋 ,0 𝜀 𝑌 ⇒ 0 𝜀 𝑋 ∩ 𝑌
𝑖𝑖)𝑢, 𝑣 𝜀 𝑋 ∩ 𝑌 ; 𝛼, 𝛽 𝜀 ℝ ⇒¿ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ∩ 𝑌 ?
𝑢𝜀𝑋∩𝑌
⇒ 𝑢 𝜀 𝑋 ⇒ 𝛼𝑢 𝜀 𝑋
⇒ 𝑢 𝜀 𝑌 ⇒ 𝛼𝑢 𝜀 𝑌
⇒ 𝛼𝑢 𝜀 𝑋 ∩ 𝑌
𝑣𝜀𝑋∩𝑌
⇒ 𝑣 𝜀 𝑋 ⇒ 𝛽𝑣 𝜀 𝑋
⇒ 𝑣 𝜀 𝑌 ⇒ 𝛽𝑣 𝜀 𝑌
⇒ 𝛽𝑣 𝜀 𝑋 ∩ 𝑌
𝐹𝑖𝑛𝑎𝑙𝑚𝑒𝑛𝑡𝑒:
𝛼𝑢 + 𝛽𝑣 𝜀 𝑋, 𝑝𝑢𝑒𝑠 𝑋 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜
𝛼𝑢 + 𝛽𝑣 𝜀 𝑌, 𝑝𝑢𝑒𝑠 𝑌 𝑒𝑠 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜
⇒ 𝛼𝑢 + 𝛽𝑣 𝜀 𝑋 ∩ 𝑌
Definición:
Sea 𝑋, 𝑌 ≪ 𝑉
𝑋 + 𝑌 = {𝑢 + 𝑣/𝑢 𝜀 𝑋, 𝑣 𝜀 𝑌}
49
[ALGEBRA LINEAL]
Proposición:
En efecto:
𝑖) 𝜃 = 𝜃𝑥 + 𝜃𝑦 ∈ 𝑋 + 𝑌
𝑖𝑖) 𝑆𝑒𝑎𝑛 𝑧, 𝑤 ∈ 𝑋 + 𝑌 ; 𝛼, 𝛽 ∈ ℝ
¿ 𝛼𝑧 + 𝛽𝑤 ∈ 𝑋 + 𝑌?
𝑧 ∈ 𝑋 + 𝑌 → 𝑧 = 𝑧1 + 𝑧2 ; 𝑧1 ∈ 𝑋 ∧ 𝑧2 ∈ 𝑌
𝑤 ∈ 𝑋 + 𝑌 → 𝑤 = 𝑤1 + 𝑤2 ; 𝑤1 ∈ 𝑋 ∧ 𝑤2 ∈ 𝑌
𝛼𝑧 = 𝛼𝑧1 + 𝛽𝑧2 → ∈ 𝑋 + 𝑌
𝛽𝑤 = 𝛽𝑤1 + 𝛽𝑤2 → ∈ 𝑋 + 𝑌
𝛼𝑧 + 𝛽𝑤 ∈ 𝑋 + 𝑌
Observación:
Supongamos que:
dim(𝑊) = 1 ⇒ 𝑏𝑎𝑠𝑒{𝑣} ∧ 𝑣 ≠ 𝜃
𝑣 𝜀 𝑊 = {𝜃}
⇒ 𝑣 = 𝜃(→/←)
Su dimensión es = 0
50
[ALGEBRA LINEAL]
Teorema:
X+Y= ℒ{𝑋 ∪ 𝑌}
Observación:
𝑅𝑒𝑒𝑚𝑝𝑙𝑎𝑧𝑎𝑛𝑑𝑜:
⇒ 𝑋 ∪ 𝑌 ⊂ ℒ{𝑋 ∪ 𝑌}
𝑖)𝑋 ∪ 𝑋 ⊂ 𝑋 + 𝑋
⇒𝑋 ⊂𝑋+𝑋
𝑖𝑖)𝑧 𝜀 𝑋 + 𝑋 ⇒ 𝑧 𝜀 𝑢 + 𝑣, 𝑢 𝜀 𝑋, 𝑣 𝜀 𝑋
⇒𝑋+𝑋 ⊂𝑋
Propiedades:
1) X+X=X
2) X+Y=Y+X
3) 𝑋 + {𝜃} = 𝑋
Teorema:
Sean 𝑋, 𝑌 ≪ 𝑉
3=2+2−𝐷𝑖𝑚(𝑋 ∩ 𝑌)
51
[ALGEBRA LINEAL]
𝐷𝑖𝑚(𝑋 ∩ 𝑌) = 1
Sean X,Y dos sub-espacios vectoriales de V. Si X ∩ Y = {𝜃}, entonces al espacio suma X+Y se le
llama suma directa de S1 y S2 y se denota por: X ⊕ Y
𝑋 ⊕ 𝑌 = {𝑥 + 𝑦 / 𝑥 𝜀 𝑋 ∧ 𝑦 𝜀 𝑌}
Es claro que: 𝑋 ⊕ 𝑌 ≪ 𝑉
Propiedad:
𝑆𝑖 𝑋 ≪ 𝑌 ∧ 𝐷𝑖𝑚(𝑋) = 𝐷𝑖𝑚(𝑌) ⇒ 𝑋 = 𝑌
⇒𝑋=𝑌
Por teorema:
𝑋 𝑒𝑠 𝑢𝑛 𝑝𝑙𝑎𝑛𝑜 ↦ 𝐷𝑖𝑚(𝑋) = 2
𝑌 𝑒𝑠 𝑢𝑛 𝑟𝑒𝑐𝑡𝑎 ↦ 𝐷𝑖𝑚(𝑌) = 1
O
Reemplazando:
dim(𝑋 ⊕ 𝑌 ) = 2 + 1 = 3
52
[ALGEBRA LINEAL]
CONCLUSION:
Este capítulo tiene un campo de acción enorme, ya que para definir cualquier operación
o cálculo se define primero el espacio en el que se trabaja. Siendo este un espacio
vectorial, un sub espacio, un cuerpo, un anillo, etc. Cada una de estos espacios con
determinadas propiedades y características únicas. El mundo está hecho de vectores.
53
[ALGEBRA LINEAL]
E L F
54
[ALGEBRA LINEAL]
R
L
R
R: conjunto de los números reales
uR
L(u ) L(u 1) u L(1) au
L(u ) au
La cantidad a L(1) es libre. La aplicación lineal se resume anotando la constante (que es una
matriz 1x1 ), L (a)
En R2
E
L
F
( e1 ,e2 ) ( f 1, f 2 )
Los espacios están referidos a sus bases (no son la misma en principio).
X
L
Y
u ( x1 , x2 ) L ( u ) ( y 1 , y2 )
55
[ALGEBRA LINEAL]
y1 x1 a11 x 2 a12
Donde (4):
y 2 x1 a 21 x 2 a 22
Resumen
a a12
A 11
a 21 a 22
La cual permite expresar las coordenadas de L(u) en función de las coordenadas de u.
y1 a11 a12 x1
y 2 a 21 a 22 x2
Y AX
Nota: las columnas de A tienen su propio sentido: son las coordenadas de las imágenes de cada
uno de los vectores de base, L(ei)
En vista de esta lección podemos definir una transformación lineal como una operación que
toma un vector en coordenadas y lo premultiplica por una matriz para hallar las coordenadas de
la imagen. Esta matriz operativa se llama la matriz de la aplicación lineal.
Se tiene una transformación lineal L de E en F, espacios a los que nos referimos por sus bases.
L : E
F
e1 ,e2 f 1, f 2
56
[ALGEBRA LINEAL]
Sustituyendo tenemos:
x a11 a12 x1
x1
L(u ) L(e1 ) L(e 2 ) 1 f 1 f 2
a21
a22 x2
y y a a12 x1
L(u ) f 1 f 2 1 1 11
y2 y2 a21
a22 x2
Caso general
e1 , ..., e n
u
x1 , ..., xn
f , ..., f m
L(u ) 1
y1 ,..., ym
Existen aplicaciones lineales entre espacios de dimensiones distintas, por lo que m no coincide
necesariamente con n, y existe una matriz A de la aplicación lineal L.
En resumen,
L( B1 ) ( B2 ) A
Las columnas de la matriz de aplicación lineal A son las coordenadas de las imágenes de los
vectores de la base del espacio E.
57
[ALGEBRA LINEAL]
Núcleo
Definición. El núcleo de una transformación lineal es el conjunto de vectores del primer espacio
(espacio de partida) cuya imagen es nula. El núcleo se denota como K(L), del inglés kernel.
K ( L ) v E : L( v ) 0
Propiedades de K(L):
v, w K ( L) L(v) 0, L( w) 0
L(v w) L(v) L( w) 0 0 0 (v w) K ( L)
L ( v ) L (v ) 0 0
AX 0
dim K ( L) n r ( A)
rr 0
X =
58
[ALGEBRA LINEAL]
Las incógnitas que sobran después de encontrar el menor r r , son coordenadas libres y las
pasamos al otro miembro de la ecuación. Pasan a ser parámetros y les podemos dar un valor
cualquier para resolver el sistema.
A1
x1 + A2 x2 = 0
rr r r (n r ) nr
...
Recordamos
* K ( L) n r es un sub-espacio de E.
* dim K ( L) n r ( A) donde A es la matriz de la transformación L
59
[ALGEBRA LINEAL]
Para tener una base completa de E, necesito completar el sistema con vectores w1 ,..., wr . Por
conveniencia, utilizo los vectores de la base canónica de L.
w1 e1 , w2 e2 , ..., wr er
Definición:
E1 E2 E es una suma directa si y sólo si E1 E2 0
Notación: E1 E2 E
La condición suficiente y necesaria es dim E1 dim E2 dim E
Demostración:
Tenemos la regla dim E1 dim E2 dim E dim( E1 E2 ) , luego dim( E1 E 2) 0
Ojo: todos los espacios tienen en común el sub-espacio nulo, notación {0}.
Se llama L( E ) al conjunto de vectores del espacio final F que son imagen de algún vector de E.
60
[ALGEBRA LINEAL]
Proposición
Demostración
v1 , v 2 L( E ) V 1 v1 2 v 2 L( E )
v1 L(u1 ), v 2 L(u 2 )
por linealidad :
v 1 u1 2 u 2 L(1 u1 2 u 2 ) L(u )
u 1 u1 2 u 2
L(E) es un sub-espacio vectorial de F.
v L( E )
v L(u ), u E
u 1 e1 r e r r 1 wr 1 n wn
v L(1 e1 r e r r 1 wr 1 n wn )
1 Le1 r Le r r 1 Lwr 1 n Lwn
1 Le1 r Le r
61
[ALGEBRA LINEAL]
El sistema de vectores 1 Le1
r Ler genera el sub-espacio imagen.
Se llama Coimagen a todo sub-espacio generado por los vectores que faltan para
completar una base de F. Hay infinitos espacios coimagen, pero cualquier conjunto
de vectores independientes que completen la base 1 Le1
r Ler bastará
para generar todo el espacio.
E E1 E2
F F1 F2
K(L) L(E)
F2
E2
L
E F
62
[ALGEBRA LINEAL]
Ejercicio.
La matriz A determina una aplicación lineal de 𝑅 4en 𝑅 3. Encontrar una base y la dimensión de
la imagen y el núcleo de la aplicación.
1 2 0 1
A 2 1 2 1
1 3 2 2
1 2
r ( A) 2, porque det 0
2 1
En la ecuación AX 0 tenemos dos variables independientes, a las que doy valores arbitrarios
y obtengo dos vectores. Esos dos vectores generan el núcleo; son base del sub-espacio K(L).
4 / 3 1/ 5
2/5 3 / 5
w3 ; w4
1 0
0 1
1 2
L(e1 ) Ae1 2 L(e 2 ) Ae 2 1 .
1 3
Para completar la base de 𝑅 3 basta con añadir un vector de 𝑅 3 que no sea linealmente
dependiente de los otros dos. Por ejemplo:
1
f 1 0 . Este vector genera el espacio coimagen.
0
63
[ALGEBRA LINEAL]
Cambios de Base
E
L
F
B1 A B2
B1' A' B2'
Si X C1 X ' y Y C2Y ' , donde C1 y C2 son matrices (columna) de las nuevas bases de E y
F. Al sustituir en la ecuación matricial nos queda:
El caso deseado
E=F=𝑅 𝑁 C1 C2 C
64
[ALGEBRA LINEAL]
Nuestro objetivo es cambiar los ejes del espacio de forma que la misma a aplicación L se represente en
las nuevas coordenadas mediante una matriz A’ lo más simple posible. Para ello es necesario cambiar las
bases.
P P
P es una matriz de cambio de base. Las antiguas coordenadas X e Y del vector y su imagen son
expresadas en la nueva base como X’ e Y’, y A’ es la matriz simplificada que las relaciona y que estamos
buscando. En fórmulas:
Y = AX X=PX’ Y=PY’
Y’ = A’X’
PY’ = A P X’
Y’ = P-1 APX’ A’ = P-1AP
Se dice entonces que las matrices A y A’ están conjugadas o que son semejantes.
Def: A’ está conjugada con A (A’~A) si existe una matriz P no singular tal que A’ = P-1AP. Se dice
también que es semejante A a A’.
65
[ALGEBRA LINEAL]
Demostración:
B = P-1AP, A= Q-1BQ
PB P = A QBP = Q BQ Q = P-1 B~A
-1 -1 -1
Nuestro deseo es asociar a una matriz dada una matriz diagonal semejante por cambio de base. Ello se
puede hacer casi siempre pero no siempre.
Diagonalización de Matrices
El modelo deseado es una matriz del tipo
1
2
J diag ( , , n )
1
n
Como punto de partida tenemos la matriz A de aplicación lineal, y tenemos que calcular los auto valores
i y la matriz de cambio de base P. Escribimos la matriz P descompuesta por columnas.
J P1 AP
PJ AP
1
2 Av | v |
v1 | v2 | | vn 1 2 | vn
n
1v1 | 2v2 | | n vn Av1 | Av2 | | Avn
Así tenemos
66
[ALGEBRA LINEAL]
Av v
La matriz P que hallemos tiene que ser NO singular para representar un cambio de base.
Ejemplo:
Se nos da la matriz A de una aplicación lineal de E2 en E2 .
2 3
A
1 5
x
Av v v
y
Sustituimos los datos que tenemos en la ecuación:
2 3 x x
1 5 y y
1
1 (7 2)
2
1
2 (7 2)
2
El determinante de la matriz de coeficientes del sistema nos dará el llamado polinomio característico de
la matriz A. Este es un objeto matemático muy importante en las aplicaciones de las matrices. Se
demuestra fácilmente que el polinomio característico es el mismo para todas las matrices semejantes de
lo que se deduce que hay un mismo polinomio para la aplicación L en todas las bases.
Las raíces del polinomio son los auto valores que buscamos y J es.
58
J 1
2 1 2
67
[ALGEBRA LINEAL]
CONCLUSION:
Las transformaciones lineales son aplicaciones entre dos espacios vectoriales y podemos
concluir que su se ve involucrado en muchos campos en la geometría en reflexión, expansión,
contracción y rotación. También las transformaciones nos permite visualizar mucho más sobre
simetría,rotación, proyección, etc. tiene un uso es más abstracto.
68