Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen de Algebra Lineal
Resumen de Algebra Lineal
Jose de Jes
us Angel
Angel
jjaa@math.com.mx
Working draft: Mexico, D.F., a 17 de noviembre de 2010.
Contenido
1. Sistemas de Ecuaciones Lineales.
1.1. Conceptos basicos. . . . . . . . . . . . .
1.2. Metodo de eliminaci
on de Gauss. . . . .
1.3. Metodo de eliminaci
on de Gauss-Jordan.
1.4. Sistemas Homogeneos. . . . . . . . . . .
1.5. Soluciones de SEL. . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
. 6
. 6
. 6
. 6
. 7
. 7
. 7
. 7
. 8
. 9
. 10
Notas de Curso
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
4
4
4
5
.
.
.
.
.
.
.
.
.
.
Contenido
2.6. C
alculo de la matriz inversa por medio de determinantes. . . . . . . . . . 11
2.7. Regla de Cramer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Espacios vectoriales.
3.1. Definicion de espacio vectorial y ejemplos. . . . . .
3.2. Espacio Rn y representacion gr
afica para n = 2 y 3.
3.3. Subespacios vectoriales. . . . . . . . . . . . . . . . .
3.4. Combinaci
on lineal y espacio generado. . . . . . . .
3.5. Independencia lineal. . . . . . . . . . . . . . . . . .
3.6. Bases y dimensi
on. . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
13
13
14
14
14
4. Producto interno.
4.1. Definicion, propiedades. . . . . . .
4.2. Ortogonalidad. . . . . . . . . . . .
4.3. Norma y sus propiedades. . . . . .
4.4. Bases ortogonales y ortonormales.
4.5. Proyecciones. . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
14
14
15
15
16
16
. . . .
. . . .
lineal.
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
17
18
19
20
20
20
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Transformaciones lineales.
5.1. Definicion, propiedades. . . . . . . . . . . . . .
5.2. Recorrido y n
ucleo. . . . . . . . . . . . . . . . .
5.3. Representacion matricial de una transformaci
on
5.4. Vector de coordenadas y cambio de base. . . .
5.5. Transformaciones lineales inversas. . . . . . . .
5.6. Vectores y valores propios. . . . . . . . . . . . .
5.7. Diagonalizaci
on de una matriz. . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1.
1.1.
Conceptos b
asicos.
Proposici
on 1 Un sistema de ecuaciones B, que se obtiene de otro A, por medio de
operaciones elementales tienen el mismo conjunto de soluciones.
1.2.
M
etodo de eliminaci
on de Gauss.
M
etodo 1 El metodo de Gauss consiste en transformar un sistema de ecuaciones A, a otro B, por medio de operaciones elementales, de tal forma que B
queda en una forma triangular y por lo tanto puede ser resuelto con despejes
sucesivos simples.
a11 x1
1.3.
a12 x2
a22 x2
+
+
a13 x3
a23 x3
a33 x3
+
+
+
+
+
+
a1n xn
a2n xn
a3n xn
=
=
=
..
.
b1
b2
b3
amn xm
bm
M
etodo de eliminaci
on de Gauss-Jordan.
M
etodo 2 El metodo de Gauss-Jordan consiste en transformar un sistema de
ecuaciones A, a otro B, por medio de operaciones elementales, de tal forma
que B queda en la siguiente forma diagonal y por lo tanto la soluci
on queda de
manera directa.
a11 x1
a22 x2
a33 x3
amn xm
1.4.
=
=
=
..
.
b1
b2
b3
bm
Sistemas Homog
eneos.
1.5.
Soluciones de SEL.
2.
Definici
on 2 Una matriz es una funci
on A de [1, .., n] [1, .., m], al conjunto de los
n
umeros reales R.
Una matriz A se representa con todos
a11
a21
A= .
..
am1
a12 a1n
a22 a2n
..
..
..
. .
.
am2
amn
2.1.
2.1.1.
Multiplicaci
on por un escalar
La multiplicaci
on de una matriz A = (aij ) por un escalar r con 1 i m, 1 j n.
esta definida como:
rA = (cij ), cij = raij , 1 i m, 1 j n.
2.1.3.
Multiplicaci
on de Matrices
La multiplicaci
on de matrices A = (aij ) m p por B = (bij ) p n.
A= .
..
..
.
.
.
.
. .
.
B=
am1
am2
amp
a11
a21
..
.
a12
a22
..
.
..
.
a1n
a2n
..
.
ap1
ap2
apn
p
X
k=i
(aik bkj ), 1 i m, 1 j n.
2.2.
2.2.1.
Matrices especiales.
Matriz Cuadrada
a11 a12
a21 a22
A= .
..
..
..
.
.
an1
2.2.2.
an2
a1n
a2n
..
.
ann
Matriz Transpuesta
A= .
..
..
.
.
.
.
. .
.
am1
am2
amn
a11
a12
..
.
a21
a22
..
.
..
.
an1
an2
..
.
a1m
a2m
anm
Entonces:
AT =
2.2.3.
Matriz Identidad
A=
2.3.
1
0
0
..
.
0
1
0
..
.
0
0
1
..
.
..
.
0
0
0
..
.
Una matriz cuadrada A = (aij ), se llama invertible (no singular), si existe otra matriz
(llamada inversa A1 ) tal que A A1 = I.
Algunas propiedades:
1. (A1 )1 = A.
2. (AB)1 = B 1 A1 .
3. (AT )1 = (A1 )T .
2.4.
Soluci
on de sistemas de ecuaciones lineales por matriz inversa.
..
..
..
..
..
..
.
.
. .
.
.
am1 am2 am3 amn
xn
b1
b2
b3
..
.
bm
Es decir:
Ax = b
Donde x =
x1
x2
x3
..
.
xn
, y b =
b1
b2
b3
..
.
bm
x = A1 b.
10
2.5.
Sn
Donde Sn es el conjunto de todas las permutaciones del conjunto {1, .., n}, sig() es
el signo de la permutaci
on, y (i) es la imagen de i bajo sigma.
La f
ormula anterior nos dice que la definici
on de determinante es muy complicada ya
que el n
umero de terminos crece de manera como crece el factorial de n. Por ejemplo el
determinate de una matriz 4 4 tendr
a 4! = 24 terminos.
Propiedades del determinante.
1. det(A) = det(AT ).
2. Si a una matriz A se cambian dos filas o dos columnas a (B), entonces det(B) =
det(A).
3. Si dos filas o dos columnas de A son iguales, entonces det(A) = 0.
4. Si una fila o columna de A son ceros, entonces det(A) = 0.
5. Si a una matriz A se multiplica por una constante(B = cA), entonces det(B) =
c det(A).
6. Si a una matriz B se obtiene de sumar un m
ultiplo una fila o columna de una
matriz A, det(B) = det(A).
Q
7. El determinante de una matriz A triangular es det(A) = ni=1 aii , el producto de
la diagonal.
8. det(AB) = det(A)det(B).
11
2.6.
1
.
det(A)
C
alculo de la matriz inversa por medio de determinantes.
A=
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
..
.
a1n
a2n
a3n
..
.
an1
an2
an3
ann
adj(A) =
A11
A21
A31
..
.
A12
A22
A32
..
.
A13
A23
A33
..
.
..
.
A1n
A2n
A3n
..
.
An1
An2
An3
Ann
donde
Aij = (1)i+j det(Mij )
y Mij es el menor del elemento aij , que es la matriz (n 1) (n 1) que se obtiene
quitando de A la fila i-esima y la columna j-esima.
Entonces:
A1 =
1
(adj(A)).
det(A)
12
3. Espacios vectoriales.
2.7.
Regla de Cramer.
det(Ai )
,
det(A)
3.
3.1.
Espacios vectoriales.
Definici
on de espacio vectorial y ejemplos.
Definici
on 3 Sea K un campo, un conjunto no vaco V , se llama espacio vectorial,
donde los elementos de V se llaman vectores, y los de K escalares, si V tiene definida
una suma, con (V, +) es un grupo abeliano.
Adem
as se define un producto escalar kv V , donde k K, y v V , y se cumplen las
siguientes reglas:
3. Espacios vectoriales.
13
Ejemplos:
1. K = R, V = R.
2. K = R, V = R2 .
3. K = R, V = R3 .
4. K = R, V = Rn .
5. K = R, V = Mnm .
3.2.
Espacio Rn y representaci
on gr
afica para n = 2 y 3.
3.3.
Subespacios vectoriales.
4. Producto interno.
3.4.
14
Combinaci
on lineal y espacio generado.
Definici
on 4 Sea V un espacio vectorial sobre K, y sean v1 , v2 , ..., vn V , entonces
una combinaci
on lineal de estos vectores con los escalares a1 , ..., an es: a1 v1 + a2 v2 +
+ an vn V.
Definici
on 5 Sea S un subconjunto no vaco de V , entonces el subespacio vectorial de
todas las combinaciones lineales de vectores en S, es el espacio vectorial generado por S.
3.5.
Independencia lineal.
Definici
on 6 Sea V un espacio vectorial, entonces se dice los los vectores
v1 , v2 , ..., vn V , son linealmente dependientes sobre K si existen escalares
a1 , a2 , ..., an K no todos cero, tal que: a1 v1 + a2 v2 + an vn = 0 En caso
contrario, los vectores se dicen linealmente independientes.
3.6.
Bases y dimensi
on.
Definici
on 7 Un espacio vectorial V , tiene dimensi
on n si existen vectores
linealmente independientes e1 , e2 , ..., en V , tales que generan a V , de donde
al conjunto {e1 , e2 , ..., en } se le llama una base de V .
4.
4.1.
Producto interno.
Definici
on, propiedades.
15
4. Producto interno.
Definici
on 8 Sea V = Rn un espacio vectorial, y u, v Rn definimos el producto interno usual como hu, vi = a1 b1 + a2 b2 + an bn .
Desigualdad de Cauchy-Schwarz:
|hu, vi| k u kk v k .
4.2.
Ortogonalidad.
Definici
on 9 Sea V = Rn un espacio vectorial, y u, v Rn , se dice que los
vectores u, v son ortogonales si hu, vi = 0.
4.3.
Definici
on 10 Sea V = Rn un espacio vectorial, y u Rn definimos la norma de u
como:
p
k u k= hu, ui.
16
4. Producto interno.
Definici
on 11 Sea V = Rn un espacio vectorial, y u Rn , si k u k= 1, se dice que u
es unitario o normalizado.
Definici
on 12 Sea V = Rn un espacio vectorial, y u, v Rn , definimos la distancia
entre u y v como
d(u, v) =k v u k .
4.4.
Definici
on 13 Un conjunto de vectores {ui } V es ortogonal si todos los pares de
vectores diferentes son ortogonales.
Definici
on 14 Un conjunto de vectores {ui } V se dice ortonormal si
hui , uj i = ij .
Donde ij es la delta de Kronecker.
4.5.
Proyecciones.
Definici
on 15 La proyecci
on de un vector u en la direcci
onde otro vector v, es:
P royv u = (
hu, vi
)v.
k v k2
5. Transformaciones lineales.
5.
Transformaciones lineales.
5.1.
Definici
on, propiedades.
17
Definici
on 16 Sean V, W espacios vectoriales, una transformaci
on lineal L es una funci
on L : V W , tal que:
1. L(u + v) = L(u) + L(v).
2. L(kv) = kL(u).
Proposici
on 2 Sea L : V W , una transformaci
on lineal, entonces L(0) = 0.
5.2.
Recorrido y n
ucleo.
Definici
on 17 Sea L : V W , una transformaci
on lineal, entonces el conjunto de
vectores v V tales que L(v) = 0, se llama Kernel o n
ucleo de L.
Definici
on 18 Sea L : V W , una transformaci
on lineal, entonces el conjunto de
vectores w W tales que existe un v V y L(v) = w, se llama imagen de L o recorrido
de L.
Proposici
on 3 Sea L : V W , una transformaci
on lineal, entonces el kernel de L es
un subespacio vectorial de W.
Proposici
on 4 Sea L : V W , una transformaci
on lineal, entonces L es inyectiva
(uno a uno) si y s
olo si ker(L) = {0}.
18
5. Transformaciones lineales.
Definici
on 19 Sea L : V W , una transformaci
on lineal, entonces el rango de L es
la dimensi
on de la imagen de L.
Definici
on 20 Sea L : V W , una transformaci
on lineal, entonces la nulidad de L es
la dimensi
on del n
ucleo de L.
Proposici
on 5 Sea L : V W , una transformaci
on lineal, entonces nulidad(L) +
rango(L) = dim(V ).
Proposici
on 6 Sea L : V W , una transformaci
on lineal, entonces
1. Si L es uno a uno, entonces es sobre.
2. Si L es sobre, entonces es uno a uno.
5.3.
Representaci
on matricial de una transformaci
on lineal.
Definici
on 21 Sea L : V W , una transformaci
on lineal, dim(V ) = n, dim(W ) = m,
y sean S = {v1 , v2 , ..., vn } y T = {w1 , w2 , ..., wn } bases de V y W respectivamente.
Entonces la matriz A de L es una matriz (m n), cuya j-esima columna es el vector
(L(vj )). Por lo tanto si x V , entonces
(L(x))T = A(x)S .
Definici
on 22 Sea L : Rn Rn , una transformaci
on lineal, definido por la matriz A,
como L(x) = Ax.
19
5. Transformaciones lineales.
1. A es no singular.
2. x = 0 es la u
nica soluci
on del sistema Ax = 0.
3. A es equivalente por filas a In
4. El sistema Ax = b tiene una u
nica soluci
on.
5. det(A) 6= 0.
6. A tiene rango n.
7. A tiene nulidad 0.
8. Las filas de A forman un conjunto linealmente independiente en Rn .
9. El operador L : Rn Rn definido por L(x) = Ax, es uno a uno y sobre.
5.4.
Definici
on 23 Sea {e1 , e2 , ..., en } una base del espacio vectorial V , y {f1 , f2 , ..., fn } otra
base. Supongamos que:
f1 = a11 e1 + a12 e2 + a13 e3 + + a1n en
f2 = a21 e1 + a22 e2 + a23 e3 + + a2n en
f3 = a31 e1 + a32 e2 + a33 e3 + + a3n en
..
.
fn = an1 e1 + an2 e2 + an3 e3 + + ann en
a11
a12
P = .
..
a1n
a21 an1
a22 an2
..
..
.
.
a2n
ann
20
5. Transformaciones lineales.
5.5.
Definici
on 24 Sea L : V V , una transformaci
on lineal, la transformaci
on lineal L1
es la inversa de L, si L(L1 ) = I.
5.6.
Definici
on 25 Sea A una matriz n n, y L la transformaci
on lineal dada por L(x) =
Ax, entonces un valor propio de A es un n
umero real y un vector x 6= 0 tal que:
Ax = x.
El vector x se llama vector propio de A.
Proposici
on 7 Una matriz A n n, es no invertible (singular) si y s
olo si 0 es un valor
propio de A.
5.7.
Diagonalizaci
on de una matriz.
Definici
on 26 Sea A = (aij ) una matriz nn. El determinante de la matriz det(In A)
le llamaremos el polinomio caracterstico de A.
Proposici
on 8 Los valores propios de A son las races del polinomio caracterstico de
A.
Definici
on 27 Se dice que una matriz B es semejante o similar a una matriz A, si
existe una matriz no singular (invertible) P , tal que:
B = P 1 AP.
5. Transformaciones lineales.
21
Definici
on 28 Se dice que una matriz B diagonalizable si es similar a una matriz diagonal.
Proposici
on 9 Las matrices similares tienes los mismos valores propios.
Proposici
on 10 Una matriz A n n, es diagonalizable si y s
olo si tiene n vectores
propios linealmente independientes.
Proposici
on 11 Si todas las races del polinomio caracterstico de una matriz A n n,
son distintas, entonces A es diagonalizable.
Referencias