Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALGEBRA LINEAL
2018
1
15/02/2018
1. VECTORES
Características de un vector
x = x 12 + x 2 2
2
15/02/2018
Características de un vector
x1
Nota: En todo este capítulo representaremos al vector x = también de
x 2
la forma x = ( x 1 , x 2 ) , entendiendo en el contexto su escritura.
x + y = ( x1 + y1, x 2 + y 2 )
Propiedad:
Dos vectores x = ( x 1 , x 2 ) e y = ( y 1 , y 2 ) , en el plano R2, verifican la
desigualdad triangular:
x+ y ≤ x + y
3
15/02/2018
4
15/02/2018
Vector Unitario
x
Observar:Si x es un vector del plano, entonces es un vector unitario
x
que tiene la misma dirección del vector x.
Importante:
Existen dos vectores particulares en R2: e 1 = (1,0) y e 2 = (0,1) que verifican
tres propiedades:
Son vectores unitarios.
Ninguno de ellos es múltiplo del otro.
Todo vector x = ( x 1 , x 2 ) del plano se puede escribir como:
x = ( x 1 , x 2 ) = x 1 (1,0) + x 2 (0,1) = x 1 e 1 + x 2 e 2
TEOREMA I
Si x , y , z son vectores y α un escalar, se verifica:
2
a) x = x. x
b) x .0 = 0
c) x. y = y. x
d) x .( y + z) = x . y + x . z
e) (α x ) . y = α ( x . y )
5
15/02/2018
6
15/02/2018
Vectores Ortogonales
TEOREMA II
7
15/02/2018
8
15/02/2018
TEOREMA III
2. ESPACIOS VECTORIALES
9
15/02/2018
10
15/02/2018
11
15/02/2018
3. SUBESPACIOS VECTORIALES
se denomina subespacio de V.
Observar:
a) La definición anterior asegura que se verifican en el subespacio S
todos los axiomas de la definición de espacio vectorial.
b) Todo subespacio S de un espacio vectorial V contiene al vector 0.
Si V= R 3 el conjunto:
S = {( x, y , z ) / a x + b y + c z = 0 y a , b, c ∈ R son números fijos }
de todos los planos que pasan por el origen es un subespacio (propio).
12
15/02/2018
Ejemplo: :
a) El conjunto S = {( a,1) / a ∈ R} no es un subespacio vectorial de R 2.
{
b) El conjunto S = ( A∈R m x n / A es invertible } no es un subespacio
vectorial de Rmxn.
( )
Definición: Si A = a i j es una matriz m x n, el conjunto:
{
N ( A) = x ∈R n / A . x = 0 ⊆ Rn }
es un supespacio de Rn , formado por todas las soluciones del sistema de
ecuaciones homogéneo A . x = 0 , que se denomina subespacio nulo de la
matriz A.
13
15/02/2018
Importante:
El espacio vectorial R2 = e 1 ,e 2 con e 1 = (1,0) y e 2 = (0,1) , ya que
todo vector x = (x 1 , x 2 ) del plano se puede escribir como
combinación lineal: ( x 1 , x 2 ) = x 1 (1,0) + x 2 (0,1)
El espacio vectorial R3 = e 1 , e 2 , e 3 .
14
15/02/2018
TEOREMA IV
Importante:
El espacio generado por dos vectores, no nulos, en R3 que no son
paralelos, es un plano que contiene al origen.
5. INDEPENDENCIA LINEAL
15
15/02/2018
Generalizando:
Si v1 , v2 ,L , v n = V y uno de éstos vectores puede ser escrito
como combinación lineal de los otros (n –1) vectores, entonces
estos (n –1) vectores generan a V. En este caso decimos que
{v1 , v2 , L , v n } no es un conjunto generador minimal del espacio.
Importante:
En Rn un conjunto de vectores linealmente independientes contiene a lo
sumo n vectores.
16
15/02/2018
Propiedad:
Importante:
Si hay una elección no trivial de escalares para los cuales la
n
combinación lineal ∑ ci vi sea igual a cero, entonces son linealmente
i =1
dependientes; en cambio si el único modo que la combinación lineal sea
nula es que todos los escalares sean nulos entonces {v1 , v 2 ,L, v n } es
linealmente independiente.
TEOREMA V
17
15/02/2018
6. BASES Y DIMENSIÓN
Ejemplo:
El conjunto { e 1 , e 2 } es una base de R2, llamada base canónica.
El conjunto { e 1 , e 2 , e 3 } es una base de R3, su base canónica.
La base canónica de R2x2 es:
1 0 0 1 0 0 0 0
E11 = , E12 = 0 0 , E 21 = 1 0 , E22 = 0 1
0 0
{ 2 3
La base canónica de Pn es 1, x , x , x }
Mgter. Mónica Bocco - 2018
Propiedad:
18
15/02/2018
Ejemplo:
dim R2 = 2, dim R3 = 3 , y en general dim Rn = n.
dim R2x2 = 4, y en general dim Rm x n = m x n.
dim Pn = n + 1
El espacio vectorial C [a,b] tiene dimensión infinita.
19
15/02/2018
Propiedad:
Dos matrices equivalentes tienen el mismo espacio fila.
20
15/02/2018
Propiedad
Si A es una matriz (m x n), entonces dim R A = dim C A
TEOREMA VI
Si A es una matriz (m x n), entonces:
rg (A) + µ( A) = n o dim R A + dim N(A) = n
9. ORTOGONALIDAD Y ORTONORMALIDAD
n
Definición: Si X es un subespacio de R , el complemento ortogonal de X,
que denotamos por X ⊥ , se define por:
{
X ⊥ = y ∈ R n / y T . x = 0 para todo x ∈ X }
21
15/02/2018
Conjuntos Ortogonales
Propiedad
Si {v1 , v2 , L, vn } es un conjunto ortogonal de vectores no nulos en un espacio vectorial
V con producto escalar o interno, entonces es un conjunto linealmente independiente.
1
ui = vi para todo i = 1,2,L , n
vi
22
15/02/2018
PROCESO DE ORTOGONALIZACIÓN
de GRAM-SCHMIDT
1
1. Definimos: v1 u1 = entonces u1 = 1
v1
Llamando p1 = proy u1 v 2 , entonces p1 = (v2 . u1 ) .u1 y luego v 2 − p1 ⊥ u1
(v . u )
Además v 2 − p1 ≠ 0 , pues v 2 − p1 = v 2 − 2 1 . v1 ≠ 0 pues los vectores
v1
v1 y v2 son linealmente independientes.
1
2. Definimos: u2 = ( v2 − p1 )
v2 − p1
Entonces u 2 ⊥ u1 y u 2 = 1 , además como son linealmente independientes
es v1 , v 2 = u1 , u 2
con p k = (v k +1 . u1 ) .u1 + (v k +1 . u 2 ) .u 2 + L + (v k +1 . u k ) .u k
23
15/02/2018
TEOREMA V: Factorización Q . R
Si A es una matriz m x n, de rango n, entonces A puede ser factoreada en
el producto Q. R , donde Q es una matriz m x n con columnas ortonormales
y R es una matriz n x n que es triangular superior e invertible. Éstas
matrices tienen la forma:
r11 r12 L r1n
0 r
Q = [q1 q 2 L q n ] y R = 22 L r2n
M M M
0 0 L rnn
donde, si {v1 , v 2 ,L , v n } son los vectores columnas de la matriz A, se
definen:
r11 = v1
r kk = vk − pk −1 k = 2,..., n
para
r ik = q i . vk i = 1,..., k − 1 k = 2,..., n
para y
y {q1 , q 2 ,L , q n } es la bae ortonormal del espacio columna de A,
construida a partir de los vectores columnas de la matriz por el proceso de
ortonormalización de G-S, es decir:
r 11 q1 = v1
r kk q k = v k − r 1k q1 − r 2 k q 2 − L − − r ( k −1) k q k −1 para k = 2,..., n
24
15/02/2018
TEOREMA VI
Si A es una matriz m x n, de rango n, entonces la solución del problema
de mínimos cuadrados A x = b está dada por xˆ = R −1Q T b , donde Q es
una matriz m x n con columnas ortonormales y R es una matriz n x n que
es triangular superior e invertible, dadas por el teorema de factorización.
La solución x̂ puede obtenerse utilizando la “sustitución hacia atrás” del
sistema R x̂ = Q T b
puntos en el plano.
25
15/02/2018
TEOREMA VII
Si S es un subespacio de R m , para cada vector b ∈ R m existe un único elemento p ∈ S
que es el más cercano a b, esto es:
b− y > b− p
para cualquier y ∈ S , y ≠ p . Más aún, tal vector p ∈ S es el más cercano al vector dado
b ∈ R m si y sólo si b − p ∈ S ⊥ .
26
15/02/2018
Propiedades
∧
a) Un vector x es una solución al problema de mínimos cuadrados A x = b si y sólo si
∧
A x = p es el vector en R A (espacio fila de la matriz A), que está más cercano a b. El
vector p es la proyección de b sobre R A , que verifica:
∧
b − p = p − A xˆ = r x
debe ser un elemento de (R A )⊥ .
∧
¿Cómo se obtiene x ?
∧
Puesto que (R A )⊥ = N ( AT ) , pues (R A ) ⊥ N ( AT ) , entonces el vector x será una
solución al problema de mínimos cuadrados A x = b si y sólo si:
∧ ∧ ∧
0 = AT r x = AT b − A x = AT b − AT A x .
27
15/02/2018
TEOREMA VIII
Si la matriz A (m x n) tiene dim R A = rg (A) = nº de columnas de A = n, entonces las
∧
ecuaciones normales AT b = AT A x tienen solución única de la forma:
∧
(
x = AT A )−1 AT b
y x̂ es la solución al problema de mínimos cuadrados A x = b .
Nota:
∧
( )−1
Nota El vector proyección p = A x = A AT A AT b , que se encuentra en R A , es el
vector más cercano a b, en el sentido de mínimos cuadrados y la matriz
(
P = A AT A )−1 AT se llama matriz de proyección.
TEOREMA IV
Si los vectores columna de una matriz A forman un conjunto ortonormal de
vectores en Rm, entonces A A = I y la solución al problema de mínimos
T
cuadrados es x̂ = A b .
T
28