Algebra PDF

Álgebra Lineal
Departamento de Matemáticas
Universidad de Los Andes
Primer Semestre de 2007
Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 1 / 50

Texto guı́a:

Contenidos
1 Geometrı́a en Rn , matrices y sistemas de ecuaciones lineales

Contenidos
2 Dimensión, rango y transformaciones lineales

Contenidos
3 Espacios vectoriales
Espacios Vectoriales
Conceptos bsicos en espacios vectoriales
Vectores en coordenadas
Transformaciones lineales

Contenidos
4 Números complejos y espacios vectoriales complejos
El campo complejo
Espacios vectoriales sobre el campo complejo

Contenidos
El campo complejo
5 Determinantes

Contenidos
El campo complejo
5 Determinantes
6 Valores y vectores propios

Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad

Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Álgebra vectorial en espacios vectoriales abstractos
Definición
Un Espacio Vectorial es una tripla (V , +, ·) donde V es un conjunto, +
una forma de sumar y · una forma de multiplicar elementos de V por
escalares reales, satisfaciendo las siguientes condiciones:
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u
3 Existencia de identidad aditiva:
~u + ~0 = ~u

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u
~u + ~0 = ~u
4 Existencia de inverso aditivo:
~u + (−~u ) = ~0
Definición (continuación)
donde ~u , ~v y w
~ son elementos de V (llamados vectores) y, si r , s escalares
en R, tenemos además
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~

donde ~u , ~v y w
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v

donde ~u , ~v y w
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v
3 Asociatividad:
r · (s · ~v ) = (rs) · ~v

donde ~u , ~v y w
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v
3 Asociatividad:
r · (s · ~v ) = (rs) · ~v
4 Existencia de unidad multiplicativa:
1 · ~v = ~v
Tenemos por ejemplo...

Ejemplo 1
El Espacio Rn
El conjunto Rn con la suma y el producto escalar definidos, para
~ = (w1 , . . . , wn ) en Rn y r ∈ R, según:
~v = (v1 , . . . , vn ), w
~v + w
~ = (v1 , . . . , vn ) + (w1 , . . . , wn ) = (v1 + w1 , . . . , vn + wn ),
y
r · ~v = (rv1 , . . . , rvn ),
forma un espacio vectorial.

Ejemplo 2
Espacios de Matrices
El conjunto Mmn (R) de matrices m × n con entradas (o componentes)
reales con suma de matrices
   
a11 · · · a1n b11 ··· b1n
 a21 · · · a2n   b21 ··· b2n 
..  +
   
 .. . .  .. .. .. 
 . . .   . . . 
am1 · · · amn bm1 · · · bmn
 
a11 + b11 ··· a1n + b1n
 a21 + b21 ··· a2n + b2n 
= 
 
.. .. .. 
 . . . 
am1 + bm1 · · · amn + bmn

y producto de matrices por escalares
 
ra11 ra12 ··· ra1n
 ra21 ra22 ··· ra2n 
rA =  . ,
 
.. .. ..
 .. . . . 
ram1 ram2 · · · ramn
es un espacio vectorial.
Los ejemplos anteriores, con los que ya hemos trabajado anteriormente, no

son las únicas estructuras de espacio vectorial que podemos definir sobre
vectores y/o matrices, podemos modificar las operaciones para obtener
nuevos espacios vectoriales, o definir nuevos espacios...

Ejemplo 3
Espacio de polinomios Pn [x]

Sea Pn [x] el conjunto de polinomios de grado menor o igual a n, en una
variable x, con coeficientes reales. Es decir, un elemento p(x) ∈ Pn [x] es
un polinomio de la forma
p(x) = a0 + a1 x + a2 x 2 + · · · + an x n ,
con a0 , . . . , an reales. Si definimos la suma de polinomios p(x) = a0 + a1 x

+ · · · + an x n , q(x) = b0 + b1 x + · · · + bn x n ∈ Pn [x] y su producto por
escalares como
p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2 + · · · + (an + bn )x n
y
r · p(x) = ra0 + ra1 x + ra2 x 2 + · · · + ran x n ,
tenemos un espacio vectorial.
Ejemplo 4
Espacio de funciones F (R)

Sea F (R) el conjunto de funciones continuas f : R → R. Definiendo la
suma de dos funciones f , g ∈ F (R) como la función f + g cuyo valor en
x ∈ R está dado por
(f + g )(x) = f (x) + g (x),
y el producto de una función f por un escalar r ∈ R como la función cuyo

valor en x ∈ R está dado por
(r f )(x) = r (f (x)),
tenemos un espacio vectorial.

Combinaciones lineales, subespacios y bases
La gran mayorı́a de los conceptos relativos a la estructura lineal de Rn

pueden definirse de forma completamente análoga sobre espacios
vectoriales abstractos.
Definición
Una combinación lineal de n vectores ~v1 , ~v2 , . . . , ~vn , en un espacio vectorial
V arbitrario, es un vector que se puede escribir de la forma
~v = r1~v1 + r2~v2 + · · · + rn v~n ,
donde r1 , r2 , . . . , rn son escalares reales.

Ası́, por ejemplo, el vector (polinomio)
p(x) = 2 − x + 3x 3 ∈ P3 [x]
es una combinación de los vectores 1 + x y 1 + x 3 ya que
2 − x + 3x 3 = (−1)(1 + x) + (3)(1 + x 3 ).
De igual forma, el vector (matriz)

1 2
A= ∈ M2 (R)
0 1

1 0 0 1
es una combinación de los vectores y ya que
0 1 0 0

1 2 1 0 0 1
= (1) + (2) .
0 1 0 1 0 0

Definición
El espacio generado por k vectores ~v1 , ~v2 , . . . , ~vk en un espacio vectorial V
es el conjunto
Sp (~v1 , ~v2 , . . . , ~vk ) = {r1~v1 + r2~v2 + · · · + rk v~k | r1 , r2 , . . . , rk ∈ R},
de todas las combinaciones lineales de tales vectores.
Ejemplo

1 0
La matriz genera todas las matrices diagonales y con
0 1
diagonal idéntica en el espacio M2 (R).
Dos vectores (no paralelos) generan un plano en R3 .

Definición
Un subconjunto V ⊂ W de un espacio vectorial W es llamado subespacio
de W si es cerrado bajo suma y multiplicación por escalares, es decir:
1 Si ~v1 , ~v2 ∈ V entonces ~v1 + ~v2 ∈ V .

Definición
Un subconjunto V ⊂ W de un espacio vectorial W es llamado subespacio
de W si es cerrado bajo suma y multiplicación por escalares, es decir:
1 Si ~v1 , ~v2 ∈ V entonces ~v1 + ~v2 ∈ V .
2 Si ~v ∈ V entonces, para cualquier escalar r ∈ R, r~v ∈ V .
Al igual que en Rn , cualquier subespacio de un espacio vectorial debe

contener necesariamente al vector cero ~0:
Si ~v ∈ V entonces, por la propiedad 2, −~v ∈ V y, por la propiedad 1,
~v + (−~v ) = ~0 ∈ V .

Ası́, por ejemplo,
{p(x) ∈ Pn [x] | p(0) = 1} {p(x) ∈ Pn [x] | p(0) = 0}
No es un subespacio vectorial de Es un subespacio vectorial de

Pn [x]. Pn [x].

Bases para espacios vectoriales
Al igual que en los espacios Rn , una base para un espacio es “lo mı́nimo
necesario para generar el espacio”:
Sea V un espacio vectorial. Un conjunto finito de vectores ~v1 , . . . , ~vk

(cuando existe) es llamado base para V si:
1 El conjunto {~v1 , . . . , ~vk } es linealmente independiente.
Ejemplo

Bases para espacios vectoriales
Al igual que en los espacios Rn , una base para un espacio es “lo mı́nimo
necesario para generar el espacio”:
Sea V un espacio vectorial. Un conjunto finito de vectores ~v1 , . . . , ~vk

(cuando existe) es llamado base para V si:
1 El conjunto {~v1 , . . . , ~vk } es linealmente independiente.
2 Sp(~v1 , . . . , ~vk ) = V , es decir, cualquier vector de V puede escribirse
como combinación lineal de ~v1 , . . . , ~vk .
Ejemplo

2
1 0 1 1 1 1
−3, 1 + x, −1 + x + x , ,
0 0 1 0 1 1
Es una base para P2 [x]. No es una base para M2 (R).

Igual que para Rn , cada espacio vectorial de dimensión finita tiene una
base canónica:
     

 1 0 ··· 0 0 1 ··· 0 0 0 ··· 0 

 0 0 ··· 0 0 0 ··· 0 0 0 ··· 0
     

Bnm =  . . , ,··· ,
     
.. .. .. .. .. .. ..
 .. ..



 ··· .   . . ··· .   . . ··· . 


0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
 
para los espacios de matrices.
BPn [x] = 1, x, x 2 , . . . , x n ,

para los espacios de polinomios.

Bases y Dimensión
Teorema
Sea V un espacio vectorial cualquiera. Un subconjunto {~v1 , . . . , ~vk } de V
es una base del espacio si cualquier vector ~v ∈ V se puede escribir en
forma única como combinación lineal de ~v1 , . . . , ~vk , es decir si existen
escalares únicos r1 , . . . , rk tales que
~v = r1~v1 + · · · rk ~vk .

Dimensión
El número de elementos de cualquier base para un espacio vectorial es el
mismo cuando es finito, y es llamado la dimensión del espacio vectorial.
Cuando no existe un conjunto finito de vectores linealmente independientes

que generen a V decimos que tal espacio es de dimensión infinita.
Por ejemplo:
1 Rn es un espacio vectorial de dimensión n
2 Mn m(R) es un espacio vectorial de dimensión nm
3 Pn [x] es un espacio vectorial de dimensión n + 1
4 F (R) es un espacio vectorial de dimensión infinita.

Por ejemplo, sea Dn = {A ∈ Mn (R) | Aij = 0 si i 6= j} el conjunto de
matrices diagonales n × n. El conjunto Dn es un subespacio vectorial de
Mn (R), y si A ∈ Dn , entonces
 
a11 0 · · · 0
 0 a22 · · · 0 
A= . ,
 
.. ..
 .. . ··· . 
0 0 ··· ann
luego
     

 1 0 ··· 0 0 0 ··· 0 0 0 ··· 0 

0 0 ··· 0 0 1 ··· 0 0 0 ··· 0

     
, ,··· ,
     
 .. .. .. .. .. .. .. .. .. 



 . . ··· .   . . ··· .   . . ··· . 

0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
 
es una base para Dn , y

dim Dn = n.

Cómo darle coordenadas a vectores ...
Sea V un espacio vectorial de dimensión n arbitrario (matrices,

polinomios, ...), podemos dar una representación de los vectores de V
como vectores de Rn con respecto a una base ordenada de V .
Si, por ejemplo, consideramos la base canónica para P2 [x],

Bo = 1, x, x 2 y el polinomio p(x) = 1 + 2x + 3x 2 , tenemos que
p(x) = (1)(1) + (2)(x) + (3)(x 2 ).
Si tomamos en lugar de la base anterior la base

B = −3, 1 + x, −1 + x + x 2 para P2 [x], existen tres escalares únicos

que nos permiten escribir a p(x) en términos de tal base:
5
p(x) = (− )(−3) + (−1)(1 + x) + (3)(−1 + x + x 2 ).
3

Tenemos entonces dos representaciones diferentes para el polinomio
p(x) = 1 + 2x + 3x 2 ∈ P2 [x]:
 
1 
− 53

[p(x)]Bo = 2  [p(x)]Bo =  −1 
3 3
respecto a la base canónica Bo .
respecto a la base B.
Definición
Dado un vector ~v ∈ V en un espacio vectorial de dimensión finita y una
base BV = {~v1 , ~v2 , . . . , ~vn } de tal forma que ~v = α1~v1 + α2~v2 + · · · αn~vn ,
para α1 , α2 , . . . αn ∈ R únicos. Entonces decimos que el vector ~v en
coordenadas respecto a BV es el vector de Rn dado por:
 
α1
 α2 
[~v ]BV =  .  .
 
 .. 
αn
Cómo calcular los coeficientes cuando V = Rn
Si ~x ∈ Rn y tenemos cualquier base Bn = {~v1 , ~v2 , . . . , ~vn } de Rn , para
encontrar [~x ]Bn podemos proceder en dos pasos:
1 Escribir los vectores de la base ordenada en una matriz aumentada
~v1 ~v2 · · · ~vn ~x .
2 Usar reducción de Gauss-Jordan hasta obtener la la izquierda la matriz
identidad, entonces a la derecha quedará el vector que buscamos:

I [~x ]Bn .

Transformaciones Lineales entre espacios vectoriales
Dados dos espacios vectoriales (V , +, ·) y (W , ⊕, ), cada uno con sus

operaciones lineales, una transformación lineal permite transferir la
estructura lineal de uno en el otro:
Definición
Una aplicación
T :V →W
entre espacios vectoriales (V , +, ·) y (W , ⊕, ) es llamada transformación
lineal si preserva la estructura lineal (suma y producto por escalar):
1 Si ~x , ~y ∈ V , entonces T (~x + ~y ) = T (~x ) ⊕ T (~y ).
2 Si ~x ∈ V y α ∈ R, entonces T (α · ~x ) = α T (~x ).

Igual que en el caso de Rn , una transformación lineal toma combinaciones
lineales α1 · ~x1 + α2 · ~x2 + · · · +αk · ~xk de vectores en V y las lleva a
transformaciones lineales de vectores en W :
T (α1 ·~x1 +α2 ·~x2 +· · ·+αk ·~xk ) = α1 T (~x1 )⊕α2 T (~x2 )⊕· · ·⊕αk T (~xk ).
En particular, la imagen del cero ~0V ∈ V bajo la transformación lineal

debe ser el cero ~0W ∈ W :
T (~0V ) = ~0W .
De ahora en adelante, cuando no indiquemos explı́citamente la operación

en un espacio vectorial (de vectores columna, matrices, polinomios o
funciones) asumiremos que las operaciones son las usuales, i.e. las
definidas por componentes.

Ejemplo
La aplicación T : R3 → M2 (R) definida por
 
x
x +y −y
T  y   = ,
−z y +z
z
es una transformación lineal.
La aplicación T : P2 [x] → R2 definida por

a0 + a1 + 1
T a0 + a1 x + a2 x 2 =

,
a0 − a2
no es una transformación lineal.

La matriz asociada a una transformación
En el capı́tulo anterior vimos como podemos asociar a una transformación

lineal T : Rn → Rk una matriz k × n. Ahora, si tenemos una
transformación entre dos espacios vectoriales abstractos de dimensión
finita (dim V = n y dim W = k)
T :V →W
podemos hacer la misma operación con respecto a un par de bases fijas

BV y BW , para V y W respectivamente, de la forma siguiente:

1 Tomamos la base BV = {~v1 , ~v2 , . . . , ~vn } de V y aplicamos la
transformación a cada uno de sus vectores, obteniendo
{T (~v1 ), T (~v2 ), . . . , T (~vn )} ⊂ W .
2 Escribimos cada vector en {T (~v1 ), T (~v2 ), . . . , T (~vn )} como vector de

coordenadas respecto a la base BW :
{[T (~v1 )]BW , [T (~v2 )]BW , . . . , [T (~vn )]BW } ⊂ Rk .
3 Usamos cada uno de estos vectores como vector columna de la matriz

de transformación (respecto a BV y BW ):
 
| | |
AT =  [T (~v1 )]BW [T (~v2 )]BW · · · [T (~vn )]BW  ,
| | |
obteniendo una matriz k × n.

Teorema
Sea T : V → W una transformación lineal entre dos espacios vectoriales
abstractos de dimensión finita (dim V = n y dim W = k) y sean BV y BW
bases para V y W , respectivamente. Entonces, si AT es la matriz de
transformación (respecto a BV y BW ) y ~x ∈ V entonces
[T (~x )]BW = AT [~x ]BV .

Ejemplo
Tomemos la transformación lineal T : P2 [x] → M2 (R) definida por

2
a0 + a1 a2
T a0 + a1 x + a2 x = .
a0 − a1 a2
Entonces, si tomamos como base para P2 [x]
BP = −3, 1 + x, −1 + x + x 2

tal base se transforma como

−3 0 2 0
T (−3) = , T (1 + x) = ,
−3 0 0 0

2
0 1
T −1 + x + x = .
−2 1

Ejemplo (continuación)
Si tomamos ahora como base para M2 (R) la base canónica Bo , en
términos de tal base:
   
−3 2
 0   0 
 −3  ,
[T (−3)]Bo =   [T (1 + x)]Bo = 
 0 ,

0 0
 
0
 1 
[T −1 + x + x 2 ]Bo

=
 −2  .

1
Ası́, la matriz de la transformación respecto a BP y Bo es
 
−3 2 0
 0 0 1 
 −3 0 −2  .
AT =  
0 0 1
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Números complejos
La ecuación
x2 + 1 = 0
no tiene solución en los números reales R. Es decir, no existe un número
real r tal que r 2 = −1. Sin embargo, hay conjuntos en los que la ecuación
anterior
si tiene solución. Por ejemplo, si multiplicamos la matriz
0 −1
i= por ella misma obtenemos
1 0

2 0 −1 0 −1 −1 0
i = = = −I ,
1 0 1 0 0 −1
luego la ecuación M 2 + I = O si tiene solución en M2 (R).
Vamos a definir un conjunto de números, llamados “complejos”, que es

(en algún sentido) el conjunto “más pequeño” en el que todas las
ecuaciones polinomiales tienen solución.
El plano complejo
Definición
Un número complejo es una expresión de la forma
a+ib
donde a, b ∈ R y el sı́mbolo i denota una

√ solución a la ecuación
2
x + 1 = 0. Es costumbre escribir i = −1.
Denotaremos por C el conjunto de

números complejos y los representaremos
en um plano de la siguiente forma: Si
z = a + i b ∈ C, llamaremos a a la parte
real de z, Re(z), y a b su parte imaginaria,
Im(z). Poniendo Re(z) en el eje de las x e
Im(z) en el eje de las y podemos
representar a z como un vector en el plano.
Operaciones con números complejos
El conjunto de números complejos es un campo algebraico, es decir que

sabemos no solamente sumar y restar números complejos, sino que
también tenemos una forma de multiplicarlos y dividirlos, con propiedades
similares a las de los números reales:
1 Suma: Sean z = a + ib, w = c + id ∈ C, entonces
z + w = (a + c) + i(b + d).
2 Multiplicación: Sean z = a + ib, w = c + id ∈ C, entonces
zw = (ac − bd) + i(cb + ad).
3 Conjugación: Si z = a + ib ∈ C, su conjugado es el número complejo
z̄ = a − ib.

Graficamente podemos ver el efecto de las operaciones en el plano
complejo de la forma siguiente:
Suma (y resta) Conjugación

Para entender gráficamente la multiplicación de números complejos vamos
a introducir una nueva representación de z ∈ C llamada representación
polar.
Definición
Dado z = a + ib ∈ C, la norma o magnitud de z es el tamaño del vector z
en el plano complejo: p
| z |= a2 + b 2 .
El argumento de z es el ángulo
θ que hace el vector z con el
eje real en el plano complejo.
Si tomamos tal ángulo en el
intervalo −π ≤ θ ≤ π lo
llamamos argumento principal.
Ası́,
z = r (cosθ + i senθ).
Ejemplo
√
Tomemos el número z = −1 + i 3 ∈ C, entonces su norma y su
argumento principal son
√ 5π
| z |= 1+3=2 y Arg (z) = − .
6
√
Ahora observemos que z 2 = −2 − i2 3, luego | z 2 |= 4 y
Arg (z 2 ) = −2 5π π
6 = 3 , luego el efecto de la multiplicación es el de rotar y
alargar el vector:

Lo anterior resulta mucho más claro si escribimos z = r (cosθ + i senθ) y
observamos que
z n = r n (cos(nθ) + i sen(nθ)).
De forma similar, el efecto de la división puede representarse graficamente
de la siguiente forma:

Definición
Un Espacio Vectorial sobre C es una tripla (V , +, ·) donde V es un
conjunto, + una forma de sumar y · una forma de multiplicar elementos de
V por escalares complejos, satisfaciendo las siguientes condiciones:
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u
~u + ~0 = ~u

Definición
1 Asociatividad:
(~u + ~v ) + w
~ = ~u + (~v + w
~)
2 Conmutatividad:
~u + ~v = ~v + ~u
~u + ~0 = ~u
4 Existencia de inverso aditivo:
~u + (−~u ) = ~0
donde ~u , ~v y w
~ son elementos de V y, si r , s escalares en C, tenemos
además
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~

donde ~u , ~v y w
además
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v

donde ~u , ~v y w
además
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v
3 Asociatividad:
r · (s · ~v ) = (rs) · ~v

donde ~u , ~v y w
además
1 Distribitividad:
r · (~v + w
~ ) = r · ~v + r · w
~
2 Distributividad:
(r + s) · ~v = r · ~v + s · ~v
3 Asociatividad:
r · (s · ~v ) = (rs) · ~v
4 Existencia de unidad multiplicativa:
1 · ~v = ~v
Tenemos por ejemplo...

Ejemplos
El Espacio Cn
El conjunto Cn = {~z = (z1 , . . . , zn ) | z1 , . . . , zn ∈ C} con la suma y el
producto escalar definidos, para ~z = (z1 , . . . , zn ), w ~ = (w1 , . . . , wn ) en Cn
y r ∈ C, según:
~z + w
~ = (z1 , . . . , zn ) + (w1 , . . . , wn ) = (z1 + w1 , . . . , zn + wn ),
y
r · ~z = (rz1 , . . . , rzn ),
forma un espacio vectorial.

Ejemplos
Espacios de Matrices
El conjunto Mmn (C) de matrices m × n con entradas (o componentes)
reales con suma de matrices y multiplicación por escalares usuales es un
espacio vectorial sobre C.
Espacio de polinomios Pn [x]

Sea Pn [x] el conjunto de polinomios de grado menor o igual a n, en una
variable x, con coeficientes complejos. Es decir, un elemento p(x) ∈ Pn [x]
es un polinomio de la forma p(x) = a0 + a1 x + a2 x 2 + · · · + an x n , con
a0 , . . . , an ∈ C. Si definimos la suma de polinomios y su producto por
escalares de la forma usual tenemos un espacio vectorial sobre C.
Todos los conceptos anteriormente definidos para espacios vectoriales

sobre R (subespacios, bases, etc.) se definen de forma idéntica para
espacios vectoriales sobre C.
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base
Contenidos
El campo complejo
5 Determinantes
7 Ortogonalidad
8 Cambio de base

Algebra PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra PDF

Cargado por

Copyright:

Formatos disponibles

Álgebra Lineal

Primer Semestre de 2007

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 1 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 2 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 3 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 7 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 7 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 7 / 50

4 Existencia de inverso aditivo:

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 8 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 8 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 8 / 50

Tenemos por ejemplo...

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 9 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 10 / 50

Los ejemplos anteriores, con los que ya hemos trabajado anteriormente, no

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 11 / 50

Espacio de polinomios Pn [x]

con a0 , . . . , an reales. Si definimos la suma de polinomios p(x) = a0 + a1 x

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x 2 + · · · + (an + bn )x n

Espacio de funciones F (R)

(f + g )(x) = f (x) + g (x),

y el producto de una función f por un escalar r ∈ R como la función cuyo

tenemos un espacio vectorial.

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 13 / 50

La gran mayorı́a de los conceptos relativos a la estructura lineal de Rn

~v = r1~v1 + r2~v2 + · · · + rn v~n ,

donde r1 , r2 , . . . , rn son escalares reales.

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 14 / 50

es una combinación de los vectores 1 + x y 1 + x 3 ya que

De igual forma, el vector (matriz)

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 15 / 50

Sp (~v1 , ~v2 , . . . , ~vk ) = {r1~v1 + r2~v2 + · · · + rk v~k | r1 , r2 , . . . , rk ∈ R},

de todas las combinaciones lineales de tales vectores.

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 16 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 17 / 50

Al igual que en Rn , cualquier subespacio de un espacio vectorial debe

Si ~v ∈ V entonces, por la propiedad 2, −~v ∈ V y, por la propiedad 1,

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 17 / 50

{p(x) ∈ Pn [x] | p(0) = 1} {p(x) ∈ Pn [x] | p(0) = 0}

No es un subespacio vectorial de Es un subespacio vectorial de

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 18 / 50

Sea V un espacio vectorial. Un conjunto finito de vectores ~v1 , . . . , ~vk

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 19 / 50

Sea V un espacio vectorial. Un conjunto finito de vectores ~v1 , . . . , ~vk

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 19 / 50

para los espacios de matrices.

para los espacios de polinomios.

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 20 / 50

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 21 / 50

Cuando no existe un conjunto finito de vectores linealmente independientes

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 22 / 50

es una base para Dn , y

Universidad de Los Andes () Álgebra Lineal Primer Semestre de 2007 23 / 50

Sea V un espacio vectorial de dimensión n arbitrario (matrices,

Si, por ejemplo, consideramos la base canónica para P2 [x],

p(x) = (1)(1) + (2)(x) + (3)(x 2 ).

Si, por ejemplo, consideramos la base canónica para P2 [x],