Algebra Lineal PDF

UNIVERSIDAD NACIONAL DE CAJAMARCA
ESCUELA ACADÉMICA PROFESIONAL INGENIERÍA CIVIL
CURSO
ÁLGEBRA LINEAL
CARRERA: INGENIERÍAVIVIL
TIPO DE MATERIAL: VISUAL
FECHA DE ELABORACIÓN: 2019

JUSTIFICACIÓN
El presente material se elaboró con la intención de apoyar al docente al impartir la materia de
álgebra lineal para facilitar el aprendizaje y aprovechar el tiempo dentro del salón de clases.
Contempla también apoyar a los estudiantes a los que se les facilita el aprendizaje visual.
PRESENTACIÓN
El álgebra lineal es un curso fundamental en las distintas áreas de la ingeniería y una
indispensable herramienta que tiene importantes aplicaciones en las ciencias computacionales.
Para el alumno de la ingeniería en Sistemas Computacionales será de suma importancia el
reforzamiento de los conceptos del Álgebra Lineal mediante el desarrollo de códigos en lenguajes
de programación.
PROPÓSITO GENERAL
Que el estudiante adquiera los conocimientos del álgebra lineal para aplicarlos como una
herramienta para solucionar problemas práctico del área de ingeniería.
COMPETENCIAS GENÉRICAS
▪ Resolver un sistema de ecuaciones lineales

▪ Manejo de las propiedades y operaciones de
matrices
▪ Comprensión de los espacios vectoriales
▪ Manejo de las transformaciones lineales, vectores y
valores característicos.
BIBLIOGRAFÍA
BÁSICA
1. Poole David “Algebra Lineal Una Introducción Moderna” 2Ed. Cengage 2007.
2. Anton An “Introducción a la Algebra Lineal” 5Ed. Limusa.
3. Larson Falvo “Fundamentos De Algebra Lineal” 6Ed. Cengage 2010.
4. Kaufmann Jerome E. “Algebra” Ed. Cengage 2007.
5. Lay David C. “Algebra Lineal Y Sus Aplicaciones” Ed. Pearson 2007.
6. Grossman Stanley L. “Algebra Lineal” Ed. Mc Graw Hill 2007.
COMPLEMENTARIA
7. Cárdenas, H., Lluis, E. Raggi, F., Tomás, F. Álgebra Superior, Serie: Biblioteca Matemática
Superior. Nueva Edición. Ed. Trillas. México.
8. Uspensky J. V. Teoria De Ecuaciones. Ed. Limusa. México.
9. Lay, D. L. Algebra Lineal. Ed. Pearson
10. Anton, H. Introducción Al Álgebra Lineal. Ed. Limusa
11. Lang, S., Álgebra Lineal. Ed. Addison-Wesley, México
12. Spiegel, M.R., Álgebra Superior, Serie: Mcgraw-Hill, Nueva Edición. México.
Álgebra lineal
(Instructor)
(Fecha)
Temario
1. Sistemas de ecuaciones lineales

2. Matrices y determinantes
3. Espacios vectoriales
4. Transformaciones lineales
5. Vectores y valores característicos
Sistemas de ecuaciones lineales
Matrices y sistemas de ecuaciones

El sistema de ecuaciones dado por:
𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
donde:
m representa ecuaciones
n variables
𝑥1 , 𝑥2 …𝑥𝑛 son las variables o incógnitas
𝑎11 , 𝑏1 son las constantes
Se le conoce como sistema lineal de m ecuaciones con n

variables.
Solución de sistemas de ecuaciones lineales: método de

Gauss Jordán
1. El sistema no tiene solución.
2. El sistema tiene una solución.
3. El sistema tiene una cantidad infinita de soluciones.
Operaciones elementales con renglones

• La operación elemental de renglón transforma a una matriz
A en una matriz nueva 𝐴`
• La matriz 𝐴` se obtiene multiplicando cualquier renglón A
por un escalar diferente de 0.
• La multiplicación de cualquier renglón n de A por un escalar
distinto a 0 y sumar el renglón j de A
• Consiste en el intercambio de dos renglones cualesquiera.
Mecánica de Gauss Jordán

1. Para resolver Ax = b debemos de obtener la matriz aumentada
a/b.
2. Comenzar con el renglón 1 y la columna 1 y de igual forma definir
un valor pivote, si 𝑎11 es diferente de cero realizar operaciones
1
elementales para obtener en la primera columna 0
⋮
0
3. Si el nuevo valor pivote es distinto de cero se debe de realizar una
operación elemental de renglón para transformarlo en 1 y el resto
de los valores de la columna en cero
4. Escribir el sistema de ecuaciones A´x= b´ que corresponde a la
matriz A´/ b`.
5. A´x=b´ corresponde al conjunto de soluciones Ax = b
Temario

Matrices y determinantes
Ángulo entre dos vectores

Sean u y v dos vectores diferentes de cero. El angulo 𝜑 entre ellos
es,
𝑢∙𝑣
𝑐𝑜𝑠𝜑 =
𝑢 𝑣
i. Vectores paralelos, dos vectores diferentes de cero u y v son paralelos

si el ángulo entre ellos es cero o 𝜋.
ii. Vectores ortogonales, los vectores u y v diferentes de cero son
ortogonales si el ángulo entre ellos es 𝜋/2. Dos vectores u y v son
ortogonales si 𝒖 ∙ 𝒗 = 𝟎.
Espacios vectoriales
Proyección
Sean u y v dos vectores diferentes de cero. Entonces la proyección
de u sobre v es un vector denotado por 𝑝𝑟𝑜𝑦𝑣 𝑢, que se define por
𝑢∙𝑣
𝑝𝑟𝑜𝑦𝑣 𝑢 = 2
𝑣
𝑣
Distancia entre dos puntos

Sean 𝑃 = 𝑥1 , 𝑦1 , 𝑧1 y Q= 𝑥2 , 𝑦2 , 𝑧2 dos puntos en el espacio.
Entonces la distancia ente P y Q está dada por
𝑃𝑄 = 𝑥1 − 𝑥2 2 + 𝑦1 − 𝑦2 2 + 𝑧1 − 𝑧2 2
Como recordatorio:
▪ Los vectores unitarios i, j y k están definidos como:
➢ 𝒊 = 1,0,0
➢ 𝐣 = 0,1,0
➢ 𝐳 = 0,0,1
▪ 𝒊∙𝒊=𝒋∙𝒋=𝒌∙𝒌=1
▪ 𝒊∙𝒋=𝒋∙𝒊=𝒊∙𝒌=𝒌∙𝒊=𝒋∙𝒌=𝒌∙𝒋=0
Producto cruz de dos vectores

Sean 𝒖 = 𝑎1 𝒊 + 𝑏1 𝒋+𝑐1 𝒌 y 𝒗 = 𝑎2 𝒊 + 𝑏2 𝒋+𝑐2 𝒌 . Entonces el
producto cruz (cruz vectorial) de u y v, denotado por 𝒖 × 𝒗, es un
vector definido por
𝒖 × 𝒗 = 𝑏1 𝑐2 − 𝑐1 𝑏2 𝒊 + 𝑐1 𝑎2 − 𝑎1 𝑐2 𝒋 + 𝑎1 𝑏2 − 𝑏1 𝑎2 𝒌
Otro arreglo para el producto cruz

𝒊 𝒋 𝒌
𝑢 × 𝑣 = 𝑎1 𝑏1 𝑐1
𝑎2 𝑏2 𝑐2
𝒊 𝒋 𝒌
𝑏1 𝑐1 𝑎1 𝑐1 𝑎1 𝑏1
𝑎1 𝑏1 𝑐1 = 𝒊 −𝒋 𝑎 𝑐 +𝒌
𝑏2 𝑐2 2 2 𝑎2 𝑏2
𝑎2 𝑏2 𝑐2
Interpretación geométrica del producto cruz

▪ La interpretación geométrica de 𝒖 × 𝒗 es el área generada
por ambos vectores.
▪ El vector 𝒖 × 𝒗 es ortogonal tanto a u como a v.
Triple producto escalar

El volumen del paralelepípedo determinado por los tres vectores u, v
y w es igual a
(𝒖 × 𝒗) ∙ 𝒘
(valor absoluto del triple vector escalar)
Vector renglón
Un vector de n componentes se define como un conjunto de
ordenados d n números escritos de la siguiente manera:
𝑥1 + 𝑥2 , … , 𝑥𝑛
Vector columna
un vector de n componentes es un conjunto ordenado de n
números escritos de la siguiente manera:
𝑥1
𝑥2
⋮
𝑥𝑛
se le denomina a 𝑥1 primera componente 𝑥2 segunda
componente y así sucesivamente en términos generales.
MATRIZ
Una matriz A de mxn es un arreglo rectangular de mxn
números dispuestos en m renglones y n columnas.
𝑎11 𝑎12 … 𝑎12 … 𝑎1𝑛

𝑎21 𝑎22 … 𝑎2𝑗 … 𝑎2𝑛
… … … … … …
𝐴 = 𝑎𝑖1 𝑎𝑖2 … 𝑎𝑖𝑗 … 𝑎𝑖𝑛
… … … … … …
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑗 … 𝑎𝑚𝑛
Matriz cuadrada:
1 3
si A es una matriz m × n con m = n
4 2
Matriz cero
Matriz m × n con todos los elementos iguales a cero
0 0 0 0
(matriz cero de 2x4)
0 0 0 0
Matriz de 3X2
−1 3
4 0
1 −2
Igualdad de matrices
dos matrices A= 𝑎𝑖𝑗 y b= 𝑏𝑖𝑗 son ihuales si (1) son del
mismo tamaño y (2) las componentes correspondientes son
iguales.
1 0 1 0 0
Y
0 1 0 1 0
Los vectores matrices de un renglón o columna
cada vector es un tipo especial de matriz. el vector de n
componentes 𝑎1 , 𝑎2 , … 𝑐𝑛 es una matriz de 1 x n, mientras
que el vector columna de n componentes :
𝑎1
𝑎2
⋮ es una matriz de n x 1 .
𝑎𝑛
Suma de matrices
Sean a= 𝑎𝑖𝑗 y b= 𝑏𝑖𝑗 dos matrices de m x n. por lo tanto la
suma de A y B es la matriz m x n, A + B dada por
𝐴 + 𝐵 = 𝑎𝑖𝑗 + 𝑏𝑖𝑗 =
𝑎11 + 𝑏11 𝑎12 + 𝑏12 … 𝑎1𝑛 + 𝑏1𝑛
𝑎21 + 𝑏21 𝑎22 + 𝑏22 … 𝑎2𝑛 + 𝑏2𝑛
= ⋮
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑚𝑙 + 𝑏𝑚𝑙 𝑎𝑚2 + 𝑏𝑚2 … 𝑎𝑚𝑛 + 𝑏𝑚𝑛
Es decir, A+ B es la matriz m x n que se obtiene al sumar las
componentes correspondientes de A y B.
Se define únicamente cuando las matrices son del mismo
tamaño por ejemplo de 2 x 2, 3 x 3, etc.
Multiplicación de una matriz por un escalar

Si A = 𝑎𝑖𝑗 es una matriz de m x n y si 𝛼 es un escalar,
entonces la matriz m x n, 𝛼A , esta dada por:
𝐷
(a b c) 𝐸 = a.d + b.e + c.f
𝐹
𝑎𝑎11 𝑎𝑎12 … 𝑎𝑎1𝑥
𝑎𝑎21 𝑎𝑎22 … 𝑎𝑎2𝑛
𝑎𝐴 = 𝑎𝑎𝑖𝑗 = ⋮ ⋮ … ⋮
𝑎𝑎𝑥𝑡 𝑎𝑎𝑥2 … 𝑎𝑎𝑥𝑛
Esto es 𝛼A= (𝛼𝑎𝑖𝑗 ) es la matriz obtenida al multiplicar cada

componente de A por 𝛼, si 𝛼A = B (𝑏𝑖𝑗 ), entonces 𝑏𝑖𝑗 = 𝛼𝑎𝑖𝑗
para i = 1,2, …, m y j = 1,2,…,n.
Sean A, b y C tres matrices de m x n y sean 𝛼 y 𝛽 dos escalares

entonces :
1. A +0 = A
2. A0 = 0
3. A+B = B +A
4. (A + B) + C = A +(B + C)
5. α (A + B ) = αA + αB
6. 1A =A
7. (α + β )A = αA + βA
Producto escalar
𝑎1 𝑏1
𝑎 𝑏2
Sean a= 2 y b= dos vectores. Entonces el producto
⋮ ⋮
𝑎𝑛 𝑏𝑛
escalar de a y b denotado a por b, esta dado por:
a ∙ b = 𝑎1 𝑏1 + 𝑎2 𝑏2 +, … , 𝑎𝑛 𝑏𝑛
A este producto escalar se le llama producto punto o producto
interno de los vectores
𝑏1
𝑎1 𝑎2 … 𝑎𝑛 𝑏2 = 𝑎1 𝑏1 + 𝑎2 𝑏2 +, … , 𝑎𝑛 𝑏𝑛
⋮
𝑏𝑛
Producto de dos matrices

Sea A = 𝑎𝑖𝑗 una matriz de m X n y sea B = 𝑏𝑖𝑗 una matriz de
n X p ∴ el producto de A y B es una matriz de m X p, C = 𝑐𝑖𝑗
𝑐𝑖𝑗 = 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 𝑖 𝑑𝑒 𝐴 ∙ 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 𝑗 𝑑𝑒 𝐵
el elemento 𝑖𝑗 de A y B es el producto punto del renglón i de A

y la columna j de B y se obtiene:
𝑐𝑖𝑗 = 𝑎𝑖1 𝑏1𝑗 + 𝑎𝑖2 𝑏2𝑗 + … +𝑎𝑖𝑛 𝑏𝑛𝑗
Las matrices se pueden multiplicar solamente si el numero de

columnas de la matriz uno es igual al numero de renglones de
la matriz dos.
Ley asociativa para la multiplicación de matrices

Sea A = 𝑎𝑖𝑗 una matriz de n x m, B = 𝑏𝑖𝑗 una matriz de m x
p y C= 𝑐𝑖𝑗 una matriz de p x q.
A(BC)= (AB)C
ABC definida por cualquiera de los lados de la ecuación, es una
matriz de n x q
Leyes distributivas para la multiplicación de matrices
A (B + C) = A B + AC
(A + B) C = AC + BC
Matriz identidad
La matriz identidad 𝐼𝑛 de n x n es una matriz de n x n y cuyos
elementos de la diagonal principal son iguales a 1 y todos los
demás son 0, esto es:
Si i = j
1
𝐼𝑛 = (𝑏𝑖𝑗 ) donde 𝑏𝑖𝑗 = ቊ Si i ≠ j
0
Inversa de la matriz
sean A y B dos matrices de n x n se dice que :
AB = BA = I
entonces B se le llama la inversa de A y se denota por 𝐴−1 por
lo tanto tenemos:
𝐴𝐴−1 = 𝐴−1 𝐴 = 𝐼
si A tiene inversa se dice que A es invertible.
Si A es invertible se dice que su inversa en única.
Sean A y B dos matrices invertibles de n x n. entonces AB es

invertible
𝐴𝐵 −1 = 𝐵−1 𝐴−1
Si A es invertible, el sistema Ax = b
Tiene una solución única x = 𝐴−1 𝑏
Procedimiento para encontrar la inversa de una matriz A

1. Se escribe la matriz aumentada (matriz identidad).
2. Se utilizan la reducción por renglones para poner la matriz
de A su forma escalonada reducida por renglones.
3. Se decide si A es invertible.
a) Si la forma escalonada reducida por renglones de A es la matriz
identidad I, entonces 𝐴−1 es la matriz que se tiene a la derecha de
la barra vertical.
b) Si la reducción de A conduce a un renglón de ceros a la izquierda
de la barra vertical , entonces A no es invertible.
4. Una matriz A de n x n es invertible si y solo si su forma
escalonada reducida por renglones de la matriz identidad;
es decir, si su forma escalonada reducida por renglones
tiene n pivotes.
Transpuesta de una matriz

Sea A = 𝑎𝑖𝑗 una matriz de m x n , entonces la transpuesta de
A , que se describe 𝐴𝑡 , es la matriz de m x n que se obtiene al
intercambiar los renglones por las columnas de A. se puede
escribir 𝐴𝑡 = 𝑎𝑖𝑗 :
𝑎11 𝑎12 … 𝑎1𝑛 𝑎11 𝑎21 … 𝑎𝑛1

𝑎21 𝑎22 … 𝑎2𝑛 𝑎12 𝑎22 … 𝑎𝑛2
Si A = Entonces 𝐴𝑡 =
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑎1𝑛 𝑎2𝑛 … 𝑎𝑛𝑛
Se coloca el renglón i de A como la columna i de 𝐴𝑡 y la

columna j de A como el renglón j de 𝐴𝑡
Determinantes
𝑎11 𝑎12
sea A : 𝑎 una matriz de 2 x 2 se define el
21 𝑎22
determinante de la matriz A y se expresa como det 𝐴
det 𝐴 = 𝑎11 𝑎22 − 𝑎12 𝑎21
𝑎11 𝑎12
𝐴= 𝐴 = 𝑎 𝑎22
21
Se demostró que A es invertible si y solo si det A ≠ 0 valido

para matrices de n x n
Determinante de 3 x 3
𝑎11 𝑎12 𝑎13
𝑎22 𝑎23
Sea A = 𝑎21 𝑎22 𝑎23 ∴ Det A= 𝐴 = 𝑎11 𝑎 𝑎33 −
32
𝑎31 𝑎32 𝑎33
𝑎21 𝑎23 𝒂𝟐𝟏 𝒂𝟐𝟐
𝑎12 𝑎 𝑎 + 𝑎13 𝒂
31 33 𝟑𝟏 𝒂𝟑𝟐
La menor
Sea A una matriz de nxn y sea 𝑴𝒊𝒋 la matriz (n-1)x(n-1) que se
obtiene de A eliminando el renglón i y la columna j.
𝑴𝒊𝒋 se llama menor ij de A.
Cofactor
Sea A una matriz de n x n. el cofactor de ij de A, denotado por
𝐴𝑖𝑗 esta dado por :
𝐴𝑖𝑗 = −1 𝑖+𝑗 𝑀𝑖𝑗
Esto es, el cofactor ij de A se obtiene tomado el determinante

del menor ij y multiplicándolo por −1 𝑖+𝑗 :
𝑖+𝑗 1 Si i+j es par

−1 ቊ
−1 Si i+j es impar
Determinante de n x n
Sea A una matriz de n x n, entonces el determinante de A
denotado por det A o 𝐴 esta dado por:
𝐴 = 𝑎11 𝐴11 + 𝑎12 𝐴12 + 𝑎13 𝐴13 … + 𝑎1𝑛 𝐴1𝑛 = σ𝑛𝑘=1 𝑎1𝑘 𝐴1𝑘
La expresión del lado derecho se llama expansión por
cofactores.
En general:
i. Expansión por cofactores en cualquier renglón:
𝐴 = 𝑎𝑖1 𝐴𝑖1 + 𝑎𝑖2 𝐴𝑖2 + ⋯ + 𝑎𝑖𝑛 𝐴𝑖𝑛 = σ𝑛𝑘=1 𝑎𝑖𝑘 𝐴𝑖𝑘
ii. Expansión por cofactores en cualquier columna:

𝐴 = 𝑎1𝑗 𝐴1𝑗 + 𝑎2𝑗 𝐴2𝑗 + ⋯ + 𝑎𝑛𝑗 𝐴𝑛𝑗 = σ𝑛𝑘=1 𝑎𝑘𝑗 𝐴𝑘𝑗
Matriz triangular
Una matriz cuadrada se denomina triangular superior si todas
sus componentes debajo de la diagonal son cero. Es una matriz
triangular superior si todas sus componentes arriba de la
diagonal son cero y se le denomina diagonal a una matriz si
todos los elementos que no se encuentran sobre la diagonal
son cero; es decir A = (𝒂𝒊𝒋 ) es triangular superior si 𝒂𝒊𝒋 = 0 i > j
, triangular inferior si 𝒂𝒊𝒋 = 0 para i < j y diagonal si 𝒂𝒊𝒋 = 0
para i ≠
Determinantes e inversas
Si A es invertible , entonces det A ≠ 0 y:
1
det 𝐴−1 =
det 𝐴
Como A es invertible por lo tanto:

1=det I = det A𝐴−1 = det A det 𝐴−1
esto implica que

det 𝐴−1 = 1/det A
La adjunta
Es una matriz A= 𝑎𝑖𝑗 , B = 𝐴𝑖𝑗 la matriz de cofactores de A
Sea A una matriz de n x n y sea B, dada por (3) de sus
cofactores. Entonces la adjunta de A , escrito adj A, es la
transpuesta de la matriz B de n x n es decir :
𝐴11 𝐴21 … 𝐴𝑛1

𝐴12 𝐴22 … 𝐴𝑛2
adj A = 𝐵𝑡 =
⋮ ⋮ . ⋮
𝐴1𝑛 𝐴2𝑛 … 𝐴𝑛𝑛
Temario

Espacio vectorial
Es un conjunto de objetos , denominados vectores, junto con dos
operaciones binarias llamadas suma y multiplicación por un escalar
y que satisfacen las diez axiomas
Axiomas de un espacio vectorial

I. si x є V y Y є V, entonces x + y є V(cerradura bajo la suma
II. Para todo x, y y z en V , (x + y) + z = x + (y + z) (ley asociativa de la
suma de vectores)
III. existe un vector 0 que є V tal que para todo x que є V, x + 0 = 0
+ x = x (vector cero o idéntico aditivo)
IV. Si x є V , existe un vector –x є V tal que x + ( -x) = 0 (-x inverso
aditivo de x )
V. Si x y y están en V, entonces x + y = y + x (ley conmutativa de la
suma de vectores)
VI. Si x є V y ∝ es un escalar, entonces ∝ x є V (cerradura bajo la
multiplicación por un escalar)
Axiomas de un espacio vectorial

VII. si x y y están en V y ∝ es un escalar, entonces ∝ ( x +y )= ∝ x +
∝y ( primera ley distributiva)
VIII. si x є V y ∝ y β son escalares, entones (∝ + β )x = ∝x + βx
(segunda ley distributiva)
IX. si x є V y ∝ y β son escalares, entonces ∝ (βx) = (∝β)x (ley
asociativa de la multiplicación por escalares )
X. para cada vector x є V, 1x = x
Teoremas para un espacio vectorial

I. ∝ 0 = 0 para todo escalar ∝
II. 0 ∙ x = 0 para todo x ∈ V
III. Si ∝ x = 0, entonces ∝ = 0 o x = 0
IV. (-1)x = -x para todo x є V
Subespacios
Sea H un subconjunto no vacío en un espacio vectorial V y
suponga que H es en si un espacio vectorial bajo las
operaciones de suma y multiplicación por un escalar definidas
en V, entonces se dice que H es un subespacio de V.
Combinación lineal
Sean 𝑉1, 𝑉2 , … , 𝑉𝑛 vectores en un espacio vectorial V, entonces
cualquier vector de la forma
𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑛 𝑣𝑛
Donde 𝑎1, 𝑎2 , … , 𝑎𝑛 son escalares se denomina una
combinación lineal de 𝑉1, 𝑉2 , … , 𝑉𝑛 .
Espacio generado por un conjunto de vectores

Sean 𝑉1, 𝑉2 , … , 𝑉𝐾 , 𝐾 vectores de un espacio vectorial V, el espacio
generado por 𝑉1, 𝑉2 , … , 𝑉𝑘 es el conjunto de combinaciones lineales
𝑉1, 𝑉2 , … , 𝑉𝑘 es decir:
gen 𝑣1 , 𝑣2 , … , 𝑣𝑘 = 𝑣: 𝑣 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ + 𝑎𝑘 𝑣𝑘
Donde 𝑎1, 𝑎2 , … , 𝑎𝑘 son escalares arbitrarios.
Dependencia e independencia lineal

Sean 𝑉1, 𝑉2 , … , 𝑉𝑛 n vectores en un espacio vectorial V , entonces se
dice que los vectores son linealmente dependientes si existen n
escalares 𝑐1, 𝑐2 , … , 𝑐𝑛 no todos cero tale que :
𝑐1 𝑣1 + 𝑐2 𝑣2 + ⋯ + 𝑐𝑛 𝑣𝑛 = 0
Si los vectores no son linealmente dependientes, se dice que son
linealmente independientes.
Base
es un conjunto finito de vectores v1 , v2 , … , vn es una base
para un espacio vectorial V si:
1. v1 , v2 , … , vn es linealmente independiente
2. v1 , v2 , … , vn genera a V
Dimensión
Si el espacio vectorial V tienen una base con un numero finito
de elementos, entonces la dimensión de V es el numero de
vectores en todas la bases y V se denomina espacio vectorial
de dimensión finita . De otra manera, V se denomina espacio
vectorial de dimensión infinita. Si V = 0 , entonces se dice que
V tiene dimensión cero.
Espacio vectorial con producto interno y sus propiedades
Un espacio vectorial complejo V se denomina espacio con

producto interno si para cada par ordenada de vectores u y v en V,
existe un número complejo único (u, v), denominado producto
interno de u y v, tal que si u, v y w están en V y α ϵ C, entonces:
I. u, v ≥ 0
II. v, v = 0 si y solo si v = 0
III. u, v + w = u, v + u, w
IV. u + v, w = u, w + v, w
V. u, v = v, u
VI. αu, v = α u, v
VII. u, αv = ഥα(u, v)
Base ortonormal
Un conjunto de vectores S = 𝑢1 , 𝑢2 … . . 𝑢𝑛 en 𝑅𝑛 es un conjunto

ortonormal si:
𝑢𝑖 . 𝑢𝑗 = 0 S𝑖 𝑖 ≠ 𝑗
𝑢𝑖 . 𝑢𝑖 = 1
Si solo se satisface la ecuación (1) se dice que el conjunto es

ortogonal
Longitud o norma de un vector
Si v ϵ 𝑅𝑛 , entonces la longitud o norma de v, denota por 𝑣 ,

esta dado por:
𝑣 = 𝑣∙𝑣
Proceso de ortonormalización de Gram-Schmidt

Sea H un subespacio de dimensión m de 𝑅𝑛 . Entonces H tiene una
base ortonormal.
Sea 𝑆 = {𝑉1 , 𝑉2 , … . . , 𝑉𝑛 } una base de H. Se probara el teorema
construyendo una base ortonormal a partir de los vectores de S.
Este en un conjunto de vectores linealmente independiente no
contiene al vector cero.
Paso 1. Elección del primer vector unitario
Sea
𝑉1
𝑢1 =
𝑉1
Entonces
𝑉1 𝑉1 1
𝑢1 . 𝑢1 = . = 𝑉1 . 𝑉1 = 1
𝑉1 𝑉1 𝑉1 2
De manera que 𝑢1 = 1
Paso 2. Elección de un segundo vector ortogonal a 𝒖𝟏
El vector
𝑢∙𝑉
𝒘= 𝑉 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝑣
𝑉2
En este caso
𝑢∙𝑉
𝑣es la proyección de u sobre v.
𝑉2
Como se ilustra y
𝑢∙𝑣
𝑢− 𝑣=𝑤
𝑣2
u
𝑢. 𝑣
𝑣 = 𝑝𝑟𝑜𝑦𝑣 𝑢
v 𝑣2
x
0
Resulta que el vector w dado es ortogonal a V cuando w y y están

en 𝑅𝑛 para cualquier 𝑛 ≥ 2.
𝑉∙𝑢
𝒖𝟏 es un vector unitario, 𝑢1= 𝑉∙𝑢1 𝑢1
𝑢1
Sea
𝑉´2 = 𝑉2 − 𝑉2 ∙ 𝑢1 𝑢1
Paso 2. Elección de un segundo vector ortogonal a 𝒖𝟏

Entonces :
𝑉´2 ∙ 𝑢1 = 𝑉2 ∙ 𝑢1 − 𝑉2 ∙ 𝑢1 𝑢1 ∙ 𝑢1 = 𝑉2 ∙ 𝑢1 − 𝑉 ∙ 𝑢1 = 0
De manera que 𝑉´2 es ortogonal a 𝑢1

Por el teorema 1, 𝑢1 y 𝑉´2 son linealmente independientes
Paso 3. Elección de un segundo vector unitario

Sea
𝑉´2
𝑢2 =
𝑉´2
Entonces es evidente que 𝑢1 , 𝑢2 es un conjunto ortonormal
Suponga que se han construido los vectores 𝑢1 , 𝑢2 , … … 𝑢𝑘 𝑘 < 𝑚
y que forman un conjunto ortonormal
Se mostrara como construir 𝑢𝑘+1
Paso 4. Continuación del proceso

Sea
𝑉´𝐾+1 = 𝑉𝐾+1 − 𝑉𝐾+1 ∙ 𝑢1 𝑢1 − 𝑉𝐾+1 ∙ 𝑢2 𝑢2 −∙∙∙ − 𝑉𝐾+1 ∙ 𝑢𝑘 𝑉𝐾+1 ∙ 𝑢𝑘 𝑢𝑘
Entonces para i=1,2,……..k

𝑉´𝐾+1 ∙ 𝑢𝑖
= 𝑉𝐾+1 ∙ 𝑢𝑖 − 𝑉𝐾+1 ∙ 𝑢1 𝑢1 ∙ 𝑢𝑖 − 𝑉𝐾+1 ∙ 𝑢2 𝑢2 ∙ 𝑢𝑖 −∙∙∙ − 𝑉𝐾+1 ∙ 𝑢𝑖 𝑢1 ∙ 𝑢𝑖 −∙∙
∙ − 𝑉𝐾+1 ∙ 𝑢𝑘 𝑢𝑘 ∙ 𝑢𝑖
Pero 𝑢𝑗 ∙ 𝑢𝑖 = 0 𝑠𝑖 𝑗 ≠ 𝑖 𝑦 𝑢𝑖 ∙ 𝑢𝑖 = 1. Por lo tanto
𝑉´𝐾+1 ∙ 𝑢𝑖 = 𝑉𝐾+1 ∙ 𝑢𝑖 − 𝑉𝐾+1 ∙ 𝑢𝑖 = 0
Así, 𝑢1 , 𝑢2 , … 𝑢𝑘 , 𝑉´𝐾+1 es un conjunto linealmente independiente,

ortogonal y 𝑉´𝐾+1 ≠ 0
Paso 5
𝑉´𝐾+1
Sea 𝑢𝑘+1 = . Entonces es claro que 𝑢1 , 𝑢2 , … 𝑢𝑘 , 𝑢𝐾+1 es
𝑉´𝐾+1
un ortonormal y se puede continuar de esta manera hasta que
k+1=m con lo que se completa la prueba
Matriz ortogonal
Una matriz Q de n x n se llama ortogonal si Q es invertible y
𝑄−1 = 𝑄𝑡
ALGEBRA LINEAL: UNIDAD 3
Transformaciones lineales
Transformaciones lineales
Transformación lineal
Sea V y W espacios vectoriales reales. Una
transformación lineal T de V en W es una
función que asigna a cada vector v ϵ V un vector
único Tv ϵ W y que satisface, para cada u y v en
V y cada escalar α
T u + v = Tu + Tv (Preservación de la suma)
T αv = αTv (Preservación de la multiplicación por un escalar)

Tres observaciones sobre notación
Se escribe T: V →W para indicar que T toma el
espacio vectorial real V y lo lleva al espacio
vectorial real W; esto es, T es una función con
V como su dominio y un subconjunto de W
como su imagen.
Se escriben indistintamente Tv y T(v).
Denotan lo mismo; las dos se leen “T de v”.
Esto es análogo a la notación funcional f (x),
que se lee “f de x”.
Gran parte de las definiciones y teoremas,
también se cumplen para los espacios
vectoriales complejos (espacios vectoriales en
donde los escalares son números complejos).
EJEMPLO 1
𝑥+𝑦
2 3
𝑥
Sea T: 𝑅 → 𝑅 definida por 𝑇 𝑦 = 𝑥 − 𝑦
3𝑦
EJEMPLO 2
Diga si T es una transformación lineal, Sea T:

𝑅2 → 𝑅3 definida por: 𝑇 𝑥, 𝑦 = 𝑥, 𝑥 + 𝑦, 𝑥 − 𝑦 ,
Donde va de un espacio de dos dimensiones a
otro de tres dimensiones, la terna esta formada
por la primera componente (x), la suma de la
primera componente con la segunda (x+y), la
diferencia de la primera componente con la
segunda (x-y).
EJEMPLO 3
Determinar si T: 𝑅3 → 𝑅2 definida por:

𝑇 𝑥1 , 𝑥2 , 𝑥3 = 𝑥1 − 2𝑥2 , 𝑥2 + 3𝑥3 , es una trasformación
lineal.
PRÁCTICA DE CLASE
PROBLEMAS DE CLASE
PROBLEMAS DE CLASE
Propiedades
Teorema 3.1.1
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 , 𝟎 ∈ 𝑽, 𝟎 ∈ 𝑾
ii) T(- v) = - T(v)
iii) T(u - v) = Tu - Tv
iv) 𝑻 𝛼1 v1 , 𝛼2 v2 + ⋯ , 𝛼𝑛 v𝑛 = 𝛼1 Tv1 , 𝛼2 Tv2 +
⋯ , 𝛼𝑛 𝑇v𝑛
Teorema 3.1.2
Sea V un espacio vectorial de dimensión finita

con base 𝐵 = 𝑣1 , 𝑣2 , … , 𝑣𝑛 . Sean 𝑤1 , 𝑤, … , 𝑤𝑛
vectores en W. Suponga que 𝑇1 𝑣𝑖 =𝑇2 𝑣𝑖 = 𝑤𝑖
para 𝑖 = 1,2, … , 𝑛 . Entonces para cualquier
vector 𝑣 ∈ 𝑉, 𝑇1 v = 𝑇2 v; es decir, 𝑇1 = 𝑇2
Teorema 3.1.3
Sea V un espacio vectorial de dimensión finita
con base 𝐵 = 𝑣1 , 𝑣2 , … , 𝑣𝑛 . Sean W un espacio
vectorial que contiene los vectores 𝑤1 , 𝑤, … , 𝑤𝑛 .
Entonces existe una transformación lineal única
T: 𝑉 → 𝑊 talque T𝑣𝑖 =𝑤𝑖 para 𝑖 = 1,2, … , 𝑛.
Se define la función T como sigue:
i) T𝑣𝑖 =𝑤𝑖
ii) Si v=𝛼1 𝑣1 , 𝛼2 𝑣2 , … , 𝛼𝑛 𝑣𝑛
Núcleo e imagen
Sean V y W dos espacios vectoriales y sea T:
V →W una transformación lineal. Entonces
Observaciones
1. Observe que nu T es no vacío porque, de acuerdo

con el teorema 3.1.1, T(0) = 0,de manera que 0 ∈ nu T
para cualquier transformación lineal T. Se tiene interés
en encontrar otros vectores en V que “se transformen
en 0”. De nuevo, observe que cuando escribimos T(0) =
0, el 0 de la izquierda está en V y el de la derecha en W.
2. La imagen de T es simplemente el conjunto de
“imágenes” de los vectores en V bajo la transformación
T. De hecho, si w = Tv, se dice que w es la imagen de v
bajo T.
Teorema 3.2.1
Si T: V S W es una transformación lineal,

entonces
i) nu T es un subespacio de V.
ii) im T es un subespacio de W.
EJEMPLO 1
Hallar el núcleo e imagen o recorrido de la

transformación lineal. Sea T: 𝑅3 → 𝑅2 definida
por:𝑇 𝑥1 , 𝑥2 , 𝑥3 = 𝑥1 − 2𝑥2 , 𝑥2 + 3𝑥3 .
EJEMPLO 2
Hallar la imagen y núcleo de la transformación

lineal. T: 𝑅3 → 𝑅3 definida por: 𝑇 𝑥, 𝑦, 𝑧 =
𝑥 + 3𝑦 + 4𝑧, 3𝑥 + 4𝑦 + 7𝑧, −2𝑥 + 2𝑦 .
Nulidad y rango
Si T es una transformación lineal de V en W,

entonces se define.
PROBLEMAS
PROBLEMAS
PROBLEMAS
MONOMORFISMO, EPIMORFISMO
E ISOMORFISMO
Sea la t.l. 𝑇: 𝑉 → 𝑊
a) T es un monomorfismo o INYECTIVA ↔ 𝑇 𝑢 =
𝑇 𝑣 implica u=v, ∀ 𝑢, 𝑣 ∈ 𝑉.
Otra definición equivalente
T es inyectiva ↔ 𝑢 ≠ 𝑣 implica 𝑇 𝑢 ≠ 𝑇 𝑣
b) T es sobreyectiva (sobre, epiyectiva o
epimorfismo) si y solo si, para todo 𝑤 ∈ 𝑊,
existe algún 𝑣 ∈ 𝑉, tal que w=T(v)
Otra definición equivalente
T es sobreyectiva ↔ Im(T)=W
c) T es isomorfo si solo si T es sobreyectiva e
inyectiva.
En este caso afirmamos que V es isomorfo de W
Notación: La notación 𝑉 ≅ 𝑊 se lee “V es
isomorfo a W”
Representación matricial
Sea T: 𝑅𝑛 → 𝑅𝑚 una transformación lineal, de

acuerdo a los teoremas de representación
matricial, solo existe una matriz única de mxn, la
matriz de transformación 𝑇𝑇 , donde toda x
pertenece a 𝑅𝑛 y donde w representa la x
trasformada, de modo que la trasformación de x
es igual a x multiplicada por la matriz de
transformación.
La matriz de transformación, representada por
𝐴 𝑇 , es la representación matricial de T, la
operación que convierte o transforma el vector
original al vector resultado. La matriz de
transformación esta definida usando las bases
estándar en 𝑅 𝑛 𝑦 𝑅𝑚 , por los que si se usan
bases distintas, la matriz de trasformación es
diferente.
TEOREMA 3.3.1
Sea T: 𝑅𝑛 → 𝑅𝑚 una transformación lineal.

Existe entonces una matriz única de mxn, 𝐴 𝑇 tal
que
Matriz de transformación
Definición
La matriz 𝐴 𝑇 se denomina matriz de
transformación correspondiente a T o
representación matricial de T.
TEOREMA 3.3.2
Sea 𝐴 𝑇 la matriz de transformación

correspondiente a la transformación lineal T.
Entonces
i) 𝑖𝑚𝑇 = 𝑖𝑚𝐴 = 𝐶𝐴𝑇
ii) 𝜌 𝑇 = 𝑖𝑚 𝐴 𝑇
iii) nu 𝑇 = 𝑁𝐴𝑇
iv) 𝑣 𝑇 = 𝑣 𝐴 𝑇
REPRESENTACIÓN MATRICIAL CANÓNICA
Sea 𝑅𝑛 → 𝑅𝑚 una trasformación lineal y sea 𝐸 =
𝑒1 , 𝑒2 , 𝑒3 , … , 𝑒𝑛 base canónica para 𝑅𝑛 .
La matriz de 𝐴 𝑇 de mxn con T 𝑒𝑗 como j –ésimo
vector columna es la representación matricial
canónica de T; la notación j – ésimo se usa para
indicar un determinado número finito de vectores:
2,3, …, n vectores.
Si 𝐴 𝑇 es la representación matricial canónica de una
transformación lineal T: 𝑅𝑛 → 𝑅𝑚 , entonces la
matriz canónica es: 𝐴 𝑇 (x) =T(X), para todo vector
columna.
Representación matricial de una transformación de
proyección
Encuentre la matriz de transformación AT

correspondiente a la proyección de un vector en
R3 sobre el plano xy.
Representación matricial de una transformación de R3 en R4
Representación matricial de una transformación de R3 en R3
REPRESENTACIÓN MATRICIAL 𝐴 𝑇
´
RESPECTO A LA BASE B, 𝐵
Sea las bases ordenadas 𝐵 = 𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛
𝐵´ = 𝑏1´ , 𝑏2´ , 𝑏3´ , … , 𝑏𝑛´ .
𝑆𝑒𝑎 𝑇: 𝑅𝑛 → 𝑅𝑚 una transformación lineal y
sea B y 𝐵´ bases ordenadas por 𝑅𝑛 𝑦 𝑅𝑚 ,
respectivamente. Sea 𝐴 𝑇 la matriz mxn cuyo j-
ésimo vector columna en el vector ordenado
columna T 𝑏𝑗 respecto a una base 𝐵´ .
Esta matriz 𝐴 𝑇 es la representación matricial de
T respecto de las bases B, 𝐵´ .
Tenemos para cada x de 𝑅𝑛 :
𝐴 𝑇 𝑋𝐵 = 𝑇(𝑋) 𝐵 , 𝑋𝐵 y 𝑇(𝑋) 𝐵 son vectores
coordenados columnas para x respecto de B y
𝐵´ .
Para determinar la representación matricial de
T: 𝑅𝑛 → 𝑅𝑚 respecto a las bases B, 𝐵´ :
a) Formamos una matriz partida
= 𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛 /𝑇(𝑏1 ), 𝑇(𝑏2 ), 𝑇(𝑏3 ), … , 𝑇(𝑏𝑛 )
b) Usamos reducción de Gauss – Jordan para obtener la
matriz partida:
𝐼/𝐴 𝑇 , donde I es la matriz identidad de orden mxn y
𝐴 𝑇 es la representación deseada.
MATRIZ DE CAMBIO DE BASE
El cambio de base consiste en conocidas las

coordenadas de un vector respecto a una base
B, encontrar las coordenadas de dicho vector
con respecto a otra base 𝐵´
TEOREMA 3.3.3
Sea 𝐵 = 𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛 y
´ ´ ´ ´
𝐵 = 𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛´
. Bases ordenadas de un
espacio vectorial V. La matriz C de cambio de
base respecto a las bases 𝐵 y 𝐵´ que satisfacen
la ecuación:
𝐶𝑉𝐵 = 𝐶𝐵´
Se halla la matriz cambio de base reduciendo la
matriz aumentada:
𝑏1´ , 𝑏2´ , 𝑏3´ , … , 𝑏𝑛´ /𝑏1 , 𝑏2 , 𝑏3 , … , 𝑏𝑛 a 𝐼/𝐶
Los elementos de 𝐵´ , se convierten a matriz
identidad , y los elementos de B así convertidos
forman la matriz C de cambio de base.
Esta matriz C es invertible y su matriz cambio de
base respecto a 𝐵´ y B.
PRÁCTICA
AUTOVALORES Y AUTOVECTORES PROPIOS
Algebra lineal: Unidad 4

Vectores y valores característicos
Valor característico y vector característico
Sea A una matriz de n x m con componentes reales. El número λ (real

o complejo) se denomina valor característico de A si existe un vector
diferente de cero v en 𝑪𝒏 tal que:
𝐴𝑣 = λ𝑣
El valor v ≠ 𝟎 se denomina vector característico de A

correspondiente al valor característico λ
Ecuación y polinomio característico
Sea A una matriz de n x n. Entonces λ es un valor característico

de A si y solo si:
𝒑 λ = 𝒅𝒆𝒕 𝑨 − λ𝑰 = 𝟎
La ecuación anterior se denomina la ecuación característica de A:

p(λ) se denomina el polinomio característico de A
Procedimientos para calcular valores característicos y vectores

característicos
I. Se encuentra p λ = det(𝐴 − λ𝐼)

II. se encuentran las raíces λ1 , λ2 , . . . , λ𝑚 𝑑𝑒 𝑝 λ = 0
III. Se resuelve el sistema homogéneo 𝐴 − λ𝑖 𝐼 𝑣 = 0,
correspondiente a cada valor característico λ𝑖
Diagonalización de matrices
Una matriz A de n x n es diagonalizable si existe una matriz
diagonal D tal que A es semejante a D
Una matriz A de n x n es diagonalizable si y solo si tiene n vectores

característicos linealmente independientes. En tal caso, la matriz
diagonal D semejante a A esta dada por:
λ1 0 0 ⋯ 0
0 λ2 0 ⋯ 0
𝐷= 0 0 λ3 ⋯ 0
⋮ ⋮ ⋮ ⋮
0 0 0 ⋯ λ𝑛
.
Donde λ1 , λ2 , . . . , λ𝑛 son los valores característicos de A. SI C es una

matriz cuyas columnas son vectores característicos linealmente
independientes de A. entonces
𝐷 = 𝐶 −1 𝐴𝐶
Matriz diagonalizable ortogonalmente
Se dice que una matriz A de n x n es diagonalizable

ortogonalmente si existe una matriz ortogonal Q tal que
𝑄𝑡 𝐴𝑄 = 𝐷
Donde:
𝐷 = λ1 , λ2 , … , λ𝑛 𝑦 λ1 , λ2 , … , λ𝑛 son valores caractristicos de 𝐴

Forma cuadrática
𝑥1
𝑥2
Sea 𝑣 = ⋮ y sea A una matriz simétrica de n x n. Entonces una
𝑥𝑛
forma cuadrática en 𝑥1 , 𝑥2 , … , 𝑥𝑛 es una expresión de la forma
𝐹 𝑥1 , 𝑥2 , … , 𝑥𝑛 = A𝑣 ∙ 𝑣
Ecuación cuadrática y forma cuadrática
I. Una ecuación cuadrática en dos variables sin términos lineales

es una ecuación de la forma
ax 2 + bxy + cy 2 = d
Donde 𝑎 + 𝑏 + 𝑐 ≠ 0. Esto es, al menos uno de los números a,

b y c es diferente de cero
II. Una forma cuadrática en dos variables es una expresión de la

forma
F x, y = ax 2 + bxy + cy 2
Donde 𝑎 + 𝑏 + 𝑐 ≠ 0
Teorema de Cayley-Hamilton
Toda matriz cuadrada satisface su propia ecuación característica. Es

decir, si 𝑝 λ = 0 es la ecuación característica de A, entonces
𝑝 𝐴 =0
Se tiene
−λ
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑝 λ = det 𝐴 − λ𝐼 = 𝑎21 𝑎22 −λ ⋯ 𝑎2𝑛

⋮ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 −λ
Es claro que cualquier cofactor de (𝐴 − λ𝐼) es un polinomio en λ.

Así, la adjunta de 𝐴 − λ𝐼 es una matriz de n x n en la que cada
componente es un problema en λ. Es decir
(λ) (λ) (λ)

𝑝11 𝑝12 ⋯ 𝑝1𝑛
(λ) (λ) (λ)
adj 𝐴 − λ𝐼 = 𝑝21 𝑝22 ⋯ 𝑝2𝑛
⋮
(λ) (λ) (λ)
𝑝𝑛1 𝑝𝑛2 ⋯ 𝑝𝑛𝑛
Esto significa que se puede pensar en 𝑎𝑑𝑗 𝐴 − λ𝐼 como en un polinomio, 𝑄 λ ,

en λ cuyos coeficientes son matrices de n x n. para entender esto:
−λ2 −2λ +1 2λ2 −7λ −4 −1 2 2 −2 −7 1 −4
= λ + λ+
4λ2 +5λ −2 −3λ2 −λ +3 4 −3 5 −1 2 3
𝑑𝑒𝑡 𝐴 − λ𝐼 𝐼 = 𝑎𝑑𝑗 𝐴 − λ𝐼 𝐴 − λ𝐼 = 𝑄 λ 𝐴 − 𝐴𝐼
Pero 𝑑𝑒𝑡 𝐴 − λ𝐼 𝐼 = 𝑝 λ 𝐼. 𝑆𝑖
p λ = λ𝑛 + 𝑎𝑛−1 λ𝑛−1 +∙ ∙ ∙ +𝑎1 λ + 𝑎0
Entonces se define:
𝑝 λ = 𝑝 λ 𝐼 = λ𝑛 𝐼 + 𝑎𝑛−1 λ𝑛−1 𝐼 +∙ ∙ ∙ +𝑎1 λ𝐼 + 𝑎0 𝐼
Por lo tanto, de (5) se tiene 𝑃 λ = 𝑄 λ 𝐴 − λ𝐼 .Por ultimo 𝑃 𝐴 = 0, esto

completa la prueba

Algebra Lineal 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 Lineal PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE CAJAMARCA

ESCUELA ACADÉMICA PROFESIONAL INGENIERÍA CIVIL

TIPO DE MATERIAL: VISUAL

FECHA DE ELABORACIÓN: 2019

▪ Resolver un sistema de ecuaciones lineales

1. Sistemas de ecuaciones lineales

Matrices y sistemas de ecuaciones

Se le conoce como sistema lineal de m ecuaciones con n

Solución de sistemas de ecuaciones lineales: método de

Operaciones elementales con renglones

Mecánica de Gauss Jordán

1. Sistemas de ecuaciones lineales

Ángulo entre dos vectores

i. Vectores paralelos, dos vectores diferentes de cero u y v son paralelos

Distancia entre dos puntos

Producto cruz de dos vectores

Otro arreglo para el producto cruz

Interpretación geométrica del producto cruz

Triple producto escalar

𝑎11 𝑎12 … 𝑎12 … 𝑎1𝑛

Multiplicación de una matriz por un escalar

Esto es 𝛼A= (𝛼𝑎𝑖𝑗 ) es la matriz obtenida al multiplicar cada

Sean A, b y C tres matrices de m x n y sean 𝛼 y 𝛽 dos escalares

Producto de dos matrices

el elemento 𝑖𝑗 de A y B es el producto punto del renglón i de A

Las matrices se pueden multiplicar solamente si el numero de

Ley asociativa para la multiplicación de matrices

Leyes distributivas para la multiplicación de matrices

Sean A y B dos matrices invertibles de n x n. entonces AB es

Procedimiento para encontrar la inversa de una matriz A

Transpuesta de una matriz

𝑎11 𝑎12 … 𝑎1𝑛 𝑎11 𝑎21 … 𝑎𝑛1

Se coloca el renglón i de A como la columna i de 𝐴𝑡 y la

det 𝐴 = 𝑎11 𝑎22 − 𝑎12 𝑎21

Se demostró que A es invertible si y solo si det A ≠ 0 valido

Esto es, el cofactor ij de A se obtiene tomado el determinante

𝑖+𝑗 1 Si i+j es par

ii. Expansión por cofactores en cualquier columna:

Como A es invertible por lo tanto:

esto implica que

𝐴11 𝐴21 … 𝐴𝑛1

1. Sistemas de ecuaciones lineales

Axiomas de un espacio vectorial

Axiomas de un espacio vectorial

Teoremas para un espacio vectorial

Espacio generado por un conjunto de vectores

Dependencia e independencia lineal

Espacio vectorial con producto interno y sus propiedades

Un espacio vectorial complejo V se denomina espacio con

Un conjunto de vectores S = 𝑢1 , 𝑢2 … . . 𝑢𝑛 en 𝑅𝑛 es un conjunto

Si solo se satisface la ecuación (1) se dice que el conjunto es

Longitud o norma de un vector

Si v ϵ 𝑅𝑛 , entonces la longitud o norma de v, denota por 𝑣 ,

Proceso de ortonormalización de Gram-Schmidt

Paso 2. Elección de un segundo vector ortogonal a 𝒖𝟏

Resulta que el vector w dado es ortogonal a V cuando w y y están

Paso 2. Elección de un segundo vector ortogonal a 𝒖𝟏

De manera que 𝑉´2 es ortogonal a 𝑢1

Paso 3. Elección de un segundo vector unitario

Se mostrara como construir 𝑢𝑘+1

Paso 4. Continuación del proceso

Entonces para i=1,2,……..k

Pero 𝑢𝑗 ∙ 𝑢𝑖 = 0 𝑠𝑖 𝑗 ≠ 𝑖 𝑦 𝑢𝑖 ∙ 𝑢𝑖 = 1. Por lo tanto