Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal PDF
Algebra Lineal PDF
CURSO
ÁLGEBRA LINEAL
CARRERA: INGENIERÍAVIVIL
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
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
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
Espacios vectoriales
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
Espacios vectoriales
𝒖 × 𝒗 = 𝑏1 𝑐2 − 𝑐1 𝑏2 𝒊 + 𝑐1 𝑎2 − 𝑎1 𝑐2 𝒋 + 𝑎1 𝑏2 − 𝑏1 𝑎2 𝒌
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
Matrices y determinantes
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.
Matrices y determinantes
MATRIZ
Una matriz A de mxn es un arreglo rectangular de mxn
números dispuestos en m renglones y n columnas.
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
Matrices y determinantes
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
Matrices y determinantes
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.
Matrices y determinantes
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
Matrices y determinantes
A (B + C) = A B + AC
(A + B) C = AC + BC
Matrices y determinantes
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
Matrices y determinantes
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.
Matrices y determinantes
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
𝑎11 𝑎12
𝐴= 𝐴 = 𝑎 𝑎22
21
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
Matrices y determinantes
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.
Matrices y determinantes
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
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
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 ≠
Matrices y determinantes
Determinantes e inversas
Si A es invertible , entonces det A ≠ 0 y:
1
det 𝐴−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 :
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
Espacios vectoriales
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 .
Espacios vectoriales
𝑐1 𝑣1 + 𝑐2 𝑣2 + ⋯ + 𝑐𝑛 𝑣𝑛 = 0
Si los vectores no son linealmente dependientes, se dice que son
linealmente independientes.
Espacios vectoriales
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
Espacios vectoriales
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.
Espacios vectoriales
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)
Espacios vectoriales
Base ortonormal
𝑢𝑖 . 𝑢𝑗 = 0 S𝑖 𝑖 ≠ 𝑗
𝑢𝑖 . 𝑢𝑖 = 1
𝑣 = 𝑣∙𝑣
Espacios vectoriales
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
Espacios vectoriales
𝑉∙𝑢
𝒖𝟏 es un vector unitario, 𝑢1= 𝑉∙𝑢1 𝑢1
𝑢1
Sea
𝑉´2 = 𝑉2 − 𝑉2 ∙ 𝑢1 𝑢1
Espacios vectoriales
𝑉´2 ∙ 𝑢1 = 𝑉2 ∙ 𝑢1 − 𝑉2 ∙ 𝑢1 𝑢1 ∙ 𝑢1 = 𝑉2 ∙ 𝑢1 − 𝑉 ∙ 𝑢1 = 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
Espacios vectoriales
Matriz ortogonal
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)
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
Definición
La matriz 𝐴 𝑇 se denomina matriz de
transformación correspondiente a T o
representación matricial de T.
TEOREMA 3.3.2
𝐴𝑣 = λ𝑣
𝒑 λ = 𝒅𝒆𝒕 𝑨 − λ𝑰 = 𝟎
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
λ1 0 0 ⋯ 0
0 λ2 0 ⋯ 0
𝐷= 0 0 λ3 ⋯ 0
⋮ ⋮ ⋮ ⋮
0 0 0 ⋯ λ𝑛
.
Vectores y valores característicos
𝐷 = 𝐶 −1 𝐴𝐶
Vectores y valores característicos
𝑄𝑡 𝐴𝑄 = 𝐷
Donde:
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
Vectores y valores característicos
ax 2 + bxy + cy 2 = d
Teorema de Cayley-Hamilton
Se tiene
−λ
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑑𝑒𝑡 𝐴 − λ𝐼 𝐼 = 𝑎𝑑𝑗 𝐴 − λ𝐼 𝐴 − λ𝐼 = 𝑄 λ 𝐴 − 𝐴𝐼
Pero 𝑑𝑒𝑡 𝐴 − λ𝐼 𝐼 = 𝑝 λ 𝐼. 𝑆𝑖
Entonces se define:
𝑝 λ = 𝑝 λ 𝐼 = λ𝑛 𝐼 + 𝑎𝑛−1 λ𝑛−1 𝐼 +∙ ∙ ∙ +𝑎1 λ𝐼 + 𝑎0 𝐼