CSD101 Métodos Matemáticos- Álgebra Lineal 2019

Responsable: Juan Gonzalo Barajas Ramı́rez, DMAp-IPICyT

Unidad 1: Sistemas lineales.

Aviso: Esta sección se recomiendan el libro Álgebra Linear, 6ta Edición, (Elementary Linear Algebra with
Applications) de Grossman 2008.

_________________________________________________________________________

Trabajos a entregar los lunes a partir del 15 de Agosto de 2019. Se entregan como archivos pdf por
correo electrónico.

“Science is facts, just as houses are made of stones, so is science made of facts, but a pile of
stones is not a house and a collection of facts is not necessarily science.”
- Jules Henri Poincaré (1854-1912)

1. Álgebra Lineal
1.1 Concepto de Vector y Matriz

* Notación Matricial:

Definición:

n-upla Ordenada. Es una arreglo de n elementos de un subconjunto del producto cartesiano de n con-
juntos.
x = {(x1 , x2 , ..., xn ) ∈ X1 × X2 × ... × Xn : xk ∈ Xk , (k = 1, 2, ..., n)}

Matriz (m × n). Es un arreglo rectangular de m renglones y n columnas. Los elementos de una matriz
son un subconjuntos del producto cartesiano de un conjuntos de dimension m y uno de dimensión n.
 
a11 a12 ... a1n
A = { ... ...  ∈ X m × X n : al,k ∈ X m (k = 1, ..., n) ∧ al,k ∈ X n (l = 1, ..., m)}
am1 am2 ... amn

o de manera abreviada A ∈ X m×n

Vector. Es una matriz de un solo renglon o una sola columna
a1,k ∈ X n (k = 1, ..., n), o en su caso ak,1 ∈ X m (k = 1, ..., m)
Tambien puede entenderse como una n-upla (m-upla) ordenada.

2.1 Operaciones de Matrices y Vectores:

* Notación Matricial:

Definición:

n-upla Ordenada. Es una arreglo de n elementos de un subconjunto del producto cartesiano de n con-
juntos.
x = {(x1 , x2 , ..., xn ) ∈ X1 × X2 × ... × Xn : xk ∈ Xk , (k = 1, 2, ..., n)}

1
 Matriz (m × n). Es un arreglo rectangular de m renglones y n columnas. Los elementos de una matriz
son un subconjuntos del producto cartesiano de un conjuntos de dimension m y uno de dimensión n.
 
a11 a12 ... a1n
A = { ... ...  ∈ X m × X n : al,k ∈ X m (k = 1, ..., n) ∧ al,k ∈ X n (l = 1, ..., m)}
am1 am2 ... amn

o de manera abreviada A ∈ X m×n

Vector. Es una matriz de un solo renglón o una sola columna
a1,k ∈ X n (k = 1, ..., n), o en su caso ak,1 ∈ X m (k = 1, ..., m)
Tambien puede entenderse como una n-upla (m-upla) ordenada.

1. Transpuesta de una matriz:

Pasar los renglones a columnas y las columnas a renglones. La transpuesta de A se escribe A0
Ilustración:
Sean A ∈ R3×3 :   
a b c a d g
Si A =  d e f . Entonces, A0 =  b e h 
g h i c f i
Propiedades:
1) (A0 )0 = A

2. Suma/Resta de Matrices:
Solo se pueden sumar matrices de la misma dimensión. La suma de dos matrices es la suma de sus
elementos.
Ilustración:
2×2
Sean A y B ∈ R :     
a1 b1 a2 b2 a1 + a2 b1 + b2
A+B = + =
c1 d 1 c2 d2 c1 + c2 d1 + d2

Propiedades:
1) Es conmutativa A + B = B + A
2) Es associativa (A + B) + C = A + (B + C)
3) Existe elemento neutro de la suma A + 0 = 0 + A = A
4) Existen todos los elementos inversos A − A = 0
5) Es distributiva de la transpuesta (A + B)> = A> + B >

3. Multiplicación por un escalar:

La multiplicación por un escalar de una matriz es la multiplicación de sus elementos por el escalar.
Ilustración:
Sean A ∈R2×2 y α ∈ R:  
a1 b1 αa1 αb1
αA = α =
c1 d1 αc1 αd1

Propiedades: (k, l ∈ R)
1) Es distributiva (k + l)A = kA + lA, (kl)A = (k)(lA), k(A + B) = kA + kB
2) Tiene elemento neutro 1 A = A, además 0 A = 0
4. Multiplicación de matrices:
Dos matrices se pueden multiplicar solo si el numero de renglones de una es igual al numero de columnas
de la otra.
La multiplicación de una matriz:
G = {gij } (i = 1, 2, ..., m; j = 1, 2, ..., r) ∈ Rm×r y una
H = {hij } (i = 1, 2, ..., r; j = 1, 2, ..., n) ∈ Rr×n

2
 es una matrix P = GH = {pij } (i = 1, 2, ..., m; j = 1, 2, ..., n) ∈ Rm×n , donde cada elemento esta
dado por
Xr
pij = gik hkj = gi1 h1j + gi2 h2j + ... + gir hrj
k=1

Ilustración:
Sean A, B ∈R2×2 :     
a b x y (ax + bw) (ay + bz)
C = AB = =
c d w z (cx + dw) (cy + dz)
Propiedades: (k ∈ R)
1) Existe elemento cero 0A = 0, A0 = 0 (con 0 un escalar a una matriz de ceros de tamaño adecuado)
2) Existe elemento neutro IA = A, AI = A (con I  la matriz identidad
 con todos sus elementos ceros
1 0 0
excepto la diagonal que son unos, por ejemplo: I3 =  0 1 0 )
0 0 1
3) Es asociativa (AB)C = A(BC), tambien se escribe ABC. k(AB) = (kA)B
4) Es distributiva A(B + C) = AB + AC, (A + B)C = AC + BC
5) Se puede sacar transpuesta (AB)> = B > A>

5. Multiplicación Matriz por Vector:

Es un caso especial de la multiplicación de matrices, donde A ∈ Rm×n y x ∈ Rn
Ilustración:
f (x) = Ax ∈ Rm . Donde cada componente de f (x) esta dado por:

f (x)i = ai1 x1 + ai2 x3 + ... + ain xn , i = 1, 2, ..., m

Note que: f (x) resulta ser un conjunto de m ecaciones lineales de la varible x.

6. Producto Interno, Multiplicación de Vectores:
Es un caso especial de la multiplicación de matrices, donde v ∈ Rn y w ∈ Rn
Ilustración:  0    
v1 w1 w1
 v2   w2 
 w2 
v · w = hv, wi = 
   = v1 v2 ... vn  ...  = v1 w1 + v2 w2 + ... + vn wn .
 
...   ... 
vn wn wn
7. Potencia de Matrices:
Es un caso especial de la multiplicación de matrices, donde A ∈ Rm×n se multiplica por si misma p
veces (p ∈ R)
Ilustración:
Una matriz al cuadrado es AA = A2 . En general, Ak = AA...A = Ak−1 A
Resultados sobre productos de matrices:
1) A0 = I
a
2) Potencias no enteras están definidas pero son difı́ciles de calcular A b
k l k+l
3) Ley de las potencias aplica: A A = A con k, l ∈ R
8. Inversa de una matriz:
Sea G una matriz,
Su inversa por la izquierda es H si, GH es la matriz identidad.
Su inversa por la derecha es H si, HG es la matriz identidad.
Su inversa por ambos lados es G−1 si GG−1 = G−1 G = I.

Resultados sobre inversión de matrices:

Una matriz es invertible si y sólo si es nosingular.
Una matriz es invertible por ambos lados si y sólo si es cuadrada

3
 A−1 A = I; AA−1 = I
A−k = (A−1 )k , con k ∈ R
La matriz inversa puede ser obtenida mediante la reducción de Gauss-Jordan.
Ilustración:  
1 1
Determine la inversa de , se encuentra resolviendo el conjunto de ecuaciones lineales:
2 −1
      −1  1 1

a b 1 1 1 0 1 1
= ⇒ = 3
2
3
−1
c d 2 −1 0 1 2 −1 3 3

Formula general para calcular la inversa de una matriz de dimensión 2 × 2.

 −1  
a b 1 d −b
=
c d ad − cb −c a

Donde ad − cb es llamado el determinante de la matriz.

Ej.1 Calcule las siguientes operaciones de matrices:

   
3 5 1 2
a) +5
4 6 7 8
 
1 2  
5 6 7
b)  4 3 
10 9 8
1 6
 0
2 3
c)  1 4 
2 6
 −1
1 2
d)
3 4
    
4 5 x1 8
e) =
6 7 x2 9

* Determinantes:

Definición:
El determinante es una función det(A ∈ Rn×n ) = |A| : Mn×n 7→ R.
Ilustración:
Para matriz de dimensión 1 × 1:
A = (a) el determinante es det(A) = |A| = a

Para matriz
 dimensión 2 × 2:
de 
a b
A= el determinante es |A| = ad − bc
c d

Para matriz
 de dimensión
 3 × 3:
a b c
A =  d e f  el determinante es |A| = a(ei − f h) − d(bi − hc) + g(bf − ec)
g h i

Método para obtener el determinante de una matriz de dimensión n × n:

Definiciones preliminares

4
Para una matriz cualquiera A ∈ Rn×n :
• El menor mij (A):
Es la matriz que se forma al eliminar de la matriz A el renglón i y la columna j
• El cofactor de Aij :
Es el determinante de menor ij de A multiplicado por (−1)i+j . (Aij = (−1)i+j mij (A))

Método de la expansión de determinantes de Laplace:

Sea A ∈ Rn×n . El determinante de A se puede encontrar expandiendo los cofactores de un renglón o una
columna.
|A| = ai1 Ai1 + ai2 Ai2 + ... + ain Ain
|A| = a1i A1i + a2i A2i + ... + ani Ani

Resultados sobre determinantes:

1) Determinar la inversa de una matriz de dimensión n × n:

Concepto preliminar:
Matriz Adjunta:  
A11 A21 ... An1
 A12 A22 ... An2 
Adj(A) = 
 ...

... 
A1n A2n ... Ann
Donde Aij es el cofactor i, j.

A adj(A) = adj(A) A = |A|In

A−1 = 1
|A| adj(A)

 
1 0 1
Ej.2 Determine la matriz inversa de  1 2 4 
1 2 5

5
2) Determinar la solución de un sistema de ecuaciones lineales:
Regla de Cramer:
Para un sistema de ecuaciones Ax = b, con A ∈ Rn×n una matriz no singular, x ∈ Rn un vector de incógnitas,
y b ∈ Rn el vector de soluciones.
La solución de la incógnita xi se encuentra como:

|Bi |
xi =
|A|

donde Bi se obtiene de remplazar la columna i de A por el vector b.

Ilustración:
   
1 2 6
x1 + 2x2 = 6 y 3x1 + x2 = 8. A = ,b= . → x1 = 2 = x2
3 1 8
x1 + x3 = 9
Ej.3 Determine la solución de x1 + 2x2 + 4x3 = 18
x1 + 2x2 + 5x3 = 30

3) El determinante como el área de un paralelogramo:

La interpretación geométrica del determinante |A| es como una escalamiento del volumen de la transformación
lineal representada por la matriz A
Por otro lado, en dos dimensiones, el determinante se puede ver como  el área
 de un paralelogramo que esta
a b
formado por los vértices (0, 0), (a, b), (a + c, b + d), y(c, d). A = el área es ad − bc
c d

Propiedades:
Sean A, B ∈ Rn×n y r ∈ R.

1) det(AB) = det(A)det(B)
2) det(rIn ) = rn
3) det(rIn A) = rn det(A)
4) det(A−1 ) = det(A)−1
5) det(A0 ) = det(A)
6) Efecto de transformaciones matriciales elementales:
- Cambiar una columna o renglón de A, det(A)(−1)
- Multiplicar una columna o renglón de A por r, det(A)(r)
- Sumar un múltiplo de una columna o renglón a otra columna o renglón de A, det(A) no cambia

Ej. 4 Calcule los determinantes de:

 
1 0 2
a) A =  −1 1 3 
0 2 −1
b) A2
c) A−1
d) (A0 )−1
Ilustración:
Considere el sistemas de ecuaciones lineales:
2x + 3y = 13
x−y = −1

6
Esto puede expresarse como una matriz de coeficientes, un vector de incógnitas y uno de constantes:
    
2 3 x 13
=
1 −1 y −1

Existen varios métodos para determinar la solución de este sistema de ecuaciones lineales:
Ej.5 Utilice el método de Gauss. Para determinar el conjunto de soluciones. Es decir:
{x, y ∈ R : las ecuaciones son satisfechas}

Ej.6 Utilice cualquier método para determinar el conjunto solución del sistema

2x + 3y = 13
6x + 9y = 39

Observación:

Estos son sistemas lineales, en particular estamos en dos dimensiones, entonces cada ecuación es una lı́nea en
el plano. Geometricamente este problema puede entenderse de la siguiente forma:

Geometrı́a Lineal n-dimensional:

Si cada vector o n-upla ordenada puede sumarse y multiplicarse por un escalar (Método de Gauss) y seguir
siendo parte del conjunto en que están definidas. A ese conjunto se le da el nombre de espacio (además de
algunas otras formalidades).

Un vector es una combinación de magnitud y dirección, con un punto de origen (canónico:: el cero) y un punto
final (usualmente marcado por la punta de una flecha).
Ilustración:

7
El espacio tri-dimensional es tal que:
         
x1 rx1 x1 v1 x 1 + v1
r ·  x2  =  rx2  ;  x 2  +  v2  =  x 2 + v2 
x3 rx3 x3 v3 x 3 + v3

con r ∈ R un escalar, y [x1 , x2 , x3]> , [v1 , v2 , v3]> ∈ R3 . La primera operación es la multiplicación de un

vector por un escalar; la segunda es una suma vectorial.
 
x1
Generalizando el concepto de espacio tri-dimensional tenemos: Rn = { ...  : x1 , ..., x2 ∈ R} es el
xn
“espacio” de definición de un vector n-dimensional.
El vector es la representación de un punto en el espacio n-dimensional.
Una curva (linea) o superficie en el espacio es el conjunto de todos los vectores que terminan donde se define
la superficie (conjunto de puntos en el espacio). Este conjunto puede ser un mapeo, función o gráfica en el
espacio, y se define como sigue:

Es una linea que pasa por [1, 2] y [3, 1] y los demas puntos de la lı́nea en la figura.
       
x1 x1 1 2
Linea2 ={ ∈ R2 : = +t ∧ t ∈ R}
x2 x2 2 −1

Es una linea en tres dimensiones que pasa por los puntos [1, 2, 1] y [2, 3, 2] y los demas puntos de la lı́nea en la
figura.
       
x1 x1 1 1
Linea3 ={ x2  ∈ R3 :  x2  =  2  + t  1  ∧ t ∈ R}
x3 x3 1 1

Note que son tres dimensiones pero solo necesitas dos vectores para definir la linea. O sea, si fuera una matriz
de 3 × 2 (seria singular).
Otro tipo de curva que se puede definir es el plano, que es un conjunto de tres vectores con dos grados de

8
libertad.

         
x1 x1 1 1 −3
Plano3 ={ x2  ∈ R3 :  x2  =  0  + t1  1  + t2  4  ∧ t1 , t2 ∈ R}
x3 x3 5 −8 −4,5

Note que un plano en tres dimensiones requiere tres vectores, con dos variables. Esto resulta en un sistema de
ecuaciones con una matriz cuadrada de 3 × 3 (que seria no-singular para tener una única solución)

Esto se puede generalizar, para vectores de cualquier dimension. Entonces, lo que tendrı́amos que verificar es
si se tienen n vectores (independientes) y n − 1 grados de libertad.

Ej.7 En un espacio R4 , determine que tipo de superficie plana esta descrita por el conjunto
         
x1 x1 1 1 2
 x2  4  x2 
   0   1   2 
 x3  ∈ R :  x3  =  −1  + t1  0  + t2  0  ∧ t1 , t2 ∈ R}
L4 ={       

x4 x4 −2 −1 −2

Medidas para un Vector n-dimensional:

Longitud:
Sea v = (v1 , v2 , ..., vn ) ∈ Rn un vector en un espacio n-dimensional, entonces se define como su
modulo o longitud en el espacio Euclidiano, al escalar dado por
q
kvk = v12 + v22 + ... + vn2

Producto Interno:
Sean u = (u1 , u2 , ..., un ) ∈ Rn y v = (v1 , v2 , ..., vn ) ∈ Rn dos vectores en un espacio n-dimensional,
el producto interno (a.k.a, producto punto, producto escalar) es el escalar resultante de la combinación
lineal de sus componentes:
u · v = u1 v1 + u2 v2 + ... + un vn
Note que u · u = kuk2 .
Angulo Entre Vectores:
Sean u = (u1 , u2 , ..., un ) ∈ Rn y v = (v1 , v2 , ..., vn ) ∈ Rn dos vectores en un espacio n-dimensional,
el angulo entre ellos (considerando que ambos comienzan en el origen -posición canónica-), esta dado
por:
u·u
θ = arc cos( )
kukkvk
Este resultado se deriva de la Ley de los cosenos (ku − vk2 = kuk2 + kvk2 − 2kukkvk cos(θ))

9
Ilustración:
La longitud o modulo de un vector se calcula generalizando el cálculo de la hipotenusa de un triangulo:

El producto interno es una forma de proyección de un vector sobre otro:

Ej.8 Utilice las definiciones anteriores para demostrar los siguientes resultados:

“La distancia mas corta entre dos puntos es una linea recta (en un espacio Euclidiano)”. El Teorema de
la Desigualdad del Triangulo: ∀u, v ∈ Rn .

ku + vk ≤ kuk + kvk

donde la igualdad se logra si, y sólo si, uno de los vectores en un múltiplo no negativo del otro.

“La proyección de un vector sobre otro es siempre menor o cuando mucho igual al producto de las lon-
gitudes de los vectores (en un espacio Euclidiano)”. El Teorema de la Desigualdad de Cauchy-Schwartz:
∀u, v ∈ Rn .
u · v ≤ kukkvk
donde la igualdad se logra si, y sólo si, uno de los vectores en un múltiplo no negativo del otro.

* Eigenvectores y Eigenvalores:

10
Motivación:

Note que una transformación lineal (que puede ser vista como una matriz) toma vectores de un espacio vectorial
y los cambia de cierta manera. Recuerde el caso de los mapeos transpuesta, proyección, multiplicación por una
constante, etcétera.
El concepto de eigenvector (vector propio) de una transformación lineal (mapeo homeomorfismo de un espacio
a si mismo), es un vector cuya dirección no es cambiada por esa transformación lineal.

Figura 1: La transformación lineal “rotar la foto” (es un mapeo de R2 a R2 ). La acción de la transformación

lineal no cambia la dirección roja de la foto por lo tanto en esa dirección se tiene un eigenvector, la dirección
azul si cambia por lo tanto no es un eigenvector.

El concepto de eigenvalor de una transformación lineal es la cantidad en que la magnitud de un vector es cam-
biada en la dirección de la transformación lineal que no cambio. (En las fotos de la Figura 2, la transformación
lineal de “rotar la foto” no cambia la magnitud de la foto en la dirección roja, por lo tanto el eigenvalor es uno).
-“eigen” es un termino en alemán que significa “caracterı́stico de” o “peculiar de”, en español le decimos
“propio de”
Note que en álgebra lineal cada transformación lineal puede verse como una matriz. De modo que estos con-
ceptos son usualmente identificados para matrices, pero en términos generales, sus definiciones son para trans-
formaciones lineales que mapean entre espacios vectoriales descritos en campos, los cuales usualmente son los
numero enteros o más generalmente, los números complejos.
Definición de Eigenvector y Eigenvalor:

a) Sea V un espacio vectorial y t : V 7→ V una transformación lineal. La transformación t tiene un escalar λ

como su eigenvalor si existe un eigenvector ζ ∈ V , tal que t(ζ) = λζ.

b) Una matriz cuadrada A tiene un escalar como su eigenvalor λ asociado a un eigenvector nocero ζ, si Aζ = λζ

11
Ilustración:
Considere el mapeo de proyección:
   
x x
p :  y  7→  y 
z 0
 
1 0 0
Esto se puede escribir como una matriz P =  0 1 0  para esta transformación lineal se tiene un eigen-
0 0 0
 
x
valor 1 para cualquier vector  y .
0
Note que     
1 0 0 x x
 0 1 0  y  = 1 y 
0 0 0 0 0

* Polinomio Caracterı́stico:

Considere la definición de eigenvector para una matriz A:

Ax = λx = λIn x
(A − λIn )x = 0

El determinante de esta matriz es llamado el polinomio caracterı́stico.

Definición:
El polinomio caracterı́stico de una matriz cuadrada T es el determinante de la matriz T − xIn , donde x es una
variable.

La función caracterı́stica es det(T − xI) = 0. Las soluciones de esta ecuación son los eigenvalores de T . Esta
es una forma de calcular los eigenvalores de la matriz T eficientemente.

Ilustración:  
1 0
Considere el caso del mapeo de “girar la foto” dado por la matriz A =
− 21 1
 
1 0
Los eigenvalores se obtienen del polinomio caracterı́stico det( − xI2 ) = 0
− 21 1
 
0
Los eigenvectores son λ1 = λ2 = 1, un posible eigenvector asociado al eigenvalor λ1 = 1 es ζ =
1
Eigenespacio de una matriz

Definición: S
El eigenespacio de una transformación lineal t asociado al eigenvalor λ es Vλ = {ζ : t(ζ) = λζ} {0}
Note que:
1) Todo eigenespacio es un subespacio.
2) Cualquier conjunto de eigenvectores distintos asociados a eigenvalores distintos, uno por eigenvector, son
linealmente independientes.

Ej.9
 Determinelos eigenvalores y los eigenvectores asociados de las transformaciones:
10 −9
a)
4 −2

12
  
3 0
b)
8 −1

Ej.10 Demuestre que si a, b, c, d ∈ Z y a + b = c + d, entonces los eigenvalores de

 
a b
c d
son a + b y c + d
Ej.8 Encuentre los eigenvalores y eigenvectores asociados al mapeo t : M2×2 7→ M2×2 , tal que
   
a b 2c a+c
7→
c d b − 2c d
 
1 2
Ej.11 Encuentre el eigenespacio asociado con uno de los eigenvalores de la transformación lineal
3 4
    
1 2 x 5
Ej.12 Considere el sistema de ecuaciones lineales = encuentre las soluciones para
3 4 y 6
x y y, en términos de los eigenvalues del sistema. (Hint: diagonalice la matriz en términos de sus eigenvalores
y despeje)

* Números Complejos (Tema extra)

Motivación:
2
Considere la solución de la ecuación: x√ + 1 = 0. √
La solución no es un número real x = −1, a este numero se le llama el numero imaginario (i = −1).
Definición: √
Sea a, b ∈ R, el par ordenado {z = (a, b) : z = a + bi, i = −1, z ∈ C} es llamado número complejo, con C
es el conjunto de los número complejos.

Para el cual se define: (z1 = a1 + b1 i, z2 = a2 + b2 i)

Equivalencia. Para los numero complejos si z1 = z2 , entonces a1 = a2 y b1 = b2

Suma. Para z1 + z2 = a1 + a2 + (b1 + b2 )i
Producto. z1 z2 = a1 a2 − b1 b2 + (a1 b2 + a2 b1 )i

Ilustración:
Los numero complejos pueden representarse como un vector en el plano “complejo”.
• Rectangular: z = (x, y) = x + iy
• Polar: z = r exp(iθ) = reiθ = r(cos(θ) + i sin(θ))

La formula de Euler (exponencial compleja):

−iθ
eiθ = cos(θ)
√ + i sin(θ) y e = cos(θ) − i sin(θ)
donde i = −1
p
Magnitud: |z| = r = x2 + y 2
Angulo: θ = tan−1 ( xy )

• Los número complejos satisfacen la desigualdad del triangulo: |z1 + z2 | ≤ |z1 | + |z2 |

Resultados sobre números complejos:

Ej.13 El conjunto de los números complejos es un campo. -Demuestre esto -¿Qué es un campo? -

13
 Figura 2: Representación de los números complejos

2. Espacio Vectorial
Espacio Vectoriales Lineales (...y Campos)

La clave para resolver los problemas de la sección anterior es el concepto de combinación lineal

v = {a1 x1 + a2 x2 + ... + an xn }, xk ∈ Xk (k = 1, ..., n), v ∈ V ⊆ X1 × ... × Xn

donde llamamos a v vector. Nos gustarı́a que este concepto aplique para los conjuntos donde se describen los
problemas de interés. A este tipo de conjuntos les llamaremos espacios, en particular espacios vectoriales li-
neales.

Definiciones de Estructuras Algebraicas Básicas:

Conjunto. Universo, Subconjunto, etcétera. {x : Regla(x)}

Relación. Dos conjuntos::
Relación produce uno (Colectivisante) → Produce uno único (Funcional o mapeo)
Magma (M, φ): Es un conjunto M y una ley de composición interna (o mapeo) φ : M × M 7→ M .
Semigrupo (S, φ): Es un magma cuya ley es asociativa ((∀a, b, c ∈ S)(aφb)φc = aφ(bφc))
Monoide (Go, φ): Es un semigrupo tal que existe un elemento e ∈ Go, llamado neutro, que satisfase
(a ∈ Go)(aφe = eφa = a)
Grupo (G, φ): Es un monoide tal que para todo elemento a ∈ G, se tiene asociado un elemento a−1 ∈ G,
tal que aφa−1 = a−1 φa = e, with e el elemento neutro de (G, φ).
Grupo Abeliano (Ga, φ): Es un grupo cuya ley es conmutativa (∀a, b ∈ Ga)(aφb = bφa)
Anillo (A, +, ·): Consta de un conjunto A con dos leyes de composición interna: + llamada suma y ·
llamada multiplicación. Tales que:
• (A, +) es un grupo abeliano
• (A, ·) es un semigrupo, y
• La operación · y + es distributiva sobre +, i.e.

(∀a, b, c, ∈ A)(a · (b + c) = a · b + a · c ∧ (b + c) · a = b · a + c · a)

14
 • Anillo Conmutativo (Ac, +, ·): Un anillo donde la multiplicación es conmutativa
• Anillo Unitario (Au, +, ·): Es un anillo donde (A, ·) es un monoide. Los elementos neutros de
(A, +) y (A, ·) se les llama neutro aditivo (0) y neutro multiplicativo (1) respectivamente.
Campo (K, +, ·): Es un anillo conmutativo, tal que 0 6= 1 y para el cual todo elemento a ∈ K distinto
de cero admite un inverso multiplicativo ((a, a−1 ∈ K) t.q. a · a−1 = a−1 · a = 1)
Espacio Vectorial (V, +, ·): Sea K un campo. Un espacio vectorial consta de un conjunto V con dos
leyes de composición:
• Una interna + : E × E 7→ E, y
• Otra externa · : K × E 7→ E

De forma que:
• (E, +) es un grupo abeliano, y
• (∀a, b ∈ K)(∀x, y ∈ E)
1. a · (b · x) = (ab) · x —–Es asociativa
2. 1 · x = x —–Neutro multiplicativo
3. (a + b) · x = a · x + b · x —–Distributiva
4. a · (x + y) = a · x + a · y —–Distributiva

15
Ilustración:

Note que: (Z, +) con “+” la suma habital, es un grupo abeliano.

Demostración:
(1) La suma de enteros es asociativa :: (5 + 3) + 2 = 5 + (3 + 2), es un semigrupo
(2) Existe un elemento neutro:: a + 0 = a, es un monoide
(3) Existen todos los elementos inversos :: a + (−a) = 0, es un grupo
(4) La suma de enteros es comnutativa:: 5 + 3 = 3 + 5, es un grupo abeliano

Note que: (Z, +, ·) con “+” la suma y “·”, la suma y multiplicación habituales, es un anillo abeliano,
pero no es un campo.

Demostración:
(1) La multiplicación es conmutativa, ademas existe el neutro de multiplicación
(2) Pero no es un campo porque no se tienen inversos multiplicativos para ∀x ∈ Z excepto para {−1, 1}.

Ej.14 Demuestre que R, es un campo

Descripción de un espacio vectorial en R:
Un espacio vectorial (sobre el campo R) consiste en un conjunto V junto con dos operaciones “+” suma y “+”
multiplicación. Tales que

Si u, v, w ∈ V , la suma de vectores u + v esta en V y

• u+v =v+u
• (u + w) + u = v + (w + u)
• Existe el vector cero 0 ∈ V , tal que u + 0 = u para todo u ∈ V
• Para todo u ∈ V existe el vector inverso aditivo w ∈ V , tal que u + w = 0
Si r, s ∈ R son escalares; v, w ∈ V , entonces la multiplicación de cada u ∈ V por un escalar esta en V ,
además:
• (r + s) · v = r · v + s · v
• r · (v + w) = r · v + r · w
• (rs) · v = r · (s · v)
• 1·v =v

Las propiedades de un espacio vectorial lineal sobre el campo de los números reales usualmente se ordenan de
la siguiente manera:

Axiomas de Cerradura:
Cerradura bajo la adición: (∀x, y ∈ V )((x + y) ∈ V )
Cerradura bajo la multiplicación por un escalar: (∀α ∈ R∀x ∈ V )(αx ∈ V )
Axiomas para la adición:
Ley Comutativa de la adición: (∀x, y ∈ V )(x + y = y + x)
Ley Asociativa de la adición: (∀x, y, z ∈ V )((x + y) + z = x + (y + z))
Existencia de elemento neutro de la adición: (∃0, x ∈ V )(t.q. 0 + x = x)
Existencia de los elementos negativos de la adición: (∀ − 1, x ∈ V )(t.q. x + (−1x) = 0)
Axiomas para la multiplicación:
Ley Asociativa de la multiplicación: (∀x ∈ V ; a, b ∈ R)(a(bx) = (ab)x)
Ley Distributiva para la adición de vectores: (∀x, y ∈ V ; a ∈ R)(a(x + y) = ax + ay
Ley Distributiva para la adición de escalares: (∀x ∈ V ; a, b ∈ R)((a + b)x = ax + bx
Existencia de la identidad multiplicativa:(∀x ∈ V ; 1 ∈ R)(1x = x)

16
Ej.15 Demuestre que R2 , es un espacio vectorial con la suma de vectores y multiplicación por escalar habitua-
les.
Ej.16 Determine si el conjunto de todas las funciones f : R 7→ R. Tal que f (x) = sin(2πx) es un espacio
vectorial con la suma de vectores y multiplicación por escalar habituales.

Subespacio Vectorial y Conjunto Generador

Subespacio Vectorial:
Definición: Para cualquier espacio vectorial (V ), un subespacio (S) es un subconjunto de V que es en si mismo
un espacio vectorial, bajo las operaciones heredadas del espacio original.

Ilustración: El subconjunto del espacio vectorial R3 ,

P = {(x, y, z) ∈ R3 : x + y + z = 0}

es un subespacio de R3 bajo las operaciones heredadas.

Note que P es un plano que pasa por el origen.
Ej.17 Demuestre que el “eje x” del espacio vectorial R2 , es un subespacio vectorial con la suma de vectores y
multiplicación por escalar habituales.
Conjunto Generador:
Definición: La expansión (span()) tambien llamada combinación lineal o cerradura lineal de un subconjunto
no vacio S de un espacio vectorial es el conjunto de todas las combinaciones lineales de los vectores de S

span(S) = [S] = {c1 s1 + ... + cn sn : c1 , ..., cn ∈ R ∧ s1 , ..., sn ∈ S}

Ilustración:

Considere el subconjuto de R3 : S = {(x, y, z) ∈ R3 : x − 2y + z = 0}, Se puede expresar z = x − 2y

resultando en:

S = {(x, y, x − 2y) : x, y ∈ R} = {x(1, 0, 1) + y(0, 1, −2) : y, x ∈ R}

Entonces, el conjunto S se puede describir como la combinación lineal de los dos vectores (1, 0, 1) y (0, 1, −2).
En otras palabras la expansión de esos dos vectores es S.
Ej.18 Demuestre que la expansión del conjunto {(1, 1), (1, −1)} es todo R2
Ej.19 Demuestre que la expansión del conjunto {(1, −1, 2), (1, −1, 3)} es todo R2

*Independencia Lineal y Bases

Independencia Lineal:

Definición: Un subconjunto de un espacio vectorial V es linealmente independiente si ninguno de sus ele-

mentos es una combinación lineal de los demas elementos. The otra forma es linealmente dependiente.

Ilustración:

(1) S = {(40, 15), (−50, 25)} es un subconjunto linealmente independiente de R2 .

c1 (40, 15) + c2 (−50, 25) = (0, 0)

17
La única solución para este conjunto es (c1 , c2 ) = (0, 0). Es decir, no hay forma de poner uno como la combi-
nación lineal del otro.
(2) S = {(3, 4, 5), (2, 9, 2), (4, 18, 4)} es un subconjunto linealmente dependiente de R3 .

0(3, 4, 5) + 2(2, 9, 2) + −1(4, 18, 4) = (0, 0, 0)

Entonces, es posible poner uno de los vectores como la combinación lineal de otros.
Ej. 20. Sea S es un subconjunto de un espacio vectorial. Determine si estos subconjuntos son linealmente in-
dependientes.
a)S = {(1, 0, 0), (−3, 0, 0))}
b)S = {(1, 0, 0), (0, 2, 0), (1, 2, 0), (0, −1, 1))}

* Bases:

Definición: Una base de un espacio vectorial es una secuencia de vectores que forman un conjunto linealmente
independiente cuya expansión es todo el espacio.
Ilustración:

Una base para expandir el espacio R2 es {(1, 1), (2, 4)}.

Note que c1 (1, 1) + c2 (2, 4) = (0, 0) se cumple solo para (c1 , c2 ) = (0, 0), entonces es linealmente indepen-
diente. Además, {x(1, 1) + y(2, 4)} expande todo R2
Base canónica: Para el espacio vectorial Rn la base canónica esta construida por los vectores {e1 , e2 , ..., en }
con ei ∈ Rn con todas sus coordenadas cero excepto la n-esima que es uno. (e2 = (0, 1, 0, ...., 0))
Note que: En cualquier espacio vectorial un subconjunto es una base si y solo si cada elemento del espacio
vectorial puede expresarse como una combinación lineal de los elementos del subconjunto de una manera
unica.
 
a b
Ej.21. Considere el espacio vectorial { : a + b − 2c = 0} Determine cual es una base de este espacio
c 0
de vectorial.
* Dimensión.
Definición: La dimensión de un espacio vectorial es igual al número de vectores que constituyen una de sus
bases.
* Sistemas Lineales:

Ilustración:
Considere el sistemas de ecuaciones lineales:
2x + 3y = 13
x−y = −1

Esto puede expresarse como una matriz de coeficientes, un vector de incognitas y uno de constantes:
    
2 3 x 13
=
1 −1 y −1

Existen varios métodos para determinar la solución de este sistema de ecuaciones lineales:
Ej.1 Utilice el método de Gauss. Para determinar el conjunto de soluciones. Es decir:
{x, y ∈ R : las ecuaciones son satisfechas}

18
Ej.2 Utilice cualquier método para determinar el conjunto solución del sistema
2x + 3y = 13
6x + 9y = 39

Observación:

Estos son sistemas lineales, en particular estamos en dos dimensiones, entonces cada ecuación es una lı́nea en
el plano. Geometricamente este problema puede entenderse de la siguiente forma:

Geometrı́a Lineal n-dimensional:

Si cada vector o n-upla ordenada puede sumarse y multiplicarse por un escalar (Método de Gauss) y seguir
siendo parte del conjunto en que estan definidas. A ese conjunto se le da el nombre de espacio (además de
algunas otras formalidades).

Un vector es una combinación de magnitud y dirección, con un punto de origen (canónico:: el cero) y un punto
final (usualmente marcado por la punta de una flecha).
Ilustración:
El espacio tri-dimensional es tal que:
         
x1 rx1 x1 v1 x 1 + v1
r ·  x2  =  rx2  ;  x 2  +  v2  =  x 2 + v2 
x3 rx3 x3 v3 x 3 + v3

con r ∈ R un escalar, y [x1 , x2 , x3]> , [v1 , v2 , v3]> ∈ R3 . La primera operación es la multiplicación de un

vector por un escalar; la segunda es una suma vectorial.
 
x1
Generalizando el concepto de espacio tri-dimensional tenemos: Rn = { ...  : x1 , ..., x2 ∈ R} es el
xn

19
“espacio” de definición de un vector n-dimensional.
El vector es la representación de un punto en el espacio n-dimensional.
Una curva (linea) o superficie en el espacio es el conjunto de todos los vectores que terminan donde se define
la superficie (conjunto de puntos en el espacio). Este conjunto puede ser un mapeo, función o gráfica en el
espacio, y se define como sigue:

Es una linea que pasa por [1, 2] y [3, 1] y los demás puntos de la lı́nea en la figura.
       
x1 2 x1 1 2
Linea2 ={ ∈R : = +t ∧ t ∈ R}
x2 x2 2 −1

Es una linea en tres dimensiones que pasa por los puntos [1, 2, 1] y [2, 3, 2] y los demás puntos de la lı́nea en la
figura.
       
x1 x1 1 1
Linea3 ={ x2  ∈ R3 :  x2  =  2  + t  1  ∧ t ∈ R}
x3 x3 1 1

Note que son tres dimensiones pero solo necesitas dos vectores para definir la linea. O sea, si fuera una matriz
de 3 × 2 (seria singular).

20
Otro tipo de curva que se puede definir es el plano, que es un conjunto de tres vectores con dos grados de
libertad.

         
x1 x1 1 1 −3
Plano3 ={ x2  ∈ R3 :  x2  =  0  + t1  1  + t2  4  ∧ t1 , t2 ∈ R}
x3 x3 5 −8 −4,5

Note que un plano en tres dimensiones requiere tres vectores, con dos variables. Esto resulta en un sistema de
ecuaciones con una matriz cuadrada de 3 × 3 (que seria no-singular para tener una única solución)

Esto se puede generalizar, para vectores de cualquier dimension. Entonces, lo que tendrı́amos que verificar es
si se tienen n vectores (independientes) y n − 1 grados de libertad.

Ej.3 En un espacio R4 , determine que tipo de superficie plana esta descrita por el conjunto
         
x1 x1 1 1 2
 x2  4  x2 
   0   1   2 
 x3  ∈ R :  x3  =  −1  + t1  0  + t2  0  ∧ t1 , t2 ∈ R}
L4 ={       

x4 x4 −2 −1 −2

Medidas para un Vector n-dimensional:

Longitud:
Sea v = (v1 , v2 , ..., vn ) ∈ Rn un vector en un espacio n-dimensional, entonces se define como su
modulo o longitud en el espacioEuclidiano, al escalar dado por
q
kvk = v12 + v22 + ... + vn2

Producto Interno:
Sean u = (u1 , u2 , ..., un ) ∈ Rn y v = (v1 , v2 , ..., vn ) ∈ Rn dos vectores en un espacio n-dimensional,
el producto interno (a.k.a, producto punto, producto escalar) es el escalar resultante de la combinación
lineal de sus componentes:
u · v = u1 v1 + u2 v2 + ... + un vn
Note que u · u = kuk2 .
Angulo Entre Vectores:
Sean u = (u1 , u2 , ..., un ) ∈ Rn y v = (v1 , v2 , ..., vn ) ∈ Rn dos vectores en un espacio n-dimensional,
el angulo entre ellos (considerando que ambos comienzan en el origen -posición canónica-), esta dado
por:
u·u
θ = arc cos( )
kukkvk
Este resultado se deriva de la Ley de los cosenos (ku − vk2 = kuk2 + kvk2 − 2kukkvk cos(θ))

21
Ilustración:
La longitud o modulo de un vector se calcula generalizando el calculo de la hipotenusa de un triangulo:

El producto interno es una forma de proyección de un vector sobre otro:

Ej.4 Utilice las definiciones anteriores para demostrar los siguientes resultados:

“La distancia mas corta entre dos puntos es una linea recta (en un espacio Euclidiano)”. El Teorema de
la Desigualdad del Triangulo: ∀u, v ∈ Rn .

ku + vk ≤ kuk + kvk

donde la igualdad se logra si, y sólo si, uno de los vectores en un múltiplo nonegativo del otro.

“La proyección de un vector sobre otro es siempre menor o cuando mucho igual al producto de las lon-
gitudes de los vectores (en un espacio Euclidiano)”. El Teorema de la Desigualdad de Cauchy-Schwartz:
∀u, v ∈ Rn .
u · v ≤ kukkvk
donde la igualdad se logra si, y sólo si, uno de los vectores en un multiplo nonegativo del otro.

1.2 Espacio Vectorial y campo

22
La clave para resolver los problemas de la sección anterior es el concepto de combinación lineal

v = {a1 x1 + a2 x2 + ... + an xn }, xk ∈ Xk (k = 1, ..., n), v ∈ V ⊆ X1 × ... × Xn

donde llamamos a v vector. Nos gustarı́a que este concepto aplique para los conjuntos donde se describen los
problemas de interés. A este tipo de conjuntos les llamaremos espacios, en particular espacios vectoriales li-
neales.

Definiciones de Estructuras Algebraicas Básicas:

Conjunto. Universo, Subconjunto, etc. {x : Regla(x)}

Relación. Dos conjuntos::

Relación produce uno (Colectivisante) → Produce uno único (Funcional o mapeo)
Magma (M, φ): Es un conjunto M y una ley de composicion interna (o mapeo) φ : M × M 7→ M .
Semigrupo (S, φ): Es un magma cuya ley es asociativa ((∀a, b, c ∈ S)(aφb)φc = aφ(bφc))

Monoide (Go, φ): Es un semigrupo tal que existe un elemento e ∈ Go, llamado neutro, que satisfase
(a ∈ Go)(aφe = eφa = a)
Grupo (G, φ): Es un monoide tal que para todo elemento a ∈ G, se tiene asociado un elemento a−1 ∈ G,
tal que aφa−1 = a−1 φa = e, with e el elemento neutro de (G, φ).

Grupo Abeliano (Ga, φ): Es un grupo cuya ley es conmutativa (∀a, b ∈ Ga)(aφb = bφa)
Anillo (A, +, ·): Consta de un conjunto A con dos leyes de composición interna: + llamada suma y ·
llamada multiplicación. Tales que:
• (A, +) es un grupo abeliano
• (A, ·) es un semigrupo, y
• La operación · y + es distributiva sobre +, i.e.

(∀a, b, c, ∈ A)(a · (b + c) = a · b + a · c ∧ (b + c) · a = b · a + c · a)

• Anillo Conmutativo (Ac, +, ·): Un anillo donde la multiplicación es conmutativa

• Anillo Unitario (Au, +, ·): Es un anillo donde (A, ·) es un monoide. Los elementos neutros de
(A, +) y (A, ·) se les llama neutro aditivo (0) y neutro multiplicativo (1) respectivamente.

Campo (K, +, ·): Es un anillo conmutativo, tal que 0 6= 1 y para el cual todo elemento a ∈ K distinto
de cero admite un inverso multiplicativo ((a, a−1 ∈ K) t.q. a · a−1 = a−1 · a = 1)
Espacio Vectorial (V, +, ·): Sea K un campo. Un espacio vectorial consta de un conjunto V con dos
leyes de composición:

• Una interna + : E × E 7→ E, y
• Otra externa · : K × E 7→ E
De forma que:
• (E, +) es un grupo abeliano, y
• (∀a, b ∈ K)(∀x, y ∈ E)
1. a · (b · x) = (ab) · x —–Es asociativa
2. 1 · x = x —–Neutro multiplicativo
3. (a + b) · x = a · x + b · x —–Distributiva
4. a · (x + y) = a · x + a · y —–Distributiva

23
Ilustración:

Note que: (Z, +) con “+” la suma habitual, es un grupo abeliano.

Demostración:
(1) La suma de enteros es asociativa :: (5 + 3) + 2 = 5 + (3 + 2), es un semigrupo
(2) Existe un elemento neutro:: a + 0 = a, es un monoide
(3) Existen todos los elementos inversos :: a + (−a) = 0, es un grupo
(4) La suma de enteros es comnutativa:: 5 + 3 = 3 + 5, es un grupo abeliano

Note que: (Z, +, ·) con “+” la suma y “·”, la suma y multiplicación habituales, es un anillo abeliano,
pero no es un campo.

Demostración:
(1) La multiplicación es conmutativa, ademas existe el neutro de multiplicación
(2) Pero no es un campo porque no se tienen inversos multiplicativos para ∀x ∈ Z excepto para {−1, 1}.

Ej.5 Demuestre que R, es un campo

Descripción de un espacio vectorial en R:
Un espacio vectorial (sobre el campo R) consiste en un conjunto V junto con dos operaciones “+” suma y “+”
multiplicación. Tales que

Si u, v, w ∈ V , la suma de vectores u + v esta en V y

• u+v =v+u
• (u + w) + u = v + (w + u)
• Existe el vector cero 0 ∈ V , tal que u + 0 = u para todo u ∈ V
• Para todo u ∈ V existe el vector inverso aditivo w ∈ V , tal que u + w = 0
Si r, s ∈ R son escalares; v, w ∈ V , entonces la multiplicación de cada u ∈ V por un escalar esta en V ,
además:
• (r + s) · v = r · v + s · v
• r · (v + w) = r · v + r · w
• (rs) · v = r · (s · v)
• 1·v =v

Las propiedades de un espacio vectorial lineal sobre el campo de los numeros reales usualmente se ordenan de
la siguiente manera:

Axiomas de Cerradura:
Cerradura bajo la adición: (∀x, y ∈ V )((x + y) ∈ V )
Cerradura bajo la multiplicación por un escalar: (∀α ∈ R∀x ∈ V )(αx ∈ V )
Axiomas para la adición:
Ley Comutativa de la adición: (∀x, y ∈ V )(x + y = y + x)
Ley Asociativa de la adición: (∀x, y, z ∈ V )((x + y) + z = x + (y + z))
Existencia de elemento neutro de la adición: (∃0, x ∈ V )(t.q. 0 + x = x)
Existencia de los elementos negativos de la adición: (∀ − 1, x ∈ V )(t.q. x + (−1x) = 0)
Axiomas para la multiplicación:
Ley Asociativa de la multiplicación: (∀x ∈ V ; a, b ∈ R)(a(bx) = (ab)x)
Ley Distributiva para la adición de vectores: (∀x, y ∈ V ; a ∈ R)(a(x + y) = ax + ay
Ley Distrubutiva para la adición de escalares: (∀x ∈ V ; a, b ∈ R)((a + b)x = ax + bx
Existencia de la identidad multiplicativa:(∀x ∈ V ; 1 ∈ R)(1x = x)

24
Ej.6 Demuestre que R2 , es un espacio vectorial con la suma de vectores y multiplicación por escalar habituales.
Ej.7 Determine si el conjunto de todas las funciones f : R 7→ R. Tal que f (x) = sin(2πx) es un espacio
vectorial con la suma de vectores y multiplicación por escalar habituales.

1.3 Subespacio Vectorial y Conjunto Generador

Subespacio Vectorial:
Definición: Para cualquier espacio vectorial (V ), un subespacio (S) es un subconjunto de V que es en si mismo
un espacio vectorial, bajo las operaciones heredadas del espacio original.

Ilustración: El subconjunto del espacio vectorial R3 ,

P = {(x, y, z) ∈ R3 : x + y + z = 0}

es un subespacio de R3 bajo las operaciones heredadas.

Note que P es un plano que pasa por el origen.
Ej.8 Demuestre que el “eje x” del espacio vectorial R2 , es un subespacio vectorial con la suma de vectores y
multiplicación por escalar habituales.
Conjunto Generador:
Definición: La expansión (span()) tambien llamada combinación lineal o cerradura lineal de un subconjunto
no vacio S de un espacio vectorial es el conjunto de todas las combinaciones lineales de los vectores de S

span(S) = [S] = {c1 s1 + ... + cn sn : c1 , ..., cn ∈ R ∧ s1 , ..., sn ∈ S}

Ilustración:

Considere el subconjuto de R3 : S = {(x, y, z) ∈ R3 : x − 2y + z = 0}, Se puede expresar z = x − 2y

resultando en:

S = {(x, y, x − 2y) : x, y ∈ R} = {x(1, 0, 1) + y(0, 1, −2) : y, x ∈ R}

Entonces, el conjunto S se puede describir como la combinación lineal de los dos vectores (1, 0, 1) y (0, 1, −2).
En otras palabras la expansión de esos dos vectores es S.
Ej.9 Demuestre que la expansión del conjunto {(1, 1), (1, −1)} es todo R2
Ej.10 Demuestre que la expansión del conjunto {(1, −1, 2), (1, −1, 3)} es todo R2

25
 1.4 Independencia Lineal y Bases

* Independencia Lineal:

Definición: Un subconjunto de un espacio vectorial V es linealmente independiente si ninguno de sus ele-

mentos es una combinación lineal de los demas elementos. The otra forma es linealmente dependiente.

Ilustración:

(1) S = {(40, 15), (−50, 25)} es un subconjunto linealmente independiente de R2 .

c1 (40, 15) + c2 (−50, 25) = (0, 0)

La única solución para este conjunto es (c1 , c2 ) = (0, 0). Es decir, no hay forma de poner uno como la combi-
nación lineal del otro.
(2) S = {(3, 4, 5), (2, 9, 2), (4, 18, 4)} es un subconjunto linealmente dependiente de R3 .

0(3, 4, 5) + 2(2, 9, 2) + −1(4, 18, 4) = (0, 0, 0)

Entonces, es posible poner uno de los vectores como la combinación lineal de otros.
Ej. 11. Sea S es un subconjunto de un espacio vectorial. Determine si estos subconjuntos son linealmente in-
dependientes.
a)S = {(1, 0, 0), (−3, 0, 0))}
b)S = {(1, 0, 0), (0, 2, 0), (1, 2, 0), (0, −1, 1))}

* Bases:

Definición: Una base de un espacio vectorial es una secuencia de vectores que forman un conjunto linealmente
independiente cuya expansión es todo el espacio.
Ilustración:

Una base para expandir el espacio R2 es {(1, 1), (2, 4)}.

Note que c1 (1, 1) + c2 (2, 4) = (0, 0) se cumple solo para (c1 , c2 ) = (0, 0), entonces es linealmente indepen-
diente. Además, {x(1, 1) + y(2, 4)} expande todo R2
Base canónica: Para el espacio vectorial Rn la base canónica esta construida por los vectores {e1 , e2 , ..., en }
con ei ∈ Rn con todas sus coordenadas cero excepto la n-esima que es uno. (e2 = (0, 1, 0, ...., 0))
Note que: En cualquier espacio vectorial un subconjunto es una base si y solo si cada elemento del espacio
vectorial puede expresarse como una combinación lineal de los elementos del subconjunto de una manera
unica.
 
a b
Ej. 12. Considere el espacio vectorial { : a + b − 2c = 0} Determine cual es una base de este
c 0
espacio de vectorial.
* Dimensión.
Definición: La dimensión de un espacio vectorial es igual al numero de vectores que constituyen una de sus
bases.

26
Tarea para entregar
Del libro de Axler Liner Algebra done right.

1. Hacer los ejercicios de la pagina 19. ejercicios 1,2,3,4.

2. De la pagina 35. ejercicios 1,2,3,4.

3. De la pagina 59. ejercicios 1,2,3,19,20,21 y 26.

27
Ejercicios recomendados (no son para entregar)
a) Solución de sistemas lineales
b) Matrices, operaciones de matrices y matrices invertibles
*Leer páginas: Capitulo 1 (pp. 1-168) del libro Álgebra Lineal - S. I. Grossman.
En particular, 1.3; 1.4; 1.5; 1.7; 1.8; y 1.9
*Resolver los siguientes problemas (del mismo libro):
Página 4 Problemas 1.2. Incisos: III, y IV.
Página 19 Ejercicio ecuación (10). Ponga números a las constantes a,b,c,...,m; tal que se cumpla cada uno de
los casos ilustrados.
Página 28 Introducción al Matlab. Conseguir manejar el programa a nivel introductorio.
Página 38 Problemas 1.4 Incisos: I, y II.
Página 51 Problemas 1.5 Incisos: I, II, y IV.
Página 54 Problemas Incisos: 61, y 62.
Página 56 Problemas Incisos: 2.
Página 69 Ejemplos Incisos: 13 y 14.
Página 76 Ejercicios Incisos: 62 y 63
Página 81 Ejercicios Inciso 3. y 6.
Página 97 Ejemplos Incisos: 2.
Página 109 Ejercicios Incisos: 19 y 20 c) Determinantes *Leer páginas: Capitulo 2 (pp. 168-220) del libro
Álgebra Lineal - S. I. Grossman.
En particular, 2.2; 2.4 y 2.5 *Resolver los siguientes problemas (del mismo libro):
Página 170 Ejemplo. Incisos: 3.
Página 172 Ejemplo. Incisos: 7.
Página 176 Ejemplo. Revise la demostración de que el área de A es abs(det(A)) con A una matriz. Diga en qué
condiciones esto es válido.
Página 178 Problemas. Incisos: 6 y 13
Página 183, 185 y 187 Proposiciones 1,2,. . . ,7
Página 212 Problemas. Regla de Cramer
Página 214 Ejemplo. Incisos: 2
Página 219 Ejercicios. Incisos: 21 y 22
d) Geometrı́a Lineal en el espacio R2 y R3
*Leer páginas: Capitulo 3 (pp. 220-281) del libro Álgebra Lineal - S. I. Grossman.
*Resolver los siguientes problemas (del mismo libro):
Página 225 Ejemplos. Describa y explique la figura 3.7 y la ecuación (5)
Página 227. Ejemplo. Describa y explique la figura 3.10 y la ecuación (7)
Página 235. Ejemplo. Describa y explique la ecuación (3)
Página 237. Ejemplo. Describa y explique el teorema 4 (hacer las demostraciones que faltan)
Página 254. Ejemplo. Incisos: 2

28
Página 255. Ejemplo. Describa y explique los resultados del Teorema 2
Página 270. Problemas 3.5 Incisos: I y IV e) Combinación lineal y espacio generado
f) Cambio de base *Leer páginas: Capitulo 4 (pp. 281-458) del libro Álgebra Lineal - S. I. Grossman.
En particular, 3.2; y 3.4 *Resolver los siguientes problemas (del mismo libro):
Página 299-300 Ejemplo. Incisos: 3, 4, y 6
Página 301 Ejemplo. Incisos: 8
Página 303 Problemas. Incisos: I, II, 2 y 8
g) Valores y vectores caracterı́sticos *Leer páginas: Capitulo 6 (pp. 524-620) del libro Álgebra Lineal - S. I.
Grossman.
En particular, 3.2; y 3.4 *Resolver los siguientes problemas (del mismo libro):
Página 525. Ejemplo. Incisos: 2
Página 526. Ejemplo. Describa y explique los resultados del Teorema 3
Página 532 Ejemplos. Incisos: 8 y 9
Página 538 Problemas. Incisos: 41 y 42

29
Tarea 4. Para entregar de la parte final.
Del libreo de Meyer Matrix analysis and applied linear algebra.

1. Resolver los ejercicios de las paginas 70-73 y 76-77

2. Resuelva los ejercicios de la paginas 92-94, 102-104, y 167-168.

3. Explique la aplicación de least squares section 4.6 y 4.7 de la pagina 230.

4. También la sección 4.8.4 en la pagina 257.

Trabajo final.

1. Proyecto 1. Teorı́a de Grafos *Leer páginas: 152-159 + 543-545 del libro Álgebra Lineal - S. I. Grossman.
2. Proyecto 2. Encriptamiento *Leer páginas: 117-118 + 211-212 del libro Álgebra Lineal - S. I. Grossman.
3. Proyecto 3. Input-output analysis *Leer páginas: 64-67 del libro Linear Algebra – Jim Hefferon.

4. Proyecto 4. Analyzing networks *Leer páginas: 72-77 del libro Linear Algebra – Jim Hefferon.

Referencias
[1] Cualquier libro de Lógica Matemática, Matemáticas Discretas, Álgebra Abstracta, Álgebra Lineal, etcétera.
El que a usted le parezca mejor.
[2] Hefferon, J. Linear Algebra, Mathematics Saint Michael’s College Colchester, Vermont USA 05439. Dis-
ponible gratis en: http://joshua.smcvt.edu/lı́nearalgebra/linalg.html

[3] Axler, S. Linear Algebra done right, 2nd Edition, Springer, 1997.
[4] Meyer, C. D. Matrix analysis and applied linear algebra, SIAM, 2001.
[5] Grossman, Stanley I. Álgebra Linear, 6ta Edición, (Elementary Linear Algebra with Applications), Mc-
Graw Hill, China, 2008.

30