Está en la página 1de 32

algebra lineal

Gabriel Villaseñor Aguilar.

20 de abril de 2009
Índice general

1. Números Complejos 3
1.1. Definición y origen de los números Complejos . . . . . . . . . . . . . . . . . . . 3
1.2. Operaciones fundamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. potencias de ı̈”, módulo o valor absoluto de un número complejo . . . . . . . . . 3
1.4. Forma polar y Exponencial de un número complejo . . . . . . . . . . . . . . . . 4
1.5. potencias y extracción de raı́ces de un número complejo . . . . . . . . . . . . . . 5
1.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2. Sistemas de Ecuaciones Lineales 7


2.1. Definición y clasificación de sistemas de ecuaciones lineales . . . . . . . . . . . 7
2.2. Interpretación geométrica de las soluciones . . . . . . . . . . . . . . . . . . . . 8
2.3. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3. Matrices y Determinantes 11
3.1. Definición de matriz, notación, orden . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2. Operaciones con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3. Clasificación de las matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4. inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5. Determinante de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.6. Inversa de una matriz cuadrada a través de la adjunta . . . . . . . . . . . . . . . 15
3.7. Solución de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.8. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

4. Espacios Vectoriales 19
4.1. Espacio vectorial y sus propiedades . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2. Subespacios de un espacio vectorial y sus propiedades . . . . . . . . . . . . . . 20
4.3. Combinación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4. Dependencia e independencia Lineal . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5. Base y dimensión de un espacio vectorial. . . . . . . . . . . . . . . . . . . . . . 22
4.6. Cambio de base, base ortonormal,proceso de ortonormalización Gram-Schmidt. . 22
4.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1
5. Transformaciones Lineales 26
5.1. Definición de transformación lineal. . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2. Definición de núcleo o kernel, e imagen. . . . . . . . . . . . . . . . . . . . . . . 26
5.3. representación matricial de una transformación lineal. . . . . . . . . . . . . . . . 27
5.4. Transformaciones y sistemas de ecuaciones lineales. . . . . . . . . . . . . . . . 28
5.5. Geometrı́a de las transformaciones lineales y aplicaciones. . . . . . . . . . . . . 29
5.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2
Capı́tulo 1

Números Complejos

1.1. Definición y origen de los números Complejos


Los números complejos z se pueden definir como pares ordenados. z = (x, y). De números
reales x e y con operaciones de suma y producto. Observemos que se pueden identificar a los
números reales como el par (x, 0) por lo que el conjunto de números reales es un subconjunto del
conjunto de números complejos.
Los números complejos de la forma (0, y) se llaman números imaginarios puros. Por lo tanto
definiremos como la parte real a x y la parte imaginaria de z a y. es decir

Rez = x Imz = y

Dos números complejos se dicen iguales si tienen iguales su parte real e imaginaria.

1.2. Operaciones fundamentales


La suma y el producto de números complejos esta definido como:

(a, b) + (c, d) = (a + c, b + d)

(a, b)(c, d) = (ac − bd, bc + ad)


Para la división solo hay que multiplicar por el conjugado para obtener un numero real en el
denominador.
1 1
Ejemplo 1 a) resolver la siguiente division ( 2−3i )( 1+i )
b) sumar −3 + 4i y 6 − 3i

1.3. potencias de ı̈”, módulo o valor absoluto de un número complejo


Denotando por i al número imaginario puro (0, 1) podemos escribir (x, y) = x + iy

3
Que cumple con las siguientes propiedades:

i=i

i2 = −1
i3 = −i
i4 = 1
El modulo
p o valor absoluto de un número complejo z se define como el número real no negativo
|z| = x2 + y2 Geométricamente el numero |z| es la distancia entre el punto (x, y) y el origen. O
sea la longitud del vector que representa la distancia de z al origen.
√ √
Ejemplo 2 si tenemos los números | − 3 + 2i| = 13 y |1 + 4i| = 17 entonces el primero esta
mas cerca del origen.

NOTA. La desigualdad z1 < z2 carece de sentido a menos que sean dos números reales.
Ejercicio: A que es igual |z1 − z2 |
Observemos que |z − z0 | = R representa al circulo de radio R centrado en z0 .

Ejemplo 3 La ecuación |z − 1 + 3i| = 2 representa a una circunferencia centrada en (1, −3) de


radio 2.

El conjugado de un numero z es z = x − iy.

1.4. Forma polar y Exponencial de un número complejo


Sean r y θcoordenadas polares del punto (x, y) que corresponde a un numero complejo no nulo
z = x + iy Como sabemos que:

x = r cos θ y = r sen θ

entonces Z se puede expresar en la forma polar como:

z = r(cos θ + i sen θ)

Usando las formulas de conversión de coordenadas cartesianas a complejas.

Ejemplo 4 El número complejo 1 − i que esta en el cuarto cuadrante lo podemos interpretar


como:

Obsérvese que el ángulo puede cambiar con múltiplos de 2π. Por lo tanto en forma general
podrı́amos escribir
z = r(cos θ(θ + 2nπ) + i sen(θ + 2nπ))
Donde r es el modulo de z y θ es cualquier valor particular de arg.z.

4
La ecuación eiθ = cos θ + i sen θ se conoce como fórmula de Euler. Esta fórmula nos permite
escribir un número complejo no nulo en forma exponencial de la siguiente manera:

z = reiθ

Y aprovechando las propiedades aditivas de la exponencial podemos redefinir el producto como:

z1 z2 = r1 r2 ei(θ1 +θ2 )

Lo mismo para la división.

1.5. potencias y extracción de raı́ces de un número complejo


Las potencias enteras de un numero complejo no nulo z = reiθ vienen dadas por:

zn = rn einθ con n = ±0, ±1, ±2, ±3, ± . . .

Nótese que si r = 1 la ecuación se convierte en: einθ = e(iθ)n Y utilizando la formula de Euler
tenemos:
(cos θ + i sen θ)n = cos nθ + i sen nθ
Que se conoce como Formula de De Moivre y nos sirve sobre todo para calcular raı́ces complejas.

Ejemplo 5 resolver la ecuación zn = 1 donde n tiene valores de 2,3,4


SOLUCION: Podemos escribir z = reiθ y buscar valores tales que 1 = (reiθ )n O sea rn einθ =
i2kφ
1ei0 De aquı́ tenemos que r = 1 y tambien que nθ = 0 + 2kπ Y por lo tanto se deduce que z = re n
Son las raı́ces n-simas de la unidad.

Procediendo de igual manera para cualquier número z0 = r0 expi(θ0 +2kπ) podemos encontrar sus
n-raı́ces diferentes empleando la formula que se deduce:
(θ0 +2kπ)
z1/n 1/n i
0 = r0 e
n

Ejemplo 6 Encontrar todos los valores de (−8i)1/3 o sea las 3 raices cubicas.
SOLUCION: basta calcular√ el valor del√ argumento y escribir −8i = 2exp[i(−π/2 + 2kπ)]
Entonces las raı́ces son 3 − i 2i − 3 − i.

5
1.6. Ejercicios

√1.-Efectuar las √
siguientes operaciones.
a)( 2 − i) − i(1 − 2i =
b)(2, −3)(−2, 1) =
c)(3, 1)(3, −1)(1/5, 1/10) =
3−4i + 5i =
d) 1+2i 2−i
5
e) (1−i)(2−i)(3−i) =
f)(1 − i) 4
3 −(1+2i)2
g) (2−i)
(4−2i)(3i)

2.- probar que:


a) z̄ + 3i = z − 3i
b) (2 + i)2 = √3 − 4i √
c) k(2z̄ + 5)( 2 − i)k = 3k2z + 5k

3.-Comprobar que los números complejos z = 1 ± i satisfacen la ecuación z2 − 2z + 2 = 0.

4.- Hallar el arg z para: √


a)z = −2√ b)z = i
−2−2i c)z = ( 3 − i)6
1+ 3i

5.- Expresar en forma exponencial cada factor, efectuar las operaciones y regresar a la forma
rectangular.
√ √
a)i(1 − 3i)( 3 + i) = 5i
b) 2+i =

c)(−1 + i) =
7 d)(1 + 3i)−10 =

6.- Hallar en cada caso todas las√raices en coordenadas rectangulares.


a)(2i)1/2 = b)(1 − 3i)1/2
c)(−1) =
1/3 d)(−16)1/4 =

7.- Resolver la ecuación.


|eiθ | = 2

6
Capı́tulo 2

Sistemas de Ecuaciones Lineales

2.1. Definición y clasificación de sistemas de ecuaciones lineales


consideremos el siguiente sistema de dos ecuaciones lineales con dos incognitas x y y tales
que:
a11 x + a12 y = b1
a21 x + a22 y = b2
donde a11 , a12 , a21 , a22 , b1 , b2 son numeros dados. Cada una de estas ecuaciones es la ecuación de
una linea recta.Una solución al sistema es un par de de números que lo satisface.

Teorema 1 el sistema
a11 x + a12 y = b1
a21 x + a22 y = b2
de dos ecuaciones con dos incognitas x y y no tienen solución, tienen una solución única o tiene
un número infinito de soluciones. Esto es:
i) Tiene una solución única si y solo sia11 a12 − a21 a22 , 0
ii) No tiene solución o tiene un número infinito de soluciones si y sólo si a11 a12 − a21 a22 = 0

Ejemplo 7 Un sistema con una solución única. Consideramos

x−y=7

x+y=5

SOLUCION: resolver por el metodo de eliminación.

Ejemplo 8 Un sistema con un número infinito de soluciones. Consideramos

x−y=7

2x − 2y = 14

7
SOLUCION: La segunda ecuacion es el doble de la primera.

Ejemplo 9 Un sistema sin solución. Consideramos

x−y=7

2x − 2y = 13

SOLUCION: resolver por el metodo de eliminación.

2.2. Interpretación geométrica de las soluciones


Geometricamente podemos deducir que para los sistemas anteriores:
a) si el sistema tiene solucion única, entonces las rectas no son paralelas y se intersectan en un
solo punto.
b)si el sistema no tiene solución , entonces las rectas son paralelas.
c) si el sistema tiene soluciones infinitas decimos que las rectas coinciden.

En el caso de tres ecuaciones con tres incognitas (donde las ecuaciones representan pla-
nos)tenemos algo parecido es decir:
1) si el sistema tiene solucion única, entonces los tre planos se intersectan en un solo punto.
2) Los tres planos se intersectan en la misma recta. Entonces cada punto sobre la recta es solución
y el sistema tiene infinidad de soluciones.
3)Los tres planos coinciden, el sistema tiene una cantidad infinita de soluciones.
4)dos de los planos coinciden y se intersectan con el tercero en una recta, entonces la recta es
solución del sistema y tiene solución infinita.
5) Al menos dos de los planos son paralelos, entonces el sistema no tiene solución
6)Dos de los planos coinciden en una recta L. el tercer plano es paralelo a L y no la contiene,
entonces el sistema no tiene solución.

Ejemplo 10 resolver los siguientes sistemas

1. x1 − 2x2 + 3x3 = 11 2 3x1 + 6x2 − 6x3 = 9


4x1 + x2 − x3 = 4 2x1 − 5x2 + 4x3 = 6
2x1 − x2 + 3x3 = 10 −x1 + 16x2 − 14x3 = −3

3. x1 + x2 − x3 = 7 4 x1 + x2 − x3 = 7
4x1 − x2 + 5x3 = 4 4x1 − x2 + 5x3 = 4
2x1 + 2x2 − 3x3 = 0 6x1 + x2 + 3x3 = 20

8
definición 1 a) se dice que un sistema de ecuaciones lineales es inconsistente si no tiene solución.
Se dice que un sistema que tiene al menos una solución es consistente.
b) un sistema es homogeneo si todas las ecuaciones estan igualadas a cero.

NOTA un sistema con mas incgnitas que ecuaciones tiene una infinidad de soluciones

9
2.3. Ejercicios
Resolver los sistemas:

1. x − 3y = 4 2. 2x − 8y = 5
−4x + 2y = 6 −3x + 12y = 8

3. 6 + 2iy = 3 3. 2x + 3y = 4
−4x − iy = 8 3x + 4y = 5

Encontrar la solución de los siguientes sistemas, si existen.

1. −2x1 + x2 + 6x3 = 18 2. 3x1 + 6x2 − 6x3 = 9


5x1 + 8x3 = −16 2x1 − 5x2 + 4x3 = 6
3x1 + 2x2 − 10x3 = −3 5x1 + 28x2 − 26x3 = −8

3. x1 + x2 − x3 = 7 4. x1 − 2x2 + 3x3 = 0
4x1 − x2 + 5x3 = 4 4x1 + x2 − x3 = 0
6x1 + x2 + 3x3 = 18 2x1 − x2 + 3x3 = 0

5. x1 + x2 + 6x3 = 18 7. −2x1 + 6x2 − 2x3 = 9


5x1 + 8x3 = −16 8x1 − 5x2 + 5x3 = 6
7x1 + 2x2 20x3 = 17 8x2 − 26x3 = −8

6. x2 − x3 = 7 8. −3x1 + 5x2 = 0
4x1 − x2 + 5x3 = 4 7x1 + 2x2 − x3 = 0
−2x1 + 0,5x2 − 2,5x3 = −2 −2x1 − x2 − 6x3 = 0

10
Capı́tulo 3

Matrices y Determinantes

3.1. Definición de matriz, notación, orden


definición 2 una matriz A de mxn es un arreglo rectangular de mn números dispuestos en m
renglones y n columnas.
 a11 a12 . . . a1n 
 

 21 a22 . . . a2n 


 a 
A =  . .. .. 
 .. . . 
am1 am2 . . . amn
 

definición 3 Dos matrices A y B son iguales si son del mismo tamaño y las componentes corres-
pondientes son iguales.

Ejemplo 11

1+3 2−1 5
! !
4 1 5
2 −3 0 y 1+1 1−4 0

son semejantes pues tienen las mismas entradas.

3.2. Operaciones con matrices


definición 4 Suma de matrices. sean A y B dos matrices de mxn. Entonces la suma de A y B es la
matriz mxn que se obtiene al sumar las componentes correspondientes de A y B.

NOTA la suma de dos matrices solo esta definida cuando las matrices son del mismo tamaño.

Ejemplo 12 suma de dos matrices.

     
 2 4 −6 7   0 1 6 −2   2 5 0 5 
 4 3 2 1  +  2 3 4 3  =  3 6 6 4 
     
−4 3 −5 5
 
−2 1 4
 
−6 4 −1 9

4
11
definición 5 Multiplicación de una matriz por un escalar Si A es una matriz de mxn y si α es
un escalar, entonces la matriz αA esta dada por:

αa11 αa12 . . . αa1n


 
 
 αa21 αa22 . . . αa2n 
αA =  .. .. ..
 
. . .

 
αam1 αam2 . . . αamn
 

Ejemplo 13 Sea  
 2 5 0 5 
A =  3 6 6 4 
 

−6 4 −1 9

calcular 2A y −3A

definición 6 Producto de dos Matrices Sea A una matriz mxn y sea B una matriz nxp. Entonces
el producto de A y B es una matriz C de mxp en donde

ci j =(renglon i de A)(columna j de B)

Es decir, el elemento i j de AB es el producto punto del renglon i de A y la columna j de B.

NOTA dos matrices solo se pueden multiplicar solo si el número de columnas de la primera matriz
es igual al número de renglones de la segunda.

Ejemplo 14 sean
 
 2 5 0 5 
B =  3
!
2 0 3 6 6 4 
 
A= y 
−6 4 −1 9

4 1 5

NOTA La multiplicación de matrices no es conmutativa es decir, AB , BA

3.3. Clasificación de las matrices


definición 7 matriz triangular superior e inferior Una matriz cuadrada se llama triangular
superior (inferior) si todas sus componentes abajo (arriba) de la diagonal principal son cero.

Ejemplo 15  
 2 5 0 
U =  0 6 6
 
 
0 0 −1

12
definición 8 a) matriz diagonal Es la matriz que tiene solo la diagonal principal diferente de
cero.
b) matriz escalar Es la matriz que tiene solo una entrada.
c) matriz identidad Es la matriz que tiene unos en la diagonal principal y ceros en todas las
demas entradas.

definición 9 matriz nilpotente Una matriz A es nilpotente si existe un entero k tal que Ak = 0 y
k es el indice de nilpotencia.

definición 10 a) transpuesta de una matriz La transpuesta de una matriz A que se escribe como
At es la matriz obtenida al intercambiar los renglones por las columnas de A.
b) La matriz A de nxn se llama simetrica si at = A
c) La matriz A de nxn se llama antisimetrica si at = −A

3.4. inversa de una matriz


definición 11 Sean A y B dos matrices de nxn. suponga que

AB = BA = I

entonces B se llama la inversa de A y se denota como A−1 . Si A tiene inversa, se dice que A es
invertible.

Se puede calcular la inversa de una matriz por medio de operaciones elementales, es decir multi-
plicando un renglon por un escalar y mediante la suma de renglones.
Ejemplo 16 Obtener la inversa de la siguiente matriz
 
 2 5 0 
A =  3 6 6
 
 
−6 4 −1

3.5. Determinante de una matriz


definición 12 Sea
 a11 a12 . . . a13
 

A =  a21 a22 . . . a23  Entonces
 
a31 a32 . . . a33

ha i ha i ha i
det A = |A| = a11 22 a23
a32 a33 − a12 21 a23
a31 a33 + a13 21 a22
a31 a32

Ejemplo 17 Calcular el determinante de la siguiente matriz.


 
 3 5 2 
A =  4 2 3 
 

−1 2 4

13
definición 13 Sea A una matriz de nxn y sea Mi j la matriz de (n − 1)x(n − 1) obtenida de A
eliminando el renglon i y la columna j. Mi j se llama el menor ij de A.

definición 14 Sea A una matriz de nxn el cofactor ij de A, denotado por Ai j , esta dado por

Ai j = (−1)i+ j |Mi j |

definición 15 Sea A una matriz de nxn Entonces el determinante de A, denotado por Det A o kAk,
esta dado por
Xn
detA a1k A1k
k=1

en la definición se define el determinante mediante cofactores en el primer renglon de A. pero se


puede definir sobre cualquier renglón.

Teorema 2 Sea A = (ai j ) una matriz de nxn triangular superior o inferior. Entonces

det A = a11 a22 . . . ann

Esto es, el determinante de una matriz triangular es igual al producto de sus componentes en la
diagonal.

Teorema 3 Sean A y B dos matrices de nxn, entonces

det AB = det Adet B

Es decir el determinante del producto es el producto de los determinantes.

Ejemplo 18 Verificar el teorema con las matrices A y B.

   
 1 −1 2   1 2 3 
A =  3 1 4  B =  0 −1 4
   


0 −2 5
 y 
2 0 −2

NOTA el determinante de la suma no siempre es igual a la sumade los determinantes.

Teorema 4 Una matriz y su transpuesta tienen el mismo determinante.

Ejemplo 19 calcular el determinante de las matrices y sus transpuestas.

   
 1 −1 2   1 2 3 
A =  3 1 4  B =  0 −1 4
   


0 −2 5
 y 
2 0 −2

14
Propiedad 1 Si cualquier renglon o columna de una matriz A es un vector cero, entonces det A
=0.
Propiedad 2 si el renglon i o la columna j de A se multiplica por un escalar c, entonces det A se
multiplica por c.
Propiedad 3 El intercambio de cualesquiera dos renglones (o columnas) distintos de A tiene el
efecto de multiplicar det A por -1.
Propiedad 4 Si A tiene dos renglones o columnas iguales, entonces det A=0.
Propiedad 5 si un renglon (columna) de A es un multiplo escalar de otro renglón (columna)
entonces det A=0.
Propiedad 6 Si se suma un multiplo escalar de un renglón (columna) a otro renglon (columna) el
determinante no cambia.

Ejemplo 20 Utilice las propiedades de los determinantes para calcular un determinante de 4x4.

1 3 5 2
0 −1 3 4
B =
2 1 9 6
3 2 4 8

3.6. Inversa de una matriz cuadrada a través de la adjunta


Teorema 5 Si A es invertible entonces det A , 0 y
1
det A−1 =
det A
definición 16 Sea A una matriz de nxn y sea B la matriz de cofactores de A, Entonces la adjunta
de A es la transpuesta de la matriz B de nxn es decir:

 A11 A21 . . . An1 


 
ad jA = Bt  A12 A22 . . . An2  Entonces
 
A1n A2n . . . Ann
 

Teorema 6 Sea A una matriz de nxn. Entonces A es invertible si y solo si det A , 0 y ademas
1
A−1 = ad j A
det A
Ejemplo 21 Calcular la inversa de la siguiente matriz.
 
 2 4 3 
B =  0 1 −1
 
 
3 5 7

15
3.7. Solución de sistemas
Existen diferentes formas de encontrar la solución a sistemas de ecuaciones aqui abordaremos
solo tres.

Ejemplo 22 Encontrar la solución del siguiente sistema usando:


a) Eliminanción Gaussiana
b) Eliminación Gauss-Jordan
c) Regla de cramer

1. 2x1 + 4x2 + 6x3 = 18 2. 3x1 + 6x2 − 6x3 = 9


4x1 + 5x2 + 6x3 = 24 2x1 − 5x2 + 4x3 = 6
3x1 + x2 − 2x3 = 4 −x1 + 16x2 − 14x3 = −3

16
3.8. Ejercicios
1.-Sean

     
 1 −1 2   5 4 4   6 3 
A =  3 1 4  B =  −2 2 4 C =  2 −5 
     
 
0 −2 5
 
2 −1
 
3 1 3

encontrar el resultado en las siguientes operaciones o indicar si no es posible realizar la ope-


ración:
a) A + B
b) 3A − 2B
c) AC + BC
d) A2
e) CA − B
f) A + B − C

3.- Calcular la inversa de las matrices por operaciones elementales (si tienen):

     
 1 −1 2   4 −1 4   3 3 
A =  3 1 4  B =  −2 2 4 C =  4 −1 
     
 
0 −2 5
 
−2 −1
 
1 0 2

3.- usar las propiedades para calcular los siguientes determinantes.


1 −1 2 0 0

3 −1 2 1 2 0 0 0 3 1 4 0 0
C =

4 3 1 −2 0 0 3 0 2 −1 5 0 0
A = B =
−1 0 2 3
0 −1 0 0
0 0 0 2 3

6 2 5 2 0 0 0 4 0 0 0 −1 4


2 5 −6 8 0

0 1 −7 6 0
D =

0 0 0 4 0

0 2 1 5 1

4 −1 5 3 0
4.- Calcular la inversa de las matrices por metodo de la adjunta:

17
     
 1 −1 2   4 −1 4   3 3 2 
A =  3 1 4  B =  −2 2 4 C =  4 −1 −1 
     
 
0 −2 5
 
−2 −1
 
1 0 2 2

5) Resolver el sistema por Gauss y Regla de Cramer.

1. −2x1 + x2 + 6x3 = 18 2. 3x1 + 6x2 − 6x3 = 9


5x1 + 8x3 = −16 2x1 − 5x2 + 4x3 = 6
3x1 + 2x2 − 10x3 = −3 5x1 + 28x2 − 26x3 = −8

3. x1 + x2 − x3 = 7 4. x1 − 2x2 + 3x3 = 0
4x1 − x2 + 5x3 = 4 4x1 + x2 − x3 = 0
6x1 + x2 + 3x3 = 18 2x1 − x2 + 3x3 = 0

5. x1 + x2 + 6x3 = 18 7. −2x1 + 6x2 − 2x3 = 9


5x1 + 8x3 = −16 8x1 − 5x2 + 5x3 = 6
7x1 + 2x2 20x3 = 17 8x2 − 26x3 = −8

6. x2 − x3 = 7 8. −3x1 + 5x2 = 0
4x1 − x2 + 5x3 = 4 7x1 + 2x2 − x3 = 0
−2x1 + 0,5x2 − 2,5x3 = −2 −2x1 − x2 − 6x3 = 0

18
Capı́tulo 4

Espacios Vectoriales

4.1. Espacio vectorial y sus propiedades


definición 17 Un espacio vectorial real V es un conjunto de objetos llamados vectores, juntos con
dos operaciones llamadas suma y multiplicación por un escalar que satisface los diez axiomas
enumerados a continuación:
1)Si x∈ V y y ∈ V entonces x + y ∈ V
2)para todo x, y, z ∈ V se cumple que (X + Y) + Z = X + (Y + Z)
3)Existe un vector 0 ∈ V tal que para todo x ∈ V, x + 0 = 0 + x = x
4)si x ∈ V existe un vector -x en V tal que x + (−x) = 0
5)Si x, y ∈ V entonces x + y = y + x
6)Si x ∈ V y α es un escalar αx ∈ V
7)Si x, y ∈ V y αes un escalar entonces α(x + y) = αx + αy
8)Si x ∈ V α, β son escalares entonces (α + β)x = αx + βx
9)Si x ∈ V α, β son escalares entonces α(βx) = (αβ)x
10)para cada vector x ∈ V se cumple 1x = x
NOTA el inverso aditivo y el elemento identidad en la suma son unicos.
Ejemplo 23 el espacio vectorial trivial V = {0}.
Ejemplo 24 Un conjunto que no es espacio vectorial, v = {1}
SOLUCION: Viola el axioma 1
Ejemplo 25 El conjunto de puntos en R2 que estan en una recta que pasa por el origen constitu-
yen un espacio vectorial.
Ejemplo 26 El conjunto de puntos en R2 que estan en una recta que no pasa por el origen no
constituyen un espacio vectorial.
Ejemplo 27 El conjunto de P2 de los polinomios de grado menor o igual a 2 con coeficientes
reales.
P2 = {ax2 + bx + c}
Es un espacio vectorial real.

19
Ejemplo 28 El conjunto de P3 de los polinomios de grado igual a 3 con coeficientes reales.

P3 = {ax3 + bx2 + cx + d}

No es un espacio vectorial real.

Ejemplo 29 El conjunto de funciones continuas es un espacio vectorial.

Ejemplo 30 El conjunto de matrices de 3x4 es un espacio vectorial.

4.2. Subespacios de un espacio vectorial y sus propiedades


definición 18 Sea H un subconjunto no vacio de un espacio vectorial V y suponga que H es en si
un espacio vectorial bajo las operaciones de suma y producto por un escalar entonces se dice que
H es un subespacio de V.

Teorema 7 Un subconjunto no vacio H de un espacio vectorial V es un subespacio de V si se


cumplen las tres reglas de cerradura:
1) 0 ∈ H
2) si x ∈ H, y ∈ H entonces x + y ∈ H
3) si x ∈ H entonces αx ∈ H para todo escalar α

Ejemplo 31 La recta x = y es un subespacio de R2 formado por los vectores de la forma (a, a) y


continenen al vector 0.

Ejemplo 32 El plano XY es un subespacio de R3 . esta formado por los vectores (x, y, 0) y contiene
el vector (0, 0, 0).

Ejemplo 33 Sea H = {(x, y, z) : x = at, y = bt, z = ct} Entonces H consiste de los vectores que
que estan sobre una recta en R3 que pasa por el origen y es un subespacio vectorial.

Ejemplo 34 Sea P = {(x, y, z) : ax + by + cz = 0} es un plano en R3 y es un subespacio vectorial.

Ejemplo 35 La recta x = y + 1 no es un subespacio de R2 formado por los vectores de la forma


(a, a − 1) y no continenen al vector 0.

4.3. Combinación lineal


definición 19 Dado un conjunto de vectores V1 , V2 . . . Vn se llama una combinación lineal de
ellos a cualquier vector de la forma:

V = α1 V1 + α2 V2 + . . . αn Vn

donde α1 , α2 . . . son escalares llamados coeficientes de la combinación lineal.

20
Ejemplo 36 En R3 el vector (−7, 7, 7) es una combinación lineal de (−1, 2, 4) y (5, −3, 1). toman-
do α1 = 2, α2 = −1.

definición 20 Se dice que los vectores v1 , v2 , . . . vn en un espacio vectorial V generan a V si todo


vector en V se puede escribir como una combinación lineal de ellos. Es decir para todo v ∈ V
existen escalares a1 , a2 , . . . an tales que

v = a1 v1 , . . . an vn

Ejemplo 37 Conjuntos de vectores básicos que generan R2 y R3


-el conjunto de vectores (1, 0) y (0, 1) generan a R2
-el conjunto de vectores (1, 0, 0) y (0, 1, 0) y (0, 0, 1) generan a R3

Ejemplo 38 los monomios 1, x, x2 , x3 generan el espacio vectorial de polinomios de grado menor


o igual a 3.

4.4. Dependencia e independencia Lineal


definición 21 Se dice que un conjunto de vectores es linealmente dependiente si cumple cualquie-
ra de las siguientes afirmaciones:
a) al menos uno de ellos es combinación lineal de los otros.
b) el cero se puede expresar como combinación lineal de ellos con coeficientes no todos iguales a
cero.

Si los vectores no son linealmente dependientes se dice que son linealmente independientes.

Ejemplo 39 Los vectores U = (1, 1), V = (0, 3), W = (2, 5) en R2 son Lineal mente dependientes.

Ejemplo 40 Los vectores U = (1, 0, 0), V = (0, 1, 0), W = (0, 0, 1), Z = (1, 1, 0) en R3 son Lineal-
mente dependientes.

Ejemplo 41 Los vectores U = (1, 2, 4), V = (2, 5, −3) en R3 son Linealmente independientes.

Ejemplo 42 Determine si los vectores son linealmente independientes U = (1, −2, 3), V = (2, −2, 0), W =
(0, 1, 7)

Teorema 8 Un conjunto de n vectores en Rm siempre es linealmente dependiente si n > m

Ejemplo 43 Los vectores U = (1, 3, 1), V = (−2, 1, 4), W = (3, 5, 2), Z = (1, 1, 4) en R3 son
Linealmente dependientes.

nota Un conjunto de vectores es linealmente independiente si el determinante formado por ellos


es diferente de cero.

21
4.5. Base y dimensión de un espacio vectorial.
definición 22 Un conjunto finito de vectores {v1 , v2 , . . . vn } es una base para un sistema vectorial
V si:
a) {v1 , v2 , . . . vn } es linealmente independiente.
b) {v1 , v2 , . . . vn } generan a V.

Ejemplo 44 a) Una base para R3 son los vectores U = (1, 0, 0), V = (0, 1, 0), W = (0, 0, 1), a esta
base se le llama la base canonica de R3 .
b)una base para M22 (matrices de 2 por 2) es:
! ! ! !
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1

Ejemplo 45 Encontrar una base para el conjunto de vectores que esta en el plano.

P = {(x, y, z) : 2x − y + 3z = 0}

definición 23 si el espacio vectorial V tiene base, entonces la dimensión de V es el número de


vectores en la base y se denota como dimV.

Ejemplo 46 La dimensión del conjunto de polinomios de grado menor o igual a 3 es 4.

4.6. Cambio de base, base ortonormal,proceso de ortonormalización


Gram-Schmidt.
En R2 tenemos la base canónica i = (1, 0), j = (0, 1) y tomemos los vectores u = (1, 3), v =
(−2, 1) como u,v son linealmente independientes esta es una segunda base B2 de R2 . Ahora tome-
mos un vector arbitrario en R2 , x = (x1 , x2 ) y lo expresamos en términos de la primera base esto
es:
x = (x1 , x2 ) = x1 (1, 0) + x2 (0, 1) = x1 i + x2 j
Como B2 es una segunda base en R2 entonces existen escalares a,b tales que:

x = au + bv (4.1)

Para encontrar estos números escribimos la base anterior en terminos de la nueva base esto es:

i = (1, 0) = 2/5(1, 3) − 3/5(−1, 2) = 2/5u − 3/5v

j = (0, 1) = 1/5(1, 3) + 1/5(−1, 2) = 1/5u + 1/5v


entonces

x = x1 i + x2 j = x1 (2/5u − 3/5v) + x2 (1/5u + 1/5v) = (2/5x1 + 1/5x2 )u + (−3/5x1 + 1/5x2 )v

ası́ de (4.1)

22
a = 2/5x1 + 1/5x2
b = −3/5x1 + 1/5x2

o tambien
! ! !
2/5x1 1/5x2 2/5 1/5 x1
xB2 = =
−3/5x1 1/5x2 −3/5 1/5 x2
Ejemplo 47 Si tomamos xB1 = (3, −4) entonces tenemos que:
! ! !
2/5 1/5 3 2/5
xB2 = =
−3/5 1/5 −4 −13/5
!
2/5 1/5
La matriz A = se llama matriz de transición de B1 a B2
−3/5 1/5
En general la matriz inversa A−1 de A Cuyas columnas estan dadas como los vectores de la
base B2 forman la matriz de transición de B1 a B2 .

Teorema 9 Sean B1 y B2 bases para un espacio vectorial V. Sea A la matriz de transición de B1


a B2 . Entonces para todo x ∈ V.
(x)B2 = A(x)B1

Ejemplo 48 Tomemos la base B1 = {i, j, k} y sea B2 = {(1, 0, 2), (3, −1, 0), (0, 1, −2)}, si x =
(1, −2, 4) escribir x en terminos de la segunda base.

1 3 0
SOLUCION:Verificamos que B2 es una base, esto es claro pues el determinante 0 −1 1 =

2 0 −2
8 Entonces la matriz de transición de B1 a B2 esta dada por
 
 2 6 3 
A−1 = 1/8  2 −2 1
 
 
2 6 −1

Asi entonces tenemos que


      
 1   2 6 3   1   2 
 −2 = 1/8  2 −2 1   −2 = 1/8  2
     
     
4 B1
2 6 −1 4 −14

definición 24 Se dice que un conjunto de vectores S = {u1 , u2 , . . . uk } es un conjunto ortonormal


si:
ui · u j = 0 i, j
ui · ui = 1

23
Si solo se satisface la condición 1 se dice que el conjunto es ortogonal.

Teorema 10 Proceso de ortonormalización de Grand-schmidt Todo espacio V tiene una base


ortonormal.
Sea S = {v1 , v2 . . . vn } una base de V.
paso 1. elección del primer vector unitario
sea u1 = |vv11 |
paso 2.elección del segundo vector unitario
Sea v02 = v2 − (v2 · u1 )u1 entonces v01 es ortogonal a u1 . y escojemos como:

v02
u2 =
|v02 |

De aqui es evidente que {u1 , u2 } es un conjunto ortonormal.


último paso. eleccion del k+1 vector unitario
Supongamos que se han construido los vectores {u1 , u2 . . . uk } y que forman un conjunto ortonor-
mal.para construir uk+1
Sea
v0k+1 = vk+1 − (vk+1 · u1 )u1 − (vk+1 · u2 )u2 − . . . − (vk+1 · uk )uk
v0k+1
Finalmente uk+1 = |v0k+1 | .

Ejemplo 49 Construya una base ortonormal en R3 comenzando con la base


     

  1   0   1 
     
{v1 , v2 , v3 } =   1  ,  1  ,  0 
 



 0       

1 1 

SOLUCION: una base ortonormal es


 √   √   √ 
  1/ 2   −1/ 6   1/ 3 

 √ √ √  
 ,  1/ √6  ,  −1/√ 3 

     


  1/ 2

 0     

2/ 6 1/ 3 
 

24
4.7. Ejercicios
1.- Determina si el conjunto dado es un espacio vectorial si no lo es indicar cual propiedad no
se cumple
a) V= El conjunto de matrices diagonales de 3x3.
b) V = {(x, y) : y ≤ 0}.
c) Los vectores en el plano que estan en el primer cuadrante.
d) el conjunto de polinomios de grado menor o igual a 3.
e) el conjunto V = {2} !
0 a
f) el conjunto de matrices de 2x2 que tienen la forma
b 0
2.- Determina si el subconjunto H del espacio vectorial V es un subespacio.
a) V = R2 , H = {(x, y) : y ≥ 0}
b) V = R2 , H el plano XY.
c)V = R2 , H = {(x, y) : x2 + y2 ≤ 1}
d)V = Mnxn (matricesdenxn), H = {S ∈ Mnxn : S es una matriz simetrica}

3.-Determine si el conjunto de vectores genera al espacio dado.


a)H = (1, 2), (3, 4) el espacio es R2
b)H = (1, 1), (2, 2), (5, 5) el espacio es R2
c)H = (1, 1, 1), (0, 1, 1), 0, 0, 1) el espacio es R3
d)H = 1 − x, 3 − x2 el espacio es el conjunto de polinomios de grado menor o igual a 2

4.- escribe el vector (1, −1, 2) en terminos de la base dada (no como combinación lineal)
     

  1   0   1 
     
 0  ,  0  ,  1 
 
a) 



 0      

1 1 
     

  2   −1   3 
 
, ,
 
b)  1 4 −2
     
    
     

 3 5 −4 
5.- Determine si el conjunto de matrices es linealmente independiente o dependiente.
! ! ! !
1 2 −1 3 2 −1 1 4
, , ,
3 6 −1 1 0 1 4 9

6.- Encontrar una base ortonormal para el espacio dado.


a)H = {(x, y, z) : 2x − y − z = 0} (Sug. primero encontrar 2 vectores lin. independientes)
     

  3   −1   3 
, ,
 
b) 1 6 −2
    
 
 
       
 2   7   4 
 

25
Capı́tulo 5

Transformaciones Lineales

5.1. Definición de transformación lineal.


definición 25 Sean V y W espacios vectoriales reales. Una transformación lineal T de V en W es
una función que asigna cada vector v ∈ V un vector único T v ∈ W y que satisface para cada
u, v ∈ V y cada escalar α

T (u + v) = T u + T v T α = αT v

Ejemplo 50 Una transformación lineal de R2 en R3 definida por:


!  x + y 
 
x
T= =  x − y 
 
y  
3y

Ejemplo 51 algunos ejemplos de transformaciones


+La transformación cero. (T v = 0) para todo v ∈ V
+La transformación identidad T v = v para todo v ∈ V
+La transformación de reflexión T (x, y) = (−x,
! y)
xcosθ − ysenθ
+transformación de rotación
xsenθ + cosθ
+transformación diferencial T ( f ) = f 0

5.2. Definición de núcleo o kernel, e imagen.


definición 26 Sean V y W dos espacios vectoriales y sea T : V → W una transformación lineal.
Entonces:
1) El nucleo de T, denotado por nu T, esta dado por nu T = {v ∈ V : T v = 0}
2) La imagen de T, se define como imagen T = {w ∈ W : w = T v para alguna v ∈ V}

Observemos que nu T es no vacio porque siempre se tiene que T (0) = 0 y la imagen de T es


simplemente el conjunto de imagenes de los vectores en V bajo la transformación T, es decir si
w = T v w es la imagen de v bajo T.

26
Se puede ver que el nucleo de T y la imagen de T son subespacios vectoriales de V y W
respectivamente, ademas la dimensión de V es igual a la suma de las dimensiones del nucleo y la
imagen esto es:
dimV = dim(nuT ) + dim(imT )
Ejemplo 52 calcular el nucleo e imagen de las siguientes transformaciones:
+La transformación cero. (T v = 0) para todo v ∈ V
+La transformación identidad T v = v para todo v ∈ V
+La transformación de reflexión T (x, y) = (−x,
! y)
xcosθ − ysenθ
+transformación de rotación
xsenθ + cosθ
+transformación diferencial T ( f ) = f 0
!
1 2
Ejemplo 53 Sea T : M22 → M22 tal que T (A) = AB donde B = calcular el nucleo e
0 1
imagen.

5.3. representación matricial de una transformación lineal.


Para toda transformación lineal, existe una matriz AT tal que T x = AT x para todo x, es decir
cualquier transformación lineal entre espacios vectoriales de dimensión finita se puede representar
por una matriz.

definición 27 La matriz AT se llama matriz de transformación correspondiente a la transforma-


ción lineal T.

NOTA: la matriz AT se puede obtener evaluando la transformación T sobre la base canonica.


Ejemplo 54 Encontrar la matriz de transformación correspondiente a la proyección de un vector
en R3 sobre el plano xy.
 
 1 0 0 
SOLUCION:AT =  0 1 0 
 
 
0 0 0

Ejemplo 55 Encontrar la matriz de transformación correspondiente a la función:T (x, y, z) = [(x−


y), (y + z), (2x − y − z), (−x + y + 2z)] ademas encontrar el nucleo y su imagen.

−1
 
 1 0 

 0 1 1
SOLUCION: AT =   Si reducimos a la forma escalonada observamos que: AT =
 
 2 −1 −1 

−1 1 2
 
 1 −1 0   1   −1   0 
   


 

 0 1 1  
 0   1   1 
 
 por lo tanto la imagen de T = gen 

y el nucleo es igual a
      
 0 0 1   2   −1   −1 

      

  
 

0 0 0  −1

1 2 

cero.

27
Teorema 11 Sea V un espacio vectorial de dimensión n y W un espacio de diminsión m, sea
T : V → W una transformación lineal. Sea B1 = {v1 , v2 , . . . vn } una base para V y sea B2 =
{w1 , w2 , . . . wm } una base para W. Entonces existe una matriz unica AT de mxn tal que
(T x)B2 = AT (x)B1
Ejemplo 56 Sea T : P2 → P3 definida como T (x) = xP(x), encontrar AT y determinar el núcleo
y la imagen de T.
SOLUCION: usando las bases canonicas B1 = {1, x, x2 } en P2 y B2 = {1, x, x2 , x3 } en P3 se tiene
que
 
 0 0 0 
 1 0 0 
AT =  
 0 1 0 
0 0 1
de aqui la imagen de T = {x, x2 , x3 } y por lo tanto el nucleo es igual a cero.

5.4. Transformaciones y sistemas de ecuaciones lineales.


en la sección anterior determinamos el núcleo y la imagen de una transformación lineal me-
diante diagonalización de la matriz de transformacion, en esta seccion veremos que tambien es
posible hacerlo usando sistemas de ecuaciones lineales.
Ejemplo 57 Sea T : P2 → P3 definida como T (x) = xP(x), encontrar AT y determinar el núcleo
y la imagen de T.(la transformación multiplica por x)
SOLUCION: usando las bases canonicas B1 = {1, x, x2 } en P2 y B2 = {1, x, x2 , x3 } en P3 se tiene
que
    
 0 0 0   x1   0 
 1 0 0   x2   0 
AT =    x3  = 
    
 0 1 0
  
0 

0 0 1 x4 0
Reoslviendo este sistema observamos que tiene solución única por lo tanto el nucleo es igual a 0
y la imagen es lo generado por {x, x2 , x3 }.
Ejemplo 58 Encontrar la matriz de transformación correspondiente a la función:T (x, y, z) = [(x−
y), (y + z), (2x − y − z), (−x + y + 2z)] ademas encontrar el nucleo y su imagen.
−1 −1
     
 1 0  
 1 0  
 x   
  0 
1   1   0 
 0  
1 1   0 1
SOLUCION: AT =   Si escribimos el sistema   x  =  
 2 −1 −1   2 −1 −1   2   0 
  x3  
−1 1 2 −1 1 2 0
Observamos
 que tiene solución unica es decir nucleo de T es igual a cero y la imagen es T =

 1   −1   0 
 


 
 

 0   1   1 

    
gen 


  2   −1   −1  

    


 −1   1   2 
 

28
2x − y + 3z
   
 x   
Ejemplo 59 Sea T =  y  =  4x − 2y + 6z  Encontrar nucleo e imagen de T.
   
−6x + 3y − 9z
  
z
 

  2 

SOLUCION: imagen de T = 
 
4 

  


−6 

5.5. Geometrı́a de las transformaciones lineales y aplicaciones.


Sea T : R2 → R2 una trasformación lineal con representación matricial AT , entonces si AT es
invertible T se puede escribir como una sucesión de una o mas trasformaciones especiales llamadas
expansiones, compresiones, reflexiones y cortes

definición 28 Una expansión a lo largo del eje x es una tranformación lineal que multiplica a la
coordenada x de un vector en R2 por una constante c > 1 y se representa como
! !
x cx
T =
y y
! ! ! ! !
1 c 0 0 c0
Entonces si T = y ademas T = tenemos que la matriz de transformación AT =
0 0 1 1 01
De manera similar podemos definir la expansión a lo largo del eje y, con lo cual obtendriamos
! !
x x
T =
y cy

definición 29 Una compresión a lo largo del eje x es una tranformación lineal que multiplica a
la coordenada x de un vector en R2 por una constante 0 < c < 1 y se representa como
! !
x cx
T =
y y
! ! ! ! !
1 c 0 0 c0
Entonces si T = y ademas T = tenemos que la matriz de transformación AT =
0 0 1 1 01
De manera similar podemos definir la compresión a lo largo del eje y, con lo cual obtendriamos
! !
x x
T =
y cy

definición
! 30 !Existen 3 tipos de reflexiones de transformaciones lineales
x x
a) T = ,Refleja a un vector respecto al eje x.
y! −y !
x −x
b) T = ,Refleja a un vector respecto al eje y.
y! y!
x y
a) T = ,Refleja a un vector respecto a la recta x=y.
y x

29
Las correspondientes
! matrices de transformación
! son: !
1 0 −1 0 0 1
a) b) a)
0 −1 0 1 1 0
!
x
definición 31 Un corte a lo largo del eje x es una transformación que toma al vector y lo
y
x + cy
!
convierte en un nuevo vector donde c es una constante que puede ser positiva o negativa.
y
!
1 c
La matriz de transformación lineal es
0 1
!
x
definición 32 Un corte a lo largo del eje y es una transformación que toma al vector y lo
y
x + cy
!
convierte en un nuevo vector donde c es una constante que puede ser positiva o negativa.
y
!
1 0
La matriz de transformación lineal es
c 1
!
1 3
Ejemplo 60 considere la transformación lineal representada por , observemos que se puede
3 4
representar como: ! ! ! ! !
1 3 1 0 1 0 1 0 1 2
=
3 4 3 1 0 −1 0 2 0 1

+la primer matriz representa un corte a lo largo del eje x


+la segunda matriz representa una expansión a lo largo del eje y
+la tercera matriz representa una reflexión a lo largo del eje x
+la cuarta matriz representa un corte respecto al eje y

5.6. Ejercicios
1.-Determine
! ! si la transformación dada es lineal !
x x x
a)T = b)T = xy
y 0 y
x+y
! ! ! !
x 1 x
c)T = d)T =
y y y x−y
e)T (A) = AB donde B es una matriz fija de nxn y A una matriz cualquiera de nxn.
2.- Encuentra
! el!nucleo y la imagen de las siguientes transformaciones
!
x x x
a)T = b)T = x+y
y 0 y
x+y
! ! ! !
x 1 x
c)T = d)T =
y y y x−y

30
!
1 2
e)T (A) = AB donde B = y A una matriz cualquiera de 2x2.
0 1
3.- Encuentra ! la representación
! matricial de las siguientes transformaciones
x x − 2y
a)T =
y −x + y
 
 x 
x−y+z
!
b)T  y  =
 
  −2x + 2y − 2z
z
 x   x − y + 2z
   

c)T  y  =  3x + y + 4z
   
−3x + 6y + 3z
   
z
 x   x − y + 2z + w 
   
 y   −x + z + 2w 
d)T   =  
 z   x − 2y + 5z + 4w 
w 2x − y + z − w
4.- Escribe la representación matricial de 2x2 de la transformación lineal dada y bosqueja la región
obtenidad al aplicar la transformación.
a)Expansión a lo largo del eje y (c=2) en el rectangulo (0,0),(5,0),(5,2),(0,2)
b)Corte a lo largo del eje x (c=-2) en el rectangulo (-2,-1),(3,-1),(3,2),(-2,2)
c) Corte a lo largo del eje y (c=-1/2) en el rectangulo (-6,-1),(2,-1),(2,2),(-6,2)
d)Reflexión a lo largo del eje x en el rectangulo (-7,-1),(4,-1),(4,3),(-1,3)
e) Reflexión a lo largo de la recta x=y en el rectangulo (-2,-2),(2,-2),(2,2),(-2,2)
5.- Expresar cada matriz ! dada como producto de matrices especiales
2 −1
a) B =
5 0!
3 6
b) A =
4 2 !
−1 10
c) C =
6 2

31

También podría gustarte