Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Informe Op No Lineal
Informe Op No Lineal
Alumno:
Profesor:
Aida Ortega
Ingridines Gamarra
27.102.373
26 de Abril, 2021
Espacio Vectorial
Un espacio vectorial (o también llamado espacio lineal) es una estructura algebraica creada
a partir de un conjunto no vacío, una operación interna (llamada suma, definida para los
elementos del conjunto) y una operación externa (llamada producto por un escalar, definida
entre dicho conjunto y otro conjunto, con estructura de cuerpo), con 8 propiedades
fundamentales.
Dependencia lineal
Donde por lo menos uno de los coeficientes ci es diferente de cero. En caso contrario, se
dice que A es linealmente independiente. Es decir, cuando la ´única combinación lineal que
da cero es la que tiene todos los coeficientes cero. Es decir, que A es linealmente
independiente cuando c1 x1 + c2 x2 + · · · + ck xk = 0 implica cada coeficiente es cero: c1
= 0 = c2 = · · · = ck .
Producto interno
Sea V un espacio lineal real. Un producto interno en V es una función que asigna a cada
par ordenado de vectores u y v en V, un número real que se denota < u, v > y verifica las
siguientes formalidades:
Sea V un espacio lineal complejo. Un producto interno en V es una función que asigna a
cada par ordenado de vectores u y v' en V, un número complejo posiblemente que se
denota < u, v > y verifica las siguientes condiciones:
1. < u', v > = < v , u>* para todo u y v en V, donde * designa el conjugado
del resultado en número complejo.
2. <α u' + β v, w > = α < u, w > +β < v, w >, además < w , α u+β v > = α
< w, u > +β < w, v > para todos u , v y w en V , α y β números reales.
3. < u, u > positivo si v ≠ 0. Además < u, u > = 0 s,s,s u = 0.
Norma de un vector
=
Analíticamente:
= 3 - 2
Según lo expuesto:
= =
De forma análoga se define la norma para un vector definido en el espacio. Es decir:
= 0
La norma de un vector no nulo es siempre positiva. O sea:
> 0 0
La norma del producto de un escalar por un vector es igual al escalar por la
norma del vector.
El cuadrado de la norma de un vector es igual al producto escalar del vector por
sí mismo. Esta propiedad, en definitiva, es consecuencia de la propia definición
de norma.
Dados dos vectores, y , sus normas cumplen la llamada propiedad
triangular, la cual afirma que la norma del vector suma de ambos es menor o
igual que la suma de sus normas.
Vectores Ortogonales
Cuando dos vectores A = (Ax, Ay, Az) y B = (Bx, By, Bz) son perpendiculares entre sí, es
decir, forman un ángulo recto (θ = π/2), se dice que son vectores ortogonales. Esta situación
se denota como A ⊥ B. Dos vectores serán ortogonales cuando su producto escalar (también
llamado producto punto y producto interno) es cero:
Cuando dos vectores de A y B son ortogonales, forman un triángulo rectángulo, cuya
hipotenusa es igual a la suma de los vectores.
Base Ortogonal
Las bases ortogonales, y particularmente las bases ortonormales, son muy útiles cuando se
trabaja con proyecciones sobre subespacios, entre otros problemas. Algunas de las ventajas
de usar este tipo de bases se basa en el hecho de que las coordenadas de un vector en
relación con una base ortonormal se pueden calcular mediante el uso de una fórmula
explícita y fácil, donde cada coordenada solo involucra el vector asociado de la base.
Ejemplo:
Encuentre los valores de x, y, z, si existen, tal que el conjunto de vectores A es una base
ortogonal de R3.
A = {(x, 2, 2); (1, y, -1); (-4, -1, z)}
Una base de un espacio vectorial es una base ortogonal si cada par de vectores de la base
son ortogonales, es decir, su producto interno es 0. Se puede demostrar fácilmente que un
conjunto ortogonal siempre es linealmente independiente, por lo que, como el conjunto A
tiene 3 vectores (la dimensión del espacio vectorial), es suficiente demostrar que los
vectores son ortogonales para demostrar que también son una base de R3.
Para que el conjunto de vectores sea un conjunto ortogonal, cada par de vectores tienen que
ser ortogonales:
Entonces, para encontrar los valores de x, y, z, tales que el conjunto A sea una base
ortogonal, necesitamos resolver el sistema de ecuaciones lineales:
x + 2y = 2
-4x + 2z = 2
-y - z = 4
cuya matriz ampliada es:
┌ ┐
│ 1 2 0| 2 │
│ -4 0 2 | 2 │
│ 0 -1 -1 | 4 │
└ ┘
Escalonamos la matriz ampliada utilizando transformaciones elementales por fila.
r2 <———> r2 + 4•r1
┌ ┐
│1 2 0| 2│
│ 0 8 2 | 10 │
│ 0 -1 -1 | 4 │
└ ┘
r2 <———> r3
┌ ┐
│1 2 0| 2│
│ 0 -1 -1 | 4 │
│ 0 8 2 | 10│
└ ┘
r3 <———> r3 + 8•r2
┌ ┐
│1 2 0| 2│
│ 0 -1 -1 | 4 │
│ 0 0 -6 | 42 │
└ ┘
x+2y = 2
-y-z = 4
-6z = 42
Realizamos el proceso de sustitución hacia atrás. Comenzando con la última ecuación,
despejamos la variable y la reemplazamos en la ecuación anterior, realizando este proceso
hasta la primera ecuación.
-6z = 42
z = -42/6
z = -7
-y-z = 4
y = -4-z
y = -4-(-7)
y=3
x+2y = 2
x = 2-2y
x = 2-2•(3)
x = -4
x = -4
y=3
z = -7
Subespacio Vectorial
Existen múltiples ejemplos de sub espacio, sin embargo, en primer lugar, se demostrará un
resultado que hace relativamente sencillo determinar si un subconjunto de V es en realidad
sub espacio de V
Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura se deberán
cumplir. De lo contrario, para demostrar que es un espacio vectorial, se deberá demostrar
que los axiomas i) a x) de la definición cumplen bajo las operaciones de suma de vectores y
multiplicación por un escalar definidas en V. Las dos operaciones de cerradura [axiomas i)
y iv)] se cumplen por hipótesis, como los vectores en H son también vectores en V, las
identidades asociativa, conmutativa, distributiva y multiplicativa
[axiomas ii), v), vii), viii), ix) y x)] se cumplen.
Este teorema demuestra que para probar si H es o no es un sub espacio de V, es suficiente
verificar que:
Propiedades
1. El vector cero de V está
en H.2
3. H es cerrado bajo la multiplicación por escalares. Esto es, para cada
u en H y cada escalar c, el vector cu está en H.
Matrices
Las matrices y los determinantes son herramientas del álgebra que facilitan el ordenamiento
de datos, así como su manejo. Una matriz es una tabla bidimensional de números en
cantidades abstractas que pueden sumarse y multiplicarse.
Las matrices se utilizan para describir sistemas de ecuaciones lineales, y registrar los datos
que dependen de varios parámetros. Las matrices se describen en el campo de la teoría de
matrices. Pueden descomponerse de varias formas.
Una matriz es una tabla cuadrada o rectangular de datos (llamados elementos) ordenados en
filas y columnas, donde una fila es cada una de las líneas horizontales de la matriz y una
columna es cada una de las líneas verticales. A una matriz con m filas y n
columnas se le denomina matriz m-por-n (escrito m×n), y a m y n dimensiones de la matriz.
Autovalores y Autovectores
Sea V un espacio vectorial sobre el cuerpo K y sea F : V → V un operador lineal. Un
escalar λ ∈ K es un autovalor de F si existe v ∈ V , con v 6= 0, tal que F(v) = λv (v 6= 0)
Resulta muy cómodo, tanto para escribir el polinomio de 2º grado a partir de la matriz, sin
tener que hacer la multiplicación:
como para deducir la matriz simétrica asociada a la forma cuadrática a partir del
polinomio saber que:
Conjuntos convexos
Definición:
C ℜn
Intuitivamente:
Decimos que C es un conjunto convexo si cualquier segmento que una dos puntos
cualesquiera del conjunto, siempre pertenece, todo él, al conjunto.
Ejemplos:
1. Conjuntos convexos:
2. Conjuntos no convexos:
3. Los intervalos son los conjuntos convexos de ℜ.
Propiedades:
Métodos iterativos:
No existen métodos directos generales
Se parte de un valor x0, y se genera una sucesión { xk }k=0 con la propiedad de que
limk xk x*
y x* cumpla algunas condiciones de extremo
2
Es definida positiva, y se parece todo lo posible a f (x )
k
Construcción de la matriz M
k
2 2
Añadir un múltiplo de la identidad: M = f (x ) + I - min(0 , min ( f (x ))
k k k
- )