Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3-Teoría Álgebra Lineal 21-22
3-Teoría Álgebra Lineal 21-22
3.1. Vectores
EN NOTACIÓN MATEMÁTICA:
x1
x2
n
R = x= | x1, x2, . . . xn ∈ R
..
xn
1
Ejemplo:
0
2/3
√
3 ν
u= , v= 3 , w= ∀ν ∈ R
−1 0
π
1
~u = u ∈ R2, ~v = v ∈ R3, ~ = w ∈ R4
w
Ejemplo:
0
0= (En R2)
0
2
• Llamamos vector fila a una matriz con una única fila.
Ejemplo:
3
[3 − 1 ] 6=
−1
• El transpuesto de un vector columna es un vector fila
(y viceversa).
Ejemplo:
T
3 T 3
= [3 −1] y [3 −1] =
−1 −1
3
OPERACIONES:
Sólo se aplican a vectores con el mismo número de componentes.
4
◦ Producto por un escalar. Es otro vector cuyas componentes
son el producto del escalar por las componentes del vector.
Ejemplo:
3 6 0 0
2 = , λ =
−1 −2 −1 −λ
PROPIEDADES:
Dados u, v, w ∈ Rn y λ, ν ∈ R,
◦ Conmutativa: u+v =v+u
◦ Asociativa I: (u + v) + w = u + (v + w)
◦ Elemento Neutro I: u+0=u
◦ Elemento Inverso: u + (−u) = u − u = 0
◦ Distributiva I: λ(u + v) = λu + λv
◦ Distributiva II: (λ + ν)u = λu + νu
◦ Asociativa II: λ(νu) = (λν)u
◦ Elemento Neutro II: 1u = u
5
Descripción Geométrica ( R2 )
2 5
◦ VECTORES u= , v=
3 1
7
◦ ADICIÓN DE VECTORES u+v =
4
4
◦ MULTIPLICACIÓN POR UN ESCALAR 2u =
6
6
3.2. Subespacios Vectoriales
1. El vector 0 de Rn está en V .
2. ∀ u, v ∈ V ⇒ u+v ∈ V .
3. ∀ u ∈ V y ∀ λ ∈ R ⇒ λu ∈ V .
EJEMPLOS:
◦ Una recta/plano que pasa por el origen es un SEV de Rn.
◦ Rn es un SEV.
8
Otros subespacios vectoriales
9
3.3. Combinaciones Lineales
b = x 1 a1 + x 2 a2 + · · · + x p ap
√ 1
u= 3 x + y, v= x, w = (4 − 1) y, 0.
2
Ejemplo:
7 3 1 3 0
es CL de y pero no lo es de y .
2 1 0 1 0
10
7 1 2
Ejemplo: Sean b = 4 , a1 = −2 y a2 = 5 .
−3 −5 6
Determı́nese si b es CL de a1 y a2.
x1 a 1 + x2 a 2 = b
1 2 7 x1 + 2 x2 = 7
x1 −2 + x2 5 = 4 ⇔ −2 x1 + 5 x2 = 4
−5 6 −3 −5 x1 + 6 x2 = −3
11
Esto lo sabemos hacer:
1 2| 7 1 0 | 3
−2 5 | 4 ∼ ... ∼ 0 1 | 2
−5 6 | −3 0 0 | 0
El sistema tiene solución. Por tanto,
◦ ∃ x1 y x2 | x1 a1 + x2 a2 = b.
◦ Es decir, b es combinación lineal de a1 y a2.
◦ Los coeficientes de la combinación lineal son las soluciones del sistema,
1
x1 = 3, x2 = 2.
◦ Podemos escribir la relación de dependencia: b = 3 a1 + 2 a2.
1
Estos valores se denominan coordenadas de b en la base formada por
a1 y a2 .
12
Teorema 3.1. La ecuación vectorial
x 1 a1 + x 2 a2 + · · · + x q a q = b
[ a1 a2 ... aq b ].
[ a1 a2 ... aq b ]
13
2.4. Subespacio generado por un conjunto
• El subespacio generado por los vectores v1, v2, . . . vp
es el conjunto de todas las combinaciones lineales de dichos
vectores. Este conjunto se denota Gen{v1, v2, . . . vp}.
EN NOTACIÓN MATEMÁTICA:
Si v1, . . . vp ∈ Rn, entonces
Gen{v1, . . . vp} =
{ x ∈ Rn | x = α1 v1 + · · · + αp vp, ∀ α1, . . . αp ∈ R }
14
Teorema 3.2. (a) Dados los vectores v1, v2, . . . vp de un
subespacio vectorial V , el conjunto H = Gen{v1, v2, . . . , vp}
es un subespacio vectorial. (b) Además se verifica que H ⊆ V .
Demostración:
(a)
1. 0 ∈ H.
2. Dados u y v de H ⇒ u + v ∈ H.
3. Dado u de H ⇒ λ u ∈ H ∀ λ.
(b)
Sea cualquier vector u ∈ H.Como u es CL de los vectores de
V entonces u ∈ V .Luego H ⊆ V .
15
3.5. La ecuación matricial A x = b
• Dada la matriz A = [ a1 a2 . . . an ] de dimensión (m×n),
donde a1, . . . , an ∈ Rm, y el vector x ∈ Rn de componentes
x1, . . . , xn, definimos el producto de A por x como la
combinación lineal de los vectores a1, a2, . . . an con los
coeficientes x1, . . . , xn y lo escribimos:
x1
x2
A x = [ a 1 a2 . . . an ] . = x 1 a1 + x 2 a 2 + · · · + x n a n
.
xn
| {z } | {z } | {z }
(m × n) (n × 1) (m × 1)
ATENCIÓN:
(m × n) (n × 1) ⇒ (m × 1)
16
PROPIEDADES:
◦ A(u + v) = Au + Av
◦ A(λ u) = λ (Au)
Ejemplo:
4
1 2 −1 1 2 −1 3
Ax = 3 =4 +3 +7 =
0 −5 3 0 −5 3 6
7
18
Teorema 3.4. La ecuación Ax = b tiene solución si y sólo si b
es una combinación lineal de las columnas de A.
EN NOTACIÓN MATEMÁTICA:
Sea A = [a1 . . . an], con a1, . . . an ∈ Rm, y b ∈ Rm, entonces:
∃ x ∈ Rn | Ax = b ⇔ b ∈ Gen{a1 a2 . . . an}
19
Teorema 3.5. Sea la matriz A de dimensión (m × n). Las
siguientes proposiciones son equivalentes:
◦ 1.- Ax = b tiene solución ∀ b ∈ Rm
Demostración:
◦ 3 ⇒ 1. Si A tiene un elemento pivote en todas las filas, la ma-
triz ampliada [ A b ] a la que le hemos añadido una columna
no tendrá pivote en la última columna (independientemente
de b) y, por tanto, el sistema Ax = b será consistente ∀ b.
20
1 ⇒ 3. A su vez, si el sistema Ax = b es consistente ∀ b,
es decir si la matriz ampliada [ A b ] representa un sistema
consistente independientemente de b,es porque A tiene nece-
sariamente un pivote en la última fila y, por ende, en todas las
filas.
1 ⇒ 2. Si el sistema Ax = b es consis-
tente ∀ b, es porque cualquier vector b ∈ Rm
es combinación lineal de las columnas de A.
Es decir, las columnas de A, mediante combinaciones linea-
les, dan lugar a cualquier vector de Rm (generan Rm).
EN NOTACIÓN MATEMÁTICA:
EN NOTACIÓN MATEMÁTICA:
f1T
Si A = .. , Fil A = Gen{f1, f2, . . . , fm}
T
fm
22
Teorema 3.6. El espacio de columnas de una matriz (m × n)
es un subespacio vectorial de Rm.
Ejemplo:
2 1 0 2 1 0 1
A= ⇒ Col A = Gen , , = Gen
0 0 0 0 0 0 0
Ejemplo:
2 0 2
2 1 0
A= ⇒ Fil A = Gen 1 , 0 = Gen 1
0 0 0
0 0 0
23
Teorema 3.8. Si dos matrices A y B son equivalentes por
filas, entonces (⇒) Fil A = Fil B
ATENCIÓN: A∼B ⇒
/ Col A = Col B
1 2 1
Col A = Gen , = Gen
1 2 1
1 2 1
Col B = Gen , = Gen 6= Col A
0 0 0
24
• El espacio nulo de una matriz A (m × n), es el conjunto
de todas las soluciones de la ecuación Ax = 0.
EN NOTACIÓN MATEMÁTICA:
Nul A = { x ∈ Rn | Ax = 0 }
Demostración:
1. 0 ∈ Nul A
2. Si x, y ∈ Nul A ⇒ x + y ∈ Nul A
3. Si x ∈ Nul A ⇒ µx ∈ Nul A ∀µ ∈ R
25
Ejemplo: Calcule Nul A..
2 4 −2 1
A = −2 −5 7 3
3 7 −8 6
1 0 9 0| 0
x ∈ R4 | Ax = 0
Nul A = ⇒ [A|0] ∼ 0 1 −5 0| 0
0 0 0 1| 0
x1 = −9 λ −9
−9
x2 = 5 λ 5
⇒ Nul A = Gen 5
⇒ ⇒ x = λ
x3 = λ 1
1
x4 = 0 0 0
26
3.7. Estructura de las Soluciones de Sistemas Lineales
• Un sistema de ecuaciones se denomina homogéneo si
puede escribirse de la forma Ax = 0.
27
SISTEMAS HOMOGÉNEOS en Rn
VARIABLES LIBRES SOLUCIÓN
0 0 (trivial)
1 Recta que pasa por 0
2 Plano que pasa por 0
3 Hiperplano (3D) que pasa por 0
.. ..
x
FORMA
1 2 =0 ⇒ 1 2| 0 ESCALONADA
y REDUCIDA
y libre ↑
28
x = −2 µ x −2
∀µ ∈ R ⇒ =µ
y= µ y 1
FORMA
FORMA
PARAMÉTRICA
PARAMÉTRICA
VECTORIAL
29
x −2 0
Solución: y = µ 1 + ν 0 . Un plano
z 0 1
Cálculo de las ecuaciones de un subespacio vectorial generado por vectores
Ejercicio: Hállese la ecuación de la recta:
1 1
Gen = x ∈ R2 | x = λ , ∀λ∈R
−1 −1
x1 1 x1 = λ
⇒ =λ ⇒ ⇒ x1 = −x2
x2 −1 x2 =−λ
Es decir,
1 x1
Gen = x= ∈ R 2 | x1 + x2 = 0
−1 x2
1
o bien, el vector genera la recta x1 + x2 = 0.
−1
30
Ejercicio: Hállese la ecuación del plano.
1 3
Π = Gen 2 , −1
0 1
x 1 3 x = µ + 3ν
Solución: y = µ 2 + ν −1 ⇒ y = 2µ − ν }
z 0 1 z =ν
31
• Un sistema de ecuaciones se denomina no homogéneo si
puede escribirse de la forma Ax = b, con b 6= 0.
3 1
2 −3 1 | 2 ∼ 1 − | 1
2 2
3 1
x = 1 + µ − ν
2 2
y, z libres ⇒ y=µ ∀ µ, ν ∈ R
z=ν
32
Es decir,
x 1 3/2 −1/2
y = 0 + µ 1 + ν 0 ∀ µ, ν ∈ R
z 0 0 1
x = t + µu + ν v ∀ µ, ν ∈ R.
33
Teorema 3.12. Sea p una solución particular de la ecuación
Ax = b. El conjunto de soluciones de Ax = b puede escribirse
como
x = p + xH ,
donde xH representa cualquier solución de la ecuación ho-
mogénea AxH = 0.
1 1 0 2
Ejercicio: Sea el sistema Ax = b con A = y b= .
0 1 1 2
1
(a) Compruebe que p = 1 es una solución particular del sistena anterior.
1
(b) Calcule los vectores xH que verifican la ecuación homogénea AxH = 0.
(c) Demuestre que x = p + λxH , ∀λ ∈ R, es solución del sistema Ax = b.
34
3.8. Independencia Lineal
35
Hemos de resolver: x1 v 1 + x 2 v 2 + x3 v 3 = 0
1 4 2 | 0 1 4 2 | 0
2 5 1 | 0 ∼ · · · ∼ 0 −3 −3 | 0
3 6 0 | 0 0 0 0 | 0
El sistema es
⇒ Linealmente dependientes
compatible indeterminado
1 0 −2 | 0 x1 = 2 µ
x 3 libre
∼ 0 1 1 | 0 x2 = −µ
⇒
0 0 0 | 0 x3 = µ
2µ v1 − µ v2 + µ v3 = 0
2 v1 − v2 + v3 = 0
36
Teorema 3.13. Sean las siguientes matrices (m × n),
equivalentes por filas
A = [ a1 . . . an ] ∼ [ b1 . . . bn ] = B
Si existen α1, α2, . . . αn tales que
α1 a1 + α2 a2 + · · · + αn an = 0
entonces se verifica que
α1 b1 + α2 b2 + · · · + αn bn = 0
37
Ejemplo:
2 1 3 2 1 −1 2 1 −2 1
A = [ a1 . . . a5 ] = −1 2 1 −2 1 ∼ 0 5 5 −2 3 ∼
5 −3 2 5 −3 0 0 0 1 1
1 0 1 0 −1
∼ ··· ∼ 0 1 1 0 1
0 0 0 1 1
. &
c3 = c1 + c2 c5 = −c1 + c2 + c4
38
Teorema 3.14. Un conjunto de vectores es linealmente
independiente si y sólo si ninguno de ellos es combinación
lineal de los otros.
Propiedades:
• Un vector no nulo es linealmente independiente.
• Dos vectores son linealmente independientes a menos que
sean proporcionales.
• El conjunto {a1, a2, . . . an, 0} es linealmente indepen-
diente.
39
Dados tres vectores x, y y z, se verifica que
z ∈ Gen{x, y} ⇒ {x, y, z} es LD
z∈/ Gen{x, y} ⇐ {x, y, z} es LI
Sin embargo
z ∈ Gen{x, y} ⇐/ {x, y, z} es LD
z∈/ Gen{x, y} ⇒
/ {x, y, z} es LI
Ejercicio: Dar algún ejemplo de estos dos últimos casos.
40
Teorema 3.15. Cualquier conjunto de vectores
{v1, v2, . . . vn} ∈ Rm es linealmente dependiente si se
verifica que n > m.
Ejercicio: Demuéstrese.
(Ayuda: Determı́nese si la matriz ampliada [ v1 . . . vn 0 ] tiene variables
libres cuando n > m.)
41
3.9. Base de un subespacio vectorial
··
·
0 0 ··· 1
42
Propiedades: El subespacio vectorial {0} no tiene base
porque el vector 0 no es linealmente independiente.
3 −4 −2
v1 = 0 , v2 = 1 , v3 = 1
−6 7 5
Consideremos
3 −4 −2 3 −4 −2
A = [ v1 v2 v3 ] = 0 1 1 ∼ · · · ∼ 0 1 1
−6 7 5 0 0 2
43
Ejemplo: Halle una base para el subespacio vectorial formado por los
vectores x de R3 cuyas coordenadas pertenecen al plano 2 x − y + 3 z = 0.
1 3
x= λ− µ
2 2 1/2 −3/2
y=λ ⇒ x=λ 1 +µ 0
z=µ 0 1
1/2 −3/2 1 −3
Luego 1 , 0 ó 2 , 0 son bases.
0 1 0 2
44
Teorema 3.17. Si {v1, . . . vp} es una base de V , entonces:
◦ {v1, . . . vp−1} es un conjunto linealmente independiente,
pero no genera V .
Ejercicio: Demuéstrese.
Ejemplo: S = {1, t, t2, · · · , tn} es una base para Pn. Esta base
se llama base estándar de Pn.
45
3.10. Dimensión de un Subespacio Vectorial
PROPIEDADES:
◦ Una base de Rn tiene n vectores. Por tanto, dim Rn = n.
47
3.11. Bases de Col A, Fil A y Nul A
A = [ a1 . . . an ] ∼ · · · ∼ B = [ b1 . . . bn ]
◦ Una base de Col A será {a1, a3, a5, an} pues también serán
linealmente independientes (Teorema 2.13).
48
Base de Fil A
Teorema 3.21.
La dimensión de Col A y de Fil A es el número de pivotes de A.
Ejercicio: Demuéstrese.
49
Ejemplo: Hállense bases de Col A y de Fil A:
1 4 0 2 −1 f1T
3 12 1 5 5 f2T
A= = [ a1 . . . a5 ]=
2 8 1 3 6 f3T
5 20 2 8 8 f4T
50
Una base de Col A será
1 0 −1
3 1 5
a1 , a3 , a5 = , ,
2 1 6
5 2 8
51
ATENCIÓN:
Esto no es una base de Col A:
1 0 0
0 1 0
u1, u3, u5 = 0 , 0
,
1
0 0 0
52
Base de Nul A
Sea la matriz (m × n) A = [ a1 . . . an ]
Nul A = { x ∈ Rn | Ax = 0 }
x = λ1 v 1 + λ2 v 2 + · · · + λp vp
53
Teorema 3.22. La dimensión del espacio nulo de una matriz A
es el número de variables libres de la ecuación Ax = 0.
−3 6 −1 1 −7 1 −2 2 3 −1
A = 1 −2 2 3 −1 ∼ · · · ∼ 0 0 1 2 −2
2 −4 5 8 −4 0 0 0 0 0
54
3.12. Rango de una Matriz
número número número
Demostración: columnas + variables = columnas
pivote libres total
55
3.13. Sistemas de Coordenadas
x = c1 b1 + c2 b2 + · · · + cp bp.
56
Demostración:
57
1 1
Ejemplo: Dada la base B = {b1 = 0 , b2 = 2 }, calcúlense las
0 1
coordenadas de x en la base canónica sabiendo sus coordenadas en la base
−2
B son [ x ] = .
B 3
−2
[x] = ⇒ x = −2 b1 + 3 b2
B 3
1 1 1 1
⇒ x = −2 0 + 3 2 = 6 ⇒ [x] = 6
E
0 1 3 3
58
2 1
Ejemplo: Sea la base B = {b1 = 1 , b2 = −1 }, halle las coordena-
1 0
4
das [ x ] a partir de las coordenadas en la base E, [ x ] = x = 5 .
B E
3
α
Buscamos α1, α2 | x = α1 b1 + α2 b2 ⇒ [x] = 1
B α2
4 2 1 4 2 1
5 = α1 1 + α2 −1 ⇒ 5 = 1 −1 α1
α2
3 1 0 3 1 0
2 1|4 1 0| 3
1 −1 | 5 ∼ · · · ∼ 0 1 | −2
1 0|3 0 0| 0
3
⇒ α1 = 3, α2 = −2 ⇒ [ x ] =
B −2
59
• Sea S la base estándar del espacio P2 de polinomios, es
decir, S = {1, t, t2}. Un elemento p(t) ∈ P2 tiene la forma
p(t) = a0 + a1t + a2t2.
60
Teorema 3.25. Un conjunto de vectores {v1, · · · vm} de un
subespacio vectorial V de Rn verifica
x1 [ v 1 ] + x2 [ v 2 ] + · · · + xm [ v m ] = [ 0 ]
B B B B
en cualquier base B de V .
61
Demostración: Los vectores {v1, · · · vm} se podrán expresar
de manera única en cualquier base B = {b1, · · · bp} de V :
α11
α12
v1 = α11b1 + · · · + α1pbp ⇔ [ v1 ] = .
.
B
.
α1p
αm1
αm2
vm = αm1b1 + · · · + αmpbp ⇔ [ vm ] = .
B .
αmp
x 1 v 1 + · · · + xm v m = 0
62
o, reagrupando los términos,
.
x1α11 + ... + xmαm1 = 0
m En forma
vectorial
α11 αm1 0
α12 αm2 0
x1 . + · · · + xm
. = .
. . .
α1p αmp 0
m
x1 [ v 1 ] + x2 [ v 2 ] + · · · + x m [ v m ] = [ 0 ]
B B B B
63
Ejemplo: Sea V un subespacio vectorial de R3 dado por la ecuación
x + y − z = 0, y sean los vectores
1 2 1
u= 1 v = −2 w= 1
2 0 1
64
x+y−z =0 ⇒ [ 1 1 −1 0 ]
x = −µ + ν −1 1
y=µ ⇒ x = µ 1 + ν 0
z=ν 0 1
−1 1
Luego B = {b1, b2} = 1 , 0 es base de V .
0 1
α1 b1 + α2 b2 = u, v, w, u+v
65
Esto lo podemos hacer simultáneamente
−1 1 1 2 1 3
[ b1 b2 | u v w u+v ] = 1 0 1 −2 1 −1
0 1 2 0 1 2
obteniendo
1 0 1 −2 1 −1
∼ ··· ∼ 0 1 2 0 2 2
0 0 0 0 1 0
Es decir,
1 −2 −1
[u] = [v] = w∈
/V [ u+v ] =
B 2 B 0 B 2
66
3.14. Transformaciones Lineales
T : Rn −→ Rm
x −→ T (x)
67
• Una transformación T es lineal si verifica:
◦ T (x + y) = T (x) + T (y)
◦ T (µ x) = µ T (x)
1
4 −3 −1 3 0
= 7 ,
T (x) = Ax =
2 0 −5 1 0 3
1
1
4 −3 −1 3 4 0
T (y) = Ay = = .
2 0 −5 1 1 0
3
69
Ejemplo:
1 −3 3 3
2
Sean A = 3 5 , u = , b = 2 , c = 2 .
−1
−1 7 −5 5
Definimos la aplicación
T : R2 −→ R3
x −→ T (x) = Ax
70
1 −3 5
2
1. T (u) = Au = 3 5 = 1
−1
−1 7 −9
1 −3| 3 1 0| 3/2
3 5| 2 ∼ 0 3/2
1 | −1/2 ⇒ x= .
−1/2
−1 7| −5 0 0| 0
4. ¿ ∃ x | Ax = c ?
1 −3| 3 1 −3| 3
3 5| 2 ∼ 0 c no pertenece a
1| 2 ⇒
la imagen de T
−1 7| 5 0 0| −35
71
La Matriz de una Transformación Lineal
72
Demostración:∗ Cualquier vector x ∈ Rn puede escribirse
x1 x1 0 0
x2 0 x2 0
x = . = . + . + · · · + . = x1e1 + · · · + xnen
. . . .
xn 0 0 xn
73
Ejemplo: Encuéntrese la matriz A canónica de la aplicación T definida:
T : R2 −→ R3
x1 − x2
x1
x= −→ T (x) = x1 + x2
x2
0
1 0
A = [ T (e1) T (e2) ] = T T
0 1
1 −1 1 −1
= 1 1 = 1 1
0 0 0 0
1
Ejercicio: Para u = comprobar que T (u) = Au.
2
74
Interpretación Geométrica de Aplicaciones Lineales ( R2 → R2 )
◦ Identidad
A=
1 0
⇒ T (x) = Ax =
x
P ⇒
P
0 1 y
◦ Proyección en el eje x
A=
1 0
⇒ T (x) = Ax =
x
P ⇒
0 0 0
◦ Proyección en el eje y
A=
0 0
⇒ T (x) = Ax =
0 P ⇒
0 1 y
75
◦ Reflexión con respecto al eje x
P
A=
1 0
⇒ T (x) =
x
P ⇒
0 −1 −y
A=
−1 0
⇒ T (x) =
−x
P ⇒
P
0 1 y
P
0 −1 −y
A= ⇒ T (x) = ⇒
−1 0 −x
◦ Dilatación/Contracción horizontal
A=
k 0
⇒ T (x) =
kx
P ⇒
P P
0 1 y
◦ Dilatación/Contracción vertical
A=
1 0
0 k
⇒ T (x) =
x
ky
P ⇒
P P
77
◦ Cizalladura horizontal
A=
1 k
⇒ T (x) =
x + ky
P ⇒ P P
0 1 y
◦ Cizalladura vertical
A=
1 0
⇒ T (x) =
x
P ⇒
P P
k 1 kx + y
◦ Rotación
cos φ − sin φ x cos φ − y sin φ
A= ⇒ T (x) =
sin φ cos φ x sin φ + y cos φ
P ⇒
P
78
Interpretación de Sistemas de Ecuaciones Lineales:
80
Aplicaciones Inyectivas
• Una aplicación T : Rn −→ Rm se llama inyectiva si todo
vector T (x) ∈ Rm es la imagen de como máximo un vector
x ∈ Rn.
Es decir, dos vectores distintos no se transforman en el mismo.
A 1
B 2
3
C 4
81
Teorema 3.30 . Sea T : Rn −→ Rm una transformación
lineal y sea A = [ a1 a2 . . . an ] su matriz canónica (Notar que
dicha matriz está formada por n vectores de m componentes).
T es inyectiva si y sólo si las columnas de A son linealmente
independientes. Esto es, si la matriz reducida tiene tantos
pivotes como columnas (n).
Aplicaciones biyectivas
84