Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1V : V ! V
x 7 ! x
Demostración:
PD. 8v; v 0 2 V; 8 2 k se tiene que
i) 1V (v +V v ) = 1V (v) +V 1V (v 0 )
ii) 1V ( V v) = V 1V (v)
Sean v; v 0 2 V y 2 k.
i) Como 1V (v +V v ) := v +V v =: 1V (v) +V 1V (v 0 ):
Entonces 1V (v +V v ) = 1V (v) +V 1V (v 0 ):p
0W
V : V ! W
x 7 ! 0W
PD. La función 0W
V es lineal.
ctew0 : V ! W
x 7 ! w0
Por lo tanto, w0 = 0W :
Por lo tanto, ctew0 = 0W
V :
V : V W ! V W : V W ! W
y
(v; w) 7 ! v (v; w) 7 ! w
V
5.2. Sean W V k-subespacio vectorial de V y W = f[x]W ; x 2 V g su k-
espacio vectorial cociente.
Recordemos que es un k-espacio vectorial con las siguientes operaciones:
V
8 [x]W ; [y]W 2 W y8 2k
[x]W + [y]W := [x +V y]W y [x]W := [ V x]W
PD. La siguiente función es lineal.
V
p: V ! W .
x 7! [x]W
:)
1V : V ! V
x 7 ! x
0W
V : V ! W
x 7 ! 0W
1 0 4
Ejemplo del Ejemplo: Sean k = R y A = :
3 2 2
01
x
x 4z
Entonces A : R3 ! R2 y A @ y A = :
3x + 2y + 2z
z
1 0
c) La matriz R = : R2 ! R2 es una función re‡exión en R2 ¿cuál?
0 1
cos sen
d) La matriz Rot = : R2 ! R2 es la función rotación en
sen cos
ángulo .
trv : R2 ! R2
x x+2
7!
y y 3
Dem.: Sea x 2 V:
PD. f ( x) = f (x):
Recordemos que demostramos que x = ( 1k ) V x: Entonces
f ( x) = f (( 1k ) V x) = ( 1k ) W f (x) = f (x);p
f lineal
1 2
TAREA PARA ENTREGAR MAÑANA. En k = R; A = : Dibu-
3 6
jar las siguientes líneas y las imágenes de éstas bajo A:
1
1.
1
2. L0 10 1
@
1 A;@
0 A
0 1
2
3.
1
f +g : V ! W
x 7 ! f (x) + g(x)
f: V ! W
x 7 ! f (x)
1.1. Sean v; v 0 2 V:
PD. (g f )(v +V v 0 ) = (g f )(v) +W (g f )(v 0 ):
Como
(g f )(v +V v 0 ) := g(f (v +V v 0 ))
= g(f (v) +W f (v 0 ))
f lineal
= g(f (v)) +U g(f (v 0 )))
g lineal
=: (g f )(v) +U (g f )(v 0 ):X
1.2. Sean v 2 V y 2 k
PD. (g f )( V v) = W (g f )(v):
Como
(g f )( V v) := g(f ( V v))
= g( W f (v))
f lineal
= U g(f (v))
g lineal
=: U ((g f )(v)) :X
Por lo tanto la composición de funciones lineales, g f es lineal.X
Ejemplo:
Sean k = R;
f: R2 ! 0 R3 1 g: 0R 1
3
! R2
x y x
x @ A y @ y A 3x y :
7 ! 3x 7 !
y y + 2z
5x + 5y z
Entonces
g f: R2 ! R2
x 3y
7 !
y 13x + 10y
2. Hacerlo de TAREA.
3.A. PD. 8f : V ! W función lineal, la imagen de f; Im f := ff (x) 2 W ; x 2
V g W es un k-subespacio vectorial de W:
Sea f : V ! W función lineal.
PD. Im f := ff (x) 2 W ; x 2 V g W es un k-subespacio vectorial de W:
PD.
3.1. 0W 2 Im f:
3.2. 8w; w0 2 Im f; w + w0 2 Im f:
3.A.1. PD. 0W 2 Im f:
Demostramos que f (0V ) = 0W : Entonces 0W 2 Im f:X
3.A.2. Sean w; w0 2 Im f:
PD. w + w0 2 Im f:
3.A.3. Sean w 2 Im f y 2 k:
PD. w 2 Im f:
Sean x 2 V y 2 k:
PD. (f + g)( V x) = W (f + g)(x):
(f + g)( V x) := f ( V x) +W g( V x)
= [ W (f (x))] +W [ W g(x)]
f;g lineales
= W (f (x) +W g(x))
dist.,aso c.
=: W (f + g)(x)
f: R2 ! 0 R3 1 g: R2 ! 0 R3 1
x y 3x y
x @ A y x @ A :
7 ! 3x 7 ! 0
y y
5x + 5y x 7y
Entonces
f +g : R2 ! 0 R3 1
4x 2y
x @ A
7 ! 3x
y
6x 2y
Ejemplo.
f: R2 ! 0 R3 1
x y
Sea =5y x @ A : Entonces
7 ! 3x
y
5x + 5y
5f : R2 ! 0 R3 1
5x 5y
x @ A
7 ! 15x
y
25x + 25y
si 0 p
j j= . Es decir, j j = 2:
si <0
b) Al menos (pero tampoco urge) demostrar que la función R-lineal que de…ne
1 4
la matriz A = es continua.
1 0
1 4
c) Sea A = la matriz real del inciso (b). Dibujen en el plano, por
1 0
favor, las siguientes …guras y sus imágenes bajo A:
x
c.1). S1 := 2 R 2 ; x2 + y 2 = 1 :
y
x
c.2). S2 := 2 R 2 ; y = x2 :
y
x
c.3) S3 := 2 R2 ; x = 1 y y 2 [ 1; 1]
y
[ x
2 R2 ; x = 1 y y 2 [ 1; 1]
y
[ x
2 R2 ; y = 1 y x 2 [ 1; 1]
y
[ x
2 R2 ; y = 1 y x 2 [ 1; 1]
y
el cuadrado.
i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
TAREA. Sea f : V ! W función entre k-espacios vectoriales. Demostrar
f es k-lineal , (8v; v 0 2 V; 8 ; 2 k; f (( V v)+V ( V v )) = [ W f (v)]+W
[ W f (v 0 )]).
00. Sean f : V ! W y g : W ! U funciones k-lineales. Entonces la
composición usual de funciones g f : V ! U , (g f ) (v) = g(f (v)); 8v 2 V , es
k-lineal.
4. La función derivada
@: R[x] ! R[x]
an xn + + a1 x + a0 7! an nxn 1 + + a2 2x + a1
es lineal, es epimor…smo. pero No es monomor…smo.
Demostración.
4.a. PD. @ es R-lineal.
PD. 8p(x); q(x) 2 R[x]; 8 2 R,
@(p(x) + q(x)) = @(p(x)) + @(q(x)) y
@( P (x)) = @(p(x)):
Entonces
@(p(x) + q(x)) = @((an xn + + a1 x + a0 ) + (bn xn + + b1 x + b0 ))
= @([an +R bn ] xn + + [a1 +R b1 ]x + [a0 +R b0 ]) =
:= [an +R bn ] nxn 1 + + [a2 +R b2 ]2x + [a1 +R b1 ] =
= (an nxn 1 + + a2 2x + a1 ) + (bn nxn 1 + + b2 2x + b1 )
conm .,aso c.,dist.
=: @(p(x)) + @(q(x)):X
4.b. Sean p(x) = an xn + + a1 x + a0 y 2 R:
PD. @( p(x)) = @(p(x)):
Entonces
@( p(x)) = @( (an xn + + a1 x + a0 ))
= @([ R an ] xn + + [ R a1 ]x + [ R a0 ]) =
Sean (por ejemplo, pues sólo tenemos que dar dos polinomios), p(x) = x + 3
y q(x) = x:
Entonces p(x) 6= q(x) y @(p(x)) = 1 = @(q(x)):
Por lo tanto, @ no es un monomor…smo.
V: V W ! V W : V W ! W
y
(v; w) 7 ! v (v; w) 7 ! w
que son funciones lineales.
Demostraremos que son epimor…smos.
PD. V es un epimor…smo.
PD. 8v 2 V; 9(x; y) 2 V W; V ((x; y)) = v:
Tomemos por ejemplo, (v; 0W ) 2 V W:
Y además, V ((v; 0W )) = v:
POR FAVOR, para l@s que necesiten recordar esto. Traten de demostrar
que W es una relación de equivalencia y demostrar que
8x 2 V; [x]W = fx + w 2 V ; w 2 W g
Y que la suma y producto por escalares están bien de…nidas y hacen que el
espacio cociente sea un k-espacio vectorial, donde
10
11
1 5 1
10.1. A1 =
4 5 0
2 3
1 4
10.2. A2 = 4 5 5 5
1 0
1 4
10.3. A3 =
5 5
1 4
10.4. A4 =
2 8
PERO observen:
0 1
1
1 5 1 @ A= 1
0 ;
4 5 0 4
0 0 1
0
1 5 1 @ A= 5
1
4 5 0 5
0 0 1
0
1 5 1 @ A= 1
0
4 5 0 0
1
0 1
x
1 5 1 @ y A=
Entonces
4 5 0
z
12
Es decir,
1 1 5
Im A1 = ; y :
0 4 5
1 1 5
Dibujen estos tres vectores: ; y
0 4 5
¿Qué generan? Sí, todo R2 .
1 0
Hay que demostrarlo, como sabemos, : genera a R2 :
0 1
1
2 Im A1 :
0
0
Por lo que basta demostrar que 2 Im A1 :
1
Es decir,
0
PD. 2 Im A1
1
0 1 1 5
PD. 2 ; ;
1 0 4 5
0 1 1 1 1
= 4 + 4
1 0 4
0 1
Por lo tanto, R2 = ; Im A1 R2 :
1 0
Por lo tanto, A1 es suprayectiva.X
13
14
Sean x; y 2 V: Entonces
si y sólo si
1 0
x
1 5 1 @
y A=
4 5 0
z
x + 5y + z 0
= =
4x 5y 0
si y sólo si
x + 5y + z = 0 y 4x 5y = 0
si y sólo si
x = 54 y y x + 5y + z = 45 y + 5y + z = 0
si y sólo si
x = 45 y y 25
4 y =z
si y sólo si
0 1 0 5
1
x 4
@ y A = y@ 1 A
25
z 48 9
0 5
1
< 4 =
Entonces ker A1 = y@ 1 A;y 2 R :
: 25 ;
4
TAREA:
1. Dibujar en R3 el ker A1 :
TAREA:
a) Hacer lo mismo para las matrices del punto (10) de la parte-4 de funciones
lineales. Y jueguen buscando estas clases de equivalencia y hagan observaciones.
Demostración:
1
Denotaremos por "f "[U ] := fx 2 V ; f (x) 2 U g la imagen inversa de U
bajo f:
1
NOTA: "f "NO denota la función inversa de f , que podría no tener inversa.
Antes de que veamos más sobre monos, epis e isos, veamos funciones lineales
entre espacios vectoriales …nitamente generados para …jar ideas, poder dibujar
y utilizar la fuerza de tener bases.
Lo saqué usando Maple, en donde dice Nullspace Basis, que saca una base
del núcleo. O háganlo a pie.
2 3
1 1 2 0 1
6 2 7 1
1 1 7
A=6
4 0 , nullspace basis: @ 3 A
1 3 5
1
1 1 4
*80 1 19+
< =
Es decir, ker A = @ 3 A y dimR ker A = 1:
: ;
1
80 19
< 0 =
Por lo tanto, ker A 6= @ 0 A :
: ;
0
Por lo tanto, A no es monomor…smo.
Recordemos que
2 3 0 1
0 1 1 1 2 0 1 x + y + 2z
x 6 2 x
1 1 7 B 2x + y + z C
A@ y A = 6
4 0
7@ y A = B C.
1 3 5 @ y + 3z A
z z
1 1 4 y x + 4z
Pero también,
0 1 2 0 1 0 1 0 13
x 1 0 0
A @ y A = A 4x @ 0 A + y @ 1 A + z @ 0 A5 =
z 0 0 1
0 1 0 1 0 1
1 0 0
= xA @ 0 A + yA @ 1 A + zA @ 0 A =
0 0 1
0 1 0 1 0 1
1 1 2
B 2 C B 1 C B C
= xB C B C + zB 1 C:
@ 0 A+y@ 1 A @ 3 A
1 1 4
A continuación, veamos qué sucede cuando queremos ver si los tres vectores
forman un conjunto linealmente independiente o no:
si y sólo si
0 1 1
0
+ 2
B 2 + C B 1 C
B C=B C
@ A @ 3 A
+ 4
si y sólo si
Por lo tanto,
0 1 80 1 0 19
2 *>> 1 1 >
>+
B 1 C <B C B 1 C=
B C B 2 C B C
@ 3 A 2 >@ 0 A ; @ 1 A> :
>
: >
;
4 1 1
Es decir,
¿Van conmigo? :D
Sino, por favor vuelvan a leer esta parte y saquen dudas.
*80 1 19+
< =
Cuyo núcleo, es ker A = @ 3 A =
: ;
8 0 1 9 1
< 1 =
= @ 3 A 2 R3 ; 2 R :
: ;
1
PD. 8" > 0 9 > 0; 8v; v 0 2 R3 tales que kv v0 k < entonces kAv Av 0 k < ":
TAREA. Demostrarlo.
1 0
x
HINT (como pista, ayudadita, insinuando qué hacer): sea v = @ y A.
z
Entonces
0 1
x
A@ y A =
z
0 1 0 1 0 1
1 0 0
= xA @ 0 A + yA @ 1 A + zA @ 0 A =
0 0 1
0 1 0 1 01
1 1 2
B 2 C B 1 C B C
= xB C B C+zB 1 C
@ 0 A+y@ 1 A @ 3 A
1 1 4
Demuestren que 8 0 1 0 1 1 9
0
0 1 > 1 1 2 > 0 1
>
< >
x B 2 C B 1 C B 1 C = x
A@ y A max B C B C ; B C @ y A :
> @ 0 A ; @ 1 A @ 3 A >
z >
: >
; z
1 1 4
10
Demostración.
PD. 8 fw1 ; :::; wn g k m ; 9!f : k n ! k m función k lineal, (8i = 1; :::; n; f (ei ) = wi ) :
De…nimos 8v 2 k n ; f (v) := 1 w1 + + n wn ,
4.1. PD. f es una función de conjuntos. Es decir, que está bien de…nida.
Observemos que como relación en k n k m ;
para cada v 2 k n :
11
PD. 8 2 k; x 2 k n ; f ( x) = f (x):
Sean x; y 2 k n :
PD. f (x + y) = f (x) + f (y):
Entonces
x+y =( 1 e1 + + n en ) +( 1 e1 + + n en ) =
= ( 1 + 1 )e1 + +( n + n )en
aso c.,conm .dist.
Por lo tanto,
f (x + y) = ( 1 + 1 )w1 + +( n + n )wn
= ( 1 w1 + + n wn ) +( 1 e1 + + n en )
dist,aso c,conm
= f (x) + f (y):
Sea v 2 k n :
PD. f (v) = g(v):
Por de…nición de f;
f (v) := 1 w1 + + n wn donde v := 1 e1 + + n en .
12
Por lo tanto,
Ejemplo: Sean k = R, n = 5 = m:
8 0 1 0 1 0 1 0 1 0 19
>
> 0 0 0 0 0 >
>
>
> B C B C B C B C B C>
>
< B C5 B 0 C B 0 C B 0 C B 0 C=
Tomemos w1 = B B C0 C ; w2 = B 4
B
C ; w3 = B
C B 0 C ; w4 = B
C B 0 C ; w5 = B
C B 0 C :
C>
>
> @ 0 A @ 0 A @ A @ A @ A>
>
> 3 0 0 >
>
: ;
0 0 0 2 0
Entonces
f : 0 R5 1 ! 5
0 R 1
a 0
B b C B 5a C
B C B C
B c C 7! B 4b C
B C B C
@ d A @ 3c A
e 2d
Más aún, como esta función es única con la propiedad de que para cada
i = 1; 2; 3; 4; 5; f (ei ) = wi :
Entonces f es la misma función que de…ne la matriz
2 3
0 0 0 0 0
6 5 0 0 0 0 7
6 7
A=6
6 0 4 0 0 0 7:
7
4 0 0 3 0 0 5
0 0 0 2 0
13
b) PD. A4 es monomor…smo.
0
PD. ker A4 = :
0
)X ¿por qué?
)
Calculemos
2 1 x 2x + y
=
0 3 y 3y
x
Sea tal que
y
2 1 x 2x + y 0
= =
0 3 y 3y 0
si y sólo si
2x + y = 0 y 3y = 0
si y sólo si
y = 0 y 0 = 2x + y = 2x + 0 = 2x
si y sólo si
x = y = 0:
Entonces como E es una elipse, que es una "curva cerrada" es decir, es una
curva que si la dibujan empiezan en un punto v y terminan en ese mismo punto
v sin despegar el lápiz.
L@s que ya sepan cónicas, saquen la ecuación cuadrática que cumplen las
imágenes de las cónicas que dieron.
f +g : V ! W f: V ! W
y
v 7 ! f (v) +W g(v) v 7 ! W f (v)
Sea v 2 V:
PD. (f + g)(v) = (g + f )(v):
+:2: Asociatividad.
PD. 8f; g; h 2 Homk (V; W ); f + (g + h) = (f + g) + h
Recordemos: 8v 2 V; 0W
V (v) := 0W :
Distributividades:
Sea n = dimk V:
6.3. Sea X V: Entonces
6.3.a. Si hXi = V entonces existe B base de V tal que B X:
a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 1 v1 + 2 v2 + 3 v3 + 4 v4 + 5 v5
2 3
= 1 (1 x) + 2 (x + 8) + 3 (x + 6x4 ) + 4 (x + x
2
+ x4 ) + 5 (x
2
3x3 ) =
2 3 4
=( 1 + 8 2 ) + x( 1+ 4) + x ( 2 + 4+ 5) + x ( 3 3 5) + x (6 3+ 4)
si y sólo si
a0 = 1+8 2 y
a1 = 1+ 4 y
a2 = 2+ 4+ 5 y
a3 = 3 3 5y
a4 =6 3+ 4
si y sólo si
8
1 = 8a2 + 8a1 + 8 + 18 (a4 a1 6a3 ) a0 y
a0
2 = 8 a2 + 18 a1 + 1 + a184
17 a3
3 ) y
3 = a4 6a
6
1 +6
y
4 = a1 + 1 y
5 = a4 a1181+6a3
PD. X genera a V:
PD. 8p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 2 R[x], 9 1 ; :::; 5 2 R tales que
p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 1 v1 + 2 v2 + 3 v3 + 4 v4
+ 5 v5 :
10
De…namos
8
1 = 8a2 + 8a1 + 8 + 18 (a4 a1 6a3 ) a0 y
a0
2 = 8 a2 + 18 a1 + 1 + a184
17 a3
3 ) y
a4 6a1 +6
3 = 6 y
4 = a1 + 1 y
a4 a1 1+6a3
5 = 18
Entonces p(x) = 1 v1 + 2 v2 + 3 v3 + 4 v4 + 5 v5 :
:D
11
Demostración.
Sean V un k espacio vectorial de dimensión n y B = fv1 ; :::; vn g base de V
(que sabemos que al menos tiene una).
Recordemos que como B es base de V; se tiene que
8x 2 V; 9! 1 ; :::; n 2 k; x = 1 v1 + + n vn
Esta unicidad de los escalares 1 ; :::; n para cada x, hacen que la siguiente
sea una función (de conjuntos bien de…nida).
0 1 0 1
1 0
B 0 C B .. C
B C B C
Observación: f (v1 ) = B ..C ; :::; f (vn ) = B . C
@ .A @ 0 A
0 1
PD. f es un isomor…smo.
PD. f es k lineal, monomor…smo y epimor…smo.
Sean x; y 2 V
PD. f (x + y) = f (x) + f (y)
Como B es base de V;
Existen únicos 1 ; :::; n 2 k; x = 1 v1 + + n vn y existen únicos 1 ; :::; n 2
k; x = 1 v1 + + n vn :
Entonces
12
Otra vez por ser B una base de V; estos i +k i ’s son únicos que hacen a
x + y combinación de los elementos de la base.
Por lo tanto,
0 1
1 +k 1
B .. C
f (x + y) = @ . A=
n +
0 1 0k n1
1 1
B C B C
= @ ... A + @ ... A =
def +
n n
=: f (x) + f (y):X
PD. 8x 2 V; 8 2 k; f ( x) = f (x):
)X ¿por qué?
) Sea x 2 ker f: 0 1
0
B C
Entonces f (x) = @ ... A
0
PD. x = 0V :
Entonces
0 1 0 1
0 1
B .. C B C
@ . A = f (x) := @ ... A
x2ker f
0 n
si y sólo si
1 = 0k = 2 = = n:
Por lo tanto, x = 1 v1 + + n vn = 0V :X
13
PD. Im f = k n :
Entonces
Entonces
14
2 3
a b
4 c d 5=
e 2f 3 2 3 2 3
1 0 1 1 1 1
= 14 0 0 5+ 2
4 0 0 5+ 3
4 1 0 5+
2 0 03 2 0 03 2 0 03
1 1 1 1 1 1
+ 44 1 1 5+ 5
4 1 1 5+ 6
4 1 1 5=
0 0 1 0 1 1
2 3
1 + 2+ 3+ 4+ 5 + 6 2 + 3+ 4+ 5 + 6
=4 3+ 4+ 5+ 6 4+ 5+ 6
5:
5+ 6 6
6 =f
5 =e f
4 =d e
3 =c d
2 =b c
1 =a b
Por lo tanto,
A = (a b)v1 +(b c)v2 + (c d)v3 + (d e)v4 + (e f )v5 + f v6 :
15
Por lo tanto,
: M3 2 (R) ! 0 R6 1
a b
2 3 B b c C
a b B C
B c d C
4 c d 5 7 ! B C
B d e C
e f B C
@ e f A
f
16
A? : Homk (k n ; k m ) ! Mm n (k)
2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
am1 amn
0 1
0
B .. C 0 1
B . C
B C a1i
B 0 C B C
B C B a2i C
donde para todo i = 1; :::; n; ei := B
B 1 C
C 2 k n ; f (ei ) := B .. C 2 km
B 0 C i @ . A
B C
B . C ami
@ .. A
0
la i ésima columna de A:
f +g : V ! W f: V ! W
y
v 7 ! f (v) +W g(v) v 7 ! W f (v)
A? : Homk (k n ; k m ) ! Mm n (k)
2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
am1 amn
0 1
0
B .. C 0 1
B . C
B C a1i
B 0 C B C
B C B a2i C
donde para todo i = 1; :::; n; ei := B
B 1 C
C 2 k n ; f (ei ) := B .. C 2 km
B 0 C i @ . A
B C
B . C ami
@ .. A
0
la i ésima columna de A:
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB 1
1 CC
fB B CC = @ 0 A, f BB
@@ 0 AA @@
CC = @ 0 A ;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB CC 1
0 CC @
fBB CC @ 5 A y f BB
@@ 1 AA = @@ = 3 A:
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+g
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5B@ c
C=@
A 5c 3g A =:
0 0 0 0 0
g g
00 11
a
BB b CC
fBB CC
@@ c AA :
g
Sean f; g 2 Homk (k n ; k m ):
PD. Af +g = Af + Ag :
Por de…nición de A? ;
2 3
a11 a1n
6 .. .. .. 7,
Af = 4 . . . 5
am1 amn
2 3
b11 b1n
6 .. .. .. 7
Ag = 4 . . . 5
bm1 bmn
y
2 3
c11 c1n
6 .. .. .. 7
Af +g =4 . . . 5
cm1 cmn
Entonces
0 1 0 1 0 1
c1i a1i b1i
B c2i C B a2i C B b2i C
B C B C B C
B .. C = [f + g] (ei ) := f (ei ) + g(ei ) = B .. C+B .. C =
@ . A def f +g @ . A @ . A def +
cmi ami bmi
0 1
a1i + b1i
B a2i + b2i C
B C
B .. C
@ . A
ami + bmi
8i = 1; :::; n; c1i = a1i + b1i ; c2i = a2i + b2i ; :::; cmi = ami + bmi
Entonces,
2 3 2 3
c11 c1n a11 + b11 a1n + b1n
6 .. .. .. 7 = 6 .. .. .. 7
Af +g =4 . . . 5 4 . . . 5=
cm1 cmn am1 + bm1 amn + bmn
2 3 2 3
a11 a1n b11 b1n
6 .. .. .. 7 + 6 .. .. .. 7 =: A + A :
= 4 . . . 5 4 . . . 5 f g
def +
am1 amn bm1 bmn
Por lo tanto, Af +g = Af + Ag :
Por de…nición de A? ;
2 3
a11 a1n
6 .. .. .. 7,
Af = 4 . . . 5
am1 amn
2 3
d11 d1n
6 .. .. .. 7
A f =4 . . . 5
dm1 dmn
donde 8i = 1; 0:::; n; 1 0 1
a1i d1i
B a2i C B d2i C
B C B C
f (ei ) := B . C y ( f )(ei ) := B .. C.
@ .. A @ . A
ami dmi
Entonces
0 1 0 1 0 1
d1i a1i a1i
B d2i C B a2i C B a2i C
B C B C B C
B .. C = ( f )(ei ) := (f (ei )) = B .. C = B .. C
@ . A def f @ . A def @ . A
dmi ami ami
Entonces,
2 3 2 3 2 3
d11 d1n a11 a1n a11 a1n
6 .. .. .. 7 = 6 .. .. .. 7 6 .. .. .. 7 =
A f =4 . . . 5 4 . . . 5 = 4 . . . 5
def
dm1 dmn am1 amn am1 amn
Af:
m
3.1. PD. ker A? = f0kkn2g:
2 33
0 0
66 .. .. .. 77 ; pues para toda i = 1; :::; n; 0km (e ) =
) Como A0km
n
= 44 . . . 55 kn i
k
0 0
0 1
0
B .. C
@ . A 2 km :
0
2 3 0 1
0 0 0
6 .. .. .. 7 donde la i ésima columna de A es B .. C = f (e ):
Af = 4 . . . 5 f @ . A i
0 0 0
0 1 0 1
x1 0
B C B .. C =: 0 m 2 k n :
PD. 8v := @ ... A 2 k n ; f (v) = @ . A k
xn 0
0 1
x1
B C
Sea v := @ ... A 2 k n
xn
PD. f (v) = 0km :
10
11
PD. 8 f : k n ! k m 8h : k m ! k t k-lineales, Ah f = Ah Af :
Sean f : k n ! k m y h : k m ! k t k lineales.
PD. Ah f = Ah Af :
Sean 2 3
a11 a1n
6 .. 7,
Af = 4 ... ..
. . 5
am1 amn
2 3
b11 b1m
6 .. .. .. 7 y
Ah = 4 . . . 5
bt1 btm
2 3
c11 c1n
6 .. .. .. 7
Ah f =4 . . . 5
ct1 ctn
PD. Ah f = Ah Af
Calculemos
2 32 3
b11 b1m a11 a1n
6 .. .. .. 7 6 .. .. .. 7 =
Ah Af = 4 . . . 54 . . . 5
bt1 btm am1 amn
2 m m 3
X X
6 b1j aj1 b1j aj1 7
6 j=1 7
6 j=1 7
6 .. .. .
.. 7
=6 . 7:
6 m . 7
6 X Xm 7
4 btj aj1 btj ajn 5
j=1 j=1
m
X
Es decir, la ir ésima coordenada de Ah Af es bij ajr :
j=1
12
0 m 1
X
B b1j aji C
B j=1 C
B C
B .. C
PD. (h f )(ei ) = B C:
B m . C
B X C
@ btj aji A
j=1
La i ésima columna de Ah f es 00 11
0 1 a1i
c1i BB a2i CC
B .. C BB CC
@ . A = Ah f (h f )(ei ) = h(f (ei )) = h BB .. CC =
@@ . AA
bti
ami
Xm
= h (a1i "1 + ami "m ) = aji h("j ) =
h lineal
j=1
0 m 1 0 m 1
X X
0 1 B aji b1j C B b1j aji C
b1j B j=1 C B j=1 C
m
X B C B C
B C B C B C
= aji @ ... A = B ..
C=B
..
C
B m . C B m . C
j=1 btj B X C B X C
@ aji btj A @ btj aji A
j=1 j=1
13
Por lo tanto, Ah Af = Ah f :
14
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A y
@ c A
0
d
h : 0 R3 1 ! 0 R2 1
x 7y
@ y A @ x :
7 ! 2y + 3z A
z 5x
Entonces
h f : 0 R4 1 ! R2
a
B b C 7y
B C 7 !
@ c A x 2y + 3z
d
2 3
1 1 1 1
0 7 0
Af = 4 0 0 5 3 5, Ah =
1 2 3
0 0 0 0
y por lo tanto,
2 3
1 1 1 1
0 7 0 4 0 0 0 35 21
Ah f = 0 5 3 5= :
1 2 3 1 1 11 7
0 0 0 0
15
16
Zt 0:6 0:5 Zt 1
= :
Gt 0:1 1:2 Gt 1
Z0 100
Comencemos en t = 0; digamos = :
G0 1000
0:6 0:5
Denotemos por A := :
0:1 1:2
Entonces en el tiempo t = 1; el número de zorros y de gallinas será
Z1 0:6 0:5 Z0
= =
G1 0:1 1:2 G0
Z1 Z0
=A ;
G1 G0
Z2 Z1 Z0 Z0
=A =A A = AA :
G2 G1 G0 G0
Entonces en el tiempo t
Zt Z0
= At :
Gt G0
Es decir, que para analizar nuestro problema, podemos encontrar las poten-
Z0
cias de la matriz A: Observen que eso no depende del vector inicial ;
G0
podríamos analizar empezar con distintas condiciones iniciales y ver qué pasa
con estas poblaciones.
Z0 100
y = obtenemos los siguientes:
G0 1000
Entonces en el tiempo t = 2
2
0:6 0:5 0:31 0:9
A2 = =
0:1 1:2 0:18 1: 39
Z2 0:31 0:9 100 931:0
= =
G2 0:18 1: 39 1000 1372:0
En t = 3
3
0:6 0:5 0:096 1: 235
A3 = =
0:1 1:2 0:247 1: 578
En t = 4;
4
0:6 0:5 0:065 9 1: 53
A4 = =
0:1 1:2 0:306 1: 770 1
Etc. Etc.
En t = 16;
16
0:6 0:5 1: 144 6 5: 739 6
A16 = =
0:1 1:2 1: 147 9 5: 742 9
Z16 1: 144 6 5: 739 6 100 5625: 1
= =
G16 1: 147 9 5: 742 9 1000 5628: 1
En t = 40
40
0:6 0:5 11: 315 56: 574
A40 = =
0:1 1:2 11: 315 56: 574
Les puedo adelantar, que en este modelo, las poblaciones se van emparejar
en cantidad y pueden decir, desde qué momento serán muy parecidas (o iguales).
POR AHORA, podrían observar lo siguiente:
B. Matrices de permutación
C. Matriz Traspuesta.
B. Matrices de Permutación. 80 1 9
>
< x1 >
=
B .. C ; 8i = 1; :::; n; x 2 k .
Sea n 1 y tomemos el k-espacio vectorial k n = @ . A i
>
: >
;
xn
B.1. Ejemplos.
2 3
1k 0k
6 .. 7
1. La matriz identidad In = 4 . 5 es una matriz de permutación.
0k 1k
1 0 0 1
y
0 1 1 0
2 3
e1
R
P =4 ei es el i ésimo renglón de P:
5 donde R
en
R
Entonces las siguientes son funciones biyectivas (no lo probaré, pero si quieren
intentarlo y no les sale o quieren verlo, lo hago).
Ejemplo:
2 3
0 0 1
Sea P := 4 1 0 0 5. Entonces
0 1 0
pc : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 2
Pues la 1a. columna de P tiene al 1 en
2 7 ! 3
3 7 ! 1
la 2a. entrada, etc.
OBSERVACIÓN: Para quienes sepan y/o les guste las funciones de conjun-
tos, pr pc = 1S = pc pr : :)
Ejemplo: Sea
p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 2
2 7 ! 3
3 7 ! 1
2 3
0 0 1
Si de…nimos pc := p; obtenemos la matriz P = 4 1 0 0 5
0 1 0
2 3
0 0 1
Y si queremos esta misma P = 4 1 0 0 5 construir la renglones, calculen
0 1 0
la inversa p 1
1
p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 3 1
, hagamos pr := p y obtenemos P =
2 7 ! 1
3 7 ! 2
2 3
0 0 1
4 1 0 0 5:
0 1 0
TAREA.
1. Construir todas las matrices de permutación de 4 4:
2. Para quienes gocen de las funciones de conjuntos:
1
Sean p : f1; :::; ng ! f1; :::; ng biyectiva y su inversa p : f1; :::; ng !
f1; :::; ng:
10
pr : f1; 2; 3g ! f1:2:3g
1 7! 2
2 7 ! 3
3 7 ! 1
2 32 3 2 3 2 32 3
0 1 0 a b c d R2 Rp(1)
PA = 4 0 0 1 54 c d 5=4 e f 5 = 4 R3 5 4 Rp(2) 5
1 0 0 e f a b R1 Rp(3)
2 3
d11 a1n
6 .. .. .. 7 =
B.3.2. 8D 2 Mm n (k); D = 4 . . . 5 C1 Cn
dm1 amn
donde Cj = d1j dnj es la columna j ésima de D:
11
2 3
0 1 0
a c e
Ejemplo: Sean n = 3, P = 4 0 0 1 5yD = = C1 C2 C3
b d f
1 0 0
Entonces
pc : f1; 2; 3g ! f1:2:3g
1 7! 3
2 7 ! 1
3 7 ! 2
2 3
0 1 0
a c e 4 0 e a c
DP = 0 1 5= = C3 C1 C2 :
b d f f b d
1 0 0
TAREA:
3. Demostrar: Sea A 2 Mm n (k), entonces AT T = (AT )T = A:
4. TAREA PARA ENTREGAR EL MIÉRCOLES 8 de abril de
2020. Demostrar que si A 2 Mm n (k) y B 2 Mt m (k) entonces (BA)T =
AT B T :
12
El que sigue también es un teorema muy importante que nos permite visua-
lizar los monomor…smos, epimor…smos e isomor…smos desde varios puntos de
vista y todos éstos muy útiles.
a)
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8 ; : Z ! V k-lineales;
()
[f =f =) = ]
b)
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : Z ! V k lineales;
()
[ f= f =) = ]
c)
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y
la llamaremos la inversa de f
a) PD.
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8 ; : Z ! V k lineales;
()
[f =f =) = ]
Sean f (x1 ); :::; f (xn ) 2 "f (X)" con x1 ; :::; xn 2 X 1 ; :::; n 2 k tales que
n
X
i f (xi ) = 0W :
i=1
PD. 1 = = n = 0k :
Ahora,
" n
# " n
! # " n
#
X X X
i f (xi ) = 0W () f i xi = 0W () i xi = 0V
f lineal f m ono
i=1 i=1 i=1
() 1 = = n = 0k :
x1 ;:::;xn 2X y Xlin.ind.
PD. f es un monomor…smo.
PD. 8x; y 2 V; (f (x) = f (y)) =) (x = y):
Entonces f (x) f ( x) = 0W
Entonces (1k )f (x) = f ((1k )x) = 0W
Entonces por (1o), (1k ) = 0k
Entonces 1k = ; contradicción (pues 2 k f1k g).
Supongamos que x 6= y:
Análogamente, y 2
= hfxgi :
Por lo tanto, x = y:
Por lo tanto, f es un monomor…smo.
Por lo tanto,
f es un monomor…smo ()(8X V conjunto linealmente independiente
=) "f (X)" W es linealmente independiente).
Sea x 2 Z:
PD. (x) = (x):
(f )(x) = (f )(x)
Entonces,
f ( (x)) =: (f )(x) = (f )(x) = f ( (x)):
10
: k ! V : k ! V
y
7 ! x 7 ! y
PD. f =f
PD. 8 2 k; (f )( ) = (f )( ):
Sea 2 k
PD. (f )( ) = (f )( ):
(f )( ) := f ( ( )) = f ( x) = f (x) =
def. f lineal
= f (y) = f ( y) = f ( ( )) =: (f )( ):
f (x)=f (y) f lineal def
Por lo tanto, f =f :
Por lo tanto, (por hipótesis), = :
11
1. PD.0
A es 1
un 0
monomor…smo.
1 0 1 0 1
x a x a
PD. 8 @ y A ; @ b A 2 R3 tales que A @ y A = A @ b A ; entonces
0 1 0z 1 c z c
x a
@ y A = @ b A:
z c
80 19
< 0 =
2. PD. ker A = @ 0 A
: ;
0
12
13
Demostración.
n
0. Si f = 0R
Rn la constante 0Rm ; entonces f es continua.X
n
1. Sea f 6= 0R
Rn :
Si no hay confusión, denotaremos por k k a las normas usuales de Rn y Rm :
Xn
n
Sea M:= kf (ei )k > 0 pues f 6= 0R
Rn :
i=1
PD. M < 1: Es decir, realmente es un máximo.
Ahora
n
X n
X n
X
kf (v)k = i f (ei ) j i j kf (ei )k kf (ei )k =
f lineal k k norm a observación
i=1 i=1 i=1
M.
z 1
Como z 6= 0Rn entonces kzk =
6 0y kzk = kzk kzk = 1:
Entonces,
z 1 1
M f ( kzk ) = kzk f (z) = kf (z)k :
f lineal k k norm a kzk
funcion-lineal-es-continua 118
Por lo tanto, kf (z)k M kzk :X
3. Esto basta para probar que f es una función continua, pues kf (x) f (y)k =
kf (x y)k < M kx yk :
Ahora, si " > 0 y por (2) tenemos que kf (x) f (y)k = kf (x y)k <
M kx yk :
"
Entonces de…namos := M > 0 pues M > 0:
PD. f es continua.
De hecho es uniformemente continua.
PD. 8" > 0 9 > 0; 8x; y 2 Rn ; kx yk < =) kf (x) f (y)k < ":
Sean x; y 2 Rn ; kx yk < :
PD. kf (x) f (y)k < ":
"
Como kf (x) f (y)k = kf (x y)k M kx yk < M = MM =
f lineal (2) hip ótesis
":
funcion-lineal-es-continua 119
Álgebra Lineal I.
Monomor…smos, Epimor…smos e Isomor…smos
Dem.: Sea x 2 V:
PD. f ( x) = f (x):
Recordemos que demostramos que x = ( 1k ) V x: Entonces
f ( x) = f (( 1k ) V x) = ( 1k ) W f (x) = f (x);p
f lineal
a)
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8g; h : Z ! V k lineales;
()
[f g = f h =) g = h]
b)
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8g; h : W ! Z; k lineales
()
[g f = h f =) g = h]
c)
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y la llamaremos la inversa de f
Demostración.
a) PD.
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8g; h : Z ! V k lineales;
()
[f g = f h =) g = h]
a.1) PD. f es monomor…smo () ker f = f0V g.
=)) Sea f un monomor…smo.
PD. ker f = f0V g.
Como f (0V ) = 0W ; entonces (por ser f mono) 8x 2 V; x 6= 0V ; f (x) 6= 0W :
Por lo tanto, ker f = f0V g.
Sean f (x1 ); :::; f (xn ) 2 "f (X)" con x1 ; :::; xn 2 X 1 ; :::; n 2 k tales que
n
X
i f (xi ) = 0W :
i=1
PD. 1 = = n = 0k :
Ahora,
" n
# " n
! # " n
#
X X X
i f (xi ) = 0W () f i xi = 0W () i xi = 0V
f lineal f m ono
i=1 i=1 i=1
() 1 = = n = 0k :
x1 ;:::;xn 2X y X lin.ind.
Por lo tanto, x = y:
Sea x 2 Z:
PD. g(x) = h(x):
(f g)(x) = (f h)(x)
Entonces,
f (g(x)) =: (f g)(x) = (f h)(x) = f (h(x)):
g: k ! V h: k ! V
y
7 ! x 7 ! y
PD. f g=f h:
Sea 2 k
PD. (f g)( ) = (f h)( ):
Por lo tanto, f g = f h:
Por lo tanto, (por hipótesis), g = h:
b) PD.
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8g; h : W ! Z k-lineales;
()
[g f = h f =) g = h]
Sea w 2 W:
PD. w 2 Im f:
Por hipótesis, f es un epimor…smo (suprayectiva). Es decir, f satisface lo
siguiente: Para todo y 2 W; existe (al menos un) v 2 V tal que y = f (v):
Por lo tanto, w 2 Im f:
Por lo tano, 8w 2 W; w 2 Im f:
Por lo tanto, W Im f:
caso 1. V = f0V g:
Entonces Im f = f0W g y los únicos conjuntos generadores de V serán el
conjunto vacío ; y V = f0V g: mismo.
Por lo tanto,
Si X = ; entonces "f (;)" = ; y h"f (;)"i = h;i = f0W g = Im f = W:
Im f =W
caso 2. V 6= f0V g:
Estamos con la hipótesis de que Im f = W:
PD. 8X V conjunto generador de V =) "f (X)" es conjunto generador
de W:
)X ¿por qué?
Sea w 2 W:
Como W = Im f (por hipótesis).
n
! n
X X
Entonces w = f (v) = f i xi = i f (xi ) 2 h"f (X)"i :
f lineal x1 ;:::;xn 2X
i=1 i=1
Sea w 2 W:
PD. g(w) = h(w):
Por la observación anterior, existe (al menos un) x 2 V tal que f (x) = w:
Y como g f = h f; tenemos que para esta x:
(g f ) (x) = (h f ) (x)
W
g: W ! Im f la función lineal que de…nimos cuando vimos espa-
w 7 ! [w]Im f
cios cociente
PD. g f = h f:
Sea x 2 V:
PD, (g f )(x) = (h f )(x):
Por lo tanto, g f = h f:
Por lo tanto, (pues f se cancela por la derecha), g = h:
Por lo tanto, 8w 2 W; g(w) = h(w) = 0 W :
Im f
Sea w 2 W
PD. 9x 2 V; f (x) = w:
Por lo tanto, w 2 Im f:
Por lo tanto, 9x 2 V; f (x) = w:
Por lo tanto, 8w 2 W; 9x 2 V; f (x) = w:
Por lo tanto, f es un epimor…smo.
c) PD.
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y la llamaremos la inversa de f
Demostración.
PD.8w; z 2 W; 8 2 k;
g(w + z) = g(w) + g(z) y g( w) = g(w):
Sean w; z 2 W; 8 2 k;
PD. f (w + z) = f (w) + f (z):
= g(w + z):
( )
10
Demostración.
a.1) PD. f monomor…smo =) 8BV base de V; f (BV ) W es lin. independiente
En particular,
f es monomor…smo =) 8BV base de V; f (BV ) W es lin. independiente.X
a.2) PD. 8BV base de V; f (BV ) W es lin. independiente. Entonces 9BV base
de V; f (BV ) W es lin. independiente.
Como V es …nitamente generado, entonces tiene bases, sea B base de V:
Entonces, por hipótesis, f (B) W es lin. independiente.
Por lo tanto, 9BV base de V; f (BV ) W es lin. independiente.X
11
b) PD.
f es epimor…smo () 8BV base de V; hf (BV )i = W
() 9BV base de V; hf (BV )i = W
(Es decir, basta con probarlo para una sola base de V )
En este caso, n m
En particular,
f es epimor…smo =) 8BV base de V; hf (BV )i = W .X
12
13
4 x + 2z = 7
( )
8x 5y + 12z = 23
sist-ec-lin-clase-17-abril-2020 133
De…nición: Sea k un campo. Llamaremos un sistema de m ecuaciones
(k )lineales en n incógnitas a un arreglo del siguiente tipo
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
Ejemplo: Sea k = R.
4 x + 2z = 7
( )
8x 5y + 12z = 23
sist-ec-lin-clase-17-abril-2020 134
De…nición: Sea k un campo. Llamaremos un sistema de m ecuaciones
(k )lineales en n incógnitas a un arreglo del siguiente tipo
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
4 x + 2z = 7
( )
8x 5y + 12z = 23
Si tomamos a x := 74 ; y := 14+23
5 y z := 0, tenemos que es una solución
para ( ):
Es decir,
8
< 4 7
+ (2 0) = 7
4
: 8 7
5 14+23
+ (12 0) = 23
4 5
sist-ec-lin-clase-17-abril-2020 135
Veamos qué podemos decir, con lo que hasta ahorita hemos visto en clase.
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
Sea ( ) : .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
( ):
2 30 1 0 1
a11 a1n x1 b1
6 .. .. .. 7 B .. C = B .. C tiene solución.
4 . . . 5@ . A @ . A
am1 amn xn bm
Pues
0 1 2 30 1 0 1
b1 a11 a1n x1 a11 x1 + a12 x2 + + a1n xn
B .. C 6 .. .. .. 7 B .. C := B .. C
@ . A=4 . . . 5@ . A @ . A
bm am1 amn xn am1 x1 + am2 x2 + + amn xn
Y sabemos que dos vectores son iguales si y sólo si entrada por entrada son
iguales.
sist-ec-lin-clase-17-abril-2020 136
Siguiendo el ejemplo: Tenemos ( ) un sistema de 2 ecuaciones lineales
reales en 3 incógnitas.
4 x + 2z = 7
( ):
8x 5y + 12z = 23
Entonces
0 1
0 1 0 1
7 7
9@ A 2 R3 ; A @ A= si y sólo si 2 Im A:
23 23
4 0 2
Im A = ; ;
8 5 12
4 0 2
Im A = ; ; = R2
8 5 12
sist-ec-lin-clase-17-abril-2020 137
Hagámoslo en general:
Observaciones:
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
Sea ( ) : .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
(2 ) : 30 1 0 1
a11 a1n x1 b1
6 .. .. .. 7 B .. C = B .. C tiene solución.
4 . . . 5@ . A @ . A
am1 amn xn bm
2 3
a11 a1n
6 .. .. .. 7 y la llamaremos la
Denotemos a esta matriz por A := 4 . . . 5
am1 amn
matriz del sistema ( ):
2. ( 0
): 1 2 30 1 0 1
x1 a11 a1n x1 b1
B C 6 .. 7 B .. C = B .. C tiene solución
A @ ... A = 4 ... ..
. . 5@ . A @ . A
xn am1 amn xn bm
si y sólo si
0 1 0 1 0 1
b1 * a11 a1n +
B .. C B .. C B .. C
@ . A 2 Im A = @ . A ; :::; @ . A :
bm am1 amn
sist-ec-lin-clase-17-abril-2020 138
De…nición. Sea A 2 Mm n (k): El rango de A; rkA; es la dimensión de la
Im A:
rkA := dimk Im A
0 1 0 1
* a11 a1n +
B .. C B .. C
Y como Im A = @ . A ; :::; @ . A ;
am1 amn
Ejemplo:
4 0 2
Sea A := ;
8 5 12
4 0 2
Im A = ; ; : Entonces rkA = 2:
8 5 12
sist-ec-lin-clase-17-abril-2020 139
2.0( ) : 1 2 30 1 0 1
x1 a11 a1n x1 b1
B .. C 6 .. .. .. 7 B .. C = B .. C tiene solución
A@ . A = 4 . . . 5@ . A @ . A
xn am1 amn xn bm
si y sólo si
0 1 0 1 0 1
b1 * a11 a1n +
B .. C B .. C B .. C
@ . A 2 Im A = @ . A ; :::; @ . A :
bm am1 amn
si y sólo si
0 1 0 1 0 1 0 1 0 1
* a11 a1n + * a11 a1n b1 +
B .. C B .. C B .. C B .. C B .. C
@ . A ; :::; @ . A = @ . A ; :::; @ . A ; @ . A
am1 amn am1 amn bm
si y sólo si
2 3 2 3
a11 a1n a11 a1n b1
6 .. .. .. 7 = rk 6 .. .. .. .. 7
rk 4 . . . 5 4 . . . . 5
am1 amn am1 amn bm
2 3
a11 a1n b1
6 .. .. .. .. 7 se le llama la matriz aumentada del sistema
A 4 . . . . 5
am1 amn bm
( ):
sist-ec-lin-clase-17-abril-2020 140
Teorema. Sea k un campo y
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
sist-ec-lin-clase-17-abril-2020 141
Ahora, la siguiente pregunta:
Volvamos al ejemplo:
Tenemos
4 0 2
A := ; R3 ! R2 y vimos que es un epimor…smo. Por lo
8 5 12
tanto, nuestro sistema tiene al menos una solución.
0 1
x
4 0 2 @ y A= 7
8 5 12 23
z
0 7
1
4
Por ejemplo el vector @ 14+23
5
A es solución del sistema.
0
4 0
(Sáquenlo a pie o como quieran. Fíjense ; es base de
8 5
R2 ).
Es0decir, 1 0 1
7 7
4 4 0 2 4 7
A@ 14+23
5
A= @ 14+23
5
A=
8 5 12 23
0 0
Además, ya sabemos entonces cómo sacar TODAS las soluciones del sistema:
0 1 0 1 0 7
1
4
8@ A 2 R3 ; A @ A = A@ 14+23
5
A
0
si y sólo si
20 1 0 7
13
4 0
A 4@ A @ 14+23
5
A5 =
0
0
si y sólo si
0 1 0 7
1
4
@ A @ 14+23 A 2 ker A:
5
0
10
sist-ec-lin-clase-17-abril-2020 142
Es decir, si tomamos la relación de equivalencia ker A : 8v; w 2 R3 , v ker A
w si y sólo si v w 2 ker f:
Por lo tanto,
2 *80 19+ 8 0 1 9
1 1
< 2 = < 2 =
ker A = @ 1
(12 + 4) A = @ 1
(12 + 4) A ; 2R
: 5 ; : 5 ;
1 1
4 x + 2z = 7
( ): es
8x 5y + 12z = 23
80 7
1 0 1 0 1 9
< 4 =
@ 14+23 A+@ A 2 R3 ; @ A 2 ker A =
: 5 ;
0
80 7
1 0 1
1 9
< 4 2 =
= @ 14+23 A+ @
5
1
(12 + 4) A ; 2R :
: 5 ;
0 1
11
sist-ec-lin-clase-17-abril-2020 143
TEOREMA.
8 Sean
>
< a11 x 1 + a12 x2 + + a1n xn = b1
( ) : .. .. .. un sistema de m ecua-
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
ciones lineales en n incógnitas. Entonces
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
a) ( ): .
.. .. .. tiene solución ,
> . .
:
2 am1 x 1 + a m2 x 2 + 30+ amn
1 0x n = bm1
a11 a12 a1n x1 b1
6 .. .. .. .. 7 B .. C = B .. C
4 . . . . 5@ . A @ . A tiene solución ,
am1 0am2 1 amn
2 xn bm 3
b1 a11 a12 a1n
B .. C 6 . .. .. .. 7
@ . A 2 Im 4 .. . . . 5 ()
2 bm 3 am1
2 am2 amn 3
a11 a12 a1n a11 a12 a1n b1
6 .. .. .. .. 7 = rk 6 .. .. . .. .. .. 7
rk 4 . . . . 5 4 . . . . 5
am1 am2 amn am1 am2 amn bm
.
2 3
a11 a12 a1n
6 .. 7 y supongamos
b) Más aún, denotemos por A := 4 ... ..
.
..
. . 5
8 am1 am2 amn
> a
< 11 1 x + a x
12 2 + + a x
1n n = b 1
que ( ) : .. .. .. tiene solución.
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
0 1 0 1 0 1
y1 y1 b1
B C B C B C
Es decir, existe v = @ ... A 2 k n tal que A @ ... A = @ ... A =: b:
yn yn bm
12
sist-ec-lin-clase-17-abril-2020 144
1 0 0 1
0 0
B C B .. C :
Y observemos que siempre tiene solución, pues A @ ... A = @ . A
0 n 0 m
8 1 9 0
>
< 0 >
=
n B .. C
Más aún, su conjunto de soluciones es el ker A := v 2 k ; Av = @ . A :
>
: >
;
0 m
2 3
a11 a1n
6 .. 7 2 M
Recordemos: Sean A = 4 ... ..
. . 5 m n (R) y
am1 amn
ker A = v 2 Rn ; Av = 0m el núcleo de A:
[v] ker A
= v + ker A := fw 2 Rn ; 9z 2 ker A, w = v + zg = fw 2 Rn ; Aw = Avg
EJEMPLOS:
1: Sea ( ) el sistema de 2 ecuaciones lineales en 3 incógnitas siguiente:
x + 8y + 5z = 0
( ):
2x 3y 6z = 0
1 8 5
Solución: Sea A = : Tenemos que encontrar el núcleo de
82 2 3
9 6
3
< 33 =
A; ker A = 4 16 5 ; 2 R
: ;
19
13
sist-ec-lin-clase-17-abril-2020 145
¿Tendrá solución? Y si tiene solución, encontrar todas las soluciones. :
1 8 5
Solución: Sea A =
2 3 6
1
2:1: Ver si 2 Im A:
0
x + 8y + 5z = 1 x = 1 8y 5z
, 3y+6z ,
2x 3y 6z = 0 20 x =
1 0 3+33z
2 1 3
3y+6z x 19
x = 1 8y 5z =
, 2 16z
2 , 4@ y A= @ 2 16z
19
A :5
y = 19 z z
0 3
1
1 8 5 19 1:0
En particular, @ 2 A=
2 3 6 19 0
0
80 3+33z
1 9 0 3
1
< 19 = 19
Y observemos que @ 2 16z
19
A;z 2 R =@ 2
19
A + ker A:
: ;
z 0
1 8 5
2:2: Otra manera de hacerlo es hallar toda la imagen de A = :
2 3 6
Solución:
0 1 Para que practiquen:
0 1Fíjense que 0 1
1 0 0
1 8 5
A@ 0 A = ; A@ 1 A = y A@ 0 A = :
2 3 6
0 0 1
14
sist-ec-lin-clase-17-abril-2020 146
2 3 8
3
1 8 5 19 19 1:0 0
4 2 1 5=
2 3 6 19 19 0 1:0
0 0
EJERCICIOS: 8
< a11 x1 + a12 x2 +
> + a1n xn = b1
3. Dar n; m naturales y ( ) : .
.. .. .. un
> . .
:
am1 x1 + am2 x2 + + amn xn = bm
sistema de m ecuaciones lineales en n incógnitas, tales que
15
sist-ec-lin-clase-17-abril-2020 147
Demostrar lo siguiente:
0 1 0 1 0 1 0 1
x1 b1 x1 b1
B C B .. C tiene solución , [M A] B .. C = M B .. C tiene
A @ ... A = @ . A @ . A @ . A
xn bm xn bm
solución.
16
sist-ec-lin-clase-17-abril-2020 148
Lo que quiero que vean en esta sección es cómo utilizar el hecho de que haya
bases en los espacios vectoriales …nitamente generados.
Recordemos:
Y la inversa de A? ;
A? 1 : M m n (k) ! Homk (k n ; k m )
1
A? (M ) : k n ! km
M !
v 7 ! Mv
a)
f es monomor…smo () 8BV base de V; f (BV ) W es lin. independiente
() 9BV base de V; f (BV ) W es linealmente ind.
(Es decir, basta con probarlo para una sola base de V )
En este caso, n m
b)
f es epimor…smo () 8BV base de V; hf (BV )i = W
() 9BV base de V; hf (BV )i = W
(Es decir, basta con probarlo para una sola base de V )
En este caso, n m
c)
f es isomor…smo () 8BV base de V; f (BV ) es base de W
() 9BV base de V; f (BV ) es base de W
(Es decir, basta con probarlo para una sola base de V )
En este caso, n = m
f g
V ! W 99K V
v1 7 ! f (v1 ) 7 ! v1
.. .. .. .. ..
. . . . .
vn 7 ! f (vn ) 7 ! vn
wn+1 7 ! 0V
.. .. ..
. . .
wm 7 ! 0V
n
X m
X n
X
y= i f (vi ) + i wi 7 ! i vi
i=1 i=n+1 i=1
Xn
Sea x 2 V , entonces 9 1 ; :::;
2 k; x = n i vi :
n
!i=1
n n
X X X
Entonces, (g f ) (x) = (g f ) i vi = i (g f ) (vi ) = i vi =
g f lineal
i=1 i=1 i=1
x:
Por lo tanto, g f = 1V :X
)X ¿por qué?
) Sea x 2 ker f:
PD. x = 0V :
Por lo tanto, x = 0V :
A: R2 ! 0 R3 1
x + 9y
x @ 3x y A :
7 !
y
5x
Como antes, f h = 1W :
= 1W = (f h) = ( f) h = ( f) h = (f h) =
hip ótesis aso c aso c hip ótesis
1W = :
Por lo tanto, = :
A : 0 R3 1 ! R2
x
@ y A x + 3y + 5z :
7 !
9x y
z
Observaciones:
O.1. f (0V ) = 0W :
A : kn ! km
v 7 ! Av
Recordemos:
0 1
x1
B C
Si v := @ ... A entonces
xn
2 3 0 1
a11 a12 a1n 0 1 (a11 k x1 ) + k +k (a1n k xn )
6 a21 a22 7 x1 B (a21 C
6 a2n 7 B .. C := B k x1 ) + k +k (a2n k xn ) C
6 .. .. . .. .. 7 @ . A B .. C
4 . . . 5 @ . A
xn
am1 am2 amn (an1 k x1 ) + k +k (amn x
k n )
Teoremazos_Funciones_lineales 156
En este caso diremos que V es isomorfo a W ó V y W son (espacios vecto-
riales) isomorfos. y se denotará V ' W:
n
Bkn = fe1 ; :::; en g 0
la base
1 canónica de k :
0
B .. C
B . C
B C
B 0 C
B C
Es decir, ei := B B 1 C
C 2 k n ; i = 1; :::; n:
B 0 C i
B C
B . C
@ .. A
0
Teoremazos_Funciones_lineales 157
c) La inversa de A? es
A? 1 : M m n (k) ! Homk (k n ; k m )
1
(A? )(M ) : k n ! km
M 7 !
v 7 ! Mv
NOTA: Cuando les mencioné que las matrices eran LOS ejemplos de funciones
lineales, es que realmente son TODAS las funciones lineales entre los espacios
vectoriales k n y k m . Y algo que se me hace precioso y útil, es que la composición
de funciones equivale al producto de matrices. :)
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB CC 1
1 CC @
fB B CC @ 0 A, f BB
@@ 0 AA = @@ = 0 A;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB 1
0 CC
fBB CC = @ 5 A y f BB
@@ 1 AA @@
CC = @ 3 A :
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
d d
00 11
a
BB b CC
fBB CC
@@ c AA :
g
Teoremazos_Funciones_lineales 158
Por lo tanto, Af y f de…nen la misma función.
Por lo tanto, (por teoremazo 1), la matriz asociada a f , tiene como i ésima
columna a wi :
Af = w1 w2 wn :
Teoremazos_Funciones_lineales 159
4 3
Siguiendo el 8
ejemplo:
0 Sean
1 k = R,0R y1R . 0 1 0 19
>
> 1 0 0 0 >>
< B 0 C B C B =
C ; e2 = B 1 C ; e3 = B 0 C B 0 C
Sea B = e1 = B @ A @ A @
C ; e4 = B
A @
C la base
A
>
> 0 0 1 0 >>
: ;
0 0 0 1
canónica de R4 :
8 0 1 0 1 0 1 0 19
< 1 1 1 1 =
Tomemos en R3 el conjunto w1 = @ 0 A ; w2 = @ 0 A ; w3 = @ 5 A ; w4 = @ 3 A :
: ;
0 0 0 0
Entonces
f: R4 ! 0R 1
3
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 5 A
0 0 1
1
e1 7 ! @ 3 A
0 1 0
a 0 1
B b C a b c+d
Por lo tanto, B C
@ c A 7 ! @ 5c 3d A
0
d
2 3
1 1 1 1
Y Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
00 11 d d
a
BB b CC
fBB CC
@@ c AA :
g
Teoremazos_Funciones_lineales 160
Teorema3. Sea f : V ! W una función k-lineal. Sea X V subconjunto,
de…nimos "f (X)" := ff (v); v 2 Xg la imagen de X bajo la función f: Entonces
a)
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8 ; : Z ! V k lineales;
()
[f =f =) = ]
b)
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : W ! Z; k lineales
()
[ f= f =) = ]
c)
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y la llamaremos la inversa de f
Teoremazos_Funciones_lineales 161
Recordemos que A de…ne una función k lineal, A : k n ! k m ; donde
Ai = A (ei ) la imagen de ei bajo A y B = fe1 ; :::; en g la base canónica de k n :
Es decir, "A(B)" = fA1 ; :::; An g : Entonces
a)
A es monomor…smo () "A(B)" = fA1 ; :::; An g es lin. independiente
2 en3 k m
1 0
6 . 7
() 9M 2 Mn m (k) tal que M A = 4 .. 5 la matriz identidad en k n
0 1 n
En este caso, n m
b)
A es epimor…smo () "A(B)" = fA1 ; :::; An g genera a2k m 3
1 0
6 .. 7
() 9N 2 Mn m (k) tal que AN = 4 . 5 la matriz identidad en k m
0 1 m
En este caso, n m
c)
A es isomor…smo () "A(B)" = fA1 ; :::; An g es base de k m
() 9!A 1 2 Mn m (k), A 1 A = In y AA 1
= Im las identidades en k n y k m ; resp
En este caso, n = m
Teoremazos_Funciones_lineales 162
DETERMINANTES. 8 0 1 9
>
< a11 a12 >
=
B .. C ; 8i; j = 1; :::; n; a 2 R
Denotemos por Mn (R) = A = @ ... ..
. . A ij
>
: >
;
an1 ann
el R-espacio vectorial de las matrices de n n (con sus operaciones usuales).
Sea A 2 Mn (R), denotaremos por det A al determinante de A que se
de…nirá de la siguiente manera:
1. A = (a) 2 M1 (R)
det(A) := a
a b
2. A = 2 M2 (R)
c d
det A := ad bc
0 1
a11 a12 a13
3. A = @ a21 a22 a23 A 2 M3 (R)
a31 a32 a33
0 1
+ +
B a11 a12 a13 C
det A = det B
@ a21 a22
C :=
a23 A
a31 a32 a33
a22 a23 a21 a23 a21 a22
= a11 det a12 det + det =
a32 a33 a31 a33 a31 a32
= a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a31 a23 + a21 a13 a32 a13 a22 a31
0 1
a11 a1n
B .. . .. .. C
4. A = @ . . A 2 Mn (R)
an1 ann
Determinantes 163
+ si m es impar
Y 8m = 1; :::; n de…nimos (m) =
si m es par
El determinante de A;
det A := det (1)a11 det A(1) + (2)a12 det A(2) + + (m)a1m det A(m) +
+ (n)a1n det A(n)
Tarea.
1. Demostrar
2 las propiedades anteriores
3 para matrices de 2 2y3 3:
d1 0 0
6 .. 7
6 0 d2 0 . 7
6
2. Sea D = 6 . 7 una matriz diagonal.
. 7
4 .. 0 . . 0 5
0 0 dn
Q
n
Demostrar por inducción que det D = dj :
j=1
2 3 2 3
a1;1 a1;2 a1;n a1;1 0 0
6 7 6 .. 7
6 0 a2;2 a2;n 7 6 a2;1 a2;2 0 . 7
3. Sea A = 6 .. .. .. 7 (resp. A = 6
6 .
7)
7
4 . 0 . . 5 4 .. .. .. 5
. . 0
0 0 an;n an;1 an;2 an;n
Q
n
det A = aj;j :
j=1
Determinantes 164
El n-volumen. Diremos que una …gura P en Rn tiene n volumen dis-
tinto de 0, si 9r > 0; 9v 2 Rn tal que la bola con centro en v y radio r, Br (v);
está contenida en P:
Ejemplos:
1. jdet(a)j = jaj es la distancia que hay del 0 a a en la recta real.
a b
2. det = jad bcj es el 2 volumen = área del paralelogramo en
c d
n o
R2 cuyo conjunto de vértices son 00 ; ac ; db ; a+b
c+d
4. Denotemos
0 por Cm a la columna1m ésima de A; entonces
C1 C2 C3 Cn
B a11 a12 a13 a1n C
B C
det B . . .. C es el n volumen del n paralelepípedo
@ .. .. . A
an1 an2 an3 ann
conjunto de
[ vértices [ [ [ [
0 fCm1 +Cm2 g fCm1 +Cm2 + +Cmi g fC1 +
m1 <m2 m1 <m2 < <mi
C2 + + Cn g
Determinantes 165
TAREA.
1. En el plano R2 ; dar todos los paralelogramos de área 3 que incluyan como
1 0
vértices al y :
1 0
3
0 3. En
1 R0; dar 1 un paralelepípedo de área 1 que incluya como vértices al
1 0
@ 1 A y @ 0 A:
0 0
¿Dar todos?
Determinantes 166
Álgebra Lineal I.
Construcción de Matrices
81 0 0 1 0 1 0 19
1>
> 5 1 1 >
>
<
B 4 C B 0 C B 4 C B 4 C=
Ejemplo. Sean k = R, B = v1 = B C B
@ 3 A ; v2 = @ 3
C ; v3 = B
A
C B
@ 0 A ; v4 = @ 3
C
A>
>
> >
: ;
2 2 2 0
4
es base de R :
Entonces el teoremazo anterior me dice que existe una única función lineal
f : R4 ! R3 tal que 8i = 1; 2; 3; 4; f (vi ) = wi :
0
1
x1
B x2 C
Entonces, por ser B base, 8 B C 4
@ x3 A 2 R ; 9! 1 ; 2 ; 3 ; 4 2 R tales que
x4
0 1 00 11
x1 x1
X 4 X4
B x2 C BB x2 CC
B C= v y por lo tanto, f BB CC := i wi :
@ x3 A i i @@ x3 AA
i=1 i=1
x4 x4
00 11
x1 0
1 0 1 0 1 0 1
BB x2 CC X4 21 8 0 8
fB B CC :=
@@ x3 AA i wi = 1
@ 3 A+ 2
@ 9 A+ 3
@ 0 A+ 4
@ 9 A:
i=1 7 10 0 10
x4
y su matriz asociada tendrá como sus columnas a las f (ei )’s Af = f (e1 ) f (e2 ) f (e3 ) f (e4 ) :
Por lo que tenemos que encontrar para cada ei su expresión como com-
binación lineal de los elementos de la base B y entonces encontrarermos sus
imágenes bajo f:
0 1 0 1 0 1 0 1 0 1
1 1 5 1 1
B 0 C B 4 C B C B C B C
e1 = B C= 2 B C 1B C 1B C 1B 4 C
0 4
@ 0 A 5 @ 3 A + 5 @ 3 A + 5 @ 0 A + 5 @ 3 A;
0 0 1 02 1 02 1 02 1 00 1
0 1 5 1 1
B 1 C B C
3 B 4 C
B C 1B 4 C 1B 4 C
1 B 0 C
e2 = B
@
C=
A 20 @ 3 A
B C B C
20 @ 3 A + 5 @ 0 A + 5 @ 3 A ;
0
0 2 2 2 0
0 1 0 1 0 1 0 1 0 1
0 1 5 1 1
B 0 C B C
1 B 4 C
B 0 C 1B 4 C B 4 C
e3 = B
@
C=
A
B C
3 @ 3 A + 0@ 3 A
B C B C
5 @ 0 A + 0@ 3 A;
1
0 0 1 0 2 1 0 2 1 0 21 0 0 1
0 1 5 1 1
B 0 C B 4 C B 0 C B 4 C B C
e4 = B C= 1 B C B C B C 1 B 4 C:
@ 0 A 2 @ 3 A + 0@ 3 A + 0@ 0 A 2 @ 3 A
1 2 2 2 0
0 1 0 1 0 1
21 8 0
Por lo tanto,como w1 = @ 3 A ; w2 = @ 9 A ; w3 = @ 0 A ; w4 =
7 10 0
0 1
8
@ 9 A
10
0 1 0 1 0 1 0 1 0 42
1
21 8 0 8 5
2 @
f (e1 ) = 5
3 A+ 1 @
5
9 A + 51 @ 0 A + 51 @ 9 A=@ 6
5
A;
14
7 10 0 10
0 1 0 1 0 1 0 1 0 5
103
1
21 8 0 8 20
3 @
f (e2 ) = 20
3 A 1 @
20
9 A + 51 @ 0 A + 15 @ 9 A=@ 27
10
A;
71
7 10 0 10 20
Observaciones:
O.1. f (0V ) = 0W :
A : kn ! km
v 7 ! Av
Recordemos:
0 1
x1
B C
Si v := @ ... A entonces
xn
2 3 0 1
a11 a12 a1n 0 1 (a11 k x1 ) + k +k (a1n k xn )
6 a21 a22 7 x1 B (a21 C
6 a2n 7 B .. C := B k x1 ) + k +k (a2n k xn ) C
6 .. .. . . .. 7 @ . A B .. C
4 . . . . 5 @ . A
xn
am1 am2 amn (an1 k x1 ) + k +k (amn x
k n )
n
Bkn = fe1 ; :::; en g 0
la base
1 canónica de k :
0
B .. C
B . C
B C
B 0 C
B C
Es decir, ei := B B 1 C
C 2 k n ; i = 1; :::; n:
B 0 C i
B C
B . C
@ .. A
0
c) La inversa de A? es
A? 1 : M m n (k) ! Homk (k n ; k m )
1
(A? )(M ) : k n ! km
M 7 !
v 7 ! Mv
NOTA: Cuando les mencioné que las matrices eran LOS ejemplos de funciones
lineales, es que realmente son TODAS las funciones lineales entre los espacios
vectoriales k n y k m . Y algo que se me hace precioso y útil, es que la composición
de funciones equivale al producto de matrices. :)
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB CC 1
1 CC @
fB B CC @ 0 A, f BB
@@ 0 AA = @@ = 0 A;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB CC 1
0 CC @
fBB CC @ 5 A y f BB
@@ 1 AA = @@ = 3 A:
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5@B C=@
A 5c 3d A =:
c
0 0 0 0 0
00 11 d d
a
BB b CC
fBB CC
@@ c AA :
g
Por lo tanto, (por teoremazo 1), la matriz asociada a f , tiene como i ésima
columna a wi :
Af = w1 w2 wn :
Entonces
f: R4 ! 0R 1
3
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 5 A
0 0 1
1
e1 7 ! @ 3 A
0 1 0
a 0 1
B b C a b c+d
Por lo tanto, B C
@ c A 7 ! @ 5c 3d A
0
d
2 3
1 1 1 1
Y Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
d d
00 11
a
BB b CC
fBB CC
@@ c AA :
g
a)
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8 ; : Z ! V k lineales;
()
[f =f =) = ]
b)
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : W ! Z; k lineales
()
[ f= f =) = ]
c)
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y la llamaremos la inversa de f
a)
A es monomor…smo () "A(B)" = fA1 ; :::; An g es lin. independiente
2 en3 k m
1 0
6 . 7
() 9M 2 Mn m (k) tal que M A = 4 .. 5 la matriz identidad en k n
0 1 n
En este caso, n m
b)
A es epimor…smo () "A(B)" = fA1 ; :::; An g genera a2k m 3
1 0
6 .. 7
() 9N 2 Mn m (k) tal que AN = 4 . 5 la matriz identidad en k m
0 1 m
En este caso, n m
c)
A es isomor…smo () "A(B)" = fA1 ; :::; An g es base de k m
() 9!A 1 2 Mn m (k), A 1 A = In y AA 1
= Im las identidades en k n y k m ; resp
En este caso, n = m
10
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
si y sólo si
2 30 1 0 1
a11 a12 a1n x1 b1
6 .. .. .. .. 7 B .. C = B .. C tiene solución
4 . . . . 5@ . A @ . A
am1 am2 amn xn bm
si y sólo si
0 1 2 3
b1 a11 a12 a1n
B .. C 6 .. .. .. .. 7
@ . A 2 Im 4 . . . . 5
bm am1 am2 amn
si y sólo si
2 3 2 3
a11 a12 a1n a11 a12 a1n b1
6 .. 7 = rk 6 .. .. 7
rk 4 ... ..
.
..
. . 5 4 .
..
.
..
.
..
. . 5
am1 am2 amn am1 am2 amn bm
es el número de columnas linealmente independientes de la matriz.
2 3
a11 a1n b1
6 .. .. .. .. 7 se le llama la matriz aumentada del sistema
A 4 . . . . 5
am1 amn bm
( ):
.
.
.
11
12
13
14
15
Recordemos:
es la expresión de M en columnas.
Entonces AM = AM1 AMt :
Los puntos (1) y (2) inducen a pensar que podemos trabajar con matrices
como funciones lineales entre espacios vectoriales …nitamente generados.
'p : V ! 0 kn 1
n p(1)
X B .. C
x= i vi 7 ! @ . A
i=1
p(n)
00 1 0 1 0 11 p1 : f1; 2; 3g ! f1; 2; 3g f 1 : 0 R3 1 ! 3
1 0 0 0R 1
@@ 0 A ; @ 1 A ; @ 0 AA c o n 1 7 ! 1 x x
2 7 ! 2
y
@ y A 7 ! @ y A
0 0 1
3 7 ! 3 z z
00 1 0 1 0 11 p2 : f1; 2; 3g ! f1; 2; 3g f2 : 0 R3 1 ! 3
1 0 0 0R 1
@@ 0 A ; @ 0 A ; @ 1 AA c o n 1 7 ! 1 x x
2 7 ! 3
y
@ y A 7 ! @ z A
0 1 0
3 7 ! 2 z y
00 1 0 1 0 11 p3 : f1; 2; 3g ! f1; 2; 3g f3 : 0 R3 1 ! R 3
0 1 0 0 1
@@ 1 A ; @ 0 A ; @ 0 AA c o n 1 7 ! 2 x y
2 7 ! 1
y
@ y A 7 ! @ x A
0 0 1
3 7 ! 3 z z
00 1 0 1 0 11 p4 : f1; 2; 3g ! f1; 2; 3g f4 : 0 R3 1 ! R 3
0 0 1 0 1
@@ 1 A ; @ 0 A ; @ 0 AA c o n 1 7 ! 2 x y
2 7 ! 3
y
@ y A 7 ! @ z A
0 1 0
3 7 ! 1 z x
00 1 0 1 0 11 p5 : f1; 2; 3g ! f1; 2; 3g f5 : 0 R3 1 ! R 3
0 1 0 0 1
@@ 0 A ; @ 0 A ; @ 1 AA c o n 1 7 ! 3 x z
2 7 ! 1
y
@ y A 7 ! @ x A
1 0 0
3 7 ! 2 z y
00 1 0 1 0 11 p6 : f1; 2; 3g ! f1; 2; 3g f6 : 0 R3 1 ! R 3
0 0 1 0 1
@@ 0 A ; @ 1 A ; @ 0 AA c o n 1 7 ! 3 x z
2 7 ! 2
y
@ y A 7 ! @ y A
1 0 0
3 7 ! 1 z x
Dar los distintos isomor…smos de P 2 [x] a R que dan las 6 distintas bases
ordenadas de…nidas por B:
Es decir, 0
el sistema
0 de 1 coordenadas
0 ( 1)B
1 manda a B a la base canónica
1 0
B B 0 C B .. CC
B B C B CC
ordenada C=Be1 = B . C ; :::; en = B . CC :
@ @ .. A @ 0 AA
0 1
PD. ( )B : V ! k n es un isomor…smo.
4.1.a. Por (1), ( )B es una función de conjuntos. Es decir, está bien de…nida.
¿Por qué? (Hint: B es base ordenada)
( )B1 : 0 k n 1 ! V
1 n
B .. C X :
@ . A ! i vi
i=1
n B
Entoces,
5.1. 8x 2 V; A (x)B = (x)B 0 :
5.2. A es un isomor…smo.
5.3. A 1 es la matriz de cambio de base B 0 a B:
Es decir, A nos da el cambio del sistema coordenado en B al sistema coor-
denado en B 0 y la llamaremos la matriz de cambio de base B a la base B 0
(o matriz de cambio de base B en B 0 ).
Demostración.
n
! n
!
X X
= i a1i w1 + + i ani wn =
i=1 i=1
n
! n
!
X X
= a1i i w1 + + ani i wn :
i=1 i=1
0 n
1
X
B a1i i C 2 30 1 0 1
B i=1 C a11 a1n
B C 1 1
B .. C 6 .. .. .. 7 B .. C = A B .. C :
(x)B 0 =B C == 4 . . . 5@ . A @ . A
B n . C
B X C an1 ann
@ ani A n B n B
i
i=1 B0
80 1 0 19
< a11
> a1n >=
B C B C
Es decir, por demostrar que @ ... A ; :::; @ ... A es base de k n :
>
: >
;
an1 ann
80 1 9
>
< 0 >
=
B .. C
Pero lo voy a demostrar, comprobando que ker A = @ . A > y como es
>
: ;
0 B
una matriz cuadrada se cumple A mono () A iso.
Recordemos: 8
A0satisface
1 9que 8x 2 V; A(x)B = (x)B 0 :
>
< 0 >
=
B C
PD. ker A = @ ... A :
>
: >
;
0 B
n
X
De…nimos x := i vi 2 V:
i=1
0 1 0 1 0 1
1 1 0
B C B C B C
Entonces @ ... A = (x)B y A @ ... A = @ ... A :
x2ker A
n n 0
01 0 1
0 1
B C B C
Por otro lado, @ ... A = A @ ... A = A(x)B = (x)B 0 :
0 n
Xn
Es decir, x = 0wi = 0V :
i=1
2 3
1 0 0
6 .. .. .. 7
6 0 . . . 7
(v1 )B (vn )B =6
6 ..
7=
7
4 .. ..
. . . 0 5
0 0 1
1 1 1 1
=A A=A (v1 )B 0 (vn )B 0 = A (v1 )B 0 A (vn )B 0 :
ver (0)
1
Por lo tanto, 8i = 1; :::; n; (vi )B = A (vi )B 0 :
1
Por lo tanto, (¿por qué?), 8x 2 V; (x)B = A (x)B 0 :
01
a
ax2 + bx + c B2
=@ b A ;
c B
2
0 1
b
ax2 + bx + c B3
=@ a A ; pues
c a b B3
ax2 + bx + c = (1 + x) + (1 + x2 ) +
si y sólo si
=by =ay + + =c
si y sólo si
=ay =ay =c a b:
0
6.2. Las matrices de cambio, AB 0
B ; de la base B a la base B ; entre estas
bases son:
B1 = (x; x2 ; 1); B2 = (x2 ; x; 1); B3 = (1 + x; 1 + x2 ; 1):
0 1
h i 0 1 0
a. AB2
B1 = (x)B2 x 2
B2
(1)B2 = @ 1 0 0 A es una matriz de
0 0 1
permutación.
Cómo
0 comprueban
1 (ver (6.1)): 0 10 1 0 1
0 1 0 0 1 0 b a
@ 1 0 0 A ax2 + bx + c B = @ 1 0 0 A @ a A = @ b A :X
1
0 0 1 0 0 1 c B c B
1 2
10
Comprobación
0 (ver
1 (6.2)): 0 10 1 0 1
1 0 0 1 0 0 b b
@ 0 1 0 A ax2 + bx + c =@ 0 1 0 A@ a A = @ a A :X
B1
1 1 1 1 1 1 c B c a b B3
1
0 1
1 0 0
Y por lo tanto, AB B3
B3 = (AB1 )
1 1
=@ 0 1 0 A :X
1 1 1
11
Es decir, [f ]B
BV =
W
(f (v1 ))BW (f (v2 ))BW (f (vn ))BW es la matriz
cuya i ésima columna es el vector de coordenadas de f (vi ) en la base ordenada
BW :
12
@: P 2 [x] ! P 1 [x]
ax2 + bx + c 7 ! 2ax + b
B0 0 0 2
Entonces [@]B = y por teoremazos, @ es una función epi pero
0 1 0
no mono (que ya lo sabíamos).
13
Hola Chic@s, primero empezaré con un ejemplo demostrando todo con mucha
calma, de lo que vimos ayer y hoy, pues utiicé diagramas para que tengan una
idea de cómo se puede en un solo diagrama tener la visión panorámica de un
problema. No es fácil demostrar en diagramas, pero es muy bonito demostrar
en diagramas y muy útil.
3
( )B : P 2 [x] ! 0 R 1
3
X 1
ax2 + bx + c = i vi 7 ! @ 2
A
i=1 3 B
Por lo tanto,
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
@ A =@ a A :
ax2 + bx + c = i vi 7 ! 2 8
c b
i=1 3 B 3 B
Tenemos
( )B
V ! R3
v1 7 ! e1 y queremos hallar una función lineal (matriz) AB 0 : R3 !
B
v2 7 ! e2
v3 7 ! e3
0
R3 tal que ABB ( )B = ( )B 0 :
V
( )B
. &( )B0
k n
99K0 kn
AB
B
0
donde ó signi…ca el diagrama conmuta. Es decir, AB B ( )B =
( )B 0 ( )B = ( )B 0 ; que en clase vimos que existe. Lo recuerdo en este ejemplo:
Por lo tanto,
(x)B 0 = ( 1 v1 + 2 v2 + 3 v3 )B 0 = 1 (v1 )B 0 + 2 (v2 )B 0 + 3 (v3 )B 0 :
x2 + 2 x2 + x (x2 + x + 1) = x 1 = v1 :X
8x + 0 x + x + 0(x2 + x + 1) = 8x2 = v2 :X
2 2
0x2 + 3 x2 + x 3(x2 + x + 1) = 3 = v3 :X
2 3
1 8 0
0
Por lo tanto, AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 =4 2 0 3 5:
1 0 3
0
AHORA, ¿cómo se puede sacar AB
B que no sea a pie?
0
En clase demostramos que AB B
B = (AB 0 )
1
Y AB
B0 = (v10 )B (v20 )B (v30 )B y tenemos el isomor…smo
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
:
ax2 + bx + c = i vi 7 ! @ 2 A =@ a 8
A
c b
i=1 3 B 3 B
Por lo tanto,
2 3
0 1 1
AB
B0 =
4 1 1 1 5
8 8 8
1 2
0 3 3
2 3 2 3
0 1 1 1 8 0
0
Y 4 18 1
8
1 5
8 , inverse: 4 2 0 3 5 = AB B :
1 2
0 3 3 1 0 3
EN RESUMEN:
Sean B = (v1 ; :::; vn ) y B 0 = (v10 ; :::; vn0 ) bases ordenadas de V k espacio
vectorial de dimensión n:
Conocemos ( )B : V ! k n el sistema de coordenadas de V en la
base ordenada B:
0
Entonces ( )B 0 = AB
B ( )B : V ! k n : Y LISTO. :)
Hola Chic@s, primero empezaré con un ejemplo demostrando todo con mucha
calma, de lo que vimos ayer y hoy, pues utiicé diagramas para que tengan una
idea de cómo se puede en un solo diagrama tener la visión panorámica de un
problema. No es fácil demostrar en diagramas, pero es muy bonito demostrar
en diagramas y muy útil.
3
( )B : P 2 [x] ! 0 R 1
3
X 1
ax2 + bx + c = i vi 7 ! @ 2
A
i=1 3 B
Por lo tanto,
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
@ A =@ a A :
ax2 + bx + c = i vi 7 ! 2 8
c b
i=1 3 B 3 B
Tenemos
( )B
V ! R3
v1 7 ! e1 y queremos hallar una función lineal (matriz) AB 0 : R3 !
B
v2 7 ! e2
v3 7 ! e3
0
R3 tal que ABB ( )B = ( )B 0 :
V
( )B
. &( )B0
k n
99K0 kn
AB
B
0
donde ó signi…ca el diagrama conmuta. Es decir, AB B ( )B =
( )B 0 ( )B = ( )B 0 ; que en clase vimos que existe. Lo recuerdo en este ejemplo:
Por lo tanto,
(x)B 0 = ( 1 v1 + 2 v2 + 3 v3 )B 0 = 1 (v1 )B 0 + 2 (v2 )B 0 + 3 (v3 )B 0 :
x2 + 2 x2 + x (x2 + x + 1) = x 1 = v1 :X
8x + 0 x + x + 0(x2 + x + 1) = 8x2 = v2 :X
2 2
0x2 + 3 x2 + x 3(x2 + x + 1) = 3 = v3 :X
2 3
1 8 0
0
Por lo tanto, AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 =4 2 0 3 5:
1 0 3
0
AHORA, ¿cómo se puede sacar AB
B que no sea a pie?
0
En clase demostramos que AB B
B = (AB 0 )
1
Y AB
B0 = (v10 )B (v20 )B (v30 )B y tenemos el isomor…smo
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
:
ax2 + bx + c = i vi 7 ! @ 2 A =@ a 8
A
c b
i=1 3 B 3 B
Por lo tanto,
2 3
0 1 1
AB
B0 =
4 1 1 1 5
8 8 8
1 2
0 3 3
2 3 2 3
0 1 1 1 8 0
0
Y 4 18 1
8
1 5
8 , inverse: 4 2 0 3 5 = AB B :
1 2
0 3 3 1 0 3
EN RESUMEN:
Sean B = (v1 ; :::; vn ) y B 0 = (v10 ; :::; vn0 ) bases ordenadas de V k espacio
vectorial de dimensión n:
Conocemos ( )B : V ! k n el sistema de coordenadas de V en la
base ordenada B:
0
Entonces ( )B 0 = AB
B ( )B : V ! k n : Y LISTO. :)
Sistemas de coordenadas.
( )B : V ! kn ( )B1 : kn ! V
i = 1; :::; n vi 7 ! 0 ei 1 i = 1; :::; n 0 ei 1 7 ! vi
n 1 con inversa 1 :
X B .. C B .. C
n
X
x= i vi 7 ! @ . A @ . A 7 ! i vi
i=1 i=1
n B n
Importante
0 1 recordar que 0 1
1 0
B 0 C B .. C X
B C B . C
(v1 )B = B . C ; :::; (vn )B = B C : Pues vi = 1vi + 0vh :
@ .. A @ 0 A h6=i
0 B 1 B
0 Y ( 0)B es
1 isomor…smo 0 pues
11manda a la base B a la base canónica, C =
1 0
B B 0 C B .. CC
B B C B CC
Be1 = B .. C ; :::; e1 = B . CC de k n :
@ @ . A @ 0 AA
0 1
Ejemplo-clase-11-mayo-2020-1a2 211
0
De hecho, AB
B = (v1 )B 0 (vn )B 0 cuya i ésima columna es el vector
de coordenadas de vi 2 B en la base B 0 :
0
B AB
Es decir, 8x 2 V; (x)B 7 ! (x)B 0
Además,
0 1
II.a. AB B
B 0 = AB :
II.b. AB
B = In es la matrizidentidad.
00
B 00 B 0
II.c. AB
B = AB 0 AB para B:B 0 y B 00 bases ordenadas de V:
0
II.d. Manera fácil de construir AB
B pues sabemos el sistema de coordenadas
( )B :
Como conocemos ( )B ; construyamos AB B0 = (v10 )B (vn0 )B y luego
1 0
calculemos la inversa de esta matriz, AB
B0 = AB
B :
2
Entonces si queremos el sistema de coordenadas de en una base
! 1
2
ordenada B = (v1 ; v2 ); escribiremos ; pero si ya está en la base
1 C2
R B
B; es decir,
!
2 2
= v1 + v2 entonces escribiremos = :
1 CR2
1 CR2 B
B
Ejemplo-clase-11-mayo-2020-1a2 212
Ejemplo de la clase del 11 de mayo:
1 0
1. Sean C2 := CR2 = e1 = ; e2 = la base ordenada canónica
0 1
2
de R y
1 2 1 3
B1 = v1 = ; v2 = y B2 = v10 = ; v20 =
2 0 3 1
otras bases ordenadas de R2 :
1 3 1 1
1 2
AB 2 C2
C 2 AB 1 =
10
3
10
1 = 2
1
5
3 = AB
B1 :
2
10 10 2 0 2 5
1 1 3 1
2
1
5
3 , inverse: 5
2 2
5 = AB
B2
1
2 5 4 4
!
1 1
1 2
Comprobar que 2
1
5
3 = AB
B1 : B 1 =
2
v1 = ; v2 =
2 5 2 C2
0 C2
!
1 3
y B2 = v10 = ; v20 =
3 C2
1 C 2
Recordemos que AB
B1 (w)B1
2
= (w)B2 para todo vector w 2 R2 :
1
Y sabemos que (v1 )B1 = :
0 B
1
1 1
AB
B1 =
2 2
1
5
3
2 5
1 1 1
2 5 1 2
1 3 = 1 :
2 5 0 2
1 0 1 0
PD. 2 v1 2 v2 = v1
1 0 1 0 1 1 1 3 1
2 v1 2 v2 = 2 3 2 1
=
2
= v1 :X
C2 C2 C2
1 1 1
2 5 0 5
1 3 = 3 :
2 5 1 5
Ejemplo-clase-11-mayo-2020-1a2 213
PD. 15 v10 3 0
5 v2 = v2
1 0 3 0 1 1 3 3 2
5 v1 5 v2 = 5 3 5 1
=
0
= v2 :X
C2 C2 C2
1 1
Por lo tanto, 2
1
5
3 = AB
B1 :
2
2 5
TAREA: Dar explícitamente ( )C2 ; ( )B1 :( )B2 : R2 ! R2 y AB1:
B2
( )B2 = AB
B1
2
( )B1 : R2 ! R2
Ejemplo-clase-11-mayo-2020-1a2 214
2. TAREA: En R3 encontrar las matrices de cambio de bases0y los sistemas
0 1 de 0 1 0 11
1 0 0
coordenadas para las siguientes bases ordenadas: C3 := CR3 = @"1 = @ 0 A ; "2 = @ 1 A ; "3 = @ 0 AA
00 1 0 1 0 11 2 3 0 0 1
1 8 0 1 8 0
y D1 = @@ 2 A ; @ 7 A ; @ 3 AA es base ordenada: 4 2 7 3 5, inverse:
3 5 4 3 5 4
2 13 32 8
3 22 3 2 3 2 33
21 21 7 1 8 0
4 1 4 1 5
, column basis: 44 2 5 ; 4 7 5 ; 4 3 55, nullspace basis:
21 21 7
11 19 3
21 21 7
3 5 4
[], determinant: 21 6= 0:
Dar AD
C3 :
1
2 3 2 13 32 8
3
1 8 0 21 21 7
AC 3
= 4 2 7 3 5, inverse: 4 1 4 1 5 = AD1 : Por lo tanto,
D1 21 21 7 C3
11 19 3
3 5 4 21 21 7
( )D1 = AD 1
C3 ( )C3 = AD1
C3
0 1 2 3
x 1 0
x C
7 ! @ 4x + 6y A [ f ]C32 = 4 4 6 5 :
y C
2 3x + 2y C 3 2
2 3 3 0 1
1 0 x
x
Comprobación: 4 4 6 5 = @ 4x + 6y A
y
3 2 3x + 2y
Más aún, vimos propiedades de esta función: nullspace basis: [] f es mono
y no puede ser epi pues 2 < 3 (y si fuera epi, la dimensión del dominio sería
mayor o igual que la dimensión del contradominio).
C C D D D
TAREA. Hallar y comprobar (aunque sea una de estas funciones) [f ]B31 ; [f ]B32 ; [f ]B11 ; [f ]B11 ; [f ]C21
2 3
1 0
C
donde [ f ]C32 = 4 4 6 5.
3 2 2 3 2 3
1 0 1 2
C3 C3 4 4 6 5 1 2 C C
[f ]B1 = [ f ]C2 ACB1 =
2
= 4 8 8 5, [f ]B32 = [ f ]C32
2 0
3 2 1 6
D1 C3 D1 C3
AC
B2
2
; [f ] B1 = A D1
C3 [f ] C2 A C2
B1 ; [f ]C2 = A D1
C3 [f ]C2
Ejemplo-clase-11-mayo-2020-1a2 215
D C
y [f ]C21 = AD1
C3 [f ]C32 : (w)C2 7 ! (f (w))D1
2 3
1 2
C
1. PD. [f ]B31 =4 8 8 5
1 6
1 2
Comprobación: Recordemos B1 = v1 = ; v2 =
2 0
C
PD. 8w 2 R2 ; (f (w))C3 = [ f ]C32 ACB1 (w)B1 :
2
2 3
1 0
C3
Sabemos que [ f ]C2 = 4 4 6 5
3 2
2 3 2 3 0 1
1 0 1 0 1
4 4 6 5 (v1 ) = 4 4 6 5 1
C2 = @ 8 A = (f (v1 ))C3
2
3 2 3 2 1 C
3
1
Por otro lado, = (v1 )B1 y
0 B
2 3 01 1
1 2 1
4 8 8 5 1 = @ 8 A = (f (v1 ))C3 :
0
1 6 1
0
Y = (v2 )B1 y
1
2 B3
1 0 1
1 2 2
4 0
8 8 5 = @ 8 A = (f (v2 ))C3 :
1
1 6 6
Ejemplo-clase-11-mayo-2020-1a2 216
Recordemos:
Sistemas de coordenadas.
( )B : V ! kn ( )B1 : kn ! V
i = 1; :::; n vi 7 ! 0 ei 1 i = 1; :::; n 0 ei 1 7 ! vi
n 1 con inversa 1 :
X B .. C B .. C
n
X
x= i vi 7 ! @ . A @ . A 7 ! i vi
i=1 i=1
n B n
Importante
0 1 recordar que 0 1
1 0
B 0 C B .. C X
B C B . C
(v1 )B = B . C ; :::; (vn )B = B C : Pues vi = 1vi + 0vh :
@ .. A @ 0 A h6=i
0 B 1 B
0 Y ( 0)B es
1 isomor…smo 0 pues
11manda a la base B a la base canónica, C =
1 0
B B 0 C B .. CC
B B C B CC
Be1 = B .. C ; :::; e1 = B . CC de k n :
@ @ . A @ 0 AA
0 1
Ejemplo-clase-11-mayo-2020 217
0
De hecho, AB
B = (v1 )B 0 (vn )B 0 cuya i ésima columna es el vector
de coordenadas de vi 2 B en la base B 0 :
0
B AB
Es decir, 8x 2 V; (x)B 7 ! (x)B 0
Además,
0 1
II.a. AB B
B 0 = AB :
II.b. AB
B = In es la matriz
identidad.
00
B 00 B 0
II.c. AB
B = AB 0 AB para B:B 0 y B 00 bases ordenadas de V:
0
II.d. Manera fácil de construir AB
B pues sabemos el sistema de coordenadas
( )B :
Como conocemos ( )B ; construyamos AB B0 = (v10 )B (vn0 )B y luego
1 0
calculemos la inversa de esta matriz, AB
B0 = AB
B :
2
Entonces si queremos el sistema de coordenadas de en una base
1
!
2
ordenada B = (v1 ; v2 ); escribiremos ; pero si ya está en la base
1 C2
R B
B; es decir,
!
2 2
= v1 + v2 entonces escribiremos = :
1 CR2
1 CR2 B
B
Ejemplo-clase-11-mayo-2020 218
!
1 0
Ejemplo de la clase del 11 de mayo: Sean C2 := CR2 = e1 = ; e2 =
0 C2
1 C2
la base ordenada canónica de R2 y ! !
1 2 1 7
B 1 = v1 = ; v2 = y B2 = v10 = ; v20 =
6 C 2 C2
3 C2
2 C2
2
Ejemplo-clase-11-mayo-2020 219
1 2 1 7
Recordemos que B1 = v1 = ; v2 = ; B2 = v10 = ; v20 = :
6 2 3 2
B1 B2
1
(v1 )B1 = pues v1 = 1v1 + 0v2 .
0 B1
Comprobación (opcional):
1 0
Como AB
B1 :: (w)B1 7! (w)B2 y : (v1 )B1 =
2
y (v2 )B2 = :
0 B1
1 B1
40 10
19 19 0
TAREA. Continuar la comprobación. 3 4
19 19 1
40 10
Por lo tanto, 19
3
19
4 = AB
B1 :X
2
19 19
Ejemplo-clase-11-mayo-2020 220
TAREA: En R3 encontrar las matrices de cambio de bases 0 y los0sistemas
1 de 0 1 0 11
1 0 0
coordenadas para las siguientes bases ordenadas: C3 := CR3 @"1 = @ 0 A ; "2 = @ 1 A ; "3 = @ 0 AA
0 0 1 0 1 0 11 0 0 1
1 3 2
y D = @z1 = @ 2 A ; z2 = @ 4 A ; z3 = @ 2 AA
1 0 2
Ejemplo-clase-11-mayo-2020 221
2 3 1 0 0 1
6 7 6 1
4 4 1
5 5 = @ 4 A = (f (e1 ))D : Entonces f (e1 ) = 6 @ 2 A
7 0 7
3 1
0 1 2 0 1 0 12
3 2 1
4 @ 4 A + 27 @ 2 A = @ 3 A :X
0 2 1 C
3
2 3 0 1 0 1
6 7 7 1
4 4 0
5 5 = @ 5 A = (f (e2 ))D : Entonces f (e2 ) = 7 @ 2 A+
7 1
0 1
2 30 1 0 1 3 1
3 2 2
5@ 4 A 3 @ 2 A = @ 0 A :X
0 2 1 C
3
2 3
6 7
D
Por lo tanto, [f ]C2 =4 4 5 5 es correcto.
7
2 3
D
TAREA: Hallar [f ]B2 y comprobar que las siguientes matrices son correctas.
2 3 2 3
1 2 13 6
C C 1 2
[f ]B31 = [f ]C32 AC
B1
2
=4 3 0 5 =4 3 6 5
6 2
1 1 7 4
2 32 3 2 3
4 3 1 13 6 36 2
D C
[f ]B1 = AD 3
C3 [f ]B1 =4 3 2 1 54 3 6 5 = 4 26 2 5
3 29
2 2 1 7 4 2 1
D
[f ]B2
Ejemplo-clase-11-mayo-2020 222
El Espacio Vectorial Homk (V; W ) y el Espacio vectorial dual.
ij : V ! W
wj si h = i
vh 7 !
0W si h =
6 i
a1 a2 an : 0 kn 1 ! k 0 1
x1 x1
B x2 C B x2 C Xn
B C B C
B .. C 7 ! a1 a2 an B .. C= ai xi
@ . A @ . A i=1
x4 x4
( )T : Mm n (k) ! Mn m (k)
A 7 ! AT
¿Cuál es el ker( )T ?
Ejemplos:
a. k 6 ' M3 2 (k):
Por ejemplo, la siguiente función es un isomor…smo.
Hom-y-espacio-dual 223
f : 0 k6 1 ! M3 2 (k)
a
B b C 2 3
B C a d
B c C
B C 7 ! 4 b e 5
B d C
B C c f
@ e A
f
c. Sean k = R y n = 2:
Sea A = 1 1 2 HomR (R2 ; R):
1 1 : R2 ! R
Entonces x
7 ! x y
y
1
Dibujar el ker A y el vector :
1
f : W ! V
g
W !k 7 ! g f :V !k
Entonces
5.1. f es k lineal.
Hom-y-espacio-dual 224
DETERMINANTES. 8 0 1 9
>
< a11 a12 >
=
B .. C ; 8i; j = 1; :::; n; a 2 R
Denotemos por Mn (R) = A = @ ... ..
. . A ij
>
: >
;
an1 ann
al conjunto de las matrices de n n (con sus operaciones usuales).
Sea A 2 Mn (R), denotaremos por det A al determinante de A que se
de…nirá de la siguiente manera:
1. A = (a) 2 M1 (R)
det(A) := a
a b
2. A = 2 M2 (R)
c d
det A := ad bc
0 1
a11 a12 a13
3. A = @ a21 a22 a23 A 2 M3 (R)
a31 a32 a33
0 1
+ +
B a11 a12 a13 C
det A = det B
@ a21 a22
C :=
a23 A
a31 a32 a33
a22 a23 a21 a23 a21 a22
= a11 det a12 det + det =
a32 a33 a31 a33 a31 a32
= a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a31 a23 + a21 a13 a32 a13 a22 a31
0 1
a11 a1n
B .. .. .. C 2 M (R)
4. A = @ . . . A n
an1 ann
Determinantes-Fisica 225
+ si m es impar
Y 8m = 1; :::; n de…nimos (m) =
si m es par
El determinante de A;
det A := a11 det (1) det A(1) + a12 (2) det A(2) + + a1m (m) det A(m) +
(n)
+ a1n (n) det A :
0 1
a11 a12 a13 a14
B a21 a22 a23 a24 C
Ejemplo: A = B C
@ a31 a32 a33 a34 A : Entonces,
a41 a42 a43 a44
det A =0 1 0 1
a22 a23 a24 a21 a23 a24
a11 det @ a32 a33 a34 A a12 det @ a31 a33 a34 A +
a a43 a44 a a43 a44
0 42 1 0 41 1
a21 a22 a24 a22 a23 a24
+a13 det @ a31 a32 a34 A a14 det @ a32 a33 a34 A
a41 a42 a44 a42 a43 a44
El n-volumen.
Diremos que una …gura P en Rn tiene n volumen distinto de 0, si
9r > 0; 9v 2 Rn tal que la bola con centro en v y radio r, Br (v); está contenida
en P:
Determinantes-Fisica 226
4. Denotemos
0 por Cm a la columna1m ésima de A; entonces
C1 C2 C3 Cn
B a11 a12 a13 a1n C
B C
det B . .. .. C es el n volumen del n paralelepípedo
@ .. . . A
an1 an2 an3 ann
conjunto de
[ vértices [ [ [ [
0 fCm1 +Cm2 g fCm1 +Cm2 + +Cmi g fC1 +
m1 <m2 m1 <m2 < <mi
C2 + + Cn g
0 1
a11 a1n
B .. C 2 M (R): Entonces 8i; h = 1; :::; n;
Sea A = @ ... ..
. . A n
an1 ann
n
X n
X
det A = aij ( 1)i+j det A(ij) = ajh ( 1)j+h det A(jh)
j=1 j=1
Determinantes-Fisica 227
2 3
a11 a1n
6 .. .. 7 una
vi) Sea T = 4 . . 5 matriz triangular superior (es decir,
0 ann
2 3
a11 0
6 .. . . 7
8i < j; aij = 0) o T = 4 . . 5 una matriz triangular inferior (es
an1 ann
decir, 8i > j; aij = 0): Entonces
Y n
det T = aii :
i=1
Determinantes-Fisica 228
Valores propios y vectores propios
Ejemplos:
1. Sea 1kn la matriz identidad de k n : Entonces todo vector distinto de cero,
0 6= v 2 k n se cumple que 1kn v = v = 1k v:
Por lo tanto, 1k es valor propio de 1kn y todo vector 0 6= v 2 k n es vector
propio con valor propio 1k :
n
2. Sea 0kkn la función constante cte0 de k n en k n (es decir la matriz de puros
ceros). Entonces todo vector distinto de cero, 0 6= v 2 k n se cumple que
n
0kkn v = 0 = 0k v:
n
Por lo tanto, el 0k es valor propio de 0kkn y todo vector 0 6= v 2 k n es vector
propio con valor propio 0k :
cos sen
A= : Denotaremos por sin = sen (por cuestiones com-
sen cos
putacionales).
x 0 x x
PD. Sea 2 R2 n tal que A = : Entonces 2
y 0 y y
f0; ; 2 g:
x 0 x x
Sea 2 R2 n tal que A = :
y 0 y y
PD. 2 f0; ; 2 g:
x 0
Como 6= :
y 0
Caso 1. x 6= 0:
x x cos sin x x cos y sin
=A = =
y y sin cos y y cos + x sin
0 1
Encontrar vectores propios de cuyos valores propios son i e i;
1 0
respectivamente.
Recuerden que multiplicación en los complejos incluye rotación.
Recordemos el
Teorema Fundamental del Álgebra. Sea p(x) 2 C[x] polinomio en x con
coe…cientes complejos. Entonces existen 1 ; :::; n 2 C tales que p(x) = (x
1) (x n ):
2 3
a11
a1n
6 .. .. 7 una matriz triangu-
2. Matrices triangulares. Sea T = 4 . . 5
0 ann
2 3
a11 0
6 7
lar superior (es decir, 8i < j; aij = 0) o T = 4 ... ..
. 5 una matriz
an1 ann
triangular inferior (es decir, 8i > j; aij = 0): Entonces
Yn n
Y
det T = aii y pT (x) = (x aii ):
i=1 i=1
3. Matrices conjugadas.
De…nición-Proposición. Sean A; Q 2 Mn (k) donde Q es invertible. A la
matriz Q 1 AQ 2 Mn (k) se le llama matriz conjugada de A:
3.4. Sea k = R el campo de los números reales. Dar las siguientes clases de
equivalencia en M2 (R)
0 0 1 0 0 1 1 2
; y algunos elementos de las siguientes: ; :
0 0 0 1 0 0 3 4
0 1
4. Demostrar que la matriz no es diagonalizable.
0 0
a b
5. Sea A = 2 M2 (R) tal que tiene dos valores propios distintos.
c d
Entonces A es diagonalizable.
n
Y
Por lo tanto, pT (x) = (x aii ):
i=1
2.1. Aquí lo único que podemos a…rmar es que e1 es vector propio de T con
valor propio a11 :
2 1
Por ejemplo, como vimos en clase, la matriz tiene como vectores
0 2
propios únicamente vectores de la forma con 2 R.
0
5. Observaciones.
5.1. Sean A; P 2 Mn (k) tales que P es una matriz de pernutación. Entonces
P 1 AP resulta permutando los mismos renglones y columnas de A:
5.2. Sean P 2 Mn (k) una matriz invertible, P 1 su inversa. Es decir, P P 1 =
P 1 P = In la matriz identidad de n n: 2 3
r1
Sean P = v1 vn donde vi es su i ésima columna y P 1 = 4 5
rn
donde ri es su i ésimo renglón.
2 3
2 3 r1 v1 r1 v2 r1 vn 1 r1 vn
1 0 6 r2 v1 r2 v2 r2 vn r2 vn 7
6 1 7
6 .. 7 1 6 .. .. .. .. .. 7
Como 4 . 5=P P =6 . . . . . 7;
6 7
0 1 4 rn 1 v1 rn 1 v2 rn 1 vn 1 rn 1 vn 5
rn v1 rn v2 rn vn 1 rn vn
entonces
8i 6= j; ri vj = 0 y 8i; ri vi = 1:
B0 B
8B base de k n ; 9!B 0 ; B 00 base ordenada de k n tal que P = [In ]B y P = [In ]B 00
matrices de cambio de bases.
1
B B0
NOTA: Recuerden que [In ]B 0 = [In ]B :
V : V W ! V W : V W ! W
y son k-lineales.
(v; w) 7! v (v; w) 7 ! w
V W
V V W ! W
f - 9! "(f;g) %g
U
Producto-directo-y-suma-directa 236
1.5. Demostrar, usando la propiedad universal del producto directo, los
siguientes:
Hint: Por ejemplo, demostrando que también tiene la propiedad universal
del producto directo.
1.5.1. V W ' W V: Es decir, existe : V W ! W V función
k-lineal que sea un isomor…smo.
1.5.2. V f0g ' V:
1.5.3. Sean V; W U k-subespacios de U tales que V + W = U y V \ W =
f0g: Demostrar que U ' V W:
1.5.4. Rn+1 ' Rn R:
Producto-directo-y-suma-directa 237
En este caso, se cumple que 8v 2 V; 9!u 2 U 9!w 2 W; v = u + w:
: V ! U W
v 7 ! (u; w) u y w de (3.2)
5. Propiedad Universal del Producto Directo. Sean fVj gj2J una colec-
Y n o
ción de k espacios vectoriales, donde J es un conjunto y Vj := (xj )j2J ; xj 2 Vj , para todo j 2 J
j2J
el producto directo de fVj gj2J : Entonces
Y
5.1. 8h 2 J; de…namos la proyección h : Vj ! Vh que es k lineal y epi:
j2J
Y
h : Vj ! Vh
j2J
(xj )j2J 7 ! xh
0 1
Y
5.2. Propiedad Universal del Producto Directo @ Vj ; f j gj2J
A:
j2J
Y
8U k espacio vectorial,8 ffj : U ! Vj , k linealgj2J ,9!fe : U ! Vj
j2J
tal que 8j 2 J; j fe = fj :
Producto-directo-y-suma-directa 238
M G n o
Vj := Vj := (xj )j2J ; 9Y J subconjunto …nito,xj = 0k para todo j 2 J Y
j2J j2J
la suma directa o coproducto directo de fVj gj2J :
M
6.1. 8h 2 J; de…namos la inclusión canónica h : Vh ! Vj que es
j2J
k lineal y mono:
M
h : Vh ! Vj
j2J
xh si j = h
xh 7 ! (zj )j2J donde zj :=
0 si j 6= h
M
8U k espacio vectorial,8 fgj Vj ! U , k linealgj2J ,9!e
g : Vj ! U
j2J
tal que 8j 2 J; ge j = gj ::
Producto-directo-y-suma-directa 239
Observaciones y Ejercicios importantes.
1. TODO lo que hemos hecho en este curso en matrices como funciones lineales
fue multiplicando vectores por la derecha de las matrices, Av; se puede hacer y
los resultados son los mismos multiplicando los vectores por la izquierda de las
matrices. Aquí depende de los gustos y también de las necesidades en el trabajo
que estén realizando.
1 3 4
Sean k = R y A = : R3 ! R2 si multiplicamos los vectores
7 2 3
por la 0
derecha
1 de A: 0 1
x x
1 3 4 x + 3y 4z
A@ y A = @ y A=
7 2 3 7x 2y + 3z
z z
1 3 4
(*): u v = u + 7v 3u 2v 3v 4u
7 2 3
3 2
1 7
AHORA TOMEMOS la traspuesta (o transpuesta) de A; AT = 4 3 2 5:
4 3
R 2 ! R3
2 3 0 1
1 7 u + 7v
u u
AT =4 3 2 5 = @ 3u 2v A que es la misma función
v v
4 3 3v 4u
que (*) salvo trasposiciones (o transposiciones).
Ejercicios.
Ejercicios-importantes-traspuesta-e-introduccion-a-bilienales 240
y
m
X m
X m
X
NT MT ij
= T
Nih T
Mhj = Nhi Mjh = Mjh Nhi
h=1 h=1 h=1
1 T
4.1. Por (3), (A ) AT = (AA 1 T
) = InT = In y AT (A 1 T
) = (A 1
A)T =
(3) (3)
InT = In :
?A : V V ! k
: Entonces
(w; v) ! wT Av
w0T A : V ! k ?Av0 : W ! k
y :
v ! w0T Av w ! wT Av0
Ejercicios-importantes-traspuesta-e-introduccion-a-bilienales 241
TAREA. Demostrarlo.
6. Formas bilineales.
6.2. Ejemplo.
Sean k un campo, V un k espacio vectorial de dimensión n y A 2 Mn (k):
Entonces
?A : V V ! k
es una forma bilineal.
(w; v) ! wT Av
?In: R n Rn ! R
es una forma bilineal que es el
(w; v) ! w T In v = w T v
producto escalar que ya conocen y que da la norma usual en Rn .
6.3. Ejemplo.
Sean k un campo, V un k espacio vectorial y f1 ; f2 : V ! k funciones
k lineales: Entonces
F : V V ! k
es una forma bilineal.
(w; v) ! f1 (w)f2 (v)
7. Teorema.
n n
0 Sean0 k un
1 campo, F 0: k1 1 k ! k una forma (k )bilineal y C =
1 0
B B 0 C B .. CC
B B C B . C C
Be1 = B .. C ; :::; en = B CC la base canónica ordenada de k n :
@ @ . A @0 A A
0 1
0 1
F (e1 ; e1 ) F (e1 ; en )
B .
.. . .. .. C
De…namos la matriz de n n; AF := @ . A cuya
F (en ; e1 ) F (en ; en )
coordenada ij ésima es F (ei ; ej ): Entonces
Ejercicios-importantes-traspuesta-e-introduccion-a-bilienales 242
8w:v 2 k n ; F (w; v) = wT AF v:
1 0
0 1
w1 v1
B C B .. C 2 k n :
Demostración. Sean w = @ ... A :v = @ . A
wn vn
PD. F (w; v) = wT AF v:
0
1 0 1
w1 n v1 n
B C X B .. C = X v e : Entonces
Como w = @ ... A = wi ei y v = @ . A j j
wn i=1 vn j=1
0 1
n
X n
X n X
X n
F (w; v) = F @ wi ei ; vj e j A = wi vj F (ei ; ej )
F bilineal e inducción
i=1 j=1 i=1 j=1
.... (#)
n
X n
X n X
X n
= w1 vj F (ei ; ej ) + + wn vj F (ei ; ej ) = wi vj F (ei ; ej ) =
(#)
j=1 j=1 i=1 j=1
F (w; v):
Ejercicios-importantes-traspuesta-e-introduccion-a-bilienales 243
Ejercicios. Los que dejé de tarea están resueltos y dejé otros.
1. Sean V un k espacio vectorial de dimensión n y U; W V: Entonces
dim U + W = dim U + dim W dim U \ W:
1.1. PD. BU \W [ fus+1 ; :::um g [ fws+1 ; :::wt g = fx1 ; :::; xs g [ fus+1 ; :::um g [
fws+1 ; :::wt g es linealmente independiente.
s
X m
X t
X
Si i xi + j uj + h wh = 0 entonces
i=1 j=s+1 h=s+1
s
X m
X Xt
U3 i xi + j uj = h wh 2 W: Entonces
i=1 j=s+1 h=s+1
s
X m
X t
X t
X
i xi + j uj = h wh 2 U \ W: Entonces h wh =
i=1 j=s+1 h=s+1 h=s+1
s
X
i xi : Entonces
i=1
s
X m
X t
X s
X m
X
0= i xi + j uj + h wh = ( i i )xi + j uj :
i=1 j=s+1 h=s+1 i=1 j=s+1
8i = 1; :::; s; h = s + 1; :::; t; i = h = 0:
Ejercicios-de-Tarea-soluciones 244
1.2. PD. hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi = U + W:
)X ¿por qué?
0 0
Como u 2 U y w 2 W; entonces existen 1 ; :::; s; 1 ; :::; s; s+1 ; :::; m; s+1 ; :::; t 2
k tales que
s
X m
X s
X t
X
0
u= i xi + j uj y w = i xi + h wh : Entonces
i=1 j=s+1 i=1 h=s+1
s
X m
X t
X
u+w = ( i + 0i )xi + j uj + h wh 2 hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi
i=1 j=s+1 h=s+1
Ejercicios-de-Tarea-soluciones 245
4. Sea V = Rn R-espacio vectorial de dimensión n con < ; ? > el producto
escalar usual y W V:
De…nimos el complemento ortogonal (o el subespacio (vectorial) ortogonal a
W ), W ? := fv 2 V ; hv; wi = 0; 8w 2 W g:
2 1
5. Sean V = R2 y A = .
1 2
a) Conmutatividad.
2 1 a
x y = a (2x + y) + b (x + 2y)
1 2 b
2 1 x 2 1 a
a b = 2ax+bx+ya+2by = x y :X
1 2 y 1 2 b
a 2 1 a
b) 8 ; a b 0:
b 1 2 b
2 1 a
a b = 2a2 + 2ab + 2b2 = (a + b)2 + a2 + b2 0:X
1 2 b
2 1 a a 0
c) a b = 0 si y sólo si = :
1 2 b b 0
a 2 1 a
=)) Sea tal que a b = 0:
b 1 2 b
a 0
PD. = :
b 0
2 1 a
a b = (a + b)2 + a2 + b2 = 0:
1 2 b
(a + b)2 = 0 y a2 = 0 y b2 = 0:
a 0
Por lo tanto, = :
b 0
Ejercicios-de-Tarea-soluciones 246
s
a 2 1 a p
= a b = (a + b)2 + a2 + b2 :
b 1 2 b
0
Dibujar la bola de radio 1 con centro en :
0
2 1
6. Sean V = R2 y A = .
0 2
1
2 2
6.2. PD. M = 1 de…ne un producto escalar, donde
2 2
a a a
8 ; a b A = a b M :
b b b
Ejercicios-de-Tarea-soluciones 247