Algebra Linela

INSTITUTO TECNOLOGICO DEL ISTMO 1
UNIDAD 1 NUMEROS COMPLEJOS. 1.1 DEFINICION Y ORIGEN DE LOS NUMEROS COMPLEJOS. HISTORIA DE LOS NMEROS COMPLEJOS.
La primera referencia conocida a races cuadradas de nmeros negativos proviene del trabajo de los matemticos griegos, como Hern de Alejandra en el siglo I antes de Cristo, como resultado de una imposible seccin de una pirmide. Los complejos se hicieron ms patentes en el Siglo XVI, cuando la bsqueda de frmulas que dieran las races exactas de los polinomios de grados 2 y 3 fueron encontradas por matemticos italianos como Tartaglia, Cardano. Aunque slo estaban interesados en las races reales de este tipo de ecuaciones, se encontraban con la necesidad de lidiar con races de nmeros negativos. El trmino imaginario para estas cantidades fue acuado por Descartes en el Siglo XVII y est en desuso. La existencia de nmeros complejos no fue completamente aceptada hasta la ms abajo mencionada interpretacin geomtrica que fue descrita por Wessel en 1799, redescubierta algunos aos despus y popularizada por Gauss. La implementacin ms formal, con pares de nmeros reales fue dada en el Siglo XIX.
DEFINICIN DE NMERO COMPLEJO

Los nmeros complejos z se pueden definir como pares ordenados z = (x, y) de nmeros reales x e y, con las operaciones de suma y producto que especificaremos ms adelante. Se suelen identificar los pares (x, 0) con los nmeros reales x.
1.2 OPERACIONES FUNDAMENTALES CON NMEROS COMPLEJOS.

Varias propiedades de la suma y del producto de nmeros complejos coinciden con las de los nmeros reales. Recogeremos aqu las ms bsicas y verificamos algunas de ellas.
Las leyes conmutativas. z1 + z2= z2 + z1, z1z2 = z2z1
ING. MEDINA ALEGRIA LEONEL ADELFO.
RUIZ CAAS ROBERTO CARLOS
y las asociativas (z1 + z2) + z3 = z1 + (z2 + z3), (z1z2)z3 = z1(z2z3)
se siguen fcilmente de las definiciones de la suma y el producto de nmeros complejos, y del hecho de que los nmeros reales las satisfacen. Por ejemplo, si
z1 = (x1, y1) y z2 = (x2, y2),

Entonces
z1 + z2 = (x1, y1) + (x2, y2) = (x1 + x2, y1 + y2) = (x2 + x1, y2 + y1) = (x2, y2) + (x1, y1) = z2 + z1
La verificacin de las restantes, as como de la ley distributiva
z(z1 + z2) = zz1 + zz2,

es similar. De acuerdo con la ley conmutativa del producto, iy = yi; luego est permitido escribir z = x + iy o z = x + yi Adems, por las leyes asociativas, una suma z1 + z2 + z3 o un producto z1z2z3 estn bien definidos sin parntesis, igual que ocurra con los nmeros reales. La identidad aditiva 0 = (0, 0) y la idenidad multiplicativa 1 = (1, 0) de los nmeros reales se transfieren al sistema de los nmeros complejos. O sea, z+0=z y z*1=z para todo nmero complejo z. Ms an, 0 y 1 son los nicos nmeros complejos con tales propiedades. Para establecer la unicidad de 0, supongamos que (u, v) es una identidad aditiva, y escribamos (x, y) + (u, v) = (x, y),
Donde (x, y) es cualquier nmero complejo. Se deduce que x + u = x e y + v = y; o sea, u = 0 y v = 0. El nmero complejo 0 = (0, 0) es, por tanto, la nica identidad aditiva. Cada nmero complejo z = (x, y) tiene asociado un inverso aditivo -z = (-x, -y) que satisface la ecuacin z + (-z) = 0. Adems, hay un slo inverso aditivo para cada z, pues la ecuacin (x, y) + (u, v) = (0,0) implica que u = -x y v = -y. Los inversos aditivos se usan para definir la resta: z1 - z2 = z1 + (-z2). Luego si z1 = (x1, y1) y z2 = (x2, y2), entonces z1 - z2 = (x1 - x2, y1 - y2) = (x1 - x2) + i(y1 - y2). Anlogamente, para todo nmero complejo z = (x, y) no nulo, existe un nmero complejo z-1 tal que zz-1 = 1. Este inverso multiplicativo es menos obvio que el aditivo. Para hallarlo, buscamos nmeros reales u, v expresados en trminos de x e y, tales que (x, y)(u, v) = (1,0).
1.3 POTENCIAS DE "I", MODULO O VALOR ABSOLUTO.

=Potencias de la unidad imaginaria= i0 = 1 i1 = i i2 = 1 i3 = i i4 = 1
Los valores se repiten de cuatro en cuatro, por eso, para saber cunto vale una determinada potencia de i, se divide el exponente entre 4, y el resto es el exponente de la potencia equivalente a la dada.
=Ejemplo i22
i22 = (i4)5 i2 = 1 =Valor absoluto= El valor absoluto, mdulo o magnitud de un nmero complejo z viene dado por la siguiente expresin: Si pensamos en z como un punto en el plano; podemos ver, por el teorema de Pitgoras, que el valor absoluto de un nmero complejo coincide con la distancia eucldea desde el origen del plano. Si el complejo est escrito en forma polar z = r ei, entonces |z| = r. Podemos comprobar con facilidad estas tres importantes propiedades del valor absoluto para cualquier complejo z y w. Por definicin, la funcin distancia queda como sigue d(z, w) = |z - w| y nos provee de un espacio mtrico con los complejos gracias al que se puede hablar de lmites y continuidad. La suma, la resta, la multiplicacin y la divisin de complejos son operaciones continuas. Si no se dice lo contrario, se asume que sta es la mtrica usada en los nmeros complejos.
1.4 FORMA POLAR Y EXPONENCIAL DE UN NMERO COMPLEJO.

Forma Polar Sean r y coordenadas polares del punto (x, y) que corresponde a un nmero complejo no nulo z = x + iy. Como: x = r cos e y = r sen
z puede ser expresado en forma polar como: z = r(cos + i sen). En anlisis complejo, no se admiten r negativos; sin embargo, como en el Clculo, tiene infinitos valores posibles, incluyendo valores negativos. Forma exponencial La ecuacin ei = cos + i sen que define el simbolo ei, o exp (i), para todo valor real de , se conoce como frmula de Euler. Si escribimos un nmero complejo no nulo en forma polar:
z = r(cos + i sen ), la frmula de Euler permite expresar z ms compactamente en forma exponencial: z = rei
1.5 TEOREMA DE DE MOIVRE, POTENCIAS Y EXTRACCIN DE RACES DE UN NMERO COMPLEJOS.

ING. MEDINA ALEGRIA LEONEL ADELFO. RUIZ CAAS ROBERTO CARLOS
Potencias de nmeros complejos Las potencias enteras de un nmero complejo no nulo z = rei vienen dadas por z = rnein (n = 0, +1, -1, +2, -2 ...) Como zn+1 = zzn cuando n=1,2,..., esto se comprueba fcilmente para valores positivos de n por induccin, para el producto de nmeros complejos en forma exponencial. La ecuacin es vlida tambin para n = 0 con el convenio de que z0 = 1. Si n = -1, -2..., por otro lado, definimos zn en trminos del inverso multiplicativo de z escribiendo zn = (z-1)m, donde m = -n = 1, 2, ... Entonces, como la ecuacin z = rnein es vlida para potencias enteras positivas, se sigue de la forma exponencial de z-1 que: zn = [1/r ei(-)]m = (1/r)m eim(-) = rnein Por tanto, la ecuacin z = rnein es vlida para toda potencia entera. Ntese que si r = 1, z = rnein se convierte en: (ei)n = ein (n = 0, 1, 2 ...)
Cuando se expresa en la forma: (cos + i sen )n = cos n + i sen n
1.6 ECUACIONES POLINOMICAS.

Los nmeros complejos surgen ante la imposibilidad de hallar todas las soluciones de las ecuaciones polinmicas de tipo
Dados los valores apropiados de los coeficientes an a a0 , esta ecuacin tendr n soluciones reales si que permitirn reescribir el polinomio de la siguiente forma:
Sin embargo, ecuaciones incluso tan sencillas como x2 + 1 = 0 desafan esta regla, ya que su solucin, que tericamente vendra dada por
que no existe en el campo de los reales ya que la raz cuadrada no est definida para argumentos negativos. Los nmeros complejos sin embargo permiten ampliar an ms el concepto de "nmero", definiendo la unidad imaginaria o i como i = raz de -1, lo que significara que la ecuacin anterior s tendra dos soluciones, que seran x1= i y x2= - i. La introduccin de los nmeros complejos permite probar el teorema fundamental del lgebra, que dice que cualquier ecuacin polinmica de grado n tiene exactamente n soluciones complejas. De esta manera, se define genricamente un nmero complejo como un nmero compuesto por dos partes, una parte real a y una parte imaginaria b, escribindose como sigue: z = a + bi. Por ejemplo, 2-3i, 4+8i, 3-i, etc. Con los nmeros complejos se opera como se operara con productos de sumas ordinarios, teniendo en cuenta siempre que i2 = -1: (a + bi)(c + di) = ac +adi +bci + bdi2 = (ac - bd) + (ad+bc)i. La divisin es un poco ms sofisticada debido a la necesidad de eliminar la unidad imaginaria del de nominador de la fraccin:
UNIDAD 2.- MATRICES Y DETERMINANTES.

Las matrices se utilizan en el clculo numrico, en la resolucin de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales. Tienen tambin muchas aplicaciones en el campo de la fsica. MATRICES Una matriz es una tabla ordenada de escalares ai j de la forma
La matriz anterior se denota tambin por (ai j ), i =1, ..., m, j =1, ..., n, o simplemente por (ai j ). Los trminos horizontales son las filas de la matriz y los verticales son sus columnas. Una matriz con m filas y n columnas se denomina matrizm por n, o matriz m n.
2.1.- DEFINICIN DE MATRIZ, NOTACIN Y ORDEN.
La matriz anterior se denota tambin por (ai j ), i =1, ..., m, j =1, ..., n, o simplemente por (ai j ). Los trminos horizontales son las filas de la matriz y los verticales son sus columnas. Una matriz con m filas y n columnas se denomina matrizm por n, o matriz m n. Las matrices se denotarn usualmente por letras maysculas, A, B, ..., y los elementos de las mismas por minsculas, a, b, ... Ejemplo:
donde sus filas son (1, -3, 4) y (0, 5, -2) y sus
CLASES DE MATRICES Segn el aspecto de las matrices, stas pueden clasificarse en: Matrices cuadradas
Una matriz cuadrada es la que tiene el mismo nmero de filas que de columnas. Se dice que una matriz cuadrada n n es de orden n y se denomina matriz n-cuadrada. Ejemplo: Sean las matrices
Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente. Matriz identidad Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste en los elementos a11, a22, ..., ann. La traza de A, escrito trA, es la suma de los elementos diagonales. La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra posicin, denotada por I, se conoce como matriz identidad (o unidad). Para cualquier matriz A, A I = I A = A. Matrices triangulares Una matriz cuadrada A = (ai j ) es una matriz triangular superior o simplemente una matriz triangular, si todas las entradas bajo la diagonal principal son iguales a cero. As pues, las matrices
son matrices triangulares superiores de rdenes 2, 3 y 4. Matrices diagonales Una matriz cuadrada es diagonal, si todas sus entradas no diagonales son cero o nulas. Se denota por D = diag (d11, d22, ..., dnn ). Por ejemplo,
son matrices diagonales que pueden representarse, respectivamente, por diag(3,-1,7) diag(4,-3) y diag(2,6,0,-1). Traspuesta de una matriz La traspuesta de una matriz A consiste en intercambiar las filas por las columnas y se denota por AT. As, la traspuesta de
En otras palabras, si A = (ai j ) es una matriz m n, entonces AT = es la matriz n m. La trasposicin de una matriz cumple las siguientes propiedades: 1. (A + B)T = AT + BT. 2. (AT)T = A. 3. (kA)T = kAT (si k es un escalar). 4. (AB)T = BTAT. Matrices simtricas Se dice que una matriz real es simtrica, si AT = A; y que es antisimtrica, si AT = -A.
Ejemplo: Consideremos las siguientes matrices:
Podemos observar que los elementos simtricos de A son iguales, o que AT = A. Siendo as, A es simtrica. Para B los elementos simtricos son opuestos entre s, de este modo B es antisimtrica. A simple vista, C no es cuadrada; en consecuencia, no es ni simtrica ni antisimtrica. Matrices ortogonales Se dice que una matriz real A es ortogonal, si AAT = AT A = I. Se observa que una matriz ortogonal A es necesariamente cuadrada e invertible, con inversa A-1 = AT. Consideremos una matriz 3 3 arbitraria:
Si A es ortogonal, entonces:
Matrices normales Una matriz es normal si conmuta con su traspuesta, esto es, si AAT = ATA. Obviamente, si A es simtrica, antisimtrica u ortogonal, es necesariamente normal.
Ejemplo:
2.2.- OPERACIONES CON MATRICES.

Suma y resta de matrices Para poder sumar o restar matrices, stas deben tener el mismo nmero de filas y de columnas. Es decir, si una matriz es de orden 3 2 y otra de 3 3, no se pueden sumar ni restar. Esto es as ya que, tanto para la suma como para la resta, se suman o se restan los trminos que ocupan el mismo lugar en las matrices. Ejemplo:
Para sumar o restar ms de dos matrices se procede igual. No necesariamente para poder sumar o restar matrices, stas tienen que ser cuadradas. Ejemplo:
2.3.- CLASIFICACIN DE LAS MATRICES.

Una matriz cuadrada tiene un nmero de filas p igual a su nmero de columnas q. Son matrices de orden, p x p p2. Las matrices: A=20B=023 -3 1 -1 0 2 000 son de orden 2 x 2 y 3 x 3 respectivamente. Los elementos a11, a22, a33, ... ann de una matriz cuadrada constituyen su diagonal principal. La diagonal principal ser: a11 ... ... ... A = ... a22 ... ... ... ... a33 ... ... ... ... ann
una matriz cuadrada tal que: a11 = a22 = a33 = .... = ann = 1 y todos los dems elementos son cero, es una matriz unidad. La representaremos por I o sea: IA = 1 0
es una matriz de orden 2 x 2. Una matriz diagonal es aquella en que los elementos que no estn en la diagonal principal son ceros. Esta es un matriz diagonal: 2000 A=0300 0 0 -2 0 0004 Una matriz cuyos elementos por encima o por debajo de la diagonal principal son todos ceros es matriz triangular. Si todos los ceros estn por encima de la diagonal principal entonces es una matriz inferior y si todos los ceros estn por debajo de la diagonal principal es una matriz superior. Ejemplo: A = 3 0 0 es una matriz inferior. 120 -1 0 4 B = 4 1 -2 0 1 5 es una matriz superior. 003 Esquema de filas, columnas y diagonal principal. 1 0 4 7 filas A=0258 0369
1 2 1 0 diagonal principal columnas Una matriz nula tiene todos sus elementos nulos. Ejemplo: 000 A=000 000 Una matriz cuadrada es simtrica si: aij = aji. Es decir si los elementos situados a igual distancia de su diagonal principal son iguales. A = 1 -3 5 -3 2 0 501 es simtrica porque: a12 = a21 = -3, a13 = a31 = 5, a23 = a32 = 0. Una matriz es asimtrica si: aij = aji. Observa si 1 = j, aii = -aii y el nico nmero que cumple con esta igualdad es el cero por lo que es una matriz asimtrica la diagonal principal esta formada por elementos nulos. En una matriz asimtrica los elementos situados a igual distancia de la diagonal principal son iguales en valor absoluto y de signos contrarios. B = 0 2 -2 5 -2 0 3 6 2 -3 0 -1 -5 6 1 0 es una matriz asimtrica
Matriz escalar Si tenemos una matriz diagonal cuyos elementos que estn en la diagonal principal son todos iguales entonces tenemos una matriz escalar. A=300 030 003 Matriz identidad Es toda matriz escalar en la que todos los elementos de la diagonal principal son iguales a la unidad. Esta matriz se representa por 1n. 12 = 1 0
igualdad de matrices si y solo si tienen el mismo orden y sus elementos son iguales. Ejemplo: A=abB=xy cdzw si en estas matrices a = x, b = y, c = z y d = w, entonces las matrices A y B son iguales. Matriz transpuesta Si tenemos una matriz (A) cualquiera de orden m x n entonces su transpuesta es otra matriz (A) de orden n x m donde se intercambian las filas y las columnas de la matriz (A). Ejemplo: Si A = 4 -1 3 0 5 -2
entonces su traspuesta ser: At = 4 0 -1 5
2.4 TRANSFORMACIONES ELEMENTALES POR RENGLN. ESCALONAMIENTO DE UNA MATRIZ. RANGO DE UNA MATRIZ.
La idea que se persigue con las transformaciones elementales es convertir una matriz concreta en otra matriz ms fcil de estudiar. En concreto, siempre ser posible conseguir una matriz escalonada, en el sentido que definimos a continuacin.
Sea A una matriz y F una fila de A. Diremos que F es nula si todos los nmeros de F coinciden con el cero. Si F es no nula, llamamos PIVOTE de F al primer nmero distinto de cero de F contando de izquierda a derecha.
Una MATRIZ ESCALONADA es aquella que verifica las siguientes propiedades:
1. Todas las filas nulas (caso de existir) se encuentran en la parte inferior de la matriz.
2. El pivote de cada fila no nula se encuentra estrictamente mas a la derecha que el pivote de la fila de encima.
Por ejemplo, entre las matrices:
A no es escalonada, mientras que B y C si lo son.
Dada una matriz escalonada E se define el RANGO de E, que representamos por rg (E), como el numero de filas no nulas de E.
En los ejemplos B y C de arriba se tiene rg (B) = rg(C) = 2, sin embargo no podemos decir que rg(A) = 3 ya que A no est escalonada. Otro ejemplo, las matrices nulas tienen rango cero y la matriz identidad de orden n cumple rg (In) = n.
La siguiente cuestin que abordaremos es la definicin de rango para una matriz cualquiera que no est escalonada. La idea ser la de transformar la matriz dada en otra que sea escalonada mediante las llamadas transformaciones elementales por filas que describimos a continuacin.
Dada una matriz A cualquiera, las TRANSFORMACIONES ELEMENTALES por filas de A son tres:
I. Intercambiar la posicin de dos filas. II. Multiplicar una fila por un nmero real distinto de cero. III. Sustituir una fila por el resultado de sumarle a dicha fila otra fila que ha sido previamente multiplicada por un nmero cualquiera.
Nota: Anlogamente podramos hacerlo todo por columnas; sin embargo, son las transformaciones por filas las que son importantes en los sistemas de ecuaciones lineales que estudiaremos despus.
El siguiente resultado nos garantiza que siempre podemos transformar una matriz cualquiera en otra escalonada.
Teorema
A partir de cualquier matriz A se puede llegar, mediante una cantidad finita de transformaciones elementales, a una matriz escalonada E.
Veamos en un ejemplo cmo se hace. Obsrvese que, primero, hacemos que la componente (1,1) de la matriz de partida sea igual a uno. Luego, se hace que el resto de componentes de la primera columna sean cero. Despus se pasa a la componente (2,2), y as sucesivamente.
El teorema anterior nos permite hacer una definicin importante:
Dada una matriz A cualquiera se define el RANGO de A y lo denotamos rg(A) como el rango de cualquier matriz escalonada E equivalente con A (se demuestra que este nmero no depende de la matriz escalonada E a la que se llegue). El rango siempre es un nmero menor o igual que el nmero de filas y el nmero de columnas de A. Adems, el rango es cero si y slo si A = 0. En nuestro ejemplo de antes, el rango es 3. EJEMPLO
Rango de una matriz
Rango de una matriz: es el nmero de lneas de esa matriz (filas o columnas) que son linealmente independientes. Una lnea es linealmente dependiente de otra u otras cuando se puede establecer una combinacin lineal entre ellas. Una lnea es linealmente independiente de otra u otras cuando no se puede establecer una combinacin lineal entre ellas. El rango de una matriz A se simboliza: rang(A) o r(A). Tambin podemos decir que el rango es: el orden de la mayor submatriz cuadrada no nula. Utilizando esta definicin se puede calcular el rango usando determinantes. Se puede calcular el rango de una matriz por dos mtodos:
Clculo del rango de una matriz por el mtodo de Gauss
Podemos descartar una lnea si: Todos sus coeficientes son ceros. Hay dos lneas iguales. Una lnea es proporcional a otra. Una lnea es combinacin lineal de otras.
F3 = 2F1 F4 es nula F5 = 2F2 + F1 r(A) = 2. En general consiste en hacer nulas el mximo nmero de lneas posible, y el rango ser el nmero de filas no nulas.
F2 = F2 - 3F1 F3 = F3 - 2F1
Por tanto r(A) = 3. Rango de una matriz
Es el nmero de filas o columnas linealmente independientes, utilizando esta definicin se puede calcular usando el mtodo de Gauss. Tambin podemos decir que el rango es: el orden de la mayor submatriz cuadrada no nula. Utilizando esta definicin se puede calcular el rango usando determinantes. Clculo del rango de una matriz por determinantes
1. Podemos descartar una lnea si: Todos sus coeficientes son ceros. Hay dos lneas iguales. Una lnea es proporcional a otra. Una lnea es combinacin lineal de otras. Suprimimos la tercera columna porque es combinacin lineal de las dos primeras: c3 = c1 + c2
2. Comprobamos si tiene rango 1, para ello se tiene que cumplir que al menos un elemento de la matriz no sea cero y por tanto su determinante no ser nulo. |2|=20 3. Tendr rango 2 si existe alguna submatriz cuadrada de orden 2, tal que su determinante no sea nulo.
4. Tendr rango 3 si existe alguna submatriz cuadrada de orden 3, tal que su determinante no sea nulo.
Como todos los determinantes de las submatrices son nulos no tiene rango 3, por tanto r(B) = 2. 5. Si tiene rango 3 y existe alguna submatriz de orden 4, cuyo determinante no sea nulo, tendr rango 4. De este mismo modo se trabaja para comprobar si tiene rango superior a 4.
2.5.- CLCULO DE LA INVERSA DE UNA MATRIZ.

Clculo de la matriz inversa usando determinantes Dada una matriz cuadrada A, se llama matriz adjunta de A, y se representa por Adj(A), a la matriz de los adjuntos, Adj(A) = (Aij).
Si tenemos una matriz tal que det (A) 0, se verifica:
Esto es fcil probarlo puesto que sabemos que la suma de los productos de los elementos de una fila por sus adjuntos es el valor del determinante, y que la suma de los productos de los elementos de una fila por los adjuntos de otra fila diferente es 0 (esto sera el desarrollo de un determinante que tiene dos filas iguales por los adjuntos de una de ellas).
Mtodo de Gauss-Jordan para el clculo de la matriz inversa El mtodo de Gauss - Jordan para calcular la matriz inversa de una dada se basa en una triangularizacin superior y luego otra inferior de la matriz a la cual se le quiere calcular la inversa.
Para aplicar el mtodo se necesita una matriz cuadrada de rango mximo. Sabemos que no siempre una matriz tiene inversa, por lo cual comprobaremos que la matriz tenga rango mximo al aplicar el mtodo de Gauss para realizar la triangularizacin superior. Si al aplicar el mtodo de Gauss (triangularizacin inferior) se obtiene una lnea de ceros, la matriz no tiene inversa.
2.6.- DEFINICIN DE DETERMINANTE DE UNA MATRIZ.

El determinante de una matriz cuadrada es un nmero real cuya definicin exacta es bastante complicada. Por ello, definiremos primero el determinante de matrices pequeas, y estudiaremos mtodos y tcnicas para calcular determinantes en general. Solamente se puede calcular el determinante a matrices cuadradas.
En cuanto a la notacin, a veces el determinante se escribe con la palabra det, y otras veces se indica sustituyendo los parntesis de la matriz por barras verticales.
El determinante de una matriz determina si los sistemas son singulares o mal condicionados. En otras palabras, sirve para determinar la existencia y la unicidad de los resultados de los sistemas de ecuaciones lineales.
El determinante de una matriz es un nmero. Un determinante con valor de cero indica que se tiene un sistema singular. Un determinante con valor cercano a cero indica que se tiene un sistema mal condicionado.
Un sistema singular es cuando en el sistema de ecuaciones se tiene a ms de una ecuacin con el mismo valor de la pendiente. Por ejemplo ecuaciones que representan lneas paralelas o ecuaciones que coinciden en los mismos puntos de graficacin.
En un sistema mal condicionado es difcil identificar el punto exacto en que las lneas de las ecuaciones se interceptan.
2.7.- PROPIEDAD DE LOS DETERMINANTES.

1.- |At|= |A| El determinante de una matriz A y el de su traspuesta At son iguales.
2.-|A|=0 Si: Posee dos lneas iguales
Todos los elementos de una lnea son nulos.
Los elementos de una lnea son combinacin lineal de las otras.
F3 = F1 + F2
3.-Un determinante triangular es igual al producto de los elementos de la diagonal principal
4.-Si en un determinante se cambian entre s dos lneas paralelas su determinante cambia de signo.
5.-Si a los elementos de una lnea se le suman los elementos de otra paralela multiplicados previamente por un n real el valor del determinante no vara.
6.-Si se multiplica un determinante por un nmero real, queda multiplicado por dicho nmero cualquier lnea, pero slo una.
7.-Si todos los elementos de una fila o columna estn formados por dos sumandos, dicho determinante se descompone en la suma de dos determinantes.
8.-|AB| =|A||B| El determinante de un producto es igual al producto de los determinantes.
2.8.- INVERSA DE UNA MATRIZ CUADRADA A TRAVS DE LA ADJUNTA.

Definicin: Una matriz cuadrada se llama matriz identidad si todos los componentes de su diagonal principal son iguales a uno y todos los dems componentes que no estn en la diagonal principal son iguales a cero. La matriz identidad se representa con la letra I (la letra i mayscula).
Definicin: Sea A una matriz cuadrada n x n. Entonces una matriz B es la inversa de A si satisface A B = I y B A = I, donde I es la matriz identidad de orden n x n. Ejemplo para discusin:
1. La inversa de A se representa por A-1. As que A A-1 = A-1 A = I.
2. No toda matriz cuadrada tiene una inversa. 3. Si A tiene inversa, entonces decimos que A es invertible. Teoremas: 1. 2. 3. 4. Sea A una matriz cuadrada n x n, entonces AI = IA = A. Si A es una matriz invertible, entonces A-1 es invertible y (A-1)-1 = A. Si una matriz cuadrada A es invertible, entonces la inversa es nica. Sean A y B matrices de orden n x n invertibles. entonces AB es invertible y (AB)-1 = B-1A-1.
Para hallar la inversa de una matriz cuadrada comenzamos con la matriz A/I, donde I representa la matriz identidad del mismo orden que la matriz A. Efectuamos operaciones elementales con las filas de A/I hasta que la matriz A se transforme en la matriz identidad I. Luego la matriz que contiene los componentes a la derecha de la lnea vertical es la inversa de A, esto es, A-1.
2.9.- APLICACION DE MATRICES Y DETERMINANTES.

Matrices cuadradas Una matriz cuadrada es la que tiene el mismo nmero de filas que de columnas. Se dice que una matriz cuadrada n n es de orden n y se denomina matriz n-cuadrada.
Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente. Matriz identidad Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste en los elementos a11, a22, ..., ann. La traza de A, escrito trA, es la suma de los elementos diagonales. La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra posicin, denotada por I, se conoce como matriz identidad (o unidad). Para cualquier matriz A, A I = I A = A.
Matrices triangulares Una matriz cuadrada A = (ai j ) es una matriz triangular superior o simplemente una matriz triangular, si todas las entradas bajo la diagonal principal son iguales a cero. As pues, las matrices
son matrices triangulares superiores de rdenes 2, 3 y 4. Matrices diagonales Una matriz cuadrada es diagonal, si todas sus entradas no diagonales son cero o nulas. Se denota por D = diag (d11, d22, ..., dnn ). Por ejemplo,
son matrices diagonales que pueden representarse, respectivamente, por diag(3,-1,7) diag(4,-3) y diag(2,6,0,-1). Traspuesta de una matriz La traspuesta de una matriz A consiste en intercambiar las filas por las columnas y se denota por AT.
As, la traspuesta de
En otras palabras, si A = (ai j ) es una matriz m n, entonces AT es la matriz n m. La trasposicin de una matriz cumple las siguientes propiedades: 1. (A + B)T = AT + BT. 2. (AT)T = A. 3. (kA)T = kAT (si k es un escalar). 4. (AB)T = BTAT. Matrices simtricas Se dice que una matriz real es simtrica, si AT = A; y que es antisimtrica, si AT = -A. Ejemplo: Consideremos las siguientes matrices:
Podemos observar que los elementos simtricos de A son iguales, o que AT = A. Siendo as, A es simtrica. Para B los elementos simtricos son opuestos entre s, de este modo B es antisimtrica. A simple vista, C no es cuadrada; en consecuencia, no es ni simtrica ni antisimtrica.
Matrices ortogonales Se dice que una matriz real A es ortogonal, si AAT = AT A = I. Se observa que una matriz ortogonal A es necesariamente cuadrada e invertible, con inversa A-1 = AT.
Consideremos una matriz 3 3 arbitraria:
Si A es ortogonal, entonces:
UNIDAD 3 SISTEMA DE ECUACIONES LINEALES.
3.1 DEFINICION DE SISTEMAS DE ECUACIONES LINEALES:
En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin conocido como sistema lineal de ecuaciones o simplemente sistema lineal, es un conjunto de ecuaciones lineales (es decir, un sistema de ecuaciones en donde cada ecuacin es de primer grado), definidas sobre un cuerpo o un anillo conmutativo. Un ejemplo de sistema lineal de ecuaciones sera el siguiente:
El problema consiste en encontrar los valores desconocidos de las variables x1, x2 y x3 que satisfacen las tres ecuaciones. El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y tiene una infinidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural, estimacin, prediccin y ms generalmente en programacin lineal as como en la aproximacin de problemas no lineales de anlisis numrico. En general, un sistema con m ecuaciones lineales y n incgnitas puede ser escrito en forma normal como:
Donde son las incgnitas y los nmeros son los coeficientes del sistema sobre el cuerpo . Es posible reescribir el sistema separando con coeficientes con notacin matricial:
Si representamos cada matriz con una nica letra obtenemos: Donde A es una matriz m por n, x es un vector columna de longitud n y b es otro vector columna de longitud m. El sistema de eliminacin de Gauss-Jordan se aplica a este tipo de sistemas, sea cual sea el cuerpo del que provengan los coeficientes.
3.2 CLASIFICACION DE LOS SISTEMAS DE ECUACIONES LINEALES Y TIPOS DE SOLUCIONES:

Podemos clasificar los sistemas de ecuaciones lineales segn su nmero de soluciones de la siguiente forma:
1. Sistemas con una solucin: Las ecuaciones del sistema son rectas secantes. Se cortan en un punto (x, y) que es la solucin del sistema 2. Sistemas sin solucin: Las ecuaciones del sistema son rectas paralelas. No tienen ningn punto en comn, y por tanto no hay solucin 3. Sistemas con infinitas soluciones: Las ecuaciones del sistema son rectas coincidentes. Tienen todos los puntos en comn, y por tanto todos ellos son
solucin .
Qu condiciones deben cumplir las ecuaciones para que el sistema tenga una, ninguna o infinitas soluciones?
1. Una solucin: Los coeficientes de x e y de las dos ecuaciones no son proporcionales Ejemplo: 2. Ninguna solucin: Los coeficientes de x e y de una ecuacin son proporcionales a los de la otra, mientras que los trminos independientes no lo son Ejemplo: 3. Infinitas soluciones: Los coeficientes de x e y, y el trmino independiente de una ecuacin, son proporcionales a los de la otra Ejemplo:
3.3 INTERPRETACION GEOMETRICA DE LAS SOLUCIONES.

Un sistema con n incgnita se puede representar en n-espacio correspondiente. En los sistemas con 2 incgnitas, el universo de nuestro sistema ser el plano bidimensional, mientras que cada una de las ecuaciones ser representada por una recta, si es lineal, o por una curva, si no lo es.
La solucin ser el punto (o lnea) donde intersecten todas las rectas y curvas que representan a las ecuaciones. Si no existe ningn punto en el que intersecten al mismo tiempo todas las lneas, el sistema es incompatible, o lo que es lo mismo, no tiene solucin.
En el caso de un sistema con 3 incgnitas, el universo ser el espacio tridimensional, siendo cada ecuacin un plano dentro del mismo. Si todos los planos intersectan en un nico punto, las coordenadas de ste sern la solucin al sistema. Si, por el contrario, la interseccin de todos ellos es una recta o incluso un plano, el sistema tendr infinitas soluciones, que sern las coordenadas de los puntos que forman dicha lnea o superficie.
Para sistemas de 4 ms incgnitas, la representacin grfica no es intuitiva para el ser humano, por lo que dichos problemas no suelen enfocarse desde esta ptica.
x + y = 6; x - y = 2 Cada ecuacin representa un plano en el espacio tridimensional. Luego se trata de estudiar la posicin relativa de tres planos en el espacio. Las soluciones del sistema son geomtricamente los puntos de interseccin de los tres planos, los casos son: =Un punto nico. Sistema compatible determinado.. Los tres planos se cortan en P.
=Una recta. Son soluciones todos los puntos representativos de la recta comn. Sistema compatible indeterminado con un grado de libertad. Los planos se cortan en r.
=Un plano. Los planos son coincidentes. El sistema es compatible indeterminado con dos grados de libertad. =Ningn punto. El sistema es incompatible. Esta situacin se presenta geomtricamente de distintas maneras. Para estudiar las posiciones relativas de los planos hay que tomarlos de dos en dos. =Se pueden presentar varios casos: Que los planos sean paralelos:
3.4 MTODOS DE SOLUCIN DE UN SISTEMA DE ECUACIONES LINEALES: GAUSS, GAUSS-JORDN, INVERSA DE UNA MATRIZ Y REGLA DE CRAMER.
METODO DE GAUSS:
Consiste en hacer una diagonal con uno y debajo de esta se deben convertir en ceros, mientras que el resultado del trmino comn, se utiliza para despejar la incgnita y se encuentra as su valor de la ltima incgnita, que permite encontrar el valor de las dems.
Ejemplo:
2X1 + 4X2 + 6X3 = 18 4X1 + 5X2 + 6X3 = 24 3X1 + 1X2 - 2X3 = 4
2 4 6 18 /2 4 5 6 24 3 1 -2 4 1 2 3 9 (-4) (-3) 4-4 5-8 6-12 24-36 3-3 1-6 -2-9 4-27 1239 0 -3 -6 -12 /(-3)
0 -5 -11 -23 1239 0 1 2 4 (5) 0 -5 +5 -11+10 -23+20 1239 0124 0 0 -1 -3 / (-1) X1 X2 X3 R 1 2 3 9 Ecuacin 2 0 1 2 4 Ecuacin 2 0 0 1 3 Ecuacin 2
Matriz Se sustituye el valor de X3 = -3 en la ecuacin de la matriz obtenida.
escalonada
Sustitucin de X3 = -3 en la ecuacin 2.
X2 + 2 X3 = 4
X2 + 2(3) = 4 X2 + 6 = 4 X2 = 4-6 X2- = -2 X1 + 2 X2 + 3 X3 = 9 X1 + 2 (-2) + 3 (3) = 9 X1 - 4 + 9 = 9
X1 = 9-9+4 X1 = 4 Comprobacin: 2X1 + 4X2 + 6X3 = 18 2(4) + 4(-2) + 6(3) = 18 8 - 8 + 18 = 18 18 = 18 METODO DE GAUSS-JORDAN Consiste en encontrar una matriz identidad, y con los valores que se obtengan en el trmino independiente, van a corresponder al valor de las incgnitas. 2X1 + 4X2 + 6X3 = 18 4X1 + 5X2 + 6X3 = 24 3X1 + 1X2 - 2X3 = 4 2 4 6 18 /2 4 5 6 24 3 1 -2 4 1 2 3 9 (-4) (-3) 4-4 3-3 1 0 0 1 0 0 1 0 0 0 1 -5 0 1 -1 -3 -3 -5 2-2 2 +5 4 -11+10 -1 2 / 5-8 1-6 2 -6 -11 3-4 (-2) 6-12 -2-9 3 -12 24-36 4-27 9 /(-3) -23 9-8 (5) -23+20 1 4 (-1)
1 0 0 1 0 0 X1 X2 X3 Sustitucin 2X1 2(4) 8 18 MATRIZ + + 0
0 1 1 0 1 0 = = = de 4X2 4(-2) 8 + = + + 3
-1+1 2-2 (-2) 0 0 1
1+3 4-6 (1) 4 -2 3 4 -2 3 valores:
6X3 6(3) 18
= = =
18 18 18 18 INVERSA:
Dada una matriz A, Podremos encontrar otra matriz B tal que AB=BA=I? Esta matriz B existe aunque no siempre, de existir se le llama matriz inversa de A y se nota A-1. Para que exista la inversa de A, sta tiene que ser cuadrada pues de lo contrario no se podra hacer el producto por la izquierda y por la derecha, luego cuando hablamos de matrices invertibles estamos hablando de matrices cuadradas. REGLA 3X1 3X1 2X1 2 3 3 + + + 4 5 1 5X2 X2 4X2 DE + + 6 6 -2 6 X3 2X3 6X3 CRAMER: =24 =4 =18 18 24 4
Solucin * Se 24 D 3 D * =-20
por
el
mtodo del la 6
de
menores valor
y de los
cofactores: D coeficientes. 4 3 5 1
Obtencin realiza con
matriz
de 2
= 1 + 72
5 -2
6 3 12 valor + 24
+18
del
90
8 D1
Obtencin
de
Los valores de la columna 1 se cambian por los valores del trmino independiente. 18 D1 4 D1 * = 180 = 1 + 48 + 144 del 4 24 6 5 -2 120 6 4 108 + de 192 = 18 24 4 5 1 24 D2
Obtencin
valor
Los valores de la columna 2 se cambian por los valores del trmino independiente. 2 D2 3 D2 * = 96 = 4 + 324 + 72 del 18 3 6 24 -2 4 32 48 6 4 + 108 de = 18 24 4 5 1 72 D3
Obtencin
valor
Los valores de la columna 3 se cambian por los valores del trmino independiente. 2 D3 3 D3 =40 + = 1 288 + 54 de D1/D -24 /(-8)= -3 X2= X2= -72 / (-8) D2/D = 9 X3= 4 3 18 5 4 270 los X3= 16 / (-8) 48 24 3 + 48 = 2 3 4 5 1 14
Sustitucin X1= X1=
valores D3/D = -2
X1 X2 X3
= = =
-24 -72 16 /
-8 -8 / = -8
= 9 =
-3
2X1 2(-3) -2 + -6
4X2 4(9) +36 +
6X3 6(-2) = =
=18 18 18
-12
3.5 APLICACIONES.
SISTEMA GENERAL: La forma genrica de un sistema de ecuaciones algebraicas y incgnitas es la siguiente:
Donde son funciones de las incgnitas. La solucin, perteneciente al espacio eucldeo , ser tal que el resultado de evaluar cualquier expresin con los valores de dicha solucin, verifique la ecuacin. REPRESENTACIN GRFICA: * Los sistemas de 2 o 3 incgnitas reales admiten representaciones grficas cuando las funciones en son continas a tramos. En cada ecuacin se representa
como una curva o una superficie curva. La existencia de soluciones en ese caso puede deducirse a partir de la existencia de intersecciones comunes a dichas curvas o superficies curvas. CLASIFICACIN DE LOS SISTEMAS: Un sistema de ecuaciones sobre puede clasificarse de acuerdo con el nmero de soluciones en:
* Sistema incompatible cuando no admite ninguna solucin. Un ejemplo de sistema incompatible es {54x 36y = 9, 54x + 36y = 30}, ya que usando el mtodo reduccin y sumando miembro a miembro se obtiene la contradiccin 0 = 39.
* Sistema compatible cuando admite alguna solucin que a su vez pueden dividirse en: * Sistemas compatibles indeterminados cuando existe un nmero infinito de soluciones
que forman una variedad continua. Un ejemplo de sistema compatible indeterminado es {x + y = 1,2x + 2y = 2} ya que claramente la segunda ecuacin es linealmente dependiente de la primera, habiendo sido multiplicados todos los trminos por 2.
* Sistemas compatibles determinados cuando admiten un conjunto finito de soluciones, o un conjunto infinito de soluciones aisladas con a lo sumo un nmero finito de puntos de acumulacin. Un ejemplo de sistema compatible determinado es {2x + 3y = 9,3x 2y = 7} cuya solucin nica es y = 1 y x = 3. SISTEMA LINEAL: Un sistema como el anterior en que las anteriores ecuaciones son funciones afines. A diferencia del caso general, la solucin de los sistemas de ecuaciones lineales son fciles de encontrar cuando los coeficientes de las ecuaciones son nmeros reales o complejos. Tambin existen medios generales cuando los coeficientes pertenecen a un anillo, aunque la bsqueda de las soluciones en ese caso puede ser un poco ms complicada. Una caracterstica importante de los sistemas lineales de ecuaciones es que admiten la llamada forma matricial. Esa forma permite representar el sistema usando tres matrices, de la siguiente forma: (2) La primera es la matriz de coeficientes, donde el trmino representa al coeficiente que acompaa a la j-sima incgnita de la ecuacin i-sima. La segunda es la matriz de incgnitas, donde cada trmino se corresponde con una de las incgnitas que queremos averiguar. Y la tercera matriz es la de trminos independientes, donde el cada representa al trmino independiente de la ecuacin i-sima. Esta representacin matricial facilita el uso de algunos mtodos de resolucin, como el mtodo de Gauss, en el que, partiendo de la matriz aumentada (matriz de coeficientes a la que se le ha acoplado la matriz de trminos independientes), y aplicando transformaciones lineales sobre las ecuaciones, pretendemos llegar a una matriz de este tipo: ING. MEDINA ALEGRIA LEONEL ADELFO. RUIZ CAAS ROBERTO CARLOS
Una vez la matriz se ha triangulado, el valor de cada trmino se corresponder con el de la incgnita. Si nos encontramos alguna fila del tipo, con, el sistema no tendr solucin.
UNIDAD 4 ESPACIOS VECTORIALES.
4.1 DEFINICION DE ESPACIOS VECTORIALES.

Sean K un cuerpo dado y V un conjunto no vacio, con reglas de suma y producto por escalar que asigna a cada par u, vV una suma u+vV y a cada par uV, kK un producto kuV. V recibe el nombre de espacio vectorial sobre K (y los elementos de V se llaman vectores) si satisfacen los siguientes axiomas. [A1] para toda terna de vectores u, v, wV, (u+v)+w=u+(v+w). [A2] existe un vector en V, denotado por 0 y denominado el vector cero, tal que u+0=u para todo vector uV. [A3] para todo vector uV existe un nico vector en V, denotado por u, tal que u+(-u)=0. [A4] para todo par de vectores u, vV, u+v=v+u. [M1] para todo escalar kK y todo par de vectores u, vV, k(u+v)=ku+kv. [M2] para todo par de escalares a, bK y todo vector uV, (a+b)u=au+bu. [M3] para todo par de escalares a, bK y todo vector uV, (ab)u=a(bu). [M4] el escalar unidad 1K cumple 1u=u para todo vector uV. Los axiomas precedentes se desdoblan de forma natural en dos categoras. Los cuatro primeros ataen nicamente a la estructura aditiva de V y pueden resumirse diciendo que V es un grupo conmutativo bajo la suma. De ello se deriva que cualquier suma de vectores de la forma v1+v2++vm no requieren parntesis y no depende del orden de los sumandos, que el vector cero, 0, es nico, que el opuesto u de u es nico y que se verifica la ley de cancelacin; esto es, para tres vectores cualesquiera u, v, wV. U+w=v+w implica u=v. Asimismo, la resta se define segn u-v=u+(-v). Por otra parte, los cuatro axiomas restantes se refieren a la <<accin>> del cuerpo K sobre V. observece que la rotulacin de los axiomas refleja este desdoblamiento. Empleando estos axiomas adicionales probaremos las siguientes propiedades elementales de un espacio vectorial.
Teorema: sea V un espacio vectorial sobre un cuerpo K. 1. Para todo escalar kK y 0V, k0-0. 2. Para 0K y todo vector uV, 0u=0. 3. Si ku=0, donde kK y uV, entonces k=0 o u=0. 4. Para todo kK y todo uV, (-k)u=-ku.
4.2 DEFINICION PROPIEDADES.
DE
SUBESPACIO
VECTORIAL
SUS
Sea W un subconjunto de un espacio vectorial V sobre un cuerpo K. W se denomina un subespacio de V si es a su vez un espacio vectorial sobre K con respecto a las operaciones de V, suma vectorial y producto por un escalar. Un criterio simple para identificar subespacios es el siguiente. Teorema: supongamos que W es un subconjunto de un espacio vectorial V. entonces W es un subespacio de V si y solo si se cumple: 1. 0W 2. W es cerrado bajo la suma de vectores, es decir: para todo par de vectores u, vW, la suma u+vW. 3. W es cerrado bajo el producto por un escalar, esto es: para todo uW y para todo kK el mltiplo kuW.
Corolario: W es un subespacio de V si y solo si: 1. 0W. 2. au+bvW para todos los u, vW y a, bK.
Ejemplo: sean U y W subespacios de un espacio vectorial V. probemos que la interseccin UW es tambin subespacio de V. claramente, 0U y 0W, porque U y W son subespacios, de donde 0UW. supongamos ahora que u, vUW. entonces u, vU y u, vE y, dado que U y W son subespacios, u+v, kuU y u+v, kuW para cualquier escalar k. as u+v, kuUW y por consiguiente UW es un subespacio de V. El resultado del ejemplo precedente se generaliza como sigue. Teorema: la interseccin de cualquier nmero de subespacios de un espacio vectorial V es un subespacio de V. Recurdese que toda solucin de un sistema de ecuaciones lineales con n incgnitas AX=B puede verse como un punto en Kn y por tanto el conjunto solucin de tal sistema es un subconjunto de Kn. Supongamos que el sistema homogneo, es decir, supongamos que el sistema tiene la forma AX=0. Denotemos por W su conjunto solucin. Como A0=0, el vector cero 0W adems,
si u y v pertenecen a W, esto es, si u y v son soluciones de AX=0, necesariamente Au=0 y Av=0. Por esta razn, para todo par de escalares a y b en K, tendremos A(au+bv)=aAu+bAv=a0+b0=0+0=0. De esta manera, au + bv es tambin una solucin de AX=0 o, dicho de otro modo, au+bvW. En consecuencia, segn el corolario, hemos demostrado: Teorema: el conjunto solucin W de un sistema homogneo con n incgnitas AX=0 es un subespacio de kn. Hacemos nfasis en que el conjunto solucin de un sistema inhomogneo AX=B no es subespacio de Kn. De hecho, el vector cero, 0, no pertenece a dicho conjunto solucin.
4.3. COMBINACION LINEAL.INDEPENDENCIA LINEAL.

COMBINACIN LINEAL.
Sean v1, v2, , vn, vectores en un espacio vectorial V. entonces cualquier vector de la forma: a1v1+a2v2++anvn, donde a1,a2,,an son escalares se denomina una combinacin lineal de v1, v2,,vn. Una combinacin lineal en M23
Conjunto generador. Se dice que los vectores v1, v2, , vn de un espacio vectorial V generan a V si todo vector en V se puede escribir como una combinacin lineal de los mismo. Es decir, para todo vV, existen escalares a1, a2, , an tales que v=a1v1+a2v2++anvn Cuatro vectores que generan a M22
Espacio generado por un conjunto de vectores. Sean v, v2, , vk, k vectores de un espacio vectorial V. el espacio generado por {v1, v2, , vk} es el conjunto de combinaciones lineales v1, v2, , vk. Es decir donde a1, a2, , ak, son escalares arbitrarios. Teorema: si v1, v2, , vk son vectores en un espacio vectorial V, entonces gen{v1, v2, , vk} es un subespacio de V.
Ejemplo: el espacio generado por dos vectores en R3 Sea v1=(2,-1,4) y v2=(4,1,6). Entonces H=gen{v1, v2}={v:v=a1(2,-1,4)+a2(4,1,6)}. Cul es la apariencia de H? si v=(x, y,z)H, entonces tiene x=2a1+4a 2, y=-a1+a2 y z=4a 1+6 2. Si se piensa que (x, y, z) esta fijo, entonces estas ecuaciones se pueden ver como un sistema de tres ecuaciones con tres incognitas a1, a2. Este sistema se resuelve en la forma usual:
INDEPENDENCIA LINEAL. En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o independencia lineal de los vectores. En esta seccin se define el significado de independencia lineal y se muestra su relacin con la teora de sistemas homogneos de ecuaciones y determinantes.
Existe una relacin espacial entre los vectores , se puede apreciar que v2=2v1; o si se escribe esta ecuacin de otra manera. 2v1v2=0. En otras palabras, el vector cero se puede escribir como una combinacin no trivial de v1 y v2 (es decir, donde los coeficientes en la combinacin lineal no son ambos cero). Qu tienen de especial los vectores ?
La respuesta a esta pregunta es ms difcil a simple vista. Sin embargo, es sencillo verificar que v3=3v1+2v2; rescribiendo esto se obtiene .
Se ha escrito el vector cero como una combinacin lineal de v1, v2, y v3. Parece que los dos vectores de la ecuacin y los tres vectores de la otra ecuacin tienen una relacin ms cercana que un par arbitrario de 2-vectores a una terna arbitraria de 3-vectores. En cada caso, se dice que los vectores son linealmente dependientes. En trminos generales, se tiene la importante definicin a continuacin presentada. Definicin: sean v1, v2, , vn vectores en un espacio vectorial V. entonces se di ce que lois vectores son linealmente dependientes si existen n escalares c1, c2, ,
cn
no
todos
ceros
tales
que
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.
Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la ecuacin c1v1+c2v2++cnvn=0 se cumple nicamente para c1=c2==cn=0. Son linealmente dependientes si el vector cero en V se puede expresar como una combinacin lienal de v1, v2,,vn con coeficientes no todos iguales a c ero. Nota. Se dice que los vectores v1, v2, , vn son linealmente independientes (o dependientes), o que el conjunto de vectores {v1, v2, , vn} es linealmente independiente (o pendiente). Esto es, se usan las dos frases indistintivamente. Teorema: dependencia e independencia lineal. Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de ellos es un mltiplo escalar del otro. Demostracin: primero suponga que v2=cv1 para elgun escalar c0. Entonces cv1-v2=0 y v1 y v2 son linealmente dependientes. Por otro parte, suponga que v1 y v2 son linealmente dependientes. Entonces existen constantes c1 y c2 al menos uno distinto a cero, tales que c1v1+c2v2=0. Si c10, entonces dividiendo entre c1
se
obtiene
v1+(c2/c1)v2=0,
sea,
Es decir, v1 es un mltiplo escalar de v2. Si c1=0, entonces c20 y, por lo tanto, v2=0=0v1.
4.4. BASES Y DIMENSION DE UN ESPACIO VECTORIAL.

Se ha visto en R2 conviene escribir vectores como una combinacin lineal de los
vectores
. En R3 se escribieron los vectores en trminos
de
Ahora
se
generalizara
esta
idea.
BASE Un conjunto finito de vectores espacio vectorial V si
es una base para un
Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn.
En Rn se define Puesto que los vectores e, son las columnas d una matriz identidad (que tiene determinante 1), es un conjunto linealmente independiente y, por lo tanto, constituye una base en Rn. Esta base especial se denomina base canonica en Rn. Ahora se encontraran bases para otros espacios. EJEMPLO: base canonica para M22
Se a
vio
que
generan
, entonces es evidentemente que . As, estas cuatro matrices son linealmente independientes y forman una base para M 22, lo que se denomina base cononica para M22. TEOREMA: si conjunto nico de es una base para V y si vV, entonces existe un escalares tales que
Existe cuando menos un conjunto de dichos escalares porque genera a V. suponga entonces que v se puede escribir e dos maneras como una combinacin lineal de los vectores de la base. Es decir, suponga que
Sea dos bases para V. debe demostrarse que m=n. esto se prueba mostrando que si m>n, entonces S es un conjunto literalmente independiente, lo que contradice la hiptesis de que S es una bse. Esto demostrara que mn. la misma prueba demostrara que m y esto prueba el teorema. As, basta demostrar que si m>n, entonces S es independiente. Como S constituye una base, todo u se puede expresar como una combinacin lineal de las v. se tiene (1)
TEOREMA: suponga que dimV=n. si Entonces, independientes, restando esta se ecuacin se obtiene la ecuacin
pero como los v son linealmente cumple si y solo si
As,
y el teorema queda demostrado.
TEOREMA: si son bases en un espacio vectorial V, entonces m=n; es decir, cualesquiera dos bases en un espacio vectorial V tienen el mismo numero de vectores.
Para demostrar que S es dependiente, deben encontrarse escalares
no todos cero, tales que (2)
Sustituyendo (1) en (2) se obtiene (3)
La ecuacin (3) se puede reescribir como
Pero como
son linealmente independientes, se debe tener (5)
El sistema (5) es un sistema homogneo de n ecuaciones con las m incgnitas y como m>n, el teorema dice que el sistema tiene un numero infinito de soluciones. De esta forma, existen escalares no todos cero, tales que (2) se satisface y, por lo tanto, S es un conjunto linealmente dependiente. Esta contradiccin prueba que mn si se cambian los papeles de S1 y S2, se demuestra que nm y la prueba queda completa. Por este teorema se puede definir uno de los conceptos centrales en el algebra lineal. DIMENSIN Si el espacio vectorial V tiene una base con un numero finito de elementos, entonces la dimensin de V es el numero de vectores en todas las bases y V se denomina espacio vectorial de dimensin finita. De otra manera, V se denomina espacio vectorial de dimensin infinita. Si V={0}, entonces se dice que V tiene dimensin cero. Notacin. La dimensin V se denota por dimV. EJEMPLO: la dimensin de Mmn En Mmn sea A la matriz de mxn con un uno en la posicin ij y cero en otra parte. Es sencillo demostrar que las matrices a para i=1,2,,m y j=1,2,,n forman una base para Mmn. As, dimMmn=mn. TEOREMA: suponga que dimV=n. si es un conjunto de m vectores linealmente independientes en V, entonces mn.
Sea
entonces, igual que la prueba del teorema, se pueden
encontrar constantes no todas cero, tales que la ecuacin (2) se satisface. Esto contradice la independencia lineal de los vectores u. as, mn. TEOREMA: sea H un subespacio de un espacio vectorial de dimensin finita V. entonces H tiene dimensin finita y (6) Sea dimV=n. cualquier conjunto de vectores linealmente independientes en H es tambin linealmente independiente en V. por el teorema anterior, cualquier conjunto linealmente independiente en H puede contener a lis mas n vectores. Si H={0}, entonces dimH=0. Si dimH{0}, sea v0 un vector en H y H=gen{v}. si H=H, dimH=1 y la prueba queda completa. De lo contrario, elija a vH tal que vH y sea H=gen{v1,v2}, y as sucesivamente. Continuamos hasta encontrar vectores linealmente independientes tales que H=gen{ }. El proceso tiene que terminar porque se pueden encontrar a lo mas n vectores linealmente independientes en H. entonces H-kn. EJEMPLO: una base para el espacio de solucin de un sistema homogneo Encuentre una base (y la dimensin) para el espacio de solucin S del sistema
homogneo
SOLUCIN: aqu . Como A es una matriz de 2x3, S es un subespacio de R3. Reduciendo por renglones, se encuentra, sucesivamente,
Entonces y=z y x=-z de manera que todas las soluciones son de la forma
.As, es una base para S y dimS=1. Obsrvese que S es el conjunto de vectores que se encuentran en la recta x=-t, y=t, z=t. TEOREMA: cualquier conjunto de n vectores linealmente independientes en eun espacio vectorial V de dimensin n constituyen una base apara V. Sean , n vectores. Si generan el espacio V, entonces constituyen una base. De lo contrario, existe un vector uV tal que ugen donde (8) Entonces porque de lo contrario podramos escribir u como una dividiendo la ecuacin (8) entre y . Esto significa que los n+1 vectores independientes. Para ver esto observe ,u si
linealmente
que
combinacin lineal de
poniendo todos los trminos, excepto u, en el lado derecho. Pero si entonces (8) es Lo que significa que independientes. Ahora sea W=gen{ ya que los v son linealmente ,u}. como todos los vectores
entre las llaves estn en V, W es un subespacio de V. como ,u son linealmente independientes, forman una base para W, y dimW=n+1. Pero por el teorema, dimWn. esta contradiccin muestra que no existe el vector uV tal que ugen{ una base para V. CAMBIO DE BASE }. As, genera a V y, por lo tanto, constituye
En
R2
se
expresaron
vectores
en
trminos
de
la
base cannica
. En Rn se defini la base canonica
. En Pn
se defini la base estandra como . Estas bases se usan ampliamente por la sencillez que ofrecen a la hora de trabajar con ellas. Pero en ocasiones ocurre que es mas conveniente alguna otra base. Existe un numero infinito de bases para elegir, ya que en un espacio vectorial de dimensin n, cualesquiera n vectores, linealmente independientes, forman una base. En esta seccin se vera como cambiar de una base a otra mediante el calculo de cierta
matriz. Iniciaremos por un ejemplo sencillo. Sean u entonces, es la base canonica en R2.
. Sean
Como v1 y v2 son linealmente independientes (porque v1 no es un mltiplo de v2), es una segunda base en R2. Sea
un
vector
en
R2.
Esta
notacin
significa
que
Es decir, x esta expresando en trminos de los vectores de la base B. para hacer
hincapi en este hecho, se escribe existen escalares c1 y c2 tales que (1)
Como B es otra base en R2, Una vez que se
encuentran estos escalares. Se puede escribir para indicar que x esta ahora expresado en trminos de los vectores en B. para encontrar los nmeros c1 y c2, se escribe la base anterior en trminos de la nueva base. Es
sencillo
verificar
que
(2)
es
decir,
Entonces,
As, de (1),
Por ejemplo, si
entonces
4.5 ESPACIO VECTORIAL CON PRODUCTO INTERNO Y SUS PROPIEDADES.

Un espacio vectorial complejo V se denomina espacio con producto interno si para cada par ordenado de vectores u y v en V, existe un numero complejo nico (u,v), denominado producto interno de u y v, tal que si u, v y w estn en V y C, entonces
La barra es las condiciones v) y vii) denota el conjugado complejo. Nota. Si (u,v) es real, entonces (u,v)=(u,v) y se puede eliminar la barra en v).
EJEMPLO: producto interno de dos vectores en C3 En C3 sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). entonces
Sea V un espacio con producto interno y suponga que u y v estn en V. entonces
Nota 1. Aqu se usa la doble barra en lugar de una sola para evitar confusin con el valor absoluto. Por ejemplo sen t denota la norma de sen t como un vector en C[0, 2] mientras que |sen t| denota el valor absoluto de la funcin sen t. Nota 2. La ecuacin anterior tiene sentido ya que (u, u)0.
EJEMPLO: dos vectores ortogonales en C2 En C2 los vectores (3,-i) y (2,6i) son ortogonales porque
Conjunto ortonormal El conjunto de vectores y Si solo el primero se cumple, se dice que el conjunto es ortonormal. es un conjunto ortonormal en V si
TEOREMA: cualquier conjunto finito de vectores ortonormales diferentes de cero en un espacio con producto interno es linealmente independiente.
TEOREMA: cualquier conjunto finito linealmente independiente en un espacio con producto interno se puede convertir en un conjunto ortonormal mediante el proceso de Gram-Schmidt. En particular, cualquier espacio con producto interno tiene una base ortonormal.
Proyeccin ortogonal Sea H un subespacio del espacio con producto interno V con base ortonormal
Si vV, entonces la proyeccin ortonormal de v sobre H denotada por proy Hv esta dada por (6)
Las demostraciones de los siguientes teoremas son idnticas a sus contrapartes en Rn. TEOREMA: sea H un subespacio de dimensin finita con producto interno V. suponga que H tiene dos bases ortonormales
Sea
vV.
entonces
Complemento ortogonal Sea H un subespacio del espacio con producto interno V. entonces el complemento ortogonal de H, denotado por H, esta dado por (7)
TEOREMA: si H es un subespacio del espacio con producto interno V, entonces
TEOREMA DE PROYECCIN: sea H un subespacio de dimensin finita del espacio con producto interno V y suponga que vV. entonces existe un par nico de vectores h y p tales que hH, pH, y (8) v=h+p donde h=proyHv.
Si V tiene dimensin finita, entonces p=proyHv.
TEOREMA: sea A una matriz de nxn; entonces A tiene vectores propios linealmente independientes si y solo si multiplicidad geomtrica de cada valor propio es igual a su multiplicidades algebraica. En particular, A tiene n vectores propios linealmente independientes si todos los valores propios son distintos (ya que entonces la multiplicidad algebraica de cada valor propio es 1).
4.6 BASE ORTONORMAL, PROCESO DE ORTONORMALIZACIN DE GRAM-SCHMIDT.

Conjunto ortonormal en Rn Se dice que un conjunto de vectores S={u1, u2, , uk} en Rn es un conjunto ortonormal si (1) (2)
Si solo satisface la ecuacin (1), se dice que el conjunto es ortogonal. Si u, v y w en Rn y es un numero real, entonces (3) (4) (5) (6)(7)
Ahora se presenta otra definicin til
Si vRn, entonces la longitud o norma de v, denotada por |v|, esta dada por (8)
Nota.
Si
entonces
v*v=
Esto
significa que (9)

De esta forma se puede obtener la raz cuadrada en (8), y se tiene (10)(11)
TEOREMA: si S= es un conjunto ortogonal de vectores diferentes de cero, entonces S es linealmente independiente.
Suponga que Entonces, para cualquier i=1,2,,k
Como v0 por hiptesis |v|2>0 y se dice que c=0. Esto es cierto para i=1,2,,k, lo que completa la prueba.
Proceso de ortonormalizacion de Gram-Schmidt Sea H un subespacio de dimensin m de Rn. Entonces H tiene una base ortonormal. Sea S= una base de H. se probara el teorema construyendo una base ortonormal a partir de vectores en S. antes de dar los pasios para esta construccion, se observa el hecho sencillo de que un conjunto de vectores linealmente independiente no contiene al vector cero.
Paso 1. Eleccion del primer vector unitario
Sea (12)
Entonces
De manera que |u|=1.
Paso 2. Eleccion de un segundo vector ortogonal a u
Como anteriormente se ha visto que, en R2, el vector
es la
ortogonal a v. en este caso en la siguiente figura.
es la proyeccion de u sobre v. esto se ilustra
Resulta que el vector w dado es ortogonal a v cuando w y v estn en Rn para cualquier n2. Obsrvese que como u es un vector unitario,
para cualquier vector v.
Sea
(13)
entonces de manera que v es ortogonal a u. mas aun, por el teorema, u y vson linealmente independientes. v0 porque de otra
manera de v1 y v2.
lo que contradice la independencia
Paso 3. Eleccin de un segundo vector unitario
Sea (14)
entonces es evidente que {u1,u2} es un conjunto ortonormal.
Suponga que se han construido los vectores u1, u2,,uk(k<m) y que forman un conjunto ortonormal. Se mostrara como construir uk+1.
Paso 4. Continuacin del proceso Sea (15) i=1,2,,k Pero tanto, Por lo entonces para
As, y vk+10.
es un conjunto linealmente independiente, ortogonal
Paso 5 Sea
Entonces es claro que es un conjunto ortonormal y se puede continuar de esta manera hasta que k+1=m con lo que se completa la prueba. Nota. Como cada u es una combinacin lineal de vectores v,
gen es un subespacio de gen espacio tiene dimensin k, los espacio son iguales.
y como cada
UNIDAD 5 TRANSFORMACIONES LINEALES.
5.1 INTRODUCCIN A LAS TRANSFORMACIONES LINEALES.

El presente capitulo aborda una clase especial de funciones denominadas transformaciones lineales que ocurren con mucha frecuencia en el algebra lineal y otras ramas de las matematicas. Estas tienen una gran variedad de aplicaciones importantes. Antes de definirlas, se estudiaran dos ejemplos sencillos para ver lo que es posible realizar.
Ejemplo 1: reflexin respecto al eje x En R2 se define una funcin T mediante la formula T(x;y)=(x;-y). Geomtricamente, T toma un vector en R2 y lo refleja respecto al eje x. esto se ilustra en la figura. Una vez que se ha dado la definicin bsica, se vera que T es una transformacin lineal de R2 en R2.
Ejemplo 2: transformacin de un vector de produccin en un vector de materia prima. Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres tipos de materiales. Se identifican los cuatro productos como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente muestra el numero de unidades de cada materia prima que se requieren para fabricar 1 unidad de cada producto.
Ejemplo 2: transformacin de un vector de produccin en un vector de materia prima. Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres tipos de materiales. Se identifican los cuatro productos como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente muestra el numero de
unidades de cada materia prima que se requieren para fabricar 1 unidad de cada producto.
Surge una pregunta natural: si se produce cierto nmero de los cuatro productos, Cuntas unidades de cada material se necesitan? Seanp1, p2, p3 y p4 el nmero de artculos fabricados en los cuatro productos y sean r1, r2, y r3 el nmero de unidades necesarios de los tres materiales. Entonces se define
Por ejemplo, suponga que P=(10,30,20,50). Cuntas unidades de R1 se necesitan para producir estos nmeros de unidades de los cuatro productos? De la tabla se tiene que r=p1*2+p2*1+p3*3+p4*4=10*2+30*1+20*3+50*4=310 unidades de manera similar r2=10*4+30*2+20*2+50*1=190 unidades y r3=10*3+30*3+20*1+50*2=240 unidades
en general se ve que
o Ap= r. Esto se puede ver de otra manera. Si a p se le conoce como le vector de produccin y a r como el vector de materia prima, se define la funcin T por = T(p) = Ap. Esto es, T es la funcin que transforma el vector de produccin en el vector de materia prima y se hace mediante la multiplicacin de matrices ordinaria. Como se ver , esta funcin es tambin una transformacin lineal. Antes de definir una transformacin lineal, hablaremos un poco sobre las funciones. En la seccin 1.7 se escribi un sistema de ecuaciones como Ax=b Donde A es una matriz de m*n, x R y b R. Se pidi encontrar x cuando A y b se conocan . No obstante, esta ecuacin se puede ver de otra forma: suponga que A se conoce. Entonces la ecuacin Ax=b dice : proporcione una x en R y yo le dar una b en R; es decir , A representa una funcin con dominio R e imagen en R. La funcin que se acaba de definir tiene las propiedades de que A ( si es un escalar y A(x + y) = Ax + Ay. Esta propiedad caracteriza las transformaciones lineales.
Definicin 1 transformacin lineal Sean V y W espacios vectoriales reales. Una transformacin lineal T de V en W es una funcin que asigna a cada vector v V un vector nico Tv W y que satisface, para cada u y v en V y cada escalar .
T(u + v) = Tu + Tv Y T(av)=aTv
TRES OBSERVACIONES SOBRE NOTACIN 1. Se escribe T: v W para indicar que T toma el espacio vectorial real V y lo lleva al espacio vectorial real W; esto es, T es una funcin con V como su dominio y un subconjunto de W como su imagen. 2. Se escriben indistintamente Tv y T(v). Denotan lo mismo; las dos se leen T de v. Esto es anlogo a la notacin funcional (x), que se lee de x. 3. Gran parte de las definiciones y teoremas en este captulo tambin se cumplen para los espacios vectoriales complejos (espacios vectoriales en donde los escalares son nmeros complejos).
Ejemplo 5 La transformacin identidad
Sea V un espacio vectorial y definida I: V V por Iv = v para todo v en V. Aqu es obvio que es I es una transformacin lineal, la cual se denomina transformacin identidad u operador identidad.
Ejemplo 6
Transformacin de reflexin
Sea T:R2 R2 definida por T(x;y)=(x;-y). Es fcil verificar que T es lineal. En trminos geomtricos, T toma un vector en R2 y lo refleja respecto al eje y (vea la figura 5.2)
Ejemplo 7 Transformaciones de Rn Rm dada por la multiplicacin por una matriz de m*n. Sea A una matriz de m*n y definida T:R R por Tx = Ax. Como A(x + y) = Ax + Ay y A( si x y y estn en R, se observa que T es una transformacin lineal. Entonces: toda matriz A de m*n se puede utilizar para definir una transformacin lineal de R en R.
5.2 NCLEO E IMAGEN DE UNA TRANSFORMACIN LINEAL.
En esta seccin se desarrollan transformaciones lineales.
algunas
propiedades
bsicas
de
las
Teorema 1. Sea T: V W una transformacin lineal. Entonces para todos los vectores u, v, v1, v2,.vn en V y todos los escalares
Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que el cero de la derecha es el vector cero en W. i. T(0) = T(0 + 0)= T(0) + T(0). As 0= T(0) T(0) = T(0) + t(0) T(0) = T(0) ii.T(u-v) = T[u + (-1)v] = Tu + T[(-1)v] = Tu + (-1)Tv = Tu Tv. iii.Esta parte se prueba por induccin (vea el apndice 1). Para n = 2 se tiene T(1v1 + 2v2) = T (1v1) + T(2v2) = 1Tv1 + 2Tv2. As, la ecuacin (1) se cumple para n = 2. Se supone que se cumple para n = k y se prueba para n=k + 1: T(1v1 + 2v2+ .+ kvk+k+1vk-1 ) = T(1v1 + 2v2+.+kvk) + T(k+1vk+1), y usando la ecuacin en la parte iii para n= k, esto es igual a ( 1Tv1 + 2Tv2+.kTvk) + k+1Tvk+1, que es lo que se quera demostrar. Esto completa la prueba.
Observacin. Los incisos i) y ii) del teorema 1 son casos especiales del inciso iii). Un dato importante sobre las transformaciones lineales es que estn completamente determinadas por el efecto sobre los vectores de la base.
Teorema 2 Sea v un espacio vectorial de dimensin finita con base B= {v1,v2,.vn}. Sean w1,w2,.wn vectores en W. Suponga que T1 y T2 son dos transformaciones lineales de V en W tales que T 1vi = T2vi = wi para i = 1, 2,,n. Entonces para cualquier vector v v, T 1v = T2v; es decir T1 = T2. Como B es una base para V, existe un conjunto nico de escalares 1, 2,., n. Tales que v = 1v1 + 2v2 + + n vn.
Entonces, del inciso iii) del teorema 1, T1v = T1(1 v1 + 2v2 + + nvn) = 1T2v1 + 2T2v2 + + nTnvn= 1w1 + 2w2 ++ nTnvn
De manera similar T2v + nvn) = 1T2v1 + 2T2v2 ++ nTnvn 2w2 ++ nvn
T2(1v1 + 2v2 + = 1w1 +
Por lo tanto, T1v =T2v.
El teorema 2 indica que si T:v W y V tiene dimensin finita, entonces slo es necesario conocer el efecto que tiene T sobre los vectores de la base en V. Esto es, si se conoce la imagen de cada vector bsico, se puede determinar la imagen de cualquier vector en V. Esto determina T por completo. Para ver esto, sean v 1,
v2,.vn una base en V y sea v otro vector en V. Entonces, igual que en l aprueba del teorema 2, Tv = 1Tv1 + 2Tv2 ++ nTvn
As, se puede calcular Tv para cualquier vector v V si se conocen Tv1,Tv2,.Tvn
Ejemplo 1 Si se conoce el efecto de una transformacin lineal sobre los vectores de la base, se conoce el efecto sobre cualquier otro vector.
Sea T una transformacin lineal de R3 en R2 y suponga que
Solucin. Se tiene
Entonces
Surge otra pregunta; si w1,w2,.,wn son n vectores en W, existe una transformacin lineal T tal que Tv1 = w1 para i = 1,2,,n? La respuesta es s. Como lo muestra el siguiente teorema.
Definicin 1 Ncleo e imagen de una transformacin lineal

Sean V y W dos espacios vectoriales y sea T:V W una transformacin lineal. Entonces
El
ncleo
de
T,
denotado
por
un,
est
dado
por
ii. La
imagen
de
T,
denotado
por
Im
T,
esta
dado
por
Observacion 1. Observe que un T es no vacio porque, de acuerdo al teorema 1, T(0) = 0 de manera que 0 un T para cualquier transformacin lineal T. Se tiene inters en encontrar otros vectores en V que se transformen en 0. De nuevo, observe que cuando escribimos T(0) = 0, el 0 de la izquierda est en V y el de la derecha en W.
Observacin 2. La imagen de T es simplemente el conjunto de imajenes de los vectores en V bajo la transformacin T. De hecho, si w = Tv, se dice que w es la imagen de v bajo T.
Antes de dar ejemplos de ncleos e imgenes , se demostrar un teorema de gran utilidad.
Teorema 4 Si T:V W es una transformacin lineal, entonces i.Un T es un subespacio de V. ii.Im T es un subespacio de W.
Demostracion i.Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y u estn en un T.
ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V. Esto significa que T(u + v)= Tu + Tv = w + x y T(u) = Tu =w. Por lo tanto, w + x y w estn en Im T.
Ejemplo 3. Ncleo e imagen de la transformacin cero Sea Tv = 0 para todo v V(T es la transformacin cero). Entonces un T = v e Im T = {0}.
Ejemplo 4 Ncleo e imagen de la transformacin identidad Sea Tv = v para v V(T es la transformacin identidad). Entonces un T= {0} e Im T = V.
Las transformaciones cero e identidad proporcionan dos extremos. En la primera todo se encuentra en el ncleo. En la segunda slo el vector cero se encuentra en el ncleo. Los casos intermedios son ms interesantes.
Ejemplo 5 Ncleo e imagen de un operador de proyeccin
Sea T:R3 R3 definida por T es el operador de proyeccin de R3 en el plano xy.
Entonces x = y = 0. As, nu T = {(x,y,z):x = y = 0, zR}, es decir, el eje z, e Im T = {(x,y,z): z = 0}, es decir el plano xy. Observe que dim un T = 1 y dim Im T = 2.
Definicin 2
Nulidad y rango de una transformacin lineal
Si T es una transformacin lineal de v en w, entonces se define.
Observacin. En la seccin 4.7 se definieron el rango, la imagen, el espacio nulo y la nulidad de una matriz. Segn el ejemplo 5.1.7, Toda matriz A de m*n da lugar a una transformacin lineal T:R R definida por Tx = Ax. Es evidente que un T = NA, Im T = Im A = CA, v(T) = v(A) y p(T) = p(A). Entonces se ve que las definiciones de ncleo, imagen, nulidad y rango de una transformacin lineal son extensiones del espacio nulo, la imagen, la nulidad y el rango de una matriz.
5.3 LA MATRIZ DE UNA TRANSFORMACIN LINEAL.

Si A es una matriz de m*n y T: Rn-Rm est definida por Tx = Ax, entonces, T es una transformacin lineal. Ahora se ver que para toda transformacin lineal de R n en Rm existe una matriz A de m*n tal que Tx = Ax para todo x Rn. Este hecho es de gran utilidad. Si Tx = Ax. Entonces un T = NA e Im T = RA. ms aun, v(T) = dim un T = v(A) y p(T) = dim Im T = p(A). As se puede determinar el ncleo, la imagen, la nulidad y el rango de una transformacin lineal de R n-Rm determinando el espacio nulo y la imagen de la matriz correspondiente. Adicionalmente, una vez que se sabe que Tx = Ax. Se puede evaluar Tx para cualquier x en R n mediante una simple multiplicacin de matrices. Pero esto no es todo. Como se ver, cualquier transformacin lineal entre espacios vectoriales de dimensin finita se puede representar mediante una matriz. Teorema 1 Sea T:Rn -Rm una transformacin lineal. Existe entonces una matriz nica de m*n, AT tal que
Demostracin
Sea w1 = Te1,w2 = Te2,.,wn = Ten. Sea AT la matriz cuyas columnas son w1, w2,., wn y hagamos que AT denote tambin ala transformacin de Rn-Rm, que multiplica un vector en Rn por AT. si
Entonces
De esta forma, ATei = wi para i = 1,2,.n., T y la transformacin AT son las mismas porque coinciden en los vectores bsicos.
Ahora se puede demostrar que AT es nica. Suponga que Tx = ATx y que Tx = BTx para todo x Rn. Entonces ATx = BTx, o estableciendo CT= AT BT, se tiene que CTx = 0 para todo x Rn. En particular, CTei es la columna i de CT. As, cada una de las n columnas de CT es el m-vector cero, la matriz cero de m*n. Esto muestra que AT = BT y el teorema queda demostrado.
Definicin 1
Matriz de transformacin
La matriz AT en el teorema 1 se denomina matriz de transformacin correspondiente a T o representacin matricial de T.
NOTA. La matriz de transformacin AT est definida usando las bases estndar tanto en Rn como en R3. Si se utilizan otras bases, se obtendr una matriz de transformacin diferente.
TEOREMA 2 sea AT la matriz de transformacin correspondiente a laa transformacin lineal T. entonces. i. ii. iii. iv. Im T = Im A = CAT P(T) = p(AT) Un T = NAT v(T) = v(AT Ejemplo 1 Representacin matricial de una transformacin de proyeccin
Encuentre la matriz de transformacin AT correspondiente ala proyeccin de un vector en R3 sobre el plano xy. Solucin
Teorema 4 Sean V y W espacios vectoriales de dimensin finita con dim V = n. sea T:V-W una transformacin lineal y sea AT una representacin matricial de T respecto a las bases B1 en V y B2 en W. entonces i. p(T) =p(AT) ii. V(A) = v(AT) iii. V(a) + p(T) = n
Teorema 5 Sea T:Rn-Rm una transformacin lineal. Suponga que C es la matriz de transformacin de T respecto a las bases estndar S n y Sm en Rn y Rm, respectivamente. Sea A1 la matriz de transicin de B2 a base Sm en Rm. Si AT denota la matriz de transformacin de T respecto a las bases B1 y B2, entonces.
Geometra de las transformaciones lineales de R2 en R2. Sea T:R2-R2 una transformacin lineal con representacin matricial A T Ahora de demostrar que si AT es invertible, entonces T se puede escribir como una sucesin de una o ms transformaciones especiales, denominadas expansiones, compresiones, reflexiones y cortes.
Expansiones a lo largo de los ejes x o y Una expansin a lo largo del eje x es una transformacin lineal que multiplica a la coordenada x de un vector en R2 por una constante C >1. Esto es
De manera similar, una expansin a lo largo del eje y es una transformacin lineal que multiplica la coordenada y de todo vector en R2 por una constante C>1. Como
antes ,
entonces la representacin matricial de T es
de manera que
a) b) c)
se comienza con este rectngulo. Expansin en la direccin de x c = 2. Expansin en la direccin de y con c = 4.
Compresin a lo largo de los ejes x o y. Una compresin a lo largo de los ejes x o y es una transformacin lineal que multiplica ala coordenada x o y de un vector en R2 por una constante positiva 0<c<1, mientras que para la expansin c<1.
a) b) c)
se comienza con este rectngulo. Compresin a lo largo del eje x con c =1/3. Compresin a lo largo del eje x con c=1/2.
5.4 APLICACIN DE LAS TRANSFORMACIONES LINEALES: REFLEXIN, DILATACIN, CONTRACCIN Y ROTACIN.

Reflexin sobre el eje x En este caso, queremos averiguar como est definida la transformacin T de R2 en R2 que cada vector para obtener un vector lo refleja sobre el eje x,
En una grfica, vemos la situacin como sigue:
En este caso, la situacin es ms sencilla ya que claramente tenemos dos tringulos rectngulos que son congruentes, de donde T queda definida como sigue:
Esta transformacin se llama la reflexin sobre el eje x, y es lineal, ya que:
Ejemplo dilatacin o expansin
Una dilatacin es una transformacin que incrementa distancias.
Sea V= (2 4) encontrara la expansin vertical cuando K=2 Expansin horizontal (k71) o contraccin (0<k<1) Expansin vertical (k71) o contraccin (0<k<1)
Ejemplo contraccin
Una contraccin es una transformacin que decrece distancias. Bajo una contraccin, cualquier par de puntos es enviado a otro par a distancia estrictamente menor que la original.
Sea V= (2 4) encontrara la contraccin horizontal cuando K=1/2 Haciendo la grafica el punto disminuye en el eje horizontal.
Rotacin por un ngulo
Sea averiguar vector
un ngulo medido en radianes. Queremos cual es la transformacin T de R2 en R2 que gira cada un angulo , para obtener un vector
En una grfica, vemos la situacin como sigue:
Si
usamos
las
funciones
trigonomtricas,
tenemos
que:
Distribuyendo
usando
el
hecho
de
que que:
tenemos
Por
lo
tanto,
ya
descubrimos
cmo
debe tal
estar
definida
la
transformacin que
Esta transformacin se llama la rotacin por un ngulo
y es lineal, ya que:

Algebra Linela

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Algebra Linela

Transféré par

Droits d'auteur :

Formats disponibles

INSTITUTO TECNOLOGICO DEL ISTMO 1

DEFINICIN DE NMERO COMPLEJO

1.2 OPERACIONES FUNDAMENTALES CON NMEROS COMPLEJOS.

Las leyes conmutativas. z1 + z2= z2 + z1, z1z2 = z2z1

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 2

y las asociativas (z1 + z2) + z3 = z1 + (z2 + z3), (z1z2)z3 = z1(z2z3)

z1 = (x1, y1) y z2 = (x2, y2),

z(z1 + z2) = zz1 + zz2,

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 3

1.3 POTENCIAS DE "I", MODULO O VALOR ABSOLUTO.

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 4

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 5

1.4 FORMA POLAR Y EXPONENCIAL DE UN NMERO COMPLEJO.

1.5 TEOREMA DE DE MOIVRE, POTENCIAS Y EXTRACCIN DE RACES DE UN NMERO COMPLEJOS.

INSTITUTO TECNOLOGICO DEL ISTMO 6

Cuando se expresa en la forma: (cos + i sen )n = cos n + i sen n

1.6 ECUACIONES POLINOMICAS.

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 7

UNIDAD 2.- MATRICES Y DETERMINANTES.

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 8

2.1.- DEFINICIN DE MATRIZ, NOTACIN Y ORDEN.

donde sus filas son (1, -3, 4) y (0, 5, -2) y sus

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 9

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 10

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 11

Ejemplo: Consideremos las siguientes matrices:

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 12

2.2.- OPERACIONES CON MATRICES.

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 13

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 14

2.3.- CLASIFICACIN DE LAS MATRICES.

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 15

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 16

ING. MEDINA ALEGRIA LEONEL ADELFO.

RUIZ CAAS ROBERTO CARLOS

INSTITUTO TECNOLOGICO DEL ISTMO 17