INDICE

Capítulo 1: SISTEMA de ECUACIONES LINEALES: SEL ................................................ 1

Tipos de SEL según sus elementos.................................................................. 2

Clasificación de ecuación lineal...................................................................... 2

Tipos de soluciones de un sistema de ecuaciones ........................................ 4

Métodos de resolución de los SEL ................................................................. 4

Capítulo 2: Transformaciones lineales ....................................................................... 5

Introducción de Transformaciones lineales .................................................. 5

Ejercicios Transformaciones lineales .............................................................. 5

Capítulo 3 Vector propio y valor propio.................................................................... 9

Introducción de vector propio y valor propio ............................................ 9

Ecuación del valor propio ................................................................................ 9

Propiedades básicas ...................................................................................... 10

Diagonalizacion ............................................................................................. 11

Diagonalizacion de matrices simétricas ....................................................... 11

Sistema de Ecuaciones Lineales (SEL)

Un sistema de m ecuaciones lineales con n incógnita (SEL) y coeficientes en un

cuerpo K (como los reales o los complejos) es:

Donde:

A los elementos a i, j se les denomina coeficientes del SEL y a los b i términos

independientes.

Un ejemplo de un SEL de dos ecuaciones y dos incógnitas es:

El sistema de la definición lo podemos expresar matricialmente como:

Donde:

Llamamos matriz de coeficientes a la matriz A, matriz de términos independientes a

by matriz incógnita a X.

Definimos la matriz ampliada (o completa) del sistema como la matriz compuesta por la
matriz A a la izquierda y la b a la derecha, es decir:
Veamos un ejemplo:

Tipos de SEL según sus elementos

Los SEL

Los clasificamos según su

 Dimensión:
o Dimensión cuadrada: si m = n (tiene el mismo número de ecuaciones que de
incógnitas). La matriz de coeficientes es cuadrada de dimensión m.
o Dimensión rectangular: si m ≠ n (no tiene el mismo número de ecuaciones
que de incógnitas).La matriz de coeficientes es rectangular (dimensión m x
n).

 Matriz de términos independientes:

o Sistema homogéneo (SELH): los términos independientes son 0, es decir, bes
la matriz columna de ceros.
o Sistema completo (SELC) o no homogéneo: los términos independientes no
son todos 0, es decir, b no es la matriz columna de ceros.
  Forma:
o Triangular superior: la matriz de coeficientes, A, es triangular superior.
o Triangular inferior: la matriz de coeficientes, A, es triangular inferior.

Soluciones de un SEL:

Dado un SEL

Llamamos solución a cualquier vector:

Que al ser sustituido en el sistema, lo cumple. Es decir, los valores de las incógnitas para los
cuales se verifican todas las ecuaciones del SEL.

Importante

Si un vector X es solución del SEL

También es solución del SEL que se obtiene al realizar operaciones elementales fila a la
matriz ampliada del SEL inicial, A*. Este hecho será la clave para obtener los métodos de
resolución de un SEL.
Tipos de soluciones de un sistema de ecuaciones

Distinguimos tres tipos de sistemas según el conjunto de soluciones que tiene:

 Sistema incompatible (SI): el sistema no tiene solución. No existen valores para las
incógnitas de modo que se verifiquen todas y cada una de las ecuaciones que
conforman el SEL.
 Sistema compatible (SC): existe al menos una solución que verifica todas las
ecuaciones del SEL. Pero distinguimos dos casos:
o Sistema compatible determinado (SCD): existe una solución y es única, es
decir, sólo hay una.

En el caso de los SEL homogéneos, la única solución es la trivial (todas las

incógnitas valen 0). Esto se debe a que la solución trivial siempre es solución
del SEL homogéneo. De este modo, un SEL homogéneo nunca será
incompatible.

o Sistema compatible indeterminado (SCI): existe más de una solución. En este

caso, existen infinitas soluciones (ya que el conjunto de soluciones de un SEL
es un espacio vectorial). Alguna variable (o todas) dependerán de un (o más)
parámetros.

Métodos de resolución de los SEL

Destacamos 3 métodos para la resolución de sistemas de ecuaciones lineales, que explicamos

más adelante:

 Eliminación de Gauss: consiste en realizar operaciones elementales fila a la matriz

ampliada del SEL hasta obtener su forma escalonada reducida. Ejercicios de
Eliminación de Gauss
 Matriz inversa: consiste en multiplicar el sistema, si es compatible determinado, por
la matriz inversa de la matriz de coeficientes.
 Regla de Cramer: obtenemos las incógnitas, en el caso de SEL compatible
determinado, aplicando una sencilla regla que usa determinantes. Ejercicios de la
Regla de Cramer
Transformaciones lineales

En primer lugar, una transformación lineal es una función. Por ser función, tiene
su dominio y su codominio, con la particularidad de que éstos son espacios vectoriales.
Tenemos dos espacios vectoriales VV y WW, y una función que va de VV a WW. O sea una
regla de asignación que transforma vectores de VV en vectores de WW. Pero no toda
función que transforme vectores de VV en vectores de WW es una transformación lineal.
Debe cumplir ciertas condiciones:

F: V→WF:V→W es una transformación lineal si y sólo si:

1. F(u+v)=F(u)+F(v) ∀u,v∈VF(u+v)=F(u)+F(v) ∀u,v∈V

2. F(k.v)=k.F(v) ∀v∈V, ∀k∈R

Propiedades de una transformación lineal

Propiedad 1:

La imagen del vector nulo del dominio 0V0V es el vector nulo del codominio 0w0w:

T (0V)=0w

Demostración:

T (0V)=T (0.v)=0.T (v)=0.w=0W

Donde hemos expresado a 0V0V como el producto del escalar 00 por cualquier vector del
espacio vectorial VV, hemos usado la segunda condición que debe cumplir una
transformación lineal, y finalmente hemos vuelto a usar la propiedad de espacios vectoriales
sobre el producto del escalar 0 por cualquier vector.

Propiedad 2:

La imagen del vector –v–v es igual al opuesto de la imagen de vv:

T (–v)=–T (v)

Demostración:

T (–v)=T (–1.v)=–1.T (v)=–T (v)

La justificación de los pasos dados en la demostración es similar a la anterior.

Propiedad 3:

Consideremos rr vectores del espacio vectorial VV:

v1, v2,…, vr∈V

Tomemos una combinación lineal en el dominio:

α1v1+α2v2+α3v3+...+αrvr

Donde αi∈Rαi∈R.

Si aplicamos la transformación lineal FF de VV a WW, teniendo en cuenta las propiedades

enunciadas en la definición, resulta:

F (α1v1+α2v2+α3v3+...+αrvr)=α1F (v1)+α2F (v2)+…+αrF (vr)

Es decir que una transformación lineal “transporta” combinaciones lineales de VV a WW,

conservando los escalares de la combinación lineal.

Ejemplo 1:

Analizar si la siguiente función es una transformación lineal:

Resolución

Controlemos primero que el transformado del 0V0V sea el 0W0W. Ésta es una condición
necesaria: si no se cumpliera, no sería transformación lineal. Como T ((0, 0,0))= (0,0) T ((0,
0,0))= (0,0), la función dada es “candidata” a ser transformación lineal. Para demostrar que
es una transformación lineal tenemos que comprobar las condiciones dadas en la definición.

Condición 1: T (u+v)=T (u)+T (v) ∀u, v∈V

Tomemos dos vectores de R3

u= (u1, u2, u3) u= (u1, u2, u3)

v= (v1, v2, v3)

Veamos si:

T (u+v)=T (u)+T (v)

Primero hacemos la suma de uu y vv:

Y ahora aplicamos TT:

T (u+v)= (u1+v1+u3+v3, u2+v2–2u3–2v3)

T (u+v)=T (u)+T (v)

En conclusión: se cumple la primera de las condiciones.

Nos faltaría la otra propiedad.

Condición 2: T (k.v)=k.T (v) ∀v∈V, ∀k∈R

T (k.v)=T ((kv1, kv2, kv3))= (kv1+kv3, kv2–2kv3)

=k. (v1+v3, v2–2v3)=k.T (v)

Como TT cumple las dos condiciones, es una transformación lineal.

Ejemplo 1:

Sea TT la siguiente transformación lineal:

T: R2→R3|T ((x, y))=(x+2y, x–y, y)

¿Existirá una matriz AA que multiplicada por (x, y) (x, y) dé por resultado (x+2y, x–y, y)
(x+2y, x–y, y)?

Para esto vamos a escribir los vectores como columna:

¿Cuál debería ser el tamaño de la matriz?

Efectuando el producto de matrices, podemos obtener los coeficientes de AA:

Encontramos una matriz que realiza la transformación lineal. Se conoce como la matriz
estándar de la transformación lineal.Notemos que la transformación va de R2R2 a R3R3, y
que el orden de la matriz es 3×23×2.
Vector propio y valor propio

Formalmente, se definen los vectores propios y valores propios de la siguiente manera:

Sea A: V → V un operador lineal en un cierto k -espacio vectorial V y v un vector no nulo
en V. Si existe un escalar c tal que:

Entonces decimos que v es un vector propio del operador A, y su valor propio asociado es c.
Observe que si v es un vector propio con el valor propio c entonces cualquier múltiplo
diferente de cero de v es también un vector propio con el valor propio c. De hecho, todos los
vectores propios con el valor propio asociado c junto con 0, forman un subespacio de V,
el espacio propio para el valor propio c. Observe además que un espacio propio Z es
un subespacio invariante de A, es decir dado w un vector en Z, el vector Aw también
pertenece a Z

Ecuación del valor propio

Matemáticamente, vλ es un vector propio y λ el valor propio correspondiente de una

transformación T si verifica la ecuación:

Donde T (vλ) es el vector obtenido al aplicar la transformación T a vλ.

Supóngase que T es una transformación lineal (lo que significa

que para todos los escalares a, b, y los vectores v, w).

Considérese una base en ese espacio vectorial. Entonces, T y vλ pueden representarse en
relación a esa base mediante una matriz AT y un vector columna vλ—un vector vertical
unidimensional. La ecuación de valor propio en esta representación matricial se representa
de la siguiente forma: