Dossier Algebra Lineal

Dr. Ing.
Nicolás Salvador - ALGEBRA LINEAL
I. INTRODUCCIÓN.
En el campo de la educación la sociedad actual tiende a la Sociedad del

Conocimiento.
El hecho de aprender a administrar y controlar el proceso de aprendizaje en la

transición hacia esa Sociedad del Conocimiento es un reto constante y
dinámico. En éste sentido aquellas organizaciones dedicadas a la Educación
deben revisar y analizar sus procesos educativos, adaptando currículos a las
necesidades del momento, a los nuevos retos y situaciones.
Educar es un modo de cooperar entre educadores y educandos para que

transformen sus vidas, en un proceso permanente de aprendizaje; educar es
ayudar a que los alumnos construyan su propia identidad, su futuro, a que
llenen sus aspiraciones en un plano personal y profesional; educar es también
el desarrollo de sus habilidades de comprensión y comunicación que permitan
a que los alumnos lleguen a ser ciudadanos realizados. Entonces la acción de
educar mejor, se reflejará en una reacción, que ofrecerá la posibilidad de tener
menor corrupción, menor delincuencia, menor atraso, es decir, desarrollar una
sociedad más competitiva, un país positivo en su avance hacia una sociedad
libre.
Cooperar personalmente a la realización de éste plan, es la política educativa

que como docente, se desea llevar a cabo en la U.S.B.
Es evidente que un grano de arena puede ser muy poco en la playa de la

indiferencia y el estatismo, pero la gota de agua horada la roca y juntos todos
los docentes podemos cumplir la meta.
1
Dr. Ing. Nicolás Salvador - ALGEBRA LINEAL
1. PRESENTACIÓN
BASES PEDAGÓGICAS DEL PRESENTE DOSSIER.
El modelo contempla 3 bases primarias:
a. Así como a su tiempo tanto la escritura, como la imprenta al constituirse en

grandes revoluciones técnicas, transformaron a la educación, actualmente
la autística virtual con una estructura muy distinta a la de los entornos reales
o naturales, donde tradicionalmente se ha desarrollado la educación,
conduce inexorablemente a la “Sociedad del Conocimiento”.
El espacio virtual (“Aula sin paredes”) siendo en su naturaleza:

representacional, distal, multicrónico, dependiente no de recintos espaciales,
sino de redes electrónicas, como entorno de multimedia, no se constituye
sólo en un nuevo medio de información y comunicación, sino más aun, en el
espacio para la interacción, en este sentido como un nuevo camino para la
educación, como un aula sin paredes.
Actualmente no basta con enseñar a leer, escribir, contar y a comportarse,

dentro de los espacios naturales y urbanos en los que tradicionalmente se
ha desarrollado la vida social; a esto al presente es preciso implementar la
escuela digital y virtual, requiriendo la sociedad de la información, un nuevo
tipo de alfabetización, esto involucra la necesidad de adquirir nuevas
habilidades y destrezas, para intervenir competitivamente en el espacio
cibernético.
En este sentido nuestra condición de “Analfabetos Funcionales” en el nuevo

espacio social nos impele a buscar conocimientos en estos caminos
virtuales, es decir aplicar SISTEMAS INFORMÁTICOS como sendas nuevas
para la educación.
b. Llevar a cabo el proceso anteriormente indicado y orientarlo en su

aplicación a grupos de APRENDIZAJE COOPERATIVO, precisamente
1
basados en la interacción entre pares y entre estos y el conductor. En

nuestro caso entre alumnos y entre alumnos y el docente, es un segundo
componente de éste modelo.
c. Y si a éstos dos predicamentos se añaden los valores del ESPÍRITU

SALESIANO, nacidos del sistema preventivo de Don Bosco donde la opción
prioritaria esta dedicada a los jóvenes y sobre todo a los provenientes de
clases populares, acomodando en la educación virtual los preceptos que
indican: Una estrecha relación entre cultura, educación y una experiencia
comunitaria con espíritu de familia, de los profesores con y para los
alumnos, demostrando un estilo educativo basado en la: “Amorevoleza”,
entonces se habrá tratado de implementar una nueva forma de enseñanza y
aprendizaje acorde a los tiempos.
Esta es nuestra proposición pedagógica, conjuncionar los tres criterios

mencionados: Métodos Informáticos, Aprendizaje Cooperativo y Estilo
Salesiano, aplicado a un área específica de Ingeniería de Sistemas, es decir
a una asignatura particular de la malla curricular como es la “Inferencia
Probabilística” con el objeto de programar un plan que pueda ser aplicable
en la práctica en la Universidad Salesiana.
2. OBJETIVO
Siendo un Dossier una Memoria Pedagógica que en general contiene los

lineamientos primordiales para la ejecución de un programa de estudios, un
primer objetivo fundamental del presente Dossier conjunto, es servir de guía al
alumno en la consecución de su programa de estudios en la asignatura de
Inferencia Probabilística mediante su consulta, el estudiante, podrá hacer un
seguimiento de los temas comprendidos en el plan de estudios para su propio
control. Además este Dossier puede servir como medio de orientación ya que
al conocer de antemano un tema determinado podrá por consulta en Internet,
profundizar el mismo ya sea por su importancia o por la necesidad de ampliar
la base temática o la ejecución de prácticas, ejercicios o problemas.
1
Luego un tercer objetivo del Dossier, consiste en oficiar de programador de

actividades en base a la descripción de temas mediante la cual el alumno
podrá programar sus clases de antemano en relación a exámenes parciales o
finales combinando el Dossier con los Planes de Disciplina respectivos.
1
TEMA 1:
Matrices
1.1. Definición:
A una matriz la definimos como un conjunto ordenado de objetos dispuestos en
filas o columnas y cerrados entre corchetes o paréntesis.
P K
C O
F M P C F L W M
L R K O M R O O
W O
M O
1.2. Orden de una matriz:
El orden de una matriz es el producto indicado, número de filas x y el número
de columnas de una matriz dada.
1.3.Elementos de una matriz:

Los Elementos de una matriz son números distribuidos en filas y columnas.
1.4.Notación:
Una Matriz usualmente se denota por letras mayúsculas y a sus elementos con
letras minúsculas.
A= 4 5 Y= a1 a2
6 2 b1 b2
En general una matriz tiene la siguiente forma:
A= [aij] nxm
Donde aij son elementos nxm orden
A= [aij] 3x2
A= a11 a12
a21 a22
a31 a32
Observación: Una matriz no tiene valor numérico es simplemente una manera
de representar arreglos de números.
1.5. Matriz Fila:
A las matrices de orden 1xn se los denomina matriz fila o también vector fila y
su forma general es:
A= [a11, a12,…, a1n]
1.6. Matriz columna:
Son las matrices de orden nx1, también se llama vector columna.
1
A= a11
a21
…
an1
1.7. Igualdad de matrices:
Dos matrices A y B son iguales si sus correspondientes elementos también son
iguales, o sea:
A=B <-> aij=bij
Ejemplo:
A= a11 a12
a21 a22
A=B <-> a11=b11 ^ a12=b12 ^ a21=b21 ^ a22=b22
B= b11 b12
b21 b22
1.8. Algebra matricial:
1.8.1. Multiplicación de un escalar por una matriz:
De una matriz A de orden mxn por un escalar λ entonces es igual a otra matriz
donde cada elemento de una matriz es multiplicado por la constante.
Ejemplo:
A= 6 4 2 λ=2
3 6 1
2* 2* 2* 1
λ*A = = 8 4
6 4 2 2
2* 2* 2*
6 12 2
3 6 1
1.8.2. Propiedades de la multiplicación escalar por una matriz:

1. (λ1* λ2)*A= λ1*( λ2*A)
2. λ1*(A+B)= λ1*A+ λ1*B
3. (λ1+ λ2)*A= λ1*A+ λ2*A
4. 1*A=A
5. 0*A=0
λ1=л=90º λ2=√10000 / Log1010
B
A= 6 4/2 √49 – 5/√√1 6
=
25/
1 Log1010 12
5
1.8.3. Suma de matrices: La suma de matrices A y B es otra matriz C donde
cada elemento de C es la suma de los correspondientes elementos de
B, A
Ejemplo: Calcular la suma de A+B.
A= 4 5 3
2 1 0
3 -1 6 6 11 4
A+B 6 1 7
1
B= 2 6 1 8 2 14
4 0 7
5 3 8
Observación: La suma de matrices es posible solamente cuando las matrices
tienen el mismo número de filas x columnas, si se pueden sumar se llaman
conformables.
1.8.4. Propiedades de la suma de matrices:
1. A+B = B+A “Conmutativo”.
2. A+ (B+C) = (A+B)+C “Asociativo”.
3. (A+B)=A+B “Distributivo”.
4. A+0=A “Adjunta”.
1.8.5. Resta de matrices: Considerando dos matrices del mismo orden
entonces la diferencia de matrices A y B se define por:
A-B=A+ [(-1)*B]
A= 1 3 7
2 4 5
4 6 8 -6 -2 8
A-B -2 10 -4
B= 7 5 -1 2 3 0
4 -6 9
2 3 8
1.8.6. Producto de matrices: Si consideramos una matriz: A=[aij]m*n y B=[bij]n*r
el producto de A, B es otra matriz C=[cij]n*r.
El producto AxB es definido solo cuando el número de columnas A es
igual al número de filas de B.
Ejemplo:
1 2 3 2 0
A= 4 5 6 B= 1 2 1º Definir comparando orden
3x 3x 3x3 X 3x2
0 1 0 0 1
3 2
AxB =3*3 3*2 Si

BxA =3*2 3*3 No
1 2 3 12 3 2 12 3 0
A= 4 5 6 1 2
0 1 0 0 1
X = 45 6 2 45 6 0
1 2
2 0 0 1
B= 1 2
0 1 01 0 2 01 0 0
1 2
0 1
2+2+
0+4+3 4 7
0
8+5+ 0+10+ 1
= = 16
0 6 3
1
0+1+
0+2+0 1 2
0
1.8.7. Propiedades de producto de matrices:
1. A*B=B*A
2. (A*B)*C=A*(B*C)
3. A*(B*C)=A*B+A*C ; (B+C)A=B*A+C*A
4. K*(A*B)
5. A*B=0, no implica que A=0 o B=0
6. A*B=A*C, no implica que B=C
Todas las propiedades se cumplen si los productos están definidos.
1.8.8. Tipo de matrices
1.8.8.1. Matriz Cuadrada: Es aquella que tiene igual número de filas e igual
número de columnas la diagonal principal es la línea formada por los
elementos a11, a22, a33, a44,…, ann.
A= a11 a12 a13
a21 a22 a23
a31 a32 a33
La suma de los elementos de la diagonal principal se llama: “Traza”
T(A)= a11+a12+a13
A las matrices cuadradas geométricamente se los designa con la
letra: “M”
M2=2x2
M3=2x2
.
.
.
Mn=nxn
1.8.8.2. Matriz nula: Una matriz que tiene todos sus elementos ceros se
llama nula.
O= 0 0 0
0 0 0
0 0 0
1.8.8.3. Matriz triangular superior: Es una matriz cuadrada cuyos
elementos aij=0 para i>j ósea:
Ejemplo:
MTS= 1 3 6
0 4 3
0 0 5
1.8.8.4. Matriz triangular inferior: Es una matriz cuadrada cuyos elementos

aij=0 para i<j ósea:
Ejemplo:
MTI= 1 0 0
2 5 0
4 -1 6
1.8.8.5. Matriz diagonal: Es triangular superior e inferior al mismo tiempo se
llama diagonal aij=0 donde i<>j
Ejemplo:
D= 4 0 0
1
0 5 0
0 0 7
Y se representa con la letra D= Diagonal(a11, a22,…,ann)
1.8.8.6. Matriz escalar: Es una matriz diagonal en la que se verifica
a11=a22=…=ann.
Ejemplo:
E= 7 0 0
0 7 0
0 0 7
1.8.8.7. Matriz unitaria: Es toda matriz diagonal en la que se verifica que
a11=a22=…=ann=1.
Ejemplo:
U=1 0 0
0 1 0
0 0 1
1.8.8.8. Matriz transpuesta: La transpuesta de una matriz A es otra matriz
formada intercambiando las filas y las columnas de la matriz A de tal
manera que una fila determinada se convierte en una columna.
Ejemplo:
2 4 2 2 1 3
A= 1 5 1 => At= 4 5 -2
3 -2 0 2 1 0
Propiedades:
1. It=I
2. (At)t=A
3. (k*A)t=k*At
4. (A+B)t=At+Bt
5. (A*B)t=Bt*At
1.8.8.9. Matriz simétrica: Una matriz cuadrada se dice que es simétrica si:
A=At
Ejemplo:
1 0 1 1 0 1
A= 0 2 4 => At= 0 2 4
1 4 3 1 4 3
Para que una matriz sea simétrica se puede cumplir que:
Aij=aij para i<>j
1.8.8.10. Matriz antisimétrica: Una matriz cuadrada se dice que es
antisimétrica si:
A=-At
A= 0 -1 = At= 0 1
>
1 0 - 0
1
=> 0 -1 = -A
1 0
1.8.8.11. Matriz inversa: Se llama inversa si:
1
A*B=B*A=I B=A-1
Ejemplo:
1 0 0 1 0
0 1 0 = I= 0 1
0 0 1
Hallar la inversa de:
A= 2 -3 Sea A-1= a b
5 -4 c d
= 2 -3 * a b = 1 0
5 -4 c d 0 1
2a-3c 2b-3d = 1 0
5a-4c 5b-4d 0 1
La solución de esta igualdad se obtiene comparando elementos entre
si.
2a-3c=1 2b-3d=0 por igualdad
5a-4c=0 5b-4d=1 de matrices
Resolviendo el sistema:
a=-4/7; b=3/7; c=-5/3; d=2/7
A-1= - 3/7
4/7
5/3 2/7
Este método para hallar la matriz inversa esta basado en la igualdad
de matrices considerando que el producto A-B es igual a la matriz
identidad.
Propiedades:
1. La matriz (I-1)=A
2. (A*B)-1=B-1*A-1 siempre que la operación sea posible
3. (At)-1=(A-1)t
1.8.8.12. Potencia de una matriz: Una matriz cuadrada de nxn puede
definirse en sus potencias del siguiente modo:
Aº=1; A1=A; A2=A*A; A3=A*A*A; Ap*Ar=Ap+r
1.8.8.13. Matriz ortogonal: Una matriz cuadrada A se llama ortogonal si:
A*At=At*A=I
Ejemplo:
Cos α -Sen α 0
A= Sen α Cos α 0
0 0 1
Es la matriz ortogonal?
Cos α Sen α 0
-Sen
At = Cos α 0
α
0 0 1
Cos2 α+Sen2 α 0 0
=> 0 Sen2 α+ Cos2 α 0
1
0 0 1
1 0 0
=
=> 0 1 0
I
0 0 1
1.8.8.14. Matriz periódica: Dada la matriz cuadrada A si para número entero
positivo P ocurre que:
Ap+1=A
Se dice que A es una matriz de periodo P, dentro de estas matrices
las más importantes son las siguientes:
1.8.8.14.1. Matriz idempotente: Sucede cuando P=1
A1+1=A2=A
Ejemplo:
-
2 4
1
A= 1 -2 -4
-
2 1
1
- - -
2 4 2 4 2 4
1 1 1
=
A2= 1 -2 -4 * 1 -2 -4 A= 1 -2 -4
>
- - -
2 4 2 4 2 4
1 1 1
1.8.8.14.2. Matriz nillpotente: Una matriz A para la cual:
Ap=0
Siendo un número entero y positivo se llama Nillpotente de índice
P.
Ejemplo:
1 -3 -4
-
A= 3 4
1
1 -3 4
Donde P=2
1 -3 -4 1 -3 -4 0 0 0
- - =
A2= 3 4 * 3 4 0 0 0
1 1 >
1 -3 4 1 -3 4 0 0 0
1.8.8.15. Matriz involutiva: Una matriz A tal que:
A2=I
Ejemplo:
- -
-6 2 -6 2 1 0 0
3 3
=
A2= 2 4 -1 * 2 4 -1 0 1 0
>
2 3 0 2 3 0 0 0 1
1.8.8.16. Matriz Hermitiana: Una matriz cuadrada compleja A se denomina
hermitiana si es igual a la transpuesta de su conjugada, previamente
1
indicamos que una matriz compleja es aquella que tiene como

elementos a los números complejos.
Ejemplo:
1 3+i i
3-
A= 3 1-i
i
i 1+i 2
La conjugada de esta matriz es:
1 3+i -i
3+
Ā= 3 1+i
i
-i 1-i 2
1 3+i i
3-
(Ā)t= 3 1+i
i
-i 1+i 2
TEMA 2:
Determinantes
<Basada en la teoría de las permutaciones>

2.1. Definición: Sea la matriz cuadrada A=[aij]n de orden “n” donde llamaremos
determinante de la matriz A, al número real que esta relacionado con los
elementos aij de la matriz su notación se escribe como:
|A|=det(A)
Cuya definición por estructuras algebraicas es como sigue:
Det: Rn*n ->R
La determinante es una función de Rn*n en R
2.2. Determinante de la matriz de 2doorden: El determinante de la matriz A
es un número real.
A= a11 a12
2x
a21 a22 2
Cuyo cálculo esta definido de la siguiente manera.
Det(A)=|A| a1 = a11* a22- a12*
a12
= 1 a21
a2
a22
1
Ejemplo:
A= 2 4 =10-12
=-2->|
3 5
A|
1
2.3. Utilización de la determinante de 2doorden para hallar la matriz

inversa:
A->A-1
La matriz A tiene inversa si y solo si el determinante de A es <>0
A-1= 1 a22 -a12
| -
A11
A| a21
Ejemplo:
-
A= 1 3 |A|= 4-6=-2
>
2 4
= - 3/2
A-1= - 1 4 -3
> 2
- 1 -1/2
2 1
2
2.4. Determinante de una matriz de 3erorden:
Previamente es preciso determinar:
1.4.1. Menor complementario: El menor complementario de una matriz de
tercer orden es el determinante de la matriz cuadrada de 2 doorden
que se obtiene después de eliminar una fila i, una columna j.
a11 a12 a13
A= a21 a22 a23
a31 a32 a33
=
M11= a22 a23 Menor complementario de a11
>
a32 a33
=
>
a31 a33
=
>
a31 a32
1.4.2. Cofactor de un elemento de una matriz: El cofactor de una
componente de un elemento aij denotado por:
Aij=(-1)i+j Mij
Ejemplo: Considerando la matriz inicial el cofactor de a 11.
A= a11 a12 a13
a21 a22 a23
a31 a32 a33
1+1
a11=(-1) M11=+M11
a12=(-1)1+2 M12=-M12 ->
a13=(-1)1+3 M13=+M13
1.4.2.1. Cálculo de determinantes de 3er orden:

Ejemplo: Por cofactores.
A= 2 4 5
-3 2 -1
1 1 2
1
Tomando la primera fila

det(A)=|A|=2 2 -1 -4 -3 -1 +5 -3 2
1 2 1 2 1 1
=2(4+1)-4(-6+1)+5(-3-2)
=10+20-25 -> |A|=5
1.4.2.2. Por producto cruzado: Otra forma de cálculo
2 4 5 2 4 5
- -
|A|= 2 -1 - 2 -1
3 3
1 1 2 1 1 2
|A|=[2*2*2+1*4*(-1)+(-3)*1*5]-[1*2*5+(-3)*4*2+1*(-1)*2]
|A|=(8+(-4)-15)-(10-24-2)
|A|=16-11
|A|=5
1.4.2.3. Método de sarruz: Por artificios mnemónicos.
Ejemplos:
2 4 5 2 4
- =(8-4-15)-(10-2-
|A|= 2 -1 -3 2
3 24)
1 1 2 1 1 =-11+16
=5
1.4.3. Propiedades de las determinantes:
1. Si se intercambian las filas por columnas el valor del determinante no
se altera. Es decir:
a a
b1 c1 b2 c3
1 1
La
a a
b2 c2 = b2 c3 determinante
2 1
no vacia
a a
b3 c3 b2 c3
3 1
det A = det B
2. Si todos los elementos de una fila o columna son ceros el
determinante vale cero.
a1 0 c1 7 2 3
A= a2 0 c2 =>|A|=0 B= 4 1 6 =>|B|=0
a3 0 c3 0 0 0
3. Si se intercambian dos filas o columnas continuas en una matriz el
valor de su determinante cambia de signo.
a b
a2 a3 b2 b3
1 1
b a
|A|= b2 b3 = -|A|= a2 a3
1 1
c1 c2 c3 c1 c2 c3
1 0 0 0 -5 0
|A|= 0 -4 -17 = -|A|= 0 -4 -17
0 -5 0 1 0 0
4. Si un determinante tiene 2 filas o dos columnas iguales o
proporcionales su valor es cero.
a k*a1 c1 3 2 5 3 2 5
1
1
|A|= a = |B| = |C| 2 3 =
k*a2 c2 4 2 3 4
2 0 = 2 = 0
a 2 3
k*a3 c3 8 4 6 4
3
5. Si todos los elementos de una fila o columna de un determinante se
multiplica por un k constante el valor de dicho determinante queda
multiplicado por k.
k*a a
b1 c1 b1 c1
1 1
k*a a
|A|= b2 c2 = k*|A|=k b2 c2
2 2
k*a a
b3 c3 b3 c3
3 3
2 4 6 2 2 6
=======
|A|= 3 2 5 |B| 3 1 5
=
6 8 -1 6 4 -1
|B|=1 |A|= |A| = 2*|B|
2========-
Obteniendo el determinante B multiplicándolo la 2da columna de A por
½ obtenemos B.
6. Si todos los elementos de una fila o columna son expresados como la
suma de 2 o más números del determinante final puede expresarse
como la suma de 2 o más determinantes.
a1+ a
b1 c1 b1 c1 x b1 c1
x 1
a2+ = a +
b2 c2 b2 c2 y b2 c2
y 2
a3+ a
b3 c3 b3 c3 z b3 c3
z 3
7. Si a cada uno de los elementos de una fila o columna se le multiplica
por m y se le suma a otra fila o columna del determinante, este no se
altera (iteración).
a
b1 c1 a1+mb1 b1 c1
1
a =
b2 c2 a2+mb2 b2 c2
2
a
b3 c3 a3+mb3 b3 c3
3
Esta propiedad sirve para reducir el orden de un determinante y
hallar su valor.
8. |In|=I.
9. |At|=|A|.
10. |A*B|=|A|*|B|.
11. |A-1|=1/|A|.
12. |Am|=|A|m
1.4.4. Método del pivote: Aplicación de iteraciones, este método sirve para
calcular el determinante de orden superior al tercero, el método consiste
1
en obtener otro determinante a partir del determinante de n aplicando

repetidas veces la propiedad número 7 enunciada arriba, cuya
característica es que los elementos de alguna fila o columna serán ceros
o unos es decir:
|A|=(-1)i+j aij Mij
Donde Mij es el menor complementario de aij y a aij se denomina PIVOTE
Ejemplo:
0 1 0 0 Mediante métodos o procesos de iteración
|A|= -9 2 -9 0 hacemos que la matriz A tenga una fila (1ra)
-6 1 0 3 cuyos elementos son cero a excepción del
- primer elemento de la 2da columna que
4 -15 -2
15 teniendo el valor de uno, nos sirva de
Pivote PIVOTE
-9 -9 0 -9 0 0
=
=(-1)1+2 -6 0 3 -6 6 3
-
- -
-15 -2 0 -2
15 15
6 3
|A|=-(-1)1+1(-9) 0 -2
|A|=9(-12-0)=108
1.4.2.4. Halla la inversa mediante cofactores y matriz adjunta:
Consideremos la matriz A donde sustituimos cada método por su
cofactor y obtenemos la matriz de cofactores.
a11 a12 a13 A11 A12 A13
A= a21 a22 a23 CA= A21 A22 A23
a31 a32 a33 A31 A32 A33
De esta matiz de cofactores determinamos su matriz adjunta
A=adj det A=(CA)t
A11 A12 A13
Adj(A)= A21 A22 A23
A31 A32 A33
Si el determinante de A es distinto de cero entonces a la inversa de la matriz A
la definimos del siguiente modo:
A-1= 1 adj A
|A|.
...........= 1 adj (CA)t
|A|.
Ejemplo:
1 3 5
A-
A= 3 5 1 1
=?
5 3 1
14 -4 -22
Previamente se calcula
CA= -4 -22 14
por
-
14 -4 cofactores la matriz CA
22
14 -4 -22 |A|
1
A-1=- 1. -4 -22 14
- =54
…….|A| 14 -4
22
- 7 - 2 - 11
54 54 54
2 11 - 7
A-1=
54 54 54
11 - 7 2
54 54 54
TEMA 3:
Sistema de ecuaciones lineales
3.1. Introducción: Una recta en el plano (x,y) se puede representar
algebraicamente por una ecuación de la forma:
a1x+a2y=b
Una ecuación de este tipo se llama ecuación lineal en las variables (x,y),
en forma general una ecuación lineal con n variables se expresa:
a1x1+ a2x2+… +anxn+=b
Donde a1, a2, an, b, son constantes reales, los siguientes ejemplos nos dan
la idea de ecuaciones lineales.
x+3y=7
x1-2x2-3x3+x4=7
x1+x2+x3=1
y=1/2 x+3z+1
Es necesario tomar en cuenta que una ecuación lineal no comprende
producto de variables (x,y), no comprende raíces de variables, todos se
representan en potencias 1, y no son argumentos de funciones
trigonométricas, logarítmicas o exponenciales.
Ejemplos: (no lineal)
x+3y2=6
y-sen x=0
3x+2y-xz=4
√x +2x2+x3=1
3.2. Conjunto solución: En una ecuación lineal a1x1+ a2x2+… +anxn+=b se
observa que una serie de variables x1,x2,…,xn tienen también una sucesión
de soluciones s1,s2,…,sn que corresponden a las variables en cuestión, por
lo que satisfacen la ecuación, cuando se hace la respectiva sustitución.
Siendo:
x1=s1 x2=s2 … xn=sn
Al conjunto de todas las soluciones de la ecuación se le llama: “Conjunto
Solución”
Ejemplo:
4x-2y=1
Este así llamado “conjunto solución” que presenta colocar a una variable
en función de las demás conduce en una solución parcial general de
solución.
Para encontrar el conjunto solución de una ecuación dada, 1se asignan a
(x,y) valores arbitrarios y 2se despeja una de ellas en nuestro caso
tenemos:
1
1
x=t; y=s Asignación de valores arbitrarios
2
despefando y=2t-(1/2) -> conjunto solución
Por ejemplo si t=3 entonces y=11/2
3.3. Sistema de ecuaciones lineales: Un conjunto finito de ecuaciones
lineales en las variables x1,x2,…,xn se conoce como sistema de
ecuaciones lineales o sistema lineal.
4x1-x2+3x3=-1
Sistema de ecuación
3x1+x2+9x3=-4
lineal o sistema lineal
x1+6x2-6x3=7
x1;x2;x3= variables
No todos los sistemas de ecuación lineal tienen soluciones, por ejemplo.
1. x+y=4
2. 2x+2y=6 -> x+y=3
Cuando un sistema de ecuaciones no tiene solución se llama:
“inconsistente”, si por lo menos existe una solución se llamará:
“consistente”. Para tener una idea de como pueden presentarse las
soluciones de los sistemas de ecuaciones lineales veremos un sistema
general de dos ecuaciones con las incógnitas x, y.
Sea:
a1x+ b1y= c1 L1
a2x+ b2y= c2 L2
Los gráficos de las ecuaciones de las rectas los llamaremos L 1 y L2,
tenemos los siguientes casos:
1. Cuando las rectas L1 y L2 son paralelas sin intersección alguna el
sistema no tiene solución:
(Incompatible)
2. Cuando las rectas se intersectan, es decir si por lo menos tienen un

punto de intersección, entonces hay una solución:
(Compatible determinado)
3. Si L1 y L2 coinciden entre si, el sistema tiene infinidad de soluciones:

(Compatible indeterminada)
1
3.4. Matriz aumentada: Un ejemplo arbitrario d incógnitas puede

representarse mediante una matriz llamada: AUMENTADA de tal manera
que se facilita la resolución para encontrar los valores las variables
Ejemplo:
1
a11x1+a12x2+a13x3+a14x4=b1
a21x1+a22x2+a23x3+a24x4=b2
a31x1+a32x2+a33x3+a34x4=b3
El subíndice doble en los coeficientes de las incógnitas indican que el
primer coeficiente aij define la ecuación en la que se encuentra, y el
segundo coeficiente indica la incógnita a la que multiplica el elemento a ij
Si mentalmente mantenemos la ubicación de los signos, la ubicación de x
y los signos igual, tenemos otra matriz que tendrá la siguiente forma:
a11 a12 a13 a14 b1 Que es la así
a21 a22 a23 a24 b2 llamada
a31 a32 a33 a34 b3 Matriz aumentada
Ejemplo: Sea
x1+x2+2x3=9
2x1+4x2-3x3=1
3x1+6x2-5x3=0
1 1 2 9
2 4 -3 1
3 6 -5 0
3.5. (Iteración) Operaciones elementales en filas y columnas: En la
resolución de sistemas de ecuaciones es muy importante llegar a
matrices equivalentes cuyas formas en general son por ejemplo las
siguientes:
1 0 0 0 1 2 3 4
0 1 0 0 o 0 1 3 2
0 0 1 0 0 0 1 6
0 0 0 1 0 0 0 1
A las cuales se llega mediante las llamadas “Transformaciones
elementales” ya sea de filas o de columnas.
Sea A € kn*n cuyas filas son: f1, f2, …, fn y cuyas columnas son: c1, c2, …, cn.
Se llama transformación elemental fila a tres tipos de operaciones que son
las siguientes:
1. Fij A: Intercambio de dos filas.
2. Fi (λ) A: Multiplicación de la fila Fi de A por un escalar.
3. Fji (λ) A: multiplicación de la fila j de A por un escalar λ<>0 y
aumentado a la fila Fi.
Esta operación se representa por el vector λ fj+fi
Las transformaciones elementales de columnas son análogas a las
operaciones elementales de fila.
Ejemplo: La matriz.
1 1 0 2
A= 3 0 -4 -1
2 5 1 3
Aplicando primero intercambio de la primera y segunda fila tenemos:
3 0 -4 -1
(1) F12= 1 1 0 2
2 5 1 3
1 1 0 2 1 1 0 2
(2) - -2(0) -2(4) -2(-1) = - 0 8 2
1
2(3) 6
2 5 1 3 2 5 1 3
(3) Multiplicamos por 2 la 2da fila y luego sumamos a la 1ra
2(3)+
2(0)+1 2(-4)+0 2(-1)+2 7 1 -8 0
1
3 0 -4 -1 = 3 0 -4 -1
2 5 1 3 2 5 1 3
Dos matrices Ay B se denominan equivalentes si una de ellas se reduce
de la otra mediante una sucesión finita de transformaciones elementales
de línea.
El siguiente ejemplo nos muestra como una matriz de orden m*n mediante
operaciones elementales se transforman en otras.
Ejemplo: La matriz A, reducir a su forma escalonada mediante iteraciones.
2 5 3
A= 1 2 2
3 4 1
2 3 2
A: F12 -> 1 2 2 F12 (2)
-> 1 2 2
2 5 3 = 0 1 -1
3 4 1 3 4 1
2 3 2 2 3 2
F13 (-3)
-> 1 2 2 F14 (-2) -> 1 2 2
0 1 -1 = 0 1 -1
0 -2 -5 0 -2 -5
2 3 2 0 -1 -2
F14 (1)
-> 1 2 2 F13 (2) -> 1 2 2
0 1 -1 = 0 1 -1
0 -2 -5 0 0 -7
0 0 -3 0 0 -3
F3 (1/7)
->
1 2 2 F34 (3) -> 1 2 2
0 1 -1 = 0 1 -1
0 0 1 0 0 1
0 0 -3 0 0 0
3.6. Matriz escalonada: Se dice que una matriz escalonada reducida es la
que cumple las siguientes condiciones:
1. El 1er elemento no “nulo” de cada una de las “r” filas no nulas es la
unidad.
2. Si existen “s” filas cuyos elementos son ceros estas se encuentran en
la parte inferior de la matriz.
3. En cada una de las r filas no nulas el número de ceros que preceden a
la unidad crece aritméticamente de fila en fila.
4. Todas la columnas que contiene el primer elemento <> 0de alguna fila,
tienen ceros en las posiciones restantes.
1
Si una matriz cumple las propiedades 1,2 y 3 se encuentra en la forma

escalonada.
Ejemplos:
Matrices escalonadas reducidas
1 0 0 2 1 0 0 0 1 4 1 2
0 1 0 3 ; 0 1 0 ; 0 0 0 1 5
0 0 1 -2 0 0 1 0 0 0 0 0
1 5 1 2 1 2 0 0 0 -1 3 0
0 1 3 4 ; 0 1 0 ; 0 0 1 2 0
0 0 1 5 0 0 0 0 0 0 0 1
a11 a12 … a1n
A= a21 a22 … a2n
…
m*
am1 am2 … amn n
x1 x1
Matriz de Matriz de
B
X= x2 n- x2 términos
=
incógnitas Independientes
… …
xm m*1 xm m*1
O sea en forma general:
AX=B
Con estas matrices conformamos una representación de un sistema de
ecuaciones donde x es el vector de solución.
3.8. Resolución de sistemas de ecuaciones lineales: Resolver un sistema
de ecuaciones lineales consiste en determinar si el sistema es compatible
o incompatible.
Compatible Incompatible
Determinad
o Indeterminado No admite
Solución Solución no única Solución única

única
3.9. Discriminación de resultados:
Si por una sucesión de soluciones elementales los renglones, la matriz
aumentada correspondiente a un sistema de ecuaciones lineales se
transforma en otra matriz en forma escalonada en los renglones reducida,
entonces podemos efectuar la siguiente discusión de resultados:
Caso1.
1 0 0 5 x1=5
x2=-
0 1 0 -2
2
0 0 1 4 x3=4
Sistema compatible y determinado numero de ecuaciones igual al número
de incógnitas
Caso2.
1 0 0 4 -1 x1+4x4=-1
0 1 0 2 6 x2+2x4=6
1
0 0 1 3 2 x3+3x4=2
Puesto que x1, x2 y x3 son las variables principales (por tener coeficiente 1)
entonces despejamos las mismas en función de x4 y tenemos lo siguiente:
x1=-1-4x4 x1=-1-4t
x2=6-2x4 Si x4=t x2=6-2t
x3=2-3x4 x3=2-3t
Sistema compatible e indeterminado. El número de incógnitas es mayor al
número de ecuaciones.
Caso3.
1 0 0 0
0 1 2 0
0 0 0 1
0x1+0x2+0x3=1
Incompatible no hay soluciones.
3.10.Primer Método de eliminación o de Gauss-Jordan:
Ejemplo: General de resolución de sistemas de ecuaciones lineales en la
cual se considera o usa el procedimiento de operaciones lineales sobre
los renglones, tanto del mismo sistema como de la matriz aumentada.
x+y+2z=9----------- 1 1 2 9
2x+4y-
2 4 -3 1
3z=1---------
3x+6y-
3 6 -5 0
5z=0---------
1. Sumar -2 veces la primera 1. Sumar -2 veces el primer renglón al
ecuación a la segunda para tener: segunda para tener:
x+y+2z=9 1 1 2 9
2y-7z=-17 0 2 -7 -17
3x+6y-5z=0 3 6 -5 0
2. Sumar -3 veces a la primera
2. Sumar -3 veces al primer renglón al
ecuación a la tercera tenemos:
tercero tenemos:
x+y+2z=9
1 1 2 9
2y-7z=-17
0 2 -7 -17
3y-11z=-27
0 3 -11 -27
3. Multiplicar el segundo renglón por ½
3. Multiplicar la segunda ecuación para obtener:
por ½ para obtener: 1 1 2 9
x+y+2z=9 0 1 -7/2 -17/2
y-7/2 z=-17/2 0 3 -11 -27
3y-11z=-27
4. Sumar -3 veces la segunda 4. Sumar -3 veces el segundo renglón al

ecuación a la tercera, tenemos: tercero para tener:
x+y+2z=9 1 1 2 9
y-7/2 z=-17/2 0 1 -7/2 -17/2
-1
/2 z=-3/2 0 3 -11 -27
5. Multiplicar la 3ra ecuación por -2 5. Multiplicar el 3er renglón por -2 para
para obtener: obtener:
1
x+y+2z=9 1 1 2 9
y-7/2 z=-17/2 0 1 - /2 - /2
7 17
z=3 0 0 1 3
6. Sumar -1 veces la segunda 6. Sumar -1 veces el segundo renglón a
ecuación a la primera para obtener: la primera para obtener:
x+11/2z=35/2 1 0 11/2 35/2
y-7/2 z=-17/2 0 1 -7/2 -17/2
z=3 0 0 1 3
7. Sumar -11/2 veces el tercer renglón a
7. Sumar -11/2 veces la tercera la primera y 7/2 veces la tercera a la
ecuación a la primera y 7/2 veces la segunda para obtener:
tercera a la segunda para obtener: 1 0 0 1
x=1
y=2 0 1 0 2
z=3 0 0 1 3
1 Método de eliminación o de Gauss-Jordan
er
Condición: Para resolver un sistema de ecuaciones lineales por el método

de eliminación de Gauss-Jordan, es preciso llegar a la matiz escalonada
en los renglones reducida.
3.11.Segundo Método llamado “Método de Gauss-Método retroceso”: Es
el siguiente:
En el mismo ejemplo anterior donde tenemos:
x+y+2z=9
2y-7z=-17
3x+6y-5z=0
Previamente conformada la matriz aumentada, es preciso llegar a una
matriz escalonada mediante iteraciones.
1 1 2 9
Cuya matriz aumentada es -
2 4 -3 1
>
3 6 -5 0
Y de la cual, mediante las operaciones en los renglones llegamos en el
paso 5 a:
1 1 2 9
0 1 - /2 - /2
7 17
0 0 1 3
Matriz escalonada
x+y+2z=9
y-7/2 z=-17/2
z=3
Se llama en retroceso porque el resultado de la ultima ecuación la
reemplazan en la anterior
I. x=-y-2z+9 x=1
II. y= /2+ /2z
-17 7
y=-17/2+21/2=4/2, y=2
III. z=3 z=3
Segundo método de eliminación de Gauss o retroceso
3.12. Tercer método Regla de Cramer:
1
Ejemplo: Si AX=B constituye un sistema de m ecuaciones con n

incógnitas donde su determinante |A| <> 0 entonces existe una solución
única x determinada por la siguiente ecuación:
xj = 1 ∑nk=1 bk cof akj

|A|
La incógnita x=n B, xj=(det Cj/det A), En definitiva el metodo de la regla
-1
de cramer está basado en la solucion mediante determinates de tal

manera que se conforma una relación ó un número quebrado donde el
denominador esta constituido por los coeficientes de las variables y el
numerador en cada caso respectivo, sustituyendo n la columna los
valores independientes.
Ejemplo:
x1+x2+2x3
2x1+4x2-3x3
3x1+6x2-5x3
9 1 2
1 4 -3
=
x1= 0 6 -5
1
1 1 2
2 4 -3
3 6 -5
1 9 2
2 1 -3
=
x2= 3 0 -5
2
1 1 2
2 4 -3
3 6 -5
1 1 9
2 4 1
=
x3= 3 6 0
3
1 1 2
2 4 -3
3 6 -5
1
Condición: Siempre matrices cuadradas (2x2), (3x3), (4x4), (5x5)

generalmente de (3x3).
3.13.Otros; Sistema ecuaciones lineales homogéneas; Un sistema de
ecuaciones lineales es homogéneo si todos los términos constantes son
ceros es decir tiene la forma:
a11x1+a12x2+a13x3+...+a1nxn=0
a21x1+a22x2+a23x3+....+a2nxn=0
am1x1+am2x2+am3x3+...+amnxn=0
Todo sistema homogéneo es constante o sea x1=0; x2=0;…;xn=0
constituye ya de por si una solución ‘y’ se llama “trivial” por otra parte si un
sistema homogéneo es consistente también puede tener infinidad de
soluciones fuera de la solución trivial
Ejemplo:
2x1+2x2-x3+x5=0
-x1-x2+2x3-3x4+x5=0
x1+x2-2x3-x5=0
x3+x4+x5=0
1 solución trivial es cero
ra
Luego conformamos la matriz aumentada
2 -2 -1 0 1 0
-
-1 2 -3 1 0
1
1 1 -2 0 -1 0
0 0 1 1 1 0
Mediante operaciones elementales de línea es llevada a la forma
escalonada reducida.
1 1 0 0 1 0
0 0 1 0 1 0
0 0 0 1 0 0
0 0 0 0 0 0
Reemplazando o trasladando:
x1=-x2-x5 x2=t
x3=-x5 x5=s
x4=0
Del ejemplo anterior se observa que fuera de la solución trivial existe un
conjunto solución donde dando determinados valores a una variable
tenemos n soluciones.
3.14.Rango de una matriz: El rango de una matriz es igual al numero de filas
no nulas que quedan después de la ultima iteración por esto se deduce
que para hallar al rango de una matriz es suficiente transformarla a su
forma escalonada como dos matrices equivalentes tienen el mismo rango,
el rango de dicha matriz será igual al rango de la matriz escalonada, la
notación es la siguiente:
ρ(A)=r
Ejemplo: Hallar el rango de:
0 2 -4
1 4 -5
1
A=
3 1 7
0 1 -2
2 3 0
Efectuando sucesivamente las transformaciones tenemos:
- 1 4 -5
14
5 0 2 -4
0 2-4 0 -11 22
3 1 7 F31 –(-3)> 0 1 -2
F12-> 0 1-2 2 3 0
2 3 0
1 4 -5 1 4 -5
0 2 -4 0 1 -2
0 -11 22 0 -11 22
5 (-2)
F 1 – > 0 1 -2 F2 –(1/2)> 0 1 -2
2 -5 10 2 -5 10
1 4 -5 1 4 -5
0 1 -2 0 1 -2
0 0 0 0 0 0
F32 –(11)> 0 1 -2 F52 –(5)> 0 1 -2
0 -5 10 0 0 10
1 4 -5 1 4 -5
0 1 -2 0 1 -2
0 0 0 0 0 0
F32 –(11)> 0 1 -2 F52 –(5)> 0 1 -2
0 -510 0 0 10
1 4-5
0 1-2
=B
0 0 0
2 filas no nulas
F42 –(-1)> 0 0 0
0 0 0
Ρ(B)= ρ(A)=2
3.15.Inversa de una matriz por el método Gauss-Jordan (4 to Método): Este
método consiste en transformar una matriz [A ! I] en otra [I ! B] mediante
las transformaciones elementales en línea (Iteraciones).
Ejemplo:
1 -1 1
A= 0 0 1
1 1 -1
Hallar la inversa mediante el método Gauss-Jordan.
1 -1 1 1 0 0
(A/I)= 0 0 1 0 1 0
1 1 -1 0 0 1
1 -1 1 1 0 0
0 0 1 0 1 0
F31 –(-1)> 0 2 -2 -1 0 1
1
1 -1 1 1 0 0
0 2 -2 -1 0 0
F23 –> 0 0 1 0 1 0
1 0 0 ½ 0 ½
0 2 -2 -1 0 0
F12–(1/2)> 0 0 1 0 1 0
1 0 0 ½ 0 ½
0 1 -1 -½ 0 ½
F2–(1/2)> 0 0 1 0 1 0
1 0 0 ½ 0 ½
0 1 0 -½ 1 ½
F23–(1)> 0 0 1 0 1 0
1 0 1
=½ -
2 1 =A-1
1
0 2 0
TEMA 4:
Vectores
En varias aplicaciones físicas aparecen ciertas cantidades como temperatura y
rapidez que poseen únicamente magnitud, estos se representan por escalares.
Pero también hay ciertas cantidades como fuerza y velocidad que poseen
magnitud mas dirección a estas se las puede representar mediante flechas que
llaman en si “Vectores”. Las operaciones fundamentales de los vectores son
dos:
4.1. Adición de vectores: Donde la resultante de u+v dos vectores se obtiene
por la ley del paralelogramo como se observa en el gráfico siguiente:
4.2. Multiplicación de un vector por un escalar: El Producto k u de un

número real k por un vector u se obtiene multiplicando la magnitud de u
por k si k es >=0 entonces se conserva la misma dirección y si k<0 se
tiene la dirección opuesta.
k=2
k*u=2u
4.3. Vectores en el plano: La representación de los puntos en el plano está

dada por pares ordenados de números reales.
Ejemplo:
1
El origen de los ejes se conoce como punto de referencia cero, entonces

todo vector queda de manera única por las coordenadas del punto final,
donde la adición de los vectores u y v si: a, b, c, d, son los puntos finales,
es decir:
u=(a, b); v=(c, d)
u+v=(a+c, b+d)
z=(6,7)
La multiplicación por escalar tomando en cuenta al sistema de
coordenadas tomará en cuenta al par ordenado.
Ejemplo: Si k=2
u=(a, b)
ku=(ka, kb) u=(2,4)
ku=(4, 8)
De ahora en adelante matemáticamente identificamos un vector con su
punto final es decir, llamamos al par ordenado (a, b) un vector.
Generalizando la noción anterior llamamos una n-ada ordenada de
números reales (a1, a2,…, an) un vector.
4.4. Vectores en Rn: El conjunto de todas las n-adas de números reales
denotado por Rn se llama “n-espacio” o espacio “n” dimencional es decir:
Rn=n-espacio o espacio n dimencional
n-ada em Rn se representa como:
u= (u1, u2,…, un) (abanico)
y que se llama: “punto vector” los n{umeros reales u1, u2,…, un se llaman
componentes o coordenadas.
Ejemplo:
(0, 1) (1, -3)
(1, 2, √3, 4) (-5, ½, 0, л)
Los dos primeros ejemplos de vectores tienen dos componentes y son
puntos de R2, los últimos tienen cuatro componentes y son puntos de R 4.
4.5. Igualdad de vectores: Dos vectores u y v son iguales si sus
componentes son también iguales entre si, si pertenecen al mismo
espacio.
Ejemplo:
u=v
(x-y) (x+y) (z-1)= (4, 2, 3)
Por definición de igualdad de vectores.
x-y=4 x=3
x+y=2 y=-1
z-1=3 z=4
4.6. Adición de vectores en Rn: Sea u y v dos vectores en Rn como:

u= (u1, u2,…, un)
v= (v1, v2,…, vn)
La suma de: u+v=(u1+v1, u2v2…, unvn)
4.7. Multiplicación por un escalar: Es el vector que se obtiene multiplñicando
cada vector por k:
ku= (ku1, ku2,…, kun)
Por otra parte se define:
-u=-1u
u-v=u+(-v)
1
La suma de vectores con diferente número de componentes no esta

definida (no existe)
Ejemplo:
u=(1, -3, 2, 4)
v=(3, 5, -1, -2)
u+v=(4, 2, 1, 2)
5u=(5, -15, 10, 20)
2u-3v=(2, -6, 4, 8)+(-9, 15, 3, 6)=(-7, -21, 7, 14)
4.8. Producto interno: Sean u y v vectores en Rn el producto interno o
producto punto de u y v es el escalar que se obtiene multiplicando las
componentes correspondientes y sumando los productos resultantes.
u*v=(u1* v1+ u2* v2+…+ u1* vn)
los vectores u y v serán ortogonales si su producto interno es cero.
u*v=0
Ejemplo:
u=(1, -2, 3, -4)
v=(6, 7, 1, -2)
w=(5, -4, 5, 7)
u*v=(6+(-14)+3+8)=17-14=3
u*w=(5+8+15+28)=0 ortogonal entonces->
Las propiedades básicas del producto interno en R n son las siguientes:
Para u, v, w Є Rn y k Є Rn:
1. (u+v)*w=u*w+v*w
2. (ku)*v=k(u*v)
3. u*v=v*u
4. u*u>=0 si u=0
Nota: En el espacio Rn con las operaciones adicionales de vectores,
multiplicación por escalar y producto interno se llama: n-espacio
euclidiano.
4.9. Norma y distancia en Rn: Considerando los vectores u y v en Rn la
distancia entre los puntos u y v esta definida por:
u= (u1, u2,…, un)
v= (v1, v2,…, vn)
d(u,v)=√((u1-v1)2+(u2-v2)2+…+(un-vn)2)
La norma (o longitud) del vector u está definida por la siguiente relación:
ІІuІІ=√u*v=√((u1)2+(u2)2+…+(un)2)
Ejemplo:
u=(1, -2, 4, 1)
v=(3, 1, -5, 0)
d(u,v)=√((1-3)2+(1+2)2+(5+4)2+(1-0)2)=√(4+9+81+1)=√95
ІІvІІ=√((3)2+(1)2+(5)2+(0)2)= √(9+1+25)=√35
En particular si consideramos dos puntos:
p=(a,b) ; q=(c,d)
En el plano R2 tenemos:
ІІpІІ=√(a2+b2)
d(p,q)=√((a-c)2+(b-d)2)
Gráficamente demostramos que ambas propiedades se cumplen:
1
4.10.Teorema de Cauchy-Schwarz: Para vectores cualquiera u, v Є Rn:

u*v<= ІІuІІ ІІvІІ
Utilizando la desigualdad definimos el ángulo α entre estos vectores no
nulos mediante:
Cos α= u*v Si u*v=0
ІІuІІ ІІvІІ α=90°
Las propiedades básicas de los vectores en Rn con las operaciones de
adición de vectores y multiplicación por escalar están expresadas en el
siguiente teorema:
u, v, w Є Rn k, k! Є Rn
1. (u+v)+w=u+(v+w) 5. k(u+v)=ku+kv
2. u+0=u 6. (k*k!)u=ku+k!u
3. u+(-u)=0 7. (k*k!)u=k(k!u)
4. u+v=v+u 8. 1*u=u
k>0 -> misma dirección
k<0 -> dirección opuesta
4.11.Vectores en Cn: El conjunto de los números complejos se representa por
C formalmente es un par ordenado (a,b) de números reales. La igualdad,
adición y multiplicación de números complejos se definen del siguiente
modo:
(a,b)=(c,d) Si a=c, b=d
(a,b)+(c,d)=(a+c,b+d)
(a,b)*(c,d)=(ac-bd,ad+bc)
Identificamos el número real a con el número complejo
a <-> (a,0)
Esto es posible porque se conservan en esta expresión las operaciones
de adición y multiplicación o sea:
(a,0)+(b,0)=(a+b,0)
(a,0)*(b,0)=(ab,0)
Por tanto R puede considerarse un subconjunto de C (RcC) y (a,0) puede
representarse por a simplemente. El numero complejo (0,1) representado
por “x” tiene la propiedad de:
i2= ii=(0,1)(1,0)=(-1,0) ->-1
i=√-1
Por otra parte utilizando la propiedad de:
(a,b)=(a,0)+(0,b)
(0,b)=(b,0)(0,1)
Tenemos:
(a,b)=(a,0)+(b,0)(0,1)= a+bi
La notación o forma de notación es más conveniente que a b por ejemplo
la suma y el producto de números complejos se pueden obtener las leyes
conmutativa y distributiva y tomando en cuenta la relación:
i2=-1
1
Ejemplo:
(a+bi)+(c+di)=a+c+bi+di
=(a+c)+(b+d)i
(a+bi)(c+di)=ac+bci+adi+bdi2
=(ac)-(bd)+(bc+ad)i
El conjunto Del número complejo es:
z=a+bi es ž=a-bi
Por otra parte:
z*ž=a2+b2
El inverso de:
z-1= 1/z = 1/z z/ž =a/(a2+b2)+b/(a2+b2)
También:
w/z = w*z-1
También:
w*z = w+(-z)
Sumar:
z+w=(2+3i)+(5-2i)=2+5+3i-2i=7+i
z*w=(2+3i)(5-2i)=10+15i-4i-6i2=16+11i
ž=(2+3i)=2-3i
w=(5-2i)=5+2i
w/z=(5-2i)/(2+3i)=(5-2i(2/3i))/(2+3i(2-3i))=(4-19i)/3=4/13=19i/13
Así como números reales se representan por puntos en una recta los
números complejos pueden representarse por puntos en el plano.
Precisamente utilizando el punto a, b en un plano, el número complejo:
z=(a+bi)
Cuya parte real es a y cuya parte imaginaria es b el valor absoluto de z
queda definido por:
ІzІ=√(a2+b2)
Es necesario tomar en cuenta:

ІzІ==a la norma del vector
ІzІ=√(z*ž)
Ejemplo:
Z=2+3i; w=12-5i
ІzІ=√(4+9)=√13
ІwІ=√(144+25)=13
4.12.Vectores en Cn: El conjunto de todas las nadas de números complejos
anotados como Cn se llama:
Cn= espacio complejo
Como en el caso de los números reales los elementos de C n se llaman
puntos o vectores y los elementos de C escalares.
C=escalares
Por lo tanto la adición de vectores en Cn y multiplicación por escalares
sobre Cn se definen como:
1
Suma: (z1, z2,...,zn)+(w1, w2,...,wn)

=(z1+w1, z2+w2,...,zn+wn)
Multiplicación: z(z1, z2,...,zn)-> (z*z1, z*z2,..., z*zn) z1, w1,z Є C
Ejemplo:
Suma: (2+3i,4-i,3)+(3-2i,5i,4-6i)=(5+i,4+4i,7-6i)
Producto: 2i(2+3i,4-I,3)=(-6+4i,2+8i,6i)
El producto interno o producto punto de dos vectores arbitrarios en C es
esta dando por la siguiente relación:
u*w= (z1,ŵ1+z2ŵ2,…+zn,ŵn)
ІІuІІ=√(u*u)= √(z1,ž1+z2ž2,…+zn,ž n)
Ejemplo:
u=(2+3i,4-i,2i)
v=(3-2i,5,4-6i)
u*v=(2+3i)(3-2i)+(4-i)(5)+(2i)(4-6i)=(2+3i)(3-2i)+(4-i)(5)+(2i)(4-6i)
=(2+3i)(3-2i)+(4-i)(5)+(2i)(4-6i)=13i+20-5i-12+8i=8+16i
ІІuІІ=√(u*u)=√34
El espacio Cn con las operaciones de adición de vectores multiplicación
por escalar y producto interno se conoce como:
n-espacio euclidiano complejo
TEMA 5:
Espacios vectoriales
5.1. Introducción: La idea de usar pares de números para localizar
puntos en un plano y técnicas de números para localizar puntos en
un espacio tridimensional fueron ideados con claridad a medidas del
siglo XVII, a fines del siglo XIX matemáticos y físicos se dieron
cuenta que no es necesario quedarse en técnicas, se reconoció que
los conjuntos de cuatro números (a1, a2, a3, a4) pueden considerarse
como tetradimencional como untos en el espacio tetradimencional.
También los números ordenados o conjuntos de números de 5
números o también considerarse como puntasen el espacio
pentadecimal y así sucesivamente aun cuando la concepción
geométrica no se extiende mas halla del espacio tridimensional es
posible extender muchas ideas conocidas más halla de dicho espacio
pero si trabajando con propiedades analíticas ó numéricas de puntos
y vectores en lugar de las propiedades geométricas.
5.2. Características: Para la concepción de lo que son los espacios
verticales generales se anuncia un conjunto de axiomas que en el
corresponden a las propiedades de estructura de los cuerpos
matemáticos, es decir si estos axiomas aplicados a diferentes objetos
matemáticos se cumplen, entonces a los objetos de los da el nombre
de “vectores”. Los axiomas se eligen por medio de la abstracción de
las propiedades más importantes de los vectores Rn como
consecuencia todos aquellos vectores en Rn que satisfagan los
axiomas son automáticamente espacios vectoriales.
5.3. Definición: Sea V un conjunto arbitrario de objetos matemáticos
sobre los cuales se definen dos operadores: adición y multiplicación
por escalares.
Por adición se entiende una regla para asociar con cada pareja de u
y v en V un elemento u+v llamando suma de u+v.
1
Por la multiplicación escalar se entiende una regla para asociar con

cada escalar k y un objeto u de V un elemento llamado k*u que es el
múltiplo escalar de k*u, si los siguientes axiomas son satisfechos por
todos los objetos u, v, w en V y todos los escalares k, l entonces V se
llama espacio vectorial y los objetos en V se llaman vectores.
5.4. Axiomas:
1. u y v Є V -> u+v Є V <cerradura>
2. u+v=v+u <conmutación>
3. u+(v+w)=(u+v)+w <asociación>
4. 0+u=u+0=u <existencia del elemento neutro >
5. u+(-u)=(-u)+u=0 <elemento opuesto aditivo>
6. k Є R y u Є V -> k*u Є V
7. k(u+v)=(ku+kv)
8. (k+l)u= (ku+lu)
9. k(lu)=(kl)u
10. 1u=u
Para algunas aplicaciones es necesario considerar espacios
vectoriales en los cuales los escalares son números complejos en
lugar de números reales estos espacios vectoriales se llaman
espacios vectoriales complejos pero en general en nuestros
ejercicios consideremos los espacios reales.
De ahora en adelante el concepto “vector” ya no se considera más
en su concepción clásica de recta orientada, sino como objeto
matemático.
Cumplen los axiomas:
Ejemplo: (espacios vectoriales) R=Números reales, Q=Números
racionales.
1. El conjunto R es un espacio vectorial sobre el espacio o cuerpo
Q, cuando en R se considera la ley de composición adición
como operación interna y la multiplicación de un racional por un
numero real como ley de composición externa entonces R es un
espacio vectorial sobre Q.
2. El conjunto de polinomios con coeficientes reales en nuestro
ejemplo de grado menor o igual a 3 es un espacio vectorial
sobre R de los números R es decir:
P(x)=a0+a1x+a2x2+a3x3
Q(x)=b0+b1x+b2x2+b3x3
Adición de polinomios:
A1=P(x)+Q(x)= (a0+b0)+(a1+b1)x+(a2+b2)x2+(a3+b3)x3
M1=λP(x)=λa0+λa1x+λa2x2+λa3x3
Por lo tanto los polinomios son espacios vectoriales.
3. El conjunto Rn de todos los vectores de n componentes
=(x1, x2,…, xn)
=ЄR
<Es un espacio vectorial>
En efecto si sumamos:
a. (x1, x2,…, xn)+(y1, y2,…, yn)= (x1+y1, x2+y2,…, xn+yn)
b. El opuesto de x es –x ->(-x1, -x2,…, -xn)
c. También -> λ =( λx1, λx2,…, λxn)
1
La verificación de los axiomas nos indica que R n cuando n>1 es

un espacio vectorial real.
4. Los puntos de cualquier plano que pasa por el origen de R 3 se
constituyen en un espacio vectorial bajo las operaciones
ordinarias para vectores en R3 o sea la adición y multiplicación
por escalar por ejemplo un plano que pasa por el origen R 3 tiene
la siguiente forma:
π=Ax+By+Cz=0
Si P=(x1,y1,z1)
Q=(x2,y2,z2)
A(x1+x2)+B(y1+y2)+C(z1+z2)=0
Esta igualdad indica que las coordenadas del punto P+Q
satisfacen al sistema 1.
Multiplicando.
Ax1+By1+Cz1=0 por r
Tenemos:
A(rx1)+B(ry1)+C(rz1)=0
Hechas las dos operaciones de aplicación y multiplicación por
escalar observamos que evidentemente que el plano π es un
espacio vectorial.
5. Sea S el conjunto de todos los puntos x, y en R2 que pertenecen al
primer cuadrante ósea cuando x>0 y y>0.
El conjunto S no es un
espacio vectorial dado que
no satisface las
propiedades de adición (4)
y
multiplicación (1)
En efecto P=(2, 1) Є S
(-1)P=(-2, -1) S
6. Sea F el conjunto de las funciones reales que están definidas en
una o alguna recta real, si F es una función x y Y es otra función
g(x) entonces la adición de funciones F+G y la multiplicación por
escalar S son:
Adición: F+G=F(x)+G(x)
Producto: (λF)(x)=λF(x) x Є R.
Se cumplen los axiomas de los espacios vectoriales por lo tanto
el conjunto f, es un espacio vectorial bajo estas operaciones
gráficamente tenemos:
Figura (a) suma de vectores.
1
Figura (b) multiplicación por escalar.
7. Subespacios: Con frecuencia se tiene que un espacio vectorial

W esta contenido en otro espacio V y que la adición y
multiplicación por escalar de W es similar o igual de V cuando
esto ocurre se dice que W es subespacio de V.
Como definición tenemos que si W es un conjunto de uno o más
vectores de un espacio vectorial V sobre k entonces W es un
subespacio si se cumplen las siguientes tres condiciones:
1. w<>0 por lo menos existe un vector
2. α Є w y b Є w -> (a+b) Є W (clausura)
3. λ Є k y a Є w -> (λ a) Є w
Por la segunda condición tenemos que W es cerrado bajo la
adición.
Por la tercera condición esta cerrado bajo la multiplicación por
un escalar.
Observación: Dado un espacio vectorial V siempre lo puede
considerar como subespacio de si mismo por lo tanto W
siempre tendrá el subespacio W. llamado “trivial”
Ejemplo: Sea el conjunto
W={ (x,y,z)/ 2x-3y+2z=0}
Demostrar que W es subconjunto
a. w<>0 por que tiene al menos un elemento
0=(0,0,0) -> 2*0-3*0+2*0=0
b. Si a Є w-> 2x1-3y1+2z1=0
b Є w-> 2x2-3y2+2z2=0
->a+b=2(x1+x2)-3(y1+y2)+2(z1+z2)=0
Vemos que la estructura de la adición tiene la misma
forma que W.
(por tanto) a Є W y b Є W -> a+b Є W
c. Multiplicando por λ se tiene:
2 λ x1-3 λ y1+2 λ z1
Relación que también tiene la forma de W o sea: cumplida
las tres condiciones el conjunto W es un subespacio
vectorial.
8. Combinación lineal: se dice que un vector V es combinación
lineal de los vectores.
1
v1,v2,…,vn cunando se los expresa de la siguiente forma como

vector, donde:
V= λ1 v1, λ2 v2,…, λn vn, (I)
Donde λn, varia de i =1…n son escalares
Ejemplo: Sean los vectores en R3
a=(3, 1 -1); b=(-2, 1, 3)
Demostrar que: v=(8, 1, -5) es una combinación lineal de a+b
aplicando la relación (I).
(8,1,-5)= λ1(3,1,-1)+ λ2(-2,1,3)
Donde es necesario hallar los valores de λ1 y λ2
Efectuando la multiplicación tenemos:
Y sumando terminos entre si:
= (3λ1-2 λ2, λ1+ λ2,- λ1+3 λ2)
Igualando los componentes tenemos.
1. 3λ1-2 λ2=8
2. λ1+λ2=1
-λ1+3λ2=-5
3λ1-2 λ2=8
2λ1+2λ2=2
5λ1=10
λ1=2
Resolviendo las dos primeras ecuaciones tenemos:
λ1=2; λ2=-1
Que remplazando en la tercera verificamos la igualdad.
Por tanto el vector V es igual a:
V=2a-b
Cuando el sistema de ecuaciones no tiene solución, es decir es
inconsistente entonces en la relación no existe combinación lineal.
En el siguiente ejemplo analizaremos la no existencia de una
combinación lineal.
Ejemplo:
Determinar si el vector V=(5, -1, 4), es una combinación lineal de
los vectores:
a=(2, -1, 3); b=(3, 5, -2)
(5, -1, 4) = λ1a+ λ2b
=λ1(2, -1, 3)+ λ2(3, 5, -2)
=(2λ1+3λ2, -1λ1+5λ2, 3λ1-2λ2)
1. 2λ1+3λ2=5
2. -λ1+5λ2=-1
3. 3λ1-2λ2=4
2λ1+3λ2=3
(El sistema de ecuaciones es inconsistente por lo tanto no hay
combinación lineal.)
En general un conjunto dado por vectores v1, v2,…, vn en un
espacio vectorial V, puede generar a V o puede no generarlo.
Si lo genera, entonces todo vector V se puede expresar como
combinación lineal de v1, v2, …,vn, y si no genera, entonces estoas
vectores no son combinaciones lineales.
1
Agrupan todos los vectores V que sean combinaciones lineales en

v1, v2,…, vn entonces se obtiene un subespacio de V que se llama:
”Espacio lineal generado” dicho espacio se denota como:
W=gen(S) o Gen(v1, v2, …,vn)
Ejemplo: Si V es un espacio de polinomios entonces las
potencias de x generan a V es decir:
P(x)=a0+ a1x+ a2x2+ a3x3+…+anxn

Es una combinación lineal de las potencias de x donde el
conjunto:
(x0, x1, x2,…, xn)
Son generadores de V
5.5. Independencia lineal: Por lo visto anteriormente se sabe que un
espacio vectorial V es generado por un conjunto de vectores S, si
cada vector V es una combinación lineal entre los mismos.
Estos conjuntos generadores son útiles en una diversidad de
problemas porque a menudo es posible estudiar un espacio vectorial
y estudiando primero los vectores de u conjunto generado S y
extendiendo los resultados al resto del vector y en este sentido
conviene mantener al conjunto S lo más pequeño posible, por lo
tanto la noción de independencia lineal trata de encontrar a aquellos
conjuntos generadores más pequeños de un espacio vectorial V.
Si S es igual:
S=( v1, v2, …,vn)
Y constituye un conjunto de vectores, entonces la relación:
K1V1+K2V2+K3V3+…+KnVn=0
Conforma en si un sistema de ecuaciones lineales homogéneas.
Esta ecuación vectorial tiene al menos una solución.
K1=0;K2=0;…;Kn=0
Si esta es la única solución entonces S recibe el nombre de:
“Conjunto linealmente Independiente”
Si hay otras soluciones entonces se dice que S es: “Linealmente
Dependiente”
Ejemplo:
1. Determinar si los vectores:
V1= (1,-2,3); V2=(5,6,-1); V3=(3,2,1)
Forman un conjunto0 linealmente dependiente ó
independientemente.
Para ello utilizaremos la ecuación anterior (II)
K1V1+K2V2+K3V3 =0
Siendo necesario determinar los valores de k 1, k2, k3 para ello
k1(1,-2,3)+ k2(5,6,-1)+ k3(3,2,1)=(0,0,0)
Igualando componentes tenemos:
k1+5k2+3k3=0
-2k1+6k2+2k3=0
3k1-k2+k3=0
Este sistema tiene una solución trivial entonces es linealmente
independiente pero resolviendo el sistema dado se tiene que:
K1=-1/2 ;K2=-1/2;K3=t
Por lo tanto es linealmente dependiente.
1
Ejemplo: Dados los vectores: Vectores en R2

V1= (3,-8); V2=(-2,3)
Determinar so son linealmente dependientes o independientes.
α1(3,-8)+ α2(-2, 3)=(0,0)
(3 α1-2 α2,-8 α1+3 α2)=(0,0)
3α1-2α2=0
-8α1+3α2=0
Al resolver el sistema:
α1=0 y α2=0
Por lo tanto: v1, v2 es linealmente independiente.
5.6. Interpretación geométrica de la dependencia lineal: En el espacio
vectorial V=R2 dos vectores V1, V2 en R2 son linealmente
dependientes si
En R3 tres vectores V1, V2, V3 son linealmente dependientes si son
coplanares linealmente dependientes.
Linealmente Dependiente “Coplanares”

5.7. Bases y dimensiones de un espacio vectorial: Si V es un espacio
vectorial y B es un conjunto de vectores en V, entonces se dice que
B es una base de V si cumple dos condiciones:
1. B es linealmente independiente.
2. B genera a V.
Ejemplo:
Sean v1=(2,-1,3); v2=(1,2,1); v3=(0,3,-1)
Determinar si el conjunto B=(V1,V2,V3) es una base de R3. Entonces
se debe comprobar las 2 condiciones:
1. Si B es linealmente independiente debemos probar que:
α1V1+ α2V2+ α3V3=0 (1)
α1(2,-1,3)+ α2(1,2,1)+ α3(0,3,-1)=0
2α1+α2+α3=0 (2)
-α1+2α2-α3=0 (3)
3α1+α2-α3=0 (4)
De (2)
α2=-2α1 si hacemos α1=t
α2=-2t
Sustituyendo en (4) 3t-2t-α3=0
3α1-2α1-α1=0, α3=-t
Tenemos en (3)
-α1-4α1+α1=0
1
-t-4t-t=0
Por tanto t=0
Por lo tanto el sistema (1) es linealmente independiente.
2. Debemos expresar un vector ordinario (x,y,z) como una
combinación lineal de los vectores de V es decir:
V1= (2,-1,3); V2=(1,2,1); V3=(1,3,-1)
(x,y,z)=r(2,-1,3)+s(1,2,1)+t(1,3,-1)
(x,y,z)=(2r+s,-r+2s+3t,3r+s-t)
2r+s=x
-r+2s+3t=y
3r+s-t=z
Para demostrar que B genera a V es necesario probar que el sistema
de ecuaciones lineales (5) tiene una solución para x,y,z, basta hallar
r,s,t en función de x,y,z.
r=1/2(5x-y-3z)
s=-4+y+3z
t=1/2(7x-y-5z)
dando valores a x,y,z obtenemos la solución del sistema (5) tenemos
en definitiva que B genera a R3.
En consecuencia el conjunto B es una base de R 3. Por lo tanto es por
(1) y (2) una base Dependiera o independiera lineal se reduce a
resolver sistemas de ecuaciones lineales.
5.8. Dimensión de un espacio vectorial: Se llama dimensión de un
espacio vectorial V al número de elementos (vectores) que tiene
una base cualquiera su notación es:
Dim (v)=r
Ejemplo:
a. dim (R2)=2
b. dim (R3)=3
c. dim (Rn)=n
d. El espacio vectorial de los polinomios de grado no mayor que 5
es (1, x, x2, x3, x4, x5) es una base de P=5 y su dimensión es 6
Dim (P5)=6
e. Si Pn es el espacio vectorial de todos los polinomios entonces:
P(n)= (1, x, x2, xn)
Dim (Pn)=(ф)
TEMA 6:
Transformaciones lineales
Los espacios vectoriales se relacionan entre si mediante funciones que como
condición básica deben preservar la operación de suma y producto por escalar,
estas funciones se llaman aplicaciones o transformaciones lineales o también
homomorfismo de espacio vectorial. Entonces una función que asigna a cada
vector V Є V un vector único:
Tv Є W
Y que satisface dos condiciones para cualquier vector u y v Є V y todo escalar
α Є R esas condiciones son:
a. T(u+v)=Tu+Tv
b. Tαv= αTv
Su notación es:
1
T: V->W
Que se lee: sea T que la transformación que v aplica a W una transformación
lineal.
La transformación que V aplica a W es una transformación lineal
Gráficamente podemos representar una transformación lineal del siguiente
modo:
La particularidad de una transformación lineal es que preservan las

operaciones de suma y producto escalar.
Ejemplo:
T: R2->R2
Una transformación lineal definida por:
T(x,y)= (2x+y, x-y)
Comprobaremos si efectivamente es una T, mediante:
a. Preservación de la suma:
La imagen de (x1, y1) es T(x1, y1)=(2x1+y1, x1-y1)
La imagen de (x2, y2) es T(x2, y2)=(2x2+y2, x2-y2)
Efectuando la suma de (x1+x2,y1+y2) tenemos:
T(x1+x2, y1+y2)= (2x1+y1, x1-y1)+(2x2+y2, x2-y2)
b. Preserrvación el producto por escalar:
La imagen de (x,y)de T(x,y)=(2x+y, x-y)
Efectuando la multiplicación escalar α por el vector (x,y)
α(x,y)=(αx, αy)=(2x+y,x-y)
La imagen de (αx,αy) es: T(αx,αy)= α(2x+y,x-y)= αT(x,y)
Ejemplo de transformación lineal asociada con matriz:
T: V->W
Sea la transformación lineal: T: R ->R2
2
Que esta definida por:

T(x,y)=(2x+y, x-y)
Hallar la matriz asociada a T
En forma directa podemos efectuar la siguiente operación:
Donde T también se expresa como:
T X = 2x+
y
y x-y
Separando coeficientes y factorizando
= 2 1 X -
T(x)=A(x)
1 -1 y >
Así obtenemos que:
T X A X
y Y
A= 2 1
1 -1
1
Matriz asociada R2*2, es la matriz asociada R2*2 a T

Aplicando el determinante a A:
Det. A=-2-1=-3<>0 entonces tiene inversa
A-1= 1/ 1/3
3
1/ -2/3
3
Luego la inversa de T es:
1/
T-1* X = 1/3 X
3
1/
y -2/3 y
3
En definitiva:
T-1(x,y)=(1/3x+1/3y,1/3x-2/3y)
Ejemplo:
La proyección de los vectores (x,y,z) Є R3 sobre el plano xy.
T1: R3->R3
(x,y,z)->(x,y,0)
T1(x,y,z)=(x,y,0)
Para comprobar que T1 es una transformación lineal: debe ser igual a:

a. T1 (u+v)=T1(u)+T1(v)
Siendo u=(x,y,z) Є R3
v=(m,n,s) Є R3
Operando:
= T1(x,y,z)+(m,n,s) = T1(x+m,y+n,z+s)
= (x+m,y+n,0) según
=(x,y,z)+(m,n,s)
Debe ser igual a T1(x,y,z)+(m,n,s)
b. T1(αv)= αT1(v)
Siendo entonces v=(x,y,z) Є R3
T1(α(x,y,z)) =T1(α x, α y, α z)
= (αx, αy, 0) según de forma
=α(x,y,z) -> αT1(x,y,z)
Ejemplo: Sean los subespacios Rn y Rm siendo x un vector de Rn, A es una
matriz Є Rm*n.
Sea T la funcion que aplica a Rn
Sea T: Rn-> Rm una transformación lineal, que esta definida por:
T(x)=Ax comprobando las dos propiedades;
1. T(x+y)=A(x+y)=Ax+Ay=T(x)+T(y), x,y Є Rn
2. T(αx)=A(αx)= α(Ax)= αT(x), α Є R, x Є Rn
6.1. Propiedades de las transformaciones lineales:
6.1.1. Imagen y núcleo:
6.1.1.1. Definición: Sean V y W espacios vectoriales y T una
transformación que V aplica a W (T:V->W) entonces decimos:
1. Núcleo de T, anotado como N(T) o Ker(T) es:
N(T)=ker(T)={v Є V/T(v)=0;0 Є W}
1
2. Imagen de T denotado como T(v) es un subespacio definido por:

Im(T)=T(v)={w Є W/W=T(v) para algun v Є V}
Gráficamente:
Cálculo de la imagen de T
Sea la T.L. de T: R3->R3
Definida por: T(x,y,z)=(x+3y+4z,3z+4y+7z,-2z+2y)
Hallar la imagen, núcleo e interpretación geométrica de T.
1) Imagen de T.
La imagen de T esta formada por vectores de la forma (r,s,t)
(r,s,t)= (x+3y+4z,3z+4y+7z,-2z+2y)
T(v)
El problema consiste en hallar s,r,t:
x+3y+4z=s (1)
3z+4y+7z=r (2)
-2z+2y=t (3)
Resolviendo (1) y (2) por sumas y restas, luego multiplicando (1) x-3
y sumando a 2
-5x-5z=-3r+s
Y+z=(3r-s)/5 (A)
Resolviendo (1) y (3) multiplicado por 2 la (1) y sumando a (3)
y+z=(2r+t)/8 (B)
Igualando A y B
(3r-s)/5=(2r+t)/8
(24r-8s)=(10t+5t)
14r-8s-5t=0 imagen de t
Geométricamente la imagen de T es un plano que pasa por el origen
de coordenadas por ende es un subespacio de R 3.
2) Núcleo de T
Para calcular el núcleo de T es necesario que el espacio vectorial w=0 o
sea:
(x+3y+4z,3x+4y+7z,-2x+2y)=(0,0,0)
x+3y+4z=0
3x+4y+7z=0
-2x+2y=0
Al resolver este sistema homogéneo de ecuaciones por el método de
Gauss-Jordán se obtiene una matriz de la siguiente forma:
x+z=
1 0 1 0
0
y+z=
0 1 1 0
0
0 0 0 0
Si z=t
1
x+t=0 ->x=-t
y+t=0 ->y=-t
(x,y,z)=(-t,-t,t) factorizando
=t(-1,-1,1) Núcleo de T
El núcleo de T representa la ecuación paramétrica de una recta que pasa
por el origen de coordenadas.
Ejemplo:
Cálculo de la imagen con matrices adjuntas
Sea T:R2->R2 dada la multiplicación por.
2 -1
-
4
8
¿Calculo de los siguientes vectores pertenece a la imagen?
;b ;c
a= 1 5 -3
= =
- 1
0
4 2
En primer lugar buscamos la:
3) Imagen de T:
x 2 -1 x 2x -y
T = - = -
y 4 y 4y
8 8x
La imagen de T esta constituida por todas las matrices de 2x1, en nuestro
ejercicio tendremos entonces:
2x1
r
2x -y
= -
s 4y
8x
El problema consiste en encontrar r y s, igualando componentes tenemos:
2x-y=r (1)
-8x+4y=s (2)
Relonviendo el sistema: Multiplicando (1) por 4 y sumando
8x-4y=4r
-8x+4y=s
0+0=4r+s
Entonces este resultado indica que la imagen de T conformado por los
vectores r y s, relacionado de la siguiente forma:
Im (T) = {[r/s] Є R2x2 / 4r+s=0}
¿Cual de los vectores pertenece a la imagen?
a) El vector 1 Satisface la
ecuación
4 4r+s=0
4(1)-4=0
b) El vector 5 Satisface la
1
ecuación
0 4(5)+0=0
20+0=20
- Satisface la
c) El vector
3 ecuación
4(-3)+12=0
2
(-12)+12=0
TEMA 7:
Valores característicos y vectores característicos
7.1.Definición: Sea V un k-espacio vectorial siendo R(k)un número real o
complejo (k=R, k=c) y T:v->V entonces un número λ que pertenece a K
(λ Є k) es un valor propio de T, si existe un vector v<>0 pero donde v Є V,
tal que:
T(v)=λ*v
Como cada T esta asociada a una matriz A, tan bien se define λ como un
valor propio si existe un V<>0, donde v Є V tal que:
A(v)=λv
El vector v<>0 que corresponde a cada valor propio se llama vector propio.
Si se tiene la transformación; T:v->V
Observaciones.-
Donde la igualdad:
Tv=λv , v<>0, donde
v=vector propio
λ=valor propio
1. Geométricamente: la igualdad Tv=λv Tv paralelo a v implica que expresado
como matriz asociada se reúne al artificio de incluir I matriz identidad
2. Operando y factorizando se tiene, aplicando la función determinante:
(A-λI)v=0-> (A-λI)v=0[ecuación homogénea]-> v<>0
Det(A-λI)=0 o ecuación característica que desarrollando nos da el:
Det(A-λI)=P(λ) Polinomio característico de A
3. Al v<>0 (Av=λv) se le llama:
- Vector propio
- Vector característico
- Vector autovector
- Vector Eigenvector
Al número λ se le llama valor propio, valor característico, autovalor ,
eigenvalor.
A ambos “Raíces Latentes”
4. De cada λ se obtiene uno o dos vectores propios resolviendo la ecuación
homogénea
(A-λI)v=0
El vector asociado a cada valor propio generan un subespacio E λ que se
llama: “Espacio característico”
Si la matriz es de grado nxn existirán n autovalores
1
Ejemplo:
Hallar los eigen valores de:
A= 3 2
- 0
1
Entonces:
λ-
(λI-A)= λ 1 0 _ 3 2 = -2
3
-
0 1 0 1 λ
1
El polinomio característico de A es:
λ-
Det(λI-a)=det -2
3
1 λ
=(λ-3)λ-(-2)(1)=λ2-3λ+2 -> Polinomio característico
La ecuación característica de A es:
λ2-3λ+2=0
De donde: λ1=1, λ2=2 eigen valores
Ejemplo:
Sea:
5 4 2
4 5 2
2 2 2
Hallar los valores y los espacios característicos de A.
1. Hallar los valores de λ
P(λ)=det(A-λI)
Procedimiento, resolviendo la ecuación:
Det(A-λI)=0
5 4 2 1 0 0
- =
Det 4 5 2 0 1 0
λ 0
2 2 2 0 0 1
5-
4 2
λ
=
4 5-λ 2
0
2 2 5-λ
Este determinante se puede resolver mediante el método de Sarrus o los
menores complementarios, desarrollado al menos complementario a
partir de la
1ra columna.
5- 1- 0 -2+2λ
4 2
λ λ
4 5-λ 2 = 0 1-λ -2+2λ
2 2 5-λ 2 2 2-λ
ra
Tomando la 1 columna desarrollamos por menores complementarios
por la 1ra columna
=(1-λ)[(1-λ)(2-λ)-2(-2+2λ)]+2[(1-λ)(-2+2λ)]
=(1-λ)2[2-λ+4]+4(1-λ)2
1
=(1-λ)2[6-λ+4]= (1-λ)2[10-λ=0]
2[-(1-λ)(-2)(1-λ)]
4[(1-λ)2]
Resolviendo la ecuación.
λ1=1; λ2=10 Valores característicos
Para λ=1:
5- x
4 2 0
1 1
x
4 5-1 2 = 0
2
x
2 2 2-1 0
3
x
4 4 2 0
1
x
4 4 2 = 0
2
x
2 2 1 0
3
4x1+4x2+2x3=0
4x1+4x2+2x3=0
2x1+2x2+x3=0
2x1+2x2+x3=0
x3=-2x1-2x2
En forma del vector:
x
x1 1 0
1
x =x x
v= = x2 0 1
2 1 2
x - -
-2x1-2x2
3 2 2
El espacio característico de A que corresponde a λ 1 es:
E1=Generan 1 0
0 , 1
- -
2 2
Para λ=10:
- x
4 2 0
5 1
x
4 -5 2 = 0
2
x
2 2 -8 0
3
-5x1+4x2+2x3=0 f
4x1-5x2+2x3=0 ->Por Gauss-Jordán
2x1+2x2-8x3=0 f
0 0 0 0 x2-2x3=0; x2=2x3
0 1 -2 0 x1-2x3=0; x1=2x3
1
1 0 -2 0
x 2x
2
1 3
x 2x =
v= 2
2 3 x3
x
x3 1
3
E10= generan
2
2
1
7.1.Base Ortogonal: Utilizando las soluciones del ejemplo anterior podemos
conformar la siguiente base ortogonal, siendo los generadores:
E1 y E10.
1 0 2
Base ortogonal de
B= 0 1 2
V=R3
-
-2 1
2
V V V
1 2 3
Donde los subespacios E1 y E10. cumplen dos propiedades:
1RO E1 Suma directa (Φ) E10.
2DO E1 Ortogonal (Perpendicular) E10.
Cuando se cumplan estas dos propiedades se dice que V es una ortogonal
de E1 y E10.
7.2.Ortogonalizacion de Gram-Schmidt: Una base ortogonal B=(v1,v2,v3) se
convierte en una base ortogonal γ aplicando el método de Gram-scmidt que
es un proceso inductivo.
b1= v1 = 1 1
|| v1|| √5 0
-
2
b 2= z2 =donde z2=v2-<v2,b1> b1
|| z2||
->b2= 1 (-4,5,2)
3√5
b 3= z3 =donde z3=v3-<v3,b1> b1-<v3,b2>b2
|| z2||
->b3=1 (2,2,1)
3
La base ortogonal es:
1/ -4/3 2/
1
√5 √5 3
γ= 0 5/3 2/
√5 3
- -2/3 1/
2√5 √5 3
b1 b2 b3
Los vectores b1 ,b2, b3 de la base ortogonal son ortogonales 2 a 2, es decir:
b1 b2=0
b1 b3=0
b2 b3=0
7.3.Matriz ortogonal: Con los vectores b1 ,b2, b3 pertenecientes a la base
ortogonal se forma una matriz importante que se llama: “Matriz Ortogonal” y
esta es:
1/ -4/3 √5 2/3
√5
U= 0 5/3 √5 2/3
- -2/3 √5 1/3
2√5
7.4.Propiedades de la U: La matriz es ortogonal de tal manera que:
U es ortogonal <-> u-1 =UT
De tal manera que:
(A) U-1 AU=diagonal (1,1,10)
Donde:
Diagonal (1,1,10)=
1 0 0
0 1 0
0 0 1
7.5.Diagonalización: La propiedad anterior (A) proviene de la siguiente
proposición:
Si A Є Rnxn es simétrica o sea: (A=At)
Entonces:
No existe U ortogonal (ut = U-1) tal que:
U-1AU =D
Proceso que se llama diagonalización donde D en general:
λ1 0 0 … 0
λ es valor propio de
D= 0 λ2 0 … 0
A
… … … … …
0 … … … λn
7.6.Transformación lineal de los eigenvalores: Con la matriz ortogonal U se
constituye la transformación lineal siguiente:
Imagen -> T(x)=U(x) (B)
x
1
x= x
1
2
x
3
Tal que se puede escribir reemplazando valores en B lo siguiente:
1/ -4/3 √5 2/3 x
√5 1
5/3 √5 2/3 x
U= 0
2
- -2/3 √5 1/3 x
2√5 3
De la cual efectuando la respectivas operaciones en matrices tenemos:
=((1/(√5))n – (4/(2√5))n x2+2/3 x3 , (5/(2√5))x1+2/3 x3, -(2/(3√5))x1+1/3 x3-
(2/(3√5))x2)
7.7.Aplicación Geométrica de la matriz U: Una principal aplicación de la
matriz U es de rotación de los ejes, el grafico siguiente nos da una idea:
Al rotar los ejes x1, x2, x3, se obtiene un numero nuevo o sistema nuevo de
ejes y1, y2, y3, cuyas coordenadas están por la ecuación:
Y=T U X
Utilizaremos esta ecuación reemplazando valores tenemos:
y1=1/√5 x1 -2/(3√5) x3
y2=-4/3√5 x1+5/3√5 x2-2/3√5 x3
y3=2/3 x1+2/3 x2+1/3 x3
7.8.Aplicación a ecuaciones cuadráticas: como
T U AU =D
Siendo D diagonal (1,1,10) tenemos la siguiente ecuación:
Ty(t U AU) y =Ty Dy
=y12+ y22+103y2
Ecuación de Elipsoide (ecuación cuadrática), comparando tenemos:
Si
y
1
y
y=
2
y
3
Ty=(y1, y2, y3)
1 0 0
D= 0 1 0
0 0 1
Tenemos:
Ty Dy=[ y1, y2, y3] 0 0 y
1
1
1
1 0 y
0
2
0 1 y
0
3
=[ y1 y2 y3] [y1, y2, y3]
= y12 +y22+10y32 elipsoide
Esta última ecuación es una ecuación cuadrática que en nuestro caso
particular es un elipsoide en un espacio euclidiano tridimensional.
7.9.Formas cuadráticas: los resultados obtenidos a cerca de las

transformaciones ortogonales de coordenadas aplicaremos para el estudio
de las ecuaciones cuadráticas y secciones conocidas. Las formas
cuadráticas se presentan en una diversidad de áreas de la física, la
geometría y la estadística.
ax2+2bxy+cy2+dx+ey+f=0 (A)
Ecuación cuadrática. Donde a, b, c, d, e, f son números reales y entre a, b,
c por lo menos uno no es cero esta expresión general tiene otra forma que
es la siguiente y que se llama: “Forma cuadrática asociada”
ax2+2bxy+cy2
Del siguiente Ejemplo:
3x2+5xy-7y2+2x+y=0
A=3; c=y; e=0; b=5/2; d=2; f=7
En los siguientes ejemplos mostraremos las formas cuadráticas asociadas.
Ecuación cuadrática Forma cuadrática asociada
3x2+5xy-7y2+2x+7=0 3x2+5xy-7y2
4x 5y 8y+9=0
2 2
4x2+5y2
xy+y=0 xy
Los gráficos de las ecuaciones cuadráticas en x, y se llaman “Cónicas o
secciones cónicas” siendo las mas importantes:
- Las elipses
- Los círculos
- Las hipérbolas
- Las parabólicas
Cuando estas figuras se encuentran ya sea en el centro de un sistema de
coordenadas o equidistantes del mismo se llaman: “Cónicas no
Degenerada” se encuentra en posición estándar con relación al eje de
coordenadas, cuyas figuras son las siguientes:
1
Como ejemplos veremos las siguientes relaciones cuadráticas cuyos gráficos

han sido representados así:
1. x2/4 + y2/9 =1 -> x2/k2 + y2/l2 =1 k=2; l=3
Su grafico es una elipse. Cuyos valores
(-2,0) y (2,0) se intersectan con x.
1
(0,-3) (0,3) se intersectan con y.

2. X2-8y2=-16, es una Hipérbola
y2/2 – x2/16 =1 k=√2 ; l=4
3. 5x2+2y=0
x2=-2/5 y Es una Parábola k=-2/5 posición estándar hacia abajo
Las figuras degeneradas son aquellas que en su estructura posee xy que se
llama “términos de producto cruzado”.
La presencia de x, y significa que la cónica esta “girada”
Por otra parte ninguna cónica en posición estándar posee los términos: x 2 y
x o y2 e y simultáneamente. Si existen estos términos la cónica esta
“trasladada”
La técnica para identificar la grafica de una cónica no degenerada que se

encuentre en la posición estándar consiste en trasladar x, y para obtener x 1
y y1 en la cual la cónica este centrada.
Ejemplo: Veremos un ejemplo de Traslado de ejes de la siguiente ecuación:
2x2+92-12x-4y+18=0
2 2
Esta relación contiene x , y , ‘x’ y ‘y’ pero ningún termino cruzado (producto
cruzado) su gráfica es una cónica que esta trasladada pero no esta girada.
El ejercicio consiste en elevar la cónica a su posición estándar, trasladando
apropiadamente los ejes de coordenadas y para este agrupamos los
términos x, y.
(22-12x)+(y2-4y)+18=0
Al completar los cuadrados de las dos expresiones de los paréntesis se
obtiene:
2(x2-6x+9)+(y2-4y+4)=-18+18+4 *
 x’ = x-k; y’=y-l
 Traslado de Ejes.
2(x-3)2+(y-2)2=4
1
Trasladamos los ejes de coordenadas mediante:

x’=x-3
y’=y-2
2x2+y2=4
X2/2 + y2/4 =1
La figura que representa a esta ecuación es la siguiente:
A continuación consideraremos las cónicas que están giradas a la posición

estándar.
La relación (A) podemos también anotarla en forma matricial del siguiente
modo:
+f=
x y ab x + d e x
0
b c y y
Donde también efectuando:
x’ AX+ kx +f=0
donde:
A k d
x= x a b e
= =
y b c
Su forma cuadrática asociada es: x’ AX
Estas transformaciones las vemos como un ejemplo numérico:
3x2+5xy+7y2
1.
3 5/2
5/
7
2
2.
8 0
0 -4
Ejemplo. Descripción de Cónicas
Descríbase la cónica C cuya ecuación es:
5x2-4xy+8y2-36=0
1. La forma matricial de esta ecuación es:
x’ AX-36=0
En donde:
A= 5 -2
-
8
2
Donde la ecuación característica es:
λ-
Det(λI-A)=det -2
5
1
-2 λ-8
 (λ-9) (λ-4)=0
Por lo tanto los valores propios son en este ejercicio:
Λ=4; λ=9
De donde los vectores propios serán:
1.λ=4
-
2 x = 0
1
2 -4 y 0
Resolviendo el sistema tenemos:
2 =
x 2
t t
y t 1
Vector propio Eigen vector
2. λ=9
Al normalizar este vector con el fin de una base esta normal para su espacio
respectivo se obtiene.
2/
v1=
√5
1/
√5
De modo análogo para λ=9 luego de haber efectuado el reemplazo
respectivo y resuelto el sistema y procedido a sui normalización se tiene:
-1/
v2=
√5
2/√5
Habiendo obtenido v1 y v2 conformamos la base ortogonal:
2/
A= -1/√5
√5
1/
2/√5
√5
Este valor de P diagonaliza ortogonalmente a A, Si Sustituimos:
x=Px’
(x’)(P’ A P) x’-36=0
Siendo: La diagonalización de la matriz
P’ AP= 4 0
0 9
Por lo tanto es posible escribir esta ecuación como:
x x -
y’ 40
’ ’ 36=0
y
09
’
4x’ +9y’ -36
2 2
Esta en definitiva será:

x’2/9 + y’2/4=1
Que llega a ser una Elipse.
Cuyo grafico es :
1

Dossier Algebra Lineal

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Dossier Algebra Lineal

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Dossier Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Dr. Ing.

Nicolás Salvador - ALGEBRA LINEAL

En el campo de la educación la sociedad actual tiende a la Sociedad del

El hecho de aprender a administrar y controlar el proceso de aprendizaje en la

Educar es un modo de cooperar entre educadores y educandos para que

Cooperar personalmente a la realización de éste plan, es la política educativa

Es evidente que un grano de arena puede ser muy poco en la playa de la

BASES PEDAGÓGICAS DEL PRESENTE DOSSIER.

El modelo contempla 3 bases primarias:

a. Así como a su tiempo tanto la escritura, como la imprenta al constituirse en

El espacio virtual (“Aula sin paredes”) siendo en su naturaleza:

Actualmente no basta con enseñar a leer, escribir, contar y a comportarse,

En este sentido nuestra condición de “Analfabetos Funcionales” en el nuevo

b. Llevar a cabo el proceso anteriormente indicado y orientarlo en su

basados en la interacción entre pares y entre estos y el conductor. En

c. Y si a éstos dos predicamentos se añaden los valores del ESPÍRITU

Esta es nuestra proposición pedagógica, conjuncionar los tres criterios

Siendo un Dossier una Memoria Pedagógica que en general contiene los

Luego un tercer objetivo del Dossier, consiste en oficiar de programador de

1.3.Elementos de una matriz:

1.8.2. Propiedades de la multiplicación escalar por una matriz:

AxB =3*3 3*2 Si

1.8.8.4. Matriz triangular inferior: Es una matriz cuadrada cuyos elementos

indicamos que una matriz compleja es aquella que tiene como

<Basada en la teoría de las permutaciones>

2.3. Utilización de la determinante de 2doorden para hallar la matriz

1.4.2.1. Cálculo de determinantes de 3er orden:

Tomando la primera fila

en obtener otro determinante a partir del determinante de n aplicando

2. Cuando las rectas se intersectan, es decir si por lo menos tienen un

3. Si L1 y L2 coinciden entre si, el sistema tiene infinidad de soluciones:

3.4. Matriz aumentada: Un ejemplo arbitrario d incógnitas puede

(3) Multiplicamos por 2 la 2da fila y luego sumamos a la 1ra

Si una matriz cumple las propiedades 1,2 y 3 se encuentra en la forma

Solución Solución no única Solución única

4. Sumar -3 veces la segunda 4. Sumar -3 veces el segundo renglón al

Condición: Para resolver un sistema de ecuaciones lineales por el método

Ejemplo: Si AX=B constituye un sistema de m ecuaciones con n

xj = 1 ∑nk=1 bk cof akj

de cramer está basado en la solucion mediante determinates de tal

Condición: Siempre matrices cuadradas (2x2), (3x3), (4x4), (5x5)

Luego conformamos la matriz aumentada

4.2. Multiplicación de un vector por un escalar: El Producto k u de un

4.3. Vectores en el plano: La representación de los puntos en el plano está

El origen de los ejes se conoce como punto de referencia cero, entonces

4.6. Adición de vectores en Rn: Sea u y v dos vectores en Rn como:

La suma de vectores con diferente número de componentes no esta

4.10.Teorema de Cauchy-Schwarz: Para vectores cualquiera u, v Є Rn:

Es necesario tomar en cuenta:

Suma: (z1, z2,...,zn)+(w1, w2,...,wn)

Por la multiplicación escalar se entiende una regla para asociar con

La verificación de los axiomas nos indica que R n cuando n>1 es

Figura (b) multiplicación por escalar.

7. Subespacios: Con frecuencia se tiene que un espacio vectorial

v1,v2,…,vn cunando se los expresa de la siguiente forma como

Agrupan todos los vectores V que sean combinaciones lineales en

P(x)=a0+ a1x+ a2x2+ a3x3+…+anxn

Ejemplo: Dados los vectores: Vectores en R2

Linealmente Dependiente “Coplanares”

AxB =33 32 Si

Matriz asociada R22, es la matriz asociada R22 a T