Matemáticas I E.I.

Tema 2
Aplicaciones Lineales y Matrices

Curso 2012-2013
 2
Tema 2 Introducción

Como requisitos previos para manejar todos lo que en este tema se

introduce se tienen que recordar de cursos anteriores los conceptos de,
vectores, dependencia e independencia lineal, matrices operaciones,
determinantes, sistemas de ecuaciones lineales.

El programa pone:

 1. Espacio Vectorial. Cambios de bases. Espacios afines. Cambios de sistemas

de referencia. Producto escalar, normas y distancias.
 2. Aplicaciones lineales y matrices.
 3. Matrices equivalentes y semejantes. Operaciones y matrices elementales,
aplicación al cálculo del rango y de la matriz inversa. Determinantes:
propiedades y aplicaciones

Bibliografia.-
•De Burgos, J “Álgebra Lineal”. J.. Ed. Mc. Graw Hill.
•López Pellicer y García García “Álgebra lineal y Geometría”. Ed. Marfil.
•De la Villa A. “Problemas de Álgebra Lineal”
•Tébar Flores “Problemas de Álgebra Lineal”.
 3
Tema 2 Guión del tema

 Espacio Vectorial
• Definición en R o en C… Ejemplos. Propiedades.
• Sistemas de vectores. Dependencia e independencia lineal. Rango
de un conjunto de vectores….
• Subespacio vectorial, definición, C N y S.
• Subespacio generado. Sistema generador. Bases. Coordenadas.
Dimensión. Ecuaciones de los subespacios.
• Cambios de bases, ecuaciones.
 Aplicación lineal entre e.v.
• Concepto, ejemplos. Algunas propiedades. Núcleo e imagen. Tª de
las dimensiones.
• Matriz de una aplicación lineal
• Cambio de bases en una aplicación lineal, matrices equivalentes y
semejantes.
 Espacios vectoriales afines.
• Definición. Sistemas de referencia. Cambios del Sistema de
Referencia.
 Espacios vectoriales con producto escalar.
• Definición, normas distancias, ángulos, ortogonalidad..
• Expresión matricial del p.e.
Operaciones elementales sobre matrices…,
Recordatorio sobre determinantes, SEL etc
 4
Tema 2 Definición de E.V.

 Definición Un espacio vectorial es un conjunto V dotado de

dos operaciones, una interna + (lci), y otra externa . (lce)
– Con la lci es un grupo esto es:
• Conmutativa, asociativa, e.neutro, e. opuesto
– Y con la lce cumple las propiedades:
1. α ⋅ (x + y) = α ⋅ x + α ⋅ y
2. (α + β ) ⋅ x= α·x + β ·x ∀x, y ∈ V ∀α ,β ∈ K
3. α·(β ·x) = (α·β )·x
4. 1.x = x 1 elemento unidad de K

 Al conjunto (V,+,·K) se le llama ESPACIO VECTORIAL sobre

el cuerpo K, o también K-espacio vectorial. A los elementos
de V los llamaremos vectores ; a los del cuerpo K,
escalares y los habitualmente los escribiremos con letras
griegas α, γ, λ, µ,...
 5
Tema 2 Ejemplos de E.V.

 1.- Rn (x1 ,..., xn ) + (y1 ,..., yn ) =

(x1 + y1 ,..., xn + yn )
α·(x1 ,..., xn ) = (α·x1 ,..., α·xn )
∀α ∈ R y (x1 , x2 ,..., xn ),(y1 , y2,..., yn )∀ ∈ R n

 2.- El conjunto de los polinomios con coeficientes reales con

grado ≤3 (P3 (x), +,·R)

{
P3 (x) = a0 + a1x + a2 x2 / ai ∈ R }
 3. Las matrices Mp,q con la suma y producto por números
reales.
 4.- Las sucesiones reales .
{xn } + {yn } ={xn + yn }
{xn } {axn } ∀a ∈ R
a·= y ∀ {xn } , {yn } ∈ Sucesiones de nº reales
 6
Tema 2 Propiedades….c.l, sistema generador

Otras propiedades que se cumplen en un e.v.

1. 0·x = 0; ∀x ∈ V 0 ∈ R 5. si α ≠ 0 y α·x = α·y → x = y
2. α·0 =0; ∀α ∈ k 6. a) α·(−x) =−(α·x) =−
( α )·x
3. α·x= 0 ⇔=
α 0 ó=
x 0 b) (−α )·(−=
x) α·x
4. x ∈ V, x ≠ 0 y α·x= β ·x → α= β 7. α·(x − y)= α·x − α·y; ∀α ∈ R, ∀x, y ∈ V

Sea (V,+,·K) un espacio vectorial sobre K y S⊂V, decimos que S es

subespacio vectorial cuando (S,+,·K) es también un e.v. sobre K.

S es subespacio de V ⇔ ∀α , β ∈ K, ∀x, y ∈ S : α·x + β ·y ∈ S

Ejemplos:
1. S={(-a,a)/a∈R}, es un subespacio vectorial de R2.
2.- P2 (x) es un subespacio vectorial de P3 (x).
3.- S={(-a+1,a)/a∈R}, NO es un subespacio vectorial de R2.
 7
Tema 2 Operaciones con subespacios

 Intersección.-
 Teorema: Sea (V,+,·K) un K-espacio vectorial y sean S1 y S2 dos
subespacios vectoriales de V, entonces
S1 ∩ S 2 = {x / x ∈ S1 y x ∈ S 2 } es también subespacio vectorial de V.

Suma de subespacios.-
 Definición: Sean S1, S2 dos subespacios vectoriales del K-espacio
vectorial (V,+,·K) se define la suma:
 S1 + S 2 = {x ∈ V / x = x1 + x2 , xi ∈ Si ; i = 1,2}
 Teorema: S1+S2 es también subespacio vectorial.
 8
Tema 2 Operaciones con subespacios

Teorema de las dimensiones.-

Si L y M son subespacios de V, entonces:
dim(L+M) = dim(L) + dim(M) – dim (L∩M)

Ejemplo: M ={ (x,0): x∈ R} subesapcio de R2..

L ={ (o,y) : x ∈R} subespacio de R2.
M ∪ L No es subespacio de R2.
Pues (1,0) ∈M y (0,1) ∈L y (1,0) + (0,1)=(1,1) ∉ M ∪ L .

Ejercicio:
Sea M generado por {(1,0,1); (0,1,1)} y L generado por {(1,1,1);
(2,0,1)} . Hallar S+L y S∩L.
 9
Tema 2 Combinaciones lineales , sistema generador

 A cualquier conjunto de vectores se le suele llamar

Sistema de vectores
n

∑ αi ·xi
x es combinación lineal de x1 , x2 ,...., xn: ∃α1 ,α2 , ..., αn ∈ K / x =
i=1

Al conjunto de todas las c.l. de x1 , x2 ,...., xn se le llama variedad lineal

generada o subespacio generado a los vectores {xi } se le llama
n 
sistema generador (s.g.) x1 ,=
x2 ,...., xn ∑ i i α ·x / α i ∈ K 
 i =1 
Ejemplos.-
1.- En R3 un sistema generador es (1,0,0),(0,1,0),(0,0,1)
Y también lo es (1,0,0),(0,1,0),(0,0,1), (6,7,8), (4,5,6)
2.- En R3 L={(a+b, b,2a)/a,b∈R} es un subespacio generado por los vectores ((1,0,2) y
(1,1,0)
3.- P3(x) esta generado por {1,x,x2,x3}, también está generado por {1, 1+x, 1+x+x2,
1+x+x2+x3}
 10
Tema 2 Dependencia e independencia lineal…rango

1...Se dice que {x1 , x2 ,...., xn } son vectores linealmente independientes (l.i.)
n
o tambien familia libre cuando se verifica Si ∑ α ·xi i = 0 → αi = 0 ∀i
2...El conjunto de vectores {x1 , x2 ,..., xn } se dice que es un conjunto de vectores
i=1

linealmente dependientes (l.d.)  o tambien familia ligada cuando

n
Si ∑ α ·x =
i=1
i i 0 → ∃αi ≠ 0 para cierto i..... Esta definicion es equivalente a:

{x1 , x2 ,...., xn } es l.d. ⇔ uno de ellos es c.l. de los demás

Ejemplos:
1. En R2, (1,-2)(2,-4) son l.d.
2. En R3 a)(1,2,3), (1,1,0), (1,0,0) son l.i.
b) (1,2,3), (1,1,0), (1,3,6) son ld
3. En P3(x) {1+x+x3, 2x+x2, 2-x2+2x3} son l.d.

Llamamos RANGO de un sistema de vectores:

al número máximo de vectores libres
 11
Tema 2 Bases, dimensión….
Definición : Base de un E.V. es un sistema de vectores {v1 ,..., vn } que
a) son l.i b) sistema generador
Todas las bases de un E.V. tienen el mismo número de vectores.
Ese número es la dimensión del E.V.
1.- En R 2 una base es {e1 , e2 }= 1, 0 ) y e2 ( 0,1)
con e1 (= llamada base canónica
El conjunto {v1 , v2 } donde
= v1 (1,2),
= v2 (3, 4) tambien es base de R 2
2.- En ( P3 (x), +, ·R) tenemos {1, x, x2, x3} es base. También es base el
conjunto {1, 1+x, 1+x+x2, 1+x+x2+x3}

3.- En las matrices M2,3 las matrices A,B,C,D,E,F son una base del E.V.
1 0 0 1 1 0 1 1 1  1 1 1  1 1 1  1 1 1
A=   , B=   C=   , D=   , E=   , F=  ,
0 0 0  0 0 0  0 0 0  1 0 0  1 1 0  1 1 1

n
Si B= {v1 ,..., vn } es una base de un e.v. entonces si x ∈=
V⇒x ∑ α ·v i i αi ∈ K
i=1

A los escalares (α1 ,α2 ,....,αn ) le llamamos coordenadas de x en la base B

lo expresaremos con xB
Las coordenadas de un vector son únicas....Si se cambia la base cambian las coordenadas....
 12
Tema 2 Cambios de bases en e.v.
n
Sean B1 {x1, x2 ,...,
= xn } y B2 {y1 , y2 ,..., yn } dos bases de V y sea
= x∈V /x ∑ α ·y =x
i i B2
i=1
n

∑ γ i·xi=xB1
queremos obtener las coordenadas en la base B1 , que llamamos γ i ∈ K / x =
i=1

Suponemos que nos dan las coordenadas de los vectores de la base B2 en la base B1
y=
1 β11·x1 + ... + β1n·xn .... y=
2 β21·x1 + ... + β2n·xn ..... y=
n βn1·x1 + ... + βnn·xn

 Las ecs. del cambio bases son:

γ=
1 α1·β12 + α2·β22 + ... + αn·βn2 ... γ=2 α1·β12 + α2·β22 + ... + αn·βn2
... γ=
n α1·β1n + α2·β2n + ... + αn·βnn ...... o en forma matricial.....

 β11 β12 ....

β1n 
 
β β ....
β2n 
(γ 1 γ 2 ........ γ n ) (α1 α2 ........ αn ) .  21 22 ⇔ X B1 = X B2 .(B2 )B1
 ... ... ... 
....
 
 βn1 βn2 βnn 
....
o simplificadamente pondremos ......X = X ′.P X las coordenadas del vector en la base primera,
X ′ las coordenadas del vector en la base segunda y P la matriz de la segunda base respecto la primera
Antes… ecs. Subespacios ⇒
 13
Tema 2 Aplicaciones Lineales….
Antes…⇒

 Definición: Sean dos e.v. E y F, sobre un cuerpo K, decimos que la aplicación

f: E → F es una aplicación lineal u homomorfismo cuando:
– f (x + y) = f(x) + f(y)
– f(α∙x) = α∙f(x) ∀ α∈K, ∀ x,y ∈ E
• Nota: Cuando F = K se llama forma lineal.
 Ejemplos:
– 1.- f: R → R f(x)=3x es una aplicación lineal de (R,+,·R) en si mismo.
– 2.- f: P2 (x) → P1 (x) / ∀ p(x) ∈P2 f(p(x)) = p´(x)
– 3.- f: R2 → R3 f(x,y)=(x-y ,2x ,x+y)
– 4.- f: V → V f(x)= k∙x k∈K (se llama homotecia)
– 5.- V = {funciones reales integrables} F: V → W = R F(φ) = ∫ab φdx
– ………. Y no lineales????
 Teorema. (Condición necesaria y suficiente de aplicaciones lineales).
 Sea E, F e. v. sobre K:
 f es aplicación lineal ⇔ f(αx + βy) = αf(x) + βf(y) ∀ α,β∈K y ∀ x,y∈V
 14
Tema 2 Aplicaciones Lineales….

 Algunas propiedades:
• f(0E)=0F … f(-x)=-f(x) ….. f(x-y)=f(x)-f(y)

 Hay dos conjuntos importantes en toda aplicación lineal

 Sea f:(E,+,.K) → (F,+,.K)

 Definición 1: llamamos Imagen de la aplicación lineal y lo denotamos

por Im(f) al conjunto: f(E) = Im (f) = {y∈F /∃x∈E, f(x) = y}⊂ F
 Definición 2: llamamos núcleo del homomorfismo, y lo denotamos por
Ker(f) a: Ker(f) = N(f) = { x∈E / f(x) = 0F } ⊂ E
» Siempre hay al menos un vector pues f(0E)=0F

 Ambos son subespacios vectoriales y se cumple:

• Teorema de las dimensiones
» dim E = dim(Ker(f)) + dim (Im(f)).
 15
Tema 2 Matriz de una aplicación lineal

Sea f:Ep → Fq y sean unas bases en E y F que llamamos BE y BF

BE= {u1 ,u2 ,u3 ,....,up } y BF {v1 , v2 , v3 ,...., vq } llamamos matriz de f referida a las bases
BE y BF a la matriz que tiene por filas las imágenes de los vectores de la base de BE
 a11 a12 a13 ... a1q  f(u1=) a11.v1 + a12.v2 + .... + a1q.vq
  
 a21 a22 a23 ... a2q  f(u2=) a21.v1 + a22.v2 + .... + a2q.vq
M(f)= M=   donde ... 
 .. .. .. ... ...  ....................
a a a ... apq  f(u =
 p1 p2 p3 pxq  p ) ap1.v1 + ap2.v2 + .... + apq.vq
Se prueba que si X=(x1 , x2 , x3 ,...., xp ) y f(x)=Y=(y1 , y2 , y3 ,...., yq ) entonces Y = X.M
 a11 a12 a13 ... a1q 
 
 a21 a22 a23 ... a2q 
(y1 , y2 , y3 ,...., yq ) = (x1 , x2 , x3 ,...., xp ) .   tambien podría expresarse con
 .. .. .. ... ... 
a a a ... apq 
 p1 p2 p3 pxq

las matrices traspuestas o sea convirtiendo filas en columnas Y t = Mt .X t

 Obsérvese que la matriz de una aplicación depende de las bases elegidas BE y BF

 16
Tema 2 Matrices equivalentes y semejantes

Cambio de bases en la ecuación de una aplicación lineal.

 Matrices equivalentes: Si A, B Є Mpq decimos que A es equivalente a B (A ≈ B)
si ∃ P Є Mp y Q Є Mq / B= PAQ-1 ( P y Q regulares)

– Veamos que ocurre en la ecuación de una aplicación lineal si se

cambian las bases

 Sea f: E→F de ecuación Y=X M con M = matriz de f referida a BE y BF.

• Supongamos que se cambian las bases:
 Sea el cambio en E: BE → B’E X = X’P P matriz del cambio de bases en E
 Sea el cambio en F BF → B’F Y = Y’Q Q matriz del cambio de bases en F

 Entonces si Y=X.M → Y’Q = (X’P).M ….. Y’ = X’ (PMQ-1) ⇒ Y’ = X’H

 O sea la nueva matriz de f (referida a B’E y B’F es H = PMQ-1
» Según la definición anterior son matrices equivalentes
 Por tanto, también podemos definir: “Dos matrices son equivalentes si son
matrices de una misma aplicación lineal referida a bases distintas”

 Matrices semejantes : Si A, B Є Mp A es semejante a B ⇔ ∃ P Є Mp regular

/B= PAP-1 (es el caso anterior con E = F ó P=Q)
 17
Tema 2 En resumen
 18
Tema 2 Espacio Afín

Sea Π un conjunto de puntos y sea V un e. v., llamaremos espacio afín

asociado al e.v. V a la terna formada por:
A1 ) ϕ (P,Q ) = ϕ (P,R ) + ϕ (R, Q ) ∀ P,Q,R ∈ Π
( Π, V, ϕ ) ≡ A. Siendo ϕ:Π × Π → V/ ∀A ∈ Π 

A2 )  ∃B ∈ Π /ϕ ( A,B ) = v
∀v ∈ V 

A los elementos de Π les llamaremos “puntos del espacio afín”.
El vector ϕ ( A,B ) se designará habitualmente por AB
Al punto B le llamaremos “extremo” y a A, “origen”.
+ PROPIEDADES.

a) ∀A ∈ Π, ϕ ( A,A ) = 0
b) ∀A,B ∈ Π, ϕ ( A,B )= −ϕ (B, A )
c) ∀A,B,C ∈ Π se cumple ϕ ( A,B ) = ϕ ( C,D ) ↔ ϕ ( A, C ) = ϕ (B,D )

 Ejemplos.-
– Plano afín A2=(R2, V2, φ)
– Espacio afín tridimensional A3=(R3, V3, φ)
 Siendo φ(P,Q)=(q1-p1,q2-p2,...) y P=(p1,p2,..) y Q=(q1,q2,..)
 19
Tema 2 Sistemas de referencia..coordenadas

Sea un esp. afín A =( Π, V , φ) y sea R= {O, U1,..., Un } (n + 1 pu nt os)

se dice que R es un sistema de referencia cuando {OU ,..., OU } es base del e.v. V
1 n

{ }
A OU1 ,..., OUn le llamaremos “base vectorial asociada” al sist. de
referencia afín {O, U1 ,..., Un }

{
Habitualmente un SR afin R se suele expresar como O, U1 ,..., Un }
donde U1 OU
= = 1 ,..., Un OUn
Es decir un SR son n + 1 puntos ó un punto y una base del e.v

Dado un punto del espacio afin llamaremos vector de posición al vector OP

siendo O el punto fijo del S.R.
Existe una biyección entre los puntos de un EAfin y sus vectores de posición.
Llamamos coordenadas afines de un punto P(p1 ,p2 ,...pn ) a las coordenadas vectoriales
de su vector de posición OP = p1U1+p2 U2 +...+pn Un
 20
Tema 2 Sistemas de referencia..coordenadas

 Definición:
– Llamamos dimensión del espacio afín a la dimensión del e.v.
asociado.

 Ejemplos
 En el plano R1={O,E1,E2} con O=(0,0), E1=(1,0),E2=(0,1) es un S.R.
 En el plano R2={A,P1,P2} con A=(1,1), E1=(2,3), E2=(4,6) es otro S.R.

 En el espacio R1={0,E1,E2,E3} con O=(0,0,0), E1=(1,0,0), E2=(0,1,0)

E3=(0,0,1) es un S.R.
 En el espacio R2={A,P1,P2,P3} con A=(1,1,0), P1=(1,2,3), P2=(2,4,6)
P3=(4,5,8) es otro S.R.

 Ejercicios.-
 Obtener las coordenadas del punto P(8,9) del plano afín en el sistema R2

 Obtener las coordenadas del punto P(6,7,8) del espacio afín en el

sistema R2
 21
Tema 2 Cambios de sistemas de referencia

{
( φ )y los S.R. R= O,u 1,.. .,un
Sea el EAfin A=Π,V, } {
R'= O',v1 ,...,vn }
Sea X = XR = ( x1 ,..., xn ) ⇔ OX = x1 u1 + ...+ xn un
n n
Sea X=XR'= ( x'1 ,...,x'n ) ⇔ O'X=∑ x'i vi y sea OO'= ( a1 ,...,an ) =∑ ai ui
i=1 i=1

 n

v1 = ∑ a1i ui  
 i =1
 
Sean .......... ⇔P =
 aij  con P "matriz del cambio de bases"
  
v
 n = ∑ a u
ni i  

entonces sustituyendo obtenemos las ecs. del cambio de S.R.
 x1 = a1 + x '1 a11 + ... + x 'n an1

........... que en forma matricial sería
 x = a + x ' a + ... + x ' a
 n n 1 1n n nn
 22
Tema 2 Cambios de sistemas de referencia

 a11  a1n 
( x1 ,..., xn ) ( a1 ,..., an ) + ( x '1,..., x 'n )    
= ⇔ ( X=A+X´.P )
 an1  ann 
1 a1  an 
 
0
(1, x1 ,..., xn ) (1, x '1 ,..., x 'n )  

⇔ simplificadamente X=X´.B
 P
 
 0 
(siendo la matriz B y X= (1,x1 ,...,xn ) y X´= (1,x'1 ,...,x'n ) )

Ejercicios.
1. Buscar las ecs. de los cambios de sistemas de referencia en el
plano y en el espacio de los ejemplos anteriores….…
2. Obtener las ecuaciones de alguna variedad afín.
 23
Tema 2 Producto Escalar

Definición.- Sea Vn un espacio vectorial, llamaremos producto escalar

(p.e.) de los vectores Vn , a toda aplicación     f : Vn xVn → R que cumple:
1.-=
x.y y.x 2.- x.(y+z)
= x.y+x.z ∀x, y,z ∈ Vn , ∀α ∈ K
3.- (α.x)=α.(x.y) 4.- x.x > 0 ∀x ≠ 0
El e.v. Vn con el p.e. se le llama Espacio vectorial euclídeo e.v.e.

Ejemplos :
1.- En el e.v V2= {(x, y) / x, y ∈ R} si x
= ( x1, x2 )    y= ( y1 , y2 )
x.y x1.y1 + x2 y2
= es un p.e.
2.- En el mismo e.v. a) x.y = x1y1 + ( x1 + x2 ) ( y1+y2 )    tambien es p.e. 
x1y1 + 2x2 y2 + 3 ( x1y2 + y2 ) es otro p.e.
b) x.y =
=
3.- Si Fc a,b  = {funciones continuas definidas en el intervalo real a,b }
b
y sea  φ : Fc xFc → R  definida 
= φ ( f, g) ∫ f(x)g(x)dx ∀f, g ∈ Fc es un p.e.
a
 24
Tema 2 Norma y ángulo en el e.v.e.

En un e.v.e. En se define norma de un vector como

+
x
= x⋅x
La norma cumple las propiedades:
1.- x ≥ 0 ∀x ∈ En x = 0⇔x= 0
2.- λx = λ ⋅ x ∀λ ∈ R 3.- x+y ≤ x + y ∀x, y ∈ En

A partir de la norma se define la distancia como :

d(x, y) = x−y siendo x, y ∈ En
.....
Y el ángulo formado por dos vectores como:
 x.y
xy=θ como el único θ ∈ [0, π] tal que cos(θ)=
x y
 25
Tema 2 Ortogonalidad en un e.v.e.

- Se dice que x es ortogonal

= y ⇔ x ⋅ y 0 se expresa x ⊥ y

{ }
p
- Un sistema de vectores ui se dice ortogonales dos a dos
1

cuando: u=
i ⋅ uj 0, para i ≠ j
- Un vector a es ortogonal a un subespacio S cuando es ortogonal
a todos los vectores de S: a ⊥ S ⇔ a ⋅ y = 0 ∀y ∈ S
- Para que a sea ortogonal a S basta con que lo sea a una
cualquiera de sus bases.
- Una base de un e.v. se dice ORTOGONAL cuando sus vectores
son ortogonales dos a dos
- Una base de un e.v. se dice ORTONORMAL cuando sus vectores
son ortogonales dos a dos y unitarios (de norma 1)

{e }
n
i ortogonal ⇔ ei ⋅ e=
j 0 i≠ j
1


ei ⋅ e= 0 i≠ j
{e }
n j
i ortonormal ⇔ 
ei ⋅ e= 1 =
i j
1
 i
 26
Tema 2 Ortogonalidad en un e.v.e…Expresión matricial de un p.e.

 Esta definición se extiende a las matrices. Una matriz se dice

ORTOGONAL cuando sus vectores filas (o columnas) son una base
ortonormal.
 Esto es equivalente a que M.Mt=I⇔M=M-1…

Por último recordaremos que un p.e. se puede expresar como :

EXPRESIÓN ANALÍTICA del producto escalar

=
Si E n   ( Vn ,.) e.v. euclídeo y B= {u1 , u 2 , _, u n } una base de V
=

∑= ∑
n n
y sean x xu e y
1 i i 1
yi u i entonces :
 y1 
 
x.y (=
x1 ,...., x n ) ((g ij ))  ...  donde g ij es la matriz cuadrada definida por g ij u i .u j
y 
 n
( )
A la matriz G = ( g ij )    le llamamos matriz del producto escalar (MATRIZ DE GRAMM )
G es simétrica pues g ij = g ji   ∀i,j y definida positiva     (xGx t ) > 0 ∀x
 Fin

Tema APLICACIONES LINEALES Y MATRICES

Volver
 28
Tema 2 Función…Aplicación…

 Función f: A → B
 Original x
 Imagen f(x)
 Dominio o campo de existencia….
 Conjunto Imagen
 Aplicaciones…
– Inyectiva… Suprayectiva…..Biyectiva

 EJERCICIOS…

 Estudiar f: R →R
f(x) x.......
= ....... f(x) x=
f(x) x2= .....f(x) ln(x).......
x +1
x
x2 + 1.......f(x) =
f(x) = x2 − 4.......f(x) = ..... Volver
x −1
 29
Tema 2

Función…Aplicación…

Volver
 30
Tema 2 Ecuaciones de los Subespacios
 31
Tema 2
 32
Tema 2
 33
Tema 2
 34
Tema 2

Volver
 36
Tema 2 Introducción a la expresión matricial

* Sea f: R2 →R2 definida por f(a,b)=(a+b, 2.a)

Para todo (a,b) de R2

Expresarla en forma matricial

* Idem con

Sea f: R2 →R3 definida por f(a,b)=(a+b,a-b, 2.a)

Para todo (a,b) de R2

Volver
 37
Tema 2

 ……