TEMARIO

UNIDAD I NUMEROS COMPLEJOS.

1.1 definición y origen de los números complejos.
1.2 operaciones fundamentales con números complejos.
1.3 potencias de “i”, modulo o valor absoluto de un numero complejo.
1.4 forma polar y exponencial de un número complejo.
1.5 teorema de de moivre, potencias y extracción de raíces de un numero complejo.
1.6 ecuaciones polinómicas.

UNIDAD II MATRICES Y DETERMINANTES.

2.1 definicion de matriz, notación y orden.
2.2 operaciones con matrices.
2.3 clasificación de las matrices.
2.4 transformaciones elementales por renglón. Escalonamiento de una matriz. Rango de una
matriz.
2.5 cálculo de la inversa de una matriz.
2.6 definición de determinante de una matriz.
2.7 propiedades de los determinantes.
2.8 inversa de una matriz cuadrada atraves de la adjunta.
2.9 aplicaciones de matrices y determinantes.

UNIDAD III SISTEMAS DE ECUACIONES LINEALES.

3.1 definición de sistemas de ecuaciones lineales.
3.2 clasificación de los sistemas de ecuaciones lineales y tipos de solución.
3.3 interpretación geométrica de las soluciones.
3.4 métodos de solución de un sistema de ecuaciones lineales: gauss, gauss-gordan, inversa de
una matriz y regla de Cramer.
3.5 aplicaciones.

UNIDAD IV ESPACIOS VECTORIALES.

4.1 definición de espacio vectorial.
4.2 definición de subespacio vectorial y sus propiedades.
4.3 combinación lineal, independencia lineal.
4.4 base dimensión de un espacio vectorial, cambio de base.
4.5 espacio vectorial con producto interno y sus propiedades.
4.6 base ortonormal, proceso ortonormalizacion de gran-Schmidt.

UNIDAD V TRANSFORMACIONES LINEALES.

5.1 introducción a las transformaciones lineales.
5.2 núcleo e imagen de una transformación lineal.
5.3 la matriz de una transformación lineal.
5.4 aplicación de una transformación lineal: reflexión, dilatación, contracción y rotación.
1.1Definición y origen de los números complejos.

Números Complejos
Debido a que el cuadrado de cualquier número real es no negativo, una simple ecuación como x2 =
-4 no tiene solución en el conjunto de los números reales. Para poder tratar con este tipo de
situaciones tenemos que extender el conjunto de los números reales a un conjunto mayor, el
conjunto de los números complejos.

Para poder obtener una solución de la ecuación x2 + 1 = 0, utilizamos el número i, tal que i2=1. Este
número i no es un número real y se llama la unidad imaginaria, pero i2 si es un número real. La
unidad imaginaria se utiliza en la siguiente definición de los números complejos.

Definición. Un número complejo z es una combinación lineal de la forma

En donde a y b son números reales.

Al número a se le llama la parte real de z, a = Re(z), y al número b la
parte imaginaria de z, b = Im(z).
A la expresión a + b i de un número complejo z se le conoce como la
forma estándar de z.

Ejemplos:

z Re(z) Im(z)
7+5i 7 5
-4 –3 i = -4 + (-3) i -4 -3
-9 i = 0 + (-9) i 0 -9
4=4+0i 4 0
Decimos que dos números complejos z = a + b i, w = c + d i, son iguales z = w, si y solo si a = c y
b = d.

Podemos visualizar a los números complejos asociándolos con puntos del plano.
Hacemos esto que el número a + b i se corresponda con el punto (a, b).

1.2 OPERACIONES FUNDAMENTALES CON NÚMEROS COMPLEJOS.

Suma

Para sumar números complejos, se siguen las normas básicas de la aritmética, sumando los
reales con los reales y los imaginarios con los imaginarios:
Ejemplo de suma:

(4 + 2i) + (3 + 2i) = 4 + 2i + 3 + 2i = 4 + 3 + 2i + 2i = (4 + 3) + (2 + 2)i =

el resultado es 7 + 4i

Resta

Al igual que en la suma, se opera como con los números reales ordinarios:

(6-4i)-(6+5i)= 6-4i-6-5i= (6-6)+(-4i-5i)= (6-6)+(4-5)i= 0-1

Multiplicación

Para multiplicar dos números complejos, se multiplica cada término del primero por los dos
del segundo, con lo que obtenemos 4 términos:

Obsérvese que el término bdi2 pasa a ser − bd. Eso es porque i2 = − 1. Ejemplo: y así queda

División

La división de números complejos requiere un mayor trabajo que la multiplicación y

partimos de un artificio previo, basado en que el producto de un número complejo por su
conjugado da como resultado un número real:

Si la división de dos números complejos, la multiplicamos y dividimos por el conjugado del

denominador:
Potencias

Para elevar un número complejo a un exponente entero, se aplican las identidades notables.
Se debe tener en cuenta la igualdad i2 = − 1:

1.3 potencias de “i”, modulo o valor absoluto de un numero

complejo.

Conjugado de un número complejo

Dos binomios se llaman conjugados si solo difieren en su signo central, por ejemplo, los
dos binomios: 3m - 1 y 3m + 1 son conjugados.

El conjugado de un complejo z (denotado como z´ ó z*) es un nuevo número complejo,

definido así:

z´ = x - iy<===> z = x + iy

Se observa que ambos difieren en el signo de la parte imaginaria.

Valor absoluto de un número complejo

El valor absoluto, módulo o magnitud de un número complejo z viene dado por la siguiente
expresión:

Si pensamos en z como algún punto en el plano; podemos ver, por el teorema de Pitágoras,
que el valor absoluto de un número complejo coincide con la distancia euclídea desde el
origen del plano.
Si el complejo está escrito en forma exponencial z = r eiφ, entonces |z| = r. Se puede
expresar en forma polar como z = r (cosφ + isenφ), donde cosφ + isenφ = eiφ es la conocida
fórmula de Euler.

Podemos comprobar con facilidad estas cuatro importantes propiedades del valor absoluto

para cualquier complejo z y w.

Por definición, la función distancia queda como sigue d(z, w) = |z - w| y nos provee de un
espacio métrico con los complejos gracias al que se puede hablar de límites y continuidad.
La suma, la resta, la multiplicación y la división de complejos son operaciones continuas.
Si no se dice lo contrario, se asume que ésta es la métrica usada en los números complejos.

1.4 forma polar y exponencial de un número complejo.

Forma Polar

Sean r y θ coordenadas polares del punto (x, y) que corresponde a un número complejo no
nulo z = x + iy. Como

x = r cos θ e y = r sen θ

z puede ser expresado en forma polar como

z = r(cosθ + i senθ).

En análisis complejo, no se admiten r negativos; sin embargo, como en el Cálculo, θ tiene

infinitos valores posibles, incluyendo valores negativos.

Forma exponencial

La ecuación

eiθ = cos θ + i sen θ

que define el simbolo eiθ, o exp (iθ), para todo valor real de θ, se conoce como fórmula de
Euler. Si escribimos un número complejo no nulo en forma polar
z = r(cos θ + i sen θ),

La fórmula de Euler permite expresar z más compactamente en forma exponencial:

z = reiθ

1.5 teorema de De Moivre, potencias y extracción de raíces de un numero

complejo.

FÓRMULA DE MOIVRE

Aplicando la propiedad de la potencia de un número complejo, se obtiene la

siguiente fórmula llamada Fórmula de Moivre:

(cos a + i sen a)n = cos na + i sen na

que es útil en trigonometría, pues permite hallar cos na y sen na en función de sen
a y cos a.
Esta igualdad recibe el nombre de fórmula de Moivre, en honor del matemático
francés Abraham de Moivre (1667-1754).

Potencia
La potencia es un producto de factores iguales, por tanto la regla es la misma que
la de multiplicar.

El módulo se eleva a n El argumento se multiplica por n Radicación de Números

complejos

La operación de radicación es inversa a la de potenciación .Para un único número

complejo zn , existen varios complejos z, que al elevarlos a la potencia n, nos da el
mismo complejo. .

Para hallar las raíces de un número complejo se aplica la fórmula de Moivre,

teniendo en cuenta que para que dos complejos coincidan han de tener el mismo
módulo y la diferencia de sus argumentos ha de ser un múltiplo entero de 360º.

Sea Ra un número complejo y considérese otro complejo R'a', tal que:

Ra = (R' a' )n = ((R' )n )n a'

Aunque esto parece aportar una infinidad de soluciones, nótese que si a k se le

suma un múltiplo de n, al dividir el nuevo argumento, éste aparece incrementado
en un número entero de circunferencias. Por tanto, basta con dar a k los valores 1,
2, 3, ..., n-1, lo que da un total de n - 1 raíces, que junto a k = 0 da un total de n
raíces.

Raíz Cuadrada

Vamos a hallar :
Primero pasamos z=4+3i a forma polar:
z = 4+3i = 536.9º
La raíz cuadrada de z, tendrá de módulo la raíz cuadrada del módulo de z y de
argumento, el de z dividido por 2.
Las dos soluciones de esta raíz cuadrada son:
Si k=0 --> z1=18.4º
Si k=1 --> z2=198.4º
Si le seguimos dando valores a k = 2, 3, 4, ... veremos que las soluciones que
salen coinciden con las ya mencionadas, después de haber dado 1, 2, 3, ...
vueltas a la circunferencia.
Todas estas operaciones que hemos hecho las puedes ver en la escena, y ver
como quedan los vectores, tanto de z como de z1 y z2

Raíz Cúbica

Primero pasamos z = 2+4i a forma polar: z = 2+4i = 4.563.4º

La raíz cúbica de z, tendrá de módulo la raíz cúbica del módulo de z y de
argumento, el de z dividido por 3.

Las tres soluciones de esta raíz cúbica son:

Si k=0 --> z1=1.621.1º
Si k=1 --> z2=1.6141.1º
Si k=2 --> z3=1.6261.1º

1.6 Ecuaciones Polinómicas.

Una raíz del polinomio p es un complejo z tal que p(z)=0. Un resultado importante de esta definición es que
todos los polinomios de grado n tienen exactamente n soluciones en el campo complejo, esto es, tiene
exactamente n complejos z que cumplen la igualdad p(z)=0, contados con sus respectivas multiplicidades. A
esto se lo conoce como Teorema Fundamental del Álgebra, y demuestra que los complejos son un cuerpo
algebraicamente cerrado. Por esto los matemáticos consideran a los números complejos unos números más
naturales que los números reales a la hora de resolver ecuaciones.

¿Cómo resolver una ecuación de primer grado? Para la resolución de ecuaciones de primer grado podríamos
definir un esquema con los pasos necesarios. Para empezar comenzemos con una ecuación de primer grado
sencilla: 9x − 9 + 108x − 6x − 92 = 16x + 28 + 396 Nuestro objetivo principal es dejar sola la x en uno de los
terminos, el izquierdo o el derecho.

1- TRANSPOSICIÓN: Lo primero que debemos hacer es colocar los terminos con X en un lado, y los
numeros enteros en otro. Para ello, podemos ver que hay algunos números que tendremos que pasarlos al otro
término. Esto lo podemos hacer teniendo en cuenta que: Si el número esta restando (Ej: −6): Pasa al otro lado
sumando (+6) Si el número esta sumando (Ej: +9): Pasa al otro lado restando (−9) Si el número esta
multiplicando (Ej: •2) Pasa al otro lado dividiendo (en forma fraccionaria) (n/2) Si el número esta dividiendo
(en forma fraccionaria) (Ej: n/5) Pasa al otro lado multiplicando (•5) Una vez hemos pasado todos los
terminos en nuestra ecuación, esta quedaría así: 9x + 108x − 6x − 16x = 28 + 396 + 9 + 92 Como podrás
comprobar todos los monomios con X han quedado a la izquierda del signo igual, y todos los números enteros
se han quedado en la derecha.

2- SIMPLIFICACIÓN: Nuestro siguiente objetivo es convertir nuestra ecuación en otra equivalente más
simple y corta, por lo que realizaremos la operación de polinomios que se nos plantea Es decir en nuestro
caso, por un lado realizamos la operación: 9x+108x-6x-16x Y por otro lado: 28+396+9+92 De forma que
nuestra ecuación pasaría a ser esta: 95x = 475

3- DESPEJAR: Ahora es cuando debemos cumplir nuestro objetivo final, dejar la X completamente sola,
para ello volveremos a recurrir a la transposición. Es decir, en nuestra ecuación deberíamos pasar el 95 al otro
lado, y, como está multiplicando, pasa dividiendo: x = 475 / 95 Comprueba que el ejercicio ya está
teóricamente resuelto, ya que tenemos una igualdad en la que nos dice que la x ocultaba el número 475/95.
Sin embargo debemos simplificar esto. Resolvemos la fracción (Numerador dividido entre denominador) en
caso de que el resultado diera exacto, si nos diera decimal, simplificamos la fracción y ese es el resultado. En
nuestra ecuación vemos que si se puede resolver la fracción (475:95=5) por lo tanto x=5 Ya sí hemos resuelto
la ecuación, es decir hemos averiguado que el número que x representaba era el 5. Resolución de ecuaciones
de primer grado (Problema) Pongamos el siguiente problema: El número de canicas que tengo más tres es
igual al doble de las canicas que tengo menos 2.¿Cuántas canicas tengo? El primer paso para resolver este
problema es expresar el enunciado como una expresión algebraica: x + 3 = 2x − 2 El enunciado está
expresado, pero no podemos ver claramente cuál es el valor de x, para ello se sigue este procedimiento: x + 3
= 2x − 2//Primero se pasan todas las x al primer término y los términos independientes al segundo. Para ello
tenemos en cuenta que cualquier expresión pasa al otro término haciendo la operación opuesta. Así
obtenemos: x − 2x = − 2 − 3//Que simplificado resulta:− x = − 5//Esta expresión nos lleva a una parte muy
importante del álgebra, que dice que si modificamos igualmente ambos términos de una ecuación, el resultado
es el mismo. Esto significa que podemos sumar, restar, multiplicar, dividir, elevar y radicar los dos términos
de la ecuación por el mismo número sin que esta sufra cambios. En este caso, si multiplicamos ambos
términos por −1 obtendremos: x = 5//El problema está resuelto Resolución de ecuaciones de segundo grado
Todas las ecuaciones de segundo grado pueden tener como mucho 2 soluciones válidas.Para la resolución de
ecuaciones de segundo grado tenemos que distinguir entre tres tipos distintos de ecuaciones:-Ecuaciones de la
forma ax2 + c = 0 Este tipo de ecuaciones son las más sencillas de resolver, ya que se resuelven igual que las
de primer grado. Tengamos por ejemplo: x2 − 16 = 0//Pasamos −16 al segundo término x2 = 16//Ahora
pasamos el exponente al segundo término haciendo la operación opuesta, en este caso raíz cuadrada
La ecuación ya está resuelta
-Ecuaciones de la forma ax2 + bx) = 0 Tengamos: 3×2 + 9x = 0//En este tipo de ecuaciones lo primero que
hacemos es sacar x factor común de ambas expresiones: x(3x + 9) = 0// Esta expresión es una multiplicación
cuyo resultado es 0, por lo tanto una de los factores tiene que ser igual a 0. Así que o el primer factor (x)es
igual a cero (esta es la primera solución) o: 3x + 9 = 0 3x = 9

Por lo tanto, las 2 soluciones válidas para esta ecuación son 0 y 3-Ecuaciones de la forma ax2 + bx + c = 0
Tengamos por ejemplo la ecuación: x2 + 5x − 6//Para resolver este tipo de ecuaciones utilizamos directamente
la siguiente fórmula:

//Por lo tanto para resolver esta ecuación sustituimos las letras por los números:
//A partir de esta fórmula obtenemos que las soluciones válidas para esta ecuación son 1 y −6

UNIDAD II.
MATRICES Y DETERMINANTES.

2.1 DEFINICON DE MATRIZ, NOTACION Y ORDEN.

DEFINICIÓN DE MATRIZ: En general, una matriz es un conjunto ordenado en una estructura de
filas y columnas. Los elementos de este conjunto pueden ser objetos matemáticos de muy variados
tipos, aunque de forma particular, trabajaremos exclusivamente con matrices formadas por
números reales.

Normalmente las matrices son designadas por letras mayúsculas.

Los elementos de una matriz se identifican por la fila y la columna que ocupan.
Así, designaremos por a32 el elemento que está situado en la tercera fila y
segunda columna de la matriz A.
El número de filas y columnas que tiene una matriz se llama dimensión de la
matriz.

Dos matrices son iguales si son de igual dimensión y coincide el valor de los
elementos que ocupan la misma posición en ambas

OTRA NOTACION DE UNA MATRIZ

Para el caso de una matriz A con m filas y n columnas, se debe entender que i varía desde 1 hasta
m y que j varía desde 1 hasta n (siendo i y j variables en el conjunto de los números naturales).

Por ello, otra forma de anotar una matriz A, de m filas y n columnas, que tiene como elemento
genérico a aij, es:

Amxn = (aij) (i= 1, 2, ..., m; j= 1, 2, ..., n)

 a11 a12 a13 
 
a 21 a 22 a 23 
Así, la matriz A =  
 a 31 a 32 a33 
 
 a 41 a 42 a43 

puede anotarse de esta forma:

A4x3 = (aij) (i= 1, 2, 3, 4; j= 1, 2, 3)

MATRICES IGUALES

DEFINICION: dos matrices son iguales si y sólo si

i) son del mismo orden
ii) los elementos homólogos son respectivamente iguales.

En símbolos: A = B  aij = bij,  i,j

CLASIFICACION DE LAS MATRICES POR SU ORDEN

Por su orden ( o dimensión), las matrices se clasifican en:

a) rectangulares
b) cuadradas.

Sea Amxn ;
si m  n, la matriz se dice rectangular;
si m = n, la matriz se dice cuadrada.
  a11 a12 a13 
   a11 a12 a13 
 a 21 a 22 a 23   
   a 21 a 22 a 23 
 a 31 a 32 a 33   
   a 31 a 32 a 33 
 a 41 a 42 a 43 
matriz rectangular matriz cuadrada

2.2 OPERACIONES CON MATRICES.

Matrices

Las matrices son usadas en matemáticas discretas para expresar relaciones entre objetos.

Definición: Concepto de matriz Una matriz es un ordenación rectangular de números. Una matriz
con m filas y n columnas es llamada una matriz de tamaño m x n.

Ejemplo:

Es una matriz de tamaño 4 x 3 Se emplean los paréntesis cuadrados con el fin de considerar la
ordenación rectangular de números como una entidad.

Ahora introduciremos alguna terminología acerca de matrices.

En general una matriz A de tamaño m x n frecuentemente se escribe así:

La i–ésima fila de A es la matriz de tamaño 1 x n,

La j–ésima columna de A es la matriz de tamaño n x 1,

El elemento, o entrada , de A es el número , es decir, el número que se encuentra
localizado en la i–ésima fila y j–ésima columna de A,

Una notación abreviada para expresar la matriz A es escribir , lo cual indica que A es

una matriz de tamaño m x n, y su elemento y su elemento es igual a .

Ejemplo:
Consideremos la matriz

Sus filas son

Y sus columnas

Algunos de sus elementos son

Definición: Matriz cuadrada Una matriz A de tamaño n x n, es decir, cuando el número de filas es
igual al número de columnas, se denomina una matriz cuadrada de orden n.

En una matriz cuadrada A de orden n los elementos se denominan elementos

diagonales, y se dice que forman la diagonal principal de A.

Ejemplo:

La siguiente es una matriz cuadrada de orden 3

Sus elementos diagonales son:

Definición: Igualdad entre matrices.

Dos matrices y (del mismo tamaño) son iguales si todos los

elementos correspondientes son iguales, esto es, si

Ejemplo:

Hallar si

Por la definición de igualdad entre matrices, tenemos:

Despejando en las ecuaciones anteriores, tenemos:

Operaciones entre matrices

Definición: Suma de matrices Sean y y . La suma de A y B es la

matriz definida por

Esto es, la suma de dos matrices del mismo tamaño es la matriz de ese mismo tamaño obtenida al
sumar los correspondientes elementos deA y B. La matrizCse denota por A+B. Por lo tanto,
Ejemplo:

Sean

y
Entonces

Ejemplo:
La suma

No esta definida por que las matrices son de tamaño diferente.

Definición: Matriz cero. Una matriz en que todos sus elementos son cero se denomina matriz
cero (o matriz nula) y se denota por 0.

El tamaño de la matriz 0 será evidente dentro del contexto en el cual se use.

Ejemplo:
Las siguientes matrices son todas cero:

El siguiente teorema enuncia las propiedades básicas de la suma de matrices.

Teorema SeanA, B, yCmatrices de tamaño m x n. Entonces

Demostración:
Sean

Debemos demostrar que:

Para probar esta igualdad, por definición de igualdad entre matrices, tenemos que mostrar que los
elementos correspondientes de F y G son iguales.
Para esto demostramos las matrices por:

Veamos que

Teniendo en cuenta las notaciones anteriores y la definición de suma entre matrices obtenemos:

Ejercicio: Demostrar las otras partes del teorema anterior.

Definición: Producto de matrices

Sea y sea

El producto de A y B es la matriz definida por

La matriz C se denota por AB.

En la siguiente figura, hemos resaltado la fila de A y la columna de B que son usadas para calcular
el elemento cij de AB.
Nótese que el producto de una matriz A con una matriz B solamente se define cuando el número de
columnas de A es igual al número de filas de B. Además el tamaño de la matriz producto es:

Ejemplo:
Hallar el producto de

El producto está definido pues el número de columnas de A es igual al número de filas de B. El

producto AB, de tamaño 2 x 4 es de la forma:

Donde

La multiplicación de matrices no es conmutativa. Es decir, si A y B son matrices, no necesariamente

se cumple que AB y BA sean iguales. En realidad, puede pasar que únicamente uno de estos dos
productos este definidos. Por ejemplo, sí A es de tamaño 2 x 3 y B es de tamaño 3 x 4, mientras
que BA no está definida, puesto que es imposible multiplicar una matriz de 3 x 4 y una matriz de 2 x
3.

En general, supongamos que A es una matriz de m x n y B es una matriz de r x s. Entonces AB

está definida únicamente cuando n = r y BA está definida solamente cuando s =m. Por otra parte,
cuando AB y BA están definidas, ellas no son del mismo tamaño a menos que m = n = r = s. Por
consiguiente, si AB y BA están definidos, entonces A y B tienen que ser cuadradas y del mismo
tamaño. Además, puede pasar que, A y B sean matrices de tamaño n x n, y AB no es
necesariamente igual a BA, como lo demuestra el siguiente ejemplo.

Ejemplo:
Sean
Entonces

Por lo tanto, . Las propiedades básicas de la multiplicación de matrices se enuncian en

el siguiente teorema.

Teorema

En las operaciones indicadas hemos supuesto que A, B, y C son matrices de tamaño tal que las
operaciones se puedan efectuar.

Demostración:

b) Sean

Debemos demostrar que

Para probar esta igualdad, por definición de igualdad entre matrices, tenemos que mostrar que los
elementos correspondientes de G y H son iguales.

Para esto denotemos las matrices por:

Veamos que

Teniendo en cuenta las notaciones anteriores, las definiciones de suma y producto de matrices, y
las propiedades de la suma y el producto de números reales obtenemos:
Ejercicio: Demostrar las otras partes del teorema anterior.

Definición: Una matriz cuadrada de orden n que tiene todos los elementos diagonales iguales a 1
y todos los demás componentes iguales a 0 se llama matriz identidad (o idéntica) de orden n y se

denota por En otra palabras, si entonces

por lo tanto,

Ejemplo:

Si el orden es evidente dentro del contexto, se escribe simplemente I .

Si A es una matriz de m x n es sencillo verificar que

Ejercicio: Sea A una matriz de m x n. Demostrar que

Definición: Potencia de una matriz Sea A una matriz de n x n. Definimos la n - enésima potencia
de A de la siguiente manera

Ejemplo:
Sea
Entonces

Se pueden probar las siguientes leyes de los exponentes.

Teorema:
Sean m y n enteros no negativos. Entonces


Obsérvese que la igualdad no es cierta para matrices cuadradas. Sin embargo, si

, entonces .

Definición: Producto por escalar Sea y c un número real. El producto por escalar

es la matriz definida por

Esto es, la matriz producto por escalar se obtiene al multiplicar cada elemento de A por c. La matriz
B se denota por . Por lo tanto

Ejemplo:

Utilizando la definición de producto por escalar, podemos definir la diferencia de matrices.

Definición: Diferencia de matrices Sean y . Se define la diferencia

por
Ejemplo:

Ejemplo:

El siguiente teorema resume las propiedades básicas del producto por escalar.

Teorema Si c y d son números reales y A y B son matrices, entonces

Demostración:

b) Sean

Debemos demostrar que

Para probar esta igualdad, por definición de igualdad entre matrices, tenemos que mostrar que los
elementos correspondientes de D y G son iguales.
Para esto denotemos los elementos de las matrices por:

Veamos que

Teniendo en cuenta las notaciones anteriores, la definición de suma y producto por escalar entre
matrices, y la ley distributiva del producto sobre la suma para números reales obtenemos:

Ejercicio: Demostrar las otras partes del teorema anterior.

Definición: Transpuesta de una matriz. Sea .

La transpuesta de A es la matriz B definida por

Esto es, la transpuesta de A se obtiene intercambiando las filas y columnas de A. La matriz B se

denota por . Por lo tanto

Ejemplo:

Sea

Entonces

El siguiente teorema resume las propiedades básicas de la transpuesta.

Teorema Si c es un número real y A y B son matrices, entonces

Demostración:

c) Sean
Debemos demostrar que

Para probar esta igualdad, por definición de igualdad entre matrices, tenemos que mostrar que los
elementos correspondientes de D y G son iguales.

Para esto denotemos las matrices por:

Veamos que

Teniendo en cuenta las notaciones anteriores, las definiciones de producto de matrices y

transpuesta de una matriz, y la ley conmutativa del producto de números reales obtenemos:

Ejercicio: Demostrar las otras partes del teorema anterior.

Definición:Matriz simétrica. Una matriz cuadrada A se denomina simétrica si.

Por lo tanto es simétrica

Obsérvese que una matriz es simétrica si y solamente si es cuadrada y es simétrica con respecto a
su diagonal principal

Ejemplo:
Sean

Entonces A es simétrica y B no es simétrica.

2.3 CLASIFICACION DE LAS MATRICES.

“MATRIZ ESCALAR”

Si una matriz diagonal tiene todos los términos de la diagonal iguales se llama
matriz escalar.

Una matriz es simétrica si es igual a su traspuesta.

Una matriz A es antisimétrica (o hemisimétrica) si su traspuesta es igual a -A.

MATRIZ ORTOGONAL: Una matriz se llama ortogonal si A T A = A A T = I. Este

resultado implica que A T = A –1.

Ejemplo: Pruebe que la siguiente matriz es ortogonal.

Considere la siguiente matriz ortogonal

ENTONCES:

Esta relación genera las siguientes ecuaciones:

u1• u1 = 1 u1• u2 = 0 u1• u3 = 0

u2• u1 = 0 u2• u2 = 1 u2• u3 = 0

u3• u1 = 0 u3• u2 = 0 u3• u3 = 1

Esto quiere decir que los renglones de A son ortogonales y de longitud unitaria, es
decir, forman un conjunto de vectores ortonormales. En forma similar se puede
probar que las columnas forman también un conjunto de vectores ortonormales.

Una matriz cuadrada tiene un número de filas p igual a su número de columnas q.

Son matrices de orden, p x p ó p2.

Las matrices:
A= 20B=023

-3 1 −1 0 2

000

Son de orden 2 x 2 y 3 x 3 respectivamente.

Los elementos a11, a22, a33, … ann de una matriz cuadrada constituyen su
diagonal principal.

La diagonal principal será:

a11… … …

A =… a22… …

… … a33…

… … … ann

una matriz cuadrada tal que:

a11 = a22 = a33 = …. = ann = 1 y todos los demás elementos son cero, es una
matriz unidad.

La representaremos por I o sea:

IA = 1 0
 1

es una matriz de orden 2 x 2.

Una matriz diagonal es aquella en que los elementos que no están en la diagonal
principal son ceros.

Esta es un matriz diagonal:

2000
A= 0300

0 0 −2 0

0004

Una matriz cuyos elementos por encima o por debajo de la diagonal principal son
todos ceros es matriz triangular. Si todos los ceros están por encima de la diagonal
principal entonces es una matriz inferior y si todos los ceros están por debajo de la
diagonal principal es una matriz superior.

Ejemplo:

A = 3 0 0 es una matriz inferior.

120

-1 0 4

B = 4 1 −2

0 1 5 es una matriz superior.

003

Esquema de filas, columnas y diagonal principal.

1 0 4 7 filas

A= 0258

0369

1 2 1 0 diagonal principal

Columnas

Una matriz nula tiene todos sus elementos nulos.

Ejemplo:

000

A= 000

000

Una matriz cuadrada es simétrica si: aij = aji.

Es decir si los elementos situados a igual distancia de su diagonal principal son

iguales.

A = 1 −3 5

-3 2 0

501

es simétrica porque: a12 = a21 = −3, a13 = a31 = 5, a23 = a32 = 0.

Una matriz es asimétrica si: aij = aji.

Observa si 1 = j, aii = -aii y el único número que cumple con esta igualdad es el
cero por lo que es una matriz asimétrica la diagonal principal esta formada por
elementos nulos.

En una matriz asimétrica los elementos situados a igual distancia de la diagonal

principal son iguales en valor absoluto y de signos contrarios.

B = 0 2 −2 5

-2 0 3 6

2 −3 0 −1

-5 6 1 0

Es una matriz asimétrica

Matriz escalar

Si tenemos una matriz diagonal cuyos elementos que están en la diagonal

principal son todos iguales entonces tenemos una matriz escalar.

A= 300

030

003

Matriz identidad

Es toda matriz escalar en la que todos los elementos de la diagonal principal son
iguales a la unidad.

Esta matriz se representa por 1n.

12 = 1 0
 1

igualdad de matrices si y solo si tienen el mismo orden y sus elementos son

iguales.

Ejemplo:

A= abB=xy

cdzw

si en estas matrices a = x, b = y, c = z y d = w, entonces las matrices A y B son

iguales.

Matriz transpuesta

Si tenemos una matriz (A) cualquiera de orden m x n entonces su transpuesta es

otra matriz (A) de orden n x m donde se intercambian las filas y las columnas de la
matriz (A).
Ejemplo:

Si

A = 4 −1 3

0 5 −2

Entonces su traspuesta será:

At = 4 0

-1 5
 −2

Matriz adjunta: Matriz que se obtiene al sustituir cada elemento por su adjunto. El
adjunto de un elemento aij es el valor del determinante que se obtiene de eliminar
la fila y la columna en la que se halla dicho elemento(menor complementario)
multiplicadom por el signo correspondiente a su posicion, segun la regla de los
signos o aplicando la expresion (−1)^ij. La matriz adjunta se representa A^* y se
forma a partir de una matriz cuadrada.

Matriz conjugada: de una matriz A Aquella que se obtiene sustituyendo cada

elemento por su complejo conjugado (igual parte real, pero la parte imaginaria
cambiada de signo)

Propiedades del producto de matrices

1. A·(B·C) = (A·B)·C
2. El producto de matrices en general no es conmutativo. (Ejemplo)
3. Si A es una matriz cuadrada de orden n se tiene A·In = In·A = A.
4. Dada una matriz cuadrada A de orden n, no siempre existe otra matriz B tal que A·B = B·A
= In. Si existe dicha matriz B, se dice que es la matriz

2.4 TRANSFORMACIONES ELEMENTALES POR RENGLON.

ESCALONAMIENTO DE UNA MATRIZ. RANGO DE UNA MATRIZ.
La idea que se persigue con las transformaciones elementales es convertir una matriz
concreta en otra matriz más fácil de estudiar. En concreto, siempre será posible conseguir una
matriz escalonada, en el sentido que definimos a continuación.
 Sea A una matriz y F una fila de A. Diremos que F es nula si todos los números de F
coinciden con el cero. Si F es no nula, llamamos PIVOTE de F al primer número distinto de cero de
F contando de izquierda a derecha.

Una MATRIZ ESCALONADA es aquella que verifica las siguientes propiedades:

1. Todas las filas nulas (caso de existir) se encuentran en la parte inferior de la matriz.

2. El pivote de cada fila no nula se encuentra estrictamente más a la derecha que el pivote
de la fila de encima.
Por ejemplo, entre las matrices:

A no es escalonada, mientras que B y C si lo son.

Dada una matriz escalonada E se define el RANGO de E, que representamos por rg (E), como el
numero de filas no nulas de E.

En los ejemplos B y C de arriba se tiene rg (B) = rg(C) = 2, sin embargo no podemos decir que
rg(A) = 3 ya que A no está escalonada. Otro ejemplo, las matrices nulas tienen rango cero y la
matriz identidad de orden n cumple rg (In) = n.

La siguiente cuestión que abordaremos es la definición de rango para una matriz cualquiera que no
esté escalonada. La idea será la de transformar la matriz dada en otra que sea escalonada
mediante las llamadas transformaciones elementales por filas que describimos a continuación.

Dada una matriz A cualquiera, las TRANSFORMACIONES ELEMENTALES por filas de A son tres:

I. Intercambiar la posición de dos filas.

II. Multiplicar una fila por un número real distinto de cero.
III. Sustituir una fila por el resultado de sumarle a dicha fila otra fila que ha sido
previamente multiplicada por un número cualquiera.

Nota: Análogamente podríamos hacerlo todo por columnas; sin embargo, son las transformaciones
por filas las que son importantes en los sistemas de ecuaciones lineales que estudiaremos
después.

El siguiente resultado nos garantiza que siempre podemos transformar una matriz cualquiera en
otra escalonada.

Teorema

A partir de cualquier matriz A se puede llegar, mediante una cantidad finita de transformaciones
elementales, a una matriz escalonada E.

Veamos en un ejemplo cómo se hace. Obsérvese que, primero, hacemos que la componente (1,1)
de la matriz de partida sea igual a uno. Luego, se hace que el resto de componentes de la primera
columna sean cero. Después se pasa a la componente (2,2), y así sucesivamente.
El teorema anterior nos permite hacer una definición importante:

Dada una matriz A cualquiera se define el RANGO de A y lo denotamos rg(A) como el

rango de cualquier matriz escalonada E equivalente con A (se demuestra que este número no
depende de la matriz escalonada E a la que se llegue). El rango siempre es un número menor o
igual que el número de filas y el número de columnas de A. Además, el rango es cero si y sólo si A
= 0. En nuestro ejemplo de antes, el rango es 3.
EJEMPLO

Ra ngo de una ma tr iz

R a ngo de una ma tr iz : e s el nú me ro de l íne a s d e e sa ma tri z

(fi l a s o co lu mn a s) q ue so n li ne a l men te in d ep e n di e n te s.

U na l ín e a e s line a lm e nte de pe ndie nte d e o tra u o tra s

cu a nd o se p u ed e esta b l e ce r un a co mbi n a ció n l in e a l en tre el l a s.
 U na l íne a e s line a lm e nte inde pe nd ie nte de o tra u o tra s
cu a nd o n o se p u ed e e sta b le ce r u n a co mbi n a ci ó n l in e al en tre
e ll a s.

El ra n go de u n a ma tri z A se si mbo l i za : r a ng(A ) o r(A ).

Ta mb i é n po d e mo s d e ci r q u e e l ra n g o es: e l or de n de la
m ay or s ubm a tr iz c ua dr a da no nula . U ti li za n do e sta de fi n i ció n
se p u ed e ca l cul a r e l ra ng o u sa nd o de te rmi na n te s.

Se p u ed e ca l cul a r e l ra ng o d e u n a ma tri z po r do s mé to d o s:

Cá lc ulo de l r a ngo de una m a tr iz por e l m é todo de Ga us s

Po d e mo s de sca rta r u n a l íne a si :

To d o s su s coe fi ci e n te s so n ce ro s.

H a y d o s l íne a s i g ua l e s.

U na l íne a e s p ro po rci o na l a o tra .

U na l íne a e s co mb in a ci ón li ne a l d e o tra s.

F3 = 2F1

F 4 e s n ul a

F5 = 2F2 + F1

r(A ) = 2 .
 En ge ne r a l c ons is te e n ha c er nula s e l m áx im o núm er o de
líne a s pos ible , y e l r a ngo se r á e l núm er o de fila s no nula s .

F2 = F2 - 3F1

F3 = F3 - 2F1

P o r ta n to r (A ) = 3 .

Ra n go de un a ma tri z

Es el núm e r o de fila s o c olum na s line a lm e nte

inde pe nd ie nte s , u til i za nd o e sta de fi ni ci ó n se p ue d e ca l cul a r
u sa nd o e l mé to do de Gau ss.

Ta mb i é n po d e mo s d e ci r q u e e l ra n g o es: e l or de n de la
m ay or s ubm a tr iz c ua dr a da no nula . U ti li za n do e sta de fi n i ció n
se p u ed e ca l cul a r e l ra ng o u sa nd o de te rmi na n te s.

Cá lc ulo de l r a ngo de una m a tr iz por de ter m ina nte s

 1. Podemos descartar una línea si:

 To d o s s u s c o e f i c i e n t e s s o n c e r o s .

 Hay dos líneas iguales.

 Una línea es proporcional a otra.

 Una línea es combinación lineal de otras.

Suprimimos la tercera columna porque es combinación lineal de las

dos primeras: c3 = c1 + c2

2. Comprobamos si tiene rango 1, para ello se tiene que cumplir

que al menos un elemento de la matriz no sea cero y por tanto su

determinante no será nulo.

|2|=2≠0

3 . Te n d r á r a n g o 2 s i e x i s t e a l g u n a s u b m a t r i z c u a d r a d a d e o r d e n 2 ,

tal que su determinante no sea nulo.

4 . Te n d r á r a n g o 3 s i e x i s t e a l g u n a s u b m a t r i z c u a d r a d a d e o r d e n 3 ,

tal que su determinante no sea nulo.

 Como todos los determinantes de las submatrices son nulos no tiene

rango 3, por tanto r(B) = 2.

5. Si tiene rango 3 y existe alguna submatriz de orden 4, cuyo

determinante no sea nulo, tendrá rango 4.

De este mismo modo se trabaja para comprobar si tiene rango

superior a 4.

2.5 CALCULO DE LA INVERSA DE UNA MATRIZ.

La matriz inversa de una matriz cuadrada de orden , es la matriz, ,

de orden que verifica:

Las matrices que tienen inversas se llaman regulares y las que no tienen inversa
matrices singulares.

Antes de calcular la matriz inversa de una dada hemos de asegurarnos de que

efectivamente existe la matriz inversa. Para ello utilizamos la siguiente propiedad:

Una vez que hemos asegurado la existencia de la matriz inversa, calculamos esta
mediante la siguiente expresión:
Donde es la matriz adjunta de . Se verifica que

2.6 DEFINICIÓN DE DETERMINANTE DE UNA MATRIZ.

El determinante de una matriz cuadrada es un número real cuya definición exacta es bastante
complicada. Por ello, definiremos primero el determinante de matrices pequeñas, y estudiaremos
métodos y técnicas para calcular determinantes en general. Solamente se puede calcular el
determinante a matrices cuadradas.

En cuanto a la notación, a veces el determinante se escribe con la palabra det, y otras veces se
indica sustituyendo los paréntesis de la matriz por barras verticales.
Definición de determinante de una matriz.

Sea A una matriz cuadrada y aij uno cualquiera de sus elementos. Si se suprime la
fila i y la columna j de la matriz A se obtiene una submatriz Mij que recibe el
nombre de matriz complementaria del elemento aij.

Dada la matriz

la matriz complementaria del elemento a11 es la matriz que resulta de suprimir en

la matriz A la fila 1 y la columna 1; es decir:

Llamamos menor complementario del elemento a ij al determinante de la matriz

complementaria del elemento aij , y se representa por aij

Se llama adjunto de aij , y se representa por por Aij, al número (–1)i+jaij.

El determinante de una matriz cuadrada es igual a la suma de los elementos

de una fila o columna cualquiera, multiplicados por sus adjuntos.
Por ejemplo, si desarrollamos un determinante de orden n por los adjuntos de la 1ª
fila se tiene:

La demostración es muy fácil, basta con aplicar la definición de determinante a ambos lados de la
igualdad.

Nota
Esta regla rebaja el orden del determinante que se pretende calcular en una
unidad. Para evitar el cálculo de muchos determinantes conviene elegir líneas con
muchos ceros

2.7 PROPIEDADES DE LOS DETERMINANTES.

P rop i ed a d e s d e lo s de te rmi na n te s

1 .| A t |= |A |

El de te r m ina nte de una ma tr iz A y e l de s u tr a s pue s ta

A t s on igua le s .

2 . |A | =0 Si:

Po se e do s líne a s igua le s

To d o s l o s e le m e ntos d e un a l ín e a so n nulos .
 L o s el e men to s d e un a l ín e a so n c om bina c ión line a l d e l a s
o tra s.

F3 = F1 + F2

3 . Un d e te rmin a n te tr ia ngula r e s i gu a l a l pr oduc to de los

e le m e ntos de la dia gona l pr inc ipa l. .

4 . Si e n un de ter m ina nte se ca m bia n e ntre s í dos líne a s

pa r a le la s s u de te r m ina nte c a m bia de s igno.
 5 . Si a los e le m e ntos de una líne a s e le s um a n los
e le m e ntos de otra pa r a le la m ultiplic a dos pr e v iam e nte por un
nº re a l e l v a lor de l de ter m ina nte no va r ía .

6 . Si s e m ultiplic a un de te rm ina nte por un núm e r o r e a l,

que da m ultiplic a do por dic ho núm e r o c ua lquie r líne a , pe r o
s ólo una .

7 . Si todos los e le me ntos de una fila o c olum na es tá n

for m a dos por dos s um a ndos , dic ho de ter m ina nte se
de s c om pone e n la s uma de dos de ter m ina nte s .

8 . |A ·B| =| A | ·| B|

El de te r m ina nte de un pr oduc to e s igua l a l pr oduc to de

los de te rm ina nte s .
 2.8 INVERSA DE UNA MATRIZ CUADRADA A TRAVES DE LA
ADJUNTA.

Una matriz cuadrada que posee inversa se dice que es inversible o regular; en
caso contrario recibe el nombre de singular.

Propiedades de la inversión de matrices

1. La matriz inversa, si existe, es única

2. A-1A=A·A-1=I
3. (A·B) -1=B-1A-1
4. (A-1) -1=A
5. (kA) -1=(1/k·A-1
6. (At) –1=(A-1) t

Observación

Podemos encontrar matrices que cumplen A·B = I, pero que B·A¹ I, en tal caso,
podemos decir que A es la inversa de B "por la izquierda" o que B es la inversa de
A "por la derecha".

Hay varios métodos para calcular la matriz inversa de una matriz dada:

 Directamente (Ejemplo)
 Usando determinantes
 Por el método de Gauss-Jordan

Dada la matriz buscamos una matriz que cumpla A·A-1 = I, es decir

Para ello planteamos el sistema de ecuaciones:

La matriz que se ha calculado realmente sería la inversa por la "derecha", pero es fácil comprobar
que también cumple A-1 ·A = I, con lo cual es realmente la inversa de A.
 2.9 APLICACIÓN DE MATRICES Y DETERMINANTES.

Criptografía es la ciencia de escribir o descifrar claves. A pesar de que esta

materia se asocia frecuentemente con asuntos militares, la criptofrafía llegó a ser
un área importante en los negocios. Las grandes empresasm que procesan
enormes cantidades de datos computadorizados, deben protegerse
constantemente contra lo que se llama "espionaje industrial", esto es, el robo de
información importante por los competidores .

Actualmente, hay muchas técnicas extremadamente complejas desarrolladas para

garantizar la posibilidad de transmitir grandes cantidades de información en forma
confidencial. A esto se llegó después de investigación altamente elaborada hecha
por criptógrafos modernos.

Casi todos saben lo que es un criptograma. Se trata de un pasatiempo que

aparece en muchos periódicos. Es común que se dé un mensaje como el
siguiente:

KI ZPIIC VPJLP PI PUPJKVG.

Esto se puede descrifrar usando la tabla "descodificadora":

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
PMVQKSZOTBWIUJCXEGYLDRHAFN

Notando que K está en el lugar de E, que I sustituye a L, que Z reemplaza a G,

etcétera, se llega al mensaje siguiente:

La X al final simplemente llena el espacio. Si usamos neustro código númerico (1),

podemos escribir (2) como un conjunto de vectores de dos componentes

Escogemos una matriz A de 2 x 2, inversible y entera, con determinante ±1.

Esto asegurará que A-1 también tiene sólo componentes enteras. Una matriz con
esas condiciones es

Para continuar, multiplicamos cada uno de los vectores de dos componentes en

(3), a la izquierda, por A. Por ejemplo,
Así obtenemos el nuevo conjunto de vectores

Por último, escribimos (4) así:

15 16 58 71 61 81 45 54 18 23 76 95 57 71 40 53 30 37 7 9 27 32 91 115 (5)

Este es nuestro nuevo mensaje codificado, que sería muy difícil de descifrar si no
se sabe cuál es la matriz A. Conociendo A, en cambio es relativamente sencillo.
Empezamos rearreglando los números en (5) en grupos de vectores de 2
componentes. Ya que, por ejemplo,

Para comprobar esto, observamos que

Multiplicando cada uno de los vectores en (4) por A-1 se obtendrán los vectores en
(3), que se pueden convertir directamente por medio de (1) en el mensaje (2). En
este contexto, la matriz A se denomina matriz codificadora, y la matriz A-1 recibe
el nombre de matriz descodificadora.

Unidad III.
Sistemas de ecuaciones lineales.

3.1 definición de sistemas de ecuaciones lineales.

Ecuaciones lineales con más de dos variables.
Para sistemas de ecuaciones lineales con más de dos variables, podemos usar el
método de eliminación por sustitución o el método de eliminación por suma o resta
(por adición o sustracción).

El método de eliminación por suma o resta es la técnica más breve y fácil de hallar
soluciones. Además, lleva la técnica de matrices que se estudia en esta sección.

Cualquier sistema de ecuaciones lineales con tres variables tiene una solución
única, un número infinito de soluciones o no tiene solución.

Método de eliminación para resolver un sistema de ecuaciones lineales:

Ejemplo:

Resuelve el sistema:

x + 2y + 3z = 9 …………………………….. (Primera ecuación)

4x + 5y + 6z = 24 …………………………. (Segunda ecuación)

3x + y - 2z = 4 ……………………………. (Tercera ecuación)

Solución:

Suma −4 veces la “primera ecuación” a la “segunda”:

[x + 2y + 3z = 9]−4 → −4x −8y −12z =−36

4x +5y + 6z = 24

0 −3y - 6z = −12

Suma −3 veces la “primera ecuación” a la “tercera”:

x + 2y + 3z = 9

-3y - 6z = −12

-5y - 11z = −23

Multiplica por -(1÷ 3) la “segunda ecuación”:

x + 2y + 3z = 9

y + 2z = 4
-5y −11z = −23

Multiplica por −1 la “tercera ecuación”:

x + 2y + 3z = 9

y + 2z = 4

5y +11z = 23

Suma −5 veces la “segunda ecuación” a la “tercera”:

x + 2y + 3z = 9

y + 2z = 4

z=3

Las soluciones del último sistema son fáciles de hallar por sustitución. De la
“tercera ecuación”, vemos que z = 3. Al sustituir “z” con 3 en la “segunda
ecuación”, y + 2z = 4 obtenemos y = −2. Por último, encontramos el valor de “x” al
sustituir y = −2 y z = 3, en la “primera ecuación”, x + 2y + 3z = 9 con lo cual x = 4.
Por tanto, hay una solución:

x = 4,

y = −2,

z = 3.

Si analizamos el método de solución, vemos que los símbolos usados para las
variables carecen de importancia; debemos tomar en cuenta los coeficientes de
las variables. Puesto que esto es verdadero, es posible simplificar el proceso. En
particular, introducimos un esquema a fin de seguir los coeficientes en forma tal
que no haya necesidad de escribir las variables.

Con referencia al sistema anterior, primero comprobamos que las variables

aparezcan en el mismo orden en cada ecuación y que los términos sin variables
estén a la derecha de los signos de igualdad. En seguida anotamos los números
que intervienen en las ecuaciones de esta forma:

Una ordenación de números de este tipo se llama matriz.

Los renglones (o filas) de la matriz son los números que aparecen uno a
continuación del otro en sentido horizontal:
1 2 3 4 primer renglón R1

4 5 6 24 segundo renglón R2

3 1 −2 4 tercer renglón R3

Las columnas de la matriz son los números que aparecen uno junto del otro en
sentido vertical

Primera columna C1 Segunda columna C2 Tercera columna C3 Cuarta columna

C4

1239

4 5 6 24

3 1 −2 4

La matriz obtenida del sistema de ecuaciones lineales del modo anterior es la

matriz del sistema. Si borramos la última columna, la restante ordenación es la
matriz de coeficiente. En vista de que podemos tener la matriz del sistema a
partir de la matriz coeficiente agregando una columna, le decimos matriz
coeficiente aumentada o simplemente matriz aumentada. Después, cuando
usemos matrices para hallar las soluciones de un sistema de ecuaciones lineales,
introduciremos un segmento de línea vertical en la matriz aumentada a fin de
indicar dónde aparecerían los signos de igualdad en el sistema de ecuaciones
correspondiente.

Sistema Matriz coeficiente Matriz aumentada

Antes de estudiar un método de matrices para resolver un sistema de ecuaciones

lineales, daremos una definición general de matriz.

Definición de matriz.

Sean m y n enteros positivos. Una matriz de m x n (se lee “m” por “n”), es una
matriz de la siguiente forma, donde cada aij es un numero real.

Ejemplos:

Sea la matriz:

por tanto, es una “matriz de orden 2 x 3.”

Sea la matriz:
por tanto, es una “matriz de orden 3 x 1.”

Teorema sobre transformaciones de renglones de matrices.

Dada una matriz de un sistema de ecuaciones lineales, resulta una matriz de un

sistema equivalente si:

a) Se intercambian dos renglones. Símbolo: Ri Rj.

b) Se multiplica o divide un renglón por una constante diferente de cero. Símbolo:

kRi Ri.

c) Un múltiplo constante de un renglón se suma a otro renglón. Símbolo: kRi + Rj

Rj.

Uso de matrices para resolver un sistema de ecuaciones lineales.

Ejemplo.

Resuelve el sistema:

x + 2y + 3z = 9

4x + 5y + 6z = 24

3x + y - 2z = 4

Comenzaremos con la matriz del sistema, es decir, la matriz aumentada:

Luego aplicamos transformaciones elementales de renglón a fin de obtener otra

matriz (más sencilla) de un sistema de ecuaciones equivalentes. Pondremos
símbolos adecuados entre matrices equivalentes.

(−4)R1 + R 2 R 2

(−3)R1 + R 3 R 3?

(-(1÷ 3))R 2 R 2

(−1)R 3 R 3

(−5)R2 + R 3 R 3
Con la matriz final regresamos al sistema de ecuaciones:

Que equivale al sistema original. La solución x = 4, y = −2, z = 3 se puede

encontrar ahora por sustitución.

La matriz final de la solución es una forma escalonada.

En general, una matriz está en forma escalonada si satisface estas condiciones:

a) El primer número diferente de cero de cada renglón, leyendo de izquierda a

derecha, es 1.

b) La columna que contenga el primer número diferente de cero en cualquier

renglón está a la izquierda de la columna con el primer número distinto de cero del
renglón de abajo.

c) Los renglones formados enteramente de ceros pueden aparecer en la parte

inferior de la matriz.

Ejemplo:

Sea la matriz:

Es “una matriz escalonada”

Guías para hallar la forma escalonada de una matriz.

(a) Localizar la primer columna que contenga elementos diferentes de cero y

aplicar transformaciones elementales de renglón a fin de obtener 1 en el primer
renglón de esa columna.

(b) Aplicar transformaciones elementales de renglón del tipo kR1 + Rj Rj. para j > 1
y obtener 0 bajo el número 1 obtenido en la guía (a) en cada uno de los renglones
restantes.

© Hacer caso omiso del primer renglón. Localizar la próxima columna que
contenga elementos diferentes de cero y aplicar transformaciones elementales de
renglón con objeto de obtener el número 1 en el segundo renglón de esa columna.

(d) Aplicar transformaciones elementales del tipo kR2 + Rj Rj. para j >2 y obtener 0
bajo el número 1 obtenido en la guía © en cada uno de los renglones restantes.

(e) Hacer caso omiso del primer y segundo renglones. Localizar la siguiente
columna que contenga elementos diferentes de cero y repetir el procedimiento.

(f) Continuar el proceso hasta alcanzar la forma escalonada.

Uso de la forma escalonada para resolver un sistema de ecuaciones lineales.

Ejemplo:

Resuelve el sistema:

Solución: Comenzamos con la matriz aumentada y luego obtenemos una forma

escalonada, según se describe en las guías.

R1 R4

R2 R3

(1)R1 + R 3 R 3

(−2)R1 + R 4 R 4

(−1)R 2 R 2

(-(1÷ 2))R 2 R 2

(−1)R2 + R 3 R 3

(−1)R2 + R 4 R 4

(3)R3 + R 4 R 4

La matriz final está en forma escalonada y corresponde a un sistema de

ecuaciones:

(-(1÷ 2))R 4 R 4

Ahora usamos sustitución a fin de hallar la solución. De la última ecuación vemos

que w = −1; de la tercera ecuación vemos que z = −2 . Sustituimos en la segunda
ecuación, y obtenemos:

y - 2z - w = 6

y - 2(−2) - (−1) = 6

y+4+1=6

y=1

Sustituimos los valores encontrados en la primera ecuación:

x + z + 2w = −3

x + (−2) + 2(−1) = −3

x - 2 - 2 = −3

x=1

Por lo tanto, el sistema tiene una solución: x = 1, y = 1, z = −2, w = −1.

3.2 clasificación de los sistemas de ecuaciones lineales y

tipos de solución.
Podemos clasificar los sistemas de ecuaciones lineales según su número de soluciones de la
siguiente forma:
1. Sistemas con una solución: Las ecuaciones del sistema son rectas secantes. Se cortan
en un punto (x, y) que es la solución del sistema
2. Sistemas sin solución: Las ecuaciones del sistema son rectas paralelas. No tienen
ningún punto en común, y por tanto no hay solución
3. Sistemas con infinitas soluciones: Las ecuaciones del sistema son rectas coincidentes.
Tienen todos los puntos en común, y por tanto todos ellos son solución

¿Qué condiciones deben cumplir las ecuaciones para que el sistema tenga una, ninguna o
infinitas soluciones?

1. Una solución: Los coeficientes de x e y de las dos ecuaciones no son proporcionales

2 x  3 y  1

Ejemplo: 
x  5y  7

2. Ninguna solución: Los coeficientes de x e y de una ecuación son proporcionales a los de

la otra, mientras que los términos independientes no lo son
2 x  3 y  1

Ejemplo: 
4x  6 y  7

3. Infinitas soluciones: Los coeficientes de x e y, y el término independiente de una

ecuación, son proporcionales a los de la otra
2 x  3 y  1

Ejemplo: 
4x  6 y  2

Un sistema de ecuaciones es compatible cuando tiene solución.

Un sistema de ecuaciones es compatible determinado cuando tiene solución única.

Un sistema de ecuaciones es compatible indeterminado cuando tiene infinitas soluciones.

Un sistema de ecuaciones es incompatible cuando no tiene solución.

Un sistema de ecuaciones es homogéneo cuando todos sus términos independientes son

cero.

3.3 INTERPRETACION GEOMETRICA DE LAS SOLUCIONES.

C l a s i f i c ac i ó n de s i s t em a s de ec ua c i o n es

Sistema compatible determinado

Tiene una sola solución.

x = 2, y = 3

Gráficamente la solución es el punto de corte de las dos

rectas.
 Sistema compatible indeterminado

El sistema tiene infinitas soluciones.

Gráficamente obtenemos dos rectas coincidentes. Cualquier

punto de la recta es solución .

 Sistema incompatible

No tiene solución

Gráficamente obtenemos dos rectas paralelas.

3.4 METODOS DE SOLUCION DE UN SISTEMA DE ECUACIONES
LINEALES: GAUSS, GAUSS-GORDAN, INVERSA DE UNA MATRIZ
Y REGLA DE CRAMER.

Método de sustitución

Resolución de sistemas de ecuaciones por el método de

sustitución

1 Se despeja una incógnita en una de las ecuaciones.

2 Se sustituye la expresión de esta incógnita en la otra

ecuación, obteniendo un ecuación con una sola incógnita.

3 Se resuelve la ecuación.

4 El valor obtenido se sustituye en la ecuación en la que

aparecía la incógnita despejada.

5 Los dos valores obtenidos constituyen la solución del sistema.

1 Despejamos una de las incógnitas en una de las dos

ecuaciones. Elegimos la incógnita que tenga el coeficiente más bajo.

 2 Sustituimos en la otra ecuación la variable x, por el valor
anterior:

3 Resolvemos la ecuación obtenida:

4 Sustituimos el valor obtenido en la variable despejada.

5 Solución

Método de igualación

Resolución de sistemas de ecuaciones por el método de

igualación

1 Se despeja la misma incógnita en ambas ecuaciones.

2 Se igualan las expresiones, con lo que obtenemos una ecuación

con una incógnita.

3 Se resuelve la ecuación.

4 El valor obtenido se sustituye en cualquiera de las dos

expresiones en las que aparecía despejada la otra incógnita.

 5 Los dos valores obtenidos constituyen la solución del sistema.

1 Despejamos, por ejemplo, la incógnita x de la primera y segunda

ecuación:

2 Igualamos ambas expresiones:

3 Resolvemos la ecuación:

4 Sustituimos el valor de y, en una de las dos expresiones en las

que tenemos despejada la x:

5 Solución:
 Método de reducción

Resolución de sistemas de ecuaciones por el método de

reducción

1 Se preparan las dos ecuaciones, multiplicándolas por los números

que convenga.

2 La restamos, y desaparece una de las incógnitas.

3 Se resuelve la ecuación resultante.

4 El valor obtenido se sustituye en una de las ecuaciones iniciales y

se resuelve.

5 Los dos valores obtenidos constituyen la solución del sistema.

Lo más fácil es suprimir la y, de este modo no tendríamos que

preparar las ecuaciones; pero vamos a optar por suprimir la x, para que

veamos mejor el proceso.

Restamos y resolvemos la ecuación:

 Sustituimos el valor de y en la segunda ecuación inicial.

Solución:

Método de Gauss
El método de Gauss consiste en transformar un sistema de

ecuaciones en otro equivalente de forma que éste sea escalonado.

Para facilitar el cálculo vamos a transformar el sistema en una

matriz, en la que pondremos los coeficientes de las variables y los

términos independientes (separados por una recta).

Ejemplos

3x +2y + z = 1

5x +3y +4z = 2

x + y - z = 1
 Regla de Cramer
La regla de Cramer sirve para resolver sistemas de ecuaciones

lineales. Se aplica a sistemas que cumplan las dos condiciones

siguientes:

El número de ecuaciones es igual al número de incógnitas .

El determinante de la matriz de los coeficientes es distinto de

cero.

Tales sistemas se denominan sistemas de Cramer.

 Sea Δ el determinante de la matriz de coeficientes.

Y sean:

Δ 1 , Δ 2 , Δ 3 ... , Δ n

Los determinantes que se obtiene al sustituir los coeficientes

del 2º miembro (los términos independientes) en la 1ª columna ,

en la 2ª columna, en la 3ª columna y en la enésima columna

respectivamente.

Un sistema de Cramer tiene una sola solución que viene dada por

las siguientes expresiones:

Ejemplo

3.5 APLICACIONES.
Para resolver un problema es conveniente realizar cuatro fases

1ª. Comprender el problema.

Hay que leer el problema hasta familiarizarse con él y que podamos contestar, sin dudar, a las
siguientes preguntas:
¿Cuáles son los datos? ¿Cuál es la incógnita o incógnitas? ¿Son las condiciones suficientes para
determinar a las incógnitas? ¿Son insuficientes?.. .

2ª Concebir un plan.
Determinar la relación entre los datos y las incógnitas.
De no encontrarse una relación inmediata puedes considerar problemas auxiliares.
¿Conoces problemas relacionados con éste?
¿Podrías plantear el problema de forma diferente?
¿Puedes cambiar la incógnita o los datos o ambos si fuera necesario, de tal forma que la nueva
incógnita y datos estén en una relación más sencilla?...
¿Has considerado todas las nociones esenciales del problema?
.................
Obtener finalmente un plan de solución.
Para nuestro caso:
Escribir la ecuación o ecuaciones que relacionan datos e incógnitas y analizar el sistema que
forman.
3ª. Ejecutar el plan.
Resuelve el sistema por los métodos estudiados.

4ª. Examinar la solución obtenida.

Comprobar si las soluciones obtenidas son válidas y proceder en consecuencia.
Ejemplo. Alejandra tiene 27 años más que su hija Carmen. Dentro de 8 años, la edad de
Alejandra doblará a la de Carmen. ¿Cuántos años tiene cada una?

Solución. Sólo en este problema indicaremos con detalle las 4 fases

1º. Comprender el problema.

Es un problema con dos incógnitas y dos condiciones, luego suficientes para poder determinarlas.

Llamamos x a la edad de Alejandra e y a la de su hija.

Ordenamos los elementos del problema:

Hoy dentro de 8 años

La madre x x+8
La hija y y+8

2º. Concebir un plan.

Escribimos las ecuaciones que relacionan los datos con las incógnitas:

x = 27 + y
x + 8 = 2(y +8)

Es un sistema lineal de dos ecuaciones con dos incógnitas. Lo resolveremos por el método de
sustitución.

3º Ejecutar el plan.

x = 27 + y

Entonces:

27 + y +8 = 2(y +8) de donde 35 -16 = y  y = 19, x = 46

4º Examinar la solución obtenida.

La solución obtenida es factible por ser entera.

UNIDAD IV ESPACIOS VECTORIALES.

4.1 DEFINICON DE ESPACIO VECTORIAL.

En matemáticas un espacio vectorial es una estructura algebraica creada a partir de un conjunto
no vacío con una operación interna suma de vectores y una operación externa producto, entre
dicho conjunto y un cuerpo, cumpliendo una serie de propiedades o requisitos iniciales.
A los elementos de un espacio vectorial se les llamará vectores y a los elementos del cuerpo se les
llamará escalares.

4.2 DEFINICION DE SUBESPACIO VECTORIAL Y SUS

PROPIEDADES.
Sub espacio vectorial:

Esto dice que si W es un sub conjunto del espacio vectorial V

entonces este es un sub espacio de V. Si W es un espacio
vectorial bajo las operaciones de suma y multiplicación por un
escalar definidas en V.
Para que W sea un sub espacio de V debe cumplir las
propiedades de cierre de la suma y la multiplicación por un
escalar también debe cumplir la ley del elemento neutro bajo la
suma, el inverso bajo la suma y el neutro bajo la multiplicación
por un escalar.

4.3 COMBINACION LINEAL. INDEPENDDENCIA LINEAL.

INDEPENDENCIA LINEAL
En el estudio de álgebra lineal, una de las ideas centrales es la dependencia o independencia
lineal de los vectores.

DEFINICIÓN

Dependencia e independencia líneal sean v1, v2, ..., vn, n vectores en un espacio
vectorial V. Entonces se dice que los vectores son lineamientos dependientes si existen n
escalares no todos cero tales que
C1 v1 + c2 v2 + ... cnvn = 0

Si los vectores no son lineamientos dependientes, se dice que son lineamientos independientes.

TEOREMA 1
 Dos vectores en un espacio vectorial son linealmente dependientes si y sólo si uno
es un múltiplo escalar del otro.

TEOREMA 2
Un conjunto de n vectores en Rm siempre es linealmente dependiente si n>m.

TEOREMA 3
a11 a12 ... a1n
a21 a22 ... a2n
A= .
.

.
am1 am2 ... amn

Entonces las columnas de A, consideradas como vectores, son linealmente

dependientes si y solo si el sistema , que se puede escribir como Ac = 0, tiene
soluciones no triviales.

TEOREMA 4

Sean v1, v2, ..., vn, n vectores en Rn y sea A una matriz de n*n cuyas columnas son v 1,
v2, ..., vn. Entonces v1, v2, ..., vn son linealmente independientes si y sólo si la única
solución al sistema homogéneo Ax= 0 es la solución trivial x=0.

TEOREMA 5
Sea A una matriz de n*n. Entonces det A = 0 si y solo si las columnas de A son
linealmente independientes.

TEOREMA 6
Cualquier conjunto n vectores linealmente independientes en R n genera a Rn

EJEMPLO

Dos vectores linealmente dependientes en R4

2 -6
-1 3
0 0
3 -9

Los vectores v1= y v2= son linealmente dependientes ya que v2= -3v1.

Dependencia e independencia lineal

Definición. Dependencia e independencia lineales. Sean v1, v2, ..., vn n vectores

en un espacio vectorial V. Entonces se dice que los vectores son linealmente
dependientes si existen n escalares c1, c2, ..., cn no todos cero, tales que

c1v1 + c2v2+...+cnvn = 0
Si los vectores no son linealmente dependientes, entonces se dice que son
linealmente independientes.

Expresado de otro modo, v1, v2, ..., vn son linealmente independientes si la

eciación c1v1 + c2v2+...+cnvn = 0 sólo se satisface si c1= c2 = ... = cn = 0.

¿Cómo se determina si un conjunto de vectores es o no linealmente

independiente? El caso de dos vectores es sencillo.

Teorema 1. Dos vectores en un espacio vectorial V son linealmente dependientes

si y sólo si uno es un múltiplo del otro.

Teorema 2. Un conjunto de n vectores en ℜm es siempre linealmente dependiente

si n > m.

Demostración. Sean v1, v2, ..., vn n vectores en ℜm y tratemos de evaluar

constantes c1, c2, ..., cn, no todas nulas, tales que

c1v1 + c2v2+...+cnvn = 0 (1)

Sean . Entonces, la Ecuacion (1) se

convierte en

(2)

Corolario. Un conjunto linealmente independiente de vectores en ℜn contiene, a lo

sumo, n vectores.

Nota. Podemos expresar el corolario como sigue: Si se tienen n vectores-n

linealmente independientes, no es posible agregar más vectores sin hacer que el
conjunto obtenido sea linealmente dependiente.

Teorema 3. Sea
Entonces las columnas de A, consideradas como vectores, son linealmente
dependientes si y sólo si el sistema (2), que puede ser expresado como Ac = 0,

posee un número infinito de soluciones. Aqui,

Teorema 4. Sean v1, v2, ..., vn, n vectores en ℜn, y sea A una matriz de n x n cuyas
columnas son v1, v2, ..., vn. Entonces v1, v2, ..., vn, son linealmente independientes
si y sólo si la única solución al sistema homogéneo Ax = 0 es la solución trivial x =
0.

Demostración. Esto es el Teorema 3 en el caso en que m = n.

Teorema 5. Sea A una matriz de n x n. Entonces A ≠ 0 si y solamente si las

columnas de A son linealmente independientes.

Teorema 6. Sea A una matriz de n x n. Entonces cada uno de los siguientes siete
enunciados implica a los otros seis (esto es, si uno se verifica, todos son ciertos).

i. A es invertible.

ii. La única solución al sistema homogéneo Ax = 0 es la solución trivial (x = 0).

iii. El sistema Ax = b posee una solución única para todo n-verctor b.

iv. A es equivalente por filas a la matriz identidad In

v. A puede ser escrita como el producto de matrices elementales.

vi. det A ≠ 0.

vii. Las columnas (y los renglones) de A son linealmente independientes.

Combinación lineal.

Sean v1, v2, ..., vn vectores en un espacio vectorial V. Entonces, toda expresión de
la forma

a1v1+ av22+ ...+anvn

En Donde a1,a2, ..., anson escalares, se llama combinación lineal de v1, v2, ..., vn

4.4 BASE, Y DIMENSION DE UN ESPACIO VECTORIAL, CAMBIO DE BASE.


Todos los elementos de B pertenecen al espacio vectorial V.

Los elementos de B forman un sistema linealmente independiente.

Todo elemento de V se puede escribir como combinación lineal de los elementos de la
base B (es decir, B es un sistema generador de V).[Nota 1]

Observaciones adicionales
1. Las bases son conjuntos ordenados. Es decir que si bien {a,b,c} y {b,a,c} generan el mismo
espacio vectorial, las bases no son iguales.
2. Dado un vector v y una base B de un espacio vectorial V, existe una única manera de
escribir a v como combinación lineal de los elementos de la base B. Es decir, la
representación de un vector en una base es única.
3. De la observación anterior se desprende que las bases no son únicas. En general, suele
haber infinitas bases distintas para un mismo espacio vectorial. Por ejemplo, si ,
una base muy sencilla de V es:

la cual es conocida como base canónica de . Otras bases de son:

En general, toda base de estará formada por tres vectores linealmente

independientes que pertenezcan a . Cuando el espacio vectorial en sí mismo es
un conjunto finito entonces el número de bases distintas es finito.

1. Si V es un espacio vectorial de dimensión finita, entonces todas las bases de V serán

finitas y tendrán la misma cantidad de elementos.
2. No todas las bases tienen un número finito de elementos. Por ejemplo, las bases del
espacio vectorial de los polinomios de una variable tienen infinitos elementos. Una posible
base es la formada por las potencias de X:

Espacios de dimensión infinita

En el caso de espacios vectoriales de dimensión infinita, como los que aparecen

en análisis funcional existen algunas distinciones pertinentes que es importante
señalar.
Bases de Hamel y de Hilbert

En un espacio vectorial de Hilbert de dimensión infinita existen varias posibilidades

de extender el concepto de combinación lineal finita. De un lado si consideramos
únicamente combinaciones lineales finitas llegamos al concepto de base de Hamel
o base lineal. Puede probarse que todas las bases de Hamel tienen el mismo
número de elementos, este número o cardinal se llama dimensión lineal o
dimensión de Hamel. Un conjunto constituye una base de Hamel si y solo si:

En un espacio de dimensión de Hamel finita, se puede encontrar solamente un

número finito de vectores ortogonales dos a dos, en cambio, cuando la dimensión
de Hamel es infinita, pueden introducirse en los espacios de Hilbert ciertas
"combinaciones lineales infinitas" en términos de vectores ortogonales. En un
espacio de Hilbert de dimensión infinita se dice que un conjunto es una base de
Hilbert o base ortogonal, si y solo si:

Nuevamente sucede que todas las bases ortogonales tienen el mismo cardinal,
por lo que se define el concepto de dimensión de Hilbert como el cardinal de
cualquier base de Hilbert.

Dimensión vectorial
La dimensión de un espacio vectorial se define como el número de elementos o
cardinal de una base de dicho espacio. Dado que para todo espacio de Hilbert de
dimensión infinita podemos distinguir entre bases de Hilbert y de Hamel, podemos
definir la dimensión vectorial ordinaria y la dimensión vectorial de Hilbert. Se tiene
que para cualquier espacio vectorial V, la relación entre dimensión de Hammel y
dimensión de Hilbert es la siguiente:

En espacios de dimensión finita también se pueden definir las bases de Hilbert

como bases de Hamel ortogonales. De hecho, para un espacio de dimensión
finita, la dimensión de Hilbert es igual a la dimensión de Hamel. En dimensión
finita toda base de Hamel es base de Hilbert y viceversa, por lo que para un
espacio de dimensión finita en se da siempre la igualdad.

4.5 espacio vectorial con producto interno.

i. (v,v) > 0
DEFINICIÓN 1 ii. (v,v) = 0 si y sólo si v= 0
Espacioiii.con producto
(u, v +w) = (u, v )Un
interno.- + (u,w)
espacio vectorial complejo V se llama espacio
iv. si (u
con producto interno + v,
para w)=
cada (u,ordenado
par w) + (v, de
w) vectores u y v en V, existe un número
v. llamado
complejo único (u,v), v) = (v,u)interno de u y v, tal que si u, v y w están en V y   C,
(u, producto
entonces vi. (au, v) = a(u, v)
vii. (u, av)= a (u, v)

EJEMPLO
Un producto interno en Rn Rn .- es un espacio con producto interno con (u, v)= u * v.
DEFINICIÓN 2
Sea V un espacio con producto interno y suponga que u y v estan en V. Entonces
i. U y v son ortogonales si (u, v) = 0
i. La norma de u, denota por u, esta dada por
U = (u , u )

Nota: A la u se le pone doble barra para evitar confusión con el valor absoluto

EJEMPLO
Dos vectores ortogonales en C2 En C2 los vectores (3, -1) y (2, 6i) son ortogonales
porque
((3, -1), (2, 6i)) = 3*2 + (-i)(6i) = 6 + (-i)(-6i) = 6 –6 = 0 además (3, -i)) =
3 * 3  ( i )(i ) = 10 .

DEFINICIÓN 3

Conjunto ortonormal .- El conjunto de vectores v1, v2, . . ., vn es un conjunto ortonormal

en V si

(vi, vj) = 0 para i  j

y
vi = (v1, vj ) = 1

DEFINICIÓN 4

Complemento ortogonal.- Sea H un subespacio del espacio con producto interno V.

Entonces el complemento ortogonal de H, denotado por H, está dado por

H = x  V : (x, h) = 0 para todo h H

DEFINICIÓN 1

Espacio con producto interno.- Un espacio vectorial complejo V se llama

espacio con producto interno si para cada par ordenado de vectores u y v en V,
existe un número complejo único (u,v), llamado producto interno de u y v, tal que
si u, v y w están en V y

C, entonces

EJEMPLO
Un producto interno en Rn Rn .- es un espacio con producto interno con (u, v)= u
* v.

4.6 base ortonormal, proceso de ortonormalizacion de

gran-Schmidt.
Proceso de ortonormalización Gram-Schmidt.

El proceso de ortogonalización de Gram–Schmidt de álgebra lineal es un

proceso utilizado en matemática y análisis numérico, para ortogonalizar un
conjunto de vectores en un espacio prehilbertiano, más comúnmente el espacio
euclídeo Rn.

Ortogonalización en este contexto significa lo siguiente: comenzamos con vectores

v1,…, vk los cuales son linealmente independientes y queremos encontrar
mutuamente vectores ortogonales u1, …, uk los cuales generan el mismo
subespacio que los vectores v1, …, vk.

Este proceso lleva el nombre en honor a Jorgen Pedersen Gram y Erhard

Schmidt.

Definimos el operador proyección con

donde los corchetes angulares representan el producto interior, proyecta el vector

v ortogonalmente en el vector u.

Antes de ver el proceso, debemos comprender el porqué de la definición de

proyección. Si recordamos la definición de producto escalar, tenemos para el caso
del numerador, módulo de u por módulo de v por el coseno del ángulo que forman.
En el denominador tenemos módulo de u por módulo de u, ya que el coseno sería
1. Si separamos los dos módulos de u en el denominador, vemos que a la
izquierda tenemos únicamente "módulo de v * cos (ángulo que forman)", lo que
nos da claramente el módulo del vector proyección. Teniendo el módulo del vector
proyección lo único que debemos hacer es asignarle una dirección, cosa que
hacemos multiplicándolo por u/módulo(u), lo que es el vector de módulo 1 con
dirección u (el vector unitario).

El proceso de Gram–Schmidt entonces funciona como sigue:

Los dos primeros pasos del proceso de Gram-Schmidt

Ejemplo

Considera el siguiente conjunto de vectores en Rn (con el convencional producto

interno)

Ahora, aplicamos Gram–Schmidt, para obtener un conjunto de vectores

ortogonales:

Verificamos que los vectores u1 y u2 son de hecho ortogonales:

Entonces podemos normalizar los vectores dividiendo su tamaño como hemos
mostrado anteriormente:

UNIDAD V TRANSFORMACIONES LINEALES.

5.1 introducción a las transformaciones lineales.

Se denomina transformación lineal, función lineal o aplicación lineal a toda

aplicación cuyo dominio y codominio sean espacios vectoriales y se cumplan las
siguientes condiciones:

Transformación lineal: Sean V y W espacios vectoriales reales. Una

transformación lineal T de V en W es una función que asigna a cada vector v ϵ V
un vector único Tv ϵ W y que satisface, para cada u y v en V y cada escalar ∝,

1. T (u+v)= Tu+Tv
2. T(∝v)= ∝Tv, donde ∝ es un escalar.

Tres notas sobre notación.

1. Se escribe T: V → W para indicar que T toma el espacio vectorial real V y lo lleva al

espacio vectorial real W; esto es, T es una función con V como su dominio y un
subconjunto de W como su imagen.
2. Se escriben indistintamente Tv y T (v). denotan lo mismo; las dos fases se leen “T de v”.
eso es análogo a la notación funcional f(x), que se lee “f de x”.
3. Muchas de las definiciones y teoremas se cumplen también para los espacios vectoriales
complejos (espacios vectoriales en donde los escalares son números complejos).

 Terminología: las transformaciones lineales con frecuencia se llaman operadores lineales.

 Nota: No toda transformación que se ve lineal es en realidad lineal. Por ejemplo, defina T:
R→R por Tx= 2x + 3. Entonces la grafica de {(x, Tx): xϵ R} es una línea recta en el plano
xy; pero T no es lineal porque T(x+ y) = 2(x +y) + 3 = 2x + 2y + 3y Tx + ty = (2x+3) + (2y+3)
= 2x + 2y + 6. Las únicas transformaciones lineales de R en R son funciones de la forma f
(x) = mx para algún número real m. así, entre todas las funciones cuyas graficas son
rectas, las únicas que son lineales son aquellas que pasan por el origen. En algebra y
calculo una función lineal con dominio R esta definida como una función que tiene la forma
f (x) = mx + b. asi, se puede decir que una función lineal es una transformación de R en R
si y solo si b (la ordenada al origen)
5.2 NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL.
La propiedad fundamental del núcleo y del contradominio es que ambos son espacios vectoriales:
Teorema
Sea T : V → W una transformación lineal. Entonces Ker(T) es un subespacio de V
R(T) es un subespacio de W.

Demostración
El núcleo de T es subespacio Sean v1 y v2 elementos del núcleo de T y c un escalar cualquiera. As
´ı T(v1) = 0 = T(v2), y por tanto:

T(c1 v1 + c2 v2) = c1 T(v1) + c2 T(v2) = c1 0 + c2 0 = 0

Probando que c1 v1 + c2 v2 esta también en el núcleo de T. Lo cual a su vez prueba que el núcleo
de T es un subespecie de V .

La imagen de T es subespacio Sean w1 y w2 elementos de la imagen de T y c un escalar

cualquiera. As´ı T(v1) = w1 y T(v2) = w2 para algunos v1 y v2 en V , y por tanto:

T(c1 v1 + c2 v2) = c1 T(v1) + c2 T(v2) = c1 w1 + c2 w2

Probando que c1 w1 + c2 w2 es imagen de c1 v1 + c2 v2 y por consiguiente c1 w1 + c2 w2 esta
también en la imagen de T. Lo cual a su vez prueba que la imagen de T es un subespacio de W .

5.3 LA MATRIZ DE UNA TRANSFORMACION LINEAL.

Transformación lineal, es asociarle una matriz, para lo cual es necesario considerar un par de
bases ordenadas.

Definición:

Sean dos espacios vectoriales sobre , además

bases ordenadas de respectivamente y una transformación lineal de en

Se define la matriz asociada a en las bases a

Denotada por:
Donde:
Además si la base del espacio de partida es igual al del espacio de llegada, la matriz asociada a
la transformación lineal se denota por

Ejemplo
Dada la transformación lineal

Determinar la matriz asociada a en la base canónica de cada espacio.

Solución:
Sean las bases canónicas de
, respectivamente. Calculemos
T(1;0;0) = (5;1)
T(0;1;0) = (-2;4)
T(0;0;1) = (3;-2)

y escribamos cada vector en combinación lineal de la base

(5;1) = 5(1;0)+1(0;1)
(-2;4) = -2(1;0)+4(0;1)
(3;-2) = 3(1;0)-2(0;1)

luego,

Ejemplo
Dada la transformación lineal

Determinar , donde
Solución:
Para determinar la matriz asociada a en la base canónica, primero calculemos
F(1;0) = (3;1) F(0;1) = (2;-4)

5.4 APLICACIÓN DE LAS TRANSFORMACIONES LINEALES:

REFLEXION, DILATACION, CONTRACCION Y ROTACION.
Reflexión
Algunas orientaciones deseables para los objetos tridimensionales no pueden ser obtenidas
usando solamente giros. Con la reflexión se consigue un efecto "espejo", de modo que los objetos
se ven reflejados en un plano.

Cuando la reflexión se hace sobre uno de los planos ortogonales (x = 0, o y = 0, o bien z = 0) la

matriz de transformación es sencilla, pues es similar a la matriz identidad, aunque siendo –1 el
elemento que representa a la coordenada que es nula en el plano de reflexión. Así, las matrices de
reflexión para los planos XY, XZ e YZ son

Cuando se quiera una reflexión sobre un plano cualquiera, el proceso se complica notablemente.
La técnica utilizada es similar a la del giro sobre eje arbitrario. En este caso, inicialmente se
requiere definir un punto en el plano, y la normal al plano en ese punto.

El proceso de reflexión se resume en los siguientes puntos:

• Trasladar el punto establecido del plano al origen de coordenadas

• Realizar los giros oportunos para hacer coincidir el vector normal al plano de reflexión con uno de
los ejes de coordenadas; así el problema se reduce a una simple reflexión sobre alguno de los
planos del sistema de referencia.

Por ejemplo, si el eje escogido es el Z, el plano de reflexión sería el XY.

• Realizar la reflexión sobre el plano seleccionado

• Aplicar las transformaciones inversas para devolver el plano de reflexión a su posición original.

La matriz neta podría ser, por ejemplo, el resultado de la composición de las matrices [M]= [T]⋅ [G ]⋅
[G ]⋅ [R ]⋅ [G ]−1 ⋅ [G ]−1 ⋅[T]−1 x y z y x , si se opta por realizar las transformaciones para alinear el
vector normal con el eje Z. En tal caso, la matriz de reflexión a utilizar sería la Rz.

Rotación

Otro tipo común de transformación en el plano es la rotación o giro en torno a cualquier punto en el
plano. Nos interesan principalmente las rotaciones en tormo al origen. Rotación en el plano: La
transformación 2 se define por

y hace girar cada vector, θ rad en sentido contrario al de las manecillas del reloj en torno al origen.

Por ejemplo, calcularemos la imagen de (1,1) para /2.

Rotación en torno al origen

COMPRESIONES-EXPANSIONES

Las compresiones y expansiones son escalamientos a lo largo de los ejes coordenados. Con mas
precisión: para CC>>0, la transformación escala las coordenadas x en un factor de c, dejando
inalteradas a las coordenadas y. Si 0<1 se trata de una compresión en la dirección del eje x
positivo. Si >1, se refiere a una expansión. También se tienen compresiones y expansiones a lo
largo del eje y, expresadas = para >0.

Compresión y estiramiento a lo largo del eje x.

Otro tipo son los escalamiento simultáneos a lo largo de los ejes x y y, como con factores de
escala y>0 a lo largo de las direcciones x y y.

Escalamiento a lo largo de los ejes x y y.

Tanto como son transformaciones matriciales, con sus respectivas matrices

CORTES Un corte o deslizamiento a lo largo del eje x es una transformación de la forma .En otras
palabras, cada punto se mueve a lo largo de la dirección x una cantidad proporcional a la distancia
al eje x. También hay cortes a lo largo del eje y: son transformaciones matriciales cuyas matrices
son

Deslizamiento a lo largo del eje x.

 Bibliografía

Algebra.
Paul K. Rees.
Fred W. Sparks
Reverte ediciones, Cuarta Edición 1997

Algebra Lineal
Stanley I. Grossman
Mc Graw Hill, Quinta Edición

Algebra Lineal y sus Aplicaciones

David C. Lay

Prentice Hall, Segunda Edición

Algebra Lineal con Aplicaciones

George Nakos.
David Joyner
Thomson