1 UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO UNIDAD ACADÉMICA PROFESIONAL NEZAHUALCÓYOTL CURSO ÁLGEBRA LINEAL CLAVE: L40606 CARRERA: INGENIERÍA EN SISTEMAS INTELIGENTES TIPO DE MATERIAL: VISUAL FECHA DE ELABORACIÓN: 2016A ELABORÓ: M. EN I. JAVIER ROMERO TORRES

2 JUSTIFICACIÓN El presente material se elaboró con la intención de apoyar al docente al impartir la materia de álgebra lineal para facilitar el aprendizaje y aprovechar el tiempo dentro del salón de clases. Contempla también apoyar a los estudiantes a los que se les facilita el aprendizaje visual. PRESENTACIÓN El álgebra lineal es un curso fundamental en las distintas áreas de la ingeniería y una indispensable herramienta que tiene importantes aplicaciones en las ciencias computacionales. Para el alumno de la ingeniería en Sistemas Computacionales será de suma importancia el reforzamiento de los conceptos del Álgebra Lineal mediante el desarrollo de códigos en lenguajes de programación. PROPÓSITO GENERAL Que el estudiante adquiera los conocimientos del álgebra lineal para aplicarlos como una herramienta para solucionar problemas práctico del área de ingeniería.

3 COMPETENCIAS GENÉRICASResolver un sistema de ecuaciones lineales Manejo de las propiedades y operaciones de matrices Comprensión de los espacios vectoriales Manejo de las transformaciones lineales, vectores y valores característicos.

4 BIBLIOGRAFÍA BÁSICA Poole David “Algebra Lineal Una Introducción Moderna” 2Ed. Cengage 2007. Anton An “Introducción a la Algebra Lineal” 5Ed. Limusa. Larson Falvo “Fundamentos De Algebra Lineal” 6Ed. Cengage 2010. Kaufmann Jerome E. “Algebra” Ed. Cengage 2007. Lay David C. “Algebra Lineal Y Sus Aplicaciones” Ed. Pearson 2007. Grossman Stanley L. “Algebra Lineal” Ed. Mc Graw Hill 2007. COMPLEMENTARIA Cárdenas, H., Lluis, E. Raggi, F., Tomás, F. Álgebra Superior, Serie: Biblioteca Matemática Superior. Nueva Edición. Ed. Trillas. México. Uspensky J. V. Teoria De Ecuaciones. Ed. Limusa. México. 9. Lay, D. L. Algebra Lineal. Ed. Pearson 10. Anton, H. Introducción Al Álgebra Lineal. Ed. Limusa 11. Lang, S., Álgebra Lineal. Ed. Addison-Wesley, México 12. Spiegel, M.R., Álgebra Superior, Serie: Mcgraw-Hill, Nueva Edición. México.

5 Álgebra lineal (Instructor) (Fecha)

6 Temario Sistemas de ecuaciones lineales Matrices y determinantesEspacios vectoriales Transformaciones lineales Vectores y valores característicos

7 Sistemas de ecuaciones linealesMatrices y sistemas de ecuaciones El sistema de ecuaciones dado por: 𝑎 11 𝑥 1 + 𝑎 12 𝑥 2 +…+ 𝑎 1𝑛 𝑥 𝑛 = 𝑏 1 𝑎 21 𝑥 1 + 𝑎 22 𝑥 2 +…+ 𝑎 2𝑛 𝑥 𝑛 = 𝑏 2 𝑎 𝑚1 𝑥 1 + 𝑎 𝑚2 𝑥 2 +…+ 𝑎 𝑚𝑛 𝑥 𝑛 = 𝑏 𝑚 donde: m representa ecuaciones n variables 𝑥 1 , 𝑥 2 … 𝑥 𝑛 son las variables o incógnitas 𝑎 11 , 𝑏 1 son las constantes Se le conoce como sistema lineal de m ecuaciones con n variables.

8 Sistemas de ecuaciones linealesSolución de sistemas de ecuaciones lineales: método de Gauss Jordán El sistema no tiene solución. El sistema tiene una solución. El sistema tiene una cantidad infinita de soluciones.

9 Sistemas de ecuaciones linealesOperaciones elementales con renglones La operación elemental de renglón transforma a una matriz A en una matriz nueva 𝐴 ` La matriz 𝐴 ` se obtiene multiplicando cualquier renglón A por un escalar diferente de 0. La multiplicación de cualquier renglón n de A por un escalar distinto a 0 y sumar el renglón j de A Consiste en el intercambio de dos renglones cualesquiera.

10 Sistemas de ecuaciones linealesMecánica de Gauss Jordán Para resolver Ax = b debemos de obtener la matriz aumentada a/b. Comenzar con el renglón 1 y la columna 1 y de igual forma definir un valor pivote, si 𝑎 11 es diferente de cero realizar operaciones elementales para obtener en la primera columna ⋮ 0 Si el nuevo valor pivote es distinto de cero se debe de realizar una operación elemental de renglón para transformarlo en 1 y el resto de los valores de la columna en cero Escribir el sistema de ecuaciones A´x= b´ que corresponde a la matriz A´/ b`. A´x=b´ corresponde al conjunto de soluciones Ax = b

11 Temario Sistemas de ecuaciones lineales Matrices y determinantesEspacios vectoriales Transformaciones lineales Vectores y valores característicos

12 Matrices y determinantesÁngulo entre dos vectores Sean u y v dos vectores diferentes de cero. El angulo 𝜑 entre ellos es, 𝑐𝑜𝑠𝜑= 𝑢∙𝑣 𝑢 𝑣 Vectores paralelos, dos vectores diferentes de cero u y v son paralelos si el ángulo entre ellos es cero o 𝜋. Vectores ortogonales, los vectores u y v diferentes de cero son ortogonales si el ángulo entre ellos es 𝜋/2. Dos vectores u y v son ortogonales si 𝒖∙𝒗=𝟎.

13 Espacios vectoriales ProyecciónSean u y v dos vectores diferentes de cero. Entonces la proyección de u sobre v es un vector denotado por 𝑝𝑟𝑜𝑦 𝑣 𝑢, que se define por 𝑝𝑟𝑜𝑦 𝑣 𝑢= 𝑢∙𝑣 𝑣 2 𝑣

14 Espacios vectoriales 𝒊∙𝒊=𝒋∙𝒋=𝒌∙𝒌=1 𝒊∙𝒋=𝒋∙𝒊=𝒊∙𝒌=𝒌∙𝒊=𝒋∙𝒌=𝒌∙𝒋=0Distancia entre dos puntos Sean 𝑃= 𝑥 1 , 𝑦 1 , 𝑧 1 y Q= 𝑥 2 , 𝑦 2 , 𝑧 2 dos puntos en el espacio. Entonces la distancia ente P y Q está dada por 𝑃𝑄 = 𝑥 1 − 𝑥 𝑦 1 − 𝑦 𝑧 1 − 𝑧 2 2 Como recordatorio: Los vectores unitarios i, j y k están definidos como: 𝒊= 1,0,0 𝐣= 0,1,0 𝐳= 0,0,1 𝒊∙𝒊=𝒋∙𝒋=𝒌∙𝒌=1 𝒊∙𝒋=𝒋∙𝒊=𝒊∙𝒌=𝒌∙𝒊=𝒋∙𝒌=𝒌∙𝒋=0

15 Espacios vectoriales Producto cruz de dos vectoresSean 𝒖= 𝑎 1 𝒊+ 𝑏 1 𝒋+ 𝑐 1 𝒌 y 𝒗= 𝑎 2 𝒊+ 𝑏 2 𝒋+ 𝑐 2 𝒌 . Entonces el producto cruz (cruz vectorial) de u y v, denotado por 𝒖×𝒗, es un vector definido por 𝒖×𝒗= 𝑏 1 𝑐 2 − 𝑐 1 𝑏 2 𝒊+ 𝑐 1 𝑎 2 − 𝑎 1 𝑐 2 𝒋+ 𝑎 1 𝑏 2 − 𝑏 1 𝑎 2 𝒌 Otro arreglo para el producto cruz 𝑢×𝑣= 𝒊 𝒋 𝒌 𝑎 1 𝑏 1 𝑐 1 𝑎 2 𝑏 2 𝑐 2 𝒊 𝒋 𝒌 𝑎 1 𝑏 1 𝑐 1 𝑎 2 𝑏 2 𝑐 2 =𝒊 𝑏 1 𝑐 1 𝑏 2 𝑐 2 −𝒋 𝑎 1 𝑐 1 𝑎 2 𝑐 2 +𝒌 𝑎 1 𝑏 1 𝑎 2 𝑏 2

16 Espacios vectoriales Interpretación geométrica del producto cruzLa interpretación geométrica de 𝒖×𝒗 es el área generada por ambos vectores. El vector 𝒖×𝒗 es ortogonal tanto a u como a v.

17 (valor absoluto del triple vector escalar)Espacios vectoriales Triple producto escalar El volumen del paralelepípedo determinado por los tres vectores u, v y w es igual a (𝒖×𝒗)∙𝒘 (valor absoluto del triple vector escalar)

18 Matrices y determinantesVector renglón Un vector de n componentes se define como un conjunto de ordenados d n números escritos de la siguiente manera: 𝑥 1 + 𝑥 2 , …, 𝑥 𝑛

19 Matrices y determinantesVector columna un vector de n componentes es un conjunto ordenado de n números escritos de la siguiente manera: 𝑥 1 𝑥 2 ⋮ 𝑥 𝑛 se le denomina a 𝑥 1 primera componente 𝑥 2 segunda componente y así sucesivamente en términos generales.

20 Matrices y determinantesMATRIZ Una matriz A de mxn es un arreglo rectangular de mxn números dispuestos en m renglones y n columnas. 𝐴= 𝑎 11 𝑎 12 … 𝑎 21 𝑎 22 … … 𝑎 𝑖1 … 𝑎 𝑚1 … 𝑎 𝑖2 … 𝑎 𝑚2 … … … … 𝑎 12 … 𝑎 1𝑛 𝑎 2𝑗 … 𝑎 2𝑛 … 𝑎 𝑖𝑗 … 𝑎 𝑚𝑗 … … … … … 𝑎 𝑖𝑛 … 𝑎 𝑚𝑛

21 Matrices y determinantesMatriz cuadrada: si A es una matriz m × n con m = n Matriz cero Matriz m × n con todos los elementos iguales a cero (matriz cero de 2x4) Matriz de 3X2 − −2

22 Matrices y determinantesIgualdad de matrices dos matrices A= 𝑎 𝑖𝑗 y b= 𝑏 𝑖𝑗 son ihuales si (1) son del mismo tamaño y (2) las componentes correspondientes son iguales. Y Los vectores matrices de un renglón o columna cada vector es un tipo especial de matriz. el vector de n componentes 𝑎 1 , 𝑎 2 ,… 𝑐 𝑛 es una matriz de 1 x n, mientras que el vector columna de n componentes : 𝑎 1 𝑎 2 ⋮ 𝑎 𝑛 es una matriz de n x 1 .

23 Matrices y determinantesSuma de matrices Sean a= 𝑎 𝑖𝑗 y b= 𝑏 𝑖𝑗 dos matrices de m x n. por lo tanto la suma de A y B es la matriz m x n, A + B dada por 𝐴+𝐵= 𝑎 𝑖𝑗 + 𝑏 𝑖𝑗 == 𝑎 𝑏 11 𝑎 𝑏 21 ⋮ 𝑎 𝑚𝑙 ⋮ + ⋮ 𝑏 𝑚𝑙 𝑎 𝑏 12 𝑎 𝑏 22 ⋮ 𝑎 𝑚2 ⋮ + ⋮ 𝑏 𝑚 … 𝑎 1𝑛 + … 𝑎 2𝑛 + ⋮ … ⋮ 𝑎 𝑚𝑛 ⋮ 𝑏 1𝑛 𝑏 2𝑛 ⋮ 𝑏 𝑚𝑛 Es decir, A+ B es la matriz m x n que se obtiene al sumar las componentes correspondientes de A y B. Se define únicamente cuando las matrices son del mismo tamaño por ejemplo de 2 x 2, 3 x 3, etc.

24 Matrices y determinantesMultiplicación de una matriz por un escalar Si A = 𝑎 𝑖𝑗 es una matriz de m x n y si 𝛼 es un escalar, entonces la matriz m x n, 𝛼A , esta dada por: ( a b c ) 𝐷 𝐸 𝐹 = a.d + b.e + c.f 𝑎𝐴= 𝑎𝑎 𝑖𝑗 = 𝑎𝑎 11 𝑎𝑎 12 … 𝑎𝑎 21 𝑎𝑎 22 … ⋮ 𝑎𝑎 𝑥𝑡 ⋮ 𝑎𝑎 𝑥2 … … 𝑎𝑎 1𝑥 𝑎𝑎 2𝑛 ⋮ 𝑎𝑎 𝑥𝑛 Esto es 𝛼A= (𝛼 𝑎 𝑖𝑗 ) es la matriz obtenida al multiplicar cada componente de A por 𝛼, si 𝛼A=B ( 𝑏 𝑖𝑗 ), entonces 𝑏 𝑖𝑗 = 𝛼 𝑎 𝑖𝑗 para i = 1,2, …, m y j = 1,2,…,n.

25 Matrices y determinantesSean A, b y C tres matrices de m x n y sean 𝛼 y 𝛽 dos escalares entonces : A +0 = A A0 = 0 A+B = B +A (A + B) + C = A +(B + C) α (A + B ) = αA + αB 1A =A (α+ β )A = αA + βA

26 Matrices y determinantesProducto escalar Sean a= 𝑎 1 𝑎 2 ⋮ 𝑎 𝑛 y b= 𝑏 1 𝑏 2 ⋮ 𝑏 𝑛 dos vectores. Entonces el producto escalar de a y b denotado a por b, esta dado por: a ∙ b = 𝑎 1 𝑏 1 + 𝑎 2 𝑏 2 +,…, 𝑎 𝑛 𝑏 𝑛 A este producto escalar se le llama producto punto o producto interno de los vectores 𝑎 1 𝑎 2 … 𝑎 𝑛 𝑏 1 𝑏 2 ⋮ 𝑏 𝑛 = 𝑎 1 𝑏 1 + 𝑎 2 𝑏 2 +,…, 𝑎 𝑛 𝑏 𝑛

27 Matrices y determinantesProducto de dos matrices Sea A = 𝑎 𝑖𝑗 una matriz de m X n y sea B = 𝑏 𝑖𝑗 una matriz de n X p ∴ el producto de A y B es una matriz de m X p, C = 𝑐 𝑖𝑗 𝑐 𝑖𝑗 = 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 𝑖 𝑑𝑒 𝐴 ∙ 𝑟𝑒𝑛𝑔𝑙𝑜𝑛 𝑗 𝑑𝑒 𝐵 el elemento 𝑖𝑗 de A y B es el producto punto del renglón i de A y la columna j de B y se obtiene: 𝑐 𝑖𝑗 = 𝑎 𝑖1 𝑏 1𝑗 + 𝑎 𝑖2 𝑏 2𝑗 + … + 𝑎 𝑖𝑛 𝑏 𝑛𝑗 Las matrices se pueden multiplicar solamente si el numero de columnas de la matriz uno es igual al numero de renglones de la matriz dos.

28 Matrices y determinantesLey asociativa para la multiplicación de matrices Sea A = 𝑎 𝑖𝑗 una matriz de n x m, B = 𝑏 𝑖𝑗 una matriz de m x p y C= 𝑐 𝑖𝑗 una matriz de p x q. A(BC)= (AB)C ABC definida por cualquiera de los lados de la ecuación, es una matriz de n x q Leyes distributivas para la multiplicación de matrices A (B + C) = A B + AC (A + B) C = AC + BC

29 Matrices y determinantesMatriz identidad La matriz identidad 𝐼 𝑛 de n x n es una matriz de n x n y cuyos elementos de la diagonal principal son iguales a 1 y todos los demás son 0, esto es: 𝐼 𝑛 = ( 𝑏 𝑖𝑗 ) donde 𝑏 𝑖𝑗 = 1 0 Si i = j Si i ≠ j

30 Matrices y determinantesInversa de la matriz sean A y B dos matrices de n x n se dice que : AB = BA = I entonces B se le llama la inversa de A y se denota por 𝐴 −1 por lo tanto tenemos: 𝐴𝐴 −1 = 𝐴 −1 𝐴=𝐼 si A tiene inversa se dice que A es invertible. Si A es invertible se dice que su inversa en única.

31 Matrices y determinantesSean A y B dos matrices invertibles de n x n. entonces AB es invertible 𝐴𝐵 −1 = 𝐵 −1 𝐴 −1 Si A es invertible, el sistema Ax = b Tiene una solución única x = 𝐴 −1 𝑏

32 Matrices y determinantesProcedimiento para encontrar la inversa de una matriz A Se escribe la matriz aumentada (matriz identidad). Se utilizan la reducción por renglones para poner la matriz de A su forma escalonada reducida por renglones. Se decide si A es invertible. Si la forma escalonada reducida por renglones de A es la matriz identidad I, entonces 𝐴 −1 es la matriz que se tiene a la derecha de la barra vertical. Si la reducción de A conduce a un renglón de ceros a la izquierda de la barra vertical , entonces A no es invertible. Una matriz A de n x n es invertible si y solo si su forma escalonada reducida por renglones de la matriz identidad; es decir, si su forma escalonada reducida por renglones tiene n pivotes.

33 Matrices y determinantesTranspuesta de una matriz Sea A = 𝑎 𝑖𝑗 una matriz de m x n , entonces la transpuesta de A , que se describe 𝐴 𝑡 , es la matriz de m x n que se obtiene al intercambiar los renglones por las columnas de A. se puede escribir 𝐴 𝑡 = 𝑎 𝑖𝑗 : Se coloca el renglón i de A como la columna i de 𝐴 𝑡 y la columna j de A como el renglón j de 𝐴 𝑡 𝑎 11 𝑎 12 … 𝑎 21 𝑎 22 … ⋮ 𝑎 𝑛1 ⋮ 𝑎 𝑛2 ⋮ … 𝑎 1𝑛 𝑎 2𝑛 ⋮ 𝑎 𝑛𝑛 𝑎 11 𝑎 21 … 𝑎 12 𝑎 22 … ⋮ 𝑎 1𝑛 ⋮ 𝑎 2𝑛 ⋮ … 𝑎 𝑛1 𝑎 𝑛2 ⋮ 𝑎 𝑛𝑛 Si A = Entonces 𝐴 𝑡 =

34 Matrices y determinantessea A : 𝑎 11 𝑎 12 𝑎 21 𝑎 una matriz de 2 x 2 se define el determinante de la matriz A y se expresa como det 𝐴 det 𝐴= 𝑎 11 𝑎 22 − 𝑎 12 𝑎 21 𝐴 = 𝐴 = 𝑎 11 𝑎 12 𝑎 21 𝑎 22 Se demostró que A es invertible si y solo si det A ≠ 0 valido para matrices de n x n

35 Matrices y determinantesDeterminante de 3 x 3 Sea A = 𝑎 11 𝑎 12 𝑎 13 𝑎 21 𝑎 22 𝑎 23 𝑎 31 𝑎 32 𝑎 ∴ Det A= 𝐴 = 𝑎 𝑎 22 𝑎 23 𝑎 32 𝑎 − 𝑎 𝑎 21 𝑎 23 𝑎 31 𝑎 𝑎 𝒂 𝟐𝟏 𝒂 𝟐𝟐 𝒂 𝟑𝟏 𝒂 𝟑𝟐

36 Matrices y determinantesLa menor Sea A una matriz de nxn y sea 𝑴 𝒊𝒋 la matriz (n-1)x(n-1) que se obtiene de A eliminando el renglón i y la columna j. 𝑴 𝒊𝒋 se llama menor ij de A.

37 Matrices y determinantesCofactor Sea A una matriz de n x n. el cofactor de ij de A, denotado por 𝐴 𝑖𝑗 esta dado por : 𝐴 𝑖𝑗 = −1 𝑖+𝑗 𝑀 𝑖𝑗 Esto es, el cofactor ij de A se obtiene tomado el determinante del menor ij y multiplicándolo por −1 𝑖+𝑗 : −1 𝑖+𝑗 1 −1 Si i+j es par Si i+j es impar

38 Matrices y determinantesDeterminante de n x n Sea A una matriz de n x n, entonces el determinante de A denotado por det A o 𝐴 esta dado por: 𝐴 = 𝑎 11 𝐴 11 + 𝑎 12 𝐴 12 + 𝑎 13 𝐴 13 …+ 𝑎 1𝑛 𝐴 1𝑛 = 𝑘=1 𝑛 𝑎 1𝑘 𝐴 1𝑘 La expresión del lado derecho se llama expansión por cofactores. En general: i. Expansión por cofactores en cualquier renglón: 𝐴 = 𝑎 𝑖1 𝐴 𝑖1 + 𝑎 𝑖2 𝐴 𝑖2 +…+ 𝑎 𝑖𝑛 𝐴 𝑖𝑛 = 𝑘=1 𝑛 𝑎 𝑖𝑘 𝐴 𝑖𝑘 ii. Expansión por cofactores en cualquier columna: 𝐴 = 𝑎 1𝑗 𝐴 1𝑗 + 𝑎 2𝑗 𝐴 2𝑗 +…+ 𝑎 𝑛𝑗 𝐴 𝑛𝑗 = 𝑘=1 𝑛 𝑎 𝑘𝑗 𝐴 𝑘𝑗

39 Matrices y determinantesMatriz triangular Una matriz cuadrada se denomina triangular superior si todas sus componentes debajo de la diagonal son cero. Es una matriz triangular superior si todas sus componentes arriba de la diagonal son cero y se le denomina diagonal a una matriz si todos los elementos que no se encuentran sobre la diagonal son cero; es decir A = ( 𝒂 𝒊𝒋 ) es triangular superior si 𝒂 𝒊𝒋 = 0 i > j , triangular inferior si 𝒂 𝒊𝒋 = 0 para i

40 Matrices y determinantesDeterminantes e inversas Si A es invertible , entonces det A ≠ 0 y: det 𝐴 −1 = 1 det 𝐴 Como A es invertible por lo tanto: 1=det I = det A 𝐴 −1 = det A det 𝐴 −1 esto implica que det 𝐴 −1 = 1/det A

41 Matrices y determinantesLa adjunta Es una matriz A= 𝑎 𝑖𝑗 , B = 𝐴 𝑖𝑗 la matriz de cofactores de A Sea A una matriz de n x n y sea B, dada por (3) de sus cofactores. Entonces la adjunta de A , escrito adj A, es la transpuesta de la matriz B de n x n es decir : adj A = 𝐵 𝑡 = 𝐴 11 𝐴 21 … 𝐴 𝑛 𝐴 12 𝐴 22 … ⋮ ⋮ . 𝐴 1𝑛 𝐴 2𝑛 … 𝐴 𝑛2 ⋮ 𝐴 𝑛𝑛

42 Temario Sistemas de ecuaciones lineales Matrices y determinantesEspacios vectoriales Transformaciones lineales Vectores y valores característicos

43 Espacios vectoriales Espacio vectorialEs un conjunto de objetos , denominados vectores, junto con dos operaciones binarias llamadas suma y multiplicación por un escalar y que satisfacen las diez axiomas

44 Espacios vectoriales Axiomas de un espacio vectorialsi x є V y Y є V, entonces x + y є V(cerradura bajo la suma Para todo x, y y z en V , (x + y) + z = x + (y + z) (ley asociativa de la suma de vectores) existe un vector 0 que є V tal que para todo x que є V, x + 0 = 0 + x = x (vector cero o idéntico aditivo) Si x є V , existe un vector –x є V tal que x + ( -x) = 0 (-x inverso aditivo de x ) Si x y y están en V, entonces x + y = y + x (ley conmutativa de la suma de vectores) Si x є V y ∝ es un escalar, entonces ∝x є V (cerradura bajo la multiplicación por un escalar)

45 Espacios vectoriales Axiomas de un espacio vectorialsi x y y están en V y ∝ es un escalar, entonces ∝ ( x +y )= ∝x+∝y ( primera ley distributiva) si x є V y ∝ y β son escalares, entones (∝ + β )x = ∝x + βx (segunda ley distributiva) si x є V y ∝ y β son escalares, entonces ∝ (βx) = (∝β)x (ley asociativa de la multiplicación por escalares ) para cada vector x є V, 1x = x

46 Espacios vectoriales Teoremas para un espacio vectorial∝0=0 para todo escalar ∝ 0 ∙ x = 0 para todo x ∈ V Si ∝ x = 0, entonces ∝ = 0 o x = 0 (-1)x = -x para todo x є V

47 Espacios vectoriales SubespaciosSea H un subconjunto no vacío en un espacio vectorial V y suponga que H es en si un espacio vectorial bajo las operaciones de suma y multiplicación por un escalar definidas en V, entonces se dice que H es un subespacio de V. Combinación lineal Sean 𝑉 1, 𝑉 2 ,…, 𝑉 𝑛 vectores en un espacio vectorial V, entonces cualquier vector de la forma 𝑎 1 𝑣 1 + 𝑎 2 𝑣 2 +…+ 𝑎 𝑛 𝑣 𝑛 Donde 𝑎 1, 𝑎 2 ,…, 𝑎 𝑛 son escalares se denomina una combinación lineal de 𝑉 1, 𝑉 2 ,…, 𝑉 𝑛 .

48 Espacios vectoriales Espacio generado por un conjunto de vectoresSean 𝑉 1, 𝑉 2 ,…, 𝑉 𝐾 , 𝐾 vectores de un espacio vectorial V, el espacio generado por 𝑉 1, 𝑉 2 ,…, 𝑉 𝑘 es el conjunto de combinaciones lineales 𝑉 1, 𝑉 2 ,…, 𝑉 𝑘 es decir: gen 𝑣 1 , 𝑣 2 ,…, 𝑣 𝑘 = 𝑣:𝑣= 𝑎 1 𝑣 1 + 𝑎 2 𝑣 2 +…+ 𝑎 𝑘 𝑣 𝑘 Donde 𝑎 1, 𝑎 2 ,…, 𝑎 𝑘 son escalares arbitrarios.

49 Espacios vectoriales Dependencia e independencia linealSean 𝑉 1, 𝑉 2 ,…, 𝑉 𝑛 n vectores en un espacio vectorial V , entonces se dice que los vectores son linealmente dependientes si existen n escalares 𝑐 1, 𝑐 2 ,…, 𝑐 𝑛 no todos cero tale que : 𝑐 1 𝑣 1 + 𝑐 2 𝑣 2 +…+ 𝑐 𝑛 𝑣 𝑛 = 0 Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.

50 Espacios vectoriales Basees un conjunto finito de vectores v 1 , v 2 ,…, v n es una base para un espacio vectorial V si: v 1 , v 2 ,…, v n es linealmente independiente v 1 , v 2 ,…, v n genera a V

51 Espacios vectoriales DimensiónSi el espacio vectorial V tienen una base con un numero finito de elementos, entonces la dimensión de V es el numero de vectores en todas la bases y V se denomina espacio vectorial de dimensión finita . De otra manera, V se denomina espacio vectorial de dimensión infinita. Si V = 0 , entonces se dice que V tiene dimensión cero.

52 Espacios vectoriales Espacio vectorial con producto interno y sus propiedades Un espacio vectorial complejo V se denomina espacio con producto interno si para cada par ordenada de vectores u y v en V, existe un número complejo único (u, v), denominado producto interno de u y v, tal que si u, v y w están en V y α ϵ C, entonces: u, v ≥0 v, v = si y solo si v=0 u,v+w = u,v + u,w u+v,w = u,w + v,w u,v = v,u αu, v =α u,v u,αv = α (u,v)

53 Espacios vectoriales Base ortonormalUn conjunto de vectores S = 𝑢 1 , 𝑢 2 ….. 𝑢 𝑛 en 𝑅 𝑛 es un conjunto ortonormal si: 𝑢 𝑖 . 𝑢 𝑗 =0 𝑢 𝑖 . 𝑢 𝑖 =1 Si solo se satisface la ecuación (1) se dice que el conjunto es ortogonal S𝑖 𝑖 ≠𝑗

54 Espacios vectoriales Longitud o norma de un vectorSi v ϵ 𝑅 𝑛 , entonces la longitud o norma de v, denota por 𝑣 , esta dado por: 𝑣 = 𝑣∙𝑣

55 Espacios vectoriales Proceso de ortonormalización de Gram-SchmidtSea H un subespacio de dimensión m de 𝑅 𝑛 . Entonces H tiene una base ortonormal. Sea 𝑆={ 𝑉 1 , 𝑉 2 ,….., 𝑉 𝑛 } una base de H. Se probara el teorema construyendo una base ortonormal a partir de los vectores de S. Este en un conjunto de vectores linealmente independiente no contiene al vector cero. Paso 1. Elección del primer vector unitario Sea 𝑢 1 = 𝑉 1 𝑉 1 Entonces 𝑢 𝑢 1 = 𝑉 1 𝑉 𝑉 1 𝑉 1 = 𝑉 𝑉 1 . 𝑉 1 =1 De manera que 𝑢 1 =1

56 Espacios vectoriales Paso 2. Elección de un segundo vector ortogonal a 𝒖 𝟏 El vector 𝒘= 𝑢 ∙ 𝑉 𝑉 2 𝑉 𝑒𝑠 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙 𝑎 𝑣 En este caso 𝑢 ∙ 𝑉 𝑉 2 𝑣es la proyección de u sobre v. Como se ilustra y 𝑢− 𝑢∙𝑣 𝑣 2 𝑣=𝑤 u 𝑢.𝑣 𝑣 2 𝑣= 𝑝𝑟𝑜𝑦 𝑣 𝑢 v x

57 Espacios vectoriales Resulta que el vector w dado es ortogonal a V cuando w y y están en 𝑅 𝑛 para cualquier 𝑛≥2. 𝒖 𝟏 es un vector unitario, 𝑉∙𝑢 𝑢 1 𝑢 1= 𝑉∙ 𝑢 1 𝑢 1 Sea 𝑉´ 2 = 𝑉 2 − 𝑉 2 ∙ 𝑢 1 𝑢 1

58 Espacios vectoriales Paso 2. Elección de un segundo vector ortogonal a 𝒖 𝟏 Entonces : 𝑉´ 2 ∙ 𝑢 1 = 𝑉 2 ∙ 𝑢 1 − 𝑉 2 ∙ 𝑢 1 𝑢 1 ∙ 𝑢 1 = 𝑉 2 ∙ 𝑢 1 − 𝑉∙ 𝑢 1 =0 De manera que 𝑉´ 2 es ortogonal a 𝑢 1 Por el teorema 1, 𝑢 1 y 𝑉´ 2 son linealmente independientes Paso 3. Elección de un segundo vector unitario Sea 𝑢 2 = 𝑉´ 2 𝑉´ 2 Entonces es evidente que 𝑢 1 , 𝑢 2 es un conjunto ortonormal Suponga que se han construido los vectores 𝑢 1 , 𝑢 2 , …… 𝑢 𝑘 𝑘<𝑚 y que forman un conjunto ortonormal

59 Espacios vectoriales Se mostrara como construir 𝑢 𝑘+1Paso 4. Continuación del proceso Sea 𝑉´ 𝐾+1 = 𝑉 𝐾+1 − 𝑉 𝐾+1 ∙ 𝑢 1 𝑢 1 − 𝑉 𝐾+1 ∙ 𝑢 2 𝑢 2 −∙∙∙− 𝑉 𝐾+1 ∙ 𝑢 𝑘 𝑉 𝐾+1 ∙ 𝑢 𝑘 𝑢 𝑘 Entonces para i=1,2,……..k 𝑉´ 𝐾+1 ∙ 𝑢 𝑖 = 𝑉 𝐾+1 ∙ 𝑢 𝑖 − 𝑉 𝐾+1 ∙ 𝑢 1 𝑢 1 ∙ 𝑢 𝑖 − 𝑉 𝐾+1 ∙ 𝑢 2 𝑢 2 ∙ 𝑢 𝑖 −∙∙∙− 𝑉 𝐾+1 ∙ 𝑢 𝑖 𝑢 1 ∙ 𝑢 𝑖 −∙∙∙− 𝑉 𝐾+1 ∙ 𝑢 𝑘 𝑢 𝑘 ∙ 𝑢 𝑖 Pero 𝑢 𝑗 ∙ 𝑢 𝑖 =0 𝑠𝑖 𝑗≠𝑖 𝑦 𝑢 𝑖 ∙ 𝑢 𝑖 =1. Por lo tanto 𝑉´ 𝐾+1 ∙ 𝑢 𝑖 = 𝑉 𝐾+1 ∙ 𝑢 𝑖 − 𝑉 𝐾+1 ∙𝑢 𝑖 =0 Así, 𝑢 1 , 𝑢 2 ,… 𝑢 𝑘 , 𝑉´ 𝐾+1 es un conjunto linealmente independiente, ortogonal y 𝑉´ 𝐾+1 ≠0

60 Espacios vectoriales Paso 5Sea 𝑢 𝑘+1 = 𝑉´ 𝐾+1 𝑉´ 𝐾 Entonces es claro que 𝑢 1 , 𝑢 2 ,… 𝑢 𝑘 , 𝑢 𝐾+1 es un ortonormal y se puede continuar de esta manera hasta que k+1=m con lo que se completa la prueba

61 Espacios vectoriales Matriz ortogonalUna matriz Q de n x n se llama ortogonal si Q es invertible y 𝑄 −1 = 𝑄 𝑡

62 Temario Sistemas de ecuaciones lineales Matrices y determinantesEspacios vectoriales Transformaciones lineales Vectores y valores característicos

63 Transformaciones linealesTransformación lineal Sea V y W espacios vectoriales reales. Una transformación lineal T de V en W en 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 α 𝑇 𝑢+𝑣 =𝑇𝑢+𝑇𝑣 𝑇 α𝑣 =αTv Propiedades de las transformaciones lineales Sea T: V→W una transformación lineal. Entonces para todos los vectores u, v, 𝑣 1 , 𝑣 2 ,…., 𝑣 𝑛 en V y todos los escalares α 1 , α 2 ,…., α 𝑛 : T(0)=0 T u−v =Tu−Tv T α 1 V 1 + α 2 v 2 +…+ α n V n = α 1 𝑇𝑣 1 + α 2 𝑇𝑣 2 +…+ α 𝑛 𝑇𝑣 𝑛

64 Transformaciones linealesEjemplos: (Transformación de reflexión ) Sea T: 𝑅 2 → 𝑅 2 definida por 𝑇 𝑥 𝑦 = −𝑥 𝑦 . Es fácil verificar que T es lineal. En términos geométricos , T toma un valor en 𝑅 2 y lo refleja respecto al eje y y y y (x,y) (x,y) x x

65 Transformaciones linealesEjemplos: (Transformación de rotación) Suponga que el vector 𝑣= 𝑥 𝑦 en el plano xy se rota en un ángulo Ѳ (medido en grados o radianes) en sentido contrario al de las manecillas del reloj. Llame a este nuevo vector rotado 𝑣´= 𝑥´ 𝑦´ . Entonces como se ve en la figura , si r denota la longitud de v (que o cambia por la rotación). 𝑥=𝑟 cos α 𝑥´=𝑟 cos ϴ+α 𝑦=𝑟 sin α 𝑦´=𝑟 sin ϴ+α y (x´,y´) r ϴ+α (x,y) π−𝛼−𝛳 r ϴ α x x´ x

66 Transformaciones linealesEjemplos: (Transformación de rotación) Pero r cos ϴ+α =r cos ϴ cos α−𝑟 sin ϴ sin α, de manera que: 𝑥´=𝑥 cos ϴ −𝑦 sin ϴ De manera similar r sin ϴ+α =r sin ϴ cos α +𝑟 cos ϴ sin α , o sea y´=𝑥 sin ϴ +𝑦 cos ϴ Sea 𝐴 ϴ = cos ϴ −sin ϴ sin ϴ cos ϴ

67 Transformaciones linealesNúcleo o Kernel Sea V y W dos espacios vectoriales y sea T:V→W una transformación lineal. Entonces El núcleo de T, denotado por nu T, está dado por: 𝑛𝑢 𝑇={𝑣 ϵ 𝑉:𝑇𝑣=0} II. La imagen de T, denotado por 𝐼𝑚 𝑇={𝑤 ϵ 𝑊:𝑤=𝑇𝑣 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑣 ϵ 𝑉}

68 Transformaciones linealesMatriz de trasformación La matriz A, se denomina matriz de transformación correspondiente a T o representación matricial de T Representación matricial de una transformación lineal Sea t: 𝑅 𝑛 → 𝑅 𝑚 una transformación lineal. Existe entonces una matriz única de m x n, 𝐴 𝑇 tal que 𝑇𝑥= 𝐴 𝑇 𝑥 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑥 ϵ 𝑅 𝑛 Sea 𝑤 1 = 𝑇𝑒 1 , 𝑤 2 = 𝑇𝑒 2 ,…, 𝑤 𝑛 = 𝑇𝑒 𝑛 . Sea 𝐴 𝑇 la matriz cuyas columnas son 𝑤 1 , 𝑤 2 ,…, 𝑤 𝑛 y hagamos que 𝐴 𝑇 denote también a la transformación de 𝑅 𝑛 → 𝑅 𝑚 , que multiplica un vector en 𝑅 𝑛 por 𝐴 𝑇 si

69 Transformaciones lineales𝑤 1 = 𝑎 1𝑖 𝑎 2𝑖 ⋮ 𝑎 𝑚𝑖 𝑝𝑎𝑟𝑎 𝑖=1,2,…𝑛 i-ésima posición Entonces: 𝐴 𝑇 𝑒 𝑖 = 𝑎 11 𝑎 12 ⋯ 𝑎 1𝑖 ⋯ 𝑎 1𝑛 𝑎 21 𝑎 22 ⋯ 𝑎 2𝑖 ⋯ 𝑎 2𝑛 ⋮ 𝑎 𝑚1 ⋮ 𝑎 𝑚2 ⋮ … 𝑎 𝑚𝑖 ⋯ 𝑎 𝑚𝑛 ⋮ ⋮ = 𝑎 1𝑖 𝑎 2𝑖 ⋮ 𝑎 𝑚𝑖 = 𝑤 𝑖 ⋮ De esta forma, 𝐴 𝑇 𝑒 𝑖 = 𝑤 𝑖 𝑝𝑎𝑟𝑎 𝑖=1,2,…,𝑛. T y la transformación 𝐴 𝑇 son la misma por que coinciden en los vectores básicos

70 Temario Sistemas de ecuaciones lineales Matrices y determinantesEspacios vectoriales Transformaciones lineales Vectores y valores característicos

71 Vectores y valores característicosValor característico y vector característico Sea A una matriz de n x m con componentes reales. El número λ (real o complejo) se denomina valor característico de A si existe un vector diferente de cero v en 𝑪 𝒏 tal que: 𝐴𝑣=λ𝑣 El valor v≠𝟎 se denomina vector característico de A correspondiente al valor característico λ

72 Vectores y valores característicosEcuación y polinomio característico Sea A una matriz de n x n. Entonces λ es un valor característico de A si y solo si: 𝒑 λ =𝒅𝒆𝒕 𝑨−λ𝑰 =𝟎 La ecuación anterior se denomina la ecuación característica de A: p(λ) se denomina el polinomio característico de A

73 Vectores y valores característicosProcedimientos para calcular valores característicos y vectores característicos Se encuentra se encuentran las raíces λ 1 , λ 2 , , λ 𝑚 𝑑𝑒 𝑝 λ =0 Se resuelve el sistema homogéneo 𝐴− λ 𝑖 𝐼 𝑣=0, correspondiente a cada valor característico λ 𝑖 p λ =det⁡(𝐴−λ𝐼)

74 Vectores y valores característicosDiagonalización de matrices Una matriz A de n x n es diagonalizable si existe una matriz diagonal D tal que A es semejante a D Una matriz A de n x n es diagonalizable si y solo si tiene n vectores característicos linealmente independientes. En tal caso, la matriz diagonal D semejante a A esta dada por: 𝐷= λ ⋯ λ ⋯ λ 3 ⋯ ⋮ ⋮ ⋮ ⋮ ⋯ λ 𝑛 .

75 Vectores y valores característicosDonde λ 1 , λ 2 , . . ., λ 𝑛 son los valores característicos de A. SI C es una matriz cuyas columnas son vectores característicos linealmente independientes de A. entonces 𝐷= 𝐶 −1 𝐴𝐶

76 Vectores y valores característicosMatriz diagonalizable ortogonalmente Se dice que una matriz A de n x n es diagonalizable ortogonalmente si existe una matriz ortogonal Q tal que 𝑄 𝑡 𝐴𝑄=𝐷 Donde: 𝐷= λ 1 , λ 2 ,…, λ 𝑛 𝑦 λ 1 , λ 2 ,…, λ 𝑛 son valores caractristicos de 𝐴

77 Vectores y valores característicosForma cuadrática Sea 𝑣= 𝑥 1 𝑥 2 ⋮ 𝑥 𝑛 y sea A una matriz simétrica de n x n. Entonces una forma cuadrática en 𝑥 1 , 𝑥 2 ,…, 𝑥 𝑛 es una expresión de la forma 𝐹 𝑥 1 , 𝑥 2 ,…, 𝑥 𝑛 =A𝑣∙𝑣

78 Vectores y valores característicosEcuación cuadrática y forma cuadrática Una ecuación cuadrática en dos variables sin términos lineales es una ecuación de la forma Una forma cuadrática en dos variables es una expresión de la forma Donde 𝑎 + 𝑏 + 𝑐 ≠0 ax 2 +bxy+ cy 2 =d Donde 𝑎 + 𝑏 + 𝑐 ≠0. Esto es, al menos uno de los números a, b y c es diferente de cero F x, y = ax 2 +bxy+ cy 2

79 Vectores y valores característicosTeorema de Cayley-Hamilton Toda matriz cuadrada satisface su propia ecuación característica. Es decir, si 𝑝 λ =0 es la ecuación característica de A, entonces 𝑝 𝐴 =0 Se tiene 𝑝 λ = det 𝐴−λ𝐼 = 𝑎 −λ 𝑎 12 ⋯ 𝑎 1𝑛 𝑎 𝑎 22 −λ ⋯ 𝑎 2𝑛 ⋮ 𝑎 𝑛1 𝑎 𝑛2 ⋯ 𝑎 𝑛𝑛 −λ ⋮ ⋮

80 Vectores y valores característicosEs claro que cualquier cofactor de (𝐴−λ𝐼) es un polinomio en λ. Así, la adjunta de 𝐴−λ𝐼 es una matriz de n x n en la que cada componente es un problema en λ. Es decir adj 𝐴−λ𝐼 = 𝑝 (λ) 𝑝 (λ) ⋯ 𝑝 1𝑛 (λ) 𝑝 (λ) 𝑝 22 (λ) ⋯ 𝑝 2𝑛 (λ) ⋮ 𝑝 𝑛1 (λ) 𝑝 𝑛2 (λ) ⋯ 𝑝 𝑛𝑛 (λ)

81 Vectores y valores característicosEsto significa que se puede pensar en 𝑎𝑑𝑗 𝐴−λ𝐼 como en un polinomio, 𝑄 λ , en λ cuyos coeficientes son matrices de n x n. para entender esto: −λ 2 −2λ λ 2 −7λ −4 4λ 2 +5λ −2 −3λ 2 −λ = −1 2 4 −3 λ 2 + −2 −7 5 −1 λ+ 1 −4 2 3 𝑑𝑒𝑡 𝐴−λ𝐼 𝐼= 𝑎𝑑𝑗 𝐴−λ𝐼 𝐴−λ𝐼 =𝑄 λ 𝐴−𝐴𝐼 Pero 𝑑𝑒𝑡 𝐴−λ𝐼 𝐼=𝑝 λ 𝐼. 𝑆𝑖 p λ = λ 𝑛 + 𝑎 𝑛−1 λ 𝑛−1 +∙ ∙ ∙+ 𝑎 1 λ+ 𝑎 0 Entonces se define: 𝑝 λ =𝑝 λ 𝐼= λ 𝑛 𝐼+ 𝑎 𝑛−1 λ 𝑛−1 𝐼+∙ ∙ ∙+ 𝑎 1 λ𝐼+ 𝑎 0 𝐼 Por lo tanto, de (5) se tiene 𝑃 λ =𝑄 λ 𝐴−λ𝐼 .Por ultimo 𝑃 𝐴 =0, esto completa la prueba