Álgebra Lineal y Geometría

LGEBRA LINEAL I GEOMETRIA
INTRODUCCI
CONCEPTES PREVIS
GRUPO
(G, ) amb quatre propietats (Grupo Abeliano si inclou la 2):

1. Associativa:
Para qualquier tro a, b, c includo en G (a b) c = a (b c)
2* Commutativa:
Para cualquier pareja a, b includa en G a b = b a
3. Cont element neutre:

Existe elemento neutro en G, tal que: a e = a, donde para cualquier valor de a ste se incluye en G.
(para la operacin suma es 0, para la operacin producto es 1)
4. Cont element simtric:

Dado cualquier valor de a dentro de G, aquest t un valor a tal que: a a = e = a a.
(para la operacin suma se le llama opuesto, y para la operacin producto, inverso)
ANILLO
(A, +, ) on shan de complir dues condicions:

1) (A, +) s un Grupo Abeliano.
2) (A, ) ha de complir 2 condicions i 3 per ser anell unitari:
2.1. Associaiva
2.2. Distributiva
2.3* Existe 1 dentro del conjunto de A tal que a 1 = 1 a = a, existiendo a en A
CUERPO
(C, +, ) on shan de complir dues condicions:

1) (C, +) s un Grupo Abeliano.
2) (C, ) cumple:
2.1. Associativa
2.2. Distributiva
2.3. Existe el elemento neutro (pongamos 1).
2.4. Todos tienen inverso excepto el 0, tal que:
Para cualquier valor a existente en A, existe a-1 tal a a-1 = 1
2.5* Cuerpo commutativo: si existe commutacin.
I ESPACIOS VECTORIALES
Quins ingredients necessitem per crear un espai vectorial?
1. Cogemos un conjunto llamado E que sern los vectores. Le definimos la operacin
suma, de manera que el conjunto cumpla ser un grupo Abeliano.
(E, +) vectores
2. Adoptamos K como un cuerpo definido como:
(K, +, ) escalares
3. Establecemos una aplicacin entre ellos, tal que:
(K x E) > E
(a, u)
(a, u)
OBS!!!
Una aplicacin es una relacin entre dos conjuntos.
R > R
y = 2x+1
donde tenemos una pareja resultante (a,b) expresada como RxR.
K sern escalares representados por: a, b, c, d

E sern vectores representados por u, v, w + x, y, z
La operacin entre K y E es conocida como producto cartesiano. Es una operacin entre dos
conjuntos que da como resultado otro conjunto. El producto cartesiano de A y B es el conjunto A B
cuyos elementos son los pares ordenados (a, b), donde a es un elemento de A y b un elemento de B.
El nuevo conjunto representado por E y sus pares ordenados (a, u) tendr que cumplir cuatro
condiciones o propiedades:
1) a ( u + v ) = au + av (Cualquier valor de a existe en K y cualquier pareja u,v existe en E)
2) ( a + b ) u = au + bu (Cualquier pareja a,b existe en K y cualquier vector u existe en E)
3) a ( b u ) = ( a b ) u (Cualquier pareja a,b existe en K y cualquier vector u existe en E)
4) Existe 1, el elemento neutro de producto en K tal que: 1 u = u
EJEMPLOS DE ESPACIOS VECTORIALES

( R2 , + , R ) compuesto de:
E = R2 = R x R
+ | (a,b)+(c,d) se define como (a+c, b+d)
K=R
R x R2 > R2
(a, (b,c)) > a (b,c) = (ab, ac)
( R3 , + , R ) (a lespai)
( Mnxm (R) , + , R )
Subespacios Vectoriales
Un subconjunto de E (SCE) puede ser a su misma vez un espacio vectorial. Entonces, ste es llamado
como subespacio vectorial. Pero tendr que cumplir dos condiciones:
1) Para cualquier pareja de vectores u, v existente en S, la suma de ellos ha de existir en S.
2) Para cualquier valor de a existente en K y cualquier valor de u existente en S, el vector
resultante (a, u) ha de existir en S. sto obliga necesariamente a que existe el elemento neutro y el
vector 0 en el subconjunto S.
Entonces, el subespacio vectorial ser: ( S, +, K ). Pero por qu decimos que es un subespacio si se
comporta como un espacio?
Porque es un conjunto de vectores (infinito o no) que se incluye en un espacio vectorial donde hay
muchos ms o donde el infinito de ste puede ser mayor.
Ej. de subespacio vectorial:
Teniendo el espacio vectorial:

No es un subespacio vectorial,
entre otras razones, porque no
se incluye el elemento neutro.
( R2 , + , R )
donde R2 = { (a,b) ; a,b existen en R }
UN SUBESPACIO VECTORIAL POSIBLE SER:

S c R2
S = { (a,0) , a existe en R } , es decir, el eje x o la dimensin R.
Combinacin lineal de vectores

Sean u vectores de E (u1, u2 un), escogemos n
escalares de K (a1, a2 an).
w = 2u + v
Entonces hacemos la operacin: a1u1 + a2u2 + +

anun = v. Esta suma es la combinacin lineal, que
nos da como resultado otro vector. bviamente, es
posible que el resultado sea el vetor 0.
Conjunto de vectores linealmente dependientes o independientes

S = {u1, u2 un}
a1u1 + a2u2 + + anun = vector 0.
Primerament, imposem:
Si los coeficientes son necesariamente diferentes de cero, tenemos que el conjunto de vectores es
dependiente.
Ejemplo:
u(2,3)
2a + 3b = 0
dskklau + bv = 0
>
a(2,3) + b(3,4) = (0,0)
v(3,4)
3a + 4b = 0
La nica posible solucin es a=0 y b=0. Por tanto, estos dos vectores son independientes.
AS PUES, PODEMOS DECIR QUE:
Para R2, siempre una pareja ser independiente y una terna ser dependiente.
w(1,1) > au + bv + cw = 0 > a(2,3) + b(3,4) + c(1,1) = (0,0)
2a + 3b + c = 0
> Se trata de un sistema compatible determinado con infinitas soluciones.
3a + 4b + c = 0
3b + c = -2
Para a=1 >
SCD no H. 1 Solucin.
4b + c = -3
SOLUCIN: a=1, b=-1, c=1 > u - v + w = 0 , por tanto , u = v - w > SN DEPENDIENTES.
VECTORES GENERADORES
Cualquier vector perteneciente a un espacio vectorial se puede expresar como una combinacin lineal de
ellos, los vectores generadores.
Teniendo el espacio vectorial (E, +, K) y un subconjunto S c E tal que S = {u1, u2 un}
< u1, u2 un > c E = { a1u1 + a2u2 + + anun | a1, a2 an c K } = F > un nuevo subespacio vectorial.
Llamaremos F al conjunto de vectores generadores.
EJEMPLO:
< (1,1) > = F c R2 > recta x=y
As pues, la una base de R2 ser > < (1,1) , (-1,0) > = G c R2
La base ms sencilla se llama cannica y est formada por i + j.
BASES
Teniendo un determinado espacio vectorial, diremos que B es base de E si:
1) Son linealmente independientes.
2) Son generadores.
En R2 sern dos valores cualesquiera que tengan diferente direccin.
AS PUES, la dimensin ser el nmero mnimo de bases del espacio vectorial.
Ejemplo:
B = u (1,0) y v(1,1).
1) au + bv = 0 a, b?
a(1,0) + b(1,1) = (0,0) > (a,0) + (b,b) = (0,0) > (a+b, b) = (0,0)
a = 0 , b = 0 (SHCD linealment independents).
2) (c, d) = a(1,0) + b(1,1)
(a+b, b) = (c, d) > b = d
> a+b = c > a = c - d = c - d
Espacio de matrices 2x2 hechas con 4 nmeros reales. Cada matriz es un vector.
(M2x2 (R), +, R)
1 Vector cualquiera:
Cules son los constituyentes de su base?

Necesitamos 4 matrices para generar una base.
Su dimensin ser el producto del nmero de filas y columnas (en este caso, 4).
> Cannica
Espacio de polinomios P2(x)

1 Vector cualquiera: ax2 + bx + c
Cules son los constituyentes de su base?
B = { 1, x+2, 3x2+5x-11 }
Una base tendr tres constituyentes (el grado del polinomio en cuestin +1).
Su dimensin ser n+1 segn el grado n.
La base cannica, en este caso, ser: { x2, x, 1, }
PROPOSICIN:
Un conjunto de vectores es linealmente independiente si uno de ellos se puede colocar como
combinacin lineal de los otros.
Sea (u1 un) vect. de E linealm. dep. <=> Uno de ellos es c. lineal resto
Demostracin:
EN UN SENTIDO
a1u1 + a2u2 + + anun = vector 0.
a=0
EN EL OTRO SENTIDO
u1 un > u1 = b2u2 + b3u3 + + bnun
(0,0) = - u1 + b2u2 + b3u3 + + bnun
No todos los coeficientes son cero. Todos son linealmente

dependientes.
TEOREMA:
Teniendo un espacio vectorial (E, +, K); un conjunto de vectores ser base de E si y solo si cualquier
vector de E se expresa de manera NICA como combinacin lineal de u1, u2 un.
B c E ; B = {u1 un} <=> Para cualquier vector existente en E, v = a1u1 + a2u2 + + anun, su
conjunto de ai es nico.
Contraejemplo:
3 vectores de R2 sern generadores pero no base porque son linealmente dependientes y pueden formar
cualquier otro vecto de infinitas maneras diferentes.
Demostracin:
EN UN SENTIDO (=>)
Sea v un vector de E cualquiera: v = a1u1 + a2u2 + + anun, demostraremos por reduccin al absurdo que
slo tiene una manera de ser expresado. Supongamos, pues, lo contrario; el mismo vector v expresado
de manera diferente:
v = b 1u 1 + b 2u 2 + + b nu n
SI RESTEM UNA MENYS LALTRE >
an = b n
- v = a 1u 1 + a 2u 2 + + a nu n
(0,0) = (a1-b1)u1 + (a2-b2)u2 + + (an-bn)un

Para obtener el vector (0,0) en la resta, forzosamente todos los coeficientes de los vectores han de ser 0.
sto solamente se cumplira si y solo si ai = bi en todos los casos. As pues, las coordenadas de v en B
sn nicas para cada base. Se expresan: v (a1 an).
EN EL OTRO SENTIDO (<=)

{u1 un}
> Al decirnos combinacin lineal, por hiptesis sabemos que los vectores sn generadores.
> Ahora slo queda demostrar que sean linealmente independientes para comprobar que
exactamente sean base.
(0,0) = b1u1 + b2u2 + + bnun
Como cualquier vector del espacio se puede expresar de manera nica demostrado anteriormente,
podemos expresar el anterior vector de esta manera:
(0,0) = 0u1 + 0u2 + + 0un
As pues, al slo caber la posibilidad de que los escalares sean 0, sto nos demuestra que los vectores
son linealmente independientes.
OBS!
De un grupo generador siempre puedes extraer una base.
OBS!!
Pueden existir los espacios vectoriales de dimensin infinita, por ejemplo, el formado por los polinomios
(en general), de cualquier grado. P(x) = (1, x, x2, x3, xn )
TEOREMA DE STEINITZ
Sea (E, +. R) un espacio vectorial cualquiera, tenemos una base B de ese espacio formada por los
vectores B = {u1 un} y adems tenemos un conjunto de vectores que son linealmente independientes
(v1, v2 vm), podemos substituir n vectores de B y substituirlos por m vectores del segundo conjunto,
siendo lo resultante todava una base de E. Pero no sern cualquier vector por cualquiera. Hay que
hacerlo siguiendo una serie de propiedades, Steinitz te dice que siempre podrs hacerlo.
DEMOSTRACIN:
Para el vector v1 existente en E, podemos decir que puede ser formado por la base de E de la siguiente
manera:
Suponiendo que a1 = 0
As pues, si aislamos el vector u1, tendremos que:
Teniendo que:
Por tanto:
1) Queda demostrado que < > 2 generan E.
2) Queda demostrar que son linealmente independientes. Para ello, haremos una combinacin
lineal = 0.
por tanto, si realizamos el sumatorio y extraemos factor comn de los vectores, queda:
De aqu podemos deducir que el factor que multiplica al primer vector ha de ser
obligatoriamente cero. Esto implica que o bien a, o bien b o bien ambos sean obligatoriamente cero.
Pero como hemos dicho antes, a es diferente de cero en todo caso, cosa que obliga a que b1 sea igual a
cero. Esto hace anular radicalmente cualquier factor donde apareza a, el coeficiente de v que poda
afectar al resultado, y por tanto, la igualdad con el vector 0 se cumple.
POR TANTO, hemos demostrado que la expresin anterior, una combinacin lineal de n vectores,
linealmente independientes y generadores por definicin, tienen todos los coeficientes 0.
AS, EL TEOREMA DE STEINITZ QUEDA DEMOSTRADO PARA UN VECTOR.

Siendo, pues, B = { v1, u2 un } una base de E, si tenemos el vector:
Vemos que puede ser escrito de una nueva manera, segn la nueva base de E.
Podemos suponer que de c2 en adelante no pueden ser todos 0 porque de ser as, v2 sera combinacin
lineal de v1, cosa que ira contra-enunciado.
Supongo, pues, que c2 = 0, y aislo el vector u2:
Y, siguiendo la misma lnea argumentativa que para el primer caso, llegamos a la conclusin de que
podemos formar una nueva base de E con la siguiente estructura:
< v1, v2, u3 un > = B
INTERSECCIN DE SUBESPACIOS
(E, +, K) Esp. Vectorial.
F, G c E Subespacios vectoriales.
Definiremos la interseccin de F y G como:
sta intrerseccin SIEMPRE es un nuevo subespacio vectorial:
PERO, la unin
de subespacios NO tiene por qu dar otro subespacio.
SUMA DE SUBESPACIOS
Definiremos la suma de F y G como:
Por ejemplo:
G
(0,1)
(2,1)
(2,0)
F
OBS!!! La suma directa de dos subespacios vectoriales es V si y slo si V = U + W y

U(interseccin)W = vector 0.
10
TEOREMA O FRMULA DE GRASSMANN

Relaciona las dimensiones de dos subespacios vectoriales.
(E, +, K) Esp. Vectorial > dim E = n
F, G c E Subespacios vectoriales.
r+s-m
Sean:
Como en este conjunto aparecen los elementos de F y de G, la suma de ellos habr de

ser obligatoriamente la suma de F y G. Pero no sabemos si es una base, lo habremos de demostrar con
sus dos propiedades
1) B genera F + G. Este hecho es claro puesto que en la base B se incluyen las bases de ambos
subespacios.
2) B es linealmente independiente? Haremos una combinacin lineal de estos vectores y la
igualaremos a 0 para comprobar cmo son sus escalares.
11
MATRIZ DEL CAMBIO DE BASE

Cambio de coordenadas de un vector cuando cambiamos la base
Tenemos:
(E, +, K)
B = (u1, u2, un)
v = a 1u 1 + a 2u 2 + + a nu n
B = (e1, e2, en)
(a1, a2, an)
=>
(cambio de base)
v = b 1e 1 + b 2e 2 + + b ne n
(nuevo vector)
=>
>
tendremos n2 P >
QU RELACIN HAY ENTRE ai y bi ?
e 1 e2 en
relacin entre a y b.
12
>
P siempre es invertible porque proviene de vectores linealmente independientes.
Ejemplo:
u1 (1,0)
u2 (0,1)
B=
v = 3e1 + 2e2
B =
e1 (2,1)
e2 (-1,2)
(vector nuevo)
v = (a1, a2) (vector original)

BP = A
>
v = 4u1 + 7u2
OBS!
EJEMPLO GENRICO CON TRES BASES:

(E, +, K)
B1(u1un)
B2(e1en)
>
B3(v1vn)
>
P
Q
E > E > E
ui
ei
PQ
13
vi
P
R
E> E> E
>
para demostrar que
el cambio de base es
invertible:
ui
ei
ui
R
P
E> E> E
ei
PR = Id
ui
RP = Id
P=R-1
R=P-1
ei
APLICACIONS LINEALS
Cuando se cumplen dos condiciones, la aplicacin entre dos espacios vectoriales es lineal.
Condicin 0: Han de estar definidos en el mismo cuerpo.

(E, +, K) ; (F, +, K)
Entonces, f ser aplicacin lineal si:
Ejemplo:
R > R2
x > (x,x)
f(x) = (x,x)
1) f(x+y) = f(x) + f(y)
(x+y , x+y) = (x,x) + (y,y) ok!
Si por el caso la aplicacin hubiera sido: f(x) = (x,x+1)
(x+y, x+y+1) = (x, x+1) + (y, y+1) = (x+y, x+y+2) > No es =, no es una aplicacin lineal.
OBS!
14
NUCLEO Nuc f c E
Conjunto de vectores de E, es decir, un subconjunto de E, cuya imagen es el 0.
Ejemplo:
P: R3 > R2
u(a,b,c)
.p(u) = p(a,b,c) = (a,b)

Nucleo p = { (0,0,c) | c existe en R}
OBS!
En una funcin de R sobre R, el ncleo coincide con las races de la funcin.
IMAGEN Im f c F
Conjunto de vectores en F que tienen antimagen en E.
TEOREMA para una dimensin de E finita (la de F no nos importa).
n-s
Damos por hecho que el Ncleo i la Imagen de f son subespacios vectoriales, ya que de otro modo no
tendra sentido habla de sus dimensiones.
1)
Sea {u1 , u2 us} la base de Nuc(f)
>
completamos la base a E:
2)
Base de E: {u1 , u2 us , us+1 , us+2 un}
3)
{f(u1), f(u2) f(us) , f(us+1) , f(us+2) f(un)}

>
podemos eliminar los que forman
parte de la base del Ncleo, ya que sus imgenes son cero.
4)
As pues, tendremos:
>
calculamos sus imgenes:
{f(us+1) , f(us+2) f(un)} que tienen dimensin n-s. Por tanto, son base hipottica de Im(f).
u1
u2
us
us+1
Nuc(f)
f(us+1)
f(un)
un
15
Im(f)
Hemos de ver si {f(us+1) , f(us+2) f(un)} es una base de Im(f) o no.

1. Generan Im(f)?
Los anteriores son 0

2. Son los vectores linealmente independientes?
Estos vectores deberan ser del ncleo si su imagen es el vector cero.

Por tanto, suponiendo que fuera un vector del ncleo, ste tendra que ser una combinacin lineal de los
propios vectores del ncleo.
Pero como los vectores de s+1 hasta n no forman parte de l, la nica opcin es que esta combinacin
lineal est hecha a partir de vectores externos, pertenecientes a E.
Para sto, la nica manera de que el resultado sea cero es que los coeficientes den, efectivamente, cero.
Por tanto, estos vectores son linealmente independientes.
DEFINICIN:
Cundo una aplicacin lineal es un monomorfismo?
Siempre que la aplicacin lineal sea inyectiva.
Qu quiere decir sto?
Que todas las imgenes tengan una y tan slo una ninguna antimagen:
Cundo una aplicacin lineal es un epimorfismo?

Siempre que la aplicacin lineal sea exhaustiva.
Qu quiere decir sto?
Que todas las imgenes tienen antimagen, o que la funcin recorre todo el conjunto imagen:
por tanto, Im f = F.
16
Cundo la funcin es isomorfa?

Siempre que la funcin sea inyectiva y exhaustiva. Por tanto, ser biyectiva.
(En este caso, no hay ninguna imagen que se libre de tener antimagen).
Toda funcin biyectiva, por tanto, admite una inversa. Podremos definir f-1.
OBS! Definir una aplicacin de dos maneras distintas:

(1) f (a, b, c) = (a, b, 0)
(2) f : R3 > R3
u1, u2, u3 : BASE >
f(u1) = v1 f(u2) = v2
f(u3) = v3
u = a u 1 + b u2 + c u3
f(u) = f(a u1 + b u2 + c u3) = a v1 + b v2 + c v3
PROPOSICIN:
TEOREMA:
OBS!
f: E > E = endomorfismo.
Si endomorfismo es biyectivo: automorfismo
17
MATRIZ ASOCIADA A UNA APLICACIN LINEAL

Para ello partimos de dos espacios vectoriales sobre el mismo espacio K.
(E, F, +, K)
(NO TIENEN POR QU TENER LA MISMA DIMENSIN!)
Y le definimos una aplicacin lineal.
f: E > F
Recordemos que tenemos dos maneras de dar la aplicacin lineal. En este caso, la definiremos con las
imgenes de ambas bases.
Sea (u1, u2, un) base de E
Sea (v1, v2, v3) base de F
Ahora tenemos que dar las imgenes de los elementos de esta base.
Definimos f
>
vector de F :
Las imgenes de los n vectores de la base de E sern una cierta combinacin lineal de los vectores
base de F. A partir de sta primera ecuacin (1) podemos saber cualquier vector de F.
La matriz asociada a la aplicacin lineal, ser, pues:
Por tanto:
18
Ejemplo I:
Ejemplo II:
19
Ejemplo III genrico
ejemplo III.2
ejemplo III.3
20
MATRIZ ASOCIADA A UNA COMPOSICIN DE FUNCIONES
21
MATRIZ ASOCIADA A UNA APLICACIN LINEAL CUANDO CAMBIAMOS LA BASE
22
ESPACIO VECTORIAL FORMADO POR LAS APLICACIONES LINEALES

dim E = n
(u1, un) base E
dim F = m
(v1, vm) base F
(E, F, +, K)
( L(E,F) , + , K )
AIX S UN NOU ESPAI VECTORIAL
Que cumplir una serie de condiciones.
f,g,h,
l,r,
Por ejemplo, la operacin suma:

( f + g ) v = f(v) + g(v):
Existe elemento neutro, la aplicacin 0(v) = 0.
( f + 0 ) (v) = f(v) + 0(v) = f(v)
Existe elemento inverso, tal que: f + (-f) = 0
(k f ) v = k f(v)
[]
dim L (E, F) = dim E dim F = n m

Entonces habrn nm elementos en la base. Cmo podramos definirla?
Recordemos que hay tres maneras de definir una aplicacin:
> Dando las imgenes de las bases.
> Dando la imagen de un vector cualquiera.
> Con la matriz de la aplicacin.
Nosotros escogeremos la primera.
23
Observaciones:
1. El espacio L(E,F) es isomorfo al espacio Mmxn(K)
ejemplo:
24
2. Caso particular: L(E,F) = L(E,E) = End(E)

Supongamos h,g,f : E
E , tal que (End(E), +, K) es un espacio vectorial.
Donde en ese espacio tambin se encuentran f+g, g+h, etc.

Podramos hacer la siguiente definicin:
No tendra sentido si los espacios son diferentes (es decir, si no se trata de un endomorfismo).
Propiedades de la composicin:
1) Asociativa (f o g) o h = f o (g o h)
2) Tiene elemento neutro: la identidad, tal que: I o f = f o I = f
(End(E), + , o)
anillo , isomorfo a las matrices de orden nxm.
Y si se cumplen las condiciones de anillo y espacio vectorial, lo llamaremos lgebra.

(si las aplicaciones del espacio no son endomorfimos, no podemos decir que sea un lgebra)
25
ESPACIO DUAL
Anteriormente hemos visto L(E,F) tal que h g, f: E
F.
PERO:
Sea (E, +, K) un espacio vectorial de dim = n.
B = < u1, u2 un > base de E.
y dim K = 1 (sea el cuerpo que sea).
DEFINIMOS:
L ( E , K ) = E como el ESPACIO DUAL de E
dim E = n x 1 = n = dim E dim K

Por tanto, al tener la misma dimensin implica que ambos espacios son isomorfos.
Una base de K ser 1.
Una base de E ser:
una base dual de la base u1, u2 un .

ejemplo:
26
APLICACIN DUAL DE UNA APLICACIN
f ser la aplicacin dual de f
Entonces, cul es la matriz B asociada a f?

Para ello nos faltan unas bases sobre las que trabajamos para obtener B. As pues, usaremos las bases
duales de F y E, es decir, las bases de F y E.
27
Si usamos las bases duales para definir B, sta ser la traspuesta de A.
28
II DETERMINANTES Y SISTEMAS DE ECUACIONES

LINEALES
DETERMINANTES
Normalmente calcularemos el determinante de una matriz con la siguiente estructura:
Matriz 2x2:
Matriz 3x3:
29
Matriz n x n
PROPIEDADES
1) Si una fila o columna es suma de dos columnas o filas , el determinante se puede
escribir como:
2)
(Tambin vlido para filas)

3) Cambiar el signo si cambiamos de lugar dos filas o columnas:
30
4) El determinante de una matriz con dos filas o columnas iguales es cero.
5)
6) Si una fila o columna es combinacin lineal de otras, el determinante es cero.
31
REGLA DE LAPLACE
Observacin:
32
MATRIZ INVERSA
33
RESOLUCIN DE SISTEMAS DE ECUACIONES DE m ECUACIONES Y

n INCGNITAS
1. TIENE SOLUCIN?
2. CUNTAS TIENE?
34
3. CMO ENCONTRARLAS?
REGLA DE CRAMER
35
m=n
m=n
36
37
38
III DIAGONALIZACIN DE ENDOMORFISMOS

e1, , en
v1, , vn
F
f(u1) f(u2) f(ur) f(ur+1) f(ur+2)
f(un)
m
0
Base E = {u1, , ur, ur+1, ur+2

Base F = {f(ur+1), f(ur+2) f(un), yn-r+1, yn-r+2 ym
Nuc f {u1, , ur}
Base de la imagen de f:
{ur+1, ur+2 }
{f(ur+1), f(ur+2) f(un)}
Qu pasa si:
f: E
Def Vectores y valores propios de un endomorfismo:

Sea E espacio vectorial | dimE = n
f un End(E)
39
As encontramos los vectores propios, pero hay valores propios?
det(f-KI) = 0
ejemplo:
40
La mayor parte de endomorfismos no pueden diagonalizarse. En este caso, v son los

vectores de la base de R2 en la que la aplicacion A se transforma en B, de manera
equivalente, es decir, hace el mismo efecto.
ejemplo II:
41
Resolvemos la ecuacin de tercer grado:
OBS Generalizacin del polinomio caracterstico de f
42
OBS SI CAMBIO LA BASE

La matriz de f en Bv ya no ser A, ser B. PERO el polinomio caracterstico ser el mismo.
TRAZA DE LA MATRIZ
tr A = tr B = tr f
s una invariante. Dos matrices de un mismo endomorfismo calculadas en bases

diferentes tienen la misma traza, son equivalentes.
43
PROPOSICIN Vectores propios de un endomorfismo con valores propios distintos son

linealmente independientes.
44
IV GEOMETRA
FORMA BILINEAL
Las formas bilineales son aplicaciones del espacio dual.
Def Producto cartesiano
entonces:
OBS!
Phi es un tensor covariante de grado 2.
Sera contravariante si Phi estuviera aplicado a ExE.
Un determinante es una aplicacin multilineal.
CMO DEFINIMOS LA APLICACIN BILINEAL?
45
As pues:
tal que:
pequea demo
EJEMPLO + CAMBIO DE BASE EN LA APLICACIN BILINEAL
46
FORMA BILINEAL SIMTRICA
47
PRODUCTO ESCALAR
Una forma bilineal es un producto escalar SI Y SLO SI es simtrica
y definida positiva.
Def Forma Definida Positiva
Teorema:
Todos los determinantes que su diagonal coincida con la diagonal principal de la matriz han de ser + para
que Phi sea definida positiva.
Teorema II:
u
90
v
VECTOR UNITARIO
48
Normalizar un vector:
TEOREMA: MTODO DE ORTONORMALIZACIN DE GRAM-SCHMIDT

Encontrar una base formada toda ella por vectores ortogonales y unitarios.
Antes debemos mirar si son dependientes o no:
49
MTODO:
PASO 1: Cmo se ortonormaliza la base del primer espacio?
50
51
Ejemplo:
NORMA
52
53
FUNCIONES ORTOGONALES
(Endomorfismos que conservan el producto escalar)
Toda funcin ortogonal es lineal !
PROPIEDADES:
1.
2.
3.
4.
54
5.
PROPOSICIN :
55
ESTUDIO DE LA MATRIZ DE LA FUNCIN ORTOGONAL Y CMO SE COMPORTAN

ESTAS MATRICES EN EL PLANO
56
Endomorfismos de E
Funciones ortogonales
especiales: rotaciones o giros:
SO(2).
+1
-1
Simetras
Funciones ortogonales : O(2)
CASO 1: Determinante = 1 ; funciones ortogonales especiales.
57
PROPOSICIONES:
1.
2.
ejemplo:
58
Aplicacin:
A (ngulos)
Estableceremos relaciones de equivalencia:
(u, u) f
~ (v,v)
(w, w) g
~ (x,x)
Identidad
g(f(u))
f(u)
Beta
Alpha
Observaciones: Suma de ngulos y Frmula del Coseno
59
CASO 1: Determinante = -1 ; simetras
60
61

Álgebra Lineal y Geometría

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Álgebra Lineal y Geometría

Uploaded by

Copyright:

Available Formats

LGEBRA LINEAL I GEOMETRIA

(G, ) amb quatre propietats (Grupo Abeliano si inclou la 2):

3. Cont element neutre:

4. Cont element simtric:

(A, +, ) on shan de complir dues condicions:

(C, +, ) on shan de complir dues condicions:

2.5* Cuerpo commutativo: si existe commutacin.

LGEBRA LINEAL I GEOMETRIA

K sern escalares representados por: a, b, c, d

LGEBRA LINEAL I GEOMETRIA

EJEMPLOS DE ESPACIOS VECTORIALES

Ej. de subespacio vectorial:

Teniendo el espacio vectorial:

UN SUBESPACIO VECTORIAL POSIBLE SER:

LGEBRA LINEAL I GEOMETRIA

Combinacin lineal de vectores

Entonces hacemos la operacin: a1u1 + a2u2 + +

Conjunto de vectores linealmente dependientes o independientes

a(2,3) + b(3,4) = (0,0)

SOLUCIN: a=1, b=-1, c=1 > u - v + w = 0 , por tanto , u = v - w > SN DEPENDIENTES.

LGEBRA LINEAL I GEOMETRIA

Cules son los constituyentes de su base?

LGEBRA LINEAL I GEOMETRIA

Espacio de polinomios P2(x)

No todos los coeficientes son cero. Todos son linealmente

LGEBRA LINEAL I GEOMETRIA

(0,0) = (a1-b1)u1 + (a2-b2)u2 + + (an-bn)un

EN EL OTRO SENTIDO (<=)

LGEBRA LINEAL I GEOMETRIA

As pues, si aislamos el vector u1, tendremos que:

LGEBRA LINEAL I GEOMETRIA

AS, EL TEOREMA DE STEINITZ QUEDA DEMOSTRADO PARA UN VECTOR.

< v1, v2, u3 un > = B

LGEBRA LINEAL I GEOMETRIA

sta intrerseccin SIEMPRE es un nuevo subespacio vectorial:

de subespacios NO tiene por qu dar otro subespacio.

OBS!!! La suma directa de dos subespacios vectoriales es V si y slo si V = U + W y

LGEBRA LINEAL I GEOMETRIA

TEOREMA O FRMULA DE GRASSMANN

Como en este conjunto aparecen los elementos de F y de G, la suma de ellos habr de

LGEBRA LINEAL I GEOMETRIA

MATRIZ DEL CAMBIO DE BASE

B = (e1, e2, en)

(a1, a2, an)

QU RELACIN HAY ENTRE ai y bi ?

LGEBRA LINEAL I GEOMETRIA

P siempre es invertible porque proviene de vectores linealmente independientes.

v = (a1, a2) (vector original)

EJEMPLO GENRICO CON TRES BASES:

LGEBRA LINEAL I GEOMETRIA

Condicin 0: Han de estar definidos en el mismo cuerpo.

LGEBRA LINEAL I GEOMETRIA

.p(u) = p(a,b,c) = (a,b)

En una funcin de R sobre R, el ncleo coincide con las races de la funcin.

TEOREMA para una dimensin de E finita (la de F no nos importa).

Sea {u1 , u2 us} la base de Nuc(f)

Base de E: {u1 , u2 us , us+1 , us+2 un}

{f(u1), f(u2) f(us) , f(us+1) , f(us+2) f(un)}

calculamos sus imgenes:

LGEBRA LINEAL I GEOMETRIA

Hemos de ver si {f(us+1) , f(us+2) f(un)} es una base de Im(f) o no.

Los anteriores son 0

Estos vectores deberan ser del ncleo si su imagen es el vector cero.

Cundo una aplicacin lineal es un epimorfismo?