TEMA 7. DIAGONALIZACION Y Y FORMAS CANONICAS 1. ENDOMORFISMOS NILPOTENTES
|
|
- María Luz Soto Reyes
- hace 6 años
- Vistas:
Transcripción
1 TEMA 7. DIAGONALIZACION Y Y FORMAS CANONICAS 1. ENDOMORFISMOS NILPOTENTES Definición 1.1. Endomorfismo Nilpotente. Un endomorfismo T End(V ) es nilpotente si existe n N tal que f n 0. Definición 1.. Matriz Nilpotente. Una matriz A M n (R) es nilpotente si existe un n N tal que A n = 0. Proposición 1.3. Sea T End(V ) y sea B una base de V. T es nilpotente M B T es nilpotente. Proposición 1.4. Los endomorfismos nilpotentes sólo tienen al cero como autovalor. Definición 1.5. Orden de Nilpotencia Decimos que k es el orden de nilpotencia de un endomorfismo T End(V ) si T k = 0 pero si T k 1 0. Proposición 1.6. Sea T un endomorfismo nilpotente de orden de nilpotencia k, entonces T m = 0, m k Proposición 1.7. Sea T un endomorfismo nilpotente no nulo y sea k su orden de nilpotencia. Entonces se tiene el siguiente encadenamiento: {0} ker T ker T ker T k = V Teorema 1.8. (Forma canónica de un endomorfismo nilpotente) Sea V un K-espacio vectorial de dimensión n. Sea T un endomorfismo de V nilpotente de orden k n. Entonces existe una base B de V de tal forma que la M B T es de la siguiente manera: 0 δ δ δ n donde δ i = 0 ó 1, i = 1,, n 1 sea T : R 5 R 5 un endomorfismo cuya matriz en la base canónica es M Bc f = A = M Bc f = M Bc f 3 = Así pues f es nilpotente de orden 3. ker f = L{(1, 0, 0, 0, 0)(0, 1, 1, 0, 0)} ker f = L{(1, 0, 0, 0, 0)(0, 1, 0, 0, 0)(0, 0, 1, 0, 0)(0, 0, 0, 3, 1)} ker f 3 = R 5 observar {0} ker f ker f ker f 3 = R 5 Sea W 1 un subespacio de R 5 tal que ker f 3 = ker f W 1 como dim ker f 3 = 5 y dim ker f = 4 = dimw 1 = 1 sea W 1 = L{(0, 0, 0, 1, 0)}. Sea W un subespacio de R 5 tal que ker f = ker f W 1
2 como dim ker f = 4 y dim ker f = = dimw = sea W = L{f(0, 0, 0, 1, 0), (0, 0, 0, 1, 1)}. Sea W 3 un subespacio de R 5 tal que ker f = {0} W 3 como dim ker f = y dim{0} = 0 = dimw 3 = sea W 3 = L{f (0, 0, 0, 1, 0), f(0, 0, 0, 1, 1)}. la matriz de f en la base es B = {f (0, 0, 0, 1, 0), f(0, 0, 0, 1, 0), (0, 0, 0, 1, 0)f(0, 0, 0, 1, 1), (0, 0, 0, 1, 1)} M B f Demostración. Por ser T un endomorfismo de V nilpotente de orden k sabemos que T k 0 y por lo tanto ker T k = V. Además tenemos la siguiente cadena de núcleos {0} ker T 1 ker T ker T k 1 ker T k = V. Como ker T k 1 ker T k = V existe un subespacio W 1 V tal que Denotaremos por Sea W 1 = L{v 1,, v r1 }, es decir, V = ker T k = ker T k 1 W 1. r 1 = dim W 1 = dim ker T k dim ker T k 1. Observar que V = ker T k = ker T k 1 L{v 1, v r1 }. T k (v i ) = 0 para todo i = 1,..., r 1 es decir T k 1 (v i ) 0 para todo i = 1,..., r 1 (1) {v 1,..., v r1 } ker T k, {v 1,..., v r1 } / ker T k 1. () {T (v 1 ),..., T (v r1 )} ker T k 1. T k (v i ) = T k 1 (T (v i )) = 0 para todo i = 1,..., r 1 De igual forma como ker T k ker T k 1 existe entonces un subespacio W ker T k 1 tal que Denotaremos por Como ker T k 1 = ker T k W. r = dim W = dim ker T k 1 dim ker T k. {T (v 1 ),..., T (v r1 )} ker T k 1, {T (v 1 ),..., T (v r1 )} / ker T k y además {T (v 1 ),..., T (v r1 )} es un sistema linealmente independiente en ker T k 1 se sigue entonces es decir, Observar que W = L{T (v 1 ),..., T (v r1 ), v r1 +1,..., v r }, ker T k 1 = ker T k L{T (v 1 ),... T (v r1 ), v r1 +1,..., v r },
3 3 T k 1 (v i ) = 0 para todo i = r 1 + 1,..., r es decir T k (v i ) 0 para todo i = r 1 + 1,..., r {v r1 +1,..., v r } ker T k 1, {v r1 +1,..., v r } / ker T k. {T (v r1 +1),, T (v r )} ker T k. T k 1 (v i ) = T k (T (v i )) = 0 para todo i = r V = ker T k = L{v 1, v r1 } ker T k 1 = = L{v 1, v r1 } L{T (v 1 ), T (v r1 ), v r+1,..., v r } ker T k Repitiendo este proceso llegamos a escribir el espacio V de la siguiente manera: V =L{v 1,... v r1 } L{T (v 1 ),... T (v r1 ), v r+1,..., v r } L{T (v 1 ),... T (v r1 ), T ( v r1 +1),..., T (v r ), v r +1,... v r3 } L{T 3 (v 1 ),... T 3 (v r1 ), T (v r1 +1),..., T (v r ), T (v r +1),... T (v r3 ), v r3 +1,..., v r4 } L{T k 1 (v 1 ),... T k 1 (v r1 ), T k (v r1 +1),... T k (v r ), T k 3 (v r +1),..., T k (v r3 ),..., v rk 1 +1,..., v rk } Observamos que Y que r k = dim ker T k r j = n j=1 Reordenamos todos estos vectores en orden decreciente de potencias de la siguiente manera: B = {T k 1 (v 1 ), T k (v 1 ),..., T (v 1 ), v 1, T k 1 (v ), T k (v ),..., T (v ), v,... T k 1 (v r1 ), T k (v r1 ),..., T (v r1 ), v r1, T k (v r1 +1), T k 3 (v r1 +1),..., T (v r1 +1), v r1 +1, T k (v r1 +), T k 3 (v r1 +),..., T (v r1 +), v r1 +,... T k (v r ), T k 3 (v r ),, T (v r ), v r, T k 3 (v r +1), T k 4 (v r +1),, T (v r +1), v r +1,... v rk 1 +1,..., v rk } Quedando la matriz del endomorfismo en esta base de la forma:
4 M B T = Sea A = la matriz asociada a f : R 4 R 4 en la base canónica. p f (λ) = ( λ) 4 así pues el único autovalor de f es λ = con m A () = 4 y m G () = por lo tanto f no es ni diagonalizable ni nilpotente. Fijémonos en el endomorfismo (f id) : R 4 R 4 cuya matriz en base canónica es C = El endomorfismo (f id) es nilpotente ya que (f id) = 0. Formamos su cadena {0} ker(f id) = L{(1, 0, 0, 0), (0, 1, 0, 0)} ker((f id) ) = R 4. R 4 = ker((f id) ) = ker(f id) W 1, W 1 = L{(0, 0, 1, 0), (0, 0, 0, 1)} ker(f id) = {0} W, W = L{(f id)(0, 0, 1, 0), (f id)(0, 0, 0, 1)} = L{(3, 0, 0, 0), (0, 3, 0, 0)} entonces R 4 = ker((f id) ) = ker(f id) W 1 = {0} W W 1 = W W 1. Por lo tanto B = {(f id)(0, 0, 1, 0), (0, 0, 1, 0), (f id)(0, 0, 0, 1), (0, 0, 0, 1)} es una base de R 4 y la matriz de (f id) en B es M B (f id) = luego M B (f) = M B (f id) + I, es decir, M B (f) =
5 sea T : R 5 R 5 un endomorfismo cuya matriz en la base canónica es p T (λ) = ( λ) 3 ( 1 λ) así pues los autovalores de T son λ =, 1 con m A () = 3 m A ( 1) = y m G () = m G ( 1) = por lo tanto T no es ni diagonalizable ni nilpotente. El endomorfismo (T id) : R 5 R M Bc (T id) = M Bc (T id) = ker(t id) = L{3e + e 5, 3e 3 + e 4 } ker (T id) = L{3e 1 + e, 3e + e 5, 3e 3 + e 4 } ker (T id) 3 = L{3e 1 + e, 3e + e 5, 3e 3 + e 4 } ker (T id) n = L{3e 1 + e, 3e + e 5, 3e 3 + e 4 } n Consideremos ahora el endomorfismo T id pero en vez de definido en todo R 5 definido sólo en ker(t id) R 5 es decir (T id) ker(t id) : ker(t id) ker(t id). el endomorfismo T id es nilpotente ya que (T id) ) ker(t id) = 0. Formamos su cadena {0} ker(t id) ker(t id) ker((t id) ) = ker(t id). ker((t id) ) = ker(t id) W 1, W 1 = L{3e 1 + e } ker(t id) = {0} W, W = L{(T id)(3, 1, 0, 0, 0), } = L{(0, 3, 0, 0, 1), (0, 0, 3, 1, 0)} entonces ker((t id) ) = ker(t id) W 1 = W W 1. Por lo tanto B = {(T id)(3, 1, 0, 0, 0), (3, 1, 0, 0, 0), (0, 0, 3, 1, 0)} es una base de ker((t id) ) y la matriz de (T id) ker((t id) ) en B es M B (T id) = luego M B (T ker((t id) )) = M B (T id) ker((t id) ) + I, es decir, M B ((T ker((t id) ))) = El endomorfismo (T + id) : R 5 R M Bc (T + id) = M Bc (T + id) =
6 6 ker(t + id) = L{e 5, e 4 } ker (T id) = L{e 5, e 4 } ker (T id) n = L{e 5, e 4 } n 1 Consideremos ahora el endomorfismo T + id pero en vez de definido en todo R 5 definido sólo en ker(t + id) R 5 es decir (T + id) ker(t +id) : ker(t + id) ker(t + id). el endomorfismo T + id es nilpotente ya que (T + id) ker(t +id) = 0. Formamos su cadena entonces {0} ker(t + id) ker(t +id) = ker(t + id). ker((t + id)) = {0} W 1, W 1 = L{(0, 0, 0, 0, 1), (0, 0, 0, 1, 0)} ker(t + id) = W 1. Por lo tanto B = {(0, 0, 0, 0, 1), (0, 0, 0, 1, 0)} es una base de ker((t + id)) y la matriz de (T + id) ker((t +id) en B es 0 0 M B (T + id) = 0 0 luego M B (T ker(t +id) ) = M B (T + id) ker(t +id) I, es decir, 1 0 M B ((T ker(t +id) )) = 0 1 Resumiendo M B ((T ker((t id) ))) = M B ((T ker(t +id) )) = Si tomo la base B = {(T id)(3, 1, 0, 0, 0), (3, 1, 0, 0, 0), (0, 0, 3, 1, 0), (0, 0, 0, 0, 1), (0, 0, 0, 1, 0)} de R 5 tenemos T ((T id)(3, 1, 0, 0, 0)) = (, 0, 0, 0, 0) T ((3, 1, 0, 0, 0)) = (1,, 0, 0, 0) T (0, 0, 3, 1, 0)) = (0, 0,, 0, 0) T (0, 0, 0, 0, 1) = (0, 0, 0, 1, 0) T (0, 0, 0, 1, 0)) = (0, 0, 0, 0, 1) Teorema de Jordan M B (T ) = Definición 1.9. Llamaremos Matriz Elemental o Reducida de Jordan de orden k y autovalor λ a la matriz de orden k cuyos elementos son todos nulos, excepto los de la diagonal principal, que valen λ, y los situados inmediatamente encima de la diagonal principal, que son unos. Ejemplos matriz elementales de Jordan de orden 1,, 3, etc.
7 Definición Llamaremos Matriz de Jordan a cualquier matriz cuadrada formada por la yuxtaposición de matrices elementales de Jordan a lo largo de la diagonal, de la forma M B T = J λ1 J λ... J λq 7 Sea T End(V ) y λ 0 R un autovalor de T. La aplicación T λ 0 id End(V ). Consideramos la cadena {0} ker(t λ 0 id) ker(t λ 0 id) ker(t λ 0 id) 3 ker(t λ 0 id) 4... ker(t λ 0 id) n... Como E i (λ 0 ) = ker(t λ 0 id) i son todos subespacios de un espacio de dimensión finita, existe algún m n tal que ker(t λ 0 id) m = ker(t λ 0 id) m+1 ; sea j N el menor de estos números naturales m. Proposición 1.1. Si E j (λ 0 ) = E j+1 (λ 0 ), entonces E p (λ 0 ) = E j (λ 0 ) para todo p j. Demostración. Inducción sobre r en la expresión E j (λ 0 ) = E j+r (λ 0 ), para todo r N. Definición llamamos Autoespacio Generalizado del autovalor ker(t λ 0 id) j λ 0 al subespacio {0} ker(t λ 0 id) ker(t λ 0 id)... ker(t λ 0 id) j = ker(t λ 0 id) j+1 Proposición T (ker(t λ 0 id) j ) ker(t λ 0 id) j. Demostración. sea x ker(t λ 0 id) j entonces (T λ 0 id) j (x) = 0, y por lo tanto (T λ 0 id) j (T (x)) = T ((T λ 0 id) j (x)) = 0 como queríamos. Corolario La aplicación T λ 0 id (T λ0 id) j End((T λ 0id) j ) es nilpotente de orden j. Proposición dim ker(t λ 0 id) j m A (λ 0 ). Demostración. ker(t λ 0 id) ker(t λ 0 id) j y como dim ker(t λ 0 id) = 1 entonces 1 ker(t λ 0 id) j.
8 Corolario j m A (λ 0 ) Definición Indice de un Autovalor. Dado λ autovalor de un endomorfismo f diremos que ν(λ) R es el índice de λ si ker(f λid) ν(λ) = ker(f λid) p para todo p ν(λ). Proposición La aplicación T λ i I Es nilpotente sobre el subespacio ker(t λ i I) m A(λ i ). 8 Demostración. Teorema 1. Teorema de Descomposición de un Espacio Vectorial. Sea V un espacio vectorial sobre un cuerpo K finitamente generado, dim V = n, T un endomorfismo de V. Supongamos que todas las raíces del P T (λ) están en el cuerpo K. Sean λ 1,..., λ q, q n, los autovalores distintos de P T (λ), con m A (λ i ) las multiplicidades algebraicas de λ i. Entonces: i) V = ker(t λ 1 I) m A(λ 1 )... ker(t λ q I) m A(λ q) ii) T (ker(t λ i I) m A(λ i ) ) ker(t λ i I) m A(λ i ) i = 1,..., q iii) dim[ker(t λ i I) m A(λ i ) ] = m A (λ i ) Teorema 1.0. Teorema de Jordan Sea V un espacio vectorial sobre un cuerpo K finitamente generado no nulo, sea T un endomorfismo de V y tal que sus autovalores pertenecen a K. Entonces existe una base ordenada B de V con respecto a la cual la matriz asociada a T es una matriz diagonal por cajas de la forma: M B T = J λ1 J λ... Ejemplos 1.1. J λq
9 A la matriz que se obtiene en el teorema anterior la llamaremos MATRIZ DE JOR- DAN DE T, observar que esta matriz no es única. PREGUNTAS: Cuál es el número de veces que aparece un autovalor λ i en la diagonal de una matriz de Jordan? Cuál es el número de matrices elementales de Jordan de un mismo autovalor? Hay algún tamaño de estas matrices elementales de Jordan que sepamos seguro que va aparecer? Cuál es este tamaño? Cuántas cajas de tamaño el orden de nilpotencia de un autovalor habrá en la matriz? EJEMPLOS: 1.- Sea V un espacio vectorial sobre C, sea T un endomorfismo de V del cual sabemos que: σ(t ) = {3, 1, 1,, 0} dim ker(t 3I) = dim ker(t 3I) = dim ker(t I) = 1 dim ker(t I) = dim ker(t I) 3 = dim ker(t + I) = 3 dim ker(t + I) = dim ker(t + I) 3 = 5 dim ker(t + I) = 3 dim ker(t + I) = 6 dim ker(t + I) 3 = dim ker(t + I) 4 = 7 dim ker T = 4 dim ker T = 6 dim ker T 3 = 8 dim ker T 4 = dim ker T 5 = 10 a) Es T un isomorfismo? b) Determinar razonadamente la dimensión de V c) Calcular las multiplicidades y el índice de cada autovalor. d) Calcular los polinomios característico y mínimo de T e) Obtened la matriz de Jordan de T..- Calcular matrices de Jordan para cada una de las siguientes matrices y las matrices de paso P correspondientes, también sus polinomios mínimos: A = B = C = D = E = F = G = H = Polinomios de matrices,t a y de Cayley-Hamilton 9
10 Definición 1.. Polinomios de endomorfísmos Sea p(x) = a 0 + a 1 x + a x + + a n x n un polinomio p(x) R[x] y f end(v ). Definimos p(f) como donde f 0 = id, f p+1 = fp f. p(f) = a 0 f 0 + a 1 f + a f + + a n f n Proposición 1.3. f p f q = f q f p = f p+q. Si p(x), q(x) R[x] entonces p(f) + q(f) = (p + q)(f). p(f) q(f) = (pq)(f). λp(f) = (λp)(f). p(f) q(f) = q(f) p(f). Definición 1.4. Polinomios de matices Sea p(x) = a 0 +a 1 x+a x + +a n x n un polinomio p(x) R[x] y A M n (R). Definimos p(a) como p(f) = a 0 A 0 + a 1 A + a A + + a n A n 10 donde A 0 = I, A p+1 = ApA. Proposición 1.5. A p A q = A p+q. Si p(x), q(x) R[x] entonces p(a) + q(a) = (p + q)(a). p(a)q(a) = (pq)(a). λp(a) = (λp)(a). p(a)q(a) = q(a)p(a). 3 EJEMPLOS: 1.- Sea A = y p(x) = x 1 3λ + 1 y 3 P (A) = 3 1 ( 3 1 ) = Sea g(x) = x 1998 A = A = Así que g(a) = A 1998 = Proposición 1.6. Si y A M n (K) Entonces 1998 f(x) = (x α 1 )(x α ) (x α n ) f(a) = (A α 1 )(A α ) (A α n ) = Proposición 1.7. Sea K un cuerpo, sea A M n (K) entonces existe un polinomio f K[x] no nulo tal que f(a) = 0
11 Demostración. Proposición 1.8. Sea V un espacio vectorial sobre el cuerpo K con dim V = n y T : V V lineal, entonces f K[x], f 0 /f(t ) = 0 11 Teorema 1.9. Teorema de Cayley-Hamilton p A (A) = 0, p T (T ) = 0 Demostración. Sea A M nxn (K), se verifica que p A (A) = 0. Es decir, si p A (λ) = b n λ n b 1 λ + b 0, ocurre que b n A n b 1 A + b 0 I = 0. Sean B = A λi y C = adj(b) (la matriz en cuya entrada c i,j aparece el adjunto, con su signo correspondiente, al elemento b j,i. cuando se habló de matrices inversas, se tiene que B adj(b) = det(b) I. 1) Probar que existen B 0,, B n 1 M n n (K) tales que C = B n 1 λ n B 1 λ + B 0. ) Probar que B C = det(b) I n. 3) Probar que det(b) I n = B C = (A λi) C = A C λc o, equivalentemente: b n I n λ n + + b 1 I n λ + b 0 I n = AB n 1 λ n AB 1 λ + AB 0 B 0 λ B n 1 λ n. Deducir de ahí, igualando coeficientes, que b 0 I n = AB 0 b 1 I n = AB 1 B b n 1 I n = A n 1 B B n b n I n = B n 1 4) Multiplicar las ecuaciones anteriores por I, A,, A n 1, A n y sumarlas. Deducir de ahí que p A (A) = 0. 3 EJEMPLOS: 1.- Si A =, entonces p 1 A (λ) = λ 5λ + 8 y P A (A) = 5 +8 = EJEMPLOS: 1.- Sea A =. Comprobar que p 3 B (B) = 0.- Sea A = Calcular A Sea A = , B = λ C = 0 λ λ n con λ i λ j si i j. Calcular los polinomios mínimos de A, B y C. 8 0 = Definición Llamamos polinomio mónico aquel polinomio cuyo coeficiente de grado máximo es 1, es decir, p(x) = x n + a n 1 x n 1 + a n x n a 1 x + a 0. Definición Si A M n n (R) entonces llamamos polinomio minimo de A, pma(x) al polinomio mónico de menor grado tal que pma(a) = 0.
12 1 Teorema 1.3. y pm A divide a p A. Demostración. Teorema p A y pm A tienen las mismas raíces. Demostración.
Tema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesProblemas de exámenes de Aplicaciones Lineales y Matrices
1 Problemas de exámenes de Aplicaciones Lineales y Matrices 1. Consideramos f End(R n ), que tiene matriz A respecto la base canónica. Cuál de las siguientes afirmaciones es incorrecta? a) Si v es un vector
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detallesDiagonalización de Endomorfismos
Capítulo VII Diagonalización de Endomorfismos Fijemos, para todo este capítulo, un espacio vectorial E sobre un cuerpo k y un endomorfismo T : E E. Vamos a estudiar cuándo existe una base de E respecto
Más detallesCapítulo 7. Espacios vectoriales. 7.1 Definición y ejemplos
Capítulo Espacios vectoriales.1 Definición y ejemplos Un espacio vectorial sobre un cuerpo K (que supondremos conmutativo es un conjunto no vacío junto con 1. una operación interna, +, a la que llamaremos
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detalles1 Aplicaciones lineales
UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Aplicaciones lineales y diagonalización. El objetivo principal de este tema será la obtención de una matriz diagonal
Más detallesEspacios vectoriales reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesResumen de Teoría de Matrices
Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a
Más detallesTema 1: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Ingeniería Química FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina
Más detallesTema 2: Espacios Vectoriales
Tema 2: Espacios Vectoriales José M. Salazar Octubre de 2016 Tema 2: Espacios Vectoriales Lección 2. Espacios vectoriales. Subespacios vectoriales. Bases. Lección 3. Coordenadas respecto de una base. Ecuaciones.
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesTransformaciones lineales
Semana 8 [1/62] 8 de septiembre de 27 Definiciones básicas Semana 8 [2/62] Definición Transformación lineal U, V dos espacios vectoriales sobre el mismo cuerpo Ã. T : U V es una transformación (o función)
Más detalles6.1. Anillos de polinomios.
1 Tema 6.-. Anillo de polinomios. División y factorización. Lema de Gauss. 6.1. Anillos de polinomios. Definición 6.1.1. Sea A un anillo. El anillo de polinomios en la indeterminada X con coeficientes
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesMatrices positivas y aplicaciones. María Isabel García Planas Profesora Titular de Universidad
Matrices positivas y aplicaciones María Isabel García Planas Profesora Titular de Universidad Primera edición: Septiembre 2008 Editora: la autora c M ā Isabel García Planas ISBN: 978-84-612-6101-7 Depósito
Más detallesCapítulo 4: Polinomios
Capítulo 4: Polinomios Miguel Ángel Olalla Acosta miguelolalla@us.es Departamento de Álgebra Universidad de Sevilla Diciembre de 2015 Olalla (Universidad de Sevilla) Capítulo 4: Polinomios Diciembre de
Más detalles2.1. Estructura algebraica de espacio vectorial
Tema 2 Espacios vectoriales de dimensión finita 21 Estructura algebraica de espacio vectorial Los vectores libres en el plano son el sustento geométrico del concepto de espacio vectorial Se trata de segmentos
Más detallesEjemplo 1 Sea V un espacio con producto interno sobre un cuerpo K. A las transformaciones lineales T : V K las llamamos funcionales lineales.
Facultad de Ingeniería - IMERL - Geometría y Álgebra Lineal 2 - Curso 2008. 1 Transformaciones lineales en espacios con producto interno Notas para el curso de Geometría y Algebra Lineal 2 de la Facultad
Más detallesTEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR
TEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR Índice 6.1. Formas bilineales....................... 154 6.1.1. Representación matricial de una forma bilineal. 155 6.1.. Formas multilineales reales............
Más detallesEspacios vectoriales. Capítulo Espacios vectoriales y subespacios Preliminares
Capítulo 1 Espacios vectoriales En diversos conjuntos conocidos, por ejemplo los de vectores en el plano o en el espacio (R 2 y R 3 ), o también el de los polinomios (R[X]), sabemos sumar sus elementos
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detallesAnillo de polinomios con coeficientes en un cuerpo
Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.
Más detallesMatrices y determinantes. Sistemas de ecuaciones lineales
Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo
Más detallesESPACIOS VECTORIALES. VARIEDADES LINEALES, APLICACIONES ENTRE ESPACIOS VECTORIALES. TEOREMAS DE ISOMORFIA.
ESPACIOS VECTORIALES. VARIEDADES LINEALES, APLICACIONES ENTRE ESPACIOS VECTORIALES. TEOREMAS DE ISOMORFIA. Índice de contenido 1. Espacio vectorial....2 Estructura de espacio vectorial...2 Subespacios
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesObjetivos formativos de Álgebra
Objetivos formativos de Álgebra Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera como objetivo
Más detallesGrado en Física. Ejercicios de autoevaluación. Temas 1 4. Departamento de Álgebra, Universidad de Sevilla
Álgebra Lineal y Geometría Grado en Física Ejercicios de autoevaluación. Temas 1 4 Departamento de Álgebra, Universidad de Sevilla El contenido de estas notas ha sido diseñado y redactado por el profesorado
Más detallesTransformaciones lineales
Capítulo 3 Transformaciones lineales Las transformaciones lineales son las funciones con las que trabajaremos en Álgebra Lineal. Se trata de funciones entre K-espacios vectoriales que son compatibles con
Más detallesDependencia e independencia lineal
CAPíTULO 3 Dependencia e independencia lineal En este capítulo estudiaremos tres conceptos de gran importancia para el desarrollo del álgebra lineal: el concepto de conjunto generador, el concepto de conjunto
Más detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesTema 4: Aplicaciones lineales
Águeda Mata y Miguel Reyes, Dpto de Matemática Aplicada, FI-UPM 1 Tema 4: Aplicaciones lineales Ejercicios 1 Estudia la linealidad de las siguientes aplicaciones: (a) f : R R 3, definida por f(x, y) =
Más detallesEspacios Vectoriales
Espacios Vectoriales Ev En todo el curso K es un cuerpo Podeis pensar que K = Q, K = R o K = C Un conjunto no vacio E es un K-espacio vectorial (o abreviadamente, un K-ev) cuando existan dos operaciones,
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesÓrdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple
Órdenes de la convergencia de sucesiones. Condiciones de la convergencia lineal y cuadrática del método de iteración simple Estos apuntes están redactados por Maria de los Angeles Isidro Pérez y Egor Maximenko.
Más detallesTeoría de anillos. Dominios, cuerpos y cuerpos de fracciones. Característica de un cuerpo.
1 Tema 5.-. Teoría de anillos. Dominios, cuerpos y cuerpos de fracciones. Característica de un cuerpo. 5.1. Anillos y cuerpos Definición 5.1.1. Un anillo es una terna (A, +, ) formada por un conjunto A
Más detallesMatrices y Determinantes
Capítulo 1 Matrices y Determinantes 11 Matrices Generalidades Definición 11 Sea E un conjunto cualquiera, m, n N Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12 a 1n a 21 a
Más detallesTEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.
TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares
Más detallesTema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS
1 Tema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS 1.1 Los Números Naturales. Los números naturales aparecen por la necesidad que tiene el hombre (primitivo) tanto de contar como de ordenar
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
Más detallesNotas del curso de Algebra Lineal II
Notas del curso de Algebra Lineal II Luis Valero Elizondo 09 de Diciembre del 2007 Índice general 1. Formas Canónicas Elementales. 4 1.1. Valores y vectores propios.................... 4 1.2. Polinomio
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesAplicaciones de la Forma Normal de Smith de una Matriz Entera
Aplicaciones de la Forma Normal de Smith de una Matriz Entera Rafael Heraclio Villarreal Rodríguez Departmento de Matemáticas CINVESTAV-IPN, México D.F. XLV Congreso Nacional Sociedad Matemática Mexicana
Más detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detallesClase 4 Funciones polinomiales y racionales
Clase 4 Instituto de Ciencias Básicas Facultad de Ingeniería Universidad Diego Portales Marzo de 2014 Polinomios Definición Se llama polinomio en x a toda expresión de la forma p(x) = a 0 + a 1x+ +a n
Más detallesEs trivial generalizar la definición al caso de varios conjuntos: A B C, etc.
Tema 1 Espacios Vectoriales 1.1 Introducción Estas notas están elaboradas pensando simplemente en facilitar al estudiante una guía para el estudio de la asignatura, y en consecuencia se caracterizan por
Más detallesTema 5: Espacios Vectoriales Métricos Euclídeos.
Tema 5: Espacios Vectoriales Métricos Euclídeos. Índice 1. Métricas y formas cuadráticas. 1 2. Perpendicularidad: tipos de métricas. 3 3. Norma y ángulos en un EVME. Desigualdad de Schwarz. 4 4. Bases
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO 6. POLINOMIOS DE UNA VARIABLE. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Polinomio Sea K (Q,
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesDiagonalización de matrices.
Diagonalización de matrices. 1. Diagonalización de matrices. Definición 1.1 Sea A una matriz cuadrada,, decimos que es un autovalor de A si existe un vector no nulo tal que En esta situación decimos que
Más detallesConjuntos, relaciones y funciones Susana Puddu
Susana Puddu 1. Repaso sobre la teoría de conjuntos. Denotaremos por IN al conjunto de los números naturales y por ZZ al de los enteros. Dados dos conjuntos A y B decimos que A está contenido en B o también
Más detallesMatrices, determinantes, sistemas de ecuaciones lineales.
UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m
Más detallesUniversidad Alonso de Ojeda. Facultad de Ingeniería GUIA DE ESTUDIO ALGEBRA LINEAL.
UNIDAD V: ESPACIOS VECTORIALES Estamos acostumbrados a representar un punto en la recta como un número real; un punto en el plano como un par ordenado y un punto en el espacio tridimensional como una terna
Más detalles4.1. Polinomios y teoría de ecuaciones
CAPÍTULO 4 Polinomios y teoría de ecuaciones 4.1. Polinomios y teoría de ecuaciones Un polinomio real en x, o simplemente polinomio en x es una expresión algebraica de la forma a n x n + a n 1 x n 1 +
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesDiagonalización de Matrices
Tema Diagonalización de Matrices Introducción En los dos temas previos de este bloque hemos visto cómo problemas de la realidad son escritos, tratados y resueltos a través de espacios vectoriales y sistemas
Más detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesTransformaciones lineales y matrices
CAPíTULO 5 Transformaciones lineales y matrices 1 Matriz asociada a una transformación lineal Supongamos que V y W son espacios vectoriales de dimensión finita y que T : V W es una transformación lineal
Más detallesTemario de Matemáticas
Temario de Matemáticas BLOQUE I: ÁLGEBRA LINEAL Y GEOMETRÍA 1 o Grado en Biología Alma Luisa Albujer Brotons Índice general 1. Matrices 1 1.1. Conceptos básicos y ejemplos...............................
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesr j ϕ j (v i ) = r i, ϕ(v i ) = v = n a ij ϕ j(v) ϕ i (v) =
ESPACIO DUAL 1. Espacio Dual En temas anteriores dados V y V espacios vectoriales sobre k, definíamos en Hom(V, V ) una suma y un producto por elementos de k que convertían este conjunto en un espacio
Más detallesUniversidad de Jaén Departamento de Matemáticas Ingeniería Técnica en Informática de Gestión.
Universidad de Jaén Departamento de Matemáticas Ingeniería Técnica en Informática de Gestión. Algebra I I Relación de problemas 3. Espacios vectoriales. 1.-Estudiar si los siguientes conjuntos forman o
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesGuía. Álgebra II. Examen parcial III. Transformaciones lineales. Teoremas los más importantes cuyas demostraciones se pueden incluir en el examen
Guía. Álgebra II. Examen parcial III. Transformaciones lineales. Teoremas los más importantes cuyas demostraciones se pueden incluir en el examen 1. Teorema de la representación matricial de una transformación
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesEjercicios de Algebra III. Curso 00-01
Ejercicios de Algebra III. Curso 00-01 Ejercicio 1. Sea x un elemento nilpotente de un anillo A. Probar que 1 + x es una unidad de A. Deducir que la suma de un elemento nilpotente y de una unidad es una
Más detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesPOLINOMIOS. (Versión Preliminar) Un polinomio en la variable x es una expresión de la forma. p(x) = a n x n + a n 1 x n
POLINOMIOS (Versión Preliminar) Estas notas deben ser complementadas con ejercicios de la guía o de algun texto. En esta sección denotaremos por N al conjunto de los números naturales incluido el cero.
Más detallesTEMA 4: Espacios y subespacios vectoriales
TEMA 4: Espacios y subespacios vectoriales 1. Espacios vectoriales Sea K un cuerpo. Denominaremos a los elementos de K escalares. Definición 1. Un espacio vectorial sobre K es un conjunto V cuyos elementos
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detallesTEMA 2. ESPACIOS VECTORIALES
TEMA 2. ESPACIOS VECTORIALES CÉSAR ROSALES GEOMETRÍA I En este tema comenzaremos el estudio de los objetos que nos interesarán en esta asignatura: los espacios vectoriales. Estos son estructuras básicas
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales Sea (K, +,.) un cuerpo con característica 0. Podemos pensar K = Q, R o C. Si V es un conjunto cualquiera en el que
Más detallesMATRICES. M(n) ó M nxn A =
MTRICES Definición de matriz. Una matriz de orden m n es un conjunto de m n elementos pertenecientes a un conjunto, que para nosotros tendrá estructura de cuerpo conmutativo y lo denotaremos por K, dispuestos
Más detallesR no es enumerable. Por contradicción, supongamos que existe una biyección f : N! R. diagonalización de Cantor. Para cada i 2 N:
R no es enumerable Por contradicción, supongamos que existe una biyección f : N! R. I Vamos a obtener una contradicción usando el método de diagonalización de Cantor. Para cada i 2 N: f (i) = n i.d i,0
Más detallesVectores y matrices. v 1 v 2. = [v. v = v n. Herramientas de A.L. p.1/64
Vectores y matrices Los elementos básicos en teoría de sistemas lineales son vectores n 1 (columna) o 1 n (fila) y matrices n m con elementos reales (i.e. v R n y A R n m ). Denotamos el elemento i del
Más detallesEspacios vectoriales y Aplicaciones lineales
Espacios vectoriales y Aplicaciones lineales Espacios vectoriales. Subespacios vectoriales Espacios vectoriales Definición Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea
Más detallesLección 2: Funciones vectoriales: límite y. continuidad. Diferenciabilidad de campos
Lección 2: Funciones vectoriales: límite y continuidad. Diferenciabilidad de campos vectoriales 1.1 Introducción En economía, frecuentemente, nos interesa explicar la variación de unas magnitudes respecto
Más detalles4 APLICACIONES LINEALES. DIAGONALIZACIÓN
4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos
Más detalles2. Ortogonalidad. En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U.
2 Ortogonalidad En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U 1 Vectores ortogonales Definición 11 Dos vectores x, ȳ U se dicen ortogonales si: x ȳ = 0 Veamos algunas propiedades
Más detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesMATRICES. Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden x (que se lee por ).
1 MATRICES 1 Una matriz es una disposición rectangular de números (Reales); la forma general de una matriz con filas y columnas es Se simboliza tal matriz por y se le llamará una matriz x o matriz de orden
Más detallesESPACIOS VECTORIALES
1. Introducción: 1.1 Grupo Abeliano 1. Cuerpo. Estructura de espacio vectorial 3. Propiedades 4. Subespacio vectorial 5. Combinación lineal de vectores 5.1 Propiedades 6. Dependencia e independencia lineal
Más detallesTALLER DE MATEMÁTICAS NOTAS. Toda expresión algebraica del tipo. a n x n + a n 1 x n 1 +... + a 1 x + a 0. es un polinomio de grado n, si a n 0.
NOTAS Toda expresión algebraica del tipo es un polinomio de grado n, si a n 0. a n x n + a n 1 x n 1 +... + a 1 x + a 0 RELACIONES DE DIVISIBILIDAD 1) x n a n = (x a)(x n 1 + ax n 2 + a 2 x n 3 +... +
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detallesConstrucción de bases en el núcleo e imagen de una transformación lineal
Construcción de bases en el núcleo e imagen de una transformación lineal Objetivos. Estudiar el algoritmo para construir una base del núcleo y una base de la imagen de una transformación lineal. Requisitos.
Más detallesEl Teorema Fundamental del Álgebra
El Teorema Fundamental del Álgebra 1. Repaso de polinomios Definiciones básicas Un monomio en una indeterminada x es una expresión de la forma ax n que representa el producto de un número, a, por una potencia
Más detallesMatrices y sistemas lineales
15 Matemáticas I : Preliminares Tema 2 Matrices y sistemas lineales 2.1 Definiciones básicas Una matriz es una tabla rectangular de números, es decir, una distribución ordenada de números. Los números
Más detallesALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Más detallesComisión de Pedagogía - Diego Chamorro Análisis Funcional (Nivel 2). Lección n 1: Aplicaciones Lineales EPN, verano 2012
AMARUN www.amarun.org Comisión de Pedagogía - Diego Chamorro Análisis Funcional (Nivel 2). Lección n 1: Aplicaciones Lineales EPN, verano 212 Introducción Algunas fechas: 197: Noción de Operador lineal
Más detalles