Tema 2: Espacios vectoriales

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Tema 2: Espacios vectoriales"

Transcripción

1 Tema 2: Espacios vectoriales La estructura de espacio vectorial juega un papel fundamental en el álgebra lineal pues es la base de todos los conceptos que ahí se desarrollan. Vamos en la siguiente sección a tratarla. 1 Definicion y ejemplos Cuando manejamos vectores del plano R 2 o del espacio tridimensional R 3 podemos deducir una serie de propiedades, a partir de las cuales, en un ejercicio de abstracción, introducimos el concepto de espacio vectorial como aquel ente que verifica dichas propiedades, que serán tomadas como axiomas y que se recogen en la siguiente definición: Definición 1.1 Sea V un conjunto y sea K un cuerpo. Supongamos que tenemos definidas dos operaciones en V,unaLCI + (denominadasuma), que asigna a cada par de elementos u, v V un elemento u + v V,yotraexterna : K V V (denominada producto o multiplicación por elementos del cuerpo), que asigna a cada elemento λ K yacadav V un elemento λ v V (se podrá omitir el punto en adelante). Se dice que la terna (V,+, ) es un K-espacio vectorial ounespacio vectorial sobre K (en adelante se dirá simplemente que V es un espacio vectorial) si se satisfacen las siguientes propiedades (a las que denominaremos axiomas): 1) V es un grupo abeliano con la suma + : (a) (Propiedad asociativa) u, v, w V se tiene que (u + v)+w = u +(v + w) (b) (Propiedad conmutativa) u, v V se tiene que u + v = v + u (c) (Elemento neutro) Existe un elemento, al que vamos a denotar por 0, tal que dado cualquier u V se tiene que u +0=u (d) (Elemento opuesto) Dadou V existe un vector v tal que u + v =0 Diremos que v es el opuesto de u y pondremos v = u. 2) (Propiedades pseudodistributivas) 1

2 a) u, v V, λ K se tiene que λ (u + v) =λ u + λ v b) u V, λ, μ K se tiene que (λ + μ) u = λ u + μ u 3) (Propiedad pseudoasociativa) u V, λ, μ K se tiene que (λ μ) u = λ (μ u) 4) (Pseudoelemento neutro) u V se tiene que 1 u = u (donde 1 es el neutro para la multiplicación en el cuerpo K). Observación 1.2 Los elementos de un espacio vectorial se denominarán vectores (de dicho espacio vectorial) y los del cuerpo se llamarán escalares. Debido a las propiedades de un espacio vectorial como grupo abeliano existirá un vector especial que será el neutro para la suma, al cual llamaremos vector nulo, o vector cero,ylodenotaremos0 V. Y para referirnos al cero del cuerpo K distinguiéndolo del anterior podemos usar la notación 0 K. Si no hay lugar a confusión los denotaremos a ambos indistintamente por 0. También aparecen dos sumas, la de escalares y la de vectores. Representaremos ambas por el mismo símbolo +, siempre que no dé lugar a confusión. Por último recordemos que todo vector v V tendrá un vector opuesto para la suma, el cual será designado por v (que es el vector que cumple que v +( v) =0). Propiedad: Sea (V,+, ) un espacio vectorial sobre un cuerpo K y sean λ K y v V. Se tiene que λv =0si y sólo si λ =0ó v =0. Ejemplo Sea K = R el cuerpo de los números reales y consideremos el conjunto V = R 2 = {(x, y) :x, y R} Se define la suma interna + y la multiplicación externa env coordenada a coordenada: Dados u =(x, y),v =(z,t) V definimos u + v =(x, y)+(z, t) =(x + z,y + t) Dados u =(x, y) V y λ R definimos λ u = λ (x, y) =(λ x, λ y). Es sencillo comprobar que R 2, con estas operaciones anteriormente definidas, es un R-espacio vectorial. Veámoslo. 2

3 (a) Grupo abeliano: i. Propiedad asociativa: dados se tiene que u =(x, y),v =(z,t),w =(a, b) V (u + v)+w =[(x, y)+(z, t)] + (a, b) = =(x + z, y + t)+(a, b) =((x + z)+a, (y + t)+b) = =(x +(z + a),y+(t + b)) = =(x, y)+[(z + a, t + b)] = =(x, y)+[(z, t)+(a, b)] = u +(v + w) (hemos utilizado la propiedad asociativa de los números reales para la suma). ii. Propiedad conmutativa: dados se tiene que u =(x, y),v =(z, t) V u + v =(x, y)+(z, t) = =(x + z,y + t) =(z + x, t + y) = =(z,t)+(x, y) =v + u (hemosutilizadolapropiedadconmutativadelosnúmerosrealesparalasuma). iii. Existencia de elemento neutro: existe un vector, el vector 0=(0, 0), tal que dado cualquier u =(x, y) V se tiene que u +0=(x, y)+(0, 0) = (x +0,y+0)=(x, y) =u (hemos utilizado que el número real 0 es el neutro para la suma en R). iv. Existencia de elemento opuesto: dado u = (x, y) V existe un vector, el vector u =( x, y), talque u +( u) =(x, y)+( x, y) =(x x, y y) =(0, 0) = 0 (hemos utilizado que todo número real posee opuesto para la suma). (b) Propiedades pseudodistributivas: i. Dados u =(x, y),v =(z,t) V y λ R se tiene que λ (u + v) =λ [(x, y)+(z, t)] = λ (x + z,y + t) = =[λ (x + z), λ (y + t)] = (λ x + λ z,λ y + λ t) = =(λ x, λ y)+(λ z, λ t) =λ (x, y)+λ (z,t) =λ u + λ v (hemos utilizado la propiedad distributiva de los números reales). 3

4 ii. Dados u =(x, y) V y λ, μ R se tiene que (λ + μ) u =(λ + μ) (x, y) =((λ + μ) x, (λ + μ) y) = =(λ x + μ x, λ y + μ y) =(λ x, λ y)+(μ x, μ y) = = λ (x, y)+μ (x, y) =λ u + μ u (hemos utilizado de nuevo la propiedad distributiva de los números reales). (c) Propiedad pseudoasociativa: dados u =(x, y) V y λ, μ R se tiene que (λ μ) u =(λ μ) (x, y) =[(λ μ) x, (λ μ) y] =[λ (μ x), λ (μ y)] = = λ (μ x, μ y) =λ (μ (x, y)) = λ (μ u) (hemos utilizado la propiedad asociativa de los números reales para la multiplicación). (d) Pseudoelemento neutro: dado u =(x, y) V se tiene que 1 u =1 (x, y) =(1 x, 1 y) =(x, y) =u (hemos utilizado que el número real 1 es el neutro para el producto de números reales). De modo análogo se tiene para (R 3, +, ), (R 4, +, ) y en general para cualquier n =1, 2, 3... el espacio vectorial (R n, +, ), donde R n = {(x 1,x 2,..., x n ):x 1,x 2,...,x n R}. Incluso para n =1obtenemos el espacio vectorial (R, +, ) con la suma y el producto entre números. Además, esta construcción no es exclusiva del cuerpo R porque también es posible definir, para cualquier cuerpo K ycualquiern =1, 2, 3,... losespaciosvectorialesdelaforma(k n, +, ). 2. Consideremos V el conjunto de todos los polinomios de grado menor o igual que dos con coeficientes reales, es decir, V = P 2 [R] ={ax 2 + bx + c : a, b, c R} Definimos una suma interna + y una multiplicación por escalares del siguiente modo: Dados ax 2 + bx + c, dx 2 + ex + f V definimos (ax 2 + bx + c)+(dx 2 + ex + f) =(a + d)x 2 +(b + e)x +(c + f) y dados ax 2 + bx + c V y λ R definimos λ (ax 2 + bx + c) =λax 2 + λbx + λc En definitiva se define la suma y la multiplicación en cada coeficiente. Es sencillo comprobar que P 2 [R], con estas operaciones anteriormente definidas, es un R-espacio vectorial. En este espacio vectorial el vector nulo es el polinomio 0=0+0x +0x 2 4

5 y el opuesto de un vector ax 2 + bx + c es (ax 2 + bx + c) = ax 2 bx c. De modo análogo se definen P 3 [R], P 4 [R] y en general para cualquier n N, P n [R], elconjunto de los polinomios de grado menor o igual que n (en la indeterminada x) con coeficientes reales. Además esta construcción puede extenderse de nuevo a cualquier cuerpo. De este modo, para un cuerpo K y cualquier n =0, 1, 2, 3... también es posible definir los espacios vectoriales de la forma P n [K], tomando los polinomios de grado menor o igual que n (en la indeterminada x) con coeficientes sobre K. 3. El espacio vectorial de las funciones reales con dominio sobre un conjunto X R: F[X] ={funciones f : X R} (y como caso especial las funciones de una variable con dominio todo R, F = F[R] ={funciones f : R R}) En este espacio vectorial se definen la suma y el producto de escalares por vectores del siguiente modo: si tenemos dos funciones f,g : X R, lafunciónsumaf + g : X R está dada por (f + g)(x) =f(x)+g(x), x X; y si tenemos una función f : X R yunescalarα R se define el producto de ambos como la función α f : X R dada por (α f)(x) =α f(x), x X. Estas operaciones proporcionan a F[X] estructura de espacio vectorial sobre R en el que el vector nulo es la función idénticamente nula: 0:X R, talque0(x) =0, x X es decir, es la que lleva todos los elementos de X al 0; y el vector opuesto de f es la función f, definida por ( f)(x) = f(x), x X 4. El conjunto de los números complejos C = {a + bi : a, b R} donde i es el número imaginario 1, es un espacio vectorial sobre R, donde la suma es la habitual y el producto de escalares por vectores se hace como en R 2,esdecir,yelproductode a + bi C y λ R está dado por El 0 y el opuesto son los mismos que en C. λ(a + bi) =λa + λbi 5. Dados m, n N, las matrices de orden m n con coeficientes sobre K constituyen un K- espacio vectorial con la suma y el producto por escalares coordenada a coordenada (como si fueran vectores). El neutro es la matriz nula, y el opuesto de una matriz dada es la matriz que tiene todos los coeficientes opuestos de la anterior. 5

6 2 Subespacios vectoriales Definición 2.1 Un subconjunto W de un K-espacio vectorial V se dirá que es un subespacio vectorial (o simplemente un subespacio) de V (y lo denotaremos así: W V ) si se cumplen las dos propiedades siguientes: 1. Para todo par de vectores u, v W se tiene que u + v W ;y 2. Para todo vector u W y todo escalar λ K se tiene que λu W. Propiedad: Sea V un espacio vectorial. Entonces: 1. Si W V,entonces(W, +, ) (con las operaciones suma y multiplicación externa heredadas de V )es un K-espacio vectorial. 2. (Caracterización de subespacio) Dado un subconjunto W de V, se tiene que W es un subespacio de V si y sólo si para cada par de vectores u, v W y cada par de escalares λ, μ K, setienequeλu + μv W. 3. Si W V.Entonces0 W. La última de las propiedades anteriores es útil en la práctica para determinar, en algunas ocasiones, que ciertos subconjuntos de un espacio vectorial no son subespacios, pues, en cuanto tengamos un subconjunto del espacio vectorial que no contiene al vector nulo podremos afirmar que no puede ser un subespacio suyo. Ejemplo Consideremos el espacio vectorial V = R 2 y el subconjunto W = {(x, y) tales que 3x y =0} de R 2.Entonces,W es un subespacio de V.Veámoslo. Dados u =(x, y),v =(z, t) W y α, β R, debemos ver que el vector w = αu + βv está en W.Comow = α(x, y)+β(z,t) =(αx + βz,αy + βt) ycomo3x y =0, 3z t =0,setiene que 3(αx + βz) (αy + βt) =α(3x y)+β(3z t) =0.Endefinitiva w W. 2. Sea V = K 3 = {(x, y, z) x, y, z K} yseau = {(x, y, z) z =1}. Entonces U no es un subespacio de V porque el vector nulo de K 3, 0=(0, 0, 0), noestáenu. 3. Sea V = K 2 = {(x, y) x, y K} yseas = {(x, y) y = x 2 }.EntoncesS no es un subespacio de V porque aunque el vector nulo de K 2, 0=(0, 0), estáens, secumpleparaelvector(1, 1) S que 2(1, 1) = (2, 2) / S. 4. Sea V un espacio vectorial. Asociados a V siempre aparecen los llamados subespacios triviales, quesonv y {0}. El primero es claro que es un subespacio vectorial, pues la suma de vectores de V están en V, y el producto de un escalar por un vector de V está de nuevo en V (esto se debe a la definición de suma y producto por escalares en V ). Y el conjunto {0} 6

7 también es un subespacio de V,yaque,lasumadevectoresnulosdadenuevoelvectornulo, así como el producto de cualquier escalar por el vector nulo. El primero está formado por todos los vectores de V y el segundo está formado únicamente por el vector 0. A éstos se les llamará subespacio total y subespacio cero (o subespacio nulo), respectivamente. A este último se le designa (igual que al vector) con el símbolo 0. 3 Sistemas de vectores Un sistema de vectores de un espacio vectorial V es una colección (finita)devectoresv 1,v 2,..., v n de V, en la que pudiera ocurrir que hubiese alguno repetido (de ahí que no empleemos en general el término conjunto de vectores, pues en un conjunto, por definición, no puede haber elementos repetidos). También designaremos a los sistemas de vectores mediante llaves, dejando claro que eso no significa que el sistema sea propiamente un conjunto. Así, no es lo mismo hablar del sistema de vectores {v 1,v 2,...,v n }, que del conjunto de vectores {v 1,v 2,..., v n }, pues en el segundo caso estamos suponiendo además que no hay vectores repetidos. 3.1 Combinaciones lineales. Subespacio generado. Sistema generador Supongamos que tenemos un sistema de vectores v 1,v 2,..., v n de un espacio vectorial V.Dadootro vector v del espacio vectorial, diremos que v es combinación lineal (abreviadamente CL) del sistema (o de los vectores) v 1,v 2,..., v n si para algunos λ 1, λ 2,...λ n K. v = λ 1 v 1 + λ 2 v λ n v n Ejemplo Dados los vectores (0, 1, 2), (3, 0, 1) una de sus CL es el vector 2(0, 1, 2) 1(3, 0, 1) = ( 3, 2, 3) Todas las CL de ellos serán los vectores de la forma para cualquier par de escalares α y β. α(0, 1, 2) + β(3, 0, 1) = (3β, α, 2α + β) 2. Dado cualquier sistema de vectores v 1,v 2,...,v n se tiene que cada v i es CL del sistema. Esto es así porque v i =0 v 1 +0 v v i 1 +1 v i +0 v i v n 7

8 3. El vector nulo es siempre CL de cualquier sistema de vectores {v 1,v 2,..., v n }. Esto se debe a que 0=0 v 1 +0 v v n Dado un sistema de vectores S = {v 1,v 2,..., v n } de un K-espacio vectorial V, podemos coger todos los vectores de V que son CL de los vectores de S, es decir, el siguiente conjunto de vectores: {λ 1 v 1 + λ 2 v λ n v n : λ 1, λ 2,...λ n K} al que denotaremos por < S > ó < v 1,v 2,..., v n > (otros autores utilizan la notación L(S) o L{v 1,v 2,..., v n }). De hecho se tiene que <S>es un subespacio de V. Dados vectores v 1,v 2,..., v n, al subespacio dado anteriormente, <v 1,v 2,..., v n >, lo llamaremos subespacio generado o engendrado por S oporlosvectoresv 1,v 2,..., v n (otros docentes lo llaman envoltura lineal de los vectores v 1,v 2,..., v n ). Ejemplo 3.2 Hallemos el subespacio de R 3 generado por los vectores (2, 0, 3) y ( 1, 1, 0). Éstees < (2, 0, 3), ( 1, 1, 0) >= {α(2, 0, 3) + β( 1, 1, 0) : α, β R} = {(2α β, β, 3α) :α, β R} Diremos que {v 1,v 2,..., v n } es un sistema generador (abreviadamente SG) dev si V =< v 1,v 2,..., v n > Esto ocurre si y sólo si todo vector de V es CL de los vectores v 1,v 2,..., v n. Ejemplo 3.3 Determinar cuáles de los siguientes son SG de R 2 : 1. {(1, 2), ( 1, 1)} Tomemos un vector arbitrario (x, y) de R 2. Veamos si existen escalares a, b R de manera que (x, y) =a(1, 2) + b( 1, 1). Operandoeigualandocoordenadaacoordenadatendríamosque ( x = a b ( ) y =2a + b Sumando estas dos ecuaciones concluiríamos que a = x+y, y sustituyendo en la primera que 3 b = a x = 2x+y. Así, vemos que efectivamente todo vector de R 2 es CL de los vectores 3 iniciales (pues hemos hallado a y b en función de x e y, comprobando que se cumple la igualdad (x, y) =a(1, 2) + b( 1, 1)), lo que prueba que éstos constituyen un SG de R 2. Nota: Habitualmente uno de los métodos más sencillos para ver que el sistema de vectores es un SG es comprobar que el sistema de ecuaciones lineales (*) es un SC. Por ejemplo, analizando los rangos (argumentan do como en el Teorema de Rouché). En nuestro caso la matriz de coeficientes tiene claramente rango 2, y por tanto también la ampliada. Por ello es un SC y por tanto y los vectores consituyen un SG de R 2. 8

9 2. {(1, 3)}. Tomemos nuevamente un vector arbitrario (x, y) de R 2. Veamos si existe algún escalar a R de manera que (x, y) =a(1, 3). Operando e igualando coordenada a coordenada tendríamos que ( x = a ( ) y =3a Las matrices de coeficientes es y ampliada son, respectivamente, Ã! Ã! 1 1 x 3 3 y por lo que su rango vale, para la primera 1, y para la segunda a veces 1 y otras veces 2. Entonces no se cumple que estemos siempre (para todos los valores de x, y) con un SC (cuando el rango de la matriz ampliada es 2 estamos con un SI). Concluimos que no es un SG de R Supongamos que estamos en el espacio vectorial R 2 y tomemos el subespacio U = {(x, y) x +2y =0} de R 2. Veamos si los vectores (2, 1) y ( 2, 1) forman un SG de U. En primer lugar es claro que ambos vectores pertenecen a U. Seguidamente tomemos un vector cualquiera (x, y) U yveamossiescldelosdosvectoresanteriores. Asíveamossiexisten escalares a y b tales que (x, y) =a( 2, 1)+b(2, 1), esdecir,talesquex = 2a+2b e y = a b. Sabemos que x +2y =0,conloquex = 2y = 2a +2b (es decir, la primera ecuación sobra, pues se deduce de la segunda). Entonces es suficiente tomar a y b tales que y = a b. Hemos deducido que los vectores (2, 1) y ( 2, 1) forman un SG de U. Algunas propiedades destacables son las siguientes: Propiedad: Sea V un espacio vectorial. Entonces: 1. Dado un sistema de vectores v 1,v 2,..., v n de V,setienequecadav i pertenece a <v 1,v 2,..., v n >. 2. El subespacio generado por un sistema de vectores no varía si realizamos alguna de las siguientes manipulaciones: (a) Aplicamos las trasformaciones elementales de Gauss. En particular esto es aplicable a un SG de V, es decir, si sobre un SG de V aplicamos alguna de las transformaciones de Gauss (cambiamos de orden los vectores, le añadimos a algún vector algún múltiplo de otro vector del sistema o multiplicamos algún vector por un escalar no nulo) el sistema resultante es de nuevo un SG de V. 9

10 (b) Además de las transformaciones de Gauss, también pueden en un sistema de vectores eliminarse algunos que no aporten más información de la que ya aportan los demás, es decir, si a un sistema de vectores le quitamos uno que sea CL de los demás el sistema resultante es de nuevo un SG de V. Ejemplo 3.4 Consideremos el siguiente subespacio de R 4 : W =< (1, 2, 0, 1), (0, 1, 3, 0), (2, 4, 0, 2), (2, 3, 3, 2), (0, 0, 0, 0), (1, 0, 6, 1) > Hallar un SG de W que tenga el menor número de vectores posibles, escalonando por Gauss. Se deduce de lo anterior que un SG de W es {(1, 2, 0, 1), (0, 1, 3, 0), (2, 3, 3, 2), (1, 0, 6, 1)} Simplemente vamos a escalonar por Gauss dicho sistema y después de eliminar los vectores sobrantes nos quedará el SG pedido de W. Observemos en primer lugar que el tercero puede ser eliminado, pues es el doble del primero, y el penúltimo es el vector nulo y por tanto puede ser también eliminado. A simple vista no es fácil observar más relaciones de dependencia, por lo que los otros cuatro los dispondremos en forma matricial y procederemos a escalonar por Gauss: Ahora le añadimos a la tercera fila 2 veces la primera y a la última le restamos la primera: F 3 2F F 4 F Ahora podemos eliminar la tercera fila, por ser igual que la segunda, y la cuarta, por ser el doble de la segunda, quedándonos como SG de W el siguiente {(1, 2, 0, 1), (0, 1, 3, 0)} 3.2 Dependencia e independencia lineal Un sistema de vectores v 1,v 2,..., v n se dice que es libre, o que los vectores que lo forman son linealmente independientes (LI), cuando la única CL de ellos que da como resultado el vector 0 es la CL en la que todos los escalares son nulos (diremos indistintamente que el sistema o los vectores son LI). Podemos expresarlo así: λ 1 v 1 + λ 2 v λ n v n =0 λ 1 = λ 2 =... = λ n =0 10

11 En caso contrario se dice que el sistema de vectores es ligado, o que los vectores que lo forman son linealmente dependientes (LD) (diremos indistintamente que el sistema o los vectores son LD). Esto ocurre cuando podamos encontrar alguna CL de los vectores que da cero, siendo algún escalar no nulo. Ejemplo Veamos que los vectores u =(0, 3, 4) y v =(1, 2, 3) de R 3 son LI. Para ello supongamos que tenemos alguna CL nula de ellos, es decir, αu + βv =0para ciertos escalares a y β. Entonces tendremos (0, 0, 0) = a(0, 3, 4) + β(1, 2, 3) = (0, 3a, 4a)+(β, 2β, 3β) =(β, 3a +2β, 4a +3β) De aquí deducimos el sistema de ecuaciones β =0 3α +2β =0 4α +3β =0 en las incógnitas α y β, cuya única solución es α = β =0. Nota: Como regla general podemos decir que si el sistema lineal obtenido es SCD entonces al tener solución única y la solución nula es una de ellas, ésta debe ser la única posible. En tal caso (SCD) los vectores serán LI, y en caso contrario (SCI) los vectores serán LD. 2. Consideremos los vectores u 1 =(1, 0, 1), u 2 =( 1, 2, 0) y u 3 =(1, 2, 2) de R 3 ;veamosqueson LD. Para ello supongamos que se tiene alguna CL nula au 1 + bu 2 + cu 3 =0, para ciertos escalares a, b y c. Entonces tendremos (0, 0, 0) = a(1, 0, 1) + b( 1, 2, 0) + c(1, 2, 2) = (a b + c, 2b +2c, a +2c) De aquí deducimos el sistema de ecuaciones a b +c 2b +2c a +2c =0 =0 =0 el cual es SCI. Por tanto los vectores son LD. 3. Veamos que el siguiente sistema de vectores de R 4 es libre: {u =(1, 5, 4, 5),v =(0, 3, 1, 0),w =(0, 0, 2, 5)} Si suponemos que existe una CL de estos vectores que da cero αu + βv + γw =0tenemos que (0, 0, 0, 0) = α(1, 5, 4, 5) + β(0, 3, 1, 0) + γ(0, 0, 2, 5) = (α, 5α +3β, 4α β +2γ, 5α γ) 11

12 De aquí deducimos el sistema de ecuaciones α 5α +3β 4α β +2γ 5α γ cuyas soluciones obtenemos así: en la primera ecuación α =0; sustituyendo esto en la segunda β =0; sustituyendo lo anterior en la tercera o cuarta γ =0. Claramente es un SCD y por ello el sistema de vectores es LI. En los ejemplos anteriores se ha analizado la dependencia o independencia lineal de ciertos sistemas de vectores utilizando sólo la definición. A continuación vamos a ver ciertas propiedades que nos van a permitir dicho análisis de manera más práctica y eficiente. Entre ellas figura, cómo no, las transformaciones de Gauss, las cuáles nos permitirán escalonar el sistema para obtener la respuesta alacuestión. Propiedades: En un espacio vectorial V se tiene que: =0 =0 =0 =0 1. Un sistema escalonado es LI si y sólo si no tiene filas nulas. 2. Las transformaciones de Gauss conservan la dependencia o independencia lineal de un sistema. 3. Todo sistema de vectores que contenga al vector nulo es LD. 4. Todo sistema de vectores que tenga algún vector repetido es LD. 5. Un sistema formado por un sólo vector es un sistema LD si y sólo si el vector es nulo. 6. Los vectores u, v son LD si y sólo si son proporcionales. 7. Los vectores u 1,u 2,..., u n son LD si y sólo si alguno de ellos es CL del resto. 8. Todo sistema de vectores que contenga a un sistema LD es LD. 9. Todo sistema de vectores contenido en un sistema LI es LI. 10. Si un sistema de vectores es LI entonces las CL lineales del sistema no se repiten, es decir, cada vector que es CL del sistema puede ponerse sólo de una forma como CL del sistema. Para determinar si un sistema de vectores de R n es o no LI utilizaremos habitualmente las dos primeras propiedades de la lista. De este modo escalonaremos el sistema mediante las transformaciones de Gauss. Como dichas transformaciones no cambian el carácter del sistema, si originalmente éste era LI el sistema resultante también lo será, y si el del principio era LD el escalonado final también lo será. Entonces si al escalonar nos aparece (no importa que sea al final o en un paso intermedio) el vector nulo el sistema será LD. Por contra si conseguimos escalonar hasta el finalelsistemasinque aparezca el vector nulo, éste será LI. Veámoslo en el siguiente ejemplo: 12

13 Ejemplo 3.6 Veamos si los siguientes vectores de R 5 son LI o LD escalonando el sistema u 1 =(1, 2, 3, 4, 5),u 2 =(0, 2, 3, 4, 5),u 3 =( 1, 0, 0, 0, 0),u 4 =( 3, 0, 0, 4, 1),u 5 =(0, 0, 0, 8, 2) Los ponemos en forma matricial en el orden que creamos conveniente: Le añadimos la primera filaalasegundayquintadelsiguientemodo F 2 3F 1 F 5 + F Ahora observamos que hay relaciones de dependencia. Por ejemplo, las dos últimas filas son iguales. O bien la segunda y tercera son proporcionales. Por tanto los vectores iniciales son LD. Si por el contrario en ninguno de los pasos obtenemos ninguna relación de dependencia, entonces los vectores serían LI. Veamos otro ejemplo: Ejemplo 3.7 Demostremosquelosvectores( 1, 0, 1, 1), (1, 0, 3, 2) y (2, 1, 1, 0) son LI. Para ello hagamos operaciones sobre la matriz cuyas filas son estos vectores: En primer lugar le añadimos la primera fila a la segunda y a la tercera, (a ésta última multiplicada por 2): F 2 + F F 3 +2F Después cambiamos de orden la segunda y tercera filas y obtenemos F 3 F Como en el sistema escalonado de vectores que forman las filasdelamatriznoapareceelvector nulo, se deduce que éstos (y por lo tanto los vectores iniciales) son LI. 13

14 Ejemplo 3.8 Demostremos que los vectores (2, 1, 1, 0), (1, 0, 3, 1) y ( 1, 1, 2, 1) son LD. Para ello hagamos operaciones sobre la matriz cuyas filas son estos vectores: En primer lugar cambiamos de orden las dos primeras filas: F 1 F Despuésleañadimoslaprimerafilaalasegundayalatercera(alasegundamultiplicadapor 2) y obtenemos F 2 2F F 3 + F Ahora le sumamos a la tercera fila la segunda. Nos da F 3 + F Como ha aparecido el vector nulo estamos ante un sistema de vectores LD. 4 Bases y dimensión de un espacio vectorial Definición 4.1 Un sistema de vectores de un espacio vectorial V se dice que es una base de V si es un SG de V yesli. Ejemplo Base canónica. Consideremos en el espacio vectorial R 3 el sistema de vectores {(1, 0, 0), (0, 1, 0), (0, 0, 1)} Es fácil comprobar que este sistema es libre y generador del espacio vectorial: lo primero es inmediato; para lo segundo es suficiente observar que para cualquier vector (x, y, z) se tiene que (x, y, z) =x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) Entonces es una base de R 3, a la que llamaremos base canónica de R 3.Demodoanálogopuede definirse la base canónica en cualquier R n yencualquierk n. Por ejemplo, en K 2 la base canónica sería {(1, 0), (0, 1)}. 14

15 2. El sistema de vectores {(1, 3), (2, 3)} es una base de R 2. LI: Por el método de escalonación basta escalonar la matriz Ã! Ã dejándola así SG: Sea u =(x, y) un vector cualquiera de R 2. Veamos si puede ponerse como CL de nuestros vectores. Para ello deberían existir escalares a y b tales que (x, y) =a(1, 3) + b(2, 3), loque se traduce en el siguiente sistema de ecuaciones en el que las incógnitas son a y b ( x = a +2b y =3a 3b Como es un SC (el rango de la matriz de coeficientes y el de la ampliada vale 2), el vector (x, y) puede ponerse como CL de los vectores (1, 3) y (2, 3), y como esto ocurre para cualquier vector (x, y) R 2, se cumple entonces que los vectores iniciales forman un SG (y al ser LI, por tanto, también una base) de R En el espacio vectorial P 3 [R], delospolinomiosconcoeficientesrealesdegradomenoroigual que 3, el sistema {1,x,x 2,x 3 } es una base. A esta base la llamaremos también base canónica del espacio vectorial P 3 [R]. LI: Si tenemos una CL nula de los vectores 0=α 1+β x + γ x 2 + δ x 3 = α + βx + γx 2 + δx 3 esto se traduce que el polinomio anterior es el polinomio cero, y por tanto sus coeficientes son todos nulos, es decir, α = β = γ = δ =0. SG: Sea p(x) =a+bx+cx 2 +dx 3 un vector cualquiera dep 3 [R]. Estevectorseponeclaramente como CL de {1,x,x 2,x 3 },pues p(x) =a + bx + cx 2 + dx 3 = a 1+b x + c x 2 + d x 3 Tener una base en un espacio vectorial es algo que simplifica mucho las cosas, pues no hace falta trabajar con todos los vectores del espacio vectorial, teniendo en cuenta que éstos se ponen como CL de los vectores de la base. El siguiente resultado nos dice que la existencia de bases es una propiedad de todo espacio vectorial. Teorema 4.3 (Teoremadelabase) Todo espacio vectorial (no nulo) tiene alguna base. Además, todas las bases de un espacio vectorial tienen el mismo número de elementos.! 15

16 Se llama dimensión de un espacio vectorial V al número de elementos de cualquiera de sus bases, y se denotará por dim V. Según lo que hemos visto para las bases canónicas de los espacios vectorialesdelaformar n (o K n ) deducimos que la dimensión de estos espacios vectoriales es n. Diremos que un espacio vectorial tiene dimensión finita cuando sus bases tienen un número finito de elementos, cosa que ocurrirá normalmente en los casos que vamos a tratar. Así, cuando hablemos de un espacio vectorial, salvo que hagamos mención explícita de lo contrario, supondremos que tiene dimensión finita. Observación 4.4 El subespacio nulo es un espacio vectorial que no tiene bases, yaque el único vector que forma parte de él es el vector 0, y éste no puede formar un sistema libre. Esto también puede ser interpretado como que la base del espacio vectorial nulo es el conjunto vacío,. En cualquier caso la dimensión de este espacio vectorial es 0. Sería incorrecto decir que la base de este espacio vectorial está formada por el vector 0. Propiedades: Sea V un espacio vectorial no nulo de dimensión n, yx = {v 1,v 2,..., v k } un sistema de vectores de V. 1. Si X es SG de V entonces existe una base de V contenida en X. Enparticularn k. 2. Si X es un sistema libre de vectores de V entonces existe una base de V que contiene a X. En particular k n. 3. Si k = n, entonces X es una base de V X es un SG de V X es un sistema libre de vectores de V. Observación 4.5 Como consecuencia de estas propiedades se deduce además que la dimensión de un espacio vectorial V es el número máximo de vectores que puede tener un sistema libre de V e igualmente el número mínimo de vectores que puede tener un SG de V. En la práctica normalmente lo que necesitaremos es simplemente hallar una base de V a partir de un SG del espacio, sin necesidad de que la base esté formada exclusivamente por vectores del SG. Un método válido, si estamos en R n, es de nuevo el método de escalonación: Después de escalonar el SG de V los vectores no nulos que queden constituirán una base de V. Se pueden ir quitando durante la escalonación los vectores nulos que vayan apareciendo sin necesidad de esperar hasta el final. Incluso pueden eliminarse los vectores que sean CL de los demás. Ejemplo 4.6 Recordemos el ejemplo 3.6 en el que probábamos que los siguientes vectores de R 5 eran LD u 1 =(1, 2, 3, 4, 5),u 2 =(0, 2, 3, 4, 5),u 3 =( 1, 0, 0, 0, 0),u 4 =( 3, 0, 0, 4, 1),u 5 =(0, 0, 0, 8, 2) Ahora lo que pretendemos es hallar una base del subespacio vectorial de R 5 generado por u 1,u 2,u 3,u 4,u 5. Escalonamos igual que hicimos para comprobar si el sistema era libre o ligado: 16

17 Partiendo de le añadíamos la primera fila a la segunda y quinta del siguiente modo F 2 3F 1 F 5 + F y luego eliminábamos algunos vectores que eran CL de otros: Comolosdosúltimosvectoressonigualessepuedequitar,porejemplo,elquinto. segundo y el tercero son proporcionales quitaremos el tercero. Así nos quedaría la matriz Ahora simplemente intercambiamos los dos últimos vectores para tener escalonada la matriz F 2 F Eso significa que los vectores {( 1, 0, 0, 0, 0), (0, 2, 3, 4, 5), (0, 0, 0, 4, 1)} constituyen una base del subespacio generado por los 5 vectores iniciales. Comoel Sabemos que todo subespacio U de un espacio vectorial V es por sí solo un espacio vectorial, con lo que tendrá una base. Podremos hablar pues de su dimensión, como el número de vectores de cualquiera de sus bases. Veamos en el próximo resultado que entonces la dimensión del subespacio no puede superar la del espacio. Propiedad: Sea V un espacio vectorial (de dimensión finita) y U un subespacio suyo. Entonces dim U dim V.Dehechodim U =dimv si y sólo si U = V. 17

18 4.1 Rango de un sistema de vectores Definición 4.7 Se llama rango de un sistema de vectores v 1,v 2,...,v k a dim <v 1,v 2,...,v k >. Si estamos en R n esto es lo mismo que el rango de la matriz cuyas filas (o columnas) son los vectores. El rango se conserva al realizar cualquier operación que transforme un sistema de vectores en otro que genere lo mismo. Por ejemplo: Propiedades 1. Quitar algún vector que sea CL de los restantes. 2. Las transformaciones de Gauss. Además, dado un sistema formado por k vectores de un espacio vectorial V se tiene que: Propiedades 1. El sistema es LI si y sólo si su rango es k. 2. Es un SG de V si y sólo si su rango es dim V. Ejemplo 4.8 Calculemos el rango del sistema de vectores siguiente {(1, 0, 3, 2), (0, 1, 1, 0), (3, 0, 1, 1), (2, 1, 5, 1)} y deducir si el sistema es LI o SG de R 4. Si lo ponemos en forma de matriz el problema se reduce a calcular el rango de la siguiente matriz lo cual se puede hacer escalonándola. En primer lugar le añadimos la primera filaalatercera (multiplicada por 3) yalacuarta(multiplicada por 2) F 3 3F 1 F 4 2F Seguidamente le sumamos a la cuarta fila la segunda F 4 + F

19 Y por último le restamos la tercera a la cuarta para obtener la siguiente escalonación de la matriz inicial F 4 F lo cual nos indica que el rango es 3 (nos han salido 3 vectores no nulos). Por tanto los vectores no son LI (el rango no es igual al número de vectores, 4) ni constituyen un SG de R 4 (pues el rango no coincide con dim R 4 =4). 4.2 Coordenadas respecto de una base Supongamos que tenemos una base B = {v 1,..., v n } de un espacio vectorial V. Entonces dado un vector u V sabemos que éste puede ponerse como CL de los vectores de la base B, ya que ésta constituye un SG del espacio. Pero al ser además vectores LI esta CL es única. Esto significa que tenemos u = x 1 v x n v n para ciertos escalares x 1,..., x n, que, en ese orden, son únicos cumpliendo la condición anterior. Llamaremos coordenadas del vector u en (o respecto de) la base B a los escalares anteriores (que se suelen poner en forma de vector), y para esto usaremos la notación u B =(x 1,..., x n ) (aunque en algunos textos prefieren poner u = (x 1,..., x n ) B ). El vector anterior es lo que se llama un vector-fila; también se puede poner, si interesa, en forma de vector-columna u B = La necesidad de ponerlo en forma de vector es que interesa que estén ordenados porque importa el orden en que se disponen los escalares. x 1... x n Ejemplo En R 2 cojamos la base B = {(1, 3), (0, 1)} Hallemos las coordenadas del vector (2, 5) en la base B. Sabemos que son los escalares x, y que cumplen que (2, 5) = x(1, 3) + y(0, 1) = (x, 3x y) De aquí deducimos el sistema de ecuaciones ( 2= x 5= 3x y 19

20 cuya solución es x =2,y = 11. De este modo obtenemos que las coordenadas de (2, 5) en la base B son (2, 11). 2. Las coordenadas del vector nulo son todas nulas. Esto es así porque para cualquier base B = {v 1,v 2,..., v n }. (0,..., 0) = 0 v 1 +0 v v n 3. Si tenemos una base B = {v 1,v 2,..., v n } de un espacio vectorial entonces las coordenadas en B de los propios vectores de la base son las siguientes: (v 1 ) B =(1, 0,..., 0), (v 2 ) B =(0, 1, 0,...,0),..., (v n ) B =(0, 0,..., 0, 1) 4. Si estamos en los espacios vectoriales de la forma R n y tomamos como base B la canónica, las coordenadas de un vector v R n en esta base son precisamente las componentes del vector, es decir, Esto es así porque v =(x 1,..., x n ) v B = x 1... x n (x 1,..., x n )=x 1 (1, 0,..., 0) + x 2 (0, 1,...,0) x n (0, 0,..., 1) 5. Dada la base de R 2 yelvectorv R 2 tal que v B B = {(4, 3), ( 5, 0)} =(3, 2) se tiene que v =3 (4, 3) 2 ( 5, 0) = (22, 9) 4.3 Cambio de base Supongamos que tenemos dos bases B = {v 1,v 2,...,v n } y B 0 de un mismo espacio vectorial V (con dim V = n). Lo que pretendemos es, dado un vector u V, relacionar las coordenadas de u en B con las coordenadas de u en B 0.Llamaremosmatriz cambio de base de B a B 0 (y la denotaremos por M B B 0 ó C B B 0) a aquélla cuyas columnas son las coordenadas de los vectores de la base B respecto de B 0. Esto es, si (v 1 ) B 0 =(a 11,a 21,..., a n1 ), (v 2 ) B 0=(a 12,a 22,..., a n2 ),..., (v n ) B 0 =(a 1n,a 2n,..., a nn ) entonces a 11 a a 1n a 21 a a 2n M B B 0 = a n1 a n2... a nn 20

21 La matriz cambio de base nos relaciona las coordenadas de un vector en ambas bases. Concretamente, si tomamos un vector u V se cumple la siguiente relación matricial u B 0 = M B B 0 u B Poniendo u B = x 1... x n u B 0 = la relación matricial anterior se traduce en el sistema de ecuaciones x x 0 n x 0 1 = a 11 x 1 + a 12 x a 1n x n x 0 2 = a 21 x 1 + a 22 x a 2n x n... x 0 n = a n1 x 1 + a n2 x a nn x n aloquedenominaremosecuaciones cambio de base de B a B 0. Ejemplo 4.10 En R 2 se consideran las bases B = {(1, 2), (2, 1)} y B 0 = {(1, 3), (0, 1)} de R Hallar tanto la matriz cambio de base como las ecuaciones cambio de base de B a B Dado el vector u R 2 tal que sus coordenadas en B son (3, 3) hallar sus coordenadas en B Dado el vector v R 2 tal que sus coordenadas en B 0 son (2, 0) hallar sus coordenadas en B. Solución: 1. Tenemos que poner los vectores de B en función de los de B 0. En primer lugar (1, 2) = a(1, 3) + b(0, 1) = (a, 3a b), de donde obtenemos el sistema de ecuaciones 1 = a 2 = 3a b en el que obtenemos directamente que a =1,yportantob = 5. Así las coordenadas del vector (1, 2) respecto de la base B 0 son (1, 5). Procedemos igual con el vector ( 2, 1) para llegar a la igualdad (2, 1) = c(1, 3) + d(0, 1) = (c, 3c d), de donde obtenemos el sistema de ecuaciones 2 = c 1 = 3c d en el que deducimos que c =2yportantod = 5. Así las coordenadas del vector (2, 1) respecto de la base B 0 son (2, 5). EntonceslamatrizcambiodebasedeB a B 0 es Ã! 1 2 M B B 0 =

22 Concluimos que las ecuaciones cambio de base de B a B 0 son x 0 = x +2y y 0 = 5x 5y 2. Ahora es sencillo calcular u B 0 como el producto Ã! Ã 3 u B 0 = M B B 0 = 3 3 0! También se puede realizar la sustitución x =3, y = 3 en las ecuaciones anteriores y obtener el mismo resultado. 3. Para hallar v B basta con hacer la sustitución x 0 =2, y 0 =0en las ecuaciones anteriores y resolver. Se obtiene entonces que v B =( 2, 2). Ejemplo 4.11 En R 2 se consideran las dos bases B y B 0 para las cuales se conocen las ecuaciones del cambio de base de B a B 0,queson Hallar la matriz la cambio de base de B a B 0. x 0 =3x + y y 0 = 5y Solución: Propiedades: Ã M B B 0 = ! 1. La matriz M B B 0 es invertible y su inversa es M B 0 B. 2. Si C es la base canónica entonces las columnas de M B C son los vectores de la base B. 3. M B1 B 3 = M B2 B 3 M B1 B 2 4. Como caso particularmente útil del anterior destaquemos la situación en que B 2 es la base canónica C de R n, pues en ese caso la fórmula queda así M B1 B 3 =(M B3 C ) 1 M B1 C Ejemplo En R 3 si denominamos por C alabasecanónicaytenemoslabase B = {(1, 2, 3), (0, 1, 3), (0, 0, 4)} entonces M B C =

23 2. En R 2 si denominamos por C a la base canónica y disponemos de las bases B = {(1, 2), (0, 1)} y B 0 = {(1, 0), (1, 1)} (que hacen el papel, en la fórmula dada en la última propiedad anterior, de B 1 y B 3, respectivamente) se tiene que M B B 0 =(M B 0 C ) 1 M B C Como à M B C = ! à M B 0 C = necesitamos hallar la inversa de la última matriz. Basta realizar un sencillo cálculo (por ejemplo mediante Gauss-Jordan basta con añadirle a la primera 1 por la segunda) para obtener que Ã! (M B 0 C ) = 0 1! Entonces concluimos que M B B 0 = à ! à ! à = ! 5 Ecuaciones de los subespacios Supongamos que estamos en el espacio vectorial R n. Supongamos ahora que tenemos un subespacio U de R n con una base u 1,..., u k (aunque también es posible tomar un SG) de U. Si tenemos un vector v R n,paraquev pertenezca a U debe ocurrir que este vector sea CL de los vectores u 1,..., u k, es decir, deben existir escalares α 1,..., α k tales que v = α 1 u α k u k. Suponiendo que v =(x 1,..., x n ) yqueu i =(a 1i,..., a ni ) para cada i =1, 2,..., k, e igualando coordenada a coordenada, tendremos un sistema de ecuaciones de la forma ( ) x 1 = a 11 α 1 + a 12 α a 1k α k x 2 = a 21 α 1 + a 22 α a 2k α k... x n = a n1 α 1 + a n2 α a nk α k A éstas las llamaremos ecuaciones paramétricas de U. A los escalares α 1,..., α k que aparecen en ellas se les llamará parámetros (son los números mediante los cuales se obtiene cada una de las incógnitas x 1,x 2,..., x n como CL de ellos). Finalmente, si eliminamos de forma adecuada los parámetros de estas ecuaciones, nos aparecerán lo que llamaremos ecuaciones implícitas de U, lo cual se puede hacer de modo similar al que empleábamos para escalonar un sistema de vectores, sólo 23

24 que aquí escalonando los parámetros en las ecuaciones. Quedaría un sistema de la forma c 11 x 1 + c 12 x c 1n x n = b 11 α 1 + b 12 α b 1k α k c 21 x 1 + c 22 x c 2n x n = b 22 α b 2k α k... c k1 x 1 + c k2 x c kn x n = b kk α k d 11 x 1 + d 12 x d 1n x n = 0 d 12 x 1 + d 22 x d 2n x n = 0... d s1 x 1 + d s2 x d sn x n = 0 donde las últimas s ecuaciones serían las ecuaciones implícitas d 11 x 1 + d 12 x d 1n x n =0 d 12 x 1 + d 22 x d 2n x n =0... d s1 x 1 + d s2 x d sn x n =0 (notar que k + s = n). Éstas se caracterizan porque son de la forma CL de las coordenadas x 1,..., x n igualadas a 0 (lo que se conoce como ecuaciones lineales homogéneas). En ellas no aparece ningún parámetro. Observación Es conveniente indicar que un mismo subespacio puede estar representado por diferentes bases, y por lo tanto por diferentes ecuaciones paramétricas o diferentes ecuaciones implícitas. 2. Cuando pasemos base a implícitas o viceversa, puede venir bien la comprobación de si los vectores de la base (iniciales u obtenidos después) verifican las ecuaciones implícitas. 3. Dado U K n si llamamos A alamatrizdecoeficientes del sistema de ecuaciones implícitas de U debe cumplirse que dim U + r(a) =n Además, como U es el subespacio formado por los vectores que son solución del sistema de ecuaciones lineales cuya matriz de coeficientes es A, se tiene que U =kera. Ejemplo 5.2 Consideremos el siguiente subespacio de R 3 U =< (1, 0, 3), ( 1, 2, 2) > Vamos a hallar las ecuaciones paramétricas e implícitas de U. Tenemos, pues, dado el subespacio mediante un SG {(1, 0, 3), ( 1, 2, 2)} 24

25 el cual es una base (como puede fácilmente comprobarse). Cojamos un vector genérico (x, y, z) R 3 e impongamos la condición de que pertenece a U. Entonces deben existir escalares λ, μ tales que (x, y, z) =λ(1, 0, 3) + μ( 1, 2, 2), y esto se traduce en el sistema de ecuaciones paramétricas de U x = λ μ y =2μ z =3λ 2μ Para pasar ahora a implícitas eliminemos los parámetros λ y μ. Fijamos, por ejemplo, la primera ecuación en la que utilizamos el parámetro λ y se la añadimos multiplicada por un escalar a cada una de las demás ecuaciones (para eliminar λ de éstas), entonces tenemos ( y =2μ z 3x = μ (hemos añadido a la tercera ecuación 3 veces la primera y a la segunda, 0 veces). Ahora fijamos la última ecuación, y con objeto de eliminar μ de la otra le añadimos a ésta la última multiplicada por 2, y nos queda 6x + y 2z =0 que es la (única, en este caso) ecuación implícita de U. Aunque no es obligatorio, es sencillo comprobar que los dos vectores que había en la base de U, (1, 0, 3) y ( 1, 2, 2), cumplen la ecuación. Ejemplo 5.3 Consideremos el siguiente subespacio de R 3 U =< ( 2, 4, 1) > El vectir dado constituye una base de U. Obtenemos el sistema de ecuaciones paramétricas de U x = 2λ y =4λ z = λ Utilizando la última ecuación podemos eliminar el parámetro λ de las demás (añadimos a la primera 2 veces la tercera y a la segunda, 4 veces). Entonces tenemos ( x +2z =0 y 4z =0 Éstas son las dos ecuaciones implícitas de U. Aunque no es obligatorio, es sencillo comprobar que el vector que había en la base de U, ( 2, 4, 1), cumple las dos ecuaciones implícitas. Se pueden obtener las ecuaciones implícitas de un subespacio U directamente a partir de una base suya sin tener que obtener las ecuaciones paramétricas. Veámoslo en el siguiente ejemplo: 25

26 Ejemplo 5.4 Consideremos el siguiente subespacio de R 4 U =< (1, 0, 3, 2), (0, 1, 1, 0) > Vamos a hallar las ecuaciones implícitas de U. Construimos la matriz 1 0 x 0 1 y 3 1 z 2 0 t la cual vamos a escalonar (observemos que se ponen los vectores por columnas, estando al final la columna de las incógnitas; todo esto aunque las operaciones las vayamos a hacer como siempre por filas. En este caso no es que estemos mezclando operaciones por filas y columnas, es solamente que estamos realizando matricialmente las operaciones con los coeficientes de las ecuaciones paramétricas, en vez de operar con éstas directamente). En primer lugar le añadimos a la tercera fila 3 veces la primera, y a la cuarta 2 veces la primera, resultando x y z 3x t 2x Seguidamente le sumamos a la tercera fila la segunda y sale 1 0 x 0 1 y 0 0 z 3x + y 0 0 t 2x De aquí deducimos que las ecuaciones implícitas de U son z 3x + y =0 t 2x =0 Hemosvistocómoobtenerlasecuacionesparamétricasapartirdeunabase(ounSG)delsubespacio, y cómo llegar a las ecuaciones implícitas a partir de las paramétricas. Nos faltan los dos pasos inversos. Comencemos pasando de paramétricas a base (o SG): Básicamente consiste en invertir los pasos que se han hecho para obtener las ecuaciones paramétricas partiendo de una base. A partir de un sistema de ecuaciones paramétricas como el siguiente x 1 = a 11 α 1 + a 22 α a 1k α k x 2 = a 21 α 1 + a 22 α a 2k α k... x n = a n1 α 1 + a n2 α a nk α k 26

27 podemos obtener la siguiente relación (x 1,..., x n )=α 1 (a 11,..., a n1 )+α 2 (a 12,..., a n2 ) α k (a 1k,..., a nk ) de donde deducimos que un SG de U (no necesariamente una base, pero del cual sabemos cómo extraerla) sería {u 1 =(a 11,..., a n1 ),u 2 =(a 12,..., a n2 ),..., u k =(a 1k,..., a nk )} es decir, serían los vectores {u 1,u 2,...,u k }. El paso de implícitas a paramétricas se basa en utilizar el método de Gauss para triangularizar el sistema de ecuaciones. Recordemos que el método consiste en, operando de forma adecuada, obtener un sistema escalonado (de un modo bastante similar al que empleamos con sistemas escalonados de vectores). Este sistema tendrá una matriz de coeficientes escalonada. De hecho se puede obtener una matriz escalonada con diagonal principal no nula (salvo las filas completamente nulas). Una vez con esta disposición, a los coeficientes de la diagonal principal los llamaremos pivotes los cuales se corresponderán con determinadas incógnitas del sistema. Cada una de éstas aparecerá en primer lugar en alguna de las ecuaciones. Entonces se eligen como parámetros precisamente las restantes incógnitas, para seguidamente despejar el resto de incógnitas en función de los parámetros. Ejemplo Hallar una base y las ecuaciones implícitas del subespacio de R 3 x = α β U 1 : y =3α +2β z =5α Una base es {(1, 3, 5), ( 1, 2, 0)} Las ecuaciones implícitas resultan de escalonar (en esta ocasión cambio el orden de los parámetros): x = β + α y =2β +3α z =5α E 2 +2E 1 x = β + α y +2x =5α z =5α E 3 E 2 x = β + α y +2x =5α z y 2x =0 Luego ya tenemos la ecuación implícita de U 1 {z y 2x =0 27

28 2. Hallar una base y las ecuaciones implícitas del subespacio de R 3 x = 3α U 2 : y =0 z = α Una base es {( 3, 0, 1)} Las ecuaciones implícitas resultan de escalonar (en esta ocasión cambio el orden de las ecuaciones): z = α E 1 E 3 y =0 x = 3α E 3 +3E 1 Luego ya tenemos las ecuaciones implícitas de U 2 ( y =0 x +3z =0 z = α y =0 x +3z =0 3. Consideremos el siguiente subespacio de R 4 ( x y +3t =0 U 3 : 2x y z +5t =0 dado en ecuaciones implícitas. Vamos a hallar las ecuaciones paramétricas y una base de U 3. Utilizaremos el método de Gauss. Fijando la primera ecuación vamos a proceder a eliminar la incógnita x del resto de ecuaciones, en este caso de la segunda. Basta con añadirle a la segunda 2 veces por la primera. Entonces obtenemos el sistema ( x 2y +3t =0 y z t =0 el à cual está ya escalonado,! (esto se observa porque la matriz de los coeficientes resultante está escalonada). En la primera ecuación la incógnita que figura en primer lugar es x, enlasegundaesy, luego elegimos como parámetros a las dos últimas incógnitas z, t. Entonces obtenemos x 2y = 3t, y = z+t. De la última obtenemos que x = 2y 3t = 2z t. Así tendremos las ecuaciones paramétricas de U 3 x =2z t y = z + t obien,siponemosz = α, t = β, z = z t = t 28 x =2α β y = α + β z = α t = β

29 El paso de paramétricas a una base es sencillo pues, agrupando en forma de vector tendremos (x, y, z, t) =(2z,z,z,0) + ( t, t, 0,t)=z(2, 1, 1, 0) + t( 1, 1, 0, 1) Esto prueba que {(2, 1, 1, 0), ( 1, 1, 0, 1)} es un SG de U 3. Habiendo elegido el método de triangulación de Gauss para pasar de implícitas a paramétricas, está asegurado que este SG será una base del subespacio. (En el caso en que hagamos el paso de paramétricas a un SG de modo directo (sin partir de las implícitas) lo que obtenemos será un SG, que no puede asegurarse que sea base. En tal caso basta con sacar una base a partir de él.) 4. Consideremos el siguiente subespacio de R 3 U 4 : {2x y +3z =0 dado en ecuaciones implícitas. Vamos a hallar las ecuaciones paramétricas y una base de U 4. Al emplear en este caso el método de Gauss, como sólo hay una ecuación (una fila) el sistema ya está escalonado. Por tanto sólo hay un pivote, que se dejará a la izquierda. Por ejemplo nos interesa quedarnos con la incógnita y a la izquierda, dejando las demás como parámetros. Así quedará x = x y =2x +3z z = z obien,siponemosx = α, z = β, x = α y =2α +3β z = β El paso de paramétricas a una base es sencillo pues, agrupando en forma de vector tendremos (x, y, z) =(α, 2α, 0) + (0, 3β, β) =α(1, 2, 0) + β(0, 3, 1) Esto prueba que {(1, 2, 0), (0, 3, 1)} es un SG de U 4, el cual es una base como sucede con el ejemplo anterior. 5. Consideremos el siguiente subespacio de R 3 x y + z =0 U 5 : x +2y +3z =0 x + y + z =0 dado en ecuaciones implícitas. Vamos a hallar las ecuaciones paramétricas y una base de U 5. Al emplear en este caso el método de Gauss, sumamos la primera ecuación a las otras dos. Obtenemos U 5 : x y + z =0 y +4z =0 2z =0 29

30 De la tercera ecuación concluimos que z =0. Al sustituir esto en la segunda vemos que y =0. Finalmente deducimos de la primera que x =0.Asíquedará x =0 y =0 z =0 Éstas serían las ecuaciones paramétricas (ojo: sin parámetros). Y no obtendríamos base, pues no sale ningún parámetro. Todas estas peculiaridades se dan porque U 5 =0, el subespacio nulo. 6. Consideremos el siguiente subespacio de R 4 U 6 : ( x y +3t =0 x 2y +5t =0 dado en ecuaciones implícitas. Vamos a hallar las ecuaciones paramétricas y una base de U 6. Utilizaremos el método de Gauss. Fijando la primera ecuación vamos a proceder a eliminar la incógnita x del resto de ecuaciones, en este caso de la segunda. Basta con restarle a la segunda la primera. Entonces obtenemos el sistema ( U 6 : x y +3t =0 y +2t =0 el cual está ya escalonado. Dejamos x e y en la parte izquierda, las cuales quedarán en función de los parámetros. Ahora obtenemos que ( x y = 3t U 6 : y = 2t Obtenemos que y =2t, para después sustituir en la ecuación superior y deducir que x = y 3t = 2t 3t = t. Así conseguimos las siguientes ecuaciones paramétricas de U 6 x = t y =2t z = z t = t El paso de paramétricas a una base es sencillo pues, agrupando en forma de vector tendremos (x, y, z, t) =(0, 0,z,0) + ( t, 2t, 0,t)=z(0, 0, 1, 0) + t( 1, 2, 0, 1) Esto prueba que {(0, 0, 1, 0), ( 1, 2, 0, 1)} es un SG de U 6. Y al ser LI, constituye además una base del subespacio. Nota: Es importante destacar en este ejemplo que la variable z, a pesar de no aparecer en las ecuaciones implícitas, no tiene valor nulo, sino el de un parámetro. 30

Tema 3. Espacios vectoriales

Tema 3. Espacios vectoriales Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

Tema 4: Aplicaciones lineales

Tema 4: Aplicaciones lineales Tema 4: Aplicaciones lineales Definición, primeras propiedades y ejemplos Definición. Sean V y W dos espacios vectoriales sobre un cuerpo K. Una función f : V W se dice que es una aplicación lineal si

Más detalles

Espacios vectoriales y aplicaciones lineales

Espacios vectoriales y aplicaciones lineales Capítulo 3 Espacios vectoriales y aplicaciones lineales 3.1 Espacios vectoriales. Aplicaciones lineales Definición 3.1 Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea K un

Más detalles

Tema 2. Aplicaciones lineales y matrices.

Tema 2. Aplicaciones lineales y matrices. Tema 2 Aplicaciones lineales y matrices. 1 Índice general 2. Aplicaciones lineales y matrices. 1 2.1. Introducción....................................... 2 2.2. Espacio Vectorial.....................................

Más detalles

1. ESPACIOS VECTORIALES

1. ESPACIOS VECTORIALES 1 1. ESPACIOS VECTORIALES 1.1. ESPACIOS VECTORIALES. SUBESPACIOS VECTORIALES Denición 1. (Espacio vectorial) Decimos que un conjunto no vacío V es un espacio vectorial sobre un cuerpo K, o K-espacio vectorial,

Más detalles

Tema 3: Producto escalar

Tema 3: Producto escalar Tema 3: Producto escalar 1 Definición de producto escalar Un producto escalar en un R-espacio vectorial V es una operación en la que se operan vectores y el resultado es un número real, y que verifica

Más detalles

Subespacios vectoriales en R n

Subespacios vectoriales en R n Subespacios vectoriales en R n Víctor Domínguez Octubre 2011 1. Introducción Con estas notas resumimos los conceptos fundamentales del tema 3 que, en pocas palabras, se puede resumir en técnicas de manejo

Más detalles

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases.

Tema III. Capítulo 2. Sistemas generadores. Sistemas libres. Bases. Tema III Capítulo 2 Sistemas generadores Sistemas libres Bases Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 2 Sistemas generadores Sistemas libres Bases 1 Combinación lineal

Más detalles

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.

BASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases. BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades

Más detalles

Estructuras algebraicas

Estructuras algebraicas Tema 2 Estructuras algebraicas básicas 2.1. Operación interna Definición 29. Dados tres conjuntos A, B y C, se llama ley de composición en los conjuntos A y B y resultado en el conjunto C, y se denota

Más detalles

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN

ESPACIO VECTORIAL ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN Tema 5.- ESPACIOS VECTORIALES ESPACIO VECTORIAL SUBESPACIO VECTORIAL BASE Y DIMENSIÓN N DE UN ESPACIO VECTORIAL Fundamentos Matemáticosde la Ingeniería 1 Aunque históricamente el primer trabajo de Álgebra

Más detalles

4. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

4. ESPACIOS VECTORIALES Y APLICACIONES LINEALES Espacios Vectoriales y Aplicaciones Lineales 4. ESPACIOS VECTORIALES Y APLICACIONES LINEALES SUMARIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRICA 1.- Espacios Vectoriales..- Propiedades de un Espacio Vectorial..-

Más detalles

1 Espacios y subespacios vectoriales.

1 Espacios y subespacios vectoriales. UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Espacios vectoriales y sistemas de ecuaciones 1 Espacios y subespacios vectoriales Definición 1 Sea V un conjunto

Más detalles

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS 2 Í N D I C E CAPÍTULO MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES MATRICES. MATRIZ. DEFINICIÓN 2. ALGUNOS

Más detalles

Repaso de matrices, determinantes y sistemas de ecuaciones lineales

Repaso de matrices, determinantes y sistemas de ecuaciones lineales Tema 1 Repaso de matrices, determinantes y sistemas de ecuaciones lineales Comenzamos este primer tema con un problema de motivación. Problema: El aire puro está compuesto esencialmente por un 78 por ciento

Más detalles

Espacios vectoriales y Aplicaciones lineales

Espacios 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 detalles

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR}

Ejemplo 1.2 En el capitulo anterior se demostró que el conjunto. V = IR 2 = {(x, y) : x, y IR} Subespacios Capítulo 1 Definición 1.1 Subespacio Sea H un subconjunto no vacio de un espacio vectorial V K. Si H es un espacio vectorial sobre K bajo las operaciones de suma y multiplicación por escalar

Más detalles

E 1 E 2 E 2 E 3 E 4 E 5 2E 4

E 1 E 2 E 2 E 3 E 4 E 5 2E 4 Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),

Más detalles

1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS

1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS 1 1. SOLUCIONES A LOS EJERCICIOS PROPUESTOS 1.1. ESPACIOS VECTORIALES 1. Analizar cuáles de los siguientes subconjuntos de R 3 son subespacios vectoriales. a) A = {(2x, x, 7x)/x R} El conjunto A es una

Más detalles

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario)

Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES. ÁLGEBRA PARA INGENIEROS (Solucionario) Capitán de fragata ingeniero AGUSTÍN E. GONZÁLEZ MORALES ÁLGEBRA PARA INGENIEROS (Solucionario) 2 Í N D I C E CAPÍTULO : MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES CAPÍTULO 2: ESPACIOS VECTORIALES

Más detalles

Espacios vectoriales. Bases. Coordenadas

Espacios vectoriales. Bases. Coordenadas Capítulo 5 Espacios vectoriales. Bases. Coordenadas OPERACIONES ENR n Recordemos que el producto cartesiano de dos conjuntos A y B consiste en los pares ordenados (a,b) tales que a A y b B. Cuando consideramos

Más detalles

Problemas de Álgebra Lineal Espacios Vectoriales

Problemas de Álgebra Lineal Espacios Vectoriales Problemas de Álgebra Lineal Espacios Vectoriales 1. Estudia cuáles de los siguientes subconjuntos son subespacios de R n para el n que corresponda: i) S 1 = {(x, y, z, t) R 4 x + y + z + t = b} siendo

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

Clase 15 Espacios vectoriales Álgebra Lineal

Clase 15 Espacios vectoriales Álgebra Lineal Espacios vectoriales Clase 5 Espacios vectoriales Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia En esta sección estudiaremos uno de los conceptos

Más detalles

Cómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1

Cómo?: Resolviendo el sistema lineal homógeneo que satisfacen las componentes de cualquier vector de S. x4 = x 1 x 3 = x 2 x 1 . ESPACIOS VECTORIALES Consideremos el siguiente subconjunto de R 4 : S = {(x, x 2, x 3, x 4 )/x x 4 = 0 x 2 x 4 = x 3 a. Comprobar que S es subespacio vectorial de R 4. Para demostrar que S es un subespacio

Más detalles

Tema 2 ESPACIOS VECTORIALES

Tema 2 ESPACIOS VECTORIALES Tema 2 ESPACIOS VECTORIALES Prof. Rafael López Camino Universidad de Granada 1 Espacio vectorial Definición 1.1 Un espacio vectorial es una terna (V, +, ), donde V es un conjunto no vacío y +, son dos

Más detalles

Espacios Vectoriales

Espacios Vectoriales Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................

Más detalles

Anexo 1: Demostraciones

Anexo 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 detalles

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.

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. Tema 1 Matrices Estructura del tema. Conceptos básicos y ejemplos Operaciones básicas con matrices Método de Gauss Rango de una matriz Concepto de matriz regular y propiedades Determinante asociado a una

Más detalles

CAPÍTULO II. 2 El espacio vectorial R n

CAPÍTULO II. 2 El espacio vectorial R n CAPÍTULO II 2 El espacio vectorial R n A una n upla (x 1, x 2,..., x n ) de números reales se le denomina vector de n coordenadas o, simplemente, vector. Por ejemplo, el par ( 3, 2) es un vector de R 2,

Más detalles

Fascículo 2. Álgebra Lineal. Cursos de grado. Gabriela Jeronimo Juan Sabia Susana Tesauri. Universidad de Buenos Aires

Fascículo 2. Álgebra Lineal. Cursos de grado. Gabriela Jeronimo Juan Sabia Susana Tesauri. Universidad de Buenos Aires Fascículo 2 Cursos de grado ISSN 1851-1317 Gabriela Jeronimo Juan Sabia Susana Tesauri Álgebra Lineal Departamento de Matemática Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires 2008

Más detalles

Cambio de representaciones para variedades lineales.

Cambio de representaciones para variedades lineales. Cambio de representaciones para variedades lineales 18 de marzo de 2015 ALN IS 5 Una variedad lineal en R n admite dos tipos de representaciones: por un sistema de ecuaciones implícitas por una familia

Más detalles

SISTEMAS DE ECUACIONES LINEALES

SISTEMAS DE ECUACIONES LINEALES Capítulo 7 SISTEMAS DE ECUACIONES LINEALES 7.1. Introducción Se denomina ecuación lineal a aquella que tiene la forma de un polinomio de primer grado, es decir, las incógnitas no están elevadas a potencias,

Más detalles

Segundo de Bachillerato Geometría en el espacio

Segundo de Bachillerato Geometría en el espacio Segundo de Bachillerato Geometría en el espacio Jesús García de Jalón de la Fuente IES Ramiro de Maeztu Madrid 204-205. Coordenadas de un vector En el conjunto de los vectores libres del espacio el concepto

Más detalles

E. T. S. de Ingenieros Industriales Universidad Politécnica de Madrid. Grado en Ingeniería en Tecnologías Industriales. Grado en Ingeniería Química

E. T. S. de Ingenieros Industriales Universidad Politécnica de Madrid. Grado en Ingeniería en Tecnologías Industriales. Grado en Ingeniería Química E. T. S. de Ingenieros Industriales Universidad Politécnica de Madrid Grado en Ingeniería en Tecnologías Industriales Grado en Ingeniería Química Apuntes de Álgebra ( Curso 2014/15) Departamento de Matemática

Más detalles

Espacios generados, dependencia lineal y bases

Espacios generados, dependencia lineal y bases Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................

Más detalles

VECTORES EN EL ESPACIO. 1. Determina el valor de t para que los vectores de coordenadas sean linealmente dependientes.

VECTORES EN EL ESPACIO. 1. Determina el valor de t para que los vectores de coordenadas sean linealmente dependientes. VECTORES EN EL ESPACIO. Determina el valor de t para que los vectores de coordenadas (,, t), 0, t, t) y(, 2, t) sean linealmente dependientes. Si son linealmente dependientes, uno de ellos, se podrá expresar

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Concepto de aplicación lineal T : V W Definición: Si V y W son espacios vectoriales con los mismos escalares (por ejemplo, ambos espacios vectoriales reales o ambos espacios vectoriales

Más detalles

Dependencia lineal de vectores y sus aplicaciones a la resolución de sistemas de ecuaciones lineales y de problemas geométricos.

Dependencia lineal de vectores y sus aplicaciones a la resolución de sistemas de ecuaciones lineales y de problemas geométricos. Dependencia lineal de vectores y sus aplicaciones a la resolución de sistemas de ecuaciones lineales y de problemas geométricos. Prof. D. Miguel Ángel García Hoyo. Septiembre de 2011 Dependencia lineal

Más detalles

4 APLICACIONES LINEALES. DIAGONALIZACIÓN

4 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 detalles

Aplicaciones lineales

Aplicaciones lineales Capítulo 4 Aplicaciones lineales 4.1. Introduccción a las aplicaciones lineales En el capítulo anterior encontramos la aplicación de coordenadas x [x] B que asignaba, dada una base del espacio vectorial,

Más detalles

MATEMÁTICAS I TEMA 1: Espacios Vectoriales. 1 Definición de espacio vectorial. Subespacios

MATEMÁTICAS I TEMA 1: Espacios Vectoriales. 1 Definición de espacio vectorial. Subespacios Sonia L. Rueda ETS Arquitectura. UPM Curso 2007-2008. 1 MATEMÁTICAS I TEMA 1: Espacios Vectoriales 1 Definición de espacio vectorial. Subespacios Dados dos conjuntos V y K se llama ley de composición externa

Más detalles

1. Cambios de base en R n.

1. Cambios de base en R n. er Curso de Ingeniero de Telecomunicación. Álgebra. Curso 8-9. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema 5. Cambios de Base. Aplicaciones Lineales. Teoría y Ejercicios Resueltos..

Más detalles

Tema 4.- El espacio vectorial R n.

Tema 4.- El espacio vectorial R n. Tema 4- El espacio vectorial R n Subespacios vectoriales de R n Bases de un subespacio Rango de una matriz 4 Bases de R n Cambios de base 5 Ejercicios En este tema estudiamos la estructura vectorial del

Más detalles

Espacio afín. Transformaciones afines y movimientos

Espacio afín. Transformaciones afines y movimientos Capítulo Espacio afín. Transformaciones afines y movimientos. Espacio afín y espacio afín métrico Definición. El espacio afín (tridimensional) está constituido por los siguientes elementos. El espacio

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el capítulo anterior.

Comenzaremos recordando algunas definiciones y propiedades estudiadas en el capítulo anterior. Capítulo 2 Matrices En el capítulo anterior hemos utilizado matrices para la resolución de sistemas de ecuaciones lineales y hemos visto que, para n, m N, el conjunto de las matrices de n filas y m columnas

Más detalles

Construcción de bases en el núcleo e imagen de una transformación lineal

Construcción 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 detalles

Matemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales

Matemáticas I: Hoja 3 Espacios vectoriales y subespacios vectoriales Matemáticas I: Hoa 3 Espacios vectoriales y subespacios vectoriales Eercicio 1. Demostrar que los vectores v 1, v 2, v 3, v 4 expresados en la base canónica forman una base. Dar las coordenadas del vector

Más detalles

Formas bilineales y cuadráticas.

Formas bilineales y cuadráticas. Tema 4 Formas bilineales y cuadráticas. 4.1. Introducción. Conocidas las nociones de espacio vectorial, aplicación lineal, matriz de una aplicación lineal y diagonalización, estudiaremos en este tema dos

Más detalles

y λu = Idea. Podemos sumar vectores y multiplicar por un escalar. El resultado vuelve a ser un vector Definición de espacio vectorial.

y λu = Idea. Podemos sumar vectores y multiplicar por un escalar. El resultado vuelve a ser un vector Definición de espacio vectorial. Espacios vectoriales Espacios y subespacios R n es el conjunto de todos los vectores columna con n componentes. Además R n es un espacio vectorial. Ejemplo Dados dos vectores de R por ejemplo u = 5 v =

Más detalles

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades:

Nota 1. Los determinantes de orden superior a 3 se calculan aplicando las siguientes propiedades: Capítulo 1 DETERMINANTES Definición 1 (Matriz traspuesta) Llamaremos matriz traspuesta de A = (a ij ) a la matriz A t = (a ji ); es decir la matriz que consiste en poner las filas de A como columnas Definición

Más detalles

Valores propios y vectores propios

Valores propios y vectores propios Capítulo 6 Valores propios y vectores propios En este capítulo investigaremos qué propiedades son intrínsecas a una matriz, o su aplicación lineal asociada. Como veremos, el hecho de que existen muchas

Más detalles

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n.

1 v 1 v 2. = u 1v 1 + u 2 v 2 +... u n v n. v n. y v = u u = u 2 1 + u2 2 + + u2 n. Ortogonalidad Producto interior Longitud y ortogonalidad Definición Sean u y v vectores de R n Se define el producto escalar o producto interior) de u y v como u v = u T v = u, u,, u n ) Ejemplo Calcular

Más detalles

Tema 10: Límites y continuidad de funciones de varias variables

Tema 10: Límites y continuidad de funciones de varias variables Tema 10: Límites y continuidad de funciones de varias variables 1 Funciones de varias variables Definición 1.1 Llamaremos función real de varias variables atodafunciónf : R n R. Y llamaremos función vectorial

Más detalles

4 Aplicaciones Lineales

4 Aplicaciones Lineales Prof Susana López 41 4 Aplicaciones Lineales 41 Definición de aplicación lineal Definición 23 Sean V y W dos espacios vectoriales; una aplicación lineal f de V a W es una aplicación f : V W tal que: 1

Más detalles

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R.

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R. ALGEBRA LINEAL Héctor Jairo Martínez R. Ana María Sanabria R. SEGUNDO SEMESTRE 8 Índice general. SISTEMAS DE ECUACIONES LINEALES.. Introducción................................................ Conceptos

Más detalles

Espacios vectoriales y aplicaciones lineales.

Espacios vectoriales y aplicaciones lineales. Práctica 2 Espacios vectoriales y aplicaciones lineales. Contenido: Localizar bases de espacios vectoriales. Suma directa. Bases y dimensiones. Cambio de base. Aplicaciones lineales. Matriz asociada en

Más detalles

CAPÍTULO II. 3 El grupo lineal

CAPÍTULO II. 3 El grupo lineal CAPÍTULO II 3 El grupo lineal Como ya se advirtió en el capítulo precedente, los grupos de transformaciones juegan un importante papel en el estudio de la geometría. En esta sección nos ocuparemos de aquellas

Más detalles

EJERCICIOS DE MATEMÁTICAS I HOJA 4. Ejercicio 1. Se consideran los vectores

EJERCICIOS DE MATEMÁTICAS I HOJA 4. Ejercicio 1. Se consideran los vectores EJERCICIOS DE MATEMÁTICAS I HOJA 4 Ejercicio 1. Se consideran los vectores u 1 = (1, 1, 0, 1), u 2 = (0, 2, 1, 0), u 3 = ( 1, 1, 1, 1), u 4 = (2, 2, 1, 0) de R 4. Expresa, si es posible, los vectores u

Más detalles

CUADERNO IV ESPACIOS VECTORIALES Y APLICACIONES LINEALES

CUADERNO IV ESPACIOS VECTORIALES Y APLICACIONES LINEALES 1 CUADERNO IV ESPACIOS VECTORIALES Y APLICACIONES LINEALES Miguel A. Sainz, Joan Serarols, Anna M. Pérez Dep. de Informática y Matemática Aplicada Universidad de Girona RESUMEN: Se va a desarrollar la

Más detalles

VII. Estructuras Algebraicas

VII. Estructuras Algebraicas VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación

Más detalles

CAPÍTULO II. 4 El grupo afín

CAPÍTULO II. 4 El grupo afín CAPÍTULO II 4 El grupo afín En geometría clásica, antes de la aparición de los espacios vectoriales, se hablaba de puntos en lugar de vectores. Para nosotros serán términos sinónimos salvo que, cuando

Más detalles

vectoriales N(f) e Im(f) N(f) = (5,1,0),( 3,0,1) y f(1,0,0)=(2,-1,1). Se pide:

vectoriales N(f) e Im(f) N(f) = (5,1,0),( 3,0,1) y f(1,0,0)=(2,-1,1). Se pide: .- En los siguientes casos estudiar si f es una aplicación lineal y en caso afirmativo hallar una matriz A tal que f(x) Ax, así como los subespacios vectoriales N(f) e Im(f) a) f(x,y) = (x,-y) b) f(x,y)

Más detalles

Tema 3. Aplicaciones lineales. 3.1. Introducción

Tema 3. Aplicaciones lineales. 3.1. Introducción Tema 3 Aplicaciones lineales 3.1. Introducción Una vez que sabemos lo que es un espacio vectorial y un subespacio, vamos a estudiar en este tema un tipo especial de funciones (a las que llamaremos aplicaciones

Más detalles

Vectores en el espacio

Vectores en el espacio Vectores en el espacio Un sistema de coordenadas tridimensional se construye trazando un eje Z, perpendicular en el origen de coordenadas a los ejes X e Y. Cada punto viene determinado por tres coordenadas

Más detalles

MATRICES Y DETERMINANTES

MATRICES Y DETERMINANTES Capítulo 6 MATRICES Y DETERMINANTES 6.. Introducción Las matrices y los determinantes son herramientas del álgebra que facilitan el ordenamiento de datos, así como su manejo. Los conceptos de matriz y

Más detalles

Objetivos: Al inalizar la unidad, el alumno:

Objetivos: Al inalizar la unidad, el alumno: Unidad 3 espacios vectoriales Objetivos: Al inalizar la unidad, el alumno: Describirá las características de un espacio vectorial. Identiicará las propiedades de los subespacios vectoriales. Ejempliicará

Más detalles

elemento neutro y elemento unidad: inversa aditiva (opuesto): para todo λ K 0, existe un único µ K tal que λµ = 1;

elemento neutro y elemento unidad: inversa aditiva (opuesto): para todo λ K 0, existe un único µ K tal que λµ = 1; 3. Espacios Vectoriales 3.1. Definición de espacio vectorial Un cuerpo es una estructura algebraica (K, +, ) formada por un conjunto K no vacio y dos operaciones internas + y que verifican las siguientes

Más detalles

Espacios vectoriales

Espacios vectoriales Espacios vectoriales Problemas teóricos Muchos de estos problemas me los han enseñado mis colegas: profesores Flor de María Correa Romero, Carlos Domínguez Albino, Sergio González Govea, Myriam Rosalía

Más detalles

CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES

CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES CAPÍTULO II. CONTINUIDAD DE FUNCIONES DE VARIAS VARIABLES SECCIONES 1. Dominios y curvas de nivel. 2. Cálculo de ites. 3. Continuidad. 55 1. DOMINIOS Y CURVAS DE NIVEL. Muchos problemas geométricos y físicos

Más detalles

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO)

Tema 1. VECTORES (EN EL PLANO Y EN EL ESPACIO) Vectores Tema. VECTORES (EN EL PLANO Y EN EL ESPACIO Definición de espacio vectorial Un conjunto E es un espacio vectorial si en él se definen dos operaciones, una interna (suma y otra externa (producto

Más detalles

(Ec.1) 2α + β = b (Ec.4) (Ec.3)

(Ec.1) 2α + β = b (Ec.4) (Ec.3) Problema 1. Hallar t R para que el vector x = (3, 8, t) pertenezca al subespacio engendrado por los vectores u = (1, 2, 3) y v = (1, 3, 1). Solución del problema 1. x L{ u, v} si, y sólo si, existen α,

Más detalles

ÁLGEBRA DE MATRICES. Al consejero A no le gusta ninguno de sus colegas como presidente.

ÁLGEBRA DE MATRICES. Al consejero A no le gusta ninguno de sus colegas como presidente. ÁLGEBRA DE MATRICES Página 49 REFLEXIONA Y RESUELVE Elección de presidente Ayudándote de la tabla, estudia detalladamente los resultados de la votación, analiza algunas características de los participantes

Más detalles

Conceptos Básicos de Algebra Lineal y Geometría Multidimensional. Alvaro Cofré Duvan Henao

Conceptos Básicos de Algebra Lineal y Geometría Multidimensional. Alvaro Cofré Duvan Henao Conceptos Básicos de Algebra Lineal y Geometría Multidimensional Alvaro Cofré Duvan Henao ii Índice general 1 Sistemas de ecuaciones lineales 1 11 El método de eliminación de Gauss 3 12 Determinantes 8

Más detalles

Espacios vectoriales con producto interno

Espacios vectoriales con producto interno Capítulo 8 Espacios vectoriales con producto interno En este capítulo, se generalizarán las nociones geométricas de distancia y perpendicularidad, conocidas en R y en R 3, a otros espacios vectoriales.

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.)

Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.) Tema 1 Generalidades sobre Ecuaciones Diferenciales Ordinarias (E.D.O.) 1.1 Definiciones Se llama ecuación diferencial a toda ecuación que contiene las derivadas de una o más variables dependientes respecto

Más detalles

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios }

Ejemplos: Sean los conjuntos: A = { aves} B = { peces } C = { anfibios } La Teoría de Conjuntos es una teoría matemática, que estudia básicamente a un cierto tipo de objetos llamados conjuntos y algunas veces, a otros objetos denominados no conjuntos, así como a los problemas

Más detalles

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V.

Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL. x x1 n. θ y. 1 n x1 n ȳ1 n. Carlos Arce S. William Castillo E. Jorge González V. Universidad de Costa Rica Escuela de Matemática ALGEBRA LINEAL x x x1 n θ y y ȳ1 n 1 n x1 n ȳ1 n Carlos Arce S. William Castillo E. Jorge González V. 2003 Algebra Lineal Carlos Arce S., William Castillo

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Tema 3 Aplicaciones Lineales 3.1 Introducción Se presentan en este tema las aplicaciones entre espacios vectoriales, particularmente las aplicaciones lineales, que de una manera informal pueden definirse

Más detalles

Tema 7: Valores y vectores propios

Tema 7: Valores y vectores propios Tema 7: es y clausura s Espacios y Permutaciones es y clausura Una permutación p = {p 1, p 2,..., p n } de los números {1, 2,..., n} es una nueva ordenación de los elementos {1, 2,..., n}, es decir, un

Más detalles

3 Espacios Vectoriales

3 Espacios Vectoriales Prof. Susana López 31 3 Espacios Vectoriales 3.1 Introducción Un ector fijo en el plano no es más que un segmento orientado en el que hay que distinguir tres características: -dirección: la de la recta

Más detalles

MATEMÁTICAS II. Departamento de Matemáticas I.E.S. A Xunqueira I (Pontevedra)

MATEMÁTICAS II. Departamento de Matemáticas I.E.S. A Xunqueira I (Pontevedra) MATEMÁTICAS II 1 José M. Ramos González Este libro es totalmente gratuito y solo vale la tinta y el papel en que se imprima. Es de libre divulgación y no está sometido a ningún copyright. Tan solo se

Más detalles

Producto Interno y Ortogonalidad

Producto Interno y Ortogonalidad Producto Interno y Ortogonalidad Departamento de Matemáticas, CSI/ITESM 15 de octubre de 2009 Índice 8.1. Contexto................................................ 1 8.2. Introducción...............................................

Más detalles

ÁLGEBRA LINEAL I Soluciones a la Práctica 6

ÁLGEBRA LINEAL I Soluciones a la Práctica 6 ÁLGEBRA LINEAL I Soluciones a la Práctica 6 Aplicaciones lineales (Curso 2009 2010) 1. De las siguientes aplicaciones definidas entre espacios vectoriales reales, determinar cuáles son homomorfismos, monomorfismos,

Más detalles

Análisis III. Joaquín M. Ortega Aramburu

Análisis III. Joaquín M. Ortega Aramburu Análisis III Joaquín M. Ortega Aramburu Septiembre de 1999 Actualizado en julio de 2001 2 Índice General 1 Continuidad en el espacio euclídeo 5 1.1 El espacio euclídeo R n...............................

Más detalles

Notas de Espacios Vectoriales

Notas de Espacios Vectoriales Notas de Espacios Vectoriales José Luis Mancilla Aguilar Depto. de Matemática, Fac. de Ingeniería, Univ. de Buenos Aires jmancil@fi.uba.ar 1 Propósito El objeto de estas notas es repasar las principales

Más detalles

Aplicaciones Lineales

Aplicaciones Lineales Aplicaciones Lineales Primeras definiciones Una aplicación lineal de un K-ev de salida E a un K-ev de llegada F es una aplicación f : E F tal que f(u + v) = f(u) + f(v) para todos u v E f(λ u) = λ f(u)

Más detalles

FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES

FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES FORMA CANONICA DE JORDAN Y ECUACIONES DIFERENCIALES LINEALES A COEFICIENTES CONSTANTES Eleonora Catsigeras 6 de mayo de 997 Notas para el curso de Análisis Matemático II Resumen Se enuncia sin demostración

Más detalles

4.1 El espacio dual de un espacio vectorial

4.1 El espacio dual de un espacio vectorial Capítulo 4 Espacio dual Una de las situaciones en donde se aplica la teoría de espacios vectoriales es cuando se trabaja con espacios de funciones, como vimos al final del capítulo anterior. En este capítulo

Más detalles

3.- DETERMINANTES. a 11 a 22 a 12 a 21

3.- DETERMINANTES. a 11 a 22 a 12 a 21 3.- DETERMINANTES. 3.1. -DEFINICIÓN Dada una matriz cuadrada de orden n, se llama determinante de esta matriz (y se representa por A o deta al polinomio cuyos términos son todos los productos posibles

Más detalles

8. ESPACIOS VECTORIALES Y APLICACIONES LINEALES.

8. ESPACIOS VECTORIALES Y APLICACIONES LINEALES. Prácticas de Matemáticas I y Matemáticas II con DERIVE 8. ESPACIOS VECTORIALES Y APLICACIONES LINEALES. 8.. DEPENDENCIA E INDEPENDENCIA LINEAL DE VECTORES. COMBINACIÓN LINEAL. EJEMPLO 8.. Estudiar si el

Más detalles

Aplicaciones Lineales y Multilineales Continuas

Aplicaciones Lineales y Multilineales Continuas Capítulo 4 Aplicaciones Lineales y Multilineales Continuas La conexión entre las estructuras vectorial y topológica de los espacios normados, se pone claramente de manifiesto en el estudio de las aplicaciones

Más detalles

Espacios vectoriales

Espacios vectoriales Espacios vectoriales Natalia Boal María Luisa Sein-Echaluce Universidad de Zaragoza 1 Concepto de espacio vectorial y propiedades 1.1 Definición Se llama espacio vectorial sobre K (IR o C a toda terna

Más detalles

ÁLGEBRA LINEAL. Apuntes elaborados por. Juan González-Meneses López. Curso 2008/2009. Departamento de Álgebra. Universidad de Sevilla.

ÁLGEBRA LINEAL. Apuntes elaborados por. Juan González-Meneses López. Curso 2008/2009. Departamento de Álgebra. Universidad de Sevilla. ÁLGEBRA LINEAL Apuntes elaborados por Juan González-Meneses López. Curso 2008/2009 Departamento de Álgebra. Universidad de Sevilla. Índice general Tema 1. Matrices. Determinantes. Sistemas de ecuaciones

Más detalles

Problemas y Ejercicios Resueltos. Tema 3: Aplicaciones Lineales.

Problemas y Ejercicios Resueltos. Tema 3: Aplicaciones Lineales. Problemas y Ejercicios Resueltos. Tema : Aplicaciones Lineales. Ejercicios 1.- Determinar cuáles de las siguientes aplicaciones son lineales: (i) f : R R 2 definida por f((x, y, z)) = (x y, y + 2z). (ii)

Más detalles

a < b y se lee "a es menor que b" (desigualdad estricta) a > b y se lee "a es mayor que b" (desigualdad estricta)

a < b y se lee a es menor que b (desigualdad estricta) a > b y se lee a es mayor que b (desigualdad estricta) Desigualdades Dadas dos rectas que se cortan, llamadas ejes (rectangulares si son perpendiculares, y oblicuos en caso contrario), un punto puede situarse conociendo las distancias del mismo a los ejes,

Más detalles

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx

Matrices. Definiciones básicas de matrices. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.mx Matrices Definiciones básicas de matrices wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Matrices 2 11 Matrices cuadradas 3 12 Matriz transpuesta 4 13 Matriz identidad

Más detalles