Anexo 1: Demostraciones
|
|
- María del Pilar Molina Fuentes
- hace 8 años
- Vistas:
Transcripción
1 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: i) 0u = 0 ii) k 0 = 0 iii) 1)u = u iv) k u = 0 k = 0 ó u = 0 v) El vector cero de un espacio vectorial es único vi) El vector opuesto de cada vector del espacio vectorial es único i) Como 0u = 0 + 0)u = 0u + 0u, si sumamos a cada lado de la igualdad el opuesto de 0u, tenemos que 0u + 0u) = 0u + 0u + 0u) luego 0 = 0u + 0 = 0u ii) Como k 0 = k0 + 0) = k 0 + k 0, si sumamos a cada lado de la igualdad el opuesto de k 0, tenemos que k 0 + k 0) = k 0 + k 0 + k 0) luego 0 = k = k 0 v) Si w verifica que w + u = u, entonces w + u + u) = u + u) de donde w + 0 = 0 y w = 0 En consecuencia, el vector cero es único vi) Si w verifica que w + u = 0, entonces w + u + u) = 0 + u) de donde w + 0 = u y w = u En consecuencia, el vector opuesto es único iii) Veamos que 1)u es el opuesto u : u + 1)u = 1u + 1)u = 1 + 1))u = 0u = 0 iv) Si k u = 0 y k 0, entonces 1 k k u = 1 k 0 = 0 Luego 0 = 1 k k u = 1 k k)u = 1u = u La implicación en el otro sentido es evidente por i) y ii) Demostración de: Lema 96 de la página 43 Lema 96- Si S es un conjunto linealmente independiente de vectores de V y v V lin S, entonces S {v } es linealmente independiente Sea S = {u 1, u 2,, u r } es un conjunto linealmente independiente de vectores V y sea v V que no pertenece a lin S Entonces, en la igualdad vectorial λ 1 u 1 + λ 2 u λ r u r + λv = 0 71 el coeficiente λ debe ser cero, pues si no lo es, podemos despejar v = λ1 λ u 1 λ2 λ u 2 λr λ u r y v estaría generado por los vectores de S, lo que no es cierto Ahora bien, como λ = 0, la ecuación 71 se reduce a λ 1 u 1 + λ 2 u λ r u r = 0 y en consecuencia, todos los λ i son cero por ser los vectores u i linealmente independientes Demostración de: Lema 97 de la página 43
2 76 Matemáticas I : Álgebra Lineal Anexo 1 Lema 97- Sean V un espacio vectorial y B una base de V formada por n vectores Entonces cualquier conjunto {v 1, v 2,, v m } de vectores de V, con m > n, es linealmente dependiente Sea B = {w 1, w 2,, w n } la base de V Cada vector v k del conjunto {v 1, v 2,, v m } puede expresarse como combinación lineal de los vectores de B, en la forma v k = a k1 w 1 + a k2 w a kn w n, para cada k = 1,, m El conjunto es linealmente dependiente si la ecuación λ 1 v 1 + λ 2 v λ m v m = 0 tiene múltiples soluciones Sustituyendo: 0 = λ 1 a 11 w 1 + a 12 w a 1n w n ) + λ 2 a 21 w 1 + a 22 w a 2n w n ) + + λ m a m1 w 1 + a m2 w a mn w n ) = λ 1 a 11 + λ 2 a λ m a m1 )w 1 + λ 1 a 12 + λ 2 a λ m a m2 )w λ 1 a 1n + λ 2 a 2n + + λ m a mn )w n Como B es un conjunto linealmente independiente de vectores, se tiene el sistema lineal λ 1 a 11 + λ 2 a λ m a m1 = 0 λ 1 a 12 + λ 2 a λ m a m2 = 0 = 0 λ 1 a 1n + λ 2 a 2n + + λ m a mn = 0 que tiene m incógnitas los λ k ) y n ecuaciones, con m > n, por lo que no tiene solución única Demostración de: Proposición 101 de la página 43 Proposición 101- Si V es un espacio vectorial, con dim V = n Entonces, un conjunto de n vectores de V es base de V, a) si el conjunto es linealmente independiente, o b) si genera a V Sea S el conjunto de n vectores Si S es linealmente independiente, tiene que generar V, pues si no: podrían añadirse vectores linealmente independientes con lo anteriores hasta formar una base de V existiría al menos un vector v n+1 V lin S, tal que S {v n+1 } es linealmente independiente, ver comentarios previos al Lema 97 anterior) que tendría al menos n + 1 vectores, lo que es absurdo Análogamente si S genera V, tiene que ser linealmente independiente, pues si no: podrían eliminarse vectores dependientes de S hasta conseguir una base que tendría menos de n vectores Lema 94), lo que también es absurdo Demostración de: Desigualdad de Cauchy-Schwarz 111 de la página 47 Desigualdad de Cauchy-Schwarz 111- Para todo u, v V, espacio con producto interior, se tiene u, v 2 u 2 v 2 o en la forma u, v u v Si v = 0, es claro que 0 = u, 0 2 u = 0, u V Si v 0, para todo k IR, se verifica que en particular, para k = 0 u k v 2 = u k v, u k v = u, u 2k u, v + k 2 v, v u, v v, v Luego u, v u, v 2 v 2 u, v 2 0 u, u 2 u, v + v, v = u, u 2 u, + v, v v, v 2 v, v v, v = u, u u, v 2 v, v = u, u 2 v 2 v 2
3 77 Matemáticas I : Álgebra Lineal Anexo 1 de donde u, v 2 v 2 u 2 y por consiguiente u, v 2 u 2 v 2 Demostración de: Teorema 119 de la página 48 Teorema 119- Si S = {v 1, v 2,, v k } un conjunto finito de vectores no nulos, ortogonales dos a dos, entonces S es linealmente independiente Veamos que en la igualdad λ 1 v λ i v i + + λ k v k = 0, cada λ i tiene que ser cero: 0 = v i, 0 = v i, λ 1 v λ i v i + + λ k v k = λ 1 v i, v λ i v i, v i + + λ k v i, v k = λ i v i, v i = λ i v i 2 como v i 0, su norma no es cero por lo que tiene que ser λ i = 0 Demostración de: Lema 124 de la página 49 Lema 124- Sean V un espacio vectorial con producto interior, W un subespacio de V y B una base ortonormal de W Entonces para cada v V, el vector v Proy W v ) es ortogonal a cada vector de W Por la Proposición 118, para probar que un vector es ortogonal a todos los vectores de un subespacio, basta probarlo para los vectores de una base Sea B = {w 1, w 2,, w k }, para cada w i de B, por ser B ortonormal, w i, w i = 1 y w i, w j = 0, si i j, entonces v Proy W v), w i = v v, w 1 w 1 v, w i w i v, w k w k, w i = v, w i v, w 1 w 1, w i v, w i w i, w i v, w k w k, w i = v, w i 0 v, w i 1 0 = v, w i v, w i = 0 Luego es ortogonal a los vectores de B y, por consiguiente, a todos los vectores de W Unicidad de la proyección ortogonal- Sea V un espacio con producto interior y W un subespacio de V Para cada v V, la proyección ortogonal de v en W no depende de la base ortonormal elegida Es decir, si B 1 = {u 1, u 2,, u k } y B 2 = {v 1, v 2,, v k } son dos bases ortonormales de W, entonces, para cada v V, los vectores Proy 1) W v) = w 1 = v, u 1 u 1 + v, u 2 u v, u k u k Proy 2) W v) = w 2 = v, v 1 v 1 + v, v 2 v v, v k v k son el mismo Como w 1 es una proyección ortogonal de v sobre W, el vector w 1 W y el vector v w 1 es ortogonal a W y, por la misma razón, el vector w 2 W y el vector v w 2 es ortogonal a W Entonces, el vector v w 1 ) v w 2 ) = w 2 w 1 cumple que: es ortogonal a todos los vectores de W por ser diferencia de dos vectores ortogonales a W ; y también es un vector de W por ser diferencia de dos vectores de W En consecuencia, es ortogonal a si mismo y w 2 w 1, w 2 w 1 = 0, luego es el vector 0 ; por lo que w 1 = w 2 y la proyección ortogonal no depende de la base Aplicaciones lineales Justificación del método descrito en la Observación 136, de la página 56 Usaremos en la justificación el mismo ejercicio del ejemplo, pero la prueba es válida en cualquier caso Haciendo las operaciones elementales sobre la matriz A t, que tiene por filas las [fv i )] B2, hemos obtenido la [fv 1 )] B2 [fv 6 v 1 )] B2 matriz que tiene por filas [fv 5 v 6 + v 1 )] B2 [fv v v v 5)] B2 Luego si repetimos las mismas operaciones [fv 3 + v 6 + 2v 5 )] B2 [fv 2 2v 6 v 5 )] B2
4 78 Matemáticas I : Álgebra Lineal Anexo 1 sobre la matriz J que tiene por filas [v 1 ] B1 [v 2 ] B1 [v 3 ] B1 [v 4 ] B1 [v 5 ] B1 [v 6 ] B1 obtendríamos K = [v 1 ] B1 [v 6 v 1 ] B1 [v 5 v 6 + v 1 ] B1 [v v v v 5] B1 [v 3 + v 6 + 2v 5 ] B1 [v 2 2v 6 v 5 ] B1 Ahora bien, como la matriz J es la identidad, que tiene rango 6, la matriz K también tiene rango 6, por lo que sus filas son linealmente independientes y en consecuencia los tres últimos vectores los vectores de kerf)) también son linealmente independientes Diagonalización Justificación de la observación en Antes de seguir de la página 62 Definición- Sea f: V V un operador lineal, diremos que un escalar λ es un valor propio de f si existe un vector v V, diferente de cero, tal que fv) = λv Al vector v se le denomina vector propio de f correspondiente a λ Teorema- Sea f : V V un operador lineal, siendo V un espacio vectorial de dimensión n Entonces, existe una base de V con respecto a la cual la matriz de f es diagonal si y sólo si f tiene n vectores propios linealmente independientes Si la matriz de f en la base B = {v 1, v 2,, v 1 } es D diagonal, los mismos vectores de la base son vectores propios y son linealmente independientes, pues: λ 1 ) 0 λ 2 0 [fv 1)] B [fv 2)] B [fv n)] B = D = 0 0 λ n ) = λ 1[v 1] B λ 2[v 2] B λ n[v n] B Recíprocamente, si tenemos n vectores propios linealmente independientes, la matriz de f respecto de la base formada con ellos es diagonal λ 1 ) ) 0 λ 2 0 [fv 1)] B [fv 2)] B [fv n)] B = λ 1[v 1] B λ 2[v 2] B λ n[v n] B = 0 0 λ n Teorema- Sean V un espacio vectorial de dimensión n, f: V V un operador lineal y A la matriz de f con respecto a una base B = {v 1, v 2,, v n } Entonces: a) Los valores propios de f son los valores propios de A b) Un vector v V es un vector propio de f correspondiente al valor propio λ si y sólo si su matriz de coordenadas [v] B es un vector propio de A correspondiente a λ a) Sea λ un valor propio de f, es decir, v V, distinto de 0, tal que fv) = λv = [fv)] B = [λv] B = A[v] B = λ[v] B, luego λ es un valor propio de A al ser [v] B 0 Sea λ un valor propio de A, entonces x IR n, x 0 tal que Ax = λx Si tomamos x = x 1 v x n v n, siendo x = x 1,, x n ), lo anterior quiere decir que A[x ] B = λ[x ] B [fx )] B = [λx ] B fx ) = λx y λ es un valor propio de f ya que x 0 b) v es un vector propio de f correspondiente a λ si y sólo si fv) = λv [fv)] B = [λv] B A[v] B = λ[v] B si y sólo si [v] B es un vector propio de A correspondiente a λ
5 79 Matemáticas I : Álgebra Lineal Anexo 1 Teorema- Los vectores propios de f correspondientes al valor propio λ, son los vectores distintos de cero del núcleo de la aplicación λi d f denotamos por I d la aplicación identidad, I d v ) = v ) Llamaremos a dicho núcleo, espacio característico de f correspondiente al valor propio λ v un vector propio correspondiente a λ fv) = λv fv) = λi d v) λi d v) fv) = 0 λi d f)v) = 0 v kerλi d f) Demostración de: Teorema 152 de la página 62 Teorema 152- Sean v 1, v 2,, v k vectores propios de una matriz A asociados a los valores propios λ 1, λ 2,, λ k respectivamente, siendo λ i λ j, i j Entonces el conjunto de vectores {v 1, v 2,, v k } es linealmente independiente Supongamos que v 1, v 2,, v k son linealmente dependientes Por definición, un vector propio es distinto de cero, luego el conjunto {v 1 } es linealmente independiente Sea r el máximo entero tal que {v 1, v 2,, v r } es linealmente independiente Puesto que hemos supuesto que {v 1, v 2,, v k } es linealmente dependiente, r satisface que 1 r < k Además, por la manera en que se definió r, {v 1, v 2,, v r, v r+1 } es linealmente dependiente Por tanto, existen escalares c 1, c 2,, c r+1, al menos uno diferente de cero, tales que c 1 v 1 + c 2 v c r+1 v r+1 = 0 72 Multiplicando en ambos lados de la igualdad por A y haciendo las sustituciones Av 1 = λ 1 v 1, Av 2 = λ 2 v 2,, Av r+1 = λ r+1 v r+1 se obtiene c 1 λ 1 v 1 + c 2 λ 2 v c r λ r v r + c r+1 λ r+1 v r+1 = 0 73 Multiplicando los dos lados de 72) por λ r+1 y restándole a 73) la ecuación resultante se obtendrá c 1 λ 1 λ r+1 )v 1 + c 2 λ 2 λ r+1 )v c r λ r λ r+1 )v r = 0 Y dado que los vectores v 1, v 2,, v r son linealmente independientes, necesariamente c 1 λ 1 λ r+1 ) = c 2 λ 2 λ r+1 ) = = c r λ r λ r+1 ) = 0 Como los λ 1, λ 2,, λ r+1 son distintos entre si, se deduce que c 1 = c 2 = = c r = 0 Sustituyendo estos valores en 72) resulta que c r+1 v r+1 = 0, y como v r+1 0 se deduce que c r+1 = 0, lo que contradice el hecho de que al menos uno de los escalares c 1, c 2,, c r+1 debía de ser distinto de cero Luego los vectores v 1, v 2,, v k han de ser linealmente independientes, que prueba el teorema Demostración de: Proposición 154 de la página 63 Proposición 154- Sea A de orden n y λ k un autovalor de A de multiplicidad m k Entonces 1 dim V λ k ) m k Como ya observamos anteriormente, dim V λ i ) 1 Supongamos que dim V λ k ) = d, y consideremos el operador lineal f: IR n IR n definido por fv ) = Av Sea {v 1,, v d } una base del espacio característico V λ k ), que podemos completar hasta obtener una base de IR n, B = {v 1,, v d, v d+1,, v n } La matriz A, del operador en la base B, será de la forma ) A = [fv 1 )] B [fv d )] B [fv d+1 )] B [fv n )] B λ k 0 ) A 12 0 λ = λ k [v 1] B λ k [v 2] B [fv d+1)] B [fv k n)] B = A 22
6 80 Matemáticas I : Álgebra Lineal Anexo 1 de donde λi A = λ λ k ) d λi A 22 Pero como A y A son matrices semejantes, tienen el mismo polinomio característico, y λ λ k ) d λi A 22 = λi A = λi A = λ λ k ) m k Qλ), de donde se obtiene que d m k, pues m k es la multiplicidad de la raíz Demostración de: Teorema fundamental de la diagonalización 155 de la página 63 Teorema fundamental de la diagonalización 155- Sea A una matriz de orden n Entonces A es diagonalizable si y sólo si se cumplen las condiciones: 1- El polinomio característico tiene n raices reales Es decir, λi A = λ λ 1 ) m1 λ λ k ) m k con m 1 + m m k = n 2- Para cada espacio característico V λ i ), se cumple que dim V λ i ) = m i = Si A es diagonalizable, la matriz diagonal D y A son semejantes D = P 1 AP ) y por tanto poseen el mismo polinomio característico, luego P λ) = λi A = λi D = λ λ 1 ) m1 λ λ k ) m k, donde los λ i IR son los valores de la diagonal de D y m i el número de veces que se repite Por tanto, P λ) tiene todas sus raices reales y, por ser de grado n, m 1 + m m k = n Además, por ser A y D matrices semejantes, también lo son λi A y λi D, para todo λ IR, pues P 1 λi A)P = λp 1 IP P 1 AP = λi D, de donde rgλi A) = rgλi D), para todo λ Entonces, para cada autovalor λ i se tiene que rgλ i I A) = rgλ i I D) = n m i y, en consecuencia, que dim V λ i ) = m i = Si λi A = λ λ 1 ) m1 λ λ k ) m k, con m 1 + m m k = n, y dim V λ i ) = m i para cada i = 1,, k, consideremos en cada V λ i ) una base B i, de la forma } } } B 1 = {p 11,, p 1m1, B 2 = {p 21,, p 2m2,, B k = {p k1,, p kmk Tomemos entonces B = B 1 B 2 B k, un conjunto de n vectores propios de A, si vemos que son linealmente independientes, tendremos que A es diagonalizable Planteemos una combinación lineal igualada a cero: 0 = β 11 p β 1m1 p 1m1 + β 21 p β 2m2 p 2m2 + + β k1 p k1 + + β kmk p kmk = β 11 p β 1m1 p 1m1 ) + β 21 p β 2m2 p 2m2 ) + + β k1 p k1 + + β kmk p kmk ) = v 1 + v v k siendo v j = β j1 p j1 + + β jmj p jmj V λ j ), para cada j = 1,, k Los vectores v 1, v 2,, v k son vectores de espacios característicos correspondientes, respectivamente, a los valores propios distintos λ 1, λ 2,, λ k y por tanto, si no son cero, son linealmente independientes Pero la combinación lineal v 1 + v v k = 0 nos indicaría que son dependientes, luego la única forma de eliminar esa contradicción es que v j = 0, j = 1, 2,, k ; de donde, si 0 = v j = β j1 p j1 + + β jmj p jmj, han de ser todos β j1 = β j2 = = β jmj = 0 por ser B j una base Como es cierto para cada j, se tiene que β ji = 0, i, j, con lo que B es linealmente independiente Demostración de: Teorema fundamental de la diagonalización ortogonal 159 de la página 64 Teorema fundamental de la diagonalización ortogonal 159- Una matriz A de orden n es diagonalizable ortogonalmente si y sólo si A es simétrica = A es diagonalizable ortogonalmente = P ortogonal y D diagonal tal que P t AP = D = P ortogonal y D diagonal tal que A = P DP t = A t = P DP t ) t = P DP t = A = A es simétrica = Sea A simétrica, veamos que es diagonalizable Primero, que todos los valores propios de A son reales: Sea λ C un valor propio de A, entonces existe x = x 1,, x n ) 0 x j C) tal que Ax = λx Por ser A real, su polinomio característico es real y el conjugado de λ, λ, es también autovalor de A; además, tomando conjugados en la igualdad anterior, se tiene que Ax = Ax = λx Entonces, son iguales los valores n n x t Ax = x t Ax) = x t λx) = λx t x = λ x j x j = λ x j 2 j=1 j=1 x t Ax = x t A)x = x t A t )x = Ax) t x = λx) t x) = λx t x = λ n x j 2 j=1
7 81 Matemáticas I : Álgebra Lineal Anexo 1 y, al ser x 0, n x j 2 0 por lo que λ = λ y λ IR En consecuencia, si todos los autovalores de A son j=1 reales, el polinomio característico de A tiene las n raices reales Veamos ahora que para cada λ j se verifica que dim V λ j ) = m j Sean dim V λ j ) = d y B j = {x 1,, x d } una base ortonormal de V λ j ) que ampliamos hasta una base ortonormal de IR n, B = {x 1,, x d, x d+1,, x n } Consideremos el operador lineal f: IR n IR n dado por fx) = Ax, luego A es la matriz de f en la base canónica que es ortonormal y si A es la matriz de f en la base B y P la matriz de paso de B a la canónica, P es ortogonal y A = P t AP Como A es simétrica, A tambien lo será pues A ) t = P t AP ) t = P t A t P t ) t = P t AP = A ) A = [fx 1 )] B [fx d )] B [fx d+1 )] B [fx n )] B ) = λ j [x 1 ] B λ j [x 2 ] B [fx d+1 )] B [fx n )] B = λ j 0 A 12 0 λ j A 22 donde A 12 = 0, puesto que A es simétrica y A 22 cuadrada de orden n d Luego la matriz λ j I A nos queda λ j λ j λ j I A = 0 λ j λ j = λ j I A 22 λ j I A 22 por lo que rgλ j I A ) = rgλ j I A 22) Por ser A y A semejantes rgλ j I A)=rgλ j I A ) ver demostración del Teorema 155), y se tiene que rgλ j I A 22) = rgλ j I A) = n dim V λ j ) = n d por lo que λ j I A 22 = 0 Entonces, λi A = λi A = λ λ j ) d λi A 22, con λ j I A 22 = 0, luego d = m j En resumen, A diagonaliza, y tomando una base ortonormal de cada uno de los espacios característicos, tendremos n vectores propios de norma 1 y, que por el Lema 158, son ortogonales entre sí Formas cuadráticas Demostración de: Teorema de Sylvester o Ley de inercia 169 de la página 71 Teorema de Sylvester o Ley de inercia 169- Si una forma cuadrática se reduce a la suma de cuadrados en dos bases diferentes, el número de términos que aparecen con coeficientes positivos, así como el número de términos con coeficientes negativos es el mismo en ambos casos Supongamos que respecto a una base B 1 = {b 1, b 2,, b n } la matriz de la forma cuadrática Q es una matriz diagonal y tiene p elementos positivos y s elementos negativos en su diagonal principal, luego la expresión de la forma cuadrática será Qx) = a 1 x a p x 2 p a p+1 x 2 p+1 a p+s x 2 p+s con a i > 0 para todo i, y x 1,, x p, x p+1,, x p+s, x p+s+1,, x n ) = [x] t B 1 ; y que respecto a otra base B 2 = {d 1, d 2,, d n } la matriz de la forma cuadrática es también diagonal con q elementos positivos y r negativos, por lo que Q se expresará en la forma Qx) = c 1 y c q y 2 q c q+1 y 2 q+1 c q+r y 2 q+r con c i > 0 para todo i, e y 1,, y q, y q+1,, y q+r, y q+r+1,, y n ) = [x] t B 2
8 82 Matemáticas I : Álgebra Lineal Anexo 1 Por el teorema 167 anterior, sabemos que las matrices congruentes tienen el mismo rango, luego tienen que ser p + s = q + r Veamos que p = q, con lo que tendremos también que s = r Si p q, uno de ellos es mayor que el otro, supongamos que es p > q y consideremos los conjuntos de vectores {b 1,, b p } y {d q+1,, d n } Si p > q, el conjunto {b 1,, b p, d q+1,, d n } tiene p+n q) = n + p q) > n vectores y, por lo tanto, es un conjunto linealmente dependiente y en la igualdad λ 1 b λ p b p + µ q+1 d q µ n d n = 0 alguno de los coeficientes no es cero Entonces, el vector λ 1 b λ p b p = µ q+1 d q+1 µ n d n = x no es el cero si es cero, todos los λ i son cero por ser los b i de B 1, y todos los µ j = 0 por ser los d j B 2 ), con algún λ i y algún µ j distintos de cero Tenemos así que [x] t B 1 = λ 1,, λ p, 0,, 0) y [x] t B 2 = 0,, 0, µ q+1,, µ n ) pero calculando Q x) respecto a las dos bases obtenemos Qx) = a 1 λ a p λ 2 p a p+1 0 a p+s 0 = a 1 λ a p λ 2 p > 0 Qx) = c c q 0 c q+1 µ q+1 ) 2 c q+r µ q+r ) µ q+r+1 ) µ n ) 2 = c q+1 µ q+1 ) 2 c q+r µ q+r ) 2 0 lo que no puede ser Por tanto deben ser p = q y s = r, es decir, las dos matrices diagonales tienen el mismo número de elementos positivos y negativos Demostración de: Teorema de clasificación 172 de la página 71 Teorema de clasificación 172- Sea Q una forma cuadrática en un espacio de dimensión n Se verifica: a) Q es nula SigQ) = 0, 0) b) Q es definida positiva SigQ) = n, 0) c) Q es semidefinida positiva SigQ) = p, 0) con 0 < p < n d) Q es definida negativa SigQ) = 0, n) e) Q es semidefinida negativa SigQ) = 0, q) con 0 < q < n f) Q es indefinida SigQ) = p, q) con 0 < p, q Sea B = {v 1,, v n } una base en la cual, la expresión de Q es Qx) = d 1 x d 2 x d n x 2 n donde x 1,, x n ) = [x] t B Luego, Qv i ) = d i, para todo i = 1,, n, ya que los vectores de B tiene por coordenadas [v 1 ] t B = 1, 0, 0,, 0), [v 2 ] t B = 0, 1, 0,, 0),, [v n ] t B = 0, 0, 0,, 1) Entonces: a) Si Qx) = 0, para todo x, se tiene que d i = Qv i ) = 0, para todo i, luego SigQ) = 0, 0) Reciprocamente, si d i = 0 para todo i, entonces Qx) = 0 para todo x b) Si Qx) > 0 para todo x 0, se tiene que d i = Qv i ) > 0, para todo i, luego SigQ) = n, 0) Recíprocamente, si d i > 0 para todo i, entonces Qx) > 0 para todo x 0 c) Si Qx) 0 para todo x 0, es d i = Qv i ) 0 para todo i Como no es nula existe algún d j > 0 y como no es definida positiva existe algún d k = 0, luego SigQ) = p, 0) con 0 < p < n Recíprocamente, si d i 0 para todo i, con algún d j > 0 y algún d k = 0, se tiene que Qx) 0 para todo x, que Qv j ) = d j > 0, por lo que no es nula, y que Qv k ) = d k = 0, por lo que no es definida positiva d) y e) Análogos a los casos de definida y semidefinida positiva f) Por ser indefinida, Qx) 0 para todo x, luego d i 0 para todo i, por lo que existirá un d j < 0 y Qx) 0 para todo x, luego d i 0 para todo i por lo que existirá un d k > 0 En consecuencia, SigQ) = p, q) con p, q > 0 Recíprocamente, si existe d j < 0 y d k > 0, serán Qv j ) = d j < 0 y Qv k ) = d k > 0, luego es indefinida
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 detallesFormas 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 detalles1 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 detallesTema 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 detallesTema 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 detallesClasificación de métricas.
Clasificación de métricas. 1. El problema de clasificación. Como bien sabemos, el par formado por una métrica T 2 (esto es, un tensor 2-covariante simétrico) sobre un espacio vectorial E, (E, T 2 ), constituye
Más detallesBASES 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 detallesSubespacios 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 detallesTema 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 detallesTema 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 detallesCapitán 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 detalles1 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 detallesDiagonalización de matrices
diagonalizacion.nb Diagonalización de matrices Práctica de Álgebra Lineal, E.U.A.T., Grupos ºA y ºB, 2005 Algo de teoría Qué es diagonalizar una matriz? Para estudiar una matriz suele ser conveniente expresarla
Más detalles21.1.2. TEOREMA DE DETERMINACIÓN DE APLICACIONES LINEALES
Aplicaciones lineales. Matriz de una aplicación lineal 2 2. APLICACIONES LINEALES. MATRIZ DE UNA APLICACIÓN LINEAL El efecto que produce el cambio de coordenadas sobre una imagen situada en el plano sugiere
Más detalles1. 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 detalles1. 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 detallesEstructuras 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 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 detallesMatrices 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 detallesE 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 detallesEjemplo 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 detalles1. Producto escalar, métrica y norma asociada
1. asociada Consideramos el espacio vectorial R n sobre el cuerpo R; escribimos los vectores o puntos de R n, indistintamente, como x = (x 1,..., x n ) = n x i e i i=1 donde e i son los vectores de la
Más detallesTema 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 detallesAplicaciones 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 detallesEspacios 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 detallesAplicaciones 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 detallesEspacios 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 detallesClase 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 detallesCómo?: 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 detallesMatemáticas 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 detallesEspacios 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 detallesEspacios 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 detallesDefinición 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 detallesVII. 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 detalles4.1 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 detallesSegundo 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 detallesCriterio de Sylvester
Criterio de Sylvester Objetivos. Aprender a aplicar el criterio de Sylvester para analizar cuándo una forma cuadrática es positiva definida, usando los menores principales de su matriz asociada. También
Más detallesTema 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 detallesProblemas 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 detallesPROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.
PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.
Más detallesProblema 1. (4 puntos) Sea f la aplicación lineal de R³ en R³ definida por f(1,3,4)=(2,6,8), f(1,1,1)=(2,6,8) y f(0,1,1)=(0,0,0).
Problema 1. (4 puntos) Sea f la aplicación lineal de R³ en R³ definida por f(1,3,4)=(2,6,8), f(1,1,1)=(2,6,8) y f(0,1,1)=(0,0,0). a) Demostrad que (1,3,4), (1,1,1) i (0,1,1) son una base de R³. b) Decid
Más detallesVectores y Valores Propios
Capítulo 11 Vectores y Valores Propios Las ideas de vector y valor propio constituyen conceptos centrales del álgebra lineal y resultan una valiosa herramienta en la solución de numerosos problemas de
Más detalles3. Equivalencia y congruencia de matrices.
3. Equivalencia y congruencia de matrices. 1 Transformaciones elementales. 1.1 Operaciones elementales de fila. Las operaciones elementales de fila son: 1. H ij : Permuta la fila i con la fila j. 2. H
Más detallesFORMA 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 detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesDefinición de vectores
Definición de vectores Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son: Origen: O también denominado Punto de aplicación. Es el punto exacto sobre
Más detallesCapitán 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 detalles4 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 detallesTema 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 detalles1. 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 detallesTema 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 detallesNota 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 detallesEspacios Vectoriales
Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................
Más detallesEspacios 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 detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesTema 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 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 detallesAplicaciones 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 detallesTema 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 detallesAXIOMAS DE CUERPO (CAMPO) DE LOS NÚMEROS REALES
AXIOMASDECUERPO(CAMPO) DELOSNÚMEROSREALES Ejemplo: 6 INECUACIONES 15 VA11) x y x y. VA12) x y x y. Las demostraciones de muchas de estas propiedades son evidentes de la definición. Otras se demostrarán
Más detallesTEMA 6. EIGENVALORES Y EIGENVECTORES
TEMA 6. EIGENVALORES Y EIGENVECTORES M. C. Roberto Rosales Flores INSTITUTO TECNOLÓGICO SUPERIOR DE TLAXCO Ingeniería en Logística M. C. Roberto Rosales Flores (ITST TEMA 6. EIGENVALORES Y EIGENVECTORES
Más detallesFactorización de polinomios
Factorización de polinomios Polinomios Un polinomio p en la variable x es una expresión de la forma: px a 0 a 1 x a x a n1 x n1 a n x n donde a 0, a 1, a,, a n1, a n son unos números, llamados coeficientes
Más detallesTema 3: Aplicaciones de la diagonalización
TEORÍA DE ÁLGEBRA II: Tema 3. DIPLOMATURA DE ESTADÍSTICA 1 Tema 3: Aplicaciones de la diagonalización 1 Ecuaciones en diferencias Estudiando la cría de conejos, Fibonacci llegó a las siguientes conclusiones:
Más detallesVECTORES 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 detallesMatemáticas I: Hoja 4 Aplicaciones lineales y diagonalización
Matemáticas I: Hoja 4 Aplicaciones lineales y diagonalización Ejercicio. Decidir cuáles de las siguientes aplicaciones son lineales. Cuál es la dimensión del espacio imagen? a f(x, x 2, x 3 = (x 2 + x
Más detallesMATEMÁTICAS 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 detallesSemana 08 [1/15] Axioma del Supremo. April 18, 2007. Axioma del Supremo
Semana 08 [1/15] April 18, 2007 Acotamiento de conjuntos Semana 08 [2/15] Cota Superior e Inferior Antes de presentarles el axioma del supremo, axioma de los números reales, debemos estudiar una serie
Más detalles5.1Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal y sus propiedades
5- ransformaciones Lineales 5Definición transformación lineal de núcleo ó kernel, e imagen de una transformación lineal sus propiedades Se denomina transformación lineal a toda función,, cuo dominio codominio
Más detallesCURSO 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 detalles4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA
4º ESO 1. ECUAC. 2º GRADO Y UNA INCÓGNITA Una ecuación con una incógnita es de segundo grado si el exponente de la incógnita es dos. Ecuaciones de segundo grado con una incógnita son: Esta última ecuación
Más detallesVectores: Producto escalar y vectorial
Nivelación de Matemática MTHA UNLP 1 Vectores: Producto escalar y vectorial Versores fundamentales Dado un sistema de coordenadas ortogonales, se considera sobre cada uno de los ejes y coincidiendo con
Más detallesFascículo 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(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 detallesProblemas y Ejercicios Resueltos. Tema 2: Espacios vectoriales.
Problemas y Ejercicios Resueltos. Tema : Espacios vectoriales. Ejercicios 1.- Determinar el valor de x para que el vector (1, x, 5) R 3 pertenezca al subespacio < (1,, 3), (1, 1, 1) >. Solución. (1, x,
Más detallesVectores 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 detallesAPUNTES DE MATEMÁTICAS TEMA 4: VECTORES 1º BACHILLERATO
APUNTES DE MATEMÁTICAS TEMA 4: VECTORES 1º BACHILLERATO ÍNDICE VECTORES EN EL PLANO... 3 Vector Fijo... 3 VECTOR LIBRE... 3 Operaciones con Vectores... 3 Suma de vectores... 3 Producto de un número por
Más detallesRepaso 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 detallesValores 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 detallesJuan Antonio González Mota Profesor de Matemáticas del Colegio Juan XIII Zaidín de Granada
FUNCIONES CONTINUAS. La mayor parte de las funciones que manejamos, a nivel elemental, presentan en sus gráficas una propiedad característica que es la continuidad. La continuidad de una función definida
Más detallesvectoriales 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 detalles8. 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 detalles3.- 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 detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesMatemáticas I: Hoja 2 Cálculo matricial y sistemas de ecuaciones lineales
Matemáticas I: Hoja 2 Cálculo matricial y sistemas de ecuaciones lineales Ejercicio 1 Escribe las siguientes matrices en forma normal de Hermite: 2 4 3 1 2 3 2 4 3 1 2 3 1. 1 2 3 2. 2 1 1 3. 1 2 3 4. 2
Más detallesTransformaciones Lineales. Definiciones básicas de Transformaciones Lineales. www.math.com.mx. José de Jesús Angel Angel. jjaa@math.com.
Transformaciones Lineales Definiciones básicas de Transformaciones Lineales wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 007-009 Contenido 1 Transformaciones Lineales 11 Núcleo e imagen
Más detallesy 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 detallesSistemas de vectores deslizantes
Capítulo 1 Sistemas de vectores deslizantes 1.1. Vectores. Álgebra vectorial. En Física, se denomina magnitud fsica (o simplemente, magnitud) a todo aquello que es susceptible de ser cuantificado o medido
Más detallesUNIDAD 3: ANILLOS DE POLINOMIOS
UNIDAD 3: ANILLOS DE POLINOMIOS En nuestra educación matemática se nos introdujo muy pronto -generalmente en los primeros años de secundariaal estudio de los polinomios. Durante una temporada que parecía
Más detallesAplicaciones 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 detallesCapítulo 9 Vectores en el espacio
Capítulo 9 Vectores en el espacio Introducción El concepto de vector es muy amplio y su aplicación se evidencia en los diferentes campos de las ciencias. En matemáticas, un vector es un elemento de una
Más detallesPolinomios y Fracciones Algebraicas
Tema 4 Polinomios y Fracciones Algebraicas En general, a lo largo de este tema trabajaremos con el conjunto de los números reales y, en casos concretos nos referiremos al conjunto de los números complejos.
Más detallesUniversidad 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 detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-lic.html elena.martinez@iimas.unam.mx
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesVariedades Diferenciables. Extremos Condicionados
Capítulo 16 Variedades Diferenciables. Extremos Condicionados Vamos a completar lo visto en los capítulos anteriores sobre el teorema de las Funciones Implícitas y Funciones Inversas con un tema de iniciación
Más detallesÁlgebra lineal y matricial
Capítulo Álgebra lineal y matricial.. Vectores y álgebra lineal Unconjuntodennúmerosreales(a,,a n )sepuederepresentar: como un punto en el espacio n-dimensional; como un vector con punto inicial el origen
Más detallesEJERCICIOS 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 detallesVECTORES. Módulo, dirección y sentido de un vector fijo En un vector fijo se llama módulo del mismo a la longitud del segmento que lo define.
VECTORES El estudio de los vectores es uno de tantos conocimientos de las matemáticas que provienen de la física. En esta ciencia se distingue entre magnitudes escalares y magnitudes vectoriales. Se llaman
Más detallesVECTORES EN EL PLANO
VECTORES EN EL PLANO VECTOR: vectores libres Segmento orientado, con un origen y extremo. Módulo: es la longitud del segmento orientado, es un número positivo y su símbolo es a Dirección: es la recta que
Más detalles