CAPÍTULO II. 3 El grupo lineal
|
|
- María Soledad Blázquez Quintero
- hace 8 años
- Vistas:
Transcripción
1 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 transformaciones relacionadas con la estructura de espacio vectorial de R n. Definición II.1 Una aplicación f : R n R n se dice que es un automorfismo de R n si satisface las siguientes condiciones: i) f es biyectiva, es decir, la aplicación f asocia a cada vector u de R n un único vector de R n denotado por f(u), denominado el transformado o la imagen de u. Además, vectores distintos tienen transformados distintos, y cada vector de R n es la imagen de algún otro vector de R n. ii) f es lineal, esto es, para cualesquiera vectores u y v de R n y cualesquiera escalares α y β, se tiene que f(αu + βv) = αf(u) + βf(v). La linealidad de una aplicación f también se expresa, en lenguaje matemático coloquial, diciendo que f conserva o preserva las combinaciones lineales de vectores. Antes de ahondar en las propiedades de los automorfismos, conviene familiarizarse con ellos a partir de algunos casos concretos. Sea f : R R la aplicación dada por f(a) = 2a. Es evidente que f es biyectiva pues cada número real posee un duplo, números distintos tienen duplos distintos y cada real es el duplo de algún otro real, en concreto, de su mitad. Además, f(αa + βb) = 2(αa + βb) = α2a + β2b = αf(a) + βf(b). 2
2 Y lo mismo podría haberse razonado para aplicaciones del tipo h λ : R n R n, con λ un escalar no nulo, definidas mediante la expresión h λ (u) = λu. A los automorfismos anteriores se les conoce como homotecias de razón λ. Comprobemos ahora que la aplicación f : R 2 R 2 dada por f(x, y) = (2x y, x + y) es un automorfismo. Desde luego que cada vector u = (x, y) se transforma en el único vector f(u) = (2x y, x + y). Supongamos que un vector u = (x, y) se transforma en el vector (a, b). Entonces { } 2x y = a. x + y = b Resolviendo el sistema de dos ecuaciones lineales en las incógnitas x, y, obtenemos x = a + b 3, y = 2b a. 3 De aquí deducimos, por un lado, que dos vectores distintos no pueden tener el mismo transformado, y, por otro, que cada vector (a, b) es la imagen del vector ( a+b 3, 2b a 3 ). En suma: f es biyectiva. Veamos que f es lineal. Para ello tomemos dos vectores u = (x, y), v = (x, y ) y dos escalares α y β. Se tiene f(αu + βv) = f(αx + βx, αy + βy ) = = (2(αx + βx ) (αy + βy ), (αx + βx ) + (αy + βy )) = = (2(αx αy), αx + αy) + (2(βx βy ), βx + βy ) = = α(2x y, x + y) + β(2x y, x + y ) = αf(u) + βf(v), lo que prueba que f conserva combinaciones lineales. Resulta evidente que la aplicación identidad en R n, denotada por Id R n o, simplemente por Id si no hay confusión, la cual transforma cada vector sobre sí mismo (o sea, Id(u) = u, para cada u) es un automorfismo de R n. 3
3 Como muestra de aplicaciones que no son automorfismos, vayan las siguientes: * La aplicación f : R n R n que aplica todo vector en el vector 0 es lineal, pero no biyectiva. * La aplicación f : R R que transforma cada real a en su cubo a 3 es biyectiva, pero no lineal. * La aplicación f : R 2 R 2 dada por f(x, y) = (x 2, y 2 ) no es ni lineal ni biyectiva. Por qué? Dados dos automorfismos f y g de R n, su composición f g es también un automorfismo de R n. Recuérdese que la composición f g actúa aplicando cada vector u en el transformado por f del transformado por g de u, lo cual se escribe (f g)(u) = f(g(u)). Por ejemplo, la composición del automorfismo f(x, y) = (2x y, x + y) visto más arriba, con la homotecia h 4 de razón 4 proporciona el automorfismo g = f h 4 dado por g(x, y) = f(h 4 (x, y)) = f(4x, 4y) = (8x 2y, 4x + 4y). Si f, g y h son tres automorfismos de R n, se tiene que (f (g h))(u) = f((g h)(u)) = f(g(h(u))) = (f g)(h(u)) = ((f g) h)(u), luego la composición de automorfismos es asociativa. Además, es evidente que, sea cual sea el automorfismo f, se tiene que f Id = Id f = f. Como puede adivinarse, buscamos una estructura de grupo en el conjunto de los automorfismos de R n. Como la operación es asociativa y disponemos de un elemento neutro, la identidad, sólo nos falta ver que cada automorfismo posee un inverso. Y a ello nos dedicaremos de inmediato. De la condición i) de la definición II.1 se deduce que si f es un automorfismo de R n, para cada u R n existe al menos un v R n tal que u = f(v). Este vector v es único. Justifique el lector esta última afirmación. Al único vector v tal que f(v) = u se le denotará por f 1 (u). Esto permite definir otra aplicación, llamada la inversa de f, denotada por f 1, que asocia a cada 4
4 u de R n el vector f 1 (u). Como f(u) = v si y solo si f 1 (v) = u, entonces f(f 1 (v)) = v y f 1 (f(u)) = u, es decir, f f 1 = Id = f 1 f. Tampoco representa muchos problemas demostrar que f 1 es un automorfismo. Por ejemplo se probará a continuación la linealidad de f 1. Sean u y v dos vectores de R n, y α y β dos escalares. Aplíquese f a la combinación lineal αf 1 (u) + βf 1 (v) para obtener la cadena de igualdades f(αf 1 (u) + βf 1 (v)) = αf(f 1 (u)) + βf(f 1 (v)) = αu + βv, lo cual no es sino escribir αf 1 (u) + βf 1 (v) = f 1 (αu + βv), o sea, f 1 es lineal. A fin de cuentas, hemos demostrado el Teorema II.1 El conjunto de los automorfismos de un espacio vectorial R n constituye un grupo, denominado el grupo lineal, y se denotará GL n. Según la filosofía de Félix Klein, enunciada por primera vez en su tesis doctoral de la Universidad de Erlangen, la rama de las matemáticas conocida como álgebra lineal se ocupa de todos los conceptos que son invariantes por transformaciones del grupo lineal. En el siguiente teorema se compendian, sin demostración, algunas aseveraciones acerca de los automorfismos. Teorema II.2 Un automorfismo f GL n satisface las siguientes propiedades: i) El transformado del vector 0 es el vector 0 (f(0) = 0). ii) Si (u 1, u 2,..., u n ) es una base de R n, entonces (f(u 1 ), f(u 2 ),..., f(u n )) es otra base. 5
5 iii) Si S es un subespacio de R n de dimensión k, entonces el subconjunto f(s) = {f(u) : u S} iv) de las imágenes de todos los vectores de S es también un subespacio de la misma dimensión. Para subespacios S y T de R n se tiene que f(s + T ) = f(s) + f(t ) y f(s T ) = f(s) f(t ). Por eso, porque son invariantes por automorfismos, los conceptos de base, subespacio, dimensión, y suma e intersección de subespacios son competencia del álgebra lineal. El punto ii) del teorema anterior sugiere que un automorfismo quede determinado dando la imagen de una base, la cual debe ser también otra base. En efecto, sean (u 1, u 2,..., u n ) y (v 1, v 2,..., v n ) dos bases de R n. Veamos que solo hay un automorfismo f que transforma cada u i (i {1, 2,..., n} ) de la primera base en el correspondiente v i de la segunda. Si existiera ese automorfismo f, como cada vector u de R n se expresa de forma única como combinación lineal u = α 1 u 1 + α 2 u α n u n de los u i, por la linealidad de f, a u no le queda más remedio que aplicarse por f en el vector f(u) = α 1 f(u 1 ) + α 2 f(u 2 ) α n f(u n ). Luego la única posible opción para f sería f(u) = α 1 v 1 + α 2 v α n v n. Compruébese como ejercicio que una tal f definida así es un automorfismo. Sin embargo, lo que nos interesará en el futuro es encontrar una especie de ecuación que nos describa a un automorfismo en función de las coordenadas de los vectores respecto de una base prefijada, por lo común, la canónica. Comencemos entonces dando las imágenes u 1 = f(e 1 ), u 2 = f(e 2 ),..., u n = f(e n ) de los vectores e i de la base canónica de R n por medio del automorfismo f GL n. Cada uno de los u i tendrá unas coordenadas en la base canónica. Sean estas (a i1, a i2,..., a in ), es decir, para cada i {1, 2,..., n}, f(e i ) = u i = a i1 e 1 + a i2 e a in e n, 6
6 donde el doble subíndice de a ij se interpreta de forma parecida a la de los cambios de base de la sección precedente. El primero de los índices indica el vector u i que se va a expresar como combinación lineal de los de la base canónica, y el segundo, el e j al que multiplica en dicha combinación. Los n 2 números a ij pueden disponerse en una matriz A = (a ij ). Basta con estos datos para conocer la imagen de cualquier vector. En concreto, un sencillo cálculo demuestra que si (x 1, x 2,..., x n ) son las coordenadas de u, entonces f(u) es el vector cuyas coordenadas (y 1, y 2,..., y n ) vienen dadas por medio del producto matricial a 11 a a 1n a 21 a a 2n (y 1, y 2,..., y n ) = (x 1, x 2,..., x n ) a n1 a n2... a nn, o, resumida de forma más compacta y = xa, donde x representa al vector fila de las coordenadas de un vector u, por y se denota al vector fila de las coordenadas de f(u) y A es la matriz definida con anterioridad, cuyas filas están constituidas por las coordenadas de las imágenes f(e i ) de los vectores de la base. A las expresiones anteriores se las conoce como las ecuaciones del automorfismo, y se escribe f y = xa. De A se dirá que es la matriz de f, o la matriz asociada a f en la base canónica. En la figura II.10 se ilustra un automorfismo de R 2. Ha quedado establecido que cada automorfismo de GL n queda determinado por una matriz n n. Y ahora nos surge una pregunta natural, dada una matriz n n arbitraria A, existe algún automorfismo f de la cual sea su asociada? La respuesta, en general, es negativa. Por ejemplo, la matriz A llena de ceros no puede ser la matriz de un automorfismo f pues, en tal caso, la aplicación f transformaría todo vector en el vector 0. Ésta era una de las situaciones que se comentaron más arriba de una aplicación lineal no biyectiva. 7
7 Figura II.10 Una herramienta muy útil para averiguar si una matriz A de n filas y n columnas está acreditada para ser la asociada de algún automorfismo es el determinante. No se pretende aquí tratar de modo exhaustivo la teoría de determinantes, pero sí al menos enunciar sus propiedades más significativas. Con objeto de dar una definición elemental de los determinantes, recordaremos el concepto de adjunto de un elemento de una matriz. Sea A una matriz n n, con n > 1. Por adjunto del elemento a ij se entenderá a la matriz de n 1 filas y n 1 columnas obtenida de A mediante la supresión de la fila y la columna a la que pertenece a ij. Al adjunto de a ij se le denotará por A ij. Por ejemplo, si A es la matriz A = 2 π , ( 1 6 entonces el adjunto de a 12 = π es la matriz ( ) 2 4 es A = ), y el adjunto de a 22 = 0 8
8 Definición II.2 A cada matriz A de orden n n se le asocia un número real A, llamado el determinante de A, y que se calcula inductivamente mediante: i) Si n = 1, entonces A es el único elemento a 11 de la matriz. ii) Si n > 1, entonces A = a 11 A 11 a 12 A 12 + a 13 A ± a 1n A 1n. Adviértase que los signos del segundo miembro de la expresión de arriba cambian alternativamente. La definición anterior, aun no dando una fórmula explícita de cálculo, funciona. En efecto, el determinante de una matriz A de orden n n viene en función de n determinantes A 1n de orden (n 1) (n 1). Cada uno de ellos se obtendría evaluando otros determinantes de orden (n 2) (n 2). Y así sucesivamente llegaríamos a n! (factorial de n) determinantes de orden 1 1 cuyo valor es el de ellos mismos. Desde luego que no es nada cómodo operar así. Para órdenes bajos, existen procedimientos simples que dan el determinante de una matriz y que se recuerdan a continuación. El determinante de una matriz 2 2 es a 11 a 12 a 21 a 22 = a 11a 22 a 12 a 21. El de una matriz 3 3 es a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 = = a 11 a 22 a 33 + a 12 a 23 a 31 + a 13 a 21 a 32 a 13 a 22 a 31 a 11 a 23 a 32 a 12 a 21 a 33, para el que existe una sencilla regla mnemotécnica: los productos representados a la izquierda de la figura II.11 llevan signo positivo, mientras que los de la derecha lo llevan negativo. 9
9 Figura II.11 Por desgracia no hay otras reglas tan sencillas como estas que puedan ser aplicadas a determinantes de orden superior a 3. Las propiedades más importantes de los determinantes quedan resumidas en el siguiente Teorema II.3 Sea A una matriz n n. Entonces: i) A = A t, donde A t denota a la matriz traspuesta de A, es decir, la obtenida de A al intercambiar las filas por las columnas. El intercambio ha de entenderse en el sentido de que para cada i y cada j, el elemento de la i ésima fila y j ésima columna de A t coincide con el de la j ésima fila e i ésima columna de la matriz A. ii) Para n > 1, el determinante A es igual a 0 si y solamente si alguno de los vectores fila de A es combinación lineal del resto de los vectores fila. iii) Para n > 1, el determinante A es igual a 0 si y solamente si alguno de los vectores columna de A es combinación lineal del resto de los vectores columna. iv) Si B es una matriz obtenida de A mediante el intercambio de dos vectores fila o de dos vectores columna, entonces el determinante de B es el opuesto del determinante de A. v) Si a un vector fila de A se le suma una combinación lineal del resto de los vectores fila y no se alteran las filas restantes, se obtiene otra matriz B tal que B = A. vi) Si a un vector columna de A se le suma una combinación lineal del resto de los vectores columna y no se alteran las columnas restantes, se obtiene otra matriz B tal que B = A. 10
10 vii) Si B es otra matriz n n, entonces AB = A B. Usando del modo adecuado los enunciados de arriba, se facilita el cálculo de determinantes de matrices de orden superior. Por ejemplo, dada la matriz A = el determinante de A se obtendría, recurriendo directamente a la definición, por medio de, A = ( 7) Y así se reduce el cálculo de A al de 4 determinantes de matrices de orden 3 3. Sin embargo, es factible aprovechar que la segunda fila de A contiene dos ceros para, permutando las dos primeras filas, recurrir a la propiedad iv) y escribir = Así, solo necesitaremos evaluar dos determinantes en lugar de cuatro pues los dos primeros elementos de la primera fila son ceros y, multipliquen a lo que multipliquen, anularán a dos de los cuatro sumandos. Más aún, Si tenemos en cuenta a vi), multiplicando por 3 la tercera columna y sumándosela a la cuarta aniquilaremos otro elemento de la primera fila: ,
11 de donde A = ( 1) = = ( 1) ( 1) = 20. Lo que nos interesa, por el momento, de los determinantes es que resuelven el problema que nos planteábamos líneas arriba, el de dilucidar cuándo una matriz n n es la asociada de algún automorfismo. Teorema II.4 Una matriz de orden n n es la asociada de algún automorfismo f de R n si y solo si A 0. Dadas dos bases B = (u 1, u 2,..., u n ) y B = (v 1, v 2..., v n ) de R n, vimos más arriba que conocida la matriz A = (a ij ), cuyas filas son las coordenadas de los u i en la base B, los vectores fila x y y de coordenadas de un vector respecto de ambas bases quedan relacionados por medio de la expresión y = xa. Hay una evidente analogía entre esta última igualdad y la ecuación de un automorfismo. De hecho, fijadas B y B, puede considerarse el automorfismo f que transforma cada u i en el v i (i {1, 2..., n}). Es obvio que f y = xa, de donde se desprende fácilmente, con la ayuda del teorema II.4, que una matriz n n es la matriz de algún cambio de base si y solamente si A = 0. Conviene entonces bautizar esta propiedad. Definición II.3 De una matriz se dice que es no singular, si posee tantas filas como columnas y su determinante no se anula. A continuación expondremos otra naturaleza del grupo lineal. Para ello, obsérvese que el automorfismo Id deja invariantes a todos los vectores de la base canónica. La identidad quedará descrita por una matriz del tipo ,
12 o sea, una matriz (a ij ) donde a ij = 1 si i = j, y a ij = 0 para i j. A una tal matriz se la denomina matriz unidad de orden n y se la denota por I n, o simplemente por I si no hay lugar a confusión. Por otro lado, si f y g son dos automorfismos de R n de matrices respectivas A y B en la base canónica, entonces para hallar la imagen por g f del vector u, cuyas coordenadas consistan en el vector fila x, tendremos que multiplicar (a la derecha) primero por la matriz A y luego por la matriz B, es decir, (g f) y = xab. De ahí que la matriz asociada a la composición g f se obtenga como el producto (en orden inverso) de las respectivas matrices de g y f. Lo anterior nos lleva a pensar que el grupo lineal GL n es, en esencia, el grupo de las matrices no singulares de orden n n, con el producto invertido y con la matriz unidad como elemento neutro. Queda por dilucidar la existencia de elemento inverso. Sea entonces A una matriz no singular de orden n n. Esta matriz define un automorfismo f de R n. Denotemos por A 1 a la matriz asociada al automorfismo f 1 inverso de f. Como f f 1 = f 1 f = Id, ha de ocurrir que A 1 A = AA 1 = I, con lo que el grupo lineal GL n puede asimilarse al grupo de las matrices no singulares de orden n n. Aunque no abundaremos en ello, queremos incluir aquí algún método de cálculo de la inversa de una matriz. Dada una matriz A = (a ij ), si denotamos por (b ij ) a la inversa de A, entonces cada b ij viene dado por b ij = ( 1) i+j A ji A. En términos coloquiales, para hallar A 1, primero se traspone, luego se sustituye cada elemento a ji por el determinante de su adjunto A ji afectado del signo ( 1) i+j, y, por último, se dividen todos los elementos por A. Compruebe el lector, por el gusto de practicar, que si A = , entonces A 1 = /11 1/11 2/11 4/11 1/11 2/11. 2/11 5/11 1/11 13
13 Hay algunas consecuencias sencillas de todo lo razonado hasta ahora. Por ejemplo, sabemos que la matriz unidad I n satisface que A I n = A = I n A cualquiera que sea la matriz A de orden n n. Tomando determinantes y aplicando el teorema II.3.vii) se obtendrá A I n = A = I n A, lo cual solo sucede si I n = 1. Un argumento semejante lleva a que A 1 = A 1 para cada matriz no singular A. Hasta ahora solo hemos considerado ecuaciones de automorfismos en donde los datos estaban todos referidos a la base canónica. Para finalizar esta sección, se discutirá lo que ocurre cuando se manejan otras bases distintas. Sea f un automorfismo de GL n de ecuación f y = xa con respecto a la base canónica. Recuérdese que esto significa que los vectores fila de la matriz A son las imágenes f(e i ) de los vectores e i de la base canónica, y que si x representa al vector fila de coordenadas de un vector u, entonces y es el vector fila de coordenadas de la imagen f(u) de u. Todas las coordenadas están referidas a la base canónica. Sea ahora B = (u 1, u 2,..., u n ) otra base y P = (p ij ) la matriz del cambio de base. Se pretende encontrar alguna ecuación que ligue las coordenadas de cada vector u y las de su imagen f(u), pero ahora referidas a la nueva base B. Dado un vector u de coordenadas x respecto a la base B, sus coordenadas en la canónica serán x = xp, y su imagen por f tendrá unas coordenadas y = (xp )A respecto a la canónica. Las coordenadas y de f(u) respecto de la base B y las coordenadas y, también de f(u), pero respecto a la canónica están ligadas por la relación y = yp, y, multiplicando a la derecha ambos miembros por la inversa de P, se obtiene y = y P 1. Así, las coordenadas de f(u) referidas a la base B vendrán dadas por y P 1 = ((xp )A)P 1. Como el producto de matrices es asociativo, podemos escribir f y = x(p AP 1 ) 14
14 como nueva ecuación para f, donde las coordenadas están ahora referidas a la base B. Un hecho curioso se produce al tomar determinantes, y obtener P AP 1 = P A P 1 = A, es decir, un automorfismo puede quedar descrito por varias matrices dependiendo de la base que se fije, pero el determinante de todas esas matrices valdrá la misma cantidad. En ese sentido, el determinante es lo que en matemáticas se denomina un invariante. 15
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 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 detallesApuntes 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 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 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 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 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 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 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 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 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 detalles4 APLICACIONES LINEALES. DIAGONALIZACIÓN
4 APLICACIONES LINEALES DIAGONALIZACIÓN DE MATRICES En ocasiones, y con objeto de simplificar ciertos cálculos, es conveniente poder transformar una matriz en otra matriz lo más sencilla posible Esto nos
Más 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 detallesCAPÍTULO 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 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 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 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 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 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 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 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 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 detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más 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 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 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 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 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 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 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 detallesa < 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 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 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 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 detallesEspacios Vectoriales
Espacios Vectoriales Departamento de Matemáticas, CCIR/ITESM 4 de enero de 2 Índice 3.. Objetivos................................................ 3.2. Motivación...............................................
Más detalles4 Aplicaciones lineales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 4 Aplicaciones lineales 4. Aplicación lineal Sean V y W dos espacios vectoriales sobre el mismo cuerpo K (en general, R o C. Una aplicación
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 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 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 detalles1. Números Reales 1.1 Clasificación y propiedades
1. Números Reales 1.1 Clasificación y propiedades 1.1.1 Definición Número real, cualquier número racional o irracional. Los números reales pueden expresarse en forma decimal mediante un número entero,
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 detallesUniversidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA. Funciones
Universidad de Costa Rica Escuela de Matemática CONARE-PROYECTO RAMA Funciones José R. Jiménez F. Temas de pre-cálculo I ciclo 007 Funciones 1 Índice 1. Funciones 3 1.1. Introducción...................................
Más detallesObjetivos: Al inalizar la unidad, el alumno:
Unidad 7 transformaciones lineales Objetivos: Al inalizar la unidad, el alumno: Comprenderá los conceptos de dominio e imagen de una transformación. Distinguirá cuándo una transformación es lineal. Encontrará
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 detallesGrupos. Subgrupos. Teorema de Lagrange. Operaciones.
1 Tema 1.-. Grupos. Subgrupos. Teorema de Lagrange. Operaciones. 1.1. Primeras definiciones Definición 1.1.1. Una operación binaria en un conjunto A es una aplicación α : A A A. En un lenguaje más coloquial
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 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 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 detallesCaracterísticas de funciones que son inversas de otras
Características de funciones que son inversas de otras Si f es una función inyectiva, llamamos función inversa de f y se representa por f 1 al conjunto. f 1 = a, b b, a f} Es decir, f 1 (x, y) = { x =
Más detallesDivisibilidad y números primos
Divisibilidad y números primos Divisibilidad En muchos problemas es necesario saber si el reparto de varios elementos en diferentes grupos se puede hacer equitativamente, es decir, si el número de elementos
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 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 detallesAplicaciones Lineales
Aplicaciones Lineales Ejercicio Dada la matriz A = 0 2 0 a) Escribir explícitamente la aplicación lineal f : 2 cuya matriz asociada con respecto a las bases canónicas es A. En primer lugar definimos las
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 detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detallesA estas alturas de nuestros conocimientos vamos a establecer dos reglas muy prácticas de cómo sumar dos números reales:
ADICIÓN Y RESTA DE NUMEROS REALES ADICIÓN L a adición o suma de números reales se representa mediante el símbolo más (+) y es considerada una operación binaria porque se aplica a una pareja de números,
Más detallesEjemplos y problemas resueltos de análisis complejo (2014-15)
Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es
Más detallesDependencia 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 detallesÁLGEBRA 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 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 detalles9.1 Primeras definiciones
Tema 9- Grupos Subgrupos Teorema de Lagrange Operaciones 91 Primeras definiciones Definición 911 Una operación binaria en un conjunto A es una aplicación α : A A A En un lenguaje más coloquial una operación
Más detallesUNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES. OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano.
UNIDAD 4: PLANO CARTESIANO, RELACIONES Y FUNCIONES OBJETIVO DE APRENDIZAJE: Representar gráficamente relaciones y funciones en el plano cartesiano. EL PLANO CARTESIANO. El plano cartesiano está formado
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 detallesAplicaciones lineales continuas
Lección 13 Aplicaciones lineales continuas Como preparación para el cálculo diferencial, estudiamos la continuidad de las aplicaciones lineales entre espacios normados. En primer lugar probamos que todas
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
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 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 detallesMatrices y sus operaciones
Capítulo 1 Matrices y sus operaciones 1.1. Definiciones Dados dos enteros m, n 1 y un cuerpo conmutativo IK, llamamos matriz de m filas y n columnas con coeficientes en IK a un conjunto ordenado de n vectores
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesLos números racionales
Los números racionales Los números racionales Los números fraccionarios o fracciones permiten representar aquellas situaciones en las que se obtiene o se debe una parte de un objeto. Todas las fracciones
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 detallesCAPÍTULO II. 5 El grupo ortogonal
CAPÍTULO II 5 El grupo ortogonal Desde el punto de vista afín, no existen discriminaciones entre el sistema de referencia canónico y otro sistema de referencia arbitrario. Ello se debe a que uno puede
Más detallesMatrices: Conceptos y Operaciones Básicas
Matrices: Conceptos y Operaciones Básicas Departamento de Matemáticas, CCIR/ITESM 8 de septiembre de 010 Índice 111 Introducción 1 11 Matriz 1 113 Igualdad entre matrices 11 Matrices especiales 3 115 Suma
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 detallesOPERACIONES ELEMENTALES CON VECTORES
VECTORES EN 3D (O EN R 3) Presentación: este apunte te servirá para repasar y asimilar que son los vectores en un espacio tridimensional, sólo hablamos de los vectores como se utilizan en Álgebra, para
Más detallesDatos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina
Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción
Más detallesMATRICES 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 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 detallesLÍMITES Y CONTINUIDAD DE FUNCIONES
Capítulo 9 LÍMITES Y CONTINUIDAD DE FUNCIONES 9.. Introducción El concepto de ite en Matemáticas tiene el sentido de lugar hacia el que se dirige una función en un determinado punto o en el infinito. Veamos
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 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 detallesMatrices invertibles. La inversa de una matriz
Matrices invertibles. La inversa de una matriz Objetivos. Estudiar la definición y las propiedades básicas de la matriz inversa. Más adelante en este curso vamos a estudiar criterios de invertibilidad
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 detallesAlgebra Matricial y Optimización Segundo Examen Parcial Maestro Eduardo Uresti, Semestre Enero-Mayo 2012
Grupo: Matrícula: Nombre: Algebra Matricial y Optimización Segundo Examen Parcial Maestro Eduardo Uresti, Semestre Enero-Mayo 22. (pts) Sea A una matriz cuadrada. Indique validez a cada una de las siguientes
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 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 detallesSubconjuntos destacados en la
2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,
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 detallesEsta es la forma vectorial de la recta. Si desarrollamos las dos posibles ecuaciones, tendremos las ecuaciones paramétricas de la recta:
Todo el mundo sabe que dos puntos definen una recta, pero los matemáticos son un poco diferentes y, aún aceptando la máxima universal, ellos prefieren decir que un punto y un vector nos definen una recta.
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 detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesMatrices. 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 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 detallesEjercicios de Trigonometría
Ejercicios de Trigonometría 1) Indica la medida de estos ángulos en radianes: a) 0º b) 45º c) 60º d) 120º Recuerda que 360º son 2π radianes, con lo que para hacer la conversión realizaremos una simple
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 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 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 detalles1 El espacio vectorial R n.
Manuel Gutiérrez Departamento de Álgebra, Geometría y Topología Universidad de Málaga February 26, 2009 1 El espacio vectorial R n. La estructura de espacio vectorial es posiblemente la estructura más
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 detalles