TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Gustavo A. Madero II

Álgebra Lineal

M. en C. José Antonio Cuatepotzo Varela

044-5518-962866 / [email protected]
Enero 2017
NÚMEROS COMPLEJOS
ÍNDICE TEMÁTICO
 1.1 Definición y origen de los números complejos.
 1.2 Operaciones fundamentales con números complejos.
 1.3 Potencias de “i”, módulo o valor absoluto de un número complejo.
 1.4 Forma polar y exponencial de un número complejo.
 1.5 Teorema de De Moivre, potencias y extracción de raíces de un
número complejo.
 1.6 Ecuaciones polinómicas.
1.1 Definición y origen de los números complejos
 Origen

 La primera referencia conocida a raíces cuadradas de números

negativos proviene del trabajo de los matemáticos griegos, como
Herón de Alejandría en el siglo I antes de Cristo, como resultado de una
imposible sección de una pirámide.

 Los complejos se hicieron más patentes en el Siglo XVI, cuando la

búsqueda de fórmulas que dieran las raíces exactas de los polinomios
de grados 2 y 3 fueron encontradas por matemáticos italianos como
Tartaglia, Cardano.
1.1 Definición y origen de los números complejos
 Aunque sólo estaban interesados en las raíces reales de este tipo de
ecuaciones, se encontraban con la necesidad de lidiar con raíces de
números negativos. El término imaginario para estas cantidades fue
acuñado por Descartes en el Siglo XVII y está en desuso.

 La existencia de números complejos no fue completamente aceptada

hasta la más abajo mencionada interpretación geométrica que fue
descrita por Wessel en 1799, redescubierta algunos años después y
popularizada por Gauss. La implementación más formal, con pares de
números reales fue dada en el Siglo XIX.
1.1 Definición y origen de los números complejos
 Definción

2
 La unidad de los números imaginarios es −1y se representa, en general, por
la letra i. Muchas de las propiedades de los números reales son válidas
también en los números imaginarios.

2 2 2 2 2
 −4 = (4)(−1) = 4 ∗ −1 = 2 ∗ −1 = 2𝑖
2
𝑖= −1
2 2
 𝑖2 = 𝑖 ∗ 𝑖 = −1 ∗ −1 = −1
 𝑖 3 = 𝑖 ∗ 𝑖 2 = −𝑖
 𝑖4 = 𝑖2 ∗ 𝑖2 = 1
1.1 Definición y origen de los números complejos
2
 Son de la forma 𝑎 + 𝑏𝑖 siendo a y b números reales, e −1 = 𝑖. En el número
complejo 𝑎 + 𝑏𝑖 , a recibe el nombre de parte real y bi el de parte imaginaria,
si a = 0, el número complejo se llama imaginario puro; si b = 0, el número
complejo se reduce al número real a. Por consiguiente, en los número
complejos están incluidos todos los números reales y todos los imaginarios
puros.

 La condición necesaria y suficiente para que los números complejos 𝑎 + 𝑏𝑖 y

𝑐 + 𝑑𝑖 sean iguales es que a = c y b = d. Así, pues a + bi = 0 si y sólo si, a = 0,
b = 0. Si c + di = 3, se tendrá c = 3, d = 0.

 El conjugado de un número complejo 𝑎 + 𝑏𝑖 es 𝑎 − 𝑏𝑖, y recíprocamente. Por

ejemplo 5 - 3i y 5 + 3i son conjugados.
1.2 Operaciones fundamentales con números complejos

 Suma de Números Complejos

 Para sumar 2 números complejos se suman, por una parte, las partes
reales y, por otra, las imaginarias. Por ejemplo:

 𝑎 + 𝑏𝑖 + 𝑐 + 𝑑𝑖 = 𝑎 + 𝑐 + 𝑏 + 𝑑 ∗ 𝑖
 5 + 4𝑖 + 3 + 2𝑖 = 8 + 6𝑖
 −6 + 2𝑖 + 4 − 5𝑖 = −2 − 3𝑖
3 8 2 9 11 43
 − + 𝑖 + + 𝑖 =− + 𝑖
5 3 7 2 35 6
1.2 Operaciones fundamentales con números complejos

 Resta de Números Complejos

 Para restar 2 números complejos se restan, por una parte, las partes
reales y, por otra, las imaginarias. Por ejemplo:

 𝑎 + 𝑏𝑖 − 𝑐 + 𝑑𝑖 = 𝑎 + 𝑐 − 𝑏 + 𝑑 ∗ 𝑖
 2 + 9𝑖 − 7 + 2𝑖 = −5 + 7𝑖
 −6 + 2𝑖 − 14 − 13𝑖 = −20 + 15𝑖
11 7 1 9 82 1
 − + 𝑖 − − 𝑖 =− + 𝑖
5 3 7 4 35 12
1.2 Operaciones fundamentales con números complejos

 Producto de Números Complejos

 Para multiplicar 2 números complejos se efectúa la operación como si

se tratase de un binomio o bien polinomios. Por ejemplo:

 8 + 3𝑖 ∗ 9 − 6𝑖 = 72 − 48𝑖 + 27𝑖 − 18𝑖 2 = 72 − 21𝑖 − 18 ∗ −1 = 90 − 21𝑖

 9 − 7𝑖 ∗ 7 − 12𝑖 ∗ 4 − 𝑖 = −241 − 607𝑖
3 𝑖 8 243
 + 4𝑖 ∗ −6 − =− − 𝑖
5 2 5 10
5
 2 + 3𝑖 = 122 − 597𝑖
1.2 Operaciones fundamentales con números complejos

 Cociente de Números Complejos

 Para dividir 2 números complejos se multiplican el numerador y el

denominador por el conjugado del denominador. Por ejemplo:

2+𝑖 2+𝑖 3+4𝑖 6+8𝑖+3𝑖+4𝑖 2 2+11𝑖 2 11

 = ∗ = = = + 𝑖
3−4𝑖 3−4𝑖 3+4𝑖 9−12𝑖+12𝑖−16𝑖 2 25 25 25
5+2𝑖 2 21+20𝑖 7+3𝑖 3 7
 = ∗ = + 𝑖
7−3𝑖 7−3𝑖 7+3𝑖 2 2
3+𝑖 2 3 79
 =− + 𝑖
3−𝑖 3 250 250
1.3 Potencias de “i”, módulo o valor absoluto de un número complejo

 Así como los números reales pueden representarse por los puntos de
una recta, los números complejos pueden representarse por los puntos
del plano.

 Concretamente, el punto (a, b) del plano representará el número

complejo 𝑧 = 𝑎 + 𝑏𝑖, es decir, el número cuya parte real es a y cuya
parte imaginaria es b. El valor absoluto de z, escrito como |𝑧|, se define
como la distancia de z al origen:

 𝑧 = 𝑎 + 𝑏𝑖
2
 𝑧 = 𝑎2 + 𝑏 2
1.3 Potencias de “i”, módulo o valor absoluto de un número complejo

 Empleando un sistema de coordenadas rectangular, el número

complejo 𝑥 + 𝑦𝑖 se corresponde con el punto cuyas coordenadas son
(x, y).
yi

 a) -2 + 3i
 b) -1 – 4i
 c) 2 – 4i
-x x
 d) 2i
 e) -2i
 f) 4
 g) -3
-yi
1.4 Forma polar y exponencial de un número complejo

 La expresión 𝑟 ∗ (cos 𝜃 + sin 𝜃 𝑖) es la forma polar, por tanto 𝑥 + 𝑦𝑖 es la

forma binómica del mismo número complejo.

 En la siguiente figura, consideremos lo siguiente:

x = r  cos 
y = sen x + yi
y
x + yi = r (cos  + i  sen )
 i = (cos  + i  sen ) r
z = r *  i 
x
1.4 Forma polar y exponencial de un número complejo

 Ejemplos de números complejos en forma polar

 2 + 2𝑖
a) Módulo o Valor absoluto
2 + 2i r = x 2 + y 2 = 22 + 22 = 8 ó 2 2
2i
r
b) Amplitud o Argumento
 = tg −1 ( 22 ) = 45

2 c) Número complejo en Forma Polar
2 + 2i = r  (cos + i  sen )
2 + 2i = 2 2  (cos 45 + i  sen45)
1.4 Forma polar y exponencial de un número complejo

 Con Wolfram Alpha ®

1.4 Forma polar y exponencial de un número complejo

 −3 + 3𝑖
a) Módulo o Valor absoluto
− 3+ 3i r = x2 + y 2 = (− 3)2 + 32 = 9 + 9 = 18 ó 3 2
3i
b) Amplitud o Argumento
r
 = sen −1 (3 3 2 ) = 45180 - 45 = 135

−3 c) Número complejo en Forma Polar
− 3 + 3i = r  (cos + i  sen )
− 3 + 3i = 3 2  (cos135 + i  sen135)
1.4 Forma polar y exponencial de un número complejo

 Con Wolfram Alpha ®

1.4 Forma polar y exponencial de un número complejo

 Multiplicación de números complejos en forma polar

 El módulo del producto de 2 números complejos es el producto de sus

módulos y el argumento es la suma de sus argumentos.

r1  (cos1 + i  sen1 ) r2  (cos2 + i  sen2 ) = r1  r2 (cos1 + 2 + i  sen1 + 2 )

 2 ∗ cos 30° + 𝑖 ∗ sin 30° ∗ 6 ∗ cos 120° + 𝑖 ∗ sin 120° = 12 ∗ cos 150° + 𝑖 ∗ sin 150°

 Conversión a número complejo:

 12 ∗ cos 150° + 𝑖 ∗ sin 150° = 12𝑒150𝑖 ≅ −10.3923 + 6𝑖
1.4 Forma polar y exponencial de un número complejo

 División de números complejos en forma polar

 El módulo del cociente de 2 números complejos es el cociente de sus

módulos y el argumento es la diferencia de sus argumentos.

r1  (cos1 + i  sen1 ) = r1  (cos −  + i  sen −  )

r2  (cos 2 + i  sen 2 ) r2 1 2 1 2

6∗ cos 82°+𝑖∗sin 82°

 = 3 ∗ cos 32° + 𝑖 ∗ sin 32° = 3𝑒 32𝑖 ≅ 2.54414 + 1.58976𝑖
2∗ cos 50°+𝑖∗sin 50°
1.4 Forma polar y exponencial de un número complejo

 División de números complejos en forma polar

 El módulo del cociente de 2 números complejos es el cociente de sus

módulos y el argumento es la diferencia de sus argumentos.

r1  (cos1 + i  sen1 ) = r1  (cos −  + i  sen −  )

r2  (cos 2 + i  sen 2 ) r2 1 2 1 2

6∗ cos 82°+𝑖∗sin 82°

 = 3 ∗ cos 32° + 𝑖 ∗ sin 32° = 3𝑒 32𝑖 ≅ 2.54414 + 1.58976𝑖
2∗ cos 50°+𝑖∗sin 50°
1.5 Teorema de De Moivre, potencias y extracción de raíces de un
número complejo
 Potencia de números complejos en forma polar

 La potencia enésima de 𝑟 ∗ (cos 𝜃 + sin 𝜃 𝑖) se expresa como:

r  (cos + i  sen )n = r n  (cosn  + i  senn  )

 Esta relación es la fórmula de Moivre y se verifica para todo valor real

del exponente. Si el exponente es una fracción tendremos:
(x + yi) = r  (cos + i  sen )
1 1

  
n n

r  (cos + i  sen )
1
= r   cos + i  sen 
1
n n

 n (x + yi) = r  (cos + k  360+ i  sen + k  360)

1 1
n n n

  + k  360   + k  360 
(x + yi)
1
= r n  cos + 
1
n
 i sen 
  n   n 
1.5 Teorema de De Moivre, potencias y extracción de raíces de un
número complejo
 Ejemplos de Potencia de números complejos en forma polar (entera)

4  (cos15 + i  sen15)2 = 42  (cos 30 + i  sen30) = 16  (cos 30 + i  sen30) = 1630i = 8 * 3 + 8i

1.5 Teorema de De Moivre, potencias y extracción de raíces de un
número complejo
 Ejemplos de Potencia de números complejos en forma polar (raíz)

  60 + k  360   60 + k  360  

2 16  (cos 60 + i  sen60) = 4   cos  + i  sen  
  2   2 
z1 (k = 0) = 4(cos30 + i  sen30) = 2 3 + 2i
z2 (k = 1) = 4(cos 210 + i  sen210) = −2 3 − 2i
1.5 Teorema de De Moivre, potencias y extracción de raíces de un
número complejo
  60 + k  360   60 + k  360  
4 4  (cos 60 + i  sen60) = 2 2   cos  + i  sen 
  4   4 
z1 (k = 0) = 2 2 (cos15 + i  sen15)
z2 (k = 1) = 2 2 (cos105 + i  sen105)
z3 (k = 2) = 2 2 (cos195 + i  sen195)
z4 (k = 3) = 2 2 (cos 285 + i  sen285)
1.6 Ecuaciones polinómicas

 Ecuaciones de Grado n

 Para solucionar una ecuación polinómica de grado n, se realizan

simples despejes, sumas, restas, multiplicaciones, divisiones, potencias y
raíces. Por ejemplo:
(1 − 3i ) − z − (4 + 3i ) = (1 − 2i ) + (5 + 3i ) − z = (1 − 2i ) − (5 + 3i ) − (1 − 3i ) + (4 + 3i )
− z = 1 − 2i − 5 − 3i −1 + 3i + 4 + 3i − z = −1 + i z = 1− i

(1 − 2i ) = (2 + i ) → (1 − 2i ) = (2 + i ) z → (1 − 2i ) = z → z = (1 − 2i ) → z = (1 − 2i )  (2 − i )
z (2 + i ) (2 + i ) (2 + i ) (2 − i )
2 − i − 4i + 2i 2 2 − 5i + 2i 2 2 − 5i − 2 − 5i
z= = = = = −i
4−i 2
4 +1 5 5
1.6 Ecuaciones polinómicas

(4 + 8i ) = (3 + 2i ) → (4 + 8i ) = (3 + 2i ) z → (4 + 8i ) = z → z = (4 + 8i ) → z = (4 + 8i )  (3 − 2i )
z (3 + 2i ) (3 + 2i ) (3 + 2i ) (3 − 2i )
12 − 8i + 24i − 16i 2 12 + 16i + 16 28 + 16i
z= = =
9 − 4i 2
9+4 13
1.6 Ecuaciones polinómicas
 MATRICES Y
DETERMINANTES
ÍNDICE TEMÁTICO
 2.1 Definición de matriz, notación y orden.
 2.2 Operaciones con matrices.
 2.3 Clasificación de las matrices.
 2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz.
 2.5 Cálculo de la inversa de una matriz.
 2.6 Definición de determinante de una matriz.
 2.7 Propiedades de los determinantes.
 2.8 Inversa de una matriz cuadrada a través de la adjunta.
 2.9 Aplicación de matrices y determinantes.
2.1 Definición de matriz, notación y orden

 Definición

 Las matrices son un arreglo de elementos (normalmente números o

escalares) en filas y columnas, y son de gran importancia para el
álgebra lineal; se utilizarán a lo largo de toda la unidad.

 Sea una tabla ordenada de números como sigue:

 a11 a12  a1n 

a a22  a2 n 
A=  21

     
 
am1 am 2  amn 
 2.1 Definición de matriz, notación y orden

 La tabla A se le denomina matriz. Tal matriz se denota por:

A = (aij ), i = 1,..., m, j = 1,..., n, o simplemente A = (aij ), las m n - plaz horizontales

(a11,a12 ,...,a1n )(, a21,a22 ,...,a2 n ),...,(am1,am 2 ,...,amn )

 y se le denominan filas de matriz y las n m – plaz verticales:

 a11   a12   a1n 

    
 21   22   2 n 
a a a
   ,   ,...,  
    
a  a  a 
 m1   m 2   mn 
2.1 Definición de matriz, notación y orden

 A sus columnas. Nótese que el elemento aij llamado componente ij,

aparece en la fila i – ésima y en la columna j – ésima. Una matriz con m
filas y n columnas se llama m por n, o matriz m x n; el par de números
(m, n) se llama su tamaño.

 Para referirse a una matriz con una fila se utiliza también la expresión
vector fila; y para referirse a una con una columna, la expresión vector
columna. En particular un elemento de la matriz puede verse como
otra matriz de 1 x 1. Por ejemplo, se denominan matrices cuadradas, a
aquellas que tienen el mismo número filas y columnas, y con éstas,
podremos elaborar matrices inversas, así como su aplicación para
resolver sistemas de ecuaciones lineales de m incógnitas.
2.2 Operaciones con matrices

 Sean A y B dos matrices con el mismo tamaño (esto es con el mismo

número de filas y columnas), digamos dos matrices m x n:
 a11 a12  a1n   b11 b12  b1n 
a a22  a2 n  b b22  b2 n 
A=  21
y B=  21

           
   
am1 am 2  amn  bm1 bm 2  bmn 

 La suma de A y B, escrito A + B, es la matriz obtenida sumando las

entradas correspondientes de ambas:
 a11 + b11 a12 + b12  a1n + b1n 
a +b a22 + b22  a2 n + b2 n 
A + B =  21 21
     
 
am1 + bm1 am 2 + bm 2  amn + bmn 
2.2 Operaciones con matrices
 El producto de un escalar k por la matriz A, escrito k∙A, es la matriz obtenida
multiplicando cada entrada de A por k:
 ka11 ka12  ka1n 
 ka ka22  ka2 n 
k  A =  21
     
 
kam1 kam 2  kamn 

 Obsérvese que A + B y k∙A, son matrices m x n también. Además definimos

que:

−𝐴 = −1 ∙ 𝐴 𝑦 𝐴 – 𝐵 = 𝐴 + (− 𝐵)

 La suma de matrices con tamaños diferentes no está definida.

2.2 Operaciones con matrices

 Ejemplos:
2.2 Operaciones con matrices

 El producto de 2 matrices A y B, escrito AB, es algo complicado. Por

esta razón comenzaremos con un caso en particular. El producto de AB
de una matriz fila A=(aij) y una matriz columna B=(bij), con el mismo
número de elementos, se distingue como sigue:
 b1 
b  n
a1 , a2 ,..., an   2  = a1b1 + a2b2 + ... + anbn =  ak bk
 k =1
 
bn 

 Note que AB es un escalar (o matriz de 1 x 1). El producto AB no está

definido si A y B tienen números diferentes de elementos.
3
8 − 4 5  2  = (8  3) + (− 4  3) + (5  −1) = 24 − 8 − 5 = 11
− 1
2.2 Operaciones con matrices

 Sea: a
A =  11
a12 
a21 a22 

b b 
B =  11 12 
b21 b22 

a b + a b a11  b12 + a12  b22 

AxB =  11 11 12 21
a21  b11 + a22  b21 a21  b12 + a22  b22 

 Y:
 a11 a12 a13  b11 b12 b13 
A = a21 a22 a23  B = b21 b22 b23 
a31 a32 a33  b31 b32 b33 

 a11  b11 + a12  b21 + a13  b31 a11  b12 + a12  b22 + a13  b32 a11  b13 + a12  b23 + a13  b33 
AxB = a21  b11 + a22  b21 + a23  b31 a21  b12 + a22  b22 + a23  b32 a21  b13 + a22  b23 + a23  b33 
 a31  b11 + a32  b21 + a33  b31 a31  b12 + a32  b22 + a33  b32 a31  b13 + a32  b23 + a33  b33 
2.2 Operaciones con matrices

 Ejemplos:
3 21   52 − 6
A = 1  y B= 1 
 3 4 − 3 4 

3  52 + 21  −3 3  −6 + 21  41   − 103 − 143
8 
AxB =  1 2 1
= − 178 − 1 

3 5 + 4  −3 1
3  −6 + 4  4  15 

4 1 9 2 4 9
A = − 5 2 3  y B = 6 3 1 
 8 7 − 6 5 − 8 − 7

 (4  2 + 1 6 + 9  5) (4  4 + 1 3 + 9  −8) (4  9 + 11 + 9  −7 )  59 − 53 − 26

AxB = (− 5  2 + 2  6 + 3  5) (− 5  4 + 2  3 + 3  −8) (− 5  9 + 2 1 + 3  −7 ) = 17 − 38 − 64
 (8  2 + 7  6 + −6  5) (8  4 + 7  3 + −6  −8) (8  9 + 7 1 + −6  −7 ) 28 101 121 
2.2 Operaciones con matrices

 Ejemplos:
2.3 Clasificación de las matrices
 Las matrices tienen una aplicación muy amplia en el universo de las
matemáticas, podemos encontrar matrices triangulares, acompañantes,
ampliadas, adjuntas, complejas, cuadradas, con cambio de base, con
cambio de variable, de coeficientes, diagonal, diagonalizables, equivalente,
escalonada, inversas, no singulares, normales, por bloques, similares, etc.

 Matrices Cuadradas

 Una matriz cuadrada es la que tiene el mismo número de filas y columnas. Se

dice que una matriz cuadrada n x n es de orden n y se le asigna el nombre de
matriz n – cuadrada. En las operaciones de matrices no todas puede
multiplicarse, o sumarse regularmente, pero cuando se consideran a las
matrices de orden n, esta limitación no es problema. Las operaciones de
suma, producto, producto por un escalar y transposición pueden efectuarse
sobre todas las matrices n x n y el resultado es nuevamente una matriz n x n.
2.3 Clasificación de las matrices
 a11 a12  a1n 
a a22  a2n 
A =  21
     
 
am1 am 2  amn 

 Matrices Transpuestas

 La transpuesta de una matriz A, es denotada por AT, es la matriz

obtenida escribiendo las filas de A, por orden, como columnas:

T
 a11 a12  a1n  a11 a21  am1 
a a a  a a a 
 21 22 2 n  = 12 22 m 2 
         
   
am1 am 2  amn  a1n a2n  amn 
2.3 Clasificación de las matrices
 La operación de transposición definida sobre matrices satisface las
siguientes propiedades:
i ) ( A + B )T = AT + BT
( )
ii ) AT
T
=A
iii ) (kA) = kAT (si k es un escalar)
T

( )
iv ) ABT = BT AT

 Matrices Adjuntas.

 Se considera una matriz n – cuadrada (aij) sobre un cuerpo K. El adjunto

clásico (tradicionalmente llamado adjunto) de A, se denota por adj A,
y es la traspuesta de la matriz de cofactores de A:
2.3 Clasificación de las matrices

 a11 a12 a13 

si A = a21 a22 a23 
a31 a32 a33 
 a22 a23 a21 a23 a21 a22 
 a11 = + a12 = − a13 = + 
 a32 a33 a31 a33 a31 a32 
 a12 a13 a11 a13 a11 a12 
adj A =  a21 = − a22 = + a23 = − 
 a32 a33 a31 a33 a31 a32 
 a12 a13 a11 a13 a11 a12 
a31 = + a32 = − a33 = + 
 a22 a23 a21 a23 a21 a22 
2.3 Clasificación de las matrices

 Ejemplos:
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
 Escalonamiento de una matriz

 Una matriz se llama escalonada por renglones o simplemente

escalonada si cumple con las siguientes propiedades:

 1. Todos los renglones cero están en la parte inferior de la matriz.

 2. El elemento delantero de cada renglón diferente de cero está a la
derecha del elemento delantero diferente de cero del renglón anterior.
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
 Ejemplos de matrices escalonadas. En cada renglón diferente de cero
la primera entrada diferente de cero está marcada con el color verde.
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
 Matriz escalonada reducida

 Una matriz se llama escalonada reducida por renglones o simplemente

escalonada reducida si cumple con las siguientes propiedades:

 En cada renglón no nulo el elemento delantero diferente de cero

(“pivote”) es igual a uno.

 Todos los elementos por encima de los pivotes son nulos.

2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
 Imagen de una matriz. Sean 𝑉, 𝑊 espacios vectoriales sobre un campo
𝐹 y sea 𝑇 ∈ 𝐿(𝑉, 𝑊). La imagen de 𝑇 se define como el conjunto de
todos los valores de la aplicación 𝑇:

 Núcleo de una matriz. Sean 𝑉, 𝑊 espacios vectoriales sobre un campo

𝐹 y sea 𝑇 ∈ 𝐿(𝑉, 𝑊). El núcleo (kernel, espacio nulo) de 𝑇 se define
como la preimagen completa del vector nulo:
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
 Rango de una matriz. Sea 𝐴 ∈ 𝑀𝑚 ∗ 𝑛(𝐹). El rango de renglones de la
matriz 𝐴 es el rango de la lista de sus renglones, es decir, la dimensión
del subespacio de 𝐹𝑛 generado por los renglones de 𝐴:

 El rango de columnas de la matriz 𝐴 es el rango de la lista de sus

columnas, es decir, la dimensión del subespacio de Fm generado por
las columnas de 𝐴:
2.4 Transformaciones elementales por reglón. Escalonamiento de una
matriz. Núcleo y rango de una matriz
2.5 Cálculo de la inversa de una matriz

 Se dice que una matriz cuadrada A es invertible (o no singular), si existe

una matriz B con la propiedad de que (A)(B)=(B)(A)=I, siendo I la matriz
identidad.

 Algoritmo para determinar la inversa de una matriz:

 Paso 1: Verificar que la matriz es invertible si y sólo si su determinante es

diferente de cero.
 Paso 2: Construir una matriz (por bloques) n x 2n 𝐴 = 𝑀|𝐼, esto es A, está
en la mitad de la izquierda de M y la matriz identidad I a la derecha.
2.5 Cálculo de la inversa de una matriz

 Paso 3: Reducir por filas M a forma escalonada. Si el proceso genera

una fila nula en la mitad A de M, la matriz no es invisible, en caso
contrario, la mitad de A adoptará forma triangular.
 Paso 4: Más aún, reducir M a la forma canónica por filas 𝐼|𝐵, donde I ha
reemplazado a 𝐴 en la mitad izquierda de la matriz.
 Paso 5: Tomar 𝐴−1 = 𝐵.

 Considere también que toda inversa de la inversa nos devuelve la

matriz original:

 𝐴−1 −1 =𝐴
2.6 Definición de determinante de una matriz

 El determinante de una matriz cuadrada n x n, digamos 𝐴 = 𝑎𝑖𝑗 , se

puede definir por recurrencia sobre n:

det(a11 ) = a11 = a11

a a12  a11 a12

det 11  = = a11  a22− a12  a21
 a21 a22  a21 a22

 a11 a12 a13  a11 a12 a13

 
det a21 a22 a23  = a21 a22 a23 = a11  a22  a33 + a12  a23  a31 + a13  a32  a21−
a a33  a31 a32
 31 a32 a33
a11  a23  a32 + a22  a13  a31 + a33  a12  a21
2.7 Propiedades de los determinantes

 El determinante de una matriz posee las siguientes propiedades:

det (0 ) = 0 det (I ) = 1
det ( A) = det ( A) det ( A) = det ( A)
t +

det ( AB ) = det ( A)  det (B ) det (  A) = n  det ( A)

2.8 Inversa de una matriz cuadrada a través de la adjunta

 La inversa de una matriz por el método de la adjunta debe cumplir con

la siguiente condición:

A−1 =
1
(adj A)T si A  0
A

 Recordando que como ya se vio en el tema 2.5 y 2.6 se debe tomar en

cuenta que sólo se puede sacar la inversa de una matriz a una matriz
cuadrada y que su determinante debe ser distinto de cero.
2.8 Inversa de una matriz cuadrada a través de la adjunta

7 3 − 1   23 41 − 16
T

A = 1 1 4  A−1 =
1 
 22 − 26 76 
9 − 7 − 5 300
13 − 29 4 

T
 1 4 1 4 1 1   23 22 13 
+ − +  1 
 −7 −5 9 −5 9 −7 A−1 =   41 − 26 − 29
−1 −1 300
−1 1  3 7 7 3  − 16 76 4 
A =  − + −
7 3 −1  − 7 −5 9 −5 9 − 7 

1 1 4  3 −1 7 −1 7 3 
 +1 − +  300 
23 11 13
1 
150 300
9 −7 −5 
A−1 =  300 29 
4 1 4 1 41
− 150
13
− 300 
− 754 19
75
1 
75 
2.8 Inversa de una matriz cuadrada a través de la adjunta
2.9 Aplicación de matrices y determinantes

 La aplicación que tienen las matrices y determinantes esta en la solución de

sistemas de ecuaciones lineales resultantes de problemas de Investigación de
Operaciones en problemas de optimización, circuitos eléctricos y en cualquier
otro problema que se formulen este tipo de sistemas. También se emplean en
algunas cuestiones de economía.

 Ejemplo: Supongamos tres industrias interrelacionadas I1, I2, I3 que producen un

único bien cada una y cuya producción se obtiene de la forma siguiente:
Cada unidad de I1 requiere 0.3 unidades de I1, 0.2 unidades de I2 y 0.3
unidades de I3. Cada unidad producida en I2 necesita 0.1 unidades de I1, 0.2
de I2 y 0.3 de I3, y cada unidad de I3 precisa 0, 1, 0.5 y 0.1 unidades
producidas en I1, I2 e I3 respectivamente. Si las demandas exteriores son 45, 50
y 51 unidades de I1, I2 e I3, determina cuáles son los niveles de producción que
permiten el equilibrio de esta economía.
2.9 Aplicación de matrices y determinantes

 Solución: Llamemos x1, x2, x3 a las unidades producidas por las industrias
I1, I2, I3 respectivamente. Se tiene:

 Por tanto hemos de resolver el sistema:

2.9 Aplicación de matrices y determinantes
2.9 Aplicación de matrices y determinantes
SISTEMAS DE ECUACIONES
LINEALES
ÍNDICE TEMÁTICO
 3.1 Definición de sistemas de ecuaciones lineales.
 3.2 Clasificación de los sistemas de ecuaciones lineales y tipos de
solución.
 3.3 Interpretación geométrica de las soluciones.
 3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer.
 3.5 Aplicaciones.
3.1 Definición de sistemas de ecuaciones lineales

 Ecuación

 Una ecuación es una igualdad entre 2 expresiones que se denominan

miembros; una ecuación que sólo verifique para ciertas incógnitas
recibe el nombre de ecuación condicional; y, una ecuación que se
verifica para todos los valores permitidos de sus incógnitas recibe el
nombre de identidad.

 Soluciones

 Es aquel conjunto de valores que satisfacen las condiciones de una

ecuación o conjunto de ecuaciones.
3.1 Definición de sistemas de ecuaciones lineales

 Partes de una ecuación

Incógnitas
a + bx = c Números

1er. Miembro 2do. Miembro

 Sistema de Ecuaciones Lineales con 2 Incógnitas

 Sea x e y de la forma ax+by=c, en donde a, b y c son constantes

donde a y b son distintos a cero, y x e y son incógnitas. Dos ecuaciones
de este tipo constituyen un sistema de ecuaciones lineales:
3.1 Definición de sistemas de ecuaciones lineales
a1 x + b1 y = c1
a2 x + b2 y = c2

 En este caso un sistema de 2 ecuaciones, con 2 incógnitas y un

conjunto de solución que satisfacen simultáneamente a las ecuaciones
y cumplen cada ecuación con su identidad.
a1 x + b1 y + c1 z = d1
 Sistema de Ecuaciones Lineales con 3 Incógnitas a2 x + b2 y + c2 z = d 2
a3 x + b3 y + c3 z = d 3

 Tiene las mismas características de las anteriores, sólo que existen 3

incógnitas.
3.2 Clasificación de los sistemas de ecuaciones lineales y tipos de solución

 Clasificación

 Un conjunto de valores de las incógnitas que verifican

simultáneamente a todas y cada una de las ecuaciones del sistema.
De acuerdo con su solución, un sistema puede ser: Consistente, si
admite solución; o Inconsistente, si no admite solución.

 Un sistema Consistente puede ser: Determinado, si la solución es única

o Indeterminado, si la solución no es única. En este caso se demuestra
que existe una infinidad de soluciones.
3.3 Interpretación geométrica de las soluciones

 Clasificación

 Las ecuaciones lineales con 2 incógnitas representan una recta en el

plano. Si la ecuación lineal tiene 3 incógnitas, su representación gráfica
es un plano en el espacio.
3.3 Interpretación geométrica de las soluciones
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss-Jordan
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss-Jordan
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Gauss-Jordan
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Matriz Inversa por Gauss-Jordan
A -9 x -3 y + 7z = -52
B 7x -7 y -9 z = 112
C 8x -10 y + 1z = 59
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Matriz Inversa por Gauss-Jordan
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Matriz Inversa por Gauss-Jordan

A -9 x -3 y + 7z = -52
B 7x -7 y -9 z = 112
C 8x -10 y + 1z = 59
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Cramer
A -3 x + 7y + 8z = -28
B -1 x -9 y -9 z = 5
C 7x -7 y -3 z = -1
3.4 Métodos de solución de un sistema de ecuaciones lineales: Gauss,
Gauss-Jordan, inversa de una matriz y regla de Cramer
 Cramer

A -3 x + 7y + 8z = -28 x= 4
B -1 x -9 y -9 z = 5 y= 8
C 7x -7 y -3 z = -1 z= -9
3.5 Aplicaciones

 La aplicación que tienen los sistemas de ecuaciones lineales resultantes de

problemas de Investigación de Operaciones de optimización, circuitos
eléctricos y en cualquier otro problema que se formulen este tipo de sistemas.
También se emplean en algunas cuestiones de economía.

 Ejemplo: Supongamos tres industrias interrelacionadas I1, I2, I3 que producen un

único bien cada una y cuya producción se obtiene de la forma siguiente:
Cada unidad de I1 requiere 0.3 unidades de I1, 0.2 unidades de I2 y 0.3
unidades de I3. Cada unidad producida en I2 necesita 0.1 unidades de I1, 0.2
de I2 y 0.3 de I3, y cada unidad de I3 precisa 0, 1, 0.5 y 0.1 unidades
producidas en I1, I2 e I3 respectivamente. Si las demandas exteriores son 45, 50
y 51 unidades de I1, I2 e I3, determina cuáles son los niveles de producción que
permiten el equilibrio de esta economía.
3.5 Aplicaciones

 Solución: Llamemos x1, x2, x3 a las unidades producidas por las industrias
I1, I2, I3 respectivamente. Se tiene:

 Por tanto hemos de resolver el sistema:

3.5 Aplicaciones
ESPACIOS VECTORIALES
ÍNDICE TEMÁTICO
 4.1 Definición de espacio vectorial.
 4.2 Definición de subespacio vectorial y sus propiedades.
 4.3 Combinación lineal. Independencia lineal.
 4.4 Base y dimensión de un espacio vectorial, cambio de base.
 4.5 Espacio vectorial con producto interno y sus propiedades.
 4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt.
4.1 Definición de espacio vectorial

 Definición de Espacio Vectorial

 La definición de espacio vectorial involucra un cuerpo arbitrario cuyos

elementos se denominan escalares. Se utilizará la siguiente notación.

 K → el cuerpo de escalares
 a, b, c, o k → los elementos de K
 V → el espacio vectorial dado
 u, v, w → los elementos de V

 K es el cuerpo real R o el complejo C

4.1 Definición de espacio vectorial

 Definición

 Sean K un cuerpo dado y V un conjunto no vacío, con reglas de suma y

producto por un escalar que asignan a cada par de u, v V una suma u+v V
y a cada par de u V, k V un producto ku V. V recibe el nombre de
espacio vectorial sobre K.

 Y los elementos de V se llaman vectores; si satisfacen los siguientes axiomas:

 1.- Para toda terna de vectores u, v, w V, (u+v)+w = u+(v+w).

 2.- Existe un vector V, denotado por 0 y denominado vector cero, tal que u +
0 = u para todo vector u V.
 3.- Para todo vector u V existe un único vector en V, denotado por –u, tal
que u + (- u)= 0.
4.1 Definición de espacio vectorial

 4.- Par todo par de vectores u, v V, u+v = v+u.

 5.- Para todo escalar k K y todo par de vectores u, v V, k(u+v) = ku+kv.
 6.- Para todo par de escalares a, b K, y todo vector u V, (a+b)u = au + bu.
 7.- Para todo par de escalares a, b K, y todo vector u V, (ab)u = a(bu).
 8.- El escalar unidad 1 K cumple 1u = u para todo vector u V.

 Los axiomas precedentes se desdoblan en forma natural en 2 categorías. Los

4 primeros atañen únicamente a la estructura aditiva de V y pueden resumirse
diciendo que V es un grupo conmutativo bajo la suma. De ello se deriva que
cualquier suma de vectores de la forma:

v1 + v2 + ... + vm
4.1 Definición de espacio vectorial

 No requiere de paréntesis y no depende del orden de los sumandos, que el

vector cero es e único, que el opuesto –u de u es único y que se verifica la
ley de cancelación; esto es, para 3 vectores cualesquiera u, v, w V.

 u+v = v+w implica que u = w

 Asimismo, la resta se define según

 u – v = u+(-v)

 Por otra parte los 4 axiomas restantes se refieren a la acción del cuerpo K
sobre V. Obsérvese la rotulación de los axiomas refleja este desdoblamiento.
Empleando estos axiomas adicionales probaremos las siguientes propiedades
elementales de un espacio vectorial.
4.1 Definición de espacio vectorial

 Sea V un espacio vectorial sobre un cuerpo K.

 i) Para todo escalar k Ky0 V, k0 = 0.

 ii) Para 0 K y todo vector u V, 0u = 0.
 iii) Si ku = 0, donde k Kyu V, entonces k = 0 o u = 0.
 iv) Para todo k K y todo u V, (-k)u = k(-u) = -ku.
4.2 Definición de subespacio vectorial y sus propiedades

 Subespacios Vectoriales

 Sea W un subconjunto de un espacio vectorial V sobre un cuerpo K. W se

denomina subespacio de V si a su vez un espacio vectorial sobre K con
respecto a las operaciones de V, suma vectorial y producto por un escalar. Un
criterio simple para identificar subespacios es el siguiente:

 Supongamos que W es un subconjunto de un espacio vectorial V. Entonces W

es un subespacio de V si y sólo si se cumple:

 i) 0  W.
 ii) W es cerrado bajo la suma de vectores, es decir, para todo par de vectores
u, v  W, la suma u+v  W.
 iii) W es cerrado bajo el producto por un escalar, es decir, para todo u  W y
para todo k  K, el múltiplo ku  W.
4.2 Definición de subespacio vectorial y sus propiedades

 También W es un subespacio de V si y sólo si:

 i) 0  W.
 ii) au + bv  W para todos los u, v  W y a, b  K.
4.3 Combinación lineal. Independencia lineal

 Combinación Lineal

 Sean V un espacio vectorial sobre un cuerpo K y v1, v2, v3, … ,Vm V. Cualquier
vector en V de la forma:
a1v1 + a2 v2 + ... + am vm

 Donde los reciben el nombre de combinación lineal, de ai K. El conjunto

de v1, v2, v3, … ,Vm combinaciones lineales semejantes denotado por:
lin(v1 , v2 ,..., vm )

 Y se denomina envolvente lineal de v1+v2+v3, … ,Vm. En general para

cualquier subconjunto S de V, lin S = {0} si S es vacío y lin S consiste en todas las
combinaciones lineales de vectores de S.
4.3 Combinación lineal. Independencia lineal
 Sea S un subconjunto de un espacio vectorial V.

 i) Entonces lin S es un subespacio de V que contiene a S.

 ii) Si W es un subespacio de V que contiene a S, necesariamente SW.

 Sistema de Generadores

 Por otra parte dado el espacio vectorial V, se dice que los vectores u1, u2, u3,
… ,ur, generan o forman un conjunto generador de V si:
V = lin(u1 , u2 ,..., ur )

 En otras palabras, u1, u2, u3, … ,ur, generan V, si para todo vV, existen
escalares a1, a2, a3, … , ar, tales que, V=a1u1+a2u2+a3u3+…+arur, esto es, si V es
una combinación lineal de u1, u2, u3, … ,ur.
4.3 Combinación lineal. Independencia lineal

 Ejemplo de Combinación Lineal:

 Expresar v = (1, -2, 5) en R³ como combinación lineal de los vectores u1, u2, u3.

u1 = (1,−3,2 )
1 2 1 1 3 + F 2 1 2 1 1
u2 = (2,−4,−1) −3 −4 −5 −2 0 1 −1 1
*5 + F3
u3 = (1,−5,7 )
2
2 −1 7 5 0 −5 5 3

(1,−2,5) = x(1,−3,2) + y(2,−4,−1) + z (1,−5,7 )

1 * −2 + F 3
(1,−2,5) = (x + 2 y + z,−3x − 4 y − 5 z,2 x − y + 7 z ) 1 2 1 1 2 1 1
0 2 −2 1 0 1 −1 1
2
2 −1 7 5 0 0 0 11
2
Construyendo el sistema:

1 2 1 1 Sin solución
x + 2y + z =1 0 2 −2 1 * 12
− 3 x − 4 y − 5 z = −2 0 −5 5 3 v no es combinación
2x − y + 7z = 5 lineal de u1, u2 , u3
4.3 Combinación lineal. Independencia lineal

 Ejemplo de Combinación Lineal: Expresar el polinomio sobre R 𝑣 = 𝑡 2 + 4𝑡 − 3 como

combinación lineal de los polinomios 𝑝1 = 𝑡 2 − 2𝑡 + 5, 𝑝2 = 2𝑡 2 − 3𝑡 𝑦 𝑝3 = 𝑡 + 3

( ) ( )
t 2 + 4t − 3 = x t 2 − 2t + 5 + y 2t 2 − 3t + z (t + 3) 1 2 0 1 *2 + F2 1 2 0 1

(
t 2 + 4t − 3 = xt 2 − 2 xt + 5 x,2 yt 2 − 3 yt , zt + 3 z ) −2 −3 1
5 0 3
4
−3
0 1 1
0 0 1
6
4 * −1 + F 2
t 2 + 4t − 3 = ( x + 2 y )t 2 + (− 2 x − 3 y + z )t + (5 x + 3 z )
1 2 0 1 * −5 + F 3 1 2 0 1
Igualando coeficientes de las potencias 0 1 1 6 0 1 0 2 * −2 + F1
5 0 3 −3 0 0 1 4
construimos sistema:

1 2 0 1 1 0 0 −3
x + 2y =1 0 1 1 6 *10 + F 3 0 1 0 2
− 2x − 3y + z = 4 0 − 10 3 −8 0 0 1 4
5 x + 3 z = −3
1 2 0 1 v es combinación
0 1 1 6 lineal de p1, p2 , p3
0 0 13 − 52 * 131
4.3 Combinación lineal. Independencia lineal

 Dependencia e Independencia Lineal

 Sea V un espacio vectorial sobre un cuerpo K. Se dice que los vectores

v1 , v2 ,..., vm  V
 son linealmente dependientes sobre K, si existen escalares a1, a2, a3, … , ar,  K
no todos 0, tales que:
a1v1 + a2 v2 + ... + am vm = 0
 En caso contrario se dice que los vectores son linealmente independientes
sobre K. En la expresión anterior se verificará siempre si los ai son todos 0. Si la
relación sólo verifica este caso, es decir,

a a1v1 + a2v2 + ... + am vm = 0 a1 = 0,..., am = 0

4.3 Combinación lineal. Independencia lineal

 Dependencia e Independencia Lineal

 Los vectores serán linealmente independientes, sin embargo, si la expresión que primero se
mencionó también es válida cuando uno de los ai no es 0, los vectores serán linealmente
dependientes. Ejemplo: Comprobar que los vectores u, v y w son linealmente independientes
dado que:
Ejercicio 1 Ejercicio 2 Construyendo el sistema:

3u + 2v − w = 0 xu + yu + zw = 0 6x = 0
2x + 5 y = 0
u = (1,−1,0 ) u = (6,2,3,4 ) 3x − 3 y + 7 z = 0
v = (1,3,−1) v = (0,5,−3,−1) 4x − y − 2z = 0
w = (5,3,−2 ) w = (0,0,7,−2 )
u, v y w son linealmente
3(1,−1,0 ) + 2(1,3,−1) − (5,3,−2 ) = 0 (0,0,0,0) = x(6,2,3,4) + y(0,5,−3,−1) + z (0,0,7,−2) dependientes en ambos
(3,−3,0) + (2,6,−2) − (5,3,−2) = 0 (0,0,0,0) = (6 x,2 x + 5 y,3x − 3 y + 7 z,4 x − y − 2 z ) ejercicios
(0,0,0) = 0
4.4 Base y dimensión de un espacio vectorial, cambio de base

 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.

 Propiedades de las bases

 1. Una base de S es un sistema generador minimal de S (lo más

pequeño posible).
 2. Además es un conjunto independiente maximal dentro de S (lo más
grande posible).
4.4 Base y dimensión de un espacio vectorial, cambio de base

 3. Una base de S permite expresar todos los vectores de S como

combinación lineal de ella, de manera única para cada vector.

 Ejemplos de bases

 1. La base canónica (o base natural, o base estándar) de Rn

 e1 = (1,0,. . . ,0)
 e2 = (0,1,. . . ,0)
 ........
 en = (0,0,. . . ,1)
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Son linealmente independientes porque forman un determinante no nulo.

 Son sistema generador de Rn porque todo vector (a1,a2,. . . ,an)∈ Rn se puede
expresar como combinación lineal de ellos:

 (a1,a2,. . . ,an)= a1(1,0,. . . ,0)+ a2(0,1,. . . ,0)+ . . . + an(0,0,. . . ,1)

 2. Otra base de R3 distinta de la canónica: (1,0,0), (1,1,0), (0,2,-3)

 Son linealmente independientes porque forman un determinante no nulo.

 Son sistema generador de R3 porque cualquier vector (a,b,c) se puede poner
como combinación lineal de ellos. En efecto, dado (a,b,c), buscamos ,,,
que satisfagan:
4.4 Base y dimensión de un espacio vectorial, cambio de base

 (a,b,c)= (1,0,0)+ (1,1,0)+ (0,2,-3)

 Se obtiene un sistema:

+=a
  +2  =b
 -3  = c

 en las incógnitas ,,, que es compatible determinado para cualesquiera a,

b, c.

 3. (1,2,3), (4,5,6), (7,8,9) en R3 no forman base porque no son linealmente

independientes (su determinante es nulo).
4.4 Base y dimensión de un espacio vectorial, cambio de base

 4. Base de un subespacio en R3, consideremos el subespacio S= plano XY.

Veamos que los vectores (3,2,0) , (1,–1,0) forman una base de S. (Son
linealmente independientes, porque uno no es múltiplo del otro.

 Son un sistema generador de S: Dado un vector genérico de S, de la forma

(a,b,0), lo podemos poner como combinación lineal de (3,2,0), (1,–1,0). Para
ello, buscamos , que cumplan:

 (a,b,0)= (3,2,0)+ (1,–1,0)

3+=a
 2 –= b
4.4 Base y dimensión de un espacio vectorial, cambio de base

 4. Base de un subespacio en R3, consideremos el subespacio S= plano XY. Veamos que los vectores
(3,2,0) , (1,–1,0) forman una base de S. (Son linealmente independientes, porque uno no es múltiplo
del otro.

 Son un sistema generador de S: Dado un vector genérico de S, de la forma (a,b,0), lo podemos

poner como combinación lineal de (3,2,0), (1,–1,0). Para ello, buscamos , que cumplan:

 (a,b,0)= (3,2,0)+ (1,–1,0)

 3+=a
 2 –= b

 Dimensión

 Todas las bases de un mismo espacio o subespacio tienen el mismo número de vectores. Se llama
dimensión de dicho espacio o subespacio.
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Por tanto, la dimensión es el máximo número de vectores independientes que

podemos tener en el espacio o subespacio. En otras palabras, es el máximo
rango que puede tener un conjunto de vectores de dicho espacio. Es
también el rango de cualquier sistema generador de dicho espacio.

 Ejemplos de dimensión

 1. Rn tiene dimensión n, pues tiene una base de n elementos (p.ej. la

canónica).
 2. M2x2= {matrices 2x2 con términos reales} tiene dimensión 4. Una base de M2x2
es:
1 0 0 1 0 0 0 0
, , ,
a 0 0 0 0 1 0 0 1
4.4 Base y dimensión de un espacio vectorial, cambio de base

 3. P2= {polinomios de grado 2 con coeficientes reales} tiene dimensión 3. Una

base de P≤2 es, por ejemplo, la formada por los tres polinomios siguientes:

 1+0x+0x2 , 0+x+0x2, 0+0x+x2 (es decir, los polinomios 1, x, x2).

 Otra base: 1+2x+3x2, 4+x2, 3–x–5x2.

 Propiedades de la dimensión

 1. Significado físico de la dimensión: el espacio tiene dimensión 3, los planos

dimensión 2, las rectas dimensión 1, el punto dimensión 0. El subespacio {0} es
el único de dimensión 0.
4.4 Base y dimensión de un espacio vectorial, cambio de base

 2. Número de parámetros libres en su forma paramétrica. (1

parámetro=recta, 2 parámetros= plano...)

 3. Si S y T son subespacios y S está contenido en T, entonces dim S ≤ dim

T. Además, si se da la igualdad, dim S = dim T, entonces ambos
espacios han de coincidir.

 4. El rango de una familia de vectores, es igual a la dimensión del

subespacio que generan. Es decir: si v1,v2,. . . vn generan un cierto
subespacio S, y si el rango de dicho conjunto es r, entonces dim S = r. (Si
un cierto conjunto de vectores tienen rango 2, entonces generan un
plano; etc.)
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Cambio de Coordenadas de un Vector ante un Cambio de Base.

Matriz de Cambio de Base

 En un espacio vectorial V, dadas dos bases B y B’ , se llama matriz de

cambio de base (o de cambio de coordenadas) de B a B’ a la matriz
que contiene en sus columnas las coordenadas de los vectores de la
base B expresados en función de la base B’.

 Su utilidad es la siguiente: Conocidas las coordenadas de un vector en

base B, nos permitirá hallar las coordenadas de dicho vector en base
B’. En efecto, sean (a1, a2, . . . an) las coordenadas de un vector en
base B, y sea P la matriz de cambio de base de B a B’. Entonces:
4.4 Base y dimensión de un espacio vectorial, cambio de base

 a1   b1   a1   b1 
       
 a2   b2   a2  −1  2 
b
P.  =      = P  
   
       
 a  b   a  b 
 n  n  n  n

 obteniéndose así (b1, b2, . . . bn) las coordenadas del vector en base B’.

 Propiedades de las matrices de cambio de base

 1. Toda matriz de cambio de base es cuadrada nxn, donde n es la

dimensión del espacio al que se refieren las bases.
4.4 Base y dimensión de un espacio vectorial, cambio de base

 2. Toda matriz de cambio de base es inversible (es decir, con

determinante no nulo). Además, la matriz de cambio de B a B’ es
inversa de la matriz de cambio de B’ a B.
 • Comprobar en el ejemplo anterior que P y Q son inversas entre sí. Por
tanto, después de hallar P, podríamos haber hallado Q como P–1.

 3. La matriz de cambio de una base B a la misma base B, es la matriz

identidad.
 • Observar en el ejemplo anterior que la matriz más fácil de obtener es
la P, que pasa de una base B a la base canónica, pues basta escribir
en las columnas la base B.
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Ejemplo de cambio de base: En el R-espacio vectorial R3 se consideran las bases

 B1 = {(5,3,1), (1,−3,−2), (1,2,1)}, B2 = {(−2,1,0), (−1,3,0), (−2,−3,1)}

 Calcule la matriz de cambio de base de B1 a B2.

 SOLUCIÓN:

 Para calcular la matriz asociada debemos calcular las coordenadas de los vectores de la base
B2 respecto de los vectores de la base B1, es decir, debemos calcular los aij R tales que:
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Esto se reduce a la resolución de tres sistemas de ecuaciones lineales:

 Los tres tienen en común la matriz de coeficientes, de forma que podemos

resolverlos simultáneamente sin más que encontrar la matriz escalonada
reducida de:
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Las columnas 4, 5 y 6 de la escalonada reducida será la matriz buscada.

 Hemos resuelto los tres sistemas simultáneamente, por lo que la matriz de cambio de B1 a B2 es:
4.4 Base y dimensión de un espacio vectorial, cambio de base

 Otro ejercicio sería: En el R−espacio vectorial R3, se consideran dos bases:

 B1 = {u1 = (1,0,1),u2 = (1,1,0),u3 = (0,0,1)}

 B2 = {v1,v2,v3}

 Si la matriz de cambio de base, tomando como base nueva la base B2 y como base antigua B1
es:

 ¿Puedes calcular los vectores de la base B2?

4.4 Base y dimensión de un espacio vectorial, cambio de base

 SOLUCIÓN: Las columnas de la matriz P son las coordenadas en la base

antigua de los vectores de la base nueva, es decir:
4.5 Espacio vectorial con producto interno y sus propiedades

 Producto Escalar y Producto hermítico

 El concepto básico para definir una estructura euclídea en un espacio

vectorial real es el llamado producto escalar de vectores, que es una forma
bilineal simétrica con algunas propiedades extras.

 Distancia y Ángulos

 Distancia

 La distancia de un punto P(a,b,c) a una recta r es igual a la longitud del

segmento perpendicular que une P con la recta r. Coincide con la distancia
entre los puntos P y P’, siendo P’ la proyección de P sobre r. Es decir:
4.5 Espacio vectorial con producto interno y sus propiedades

d (P, r ) = d (P, P') P' proyección de P sobre r

 Método del producto vectorial (cálculo directo)

 El área del paralelogramo de la figura izquierda es:

→ →
RP x d
4.5 Espacio vectorial con producto interno y sus propiedades

 Si esta área la dividimos por la longitud de la base del paralelogramo:

→
d

 obtenemos la altura h del paralelogramo, que coincide con la

distancia buscada.
→ →
RP x d
d (P, r ) = →
d
4.5 Espacio vectorial con producto interno y sus propiedades

 Ejemplo: Calcula la distancia de P(5,-1,6) a la recta:

x −1 y z −5
r: = =
− 2 −1 1

 Solución:
→ →
R(1,0,5) d (− 2,−1,1) d = 6

→ →
RP x d = (0,−6,−6 ) = 72

→ →
RP x d
d (P, r ) =
72
→
= = 12 u
d 6
4.5 Espacio vectorial con producto interno y sus propiedades

 Ángulos

 Para determinar el ángulo entre rectas, entre planos y entre rectas y planos,
necesitamos disponer para cada figura de un vector que caracterice su dirección.
En la recta es obvio que su vector director la caracteriza, mientras que en el plano
ese papel lo desempeña su vector normal (para un plano cualquiera solo hay una
dirección perpendicular a ese plano).Para medir el ángulo que forman dos vectores

 usaremos la fórmula del producto escalar de ambos:

→ →
u.v
→ →
 a a  + b b + c c 
cos u , v  = → → =
  u v a 2 + b 2 + c 2 (a) + (b) + (c)
2 2 2
4.5 Espacio vectorial con producto interno y sus propiedades

 Al tomar valor absoluto en el numerador, esta fórmula nos da el menor de los ángulos
que forman ambos vectores. Según vemos en el dibujo del lado derecho el menor de
los dos ángulos ( y su suplementario) es:

 Ángulo entre dos rectas

 El ángulo entre dos rectas, con direcciones respectivamente vendrá dado por:
→ →
d .d 
 → →

cos d , d   = → →
  d d
4.5 Espacio vectorial con producto interno y sus propiedades

 Ejemplo: Calcula el ángulo que forman las rectas:

x − 3 y +1 z 2 x + 3 y − 5 z + 4 = 0
r: = = s:
5 3 −1 x − 2 y +5= 0

 Solución:

→ →
d (5,3,−1) y d  = (2,3,−5)x(1,−2,0) = (− 10,−5,−7 )

→ →
d .d 
 → →  58
cos( ) = cos d , d  = → → = = 0,7432   = 41º59'35"
  d d 6090
4.5 Espacio vectorial con producto interno y sus propiedades

 Distancia entre variedades lineales

 Sea (V; < ; >) un espacio euclídeo de dimensión finita. Sean M1 y M2 variedades
lineales en V . Se define la distancia entre M1 y M2 como:

 Veamos que, dadas dos variedades lineales M1 y M2 es un espacio euclídeo V ,

existen m1 M1 y m2 M2 tales que d(m1,m2) = d(M1,M2):
4.5 Espacio vectorial con producto interno y sus propiedades

 Distancia entre Rectas

 Si las rectas r y s son secantes la distancia d(r,s)=0.

 Si las rectas r y s son paralelas, tomamos un punto cualquiera de r y calculamos a continuación
la distancia de P a s; d(r,s)= d(P,s).
 Si las rectas r y s se cruzan, hay varios métodos para calcular la distancia:

 método del producto mixto (cálculo directo)

→ → → 
 El volumen del paralelepípedo es: V = u , v , PQ 
 

 El área de la base es: → →

A= uxv
4.5 Espacio vectorial con producto interno y sus propiedades

 La altura h es la d(Q,) que coincide con la distancia entre ambas rectas: d(r,s). Por tanto
tendremos la fórmula:

→ → → 
u , v , PQ 
d (r , s ) = d (Q,  ) = h =
V
= → →
A
uxv
4.5 Espacio vectorial con producto interno y sus propiedades

 Ejemplo: Calcula la distancia entre las rectas:

x = 5 +   x = 4 + 3
 
r :  y = −1 s : y = 3 − 
 z = 8 + 2  z = 5 + 4
 

 Solución:
→ → →
u (1,0,2); v (3,−1,4); P(5,−1,8), Q(4,3,5); PQ(− 1,4,−3)
 Las rectas se cruzan pues:

1 3   1 3 − 1
   
M =  0 − 1 M  = 0 −1 4 
2 4   2 4 − 3
   
4.5 Espacio vectorial con producto interno y sus propiedades

1 3 −1
→ → →  0 −1 4
u , v , PQ  2 4 −3
d (r , s ) = d (Q,  ) = h =
V 9
= = = =3u
A →
uxv
→
(2,2,−1) 3
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 El proceso de ortogonalización de Gram–Schmidt de álgebra lineal es un proceso

utilizado en matemática y análisis numérico, para ortogonalizar un conjunto de
vectores en un espacio prehilbertiano, más comúnmente el espacio euclídeo Rn.

 Ortogonalización en este contexto significa lo siguiente: comenzamos con vectores

v1,…, vk los cuales son linealmente independientes y queremos encontrar
mutuamente vectores ortogonales u1, …, uk los cuales generan el mismo subespacio
que los vectores v1, …, vk.

 Se define que el operador proyección con:

4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 donde los corchetes angulares representan el producto interior,

proyecta el vector v ortogonalmente en el vector u.

 El proceso de Gram–Schmidt entonces funciona como sigue:

4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Ejemplo: Considera el siguiente conjunto de vectores en Rn (con el

convencional producto interno)

 Ahora, aplicamos Gram–Schmidt, para obtener un conjunto de

vectores ortogonales:

v 2  u1 v 2  u1 u1 2,2  3,1 3,1 12 4

proyu1v 2 = u1 =  =  = ,
u1 u1 u1 u1 10 10 5 5
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Entonces podemos normalizar los vectores dividiendo su tamaño como hemos

mostrado anteriormente:

 Matrices ortogonales

 Una matriz real A (es decir que todos sus elementos son reales, aij R ) es una
matriz ortogonal si su traspuesta (AT ) es igual a su inversa (A-1). Es decir:

 AT= A -1 o AT A=I
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 La inversa de una matriz ortogonal es una matriz ortogonal.

 El producto de dos matrices ortogonales es una matriz ortogonal.
 El determinante de una matriz ortogonal es 1.

 Verificar lo anterior, si:

 6 3 
 0 
 3 3 
 2 6 3
A= −
2 6 3 
 
 2 6 3 
 −
 2 6 3 
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Verificar lo propio también si:

cos  − sen 
A=
 sen cos  

 Diagonalización y Forma de Jordan

 Autovalores y autovectores de una matriz

 Para una matriz cuadrada A, un problema que surge frecuentemente en la práctica es el

de determinar los valores de cierta constante (λ) para los cuales un sistema de la forma:

 AE1= λE1

 Donde λ es un escalar.
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 tenga soluciones no triviales. Es decir, que el sistema homogéneo de la

forma:
a11 (e1 − e1 ) + a12 e2 +  + a1n en = 0
a e + a ( e −  e ) +  + a e = 0
 21 1 22 2 2 2n n


a m1e1 + a m 2 e2 +  + a mn (en − en ) = 0
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Los valores de λ para los cuales el sistema tiene soluciones no triviales se

denominan autovalores o valores característicos de la matriz A. En
muchos de los casos que se presentan en la práctica, la matriz A es real
y simétrica, de manera tal que:
aij = a ji
 La ecuación tendrá soluciones no triviales si y sólo si

a −  a12  a1n 
 
a a −   a
det  21 22 2n =0
  
 
an1 an 2  ann −  
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Ésta no es otra cosa que una ecuación polinómica de grado n para la incógnita λ. A cada
autovalor le corresponderá una solución X , es decir una solución no trivial, que se denominará
autovector o vector característico. La ecuación también puede escribirse en la forma:

det(A- λI)=0

 y se la denomina ecuación característica.

 Ejemplo: Determine los autovalores y autovectores de los siguientes vectores: f(x;y;z)=(2x+2z;-

y;2x-z)

2 0 2 
 Solución: Expresado en forma matricial tenemos:  
A =  0 −1 0 
 2 0 − 1
 
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Y tomando en cuenta que det(A- λI)=0, tenemos:

 2 0 2    0 0   2 −  0 2 
     
det  0 − 1 0  −  0  0  = 0  det  0 −1 −  0  = 0  −3 + 7 + 6 = 0
 2 0 − 1  0 0    2 0 − 1 −  

 Por lo que λ=-1, λ=-2 y λ=3; Éstos son llamados autovalores de una matriz. Polinomio
característico y Polinomio mínimo

 El polinomio característico de una matriz esta dado por:

P(λ)=det(A- λI)
4.6 Base ortonormal, proceso de ortonormalización de Gram-Schmidt

 Ejemplo: determine el polinomio característico de la siguiente matriz:

 1 − 4 5  1 − 4 5    0 0 
     
A =  6 − 1 8  → det  6 − 1 8  −  0  0 
 − 7 2 9  − 7 2 9   0 0  
     

1 −  −4 5 
 
p( ) = det  6 −1 −  8  = −3 + 92 − 42 + 440
 − 7 2 9 −  
TRANSFORMACIONES LINEALES
ÍNDICE TEMÁTICO
 5.1 Definición de transformación lineal.
 5.2 Núcleo e imagen de una transformación lineal.
 5.3 Representación matricial de una transformación lineal.
 5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación.
5.1 Definición de transformación lineal

 Definición de Transformación Lineal

 Una transformación lineal de un espacio vectorial V en un espacio

vectorial W es una función de V en W, T: V → W, que es lineal, esto es
para todo u,v  V y todo a,b  R verifica: T(au + bv) = aTu + bTv.

 Es claro que esa condición es equivalente a que se verifiquen, para

todo a  R y todo u,v  V, las dos condiciones: T(au) = aTu y T(u + v)
= Tu + Tv.

 En algunos textos se llaman transformaciones lineales las funciones

lineales de un espacio vectorial V en sí mismo.
5.1 Definición de transformación lineal

 Para distinguir el vector cero de V del vector cero de W y del número 0,

se indicará con 0V el vector cero de V, y con 0W el vector cero de W.

 Se observa que para toda transformación lineal de V en W, la imagen

de 0V es 0W, pues:

 T0V = T(00V) = 0T0V = 0W

 Para todo espacio V, la función identidad, I: V → V, que a todo vector

v  V le asocia el mismo vector v, es una transformación lineal de V en
V. Se indicará esta transformación con la notación IV cuando sea
necesario distinguirla de la función identidad en otro espacio vectorial.
5.1 Definición de transformación lineal

 Propiedades y Generalidades

 Dados dos espacios vectoriales V y W, se dice que la función T : V → W es una transformación

lineal de V en W, si y solo si,

 T(v1 + v2) = T(v1) + T(v2) para todo v1, v2 ∈ V . (Propiedad aditiva)

 T(λv1) = λT(v1) para todo v1 ∈ V y todo λ ∈ R. (Propiedad homogénea)
5.1 Definición de transformación lineal

 Es importante aclarar que se esta denotando de la misma forma la suma y el

producto por escalar definidos tanto en el espacio vectorial V como en el
espacio vectorial W, así sean operaciones diferentes. Igualmente, al vector 0
de V y al de W los denotamos igual, así sean vectores diferentes.

 Las propiedades que caracterizan a una transformación lineal nos permiten

demostrar que la imagen de una combinación lineal de vectores por medio
de una transformación lineal es la combinación lineal de las imágenes de los
vectores con los mismos coeficientes de la combinación lineal inicial.

 La demostración consiste básicamente en aplicar la propiedad aditiva

iteradamente y luego aplicar la propiedad homogénea a cada sumando.
5.1 Definición de transformación lineal

 Teorema 1 [Transformación lineal de combinaciones lineales].

 Sean T : V → W una transformación lineal, v1, v2, . . . , vn vectores de V y

λ1, λ2, . . . , λn escalares de R.

 Entonces,

 De este resultado, se tiene trivialmente que una transformación lineal

asigna al vector cero del dominio, el vector cero del codominio.
5.1 Definición de transformación lineal

 Teorema 2 [Caracterización de la igualdad de transformaciones lineales].

 Sean B = {v1, v2, . . . , vn} una base del espacio vectorial V y T : V → W y S : V → W dos
transformaciones lineales.

 Teorema 3 [Determinación de una transformación lineal].

 Si B = {v1, v2, . . . , vn} es una base del espacio vectorial V , existe una única
transformación lineal.
5.1 Definición de transformación lineal

 Ejemplo: Realizar la siguiente transformación lineal: T(x,y,z)=(x-y+3z;-x+2y-z;2x-y-8z)

 Determinamos la matriz asociada y aumentada; resolvemos por Gauss:

x − y + 3z = a 1 −1 3 a 1 0 5 2a + b
− x + 2 y − z = b → −1 2 −1 b → 0 1 2 a+b
2 x − y − 8z = c 2 − 1 − 8 c 0 0 − 16 − 3a − b + c

 El sistema es consistente; igualamos a cero para poder comprobar su nulidad

1 0 5 0 1 0 0 0 0
 
0 1 2 0 → 0 1 0 0 → 0 = 0
0 0 − 16 0 0 0 1 0  0 
5.2 Núcleo e imagen de una transformación lineal

 Núcleo e Imagen de una transformación lineal

 Núcleo: Sea T : V → W una transformación lineal. El núcleo T es el subconjunto

formado por todos los vectores en V que se mapean a cero en W.

 Imagen: Sea T : V → W una transformación lineal. El rango o imagen de T es el

conjunto de todas las imágenes de T en W.

 Es decir, el rango es el subconjunto de W formado por aquellos vectores que

provienen de algún vector de V.
5.2 Núcleo e imagen de una transformación lineal

 Ejemplo: Indique cuáles opciones contienen un vector en el núcleo de la

transformación de R3 en R3 definida como:

 dentro de las opciones:

5.2 Núcleo e imagen de una transformación lineal

 Solución: Antes de pasar a la verificación, es conveniente observar que es posible

encontrar una matriz A tal que T(x) = A・x. Es decir, aplicar T a un vector x es equivalente a
multiplicar por una cierta matriz A al vector x.

 Empecemos con la dimensión de A: como A se multiplica por la izquierda de x y x ∈ R3

entonces el número de columnas de A es 3. Por otro lado, como el resultado A ・ x es un
vector de R3, entonces el número de renglones de A es 3. Si requerimos que

 Así:
 −2 0 3 
 
A =  − 23 − 15 − 18 
 −5 −3 −3 
 
 Y se procede a verificar si los vectores anteriores están en el núcleo de T.
5.2 Núcleo e imagen de una transformación lineal

 El vector v1 está en el núcleo de T debido a que:

 −2 0 3  0 0
     
T (v1) = Av1 =  − 23 − 15 − 18    0  =  0  = 0
 − 5 − 3 − 3  0 0
     
 El vector v3 no está en el núcleo de T debido a que:

 −2 0 3   1   1 
     
T (v3) = Av3 =  − 23 − 15 − 18    − 2  =  − 11  0
 −5 −3 −3   1   −2 
     
 Compruebe lo propio con los vectores v2, v4, v5 y v6.
5.2 Núcleo e imagen de una transformación lineal

 Ejemplo: Indique cuáles opciones contienen un vector en la imagen de la

transformación de R3 en R3 definida como:

 dentro de las opciones:

5.2 Núcleo e imagen de una transformación lineal

 Solución: El vector v2 = (2, 8,−4)′ de R3 está en la imagen de T si existe un vector (a, b, c)′
en R3 tal que T((a, b, c)′) = v2. Es decir, si es consistente el sistema:

 Al reducir la matriz aumentada se obtiene (Gauss):

 por ser inconsistente el sistema, el vector v2 sí está en la imagen de T. Haga lo propio con
los vectores restantes
5.2 Núcleo e imagen de una transformación lineal

 Ejemplo: Determine el núcleo de la transformación de R3 en R3 definida como:

 Solución: Un vector v = (a, b, c)′ pertenece al núcleo de T si T(v) = 0, es decir si:

 Por lo tanto, para pertenecer al núcleo debe cumplirse:

5.2 Núcleo e imagen de una transformación lineal

 Reduciendo tenemos:

 Es decir:

 Observe que el núcleo de T en este caso es un espacio generado:

5.2 Núcleo e imagen de una transformación lineal

 Además, la dimensión de Ker(T) es 1, lo cual coincide con el número de columnas sin

pivote en la reducida de A (La matriz que define a la transformación T).
Geométricamente en R3 este generado corresponde a la línea que pasa por el
origen y con vector de dirección (3/2,−7/2, 1)′ que es:

 Determine el núcleo de:

 T(x,y,z) =(x+3y+4z, 3x-4y+7z;-2x+2y)

 T (v) = (3x + y,6x − z,2y + z)
5.3 Representación matricial de una transformación lineal

 Representación Matricial y Cambio de la Representación ante Cambios de Base

 Si V y W son K-espacios vectoriales de dimensión n y m respectivamente, una

transformación lineal f : V → W queda unívocamente determinada por los n vectores
de W que son los valores de f en una base cualquiera de V.

 Además, fijada una base de W, estos n vectores quedan determinados por medio de
sus vectores de coordenadas en Km. Se define entonces una matriz asociada a f que
contiene toda esta información.

 Sean V y W dos K-espacios vectoriales de dimensión finita. Sean B1 = {v1,…vn} una

base de V y B2 = {w1,…,wn} una base de W. Sea f : V → W una transformación lineal.
Supongamos que
5.3 Representación matricial de una transformación lineal

 Se llama matriz de f en las bases B1; B2, y se nota |f|B1B2 , a la matriz en Kmxn definida
por (|f|B1B2 )ij = ij para cada 1 ≤ i ≤ m, 1 ≤ j ≤ n.

 Se define la matriz asociada a T en las bases B, C a:

 a11 a12  an1 

 
 a21 a22  an 2 
AT =   M nxm ( K )
    
 
a  anm 
 1m a2 m
5.3 Representación matricial de una transformación lineal

 Ejemplos: Representar matricialmente

 T(x,y,z) =(x+3y+4z, 3x-4y+7z;-2x+2y)

 1 3 4
 
AT =  3 − 4 7 
 − 2 2 0
 
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Reflexión
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Reflexión
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Contracción y Dilatación
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Contracción y Dilatación
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Rotación
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Resumen
5.4 Aplicación de las transformaciones lineales: reflexión, dilatación,
contracción y rotación
 Ejemplo

 Escriba la representación matricial de 2x2 de la transformación lineal: Reflexión

respecto al eje “y”, y dibuje la región obtenida al aplicar esa transformación a la
región sombreada dada