Instituto tecnológico superior

de Juan Rodríguez Clara

Algebra Lineal

Ingeniería en Administración 301

Docente:
Daniel's cruz paez

Alumno:
Adrian Alonso Roman

Grupo:
301
Tema:
Método del valor anual

Fecha elaborada:
26 de diciembre del 2017
INICIO
Unidad IV Espacios temporales
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.

Unidad V Transformaciones lineales.

5.1 Definición de transformaciones lineales.
5.2 Núcleo e imagen de una transformación lineal.
5.3 Representación la matricial de una transformación lineal.
4.1 Definición de espacio vectorial
Un espacio vectorial es un conjunto no vacío VV de objetos, llamados vectores, en el que
se han definido dos operaciones: la suma y el producto por un escalar (número real)
sujetas a los diez axiomas que se dan a continuación. Los axiomas deben ser válidos
para todos los vectores uu, vv y ww en VV y todos los escalares αα y ββ reales.
Llamamos u+vu+v a la suma de vectores en VV, y αvαv al producto de un número
real αα por un vector v∈Vv∈V.
1. u+v∈Vu+v∈V
2. u+v=v+uu+v=v+u
3. (u+v)+w=u+(v+w)(u+v)+w=u+(v+w)
4. Existe un vector nulo 0V∈V0V∈V tal que v+0V=vv+0V=v
5. Para cada vv en VV, existe un opuesto (–v)∈V(–v)∈V tal que v+(–v)=0Vv+(–v)=0V
6. αv∈Vαv∈V
7. α(u+v)=αu+αvα(u+v)=αu+αv
8. (α+β)v=αv+βv(α+β)v=αv+βv
9. α(βv)=(αβ)vα(βv)=(αβ)v
10. 1v=v
A los elementos de los espacios vectoriales se les llama vectores. Sobre los vectores
pueden realizarse dos operaciones: la multiplicación por escalares y la adición (una
asociación entre un par de objetos). Estas dos operaciones se tienen que ceñir a un
conjunto de axiomas que generalizan las propiedades comunes de las tuplas de números
reales así como de los vectores en el espacio euclídeo.
4.2 Definición de subespacio vectorial y sus propiedades.
Sea VV un espacio vectorial y WW un subconjunto no vacío de VV.

WW es un subespacio de VV si WW es en sí mismo un espacio vectorial con las

mismas operaciones (suma de vectores y producto por un escalar) definidas en VV.

Ejemplo

W={(x1,x2)∈R2:x2=3x1}W={(x1,x2)∈R2:x2=3x1} ¿es un subespacio

de R2R2? Primero analicemos el conjunto WW. Son todos vectores
de R2R2 tales que la segunda componente es el triple de la primera:
(x1,3x1)=x1(1,3)(x1,3x1)=x1(1,3) WW es la recta que pasa por el origen y
tiene vector director (1,3), o sea la recta de ecuación y = 3x.
Para decidir si WW es un subespacio de R2R2 habría que verificar que se
cumplen los axiomas del 1 al 10. El lector puede comprobar que todos se
cumplen en este caso.
Pero en general no es necesario verificar los axiomas porque existe un
criterio sencillo para determinar si un subconjunto WW de un espacio
vectorial VV es un subespacio, es el que sigue.
Condiciones necesarias y suficientes para caracterizar subespacios

Sea WW un subconjunto de un espacio vectorial VV (W⊆V)(W⊆V).

WW es subespacio de VV si y sólo si se cumplen las siguientes
condiciones:
a. 0V0V está en WW.
b. Si uu y vv están en WW, entonces u+vu+v está en WW.
c. Si uu está en WW y kk es un escalar, kuku está en WW.
4.3 Combinación lineal
Una combinación lineal de dos o más vectores es el vector que se obtiene al sumar
esos vectores multiplicados por escalares.

Cualquier vector se puede poner como combinación lineal de otros que

tengan distinta dirección.

Esta combinación lineal es única.

Sean v1,v2,…,vn vectores en un espacio vectorial V. Entonces cualquier vector

de la forma:

α1v1+α2v2+…+αnvn
donde α1v1+α2v2+…+αnvn son escalares se denomina combinación lineal de
v1,v2,…,vn.

Todo vector V = (a, b, c) en R3 se puede expresar como

i = (1,0,0);
j = (0,1,0);
k =(0,0,1)

V = (a, b, c) = a(i) + b(j) + c(k)

Entonces se dice que V es una combinación lineal de los 3 vectores i,j,k.

4.3 Dependencia e Independencia lineal
Los vectores son linealmente independientes si tienen distinta dirección y sus
componentes no son proporcionales.

Un conjunto de vectores {v1,v2,…,vk} es un espacio vectorial V es linealmente

dependiente si existen escalares c1,c2,…,ck, al menos uno de los cuales no es cero,
tales que:

c1v1+c2v2+…+ckvk=0

Si los vectores no son linealmente dependientes, se dice que son linealmente

independientes.
Criterios de Independencia Lineal

Sean u1, u2, …,uk k vectores en Rn y A la matriz que tiene como columnas a estos
vectores, los vectores son linealmente independientes si el sistema Ax = 0 tiene
únicamente solución trivial.
Los vectores son linealmente dependientes si el sistema Ax=0 tiene soluciones no
triviales (solución múltiple).

Si k=n
Los vectores son linealmente independientes si A es invertible

Si k>n
Los vectores son linealmente dependientes.

Dos vectores en un espacio vectorial son linealmente dependientes si uno de ellos

es múltiplo escalar del otro.

Un conjunto de vectores linealmente independientes en n contiene a lo más n vectores.

Tres vectores en 3 son linealmente dependientes si y sólo si son coplanares, esto es,
que están en un mismo plano.

Teoremas

1. Cualquier conjunto que contenga al vector 0 es linealmente dependiente.

2. Cualquier conjunto que contenga un único vector diferente de cero, v ≠0, es linealmente
independiente.
3. Cualquier conjunto formado por dos vectores diferentes de cero, S = {v1, v2}, donde v1 ≠
0, v2 ≠ 0, es linealmente dependiente si, y sólo si, uno de los vectores es múltiplo
escalar del otro.
4. Cualquier conjunto que contenga un subconjunto linealmente dependiente es
linealmente dependiente.
5. Cualquier subconjunto de un conjunto linealmente independiente es linealmente
independiente.
4.4 Base y dimensión de un espacio vectorial
Un conjunto de vectores S={v1, v2,…, vn} en un espacio vectorial V se denomina base
de V si se cumplen las siguientes condiciones.

* S genera a V.

* S es linealmente independiente

Una base posee 2 características que se acaban de ver, debe tener suficientes valores
para generar a V, pero no tantos de modo que uno de ellos pueda escribirse como una
combinación lineal de los demás vectores en S. Si un espacio vectorial consta de un
número finito de vectores, entonces V es de dimensión finita. En caso contrario, V es
de dimensión infinita.

Base

En términos generales, una “base” para un espacio vectorial es un conjunto de

vectores del espacio, a partir de los cuales se puede obtener cualquier otro vector de
dicho espacio, haciendo uso de las operaciones en él definidas.

La base es natural, estándar o canónica si los vectores v1, v2,…, vn forman base para
Rn.

Si S={v1, v2,…, vn} es una base para un espacio vectorial V entonces todo vector v en V
se puede expresar como:

1. V = c1v1+ c2v2+…+ cnvn

2. V = k1v1+ k2v2+…+ knvn

Restar 2-1

0 = (c1- k1) v1+(c2- k2) v2+…+(cn- kn) vn

Ejemplo:
demostrar si S = {v1, v2,…, v3} es base de R3, v1 = (1,2,1); v2 = (2,9,0); v3 = (3,3,4)

Proponer vector arbitrario, combinación lineal

 b = c1v1+ c2v2+ c3v3
(b1, b2, b3) = c1(1,2,1)+ c2(2,9,0)+ c3(3,3,4)
(b1, b2, b3) = c1+2c2+3c3;2c1+9c2+3c3; c1+4c3

c1 + 2c2 + 3c3 = b1 det A = [(1*9*4)+(2*3*1)+0]-[(1*9*3)+0+(4*2*2)]

2c1 + 9c2 + 3c3 = b2 = [36+6]-[27+16]
c1 + 4c3 = b3 = -1 Si genera a R3

Dimensión

Se llama dimensión de un espacio vectorial V al número de

vectores que hay en cualquiera de sus bases. Se denota dim (V).

La dimensión de Rn con las operaciones normales es n.

La dimensión de Pn con las operaciones normales es n+1.

La dimensión de Mm,n con las operaciones normales es mn.

Si W es un subespacio de un espacio vectorial n-dimensional,

entonces se puede demostrar que la dimensión de W es finita y
que la dimensión de W es menor o igual que n.

4.5 Espacio vectorial con producto interno

Producto Interno:

Un producto interno sobre un espacio vectorial V es una operación que asigna a cada
par de vectores u y v en V un número real <u, v>.
Un producto interior sobre V es una función que asocia un número real ‹u, v›
con cada par de vectores u y v cumple los siguientes axiomas:

Propiedades:

i. (v, v) ≥ 0
ii. (v, v) = 0 si y sólo si v = 0.
iii, (u, v +w) = (u, v)+ (u, w)
iv. (u + v, w) = (u, w)+(v, w)
v. (u, v) = (v, u)
vi. (αu, v) = α(u, v)
vii. (u, αv) = α(u, v)

Espacios con producto interior:

El producto interior euclidiano es solo uno más de los productos internos que
se tiene que definir en Rn Para distinguir entre el producto interno normal y
otros posibles productos internos se usa la siguiente notación.

u ●v = producto punto (producto interior euclidiano para Rn)

‹u, v› = producto interno general para espacio vectorial V.

Propiedades de los productos interiores:

1. ‹0, v› = ‹v, 0› = 0

2. ‹u + v, w› = ‹u, w› + ‹v, w›

3. ‹u, cv› = c‹u, v›.

Un espacio vectorial con producto interno se denomina espacio con producto

interno.
4.6 Base ortonormal
En álgebra lineal, una base ortonormal de un espacio prehilbertiano V (es decir,
un espacio vectorial con producto interno) o, en particular, de un espacio de Hilbert H, es
un conjunto de elementos cuyo span es denso en el espacio, en el que los elementos son
mutuamente ortogonales y normales, es decir, de magnitud unitaria. Una base
ortogonal satisface las mismas condiciones, salvo la de magnitud unitaria; es muy sencillo
transformar una base ortogonal en una base ortonormal mediante el producto por
un escalar apropiado y de hecho, esta es la forma habitual en la que se obtiene una base
ortonormal: por medio de una base ortogonal.
Estos conceptos son importantes tanto para espacios de dimensión finita como de
dimensión infinita. Para espacios de dimensión finita, la condición de span denso es la
misma que la de 'span', como se usa en álgebra lineal.
Una base ortonormal por lo general no es una "base", es decir, en general no es posible
escribir a cada elemento del espacio como una combinación lineal de un número finito de
elementos de la base ortonormal. En el caso de dimensión infinita, esta distinción cobra
importancia: la definición dada requiere solo que el generado de una base ortonormal
sea densa en el espacio vectorial, y no que iguale al espacio entero.
Una base ortonormal de un espacio vectorial V no tiene sentido si el espacio no posee
un producto interno. Un Espacio de Banach no tendrá una base ortonormal a no ser que
sea un espacio de Hilbert.

Recuérdese que dos vectores u y v en son ortogonales si y sólo

si u · v = 0.

Si se tiene un conjunto de tres vectores u, v y w en , y se quiere verificar

que sean un conjunto ortogonal, se necesitan realizar todas las combinaciones de
los productos punto:

u·v , u·w , v·w

Ejemplo 1.

Sean los vectores u = (1, 2, 1), v = (4, 0, -4) y w = (1, -1, 1), ¿son un conjunto
ortogonal?

Al realizar los productos punto

u·v=0 , u·w=0 , v·w=0

nos damos cuenta de que todos son iguales a cero, por lo que el conjunto de
vectores es ortogonal.

Un conjunto de n vectores en es una base ortogonal si:

El conjunto es base de y
Es un conjunto ortogonal.
5.1 Definicion transformaciones lineales.
Definición: Las transformaciones lineales son las funciones y tratan sobre K-espacios
vectoriales que son compatibles con la estructura (es
decir, con la operación y la acción) de estos espacios.

Aquí se presentan las funciones entre espacios vectoriales que preservan las cualidades
de los
espacios vectoriales. Es decir, de funciones que preservan la suma y la multiplicación por
escalares.

Nosotros usaremos el concepto de la función para darle un tratamiento a los sistemas de

ecuaciones lineales. La restricción que haremos sera sobre el tipo de funciones: solo
estaremos interesados en funciones que preserven las operaciones en el espacio
vectorial. Este tipo de funciones serán llamadas funciones lineales. Primeramente las
definiremos, veremos algunas propiedades generales y después veremos como se
aplican estos resultados a sistemas de ecuaciones.

Sean V y W dos espacios vectoriales posiblemente iguales.

Una transformación lineal o mapeo lineal de V a W es una función
T : V → W tal que para todos los vectores u y v de V y cualquier escalar c:
a) T (u + v) = T (u) + T (v)
b) T (c u) = c T (u)

Demuestre que la transformación T : R2 →R2 definida por

es lineal.

Entonces :
Por otro lado, para todo escalar c,

Como se cumplen las dos condiciones:

T es lineal.

Una transformación lineal preserva combinaciones lineales. Veremos que, debido a esto,
una transformación lineal queda unívoca-mente determinada por los valores que toma en
los elementos de una base cualquiera de su dominio.

Teniendo en cuenta que las transformaciones lineales son funciones entre

conjuntos, tiene sentido estudiar la validez de las propiedades usuales de
funciones: inyectividad, suryectividad y biyectividad.
Las transformaciones lineales que verifican alguna de estas propiedades
reciben nombres particulares:
Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V → W una
transformación lineal. Se dice que:

1. f es un monomorfismo si f es inyectiva.
2. f es un epimorfismo si f es suryectiva.
3. f es un isomorfismo si f es biyectiva.

En algunos casos, consideraremos transformaciones lineales de un K-espacio

vectorial en s ́ı mismo:
Sea V un K-espacio vectorial. Una transformación lineal f : V → V se llama un
endomorfismo de V . Si f es un endomorfismo que es además un isomorfismo,
entonces se dice que es un automorfismo.
5.2 Núcleo e imagen de una transformación lineal.
Transformaciones lineales: núcleo e imagen.

Teorema 1

Sea T: V S W una transformación lineal. Entonces para todos los vectores u, v, v1,

v2, . . . , vn en V y todos los escalares a1, a2, . . . , an:

i. T(0) = 0

ii. T(u - v) = Tu - Tv

iii. T(a1v1 + a2v2 +. . .+ anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn

Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que el 0 de la

derecha es el vector cero en W.

Teorema 2

Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, . . . , vn}. Sean w1,

w2, . . . , wn vectores en W. Suponga que T1 y T2 son dos transformaciones lineales de V

en W tales que T1vi = T2vi = wi para i = 1, 2, . . . , n. Entonces para cualquier vector v ∈

V, T1v = T2v; es decir T1 = T2.

Ejemplo

Definición 1 Núcleo e imagen de una transformación lineal

Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal. Entonces

i . El núcleo de T, denotado por un, está dado por

ii. La imagen de T, denotado por Im T, esta dado por

Observacion 1. Observe que un T es no vacio porque, de acuerdo al teorema 1, T(0) = 0 de manera que 0 ϵ un T
para cualquier transformación lineal T. Se tiene interés en encontrar otros vectores en V que “se transformen en
0”. De nuevo, observe que cuando escribimos T(0) = 0, el 0 de la izquierda está en V y el de la derecha en W.

Observación 2. La imagen de T es simplemente el conjunto de “imajenes” de los vectores en V bajo la

transformación T. De hecho, si w = Tv, se dice que w es la imagen de v bajo T.

Antes de dar ejemplos de núcleos e imágenes , se demostrará un teorema de gran utilidad.

Teorema 4

Si T:V W es una transformación lineal, entonces

i.Un T es un subespacio de V.

ii.Im T es un subespacio de W.

Demostracion

i.Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y ∝u están en un

T.

ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V. Esto significa que T(u + v)= Tu +
Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w + x y ∝w están en Im T.
Ejemplo 3. Núcleo e imagen de la transformación cero

Sea Tv = 0 para todo vϵ V(T es la transformación cero). Entonces un T = v e Im T = {0}.

Ejemplo 4 Núcleo e imagen de la transformación identidad

Sea Tv = v para vϵ V(T es la transformación identidad). Entonces un T= {0} e Im T = V.

Las transformaciones cero e identidad proporcionan dos extremos. En la primera todo se encuentra
en el núcleo. En la segunda sólo el vector cero se encuentra en el núcleo. Los casos intermedios son más
interesantes.

Ejemplo 5 Núcleo e imagen de un operador de proyección

Sea T:R3 R3 definida por

T es el operador de proyección de R3 en el plano xy.

Entonces x = y = 0. Así, nu T = {(x,y,z):x = y = 0, zϵR}, es decir, el eje z, e Im T = {(x,y,z): z = 0}, es decir

el plano xy. Observe que dim un T = 1 y dim Im T = 2.
Definición 2 Nulidad y rango de una transformación lineal

Si T es una transformación lineal de v en w, entonces se define.

Toda matriz A de m*n da lugar a una transformación lineal T:R´´ R´´´ definida por Tx = Ax. Es evidente que un T =
NA, Im T = Im A = CA, v(T) = v(A) y p(T) = p(A). Entonces se ve que las definiciones de núcleo, imagen, nulidad y
rango de una transformación lineal son extensiones del espacio nulo, la imagen, la nulidad y el rango de una
matriz.
5.4 Aplicación de las transformaciones lineales.

Aplicación de las transformaciones lineales: reflexión, expansión, contracción y rotación

Rm.◊Graficar un conjunto de puntos en otro es lo que se conoce como transformación lineal de un
conjunto de puntos. Existen ciertas propiedades básicas de las transformaciones lineales, las
cuales si son tomadas en cuenta y aplicadas al momento de resolver un problema, pueden
reducirlo un problema simple. La notación general utilizada para una transformación lineal es T: Rn
Transformaciones lineales
Las transformaciones lineales forman un “hilo” que se entreteje en la tela de este texto. Su
utilización mejora el sentido geométrico de lo escrito. Por ejemplo, en el capítulo 1, las
transformaciones lineales proporcionan una visión dinámica y gráfi ca de la multiplicación matriz-
vector.
1. Reflexión: Cuando un conjunto de puntos dados es graficado desde el espacio euclidiano de
entrada a otro de manera tal que este es isométrico al espacio euclidiano de entrada, llamamos a
la operación realizada la reflexión del conjunto de puntos dado. Esto puede realizarse también con
respecto a la matriz, en tal situación la matriz de salida es llamada la matriz de reflexión. La
reflexión es realizada siempre con respecto a uno de los ejes, sea el eje x o el eje y. Esto es como
producir la imagen espejo de la matriz actual.
2. Expansión: Al igual que en la reflexión, también es posible expandir los puntos dados en una
dirección particular. La expansión se realiza habitualmente para un cierto grado. Es como realizar
una operación de multiplicación de los elementos del conjunto de puntos dados con un término
escalar hacia la dirección donde tiene que ser expandido. Sea para un punto (2, 3) si el grado de
expansión 2 es la dirección de y, entonces el nuevo punto obtenido es (2, 6).
3. Contracción: La contracción es el procedimiento inverso de la expansión. Aquí el punto es
contraído en un determinado grado hacia una dirección dada. Sea el punto de entrada (4, 8) y este
debe ser contraído para el grado dos en la dirección de x entonces el nuevo punto resulta ser (2,
8).
4. Rotación: El término rotación tiene dos significados, ya la rotación de un objeto puede ser
realizada con respecto al eje dado o al eje mismo. La rotación se realiza para un cierto grado el
cual es expresado en forma de un ángulo. Asimismo, la rotación puede realizarse en la dirección
de las manecillas del reloj, o inverso a las manecillas del reloj.
Como ejemplo, dirijámonos a producir la matriz estándar para la representación de la
transformación lineal reflejando un conjunto de puntos en el plano x-y a través de la recta y = (−2x /
3).
El primer paso para esto es determinar los vectores base.
 Por lo tanto, podemos afirmar que,R2
es una transformación lineal, entonces podemos
escribir que,◊Dado que y pertenece a R2. Imagina que A: R2
La imagen de la matriz base determina la imagen de cualquier elemento. Por lo tanto la imagen de
a través de y = (−2x/ 3) es determinada mediante la obtención de una recta que pasa por (1, 0) y
es que es ortogonal a . Esto está dado por y = (3x/ 2) – (3/ 2).
El punto donde las dos rectas, esto es, y = (3x/ 2) – (3/ 2) e y = (−2x/ 3) se intersectan se dado
como (9/13, −6/13). Tomamos p¬1¬ para ser el punto de reflexión de a través de la recta dada.
Este punto es simétrico respecto a (9/13, −6/13) por lo tanto, podemos escribir que,
Esto produce,
De manera similar, la imagen del vector base resulta.