Apunte de Logica

Prof. Carlos Alberto Palacio T.E. (03833) 425189 Personal 15680822 E-MAIL: cap@ctcom.com.
ar
ALGEBRA
TEORICO - PRACTICO
FACULTAD DE TECNOLOGIA
Y
CIENCIAS APLICADAS
PROF. CARLOS ALBERTO PALACIO

T.E. (03833) 425189
PERSONAL 15680822
E-MAIL: cap@ctcom.com.ar
MSN: cap_724@hotmail.com
AO 2005
Prof. Carlos Alberto Palacio T.E. (03833) 425189 Personal 15680822 E-MAIL: cap@ctcom.com.ar
BOLILLA N 1
LOGICA PROPOSICIONAL
PROPOSICIN: se llama proposicin a toda oracin de la cual se puede establecer su valor de verdad, es
decir, se puede indicar si es verdadera o falsa.
Las proposiciones se representan con las letras p, q, r, s, etc.
Ejemplos:
p: 2 es un nmero impar (F) es proposicin
q: 5 es un nmero primo (V) es proposicin
r: Alto! no es proposicin
OPERACIONES
Las proposiciones se pueden unir formando proposiciones compuestas mediante los conectivos lgicos,
estos conectivos son:
NEGACIN: la negacin de una proposicin es otra proposicin que se obtiene cambiando su valor de
verdad. Se simboliza por - p o p (se lee: no p) y su tabla de verdad es:
p
-p
V
F
F
V
CONJUNCION: dadas dos proposiciones p y q, la conjuncin es la proposicin que se obtiene uniendo las
mismas mediante el conectivo y, se simboliza por p q (se lee: p y q) y su valor de verdad es verdadero
cuando las dos proposiciones son verdaderas.
p
pq
V
V
F
F
V
F
V
F
V
F
F
F
DISYUNCION: dadas dos proposiciones p y q, la disyuncin es la proposicin que se obtiene uniendo las
mismas mediante el conectivo o, se simboliza por p q (se lee: p o q) y su valor de verdad es falso cuando
las dos proposiciones son falsas.
p
V
V
F
F
V
F
V
F
pq
V
V
V
F
IMPLICACIN O CONDICIONAL: dadas dos proposiciones p y q, el condicional es la proposicin

simbolizada por p q ( se lee: p implica q o si p entonces q) donde p recibe el nombre de antecedente y
q es el consecuente. Una implicacin slo es falsa cuando el antecedente es verdadero y el consecuente es
falso.
p
pq
V
V
F
F
V
F
V
F
V
F
V
V
DOBLE IMPLICACIN O BICONDICIONAL: dadas dos proposiciones p y q, el bicondicional es la

proposicin simbolizada por p q ( se lee: p si y slo si q). La doble implicacin es verdadera cuando las
dos proposiciones tienen el mismo valor de verdad.
p
q pq
V
V
F
F
V
F
V
F
V
F
F
V
ALTERNATIVA O DISYUNCION EXCLUYENTE: dadas dos proposiciones p y q la alternativa es la

proposicin simbolizada por p q (se lee: o bien p o bien q o o p o q). La alternativa es falsa cuando
ambas proposiciones tienen el mismo valor de verdad.
p
V
V
F
F
V
F
V
F
pq
F
V
V
F
EXCLUSION: dadas dos proposiciones p y q la exclusin es la proposicin simbolizada por p q (se lee:
ni p ni q). La exclusin es verdadera cuando ambas proposiciones son falsas.
p
q pq
V
V
F
F
V
F
V
F
F
F
F
V
TABLAS DE VERDAD:
Para confeccionar la tabla de valores de verdad de una proposicin compuesta se debe ordenar en forma
alfabtica las proposiciones dadas y luego se escriben las negaciones que intervienen en ella.
El nmero de valores de verdad est dado por 2n, donde es el nmero de letras proposicionales distintas que
aparecen en la proposicin compuesta dada, no se debe contabilizar como distintas una proposicin y su
negacin. Estos valores se distribuyen de la siguiente manera: a la primera letra le corresponden la mitad de
valores verdaderos y la mitad falsos; a la segunda letra le corresponde, en forma alternada, la cuarta parte de
valores verdaderos y la cuarta parte de valores falsos y as sucesivamente, a la ltima letra le corresponden,
en forma alternada un valor verdadero y uno falso.
Si como resultado de esta tabla todos los valores resultan verdaderos se dice que representa una
TAUTOLOGIA o LEY LOGICA, si todos son falsos se dice que es una CONTRADICCIN y si existen
valores verdaderos y falsos se dice que es una CONTINGENCIA.
Ejemplos:
Confeccionar la tabla de valores de verdad de las siguientes proposiciones compuestas:
a) (p q) (- p q)
2n = 22 = 4, es decir, intervienen cuatro valores de verdad
p
-p
pq
-p q
(p q) (- p q)
V
V
F
F
V
F
V
F
F
F
V
V
V
F
V
V
V
F
V
V
V
V
V
V
TAUTOLOGIA
b) (p - q) (r p)
2n = 23 = 8 es decir intervienen ocho valores de verdad
-q
p-q
rp
V
V
V
V
F
F
F
F
V
V
F
F
V
V
F
F
V
F
V
F
V
F
V
F
F
F
V
V
F
F
V
V
F
F
V
V
F
F
F
F
V
V
V
V
V
F
V
F
(p - q) (r p)
V
V
V
V
V
V
V
V
TAUTOLOGIA
CONDICIONES NECESARIAS Y SUFUCIENTES

En un condicional, si p q es V, entonces p es condicin suficiente para q y q es condicin necesaria para
p.
En un bicondicional, si p q es V, entonces el p es condicin necesaria y suficiente para q y q es tambin
condicin necesaria y suficiente para p.
IMPLICACIONES ASOCIADAS
Dada una implicacin (p q) considerada como implicacin directa, se pueden obtener a partir de ella otras
tres implicaciones llamadas implicaciones asociadas a la dada, stas son:
qp
-p-q
-q-p
Recproca:
Contraria:
Contrareciproca:
-p-q
contraria
contraria
Cualquiera de estas implicaciones se puede tomar como implicacin directa, por lo tanto se presenta el
siguiente esquema:
pq
recproca
qp
recproca
-q-p
De estas implicaciones se verifica que son equivalentes la implicacin directa con su contrarecproca y la
contraria con su recproca, es decir el bicondicional formado por ellas es una tautologa:
a) (p q) (- q - p)
p
-p
-q
V
V
F
F
V
F
V
F
F
F
V
V
F
V
F
V
pq
V
F
V
V
-q-p
V
F
V
V
(p q) (- q - p)
V
V
V
V
TAUTOLOGIA
b) (q p) (- p - q)
p
-p
-q
qp
-p-q
V
V
F
F
V
F
V
F
F
F
V
V
F
V
F
V
V
V
F
V
V
V
F
V
(q p) (- p - q)
V
V
V
V
TAUTOLOGIA
Ejemplos:
p
Si abc es un tringulo equiltero, entonces abc es un tringulo issceles

Directa: p q: Si abc es un tringulo equiltero, entonces abc es un tringulo issceles (V)
Recproca: q p: Si abc es un tringulo issceles, entonces abc es un tringulo equiltero (F)
Contraria: - p - q: Si abc no es un tringulo equiltero, entonces abc no es un tringulo issceles (F)
Contrarecproca: -q -p: Si abc no es un tringulo issceles, entonces abc no es un tringulo equiltero (F)
LEYES LOGICAS
Se dice que una proposicin compuesta representa una ley lgica si la tabla de valores de verdad de la misma
representa una tautologa.
Alguna de las leyes lgicas son:
INVOLUCIN: la negacin de la negacin de una proposicin es equivalente a dicha proposicin
- (- p) p
IDEMPOTENCIA:
a) De la conjuncin: la conjuncin de una proposicin consigo misma es equivalente a dicha proposicin.
ppp
b) De la disyuncin: la disyuncin de una proposicin consigo misma es equivalente a dicha proposicin.
ppp
CONMUTATIVA:
a) De la conjuncin:
pqqp
b) De la disyuncin:
pqqp
ASOCIATIVA:
a) De la conjuncin:
(p q) r p (q r)
b) De la disyuncin:
(p q) r p (q r)
DISTRIBUTIVA:
a) De la conjuncin respecto de la disyuncin:
p (q r) (p q) (p r)
b) De la disyuncin respecto de la conjuncin:
p (q r) (p q) (p r)
LEYES DE DE MORGAN:
a) La negacin de la conjuncin de dos proposiciones es equivalente a la disyuncin de las negaciones de
dichas proposiciones.
- (p q) - p - q
b) La negacin de la disyuncin de dos proposiciones es equivalente a la conjuncin de las negaciones de
dichas proposiciones.
- (p q) - p - q
LEYES DE ABSORCIN:
a) La contradiccin es absorbente para la conjuncin
pCC
b) La tautologa es absorbente para la disyuncin
pTT
LEYES DE NEUTRALIDAD:
a) La tautologa es neutro para la conjuncin
pTp
b) La contradiccin es neutro para la disyuncin
pCp
DEFINICIN DE CONDICIONAL:
pq-pq
DEFINICIN DE EXCLUSIN:
pq-p-q
DEFINICIN DE BICONDICIONAL:
(p q) (p q) (q p)
FUNCIONES PROPOSICIONALES
Se llama funcin proposicional a toda oracin cuyo sujeto es variable.
P(x): x es nmero par
Una funcin proposicional se puede convertir en proposicin asignando valores a la variable:
P(3): 3 es un nmero par (F) por lo tanto es una proposicin.
Otra forma de convertir una funcin proposicional en proposicin es utilizando un proceso de cuantificacin.
Existen dos tipos de cuantificadores:
CUANTIFICADOR UNIVERSAL: x: P(x) (se lee: para todo x se verifica P(x))
CUANTIFICADOR EXISTENCIAL: x / P(x) (se lee: existe x tal que P(x))
x: x es un nmero par (F) por lo tanto es una proposicin
x / x es un nmero par (V) por lo tanto es una proposicin
NEGACIN DE UN CUANTIFICADOR
a) Para negar una funcin proposicional cuantificada universalmente se cambia el cuantificador universal por
uno existencial y se niega la funcin proposicional.
- [x: P(x)] x / - P(x)
b) Para negar una funcin proposicional cuantificada existencialmente se cambia el cuantificador existencial
por uno universal y se niega la funcin proposicional.
- [ x / P(x)] x: - P(x)
PARES ORDENADOS
Dados dos elementos a y b, un par ordenado es el conjunto formado por esos dos elementos en el orden dado
y se denota por (a,b) donde a recibe el nombre de primera componente y b es la segunda componente.
PRODUCTO CARTESIANO
Dados dos conjuntos A y B, se llama producto cartesiano A x B al conjunto de todos los pares ordenados
tales que la primera componente pertenece al conjunto A y la segunda componente pertenece al conjunto B.
A x B = (a,b) / a A b B
RELACIONES BINARIAS
Relacin entre dos conjuntos A y B es todo subconjunto del producto cartesiano A x B.
En smbolos:
R es una relacin entre A y B R A x B
REPRESENTACIN DE UNA RELACION
Sea R una relacin entre A y B, es decir R A x B. En el caso de conjuntos finitos se utilizan los soguientes
tipos de representacin:
a) Mediante diagramas de Venn
b) Mediante grficos cartesianos. En este caso se consideran como abscisa los elementos del primer
conjunto y como ordenadas los elementos del segundo conjunto
c) Mediante una matriz. Sobre una columna se anotan los elementos de A y sobre la fila los de B. En el
ngulo superior izquierdo se anota el significado de la relacin. Se asigna a cada elemento del
producto cartesiano A x B un 1 o bien un 0, segn que el par ordenado correspondiente pertenezca o
no a la relacin.
DOMINIO, IMAGEN Y RELACION INVERSA
Dominio de una relacin es el conjunto formado por las primeras componentes de los pares ordenados que
pertenecen a la relacin.
Imagen de una relacin es el conjunto formado por las segundas componentes de los pares ordenados que
pertenecen a la relacin.
Relacin inversa de una relacin R es el subconjunto de B x A definido por:
R - 1 = (y,x) / (x,y) R
Ejemplo:
Dados los conjuntos A = 1, 3, 5 y B = 2, 3, 4. Dar la relacin R definida por: R = (a,b) / a < b
Determinar dominio, imagen y la relacin inversa de R.
A x B = (1,2), (1,3), (1,4), (3,2), (3,3), (3,4), (5,2), (5,3), (5,4)
R = (1,2), (1,3), (1,4), (3,4)
D( R ) = 1, 3
I( R ) = 2, 3, 4
R 1 = (2,1), (3,1), (4,1), (4,3)
COMPOSICION DE RELACIONES
A partir de las relaciones R A x B y S B x C es posible definir una relacin entre A y C, llamada
composicin entre R y S, mediante:
S o R = (x,z) / y B (x,y) R (y,z) S
RELACIONES DEFINIDAS EN UN MISMO CONJUNTO

R es una relacin definida en A R A2 = A x A
POSIBLES PROPIEDADES DE UNA RELACION DEFINIDA EN UN MISMO CONJUNTO
Sea R una relacin definida en A, es decir, R A2. Dicha relacin puede clasificarse de acuerdo con las
siguientes propiedades:
Reflexividad:
R es reflexiva x: x A (x,x) R
Es decir, R es reflexiva si todo elemento del conjunto A esta relacionado consigo mismo.
No reflexividad:
R es no reflexiva x / x A (x,x) R
Es decir, R es no reflexiva si por lo menos existe algn elemento del conjunto A que no este relacionado
consigo mismo.
Arreflexiva:
R es arreflexiva x: x A (x,x) R
Es decir, la relacin R es arreflexiva si ningn elemento del conjunto A est relacionado consigo mismo.
Simetra:
R es simtrica x y A: (x,y) R (y,x) R
Es decir, si un par ordenado pertenece a la relacin tambin debe pertenecer el par ordenado que resulta de
permutar sus componentes.
No simetra:
R es no simtrica x y A / (x,y) R (y,x) R
Es decir, existe por lo menos un par ordenado de la relacin que no tiene su simtrico.
Asimetra:
R es asimtrica x y A: (x,y) R (y,x) R
En este caso ningn par ordenado de la relacin tiene su simtrico
Transitividad:
R es transitiva x y z A: (x,y) R (y,z) R (x,z) R
Es decir, si un elemento esta relacionado con otro (no necesariamente distinto) y ste est relacionado con un
tercero, entonces el primero debe estar relacionado con el tercero
No transitividad:
R es no transitiva x y z A: (x,y) R (y,z) R (x,z) R
Es decir, existe por lo menos un caso donde no se cumple la transitividad.
Atransitividad:
R es atransitiva x y z A: (x,y) R (y,z) R (x,z) R
Es decir, en ningn caso se cumple la transitividad.
Antisimetra:
R es antisimtrica x y A: (x,y) R (y,x) R x = y
Es decir, los nicos pares ordenados que tienen su simtrico son aquellos que tienen las dos componentes
iguales.
RELACIONES DE EQUIVALENCIA
R A2 es una relacin de equivalencia si y slo si es reflexiva, simtrica y transitiva
RELACIONES DE ORDEN
Lo esencial de toda relacin de orden es la transitividad, y segn se cumpla o no otras propiedades se habla
de orden amplio o estricto.
R A2 es una relacin de orden amplio si y slo si es reflexiva, antisimtrica y transitiva
R A2 es una relacin de orden estricto si y slo si es arreflexiva, asimtrica y transitiva
FUNCIONES
f es una funcin o aplicacin de A en B si y slo si f es una relacin entre A y B tal que todo elemento de A
tiene un nico elemento correspondiente de B.
El conjunto A se denomina dominio e la funcin y el conjunto B es el codominio de la misma.
CLASIFICACIN DE FUNCIONES
Una funcin f: A B se clasifica en:
Inyectiva: si a elementos distintos del dominio le corresponden imgenes distintas en el codominio
Sobreyectiva: si todo elemento del codominio es imagen de algn elemento del dominio.
Biyectiva: si es inyectiva y sobreyectiva
COMPOSICIN DE FUNCIONES
Composicin de las funciones f: A B y g: B C es la funcin g o f: A C definida por:
(g o f)(x) = g f(x) x A
El smbolo g o f denota la funcin compuesta de f con g. Puede leerse f compuesta con g o g cerito f.
10
BOLILLA N 2
LEY DE COMPOSICIN INTERNA
Una ley de composicin interna, definida en un conjunto no vaco A, consiste en una operacin que asigna a
cada par ordenado de elementos de A un nico elemento de A. Esto significa que a cada objeto de A x A le
corresponde un nico elemento de A.
Definicin:
Ley de composicin interna definida en un conjunto no vaco A, es toda funcin A x A en A.
* es una ley interna en A * : A2 A
aAbAa*b A
La unicidad de a * b esta dada por la definicin de funcin.
Son ejemplos de ley de composicin interna, la adicin y multiplicacin en N, Z, Q R y C
PROPIEDADES Y ELEMENTOS DISTINGUIDOS DE LAS LEYES DE COMPOSICIN INTERNA
Sea * una ley de composicin interna en A, es decir, * : A2 A
Asociatividad
* : A2 A es asociativa ( a * b ) * c = a * (b * c) cualesquiera que sean a, b y c en A
Conmutatividad
* : A2 A es conmutativa a * b = b * para todo par de elementos a, b de A
Existencia de elemento neutro
Cabe preguntarse si existe en el conjunto A un elemento e, que compuesto a izquierda y derecha en
cualquiera otro no lo altere. Si un elemento tal existe se lo llama neutro o identidad respecto de la ley * de
acuerdo con la siguiente definicin
e A es neutro respecto de * a A : a * e = e * a = a
Existencia de inversos en una ley con neutro
Sea * una ley interna en A, con elemento neutro e. Dado a A interesa investigar si existe a A, tal que
compuesto a izquierda y a derecha con a de por resultado e. El neutro es el complemento del conjunto
relativo a todos. El inverso, si existe, es relativo a cada elemento.
a A es inverso de a A respecto de * a * a = a * a = e
Los elementos de A que admiten inversos respecto de * se llaman inversibles.
Unicidad del neutro
Si existe neutro en A respecto de *, entonces es nico.
Supongamos que e y e son neutros respecto de *; entonces por ser e neutro y por serlo e, se tiene
e' = e * e = e * e = e
Unicidad del inverso de una ley asociativa
Si un elemento de a A admite inverso respecto de la ley asociativa *, entonces dicho inverso es nico.
Supongamos que a y a son inversos de a. Aplicando consecuentemente la definicin de neutro, el hecho de
que a es inverso de a, la asociatividad, el supuesto de que a es inverso de a, y la definicin de neutro se
tiene:
a = a * e = a * ( a * a ) = ( a * a ) * a = e * a = a
11
Regularidad de un elementos respecto de una ley interna

La regularidad de un elemento respecto de una ley de composicin interna consiste en que es cancelable o
simplificable a izquierda y a derecha en los dos miembros de una igualdad.
Definicin
a*b=a*c b=c
a A es regular respecto de *
b*a=c*a b=c
Distributividad de una ley de composicin interna respecto de otra
Consideremos el caso de dos leyes de composicin interna, * y o, definidas en un mismo conjunto A.
Interesa caracterizar el comportamiento relativo de dichas leyes internas en el sentido de obtener elementos
del tipo ( a * b ) o c, o bien ( a o b ) * c.
Definicin
o es distributiva a derecha respecto de * si y slo si
( a * b ) o c = ( a o c ) * ( b o c)
para toda terna de elementos a, b y c en A
La distributividad a izquierda de o respecto de * queda definida por
a, b, c A c o ( a * b ) = ( c o a ) * ( c o b )
Se dice que o es distributiva respecto de * si y slo si lo es a izquierda y a derecha.
Anlogamente se define la distributividad de * respecto de o.
HOMORFISMOS
Homomorfismo entre dos conjuntos respecto de una ley interna en cada uno
Sean los conjuntos no vacos A, A y las leyes de composicin interna
*:A2A
* : A 2 A
Definicin
La funcin f : A A es un homomorfismo respecto de * y * si y slo si la imagen de la composicin en A
es igual a la composicin de las imgenes en A.
En smbolos
f : A A es homomorfismo respecto de * y * f ( a * b) = f (a) * f(b) cualesquiera que sean a y b en A
Ejemplo:
Sean (R, +) y (R+, . ), donde R es el conjunto de los reales, R+ el conjunto de los reales positivos y las
operaciones indicadas son la suma y el producto usuales.
Consideremos ahora la funcin
f: R R+
definida por f(x) = 2 x
(1)
se tiene entonces
f ( x + y) = 2 x + y = 2 . 2 y = f ( x ) . f ( y )
Basndonos en la definicin (1) , el producto de potencias de igual base, y utilizando de nuevo la definicin
(1), hemos probado que la imagen de la suma en R es igual al producto de las imgenes en R+
12
Una aplicacin en f que satisface esta propiedad, se dice un homomorfismo de R en R+ respecto de las
correspondientes leyes de composicin interna.
LEY DE COMPOSICIN EXTERNA
Se presenta a menudo la necesidad de operar con elementos de dos conjuntos, de modo que la composicin
sea un elemento de uno de ellos. Esta situacin es una de las caractersticas de la estructura de espacio
vectorial.
Sean dos conjuntos A y , este ltimo llamado de operadores.
Definicin
Una ley de composicin externa definida en A, con operadores de , es toda funcin de x A en A.
Usualmente, una ley de composicin externa en A con operadores en se denota meditante . Y suele
llamarse producto de operadores de por elementos d A.
En smbolos se tiene
. Es ley externa en A con operadores en . : X A A
Mediante esta funcin, la imagen par ( ; a ) se escribe . a.
Ejemplo:
Si A es el conjunto de los segmentos contenidos en un plano y N es el conjunto de los nmeros naturales, una
ley de composicin externa en A con operadores o escalares en N es el producto de nmeros naturales por
segmentos del plano.
Ejemplo:
Sean R2 y Q. Definimos producto de nmeros racionales por pares ordenados de nmeros reales, mediante
. (a , b ) = ( . a , . b )
La igualdad anterior determina una ley de composicin externa en R2 con operadores en Q. Notamos que el
mismo signo . Aparece en la definicin anterior con dos significados distintos: en el primer miembro de
racionales por pares ordenados de reales, y en el segundo miembro consiste en el producto de racionales por
reales.
En particular, si el conjunto A se identifica con , la ley externa se vuelve interna.
ESTRUCTURAS ALGEBRAICAS
GRUPO
DEFINICIN:
Sean un conjunto no vaci G, y una funcin *. El par (G, *) es un grupo si y slo si * es una ley interna en G,
asociativa, con neutro, y tal que todo elemento de G admite inverso respecto de *.
En forma simblica:
(G, *) es un grupo si y solo si se verifican los axiomas
G 1 . *: G 2 G
G 2 . Asociatividad
a b c: a, b, c G ( a * b ) * c = a * ( a * c )
G 3. Existencia de elemento neutro o identidad
eG/a:aGa*e=e*a=a
G 4. Existencia de inversos
a G, a G / a * a = a * a = e
13
Si adems se verifica
G 5. Conmutatividad
a b: a, b G a * b = b * a
entonces el grupo se llama conmutativo o grupo abeliano.
SUBGRUPOS
DEFINICIN:
El subconjunto no vaci H, del Grupo G, es un subgrupo de (G, *) si y slo si (H, *) es grupo.
Condicin suficiente para la existencia de subgrupo
Si H es un subconjunto no vaco del grupo (G,*), que verifica
a H b H a * b H
entonces (H,*) es un subgrupo de (G,*)
En la prctica para probar que (H,*) es un subgrupo de (G,*) se prueba que:
1) H
2) H G
3) a H b H a * b H es decir, si dos elementos cualesquiera pertenecen a H, el primero
compuesto con el inverso del segundo debe pertenecer a H.
ESTRUCTURA DE ANILLO
Sean un conjunto no vaco A, y dos funciones: * y .
DEFINICIN
La terna (A, *, . ) es un anillo si y solo si
1. El conjunto con la primera ley es un grupo abeliano
2. El conjunto con la segunda ley es un semigrupo
3. La segunda ley es doblemente distributiva respecto de la primera
Reformulamos la definicin teniendo en cuenta que las dos leyes de composicin se llaman aditiva y
multiplicativa, y que las suele denotar con +y . , respectivamente.
DEFINICIN
La terna (A, +, . ) es un anillo si y solo si
1. (A, +) es un grupo abeliano
2. (A, . ) es un semigrupo
3. El producto es distributivo a izquierda y derecha respecto de la suma.
Estas condiciones se traducen en los siguientes axiomas:
A1: La adicin es ley de composicin interna en A
a b: a A b A a + b A
A2: La adicin es asociativa en A.
a b c A : (a + b) + c = a + ( b + c )
A3: Existe neutro en A, que denotamos con 0, respeto de la adicin
0 A / a A: a + 0 = 0 + a = a
A4: Todo elemento de A admite inverso aditivo u opuesto.
a A, -a A / a + (-a) = (-a) + a = 0
14
A5: La adicin es conmutativa

ab A:a+b=b+a
A6: El producto es ley de composicin interna en A
ab:a AbAa.bA
A7: El producto es asociativo en A.
a b c A: ( a . b ). c = a. ( b . c )
A8: El producto es doblemente distributivo respecto de la suma
a .(b+c)=a.b+a.c
a b c A:
(b+c).a=b.a+c.a
ANILLOS SIN DIVISORES DE CERO
El anillo ( A, + , . ) no tiene divisores de cero si y solo si elementos no nulos dan producto no nulo.
Negando
el
antecedente
y
el
consecuente
del
bicondicional
resulta:
El anillo ( A, + , . ) tiene divisores de cero si y solo si existen elementos no nulos que dan producto no nulo.
DOMINIO E INTEGRIDAD
Todo anillo conmutativo, con unidad y sin divisores de cero, se llama dominio de integridad.
Las ternas (Z, + , . ), (R, +, . ) y ( Z 3, + , . ) son dominios de integridad. Si P denota el conjunto de los
enteros pares, entones (P, +, .) es anillo conmutativo, sin divisores de cero y sin elemento de unidad; en
consecuencia no es dominio de integridad.
ESTRUCTURA DE CUERPO
CONCEPTO DE CUERPO
Un anillo con unidad cuyos elementos no nulos son inversibles, se llama anillo de divisin. Todo anillo de
divisin conmutativo es un cuerpo.
DEFINICIN
La terna (K, +, . ) es un cuerpo si y solo si es un anillo conmutativo, con unidad, cuyos elementos no nulos
admiten inversos multiplicativo.
Los axiomas que caracterizan la estructura de cuerpo son:
1. (K, + ) es grupo abeliano
2. (K {0} , . ) es grupo abeliano
3. El producto es distributivo respecto de la suma.
PROPIEDADES
I) Los cuerpos no admiten divisores de cero.
II) En todo cuerpo vale la ley cancelativa del producto para todo elemento no nulo del mismo
III) Si b 0, entonces la ecuacin bx= a admite solucin nica en K
IV) El recproco del opuesto de todo elemento no nulo es igual al opuesto de su recproco.
15
MATRICES
Se llama matriz a todo conjunto ordenado de elementos dispuestos en m filas y n columnas.
Las matrices se denotan por letras maysculas y sus elementos con letras minsculas. Los elementos de una
matriz se encierran entre parntesis o corchetes.
As, una matriz A de m filas y n columnas se generaliza en la forma:
A=
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
am1 am2 am3 ..... amn
En forma abreviada, una matriz se generaliza por:

A = (aij )mxn o A = (aij) 1 i m , 1 j n
Donde aij es el elemento genrico de la matriz.
Se llama orden de una matriz al nmero de filas y columnas que contiene, as la expresin anterior se lee:
matriz A de orden mxn y elemento genrico aij.
NOTA: en la expresin aij el subndice i representa la fila y el subndice j la columna. Por ejemplo el
elemento a32 est ubicado en la tercera fila y la segunda columna.
Si m = n, es decir, si el nmero de filas es igual al nmero de columnas la matriz se llama cuadrada de orden
n, en caso contrario se dice que es una matriz rectangular de orden mxn.
IGUALDAD DE MATRICES
Dos matrices son iguales cuando tienen el mismo orden y los elementos correspondientes son iguales.
Sean:
A = (aij) 1 i m, 1 j n y
B = (bij) 1 i p, 1 j q
Entonces:
A = B m = p, n = q y aij = bij
OPERACIONES CON MATRICES

SUMA: La suma de matrices, del mismo orden, es otra matriz del mismo orden cuyos elementos se obtienen
sumando los elementos correspondientes de las matrices dadas.
Sean:
A = (aij) 1 i m, 1 j n y
B = (bij) 1 i m, 1 j n
Entonces:
A + B = C = (cij) / cij = aij + bij
A=
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
A+B=
B=
1 i m, 1 j n
b11 b12 b13 .. b1n

b21 b22 b23 .. b2n
bm1 bm2 bm3.. bmn
a11 + b11 a12 + b12 a13 + b13 ..... a1n + b1n

a21 + b21 a22 + b22 a23 + b23 ..... a2n + b2n
....................................................................
am1 + bm1 am2 + bm2 am3 + bm3 .....amn + bmn
16
PROPIEDADES:
1) ASOCIATIVA:
(A + B) + C = A + (B+ C)
2) CONMUTATIVA:
A+B=B+A
3) EXISTENCIA DE NEUTRO: Existe la matriz N = (nij) / nij = 0, 1 i m, 1 j n i,j llamada matriz

nula tal que para cualquier otra matriz A del mismo orden se verifica:
A+N=N+A=A
4) EXISTENCIA DE LA MATRIZ OPUESTA: A toda matriz A = (aij) 1 i m, 1 j n se le puede
asociar su opuesta definida por - A = (- aij) 1 i m, 1 j n tal que:
A + (- A) = (- A) + A = N
Ejemplo:
2
-1
-2
A=
-1
-2
B=
2+4
-1+2
31
3+3
-2+2
12
A+B=
-1
RESTA: La resta de matrices, del mismo orden, es otra matriz del mismo orden cuyos elementos se obtienen
restando los elementos correspondientes de las matrices dadas.
Sean:
A = (aij) 1 i m, 1 j n y
B = (bij) 1 i m, 1 j n
Entonces:
1 i m, 1 j n
A - B = C = (cij) / cij = aij - bij
A=
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
A-B=
b11 b12 b13 .. b1n

b21 b22 b23 .. b2n
bm1 bm2 bm3.. bmn
B=
a11 - b11 a12 - b12 a13 - b13 ..... a1n - b1n

a21 - b21 a22 - b22 a23 - b23 ..... a2n - b2n
....................................................................
am1 - bm1 am2 - bm2 am3 - bm3 .....amn - bmn
Ejemplo:
2
-1
A=
-1
-1
-2
B=
3
2-3
-1
-1-2
14
2 (-1)
A-B=
-1
-3
-3
-2
=
3 (-1)
2 - 4 -1 (-2)
4-3
17
MULTIPLICACION DE UN ESCALAR POR UNA MATRIZ: El producto de un escalar por una matriz
es otra matriz del mismo orden que la matriz dada cuyos elementos se obtienen multiplicando el escalar por
cada uno de los elementos de la matriz dada.
Sean
k R y A = (aij) 1 i m, 1 j n
Entonces:
1 i m, 1 j n
k A = C = (cij) / cij = k aij
A=
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
kA=
k a11 k a12 k a13 .. k a1n

k a21 k a22 k a23 .. k a2n
.
k am1 k am2 k am3.. k amn
Ejemplo:
2
-1
-1
A=
-2
-2
2A =
PROPIEDADES:
1) ASOCIATIVA MIXTA:
k1 (k2 A) = (k1 k2) A
2) DISTRIBUTIVA DEL PRODUCTO CON RESPECTO A LA SUMA DE ESCALARES:
(k1 + k2) A = k1 A + k2 A
3) DISTRIBUTIVA DEL PRODUCTO CON RESPECTO A LA SUMA DE MATRICES:
k1 (A + B) = k1 A + k1 B
4) El escalar 1 multiplicado por cualquier matriz es igual a dicha matriz.
1A=A
MATRICES CONFORMABLES
Sean las matrices:
A = (aij) 1 i m, 1 j n y
B = (bij) 1 i p, 1 j q
Se dice que son conformables si el nmero de columnas de la primera es igual al nmero de filas de la
segunda, es decir, si n = p.
MULTIPLICACIN DE MATRICES:
Sean:
A = (aij) 1 i m, 1 j n y
B = (bij) 1 i n, 1 j q
Dos matrices conformables, el producto A . B se define por:
n
A . B = C = (cij) / cij = aik bkj
1 i m, 1 j q
k=1
es decir, el elemento cij de la matriz resultante se obtiene como la suma de los productos de los elementos de
la fila i de la matriz A por los elementos de la columna j de la matriz B.
18
Ejemplo:
3
-1
-3
A =
3 -2 1 4
2 -1 3 -2
3 -2 1 1
B =
-1
3
2
3
13
-3
-1
-2
-1
-2
-9
1 4
3 -2
1 1
2 16
A.B
3
PROPIEDADES:
1) El producto de matrices no es conmutativo, es decir: A . B B . A
2) Distributiva del producto con respecto a la suma de matrices: (A + B) . C = A . C + B . C
MATRIZ IDENTIDAD
Se llama matriz identidad a la matriz cuadrada de orden n definida por:
1 si i = j
I = (ij) / ij =
0 si i j
ij se denomina delta de Kronecker
Por ejemplo las matrices identidad de orden 2 y 3 son, respectivamente:
11
12
I=
=
21
22
11 12 13
I = 21 22 23 =
31 32 33
1
0
0
0
1
0
0
0
1
TRASPOSICION DE MATRICES
Se dice que la matriz B de orden nxm es la traspuesta de la matriz A de orden mxn si y slo si bij = aji y se
escribe B = At.
Ejemplo:
-1
A=
1
A =
-1
2
0
1
2
3
En consecuencia, para hallar la traspuesta de una matriz se cambian filas por columnas.
PROPIEDADES:
1) La traspuesta de la suma de dos matrices es igual a la suma de las traspuestas de las mismas.
(A + B)t = At + Bt
2) La traspuesta del producto de dos matrices es igual al producto de las traspuestas de dichas matrices en
orden permutado.
(A . B)t = Bt . At
19
MATRIZ SIMETRICA
Una matriz cuadrada es simtrica si y slo si es igual a su traspuesta.
A es simtrica A = At
Ejemplo:
A=
2
-1
3
-1 3
4 2
2 -5
2
es simtrica pues A = -1
3
t
-1 3
4 2
2 -5
=A
MATRIZ ANTISIMETRICA
Una matriz cuadrada es antisimtrica si y slo si es igual a la opuesta de su traspuesta.
A es antisimtrica A = - At
Para que esto se cumpla los elementos de la diagonal principal deben ser iguales a cero.
Ejemplo:
A=
0
-1
2
1
0
3
-2
-3
0
0
es antisimtrica pues A = 1
-2
t
-1
0
-3
2
3
0
=-A
MATRICES TRIANGULARES
La matriz cuadrada A de orden n es triangular superior si y slo si i > j aij = 0
Es decir, una matriz cuadrada es triangular superior si todos los elementos ubicados debajo de la diagonal
principal son iguales a cero.
Ejemplo:
A=
a11 a12 a13

a21 a22 a23
a31 a32 a33
A=
1
0
0
-2
2
0
3
1
5
La matriz cuadrada A de orden n es triangular inferior si y slo si i < j aij = 0

Es decir una matriz cuadrada es triangular inferior si los elementos situados sobre la diagonal principal son
iguales a cero.
Ejemplo:
A=
a11 a12 a13

a21 a22 a23
a31 a32 a33
A=
1
3
2
0
2
4
0
0
5
MATRICES DIAGONALES
La matriz cuadrada A de orden n es diagonal si y slo si i j aij = 0
Es decir, una matriz cuadrada es diagonal si los elementos ubicados fuera de la diagonal principal son iguales
a cero.
Ejemplo:
a11 a12 a13
A = a21 a22 a23
a31 a32 a33
A=
1
0
0
0
2
0
0
0
5
20
Si todos los elementos de la diagonal principal son iguales, o sea, si:

aij =
a si i j
0 si i = j
entonces la matriz diagonal se llama escalar.

Ejemplo:
A=
2
0
0
0
2
0
0
0
2
INVERSA DE UNA MATRIZ CUADRADA

La matriz cuadrada A de orden n es inversible, regular o no singular si y slo si existe una matriz B del
mismo orden tal que su producto por A a izquierda y a derecha es la matriz identidad.
A de orden n es inversible B de orden n / A . B = B . A = I
A la inversa de A, si existe, se la denota con A 1, es decir B = A 1, por lo tanto:
A A- 1 = A- 1 . A = I
PROPIEDAD:
Si dos matrices son inversibles entonces la inversa del producto es igual al producto de las inverses en orden
permutado, es decir:
(A . B)- 1 = B- 1 . A- 1
MATRICES ORTOGONALES
Una matriz cuadrada no singular es ortogonal si y slo si su inversa es igual a su traspuesta.
A de orden n es ortogonal A- 1 = At
PROPIEDADES:
1) Una matriz cuadrada es ortogonal si y slo si el producto de dicha matriz por su traspuesta es la matriz
identidad.
A es ortogonal A- 1 = At A . A-1 = A At A- 1 . A = At . A A . At = At . A = I
2) El producto de dos matrices ortogonales es ortogonal
A y B son ortogonales A . B es ortogonal
En efecto:
(AB) (AB)t = ABBtAt = AIAt = AAt = I
(se aplico traspuesta del producto y propiedad anterior)
Anlogamente es:
(AB)t (AB) = I
En consecuencia, por propiedad anterior resulta que AB es ortogonal.
21
BOLILLA N 3
ESPACIOS VECTORIALES
Sean V un conjunto no vaco, K un cuerpo, + y . dos funciones llamadas suma y producto, respectivamente.
El objeto (V,+,K,.) es un espacio vectorial si y slo si se verifican los siguientes axiomas:
A1: La suma es una ley de composicin interna en V
+: V2 V
O sea:
xVyVx+yV
A2: La suma es asociativa en V.
x, y, z V: (x + y) + z = x + (y + z)
A3: Existencia de neutro para la suma en V
0 V / x V: x + 0 = 0 + x = x
A4: Todo elemento de V admite inverso aditivo u opuesto en V.
x V, - x V / x + (- x) = (- x) + x = 0
A5: La suma es conmutativa en V.
x, y V: x + y = y + x
A6: El producto es una ley de composicin externa en V con escalares u operadores en K.
.:KxVV
O sea:
K x V x V
A7: El producto satisface la asociativa mixta.
K, K, x V: ( x) = ( ) x
A8: El producto es distributivo con respecto a la suma en K.
K, K, x V: ( + ) x = x + x
A9: El producto es distributivo con respecto de la suma en V.
K, x V, y V: (x + y) = x + y
A10: La unidad del cuerpo es neutro para el producto.
x V: 1 . x = x
Los elementos de V se llaman vectores y los elementos de K se llaman escalares.
PROPIEDADES:
1) El producto del escalar 0 por cualquier vector es el vector nulo.
0x=0
2) El producto de cualquier escalar por el vector nulo es igual al vector nulo.
.0=0
22
3) Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es cero o el vector es nulo.
.x=0 =0 x=0
4) El opuesto de cualquier escalar por un vector es igual al opuesto de su producto.
(- ) x = - ( x)
Ejemplo: Sean V = R2 y K = R, la adicin definida en R2 por: (a,b) + (c,d) = (a + c, b + d)
y el producto de nmeros reales por elementos de R2 definido por: (a,b) = ( a, b)
Verificar que (R2, +, R, .) es un espacio vectorial.
A1: La suma es una ley de composicin interna en V por definicin de suma.
A2: La suma es asociativa en V, pues:
[(a,b) + (c,d)] + (m,n) = (a,b) + [(c,d) + (m,n)]
(a + c, b + d) + (m,n) = (a,b) + (c + m, d + n)
(a + c + m, b + d + n) = (a + c + m, b + d + n)
con lo que se cumple la igualdad.
A3: Existencia de neutro:
(e,e ) R2 / (a,b) R2: (a,b) + (e,e) = (e,e) + (a,b) = (a,b)
Neutro a derecha
Neutro a izquierda
(a,b) + (e,e) = (a,b)
(e,e) + (a,b) = (a,b)
(a + e, b + e) = (a,b)
(e + a, e+ b) = (a,b=
a+e=a e=0
e+a=a e=0
b + e= b e= 0
e+ b = b e= 0
Luego el neutro a derecha es ( e,e) = (0,0)
Luego el neutro a izquierda es (e,e) = (0,0)
Como el neutro a derecha es igual al neutro a izquierda, entonces el elemento neutro es (e,e) = (0,0).
A4: Existencia de opuesto
(a,b) R2, (a,b) R2 / (a,b) + (a,b) = (a,b) + (a,b) = (0,0)
Opuesto a derecha
Opuesto a izquierda
(a,b) + (a,b) = (0,0)
(a,b) + (a,b) = (0,0)
(a + a, b + b) = (0,0)
(a+ a, b+ b) = (0,0)
a + a= 0 a= - a
a+ a = 0 a= - a
b + b= 0 b= - b
b+ b = 0 b= - b
Luego el opuesto a derecha es (a,b) = (-a,-b)
Luego el opuesto a izquierda es (a,b) = (-a,-b)
Como el opuesto a derecha es igual al opuesto a izquierda, el opuesto de (a,b) es (a,b) = (-a,-b)
A5: La suma es conmutativa en V
(a,b) R2, (c,d) R2: (a,b) + (c,d) = (c,d) + (a,b)
23
(a,b) + (c,d) = (c,d) + (a,b)

(a + c, b + d) = (c + a, d + b)
(a + c, b + d) = (a + c, b + d)
con lo que se verifica la propiedad.
A6: El producto es una ley de composicin externa en R2 con escalares en R por definicin de producto
A7: Asociativa mixta
R, R, (a,b) R2: [ (a,b)] = ( ) (a,b)
[ (a,b)] = ( ) (a,b)
( a, b) = ( ) (a,b)
[ ( a), ( b)] = [( ) a,( ) b]
( a, b) = ( a, b)
con lo que se demuestra la igualdad.
A8: El producto es distributivo con respecto a la suma en R.
R, R, (a,b) R2: ( + ) (a,b) = (a,b) + (a,b)
( + ) (a,b) = (a,b) + (a,b)
[( + ) a, ( + ) b] = ( a, b) + ( a, b)
( a + a, b + b) = ( a + a, b + b)
con lo que se prueba la propiedad.
A9: El producto es distributivo con respecto a la suma en R2.
R, (a,b) R2, (c,d) R2: [(a,b) + (c,d)] = (a,b) + (c,d)
[(a,b) + (c,d)] = (a,b) + (c,d)
(a + c, b + d) = ( a, b) + ( c, d)
[ (a + c), (b + d)] = ( a + c, b + d)
( a + c, b + d) = ( a + c, b + d)
con lo que queda demostrada la propiedad.
A10: La unidad del cuerpo es neutro para el producto.
(a,b) R2: 1 (a,b) = (a,b)
1 (a,b) = (a,b)
(1 a, 1 b) = (a,b)
(a,b) = (a,b)
Luego, al cumplirse los diez axiomas se verifica que (R2, +, R, .) es un espacio vectorial.
24
SUBESPACIO
Dados el espacio vectorial (V, +, K, .) y el conjunto no vaco S V, si S es un espacio vectorial sobre el
mismo cuerpo K y con las mismas leyes de composicin que en V, decimos que (S, +, K, .) es un subespacio
de (V, +, K, .) o simplemente que S es un subespacio de V.
CONDICION SUFICIENTE
Si el conjunto no vaco S V es cerrado para la suma y para el producto por escalares, entonces (S, +, K, .)
es un subespacio de (V, +, K, .).
En la prctica, para demostrar que (S, +, K, .) es un subespacio de (V, +, K, .) se debe probar que:
1) S
2) S V
3) x S y S x + y S
4) K x S x S
Ejemplo:
Sean el espacio vectorial (R3, +, R, .) y el conjunto S de las ternas ordenadas de nmeros reales tales que la
tercera componente es la suma de las otras dos, es decir:
S = (x1,x2,x3) R3 / x3 = x1 + x2
Determinar si S es un subespacio de R3.
a) S pues la terna (1,3,4) pertenece a S ya que 4 = 1 + 3
b) S R3 por definicin de S.
c) Si (x1,x2,x3) S (y1,y2,y3) S (x1,x2,x3) + (y1,y2,y3) S
(x1,x2,x3) S (y1,y2,y3) S x3 = x1 + x2 y3 = y1 + y2
x3 + y3 = (x1 + x2) + (y1 + y2)
x3 + y3 = (x1 + y1) + (x2 + y2)
(x1 + y1, x2 + y2, x3 + y3) S
(x1, x2, x3) + (y1,y2,y3) S
d) R (x1,x2,x3) S (x1,x2,x3) S
R (x1,x2,x3) S R x3 = x1 + x2
x3 = (x1 + x2)
x3 = x1 + x2
( x1, x2 , x3) S
(x1, x2 , x3) S
Luego S es un subespacio de R3 pues se cumplen las cuatro condiciones.
25
COMBINACIN LINEAL DE UN CONJUNTO DE VECTORES
Sea A = v1,v2, ..., vn un conjunto de vectores del espacio (V. +, K, .). Se llama combinacin lineal del
conjunto A a toda suma de productos de escalares arbitrarios de K por los vectores de A.
Es decir, una combinacin lineal del conjunto A V es todo vector de la forma:
n
i vi = 1 v1 + 2 v2 + 3 v3 + ... + n vn / i K vi A
i=1
En particular si todos los escalares son nulos, la combinacin lineal se llama trivial y da por resultado el
vector nulo.
Un vector v V es combinacin lineal (C.L.) del conjunto A V si y slo si existen escalares 1, 2, ...,n
tales que:
n
v = i vi = 1 v1 + 2 v2 + 3 v3 + ... + n vn
i=1
Ejemplos:
Sean los vectores v1 = (-1,0,2) y v2 = (-1,2,4) en R3. Determinar si los vectores v = (-1,1,3) y u = (1,2,2) son
combinacin lineal de v1 y v2.
Para v:
v = 1 v1 + 2 v2
(-1,1,3) = 1 (-1,0,2) + 2 (-1,2,4)
(-1,1,3) = (- 1, 0,21) + (- 2,22,42)
(-1,1,3) = (- 1 - 2, 22,21 + 42)
- 1 - 2 = -1 - 1 = -1 - 1 = -1 + - 1 = - 1 =
22 = 1 2 =
21 + 42 = 3 2 + 4 = 3 3 = 3
Luego:
v = v1 + v2
Para u:
u = 1 v1 + 2 v2
(1,2,2) = 1 (-1,0,2) + 2 (-1,2,4)
(1,2,2) = (- 1, 0,21) + (- 2,22,42)
(1,2,2) = (- 1 - 2, 22,21 + 42)
- 1 - 2 = 1 - 1 1 = 1 - 1 = 1 + 1 - 1 = 2 1 = - 2
22 = 2 2 = 1
21 + 42 = 2 2 (- 2) + 4 1 = 2 0 = 2
Como la tercera ecuacin no se verifica para los valores de 1 y 2, entonces el vector u no es combinacin
lineal de los vectores v1 y v2.
26
SUBESPACIO GENERADO
Sea A un conjunto no vaco de vectores del espacio vectorial (V. +, K, .).
A partir de l podemos formar el subespacio de V cuyos elementos sean todas las combinaciones lineales de
los vectores de A. A este conjunto lo denotaremos con el smbolo y se denomina el subespacio generado
por los vectores de A.
Si A = v1,v2, ..., vn entonces:
n
i vi / i K vi A
i =1
Es decir, el subespacio generado por un conjunto de vectores es el conjunto de todas la combinaciones

lineales que se pueden obtener a partir de ellos.
Ejemplo:
Determinar el subespacio de (R3, +, R, .) generado por los vectores del conjuntos A = {(1,0,1),(0,1,1)}
= 1 (1,0,1) + 2 (0,1,1) / 1 R 2 R
= (1,0,1) + (0,2,2) / 1 R 2 R
= (1,2,1 + 2) / 1 R 2 R
En consecuencia es el conjunto de todas las ternas ordenadas cuya tercera componente es la suma de las
dos primeras y podemos escribirlo como:
= (x1,x2,x3) / x3 = x1 + x2
DEPENDENCIA E INDEPENDENCIA LINEAL
CONJUNTOS LINEALMENTE INDEPENDIENTES (L.I.):

El conjunto A V es linealmente independiente si y slo si la nica combinacin lineal de dicho conjunto,
cuyo resultado sea el vector nulo, es la trivial.
n
A es linealmente independiente i: i vi = 0 i = 0
i =1
CONJUNTOS LINEALMENTE DEPENDIENTES (L.D.):

El conjunto A V es linealmente dependiente si y slo si no es linealmente independiente, es decir:
n
A es linealmente dependiente i / i vi = 0 i 0
i =1
Ejemplos:
Determinar si los siguientes conjuntos de vectores son linealmente independientes o linealmente
dependientes:
a) A = (1,0,0), (0,1,0) , (0,0,1)
b) B = (1,-1,0), (1,1,2) , (1,0,1)
a)
(1,0,0) + (0,1,0) + (0,0,1) = (0,0,0)

(,0,0) + (0,,0) + (0,0,) = (0,0,0)
(,,) = (0,0,0)
27
=0
=0
=0
Como = = = 0, entonces el conjunto A es linealmente independiente.
b)
(1,- 1,0) + (1,1,2) + (1,0,1) = (0,0,0)

(,- ,0) + (,,2) + (,0,) = (0,0,0)
( + + , - + , 2 + ) = (0,0,0)
++=0
-+
=0 -=- =
2 + = 0 = - 2
Si = k, entonces = k y = - 2k, por lo tanto el conjunto B es linealmente dependiente ya que k puede
tomar cualquier valor real.
SISTEMA DE GENERADORES
El conjunto A = v1,v2, ..., vn es un sistema de generadores de V si y slo si todo vector de V se puede
expresar como combinacin lineal de los vectores de A. O bien, A es un sistema de generadores de V si y
slo si el subespacio generado por A es V, es decir = V.
BASE DE UN ESPACIO VECTORIAL

Sea A = v1,v2, ..., vn un conjunto de vectores de (V, +, K, .). Se dice que dicho conjunto es una base de V
si y slo si es un conjunto linealmente independiente y un sistema de generador de V.
A V es una base de V A es linealmente independiente y = V.
Se llama dimensin de un espacio vectorial al nmero cardinal de cualquiera de sus bases, es decir al nmero
de vectores que contiene una base del mismo.
Ejemplos:
a) En (R2, +, R, .) una base es (1,0), (0,1) denominada base connica.
b) En (R3, +, R, .) una base es (1,0,0), (0,1,0), (0,0,1) denominada base connica.
28
BOLILLA N 4
TRANSFORMACIONES LINEALES ENTRE DOS ESPACIOS
Sean (V, +, K, .) y (W, +, K, .) dos espacios vectoriales sobre le mismo cuerpo K.

La funcin f: V W es una transformacin lineal si y slo si se verifican las siguientes condiciones:
a) La imagen de la suma de dos vectores cualesquiera de V es igual a la suma de las imgenes en W.
f(x + y) = f(x) + f(y)
b) La imagen del producto de cualquier escalar por todo vector de V es igual al producto del escalar por la
imagen de dicho vector.
f( x) = f(x)
Ejemplo:
Sean los espacios vectoriales (R3, +, R, .) y (R2, +, R, .)
La funcin f: R3 R2 definida por:
f(x1,x2,x3) = (x1 x3, x2 x3)
es una transformacin lineal ya que se verifica:
a) f [(x1,x2,x3) + (y1,y2,y3)] = f(x1 + y1, x2 + y2, x3 + y3)
= [(x1 + y1) (x3 + y3), (x2 + y2) (x3 + y3)]
= (x1 + y1 x3 y3, x2 + y2 x3 y3)
= [ (x1 x3) + (y1 y3), (x2 x3) + (y2 y3)]
= (x1 x3, x2 x3) + (y1 y3, y2 y3)
= f(x1,x2,x3) + f(y1,y2,y3)
que es lo que se quera probar.
b) f [ (x1,x2,x3)] = f ( x1, x2, x3)
= (x1 - x3, x2 - x3)
= [ (x1 - x3), (x2 - x3)]
= (x1 - x3, x2 - x3)
= f (x1, x2, x3)
NUCLEO DE UNA TRANSFORMACION LINEAL
Ncleo de una transformacin lineal f, entre dos espacios vectoriales sobre el mismo cuerpo, es el conjunto
de los vectores del dominio cuyas imgenes son el vector nulo del codominio.
N(f) = x V / f(x) = 0W
Ejemplo: El ncleo de la transformacin lineal definida en el ejemplo anterior es:
N(f) = (x1,x2,x3) R3 / f(x1,x2,x3) = (0,0)
29
Es decir:
(x1,x2,x3) N(f) f(x1,x2,x3) = (0,0)
(x1 x3, x2 x3) = (0,0)
x1 x3 = 0 x2 x3 = 0
x1 = x3 x2 = x3
x1 = x2 = x3 = a
Luego:
N(f) = (a,a,a) R3 / a R
O sea:
N(f) = a (1,1,1) R3 / a R
Es decir que el ncleo de la transformacin lineal es el conjunto de todos los mltiplos escalares del vector
(1,1,1).
IMAGEN DE UNA TRANSFORMACION LINEAL
Imagen de una transformacin lineal f: V W es el conjunto imagen del dominio, o sea, es la totalidad de
las imgenes de los vectores del primer espacio.
I(f) =f(x) / x V
PROPIEDADES DEL NUCLEO Y LA IMAGEN
1) La suma del las dimensiones del ncleo y la imagen es igual a la dimensin del primer espacio.
Dim N(f) + Dim I(f) = Dim V
2) El ncleo de una transformacin lineal entre dos espacios vectoriales es un subespacio del primero.
(N(f),+,K,.) es subespacio de (V,+,K,.)
2) La imagen de una transformacin lineal entre dos espacios vectoriales es un subespacio del codominio.
(I(f),+,K,.) es subespacio de (W,+,K,.)
TEOREMA FUNDAMENTAL DE LAS TRANSFORMACIONES LINEALES
Sean (V.+.K,.) y (W,+,K,.) dos espacios vectoriales y [v] = v1,v2, ... , vn una base de V. Si w1, w2, ..., wn
son n vectores cualesquiera de W, entonces existe una nica transformacin lineal f: V W tal que se
cumple:
f(vi) = wi i = 1, 2, ... , n
MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL
Sea la transformacin lineal f: V W entre dos espacios V y W de dimensiones finitas n y m,

respectivamente, la matriz asociada a esa transformacin lineal respecto a dos bases [v] y [w] de V y W es la
traspuesta de la matriz cuyos elementos son los n.m escalares que figuran en las combinaciones lineales de
los vectores que son imgenes de los elementos de la base de V.
30
Ejemplo:
Consideremos la transformacin lineal f: R3 R2 tal que:
f(x1,x2,x3) = (x1 + x3, x2 x3)
Determinamos la matriz de f respecto de las bases:
[v] = (1,1,1),(1,1,0),(1,0,0) en R3
[w] = (2,0),(0,1) en R2
Aplicando la definicin de la transformacin lineal obtenemos las imgenes de los vectores de la base [v] y
los expresamos como combinacin lineal de los vectores de la base de W.
f(1,1,1) = (2,0) = 1 (2,0) + 0 (0,1)
(1)
f(1,1,0) = (1,1) = (2,0) + 1 (0,1)
(2)
f(1,0,0) = (1,0) = (2,0) + 0 (0,1)
(3)
Luego:
A=
0
1
0
Clculos Auxiliares:
(1)
(2)
(3)
(2,0) = (2,0) + (0,1)
(1,1) = (2,0) + (0,1)
(1,0) = (2,0) + (0,1)
(2,0) = (2,0) + (0,)
(1,1) = (2,0) + (0,)
(1,0) = (2,0) + (0,)
(2,0) = (2,)
(1,1) = (2,)
(1,0) = (2,)
2 = 2 = 1
=0
2 = 1 =
=1
2 = 1 =
=0
ESPACIO FILA Y ESPACIO COLUMNA DE UNA MATRIZ

RANGO FILA Y RANGO COLUMNA DE UNA MATRIZ
Espacio columna de una matriz A de orden m x n es el subespacio generado por las columnas de A.
n
SC(A) = j Aj / j K
j=1
El rango columna de una matriz es la dimensin del espacio columna de dicha matriz.
rC(A) = Dim SC(A)
Anlogamente, el espacio fila de una matriz A de orden m x n es el subespacio generado por las filas de A.
m
SF(A) = i Ai / i K
i=1
El rango fila de una matriz es la dimensin del espacio fila de dicha matriz.
rF(A) = Dim SF(A)
31
RANGO DE UNA MATRIZ

El rango de una matriz es igual a su rango fila o su rango columna (pues rF(A) = rC(A))
E s decir:
r(A) = rF(A) = rC(A)
OPERACIONES ELEMENTALES Y MATRICES ELEMENTALES

Las operaciones elementales sobre una matriz A de orden m x n son las siguientes:
a) Permutacin de dos filas entre si o de dos columnas entre si.
b) Adicin de una fila a otra, o adicin de una columna a otra.
c) Multiplicacin de una fila o de una columna por un escalar no nulo.
Las matrices que realizan las operaciones elementales sobre las lneas de una matriz se llaman matrices
elementales.
EQUIVALENCIA DE MATRICES
Sean A y B dos matrices de orden m x n, se dice que B es equivalente A si y slo si B se puede obtener
efectuando un nmero finito de operaciones elementales sobre A.
METODO DE GAUSS-JORDAN PARA DETERMINAR EL RANGO DE UNA MATRIZ

El mtodo permite determinar el rango de una matriz mediante un nmero finito de operaciones elementales
del tipo: multiplicacin de una fila por un escalar no nulo y adicin de una fila a otra. Se opera
exclusivamente sobre las filas de una matriz y adems el mtodo se hace extensivo a la determinacin de la
inversa de una matriz y a la resolucin de un sistema de ecuaciones lineales.
Esencialmente se trata de formar el mximo nmero posible de vectores cannicos linealmente
independientes, tal nmero es el rango de la matriz.
Ejemplo:
Determinar el rango de la matriz:
1
1
0
2
A=
2
1
1
2
1
0
2
-1
-1
2
-1
2
PIVOTE
1
1
0
2
2
1
1
2
1
0
2
-1
-1
2
-1
2
1
0
0
0
2 1
-1 -1
1 2
-2 -3
-1
3
-1
4
1
0
0
0
0
0
1
0
-3
1
2
1
1
2
-1
2
1
0
0
0
0
0
1
0
0
1
0
0
7
2
-5
0
Luego r(A) = 3
d- b.c
a
32
METODO DE GAUSS-JORDAN PARA DETERMINAR LA INVERSA DE UNA MATRIZ

Para determinar la inversa de una matriz cuadrada A de orden n x n por el mtodo de Gauss Jordan se escribe
la matriz dada y a su derecha se escribe la matriz identidad del mismo orden que la matriz dada. La matriz
resultante es de orden n x 2n. A ella se le aplica el mtodo de Gauss Jordan hasta lograr transformar a la
matriz A en la matriz identidad, por lo tanto la matriz identidad se transforma en al inversa de A.
A-1
Ejemplo:
Determinar la inversa de la matriz:
A=
1
1
2
0
2
-1
-1
-2
1
1
0
0
0
1
0
0
0
1
1
0
0
0
2
-1
-1
-1
3
1
-1
-2
0
1
0
0
0
1
1
0
0
0
1
0
0
1/2
1/2
0
0
1
1
0
0
0
1
0
0
0
1
0
-1
-1
1
1
2
0
2
-1
-1
-2
1
1
0
0
-1
1
-1/2 -1/2
5/2 -5/2
1/5 2/5
3/5 1/5
1/5 2/5
0
1
0
0
0
1
A-1
1
1
2
0
2
-1
-1
-2
1
33
BOLILLA N 5
DETERMINANTE DE UNA MATRIZ CUADRADA
Sea A Kn x n (donde Kn x n representa el conjunto de todas las matrices cuadradas de orden n) una matriz
particionada en columnas, es decir A = (A1 A2 ... An) donde Ai con 1 i n denota la columna del lugar i de
la matriz.
Determinante de orden n es toda funcin:
D: Kn x n K
Que verifica:
1) Si una columna de una matriz est expresada como la suma de otras dos, el determinante de dicha
matriz es igual a la suma de los determinantes de las matrices que se obtienen al desdoblar esa columna.
D(A1 ... Aj + Aj ... An) = D(A1 Aj An) + D(A1 Aj An)
2) Si todos los elementos de una columna de una matriz estn multiplicados por un escalar, el determinante
de la misma es igual al escalar por el determinante de la matriz que resulta al sacar de esa columna el escalar
como factor comn.
D(A1 ... Aj ... An) = D(A1 Aj An)
3) Si dos columnas consecutivas de una matriz son iguales , el determinante de la misma es igual a cero.
Si Aj = Aj + 1 D(A1 ... Aj Aj + 1... An) = 0
4) El determinante de la matriz identidad es igual a 1.
D( I ) = 1
A=
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
an1 an2 an3 . .... ann
D(A) =
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
an1 an2 an3 ..... ann
PROPIEDADES
1) Si se permutan dos columnas de una matriz, entonces los correspondientes determinantes son opuestos.
D(A1 ... Aj Aj + 1... An) = - D(A1 ... Aj + 1 Aj... An)
2) El determinante de toda matriz que tenga dos columnas idnticas es igual a cero.
Si Ai = Aj D(A1 ... Ai Aj... An) = 0
3) Si una columna de una matriz es el vector nulo, entonces su determinante es nulo.
D(A1 0 An) = 0
4) Si K A Kn x n entonces
D( A) = n D(A)
5) El determinante da la traspuesta de una matriz es igual al determinante de dicha matriz.
D(At) = D(A)
6) El determinante del producto de dos matrices es igual al producto de los determinantes de las mismas.
D(A . B) = D(A) . D(B)
34
MENOR COMPLEMENTARIO Y MENOR ADJUNTO O COFACTOR DE UN ELEMENTO

Si en una matriz cuadrada se suprime la fila i y la columna j correspondiente al elemento aij, el determinante
de la matriz cuadrada resultante se denomina menor complementario de aij y se simboliza con Mij.
Adems, se define el cofactor o menor adjunto de aij, y se denota con Aij al producto:
Aij = (- 1) i + j Mij
Se debe notar que si la suma de los subndices correspondientes a la fila y a la columna de un elemento
cualquiera de una matriz cuadrada es un nmero par, el menor complementario y el cofactor de l son
iguales, mientras que si la suma es un nmero impar , difieren en el signo.
Ejemplo:
Determinar los cofactores de los elementos de la matriz:
A=
1
-2
-1
= - 2 (- 4) = - 2 + 4 = 2
2
-1
-2
A12 = (- 1)1 + 2
= (- 1) (- 1 + 6) = - 5
3
-1
A13 = (- 1)1 + 3
= 26=-4
3
-1
A21 = (- 1)2 + 1
A23 = (- 1)
-1
2
2
-2
A11 = (- 1)1 + 1
A22 = (- 1)
2
1
3
= (- 1)(1 2) = 1
2
-1
-1
-1
-1
2+2
=-23=-5
2+3
= (- 1) (4 + 3) = - 7
A31 = (- 1)3 + 1
=22=0
2
-2
A32 = (- 1)3 + 2
= (- 1)(- 4 1) = 5
1
-2
-1
A33 = (- 1)3 + 3
= 4 + 1= 5
1
CALCULO DE UN DETERMINANTE
REGLA DE SARRUS:
Este mtodo se aplica para calcular el determinante de una matriz de orden 3.
35
Dada la matriz:
A=
a11
a21
a31
a12
a22
a32
a11
a21
a31
a12
a22
a32
a13
a23
a33
a13
a23 = ( a11 a22 a33 + a12 a23 a31 + a21 a32 a13) (a13 a22 a31 + a23 a32 a11 + a12 a21 a33)
a33
Es decir, el determinante de una matriz de orden 3 se calcula realizando los productos de acuerdo al siguiente
esquema:
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Una forma prctica de aplicar esta regla se obtiene repitiendo las dos primeras filas o las dos primeras
columnas.
Ejemplo:
Calcular el determinante de la matriz:
A=
1
2
3
-1
2
-1
2
-3
2
1
2
3
-1
2
-1
2
-3 = (4 + 9 4) (12 + 3 4) = 9 11 = -2
2
1
2
3
1
2
-1
2
-1
-1
2
2
-3
2 = (4 + 9 4) (12 + 3 4) = 9 11 = -2
2
-3
1
2
3
-1
2
-1
2
-3
2
1
2
3
-1
2
-1
= (4 + 9 4) (12 + 3 4) = 9 11 = -2
DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA LINEA

Sea la matriz:
a11 a12 a13 ..... a1n

a21 a22 a23 ..... a2n
..............................
an1 an2 an3 . .... ann
A=
Entonces:
n
n
D(A) = aij Aij = (-1) i + j aij Mij
j=1
j=1
desarrollado por los elementos de una fila
n
n
D(A) = aij Aij = (-1) i + j aij Mij
i=1
36
desarrollado por los elementos de una columna
i=1
Ejemplo:
Sea la matriz:
1
2
3
A=
-1
2
-1
2
-3
2
a) Desarrollar D(A) por los elementos de la primera fila

3
3
D(A) = a1j A1j = (-1) 1 + j a1j M1j
j=1
j=1
= (-1)1 + 1 a11 M11 + (-1)1 + 2 a12 M12 + (-1)1 + 3 a13 M13

2
-3
= (-1)2. 1
-3
+ (-1)3 (-1)
-1
-1
+ (-1)4 . 2
3
= 1 . 1 . (4 3) + (-1) . (-1) (4 + 9) + 1 . 2. (-2 6)

= 1 + 13 16
=-2
b) Desarrollar el D(A) por los elementos de la segunda columna
3
3
D(A) = ai2 Ai2 = (-1) i + 2 ai2 Mi2
i=1
i=1
= (-1)1 + 2 a12 M12 + (-1)2 + 2 a22 M22 + (-1)3 + 2 a32 M32

2
-3
= (-1)3.(-1)
+ (-1)4 .2
3
-3
+ (-1)5 .(-1)
3
= (-1) .(-1) . (4 + 9) + 1 . 2 (2 - 6) + (-1). (-1) (-3 4)

= 13 8 - 7
=-2
REGLA DE CHIO
La regla de Chio se utiliza para reducir un determinante de orden n a otro de orden n 1. El procedimiento
puede reiterarse hasta lograr un determinante de orden2 o 1.
El mecanismo es similar al empleo para el clculo del rango de una matriz o la inversa de una matria por el
mtodo de Gauss Jordan.
Elegimos como pivote un elemento no nulo aij, despus de extraerlo como factor comn de la fila i
reducimos a cero los dems elementos de la columna del pivote.
Al desarrolar por los elementos de la columna j resulta un determinante de orden n1 multiplicado por:
(-1) i + j aij.
Ejemplo:
Calcular el determinante de la matriz:
2
3
0
2
A=
2
D(A) = 3
0
2
0
2
-2
3
-1
-2
-2
0
2
-3
2
-1
0
2
-2
3
-1
-2
-2
0
2
-3
2
-1
2
3
0
2
1
4
1
3
0
0
1
0
= (-1) 3 + 3 (-2)
2
3
2
= (-2)
= (-2) (-1)
1
4
3
1+2
37
1
-5
-1
-1
1
-5
-1
2
-5
-4
.1
-5
-9
-4
-4
1
0
0
1
-9
-4
= (-2) (-1)
= 2 (20 36)
= 2 (-16)
= - 32
SISTEMAS DE ECUACIONES LINEALES

Un sistema de ecuaciones lineales tiene la forma:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
..................................................................
am11 x1 + am2 x2 + am3 x3 + ... + amn xn = bm
Este sistema est formado por m ecuaciones lineales con n incgnitas.
RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES: resolver un sistema es encontrar
todos los conjuntos de valores que satisfagan simultneamente todas las ecuaciones del sistema.
Cada uno de esos conjuntos de valores constituyen una solucin del sistema.
Sean las races x1 = p, x2 = q , x3 = r , ..., xn = t , esas races son las soluciones del sistema, que se puede
escribir como:
x1
p
x2
q
x3
= r
.
.
xn
t
Si los trminos independientes de un sistema de ecuaciones lineales son ceros, se dice que el sistema es
homogneo.
Un sistema de ecuaciones puede ser compatible o incompatible, es decir:
SISTEMA
COMPATIBLE
(tiene solucin)
DETERMINADO
(la solucin es nica)
INDETERMINADO
(tiene infinitas soluciones)
INCOMPATIBLE
(no tiene solucin)
38
SISTEMAS HOMOGENEOS: un sistema homogneo es siempre compatible, es decir que siempre tiene
solucin, pudiendo ser determinado o indeterminado o sea con una o infinitas soluciones, respectivamente.
El sistema homogneo es compatible porque siempre tiene una solucin por lo menos que es la trivial,
aquella en la cual todas las incgnitas son ceros. Por lo tanto, si la solucin es nica, es la trivial y si tiene
infinitas soluciones, una de ellas es la trivial.
Por ejemplo, en el sistema:
2x 3y = 0
x+ y=0
una solucin inmediata es x = 0, y = 0
SISTEMAS NO HOMOGENEOS:
Un sistema no homogneo se puede expresar, en general por:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
..................................................................
es un sistema con m ecuaciones y n incgnitas.
La matriz A formada por:
a11 a12 a13 ..... a1n
a21 a22 a23 ..... a2n
a31 a32 a33 ..... a3n
................................
A=
mxn
se denomina matriz de los coeficientes o matriz del sistema.

La matriz columna X formada por:
X=
x1
x2
x3
.
xn
nx1
b1
b2
b3
.
bm
mx1
se llama matriz de las incgnitas.

La matriz columna B formada por:
B=
se llama matriz de los trminos independientes.

Teniendo en cuenta estas notaciones, el sistema de ecuaciones se puede escribir en forma matricial por:
AX = B
Es decir:
a11 a12 a13 ..... a1n
a21 a22 a23 ..... a2n
a31 a32 a33 ..... a3n
................................
x1
x2
x3
.
xn
b1
b2
b3
.
bm
Si B = 0, el sistema es homogneo.
Si m = n, es decir si el nmero de ecuaciones es igual al nmero de incgnitas, el sistema se llama cuadrado.
39
Si a la matriz de los coeficientes A se le agrega la matriz columna de los trminos independientes B se

obtiene una matriz A que se llama matriz ampliada del sistema, es decir:
A =
a11 a12 a13 ..... a1n b1

a21 a22 a23 ..... a2n b2
a31 a32 a33 ..... a3n b3
........................................
am1 am2 am3 ..... amn bm
el orden de la matriz A es m x (n + 1).

SISTEMAS EQUIVALENTES: dos sistemas de ecuaciones son equivalentes cuando toda solucin de uno
es solucin de otro y recprocamente, es decir, dos sistemas son equivalentes si tienen las mismas
soluciones.
Las operaciones que permiten transformar un sistema en otro equivalente son:
1) El intercambio de dos o ms ecuaciones del sistema, es decir el orden de las ecuaciones no altera el
sistema.
2) Multiplicar una o ms ecuaciones por una constante no nula.
3) Reemplazar una ecuacin por la que se obtiene sumando a la mencionada otra ecuacin del sistema
multiplicada por una constante.
REGLA DE CRAMER
Si A Kn x n es no singular y B Kn x 1, entonces el sistema lineal AX = B admite solucin nica, y el valor
de cada variable es el cociente entre el determinante que se obtiene al sustituir en el determinante del sistema
la columna de coeficientes de la variable por la columna de los trminos independientes, y el determinante
del sistema.
Sea el sistema:
AX = B
Como A es inversible, existe A1 y premultiplicando ambos miembros de la relacin anterior por ella,
resulta:
A-1 A X = A-1 B
Por propiedad asociativa del producto de matrices se tiene:
(A-1 A) X = A-1 B
teniendo en cuenta que A-1 A = I, resulta:
I X = A-1 B
Es decir:
X = A-1 B
Es la solucin del sistema y:
xj = D(A1,A2, ..., B, .... An)
D(A)
Ejemplo:
Resolver mediante el teorema de Cramer el siguiente sistema:
x1
- x3 = -1
x1 + 2 x2 2 x3 = -1
2x1 x2 + x3 = 3
La matriz de coeficientes es:
A=
1
1
2
0
2
-1
-1
-2
1
0
y su inversa es A 1 = -1
-1
1/5
3/5
1/5
2/5
1/5
2/5
40
Por lo tanto, la solucin del sistema es:
X=
0
-1
-1
1/5
3/5
1/5
2/5
1/5
2/5
-1
-1
3
1
X= 1
2
Aplicando la regla de Cramer, tenemos:
1
1
2
0
2
-1
-1
-2 = (2 + 0 + 1) (-4 + 2 + 0) = 3 (-2) = 5
1
-1
Dx1= -1
3
0
2
-1
-1
-2 = (-2 + 0 - 1) (-6 - 2 + 0) = -3 (-8) = 5
1
1
Dx2= 1
2
-1
-1
3
-1
-2 = (-1 + 4 - 3) (2 - 6 - 1) = 0 (-5) = 5
1
1
Dx3= 1
2
0
2
-1
-1
-1 = (6 + 1 + 0) (-4 + 1 + 0) = 7 (-3) = 10
3
D=
x1 = Dx1 x1 = 5 x1 = 1
D
5
x2 = Dx2 x2 = 5 x2 = 1
D
5
x3 = Dx3 x3 = 10 x3 = 2
D
5
TEOREMA DE ROUCHE FROBENIUS
Este teorema permite determinar si un sistema de ecuaciones lineales es compatible o incompatible y, en caso
de ser compatible, permite determinar si la solucin es nica o no.
Dado un sistema de m ecuaciones con n incgnitas
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ... + a2n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
..................................................................
Si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada, el sistema es compatible.
Si el rango de la matriz de coeficientes no es igual al rango de la matriz ampliada, el sistema es incompatible.
Si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada y es igual al nmero de
incgnitas, el sistema es compatible determinado.
Si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada y ste es menor que el nmero
de incgnitas, el sistema es compatible indeterminado.
En resumen:
Si r1 = rango de A (matriz de coeficientes) y r2 = rango de A (matriz ampliada), entonces:
41
SISTEMA
COMPATIBLE
r1 = r2
DETERMINADO
r1 = r2 = nmero de incgnitas
INCOMPATIBLE
r1 r2
INDETERMINADO
r1 = r2 nmero de incgnitas
Ejemplos:
Resolver por el mtodo de Gauss Jordan los siguientes sistemas de ecuaciones:
a)
x1+ x2 + x3 = 2
2x1 x2 x3 = 1
x1 + 2x2 x3 = -3
1
2
1
1
-1
2
1
-1
-1
2
1
-3
1
0
0
1
-3
1
1
-3
-2
2
-3
-5
1
0
0
0
0
1
3
-9
-2
7
-18
-5
1
0
0
0
0
1
0
1
0
1
2
-1
1
0
0
0
1
0
0
0
1
1
-1
2
Como el r(A) = r(A) = 3 = nmero de incgnitas, entonces el

sistema es compatible determinado, es decir, tiene una nica
solucin.
La solucin del sistema es:
1
X = -1
2
b)
x1 + x2 x3 = 1
x1 - 3x2 + 4x3 = 0
2x1 - 2x2 + 3x3 = 1
1 1 -.1
1 -3 4
2 -2 3
1
0
1
1 1 -.1
0 -4 5
0 -4 5
1
-1
-1
1 0
0 1
0 0
1/4 3/4
-5/4 1/4
0 0
Como r(A) = r(A) = 2 < nmero de incgnitas, el sistema dado es compatible indeterminado, para calcular
las solucin del mismo reconstruimos las ecuaciones:
0 x1 + 0 x2 + 0 x3 = 0
x2 5/4 x3 = 1/4 x2 = 1/4 + 5/4 x3
x2 = 1 + 5x3
4
x1 + 1/4 x3 = 3/4 x1 = 3/4 1/4 x3 x1 = 3 - x3

4
Si x3 = a x1 = 3 a y x2 = 1 + 5 a
4
4
Luego la solucin general o conjunto solucin del sistema est dada por:
X =
(3 a)/4
(1 + 5a)/4
a
Asignando valores a a se obtienen soluciones particulares del mismo.

c)
x1 + x2 x3 = 1
x1 - x2 + 3x3 = -3
x1 + 0x2 + x3 = 1
1 1 -.1
1 -1 3
1 0 1
1
-3
1
1 1 -.1
0 -2 4
0 -1 2
1
-4
0
1 0
0 1
0 0
-1
2
2
1
2
0
Como r(A) = 2 y r(A) = 3, el sistema es incompatible.
42
43
BOLILLA N 6
PRODUCTO INTERIOR EN ESPACIOS VECTORIALES
Sea (V, +, R, .) un espacio vectorial sobre el cuerpo de los nmeros reales, el producto interior, simbolizado
por < x,y > es toda funcin
< , >: V2 R
que satisface las condiciones de simetra, de linealidad respecto del primer argumento y de definida positiva,
es decir:
1) < x,y > = < y,x > x V, y V
2) < x + y,z > = < x,z > + < y,z > x V, y V, z V
3) < x,y > = < x,y > x V, y V, R
4) < x,x > 0 x V
< x ,x > = 0 x = 0
Todo producto interior en un espacio vectorial real asigna a cada par de vectores un nico nmero real.
El espacio vectorial (V, +, R, .) en el que se ha definido un producto interior se denomina espacio
euclidiano.
Ejemplo:
En (Rn, +, R, .), la funcin:
< , >: Rn x Rn R
definida por:
< X, Y > = X t Y (1)
donde:
X=
x1
x2
x3
.
.
xn
Y=
y1
y2
y3
.
.
yn
es un producto interior. Para probar esta afirmacin verificamos los axiomas de la definicin:
1) < X,Y > = X t Y = (X t Y) t = Y t X = < Y,X >
Por definicin de producto interior, por ser X t Y un escalar, por traspuesta del producto y nuevamente por
definicin de producto interior.
2) < X + Y,Z > = ( X + Y) t Z = (X t + Y t) Z = X t Z + Y t Z = < X,Z > + < Y,Z >
Por definicin de producto interior, por traspuesta de la suma, por propiedad distributiva y nuevamente por
definicin de producto interior.
3) < X,Y > = ( X) t Y = X t Y = < X,Y >
Por definicin de producto interior, por traspuesta de un escalar por una matriz y nuevamente por definicin
de producto interior.
44
n
4) < X,X > = X X = xi2 0
t
i=1
Por definicin de producto interior, por producto de matrices y suma de nmeros reales no negativos.
n
< X,X > = 0 xi2 = 0 xi = 0, I X = 0
i=
La definicin (1) caracteriza un producto interior en Rn, llamado tambin producto interior usual. Efectuando
la operacin indicada en (1) es:
n
< X,Y > = xi yj
i=1
P sea, el producto interior de dos n-uplas de nmeros reales es igual a la suma de los productos de las
componentes correspondientes.
En el caso n = 2 esta definicin se traduce en:
< X,Y > = x1 y1 + x2 y2
PRODUCTO INTERIOR DE COMBINACIONES LINEALES
Sea (V, +, R, .) un espacio vectorial con producto interior, y sean las combinaciones lineales:
n
x = i xi
i=1
n
y = j yj
j=1
i, j R y xi, yj V
Donde:
De acuerdo con los axiomas de la definicin se tiene:

n
n
< x, y > = < i xi, j yj > por axioma 2 se tiene
i=1
j=1
n
n
= < i xi, j yj > por axioma 3 resulta
i=1
j=1
n
n
= i < xi, j yj > por axioma 1 resulta
i=1
j=1
n
n
= i < j yj, xi > por axioma 2 resulta
i=1
j=1
n
n
= i < j yj, xi > por axioma 3 resulta
i=1
j=1
n
n
= i j < yj, xi > por axioma 1 resulta
i=1
j=1
n
n
= i j < xi,yj > por propiedad de sumatoria, resulta
i=1
n
=
j=1
n
i j < xi,yj >
i=1 j=1
45
En particular es:
< x + y, x + y > = 2 < x,y > + < x,y > + < y,x > + < y,y >
= 2 < x,y > + 2 < x,y > + < y,y >
MODULO O LONGITUD DE UN VECTOR
Mdulo en un vector en un espacio con producto interior es la raz cuadrada no negativa del producto
interior de dicho vector por s mismo.
El smbolo x se lee mdulo o longitud de x.
De acuerdo con la definicin es:
x = < x,x >
Ejemplo:
En R2, con la definicin dada en el ejemplo anterior si x = (3,4), entonces:
x = < x,x >
x = x1 x1 + y1 y1
x = x12 + y12
x = 32 + 42
x = 25
x = 5
Al mdulo de a tambin norma de x.
Se verifica que el cuadrado del mdulo de todo vector es igual al producto interior de dicho vector consigo
mismo, es decir:
x 2 = < X,X >
MODULO DEL PRODUCTO ENTRE UN ESCALAR Y UN VECTOR

En todo espacio vectorial con producto interior, el mdulo del producto de un escalar por un vector es igual
al valor absoluto del escalar por el mdulo del vector.
x = x
En efecto:
x 2 = < x, x > = < x,x > = 2 x 2 = ( x )2
O sea:
x 2 = ( x )2
Y como las bases son no negativas, resulta:

x = x
El producto d un vector no nulo por el recproco de su mdulo, o lo que es lo mismo, el cociente entre un
vector no nulo y su mdulo es un vector de mdulo 1.
En efecto, si x 0. Considerando
x
x
1 x
x
x
se verifica:
x
1
x
x =
1
x = 1
x
Ejemplo:
Si x = (1, -1, 2 )entonces su norma, con el producto interno usual es:
x = 12 + (-1)2 + ( 2 )2 = 2
y resulta:
x = 1,- 1 , 2
x
2 2
2
este es un vector de mdulo 1, llamado tambin vector unitario.
ORTOGONALIDAD
Sea (V. +, R, .) un espacio vectorial con producto interior.
Dos vectores son ortogonales si y slo si su producto interior es nulo.
x y < x,y > = 0
Ejemplo:
En R2, con el producto interior usual, los vectores:
x = (-2,3) e y = (-3,-2)
son ortogonales, pues:
< x,y > = (-2) (-3) + 3 (-2) = 6 6 = 0
46

Apunte de Logica

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apunte de Logica

Загружено:

Авторское право:

Доступные форматы

Prof. Carlos Alberto Palacio T.E. (03833) 425189 Personal 15680822 E-MAIL: cap@ctcom.com.

PROF. CARLOS ALBERTO PALACIO

IMPLICACIN O CONDICIONAL: dadas dos proposiciones p y q, el condicional es la proposicin

DOBLE IMPLICACIN O BICONDICIONAL: dadas dos proposiciones p y q, el bicondicional es la

ALTERNATIVA O DISYUNCION EXCLUYENTE: dadas dos proposiciones p y q la alternativa es la

CONDICIONES NECESARIAS Y SUFUCIENTES

Si abc es un tringulo equiltero, entonces abc es un tringulo issceles

b) De la disyuncin respecto de la conjuncin:

REPRESENTACIN DE UNA RELACION

DOMINIO, IMAGEN Y RELACION INVERSA

RELACIONES DEFINIDAS EN UN MISMO CONJUNTO

Regularidad de un elementos respecto de una ley interna

A5: La adicin es conmutativa

a11 a12 a13 ..... a1n

En forma abreviada, una matriz se generaliza por:

OPERACIONES CON MATRICES

a11 a12 a13 ..... a1n

b11 b12 b13 .. b1n

bm1 bm2 bm3.. bmn

a11 + b11 a12 + b12 a13 + b13 ..... a1n + b1n

3) EXISTENCIA DE NEUTRO: Existe la matriz N = (nij) / nij = 0, 1 i m, 1 j n i,j llamada matriz

A - B = C = (cij) / cij = aij - bij

a11 a12 a13 ..... a1n

b11 b12 b13 .. b1n

bm1 bm2 bm3.. bmn

a11 - b11 a12 - b12 a13 - b13 ..... a1n - b1n

k A = C = (cij) / cij = k aij

a11 a12 a13 ..... a1n

k a11 k a12 k a13 .. k a1n

a11 a12 a13

La matriz cuadrada A de orden n es triangular inferior si y slo si i < j aij = 0

a11 a12 a13

Si todos los elementos de la diagonal principal son iguales, o sea, si:

entonces la matriz diagonal se llama escalar.

INVERSA DE UNA MATRIZ CUADRADA

(a,b) + (e,e) = (a,b)

(e,e) + (a,b) = (a,b)

Luego el neutro a derecha es ( e,e) = (0,0)

Luego el neutro a izquierda es (e,e) = (0,0)

(a,b) + (a,b) = (0,0)

(a,b) + (a,b) = (0,0)

Luego el opuesto a derecha es (a,b) = (-a,-b)

Luego el opuesto a izquierda es (a,b) = (-a,-b)

(a,b) + (c,d) = (c,d) + (a,b)

COMBINACIN LINEAL DE UN CONJUNTO DE VECTORES

Es decir, el subespacio generado por un conjunto de vectores es el conjunto de todas la combinaciones

DEPENDENCIA E INDEPENDENCIA LINEAL

CONJUNTOS LINEALMENTE INDEPENDIENTES (L.I.):

CONJUNTOS LINEALMENTE DEPENDIENTES (L.D.):

(1,0,0) + (0,1,0) + (0,0,1) = (0,0,0)

(1,- 1,0) + (1,1,2) + (1,0,1) = (0,0,0)

BASE DE UN ESPACIO VECTORIAL

Sean (V, +, K, .) y (W, +, K, .) dos espacios vectoriales sobre le mismo cuerpo K.

NUCLEO DE UNA TRANSFORMACION LINEAL

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL

Sea la transformacin lineal f: V W entre dos espacios V y W de dimensiones finitas n y m,

f(1,1,0) = (1,1) = (2,0) + 1 (0,1)

f(1,0,0) = (1,0) = (2,0) + 0 (0,1)

(2,0) = (2,0) + (0,1)

(1,1) = (2,0) + (0,1)

(1,0) = (2,0) + (0,1)

(2,0) = (2,0) + (0,)

(1,1) = (2,0) + (0,)