ALGEBRA LINEAL 1 – ITBA

1° Parcial

SUMATORIA

- Definición
1
 a i  a1
i 1
 n 1 n
  a i   a i  a n 1
 i 1 i 1

- Propiedades
n n n
1)  (ai  bi )  ai   bi
i 1 i 1 i 1
n n
2)  Ka
i 1
i K  a i
i 1
K R
n r n
3)  a i  a i  a i rn
i 1 i 1 i  r 1
n r r n

4) a
i  1 j 1
ij    aij
j 1 i  1

CUERPO

Llamamos cuerpo al conjunto de elementos K que cumple con las siguientes propiedades
de la suma y el producto:

a , b, c  K
Suma:
1) a  b  K Ley interna
2) a  (b  c )  ( a  b)  c Asociativa
3) a  b  b  a Conmutativa
4) a  K  K / a    a Elemento neutro para la suma
5) a  Ka´ K / a  a´  Elemento inverso para la suma
Producto:
1) a.b  K Ley interna
2) a .(b .c )  ( a.b).c Asociativa
3) a.b  b.a Conmutativa
4) a  Ka´ K / a.a´ a Elemento neutro para el producto (1)
5) a  Ka 1  K / a.a 1   Elemento inverso para el producto
6) c( a  b)  ca  cb Propiedad distributiva del producto respecto de la suma

(K, +, .) >>> Ejemplos: R, Q, C

VECTORES

- Definición
R n    x1 , x 2 , x3 .....x n  / xi  R,1  i  n
C n    x1 , x 2 , x3 .....x n  / xi  C ,1  i  n
- Igualdad de vectores
u, v  K n 1  i  n
u  v   u  i   v  i Todas las componentes son iguales respectivamente

- Operaciones
u , v, w  K n 1  i  n
 K

Suma
 u  v i   v i   u  i
Propiedades
1) u  v  v  u
2) (u  v)  w  u  (v  w)
3) u  K n   K n / u    u    0,0.....0 
4) u  K n u´ K n / u  u´ 

Producto por un escalar

 u  i    u  i

Propiedades
1) (   )u  u  u
2)  (u  v)  u  v
3) ( )u   ( u )
4) Se confirma que 1.u  u
5) Se confirma que 0.u  

Producto escalar de vectores

n
u.v  u1 .v1  u 2 .v 2  .....u n .v n   u i .v i uR
i 1

MATRICES

- Definición

 a11 a12 .. a1m 

 
a a 22 .. .. 
A   21
.. .. .. .. 
 
a .. .. a nm 
 n1

Definimos una matriz como una tabla de doble entrada con filas y columnas. Las
denominamos según su tamaño o dimensión, donde n son las filas y m las columnas:
a) Matriz cuadrada  K nxn
b) Matriz columna  K nx1
c) Matriz fila  K 1xm

Podemos además determinar la suma de sus componentes:

 m

a) En una fila i Suma ( Fi )   a ij

j 1
n
b) En una columna j Suma(Cj )   a ij
i 1
n m m n

c) En toda la matriz Suma   a ij   a ij

i 1 j 1 j 1 i 1

- Igualdad de matrices
A, B  K nxm 1  i  n y 1  j  m
A  B   A ij   B  ij Todas las componentes son iguales respectivamente

- Operaciones

Suma
A, B  K nxm 1  i  n y 1 j  m
 A  B ij   A ij   B ij

Propiedades
1) A  B  B  A
2) ( A  B )  C  A  ( B  C )
0 .. 0
 
3) A  K nxm
  K nxm
/ A  A    .. .. .. 
0 .. 0 

4) u  K( A)  K / A  ( A)  

Producto por un escalar

A K nxm 1  i  n y 1  j  m
 K
 A ij    A ij

Propiedades
1) (   ) A  A  A
2)  ( A  B )  A  B
3) ( ) A   ( A)
4) Se confirma que 1. A  A
5) Se confirma que 0. A  
Algoritmo: Para obtener un determinado valor ij de la
Producto de matrices matriz producto debemos realizar el producto escalar
A  K nxh y B  K hxm entre los elementos de la fila i de la matriz primera por los
h de la columna j de la segunda matriz.
 AB ij   a ik bkj AB  K nxm
k 1

Propiedades
1) ( A.B )C  A.( B.C )
2) C ( A  B )  CA  CB o bien ( A  B )C  AC  BC (¡!: Cuidado con el orden)

3)Elemento neutro: Matriz identidad

I n A  AI n  A
NOTA:
i<j
i=j
i>j
 1 0 .. 0
 
0 1 .. 0 1 si i  j
In   In   I n  K nxn
.. .. .. ..  0 si i  j
 
0 0 1 


¡!) A.B   y sin embargo, A.   y B.  

¡!) A.B  B. A

- Matrices especiales

- Diagonal
 D  ij  0 si i  j

Propiedades:
A, B matrices diagonales
1) A  B  C C diagonal
2) A.B  C C diagonal
3) A 1 diagonal

- Triangular superior
T  ij  0 si i  j

Propiedades:
A, B matrices triangulares superiores
1) A  B  C C triangular superior
2) A.B  C C triangular superior
3) A 1 triangular superior

- Triangular inferior
 L ij  0 si i  j

Propiedades:
A, B matrices triangulares inferiores
1) A  B  C C triangular inferior
2) A.B  C C triangular superior
3) A 1 triangular inferior

- Simétrica
A  K nxn es simetrica  a ij  a ji  A  K nxn es simetrica  A  At

Propiedades:
A, B matrices simetricas
1) A  B  C C simétrica
2) A n es simétrica

- Antisimétrica
A  K nxn es antisimet.  a ij   a ji  A  K nxn es antisimet.  A   At

Propiedades:
A, B matrices antisimetricas
1) A  B  C C antisimétrica
- Traspuesta
A  K nxm
A 
t
ij   A ji A t  K mxn

Propiedades:
1)  At   A
t

2)  A  B  t  At  B t
3)  A.C  t  C t . At y también  A1. A2 ..... An   An ..... A2 . A1
t t t t

4)   . A t   . At
5) ( A 1 ) t  ( A t ) 1

- Conjugada
A  C nxm
 A ij   A ij

Propiedades:
1)  A   A t 
t

2) A.B  A.B
3)  . A   . A
4) ( A  B )  A  B
5) A  A

- Hermítica
A  C nxn es matriz hermetica  A  A t

Propiedades:
A, B matrices hermeticas
1) A  B  C C hermética

- Antihermitica
A  C nxn es matriz antiherm.  A   At

Propiedades:
A, B matrices antihermeticas
1) A  B  C C antihermética

- Inversa Algoritmo: Resuelvo por el método

A  K nxn es inversible  B  K nxn / AB  BA  I n Gauss-Jordan de manera que partiendo de
la parte superior llegue a la inferior.
 si A es inversible  B es inversible A I
B  Matriz inversa de A  B  A 1 o B 1  A I Inversa

Podemos también definir la función inversa de la siguiente forma:

A 1  E n .....E 2 .E1 donde Ei es una matriz elemental
 ( E n ...E 2 E1 ). A  I
    
A 1
1 1 1
 A  ( E n ...E 2 E1 ) 1  E1 E 2 ...E n
Entonces A es inversible si es equivalente por filas a I, es decir, si se puede
expresar como producto de matrices elementales.
Además, para que una matriz sea inversible A  0
 Nota:
Si A es inversible al sistema lineal A. X  C tiene solución y es única. Solución:
X  A 1C
 a11 a12 .. a1m   x1   C1 
     
 a 21 a 22 .. ..   x 2   C 2 
 .. . =
.. .. ..   ..   .. 
     
a .. .. a nm   x m   C m 
 n1

Propiedades:
1)  A 1   A
1

2) Se cumple la Ley cancelativa si A es inversible

AB  AC  B  C
BA  CA  B  C
3) La inversa es única
4) A, B matrices inversibles del mismo tamaño
A.B  C C inversible
5) A, B matrices inversibles del mismo tamaño
( A.B ) 1  B 1 . A 1 y también  A1 . A2 ..... An 
1 1 1 1
 An .....A2 . A1

- Elemental
Llamamos matriz elemental a la matriz que se puede obtener aplicando una única
operación elemental a la matriz elemental. Operaciones elementales (definidas por
filas):
a) Fi  Fi   0 Obtengo una matriz diagonal
b) Fi  Fi  CF j Obtengo una matriz triangular superior (i<j) o inferior (i>j)
c) Fi  Fj Obtengo una matriz simétrica
Además la matiz elemental es muy parecida a la I y solo difiere de ella en un
elemento

Propiedades:
1) Multiplicar una matriz elemental por otra matriz cualquiera equivale a aplicar
la misma operación elemental aplicada sobre la matriz identidad (para obtener la
matriz elemental) sobre la segunda matriz}
2) Las matrices elementales son inversibles
Operación Operación Inversa
F
a) i  Fi Fi  Fi /   0
b) Fi  Fi  CF j Fi  Fi  CF j
c) Fi  Fj Fi  Fj

-Factorización A=LU:

La descomposición LU consiste en expresar una matriz como el producto de una matriz

triangular superior (U) por otra matriz triangular inferior con unos en la diagonal(L). Esto
se hace “Reduciendo” una matriz A  K nxn a una matriz triangular superior por medio de
operaciones elementales de tipo Fi  Fi  CF j (Nota: Al aplicar este tipo de operaciones
elementales, el único valor de la E que cambia respecto de la I es el elemento ij). Así:
E n ...E 2 E1 . A  U  A   E n ...E 2 E1  U  A  E1 E 2 ...E n .U  A  LU
1 1 1 1
     
L
Propiedades:
1) Si A es reducible a U, triangular superior, sin hacer permutaciones  L , triangular
inferior con unos en la diagonal  K nxn / A  LU
2) Si es inversible y admite descomposición LU  La descomposición es única

Aplicación:
Sea el sistema AX = b
 x1   b1 
    AX  b 
L.U .X  b
 x 2   b2  L.Y  b (1)
c.   =   
..
   
 x  b 
..
A  LU  y Y  UX ( 2)

 m  m

-Factorización PA=LU:

Puede que no se pueda “reducir” una matriz A a una matriz triangular superior
únicamente por medio de operaciones elementales de tipo Fi  Fi  CF j sino que sea
además necesaria una permutación. Entonces, formamos la matriz de permutación P,
producto de matrices de permutación elementales:
Pn ...P2 P1 . A  LU  Pn ...P2 P1 . A  LU  PA  LU
   
P

- DETERMINANTES

- Definición

Para n=2
A  a11 a 22  a12 a 21
Para n=3
a 22 a 23 a a 23 a a 22
A  a11  a12 21  a13 21
a 32 a 33 a 31 a 33 a 31 a 32
General
n
A   a ik Aik
k 1
Siendo:
( n 1) x ( n 1)
Menor del elemento aij : M ij  K la matriz que se obtiene de eliminar la
columna j y la fila i
i j
Cofactor del elemento aij : Aij  K / Aij  ( 1) M ij la matriz que se obtiene de
eliminar

- Propiedades

1) El desarrollo de un determinate da n! términos, siendo n el número de filas y

columnas
3) El determinante puede desarrollarse por cualquier fila y el resultado obtenido será el
mismo. De ahí que definimos el determinante:
n
A   a ik Aik
k 1

4) Si a una matriz A le aplico una operación elemental de tipo Fi  cFi y llamamos a esta
matriz B, entonces c A  B (Nota: Si multiplico a todas las filas de A por c, entonces
cn A  B )
5) Si se intercambia el orden de dos filas de una matriz el determinante cambia de signo.
6) El producto del elemento a ik por el cofactor de a jk es igual a 0.
n

a
k 1
ik A jk  0 si i  j

7) Si a una matriz le realizamos una operación del tipo Fi  Fi  CF j , el determinante de

la matriz final es igual al de la inicial.
8) A.B  A . B
a) A1 . A2 .... Ak  A1 . A2 .... Ak
b) A  A k  N
k k

Si A es inversible: A  A k  Z k k

1 1
c) A 1 . A
k
1  A 1 
A
 A

- Determinantes especiales

1) El determinante de las matrices diagonales o triangulares es igual al producto de los

n
elementos de su diagonal A   a kk
k 1
2) Si una matriz tiene una fila (o columna) de ceros, entonces su determinante es 0
3) Si una matriz tiene dos filas (o columnas) iguales, entonces su determinante es 0
4) Si una matriz tiene dos filas (o columnas) porporcionales, entonces su determinante es
0
5) Si una matriz no es inversible su determinante es 0. Si es inversible su determinante
debe ser distinto de 0.

- Matrices especiales con determinantes

1) Matriz de cofactores
Cof ( A) /[Cof ( A)]ij  Aij
 a11 a12 .. a1n   A11 A12 .. A1n 
   
 a 21 a 22 .. ..  A A22 .. .. 
A Cof ( A)   21
.. .. .. ..  .. .. .. .. 
   
a .. .. a  A .. .. Ann 
 n1 nn   n1
2) Matriz adjunta de A

Adj( A) / A*   Cof ( A)

t

 A *ij  Aji
Ademas:
 A 0 .. 0 
  A* A*

A.A*  
0 A .. .. 
.. 
 A.  I  A1 


.. .. ..
 A A
 0 .. .. A 

- GRUPO
Llamamos grupo al conjunto de elementos K que cumple con las propiedades de un
cuerpo para la suma o el producto. Si además se cumple que esta operación es
conmutativa entonces llamamos al grupo abeliano.

- ESPACIO VECTORIAL

- Definición

Un espacio vectorial real V es un conjunto de objetos, llamados vectores, junto con dos
operaciones llamadas suma y multiplicación por un escalar que satisfacen los 10
siguientes axiomas:

Sea V conjunto no vacío; v, u , w  V ; v, u, w es “vector”

Sea K cuerpo de escalares (K, +, .);  ,   K
Suma en V (Grupo abeliano):
1) u  v  V Ley interna
2) u  (v  w)  (u  v)  w Asociativa
3) a  b  b  a Conmutativa
4) u  V  V / u   v  u Elemento neutro para la suma (Nota: el vector nulo no
será siempre el vector con todas las componentes nulas sino aquel que sea neutro para la
suma definida para ese espacio vectorial)
5) u  Vu´ V / u  u´  v Elemento inverso para la suma
Producto en V:
6)   u  V Ley externa
7)   (u  v)    u    v Distributiva respecto de la suma en V
8) (    )  u    u    u Distributiva respecto de escalares
9) (  )  u    (   u ) Asociatividad mixta
10) Sea 1: neutro par la multiplica ción en K
1 u  u

(V,  ,  ,K) >>> Ejemplos: ( R n

,  ,  ,R) (Cn ,  ,  ,C)
- Propiedades

Sea V un espacio vectorial sobre K:

1) Se verifica que    v   v con   K
2) Se verifica que 0  u   v con u  V
3) Se verifica que 1  u  u con u  V

- Subespacios vectoriales

Definición

Sea V un espacio vectorial sobre K

S  V , S  0 es subespacio de V  S es un espacio vectorial sobre K

Debido a que ya sabemos que V es un espacio vectorial, S al estar incluido en V

hereda varias de uss propiedades y por tanto solo es necesario probar algunos
axiomas:
- S  0 y v  S
- u  v  S con u , v  S
-   u  S con u  S , con   K
 Propiedades

1)Todo espacio vectorial tiene al menos dos subespacios vectoriales triviales

S 1  V 
S 2   V 
Llamamos propios a los subespacios de V tal que S  V pero S  V
2) S   x  R n / A. X   Donde A  R nxh , X  R h ,   R n
Si un subespacio es el conjunto solución de un sistema lineal homogéneo con h
incógnitas, el vector nulo siempre pertenece a ese subespacio.
3) Sea S 1 , S 2 espacios vectoriales  S1  S 2 es un espacio vectorial
Esto no se cumple por lo general para S 1  S 2
4) Si v1 , v 2 ....v n son vectores de un espacio vectorial V, entonces
gen v1 , v 2 ....v n  es un subespacio de V

- Combinación Lineal y conjunto generador

- Sean v1 , v 2 ....v n vectores de un espacio vectorial V. Entonces cualquier vector de la

forma  1v1   2 v 2 ....   n v n (donde  1 ,  2 .... n son escalares) se llama combinación
lineal de v1 , v 2 ....v n
- Se dice que los vectores v1 , v 2 ....v n en un espacio vectorial generan V s todo vector en
V puede expresarse como combinación lineal de v1 , v 2 ....v n . Es decir que todo v  V
existen  1 ,  2 .... n escalares tal que:
n
v   1v1   2 v 2 ....   n v n    i vi .
i 1

- Llamamos al conjunto de combinaciones lineales de v1 , v 2 ....v n espacio generado

gen v1 , v 2 ....v n    v / v   1 v1   2 v 2 ....   n v n 
Podemos agregar a este espacio generado más vectores pertenecientes a V y obtendremos
nuevos espacios generados.

- Independencia lineal

- Vectores linealmente dependientes

a) El conjunto de vectores v1 , v 2 ....v n es linealmente dependiente   1 ,  2 .... n no
todos cero tal que  1v1   2 v 2 ....   n v n   v
b) El conjunto de vectores v1 , v 2 ....v n es linealmente dependiente si y solo si alguno de
sus vectores puede expresarse como combinación lineal de los restantes
c) Todo conjunto de vectores que contiene al vector nulo es linealmente dependiente
d) Un conjunto de n vectores en R m siempre es linealmente dependiente si n>m

- Vectores linealmente independientes

a) a) El conjunto de vectores v1 , v 2 ....v n es linealmente independiente
  1v1   2 v 2 ....   n v n   v  v   1 ,  2 .... n  0
b) El conjunto de vectores v1 , v 2 ....v n es linealmente independiente si ninguno de sus
vectores puede expresarse como combinación lineal de los restantes
c) Un conjunto de vectores linealmente independientes contiene no más de n vectores.
d) Cualquier conjunto de n vectores linealmente independientes en R n genera R n

- Base y dimensión

- Definición
- Propiedades

- Cambio de Base

ALGEBRA LINEAL 1 – ITBA

2° Parcial

PRODUCTO INTERNO

-Producto interno en R

Definimos una operación tal que:

; : VxV  R
El producto interno canónico para vectores en R n se define como:
n
x, y   x i y i
i 1

Tal operación debe verificar las siguientes propiedades:

1) x, y  y, x
2) x, y   x, y
3) x, y  z  x, y  x, z
4) x, x  0
5) x, x  0  x  

- Propiedades

1) x  V : , x  0
2) x, y   x, y
3) x  y , z  x, z  y , z
n n
4)   i xi , y    i xi , y
i 1 i 1
n m n m
5) 
i 1
i xi ,   j y j
j 1
   j  i xi , y j
i 1 j 1

- Ejemplo

Producto interno canónico de espacios funcionales

V  f : [a, b]  R / f Continua
b
f ,g   f ( x).g ( x)dx
a
 -Producto interno en C (o hermítco)1

Definimos una operación tal que:

; : VxV  C

El producto interno canónico para vectores en R n se define como:

n
x, y   x i y i
i 1

Tal operación debe verificar las siguientes propiedades:

1) x, y  y , x
2) x, y   x, y
3) x  y, z  x, z  y, z
4) x, x  0
5) x, x  0  x  

- Propiedades

1) x, y   x, y
2) Conserva respecto al producto interno en R gran cantidad de propiedades comunes.

- Matriz de Producto interno

Sea V un espacio vectorial sobre K con producto interno, dimV=n (finita)

Sea B   v1 , v 2 ....v n  una base cualquiera de V
Definimos A como la matriz de cambio de base tal que AB  C nxn y  AB  ij  vi , v j
 v1 , v1 v1 , v 2 ... v n , v1 
 
 v 2 , v1 v2 , v2 ... 
AB  
... ... 
 
 v ,v ... ... v n , v n 
 n 1
Además, dados x, y  V , se cumple que:
t
En R  x, y  [ x ] B . AB .[ y ] B Donde AB es la matriz de producto interno. Para
verificar que se trata de un producto interno basta con verificar que:
AB  R nxn , AB es simétrica, AB es positiva ( A  R nxn positiva  x t A.x  0, x   )
t
En C  x, y  [ x ] B . AB .[ y ] B Donde AB es la matriz de producto interno. Para
verificar que se trata de un producto interno basta con verificar que:
AB  C nxn , AB es hermética ( A  C nxn hermitica  A  A t )
Si conocemos la matriz de producto interno en una base y queremos obtener la matriz en
otra base se cumple que:
´ AB C BB´  AB´
t
C BB

1
Propiedades números complejos:
1) Z 1  Z 2  Z 1  Z 2
n n
2) Z 1 .Z 2  Z 1 .Z 2 Z1 / Z 2  Z1 / Z 2  Vi Z i   Vi .Z i 
i 1 i 1
n
3) Z Z
n

4) Z Z
5) Z  Z  2 Re( Z )
6) Z  Z  2 Im(Z )
Z  a  bi
2
7) Z .Z  Z  a2  b2
BASES ORTONORMALES

- Definiciones:

- Norma de un vector
v  v, v

Propiedades
1) v  0 y v 0v 
2) v   v
n n
3) vu  v  u y  vi 
i 1

i 1
vi

4) u, v  u . v

- Angulo entre dos vectores

u, v
Sea   ang (u , v ) , donde u  , v    cos  
u.v

- Vectores ortogonales

Sea V un espacio vectorial con producto interno

El conjunto  v1 , v 2 ....v n   V es conjunto ortogonal de vectores  vi , v j 0 si i  j

Si  v1 , v 2 ....v n   V es conjunto ortogonal de vectores no nulos   v1 , v 2 ....v n  es LI

NOTA:   x, x  V

- Vectores ortonormales

Sea V un espacio vectorial con producto interno

El conjunto  v1 , v 2 ....v n   V es ortogonal  vi , v j 0 si i  j , vi  1
 vi , v j 0 si i  j , vi , v j  1 si i  j

- Matrices ortogonales

Sea A  R nxn , A es matriz ortogonal  A t . A  A t . A  I  A t  A 1

Sea A  R nxn , A un matriz ortogonal  Sus filas forman una BON en R n (producto
interno canónico)

- Construcción de bases ortonormales (BON)

Una BON de un espacio vectorial es un base conformada por un conjunto de vectores

ortonormales. Todo espacio vectorial admite una BON. Esta puede construirse de la
siguiente manera:
Sea V un espacio vectorial con producto interno, sea B   v1 , v 2 ....v n  una base
cualquiera de V
v1
e1  gen v1   gen e1 
v1
Defino: u 2  v 2  Proy e v 2  v 2  v 2 , e1 e1
1
 u2
e2  gen v1, v 2   gen e1 , e2 
u2
...
...
Defino: u n  v n  Proy e v n  Proy e v n  ....  Proy e v n 
1 2 n -1

n 1
 v n  v n , e1 e1  v n , e2 e2 ...  v n , e n 1 e n 1  v n   v n , ei ei
i 1
u
en  n gen v1, v 2 ...v n   gen e1 , e2 ...en 
un

BON  {e1 , e2 ,...en }

- Propiedad
Sea B   v1 , v 2 ....v n  una BON de W
 1 
 
n
 2 
Sea w  W , w    i vi  [ w] B     w, ek   k
...
i 1
 
 
 n

PROYECCIONES

- Proyección de un vector sobre otro

Sea V un espacio vectorial con producto interno, v1 , v 2  V , V1  

v 2 , v1 v1
 Proy V1 v 2  2
v1

- Propiedades
a) Proy V v 2  0  v 2 , v1  0  v 2  v1
1

b) Sea h  v 2 - Proy V v 2  0  h  v1  h, v1  0
1

- Proyección ortogonal

Sea V un espacio vectorial con producto interno, H un subespacio de V con producto

interno, BON H  {e1 , e2 ,...en } , v  V
 Proy H v  Proy e1 v  Proy e2 v  ...  Proy e n v  v, e1 e1  v, e2 e1  ....  v, en en
n
  v , ei ei
i 1

- Propiedades (de linealidad)

a) Proy H (v1  v 2 )  Proy H v1  Proy H v 2
b) Proy H (  .v)   .Proy H v
 v  ei  v , ei  0
c) Proy H v  0 
v  
d) Proy H v  v  v  H

- Complemento ortogonal
Sea V un espacio vectorial con producto interno, A  V, A   (A no necesariamente
subespacio). Llamamos a A  complemento ortogonal de A tal que:
A   {v  V / v, u  0, u  A}

- Propiedades
a) u  A : , u  0    A 
b) v1 , v2  A   (v1  v2 )  A 
c) v  A   v  A 
 A  es un subespacio de V
d) Sea H un subespacio de V  Para encontrar H  alcanza con hallar los vectores
octogonales a una base de H
e) v - Proy H v 2  H 
f) H  H   {}
g) H  H   V
dim H  dim H   dim V
h) ( H  )   H
i) Todo vector puede expresarse como v  Proy H v  Proy H v 

DISTANCIAS

- Distancia de un vector a un subespacio

Dist(v, H)  Infimo{ v - u , u  H}  v - Proy H v

- Criterio de mínimos cuadrados

Se desea aproximar una serie de puntos (no necesariamente alineados) a una función
lineal, cuadrática,... Para ello se halla una recata o curva de aproximación por mínimos
cuadrados sabiendo que:
 1 x1   y1  a
     
 1 x2   y2  b 1 1 ... 1 
A y  A . A.u donde A   , y    , u    , A   
t t t

...  .. x1 x 2 ... x n 
      
1 x  y   m
 n   n  
o bien u  ( A t . A) 1 A t y
Las coordenadas de los puntos están dadas por (x 1 , y1 ), (x 2 , y 2 )...(x n , y n ) . La recta o
curva de ajuste será y  a  b.x  c.x 2  ....  m.x m 1
También se puede hallar sabiendo que:
 n n

 xi x
2
 n
  n ... 
  yi  
i
i 1 i 1 
 i 1   n n

   xi x ...   a 
2
 n

  i i  =  in1
i
x y i 1 b
  
 i 1   x2 ..
 n ...   i ... ...   m 

 x m2 y   i 1
 i i
n 
  ...  x i 
m
 i 1 ... ...
 i 1 
La recta de ajuste estará dada nuevamente por y  a  b.x  c.x 2  ....  m.x m 1
TRANSFORMACIONES LINEALES

- Definición

Una función T : V  W es una transformación lineal 

a) x, y  V : T ( x, y )  T ( x)  T ( y )
b)   K , x  V : T ( x )   .T ( x)

- Propiedades

1) T ( v )   w
 n  n
2) T    i xi     i (T ( xi ))
 i 1  i 1
3) Sea V un espacio vectorial sobre con producto interno, dimV=n (finita)
Sea B   v1 , v 2 ....v n  una base cualquiera de V,  w1 , w2 ....wn  n vectores en W
 Existe una única transformación lineal T : V  W / T (vi )  wi

- Núcleo de un transformación lineal

Nu (T )  Ker (T )  {v  V / T (v)   w }

- Propiedades:

1) Ker(T) es subespacio de V
2) dim V  dim Ker (T )  dim Im(T )

- Imagen de un transformación lineal

Im(T )  {w  W / v  V / T (v)  w}
Im(T )  {T (v)  W / v  V }  T (V )

- Propiedades

1) Im(T) es subespacio de W
2) Sea B   v1 , v 2 ....v n  una base cualquiera de V
n
T (v)    i T (vi )  Im(T )  gen  {T (v1 ), T (v 2 )....T (v n )}
i 1

3) dim V  dim Ker (T )  dim Im(T )

- Tipos de transformaciones

- Transformación Inyectiva (Monomorfismo)  Ker (T )  { v }

- Transformación Sobreyectiva (Epimorfismo)  {T (v1 ), T (v 2 ),...T (v n )} son LI
 Im(T )  V  dim Im(T )  dim V
- Transformación Biyectiva (Isomorfismo)  Es a la vez inyectiva y sobreyectiva
 T BB´ es inversible

- Matriz de transformación lineal

Sea T : V  W una transformación lineal (dimV= n, dimW=m)

Sea B   v1 , v 2 ....v n  una base de V, B´  w1 , w2 ....wm  una base de W
Llamamos matriz de transformación lineal a la matriz  K mxn dada por:
T BB´  T (v1 ) B´ T (v 2 ) B´ .... T (v1 ) B´ 

- Matriz de transformación lineal y cambio de base

Sea T : V  W una transformación lineal (dimV= n, dimW=m)

Sean B1   v1 , v 2 ....v n  y B1 ´  v1 ´, v 2 ´....v n ´ bases de V, B2   w1 , w2 ....wm  y
B2 ´  w1´, w2 ´....wm ´ bases de W
Se cumple que:
T B1´ B 2´
 C B 2 B 2´ T B1 B 2´
C B1´ B1

- Composición de transformaciones lineales

Sean T1 : V  W , T2 : W  U transformaciones lineales

 T2  T1 : V  U / T2  T1 (v)  T2 [T1 (v )] es una transformación lineal

- Propiedades

1) Sean B1   v1 , v 2 ....v n  base de V, B3   u1 , u 2 ....u m  base de U

T2  T1 B1 B 3
 T2 B 2 B3
T1 B1 B 2

2) Notación:
T 2  T T  T BB
 T B
n
T  T  T  .....  T  T
n n
 T B
B

T 0  Id v

- Inversa de una transformación lineal

Sea T : V  W una transformación lineal (dimV= n, dimW=n)

Sea B   v1 , v 2 ....v n  una base de V, B´  w1 , w2 ....wn  una base de W
T es una transformación lineal biyectiva (isomorfismo)  T BB´ es inversible
 T BB´
0

1
 T 1  T : V  V / T 1  T  Id v
 T : W  V  1 1
T  T : W  W / T  T  Id w
Además, se cumple que: T BB   T BB 
-1 1

AUTOVALORES Y AUTOVECTORES

- Definición

a) Autovalor:   K se dice que es un autovalor/ eigenvalor / valor propio de T

 v   / T (v)   .v
b) Autovector: v   se dice que es un autovector/ eigenvector / vector propio asociado
a  de T   / T (v)   .v
c) Polinomio propio: Llamamos polinomio propio de una matriz al polinomio de grado n
que se obtiene como: p ( x)  A  xI . Si  es autovalor  p (  )  A   .I .
d) Espacio propio: Llamamos espacio propio asociado a  a E    v  V / T (v)   .v
- Propiedades

1) A autovalores distintos corresponden autovectores linalmente independientes.

2) Hallamos los autovalores sabiendo que si  es autovalor  p(  )  A   .I .
Hallamos los autovectores sabiendo que  ( A   .I )V  V
3)  autovalor de A con autovector v   n autovalor de A n con autovector v
AV  V  A nV   nV
4) Toda matriz satisface su polinomio característico
p ( A)   (matriz nula)

- Matrices semjantes

Ay B semejantes  P  K nxn inversible / B  P. A.P 1

- Propiedades

1) Ay B semejantes  A   .I  B   .I  Las matrices poseen un mismo polinomio

propio
2) Ay B semejantes  A  B

- Diagonalización

A diagonizable    D diagonal / Ay B semejantes

 P  K nxn inversible / D  P. A.P 1
  v1 , v 2 ...v n  base de K n formada por autovectores de A
Se cumple que: a) P   [v1 ][v 2 ]...[v n ]
b) D  diag v1 , v 2 ....v n 

- Propiedades

1) A diagonalizable  A n diagonalizable
2) A diagonalizable  A n  P.D.n P 1