Sie sind auf Seite 1von 46

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

ar 1

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

AÑO 2005
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 2

BOLILLA Nº 1

LOGICA PROPOSICIONAL

PROPOSICIÓN: se llama proposición a toda oración 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 número impar (F) es proposición

q: 5 es un número primo (V) es proposición

r: Alto! no es proposición

OPERACIONES

Las proposiciones se pueden unir formando proposiciones compuestas mediante los conectivos lógicos,
estos conectivos son:

NEGACIÓN: la negación de una proposición es otra proposición 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 conjunción es la proposición 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 q p ∧q

V V V
V F F
F V F
F F F

DISYUNCION: dadas dos proposiciones p y q, la disyunción es la proposición 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 q p ∨q

V V V
V F V
F V V
F F F

IMPLICACIÓN O CONDICIONAL: dadas dos proposiciones p y q, el condicional es la proposición


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 implicación sólo es falsa cuando el antecedente es verdadero y el consecuente es
falso.

p q p ⇒q

V V V
V F F
F V V
F F V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 3

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


proposición simbolizada por p ⇔ q ( se lee: “p si y sólo si q”). La doble implicación es verdadera cuando las
dos proposiciones tienen el mismo valor de verdad.
p q p ⇔q

V V V
V F F
F V F
F F V

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


proposición 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 q p ∨q

V V F
V F V
F V V
F F F

EXCLUSION: dadas dos proposiciones p y q la exclusión es la proposición simbolizada por p ∧q (se lee: “ni
p ni q”). La exclusión es verdadera cuando ambas proposiciones son falsas.
p q p ∧q

V V F
V F F
F V F
F F V

TABLAS DE VERDAD:

Para confeccionar la tabla de valores de verdad de una proposición compuesta se debe ordenar en forma
alfabética las proposiciones dadas y luego se escriben las negaciones que intervienen en ella.
El número de valores de verdad está dado por 2n, donde es el número de letras proposicionales distintas que
aparecen en la proposición compuesta dada, no se debe contabilizar como distintas una proposición y su
negación. 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 así sucesivamente, a la última 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 CONTRADICCIÓN 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 q -p p ⇒q -p ∨q (p ⇒ q) ⇔ (- p ∨q)

V V F V V V
V F F F F V TAUTOLOGIA
F V V V V V
F F V V V V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 4

b) (p ∧- q) ⇒ (r ∨ p)

2n = 23 = 8 es decir intervienen ocho valores de verdad

p q r -q p ∧- q r ∨p (p ∧- q) ⇒ (r ∨ p)

V V V F F V V
V V F F F V V
V F V V V V V
V F F V V V V TAUTOLOGIA
F V V F F V V
F V F F F F V
F F V V F V V
F F F V F F V

CONDICIONES NECESARIAS Y SUFUCIENTES

En un condicional, si p ⇒ q es V, entonces p es condición suficiente para q y q es condición necesaria para p.

En un bicondicional, si p ⇔ q es V, entonces el p es condición necesaria y suficiente para q y q es también


condición necesaria y suficiente para p.

IMPLICACIONES ASOCIADAS

Dada una implicación (p ⇒ q) considerada como implicación directa, se pueden obtener a partir de ella otras
tres implicaciones llamadas implicaciones asociadas a la dada, éstas son:

Recíproca: q ⇒p
Contraria: - p ⇒- q
Contrareciproca: - q ⇒- p

Cualquiera de estas implicaciones se puede tomar como implicación directa, por lo tanto se presenta el
siguiente esquema:
p ⇒q recíproca q ⇒p
contraria

contraria

- p ⇒- q recíproca - q ⇒- p

De estas implicaciones se verifica que son equivalentes la implicación directa con su contrarecíproca y la
contraria con su recíproca, es decir el bicondicional formado por ellas es una tautología:

a) (p ⇒ q) ⇔ (- q ⇒ - p)

p q -p -q p ⇒q - q ⇒- p (p ⇒ q) ⇔ (- q ⇒ - p)

V V F F V V V
V F F V F F V TAUTOLOGIA
F V V F V V V
F F V V V V V

b) (q ⇒ p) ⇔ (- p ⇒ - q)

p q -p -q q ⇒p - p ⇒- q (q ⇒ p) ⇔ (- p ⇒ - q)

V V F F V V V
V F F V V V V TAUTOLOGIA
F V V F F F V
F F V V V V V
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 5
Ejemplos:
p q

Si abc es un triángulo equilátero, entonces abc es un triángulo isósceles

Directa: p ⇒ q: Si abc es un triángulo equilátero, entonces abc es un triángulo isósceles (V)

Recíproca: q ⇒ p: Si abc es un triángulo isósceles, entonces abc es un triángulo equilátero (F)

Contraria: - p ⇒ - q: Si abc no es un triángulo equilátero, entonces abc no es un triángulo isósceles (F)

Contrarecíproca: -q ⇒ -p: Si abc no es un triángulo isósceles, entonces abc no es un triángulo equilátero (F)

LEYES LOGICAS

Se dice que una proposición compuesta representa una ley lógica si la tabla de valores de verdad de la misma
representa una tautología.

Alguna de las leyes lógicas son:

INVOLUCIÓN: la negación de la negación de una proposición es equivalente a dicha proposición

- (- p) ⇔ p

IDEMPOTENCIA:

a) De la conjunción: la conjunción de una proposición consigo misma es equivalente a dicha proposición.

p ∧p ⇔ p

b) De la disyunción: la disyunción de una proposición consigo misma es equivalente a dicha proposición.

p ∨p ⇔ p

CONMUTATIVA:

a) De la conjunción: p ∧q ⇔ q ∧p

b) De la disyunción: p ∨q ⇔ q ∨p

ASOCIATIVA:

a) De la conjunción: (p ∧q) ∧r ⇔ p ∧(q ∧r)

b) De la disyunción: (p ∨q) ∨r ⇔ p ∨(q ∨r)

DISTRIBUTIVA:

a) De la conjunción respecto de la disyunción: p ∧(q ∨r) ⇔ (p ∧q) ∨(p ∧r)

b) De la disyunción respecto de la conjunción: p ∨(q ∧r) ⇔ (p ∨q) ∧(p ∨r)

LEYES DE DE MORGAN:

a) La negación de la conjunción de dos proposiciones es equivalente a la disyunción de las negaciones de


dichas proposiciones.

- (p ∧ q) ⇔ - p ∨- q

b) La negación de la disyunción de dos proposiciones es equivalente a la conjunción de las negaciones de


dichas proposiciones.

- (p ∨ q) ⇔ - p ∧- q
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 6
LEYES DE ABSORCIÓN:

a) La contradicción es absorbente para la conjunción

p ∧C ⇔ C

b) La tautología es absorbente para la disyunción

p ∨T ⇔ T

LEYES DE NEUTRALIDAD:

a) La tautología es neutro para la conjunción

p ∧T ⇔ p

b) La contradicción es neutro para la disyunción

p ∨C ⇔ p

DEFINICIÓN DE CONDICIONAL:

p ⇒ q ⇔ - p ∨q

DEFINICIÓN DE EXCLUSIÓN:

p ∧q ⇔ - p ∧- q

DEFINICIÓN DE BICONDICIONAL:

(p ⇔ q) ⇔ (p ⇒ q) ∧(q ⇒ p)

FUNCIONES PROPOSICIONALES

Se llama función proposicional a toda oración cuyo sujeto es variable.

P(x): x es número par

Una función proposicional se puede convertir en proposición asignando valores a la variable:

P(3): 3 es un número par (F) por lo tanto es una proposición.

Otra forma de convertir una función proposicional en proposición es utilizando un proceso de cuantificación.
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 número par (F) por lo tanto es una proposición

∃ x / x es un número par (V) por lo tanto es una proposición

NEGACIÓN DE UN CUANTIFICADOR

a) Para negar una función proposicional cuantificada universalmente se cambia el cuantificador universal por
uno existencial y se niega la función proposicional.

- [∀x: P(x)] ⇔ ∃ x / - P(x)

b) Para negar una función proposicional cuantificada existencialmente se cambia el cuantificador existencial
por uno universal y se niega la función proposicional.

- [∃ x / P(x)] ⇔ ∀ x: - P(x)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 7

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

Relación entre dos conjuntos A y B es todo subconjunto del producto cartesiano A x B.

En símbolos:

R es una relación entre A y B ⇔ R ⊂ A x B

REPRESENTACIÓN DE UNA RELACION

Sea R una relación entre A y B, es decir R ⊂ A x B. En el caso de conjuntos finitos se utilizan los soguientes
tipos de representación:

a) Mediante diagramas de Venn


b) Mediante gráficos 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
ángulo superior izquierdo se anota el significado de la relación. Se asigna a cada elemento del
producto cartesiano A x B un 1 o bien un 0, según que el par ordenado correspondiente pertenezca o
no a la relación.

DOMINIO, IMAGEN Y RELACION INVERSA

Dominio de una relación es el conjunto formado por las primeras componentes de los pares ordenados que
pertenecen a la relación.

Imagen de una relación es el conjunto formado por las segundas componentes de los pares ordenados que
pertenecen a la relación.

Relación inversa de una relación 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 relación R definida por: R = {(a,b) / a < b}
Determinar dominio, imagen y la relación 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)}


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 8

COMPOSICION DE RELACIONES

A partir de las relaciones R ⊂ A x B y S ⊂ B x C es posible definir una relación entre A y C, llamada


composición 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 relación definida en A ⇔ R ⊂ A2 = A x A

POSIBLES PROPIEDADES DE UNA RELACION DEFINIDA EN UN MISMO CONJUNTO

Sea R una relación definida en A, es decir, R ⊂ A2. Dicha relación 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 algún elemento del conjunto A que no este relacionado
consigo mismo.

Arreflexiva:

R es arreflexiva ⇔ ∀ x: x ∈ A ⇒ (x,x) ∉ R

Es decir, la relación R es arreflexiva si ningún elemento del conjunto A está relacionado consigo mismo.

Simetría:

R es simétrica ⇔ ∀ x ∀ y ∈ A: (x,y) ∈ R ⇒ (y,x) ∈ R

Es decir, si un par ordenado pertenece a la relación también debe pertenecer el par ordenado que resulta de
permutar sus componentes.

No simetría:

R es no simétrica ⇔ ∃ x ∃ y ∈ A / (x,y) ∈ R ∧(y,x) ∉ R

Es decir, existe por lo menos un par ordenado de la relación que no tiene su simétrico.

Asimetría:

R es asimétrica ⇔ ∀ x ∀ y ∈ A: (x,y) ∈ R ⇒ (y,x) ∉ R

En este caso ningún par ordenado de la relación tiene su simétrico

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 éste está relacionado con un
tercero, entonces el primero debe estar relacionado con el tercero
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 9

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 ningún caso se cumple la transitividad.

Antisimetría:

R es antisimétrica ⇔ ∀ x ∀ y ∈ A: (x,y) ∈ R ∧(y,x) ∈ R ⇒ x = y

Es decir, los únicos pares ordenados que tienen su simétrico son aquellos que tienen las dos componentes
iguales.

RELACIONES DE EQUIVALENCIA

R ⊂ A2 es una relación de equivalencia si y sólo si es reflexiva, simétrica y transitiva

RELACIONES DE ORDEN

Lo esencial de toda relación de orden es la transitividad, y según se cumpla o no otras propiedades se habla
de orden amplio o estricto.

R ⊂ A2 es una relación de orden amplio si y sólo si es reflexiva, antisimétrica y transitiva

R ⊂ A2 es una relación de orden estricto si y sólo si es arreflexiva, asimétrica y transitiva

FUNCIONES

f es una función o aplicación de A en B si y sólo si f es una relación entre A y B tal que todo elemento de A
tiene un único elemento correspondiente de B.

El conjunto A se denomina dominio e la función y el conjunto B es el codominio de la misma.

CLASIFICACIÓN DE FUNCIONES

Una función f: A → B se clasifica en:

Inyectiva: si a elementos distintos del dominio le corresponden imágenes distintas en el codominio

Sobreyectiva: si todo elemento del codominio es imagen de algún elemento del dominio.

Biyectiva: si es inyectiva y sobreyectiva

COMPOSICIÓN DE FUNCIONES

Composición de las funciones f: A → B y g: B → C es la función g o f: A → C definida por:

(g o f)(x) = g [f(x)] ∀ x ∈ A

El símbolo “g o f” denota la función compuesta de f con g. Puede leerse “f compuesta con g” o “g cerito f”.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 10

BOLILLA Nº 2

LEY DE COMPOSICIÓN INTERNA

Una ley de composición interna, definida en un conjunto no vacío A, consiste en una operación que asigna a
cada par ordenado de elementos de A un único elemento de A. Esto significa que a cada objeto de A x A le
corresponde un único elemento de A.

Definición:

Ley de composición interna definida en un conjunto no vacío A, es toda función A x A en A.

* es una ley interna en A ⇔ * : A2 → A

a ∈ A ∧b ∧A ⇒ a * b ∈ A

La unicidad de a * b esta dada por la definición de función.

Son ejemplos de ley de composición interna, la adición y multiplicación en N, Z, Q R y C

PROPIEDADES Y ELEMENTOS DISTINGUIDOS DE LAS LEYES DE COMPOSICIÓN INTERNA

Sea * una ley de composición 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 definición

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 único.


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 único.
Supongamos que a’ y a’’ son inversos de a. Aplicando consecuentemente la definición de neutro, el hecho de
que a’ es inverso de a, la asociatividad, el supuesto de que a’’ es inverso de a, y la definición de neutro se
tiene:
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 11
a’’ = a’’ * e = a’’ * ( a * a’ ) = ( a’’ * a ) * a’ = e * a’ = a’

Regularidad de un elementos respecto de una ley interna

La regularidad de un elemento respecto de una ley de composición interna consiste en que es cancelable o
simplificable a izquierda y a derecha en los dos miembros de una igualdad.

Definición

a * b = a * c ⇒b = c
a ∈ A es regular respecto de * ⇔
b * a = c * a ⇒b = c

Distributividad de una ley de composición interna respecto de otra

Consideremos el caso de dos leyes de composición 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.

Definición

“o” es distributiva a derecha respecto de “*” si y sólo 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 sólo si lo es a izquierda y a derecha.

Análogamente 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 vacíos A, A’ y las leyes de composición interna

* : A 2 →A
* : A’ 2 → A’

Definición

La función f : A → A’ es un homomorfismo respecto de * y *’ si y sólo si la imagen de la composición en A


es igual a la composición de las imágenes en A’.

En símbolos
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 función
f: R → R+

definida por f(x) = 2 x (1)

se tiene entonces
ξ
f ( x + y) = 2 x + y = 2 .2y=f(x).f(y )
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 12
Basándonos en la definición (1) , el producto de potencias de igual base, y utilizando de nuevo la definición
(1), hemos probado que la imagen de la suma en R es igual al producto de las imágenes en R+

Una aplicación en f que satisface esta propiedad, se dice un homomorfismo de R en R+ respecto de las
correspondientes leyes de composición interna.

LEY DE COMPOSICIÓN EXTERNA

Se presenta a menudo la necesidad de operar con elementos de dos conjuntos, de modo que la composición
sea un elemento de uno de ellos. Esta situación es una de las características de la estructura de espacio
vectorial.
Sean dos conjuntos A y Ω, este último llamado de operadores.

Definición

Una ley de composición externa definida en A, con operadores de Ω, es toda función de Ω x A en A.

Usualmente, una ley de composición externa en A con operadores en Ω se denota meditante “.” Y suele
llamarse producto de operadores de Ω por elementos d A.

En símbolos se tiene

“.” Es ley externa en A con operadores en Ω ⇔ . : Ω X A → A

Mediante esta función, la imagen par (α ; a ) se escribe α . a.

Ejemplo:

Si A es el conjunto de los segmentos contenidos en un plano y N es el conjunto de los números naturales, una
ley de composición externa en A con operadores o escalares en N es el producto de números naturales por
segmentos del plano.

Ejemplo:

Sean R2 y Q. Definimos producto de números racionales por pares ordenados de números reales, mediante
α . (a , b ) = ( α . a , α . b )

La igualdad anterior determina una ley de composición externa en R 2 con operadores en Q. Notamos que el
mismo signo “.” Aparece en la definición 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 Ω, la ley externa se vuelve interna.

ESTRUCTURAS ALGEBRAICAS

GRUPO

DEFINICIÓN:

Sean un conjunto no vació G, y una función *. El par (G, *) es un grupo si y sólo si * es una ley interna en G,
asociativa, con neutro, y tal que todo elemento de G admite inverso respecto de *.

En forma simbólica:

(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

∃ e ∈ G / ∀ a : a ∈ G ⇒a * e = e * a = a
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 13
G 4. Existencia de inversos
∀ a ∈ G, ∃ a’ ∈ G / a * a’ = a’ * a = e

Si además se verifica

G 5. Conmutatividad

∀ a ∀ b: a, b ∈ G ⇒ a * b = b * a

entonces el grupo se llama conmutativo o grupo abeliano.

SUBGRUPOS

DEFINICIÓN:

El subconjunto no vació H, del Grupo G, es un subgrupo de (G, *) si y sólo si (H, *) es grupo.

Condición suficiente para la existencia de subgrupo

Si H es un subconjunto no vacío del grupo (G,*), que verifica

a ∈ H ∧b ∈ H ⇒ a * b´∈ H

entonces (H,*) es un subgrupo de (G,*)

En la práctica 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 vacío A, y dos funciones: * y .

DEFINICIÓN

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 definición teniendo en cuenta que las dos leyes de composición se llaman aditiva y
multiplicativa, y que las suele denotar con +y . , respectivamente.

DEFINICIÓN

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 adición es ley de composición interna en A


∀a ∀ b: a ∈ A ∧ b ∈ A ⇒ a + b ∈ A

A2: La adición 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 adición


∃ 0 ∈ A / ∀ a ∈ A: a + 0 = 0 + a = a
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 14
A4: Todo elemento de A admite inverso aditivo u opuesto.
∀ a ∈ A, ∃ -a ∈ A / a + (-a) = (-a) + a = 0

A5: La adición es conmutativa


∀ a∀ b ∈ A:a+b=b+a

A6: El producto es ley de composición interna en A


∀ a ∀ b : a ∈ A ∧b ∈ A ⇒ a . b ∈ A

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 división. Todo anillo de
división conmutativo es un cuerpo.

DEFINICIÓN

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 ecuación bx= a admite solución única en K
IV) El recíproco del opuesto de todo elemento no nulo es igual al opuesto de su recíproco.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 15

MATRICES

Se llama matriz a todo conjunto ordenado de elementos dispuestos en m filas y n columnas.


Las matrices se denotan por letras mayúsculas y sus elementos con letras minúsculas. Los elementos de una
matriz se encierran entre paréntesis o corchetes.
Así, una matriz A de m filas y n columnas se generaliza en la forma:

a11 a12 a13 ..... a1n


A= 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 genérico de la matriz.


Se llama orden de una matriz al número de filas y columnas que contiene, así la expresión anterior se lee:
matriz A de orden mxn y elemento genérico aij.
NOTA: en la expresión aij el subíndice i representa la fila y el subíndice j la columna. Por ejemplo el
elemento a32 está ubicado en la tercera fila y la segunda columna.

Si m = n, es decir, si el número de filas es igual al número 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 1≤ i ≤ m, 1≤ j ≤ n

a11 a12 a13 ..... a1n b11 b12 b13 ….. b1n
A= a21 a22 a23 ..... a2n B= b21 b22 b23 ….. b2n
.............................. ……………………
am1 am2 am3 ..... amn bm1 bm2 bm3….. bmn

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


A+B= a21 + b21 a22 + b22 a23 + b23 ..... a2n + b2n
....................................................................
am1 + bm1 am2 + bm2 am3 + bm3 .....amn + bmn
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 16

PROPIEDADES:

1º) ASOCIATIVA: (A + B) + C = A + (B+ C)

2º) CONMUTATIVA: A+B=B+A

3º) 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

4º) 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 3 4 2 -1
A= B=
3 -2 1 3 2 -2

2+4 -1+2 3–1 6 1 2


A+B= =
3+3 -2+2 1–2 6 0 -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:

A - B = C = (cij) / cij = aij - bij 1≤ i ≤ m, 1≤ j ≤ n

a11 a12 a13 ..... a1n b11 b12 b13 ….. b1n
A= a21 a22 a23 ..... a2n B= b21 b22 b23 ….. b2n
.............................. ……………………
am1 am2 am3 ..... amn bm1 bm2 bm3….. bmn

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


A-B= a21 - b21 a22 - b22 a23 - b23 ..... a2n - b2n
....................................................................
am1 - bm1 am2 - bm2 am3 - bm3 .....amn - bmn

Ejemplo:

2 -1 1 2 3 2 4 -1
A= B=
3 2 -1 4 -1 4 -2 3

2-3 -1-2 1–4 2 – (-1) -1 -3 -3 3


A-B= =
3 – (-1) 2 - 4 -1 – (-2) 4-3 4 -2 1 1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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:

k A = C = (cij) / cij = k aij 1≤ i ≤ m, 1≤ j ≤ n

a11 a12 a13 ..... a1n k a11 k a12 k a13 ….. k a1n
A= a21 a22 a23 ..... a2n ⇒ kA= k a21 k a22 k a23 ….. k a2n
.............................. …………………………….
am1 am2 am3 ..... amn k am1 k am2 k am3….. k amn

Ejemplo:

2 -1 3 4 -2 6
A= ⇒ 2A =
3 2 -1 6 4 -2

PROPIEDADES:

1º) ASOCIATIVA MIXTA:


k1 (k2 A) = (k1 k2) A

2º) DISTRIBUTIVA DEL PRODUCTO CON RESPECTO A LA SUMA DE ESCALARES:

(k1 + k2) A = k1 A + k2 A

3º) DISTRIBUTIVA DEL PRODUCTO CON RESPECTO A LA SUMA DE MATRICES:

k1 (A + B) = k1 A + k1 B

4º) 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 número de columnas de la primera es igual al número de filas de la
segunda, es decir, si n = p.

MULTIPLICACIÓN 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.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 18

Ejemplo:

3 -1 2 3 -2 1 4
A = B = 2 -1 3 -2
2 1 -3 3 -2 1 1

3 -2 1 4
2 -1 3 -2 B
3 -2 1 1
3 -1 2 13 -9 2 16
A A.B
2 1 -3 -1 1 2 3

PROPIEDADES:

1º) El producto de matrices no es conmutativo, es decir: A . B ≠ B . A

2º) 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 = (δ ij) / δ ij =
0 si i ≠ j

δ ij se denomina delta de Kronecker

Por ejemplo las matrices identidad de orden 2 y 3 son, respectivamente:

δ 11 δ 12 1 0 δ 11 δ 12 δ 13 1 0 0
I= = I= δ 21 δ 22 δ 23 = 0 1 0
δ 21 δ 22 0 1 δ 31 δ 32 δ 33 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 sólo si b ij = aji y se
escribe B = At.

Ejemplo:

-1 2 0 -1 1
A= ⇒ At = 2 2
1 2 3 0 3

En consecuencia, para hallar la traspuesta de una matriz se cambian filas por columnas.

PROPIEDADES:

1º) La traspuesta de la suma de dos matrices es igual a la suma de las traspuestas de las mismas.

(A + B)t = At + Bt

2º) 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
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 19

MATRIZ SIMETRICA

Una matriz cuadrada es simétrica si y sólo si es igual a su traspuesta.

A es simétrica ⇔ A = At

Ejemplo:

2 -1 3 2 -1 3
t
A= -1 4 2 es simétrica pues A = -1 4 2 =A
3 2 -5 3 2 -5

MATRIZ ANTISIMETRICA

Una matriz cuadrada es antisimétrica si y sólo si es igual a la opuesta de su traspuesta.

A es antisimétrica ⇔ A = - At

Para que esto se cumpla los elementos de la diagonal principal deben ser iguales a cero.

Ejemplo:

0 1 -2 0 -1 2
t
A= -1 0 -3 es antisimétrica pues A = 1 0 3 =-A
2 3 0 -2 -3 0

MATRICES TRIANGULARES

La matriz cuadrada A de orden n es triangular superior si y sólo 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:

a11 a12 a13 1 -2 3


A= a21 a22 a23 A= 0 2 1
a31 a32 a33 0 0 5

La matriz cuadrada A de orden n es triangular inferior si y sólo 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:

a11 a12 a13 1 0 0


A= a21 a22 a23 A= 3 2 0
a31 a32 a33 2 4 5

MATRICES DIAGONALES

La matriz cuadrada A de orden n es diagonal si y sólo 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 1 0 0


A= a21 a22 a23 A= 0 2 0
a31 a32 a33 0 0 5
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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:

2 0 0
A= 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 sólo 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 sólo si su inversa es igual a su traspuesta.

A de orden n es ortogonal ⇔ A- 1 = At

PROPIEDADES:

1º) Una matriz cuadrada es ortogonal si y sólo 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

2º) 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)

Análogamente es:

(AB)t (AB) = I

En consecuencia, por propiedad anterior resulta que AB es ortogonal.


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 21

BOLILLA N° 3

ESPACIOS VECTORIALES

Sean V un conjunto no vacío, K un cuerpo, + y . dos funciones llamadas suma y producto, respectivamente.
El objeto (V,+,K,.) es un espacio vectorial si y sólo si se verifican los siguientes axiomas:

A1: La suma es una ley de composición interna en V

+: V2 → V
O sea:

x ∈ V ∧y ∈ V ⇒ x + y ∈ V

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 composición externa en V con escalares u operadores en K.

. : K x V →V

O sea:

α ∈ K ∧ x ∈ V ⇒α x ∈ V

A7: El producto satisface la asociativa mixta.

∀ α ∈ K, ∀ β ∈ K, ∀ x ∈ V: α (β x) = (α β ) x

A8: El producto es distributivo con respecto a la suma en K.

∀ α ∈ K, ∀ β ∈ K, ∀ x ∈ V: (α + β ) x = α x + β x

A9: El producto es distributivo con respecto de la suma en V.

∀ α ∈ K, ∀ x ∈ V, ∀ y ∈ V: α (x + y) = α x + α 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:

1º) El producto del escalar 0 por cualquier vector es el vector nulo.

0x=0

2º) El producto de cualquier escalar por el vector nulo es igual al vector nulo.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 22
α .0=0

3º) Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es cero o el vector es nulo.

α . x = 0 ⇒α = 0 ∨ x = 0

4º) El opuesto de cualquier escalar por un vector es igual al opuesto de su producto.

(- α ) x = - (α x)

Ejemplo: Sean V = R2 y K = R, la adición definida en R2 por: (a,b) + (c,d) = (a + c, b + d)

y el producto de números reales por elementos de R2 definido por: α (a,b) = (α a, α b)

Verificar que (R2, +, R, .) es un espacio vectorial.

A1: La suma es una ley de composición interna en V por definición 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


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 23
∀ (a,b) ∈ R , ∀ (c,d) ∈ R : (a,b) + (c,d) = (c,d) + (a,b)
2 2

(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 composición externa en R2 con escalares en R por definición de producto

A7: Asociativa mixta

∀α ∈ R, ∀ β ∈ R, ∀ (a,b) ∈ R2: α [β (a,b)] = (α β ) (a,b)

α [β (a,b)] = (α β ) (a,b)

α (β a, β b) = (α β ) (a,b)

[α (β a),α (β b)] = [(α β ) a,(α β ) b]

(α β a, α β b) = (α β a, α β b)

con lo que se demuestra la igualdad.

A8: El producto es distributivo con respecto a la suma en R.

∀ α ∈ R, ∀ β ∈ R, ∀ (a,b) ∈ R2: (α + β ) (a,b) = α (a,b) + β (a,b)

(α + β ) (a,b) = α (a,b) + β (a,b)

[(α + β ) a, (α + β ) b] = (α a, α b) + (β a, β b)

(α a + β a, α b + β b) = (α a + β a, α b + β b)

con lo que se prueba la propiedad.

A9: El producto es distributivo con respecto a la suma en R2.

∀ α ∈ R, ∀ (a,b) ∈ R2, ∀ (c,d) ∈ R2: α [(a,b) + (c,d)] = α (a,b) + α (c,d)

α [(a,b) + (c,d)] = α (a,b) + α (c,d)

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

[α (a + c), α (b + d)] = (α a + α c, α b + α d)

(α a + α c, α b + α d) = (α a + α c, α b + α 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.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 24

SUBESPACIO

Dados el espacio vectorial (V, +, K, .) y el conjunto no vacío S ⊂ V, si S es un espacio vectorial sobre el


mismo cuerpo K y con las mismas leyes de composición 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 vacío S ⊂ V es cerrado para la suma y para el producto por escalares, entonces (S, +, K, .)
es un subespacio de (V, +, K, .).

En la práctica, para demostrar que (S, +, K, .) es un subespacio de (V, +, K, .) se debe probar que:

1º) S ≠∅

2º) S ⊂ V

3º) x ∈ S ∧ y ∈ S ⇒ x + y ∈ S

4º) α ∈ K ∧ x ∈ S ⇒ α x ∈ S

Ejemplo:

Sean el espacio vectorial (R3, +, R, .) y el conjunto S de las ternas ordenadas de números 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 definición 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) α ∈ R ∧ (x1,x2,x3) ∈ S ⇒ α (x1,x2,x3) ∈ S

α ∈ R ∧ (x1,x2,x3) ∈ S ⇒ α ∈ R ∧ x3 = x1 + x2

⇒ α x3 = α (x1 + x2)

⇒ α x3 = α x1 + α x2

⇒ (α x1, α x2 ,α x3) ∈ S

⇒ α (x1, x2 , x3) ∈ S

Luego S es un subespacio de R3 pues se cumplen las cuatro condiciones.


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 25

COMBINACIÓN LINEAL DE UN CONJUNTO DE VECTORES

Sea A = {v1,v2, ..., vn} un conjunto de vectores del espacio (V. +, K, .). Se llama combinación lineal del
conjunto A a toda suma de productos de escalares arbitrarios de K por los vectores de A.
Es decir, una combinación lineal del conjunto A ⊂ V es todo vector de la forma:

n
∑ α i vi = α 1 v1 + α 2 v2 + α 3 v3 + ... + α n vn / α i ∈ K ∧vi ∈ A
i=1

En particular si todos los escalares son nulos, la combinación lineal se llama trivial y da por resultado el
vector nulo.

Un vector v ∈ V es combinación lineal (C.L.) del conjunto A ⊂ V si y sólo si existen escalares α 1,


α 2, ...,α n tales que:

n
v = ∑ α i vi = α 1 v1 + α 2 v2 + α 3 v3 + ... + α 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
combinación lineal de v1 y v2.

Para v:

v = α 1 v1 + α 2 v2

(-1,1,3) = α 1 (-1,0,2) + α 2 (-1,2,4)

(-1,1,3) = (- α 1, 0,2α 1) + (- α 2,2α 2,4α 2)

(-1,1,3) = (- α 1- α 2, 2α 2,2α 1+ 4α 2)

- α 1 - α 2 = -1 ⇒ - α 1 – ½ = -1 ⇒ - α 1 = -1 + ½ ⇒ - α 1 = - ½ ⇒ α 1 = ½
2α 2 = 1 ⇒ α 2 = ½
2α 1 + 4α 2 = 3 ⇒ 2 ½ + 4 ½ = 3 ⇒ 3 = 3

Luego:

v = ½ v1 + ½ v2

Para u:

u = α 1 v1 + α 2 v2

(1,2,2) = α 1 (-1,0,2) + α 2 (-1,2,4)

(1,2,2) = (- α 1, 0,2α 1) + (- α 2,2α 2,4α 2)

(1,2,2) = (- α 1- α 2, 2α 2,2α 1+ 4α 2)

- α 1 - α 2 = 1 ⇒- α 1 – 1 = 1 ⇒- α 1 = 1 + 1 ⇒ - α 1 = 2 ⇒ α 1 = - 2
2α 2 = 2 ⇒ α 2 = 1
2α 1 + 4α 2 = 2 ⇒ 2 (- 2) + 4 1 = 2 ⇒ 0 = 2

Como la tercera ecuación no se verifica para los valores de α 1 y α 2, entonces el vector u no es combinación
lineal de los vectores v1 y v2.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 26

SUBESPACIO GENERADO

Sea A un conjunto no vacío de vectores del espacio vectorial (V. +, K, .).


A partir de él 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 símbolo Ā y se denomina el subespacio generado
por los vectores de A.

Si A = {v1,v2, ..., vn} entonces:

n
Ā= ∑ α i vi / α 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)}

Ā = {α 1 (1,0,1) + α 2 (0,1,1) / α 1 ∈ R ∧α 2 ∈ R }

Ā = {(α 1,0,α 1) + (0,α 2,α 2) / α 1 ∈ R ∧α 2 ∈ R }

Ā = {(α 1,α 2,α 1+ α 2) / α 1 ∈ R ∧α 2 ∈ R }

En consecuencia Ā es el conjunto de todas las ternas ordenadas cuya tercera componente es la suma de las
dos primeras y podemos escribirlo como:

Ā = {(x1,x2,x3) / x3 = x1 + x2}

DEPENDENCIA E INDEPENDENCIA LINEAL

CONJUNTOS LINEALMENTE INDEPENDIENTES (L.I.):

El conjunto A ⊂ V es linealmente independiente si y sólo si la única combinación lineal de dicho conjunto,


cuyo resultado sea el vector nulo, es la trivial.

n
A es linealmente independiente ⇔ ∀ i: ∑ α i vi = 0 ⇒ α i = 0
i =1

CONJUNTOS LINEALMENTE DEPENDIENTES (L.D.):

El conjunto A ⊂ V es linealmente dependiente si y sólo si no es linealmente independiente, es decir:

n
A es linealmente dependiente ⇔ ∃ i / ∑ α i vi = 0 ∧α 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) α (1,0,0) + β (0,1,0) + γ (0,0,1) = (0,0,0)

(α ,0,0) + (0,β ,0) + (0,0,γ ) = (0,0,0)

(α ,β ,γ ) = (0,0,0)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 27

α =0
β =0
γ =0

Como α = β = γ = 0, entonces el conjunto A es linealmente independiente.

b) α (1,- 1,0) + β (1,1,2) + γ (1,0,1) = (0,0,0)

(α ,- α ,0) + (β ,β ,2β ) + (γ ,0,γ ) = (0,0,0)

(α + β + γ , - α + β , 2β + γ ) = (0,0,0)

α +β +γ =0
-α +β =0 ⇒-α =-β ⇒α =β
2β + γ = 0 ⇒ γ = - 2β

Si β = k, entonces α = k y γ = - 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 sólo si todo vector de V se puede
expresar como combinación lineal de los vectores de A. O bien, A es un sistema de generadores de V si y
sólo si el subespacio generado por A es V, es decir Ā = 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 sólo 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 Ā = V.

Se llama dimensión de un espacio vectorial al número cardinal de cualquiera de sus bases, es decir al número
de vectores que contiene una base del mismo.

Ejemplos:

a) En (R2, +, R, .) una base es {(1,0), (0,1)} denominada base conónica.

b) En (R3, +, R, .) una base es {(1,0,0), (0,1,0), (0,0,1)} denominada base conónica.


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 28

BOLILLA Nº 4

TRANSFORMACIONES LINEALES ENTRE DOS ESPACIOS

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


La función f: V → W es una transformación lineal si y sólo 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 imágenes 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(α x) = α f(x)

Ejemplo:

Sean los espacios vectoriales (R3, +, R, .) y (R2, +, R, .)


La función f: R3 → R2 definida por:

f(x1,x2,x3) = (x1 – x3, x2 – x3)

es una transformación 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 quería probar.

b) f [α (x1,x2,x3)] = f (α x1, α x2, α x3)

= (α x1 - α x3, α x2 - α x3)

= [α (x1 - x3), α (x2 - x3)]

= α (x1 - x3, x2 - x3)

= α f (x1, x2, x3)

NUCLEO DE UNA TRANSFORMACION LINEAL

Núcleo de una transformación lineal f, entre dos espacios vectoriales sobre el mismo cuerpo, es el conjunto
de los vectores del dominio cuyas imágenes son el vector nulo del codominio.

N(f) = { x ∈ V / f(x) = 0W}

Ejemplo: El núcleo de la transformación lineal definida en el ejemplo anterior es:

N(f) = { (x1,x2,x3) ∈ R3 / f(x1,x2,x3) = (0,0)}


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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 núcleo de la transformación lineal es el conjunto de todos los múltiplos escalares del vector
(1,1,1).

IMAGEN DE UNA TRANSFORMACION LINEAL

Imagen de una transformación lineal f: V → W es el conjunto imagen del dominio, o sea, es la totalidad de
las imágenes de los vectores del primer espacio.

I(f) ={f(x) / x ∈ V}

PROPIEDADES DEL NUCLEO Y LA IMAGEN

1º) La suma del las dimensiones del núcleo y la imagen es igual a la dimensión del primer espacio.

Dim N(f) + Dim I(f) = Dim V

2º) El núcleo de una transformación lineal entre dos espacios vectoriales es un subespacio del primero.

(N(f),+,K,.) es subespacio de (V,+,K,.)

2º) La imagen de una transformación 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 única transformación lineal f: V → W tal que se
cumple:

f(vi) = wi ∀ i = 1, 2, ... , n

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL

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


respectivamente, la matriz asociada a esa transformación 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 imágenes de los elementos de la base de V.
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 30

Ejemplo:

Consideremos la transformación 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 definición de la transformación lineal obtenemos las imágenes de los vectores de la base [v] y
los expresamos como combinación 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) = ½ (2,0) + 1 (0,1) (2)

f(1,0,0) = (1,0) = ½ (2,0) + 0 (0,1) (3)

Luego:

1 0 t 1 ½ ½
A= ½ 1 =
½ 0 0 1 0

Cálculos Auxiliares:

(1) (2) (3)

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

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

(2,0) = (2α ,β ) (1,1) = (2α ,β ) (1,0) = (2α ,β )

2α = 2 ⇒ α = 1 2α = 1 ⇒ α = ½ 2α = 1 ⇒ α = ½
β =0 β =1 β =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) = { ∑ α j Aj / α j ∈ K }
j=1

El rango columna de una matriz es la dimensión del espacio columna de dicha matriz.

rC(A) = Dim SC(A)

Análogamente, el espacio fila de una matriz A de orden m x n es el subespacio generado por las filas de A.

m
SF(A) = { ∑ α i Ai / α i ∈ K }
i=1

El rango fila de una matriz es la dimensión del espacio fila de dicha matriz.

rF(A) = Dim SF(A)


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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) Permutación de dos filas entre si o de dos columnas entre si.

b) Adición de una fila a otra, o adición de una columna a otra.

c) Multiplicación de una fila o de una columna por un escalar no nulo.

Las matrices que realizan las operaciones elementales sobre las líneas 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 sólo si B se puede obtener
efectuando un número finito de operaciones elementales sobre A.

METODO DE GAUSS-JORDAN PARA DETERMINAR EL RANGO DE UNA MATRIZ

El método permite determinar el rango de una matriz mediante un número finito de operaciones elementales
del tipo: multiplicación de una fila por un escalar no nulo y adición de una fila a otra. Se opera
exclusivamente sobre las filas de una matriz y además el método se hace extensivo a la determinación de la
inversa de una matriz y a la resolución de un sistema de ecuaciones lineales.
Esencialmente se trata de formar el máximo número posible de vectores canónicos linealmente
independientes, tal número es el rango de la matriz.

Ejemplo:

Determinar el rango de la matriz:

1 2 1 -1
A= 1 1 0 2
0 1 2 -1
2 2 -1 2
PIVOTE
1 2 1 -1
1 1 0 2 a b
0 1 2 -1 d- b.c
2 2 -1 2 c d a

1 2 1 -1
0 -1 -1 3
0 1 2 -1
0 -2 -3 4

1 0 -3 1
0 0 1 2
0 1 2 -1
0 0 1 2

1 0 0 7
0 0 1 2
0 1 0 -5
0 0 0 0 Luego r(A) = 3
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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 método 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 método 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 I

I A-1

Ejemplo:

Determinar la inversa de la matriz:

1 0 -1
A= 1 2 -2
2 -1 1

1 0 -1 1 0 0
1 2 -2 0 1 0
2 -1 1 0 0 1

1 0 -1 1 0 0
0 2 -1 -1 1 0
0 -1 3 -2 0 1

1 0 -1 1 0 0
0 1 -1/2 -1/2 1/2 0
0 0 5/2 -5/2 1/2 1

1 0 0 0 1/5 2/5
0 1 0 -1 3/5 1/5 A-1
0 0 1 -1 1/5 2/5

1 0 -1 1 0 0
1 2 -2 0 1 0
2 -1 1 0 0 1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 33

BOLILLA Nº 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 función:

D: Kn x n → K

Que verifica:

1º) Si una columna de una matriz está 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 ... A´j + A´´j ... An) = D(A1 … A´j … An) + D(A1 … A´´j … An)

2º) Si todos los elementos de una columna de una matriz están 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 común.

D(A1 ...α Aj ... An) = α D(A1 … Aj … An)

3º) 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

4º) El determinante de la matriz identidad es igual a 1.

D( I ) = 1

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

PROPIEDADES

1º) 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)

2º) El determinante de toda matriz que tenga dos columnas idénticas es igual a cero.

Si Ai = Aj ⇒ D(A1 ... Ai … Aj... An) = 0

3º) Si una columna de una matriz es el vector nulo, entonces su determinante es nulo.

D(A1 … 0 … An) = 0

4º) Si α∈ K ∧ A ∈ Kn x n entonces

D(α A) = α n D(A)

5º) El determinante da la traspuesta de una matriz es igual al determinante de dicha matriz.

D(At) = D(A)

6º) El determinante del producto de dos matrices es igual al producto de los determinantes de las mismas.

D(A . B) = D(A) . D(B)


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 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 a ij, el determinante
de la matriz cuadrada resultante se denomina menor complementario de aij y se simboliza con Mij.

Además, 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 subíndices correspondientes a la fila y a la columna de un elemento
cualquiera de una matriz cuadrada es un número par, el menor complementario y el cofactor de él son
iguales, mientras que si la suma es un número impar , difieren en el signo.

Ejemplo:

Determinar los cofactores de los elementos de la matriz:

2 -1 1
A= 1 2 -2
3 2 -1

2 -2
A11 = (- 1)1 + 1 = - 2 – (- 4) = - 2 + 4 = 2
2 -1

1 -2
1+2
A12 = (- 1) = (- 1) (- 1 + 6) = - 5
3 -1

1 2
A13 = (- 1)1 + 3 = 2–6=-4
3 2

-1 1
A21 = (- 1)2 + 1 = (- 1)(1 – 2) = 1
2 -1

2 1
A22 = (- 1)2 + 2 =-2–3=-5
3 -1

2 -1
2+3
A23 = (- 1) = (- 1) (4 + 3) = - 7
3 2

-1 1
3+1
A31 = (- 1) =2–2=0
2 -2

2 1
A32 = (- 1)3 + 2 = (- 1)(- 4 – 1) = 5
1 -2

2 -1
A33 = (- 1)3 + 3 = 4 + 1= 5
1 2

CALCULO DE UN DETERMINANTE

REGLA DE SARRUS:

Este método se aplica para calcular el determinante de una matriz de orden 3.


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 35

Dada la matriz:

a11 a12 a13


A= a21 a22 a23
a31 a32 a33

a11 a12 a13


a21 a22 a23 = ( a11 a22 a33 + a12 a23 a31 + a21 a32 a13) – (a13 a22 a31 + a23 a32 a11 + a12 a21 a33)
a31 a32 a33

Es decir, el determinante de una matriz de orden 3 se calcula realizando los productos de acuerdo al siguiente
esquema:

. . . . . .
. . . - . . .
. . . . . .
Una forma práctica de aplicar esta regla se obtiene repitiendo las dos primeras filas o las dos primeras
columnas.

Ejemplo:

Calcular el determinante de la matriz:

1 -1 2
A= 2 2 -3
3 -1 2

1 -1 2
2 2 -3 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
3 -1 2

1 -1 2
2 2 -3
3 -1 2 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
1 -1 2
2 2 -3

1 -1 2 1 -1
2 2 -3 2 2 = (4 + 9 – 4) – (12 + 3 – 4) = 9 – 11 = -2
3 -1 2 3 -1

DESARROLLO DE UN DETERMINANTE POR LOS ELEMENTOS DE UNA LINEA

Sea la matriz:

a11 a12 a13 ..... a1n


A= a21 a22 a23 ..... a2n
..............................
an1 an2 an3 . .... ann

Entonces:

n n
D(A) = ∑ aij Aij = ∑ (-1) i + j aij Mij desarrollado por los elementos de una fila
j=1 j=1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 36

n n
D(A) = ∑ aij Aij = ∑ (-1) i + j aij Mij desarrollado por los elementos de una columna
i=1 i=1

Ejemplo:

Sea la matriz:

1 -1 2
A= 2 2 -3
3 -1 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 2 -3 2 2
= (-1)2. 1 + (-1)3 (-1) + (-1)4 . 2
-1 2 3 2 3 -1

= 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 2 1 2
= (-1)3.(-1) + (-1)4 .2 + (-1)5 .(-1)
3 2 3 2 2 -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 cálculo del rango de una matriz o la inversa de una matria por el
método de Gauss – Jordan.
Elegimos como pivote un elemento no nulo aij, después de extraerlo como factor común de la fila i
reducimos a cero los demás elementos de la columna del pivote.
Al desarrolar por los elementos de la columna j resulta un determinante de orden n–1 multiplicado por:
(-1) i + j aij.

Ejemplo:

Calcular el determinante de la matriz:


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 37

2 0 -1 2
A= 3 2 -2 -3
0 -2 -2 2
2 3 0 -1

2 0 -1 2 2 1 0 1
D(A) = 3 2 -2 -3 = (-1) 3 + 3 (-2) 3 4 0 -5
0 -2 -2 2 0 1 1 -1
2 3 0 -1 2 3 0 -1

2 1 1
= (-2) 3 4 -5
2 3 -1

2 1 1
1+2
= (-2) (-1) .1 -5 0 -9
-4 0 -4

-5 -9
= (-2) (-1)
-4 -4

= 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 está formado por m ecuaciones lineales con n incógnitas.

RESOLUCION DE UN SISTEMA DE ECUACIONES LINEALES: resolver un sistema es encontrar


todos los conjuntos de valores que satisfagan simultáneamente todas las ecuaciones del sistema.
Cada uno de esos conjuntos de valores constituyen una solución del sistema.
Sean las raíces x1 = p, x2 = q , x3 = r , ..., xn = t , esas raíces son las soluciones del sistema, que se puede
escribir como:
x1 p
x2 q
x3 = r
. .
xn t

Si los términos independientes de un sistema de ecuaciones lineales son ceros, se dice que el sistema es
homogéneo.

Un sistema de ecuaciones puede ser compatible o incompatible, es decir:

SISTEMA

COMPATIBLE INCOMPATIBLE
(tiene solución) (no tiene solución)

DETERMINADO INDETERMINADO
(la solución es única) (tiene infinitas soluciones)
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 38
SISTEMAS HOMOGENEOS: un sistema homogéneo es siempre compatible, es decir que siempre tiene
solución, pudiendo ser determinado o indeterminado o sea con una o infinitas soluciones, respectivamente.
El sistema homogéneo es compatible porque siempre tiene una solución por lo menos que es la trivial,
aquella en la cual todas las incógnitas son ceros. Por lo tanto, si la solución es única, es la trivial y si tiene
infinitas soluciones, una de ellas es la trivial.
Por ejemplo, en el sistema:
2x – 3y = 0
x+ ½y=0

una solución inmediata es x = 0, y = 0

SISTEMAS NO HOMOGENEOS:

Un sistema no homogéneo 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
..................................................................
am11 x1 + am2 x2 + am3 x3 + ... + amn xn = bm

es un sistema con m ecuaciones y n incógnitas.

La matriz A formada por:

a11 a12 a13 ..... a1n


a21 a22 a23 ..... a2n
A= a31 a32 a33 ..... a3n
................................
am1 am2 am3 ..... amn mxn
se denomina matriz de los coeficientes o matriz del sistema.

La matriz columna X formada por:

x1
x2
X= x3
.
xn nx1

se llama matriz de las incógnitas.

La matriz columna B formada por:


b1
b2
B= b3
.
bm mx1

se llama matriz de los términos 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 x1 b1
a21 a22 a23 ..... a2n x2 b2
a31 a32 a33 ..... a3n x3 = b3
................................ . .
am1 am2 am3 ..... amn xn bm

Si B = 0, el sistema es homogéneo.
Si m = n, es decir si el número de ecuaciones es igual al número de incógnitas, el sistema se llama cuadrado.

Si a la matriz de los coeficientes A se le agrega la matriz columna de los términos independientes B se


obtiene una matriz Aº que se llama matriz ampliada del sistema, es decir:
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 39

a11 a12 a13 ..... a1n b1


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

SISTEMAS EQUIVALENTES: dos sistemas de ecuaciones son equivalentes cuando toda solución de uno
es solución de otro y recíprocamente, es decir, dos sistemas son equivalentes si tienen las mismas
soluciones.
Las operaciones que permiten transformar un sistema en otro equivalente son:
1º) El intercambio de dos o más ecuaciones del sistema, es decir el orden de las ecuaciones no altera el
sistema.
2º) Multiplicar una o más ecuaciones por una constante no nula.
3º) Reemplazar una ecuación por la que se obtiene sumando a la mencionada otra ecuación 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 solución única, 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 términos independientes, y el determinante
del sistema.

Sea el sistema:
AX = B

Como A es inversible, existe A–1 y premultiplicando ambos miembros de la relación 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 solución 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:

1 0 -1 0 1/5 2/5
A= 1 2 -2 y su inversa es A –1 = -1 3/5 1/5
2 -1 1 -1 1/5 2/5

Por lo tanto, la solución del sistema es:


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 40
0 1/5 2/5 -1
X= -1 3/5 1/5 -1
-1 1/5 2/5 3

1
X= 1
2

Aplicando la regla de Cramer, tenemos:

1 0 -1
D= 1 2 -2 = (2 + 0 + 1) – (-4 + 2 + 0) = 3 – (-2) = 5
2 -1 1

-1 0 -1
Dx1= -1 2 -2 = (-2 + 0 - 1) – (-6 - 2 + 0) = -3 – (-8) = 5
3 -1 1

1 -1 -1
Dx2= 1 -1 -2 = (-1 + 4 - 3) – (2 - 6 - 1) = 0 – (-5) = 5
2 3 1

1 0 -1
Dx3= 1 2 -1 = (6 + 1 + 0) – (-4 + 1 + 0) = 7– (-3) = 10
2 -1 3

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 solución es única o no.

Dado un sistema de m ecuaciones con n incógnitas

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

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 número de


incógnitas, el sistema es compatible determinado.

Si el rango de la matriz de coeficientes es igual al rango de la matriz ampliada y éste es menor que el número
de incógnitas, el sistema es compatible indeterminado.

En resumen:

Si r1 = rango de A (matriz de coeficientes) y r2 = rango de Aº (matriz ampliada), entonces:

SISTEMA

COMPATIBLE INCOMPATIBLE
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 41
r1 = r 2 r1 ≠ r2

DETERMINADO INDETERMINADO
r1 = r2 = número de incógnitas r1 = r2 < número de incógnitas

Ejemplos:

Resolver por el método de Gauss Jordan los siguientes sistemas de ecuaciones:

a)

x1+ x2 + x3 = 2
2x1 – x2 – x3 = 1
x1 + 2x2 – x3 = -3

1 1 1 2 Como el r(A) = r(Aº) = 3 = número de incógnitas, entonces el


2 -1 -1 1 sistema es compatible determinado, es decir, tiene una única
1 2 -1 -3 solución.
La solución del sistema es:
1 1 1 2
0 -3 -3 -3
0 1 -2 -5 1
X= -1
1 0 3 7 2
0 0 -9 -18
0 1 -2 -5

1 0 0 1
0 0 1 2
0 1 0 -1

1 0 0 1
0 1 0 -1
0 0 1 2

b)
x1 + x2 – x3 = 1
x1 - 3x2 + 4x3 = 0
2x1 - 2x2 + 3x3 = 1

1 1 -.1 1
1 -3 4 0
2 -2 3 1

1 1 -.1 1
0 -4 5 -1
0 -4 5 -1

1 0 1/4 3/4
0 1 -5/4 1/4
0 0 0 0

Como r(A) = r(Aº) = 2 < número de incógnitas, el sistema dado es compatible indeterminado, para calcular
las solución 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
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 42
Luego la solución general o conjunto solución del sistema está dada por:

(3 – a)/4
X = (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 -1 3 -3
1 0 1 1

1 1 -.1 1
0 -2 4 -4
0 -1 2 0

1 0 1 -1
0 1 2 2
0 0 0 2

Como r(A) = 2 y r(Aº) = 3, el sistema es incompatible.

BOLILLA Nº 6

PRODUCTO INTERIOR EN ESPACIOS VECTORIALES


Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 43
Sea (V, +, R, .) un espacio vectorial sobre el cuerpo de los números reales, el producto interior, simbolizado
por < x,y > es toda función

< , >: V2 → R

que satisface las condiciones de simetría, de linealidad respecto del primer argumento y de definida positiva,
es decir:

1º) < x,y > = < y,x > ∀ x ∈ V, ∀ y ∈ V

2º) < x + y,z > = < x,z > + < y,z > ∀ x ∈ V, ∀ y ∈ V, ∀ z ∈ V

3º) < α x,y > = α < x,y > ∀ x ∈ V, ∀ y ∈ V, ∀ α ∈ R

4º) < 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 único número real.

El espacio vectorial (V, +, R, .) en el que se ha definido un producto interior se denomina espacio


euclidiano.

Ejemplo:

En (Rn, +, R, .), la función:

< , >: Rn x Rn → R

definida por:

< X, Y > = X t Y (1)

donde:

x1 y1
x2 y2
X= x3 Y= y3
. .
. .
xn yn

es un producto interior. Para probar esta afirmación verificamos los axiomas de la definición:

1º) < X,Y > = X t Y = (X t Y) t = Y t X = < Y,X >

Por definición de producto interior, por ser X t Y un escalar, por traspuesta del producto y nuevamente por
definición de producto interior.

2º) < X + Y,Z > = ( X + Y) t Z = (X t + Y t) Z = X t Z + Y t Z = < X,Z > + < Y,Z >

Por definición de producto interior, por traspuesta de la suma, por propiedad distributiva y nuevamente por
definición de producto interior.

3º) < α X,Y > = (α X) t Y = α X t Y = α < X,Y >

Por definición de producto interior, por traspuesta de un escalar por una matriz y nuevamente por definición
de producto interior.

n
4º) < X,X > = X X = ∑ xi2 ≥ 0
t

i=1
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 44
Por definición de producto interior, por producto de matrices y suma de números reales no negativos.
n
< X,X > = 0 ⇔ ∑ xi2 = 0 ⇔ xi = 0, ∀ I ⇔ X = 0
i=¡

La definición (1) caracteriza un producto interior en Rn, llamado también producto interior usual. Efectuando
la operación indicada en (1) es:

n
< X,Y > = ∑ xi yj
i=1

P sea, el producto interior de dos n-uplas de números reales es igual a la suma de los productos de las
componentes correspondientes.

En el caso n = 2 esta definición 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 n
x = ∑ α i xi y = ∑ β j yj
i=1 j=1

Donde: α i, β j ∈ R y xi, yj ∈ V

De acuerdo con los axiomas de la definición se tiene:

n n
< x, y > = < ∑ α i xi, ∑ β j yj > por axioma 2 se tiene
i=1 j=1

n n
= ∑ < α i xi, ∑ β j yj > por axioma 3 resulta
i=1 j=1

n n
= ∑ α i < xi, ∑ β j yj > por axioma 1 resulta
i=1 j=1

n n
= ∑ α i < ∑ β j yj, xi > por axioma 2 resulta
i=1 j=1

n n
= ∑ α i ∑ < β j yj, xi > por axioma 3 resulta
i=1 j=1

n n
= ∑ α i ∑ β j < yj, xi > por axioma 1 resulta
i=1 j=1

n n
= ∑ α i ∑ β j < xi,yj > por propiedad de sumatoria, resulta
i=1 j=1

n n
= ∑ ∑ α i β j < xi,yj >
i=1 j=1

En particular es:

< α x + y, α x + y > = α 2 < x,y > + α < x,y > + α < y,x > + < y,y >
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 45

= α 2 < x,y > + 2 α < x,y > + < y,y >

MODULO O LONGITUD DE UN VECTOR

Módulo en un vector en un espacio con producto interior es la raíz cuadrada no negativa del producto
interior de dicho vector por sí mismo.

El símbolo   x  se lee módulo o longitud de x.

De acuerdo con la definición es:

 x  = √ < x,x >

Ejemplo:

En R2, con la definición 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 módulo de a también norma de x.

Se verifica que el cuadrado del módulo 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 módulo del producto de un escalar por un vector es igual
al valor absoluto del escalar por el módulo del vector.

 α x  =α   x

En efecto:

 α x  2
= < α x,α x > = α < x,x > =  α  2
 x  2
=( α   x
  )2

O sea:

 α x  2
= ( α   x   )2

Y como las bases son no negativas, resulta:

 α x  = α   x 

El producto d un vector no nulo por el recíproco de su módulo, o lo que es lo mismo, el cociente entre un
vector no nulo y su módulo es un vector de módulo 1.

En efecto, si x ≠ 0. Considerando x se verifica:


 x 
Prof. Carlos Alberto Palacio – T.E. (03833) 425189 – Personal 15680822 – E-MAIL: cap@ctcom.com.ar 46

x = 1 x = 1  x = 1  x =1
 x  x  x  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 módulo 1, llamado también vector unitario.

ORTOGONALIDAD

Sea (V. +, R, .) un espacio vectorial con producto interior.

Dos vectores son ortogonales si y sólo 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

Das könnte Ihnen auch gefallen