Actividad #3 Algebra Jefferson Coppiano

UNIVERSIDAD TECNICA DE
MANABI
FACULTAD:
CIENCIAS INFORMATICAS
CARRERA:
TECNOLOGIAS DE LA INFORMACION
MATERIA:
ALGEBRA LINEAL
ALUMNO:
CARLOS JEFFERSON COPPIANO
ZAMBRANO
I Semestre
BASE DE DIFERENTES ESPACIOS VECTORIALES:
Ejemplo 1
Sea la base B y consoideremos el vector al hacer la convimnacion lineal

tenemos:
Ya al saber cómo se escribe el vector coordenado respecto a una base podemos establecer la matriz del
cambio de base o matriz de transición de una base a otra. Para ello supongamos que tenemos las bases B1
= {V1 , V2 , …. Vn} y B2 = {W1 , W2 , …. Wn} del espacio n-dimensional V.
Ahora consideremos un vector v ∈ V y escribimos el vector coordenado respecto a la base B2.
Entonces:
Ahora escribamos al vector Wj en las coordenadas respecto a la base B1 como:

Entonces:
Donde:
Es la matriz del cambio de la base B2 a la base B1.
Ejemplo 2
Sean B1 = {V1 , V2 , V3} y B2 = {W1 , W2 , W3} bases del espacio vectorial R3, donde:
Ahora calculamos la matriz de cambio de base PB1 PB2 , para ello buscamos el vector coordenado para cada
uno de
los vectores W1 respecto de la base B1. Así, resolvemos el sistema de ecuaciones para cada
uno
de los vectores.
Esto es:
Lo cual nos da los siguientes vectores coordenados:

y formamos la matriz de cambio de base:
Consideremos el vector
ejemplo 1, donde sus coordenadas res-pecto a la base B2 es y para determinar sus
coordenadas res-pecto a la base B1 aplicamos la ecuación señalada en (2), es decir,
Ahora podemos comprobar utilizando los vectores de la base B1 que
De esta forma, podemos pasar de una base a la otra y viceversa, eso nos muestra que la matriz de cambio
de base de la base B1 a la base B2 se puede construir de la misma forma o mediante la inversa de la matriz
de cambo de base de la base B2 a la base B1. Así
• CAMBIO DE BASES DE ESPACIOS VECTORIALES
Ejemplo 1
Sea la matriz de cambio de base de B2 a B1 del ejemplo anterior. Podemos comprobar que (𝑃𝐵2 𝐵1 ) -1 es la
matriz de cambio de base de B1 a B2, ya que
la rutina que presenta la función que creamos “cbase2(A,B)” que determina la matriz del cambio de
base de la base A a la base B.
Ahora utilizando las bases del ejemplo 2 establecimos la rutina correspondiente y mostramos los resultados
en MATLAB, en donde introducimos la matriz:
del cambio de base de B2 a B1 denotada por P21, como se ve a continuación:
Introducimos el vector y calculamos la componente del vector v respecto a la base B 2, (𝑣)𝐵2

que
denotamos por C2 y las componentes del vector v respecto a la base B1, (𝑣)𝐵2 que denotamos por E2.
Luego multiplicamos la matriz P21 por el vector C2 y vemos que el resultado, indicado con W, es el vector
E2, como debería de ser el resultado; de igual forma para comprobar el resultado multiplicamos la
matriz de la base B1 por el vector resultante W y obtenemos nuestro vector original v.
Para mostrar la utilidad con matrices de mayor orden, consideremos las bases B1 y B2 de R5 mostradas en la
Fi-gura 3 del ejemplo 4 y calculamos la matriz de cambio de base de B1 a B2 que denotamos con P12,
utilizando la función desarrollada, y vemos que sin ningún problema MATLAB calcula una matriz de cambio
de base P12 de dimensión 5x5.
Ejemplo 2
En el ejemplo 2 consideraremos dos bases C1 y C2 con elementos dentro del campo de los números
complejos (¢). Calculamos la matriz¢ de cambio de base de C2 a C1 y la denotamos por P21 y vemos que
tenemos una matriz 3x3 con valores complejos. Para comprobar el resultado tomamos un vector A en la base
C1 y aplicamos la matriz P21 para obtener el vector K en la base C2.
Luego buscamos la inversa de P21, según (3), que es la matriz del cambio de base de C1 a C2 y al
multiplicar la inversa por el vector K obtenemos el vector L que es el mismo vector A. Con esto se
comprueba que la función “cbase2”también trabaja dentro del campo de los números complejos.
• DETERMINAR SI ES UNA TRANSFORMACION LINEAL, OBTENER NUCLEO, NULIDAD,
IMAGEN Y RANGO.
Ejemplo 1
R tal que T (ax + bx + c) = c
2
a) Consideremos la transformación lineal T: P →
2
.
Vamos a encontrar su núcleo.
nu T = {p en P2 tales que T(p) = 0} esto implica que si p = ax + bx + c ,
2
entonces T(p) = T(ax + bx + c) = c

2
= 0 lo que nos lleva a concluir que los
vectores de núcleo de T son aquellos polinomios de la forma p = ax2 + bx ; es

decir, nu T = {p en P tales
2
que p = ax2 + bx }
b) Sea T: V → V tal que T(v) = 0, entonces nu T = V.
A esta transformación lineal se le llama la transformación cero.
c) Sea T: R3 → R2 tal que T(x, y, z) = (x, z); donde nu T = {x en R3 talesque

T(x, y, z) = 0}
En este caso T(x, y, z) = 0 implica que T(x, y, z) = (x, z) = (0, 0), entonces
x = z = 0 de donde nu T = {(0, y, 0) en R3}
d) Sea T: V → V tal que T(v) = v. Esta transformación se llama

transformación identidad.
nu T = {v en V tal que T(v) = 0} esto nos lleva a que T(v) = v = 0, por tanto
nu T = {0}
El siguiente resultado nos será de gran utilidad cuando se manejen las

representaciones matriciales de una transformación lineal; nos proporcionará
una equivalencia entre el núcleo de una transformación lineal y los
correspondientes núcleo y nulidad de una matriz.
Utilizando las propiedades de las transformaciones lineales, probaremoseste teorema.
i) Sean u, v vectores del núcleo de T, queremos que u + v esté en el núcleode T.
Como u, v están en nu T, entonces T(u) = T(v) = 0
T(u + v) = T(u) + T(v) = 0 + 0 = 0, por lo que u + v está en nu T.
Sea c un escalar, veremos si cu está en el núcleo de T.T(cu) =

cT(u) = c(0) = 0, por tanto cu está en nu T
De ambos resultados obtenemos que nu T es un subespacio vectorial de V.
ii) Sean x y w vectores de la imagen de T, queremos que x + w esté en la
imagen de T.
Como x, w son vectores de la imagen, existen u, v vectores de V, tales que T(u) = x

y T(v) = w.
Como T es una transformación lineal, T(u + v) = T(u) + T(v) = x + w, entonces
x + w está en la imagen de T, pues existe u + v V con T(u + v) = x + w
Sea c un escalar, probaremos que cx está en la imagen de T.

Como T es transformación lineal, T(cu) = cT(u) = cx, de donde cx está enla imagen
de T, por los dos resultados imagen de T es un subespacio vectorialde W.
Como el núcleo y la imagen son subespacios vectoriales, podemos considerar su

dimensión. Veamos la siguiente definición.
(T) = dim nu T = nulidad

(T) = dim imagen T = rango
Recordemos que para encontrar la dimensión de un espacio vectorial, basta encontrar

una base de ese espacio, y la dimensión del espacio es el número de vectores de la base.
Vamos a encontrar el rango y la nulidad de algunas transformaciones lineales
conocidas.
Ejemplo 2
a) Sea T: R3 → R3 tal que T(x, y, z) = (x, y, 0).

nu T = {(x, y, z) en R3 tal que T(x, y, z) = (x, y, 0) = (0, 0, 0)} = {(0, 0, z) en R3} elvector (0,
0, 1) es una base para nu T, por lo tanto la nulidad de T = (T) =
1.
imagen T = {(x, y, 0) en R3} de donde {(1, 0, 0), (0, 1, 0)} es una base parala
imagen T de donde el rango de T = (T) = 2.
b) Sea T: R2 → R2 tal que T(x,y) = (x + y, x – y)nu T =

{(x, y) tal que T(x, y) = (0, 0)} = {(x, y) tal que (x + y, x – y) = (0, 0)}
x + y = 0
Al resolver el sistema deecuaciones obtenemos que x = 0, y = 0,
x− y =0 
por lo tanto nu T = {(0, 0)} de donde (T) = dim nu T = 0
En este caso obtener una base para la imagen de T no resulta tan fácil,surge
entonces la pregunta: ¿no habrá alguna otra manera de obtener el rango de la
transformación? El siguiente resultado nos brinda la respuesta.
En el ejemplo anterior observamos que (T) = dim nu T = 0 y que la dimensión de R2 es 2,

por lo tanto, usando este teorema tenemos que el rango  = (T) =
En cualquier caso, es más fácil encontrar la nulidad de una transformación lineal y usar el
teorema anterior para encontrar el rango de la misma. Veamos algunos ejemplos.
• AUTOVALORES, AUTOVECTORES, DE UNA MATRIZ 3X3 ASOCIADA A UNA TRANSFORMACION

LINEAL.
Consideremos la siguiente matriz de 3×3:
Busquemos sus autovalores resolviendo el polinomio característico:

Luego los autovalores son:
Donde la multiplicidad algebraica de 5 es 2. Esto significa que 5 es raíz doble del polinomio característico.
Para cada autovalor debe resolver el sistema de ecuaciones
Para obtener cuales son los auto espacios correspondientes a cada autovalor.
Autovectores asociados a λ=5: Resolvamos el sistema compatible indeterminado:
El subespacio asociado a este autovalor es:
Luego dos Autovectores son:
Autovectores asociados a λ=1:
Resolvamos el sistema compatible indeterminado:
El subespacio asociado a este autovalor es:
Luego un auto vector es:

Finalmente hemos obtenido tres Autovectores:
Donde v1 y v2 son autovectores asociados al autovalor λ=5 y v3 es un autovalor asociado a λ=1.

Actividad #3 Algebra Jefferson Coppiano

Cargado por

Copyright:

Formatos disponibles

Actividad #3 Algebra Jefferson Coppiano

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Actividad #3 Algebra Jefferson Coppiano

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TECNICA DE

Sea la base B y consoideremos el vector al hacer la convimnacion lineal

Ahora consideremos un vector v ∈ V y escribimos el vector coordenado respecto a la base B2.

Ahora escribamos al vector Wj en las coordenadas respecto a la base B1 como:

Es la matriz del cambio de la base B2 a la base B1.

Lo cual nos da los siguientes vectores coordenados:

ejemplo 1, donde sus coordenadas res-pecto a la base B2 es y para determinar sus

coordenadas res-pecto a la base B1 aplicamos la ecuación señalada en (2), es decir,

Ahora podemos comprobar utilizando los vectores de la base B1 que

• CAMBIO DE BASES DE ESPACIOS VECTORIALES

del cambio de base de B2 a B1 denotada por P21, como se ve a continuación:

Introducimos el vector y calculamos la componente del vector v respecto a la base B 2, (𝑣)𝐵2

entonces T(p) = T(ax + bx + c) = c

vectores de núcleo de T son aquellos polinomios de la forma p = ax2 + bx ; es

b) Sea T: V → V tal que T(v) = 0, entonces nu T = V.

A esta transformación lineal se le llama la transformación cero.

c) Sea T: R3 → R2 tal que T(x, y, z) = (x, z); donde nu T = {x en R3 talesque

d) Sea T: V → V tal que T(v) = v. Esta transformación se llama

El siguiente resultado nos será de gran utilidad cuando se manejen las

Sea c un escalar, veremos si cu está en el núcleo de T.T(cu) =

Como x, w son vectores de la imagen, existen u, v vectores de V, tales que T(u) = x

Sea c un escalar, probaremos que cx está en la imagen de T.

Como el núcleo y la imagen son subespacios vectoriales, podemos considerar su

(T) = dim nu T = nulidad

Recordemos que para encontrar la dimensión de un espacio vectorial, basta encontrar

a) Sea T: R3 → R3 tal que T(x, y, z) = (x, y, 0).

b) Sea T: R2 → R2 tal que T(x,y) = (x + y, x – y)nu T =

En el ejemplo anterior observamos que (T) = dim nu T = 0 y que la dimensión de R2 es 2,

• AUTOVALORES, AUTOVECTORES, DE UNA MATRIZ 3X3 ASOCIADA A UNA TRANSFORMACION

Consideremos la siguiente matriz de 3×3:

Busquemos sus autovalores resolviendo el polinomio característico:

Para cada autovalor debe resolver el sistema de ecuaciones

Autovectores asociados a λ=5: Resolvamos el sistema compatible indeterminado:

El subespacio asociado a este autovalor es:

Luego dos Autovectores son:

Autovectores asociados a λ=1:

Resolvamos el sistema compatible indeterminado:

El subespacio asociado a este autovalor es:

Luego un auto vector es:

Donde v1 y v2 son autovectores asociados al autovalor λ=5 y v3 es un autovalor asociado a λ=1.

También podría gustarte