• Ir al contenido principal
  • Ir a la barra lateral primaria
  • Ir al pie de página

Álgebra y Geometría Analítica

Contenidos de Álgebra para UTN-FRBA

  • Parte 1
    • Vectores, recta y plano
      • Introducción a vectores en R3
      • Producto escalar en R3
      • Producto vectorial y mixto
      • Ecuaciones del plano
      • Ángulos y distancias
      • Haz de planos
      • Recta en ({mathbb{R}^3})
      • Recta y plano: intersecciones y ángulos
      • Distancias y proyecciones
    • Matrices y determinantes
      • Matrices
      • Determinante de una matriz
      • Matrices y sistemas de ecuaciones lineales
    • Espacios vectoriales
      • Espacios y subespacios vectoriales
      • Conjunto generador. LI y LD. Base. Dimensión.
      • Operaciones con subespacios
    • Sistemas de ecuaciones
      • Rango y sistemas de ecuaciones lineales
      • Relaciones entre soluciones de AX=B y AX=0. Variables libres.
  • Parte 2
    • Transformaciones lineales
      • Definición y propiedades de las transformaciones lineales
      • Núcleo e imagen. Clasificación de las transformaciones lineales.
      • Teorema fundamental de las transformaciones lineales
      • Matriz asociada a una transformación lineal
      • Composición e inversa de transformaciones lineales
      • Matriz de cambio de base
    • Autovalores y autovectores
      • Autovalores y autovectores: definiciones y propiedades
      • Multiplicidades algebraica y geométrica de un autovalor
      • Matrices semejantes
      • Diagonalización de una matriz
      • Diagonalización ortogonal de matrices simétricas
      • Diagonalización de una transformación lineal
    • Cónicas, parametrización y superficies cuádricas
      • Introducción a cónicas
      • Circunferencia
      • Parábola
      • Elipse
      • Hipérbola
      • Ecuaciones paramétricas de las cónicas (circunferencia, elipse, parábola e hipérbola)
    • Aplicaciones de la diagonalización
      • Potencias de una matriz diagonalizable
      • Rototraslación de cónicas
    • Números complejos
      • Definición y operaciones de números complejos en forma binómica
      • Operaciones en forma trigonométrica y exponencial
      • Radicación de números complejos
      • Regiones del plano complejo
  • Exámenes
    • Parciales
      • Parcial 1
        • 24-05-2015
        • 12-02-2016
        • 22-04-2017
        • 09-09-2017
        • 05-05-2018
        • 13-09-2019
      • Parcial 2
        • 21-06-2019
        • 10-11-2018
        • 23-06-2018
        • 04-11-2017
        • 10-06-2017
        • 13-06-2015
        • 31-10-2015
    • Finales
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error

Última vez actualizado 29 junio, 2019 por Isabel Pustilnik y Federico Gómez 914 comentarios

Autovalores y autovectores: definiciones y propiedades

 

Un ejemplo introductorio

Consideremos la matriz: \[A = \left( {\begin{array}{*{20}{c}}3&2\\1&4\end{array}} \right)\] Queremos ver cuál es el efecto que provoca esa matriz por los vectores de \({\mathbb{R}^2}\). ¿Qué pasa cuando uno multiplica esa matriz A por un vector? \[A.\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}3&2\\1&4\end{array}} \right).\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}{3x + 2y}\\{x + 4y}\end{array}} \right)\] Pensemos para que sea sencillo que tomamos el cuadrado con vértice en el origen de lado 1 y que está en el primer cuadrante:

 

Digamos que llamamos a esta zona el recinto \(R\). ¿En qué se transformaría este recinto bajo el efecto de esa matriz? Para responder esta pregunta podemos ver en que se transforman sus vértices. Sabemos que el vector nulo se va a transformar en el vector nulo. Los demás serán: \[A\left( {\begin{array}{*{20}{c}}1\\0\end{array}} \right) = \left( {\begin{array}{*{20}{c}}3\\1\end{array}} \right)\] \[A\left( {\begin{array}{*{20}{c}}0\\1\end{array}} \right) = \left( {\begin{array}{*{20}{c}}2\\4\end{array}} \right)\] \[A\left( {\begin{array}{*{20}{c}}1\\1\end{array}} \right) = \left( {\begin{array}{*{20}{c}}5\\5\end{array}} \right)\]

Uno se podría hacer esta pregunta: ¿Habrá vectores que después de la deformación conservan la dirección?

  • El vector (1,0) se transformó en el (3,1). No conserva la dirección.
  • El (0,1) se transforma en el (2,4). No conserva la dirección.
  • El (1,1) se transformó el (5,5). Entonces se produjo una dilatación de factor 5, y se conservó la dirección.

Ese vector que mantuvo su dirección se denomina autovector, y el factor por el cual se dilató es el autovalor correspondiente.

autovalores y autovectores definiciones y propiedades

Autovalores, autovectores, autoespacios

Definición de autovalores y autovectores de una matriz

Sea \(A \in {\mathbb{R}^{n \times n}}\), \(\lambda \in \mathbb{R}\) es autovalor de \(A\) si y sólo si existe un vector \(v \in {\mathbb{R}^{n \times 1}}\) no nulo tal que: \[A.v = \lambda .v\;\;,\;\;v \ne {0_V}\] \(v\) se llama autovector asociado a \(\lambda \).

En el ejemplo que vimos recién el transformado de \(\left( {1,1} \right)\) es \(\left( {5,5} \right)\), entonces:

autovalores y autovectores definiciones y propiedades 2

Veamos cómo hallar los autovalores y autovectores: Según la definición, debe cumplirse esta condición: \[Av = \lambda v\;\;{\rm{\;con\;}}v \ne {0_V}\] Restamos a ambos miembros \(\lambda v\): \[Av – \lambda v = {0_V}\] Premultiplicamos a \(v\) por \(I\), esto lo podemos hacer porque \(Iv = v\): \[Av – \lambda Iv = {0_V}\]

Entonces:

autovalores y autovectores definiciones y propiedades 3

Resulta un sistema homogéneo con \(n\) ecuaciones y \(n\) incógnitas, donde \(A – \lambda I\) es la matriz de los coeficientes.

¿Cómo puede ser un sistema homogéneo en cuanto a su compatibilidad?

Respuesta: siempre compatible, porque siempre tiene la solución trivial. ¿Cómo queremos que sea en nuestro problema si estamos buscando vectores que no cambien su dirección? ¿Sistema compatible determinado (SCD) o sistema compatible indeterminado (SCI)?. Si es SCD, tiene únicamente la solución trivial y \(v\) es el vector nulo. Nuestro objetivo es obtener los autovectores (que son distintos del vector nulo), por eso necesitamos que este sistema sea compatible indeterminado.

Entonces: buscamos un sistema compatible indeterminado.

En un sistema cuadrado y homogéneo, el determinante decide: si es distinto de cero, tiene solución única. Entonces queremos que sea igual a cero:

\[\det \left( {A – \lambda I} \right) = 0\]

Esta es la ecuación característica de la matriz \(A\).

Y \(p\left( \lambda \right) = {\rm{det}}\left( {A – \lambda I} \right)\) es un polinomio de grado \(n\) dependiente de \(\lambda \) que se llama polinomio característico de la matriz \(A\).

Las raíces del polinomio característico son los autovalores de \(A\).

Una vez hallados los autovalores, ¿cómo obtenemos los autovectores?

Volvemos a la expresión original.

Para cada \(\lambda \) resolvemos el sistema:

\[\left( {A – \lambda I} \right).v = {0_V}\]

Y hallamos los autovectores correspondientes.

Si la matriz es de 2 por 2, el polinomio quedará de grado 2.

Si la matriz es de 3 por 3, el polinomio quedará de grado 3.

Otros nombre que se les suele dar a los autovectores y autovalores son:

  • Valores propios y vectores propios
  • Eigenvalores y Eigenvectores (Usando la raíz alemana eigen)
Ejemplo 1

Volvamos al ejemplo inicial. \[A – \lambda .I = \left( {\begin{array}{*{20}{c}}3&2\\1&4\end{array}} \right) – \lambda .\left( {\begin{array}{*{20}{c}}1&0\\0&1\end{array}} \right) = \left( {\begin{array}{*{20}{c}}{3 – \lambda }&2\\1&{4 – \lambda }\end{array}} \right)\] \[\det \left( {A – \lambda I} \right) = 0\] \[\left( {3 – \lambda } \right)\left( {4 – \lambda } \right) – 2 = 0\] \[{\lambda ^2} – 7\lambda + 10 = 0\] \[{\lambda _1} = 2 \wedge {\lambda _2} = 5\] Para \(\lambda = 2\) resolvemos el sistema de ecuaciones: \[\left( {A – 2I} \right)\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\0\end{array}} \right)\] \[\left( {\begin{array}{*{20}{c}}1&2\\1&2\end{array}} \right)\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\0\end{array}} \right)\] \[\left\{ {\begin{array}{*{20}{c}}{x + 2y = 0}\\{x + 2y = 0}\end{array}\; \Rightarrow x = – 2y} \right.\] La solución de un sistema homogéneo es siempre un subespacio. Los subespacios de autovectores se denominan autoespacios.

Buscamos una base de este subespacio: \[{S_2} = gen\left\{ {\left( {\begin{array}{*{20}{c}}2\\{ – 1}\end{array}} \right)} \right\}\] Éste es el subespacio donde están los autovectores asociados al autovalor 2. Para \(\lambda = 5\) \[\left( {A – 5I} \right)\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\0\end{array}} \right)\] \[\left( {\begin{array}{*{20}{c}}{ – 2}&2\\1&{ – 1}\end{array}} \right)\left( {\begin{array}{*{20}{c}}x\\y\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\0\end{array}} \right)\] \[\left\{ {\begin{array}{*{20}{c}}{ – 2x + 2y = 0}\\{x – y = 0}\end{array}\; \Rightarrow x = y} \right.\] \[{S_5} = gen\left\{ {\left( {\begin{array}{*{20}{c}}1\\1\end{array}} \right)} \right\}\] Resultado esperado porque habíamos visto que el \(\left( {1,1} \right)\) se transformaba en el \(\left( {5,5} \right)\).

Ejemplo 2

Consideremos la siguiente matriz de \(3 \times 3\): \[B = \left( {\begin{array}{*{20}{c}}3&2&{ – 1}\\2&3&1\\0&0&5\end{array}} \right)\] Busquemos sus autovalores resolviendo el polinomio característico: \[\left| {\begin{array}{*{20}{c}}{3 – \lambda }&2&{ – 1}\\2&{3 – \lambda }&1\\0&0&{5 – \lambda }\end{array}} \right| = 0\] \[\left( {5 – \lambda } \right).\left( {{{\left( {3 – \lambda } \right)}^2} – 4} \right) = 0\] Luego los autovalores son: \[{\lambda _1} = 5\;\; \vee \;\;\;{\lambda _2} = 5\;\; \vee \;\;{\lambda _3} = 1\] Donde la multiplicidad algebraica de \(5\) es 2. Esto significa que 5 es raíz doble del polinomio característico.

Para cada autovalor debemos resolver el sistema de ecuaciones \[\left( {\begin{array}{*{20}{c}}{3 – \lambda }&2&{ – 1}\\2&{3 – \lambda }&1\\0&0&{5 – \lambda }\end{array}} \right).\left( {\begin{array}{*{20}{c}}x\\{\begin{array}{*{20}{c}}y\\z\end{array}}\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}0\\0\end{array}}\end{array}} \right)\] Para obtener cuales son los autoespacios correspondientes a cada autovalor.

Autovectores asociados a \({\rm{\lambda }} = 5\):

Resolvamos el sistema compatible indeterminado: \[\left( {\begin{array}{*{20}{c}}{ – 2}&2&{ – 1}\\2&{ – 2}&1\\0&0&0\end{array}} \right)\left( {\begin{array}{*{20}{c}}x\\{\begin{array}{*{20}{c}}y\\z\end{array}}\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}0\\0\end{array}}\end{array}} \right) \Rightarrow \left\{ {\begin{array}{*{20}{c}}{ – 2x + 2y – z = 0}\\{2x – 2y + z = 0}\\{0 = 0}\end{array}} \right. \Rightarrow – 2x + 2y – z = 0\]

El subespacio asociado a este autovalor es: \[{S_5} = gen\left\{ {\left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}0\\{ – 2}\end{array}}\end{array}} \right),\left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}1\\2\end{array}}\end{array}} \right)} \right\}\;\]

Luego dos autovectores son: \[{v_1} = \left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}0\\{ – 2}\end{array}}\end{array}} \right)\;\;;\;\;\;{v_2} = \left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}1\\2\end{array}}\end{array}} \right)\]

Autovectores asociados a \({\rm{\lambda }} = 1\):

Resolvamos el sistema compatible indeterminado: \[\left( {\begin{array}{*{20}{c}}2&2&{ – 1}\\2&2&1\\0&0&4\end{array}} \right)\left( {\begin{array}{*{20}{c}}x\\{\begin{array}{*{20}{c}}y\\z\end{array}}\end{array}} \right) = \left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}0\\0\end{array}}\end{array}} \right) \Rightarrow \left\{ {\begin{array}{*{20}{c}}{2x + 2y – z = 0}\\{2x + 2y + z = 0}\\{4z = 0}\end{array}} \right. \Rightarrow z = 0 \wedge y = – x\]

El subespacio asociado a este autovalor es: \[{S_1} = gen\left\{ {\left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}{ – 1}\\0\end{array}}\end{array}} \right)} \right\}\;\]

Luego un autovector es: \[{v_3} = \left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}{ – 1}\\0\end{array}}\end{array}} \right)\]

Finalmente hemos obtenido tres autovectores: \[{v_1} = \left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}0\\{ – 2}\end{array}}\end{array}} \right)\;\;;\;\;\;{v_2} = \left( {\begin{array}{*{20}{c}}0\\{\begin{array}{*{20}{c}}1\\2\end{array}}\end{array}} \right)\;\;{v_3} = \left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}{ – 1}\\0\end{array}}\end{array}} \right)\]

Donde \({v_1}\) y \({v_2}\) son autovectores asociados al autovalor \(\lambda = 5\) y \({v_3}\) es un autovalor asociado a \(\lambda = 1\).

Ejemplo 3

Consideremos la siguiente matriz de \(2 \times 2\): \[C = \left( {\begin{array}{*{20}{c}}0&{ – 2}\\2&0\end{array}} \right)\] Busquemos sus autovalores resolviendo el polinomio característico: \[\left| {\begin{array}{*{20}{c}}{ – \lambda }&{ – 2}\\2&{ – \lambda }\end{array}} \right| = 0\] \[ \Rightarrow \;{\lambda ^2} + 4 = 0\] Este polinomio no tiene raíces reales. Con lo cual diremos que \(C\) no tiene autovalores reales. Más adelante estudiaremos los números complejos y podremos hallar las raíces (complejas) del polinomio característico de C.

Ejemplo 4

Demuestre la siguiente propiedad para \(A \in {\mathbb{R}^{n \times n}}\)

\(\lambda = 0\) es autovalor de \(A \Leftrightarrow A\) no es inversible

Resolución

¿Cómo se demuestra esto? Primero veamos un ejemplo para convencernos de que se cumple la propiedad. Consideremos una matriz que no tenga inversa. Por ejemplo escribimos una matriz tal que la fila 2 sea el doble de la fila 1: \[A = \left( {\begin{array}{*{20}{c}}1&2\\2&4\end{array}} \right)\] Escribamos la ecuación característica y hallemos los autovalores: \[{p_A}\left( \lambda \right) = \left( {1 – \lambda } \right)\left( {4 – \lambda } \right) – 4 = 0\] \[{\lambda ^2} – 5\lambda = 0\; \Rightarrow \lambda = 0 \vee \lambda = 5\] En este caso particular hemos visto que una matriz no inversible tiene autovalor \(\lambda = 0\). Pero quisiéramos demostrar la propiedad. Para demostrar esto hay que recordar que:

\({\rm{\lambda }}\) es autovalor de \({\rm{A}}\) \( \Leftrightarrow \) \(\det \left( {{\rm{A}} – {\rm{\lambda I}}} \right) = 0\)

Pero si \(\lambda = 0\) entonces la afirmación queda:

autovalores y autovectores definiciones y propiedades 4

 

Ejercicio para el lector 1

Sea: \[A = \left( {\begin{array}{*{20}{c}}a&b\\c&d\end{array}} \right)\] Con autovalores \({\lambda _1}\) y \({\lambda _2}\) (iguales o distintos). Demostrar que: \[{\lambda _1} + {\lambda _2} = Traza\left( A \right)\] \[{\lambda _1}.{\lambda _2} = \det \left( A \right)\] Esta propiedad se generaliza para matrices de orden \(n\). Si \({\lambda _1},{\lambda _2}, \ldots ,{\lambda _n}\) son autovalores de \(A\) (iguales o distintos) entonces: \[{\lambda _1} + {\lambda _2} + \ldots + {\lambda _n} = Traza\left( A \right)\] \[{\lambda _1}.{\lambda _2}. \ldots .{\lambda _n} = \det \left( A \right)\]

Propiedad de los autovalores y autovectores

Los autovectores asociados a autovalores distintos son linealmente independientes. Demostración para dos autovalores Supongamos que tengo dos autovalores distintos: \({\lambda _1} \ne {\lambda _2}\). Como son autovalores, se cumple: \[A.{v_1} = {\lambda _1}.{v_1}\] \[A.{v_2} = {\lambda _2}.{v_2}\] Queremos probar que \({v_1}\) y \({v_2}\) son linealmente independientes. Veamos que la única combinación lineal de los vectores que da por resultado el vector nulo es la trivial (todos los coeficientes iguales a cero): \[\;{\alpha _1}.{v_1} + {\alpha _2}.{v_2} = {0_V}\;\;\;\;\;\;\;\;\;\;\;\;\;\left( 1 \right)\] Multiplicamos por \(A\) ambos miembros: \[A\left( {{\alpha _1}.{v_1} + {\alpha _2}.{v_2}} \right) = {0_V}\] Distribuimos: \[{\alpha _1}.A{v_1} + {\alpha _2}.A{v_2} = {0_V}\] Como \({v_1}\) y \({v_2}\) son autovectores es posible escribir: \[{\alpha _1}.{\lambda _1}{v_1} + {\alpha _2}.{\lambda _2}{v_2} = {0_V}\;\;\;\;\;\;\left( 2 \right)\] Ahora multipliquemos los dos miembros de la ecuación \(\left( 1 \right)\) por \({\lambda _1}\) : \[{\alpha _1}{\lambda _1}.{v_1} + {\alpha _2}.{\lambda _1}{v_2} = {0_V}\;\;\;\;\;\;\;\left( 3 \right)\] Y restando \(\left( 2 \right) – \left( 3 \right)\) obtenemos: Como \({\lambda _1} \ne {\lambda _2}\;\) por hipótesis entonces su diferencia no puede ser nula. Como \({v_2}\) es un autovector, no puede ser el vector nulo. Entonces: \[{\alpha _2} = 0\] Pero para demostrar que son linealmente independientes, nos falta ver que \({\alpha _1} = 0\). Sabiendo que \({\alpha _2} = 0\) vamos a \(\left( 1 \right)\): \[{\alpha _1}.{v_1} = {0_V} \Rightarrow {\alpha _1} = 0\] Y si \({\alpha _1} = {\alpha _2} = 0\) demostramos que \(\left\{ {{v_1},{v_2}} \right\}\) es linealmente independiente. O sea los autovectores que están en autoespacios diferentes son linealmente independientes.

Definición de autoespacio

Si \(\lambda \) es un autovalor de \(A\), se denomina autoespacio \({S_\lambda }\) al subespacio que contiene todos los autovectores asociados al autovalor \(\lambda \) y además el vector nulo. \[{S_\lambda } = \left\{ {v \in {\mathbb{R}^{n \times 1}}|\;Av = \lambda v} \right\} = \left\{ {v \in {\mathbb{R}^{n \times 1}}|\left( {A – \lambda I} \right)v = {0_V}} \right\}\]

Ejercicio para el lector 2

Sea \(A = \left( {{A_1}\;\;\;{A_2}\;\;\;{A_3}} \right) \in {\mathbb{R}^{3 \times 3}}\) con: \[{A_1} = \left( {\begin{array}{*{20}{c}}1\\{\begin{array}{*{20}{c}}2\\3\end{array}}\end{array}} \right)\;\;\;\;{\rm{y\;\;\;\;\;}}{{\rm{A}}_2} = \left( {\begin{array}{*{20}{c}}{\begin{array}{*{20}{c}}1\\1\end{array}}\\0\end{array}} \right)\]

a) Hallar \({A_3}\) para que \(v = \left( {\begin{array}{*{20}{c}}{\begin{array}{*{20}{c}}0\\1\end{array}}\\{ – 1}\end{array}} \right)\) sea autovector de \(A\) asociado a \(\lambda = 2\).

b) Hallar los restantes autovalores y autoespacios de \(A\).

Videos relacionados con Autovalores y Autovectores

 

Artículos relacionados:

  • Información sobre el curso segundo cuatrimesre 2020
  • Información sobre el curso de verano 2021
  • Información sobre el curso primer cuatrimesre 2021

Archivado en:Aplicaciones de la diagonalización, Parte 2

Interacciones con los lectores

Comentarios

  1. Irina dice

    16 septiembre, 2017 en 5:34 pm

    La información me resulto muy útil y sencilla, para un repaso rápido de Autovalores y Autovectores.

  2. Federico Gómez dice

    18 septiembre, 2017 en 3:56 pm

    Buenísimo 🙂

  3. Alberto Sánchez-Reyes González dice

    23 enero, 2018 en 7:59 am

    Muy bien explicado y muy claro todo. Muchas gracias.

  4. pablo dice

    7 febrero, 2018 en 7:21 pm

    Muy buen repaso. Muy claros los conceptos

  5. dng dice

    1 abril, 2018 en 1:47 pm

    Muy clara la manera de explicar que es lo importante, quizá tienen explicaciones así de sistemas de ec,diferenciales

  6. Manuel dice

    23 julio, 2018 en 7:18 am

    Agradecido por un contenido tan claro y conciso para un repaso de estos temas de álgebra con mucha aplicación a la vida real ( inestabilidad elástica global de estructuras).
    Un saludo

  7. José dice

    19 noviembre, 2018 en 1:38 pm

    Hola, en el primer ejemplo S2 es igual a (2,-1), no debería ser (1,-2) ¿o es lo mismo?

  8. Agustin Barrachina dice

    17 diciembre, 2018 en 5:37 am

    Muy buena página!

  9. Alcides Montoya dice

    11 agosto, 2020 en 11:46 am

    Cordial saludo: Estoy escribiendo unas notas sobre computación cuántica y este ejemplo me ha gustado mucho, ¿Puedo pedir su autorización para usarlo en mis notas poniendo los respectivos créditos? Les agradezco me lo hagan saber, porque es genial la explicación.
    Cordialmente,
    Profesor Alcides Montoya C. Ph.d
    Escuela de Física, Universidad Nacional de Colombia Sede Medellín

Deja una respuesta Cancelar la respuesta

Lo siento, debes estar conectado para publicar un comentario.

Barra lateral primaria

Actualizaciones recientes

  • Primer Parcial Resuelto de AGA [13-09-2019]
  • Segundo Parcial Resuelto de AGA [21-06-2019]
  • Segundo Parcial Resuelto de AGA [10-11-2018]
  • Segundo Parcial Resuelto de AGA [23-06-2018]
  • Primer Parcial Resuelto de AGA [05-05-2018]

Comentarios recientes

  • FEDERICO en Introducción a vectores en R3
  • Julián Oter en Diagonalización ortogonal de matrices simétricas
  • Alan en Producto escalar en R3
  • RONY en Hipérbola
  • YANIS YULEISI PENATA BENITEZ en Espacios y subespacios vectoriales

Archivos

  • septiembre 2019
  • junio 2019
  • noviembre 2018
  • julio 2018
  • mayo 2018
  • noviembre 2017
  • septiembre 2017
  • junio 2017
  • abril 2017
  • diciembre 2016
  • noviembre 2016
  • octubre 2016
  • septiembre 2016
  • agosto 2016

Categorías

  • Aplicaciones de la diagonalización
  • Autovalores y autovectores
  • Cónicas, parametrización y superficies cuádricas
  • Espacios vectoriales
  • Matrices y determinantes
  • Números complejos
  • Parte 1
  • Parte 2
  • Primer parcial resuelto
  • Segundo parcial resuelto
  • Sin categoría
  • Sistemas de ecuaciones
  • Transformaciones lineales
  • Vectores, recta y plano.

Descarga de PDFs

  • PDF Unidad 1
  • PDF Unidad 1
  • PDF Unidad 2
  • PDF Unidad 2
  • PDF Unidad 3
  • PDF Unidad 3
  • PDF Unidad 4
  • PDF Unidad 4
  • PDF Unidad 5
  • PDF Unidad 5
  • PDF Unidad 6
  • PDF Unidad 6
  • PDF Unidad 7
  • PDF Unidad 7
  • PDF Unidad 8
  • PDF Unidad 8
  • PDF Unidad 9
  • PDF Unidad 9

Unidad 3

Espacios vectoriales

En las unidades anteriores vimos que el álgebra de vectores y el álgebra de matrices presentan similitudes. Pudimos observar que las propiedades de la suma (de vectores o de matrices) y del producto por un escalar son idénticas en ambos conjuntos.

En esta unidad, generalizaremos el concepto de vector a partir de estas propiedades en común que hemos señalado para vectores geométricos y matrices.

Las siguientes preguntas nos ayudarán a focalizar el eje de esta unidad:

¿En qué se parecen los vectores geométricos, las matrices y los polinomios? ¿Qué propiedades comunes pueden detectarse en estos objetos de diferente naturaleza y variadas aplicaciones?

De esto se trata nuestra tercera unidad, donde se desarrollan conceptos centrales del álgebra lineal: espacios vectoriales, base, dimensión y coordenadas, entre otros.

Empezar Unidad 3

Footer

Buscá en el sitio

Comentarios recientes

  • FEDERICO en Introducción a vectores en R3
  • Julián Oter en Diagonalización ortogonal de matrices simétricas
  • Alan en Producto escalar en R3
  • RONY en Hipérbola
  • YANIS YULEISI PENATA BENITEZ en Espacios y subespacios vectoriales

Realizado en UTN FRBA

UDB Matemática – Ciencias Básicas – Secretaría Académica

Licencia Creative Commons

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución – No Comercial – Sin Obra Derivada 4.0 Internacional.

Los gifs

Los GIFs del material teórico

Archivos

  • septiembre 2019
  • junio 2019
  • noviembre 2018
  • julio 2018
  • mayo 2018
  • noviembre 2017
  • septiembre 2017
  • junio 2017
  • abril 2017
  • diciembre 2016
  • noviembre 2016
  • octubre 2016
  • septiembre 2016
  • agosto 2016

Descargas en PDF

  • PDF Unidad 1
  • PDF Unidad 1
  • PDF Unidad 2
  • PDF Unidad 2
  • PDF Unidad 3
  • PDF Unidad 3
  • PDF Unidad 4
  • PDF Unidad 4
  • PDF Unidad 5
  • PDF Unidad 5
  • PDF Unidad 6
  • PDF Unidad 6
  • PDF Unidad 7
  • PDF Unidad 7
  • PDF Unidad 8
  • PDF Unidad 8
  • PDF Unidad 9
  • PDF Unidad 9

Webs relacionadas

Proba Fácil con contenidos de probabilidad y estadística

  • Parte 1
    • Vectores, recta y plano
      • Introducción a vectores en R3
      • Producto escalar en R3
      • Producto vectorial y mixto
      • Ecuaciones del plano
      • Ángulos y distancias
      • Haz de planos
      • Recta en ({mathbb{R}^3})
      • Recta y plano: intersecciones y ángulos
      • Distancias y proyecciones
    • Matrices y determinantes
      • Matrices
      • Determinante de una matriz
      • Matrices y sistemas de ecuaciones lineales
    • Espacios vectoriales
      • Espacios y subespacios vectoriales
      • Conjunto generador. LI y LD. Base. Dimensión.
      • Operaciones con subespacios
    • Sistemas de ecuaciones
      • Rango y sistemas de ecuaciones lineales
      • Relaciones entre soluciones de AX=B y AX=0. Variables libres.
  • Parte 2
    • Transformaciones lineales
      • Definición y propiedades de las transformaciones lineales
      • Núcleo e imagen. Clasificación de las transformaciones lineales.
      • Teorema fundamental de las transformaciones lineales
      • Matriz asociada a una transformación lineal
      • Composición e inversa de transformaciones lineales
      • Matriz de cambio de base
    • Autovalores y autovectores
      • Autovalores y autovectores: definiciones y propiedades
      • Multiplicidades algebraica y geométrica de un autovalor
      • Matrices semejantes
      • Diagonalización de una matriz
      • Diagonalización ortogonal de matrices simétricas
      • Diagonalización de una transformación lineal
    • Cónicas, parametrización y superficies cuádricas
      • Introducción a cónicas
      • Circunferencia
      • Parábola
      • Elipse
      • Hipérbola
      • Ecuaciones paramétricas de las cónicas (circunferencia, elipse, parábola e hipérbola)
    • Aplicaciones de la diagonalización
      • Potencias de una matriz diagonalizable
      • Rototraslación de cónicas
    • Números complejos
      • Definición y operaciones de números complejos en forma binómica
      • Operaciones en forma trigonométrica y exponencial
      • Radicación de números complejos
      • Regiones del plano complejo
  • Exámenes
    • Parciales
      • Parcial 1
        • 24-05-2015
        • 12-02-2016
        • 22-04-2017
        • 09-09-2017
        • 05-05-2018
        • 13-09-2019
      • Parcial 2
        • 21-06-2019
        • 10-11-2018
        • 23-06-2018
        • 04-11-2017
        • 10-06-2017
        • 13-06-2015
        • 31-10-2015
    • Finales
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error

Copyright © 2023 · Digital Pro On Genesis Framework · WordPress · Iniciar sesión

  • Parte 1
  • Parte 2
  • Exámenes
  • Info 2021 (primer cuatrimestre)
  • Contactanos!
  • Reportá un error