UNIVERSIDAD DE CARABOBO
FACULTAD DE INGENIERIA
ALGEBRA LINEAL
CAMPUS BÁRBULA
TRABAJO DE ALGEBRA LINEAL
Profesor(a):
Integrantes:
ACOSTA JEANNETTE MONTOYA DELIMAR
C.I:32.096880
Agosto, 2025
1. RANGO DE UNA MATRIZ
El rango de una matriz es el mayor de los órdenes de los menores no
nulos que podemos encontrar en la matriz. Por tanto, el rango no puede
ser mayor al número de filas o de columnas. También se define el rango
de una matriz como el número máximo de filas (o columnas) linealmente
independientes, También, podemos decir que el rango de una
matriz es el orden de la mayor submatriz cuadrada no nula.
A este número se le conoce simplemente como rango de
(matriz ), y se denota por rang
¿Cómo calcular el rango de una matriz por
determinantes?
En general, como el rango es el orden de la mayor submatriz cuadrada
no nula, los pasos a seguir para el cálculo del rango por determinantes
son:
1- Descartamos las filas (o columnas) que cumplan con alguna de las
condiciones:
Todos sus coeficientes son ceros.
Hay dos filas (o columnas) iguales.
Una fila (o columna) es proporcional a otra.
Una fila (o columna) es combinación lineal de otras.
2- Si al menos un elemento de la matriz no es cero su determinante no
será nulo y, por tanto, el rango será mayor o igual a .
3- El rango será mayor o igual a si existe alguna submatriz cuadrada
de orden , tal que su determinante no sea nulo.
4- El rango será mayor o igual a si existe alguna submatriz
cuadrada de orden , tal que su determinante no sea nulo.
5- El rango será mayor o igual a si existe alguna submatriz
cuadrada de orden , tal que su determinante no sea nulo.
De este mismo modo se trabaja para comprobar si tiene rango superior
a , hasta que la submatriz (o las submatrices) del mayor orden posible
tenga (o tengan) determinante nulo.
Ejemplo del cálculo del rango de una matriz por
determinantes
1 Dada la matriz, calcular su rango, rang .
Solución:
De acuerdo a los pasos anteriores podemos realizar lo siguiente.
1 - Suprimimos la tercera columna porque es combinación lineal de las
dos primeras:
.
2- Comprobamos si tiene rango mayor o igual que , para ello se
tiene que cumplir que al menos un elemento de la matriz no sea cero y
por tanto su determinante no será nulo.
3- Tendrá rango mayor o igual que si existe alguna submatriz
cuadrada de orden , tal que su determinante no sea nulo.
4- Tendrá rango mayor o igual que si existe alguna submatriz
cuadrada de orden , tal que su determinante no sea nulo.
Como todos los determinantes de las submatrices son nulos,
tienen rango menor que , por tanto rang .
2- MATRICES SEMEJANTES
Dos matrices cuadradas AA y BB de tamaño n×nn×n se
dicen semejantes (o similares) si existe una matriz
invertible PP (llamada matriz de cambio de base) tal que:
Propiedad de las matrices semejantes
Si A y B son semejantes, tienen el mismo polinomio característico y por
lo tanto, los mismos autovalores.
Demostración
pA(λ)=det(A–λI)
pB(λ)=det(B–λI)
Además sabemos que:
Entonces:
Ejemplo de Matrices Semejantes:
Dadas:
Calculamos:
Hallar Paso 1:
Calcular AP:
Paso 3: Multiplicar
RESULTADO:
3- VALORES Y VECTORES CARACTERÍSTICOS DE UNA
TRANSFORMACIÓN LINEAL
Los valores propios (autovalores) y vectores propios
(autovectores) son conceptos fundamentales en álgebra lineal,
asociados a una transformación lineal T:V→VT:V→V (donde VV es un
espacio vectorial). Estos elementos permiten entender el
comportamiento de TT, especialmente en aplicaciones como
diagonalización, sistemas dinámicos y ecuaciones diferenciales.
1. Definiciones Clave
Valor Propio (Autovalor)
Un escalar λλ (en el campo RR o CC) es un valor propio de si existe un
vector no nulo Si hay un vector no nuv∈Vv∈V tal que:
T(v)=λv
Vector Propio (Autovector)
Un vector v≠0v es un vector propio de T asociado al valor propio λ si
cumple:
T(v)=λvT(v)=λv
2. Cálculo de Valores y Vectores Propios
Dada una matriz A asociada a T en una base, los valores y vectores
propios se calculan así:
Paso 1: Encontrar los valores propios
Se resuelve la ecuación característica:
det(A−λI)=0
donde:
A es la matriz de TT,
I es la matriz identidad,
λ es el valor propio.
Ejemplo:
Dada
su polinomio característico es:
Paso 2: Encontrar los vectores propios
Para cada λ, resolvemos el sistema homogéneo:
(A−λI)v=0
Para λ=1
Para λ=3
Propiedades Importantes
1. Subespacio propio:
El conjunto de todos los vectores propios asociados a un λ (incluyendo 0)
forma un subespacio llamado espacio propio:
Eλ={v∈V∣T(v)=λv}
2. Diagonalización
Sí V tiene una base de vectores propios, entonces T se puede
representar mediante una matriz diagonal D:
donde P es la matriz cuyas columnas son los vectores
propios.
3. Multiplicidad algebraica vs. geométrica :
Multiplicidad algebraica (MA): Número de veces que λ aparece
como raíz del polinomio característico.
Multiplicidad geométrica (MG): Dimensión del espacio propio Eλ
Una matriz es diagonalizable si y solo si MA=MGMA=MG para
todo λ
4- VALORES Y VECTORES CARACTERÍSTICOS DE UNA
MATRIZ
Valor característico (autovalor): Dada una matriz cuadrada A,
un escalar λ es un valor característico si existe un vector no
nulo v tal que:
Av=λv
Vector característico (autovector): El vector v≠0 que satisface
la ecuación anterior se llama vector característico asociado a λ.
Ejemplo:
5- Polinomio característico de una matriz
El polinomio característico de una matriz cuadrada A de tamaño n×n
es un polinomio de grado n en la variable λ, definido como:
p(λ)=det(A−λI)
donde I es la matriz identidad.
Las raíces del polinomio característico son los valores
característicos de A.
Las raíces de este polinomio son los valores característicos de la
matriz A, encontrar estas raíces es el primer paso para determinar los
vectores característicos.
Ejemplo:
Para el polinomio característico es:
Sus raíces son λ=3λ=3 y λ=1λ=1
5- DIAGONALIZACIÓN DE MATRICES
Una matriz A es diagonalizable si existe una matriz invertible P y una
matriz diagonal DD tal que:
Las columnas de P son los autovectores de A, y D contiene los
autovalores correspondientes.
Condición para diagonalización: A debe tener n autovectores linealmente
independientes (es decir, es diagonalizable si y solo si su multiplicidad
algebraica y geométrica coinciden para cada autovalor).
Ejemplo:
Para
usando sus
autovectores y autovalores:
y se cumple
6- ESPACIOS VECTORIALES CON PRODUCTO
INTERNO
Un producto interno es una función ⟨⋅,⋅⟩⟨⋅,⋅⟩ que asigna a cada par de
vectores u,vu,v un escalar, cumpliendo:
1. Linealidad: ⟨au+bv,w⟩=a⟨u,w⟩+b⟨v,w⟩
2. Simetría: ⟨u,v⟩=⟨v,u⟩ (en espacios reales).
3. Positividad: ⟨u,u⟩≥0, y ⟨u,u⟩=0 si y solo si u=0u=0.
Ejemplo:
En El producto punto estándar:
⟨u,v⟩=u⋅v=u1v1+⋯+unvn
⟨u ,v⟩=u⋅v=u1v1+⋯+unvn
7- Producto escalar de vectores
Es un caso particular de producto interno en RnRn, definido como:
También se puede escribir como
Propiedades:
u⋅v=v⋅u
u⋅(v+w)=u⋅v+u⋅w
8- Bases ortogonales y ortonormales
Base ortogonal: Un conjunto de vectores es ortogonal si todos los
pares de vectores distintos son perpendiculares, es decir, ⟨vi,vj⟩=0
para i≠ji
Base ortonormal: Es una base ortogonal donde además todos los
vectores tienen norma 1 (∥vi∥=1).
Ejemplo:
En la base canónica {(1,0),(0,1)} es ortonormal. Otro
ejemplo es
9- Mínimos
cuadrados
El método de mínimos cuadrados es una técnica de optimización que
se usa para encontrar la "mejor" solución aproximada a un sistema de
ecuaciones lineales inconsistente (es decir, que no tiene una solución
exacta). Su objetivo es minimizar la suma de los cuadrados de las
distancias entre los valores observados y los valores predichos por el
modelo.
La solución de mínimos cuadrados para el sistema Ax=b es el vector x^
que minimiza la norma del residuo ∥b−Ax^∥. Este vector se puede
encontrar resolviendo el sistema de ecuaciones normales:
Ejemplo:
Para ajustar una línea y=ax+b a puntos (xi,yi), se resuelve: