domingo, septiembre 18, 2005

TEMA 5 : ESPACIOS VECTORIALES-ESPACIOS CON PRODUCTO INTERNO-ORTOGONALIDAD

FECHA DE PRESENTACION: 25/08

A-EJERCICIO DE ELABORACION TEORICA
1-DESARROLLE LOS SIGUIENTES SUBTEMAS, UTILIZANDO PARA SU PRESENTACION ALGUN DISPOSITIVO TECNOLOGICO

Estructura fundamental del Espacio Vectorial y presentacion de ejemplos
Subespacio vectorial, propiedades y ejemplos
Combinaciones lineales, dependencia e independencia lineal, base y dimension
Ecuaciones lineales y espacios vectoriales
Isomorfismo entre V y Kn
Cambio de base
Propiedades del producto interno
Aplicaciones de la desigualdad de Cauchy-Schwarz
Ortogonalidad
Conjuntos ortogonales-Bases y proyecciones
Ortogonalizacion
Matrices vinvuladas con espacios con producto interno
Espacios complejos-Espacios normados-Normas importantes en Rn y Cn

B-EJERCICIOS DE APLICACION

1-VINCULE CONCEPTUALMENTE Y/O FUNCIONALMENTE Y/O OPERATIVAMENTE LOS SUBTEMAS INDICADOS(explique puntualmente la forma en que los relaciona)
2-RESUELVA LA EJERCITACION PROPUESTA EN EL MATERIAL ENTREGADO
3-INVESTIGUE Y SINTETICE EL CONTENIDO DE LOS LINKS RECOMENDADOS


ESPACIOS VECTORIALES

Sea K un cuerpo dado y V un conjunto no vacío, con reglas de suma y producto por un escalar que asignan a cada par u, v Є V una suma u + v Є V y a cada par u Є V, k Є K un producto ku Є V. V recibe el nombre de espacio vectorial sobre K (y los elementos de V se llaman vectores) si se satisfacen los siguientes axiomas:

A1) Para toda terna de vectores u, v, w Є V, (u + v) + w = u + (v + w)
A2) Existe un vector en V denotado por 0 y denominado el vector cero, tal que u + 0 = u, para todo vector u Є V.
A3)Para todo vector u Є V existe un único vector en V, denotado por –u, tal que u + (-u) = 0.
A4) Para todo par de vectores u, v Є V, u + v = v + u.
AI) Para todo escalar k Є K y todo par de vectores u, v Є V, k(u + v) = ku + kv
AII) Para todo par de escalares a, b Є K y todo vector u Є V, (a + b).u = au + bu
AIII) Para todo par de escalares a, b Є K y todo vector u Є V, (ab).u = a. (bu)
AIV) El escalar unidad 1 Є K cumple 1 . u = u para todo vector u Є V.

De los cuatro primeros axiomas, se deduce que la estructura aditiva de V es un grupo conmutativo. Mientras que los cuatro axiomas restantes se refieren a la acción del cuerpo K sobre V.

TEOREMA: Sea V un espacio vectorial sobre un cuerpo K
i) Para todo escalar k Є K y 0 Є V, k.0 = 0
ii) Para 0 Є K y todo vector u Є V, 0.u = 0.
iii) Si k.u = 0, donde k Є K y u Є V, entonces k = 0 o u = 0.
iv) Para todo escalar k Є K y u Є V, (-k).u = k. (-u) = -ku
EJEMPLOS DE ESPACIOS VECTORIALES
ESPACIOS Kn

Sea K un cuerpo arbitrario. La notación Kn se usa frecuentemente para designar el conjunto de todas las n-uplas de elementos de K. Aquí Kn se ve como un espacio vectorial sobre K, en el que la suma vectorial y el producto por un escalar se definen según:

( a1 , a2 , …….., an ) + ( b1 , b2 ,……….. bn ) = (a1 + b1 , a2 + b2 ,…….. an + bn)

K(a1 , a2 , …….., an ) = (ka1 , ka2 , …….., kan).

El vector cero en Kn es la n-uplas de ceros.

0 = (0, 0, 0,…………..,0 )

Y el opuesto de un vector se define por:

- ( a1 , a2 , …….., an) = (- a1 , - a2 , …….., - an)

Kn es un espacio vectorial, que ahora puede considerarse como la afirmación de que Rn , con las operaciones allí definidas, es un espacio vectorial sobre R.

ESPACIOS DE MATRICES Mm,n

M es el conjunto de todas las matrices m x n sobre un cuerpo arbitrario K. Mm,n es un espacio vectorial sobre K con respecto a las operaciones usuales de suma matricial y producto por un escalar.

ESPACIOS DE POLINOMIOS P (t)

Denotamos por P (t) el conjunto de todos los polinomios con coeficientes a1 en algún cuerpo K.

a0 + a1 t + a2 t2 + …..+ an tn
P (t) es un espacio vectorial sobre K con respecto a las operaciones usuales de la suma de polinomios y producto de un polinomio por una constante.

ESPACIO FE FUNCIONES F(x)

Sean X un conjunto no vacío y K un cuerpo arbitrario. Consideremos el conjunto F(x) de todas las funciones de X en K (Nótese que F(x) es no vacío por serlo X). La suma de dos funciones f, g Є F(x) es la función f + g Є F(x) definida por

(f + g)(x) = f(x) + g(x) para todo x ЄX
y el producto de un escalar k Є K por una función f Є F(x) es la función k f Є F(x) definida por
(k f)(x) = k f (x) para todo x Є X

F(x),con las operaciones anteriores, es un espacio vectorial sobre K.


SUBESPACIOS

Sea W un subconjunto de un espacio vectorial V sobre un cuerpo K. W se denomina un subespacio de V si es a su vez un espacio vectorial sobre K con respecto a las operaciones de V, suma vectorial y producto por un escalar. Un criterio simple para identificar subespacios es el siguiente:
Teorema: Supongamos que W es un subconjunto del espacio vectorial V. Entonces W es un subespacio de V si y solo si se cumple:
I) 0 Є W
II) W es cerrado bajo la suma de vectores, es decir: Para todo par de vectores u, v Є W, la suma u + v Є W
III) W es cerrado bajo el producto por un escalar, esto es: Para todo u Є W y para todo k Є K el múltiplo ku Є W.

EJEMPLOS 1

a) Sea V cualquier espacio vectorial. Entonces, tanto el conjunto {0}, que consiste en el vector cero solo, como el espacio V entero son subespacios de V.
b) Sea W el plano xy en R3 consistente en aquellos vectores cuya tercera componente es 0; o, en otras palabras, W = {(a, b, 0): a, b Є R}. Nótese que 0 = {0, 0, 0)} Є W ya que la tercera componente de 0 es 0.
Para todo par de vectores u = (a, b, 0) y v = (c, d, 0) en W y todo escalar k Є R tenemos que
U + v = (a + c, b + d, 0) y ku = ( ka, kb, 0)
Pertenecen a W, luego W es un subespacio de R3 .

c) Sea V = Mm,n el espacio de las matrices n x n. El subconjunto W1 de las matrices triangulares (superiores) y el W2 de las matrices simétricas son subespacios de V puesto que son no vacíos y cerrados bajo la suma de matrices y el producto por un escalar.
d) P(t) denota el espacio vectorial de los polinomios. Denotamos por Pn(t) el subconjunto de P(t) que consiste en todos los polinomios de grado ≤ n, para un n fijo. En ese caso, Pn(t) es un subespacio de P(t).















EJEMPLO 2

Sean U y W subespacios de un espacio vectorial V. Probemos que la intersección U∩W es también subespacio de V. Claramente, 0 Є U y 0 Є W, porque U y W son subespacios, de donde 0 Є U∩W. Supongamos ahora que u, v Є U∩W. Entonces u, v Є U y u, v Є W y, dado que U y W son subespacios,
U + v, ku Є U y u + v, ku Є W
Para cualquier escalar k. Así u + v, ku Є U∩W y por consiguiente U∩W es un subespacio de V.


Teorema: La intersección de cualquier número de subespacios de un espacio vectorial V es un subespacio de V.

Recuérdese que toda solución de un sistema de ecuaciones lineales con n incógnitas AX = B puede verse como un punto en Kn y por tanto el conjunto solución de tal sistema es un subconjunto de Kn . Supongamos que tal sistema es homogéneo, es decir, supongamos que el sistema tiene la forma AX = 0. Denotamos por W su conjunto solución. Como A0 = 0, el vector cero 0 Є W. Además, si u y v Є W, esto es, si u y v son soluciones de AX = 0, necesariamente Au = 0 y Av = 0. Por esta razón, para todo par de escalares a y b en K, tendremos:
A(au + bv) = a Au + b Av = a0 + b0 = 0 + 0 = 0

De esta manera, au + bv es también una solución de AX = 0 o, dicho de otro modo, au + bv Є W.

Teorema: El conjunto solución W de un sistema homogéneo con n incógnitas AX = 0 es un subespacio de Kn.
El conjunto solución de un sistema inhomogéneo AX = B no es un subespacio de Kn porque el vector 0 no pertenece a dicho conjunto solución

COMBINACIONES LINEALES. ENVOLVENTES LINEALES

Sean V un espacio vectorial sobre un cuerpo K y v1, v2 , …, vm Є V. pertenece a dicho conjunto solución.

vm Є V. Cualquier vector en V de la forma:
a1v1 + a2 v2 + …+ amvm
donde los ai Є K, recibe el nombre de combinación lineal de v1, v2, …, vm.. El conjunto de todas las combinaciones lineales semejantes , denotado por
lin (v1, v2, …, vm)
se denomina envolvente lineal de v1, v2, …, vm.
En general, para cualquier subconjunto S de V, lin S = {0} si S es vacío y lin S consiste en todas las combinaciones lineales de vectores de S.

Teorema: Sea S un subconjunto de un espacio vectorial V.

I) Entonces lin S es un subespacio de de V que contiene a S.
II) Si W es un subespacio de V que contiene a S, necesariamente lin S esta incluido en W.

Por otra parte, dado un espacio vectorial V, se dice que los vectores v1, v2, …, vr generan o forman un conjunto generador de V si

V = lin (v1, v2, …, vr)

En otras palabras, v1, v2, …, vr generan V si, para todo v Є V, existen a1 , a2 , …….., ar tales que
v = a1u1 + a2 u2 + …+ arur
esto es, si v es una combinación lineal de v1, v2, …, vr.

Espacio fila de una matriz


Sea A una matriz de m x n sobre un cuerpo K arbitraria:
A=
Las filas de A
R1 = ( a11, a12 , …, a1n ), …, Rm = (am1, am2 , …, amn )
Pueden verse como vectores en Kn y por tanto generan un subespacio de Kn llamado espacio fila de A y denotado por f-lin A. Esto es,
f-lin A = lin (R1, R2, …, Rm )
Analogamente, las columnas de A pueden verse como vectores en Kn y por consiguiente generan un subespacio de Kn denominado el espacio columna de A. Alternativamente, c-lin A = f-lin At.





DEPENDENCIA E INDEPENDENCIA LINEAL

Sea V un espacio vectorial sobre un cuerpo K. Se dice que los vectores v1, v2, …, vm Є V son linealmente dependientes sobre K, o simplemente dependientes, si existen vectores a1 , a2 , …….., am Є K, no todos 0, tales que
a1u1 + a2 u2 + …+ amum = 0
En caso contrario se dice que los vectores son linealmente independientes sobre K, o simplemente independientes.

Observemos la relación (*) se verificará siempre si los ai son todos 0. Si la relación solo se verifica en este caso, es decir,
a1u1 + a2 u2 + …+ amum = 0 implica a1 = 0, …, am = 0
los vectores serán linealmente independientes. Sin embargo, si (*) también es válida cuando uno de los ai no es 0, los vectores serán linealmente dependientes.
Se dice que un conjunto { v1, v2, …, vm } de vectores es linealmente dependiente o independiente según lo sean los vectores v1, v2, …, vm. Un conjunto infinito S de vectores es linealmente dependiente se existen vectores v1, v2, …, vk en S que lo son; en caso contrario, S es linealmente independiente.
Las siguientes observaciones derivan de las definiciones precedentes.
Nota 1: Si 0 es uno de los vectores v1, v2, …, vm, digamos v1 = 0, los vectores deben ser linealmente dependientes, ya que
1v1 +0 v2 +, …+ 0 vm = 1 . 0 + 0 + … + 0 = 0
Y el coeficiente de v1 distinto de 0.
Nota 2: Cualquier vector no nulo v es por si solo linealmente independiente, debido a que kv = 0, v ≠ 0 implica k = 0
Nota 3: Si dos de los vectores v1, v2, …, vm son iguales, o si uno es múltiplo escalar de otro, digamos v1 = k v2, los vectores son linealmente dependientes, puesto que
v1 - k v2 + 0 v3 + … + 0 vm = 0
y el coeficiente de v1 no es 0.
Nota 4: Dos vectores v1 y v2 son linealmente dependientes si y solo si uno de ellos es múltiplo del otro.
Nota 5: Si el conjunto {v1, v2, …, vm}es linealmente independiente, cualquier reordenación de los vectores {vi, v i2, …, v im}también lo es.
Nota 6: Si un conjunto S de vectores es linealmente independiente, necesariamente lo es cualquier subconjunto de S. Alternativamente, si S contiene un subconjunto linealmente dependiente, S es linealmente dependiente.












BASES Y DIMENSIÓN

Comenzamos estableciendo dos caminos equivalentes para definir una base de un espacio vectorial V.

Definición A: Un conjunto S = {v1, v2, …, vn}de vectores es una base de V si se verifican las dos condiciones:
1. v1, v2, …, vn son linealmente independientes
2. v1, v2, …, vn generan V.

Definición B: Un conjunto S = {v1, v2, …, vn}de vectores es una base de V si todo vector v Є V puede escribirse de forma única como combinación lineal de sus vectores.

Se dice que un espacio vectorial V es de dimensión finita n o que es n-dimensional, escrito Dim V = n si V tiene una base como la anterior, con n elementos.

Teorema: Sea V un espacio vectorial de dimensión finita. Entonces, todas las bases de V tienen el mismo número de elementos.
El espacio vectorial {0}tiene dimensión cero, por definición. Cuando un espacio vectorial no es de dimensión finita, se dice que es de dimensión infinita.

Lema: Supongamos que un conjunto{v1, v2, …, vn}generan V y que {w1,w2, …, wm}es linealmente independiente. En ese caso, m ≤ n y V está generado por un conjunto de la forma
{w1,…, wm, vi1, …, vin-m}
Asi, en particular, n + 1 o más vectores en V son linealmente independientes.

Teorema: Sea V un espacio vectorial de dimensión finita m

i) n + 1 o más vectores en V son linealmente independientes.
ii) Todo conjunto linealmente independiente S = {v1, v2, …, vn}, con n elementos, es una base de V.
iii) Todo conjunto generador T = {v1, v2, …, vn}de V, con n elementos, es una base de V.
Teorema: Supongamos que S genera un espacio vectorial V.

i) Cualquier número máximo de vectores dependientes en S es una base de V.
ii) Si se suprime S, todo vector que sea combinación lineal de los precedentes, los vectores que quedan constituyen una base V.
Teorema: Sea V un espacio vectorial de dimensión finita y U = {u1,u2, …, ur} un conjunto de vectores linealmente independientes en V. En ese caso, S es parte de una base de V, es decir, S puede extenderse a una base de V.

EJEMPLO: Consideremos en R4 los cuatro vectores:
(1, 1, 1, 1) (0, 0, 0, 1) (0, 0, 1, 1) (0, 0, 0, 1)
Nótese que los vectores formarán una matriz escalonada por lo que son linealmente independientes.
Más aún, dado que Dim R4 , los vectores constituyen una base de R4 .

Teorema: Sea W un subespacio de un espacio n-dimensional V. entonces, dim W≤ n. Si, en particular, Dim W = n, necesariamente W = V.



ALGORITMOS PARA HALLAR BASES

Supongamos que nos dan los vectores u1, u2,…….,ur en Kn . Sea

W = lin ( u1, u2,…….,ur )

El subespacio de Kn generados por dichos vectores. Cada uno de los algoritmos expuestos abajo determinan una base ( y por ende la dimensión) de W.

Algoritmo A

1) Construir una matriz A cuyas filas sean los vectores dados.
2) Reducir por filas A a forma escalonada.
3) Extraer las filas no nulas de la matriz escalonada.



Algoritmo B

1) Construir una matriz M cuyas columnas sean los vectores dados.
2) Reducir por filas M a forma escalonada.
3) Para cada columna Ck sin pivote en la matriz escalonada, suprimir (expulsar) el vector vk del conjunto.
4) Extraer los restantes vectores (correspondientes a columnas con pivotes).

















ECUACIONES LINEALES Y ESPACIOS VECTORIALES

Consideremos un sistema de m ecuaciones lineales con n incógnitas x1, ……, xn sobre un cuerpo K :

a11 x1 + a12 x2 +. ………+ a1n xn = b1
a21 x1 + a22 x2 + .………+ a2n xn = b2
………………………………………………………..
am1x1 + am2 x2 + ………+ amn xn = bm

la ecuación matricial equivalente

AX = B


Donde A = (aij ) es la matriz de los coeficientes y X = (xi) y B = (bi) los vectores columnas constituidos por las incógnitas y las constantes, respectivamente. Recordemos que la matriz ampliada del sistema se define como la matriz

( A,B)=

Nota 1: Se dice que las ecuaciones lineales 5.1 son dependientes o independientes según lo sean los vectores correspondientes, esto es, las filas de la matriz ampliada.
Nota 2: Dos sistemas de ecuaciones lineales son equivalentes si y solo si las matrices ampliadas correspondientes son equivales por filas, es decir, tienen el mismo espacio fila.
Nota 3: Siempre podemos reemplazar un sistema de ecuaciones por uno de ecuaciones independientes, como por ejemplo un sistema en forma escalonada. El número de ecuaciones independientes será siempre igual al rango de la matriz ampliada.

Observemos que el sistema 5.1 es también equivalente a la ecuación vectorial


X1 + X 2 + Xn =






Teorema: Las tres afirmaciones siguientes son equivalentes.
b) El sistema de ecuaciones lineales AX = B tiene alguna solución.
c) B es combinación lineal de las columnas de A.
d) La matriz de coeficientes A y la ampliada ( A,B ) tienen el mismo rango.

Recuérdese que una matriz m x n A puede verse como una función A: Kn → Km. Así un vector B pertenecerá a la imagen de A si y solo si la ecuación AX = B tiene una solución. Esto significa que la imagen ( recorrido) de la función A, escrito Im A, es precisamente el espacio columna de A. En consecuencia,

Dim ( Im A ) = Dim (c-lin A) = Rango A

Teorema: La dimensión del espacio solución W del sistema de ecuaciones lineales homogéneo AX = 0 es n – r, donde n es el número de incógnitas y r el rango de la matriz de los coeficientes A.































SUMAS Y SUMAS DIRECTAS

Sean U y W subconjuntos de un espacio vectorial V. La suma de U y W, escrito U + W, consiste en todas las sumas u + w en las que u Є U y w Є W. Esto es,

U + W = { u + w : u Є U, w Є W }

Supongamos ahora que U y W son subespacios de V. Nótese que 0 = 0 + 0 Є U + W, ya que 0 Є U y 0 Є W. Supongamos, además, que u + w y u´ + w´ pertenecen a U + W, con u, u´ Є U y w, w´ Є W. Entonces,

(u + w) + (u´ + w´) = (u + u´) + (w + w´) Є U + W

Y, para todo escalar k,
k(u + w) = ku + k w Є U + W

Así demostramos hemos e siguiente teorema:

Teorema: La suma U + W de los subespacios U y W de V es también subespacio de V.

Teorema: Sean U y W subespacios de dimensión finita de un espacio vectorial V. En ese caso, U + W tiene dimensión finita y

Dim ( U + W) = Dim U + Dim W – Dim (U ∩ W)



SUMA DIRECTAS

Se dice que el espacio vectorial V es la suma directa de sus subespacios U y W, denotado por
V = U W

Si todo vector v Є V puede escribirse de una y solo una forma como v = u + w, con u Є U y w Є W.
Teorema: El espacio vectorial Ves la suma de sus subespacios U y W si y solo si I) V = U + W, II) U ∩ W = {0}.



SUMAS DIRECTAS GENERALES

La noción de suma directa se extiende a más de un sumando de la manera obvia. Esto es, V es la suma directa de los subespacios W1, W2, …, Wr , escrito
W1 W2 … Wr
Si todo vector v Є V puede escribirse de una y solo una forma como
v = w1 + w2 +… + wr
donde w1 Є W1 , w2 Є W2 ,… , wr Є Wr




Teorema: Sea V = W1 W2 … Wr . Además, para cada i, supongamos Si es un subconjunto linealmente independiente de Wi . En tal caso,
a) La unión S = Ui Si es linealmente independiente de V.
b) Si Si es una base de Wi , entonces S = Ui Si es una base de V.
c) Dim V = Dim W1 + Dim W2 + … + Dim Wr .
Teorema Supongamos que V = W1 + W2 + … + Wr (donde V tiene dimensión finita) y que
Dim V = Dim W1 + Dim W2 + … + Dim Wr


Entonces V = W1 W2 … Wr

































COORDENADAS

Sean V un espacio vectorial n-dimensional sobre un cuerpo K y

S = { u1, u2,…….,un}

Una base de V. Cualquier vector v de V puede expresarse de la forma única como combinación lineal de los vectores de la base en S, digamos

V =a1 u1 + a2 u2 +…… + an un

Estos n escalares a1 , a2 , …, an se denominan las coordenadas de v relativas a la base S, y forman la n-pla [a1 , a2 , …, an] en Kn , llamada el vector coordenado de v relativo a S. Denotamos este vector por [v] , cuando S viene dada implícitamente. Asi
[v]s = [a1 , a2 , …, an]
Obsérvese que se utilizan los corchetes […] y no los paréntesis (…) para designar los vectores coordenados.





























ISOMORFISMO ENTRE V Y Kn

Consideremos una base S = { u1, u2,…….,un}de un espacio vectorial V sobre un cuerpo K. Hemos probado con anterioridad que a cada vector v Є V le corresponde una única n-pla [v]s en Kn . Por otra parte, a cada n-pla [c1 , c2 , …, cn] Є Kn le corresponderá el vector c1 u1 + c2 u2 + … + cn un en V. Siendo así, la base S induce una correspondencia uno-a-uno entre los vectores de V y las n-plas de Kn . Más aún, supongamos

v = a1 u1 + a2 u2 + … + an un y w = b1 u1 + b2 u2 + … + bn un
Entonces,

v + w = (a1 + b1 ) u1 + ( a2 + b2 ) u2 + … + (an + bn) un
kv = (k a1 ) u1 + (k a2 ) u2 + … + (k an ) un

Siendo k un escalar. De acuerdo con ello,

[v + w]s = [a1 + b1 , …, an + bn ] = [a1 + … + an ] + [b1 + … + bn] = [v]s + [w]s
[kv]s = [k a1 , k a2 , … , k an] = k [ a1 , a2 , … , an ] = k[v]s

De este modo la correspondencia uno-a-uno anterior, entre V y Kn , conseva las operaciones de suma y producto por un escalar del espacio vectorial. Decimos, en tal caso, que V y Kn son isomorfos, escrito V ≡ Kn .
Teorema: Sea V un espacio vectorial n-dimensional sobre un cuerpo K. Entonces V y Kn son isomorfos.























CAMBIO DE BASE

Es posible representar cada vector de un espacio vectorial V mediante una n-pla, una vez que se ha seleccionado una base S de V. Surge de forma natural la siguiente pregunta: ¿Cómo variará nuestra representación si elegimos otra base? Para responder debemos redefinir algunos términos. Concretamente, supongamos que a1, a2, … , an son las coordenadas de un vector v , relativas a una base S de V. En ese caso representaremos v por su vector columna, denotado y definido por

[v]s = = (a1, a2, … , an)T

Subrayamos el hecho de que en esta sección [v]s es una matriz n x 1 y no simplemente un elemento de Kn .
Supongamos que S = { u1, u2, … , un } es una base del espacio vectorial V y que S´ = { v1, v2, … , vn }es otra. Por ser S base, cada vector de S´ puede escribirse de forma única como combinación lineal de los elementos de S. Por ejemplo,

v1 = c11 u1 + c12 u2 + … + c 1n vn
v2 = c21 u1 + c22 u2 + … + c 2n vn
…………………………………
vn = cn1 u1 + cn2 u2 + … + c nn vn

Denotemos por P la traspuesta de la matriz de coeficientes anterior:

P =


O sea, P = (pij), donde pij = cij . Esta P recibe el nombre de matriz de cambio de base (o el de matriz de transición) desde la “antigua base” S hasta la “nueva base” S´.
Nota: Como los vectores u1, u2, … , un de S´ son linealmente independientes, la matriz P es invertible. De hecho, su inversa P-1 es la matriz de cambio de base desde S´, volviendo a la S.