Algebra Lineal

Jorge Luis Arocha

versi n compilada el o 31 de enero de 2012

Jorge Luis Arocha P rez e Instituto de Matem ticas a Universidad Nacional Aut noma de M xico o e M xico D.F. 04510 e

BibTeX: @textbook{ArochaLA AUTHOR = {Arocha, Jorge L.} TITLE = {\Algebra Lineal} YEAR = {2011} NOTE = {Available at combinatoria.matem.unam.mx} }

Mathematics Subject Classication 2000: 0001, 1201, 1501

c 2011 Jorge Luis Arocha P rez e Permitida la reproducci n para uso individual y no comercial. o Todos los dem s derechos est n reservados. a a

Introducci n o
Este libro lo escrib como texto b sico para el curso de Algebra Lineal para estudiantes a de Licenciatura que he impartido por muchos a os en la Facultad de Ciencias de la Univer n sidad Nacional Aut noma de M xico. o e Se presupone que los estudiantes hayan cursado ya las materias de Algebra superior y Geometra Analtica o sea tengan ciertos conocimientos sobre matrices, vectores, polino mios, n meros complejos, etc. u El objetivo es desarrollar el algebra lineal sobre campos arbitrarios pero se hace enfasis en los reales, los complejos y los residuos m dulo un n mero primo. Despu s de una intro o u e ducci n corta a la teora de campos se estudian los espacios vectoriales, las transformaciones o lineales, los determinantes y nalmente los teoremas de descomposici n de operadores. o Por ahora, este libro no contiene pr cticamente nada de transformaciones bilineales, pro a ductos escalares, espacios duales, ortogonalidad, tensores etc. En mis planes est escribir a una segunda parte o aumentar este libro con captulos sobre estos temas. El material que comprende este libro es demasiado para un semestre y usualmente yo imparto en un semestre de los captulos IIV aquellas secciones que no est n marcadas a como avanzadas. Un segundo semestre podra comenzar con las secciones de polinomios so bre campos, continuar con la descomposici n de operadores lineales y terminar con aquellos o temas que ya se al , faltan aqu. Otras secciones las escrib porque me parecieron un buen n e material de lectura complementaria para los alumnos curiosos. Este libro es inusualmente colorido y visualmente agresivo. La raz n de esto es que o cuando estaba en el papel de alumno yo prefera estudiar por las libretas de notas de mis compa eras de clase. Se me haca muy f cil memorizar la imagen completa de una p gina n a a llena de rayas, ores, corazones etc. y dentro de todo esto, las matem ticas. La idea es que a cada p gina luzca visualmente diferente. He tratado dentro de lo posible, lograr esto. a Los caracteres de matem ticas est n en un color diferente. El texto y las secciones avan a a zadas est n marcados con un birrete. Uso unos lentes para marcar aquello que el lector no a debe dejar pasar. Errores comunas que cometen los que no est n familiarizados con el mate a rial est n marcados con calaveras. Los teoremas est n resaltados visualmente, etc. a a Se incluyen m s de un centenar de ejercicios. Los ejercicios m s notables consisten en a a material adicional que un estudiante de matem ticas o fsica debe conocer tarde o temprano. a Las soluciones de los ejercicios no rutinarios se dan al nal del libro. He compilado un glosario de t rminos que es a la vez un ndice del libro y un diccionario e de los conceptos introducidos y/o usados. Finalmente, incluyo una gua de estudio. De esta gua yo escojo las preguntas para los ex menes. Esto representa una ventaja enorme para los estudiantes ya que una de las dicul a tades m s importantes de ser estudiante es comprender que es lo que se espera de ellos. a Jorge Arocha M xico D.F. Diciembre de 2010 e

IV

Captulo 1 Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 Operaciones binarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Conmutatividad (3). Asociatividad (3). Elementos neutros (4). Elementos inversos (5). Distributividad (5). El algebra abstracta(5).

1 1 6 10 14 16 19 22 25 25 26

1.2 N meros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . u
Naturales (6). Enteros (6). Grupos (7). Anillos (7). Racionales (8). Reales (8). Com plejos (9).

1.3 Morsmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Morsmos de grupos (10). Morsmos de anillos (11). Isomorsmos (12). Composi ci n de morsmos (13). o

1.4 Campos de restos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El anillo de los enteros m dulo n (14). Dominios de integridad (15). El campo de los o enteros m dulo p (15). o

1.5 Campos primos. Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Campos primos (17). Caracterstica (18).

1.6 Aritm tica de campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e

M ltiplos y exponentes enteros (19). Asociatividad general (19). Distributividad gene u ral (20). F rmula multinomial (20). La expansi n de ij (21). o o

*1.7 Anillos con divisi n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

Quaterniones (22). Caso nito (24).

Captulo 2 Espacios vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 El plano cartesiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Denici n y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

El espacio de nadas Kn (27). El espacio de polinomios K [x] (28). El espacio de sucesiones K (28). El espacio de series K [[x]] (28). El espacio de funciones KN (29). El espacio de Nadas KN (29). El espacio de Nadas con soporte nito K{N } (30). Subcampos (30). El espacio de Nadas de vectores EN (30). El espacio de NM matrices KN M (31). El espacio de tensores (32). Uni n e intersecci n de subespacios (33). Combinaciones lineales (33). Cerradura li o o neal (34).

2.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32 35 42 46

Conjuntos generadores (36). Conjuntos linealmente independientes (36). Bases (38). Dimensi n (39). Bases can nicas (41). o o

2.5 Clasicaci n de espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

Isomorsmos lineales (42). Coordinatizaci n (44). Clasicaci n (44). Campos de Ga o o lois (45). Como pensar en espacios vectoriales (45).

2.6 Suma de subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

VI

Contenido
Subespacios de Rn (46). Suma de conjuntos y subespacios (47). La igualdad modular (47). Suma directa (49). Isomorsmo can nico entre la suma y la suma directa. (49). o Subespacios complementarios (50). Espacios vectoriales versus conjuntos (51).

2.7 Espacios cocientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Subespacios anes (52). El espacio cociente (53). El isomorsmo con los complemen tarios (54).

52 55 59

*2.8 El espacio afn. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

La regla del paralelogramo (56). Cerradura afn (56). Generadores e independencia (57). Bases anes (57).

*2.9 El caso de dimensi n innita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

El Lema de Zorn (59). Existencia de bases (59). Cardinales (60). Equicardinalidad de las bases (60).

Captulo 3 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 Denici n y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

Imagenes de subespacios (63). Homotecias (64). Inmersiones (65). Proyecciones (65).

63 63 66

3.2 Operaciones entre transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El espacio vectorial de las transformaciones lineales (67). Composici n de transfor o maciones lineales (67). El algebra de operadores lineales (68). El grupo general lineal (69).

3.3 Extensiones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Extensiones y restricciones (70). El isomorsmo entre F terio de isomorsmo (71).
N

70 72

y Mor (E, F) (71). Un cri

3.4 Coordinatizaci n de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . o

El producto escalar can nico (73). El producto de matrices (74). Productos de matri o ces y vectores (74). La transformaci n lineal de una matriz (75). La matriz de una o transformaci n lineal (75). Composici n de TLs y producto de matrices (76). Matrices o o inversas (77).

3.5 Cambios de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Cambios de base en un espacio vectorial (78). Cambios de base en el espacio de trans formaciones lineales (79). Cambios de base en el espacio de operadores lineales (80). La transformaci n lineal tanspuesta (80). o

78

3.6 El nucleo y la imagen de una transformaci n lineal . . . . . . . . . . . . . . . . . . . . . o

Deniciones (82). Transformaciones lineales con nucleo trivial (82). Descomposici n o de transformaciones lineales (83). La descomposici n de la transpuesta (84). Un crite o rio de isomorsmo (84). Descomposici n can nica de transformaciones lineales (85). o o

82

*3.7 Trasformaciones semilineales y coalineaciones . . . . . . . . . . . . . . . . . . . . . . . . .

Trasformaciones semilineales reales (86). Propiedades de las transformaciones semili neales (87). Automorsmos semilineales. (87). Coalineaciones (88). Estructura de las coalineaciones (89).

86

Captulo 4 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El grupo sim trico (93). Ciclos (94). El grupo alternante (95). El signo de una permu e taci n (96). o

93 93 96

4.2 Propiedades b sicas de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a

Contenido
Denici n de los determinantes (97). Determinantes de matrices peque as (97). El de o n terminante de la identidad (98). Matrices con las nulas (99). El determinante de la transpuesta (99). Matrices con las iguales (99). Permutaciones de columnas y renglo nes (100). El determinante del producto (100). Matrices de permutaciones (101).

VII

4.3 Expansi n de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

Cambios de ndices (102). Complementos algebraicos (104). La expansi n de un de o terminante por sus renglones (104). La expansi n de Laplace en forma gr ca (105). o a Multinearidad de los determinantes (106). La inversa de una matriz (107). El determi nante de un operador lineal (109).

102

*4.4 La expansi n generalizada de Laplace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o

Matrices diagonales y triangulares por bloques (110). La expansi n generalizada de o Laplace en forma gr ca (111). a

109 113 115

4.5 El rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Matrices no singulares (113). Espacios de columnas y renglones (113). Lema de au mento de matrices no singulares (114). Bases de una matriz (114).

4.6 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Regla de Cramer (116). Existencia de soluciones (117). Eliminaci n de ecuaciones o dependientes (118). El nucleo y la imagen de una matriz (119). Bases del subespacio afn de soluciones (119).

4.7 M todo de eliminaci n de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e o

Transformaciones elementales (120). Ejemplo (121). El caso general (121). Soluci n o de ecuaciones matriciales, matriz inversa (122).

120 125 135 143 147

Soluciones de ejercicios selectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Notaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gua de estudio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

VIII

El algebra es la oferta hecha por el Diablo a los matem ticos. a El Diablo dice: Yo te dar a ti esta poderosa maquinaria e que responder cualquier pregunta que tu quieras. a Todo lo que se necesita que tu hagas es entregarme tu alma: dame la geometra y tendr s esta maravillosa m quina a a ... el da o a nuestra alma est ah, n a porque cuando usted pasa a hacer c lculos algebraicos, a esencialmente usted deja de pensar ...

Sir Michael Atiyah

Captulo primero

Campos
l objeto del algebra lineal es el estudio de los espacios vectoriales. Estos espacios son estructuras algebraicas cuyos objetos son de dos tipos los vectores y los escalares. Las operaciones denidas en los espacios vectoriales son la suma y resta de vectores, la suma resta multiplicaci n y divisi n de escalares y la multiplicaci n de escalares por o o o vectores. La mayora de los temas estudiados en este libro no dependen del conjunto de escalares y el lector puede casi siempre considerar que los escalares son los reales R y que el espacio vectorial es el espacio geom trico com n Rn . e u Sin embargo, como esta teora no depende (al menos en gran parte) del conjunto de escalares (y teniendo en cuenta diferentes aplicaciones a otras areas de las matem ticas y a las ciencias naturales) es conveniente elevar un paso el nivel de abstracci n y pensar que el o conjunto de escalares es un campo arbitrario K . El primer objetivo de este captulo es dar al lector un conocimiento b sico de lo que es a un campo. Esto se pretende lograr por tres medios: dando la denici n formal, estudiando o algunas propiedades (como la caracterstica) de los mismos, viendo que las reglas usuales de manipulaci n de f rmulas en un campo no se diferencian esencialmente de las f rmulas en o o o los reales y sobre todo, dando los ejemplos fundamentales de campos. Posteriormente, estudiaremos las principales propiedades de los polinomios con coe cientes en un campo. En particular, los teoremas de descomposici n en factores de polino o mios complejos y reales ser n fundamentales para, en un captulo posterior, desarrollar la a descomposici n de Jord n de operadores lineales. o a

1.1 Operaciones binarias

Sea A un conjunto. Una operaci n binaria es una funci n del producto cartesiano AA o o en A. O sea, es una regla mediante la cual a cualesquiera dos elementos de A se le hace corresponder un tercer elemento de A. Demos algunos ejemplos sencillos:

2 1) a + b 2) a b 3) ab 4) a b

Captulo 1. Campos
suma resta producto divisi n o 5) 6) 7) 8) ab loga b mcd (a, b) mcm (a, b) exponenciaci n o logaritmo m x com n divisor a u mn com n m ltiplo u u

Lo primero que observamos de los ejemplos anteriores es que no hemos denido en cual conjunto est denida la operaci n. Esto no es correcto formalmente, as por ejemplo la a o divisi n es una operaci n que no est denida en el conjunto de los n meros enteros. Sin o o a u embargo el lector podr f cilmente encontrar los conjuntos en los cuales estos ejemplos son a a operaciones binarias.

Ejercicio 1 En cuales conjuntos las operaciones 18 est n correctamente denidas? [125] a Ejercicio 2 Que es una operaci n unaria? De ejemplos. [125] o Ejercicio 3 Dados tres n meros reales a, b, c denamos A (a, b, c) como el area del tri n u a
gulo con lados a, b y c. Es esta una operaci n ternaria en R? [125] o Lo segundo que debemos de observar, es la variedad de notaciones usadas para represen tar las operaciones binarias. Sobre todo, son complicadas las notaciones de la operaciones 46. Lo que tienen en com n, es que no nos alcanza una lnea de smbolos para escribirlas. u Necesitamos subir y/o bajar adem s de movernos de derecha a izquierda. O sea, necesitamos a dos dimensiones para escribirlas. Quiz sea m s ilustrativo, poner un ejemplo m s complejo a a a R de notaci n dos dimensional. La integral en el recuadro a la /4 o a sin x + b sin x dx 2 derecha est bien denida para cualesquiera valores reales a, b 0 a y por lo tanto es una operaci n binaria denida en R. o M s sencillos son los ejemplos de notaciones lineales 13,78. En realidad, para las no a taciones lineales solo hay tres posibilidades: (a, b) notaci n preja o funcional o ab notaci n operacional o (a, b) notaci n suja o Las operaciones 13 est n en notaci n operacional y las operaciones 78 est n en nota a o a ci n prejija. La notaci n suja es util sobre todo en la programaci n de compiladores para o o o lenguajes de computadoras (tales como pascal o C++) ya que frecuentemente lo m s f cil a a es decirle a una computadora toma el n mero a , toma el n mero b ,s malos y no u u u hacerlo de otra manera.

Ejercicio 4 La notaci n suja para a (b + c) /2 es bc + a 2 . Cual ser la notaci n o a o

suja para la expresi n (a + b) (x + y)? [125] o

Secci n 1.1 o

Operaciones binarias

Cualquier intento, de tratar de unicar las notaciones usadas en la comunicaci n entre o humanos, solo llevara a confusiones mucho peores. Sin embargo, tenemos la libertad de es coger una notaci n unicada para las operaciones binarias abstractas que denamos. De una o vez, postularemos que siempre usaremos la notaci n operacional para denir operaciones o binarias abstractas. Recalquemos que una operaci n abstracta no signica nada m s que es una operaci n o a o que puede ser una de muchas. Primero aprendemos lo que quiere decir 3 + 2. Despu s, e tempranamente en el estudio de las matem ticas, la expresi n a+b signica que a un n mero a o u a (no se sabe cual) le sumamos un n mero b (tampoco se sabe cual). Ahora, la expresi n a+ u o b signicar que a un objeto a (n mero, polinomio, matriz , quien sabe que) le sumamos a u (no se sabe lo que quiere decir suma) un objeto b (del que tampoco se sabe mucho). Conmutatividad o Es 3 + 2 igual a 2 + 3? Si. Es 32 igual a 23 ? No. Una operaci n binaria denotada por y denida en el conjunto A se dice que es conmutativa si se cumple la propiedad en el recuadro a la izquierda. Ser o no conmutativa es la propiedad m s sencilla que diferencia las operaciones binarias. a a, b A ab=ba

Ejercicio 5 Cuales de las operaciones 19 son conmutativas? [125]

Asociatividad Que quiere decir 2 + 3 + 5? Acaso debemos sumar 2 + 3 y al resultado sumarle 5? No ser que debemos sumar 2 al resultado de la suma 3 + 5? Claro, no hay ninguna diferencia a entre los dos procedimientos. Este hecho se expresa como (2 + 3) + 5 = 2 + (3 + 5) . Una operaci n binaria denotada por y denida en el con o junto A se dice que es asociativa si se cumple la propiedad en a, b, c A a (b c) = (a b) c el recuadro de la derecha.

Los estudiantes preuniversitarios se encuentran por primera vez con la dicultad de una operaci n no asociativa en el caso de la operaci n de exponen o o 3 ciaci n. A esta temprana edad es muy necesario insistir que la expresi n 22 es ambigua o o 3 3 porque 2(2 ) = 256 6= 64 = 22 .

Ejercicio 6 Cuales de las operaciones 19 son asociativas? [125]

La asociatividad de una operaci n es una propiedad crucial. Sin esta propiedad, el manejo o algebraico de una operaci n se complica bastante. o

Captulo 1. Campos

Es m s, gracias a ella podemos introducir la notaci n de la operaci n re a o o 11 petida. Si tenemos 11 elementos a1 , a2 , . . . , a11 entonces, para denotar la suma P a a1 +a2 + +a11 podemos usar la notaci n (mucho m s c moda) que se muestra n=1 n o a o en el recuadro a la derecha. Esta notaci n no requiere de la conmutatividad de la o operaci n suma gracias a que los ndices tienen un orden y sabemos cual elemento debe ir o primero y cual despu s. e Si tenemos que la operaci n es no solamente asociativa sino tambi n conmutativa enton o e ces podemos ser m s generosos con esta notaci n. a o Supongamos que a , a` , a , a9 y a son elementos de un conjunto con una suma P an asociativa y conmutativa. Entonces la suma de estos (no importa el orden!) la nN podemos denotar por la expresi n en el recuadro a la izquierda, donde N es el o conjunto de ndices {, , `, , 9}. Si la operaci n binaria denida no se llama suma sino producto,Q o entonces es usual, P en lugar de usar la letra griega (sigma may scula), usar la letra griega u (pi may scula). u Podemos, en este caso, usar la primera o segunda notaci n dependendiendo de si nuestro o producto es conmutativo o no. Elementos neutros La suma de n meros naturales tiene un elemento especial y unico: el cero. Su propie u dad denitoria es que cualquier n mero sumado con cero da el mismo n mero. La misma u u propiedad la tiene el uno con respecto al producto de n meros naturales. u Para una operaci n binaria denotada por y denida en el con a A o junto A se dice que e A es un elemento neutro si este cumple la a e = e a = a propiedad en el recuadro. Una operaci n binaria no puede tener m s de un elemento neutro. Efectivamente, sean o a e y e0 elementos neutros. Por ser e neutro, tenemos e e0 = e0 . Por ser e0 neutro, tenemos e e0 = e. De estas dos igualdades obtenemos e = e0 .

Ejercicio 7 Cuales de las operaciones 19 tienen neutro? [125]

Los elementos neutros juegan un papel importante en las notaciones para operaciones repetidas. Supongamos que tenemos un producto asociativo y conmutativo. Sean adem s N a y M dos conjuntos nitos de ndices disjuntos. Naturalmen Q Q Q ai ai = ai te, de la denici n se sigue la propiedad del recuadro a la o iN iM iNM izquierda. Pero que pasa si alguno de los conjuntos de ndices (digamos M) es vaco? Si queremos que esta propiedad se conserve entonces observamos que Y Y Y Y ai ai = ai = ai
iN Q i iN iN

por lo que necesariamente i ai tiene que ser el elemento neutro de nuestra operaci n (si o no hay neutro entonces estamos en problemas).

Secci n 1.1 o

Operaciones binarias

Es por esto, como el lector seguramente ya sabe, que la suma vaca de n meros es igual u a cero y el producto vaco de n meros es igual a uno. u Elementos inversos Para cada n mero entero a hay un unico n mero a tal que sumado con a da cero. Ge u u neralizemos esta propiedad a operaciones binarias arbitrarias. Sea una operaci n binaria en o el conjunto A con elemento neutro. Se dice que a A tiene elemento a b = b a = e inverso b si se cumple la propiedad en el recuadro a la izquierda. Para cualquier operaci n binaria asociativa el elemento inverso de otro es unico. Efecti o vamente si b y c son inversos de a entonces b = be = b(a c) = (b a)c = ec = c o sea que b y c tienen que ser el mismo.

Ejercicio 8 Describa los inversos en las operaciones 19. [126]

Distributividad Frecuentemente nos encontramos con conjuntos en los cuales hay m s de una operaci n a o binaria denida. El ejemplo m s sencillo son los naturales en los que sabemos sumar y sabe a mos multiplicar. Estas dos operaciones est n relacionadas con la propiedad de que podemos a sacar factor com n o sea ax + ay = a (x + y). u Sean y dos operaciones binarias denidas en el a, b, c A conjunto A. Se dice que la operaci n es distributiva a (b c) = (a b) (a c) o respecto a la operaci n si se cumple la propiedad en el (b c) a = (b a) (c a) o recuadro. Que sea distributiva respecto a no es lo mismo que sea distributiva respecto a . Por ejemplo, en los naturales el producto es distributivo con respecto a la suma: a (b + c) = (ab) + (ac) y sin embargo, la suma de naturales no es distributiva respecto al producto: a + (bc) 6= (a + b) (a + c).

Ejercicio 9 De un ejemplo de dos operaciones binarias tales que ambas son distributivas
una con respecto a la otra. [126] El algebra abstracta Filos camente, el concepto de abstracci n es la propiedad, que tiene el pensamiento o o humano, de que podemos jarnos solamente en ciertas propiedades esenciales de un objeto o fen meno, y olvidarnos de las restantes. o La abstracci n es imprescindible para el lenguaje. El concepto silla nos permite reco o nocer una silla, independientemente si esta es de madera, de hierro, pl stica, grande, c moda, a o

Captulo 1. Campos

con tres, cuatro o cinco patas etc. Casi cada palabra del espa ol (y de cualquier idioma) re n presenta un concepto abstracto, sea esta verbo, sustantivo o adjetivo. La ciencia lleva este nivel de abtracci n a un nivel a n mayor. Parte de este conoci o u miento cientco, pasa al conocimiento p blico. Baste recordar conceptos como: velocidad, u volumen, higiene, ADN, penicilina, electr n, metal, colesterol, tri ngulo, etc. Algunos de los o a mencionados, son muy antiguos, otros surgieron hace muy poco. Sin embargo, la mayora de estos conocimientos queda solamente en manos de los especialistas en la materia. Con las matem ticas pasa igual. No hace falta saber que la suma de naturales es una a operaci n binaria conmutativa para saber que 2 + 3 = 3 + 2. Sin embargo, el concepto de o operaci n y que estas operaciones pueden cumplir o no ciertas propiedades es relativa o mente nuevo. En la primera mitad del siglo XX, progresivamente, la comunidad matem tica se fu dan a e do cuenta de las ventajas del pensamiento algebraico en el lenguaje de operaciones abstrac tas. Tanto fu el entusiasmo, que muchos, en un principio, le llamaron a esta forma de pensar e Algebra moderna. Otros a n m s entusiastas, m s frvolos y con muchas ganas de vender u a a sus libros le llamaron Matem tica moderna. En la actualidad este lenguaje es parte in a trnseca e indivisible del pensamiento en matem ticas y cualquier calicaci n de moderna a o suena muy tonta. Otros, por otro lado, preerieron referirse a esta forma de pensar como Algebra abstrac ta. Esto, en mi opini n, aunque m s moderado, tampoco tiene ning n sentido. Toda algebra o a u es abstracta, de hecho, todas las matem ticas son abstractas. Estoy convencido de que, el a tiempo se encargar de acabar con todos estos calicativos. a

1.2 Numeros
En esta secci n repasaremos los principales tipos de n meros que el lector ya conoce: o u naturales, enteros, racionales, reales y complejos. Esto nos dar la posibilidad de introducir a las deniciones m s b sicas del algebra: grupos, anillos y campos. a a Naturales Hay una frase famosa que dice Dios hizo los naturales y el hombre todo lo dem s. El conjunto de los n meros a u a veces b veces naturales N = {0, 1, 2, ...} es el conjunto de los cardinales de los conjuntos nitos. En N hay dos operaciones binarias bien denidas: la suma y el producto. De hecho, el producto es una operaci n derivada de la suma y la suma solo se o puede denir en t rminos de conjuntos. Por ejemplo, a + b es el cardinal de la uni n de dos e o conjuntos nitos y disjuntos uno de cardinal a y otro de cardinal b. Como la uni n de conjuntos es asociativa tambi n lo es la suma de naturales. De la o e denici n se obtiene que el producto de naturales tambi n es asociativo. Tanto la suma como o e el producto son conmutativos. La suma tiene elemento neutro 0 y el producto tiene elemento neutro 1. El producto es distributivo respecto a la suma. ab = a + {z + a = | + {z + b | ... } b ... }

Secci n 1.2 o
Enteros

N meros u

Ning n elemento de N salvo el cero tiene inverso para u la suma. Para lograr la existencia de inversos inventamos los b + a = c a = b + c n meros negativos Z = {1, 2, 3, ...} y en el conjunto b + (a) = (a + b) u Z = N Z de los n meros enteros denimos la suma como u la operaci n conmutativa denida por las propiedades en el o recuadro a la derecha. Grupos Nuevamente la suma de enteros es asociativa con neutro cero pero ahora, cada elemento tiene inverso. O sea los enteros dan el primer ejemplo G1) la operaci n es asociativa o de grupo. A un conjunto no vaco con una operaci n bi G2) tiene elemento neutro o naria se le llama grupo si se cumplen los tres axiomas G3) todo elemento tiene inverso G1G3. A los grupos cuya operaci n es o conmutativa se les llama abelianos en honor al matem tico noruego Niels a Henrik Abel (18021829). Abel fu el que resolvi el problema algebraico e o m s importante de su epoca. Demostr , que no existen f rmulas en radicales a o o para resolver las ecuaciones polinomiales de grado 5 o mayor (a diferencia de las ecuaciones de grado 4 para las cuales si hay f rmulas generales). o Al momento de encontrar esta demostraci n, el problema ya duraba varios o siglos sin resolverse. Abel muri a los 26 a os a causa de una neumona. o n Anillos La operaci n de producto de naturales se extiende f cilmente al o a a (b) = (ab) conjunto de los enteros mediante las reglas en el recuadro. Nuevamente (a) b = (ab) el producto es asociativo,conmutativo y distributivo con respecto a la (a) (b) = ab suma. O sea los enteros tambi n dan el primer ejemplo de anillo. e Un conjunto A no vaco con dos operaciones bi A1) (A, +) es un grupo abeliano narias + y se le llama anillo si se cumplen los A2) es asociativa axiomas en el recuadro a la izquierda. Si el anillo A3) es distributiva con respecto a + es tal que la operaci n es conmutativa entonces o A4) tiene elemento neutro se dice que tenemos un anillo conmutativo. En un anillo al neutro para la suma se le llama cero y se denota por 0. Al neutro para el producto se le llama uno y se denota por 1. Al inverso de un elemento con respecto a la suma de un elemento se le llama su opuesto. Al inverso con respecto al producto de un elemento se le llama inverso multiplicativo o simplemente inverso a secas. Observemos que si a es un elemento de un anillo entonces a 0 + a = a (0 + 1) = a y debido a la unicidad del 0 obtenemos que a 0 = 0. De la misma manera vemos que 0 a = 0. Si 1 = 0 entonces, a = 1 a = 0 a = 0 por lo que el anillo consta de un solo elemento. Para descartar esta trivialidad supondremos siempre que 1 6= 0. De aqu se desprende que 0 no puede tener inverso ya que 0 = a 0 = 1 es una contradicci n. o

Captulo 1. Campos

En cualquier anillo a denota al opuesto de a y a1 (si existe) denota al inverso de a. Como 1 1 = 1 tenemos 11 = 1. Tambi n (1)1 = 1 ya que si a = 1 entonces e 0 = a (a + 1) = aa + a por lo que aa = a o sea, (1) (1) = 1. Luego, en todo anillo 1 y 1 tienen inversos. En Z ning n elemento salvo 1 y 1 tiene inverso. u
Normalmente en la denici n de anillo no se pide el axioma A4. En este caso, a los anillos que o tienen elemento neutro para el producto se le llaman anillos unitarios. Un ejemplo de anillo no unitario es el conjunto de todos los enteros pares. Con el objetivo de simplicar, para nosotros todos los anillos son unitarios.

Racionales Para lograr que cada elemento diferente de cero tenga inverso inventamos las fraccio nes y con ellas el conjunto de n meros racionales Q. Una fracci n es un par ordenado de u o n meros enteros denotado por a/b donde b 6= 0. Dos fraccio u a c = a d = c b nes son iguales cuando se cumple la igualdad en el recuadro. b d Los n meros racionales Q son las fracciones con la relaci n de u o igualdad as denida. Los enteros son parte de los racionales por cuanto podemos identicar cada n mero entero a Z con la fracci n a/1. u o La suma y el producto de n meros racionales se denen por u las igualdades en el recuadro. Nuevamente los racionales con la a + c = a d + c b bd suma forman un grupo abeliano y otra vez el producto es aso b d ac a c ciativo, conmutativo, tiene elemento neutro y es distributivo con = respecto a la suma. La diferencia es que ahora todo elemento di b d b d ferente de cero tiene inverso multiplicativo. O sea los racionales nos dan el primer ejemplo de campo. Un conjunto K no vaco con dos operaciones bi C1) (K, +) es un grupo abeliano narias + y se le llama campo si se cumplen los C2) (K\0, ) es un grupo abeliano tres axiomas C1C3. En otras palabras un campo C3) es distributiva con respecto a + es un anillo conmutativo en la cual todo elemento diferente de cero tiene inverso multiplicativo.

ejercicio anterior, K , +, tambi n es un anillo conmutativo. Ser K un campo? [126] e a Reales

coordenadas (x, y) (x0 , y0 ) = (x x0 , y y0 ). Pruebe que si (A, ) es un grupo entonces 2 e A , es un grupo, si (A, +, ) es un anilloentonces, A2 , +, es tambi n un anillo.

Ejercicio 10 Si es una operaci n en A entonces, en A2 est denida la operaci n por o a o Ejercicio 11 Sea (K, +, )un campo. Como K es un anillo conmutativo entonces, por el 2 2

Secci n 1.2 o

N meros u

Dicen que cuando Pit goras (Samos 569475 A.C.) descubri que a o la longitud de la hipotenusa de un tri ngulo rect ngulo con cate a a tos de longitud uno no es un n mero racional u qued horrorizado. A nosotros nos parece esto o 2 una exageraci n. Sin embargo, si nos ponemos 1 o en el lugar de Pit goras comprenderemos que a 1 en aquel momento era inconcebible que existan p n meros que no sean cociente de dos enteros. u 2 6= q La pintura a la izquierda es un detalle del fres co de Rafael La escuela de Atenas en la cual supuestamente, se muestra a Pit goras. a Sigamos a Pit goras y probemos que efectivamente 2 no es un racional. Para esto a denotemos por kak2 el n mero de veces que el natural a se divide entre 2. Tenemos 2 = u p 2q2 2 = p2 2 1 + 2 kqk2 = 2 kpk2 lo que es una contradicci n ya que un o q n mero impar no puede ser igual a uno par. u

Ejercicio 12 Sea n un n mero natural. Pruebe que n es un natural o no es racional. [126] u Ejercicio 13 Basandose en el anterior de otra prueba de que 2 no es racional. [126]
Esto motiva la construci n de los n meros reales R. La construci n de los reales es o u o un proceso complicado y se han descubierto muchas formas de formalizar esta construci n o siendo la m s popular la de las cortaduras de Dedekind. Para nuestros prop sitos basta una a o denici n menos formal y m s intuitiva: un n mero real es simplemente un lmite de ra o a u cionales. Las propiedades de la suma y producto de racionales se traspasan f cilmente a los a reales usando las propiedades del lmite de sucesiones. De esta manera obtenemos nuestro campo principal (R, +, ) . El campo de los reales se destaca porque es ordenado (siempre podemos decidir si un n mero real es mayor, menor o igual a cero) y porque es cerrado (el u lmite de reales si existe es un real). Por otro lado, no es un factor a despreciar el hecho de que el espacio en que vivimos es (o al menos nos parece que es) R3 .

Ejercicio 14 Pruebe que la longitud de un segmento de recta es un n mero real. [126] u

Complejos En 1546 Gerolamo Cardano public su libro Ars Magna en el cual di m todos (basa o o e dos en parte en el trabajo de otros matem ticos) para el calculo de las raices de los polinomios a de grado 3 y 4. Estos m todos, a veces requeran el extraer raices cuadradas de n meros ne e u gativos, incluso cuando el resultado nal era un n mero real. Rafael Bombelli estudi este u o asunto en detalle y es considerado como el descubridor de los n meros complejos. u

10

Captulo 1. Campos

Para lograr que todos los polinomios tengan raices inven tamos el imaginario i = 1 y denimos que un n mero (a + bi) + (a0 + b0 i) = u complejo es algo de la forma a + bi donde a, b R. La (a + a0 ) + (b + b0 ) i suma y el producto de complejos se denen por las f rmulas o en los recuadros a la derecha y abajo a la izquierda. Las propiedades de la suma y el producto se desprenden in 0 0 (a + bi) (a + b i) = mediatamente de sus deniciones y es f cil comprobar que a (C, +, ) es un anillo conmutativo. Para ver que es un cam (aa0 bb0 ) + (ab0 + a0 b) i 1 (a bi). po, observamos que (a + bi)1 = a2 + b2 La principal propiedad que hace que para muchas cosas el campo C sea el m s simple es a que el (a diferencia de R) es algebraicamente cerrado, o sea que todo polinomio de grado n > 0 con coecientes en complejos tiene n raices complejas.

1.3 Morsmos
En esta secci n estudiaremos las funciones entre conjuntos con operaciones binarias. o Morsmos de grupos Sean y operaciones binarias denidas en los conjuntos A y B respectivamente. Una funci n f : A B se le llama morsmo si para cualesquiera a1 y a2 elementos de A se o cumple que f (a1 a2 ) = f (a1 ) f (a2 ). Todo morsmo conserva las propiedades fundamentales de las operaciones binarias. M s precisamente, si f : (A, ) (B, ) es un morsmo entonces, a 1. es una operaci n binaria dentro de la imagen de f. o 2. Si es conmutativa entonces es conmutativa en la imagen de f. 3. Si es asociativa entonces es asociativa en la imagen de f. 4. Si e es neutro de entonces f (e) es neutro de en la imagen de f. 5. Si a0 es inverso de a en A entonces f (a0 ) es inverso de f (a) en B. Prueba. Sean b1 , b2 y b3 elementos cualesquiera en la imagen de f. Existen a1 , a2 y a3 en A tales que f (ai ) = bi para i {1, 2, 3}. Como f es un morsmo, obtenemos la igualdad (*) b1 b2 = f (a1 ) f (a2 ) = f (a1 a2 ) que prueba la primera armaci n. Si es conmutativa entonces, usando (*) obtenemos o b1 b2 = f (a1 a2 ) = f (a2 a1 ) = b2 b1 por lo que es tambi n conmutativa. Si es asociativa entonces, usando (*) obtenemos e (b1 b2 ) b3 = f (a1 a2 ) f (a3 ) = f ((a1 a2 ) a3 ) = = f (a1 (a2 a3 )) = f (a1 ) f (a2 a3 ) = b1 (b2 b3 )

Secci n 1.3 o

Morsmos

11

y por lo tanto es asociativa en la imagen de f. Si e es neutro de la operaci n entonces, o b1 f (e) = f (a1 ) f (e) = f (a1 e) = f (a1 ) = b1 f (e) b1 = f (e) f (a1 ) = f (e a1 ) = f (a1 ) = b1 por lo que f (e) es el neutro de en la imagen de f. Sea a0 el inverso de a en A entonces, f (a) f (a0 ) = f (a a0 ) = f (e) f (a0 ) f (a) = f (a0 a) = f (e) de lo que concluimos que f (a0 ) es el inverso de f (a).

Ejercicio 15 Justique todas las igualdades utilizadas en la prueba de 1.1.

Y porqu siempre dentro de la imagen de f y no en todo B? La respuesta es que lo unico e que sabemos de B est dado por el morsmo. Aquellos elementos de B que no tienen pre a imagen no los podemos enlazar con los de A y por lo tanto no podemos decir nada de ellos. De aqu en lo adelante a la imagen de cualquier funci n f (y en particular de un morsmo) o la denotaremos por Im f. Si (A, ) es un grupo entonces (Im f, ) es un grupo. Prueba. Por 1.1.1 es una operaci n binaria en Im f. Por 1.1.3 esta operaci n es asociativa. o o Por 1.1.4 esta operaci n tiene elemento neutro. Por 1.1.5 cada elemento b = f (a) Im f o tiene su inverso f (a0 ) donde a0 es el inverso de a en A. Esto completa la prueba de todos los axiomas de grupo. Recordemos que si f : A B es una funci n entonces al conjunto A se le llama dominio o de f y al conjunto B codominio de f. Si el dominio y el codominio de un morsmo son grupos entonces se dice que este es un morsmo de grupos.

Ejercicio 16 Construya un morsmo inyectivo de (R, +) en (R, ). Cual es su imagen?

Morsmos de anillos Y que pasa con la distributividad? Tambi n se conserva? El primer problema que te e nemos que resolver es que en la distributividad est n involucradas dos operaciones. Sean a (A, +, ) y (B, +, ) dos conjuntos cada uno con dos operaciones binarias. Observese que estas son cuatro operaciones distintas pero hemos usado estas notaciones porque el trabajar con cuatro smbolos diferentes ya es demasiada confusi n. o Una funci n f : A B se le llama morsmo si para cualesquiera a1 y a2 elementos de o A se cumple que f (a1 + a2 ) = f (a1 ) + f (a2 ) y f (a1 a2 ) = f (a1 ) f (a2 ). Recalquemos que el y quiere decir que se tienen que cumplir las dos propiedades. O sea, si hay dos operaciones entonces, se requiere que la funci n sea morsmo para cada una de ellas. o

12

Captulo 1. Campos
Si es distributiva con + en A entonces, es distributiva con + en la imagen de f.

Prueba. Sean x, y, z A tales que f (x) = a, f (y) = b y f (z) = c. Tenemos a (b + c) = f (x) (f (y) + f (z)) = f (x) f (y + z) = f (x (y + z)) = = f (x y + x z) = f (x y) + f (x z) = f (x) f (y) + f (x) f (z) = a b + a c y esto prueba la tesis. Si el dominio y el codominio de un morsmo son anillos entonces se dice que este es un morsmo de anillos. Si el dominio y el codominio de un morsmo son campos entonces se dice que este es un morsmo de campos.

(Im f, +, ) es un anillo. Demuestre que lo mismo ocurre para los campos.

Ejercicio 17 Demuestre que si (A, +, ) es un anillo y f : A B es un morsmo entonces,

Ejercicio 18 Pruebe que si f : A B es un morsmo de anillos y A es un campo entonces f es inyectivo. En particular todo morsmo de campos es inyectivo. [126]
Isomorsmos A los morsmos biyectivos se les llama isomorsmos. Esto se aplica tanto para con juntos con una como tambi n con dos operaciones binarias. As que tenemos isomorsmos e de grupos, de anillos y de campos. Para cada isomorsmo f existe una funci n inversa f1 . o 1 Cuando ser f un morsmo? La respuesta es que siempre. a La inversa de un isomorsmo es un isomorsmo. Prueba. Sea f : (A, ) (B, ) un isomorsmo. Sean b1 , b2 cualesquiera elementos de B. Denotemos a1 = f1 (b1 ) y a2 = f1 (b2 ). Tenemos f1 (b1 b2 ) = f1 (f (a1 ) f (a2 )) = f1 (f (a1 a2 )) = a1 a2 = f1 (b1 ) f1 (b2 ) que es lo que se requera demostrar. Si el isomorsmo involucra dos operaciones binarias entonces el mismo argumento aplicado a las dos operaciones, nos da la prueba de la tesis. Ahora podemos aplicar 1.1 en los dos sentidos. Si f : (A, ) (B, ) es un isomorsmo entonces de que es conmutativa implica que es conmutativa y en conclusi n es conmu o tativa si y solo si es conmutativa. Lo mismo ocurre con la asociatividad, con la existencia de neutros e inversos y para el caso de dos operaciones con la distributividad. O sea que tiene ex ctamente las mismas propiedades de . a Pero no solo son operaciones parecidas sino que son en cierto sentido la misma. Para convencernos de esto supongamos que conocemos la operaci n y conocemos el isomors o

Secci n 1.3 o

Morsmos

13

mo f pero no sabemos nada de la operaci n . Podremos calcular b1 b2 ? La respuesta es o si, lo podemos calcular por la identidad b1 b2 = f f1 (b1 ) f1 (b2 ) . Recprocamen te, se dene de forma unica por la operaci n y el isomorsmo f mediante la identidad o 1 a1 a2 = f (f (a1 ) f (a2 )). En conclusion ambas operaciones se denen una a otra. Para que el lector comprenda mejor eso de que y u v 1 1 son la misma operaci n veamos un ejemplo. Sea A el o u u v 1 1 1 conjunto de letras {u, v} y B el conjunto de los n meros u v v u 1 1 1 {1, 1}. Denamos las operaciones y mediante las tablas del recuadro a la derecha. El lector debe observar que la segunda tabla es la tabla usual de multiplicaci n de enteros. o Adem s, para obtener la segunda tabla de la primera lo unico que necesitamos es cambiar a por , u por 1 y v por 1. Esto lo que quiere decir, es que la funci n u 7 1 , v 7 1 es o un isomorsmo de (A, ) en (B, ). El lector puede ver que ambas tablas son en esencia la misma, solamente que las notaciones para los elementos y la operaci n est n cambiadas. o a Si para dos grupos (o anillos o campos) existe un isomorsmo entre ellos entonces se dice que ellos son isomorfos. Etimol gicamente, la palabra isomorfo signica que tie o nen la misma forma. En forma intuitiva, que ellos sean isomorfos quiere decir que los dos son iguales con la salvedad de que podemos cambiar las notaciones de los elementos y las operaciones. Ciertos tipos de morsmos tienen nombres especiales. A los morsmos sobreyectivos se les llama epimorsmos, a los injectivos se les llama monomorsmos. A los morsmos de un conjunto en si mismo se les llama endomorsmos y a los endomorsmos biyectivos se les llama automorsmos.
En otras ramas de las matem ticas tambi n se denen morsmos e isomorsmos. Sin embargo no a e siempre es suciente la biyectividad para denir los isomorsmos. Por ejemplo, en topologa los morsmos son las funciones continuas. Pero la inversa de una biyecci n continua no siempre es o continua. Por esto, un isomorsmo de espacios topol gicos hay que denirlo como una biyecci n continua o o cuya inversa es continua.

Composici n de morsmos o Sean A, B y C tres conjuntos y f : A B , g : B C dos funciones. A la funci n o g f : A C denida por (g f) (a) = g (f (a)) se le llama la composici n de f con g. A o partir de ahora el smbolo solo lo utilizaremos para denotar la composici n de funciones. o Observese el orden en que escribimos las funciones ya que la composici n de funciones no o es conmutativa. La composici n de funciones es asociativa. o Prueba. Sean f : A B , g : B C y h : C D tres funciones. Por denici n de o composici n para cualquier a A tenemos o (h (g f)) (a) = h ((g f) (a)) = h (g (f (a))) = (h g) (f (a)) = ((h g) f) (a)

14 que es lo que se quera probar

Captulo 1. Campos

Ahora, supongamos que en A, B y C hay denidas operaciones binarias. Entonces f, g y g f pueden ser morsmos o no. Sin embargo, si f y g lo son entonces f g tambi n lo es. e Las composici nes de morsmos son morsmos. o Prueba. Denotemos las operaciones en A, B y C con el mismo smbolo . Como f y g son morsmos tenemos (g f) (a b) = g (f (a b)) = g (f (a) f (b)) = g (f (a)) g (f (b)) = (g f) (a) (g f) (b) que es lo que se necesitaba probar.

Ejercicio 19 Pruebe que el conjunto de todos los automorsmos de un conjunto con una o
dos operaciones binarias es un grupo con respecto a la composici n de funciones. o

1.4 Campos de restos

Hasta ahora los campos que conocemos son Q, R y C que se supone que ya son muy conocidos por el lector. Es imprescindible, para dar una intuici n saludable de lo que es un o campo, introducir otros que no sean tan usuales. En esta secci n presentaremos ciertos cam o pos que tienen un n mero nito de elementos. Para construirlos, usaremos las propiedades u de los morsmos de la secci n anterior. o El anillo de los enteros m dulo n o Sea n un n mero natural mayor que 1. Para un entero a la a b = (a + b) mod n u notaci n a mod n signica el resto de la divisi n de a entre n. a b = (ab) mod n o o O sea, el menor natural k tal que existe un entero t para los cuales a = k + tn. Por denici n a mod n Zn = {0, 1, ..., n 1} por lo que en Zn hay o naturalmente denidas dos operaci nes binarias como se muestra en el recuadro. o

Ejercicio 20 Construya las tablas de sumar y multiplicar en Z2 , Z3 y Z4 .

(Zn , , ) es un anillo conmutativo. Prueba. Probemos que la funci n f : (Z, +, ) (Zn , , ) dada por f (a) = a mod n es o un morsmo de anillos. Observemos que por denici n ab = f (a + b) y ab = f (ab) . o Para cualesquiera x, y Z por denici n de f existen enteros p, q tales que x = f (x) + o qn, y = f (y) + pn y por lo tanto f (x) = f (y) si y solo si x y es multiplo de n.

Secci n 1.4 o

Campos de restos

15

Tenemos que f (x) + f (y) = x + y (q + p) n y por lo tanto (f (x) + f (y)) (x + y) es m ltiplo de n. Luego, f (x + y) = f (f (x) + f (y)) o lo que es lo mismo, f (x + y) = u f (x) f (y) y esto prueba que f es morsmo para la suma. Por otro lado f (x) f (y) = (x qn) (y pn) = xy + (nqp yq xp) n y por lo tanto (f (x) f (y)) (xy) es m ltiplo de n. Luego, f (xy) = f (f (x) f (y)) o lo que es lo u mismo, f (xy) = f (x) f (y) y esto prueba que f es morsmo para el producto. Como f es sobre, (Z, +, ) es anillo conmutativo y los morsmos preservan las propie dades de las operaciones, concluimos que (Zn , , ) es tambi n un anillo conmutativo. e Hemos denotado la suma y el producto en Zn con los smbolos extra os y n . El objetivo de esto fu el asegurarnos que en la demostraci n del resultado e o anterior el lector no se confundiera con la suma y el producto habitual de n me u ros enteros. De ahora en lo adelante no haremos m s esto. La suma en Zn se denotar con el a a smbolo + y el producto, con la ausencia de smbolo alguno, o a lo m s, con un punto. Para a poder hacer esto es necesario que el lector comprenda (muchas veces solo del contexto) en que sentido estamos utilizando estas notaciones. As por ejemplo, 2 + 3 = 5 si la suma es la habitual de enteros o es la de Z11 pero 2 + 3 = 1 si la suma es la de Z4 . Dominios de integridad Despu s de saber que (Zn , +, ) es un anillo conmutativo, lo natural es preguntarnos si e este es un campo, ya que lo unico que le falta a un anillo conmutativo para ser campo, es la existencia de inversos para el producto. Veamos por ejemplo el caso de Z6 . Aqu tenemos 23 = 0. Que raro, el producto de dos n meros diferentes de cero es igual a cero. Es posible u eso en un campo? Veremos que no. Un anillo conmutativo se le llama dominio de integridad si el producto elementos dis tintos de cero es siempre diferente de cero. Sabemos que Z, Q, R y C son dominios de integridad. Tambi n, ya vimos que Z6 no es dominio de integridad. e Todo campo es un dominio de integridad. Prueba. Supongamos pq = 0 y p 6= 0 entonces multiplicando la primera igualdad por el inverso multiplicativo de p obtenemos 0 = p1 0 = p1 pq = q. Luego, q = 0. Luego, Z6 no es un campo. Este ejemplo se generaliza f cilmente. Sea n = pq una a descomposici n en factores no triviales (ambos diferentes a 1) de n. Sabemos que p y q o est n en Zn y que pq = n = 0 mod n. Luego, si n es un n mero compuesto (no primo) a u entonces, Zn no es un dominio de integridad y por lo tanto no es un campo. El campo de los enteros m dulo p o Y que pasa cuando p es primo?

16

Captulo 1. Campos
Zp es un dominio de integridad.

Prueba. Sean x, y {1, . . . , p 1} . Si xy = 0 en Zp entonces xy = 0 mod p. Luego, en Z tenemos que xy = kp. Como p es primo entonces, p divide a x o y pero esto no puede ser ya que ambos son menores que p. Este resultado no es suciente para probar que Zp es un campo ya que hay dominios de integridad que no son campos (por ejemplo Z). Nos hace falta el siguiente resultado. Todo dominio de integridad nito es un campo. Prueba. Sea A un dominio de integridad nito. Para ver que A es un campo solo hay que demostrar que todo elemento no nulo tiene inverso. Sea a un elemento arbitrario no nulo de A. Denotemos por fa la funci n A 3 x 7 ax A. Esta funci n es inyectiva ya que o o (ax = ay) (a (x y) = 0) (x y = 0) x = y o e Como fa es una funci n inyectiva de un conjunto nito en si mismo es tambi n sobreyectiva. Luego tiene que existir b tal que fa (b) = ab = 1. Como el producto es conmutativo, esto demuestra que a tiene inverso. Como Zp es nito, concluimos inmediatamente que Zp es un campo si y solo si p es un n mero primo. Los campos Zp son los primeros ejemplos de u campos que tienen un n mero nito de elementos. A los campos nitos se u les lama campos de Galois en honor al matem tico franc s Evariste Galois a e (18111832). Al resolver el problema de encontrar cuales ecuaciones poli nomiales son solubles en radicales y cuales no, Galois de facto invent la o Teora de Grupos. Galois muri a los 20 a os en un duelo provocado por o n asuntos amorosos y/o polticos. El apellido Galois se pronuncia en espa ol como galu n a

Ejercicio 21 Halle los inversos de los elementos no nulos de Z5 . [126] Ejercicio 22 Demuestre que todo subgrupo nito con q elementos del grupo multiplicativo
de un campo es isomorfo a (Zq , +) . En particular, (Zp \0, ) es isomorfo a (Zp1 , +). [127] Ejercicio 23 Demuestre que Z2 con las operaciones (a, b) + (a0 , b0 ) = (a + a0 , b + b0 ) y 11 (a, b) (a0 , b0 ) = (aa0 + 7bb0 , ab0 + a0 b) es un campo de 121 elementos. [128]

1.5 Campos primos. Caracterstica

Sea K un campo. Un subcampo de K es sencillamente un subconjunto de K que es campo para las mismas operaciones. Si L es un subcampo de K entonces a, b L c L\{0} se tienen que cumplir las siguientes propiedades

Secci n 1.5 o

Campos primos. Caracterstica

1. a + b L, a L, (L es un subgrupo aditivo) 2. ab L, c1 L, (L\{0} es un subgrupo multiplicativo)

17

Recprocamente, si se cumplen las propiedades 1 y 2 entonces, las operaciones de suma, opuesto, producto e inverso est n correctamente denidas dentro de L y el tiene que contener a a 0 y a 1. Como los axiomas de campo se cumplen dentro de todo K, con m s raz n se a o cumplen dentro de L. Esto indica que para comprobar si L es un subcampo basta comprobar las propiedades 1 y 2. El ejemplo m s sencillo de esto es Q, que es subcampo R, que a su a vez es subcampo de C. El concepto de subcampo incluye las operaciones. Si por un lado podemos consi derar a Zp = {0, 1, ..., p 1} como subconjunto de Q, por el otro, Zp NO es un subcampo de Q (ya que por ejemplo 2 (p 1) = p 2 en Zp lo que no es cierto en Q). De la misma manera, ning n Zp es subcampo de Zq para p 6= q. u Campos primos Todo campo es subcampo de si mismo. A los campos que no tienen ning n subcampo u distinto de si mismo se les llama campos primos. Los campos primos son los m s sencillos a y deduciremos cuales todos ellos. Todo campo K contiene un unico subcampo primo que est contenido en cualquier subcampo de K. a Prueba. La intersecci n de una colecci n arbitraria de subcampos de K es un subcampo. o o Para ver esto observamos que si a y b pertenecen a todos los subcampos de la colecci n o entonces a + b tambi n. Por lo tanto, a + b est en la intersecci n de ellos. Lo mismo e a o ocurre para el producto, para los neutros y los inversos. En particular, si nos jamos en la intersecci n de todos los subcampos de K, vemos que esta es un subcampo que no contiene o subcampos y que est contenida en cualquier subcampo de K. a El campo Q de los n meros racionales es primo. u Prueba. Sea K un subcampo de Q. Tenemos 1 K y por lo tanto todas las sumas 1 + ... + 1 y sus opuestos aditivos tienen que estar en K. Luego, todos los enteros est n en K. Tambi n a e los inversos multiplicativos de los n meros enteros y sus productos tienen que estar todos en u K. Luego, todos los racionales est n en K. a Los campos Zp de los restos m dulo un n mero primo son campos primos. o u Prueba. Sea K un subcampo de Zp . Tenemos 1 K y por lo tanto todas las sumas 1+...+1

18

Captulo 1. Campos

est n en K. Como cualquier elemento de Zp es suma de unos obtenemos que Zp K. a Teorema de Clasicaci n de Campos Primos o Los campos Zp y el campo Q son los unicos campos primos. z }| { Prueba. Sea un K campo primo. Para un n mero natural n denotemos por n = 1 + ... + 1 u donde 1 es el neutro multiplicativo de K. Observese que 0 = 0. Obviamente, n es un ele mento del campo. Denotemos por P = {n K | n N} . Hay dos posibilidades excluyentes En el primer caso K contiene a los naturales. Como K es un campo tambi n tiene que e contener a los opuestos de los naturales, o sea a los enteros. Por la misma raz n, K tiene o que contener a los inversos de los enteros con lo que se prueba que los racionales son un subcampo de K. Como K es primo obtenemos que K = Q. En el segundo caso, sea p el natural m s peque o para el cual existe n < p tal que n = p. a n Tenemos n = p p n = p n = 0. Si n > 0 entonces, p n < p y adem s p n = 0 a lo que contradice la minimalidad de p. Luego, n = 0 y por lo tanto p = 0. Sea ahora x > p. Como sabemos dividir los enteros con resto entonces, existen naturales a, k tales que x = a + kp y a < p. De aqu z }| { z }| { x = a + kp = a + kp = a + 1 + {z + 1 + + 1 + {z + 1 = a + 0 + + 0 = a | } } |
p veces p veces kp veces k veces n veces

o 1. La aplicaci n n 7 n es una biyecci n de en N en P. o 2. Existen dos naturales distintos n y m tales que n = m.

o lo que muestra que P es el anillo Zp de los restos m dulo p. Si p no es primo entonces, en Zp K hay dos elementos a, b no cero tales que ab = 0. Como en un campo esto no es posible entonces, deducimos que p es primo. Luego, Zp es un subcampo de K. Como K es primo obtenemos que K = Zp . Caracterstica Por el teorema anterior cualquier campo o contiene a Q o contiene a Zp . Se dice que un campo es de caracterstica 0 si este contiene a Q. Se dice que un campo es de caracterstica p si este contiene a Zp . La caracterstica de un campo es un n mero primo o es cero. La u propiedad fundamental de la caracterstica de un campo es la siguiente: Si K es un campo de caracterstica t entonces, ta = 0 para cualquier a K. Prueba. Si t = 0 la armaci n es trivial. Si t es primo entonces, el campo contiene a Zt y o t veces z }| { tx = x + ... + x = 1x + ... + 1x = (t1) x

Secci n 1.6 o

Aritm tica de campos e

19

Como 1 Zt entonces tambi n t1 Zt . En Zt se tiene que t1 = 0. Luego tx = 0x = 0. e

Ejercicio 24 Contradice o no 1.15 que todo campo es un dominio de integridad? [128] Ejercicio 25 Es cierto o no que en todo campo (a = a) (a = 0)? [128] 1.6 Aritm tica de campos e
Los campos se comportan en la mayora de las cosas importantes como los n meros u reales. Por m s que tratemos construir un campo raro pero muy raro (lo que es posible) no a lograremos que se dejen de cumplir todas las propiedades de la aritm tica las cuales nos e son familiares desde temprana edad. Pasemos a describir en toda su generalidad algunas consecuencias simples y otras un poco m s complicadas de los axiomas de campo lo que nos a convencer de lo armado. a Multiplos y exponentes enteros En todo campo para cualquier n mero entero n y cualquier elemento del campo a se u usan las siguientes notaciones n veces n veces }| { z z }| { a + a + ... + a si n > 0 aa...a si n > 0 n na = a = si n = 0 0 si n = 0 1 1 si n < 0 (n) (a) si n < 0 a n Asociatividad general Recordemos nuevamente el uso del smbolo de sumatoria . Si A es un conjunto nito de elementos del campo entonces podemos escribir la expresi n en el re o ai cuadro a la izquierda para expresar que queremos sumar todos los elementos del i=1 conjunto A = {a1 , ..., an }. La asociatividad de la operaci n de suma nos dice que esta expresi n tiene sentido unico o o ya que no es necesario explicitar las sumas hay que realizar primero y cuales despu s. e En realidad incluso esta notaci n es redundante, m s consisa es esta otra nota X o a ci n en el recuadro a la derecha que podemos usar gracias a la conmutatividad de o a la suma. O sea no importa si en la suma a1 est delante de a2 o al rev z. Solo es aA a e necesario especicar cual es el conjunto A de elementos que se est n sumando. a Como tenemos que el producto de elementos de un campo es tambi n e n Y Y asociativo y conmutativo podemos usar las expresiones equivalentes de ai = a la izquierda para denotar el producto de todos los elementos del conjunto i=1 aA A = {a1 , ..., an } .
n X

y se cumplen las propriedades usuales: (n + m) a = na + ma y an+m = an am .

20 Distributividad general

Captulo 1. Campos

Mucho m s difcil es dar una forma general de la ley distributiva. Usando las leyes de a los campos obtenemos (a + b) (c + d) = a (c + d) + ! ! X X XX b (c + d) = ac + ad + bc + bd y el lector podr con a a b = ab vencerse f cilmente haciendo el c lculo para conjuntos a a aA bB aA bB peque os A y B que en general se cumple la f rmula n o de la derecha. M s general, para muchos factores tenemos a ! ! ! X X X XX X a b c = ... ab c
aA bB cC aA bB cC

A esta igualdad la llamaremos forma general de la ley distributiva y tendremos muchas ocaciones en que la usaremos. F rmula multinomial o Aplicando la forma general de la ley distributiva al caso en que todos los conjuntos sean iguales obtenemos la siguiente f rmula: o !n X X X a = ... a1 an (*)
aA a 1 A a n A

Esta f rmula aunque relativamente sencilla tiene un gran defecto. Por ejemplo, el pro o ducto aabacccbba que pudiera aparecer como sumando a la derecha de la igualdad tiene (gracias a la asociatividad y conmutatividad del producto) una manera mucho m s sencilla a 4 3 3 de expresarse como a b c . Para arreglar este defecto, d mosle nombres a los elementos de e A y pongamos A = {x1 , ..., xm }. Ahora si n1 , ..., nm son naturales entonces, un monomio P xn1 xnm aparece como sumando a la derecha en la f rmula (*) si y solo si Pni = n (ya o m 1 que los sumandos en (*) son productos de n elementos de A). Supongamos que ni = n. Si todos los ni son uno o cero entonces en (*) hay n! sumandos iguales al monomio xn 1 xnm m 1 (ya que podemos ordenarlos de ese n mero de maneras). Si digamos n7 es mayor que 1 en u tonces tenemos que dividir por n7 ! ya que al permutar x7 ...x7 no obtenemos nuevos suman dos en (*). Lo mismo sucede con los otros ni . Como por denici n 0! = 1! = 1, nalmente o obtenemos la siguiente expresi n conocida como f rmula multinomial. o o m !n X X n! xi = xn 1 xnm m n1 !...nm ! 1 i=1 donde la suma a la derecha de la igualdad recorre todas las soluciones en n meros naturales u P de la ecuaci n o ni = n. En el caso particular m = 2, haciendo el cambio de variable n1 = k obtenemos

Secci n 1.6 o
(x + y) =
n

Aritm tica de campos e

X n! n 1 n 2 X n! x y = xk ynk n1 !n2 ! k! (n k) ! =n k=0
n

21

n 1 +n 2

que es la famosa f rmula del binomio de Newton. o Si bien las f rmulas que hemos demostrado parecen ser complicadas o los argumentos que llevan a ellas son muy sencillos. Es importante que el estudiante que desee estudiar el algebra lineal a profundidad se familiarize bien con estos argumentos ya que las formas multili neales y en particular los determinantes son muy parecidos a la parte derecha de la igualdad (*). Sir Isaac Newton (Inglaterra 16431727). Probablemente el cien tco m s renombrado de todos los tiempos. Fundador de la mec ni a a ca, la optica y el c lculo diferencial. Sus tres leyes de la mec nica a a fundaron la base de la ingeniera que llev a la revoluci n industrial. o o

x 7 xp K es un morsmo de campos. Demuestre que si K es un campo nito entonces esta funci n es un automorsmo de K. A este automorsmo se le llama automorsmo de o Frobenius. [128] La expansi n de ij o Ahora deduciremos otra consecuencia de la forma general de la ley distri Y X butiva que usaremos mucho m s adelante. Supongamos que N es un conjunto a ij nito de ndices y que para cada pareja de ndices (i, j) tenemos un elemento iN jN del campo K que denotaremos por ij . Nuestro objetivo es usar la ley distri butiva para expresar el elemento del campo del recuadro a la derecha como una suma de productos. Para esto lo m s c modo es pensar que el conjunto N es {1, . . . , n} y expresar la forma a o general de la ley distributiva en nuestro caso de la siguiente manera ! ! X X X X XY 1j1 njn = ... 1j1 1jn = iji
j1 N jn N j1 N jn N iN

Ejercicio 26 Sea K un campo de caracterstica p > 0. Demuestre que la funci n K 3 o

donde la suma m s a la derecha en esta igualdad recorre todos los elementos (j1 , . . . , jn ) a del producto cartesiano N N de n copias de N o sea, Nn . Otra manera de pensar a (j1 , . . . , jn ) es que tenemos una funci n f : N = {1, . . . , n} 3 i 7 ji = f (i) N y en o nuestra suma tenemos que recorrer todas estas posibles funciones o sea, el conjunto NN de todas las funciones de N en N. Luego, en estas notaciones nalmente obtenemos

22

Captulo 1. Campos
YX
iN jN

ij =

fN N iN

XY

if(i)

que es una f rmula que ya no depende de cual es el conjunto N. o Debemos recalcar una vez m s que todo lo dicho en esta secci n es v lido para cual a o a quier campo, sea este R, C, Q, Zp o cualquier otro campo que a n no conoscamos. Esta es u la ventaja intrnseca de la abstracci n. No tenemos que demostrar el teorema de Pit goras o a para tri ngulos de acero, madera, etc. Estas propiedades no tienen nada que ver con que el a cuadrado de la hipotenusa sea igual a la suma de los cuadrados de los catetos. De la misma manera el binomio de Newton no tiene nada que ver con que si los n meros son reales o u complejos u otros. Solo basta que nuestros n meros formen un campo. u
Un lector atento, podra observar que en las pruebas de todas las f rmulas en ning n momento usa o u mos la existencia de inversos en el campo. Luego, estas son v lidas en cualquier anillo conmutativo. a A diferencia de las matem ticas elementales en matem ticas superiores, por aritm tica se entiende a a e el estudio de las propiedades de divisibilidad en anillos. En este sentido, la aritm tica de campos es trivial ya e que todo elemento se divide entre cualquier otro no nulo.

1.7 Anillos con divisi n o

Si en los axiomas de campo eliminamos la condici n de que el producto es conmutativo o obtenemos el concepto de anillo con divisi n (tambi n se le llama cuerpo). o e O sea, un anillo con divisi n es un conjunto D o AD1) (D, +) es un grupo abeliano con una suma y un producto tal que se cumplen AD2) (D\0, ) es un grupo los axiomas del recuadro a la izquierda. En par AD3) es distributivo con respecto a + ticular, todo campo es anillo con divisi n. o

y el producto es distributivo respecto a la suma entonces, la suma es conmutativa. En otras palabras en los axiomas de anillo con divisi n la conmutatividad de la suma es consecuencia o del resto de los axiomas. [128] Quaterniones No es muy f cil construir anillos con divisi n que no sean campos. Para esto, supon a o gamos que en lugar de un solo n mero imaginario i tenemos tres diferentes imaginarios i, u j y k que cumplen que i2 = j2 = k2 = 1. Un quaterni n es un n mero de la forma o u a + bi + cj + dk donde a, b, c, d son n meros reales. El lector debe observar la analoga u con los n meros complejos. Podemos sumar quaterniones por coordenadas u

Ejercicio 27 Pruebe que si (D, +, ) es tal que (D, +) es un grupo, (D\ {0} , ) es un grupo

Secci n 1.7 o

Anillos con divisi n o

(a + bi + cj + dk) + (a0 + b0 i + c0 j + d0 k) = ((a + a0 ) + (b + b0 ) i + (c + c0 ) j + (d + d0 ) k)

23

y es f cil comprobar que el conjunto de todos los quaterniones H es un grupo abeliano a respecto a la suma. Para poder mutiplicar quaterniones postulamos que si a es un real y x es un imaginario entonces ax = xa. Tambi n postulamos que si x y y son dos imaginarios distintos entonces e xy = yx. Esto nos dice que nuestra multiplicaci n de quaterniones no es conmutativa. o Ahora, si a+bi+cj+dk y a0 +b0 i+c0 j+d0 k son dos quaterniones arbitrarios entonces los multiplicamos como si fueran polinomios en las variables no conmutativas i, j, k y usando los postulados obtenemos que su producto es igual a aa0 bb0 cc0 dd0 + 0 0 + (ab + ba ) i + (ac0 + ca0 ) j + (da0 + ad0 ) k+ + (bc0 cb0 ) ij + (cd0 dc0 ) jk + (db0 bd0 ) ki. Para poder concluir la denici n de la multiplicaci n o o a00 = aa0 bb0 cc0 dd0 de quaterniones postulamos que ij = k, jk = i y ki = j. b00 = ab0 + ba0 + cd0 dc0 As denitivamente, obtenemos que el producto de nues c00 = ac0 + ca0 + db0 bd0 tros quaterniones es (a00 + b00 i + c00 j + d00 k) donde los co d00 = da0 + ad0 + bc0 cb0 ecientes a00 , b00 , c00 y d00 son los denidos en el recuadro a la derecha. O sea, el producto de quaterniones es un quaternion. No es difcil (pero si muy laborioso) probar directamente de la denici n que este producto es asociativo tiene o elemento neutro 1 = 1 + 0i + 0j + 0k y que es distributivo respecto a la suma. Para comprobar la existencia de inversos multiplicativos denimos para un quaternion no nulo x = a + bi + cj + dk su quaterni n conjugado x = a bi cj dk. De la denici n o o 2 2 2 2 de producto de quaterniones tenemos que x = xx = a + b + c + d es un n mero real x u x que tiene inverso multiplicativo. De esto se deduce que x (x )1 es el inverso multiplicativo de x. En resumen, el conjunto de los quaterniones H son un anillo con divisi n pero no son o un campo. Los quaterniones fueron descubiertos en 1843 por el fsico, ma tem tico y astr nomo irland s Sir William Rowan Hamilton (1805 a o e 1865). De aqu la notaci n H para denotar el anillo de qua o terniones. Los quaterniones jugaron un papel fundamental en la matem tica y la fsica del siglo XIX. Por ejemplo, James Clerk a Maxwell us los quaterniones para desarrollar sus equaciones del o electromagnetismo. En la actualidad son importantes por ejemplo, para las aplicaciones en las cuales se requiere describir en forma eciente rotaciones espaciales (rob tica, control de naves espacia o les, gr cos por computadoras, etc.). a

24

Captulo 1. Campos

Ejercicio 28 Muestre que la tabla de multiplicar de los imaginarios i, j, k es consecuencia de las igualdades de Hamilton i2 = j2 = k2 = ijk = 1. [129] Ejercicio 29 Muestre que los quaterniones que son raices cuadradas de 1 forman natural mente una esfera en R3 . M s precisamente (a + bi + cj + dk)2 = 1 si y solo si se cumple a 2 2 2 que b + c + d = 1. [129] Ejercicio 30 Constraste ?? con el hecho de que hay un innito n mero de quaterniones que u son raices de 1 (ejercicio 29). Que falla en la prueba de ?? para el caso de los quaternio nes? [129]
Caso nito Los quaterniones son un anillo con divisi n innito y es natural preguntarse si se pueden o construir anillos con divisi n nitos que no sean campos. El siguiente teorema responde esta o pregunta en forma negativa. Teorema de Wedderburn Todo anillo con divisi n nito es un campo. o La prueba de este teorema involucra un an lisis del grupo multiplicativo del anillo y usa a t cnicas de teora de grupos que se salen fuera de los objetivos de este libro. e

Captulo segundo

Espacios Vectoriales
ste es el objeto central del algebra lineal. Motivaremos la introducci n de este concep o to en el ejemplo geom trico del plano cartesiano. Daremos las denici n de espacio e o vectorial complementandola con los ejemplos m s fundamentales. Profundizaremos a en la estructura de estos estudiando sus subespacios, sus bases, su dimensi n etc. lo que nos o llevar a entender todos los espacios vectoriales (al menos los de dimensi n nita). Finaliza a o remos este captulo con el estudio de las operaciones entre subespacios y subespacios anes lo que nos llevar a entender los espacios cocientes. a

2.1 El plano cartesiano

Hubo alg n tiempo, en que el algebra y la geometra eran dos cosas to u talmente aparte. Los algebristas trabajaban con n meros, polinomios, u raices, f rmulas, etc. y los ge metras con puntos, lineas, polgonos, o o etc. Ren Descartes (Francia 15961650) fu el que tuvo la brillante e e idea de introducir los ejes de coordenadas. Tomamos dos rectas per pendiculares, a la horizontal se le llama eje y de las equis y a la vertical se le llama eje de las yes. Para cada punto del plano p tra p py zamos la perpendicular al eje x y al eje y y de esta manera obte nemos los puntos px en el eje x y py en el eje y. Por cuanto, el eje de las x lo podemos identicar (escogiendo una unidad de medida) con R donde el cero es el origen de coordenadas (la intersecci n o de los dos ejes) por tanto, px es simplemente un n mero real. De la u px x misma manera py es otro n mero real. As, a cada punto del plano u p se le hace corresponder biunvocamente una pareja de n meros u reales (px , py ). Adem s, es conveniente representar cada punto del plano como el segmento a dirigido desde el origen de coordenadas hasta el punto o sea como vectores. A los elementos de R (para diferenciarlos de los vectores) los llamaremos escalares.

26

Captulo 2. Espacios vectoriales

Desde ahora denotaremos los vectores por letras latinas en negritas. A diferen cia de estos, los escalares se denotar n por letras latinas y griegas normales. a

y a

a + b Si a = (ax , ay ) y b = (bx , by ) son dos vectores la suma de los mismos se dene como a + b = (ax + bx , ay + by ) . La suma, geom tricamen e te no es nada m s que la diagonal del paralelogramo generado por a y a b . Del hecho que (R, +) es un grupo abeliano se desprende f cilmente a b que nuestro plano cartesiano R2 es tambi n un grupo con respecto a la e x suma de vectores. y a x 2a

Si a = (ax , ay ) es un vector y un escalar el producto a se dene como (ax , ay ) . Geom tricamente este producto es aumentar (o reducir) e en un factor el vector a. Si el factor es negativo entonces el resultado apunta en la direcci n opuesta. Si el factor es cero entonces el vector se o degenera al origen de coordenadas.

El producto por escalares es distributivo con respecto a la suma de vectores y tambi n con respecto a la suma de escalares o sea e se cumplen las igualdades en el recuadro. Estas dos leyes distri butivas (son diferentes!) se cumplen porque son ciertas en cada coordenada. Adem s, obviamente tenemos que (a) = () a. Todo esto nos dice que el a plano cartesiano es nuestro primer ejemplo de espacio vectorial sobre los reales. (a + b) = a+b ( + ) a =a+a

Ejercicio 31 Demuestre geom tricamente que la diagonal del paralelogramo generado por e
a y b tiene coordenadas (ax + bx , ay + by ). [129] Ejercicio 32 Es la multiplicaci n de un escalar por un vector una operaci n binaria? [129] o o Ejercicio 33 Cuantas diferentes operaciones hay en (a) y () a? [129] Ejercicio 34 Que es la resta de dos vectores? Cual es su interpretaci n geom trica? o e

2.2 Denici n y ejemplos o

Secci n 2.2 o

Denici n y ejemplos o

27

La primera denici n de espacio vectorial la dio Giuseppe Peano (Italia, o 1858 1932), en su libro C lculo Geom trico publicado en 1888. Pea a e no es m s conocido por su axiom tica de los n meros naturales, o por la a a u Curva de Peano que es una inmersi n continua sobreyectiva del inter o valo en el cuadrado. Sea K un campo cuyos elementos los llamaremos escalares y (E, +) un grupo abeliano cuyos elementos los llamaremos vectores. Diremos que es un espacio vectorial sobre K si est denida una operaci n de producto de escalares E1) (a + b) = a + b a o ( + ) a =a+a por vectores KE E que cumple las propiedades E1 E3. A los axiomas E1 y E2 se les llama distributividad E2) (a) = () a y asociatividad respectivamente del producto por escala E3) 1a = a res. El 1 que aparece en el axioma E3 es el 1 del campo. Como (E, +) es un grupo abeliano entonces, tiene que tener un vector neutro que deno taremos por 0. El opuesto del vector a se denota por a. Por otro lado el campo de escalares tiene un neutro para la suma: el 0, un neutro para el producto: el 1, opuestos para la suma e inversos multiplicativos 1 . Las relaciones que cumplen estos con respecto al producto por escalares nos las da el siguiente resultado b sico. a En todo espacio vectorial para cualquier vector a y cualquier escalar se cumple que 0a = 0, (1) a = a y 0 = 0. Prueba. La demostraci n se realiza mediante las siguentes tres cadenas de igualdades o E3 E1 0a = 0a + 1a a = (0 + 1) a a = a a = 0 E3 E1 (1) a = (1) a + 1a a = (1 + 1) a a = 0a a = a E2 E3 E1 E3 0 = 0 + 1 0 = 0 + 1 0 = 1 0 = 1 0 = 0 donde signos = est n marcados con los axiomas por los que son v lidos. a a

Ejercicio 35 Demuestre que a = 0 = 0 o a = 0. [129] Ejercicio 36 Cual es el mnimo n mero de elementos que puede tener un espacio vecto u
rial? [129] Veamos ahora algunos ejemplos de espacios vectoriales. Es muy importante que el lector no se pierda en la cantidad de ejemplos que sigue. La mayora de ellos son fundamentales para entender este libro. En particular, introduciremos notaciones b sicas que ser n usadas a a constantemente. El espacio de nadas Kn

28

Captulo 2. Espacios vectoriales

Consideremos el producto cartesiano de n copias del Kn = {(a , a , ..., a ) | a K} 1 2 n i campo K. Este producto se denota por Kn y est forma a do por todas las nadas (a1 , a2 , ..., an ). Al escalar ai se le llama la i sima coordenada de e la nada (a1 , a2 , ..., an ). Luego, una nada tiene n coordenadas. Los vectores ser n las nadas, los escalares ser n los elementos a a (a1 , ..., an ) a de K. En Kn se introduce f cilmente la suma por coordenadas co mo se muestra en el recuadro a la izquierda. Del hecho de que las (b1 , ..., bn ) (a1 + b1 , ..., an + bn ) propiedades necesarias se cumplen en cada coordenada se des prende que (Kn , +) es un grupo abeliano. La multiplicaci n por escalares tambi n se introduce por coor o e (a1 , ..., an ) denadas. El axioma E1 se reduce en cada coordenada a la distribu tividad del producto respecto a la suma en el campo K. El axioma E2 a la asociatividad del producto en K. Finalmente, el axioma E3 (a1 , a2 , ..., an ) se reduce en cada coordenada a que 1 es el neutro para el producto en el campo K. De esta manera obtenemos que Kn es un espacio vectorial sobre K.

El espacio de polinomios K [x] Podemos sumar polinomios, esta suma se hace coe n X ciente por coeciente. Tambi n sabemos multiplicar un e ai K ai xi | elemento de K por un polinomio. Es muy conocido que K [x] = nN i=0 todos los axiomas de espacio vectorial se cumplen. En cierto sentido este espacio vectorial es parecido al anterior. Podemos asociar a cada polino P mio n ai xi la (n + 1)ada (a0 , a1 , , ..., an ) y la multiplicaci n por escalar es la misma o i=0 n+1 que en K . Para la suma podemos tener un problema si son de grados diferentes pero esto P se resuelve agregando sucientes ceros o sea si m bi xi es otro polinomio con n > m i=0 entonces podemos asociarle la nada (b0 , b1 , ..., bn , 0, ..., 0) con sucientes ceros para com pletar las n coordenadas y entonces la suma es la misma que en Kn+1 . Aunque sepamos multiplicar polinomios, esto no tiene ning n papel en el concepto de espacio vectorial. u El espacio de sucesiones K Dos sucesiones se suman por coordenadas como se muestra en el recuadro. La mutiplicaci n un escalar es tambi n por o e coordenadas. Los axiomas de espacio vectorial se comprue ban f cilmente. El lector debe observar que los elementos a de la sucesi n pueden estar en un campo arbitrario y no ne o cesariamente en R como estamos acostumbrados. La noci n de convergencia de sucesiones o no tiene nada que ver con el concepto de espacio vectorial. (a1 , a2 , ..., an , ...) (b1 , b2 , ..., bn , ...) (a1 + b1 , , ..., an + bn , ....)

El espacio de series K [[x]]

Secci n 2.2 o

Denici n y ejemplos o

29

Las series se suman coeciente por coeciente. Para X multiplicar por un escalar se multiplican todos los coe ai xi | ai K cientes por el escalar. Los axiomas de espacio vectorial K [[x]] = i=0 se cumplen porque se cumplen para cada coeciente. De P hecho, este ejemplo es el mismo que el del espacio de sucesiones. Cada serie ai xi se i=0 determina unvocamente por la sucesi n (a0 , a2 , ..., an , ...) de sus coecientes y no hay di o ferencia entre sumar series y sumar las correspondientes sucesiones. Lo mismo pasa con la multiplicaci n por un escalar. Al igual que con los polinomios, el concepto de producto de o series no juega ning n papel en el hecho de que K [[x]] sea un espacio vectorial. u El espacio de funciones KN Hay una biyecci n natural entre las nadas (a1 , a2 , ..., an ) Kn y las funciones {1, ..., n} 3 o i 7 ai K. Igualmente las sucesiones (a0 , a1 , ..., an , ...) se corresponden biunvocamen te con las funciones N 3 i 7 ai K. Ahora, generalicemos estos ejemplos. Si N es un conjunto arbitrario (no necesitamos de operaci n alguna en N) entonces el conjunto de to o das las funciones de N en K se denota por KN . Dadas dos funciones f, g KA la suma de ellas se dene como es habitual por (f + g) (i) = f (i) + g (i) para cualquier i N. El producto por un escalar se dene por (f) (i) = f (i). Los axiomas de espacio vectorial se comprueban f cilmente. Por ejemplo, la suma de funciones es conmutativa porque para cada a i en N se cumple que f (i) +g (i) = g (i) +f (i) gracias a la conmutatividad de la suma en el campo. Como hemos visto, el espacio Kn y el espacio de sucesiones son un caso particular de este ejemplo cuando N es {1, ..., n} y N respectivamente. Adem s, ya observamos que a N K [[x]] = K . El espacio de Nadas KN En lo adelante una funci n en KN se denotar por N . M s precisamente, N o a a es la funci n que a cada i N le hace corresponder el escalar i . Por ejemplo, o si N = {1, . . . , n}, entonces N = (1 , . . . , n ). La bondad de esta notaci n o N es que podemos pensar los elementos de K (funciones) como si fueran nadas. Para poder seguir pensando en N como si fuera en una nada necesitamos las palabras adecuadas. A los elementos N de KN los llamaremos Nadas. Al conjunto N lo llamaremos conjunto de ndices de N y a los elementos de N los llamaremos ndices. Si i es un ndice, entonces e diremos que i es la i sima coordenada de N . En estas notaciones la suma de dos Nadas es por coordenadas. O sea, la i sima coordenada de N + N es i + i . El producto por e escalares tambi n es por coordenadas. O sea, la i sima coordenada de N es i . e e Si el conjunto N es nito y tiene n elementos entonces, la diferencia fundamental entre una Nada y una nada es que las coordenadas de la Nada no necesariamente est n or a denadas. Por ejemplo, si el conjunto N es un conjunto de tres vectores entonces, estos no tienen un orden natural. Para poder identicar una Nada de estos con una 3ada, necesita mos denir articialmente cual es el primer vector cual es el segundo y cual es el tercero.

30

Captulo 2. Espacios vectoriales

Sin embargo, si al lector le cuesta trabajo pensar en las Nadas cuando N es un conjunto, le sugiero olvidarse de que N es un conjunto y pensar que N es un n mero natural. u El espacio de Nadas con soporte nito K{N} Sea N KN una Nada. El soporte N es por denici n el conjunto de ndices i tales o que i 6= 0. Si el conjunto de ndices N es nito entonces, cualquier Nada tiene soporte nito (porque un subconjunto de un conjunto nito es nito). Sin embargo, si el conjunto de ndices es innito entonces habr Nadas con soporte innito. a Si sumamos dos Nadas de soporte nito el resultado ser una Nada de soporte nito a (porque 0 + 0 = 0). Si multiplicamos una Nada de soporte nito por un elemento del campo el resultado ser una Nada de soporte nito (porque 0 = 0). Los axiomas de a espacio vectorial se cumplen porque ya sabemos que se cumplen para cualesquiera Nadas. Al espacio de Nadas con soporte nito se le denota por K{N} . Como ejemplo de espacio de Nadas de soporte nito veamos el siguiente. Cada polino P mio n ai xi determina unvocamente una Nada a donde ai = 0 si i > n. Esta Nada i=0 es de soporte nito. Recprocamente, si a es una Nada de soporte nito entonces, nece sariamente, hay un natural n tal P ai = 0 para cualquier i > n. As, le podemos hacer que n i corresponder a a el polinomio i=0 ai x . Esta correspondencia es biunvoca y las opera ciones son las mismas en ambos espacios. Esto nos muestra que, el espacio de polinomios es el espacio de Nadas con soporte nito. En otras palabras K{} = K [x]. Un caso importante es cuando N es nito y en este caso K{N} = KN . O sea, cada Nada es de soporte nito. En particular, si N = {1, . . . , n} entonces K{N} = KN = Kn . Subcampos Sea L un subcampo de K. Podemos sumar los elementos de K y al multiplicar un ele mento de L por uno de K obtenemos un elemento de K. Esto signica que tenemos una operaci n binaria en K (la suma) y una multiplicaci n por escalares L K K. En este o o caso, los axiomas de espacio vectorial se desprenden directamente de las deniciones de campo y subcampo y obtenemos que K es un espacio vectorial sobre L. Un caso muy par ticular es que todo campo es espacio vectorial sobre si mismo. Otro ejemplo importante es que R es subcampo de C. Como cada complejo se puede escribir como una pareja (a, b) con coordenadas en R y la suma de complejos y el producto por un real son las mismas operaciones que en R2 tenemos que C como espacio vectorial sobre R es lo mismo que R2 . Otro ejemplo m s es que R es un espacio vectorial sobre Q. Este caso es sucientemente a complicado para que no digamos nada sobre el. El espacio de Nadas de vectores EN Ahora, nos debemos preguntar, cual es el mnimo de condiciones que le debemos pedir a las coordenadas de una Nada, para poder denir un espacio vectorial. Ya vimos que, si las coordenadas est n en un campo entonces, obtenemos un espacio vectorial. Pero esto es a pedir mucho. En realidad, solo necesitamos saber sumar las coordenadas y multiplicar cada

Secci n 2.2 o

Denici n y ejemplos o

31

coordenada por un escalar, o sea, necesitamos que las coordenadas sean vectores. M s precisamente. Sea E un espacio vectorial sobre el campo K. Denotaremos por EN a el conjunto de todas las Nadas de E. Si aN y bN son dos elementos de EN entonces, la i sima coordenada de aN + bN es ai + bi . Esto lo podemos hacer porque sabemos sumar e los elementos de E. Ahora, si es un elemento de K entonces, la i sima coordenada de e aN es ai . Esto lo podemos hacer porque sabemos multiplicar los escalares en K por los vectores en E. Los axiomas de espacio vectorial se demuestran f cilmente debido a que se a cumplen en cada coordenada. El espacio de NMmatrices KNM Un caso particular de Nadas de vectores es cuando estos vectores son Madas de esca N lares. Este espacio es KM . Para aclarar un poco que sucede en este caso, supongamos N que N = {1, 2} y que M = {1, 2, 3}. Entonces, un elemento del espacio KM es una 2ada (a1 , a2 ) de vectores y cada uno de ellos es una 3ada de escalares. Los dos vectores los po demos representar como en el recuadro a a1 = (11 , 12 , 13 ) 11 12 13 la izquierda y para simplicar nos queda a2 = (21 , 22 , 23 ) 21 22 23 mos con la tabla que vemos a la derecha. Esta tabla es un elemento del espacio de (N M)adas KNM , o sea, los ndices son M N parejas en el producto cartesiano N M. Esto nos permite identicar K con KNM y como las operaciones en ambos espacios son las mismas estos espacios son en esencia el mismo. Cambiando el orden en que ponemos los indices obtenemos las igualdades M M N = KNM = KMN = KN K que el lector debe comparar con (ax )y = axy = ayx = (ay )x para n meros naturales a, x, y. u Desde ahora, para simplicar la notaci n, a una (N M)ada cualquiera la llamaremos o NMada. Tambi n, en lugar de usar la notaci n (NM) para denotar una NMada concreto, e o usaremos la notaci n NM . A una coordenada de esta NMada la denotaremos ij en lugar o o a o de usar la m s complicada (i,j) . En esta notaci n, es m s c modo pensar que hay dos con a juntos de ndices (N y M) en lugar de uno solo (N M). O sea, una NMada es un conjunto de elementos del campo indexado por dos conjuntos de ndices. Cuando N = {1, . . . , n} y M = {1, . . . , m} entonces obtenemos una matriz con n renglones y m columnas. En el ejemplo anterior obtuvimos una matriz con 2 renglones y 3 columnas. Para conjuntos N y M arbitrarios (por ejemplo, conjuntos de jeroglcos chinos), la diferencia es que no hay un orden preestablecido entre los elementos de los conjuntos de ndices por lo que no sabramos cual columna o rengl n poner primero y cual despu s. Como o e esta diferencia no es tan importante y para no formar confusi n en la terminologa desde o NM ahora, a las NMadas los llamaremos NMmatrices. Escribiremos K para denotar el espacio vectorial de todas las NMmatrices. Como ya sabemos, en este espacio las matrices se suman por coordenadas y se multiplican por escalares tambi n por coordenadas. e Sea NM una NMmatriz. Es costumbre llamarle a las coordenadas ij de NM entra das de la matriz. Si i N entonces la Mada iM KM es el i simo rengl n de la matriz e o

32

Captulo 2. Espacios vectoriales

NM . Si j M entonces la Nada Nj KN es la j sima columna. Al conjunto N se e le llama conjunto de ndices de los renglones. An logamente, al conjunto M se le llama a conjunto de ndices de las columnas. Si N0 , M0 son subconjuntos no vacos de N y M respectivamente entonces a la matriz N 0 M 0 se le llama submatriz de NM . Si |N0 | = |M0 | = 1 entonces la submatriz es una entrada. Un rengl n es una submatriz donde |N0 | = 1 y M0 = M o sea una submatriz del o tipo iM . Una columna es una submatriz donde |M0 | = 1 y N = N0 o sea una submatriz del tipo Nj . Una ultima observaci n acerca de las matrices, es que toda esta terminologa o de columnas y renglones viene de la manera usual en forma de tabla en que escribimos una matriz concreta. El espacio de tensores Bueno, y si tenemos m s de dos conjuntos de ndices? Pues es lo mismo. Una NMLada a es una (N M L)ada. Al igual que en las matrices denotaremos por NML a una NML ada con tres conjuntos de ndices o sea un tensor de exponente 3. Las matrices son tensores de exponente 2 y las Nadas son tensores de exponente 1. Los tensores de exponente 0 son los elementos del campo. Si bien podemos pensar un tensor de exponente 1, co mo una serie de elementos del campo uno al lado de otro y pensar los de exponente 2, como una tabla rectangular de elementos del campo, tambi n podemos pensar los tensores e de exponente 3, como un conjunto de elementos del campo dispuestos en un arreglo que llenan un cubo en el espacio. Para cada i N tenemos que iML es un tensor de exponen te 2 o sea una matriz. Todo NML nos lo podemos imaginar como muchas matrices puestas una encima de la otra. Sin embargo cuando el exponente del tensor es grande ya nuestra imaginaci n no da o para visualizar geom tricamente un arreglo de los elementos del campo dispuestos en un e cubo de dimensi n grande. Es mucho m s util el manejo algebraico de estos, que tratar o a de visualizarlos. En este contexto, la terminologa de renglones y columnas se hace inutilizable. Como es l gico, los tensores con conjuntos de ndices jos forman un espacio o vectorial. La suma se hace por coordenadas y tambi n la multiplicaci n por un escalar. e o

2.3 Subespacios
Sea E un espacio vectorial sobre K. Un subespacio es un conjunto no vaco de vectores que es un espacio vectorial para las mismas operaciones.

Secci n 2.3 o

Subespacios

33

Un conjunto de vectores F no vaco es un subespacio si y solo si para cualesquiera a, b F y K los vectores a + b y a est n en F. a Prueba. Si F es un subespacio de E entonces, por denici n a + b y a est n en F. o a Recprocamente, sea F un conjunto de vectores de E que cumple las hip tesis. Como la o suma de vectores es asociativa y conmutativa en E, tambi n lo es en F. Sea a F (existe por e ser F no vaco). Tenemos 0a = 0 F. Adem s b F (1) b = b F. Con esto se a comprueba que (F, +) es grupo abeliano. Los axiomas de espacio vectorial se cumplen en F por ser este un subconjunto de E. Uni n e intersecci n de subespacios o o Ser n la intersecci n (y la uni n) de subespacios un subespacio? La uni n de subespa a o o o cios no es un subespacio. Un ejemplo de esto son el eje x y el eje y en el plano cartesiano (veremos prontamente que son subespacios) sin embargo, la uni n de los mismos no es un o subespacio ya que por ejemplo (0, 1) + (1, 0) = (1, 1) que no pertenece a la uni n de los dos o ejes. Por el contrario, la intersecci n de subespacios si es un subespacio. o La intersecci n de un conjunto de subespacios es un subespacio. o Prueba. La intersecci n de subespacios nunca es vaca porque cada subespacio contiene al o 0. Si a y b son dos vectores en cada uno de los subespacios de un conjunto entonces, a + b tambi n est en cada uno de los subespacios del conjunto. Lo mismo sucede para a. e a Combinaciones lineales Veamos unos ejemplos importantes de subespacios. Sea a un vector no nulo en R2 . El conjunto hai = {a | R} de todos los m ltiplos del u vector a es un subespacio de R2 ya que a + a = ( + ) a, y (a) = () a. Geom tricamente, teniendo en cuenta la identicaci n de vectores e o con los puntos del plano cartesiano, podemos ver que los vectores en este espacio son los puntos de la recta por el origen que pasa por a.

hai

Sean ahora a y b dos vectores en R3 no colineales o sea a 6= b. Consideremos el conjunto de vectores {a + b | , R}. Este conjunto de vectores se denota por ha, bi y es un subespacio ya que a+b+0 a+0 b = ( + 0 ) a+( + 0 ) by (a + b) = a+b. Geom tricamente, vemos que este conjunto contiene a la recta hai que pasa por e a y a la lnea hbi que pasa por b.

34

Captulo 2. Espacios vectoriales

En R3 hay un solo plano que contiene estas dos rectas. Ser es a te plano el subespacio ha, bi? Pues, claro que si. Para cada a punto p de este plano dibujemos la paralela a la lnea hai que p pasa por p obteniendo un punto de intersecci n con la recta o b hbi el cual es b para alg n R. An logamente, dibujan u a ha, bi do la paralela a hbi obtenemos el punto a en la recta hai y vemos que p = a + b. Luego, p ha, bi. Estos ejemplos nos motivan a la siguiente denici n. Sea N un conjunto de X o vectores. Una combinaci n lineal de N es cualquier vector de la forma que se o i i muestra en el recuadro a la derecha. A los escalares i se les llama coecientes iN de la combinaci n lineal. o Es posible que no se entienda esta notaci n. El conjunto de ndices es el conjunto de o vectores N por lo que en la suma hay tantos sumandos como vectores hay en N. As por ejemplo si N = {a, b, c, d} entonces una combinaci n lineal de N es un vector de la forma o P a+b + c+d. En otras palabras, la notaci n iN i i debe interpretarse as: t mese o o los vectores de N, cada uno de ellos multiplquese por un escalar y s mese los resultados. u Todo esto est muy bien si el conjunto N es nito. Si N es innito tenemos un problema. a Que es una suma innita de vectores? La manera de evitar este problema es que le pedire mos a los coecientes i que todos salvo un n mero nito sean cero o sea, que la Nada N u cuyas coordenadas son los coecientes de la combinaci n lineal es de soporte nito. Como o podemos despreciar los sumandos iguales a cero, tenemos que una combinaci n lineal es o siempre una suma de un n mero nito de vectores. u El conjunto de todas las combinaciones lineales de N es un subespacio. P P Prueba. Sean iN i i y iN i i dos combinaciones lineales de N entonces, de la aso ciatividad y conmutatividad de la suma de vectores y de la distributividad del producto por X X X escalares obtenemos: i i+ i i = (i + i ) i
iN iN iN

u que es una combinaci n lineal de N yaP todoslos (i + i ) salvo un n mero nito tienen o que P que ser cero. Lo mismo ocurre con iN i i = iN i i. Cerradura lineal Denotaremos por hNi al conjunto de todas las combinaciones lineales de N. Si F es un subespacio que contiene a N entonces, F contiene a hNi.

Prueba. Si F contiene a N entonces, F contiene a todos los m ltiplos de los vectores en N u y a todas sus sumas nitas. Luego, cualquier combinaci n lineal de N est en F. o a

Secci n 2.3 o

Subespacios

35

Los siguientes tres conjuntos de vectores coinciden 1. El conjunto de todas las combinaciones lineales de N. 2. La intersecci n de todos los subespacios que contienen a N. o 3. El subespacio m s peque o que contiene a N. a n o Prueba. Denotemos por F1 , F2 y F3 a los tres conjuntos del enunciado de la proposici n. Por denici n F1 = hNi. Por la proposici n 2.3 el conjunto F2 es un subespacio que contiene a o o N y de 2.5 obtenemos que F1 F2 . Por denici n de intersecci n tenemos que F2 F3 . o o Por denici n, F3 est contenido en cualquier subespacio que contiene a N y en particular o a F3 F1 . La prueba termina usando la transitividad de la inclusi n de conjuntos. o A cualquiera de los tres conjuntos (son iguales!) de la proposici n anterior se le denota o por hNi y se le llama cerradura lineal de N o tambi n el subespacio generado por N. e Propiedades de la cerradura lineal La cerradura lineal cumple las siguientes propiedades: N hNi (incremento), N M hNi hMi (monotona), hhNii = hNi (idempotencia). Prueba. El incremento es inmediato de 2.6.3. Supongamos ahora que N M. Cualquier combinaci n lineal de N es tambi n combinaci n lineal de M (haciendo cero todos los o e o coecientes de los vectores en M\N). Finalmente, por 2.6.3 hhNii es el subespacio m s a peque o que contiene a hNi. Como hNi es un subespacio entonces, hhNii = hNi. n En matem ticas las palabras clausura, cerradura y envoltura son sin nimos. Por a o esto con el mismo exito, otros autores le llaman clausura lineal o envoltura lineal a nuestro concepto de cerradura lineal. Adem s, es bueno que el lector encuentre el parecido a entre el concepto de cerradura lineal y el concepto de cerradura en an lisis (la intersecci n a o de todos los cerrados que contienen a un conjunto).
En general una funci n que a un conjunto N le hace corresponder otro conjunto hNi y que cumple o las propiedades 13 se le llama operador de cerradura (clausura, envoltura). En este caso a los conjuntos tales que N = hNi se le llaman cerrados. Que se cumplan las propiedades 13 es, en general, equivalente a que el operador de cerradura se dena como la intersecci n de todos los cerrados que o contienen al conjunto. En todas las ramas de las matem ticas se encuentran operadores de cerradura. a

Ejercicio 37 Demuestre que N es un subespacio si y solo si N = hNi. Ejercicio 38 Demuestre que (x hN yi \ hNi) (y hN xi). [129]

36

Captulo 2. Espacios vectoriales

2.4 Bases

Observemos que la denici n de combinaci n lineal de N de o o termina la funci n fN del recuadro a la izquierda que a ca o iN da Nada de soporte nito N le hace corresponder el vector P i i. Esta funci n no tiene porque que ser sobreyectiva ni inyectiva, depende del con o iN junto de vectores N. Por ejemplo, sea N = {x, y, z} donde x = (0, 0, 1), y = (0, 1, 0) y z = (0, 1, 1) son tres vectores en R3 . En este caso fN (2, 2, 0) = fN (0, 0, 2) = (0, 2, 2) por lo que fN no es inyectiva. Tampoco es sobreyectiva porque (1, 0, 0) no tiene preimagen. K{N} 3 N 7 i i E En esta secci n estableceremos que en todo espacio vectorial existen conjuntos N para o los cuales la funci n fN es biyectiva. Este hecho es fundamental, porque en este caso existe la o funci n inversa f1 : E K{N} que nos permitir introducir coordenadas en cualquier espa o a N cio vectorial. Es m s, veremos que los conjuntos de vectores para los cuales fN es biyectiva a tienen la misma cantidad de vectores. Esto quiere decir que cada vector de E se dene por un cierto n mero de elementos del campo (coordenadas) y que este n mero es independiente u u 2 del vector a denir. Solo depende del espacio. As, en R nos hacen falta siempre dos reales para dar un vector y en R7 nos hacen falta siete. Conjuntos generadores

Primero, lo m s f cil. La imagen de la funci n fN es hNi , la cerradura de N. Diremos a a o que N es un conjunto generador si hNi es todo el espacio o sea, si fN es sobreyectiva. Los generadores son un ltro Todo sobreconjunto de un conjunto generador es generador. Prueba. Supongamos M N. Por monotona de la cerradura lineal tenemos hNi hMi. Si hNi es todo el espacio entonces, necesariamente hMi tambi n lo es. e Conjuntos linealmente independientes

Ahora, veamos cuando fN es inyectiva. Observese que en un lenguaje m s descriptivo, a un fN es inyectiva si y solo si se cumple la propiedad 3 del siguiente resultado.

Secci n 2.4 o

Bases

37

Teorema de Caracterizaci n de Conjuntos Linealmente Independientes o Sea N un conjunto de vectores. Las siguientes armaciones son equivalentes 1. Cualquier subconjunto propio de N genera un subespacio m s peque o a n que todo N. 2. Cualquier vector en N no es combinaci n lineal de los restantes. o 3. Si dos combinaciones lineales de N son iguales entonces, todos sus coecientes son iguales. 4. Si una combinaci n lineal de N es cero entonces, todos sus coecientes o son cero. Prueba. (1 2) Si 1 no es cierto entonces existe a N tal que hNi = hN\ai pero entonces a hN\ai lo que contradice 2. Recprocamente, si 2 no es cierto entonces existe a N tal que a hN\ai. Por incremento N\a hN\ai y como adem s a hN\ai a entonces N hN\ai. Por monotona e idempotencia hNi P hN\ai lo que contradice 1. P P (3 4) Observese que i i = iN i i (i i ) i = 0 y adem s a iN iN (i = i ) (i i = 0). Luego, la existencia de combinaciones lineales iguales con al gunos coecientes diferentes es equivalente a la existencia de combinaciones lineales iguales a cero con algunos coecientes no cero. (2 4) Si no se cumple 2 entonces hay un vector a N que es combinaci n lineal de o N\a. Pasando todos los sumandos hacia un lado de la igualdad obtenemos una combinaci n o lineal de N igual a cero con un coeciente distinto de cero. Esto contradice 4. Recproca mente, si no se cumple 4 entonces hay un vector a N y una combinaci n lineal de N igual o a cero y con a 6= 0. Despejando a, obtenemos que a hN\ai. Esto contradice 2.

Ejercicio 39 Busque en la prueba del Teorema de Caracterizaci n de Conjuntos Linealmen o

te Independientes (2.9) donde se usan los inversos nultiplicativos. [130] Diremos que un conjunto de vectores N es linealmente independiente si se cumple alguna (y por lo tanto todas) las armaciones de la proposici n anterior. Los conjuntos de o vectores que no son linealmente independiente se les llama linealmente dependientes. A partir de ahora para no repetir constantemente frases largas a los conjuntos de vectores linealmente independientes los llamaremos conjuntos LI. An lo a gamente a los conjuntos de vectores linealmente dependientes los llamaremos conjuntos LD. Estas notaciones se deben pronunciar ele i y ele de. Los independientes son un ideal Todo subconjunto de un conjunto LI es LI.

38

Captulo 2. Espacios vectoriales

Prueba. Sea N M tal que M es LI. Cualquier combinaci n lineal de N es combinaci n o o lineal de M. Luego toda combinaci n lineal de N igual a cero tiene todos sus coecientes o iguales a cero Antes de pasar a la denici n de base, demostremos un peque o resultado que usaremos o n repetidamente en lo adelante. Lema de Aumento de un Conjunto LI Si N es independiente y Na es dependiente entonces a hNi. Prueba. Si N a es LD entonces, por la caracterizaci n 2.9.4 de los conjuntos LI, hay o una combinaci n de N a igual a cero cuyos coecientes no todos son igual a cero. Si el o coeciente en a fuera igual a cero obtendramos una contradicci n con que N es LI. Luego, o el coeciente en a es diferente a cero y despejando a obtenemos a hNi. Bases La relaci n entre los conjuntos generadores y los conjun o tos LI la podemos ver intuitivamente en la gura a la derecha. Aqu est n representados los subconjuntos del espacio E que a son generadores o que son LI. Mientras m s arriba m s gran a a de es el subconjunto. Nuestro inter s ahora se va a concentrar e en la franja del centro donde hay subconjuntos que a la vez son generadores y LI. La siguiente proposici n nos dice que o esta franja no puede ser muy ancha. Teorema de Caracterizaci n de Bases o Sea N un conjunto de vectores. Las siguientes armaciones son equivalentes 1. N es generador y N es LI, 2. N es LI y cualquier sobreconjunto propio de N es LD, 3. N es generador y cualquier subconjunto propio de N no es generador. Prueba. (1 2) Sea N independiente y generador. Sea a N. Como N es generador / a hNi . De la caracterizaci n 2.9.2 de los conjuntos LI se sigue que N a es LD. Luego o todo sobreconjunto propio de N es LD. (2 3) Sea N independiente maximal. Por incremento N hNi. Si a N entonces / N a es LD. Por el Lema de Aumento de un Conjunto LI (2.11) tenemos a hNi . Luego, N es generador. Si alg n subconjunto propio de N fuera generador entonces existira a N u tal que a hN\ai y por la caracterizaci n 2.9.2 de los conjuntos LI esto contradice la o suposici n de que N es LI. o (3 1) Sea N generador minimal. Si N es LD entonces, por la caracterizaci n 2.9.1 o E Conjuntos generadores Conjuntos LI

Secci n 2.4 o

Bases

39

de los conjuntos LI existe subconjunto propio M de N tal que hMi = hNi . Como N es generador entonces M tambi n lo es. Esto contradice la suposici n de que N es minimal. e o Sea F un subespacio. Un conjunto de vectores que es generador de F y que es LI se le llama base de F. Las bases de todo el espacio se llaman simplemente bases. El ser base es equivalente a ser un conjunto LI lo m s grande posible o ser un conjunto generador lo m s a a chico posible. Tambi n, el ser base es equivalente a que nuestra funci n fN del principio de e o esta secci n sea biyectiva. o Lema de Incomparabilidad de las Bases Dos bases diferentes no est n contenidas una dentro de la otra. a Prueba. Si N M son dos bases diferentes entonces N es un subconjunto propio de M y por el Teorema de Caracterizaci n de Bases (2.12) esto es una contradicci n. o o Teorema de Existencia de Bases Sea N un conjunto generador y L N un conjunto LI. Entonces, existe una base M tal que L M N. Prueba. Sean L y N como en las hip tesis del teorema. Sea M un conjunto LI tal que o L M N. Si M es maximal con estas propiedades (a N\M M a es LD) entonces, por el Lema de Aumento de un Conjunto LI (2.11) tenemos N hMi. Como N es generador, esto signica que M tambi n lo es y por lo tanto M es una base. e Nuestra tarea es encontrar un M que es maximal con estas propiedades. Esto es f cil si a el conjunto N es nito. Primero ponemos M igual a L. Si M es maximal terminamos, si no, entonces existe a N\M tal que M a es LI. Agregamos a al conjunto M y repetimos este proceso. Como N es nito este proceso tiene que terminar.

Ejercicio 40 Pruebe que las siguientes armaciones son consecuencia directa del Teorema
de Existencia de Bases (2.14): 1. Todo espacio vectorial tiene base. 2. Cualquier conjunto LI esta contenido en una base. 3. Cualquier conjunto generador contiene a una base. [130]

Dimensi n o Ahora lo que queremos ver es que todas las bases tienen el mismo n mero de vectores. u Para probar esto se necesita ver primero una propiedad cl sica de las bases. a

40

Captulo 2. Espacios vectoriales

Si M y N son dos bases entonces, para cualquier a M existe b N tal que (M\a) b es base.

Propiedad del Cambio de las Bases

o Como Mb es LI entonces, b no es una combinaci n lineal de M\a y por lo tanto a 6= 0. Luego, podemos despejar a de la primera ecuaci n, substituirla en la segunda y as obtener o que v hMb i. Esto signica que Mb es generador. Equicardinalidad de las Bases Dos bases cualesquiera de un espacio vectorial tienen el mismo cardinal. Prueba. Sean A = {a1 , ..., an } y B dos bases. Por la Propiedad del Cambio de las Bases (2.15) existe otra base A1 = {b1 , a2 , ..., an } donde b1 B. Observese que |A1 | = n ya que en otro caso A1 A lo que contradice el Lema de Incomparabilidad de las Bases (2.13). Aplicando la Propiedad del Cambio de las Bases (2.15) a A1 obtenemos otra base A2 = {b1 , b2 , a3 , ..., an } tal que b2 B. Observese que |A2 | = n ya que en otro caso A2 A1 lo que contradice el Lema de Incomparabilidad de las Bases (2.13). Repitiendo este proceso obtenemos bases A3 , A4 , ..., An todas con n vectores y adem s An B. Como a e B es base obtenemos An = B y por lo tanto B tambi n tiene n vectores. Al cardinal de una base (cualquiera) se le llama dimensi n del espacio vectorial. La di o mensi n de un espacio vectorial E se denotar por dim E. Los espacios vectoriales que tienen o a una base nita se les llama nito dimensionales o de dimensi n nita. Por el contrario, si o sus bases son innitas entonces, el espacio vectorial es de dimensi n innita. La teora de o los espacios vectoriales de dimensi n nita es m s sencilla pero m s completa que la de los o a a espacios de dimensi n innita. Para darnos cuenta de que hay muchas cosas que se cumplen o en el caso nito dimensional pero no en el caso innito dimensional veamos como ejemplo el siguiente resultado que tendremos m ltiples ocaciones para utilizarlo. u

Prueba. Sea a un vector jo pero arbitrario en M. Para un vector b N denotemos Mb = (M\a) b. Si para todos los b N\ (M\a) el conjunto Mb fuera LD entonces, por el Lema de Aumento de un Conjunto LI (2.11) todo b N sera combinaci n lineal o de M\a. O sea, N hM\ai y por monotona e idempotencia tendramos hNi hM\ai . Como hNi es todo el espacio en particular tendramos a hM\ai lo que no es posible ya que M es LI. Hemos demostrado que existe b N\ (M\a) tal que Mb es LI. Demostremos que Mb es generador. Sea v un vector arbitrario. Por ser M base tenemos que b y v son combinacio nes lineales de M o sea existen escalares apropiados tales que X X b = a a + x x v = a a + x x
xM\a xM\a

Secci n 2.4 o

Bases

41

Sea F un espacio vectorial nito dimensional y E un subespacio de F. Si dim E = dim F entonces E = F. Prueba. Sea N una base de E. Por el Teorema de Existencia de Bases (2.14) existe una base M del espacio F que contiene a N. Como M es nita entonces, N tambi n es nita. Como e las dimensiones coinciden, el n mero de vectores en N es igual al n mero de vectores en M. u u Luego N = M y por lo tanto E = hNi = hMi = F. Observese que la prueba de Equicardinalidad de las Bases (2.16) la hemos he cho solamente para el caso que el espacio tiene una base nita. Nuestra prueba del Teorema de Existencia de Bases (2.14) es solo para el caso que el con junto generador es nito. Finalmente, solo hemos probado que los espacios vectoriales que tienen un conjunto generador nito tienen base. Es importante que el lector sepa que estas tres armaciones son v lidas en general. Sin embargo, las pruebas generales dependen de un a conocimiento m s profundo de la Teora de Conjuntos que no presuponemos que lo posea el a lector. A los interesados en esto les recomiendo leer ahora la ultima secci n de este captulo. o

Ejercicio 41 Pruebe que si E un subespacio de F entonces dim E dim F. [130] Ejercicio 42 Encuentre un ejemplo donde no se cumple 2.17. [130]
Bases can nicas o Ya sabemos que todo espacio vectorial tiene bases. Sin embargo no solamente tienen una base sino muchas. Por esto es conveniente construir bases que son las m s sencillas para a los ejemplos de espacios vectoriales que construimos en la Secci n 2.2. o 2 Comenzemos con R . Sean e1 = (1, 0) y e2 = (0, 1). Cualquier vector (a, b) en R2 tiene una manera de expresarse como combinaci n lineal de N = {e1 , e2 }. Efectivamente, o tenemos la igualdad (a, b) = ae1 + be2 . Esto quiere decir que el conjunto N es generador. Por otro lado, si e1 + e2 = (, ) = 0 = (0, 0) entonces, necesariamente, y son ambos cero. De aqu obtenemos que conjunto N es una base que la llamamos base can nica o 2 de R . Los vectores e1 y e2 se pueden visualizar geom tricamente como los dos vectores de e longitud 1 en ambos ejes de coordenadas. Luego, la dimensi n de R2 es 2. o n Pasemos ahora a K . Para cada i en el conjunto de ndices {1, . . . , n} denotemos por ei el vector cuya iesima coordenada es 1 y todas las dem s son cero (recuerde que todo cam a po tiene uno y cero). Sea N el conjunto de todos esos vectores. Tenemos (1 , . . . , n ) = Pn n i=1 i ei y esto signica que cada vector en K se expresa de forma unica como combina ci n lineal de N. O sea, N es generador y por la caracterizaci n 2.9.3 de los conjuntos LI el o o conjunto N es LI. A la base N se le llama base can nica de Kn . dimensi n de Kn es n. o La o i Veamos el espacio de polinomios K [x]. Sea N el conjunto x | i N . Es claro que todo polinomio se puede escribir de forma unica como combinaci n lineal nita de N. A la o

42

Captulo 2. Espacios vectoriales

base N se le llama base can nica de K [x]. Luego, K [x] es de dimensi n innita contable. o o Desafortunadamente, para el espacio de series no se puede dar explicitamente una base. Para el espacio K{M} de todas las Madas de soporte nito ya hicimos casi todo el trabajo (v ase Kn ). Para cada i en el conjunto de ndices M denotemos por ei el vector cuya iesima e coordenada es 1 y las dem s son cero. Sea N el conjunto de todos esos vectores. Tenemos a P N = iN i eN donde los coecientes son distintos de cero solamente en un subconjunto nito de indices. Luego, N es una base de este espacio la cual es su base can nica. La o {M} dimensi n de K es el cardinal de N ya que hay una biyecci n entre N y M. o o Recordemos al lector que lo de soporte nito es no trivial solo para cuando el conjunto M es innito. Si el conjunto de ndices es nito entonces estamos hablando de todas las M Madas o sea de K . Luego, en el caso de que M es nito K{M} = KM y la base can nica o M de K es la construida en el p rrafo anterior. En el caso de que el conjunto M sea innito a entonces el espacio KM no tiene una base can nica. o El campo de los n meros complejos como espacio vectorial sobre los reales tienen como u base can nica al conjunto {1, i} y por lo tanto tiene dimensi n 2. Los reales como espacio o o vectorial sobre los racionales no tienen una base can nica. o Todos los espacios que hemos visto que no tienen base can nica son de dimensi n in o o nita. Sin embargo, no todos los espacios de dimensi n nita tienen una base can nica. El o o ejemplo m s sencillo de esto es tomar un subespacio de un espacio de dimensi n nita. Si a o este subespacio es sucientemente general, entonces no hay manera de construir una base can nica del mismo incluso en el caso de que todo el espacio tenga una base can nica. o o

Ejercicio 43 Demuestre que el conjunto {(x x0 )i | i N} es una base de K [x]. [130] Ejercicio 44 Cual es la base can nica del espacio de las NMmatrices? [130] o

2.5 Clasicaci n de espacios vectoriales o

En esta secci n veremos que todo espacio vectorial es isomorfo a un espacio de N o adas de soporte nito. Para el caso nito dimensional esto quiere decir que el unico (salvo isomorsmos) espacio vectorial de dimensi n n sobre un campo K que existe es el espacio o de las nadas Kn . Isomorsmos lineales En el Captulo 1 vimos los morsmos de operaciones binarias, grupos, anillos y campos. Para los espacios vectoriales es igual, la unica diferencia es que en ellos hay denida una operaci n que no es interna del espacio: el producto de un escalar por un vector. Sin embargo, o esto no presenta mayores dicultades.

Secci n 2.5 o

Clasicaci n de espacios vectoriales o

43

Sean E y F dos espacios vectoriales sobre el mismo campo K. Una funci n f : E F se le llama morsmo de espacios o vectoriales si para cualesquiera a, b E y cualquier K se cumplen las propiedades del recuadro. A los morsmos de espacios vectoriales tambi n se les llama transformaciones lineales. e Esta ultima expresi n ser la que usemos porque tiene dos importantes ventajas. Primero, o a es m s corta que la primera. Segundo es mucho m s antigua, hay mucha m s cantidad de a a a personas que la conoce y por lo tanto facilita la comunicaci n con ingenieros y cientcos o de diversas areas. f (a + b) = f (a) + f (b) f (a) = f (a)

Ejercicio 45 Demuestre que la composici n de morsmos es un morsmo. [130] o

El estudio de las transformaciones lineales lo pospondremos hasta el siguiente captulo. Aqu estaremos interesados en los isomorsmos de espacios vectoriales. Una transformaci n o lineal f : E F es un isomorsmo de espacios vectoriales o isomorsmo lineal si esta es biyectiva. An logamente al caso de operaciones binarias tenemos el siguiente resultado: a La inversa de cualquier isomorsmo lineal es un isomorsmo lineal. Prueba. Sea K y x, y F. Como f es una biyecci n existen a, b E tales que o f (a) = x , f (b) = y. Como f es isomorsmo tenemos f1 (x + y) = f1 (f (a) + f (b)) = f1 (f (a + b)) = a + b = f1 (x) + f1 (y) f1 (x) = f1 (f (a)) = f1 (f (a)) = a =f1 (x) que es lo que se quera demostrar. Ya observamos, que los isomorsmos son nada m s que un cambio de los nombres de los a elementos y las operaciones. Esto quiere decir que cualquier propiedad debe conservarse al aplicar un isomorsmo. La siguiente proposici n es un ejemplo de esta armaci n. o o Un isomorsmo transforma conjuntos LI en conjuntos LI, con juntos generadores en conjuntos generadores y bases en bases. Prueba. Sea f : E F un isomorsmo de espacios vectoriales. Sea M E y denotemos N = f (M) F. Sean adem s! E , y = f (x) F.! a x Como f es isomorsmo tenemos ! X X X i i = x i f (i) = y j j = y
iM iM jN

donde el conjunto de coecientes {i | i M} es exactamente el mismo que {j | j N}. Si M es generador entonces, para cualquier y F el vector x = f1 (y) es combinaci n o lineal de M y por la equivalencia anterior el vector y es combinaci n lineal de N. Luego, si o M es generador entonces N tambi n lo es. e

44

Captulo 2. Espacios vectoriales

Supongamos que M es LI entonces, poniendo x = 0 obtenemos ! ! X X i i = 0 j j = 0
iM jN

luego, cualquier combinaci n lineal de N que es nula tambi n es combinaci n lineal nula de o e o M y por lo tanto todos sus coecientes son cero. Luego, N es LI.

Ejercicio 46 Demuestre que los isomorsmos conmutan con el operador de cerradura lineal
y que trasforman subespacios en subespacios de la misma dimensi n. o Coordinatizaci n o Sea N un conjunto de vectores del espacio vectorial F. Al principio de la secci n ante o rior introducimos la funci n fN que a cada Nada de soporte nito le hace corresponder la o combinaci n lineal cuyos coecientes son dicha Nada. Esta funci n es siempre una trans o o formaci n lineal ya que o X X X (i + i ) i = fN (N + N ) = i i + i i = fN (N ) + fN (N ) iN iN X X iN fN (N ) = (i ) i = i i = fN (N ) .
iN iN

Por otro lado, ya vimos que fN es sobreyectiva si y solo si N es generador, que fN es inyectiva si y solo si N es LI y por lo tanto fN es un isomorsmo si y solo si N es una base. En el caso de que N sea una base, la funci n inversa f1 : F K{N} es un isomorsmo lineal llamado o N coordinatizaci n de F mediante la base N. En otras palabras, si N es una base de F, y x es o P un vector de F entonces, existe una unica Nada N K{N} tal que x = iN i i. En este caso, a los coecientes i se les llama coordenadas de x en la base N. Clasicaci n o

Se dice que dos espacios son isomorfos si existe una funci n que es un isomorsmo o entre ellos. No hay ninguna raz n (por ahora) para que deseemos distinguir dos espacios o vectoriales que son isomorfos. Si esto sucede, uno es igual a otro salvo los nombres de los vectores y las operaciones. La clave para ver que los espacios vectoriales son isomorfos es que estos tengan la misma dimensi n. o Dos espacios vectoriales sobre el mismo campo son isomorfos si y solo si tienen la misma dimensi n. o Prueba. Sean E y F dos espacios vectoriales. Si E y F son isomorfos entonces por 2.19 un isomorsmo entre ellos transforma biyectivamente una base de uno en una base del otro por lo que tienen la misma dimensi n. Recprocamente, sean N y M bases de E y F respecti o vamente. Mediante los isomorsmos de coordinatizaci n podemos pensar que E = K{N} y o

Secci n 2.5 o

Clasicaci n de espacios vectoriales o

45

F = K{M} . Si los dos tienen la misma dimensi n entonces, hay una biyecci n f : M N. o o Sea g : K{N} 3 N 7 M K{M} la funci n tal que i = f(i) . La funci n g la po o o demos pensar como la que simplemente le cambia el nombre a los ndices de una Nada. Esta es claramente un isomorsmo de espacios vectoriales (ya que la suma de Nadas es por coordenadas y lo mismo con el producto por un escalar). Esta proposici n nos permite saber como son TODOS los espacios vectoriales. Ya vimos o (mediante la base can nica) que el espacio vectorial de todas las Nadas (funciones) de o soporte nito tiene dimensi n |N|. Escogiendo el conjunto N adecuadamente obtenemos o todas las dimensiones posibles. En el caso de que N sea nito con n elementos , este espacio es Kn por lo que es v lido el siguiente teorema. a Teorema de Clasicaci n de Espacios Vectoriales o Todo espacio vectorial es isomorfo a un espacio de Nadas de soporte nito. Todo espacio vectorial nito dimensional es isomorfo a Kn . Campos de Galois Una aplicaci n sencilla del Teorema de Clasicaci n de Espacios Vectoriales (2.21) es o o la siguiente. Sea E un espacio vectorial nito dimendional sobre el campo K. Tenemos para cierto natural n un isomorsmo E Kn y si el campo K es nito entonces en E hay exactamente |K|n vectores. El n mero de elementos en un campo nito es potencia de un n mero primo. u u Prueba. Ya vimos que siempre que se tenga un subcampo L del campo K entonces, K es un espacio vectorial sobre L. Esto es en esencia porque podemos sumar vectores (los elementos de K) y podemos multiplicar escalares (los elementos de L) por vectores. Si K es nito entonces su caracterstica no puede ser 0 y por lo tanto es igual a un n mero u primo p. Esto quiere decir que K contiene como subcampo Zp . La dimensi n de K sobre Zp o tiene que ser nita ya que si no, entonces K sera innito. Luego, K es isomorfo a Zn que p tiene exactamente pn elementos. Como pensar en espacios vectoriales A partir de ahora el lector debe siempre tener en mente el Teorema de Clasicaci n de o Espacios Vectoriales (2.21). Al hablar de un espacio vectorial en primer lugar, se debe pensar en R2 y R3 . La interpretaci n geom trica de estos dos espacios como los segmentos dirigidos o e con origen en el cero da una intuici n saludable acerca de lo que es cierto y lo que no. o En segundo lugar el lector debe pensar en el ejemplo Rn . Si el lector lo preere, el n mero n puede ser un n mero jo sucientemente grande digamos n = 11. Ya en este caso, u u para entender es necesario usar varios m todos: las analogas geom tricas en dimensiones e e

46

Captulo 2. Espacios vectoriales

peque as, el c lculo algebraico con smbolos y los razonamientos l gicos. Casi todo lo que n a o se puede demostrar para espacios vectoriales nito dimensionales se demuestra en el caso particular de Rn con la misma complejidad. Las demostraciones de muchos hechos v lidos a n en R se copian tal cual para espacios vectoriales de dimensi n nita sobre cualquier campo. o En tercer lugar se debe pensar en Cn . El espacio vectorial Cn es extremadamente impor tante dentro de las matem ticas y la fsica. Adem s, el hecho de que C es algebraicamente a a cerrado hace que para Cn algunos problemas sean m s f ciles que en Rn . Hay una manera a a n de pensar en C que ayuda un poco para tener intuici n geom trica. Como ya vimos {1, i} o e es una base de C como espacio vectorial sobre R. De la misma manera Cn es un espacio vectorial sobre R de dimensi n 2n o sea, hay una biyecci n natural entre Cn y R2n (la bi o o yecci n es (a1 + b1 i, a2 + b2 i, ..., an + bn i) 7 (a1 , b1 , a2 , b2 , ..., an , bn )). Sin embargo o esta biyecci n no es un isomorsmo. Si E es un subespacio de Cn sobre R entonces no ne o cesariamente E es un subespacio de Cn sobre C . Desde este punto de vista podemos pensar (no rigurosamente) a Cn como un R2n en el que hay menos subespacios. Los que se interesan en las ciencias de la computaci n deben tambi n pensar en Zn y o e p n en general en cualquier K donde K es un campo nito. Las aplicaciones m s relevantes a incluyen la codicaci n de informaci n con recuperaci n de errores y la criptografa, que es o o o la ciencia de cifrar mensajes. Ahora, si el lector no le tiene miedo al concepto de campo (que es uno de los objetivos de este libro) entonces, lo m s f cil es pensar en Kn . Esto tiene una gran ventaja en el sentido a a de que no hay que pensar en los detalles particulares que se cumplen en uno u otro campo. Sin embargo, en el caso innito dimensional la situaci n es m s fea. Nuestros teoremas o a nos garantizan que hay un isomorsmo entre R como espacio vectorial sobre Q y las funcio nes de soporte nito de una base de este espacio a Q. El problema es que nadie conoce (ni conocer nunca) una base de este espacio, as que realmente, estos teoremas no dicen mucho a para espacios vectoriales de dimensi n mayor que el cardinal de los naturales 0 . o

2.6 Suma de subespacios

En esta secci n introduciremos las operaciones m s b sicas entre subespacios. Pero an o a a tes, es saludable dar una interpretaci n geom trica de los subespacios para que el lector o e pueda comparar el caso general con el caso de los espacios R2 y R3 . Subespacios de Rn Cuales son todos los subespacios de Rn ? Del Teorema de Clasicaci n de Espacios o Vectoriales (2.21) sabemos que estos tienen que ser isomorfos a Ri para i {0, 1, . . . , n} seg n sea su dimensi n. Si i = 0 entonces todo el subespacio es el vector 0 (el origen de u o coordenadas). Si i = n entonces, el subespacio es por 2.17 todo el espacio. Luego, los casos interesantes son los que 0 < i < n. Si i = 1 entonces, el subespacio tiene que ser isomorfo a R y tiene que tener una base de un vector. O sea, existe un vector a tal que el subespacio es igual a hai. Ya vimos que

Secci n 2.6 o

Suma de subespacios

47

hai es la recta que pasa por el origen y por el punto a que es el nal del vector a. Luego, los subespacios de dimensi n 1 de Rn son las rectas que pasan por el origen. Para R2 este o an lisis termina con todas las posibilidades. a Si i = 2 entonces, el subespacio tiene que ser isomorfo a R2 y tiene que tener una base {a, b} de dos vectores. La base {a, b} tiene que ser LI y en este caso eso quiere decir que b no es un m ltiplo escalar de a. En otras palabras, los puntos nales de los vectores a, b y u el origen de coordenadas no est n alineados. En este caso hay un unico plano (R2 ) que pasa a por estos tres puntos y tambi n ya vimos que este plano es ha, bi. Luego, los subespacios de e dimensi n 2 de Rn son los planos que pasan por el origen. Para R3 este an lisis termina con o a todas las posibilidades: sus subespacios son: el origen, las rectas por el origen, los planos por el origen y todo el espacio. Ahora tenemos que pensar por lo menos en los subespacios de R4 y ya se nos acaba la intuici n y la terminologa geom trica. Por esto, pasemos al caso general. Un subespacio de o e n dimensi n i en R esta generado por una base {a1 , . . . , ai } de i vectores LI. Que sean LI o lo que quiere decir es que sus puntos y el origen no est n contenidos en un subespacio de a dimensi n menor que i. Si este es el caso entonces hay un unico Ri que contiene a todos o estos puntos y este es el subespacio ha1 , . . . , ai i. Suma de conjuntos y subespacios Sean E y F dos subespacios sobre un campo K. En la proposici n 2.3 vimos que E F es o un subespacio. Por denici n de intersecci n E F es el subespacio m s grande contenido o o a en E y F. Ya observamos adem s que E F no es un subespacio. Sin embargo, hay un a subespacio que es el m s peque o que contiene a los dos y este es hE Fi. El subespacio a n hE Fi tiene una estructura muy simple: hE Fi = {a + b | a E, b F} X Prueba. Todo a + b es una combinaci n lineal de E F. Recpro X o x x + y y camente, toda combinaci n lineal de E F se puede escribir como o xE yF en el recuadro a la derecha. Como E y F son subespacios entonces, el primero y el segundo sumando son elementos de E y F respectivamente. Esto quiere decir que todo elemento de hE Fi es de la forma a + b con a en E y b en F. A + B = {a + b | a A, b B}

Dados dos conjuntos cualesquiera de vectores A y B denimos la suma de estos como en el recuadro a la izquierda. Despu s de esta denici n el resultado 2.23 se puede reformular como hE Fi = e o E + F. Es por esto que al subespacio hE Fi se le llama la suma de los subespacios E y F y desde ahora se le denotar por E + F. a

48 La igualdad modular

Captulo 2. Espacios vectoriales

Sean E y F dos subespacios. Ahora trataremos de calcular la dimensi n de E + F. Para o esto necesitaremos primero encontrar bases de E F y E + F. Existen E una base de E y F una base de F tales que E F es base de E F y E F es base de E + F. Prueba. Sea N una base de EF . Como N es LI y est contenida en E entonces, por el Teo a rema de Existencia de Bases (2.14) existe una base E de E que contiene a N. An logamente, a existe una base F de F que contiene a N. Demostremos primero que E F = N. Efectivamente, por la forma en que contruimos E y F tenemos N E F. Para la prueba de la otra inclusi n sea a E F. Como N a E o entonces, tenemos que N a es LI. Como N es base de E F y las bases son los conjuntos LI m s grandes, obtenemos que a N. Luego, E F N. a Solo nos queda probar que E F es una base de E + F. En primer lugar, cualquier a + b E + F es combinaci n lineal de E F por lo que E F es generador de E + F. o Necesitamos probar que E F es LI. Para esto supongamos que X X X X 0= i i = i i+ i i+ i i
iEF iE\N iN iF\N

Como E es LI, todos los coecientes de esta combinaci n lineal son cero. En particular, o i = 0 para todo i E\N y por lo tanto x = 0. Substituyendo x obtenemos X X 0=y+z= i i+ i i
iN iF\N

y demostremos que todos los i son cero. Sean x, y, z el primer, segundo y tercer sumando respectivamente en la igualdad anterior. Por construcci n, tenemos x E, y E F y o z F. Adem s, como z = (y + x) y E es un subespacio, obtenemos z E F. a P Como N es una base de EF el vector z es combinaci n lineal de N, o sea z = iN i i o para ciertos coecientes i . De aqu obtenemos que X X (i + i ) i i i+ 0=x+y+z=
iE\N iN

y como F es LI deducimos que los restantes coecientes tambi n son cero. e Igualdad modular Si E y F son dos subespacios entonces, dim E + dim F = dim (E + F) + dim (E F).

Prueba. Por 2.24 existen bases E y F de E y F tales que E F es base de E + F y E F es base de E F. Luego, la f rmula se reduce a la conocida igualdad entre cardinales de o conjuntos |E| + |F| = |E F| + |E F|.

Secci n 2.6 o

Suma de subespacios
E 1 1 1 F 1 1 2 (E + F) 1 2 2 E 1 2 2 F 2 2 2

49
(E + F) 3 3 4

Ejercicio 47 Use la igualdad modular para cons

truir ejemplos de subespacios reales E y F tales que ellos y E + F tienen las dimensiones denidas en la tabla del recuadro a la derecha. Puede tener E + F dimensi n diferente a las de la tabla? o Suma directa

Para dos espacios vectoriales Ey F (no necesariamente contenidos en otro espacio) sobre un mismo campo K deniremos la suma directa de ellos como el espacio vectorial {(a, b E 0F = b) 0| a E, F} 0 0 (a, b) + a , b = a + a ,b + b (a, b) = (a, b) Observese que como conjunto la suma directa es el producto cartesiano de conjuntos. La diferencia est en que la suma directa ya trae en su denici n las operaciones de suma de a o vectores y multiplicaci n por un escalar. Deberamos probar que la suma directa es efectiva o mente un espacio vectorial, o sea que cumplen todos los axiomas. Nosotros omitiremos esta prueba por ser trivial y aburrida. Mejor nos concentraremos en algo m s interesante. a dim (E F) = dim E + dim F. Prueba. Sea E0 = {(a, 0) | a E} y F0 = {(0, b) | b F}. Es claro que los espacios E y E0 son isomorfos y por lo tanto tienen la misma dimensi n. Otro tanto ocurre con F y F0 . Por o denici n de suma de subespacios tenemos que E0 + F0 = E F . De la Igualdad modular o (2.25) obtenemos dim (E0 + F0 ) = dim E0 + dim F0 dim (E0 F0 ) = dim E + dim F. Isomorsmo can nico entre la suma y la suma directa. o De esta ultima proposici n y de la igualdad modular se deduce que si dos subespacios E o y F son tales que E F = {0} entonces dim (E F) = dim (E + F) o sea E F es isomorfo a E + F. A continuaci n probaremos solo un poquito m s. Sin embargo, este poquito nos o a llevar a profundas reexiones. a Isomorsmo Can nico entre la Suma y la Suma directa o Si E y F son subespacios tales que E F = {0} entonces la funci n o E F 3 (a, b) 7 a + b E + F es un isomorsmo de espacios vectoriales.

50

Captulo 2. Espacios vectoriales

Prueba. Sea f la funci n denida en el enunciado. Tenemos o f ( (a, b)) = f (a, b) = a + b = (a + b) = f (a, b) f ((a, b) + (x, y)) = f (a + x, b + y) = a + x + b + y = f (a, b) + f (x, y) por lo que solo queda demostrar que f es biyectiva. Por denici n de suma de subespacios o f es sobreyectiva. Para probar la inyectividad supongamos que f (a, b) = f (x, y) entonces, a x = y b. Como a, x E entonces a x E. Como b, y F entonces y b F. Luego a x = y b E F = {0} por lo que a = x y b = y. Observemos que el isomorsmo (a, b) 7 a + b no depende de escoger base alguna en E F. Todos los isomorsmos que construimos antes de esta proposici n se construye o ron escogiendo cierta base en alguno de los espacios. Los isomorsmos que no dependen de escoger alguna base juegan un papel importante en el algebra lineal y se les llama iso morsmos can nicos. Decimos que dos espacios vectoriales son can nicamente isomorfos o o si existe un isomorsmo can nico entre ellos. As por ejemplo todo espacio vectorial E de o 3 dimensi n 3 es isomorfo a K pero no es can nicamente isomorfo a K3 porque no se pue o o de construir de cualquier espacio vectorial de dimensi n 3 un isomorsmo con K3 que no o dependa de escoger alguna base. Cuando veamos los productos escalares veremos que hay fuertes razones para que diferenciemos las bases. Los isomorsmos no can nicos no ne o cesariamente preservan una u otra propiedad de las bases. Por otro lado, los isomorsmos can nicos si las preservan. Si por un lado, debe haber cierta resistencia a considerar iguales o a dos espacios vectoriales isomorfos por el otro, los espacios can nicamente isomorfos no o se diferencian en nada uno del otro, por lo que se puede pensar que es el mismo espacio.

Ejercicio 48 1. Demuestre que E F y F E son can nicamente isomorfos. o

2. Como se debe llamar esta propiedad de la suma directa de espacios? 3. Demuestre que la suma directa de espacios es asociativa. 4. Tiene la suma directa elemento neutro? [130]

Subespacios complementarios Sea S un espacio vectorial y E un subespacio de S . Diremos que el subespacio F es complementario de E en S si S = E F. Esta igualdad por el Isomorsmo Can nico entre o la Suma y la Suma directa (2.27) lo que quiere decir es que S = E + F y E F = {0}. En R2 dos rectas por el origen diferentes son complementarias una a otra. En R3 un plano y una recta no contenida en el plano (ambos por el origen) son complementarios uno a otro. Todo subespacio tiene complementario. Prueba. Sea E un subespacio de S. Sea A una base de E. Por el Teorema de Existencia de Bases (2.14) hay una base C de S que contiene a A. Sea F el espacio generado por B = C\A. Como C es generador de S, todo elemento en S es combinaci n lineal de C y en particular o todo elemento de S se expresa como a + b con a E y b F. Luego S = E + F.

Secci n 2.6 o

Suma de subespacios

51

Como C es LI entonces, por la caracterizaci n 2.9.4 de los conjuntos LI la ultima combina o ci n lineal tiene todos sus coecientes iguales a cero. Luego, E F = {0}. o Si E y F son dos subespacios complementarios entonces cada vector x se expresa de forma unica como x = a + b donde a E y b F. Prueba. Si E y F son complementarios entonces E + F es todo el espacio y por lo tanto todo vector es de la forma a + b. Si a + b = a0 + b0 entonces a a0 = b0 b E F = {0} por lo que la descomposici n x = a + b es unica. o Ejercicio 49 Demuestre el recproco de 2.29: Si cada vector se expresa de forma unica como x = a + b con a E y b F entonces, los subespacios son complementarios. [130] Ejercicio 50 Pruebe que E = E1 E2 En si y solo si cualquier vector x E se expresa de forma unica como x = x1 + + xn con xi Ei . Sugerencia: Usar 2.29, el ejercicio anterior y la asociatividad de la suma directa para aplicar inducci n en el n mero o u de sumandos n. Espacios vectoriales versus conjuntos Hemos demostrado ya unos cuantos resultados que se parecen mucho a los de Teora de Conjuntos y siempre es saludable establecer analogas con resultados ya conocidos. Para acentuar m s esta similitud hagamos un diccionario de traducci n a o Conjunto Espacio vectorial Subconjunto Subespacio vectorial Cardinal Dimensi n o Intersecci n de subconjuntos Intersecci n de subespacios o o Uni n de subconjuntos o Suma de subespacios Uni n disjunta o Suma directa Complemento Subespacio complementario Biyecciones Isomorsmos Si nos jamos atentamente muchos de los resultados que hemos demostrado para espa cios vectoriales tienen su contraparte v lida para conjuntos usando el diccionario que hemos a construido. Probablemente, el ejemplo m s notable de esto son las igualdades modulares a para conjuntos y para espacios vectoriales. Sin embargo, es preciso ser cuidadosos en tratar de llevar resultados de los conjuntos a los espacios vectoriales. Por ejemplo, el complemento de un subconjunto es unico y no siempre hay un unico subespacio complementario. Otro ejemplo, un poco m s substancial, es que la a

Por otro lado, si x E F entonces, tienen existir combinaciones ! que lineales tales que ! X X X X x= a a = a a a a a a = 0 .
aA aB aA aB

52

Captulo 2. Espacios vectoriales

intersecci n de conjuntos distribuye con la uni n o sea A (B C) = (A B) (A C) . o o Por otro lado la intersecci n de subespacios en general no distribuye con la suma o sea, la o igualdad A(B + C) = (A B)+(A C) no siempre es verdadera. Para ver esto t mese en o 3 R los subespacios A = h(0, 0, 1) , (1, 1, 0)i , B = h(1, 0, 0)i y C = h(0, 1, 0)i . Calculamos A (B + C) = h(1, 1, 0)i y (A B) + (A C) = {(0, 0, 0)} y vemos que son distintos.

Ejercicio 51 Si A y B son dos conjuntos entonces la diferencia sim trica de los mismos es e
el conjunto A +2 B = (A B) \ (A B). Demuestre que todos los conjuntos nitos de un conjunto cualquiera U forman un espacio vectorial de dimensi n |U| sobre el campo Z2 para o la suma +2 y el producto 1A = A, 0A = . Vea, que los conceptos de nuestro diccionario de traducci n se aplican a este caso en forma directa. o

2.7 Espacios cocientes

Ya vimos que para un subespacio E del espacio F, siempre existen subespacios comple mentarios a el. Sin embargo hay muchos de estos subespacios complementarios y no hay una manera can nica de escoger alguno de ellos. En esta secci n nos dedicaremos a cons o o truir can nicamente el espacio cociente F/E que es el espacio de todos los subespacios anes o paralelos a E y que es isomorfo a cualquier subespacio complementario de E. Subespacios anes Ya vimos que en el plano cartesiano R2 los subespacios son el origen {0}, todo R2 y las rectas que pasan por el origen. Sin embargo, hay otras 2 `0 R rectas en el plano que no pasan por el origen. Para obtener una de estas rectas lo que tenemos que hacer es trasladar una recta por el origen ` x ` mediante un vector x (v ase la gura). De esta manera, obtenemos la e recta `0 que se obtiene sumandole x a cada vector en la lnea `. Observese que si x 6= 0 entonces las rectas ` y `0 no se intersectan. Esto nos motiva a la siguiente denici n. Sea A un conjunto de vectores y x un vector. o Al conjunto A + x = {a + x | a A} se le llama la traslaci n de A con el vector x. El o lector debe observar que la operaci n de trasladar es un caso particular (cuando uno de los o sumandos solo contiene a un solo vector) de la operaci n de suma de conjuntos de vectores o introducida en la secci n anterior. o Un subespacio afn es el trasladado de un subespacio. En otras palabras, un conjunto de vectores E es un subespacio afn si existen un subespacio E y un vector x tales que E = E+x. Observese que los subespacios son tambi n subespacios anes. Basta trasladar con el vector e cero. Esto causa una confusi n lingustica: el adjetivo afn se usa para hacer el concepto o de subespacio m s general, no m s especco. Por esto, cuando se habla de subespacios a a anes es com n referirse a los subespacios como subespacios vectoriales. u

Secci n 2.7 o

Espacios cocientes

53

Las traslaciones de un subespacio cumplen una propiedad muy sencilla pero fundamen tal: que es posible trasladar el subespacio vectorial con diferentes vectores y obtener el mis mo subespacio afn. M s precisamente: a Si a E + x entonces, E + x = E + a. 0 x E+x=E+a a E

Prueba. Probemos primero el caso que x = 0. Tenemos y E ya E y E+a. Ahora por el caso general. Sabemos que, z = a x E y del primer caso, E = E + z. Luego, E + x = E + z + x = E + a. Ahora observemos, que un trasladado de un subespacio afn es a su vez un subespacio afn ya que (E + x) + y = E + (x + y). Dos subespacios anes se le llaman paralelos si uno es un trasladado del otro. La relaci n de paralelismo entre subespacios anes es de o equivalencia ya que si E = F + x y G = E + y entonces, G = F + (x + y). Esto signica que el conjunto de los subespacios anes se parte en clases de paralelismo y dos subespacios son paralelos si y solo si est n en la misma clase de paralelismo. a Ahora veremos que en cada clase de paralelismo hay un solo subespacio afn que pasa por el origen. Todo subespacio afn es paralelo a un solo subespacio vectorial. Prueba. Si E + x = F + y entonces, E = F + y x. Como F + y x contiene al cero entonces, x y F. Como F es un subespacio, y x F y 2.30 nos da F = F + y x.

Este resultado nos permite denir la dimensi n de un subespacio afn. Cada uno de ellos o es paralelo a un unico subespacio y su dimensi n es la dimensi n de ese subespacio. En o o otras palabras, si E = E + x entonces dim E = dim E. Es com n utilizar la terminologa u geom trica para hablar de los subespacios anes de dimensi n peque a. As, un punto es e o n un subespacio afn de dimensi n cero, una recta es un subespacio afn de dimensi n uno, un o o plano es un subespacio afn de dimensi n dos. o Dos subespacios anes paralelos o son el mismo o no se intersectan.

Prueba. Si y (E + x) (E + x0 ) entonces, por 2.30, E + x = E + y = E + x0 . Es un error com n (debido al caso de rectas en el plano) pensar que es equivalente u que dos subespacios sean paralelos a que estos no se intersecten. Para convencerse de que esto no es cierto, el lector debe pensar en dos rectas no coplanares en R3 .

54 El espacio cociente

Captulo 2. Espacios vectoriales

Sea D un espacio vectorial y E un subespacio vectorial de D. Si x + x0 E = E+x y F = E+y son dos subespacios anes paralelos entonces R2 x E + F = (E + x) + (E + y) = (E + E) + (x + y) = E + (x + y) x0 lo que muestra que E + F est en la misma clase de paralelismo a y0 y + y0 que E y F. En otras palabras (v ase la gura a la derecha) la suma e 0 y de cualquier vector en E con cualquier otro en F esta en un mismo espacio paralelo a E y F. Denotemos ahora por D/E al conjunto de todos los subespacios anes de D paralelos a E. Esta observaci n nos dice que la suma de subespacios anes es una operaci n binaria o o dentro de D/E. Esta suma es asociativa y conmutativa debido a la asociatividad y conmuta tividad de la suma de los vectores en D. El subespacio E es el neutro para esta operaci n y o el opuesto de E + x es E x. Luego, D/E es un grupo abeliano para la suma. Para convertir a D/E en un espacio vectorial nos falta el producto por escalares. Sea A = {a | a A} A un conjunto arbitrario de vectores y un escalar. Deniremos A como en el recuadro a la izquierda. Sean E = E + x un subespacio afn paralelo a E y un escalar. Tenemos 2 2x E = (E + x) = E + x = E + x lo que muestra que E est en la misma R x a clase de paralelismo que E. En otras palabras (v ase la gura a la derecha) el e 2y producto de un escalar por todos los vectores en E resulta en espacio paralelo 0 y a E. Este producto convierte a D/E en un espacio vectorial llamado espacio cociente de D por E.

Ejercicio 52 Compruebe los axiomas de espacio vectorial para el espacio cociente D/E. Ejercicio 53 Cual es el espacio cociente de R3 por el plano xy? Ejercicio 54 Que pasa si sumamos dos espacios anes no paralelos? [130]
El isomorsmo con los complementarios Sea F un subespacio complementario a E. Entonces, cualquier subespacio afn paralelo a E intersecta a F en un y solo un vector. R2 F E

Prueba. Sea E = E + x cualquier subespacio afn paralelo a E. Como D = E F existen unos unicos vectores y E y z F tales que x = y+z. Luego por 2.30 E+x = E+y+z = E + z y por lo tanto z E + x o sea, z E F. Si z0 es otro vector en E F entonces, existe o a E tal que z0 = a + x. De aqu x = a + z0 y por la unicidad de la descomposici n de un vector en suma de vectores de espacios complementarios, y = a y z = z0 .

Secci n 2.8 o

El espacio afn

55

Sea F un subespacio complementario a E. Entonces, f : F 3 x 7 (E + x) D/E es un isomorsmo de espacios vectoriales. Prueba. Por 2.33 la aplicaci n f : F 3 x 7 (E + x) D/E tiene inversa (que a cada o E + x D/E le hace corresponder el unico vector en (E + x) F). Luego, f es biyectiva. Adem s, a f (x + y) = E + (x + y) = (E + x) + (E + y) = f (x) + f (y) f (x) = E + (x) = (E + x) = f (x) por lo que f es un isomorsmo. Observese que el isomorsmo f es can nico. Luego, cualquier subespacio complemen o tario a E es can nicamente isomorfo a D/E. Esta proposici n tambi n nos dice que la di o o e mensi n de D/E es la misma que la de un complementario a E o sea, es dim D dim E. o
Es posible (gracias al isomorsmo con los complementarios) desarrollar toda el algebra lineal sin la introducci n de los espacios cocientes. Si embargo, es m s c modo hacerlo con ellos. Adem s o a o a es importante que el lector se familiarize con el concepto, ya que, en el estudio de estructuras algebraicas m s generales, no siempre existen estructuras complementarias (por ejemplo en la teora de a grupos). Por otro lado, las estructuras cocientes si se pueden construir. Por ejemplo, todo grupo tiene un cociente por cualquier subgrupo normal.

2.8 El espacio afn

Recordemos de la secci n anterior que un subespacio afn del espacio vectorial F es el o trasladado E + x de un subespacio vectorial E de F. La dimensi n de E + x es por denici n o o la dimensi n de E. o Los subespacios anes de dimensi n peque a reciben nombres especiales seg n la tradi o n u ci n geom trica. Los de dimensi n 0 se le llaman puntos. Los de dimensi n 1 se le llaman o e o o rectas y los de dimensi n 2 se le llaman planos. o Un punto es, en otras palabras, un subespacio afn E + x donde E es de dimensi n cero. o Pero el unico subespacio vectorial de dimensi n cero es {0} . Luego, un punto es un conjunto o de la forma {0} + x = {x}. Esto nos da una biyecci n obvia {x} 7 x entre los puntos del o espacio afn y los vectores del espacio vectorial. Al conjunto de todos los puntos del espacio vectorial F se le llama el espacio afn de F. Pero como, dir el lector, si la diferencia entre {x} y x es puramente formal entonces, cual a es la diferencia entre el espacio afn y el espacio vectorial? La respuesta es ambivalente pues es la misma pregunta que que diferencia hay entre geometra y algebra? Antes de Descartes eran dos cosas completamente distintas, despues de el, son cosas muy parecidas. Intuitivamente, un espacio afn es lo mismo que el espacio vectorial pero sin coordenadas. El espacio an de R2 es el plano de Euclides en el que estudiamos la geometra m s cl sica a a y elemental: congruencia de tri ngulos, teorema de Pit goras, etc. Los resultados de esta a a geometra no dependen de cual es el origen de coordenadas. Dos tri ngulos son congruentes a

56

Captulo 2. Espacios vectoriales

o no independientemente de en que lugar del plano se encuentran. A un nivel m s alto, podemos pensar el espacio afn de un espacio vectorial como una a estructura matem tica adecuada para poder estudiar las propiedades de los espacios vecto a riales que son invariantes por traslaciones, o sea, que no cambian al mover un objeto de un lugar a otro en el espacio. La regla del paralelogramo La conocida regla del paralelogramo para la suma de vectores en el plano R2 se generaliza a todas las dimensiones y sobre cualquier campo. Postularemos que el conjunto vaco es un subespacio afn de dimensi n 1. Eso nos o evitar muchos problemas en la formulaci n de nuestros resultados. a o La intersecci n de subespacios anes es un subespacio afn. o Prueba. Sea x un punto en la intersecci n. Cada uno de los subespacios anes, es E+x para o cierto subespacio E del espacio vectorial. Si F es la intersecci n de todos estos subespacios o entonces F + x es la intersecci n de los subespacios anes. o Regla del paralelogramo Si a y b son vectores LI de un espacio vectorial entonces, a + b es la intersecci n de los subespacios anes hai + b y hbi + a. o Prueba. Obviamente a+b (hai + b)(hbi + a). Por otro lado, ambos hai+b y hbi+a tienen dimensi n 1 y por lo tanto su intersecci n tiene dimensi n 0 o 1. Si esta dimensi n es o o o o cero entonces terminamos. Si esta dimensi n es uno entonces hai + b = hbi + a y por lo o tanto a hai + b. Por 2.30 tenemos que hai + b = hai + a = hai, Por lo tanto b hai y esto contradice que {a, b} es LI. Cerradura afn Para un conjunto A de puntos en el espacio afn, la cerradura afn de A es la intersecci n o de todos los subespacios anes que contienen a A. A la cerradura afn de A la denotaremos por [A]. Esto la diferencia claramente de la cerradura lineal hAi. Para la cerradura an, tenemos las mismas propiedades que para la cerradura lineal. [A] es el subespacio an m s peque o que contiene a A. a n Prueba. [A] es un subespacio an. Si B es un subespacio afn que contiene a A entonces [A] B pues para hallar [A] tuvimos que intersectar con B.

Secci n 2.8 o

El espacio afn

57

La cerradura afn cumple las siguientes propiedades: 1. A [A] (incremento) 2. A B [A] [B] (monotona) 3. [[A]] = [A] (idempotencia). Prueba. La prueba es exactamente la misma que para el caso de la cerradura lineal. Generadores e independencia Un conjunto de puntos A es generador afn si [A] es todo el espacio afn. Los conjuntos anmente independientes los deniremos con el siguiente resultado. Denici n de conjuntos anmente independientes o Sea A un conjunto de puntos. Las siguientes armaciones son equivalentes 1. Cualquier subconjunto propio de A genera un subespacio afn m s pe a que o que todo A. n 2. Cualquier punto en A no est en la cerradura afn de los restantes. a Prueba. Es an loga a la prueba (1 2) de la caracterizaci n de conjuntos LI. a o

Los conjuntos de puntos que no son anmente independientes los llamaremos anmente dependientes. Nuevamente para evitarnos largas oraciones, a los conjuntos anmente inde pendientes los llamaremos conjuntos AI y a los conjuntos anmente depen dientes los llamaremos conjuntos AD. Todo sobreconjunto de un generador an es un generador an. Todo subconjunto de un conjunto AI es AI. Prueba. Sea A un generador afn y B A. Tenemos [A] [B] y como [A] es todo el espacio an entonces [B] tambi n lo es. e Sea A que es AI y B A. Si B fuera AD entonces existira b B tal que b [B\b] [A\b] y esto no puede ser pues A es AI. Bases anes Una base an es un conjunto de puntos que es AI y generador an. Ahora podriamos seguir por el mismo camino demostrando que las bases anes son los generadores anes m s peque os o los AI m s grandes. Despues, el teorema de existencia de base, el lema del a n a cambio para las bases anes, la prueba de que dos bases anes tienen el mismo cardinal, etc.

58

Captulo 2. Espacios vectoriales

Este camino aunque se puede realizar, sin embargo, tiene dos desventajas. La primera es que a n no hemos denido combinaciones anes y estas se necesitan para probar todo esto. u La segunda, y m s obvia, es que todo esto es muy largo. Por suerte, hay una sencilla relaci n a o que enlaza las bases anes con las bases del espacio vectorial y esto nos ahorrar mucho a trabajo. Sea A = {x0 , x1, . . . , xn } un conjunto de puntos. Dena mos A0 = {x1 x0 , . . . , xn x0 }. Entonces, A es una ba se afn si y solo si A0 es una base del espacio vectorial. Prueba. Veamos que [A] = hA0 i + x0 . Efectivamente, hA0 i + x0 es un subespacio afn que contiene a A y por lo tanto [A] hA0 i + x0 . Por otro lado [A] x0 es un subespacio por el origen que contiene a A0 y por lo tanto [A] x0 hA0 i. De aqu inmediatamente obtenemos que A es generador afn si y solo si A0 es un genera dor. Luego, podemos suponer por el resto de la prueba que tanto A como A0 son generadores. Nos queda probar que A es AI si y solo si A0 es LI. Supongamos que A0 es LD. Sea B0 una base lineal tal que B0 A0 . Como al principio de la prueba B = {x0 }(B0 + x0 ) es un generador afn del espacio. Como B0 6= A0 entonces, B 6= A y por lo tanto A es AD. Supongamos que A es AD. Entonces, hay un subconjunto propio B de A que genera al espacio. Sea y B Como al principio de la prueba B0 = {xi y | xi B \ {y}} es un generador lineal del espacio. Luego la dimensi n del espacio es estrictamente menor que n o y por lo tanto A0 no puede ser LI. Ahora podemos traspasar todos los resultados probados para las bases del espacio vecto rial a las bases anes. En particular, es cierto que: 1. Las bases anes son los conjuntos generadores anes minimales por inclusi n. o 2. Las bases anes son los conjuntos AI maximales por inclusi n. o 3. Si A es un conjunto AI y B es un conjunto generador afn tal que A B entonces hay una base afn C tal que A C B. 4. Dos bases anes cualequiera tienen el mismo n mero de puntos (uno m s que la di u a mensi n). o Las demostraciones de estos resultados son obvias dada la correspondencia entre las bases anes y las bases del espacio vectorial.

Ejercicio 55 Formule el lema del cambio para las bases anes.

El siguiente resultado es el an logo del lema Lema de Aumento de un Conjunto LI (2.11) a para el caso afn y es consecuencia directa de la correspondencia entre las bases anes y las bases del espacio vectorial.

Secci n 2.9 o

El caso de dimensi n innita o

59

Si A es un conjunto AI entonces A b es AD si y solo si b [A].

2.9 El caso de dimensi n innita o

En la Secci n 2.4 enunciamos el Teorema de Existencia de Bases (2.14) y la Equicar o dinalidad de las Bases (2.16) pero solo los probamos para el caso de que el espacio tiene dimensi n nita. En esta secci n demostramos estos resultados para los casos faltantes. Por o o que siempre aparece un curioso que quiere saber. Como estas demostraciones dependen de resultados de Teora de Conjuntos y una expo sici n de esta nos llevara a escribir otro libro, lo haremos todo en forma minimalista: Antes o de cada una de las dos pruebas daremos las deniciones y resultados exclusivamente que necesitamos. Los resultados complicados de Teora de Conjuntos no los demostraremos. El Lema de Zorn Un conjunto ordenado es un conjunto con una relaci n de orden, o sea una relaci n o o reexiva antisim trica y transitiva (v ase el glosario). Sea P un conjunto ordenado y A un e e subconjunto de P. Diremos que x P es una cota superior de A si para cualquier y A se cumple que y x. Diremos que x A es elemento maximal de A si para cualquier y A se cumple que x y. Se dice que A es una cadena si para cualesquiera x, y A se cumple que x y o que y x. Diremos que A esta inductivamente ordenado si A 6= y cualquier cadena contenida en A tiene una cota superior que est en A. El siguiente resultado a es cl sico en teora de conjuntos. a Lema de Zorn Cualquier conjunto inductivamente ordenado tiene un elemento maximal. Existencia de bases Teorema de Existencia de Bases (caso general) Sea N un conjunto generador y L N un conjunto LI. Entonces, existe una base M tal que L M N. Prueba. Sean L y N como en las hip tesis. Denotemos o T = {M | M es linealmente independiente y L M N} . El conjunto T est naturalmente ordenado por inclusi n. Sea M un elemento maximal de T. a o Entonces x N\M M x es dependiente y por el Lema de Aumento de un Conjunto LI

60

Captulo 2. Espacios vectoriales

(2.11) tenemos N hMi. Como N es generador, esto signica que M tambi n lo es y por e lo tanto M es una base. Nuestra tarea es encontrar un elemento maximal de T. Probemos que el conjunto T est inductivamente ordenado. Efectivamente, T es no vaco ya que L T. Sea {Bi }iI una a S cadena arbitraria en T y denotemos B = iI Bi . El conjunto B es una cota superior de la cadena {Bi }iI y tenemos que convencernos que B est en T. Como para cualquier i tenemos a Bi N entonces, B N. Supongamos que B es linealmente dependiente. Entonces, existe un subconjunto nito B0 de B y una combinaci n lineal de B0 igual a cero tal que todos sus o 0 coecientes son no cero, o sea B es linealmente dependiente. Como B0 es nito, y {Bi }iI es una cadena entonces, tiene que existir i0 tal que B0 Bi0 y esto contradice que todo sub conjunto de un conjunto linealmente independiente es linealmente independiente. Luego, T est inductivamente ordenado y por el Lema de Zorn (2.43) el conjunto T tiene un elemento a maximal. Cardinales Dados dos conjuntos A y B denotaremos |A| |B| si existe una inyecci n de A en B. o La relaci n A B denida como |A| |B| y |B| |A| es una relaci n de equivalencia o o entre todos los conjuntos. A la clase de equivalencia que contiene al conjunto A se le llama cardinal del conjunto A y se denota por |A|. Los cardinales est n ordenados por la relaci n a o de orden que ya denimos. Los cardinales pueden ser nitos o innitos. El cardinal innito m s peque o es 0 que es el cardinal de los naturales ( es la primera letra del alfabeto a n hebreo y se llama lef). La suma de cardinales se dene como el cardinal de la uni n de a o dos conjuntos disjuntos. El producto de cardinales se dene como el cardinal del producto cartesiano de conjuntos. Necesitaremos dos resultados acerca de los cardinales de conjuntos. El primero es muy sencillo y daremos una demostraci n para el. o Si i |Ai | t entonces, P |Ai | t |I|.

iI

Prueba. Podemos pensar que los Ai son disjuntos. Sea T un conjunto de cardinal t. Por S hip tesis existen inyecciones fi : Ai 7 T . Sea : iI Ai T I denida por (a) = o (fi (a) , i) si a Ai . Por denici n de si (a) = (b) entonces, a y b est n en el o a mismo conjunto Ai , fi (a) = fi (b) y por lo tanto a = b. Luego, es inyectiva. El siguiente resultado que necesitamos se demuestra (usando muchas cosas) en la Teora de Conjuntos (v ase por ejemplo: Kamke E., Theory of sets. Dover, New York, 1950. p gina e a 121). Nosotros omitiremos la prueba. Si |A| es innito entonces, 0 |A| = |A|.

Secci n 2.9 o

El caso de dimensi n innita o

61

Equicardinalidad de las bases Equicardinalidad de las Bases (caso innito) Dos bases cualesquiera tienen el mismo cardinal. Prueba. Sean A y B dos bases. Ya probamos el caso de que una de las dos bases es nita. Luego, podemos suponer que A y B son innitos. Como B es una base y debido a la nitud de las combinaciones lineales entonces a A el mnimo subconjunto Ba B tal que a hBa i existe y es nito. Construyamos la relaci n R A B de manera que (a, b) R si y solo si b Ba . o Tenemos |B| |R| ya que si hubiera un b0 B no relacionado con ning n elemento de u A entonces, A hB\b0 i y como A es base obtendramos que B\b0 es generador lo que contradice que B es base. Por otro lado, como |A| es innito y |Ba | es nito entonces, usando 2.45 y 2.46 obtenemos X |B| |R| = |Ba | 0 |A| = |A| . Luego |B| |A| y por simetra de nuestros razonamientos|A| |B|.
aA

62

Captulo tercero

Transformaciones Lineales
as transformaciones lineales son uno de los objetos m s estudiados y m s importan a a tes en las matem ticas. El objetivo de este captulo es familiarizar al lector con el a concepto de transformaci n lineal y sus propiedades b sicas. Introduciremos las ma o a trices y estudiaremos la relaci n de las mismas con las transformaciones lineales. Veremos o el concepto de nucleo e imagen de una transformaci n lineal etc... o

3.1 Denici n y ejemplos o

Sean E y F dos espacios vectoriales sobre K. Una funci n o f : E F se le llama transformaci n lineal de E en F si para f (a + b) = f (a) + f (b) o cualesquiera vectores a y b y cualquier escalar se cumplen f (a) = f (a) las propiedades del recuadro a la derecha. Nuevamente, para no reescribir constantemente frases largas, en lugar de decir que f es una transformaci n lineal, diremos que f es una TL. En plural escribi o remos TLs. Imagenes de subespacios

Toda TL transforma subespacios en subespacios. Prueba. Sea f : E F una TL y E0 un subespacio de E. Denotemos F0 = f (E0 ) la imagen de E0 . Sean a y b vectores en F0 . Por denici n existen vectores x,y tales que f (x) = a y o f (y) = b. Tenemos, f (x + y) = a + b por lo que a + b F0 . Sea ahora un escalar. Tenemos f (x) = a por lo que a F0 . Luego, F0 es un subespacio de F.

64

Captulo 3. Transformaciones lineales

Las TLs NO necesariamente transforman conjuntos LI en conjuntos LI ni tampoco conjuntos generadores en conjuntos generadores.

El recproco de la proposici n anterior NO es cierto. Hay funciones que transforman subespacios o en subespacios y no son TLs. Un ejemplo sencillo es la funci n R 3 x 7 x3 R. Esta manda el o cero en el cero y a R en R. Sin embargo no es lineal. Para obtener una funci n contraejemplo en o Rn basta usar coordenadas esf ricas, dejar jos los angulos y elevar al cubo el m dulo del vector. e o

Homotecias

Veamos el ejemplo m s simple de TL. Si a cada vector x de un espacio E le hacemos a corresponder el vector 2x obtenemos la funci n h2 : E 3 x 7 2x E . Esta funci n es una o o TL ya que h2 (a + b) = 2 (a + b) = 2a + 2b = h2 (a) + h2 (b) h2 (a) = 2a = 2a = = h2 (a) Observese que en la segunda recta usamos la conmutatividad del producto de escalares. Lo mismo ocurre si en lugar del escalar 2 usamos cualquier otro escalar K obtenien do la TL dada por h : E 3 x 7 x E. A las funciones h se les llama homotecias. En el caso del campo R las homotecias tienen una interpretaci n geom trica muy clara. Si o e n > 0 entonces cada punto x R se transforma en el punto x que est en la misma recta a por el origen que x pero a una distancia del origen veces mayor que x. Esto quiere decir que h es la dilataci n de raz n . Si 0 < < 1 entonces h es realmente una contracci n o o o pero interpretaremos las contracciones como dilataciones con raz n m s peque a que 1. o a n En la gura de la derecha observamos la dilataci n x 7 2x en el o 2 plano cartesiano R . La curva interior (que es la gr ca de la funci n a o 5 + sin 5 en coordenadas polares) se transforma en la misma curva pero del doble de tama o (10 + 2 sin 5). n R2 Hay dos casos particulares de homotecias especialmente importantes. Si = 1 entonces obtenemos la funci n identidad x 7 x. A esta funci n se la denotar por Id. Si = 0 o o a entonces obtenemos la funci n nula tambi n llamada funci n constante cero x 7 0. o e o

Si = 1 entonces a la homotecia h1 : x 7 x se le llama funci n antipodal. El nombre viene de la siguiente interpretaci n. Si o o v 7 2v trazamos una recta que pase por el centro de la Tierra intersectaremos la supercie en dos puntos. Estos puntos se dicen que son antpodas o sea, nuestros antpodas son la personas que viven pies arriba del otro lado de la Tierra. Si coordinatizamos la Tierra con unos ejes de coordenadas con origen en el centro de la misma, nuestros antpodas se obtienen multiplicando por 1.

Secci n 3.1 o
2

Denici n y ejemplos o

65

En la gura de la izquierda est representada la funci n antpodal en a o R2 . En ella hay dos curvas cerradas de cinco p talos. La primera es e R la misma que la de la gura anterior (10 + 2 sin 5). La segunda es la antpoda de la primera (10 2 sin 5). La gura es expresamente complicada para que el lector tenga la oportunidad de pensar un poco en que punto se va a transformar cada punto. Cualquier homotecia h v 7 v con < 0 se puede representar como h1 (h ) por lo que h se puede interpretar geom tricamente como una dilataci n seguida de la funci n antpodal. A pesar e o o de su simplicidad las homotecias juegan un papel fundamental en la comprensi n de las TL o y este papel se debe a que ellas son todas las TL en dimensi n 1. o Si dim E = 1 entonces toda TL de E en E es una homotecia. Prueba. Sea {a} una base de E y f una TL de E en E. Como {a} es una base tiene que existir un escalar K tal que f (a) = a. Sea x = a un vector arbitrario en E . Como f es lineal tenemos f (x) = f (a) = f (a) = a = a = x lo que demuestra que f es una homotecia. Inmersiones Hasta ahora las TL que hemos visto (las homotecias) est n denidas de un espacio en a si mismo. Las inmersiones son la TL m s simples que est n denidas de un espacio en otro a a distinto. Sea E un subespacio de F. A la funci n i : E 3 x 7 x F se le llama inmersi n o o de E en F. Las inmersiones son TLs inyectivas y son las restriciones a subespacios de la funci n identidad. No hay mucho que decir de las inmersiones excepto de que hay una para o cada subespacio. Proyecciones Ahora supongamos al rev s (de las inmersiones) que F es subespacio de E . Habr algu e a na TL natural de E en F? Lo que podemos hacer es buscarnos un espacio G complementario de F (existe por 2.28) De esta manera E = F G y por 2.29 tenemos que cada vector x E se descompone de manera unica como a + b donde a es un vector en F y b es un vector en G . As para cada x E tenemos un unico a F y esto nos da una funci n que denotaremos o por F y la llamaremos proyecci n de E en F a lo largo de G . Cualquier proyecci n F o o restringida a F es la identidad por lo que necesariamente es sobreyectiva. La notaci n F sugiere erroneamente que esta funci n solo depende del subespa o o cio F . Esto no es cierto, el subespacio F puede tener muchos subespacios comple mentarios diferentes y la proyecci n depende del subespacio complementario que o escojamos.

66

Captulo 3. Transformaciones lineales

Las proyecciones son transformaciones lineales.

Prueba. Escojamos un subespacio G complementario de F . De esta manera F es una funci n ja y bien denida. o Si x, y son dos vectores entonces hay descomposiciones unicas x = F (x) + G (x) y y = F (y) + G (y) . Luego x + y = (F (x) + F (y)) + (G (x) + G (y)) . El primer sumando de la derecha est en F y el segundo en G . Por la unicidad de la descomposici n a o necesariamente tenemos F (x + y) = F (x) + F (y) . Sea ahora K. Tenemos x = F (x)+G (x) . Nuevamente, el primer sumando de la derecha est en F y el segundo en G y por la unicidad de la descomposici n necesariamente a o tenemos F (x) = F (x) . Como son geom tricamente las proyecciones? En esencia el problema es el siguiente. e Dados dos espacios complementarios F , G y un vector a como hallar un vector en F y otro en G que sumados den a. Esto ya lo hicimos una vez cuando introducimos las coordenadas cartesianas en R2 . Dado un vector a trazamos la recta paralela al eje y que pasa por a y la intersecci n del eje x con esta recta es un vector x (a) . De manera an loga obtenemos o a y (a) y sabemos que a = x (a) + y (a). En el caso general es exactamente igual. Esta construc ci n se ilustra en la gura de la derecha. Tenemos que F o es un subespacio de dimensi n k y uno de sus complemen o tarios G es de dimensi n n k. Hay un solo subespacio o afn paralelo a F que pasa por a y este es F + a. La in tersecci n (F + a) G es un solo punto y este punto es o el vector G (a) . An logamente se observa que F (a) = a (G + a)F. Como es l gico, no pudimos dibujar el espacio o n R as que el lector deber contentarse con el caso n = 3, a k = 2 y con la prueba general. Si F y G son complementarios entonces, para cualquier vector a se cumple a = ((G + a) F)+((F + a) G). Prueba. Como F y G son complementarios (G + a) F es un solo punto que denotaremos x. Sea y G tal que x = y + a. Tenemos que F + a = F + x + y = F + y y por lo tanto y (F + a) . Luego y = (F + a) G.

Secci n 3.2 o

Operaciones entre transformaciones lineales

67

3.2 Operaciones entre transformaciones lineales

Ahora, veremos que operaciones se denen naturalmente entre las TLs. El espacio vectorial de las transformaciones lineales Sea f una TL y un escalar. Denotaremos por f a la funci n a 7 f (a). A esta o operaci n se le llama producto de un escalar por una TL. o El producto de un escalar por una TL es una TL. Prueba. Efectivamente, tenemos (f) (a + b) = f (a + b) = (f (a) + f (b)) = (f) (a) + (f) (b) (f) (a) = f (a) = f (a) = f (a) = (f) (a) lo que signica que f es una TL. Sean ahora f y g dos transformaciones lineales. Denotaremos por f + g a la funci n o a 7 f (a) + g (a). A esta operaci n se le llama suma de TLs. o La suma de dos TLs es una TL. Prueba. Denotemos h = f + g. Tenemos h (a) = f (a) + g (a) = (f (a) + g (a)) = h (a) h (a + b) = f (a + b) + g (a + b) = f (a) + g (a) + f (b) + g (b) = h (a) + h (b) lo que signica que h es una TL. Luego, podemos sumar transformaciones lineales y multiplicarlas por escalares. Los axiomas de espacio vectorial se comprueban de manera muy simple usando las deniciones. Por ejemplo, la prueba de la distributividad del producto por escalares con respecto a la su ma es la siguiente: ( (f + g)) (a) = (f (a) + g (a)) = f (a) + g (a) = (f + g) (a). Al espacio vectorial de todas las TLs del espacio E en el espacio F lo denotaremos por Mor (E, F). Esta notaci n es debido que a las transformaciones lineales tambi n se les llama o e morsmos de espacios vectoriales. Debido a todo lo dicho es v lido el siguiente resultado: a Mor (E, F) es un espacio vectorial. Composici n de transformaciones lineales o Sean f Mor (E, F) y g Mor (F, G) dos TLs. La composici n h = g f se dene o como la funci n E 3 a 7 g (f (a)) G. Demostremos que h = g f Mor (E, G) o sea, o que h es una TL.

68

Captulo 3. Transformaciones lineales

La composici n de TLs es una TL. o

Prueba. Sea h = g f la composici n de dos TLs. Tenemos o h (a + b) = g (f (a + b)) = g (f (a) + f (b)) = g (f (a)) + g (f (b)) = h (a) + h (b) h (a) = g (f (a)) = g (f (a)) = g (f (a)) = h (a) que es lo que se quera demostrar.

La composici n de TLs cumple las siguientes propiedades: o 1. f (g h) = (f g) h (asociatividad) 2. f (g + h) = f g + f h (distributividad a la izquierda) 3. (f + g) h = f h + g h (distributividad a la derecha) 4. f g = f g = (f g) (conmuta con el producto por escalares) Prueba. Como (f (g h)) (a) = f (g (h (a))) = ((f g) h) (a), la composici n es o asociativa. Con (f (g + h)) (a) = f ((g + h) (a)) = f (g (a) + h (a)) = = f (g (a)) + f (h (a)) = (f g) (a) + (f h) (a) = ((f g) + (f h)) (a) probamos la distributividad a la izquierda. Para la distributividad a la derecha usamos las igualdades ((f + g) h) (a) = (f + g) (h (a)) = f (h (a)) + g (h (a)) = = (f h) (a) + (g h) (a) = ((f h) + (g h)) (a) Finalmente para probar que la composici n conmuta con el producto por escalares tenemos o (f g) (a) = f (g (a)) = f (g (a)) = ( (f g)) (a) = = f (g (a)) = (f) (g (a)) = (f g) (a) . El lector debe ya debe poder encontrar por si mismo el porqu de la validez de cada una e de las igualdades utilizadas en esta prueba.

El algebra de operadores lineales

A una TL de un espacio vectorial en si mismo se le llama operador lineal. Nuevamente, usaremos la abreviatura OL para referirnos a los operadores lineales. Los OLs juegan (como veremos m s adelante) un papel muy importante en el estudio de las TLs y por esto es que a merecen un nombre especial. El conjunto de todos los OLs de E se denotar por End E. Lo a hacemos as porque a los OLs tambi n se les llama endomorsmos de un espacio vectorial. e Por denici n tenemos End E = Mor (E, E). La principal diferencia entre las TLs y los OLs o es que la operaci n de composici n es una operaci n interna en espacio vectorial End E. O o o o sea, si componemos dos OLs, obtenemos otro OL.

Secci n 3.2 o

Operaciones entre transformaciones lineales

69

Si un espacio vectorial cualquiera (el cual ya trae denidos la suma y el pro Alg1) es asociativa ducto por escalares) tiene otra operaci n Alg2) es distributiva con respecto a + o binaria que cumple los axiomas en el Alg3) tiene elemento neutro recuadro a la derecha entonces, se le lla Alg4) conmuta con el producto por escalares ma algebra . Observese que los primeros tres axiomas los podemos resumir en uno: la suma de vectores y denen un anillo en el espacio vectorial. El cuarto axioma lo que quiere decir es que para cualquier escalar y cualesquiera vectores a y b se cumple que a b = a b = (a b). Ya vimos (3.9 ) que la operaci n de composici n de OLs cumple los axiomas Alg1, Alg2 o o y Alg4. Para ver que End E es un algebra solo nos queda comprobar que la composici n tiene o elemento neutro. Pero esto es obvio ya que la funci n identidad cumple que f I = I f = f. o O sea, es el neutro para la composici n. Hemos demostrado el siguiente resultado o El espacio vectorial End E en un algebra con respecto a la composici n. o Hay otras dos algebras importantes que deben ser muy conocidas por el lector. Primero, el conjunto de los polinomios con coecientes reales R [x] es un espacio vectorial sobre R, pero adem s sabemos multiplicar polinomios. Este producto cumple todos los axiomas de a Alg1Alg4. Este ejemplo se generaliza a los polinomios sobre cualquier campo. El segundo ejemplo son los n meros complejos. Estos son un espacio vectorial de dimensi n dos so u o bre los reales pero adem s sabemos multiplicar n meros complejos. La multiplicaci n de a u o complejos tambi n cumple todos los axiomas Alg1Alg4. e
Un algebra se le llama conmutativa si el producto de vectores es conmutativo. El algebra de los n meros complejos y el algebra de polinomios sobre un campo son conmutativas. Las algebras u End E casi nunca son conmutativas (salvo en dimensi n 1). Por ejemplo en el plano cartesiano R2 o la rotaci n f en 45 y la reecci n g en el eje y son (como veremos despu s) OLs. Sin embargo, (g f) (1, 0) = o o e (1, 1) 6= (1, 1) = (f g) (1, 0).

El grupo general lineal Una funci n cualquiera es biyectiva si y solo si esta tiene inversa. En el captulo anterior, o cuando vimos los isomorsmos de espacios vectoriales, demostramos que si una TL tiene in versa entonces esta inversa tambi n es una TL. En particular, la funci n inversa de un OL es e o un operador lineal. Un operador lineal se le llama singular si este no tiene inverso. En el caso contrario se le llama no singular. A los OLs no singulares tambi n se les llama automor e smos del espacio vectorial. En otras palabras los automorsmos son los endomorsmos biyectivos. Al conjunto de todos los OLs no singulares del espacio vectorial E se le denota por GL (E). La suma de OLs no singulares puede ser singular ya que, por ejemplo, la funci n o nula cumple que 0 = f f. Sin embargo, la composici n de OLs no singulares es siempre un o OL no singular. Luego, la composici n es una operaci n binaria en GL (E) que ya sabemos o o

70

Captulo 3. Transformaciones lineales

que es asociativa y tiene elemento neutro. Adem s, cada elemento tiene inverso ya que f a f1 = f1 f = I. Luego, GL (E) es un grupo para la composici n al cual se llama grupo o general lineal del espacio vectorial E.

3.3 Extensiones lineales

Estudiaremos en esta secci n una manera universal de construir TLs. Pero antes, veamos o algunas consideraciones de tipo general acerca de funciones entre conjuntos arbitrarios. Extensiones y restricciones o Sean A y B dos conjuntos y A0 un subconjunto de A. Cada vez que se tiene una funci n f : A B tambi n se tiene una funci n f0 : A0 B denida por f0 (a) = f (a) para e o o o cualquier a A0 . A la funci n f0 se le llama restricci n de f a A0 y la denotaremos por fA 0 . Todas las diferentes restricciones de f se obtienen al tomar diferentes subconjuntos A0 . Si h y g son dos funciones tales que h es una restricci n de g entonces se dice que g o es una extensi n de h. Si est dada una funci n g : A0 B y A es un sobreconjunto de o a o A0 entonces, pueden haber muchas extensiones h : A B de g, ya que podemos escoger arbitrariamente los valores de h (x) para todos los x A\A0 . Es un problema frecuente en matem ticas el encontrar extensiones que cumplan ciertas a propiedades. En nuestro caso, debemos encontrar extensiones que sean TLs. Formulemos nuestro problema m s precisamente. Sean E y F dos espacios vectoriales sobre K y N un a conjunto de vectores de E. Sea h : E F una TL. Sabemos que N E y por lo tanto tenemos la restricci n hN : N F. Ser posible para cualquier funci n g : N F o a o encontrar una extensi n h : E F de g que sea TL? Ser unica tal extensi n? Veremos o a o que ambas preguntas tienen respuesta positiva si N es una base. Para demostrar la existencia de la extensi n debemos construirla. Sea N una base de E o y g : N F una funci n arbitraria de N P F. Cualquier x E se expresa de forma unica o en o como combinaci n lineal de N o sea x = iN i i. A la funci n h del o X x 7 i g (i) recuadro a la derecha se le llama extensi n lineal de g. Observese que o iN (como debe ser) la restricci n de h a N es igual a g ya que si x N o entonces, la descomposici n de x en la base N tiene coecientes i = 0 o para i 6= x y i = 1 para i = x. Las extensiones lineales son transformaciones lineales. Prueba. Tenemos X X X (i + i ) g (i) = i g (i) + i g (i) = h (x) + h (y) h (x + y) = iN iN iN X X h (x) = i g (i) = i g (i) = h (x)
iN iN

Secci n 3.3 o
y esto prueba que h es una TL.

Extensiones lineales

71

Para demostrar la unicidad de la extensi n debemos convencernos de que dos TLs dis o tintas no pueden coincidir en una base. Las TLs est n predeterminadas por sus valores en una base. a Prueba. Sean f, g : E F dos TLs y N una base de E. Supongamos que f (i) = g (i) para cualquier i N. Cualquier x E se expresa de forma unica como combinaci n lineal de N o P o sea x = iN i i. Luego ! ! X X X X i i = i f (i) = i g (i) = g i i = g (x) f (x) = f y por lo tanto las TLs f y g son iguales.
iN iN iN iN

El isomorsmo entre FN y Mor (E, F) Recordemos ahora de la Secci n 2.2 que el conjunto de todas las funciones de N en F es o el conjunto de las Nadas de vectores de F, que este es un espacio vectorial para la suma y el producto por escalares denidos por coordenadas y que se denota por FN . Si N es una base de E entonces, hemos construido una correspondencia biunvoca entre o FN y Mor (E, F). A cada Nada hN FN le corresponde su extensi n lineal h Mor (E, F) y a cada TL h Mor (E, F) le corresponde hN su restricci n a N (que es una Nada). o Queremos ver que esta correspondencia es un isomorsmo de espacios vectoriales. Si N es una base de E entonces, la biyecci n o N r : Mor (E, F) 3 h 7 hN F es un isomorsmo de espacios vectoriales. Prueba. Solo nos queda probar que r es una TL. Efectivamente, sean h, h0 Mor (E, F) y un escalar. Tenemos r (h + h0 ) = (h + h0 )N = hN + h0N = r (h) + r (h0 ) r (h) = (h)N = hN = r (h) que se cumplen por las deniciones de suma y producto por escalares de las Nadas. Un criterio de isomorsmo

72

Captulo 3. Transformaciones lineales

Al establecer que los espacios Mor (E, F) y FN son isomorfos es natural que esperemos que cualquier propiedad de las TL se tradusca de alguna u otra manera al lenguaje de las Nadas de vectores. En este caso queremos hacer la traduci n de la propiedad de una TL o de ser o no un isomorsmo de espacios vectoriales. Ya vimos en el captulo anterior que un isomorsmo transforma una base del dominio en una base del codominio. Ser esta a propiedad suciente para comprobar que una TL es un isomorsmo?. La (1, 0, 0) 7 (1, 0) respuesta es NO. Por ejemplo, la extensi n lineal de la funci n denida o o (0, 1, 0) 7 (0, 1) en la base can nica de R3 como en el recuadro a la derecha transforma a o (0, 0, 1) 7 (0, 1) esta base en la base can nica de R2 y sin embargo no es inyectiva. Nos o falta la propiedad evidentemente necesaria de que la restricci n de la TL debe ser inyectiva. o Una TL es un isomorsmo si y solo si su restricci n a una o base es inyectiva y la imagen de esta restricci n es una base. o Prueba. Ya hemos probado la necesidad. Para la suciencia sea N una base de E y hN FN una Nada de vectores de F tal que sus coordenadas son todas diferentes (la inyectividad) y que el conjunto de sus coordenadas (la imagen) es una base M = h (N) de F. Probemos que P la extensi n lineal h : E F de hN es un isomorsmo. Efectivamente, si x = iN i i y P o y = iN i i son dos vectores cualesquiera en E y h (x) = h (y) entonces, X X i h (i) = i h (i)
iN iN

y como todos los h (i) = hi son diferentes, estas son dos combinaciones lineales iguales de la base M. Por la caracterizaci n 2.9.3 de los conjuntos LI los coecientes de estas combi o naciones lineales tienen que coincidir i = i y por lo tanto x = y. Luego, h es inyectiva. Para ver que h es sobreyectiva sea z vector en F. Como M es una base P F existen de P coecientes i tales que z = iN i h (i) y por lo tanto z = h (v) donde v = iN i i.

3.4 Coordinatizaci n de transformaciones lineales o

Para darle coordenadas a una TL lo primero es darle coordenadas a los espacios entre los cuales est denida la TL. Sean N y M bases de E y F respectivamente. Tenemos los a isomorsmos de coordinatizaci n E K{N} y F K{M} . Para cada f Mor (E, F) tenemos o f la composici n g : K{N} E F K{M} que es una TL en Mor K{N} , K{M} . o Recprocamente para cada g Mor K{N} , K{M} tenemos la g f composici n f : E K{N} K{M} F que es una TL en o E F Mor (E, F). Es f cil ver y es intuitivamente claro que esta corres a l l pondencia biunvoca Mor (E, F) Mor K{N} , K{M} es un isomor K{N} K{M} g smo de espacios vectoriales.

Secci n 3.4 o

Coordinatizaci n de transformaciones lineales o

73

Podemos pensar a N como la base can nica de K{N} . Luego, aplicando 3.13 obtenemos o {N} {M} {M} N el isomorsmo Mor K , K = K{M}N que es el conjunto de las MN K matrices tales que cada columna es de soporte nito. Para el caso que m s nos interesa en a M N MN que N y M son bases nitas obtenemos Mor (E, F) K = K . Sea f Mor (E, F). A la matriz MN que le corresponde a f mediante el isomorsmo construido se le llama matriz de la TL f en las bases M y N. Los resultados de la secci n anterior nos dicen como o construir MN dada f. Para cada i N la columna Mi es el vector f (i) coordinatizado en P la base M. O sea f (i) = aM ai a. P ai xi 7 n ai (x + 1)i K [x] es un i=0 isomorsmo de espacios vectoriales. Construya algunas columnas de la matriz de esta TL en la base can nica del espacio de polinomios. Demuestre que las entradas de esta matriz o est n denidas por la ecuaci n recursiva kn = k,(n1) + (k1),(n1) con las condiciones a o de frontera kn = 0 si k > n y kn = 1 si k = 0 o k = n.

Ejercicio 56 Sean E E0 y F F0 isomorsmos de espacios vectoriales. Construya un

isomorsmo Mor (E, F) Mor (E0 , F0 ).

Ejercicio 57 Pruebe que la funci n K [x] 3 o

Pn

i=0

La expresi n iN ai i es un escalar y hay uno para cada a M por lo que son las o coordenadas de una Mada. A esta Mada se le llama producto de la matriz MN por el vector N y se denota por MN N . X Observese que este producto lo podemos escribir como en el re MN N = Mi i cuadro a la izquierda. Esto quiere decir que este producto se obtie iN ne multiplicando las columnas de MN por las correspondientes coordenadas de N y sumando los resultados. En otras palabras MN N es la combinaci n o lineal de las columnas de MN cuyos coecientes son las coordenadas de N . En esta secci n estudiaremos m s sistem ticamente el isomorsmo entre las TLs y las o a a matrices repitiendo m s detalladamente todo lo dicho en esta introducci n. Si el lector no a o entendi muy bien, le recomiendo seguir adelante y despu s releer esta introducci n. o e o El producto escalar can nico o X Sean N y N dos Nadas. El producto escalar de estas Nadas N N = i i es el escalar del recuadro a la derecha. De esta manera, el producto iN escalar de dos vectores es un elemento del campo.

P La f rmula f (i) = o e aM ai a nos dice tambi n como construir f dada MN . Las imagenes de los i N las calculamos por la f rmula y a f la construimos por extensi n o o P lineal. O sea, si E 3 x = iN i i entonces, ! X X X X X i f (i) = i ai a = ai i a F 3 f (x) = P
iN iN aM aM iN

74

Captulo 3. Transformaciones lineales

No se debe confundir el producto por un escalar con el producto escalar. El primero es un producto de un escalar por un vector y el segundo es un produc to de dos vectores. M s adelante veremos que hay otros productos denidos en a cualquier espacio vectorial. Por esto a este producto lo llamaremos can nico y solamente o est denido en el espacio vectorial de las Nadas para cierto conjunto nito de ndices N. a El producto escalar cumple las siguientes propiedades: 1. xy = yx (conmutatividad) 2. x (y + z) = xy + xz (distributividad a la izquierda) 3. (y + z) x = yx + zx (distributividad a la derecha) 4. x (y) = (x) y = (xy) (conmuta con el producto por escalares)

Ejercicio 58 Pruebe las principales propiedades del producto de Nadas (3.15). Ejercicio 59 Busque tres vectores x y z en el plano R2 tales que (xy) z 6= x (yz). [130] Ejercicio 60 Pruebe que N RN se cumple que 2 = N N 0. N
El producto de matrices Sean MN y NL dos matrices. Observese que el conjunto de ndices de las columnas de la primera, coincide con el conjunto de ndices de los renglones de la segunda. As, tanto N un rengl n iN como una columna Nj son vectores del espacio K de Nadas y podemos o formar su producto iN Nj . Cuando hacemos esto, para todos los i M y todos los j L obtenemos una MLmatriz formada por todos estos productos. A esta matriz se le llama el producto de las matrices MN y NL y se denotar por MN NL . Resumiendo, si ML = a MN NL entonces ij = iN Nj . Por ejemplo, si los conjuntos de ndices son M = {1, 2}, N = {1, 2, 3} y L = {1, 2} entonces, en forma gr ca tenemos a 11 12 11 12 13 = 1N N1 1N N2 21 22 21 22 23 2N N1 2N N2 31 32 y por denici n de producto escalar de vectores tenemos o P3 P3 1N N1 1N N2 i=1 1i i1 Pi=1 1i i2 = P3 . 3 2N N1 2N N2 i=1 2i i1 i=1 2i i2 Productos de matrices y vectores Sean MN y NL dos matrices. Si el conjunto de indices L tiene un solo elemento en tonces la matriz NL tiene una sola columna. En este caso podemos escribir NL = N1 y diremos que N1 es un vector columna o una Nada columna. Obviamente, podemos pensar que N1 es una Nada N . En este caso podemos hacer el producto de matrices MN N1 = MN N y este es el producto de una matriz por un vector denido al princi

Secci n 3.4 o

Coordinatizaci n de transformaciones lineales o

75

pio de esta secci n. An logamente se dene el producto por el otro lado. Si el conjunto de o a indices M tiene un solo elemento entonces la matriz MN tiene un solo rengl n. En este caso o podemos escribir MN = 1N y diremos que 1N es un vector rengl n o Nada rengl n. o o Obviamente, podemos pensar que 1N es una Nada N . En este caso podemos hacer el producto de matrices 1N NL = N NL y esta es la denici n del producto de un vector o por una matriz. En este libro, no haremos distinciones entre Nadas, Nadas columna y Nadas rengl n o o sea 1N = N1 = N . Para esto, dimos las deniciones de producto de una matriz por un vector y al rev s. Intuitivamente, el lector debe pensar que cuando aparesca un vector en un e producto de matrices este se convierte en vector la o columna seg n sea conveniente. u Claro, este abuso de la notaci n aunque es muy c modo puede llevar (si nos pone o o mos pedantes) a contradicciones. Por ejemplo, podemos sumar dos Nadas pero no podemos sumar una Nada columna con una Nada rengl n. o Observese que, no solo el producto de matrices por vectores y al rev s son casos particu e lares del producto de matrices, sino tambi n el producto escalar de dos vectores al constatar e que N N = 1N N1 .

Ejercicio 61 Tome dos matrices con entradas enteras y multiplquelas. Repita este ejercicio
hasta que usted comprenda muy bien el concepto de producto de matrices. La transformaci n lineal de una matriz o o Sea MN una MNmatriz. Esta matriz dene una funci n KN 3 N MN N KM . Esta funci n es una TL como ya vimos al principio de esta secci n utilizando el isomorsmo o o Mor KN , KM KMN . Sin embargo, la prueba directa de este hecho es muy sencilla. El multiplicar una matriz ja por Nadas es una TL. Prueba. Sea MN una matriz cualquiera pero ja. Por las propiedades del producto de vec tores tenemos que para todo i M se cumple que iN (N + N ) = iN N + iN N y que iN (N ) = (iN N ). Esto signica que son v lidas las igualdades MN (N + N ) = a MN N + MN N y MN (N ) = (MN N ). La matriz de una transformaci n lineal o En la proposici n anterior vimos que al mutiplicar MNmatrices por Nadas obtenemos o ejemplos de TLs. Ahora queremos ver que estos son todos los ejemplos posibles, o sea, que cualquier TL de KN en KM se obtiene multiplicando por una MNmatriz. Enrealidad, esto N M ya lo probamos al principio de esta secci n al construir el isomorsmo Mor K , K o KMN . Sin embargo, aqu es m s simple ya que tenemos bases can nicas de KN y KM . Sea a o

76

Captulo 3. Transformaciones lineales

E = {ei : i N} la base can nica de KN . Recordemos que ei es la Nada con coordenadas o ji = 1 si i = j y ji = 0 si i 6= j. Sea f : KN KM una TL. Denotemos Mi = f (ei ) KM . A la matriz MN cuyas columnas son las imagenes de la base can nica mediante la TL o f la llamaremos matriz de la TL f. Sea f : KN KM una TL y MN su matriz. Entonces, pa ra cualquier N KN se cumple que f (N ) = MN N .

Prueba. Sea f0 : N 7 MN N . Sabemos que f y e = P = MN i Mi jN Mj ji f0 son TLs. Si i N entonces, por denici n de la base o can nica y del producto de una matriz por un vector tenemos la igualdad del recuadro. Luego o f y f0 coinciden en la base can nica y por extensi n lineal ambas son la misma funci n. o o o Ejercicio 62 Halle la matriz de la rotaci n con angulo en R2 . [131] o Composici n de TLs y producto de matrices o La matriz de la composici n de dos TLs es o igual al producto de las matrices de las TLs. Prueba. Sean f Mor KN , KM y g Mor KM , KL dos TLs. Sean MN y LM las matrices de f y g respectivamente. Para cualquier N KN y cualquier i L tenemos X X X ij (jN N ) = ij jk k = iM (MN N ) = = y por lo tanto LM (MN N ) = (LM MN ) N . Como N 7 LM (MN N ) es la TL g f entonces, tenemos (g f) (N ) = (LM MN ) N que es lo que se quera probar. El producto de matrices es asociativo, distribuye por ambos lados con la suma de matrices y conmuta con el producto por un escalar. Prueba. Sean f, g y h TLs cuyas matrices son MN , LM y KL respectivamente. La matriz de (h g) f es (KL LM ) MN . La matriz de h (g f) es KL (LM MN ). Co mo la composici n de TLs es asociativa tenemos (h g) f = h (g f) y por lo tanto o (KL LM ) MN = KL (LM MN ). Esto prueba la asociatividad. Las dem s propiedades se prueban exactamente igual o sea, se desprenden de las respec a tivas propiedades de las TLs y de la proposici n 3.18. o
kN jM

XX

jM

ij jk k =

kN

jM

kN

(iM Mk ) k = (iM MN ) N

Secci n 3.4 o

Coordinatizaci n de transformaciones lineales o

77

Ejercicio 63 Pruebe la asociatividad del producto de matrices directamente de la denici n o de producto o sea, sin usar TLs. [131]
El espacio de todas las NNmatrices es un algebra isomorfa a End KN .

Prueba. Ya sabemos que KNN es un espacio vectorial para la suma de matrices y el producto de una matriz por un escalar. El resultado anterior hace la mayor parte del trabajo necesario para mostrar que KNN es un algebra. Solo falta el neutro para el producto que es la matriz de la identidad en KN . Esta matriz es INN que cumple que Iij = ij (el delta de Kronecker) y que la llamaremos matriz identidad. Adem s, ya sabemos que la aplicaci n que a un OL en KN le hace corresponder su a o matriz es un isomorsmo de espacios vectoriales. La proposici n 3.18 completa la tarea de o demostrar que esta aplicaci n es un isomorsmo de algebras. o Matrices inversas Sea f Mor KN , KM y MN la matriz de f. La funci n f es biyectiva si y solo si, o 1 1 1 N M existe la TL f tal que f f = I K y f f = I K . A la matriz de la TL f1 se o le llama matriz inversa de MN y se denota por 1 . De la proposici n 3.18 obtenemos MN que la matriz inversa cumple que 1 MN = INN y MN 1 = IMM . Observese que el MN MN conjunto de ndices de las columnas de 1 es M y no N. An logamente, el conjunto de a MN ndices de los renglones de 1 es N y no M. MN De la denici n es inmediato que una matriz tiene inversa si y solo si su TL es un iso o morsmo de espacios vectoriales. En particular los conjuntos de ndices N y M tienen que tener el mismo cardinal ya que estos cardinales son las dimensiones del dominio y el codo minio de esta TL. O sea, la matriz debe ser cuadrada. Ahora nos preocuparemos en traducir nuestro criterio de isomorsmo 3.14 al lenguaje de matrices. Una matriz cuadrada MN tiene inversa si y solo si sus columnas son todas diferentes y son una base de KM . Prueba. Sea MN una matriz cuadrada y f Mor KN , KM su TL. La resticci n de f o a la base can nica de KN es la Nada de las columnas de la matriz MN . Por 3.14 para o que f tenga funci n inversa es necesario y suciente que esta restricci n sea inyectiva (las o o columnas diferentes) y que su imagen (el conjunto de columnas) sea una base de KM . Es posible probar un criterio an logo al anterior substituyendo las columnas por los ren a glones. Sin embargo, su prueba aqu se nos hara innecesariamente complicada. Mejor lo dejaremos para el pr ximo captulo donde esto ser una f cil consecuencia de un resultado o a a mucho m s importante. a

78

Captulo 3. Transformaciones lineales

Ejercicio 64 Sean f y g las rotaciones del plano R2 en los angulos y respectivamente.

Use el ejercicio 62 para hallar las matrices en la base can nica de f, g y f g. Use 3.18 para o hallar f rmulas para el seno y el coseno de la suma de dos angulos. [131] o

3.5 Cambios de base

Es usual en las aplicaciones que sea conveniente realizar ciertos c lculos en un sistema de a coordenadas y despu s realizar otros c lculos en otro sistema de coordenadas. En el algebra e a lineal estos cambios de coordenadas son lineales o sea, la transformaci n que lleva unas o coordenadas a otras es una TL. Cambios de base en un espacio vectorial Sean V y N dos bases del espacio E. Conocemos los isomorsmos de coordinatizaci n o KV E KN . Nuestro problema ahora es: dado una Vada V que son las coordenadas del vector x en la base V como hallar las coordenadas N de x en la base N. En este caso las letras V y N tienen el sentido de que V es la base vieja y que N es la base nueva. Sea NV la matriz cuyas columnas son los vectores de la base V expre X sados en las coordenadas de N. O sea, para cualquier v V tenemos la v = iv i f rmula en el recuadro a la derecha. A la matriz NV se le llama matriz de o iN cambio de base (de V a N). Esta matriz no es otra cosa que la matriz del isomorsmo KV E KN . Si V es la Vada de las coordenadas de un vector en la base V entonces, NV V es la Nada de las coordenadas del mismo vector en la base N. P P Prueba. Descompongamos x E en las dos bases. Tenemos, x = vV v v = iN i i ! ! X X y por lo tanto X X X x= v iv i = iv v i = i i
vV iN iN vV iN

De P la unicidad de las coordenadas de cualquier vector en la base N obtenemos la igualdad vV iv v = i que es la que se necesitaba demostrar.

Ejemplo. Queremos calcular las coordenadas de un vector u = (x, y) R2 en la base N = {a1 , a2 } donde a1 = (2, 3) y a2 = (1, 2). Las coordenadas (x, y) son las coordenadas o de u en la base can nica. Luego, V = {e1 , e2 } es la base can nica y para construir la matriz o NV de cambio de base necesitamos las coordenadas de V en la base N. Estas coordenadas se pueden hallar resolviendo dos sistemas de ecuaciones lineales pero es m s sencillo usar a la siguiente argumentaci n. Como un cambio de base es un isomorsmo entonces la matriz o NV tiene inversa que es la matriz de cambio de la base N a la base V. Las columnas de esta matriz ya las tenemos, son a1 y a2 . Luego, denotando p y q las coordenadas que buscamos,

Secci n 3.5 o

Cambios de base

79

o sea, u = pa1 + qa2 tenemos: 1 2x y x 2 1 2 1 p x . = = = 2y 3x y 3 2 3 2 q y y en estos c lculos lo unico que no conoce el lector es como calcular la matriz inversa. Pero, a esto lo pospondremos hasta el pr ximo captulo. o Cambios de base en el espacio de transformaciones lineales Veamos como cambia la matriz de una TL cuando cambian las bases. Sean V, N dos bases del espacio E y W, M dos bases del espacio F. Conocemos los isomorsmos de coordinatizaci n KWV Mor (E, F) KMN . El problema ahora es: dada una WVmatriz o WV que es la matriz de la TL f : E F en las bases V y W como hallar la matriz MN de f en las bases N y M. Nuevamente, V, W son las bases viejas y M, N son las bases nuevas. X Sea NV la matriz de cambio de base de V a N en E. Sea MW la v= iv i matriz de cambio de base de W a M en F. O sea, para cualquier v V iN X y cualquier w W tenemos las f rmulas en el recuadro a la derecha. o jw j w= Estas matrices no son otra cosa que las matrices de los isomorsmos de jM coordinatizaci n KV E KN y KW F KM . o Si WV es la matriz de f en las bases V y W entonces, MW WV 1 es la matriz de f en las bases N y M. NV

X Prueba. Las columnas de WV son las imagenes por f de la base f (v) = wv w V expresadas en la base W o sea, v V se cumple la f rmula o wW del recuadro a la derecha. Denotemos por MN la matriz de f en las X bases N, M. Las columnas de MN son las imagenes por f de la base f (i) = ji j N expresadas en la base M. O sea, para cualquier i N se cumple la jM f rmula del recuadro a la izquierda. o Substituyendo en la f rmula de la derecha f rmulas que denen las matrices MW y o las o ! NV obtenemos X X X iv f (i) = jw wv j
iN jM wW

De la unicidad de la representaci n de cualquier vector en la base M obtenemos que para o P P cualesquiera j M y v V se cumple que iN ji iv = wW jw wv y por lo tanto MN NV = MW WV . Como NV es la matriz de un isomorsmo entonces, NV tiene inversa por lo que podemos despejar MN .

y en esta igualdad substituimos f (i) por la f rmula de la izquierda para obtener ! o ! X X X X ji iv j = jw wv j.

jM iN jM wW

80 KV NV KN WV

Captulo 3. Transformaciones lineales

KW MW KM

La proposici n anterior la podemos interpretar gr camen o a te de la siguiente manera. Las matrices WV , MN , NV , y MW son las matrices de TLs entre espacios como se muestra en el diagrama a la izquierda. Se dice que un diagrama de MN funciones es conmutativo si cualesquiera dos caminos di rigidos entre dos cualesquiera conjuntos son funciones iguales. En nuestro caso, el que el diagrama a la izquierda sea conmutativo lo quiere decir es que MN NV = MW WV . Cambios de base en el espacio de operadores lineales Si f End (E) = Mor (E, E) es un OL entonces, no tiene sentido escoger bases diferen tes para el dominio y el codominio ya que estos son iguales. Sean V, N dos bases de E. El problema ahora es: dada una VVmatriz VV que es la matriz del OL f en la base V, hallar la matriz NN de f en la base N. Sea NV la matriz de cambio de VV KV KV base de V a N en E. En este caso, el diagrama es el de la dere NV cha. Ya no hay que probar la conmutatividad de este ya que el, NV N K KN es un caso particular del anterior. Luego, NN NV = NV VV NN y despejando obtenemos que NN = NV VV 1 . NV Ejemplo. Sea f la TL del plano R2 que tiene la matriz del recuadro a cos sin la izquierda en la base V = {a1 , a2 } donde a1 = (2, 3) y a2 = (1, 2). sin cos Cual ser la matriz de f en la base can nica? La matriz de cambio a o de base a la base can nica es la que tiene como columnas a los vectores a1 y a2 . Luego, la o matriz de f en la base can nica es o 1 2 1 cos sin 2 1 cos + 8 sin 5 sin = 3 2 sin cos 3 2 13 sin cos 8 sin y esto es una advertencia de que un operador lineal puede tener en una base una matriz que es igual a la de la rotaci n en la base can nica y sin embargo no es una rotaci n. o o o La transformaci n lineal tanspuesta o Las f rmulas de cambios de base nos permiten denir propiedades de las transforma o ciones lineales que est n denidas solo para las matrices. La idea es la siguiente: para una a transformaci n lineal f se encuentra su matriz A en ciertas bases se dene la propiedad o para la matriz A y denimos a esta como propiedad de f. Finalmente, se prueba que si B es matriz de f en otras bases entonces, la propiedad de la matriz A es tambi n propiedad e de la matriz B. Con esto logramos que nuestra denici n de propiedad de f sea correcta o o sea, no depende de las bases en las cuales se deni . Ahora seguiremos esta idea para denir o la transformaci n lineal transpuesta. o Sea A = NM una matriz. A la matriz B = MN denida por ij = ji se le llama la matriz transpuesta de A y se denotar por AT . Un ejemplo de matrices transpuestas es el a siguiente T 1 6 1 2 3 = 2 5 6 5 4 3 4

Secci n 3.5 o

Cambios de base

81

o sea, los renglones de A son las columnas de AT y viceversa. Es comodo pensar en la transpuesta como la operaci n de transposici n que a una matriz o o le hace corresponder su transpuesta. Las principales propiedades de la transposici n son o las que se muestran en el recuadro a la derecha. T 1) AT 2) (AB)T T 3) A1 = A = BT AT 1 = AT

Prueba. La propiedad 1 es consecuencia trivial de la denici n. Para convencernos de la o propiedad 2 sean A = NM , B = ML y NL = NM ML = AB. Denotemos AT = 0MN , BT = 0LM y (AB)T = 0LN . Tenemos que i N y j M X X ik kj = 0jk 0ki = 0jM 0Mi 0ji = iM Mj = y esto prueba la propiedad 2. Para probar la propiedad 3 vemos que por la propiedad 2 tenemos 1 T T T A A = AA1 = IT = I y la prueba concluye por la unicidad de los inversos.
kM kM

Ahora, sea f : E F una TL y A la matriz de f en ciertas bases. Denamos la TL transpuesta fT : F E como la TL de la matriz transpuesta AT . Tenemos que comprobar que esta denici n no depende de como escogimos las bases. Si B es la matriz de f en otras o bases entonces existen matrices invertibles C y D tales que B = CAD y por la propiedad 2 tenemos BT = DT AT CT . Por la propiedad 3 las matrices DT y CT son invertibles y esto signica que BT es la matriz de fT en las nuevas bases. La transpuesta de una inmersi n es una proyecci n y recprocamente. o o Prueba. Sea F un subespacio de E y f : F E la inmersi n o 1 0 correspondiente. Sea A una base de F. Por el Teorema de Existencia de Bases existe una base B de E que contiene a A. El conjunto de 0 1 vectores C = B\A es una base de cierto subespacio complementario 0 0 G de tal manera que E = F G. Si coordinatizamos a F con la base A y a E con la base B entonces, en estas bases, la matriz de 0 0 f se ve como en el recuadro a la derecha. O sea, en los renglones correspondientes a A tenemos la matriz identidad y en los renglones correspondientes a C tenemos una matriz nula. Si transponemos esta matriz entonces fT es la TL que a un vector a + b con a F y o b G le hace corresponder a. Luego fT es la proyecci n de E a F a lo largo de G. El recprocamente se prueba an logamente. a

82

Captulo 3. Transformaciones lineales

Ejercicio 65 Pruebe que las propiedades 3.24 son tambi n propiedades de la transposici n e o
de TL o sea, son invariantes por cambios de bases. [131]
Este ultimo ejercicio llama la atenci n. Acaso no es trivial? La respuesta es si, pero con la trans o puesta hay que ser cuidadosos. Por ejemplo, podemos denir para un operador lineal f = fT si en T cierta base A = AT y de aqu podramos concluir que BAB1 = BAB1 para cualquier matriz invertible B. Esto NO es verdadero. La raz n profunda de esto es que la transpuesta de un operador vive o naturalmente en el espacio dual y para poder denir f = fT hay que identicar el espacio con su dual mediante alg n isomorsmo no can nico. u o

3.6 El nucleo y la imagen de una transformaci n lineal o

En esta secci n queremos ver que para describir todas las transformaciones lineales nos o es suciente conocer las inmersiones, las proyecciones y los isomorsmos. Despu s, vere e mos interesantes consecuencias de este resultado. Deniciones Para esto comenzaremos con dos deniciones fundamentales. Sea f : E F una TL. Al conjunto {y F | x E f (x) = y} se le llama imagen de la TL. La imagen de f se denotar por Im f. Al conjunto {x E | f (x) = 0} se le llama nucleo de la TL. El nucleo de a f se denotar por ker f. Esta notaci n es debido a que en ingl s nucleo es kernel. Descrip a o e tivamente la imagen es el conjunto de los vectores en el codominio que tienen preimagen y el nucleo es el conjunto de los vectores en el dominio cuya imagen es el vector 0. La imagen y el nucleo de una TL son subespacios. Prueba. Sean x, y vectores en Im f y K. Por denici n existen a, b tales que f (a) = o x, f (b) = y. Como f es lineal tenemos f (a + b) = f (a) + f (b) = x + y y adem s a f (a) = f (a) = x. Esto quiere decir que Im f es un subespacio. Sean a, b vectores en ker f y K. Tenemos f (a + b) = f (a) + f (b) = 0 + 0 = 0 y f (a) = f (a) = 0 = 0. Esto quiere decir que ker f es un subespacio. El nucleo y la imagen de una TL son subespacios de espacios diferentes. Si f : E F entonces ker f E e Im f F. Solamente en el caso que la TL es un OL o sea, cuando E = F el nucleo y la imagen son subespacios del mismo espacio. Sin embargo, como veremos m s adelante, en este caso pasan cosas raras ya que, aunque estos a subespacios tienen dimensiones complementarias ellos NO son complementarios en general.

Secci n 3.6 El nucleo y la imagen de una transformaci n lineal o o

Transformaciones lineales con nucleo trivial

83

Observese que, como para cualquier TL se tiene que f (0) = 0 entonces el vector cero siempre es un elemento del nucleo. Si el nucleo solo contiene al vector cero se dice que f tiene nucleo trivial. Cualquier TL lineal inyectiva tiene nucleo trivial ya que en este caso la preimagen de cualquier vector es unica. Lo importante es que el recproco tambi n es cierto. e Una TL es inyectiva si y solo si su nucleo es trivial. Prueba. Sea f una TL. Sean x,y dos vectores en el dominio de f. Tenemos (f (x) = f (y)) (f (x) f (y) = 0) (f (x y) = 0) (x y ker f) y por lo tanto el que halla dos vectores diferentes cuyas imagenes sean iguales es equivalente a la existencia de un vector no nulo en el nucleo de la TL. Descomposici n de transformaciones lineales o Ahora, demostraremos el resultado prometido al principio de la secci n. Sea f : E o F una TL. Sea K un subespacio complementario cualquiera pero jo del ker f. Sea fK la restricci n de f al subespacio K. Denotemos i : Im f F la inmersi n del subespacio Im f o o en F. Por ultimo, denotemos K : E K la proyecci n de E a K a lo largo del ker f. o Teorema de Descomposici n de una TL o f = i fK K y fK es un isomorsmo. Prueba. Sea x un vector arbitrario en el dominio de f. Por 2.29 (p gina 51) existen unos a nicos vectores a K, b ker f tales que x = a + b. De aqu obtenemos u (i fK K ) (x) = i (fK (K (x))) = i (fK (a)) = f (a) = f (a) + f (b) = f (x) y con esto queda probado que f = i fK K . Para probar que fK es un isomorsmo sea f (x) Im f. Por 2.29 existen unos unicos vectores a K, b ker f tales que x = a + b. Como fK (a) = f (a) = f (a) + f (b) = f (x) entonces fK es sobreyectiva. Si fK (a) = fK (b) entonces, fK (a b) = 0. Como (a b) K ker f entonces, a b = 0 o sea a = b. Luego, fK es inyectiva. Este teorema lo podemos visualizar m s f cilmente si observa a a f E F mos el diagrama de la derecha. La primera armaci n del Teorema o i de Descomposici n de una TL (3.28) lo que dice es que este dia K o K Im f grama es conmutativo. fK Para cualquier transformaci n lineal f : E F, o dim E = dim ker f + dim Im f.

Prueba. Por el teorema anterior Im f es isomorfo a un complementario de ker f.

84

Captulo 3. Transformaciones lineales

La descomposici n de la transpuesta o Veamos una primera aplicaci n del Teorema de Descomposici n de una TL (3.28). Como o o veremos en el pr ximo captulo, este resultado es clave para poder encontrar el conjunto de o todas las soluciones de un sistema de ecuaciones lineales. Para cualquier transformaci n lineal f : E F se cumple o que dim Im f = dim Im fT y que dim ker f = dim ker fT . Prueba. Por 3.29 es suciente demostrar la primera igualdad. Descompongamos f = ig donde i es una inmersi n, g un isomorsmo y una proyecci n. O sea, f es la composici n o o o g i E K Im f F T a o Por 3.24.2 tenemos que f = T gT iT . M s detalladamente, fT es la composici n T T T g i F Im f K E o De 3.24.3 obtenemos que gT es un isomorsmo y de 3.25 obtenemos que T es una inmersi n T T T T T T y que i es una proyecci n. Como g i es sobreyectiva Im f = Im y como es una o inmersi n Im T = K. El hecho de que K y Im f son isomorfos termina nuestra prueba. o Un criterio de isomorsmo Veamos otra aplicaci n. Recordemos un sencillo resultado de teora de conjuntos: toda o funci n inyectiva de un conjunto nito en otro con el mismo n mero de elementos es biyec o u tiva. De hecho, esto lo usamos en el primer captulo para probar que Zp es un campo para p primo. El objetivo ahora, es mostrar que exactamente el mismo resultado (simple pero muy util) se cumple para espacios vectoriales de dimensi n nita. Esto es una consecuencia o del Teorema de Descomposici n de una TL (3.28). o Sean E y F dos espacios de dimensiones nitas e iguales. Una TL f : E F es inyectiva si y solo si es sobreyectiva.

Prueba. Por 3.29 tenemos dim ker f = dim E dim Im f. Si f es sobreyectiva entonces, F = Im f. Por hip tesis dim F = dim E. De aqu, debido a que todas las dimensiones son o nitas, dim ker f = 0 y por lo tanto ker f = {0}. De 3.27 concluimos que f es inyectiva. Si f es inyectiva entonces, la funci n f : E Im f es un isomorsmo y por lo tanto o dim E = dim Im f. Por hip tesis dim F = dim E. Como Im f es un subespacio de F entonces, o aplicando 2.17 (p gina 41) obtenemos F = Im f. a Como consecuencia de este resultado probaremos que para comprobar que dos opera dores lineales f y g en un espacio de dimensi n nita son el inverso uno del otro, solo es o necesario comprobar una de las dos igualdades g f = I o f g = I.

Secci n 3.6 El nucleo y la imagen de una transformaci n lineal o o

Sean f, g : E E dos OLs de un espacio nito dimen sional. Entonces, f g = I si y solo si g f = I.

85

Prueba. La funci n identidad es sobreyectiva. Luego, si fg = I entonces, f es sobreyectiva. o Por 3.31 f es inyectiva y por lo tanto tiene inversa f1 . Componiendo con f1 obtenemos f1 f g = f1 I y por lo tanto g = f1 . Descomposici n can nica de transformaciones lineales o o Para aplicar el Teorema de Descomposici n de una TL (3.28) necesitamos escoger (ya o que hay muchos) un subespacio complementario K del nucleo de f. Ya vimos (v ase 2.34) e que cualquier tal subespacio es isomorfo al cociente E/ ker f. Queremos substituir K por E/ ker f en el Teorema de Descomposici n de una TL (3.28) para as obtener otra versi n o o del mismo que no dependa de escoger nada, o sea que sea can nico. o En el Teorema de Descomposici n de una TL (3.28) est n o a f involucradas tres funciones: la proyecci n K (que es sobreyec o E F tiva), la restricci n fK (que es biyectiva) y la inmersi n i (que es o o ? i inyectiva). Esta ultima no depende de K y podemos quedarnos E/ ker f Im f ? con ella. As que todas nuestras incognitas est n representadas a en el diagrama de la derecha. Cuales funciones podemos escoger para nuestras incognitas? No tenemos muchas va riantes. El espacio cociente E/ ker f est formado por todos los subespacios anes ker f + x. a El espacio Im f est formado por todas las imagenes f (x). Luego, la a x 7 ker f + x unica posible respuesta a nuestra pregunta son las funciones denidas f (x) 7 ker f + x en el recuadro a la izquierda. La primera de estas funciones tiene dominio E, codominio E/ ker f, se le llama funci n o natural y se denota por nat. La funci n natural es una TL ya que o nat (x + y) = ker f + x + y = ker f + x + ker f + y = nat (x) + nat (y) nat (x) = ker f + x = ker f + x = (ker f + x) = nat (x) y adem s es evidentemente sobreyectiva. a La segunda de estas funciones es nuestra preocupaci n fundamental ya que tenemos que o probar que es un isomorsmo. Esta funci n tiene dominio Im f, codominio E/ ker f y la o denotaremos por g. La funci n g es una TL ya que o g (f (x) + f (y)) = g (f (x + y)) = ker f + x + y = g (f (x)) + g (f (y)) g (f (x)) = g (f (x)) = ker f + x = (ker f + x) = g (f (x)) y es tambi n evidentemente sobreyectiva. e Que quiere decir que g es inyectiva? Lo que quiere decir es que si los subespacios anes ker f + x y ker f + y son el mismo entonces, f (x) = f (y). Como para un subespacio afn E paralelo al ker f se cumple que (E = ker f + x) (x E) entonces, la inyectividad de g es equivalente a que la funci n f sea constante en cualquier subespacio afn paralelo al ker f. o

86

Captulo 3. Transformaciones lineales

La cadena de equivalencias (y ker f + x) (a ker f | y = a + x) (f (y x) = 0) (f (y) = f (x)) nos convence de que g es inyectiva independientemente de quien sea f. Los subespacios anes paralelos a ker f son precisamente los conjuntos de vectores en que la funci n f es constante. o Luego, g es un isomorsmo y por lo tanto tiene un isomor f smo inverso que denotaremos por f0 . El isomorsmo f0 es el E F que a un subespacio afn ker f + x le hace corresponder f (x). nat i As completamos nuestro diagrama como en el recuadro a la E/ ker f Im f f0 derecha. Solo nos falta demostrar que este es conmutativo. Sin embargo esto es muy f cil porque la composici n de funciones a o nat f0 i x 7 ker f + x 7 f (x) 7 f (x) es evidentemente igual a la funci n f. o

3.7 Trasformaciones semilineales y coalineaciones

Una funci n f : E F de espacios vectoriales sobre K se o le llama transformaci n semilineal si existe un automorsmo f(a + b) = f(a) + f(b) o 7 del campo K tal que para cualesquiera vectores a, b y f (a) = f (a) cualquier escalar se cumplen las propiedades del recuadro. Observese que las trasformaciones lineales son semilineales usando como automorsmo del campo la funci n identidad. Para construir otras trasformaciones semilineales necesita o mos automorsmos del campo que no sean la identidad. El ejemplo m s importante es la a conjugaci n a + bi 7 a bi en el campo de los n meros complejos (v ase el ejercicio ??). o u e automorsmo del campo es unico. [131] Trasformaciones semilineales reales En el caso del campo de los n meros reales no hay trasformaciones semilineales que no u sean lineales debido al siguiente resultado: El unico automorsmo de R es la identidad. Prueba. Sea f un automorsmo de R. Supongamos que x > 0 y sea y = x entonces, f (x) = f(y2 ) = f (y)2 > 0. En particular si x = b a > 0 entonces f (b a) =

Ejercicio 66 Pruebe que para una transformaci n semilineal no nula f el correspondiente o

Secci n 3.7 o

Trasformaciones semilineales y coalineaciones

87

f (b) f (a) > 0. En otras palabras, f es mon tona b > a f (b) > f (a). Como f1 o tambi n es mon tona entonces, f conmuta con el supremo y el nmo (v ase el ejercicio 67). e o e Como f (1) = 1 y 1 es generador del grupo aditivo de Z obtenemos que f es la identidad en Z. Como f (a/b) = f (a) /f (b) obtenemos que f es la identidad en Q. Sea x un irracional y denotemos por A el conjunto de todos los racionales menores que x. Sabemos que x = sup A y por lo tanto f (x) = f (sup A) = sup f (A) = sup A = x.

f1 son mon tonas). Pruebe que si sup A existe entonces, f (sup A) = sup f (A). [131] o Ejercicio 68 Sea f 6= I un automorsmo de C. Las siguientes armaciones son equivalen tes: 1. f es la conjugaci n compleja. 2. f es continua. 3. f es la identidad en R. [131] o Propiedades de las transformaciones semilineales Al igual que las TL las transformaciones semilineales preservan subespacios. Toda trasformaci n semilineal trans o forma subespacios en subespacios. Prueba. Sea f : E F una trasformaci n semilineal y F un subespacio de E. Sean a, b F o y K. Tenemos f(a + b) = f(a) + f(b) por lo que f (F) es cerrado para la suma. Sea K tal que = . Tenemos f (a) = f (a) = f (a) o sea f (E) es cerrado para el producto por escalares. Toda trasformaci n semilineal transforma o subespacios anes en subespacios anes. Prueba. Sea f : E F una trasformaci n semilineal y F un subespacio de E. Si F + x es o un subespacio afn entonces, f (F + x) = f (F) + f (x) que es tambi n un subespacio afn e puesto que por el resultado anterior f (F) es un subespacio. Automorsmos semilineales. A diferencia de las TL las transformaciones semilineales no forman un espacio vectorial. Esto es debido a que si 7 y 7 e son dos automorsmos del campo entonces 7 +e no necesariamente es un automorsmo. A las transformaciones semilineales f : E E biyectivas las llamaremos automorsmos semilineales.

Ejercicio 67 Sea R un conjunto ordenado y f : R R una isotona (biyecci n tal que f y o

88

Captulo 3. Transformaciones lineales

La composici n de automorsmos semi o lineales es un automorsmo semilineal.

Prueba. Sean f y g dos automorsmos semilineales. De la misma manera que para los operadores lineales se prueba que (f g) (a + b) = (f g) (a) + (f g) (b). Sean 7 los automorsmos del campo correspondientes a f y g respectivamente. Tenemos y 7 que (f g) (a) = f a = e y la prueba termina al observar que 7 e siendo una a composici n de automorsmos del campo es automorsmo del campo. o Ejercicio 69 Sea 7 un automorsmo del campo K. Pruebe que la transformaci n Kn 3 o

(x1 , . . . , xn ) 7 (x1 , . . . , xn ) Kn es un automorsmo semilineal. A tales automorsmos semilineales los llamaremos estandar. Pruebe que toda transformaci n semilineal de Kn en o Kn es la composici n de un automorsmo semilineal estandar con una TL. [132] o

La inversa de un automorsmo semi lineal es un automorsmo semilineal.. Prueba. Sea f : E E una automorsmo semilineal. Sean K y x, y E. Sean a, b E tales que f (a) = x , f (b) = y. Tenemos (b)) =f1 (f (a + b)) = a + b = f1 (x) + f1 (y) f1 (x + y) = f1 (f(a) + f 1 1 f x = f f (a) = f1 (f (a)) = a =f1 (x) que es lo que se quera demostrar puesto que la funci n 7 es un automorsmo de K. o

Estos dos ultimos resultados signican que el conjunto de todos los automorsmos se milineales forman un grupo respecto a la composici n de funciones. o Coalineaciones

Una biyecci n f : E E en un espacio vectorial sobre un campo le llama coalineaci n o o si la imagen de cualquier subespacio afn es un subespacio afn y la preimagen de cualquier subespacio afn es un subespacio afn de E. En otras palabras, tanto f como f1 transforman subespacios anes en subespacios anes. Obviamente, si f es una coalineaci n entonces f1 o tambi n lo es. El siguiente resultado nos dice que la denici n de coalineaci n es posible e o o hacerla de diversas maneras.

Secci n 3.7 o

Trasformaciones semilineales y coalineaciones

89

Sea f : E F una biyecci n entre dos espacios anes. Entonces, las o siguientes armaciones son equivalentes: 1. f y f1 transforman subespacios anes en subespacios anes. 2. f y f1 transforman generadores anes en generadores anes. 3. f y f1 transforman bases anes en bases anes. 4. f y f1 transforman conjuntos AI en conjuntos AI. 5. f y f1 conmutan con la cerradura afn. Prueba. (1 2) Sea A un conjunto generador afn de E y B = f (A). Sea C = f1 [B] que es un subespacio afn por ser la preimagen de un subespacio. Tenemos, B [B] y por lo tanto A = f1 (B) f1 [B] = C. Luego E = [A] C y por lo tanto C = E. De aqu f (E) = [B] y como f es sobreyectiva tenemos que B es generador. Por simetra, si B es generador entonces f1 (B) tambi n lo es. e (2 3) Sea ahora A una base afn de E y B = f (A). Sabemos que B es generador afn. Si B no fuera AI entonces existira b tal que B\b es generador y por lo tanto, tendramos que f1 (B\b) = A\f1 (b) es generador afn. Esto contradecira que A es una base afn. 1 Por simetra, si B es una base afn entonces f (B) tambi n lo es. e (3 4) Sea ahora A un conjunto AI. Sea A0 una base afn que lo contiene. Sabemos que 0 0 f (A ) es una base afn. Como f (A) f (A ) tenemos que f (A) es AI. Por simetra, si B es 1 AI entonces f (B) tambi n lo es. e (4 1) Sea A una base afn del subespacio afn [A]. Como A es AI entonces B = f (A) tambi n lo es. Si b [A] entonces Ab es AD y por lo tanto Bf (b) tambi n lo es. Luego, e e por el corolario 2.42, tenemos f (b) [B] y por lo tanto f [A] [B]. Si b [B] entonces B b es AD y por lo tanto A f1 (b) tambi n lo es. Luego, por el corolario 2.42, tenemos e 1 f (b) [A] y por lo tanto [B] f [A]. Esto signica que f transforma el subespacio [A] en el subespacio [B]. Por simetra, f1 tambi n transforma subespacios en subespacios. e (5 1) Si f [A] = [f (A)] entonces la imagen del subespacio afn [A] es el subespa cio afn [f (A)]. O sea, f trasforma subespacios en subespacios. Por simetra, f1 tambi n e transforma subespacios en subespacios. (1 5) Sea f una coalineaci n. Sea A un conjunto de puntos. Como f transforma subes o pacios anes en subespacios anes la restricci n de f a [A] es una coalineaci n del espacio o o an [A] en el espacio an f [A]. Como esta restricci n transforma generadores en generado o res tenemos que f (A) es generador de f [A]. Luego f [A] = [f (A)]. Para probar de que f1 conmuta con la cerradura afn usamos que f1 es una coalineaci n. o

Si f y f1 conmutan con el operador de cerradura entonces f es una isotona del conjunto ordenado de cerrados.

Ejercicio 70 Sea A un conjunto con un operador de cerradura y f : A A una biyecci n. o

90

Captulo 3. Transformaciones lineales

Estructura de las coalineaciones La composici n de coalineaciones de un espacio afn en si mismo es una coalineaci n. o o Lo mismo sucede con la inversa de una coalineaci n. Luego el conjunto de todas las coali o neaciones de un espacio afn F es un grupo respecto a la composici n de funciones. o Si dim E = 1 entonces cualquier biyecci n de E en E es una coalineaci n ya que en este o o caso todos los subepacios anes son puntos y la condici n de preservar puntos no es ninguna o restricci n. o Un importante subgrupo de colineaciones son las traslaciones o sea, las funciones de la forma ta : F 3 x 7 x + a F y de estas hay una para cada vector a en el espacio vectorial F. Como ta tb = ta+b observamos que el subgrupo de traslaciones es isomorfo al grupo aditivo del espacio vectorial F. Sea f una coalineaci n en E. Denotemos a = f (0) y ta la traslaci n x 7 x + a. Obser o o 0 0 vemos que la coalineaci n f = ta f es tal que f (0) = 0. Luego, cualquier coalineaci n o o es la composici n f = ta f0 de una coalineaci n que preserva 0 seguida de una traslaci n. o o o Si f es un automorsmo semilineal entonces f transforma subespacios anes en subes pacios anes y por lo tanto es una coalineaci n que preserva 0. o Ahora, comenzaremos a probar el resultado principal de esta secci n: que en dimensi n o o al menos 2 toda coalineaci n que preserva 0 es semilineal. En todo lo que sigue, E es un o espacio vectorial de dimensi n al menos 2 sobre el campo K. o Toda coalineacion en E preserva el paralelismo de rectas. Prueba. Sea f una coalineaci n y `, `0 dos rectas paralelas diferentes. Como f es un au o tomorsmo del conjunto ordenado de subespacios anes dim [` `0 ] = dim f [` `0 ] = dim [f (`) f (`0 )] y por lo tanto f (`) y f (`0 ) son coplanares. Tambi n dim [` `0 ] = dim f [` `0 ] = dim [f (`) f (`0 )] y por lo tanto f (`) y f (`0 ) no e se intersectan. Toda coalineacion en E que preserva 0 es un automorsmo del grupo aditivo de vectores. Prueba. Sea f una coalineaci n de E que preserva 0. Recordemos que para cualquier vector o x el subespacio hxi es la recta por el origen que pasa por x. Y como f preserva 0 tenemos f hxi = hf (x)i o sea, f tambi n conmuta con la cerradura lineal. e Sean a, b E dos vectores. Tenemos que probar que f (a + b) = f (a) + f (b). Esto es trivial si {a, b} contiene a 0 por lo que podemos suponer que a 6= 0 y b 6= 0. Supongamos primero que {a, b} es LI. Por la regla del paralelogramo sabemos que a + b = (hai + b) (hbi + a) , f (a) + f (b) = (hf (a)i + f (b)) (hf (b)i + f (a)) .

Secci n 3.7 o

Trasformaciones semilineales y coalineaciones

91

Como f preserva el paralelismo f (hai + b) es una recta paralela a f (hai) = hf (a)i que pasa por f (b) , o sea f (hai + b) = hf (a)i + f (b). An logamente, f (hbi + a) = a hf (b)i + f (a). Como f conmuta con la intersecci n (el nmo) tenemos o f (a + b) = f (hai + b)f (hbi + a) = (hf (a)i + f (b))(hf (b)i + f (a)) = f (a)+f (b) y esto concluye el caso de que {a, b} es LI. Es claro que si {a, b} es LI entonces, tambi n lo es {a b, b} y por lo tanto e f (a) = f (a b + b) = f (a b) + f (b) . Luego, si {a, b} es LI entonces, f (a b) = f (a) f (b). Supongamos que {a, b} es LD. Entonces, hai = hbi. Como dim E > 1 existe c hai / tal que los conjuntos {a, c}, {b, c} son LI. Si b 6= a entonces, {a + c, b c} es LI y por el caso anterior tenemos que f (a + b) = f (a + c + b c) = f (a + c) + f (b c) = f (a) + f (b) y en particular cuando b = a obtenemos f (2a) = 2f (a). Si b = a entonces, {a + c, b + c} es LI y tenemos que 2f (c) = f (2c) = f (a + c + b + c) = f (a + c) + f (b + c) = f (a) + f (b) + 2f (c) y por lo tanto f (a) + f (b) = 0 = f (0) = f (a + b).

Ejercicio 71 Complete la demostraci n del resultado anterior mostrando que si {a, c} es LI, o
b = a y 6= 1 entonces {a + c, b c} es un conjunto LI. [132]

Prueba. Sea a E\0. Como f preserva 0 tenemos que f (hai) = hf (a)i. Sabemos que a hai y por lo tanto f (a) hf (a)i. Como en hf (a)i est n precisamente los m ltiplos a u de f (a) existe un escalar que denotaremos a tal que f (a) = a f (a). De esta manera est denida una funci n K 3 7 a K que es biyectiva pues f es una biyecci n de hai a o o en hf (a)i. Queremos probar que a no depende de a. O sea que para cualesquiera a, b E\0 tenemos que a = b . Supongamos que {a, b} es LI. Usando 3.41 obtenemos que a f (a) + b f (b) = f (a) + f (b) = f (a + b) = = f ( (a + b)) = a+b f (a + b) = a+b f (a) + a+b f (b) y como {f (a) , f (b)} es LI obtenemos a = a+b = b . Supongamos que {a, b} es LD entonces, como dim E > 1 existe c tal que {a, c} y {c, b} son dos conjuntos LI. Por el caso anterior a = c = b . Como a no depende de a denotaremos = a . Sabemos que para cualquier vector a E tenemos f (a) = f (a). Solo falta probar que 7 es un automorsmo de K.

Si f es una coalineaci n en E que preserva 0 entonces, existe un automors o mo 7 del campo K tal que f (a) = f (a) para todo vector a E.

92

Captulo 3. Transformaciones lineales

Sea a un vector no nulo. Usando 3.41 obtenemos que ( + )f (a) = f (( + ) a) = f (a + a) = f (a) + f (a) = + f (a) ()f (a) = f (a) = f (a) = f (a) y como f (a) es no nulo obtenemos + = + y = . Resumiendo los dos ultimos resultados obtenemos: Caracterizaci n de las coalineaciones o Si dim E 2 entonces, cualquier coalineaci n en o E que preseva 0 es un automorsmo semilineal. Combinando esto con 3.34 vemos que el caso de los reales es m s sencillo. a Toda coalineaci n en un espacio vectorial real de dimensi n dos o o o m s es un automorsmo lineal seguido por una traslaci n. a o

Captulo cuarto

Determinantes
os determinantes son una funci n que a cada matriz cuadrada le hace corresponder o un elemento del campo. Todo lo que se digamos acerca de la importancia de los de terminantes en las matem ticas es poco. Este es uno de los conceptos sin los cuales a realmente no se puede entender nada en las matem ticas superiores. En este captulo dare a mos la denici n de los determinantes, estudiaremos sus propiedades, m todos de c lculo o e a y seremos capaces, gracias a ellos, de resolver los sistemas de ecuaciones lineales de forma general.

4.1 Permutaciones
La denici n de determinante de una matriz pasa inevitablemente por la denici n del o o signo de una permutaci n. El lector debe entender bien esta secci n para poder pasar al o o estudio de los determinantes. El grupo sim trico e Sea N un conjunto nito. Una permutaci n de N es una biyecci n de N en N. Al o o conjunto de todas las permutaciones de N lo denotaremos por SN . La composici n de biyec o ciones es una biyecci n y toda biyecci n tiene inversa, por lo tanto, SN es un grupo respecto o o a la composici n. Al grupo (SN , ) se le llama el grupo sim trico de N. Denotaremos por o e o o IN a la funci n identidad que es el neutro de SN . Es importante recordar nuestra notaci n de la composici n ( ) (a) = ( (a)) ya que la composici n no es conmutativa. o o Si |M| = |N| entonces los grupos SM y SN son isomorfos. Prueba. Sean M y N son dos conjuntos del mismo cardi nal. Si : M N es una biyecci n entonces j ndonos en o a el diagrama conmutativo del recuadro a la derecha obtenemos una funci n : SM 3 7 1 SN . Observemos, que o tiene inversa SN 3 7 1 SM . M N 1 M 1 N

94

Captulo 4. Determinantes

Adem s, () = 1 = 1 1 = () () y por lo tanto, es un a isomorsmo de los grupos SM y SN . El lector debe interpretar este resultado como que, en el grupo SM podemos cambiarle el nombre a los elementos de M mediante la biyecci n : M N y obteniendo el grupo SN . o En particular, el n mero de elementos de SN solo depende del n mero de elementos en N. u u El n mero de permutaciones de un conjunto con n elementos es n!. u Prueba. Para la prueba es m s claro encontrar (n) el n mero de biyecciones f : M N a u donde |M| = |N| = n. Si n = 1 entonces (n) = 1 = 1!. Hagamos inducci n en n. Si o i M entonces, el conjunto de biyecciones lo podemos partir en n partes disjuntas seg n u cual sea j = f (i). Cada parte tiene tantos elementos como biyecciones f : M\i N\j y por hip tesis de inducci n este n mero es (n 1) !. Luego, (n) = n (n 1) ! = n!. o o u Ciclos Sea M = {x0 , . . . , xn1 } N. A la permutaci n o xi+1 mod n si y = xi mostrada en el recuadro a la derecha se le llama ci (y) = y si y M / clo de orden n. A esta permutaci n se le denotar por o a (x0 , . . . , xn1 ). . Dos ciclos (x0 , . . . , xn1 ) y (y0 , . . . , ym1 ) se les llama disjuntos si ning n u xi es igual a alg n yj . u Es importante notar que la composici n de ciclos disjuntos es conmutativa pero la com o posici n de ciclos en general no lo es. Tambi n debemos notar que debido a las propiedades o e de la funci n mod n se tiene que (a, . . . , b, c) es la misma permutaci n que (c, a, . . . , b) en o o otras palabras, siempre podemos escoger el principio del ciclo. Sea SN una permutaci n. La relaci n en N denida o o n por n Z tal que a = (b) es de equivalencia. Prueba. Tenemos a = 1 (a) y por lo tanto es reexiva. Si a = n (b) y b = m (c) entonces a = n+m (c) y por lo tanto es transitiva. Si a = n (b) entonces, b = n (a) por lo que la relaci n es sim trica. o e A las clases de equivalencia de esta relaci n se le llaman orbitas de la permutaci n. o o La restricci n de una permutaci n a una orbita es un ciclo. o o Prueba. Supongamos que M es una orbita. Sea a M. Tenemos M = {n (a) | n Z}. El conjunto M no puede ser innito por lo que existe un natural p m s peque o tal que p (b) a n p ya apareci antes en la sucesi n a, (a) , . . .. Observemos que (a) = a porque si no, o o habra un n mero k mayor que cero y menor que p tal que p (a) = k (a) o sea, k (a) u

Secci n 4.1 o

Permutaciones

95

tendra dos preimagenes diferentes k1 (a) 6= p1 (a) y esto no puede ser ya que es una biyecci n. Dividiendo con resto o cualquier entero n entre p tenemos que n = kp + r con n r 0 r < p. Luego, (a) = kp (a) = r (a) y M = {n (a) | n Zp }. Esto quiere decir que la restricci n de a M es el ciclo a, (a) , . . . , p1 (a) . o Supongamos que la restricci n de a M es el ciclo a, (a) , . . . p1 (a) . Como o (M) = M tenemos que p (a) M y de la misma manera que antes vemos que p (a) = a y que M = {n (a) | n Z} es una orbita. Toda permutaci n es composici n de ciclos disjuntos. o o Prueba. Solo tenemos que tomar los ciclos correspondientes a todas las orbitas y compo nerlos en cualquier orden. Observese que la descomposici n en ciclos disjuntos de una permutaci n es unica salvo o o el orden de la composici n. o El grupo alternante Una permutaci n se le llama par si en su descomposici n en ciclos disjuntos hay un o o n mero par de ciclos de orden par. En otro caso se le llama impar. A los ciclos de orden u 2 se les llama transposiciones. Las transposiciones son impares. La inversa de cualquier transposici n es ella misma. o La composici n de una permutaci n con una trans o o posici n cambia la paridad de la permutaci n. o o Prueba. Sea una permutaci n y = (a, b) una transposici n. Distingamos dos casos: o o que a y b est n en una misma orbita de o que no. a Si est n en la misma orbita M entonces escogiendo el principio del ciclo en M y renu a merando los elementos de N podemos lograr que = (1, k) con k > 1 y que la restricci n o de a M es (1, 2, . . . , n) con n k. Como ( (k 1)) = 1 y ( (n)) = k, obtenemos (1, k) (1, 2, . . . n) = (1, . . . , k 1) (k, . . . , n) . Si n es par entonces, k 1 y n k + 1 tienen la misma paridad por lo que la paridad de cambia. Si n es impar entonces k 1 y n k + 1 tienen diferente paridad por lo que la paridad de cambia. Si est n en diferentes orbitas M1 y M2 entonces escogiendo los principios de los ciclos a en M1 , M2 y renumerando los elementos de N podemos lograr que = (1, k) con k > 1 y que la restricci n de a M1 es (1, . . . , k 1) y la restricci n de a M2 es (k, . . . , n). o o Como ( (k 1)) = k y ( (n)) = 1, obtenemos que (1, k) (1, . . . , k 1) (k, . . . , n) = (1, 2, . . . n) y ya vimos que (1, . . . , k 1) (k, . . . , n) tiene paridad diferente que (1, 2, . . . n). Con esto hemos demostrado que la paridad de es diferente a la de . La demostraci n o

96

Captulo 4. Determinantes

de que a paridad de es diferente a la de es an loga. a Toda permutaci n es composici n de transposiciones. o o Prueba. Se comprueba f cilmente que (x0 , . . . , xn1 ) = (xn1 , x0 ). . .(x2 , x0 )(x1 , x0 ) y a esto demuestra que todo ciclo se descompone en composici n de transposiciones. La prueba o se completa porque toda permutaci n es composici n de ciclos. o o Una consecuencia directa de 4.6 y 4.7 es que una permutaci n es par si y solo si es o composici n de un n mero par de transposiciones. Al conjunto de todas las permutaciones o u pares de N se le denotar por AN . La composici n de dos permutaciones pares es par y la a o o inversa de una permutaci n par es tambi n par. Luego AN es un grupo para la composici n o e y se le llama grupo alternante. Al conjunto de las permutaciones impares lo denotaremos por A y lo llamaremos la clase lateral de las permutaciones impares. Observese que AN N y A tienen la misma cantidad de permutaciones e igual a n!/2 ya que el componer con una N transposici n ja es una biyecci n entre AN y A . o o N El signo de una permutaci n o En todo campo K hay dos elementos notables, 1 y 1. El primero es el neutro para el producto y el segundo es el opuesto para la suma del primero. Observese que estos dos elementos son diferentes si y solo si la caracterstica del campo es diferente de 2. El signo de una permutaci n es la funci n sgn : SN K que es 1 si la permutaci n es par y es 1 si o o o la permutaci n es impar. o sgn ( ) = sgn sgn sgn 1 = sgn Prueba. La composici n de dos permutaciones de la misma paridad es una permutaci n o o par. La composici n de dos permutaciones de diferente paridad es impar. Las orbitas de una o permutaci n no cambian al tomar la inversa. o La funci n sgn jugar un papel vital en todo lo que sigue. En particular, en la denici n o a o de determinante de una matriz los signos de los sumandos est n denidos precisamente a mediante la funci n sgn. Por esto, el lector debe familiarizarse muy bien con la denici n de o o esta funci n y sus propiedades. o

Ejercicio 72 Pruebe que sgn 1 = sgn 1 = sgn 1 .

El resultado 4.8 lo que quiere decir es que la funci n sgn : SN K es un morsmo del grupo o SN al grupo multiplicativo del campo. Su im gen es {1, 1} y su nucleo es AN si el campo es de a caracterstica diferente de dos.

Secci n 4.2 o

Propiedades b sicas de los determinantes a

97

4.2 Propiedades b sicas de los determinantes a

Resolvamos el sistema de ecuaciones lineales de la iz quierda. Denotemos = ad bc. Despejando x en x = d b la primera ecuaci n y substituyendo en la segunda ob o ac tenemos y. Substituyendo este y en alguna de las ecuaciones obtendremos y = x. Esta soluci n es la del recuadro a la derecha. o Sean ahora u = (a, b) y v = (c, d) dos vectores en el plano R2 y u + v como se muestra en la gura a la izquierda. Estos dos vectores v e q denen un paralelogramo cuyos v rtices son 0, u, u + v, v. Que R2 remos calcular el area de este paralelogramo. Para esto, sea q el punto de intersecci n de la recta u, u + v con la recta paralela al o u eje x que pasa por v. Sea p el punto de intersecci n de la recta o 0 p x u, u + v con el eje x. Es f cil ver que el tri ngulo v, q, u + v es a a igual al tri ngulo 0, p, u. Luego, el paralelogramo 0, u, u + v, v tiene area igual a la del a paralelogramo 0, v, q, p. En la gura a la derecha los tri ngulos a R2 q p, a, u y 0, v,d tienen dos angulos iguales o sea son congruentes. y v d De esto, por el Teorema de Tales obtenemos ax + by = 1 cx + dy = 1 (b (a p) = d c) (pd = ad cb) u Sabemos que, pd es el area (base por altura) del paralelogramo b 0, v, q, p. Luego, hemos demostrado que el area del paralelogra 0 c pa x mo 0, u, u + v, v es igual a = ad bc. Estos dos ejemplos nos dan una idea de la importancia del n mero = ad bc para u la soluci n de sistemas de dos ecuaciones lineales y para el c lculo de areas en R2 . Los o a determinantes son la generalizaci n de este n mero a dimensiones arbitrarias. o u Denici n de los determinantes o Sea N un conjunto nito. Recordemos que SN es el conjunto de todas las las permutacio o nes de N. Si SN e i N entonces, denotaremos por i la imagen de i por la permutaci n , o sea i es una forma corta de escribir (i). Recordemos tambi n que el signo de una e permutaci n sgn es 1 si es par y es 1 si es impar. o o El determinante de una matriz NN es por denici n X Y el elemento del campo denido por la f rmula en el re det NN = o sgn ii cuadro de la derecha. A esta f rmula se la conoce como o N iN f rmula de Leibniz. o Recalquemos que los determinantes est n denidos solo cuando los conjuntos a de ndices de renglones y columnas coinciden y es un conjunto nito. Por este motivo en este captulo todos los espacios ser n nito dimensionales y todos a los conjuntos de ndices ser n nitos. a

98

Captulo 4. Determinantes

Determinantes de matrices pequenas Interpretemos esta denici n para conjuntos N con pocos elementos. Si |N| = 1 entonces o la matriz NN consta de una sola entrada y su determinante es precisamente esta entrada. Si, digamos N = {1, 2} entonces tenemos 2 permutaciones de N que son 11 12 I y (1, 2). A la primera le corresponde el sumando 11 12 y a la segunda 21 22 + el sumando 12 21 . Gr camente, cuando N = {1, 2} un determinante a es la suma de los dos productos que se muestran en el recuadro a la izquierda. Pongamos ahora N = {1, 2, 3}. Hay 6 permutaciones de N y estas son I, (1, 2, 3), (1, 3, 2), (2, 3), (1, 2) y (1, 3). Las tres primeras son de signo positivo y se corresponden con los tres sumandos 11 22 33 , 12 23 31 y 13 21 32 . Gr camente, a 11 12 13 estos tres sumandos se pueden representar por la diagonal principal 21 22 23 de la matriz y los dos tri ngulos con lados paralelos a esta diagonal a 31 32 33 como se muestra en el recuadro de la derecha. Las otras tres permutaciones tienen signo negativo y se corresponden con los sumandos 11 23 32 , 12 21 33 y 13 22 31 . Gr camente, estos tres a 11 12 13 21 22 23 sumandos se pueden representar por la diagonal alterna de la matriz y los dos tri ngulos con lados paralelos a esta diagonal como se a 31 32 33 muestra en el recuadro de la izquierda. El n mero de sumandos en la denici n del determinante es SN = |N| !. Este n mero u o u crece r pidamente con |N| como se ve en la siguiente tabla a 5 6 7 8 9 10 n 1 2 3 4 n! 1 2 6 24 120 720 5040 40 320 362 880 3628 800 Por esto, calcular determinantes con el uso directo de su denici n es muy ineciente para o matrices de m s de tres renglones y columnas. a El determinante de la identidad Ya vimos que el conjunto de matrices NN es un algebra respecto al producto y suma de matrices y multiplicaci n por elementos del campo. El elemento neutro para el producto o lo llamamos matriz identidad, denotamos INN y es la matriz cu 1 si i = j yas entradas son iguales al delta de Kronecker ij denido en el ij = 0 si i 6= j recuadro a la derecha. Cuando el conjunto de ndices est ordena a do, la matriz identidad se puede representar gr camente como una que tiene a 1 0 unos en la diagonal y ceros en todas las dem s entradas como se muestra en el a 0 1 recuadro a la izquierda para una matriz de dos renglones y columnas. El determinante de la matriz identidad es 1. det INN = 1

Prueba. Si laQ permutaci n SN no es la identidad entonces hay un i N tal que i 6= i o y por lo tanto iN ii = 0. Luego,

Secci n 4.2 o

Propiedades b sicas de los determinantes a

det INN =
N

99

sgn

Y
iN

ii = sgn (IN )

Y
iN

ii = 1.

Matrices con las nulas Si una matriz tiene una columna o un ren gl n nulo entonces, su determinante es cero. o Q Prueba. Cada sumando de los determinantes iN ii contiene como factor una entrada de cada rengl n. Si un rengl n es nulo entonces, todos estos sumandos tienen un factor cero o o y por lo tanto la suma de todos ellos es cero. Lo mismo ocurre con las columnas. El determinante de la transpuesta Recordemos del captulo anterior que dada una matriz MN su transpuesta se dene como la matriz NM = 11 12 13 14 T tal que ij = ji . Gr camente la operaci n de 21 22 23 24 a o MN transponer una matriz es hacer una reexi n con respecto 31 32 33 34 o a la diagonal de la matriz. Observese que el conjunto de 41 42 43 44 ndices de los renglones de la matriz T es M y no N NM como se podra pensar de los subndices. La notaci n es o as porque pensamos la transpuesta como la aplicaci n de la operaci n de transposici n. o o o El determinante no se altera al transponer una matriz.

det A = det AT

Prueba. Tenemos que demostrar que det NN = det T . Efectivamente, por la denici n o NN X X Y Y cambio de variable = sgn i i = sgn 1 (i)i = det T = NN = 1 N N iN iN Y X cambio de variable sgn j j = det NN . = = 1 j = (i)
N jN

Matrices con las iguales Si una matriz tiene dos columnas o dos renglo nes iguales entonces su determinante es cero. Prueba. Supongamos que para NN se tiene que jM = kM o sea, las columnas j y k son iguales. Todo sumando del determinante depende exactamente de una entrada en la columna

100

Captulo 4. Determinantes

o Denotemos la transposici n (j, k). La funci n : SN 3 7 SN es una biyecci n o o y el sumando correspondiente a es igual a Y jk kj sgn ( ) ii
iN\{j,k}

j y de otra en la columna j. Luego, podemos escribir X Y jj kk sgn ii . det NN =

N iN\{j,k}

pero como jM = kM entonces, jk kj sgn ( ) = jj kk sgn . Esto signi ca que es una biyecci n que transforma a un sumando en su negativo y por lo tanto el o determinante es cero. La prueba para los renglones se obtiene transponiendo la matriz. Permutaciones de columnas y renglones

Dada una matriz MN y una permutaci n SN denimos la operaci n de permu o o tar las columnas de MN mediante la permutaci n como la que resulta en la matriz o M(N) cuyas columnas son M 1 (i) (observese el uso de la permutaci n inversa 1 !). o Gr camente esta operaci n resulta en cambiar el orden de las a o columnas. As por ejemplo, el aplicar el ciclo (1, 2, 4) resulta en 11 12 13 14 21 22 23 24 el intercambio de columnas representado en el recuadro a la iz a o 31 32 33 34 quierda. An logamente se dene la operaci n de permutar los renglones, para una permutaci n SM la matriz (M)N es o 41 42 43 44 aquella cuyos renglones son 1 (j)N . Al permutar las columnas o los renglones de una matriz con la permutaci n el determi o nante se altera por un factor igual a sgn . det N(N) = sgn det NN

Prueba. Sea SN una permutaci n. Hay que demostrar det N(N) = sgn det NN . o Efectivamente, por la denici n tenemos o X Y cambio de variable det N(N) = sgn i 1 (i ) = = = 1 N iN Y X Y X sgn ( ) ii = sgn sgn ii = sgn det NN = Con esto demostramos la proposici n para las columnas. La demostraci n para los renglones o o se obtiene transponiendo la matriz. El determinante del producto La ultima propiedad b sica de los determinantes es probablemente la m s importante a a para el algebra lineal. Como la demostraci n de esta propiedad es complicada, le recomiendo o al lector omitirla en una primera lectura. La complejidad de esta demostraci n es el precio o que tenemos que pagar por dar una denici n directa del determinante. o
N iN N iN

Secci n 4.2 o

Propiedades b sicas de los determinantes a

101

El determinante del producto de dos matrices es igual al producto de los determinantes de las dos matrices.

det AB = det A det B

o Prueba. Sean A = NN y B = NN . Para el objeto de esta demostraci n denotemos por FN el conjunto de todas las funciones de N en N. Claramente SN FN . Denotemos adem s a TN al conjunto FN \ SN que es el de todas las funciones no biyectivas de N en N. Por la denici n de determinante y de producto de matrices tenemos o YX X sgn ij ji det AB =
N iN jN

y usando la f rmula iN jN ij = N iN i i (Sec. 1.6, p g. 22) obtenemos o a X Y X X Y X sgn i i i i + sgn i i i i det AB =

N N iN N N iN

O sea, para completar la demostraci n tenemos que probar que = 0. Para esto recordemos o que AN es el subgrupo de las permutaciones pares e A es la clase lateral de todas las N permutaciones impares. Si observamos detenidamente la denici n de o X X Y = sgn i i i i vemos que para probar = 0 es suciente construir para cada TN una biyecci n o f : AN A tal que si = f () entonces, N Y Y i i i i = i i i i
iN iN N N iN

Denotando por el primer sumando nuestro determinante se convierte en X Y X cambio de variable sgn i i i i = = =+ = N N iN Y Y X X cambio de var = sgn ( ) i i j ( j ) = =+ k = j N N iN jN ! ! X Y Y X sgn i i sgn kk = + det A det B =+
N iN N kN

Esto nos garantizar que cada sumando positivo se cancele con otro negativo. a Sea TN arbitraria pero ja. Como no es una biyecci n existen j, k N tales que o (j) = (k) . Sea t AN la transposici n que intercambia j y k. Sea f : AN 3 7 o t A . La funci n f es biyectiva ya que su inversa es 7 t. Adem s, tenemos o a N Y Y Y i i i (t)i = j j j k k k k j i i i i = i i i i
iN iN\{j,k} iN

donde la ultima igualdad es v lida porque j = k . a

102 Matrices de permutaciones

Captulo 4. Determinantes

Ahora queremos ver que 4.13 es un caso particular de 4.14. Esta es una buena disculpa para introducir las matrices de permutaciones. Sea IN(N) la matriz identidad a la que se le han permutado las columnas con la permutaci n SN . A IN(N) se le llama matriz de la o permutaci n . Lo interesante de las matrices de permutaciones es que al multiplicar por o ellas se permutan renglones o columnas. El resultado del producto MN IN(N) (de IM(M) MN ) es la matriz MN a la que se le han permutado las columnas (los renglones) usando la permutaci n (la permutaci n 1 ). o o P Prueba. Sea MN = MN IN(N) . Tenemos ij = kN ik k 1 (j) . Cada sumando es cero a no ser que 1 (j) = k. Luego ij = i 1 (j) lo que prueba la proposici n para las o columnas. La demostraci n para los renglones es igual. o Observemos que det IN(N) = sgn . Efectivamente, en la denici n de Q o determinante Q cada producto iN i 1 (i ) es cero para cada 6= . Para = tenemos iN ii = 1 que est multiplicado por sgn . De aqu, 4.14 y 4.15 dan una nueva prueba de 4.13. a Haga la mutiplicaci n de matrices del o 0 0 1 11 12 13 recuadro a la derecha. La matriz de que permutaci n es o 1 0 0 21 22 23 la de m s a la derecha? Concuerdan o no sus c lculos a a 0 1 0 con el resultado 4.15?
Denotemos M () = IN (N ) . No es difcil probar que M ( ) = M () M () y que cualquier matriz de permutaciones tiene inversa (igual a su transpuesta). Luego M : SN GL KN es un morsmo de grupos que es inyectivo. Esto signica que las matrices de permutaciones son un subgrupo de GL KN que es isomorfo a SN . Esto es v lido para cualquier campo K. a

Ejercicio 73

4.3 Expansi n de Laplace o

En esta secci n encontraremos una descomposici n de los determinantes como una com o o binaci n lineal de determinantes de matrices m s peque as. Despu s veremos dos importan o a n e tes consecuencias de esta expansi n: que los determinantes son funcionales multilineales y o que una matriz tiene inversa si y solo si esta tiene determinante diferente de cero. Cambios de ndices o Sea MN y : N L una biyecci n. Podemos construir una matriz ML = M(N) por la f rmula ij = i 1 (j) (observese el uso de la inversa 1 !). A esta operaci n la o o llamaremos cambio de ndices de las columnas de la matriz MN mediante la biyecci n o

Secci n 4.3 o

Expansi n de Laplace o

103

. De la misma manera se denen los cambios de ndices de los renglones. Observese que las permutaciones de las columnas y los renglones son un caso particular de los cambios de ndices ya que una permutaci n no es m s que una biyecci n de un conjunto en si mismo. o a o Una matriz cuadrada es una matriz cuyas cantidades de renglones y columnas coinci den. A este n mero com n se le llama orden de la matriz. Necesitaremos los cambios de u u ndices para denir los determinantes de las matrices cuadradas. As, si : N M es una biyecci n entonces, podramos denir det MN = det M(N) . El unico pero es que, en o principio, esta denici n no solo depende de la matriz NM sino tambi n de la biyecci n . o e o El cuanto depende esta denici n de lo responde la siguiente proposici n. o o Si y son dos biyecciones de Nen M enton ces, det M(N) = sgn 1 det M(N) .

Prueba. Observese que = 1 es una permutaci n de M y que las matrices M(N) y o M(N) solo se diferencian en la permutaci n de las columnas . Aplquese 4.13. o No podemos poner la conclusi n de este resultado como sgn det M(N) = o sgn det M(N) ya que como y son biyecciones de N en M ninguna de las dos tiene signo. Como el signo de cualquier permutaci n es o 1 o 1 esto quiere decir que el determi o nante det NM est denido salvo signo o sea, que hay un elemento a K tal que el a determinante es a o es a. En un campo de caracterstica dos esto es irrelevante ya que en este caso 1 = 1. Sin embargo en los casos m s importantes (R y C) de que el campo sea de a caracterstica diferente de dos tenemos una ambig edad al denir el determinante det NM . u Esta ambig edad se resuelve en diferentes casos de varias maneras. En muchos casos no u nos interesa el valor concreto det MN sino solamente saber si es cierto o no que det MN = 0. Si este es el caso entonces, en realidad no nos importa que biyecci n se escogi para o o calcular el determinante. Por ejemplo, una matriz cuadrada MN se le llama singular si det MN = 0, en el caso contrario se le llama no singular. Es claro, que el ser singular o no singular NO depende de la biyecci n escogida para denir det MN . Otro ejemplo, es que si o una matriz tiene una columna o rengl n nulo entonces su determinante es cero. o En otros casos lo importante no es el valor de alg n determinante sino una igualdad entre u estos. Al cambiar los ndices en ambos lados de la igualdad los determinantes cambian en el mismo signo y la igualdad es cierta independientemente de los cambios de ndices escogidos. Por ejemplo, las igualdades det MN = det T y det (LM MN ) = det LM det MN son MN v lidas independientemente de los cambios de ndices usados para denir los determinantes. a

Ejercicio 74 Pruebe que det (L)M M(N) = det (L)M det M(N) , . [132]
En otros casos hay una biyecci n natural que nos dice cual debe ser el valor de det MN . o

104

Captulo 4. Determinantes

Esto sucede por ejemplo si los conjuntos N y M son conjuntos de naturales. En este caso podemos siempre escoger la unica biyecci n que conserva el orden. Por ejemplo si N = o {2, 3, 7} y M = {1, 4, 5} entonces la biyecci n adecuada es 2 1, 3 4, 7 5. o

Y por que no escoger de los dos posibles valores aquel que sea mayor que cero? Primero, a veces se necesita el valor del signo del determinante y segundo que quiere decir que 0 < x Z5 ? La desigualdad 0 < x solo tiene sentido si en el campo est dada una relaci n de orden. Este es el caso de R pero no el de Zp ni el de C. a o

En muchos de los textos de algebra lineal esta ambig edad se resuelve postulando que los conjuntos u de ndices siempre tienen que ser conjuntos de naturales. Esto no solamente es innecesario, sino que tambi n hace la exposici n m s compleja y conceptualmente menos clara. Por ejemplo, las e o a matrices de cambio de bases est n naturalmente indexadas por conjuntos de vectores que no poseen un orden a natural. M s a n, en algunos textos, las pruebas son incompletas ya que inevitablemente hay que renumerar los a u renglones y/o columnas y no se demuestra que los resultados son independientes de la renumeraci n. o

Complementos algebraicos Estos razonamientos nos interesan ahora por el siguiente caso particular en el cual todo es m s f cil. Sea NN una matriz y sean i, j N. La matriz N\i N\j se obtiene de la a a matriz NN eliminando el rengl n i y la columna j. Habr una manera natural de denir el o a determinante de N\i N\j ?. Veremos que si. Sea : N\j N\i. una biyecci n cualquiera. Podemos denir (j) = i y de esta o manera se convierte en una permutaci n de N. Denamos el de o sgn det N\i (N\j) terminante det N\i N\j con la expresi n del recuadro a la derecha. o Parecera que no hemos hecho nada ya que en principio esta denici n depende de . o La expresi n sgn det N\i (N\j) no depende de . o Prueba. Sea otra permutaci n de N tal que (j) = i. Aqu hay que tener cuida o do. Por un lado es una biyecci n de N\j en N\i y por otro es una permutaci n de N. o o Otro tanto ocurre con . Para evitar confuciones, a las permutaciones de N las denotaremos en esta demostraci n por y respectivamente. Por 4.16 tenemos que det N\i (N\j) = o ^ ^ o sgn 1 det N\i (N\j) . Observese que 1 es una permutaci n de N\i. Que pasa 1 1 N\i coincide con y adem s 1 (i) = i. a ^ ^ con ? Pues, en todo elemento de ^ ^ 1 1 Luego sgn = sgn ^ ^ y por las propiedades de la funci n signo se tiene o 1 que sgn ^ ^ ^ ^ = sgn sgn . Luego det N\i (N\j) = sgn sgn det N\i (N\j) y ^ ^ pasando sgn al otro lado de la igualdad terminamos la prueba. ^ Ahora, podemos dar la siguiente denici n. Si ij es una entrada de la matriz A = NN o entonces el complemento algebraico de ij es = sgn det N\i (N\j) donde es ij cualquier permutaci n de N tal que (j) = i. A los complementos algebraicos tambi n se o e les llama cofactores. La matriz NN cuyas entradas son los complemento algebraicos es ij la matriz de los complementos algebraicos de NN o matriz de cofactores de NN .

Secci n 4.3 o

Expansi n de Laplace o

105

La expansi n de un determinante por sus renglones o Teorema de Expansi n de Laplace o Sea iN un rengl n arbitrario de la matriz NN . o El determinante de NN es igual a la suma de las entradas del rengl n por sus cofactores. o det NN = iN = iN X
jN

ij ij

Prueba. Si i N entonces tenemos la partici n del grupo sim trico en el o e recuadro a la derecha donde Sij = { SN | (i) = j} . Luego, aplicando la N denici n de determinante y sacando factor com n obtenemos o X Y Xu det NN = ij sgn nn
jN
i N j

jN

Sij N

nN\i

donde la ultima igualdad se obtiene por la denici n de . o ij Como es natural hay un teorema exactamente igual a este correspondiente a las columnas. La expansi n de Laplace en forma gr ca o a

Sea una permutaci n de N tal que (j) = i. Hagamos el cambio de variable = o en la sumatoria interior. Tenemos (i) = i o sea, Sii = SN\i . Luego, X X Y N X ij sgn sgn n 1 (n ) = ij det NN = ij
jN N \ i nN\i jN

El Teorema de expansi n de Laplace es la primera herramienta (aparte de la denici n) o o de que disponemos para calcular determinantes. Este reduce el problema a calcular varios determinantes de matrices m s peque as. Es especialmente util cuando hay renglones (o a n columnas) con muchos ceros. Sin embargo, todava debemos precisar el como calcular los cofactores en forma gr ca. a Si bien, la denici n de estos es sencilla necesitamos encontrar una biyecci n simple de N\i o o en N\j que facilite los c lculos cuando N est ordenado o sea N = {1, ..., n}. a a Sea por ejemplo i = 2 y j = 7. En este caso la biyec 1 3 4 5 6 7 8 ... n ci n natural de N\2 en N\7 es la que se muestra en el o recuadro a la izquierda y la llamaremos . Tenemos que 1 2 3 4 5 6 8 ... n denir (2) = 7 para completar una permutaci n de N. o Sabemos que transforma 7 7 6 7 5 7 4 7 3 7 2 7 7 y que deja jos a todos los dem s elementos de N. Luego, es un ciclo de longitud j i + 1 (si i > j entonces es un a ciclo de longitud i j + 1). Como todo ciclo de longitud par tiene signo negativo y todo de + + i+j longitud impar tiene signo positivo obtenemos sgn = (1) lo + + que es muy sencillo ya que es la regla del tablero de ajedrez. A + + la derecha se muestra el sgn para una matriz con 4 renglones y + + columnas. Observese el parecido con el tablero.

106

Captulo 4. Determinantes

Con estas permutaciones, los complementos algebraicos tienen una interpretaci n gr o a a ca muy sencilla. Si se quiere sacar el complemento algebraico de ij entonces t chese el o a a rengl n i, t chese la columna j, s quese el determinan te de la matriz que queda y nalmente multiplquese 11 12 13 14 21 22 23 24 por el signo de la regla del tablero de ajedrez. As por det 31 32 33 34 ejemplo, en el recuadro a la izquierda se muestra una matriz de orden cuatro en la cual estamos calculando el 41 42 43 44 complemento algebraico de 23 . Al matem tico y fsico PierreSimon Laplace (Francia 17491827) a se le conoce fundamentalmente por sus trabajos en mec nica celes a te, ecuaciones diferenciales y teora de las probabilidades. El pu blic la demostraci n del Teorema de Expansi n de Laplace (4.18) o o o en 1772 en un artculo donde estudiaba las orbitas de los planetas interiores del sistema solar. En este artculo, Laplace analiz el o problema de soluci n de sistemas de ecuaciones lineales mediante o el uso de determinantes.

Ejercicio 75 T me una matriz y calcule su determinante usando el teorema de descompo o

sici n de Laplace. Repita hasta que usted est satisfecho. o e Ejercicio 76 Demuestre que el determinante de la matriz ij = xi1 j es igual a la expresi n en el recuadro a la derecha. A este determinante o se le conoce como determinante de Vandermonde. [132] Y (xj xi )

1i<jn

La expansi n de Laplace reduce el c lculo del determinante de una matriz al c lculo de determi o a a nantes de matrices m s peque as. Por esto es tambi n usada para dar la denici n de determinante a n e o mediante inducci n. En este caso, la f rmula de Leibniz es una consecuencia de esta denici n. o o o

Multinearidad de los determinantes El determinante se puede ver como una funci n del espacio de matrices en el cam o po. Ser el determinante una TL? Se cumplir que det (A + B) = a a 1 0 A= det A+det B? La respuesta es NO. Para probar que no, basta ver un ejem 0 0 plo. Consideremos las matrices A y B denidas a la izquierda. Tenemos 0 0 det A + det B = 0 6= 1 = det (A + B). Sin embargo, los determinantes B= 0 1 cumplen una propiedad bastante parecida. Sea E un espacio vectorial sobre el campo K. A las TL de E en K se le llama funcio nales lineales del espacio E. En esta terminologa vemos que la propiedad det (A + B) 6= det A + det B lo que quiere decir es que el determinante NO es un funcional lineal del es pacio vectorial de las matrices. Pasemos a considerar una funci n f con valor en K de dos o variables x, y que toman sus valores en E o sea, f : E2 3 (x, y) 7 f (x, y) K. Como

Secci n 4.3 o

Expansi n de Laplace o

107

E2 es un espacio vectorial sobre K entonces podra suceder que f sea un funcional lineal. Sin embargo, hay una propiedad un poco m s sutil que podra cumplir la funci n f y es a o que sea lineal en la primera variable. En otras palabras, que y E se cumple que f (a + b, y) = f (a, y) + f (b, y) y f (a, y) = f (a, y). An logamente, se dene la a propiedad de que f sea lineal en la segunda variable. Si f es lineal en las dos variables entonces, se dice que f es un funcional bilineal (el bi es porque son dos variables). Evidentemente todo esto se puede hacer cuando tenemos muchas variables en cuyo caso nos referiremos a los funcionales multilineales. M s rigurosamente, sea f : EN K una a funci n donde N es un conjunto de variables. Sea i N una variable. Podemos pensar o a f como una funci n de dos variables f : EN\i E K. Si y EN\i la funci n o o E 3 x 7 f (y, x) K es un funcional lineal entonces, diremos que f es lineal en la variable i. Diremos que f es un funcional multilineal si f es lineal en todas sus variables. Por ejemplo, la funci n f : R3 3 (x, y, z) 7 x+y+z R es un funcional lineal. La funci n o o 3 0 0 g : R 3 (x, y, z) 7 xyz R es un funcional multilineal porque (x + x ) yz = xyz + x yz y tambi n para las otras variables. Observese que f no es multilineal y que g no es lineal. e Ahora queremos ver que los determinantes son funcionales multilineales. El espacio de N matrices KNN es isomorfo a KN . Un isomorsmo de estos es el que a cada matriz le hace corresponder la Nada de sus renglones. Luego, podemos pensar el determinante como un funcional cuyas variables son los renglones y que toma valores en el campo. El determinante es un funcional multilineal de los renglones. Prueba. Para probar que un funcional es multilineal hay que probar que es lineal en cada variable. Sea i N arbitrario pero jo en toda esta prueba. Sea A = NN una matriz tal que su i simo rengl n es la suma de dos Nadas xN y yN . Sea B la misma matriz que A e o e excepto que su i simo rengl n es xN . Sea C la misma matriz que A excepto que su i simo e o rengl n es yN . Tenemos que probar que det A = det B + det C. (Si el lector no entiende o porqu entonces, debe regresar al principio de esta secci n y volver a pensar la denici n de e o o funcional multilineal y el porqu el determinante es un funcional de los renglones.) Usando e la descomposici n de Laplace por el rengl n i obtenemos o o det NN = iN iN = (xN + yN ) = xN + yN = det B + det C iN iN iN donde la ultima igualdad se cumple porque los cofactores de las matrices B y C de las entradas del rengl n i son los mismos que los de la matriz NN . o Sea ahora A = NN una matriz tal que su i simo rengl n es xN . Sea B la misma matriz e o o que A excepto que su i simo rengl n es xN . Usando la descomposici n de Laplace por el e o rengl n i obtenemos det NN = iN = xN = det B. o iN iN Por transposici n el determinante es tambi n un funcional multilineal de las columnas. o e
Los determinantes son los unicos funcionales multilineales de los renglones que son iguales a 1 en la matriz identidad y que cambian por un factor de sgn cuando se permutan los renglones con la permutaci n . Esto permite dar una denici n alternativa de los determinantes. El primer o o problema aqu es demostrar la existencia del determinante.

108 La inversa de una matriz

Captulo 4. Determinantes

Recordemos que, dada una matriz MN decimos que NM = 1 es la matriz inversa MN de MN si se cumple que MN 1 = IMM y 1 MN = INN . Mediante el isomorsmo MN MN de las matrices con las TLs concluimos que MN y 1 son la matrices de dos TLs una MN la inversa de otra y por lo tanto estas TLs son isomorsmos. Luego, si MN tiene inversa entonces, ella es cuadrada. Sea : N M cualquier biyecci n. Es f cil ver usando la denici n de cambio de o a o 1 1 ndices que NM = MN si y solo si (N)M = M(N) . O sea, cualquier cambio de ndices apropiado reduce el c lculo de matrices inversas al caso en que el conjunto de columnas a coincide con el conjunto de renglones. Por esto, nos olvidaremos un poco de los ndices para poder enunciar m s f cilmente nuestros resultados. a a La siguiente proposici n nos dice que para probar que una matriz es inversa de otra es o suciente comprobar una de las dos igualdades involucradas en la denici n. Aqu, la clave o es que las matrices son nitas y cuadradas lo que signica que sus TLs son entre espacios de la misma dimensi n nita. o Si AB = I entonces, BA = I. Prueba. Sea f, g : KM KM las TLs de las matrices A y B respectivamente. Mediante el isomorsmo de las matrices con las TLs concluimos que f g = I. De 3.32 (p gina 85) a obtenemos que g f = I y por lo tanto BA = I. Si una matriz tiene inversa entonces ella es no singular. Adem s, det A1 = (det A)1 . a Prueba. Por denici n de matriz inversa tenemos 1 = det I = det AA1 = det A det A1 o y por lo tanto det A 6= 0 y det A1 = (det A)1 . Para probar que el recproco de esta armaci n tambi n es cierto, lo que haremos es o e construir la matriz inversa en el caso de que el determinante sea diferente de cero. Si A es una matriz no singular entonces, su inversa es la transpuesta de la matriz de sus cofactores dividida por el determinante de A. A1 = AT det A

Prueba. Para hacer la demostraci n lo que hay que hacer es multiplicar. Sea MM = A o y B = MM = (det A)1 AT . Tenemos Mj = (det A)1 y de la denici n de pro o jM ducto de matrices obtenemos que la entrada ij de la matriz AB es igual a iM Mj = (det A)1 iM . Si i = j entonces iM es la expansi n de Laplace del det A por o jM jM el rengl n i de lo que obtenemos que iM Mj = 1. o

Secci n 4.4 o

La expansi n generalizada de Laplace o

109

Solo queda probar que iM = 0 si i 6= j. Si nos jamos atentamente, vemos que esta jM es la expansi n de Laplace por el rengl n j del determinante de la matriz C obtenida de la o o matriz A substituyendo el rengl n j por el rengl n i. Como la matriz C tiene dos renglones o o iguales entonces, su determinante es cero y necesariamente iM = 0. jM El determinante de un operador lineal Sea f End E un OL. Si escogemos una base de E entonces en esta base el OL f tiene por coordenadas una matriz A. Podramos denir det f = det A. Sin embargo, no nos queda claro si esta denici n depende o no de como hallamos escogido la base. o Si A y B son las matrices de f End E en dos bases entonces, det A = det B. Prueba. Sean A = MM y B = NN las matrices de f en las bases M y N respectivamente. Por la f rmula del cambio de bases para matrices (3.23) tenemos B = NM A1 donde o NM NM es la matriz de cambio de la base M a la base N. Tenemos det NN = det NM MM 1 = det NM det MM det 1 = det MM NM NM 1 ya que por 4.21 la igualdad det NM (det NM ) = 1 es cierta e independiente del cambio de ndices que se utilize para denir el determinante de NM . Luego, el determinante del OL f es por denici n del determinante de su matriz en o alguna base y esto no depende de la base escogida.

4.4 La expansi n generalizada de Laplace o

Ahora generalizaremos dram ticamente el teorema de expansi n de Laplace. Sea NN a o una matriz y I, J subconjuntos de N de la misma cardinalidad. Para ahorrarnos mucha escritu ra, denotemos I0 = N\I y J0 = N\J. Adem s, denotemos por IJ = det IJ el determinante a de la matriz cuyas columnas son las de J y cuyos renglones son los de I. Claro, este de terminante est denido solo salvo signo. De los signos no nos preocuparemos ahora sino a solo m s adelante. Por otro lado, denotemos por IJ = det I0 J0 el determinante de la matriz a cuyas columnas son las que no est n en J y cuyos renglones son los que no est n en I (no nos a a preocupemos por los signos). En estas notaciones, un sumando del Teorema de expansi n de o Laplace es de la forma IJ IJ donde I y J son subconjuntos de cardinal 1. Nos gustara tener un teorema de expansi n donde los subconjuntos sean de un cardinal jo pero arbitrario. o Para esto, ahora si nos tenemos que preocupar por los signos. Sin embargo, la siguiente proposici n nos dice que esto realmente no es un proble o 1 (x) si x J 0 0 ma. Sean 1 : J I y 2 : J I dos biyecciones. (x) = 2 (x) si x L o Denotemos = 1 2 la permutaci n de N denida en el recuadro a la derecha.

110

Captulo 4. Determinantes
La expresi n sgn det I 1 (J) det I0 2 (J0 ) o no depende de las biyecciones 1 y 2 .

Prueba. Sean 1 y 2 otras dos biyecciones y = 1 2 . Por 4.16 tenemos det I 1 (J) = sgn 1 1 det I 1 (J) y det I0 2 (J0 ) = sgn 2 1 det I0 2 (J0 ) . Multiplicando estas 1 2 dos igualdades vemos que solo nos queda probar que 1 sgn 1 1 sgn 2 1 = sgn 1 . 2 Para esto, denotemos 1 = 1 1 , 2 = 2 1 y = 1 . De las deniciones es 1 2 inmediato que (y) = 1 (y) si y I y (y) = 2 (y) si y I0 . Como 1 SI , 2 SI0 , SN y los conjuntos I, I0 son complementarios en N entonces, = 1 2 = 2 1 y esto implica la igualdad de los signos que necesitabamos. Ahora, para I, J subconjuntos de N denamos IJ y IJ con = det IJ I(J) las f rmulas de la derecha donde denota una permutaci n (ar = sgn det 0 0 o o IJ I (J ) bitraria pero la misma para las dos deniciones) tal que (J) = I (y en consecuencia (J0 ) = I0 ). Esta denici n no es correcta en el sentido de que ambos o IJ y IJ dependen de . Sin embargo IJ IJ no depende de y esto es lo importante. Expansi n Generalizada de Laplace o Si I un conjunto de p renglones de la matriz NN en P tonces, det NN = IJ IJ donde la suma recorre to dos los subconjuntos de columnas J de cardinalidad p. det NN = X IJ IJ

|J|=p

Sea una permutaci n de N tal que (J) = I. Hagamos el cambio de variable = . o X X Y Entonces, det NN = sgn sgn i 1 (n )
0 |J|=p 0
I N I

Prueba. Si I N y |I| = p entonces, tenemos la partici n del grupo sim trico o e IJ a la derecha donde SN = { SN | (I) = J}. Aplicando la denici n de o X X Y determinante obtenemos det NN = sgn nn
|J|=p I J
N

|J|=p

SIJ N

nN

nN

Como (I) = I entonces, (I ) = I . Luego se puede descomponer en la composici n de o dos permutaciones donde SI y SI0 . Substituyendo por la suma se convierte en suma doble y si sacamos factores comunes obtendremos: ! X X Y Y X det NN = sgn sgn i 1 (n ) sgn i 1 ( n )
|J|=p I nI I 0 nI0

Lo contenido en el primer par ntesis es det I(J) = IJ . Lo contenido en el segundo e par ntesis es det I0 (J0 ) y este determinante multiplicado por sgn es IJ . e Como ya es costumbre tediosa, hagamos la observaci n de que tambi n es v lida la o e a Expansi n Generalizada de Laplace cuando la hacemos por un conjunto de columnas. o

Secci n 4.4 o

La expansi n generalizada de Laplace o

111

Matrices diagonales y triangulares por bloques Sea MM una matriz. Supongamos que existe una partici n M1 Mt = M y que o ij = 0 si i y j pertenecen a bloques diferentes. Entonces decimos que MM es diagonal por bloques. Si cada Mi contiene un solo ndice entonces decimos que MM es diagonal. Supongamos ahora que, para la partici n M1 Mt = M se cumple que si i Mp , o j Mq y p < q entonces ij = 0. En este caso, decimos que MM es triangular por bloques. Si cada Mi tiene un solo ndice entonces decimos que MM es triangular. Es claro de las deniciones que toda matriz diagonal por bloques es triangular por bloques. En particular, toda matriz diagonal es triangular. Si MM es una matriz triangular por bloques entonces, Q det MM = t det M i M i . i=1

Prueba. Haremos la prueba por inducci n en el n mero de bloques t. Para t = 1 la propo o u sici n es trivial. Denotemos M0 = M\M1 . Aplicando la expansi n generalizada de Laplace o o P al conjunto de renglones I = M1 obtenemos det MM = |J|=|I| IJ IJ . Si J 6= I entonces, en IJ hay una columna j M1 y por lo tanto j Mq con 1 < q. / Luego, por denici n de matriz triangular, i I = M1 se tiene que ij = 0. O sea, la o columna j es cero en IJ e independientemente de la biyecci n que se escoja para calcu o lar el deteminante tenemos IJ = 0. Luego, det MM = II II = det M 1 M 1 det M 0 M 0 . La matriz M0Q triangular por bloques con un bloque menos y por hip tesis de inducci n es o o t det M 0 M 0 = i=2 det M i M i .

Ejercicio 77 Cuales de las siguentes matrices son triangulares?

{1, 2}, M2 = {3} y M3 = {4, 5}. Cual es el aspecto de MM en forma gr ca? [133] a La expansi n generalizada de Laplace en forma gr ca o a

Ejercicio 78 Sean M = {1, . . . , 5} y MM una matriz triangular por los bloques M1 =

a 0 0 a 1 1 a 1 1 A = 1 b 0 B = 0 b 1 C = 0 b 0 1 1 c 0 0 c 0 1 c

[133]

Ahora, precisaremos los signos de las biyecciones en la expansi n generalizada de La o place cuando la matriz est dada en forma gr ca. Como esto es util solo para calcular el a a determinante de matrices concretas y hacerlo as es por lo general extremadamente ine ciente y complicado, recomiendo omitir en una primera lectura lo que resta de esta secci n. o Si N = {1, . . . , n} entonces, entre dos cualesquiera subconjuntos I, J N del mismo cardinal hay una biyecci n natural que conserva el orden. Para esto, introduscamos la nota o ci n {m1 , m2 , . . . , mt }< para se alar que p {2, . . . , t} se tiene que ip1 < ip . Ahora, si o n I = {i1 , . . . , it }< y J = {j1 , . . . , jt }< entonces, la biyecci n es 1 : I 3 ip 7 jp J. Tam o

112

Captulo 4. Determinantes

bi n, tenemos una biyecci n natural entre los complementos de I y J. Para esto sean K = e o N\I = {k1 , . . . , ks }< y L = N\J = {`1 , . . . , `s }< y denamos 2 : K 3 kp 7 `p L. Luego, para cualesquiera subconjuntos I, J N del mismo cardinal la permutaci n J = 1 2 o I cumple lo necesario para calcular el signo de un sumando de la expansi n generalizada de o Laplace, o sea J (I) = J y J (N\I) = N\J. I I Observese, que la biyecci n 1 es la natural de renglones a columnas que se obtiene si o en una matriz NN tachamos todos los renglones con ndices en K y todas las columnas con ndices en L. De la misma manera 2 es la biyecci n de renglones a columnas si tachamos o todos los renglones con ndices en I y todas las columnas con ndices en J. Calculemos el signo de J . Al estudiar la expansi n (normal) de Laplace en forma gr ca o a I vimos que si I = {i} y J = {j} entonces, J = j es (j, j 1, , i + 1, i) si j > i I i el ciclo que se muestra a la derecha y por lo tanto (j, j + 1, , i 1, i) si j < i sgn j = (1)i+j (la regla del tablero de ajedrez). i sgn J = sgn j1 sgn I\i1 . I i1 1 1 J\j Prueba. Sea = J I\i1 . Tenemos que demostrar que sgn = (1)i1 +j1 . Para I 1 esto, recordemos que K = N\I = {k1 , . . . , ks }< y L = N\J = {`1 , . . . , `s }< . Sea p el menor ndice tal que i1 < kp y sea q el menor ndice tal que j1 < `q (es admisible que p = s+1 y/o q = s + 1). Usando la denici n de calculamos o (kp , kp+1 , , kq1 , i1 ) si p < q que esta permutaci n es igual a la del recuadro a la o (kp1 , kp2 , , kq , i1 ) si p > q izquierda. Luego, es siempre un ciclo de longitud I si p = q |p q| + 1 y por lo tanto sgn = (1)p+q . a n Como i1 y j1 son los elementos m s peque os de I y J respectivamente entonces, tenemos que {k1 , . . . , kp1 , i1 }< = {1, . . . , p 1, p} y {`1 , . . . , `q1 , j1 }< = {1, . . . , q 1, q} y de aqu nalmente, p = i1 y q = j1 . Iterando este resultado obtenemos sgn J = sgn j1 sgn j2 sgn jt . Observese que I i1 i2 it ir jr son las entradas en la diagonal de la submatriz IJ de NM . Luego, para hallar sgn J lo I que hay que hacer es multiplicar los signos de la regla del tablero de ajedrez de los elementos P P en la diagonal de IJ . Tambi n se puede hacer, calculando la paridad de iI i + jJ j. e
4 1 4 1 5 2 5 2 1 3 2 3 1 2 3 4
J\j

Ejemplo. Calculemos el determinante de una matriz NN del recuadro a la izquierda haciendo la expansi n generalizada de Laplace por el con o junto I del segundo y cuarto renglones. Tenemos que recorrer todos los subconjuntos J de dos columnas.

Observese, que si la columna 4 no est en J entonces la matriz IJ tiene dos renglones a iguales por lo que todos los sumandos correspondientes en la expansi n ser n cero. Adem s, o a a para J = {3, 4} la matriz N\I N\J tiene dos renglones iguales por lo que tambi n el corres e pondiente sumando es cero.

Secci n 4.5 o

El rango de una matriz

113

Solo nos quedan dos sumandos cuando J = {1, 4} y cuan J = {1, 4} J = {2, 4} do J = {2, 4}. Para ellos podemos extraer del tablero de aje + + + drez las submatrices del recuadro a la derecha y multiplican + + + {1,4} do los signos en las diagonales obtenemos sgn I = 1 y {2,4} o sgn I = 1. Luego, por la expansi n generalizada de Laplace el determinante de nuestra matriz es igual a 2 2 4 1 1 2 5 1 2 4 4 2 1 4 5 2 = 4 4 2 5 = 6 donde usamos las barras verticales para ahorrar espacio al denotar los determinantes.

4.5 El rango de una matriz

En esta secci n deniremos las bases de una matriz como las submatrices m s grandes o a con determinante diferente de cero. Probaremos que las bases de una matriz denen y est n a denidas por las bases de los espacios de columnas y renglones. Esto es el fundamento de los diversos m todos de solucion de los sistemas de ecuaciones lineales. e Matrices no singulares Agrupemos en un solo resultado lo que hemos probado para las matrices no singulares. Caracterizaci n de Matrices No Singulares o Para cualquier matriz cuadrada A las siguientes armaciones son equivalentes: 1. A tiene inversa, 3. los renglones de A son LI, 2. A es no singular, 4. las columnas de A son LI. Prueba. La implicaci n 12 es el resultado 4.21. La implicaci n 21 es el resultado 4.22. o o La equivalencia 14 es el resultado 3.21 (p gina 77). De aqu, 24 y como los determi a nantes no cambian por transposici n obtenemos 23. o Espacios de columnas y renglones Al subespacio de KN generado por los renglones de la matriz MN se le llama espacio de renglones de la matriz. Aqu tenemos un peque o problema: es posible que halla renglones n iguales y los conjuntos no distinguen elementos iguales. Por esto, diremos que un conjunto de renglones es LI si ellos son distintos dos a dos y es LI en el espacio de renglones de la matriz. Un conjunto de renglones distintos dos a dos que es una base del espacio de renglones lo llamaremos base de los renglones de MN . An logamente se dene el espacio a de columnas de una matriz, los conjuntos de columnas LI y las bases de las columnas. Reformulemos el resultado 3.30 (p gina 84) en el lenguaje de matrices. a

114

Captulo 4. Determinantes
Las dimensiones del espacio de columnas y del espacio de renglones de una matriz coinciden.

Prueba. Sea MN una matriz. Observemos que la TL de esta matriz denida por f : KN 3 N 7 MN N KM tiene como imagen al espacio de columnas de la matriz MN ya que f evaluada en los vectores de la base can nica de KN resulta en las columnas de MN . Por o T lo mismo, la TL transpuesta f tiene como imagen al espacio de renglones de MN . Por 3.30 las dimensiones de estos espacios coinciden. A la dimensi n de los espacios de renglones y columnas se le llama rango de la matriz. o Lema de aumento de matrices no singulares El siguiente lema es parte importante de las demostraciones de los que siguen. Su de mostraci n es cl sica e ingeniosa. Este lema es en cierta manera an logo al lema de aumento o a a de conjuntos LI que vimos en el Captulo 2. Lema de Aumento de Submatrices No Singulares Sea IJ una submatriz cuadrada no singular de MN . Sea m M\I tal que el conjunto de renglones indexado por I m es LI. Entonces, existe n N tal que la matriz Im Jn es no singular. Prueba. Denotemos Bn = Im Jn . Al absurdo, supongamos que n N\J se cumple que det Bn = 0. Si n J entonces, denotemos por Bn la matriz Im J a la que articialmen te le agregamos otra columna n. En este caso Bn tiene dos columnas iguales y por lo tanto tambi n det Bn = 0. Para cualquier n, podemos pensar la matriz Bn gr camente como se e a muestra en el recuadro. Sean Bin los cofactores de las entradas de IJ In la ultima columna en la matriz Bn . Observemos que en la de Bn = mJ mn nici n de los Bin no est n involucradas las entradas de la ultima o a columna. Luego, Bin no depende de n y podemos denotar Bin = i K. De la expansi n o de Laplace por la ultima columna en la matriz Bn obtenemos: X X in Bin = in i . 0 = det Bn =
iM iM

Como esto es v lido n N concluimos que M MN = 0N . Como m = det IJ 6= 0 esto a a o signica que los renglones de MN est n en una combinaci n lineal nula con coecientes no todos nulos. Esto contradice la hip tesis de que sus renglones son LI. o Bases de una matriz

Sea MN una matriz. Entre las submatrices cuadradas no singulares de MN tenemos la relaci n de contenci n o o (I0 J0 IJ ) (I0 I y J0 J) Una base de MN es una submatriz no singular maximal por contenci n. o

Secci n 4.5 o

El rango de una matriz

115

Caracterizaci n de las Bases de una Matriz o Una submatriz IJ es una base de una matriz si y solo si el con junto de renglones indexado por I es una base de los renglones y el conjunto de columnas indexado por J es una base de las columnas. Prueba. Sea IJ una submatriz de MN . Es conveniente deno IJ IY tar X = M \ I y Y = N \ J y pensar que MN es de la forma en MN = XJ XY el recuadro a la derecha. Supongamos que IJ es cuadrada y que es una base de MN . Entonces, por la Caracterizaci n de Matrices No Singulares (4.28) los o renglones y las columnas de IJ son LI y con m s raz n los renglones de IN y las columnas a o de MJ son LI . Si estos renglones de IN no son una base de los renglones de MN entonces, existe otro rengl n indexado por m X tal que el conjunto de renglones indexado por I m es LI y por o el Lema de Aumento de Submatrices No Singulares (4.30) existe n Y tal que Im Jn es no singular y esto contradice la suposici n de que IJ es una base. Luego, los renglones de o IN son una base de los renglones y por 4.29 las columnas de MJ son una base del espacio de columnas. Recprocamente, supongamos que los renglones de IN y las columnas MJ son bases de los renglones y las columnas de MN respectivamente. Por 4.29, la submatriz IJ es cuadrada. Sabemos que los renglones de IN son LI. Las columnas de MJ es un generador del espacio de columnas de MN y con m s raz n las columnas de IJ son un generador del a o espacio de columnas de IN . Aplicando 4.29 a la matriz IN obtenemos que las columnas de IJ son un generador con la misma cantidad de vectores que la dimensi n del espacio y o por lo tanto son LI. Por la Caracterizaci n de Matrices No Singulares (4.28) la matriz IJ es o no singular. Si hubiera una submatriz Im Jn no singular entonces por la Caracterizaci n de Matri o ces No Singulares (4.28) sus renglones seran LI y con m s raz n los renglones de Im N a o seran LI. Esto contradice que los renglones de IN es una base de los renglones de MN . Luego, IJ es una base de la matriz MN . Una consecuencia importante de la Caracterizaci n de las Bases de una Matriz (4.31) es o que todas las bases de una matriz tienen orden igual al rango de la matriz.

yi F y zi G. Pruebe que si los yi son LI entonces los xi son LI. Pruebe que si los xi son generadores entonces los yi son generadores. Esto es lo que se usa en la prueba de la Caracterizaci n de las Bases de una Matriz (4.31) cada vez que se usa la frase con m s o a raz n. o

Ejercicio 79 Sean E = F G espacios vectoriales y xi = (yi , zi ) vectores donde xi E,

116

Captulo 4. Determinantes

4.6 Sistemas de ecuaciones lineales

Sea A = NM una matriz y xM = xM1 una columna. El producto X de estas matrices es nuevamente una columna NM xM1 = bN1 = bN . Si ij xj = bi desarrollamos este producto por la denici n de producto de matrices en jM o tonces obtenemos para cada i N la igualdad en el recuadro a la derecha. Como ya es usual podemos interpretar la columna xM como un vector x en el espacio vectorial KM y a bN como un vector b en el espacio KN y en estas notaciones la igualdad se escribe en una forma m s simple Ax = b. Supongamos que A es una matriz ja. Si hacemos a N variar x en K entonces esta igualdad la podemos pensar como una TL de KM en KN . Como es l gico, si conocemos x entonces como sabemos multiplicar matrices hallamos b = Ax. o M s difcil es el problema inverso, si se conoce b entonces, como hallar x tal que Ax = b? a A una igualdad de la forma Ax = b donde A y b son conocidos y x es inc gnita o se le llama sistema de ecuaciones lineales. Oh, gran confusi n! porqu sistema? por o e qu ecuaciones en plural si nada m s tenemos UNA?. La respuesta a estas preguntas no es e a gran misterio, es un problema hist rico. Cuando sobre la faz de la Tierra a n no vivan las o u matrices y los vectores, los humanos necesitaban encontrar unos numeritos xj tales que para P cualquier i N se cumpla que jM ij xj = bi . Obs rvese que se necesitan encontrar |M| e numeritos. En el caso de que |N| = 1 se deca que tenemos que resolver una ecuaci n lineal. o Para el caso |N| > 1 los numeritos xj deberan de cumplir todas y cada una de las ecuacio nes (para cada i N) y entonces, se deca que se necesitaba resolver un sistema (conjunto, colecci n, cualquier cosa que signique que hay muchas) de ecuaciones lineales. De hecho, o para acercarnos m s a la verdad, debemos substituir en todo lo dicho los se deca por se a dice en presente. Luego, hay dos formas de ver los sistemas de ecuaciones lineales: Tenemos que encontrar |M| elementos del campo xj tales que P para cualquier i, se cumple la igualdad jM ij xj = bi , Tenemos que encontrar un vector x KM tal que Ax = b. Ambas formas son en esencia la misma ya que encontrar un vector x es lo mismo que encontrar todas sus coordenadas xj . Sin embargo, la elegancia de la segunda forma hace que nuestra manera de pensarlo sea mucho m s simple y sistem tica (a costo de aprender a a sobre matrices y vectores). Por ejemplo, si ocurre que la matriz A es no singular entonces multiplicando por A1 a la izquierda obtenemos Ax = b A1 Ax = A1 b x = A1 b y como ya sabemos encontrar la matriz inversa y sabemos multiplicar matrices la soluci n o del sistema de ecuaciones lineales est a la mano. Esto no signica que ya sepamos resolver a todos los sistemas de ecuaciones lineales ya que para que una matriz sea no singular se necesita primero que sea cuadrada y que adem s el determinante sea diferente de cero. a Regla de Cramer Sea Ax = b un sistema de ecuaciones lineales. A la matriz A se le llama matriz del sistema y al vector b lo llamaremos vector de coecientes libres. Denotaremos por A (j) la

Secci n 4.6 o

Sistemas de ecuaciones lineales

117

matriz obtenida de la matriz del sistema substituyendo la j sima columna por el vector de e coecientes libres. Un ejemplo de esta substituci n es el siguiente o 1 7 3 7 1 2 3 . , A (2) = , b= A= 4 8 6 8 4 5 6 Regla de Cramer Si la matriz A es no singular entonces, la j sima e coordenada xj del vector x es igual al determi nante de A (j) dividido entre el determinante de A. xj = det A (j) det A

Prueba. Sea NM es una matriz no singular. Ya observamos que en este caso necesariamente x = 1 b. Denotemos por ij las entradas de 1 entonces, tenemos xj = jN bN . Por NM NM 4.22 tenemos que jN = / det NM y de aqu xj det NM = bN . Para terminar la Nj Nj demostraci n basta observar que la expresi n a la derecha de la igualdad es la expansi n de o o o Laplace de A (j) por la columna j. Gabriel Cramer (Suiza 17041752) public su famosa regla en el o artculo Introducci n al an lisis de las curvas algebraicas (1750). o a Esta surgi del deseo de Cramer de encontrar la ecuaci n de una cur o o va plana que pasa por un conjunto de puntos dado. El escribe su regla en un ap ndice del artculo y no da prueba alguna para ella. Este es e uno de los orgenes hist ricos del concepto de determinante. Es cu o rioso (y educativo) ver con que palabras Cramer formula su regla: Uno encuentra el valor de cada indeterminada formando n fracciones el com n denominador de las cuales tiene tantos t rminos u e como las permutaciones de n cosas. Cramer contin a explicando como se calculan estos t rminos como productos de ciertos u e coecientes de las ecuaciones y como se determina el signo. El tambi n se ala como los e n numeradores de las fracciones se pueden encontrar substituyendo ciertos coecientes de los denominadores por los coecientes libres del sistema. Para nosotros, con m s de dos siglos de ventaja, es mucho m s f cil. Las n fracciones a a a son det A (j) / det A y el com n denominador es det A (que tiene tantos sumandos como u las permutaciones de n cosas). La Regla de Cramer (4.32) tiene fundamentalmente un inter s hist rico por ser uno de e o los orgenes del concepto de determinante. Es necesario recalcar que esta regla solo funciona para el caso de que la matriz es no singular. O sea, cuando en el sistema se tienen tantas incognitas como ecuaciones y el determinante de la matriz del sistema no es nulo.

118 Existencia de soluciones

Captulo 4. Determinantes

Cuando se tiene un sistema de ecuaciones se deben contestar tres preguntas: Existe una soluci n? o Como encontrar una soluci n en el caso de que exista? o Como encontrar TODAS las soluciones? La Regla de Cramer da la respuesta a las tres preguntas para cuando A es una matriz no singular: la soluci n existe, es unica y se halla por la Regla de Cramer. Ahora responderemos o en general la primera pregunta. Primero, una denici n. Si Ax = b es un sistema de ecuaciones lineales entonces la o matriz ampliada del sistema denotada por (A|b) es la matriz que se obtiene de la matriz del sistema a adiendo el vector columna de coecientes libres b. n Teorema de Existencia de Soluciones El sistema Ax = b tiene una soluci n si y solo si el rango de la o matriz del sistema coincide con el rango de la matriz ampliada. Prueba. Por denici n de rango de una matriz siempre se tiene que rank A rank (A|b) . o Que coincidan es equivalente por la Caracterizaci n de las Bases de una Matriz (4.31) a que o b sea combinaci n lineal de las columnas de A. El que b sea combinaci n lineal de las o o columnas de A es equivalente a la existencia de escalares xj tales que iN xN = bi o sea a que Ax = b tenga al menos una soluci n. o Eliminaci n de ecuaciones dependientes o Lema de Eliminaci n de Ecuaciones Dependientes o Sea I el conjunto de ndices de una base de renglones de la ma triz ampliada (MN |bM ). Entonces, el conjunto de soluciones de MN xN = bM es exactamente el mismo que el de IN xN = bI . Prueba. Como MN xN = bM tiene m s ecuaciones que IN xN = bI entonces cada solu a o ci n de MN xN = bM es soluci n de IN xN = bI . o Recprocamente, sea xN tal que IN xN = bI y m M\I. El rengl n (mN |bm ) es com o binaci n lineal de los indexados por I. Luego existen escalares i tales que o mN = I IN se cumplen las igualdades a la derecha. Multiplicando la primera igualdad bm = I bI por xN y usando la denici n de xN obtenemos mN xN = I IN xN = o I bI = bm y por lo tanto xN satisface todas las ecuaciones del sistema MN xN . Otra manera, m s algortmica, de ver este lema es que si tenemos un sistema de ecua a ciones MN xN = bM y un rengl n de este sistema es combinaci n lineal de los dem s o o a

Secci n 4.6 o

Sistemas de ecuaciones lineales

119

entonces, debemos eliminar la ecuaci n correspondiente a este rengl n. El Lema de Eli o o minaci n de Ecuaciones Dependientes (4.34) nos garantiza que esta operaci n no altera el o o conjunto de soluciones. Repitiendo esta operaci n una cierta cantidad de veces, obtenemos o una matriz ampliada con renglones LI. El nucleo y la imagen de una matriz Sea MN una MNmatriz. Ella es la matriz de la TL f : KN 3 xN 7 MN xN KM . Luego, podemos denir la imagen de la matriz MN como Im MN = Im f y el nucleo de o la matriz MN como ker MN = ker f. Pasemos ahora a analizar la imagen. Por denici n de imagen tenemos Im MN = {M | xN MN xN = M }. O sea, Im MN es el conjunto de vectores M tales que el sistema de ecuaciones lineales MN xN = M tiene al menos una P soluci n. Tenemos MN xN = iN Mi xi que es una combinaci n lineal de las columnas. o o Luego, Im MN es el subespacio generado por las columnas de la matriz MN . Adem s, si a N es una soluci n de MN xN = M entonces, 3.33 (p gina 86) nos dice que el conjunto o a de todas sus soluciones es el subespacio afn N + ker MN . Resumamos todo lo dicho en 4.35 para referencias futuras. El subespacio ker MN es el conjunto de soluciones de MN xN = 0M . El subespacio Im MN es el generado por las columnas de MN . Si N es una soluci n de MN xN = M entonces, el conjunto de todas o sus soluciones es el subespacio afn N + ker MN . Bases del subespacio afn de soluciones Ahora daremos la soluci n general de los sistemas de ecuaciones lineales. Sea MN xN = o bM un sistema de ecuaciones. Primero, podemos suponer que la matriz del sistema MN tiene el mismo rango que la matriz ampliada [MN |bM ] porque si no entonces, el conjunto de soluciones es vaco. Segundo, podemos suponer que la matriz ampliada [MN |bM ] tiene renglones linealmente independientes porque si no, entonces podemos descartar aquellos que son combinaci n lineal de otros. o Luego existe un conjunto de columnas J M tal que MJ es una base de la matriz ampliada [MN |bM ]. Denotando por Y al conjunto de columnas que no est n en la base po a demos representar nuestro sistema de ecuaciones lineales como MJ xJ + MY xY = bM se muestra en el recuadro a la izquierda. Aqu las inc gnitas xJ y xY son aquellas que se corresponden con las columnas en J y Y o respectivamente. Por ejemplo, en el sistema de ecuaciones 2x1 + 1x2 + 1x3 + 0x4 = 5 3x1 + 2x2 + 0x3 + 1x4 = 5 podemos tomar J al conjunto de las dos primeras columnas y Y al conjunto de la tercera y

120

Captulo 4. Determinantes

Esto describe en forma am trica el conjunto detodas las soluciones, para cualquier par e vector xY hay una soluci n 1 bM 1 MY xY , xY del sistema. Otra manera de descri o MJ MJ bir el conjunto soluci n es ponerlo en la forma descrita en 4.35. Para encontrar una soluci n o o ponemos xY = 0 y en nuestro ejemplo el vector soluci n es (5, 5, 0, 0). Para encontrar o el nucleo de la matriz del sistema ponemos bM = 0. Para encontrar una base del nucleo recorremos con xY a la base can nica de KY . En nuestro ejemplo o (x3 , x4 ) = (1, 0) (x1 , x2 ) = (7, 8) (x3 , x4 ) = (0, 1) (x1 , x2 ) = (4, 3) y nalmente obtenemos que el conjunto de soluciones (x1 , x2 , x3 , x4 ) es el subespacio afn (5, 5, 0, 0) + (1, 0, 7, 8) + (0, 1, 4, 3) donde y son escalares cualesquiera.

Ahora, como la matriz MJ tiene inversa, lo que hacemos es simplemente despejar xJ y obtenemos xJ = 1 bM 1 MY xY . En nuestro ejemplo obtenemos MJ MJ x1 5 2 1 x3 2x3 x4 + 5 = 5 + 3 2 = 3x + 2x 5 x x
2 4 3 4

cuarta columnas. Luego a este sistema lo podemos escribir como 2 1 x1 1 0 x3 5 + 0 1 = 5 . 3 2 x x

2 4

4.7 M todo de eliminaci n de Gauss e o

La idea del m todo de eliminaci n de Gauss es realizar ciertas transformaciones de las e o matrices que no cambian lo que se pretende calcular y que convierte a las matrices en otras con muchas entradas iguales a cero. Este es el m todo m s universal y eciente (al menos e a manualmente) para calcular los determinantes, el rango, el nucleo, las matrices inversas, etc. Aqu, estudiaremos brevemente este m todo. e Transformaciones elementales Sea MN una matriz. Sean iN , jN dos renglones de MN y K un escalar. Deno o temos jN = iN + jN y sea MN la matriz obtenida de MN reemplazando el rengl n jN por la Nada jN . A la operaci n que dados MN , i, j y obtenemos MN se le llama o transformaci n elemental de los renglones. Otra manera util de pensar las transformacio o nes elementales de los renglones es que en la matriz MN al rengl n jN le sumamos el o rengl n iN multiplicado por . De forma an loga, se denen las transformaciones ele o a mentales de las columnas. Una transformaci n elemental es de renglones o de columnas. o Las transformaciones elementales no cambian los determinantes. Prueba. Sean MM , MM y MM matrices que se diferencian solo en el rengl n indexado o

Secci n 4.7 o

M todo de eliminaci n de Gauss e o

121

por j para el cual se tiene que jM = iM + jM y jM = iM . Como el determinante es un funcional lineal de los renglones tenemos det MM = det MM + det MM y como la matriz MM tiene dos renglones iguales entonces, det MM = det MM . La prueba termina al recordar que el determinante no cambia por transposici n de la matriz. o Las bases y el rango de una matriz dependen exclusivamente de los determinantes de sus submatrices y por lo tanto no son afectados por las transformaciones elementales. Sin em bargo, las trasformaciones elementales de las columnas cambian los nucleos y el subespacio afn soluci n de un sistema de ecuaciones lineales. Para las transformaciones elementales de o los renglones la situaci n es diferente. o Las transformaciones elementales de los renglones de la matriz ampliada no cambian el subespacio afn soluci n de un sistema de ecuaciones lineales. o Prueba. Sea MN xN = bM un sistema de ecuaciones lineales. Sea MN xN = cM otro sistema que se diferencia solo en la ecuaci n j para la cual se tiene jN = iN + jN y o cj = bi + bj . Si N es una soluci n del primer sistema entonces, jN N = iN N + o jN N = bi + bj = cj por lo que N es una soluci n del segundo sistema. Si N es una o soluci n del segundo sistema entonces, jN N = jN N iN N = cj bi = bj por lo o que N es una soluci n del primer sistema. o Ejemplo El m todo de Gauss se puede precisar en todo detalle para convertirlo en un algoritmo e programable en una computadora. Pero como tratamos de ense ar a humanos y no a compu n tadoras la mejor manera no es dar todos los detalles sino dejar a la creatividad individual y a la imitaci n de ejemplos el como aplicar las transformaciones elementales. o La matriz ampliada siguiente arriba a la izquierda representa un sistema de ecuaciones lineales. Despues de las 4 transformaciones elementales de los renglones que se muestran obtenemos la matriz de abajo a la derecha. La soluci n del sistema de esta ultima es obvia. o
1 1 0 2 3 4 3 3 1

! 3 2 1

r 2 :=r 2 2r 1

1 1 0 0 1 4 3 3 1 1 1 0 0 1 0 0 0 1

r 2 :=r 2 4r 3

! 3 4 1 ! 3 28 8

r 3 :=r 3 3r 1

1 1 0 0 1 4 0 0 1 1 0 0 0 1 0 0 0 1

r 1 :=r 1 r 2

Aqu las transformaciones elementales realizadas est n marcadas en las echas. Por ejemplo, a la primera es r2 := r2 2r1 lo que signica que al segundo rengl n le sumamos el primero o multiplicado por 2. Observese que despu s de dos transformaciones ya vemos que el de e terminante de la matriz del sistema es 1 porque en una matriz triangular el determinante es el producto de las entradas diagonales.

! 25 28 8

! 3 4 8

122 El caso general

Captulo 4. Determinantes

Para el c lculo de los determinantes no hay mucho m s que decir. Podemos utilizar trans a a formaciones elementales de columnas y renglones para convertir nuestra matriz cuadrada en matriz triangular. Si en el proceso nos aparece un rengl n o columna cero entonces el deter o minante es cero. Para resolver los sistemas de ecuaciones lineales trabajamos con la matriz ampliada y so lo podemos realizar transformaciones elementales de los renglones. Podemos adem s multi a plicar un rengl n por un escalar porque esto no afecta la ecuaci n correspondiente al rengl n. o o o Si nos aparece un rengl n cero podemos descartarlo como combinaci n lineal de los otros. o o Si nos aparece un rengl n que es cero en la matriz del sistema pero su coeciente libre no es o cero entonces el sistema no tiene soluci n porque el rango de la matriz ampliada es mayor o que el rango de la matriz del sistema. Finalmente, si en alg n momento nos aparece una u conguraci n del tipo o a 0 b 0 0 c donde a, b, . . . , c son diferentes de cero entonces las primeras columnas forman una base de la matriz y tenemos m s inc gnitas que ecuaciones. En este caso debemos seguir diagonali a o zando la parte correspondiente a las primeras columnas hasta obtener 1 0 0 1 0 0 . 0 0 1 r r 5 r2 :=3r2 2r1 r 1 := 1 2 2 2 1 1 0 5 1 0 2 1 5 5 0 1 3 2 5 0 1 3 2 5

Para este sistema procedemos como en la secci n anterior y pasamos restando las inc gnitas o o que sobran como par metros hacia la parte derecha del sistema de ecuaciones. Tomemos el a mismo ejemplo de la secci n anterior o
2 1 1 0 3 2 0 1

y por lo tanto la soluci n de este sistema es x1 = 5 2x3 + x4 y x2 = 5 + 3x3 2x4 donde o x3 y x4 pueden tomar cualquier valor. Aqu es cuando el lector se preguntar Para qu diagonalizar la primera y segunda co a e lumna si ya la tercera y cuarta est n en forma diagonal? Pues tiene toda la raz n, simplemente a o est escogiendo otra base de la matriz. La soluci n del sistema se obtiene directamente de a o la matriz ampliada original en la forma x3 = 5 2x1 x2 y x4 = 5 3x1 2x2 donde x1 y x2 pueden tomar cualquier valor. Que es mejor es cuesti n de gustos u otras necesidades. o Por ejemplo, si se necesita substituir x1 y x2 en otras f rmulas entonces, la mejor soluci n o o o es la primera. Si por el contrario se necesita substituir x3 y x4 en otras f rmulas entonces, la mejor soluci n es la segunda. o

Secci n 4.7 o

M todo de eliminaci n de Gauss e o

123

Soluci n de ecuaciones matriciales, matriz inversa o Si tenemos varios sistemas de ecuaciones lineales MN xN1 = bM1 , . . . , MN xN` = bM` todos con la misma matriz del sistema MN entonces, podemos denotar L = {1, . . . , `} y escribirlos todos en la forma MN xNL = bML . Esta ecuaci n matricial tiene la matriz o ampliada [MN |bML ] y podemos aplicarle a esta matriz la eliminaci n de Gauss para resolver o todos nuestros sistemas al mismo tiempo. Esto lo podremos hacer porque en la eliminaci n o de Gauss no se reordenan columnas y solo se aplican transformaciones elementales a los renglones, as que no nos importa cuantas columnas halla despu s de la barra vertical. e En particular, si M = N entonces, la unica soluci n posible (si existe) a la ecuaci n o o 1 matricial MM xMM = IMM sera xMM = MM . Esta es la forma en que con el m todo de e eliminaci n de Gauss se calculan las matrices inversas. Por ejemplo: o ! 1 0 0 0 1 0 0 0 1 ! 1 1 0 1 0 0 10 1 4 0 1 0 0 0 1 3 0 1
1 1 0 2 3 4 3 3 1
r 2 :=r 2 2r 1 r 3 :=r 3 3r 1

1 1 0 0 1 4 0 0 1 1 0 0 0 1 0 0 0 1

r 1 :=r 1 r 2

! 1 0 0 2 1 0 3 0 1

r 2 :=r 2 4r 3

y por lo tanto

1 1 0 2 3 4 3 3 1

9 1 4 10 1 4 3 0 1

! 9 1 4 10 1 4 3 0 1
1 0 0 0 1 0 0 0 1

Ejercicio 80 Tome un sistema de ecuaciones lineales y resuelvalo por el m todo de elimi e

naci n de Gauss. Repta cuantas veces le sea necesario. o No est de m s recalcar aqu que el m todo de eliminaci n de Gauss funciona en espacios a a e o vectoriales sobre cualquier campo sea este Q, R, C, Zp u otro campo cualquiera. Solo hay que realizar las operaciones de suma, producto y divisi n como est n denidas en el campo o a en particular.

124

Ejercicio 1 (Secci n 1.1 p gina 2) La suma y el producto est n bien denidas en N, Z, o a a Q, R y C. La resta en Z, Q, R y C. La divisi n en Q, R y C. La exponenciaci n es m s o o a complicada ya que aunque est bien en N no est a denida a bien denida en Z, Q y R ya 1 1 1/2 1/2 que 2 = 2 Z , 2 = 2 Q y (1) = i R . Por otro lado, la exponencia / / / ci n si esta bien denida en + (los mayores que cero). Para ver esto. usamos las f rmulas o R o (p/q)a = pa /qa , ap/q = q ap , (lmi ai )b = lmi ab y nalmente si c = lm ai i i entonces bc = lmi bai . Con ellas reducimos la prueba a demostrar que n m es un re al para cualesquiera (diferentes de cero) naturales n y m. Esto ultimo es equivalente a ver n que la funci n f (x) = x m alcanza el valor cero. Como f (x) es continua, f (1) 0 y o f (m) 0 esto necesariamente tiene que ocurrir. No es difcil ver, que la funci n y = ax o es estrictamente creciente en la variable x por lo que esta tiene una funci n inversa log a y o denida en R+ . Las operaciones m ximo com n divisor y mnimo com n m ltiplo est n a u u u a denidas para los naturales (y polinomios). Ejercicio 2 (Secci n 1.1 p gina 2) Una operaci n unaria en el conjunto A es una funci n o a o o de A en A. Por ejemplo para cada entero x hay otro entero x. De esta manera la operaci n o x 7 x es una operaci n unaria. Otros ejemplos comunes son el hallar el complemento de o un conjunto o el hallar el complejo conjugado de un n mero complejo. u Ejercicio 3 (Secci n 1.1 p gina 2) El area del tri ngulo con lados a, b y c no es una opera o a a ci n ternaria en R ya que no para cualesquiera a, b y c existe un tri ngulo con lados de esas o a longitudes.

Ejercicio 4 (Secci n 1.1 p gina 2) La f rmula (a + b) (x + y) se expresa en notaci n suja o a o o como ab + xy + . Ejercicio 5 (Secci n 1.1 p gina 3) La suma, el producto, el m ximo com n divisor el mni o a a u mo com n m ltiplo y el m ximo son operaciones conmutativas. Las dem s no lo son. u u a a Ejercicio 6 (Secci n 1.1 p gina 3) Ya vimos en el texto que la exponenciaci n no es asocia o a o tiva. Observemos que 4 = 4 (2 2) 6= (4 2) 2 = 0 por lo que la resta no es asociativa. Tenemos 4 = 4/ (2/2) 6= (4/2) /2 = 1 y por lo tanto la divisi n no es asociativa. Tampoco o es asociativa el logaritmo. El resto de las operaciones si son asociativas. Ejercicio 7 (Secci n 1.1 p gina 4) La resta no tiene elemento neutro ya que de a e = a o a se sigue que e = 0 pero por otro lado 0 a = a 6= a. Lo mismo ocurre con la divisi n. o La operaci n de exponenciaci n no tiene elemento neutro ya que e1 = 1 e = 1 pero o o

126

Soluciones de ejercicios selectos

12 = 1 6= 2. Lo mismo ocurre con el logaritmo. El neutro de la suma es el cero, el neutro del producto es el uno. El 1 tambi n es el neutro para el mnimo com n m ltiplo. La operaci n e u u o de m ximo com n divisor no tiene neutro. a u Ejercicio 8 (Secci n 1.1 p gina 5) Es importante se alar que el inverso tiene sentido solo o a n 1 si hay neutro. El inverso de a para la suma es a, para el producto es a . Aunque el mnimo com n m ltiplo tiene neutro 1, esta operaci n no tiene inversos. u u o Ejercicio 9 (Secci n 1.1 p gina 5) Fij monos en un conjunto U y en el conjunto de todos o a e a los subconjuntos de U que denotaremos por 2U . En 2U est n bien denidas las operaciones de uni n e intersecci n de conjuntos. Estas operaciones cumplen las propiedades requeridas o o como se puede observar en los dos siguientes diagramas de Venn.

A B C A (B C) = = (A B) (A C)

A B C A (B C) = = (A B) (A C)

Ejercicio 11 (Secci n 1.2 p gina 8) No porque (1, 0) (0, 1) = (0, 0) lo que muestra que o a 2 K no es dominio de integridad y por lo tanto no es un campo. Ejercicio 12 (Secci n 1.2 p gina 9) Supongamos que n es un o a racional. Decomponiendo su numerador y denominador en factores primos obtenemos que n = pn 1 pn2 . . . pnt para t 1 2 u ciertos naturales primos p1 p2 . . . pt y ciertos n meros enteros n1 , n2 , . . . , nt . Pero entonces, n = p2n 1 p2n2 . . . p2nt y por tanto i {1, ..., t} 2ni 0. Luego, todos los ni son lo t 1 2 naturales lo que signica que n es natural. Ejercicio 13 (Secci n 1.2 p gina 9) Tenemos 1 < 2 < 2 y por lo tanto 2 no es natural. o a Por el ejercicio anterior, no es racional. Ejercicio 14 (Secci n 1.2 p gina 9) Siempre podemos medir un segmento de recta con o a cada vez m s precisi n (al menos te ricamente). Cada medici n nos da un n mero racional. a o o o u Luego, la longitud del segmento es un lmite de racionales por lo que es un real. Ejercicio 18 (Secci n 1.3 p gina 12) Por 1.1.4 sabemos que f (0)= 0 y (1) = 1. Si f (a) = o a f 0 y a no fuera el cero de A entonces tendramos 1 = f (1) = f aa1 = f (a) f a1 = 1 0f a = 0 lo que no puede ser, o sea si f (a) = 0 entonces a = 0. Luego, si f (x) = f (y) entonces, f (x y) = 0 y por lo tanto x = y. Ejercicio 21 (Secci n 1.4 p gina 16) o a

Soluciones de ejercicios selectos

La tabla de multiplicar en Z5 es la derecha. Luego el elemento in verso de 1 es 1, el elemento inverso de 2 es 3, el elemento inverso de 3 es 2 y el elemento inverso de 4 es 4. Observese que en la tabla de multiplicar de Z5 \0 en cada columna y en cada rengl n nos en o contramos con todos los elementos posibles. Esto es una propiedad de las operaci nes binarias de los grupos. De hecho, un conjunto o con una operaci n binaria asociativa y con elemento neutro es un o grupo si y solo si su tabla de multiplicar cumple esta propiedad.
0 1 2 3 4 0 0 0 0 0 0 1 0 1 2 3 4 2 0 2 4 1 3 3 0 3 1 4 2

127
4 0 4 3 2 1

Ejercicio 22 (Secci n 1.4 p gina 16) Sea K un campo y G un subgrupo nito de (K \ 0, ). o a Si x G entonces al natural n m s peque tal que xn = 1 lo llamaremos orden de x. a no En este caso todos los elementos de hxi = 1, x, x2 . . . xn1 son diferentes y la funci n o i f : (hxi , ) 3 x 7 i (Zn , +) es un isomorsmo de grupos. Luego, lo que hay que probar es que en G existe un elemento de orden q = |G|. 1. Sea F un subgrupo de G. Para x G el conjunto xF = {xf | f F} se le llama clase lateral de x. Tenemos que si f F entonces fF F ya que Fes un subgrupo. De = 1 (y xF) (y = xf) x = yf xF = yf1 F (xF = yF) (y xF zF) (xF = yF = zF) obtenemos que las clases laterales forman una partici n de G. La funci n F 3 f 7 o o xf xF es la inversa de xF 3 xf 7 f F y por lo tanto cualquier clase lateral tiene la misma cantidad de elementos que F. Luego |F| es un divisor de |G| y el cociente |G||F| es el n mero de clases laterales. Este hecho se conoce como Teorema de Lagrange. u En particular, el orden de cada x G es un divisor de q = |G|. 2. Sea x de orden n y denotemos (n) el n mero de elementos de orden n en hxi. u Como x tiene orden n entonces, (n) 1. La funci n (n) no depende de x pues o cualesquiera dos x, y de orden n son tales que los grupos hxi y hyi son isomorfos. Luego, (n) solo depende del natural n. Como cualquier z hxi tiene cierto orden que por el Teorema de Lagrange es un P divisor de n y el n mero de elementos en hxi es n entonces, d|n (d) = n donde u la suma recorre todos los divisores de n. A se la conoce como Funci n de Euler. o 3. Denotemos por (n) al n mero de elementos de orden n en nuestro grupo G. Como u cualquier z G tiene cierto orden que por el Teorema de Lagrange es un divisor de P |G| = q entonces, d|q (d) = q donde la suma recorre los divisores de q. 4. Si en G no hay un elemento de orden n entonces (n) = Si por el contrario x G 0. n k n tiene orden n entonces,y = x hxi tenemos que y = xk = (xn )k = 1. Luego, todos los n elementos de hxi son raices del polinomio zn 1. Como el polinomio zn 1 no puede tener m s de n raices en el campo K (v ase el resultado ??) entonces, a e todos los elementos de G de orden n est n en hxi y por lo tanto (n) = (n). De a aqu, para cualquier n se tiene que (n) (n) 0.

128

Soluciones de ejercicios selectos

5. De (2) y (3) tenemos que X X X 0= (d) (d) = ( (d) (d))

d|q d|q d|q

y como por (4) (d) (d) 0 entonces, para cualquier d divisor de q = |G| tenemos (d) = (d). En particular, (q) = (q) 1. Esto signica que en G hay un elemento de orden q = |G|.

Ejercicio 23 (Secci n 1.4 p gina 16) La prueba de que es un anillo conmutativo es direc o a ta de las denici nes de suma y producto. Para ver que es un campo observamos que el o producto (a, b) (x, y) = (ax + 7by, ay + xb) tiene neutro (1, 0). Para hallar los inversos multiplicativos resolvemos el sistema de ecuaciones lineales ax + 7by = 1 ay + xb = 0 que tiene como soluci n unica x = a/ , y = b/ donde = a2 7b2 . Nos queda o comprobar que si = 0 entonces a = b = 0. Efectivamente, observando la siguiente tabla calculada en Z11 x 1 2 3 4 5 6 7 8 9 10 x2 1 4 9 5 3 3 5 9 4 1 7x2 7 6 8 2 10 10 2 8 6 7 vemos que ning n a2 puede ser igual a un 7b2 . u Ejercicio 24 (Secci n 1.5 p gina 19) No, porque t no es un elemento del campo al contrario, o a t es un n mero natural. Lo que quiere decir tx es x + + x , t veces. u Ejercicio 25 (Secci n 1.5 p gina 19) De que a = a obtenemos que o a 0 = a + a = 1a + 1a = (1 + 1) a Como todo campo es dominio de integridad obtenemos que a = 0 o 1 + 1 = 0. Si la caracterstica del campo es diferente de 2 entonces, 1 + 1 6= 0 por lo que la armaci n del o ejercicio es cierta. Si la caracterstica del campo es 2 entonces, 1 + 1 = 0 y por lo tanto a = a para cualquier elemento del campo. Ejercicio 26 (Secci n 1.6 p gina 21) En cualquier campo (xy)p = xp yp . Por el binomio o a p X p! xk ynk . El coeciciente binomial p!/k! (p k) ! de Newton (x + y)p = k! (p k) ! k=0 se divide entre p si k [1, ..., n 1]. Esto quiere decir (ver 1.15) que en un campo de caracterstica p todos los sumandos del binomio de Newton excepto el primero y el ultimo p p p p son cero. Luego (x + y) = x + y . Esto muestra que x 7 x es un morsmo. Como todo morsmo de campos es inyectivo (ver ejercicio 18) y toda funci n inyectiva de un o conjunto nito en si mismo es sobreyectiva obtenemos que este morsmo es automorsmo para campos nitos. Ejercicio 27 (Secci n 1.7 p gina 22) (a + b) = a 1 + a1 b = a a1 b + 1 = (b + a) . o a

Soluciones de ejercicios selectos

129

Ejercicio 28 (Secci n 1.7 p gina 23) Las seis igualdades necesarias se pueden obtener de o a la siguiente manera (ijk = 1) (ijkk = k) (ij = k) (ijj = kj) (kj = i) (ijk = 1) (iijk = i) (jk = i) (jkk = ik) (ik = j) (ijk = 1) (kijkkj = kkj) (ki = j) (kii = ji) (ji = k)

Ejercicio 29 (Secci n 1.7 p gina 24) Por denici n de producto de quaterniones o a o 2 2 a b + c2 + d2 = 1 2 . (a + bi + cj + dk) = 1 ab = ac = ad = 0 Como a es un real b2 + c2 + d2 6= 0 por lo que cualquier soluci n de estas ecuaciones o requiere que a = 0. Ejercicio 30 (Secci n 1.7 p gina 24) En los quaterniones (x i) (x + i) = x2 ix+xi+1 6= o a 2 x + 1 lo que quiere decir que no es posible denir correctamente el producto de polinomios. Ejercicio 31 (Secci n 2.1 p gina 26) o a El tri ngulo abc es semejante al tri ngulo uvw de hecho son con a a gruentes porque ac = uw (lados opuestos de un paralelogramo tie nen la misma longitud). Luego bc = wv y por lo tanto la coordenada en x del vector es igual a la de m s bc. La prueba para la otra au aw a coordenada es igual. u b a c w v

Ejercicio 32 (Secci n 2.1 p gina 26) T cnicamente hablando no ya que en el Captulo 1 o a e denimos una operaci n binaria como una funci n A A A y la multiplicaci n de un o o o escalar por un vector es una funci n del tipo B A A. Pero si es una operaci n binaria o o en el sentido de que tiene dos argumentos.

Ejercicio 33 (Secci n 2.1 p gina 26) En la expresi n (a) se utiliza un solo tipo de o a o operaci n (la de un escalar por un vector). En la expresi n () a se utilizan dos operaciones o o diferentes primero la del producto de escalares y despu s la de un escalar por un vector. e Ejercicio 35 (Secci n 2.2 p gina 27) Si 6= 0 entonces tiene inverso y por lo tanto o a

Ejercicio 36 (Secci n 2.2 p gina 27) El mnimo n mero de elementos en un espacio vecto o a u rial es 1 ya que al menos necesita tener el neutro para la suma de vectores. Y efectivamente un conjunto formado por un solo elemento es un espacio vectorial sobre cualquier campo deniendo 0 = 0 para cualquier en el campo. Ejercicio 38 (Secci n 2.3 p gina 35) P o a Supongamos que x hN yi \ hNi. Entonces, existe una combinaci n lineal x = y y + iN i i. Tenemos que y 6= 0 (ya que x hNi). o / Luego, despejando y obtenemos que y hN xi.

a = 0 a = 1 a = 1 0 = 0

130

Soluciones de ejercicios selectos

Ejercicio 39 (Secci n 2.4 p gina 37) Solo en la prueba de que 24 al despejar a. o a Ejercicio 40 (Secci n 2.4 p gina 39) 1. El conjunto vaco es LI y todo el espacio E es o a generador. Luego existe N tal que N E que es base. 2. Si M es LI entonces existe una base N tal que M N E. 3. Si L es generador entonces existe una base N tal que N L. Ejercicio 41 (Secci n 2.4 p gina 41) Sea A una base de E. Como F es generador y A F es o a LI entonces por el Teorema de Existencia de Bases (2.14) existe una base B de F que contiene a A. De aqu tenemos dim E = |A| |B| = dim F. Esta prueba es v lida independientemente a de si los cardinales de A y B son nitos o no. P Ejercicio 42 (Secci n 2.4 p gina 41) El conjunto de todos los polinomios ai xi tales que o a a0 = 0 es un subespacio de K [x] de la misma dimensi n que K [x]. o Ejercicio 43 (Secci n 2.4 p gina 42) Es consecuencia directa del ?? alrededor del punto x0 . o a Ejercicio 44 (Secci n 2.4 p gina 42) La diferencia entre el espacio de las (N M)adas o a y las NMmatrices es solo en las notaciones. Luego, el espacio de las NMmatrices tiene dimensi n |N M| = |N| |M|. Para cada pareja i, j con i N y j M hay una matriz eij o en la base can nica la cual tiene su entrada ij igual a 1 y todas las dem s igual a cero. o a Ejercicio 45 (Secci n 2.5 p gina 43) Sean E F G transformaciones lineales. Tenemos o a que f (g (x + y)) = f (g (x) + g (y)) = f (g (x)) + f (g (y)) y f (g (x)) = f (g (x)) = f (g (x)) y esto era todo lo que se quera probar. Ejercicio 48 (Secci n 2.6 p gina 50) 1. Es f cil probar que la aplicaci n EF 3 (a, b) 7 o a a o (b, a) F E es un isomorsmo can nico. 2. Conmutatividad. 3. El isomorsmo can ni o o co es ((a, b) , c) 7 (a, (b, c)) 7 (a, b, c). 4. Si, la aplicaci n E {0} 3 (a, 0) 7 a E o es un isomorsmo can nico. Por esto podemos considerar que E {0} = E. o Ejercicio 49 (Secci n 2.6 p gina 50) Denotemos por S a todo el espacio. Como cada vector o a se expresa como a + b con a E y b F tenemos S = E + F. Supongamos que a 6= 0 E F entonces 0 = 0 + 0 = a a lo que contradice que la descomposici n o de 0 es unica. Luego E F = {0} y por lo tanto S = E F.
f g

Ejercicio 54 (Secci n 2.7 p gina 54) Si E = E + x y F = F + y son dos subespacios o a paralelos o no entonces E + F es igual a (E + F) + (x + y) o sea, es un espacio afn paralelo a E+F. Si E es paralelo a F entonces, E = F y por lo tanto E+F = E. Si E y F se intersectan en z entonces z hE zi hE Fi = E + F y por lo tanto E + F = E + F. Ejercicio 59 (Secci n 3.4 p gina 74) T mese x = (1, 0) , y = (0, 1) y z = (1, 1) . Tenemos o a o (xy) z = 0 (1, 1) = (0, 0) y x (yz) = (1, 0) 1 = (1, 0) por lo que (xy) z 6= x (yz) .

Soluciones de ejercicios selectos

cos sin Ejercicio 62 (Secci n 3.4 p gina 76) o a sin cos Ejercicio 63 (Secci n 3.4 p gina 77) Para cualesquiera n N y k K tenemos o a X XX (nM ML ) Lk = (nM Ml ) lk = nm ml lk = lL lL mM X X X nm ml lk = nm (mL Lk ) = nM (ML Lk )
mM lL mM

131

Ejercicio 64 (Secci n 3.4 p gina 78) Las matrices de f, g y f g tienen que cumplir: o a cos sin cos sin cos ( + ) sin ( + ) = = sin cos sin cos sin ( + ) cos ( + ) cos cos sin sin cos sin sin cos = cos sin + sin cos cos cos sin sin y por lo tanto cos ( + ) = cos cos sin sin sin ( + ) = cos sin + sin cos Ejercicio 65 (Secci n 3.5 p gina 82) La prueba de la propiedad 1 es directa, la prueba de la o a propiedad 3 es consecuencia de la propiedad 2. Probemos la propiedad 2. Sean E F G TLs y h = g f. Sean A y B las matrices de f y g en ciertas bases. Observese que la base de F debe ser com n para la denici n de las matrices A y B y entonces la matriz u o T de h es BA. La matriz de h en estas bases es (BA)T = AT BT . Sean X, Y y Z matrices de cambio de base en E, F y G respectivamente. Entonces, la matriz de h en las nuevas T bases es ZBAX = ZBY 1 (YAX) y la matriz de hT es (YAX)T ZBY 1 y por lo tanto independientemente de las bases hT = fT gT . Ejercicio 66 (Secci n 3.7 p gina 86) Sea f semilineal y y dos automorsmos del campo o a tales que para cualquier escalar y cualquier vector a se cumple que f (a) = () f (a) = () f (a). Podemos escoger a tal que f (a) 6= 0 y por lo tanto (( () ()) f (a) = 0) ( () = ()). Ejercicio 67 (Secci n 3.7 p gina 87) Supongamos que sup A existe. Entonces, b R te o a nemos (a A b a) (b sup A) . Usando que f es una isotona vemos que f (b) f (R) = R tenemos (f (a) f (A) f (b) f (a)) (a A b a) (b sup A) (f (b) f (sup A)) y esto prueba que f (sup A) = sup f (A).
f g

Ejercicio 68 (Secci n 3.7 p gina 87) (1 2) La conjugaci n compleja es continua. (2 3) o a o Tenemos (v ase la prueba de 3.34) que f es la identidad en Q. De que los reales son los lmi e tes de los racionales y f es continua obtenemos que f es la identidad (3 1) Si f es en R. la identidad en R entonces, f (a + bi) = a + bf (i). Como f (i)2 = f i2 = f (1) = 1 y f (i) 6= i entonces, f (i) = i. Para ver que hay muchos automorsmos de C que no son la conjugaci n compleja v ase por o e

132

Soluciones de ejercicios selectos

ejemplo: Yale, Paul B., Automorphisms of the complex numbers, Mathematics Magazine, MayJune 1966, 135141. Ejercicio 69 (Secci n 3.7 p gina 88) La funci n (x1 , . . . , xn ) 7 (x1 , . . . , xn ) es biyectiva o a o es biyectiva. Adem s, tenemos ya que 7 a (x1 + y1 , . . . , x + yn ) = (x1 + y1 , . . . , xn + y ) = (x1 , . . . , xn ) + (y1 , . . . , yn ) n n x1 , . . . , xn = x1 , . . . , xn = (x1 , . . . , xn ) y esto muestra que la funci n es un automorsmo semilineal. o Si f es una transformaci n semilineal arbitraria cuyo automorsmo del campo es enton o ces, su composici n con el automorsmo semilineal estandar correspondiente a 1 es una o transformaci n lineal. o Ejercicio 71 (Secci n 3.7 p gina 91) Supongamos que 0 = a+c+bc = ( ) c+ o a ( + ) a. Como {a, c} es LI entonces, = y (1 + ) = 0. Como 6= 1 entonces, 0 = = . Ejercicio 74 (Secci n 4.3 p gina 103) Denotemos MM = (L)M y MM = M(N) . o a Sabemos que det (MM MM ) = det (MM ) det (MM ) y esto es todo lo que se necesitaba probar. Ejercicio 76 (Secci n 4.3 p gina 106) Es saludable poner la matriz de Vandermonde en o a forma gr ca como se muestra en el recuadro a la derecha. a 1 1 1 Denotemos por v (x1 , x2 , . . . , xn ) al determinante de esta x2 xn x1 matriz. Denotemos 2 x1 Y x2 x2 n 2 (xj xi ) f (x1 , x2 , . . . , xn ) = n1 1i<jn x1 xn1 xn1 n 2 Veamos que v (x1 , x2 , . . . , xn ) = f (x1 , x2 , . . . , xn ). a Por inducci n en n. Para n = 1 tenemos f (x1 ) = v (x1 ) = 1. Supongamos que est pro o bado hasta n 1. Pongamos y = xn . Tenemos que probar que v (x1 , . . . , xn1 , y) = f (x1 , . . . , xn1 , y). Para esto veamos ambos lados de la igualdad como polinomios en la variable y. Ambos polinomios tienen grado n 1. Haciendo la expansi n de Laplace por la ultima columna vemos que el coeciente principal o de v (x1 , . . . , xn1 , y) es igual a v (x1 , . . . , xn1 ). Por otro lado Y Y f (x1 , . . . , xn1 , y) = (xj xi ) (y xi )
1i<jn1 1in1

o que tiene coeciente principal f (x1 , . . . , xn1 ). Por hip tesis de induccion v (x1 , . . . , xn1 ) = f (x1 , . . . , xn1 ) y por lo tanto nuestros dos polinomios tienen el mismo coeciente principal. Adem s, las raices de v (x1 , . . . , xn1 , y) son x1 , . . . , xn1 porque evaluando y en estos valo a e res obtenemos una matriz con dos columnas iguales. Es obvio que x1 , . . . , xn1 son tambi n las raices de f (x1 , . . . , xn1 , y). Luego, v (x1 , . . . , xn1 , y) y f (x1 , . . . , xn1 , y) son dos polinomios del mismo grado, con los mismos coecientes principales y las mismas raices y por lo tanto son polinomios iguales.

Soluciones de ejercicios selectos

133

Ejercicio 77 (Secci n 4.4 p gina 111) Las tres. Para la matriz A los bloques son M1 = {1} , o a M2 = {2} y M3 = {3}. Para la matriz B los bloques son M1 = {3} , M2 = {2} y M3 = {3}. Para la matriz C los bloques son M1 = {2} , M2 = {3} y M3 = {1} ya que 23 = 21 = 31 = 0. Los determinantes de las tres matrices son iguales a abc. Ejercicio 78 (Secci n 4.4 p gina 111) o a El aspecto es el del recuadro a la derecha. Aqu hemos denotado por las entradas que pueden ser diferentes de cero. Las entradas con 0 son las que obligatoriamente tienen que ser cero. Adem s, a hemos dividido con rectas los tres bloques de la matriz. El de terminante de una matriz de este tipo es igual al producto de los determinantes de sus tres bloques diagonales.

0 0

0 0 0

0 0 0

134

 Algebra. Espacio vectorial con un producto de vectores asociativo, distributivo, con ele mento neutro y que conmuta con el producto por escalares. . . . . . . . . . . . . . . . . . . . . . 69, 77, 98 Algebra conmutativa. Algebra en la cual el producto de vectores es conmutativo . . . . 69 Anillo. Conjunto con dos operaciones binarias denotadas por + y que es grupo abeliano para la suma, que el producto es asociativo con elemento neutro y distributivo respecto a la suma . . 7, 12, 69 Anillo conmutativo. Anillo en el cual el producto es conmutativo . . . . . . . . . . 7, 14, 22 Asociatividad. Propiedad de algunas operaciones binarias que consiste en que a (b c) = (a b) c para cualesquiera elementos a, b y c del conjunto en el cual est denida la opera a ci n . . . . . . . . . . . . . . . . . . . . . . . . 3, 13, 19, 68, 76 o Asociatividad del producto por escalares. Axioma de espacio vectorial: (a) = () a . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Automorsmo. Endomorsmo biyectivo . 13 Automorsmo de Frobenius. La funci n K 3 x 7 xp K donde K es o un campo nito de caracterstica p > 0. . 21 Automorsmo semilineal. Transformaci n semilineal biyectiva de un o espacio en si mismo. . . . . . . . . . . . . . . . . . . . . . 87 Base. Conjunto de vectores que es generador y LI. Conjunto generador minimal. Conjunto LI maximal . . . . . 39, 43, 47, 59, 71, 78, 113 Base can nica. o El conjunto de Nadas {ei | i N} donde la j sima coordenada de ei es el delta de Kro e necker ij . . . . . . . . . . . . . . . . . . . . . . . . . 41, 75, 80 Base de las columnas. Conjunto

de columnas diferentes que son una base del espacio de columnas . . . . . . . . . . . . . . . . . . . . 113 Base de los renglones. Conjunto de renglones diferentes que son una base del espacio de renglones . . . . . . . . . . . . . . . . . . . . 113 Base de una matriz. Submatriz no singular maximal por contenci n. . . . . . . . . . . 114, 120 o Binomio de Newton. F rmula para expandir (x + y)n . . . . . . . . . 21 o Cadena. Subconjunto de un conjunto ordenado que est totalmente ordenado. . . . . . . . . . . . . . *, 59 a Cambio de ndices. Biyecci n mediante la cual los ndices de o una Nada (o columnas, o renglones) obtie nen nuevos nombres. Es la operaci n en que o una biyecci n : N L se le aplica a las o columnas de una matriz MN para obtener la matriz ML = M(N) que cumple que a ij = i 1 (j) . An logamente se denen los cambios de ndices de los renglones . 102 Campo. Anillo conmutativo en el cual todo elemento diferente de cero tiene inverso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8, 15, 16 Campo algebraicamente cerrado. Campo en el cual todo polinomio de gra do al menos uno tiene una raz. Campo el cual los polinomios irreducibles son todos de grado uno . . . . . . . . . . . . . . . . . . . . . . . . . 10, 45 Campo ordenado. Campo con una relaci n o de orden en el cual todo elemento es com parable con el cero. Los elementos mayores que cero se les llama positivos y los menores que cero negativos. Los axiomas que debe cumplir la relaci n de orden son: o 1. El opuesto de un positivo es negativo, 2. El opuesto de un negativo es positivo,

136

cam coo
P la forma iN i i (donde solo un n mero u nito de los ai es diferente de cero) . 34, 47 Complemento algebraico. Cofactor . . . 104 Composici n de funciones. o Operaci n entre dos funciones que consiste o en aplicar primero una funci n y despu s la o e otra . . . . . . . . . . . . . . . . . . . . . . . 13, 43, 68, 76, 93 Conjunto acotado inferiormente. Conjunto que tiene una cota inferior. . . . . . * Conjunto acotado superiormente. Conjunto que tiene una cota superior . . . . . * Conjunto generador. Conjunto de vectores cuya cerradura lineal es todo el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36, 43 Conjunto inductivamente ordenado. Conjunto ordenado no vaco dentro del cual cada cadena tiene cota superior . . . . . . . . . . 59 Conjunto LD. Acr nimo de conjunto o linealmente dependiente . . . . . . . . . . . . . . . . . 37 Conjunto LI. Acr nimo de conjunto o linealmente independiente . . . . . . . . . . . . . . . 37 Conjunto linealmente dependiente. Conjunto de vectores que no es LI . . . . . . . 37 Conjunto linealmente independiente. Conjunto de vectores A tal que a A se cumple que hA\ai 6= hAi. . . . . . . . . . . 37, 113 Conjunto ordenado. Conjunto en el cual est denida una relaci n de orden . . . *, 59 a o Conjunto totalmente ordenado. Conjunto ordenado en el cual dos elementos cualesquiera son comparables . . . . . . . . . . . . * Conmutatividad. Propiedad de algunas operaciones binarias que consiste en que ab=ba elementos a y b del conjunto en el cual est denida la operaci n . . . . . . . . . . . . . . . . . 3 a o Contracci n. o Homotecia cuyo escalar es un real mayor que 0 y menor que 1 . . . . . . . . . 64 Coordenada. De la nada (a1 , a2 , ..., an ) es alguno de los ai . De la Nada aN es alguno de los ai para i N . . . . . . . . . . . . . . . . . . . . . 28 Coordinatizaci n. o Dada una base N de F, es el isomorsmo P F 3 iN i i 7 N K{N} . . . . . . . 44, 78

3. La suma de positivos es positiva, 4. El producto de positivos es positivo. Los campos R y Q est n ordenados. Cual a quier campo ordenado tiene que ser de ca racterstica cero. Adem s, C no se puede or a denar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . *, 9, 104 Campo primo. Campo cuyo unico subcampo es el mismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Caracterstica de un campo. Es cero si el campo contiene como sub campo a Q. Es igual al n mero primo p u si el campo contiene como subcampo a Zp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .18, 96, 103 Cerradura lineal. El conjun to de todas las combinaciones lineales de un conjunto de vectores . . . . . . . . . . . . . 35, 43, 47 Ciclo. Permutaci n o del grupo sim trico de N que cambia un e u conjunto {x0 , . . . , xn1 } N seg n la regla a (xi ) = xi+1 mod n y deja todos los dem s elementos de N jos . . . . . 94, 100, 105, 112 Ciclos disjuntos. Ciclos tales que los conjuntos de elementos que ellos no dejan jos no se intersectan . . . . . . . . . . . . . . 94 Clases de equivalencia. Si es una relaci n de equivalencia en A entonces, las o clases de equivalencia son los subconjuntos de A para los cuales a b si y solo si a y b est n en la misma clase . . . . . . . . . *, 53, 60 a Coalineaci n. o Funci n biyectiva de o un espacio vectorial en si mismo que tal que f y f1 preservan subespacios anes. . . . . 88 Codominio de una funci n. o Sea f : A B una funci n. Al conjunto B se le o llama codominio de la funci n f . . . . . 11, 82 o Cofactor. De la entrada ij es el escalar sgn det N\i (N\j) donde es cualquier permutaci n de N tal o que (j) = i . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Columna de una matriz. Dada una matriz a NM y j M a la Nada Nj (j est jo, los elementos de N varan) se le llama j sima e columna de la matriz NM . . . . . . . . . . 31, 74 Combinaci n lineal. o Los vectores de

cot ext
Cota inferior. Una cota inferior de un subconjunto A de un conjunto ordenado B es un elemento b de B tal que cualquier elemento de A es mayor o igual que B . . . * Cota superior. Una cota superior de un sub conjunto A de un conjunto ordenado B es un elemento b de B tal que cualquier elemento de A es menor o igual que B . . . . . . . . . . *, 59 Determinante. QEl determinante de NN es P N sgn iN i i . . . . . . .97, 21, 120 Determinante de un OL. Determinante de su matriz en una base. No depende de la base escogida . . . . . . . . . . . . 109 Diagrama. Reperesentaci n o gr ca de una familia de conjuntos y de fun a ciones entre ellos mediante la utilizaci n de o echas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Diagrama conmutativo. Diagrama en el cual cualesquiera dos caminos dirigidos (que si guen el orden de las echas) de un conjunto a otro representan dos descomposiciones de la misma funci n como composici n de las o o funciones de las echas de los caminos . 80 Dilataci n. Homotecia cuyo escalar es un real o mayor que 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Dimensi n. o El cardinal de cualquier base 40, 48, 53, 83 Dimensi n de un subespacio afn. o Si E es una traslaci n del subespacio E entonces la o dimensi n de E es la dimensi n de E . . . . 53 o o Distributividad. Relaci n de una operaci n o o binaria con respecto a otra que consiste en que las igualdades a (b c) = (a b) (a c) (b c) a = (b a) (c a) se cumplen para cualesquiera elementos a, b y c del conjunto en el cual est denida la a operaci n . . . . . . . . . . . . . . . . . . . . . . 5, 20, 68, 76 o Distributividad del producto por escalares. Axioma de espacio vectorial: (a + b) = a + b y ( + ) a =a+a . . . . . . . 27 Dominio de integridad. Anillo conmutativo en el cual el producto de elementos diferentes de cero es diferente de

137

cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 19 Dominio de una funci n. Sea f : A B una o funci n. Al conjunto A se le llama dominio o de la funci n f . . . . . . . . . . . . . . . . . . . . . . . . 11, 82 o Ecuaci n lineal. o Ecuaci n N xN = N o donde las Nadas N y N son conocidos y el vector xN es inc gnito . . . . . . . . . . . . . . . 116 o Ecuaci n matricial. o Ecuaci n AX = B o donde la matrices A y B son conocidas y la matriz X es inc gnita. . . . . . . . . . . . . . . . . . . . 123 o Elemento maximal. Elemento tal que cualquier otro no es mayor que el . . . . . . . . . . . . . . . . . . . . . . . . . *, 38, 59, 114 Elemento minimal. Elemento tal que cualquier otro no es menor que el. . . . . *, 38 Elementos comparables. Dos elementos a y b de un conjunto ordenado para los cuales o a b o b a o los dos . . . . . . . . . . . . . . *, 39 Endomorsmo. Morsmo cuyo dominio y codominio coinciden . . . . . . . . . . . . . . . . . . . . . 13 Entensi n lineal de una funci n. Extensi n o o o que es transformaci n lineal. Si la funci n o o tiene como dominio una base, entonces la extensi n lineal existe y es unica . . . . . . . . 70 o Entrada de una matriz. Coordenada de una NMada . . . . . . . . . . . . 31 Epimorsmo. Morsmo sobreyectivo . . . 13 Escalar. Elemento del cam a po (la escala!) sobre el cual est denido el espacio vectorial . . . . . . . . . . . . . . . . . . . . . 25, 27 Espacio cociente. Si E es un subespacio de F entonces, el espa cio cociente F/E es el conjunto de todos los subespacios anes paralelos a E dotado con la suma de subespacios anes y el producto de subespacios anes por escalares . . 54, 85 Espacio de columnas. El espacio generado por las columnas de una matriz . . . . . . . . . 113 Espacio de renglones. El espacio generado por los renglones de una matriz . . . . . . . . . 113 Espacio vectorial. Grupo abeliano con un producto por escalares distributivo, asociativo y con neutro. . . 27, 45, 51, 54, 67 Extensi n de una funci n. o o

138

for iso
Grupo. Conjunto con una ope raci n binaria asociativa que tiene elemento o neutro y en el cual todo elemento tiene in verso . . . . . . . . . . . . . . . 7, 11, 14, 16, 55, 70, 93 Grupo abeliano. Grupo en el cual la operaci n es conmutativa . . . . . . . . . . . . . . . . . 7 o Grupo alternante. El subgrupo (del grupo sim trico) de todas e las permutaciones pares . . . . . . . . . . . . . . . . . . 96 Grupo general lineal. El grupo de auto morsmos de un espacio vectorial. El grupo de operadores lineales no singulares . . . . . 69 Grupo sim trico. e El grupo de todas las permutaciones con la operaci n de composici n . . . . . . . . . . . . . . . 93 o o Homotecia. Transformaci n o lineal que consiste en la multiplicaci n por o un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 Idempotencia. Propiedad de una funci n que o consiste en que f f = f2 = f . . . . . . . . . . . 35 Imagen de un elemento. (v ase: Funci n). * e o Imagen de una funci n. o El conjunto de los elementos del codominio que tienen alguna preimagen. Se denota por Im f . . . . . . . . *, 82 Imagen de una matriz. La imagen de su transformaci n lineal. o Su espacio de columnas . . . . . . . . . . . . . . . . . 119 Inmo. El m ximo de las cotas superiores . . . . . . . . * a Inmersi n. o Restricci n de la funci n o o identidad a un subconjunto . . . . . . . . . . 65, 83 Inverso. De un elemento a para la operaci n o binaria es un elemento b que cumple que a b = b a = e para cualquier elemen to a del conjunto en el cual est denida la a operaci n. Si un elemento tiene inverso en o tonces este es unico. En los anillos y campos es el inverso para el producto . . . . . . . . . . . . . 5 Isomorsmo. Morsmo biyec tivo. La inversa de cualquier isomorsmo es tambi n un isomorsmo . . . . . . . . . . . . . 12, 49 e Isomorsmo can nico. o Isomorsmo cu ya construcci n no depende de escoger algo o (una base, un complementario, etc.) . 49, 54

Si f es una restricci n de g entonces g es o una extensi n de f . . . . . . . . . . . . . . . . . . . . . . . . 70 o F rmula multinomial. o F rmu o la para expandir la nsima potencia de una suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Funci n. o Informalmente es una regla o procedimiento mediante el cual para cada elemento de un conjunto a podemos obtener (calcular) otro unico elemento f (a) de otro conjunto y que llamamos la imagen de a mediante la funci n f. Formalmente, una o funci n f : A B es un subconjunto del o producto cartesiano f A B que cumple que para cualquier a A existe una unica pareja (a, b) f. . . . . . . . . . . . . . . . . . . . . . . . . . . * Funci n antipodal. La funci n x 7 x . 64 o o Funci n biyectiva. o Funci n inyectiva. y o sobreyectiva . . . . . . . . . . . . . . . . . . . . . . *, 93, 102 Funci n identidad. o La que a todo elemento le corresponde el mismo . . . . . . . . . . . . . . . . . 64 Funci n inversa. o La inversa de una funci n f : A B es una funci n g tal que o o o f g = IB y g f = IA . Una funci n tiene inversa si y solo si esta es biyectiva. . . *, 43 Funci n inyectiva. o Cada elemento de la imagen tiene una unica preimagen . . . . *, 83 Funci n nula. o La que a todo elemento le corresponde el cero . . . . . . . . . . . . . . . . . . . . . . 64 Funci n sobreyectiva. o Funci n tal que su o imagen coincide con su codominio . . . *, 84 Funcional. Funci n de un espacio vectorial o en su campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Funcional bilineal. Funcional lineal en sus dos variables . . . 106 Funcional lineal. Funcional que es una TL . . . . . . . . . . . . . . . . 106 Funcional lineal en una variable. Funci n de muchas variables con imagenes o en un campo que para cualesquiera valores jos de las dem s variables determina un a funcional lineal de la variable que se tra ta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Funcional multilineal. Funcional lineal en todas sus variables . 106

iso mor
Isomorsmo de espacios vectoriales. Transformaci n lineal biyectiva . . . . . 43, 72 o Isomorsmo lineal. Isomorsmo de espacios vectoriales . . . . . 43 Matriz. Es una NMada o sea un conjunto indexado por dos conjuntos . . . . . . . . . . . . . . 31 Matriz ampliada. Del sistema Ax = b es la matriz (A|b) . 118 Matriz cuadrada. Matriz con la misma cantidad de columnas y renglones . . 103, 77 Matriz de cambio de base. Escogidas dos bases V y N de un espacio vectorial la matriz NV cuyas columnas son los coecientes de las expresiones de la ba se V como combinaci n lineal de la base N. o O sea, para cualquier v V se cumple que P v = iN iv i. Si V son las coordenadas de un vector en la base V entonces NV V son las coordenadas del mismo vector en la base N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Matriz de permutaci n. o La matriz que se obtiene al permutar las columnas o los renglones de la matriz identidad. Matriz que tiene exactamente un 1 en cada rengl n o y columna y todas las dem s entradas son a cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Matriz de una transformaci n lineal. o Escogidas una base N en el dominio y otra M en el codominio de una TL f la matriz MN cuyas columnas son los coecientes de las expresiones de las imagenes de la ba se N como combinaci n lineal de la base M. o O sea, para cualquier j N se cumple que P f (j) = iM ij i . . . . . . . . . . . . . . . 76, 73, 79 Matriz del sistema. La matriz A del sistema de ecuaciones lineales Ax = b . . . . . . . . . 117 Matriz diagonal. Matriz MM en la cual si i 6= j entonces, ij = 0 . . . . . . . . . . . . . . . . . 111 Matriz diagonal por bloques. Matriz MM en la cual hay una partici n del conjunto de o ndices M1 Mt = M y que ij = 0 si i y j pertenecen a bloques diferentes . 111 Matriz identidad. La matriz INN cuyas entradas son el delta

139

de Kronecker: unos en la diagonal y ceros en el resto de las entradas. La matriz de la transformaci n lineal identidad . . . . . . 77, 98 o Matriz inversa. La matriz cuadrada MN es la inversa de NM si NM MN = INN y MN NM = IMM . Si ambos N y M son nitos entonces, basta comprobar una de las dos igualdades. Una matriz cuadrada tiene inversa si y solo si su determinante es dife rente de cero. . . . . . . . . . . . . . 77, 108, 113, 123 Matriz singular. Matriz cuadrada con determinante igual a cero . . . . 103, 113, 117 Matriz triangular. Matriz triangular por bloques en la cual cada bloque es de cardinalidad 1 . . . . . . . . . . . . . 111 Matriz triangular inferior. Matriz MM en la cual M = {1, . . . , m} y tal que en su representaci n gr ca todas las entradas por o a encima de la diagonal son cero . . . . . . . . . 111 Matriz triangular por bloques. Matriz MM en la cual hay una partici n del conjunto de o ndices M1 Mt = M y que ij = 0 si i Mp , j Mq y p < q . . . . . . . . . . . . 111 Matriz triangular superior. Matriz MM en la cual M = {1, . . . , m} y tal que en su representaci n gr ca todas las entradas por o a debajo de la diagonal son cero . . . . . . . . . . 111 M ximo. a El m ximo de a un subconjunto A de un conjunto ordenado B es una cota superior que pertenece a A. Si existe entonces, el m ximo es unico . . . . . . * a Mnimo. El mnimo de un subconjunto A de un conjunto ordenado B es una cota inferior que pertenece a A. Si existe entonces, el mnimo es unico . . . . . . * Monomorsmo. Morsmo inyectivo . . . 13 Monotona. Propiedad de una funci n de un conjunto ordenado a otro que o consiste en que x y f (x) f (y) . . 35 Morsmo. Es una funci n f : A B que o cumple que f (x y) = f (x) f (y) donde es una operaci n denida en A y es una o operaci n denida en B . . . . . . . . . . . . . . 10, 42 o Morsmo de anillos.

140

mor pro
Operador singular. OL no biyectivo . . . 69 Opuesto. El inverso de un elemento de un anillo o campo respecto a la suma . . . . . . . . 7 Orbita de una permutaci n. o Clase de equivalencia de la relaci n (a b) o (a = n (b)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Orden de un ciclo. El n mero de elementos u que un ciclo no deja jos. . . . . . . . . . . . . . . . . 94 Orden de una matriz. El n mero de renglones y columnas de una u matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . 103 Permutaci n. Biyecci n de un conjunto nito o o en si mismo . . . . . . . . . . . . . . . . . . . . . . . . . 93, 102 Permutaci n de las columnas. o Es la operaci n en que una permutaci n se o o le aplica a las columnas de una matriz MN para obtener la matriz MN = M(N) que cumple que ij = i 1 (j) . . . . . . . . . . . . . 100 Permutaci n de los renglones . o Es la operaci n en que una permutaci n se o o le aplica a los renglones de una matriz MN para obtener la matriz MN = (M)N que cumple que ij = 1 (i)j . . . . . . . . . . . . . 100 Permutaci n impar. o Permutaci n o que se descompone en la composici n de un o n mero impar de transposiciones . . . . . . . . 96 u Permutaci n par. o Permutaci n o que se descompone en la composici n de un o n mero par de transposiciones . . . . . . . . . . . 96 u Plano. Subespacio afn de dimensi n dos . . . 53, 34 o Preimagen de un elemento. Sea b un elemento del codominio de f. La preimagen de b es el conjunto de todos x en dominio tales que f (x) = b. . . . . . . . . . . *, 82 Producto de matrices. Si MN y NL son dos matrices entonces ML = MN N,L es la matriz cuyas en tradas son los productos escalares can nicos o ij = iN Nj de los renglones de MN por las columnas de NL . . . . . . . . . . . . . . . . 74, 101 Producto de un escalar por una funci n. o Si en el codominio de f est denido un pro a ducto por escalares entonces f es la fun

Funci n entre dos anillos que es morsmo o para la suma y para el producto . . . . . . . . . . 12 Morsmo de campos. Funci n entre dos campos que es morsmo o para la suma y para el producto . . . . . . . . . . 12 Morsmo de espacios vectoriales. Funci n f de un espacio vectorial a otro so o bre el mismo campo que es un morsmo de los grupos abelianos de vectores y que cum ple f (a) = f (a) para cualquier vector a y cualquier escalar . . . . . . . . . . . . . . . . . . 42 Morsmo de grupos. Morsmo cuyo dominio y codominios son grupos . . . . . . . . . . . . . . . . . . . . . . . . . . .11, 93, 102 nada. Elemento (a1 , a2 , ..., an ) del producto cartesiano An . . . . . . . . . . . . . . . . . . 28 Nada. Funci n en una notaci n o o diferente, N : N 3 i i A. A N se le llama el conjunto de ndices y a las i se le llaman coordenadas . . . . . . . . . . . . . . . . . . 29, 75 Neutro. De una operaci n binaria es un elemento e o que cumple que a e = e a = a para cual quier a del conjunto en el cual est denida a la operaci n. Si una operaci n tiene neutro o o entonces este es unico . . . . . . . . . . . . . . . . . . . . . 4 Nucleo de un morsmo. El el caso de grupos la preimagen del neutro. Para ani llos y espacios vectoriales la preimagen del cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 Nucleo de una matriz. El nucleo de su transformaci n lineal. El conjunto soluci n o o de un sistema de ecuaciones con vector de coecientes libres igual a cero . . . . . . . . . . 119 Nucleo de una TL. La preimagen del cero 82 Nucleo trivial. Nucleo igual a {0} . . . . . 83 OL. Acr nimo de operador lineal . . . . . 68 o Operaci n binaria. o Funci n mediante la cual para cualesquiera o dos elementos a y b de un conjunto A po demos encontrar otro elemento de A que es el resultado de la operaci n . . . . . . . . . . . . . . . 2 o o Operador lineal. Transformaci n lineal de un espacio en si mismo . . . . . . . . . . . . . . . . . . . . . . 68

pro sub
ci n tal que (f) (a) = f (a) . . . . . . . . . . . 67 o Producto de un vector por una matriz. Es la combinaci n lineal de los renglones de la o matriz cuyos coecientes son las coordena das del vector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Producto de una matriz por un vector. Es la combinaci n lineal de las columnas de la o matriz cuyos coecientes son las coordena das del vector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Producto escalar. Producto bilineal de dos vectores cuyo resultado es un escalar . . . . 74 Producto escalar can nico. o Producto escalar denido en K{N} como: P N N = iN i i . . . . . . . . . . . . . . . . . . . . 74 Proyecci n. o Si C = A B entonces, la funci n f : c = (a, b) 7 a se le llama o proyecci n de C a A a lo largo de B. En par o ticular, nosotros la usamos en el caso de que E = F G (la suma directa es un producto cartesiano!). En este caso las proyecciones son TLs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65, 83 Punto. Subespacio afn de dimensi n cero 53 o Rango de una matriz. El orden de sus bases. La dimensi n de su espacio de columnas. o La dimensi n de su espacio de renglo o nes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Recta. Subespacio afn de dimensi n uno. . . 53, 33 o Regla del tablero de ajedrez. Regla mediante la cual se hallan los signos de los cofactores de una matriz en forma gr ca. El signo del a i+j . . . . . . . . . . . . . . 105 cofactor de ij es (1) Relaci n antisim trica. o e Si a b y b a entonces, a = b . . . . . . . * Relaci n de equivalencia. o Relaci n o sim trica, reexiva y transitiva. . . . . . . . *, 53 e Relaci n de orden. o Relaci n antisim trica, o e reexiva y transitiva . . . . . . . . . . . . . . *, 59, 114 Relaci n en un conjunto. o Subconjunto del producto cartesiano A A = A2 . . . . . . . . * Relaci n reexiva. o Para todo a se tiene a a . . . . . . . . . . . . . . . . * Relaci n sim trica. (a b) (b a) . * o e Relaci n transitiva. o

141

Si a b y b c entonces, b a . . . . . . . * Rengl n de una matriz. o Dada una matriz a NM e i N a la Mada iM (i est jo, los elementos de M varan) se le llama i simo rengl n de la matriz NM . . 31, 74 e o Restricci n de una funci n. o o Una funci n f : A0 B se le llama restric o ci n de g : A B si A0 A y para cual o quier a A0 se cumple f (a) = g (a) . . . 70 Serie. P Expresi n formal del o i . A los elementos del campo tipo i=0 ai x ai se le llaman coecientes de la serie. . . 28 Signo de una permutaci n. o Funci n que a cada permutaci n le hace co o o rresponder 1 si esta es par y 1 si esta es impar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Sistema de ecuaciones lineales. Ecuaci n Ax = b donde la matriz A y o el vector b son conocidos y el vector x es inc gnito . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116, 84 o Soporte. De una funci n f es o el conjunto de elementos del dominio cuya imagen es diferente de cero. De una Nada es el conjunto de ndices cuyas coordenadas son diferentes de cero. De una combinaci n o lineal es el conjunto de sumandos con coe ciente diferente de cero . . . . . . . . . . 30, 34, 44 Subanillo. Subconjunto de un anillo que es un anillo para las mismas operaciones del anillo m s grande . . . . . . . . . . . . . . . . . . . . . . . . 17 a Subcampo. Subconjunto de un campo que es un campo para las mismas operaciones del campo m s grande . . 17, 30 a Subespacio. Subconjunto de un espacio vectorial que es a su vez es pacio vectorial para las mismas operaciones que las de todo el espacio . . . . 32, 46, 50, 82 Subespacio afn. Traslaci n de un subespacio . . . . . 52, 66, 86 o Subespacio generado. Cerradura lineal . . 35 Subespacios anes paralelos. Dos subespacios anes son paralelos si uno es traslaci n del otro . . . . . . . . . . . . . . . . . . . . . 53 o Subespacios complementarios.

142

sub vec
multiplicado por un escalar. An logamente a se denen las transformaciones elementales de las columnas . . . . . . . . . . . . . . . . . . . . . . . . . 120 Transformaci n lineal. o Morsmo de espacios vectoriales . . . . . . . . . . . . . . 42, 63, 70 Transformaci n lineal de una matriz. o o Dada la matriz MN es la funci n: KN 3 N MN N KM . . . . . . . . . . . 75 Transformaci n semilineal. o Funci n de un o espacio vectorial a otro que es morsmo pa ra la suma y que cumple que f (x) = f (x) del campo para cierto automorsmo 7 de escalares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Transposici n. o Ciclo de orden dos . . . . 95 Transpuesta. Matriz que se obtiene de otra intercambiando los subndices de sus entra das, o sea si A = NM y AT = B = MN entonces ij = ji . . . . . . . . . . . . . . . . . . . . . . . 99 Traslaci n de un conjunto de vectores. o Si A es un conjunto de vectores y x otro vec tor entonces A + x es la traslaci n de A con o el vector x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 Vector. Elemento de un espacio vectorial. En Rn son los segmentos dirigidos del origen a un punto del espacio . . . . . . . . . . . . . . . . . 25, 27 Vector columna. Matriz con una sola columna . . . . . . . . . . . . 75 Vector de coecientes libres. El vector b del sistema de ecuaciones lineales Ax = b. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Vector rengl n. o Matriz con un solo rengl n . . . . . . . . . . . . . . 75 o

Dos subespacios cuya suma es todo el espacio y cuya intersecci n es el ori o gen. . . . . . . . . . . . . . . . . . . . . . . . 50, 52, 54, 65, 83 Subgrupo. Subconjunto de un grupo que es un grupo para la misma operaci n del grupo m s grande . . . . . . . . . 17 o a Submatriz. Dada una matriz NM a cualquier matriz N 0 M 0 tal que N0 N y M0 M se le llama submatriz de NM . . . . . . . . . 32, 114 Sucesi n. o Elemento (a0 , a1 , ..., an , ...) del conjunto A de funciones f : N A . . . 28 Suma de conjuntos. Si A y B son conjuntos y entre sus elemen tos hay una operaci n de suma entonces: o A + B = {a + b | a A y b B} . . . . . . 47 Suma de funciones. Si en el codominio mutuo de f y g est de a nida una suma entonces f + g es la funci n o tal que ( + g) (a) = f (a) + g (a) . . . . . 67 Suma directa de espacios. El produc to cartesiano de los subespacios con la suma denida por coordenadas y tambi n el pro e ducto por escalares. Si la intersecci n de dos o subespacios tiene dimensi n cero entonces, o la suma directa de ellos es can nicamente o isomorfa a la suma . . . . . . . . . . . . . . . . . . . . . . . 48 Supremo. El mnimo de las cotas inferiores * Un conjunto Tensor de exponente n. indexado por n conjuntos de ndices . . . . 32 TL. Acr nimo de transformaci n lineal . . 63 o o Transformaci n elemental. o Una trans formaci n elemental de los renglones de una o matriz consiste en sumarle a un regl n otro o

 ! PQ

Para todo. Existe. Existe y es unico. Si P entonces Q. P implica Q. P es suciente para Q. P Q P solo si Q. P es necesario para Q. P Q P si y solo si Q. P y Q son equivalentes. P es necesario y suciente para Q.

AN

El conjunto de todas las funciones f : N A. El conjunto de todos las Nadas aN donde i N el elemento ai pertenece a A. Si N = {1, . . . , n} entonces AN = An . El vector cero. El origen de coor denadas. Cero es elemento neutro para la suma de un anillo o campo. Uno es el elemento neutro para el producto de un anillo o campo. Menos uno es el opuesto de 1 en un anillo o campo. Matriz identidad. La funci n identidad. La permuta o ci n identidad o La funci n nula. La matriz nula o El cardinal de N. Un campo arbitrario. El espacio de las nadas. El espacio de las Nadas. El algebra de polinomios en la va riable x con coecientes en K. El algebra de series en la variable x con coecientes en K. El campo de funciones racionales en x con coecientes en K. El conjunto de los naturales. El anillo de los enteros. El anillo de restos m dulo n. o Para n primo Zn es un campo. El campo de los racionales. El campo de los reales. El campo de los complejos. El grupo sim trico de N. e

0 0 1 1 INN I O 0 K Kn KN K [x] K [[x]] K (x) N Z Zn Q R C SN

b pertenece a B. B contiene a b. A es subconjunto de B. A es sobreconjunto de B. A es subconjunto propio de B. O sea, A B y A 6= B. A ! B A es sobreconjunto propio de B. O sea, A B y A 6= B. AB La uni n de A y B. o AB La intersecci n de A y B. o A\B La resta de conjuntos. El conjunto de los elementos de A que no per tenecen a B. AB El producto cartesiano de dos con juntos. El conjunto de todas las pa rejas (a, b) con a A y b B. A 2 El conjunto de todos los subcon juntos del conjunto A. El conjunto de todas las funciones f : A {0, 1}. n A El producto cartesiano de A con sigo mismo n veces. El conjunto de todos las nadas (a1 , . . . , an ) a donde todos los ai est n en A. bB B3b AB AB AB

144 AN A N

Notaciones
El grupo alternante de N. Las permutaciones impares de N. A A+x tores. El producto de un escalar por un conjunto de vectores. El conjunto de vectores A trasla dado mediante el vector x. Si A es un subespacio entonces, es un sub espacio afn. La suma directa de dos espacios. Si E y F son subespacios que se intersectan solo en el origen enton ces es can nicamente isomorfa a la o suma de E y F. Una matriz cuyos renglones est n a indexados por M y cuyas colum nas est n indexadas por N. a La entrada ij de una matriz MN . El i simo rengl n de la matriz e o NM . La j sima columna de la matriz e NM . Si es una permutaci n de N, o es la matriz MN cuyas columnas est n permutadas mediante . Si a : N L es una biyecci n, es la o matriz cuyas columnas est n inde a xadas por L mediante el cambio de ndices . Lo mismo que el anterior pero pa ra los renglones El cofactor de la entrada ij de una matriz cuadrada. La matriz de cofactores de A. La matriz transpuesta de A. La matriz ampliada del sistema Ax = b.

f:AB Una funci n que tiene dominio A o y codominio B. f : A 3 a 7 f (a) B Usada para denotar funciones con cretas por ejemplo, f : R 3 a 7 a2 R+ es la funci n con dominio R y co o dominio R+ que a cada real le hace corresponder su cuadrado. p mod q El resto de la divisi n de p entre o q. Est bien denido en cualquier a anillo con divisi n. Por ejemplo, o en los n meros enteros y en los u polinomios con coecientes en un campo. n! El factorial del natural n. Se dene como n! = 1 2 n. |A| El cardinal del conjunto A. Puede ser nito o innito. kzk El m dulo del n mero complejo z. o u hNi La cerradura lineal de N. El con junto de todas las combinaciones lineales de N. lm zk dim E sgn det A Im f ker f A+B El lmite de la sucesi n {zk }. o La dimensi n de E. o El signo de la permutaci n . o El determinante de la matriz A. La im gen de la funci n f. a o El nucleo del morsmo f. La suma de dos conjuntos de vec

EF

MN

ij iN Mj M(N)

(M)N ij A AT (A|b)

Notaciones

145

Alfabeto g tico o
A B C D E F G H I J K L M A B C D E F G H I J K L M N O P Q R S T U V W X Y Z N O P Q R S T U V W X Y Z a b c d e f g h i j k l m a b c d e f g h i j k l m n o p q r s t u v w x y z n o p q r s t u v w x y z

Alfabeto caligr co a
A B C D E F A B C D E F G H I J K L M G H I J K L M U V W X Y Z U V W X Y Z

N O P Q R S T N O P Q R S T

Alfabeto griego
A B E Z H I alfa beta gamma delta epsilon zeta eta zita iota K M N O P o kappa lamda mu nu xi omicron pi ro sigma T X tau upsilon chi psi omega

146

Captulo 1
1. Dena los siguientes conceptos: Operaci n binaria. o Propiedad conmutativa. Propiedad asociativa. Propiedad distributiva. Elemento neutro. Elemento inverso. 2. En cualquier campo 0x = 0. 3. Dena los siguientes conceptos: Grupo y grupo abeliano. Anillo y anillo conmutativo. Campo. 4. Dena los morsmos. 5. Los morsmos preservan las operaciones bi narias. 6. Los morsmos preservan la conmutatividad. 7. Los morsmos preservan la asociatividad. 8. Los morsmos preservan el neutro. 9. Los morsmos preservan el inverso. 10. Los morsmos preservan la distributividad. 11. La inversa de un isomorsmo es un isomor smo. 12. Dena la suma y el producto en Zn . 13. (Zn , +, ) es un anillo conmutativo. 14. Todo campo es un dominio de integridad. 15. Zn es un dominio de integridad si y solo si n es primo. 16. Todo dominio de integridad nito es un campo. 17. Denici n de subcampo. o 18. Denici n de campo primo o 19. Todo campo K contiene un unico subcampo primo que est contenido en cualquier sub a campo de K. 20. Q es un campo primo.

21. Los campos Zp son primos. 22. Teorema de Clasicaci n de Campos Pri o mos. 23. Dena la caracterstica de un campo. 24. En un campo de caracterstica t para cual quier elemento x se cumple que tx = 0 . 25. Demuestre la f rmula del binomio de New o ton en base a la f rmula multinomial. o

Captulo 2
1. Denici n de espacio vectorial. o 2. Que es una nada? Que es una Nada? Cual es su conjunto de ndices? Que son sus coordenadas? 3. Que es una NMmatriz? Que es una en trada, rengl n, columna? o 4. Denici n de subespacio. o 5. Los subespacios son los conjuntos cerrados para la suma y el producto por escalares. 6. La uni n de subespacios no es un subespa o cio. 7. La intersecci n de subespacios es un subes o pacio. 8. Denici n de combinaci n lineal y sus co o o ecientes. 9. El conjunto de todas las combinaciones li neales de un conjunto de vectores es un su bespacio. 10. Los siguientes tres conjuntos de vectores co inciden: El conjunto de todas las combinaciones lineales de N. La intersecci n de todos los subespacios o que contienen a N. El subespacio m s peque o que contiene a n a N. 11. Propiedades b sicas de la cerradura lineal: a

148

Gua de estudio
forma unica como x = a + b donde a E y b F. 34. Dena los subespacios anes. 35. Que es el paralelismo de subespacios a nes? 36. Todo subespacio afn es paralelo a un solo subespacio vectorial. 37. Dos diferentes subespacios anes paralelos no se intersectan 38. Que es el espacio cociente? Cuales son sus operaciones? 39. Cualquier subespacio complementario a E intersecta al subespacio afn (E + x) en un solo punto. 40. D/E es can nicamente isomorfo a cualquier o complementario de E.

incremento, monotona, idempotencia. 12. Todo sobreconjunto de un conjunto genera dor es generador. 13. Teorema de caracterizaci n de conjuntos LI. o 14. Todo subconjunto de un conjunto LI es LI. 15. Lema de aumento de un conjunto LI. 16. Teorema de caracterizaci n de bases. o 17. Teorema de existencia de bases. 18. Propiedad del cambio de las bases. 19. Dos bases cualesquiera de un espacio vecto rial tienen el mismo cardinal. 20. Si E es un subespacio de F y dim E = dim F < entonces, E = F. 21. Describa las bases can nicas de los espacios o vectoriales K{N} y K [x]. 22. La inversa de un isomorsmo lineal es un isomorsmo lineal. 23. Un isomorsmo transforma conjuntos LI en conjuntos LI, conjuntos generadores en con juntos generadores y bases en bases. 24. Describa el isomorsmo de coordinatiza ci n en una base. o 25. Dos espacios vectoriales sobre un mismo campo son isomorfos si y solo si tienen la misma dimensi n. o 26. Todo espacio vectorial nito dimensional es isomorfo a Kn . 27. El n mero de elementos en un campo nito u es potencia de un n mero primo. u 28. hE Fi = {a + b | a E, b F} 29. La igualdad modular (incluye la demostra ci n del lema). o 30. Si E y F son subespacios tales que E F = {0} entonces la funci n o E F 3 (a, b) 7 a + b E + F es un isomorsmo de espacios vectoriales. 31. Que es un isomorsmo can nico. Demues o tre que E F y F E son can nicamente o isomorfos. 32. Todo subespacio tiene complementario. 33. Si E y F son dos subespacios complemen tarios entonces cada vector x se expresa de

Captulo 3
1. Denici n de transformaci n lineal. o o 2. Toda TL transforma subespacios en subes pacios. 3. Toda TL de un espacio de dimensi n 1 es o una homotecia. 4. Denici n de proyecci n. Toda proyecci n o o o es una TL. 5. El producto de un escalar por una TL es una TL. 6. La suma de dos TLs es una TL. 7. La composici n de TLs es una TL. o 8. Propiedades de la composici n de TLs: aso o ciatividad, distributividad y conmutatividad con el producto por escalares. 9. Denici n de Algebra. De tres ejemplos de o algebras. Que es el grupo general lineal? 10. Las extensiones lineales son TLs. 11. Las TLs est n predeterminadas por sus va a lores en una base. 12. Si N es una base de E entonces, la funci n o que a cada TL h Hom (E, F) le hace co rresponder su restricci n hN FN es un o isomorsmo de espacios vectoriales. 13. Una TL es un isomorsmo si y solo si su res tricci n a una base es inyectiva y la imagen o de esta restricci n es una base. o

Gua de estudio
14. Propiedades del producto escalar can nico o de Nadas conmutatividad, distributividad y conmutatividad con el producto por escala res. 15. Denici n del producto de matrices. o 16. Cual es la TL denida por una matriz?. Cual es la matriz de una TL? 17. La matriz de la composici n de dos TLs es o igual al producto de las matrices de las TLs. 18. Dena las matrices de cambio de base. 19. La Nada de las coordenadas de un vector en la base nueva se obtiene multiplicando la matriz de cambio de base por la Vada de las coordenadas del vector en la base vieja. 20. Sea f : E F una TL. Sean B y C matrices de cambio de base en E y F respectivamen te. Si A es la matriz de f en las bases viejas entonces CAB1 es la matriz de f en las ba ses nuevas. 21. Propiedades principales de la transpuesta de una matriz. 22. Dena la transpuesta de una TL. 23. La transpuesta de una inmersi n es una pro o yecci n. o 24. Denici n de nucleo e im gen de una TL. o a 25. La im gen y el nucleo son subespacios. a 26. Una TL es injectiva si y solo si su nucleo es trivial. 27. Si K es un subespacio complementario a ker f entonces, la restricci n de f a K es in o yectiva. 28. Pruebe que dim Im f = dim Im fT y que dim ker f = dim ker fT . 29. Sean E y F dos espacios tales que dim E = dim F < . Una TL de E a F es inyectiva si y solo si es sobreyectiva. 30. Los subespacios anes paralelos a ker f son precisamente los conjuntos de vectores en que la TL f es constante.

149

Captulo 4
1. Si |M| = |N| entonces, los grupos sim tri e cos SM y SN son isomorfos. 2. El n mero de permutaciones de un conjunto u

con n elementos es n!. 3. Que son las orbitas de una permutaci n. o 4. La restricci n de una permutaci n a una o o orbita es un ciclo. 5. Denici n de permutaciones pares e impa o res. Denici n del signo. o 6. La composici n de una permutaci n con o o una transposici n cambia la paridad de la o permutaci n. o 7. Toda permutaci n es composici n de trans o o posiciones. 8. Pruebe que sgn ( ) = sgn sgn y que sgn 1 = sgn . 9. Denici n de determinante de una matriz. o Regla del tri ngulo para los determinantes a de orden 3. 10. El determinante de la matriz identidad es 1. 11. Si una matriz tiene una columna o un ren gl n nulo entonces, su determinante es cero. o 12. El determinante no se altera al transponer una matriz. 13. Si una matriz tiene dos columnas iguales en tonces, su determinante es cero. 14. Al permutar las columnas o los renglones de una matriz con la permutaci n el determi o nante se altera por un factor igual a sgn . 15. Si y son dos cambios de ndices de N en M entonces, se cumple la igualdad: det M(N) = sgn 1 det M(N) . 16. Denici n de matriz no singular. o 17. Denici n de cofactores de una entrada de o una matriz. Pruebe que los cofactores no de penden del cambio de ndices usado para calcular el determinante. 18. Teorema de expansi n de Laplace. o 19. Denici n de funcional multilineal o 20. El determinante es un funcional multilineal de los renglones. 21. det A1 = (det A)1 . 22. A1 = AT / det A. 23. El determinante de un OL no depende de la base que se use para calcularlo. 24. Enuncie la expansi n generalizada de La o place

150

Gua de estudio
dientes. 33. Describa el procedimiento general de solu ci n de los sistemas de ecuaciones lineales. o 34. Las transformaciones elementales no cam bian los determinantes. 35. Las transformaciones elementales de los renglones de la matriz ampliada no cambian el subespacio afn soluci n de un sistema de o ecuaciones lineales. 36. Resuelva un sistema de ecuaciones lineales por el m todo de Gauss. e 37. Encuentre la inversa de una matriz por el m todo de eliminaci n de Gauss e o

25. El determinante de una matriz triangular por bloques es igual al producto de los determi nantes de sus bloques. 26. Enuncie la caracterizaci n de matrices no o singulares. 27. Las dimensiones del espacio de columnas y del espacio de renglones de una matriz co inciden. 28. Lema de aumento de submatrices no singu lares. 29. Caracterizaci n de las bases de una matriz o 30. Regla de Cramer. 31. Teorema de existencia de soluciones. 32. Lema de eliminaci n de ecuaciones depen o