Algebra Lineal

Jorge Luis Arocha

II

Cap tulo 1 Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 Operaciones binarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

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

1 1 6 10 14 16 18 21

1.2 N umeros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Naturales (6). Enteros (6). Grupos (7). Anillos (7). Racionales (8). Campos (8). Reales (8). Complejos (9).

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

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

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

1.5 Campos primos. Caracter stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Subcampos (16). Campos primos (16). Caracter stica (18).

1.6 Aritm etica de campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

M ultiplos y exponentes enteros (18). Asociatividad general (18). Distributividad gene ral (19). F ormula multinomial (19). La expansi on de ij (20).

*1.7 Polinomios sobre campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Suma y producto de polinomios (21). Divisi on de polinomios (22). Factores y raices (22). Ideales de polinomios (23). Unicidad de la factorizaci on en irreducibles. (25). Desarrollo de Taylor (26).

*1.8 Polinomios complejos. Teorema de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Forma polar. Igualdad de Moivre (27). Continuidad (28). L mite de sucesiones com plejas (30). Teorema de Gauss (30).

27 32 33 37 37 38

*1.9 Factorizaci on de polinomios complejos y reales . . . . . . . . . . . . . . . . . . . . . . . .

Caso Complejo (32). Caso real (32).

*1.10 Campos de fracciones. Funciones racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Campos de fracciones (34). Funciones racionales (35).

Cap tulo 2 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 El plano cartesiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Denici on y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
El espacio de nadas Kn (39). El espacio de polinomios K [x] (40). El espacio de sucesiones KN (40). El espacio de series K [[x]] (40). El espacio de funciones KN (40). El espacio de Nadas KN (41). El espacio de Nadas con soporte nito K{ N } (41). Subcampos (42). El espacio de Nadas de vectores EN (42). El espacio de NM matrices KN M (42). El espacio de tensores (43).

2.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

IV

Contenido
Uni on e intersecci on de subespacios (44). Combinaciones lineales (45). Cerradura li neal (46).

2.4 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Conjuntos generadores (47). Conjuntos linealmente independientes (48). Bases (49). Dimensi on (51). Bases can onicas (52).

47 53 57

2.5 Clasicaci on de espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Isomorsmos lineales (54). Coordinatizaci on (55). Clasicaci on (55). Como pensar en espacios vectoriales (56).

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

Subespacios de Rn (57). Suma de conjuntos y subespacios (58). La igualdad modular (58). Suma directa (60). Isomorsmo can onico entre la suma y la suma directa. (60). Subespacios complementarios (61). Espacios vectoriales versus conjuntos (62).

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

Subespacios anes (63). El espacio cociente (64). El isomorsmo con los complemen tarios (65).

63 66

*2.8 El caso de dimensi on innita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El Lema de Zorn (66). Existencia de bases (67). Cardinales (67). Equicardinalidad de las bases (68).

Cap tulo 3 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 Denici on y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Imagenes de subespacios (69). Homotecias (70). Inmersiones (71). Proyecciones (71).

69 69 72

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

El espacio vectorial de las transformaciones lineales (72). Composici on de transfor maciones lineales (73). El a lgebra de operadores lineales (74). El grupo general lineal (74).

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

Extensiones y restricciones (75). El isomorsmo entre FN y Mor (E, F) (76). Un cri terio de isomorsmo (77).

75 77

3.4 Coordinatizaci on de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . .

El producto escalar can onico (79). El producto de matrices (79). Productos de matri ces y vectores (80). La transformaci on lineal de una matriz (80). La matriz de una transformaci on lineal (81). Composici on de TLs y producto de matrices (81). Matrices inversas (82).

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

Cambios de base en un espacio vectorial (83). Cambios de base en el espacio de trans formaciones lineales (84). Cambios de base en el espacio de operadores lineales (85).

83 86

3.6 El nucleo y la imagen de una transformaci on lineal . . . . . . . . . . . . . . . . . . . . .

Deniciones (86). Descomposici on de transformaciones lineales (86). Transformacio nes lineales con nucleo trivial (87). Un criterio de isomorsmo (87). Descomposici on can onica de transformaciones lineales (88).

Cap tulo 4 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El grupo sim etrico (91). Ciclos (92). El grupo alternante (93). El signo de una permu taci on (94).

91 91

Contenido
4.2 Propiedades b asicas de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Denici on de los determinantes (95). Determinantes de matrices peque nas (95). Ma trices con las nulas (96). El determinante de la identidad (96). El determinante de la transpuesta (97). Permutaciones de columnas y renglones (97). El determinante del producto (98). Matrices de permutaciones (99).

94

4.3 Expansi on de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Cambios de ndices (100). Complementos algebraicos (102). La expansi on de un de terminante por sus renglones (102). La expansi on de Laplace en forma gr aca (103). Multinearidad de los determinantes (104). La inversa de una matriz (105). El determi nante de un operador lineal (107).

100

4.4 La expansi on generalizada de Laplace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Matrices diagonales y triangulares por bloques (109). La expansi on generalizada de Laplace en forma gr aca (109).

107 111

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

Espacios de columnas y renglones (111). Matrices no singulares (111). Lema de au mento de matrices no singulares (112). Bases de una matriz (112). Teorema del rango (113). Caracterizaci on de las bases de una matriz (114).

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

Regla de Cramer (115). Existencia de soluciones (116). Eliminaci on de ecuaciones dependientes (117). El nucleo y la imagen de una matriz (117). Bases del subespacio af n de soluciones (118).

114

4.7 M etodo de eliminaci on de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Transformaciones elementales (120). C alculo de determinantes (120). Bases, rango, nucleos y sistemas de ecuaciones lineales (121). Soluci on de ecuaciones matriciales, matriz inversa (122).

119

Soluciones de ejercicios selectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Glosario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Notaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gu a de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

125 133 143 147

VI

El a lgebra es la oferta hecha por el Diablo a los matem aticos. El Diablo dice: Yo te dar e a ti esta poderosa maquinaria que responder a cualquier pregunta que tu quieras. Todo lo que se necesita que tu hagas es entregarme tu alma: dame la geometr a y tendr as esta maravillosa m aquina ... el da no a nuestra alma est a ah , porque cuando usted pasa a hacer c alculos algebraicos, esencialmente usted deja de pensar ...

Sir Michael Atiyah

 lgebra lineal es el estudio de los espacios vectoriales. Estos espacios son l objeto del a 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 on y divisi on de escalares y la multiplicaci on de escalares por vectores. La mayor a 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 etrico com un Rn . Sin embargo, como esta teor a no depende (al menos en gran parte) del conjunto de escalares (y teniendo en cuenta diferentes aplicaciones a otras areas de las matem aticas y las ciencias naturales) es conveniente elevar un paso el nivel de abstracci on y pensar que el conjunto de escalares es un campo arbitrario K . El primer objetivo de este cap tulo es dar al lector un conocimiento b asico de lo que es un campo. Esto se pretende lograr por tres medios: dando la denici on formal, estudiando algunas propiedades (como la caracter stica) de los mismos, viendo que las reglas usuales de manipulaci on de f ormulas en un campo no se diferencian esencialmente de las f ormulas en 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 on en factores de polino mios complejos y reales ser an fundamentales para, en un cap tulo posterior, desarrollar la descomposici on de Jord an de operadores lineales.

1.1 Operaciones binarias

Sea A un conjunto. Una operaci on binaria es una funci on del producto cartesiano A A 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: 1) a + b 2) a b 3) ab 4) a b suma resta producto divisi on 5) 6) 7) 8) ab loga b mcd (a, b) mcm (a, b) exponenciaci on logaritmo m ax com un divisor m n com un m ultiplo

Cap tulo 1. Campos

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

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

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

suja para la expresi on (a + b) (x + y)? [125] Cualquier intento, de tratar de unicar las notaciones usadas en la comunicaci on entre humanos, solo llevar a a confusiones mucho peores. Sin embargo, tenemos la libertad de es coger una notaci on unicada para las operaciones binarias abstractas que denamos. De una vez, postularemos que siempre usaremos la notaci on operacional para denir operaciones binarias abstractas.

Secci on 1.1

Operaciones binarias

Recalquemos que una operaci on abstracta no signica nada m as que es una operaci on que puede ser una de muchas. Primero aprendemos lo que quiere decir 3 + 2. Despu es, tempranamente en el estudio de las matem aticas, la expresi on a+b signica que a un n umero a (no se sabe cual) le sumamos un n umero b (tampoco se sabe cual). Ahora, la expresi on a + b signicar a que a un objeto a (n umero, polinomio, matriz , quien sabe que) le sumamos (no se sabe lo que quiere decir suma) un objeto b (del que tampoco se sabe mucho). Conmutatividad on binaria Es 3 + 2 igual a 2 + 3? Si. Es 32 igual a 23 ? No. Una operaci 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 as sencilla que diferencia las operaciones binarias. 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 a que debemos sumar 2 al resultado de la suma 3 + 5? Claro, no hay ninguna diferencia entre los dos procedimientos. Este hecho se expresa como (2 + 3) + 5 = 2 + (3 + 5) . Una operaci on binaria denotada por y denida en el con 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 on no asociativa en el caso de la operaci on de exponen 3 ciaci on. A esta temprana edad es muy necesario insistir que la expresi on 22 es ambigua 3 3 porque 2(2 ) = 256 6= 64 = 22 .

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

La asociatividad de una operaci on es una propiedad crucial. Sin esta propiedad, el manejo algebraico de una operaci on se complica bastante. Es m as, gracias a ella podemos introducir la notaci on de la operaci on re 11 petida. Si tenemos 11 elementos a1 , a2 , . . . , a11 entonces, para denotar la suma P a a1 + a2 + + a11 podemos usar la notaci on (mucho m as c omoda) que se muestra n =1 n en el recuadro a la derecha. Esta notaci on no requiere de la conmutatividad de la operaci on suma gracias a que los ndices tienen un orden y sabemos cual elemento debe ir primero y cual despu es. Si tenemos que la operaci on es no solamente asociativa sino tambi en conmutativa enton ces podemos ser m as generosos con esta notaci on.

4 P an

Cap tulo 1. Campos

Supongamos que a , a` , a , a9 y a son elementos de un conjunto con una suma asociativa y conmutativa. Entonces la suma de estos (no importa el orden!) la n N podemos denotar por la expresi on en el recuadro a la izquierda, donde N es el conjunto de ndices {, , `, , 9}. Si la operaci on binaria deP nida no se llama suma sino producto,Q entonces es usual, en lugar de usar la letra griega (sigma may uscula), usar la letra griega (pi may uscula). Podemos, en este caso, usar la primera o segunda notaci on dependendiendo de si nuestro producto es conmutativo o no. Elementos neutros nico: el cero. Su propie La suma de n umeros naturales tiene un elemento especial y u dad denitoria es que cualquier n umero sumado con cero da el mismo n umero. La misma propiedad la tiene el uno con respecto al producto de n umeros naturales. Para una operaci on binaria denotada por y denida en el con a A 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 on binaria no puede tener m as de un elemento neutro. Efectivamente, sean e y e0 elementos neutros. Por ser e neutro, tenemos e e0 = e0 . Por ser e neutro, y 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 as N y M dos conjuntos nitos de ndices disjuntos. Naturalmen Q Q Q ai ai = ai te, de la denici on se sigue la propiedad del recuadro a la iN iM iN M izquierda. Pero que pasa si alguno de los conjuntos de ndices (digamos M) es vac o? 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 on (si no hay neutro entonces estamos en problemas). Es por esto, como el lector seguramente ya sabe, que la suma vac a de n umeros es igual a cero y el producto vac o de n umeros es igual a uno. Elementos inversos nico n Para cada n umero entero a hay un u umero a tal que sumado con a da cero. Ge neralizemos esta propiedad a operaciones binarias arbitrarias. Sea una operaci on binaria en 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.

Secci on 1.1

Operaciones binarias

nico. Efecti Para cualquier operaci on binaria asociativa el elemento inverso de otro es u vamente si b y c son inversos de a entonces b = b e = b (a c) = (b a) c = e c = 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 as de una operaci on binaria denida. El ejemplo m as sencillo son los naturales en los que sabemos sumar y sabe mos multiplicar. Estas dos operaciones est an relacionadas con la propiedad de que podemos sacar factor com un o sea ax + ay = a (x + y). Sean y dos operaciones binarias denidas en el a, b, c A conjunto A. Se dice que la operaci on es distributiva a (b c) = (a b) (a c) respecto a la operaci on si se cumple la propiedad en el (b c) a = (b a) (c a) 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] lgebra abstracta El a Filos ocamente, el concepto de abstracci on es la propiedad, que tiene el pensamiento humano, de que podemos jarnos solamente en ciertas propiedades esenciales de un objeto o fen omeno, y olvidarnos de las restantes. La abstracci on es imprescindible para el lenguaje. El concepto silla nos permite reco nocer una silla, independientemente si esta es de madera, de hierro, pl astica, grande, c omoda, con tres, cuatro o cinco patas etc. Casi cada palabra del espa nol (y de cualquier idioma) re presenta un concepto abstracto, sea esta verbo, sustantivo o adjetivo. La ciencia lleva este nivel de abtracci on a un nivel a un mayor. Parte de este conoci miento cient co, pasa al conocimiento p ublico. Baste recordar conceptos como: velocidad, volumen, higiene, ADN, penicilina, electr on, metal, colesterol, tri angulo, etc. Algunos de los mencionados, son muy antiguos, otros surgieron hace muy poco. Sin embargo, la mayor a de estos conocimientos queda solamente en manos de los especialistas en la materia. Con las matem aticas pasa igual. No hace falta saber que la suma de naturales es una operaci on binaria conmutativa para saber que 2 + 3 = 3 + 2. Sin embargo, el concepto de

Cap tulo 1. Campos

operaci on y que estas operaciones pueden cumplir o no ciertas propiedades es relativa mente nuevo. En la primera mitad del siglo XX, progresivamente, la comunidad matem atica se fu e dan do cuenta de las ventajas del pensamiento algebraico en el lenguaje de operaciones abstrac tas. Tanto fu e el entusiasmo, que muchos, en un principio, le llamaron a esta forma de pensar Algebra moderna. Otros a un m as entusiastas, m as fr volos y con muchas ganas de vender sus libros le llamaron Matem atica moderna. En la actualidad este lenguaje es parte in tr nseca e indivisible del pensamiento en matem aticas y cualquier calicaci on de moderna suena muy tonta. Otros, por otro lado, preerieron referirse a esta forma de pensar como Algebra abstrac lgebra ta. Esto, en mi opini on, aunque m as moderado, tampoco tiene ning un sentido. Toda a es abstracta, de hecho, todas las matem aticas son abstractas. Estoy convencido de que, el tiempo se encargar a de acabar con todos estos calicativos.

1.2 Numeros
En esta secci on repasaremos los principales tipos de n umeros que el lector ya conoce: naturales, enteros, racionales, reales y complejos. Esto nos dar a la posibilidad de introducir lgebra: grupos, anillos y campos. las deniciones m as b asicas del a Naturales Hay una frase famosa que dice Dios hizo los naturales y el hombre todo lo dem as. El conjunto de los n umeros a veces b veces naturales N = {0, 1, 2, ...} es el conjunto de los cardinales de los conjuntos nitos. En N hay dos operaciones bina rias bien denidas: la suma y el producto. De hecho el producto es una operaci on derivada de la suma y la suma solo se puede denir en t erminos de conjuntos. Por ejemplo, a + b es el cardinal de la union de dos conjuntos nitos y disjuntos uno de cardinal a y otro de cardinal b. Como la union de conjuntos es asociativa tambi en lo es la suma de naturales. De la denici on se obtiene que el producto de naturales tambi en es asociativo. Tanto la suma como 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 ... + a b + {z ... + b }=| } | + {z Enteros Ning un elemento de N salvo el cero tiene inverso para la suma. Para lograr la existencia de inversos inventamos los b + a = c a = b + c n umeros negativos Z = {1, 2, 3, ...} y en el conjunto b + (a) = (a + b) Z = N Z de los n umeros enteros denimos la suma como la operaci on conmutativa denida por las propiedades en el recuadro a la derecha.

Secci on 1.2

N umeros

Ejercicio 10 Demuestre la asociatividad de la suma de n umeros enteros basandose sola

mente en la asociatividad de los naturales. 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 de grupo. A un conjunto no vac o con una operaci on binaria se on es asociativa le llama grupo si se cumplen los tres axiomas G1G3. G1) la operaci G2) tiene elemento neutro Un grupo se le llama abeliano si adem as de los axio mas G1G3 se cumple que la operaci on es conmutativa. G3) todo elemento tiene inverso As , (Z, +) es un grupo abeliano. Ejemplos de grupos no abelianos los veremos m as adelante. A los grupos cuya operaci on es conmutativa se les llama abelianos en ho nor al matem atico noruego Niels Henrik Abel (18021829). Abel fu e el que poca. Demostr resolvi o el problema algebraico m as importante de su e o, que no existen f ormulas en radicales para resolver las ecuaciones polinomiales de grado 5 o mayor (a diferencia de las ecuaciones de grado 4 para las cuales si hay f ormulas generales). Al momento de encontrar esta demostraci on, el problema ya duraba varios siglos sin resolverse. Abel muri o a los 26 a nos a causa de una neumon a. Anillos La operaci on de producto de naturales se extiende f acilmente al 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 en dan el primer ejemplo de anillo. Un conjunto A no vac o 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 on es conmutativa entonces A4) tiene elemento neutro se dice que tenemos un anillo conmutativo. Por ejemplo (Z, +, ) es 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

Cap tulo 1. Campos

desprende que 0 no puede tener inverso ya que 0 = a 0 = 1 es una contradicci on. 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 en (1)1 = 1 ya que si a = 1 entonces 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 un elemento salvo 1 y 1 tiene inverso.
Normalmente en la denici on de anillo no se pide el axioma A4. En este caso, a los anillos que 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 umeros racionales Q. Una fracci on es un par ordenado de n umeros enteros denotado por a/b donde b 6= 0. Dos fraccio c a = a d = c b nes son iguales cuando se cumple la igualdad en el recuadro. b d Los n umeros racionales Q son las fracciones con la relaci on de igualdad as denida. Los enteros son parte de los racionales por cuanto podemos identicar cada n umero entero a Z con la fracci on a/1. Campos La suma y el producto de n umeros racionales se denen por 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 a c 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 vac o 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.

0 0 0 0 la operaci on por coordenadas 2 (x, y) (x , y ) = (x x , y y ). Demuestre que si (A, ) es un grupo entonces A , es un grupo. 2 Ejercicio 12 De la misma manera que el ejercicio anterior se denen las operaciones en A

Ejercicio 11 Si es una operaci on binaria en A entonces, en A2 est a denida naturalmente

Ejercicio 13 Sea (K, +, )un campo. Como K es un anillo conmutativo entonces, por el en es un anillo. Ser a K2 un campo? ejercicio anterior, K2 , +, tambi

si (A, +, ) es un anillo. Demuestre que A2 , +, es tambi en un anillo.

Secci on 1.2
Reales

N umeros

Dicen que cuando Pit agoras (Samos 569475 A.C.) descubri o que la longitud de la hipotenusa de un tri angulo rect angulo con cate tos de longitud uno no es un n umero racional qued o horrorizado. A nosotros nos parece esto 2 una exageraci on. Sin embargo, si nos ponemos 1 en el lugar de Pit agoras comprenderemos que 1 en aquel momento era inconcebible que existan p n umeros que no sean cociente de dos enteros. 2 6= La pintura a la izquierda es un detalle del fres q co de Rafael La escuela de Atenas en la cual supuestamente, se muestra a Pit agoras. Sigamos a Pit agoras y probemos que efectivamente 2 no es un racional. Para esto denotemos k2 el umero de veces que el natural a se divide entre 2. Tenemos 2 = 2 por ka n p 2q = p2 1 + 2 kqk = 2 kpk lo que es una contradicci on ya que un 2 2 q 2 2 n umero impar no puede ser igual a uno par.

Ejercicio 14 Sea n un n umero natural. Pruebe que n es un natural o no es racional. [126] Ejercicio 15 Basandose en el anterior de otra prueba de que 2 no es racional. [126]
Esto motiva la construci on de los n umeros reales R. La construci on de los reales es un proceso complicado y se han descubierto muchas formas de formalizar esta construci on siendo la m as popular la de las cortaduras de Dedekind. Para nuestros prop ositos basta una denici on menos formal y m as intuitiva: un n umero real es simplemente un l mite de ra cionales. Las propiedades de la suma y producto de racionales se traspasan f acilmente a los reales usando las propiedades del l mite 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 umero real es mayor, menor o igual a cero) y porque es cerrado (el l mite 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 16 Pruebe que la longitud de un segmento de recta es un n umero real. [126]

Complejos Para lograr que todos los polinomios tengan raices inven tamos el imaginario i = 1 y denimos que un n umero complejo es algo de la forma a + bi donde a, b R. La suma y el producto de complejos se denen por las f ormulas en los recuadros a la derecha y abajo a la izquierda. (a + bi)

(a0 + b0 i) =

(a + a0 ) + (b + b0 ) i

10 (a + bi)

Cap tulo 1. Campos

Las propiedades de la suma y el producto se desprenden inmediatamente de sus deniciones y es f acil comprobar que (C, +, ) es un campo. La principal propiedad que hace (aa0 bb0 ) + (ab0 + a0 b) i que para muchas cosas el campo C sea el m as simple es 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.

(a0 + b0 i) =

1.3 Morsmos
En esta secci on estudiaremos las funciones entre conjuntos con operaciones binarias. Morsmos de grupos Sean y operaciones binarias denidas en los conjuntos A y B respectivamente. Una funci on f : A B se le llama morsmo si para cualesquiera a1 y a2 elementos de A se cumple que f (a1 a2 ) = f (a1 ) f (a2 ). Todo morsmo conserva las propiedades fundamentales de las operaciones binarias. M as precisamente, si f : A B es un morsmo entonces, 1. es una operaci on binaria dentro de la imagen de f. 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 on. Si es conmutativa entonces, usando (*) obtenemos b1 b2 = f (a1 a2 ) = f (a2 a1 ) = b2 b1 por lo que es tambi en conmutativa. Si es asociativa entonces, usando (*) obtenemos (b1 b2 ) b3 = f (a1 a2 ) f (a3 ) = f ((a1 a2 ) a3 ) = = f (a1 (a2 a3 )) = f (a1 ) f (a2 a3 ) = b1 (b2 b3 ) y por lo tanto es asociativa en la imagen de f. Si e es neutro de la operaci on entonces, 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).

Secci on 1.3

Morsmos

11

Ejercicio 17 Justique todas las igualdades utilizadas en la prueba de 1.1.

nico Y porqu e siempre dentro de la imagen de f y no en todo B? La respuesta es que lo u que sabemos de B est a dado por el morsmo. Aquellos elementos de B que no tienen pre 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 on f (y en particular de un morsmo) la denotaremos por Im f. Si (A, ) es un grupo entonces (Im f, ) es un grupo. Prueba. Por 1.1.1 es una operaci on binaria en Im f. Por 1.1.3 esta operaci on es asociativa. Por 1.1.4 esta operaci on tiene elemento neutro. Por 1.1.5 cada elemento b = f (a) Im f 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 on entonces al conjunto A se le llama dominio 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 18 Construya un morsmo inyectivo de (R, +) en (R, ). Cual es su imagen?

Morsmos de anillos Y que pasa con la distributividad? Tambi en se conserva? El primer problema que te nemos que resolver es que en la distributividad est an involucradas dos operaciones. Sean (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 s mbolos diferentes ya es demasiada confusi on. Una funci on f : A B se le llama morsmo si para cualesquiera a1 y a2 elementos de 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 on sea morsmo para cada una de ellas. 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.

12

Cap tulo 1. Campos

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 20 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

Ejercicio 19 Demuestre que si (A, +, ) es un anillo y f : A B es un morsmo entonces,

A los morsmos biyectivos se les llama isomorsmos. Esto se aplica tanto para con juntos con una como tambi en con dos operaciones binarias. As que tenemos isomorsmos de grupos, de anillos y de campos. Para cada isomorsmo f existe una funci on inversa f1 . 1 Cuando ser a f un morsmo? La respuesta es que siempre. 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 requer a demostrar. Si el isomorsmo involucra dos operaciones binarias entonces el mismo argumento anterior, 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 on es conmu 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 actamente las mismas propiedades de . Pero no solo son operaciones parecidas sino que son en cierto sentido la misma. Para convencernos de esto supongamos que conocemos la operaci on y conocemos el isomors mo f pero no sabemos nada de la operaci on . Podremos calcular b1 b2 ? La respuesta es si, lo podemos calcular por la identidad b1 b2 = f f1 (b1 ) f1 (b2 ) . Rec procamen nica por la operaci te, se dene de forma u on y el isomorsmo f mediante la identidad a1 a2 = f1 (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 on veamos un ejemplo. Sea A el 1 1 1 conjunto de letras {u, v} y B el conjunto de los n umeros u u v v v u 1 1 1 {1, 1}. Denamos las operaciones y mediante las tablas del recuadro a la derecha.

Secci on 1.3

Morsmos

13

El lector debe observar que la segunda tabla es la tabla usual de multiplicaci on de enteros. nico que necesitamos es cambiar Adem as, para obtener la segunda tabla de la primera lo u por , u por 1 y v por 1. Esto lo que quiere decir, es que la funci on u 7 1 , v 7 1 es 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 on est an cambiadas. Si para dos grupos (o anillos o campos) existe un isomorsmo entre ellos entonces se dice que ellos son isomorfos. Etimol ogicamente, la palabra isomorfo signica que tie 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. Composici on de morsmos Sean A, B y C tres conjuntos y f : A B , g : B C dos funciones. A la funci on g f : A C denida por (g f) (a) = g (f (a)) se le llama la composici on de f con g. A partir de ahora el s mbolo solo lo utilizaremos para denotar la composici on de funciones. Observese el orden en que escribimos las funciones ya que la composici on de funciones no es conmutativa. La composici on de funciones es asociativa. Prueba. Sean f : A B , g : B C y h : C D tres funciones. Por denici on de composici on para cualquier a A tenemos (h (g f)) (a) = h ((g f) (a)) = h (g (f (a))) = (h g) (f (a)) = ((h g) f) (a) que es lo que se quer a probar 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 en lo es. Las composici ones de morsmos son morsmos. Prueba. Denotemos las operaciones en A, B y C con el mismo s mbolo . 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 21 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 on de funciones.

14

Cap tulo 1. Campos

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 on saludable de lo que es un campo, introducir otros que no sean tan usuales. En esta secci on presentaremos ciertos cam pos que tienen un n umero nito de elementos. Para construirlos, usaremos las propiedades de los morsmos de la secci on anterior. El anillo de los enteros m odulo n Sea n un n umero natural mayor que 1. Para un entero a la notaci on a mod n signica el resto de la divisi on de a entre n. O a b = (a + b) mod n sea, el menor natural k tal que existe un entero t para los cuales a b = (ab) mod n a = k + tn. Por denici on a mod n Zn = {0, 1, ..., n 1} por lo que en Zn hay naturalmente denidas dos operaci ones binarias como se muestra en el recuadro.

Ejercicio 22 Construya las tablas de sumar y multiplicar en Z2 , Z3 y Z4 .

(Zn , , ) es un anillo conmutativo. Prueba. Probemos que la funci on f : (Z, +, ) (Zn , , ) dada por f (a) = a mod n es un morsmo de anillos. Para cualesquiera a, b Z por denici on de f existen enteros o, p, q tales que a = f (a) + on, b = f (b) + pn y a + b = f (a + b) + qn. Tenemos que f (a)+f (b) = a+b(o + p) n = f (a + b)+(q o p) n y por lo tanto f (a + b) es el resto de la divisi on de f (a) + f (b) entre n. O sea, f (a + b) = f (a) f (b). Por otro lado tambi en existe otro entero r tal que ab = f (ab) + rn y de aqu f (a) f (b) = (a on) (b pn) = ab + (nop bo ap) n = f (ab) + (r + nop bo ap) n. Lue go, f (ab) es el resto de la divisi on de f (a) f (b) entre n o sea, f (ab) = f (a) f (b). Como f es sobreyectiva, (Z, +, ) es un anillo conmutativo y los morsmos preservan las propiedades de las operaciones binarias, concluimos que (Zn , , ) es tambi en un anillo conmutativo. Hemos denotado la suma y el producto en Zn con los s mbolos extra nos y . El objetivo de esto fu e el asegurarnos que en la demostraci on del resultado anterior el lector no se confundiera con la suma y el producto habitual de n ume ros enteros. De ahora en lo adelante no haremos m as esto. La suma en Zn se denotar a con el s mbolo + y el producto, con la ausencia de s mbolo alguno, o a lo m as, con un punto. Para 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 .

Secci on 1.4
Dominios de integridad

Campos de restos

15

Despu es de saber que (Zn , +, ) es un anillo conmutativo, lo natural es preguntarnos si nico que le falta a un anillo conmutativo para ser campo, es la este es un campo, ya que lo u existencia de inversos para el producto. Veamos por ejemplo el caso de Z6 . Aqu tenemos 2 3 = 0. Que raro, el producto de dos n umeros diferentes de cero es igual a cero. Es posible eso en un campo? Veremos que no. Un anillo conmutativo se le llama dominio de integridad si el producto de dos elementos es diferente de cero entonces ellos son los dos diferentes de cero. Sabemos que Z, Q, R y C son dominios de integridad. Tambi en ya vimos que Z6 no es dominio de integridad. 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 acilmente. Sea n = pq una descomposici on en factores no triviales (ambos diferentes a 1) de n. Sabemos que p y q est an en Zn y que pq = n = 0 mod n. Luego, si n es un n umero compuesto (no primo) entonces, Zn no es un dominio de integridad y por lo tanto no es un campo. El campo de los enteros m odulo p Y que pasa cuando p es primo? 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 on A 3 x 7 ax A. Esta funci on es inyectiva ya que (ax = ay) (a (x y) = 0) (x y = 0) x = y Como fa es una funci on inyectiva de un conjunto nito en si mismo es tambi en sobreyectiva. Luego tiene que existir b tal que fa (b) = ab = 1. Esto demuestra que a tiene inverso.

16

Cap tulo 1. Campos

ltimo resultado concluimos inme Como Zp es un dominio de integridad nito de este u diatamente que Zp es un campo si y solo si p es un n umero primo. ume Los campos Zp son los primeros ejemplos de campos que tienen un n ro nito de elementos. A los campos nitos se les lama campos de Galois en honor al matem atico franc es Evariste Galois (18111832). Al resolver el problema de encontrar cuales ecuaciones polinomiales son solubles en radi cales y cuales no, Galois de facto invent o la Teor a de Grupos. El muri oa los 20 a nos en un duelo provocado por asuntos amorosos y/o pol ticos. El apellido Galois se pronuncia en espa nol como galu a

Ejercicio 23 Ejercicio 24 Ejercicio 25 Ejercicio 26

Cual es el n umero m nimo de elementos que puede tener un campo? [126] Halle los inversos de los elementos no nulos de Z5 . [127] Demuestre que (Zp \0, ) es isomorfo al grupo aditivo (Zp1 , +). [127] 0 0 0 0 Demuestre que Z2 11 con las operaciones (a, b) + (a , b ) = (a + a , b + b ) y 0 0 0 0 0 0 (a, b) (a , b ) = (aa + 7bb , ab + a b) es un campo de 121 elementos.

1.5 Campos primos. Caracter stica

En esta secci on estudiaremos los campos m as peque nos posibles. Veremos que todo cam po contiene a Q o contiene a Zp para cierto n umero primo p. Subcampos 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 se tienen que cumplir las siguientes propiedades 1. a + b L, a L, (L es un subgrupo aditivo) 2. ab L, a1 L, (L\{0} es un subgrupo multiplicativo) Rec procamente, si se cumplen las propiedades 1 y 2 entonces, las operaciones de suma, opuesto, producto e inverso est an correctamente denidas dentro de L y el tiene que contener a 0 y a 1. Como los axiomas de campo se cumplen dentro de todo K, con m as raz on se cumplen dentro de L. Esto indica que para comprobar si L es un subcampo basta comprobar las propiedades 1 y 2. El ejemplo m as sencillo de esto es Q, que es subcampo R, que a su 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 un Zp es subcampo de Zq para p 6= q.

Secci on 1.5
Campos primos

Campos primos. Caracter stica

17

Todo campo tiene como subcampo a el mismo. Los subcampos que no son todo el campo se les llama subcampos propios. A los campos que no tienen ning un subcampo propio se les llama campos primos (por analog a con los n umeros primos que son los naturales que no tienen divisores propios). En cierto sentido los campos primos son los m as sencillos y podemos decir cuales todos ellos. Teorema de Clasicaci on de Campos Primos Un campo primo o es Q o es Zp para cierto n umero primo p. Un campo no puede contener dos subcampos primos diferentes. z }| { Prueba. Sea un K campo. Para un n umero natural n denotemos por n = 1 + ... + 1 donde 1 es el neutro multiplicativo de K. Observese que 0 = 0. Obviamente, n es un elemento del campo. Denotemos por P = {n K | n N} . Hay dos posibilidades excluyentes on de en N en P. 1. La aplicaci on n 7 n es una biyecci 2. Existen dos naturales distintos n y m tales que n = m.
n veces

En el primer caso K contiene a los naturales. Como K es un campo tambi en tiene que contener a los opuestos de los naturales, o sea a los enteros. Por la misma raz on, K tiene que contener a los inversos de los enteros con lo que se prueba que los racionales son un subcampo de K. Esto tambi en prueba que Q es un campo primo. En el segundo caso, sea p el natural m as peque no para el cual existe n < p tal que n = p. Tenemos n = p p n = p n = 0. Si n > 0 entonces, p n < p y adem as p n = 0 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 }| { + + 1 0 ++0 = a x = a + kp = a + kp = a + 1 + + 1 + + 1 = a + | {z } | {z }
p veces p veces kp veces k veces

odulo p. Si p no es primo entonces, en lo que muestra que P es el anillo Zp de los restos m 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. Esto tambi en prueba que Zp es un campo primo. Hemos probado la primera armaci on del teorema o sea, todo campo contiene a Q o contiene a cierto Zp . Para ver la validez de la segunda, observemos que el conjunto P no solo est a contenido en K sino que tambi en est a contenido en cualquier subcampo de K. En el primer caso, deducimos que Q est a contenido en cualquier subcampo de K y como nico subcampo primo de K. En el segundo, deducimos que Q * Zp entonces, Q es el u nico a contenido en cualquier subcampo de K y como Zp * Q entonces, Zp es el u Zp est subcampo primo de K.

18 Caracter stica

Cap tulo 1. Campos

Por el teorema anterior cualquier campo o contiene a Q o contiene a Zp . Se dice que un campo es de caracter stica 0 si este contiene a Q. Se dice que un campo es de caracter stica p si este contiene a Zp . La caracter stica de un campo es un n umero primo o es cero. La propiedad fundamental de la caracter stica de un campo es la siguiente: Si K es un campo de caracter stica t entonces, ta = 0 para cualquier a K. Prueba. Si t = 0 la armaci on es trivial. Si t es primo entonces, por la prueba del Teorema de caracterizaci on de campos primos, tenemos t1 = 0. Luego, ta = t1a = 0a = 0.

Ejercicio 27 Contradice o no 1.12 que todo campo es un dominio de integridad? [128] Ejercicio 28 Es cierto o no que en todo campo (a = a) (a = 0)? [128] 1.6 Aritm etica de campos
Los campos se comportan en la mayor a de las cosas importantes como los n umeros reales. Por m as que tratemos construir un campo raro pero muy raro (lo que es posible) no lograremos que se dejen de cumplir todas las propiedades de la aritm etica las cuales nos son familiares desde temprana edad. Pasemos a describir en toda su generalidad algunas consecuencias simples y otras un poco m as complicadas de los axiomas de campo lo que nos convencer a de lo armado. Multiplos y exponentes enteros En todo campo para cualquier n umero entero n y cualquier elemento del campo a se usan las siguientes notaciones n veces n veces z }| { z }| { a aa...a si n > 0 + a + ... + a si n > 0 n na = = a 1 si n = 0 0 si n = 0 1 si n < 0 (n) (a) si n < 0 a n Asociatividad general
n X i =1

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

ai

Recordemos nuevamente el uso del s mbolo de sumatoria . Si A es un conjunto nito de elementos del campo entonces podemos escribir la expresi on en el re cuadro a la izquierda para expresar que queremos sumar todos los elementos del conjunto A = {a1 , ..., an }.

Secci on 1.6

Aritm etica de campos

19

nico La asociatividad de la operaci on de suma nos dice que esta expresi on tiene sentido u ya que no es necesario explicitar las sumas hay que realizar primero y cuales despu es. En realidad incluso esta notaci on es redundante, m as consisa es esta otra nota X ci on en el recuadro a la derecha que podemos usar gracias a la conmutatividad de a la suma. O sea no importa si en la suma a1 est a delante de a2 o al rev ez. Solo es aA necesario especicar cual es el conjunto A de elementos que se est an sumando. Como tenemos que el producto de elementos de un campo es tambi en 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 a A A = {a1 , ..., an } . Distributividad general Mucho m as dif cil es dar una forma general de la ley distributiva. Usando las leyes de los campos obtenemos (a + b) (c + d) = a (c + d) + ! ! X X XX b (c + d) = ac + ad + bc + bd y el lector podr a con a b = ab vencerse f acilmente haciendo el c alculo para conjuntos a A b B a A b B peque nos A y B que en general se cumple la f ormula de la derecha. M as general, para muchos factores tenemos ! ! ! X X X XX X a b c = ... ab c
a A b B c C a A b B c C

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

Esta f ormula aunque relativamente sencilla tiene un gran defecto. Por ejemplo, el pro 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 as sencilla de expresarse como a4 b3 c3 . Para arreglar este defecto, d emosle nombres a los elementos de A y pongamos A = {x1 , ..., xm }. Ahora si n1 , ..., nm son naturales entonces, un monomio P n1 nm x1 xm aparece como sumando a la derecha en la f ormula (*) si y solo si Pni = n (ya que los sumandos en (*)son productos de n elementos de A). Supongamos que ni = n. Si nm 1 todos los ni son uno o cero entonces en (*) hay n! sumandos iguales al monomio xn 1 xm (ya que podemos ordenarlos de ese n umero de maneras). Si digamos n7 es mayor que 1 en

20

Cap tulo 1. Campos

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 on 0! = 1! = 1, nalmente obtenemos la siguiente expresi on conocida como f ormula multinomial. m !n X X n! nm 1 xn xi = 1 xm n 1 !...nm ! i= 1 donde la suma a la derecha de la igualdad recorre todas las soluciones en n umeros naturales P de la ecuaci on ni = n. En el caso particular m = 2, haciendo los cambios de variables n = n1 y k = n1 n2 obtenemos (x + y) =
n n 1 +n 2

n! n 1 n 2 X n! x y = xk yn k n ! n ! k ! ( n k ) ! 1 2 =n k =0
n

que es la famosa f ormula del binomio de Newton. Si bien las f ormulas que hemos demostrado parecen ser complicadas los argumentos que llevan a ellas son muy sencillos. Es importante lgebra lineal a profundidad que el estudiante que desee estudiar el a 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 t co m as renombrado de todos los tiempos. Fundador de la mec ani ptica y el c ca, la o alculo diferencial. Sus tres leyes de la mec anica fundaron la base de la ingenier a que llev o a la revoluci on industrial. La expansi on de ij Ahora deduciremos otra consecuencia de la forma general de la ley distri Y X butiva que usaremos mucho m as adelante. Supongamos que N es un conjunto 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 as c omodo es pensar que el conjunto N es {1, . . . , n} y expresar la forma 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 j n N iN

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

Secci on 1.7

Polinomios sobre campos

21

todas las funciones de N en N. Luego, en estas notaciones nalmente obtenemos XY YX ij = if(i)

iN jN f N N iN

que es una f ormula que ya no depende de cual es el conjunto N. Debemos recalcar una vez m as que todo lo dicho en esta secci on es v alido para cual quier campo, sea este R, C, Q, Zp o cualquier otro campo que a un no conoscamos. Esta es la ventaja intr nseca de la abstracci on. No tenemos que demostrar el teorema de Pit agoras para tri angulos de acero, madera, etc. Estas propiedades no tienen nada que ver con que el 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 umeros son reales o complejos u otros. Solo basta que nuestros n umeros formen un campo.
Un lector atento, podr a observar que en las pruebas de todas las f ormulas en ning un momento usa mos la existencia de inversos en el campo. Luego, estas son v alidas en cualquier anillo conmutativo. A diferencia de las matem aticas elementales en matem aticas superiores, por aritm etica se entiende el estudio de las propiedades de divisibilidad en anillos. En este sentido, la aritm etica de campos es trivial ya que todo elemento se divide entre cualquier otro no nulo.

1.7 Polinomios sobre campos

Hay muchas maneras de ver los polinomios. La manera m as sencilla de ver n los es que un polinomio de grado n en la literal x es una expresi on formal del X ai xi tipo en el recuadro a la derecha donde los coecientes a0 , ..., an son elementos i =0 de cierto campo K y an 6= 0. Al coeciente an se le llama coeciente principal del polinomio. Suma y producto de polinomios Aunque el lector seguramente conoce las deniciones de suma y producto de polino mios, nos parece apropiado recordar e de las mismas. Si interpretamos a x como un P el porqu elemento del campo K entonces, ai xi tambi en es un del campo K. Esto quiere P elemento i decir que un polinomio dene una funci on K 3 x 7 ai x K y en esta interpretaci on x no es una literal sino una variable. Siendo esta interpretaci on de los polinomios fundamental, necesitamos que la suma y producto de polinomios concuerde con la denici on de suma y producto de funciones (f + g) (x) = f (x) + g (x), (fg) (x) = f (x) g (x). Por esto, tenemos n n n n X X X i X ai xi + bi xi = (ai + bi ) xi ai x + bi xi =
i= 0 i =0 i =0 i =0

donde la primera igualdad se da por asociatividad y conmutatividad y la segunda por distri butividad. O sea, interpretamos al polinomio como la imagen por la funci on de evaluaci on de la variable x que toma sus valores en el campo. Para el producto, usando la forma general

22

Cap tulo 1. Campos

m n(n,k )

donde la segunda igualdad se obtiene haciendo el cambio de variable k = i + j y usando aso ciatividad, conmutatividad y distributividad. Se puede saber sumar y multiplicar polinomios sin saberse estas f ormulas. Lo importante es saber aplicar sistem aticamente asociatividad, conmutatividad y distributividad para obtener el resultado deseado. El conjunto de todos los polinomios sobre un campo arbitrario K forma un anillo conmutativo (para ser campo solo le falta la existencia de inversos multiplicativos). A este anillo se lo denota por K [x]. Divisi on de polinomios Divisi on con Resto de Polinomios Sean p y q dos polinomios. Existen polinomios c y r tales que 1. p = cq + r 2. El grado de r es estrictamente menor que el grado de q. P P Prueba. Sea p = ai xi un polinomio de grado n y q = bi xi un polinomio de grado m. Si n < m entonces poniendo c = 0 y r = p terminamos. Supongamos m n. Entonces, sacando cuentas nos podemos convencer xn m an de que p = c1 q + r1 donde c1 y r1 son los polinomios en los recuadros. c1 = bm El grado de r1 es menor que el grado de m 1 n 1 P P p. Si el grado de r1 es menor que el grado r1 = ai xi c1 bi xi de q entonces ya terminamos, si no entonces, haciendo los i =0 i= 0 mismos c alculos podemos escribir r1 = c2 q + r2 y vamos disminuyendo el grado de ri hasta que este sea menor que el grado de q. Luego, hay un i tal que p = (c1 + ... + ci )q + ri y el grado de ri es estrictamente menor que el grado de q. Al polinomio c = c1 + ... + ci se le llama cociente de p entre q; al polinomio r = ri se le llama resto de p entre q. Factores y raices Sean p y q dos polinomios. Si existe un polinomio c tal que p = cq entonces se dice que q divide a p, o que q es un divisor de p, o que p es un multiplo de q. Obviamente, cualquier polinomio de grado cero divide a cualquier otro polinomio (en un campo hay inversos). Diremos que q esP un factor de p si q divide a p y el grado de q es al menos uno. i Sea p (x) = Pn i=0 ai x un polinomio en K [x] . Sea b un elemento arbitrario del cam n po. Obviamente i=0 ai bi es tambi en un elemento del campo ya que la suma, la multi plicaci onP y las potencias est an bien denidas en un campo arbitrario. Es natural denotar i p (b) = n on K 3 b 7 p (b) K llamada la funci on de i=0 ai b . Esto nos da una funci

de la ley distributiva tenemos n ! m ! n n + m m X X XX X ai xi bj xj = ai bj xi+j =

i= 0 j=0 i= 0 j= 0 k =0

i=m ax(0,k m )

ai bki xk

Secci on 1.7

Polinomios sobre campos

23

evaluaci on del polinomio p. Los ceros de esta funci on son las raices del polinomio p, o sea son los elementos del campo b tales que p (b) = 0. Al conjunto de todas las raices de p lo llamaremos nucleo de p y lo denotaremos por Ker p (en ingl es nucleo es kernel). Las raices y los factores de un polinomio est an enlazados por el siguiente resultado: Para que b sea una ra z de p es necesario y suciente que (x b) sea un factor de p. Prueba. Dividamos con resto p entre (x b). Sean c y r tales que p (x) = c (x) (x b)+ r. Como (x b) es de grado uno r tiene que ser de grado cero. Evaluando en b obtenemos p (b) = c (b) (b b) + r = r. Luego, si b es ra z entonces, r = 0 y rec procamente. Sea b una ra z del polinomio p. Si n 1 es el mayor natural tal que (x b)n es factor de p entonces a n se le llama multiplicidad de la ra z b. Es muy inc omodo trabajar con el concepto de multiplicidad. Por ejemplo, tomemos la armaci on: Si b1 y b2 son dos raices del polinomio p entonces (x b1 ) (x b2 ) es un factor de p. Esta armaci on es cierta no solo para cuando b1 6= b2 sino tambi en cuando son iguales pero la ra z tiene multiplicidad mayor que 2. Es mucho m as c omodo pensar que si una ra z tiene multiplicidad n entonces hay n diferentes raices todas del mismo valor. Este abuso del lenguaje ser a com un en este libro y a partir de ahora no tendremos necesidad de usar continuamente el concepto de multiplicidad. Le dejamos al lector interesado la desagradable tarea, de ajustar los hechos expuestos a un lenguaje m as riguroso. Ahora el nucleo de un polinomio no es exactamente un conjunto sino una colecci on de elementos del campo en la cual puede haber elementos repetidos. As por ejemplo tenemos Ker x3 6x2 + 9x 4 = {1, 1, 4}. Ajustada nuestra terminolog a, podemos establecer una importante consecuencia del resultado anterior. Un polinomio de grado n tiene a lo m as n raices. Prueba. Si elQ polinomio p tiene como raices a b1 , . . . , bn +1 entonces p tiene, por 1.15, +1 como factor a n i=1 (x bi ) que es un polinomio de grado n + 1. Esto contradice que p tiene grado n. Ideales de polinomios Un conjunto I de polinomios se llama ideal si se cumplen las dos siguientes propiedades: 1. Si p, q I entonces p + q I, 2. Si p I entonces para cualquier polinomio r K [x] tenemos que rp I.

En otras palabras, la suma es una operaci on binaria dentro del ideal y cualquier m ultiplo de un elemento del ideal tambi en est a en el ideal. Los ideales m as sencillos son los que

24

Cap tulo 1. Campos

se forman tomando todos los m ultiplos de un polinomio jo p. Si qp y q0 p son dos tales 0 m ultiplos entonces qp + q p = (q + q0 ) p tambi en es un m ultiplo de p. Esto demuestra la propiedad 1. La propiedad 2 se cumple obviamente. Estos ideales se les llama ideales principales. Lo asombroso es que todo ideal es as . Todo ideal de polinomios es principal. Prueba. Sea I un ideal. Sea ahora m un polinomio no nulo de grado m nimo tal que m I y denotemos por el conjunto de todos los m ultiplo de m o sea, Im = {m | K [x]}. Por la propiedad 1 se tiene que Im I. Probemos que Im = I. Efectivamente, si g I entonces dividiendo g entre m obtenemos polinomios , r tales que g = m + r donde el grado de r es menor que el grado de m o r es nulo. Tenemos r = g m y por las propiedades 1 y 2 esto signica que r I. De la minimalidad del grado de m obtenemos r = 0. y por lo tanto g Im . Esto prueba que Im = I o sea, que I es principal. Teorema de Bezout Sean p y q dos polinomios sin factores comunes. Existen polinomios y tales que p + q = 1. Prueba. Denotemos por Ipq = {p + q | , K [x]}. Probemos que Ipq es un ideal. Veamos primero que la suma de elementos de Ipq est a en Ipq . Efectivamente, 0 0 0 (p + q) + ( p + q) = ( + ) p + ( + 0 ) q = 00 p + 00 q ultiplos de los donde 00 = ( + 0 ) y 00 = ( + 0 ). Ahora, comprobemos que los m 0 elementos de Ipq est an en Ipq . Tenemos, (p + q) = p + q = p + 0 q donde 0 = y 0 = y con esto concluimos que Ipq es un ideal. Como todo ideal de polinomios es principal, existe m tal que Ipq = {m | K [x]}. Como p, q Ipq , existen polinomios y tales que p = m y q = m. Como p y q no tienen factores comunes, esto signica que m es de grado cero y por lo tanto Ipq = K [x]. En particular, 1 Ipq .

Ejercicio 29 Demuestre el teorema de Bezout para Z: Sean p y q dos enteros sin factores
comunes. Entonces, existen dos enteros y tales que p + q = 1. [128] poca sobre todo por los Etienne Bezout (Francia, 17301783). Famoso en su e seis vol umenes de su libro de texto Cours complet de math ematiques a ` lusage de marine et de lartillerie que por muchos a nos fueron los libros que estudia ban los que aspiraban a ingresar a la Ecole Polytechnique. Su investigaci on matem atica la dedic o al estudio de los determinantes y de las soluciones de ecuaciones polinomiales.

Secci on 1.7

Polinomios sobre campos

25

Unicidad de la factorizaci on en irreducibles. Al descomponer un polinomio en factores causan muchos problemas de escritura los di visores que no son factores o sea, los polinomios de grado cero. Por esto es conveniente introducir la siguiente denici on. Un polinomio se le llama m onico si su coeciente prin cipal es 1. La ventaja de trabajar con polinomios m onicos es que cualquier polinomio p se descompone como p0 donde es su coeciente principal y p0 es m onico. Luego, para descomponer p en factores, solamente nos tenemos que jar en los factores m onicos de p0 . Diremos que un factor q es factor propio del polinomio m onico p, si q es m onico y p 6= q. Un polinomio se le llama irreducible si este es m onico, tiene grado mayor que 1 y no tiene factores propios. En otras palabras, cuando no se puede descomponer no trivialmente en producto de dos factores. Cualquier polinomio p se puede descomponer como p1 p2 . . . pn donde es su coeciente principal y p1 pn son polinomios irreducibles. La prueba de esto es obvia. Si un polinomio no es irreducible puedo descomponerlo en producto de dos factores. Si estos factores no son irreducibles puedo descomponer en factores cada uno de ellos y as sucesivamente llegamos a factores irreducibles. Lo que no es inmediato es que esta descomposici on es unica. Bueno, casi. Si reordena mos los factores, gracias a la conmutatividad del producto, obtenemos otra descomposici on. nico que podemos hacer El sentido preciso de unicidad en este caso es que, reordenar es lo u para obtener otra descomposici on. Para obtener la demostraci on de esto primero necesitamos un sencillo lema de divisibilidad de polinomios. Sean p y q dos polinomios y r un factor de pq. Si r y q no tienen factores comunes entonces r es factor de p. Prueba. Como r y q no tienen factores comunes entonces, por el Teorema de Bezout, existen y tales que r + q = 1 y de aqu p = rp + pq. Como ambos sumandos a la derecha se dividen entre r entonces, p tambi en se divide entre r. Teorema de Factorizaci on de Polinomios Cualquier polinomio p se descompone como p1 p2 . . . pn donde es su coeciente principal y p1 pn son polinomios irreducibles. Esta descomposici on es u nica salvo el orden de los factores. Prueba. Solamente debemos probar la unicidad. Adem as, sacando como factor el coecien te principal podemos suponer que p es m onico. Si p es de grado 1 entonces no hay nada que nica descomposici probar ya que entonces p es irreducible y la u on de p es el mismo. Completemos la demostraci on por inducci on en el grado del polinomio. Para esto supon gamos que el teorema es cierto para cualquier polinomio de grado estrictamente menor que k y probemos el teorema para los polinomios de grado k.

26

Cap tulo 1. Campos

Supongamos que el polinomio m onico p de grado k tiene dos descomposiciones en irre ducibles p1 . . . pn = p01 . . . p0m . Si hubiera un pi igual a un p0j entonces para p/pi = p/p0j tenemos dos descomposiciones que por hip otesis de inducci on son iguales salvo orden. 0 Luego, podemos suponer que p1 es diferente de todos los pi . Como pn y p01 son irredu cibles y distintos entonces no tienen factores comunes. Por 1.18 el polinomio p01 es un factor de p1 . . . pn 1 . Repitiendo este argumento llegamos a que p01 es factor de p1 p2 . Y hacien do una vez m as el mismo argumento, llegamos a que p01 es factor de p1 . Como ambos son irreducibles, esto signica que p01 = p1 lo que es una contradicci on. Desarrollo de Taylor Brook Taylor (Inglaterra 16851731). Entre las contribuciones de este matem atico, se destacan: La invenci on de la rama de las matem aticas que hoy en d a se conoce como C alculo en Diferencias, la invenci on de la integraci on por partes, y la f ormula llamada por su nombre. En 1772 Lagrange proclam o esta f ormula como el principio b asico del c alculo diferencial. A esta f ormula, enunciada en la siguiente proposici on, se le llama Desarrollo de Taylor alrededor del punto x0 . Como el lector sabe de los cursos de c alculo, este desarrollo es mucho m as general y se cumple en cierta clase de funciones. Sin embargo para polinomios, su demostraci on es independiente del campo y puramente algebraica (no requiere del concepto de continuidad). Desarrollo de Taylor Para cualquier polinomio p (x) y cualquier elemento del campo x0 existen unos u nicos coecientes 0 , 1 , . . . , n tales que p (x) = 0 + 1 (x x0 ) + + n (x x0 )n . P Prueba. Sea p (x) = ak xk un polinomio de grado n. Si x0 = 0 entonces, k = ak . Supongamos que x0 6= 0. Por el binomio de Newton tenemos n ! j n n n X X X X X j j xk (x0 )jk = (x0 )jk j xk j (x x0 )j = j k k j= 0 j =0 k=0 k=0 j =k

y para encontrar nuestros coe j tenemos para k {0, . . . , n} las igualdades ak = cientes Pn jk j = k (x0 ) . Observese que bkk = 1 por lo que despejando ob j=k bkj j donde bkjP es n 1 y tenemos k = ak n j=k +1 bkj j por lo que podemos hallar n = an despu as sucesivamente todos.

j i (1)jk k es igual a la funci on delta j de Kronecker ik o sea, es cero si i 6= k y es uno si i = k. [128]

Ejercicio 30 Demuestre que la expresi on

Pi

j= k

Secci on 1.8

Polinomios complejos. Teorema de Gauss

27

i j i mio ak xk son iguales a j = n i=j j ai x0 . Sugerencia: Use la identidad del ejercicio P anterior para demostrar que ak = n b . Donde los bkj son los denidos en la prueba Pn j=k kj j Pn se deduce f acilmente que j = j . anterior. Luego j=k bkj j = j=k bkj j y de aqu

Ejercicio 31 Demuestre que los coecientes j del Desarrollo de Taylor (1.20) del polino P P

1.8 Polinomios complejos. Teorema de Gauss

En esta secci on demostraremos que el campo de los n umeros complejos es algebraica mente cerrado. Como esta demostraci on no es algebraica sino anal tica necesitaremos in troducir algunos conceptos b asicos de an alisis complejo. Para esto, presupondremos que el lector conoce los correspondientes conceptos de an alisis real. Si bi en, el contenido de esta secci on no es b asico para la com lgebra lineal, por otro lado, si es fundamental que prensi on del a el lector conosca a la perfecci on el enunciado del teorema de Gauss: todo polinomio complejo de grado al menos 1 tiene una raiz. Johann Carl Friedrich Gauss (Alemania 19771855) fu e el poca. Este teorema que lleva su m as grande matem atico de su e nombre fu e demostrado por primera vez en su tesis doctoral (1799). Este teorema es tambi en conocido como el teorema lgebra. En este libro tendremos ocaci fundamental del a on de mencionar otros resultados de Gauss y cualquiera que se de dique a estudiar matem aticas, estad sticas, f sica o astronom a oir a de este cient co en m as de una ocaci on. Forma polar. Igualdad de Moivre Todo n umero complejo z se puede representar en la forma polar z = r (cos + i sin ) donde r es la longitud del vector 0z en el ngulo que forma dicho vector con el eje real plano complejo y es el a de este plano (vease la gura). Al n umero r se le llama m odulo del ngulo se le n umero complejo y es com un que se denote por kzk. Al a llama argumento del n umero complejo. La forma polar hace mucho m as f acil calcular el producto y las potencias de n umeros complejos. Para hallar el producto de dos n umeros complejos hay que multiplicar sus m odulos y sumar sus argumentos.

r r cos

r sin

28

Cap tulo 1. Campos

Prueba. Sean r (cos + i sin ) y (cos + i sin ) dos complejos. Tenemos r (cos + i sin ) (cos + i sin ) = r ((cos cos sin sin ) + (cos sin + cos sin ) i) = r (cos ( + ) + i sin ( + )) que es lo que se necesitaba probar. Aplicando este resultado al caso de la potencia de n umeros complejos obtenemos la igualdad mostrada en el recuadro a la izquierda. Esta igualdad se conoce como la Igualdad de Moivre. Una de sus consecuen cias m as importantes es el siguiente resultado. zn = rn (cos n + i sin n) Los polinomios zn a tienen exactamente n raices complejas. n + i sin n). Para k {0, 1, ..., n 1} denotemos xk el n ume Prueba. Sea a = rn (cos n ro complejo con m odulo r y argumento ( + 2k ) /n . Por la Igualdad de Moivre tenemos n + 2k + 2k n n xk = cos n + i sin n = r (cos + i sin ) = a r n n que es lo que se necesitaba probar.

Ejercicio 32 Pruebe que el conjunto de raices complejas del polinomio zn 1 es un grupo

para el producto. Que grupo es este? [128] Abraham de Moivre (Francia 16671754). Uno de los fundadores de la Geometr a Anal tica y de la Teor a de las Probabilidades. A pesar de su exelencia cient ca, nunca tuvo la oportunidad de tener un puesto en alguna universidad. Sus ingresos proven an de dar clases privadas de Matematicas y muri o en la pobreza. Moivre tambi en es famoso por haber predicho el d a de su muerte. Descubri o que dorm a 15 minutos m as cada noche y suman do la progresi on aritm etica calcul o que morir a en el d a que dormir a 24 horas. Tuvo raz on! Continuidad Una funci on f : C C es continua en el punto z0 si para todo real positivo existe otro real positivo tal que se cumple que (kz z0 k < ) (kf (z) f (z0 )k < ). Una funci on continua en todo punto del plano complejo se le llama continua. La funci on m odulo z 7 kzk es continua.

Prueba. Veamos la desigualdad kz z0 k kkzk kz0 kk. Esta desigualdad es equivalente a la siguiente: En un tri angulo el valor absoluto de la diferencia de dos de sus lados siempre

Secci on 1.8

Polinomios complejos. Teorema de Gauss

29

es menor o igual que el tercero. La prueba de esta la dejaremos en calidad de ejercicio. Por esta desigualdad, tenemos que > 0 = tal que si kz z0 k < entonces, kkzk kz0 kk kz z0 k < y esto prueba nuestra tesis.

Ejercicio 33 Pruebe que en un tri angulo el valor absoluto de la diferencia las longitudes de
dos de sus lados siempre es menor o igual que la longitud del tercero. [128]

La suma y el producto de funciones continuas en un punto z0 son continuas en el punto z0 . Prueba. Sean f y g funciones continuas en z0 . Con el objetivo de ahorrar espacio denotemos fz = f (z), f0 = f (z0 ), gz = g (z) y g0 = g (z0 ). Para todo > 0 existen 1 y 2 tales que (kz z0 k < 1 ) (kfz f0 k < ) (kz z0 k < 2 ) (kgz g0 k < ) y en particular para el m nimo (que llamaremos ) de 1 y 2 se cumplen las dos desigualda des a la derecha. Sumando y aplicando la desigualdad del tri angulo obtenemos: = 2 > kfz f0 k + kgz g0 k kfz f0 + gz g0 k = k(f + g) (z) (f + g) (z0 )k Luego, para todo > 0 existe tal que (|z z0 | < ) |(f + g) (z) (f + g) (z0 )| < con lo que se prueba que la suma de continuas es continua. Por otro lado, por la desigualdad del tri angulo y 1.21 tenemos k(fg) (z) (fg) (z0 )k = kfz gz f0 g0 k = k(fz f0 ) (gz g0 ) + (fz f0 ) g0 + (gz g0 ) f0 k kfz f0 k kgz g0 k + kfz f0 k kg0 k + kgz g0 k kf0 k < < 2 + |g0 | + |f0 | < (1 + |g0 | + |f0 |) = c = ltima desigualdad se da para < 1. Como c es una constante que no depende de z donde la u obtenemos que para todo > 0 existe tal que (|z z0 | < ) |(fg) (z) (fg) (z0 )| < lo que prueba que el producto de continuas es continua. Para cualquier polinomio complejo p la funci on de evaluaci on C 3 z 7 p (z) C es continua.

Prueba. La funci on de evaluaci on de un polinomio se obtiene usando sumas y productos de funciones constantes y la funci on identidad f (z) = z. Estas funciones son continuas y de 1.24 obtenemos la prueba. Sea g una funcion continua en el punto z0 y f una funci on continua en el punto g (z0 ) entonces, la composici on f g es continua en el punto z0 .

30

Cap tulo 1. Campos

Prueba. Por la continuidad de f en g (z0 ) tenemos que > 0 (kz g (z0 )k < ) kf (z) f (g (z0 ))k < . Por otro lado, de la continuidad de g en z0 sabemos que > 0 0 (ky z0 k < 0 ) kg (y) g (z0 )k < . Componiendo estas dos propiedades obtenemos > 0 0 (ky z0 k < 0 ) kf (g (y)) f (g (z0 ))k < que es lo que necesitabamos. El m odulo de un polinomio es una funci on continua. Prueba. Por 1.26 y porque los polinomios y el m odulo son funciones continuas. L mite de sucesiones complejas mite z = a + bi si las Una sucesi on de n umeros complejos {zj } = {aj + bj i} tiene l sucesiones reales {aj } y {bj } tienen l mites a a y b respectivamente. Esto es equivalente a que los m odulos y los argumentos de la sucesi on converjan al m odulo y al argumento del l mite. Tambi en, esto es equivalente a que > 0 N tal que k > N kzk zk < . Una sucesi on es convergente si esta tiene l mite. Por una propiedad an aloga para las sucesiones reales se tiene que toda subsucesi on de una sucesi on convergente es convergente y converge al mismo l mite. Una sucesi on {zj } = {aj + bj i} es acotada si ambas sucesiones {aj } y {bj } son acotadas. Esto es equivalente a que la sucesi on real {kzj k} sea acotada. Es claro que una sucesi on no acotada no puede tener l mite. Tambi en, que toda sucesi on acotada tiene una subsucesi on convergente pues esta misma propiedad se cumple para sucesiones reales. Expongamos otras dos propiedades que son un poco m as dif ciles de probar. Sea f una funcion continua en z0 y {zk } una sucesi on de n umeros m f (zk ) = f (l m zk ). complejos que converge a z0 . Entonces, l on tenemos que > 0 (kz z0 k < ) Prueba. Como f es continua en z0 , por denici (kf (z) f (z0 )k < ). Supongamos que l m zk = z0 entonces, > 0 N (k > N) (kzk z0 k < ) .De transitividad de la implicaci on obtenemos que > 0 N (k > N) kf (zk ) f (z0 )k < y esto quiere decir que l m f (zk ) = f (z0 ). Si {zk } es no acotada y p es un polinomio de grado al menos 1 entonces, la sucesi on {kp (zk )k} es no acotada. Prueba. Sea p (z) un polinomio de grado n > 1. Por la desigualdad triangular, tenemos n n n 1 X X i X i n kai k kzk = kan k kzk + kai k kzki kan k kzkn kp (z)k ai z = Como {zk } no es acotada, tampoco lo son {kan k kzk kn } y {kp (zk )k}.
i= 0 i =0 i =0

Secci on 1.8
Teorema de Gauss

Polinomios complejos. Teorema de Gauss

31

Ya estamos listos para demostrar el Teorema de Gauss pero antes, veamos un resultado preliminar que hace la mayor a del trabajo. Sea p un polinomio complejo de grado al menos 1. Si z0 no es una raiz de p entonces, existe z C tal que kp (z)k < kp (z0 )k. Prueba. Hagamos el desarrollo de Taylor de p (z) alrededor del punto z0 . Tenemos n n X X p (z) = j (z z0 )j = p (z0 ) + j (z z0 )j
j =0 j =1

ya que 0 = p (z0 ) . Sea k el primero de los {j | j > 0} diferente de cero y escojamos z = z0 + t donde es una (ve ease 1.22) de las raices de la ecuaci on xk + p (z0 ) /k = 0 y t es un real tal que 0 < t < 1 que deniremos despues. Por la denici on de , z y k tenemos n n X X k k j j k j t = p (z0 ) t + j j tj p (z) p (z0 ) = k t +
j= k +1 j =k +1

n X j jk donde q (t) denota el polinomio (con coecientes re j t ales) del recuadro a la derecha. Observemos que se cum kp (z0 )k + j =k +1 ple la desigualdad q (0) = kp (z0 )k < 0. Por continuidad (de los polinomios reales) existe un t0 > 0 sucientemente peque no tal que q (t0 ) < 0. Luego, kp (z0 + t0 )k kp (z0 )k + tk q ( t ) < k p ( z ) k . 0 0 0

y por lo tanto, de la desigualdad del tri angulo obtenemos: n X j j k j t = kp (z0 )k + tk q (t) kp (z)k 1 t kp (z0 )k +
j =k +1

Ejercicio 34 Donde se usa en la demostraci on anterior que t < 1? [128]

Teorema de Gauss Todo polinomio de grado mayor que cero tiene al menos una raiz compleja. Prueba. Sea p un polinomio. Denotemos A = {kp (z)k : z C}. El conjunto A es un conjunto de reales acotado inferiormente pues kp (z)k 0. Luego (por un teorema cl asico de an alisis matem atico), A tiene un nmo que denotaremos por . Demostremos que es el m nimo o sea, que A. Como es nmo hay una sucesi on {aj } de elementos de A que converge a y por lo tanto hay una sucesi on de complejos {zj } tales que l m kp (zj )k = . Si la sucesi on {zj } no estuviera acotada entonces, por 1.29 la

32

Cap tulo 1. Campos

sucesi on {kp (zj )k} tampoco lo ser a lo que contradice que esta sucesi on converge a . Luego, {zj } es acotada y podemos escoger una subsucesi on convergente que podemos suponer la misma. Denotemos y = l m zj . Como el m odulo de un polinomio es una funci on continua entonces, por 1.28 tenemos = l m kp (zj )k = kp (l m zj )k = kp (y)k. Luego, A. Si 6= 0 entonces, por 1.30 existir a un y0 tal que kp (y0 )k < kp (y)k = lo que contradice que es el m nimo de A. Luego, kp (y)k = 0 y por lo tanto p tiene una raiz.

1.9 Factorizaci on de polinomios complejos y reales

En esta secci on utilizaremos el teorema de Gauss para averiguar cuales son todos los polinomios irreducibles con coecientes complejos y los polinomios irreducibles con coe cientes reales. Esto nos dar a la posibilidad de encontrar la descomposici on en factores ( unica salvo orden de los factores) de los polinomios complejos y reales. Caso Complejo Clasicaci on de los polinomios complejos irreducibles Los polinomios complejos irreducibles son exactamente los m onicos de grado uno. Prueba. Al absurdo supongamos que un polinomio irreducible tiene grado mayor que uno. Por el Teorema de Gauss (1.31) este polinomio tiene una ra z . Por 1.14 el polinomio se divide entre (x ) y esto contradice que el polinomio es irreducible. Este resultado nos da la posibilidad de factorizar completamente los k Q polinomios complejos. Por el Teorema de Factorizaci on de Polinomios an (x j )n j (1.19) cada polinomio complejo p (x) se tiene que descomponer como j =1 en el recuadro a la izquierda. En esta f ormula, an es el coeciente prin cipal del polinomio. Los complejos P j son las diferentes raices de p (x). El natural nj es la multiplicidad de la ra z j y n = ni es el grado de p (x). Nuevamente, por el Teorema de nica salvo orden de los factores. Factorizaci on de Polinomios (1.19) esta descomposici on es u Caso real Recordemos que si a + bi es un n umero complejo entonces el comple su complejo conjugado es a bi. Denotaremos por z jo conjugado del n umero complejo z. Es f acil comprobar que la operaci on de conjugaci on cumple las propiedades del recuadro a la derecha.

=z 1. z R z +u 2. z + u = z u 3. zu = z

Ejercicio 35 Demuestre estas propiedades de la conjugaci on compleja. [128]

Secci on 1.9

Factorizaci on de polinomios complejos y reales

33

Sea p un polinomio con coecientes reales y una ra z es tambi compleja de p. Entonces en una ra z de p. P on tenemos Prueba. Como es ra z de p = ai xi y por las propiedades de la conjugaci X X X = i = i 0=0 ai ai ai i = Clasicaci on de los polinomios reales irreducibles Si p es un polinomio real irreducible entonces p es de la forma x o es de la forma (x a)2 + b2 con b 6= 0. Prueba. Si p es de grado 1 entonces necesariamente es igual a x para cierto n umero real . Si p es de grado 2 entonces por el teorema de Gauss este tiene un factor x para cierto complejo. Si fuera real esto contradecir a que p es irreducible. Luego, = a + bi con b 6= 0. Por la proposici on anterior a bi tambi en es una ra z de p por lo que p (x) = (x (a + bi)) (x (a bi)) = (x a)2 + b2 Si p es de grado al menos 3 entonces, por el teorema de Gauss este tiene una ra z compleja . Si fuera real entonces x ser a un factor de p. Si = a + bi con b 6= 0 entonces (x a)2 + b2 ser a un factor de p. En ambos casos se contradice la suposici on de que p es irreducible. Ahora, ya podemos descomponer completamente en factores los polinomios con coe cientes reales. Por la Teorema de Factorizaci on de Polinomios (1.19) cada polinomio real p (x) se tiene que expresar como: p (x) = an
k Y j =1 k m ` Y 2 2 (x j ) (x a` ) + b` nj `=1

que es lo que se quer a probar.

En esta f ormula, an es el coeciente principal del polinomio. Los n umeros reales j son las diferentes raices reales de p (x). El n umero natural nj es la multiplicidad de la ra z j . Los n umeros complejos (a` + b` i) y (a` b` i) son las diferentes raices complejas de p (x). El z compleja (a` + b` i). Obviamente, n = n umero natural P P m` es la multiplicidad de la ra ni + 2 m` es el grado de p (x). Nuevamente, por el Teorema de Factorizaci on de nica salvo orden de los factores. Polinomios (1.19) esta descomposici on es u La diferencia fundamental entre los n umeros reales y los n umeros complejos se expresa de manera muy evidente en los resultados de esta secci on. Esta diferencia har a que poste riormente nos sea mucho m as f acil clasicar los operadores lineales en un espacio vectorial complejo que en un espacio vectorial real. En general, todo es m as f acil para los campos que cumplen el Teorema de Gauss o sea, los campos algebraicamente cerrados.

34

Cap tulo 1. Campos

1.10 Campos de fracciones. Funciones racionales

Sea (A, +, ) un anillo conmutativo y denotemos por 0 el neutro aditivo y por 1 el neutro multiplicativo respectivamente . Queremos construir un campo que contenga a A. Esta es una situaci on an aloga a cuando construimos el campo de los racionales Q para que contenga al anillo conmutativo Z . Funcionar a esta misma construcci on en el caso general? Investiguemos para lograr una respuesta. Campos de fracciones Lo primero es denir las fracciones. Consideremos conjun a c = (ad = bc) to de todas las fracciones a/b donde a A y b A \ {0}. Dos b d fracciones las consideraremos iguales si se cumple la igualdad en el recuadro a la derecha.

Ejercicio 36 Demuestre que la igualdad de fracciones es una relaci on de equivalencia.

[129] Ahora, necesitamos denir las operaciones entre fracciones. Primero el pro ducto porque es el m as f acil. Denamos el producto por la f ormula en el re cuadro a la izquierda. Nos tenemos que convencer primero de que esta de nici on es correcta. O sea que si las fracciones son iguales sus productos son iguales. M as precisamente, necesitamos ver que se cumple lo siguiente: a a0 c ac c0 a0 c0 = 0 y = 0 = b b d d bd b0 d0 y efectivamente de las hip otesis de esta implicaci on tenemos ab0 = a0 b , cd0 = c0 d y multiplicando estas dos igualdades obtenemos acb0 d0 = a0 c0 bd, lo que es equivalente a la tesis de la implicaci on. Este producto es conmutativo y asociativo ya que ambas propiedades se cumplen en los numeradores y en los denominadores. La fracci on 1/1 es neutro para el producto y cual quier fracci on a/b donde a 6= 0 tiene inverso multiplicativo b/a ya que ab/ba = 1/1 por la conmutatividad del producto en A. Todo esto signica que el conjunto de fracciones con numerador distinto de cero forman un grupo conmutativo. Denamos ahora la suma de fracciones por la f ormula en el re a c ad + cb + = cuadro a la derecha. Para convencernos que la denici on es correcta b d bd tenemos que probar que las sumas de fracciones iguales son iguales. O sea que: a a0 c ad + cb a0 d0 + c0 b0 c0 = 0 y = 0 = b b d d bd b0 d0 y efectivamente haciendo algunos c alculos inteligentes obtenemos 0 0 0 = (ab0 a0 b) dd0 = (ad + cb) b0 d0 = ab = a b cd0 = c0 d = (c0 d cd0 ) bb0 = 0 = (a0 d0 + c0 b0 ) bd ac ac = b d bd

Secci on 1.10

Campos de fracciones. Funciones racionales

35

que era lo que se necesitaba probar. La comprobaci on de que esta suma es conmutativa es obvia. La asociatividad se com a c u adv + cbv + ubd prueba calculando que + + = b d v bdv independientemente del orden en que se haga la suma. La fracci on 0/1 es neutro para la ltimo es necesario observar suma y cualquier fracci on a/b tiene opuesto a/b (para esto u que 0/1 = 0/v para todo v 6= 0). Luego, el conjunto de todas las fracciones es un grupo abeliano respecto a la suma. Solo nos falta la distributividad para comprobar que las fracciones con las operaciones denidas forman un campo y esto se comprueba con los siguientes c alculos: u a c uad + ucb uad ucb ua uc u a u c + = = + = + = + . v b d vbd vbd vbd vb vd vb vd ltimo observemos que si identicamos al elemento a A con la fracci Por u on a/1 podemos pensar que el anillo A es un subconjunto de las fracciones ya que que la suma y el producto de estas fracciones coinciden con la suma y el producto dentro de A. Hemos hecho todas estas pruebas detalladamente para no equivocarnos al armar que esto que hemos demostrado sirve para cualquier anillo conmutativo. El lector deber a anali zar cuidadosamente cada igualdad en los razonamientos anteriores para convencerse de que todas ellas se desprenden de los axiomas de anillo conmutativo y de las deniciones de las operaciones entre fracciones. Al conjunto de todas las fracciones con las operaciones as de nidas se le llama el campo de fracciones del anillo conmutativo A. MENTIRA, no hay tal campo de fracciones para cualquier anillo conmutativo. Puede usted encontrar el error? Si cree que puede regrese arriba y b usquelo, si no, siga leyendo. El problema es el siguiente. Al denir el producto (a/b) (c/d) = (ac/bd) con b y d distintos de cero supusimos que necesariamente bd es DISTINTO DE CERO. Esto no es cierto en cualquier anillo conmutativo, por ejemplo en Z6 tenemos 2 3 = 0. Si en el anillo hay tales elementos no podemos denir adecuadamente el producto de fracciones (tampoco la suma). Ya vimos, que si un anillo conmutativo es tal que para cualesquiera b y d distintos de cero se tiene que bd es distinto de cero entonces, se dice que este anillo es un dominio de integridad. Ahora si, todo dominio de integridad tiene su campo de fracciones. El ejemplo evidente de dominio de integridad es Z. Su campo de fracciones es Q. Funciones racionales El ejemplo por el cual hemos escrito esta secci on es el siguiente: Todo anillo de polinomios con coecientes en un campo es un dominio de integridad. Prueba. Tenemos que probar que el producto de dos polinomios diferentes de cero es dife

36

Cap tulo 1. Campos

rente de cero (recuerdese que un polinomio cuando todos sus coecientes son cero). P Pm es cero i i Sean p (x) = n a x y q ( x ) = b x dos polinomios cualesquiera de grados n i =0 i i= 0 i P n +m y m respectivamente. Denotemos p (x) q (x) = i=0 ci xi . Por la f ormula del producto de polinomios, tenemos cn +m = an bm . Como an 6= 0, bm 6= 0 y todo campo es dominio de integridad obtenemos cn+m 6= 0 y por lo tanto p (x) q (x) 6= 0.
Observese que en la demostraci on no se us o el hecho de que en el campo K hay inversos multipli cativos. Eso quiere decir que de hecho, hemos demostrado algo mucho m as fuerte: Los anillos de polinomios con coecientes en un dominio de integridad son dominios de integridad.

Como el anillo de polinomios K [x] es un dominio de integridad este tiene su campo de fracciones que se denota por K (x) . N otese la diferencia entre K [x] y K (x). A los elementos de K (x) se les llama funciones racionales (en la variable x). Las funciones racionales son fraciones de polinomios p (x) /q (x) que se suman y multiplican mediante las reglas a las que todos estamos acostumbrados.

Ejercicio 37 Conoce usted un campo innito de caracter stica 2? [129] Ejercicio 38 Que pasa si construimos el campo de fracciones de un campo? [129]

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

2.1 El plano cartesiano

lgebra y la geometr Hubo alg un tiempo, en que el a a eran dos cosas to talmente aparte. Los algebristas trabajaban con n umeros, polinomios, raices, f ormulas, etc. y los ge ometras con puntos, lineas, pol gonos, etc. Ren e Descartes (Francia 15961650) fu e el que tuvo la brillante 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 on de los dos ejes) por tanto, px es simplemente un n umero real. De la px x misma manera py es otro n umero real. As , a cada punto del plano p se le hace corresponder biun vocamente una pareja de n umeros reales (px , py ). Adem as, es conveniente representar cada punto del plano como el segmento 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. Desde ahora denotaremos los vectores por letras latinas en negritas. A diferen cia de estos, los escalares se denotar an por letras latinas y griegas normales.

38 y

Cap tulo 2. Espacios vectoriales

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 etricamen a te no es nada m as que la diagonal del paralelogramo generado por a y b . Del hecho que (R, +) es un grupo abeliano se desprende f acilmente b que nuestro plano cartesiano R2 es tambi en un grupo con respecto a la x suma de vectores. Si a = (ax , ay ) es un vector y un escalar el producto a se dene y 2a como (ax , ay ) . Geom etricamente este producto es aumentar (o reducir) a en un factor el vector a. Si el factor es negativo entonces el resultado apunta en la direcci on opuesta. Si el factor es cero entonces el vector se x degenera al origen de coordenadas. El producto por escalares es distributivo con respecto a la suma (a + b) = a+b de vectores y tambi en con respecto a la suma de escalares o sea ( + ) a =a+a se cumplen las igualdades en el recuadro. Estas dos leyes distri butivas (son diferentes!) se cumplen porque son ciertas en cada coordenada. Adem as, obviamente tenemos que (a) = () a. Todo esto nos dice que el plano cartesiano es nuestro primer ejemplo de espacio vectorial sobre los reales.

Ejercicio 39 Demuestre geom etricamente que la diagonal del paralelogramo generado por
a y b tiene coordenadas (ax + bx , ay + by ). [129] Ejercicio 40 Es la multiplicaci on de un escalar por un vector una operaci on binaria? [129] Ejercicio 41 Cuantas diferentes operaciones hay en (a) y () a? [129] Ejercicio 42 Que es la resta de dos vectores? Cual es su interpretaci on geom etrica?

2.2 Denici on y ejemplos

La primera denici on de espacio vectorial la dio Giuseppe Peano (Italia, 1858 1932), en su libro C alculo Geom etrico publicado en 1888. Pea no es m as conocido por su axiom atica de los n umeros naturales, o por la Curva de Peano que es una inmersi on continua sobreyectiva del inter 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 a denida una operaci on de producto de escalares E1) (a + b) = a + b ( + ) 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.

Secci on 2.2

Denici on y ejemplos

39

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 asico. 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 on se realiza mediante las siguentes tres cadenas de igualdades 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 an marcados con los axiomas por los que son v alidos.

Ejercicio 43 Demuestre que a = 0 = 0 o a = 0. [129] Ejercicio 44 Cual es el m nimo n umero de elementos que puede tener un espacio vecto
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 mayor a de ellos son fundamentales para entender este libro. En particular, introduciremos notaciones b asicas que ser an usadas constantemente. El espacio de nadas Kn 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 a forma sima coordenada de do por todas las nadas (a1 , a2 , ..., an ). Al escalar ai se le llama la ie la nada (a1 , a2 , ..., an ). Luego, una nada tiene n coordenadas. Los vectores ser an las nadas, los escalares ser an los elementos n (a1 , ..., an ) acilmente la suma por coordenadas co de K. En K se introduce f 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 on por escalares tambi en se introduce por coor (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.

40

Cap tulo 2. Espacios vectoriales

El espacio de polinomios K [x] Podemos sumar polinomios, esta suma se hace coe n X ciente por coeciente. Tambi en sabemos multiplicar un a K ai xi | i 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 i mio n on por escalar es la misma i=0 ai x la (n + 1)ada (a0 , a1 , , ..., an ) y la multiplicaci n +1 que en K . Para la suma podemos tener un problema de grados diferentes pero esto P si son i se resuelve agregando sucientes ceros o sea si m b x es otro polinomio con n > m i =0 i 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 un papel en el concepto de espacio vectorial. El espacio de sucesiones KN Dos sucesiones se suman por coordenadas como se muestra en el recuadro. La mutiplicaci on un escalar es tambi en por coordenadas. Los axiomas de espacio vectorial se comprue ban f acilmente. El lector debe observar que los elementos de la sucesi on pueden estar en un campo arbitrario y no ne cesariamente en R como estamos acostumbrados. La noci on de convergencia de sucesiones 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]] 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 i hecho, este ejemplo es el mismo que el del espacio de sucesiones. Cada serie i=0 ai x se determina un vocamente por la sucesi on (a0 , a2 , ..., an , ...) de sus coecientes y no hay di ferencia entre sumar series y sumar las correspondientes sucesiones. Lo mismo pasa con la multiplicaci on por un escalar. Al igual que con los polinomios, el concepto de producto de series no juega ning un papel en el hecho de que K [[x]] sea un espacio vectorial. El espacio de funciones KN Hay una biyecci on natural entre las nadas (a1 , a2 , ..., an ) Kn y las funciones {1, ..., n} 3 vocamen i 7 ai K. Igualmente las sucesiones (a0 , a1 , ..., an , ...) se corresponden biun te con las funciones N 3 i 7 ai K. Ahora, generalicemos estos ejemplos. Si N es un conjunto arbitrario (no necesitamos de operaci on alguna en N) entonces el conjunto de to 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

Secci on 2.2

Denici on y ejemplos

41

comprueban f acilmente. Por ejemplo, la suma de funciones es conmutativa porque para cada 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 as, ya observamos que K [[x]] = KN . El espacio de Nadas KN En lo adelante una funci on en KN se denotar a por N . M as precisamente, N es la funci on que a cada i N le hace corresponder el escalar i . Por ejemplo, on si N = {1, . . . , n}, entonces N = (1 , . . . , n ). La bondad de esta notaci 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 sima coordenada de N . En estas notaciones la suma de dos Nadas diremos que i es la ie sima coordenada de N + N es i + i . El producto escalar es por coordenadas. O sea, la ie sima coordenada de N es i . tambi en es por coordenadas. O sea, la ie 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 an or 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. 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 umero natural. El espacio de Nadas con soporte nito K{N } Sea N KN una Nada. El soporte N es por denici on el conjunto de ndices i tales ndices N es nito entonces, cualquier Nada tiene soporte que i 6= 0. Si el conjunto de nito (porque un subconjunto de un conjunto nito es nito). Sin embargo, si el conjunto de ndices es innito entonces habr a Nadas con soporte innito. Si sumamos dos Nadas de soporte nito el resultado ser a una Nada de soporte nito (porque 0 + 0 = 0). Si multiplicamos una Nada de soporte nito por un elemento del campo el resultado ser a una Nada de soporte nito (porque 0 = 0). Los axiomas de 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 de espacio de Nadas de soporte nito veamos el siguiente. Cada polino Pn ejemplo i mio i=0 ai x determina un vocamente una Nada aN donde ai = 0 si i > n. Esta Nada es de soporte nito. Rec procamente, si aN es una Nada de soporte nito entonces, nece , le podemos hacer sariamente, hay un natural n tal P que ai = 0 para cualquier i > n. As i corresponder a aN el polinomio n voca y las opera i=0 ai x . Esta correspondencia es biun

42

Cap tulo 2. Espacios vectoriales

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{N} = 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 on binaria en K (la suma) y una multiplicaci on por escalares L K K. En este 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 as es que R es un espacio vectorial sobre Q. Este caso es sucientemente l. complicado para que no digamos nada sobre e El espacio de Nadas de vectores EN Ahora, nos debemos preguntar, cual es el m nimo 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 an en un campo entonces, obtenemos un espacio vectorial. Pero esto es pedir mucho. En realidad, solo necesitamos saber sumar las coordenadas y multiplicar cada coordenada por un escalar, o sea, necesitamos que las coordenadas sean vectores. M as precisamente. Sea E un espacio vectorial sobre el campo K. Denotaremos por EN el conjunto de todas las Nadas de E. Si aN y bN son dos elementos de EN entonces, la sima coordenada de aN + bN es ai + bi . Esto lo podemos hacer porque sabemos sumar ie sima coordenada de los elementos de E. Ahora, si es un elemento de K entonces, la ie 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 acilmente debido a que se 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.

Secci on 2.2

Denici on y ejemplos

43

Esta tabla es un elemento del espacio de (N M)adas KN M , o sea, los ndices son M N parejas en el producto cartesiano N M. Esto nos permite identicar K con KN M 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 = KN M = KM N = KN K que el lector debe comparar con (ax )y = axy = ayx = (ay )x para n umeros naturales a, x, y. Desde ahora, para simplicar la notaci on, a una (N M)ada cualquiera la llamaremos NMada. Tambi en, en lugar de usar la notaci on (N M ) para denotar una NMada concreto, usaremos la notaci on NM . A una coordenada de esta NMada la denotaremos ij en lugar de usar la m as complicada (i,j) . En esta notaci on, es m as c omodo pensar que hay dos con 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 jerogl cos chinos), la diferencia es que no hay un orden preestablecido entre los elementos de los conjuntos de ndices por lo que no sabr amos cual columna o rengl on poner primero y cual despu es. Como esta diferencia no es tan importante y para no formar confusi on en la terminolog a desde ahora, a las NMadas los llamaremos NMmatrices. Escribiremos KNM 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 en por coordenadas. Sea NM una NMmatriz. Es costumbre llamarle a las coordenadas ij de NM entra simo rengl das de la matriz. Si i N entonces la Mada iM KM es el ie on de la matriz N sima columna. Al conjunto N se NM . Si j M entonces la Nada Nj K es la je le llama conjunto de ndices de los renglones. An alogamente, al conjunto M se le llama conjunto de ndices de las columnas. 0 0 Si N , M son subconjuntos no vac os 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 on es una submatriz donde |N0 | = 1 y M0 = M o sea una submatriz del tipo iM . Una columna es una submatriz donde |M0 | = 1 y N = N0 o sea una submatriz ltima observaci on acerca de las matrices, es que toda esta terminolog a del tipo Nj . Una u 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 as de dos conjuntos de ndices? Pues es lo mismo. Una NMLada 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.

44

Cap tulo 2. Espacios vectoriales

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 en podemos pensar los tensores 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 on no da para visualizar geom etricamente un arreglo de los elementos del campo dispuestos en un til el manejo algebraico de estos, que tratar cubo de dimensi on grande. Es mucho m as u de visualizarlos. En este contexto, la terminolog a de renglones y columnas se hace inutilizable. Como es l ogico, los tensores con conjuntos de ndices jos forman un espacio vectorial. La suma se hace por coordenadas y tambi en la multiplicaci on por un escalar.

2.3 Subespacios
Sea E un espacio vectorial sobre K. Un subespacio es un conjunto no vac o de vectores que es un espacio vectorial para las mismas operaciones. Un conjunto de vectores F no vac o es un subespacio si y solo si para cualesquiera a, b F y K los vectores a + b y a est an en F. Prueba. Si F es un subespacio de E entonces, por denici on a + b y a est an en F. Rec procamente, sea F un conjunto de vectores de E que cumple las hip otesis. Como la suma de vectores es asociativa y conmutativa en E, tambi en lo es en F. Sea a F (existe por ser F no vac o). Tenemos 0a = 0 F. Adem as b F (1) b = b F. Con esto se comprueba que (F, +) es grupo abeliano. Los axiomas de espacio vectorial se cumplen en F por ser este un subconjunto de E. Uni on e intersecci on de subespacios Ser an la intersecci on (y la uni on) de subespacios un subespacio? La uni on de subespa 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 on de los mismos no es un subespacio ya que por ejemplo (0, 1) + (1, 0) = (1, 1) que no pertenece a la uni on de los dos ejes. Por el contrario, la intersecci on de subespacios si es un subespacio. La intersecci on de un conjunto de subespacios es un subespacio.

Secci on 2.3

Subespacios

45

Prueba. La intersecci on de subespacios nunca es vac a porque cada subespacio contiene al 0. Si a y b son dos vectores en cada uno de los subespacios de un conjunto entonces, a + b tambi en est a en cada uno de los subespacios del conjunto. Lo mismo sucede para a. Combinaciones lineales Veamos unos ejemplos importantes de subespacios. Sea a un vector a no nulo en R2 . El conjunto hai = {a | R} de todos los m ultiplos del vector a es un subespacio de R2 ya que a + a = ( + ) a, y (a) = () a. Geom etricamente, teniendo en cuenta la identicaci on de vectores con los puntos del plano cartesiano, podemos ver que los vectores en este hai espacio son los puntos de la l nea por el origen que pasa por a. 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 etricamente, vemos que este conjunto contiene a la l nea hai que pasa por a y a la l nea hbi que pasa por b. En R3 hay un solo plano que contiene estas dos lineas. Ser a es te plano el subespacio ha, bi? Pues, claro que si. Para cada a punto p de este plano dibujemos la paralela a la l nea hai que p pasa por p obteniendo un punto de intersecci on con la l nea b hbi el cual es b para alg un R. An alogamente, dibujan 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 on. Sea N un conjunto de X vectores. Una combinaci on lineal de N es cualquier vector de la forma que se i i muestra en el recuadro a la derecha. A los escalares i se les llama coecientes iN de la combinaci on lineal. Es posible que no se entienda esta notaci on. El conjunto de ndices es el conjunto de 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 o n lineal de N es un vector de la forma P a + b + c + d. En otras palabras, la notaci on iN i i debe interpretarse as : t omese los vectores de N, cada uno de ellos multipl quese por un escalar y s umese los resultados. Todo esto est a muy bien si el conjunto N es nito. Si N es innito tenemos un problema. 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 umero nito sean cero o sea, que la Nada N cuyas coordenadas son los coecientes de la combinaci on lineal es de soporte nito. Como podemos despreciar los sumandos iguales a cero, tenemos que una combinaci on lineal es siempre una suma de un n umero nito de vectores. El conjunto de todas las combinaciones lineales de N es un subespacio.

46

Cap tulo 2. Espacios vectoriales

umero nito tienen que es una combinaci on lineal de N ya que todoslos ( i + i ) salvo un n P P que ser cero. Lo mismo ocurre con i = i . i iN i iN 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.

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

Prueba. Si F contiene a N entonces, F contiene a todos los m ultiplos de los vectores en N y a todas sus sumas nitas. Luego, cualquier combinaci on lineal de N est a en F. Los siguientes tres conjuntos de vectores coinciden 1. El conjunto de todas las combinaciones lineales de N. 2. La intersecci on de todos los subespacios que contienen a N. 3. El subespacio m as peque no que contiene a N. Prueba. Denotemos por F1 , F2 y F3 a los tres conjuntos del enunciado de la proposici on. Por denici on F1 = hNi. Por la proposici on 2.3 el conjunto F2 es un subespacio que contiene a N y de 2.5 obtenemos que F1 F2 . Por denici on de intersecci on tenemos que F2 F3 . Por denici on, F3 est a contenido en cualquier subespacio que contiene a N y en particular on de conjuntos. F3 F1 . La prueba termina usando la transitividad de la inclusi A cualquiera de los tres conjuntos (son iguales!) de la proposici on anterior se le denota por hNi y se le llama cerradura lineal de N o tambi en el subespacio generado por N. Propiedades de la cerradura lineal La cerradura lineal cumple las siguientes propiedades: N hNi (incremento), N M hNi hMi (monoton a), hhNii = hNi (idempotencia). Prueba. El incremento es inmediato de 2.6.3. Supongamos ahora que N M. Cualquier combinaci on lineal de N es tambi en combinaci on lineal de M (haciendo cero todos los coecientes de los vectores en M\N). Finalmente, por 2.6.3 hhNii es el subespacio m as peque no que contiene a hNi. Como hNi es un subespacio, el m as peque no que contiene a

Secci on 2.4

Bases

47

hNi no puede ser otro que hNi. O sea, hhNii = hNi. En matem aticas las palabras clausura, cerradura y envoltura son sin onimos. Por xito, otros autores le llaman clausura lineal o envoltura lineal a esto con el mismo e nuestro concepto de cerradura lineal. Adem as, es bueno que el lector encuentre el parecido entre el concepto de cerradura lineal y el concepto de cerradura en an alisis (la intersecci on de todos los cerrados que contienen a un conjunto).
En general una funci on que a un conjunto N le hace corresponder otro conjunto hNi y que cumple 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 on de todos los cerrados que contienen al conjunto. En todas las ramas de las matem aticas se encuentran operadores de cerradura.

Ejercicio 45 Demuestre que N es un subespacio si y solo si N = hNi. Ejercicio 46 Demuestre que (x hN yi \ hNi) (y hN xi). [129] 2.4 Bases
Observemos que la denici on de combinaci on lineal de N de termina la funci on fN del recuadro a la izquierda que a ca iN da N ada de soporte nito N le hace corresponder el vector P on no tiene porque que ser sobreyectiva ni inyectiva, depende del con iN i i. Esta funci 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. En esta secci on estableceremos que en todo espacio vectorial existen conjuntos N para los cuales la funci on fN es biyectiva. Este hecho es fundamental, porque en este caso existe la 1 {N } que nos permitir a introducir coordenadas en cualquier espa funci on inversa f N : E K cio vectorial. Es m as, veremos que los conjuntos de vectores para los cuales fN es biyectiva tienen la misma cantidad de vectores. Esto quiere decir que cada vector de E se dene por un cierto n umero de elementos del campo (coordenadas) y que este n umero es independiente 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. K{N } 3 N 7 i i E Conjuntos generadores Primero, lo m as f acil. La imagen de la funci on fN es hNi , la cerradura de N. Diremos que N es un conjunto generador si hNi es todo el espacio o sea, si fN es sobreyectiva. X

48

Cap tulo 2. Espacios vectoriales

Todo sobreconjunto de un conjunto generador es generador.

Los generadores son un ltro

Prueba. Supongamos M N. Por monoton a de la cerradura lineal tenemos hNi hMi. Si hNi es todo el espacio entonces, necesariamente hMi tambi en lo es. Conjuntos linealmente independientes Ahora, veamos cuando fN es inyectiva. Observese que en un lenguaje m as descriptivo, un fN es inyectiva si y solo si se cumple la propiedad 3 del siguiente resultado. Teorema de Caracterizaci on de Conjuntos Linealmente Independientes Sea N un conjunto de vectores. Las siguientes armaciones son equivalentes 1. Cualquier subconjunto propio de N genera un subespacio m as peque no que todo N. 2. Cualquier vector en N no es combinaci on lineal de los restantes. 3. Si dos combinaciones lineales de N son iguales entonces, todos sus coecientes son iguales. 4. Si una combinaci on lineal de N es cero entonces, todos sus coecientes 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. Rec procamente, si 2 no es cierto entonces existe a N tal que a hN\ai. Por incremento N\a hN\ai y como adem as a hN\ai entonces N hN\ai. Por monoton a e idempotencia iP hN\ai lo que contradice 1. P hN P (3 4) Observese que i = i ( ) i = 0 y adem as i i iN i iN i 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 on lineal de N\a. Pasando todos los sumandos hacia un lado de la igualdad obtenemos una combinaci on lineal de N igual a cero con un coeciente distinto de cero. Esto contradice 4. Rec proca mente, si no se cumple 4 entonces hay un vector a N y una combinaci on lineal de N igual a cero y con a 6= 0. Despejando a, obtenemos que a hN\ai. Esto contradice 2.

Ejercicio 47 Busque en la prueba del Teorema de Caracterizaci on de Conjuntos Lineal

mente Independientes (2.9) donde se usa que en los campos hay inversos nultiplicativos. [129] Diremos que un conjunto de vectores N es linealmente independiente si se cumple

Secci on 2.4

Bases

49

alguna (y por lo tanto todas) las armaciones de la proposici on anterior. Los conjuntos de 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 alo 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. Prueba. Sea N M tal que M es LI. Cualquier combinaci on lineal de N es combinaci on lineal de M. Luego toda combinaci on lineal de N igual a cero tiene todos sus coecientes iguales a cero Antes de pasar a la denici on de base, demostremos un peque no resultado que usaremos repetidamente en lo adelante. Lema de Aumento de un Conjunto LI Si N es independiente y N a es dependiente entonces a hNi. Prueba. Si N a es LD entonces, por la caracterizaci on 2.9.4 de los conjuntos LI, hay una combinaci on de N a igual a cero cuyos coecientes no todos son igual a cero. Si el coeciente en a fuera diferente a cero obtendr amos una contradicci on con que N es LI. Luego, el coeciente en a es diferente a cero y despejando a obtenemos a hNi. Bases

La relaci on entre los conjuntos generadores y los conjun tos LI la podemos ver intuitivamente en la gura a la derecha. Aqu est an representados los subconjuntos del espacio E que son generadores o que son LI. Mientras m as arriba m as gran de es el subconjunto. Nuestro inter es ahora se va a concentrar en la franja del centro donde hay subconjuntos que a la vez son generadores y LI. La siguiente proposici on nos dice que esta franja no puede ser muy ancha.

E Conjuntos generadores Conjuntos LI

50

Cap tulo 2. Espacios vectoriales

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.

Teorema de Caracterizaci on de Bases

Prueba. (1 2) Sea N independiente y generador. Sea a / N. Como N es generador a hNi . De la caracterizaci on 2.9.2 de los conjuntos LI se sigue que N a es LD. Luego 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 un subconjunto propio de N fuera generador entonces existir a a N tal que a hN\ai y por la caracterizaci on 2.9.2 de los conjuntos LI esto contradice la suposici on de que N es LI. (3 1) Sea N generador minimal. Si N es LD entonces, por la caracterizaci on 2.9.1 de los conjuntos LI existe subconjunto propio M de N tal que hMi = hNi . Como N es generador entonces M tambi en lo es. Esto contradice la suposici on de que N es minimal. Sea F un subespacio (en particular puede ser todo el espacio). 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. Por el Teorema de Caracterizaci on de Bases (2.12) el ser base es equivalente a ser un conjunto LI lo m as grande posible o ser un conjunto generador lo m as chico posible. Tambi en, el ser base es equivalente a que nuestra funci on fN del principio de esta secci on sea biyectiva. Lema de Incomparabilidad de las Bases Dos bases diferentes no est an contenidas una dentro de la otra. Prueba. Si N M son dos bases diferentes entonces N es un subconjunto propio de M y por el Teorema de Caracterizaci on de Bases (2.12) esto es una contradicci on. 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 otesis del teorema. Sea M un conjunto LI tal que 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 en lo es y por lo tanto M es una base. Nuestra tarea es encontrar un M que es maximal con estas propiedades. Esto es f acil si

Secci on 2.4

Bases

51

el conjunto N es nito. Construyamos M. 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 en alg un momento con el M deseado.

Ejercicio 48 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. [129] Dimensi on Ahora lo que queremos ver es que todas las bases tienen el mismo n umero de vectores. Para probar esto se necesita ver primero una propiedad cl asica de las bases. Propiedad del Cambio de las Bases Si M y N son dos bases entonces, para cualquier a M existe b N tal que (M\a) b es base. 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 ser a combinaci on lineal de M\a. O sea, N hM\ai y por monoton a e idempotencia tendr amos hNi hM\ai . Como hNi es todo el espacio en particular tendr amos 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 X apropiados tales que X x x v = a a + x x b = a a +
x M \ a x M \ a

Como Mb es LI entonces, b no es una combinaci on lineal de M\a y por lo tanto a 6= 0. Luego, podemos despejar a de la primera ecuaci on, substituirla en la segunda y as obtener 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

52

Cap tulo 2. Espacios vectoriales

(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 as An B. Como B es base obtenemos An = B y por lo tanto B tambi en tiene n vectores. Al cardinal de una base (cualquiera) se le llama dimensi on del espacio vectorial. La di mensi on de un espacio vectorial E se denotar a por dim E. Los espacios vectoriales que tienen una base nita se les llama nito dimensionales o de dimensi on nita. Por el contrario, si sus bases son innitas entonces, el espacio vectorial es de dimensi on innita. La teor a de los espacios vectoriales de dimensi on nita es m as sencilla pero m as completa que la de los espacios de dimensi on innita. Para darnos cuenta de que hay muchas cosas que se cumplen en el caso nito dimensional pero no en el caso innito dimensional veamos como ejemplo el siguiente resultado que tendremos m ultiples ocaciones para utilizarlo. 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 en es nita. Como las dimensiones coinciden, el n umero de vectores en N es igual al n umero de vectores en M. 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 alidas en general. Sin embargo, las pruebas generales dependen de un conocimiento m as profundo de la Teor a de Conjuntos que no presuponemos que lo posea el ltima secci lector. A los interesados en esto les recomiendo leer ahora la u on de este cap tulo.

Ejercicio 49 Pruebe que si E un subespacio de F entonces dim E dim F. [130] Ejercicio 50 Encuentre un ejemplo donde no se cumple 2.17. [130]
Bases can onicas 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 as sencillas para

Secci on 2.4

Bases

53

los ejemplos de espacios vectoriales que construimos en la Secci on 2.2. Comenzemos con R2 . Sean e1 = (1, 0) y e2 = (0, 1). Cualquier vector (a, b) en R2 tiene una manera de expresarse como combinaci on lineal de N = {e1 , e2 }. Efectivamente, 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 onica de R2 . Los vectores e1 y e2 se pueden visualizar geom etricamente como los dos vectores de longitud 1 en ambos ejes de coordenadas. Luego, la dimensi on de R2 es 2. Pasemos ahora a Kn . Para cada i en el conjunto de ndices {1, . . . , n} denotemos por ei el vector cuya iesima coordenada es 1 y todas las dem as son cero (recuerde que todo cam po tiene uno y cero). Sea N el conjunto de todos esos vectores. Tenemos (1 , . . . , n ) = P n n nica como combina i=1 i ei y esto signica que cada vector en K se expresa de forma u ci on lineal de N. O sea, N es generador y por la caracterizaci on 2.9.3 de los conjuntos LI el n conjunto N es LI. A la base N se le llama base can onica de Kn . La dimension de K es n. i Veamos el espacio de polinomios K [x]. Sea N el conjunto x | i N . Es claro que nica como combinaci todo polinomio se puede escribir de forma u on lineal nita de N. A la base N se le llama base can onica de K [x]. Luego, K [x] es de dimensi on innita contable. 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 ease Kn ). Para cada i en el conjunto de ndices M denotemos por ei el vector cuya iesima coordenada es 1 y las dem a s son cero. Sea N el conjunto de todos esos vectores. Tenemos 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 onica. La {M } dimensi on de K es el cardinal de N ya que hay una biyecci on entre N y M. 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 onica de KM es la construida en el p arrafo anterior. En el caso de que el conjunto M sea innito entonces el espacio KM no tiene una base can onica. El campo de los n umeros complejos como espacio vectorial sobre los reales tienen como base can onica al conjunto {1, i} y por lo tanto tiene dimensi on 2. Los reales como espacio vectorial sobre los racionales no tienen una base can onica. Todos los espacios que hemos visto que no tienen base can onica son de dimensi on in nita. Sin embargo, no todos los espacios de dimensi on nita tienen una base can onica. El ejemplo m as sencillo de esto es tomar un subespacio de un espacio de dimensi on nita. Si este subespacio es sucientemente general, entonces no hay manera de construir una base can onica del mismo incluso en el caso de que todo el espacio tenga una base can onica.

Ejercicio 51 Demuestre que el conjunto {(x x0 )i | i N} es una base de K [x]. [130] Ejercicio 52 Cual es la base can onica del espacio de las NMmatrices? [130]

54

Cap tulo 2. Espacios vectoriales

2.5 Clasicaci on de espacios vectoriales

En esta secci on veremos que todo espacio vectorial es isomorfo a un espacio de N nico (salvo adas de soporte nito. Para el caso nito dimensional esto quiere decir que el u isomorsmos) espacio vectorial de dimensi on n sobre un campo K que existe es el espacio n de las nadas K . Isomorsmos lineales En el Cap tulo 1 vimos los morsmos de operaciones binarias, grupos, anillos y campos. nica diferencia es que en ellos hay denida una Para los espacios vectoriales es igual, la u operaci on que no es interna del espacio: el producto de un escalar por un vector. Sin embargo esto no presenta mayores dicultades. Sean E y F dos espacios vectoriales sobre el mismo campo f (a + b) = f (a) + f (b) K. Una funci on f : E F se le llama morsmo de espacios f (a) = f (a) vectoriales si para cualesquiera a, b E y cualquier K se cumplen las propiedades del recuadro. A los morsmos de espacios vectoriales tambi en se les llama transformaciones lineales. ltima expresi Esta u on ser a la que usemos porque tiene dos importantes ventajas. Primero, es m as corta que la primera. Segundo es mucho m as antigua, hay mucha m as cantidad de personas que la conoce y por lo tanto facilita la comunicaci on con ingenieros y cient cos de diversas areas.

Ejercicio 53 Demuestre que la composici on de morsmos es un morsmo. [130]

El estudio de las transformaciones lineales lo pospondremos hasta el siguiente cap tulo. Aqu estaremos interesados en los isomorsmos de espacios vectoriales. Una transformaci on lineal f : E F es un isomorsmo de espacios vectoriales o isomorsmo lineal si esta es biyectiva. An alogamente al caso de operaciones binarias tenemos el siguiente resultado: La inversa de cualquier isomorsmo lineal es un isomorsmo lineal. Prueba. Sea K y x, y F. Como f es una biyecci on existen a, b E tales que 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 quer a demostrar. Ya observamos, que los isomorsmos son nada m as que un cambio de los nombres de los elementos y las operaciones. Esto quiere decir que cualquier propiedad debe conservarse al aplicar un isomorsmo. La siguiente proposici on es un ejemplo de esta armaci on.

Secci on 2.5

Clasicaci on de espacios vectoriales

55

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 as! xE Como smo tenemos , y = f (x) F.! f es isomor! X X X i i = x i f (i) = y j j = y
i M 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 on lineal de M y por la equivalencia anterior el vector y es combinaci on lineal de N. Luego, si M es generador entonces N tambi en lo es. Supongamos que M es LI entonces, poniendo ! x = 0 obtenemos ! X X i i = 0 j j = 0
iM j N

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

Ejercicio 54 Demuestre que los isomorsmos conmutan con el operador de cerradura lineal
y que trasforman subespacios en subespacios de la misma dimensi on. Coordinatizaci on Sea N un conjunto de vectores del espacio vectorial F. Al principio de la secci on ante rior introducimos la funci on fN que a cada Nada de soporte nito le hace corresponder la combinaci on lineal cuyos coecientes son dicha Nada. Esta funci on es siempre una trans formaci on lineal ya que X X X fN (N + N ) = (i + i ) i = 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 1 {N } es un isomorsmo lineal llamado de que N sea una base, la funci on inversa f N : F K coordinatizaci on de F mediante la base N. En otras palabras, si N es una base de F, y x es P nica Nada N K{N } tal que x = iN i i. En este un vector de F entonces, existe una u caso, a los coecientes i se les llama coordenadas de x en la base N.

56 Clasicaci on

Cap tulo 2. Espacios vectoriales

Se dice que dos espacios son isomorfos si existe una funci on que es un isomorsmo entre ellos. No hay ninguna raz on (por ahora) para que deseemos distinguir dos espacios 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 on. Dos espacios vectoriales sobre el mismo campo son isomorfos si y solo si tienen la misma dimensi on. 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 on. Rec procamente, sean N y M bases de E y F respecti vamente. Mediante los isomorsmos de coordinatizaci on podemos pensar que E = K{N } y F = K{M } . Si los dos tienen la misma dimensi on entonces, hay una biyecci on f : M N. {N } {M } Sea g : K 3 N 7 M K la funci on tal que i = f(i) . La funci on g la po 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 on nos permite saber como son TODOS los espacios vectoriales. Ya vimos (mediante la base can onica) que el espacio vectorial de todas las Nadas (funciones) de soporte nito tiene dimensi on |N|. Escogiendo el conjunto N adecuadamente obtenemos todas las dimensiones posibles. En el caso de que N sea nito con n elementos , este espacio es Kn por lo que es v alido el siguiente teorema. Teorema de Clasicaci on de Espacios Vectoriales Todo espacio vectorial es isomorfo a un espacio de Nadas de soporte nito. Todo espacio vectorial nito dimensional es isomorfo a Kn . Como pensar en espacios vectoriales A partir de ahora el lector debe siempre tener en mente el Teorema de Clasicaci on de Espacios Vectoriales (2.21). Al hablar de un espacio vectorial en primer lugar, se debe pensar en R2 y R3 . La interpretaci on geom etrica de estos dos espacios como los segmentos dirigidos con origen en el cero da una intuici on saludable acerca de lo que es cierto y lo que no. En segundo lugar el lector debe pensar en el ejemplo Rn . Si el lector lo preere, el n umero n puede ser un n umero jo sucientemente grande digamos n = 11. Ya en este caso, para entender es necesario usar varios m etodos: las analog as geom etricas en dimensiones peque nas, el c alculo algebraico con s mbolos y los razonamientos l ogicos. Casi todo lo que se puede demostrar para espacios vectoriales nito dimensionales se demuestra en el caso

Secci on 2.6

Suma de subespacios

57

particular de Rn con la misma complejidad. Las demostraciones de muchos hechos v alidos en Rn se copian tal cual para espacios vectoriales de dimensi on nita sobre cualquier campo. En tercer lugar se debe pensar en Cn . El espacio vectorial Cn es extremadamente impor tante dentro de las matem aticas y la f sica. Adem as, el hecho de que C es algebraicamente cerrado hace que para Cn algunos problemas sean m as f aciles que en Rn . Hay una manera de pensar en Cn que ayuda un poco para tener intuici on geom etrica. Como ya vimos {1, i} es una base de C como espacio vectorial sobre R. De la misma manera Cn es un espacio vectorial sobre R de dimensi on 2n o sea, hay una biyecci on natural entre Cn y R2n (la bi yecci on es (a1 + b1 i, a2 + b2 i, ..., an + bn i) 7 (a1 , b1 , a2 , b2 , ..., an , bn )). Sin embargo esta biyecci on no es un isomorsmo. Si E es un subespacio de Cn sobre R entonces no ne 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 on deben tambi en pensar en Zn p y n en general en cualquier K donde K es un campo nito. Las aplicaciones m as relevantes incluyen la codicaci on de informaci on con recuperaci on de errores y la criptograf a, que es 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 as f acil es pensar en Kn . Esto tiene una gran ventaja en el sentido 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 on es m as fea. Nuestros teoremas 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 a nunca) una base de este espacio, as que realmente, estos teoremas no dicen mucho para espacios vectoriales de dimensi on mayor que el cardinal de los naturales 0 .

2.6 Suma de subespacios

En esta secci on introduciremos las operaciones m as b asicas entre subespacios. Pero an tes, es saludable dar una interpretaci on geom etrica de los subespacios para que el lector 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 on de Espacios Vectoriales (2.21) sabemos que estos tienen que ser isomorfos a Ri para i {0, 1, . . . , n} seg un sea su dimensi on. Si i = 0 entonces todo el subespacio es el vector 0 (el origen de 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 hai es la l nea que pasa por el origen y por el punto a que es el nal del vector a. Luego, los subespacios de dimensi on 1 de Rn son las lineas rectas que pasan por el origen. Para R2 este

58

Cap tulo 2. Espacios vectoriales

an alisis termina con todas las posibilidades. 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 ultiplo escalar de a. En otras palabras, los puntos nales de los vectores a, b y nico plano (R2 ) que pasa el origen de coordenadas no est an alineados. En este caso hay un u por estos tres puntos y tambi en ya vimos que este plano es ha, bi. Luego, los subespacios de n dimensi on 2 de R son los planos que pasan por el origen. Para R3 este an alisis termina con todas las posibilidades: sus subespacios son: el origen, las lineas 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 on y la terminolog a geom etrica. Por esto, pasemos al caso general. Un subespacio de dimensi on i en Rn esta generado por una base {a1 , . . . , ai } de i vectores LI. Que sean LI lo que quiere decir es que sus puntos y el origen no est an contenidos en un subespacio de nico Ri que contiene a todos dimensi on menor que i. Si este es el caso entonces hay un u 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 on 2.3 vimos que E F es un subespacio. Por denici on de intersecci on E F es el subespacio m as grande contenido en E y F. Ya observamos adem as que E F no es un subespacio. Sin embargo, hay un subespacio que es el m as peque no que contiene a los dos y este es hE Fi. El subespacio hE Fi tiene una estructura muy simple: hE Fi = {a + b | a E, b F} X Prueba. Todo a + b es una combinaci on lineal de E F. Rec pro X x + y y x camente, toda combinaci on lineal de E F se puede escribir como x E y F 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 es de esta denici on el resultado 2.22 se puede reformular como hE Fi = 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 a por E + F. La igualdad modular Sean E y F dos subespacios. Ahora trataremos de calcular la dimensi on de E + F. Para esto necesitaremos primero encontrar bases de E F y E + F.

Secci on 2.6

Suma de subespacios

59

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 E F . Como N es LI y est a contenida en E entonces, por el Teo rema de Existencia de Bases (2.14) existe una base E de E que contiene a N. An alogamente, 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 on sea a E F. Como N a E entonces, tenemos que N a es LI. Como N es base de E F y las bases son los conjuntos LI m as grandes, obtenemos que a N. Luego, E F N. Solo nos queda probar que E F es una base de E + F. En primer lugar, cualquier a + b E + F es combinaci on lineal de E F por lo que E F es generador de E + F. Necesitamos probar que E F es LI. Para esto supongamos que X X X X 0= i i = i i+ i i+ i i 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 on, tenemos x E, y E F y z F. Adem as, como z = (y + x) y E es un subespacio, obtenemos z E FP . Como N es una base de E F el vector z es combinaci on lineal de N, o sea z = iN i i para ciertos coecientes i . De aqu obtenemos X que X i i+ (i + i ) i 0=x+y+z=
iE \ N iN iE F iE \ N i N iF \ N

Como E es LI, todos los coecientes de esta combinaci on lineal son cero. En particular, 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 y como F es LI deducimos que los restantes coecientes tambi en son cero.
iN iF \ N

Igualdad modular Si E y F son dos subespacios entonces, dim E + dim F = dim (E + F) + dim (E F).

Prueba. Por 2.23 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 ormula se reduce a la conocida igualdad entre cardinales de conjuntos |E| + |F| = |E F| + |E F|.

60

Cap tulo 2. Espacios vectoriales

E 1 1 1 F 1 1 2 (E + F) 1 2 2 E 1 2 2 F 2 2 2 (E + F) 3 3 4

Ejercicio 55 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 on diferente a las de la tabla? Suma directa

Para dos espacios vectoriales Ey F(no necesariamente contenidos en otro espacio) sobre un mismo campo Kdeniremos la suma directa de ellos como el espacio vectorial F {(a, b) | a E, b F} E = 0 0 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 a en que la suma directa ya trae en su denici on las operaciones de suma de vectores y multiplicaci on por un escalar. Deber amos probar que la suma directa es efectiva 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 as interesante. 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 on. Otro tanto ocurre con F y F0 . Por denici on de suma de subespacios tenemos que E0 + F0 = E F . De la Igualdad modular (2.24) obtenemos dim (E0 + F0 ) = dim E0 + dim F0 dim (E0 F0 ) = dim E + dim F. Isomorsmo can onico entre la suma y la suma directa. ltima proposici De esta u on y de la igualdad modular se deduce que si dos subespacios E 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 on probaremos solo un poquito m as. Sin embargo, este poquito nos llevar a a profundas reexiones. Isomorsmo Can onico entre la Suma y la Suma directa Si E y F son subespacios tales que E F = {0} entonces la funci on E F 3 (a, b) 7 a + b E + F es un isomorsmo de espacios vectoriales.

Secci on 2.6

Suma de subespacios

61

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 on se construye ron escogiendo cierta base en alguno de los espacios. Los isomorsmos que no dependen lgebra lineal y se les llama iso de escoger alguna base juegan un papel importante en el a morsmos can onicos. Decimos que dos espacios vectoriales son can onicamente isomorfos si existe un isomorsmo can onico entre ellos. As por ejemplo todo espacio vectorial E de dimensi on 3 es isomorfo a K3 pero no es can onicamente isomorfo a K3 porque no se pue de construir de cualquier espacio vectorial de dimensi on 3 un isomorsmo con K3 que no dependa de escoger alguna base. Cuando veamos los productos escalares veremos que hay fuertes razones para que diferenciemos las bases. Los isomorsmos no can onicos no ne cesariamente preservan una u otra propiedad de las bases. Por otro lado, los isomorsmos can onicos si las preservan. Si por un lado, debe haber cierta resistencia a considerar iguales a dos espacios vectoriales isomorfos (no todas las bases son iguales) por el otro, los espacios can onicamente isomorfos no se diferencian en nada uno del otro, por lo que se puede pensar que es el mismo espacio.

Prueba. Sea f la funci on denida en el enunciado. Tenemos 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 on de suma de subespacios 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.

Ejercicio 56 1. Demuestre que E F y F E son can onicamente isomorfos.

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 onico entre la Suma y la Suma directa (2.26) lo que quiere decir es que S = E + F y E F = {0}. En R2 dos lineas por el origen diferentes son complementarias una a otra. En R3 un plano y una l nea 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.

62

Cap tulo 2. Espacios vectoriales

Como C es generador de S, todo elemento en S es combinaci on lineal de C y en particular todo elemento de S se expresa como a + b con a E y b F. Luego S = E + F. Por otro lado, que existir combinaciones ! lineales tales que si x E F entonces, tienen ! X X X X x= a a = a a a a a a = 0 . ltima combina Como C es LI entonces, por la caracterizaci on 2.9.4 de los conjuntos LI la u ci on lineal tiene todos sus coecientes iguales a cero. Luego, E F = {0}. Si E y F son dos subespacios complementarios entonces cada vector x se expresa de forma u nica 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} nica. por lo que la descomposici on x = a + b es u nica Ejercicio 57 Demuestre el rec proco de 2.28: Si cada vector se expresa de forma u como x = a + b con a E y b F entonces, los subespacios son complementarios. [130] Ejercicio 58 Pruebe que E = E1 E2 En si y solo si cualquier vector x E se nica como x = x1 + + xn con xi Ei . Sugerencia: Usar 2.28, el expresa de forma u ejercicio anterior y la asociatividad de la suma directa para aplicar inducci on en el n umero de sumandos n. Espacios vectoriales versus conjuntos Hemos demostrado ya unos cuantos resultados que se parecen mucho a los de Teor a de Conjuntos y siempre es saludable establecer analog as con resultados ya conocidos. Para acentuar m as esta similitud hagamos un diccionario de traducci on Conjunto Espacio vectorial Subconjunto Subespacio vectorial Cardinal Dimensi on Intersecci on de subconjuntos Intersecci on de subespacios Uni on de subconjuntos Suma de subespacios Uni on disjunta 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 alida para conjuntos usando el diccionario que hemos construido. Probablemente, el ejemplo m as notable de esto son las igualdades modulares para conjuntos y para espacios vectoriales.
a A a B a A a B

Secci on 2.7

Espacios cocientes

63

Sin embargo, es preciso ser cuidadosos en tratar de llevar resultados de los conjuntos a los nico y no siempre espacios vectoriales. Por ejemplo, el complemento de un subconjunto es u nico subespacio complementario. Otro ejemplo, un poco m hay un u as substancial, es que la intersecci on de conjuntos distribuye con la uni on o sea A (B C) = (A B) (A C) . Por otro lado la intersecci on de subespacios en general no distribuye con la suma o sea, la igualdad A (B + C) = (A B)+(A C) no siempre es verdadera. Para ver esto t omese en R3 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 59 Si A y B son dos conjuntos entonces la diferencia sim etrica de los mismos es
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 on |U| sobre el campo Z2 para la suma +2 y el producto 1A = A, 0A = . Vea, que los conceptos de nuestro diccionario de traducci on se aplican a este caso en forma directa.

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 onica de escoger alguno de ellos. En esta secci on nos dedicaremos a cons truir can onicamente el espacio cociente F/E que es el espacio de todos los subespacios anes 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 lineas que pasan por el origen. Sin embargo, hay otras lineas en el plano que no pasan por el origen. Para obtener una de estas lineas lo que tenemos que hacer es trasladar una l nea por el origen ` mediante un vector x (v ease la gura). De esta manera, obtenemos la l nea `0 que se obtiene sumandole x a cada vector en la l nea `. Observese que si x 6= 0 entonces las lineas ` y `0 no se intersectan.

`0 ` x

R2

Esto nos motiva a la siguiente denici on. Sea A un conjunto de vectores y x un vector. Al conjunto A + x = {a + x | a A} se le llama la traslaci on de A con el vector x. El lector debe observar que la operaci on de trasladar es un caso particular (cuando uno de los sumandos solo contiene a un solo vector) de la operaci on de suma de conjuntos de vectores introducida en la secci on anterior.

64 E+x=E+a xa

Cap tulo 2. Espacios vectoriales

Un subespacio af n es el trasladado de un subespacio. En otras palabras, un conjunto de vectores E es un subespacio af n si existen un subespacio E y un vector x tales que E = E + x. Observese que los subespacios son tambi en subespacios anes. Basta trasladar con el vector cero. Las traslaciones de un subespacio cumplen una propiedad muy sencilla pero 0 E fundamental: que es posible trasladar el subespacio con diferentes vec tores y obtener el mismo subespacio af n (v ease la gura a la izquierda). M as precisamente: Si a E + x entonces, E + x = E + a. Prueba. Probemos primero el caso que x = 0. Tenemos y E y a 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 af n es a su vez un subespacio af n ya que (E + x) + y = E + (x + y). Dos subespacios anes se le llaman paralelos si uno es un trasladado del otro. La relaci on de paralelismo entre subespacios anes es de 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 an en la misma clase de paralelismo. Todo subespacio af n es paralelo a un solo subespacio. Prueba. Si E+x = F+y entonces, E = F+yx. Como F+yx contiene al cero entonces, x y F. Como F es un subespacio, y x F y por lo tanto F = F + y x = E.

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

Prueba. Si y (E + x) (E + x0 ) entonces, por 2.29, E + x = E + y = E + x0 . Es un error com un (debido al caso de lineas en el plano) pensar que es equivalente 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 lineas no coplanares en R3 .

Secci on 2.7
El espacio cociente

Espacios cocientes

65

Sea D un espacio vectorial y E un subespacio de D. Si 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) lo que muestra que E + F est a en la misma clase de paralelismo que E y F. En otras palabras (v ease la gura a la derecha) la suma 0 y de cualquier vector en E con cualquier otro en F esta en un mismo espacio paralelo a E y F. x0 y0

x + x0

y + y0

Denotemos ahora por D/E al conjunto de todos los subespacios anes de D paralelos a E. Esta observaci on nos dice que la suma de subespacios anes es una operaci on binaria 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 on y 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 af n paralelo a E y un escalar. Tenemos 2 2x E = (E + x) = E + x = E + x lo que muestra que E est a en la misma R x clase de paralelismo que E. En otras palabras (v ease la gura a la derecha) el 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 60 Compruebe los axiomas de espacio vectorial para el espacio cociente D/E. Ejercicio 61 Cual es el espacio cociente de R3 por el plano xy. Ejercicio 62 Que pasa si sumamos dos espacios anes no paralelos?
El isomorsmo con los complementarios R2 F E

Sea F un subespacio complementario a E. Entonces, cualquier subespacio af n paralelo a E intersecta a F en un y solo un vector.

D/E es can onicamente isomorfo a cualquier complementario de E. Prueba. Sea E = E + x cualquier subespacio af n paralelo a E. Como D = E F existen nicos vectores y E y z F tales que x = y + z. Luego por 2.29 E+ x = E+ y + z = unos u E + z y por lo tanto z E + x o sea, z E F. Si z0 es otro vector en E F entonces, existe

66

Cap tulo 2. Espacios vectoriales

a E tal que z0 = a + x. De aqu x = a + z0 y por la unicidad de la descomposici on de un vector en suma de vectores de espacios complementarios, y = a y z = z0 . 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 2.32 la aplicaci on f : F 3 x 7 (E + x) D/E tiene inversa (que a cada E + x D/E le hace corresponder el u nico vector en (E + x) F). Luego, f es biyectiva. Adem as, 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 onico. Luego, cualquier subespacio complemen tario a E es can onicamente isomorfo a D/E. Esta proposici on tambi en nos dice que la di mensi on de D/E es la misma que la de un complementario a E o sea, es dim D dim E.
Es posible (gracias al isomorsmo con los complementarios) desarrollar toda el a lgebra lineal sin la introducci on de los espacios cocientes. Si embargo, es m as c omodo hacerlo con ellos. Adem as es importante que el lector se familiarize con el concepto, ya que, en el estudio de estructuras algebraicas m as generales, no siempre existen estructuras complementarias (por ejemplo en la teor a de 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 caso de dimensi on innita

En la Secci on 2.4 enunciamos el Teorema de Existencia de Bases (2.14) y la Equicar dinalidad de las Bases (2.16) pero solo los probamos para el caso de que el espacio tiene dimensi on nita. En esta secci on demostramos estos resultados para los casos faltantes. Por que siempre aparece un curioso que quiere saber. Como estas demostraciones dependen de resultados de Teor a de Conjuntos y una expo sici on de esta nos llevar a a escribir otro libro, lo haremos todo en forma minimalista: Antes de cada una de las dos pruebas daremos las deniciones y resultados exclusivamente que necesitamos. Los resultados complicados de Teor a de Conjuntos no los demostraremos. El Lema de Zorn Un conjunto ordenado es un conjunto con una relaci on de orden, o sea una relaci on reexiva antisim etrica y transitiva (v ease el glosario). Sea P un conjunto ordenado y A un 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

Secci on 2.8

El caso de dimensi on innita

67

cualquier cadena contenida en A tiene una cota superior que est a en A. El siguiente resultado es cl asico en teor a de conjuntos. 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 otesis. Denotemos T = {M | M es linealmente independiente y L M N} . El conjunto T est a naturalmente ordenado por inclusi on. Sea M un elemento maximal de T . Entonces x N\M M x es dependiente y por el Lema de Aumento de un Conjunto LI (2.11) tenemos N hMi. Como N es generador, esto signica que M tambi en lo es y por lo tanto M es una base. Nuestra tarea es encontrar un elemento maximal de T . Probemos que el conjunto T est a inductivamente ordenado. Efectivamente, o ya que L T . Sea {Bi }iI una S T es no vac 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 a en T . Como para cualquier i tenemos Bi N entonces, B N. Supongamos que B es linealmente dependiente. Entonces, existe on lineal de B0 igual a cero tal que todos sus un subconjunto nito B0 de B y una combinaci coecientes son no cero, o sea B0 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 a inductivamente ordenado y por el Lema de Zorn (2.34) el conjunto T tiene un elemento maximal. Cardinales Dados dos conjuntos A y B denotaremos |A| |B| si existe una inyecci on de A en B. La relaci on A B denida como |A| |B| y |B| |A| es una relaci on de equivalencia 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 an ordenados por la relaci on de orden que ya denimos. Los cardinales pueden ser nitos o innitos. El cardinal innito m as peque no es 0 que es el cardinal de los naturales ( es la primera letra del alfabeto hebreo y se llama alef). La suma de cardinales se dene como el cardinal de la uni on de dos conjuntos disjuntos. El producto de cardinales se dene como el cardinal del producto

68

Cap tulo 2. Espacios vectoriales

cartesiano de conjuntos. Necesitaremos dos resultados acerca de los cardinales de conjuntos. El primero es muy l. sencillo y daremos una demostraci on para e Si i |Ai | t entonces, P |Ai | t |I|.

iI

Prueba. Podemos pensar que los Ai son disjuntos. SSea T un conjunto de cardinal t. Por hip otesis existen inyecciones fi : Ai 7 T . Sea : iI Ai T I denida por (a) = (fi (a) , i) si a Ai . Por denici on de si (a) = (b) entonces, a y b est an en el 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 Teor a de Conjuntos (v ease por ejemplo: Kamke E., Theory of sets. Dover, New York, 1950. p agina 121). Nosotros omitiremos la prueba. Si |A| es innito entonces, 0 |A| = |A|. 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 m nimo subconjunto Ba B tal que a hBa i existe y es nito. Construyamos la relaci on R A B de manera que (a, b) R si y solo si b Ba . Tenemos |B| |R| ya que si hubiera un b0 B no relacionado con ning un elemento de amos que B\b0 es generador lo que A entonces, A hB\b0 i y como A es base obtendr contradice que B es base. Por otro lado, como |A| es innito y |Ba | es nito entonces, usando 2.36 y 2.37 obtenemos X |B| |R| = |Ba | 0 |A| = |A| . Luego |B| |A| y por simetr a de nuestros razonamientos|A| |B|.
a A

as transformaciones lineales son uno de los objetos m as estudiados y m as importan tes en las matem aticas. El objetivo de este cap tulo es familiarizar al lector con el concepto de transformaci on lineal y sus propiedades b asicas. Introduciremos las ma trices y estudiaremos la relaci on de las mismas con las transformaciones lineales. Veremos el concepto de nucleo e imagen de una transformaci on lineal etc...

3.1 Denici on y ejemplos

Sean E y F dos espacios vectoriales sobre K. Una funci on f : E F se le llama transformaci on lineal de E en F si para f (a + b) = f (a) + f (b) 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 on lineal, diremos que f es una TL. En plural escribi 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 on existen vectores x,y tales que f (x) = a y 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. Las TLs NO necesariamente transforman conjuntos LI en conjuntos LI ni tampoco conjuntos generadores en conjuntos generadores.

70

Cap tulo 3. Transformaciones lineales

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

Homotecias Veamos el ejemplo m as simple de TL. Si a cada vector x de un espacio E le hacemos on es una corresponder el vector 2x obtenemos la funci on h2 : E 3 x 7 2x E . Esta funci 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 l nea 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. Hay dos casos particulares de homotecias especialmente importantes. Si = 1 entonces obtenemos la funci on identidad x 7 x. A esta funci on se la denotar a por Id. Si = 0 entonces obtenemos la funci on nula tambi en llamada funci on constante cero x 7 0. En el caso del campo R las homotecias tienen una interpretaci on geom etrica muy clara. Si > 0 entonces cada punto x Rn se transforma en el punto x que est a en la misma recta por el origen que x pero a una distancia del origen veces mayor que x. Esto quiere decir que h es la dilataci on de raz on . Si 0 < < 1 entonces h es realmente una contracci on pero interpretaremos las contracciones como dilataciones con raz on m as peque na que 1. En la gura de la derecha observamos la dilataci on x 7 2x en el 2 plano cartesiano R . La curva interior (que es la gr aca de la funci on R2 5 + sin 5 en coordenadas polares) se transforma en la misma curva pero del doble de tama no (10 + 2 sin 5). Si = 1 entonces a la homotecia h1 : x 7 x se le llama funci on antipodal. El nombre viene de la siguiente interpretaci on. Si 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 ant podas o sea, nuestros ant podas 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 ant podas se obtienen multiplicando por 1. En la gura de la izquierda est a representada la funci on ant podal en 2 2 R . En ella hay dos curvas cerradas de cinco p etalos. La primera es R la misma que la de la gura anterior (10 + 2 sin 5). La segunda es la ant poda 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 etricamente como una dilataci on seguida de la funci on ant podal. A pesar de su simplicidad las homotecias juegan un papel fundamental en la comprensi on de las TL y este papel se debe a que ellas son todas las TL en dimensi on 1.

Secci on 3.1

Denici on y ejemplos

71

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 an denidas de un espacio en si mismo. Las inmersiones son la TL m as simples que est an denidas de un espacio en otro distinto. Sea E un subespacio de F. A la funci on i : E 3 x 7 x F se le llama inmersi on de E en F. Las inmersiones son TLs inyectivas y son las restriciones a subespacios de la funci on identidad. No hay mucho que decir de las inmersiones excepto de que hay una para cada subespacio. Proyecciones Ahora supongamos al rev es (de las inmersiones) que F es subespacio de E . Habr a algu na TL natural de E en F? Lo que podemos hacer es buscarnos un espacio G complementario de F (existe por 2.27) De esta manera E = F G y por 2.28 tenemos que cada vector x E nica como a + b donde a es un vector en F y b es un vector en se descompone de manera u nico a F y esto nos da una funci G . As para cada x E tenemos un u on que denotaremos por F y la llamaremos proyecci on de E en F a lo largo de G . Cualquier proyecci on F restringida a F es la identidad por lo que necesariamente es sobreyectiva. La notaci on F sugiere erroneamente que esta funci on solo depende del subespa cio F . Esto no es cierto, el subespacio F puede tener muchos subespacios comple mentarios diferentes y la proyecci on depende del subespacio complementario que escojamos. Las proyecciones son transformaciones lineales. Prueba. Escojamos un subespacio G complementario de F . De esta manera F es una funci on ja y bien denida. nicas x = F (x) + G (x) y Si x, y son dos vectores entonces hay descomposiciones u y = F (y) + G (y) . Luego x + y = (F (x) + F (y)) + (G (x) + G (y)) . El primer sumando de la derecha est a en F y el segundo en G . Por la unicidad de la descomposici on 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 a en F y el segundo en G y por la unicidad de la descomposici on necesariamente tenemos F (x) = F (x) .

72

Cap tulo 3. Transformaciones lineales

Como son geom etricamente las proyecciones? En esencia el problema es el siguiente. 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 l nea paralela al eje y que pasa por a y la intersecci on del eje x con esta l nea es un vector x (a) . De manera an aloga obtenemos y (a) y sabemos que a = x (a) + y (a). En el caso general es exactamente igual. Esta construc ci on se ilustra en la gura de la derecha. Tenemos que F es un subespacio de dimensi on k y uno de sus complemen tarios G es de dimensi on n k. Hay un solo subespacio af n paralelo a F que pasa por a y este es F + a. La in tersecci on (F + a) G es un solo punto y este punto es el vector G (a) . An alogamente se observa que F (a) = (G + a) F. Como es l ogico, no pudimos dibujar el espa cio Rn as que el lector deber a contentarse con ver la gura en el caso n = 3, k = 2.

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 on a 7 f (a). A esta operaci on se le llama producto de un escalar por una TL. 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 on a 7 f (a) + g (a). A esta operaci on se le llama suma de TLs. 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.

Secci on 3.2

Operaciones entre transformaciones lineales

73

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 on es debido que a las transformaciones lineales tambi en se les llama morsmos de espacios vectoriales. Debido a todo lo dicho es v alido el siguiente resultado: Mor (E, F) es un espacio vectorial. Composici on de transformaciones lineales Sean f Mor (E, F) y g Mor (F, G) dos TLs. La composici on h = g f se dene como la funci on E 3 a 7 g (f (a)) G. Demostremos que h = g f Mor (E, G) o sea, que h es una TL. La composici on de TLs es una TL. Prueba. Sea h = g f la composici on de dos TLs. Tenemos 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 quer a demostrar. La composici on de TLs cumple las siguientes propiedades: 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 on es 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 on conmuta con el producto por escalares tenemos (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 e de la validez de cada una

74

Cap tulo 3. Transformaciones lineales

de las igualdades utilizadas en esta prueba. lgebra de operadores lineales El a 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 as adelante) un papel muy importante en el estudio de las TLs y por esto es que merecen un nombre especial. El conjunto de todos los OLs de E se denotar a por End E. Lo hacemos as porque a los OLs tambi en se les llama endomorsmos de un espacio vectorial. Por denici on tenemos End E = Mor (E, E). La principal diferencia entre las TLs y los OLs es que la operaci on de composici on es una operaci on interna en espacio vectorial End E. O sea, si componemos dos OLs, obtenemos otro OL. Si un espacio vectorial cualquiera (el cual ya trae denidos la suma y el pro Alg1) es asociativa ducto por escalares) tiene otra operaci on Alg2) es distributiva con respecto a + 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 lgebra . Observese que los primeros tres axiomas los podemos resumir en uno: la ma a 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 (3.8 ) que la operaci on de composici on de OLs cumple los axiomas Alg1, Alg2 lgebra solo nos queda comprobar que la composici y Alg4. Para ver que End E es un a on tiene elemento neutro. Pero esto es obvio ya que la funci on identidad cumple que fId = Id f = f. O sea, es el neutro para la composici on. Hemos demostrado el siguiente resultado El espacio vectorial End E en un a on. lgebra con respecto a la composici lgebras importantes que deben ser muy conocidas por el lector. Primero, Hay otras dos a el conjunto de los polinomios con coecientes reales R [x] es un espacio vectorial sobre R, pero adem as sabemos multiplicar polinomios. Este producto cumple todos los axiomas de Alg1Alg4. Este ejemplo se generaliza a los polinomios sobre cualquier campo. El segundo ejemplo son los n umeros complejos. Estos son un espacio vectorial de dimensi on dos so bre los reales pero adem as sabemos multiplicar n umeros complejos. La multiplicaci on de complejos tambi en cumple todos los axiomas Alg1Alg4.
lgebra se le llama conmutativa si el producto de vectores es conmutativo. El a lgebra de los Un a lgebra de polinomios sobre un campo son conmutativas. Las a lgebras n umeros complejos y el a End E casi nunca son conmutativas (salvo en dimensi on 1). Por ejemplo en el plano cartesiano R2 la rotaci on f en 45 y la reecci on g en el eje y son (como veremos despu es) OLs. Sin embargo, (g f) (1, 0) = (1, 1) 6= (1, 1) = (f g) (1, 0).

Secci on 3.3
El grupo general lineal

Extensiones lineales

75

Una funci on cualquiera es biyectiva si y solo si esta tiene inversa. En el cap tulo anterior, cuando vimos los isomorsmos de espacios vectoriales, demostramos que si una TL tiene in versa entonces esta inversa tambi en es una TL. En particular, la funci on inversa de un OL es 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 en se les llama automor 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 on nula cumple que 0 = f f. Sin embargo, la composici on de OLs no singulares es siempre un OL no singular. Luego, la composici on es una operaci on binaria en GL (E) que ya sabemos que es asociativa y tiene elemento neutro. Adem as, cada elemento tiene inverso ya que f f1 = f1 f = Id. Luego, GL (E) es un grupo para la composici on al cual se llama grupo general lineal del espacio vectorial E.

3.3 Extensiones lineales

Estudiaremos en esta secci on una manera universal de construir TLs. Pero antes, veamos algunas consideraciones de tipo general acerca de funciones entre conjuntos arbitrarios. Extensiones y restricciones Sean A y B dos conjuntos y A0 un subconjunto de A. Cada vez que se tiene una funci on 0 0 0 f : A B tambi en se tiene una funci on f : A B denida por f (a) = f (a) para 0 0 cualquier a A . A la funci on f se le llama restricci on 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 on de g entonces se dice que g es una extensi on de h. Si est a dada una funci on g : A0 B y A es un sobreconjunto de 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 aticas el encontrar extensiones que cumplan ciertas propiedades. En nuestro caso, debemos encontrar extensiones que sean TLs. Formulemos nuestro problema m as precisamente. Sean E y F dos espacios vectoriales sobre K y N un conjunto de vectores de E. Sea h : E F una TL. Sabemos que N E y por lo tanto tenemos la restricci on hN : N F. Ser a posible para cualquier funci on g : N F nica tal extensi encontrar una extensi on h : E F de g que sea TL? Ser au on? Veremos que ambas preguntas tienen respuesta positiva si N es una base.

76

Cap tulo 3. Transformaciones lineales

Para demostrar la existencia de la extensi on debemos construirla. Sea N una base de E nica y g : N F una funci on arbitraria de N P en F. Cualquier x E se expresa de forma u on h del como combinaci on lineal de N o sea x = iN i i. A la funci X x 7 i g (i) recuadro a la derecha se le llama extensi on lineal de g. Observese que iN (como debe ser) la restricci on de h a N es igual a g ya que si x N entonces, la descomposici on de x en la base N tiene coecientes i = 0 para i 6= x y i = 1 para i = x. Las extensiones lineales son transformaciones lineales. Prueba. Tenemos X X X h (x + y) = (i + i ) g (i) = i g (i) + i g (i) = h (x) + h (y) iN i N i N X X h (x) = i g (i) = i g (i) = h (x) y esto prueba que h es una TL.
iN iN

Para demostrar la unicidad de la extensi on debemos convencernos de que dos TLs dis tintas no pueden coincidir en una base. Las TLs est an predeterminadas por sus valores en una base. Prueba. Sean f, g : E F dos TLs y N una base de E. Supongamos que f (i) = g (i) para nica como combinaci cualquier i N. Cualquier x E se expresa de forma u on lineal de N 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 i N iN

El isomorsmo entre FN y Mor (E, F) Recordemos ahora de la Secci on 2.2 que el conjunto de todas las funciones de N en F es 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 biun voca entre FN y Mor (E, F). A cada Nada hN FN le corresponde su extensi on lineal h Mor (E, F) on a N (que es una Nada). y a cada TL h Mor (E, F) le corresponde hN su restricci Queremos ver que esta correspondencia es un isomorsmo de espacios vectoriales.

Secci on 3.3

Extensiones lineales

77

Si N es una base de E entonces, la biyecci on 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 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 on de la propiedad de una TL de ser o no un isomorsmo de espacios vectoriales. Ya vimos en el cap tulo anterior que un isomorsmo transforma una base del dominio en una base del codominio. Ser a esta propiedad suciente para comprobar que una TL es un isomorsmo?. La (1, 0, 0) 7 (1, 0) respuesta es NO. Por ejemplo, la extensi on lineal de la funci on denida (0, 1, 0) 7 (0, 1) en la base can onica de R3 como en el recuadro a la derecha transforma a (0, 0, 1) 7 (0, 1) esta base en la base can onica de R2 y sin embargo no es inyectiva. Nos falta la propiedad evidentemente necesaria de que la restricci on de la TL debe ser inyectiva. Una TL es un isomorsmo si y solo si su restricci on a una base es inyectiva y la imagen de esta restricci on es una base. 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 P on lineal h : E F de hN es un isomorsmo. Efectivamente, si x = iN i i y 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 on 2.9.3 de los conjuntos LI los coecientes de estas combi 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 de F existen P coecientes i tales que z = iN i h (i) y por lo tanto z = h (v) donde v = iN i i.

78

Cap tulo 3. Transformaciones lineales

3.4 Coordinatizaci on de transformaciones lineales

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

Ejercicio 63 Sean E E0 y F F0 isomorsmos de espacios vectoriales. Construya un

Podemos pensar a N como la base can onica de K{N } . Luego, aplicando 3.12 obtenemos {M } N {N } {M } = K{M }N que es el conjunto de las MN K el isomorsmo Mor K , K matrices tales que cada columna es de soporte nito. Para el caso que m as nos interesa en 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 on anterior nos dicen como construir MN dada f. Para P cada i N la columna M i es el vector f (i) coordinatizado en la base M. O sea f (i) = aM ai a. P i ai xi 7 n i=0 ai (x + 1) K [x] es un isomorsmo de espacios vectoriales. Construya algunas columnas de la matriz NN de esta TL en la base can onica del espacio de polinomios. Demuestre que las entradas de esta matriz est an denidas por la ecuaci on recursiva kn = k,(n 1) + (k1),(n 1) con las condiciones de frontera kn = 0 si k > n y kn = 1 si k = 0 o k = n. isomorsmo Mor (E, F) Mor (E0 , F0 ).

Ejercicio 64 Pruebe que la funci on K [x] 3

Pn

i =0

a M a M iN iN iN P La expresi on iN ai i es un escalar y hay uno para cada a M por lo que son las 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 .

P La f ormula f (i) = en como construir f dada MN . Las a M ai a nos dice tambi imagenes de los i N las calculamos por la f o rmula y a f la construimos por extensi on 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) =

Secci on 3.4
MN N = X

Coordinatizaci on de transformaciones lineales

M i i

79

Observese que este producto lo podemos escribir como en el re 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 on lineal de las columnas de MN cuyos coecientes son las coordenadas de N . En esta secci on estudiaremos m as sistem aticamente el isomorsmo entre las TLs y las matrices repitiendo m as detalladamente todo lo dicho en esta introducci on. Si el lector no entendi o muy bien, le recomiendo seguir adelante y despu es releer esta introducci on. El producto escalar can onico 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. 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 as adelante veremos que hay otros productos denidos en cualquier espacio vectorial. Por esto a este producto lo llamaremos can onico y solamente est a denido en el espacio vectorial de las Nadas para cierto conjunto nito de ndices N. 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 65 Pruebe las principales propiedades del producto de Nadas (3.14). Ejercicio 66 Busque tres vectores x y z en el plano R2 tales que (xy) z 6= x (yz). [130] Ejercicio 67 Pruebe que N RN se cumple que 2 N = N N 0.
El producto de matrices ndices de las columnas Sean MN y NL dos matrices. Observese que el conjunto de de la primera, coincide con el conjunto de ndices de los renglones de la segunda. As , tanto N un rengl on iN como una columna Nj son vectores del espacio K de Nadas y podemos 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 a por MN NL . Resumiendo, si ML = MN NL entonces ij = iN Nj . Por ejemplo, si los conjuntos de ndices son M = {1, 2},

80

Cap tulo 3. Transformaciones lineales

N = {1, 2, 3} y L = {1, 2} entonces, en forma gr aca tenemos 11 12 11 12 13 1N 1N N1 N2 21 22 = 21 22 23 2N N1 2N N2 31 32 y por denici on de producto escalar de vectores tenemos P3 P3 1N N1 1N N2 1i 1i i1 i2 =1 =1 Pi = Pi . 3 3 2N N1 2N N2 2i i1 i= 1 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 pio de esta secci on. An alogamente se dene el producto por el otro lado. Si el conjunto de indices M tiene un solo elemento entonces la matriz MN tiene un solo rengl on. En este caso podemos escribir MN = 1N y diremos que 1N es un vector rengl on o Nada rengl on. 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 on del producto de un vector por una matriz. En este libro, no haremos distinciones entre Nadas, Nadas columna y Nadas rengl on o sea 1N = N1 = N . Para esto, dimos las deniciones de producto de una matriz por un vector y al rev es. Intuitivamente, el lector debe pensar que cuando aparesca un vector en un producto de matrices este se convierte en vector la o columna seg un sea conveniente. Claro, este abuso de la notaci on aunque es muy c omodo puede llevar (si nos pone mos pedantes) a contradicciones. Por ejemplo, podemos sumar dos Nadas pero no podemos sumar una Nada columna con una Nada rengl on. Observese que, no solo el producto de matrices por vectores y al rev es son casos particu lares del producto de matrices, sino tambi en el producto escalar de dos vectores al constatar que N N = 1N N1 .

Ejercicio 68 Tome dos matrices con entradas enteras y multipl quelas. Repita este ejercicio
hasta que usted comprenda muy bien el concepto de producto de matrices. La transformaci on lineal de una matriz on KN 3 N MN N KM . Sea MN una MNmatriz. Esta matriz dene una funci Esta funci on es on utilizando el isomorsmo una TL como ya vimos al principio de esta secci Mor KN , KM KMN . Sin embargo, la prueba directa de este hecho es muy sencilla.

Secci on 3.4

Coordinatizaci on de transformaciones lineales

81

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 alidas las igualdades MN (N + N ) = MN N + MN N y MN (N ) = (MN N ). La matriz de una transformaci on lineal En la proposici on anterior vimos que al mutiplicar MNmatrices por Nadas obtenemos 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 on al construir el isomorsmo Mor K , K MN N M es m as simple ya que tenemos bases can onicas de K y K . Sea K . Sin embargo, aqu E = {ei : i N} la base can onica de KN . Recordemos que ei es la Nada con coordenadas 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 NM cuyas columnas son las imagenes de la base can onica mediante la TL 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 jM Mj ji = Mi f0 son TLs. Si i N entonces, por denici on de la base can onica y del producto de una matriz por un vector tenemos la igualdad del recuadro. Luego f y f0 coinciden en la base can onica y por extensi on lineal ambas son la misma funci on. ngulo en R2 . [130] Ejercicio 69 Halle la matriz de la rotaci on con a Composici on de TLs y producto de matrices La matriz de la composici on de dos TLs es 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 ) =
j M jM k N

82 =

Cap tulo 3. Transformaciones lineales

k N jM

y por lo tanto LM (MN M ) = (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 quer a 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 on de TLs es asociativa tenemos (h g) f = h (g f) y por lo tanto (KL LM ) MN = KL (LM MN ). Esto prueba la asociatividad. Las dem as propiedades se prueban exactamente igual o sea, se desprenden de las respec tivas propiedades de las TLs y de la proposici on 3.17.

XX

ij jk k =

k N

(iM Mk ) k = (iM MN ) N

Ejercicio 70 Pruebe la asociatividad del producto de matrices directamente de la denici on

de producto o sea, sin usar TLs. [130]

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 lgebra. Solo falta el neutro para el producto que es la matriz para mostrar que KNN es un a 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 as, ya sabemos que la aplicaci on que a un OL en KN le hace corresponder su matriz es un isomorsmo de espacios vectoriales. La proposici on 3.17 completa la tarea de lgebras. demostrar que esta aplicaci on es un isomorsmo de a Matrices inversas Sea f Mor KN , KM y MN la de f. La funci nf es biyectiva si y solo si, matriz o 1 1 N 1 M existe la TL f tal que f f = Id K y f f = Id K . A la matriz de la TL f1 1 se le llama matriz inversa de MN y se denota por on 3.17 obtenemos MN . De la proposici 1 1 que la matriz inversa cumple que MN MN = INN y MN MN = IMM . Observese que el 1 conjunto de ndices de las columnas de alogamente, el conjunto de MN es M y no N. An 1 es N y no M . ndices de los renglones de MN De la denici on es inmediato que una matriz tiene inversa si y solo si su TL es un iso morsmo de espacios vectoriales. En particular los conjuntos de ndices N y M tienen que

El espacio de todas las NNmatrices es un a lgebra isomorfa a End KN .

Secci on 3.5

Cambios de base

83

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 3.13 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 . on de f Prueba. Sea MN una matriz cuadrada y f Mor KN , KM su TL. La resticci a la base can onica de KN es la Nada de las columnas de la matriz MN . Por 3.13 para que f tenga funci on inversa es necesario y suciente que esta restricci on sea inyectiva (las columnas diferentes) y que su imagen (el conjunto de columnas) sea una base de KM . Es posible probar un criterio an alogo al anterior substituyendo las columnas por los ren glones. Sin embargo, su prueba aqu se nos har a innecesariamente complicada. Mejor lo dejaremos para el pr oximo cap tulo donde esto ser a una f acil consecuencia de un resultado mucho m as importante. ngulos y respectivamente. Ejercicio 71 Sean f y g las rotaciones del plano R2 en los a

Use el ejercicio 69 para hallar las matrices en la base can onica de f, g y f g. Use 3.17 para ngulos. [131] hallar f ormulas para el seno y el coseno de la suma de dos a

3.5 Cambios de base

Es usual en las aplicaciones que sea conveniente realizar ciertos c alculos en un sistema de lgebra coordenadas y despu es realizar otros c alculos en otro sistema de coordenadas. En el a lineal estos cambios de coordenadas son lineales o sea, la transformaci on que lleva unas 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 on N K E K . Nuestro problema ahora es: dado una V ada 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 ormula en el recuadro a la derecha. A la matriz NV se le llama matriz de iN cambio de base (de V a N). Esta matriz no es otra cosa que la matriz del isomorsmo KV E KN .
V

84

Cap tulo 3. Transformaciones lineales

Si V es la V ada 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.

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

P P Prueba. Descompongamos x E en las Tenemos, ! x = vV v v = iN i i ! dos bases. X X y por lo tanto X X X x= v iv i = iv v i = i i

v V iN iN v V iN

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 de u en la base can onica. Luego, V = {e1 , e2 } es la base can onica y para construir la matriz 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 as sencillo usar la siguiente argumentaci on. Como un cambio de base es un isomorsmo entonces la matriz 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, o sea, u = pa1 + qa2 tenemos: 1 p 2 1 x 2 1 x 2x y = = = . q 3 2 y 3 2 y 2y 3x nico que no conoce el lector es como calcular la matriz inversa. Pero, y en estos c alculos lo u esto lo pospondremos hasta el pr oximo cap tulo. 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 on KWV Mor (E, F) KMN . El problema ahora es: dada una WV matriz 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 i N X y cualquier w W tenemos las f ormulas en el recuadro a la derecha. jw j Estas matrices no son otra cosa que las matrices de los isomorsmos de w = jM V N W M coordinatizaci on K E K y K F K . Si WV es la matriz de f en las bases V y W entonces, 1 MW WV NV es la matriz de f en las bases N y M.

Secci on 3.5

Cambios de base

85

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 ormula w W 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 ormula del recuadro a la izquierda. Substituyendo en la f ormula de la derecha las f ormulas que ! denen las matrices MW y NV obtenemos X X X iv f (i) = jw wv j y en esta igualdad substituimos ormula f (i) por !la f de la izquierda !para obtener X X X X ji iv j = jw wv j.
jM iN jM w W iN jM w W

De la unicidad de la representaci on de cualquier base M obtenemos que para P P vector en la cualesquiera j M y v V se cumple que iN ji iv = w W 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 . La proposici on anterior la podemos interpretar gr acamen WV KV KW te de la siguiente manera. Las matrices WV , MN , NV , y NV MW MW son las matrices de TLs entre espacios como se muestra KN KM 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 VV matriz 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 l, NV cha. Ya no hay que probar la conmutatividad de este ya que e N K KN es un caso particular del anterior. Luego, NN NV = NV VV NN 1 y despejando obtenemos que NN = NV VV 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 a la matriz de f en la base can onica? La matriz de cambio de base a la base can onica es la que tiene como columnas a los vectores a1 y a2 . Luego, la matriz de f en la base can onica es 1 2 1 cos sin 2 1 cos + 8 sin 5 sin = 3 2 sin cos 3 2 13 sin cos 8 sin

86

Cap tulo 3. Transformaciones lineales

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 on en la base can onica y sin embargo no es una rotaci on.

3.6 El nucleo y la imagen de una transformaci on lineal

En esta secci on queremos ver que para describir todas las transformaciones lineales nos es suciente conocer las inmersiones, las proyecciones y los isomorsmos. Despu es, vere 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 a por Im f. Al conjunto {x E | f (x) = 0} se le llama nucleo de la TL. El nucleo de f se denotar a por Ker f. Esta notaci on es debido a que en ingl es nucleo es kernel. Descrip 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 on existen a, b tales que f (a) = x, f (b) = y. Como f es lineal tenemos f (a + b) = f (a) + f (b) = x + y y adem as 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 as adelante, en este caso pasan cosas raras ya que, aunque estos subespacios tienen dimensiones complementarias ellos NO son complementarios en general. Descomposici on de transformaciones lineales Ahora, demostraremos el resultado prometido al principio de la secci on. Sea f : E F una TL. Sea K un subespacio complementario cualquiera pero jo del Ker f. Sea fK la restricci on de f al subespacio K. Denotemos i : Im f F la inmersi on del subespacio Im f ltimo, denotemos K : E K la proyecci en F. Por u on de E a K a lo largo del Ker f.

Secci on 3.6 El nucleo y la imagen de una transformaci on lineal

Teorema de Descomposici on de una TL f = i fK K y fK es un isomorsmo.

87

Este teorema lo podemos visualizar m as f acilmente si observa mos el diagrama de la derecha. La primera armaci on del Teorema de Descomposici on de una TL (3.24) lo que dice es que este dia grama es conmutativo. Para cualquier transformaci on lineal f : E F, dim E = dim Ker f + dim Im f.

Prueba. Sea x un vector arbitrario en el dominio de f. Por 2.28 (p agina 62) existen unos nicos vectores a K, b Ker f tales que x = a + b. De aqu u obtenemos (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 . nicos Para probar que fK es un isomorsmo sea f (x) Im f. Por 2.28 existen unos u 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. f E F K i K Im f fK

Prueba. Por el teorema anterior Im f es isomorfo a un complementario de Ker f. Transformaciones lineales con nucleo trivial 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 nica. Lo importante es que el rec preimagen de cualquier vector es u proco tambi en es cierto. 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. Un criterio de isomorsmo Espero que el lector recuerde el sencillo resultado de teor a de conjuntos: toda funci on inyectiva de un conjunto nito en otro con el mismo n umero de elementos es biyectiva. De hecho, este teorema lo usamos en el primer cap tulo para probar que Zp es un campo para

88

Cap tulo 3. Transformaciones lineales

p primo. El objetivo ahora, es mostrar que exactamente el mismo resultado (simple pero til) se cumple para espacios vectoriales de dimensi muy u on nita. 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 3.25 tenemos dim Ker f = dim E dim Im f. Si f es sobreyectiva entonces, F = Im f. Por hip otesis dim F = dim E. De aqu , debido a que todas las dimensiones son nitas, dim Ker f = 0 y por lo tanto Ker f = {0}. De 3.26 concluimos que f es inyectiva. Si f es inyectiva entonces, la funci on f : E Im f es un isomorsmo y por lo tanto dim E = dim Im f. Por hip otesis dim F = dim E. Como Im f es un subespacio de F entonces, aplicando 2.17 (p agina 52) obtenemos F = Im f. Como consecuencia de este resultado probaremos que para comprobar que dos opera dores lineales f y g en un espacio de dimensi on nita son el inverso uno del otro, solo es necesario comprobar una de las dos igualdades g f = Id o f g = Id. Sean f, g : E E dos OLs de un espacio nito dimen sional. Entonces, f g = Id si y solo si g f = Id.

Prueba. La funci on identidad es sobreyectiva. Luego, si f g = Id entonces, f es sobreyecti va. Por 3.27 f es inyectiva y por lo tanto tiene inversa f1 . Componiendo con f1 obtenemos f1 f g = f1 Id y por lo tanto g = f1 . Descomposici on can onica de transformaciones lineales Para aplicar el Teorema de Descomposici on de una TL (3.24) necesitamos escoger (ya que hay muchos) un subespacio complementario K del nucleo de f. Ya vimos (v ease 2.33) que cualquier tal subespacio es isomorfo al cociente E/ Ker f. Queremos substituir K por E/ Ker f en el Teorema de Descomposici on de una TL (3.24) para as obtener otra versi on del mismo que no dependa de escoger nada, o sea que sea can onico. En el Teorema de Descomposici on de una TL (3.24) est an f involucradas tres funciones: la proyecci on K (que es sobreyec E F tiva), la restricci on fK (que es biyectiva) y la inmersi on i (que es ? i ltima no depende de K y podemos quedarnos E/ Ker f Im f inyectiva). Esta u ? con ella. As que todas nuestras incognitas est an representadas 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 a formado por todos los subespacios anes Ker f + x. El espacio Im f est a formado por todas las imagenes f (x). Luego, la x 7 Ker f + x nica posible respuesta a nuestra pregunta son las funciones deni u f (x) 7 Ker f + x das en el recuadro a la izquierda.

Secci on 3.6 El nucleo y la imagen de una transformaci on lineal

89

La primera de estas funciones tiene dominio E, codominio E/ Ker f, se le llama funci on natural y se denota por nat. La funci on natural es una TL ya que 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 as es evidentemente sobreyectiva. La segunda de estas funciones es nuestra preocupaci on fundamental ya que tenemos que probar que es un isomorsmo. Esta funci on tiene dominio Im f, codominio E/ Ker f y la denotaremos por g. La funci on g es una TL ya que 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 en evidentemente sobreyectiva. 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 af n 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 on f sea constante en cualquier subespacio af n paralelo al Ker f. 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 y de la validez del siguiente resultado. Los subespacios anes paralelos a Ker f son precisamente los conjuntos de vectores en que la funci on f es constante. Luego, g es un isomorsmo y por lo tanto tiene un isomor smo inverso que denotaremos por f0 . El isomorsmo f es el que a un subespacio af n Ker f + x le hace corresponder f (x). As completamos nuestro diagrama como en el recuadro a la derecha. Solo nos falta demostrar que este es conmutativo. Sin embargo esto es muy f acil porque la composici on de funciones

es evidentemente igual a la funci on f.

nat f0 i x 7 Ker f + x 7 f (x) 7 f (x)

f E F nat i E/ Ker f Im f f0

La importancia del resultado 3.29 no se limita a ser el eje central de la descomposi ci on can onica de una transformaci on lineal. Como veremos en el pr oximo cap tulo, este es tambi en clave para poder encontrar el conjunto de todas las soluciones de un sistema de ecuaciones lineales.

90

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

4.1 Permutaciones
La denici on de determinante de una matriz pasa inevitablemente por la denici on del signo de una permutaci on. El lector debe entender bien esta secci on para poder pasar al estu dio de los determinantes. La excepci on es la prueba de 4.5 que por complicada e irrelevante para los determinantes puede ser omitida en una primera lectura. El grupo sim etrico Sea N un conjunto nito. Una permutaci on de N es una biyecci on de N en N. Al conjunto de todas las permutaciones de N lo denotaremos por SN . La composici on de biyec ciones es una biyecci on y toda biyecci on tiene inversa, por lo tanto, SN es un grupo respecto a la composici on. Al grupo (SN , ) se le llama el grupo sim etrico de N. Denotaremos por IdN a la funci on identidad que es el neutro de SN . Si |M| = |N| entonces los grupos SM y SN son isomorfos. Prueba. Sean M y N son dos conjuntos del mismo cardi M M nal. Si : M N es una biyecci on entonces j andonos en 1 el diagrama conmutativo del recuadro a la derecha obtenemos N N una funci on : SM 3 7 1 SN . Observemos, que 1 tiene inversa SN 3 7 1 SM . Adem as, () = 1 = 1 1 = () () y por lo tanto, es un isomorsmo de los grupos SM y SN .

92

Cap tulo 4. Determinantes

El lector debe interpretar este resultado como que, en el grupo SM podemos cambiarle el nombre a los elementos de M mediante la biyecci on : M N y obteniendo el grupo SN . En particular, el n umero de elementos de SN solo depende del n umero de elementos en N. El n umero de permutaciones de un conjunto con n elementos es n!. Prueba. Para la prueba es m as claro encontrar (n) el n umero de biyecciones f : M N donde |M| = |N| = n. Si n = 1 entonces (n) = 1 = 1!. Hagamos inducci on en n. Si i M entonces, el conjunto de biyecciones lo podemos partir en n partes disjuntas seg un cual sea j = f (i). Cada parte tiene tantos elementos como biyecciones f : M\i N\j y por hip otesis de inducci on este n umero es (n 1) !. Luego, (n) = n (n 1) ! = n!. Ciclos Sea M = {x0 , . . . , xn1 } N. A la permutaci on 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 on se le denotar a por (x0 , . . . , xn1 ). A los ciclos de orden 2 se les llama transposiciones. Dos ciclos (x0 , . . . , xn 1 ) y (y0 , . . . , ym 1 ) se les llama disjuntos si ning un xi es igual a alg un yj . Es importante notar que la composici on de ciclos disjuntos es conmu tativa pero la composici on de ciclos en general no lo es. Toda permutaci on es composici on de ciclos disjuntos. Prueba. Hagamos la prueba por inducci on en n = |N|. Para n = 1 el grupo SN tiene una sola permutaci on que es la identidad y la identidad es un ciclo. Sea n > 1 y SN una per mutaci on. Sea x N. En la sucesi on x, (x) , 2 (x) , . . . no puede haber innitos elemen tos diferentes ya que N es nito. Sea j el natural m as peque no tal que j (x) ya apareci o antes j en esta sucesi on. Observemos que (x) = x porque si no, habr a un n umero k mayor que cero y menor que j tal que j (x) = k (x) o sea, k (x) tendr a dos preimagenes diferen k 1 j 1 tes x) y esto on. Luego, el ciclo no puede ser ya que es una biyecci (x) 6= j( = x, (x) , . . . , 1 (x) transforma los elementos de M = x, (x) , . . . , j1 (x) exactamente igual de como lo hace la permutaci on . De aqu , = = donde es la restricci on de a N\M. Por inducci on, SN \M se descompone en composici on de ciclos disjuntos = 1 t y por lo tanto, = 1 t . Toda permutaci on es composici on de transposiciones. Prueba. Se comprueba f acilmente que (x0 , . . . , xn 1 ) = (xn 1 , x0 ) . . . (x2 , x0 ) (x1 , x0 ) y esto demuestra que todo ciclo se descompone en composici on de transposiciones. La prueba se completa porque toda permutaci on es composici on de ciclos.

Secci on 4.1
El grupo alternante

Permutaciones

93

Si 1 . . . p = 1 . . . q son dos descomposiciones de una permutaci on en composici on de transposiciones entonces, p y q tienen la misma paridad. Prueba. Por 4.1 podemos suponer que estamos trabajando en el grupo sim etrico SN donde N = {1, . . . , n}. O sea, que el conjunto N est a ordenado. Esto nos permite suponer que cada vez que escribamos una transposici on (i, j) tengamos i < j. Tambi en esto nos permite denir ciertas transposiciones especiales k = (k, k + 1) para cualquier k {1, . . . , n 1} que llamaremos transposiciones normales. Observese que si j > i + 1 entonces, (i, j) = i (i + 1, j) i por lo que (por inducci on en j i) obtenemos que cualquier transposici on se descompone en composici on de un n umero impar de transposiciones normales. Consideremos un conjunto de variables x1 , . . . , xn y forme Y mos el anillo de polinomios Z [x1 , . . . , xn ] en estas variables con ( (xi ) (xj )) coecientes enteros. Cada permutaci on de N tambi en permuta 1i<jn estas variables mediante la regla (xi ) = x (i) . Ahora, constru yamos la funci on f : SN Z [x1 , . . . , xn ] que a cada SN le hace corresponder el polinomio del recuadro a la derecha. Necesitamos probar varias cosas acerca de la funci on f. Veamos primero que para cualquier permutaci on y cualquier transposici on normal k se cumple que f ( k ) = f (). Para esto, primero debemos probar que si i < j son tales que (i, j) 6= (k, k + 1) entonces, el factor (xi ) (xj ) aparece en f ( k ). Si i, j / {k, k + 1} entonces, esto es obvio. En los restantes casos tenemos (k (xk+1 )) (k (xj )) si i = k y j 6= k + 1 (k (xk )) (k (xj )) si i = k + 1 y j 6= k (xi ) (xj ) = (k (xi )) (k (xk+1 )) si j = k e i 6= k + 1 si j = k + 1 e i 6= k (k (xi )) (k (xk )) Como f ( k ) y f () tienen la misma cantidad de factores, obtenemos f ( k ) f () = (xk+1 ) (xk ) (xk ) (xk+1 ) y esto prueba que f ( k ) = f (). Veamos ahora que para cualquier permutaci on y cualquier transposici on se cumple que f ( ) = f (). Efectivamente, como se descompone como composici on = 1 ... r de un n umero impar de transposiciones normales, tenemos f ( ) = f ( 1 ... r ) = f ( 1 ... r1 ) = = (1)r f () y como r es impar obtenemos f ( ) = f (). Finalmente, regresemos a las hip Tenemos 1 . . . p = 1 . . . q otesis originales. y por lo tanto f (1 . . . p ) = f 1 . . . q . Como todas las i y las j son transposi ciones obtenemos las igualdades (1)p f (IdN ) = f (1 . . . p ) = f 1 . . . q = (1)q f (IdN ) y como f (IdN ) 6= 0 entonces, (1)p = (1)q . Luego, p y q tienen la misma paridad.

94

Cap tulo 4. Determinantes

Una permutaci on se le llama par si se descompone en composici on de un n umero par de transposiciones. En otro caso, se le llama impar. Al conjunto de todas las permutaciones pares de N se le denotar a por AN . La composici on de dos permutaciones pares es par y la inversa de una permutaci on par es tambi en par. Luego AN es un grupo para la composici on y se le llama grupo alternante. Al conjunto de las permutaciones impares lo denotaremos por A N y lo llamaremos la clase lateral de las permutaciones impares. Los conjuntos AN y A N tienen la misma cantidad de permutaciones. Prueba. Tenemos que establecer una biyecci on entre AN y A on. N . Sea una transposici Las funciones f : AN 3 7 AN y g : AN 3 7 AN son la inversa una de otra ya que, observando que la inversa de una transposici on es ella misma, obtenemos (f g) () = = y (g f) () = = .
El conjunto A N es una clase lateral porque si AN entonces, AN = AN . El lector debe comparar esto con ?? (p agina ??) substituyendo el subgrupo AN por un subespacio E, por un vector x y la operaci on por la operaci on +.

El signo de una permutaci on 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 caracter stica del campo es diferente de 2. El signo de una permutaci on es la funci on sgn : SN K que es 1 si la permutaci on es par y es 1 si la permutaci on es impar. sgn ( ) = sgn sgn sgn 1 = sgn Prueba. Sean = 1 . . . n y = 1 . . . m descomposiciones de y en composici on de transposiciones. Tenemos = 1 . . . n 1 . . . m y por lo tanto sgn ( ) = (1)n+m = (1)n (1)m = sgn sgn . Adem as, como la inversa de 1 1 cualquier transposici on es ella misma, tenemos 1 = (1 . . . n )1 = n . . . 1 = n n . . . 1 y por lo tanto sgn 1 = (1) = sgn .

La funci on sgn jugar a un papel vital en todo lo que sigue. En particular, en la denici on de determinante de una matriz los signos de los sumandos est an denidos precisamente mediante la funci on sgn. Por esto, el lector debe familiarizarse muy bien con la denici on de esta funci on y sus propiedades.

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

Secci on 4.2

Propiedades b asicas de los determinantes

95

4.2 Propiedades b asicas de los determinantes

Resolvamos el sistema de ecuaciones lineales de la iz quierda. Denotemos = ad bc. Despejando x en x = d b la primera ecuaci on y substituyendo en la segunda ob ac tenemos y. Substituyendo este y en alguna de las ecuaciones obtendremos y = x. Esta soluci on es la del recuadro a la derecha. 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 ertices son 0, u, u + v, v. Que q denen un paralelogramo cuyos v 2 R remos calcular el area de este paralelogramo. Para esto, sea q el punto de intersecci on de la recta u, u + v con la recta paralela al u eje x que pasa por v. Sea p el punto de intersecci on de la recta 0 p x u, u + v con el eje x. Es f acil ver que el tri angulo v, q, u + v es rea igual a la del igual al tri angulo 0, p, u. Luego, el paralelogramo 0, u, u + v, v tiene a paralelogramo 0, v, q, p. En la gura a la derecha los tri angulos R2 q ngulos iguales o sea son congruentes. y p, a, u y 0, v,d tienen dos a 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 rea (base por altura) del paralelogramo b Sabemos que, pd es el a 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 umero = ad bc para la soluci on de sistemas de dos ecuaciones lineales y para el c alculo de areas en R2 . Los determinantes son la generalizaci on de este n umero a dimensiones arbitrarias. Denici on de los determinantes Sea N un conjunto nito. Recordemos que SN es el conjunto de todas las las permutacio nes de N. Si SN e i N entonces, denotaremos por i la imagen de i por la permutaci on , o sea i es una forma corta de escribir (i). Recordemos tambi en que el signo de una permutaci on sgn es 1 si es par y es 1 si es impar. El determinante de una matriz X Y NN en la cual los conjuntos de ndices de renglones y co det NN = sgn i i lumnas coinciden es por denici on el elemento del campo SN iN denido en el recuadro de la izquierda. Recalquemos que los determinantes est an denidos solo cuando los conjuntos de ndices de renglones y columnas coinciden y es un conjunto nito. Por este motivo en este cap tulo todos los espacios ser an nito dimensionales y todos los conjuntos de ndices ser an nitos. Determinantes de matrices pequenas Interpretemos esta denici on para conjuntos N con pocos elementos. Si |N| = 1 entonces la matriz NN consta de una sola entrada y su determinante es precisamente esta entrada.

96 11 12 21 22 +

Cap tulo 4. Determinantes

Si, digamos N = {1, 2} entonces tenemos 2 permutaciones de N que son (1, 2) y (2, 1). A la primera le corresponde el sumando 11 12 y a la segunda el sumando 12 21 . Gr acamente, cuando N = {1, 2} un determinante 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 (1, 2, 3), (2, 3, 1), (3, 1, 2), (1, 3, 2), (2, 1, 3) y (3, 2, 1). Las tres primeras son de signo positivo y se corres ponden con los tres sumandos 11 22 33 , 12 23 31 y 13 21 32 . 11 12 13 Gr acamente, estos tres sumandos se pueden representar por la dia 21 22 23 gonal principal de la matriz y los dos tri angulos con lados paralelos 31 32 33 a esta diagonal 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 acamente, estos tres 11 12 13 sumandos se pueden representar por la diagonal alterna de la matriz 21 22 23 y los dos tri angulos con lados paralelos a esta diagonal como se 31 32 33 muestra en el recuadro de la izquierda. El n umero de sumandos en la denici on del determinante es SN = |N| !. Este n umero crece r apidamente con |N| como se ve en la siguiente tabla 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 on es muy ineciente para matrices de m as de tres renglones y columnas. Matrices con las nulas

Si una matriz tiene una columna o un ren gl on nulo entonces, su determinante es cero. Q Prueba. Cada sumando de los determinantes iN i i contiene como factor una entrada de cada rengl on. Si un rengl on es nulo entonces, todos estos sumandos tienen un factor cero y por lo tanto la suma de todos ellos es cero. Lo mismo ocurre con las columnas. El determinante de la identidad lgebra respecto al producto y suma Ya vimos que el conjunto de matrices NN es un a de matrices y multiplicaci on por elementos del campo. El elemento neutro para el producto 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 a ordena do, la matriz identidad se puede representar gr acamente como una que tiene 1 0 unos en la diagonal y ceros en todas las dem as entradas como se muestra en el 0 1 recuadro a la izquierda para una matriz de dos renglones y columnas.

Secci on 4.2

Propiedades b asicas de los determinantes

97 det INN = 1

El determinante de la matriz identidad es 1.

Prueba. Si laQ permutaci on SN no es la identidad entonces hay un i N tal que i 6= i y por lo tanto iN i i = 0. Luego, X Y Y det INN = sgn i i = sgn (IdN ) ii = 1.
SN iN iN

El determinante de la transpuesta Dada una matriz MN su transpuesta se dene como la matriz NM = T acamente la MN tal que ij = ji . Gr operaci on de transponer una matriz es hacer una reexi on con respecto a la diagonal de la matriz. Observese que el conjunto de ndices de los renglones de la matriz T NM es M y no N como se podr a pensar de los sub ndices. La notaci on es as porque pensamos la transpuesta T MN como la aplicaci on de la operaci on T a la matriz NM . El determinante no se altera al transponer una matriz. 11 21 31 41 14 24 34 44

12 22 32 42

13 23 33 43

det A = det AT

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

Permutaciones de columnas y renglones on SN denimos la operaci on de permu Dada una matriz MN y una permutaci tar las columnas de MN mediante la permutaci on como la que resulta en la matriz M (N ) cuyas columnas son M 1 (i) (observese el uso de la permutaci on inversa 1 !). Gr acamente esta operaci on resulta en cambiar el orden de las 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 alogamente se dene la operaci on de permutar los 31 32 33 34 quierda. An renglones, para una permutaci on SM la matriz (M )N es 41 42 43 44 aquella cuyos renglones son 1 (j)N .

98

Cap tulo 4. Determinantes

Al permutar las columnas o los renglones de una matriz con la permutaci on el determi nante se altera por un factor igual a sgn . det N (N ) = sgn det NN

Prueba. Sea SN una permutaci on. Hay que demostrar det N (N ) = sgn det NN . Efectivamente, por la denici on tenemos X Y cambio de variable det N (N ) = sgn i 1 (i ) = = = 1 S iN N Y X Y X sgn ( ) ii = sgn sgn ii = sgn det NN = Con esto demostramos la proposici on para las columnas. La demostraci on para los renglones se obtiene transponiendo la matriz. ltimo resultado, que utilizaremos muy frecuentemente, es: Una consecuencia de este u Si una matriz tiene dos columnas o dos renglo nes iguales entonces su determinante es cero. Prueba. Sea la permutaci on de las columnas que intercambia las dos columnas iguales. Como no altera la matriz tenemos det NN = det N (N ) . Por otro lado la proposici on anterior nos dice que det N (N ) = sgn det NN = det NN de lo que se deduce la tesis. La demostraci on para los renglones se obtiene transponiendo la matriz.
La demostraci on de este resultado es erronea. Solamente hemos demostrado que un elemento a del campo cumple que a = a. De aqu obviamente 2a = 0. Si el campo es de caracter stica diferente de 2 efectivamente esto signica que a = 0. Para campos de caracter stica 2 la igualdad 2a = 0 se cumple para cualquier! elemento del campo. Luego, la demostraci on anterior es solo v alida para campos de caracter stica diferente de 2. Para hacer la prueba en caracter stica 2 es necesario usar la expansi on generalizada de Laplace (por dos columnas) para as obtener el resultado. Esto lo haremos en algunas p aginas m as adelante por lo que el lector puede estar seguro de que el corolario es cierto en cualquier caso.
SN i N SN iN

El determinante del producto ltima propiedad b La u asica de los determinantes es probablemente la m as importante lgebra lineal. Como la demostraci para el a on de esta propiedad es ciertamente complicada, le recomiendo al lector omitirla en una primera lectura. El determinante del producto de dos matrices es igual al producto de los determinantes de las dos matrices. det AB = det A det B

Prueba. Sean A = NN y B = NN . Para el objeto de esta demostraci on denotemos por as FN el conjunto de todas las funciones de N en N. Claramente SN FN . Denotemos adem TN al conjunto FN \ SN que es el de todas las funciones no biyectivas de N en N.

Secci on 4.2

Propiedades b asicas de los determinantes

99

Q P P Q y usando la f ormula iN jN ij = FN iN i i (Sec. 1.6, p ag. 21) obtenemos X X Y X X Y det AB = sgn i i i i + sgn i i i i
SN TN iN SN SN iN

Por la denici on de determinante y de producto de matrices tenemos X YX det AB = sgn ij j i

SN iN jN

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

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

Esto nos garantizar a que cada sumando positivo se cancele con otro negativo. Sea TN arbitraria pero ja. Como no es una biyecci on existen j, k N tales que (j) = (k) . Sea t A la transposici o n que intercambia j y k. Sea f : AN 3 7 N t AN . La funci on f es biyectiva ya que su inversa es 7 t. Adem as, tenemos Y Y Y i i i ( t)i = j j j k k k k j i i i i = i i i i ltima igualdad es v donde la u alida porque j = k . Matrices de permutaciones Ahora queremos ver que 4.11 es un caso particular de 4.13. 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 on SN . A IN (N ) se le llama matriz de la permutaci on . Lo interesante de las matrices de permutaciones es que al multiplicar por ellas se permutan renglones o columnas.
iN iN \{j,k } iN

100

Cap tulo 4. Determinantes

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 on (la permutaci on 1 ).

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 on para las columnas. La demostraci on para los renglones es igual. Observemos on de Q determinante Qque det IN (N ) = sgn . Efectivamente, en la denici cada producto iN i 1 ( i ) es cero para cada 6= . Para = tenemos iN ii = 1 que est a multiplicado por sgn . De aqu , 4.13 y 4.14 dan una nueva prueba de 4.11. Haga la mutiplicaci on de matrices del 0 0 1 11 12 13 recuadro a la derecha. La matriz de que permutaci on es 1 0 0 21 22 23 la de m as a la derecha? Concuerdan o no sus c alculos 0 1 0 con el resultado 4.14?
Denotemos M () = IN (N ) . No es dif cil probar que M ( ) = M () M () y que cualquier matriz de permutaciones tiene inversa (igual a su transpuesta). Luego M : SN GL KN es un mor smo 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 alido para cualquier campo K.

Ejercicio 73

4.3 Expansi on de Laplace

En esta secci on encontraremos una descomposici on de los determinantes como una com binaci on lineal de determinantes de matrices m as peque nas. Despu es veremos dos importan tes consecuencias de esta expansi on: que los determinantes son funcionales multilineales y que una matriz tiene inversa si y solo si esta tiene determinante diferente de cero. Cambios de ndices on. Podemos construir una matriz ML = M (N ) Sea MN y : N L una biyecci por la f ormula ij = i 1 (j) (observese el uso de la inversa 1 !). A esta operaci on la llamaremos cambio de ndices de las columnas de la matriz MN mediante la biyecci on . 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 on no es m as que una biyecci on de un conjunto en si mismo. Una matriz cuadrada es una matriz cuyas cantidades de renglones y columnas coinci den. A este n umero com un se le llama orden de la matriz. Necesitaremos los cambios de ndices para denir los determinantes de las matrices cuadradas. As , si : N M es una nico pero es que, en biyecci on entonces, podr amos denir det MN = det M (N ) . El u

Secci on 4.3

Expansi on de Laplace

101

principio, esta denici on no solo depende de la matriz NM sino tambi en de la biyecci on . El cuanto depende esta denici on de lo responde la siguiente proposici on. Si y son dos biyecciones Nen M enton de ces, det M (N ) = sgn 1 det M (N ) .

on de M y que las matrices M (N ) y Prueba. Observese que = 1 es una permutaci M (N ) solo se diferencian en la permutaci on de las columnas . Apl quese 4.11. No podemos poner la conclusi on de este resultado como sgn det M (N ) = 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 on es o 1 o 1 esto quiere decir que el determi nante det NM est a denido salvo signo o sea, que hay un elemento a K tal que el determinante es a o es a. En un campo de caracter stica dos esto es irrelevante ya que en este caso 1 = 1. Sin embargo en los casos m as importantes (R y C) de que el campo sea de caracter stica diferente de dos tenemos una ambig uedad al denir el determinante det NM . Esta ambig uedad se resuelve en diferentes casos de varias maneras. En muchos casos no 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 on se escogi o para 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 on escogida para denir det MN . Otro ejemplo, es que si una matriz tiene una columna o rengl on nulo entonces su determinante es cero. En otros casos lo importante no es el valor de alg un determinante sino una igualdad entre 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. T Por ejemplo, las igualdades det MN = det MN y det (LM MN ) = det LM det MN son v alidas independientemente de los cambios de ndices usados para denir los determinantes.

Ejercicio 74 Pruebe que det (L)M M (N ) = det (L)M det M (N ) , . [131]

En otros casos hay una biyecci on natural que nos dice cual debe ser el valor de det MN . Esto sucede por ejemplo si los conjuntos N y M son conjuntos de naturales. En este caso nica biyecci podemos siempre escoger la u on que conserva el orden. Por ejemplo si N = {2, 3, 7} y M = {1, 4, 5} entonces la biyecci on adecuada es 2 1, 3 4, 7 5.

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 a dada una relaci on de orden. Este es el caso de R pero no el de Zp ni el de C.

102

Cap tulo 4. Determinantes

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

Complementos algebraicos Estos razonamientos nos interesan ahora por el siguiente caso particular en el cual todo es m as f acil. Sea NN una matriz y sean i, j N. La matriz N \i N \j se obtiene de la matriz NN eliminando el rengl on i y la columna j. Habr a una manera natural de denir el determinante de N \i N \j ?. Veremos que si. Sea : N\j N\i. una biyecci on cualquiera. Podemos denir (j) = i y de esta manera se convierte en una permutaci on de N. Denamos el de sgn det N \i (N \j) terminante det N \i N \j con la expresi on del recuadro a la derecha. Parecer a que no hemos hecho nada ya que en principio esta denici on depende de . La expresi on sgn det N \i (N \j) no depende de . Prueba. Sea otra permutaci on de N tal que (j) = i. Aqu hay que tener cuida do. Por un lado es una biyecci on de N\j en N\i y por otro es una permutaci on de N. Otro tanto ocurre con . Para evitar confuciones, a las permutaciones de N las denotaremos en esta on por ^ y ^ respectivamente. Por 4.15 tenemos que det N \i (N \j) = demostraci 1 sgn on de N\i. Que pasa det N \i (N \j) . Observese que 1 es una permutaci 1 1 con ^ ^ ? Pues, en de N\i coincide con y adem as ^ ^ 1 (i) = i. todo elemento 1 1 Luego sgn = sgn ^ ^ y por las propiedades de la funci on signo se tiene 1 ^ sgn ^ det N \i (N \j) y que sgn ^ ^ = sgn ^ sgn ^ . Luego det N \i (N \j) = sgn pasando sgn ^ al otro lado de la igualdad terminamos la prueba. Ahora, podemos dar la siguiente denici on. Si ij es una entrada de la matriz A = NN entonces el complemento algebraico de ij es ij = sgn det N \ i (N \ j) donde es cualquier permutaci on de N tal que (j) = i. A los complementos algebraicos tambi en se les llama cofactores. La matriz cuyas entradas son los complemento algebraicos NN ij es la matriz de los complementos algebraicos de NN o matriz de cofactores de NN . La expansi on de un determinante por sus renglones Teorema de Expansi on de Laplace Sea iN un rengl on arbitrario de la matriz NN . El determinante de NN es igual a la suma de las entradas del rengl on por sus cofactores. det NN = iN iN = X
jN

ij ij

Secci on 4.3

Expansi on de Laplace
[

103
j Si N

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

jN

n N \ i

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

ltima igualdad se obtiene por la denici donde la u on de ij .

Como es natural hay un teorema exactamente igual a este correspondiente a las columnas. La expansi on de Laplace en forma gr aca El Teorema de expansi on de Laplace es la primera herramienta (aparte de la denici on) de que disponemos para calcular determinantes. Este reduce el problema a calcular varios til cuando hay renglones (o determinantes de matrices m as peque nas. Es especialmente u columnas) con muchos ceros. Sin embargo, todav a debemos precisar el como calcular los cofactores en forma gr aca. Si bien, la denici on de estos es sencilla necesitamos encontrar una biyecci on simple de N\i en N\j que facilite los c alculos cuando N est a ordenado o sea N = {1, ..., n}. Sea por ejemplo i = 2 y j = 7. En este caso la biyec 1 3 4 5 6 7 8 ... n ci on natural de N\2 en N\7 es la que se muestra en el recuadro a la izquierda y la llamaremos . Tenemos que 1 2 3 4 5 6 8 ... n denir (2) = 7 para completar una permutaci on de N. Sabemos que transforma 7 7 6 7 5 7 4 7 3 7 2 7 7 y que deja jos a todos los dem as elementos de N. Luego, es un ciclo de longitud j i + 1 (si i > j entonces es un 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. Con estas permutaciones, los complementos algebraicos tienen una interpretaci on gr a achese el ca muy sencilla. Si se quiere sacar el complemento algebraico de ij entonces t rengl o n i , t a chese la columna j , s a quese el determinan te de la matriz que queda y nalmente multipl quese 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 .

104

Cap tulo 4. Determinantes

Al matem atico y f sico PierreSimon Laplace (Francia 17491827) se le conoce fundamentalmente por sus trabajos en mec anica celeste, ecuacio nes diferenciales y teor a de las probabilidades. El public o la demostraci on del Teorema de Expansi on de Laplace (4.17) en 1772 en un art culo donde rbitas de los planetas interiores del sistema solar. En este estudiaba las o art culo, Laplace analiz o el problema de soluci on de sistemas de ecuacio nes lineales mediante el uso de determinantes.

Ejercicio 75 T omese una matriz de orden cuatro y calcule su determinante usando el teo
rema de descomposici on de Laplace por alg un rengl on. columna. Ejercicio 76 Demuestre que el determinante de la ma triz en el recuadro a la derecha es igual a Y f (x1 , x2 , . . . , xn ) = (xj xi ) Repita este ejercicio por alguna

1i<jn A este determinante se le conoce como determinante de Vandermonde. El lector debe notar que ya nos encontra mos con la funci on f en la prueba de la proposici on 4.5. Sugerencia: Usar inducci on en n. Considerar el determinante de Vandermonde y la funci on f como polinomios en la variable xn . Probar que ambos polinomios tienen las mismas raices y el mismo coeciente principal. Multinearidad de los determinantes El determinante se puede ver como una funci on del espacio de matrices en el cam po. Ser a el determinante una TL? Se cumplir a que det (A + B) = 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 terminolog a 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 on f con valor en K de dos 2 variables x, y que toman sus valores en E o sea, f : E 3 (x, y) 7 f (x, y) K. Como a suceder que f sea un funcional lineal. E2 es un espacio vectorial sobre K entonces podr Sin embargo, hay una propiedad un poco m as sutil que podr a cumplir la funci on f y es 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 alogamente, se dene la 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).

1 1 x1 x2 x2 x2 1 2 1 1 xn xn 1 2

1 xn x2 n 1 xn n

Secci on 4.3

Expansi on de Laplace

105

Evidentemente todo esto se puede hacer cuando tenemos muchas variables en cuyo caso nos referiremos a los funcionales multilineales. M as rigurosamente, sea f : EN K una funci on donde N es un conjunto de variables. Sea i N una variable. Podemos pensar a f como una funci on de dos variables f : EN \i E K. Si y EN \i la funci on 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 on f : R3 3 (x, y, z) 7 x + y + z R es un funcional lineal. La funci on 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 en para las otras variables. Observese que f no es multilineal y que g no es lineal. 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 simo rengl que su ie on es la suma de dos Nadas xN y yN . Sea B la misma matriz que A simo rengl simo excepto que su ie on es xN . Sea C la misma matriz que A excepto que su ie rengl on es yN . Tenemos que probar que det A = det B + det C. (Si el lector no entiende porqu e entonces, debe regresar al principio de esta secci on y volver a pensar la denici on de funcional multilineal y el porqu e el determinante es un funcional de los renglones.) Usando la descomposici on de Laplace por el rengl on i obtenemos det NN = iN iN = (xN + yN ) iN = xN iN + yN iN = det B + det C ltima igualdad se cumple porque los cofactores de las matrices B y C de las donde la u entradas del rengl on i son los mismos que los de la matriz NN . simo rengl Sea ahora A = NN una matriz tal que su ie on es xN . Sea B la misma matriz simo rengl que A excepto que su ie on es xN . Usando la descomposici on de Laplace por el rengl on i obtenemos det NN = iN iN = xN iN = det B. Por transposici on el determinante es tambi en un funcional multilineal de las columnas.

Ejercicio 77 Sean A y B dos matrices con dos renglones y columnas. Sea C la matriz cuya primera columna es la primera de A y su segunda columna es la segunda de B. Sea D la matriz cuya primera columna es la primera de B y su segunda columna es la segunda de A. Demuestre que det (A + B) = det A + det B + det C + det D.
Los determinantes son los u nicos 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 on . Dejaremos la prueba de este hecho para mucho m as adelante.

106 La inversa de una matriz

Cap tulo 4. Determinantes

1 Recordemos que, dada una matriz MN decimos que NM = MN es la matriz inversa 1 1 de MN si se cumple que MN MN = IMM y MN MN = INN . Mediante el isomorsmo 1 de las matrices con las TLs concluimos que MN y MN son la matrices de dos TLs una 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 on. Es f acil ver usando la denici on de cambio de 1 1 ndices ndices que NM = MN si y solo si (N )M = M (N ) . O sea, cualquier cambio de apropiado reduce el c alculo de matrices inversas al caso en que el conjunto de columnas coincide con el conjunto de renglones. Por esto, nos olvidaremos un poco de los ndices para poder enunciar m as f acilmente nuestros resultados. La siguiente proposici on nos dice que para probar que una matriz es inversa de otra es suciente comprobar una de las dos igualdades involucradas en la denici on. Aqu , la clave es que las matrices son nitas y cuadradas lo que signica que sus TLs son entre espacios de la misma dimensi on nita.

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 = Id. De 3.28 (p agina 88) obtenemos que g f = Id y por lo tanto BA = I. Si una matriz tiene inversa entonces ella es no singular. Adem as, det A1 = (det A)1 . Prueba. Por denici on de matriz inversa tenemos 1 = det I = det AA1 = det A det A1 y por lo tanto det A 6= 0 y det A1 = (det A)1 . Para probar que el rec proco de esta armaci on tambi en es cierto, lo que haremos es 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 on lo que hay que hacer es multiplicar. Sea MM = A y B = MM = (det A)1 AT . Tenemos Mj = (det A)1 on de pro jM y de la denici ducto de matrices obtenemos que la entrada ij de la matriz AB es igual a iM Mj = (det A)1 iM on de Laplace del det A por jM . Si i = j entonces iM jM es la expansi el rengl on i de lo que obtenemos que iM Mj = 1.

Secci on 4.4

La expansi on generalizada de Laplace

107

Solo queda probar que iM jM = 0 si i 6= j. Si nos jamos atentamente, vemos que esta es la expansi on de Laplace por el rengl on j del determinante de la matriz C obtenida de la matriz A substituyendo el rengl on j por el rengl on i. Como la matriz C tiene dos renglones iguales entonces, su determinante es cero y necesariamente iM jM = 0. 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. Podr amos denir det f = det A. Sin embargo, no nos queda claro si esta denici on depende o no de como hallamos escogido la base. 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. 1 Por la f ormula del cambio de bases para matrices (3.22) tenemos B = NM A NM donde NM es la matriz de cambio de la base M a la base N. Tenemos 1 1 det NN = det NM MM NM = det NM det MM det NM = det MM ya que por 4.20 la igualdad det NM (det NM )1 = 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 on del determinante de su matriz en alguna base y esto no depende de la base escogida.

4.4 La expansi on generalizada de Laplace

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

108

Cap tulo 4. Determinantes

La expresi on sgn det I 1 (J) det I0 2 (J0 ) no depende de las biyecciones 1 y 2 .

Prueba. Sean 1 y 2 otras dos biyecciones y = 1 2 . Por 4.15 tenemos det I 1 (J) = 1 1 0 0 sgn 1 y det = sgn det det I0 2 (J0 ) . Multiplicando estas I 1 (J ) I 2 (J ) 2 1 2 dos igualdades vemos que queda que solo nos probar 1 sgn 1 1 sgn 2 2 1 = sgn 1 . 1 1 1 Para esto, denotemos 1 = 1 1 , 2 = 2 2 y = . De las deniciones es 0 inmediato que (y) = 1 (y) si y I y (y) = 2 (y) si y I . 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 ormulas de la derecha donde denota una permutaci on (ar = sgn det 0 0 IJ I (J ) bitraria pero la misma para las dos deniciones) tal que (J) = I (y en consecuencia (J0 ) = I0 ). Esta denici on no es correcta en el sentido de que ambos IJ y IJ dependen de . Sin embargo IJ IJ no depende de y esto es lo importante. Expansi on Generalizada de Laplace 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 on de N tal que (J) = I. Hagamos el cambio de variable = . X X Y Entonces, det NN = sgn sgn i 1 (n )
0 | J |= p 0
II SN

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

|J |=p

J SI N

n N

Como (I) = I entonces, (I ) = I . Luego se puede descomponer en la composici on de 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 SI n I SI 0 n I 0

n N

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

Secci on 4.4

La expansi on generalizada de Laplace

109

El la p agina 98 vimos que nuestra demostraci on de 4.12 no es v alida para campos de caracter stica 2. Ahora ya podemos dar una demostraci on general. Supongamos que la matriz N N tiene los renglones a y b iguales. Denotemos I = {a, b}. Hagamos la expansi on generalizada de Laplace P por estos dos renglones obteniendo det N N = IJ IJ . Los IJ son determinantes de dos renglones y columnas y en cada caso sus dos renglones son iguales. Por la f ormula para calcular los determinantes de matrices orden dos, obtenemos IJ = 0 y por lo tanto det N N = 0.

Matrices diagonales y triangulares por bloques on M1 Mt = M y que Sea MM una matriz. Supongamos que existe una partici 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 on M1 Mt = M se cumple que si i Mp , 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 i=1 det M i M i .

Prueba. Haremos la prueba por inducci on en el n umero de bloques t. Para t = 1 la propo 0 sici on es trivial. Denotemos M = M\M1 . Aplicando la expansi on generalizada de Laplace 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 on de matriz triangular, i I = M1 se tiene que ij = 0. O sea, la columna j es cero en IJ e independientemente de la biyecci on que se escoja para calcu lar el deteminante tenemos IJ = 0. Luego, det MM = II II = det M 1 M 1 det M 0 M 0 . La matriz M0Q es triangular por bloques con un bloque menos y por hip otesis de inducci on det M 0 M 0 = t det . Mi Mi i =2

Ejercicio 78 Cuales matrices son de las siguentes triangulares?

Ejercicio 79 Sean M = {1, . . . , 5} y MM una matriz triangular por los bloques M1 = {1, 2}, M2 = {3} y M3 = {4, 5}. Cual es el aspecto de MM en forma gr aca? [131]
La expansi on generalizada de Laplace en forma gr aca Ahora, precisaremos los signos de las biyecciones en la expansi on generalizada de La place cuando la matriz est a dada en forma gr aca. Como esto es util solo para calcular el

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

[131]

110

Cap tulo 4. Determinantes

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 on. Si N = {1, . . . , n} entonces, entre dos cualesquiera subconjuntos I, J N del mismo cardinal hay una biyecci on natural que conserva el orden. Para esto, introduscamos la nota ci on {m1 , m2 , . . . , mt }< para se nalar que p {2, . . . , t} se tiene que ip1 < ip . Ahora, si I = {i1 , . . . , it }< y J = {j1 , . . . , jt }< entonces, la biyecci on es 1 : I 3 ip 7 jp J. Tam bi en, tenemos una biyecci on natural entre los complementos de I y J. Para esto sean K = 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 on J I = 1 2 cumple lo necesario para calcular el signo de un sumando de la expansi on generalizada de J Laplace, o sea J I (I) = J y I (N\I) = N\J. Observese, que la biyecci on 1 es la natural de renglones a columnas que se obtiene si 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 on de renglones a columnas si tachamos todos los renglones con ndices en I y todas las columnas con ndices en J. Calculemos el signo de J . Al estudiar la expansi o n (normal) de Laplace en forma gr aca I j J vimos que si I = {i} y J = {j} entonces, I = i es (j, j 1, , i + 1, i) si j > i el ciclo que se muestra a la derecha y por lo tanto (j, j + 1, , i 1, i) si j < i i +j sgn j (la regla del tablero de ajedrez). i = (1)
j1 1 sgn J I = sgn i1 sgn I \ i1 . J\j

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 j1 < `q (es admisible que p = s + 1 y/o ndice tal que i1 < kp y sea q el menor q = s + 1). Usando la denici on de calculamos (kp , kp+1 , , kq1 , i1 ) si p < q que esta permutaci on es igual a la del recuadro a la (kp1 , kp2 , , kq , i1 ) si p > q izquierda. Luego, es siempre un ciclo de longitud Id si p = q |p q| + 1 y por lo tanto sgn = (1)p+q . Como i1 y j1 son los elementos m as peque nos 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 .
j1 j2 jt Iterando este resultado obtenemos sgn J I = sgn i1 sgn i2 sgn it . Observese que ir jr son las entradas en la diagonal de la submatriz IJ de NM . Luego, para hallar sgn J I lo 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 en se puede hacer, calculando la paridad de iI i + jJ j. Ejemplo. Calculemos el determinante de una matriz NN del recuadro 4 5 1 1 1 2 3 2 a la izquierda haciendo la expansi on generalizada de Laplace por el con 4 5 2 3 junto I del segundo y cuarto renglones. Tenemos que recorrer todos los 1 2 3 4 subconjuntos J de dos columnas.

Secci on 4.5

El rango de una matriz

111

Observese, que si la columna 4 no est a en J entonces la matriz IJ tiene dos renglones iguales por lo que todos los sumandos correspondientes en la expansi on ser an cero. Adem as, para J = {3, 4} la matriz N \I N \J tiene dos renglones iguales por lo que tambi en el corres pondiente sumando es cero. Solo nos quedan dos sumandos J = {1, 4} J = {2, 4} cuando J = {1, 4} y cuando J = {2, 4}. Para ellos podemos + + + extraer del tablero de ajedrez las submatrices del recuadro a + + + la derecha y multiplicando los signos en las diagonales obte {1,4 } {2,4 } nemos sgn I = 1 y sgn I = 1. Luego, por la expansi on 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 on introduciremos las bases de una matriz como las submatrices m as grandes con determinante diferente de cero. Demostraremos que las bases de una matriz denen y est an denidas por las bases de los espacios de columnas y renglones de la matriz. Este resultado es central en la teor a de matrices y es por ejemplo, el fundamento de los diversos m etodos de c alculo del conjunto de soluciones de un sistema de ecuaciones lineales. 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 no problema: es posible que halla renglones 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 alogamente se dene el espacio de columnas de una matriz, los conjuntos de columnas LI y las bases de las columnas. Matrices no singulares Antes que nada recoleccionaremos en un solo resultado todo lo que hemos probado para las matrices no singulares. Caracterizaci on de Matrices No Singulares 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.

112

Cap tulo 4. Determinantes

Prueba. La implicaci on 12 es el resultado 4.20. La implicaci on 21 es el resultado 4.21. La equivalencia 14 es el resultado 3.20. De aqu , 24 y como los determinantes no cambian por transposici on obtenemos 23. Lema de aumento de matrices no singulares El siguiente resultado es la parte m as importante de las demostraciones de los que le siguen. Su demostraci on es cl asica e ingeniosa. Este resultado es en cierta manera an alogo al lema de aumento de conjuntos LI que vimos en el Cap tulo 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 arti cialmente le agregamos otra columna n. En este caso Bn tiene dos columnas iguales y por lo tanto tambi en det Bn = 0. Para cualquier n, podemos pensar la matriz Bn gr acamente como se muestra en el recuadro. Sean Bin los cofactores de las IJ In ltima columna en la matriz Bn . Observemos que Bn = entradas de la u mJ mn en la denici on de los Bin no est an involucradas las entradas de ltima columna. Luego, Bin no depende de n y podemos denotar Bin = i K. De la la u ltima columna expansi on de Laplace por la u Bn obtenemos: X en la matriz X 0 = det Bn = in Bin = in i . Como esto es v alido n N concluimos que M MN = 0N . Como m = det IJ 6= 0 esto signica que los renglones de MN est an en una combinaci on lineal nula con coecientes no todos nulos. Esto contradice la hip otesis de que los renglones son LI. Bases de una matriz Ya estamos listos para denir las bases y el rango de una matriz. Sea MN una matriz. Entre las submatrices no singulares de MN tenemos la relaci on de contenci on (I0 J0 IJ ) (I0 I y J0 J) Una base de MN es una submatriz no singular maximal por contenci on. Para las bases de una matriz se cumple una propiedad an aloga a la de las bases de los espacios vectoriales. Dos bases cualesquiera de una matriz tienen el mismo orden. as grande de sus bases. Sea KL una base Prueba. Sea MN una matriz. Sea r el orden m
iM iM

Secci on 4.5

El rango de una matriz

113

de orden r. Si el conjunto de renglones indexado por K en la matriz MN fuera LD entonces existir a una combinaci on lineal K KN = 0N con K 6= 0K y por lo tanto K KL = 0L lo que contradecir a que por ?? el conjunto de renglones indexado por K en la matriz KL es LI. Luego, la dimensi on del espacio de renglones de MN es al menos r. Sea IJ una base cualquiera. Debemos probar que |I| = r. Supongamos |I| < r. Como la dimensi on del espacio de renglones de MN es al menos r entonces, existe m / I tal que el conjunto de renglones indexado por I m en MN es LI. Por el Lema de Aumento de Submatrices No Singulares (4.28) existe una columna n tal que det Im Jn 6= 0 y esto contradice que IJ es una base de MN . Al orden com un de todas las bases de una matriz se le llama rango de la matriz. En otras aximo natural r tal que MN tiene una submatriz cuadrada palabras, el rango de MN es el m de orden r y de determinante no nulo. Teorema del rango El siguiente resultado es una de las implicaciones de la Caracterizaci on de las Bases de una Matriz (4.32) que demostraremos m as adelante. El lector no debe olvidar que por transposici on este resultado y el que le sigue tambi en son v alidos para las columnas. Si IJ es una base de MN entonces, el conjunto de renglones indexado por I es una base del espacio de renglones de MN . Prueba. Sea IJ una base de MN y denotemos por A = {iN | i I} el conjunto de renglones indexado por I. Para ver que A es una base de los renglones observese primero que |A| = |I| ya que si este no fuera el caso la matriz IJ tendr a dos renglones iguales y esto no puede ser ya que det IJ 6= 0. Si A no fuera LI existir a una combinaci on lineal I IN = 0N con I 6= 0I y por lo tanto I IJ = 0J lo que contradecir a que por ?? el conjunto de renglones indexado por J en la matriz IJ es LI. Luego, A es LI. Necesitamos probar que A es LI maximal. Si esto no fuera cierto entonces, existir a m M\I tal que el conjunto de renglones indexado por I m es LI. De aqu , por el Lema de Aumento de Submatrices No Singulares (4.28) encontrar amos una columna n tal que det Im Jn 6= 0 y esto es un absurdo ya que las bases de una matriz son maximales por contenci on. Teorema del Rango de una Matriz El rango de una matriz es igual a la dimensi on de su espacio de renglones. Prueba. Sea r el rango de MN . Existe una base IJ de MN tal que |I| = r. Por 4.30 el conjunto {iN | i I} es una base de los renglones que tiene r vectores. Una primera (pero importante y asombrosa) consecuencia del Teorema del Rango de una Matriz (4.31) es que las dimensiones de los espacios de columnas y renglones de cual

114

Cap tulo 4. Determinantes

quier matriz coinciden. Si el lector no se asombra lo debe pensar mejor. A primera vista, los espacios de columnas y de renglones de una matriz no tienen nada que ver uno con el otro. Caracterizaci on de las bases de una matriz Ya estamos listos para demostrar el resultado que resume toda esta secci on. Caracterizaci on de las Bases de una Matriz 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 . Ya probamos (4.30) que si IJ es una base entonces, los renglones de IN y las columnas de MJ son bases. Rec procamente, supongamos que los renglones de IN y las columnas de MJ son bases. Por el Teorema del Rango de una Matriz (4.31) el rango de las matrices MN , IN y MJ es igual a r = |I| = |J|. Por 4.30 el espacio de renglones de MJ tiene dimensi on r. Por otro lado, como los renglones de IN son una base entonces, para cada m M\I el rengl on mN es una com binaci on lineal mN = I IN de los renglones de IN y por lo tanto cada subrengl on mJ es combinaci on lineal mJ = I IJ de los renglones de IJ . Luego, los renglones de IJ son un generador del espacio de renglones de MJ y como este espacio tiene dimensi on r = |I| concluimos que los renglones de IJ son LI. De la Caracterizaci on de Matrices No Singula res (4.27) obtenemos que det IJ 6= 0 o sea, IJ es una matriz no singular de orden igual al rango y por lo tanto es una base de MN .

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 on de producto de matrices en jM 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 as simple Ax = b. Supongamos que A es una matriz ja. Si hacemos N variar x en K entonces esta igualdad la podemos pensar como una TL de KM en KN . Como es l ogico, si conocemos x entonces como sabemos multiplicar matrices hallamos b = Ax. M as dif cil es el problema inverso, si se conoce b entonces, como hallar x tal que Ax = b? A una igualdad de la forma Ax = b donde A y b son conocidos y x es inc ognita se le llama sistema de ecuaciones lineales. Oh, gran confusi on! porqu e sistema? por qu e ecuaciones en plural si nada m as tenemos UNA?. La respuesta a estas preguntas no es gran misterio, es un problema hist orico. Cuando sobre la faz de la Tierra a un no viv an las

Secci on 4.6

Sistemas de ecuaciones lineales

115

matrices y los vectores, los humanos P necesitaban encontrar unos numeritos xj tales que para cualquier i N se cumpla que jM ij xj = bi . Obs ervese que se necesitan encontrar |M| numeritos. En el caso de que |N| = 1 se dec a que tenemos que resolver una ecuaci on lineal. Para el caso |N| > 1 los numeritos xj deber an de cumplir todas y cada una de las ecuacio nes (para cada i N) y entonces, se dec a que se necesitaba resolver un sistema (conjunto, colecci on, cualquier cosa que signique que hay muchas) de ecuaciones lineales. De hecho, para acercarnos m as a la verdad, debemos substituir en todo lo dicho los se dec a por se dice en presente. Luego, hay dos formas de ver los sistemas de ecuaciones lineales: Tenemos que encontrar |M| elementos del Pcampo xj tales que 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 as simple y sistem atica (a costo de aprender 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 on del sistema de ecuaciones lineales est a a la mano. Esto no signica que ya sepamos resolver todos los sistemas de ecuaciones lineales ya que para que una matriz sea no singular se necesita primero que sea cuadrada y que adem as el determinante sea diferente de cero. Regla de Cramer Sea Ax = b un sistema de ecuaciones lineales. A la matriz A se sistema y al vector b lo llamaremos vector de coecien 1 tes libres. Denotaremos por A (j) la matriz obtenida de la A = 4 sima columna por el matriz del sistema substituyendo la je vector de coecientes libres. Un ejemplo de esta substitu A (2) = ci on es el de la derecha. Regla de Cramer Si la matriz A es no singular entonces, la je sima 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 le llama matriz del
2 5 1 4 3 7 ,b = 6 8 7 3 8 6

Prueba. Sea NM es una matriz no singular. Ya observamos que en este caso necesariamente 1 1 x = NM b. Denotemos por ij las entradas de NM entonces, tenemos xj = jN bN . Por xj det NM = bN 4.21 tenemos que jN = Nj / det NM y de aqu Nj . Para terminar la demostraci on basta observar que la expresi on a la derecha de la igualdad es la expansi on de Laplace de A (j) por la columna j.

116

Cap tulo 4. Determinantes

Gabriel Cramer (Suiza 17041752) public o su famosa regla en el art cu lo Introducci on al an alisis de las curvas algebraicas (1750). Esta sur gi o del deseo de Cramer de encontrar la ecuaci on de una curva plana que pasa por un conjunto de puntos dado. El escribe su regla en un ap endice del art culo y no da prueba alguna para ella. Este es uno de los or genes hist oricos del concepto de determinante. Es curioso (y educativo) ver con que palabras Cramer formula su regla: Uno encuentra el valor de cada indeterminada formando n fracciones el com un denominador de las cuales tiene tantos t erminos como las permutaciones de n cosas.

Cramer contin ua explicando como se calculan estos t erminos como productos de ciertos coecientes de las ecuaciones y como se determina el signo. El tambi en se nala como los numeradores de las fracciones se pueden encontrar substituyendo ciertos coecientes de los denominadores por los coecientes libres del sistema. Para nosotros, con m as de dos siglos de ventaja, es mucho m as f acil. Las n fracciones son det A (j) / det A y el com un deno minador es det A (que tiene tantos sumandos como las permutaciones de n cosas). La Regla de Cramer (4.33) tiene fundamentalmente un inter es hist orico por ser uno de los or genes 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. Existencia de soluciones Cuando se tiene un sistema de ecuaciones se deben contestar tres preguntas: Existe una soluci on? Como encontrar una soluci on en el caso de que exista? Como encontrar TODAS las soluciones? La Regla de Cramer da la respuesta a las tres preguntas para cuando A es una matriz no nica y se halla por la Regla de Cramer. Ahora responderemos singular: la soluci on existe, es u denitivamente y para todos los casos la primera pregunta. Pero primero, introduciremos unas notaciones que utilizaremos en toda esta secci on. Si A y B son dos matrices con los mismos conjuntos de ndices de los ren glones entonces denotaremos como en el recuadro de la derecha a la matriz cuyas A B columnas son las de A y las de B. La matriz [A|B] la podemos pensar como el resultado de la operaci on que a la matriz A se le agregan las columnas de B. (A las operaciones de este tipo se les llama concatenaci on en las ciencias de la computaci on). Por otro lado, Si A y B son dos matrices con los mismos conjuntos de ndices de A las columnas entonces denotaremos como en el recuadro de la izquierda a la matriz B cuyos renglones son los de A y los de B.

Secci on 4.6

Sistemas de ecuaciones lineales

117

Ahora, demos una denici on. Si Ax = b es un sistema de ecuaciones lineales entonces la matriz ampliada del sistema (denotada por [A|b]) es la matriz que se obtiene de la matriz del sistema a nadiendo el vector columna de coecientes libres b. Teorema de Existencia de Soluciones El sistema Ax = b tiene una soluci on si y solo si el rango de la matriz del sistema coincide con el rango de la matriz ampliada. Prueba. Por denici on de rango siempre se tiene que rank A rank [A|b] . Que coincidan es equivalente por el Teorema del Rango de una Matriz (4.31) a que b sea combinaci on lineal de las columnas de A. El que b sea combinaci on lineal de las columnas de A es equivalente a la existencia de escalares xj tales que xN iN = bi o sea a que Ax = b tenga soluci on. Eliminaci on de ecuaciones dependientes Lema de Eliminaci on de Ecuaciones Dependientes 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 . as ecuaciones que IN xN = bI entonces cada solu Prueba. Como MN xN = bM tiene m ci on de MN xN = bM es soluci on de IN xN = bI . Rec procamente, sea xN tal que IN xN = bI y m M\I. El rengl on [mN |bm ] es com binaci on lineal de los indexados por I. Luego existen escalares i tales que mN = I IN se cumplen las igualdades a la derecha. Multiplicando la primera igualdad bm = I bI por xN y usando la denici on de xN obtenemos mN xN = I IN xN = I bI = bm y por lo tanto xN satisface todas las ecuaciones del sistema MN xN . Otra manera, m as algor tmica, de ver este lema es que si tenemos un sistema de ecua ciones MN xN = bM y un rengl on de este sistema es combinaci on lineal de los dem as entonces, debemos eliminar la ecuaci on correspondiente a este rengl on. El Lema de Eli minaci on de Ecuaciones Dependientes (4.35) nos garantiza que esta operaci on no altera el conjunto de soluciones. Repitiendo esta operaci on una cierta cantidad de veces, obtenemos 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 on la matriz MN como Ker MN = Ker f. Pasemos ahora a analizar la imagen. Por denici de imagen tenemos Im MN = {M | xN MN xN = M }. O sea, Im MN es el conjunto

118

Cap tulo 4. Determinantes

de vectores M tales que el sistema P de ecuaciones lineales MN xN = M tiene al menos una soluci on. Tenemos MN xN = iN Mi xi que es una combinaci on lineal de las columnas. Luego, Im MN es el subespacio generado por las columnas de la matriz MN . Adem as, si N es una soluci on de MN xN = M entonces, 3.29 (p agina 89) nos dice que el conjunto de todas sus soluciones es el subespacio af n N + Ker MN . Resumamos todo lo dicho en 4.36 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 on de MN xN = M entonces, el conjunto de todas sus soluciones es el subespacio af n N + Ker MN .

Bases del subespacio af n de soluciones Ahora nos disponemos a dar la soluci on general de los sistemas de ecuaciones lineales. Sea MN xN = bM un sistema de ecuaciones. De 4.36 las soluciones del sistema MN xN = bM es un subespacio af n de KN . Este subespacio es N +Ker MN donde N es una soluci on del sistema y Ker MN es el subespacio de soluciones de MN xN = 0M . Luego, nuestra tarea es encontrar una Nada soluci on y encontrar Ker MN dando una base de este subespacio. Sea IJ una base de la matriz del sistema MN . Si IJ no es una base de la matriz ampliada [MN |bM ] entonces, por el Teorema de Existencia de Soluciones (4.34) el sistema de ecuaciones no tiene soluci on y en este caso no hay nada que hacer. Luego, podemos suponer que IJ es una base de la matriz ampliada. Por la Caracterizaci on de las Bases de una Matriz (4.32) el conjunto {iN | i I} es una base de los renglones y de aqu por el Lema de Eliminaci on de Ecuaciones Dependientes (4.35) nuestro sistema de ecuaciones tiene las mismas soluciones que el sistema IN xN = bI . Este sistema de ecuaciones es equivalente al del recuadro a la x + x = b IJ J IK K I izquierda donde K = N\J. La ventaja aqu , es que por 4.21 la matriz IJ tiene inversa y por lo tanto podemos despejar xJ . Para encontrar una soluci on de este 1 nuevo sistema pongamos xK = 0K y despejando obtenemos xJ = IJ bI . Esto 1 IJ bI on de quiere decir que la Nada N del recuadro a la izquierda es una soluci 0K nuestro sistema original de ecuaciones MN xN = bM . Para encontrar una base del Ker MN podemos substituir xK por los vecto 1 res de la base can onica de KK en la ecuaci on IJ xJ + IK xK = 0I y despejar xJ . IJ Ik Las Kadas de la base can onica son las columnas de la matriz identidad IKK . Kk sima columna de IKK por Kk . Despejando Denotemos la ke 1 1 1 obtenemos xJ = IJ IK Kk = IJ Ik . Luego los vectores en el recuadro IJ IK de arriba a la derecha, que son precisamente las columnas de la matriz NK IKK del recuadro a la izquierda, est an en el nucleo de la matriz MN .

Secci on 4.7

M etodo de eliminaci on de Gauss

119

Las columnas de la matriz NK son una base del subespacio Ker MN . Prueba. El rango de NK es |K| ya que IKK es una base de ella. Evidentemente las columnas son LI. Ya observamos que cada columna de NK est a en el subespacio Ker MN . El rango de NK es |K| ya que IKK es una base de ella y evidentemente sus columnas son LI. Necesitamos probar que las columnas son un generador de Ker MN . Sabemos que |K| + |J| = |N| y de 4.36 obtenemos |J| = dim Im MN . Como la imagen y el nucleo tienen dimensiones complementarias (3.25) entonces, |K| = dim Ker MN . As , el subespacio generado por las columnas de NK est a contenido en el Ker MN y tiene la misma dimensi on que Ker MN . Por 2.17 (p agina 52) estos espacios coinciden. Como las combinaciones lineales de las columnas de una matriz se obtienen multipli cando por vectores a la derecha, en la suposici on de MN xN tiene al menos una soluci on, podemos resumir todo lo expuesto en el siguiente resultado: Soluci on General de un Sistema de Ecuaciones Lineales El conjunto de soluciones de MN xN = bM es igual al subespacio af n 1 1 IJ IK bI K + IJ K KK KN IKK 0K donde IJ es una base de MN y K = N\J. En particular, la nulidad (la dimensi on del nucleo) de cualquier matriz es igual a su n umero de columnas menos su rango.

4.7 M etodo de eliminaci on de Gauss

La idea del m etodo de eliminaci on de Gauss es realizar ciertas transformaciones de las 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 etodo m as universal y eciente (al menos manualmente) para calcular los determinantes, el rango, el nucleo, las matrices inversas y otras cosas que a un no hemos estudiado. Aqu , estudiaremos brevemente este m etodo. Hace diez a nos (1995) hubiera sido inconcebible impartir un curso general de Algebra Lineal sin desarrollar con todo detalle la eliminaci on de Gauss. Sin embargo, con el creciente desarrollo de las computadoras personales y el software matem atico, cada vez m as los m eto dos de c alculo se hacen importantes solo para los especialistas en desarrollo de software y para los investigadores que pretenden mejorarlos y/o adaptarlos a nuevos problemas. Sucede algo parecido con el m etodo de c alculo de las raices cuadradas de los n umeros que se estudia en la ense nansa media. En un mundo con calculadoras, la fracci on de la poblaci on humana interesada en dominar este m etodo es realmente muy peque na. Es mucho

120

Cap tulo 4. Determinantes

m as importante saber que es la ra z cuadrada que saber como calcularla. Transformaciones elementales Sea MN una matriz. Sean iN , jN dos renglones de MN y K un escalar. Deno temos jN = iN + jN y sea MN la matriz obtenida de MN reemplazando el rengl on jN por la Nada jN . A la operaci on que dados MN , i, j y obtenemos MN se le llama til de pensar las transformacio transformaci on elemental de los renglones. Otra manera u nes elementales de los renglones es que en la matriz MN al rengl on jN le sumamos el rengl on iN multiplicado por . De forma an aloga, se denen las transformaciones ele mentales de las columnas. Una transformaci on elemental es de renglones o de columnas. Sea MN una matriz y ij una entrada. Si ij 6= 0 entonces, haciendo a lo m as |M| 1 transformaciones elementales de los renglones, podemos obtener una matriz MN tal que en la columna Mj todas las entradas excepto ij son iguales a cero. Prueba. Si k M\i entonces, hacemos la transformaci on ele kj mental de los renglones del recuadro a la derecha. En la colum kN = iN + kN ij nica entrada que se modic na Mj de la nueva matriz la u o es 1 as kj = kj ij ij + kj = 0. De que |M\i| = |M| 1 se concluye la prueba. El a lo m de nuestra tesis es porque si kj es a priori igual a cero entonces, no es necesario realizar la transformaci on correspondiente al rengl on k. A la operaci on descrita en la prueba de la proposici on anterior la llamaremos diagona lizaci on de la columna Mj mediante la entrada ij . An alogamente se dene la diagonali zaci on del rengl on iN mediante la entrada ij , la diferencia principal es que en este caso usamos transformaciones elementales de las columnas. C alculo de determinantes

Las transformaciones elementales no cambian los determinantes. Prueba. Sean MM , MM y MM matrices que se diferencian solo en el rengl on indexado 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 . De 4.40 vemos que las diagonalizaciones de renglones y columnas tampoco cambian los determinantes. Despu es de diagonalizar una columna (un rengl on), usamos la expansion de Laplace por esa columna (ese rengl on) y reducimos el c alculo de nuestro determinante al c alculo de un solo cofactor, que es un determinante de una matriz de orden menor en

Secci on 4.7

M etodo de eliminaci on de Gauss

121

uno. Solo hay que tener cuidado de usar los signos del tablero de ajedrez. Observese que el n umero total de transformaciones usadas es a lo m as 1 + 2 + + (n 1) = n (n 1) /2.

Ejercicio 80 Demuestre que el n umero de operaciones en el campo usadas para calcular el

determinante de una matriz de orden n por el m etodo de eliminaci on de Gauss es: sumas productos divisiones (n + 1) n (n 1) /3 (n 1) n + n2 + 3 /3 n (n 1) /2 Bases, rango, nucleos y sistemas de ecuaciones lineales 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 af n soluci on de un sistema de ecuaciones lineales. Sin embargo para las transformaciones elementales de los renglones la situaci on es diferente. Las transformaciones elementales de los renglones de la matriz ampliada no cambian el subespacio af n soluci on de un sistema de ecuaciones lineales. Prueba. Sea MN xN = bM un sistema de ecuaciones lineales. Sea MN xN = cM otro sistema que se diferencia solo en la ecuaci on j para la cual se tiene jN = iN + jN y cj = bi + bj . Si N es una soluci on del primer sistema entonces, jN N = iN N + jN N = bi + bj = cj por lo que N es una soluci on del segundo sistema. Si N es una soluci on del segundo sistema entonces, jN N = jN N iN N = cj bi = bj por lo on del primer sistema. que N es una soluci De este proposici on se deduce inmediatamente que la diagonalizaci on de columnas de la matriz ampliada no cambia el subespacio af n de soluciones. Ahora pasemos a describir como calcular la base, el rango, el nucleo o el subespacio af n soluci on mediante la eliminaci on de Gauss. Sea [MN |bM ] la matriz ampliada de un sistema de ecuaciones lineales. Si lo que se pretende es hallar la base, el rango o el nucleo de una matriz entonces podemos ignorar la columna bM . Pongamos I = J = . Los conjuntos I y J los pensaremos como cajas a las que le agregaremos ndices de los renglones y las columnas mediante el siguiente algoritmo: / Iyj / J. Si no existe terminamos. 1. Encontramos ij 6= 0 tal que i 2. Diagonalizamos la columna Mj mediante la entrada ij . 3. Agregamos i a la caja I y j al la caja J. Regresamos al paso 1. Despu es de terminar este algoritmo obtenemos varias cosas: Primero, una nueva matriz ampliada [MN |dM ]. Segundo, dos conjuntos I M y J N. Tercero, cada elemento de I y J tienen un n umero que indica en que iteraci on del algoritmo fueron incluidos en ellos, [131]

122

Cap tulo 4. Determinantes

esto no es m as que una biyecci on : I J tal que ij 6= 0 si y solo si (i) = j . Cuarto, denotemos K = M\I y L = N\J. Quinto, para cualquier k K el rengl on kN es nulo ya que si n J entonces, kn se hizo cero al diagonalizar la columna Mn y si si n L entonces, el que se cumpliera kn 6= 0 contradecir a el criterio de parada de nuestro algoritmo. Sexto, la submatriz es una base de IJ MN ya que su determinante es igual Q (salvo signo) a iI i (i) y es distinto de cero. Adem as, cualquier submatriz de MN que contenga a IJ tiene un rengl on cero y por lo tanto tiene determinante cero. La nueva matriz ampliada [MN |dM ] la podemos visualizar gr aca IJ IL dI mente como en el recuadro a la izquierda. La submatriz IJ es una 0KJ 0KL dK base de MN y el n umero |I| es el rango de MN . Por 4.40, IJ es una base de la matriz MN y el rango de MN es |I| y con esto terminan nuestros problemas si lo que queremos es hallar el rango o una base de una matriz. Si queremos resolver el sistema, entonces necesitamos que IJ sea tambi en base de la matriz ampliada y esto es equivalente a dK = 0K . O sea, si dK 6= 0K entonces, el sistema no tiene soluciones y si dK = 0K entonces, usando el Lema de Eliminaci on de Ecuaciones Dependientes (4.35) obtenemos el sistema equivalente IJ xJ +IL xL = dI con las ecuaciones indexadas por I. ltimo sis Ahora haremos dos cosas m as. Primero, reordenaremos las ecuaciones de este u tema mediante la biyecci on : I J y de esta manera las ecuaciones estar an indexadas por J. Esto no afecta las soluciones y obtenemos un sistema equivalente 0JJ xJ + 0JL xL = d0J don de la nueva matriz 0JJ es diagonal. Segundo, para cada j J multiplicaremos por el escalar 1/0jj a la ecuaci on 0jJ xJ + 0jL xL = d0j . Haciendo esto, el sistema no cambia sus soluciones y 0JJ se convierte en la matriz identidad, 0JL se convierte en alguna matriz JL y d0J se convier te en alg una Jada hJ . As , nalmente obtenemos un nuevo sistema xJ + JL xL = hJ cuyas soluciones son las Nadas xN cuyas coordenadas en L son arbitrarias y sus coordenadas en J est an determinadas por la f ormula xJ = hJ JL xL . nicas transformaciones elementales que hemos aplicado son de los renglo Como las u nes entonces, por 4.41 las soluciones que hemos hallado son tambi en soluciones de nuestro sistema original de ecuaciones lineales. Soluci on de ecuaciones matriciales, matriz inversa 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 on matricial tiene la matriz ampliada [MN |bML ] y podemos aplicarle a esta matriz la eliminaci on de Gauss para resolver todos nuestros sistemas al mismo tiempo. Esto lo podremos hacer porque en la eliminaci on de Gauss no se reordenar columnas y solo se aplican transformaciones elementales a los renglones, as que no nos importa cuantas columnas halla despu es de la barra vertical. nica soluci En particular, si M = N entonces, la u on posible (si existe) a la ecuaci on 1 matricial MM xMM = IMM ser a xMM = MM . Esta es la forma en que con el m etodo de eliminaci on de Gauss se calculan las matrices inversas.

Secci on 4.7

M etodo de eliminaci on de Gauss

123

Ejercicio 81 Si el lector desea aprender el m etodo de eliminaci on de Gauss entonces, no

basta con leer esta secci on. Es necesario plantearse sistemas de ecuaciones lineales y resol verlos siguiendo los pasos antes expuestos.

124

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

Ejercicio 4 (Secci on 1.1 p agina 2) La f ormula (a + b) (x + y) se expresa en notaci on suja como ab + xy + . Ejercicio 5 (Secci on 1.1 p agina 3) La suma, el producto, el m aximo com un divisor el m ni mo com un m ultiplo y el m aximo son operaciones conmutativas. Las dem as no lo son. Ejercicio 6 (Secci on 1.1 p agina 3) Ya vimos en el texto que la exponenciaci on no es asocia 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 on no es asociativa. Tampoco es asociativa el logaritmo. El resto de las operaciones si son asociativas. Ejercicio 7 (Secci on 1.1 p agina 4) La resta no tiene elemento neutro ya que de a e = a se sigue que e = 0 pero por otro lado 0 a = a 6= a. Lo mismo ocurre con la divisi on. La operaci on de exponenciaci on no tiene elemento neutro ya que e1 = 1 e = 1 pero

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 en es el neutro para el m nimo com un m ultiplo. La operaci on de m aximo com un divisor no tiene neutro. Ejercicio 8 (Secci on 1.1 p agina 5) Es importante se nalar que el inverso tiene sentido solo 1 si hay neutro. El inverso de a para la suma es a, para el producto es a . Aunque el m nimo com un m ultiplo tiene neutro 1, esta operaci on no tiene inversos. Ejercicio 9 (Secci on 1.1 p agina 5) Fij emonos en un conjunto U y en el conjunto de todos an bien denidas las operaciones los subconjuntos de U que denotaremos por 2U . En 2U est de uni on e intersecci on de conjuntos. Estas operaciones cumplen las propiedades requeridas como se puede observar en los dos siguientes diagramas de Venn. A B C A (B C) = = (A B) (A C) C A (B C) = = (A B) (A C) A B

Ejercicio 14 (Secci on 1.2 p agina 9) Supongamos que n es un racional. Decomponiendo nt 1 n2 su numerador y denominador en factores primos obtenemos que n = pn 1 p2 . . . pt para ciertos naturales primos p1 p2 . . . pt y ciertos n umeros enteros n1 , n2 , . . . , nt . Pero entonces, 2n t 1 2n 2 n = p2n p . . . p y por lo tanto i { 1, ..., t} 2ni 0. Luego, todos los ni son t 1 2 naturales lo que signica que n es natural. Ejercicio 15 (Secci on 1.2 p agina 9) Tenemos 1 < 2 < 2 y por lo tanto 2 no es natural. Por el ejercicio anterior, no es racional. Ejercicio 16 (Secci on 1.2 p agina 9) Siempre podemos medir un segmento de recta con cada vez m as precisi on (al menos te oricamente). Cada medici on nos da un n umero racional. Luego, la longitud del segmento es un l mite de racionales por lo que es un real. Ejercicio 20 (Secci on 1.3 p agina 12) Por 1.1.4 sabemos que f (0)= 0 y f (1) = 1. Si (a )= f 1 1 0y amos 1 = f (1) = f aa = f (a) f a = a no fuera el cero de A entonces tendr 0f a1 = 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 23 (Secci on 1.4 p agina 16) El m nimo n umero de elementos en un campo es 2, ya que al menos se necesita un neutro para la suma 0 y como el campo sin el cero es un grupo para el producto, necesitamos un neutro multiplicativo. Por otro lado Z2 es un campo con dos elementos

Soluciones de ejercicios selectos

Ejercicio 24 (Secci on 1.4 p agina 16) 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 on nos en contramos con todos los elementos posibles. Esto es una propiedad de las operaci ones binarias de los grupos. De hecho, un conjunto con una operaci on binaria asociativa y con elemento neutro es un grupo si y solo si su tabla de multiplicar cumple esta propiedad.

127

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

4 0 4 3 2 1

Ejercicio 25 (Secci on 1.4 p agina 16) Sea p primo. Si x Z p = Zp \0 entonces al natural n n m as peque n o tal que x = 1 lo llamaremos orden de x . En este caso todos los elementos 2 n 1 de hxi = 1, x, x . . . x son diferentes y la funci on f : (hxi , ) 3 xi 7 i (Zn , +) es un isomorsmo de grupos. Luego, lo que hay que probar es que en Z p existe un elemento de orden p 1. Efectivamente: 1. Observemos que el n umero de elementos de orden n no puede ser mayor que n ya que n el polinomio x 1 no puede tener m as de n raices. ultiplo de n. 2. Veamos que si n es el orden de x entonces xm = 1 si y solo si m es un m Efectivamente si m = kn + r con r < n entonces xm = (xn )k xr = xr hxi y por lo tanto (xm = 1) (r = 0). 3. Un caso particular de (2) es que si x y y son elementos de orden n y m respectivamente entonces, el orden de xy es el m nimo com un m ultiplo de n y m. 4. Para cualquier x Zp el orden n de x es un divisor de p 1. Efectivamente, si hxi = Z Si no, entonces existe y1 / hxi y el p entonces, n = p 1 y terminamos. n 1 conjunto y1 hxi = y1 , y1 x, . . . y1 x tiene n elementos y es disjunto con hxi. Si entonces 2n = p 1 y terminamos. Si no, entonces existe y2 / hxi hxi y1 hxi = Z p y1 hxi y el conjunto hxi y1 hxi y2 hxi puede ser o no igual Zp . En algun momento, tenemos que terminar ya que Z p es nito y obtener que hxi y1 hxi yt hxi = Zp y por lo tanto tn = p 1. p 1 = 1. 5. De (2) y (4) obtenemos que, para cualquier x Z p se cumple que x n1 nt i on en factores primos de p 1 y denotemos ri = qn 6. Sea q1 . . . qt la descomposici i . 7. De (1) obtenemos que el n umero de elementos de orden (p 1) /q1 es cuando m as (p 1 )/q 1 (p 1) /q1 < p 1. Luego, existe a1 tal que a1 6= 1. (p 1 )/r 1 p 1 1 . Veamos que el orden de b1 es r1 . Tenemos br = 1y 8. Sea b1 = a1 1 =ma1 q1 n1 por (2) el orden de b1 es un divisor de r1 = q1 . Si suponemos que b1 = 1 donde k m < n1 entonces, por (2) cualquier m ultiplo k de qm 1 es tal que b1 = 1. En particular, (p 1 )/q 1 1 1 tenemos 1 = bk lo que contradice la denici on de a1 . para k = qn 1 = a1 1 9. Como el m nimo com un m ultiplo de r1 , . . . , rt es p 1 entonces, por (3) y (8) el orden del producto b1 bt es p 1 con lo que se comprueba la existencia de un elemento de orden p 1.

128

Soluciones de ejercicios selectos

Ejercicio 27 (Secci on 1.5 p agina 18) No, porque t no es un elemento del campo al contrario, t es un n umero natural. Lo que quiere decir tx es x + + x , t veces. Ejercicio 28 (Secci on 1.5 p agina 18) De que a = a obtenemos que 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 caracter stica del campo es diferente de 2 entonces, 1 + 1 6= 0 por lo que la armaci on del ejercicio es cierta. Si la caracter stica del campo es 2 entonces, 1 + 1 = 0 y por lo tanto a = a para cualquier elemento del campo. Ejercicio 29 (Secci on 1.7 p agina 24) Idea: todo lo demostrado para polinomios se traduce nica diferencia es que en lugar de usar el concepto de grado de tal cual para los enteros. La u un polinomio hay que usar el concepto de valor absoluto de un entero. Ejercicio 30 (Secci on 1.7 p agina 26) Si i < k entonces la suma es vac a y por lo tanto es cero. Si i = k entonces, hay un solo sumando en el cual i = j = k y este sumando es uno. Supongamos i > k. Haciendo los cambios de variables t = j k y n = i k obtenemos X n i n X (n + k) ! j i n+k X jk t t n = = (1) (1) (1) k j t k ! t ! ( t n ) ! k j =k t =0 t=0 Pn ltima expresi y esta u on es cero ya que t=0 (1)t n es el binomio de Newton de (x 1)n t evaluado en x = 1.
Ejercicio 32 (Secci on 1.8 p agina 28) Las raices del polinomio zn 1 son xk = cos k 2n + 2 i sin k n para k {0, . . . , n 1}. Tenemos 2 2 2 2 xk xm = cos (k + m) + i sin ` = x` + i sin (k + m) = cos ` n n n n donde ` = (k + m) mod n. Para el producto, estas raices forman un grupo isomorfo a Zn .

Ejercicio 33 (Secci on 1.8 p agina 29) Sean a, b y c tres lados de un tri angulo. Por simetr a solo tenemos que probar que |a b| c. Supongamos que a b entonces por la desigual dad del tri angulo b + c a y de aqu c a b. Si por el contrario b a entonces por la desigualdad del tri angulo a + c b y de aqu c b a. Ejercicio 34 (Secci on 1.8 p agina 31) Para usar 1 tk p (z0 ) = 1 tk kp (z0 )k. Ejercicio 35 (Secci on 1.9 p agina 32) La propiedad 1 es inmediata de la denici on. Para la propiedad 2 vemos (a + bi) + (c + di) = (a + c) + (b + d) i = = (a + c) (b + d) i = (a bi) + (c di) = (a + bi) + (c + di) Finalmente, para probar la propiedad 3 vemos que (a + bi) (c + di) = (ac bd) + (ad + bc) i = = (ac bd) (ad + bc) i = (a bi) (c di) = (a + bi) (c + di)

Soluciones de ejercicios selectos

129

Ejercicio 36 (Secci on 1.10 p agina 34) Tenemos ab = ba por lo que (a, b) (a, b) lo que signica que la relaci on es reexiva. De ad = bc obtenemos cb = da. Esto signica que si (a, b) (c, d) entonces (c, d) (a, b) por lo que la relaci on es sim etrica. Si ad = bc y cf = de entonces adcf = bcde por lo que af = be. Esto signica que si (a, b) (c, d) y (c, d) (e, f) entonces (a, b) (e, f) por lo que la relaci on es transitiva. Ejercicio 37 (Secci on 1.10 p agina 36) El campo de fracciones Z2 (x) contiene a Z2 y por lo tanto es de caracter stica 2. Este campo tiene evidentemente un n umero innito de elementos. Ejercicio 38 (Secci on 1.10 p agina 36) El campo de fracciones de un campo es el mismo. Ejercicio 39 (Secci on 2.1 p agina 38) El tri angulo abc es semejante al tri angulo uvw de hecho son con gruentes porque ac = uw (lados opuestos de un paralelogramo tie nen la misma longitud). Luego bc = wv y por lo tanto la coordenada es igual a la de m en x del vector au aw as bc. La prueba para la otra coordenada es igual. u b a c w v

Ejercicio 40 (Secci on 2.1 p agina 38) T ecnicamente hablando no ya que en el Cap tulo 1 denimos una operaci on binaria como una funci on A A A y la multiplicaci on de un escalar por un vector es una funci on del tipo B A A. Pero si es una operaci on binaria en el sentido de que tiene dos argumentos.

Ejercicio 41 (Secci on 2.1 p agina 38) En la expresi on (a) se utiliza un solo tipo de operaci on (la de un escalar por un vector). En la expresi on () a se utilizan dos operaciones diferentes primero la del producto de escalares y despu es la de un escalar por un vector. Ejercicio 43 (Secci on 2.2 p agina 39) Si 6= 0 entonces tiene inverso y por lo tanto a = 0 a = 1 a = 1 0 = 0

Ejercicio 44 (Secci on 2.2 p agina 39) El m nimo n umero de elementos en un espacio vecto 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 46 (Secci on 2.3 p agina 47) P Supongamos que x hN yi \ hNi. Entonces, existe una combinaci on lineal x = y y + iN i i. Tenemos que y 6= 0 (ya que x / hNi). Luego, despejando y obtenemos que y hN xi. Ejercicio 48 (Secci on 2.4 p agina 50) 1. El conjunto vac o es LI y todo el espacio E es 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 Ejercicio 47 (Secci on 2.4 p agina 48) Solo en la prueba de que 24 al despejar a.

130 N L.

Soluciones de ejercicios selectos

Ejercicio 49 (Secci on 2.4 p agina 52) Sea A una base de E. Como F es generador y A F es 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 alida independientemente de si los cardinales de A y B son nitos o no. P Ejercicio 50 (Secci on 2.4 p agina 52) El conjunto de todos los polinomios ai xi tales que a0 = 0 es un subespacio de K [x] de la misma dimensi on que K [x]. Ejercicio 51 (Secci on 2.4 p agina 53) Es consecuencia directa del Desarrollo de Taylor (1.20) alrededor del punto x0 . Ejercicio 52 (Secci on 2.4 p agina 53) La diferencia entre el espacio de las (N M)adas y las NMmatrices es solo en las notaciones. Luego, el espacio de las NMmatrices tiene dimensi on |N M| = |N| |M|. Para cada pareja i, j con i N y j M hay una matriz eij en la base can onica la cual tiene su entrada ij igual a 1 y todas las dem as igual a cero. Ejercicio 53 (Secci on 2.5 p agina 54) Sean E F G transformaciones lineales. Tenemos 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 quer a probar. Ejercicio 56 (Secci on 2.6 p agina 61) 1. Es f acil probar que la aplicaci on E F 3 (a, b) 7 (b, a) F E es un isomorsmo can onico. 2. Conmutatividad. 3. El isomorsmo can oni co es ((a, b) , c) 7 (a, (b, c)) 7 (a, b, c). 4. Si, la aplicaci on E {0} 3 (a, 0) 7 a E es un isomorsmo can onico. Por esto podemos considerar que E {0} = E. Ejercicio 57 (Secci on 2.6 p agina 61) Denotemos por S a todo el espacio. Como cada vector 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 on nica. Luego E F = {0} y por lo tanto S = E F. de 0 es u Ejercicio 66 (Secci on 3.4 p agina 79) T omese x = (1, 0) , y = (0, 1) y z = (1, 1) . Tenemos (xy) z = 0 (1, 1) = (0, 0) y x (yz) = (1, 0) 1 = (1, 0) por lo que (xy) z 6= x (yz) . cos sin Ejercicio 69 (Secci on 3.4 p agina 81) sin cos Ejercicio 70 (Secci on 3.4 p agina 82) Para cualesquiera n N y k K tenemos (nM ML ) Lk = X nm X
l L f g

X
lL

(nM Ml ) lk = X

XX

nm ml lk =

l L m M

ml lk =

m M

m M

nm (mL Lk ) = nM (ML Lk )

Soluciones de ejercicios selectos

Ejercicio 71 (Secci on 3.4 p agina 83) Las matrices de f, g y f g tienen que cumplir: 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

131

Ejercicio 74 (Secci on 4.3 p agina 101) Denotemos MM = (L)M y MM = M (N ) . Sabemos que det (MM MM ) = det (MM ) det (MM ) y esto es todo lo que se necesitaba probar. Ejercicio 78 (Secci on 4.4 p agina 109) Las tres. Para la matriz A los bloques son M1 = {1} , 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 79 (Secci on 4.4 p agina 109) 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 as, hemos dividido con lineas 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 celdas diagonales.

0 0

0 0 0

0 0 0

Ejercicio 80 (Secci on 4.7 p agina 121) Tenemos que diagonalizar una columna en una ma triz de orden i para i {n, . . . , 2} y al nal multiplicar n elementos del campo. En cada diagonalizaci on de una columna en una matriz de orden i se utilizan i 1 transformaciones elementales. En cada transformaci on elemental de una matriz P de orden i se utiliza una divi si on, i productos e i sumas. umero de divisiones es n i=2 (i 1) = n (n 1) /2, Pn Luego, el n el n umero de sumas es i ( i 1 ) = ( n 1 ) n ( n + 1 ) /3 y el n umero de productos es i =2 2 Pn n 1 + i=2 i (i 1) = (n 1) n + n + 3 /3.

132

 Algebra. Espacio vectorial con un producto de vectores asociativo, distributivo, con ele mento neutro y que conmuta con el producto por escalares. . . . . . . . . . . . . . . . . . . . . . 74, 82, 96 Algebra conmutativa. Algebra en la cual el producto de vectores es conmutativo . . . . 74 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, 74 Anillo conmutativo. Anillo en el cual el producto es conmutativo . . 7, 14, 21, 22, 34 Argumento de un complejo. ngulo que forma el vector 0z con el eje El a real del plano complejo . . . . . . . . . . . . . . . . . . 27 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 a denida la opera ci on . . . . . . . . . . . . . . . . . . . . 3, 13, 19, 22, 73, 82 Asociatividad del producto por escalares. Axioma de espacio vectorial: (a) = () a . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Automorsmo. Endomorsmo biyectivo . 13 Base. Conjunto de vectores que es generador y LI. Conjunto generador minimal. Conjunto LI maximal . . . . . 50, 54, 58, 66, 76, 83, 111 onica. Base can El conjunto de Nadas {ei | i N} donde la sima coordenada de ei es el delta de Kro je necker ij . . . . . . . . . . . . . . . . . . . . . . . . . 52, 81, 85 Base de las columnas. Conjunto de columnas diferentes que son una base del espacio de columnas . . . . . . . . . . . . . . . . . . . . 111 Base de los renglones. Conjunto

de renglones diferentes que son una base del espacio de renglones . . . . . . . . . . . . . . . . . . . . 111 Base de una matriz. Submatriz no singular maximal por conten ci on. Todas las bases de una matriz tienen el mismo orden . . . . . . . . . . . . 112, 118, 120, 121 Binomio de Newton. F ormula para expandir (x + y)n . . . . . 20, 26 Cadena. Subconjunto de un conjunto ordenado que est a totalmente ordenado. . . . . . . . . . . . . . *, 66 Cambio de ndices. Biyecci on mediante la cual los ndices de una Nada (o columnas, o renglones) obtie nen nuevos nombres. Es la operaci on en que una biyecci on : N L se le aplica a las columnas de una matriz MN para obtener la matriz ML = M (N ) que cumple que ij = i 1 (j) . An alogamente se denen los cambios de ndices de los renglones . 100 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 ra z. Campo el cual los polinomios irreducibles son todos de grado uno . . . . . . . . . . . . . . . . . 10, 27, 33, 56 Campo de fracciones. Entre las fracciones de un dominio de integridad se dene la suma y el producto exactamen te de la misma manera que se denen estas operaciones en Q. Para estas operaciones el conjunto de fracciones es un campo . . . . . 35 Campo ordenado. Campo con una relaci on de orden en el cual todo elemento es com parable con el cero. Los elementos mayores

134

cam con
potencia m as grande de la variable . . . . . . 21 Coecientes de un polinomio. (v ease polinomio) . . . . . . . . . . . . . . . . . . . . . . . . 21 Cofactor. De la entrada ij es el escalar sgn det N \ i (N \j) donde es cualquier permutaci on de N tal que (j) = i . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Columna de una matriz. Dada una matriz a jo, los NM y j M a la Nada Nj (j est sima elementos de N var an) se le llama je columna de la matriz NM . . . . . . . . . . 43, 79 Combinaci on lineal. Los vectores de P umero la forma iN i i (donde solo un n nito de los ai es diferente de cero) . 45, 58 Complemento algebraico. Cofactor . . . 102 Composici on de funciones. Operaci on entre dos funciones que consiste en aplicar primero una funci on y despu es la otra . . . . . . . . . . . . . . . . . . . . . . . 13, 54, 73, 81, 91 Conjunto acotado inferiormente. Conjunto que tiene una cota inferior. . *, 31 Conjunto acotado superiormente. Conjunto que tiene una cota superior . . . . . * Conjunto generador. Conjunto de vectores cuya cerradura lineal es todo el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47, 54 Conjunto inductivamente ordenado. Conjunto ordenado no vac o dentro del cual cada cadena tiene cota superior . . . . . . . . . . 66 Conjunto LD. Acr onimo de conjunto linealmente dependiente . . . . . . . . . . . . . . . . . 48 Conjunto LI. Acr onimo de conjunto linealmente independiente . . . . . . . . . . . . . . . 48 Conjunto linealmente dependiente. Conjunto de vectores que no es LI . . . . . . . 48 Conjunto linealmente independiente. Conjunto de vectores A tal que a A se cumple que hA\ai 6= hAi . . . . . . . . . . . 48, 111 Conjunto ordenado. Conjunto en el cual est a denida una relaci on de orden . . . *, 66 Conjunto totalmente ordenado. Conjunto ordenado en el cual dos elementos cualesquiera son comparables . . . . . . . . . . . . * Conmutatividad. Propiedad de algunas

que cero se les llama positivos y los menores que cero negativos. Los axiomas que debe cumplir la relaci on de orden son: 1. El opuesto de un positivo es negativo, 2. El opuesto de un negativo es positivo, 3. La suma de positivos es positiva, 4. El producto de positivos es positivo. Los campos R y Q est an ordenados. Cual quier campo ordenado tiene que ser de ca racter stica cero. Adem as, C no se puede or denar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . *, 9, 101 Campo primo. Campo cuyo u nico subcampo es el mismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Caracter stica de un campo. Es cero si el campo contiene como sub campo a Q. Es igual al n umero primo p si el campo contiene como subcampo a Zp . . . . . . . . . . . . . . . . . 18, 36, 94, 98, 101, 109 Cerradura lineal. El conjun to de todas las combinaciones lineales de un conjunto de vectores . . . . . . . . . . . . . 46, 55, 58 Ciclo. Permutaci on del grupo sim etrico de N que cambia un un la regla conjunto {x0 , . . . , xn 1 } N seg as (xi ) = xi+1 mod n y deja todos los dem elementos de N jos . . . . . . 92, 97, 103, 110 Ciclos disjuntos. Ciclos tales que los conjuntos de elementos que ellos no dejan jos no se intersectan . . . . . . . . . . . . . . 92 Clases de equivalencia. Si es una relaci on de equivalencia en A entonces, las clases de equivalencia son los subconjuntos de A para los cuales a b si y solo si a y b est an en la misma clase . . . . . . . . . *, 63, 67 Cociente. Al efectuar la divisi on con resto de un elemento p de un anillo conmutativo (Z, K [x]) entre otro q obtenemos la igualdad p = cq + r. Al elemento c se le llama co ciente de la division de p entre q . . . . . . . . 22 Codominio de una funci on. Sea f : A B una funci on. Al conjunto B se le llama codominio de la funci on f . . . . . 11, 86 Coeciente principal. El coeciente diferente de cero de un polinomio que multiplica a la

con ecu
operaciones binarias que consiste en que ab=ba elementos a y b del conjunto en el cual est a denida la operaci on . . . . . . . . . . . . . . . . . 3 Contracci on. Homotecia cuyo escalar es un real mayor que 0 y menor que 1 . . . . . . . . . 70 Coordenada. De la nada (a1 , a2 , ..., an ) es alguno de los ai . De la Nada aN es alguno de los ai para i N . . . . . . . . . . . . . . . . . . . . . 39 Coordinatizaci on. Dada una base N de F, es el isomorsmo P F 3 iN i i 7 N K{N } . . . . . . . 55, 83 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . *, 31 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 . . . . . . . . . . *, 66 Delta de Kronecker. Funci on ij de dos variables que toma valor 1 si i = j y toma valor 0 si i 6= j . 26, 82, 96 Desarrollo de Taylor. Expresi on de una P funci on como serie de po tencias f (x) = ai (x x0 )i . El coe sima derivada ciente de la serie ai es la ie de f evaluada en el punto x0 . . . . . . . . . 26, 31 Determinante. QEl determinante de NN es P sgn SN iN i i . . . . . . . 95, 20, 120 Determinante de un OL. Determinante de su matriz en una base. No depende de la base escogida . . . . . . . . . . . . 107 Diagonalizaci on de un rengl on. Transformaci on de una matriz que consiste en lograr que en un rengl on todos las entra das excepto una se hagan cero mediante una serie de transformaciones elementales de las columnas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 Diagonalizaci on de una columna. Transformaci on de una matriz que consis te en lograr que en una columna todos las entradas excepto una se hagan cero median

135

te una serie de transformaciones elementales de los renglones . . . . . . . . . . . . . . . . . . . . . . . . . 120 Diagrama. Reperesentaci on gr aca de una familia de conjuntos y de fun ciones entre ellos mediante la utilizaci on de echas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 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 on como composici on de las funciones de las echas de los caminos . 85 Dilataci on. Homotecia cuyo escalar es un real mayor que 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Dimensi on. El cardinal de cualquier base 51, 59, 64, 87 Dimensi on de un subespacio af n. Si E es una traslaci on del subespacio E entonces la dimensi on de E es la dimensi on de E . . . . 64 Distributividad. Relaci on de una operaci on 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 a denida la operaci on . . . . . . . . . . . . . . . . . . . . . . 5, 19, 73, 82 Distributividad del producto por escalares. Axioma de espacio vectorial: (a + b) = a + b y ( + ) a =a+a . . . . . . . 39 Divisor. Para dos elementos p y q de un anillo con divisi on se dice que q es un divisor de p si el resto de la divisi on de p entre q es cero. . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Dominio de integridad. Anillo conmutativo en el cual el producto de elementos diferentes de cero es diferente de cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 18, 35 Dominio de una funci on. Sea f : A B una funci on. Al conjunto A se le llama dominio de la funci on f . . . . . . . . . . . . . . . . . . . . . . . . 11, 86 Ecuaci on lineal. Ecuaci on N xN = N donde las Nadas N y N son conocidos y el vector xN es inc ognito . . . . . . . . . . . . . . . 114

136

ecu fun
Es la expresi on r (cos + i sin ) donde r es el m odulo de z y es el argumento de z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 F ormula multinomial. F ormu la para expandir la nsima potencia de una suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Fracci on. Pareja de elementos de un dominio de integridad (por ejemplo K (x) o Z) que se denota por a/b. Dos fracciones a/b y c/d se consideran iguales si ad = bc . . . . . 34, 8 Funci on. Informalmente es una regla o procedimiento mediante el cual para cada elemento de un conjunto a podemos obtener nico elemento f (a) de otro (calcular) otro u conjunto y que llamamos la imagen de a mediante la funci on f. Formalmente, una funci on f : A B es un subconjunto del producto cartesiano f A B que cumple nica que para cualquier a A existe una u pareja (a, b) f. . . . . . . . . . . . . . . . . . . . . . . . . . . * Funci on antipodal. La funci on x 7 x . 70 Funci on biyectiva. Funci on inyectiva. y sobreyectiva . . . . . . . . . . . . . . . . . . . . . . *, 91, 100 Funci on continua. Funci on continua en todos los puntos de su dominio. . . . . . . . . . . . . . . . . 28 Funci on continua en un punto. La fun ci on f es continua en z0 si > 0 tal que kz z0 k < kf (z) f (z0 )k < . . . 28 Funci on de evaluaci on. De un polinomio p (x) es la funci on: p : K 3 b 7 p (b) K. . . . . . . 23 Funci on identidad. La que a todo elemento le corresponde el mismo . . . . . . . . . . . . . . . . . 70 Funci on inversa. La inversa de una funci on f : A B es una funci on g tal que f g = IdB y g f = IdA . Una funci on tiene inversa si y solo si esta es biyectiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . *, 54 Funci on inyectiva. Cada elemento de la imagen tiene una u nica preimagen. . . . *, 87 Funci on nula. La que a todo elemento le corresponde el cero . . . . . . . . . . . . . . . . . . . . . . 70 Funci on racional. Fracci on de dos polinomios . . . . . . . . . . . . . . 36

Ecuaci on matricial. Ecuaci on AX = B donde la matrices A y B son conocidas y la matriz X es inc ognita. . . . . . . . . . . . . . . . . . . . 122 Elemento maximal. Elemento tal que cualquier otro no es mayor que el . . . . . . . . . . . . . . . . . . . . . . . . . *, 49, 66, 112 Elemento minimal. Elemento tal que cualquier otro no es menor que el. . . . . *, 49 Elementos comparables. Dos elementos a y b de un conjunto ordenado para los cuales o a b o b a o los dos . . . . . . . . . . . . . . *, 50 Endomorsmo. Morsmo cuyo dominio y codominio coinciden . . . . . . . . . . . . . . . . . . . . . 13 Entensi on lineal de una funci on. Extensi on que es transformaci on lineal. Si la funci on tiene como dominio una base, entonces la nica . . . . . . . . 76 extensi on lineal existe y es u Entrada de una matriz. Coordenada de una NMada . . . . . . . . . . . . 43 Epimorsmo. Morsmo sobreyectivo . . . 13 Escalar. Elemento del cam po (la escala!) sobre el cual est a denido el espacio vectorial . . . . . . . . . . . . . . . . . . . . . 37, 38 Si Espacio cociente. 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 . . 65, 88 Espacio de columnas. El espacio generado por las columnas de una matriz . . . . . . . . . 111 Espacio de renglones. El espacio generado por los renglones de una matriz . . . . . . . . . 111 Espacio vectorial. Grupo abeliano con un producto por escalares distributivo, asociativo y con neutro. . . 39, 56, 62, 65, 73 Extensi on de una funci on. Si f es una restricci on de g entonces g es una extensi on de f . . . . . . . . . . . . . . . . . . . . . . . . 75 Factor de un polinomio. Divisor de grado al menos 1 de un polinomio . . . . . . . . . . . . . . . . 22 Factor propio. Factor m onico diferente al polinomio . . . 25 Forma polar de un complejo.

fun mat
Funci on sobreyectiva. Funci on tal que su imagen coincide con su codominio . . . *, 88 Funcional. Funci on de un espacio vectorial en su campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Funcional bilineal. Funcional lineal en sus dos variables . . . 104 Funcional lineal. Funcional que es una TL . . . . . . . . . . . . . . . . 104 Funcional lineal en una variable. Funci on de muchas variables con imagenes en un campo que para cualesquiera valores jos de las dem as variables determina un funcional lineal de la variable que se tra ta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Funcional multilineal. Funcional lineal en todas sus variables . 104 Grado de un polinomio. La potencia ma yor de la variable con coeciente diferente de cero. Si el grado es cero el polinomio es un elemento del campo. No est a denido el grado del polinomio cero . . . . . . . . . . . . . . . . 21 Grupo. Conjunto con una ope raci on binaria asociativa que tiene elemento neutro y en el cual todo elemento tiene in verso . . . . . . . . . . . . . . . 7, 11, 13, 16, 66, 75, 91 Grupo abeliano. Grupo en el cual la operaci on es conmutativa . . . . . . . . . . . . . . . . . 7 Grupo alternante. El subgrupo (del grupo sim etrico) de todas las permutaciones pares . . . . . . . . . . . . . . . . . . 94 Grupo general lineal. El grupo de auto morsmos de un espacio vectorial. El grupo de operadores lineales no singulares . . . . . 75 Grupo sim etrico. El grupo de todas las permutaciones con la operaci on de composici on . . . . . . . . . . . . . . . 91 Homotecia. Transformaci on lineal que consiste en la multiplicaci on por un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Ideal. Subconjunto I de un anillo A tal que 1. p, q I p + q I, 2. p I r A rp I . . . . . . . . . . . . . 23 Ideal principal. Ideal formado por todos los m ultiplos de un polinomio . . . . . . . . . . . . . . . 24

137

Idempotencia. Propiedad de una funci on que consiste en que f f = f2 = f . . . . . . . . . . . 46 Igualdad de Moivre. F ormula para calcular la nesima potencia de un n umero complejo en forma polar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 Imagen de un elemento. (v ease: Funci on). * Imagen de una funci on. El conjunto de los elementos del codominio que tienen alguna preimagen. Se denota por Im f . . . . . . . . *, 86 Imagen de una matriz. La imagen de su transformaci on lineal. Su espacio de columnas . . . . . . . . . . . . . . . . . 118 mo. In El m aximo de las cotas superiores . . . . *, 31 mo de un conjunto de reales. In El n umero m aximo x tal que x a para cualquier a A. Para el nmo x de A siempre existe una sucesi on {ak } de elemen tos de A cuyo l mite es x . . . . . . . . . . . . . . . . . 32 Inmersi on. Restricci on de la funci on identidad a un subconjunto . . . . . . . . . . 71, 86 Inverso. De un elemento a para la operaci on binaria es un elemento b que cumple que a b = b a = e para cualquier elemen to a del conjunto en el cual est a denida la operaci on. Si un elemento tiene inverso en nico. En los anillos y campos tonces este es u es el inverso para el producto . . . . . . . . . . . . . 5 Isomorsmo. Morsmo biyec tivo. La inversa de cualquier isomorsmo es tambi en un isomorsmo . . . . . . . . . . . . . 12, 60 Isomorsmo can onico. Isomorsmo cu ya construcci on no depende de escoger algo (una base, un complementario, etc.) . 60, 65 Isomorsmo de espacios vectoriales. Transformaci on lineal biyectiva . . . . . 54, 77 Isomorsmo lineal. Isomorsmo de espacios vectoriales . . . . . 54 L mite de una sucesi on. mite z si > 0 N La sucesi on {zk } tiene l tal que k > N kzk zk < . . . . . . . . . . . . 30 L nea. Subespacio af n de dimensi on uno. . . 64, 45 Matriz. Es una NMada o sea un conjunto

138

mat mor
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. . . . . . . . . 82, 106, 111, 118, 122 Matriz singular. Matriz cuadrada con determinante igual a cero . . . . 101, 111, 115 Matriz triangular. Matriz triangular por bloques en la cual cada bloque es de cardinalidad 1 . . . . . . . . . . . . . 109 Matriz triangular inferior. Matriz MM en la cual M = {1, . . . , m} y tal que en su representaci on gr aca todas las entradas por encima de la diagonal son cero . . . . . . . . . 109 Matriz triangular por bloques. Matriz MM en la cual hay una partici on del conjunto de ndices M1 Mt = M y que ij = 0 si i Mp , j Mq y p < q . . . . . . . . . . . . 109 Matriz triangular superior. Matriz MM en la cual M = {1, . . . , m} y tal que en su representaci on gr aca todas las entradas por debajo de la diagonal son cero . . . . . . . . . . 109 M aximo. El m aximo de un subconjunto A de un conjunto ordenado B es una cota superior que pertenece a A. Si nico . . . . . . * existe entonces, el m aximo es u M nimo. El m nimo de un subconjunto A de un conjunto ordenado B es una cota inferior que pertenece a A. Si nico . . *, 31 existe entonces, el m nimo es u M odulo de un complejo. La longitud del vector 0z en el plano complejo . . . . . . . . . . 27 Monomorsmo. Morsmo inyectivo . . . 13 Monoton a. Propiedad de una funci on de un conjunto ordenado a otro que consiste en que x y f (x) f (y) . . 46 Morsmo. Es una funci on f : A B que cumple que f (x y) = f (x) f (y) donde es una operaci on denida en A y es una operaci on denida en B . . . . . . . . . . . . . . 10, 53 Morsmo de anillos. Funci on entre dos anillos que es morsmo para la suma y para el producto . . . . . . . . . . 12 Morsmo de campos.

indexado por dos conjuntos . . . . . . . . . . . . . . 43 Matriz ampliada. Del sistema Ax = b es la matriz [A|b] . 117 Matriz cuadrada. Matriz con la misma cantidad de columnas y renglones . . 101, 83 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 on lineal de la base N. O sea, Ppara cualquier v V se cumple que 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 Matriz de permutaci on. 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 on y columna y todas las dem as entradas son cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 Matriz de una transformaci on lineal. 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 on lineal de la base M. O sea, para cualquier j N se cumple que P f (j) = iM ij i . . . . . . . . . . . . . . . 81, 78, 84 Matriz del sistema. La matriz A del sistema de ecuaciones lineales Ax = b . . . . . . . . . 115 Matriz diagonal. Matriz MM en la cual si i 6= j entonces, ij = 0 . . . . . . . . . . . . . . . . . 109 Matriz diagonal por bloques. Matriz MM en la cual hay una partici on del conjunto de ndices M1 Mt = M y que ij = 0 si i y j pertenecen a bloques diferentes . 109 Matriz identidad. La matriz INN cuyas entradas son el delta de Kronecker: unos en la diagonal y ceros en el resto de las entradas. La matriz de la transformaci on lineal identidad . . . . . . 82, 96 Matriz inversa. La matriz cuadrada MN es la inversa de NM si NM MN = INN

mor pol
Funci on entre dos campos que es morsmo para la suma y para el producto . . . . . . . . . . 12 Morsmo de espacios vectoriales. Funci on f de un espacio vectorial a otro so 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 . . . . . . . . . . . . . . . . . . 54 Morsmo de grupos. Morsmo cuyo dominio y codominios son grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . 11, 91, 100 Multiplicidad de una ra z. El elemento del campo es una ra z de multiplicidad n del polinomio p si n es el mayor natural tal que p es un m ultiplo de (x )n . . . . . . . . . . . . 23 Multiplo. Para dos elementos p y q de un anillo con divisi on se dice que p es un m ultiplo de q si c tal que p = cq . . . 22 nada. Elemento (a1 , a2 , ..., an ) del producto cartesiano An . . . . . . . . . . . . . . . . . . 39 Nada. Funci on en una notaci on diferente, N : N 3 i i A. A N se le llama el conjunto de ndices y a las i se le llaman coordenadas . . . . . . . . . . . . . 41, 80, 118 Neutro. De una operaci on binaria es un elemento e que cumple que a e = e a = a para cual quier a del conjunto en el cual est a denida la operaci on. Si una operaci on tiene neutro nico . . . . . . . . . . . . . . . . . . . . . 4 entonces este es u Nucleo de un morsmo. El el caso de grupos la preimagen del neutro. Para ani llos y espacios vectoriales la preimagen del cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 Nucleo de un polinomio. La colecci on de sus raices. Cada ra z apare ce tantas veces como su multiplicidad . . . 23 Nucleo de una matriz. El nucleo de su transformaci on lineal. El conjunto soluci on de un sistema de ecuaciones con vector de coecientes libres igual a cero . . . . 118, 121 Nucleo de una TL. La preimagen del cero 86 Nucleo trivial. Nucleo igual a {0} . . . . . 87 Nulidad de una matriz.

139

La dimensi on de su nucleo . . . . . . . . . . . . . . 119 OL. Acr onimo de operador lineal . . . . . 74 Operaci on binaria. Funci on mediante la cual para cualesquiera dos elementos a y b de un conjunto A po demos encontrar otro elemento de A que es el resultado de la operaci on . . . . . . . . . . . . . . . 2 Operador lineal. Transformaci on lineal de un espacio en si mismo . . . . . . . . . . . . . . . . . . . . . . 74 Operador singular. OL no biyectivo . . . 75 Opuesto. El inverso de un elemento de un anillo o campo respecto a la suma . . . . . . . . 7 Orden de un ciclo. El n umero de elementos que un ciclo no deja jos. . . . . . . . . . . . . . . . . 92 Orden de una matriz. El n umero de renglones y columnas de una matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . 101 Permutaci on. Biyecci on de un conjunto nito en si mismo . . . . . . . . . . . . . . . . . . . . . . . . . . 91, 99 Permutaci on de las columnas. Es la operaci on en que una permutaci on se le aplica a las columnas de una matriz MN para obtener la matriz MN = M (N ) que cumple que ij = i 1 (j) . . . . . . . . . . . . . . 97 Permutaci on de los renglones . Es la operaci on en que una permutaci on se le aplica a los renglones de una matriz MN para obtener la matriz MN = (M )N que cumple que ij = 1 (i)j . . . . . . . . . . . . . . 97 Permutaci on impar. Permutaci on que se descompone en la composici on de un n umero impar de transposiciones . . . . . . . . 94 Permutaci on par. Permutaci on que se descompone en la composici on de un n umero par de transposiciones . . . . . . . . . . . 94 Plano. Subespacio af n de dimensi on dos . . . 64, 45 Polinomio.P Expresi on i donde los coecientes a a x formal n i i =0 i son elementos de un campo . . . . . . . . . . . . . . 21 Polinomio irreducible. Polinomio m onico de grado al menos 1 sin factores propios . . . 25 Polinomio m onico. Polinomio cuyo coeciente principal es 1 . . . . . . . . . . . . . . . . . 25

140

pre sop
de una matriz en forma gr aca. El signo del cofactor de ij es (1)i+j . . . . . . . . . . . . . . 103 Relaci on antisim etrica. Si a b y b a entonces, a = b . . . . . . . * Relaci on de equivalencia. Relaci on sim etrica, reexiva y transitiva. . . . . . . . *, 63 Relaci on de orden. Relaci on antisim etrica, reexiva y transitiva . . . . . . . . . . . . . . *, 66, 112 Relaci on en un conjunto. Subconjunto del producto cartesiano A A = A2 . . . . . . . . * Relaci on reexiva. Para todo a se tiene a a . . . . . . . . . . . . . . . . * Relaci on sim etrica. (a b) (b a) . * Relaci on transitiva. Si a b y b c entonces, b a . . . . . . . * Rengl on de una matriz. Dada una matriz a NM e i N a la Mada iM (i est jo, los elementos de M var an) se le llama simo rengl ie on de la matriz NM . . 43, 79 Resto. Al efectuar la divisi on con resto de un elemento p de un anillo conmutativo (Z, K [x]) entre otro q obtenemos la igual dad p = cq + r. Al elemento r se le llama resto de la division de p entre q . . . . . 22, 14 Restricci on de una funci on. Una funci on f : A0 B se le llama restric ci on de g : A B si A0 A y para cual quier a A0 se cumple f (a) = g (a) . . . 75 Serie. P Expresi on formal del i . A los elementos del campo a x tipo i i =0 ai se le llaman coecientes de la serie. . . 40 Signo de una permutaci on. Funci on que a cada permutaci on le hace co rresponder 1 si esta es par y 1 si esta es impar. El signo es un morsmo del grupo sim etrico en el grupo multiplicativo {1, 1} de cualquier campo. El nucleo del signo es el grupo alternante si el campo es de carac ter stica diferente de dos . . . . . . . . . . . . . . . . . 94 Sistema de ecuaciones lineales. Ecuaci on Ax = b donde la matriz A y el vector b son conocidos y el vector x es inc ognito . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114, 89 Soporte. De una funci on f es

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 . . . . . . . . . . . *, 86 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 onicos ij = iN Nj de los renglones de MN por las columnas de NL . . . . . . . . . . . . . . . . . 79, 98 Producto de un escalar por una funci on. Si en el codominio de f est a denido un pro ducto por escalares entonces f es la fun ci on tal que (f) (a) = f (a) . . . . . . . . . . . 72 Producto de un vector por una matriz. Es la combinaci on lineal de los renglones de la matriz cuyos coecientes son las coordena das del vector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Producto de una matriz por un vector. Es la combinaci on lineal de las columnas de la matriz cuyos coecientes son las coordena das del vector. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Producto escalar. Producto bilineal de dos vectores cuyo resultado es un escalar . . . . 79 Producto escalar can onico. Producto escalar de nido en K{N } como: P N N = iN i i . . . . . . . . . . . . . . . . . . . . 79 Proyecci on. Si C = A B entonces, la funci on f : c = (a, b) 7 a se le llama proyecci on de C a A a lo largo de B. En par 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71, 86 Punto. Subespacio af n de dimensi on cero 64 Ra z de un polinomio. Elemento del campo en el cual la funci on de evaluaci on del polinomio toma valor cero . . . . . . . . . . . 23 Rango de una matriz. El orden de sus bases. La dimensi on de su espacio de columnas. La dimensi on de su espacio de renglones. La dimensi on de su imagen . . . . . . . 113, 121 Regla del tablero de ajedrez. Regla mediante la cual se hallan los signos de los cofactores

sub vec
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 on lineal es el conjunto de sumandos con coe ciente diferente de cero . . . . . . . . . . 41, 45, 56 Subanillo. Subconjunto de un anillo que es un anillo para las mismas operaciones del anillo m as grande . . . . . . . . . . . . . . . . . . . . . . . . 16 Subcampo. Subconjunto de un campo que es un campo para las mismas operaciones del campo m as grande . . 16, 42 Subespacio. Subconjunto de un espacio vectorial que es a su vez es pacio vectorial para las mismas operaciones que las de todo el espacio . . . . 44, 57, 61, 86 Subespacio af n. Traslaci on de un subespacio . 63, 72, 89, 118 Subespacio generado. Cerradura lineal . . 46 Subespacios anes paralelos. Dos subespacios anes son paralelos si uno es traslaci on del otro . . . . . . . . . . . . . . . . . . . . . 63 Subespacios complementarios. Dos subespacios cuya suma es todo el espacio y cuya intersecci on es el ori gen. . . . . . . . . . . . . . . . . . . . . . . . 61, 63, 65, 71, 86 Subgrupo. Subconjunto de un grupo que es un grupo para la misma operaci on del grupo m as grande . . . . . . . . . 16 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 . . . . . . . . . 43, 112 Sucesi on. Elemento (a0 , a1 , ..., an , ...) del conjunto AN de funciones f : N A . . . 40 Sucesi on acotada. La sucesi on {zk } es acotada si existe un real M tal que k kzk k M . . . . . . . . . . . . . . . . . 30 Sucesi on convergente. Una sucesi on que tiene l mite . . . . . . . . . . . . 30 Suma de conjuntos. Si A y B son conjuntos y entre sus elemen tos hay una operaci on de suma entonces: A + B = {a + b | a A y b B} . . . . . . 58 Suma de funciones. Si en el codominio mutuo de f y g est a de

141

nida una suma entonces f + g es la funci on tal que ( + g) (a) = f (a) + g (a) . . . . . 72 Suma directa de espacios. El produc to cartesiano de los subespacios con la suma denida por coordenadas y tambi en el pro ducto por escalares. Si la intersecci on de dos subespacios tiene dimensi on cero entonces, la suma directa de ellos es can onicamente isomorfa a la suma . . . . . . . . . . . . . . . . . . . . . . . 59 Supremo. El m nimo de las cotas inferiores * Tensor de exponente n. Un conjunto indexado por n conjuntos de ndices . . . . 43 TL. Acr onimo de transformaci on lineal . . 69 Transformaci on elemental. Transformaci on de una matriz que es la base del m etodo de Gauss. Una transformaci on elemental de los renglones consiste el sumarle a un regl on otro multiplicado por un escalar. An aloga mente se denen las transformaciones ele mentales de las columnas . . . . . . . . . . . . . . . 120 Transformaci on lineal. Morsmo de espacios vectoriales . . . . . . . . . . . . . . 54, 69, 76 Transformaci on lineal de una matriz. on: Dada la matriz MN es la funci KN 3 N MN N KM . . . . . . . . . . . 80 Transposici on. Ciclo de orden dos . . . . 92 Transpuesta. Matriz que se obtiene de otra intercambiando los sub ndices de sus entra das, o sea si A = NM y AT = B = MN entonces ij = ji . . . . . . . . . . . . . . . . . . . . . . . 97 Traslaci on de un conjunto de vectores. Si A es un conjunto de vectores y x otro vec tor entonces A + x es la traslaci on de A con el vector x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Vector. Elemento de un espacio vectorial. En Rn son los segmentos dirigidos del origen a un punto del espacio . . . . . . . . . . . . . . . . . 37, 38 Vector columna. Matriz con una sola columna . . . . . . . . . . . . 80 Vector de coecientes libres. El vector b del sistema de ecuaciones lineales Ax = b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Vector rengl on. Matriz con un solo rengl on . . . . . . . . . . . . . . 80

142

vec vec

 ! PQ

Para todo. Existe. nico. Existe y es u 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 on identidad. La permuta ci on identidad El cardinal de N. Un campo arbitrario. El espacio de las nadas. El espacio de las Nadas. lgebra de polinomios en la va El a riable x con coecientes en K. lgebra de series en la variable El a 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 odulo n. 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 etrico de N. El grupo alternante de N.

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

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 on de A y B. AB La intersecci on de A y B. 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 ) an en A. donde todos los ai est bB B3b AB AB AB

144 A N

Notaciones
Las permutaciones impares de N. A+x conjunto de vectores. El conjunto de vectores A trasla dado mediante el vector x. Si A es un subespacio entonces, es un sub espacio af n. La suma directa de dos espacios. Si E y F son subespacios que se intersectan solo en el origen enton ces es can onicamente isomorfa a la suma de E y F. Una matriz cuyos renglones est an indexados por M y cuyas colum nas est an indexadas por N. La entrada ij de una matriz MN . simo rengl El ie on de la matriz NM . sima columna de la matriz La je NM . Si es una permutaci on de N, es la matriz MN cuyas columnas est an permutadas mediante . Si : N L es una biyecci on, es la matriz cuyas columnas est an inde 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 cuyas columnas son las de A y las de B. La matriz cuyos renglones son los de A y los de B.

f:AB Una funci on que tiene dominio A 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 on con dominio R y co dominio R+ que a cada real le hace corresponder su cuadrado. p mod q El resto de la divisi on de p entre q. Est a bien denido en cualquier anillo con divisi on. Por ejemplo, en los n umeros enteros y en los 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 odulo del n umero complejo z. hNi La cerradura lineal de N. El con junto de todas las combinaciones lineales de N. l m zk dim E sgn det A Im f Ker f A+B A El l mite de la sucesi on {zk }. La dimensi on de E. El signo de la permutaci on . El determinante de la matriz A. La im agen de la funci on f. El nucleo del morsmo f. La suma de dos conjuntos de vec tores. El producto de un escalar por un

EF

MN

ij iN Mj M (N )

(M )N ij A AT [A|B] A
B

Notaciones

145

Alfabeto g otico
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 aco

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 psilon zeta eta zita iota alfa beta gamma delta e K M N O P o micron pi ro sigma kappa lamda mu nu xi o T X psilon tau u chi psi omega

146

Cap tulo 1
1. Dena los siguientes conceptos: Operaci on binaria. 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. Un campo primo o es Q o es Zp para cierto n umero primo p. 18. Un campo cualquiera no puede contener dos subcampos primos diferentes. 19. Dena la caracter stica de un campo. 20. En un campo de caracter stica t para cual

quier elemento x se cumple que tx = 0 . 21. Demuestre la f ormula del binomio de New ton en base a la f ormula multinomial.

Cap tulo 2
1. Denici on de espacio vectorial. 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 on, columna? 4. Denici on de subespacio. 5. Los subespacios son los conjuntos cerrados para la suma y el producto por escalares. 6. La uni on de subespacios no es un subespa cio. 7. La intersecci on de subespacios es un subes pacio. 8. Denici on de combinaci on lineal y sus co 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 A. La intersecci on de todos los subespacios que contienen a A. El subespacio m as peque no que contiene a A. 11. Propiedades b asicas de la cerradura lineal: incremento, monoton a, idempotencia. 12. Todo sobreconjunto de un conjunto genera dor es generador.

148

Gu a de estudio
36. Dos diferentes subespacios anes paralelos no se intersectan 37. Que es el espacio cociente? Cuales son sus operaciones? 38. Cualquier subespacio complementario a E intersecta al subespacio af n (E + x) en un solo punto.

13. Teorema de caracterizaci on de conjuntos LI. 14. Todo subconjunto de un conjunto LI es LI. 15. Lema de aumento de un conjunto LI. 16. Teorema de caracterizaci on de bases. 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 onicas de los espacios 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 on en una base. 25. Dos espacios vectoriales sobre un mismo campo son isomorfos si y solo si tienen la misma dimensi on. 26. Todo espacio vectorial nito dimensional es isomorfo a Kn . 27. hE Fi = {a + b | a E, b F} 28. La igualdad modular (incluye la demostra ci on del lema). 29. Si E y F son subespacios tales que E F = {0} entonces la funci on E F 3 (a, b) 7 a + b E + F es un isomorsmo de espacios vectoriales. 30. Que es un isomorsmo can onico. Demues tre que E F y F E son can onicamente isomorfos. 31. Todo subespacio tiene complementario. 32. Si E y F son dos subespacios complemen tarios entonces cada vector x se expresa de nica como x = a + b donde a E forma u y b F. 33. Dena los subespacios anes. 34. Que es el paralelismo de subespacios a nes? 35. Todo subespacio af n es paralelo a un solo subespacio.

Cap tulo 3
1. Denici on de transformaci on lineal. 2. Toda TL transforma subespacios en subes pacios. 3. Toda TL de un espacio de dimensi on 1 es una homotecia. 4. Denici on de proyecci on. Toda proyecci on 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 on de TLs es una TL. 8. Propiedades de la composici on de TLs: aso ciatividad, distributividad y conmutatividad con el producto por escalares. 9. Denici on de Algebra. De tres ejemplos de lgebras. Que es el grupo general lineal? a 10. Las extensiones lineales son TLs. 11. Las TLs est an predeterminadas por sus va lores en una base. 12. Si N es una base de E entonces, la funci on que a cada TL h Hom (E, F) le hace co rresponder su restricci on hN FN es un isomorsmo de espacios vectoriales. 13. Una TL es un isomorsmo si y solo si su res tricci on a una base es inyectiva y la imagen de esta restricci on es una base. 14. Propiedades del producto escalar can onico de Nadas conmutatividad, distributividad y conmutatividad con el producto por escala res. 15. Denici on del producto de matrices. 16. Cual es la TL denida por una matriz?. Cual es la matriz de una TL? 17. La matriz de la composici on de dos TLs es igual al producto de las matrices de las TLs.

Gu a de estudio
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 V ada 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. Denici on de nucleo e im agen de una TL. 22. La im agen y el nucleo son subespacios. 23. Si K es un subespacio complementario a Ker f entonces, la restricci on de f a K es un isomorsmo. 24. Una TL es injectiva si y solo si su nucleo es trivial. 25. 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. 26. Los subespacios anes paralelos a Ker f son precisamente los conjuntos de vectores en que la funci on f es constante.

149

Cap tulo 4
1. Si |M| = |N| entonces, los grupos sim etri cos SM y SN son isomorfos. 2. El n umero de permutaciones de un conjunto con n elementos es n!. 3. Toda permutaci on es composici on de ciclos disjuntos. 4. Toda permutaci on es composici on de trans posiciones. 5. Denici on de permutaciones pares e impa res. Denici on del signo. 6. Pruebe que sgn ( ) = sgn sgn y que sgn 1 = sgn . 7. Denici on de determinante de una matriz. Regla del tri angulo para los determinantes de orden 3. 8. Si una matriz tiene una columna o un ren gl on nulo entonces, su determinante es cero. 9. El determinante de la matriz identidad es 1. 10. El determinante no se altera al transponer

una matriz. 11. Al permutar las columnas o los renglones de una matriz con la permutaci on el determi nante se altera por un factor igual a sgn . 12. Si una matriz tiene dos columnas iguales en tonces, su determinante es cero. 13. Si y son dos cambios de ndices de N en M entonces, se cumple la igualdad: det M (N ) = sgn 1 det M (N ) . 14. Denici on de matriz no singular. 15. Denici on de cofactores de una entrada de una matriz. Pruebe que los cofactores no de penden del cambio de ndices usado para calcular el determinante. 16. Teorema de expansi on de Laplace. 17. Denici on de funcional multilineal 18. El determinante es un funcional multilineal de los renglones. 19. det A1 = (det A)1 . 20. A1 = AT / det A. 21. El determinante de un OL no depende de la base que se use para calcularlo. 22. Enuncie la expansi on generalizada de La place 23. El determinante de una matriz triangular por bloques es igual al producto de los determi nantes de sus bloques. 24. Enuncie la caracterizaci on de matrices no singulares. 25. Lema de aumento de submatrices no singu lares. 26. Dos bases cualesquiera de una matriz tienen el mismo orden. 27. Si IJ es una base de MN entonces, el con junto de los renglones indexados por I es una base del espacio de renglones de MN . 28. Teorema del rango de una matriz. 29. Regla de Cramer. 30. Teorema de existencia de soluciones. 31. Lema de eliminaci on de ecuaciones depen dientes. 32. Describa el procedimiento general de solu ci on de los sistemas de ecuaciones linenea les.

150

Gu a de estudio
el subespacio af n soluci on de un sistema de ecuaciones lineales. 36. Describa el m etodo de eliminaci on de Gauss para resolver un sistema de ecuaciones li neales. 37. Como se halla la matriz inversa usando el m etodo de eliminaci on de Gauss?

33. Denici on de transformaci on elemental. Denici on de diagonalizaci on de una co lumna. 34. Las transformaciones elementales no cam bian los determinantes. 35. Las transformaciones elementales de los renglones de la matriz ampliada no cambian