Algebra Lineal: Jorge Luis Arocha

Algebra Lineal
Jorge Luis Arocha

versi on compilada el
31 de enero de 2012
Jorge Luis Arocha P erez
Instituto de Matem aticas
Universidad Nacional Aut onoma de M exico
M exico D.F. 04510
BibTeX:
@textbook{ArochaLA
AUTHOR = {Arocha, Jorge L.}
TITLE = {\Algebra Lineal}
YEAR = {2011}
NOTE = {Available at combinatoria.matem.unam.mx}
}
Mathematics Subject Classication 2000: 0001, 1201, 1501
c 2011 Jorge Luis Arocha P erez
Permitida la reproducci on para uso individual y no comercial.
Todos los dem as derechos est an reservados.
Introducci on
Este libro lo escrib como texto b asico para el curso de
Algebra Lineal para estudiantes

de Licenciatura que he impartido por muchos a nos en la Facultad de Ciencias de la Univer
sidad Nacional Aut onoma de M exico.
Se presupone que los estudiantes hayan cursado ya las materias de
Algebra superior y
Geometra Analtica o sea tengan ciertos conocimientos sobre matrices, vectores, polino
mios, n umeros complejos, etc.
El objetivo es desarrollar el algebra lineal sobre campos arbitrarios pero se hace enfasis
en los reales, los complejos y los residuos m odulo un n umero primo. Despu es de una intro
ducci on corta a la teora de campos se estudian los espacios vectoriales, las transformaciones
lineales, los determinantes y nalmente los teoremas de descomposici on de operadores.
Por ahora, este libro no contiene pr acticamente nada de transformaciones bilineales, pro
ductos escalares, espacios duales, ortogonalidad, tensores etc. En mis planes est a escribir
una segunda parte o aumentar este libro con captulos sobre estos temas.
El material que comprende este libro es demasiado para un semestre y usualmente yo
imparto en un semestre de los captulos IIV aquellas secciones que no est an marcadas
como avanzadas. Un segundo semestre podra comenzar con las secciones de polinomios so
bre campos, continuar con la descomposici on de operadores lineales y terminar con aquellos
temas que ya se nal e, faltan aqu. Otras secciones las escrib porque me parecieron un buen
material de lectura complementaria para los alumnos curiosos.
Este libro es inusualmente colorido y visualmente agresivo. La raz on de esto es que
cuando estaba en el papel de alumno yo prefera estudiar por las libretas de notas de mis
compa neras de clase. Se me haca muy f acil memorizar la imagen completa de una p agina
llena de rayas, ores, corazones etc. y dentro de todo esto, las matem aticas. La idea es que
cada p agina luzca visualmente diferente. He tratado dentro de lo posible, lograr esto.
Los caracteres de matem aticas est an en un color diferente. El texto y las secciones avan
zadas est an marcados con un birrete. Uso unos lentes para marcar aquello que el lector no
debe dejar pasar. Errores comunas que cometen los que no est an familiarizados con el mate
rial est an marcados con calaveras. Los teoremas est an resaltados visualmente, etc.
Se incluyen m as de un centenar de ejercicios. Los ejercicios m as notables consisten en
material adicional que un estudiante de matem aticas o fsica debe conocer tarde o temprano.
Las soluciones de los ejercicios no rutinarios se dan al nal del libro.
He compilado un glosario de t erminos que es a la vez un ndice del libro y un diccionario
de los conceptos introducidos y/o usados.
Finalmente, incluyo una gua de estudio. De esta gua yo escojo las preguntas para los
ex amenes. Esto representa una ventaja enorme para los estudiantes ya que una de las dicul
tades m as importantes de ser estudiante es comprender que es lo que se espera de ellos.
Jorge Arocha
M exico D.F. Diciembre de 2010
IV
Captulo 1 Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Operaciones binarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Conmutatividad (3). Asociatividad (3). Elementos neutros (4). Elementos inversos (5).
Distributividad (5). El algebra abstracta(5).
1.2 N umeros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Naturales (6). Enteros (6). Grupos (7). Anillos (7). Racionales (8). Reales (8). Com
plejos (9).
1.3 Morsmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Morsmos de grupos (10). Morsmos de anillos (11). Isomorsmos (12). Composi
ci on de morsmos (13).
1.4 Campos de restos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
El anillo de los enteros m odulo n (14). Dominios de integridad (15). El campo de los
enteros m odulo p (15).
1.5 Campos primos. Caracterstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Campos primos (17). Caracterstica (18).
1.6 Aritm etica de campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
M ultiplos y exponentes enteros (19). Asociatividad general (19). Distributividad gene
ral (20). F ormula multinomial (20). La expansi on de
ij
(21).
*1.7 Anillos con divisi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Quaterniones (22). Caso nito (24).
Captulo 2 Espacios vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 El plano cartesiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Denici on y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
El espacio de nadas K
n
(27). El espacio de polinomios K[x] (28). El espacio de
sucesiones K
(28). El espacio de series K[[x]] (28). El espacio de funciones K

N
(29). El espacio de Nadas K
N
(29). El espacio de Nadas con soporte nito K
{N}
(30). Subcampos (30). El espacio de Nadas de vectores E
N
(30). El espacio de NM
matrices K
NM
(31). El espacio de tensores (32).
2.3 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Uni on e intersecci on de subespacios (33). Combinaciones lineales (33). Cerradura li
neal (34).
2.4 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Conjuntos generadores (36). Conjuntos linealmente independientes (36). Bases (38).
Dimensi on (39). Bases can onicas (41).
2.5 Clasicaci on de espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Isomorsmos lineales (42). Coordinatizaci on (44). Clasicaci on (44). Campos de Ga
lois (45). Como pensar en espacios vectoriales (45).
2.6 Suma de subespacios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
VI Contenido
Subespacios de R
n
(46). Suma de conjuntos y subespacios (47). La igualdad modular
(47). Suma directa (49). Isomorsmo can onico entre la suma y la suma directa. (49).
Subespacios complementarios (50). Espacios vectoriales versus conjuntos (51).
2.7 Espacios cocientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Subespacios anes (52). El espacio cociente (53). El isomorsmo con los complemen
tarios (54).
*2.8 El espacio afn. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
La regla del paralelogramo (56). Cerradura afn (56). Generadores e independencia
(57). Bases anes (57).
*2.9 El caso de dimensi on innita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
El Lema de Zorn (59). Existencia de bases (59). Cardinales (60). Equicardinalidad de
las bases (60).
Captulo 3 Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.1 Denici on y ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Imagenes de subespacios (63). Homotecias (64). Inmersiones (65). Proyecciones (65).
3.2 Operaciones entre transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
El espacio vectorial de las transformaciones lineales (67). Composici on de transfor
maciones lineales (67). El algebra de operadores lineales (68). El grupo general lineal
(69).
3.3 Extensiones lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Extensiones y restricciones (70). El isomorsmo entre F
N
y Mor (E, F) (71). Un cri
terio de isomorsmo (71).
3.4 Coordinatizaci on de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 72
El producto escalar can onico (73). El producto de matrices (74). Productos de matri
ces y vectores (74). La transformaci on lineal de una matriz (75). La matriz de una
transformaci on lineal (75). Composici on de TLs y producto de matrices (76). Matrices
inversas (77).
3.5 Cambios de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Cambios de base en un espacio vectorial (78). Cambios de base en el espacio de trans
formaciones lineales (79). Cambios de base en el espacio de operadores lineales (80).
La transformaci on lineal tanspuesta (80).
3.6 El nucleo y la imagen de una transformaci on lineal . . . . . . . . . . . . . . . . . . . . . 82
Deniciones (82). Transformaciones lineales con nucleo trivial (82). Descomposici on
de transformaciones lineales (83). La descomposici on de la transpuesta (84). Un crite
rio de isomorsmo (84). Descomposici on can onica de transformaciones lineales (85).
*3.7 Trasformaciones semilineales y coalineaciones . . . . . . . . . . . . . . . . . . . . . . . . . 86
Trasformaciones semilineales reales (86). Propiedades de las transformaciones semili
neales (87). Automorsmos semilineales. (87). Coalineaciones (88). Estructura de las
coalineaciones (89).
Captulo 4 Determinantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.1 Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
El grupo sim etrico (93). Ciclos (94). El grupo alternante (95). El signo de una permu
taci on (96).
4.2 Propiedades b asicas de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
VII Contenido
Denici on de los determinantes (97). Determinantes de matrices peque nas (97). El de
terminante de la identidad (98). Matrices con las nulas (99). El determinante de la
transpuesta (99). Matrices con las iguales (99). Permutaciones de columnas y renglo
nes (100). El determinante del producto (100). Matrices de permutaciones (101).
4.3 Expansi on de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Cambios de ndices (102). Complementos algebraicos (104). La expansi on de un de
terminante por sus renglones (104). La expansi on de Laplace en forma gr aca (105).
Multinearidad de los determinantes (106). La inversa de una matriz (107). El determi
nante de un operador lineal (109).
*4.4 La expansi on generalizada de Laplace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Matrices diagonales y triangulares por bloques (110). La expansi on generalizada de
Laplace en forma gr aca (111).
4.5 El rango de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
Matrices no singulares (113). Espacios de columnas y renglones (113). Lema de au
mento de matrices no singulares (114). Bases de una matriz (114).
4.6 Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Regla de Cramer (116). Existencia de soluciones (117). Eliminaci on de ecuaciones
dependientes (118). El nucleo y la imagen de una matriz (119). Bases del subespacio
afn de soluciones (119).
4.7 M etodo de eliminaci on de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Transformaciones elementales (120). Ejemplo (121). El caso general (121). Soluci on
de ecuaciones matriciales, matriz inversa (122).
Soluciones de ejercicios selectos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Glosario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Notaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Gua de estudio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
VIII
El algebra 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 geometra 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
l objeto del algebra lineal es el estudio de los espacios vectoriales. Estos espacios son
estructuras algebraicas cuyos objetos son de dos tipos los vectores y los escalares.
Las operaciones denidas en los espacios vectoriales son la suma y resta de vectores,
la suma resta multiplicaci on y divisi on de escalares y la multiplicaci on de escalares por
vectores. La mayora de los temas estudiados en este libro no dependen del conjunto de
escalares y el lector puede casi siempre considerar que los escalares son los reales R y que
el espacio vectorial es el espacio geom etrico com un R
n
.
Sin embargo, como esta teora no depende (al menos en gran parte) del conjunto de
escalares (y teniendo en cuenta diferentes aplicaciones a otras areas de las matem 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 captulo 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 caracterstica) 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 captulo posterior, desarrollar la
descomposici on de Jord an de operadores lineales.
1.1 Operaciones binarias
Sea Aun conjunto. Una operaci on binaria es una funci on del producto cartesiano AA
en A. O sea, es una regla mediante la cual a cualesquiera dos elementos de A se le hace
corresponder un tercer elemento de A. Demos algunos ejemplos sencillos:
2 Captulo 1. Campos
1) a +b suma 5) a
b
exponenciaci on
2) a b resta 6) log
a
b logaritmo
3) ab producto 7) mcd (a, b) m ax com un divisor
4)
a
b
divisi on 8) mcm(a, b) mn com un m ultiplo
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 lnea de smbolos 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
R
0
asin x +bsin
x
2
dx
de notaci on dos dimensional. La integral en el recuadro a la
derecha est a bien denida para cualesquiera valores reales a, b
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
a b 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
ci on prejija. La notaci on suja es util sobre todo en la programaci 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]
3 Secci on 1.1 Operaciones binarias
Cualquier intento, de tratar de unicar las notaciones usadas en la comunicaci on entre
humanos, solo llevara 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.
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
Es 3 + 2 igual a 2 + 3? Si. Es 3
2
igual a 2
3
? No. Una operaci on binaria
a, b A
a b = b a
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.
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
a, b, c A
a (b c) = (a b) c
junto A se dice que es asociativa si se cumple la propiedad en
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
ciaci on. A esta temprana edad es muy necesario insistir que la expresi on 2
2
3
es ambigua
porque 2
(
2
3
)
= 256 6= 64 =

2
2
3
.
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.
4 Captulo 1. Campos
Es m as, gracias a ella podemos introducir la notaci on de la operaci on re
11
P
n=1
a
n
petida. Si tenemos 11 elementos a
1
, a
2
, . . . , a
11
entonces, para denotar la suma
a
1
+a
2
+ +a
11
podemos usar la notaci on (mucho m as c omoda) que se muestra
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.
Supongamos que a
, a
`
, a
, a
9
y a
son elementos de un conjunto con una suma

P
nN
a
n asociativa y conmutativa. Entonces la suma de estos (no importa el orden!) la
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 denida no se llama suma sino producto, entonces es usual,
en lugar de usar la letra griega
P
(sigma may uscula), usar la letra griega
Q
(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
La suma de n umeros naturales tiene un elemento especial y unico: el cero. Su propie
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
a e = e a = a
junto A se dice que e A es un elemento neutro si este cumple la
propiedad en el recuadro.
Una operaci on binaria no puede tener m as de un elemento neutro. Efectivamente, sean
e y e
0
elementos neutros. Por ser e neutro, tenemos e e
0
= e
0
. Por ser e
0
neutro, tenemos
e e
0
= e. De estas dos igualdades obtenemos e = e
0
.
Ejercicio 7 Cuales de las operaciones 19 tienen neutro? [125]
Los elementos neutros juegan un papel importante en las notaciones para operaciones
Q
iN
a
i

Q
iM
a
i
=
Q
iNM
a
i
repetidas. Supongamos que tenemos un producto asociativo y conmutativo. Sean adem as N
y M dos conjuntos nitos de ndices disjuntos. Naturalmen
te, de la denici on se sigue la propiedad del recuadro a la
izquierda.
Pero que pasa si alguno de los conjuntos de ndices (digamos M) es vaco? Si queremos
que esta propiedad se conserve entonces observamos que
Y
iN
a
i

Y
i
a
i
=
Y
iN
a
i
=
Y
iN
a
i
por lo que necesariamente
Q
i
a
i
tiene que ser el elemento neutro de nuestra operaci on (si
no hay neutro entonces estamos en problemas).
5 Secci on 1.1 Operaciones binarias
Es por esto, como el lector seguramente ya sabe, que la suma vaca de n umeros es igual
a cero y el producto vaco de n umeros es igual a uno.
Elementos inversos
Para cada n umero entero a hay un unico n umero a tal que sumado con a da cero. Ge
a b = b a = e
neralizemos esta propiedad a operaciones binarias arbitrarias. Sea una operaci on binaria en
el conjunto Acon elemento neutro. Se dice que a Atiene elemento
inverso b si se cumple la propiedad en el recuadro a la izquierda.
Para cualquier operaci on binaria asociativa el elemento inverso de otro es unico. Efecti
vamente si b y c son inversos de a entonces b = be = b(a c) = (b a)c = ec = c
o sea que b y c tienen que ser el mismo.
Ejercicio 8 Describa los inversos en las operaciones 19. [126]
Distributividad
Frecuentemente nos encontramos con conjuntos en los cuales hay m 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
a (b c) = (a b) (a c)
(b c) a = (b a) (c a)
conjunto A. Se dice que la operaci on es distributiva
respecto a la operaci on si se cumple la propiedad en el
recuadro.
Que sea distributiva respecto a no es lo mismo que sea distributiva respecto a
. Por ejemplo, en los naturales el producto es distributivo con respecto a la suma:
a(b +c) = (ab) + (ac) y sin embargo, la suma de naturales no es distributiva
respecto al producto: a + (bc) 6= (a +b) (a +c).
Ejercicio 9 De un ejemplo de dos operaciones binarias tales que ambas son distributivas
una con respecto a la otra. [126]
El algebra abstracta
Filos 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,
6 Captulo 1. Campos
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 cientco, 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 mayora
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
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 frvolos y con muchas ganas de vender
sus libros le llamaron Matem atica moderna. En la actualidad este lenguaje es parte in
trnseca 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
ta. Esto, en mi opini on, aunque m as moderado, tampoco tiene ning un sentido. Toda algebra
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 N umeros
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
las deniciones m as b asicas del algebra: grupos, anillos y campos.
Naturales
Hay una frase famosa que dice Dios hizo los naturales
ab = a +... +a
| {z }
b veces
= b +... +b
| {z }
a veces
y el hombre todo lo dem as. El conjunto de los n umeros
naturales N = {0, 1, 2, ...} es el conjunto de los cardinales
de los conjuntos nitos. En N hay dos operaciones binarias bien denidas: la suma y el
producto. De hecho, el producto es una operaci 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 uni on de dos
conjuntos nitos y disjuntos uno de cardinal a y otro de cardinal b.
Como la uni on 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.
7 Secci on 1.2 N umeros
Enteros
Ning un elemento de N salvo el cero tiene inverso para
b +a = c a = b +c
b + (a) = (a +b)
la suma. Para lograr la existencia de inversos inventamos los
n umeros negativos Z
= {1, 2, 3, ...} y en el conjunto

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.
Grupos
Nuevamente la suma de enteros es asociativa con neutro cero pero ahora, cada elemento
G1) la operaci on es asociativa
G2) tiene elemento neutro
G3) todo elemento tiene inverso
tiene inverso. O sea los enteros dan el primer ejemplo
de grupo. A un conjunto no vaco con una operaci on bi
naria se le llama grupo si se cumplen los tres axiomas
G1G3. A los grupos cuya operaci on es
conmutativa se les llama abelianos en honor al matem atico noruego Niels
Henrik Abel (18021829). Abel fu e el que resolvi o el problema algebraico
m as importante de su epoca. Demostr 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 neumona.
Anillos
La operaci on de producto de naturales se extiende f acilmente al
a(b) = (ab)
(a) b = (ab)
(a) (b) = ab
conjunto de los enteros mediante las reglas en el recuadro. Nuevamente
el producto es asociativo,conmutativo y distributivo con respecto a la
suma. O sea los enteros tambi en dan el primer ejemplo de anillo.
Un conjunto A no vaco con dos operaciones bi
A1) (A, +) es un grupo abeliano
A2) es asociativa
A3) es distributiva con respecto a +
A4) tiene elemento neutro
narias + y se le llama anillo si se cumplen los
axiomas en el recuadro a la izquierda. Si el anillo
es tal que la operaci on es conmutativa entonces
se dice que tenemos un anillo conmutativo.
En un anillo al neutro para la suma se le llama cero y se denota por 0. Al neutro para el
producto se le llama uno y se denota por 1. Al inverso de un elemento con respecto a la suma
de un elemento se le llama su opuesto. Al inverso con respecto al producto de un elemento
se le llama inverso multiplicativo o simplemente inverso a secas.
Observemos que si a es un elemento de un anillo entonces a 0 +a = a (0 +1) = a
y debido a la unicidad del 0 obtenemos que a 0 = 0. De la misma manera vemos que
0 a = 0. Si 1 = 0 entonces, a = 1 a = 0 a = 0 por lo que el anillo consta de un
solo elemento. Para descartar esta trivialidad supondremos siempre que 1 6= 0. De aqu se
desprende que 0 no puede tener inverso ya que 0 = a 0 = 1 es una contradicci on.
8 Captulo 1. Campos
En cualquier anillo a denota al opuesto de a y a
1
(si existe) denota al inverso de a.
Como 1 1 = 1 tenemos 1
1
= 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
a
b
=
c
d
a d = c b
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
nes son iguales cuando se cumple la igualdad en el recuadro.
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.
La suma y el producto de n umeros racionales se denen por
a
b
+
c
d
=
a d +c b
b d
a
b

c
d
=
a c
b d
las igualdades en el recuadro. Nuevamente los racionales con la
suma forman un grupo abeliano y otra vez el producto es aso
ciativo, conmutativo, tiene elemento neutro y es distributivo con
respecto a la suma. La diferencia es que ahora todo elemento di
ferente de cero tiene inverso multiplicativo. O sea los racionales
nos dan el primer ejemplo de campo.
Un conjunto K no vaco con dos operaciones bi
C1) (K, +) es un grupo abeliano
C2) (K\0, ) es un grupo abeliano
C3) es distributiva con respecto a +
narias + y se le llama campo si se cumplen los
tres axiomas C1C3. En otras palabras un campo
es un anillo conmutativo en la cual todo elemento
diferente de cero tiene inverso multiplicativo.
Ejercicio 10 Si es una operaci on en A entonces, en A
2
est a denida la operaci on por
coordenadas (x, y) (x
0
, y
0
) = (x x
0
, y y
0
). Pruebe que si (A, ) es un grupo entonces
A
2
,
es un grupo, si (A, +, ) es un anilloentonces,

A
2
, +,
es tambi en un anillo.
Ejercicio 11 Sea (K, +, ) un campo. Como K es un anillo conmutativo entonces, por el
ejercicio anterior,

K
2
, +,
tambi en es un anillo conmutativo. Ser a K

2
un campo? [126]
Reales
9 Secci on 1.2 N umeros
Dicen que cuando Pit agoras (Samos 569475 A.C.) descubri o que
1
1
2 6=
p
q
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
una exageraci on. Sin embargo, si nos ponemos
en el lugar de Pit agoras comprenderemos que
en aquel momento era inconcebible que existan
n umeros que no sean cociente de dos enteros.
La pintura a la izquierda es un detalle del fres
co de Rafael La escuela de Atenas en la cual
supuestamente, se muestra a Pit agoras.
Sigamos a Pit agoras y probemos que efectivamente

2 no es un racional. Para esto
denotemos por kak
2
el n umero de veces que el natural a se divide entre 2. Tenemos
2 =
p
q

2q
2
2
=

p
2
2
1 + 2 kqk
2
= 2 kpk
2
lo que es una contradicci on ya que un
n umero impar no puede ser igual a uno par.
Ejercicio 12 Sea n un n umero natural. Pruebe que
n es un natural o no es racional. [126]

Ejercicio 13 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 lmite de ra
cionales. Las propiedades de la suma y producto de racionales se traspasan f acilmente a los
reales usando las propiedades del lmite de sucesiones. De esta manera obtenemos nuestro
campo principal (R, +, ) . El campo de los reales se destaca porque es ordenado (siempre
podemos decidir si un n umero real es mayor, menor o igual a cero) y porque es cerrado (el
lmite de reales si existe es un real). Por otro lado, no es un factor a despreciar el hecho de
que el espacio en que vivimos es (o al menos nos parece que es) R
3
.
Ejercicio 14 Pruebe que la longitud de un segmento de recta es un n umero real. [126]
Complejos
En 1546 Gerolamo Cardano public o su libro Ars Magna en el cual di o m etodos (basa
dos en parte en el trabajo de otros matem aticos) para el calculo de las raices de los polinomios
de grado 3 y 4. Estos m etodos, a veces requeran el extraer raices cuadradas de n umeros ne
gativos, incluso cuando el resultado nal era un n umero real. Rafael Bombelli estudi o este
asunto en detalle y es considerado como el descubridor de los n umeros complejos.
10 Captulo 1. Campos
Para lograr que todos los polinomios tengan raices inven
(a +bi) + (a
0
+b
0
i) =
(a +a
0
) + (b +b
0
) i
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.
Las propiedades de la suma y el producto se desprenden in
(a +bi) (a
0
+b
0
i) =
(aa
0
bb
0
) + (ab
0
+a
0
b) i
mediatamente de sus deniciones y es f acil comprobar que
(C, +, ) es un anillo conmutativo. Para ver que es un cam
po, observamos que (a +bi)
1
=

a
2
+b
2
1
(a bi).
La principal propiedad que hace 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.
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 a
1
y a
2
elementos de A se
cumple que f (a
1
a
2
) = f (a
1
) f (a
2
).
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 a
0
es inverso de a en A entonces f (a
0
) es inverso de f (a) en B.
Prueba. Sean b
1
, b
2
y b
3
elementos cualesquiera en la imagen de f. Existen a
1
, a
2
y a
3
en
A tales que f (a
i
) = b
i
para i {1, 2, 3}. Como f es un morsmo, obtenemos la igualdad
b
1
b
2
= f (a
1
) f (a
2
) = f (a
1
a
2
) (*)
que prueba la primera armaci on. Si es conmutativa entonces, usando (*) obtenemos
b
1
b
2
= f (a
1
a
2
) = f (a
2
a
1
) = b
2
b
1
por lo que es tambi en conmutativa. Si es asociativa entonces, usando (*) obtenemos
(b
1
b
2
) b
3
= f (a
1
a
2
) f (a
3
) = f ((a
1
a
2
) a
3
) =
= f (a
1
(a
2
a
3
)) = f (a
1
) f (a
2
a
3
) = b
1
(b
2
b
3
)
11 Secci on 1.3 Morsmos
y por lo tanto es asociativa en la imagen de f. Si e es neutro de la operaci on entonces,
b
1
f (e) = f (a
1
) f (e) = f (a
1
e) = f (a
1
) = b
1
f (e) b
1
= f (e) f (a
1
) = f (e a
1
) = f (a
1
) = b
1
por lo que f (e) es el neutro de en la imagen de f. Sea a
0
el inverso de a en A entonces,
f (a) f (a
0
) = f (a a
0
) = f (e)
f (a
0
) f (a) = f (a
0
a) = f (e)
de lo que concluimos que f (a
0
) es el inverso de f (a).
Ejercicio 15 Justique todas las igualdades utilizadas en la prueba de 1.1.
Y porqu e siempre dentro de la imagen de f y no en todo B? La respuesta es que lo unico
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 Imf.
Si (A, ) es un grupo entonces (Imf, ) es un grupo.
Prueba. Por 1.1.1 es una operaci on binaria en Imf. 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) Imf
tiene su inverso f (a
0
) donde a
0
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 Ase le llama dominio
de f y al conjunto Bcodominio de f. Si el dominio y el codominio de un morsmo son grupos
entonces se dice que este es un morsmo de grupos.
Ejercicio 16 Construya un morsmo inyectivo de (R, +) en (R, ). Cual es su imagen?
Morsmos de anillos
Y que pasa con la distributividad? Tambi 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 smbolos diferentes ya es demasiada confusi on.
Una funci on f : A B se le llama morsmo si para cualesquiera a
1
y a
2
elementos de
A se cumple que f (a
1
+a
2
) = f (a
1
) +f (a
2
) y f (a
1
a
2
) = f (a
1
) f (a
2
). 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.
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.
Ejercicio 17 Demuestre que si (A, +, ) es un anillo y f : A B es un morsmo entonces,
(Imf, +, ) es un anillo. Demuestre que lo mismo ocurre para los campos.
Ejercicio 18 Pruebe que si f : A B es un morsmo de anillos y A es un campo entonces
f es inyectivo. En particular todo morsmo de campos es inyectivo. [126]
Isomorsmos
A los morsmos biyectivos se les llama isomorsmos. Esto se aplica tanto para con
juntos con una como tambi 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 f
1
.
Cuando ser a f
1
un morsmo? La respuesta es que siempre.
La inversa de un isomorsmo es un isomorsmo.
Prueba. Sea f : (A, ) (B, ) un isomorsmo. Sean b
1
, b
2
cualesquiera elementos de B.
Denotemos a
1
= f
1
(b
1
) y a
2
= f
1
(b
2
). Tenemos
f
1
(b
1
b
2
) = f
1
(f (a
1
) f (a
2
)) = f
1
(f (a
1
a
2
)) = a
1
a
2
= f
1
(b
1
) f
1
(b
2
)
que es lo que se requera demostrar. Si el isomorsmo involucra dos operaciones binarias
entonces el mismo argumento aplicado a las dos operaciones, nos da la prueba de la tesis.
Ahora podemos aplicar 1.1 en los dos sentidos. Si f : (A, ) (B, ) es un isomorsmo
entonces de que es conmutativa implica que es conmutativa y en conclusi 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
13 Secci on 1.3 Morsmos
mo f pero no sabemos nada de la operaci on . Podremos calcular b
1
b
2
? La respuesta es
si, lo podemos calcular por la identidad b
1
b
2
= f
f
1
(b
1
) f
1
(b
2
)
. Recprocamen
te, se dene de forma unica por la operaci on y el isomorsmo f mediante la identidad
a
1
a
2
= f
1
(f (a
1
) f (a
2
)). En conclusion ambas operaciones se denen una a otra.
Para que el lector comprenda mejor eso de que y
u v
u u v
v v u
1 1
1 1 1
1 1 1
son la misma operaci on veamos un ejemplo. Sea A el
conjunto de letras {u, v} y B el conjunto de los n umeros
{1, 1}. Denamos las operaciones y mediante las
tablas del recuadro a la derecha.
El lector debe observar que la segunda tabla es la tabla usual de multiplicaci on de enteros.
Adem as, para obtener la segunda tabla de la primera lo unico que necesitamos es cambiar
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.
En otras ramas de las matem aticas tambi en se denen morsmos e isomorsmos. Sin embargo no
siempre es suciente la biyectividad para denir los isomorsmos. Por ejemplo, en topologa los
morsmos son las funciones continuas. Pero la inversa de una biyecci on continua no siempre es
continua. Por esto, un isomorsmo de espacios topol ogicos hay que denirlo como una biyecci on continua
cuya inversa es continua.
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 smbolo 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 quera 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 smbolo . Como f y g
son morsmos tenemos (g f) (a b) = g(f (a b)) = g(f (a) f (b)) = g(f (a))
g(f (b)) = (g f) (a) (g f) (b) que es lo que se necesitaba probar.
Ejercicio 19 Pruebe que el conjunto de todos los automorsmos de un conjunto con una o
dos operaciones binarias es un grupo con respecto a la composici on de funciones.
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
a b = (a +b) mod n
a b = (ab) mod n
notaci on amod n signica el resto de la divisi on de a entre n.
O sea, el menor natural k tal que existe un entero t para los
cuales a = k + tn. Por denici on amod n Z
n
= {0, 1, ..., n 1} por lo que en Z
n
hay
naturalmente denidas dos operaci ones binarias como se muestra en el recuadro.
Ejercicio 20 Construya las tablas de sumar y multiplicar en Z
2
, Z
3
y Z
4
.
(Z
n
, , ) es un anillo conmutativo.
Prueba. Probemos que la funci on f : (Z, +, ) (Z
n
, , ) dada por f (a) = amod n es
un morsmo de anillos. Observemos que por denici on ab = f (a +b) y ab = f (ab) .
Para cualesquiera x, y Z por denici on de f existen enteros p, q tales que x = f (x) +
qn, y = f (y) +pn y por lo tanto f (x) = f (y) si y solo si x y es multiplo de n.
15 Secci on 1.4 Campos de restos
Tenemos que f (x) +f (y) = x +y (q +p) n y por lo tanto (f (x) +f (y)) (x +y)
es m ultiplo de n. Luego, f (x +y) = f (f (x) +f (y)) o lo que es lo mismo, f (x +y) =
f (x) f (y) y esto prueba que f es morsmo para la suma.
Por otro lado f (x) f (y) = (x qn) (y pn) = xy + (nqp yq xp) n y por lo
tanto (f (x) f (y)) (xy) es m ultiplo de n. Luego, f (xy) = f (f (x) f (y)) o lo que es lo
mismo, f (xy) = f (x) f (y) y esto prueba que f es morsmo para el producto.
Como f es sobre, (Z, +, ) es anillo conmutativo y los morsmos preservan las propie
dades de las operaciones, concluimos que (Z
n
, , ) es tambi en un anillo conmutativo.
Hemos denotado la suma y el producto en Z
n
con los smbolos 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 Z
n
se denotar a con el
smbolo + y el producto, con la ausencia de smbolo 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 Z
11
pero 2 +3 = 1 si la suma es la de Z
4
.
Dominios de integridad
Despu es de saber que (Z
n
, +, ) es un anillo conmutativo, lo natural es preguntarnos si
este es un campo, ya que lo unico que le falta a un anillo conmutativo para ser campo, es la
existencia de inversos para el producto. Veamos por ejemplo el caso de Z
6
. 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 elementos dis
tintos de cero es siempre diferente de cero. Sabemos que Z, Q, R y C son dominios de
integridad. Tambi en, ya vimos que Z
6
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 = p
1
0 = p
1
pq = q. Luego, q = 0.
Luego, Z
6
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 Z
n
y que pq = n = 0 mod n. Luego, si n es un n umero compuesto (no primo)
entonces, Z
n
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?
Z
p
es un dominio de integridad.
Prueba. Sean x, y {1, . . . , p 1} . Si xy = 0 en Z
p
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 Z
p
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 f
a
la funci on A 3 x 7ax A. Esta funci on es inyectiva ya que
(ax = ay) (a(x y) = 0) (x y = 0) x = y
Como f
a
es una funci on inyectiva de un conjunto nito en si mismo es tambi en sobreyectiva.
Luego tiene que existir b tal que f
a
(b) = ab = 1. Como el producto es conmutativo, esto
demuestra que a tiene inverso.
Como Z
p
es nito, concluimos inmediatamente que Z
p
es un campo si y
solo si p es un n umero primo. Los campos Z
p
son los primeros ejemplos de
campos que tienen un n umero 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 poli
nomiales son solubles en radicales y cuales no, Galois de facto invent o la
Teora de Grupos. Galois muri o a los 20 a nos en un duelo provocado por
asuntos amorosos y/o polticos. El apellido Galois se pronuncia en espa nol como galu a
Ejercicio 21 Halle los inversos de los elementos no nulos de Z
5
. [126]
Ejercicio 22 Demuestre que todo subgrupo nito con q elementos del grupo multiplicativo
de un campo es isomorfo a (Z
q
, +) . En particular, (Z
p
\0, ) es isomorfo a (Z
p1
, +). [127]
Ejercicio 23 Demuestre que Z
2
11
con las operaciones (a, b) +(a
0
, b
0
) = (a +a
0
, b +b
0
) y
(a, b) (a
0
, b
0
) = (aa
0
+7bb
0
, ab
0
+a
0
b) es un campo de 121 elementos. [128]
1.5 Campos primos. Caracterstica
Sea K un campo. Un subcampo de K es sencillamente un subconjunto de K que es
campo para las mismas operaciones. Si L es un subcampo de K entonces a, b L c
L\{0} se tienen que cumplir las siguientes propiedades
17 Secci on 1.5 Campos primos. Caracterstica
1. a +b L, a L, (L es un subgrupo aditivo)
2. ab L, c
1
L, (L\{0} es un subgrupo multiplicativo)
Recprocamente, 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 Z
p
= {0, 1, ..., p 1} como subconjunto de Q, por el otro, Z
p
NO es un
subcampo de Q (ya que por ejemplo 2 (p 1) = p 2 en Z
p
lo que no es cierto
en Q). De la misma manera, ning un Z
p
es subcampo de Z
q
para p 6= q.
Campos primos
Todo campo es subcampo de si mismo. A los campos que no tienen ning un subcampo
distinto de si mismo se les llama campos primos. Los campos primos son los m as sencillos
y deduciremos cuales todos ellos.
Todo campo K contiene un unico subcampo primo
que est a contenido en cualquier subcampo de K.
Prueba. La intersecci on de una colecci on arbitraria de subcampos de K es un subcampo.
Para ver esto observamos que si a y b pertenecen a todos los subcampos de la colecci on
entonces a + b tambi en. Por lo tanto, a + b est a en la intersecci on de ellos. Lo mismo
ocurre para el producto, para los neutros y los inversos. En particular, si nos jamos en la
intersecci on de todos los subcampos de K, vemos que esta es un subcampo que no contiene
subcampos y que est a contenida en cualquier subcampo de K.
El campo Q de los n umeros racionales es primo.
Prueba. Sea Kun subcampo de Q. Tenemos 1 Ky por lo tanto todas las sumas 1+... +1
y sus opuestos aditivos tienen que estar en K. Luego, todos los enteros est an en K. Tambi en
los inversos multiplicativos de los n umeros enteros y sus productos tienen que estar todos en
K. Luego, todos los racionales est an en K.
Los campos Z
p
de los restos m odulo un n umero primo son campos primos.
Prueba. Sea Kun subcampo de Z
p
. Tenemos 1 Ky por lo tanto todas las sumas 1+... +1
est an en K. Como cualquier elemento de Z
p
es suma de unos obtenemos que Z
p
K.
Teorema de Clasicaci on de Campos Primos
Los campos Z
p
y el campo Q son los unicos campos primos.
Prueba. Sea un K campo primo. Para un n umero natural n denotemos por n =
n veces
z }| {
1 +... +1
donde 1 es el neutro multiplicativo de K. Observese que 0 = 0. Obviamente, n es un ele
mento del campo. Denotemos por P = {n K | n N} . Hay dos posibilidades excluyentes
1. La aplicaci on n 7n es una biyecci on de en N en P.
2. Existen dos naturales distintos n y m tales que n = m.
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. Como K es primo obtenemos que K = Q.
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 pn = p n = 0. Si n > 0 entonces, pn < 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
x = a +kp = a +kp = a +
kp veces
z }| {
1 + +1
| {z }
p veces
+ +1 + +1
| {z }
p veces
= a +
k veces
z }| {
0 + +0 = a
lo que muestra que P es el anillo Z
p
de los restos m odulo p. Si p no es primo entonces, en
Z
p
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, Z
p
es un subcampo de K. Como K es
primo obtenemos que K = Z
p
.
Caracterstica
Por el teorema anterior cualquier campo o contiene a Q o contiene a Z
p
. Se dice que un
campo es de caracterstica 0 si este contiene a Q. Se dice que un campo es de caracterstica
p si este contiene a Z
p
. La caracterstica de un campo es un n umero primo o es cero. La
propiedad fundamental de la caracterstica de un campo es la siguiente:
Si K es un campo de caracterstica t
entonces, ta = 0 para cualquier a K.
Prueba. Si t = 0 la armaci on es trivial. Si t es primo entonces, el campo contiene a Z
t
y
tx =
t veces
z }| {
x +... +x = 1x +... +1x = (t1) x
19 Secci on 1.6 Aritm etica de campos
Como 1 Z
t
entonces tambi en t1 Z
t
. En Z
t
se tiene que t1 = 0. Luego tx = 0x = 0.
Ejercicio 24 Contradice o no 1.15 que todo campo es un dominio de integridad? [128]
Ejercicio 25 Es cierto o no que en todo campo (a = a) (a = 0)? [128]
1.6 Aritm etica de campos
Los campos se comportan en la mayora 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.
M ultiplos y exponentes enteros
En todo campo para cualquier n umero entero n y cualquier elemento del campo a se
usan las siguientes notaciones
na =
n veces
z }| {
a +a +... +a si n > 0
0 si n = 0
(n) (a) si n < 0
a
n
=
n veces
z }| {
aa...a si n > 0
1 si n = 0
1
a
n
si n < 0
y se cumplen las propriedades usuales: (n +m) a = na +ma y a
n+m
= a
n
a
m
.
Asociatividad general
Recordemos nuevamente el uso del smbolo de sumatoria . Si A es un conjunto
n
X
i=1
a
i
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 = {a
1
, ..., a
n
}.
La asociatividad de la operaci on de suma nos dice que esta expresi on tiene sentido unico
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
aA
a ci on en el recuadro a la derecha que podemos usar gracias a la conmutatividad de
la suma. O sea no importa si en la suma a
1
est a delante de a
2
o al rev ez. Solo es
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
i=1
a
i
=
Y
aA
a
asociativo y conmutativo podemos usar las expresiones equivalentes de
la izquierda para denotar el producto de todos los elementos del conjunto
A = {a
1
, ..., a
n
} .
Distributividad general
Mucho m as difcil es dar una forma general de la ley distributiva. Usando las leyes de
X
aA
a
!
X
bB
b
!
=
X
aA
X
bB
ab
los campos obtenemos (a +b) (c +d) = a(c +d) +
b(c +d) = ac +ad+bc +bd y el lector podr a con
vencerse f acilmente haciendo el c alculo para conjuntos
peque nos A y B que en general se cumple la f ormula
de la derecha.
M as general, para muchos factores tenemos
X
aA
a
!
X
bB
b
!

X
cC
c
!
=
X
aA
X
bB
...
X
cC
ab 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:
X
aA
a
!
n
=
X
a
1
A
...
X
a
n
A
a
1
a
n
(*)
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 a
4
b
3
c
3
. Para arreglar este defecto, d emosle nombres a los elementos de
A y pongamos A = {x
1
, ..., x
m
}. Ahora si n
1
, ..., n
m
son naturales entonces, un monomio
x
n
1
1
x
nm
m
aparece como sumando a la derecha en la f ormula (*) si y solo si
P
n
i
= n (ya
que los sumandos en (*) son productos de nelementos de A). Supongamos que
P
n
i
= n. Si
todos los n
i
son uno o cero entonces en (*) hay n! sumandos iguales al monomio x
n
1
1
x
n
m
m
(ya que podemos ordenarlos de ese n umero de maneras). Si digamos n
7
es mayor que 1 en
tonces tenemos que dividir por n
7
! ya que al permutar x
7
...x
7
no obtenemos nuevos suman
dos en (*). Lo mismo sucede con los otros n
i
. Como por denici on 0! = 1! = 1, nalmente
obtenemos la siguiente expresi on conocida como f ormula multinomial.
m
X
i=1
x
i
!
n
=
X
n!
n
1
!...n
m
!
x
n
1
1
x
n
m
m
donde la suma a la derecha de la igualdad recorre todas las soluciones en n umeros naturales
de la ecuaci on
P
n
i
= n. En el caso particular m = 2, haciendo el cambio de variable
n
1
= k obtenemos
21 Secci on 1.6 Aritm etica de campos
(x +y)
n
=
X
n
1
+n
2
=n
n!
n
1
!n
2
!
x
n
1
y
n
2
=
n
X
k=0
n!
k! (n k) !
x
k
y
nk
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
que el estudiante que desee estudiar el algebra lineal a profundidad
se familiarize bien con estos argumentos ya que las formas multili
neales y en particular los determinantes son muy parecidos a la parte
derecha de la igualdad (*).
Sir Isaac Newton (Inglaterra 16431727). Probablemente el cien
tco m as renombrado de todos los tiempos. Fundador de la mec ani
ca, la optica y el c alculo diferencial. Sus tres leyes de la mec anica
fundaron la base de la ingeniera que llev o a la revoluci on industrial.
Ejercicio 26 Sea K un campo de caracterstica p > 0. Demuestre que la funci on K 3
x 7 x
p
K es un morsmo de campos. Demuestre que si K es un campo nito entonces
esta funci on es un automorsmo de K. A este automorsmo se le llama automorsmo de
Frobenius. [128]
La expansi on de
ij
Ahora deduciremos otra consecuencia de la forma general de la ley distri
Y
iN
X
jN
ij
butiva que usaremos mucho m as adelante. Supongamos que Nes un conjunto
nito de ndices y que para cada pareja de ndices (i, j) tenemos un elemento
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
j
1
N
1j
1
!

X
jn N
njn
!
=
X
j
1
N
...
X
jn N
1j
1

1jn
=
XY
iN
ij
i
donde la suma m as a la derecha en esta igualdad recorre todos los elementos (j
1
, . . . , j
n
)
del producto cartesiano N N de n copias de N o sea, N
n
. Otra manera de pensar
a (j
1
, . . . , j
n
) es que tenemos una funci on f : N = {1, . . . , n} 3 i 7 j
i
= f (i) N y en
nuestra suma tenemos que recorrer todas estas posibles funciones o sea, el conjunto N
N
de
todas las funciones de N en N. Luego, en estas notaciones nalmente obtenemos
Y
iN
X
jN
ij
=
X
fN
N
Y
iN
if(i)
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, Z
p
o cualquier otro campo que a un no conoscamos. Esta es
la ventaja intrnseca 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, podra 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 Anillos con divisi on
Si en los axiomas de campo eliminamos la condici on de que el producto es conmutativo
obtenemos el concepto de anillo con divisi on (tambi en se le llama cuerpo).
O sea, un anillo con divisi on es un conjunto D
AD1) (D, +) es un grupo abeliano
AD2) (D\0, ) es un grupo
AD3) es distributivo con respecto a +
con una suma y un producto tal que se cumplen
los axiomas del recuadro a la izquierda. En par
ticular, todo campo es anillo con divisi on.
Ejercicio 27 Pruebe que si (D, +, ) es tal que (D, +) es un grupo, (D\ {0} , ) es un grupo
y el producto es distributivo respecto a la suma entonces, la suma es conmutativa. En otras
palabras en los axiomas de anillo con divisi on la conmutatividad de la suma es consecuencia
del resto de los axiomas. [128]
Quaterniones
No es muy f acil construir anillos con divisi on que no sean campos. Para esto, supon
gamos que en lugar de un solo n umero imaginario i tenemos tres diferentes imaginarios i,
j y k que cumplen que i
2
= j
2
= k
2
= 1. Un quaterni on es un n umero de la forma
a + bi + cj + dk donde a, b, c, d son n umeros reales. El lector debe observar la analoga
con los n umeros complejos. Podemos sumar quaterniones por coordenadas
23 Secci on 1.7 Anillos con divisi on
(a +bi +cj +dk) + (a
0
+b
0
i +c
0
j +d
0
k)
= ((a +a
0
) + (b +b
0
) i + (c +c
0
) j + (d +d
0
) k)
y es f acil comprobar que el conjunto de todos los quaterniones H es un grupo abeliano
respecto a la suma.
Para poder mutiplicar quaterniones postulamos que si a es un real y x es un imaginario
entonces ax = xa. Tambi en postulamos que si x y y son dos imaginarios distintos entonces
xy = yx. Esto nos dice que nuestra multiplicaci on de quaterniones no es conmutativa.
Ahora, si a+bi+cj+dk y a
0
+b
0
i+c
0
j+d
0
k son dos quaterniones arbitrarios entonces los
multiplicamos como si fueran polinomios en las variables no conmutativas i, j, k y usando
los postulados obtenemos que su producto es igual a
aa
0
bb
0
cc
0
dd
0
+
+(ab
0
+ba
0
) i + (ac
0
+ca
0
) j + (da
0
+ad
0
) k+
+(bc
0
cb
0
) ij + (cd
0
dc
0
) jk + (db
0
bd
0
) ki.
Para poder concluir la denici on de la multiplicaci on
a
00
= aa
0
bb
0
cc
0
dd
0
b
00
= ab
0
+ba
0
+cd
0
dc
0
c
00
= ac
0
+ca
0
+db
0
bd
0
d
00
= da
0
+ad
0
+bc
0
cb
0
de quaterniones postulamos que ij = k, jk = i y ki = j.
As denitivamente, obtenemos que el producto de nues
tros quaterniones es (a
00
+b
00
i +c
00
j +d
00
k) donde los co
ecientes a
00
, b
00
, c
00
y d
00
son los denidos en el recuadro
a la derecha. O sea, el producto de quaterniones es un quaternion. No es difcil (pero si
muy laborioso) probar directamente de la denici on que este producto es asociativo tiene
elemento neutro 1 = 1 +0i +0j +0k y que es distributivo respecto a la suma.
Para comprobar la existencia de inversos multiplicativos denimos para un quaternion no
nulo x = a+bi +cj +dk su quaterni on conjugado x = abi cj dk. De la denici on
de producto de quaterniones tenemos que x x = xx = a
2
+ b
2
+ c
2
+ d
2
es un n umero real
que tiene inverso multiplicativo. De esto se deduce que x (x x)
1
es el inverso multiplicativo
de x. En resumen, el conjunto de los quaterniones H son un anillo con divisi on pero no son
un campo.
Los quaterniones fueron descubiertos en 1843 por el fsico, ma
tem atico y astr onomo irland es Sir WilliamRowan Hamilton (1805
1865). De aqu la notaci on H para denotar el anillo de qua
terniones. Los quaterniones jugaron un papel fundamental en la
matem atica y la fsica del siglo XIX. Por ejemplo, James Clerk
Maxwell us o los quaterniones para desarrollar sus equaciones del
electromagnetismo. En la actualidad son importantes por ejemplo,
para las aplicaciones en las cuales se requiere describir en forma
eciente rotaciones espaciales (rob otica, control de naves espacia
les, gr acos por computadoras, etc.).
Ejercicio 28 Muestre que la tabla de multiplicar de los imaginarios i, j, k es consecuencia
de las igualdades de Hamilton i
2
= j
2
= k
2
= ijk = 1. [129]
Ejercicio 29 Muestre que los quaterniones que son raices cuadradas de 1 forman natural
mente una esfera en R
3
. M as precisamente (a +bi +cj +dk)
2
= 1 si y solo si se cumple
que b
2
+c
2
+d
2
= 1. [129]
Ejercicio 30 Constraste ?? con el hecho de que hay un innito n umero de quaterniones que
son raices de 1 (ejercicio 29). Que falla en la prueba de ?? para el caso de los quaternio
nes? [129]
Caso nito
Los quaterniones son un anillo con divisi on innito y es natural preguntarse si se pueden
construir anillos con divisi on nitos que no sean campos. El siguiente teorema responde esta
pregunta en forma negativa.
Teorema de Wedderburn
Todo anillo con divisi on nito es un campo.
La prueba de este teorema involucra un an alisis del grupo multiplicativo del anillo y usa
t ecnicas de teora de grupos que se salen fuera de los objetivos de este libro.
ste es el objeto central del algebra lineal. Motivaremos la introducci 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 captulo 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
Hubo alg un tiempo, en que el algebra y la geometra eran dos cosas to
y
p
y
p
x
p
x
talmente aparte. Los algebristas trabajaban con n umeros, polinomios,
raices, f ormulas, etc. y los ge ometras con puntos, lineas, polgonos,
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
de las equis y a la vertical se le llama eje
de las yes. Para cada punto del plano p tra
zamos la perpendicular al eje x y al eje y y de esta manera obte
nemos los puntos p
x
en el eje x y p
y
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, p
x
es simplemente un n umero real. De la
misma manera p
y
es otro n umero real. As, a cada punto del plano
p se le hace corresponder biunvocamente una pareja de n umeros
reales (p
x
, p
y
). 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.
26 Captulo 2. Espacios vectoriales
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.
Si a = (a
x
, a
y
) y b = (b
x
, b
y
) son dos vectores la suma de los mismos
y
a
a +b
b
x
se dene como a +b = (a
x
+b
x
, a
y
+b
y
) . La suma, geom etricamen
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
que nuestro plano cartesiano R
2
es tambi en un grupo con respecto a la
suma de vectores.
Si a = (a
x
, a
y
) es un vector y un escalar el producto a se dene
y
a
2a
x
como (a
x
, a
y
) . Geom etricamente este producto es aumentar (o reducir)
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
degenera al origen de coordenadas.
El producto por escalares es distributivo con respecto a la suma
(a +b) = a+b
( +) a =a+a
de vectores y tambi en con respecto a la suma de escalares o sea
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 31 Demuestre geom etricamente que la diagonal del paralelogramo generado por
a y b tiene coordenadas (a
x
+b
x
, a
y
+b
y
). [129]
Ejercicio 32 Es la multiplicaci on de un escalar por un vector una operaci on binaria? [129]
Ejercicio 33 Cuantas diferentes operaciones hay en (a) y () a? [129]
Ejercicio 34 Que es la resta de dos vectores? Cual es su interpretaci on geom etrica?
2.2 Denici on y ejemplos
27 Secci on 2.2 Denici on y ejemplos
La primera denici on de espacio vectorial la dio Giuseppe Peano (Italia,
E1) (a +b) = a +b
( +) a =a+a
E2) (a) = () a
E3) 1a = a
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
por vectores KE E que cumple las propiedades E1
E3. A los axiomas E1 y E2 se les llama distributividad
y asociatividad respectivamente del producto por escala
res. El 1 que aparece en el axioma E3 es el 1 del campo.
Como (E, +) es un grupo abeliano entonces, tiene que tener un vector neutro que deno
taremos por 0. El opuesto del vector a se denota por a. Por otro lado el campo de escalares
tiene un neutro para la suma: el 0, un neutro para el producto: el 1, opuestos para la suma
e inversos multiplicativos
1
. Las relaciones que cumplen estos con respecto al producto
por escalares nos las da el siguiente resultado b 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
0a
E3
= 0a +1a a
E1
= (0 +1) a a = a a = 0
(1) a
E3
= (1) a +1a a
E1
= (1 +1) a a = 0a a = a
0
E3
= 0 +1 0
E1
=
0 +
1
0
1
0
E2
= 1 0
E3
= 0
donde signos = est an marcados con los axiomas por los que son v alidos.
Ejercicio 35 Demuestre que a = 0 = 0 o a = 0. [129]
Ejercicio 36 Cual es el mnimo 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 mayora de ellos son fundamentales
para entender este libro. En particular, introduciremos notaciones b asicas que ser an usadas
constantemente.
El espacio de nadas K
n
Consideremos el producto cartesiano de ncopias del
K
n
= {(a
1
, a
2
, ..., a
n
) | a
i
K}
campo K. Este producto se denota por K
n
y est a forma
do por todas las nadas (a
1
, a
2
, ..., a
n
). Al escalar a
i
se le llama la i esima coordenada de
la nada (a
1
, a
2
, ..., a
n
). Luego, una nada tiene n coordenadas.
Los vectores ser an las nadas, los escalares ser an los elementos
(a
1
, ..., a
n
)
+ (b
1
, ..., b
n
)
(a
1
+b
1
, ..., a
n
+b
n
)
de K. En K
n
se introduce f acilmente la suma por coordenadas co
mo se muestra en el recuadro a la izquierda. Del hecho de que las
propiedades necesarias se cumplen en cada coordenada se des
prende que (K
n
, +) es un grupo abeliano.
La multiplicaci on por escalares tambi en se introduce por coor
(a
1
, ..., a
n
)

(a
1
, a
2
, ..., a
n
)
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
se reduce en cada coordenada a que 1 es el neutro para el producto
en el campo K. De esta manera obtenemos que K
n
es un espacio vectorial sobre K.
El espacio de polinomios K[x]
Podemos sumar polinomios, esta suma se hace coe
K[x] =
n
X
i=0
a
i
x
i
|
a
i
K
n N
ciente por coeciente. Tambi en sabemos multiplicar un

elemento de K por un polinomio. Es muy conocido que
todos los axiomas de espacio vectorial se cumplen. En
cierto sentido este espacio vectorial es parecido al anterior. Podemos asociar a cada polino
mio
P
n
i=0
a
i
x
i
la (n +1)ada (a
0
, a
1
, , ..., a
n
) y la multiplicaci on por escalar es la misma
que en K
n+1
. Para la suma podemos tener un problema si son de grados diferentes pero esto
se resuelve agregando sucientes ceros o sea si
P
m
i=0
b
i
x
i
es otro polinomio con n > m
entonces podemos asociarle la nada (b
0
, b
1
, ..., b
n
, 0, ..., 0) con sucientes ceros para com
pletar las n coordenadas y entonces la suma es la misma que en K
n+1
. Aunque sepamos
multiplicar polinomios, esto no tiene ning un papel en el concepto de espacio vectorial.
El espacio de sucesiones K
Dos sucesiones se suman por coordenadas como se muestra

(a
1
, a
2
, ..., a
n
, ...)
+ (b
1
, b
2
, ..., b
n
, ...)
(a
1
+b
1
, , ..., a
n
+b
n
, ....)
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.
El espacio de series K[[x]]
Las series se suman coeciente por coeciente. Para
K[[x]] =

X
i=0
a
i
x
i
| a
i
K
multiplicar por un escalar se multiplican todos los coe

cientes por el escalar. Los axiomas de espacio vectorial
se cumplen porque se cumplen para cada coeciente. De
hecho, este ejemplo es el mismo que el del espacio de sucesiones. Cada serie
P
i=0
a
i
x
i
se
determina unvocamente por la sucesi on (a
0
, a
2
, ..., a
n
, ...) 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 K
N
Hay una biyecci on natural entre las nadas (a
1
, a
2
, ..., a
n
) K
n
y las funciones {1, ..., n} 3
i 7 a
i
K. Igualmente las sucesiones (a
0
, a
1
, ..., a
n
, ...) se corresponden biunvocamen
te con las funciones N 3 i 7 a
i
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 K
N
. Dadas dos funciones f, g K
A
la suma
de ellas se dene como es habitual por (f +g) (i) = f (i) + g(i) para cualquier i N. El
producto por un escalar se dene por (f) (i) = f (i). Los axiomas de espacio vectorial se
comprueban f acilmente. Por ejemplo, la suma de funciones es conmutativa porque para cada
i en Nse 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 K
n
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]] = K
N
.
El espacio de Nadas K
N
En lo adelante una funci on en K
N
se denotar a por
N
. M as precisamente,
N
es la funci on que a cada i Nle hace corresponder el escalar
i
. Por ejemplo,
si N = {1, . . . , n}, entonces
N
= (
1
, . . . ,
n
). La bondad de esta notaci on
es que podemos pensar los elementos de K
N
(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 K
N
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
diremos que
i
es la i esima coordenada de
N
. En estas notaciones la suma de dos Nadas
es por coordenadas. O sea, la i esima coordenada de
N
+
N
es
i
+
i
. El producto por
escalares tambi en es por coordenadas. O sea, la i esima coordenada de
N
es
i
.
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
K
N
una Nada. El soporte
N
es por denici on el conjunto de ndices i tales
que
i
6= 0. Si el conjunto de ndices N es nito entonces, cualquier Nada tiene soporte
nito (porque un subconjunto de un conjunto nito es nito). Sin embargo, si el conjunto de
ndices es innito entonces habr 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 ejemplo de espacio de Nadas de soporte nito veamos el siguiente. Cada polino
mio
P
n
i=0
a
i
x
i
determina unvocamente una Nada a
donde a
i
= 0 si i > n. Esta Nada
es de soporte nito. Recprocamente, si a
es una Nada de soporte nito entonces, nece

sariamente, hay un natural n tal que a
i
= 0 para cualquier i > n. As, le podemos hacer
corresponder a a
el polinomio
P
n
i=0
a
i
x
i
. Esta correspondencia es biunvoca y las opera
ciones son las mismas en ambos espacios. Esto nos muestra que, el espacio de polinomios
es el espacio de Nadas con soporte nito. En otras palabras K
{}
= K[x].
Un caso importante es cuando N es nito y en este caso K
{N}
= K
N
. O sea, cada Nada
es de soporte nito. En particular, si N = {1, . . . , n} entonces K
{N}
= K
N
= K
n
.
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 R
2
tenemos que C como espacio vectorial sobre R es lo mismo que R
2
.
Otro ejemplo m as es que R es un espacio vectorial sobre Q. Este caso es sucientemente
complicado para que no digamos nada sobre el.
El espacio de Nadas de vectores E
N
Ahora, nos debemos preguntar, cual es el mnimo de condiciones que le debemos pedir
a las coordenadas de una Nada, para poder denir un espacio vectorial. Ya vimos que, si
las coordenadas est 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 E
N
el conjunto de todas las Nadas de E. Si a
N
y b
N
son dos elementos de E
N
entonces, la
i esima coordenada de a
N
+b
N
es a
i
+ b
i
. Esto lo podemos hacer porque sabemos sumar
los elementos de E. Ahora, si es un elemento de K entonces, la i esima coordenada de
a
N
es a
i
. 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 K
NM
Un caso particular de Nadas de vectores es cuando estos vectores son Madas de esca

11

12

13
21

22

23
a
1
= (
11
,
12
,
13
)
a
2
= (
21
,
22
,
23
)
lares. Este espacio es

K
M
N
. Para aclarar un poco que sucede en este caso, supongamos
que N = {1, 2} y que M = {1, 2, 3}. Entonces, un elemento del espacio
K
M
N
es una 2ada
(a
1
, a
2
) de vectores y cada uno de ellos es una 3ada de escalares. Los dos vectores los po
demos representar como en el recuadro a
la izquierda y para simplicar nos queda
mos con la tabla que vemos a la derecha.
Esta tabla es un elemento del espacio de (NM)adas K
NM
, o sea, los ndices son
parejas en el producto cartesiano N M. Esto nos permite identicar

K
M
N
con K
NM
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
K
M
N
= K
NM
= K
MN
=

K
N
M
que el lector debe comparar con (a
x
)
y
= a
xy
= a
yx
= (a
y
)
x
para n umeros naturales a, x, y.
Desde ahora, para simplicar la notaci on, a una (NM)ada cualquiera la llamaremos
NMada. Tambi en, en lugar de usar la notaci on
(NM)
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 (Ny M) en lugar de uno solo (NM). O sea, una NMada es un conjunto
de elementos del campo indexado por dos conjuntos de ndices. Cuando N = {1, . . . , n}
y M = {1, . . . , m} entonces obtenemos una matriz con n renglones y m columnas. En el
ejemplo anterior obtuvimos una matriz con 2 renglones y 3 columnas.
Para conjuntos N y M arbitrarios (por ejemplo, conjuntos de jeroglcos chinos), la
diferencia es que no hay un orden preestablecido entre los elementos de los conjuntos de
ndices por lo que no sabramos cual columna o rengl on poner primero y cual despu es. Como
esta diferencia no es tan importante y para no formar confusi on en la terminologa desde
ahora, a las NMadas los llamaremos NMmatrices. Escribiremos K
NM
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
das de la matriz. Si i N entonces la Mada
iM
K
M
es el i esimo rengl on de la matriz
NM
. Si j M entonces la Nada
Nj
K
N
es la j esima columna. Al conjunto N se
le llama conjunto de ndices de los renglones. An alogamente, al conjunto M se le llama
conjunto de ndices de las columnas.
Si N
0
, M
0
son subconjuntos no vacos de N y M respectivamente entonces a la matriz
N
0
M
0 se le llama submatriz de
NM
. Si |N
0
| = |M
0
| = 1 entonces la submatriz es una
entrada. Un rengl on es una submatriz donde |N
0
| = 1 y M
0
= M o sea una submatriz del
tipo
iM
. Una columna es una submatriz donde |M
0
| = 1 y N = N
0
o sea una submatriz
del tipo
Nj
. Una ultima observaci on acerca de las matrices, es que toda esta terminologa
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 (NML)ada. Al igual que en las matrices denotaremos por
NML
a una NML
ada con tres conjuntos de ndices o sea un tensor de exponente 3. Las matrices son tensores
de exponente 2 y las Nadas son tensores de exponente 1. Los tensores de exponente 0 son
los elementos del campo.
Si bien podemos pensar un tensor de exponente 1, co
mo una serie de elementos del campo uno al lado de otro
y pensar los de exponente 2, como una tabla rectangular de
elementos del campo, tambi 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 Ntenemos 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
cubo de dimensi on grande. Es mucho m as util el manejo algebraico de estos, que tratar
de visualizarlos. En este contexto, la terminologa 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 vaco de vectores
que es un espacio vectorial para las mismas operaciones.
33 Secci on 2.3 Subespacios
Un conjunto de vectores F no vaco es un subespacio si y solo si para
cualesquiera a, b F y K los vectores a +b y a est an en F.
Prueba. Si F es un subespacio de E entonces, por denici on a +b y a est an en F.
Recprocamente, 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 vaco). 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.
Prueba. La intersecci on de subespacios nunca es vaca 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
hai
a
no nulo en R
2
. El conjunto hai = {a | R} de todos los m ultiplos del
vector aes un subespacio de R
2
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
espacio son los puntos de la recta por el origen que pasa por a.
Sean ahora a y b dos vectores en R
3
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 recta hai que pasa por
a y a la lnea hbi que pasa por b.
En R
3
hay un solo plano que contiene estas dos rectas. Ser a es
p
a
b
ha, bi
te plano el subespacio ha, bi? Pues, claro que si. Para cada
punto p de este plano dibujemos la paralela a la lnea hai que
pasa por p obteniendo un punto de intersecci on con la recta
hbi el cual es b para alg un R. An alogamente, dibujan
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
iN
i
i
vectores. Una combinaci on lineal de N es cualquier vector de la forma que se
muestra en el recuadro a la derecha. A los escalares
i
se les llama coecientes
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 on lineal de N es un vector de la forma
a+b +c+d. En otras palabras, la notaci on
P
iN

i
i debe interpretarse as: t omese
los vectores de N, cada uno de ellos multiplquese por un escalar y s umese los resultados.
Todo esto est a muy bien si el conjunto N es nito. Si Nes 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.
Prueba. Sean
P
iN

i
i y
P
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
escalares obtenemos:
X
iN
i
i+
X
iN
i
i =
X
iN
(
i
+
i
) i
que es una combinaci on lineal de Nya que todos los (
i
+
i
) salvo un n umero nito tienen
que ser cero. Lo mismo ocurre con
P
iN

i
i
=
P
iN

i
i.
Cerradura lineal
Denotaremos por hNi al conjunto de todas las combinaciones lineales de N.
Si F es un subespacio que contiene a N entonces, F contiene a hNi.
Prueba. Si F contiene a N entonces, F contiene a todos los m ultiplos de los vectores en N
y a todas sus sumas nitas. Luego, cualquier combinaci on lineal de N est a en F.
35 Secci on 2.3 Subespacios
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 F
1
, F
2
y F
3
a los tres conjuntos del enunciado de la proposici on. Por
denici on F
1
= hNi. Por la proposici on 2.3 el conjunto F
2
es un subespacio que contiene a
N y de 2.5 obtenemos que F
1
F
2
. Por denici on de intersecci on tenemos que F
2
F
3
.
Por denici on, F
3
est a contenido en cualquier subespacio que contiene a N y en particular
F
3
F
1
. La prueba termina usando la transitividad de la inclusi on de conjuntos.
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 MhNi hMi (monotona),
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 entonces, hhNii = hNi.
En matem aticas las palabras clausura, cerradura y envoltura son sin onimos. Por
esto con el mismo exito, otros autores le llaman clausura lineal o envoltura lineal a
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 37 Demuestre que N es un subespacio si y solo si N = hNi.
Ejercicio 38 Demuestre que (x hN yi \ hNi) (y hN xi). [129]
2.4 Bases
Observemos que la denici on de combinaci on lineal de Nde
K
{N}
3
N
7
X
iN
i
i E
termina la funci on f
N
del recuadro a la izquierda que a ca
da Nada de soporte nito
N
le hace corresponder el vector
P
iN

i
i. Esta funci on no tiene porque que ser sobreyectiva ni inyectiva, depende del con
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 R
3
. En este caso f
N
(2, 2, 0) = f
N
(0, 0, 2) = (0, 2, 2) por
lo que f
N
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 f
N
es biyectiva. Este hecho es fundamental, porque en este caso existe la
funci on inversa f
1
N
: E K
{N}
que nos permitir a introducir coordenadas en cualquier espa
cio vectorial. Es m as, veremos que los conjuntos de vectores para los cuales f
N
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
del vector a denir. Solo depende del espacio. As, en R
2
nos hacen falta siempre dos reales
para dar un vector y en R
7
nos hacen falta siete.
Conjuntos generadores
Primero, lo m as f acil. La imagen de la funci on f
N
es hNi , la cerradura de N. Diremos
que N es un conjunto generador si hNi es todo el espacio o sea, si f
N
es sobreyectiva.
Los generadores son un ltro
Todo sobreconjunto de un conjunto generador es generador.
Prueba. Supongamos M N. Por monotona de la cerradura lineal tenemos hNi hMi.
Si hNi es todo el espacio entonces, necesariamente hMi tambi en lo es.
Conjuntos linealmente independientes
Ahora, veamos cuando f
N
es inyectiva. Observese que en un lenguaje m as descriptivo,
un f
N
es inyectiva si y solo si se cumple la propiedad 3 del siguiente resultado.
37 Secci on 2.4 Bases
Teorema de Caracterizaci on de Conjuntos Linealmente Independientes
Sea N un conjunto de vectores. Las siguientes armaciones son equivalentes
1. Cualquier subconjunto propio de Ngenera 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 Nes 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. Recprocamente, 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 monotona e idempotencia hNi hN\ai lo que contradice 1.
(3 4) Observese que
P
iN

i
i =
P
iN

i
i
P
iN
(
i
i
) i = 0
y adem as
(
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. Recproca
mente, si no se cumple 4 entonces hay un vector a Ny una combinaci on lineal de Nigual
a cero y con
a
6= 0. Despejando a, obtenemos que a hN\ai. Esto contradice 2.
Ejercicio 39 Busque en la prueba del Teorema de Caracterizaci on de Conjuntos Linealmen
te Independientes (2.9) donde se usan los inversos nultiplicativos. [130]
Diremos que un conjunto de vectores N es linealmente independiente si se cumple
alguna (y por lo tanto todas) las armaciones de la proposici 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 Nes independiente y Na 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 igual a cero obtendramos 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
Conjuntos generadores
Conjuntos LI
E
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.
Teorema de Caracterizaci on de Bases
Sea N un conjunto de vectores. Las siguientes armaciones son equivalentes
1. N es generador y N es LI,
2. N es LI y cualquier sobreconjunto propio de N es LD,
3. N es generador y cualquier subconjunto propio de N no es generador.
Prueba. (1 2) Sea N independiente y generador. Sea a / N. Como N es generador
a hNi . De la caracterizaci 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
Na 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 existira 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. Un conjunto de vectores que es generador de F y que es LI se le
llama base de F. Las bases de todo el espacio se llaman simplemente bases. El ser base es
equivalente a ser un conjunto LI lo m 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 f
N
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
el conjunto N es nito. Primero ponemos M igual a L. Si M es maximal terminamos, si no,
entonces existe a N\M tal que M a es LI. Agregamos a al conjunto M y repetimos
este proceso. Como N es nito este proceso tiene que terminar.
Ejercicio 40 Pruebe que las siguientes armaciones son consecuencia directa del Teorema
de Existencia de Bases (2.14): 1. Todo espacio vectorial tiene base. 2. Cualquier conjunto LI
esta contenido en una base. 3. Cualquier conjunto generador contiene a una base. [130]
Dimensi 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 My Nson 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
M
b
= (M\a) b. Si para todos los b N\ (M\a) el conjunto M
b
fuera LD entonces,
por el Lema de Aumento de un Conjunto LI (2.11) todo b N sera combinaci on lineal
de M\a. O sea, N hM\ai y por monotona e idempotencia tendramos hNi hM\ai .
Como hNi es todo el espacio en particular tendramos a hM\ai lo que no es posible ya
que M es LI.
Hemos demostrado que existe b N\ (M\a) tal que M
b
es LI. Demostremos que M
b
es generador. Sea v un vector arbitrario. Por ser M base tenemos que b y v son combinacio
nes lineales de M o sea existen escalares apropiados tales que
b =
a
a +
X
xM\a
x
x v =
a
a +
X
xM\a
x
x
Como M
b
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 hM
b
i. Esto signica que M
b
es generador.
Equicardinalidad de las Bases
Dos bases cualesquiera de un espacio vectorial tienen el mismo cardinal.
Prueba. Sean A = {a
1
, ..., a
n
} y B dos bases. Por la Propiedad del Cambio de las Bases
(2.15) existe otra base A
1
= {b
1
, a
2
, ..., a
n
} donde b
1
B. Observese que |A
1
| = n ya
que en otro caso A
1
A lo que contradice el Lema de Incomparabilidad de las Bases
(2.13). Aplicando la Propiedad del Cambio de las Bases (2.15) a A
1
obtenemos otra base
A
2
= {b
1
, b
2
, a
3
, ..., a
n
} tal que b
2
B. Observese que |A
2
| = n ya que en otro caso
A
2
A
1
lo que contradice el Lema de Incomparabilidad de las Bases (2.13). Repitiendo
este proceso obtenemos bases A
3
, A
4
, ..., A
n
todas con n vectores y adem as A
n
B. Como
B es base obtenemos A
n
= 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 dimE. 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 teora 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 dimE = dimF entonces E = F.
Prueba. Sea Nuna 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 Nes 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 Teora de Conjuntos que no presuponemos que lo posea el
lector. A los interesados en esto les recomiendo leer ahora la ultima secci on de este captulo.
Ejercicio 41 Pruebe que si E un subespacio de F entonces dimE dimF. [130]
Ejercicio 42 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
los ejemplos de espacios vectoriales que construimos en la Secci on 2.2.
Comenzemos con R
2
. Sean e
1
= (1, 0) y e
2
= (0, 1). Cualquier vector (a, b) en R
2
tiene una manera de expresarse como combinaci on lineal de N = {e
1
, e
2
}. Efectivamente,
tenemos la igualdad (a, b) = ae
1
+be
2
. Esto quiere decir que el conjunto N es generador.
Por otro lado, si e
1
+ e
2
= (, ) = 0 = (0, 0) entonces, necesariamente, y son
ambos cero. De aqu obtenemos que conjunto Nes una base que la llamamos base can onica
de R
2
. Los vectores e
1
y e
2
se pueden visualizar geom etricamente como los dos vectores de
longitud 1 en ambos ejes de coordenadas. Luego, la dimensi on de R
2
es 2.
Pasemos ahora a K
n
. Para cada i en el conjunto de ndices {1, . . . , n} denotemos por e
i
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
i=1
i
e
i
y esto signica que cada vector en K
n
se expresa de forma unica como combina
ci on lineal de N. O sea, N es generador y por la caracterizaci on 2.9.3 de los conjuntos LI el
conjunto N es LI. A la base N se le llama base can onica de K
n
. La dimensi on de K
n
es n.
Veamos el espacio de polinomios K[x]. Sea N el conjunto

x
i
| i N
. Es claro que
todo polinomio se puede escribir de forma unica como combinaci 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 K
n
). Para cada i en el conjunto de ndices Mdenotemos por e
i
el vector cuya iesima
coordenada es 1 y las dem as son cero. Sea N el conjunto de todos esos vectores. Tenemos
N
=
P
iN

i
e
N
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
dimensi on de K
{M}
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
Madas o sea de K
M
. Luego, en el caso de que M es nito K
{M}
= K
M
y la base can onica
de K
M
es la construida en el p arrafo anterior. En el caso de que el conjunto M sea innito
entonces el espacio K
M
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 43 Demuestre que el conjunto {(x x
0
)
i
| i N} es una base de K[x]. [130]
Ejercicio 44 Cual es la base can onica del espacio de las NMmatrices? [130]
2.5 Clasicaci on de espacios vectoriales
En esta secci on veremos que todo espacio vectorial es isomorfo a un espacio de N
adas de soporte nito. Para el caso nito dimensional esto quiere decir que el unico (salvo
isomorsmos) espacio vectorial de dimensi on n sobre un campo K que existe es el espacio
de las nadas K
n
.
Isomorsmos lineales
En el Captulo 1 vimos los morsmos de operaciones binarias, grupos, anillos y campos.
Para los espacios vectoriales es igual, la unica diferencia es que en ellos hay denida una
operaci on que no es interna del espacio: el producto de un escalar por un vector. Sin embargo,
esto no presenta mayores dicultades.
43 Secci on 2.5 Clasicaci on de espacios vectoriales
Sean E y F dos espacios vectoriales sobre el mismo campo
f (a +b) = f (a) +f (b)
f (a) = f (a)
K. Una funci on f : E F se le llama morsmo de espacios
vectoriales si para cualesquiera a, b E y cualquier K
se cumplen las propiedades del recuadro.
Alos morsmos de espacios vectoriales tambi en se les llama transformaciones lineales.
Esta ultima expresi 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 cientcos
de diversas areas.
Ejercicio 45 Demuestre que la composici on de morsmos es un morsmo. [130]
El estudio de las transformaciones lineales lo pospondremos hasta el siguiente captulo.
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
f
1
(x +y) = f
1
(f (a) +f (b)) = f
1
(f (a +b)) = a +b = f
1
(x) +f
1
(y)
f
1
(x) = f
1
(f (a)) = f
1
(f (a)) = a =f
1
(x)
que es lo que se quera 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.
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 x E , y = f (x) F. Como f es isomorsmo tenemos
X
iM
i
i = x
!
X
iM
i
f (i) = y
!
X
jN
j
j = y
!
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 = f
1
(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
iM
i
i = 0
!
X
jN
j
j = 0
!
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 46 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 f
N
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
f
N
(
N
+
N
) =
X
iN
(
i
+
i
) i =
X
iN
i
i +
X
iN
i
i = f
N
(
N
) +f
N
(
N
)
f
N
(
N
) =
X
iN
(
i
) i =
X
iN
i
i = f
N
(
N
) .
Por otro lado, ya vimos que f
N
es sobreyectiva si y solo si Nes generador, que f
N
es inyectiva
si y solo si N es LI y por lo tanto f
N
es un isomorsmo si y solo si N es una base. En el caso
de que N sea una base, la funci on inversa f
1
N
: F K
{N}
es un isomorsmo lineal llamado
coordinatizaci on de F mediante la base N. En otras palabras, si N es una base de F, y x es
un vector de F entonces, existe una unica Nada
N
K
{N}
tal que x =
P
iN

i
i. En este
caso, a los coecientes
i
se les llama coordenadas de x en la base N.
Clasicaci on
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. Recprocamente, sean N y M bases de E y F respecti
vamente. Mediante los isomorsmos de coordinatizaci on podemos pensar que E = K
{N}
y
45 Secci on 2.5 Clasicaci on de espacios vectoriales
F = K
{M}
. Si los dos tienen la misma dimensi on entonces, hay una biyecci on f : M N.
Sea g : K
{N}
3
N
7
M
K
{M}
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 Nsea nito con n elementos , este espacio
es K
n
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 K
n
.
Campos de Galois
Una aplicaci on sencilla del Teorema de Clasicaci on de Espacios Vectoriales (2.21) es
la siguiente. Sea E un espacio vectorial nito dimendional sobre el campo K. Tenemos para
cierto natural n un isomorsmo E K
n
y si el campo K es nito entonces en E hay
exactamente |K|
n
vectores.
El n umero de elementos en un campo nito es potencia de un n umero primo.
Prueba. Ya vimos que siempre que se tenga un subcampo L del campo Kentonces, Kes un
espacio vectorial sobre L. Esto es en esencia porque podemos sumar vectores (los elementos
de K) y podemos multiplicar escalares (los elementos de L) por vectores.
Si Kes nito entonces su caracterstica no puede ser 0 y por lo tanto es igual a un n umero
primo p. Esto quiere decir que Kcontiene como subcampo Z
p
. La dimensi on de Ksobre Z
p
tiene que ser nita ya que si no, entonces K sera innito. Luego, K es isomorfo a Z
n
p
que
tiene exactamente p
n
elementos.
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 R
2
y R
3
. 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 R
n
. Si el lector lo preere, el
n umero npuede ser un n umero jo sucientemente grande digamos n = 11. Ya en este caso,
para entender es necesario usar varios m etodos: las analogas geom etricas en dimensiones
peque nas, el c alculo algebraico con smbolos y los razonamientos l ogicos. Casi todo lo que
se puede demostrar para espacios vectoriales nito dimensionales se demuestra en el caso
particular de R
n
con la misma complejidad. Las demostraciones de muchos hechos v alidos
en R
n
se copian tal cual para espacios vectoriales de dimensi on nita sobre cualquier campo.
En tercer lugar se debe pensar en C
n
. El espacio vectorial C
n
es extremadamente impor
tante dentro de las matem aticas y la fsica. Adem as, el hecho de que C es algebraicamente
cerrado hace que para C
n
algunos problemas sean m as f aciles que en R
n
. Hay una manera
de pensar en C
n
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 C
n
es un espacio
vectorial sobre R de dimensi on 2n o sea, hay una biyecci on natural entre C
n
y R
2n
(la bi
yecci on es (a
1
+b
1
i, a
2
+b
2
i, ..., a
n
+b
n
i) 7 (a
1
, b
1
, a
2
, b
2
, ..., a
n
, b
n
)). Sin embargo
esta biyecci on no es un isomorsmo. Si E es un subespacio de C
n
sobre R entonces no ne
cesariamente E es un subespacio de C
n
sobre C . Desde este punto de vista podemos pensar
(no rigurosamente) a C
n
como un R
2n
en el que hay menos subespacios.
Los que se interesan en las ciencias de la computaci on deben tambi en pensar en Z
n
p
y
en general en cualquier K
n
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 criptografa, 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 K
n
. 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 Qy 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 R
2
y R
3
.
Subespacios de R
n
Cuales son todos los subespacios de R
n
? Del Teorema de Clasicaci on de Espacios
Vectoriales (2.21) sabemos que estos tienen que ser isomorfos a R
i
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
47 Secci on 2.6 Suma de subespacios
hai es la recta que pasa por el origen y por el punto a que es el nal del vector a. Luego,
los subespacios de dimensi on 1 de R
n
son las rectas que pasan por el origen. Para R
2
este
an alisis termina con todas las posibilidades.
Si i = 2 entonces, el subespacio tiene que ser isomorfo a R
2
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
el origen de coordenadas no est an alineados. En este caso hay un unico plano (R
2
) que pasa
por estos tres puntos y tambi en ya vimos que este plano es ha, bi. Luego, los subespacios de
dimensi on 2 de R
n
son los planos que pasan por el origen. Para R
3
este an alisis termina con
todas las posibilidades: sus subespacios son: el origen, las rectas por el origen, los planos por
el origen y todo el espacio.
Ahora tenemos que pensar por lo menos en los subespacios de R
4
y ya se nos acaba la
intuici on y la terminologa geom etrica. Por esto, pasemos al caso general. Un subespacio de
dimensi on i en R
n
esta generado por una base {a
1
, . . . , a
i
} 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
dimensi on menor que i. Si este es el caso entonces hay un unico R
i
que contiene a todos
estos puntos y este es el subespacio ha
1
, . . . , a
i
i.
Suma de conjuntos y subespacios
Sean E y F dos subespacios sobre un campo K. En la proposici on 2.3 vimos que EF 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}
Prueba. Todo a +b es una combinaci on lineal de EF. Recpro
X
xE
x
x +
X
yF
y
y
camente, toda combinaci on lineal de E F se puede escribir como
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.
Dados dos conjuntos cualesquiera de vectores A y B
A+B = {a +b | a A, b B}
denimos la suma de estos como en el recuadro a la
izquierda. Despu es de esta denici on el resultado 2.23 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.
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 Nuna base de EF . Como Nes 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 EF = N. Efectivamente, por la forma en que contruimos E
y F tenemos N EF. Para la prueba de la otra inclusi on sea a EF. Como Na 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
0 =
X
iEF
i
i =
X
iE\N
i
i+
X
iN
i
i+
X
iF\N
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 F.
Como Nes una base de EF el vector z es combinaci on lineal de N, o sea z =
P
iN

i
i
para ciertos coecientes
i
. De aqu obtenemos que
0 = x +y +z =
X
iE\N
i
i+
X
iN
(
i
+
i
) i
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
0 = y +z =
X
iN
i
i+
X
iF\N
i
i
y como F es LI deducimos que los restantes coecientes tambi en son cero.
Igualdad modular
Si E y F son dos subespacios entonces,
dimE + dimF = dim(E + F) + dim(E F).
Prueba. Por 2.24 existen bases E y F de E y F tales que E F es base de E + F y E F
es base de E F. Luego, la f ormula se reduce a la conocida igualdad entre cardinales de
conjuntos |E| +|F| = |E F| +|E F|.
Ejercicio 47 Use la igualdad modular para cons
E F (E + F)
1 1 1
1 1 2
1 2 2
E F (E + F)
1 2 3
2 2 3
2 2 4
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 K deniremos la suma directa de ellos como el espacio vectorial
E F = {(a, b) | a E, b F}
(a, b) +
a
0
, b
0
=

a +a
0
, b +b
0
(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. Deberamos 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) = dimE + dimF.
Prueba. Sea E
0
= {(a, 0) | a E} y F
0
= {(0, b) | b F}. Es claro que los espacios E y E
0
son isomorfos y por lo tanto tienen la misma dimensi on. Otro tanto ocurre con F y F
0
. Por
denici on de suma de subespacios tenemos que E
0
+ F
0
= E F . De la Igualdad modular
(2.25) obtenemos dim(E
0
+ F
0
) = dimE
0
+ dimF
0
dim(E
0
F
0
) = dimE + dimF.
Isomorsmo can onico entre la suma y la suma directa.
De esta ultima proposici on y de la igualdad modular se deduce que si dos subespacios E
y F son tales que EF = {0} entonces dim(E F) = dim(E + F) o sea EF 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) 7a +b E + F
es un isomorsmo de espacios vectoriales.
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.
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
de escoger alguna base juegan un papel importante en el algebra lineal y se les llama iso
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 K
3
pero no es can onicamente isomorfo a K
3
porque no se pue
de construir de cualquier espacio vectorial de dimensi on 3 un isomorsmo con K
3
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 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.
Ejercicio 48 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 = EF. Esta igualdad por el Isomorsmo Can onico entre
la Suma y la Suma directa (2.27) lo que quiere decir es que S = E + F y E F = {0}. En
R
2
dos rectas por el origen diferentes son complementarias una a otra. En R
3
un plano y una
recta no contenida en el plano (ambos por el origen) son complementarios uno a otro.
Todo subespacio tiene complementario.
Prueba. Sea E un subespacio de S. Sea A una base de E. Por el Teorema de Existencia de
Bases (2.14) hay una base Cde Sque contiene a A. Sea F el espacio generado por B = C\A.
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, si x E F entonces, tienen que existir combinaciones lineales tales que
x =
X
aA
a
a =
X
aB
a
a
!
X
aA
a
a
X
aB
a
a = 0
!
.
Como C es LI entonces, por la caracterizaci on 2.9.4 de los conjuntos LI la ultima combina
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 unica como x = a +b donde a E y b F.
Prueba. Si E y F son complementarios entonces E+F es todo el espacio y por lo tanto todo
vector es de la forma a +b. Si a +b = a
0
+b
0
entonces a a
0
= b
0
b E F = {0}
por lo que la descomposici on x = a +b es unica.
Ejercicio 49 Demuestre el recproco de 2.29: Si cada vector se expresa de forma unica
como x = a+b con a E y b F entonces, los subespacios son complementarios. [130]
Ejercicio 50 Pruebe que E = E
1
E
2
E
n
si y solo si cualquier vector x E se
expresa de forma unica como x = x
1
+ + x
n
con x
i
E
i
. Sugerencia: Usar 2.29, el
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 Teora
de Conjuntos y siempre es saludable establecer analogas 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.
Sin embargo, es preciso ser cuidadosos en tratar de llevar resultados de los conjuntos a los
espacios vectoriales. Por ejemplo, el complemento de un subconjunto es unico y no siempre
hay un unico subespacio complementario. Otro ejemplo, un poco m 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
R
3
los subespacios A = h(0, 0, 1) , (1, 1, 0)i , B = h(1, 0, 0)i y C = h(0, 1, 0)i . Calculamos
A (B +C) = h(1, 1, 0)i y (A B) + (A C) = {(0, 0, 0)} y vemos que son distintos.
Ejercicio 51 Si A y B son dos conjuntos entonces la diferencia sim 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 Z
2
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/Eque 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 R
2
los subespacios son el origen
`
`
0
x
R
2
{0}, todo R
2
y las rectas que pasan por el origen. Sin embargo, hay otras
rectas en el plano que no pasan por el origen. Para obtener una de estas
rectas lo que tenemos que hacer es trasladar una recta por el origen `
mediante un vector x (v ease la gura). De esta manera, obtenemos la
recta `
0
que se obtiene sumandole x a cada vector en la lnea `. Observese
que si x 6= 0 entonces las rectas ` y `
0
no se intersectan.
Esto nos motiva a la siguiente denici 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.
Un subespacio afn es el trasladado de un subespacio. En otras palabras, un conjunto de
vectores E es un subespacio afn si existen un subespacio Ey un vector x tales que E = E+x.
Observese que los subespacios son tambi en subespacios anes. Basta trasladar con el vector
cero. Esto causa una confusi on lingustica: el adjetivo afn se usa para hacer el concepto
de subespacio m as general, no m as especco. Por esto, cuando se habla de subespacios
anes es com un referirse a los subespacios como subespacios vectoriales.
53 Secci on 2.7 Espacios cocientes
Las traslaciones de un subespacio cumplen una propiedad muy sencilla pero fundamen
tal: que es posible trasladar el subespacio vectorial con diferentes vectores y obtener el mis
mo subespacio afn. M as precisamente:
Si a E + x entonces, E + x = E + a.
E
0
E +x = E +a
x
a
Prueba. Probemos primero el caso que x = 0. Tenemos y E ya E y E+a.
Ahora por el caso general. Sabemos que, z = a x E y del primer caso, E = E + z.
Luego, E +x = E +z +x = E +a.
Ahora observemos, que un trasladado de un subespacio afn es a su vez un subespacio
afn ya que (E +x) + y = E + (x +y). Dos subespacios anes se le llaman paralelos
si uno es un trasladado del otro. La relaci 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.
Ahora veremos que en cada clase de paralelismo hay un solo subespacio afn que pasa
por el origen.
Todo subespacio afn es paralelo a un solo subespacio vectorial.
Prueba. Si E + x = F + y entonces, E = F + y x. Como F + y x contiene al cero
entonces, xy F. Como F es un subespacio, yx F y 2.30 nos da F = F+yx.
Este resultado nos permite denir la dimensi on de un subespacio afn. Cada uno de ellos
es paralelo a un unico subespacio y su dimensi on es la dimensi on de ese subespacio. En
otras palabras, si E = E + x entonces dimE = dimE. Es com un utilizar la terminologa
geom etrica para hablar de los subespacios anes de dimensi on peque na. As, un punto es
un subespacio afn de dimensi on cero, una recta es un subespacio afn de dimensi on uno, un
plano es un subespacio afn de dimensi on dos.
Dos subespacios anes paralelos o son el mismo o no se intersectan.
Prueba. Si y (E +x) (E +x
0
) entonces, por 2.30, E +x = E +y = E +x
0
.
Es un error com un (debido al caso de rectas 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 rectas no coplanares en R
3
.
El espacio cociente
Sea D un espacio vectorial y E un subespacio vectorial de D. Si
0
x +x
0
y +y
0
R
2
x
y
x
0
y
0
E = E+x y F = E+yson dos subespacios anes paralelos entonces
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
de cualquier vector en E con cualquier otro en F esta en un mismo
espacio paralelo a E y F.
Denotemos ahora por D/E al conjunto de todos los subespacios anes de D paralelos a
E. Esta observaci 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 afn paralelo a E y un escalar. Tenemos
0
2x
2y
R
2
x
y
E = (E +x) = E+x = E+x lo que muestra que E est a en la misma
clase de paralelismo que E. En otras palabras (v ease la gura a la derecha) el
producto de un escalar por todos los vectores en E resulta en espacio paralelo
a E. Este producto convierte a D/E en un espacio vectorial llamado espacio cociente de D
por E.
Ejercicio 52 Compruebe los axiomas de espacio vectorial para el espacio cociente D/E.
Ejercicio 53 Cual es el espacio cociente de R
3
por el plano xy?
Ejercicio 54 Que pasa si sumamos dos espacios anes no paralelos? [130]
El isomorsmo con los complementarios
Sea F un subespacio complementario a E.
Entonces, cualquier subespacio afn paralelo
a E intersecta a F en un y solo un vector.
F
E
R
2
Prueba. Sea E = E + x cualquier subespacio afn paralelo a E. Como D = E F existen
unos unicos vectores y Ey z F tales que x = y+z. Luego por 2.30 E+x = E+y+z =
E+z y por lo tanto z E+x o sea, z EF. Si z
0
es otro vector en EF entonces, existe
a E tal que z
0
= a + x. De aqu x = a +z
0
y por la unicidad de la descomposici on de
un vector en suma de vectores de espacios complementarios, y = a y z = z
0
.
55 Secci on 2.8 El espacio afn
Sea F un subespacio complementario a E. Entonces,
f : F 3 x 7(E +x) D/E
Prueba. Por 2.33 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 unico 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 dimDdimE.
Es posible (gracias al isomorsmo con los complementarios) desarrollar toda el algebra 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 teora 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 espacio afn
Recordemos de la secci on anterior que un subespacio afn del espacio vectorial F es el
trasladado E+x de un subespacio vectorial E de F. La dimensi on de E+x es por denici on
la dimensi on de E.
Los subespacios anes de dimensi on peque na reciben nombres especiales seg un la tradi
ci on geom etrica. Los de dimensi on 0 se le llaman puntos. Los de dimensi on 1 se le llaman
rectas y los de dimensi on 2 se le llaman planos.
Un punto es, en otras palabras, un subespacio afn E +x donde E es de dimensi on cero.
Pero el unico subespacio vectorial de dimensi on cero es {0} . Luego, un punto es un conjunto
de la forma {0} + x = {x}. Esto nos da una biyecci on obvia {x} 7 x entre los puntos del
espacio afn y los vectores del espacio vectorial.
Al conjunto de todos los puntos del espacio vectorial F se le llama el espacio afn de F.
Pero como, dir a el lector, si la diferencia entre {x} y x es puramente formal entonces, cual
es la diferencia entre el espacio afn y el espacio vectorial? La respuesta es ambivalente pues
es la misma pregunta que que diferencia hay entre geometra y algebra? Antes de Descartes
eran dos cosas completamente distintas, despues de el, son cosas muy parecidas.
Intuitivamente, un espacio afn es lo mismo que el espacio vectorial pero sin coordenadas.
El espacio an de R
2
es el plano de Euclides en el que estudiamos la geometra m as cl asica
y elemental: congruencia de tri angulos, teorema de Pit agoras, etc. Los resultados de esta
geometra no dependen de cual es el origen de coordenadas. Dos tri angulos son congruentes
o no independientemente de en que lugar del plano se encuentran.
A un nivel m as alto, podemos pensar el espacio afn de un espacio vectorial como una
estructura matem atica adecuada para poder estudiar las propiedades de los espacios vecto
riales que son invariantes por traslaciones, o sea, que no cambian al mover un objeto de un
lugar a otro en el espacio.
La regla del paralelogramo
La conocida regla del paralelogramo para la suma de vectores en el plano R
2
se generaliza
a todas las dimensiones y sobre cualquier campo.
Postularemos que el conjunto vaco es un subespacio afn de dimensi on 1. Eso nos
evitar a muchos problemas en la formulaci on de nuestros resultados.
La intersecci on de subespacios anes es un subespacio afn.
Prueba. Sea x un punto en la intersecci on. Cada uno de los subespacios anes, es E+x para
cierto subespacio E del espacio vectorial. Si F es la intersecci on de todos estos subespacios
entonces F +x es la intersecci on de los subespacios anes.
Regla del paralelogramo
Si a y b son vectores LI de un espacio vectorial entonces, a + b
es la intersecci on de los subespacios anes hai + b y hbi + a.
Prueba. Obviamente a+b (hai +b)(hbi +a). Por otro lado, ambos hai+by hbi+a
tienen dimensi on 1 y por lo tanto su intersecci on tiene dimensi on 0 o 1. Si esta dimensi on es
cero entonces terminamos. Si esta dimensi on es uno entonces hai + b = hbi + a y por lo
tanto a hai +b. Por 2.30 tenemos que hai +b = hai +a = hai, Por lo tanto b hai y
esto contradice que {a, b} es LI.
Cerradura afn
Para un conjunto Ade puntos en el espacio afn, la cerradura afn de Aes la intersecci on
de todos los subespacios anes que contienen a A. A la cerradura afn de A la denotaremos
por [A]. Esto la diferencia claramente de la cerradura lineal hAi.
Para la cerradura an, tenemos las mismas propiedades que para la cerradura lineal.
[A] es el subespacio an m as peque no que contiene a A.
Prueba. [A] es un subespacio an. Si B es un subespacio afn que contiene a A entonces
[A] B pues para hallar [A] tuvimos que intersectar con B.
57 Secci on 2.8 El espacio afn
La cerradura afn cumple las siguientes propiedades:
1. A [A] (incremento)
2. A B [A] [B] (monotona)
3. [[A]] = [A] (idempotencia).
Prueba. La prueba es exactamente la misma que para el caso de la cerradura lineal.
Generadores e independencia
Un conjunto de puntos A es generador afn si [A] es todo el espacio afn. Los conjuntos
anmente independientes los deniremos con el siguiente resultado.
Denici on de conjuntos anmente independientes
Sea A un conjunto de puntos. Las siguientes armaciones son equivalentes
1. Cualquier subconjunto propio de A genera un subespacio afn m as pe
que no que todo A.
2. Cualquier punto en A no est a en la cerradura afn de los restantes.
Prueba. Es an aloga a la prueba (1 2) de la caracterizaci on de conjuntos LI.
Los conjuntos de puntos que no son anmente independientes los llamaremos anmente
dependientes.
Nuevamente para evitarnos largas oraciones, a los conjuntos anmente inde
pendientes los llamaremos conjuntos AI y a los conjuntos anmente depen
dientes los llamaremos conjuntos AD.
Todo sobreconjunto de un generador an es un generador an.
Todo subconjunto de un conjunto AI es AI.
Prueba. Sea A un generador afn y B A. Tenemos [A] [B] y como [A] es todo el
espacio an entonces [B] tambi en lo es.
Sea A que es AI y B A. Si B fuera AD entonces existira b B tal que b [B\b]
[A\b] y esto no puede ser pues A es AI.
Bases anes
Una base an es un conjunto de puntos que es AI y generador an. Ahora podriamos
seguir por el mismo camino demostrando que las bases anes son los generadores anes
m as peque nos o los AI m as grandes. Despues, el teorema de existencia de base, el lema del
cambio para las bases anes, la prueba de que dos bases anes tienen el mismo cardinal, etc.
Este camino aunque se puede realizar, sin embargo, tiene dos desventajas. La primera es
que a un no hemos denido combinaciones anes y estas se necesitan para probar todo esto.
La segunda, y m as obvia, es que todo esto es muy largo. Por suerte, hay una sencilla relaci on
que enlaza las bases anes con las bases del espacio vectorial y esto nos ahorrar a mucho
trabajo.
Sea A = {x
0
, x
1,
. . . , x
n
} un conjunto de puntos. Dena
mos A
0
= {x
1
x
0
, . . . , x
n
x
0
}. Entonces, A es una ba
se afn si y solo si A
0
es una base del espacio vectorial.
Prueba. Veamos que [A] = hA
0
i +x
0
. Efectivamente, hA
0
i +x
0
es un subespacio afn que
contiene a A y por lo tanto [A] hA
0
i +x
0
. Por otro lado [A] x
0
es un subespacio por el
origen que contiene a A
0
y por lo tanto [A] x
0
hA
0
i.
De aqu inmediatamente obtenemos que Aes generador afn si y solo si A
0
es un genera
dor. Luego, podemos suponer por el resto de la prueba que tanto Acomo A
0
son generadores.
Nos queda probar que A es AI si y solo si A
0
es LI.
Supongamos que A
0
es LD. Sea B
0
una base lineal tal que B
0
A
0
. Como al principio
de la prueba B = {x
0
}(B
0
+x
0
) es un generador afn del espacio. Como B
0
6= A
0
entonces,
B 6= A y por lo tanto A es AD.
Supongamos que A es AD. Entonces, hay un subconjunto propio B de A que genera
al espacio. Sea y B Como al principio de la prueba B
0
= {x
i
y | x
i
B \ {y}} es un
generador lineal del espacio. Luego la dimensi on del espacio es estrictamente menor que n
y por lo tanto A
0
no puede ser LI.
Ahora podemos traspasar todos los resultados probados para las bases del espacio vecto
rial a las bases anes. En particular, es cierto que:
1. Las bases anes son los conjuntos generadores anes minimales por inclusi on.
2. Las bases anes son los conjuntos AI maximales por inclusi on.
3. Si A es un conjunto AI y B es un conjunto generador afn tal que A B entonces hay
una base afn C tal que A C B.
4. Dos bases anes cualequiera tienen el mismo n umero de puntos (uno m as que la di
mensi on).
Las demostraciones de estos resultados son obvias dada la correspondencia entre las
bases anes y las bases del espacio vectorial.
Ejercicio 55 Formule el lema del cambio para las bases anes.
El siguiente resultado es el an alogo del lema Lema de Aumento de un Conjunto LI (2.11)
para el caso afn y es consecuencia directa de la correspondencia entre las bases anes y las
bases del espacio vectorial.
59 Secci on 2.9 El caso de dimensi on innita
Si A es un conjunto AI entonces A b es AD si y solo si b [A].
2.9 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 Teora de Conjuntos y una expo
sici on de esta nos llevara 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 Teora 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
cualquier cadena contenida en Atiene una cota superior que est a en A. El siguiente resultado
es cl asico en teora 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 Mx 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, T es no vaco ya que L T. Sea {B
i
}
iI
una
cadena arbitraria en T y denotemos B =
S
iI
B
i
. El conjunto B es una cota superior de la
cadena {B
i
}
iI
y tenemos que convencernos que B est a en T. Como para cualquier i tenemos
B
i
N entonces, B N. Supongamos que B es linealmente dependiente. Entonces, existe
un subconjunto nito B
0
de B y una combinaci on lineal de B
0
igual a cero tal que todos sus
coecientes son no cero, o sea B
0
es linealmente dependiente. Como B
0
es nito, y {B
i
}
iI
es
una cadena entonces, tiene que existir i
0
tal que B
0
B
i
0
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 (2.43) 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
cartesiano de conjuntos.
Necesitaremos dos resultados acerca de los cardinales de conjuntos. El primero es muy
sencillo y daremos una demostraci on para el.
Si i |A
i
| t entonces,
P
iI
|A
i
| t |I|.
Prueba. Podemos pensar que los A
i
son disjuntos. Sea T un conjunto de cardinal t. Por
hip otesis existen inyecciones f
i
: A
i
7 T. Sea :
S
iI
A
i
T I denida por (a) =
(f
i
(a) , i) si a A
i
. Por denici on de si (a) = (b) entonces, a y b est an en el
mismo conjunto A
i
, f
i
(a) = f
i
(b) y por lo tanto a = b. Luego, es inyectiva.
El siguiente resultado que necesitamos se demuestra (usando muchas cosas) en la Teora
de Conjuntos (v 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|.
61 Secci on 2.9 El caso de dimensi on innita
Equicardinalidad de las bases
Equicardinalidad de las Bases (caso innito)
Dos bases cualesquiera tienen el mismo cardinal.
Prueba. Sean A y B dos bases. Ya probamos el caso de que una de las dos bases es nita.
Luego, podemos suponer que A y B son innitos. Como B es una base y debido a la nitud
de las combinaciones lineales entonces a A el mnimo subconjunto B
a
B tal que
a hB
a
i existe y es nito.
Construyamos la relaci on R A B de manera que (a, b) R si y solo si b B
a
.
Tenemos |B| |R| ya que si hubiera un b
0
B no relacionado con ning un elemento de
A entonces, A hB\b
0
i y como A es base obtendramos que B\b
0
es generador lo que
contradice que B es base.
Por otro lado, como |A| es innito y |B
a
| es nito entonces, usando 2.45 y 2.46 obtenemos
|B| |R| =
X
aA
|B
a
|
0
|A| = |A| .
Luego |B| |A| y por simetra de nuestros razonamientos|A| |B|.
62
Transformaciones
Lineales
as transformaciones lineales son uno de los objetos m as estudiados y m as importan
tes en las matem aticas. El objetivo de este captulo 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 (a +b) = f (a) +f (b)
f (a) = f (a)
f : E F se le llama transformaci on lineal de E en F si para
cualesquiera vectores a y b y cualquier escalar se cumplen
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 E
0
un subespacio de E. Denotemos F
0
= f (E
0
) la imagen
de E
0
. Sean a y b vectores en F
0
. 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 F
0
. Sea ahora un escalar.
Tenemos f (x) = a por lo que a F
0
. Luego, F
0
es un subespacio de F.
64 Captulo 3. Transformaciones lineales
Las TLs NO necesariamente transforman conjuntos LI en conjuntos LI ni tampoco
conjuntos generadores en conjuntos generadores.
El recproco de la proposici 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 x
3
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
R
n
basta usar coordenadas esf ericas, dejar jos los angulos y elevar al cubo el m odulo del vector.
Homotecias
Veamos el ejemplo m as simple de TL. Si a cada vector x de un espacio E le hacemos
corresponder el vector 2x obtenemos la funci on h
2
: E 3 x 72x E . Esta funci on es una
TL ya que
h
2
(a +b) = 2 (a +b) = 2a +2b = h
2
(a) +h
2
(b)
h
2
(a) = 2a = 2a = = h
2
(a)
Observese que en la segunda recta usamos la conmutatividad del producto de escalares.
Lo mismo ocurre si en lugar del escalar 2 usamos cualquier otro escalar Kobtenien
do la TL dada por h
: E 3 x 7x 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 70.
En el caso del campo Rlas homotecias tienen una interpretaci on geom etrica muy clara. Si
> 0 entonces cada punto x R
n
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
R
2
v 72v
plano cartesiano R
2
. La curva interior (que es la gr aca de la funci on
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 h
1
: x 7 x se le llama
funci on antipodal. El nombre viene de la siguiente interpretaci on. Si
trazamos una recta que pase por el centro de la Tierra intersectaremos la
supercie en dos puntos. Estos puntos se dicen que son antpodas o sea, nuestros antpodas
son la personas que viven pies arriba del otro lado de la Tierra. Si coordinatizamos la
Tierra con unos ejes de coordenadas con origen en el centro de la misma, nuestros antpodas
se obtienen multiplicando por 1.
En la gura de la izquierda est a representada la funci on antpodal en
R
2
v 7v
R
2
. En ella hay dos curvas cerradas de cinco p etalos. La primera es
la misma que la de la gura anterior (10 + 2 sin 5). La segunda es
la antpoda de la primera (10 2 sin 5). La gura es expresamente
complicada para que el lector tenga la oportunidad de pensar un poco
en que punto se va a transformar cada punto. Cualquier homotecia h
con < 0 se puede representar como h

1
(h
) por lo que h
se puede
interpretar geom etricamente como una dilataci on seguida de la funci on antpodal. 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.
Si dimE = 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 2.28) De esta manera E = FG y por 2.29 tenemos que cada vector x E
se descompone de manera unica como a +b donde a es un vector en F y b es un vector en
G . As para cada x E tenemos un unico a F y esto nos da una funci 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.
Si x, y son dos vectores entonces hay descomposiciones unicas x =
F
(x) +
G
(x) y
y =
F
(y) +
G
(y) . Luego x +y = (
F
(x) +
F
(y)) + (
G
(x) +
G
(y)) . El primer
sumando de la derecha est 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 Gy por la unicidad de la descomposici on necesariamente
tenemos
F
(x) =
F
(x) .
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 R
2
. Dado un vector a trazamos la recta paralela al eje y que pasa por a y
la intersecci on del eje x con esta recta 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
afn 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 espacio
R
n
as que el lector deber a contentarse con el caso n = 3,
k = 2 y con la prueba general.
Si F y G son complementarios entonces, para cualquier
vector ase cumple a = ((G +a) F)+((F +a) G).
Prueba. Como F y G son complementarios (G +a) F es un solo punto que denotaremos
x. Sea y G tal que x = y + a. Tenemos que F + a = F + x + y = F + y y por lo
tanto y (F +a) . Luego y = (F +a) G.
67 Secci on 3.2 Operaciones entre transformaciones lineales
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 7f (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.
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 7g(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 quera 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
de las igualdades utilizadas en esta prueba.
El algebra de operadores lineales
A una TL de un espacio vectorial en si mismo se le llama operador lineal. Nuevamente,
usaremos la abreviatura OL para referirnos a los operadores lineales. Los OLs juegan (como
veremos m 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.
69 Secci on 3.2 Operaciones entre transformaciones lineales
Si un espacio vectorial cualquiera (el
Alg1) es asociativa
Alg2) es distributiva con respecto a +
Alg3) tiene elemento neutro
Alg4) conmuta con el producto por escalares
cual ya trae denidos la suma y el pro
ducto por escalares) tiene otra operaci on
binaria que cumple los axiomas en el
recuadro a la derecha entonces, se le lla
ma algebra . Observese que los primeros tres axiomas los podemos resumir en uno: la
suma de vectores y denen un anillo en el espacio vectorial. El cuarto axioma lo que
quiere decir es que para cualquier escalar y cualesquiera vectores a y b se cumple que
a b = a b = (a b).
Ya vimos (3.9 ) que la operaci on de composici on de OLs cumple los axiomas Alg1, Alg2
y Alg4. Para ver que End E es un algebra solo nos queda comprobar que la composici on tiene
elemento neutro. Pero esto es obvio ya que la funci on identidad cumple que f I = I f = f.
O sea, es el neutro para la composici on. Hemos demostrado el siguiente resultado
El espacio vectorial End E en un algebra con respecto a la composici on.
Hay otras dos algebras importantes que deben ser muy conocidas por el lector. Primero,
el conjunto de los polinomios con coecientes reales R[x] es un espacio vectorial sobre R,
pero adem 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.
Un algebra se le llama conmutativa si el producto de vectores es conmutativo. El algebra de los
n umeros complejos y el algebra de polinomios sobre un campo son conmutativas. Las algebras
End E casi nunca son conmutativas (salvo en dimensi on 1). Por ejemplo en el plano cartesiano R
2
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).
El grupo general lineal
Una funci on cualquiera es biyectiva si y solo si esta tiene inversa. En el captulo 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 = ff. 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
f
1
= f
1
f = I. 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 A
0
un subconjunto de A. Cada vez que se tiene una funci on
f : A B tambi en se tiene una funci on f
0
: A
0
B denida por f
0
(a) = f (a) para
cualquier a A
0
. A la funci on f
0
se le llama restricci on de f a A
0
y la denotaremos por f
A
0 .
Todas las diferentes restricciones de f se obtienen al tomar diferentes subconjuntos A
0
.
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 : A
0
B y A es un sobreconjunto de
A
0
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\A
0
.
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 h
N
: N F. Ser a posible para cualquier funci on g : N F
encontrar una extensi on h : E F de g que sea TL? Ser a unica tal extensi on? Veremos
que ambas preguntas tienen respuesta positiva si N es una base.
Para demostrar la existencia de la extensi on debemos construirla. Sea N una base de E
x 7
X
iN
i
g(i)
y g : N F una funci on arbitraria de N en F. Cualquier x E se expresa de forma unica
como combinaci on lineal de N o sea x =
P
iN

i
i. A la funci on h del
recuadro a la derecha se le llama extensi on lineal de g. Observese que
(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
h(x +y) =
X
iN
(
i
+
i
) g(i) =
X
iN
i
g(i) +
X
iN
i
g(i) = h(x) +h(y)
h(x) =
X
iN
i
g(i) =
X
iN
i
g(i) = h(x)
71 Secci on 3.3 Extensiones lineales
y esto prueba que h es una TL.
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
cualquier i N. Cualquier x E se expresa de forma unica como combinaci on lineal de N
o sea x =
P
iN

i
i. Luego
f (x) = f
X
iN
i
i
!
=
X
iN
i
f (i) =
X
iN
i
g(i) = g
X
iN
i
i
!
= g(x)
y por lo tanto las TLs f y g son iguales.
El isomorsmo entre F
N
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 F
N
.
Si N es una base de E entonces, hemos construido una correspondencia biunvoca entre
F
N
y Mor (E, F). A cada Nada h
N
F
N
le corresponde su extensi on lineal h Mor (E, F)
y a cada TL h Mor (E, F) le corresponde h
N
su restricci on a N (que es una Nada).
Queremos ver que esta correspondencia es un isomorsmo de espacios vectoriales.
Si N es una base de E entonces, la biyecci on
r : Mor (E, F) 3 h 7h
N
F
N
Prueba. Solo nos queda probar que r es una TL. Efectivamente, sean h, h
0
Mor (E, F) y
un escalar. Tenemos
r (h +h
0
) = (h +h
0
)
N
= h
N
+h
0
N
= r (h) + r (h
0
)
r (h) = (h)
N
= h
N
= 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 F
N
son isomorfos es natural que esperemos
(1, 0, 0) 7(1, 0)
(0, 1, 0) 7(0, 1)
(0, 0, 1) 7(0, 1)
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 captulo 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
respuesta es NO. Por ejemplo, la extensi on lineal de la funci on denida
en la base can onica de R
3
como en el recuadro a la derecha transforma a
esta base en la base can onica de R
2
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 Nuna base de E y h
N
F
N
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
la extensi on lineal h : E F de h
N
es un isomorsmo. Efectivamente, si x =
P
iN

i
i y
y =
P
iN

i
i son dos vectores cualesquiera en E y h(x) = h(y) entonces,
X
iN
i
h(i) =
X
iN
i
h(i)
y como todos los h(i) = h
i
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 de F existen
coecientes
i
tales que z =
P
iN

i
h(i) y por lo tanto z = h(v) donde v =
P
iN

i
i.
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
la composici on g : K
{N}
E
f
F K
{M}
que es una TL en Mor
K
{N}
, K
{M}
.
Recprocamente para cada g Mor
K
{N}
, K
{M}
tenemos la
E
f
F
l l
K
{N}
g
K
{M}
composici on f : E K
{N}
g
K
{M}
F que es una TL en
Mor (E, F). Es f acil ver y es intuitivamente claro que esta corres
pondencia biunvoca Mor (E, F) Mor
K
{N}
, K
{M}
es un isomor
smo de espacios vectoriales.
73
Secci on 3.4 Coordinatizaci on de transformaciones lineales
Ejercicio 56 Sean E E
0
y F F
0
isomorsmos de espacios vectoriales. Construya un
isomorsmo Mor (E, F) Mor (E
0
, F
0
).
Podemos pensar a N como la base can onica de K
{N}
. Luego, aplicando 3.13 obtenemos
el isomorsmo Mor
K
{N}
, K
{M}

K
{M}
N
= K
{M}N
que es el conjunto de las MN
matrices tales que cada columna es de soporte nito. Para el caso que m as nos interesa en
que Ny Mson bases nitas obtenemos Mor (E, F)
K
M
N
= K
MN
. 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 My N. Los resultados de la secci on anterior nos dicen como
construir
MN
dada f. Para cada i N la columna
Mi
es el vector f (i) coordinatizado en
la base M. O sea f (i) =
P
aM

ai
a.
Ejercicio 57 Pruebe que la funci on K[x] 3
P
n
i=0
a
i
x
i
7
P
n
i=0
a
i
(x +1)
i
K[x] es un
isomorsmo de espacios vectoriales. Construya algunas columnas de la matriz
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,(n1)
+
(k1),(n1)
con las condiciones
de frontera
kn
= 0 si k > n y
kn
= 1 si k = 0 o k = n.
La f ormula f (i) =
P
aM

ai
a nos dice tambi en como construir f dada
MN
. Las
imagenes de los i N las calculamos por la f ormula y a f la construimos por extensi on
lineal. O sea, si E 3 x =
P
iN

i
i entonces,
F 3 f (x) =
X
iN
i
f (i) =
X
iN
i
X
aM
ai
a =
X
aM
X
iN
ai
i
!
a
La expresi on
P
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
.
Observese que este producto lo podemos escribir como en el re
MN
N
=
X
iN
Mi
i
cuadro a la izquierda. Esto quiere decir que este producto se obtie
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
Sean
N
y
N
dos Nadas. El producto escalar de estas Nadas

N
N
=
X
iN
i
es el escalar del recuadro a la derecha. De esta manera, el producto
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 58 Pruebe las principales propiedades del producto de Nadas (3.15).
Ejercicio 59 Busque tres vectores x y z en el plano R
2
tales que (xy) z 6= x(yz). [130]
Ejercicio 60 Pruebe que
N
R
N
se cumple que
2
N
=
N
N
0.
El producto de matrices
Sean
MN
y
NL
dos matrices. Observese que el conjunto de ndices de las columnas
de la primera, coincide con el conjunto de ndices de los renglones de la segunda. As, tanto
un rengl on
iN
como una columna
Nj
son vectores del espacio K
N
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},
N = {1, 2, 3} y L = {1, 2} entonces, en forma gr aca tenemos

11

12

13
21

22

23

11

12
21

22
31

32
=

1N
N1

1N
N2
2N
N1

2N
N2
y por denici on de producto escalar de vectores tenemos

1N
N1

1N
N2
2N
N1

2N
N2
=
P
3
i=1
1i
i1
P
3
i=1
1i
i2
P
3
i=1
2i
i1
P
3
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
75 Secci on 3.4 Coordinatizaci on de transformaciones lineales
pio de esta secci on. An alogamente se dene el producto por el otro lado. Si el conjunto de
indices Mtiene 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 61 Tome dos matrices con entradas enteras y multiplquelas. Repita este ejercicio
hasta que usted comprenda muy bien el concepto de producto de matrices.
La transformaci on lineal de una matriz
Sea
MN
una MNmatriz. Esta matriz dene una funci on K
N
3
N
MN
N
K
M
.
Esta funci on es una TL como ya vimos al principio de esta secci on utilizando el isomorsmo
Mor
K
N
, K
M
K
MN
. Sin embargo, la prueba directa de este hecho es muy sencilla.
El multiplicar una matriz ja por Nadas es una TL.
Prueba. Sea
MN
una matriz cualquiera pero ja. Por las propiedades del producto de vec
tores tenemos que para todo i Mse 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 K
N
en K
M
se obtiene multiplicando por una MNmatriz. En realidad, esto
ya lo probamos al principio de esta secci on al construir el isomorsmo Mor
K
N
, K
M
K
MN
. Sin embargo, aqu es m as simple ya que tenemos bases can onicas de K
N
y K
M
. Sea
E = {e
i
: i N} la base can onica de K
N
. Recordemos que e
i
es la Nada con coordenadas
ji
= 1 si i = j y
ji
= 0 si i 6= j. Sea f : K
N
K
M
una TL. Denotemos
Mi
= f (e
i
)
K
M
. A la matriz
MN
cuyas columnas son las imagenes de la base can onica mediante la TL
f la llamaremos matriz de la TL f.
Sea f : K
N
K
M
una TL y
MN
su matriz. Entonces, pa
ra cualquier
N
K
N
se cumple que f (
N
) =
MN
N
.
Prueba. Sea f
0
:
N
7
MN
N
. Sabemos que f y

MN
e
i
=
P
jN

Mj
ji
=
Mi
f
0
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 f
0
coinciden en la base can onica y por extensi on lineal ambas son la misma funci on.
Ejercicio 62 Halle la matriz de la rotaci on con angulo en R
2
. [131]
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
K
N
, K
M
y g Mor
K
M
, K
L
dos TLs. Sean

MN
y
LM
las
matrices de f y g respectivamente. Para cualquier
N
K
N
y cualquier i L tenemos
iM
(
MN
N
) =
X
jM
ij
(
jN
N
) =
X
jM
ij
X
kN
jk
k
=
=
X
kN
X
jM
ij
jk
k
=
X
kN
(
iM
Mk
)
k
= (
iM
MN
)
N
y por lo tanto
LM
(
MN
N
) = (
LM
MN
)
N
. Como
N
7
LM
(
MN
N
) es la TL g f
entonces, tenemos (g f) (
N
) = (
LM
MN
)
N
que es lo que se quera probar.
El producto de matrices es asociativo, distribuye por ambos lados
con la suma de matrices y conmuta con el producto por un escalar.
Prueba. Sean f, g y h TLs cuyas matrices son
MN
,
LM
y
KL
respectivamente. La
matriz de (h g) f es (
KL
LM
)
MN
. La matriz de h (g f) es
KL
(
LM
MN
). Co
mo la composici 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 3.18.
77 Secci on 3.4 Coordinatizaci on de transformaciones lineales
Ejercicio 63 Pruebe la asociatividad del producto de matrices directamente de la denici on
de producto o sea, sin usar TLs. [131]
El espacio de todas las NNmatrices
es un algebra isomorfa a End
K
N
.
Prueba. Ya sabemos que K
NN
es un espacio vectorial para la suma de matrices y el producto
de una matriz por un escalar. El resultado anterior hace la mayor parte del trabajo necesario
para mostrar que K
NN
es un algebra. Solo falta el neutro para el producto que es la matriz
de la identidad en K
N
. Esta matriz es I
NN
que cumple que I
ij
=
ij
(el delta de Kronecker)
y que la llamaremos matriz identidad.
Adem as, ya sabemos que la aplicaci on que a un OL en K
N
le hace corresponder su
matriz es un isomorsmo de espacios vectoriales. La proposici on 3.18 completa la tarea de
demostrar que esta aplicaci on es un isomorsmo de algebras.
Matrices inversas
Sea f Mor
K
N
, K
M
y
MN
la matriz de f. La funci on f es biyectiva si y solo si,
existe la TL f
1
tal que f f
1
= I
K
N
y f
1
f = I
K
M
. A la matriz de la TL f
1
se
le llama matriz inversa de
MN
y se denota por
1
MN
. De la proposici on 3.18 obtenemos
que la matriz inversa cumple que
1
MN
MN
= I
NN
y
MN
1
MN
= I
MM
. Observese que el
conjunto de ndices de las columnas de
1
MN
es M y no N. An alogamente, el conjunto de
ndices de los renglones de
1
MN
es N y no M.
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
tener el mismo cardinal ya que estos cardinales son las dimensiones del dominio y el codo
minio de esta TL. O sea, la matriz debe ser cuadrada. Ahora nos preocuparemos en traducir
nuestro criterio de isomorsmo 3.14 al lenguaje de matrices.
Una matriz cuadrada
MN
tiene inversa si y solo si sus
columnas son todas diferentes y son una base de K
M
.
Prueba. Sea
MN
una matriz cuadrada y f Mor
K
N
, K
M
su TL. La resticci on de f
a la base can onica de K
N
es la Nada de las columnas de la matriz
MN
. Por 3.14 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 K
M
.
Es posible probar un criterio an alogo al anterior substituyendo las columnas por los ren
glones. Sin embargo, su prueba aqu se nos hara innecesariamente complicada. Mejor lo
dejaremos para el pr oximo captulo donde esto ser a una f acil consecuencia de un resultado
mucho m as importante.
Ejercicio 64 Sean f y g las rotaciones del plano R
2
en los angulos y respectivamente.
Use el ejercicio 62 para hallar las matrices en la base can onica de f, g y f g. Use 3.18 para
hallar f ormulas para el seno y el coseno de la suma de dos angulos. [131]
3.5 Cambios de base
Es usual en las aplicaciones que sea conveniente realizar ciertos c alculos en un sistema de
coordenadas y despu es realizar otros c alculos en otro sistema de coordenadas. En el algebra
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
K
V
E K
N
. Nuestro problema ahora es: dado una Vada
V
que son las coordenadas
del vector x en la base V como hallar las coordenadas
N
de x en la base N. En este caso las
letras V y N tienen el sentido de que V es la base vieja y que N es la base nueva.
Sea
NV
la matriz cuyas columnas son los vectores de la base V expre
v =
X
iN
iv
i
sados en las coordenadas de N. O sea, para cualquier v V tenemos la
f ormula en el recuadro a la derecha. A la matriz
NV
se le llama matriz de
cambio de base (de V a N). Esta matriz no es otra cosa que la matriz del
isomorsmo K
V
E K
N
.
Si
V
es la Vada de las coordenadas de un vector en la base V entonces,
NV
V
es la Nada de las coordenadas del mismo vector en la base N.
Prueba. Descompongamos x E en las dos bases. Tenemos, x =
P
vV

v
v =
P
iN

i
i
y por lo tanto
x =
X
vV
X
iN
iv
i
!
=
X
iN
X
vV
iv
v
!
i =
X
iN
i
i
De la unicidad de las coordenadas de cualquier vector en la base N obtenemos la igualdad
P
vV

iv
v
=
i
que es la que se necesitaba demostrar.
Ejemplo. Queremos calcular las coordenadas de un vector u = (x, y) R
2
en la base
N = {a
1
, a
2
} donde a
1
= (2, 3) y a
2
= (1, 2). Las coordenadas (x, y) son las coordenadas
de u en la base can onica. Luego, V = {e
1
, e
2
} 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 a
1
y a
2
. Luego, denotando p y q las coordenadas que buscamos,
79 Secci on 3.5 Cambios de base
o sea, u = pa
1
+qa
2
tenemos:
p
q
=

2 1
3 2
x
y
=

2 1
3 2
x
y
=

2x y
2y 3x
.
y en estos c alculos lo unico que no conoce el lector es como calcular la matriz inversa. Pero,
esto lo pospondremos hasta el pr oximo captulo.
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 K
WV
Mor (E, F) K
MN
. El problema ahora es: dada una WVmatriz
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.
Sea
NV
la matriz de cambio de base de V a N en E. Sea
MW
la
v =
X
iN
iv
i
w =
X
jM
jw
j
matriz de cambio de base de W a M en F. O sea, para cualquier v V
y cualquier w W tenemos las f ormulas en el recuadro a la derecha.
Estas matrices no son otra cosa que las matrices de los isomorsmos de
coordinatizaci on K
V
E K
N
y K
W
F K
M
.
Si
WV
es la matriz de f en las bases V y W entonces,
MW
WV
1
NV
es la matriz de f en las bases N y M.
Prueba. Las columnas de
WV
son las imagenes por f de la base
f (v) =
X
wW
wv
w
f (i) =
X
jM
ji
j
V expresadas en la base W o sea, v V se cumple la f ormula
del recuadro a la derecha. Denotemos por
MN
la matriz de f en las
bases N, M. Las columnas de
MN
son las imagenes por f de la base
N expresadas en la base M. O sea, para cualquier i N se cumple la
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
iN
iv
f (i) =
X
jM
X
wW
jw
wv
!
j
y en esta igualdad substituimos f (i) por la f ormula de la izquierda para obtener
X
jM
X
iN
ji
iv
!
j =
X
jM
X
wW
jw
wv
!
j.
De la unicidad de la representaci on de cualquier vector en la base M obtenemos que para
cualesquiera j M y v V se cumple que
P
iN

ji
iv
=
P
wW

jw
wv
y por lo tanto
MN
NV
=
MW
WV
. Como
NV
es la matriz de un isomorsmo entonces,
NV
tiene
inversa por lo que podemos despejar
MN
.
La proposici on anterior la podemos interpretar gr acamen
K
V

WV
K
W
NV

MW
K
N
MN
K
M
te de la siguiente manera. Las matrices
WV
,
MN
,
NV
, y
MW
son las matrices de TLs entre espacios como se muestra
en el diagrama a la izquierda. Se dice que un diagrama de
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
K
V

VV
K
V
NV

NV
K
N
NN
K
N
tes para el dominio y el codominio ya que estos son iguales. Sean V, N dos bases de E. El
problema ahora es: dada una VVmatriz
VV
que es la matriz del OL f en la base V, hallar la
matriz
NN
de f en la base N. Sea
NV
la matriz de cambio de
base de V a N en E. En este caso, el diagrama es el de la dere
cha. Ya no hay que probar la conmutatividad de este ya que el,
es un caso particular del anterior. Luego,
NN
NV
=
NV
VV
y despejando obtenemos que
NN
=
NV
VV
1
NV
.
Ejemplo. Sea f la TL del plano R
2
que tiene la matriz del recuadro a
cos sin
sin cos
la izquierda en la base V = {a
1
, a
2
} donde a
1
= (2, 3) y a
2
= (1, 2).
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 a
1
y a
2
. Luego, la
matriz de f en la base can onica es
2 1
3 2
cos sin
sin cos
2 1
3 2
1
=

cos +8 sin 5 sin
13 sin cos 8 sin
y esto es una advertencia de que un operador lineal puede tener en una base una matriz que
es igual a la de la rotaci on en la base can onica y sin embargo no es una rotaci on.
La transformaci on lineal tanspuesta
Las f ormulas de cambios de base nos permiten denir propiedades de las transforma
ciones lineales que est an denidas solo para las matrices. La idea es la siguiente: para una
transformaci on lineal f se encuentra su matriz A en ciertas bases se dene la propiedad
para la matriz A y denimos a esta como propiedad de f. Finalmente, se prueba que si B
es matriz de f en otras bases entonces, la propiedad de la matriz Aes tambi en propiedad
de la matriz B. Con esto logramos que nuestra denici on de propiedad de f sea correcta o
sea, no depende de las bases en las cuales se deni o. Ahora seguiremos esta idea para denir
la transformaci on lineal transpuesta.
Sea A =
NM
una matriz. A la matriz B =
MN
denida por
ij
=
ji
se le llama la
matriz transpuesta de A y se denotar a por A
T
. Un ejemplo de matrices transpuestas es el
siguiente

1 2 3
6 5 4
T
=
1 6
2 5
3 4
81 Secci on 3.5 Cambios de base

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

A
T
T
= A
2) (AB)
T
= B
T
A
T
3)

A
1
T
=

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

A
1
T
A
T
=

AA
1
T
= I
T
= I
y la prueba concluye por la unicidad de los inversos.
Ahora, sea f : E F una TL y A la matriz de f en ciertas bases. Denamos la TL
transpuesta f
T
: F E como la TL de la matriz transpuesta A
T
. Tenemos que comprobar
que esta denici on no depende de como escogimos las bases. Si B es la matriz de f en otras
bases entonces existen matrices invertibles C y D tales que B = CAD y por la propiedad
2 tenemos B
T
= D
T
A
T
C
T
. Por la propiedad 3 las matrices D
T
y C
T
son invertibles y esto
signica que B
T
es la matriz de f
T
en las nuevas bases.
La transpuesta de una inmersi on es una proyecci on y recprocamente.
Prueba. Sea F un subespacio de E y f : F E la inmersi on

1 0

0 1
0 0

0 0
correspondiente. Sea A una base de F. Por el Teorema de Existencia

de Bases existe una base B de E que contiene a A. El conjunto de
vectores C = B\Aes una base de cierto subespacio complementario
G de tal manera que E = F G. Si coordinatizamos a F con la
base A y a E con la base B entonces, en estas bases, la matriz de
f se ve como en el recuadro a la derecha. O sea, en los renglones
correspondientes a A tenemos la matriz identidad y en los renglones correspondientes a C
tenemos una matriz nula.
Si transponemos esta matriz entonces f
T
es la TL que a un vector a + b con a F y
b G le hace corresponder a. Luego f
T
es la proyecci on de E a F a lo largo de G. El
recprocamente se prueba an alogamente.
Ejercicio 65 Pruebe que las propiedades 3.24 son tambi en propiedades de la transposici on
de TL o sea, son invariantes por cambios de bases. [131]
Este ultimo ejercicio llama la atenci on. Acaso no es trivial? La respuesta es si, pero con la trans
puesta hay que ser cuidadosos. Por ejemplo, podemos denir para un operador lineal f = f
T
si en
cierta base A = A
T
y de aqu podramos concluir que
BAB
1
T
= BAB
1
para cualquier matriz
invertible B. Esto NO es verdadero. La raz on profunda de esto es que la transpuesta de un operador vive
naturalmente en el espacio dual y para poder denir f = f
T
hay que identicar el espacio con su dual mediante
alg un isomorsmo no can onico.
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 Imf. 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 Imf 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 Imf 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 Imf 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.
83 Secci on 3.6 El nucleo y la imagen de una transformaci on lineal
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
preimagen de cualquier vector es unica. Lo importante es que el recproco 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.
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 f
K
la
restricci on de f al subespacio K. Denotemos i : Imf F la inmersi on del subespacio Imf
en F. Por ultimo, denotemos
K
: E K la proyecci on de E a K a lo largo del ker f.
Teorema de Descomposici on de una TL
f = i f
K

K
y f
K
es un isomorsmo.
Prueba. Sea x un vector arbitrario en el dominio de f. Por 2.29 (p agina 51) existen unos
unicos vectores a K, b ker f tales que x = a +b. De aqu obtenemos
(i f
K

K
) (x) = i (f
K
(
K
(x))) = i (f
K
(a)) = f (a) = f (a) +f (b) = f (x)
y con esto queda probado que f = i f
K

K
.
Para probar que f
K
es un isomorsmo sea f (x) Imf. Por 2.29 existen unos unicos
vectores a K, b ker f tales que x = a +b. Como f
K
(a) = f (a) = f (a) + f (b) =
f (x) entonces f
K
es sobreyectiva. Si f
K
(a) = f
K
(b) entonces, f
K
(a b) = 0. Como
(a b) K ker f entonces, a b = 0 o sea a = b. Luego, f
K
es inyectiva.
Este teorema lo podemos visualizar m as f acilmente si observa
E
f
F
K
i
K
f
K
Imf
mos el diagrama de la derecha. La primera armaci on del Teorema
de Descomposici on de una TL (3.28) lo que dice es que este dia
grama es conmutativo.
Para cualquier transformaci on lineal f : E F,
dimE = dimker f + dimImf.
Prueba. Por el teorema anterior Imf es isomorfo a un complementario de ker f.
La descomposici on de la transpuesta
Veamos una primera aplicaci on del Teorema de Descomposici on de una TL (3.28). Como
veremos en el pr oximo captulo, este resultado es clave para poder encontrar el conjunto de
todas las soluciones de un sistema de ecuaciones lineales.
Para cualquier transformaci on lineal f : E F se cumple
que dimImf = dimImf
T
y que dimker f = dimker f
T
.
Prueba. Por 3.29 es suciente demostrar la primera igualdad. Descompongamos f = ig
donde i es una inmersi on, g un isomorsmo y una proyecci on. O sea, f es la composici on
E

K
g
Imf
i
F
Por 3.24.2 tenemos que f
T
=
T
g
T
i
T
. M as detalladamente, f
T
es la composici on
F
i
T
Imf
g
T
K

T
E
De 3.24.3 obtenemos que g
T
es un isomorsmo y de 3.25 obtenemos que
T
es una inmersi on
y que i
T
es una proyecci on. Como g
T
i
T
es sobreyectiva Imf
T
= Im
T
y como
T
es una
inmersi on Im
T
= K. El hecho de que K y Imf son isomorfos termina nuestra prueba.
Un criterio de isomorsmo
Veamos otra aplicaci on. Recordemos un sencillo resultado de teora de conjuntos: toda
funci on inyectiva de un conjunto nito en otro con el mismo n umero de elementos es biyec
tiva. De hecho, esto lo usamos en el primer captulo para probar que Z
p
es un campo para
p primo. El objetivo ahora, es mostrar que exactamente el mismo resultado (simple pero
muy util) se cumple para espacios vectoriales de dimensi on nita. Esto es una consecuencia
del Teorema de Descomposici on de una TL (3.28).
Sean E y F dos espacios de dimensiones nitas e iguales.
Una TL f : E F es inyectiva si y solo si es sobreyectiva.
Prueba. Por 3.29 tenemos dimker f = dimE dimImf. Si f es sobreyectiva entonces,
F = Imf. Por hip otesis dimF = dimE. De aqu, debido a que todas las dimensiones son
nitas, dimker f = 0 y por lo tanto ker f = {0}. De 3.27 concluimos que f es inyectiva.
Si f es inyectiva entonces, la funci on f : E Imf es un isomorsmo y por lo tanto
dimE = dimImf. Por hip otesis dimF = dimE. Como Imf es un subespacio de F entonces,
aplicando 2.17 (p agina 41) obtenemos F = Imf.
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 = I o f g = I.
85 Secci on 3.6 El nucleo y la imagen de una transformaci on lineal
Sean f, g : E E dos OLs de un espacio nito dimen
sional. Entonces, f g = I si y solo si g f = I.
Prueba. La funci on identidad es sobreyectiva. Luego, si fg = I entonces, f es sobreyectiva.
Por 3.31 f es inyectiva y por lo tanto tiene inversa f
1
. Componiendo con f
1
obtenemos
f
1
f g = f
1
I y por lo tanto g = f
1
.
Descomposici on can onica de transformaciones lineales
Para aplicar el Teorema de Descomposici on de una TL (3.28) necesitamos escoger (ya
que hay muchos) un subespacio complementario K del nucleo de f. Ya vimos (v ease 2.34)
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 (3.28) 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 (3.28) est an
E
f
F
? i
E/ ker f
?
Imf
involucradas tres funciones: la proyecci on
K
(que es sobreyec
tiva), la restricci on f
K
(que es biyectiva) y la inmersi on i (que es
inyectiva). Esta ultima no depende de K y podemos quedarnos
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
x 7ker f +x
f (x) 7ker f +x
riantes. El espacio cociente E/ ker f est a formado por todos los subespacios anes ker f +x.
El espacio Imf est a formado por todas las imagenes f (x). Luego, la
unica posible respuesta a nuestra pregunta son las funciones denidas
en el recuadro a la izquierda.
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 Imf, 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 afn
E paralelo al ker f se cumple que (E = ker f +x) (x E) entonces, la inyectividad de g
es equivalente a que la funci on f sea constante en cualquier subespacio afn 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.
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
E
f
F
nat i
E/ ker f
f
0
Imf
smo inverso que denotaremos por f
0
. El isomorsmo f
0
es el
que a un subespacio afn 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
x
nat
7ker f +x
f
0
7f (x)
i
7f (x)
es evidentemente igual a la funci on f.
3.7 Trasformaciones semilineales y coalineaciones
Una funci on f : E F de espacios vectoriales sobre K se
f(a +b) = f(a) +f(b)
f (a) =

f (a)
le llama transformaci on semilineal si existe un automorsmo
7

del campo K tal que para cualesquiera vectores a, b y
cualquier escalar se cumplen las propiedades del recuadro.
Observese que las trasformaciones lineales son semilineales usando como automorsmo
del campo la funci on identidad. Para construir otras trasformaciones semilineales necesita
mos automorsmos del campo que no sean la identidad. El ejemplo m as importante es la
conjugaci on a+bi 7abi en el campo de los n umeros complejos (v ease el ejercicio ??).
Ejercicio 66 Pruebe que para una transformaci on semilineal no nula f el correspondiente
automorsmo del campo es unico. [131]
Trasformaciones semilineales reales
En el caso del campo de los n umeros reales no hay trasformaciones semilineales que no
sean lineales debido al siguiente resultado:
El unico automorsmo de R es la identidad.
Prueba. Sea f un automorsmo de R. Supongamos que x > 0 y sea y =

x entonces,
f (x) = f(y
2
) = f (y)
2
> 0. En particular si x = b a > 0 entonces f (b a) =
87 Secci on 3.7 Trasformaciones semilineales y coalineaciones
f (b) f (a) > 0. En otras palabras, f es mon otona b > a f (b) > f (a). Como f
1
tambi en es mon otona entonces, f conmuta con el supremo y el nmo (v ease el ejercicio 67).
Como f (1) = 1 y 1 es generador del grupo aditivo de Z obtenemos que f es la identidad
en Z. Como f (a/b) = f (a) /f (b) obtenemos que f es la identidad en Q. Sea x un irracional
y denotemos por A el conjunto de todos los racionales menores que x. Sabemos que x =
sup A y por lo tanto f (x) = f (sup A) = sup f (A) = sup A = x.
Ejercicio 67 Sea R un conjunto ordenado y f : R R una isotona (biyecci on tal que f y
f
1
son mon otonas). Pruebe que si sup A existe entonces, f (sup A) = sup f (A). [131]
Ejercicio 68 Sea f 6= I un automorsmo de C. Las siguientes armaciones son equivalen
tes: 1. f es la conjugaci on compleja. 2. f es continua. 3. f es la identidad en R. [131]
Propiedades de las transformaciones semilineales
Al igual que las TL las transformaciones semilineales preservan subespacios.
Toda trasformaci on semilineal trans
forma subespacios en subespacios.
Prueba. Sea f : E F una trasformaci on semilineal y F un subespacio de E. Sean a, b F
y K. Tenemos f(a +b) = f(a) + f(b) por lo que f (F) es cerrado para la suma. Sea
K tal que

= . Tenemos f (a) =

f (a) = f (a) o sea f (E) es cerrado para el
producto por escalares.
Toda trasformaci on semilineal transforma
subespacios anes en subespacios anes.
Prueba. Sea f : E F una trasformaci on semilineal y F un subespacio de E. Si F + x es
un subespacio afn entonces, f (F +x) = f (F) + f (x) que es tambi en un subespacio afn
puesto que por el resultado anterior f (F) es un subespacio.
Automorsmos semilineales.
A diferencia de las TL las transformaciones semilineales no forman un espacio vectorial.
Esto es debido a que si 7 y 7
e
son dos automorsmos del campo entonces 7+
e
no necesariamente es un automorsmo. A las transformaciones semilineales f : E E

biyectivas las llamaremos automorsmos semilineales.
La composici on de automorsmos semi
lineales es un automorsmo semilineal.
Prueba. Sean f y g dos automorsmos semilineales. De la misma manera que para los
operadores lineales se prueba que (f g) (a +b) = (f g) (a) + (f g) (b). Sean 7

y 7

los automorsmos del campo correspondientes a f y g respectivamente. Tenemos
que (f g) (a) = f
=
e
a y la prueba termina al observar que 7

e
siendo una
composici on de automorsmos del campo es automorsmo del campo.
Ejercicio 69 Sea 7
un automorsmo del campo K. Pruebe que la transformaci on K

n
3
(x
1
, . . . , x
n
) 7 (x
1
, . . . , x
n
) K
n
es un automorsmo semilineal. A tales automorsmos
semilineales los llamaremos estandar. Pruebe que toda transformaci on semilineal de K
n
en
K
n
es la composici on de un automorsmo semilineal estandar con una TL. [132]
La inversa de un automorsmo semi
lineal es un automorsmo semilineal..
Prueba. Sea f : E E una automorsmo semilineal. Sean K y x, y E. Sean
a, b E tales que f (a) = x , f (b) = y. Tenemos
f
1
(x +y) = f
1
(f (a) +f (b)) = f
1
(f (a +b)) = a +b = f
1
(x) +f
1
(y)
f
1
= f
1
f (a)
= f
1
(f (a)) = a =f
1
(x)
que es lo que se quera demostrar puesto que la funci on

7 es un automorsmo de K.
Estos dos ultimos resultados signican que el conjunto de todos los automorsmos se
milineales forman un grupo respecto a la composici on de funciones.
Coalineaciones
Una biyecci on f : E E en un espacio vectorial sobre un campo le llama coalineaci on
si la imagen de cualquier subespacio afn es un subespacio afn y la preimagen de cualquier
subespacio afn es un subespacio afn de E. En otras palabras, tanto f como f
1
transforman
subespacios anes en subespacios anes. Obviamente, si f es una coalineaci on entonces f
1
tambi en lo es. El siguiente resultado nos dice que la denici on de coalineaci on es posible
hacerla de diversas maneras.
Sea f : E F una biyecci on entre dos espacios anes. Entonces, las
siguientes armaciones son equivalentes:
1. f y f
1
transforman subespacios anes en subespacios anes.
2. f y f
1
transforman generadores anes en generadores anes.
3. f y f
1
transforman bases anes en bases anes.
4. f y f
1
transforman conjuntos AI en conjuntos AI.
5. f y f
1
conmutan con la cerradura afn.
Prueba. (1 2) Sea A un conjunto generador afn de E y B = f (A). Sea C = f
1
[B]
que es un subespacio afn por ser la preimagen de un subespacio. Tenemos, B [B] y por
lo tanto A = f
1
(B) f
1
[B] = C. Luego E = [A] C y por lo tanto C = E. De
aqu f (E) = [B] y como f es sobreyectiva tenemos que B es generador. Por simetra, si B es
generador entonces f
1
(B) tambi en lo es.
(2 3) Sea ahora A una base afn de E y B = f (A). Sabemos que B es generador afn.
Si B no fuera AI entonces existira b tal que B\b es generador y por lo tanto, tendramos
que f
1
(B\b) = A\f
1
(b) es generador afn. Esto contradecira que A es una base afn.
Por simetra, si B es una base afn entonces f
1
(B) tambi en lo es.
(3 4) Sea ahora Aun conjunto AI. Sea A
0
una base afn que lo contiene. Sabemos que
f (A
0
) es una base afn. Como f (A) f (A
0
) tenemos que f (A) es AI. Por simetra, si B es
AI entonces f
1
(B) tambi en lo es.
(4 1) Sea A una base afn del subespacio afn [A]. Como A es AI entonces B = f (A)
tambi en lo es. Si b [A] entonces Ab es AD y por lo tanto Bf (b) tambi en lo es. Luego,
por el corolario 2.42, tenemos f (b) [B] y por lo tanto f [A] [B]. Si b [B] entonces
Bb es AD y por lo tanto Af
1
(b) tambi en lo es. Luego, por el corolario 2.42, tenemos
f
1
(b) [A] y por lo tanto [B] f [A]. Esto signica que f transforma el subespacio [A]
en el subespacio [B]. Por simetra, f
1
tambi en transforma subespacios en subespacios.
(5 1) Si f [A] = [f (A)] entonces la imagen del subespacio afn [A] es el subespa
cio afn [f (A)]. O sea, f trasforma subespacios en subespacios. Por simetra, f
1
tambi en
transforma subespacios en subespacios.
(1 5) Sea f una coalineaci on. Sea Aun conjunto de puntos. Como f transforma subes
pacios anes en subespacios anes la restricci on de f a [A] es una coalineaci on del espacio
an [A] en el espacio an f [A]. Como esta restricci on transforma generadores en generado
res tenemos que f (A) es generador de f [A]. Luego f [A] = [f (A)]. Para probar de que f
1
conmuta con la cerradura afn usamos que f
1
es una coalineaci on.
Ejercicio 70 Sea A un conjunto con un operador de cerradura y f : A A una biyecci on.
Si f y f
1
conmutan con el operador de cerradura entonces f es una isotona del conjunto
ordenado de cerrados.
Estructura de las coalineaciones
La composici on de coalineaciones de un espacio afn en si mismo es una coalineaci on.
Lo mismo sucede con la inversa de una coalineaci on. Luego el conjunto de todas las coali
neaciones de un espacio afn F es un grupo respecto a la composici on de funciones.
Si dimE = 1 entonces cualquier biyecci on de E en E es una coalineaci on ya que en este
caso todos los subepacios anes son puntos y la condici on de preservar puntos no es ninguna
restricci on.
Un importante subgrupo de colineaciones son las traslaciones o sea, las funciones de la
forma t
a
: F 3 x 7x +a F y de estas hay una para cada vector a en el espacio vectorial
F. Como t
a
t
b
= t
a+b
observamos que el subgrupo de traslaciones es isomorfo al grupo
aditivo del espacio vectorial F.
Sea f una coalineaci on en E. Denotemos a = f (0) y t
a
la traslaci on x 7x +a. Obser
vemos que la coalineaci on f
0
= t
a
f es tal que f
0
(0) = 0. Luego, cualquier coalineaci on
es la composici on f = t
a
f
0
de una coalineaci on que preserva 0 seguida de una traslaci on.
Si f es un automorsmo semilineal entonces f transforma subespacios anes en subes
pacios anes y por lo tanto es una coalineaci on que preserva 0.
Ahora, comenzaremos a probar el resultado principal de esta secci on: que en dimensi on
al menos 2 toda coalineaci on que preserva 0 es semilineal. En todo lo que sigue, E es un
espacio vectorial de dimensi on al menos 2 sobre el campo K.
Toda coalineacion en E preserva el paralelismo de rectas.
Prueba. Sea f una coalineaci on y `, `
0
dos rectas paralelas diferentes. Como f es un au
tomorsmo del conjunto ordenado de subespacios anes dim[` `
0
] = dimf [` `
0
] =
dim[f (`) f (`
0
)] y por lo tanto f (`) y f (`
0
) son coplanares.
Tambi en dim[` `
0
] = dimf [` `
0
] = dim[f (`) f (`
0
)] y por lo tanto f (`) y f (`
0
) no
se intersectan.
Toda coalineacion en E que preserva 0 es un
automorsmo del grupo aditivo de vectores.
Prueba. Sea f una coalineaci on de E que preserva 0. Recordemos que para cualquier vector
x el subespacio hxi es la recta por el origen que pasa por x. Y como f preserva 0 tenemos
f hxi = hf (x)i o sea, f tambi en conmuta con la cerradura lineal.
Sean a, b E dos vectores. Tenemos que probar que f (a +b) = f (a) +f (b). Esto es
trivial si {a, b} contiene a 0 por lo que podemos suponer que a 6= 0 y b 6= 0. Supongamos
primero que {a, b} es LI. Por la regla del paralelogramo sabemos que
a +b = (hai +b) (hbi +a) ,
f (a) +f (b) = (hf (a)i +f (b)) (hf (b)i +f (a)) .
Como f preserva el paralelismo f (hai +b) es una recta paralela a f (hai) = hf (a)i
que pasa por f (b) , o sea f (hai +b) = hf (a)i + f (b). An alogamente, f (hbi +a) =
hf (b)i +f (a). Como f conmuta con la intersecci on (el nmo) tenemos
f (a +b) = f (hai +b)f (hbi +a) = (hf (a)i +f (b))(hf (b)i +f (a)) = f (a)+f (b)
y esto concluye el caso de que {a, b} es LI.
Es claro que si {a, b} es LI entonces, tambi en lo es {a b, b} y por lo tanto
f (a) = f (a b +b) = f (a b) +f (b) .
Luego, si {a, b} es LI entonces, f (a b) = f (a) f (b).
Supongamos que {a, b} es LD. Entonces, hai = hbi. Como dimE > 1 existe c / hai
tal que los conjuntos {a, c}, {b, c} son LI.
Si b 6= a entonces, {a +c, b c} es LI y por el caso anterior tenemos que
f (a +b) = f (a +c +b c) = f (a +c) +f (b c) = f (a) +f (b)
y en particular cuando b = a obtenemos f (2a) = 2f (a).
Si b = a entonces, {a +c, b +c} es LI y tenemos que
2f (c) = f (2c) = f (a +c +b +c) = f (a +c) +f (b +c) = f (a) +f (b) +2f (c)
y por lo tanto f (a) +f (b) = 0 = f (0) = f (a +b).
Ejercicio 71 Complete la demostraci on del resultado anterior mostrando que si {a, c} es LI,
b = a y 6= 1 entonces {a +c, b c} es un conjunto LI. [132]
Si f es una coalineaci on en E que preserva 0 entonces, existe un automors
mo 7

del campo K tal que f (a) =

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

+

f (a)
()f (a) = f (a) = f (a) =
f (a)
y como f (a) es no nulo obtenemos + = +

y =
.
Resumiendo los dos ultimos resultados obtenemos:
Caracterizaci on de las coalineaciones
Si dimE 2 entonces, cualquier coalineaci on en
E que preseva 0 es un automorsmo semilineal.
Combinando esto con 3.34 vemos que el caso de los reales es m as sencillo.
Toda coalineaci on en un espacio vectorial real de dimensi on dos
o m as es un automorsmo lineal seguido por una traslaci on.
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 captulo 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
estudio de los determinantes.
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 Nlo denotaremos por S
N
. La composici on de biyec
ciones es una biyecci on y toda biyecci on tiene inversa, por lo tanto, S
N
es un grupo respecto
a la composici on. Al grupo (S
N
, ) se le llama el grupo sim etrico de N. Denotaremos por
I
N
a la funci on identidad que es el neutro de S
N
. Es importante recordar nuestra notaci on de
la composici on ( ) (a) = ((a)) ya que la composici on no es conmutativa.
Si |M| = |N| entonces los grupos S
M
y S
N
son isomorfos.
Prueba. Sean M y N son dos conjuntos del mismo cardi
M

M

1
N
1
N
nal. Si : M N es una biyecci on entonces j andonos en
el diagrama conmutativo del recuadro a la derecha obtenemos
una funci on : S
M
3 7
1
S
N
. Observemos, que
tiene inversa S
N
3 7
1
S
M
.
94 Captulo 4. Determinantes
Adem as, () =
1
=
1
1
= () () y por lo tanto, es un
isomorsmo de los grupos S
M
y S
N
.
El lector debe interpretar este resultado como que, en el grupo S
M
podemos cambiarle el
nombre a los elementos de M mediante la biyecci on : MN y obteniendo el grupo S
N
.
En particular, el n umero de elementos de S
N
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 : MN
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 = {x
0
, . . . , x
n1
} N. A la permutaci on
(y) =

x
i+1 mod n
si y = x
i
y si y / M
mostrada en el recuadro a la derecha se le llama ci
clo de orden n. A esta permutaci on se le denotar a por
(x
0
, . . . , x
n1
). . Dos ciclos (x
0
, . . . , x
n1
) y (y
0
, . . . , y
m1
) se les llama disjuntos si ning un
x
i
es igual a alg un y
j
.
Es importante notar que la composici on de ciclos disjuntos es conmutativa pero la com
posici on de ciclos en general no lo es. Tambi en debemos notar que debido a las propiedades
de la funci on mod n se tiene que (a, . . . , b, c) es la misma permutaci on que (c, a, . . . , b) en
otras palabras, siempre podemos escoger el principio del ciclo.
Sea S
N
una permutaci on. La relaci on en N denida
por n Z tal que a =
n
(b) es de equivalencia.
Prueba. Tenemos a =
1
(a) y por lo tanto es reexiva. Si a =
n
(b) y b =
m
(c)
entonces a =
n+m
(c) y por lo tanto es transitiva. Si a =
n
(b) entonces, b =
n
(a)
por lo que la relaci on es sim etrica.
A las clases de equivalencia de esta relaci on se le llaman orbitas de la permutaci on.
La restricci on de una permutaci on a una orbita es un ciclo.
Prueba. Supongamos que Mes una orbita. Sea a M. Tenemos M = {
n
(a) | n Z}. El
conjunto M no puede ser innito por lo que existe un natural p m as peque no tal que
p
(b)
ya apareci o antes en la sucesi on a, (a) , . . .. Observemos que
p
(a) = a porque si no,
habra un n umero k mayor que cero y menor que p tal que
p
(a) =
k
(a) o sea,
k
(a)
95 Secci on 4.1 Permutaciones
tendra dos preimagenes diferentes
k1
(a) 6=
p1
(a) y esto no puede ser ya que es una
biyecci on. Dividiendo con resto cualquier entero n entre p tenemos que n = kp + r con
0 r < p. Luego,
n
(a) =
r
kp
(a)
=
r
(a) y M = {
n
(a) | n Z
p
}. Esto quiere
decir que la restricci on de a M es el ciclo

a, (a) , . . . ,
p1
(a)
.
Supongamos que la restricci on de a M es el ciclo

a, (a) , . . .
p1
(a)
. Como
(M) = M tenemos que
p
(a) M y de la misma manera que antes vemos que
p
(a) =
a y que M = {
n
(a) | n Z} es una orbita.
Toda permutaci on es composici on de ciclos disjuntos.
Prueba. Solo tenemos que tomar los ciclos correspondientes a todas las orbitas y compo
nerlos en cualquier orden.
Observese que la descomposici on en ciclos disjuntos de una permutaci on es unica salvo
el orden de la composici on.
El grupo alternante
Una permutaci on se le llama par si en su descomposici on en ciclos disjuntos hay un
n umero par de ciclos de orden par. En otro caso se le llama impar. A los ciclos de orden
2 se les llama transposiciones. Las transposiciones son impares. La inversa de cualquier
transposici on es ella misma.
La composici on de una permutaci on con una trans
posici on cambia la paridad de la permutaci on.
Prueba. Sea una permutaci on y = (a, b) una transposici on. Distingamos dos casos:
que a y b est an en una misma orbita de o que no.
Si est an en la misma orbita M entonces escogiendo el principio del ciclo en M y renu
merando los elementos de N podemos lograr que = (1, k) con k > 1 y que la restricci on
de a M es (1, 2, . . . , n) con n k. Como ((k 1)) = 1 y ((n)) = k, obtenemos
(1, k) (1, 2, . . . n) = (1, . . . , k 1) (k, . . . , n) .
Si n es par entonces, k 1 y n k + 1 tienen la misma paridad por lo que la paridad de
cambia. Si n es impar entonces k 1 y n k + 1 tienen diferente paridad por lo que la
paridad de cambia.
Si est an en diferentes orbitas M
1
y M
2
entonces escogiendo los principios de los ciclos
en M
1
, M
2
y renumerando los elementos de N podemos lograr que = (1, k) con k > 1
y que la restricci on de a M
1
es (1, . . . , k 1) y la restricci on de a M
2
es (k, . . . , n).
Como ((k 1)) = k y ((n)) = 1, obtenemos que
(1, k) (1, . . . , k 1) (k, . . . , n) = (1, 2, . . . n)
y ya vimos que (1, . . . , k 1) (k, . . . , n) tiene paridad diferente que (1, 2, . . . n).
Con esto hemos demostrado que la paridad de es diferente a la de . La demostraci on
de que a paridad de es diferente a la de es an aloga.
Toda permutaci on es composici on de transposiciones.
Prueba. Se comprueba f acilmente que (x
0
, . . . , x
n1
) = (x
n1
, x
0
). . .(x
2
, x
0
)(x
1
, x
0
) 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.
Una consecuencia directa de 4.6 y 4.7 es que una permutaci on es par si y solo si es
composici on de un n umero par de transposiciones. Al conjunto de todas las permutaciones
pares de N se le denotar a por A
N
. La composici on de dos permutaciones pares es par y la
inversa de una permutaci on par es tambi en par. Luego A
N
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. Observese que A
N
y A
N
tienen la misma cantidad de permutaciones e igual a n!/2 ya que el componer con una
transposici on ja es una biyecci on entre A
N
y A
N
.
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 caracterstica del campo es diferente de 2. El signo
de una permutaci on es la funci on sgn : S
N
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. La composici on de dos permutaciones de la misma paridad es una permutaci on
par. La composici on de dos permutaciones de diferente paridad es impar. Las orbitas de una
permutaci on no cambian al tomar la inversa.
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
= sgn
= sgn
.
El resultado 4.8 lo que quiere decir es que la funci on sgn : S
N
K es un morsmo del grupo
S
N
al grupo multiplicativo del campo. Su im agen es {1, 1} y su nucleo es A
N
si el campo es de
caracterstica diferente de dos.
97 Secci on 4.2 Propiedades b asicas de los determinantes
4.2 Propiedades b asicas de los determinantes
Resolvamos el sistema de ecuaciones lineales de la iz
x =
d b
y =
a c
ax +by = 1
cx +dy = 1
quierda. Denotemos = ad bc. Despejando x en
la primera ecuaci on y substituyendo en la segunda ob
tenemos y. Substituyendo este y en alguna de las ecuaciones obtendremos
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 R
2
0
y
d
b
c a
x
p
q
v
u
R
2
0
y
x p
q
R
2
v
u
u +v como se muestra en la gura a la izquierda. Estos dos vectores
denen un paralelogramo cuyos v ertices son 0, u, u +v, v. Que
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
eje x que pasa por v. Sea p el punto de intersecci on de la recta
u, u +v con el eje x. Es f acil ver que el tri angulo v, q, u +v es
igual al tri angulo 0, p, u. Luego, el paralelogramo 0, u, u +v, v tiene area igual a la del
paralelogramo 0, v, q, p. En la gura a la derecha los tri angulos
p, a, u y 0, v,d tienen dos angulos iguales o sea son congruentes.
De esto, por el Teorema de Tales obtenemos
(b (a p) = d c) (pd = ad cb)
Sabemos que, pd es el area (base por altura) del paralelogramo
0, v, q, p. Luego, hemos demostrado que el area del paralelogra
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 R
2
. Los
determinantes son la generalizaci on de este n umero a dimensiones arbitrarias.
Denici on de los determinantes
Sea Nun conjunto nito. Recordemos que S
N
es el conjunto de todas las las permutacio
nes de N. Si S
N
e i Nentonces, 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
NN
es por denici on
det
NN
=
X
N
sgn
Y
iN
i
i
el elemento del campo denido por la f ormula en el re
cuadro de la derecha. A esta f ormula se la conoce como
f ormula de Leibniz.
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 captulo todos los espacios ser an nito dimensionales y todos
los conjuntos de ndices ser an nitos.
Determinantes de matrices peque nas
Interpretemos esta denici on para conjuntos Ncon pocos elementos. Si |N| = 1 entonces
la matriz
NN
consta de una sola entrada y su determinante es precisamente esta entrada.
Si, digamos N = {1, 2} entonces tenemos 2 permutaciones de N que son
11

12
21

22
I y (1, 2). 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 I, (1, 2, 3),
11

12

13
21

22

23
31

32

33
(1, 3, 2), (2, 3), (1, 2) y (1, 3). Las tres primeras son de signo positivo y se corresponden con
los tres sumandos
11
22
33
,
12
23
31
y
13
21
32
. Gr acamente,
estos tres sumandos se pueden representar por la diagonal principal
de la matriz y los dos tri angulos con lados paralelos 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

12

13
21

22

23
31

32

33

11
23
32
,
12
21
33
y
13
22
31
. Gr acamente, estos tres
sumandos se pueden representar por la diagonal alterna de la matriz
y los dos tri angulos con lados paralelos a esta diagonal como se
muestra en el recuadro de la izquierda.
El n umero de sumandos en la denici on del determinante es S
N
= |N| !. Este n umero
crece r apidamente con |N| como se ve en la siguiente tabla
n 1 2 3 4 5 6 7 8 9 10
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.
El determinante de la identidad
Ya vimos que el conjunto de matrices
NN
es un algebra respecto al producto y suma
ij
=

1 si i = j
0 si i 6= j
1 0
0 1
de matrices y multiplicaci on por elementos del campo. El elemento neutro para el producto
lo llamamos matriz identidad, denotamos I
NN
y es la matriz cu
yas entradas son iguales al delta de Kronecker
ij
denido en el
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
unos en la diagonal y ceros en todas las dem as entradas como se muestra en el
recuadro a la izquierda para una matriz de dos renglones y columnas.
El determinante de la matriz identidad es 1.
det I
NN
= 1
Prueba. Si la permutaci on S
N
no es la identidad entonces hay un i N tal que i 6=
i
y por lo tanto
Q
iN

i
i
= 0. Luego,
det I
NN
=
X
N
sgn
Y
iN
i
i
= sgn (I
N
)
Y
iN
ii
= 1.
Matrices con las nulas
Si una matriz tiene una columna o un ren
gl on nulo entonces, su determinante es cero.
Prueba. Cada sumando de los determinantes
Q
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 transpuesta
Recordemos del captulo anterior que dada una matriz
11

12

13

14
21

22

23

24
31

32

33

34
41

42

43

44
MN
su transpuesta se dene como la matriz
NM
=
T
MN
tal que
ij
=
ji
. Gr acamente la 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 podra pensar de los subndices. La notaci on es
as porque pensamos la transpuesta como la aplicaci on de la operaci on de transposici on.
El determinante no se altera al transponer una matriz.
det A = det A
T
Prueba. Tenemos que demostrar que det
NN
= det
T
NN
. Efectivamente, por la denici on
det
T
NN
=
X
N
sgn
Y
iN
i
i
=
cambio de variable
=
1
=
X
N
sgn
Y
iN
1
(i)i
=
=

cambio de variable
j =
1
(i)
=
X
N
sgn
Y
jN
j
j
= det
NN
.
Matrices con las iguales
Si una matriz tiene dos columnas o dos renglo
nes iguales entonces su determinante es cero.
Prueba. Supongamos que para
NN
se tiene que
jM
=
kM
o sea, las columnas j y k son
iguales. Todo sumando del determinante depende exactamente de una entrada en la columna
j y de otra en la columna j. Luego, podemos escribir
det
NN
=
X
j
j
k
k
sgn
Y
iN\{j,k}
i
i
.
Denotemos la transposici on (j, k). La funci on : S
N
3 7 S
N
es una biyecci on
y el sumando correspondiente a es igual a
j
k
k
j
sgn ( )
Y
iN\{j,k}
i
i
pero como
jM
=
kM
entonces,
j
k
k
j
sgn ( ) =
j
j
k
k
sgn . Esto signi
ca que es una biyecci on que transforma a un sumando en su negativo y por lo tanto el
determinante es cero. La prueba para los renglones se obtiene transponiendo la matriz.
Permutaciones de columnas y renglones
Dada una matriz
MN
y una permutaci on S
N
denimos la operaci on de permu
11

12

13

14
21

22

23

24
31

32

33

34
41

42

43

44
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
el intercambio de columnas representado en el recuadro a la iz
quierda. An alogamente se dene la operaci on de permutar los
renglones, para una permutaci on S
M
la matriz
(M)N
es
aquella cuyos renglones son
1
(j)N
.
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 S
N
una permutaci on. Hay que demostrar det
N(N)
= sgn det
NN
.
Efectivamente, por la denici on tenemos
det
N(N)
=
X
N
sgn
Y
iN
i
1
(
i
)
=
cambio de variable
=
1

=
=
X
N
sgn ( )
Y
iN
i
i
= sgn
X
N
sgn
Y
iN
i
i
= sgn det
NN
Con esto demostramos la proposici on para las columnas. La demostraci on para los renglones
se obtiene transponiendo la matriz.
El determinante del producto
La ultima propiedad b asica de los determinantes es probablemente la m as importante
para el algebra lineal. Como la demostraci on de esta propiedad es complicada, le recomiendo
al lector omitirla en una primera lectura. La complejidad de esta demostraci on es el precio
que tenemos que pagar por dar una denici on directa del determinante.
El determinante del producto de dos matrices es igual
al producto de los determinantes de las dos matrices.
det AB = det Adet B
Prueba. Sean A =
NN
y B =
NN
. Para el objeto de esta demostraci on denotemos por
F
N
el conjunto de todas las funciones de Nen N. Claramente S
N
F
N
. Denotemos adem as
T
N
al conjunto F
N
\ S
N
que es el de todas las funciones no biyectivas de N en N.
Por la denici on de determinante y de producto de matrices tenemos
det AB =
X
N
sgn
Y
iN
X
jN
ij
j
i
y usando la f ormula
Q
iN
P
jN

ij
=
P
N
Q
iN

i
i
(Sec. 1.6, p ag. 22) obtenemos
det AB =
X
N
sgn
X
N
Y
iN
i
i
i
+
X
N
sgn
X
N
Y
iN
i
i
i
Denotando por el primer sumando nuestro determinante se convierte en
= +
X
N
sgn
X
N
Y
iN
i
i
i
=
cambio de variable
=
=
= +
X
N
X
N
sgn ( )
Y
iN
i
i
Y
jN
j )
=
cambio de var
k =
j
=
= +
N
sgn
Y
iN
i
i
!
X
N
sgn
Y
kN
k
k
!
= + det Adet B
O sea, para completar la demostraci on tenemos que probar que = 0. Para esto recordemos
que A
N
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
=
X
N
X
N
sgn
Y
iN
i
i
i
vemos que para probar = 0 es suciente construir para cada T
N
una biyecci on
f : A
N
A
N
tal que si = f () entonces,
Y
iN
i
i
i
=
Y
iN
i
i
i
Esto nos garantizar a que cada sumando positivo se cancele con otro negativo.
Sea T
N
arbitraria pero ja. Como no es una biyecci on existen j, k N tales que
(j) = (k) . Sea t A
N
la transposici on que intercambia j y k. Sea f : A
N
3 7
t A
N
. La funci on f es biyectiva ya que su inversa es 7 t. Adem as, tenemos
Y
iN
i
i
i
(t)
i
=
j
j
k
k
j
Y
iN\{j,k}
i
i
i
=
Y
iN
i
i
i
donde la ultima igualdad es v alida porque
j
=
k
.
Matrices de permutaciones
Ahora queremos ver que 4.13 es un caso particular de 4.14. Esta es una buena disculpa
para introducir las matrices de permutaciones. Sea I
N(N)
la matriz identidad a la que se le
han permutado las columnas con la permutaci on S
N
. A I
N(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.
El resultado del producto
MN
I
N(N)
(de I
M(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
).
Prueba. Sea
MN
=
MN
I
N(N)
. Tenemos
ij
=
P
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 que det I
N(N)
= sgn . Efectivamente, en la denici on de determinante
cada producto
Q
iN

i
1
(
i
)
es cero para cada 6= . Para = tenemos
Q
iN

ii
= 1
que est a multiplicado por sgn . De aqu, 4.14 y 4.15 dan una nueva prueba de 4.13.
Ejercicio 73 Haga la mutiplicaci on de matrices del

11 12 13
21 22 23
0 0 1
1 0 0
0 1 0
recuadro a la derecha. La matriz de que permutaci on es

la de m as a la derecha? Concuerdan o no sus c alculos
con el resultado 4.15?
Denotemos M() = I
N(N)
. No es difcil probar que M( ) = M() M() y que cualquier
matriz de permutaciones tiene inversa (igual a su transpuesta). Luego M : S
N
GL
K
N
es un
morsmo de grupos que es inyectivo. Esto signica que las matrices de permutaciones son un
subgrupo de GL
K
N
que es isomorfo a S
N
. Esto es v alido para cualquier campo K.
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
Sea
MN
y : N L una biyecci on. Podemos construir una matriz
ML
=
M(N)
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
103 Secci on 4.3 Expansi on de Laplace
. 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
biyecci on entonces, podramos denir det
MN
= det
M(N)
. El unico pero es que, en
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 de N en M enton
ces, det
M(N)
= sgn
det
M(N)
.
Prueba. Observese que =
1
es una permutaci on de M y que las matrices
M(N)
y
M(N)
solo se diferencian en la permutaci on de las columnas . Aplquese 4.13.
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 caracterstica dos esto es irrelevante ya que en
este caso 1 = 1. Sin embargo en los casos m as importantes (Ry C) de que el campo sea de
caracterstica 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.
Por ejemplo, las igualdades det
MN
= det
T
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)
, . [132]
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
podemos siempre escoger la unica biyecci 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 Z
5
? 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 Z
p
ni el de C.
En muchos de los textos de algebra lineal esta ambig 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
sgn det
N\i (N\j)
manera se convierte en una permutaci on de N. Denamos el de
terminante det
N\i N\j
con la expresi on del recuadro a la derecha.
Parecera 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 demostraci on por ^ y ^ respectivamente. Por 4.16 tenemos que det
N\i (N\j)
=
sgn
det
N\i (N\j)
. Observese que
1
es una permutaci on de N\i. Que pasa
con ^ ^
1
? Pues, en todo elemento de N\i coincide con
1
y adem as ^ ^
1
(i) = i.
Luego sgn
= sgn
^ ^
1
y por las propiedades de la funci on signo se tiene

que sgn
^ ^
1
= sgn ^ sgn ^ . Luego det

N\i (N\j)
= sgn ^ sgn ^ det
N\i (N\j)
y
pasando sgn ^ al otro lado de la igualdad terminamos la prueba.
Ahora, podemos dar la siguiente denici 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
NN
cuyas entradas son los complemento algebraicos
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
Prueba. Si i N entonces tenemos la partici on del grupo sim etrico en el
[
jN
S
ij
N
recuadro a la derecha donde S
ij
N
= { S
N
| (i) = j} . Luego, aplicando la
denici on de determinante y sacando factor com un obtenemos
det
NN
=
X
jN
ij
X
ij
N
sgn
Y
nN\i
nn
Sea una permutaci on de Ntal que (j) = i. Hagamos el cambio de variable =
en la sumatoria interior. Tenemos (i) = i o sea, S
ii
N
= S
N\i
. Luego,
det
NN
=
X
jN
ij
sgn
X
N\i
sgn
Y
nN\i
n
1
(
n
)
=
X
jN
ij
ij
donde la ultima igualdad se obtiene por la denici 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
determinantes de matrices m as peque nas. Es especialmente util cuando hay renglones (o
columnas) con muchos ceros.
Sin embargo, todava 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

1 2 3 4 5 6 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
denir (2) = 7 para completar una permutaci on de N.
Sabemos que transforma 7 76 75 74 73 72 77 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

+ +
+ +
+ +
+ +
longitud impar tiene signo positivo obtenemos sgn = (1)

i+j
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
det
11

12

13

14
21

22

23

24
31

32

33

34
41

42

43

44
ca muy sencilla. Si se quiere sacar el complemento algebraico de

ij
entonces t achese el
rengl on i, t achese la columna j, s aquese el determinan
te de la matriz que queda y nalmente multiplquese
por el signo de la regla del tablero de ajedrez. As por
ejemplo, en el recuadro a la izquierda se muestra una
matriz de orden cuatro en la cual estamos calculando el
complemento algebraico de
23
.
Al matem atico y fsico PierreSimon Laplace (Francia 17491827)
se le conoce fundamentalmente por sus trabajos en mec anica celes
te, ecuaciones diferenciales y teora de las probabilidades. El pu
blic o la demostraci on del Teorema de Expansi on de Laplace (4.18)
en 1772 en un artculo donde estudiaba las orbitas de los planetas
interiores del sistema solar. En este artculo, Laplace analiz o el
problema de soluci on de sistemas de ecuaciones lineales mediante
el uso de determinantes.
Ejercicio 75 T ome una matriz y calcule su determinante usando el teorema de descompo
sici on de Laplace. Repita hasta que usted est e satisfecho.
Ejercicio 76 Demuestre que el determinante de la matriz
ij
= x
i1
j
Y
1i<jn
(x
j
x
i
)
es igual a la expresi on en el recuadro a la derecha. A este determinante
se le conoce como determinante de Vandermonde.
[132]
La expansi on de Laplace reduce el c alculo del determinante de una matriz al c alculo de determi
nantes de matrices m as peque nas. Por esto es tambi en usada para dar la denici on de determinante
mediante inducci on. En este caso, la f ormula de Leibniz es una consecuencia de esta denici on.
Multinearidad de los determinantes
El determinante se puede ver como una funci on del espacio de matrices en el cam
A =

1 0
0 0
B =

0 0
0 1
po. Ser a el determinante una TL? Se cumplir a que det (A+B) =

det A+det B? La respuesta es NO. Para probar que no, basta ver un ejem
plo. Consideremos las matrices A y B denidas a la izquierda. Tenemos
det A + det B = 0 6= 1 = det (A+B). Sin embargo, los determinantes
cumplen una propiedad bastante parecida.
Sea E un espacio vectorial sobre el campo K. A las TL de E en K se le llama funcio
nales lineales del espacio E. En esta terminologa vemos que la propiedad det (A+B) 6=
det A + det B lo que quiere decir es que el determinante NO es un funcional lineal del es
pacio vectorial de las matrices. Pasemos a considerar una funci on f con valor en K de dos
variables x, y que toman sus valores en E o sea, f : E
2
3 (x, y) 7 f (x, y) K. Como
E
2
es un espacio vectorial sobre K entonces podra suceder que f sea un funcional lineal.
Sin embargo, hay una propiedad un poco m as sutil que podra 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).
Evidentemente todo esto se puede hacer cuando tenemos muchas variables en cuyo caso
nos referiremos a los funcionales multilineales. M as rigurosamente, sea f : E
N
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 : E
N\i
E K. Si y E
N\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 : R
3
3 (x, y, z) 7x+y+z Res un funcional lineal. La funci on
g : R
3
3 (x, y, z) 7xyz R es un funcional multilineal porque (x +x
0
) yz = xyz +x
0
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
matrices K
NN
es isomorfo a
K
N
N
. Un isomorsmo de estos es el que a cada matriz le hace
corresponder la Nada de sus renglones. Luego, podemos pensar el determinante como un
funcional cuyas variables son los renglones y que toma valores en el campo.
El determinante es un funcional multilineal de los renglones.
Prueba. Para probar que un funcional es multilineal hay que probar que es lineal en cada
variable. Sea i N arbitrario pero jo en toda esta prueba. Sea A =
NN
una matriz tal
que su i esimo rengl on es la suma de dos Nadas x
N
y y
N
. Sea B la misma matriz que A
excepto que su i esimo rengl on es x
N
. Sea C la misma matriz que A excepto que su i esimo
rengl on es y
N
. 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
= (x
N
+y
N
)
iN
= x
N
iN
+y
N
iN
= det B + det C
donde la ultima igualdad se cumple porque los cofactores de las matrices B y C de las
entradas del rengl on i son los mismos que los de la matriz
NN
.
Sea ahora A =
NN
una matriz tal que su i esimo rengl on es x
N
. Sea B la misma matriz
que A excepto que su i esimo rengl on es x
N
. Usando la descomposici on de Laplace por el
rengl on i obtenemos det
NN
=
iN
iN
= x
N
iN
= det B.
Por transposici on el determinante es tambi en un funcional multilineal de las columnas.
Los determinantes son los unicos funcionales multilineales de los renglones que son iguales a 1
en la matriz identidad y que cambian por un factor de sgn cuando se permutan los renglones
con la permutaci on . Esto permite dar una denici on alternativa de los determinantes. El primer
problema aqu es demostrar la existencia del determinante.
La inversa de una matriz
Recordemos que, dada una matriz
MN
decimos que
NM
=
1
MN
es la matriz inversa
de
MN
si se cumple que
MN
1
MN
= I
MM
y
1
MN
MN
= I
NN
. Mediante el isomorsmo
de las matrices con las TLs concluimos que
MN
y
1
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
ndices que
NM
=
1
MN
si y solo si
(N)M
=
1
M(N)
. O sea, cualquier cambio de ndices
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 : K
M
K
M
las TLs de las matrices A y B respectivamente. Mediante
el isomorsmo de las matrices con las TLs concluimos que f g = I. De 3.32 (p agina 85)
obtenemos que g f = I y por lo tanto BA = I.
Si una matriz tiene inversa entonces ella es
no singular. Adem as, det A
1
= (det A)
1
.
Prueba. Por denici on de matriz inversa tenemos 1 = det I = det
AA
1
= det Adet A
1
y por lo tanto det A 6= 0 y det A
1
= (det A)
1
.
Para probar que el recproco 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.
A
1
=
A
T
det A
Prueba. Para hacer la demostraci on lo que hay que hacer es multiplicar. Sea
MM
= A
y B =
MM
= (det A)
1
A
T
. Tenemos
Mj
= (det A)
1
jM
y de la denici on de pro
ducto de matrices obtenemos que la entrada ij de la matriz AB es igual a
iM
Mj
=
(det A)
1
iM
jM
. Si i = j entonces
iM
jM
es la expansi on de Laplace del det A por
el rengl on i de lo que obtenemos que
iM
Mj
= 1.
109 Secci on 4.4 La expansi on generalizada de Laplace
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. Podramos 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 My Nrespectivamente.
Por la f ormula del cambio de bases para matrices (3.23) tenemos B =
NM
A
1
NM
donde
NM
es la matriz de cambio de la base M a la base N. Tenemos
det
NN
= det
NM
MM
1
NM
= det
NM
det
MM
det
1
NM
= det
MM
ya que por 4.21 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 Nde la misma cardinalidad. Para ahorrarnos mucha escritu
ra, denotemos I
0
= N\I y J
0
= 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
I
0
J
0 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 gustara 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
(x) =

1
(x) si x J
2
(x) si x L
proposici on nos dice que esto realmente no es un proble
ma. Sean
1
: J I y
2
: J
0
I
0
dos biyecciones.
Denotemos =
1

2
la permutaci on de N denida en
el recuadro a la derecha.
La expresi on sgn det
I
1
(J)
det
I
0
2
(J
0
)
no depende de las biyecciones
1
y
2
.
Prueba. Sean
1
y
2
otras dos biyecciones y =
1
2
. Por 4.16 tenemos det
I
1
(J)
=
sgn
1

1
1
det
I
1
(J)
y det
I
0
2
(J
0
)
= sgn
2

1
2
det
I
0
2
(J
0
)
. Multiplicando estas
dos igualdades vemos que solo nos queda probar que
sgn
1

1
1
sgn
2

1
2
= sgn
.
Para esto, denotemos
1
=
1

1
1
,
2
=
2

1
2
y =
1
. De las deniciones es
inmediato que (y) =
1
(y) si y I y (y) =
2
(y) si y I
0
. Como
1
S
I
,
2
S
I
0 ,
S
N
y los conjuntos I, I
0
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

IJ
= det
I(J)
IJ
= sgn det
I
0
(J
0
)
las f ormulas de la derecha donde denota una permutaci on (ar
bitraria pero la misma para las dos deniciones) tal que (J) = I
(y en consecuencia (J
0
) = I
0
). 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
tonces, det
NN
=
P
IJ
IJ
donde la suma recorre to
dos los subconjuntos de columnas J de cardinalidad p.
det
NN
=
X
|J|=p
IJ
IJ
Prueba. Si I Ny |I| = p entonces, tenemos la partici on del grupo sim etrico
[
|J|=p
S
IJ
N
a la derecha donde S
IJ
N
= { S
N
| (I) = J}. Aplicando la denici on de
determinante obtenemos
det
NN
=
X
|J|=p
X
IJ
N
sgn
Y
nN
nn
Sea una permutaci on de N tal que (J) = I. Hagamos el cambio de variable = .
Entonces,
det
NN
=
X
|J|=p
sgn
X
II
N
sgn
Y
nN
i
1
(
n
)
Como (I) = I entonces, (I
0
) = I
0
. Luego se puede descomponer en la composici on de
dos permutaciones donde S
I
y S
I
0 . Substituyendo por la suma se
convierte en suma doble y si sacamos factores comunes obtendremos:
det
NN
=
X
|J|=p
sgn
I
sgn
Y
nI
i
1
(n )
!
I
0
sgn
Y
nI
0
i
1
(n )
Lo contenido en el primer par entesis es det

I(J)
=
IJ
. Lo contenido en el segundo
par entesis es det
I
0
(J
0
)
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.
111 Secci on 4.4 La expansi on generalizada de Laplace
Matrices diagonales y triangulares por bloques
Sea
MM
una matriz. Supongamos que existe una partici on M
1
M
t
= M y que
ij
= 0 si i y j pertenecen a bloques diferentes. Entonces decimos que
MM
es diagonal
por bloques. Si cada M
i
contiene un solo ndice entonces decimos que
MM
es diagonal.
Supongamos ahora que, para la partici on M
1
M
t
= M se cumple que si i M
p
,
j M
q
y p < q entonces
ij
= 0. En este caso, decimos que
MM
es triangular por
bloques. Si cada M
i
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,
det
MM
=
Q
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
sici on es trivial. Denotemos M
0
= M\M
1
. Aplicando la expansi on generalizada de Laplace
al conjunto de renglones I = M
1
obtenemos det
MM
=
P
|J|=|I|
IJ
IJ
.
Si J 6= I entonces, en
IJ
hay una columna j / M
1
y por lo tanto j M
q
con 1 < q.
Luego, por denici on de matriz triangular, i I = M
1
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 M
0
es triangular por bloques con un bloque menos y por hip otesis de inducci on
det
M
0
M
0 =
Q
t
i=2
det
M
i
M
i
.
Ejercicio 77 Cuales de las siguentes matrices son triangulares?
A =
a 0 0
1 b 0
1 1 c
B =
a 1 1
0 b 1
0 0 c
C =
a 1 1
0 b 0
0 1 c
[133]
Ejercicio 78 Sean M = {1, . . . , 5} y
MM
una matriz triangular por los bloques M
1
=
{1, 2}, M
2
= {3} y M
3
= {4, 5}. Cual es el aspecto de
MM
en forma gr aca? [133]
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
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 {m
1
, m
2
, . . . , m
t
}
<
para se nalar que p {2, . . . , t} se tiene que i
p1
< i
p
. Ahora, si
I = {i
1
, . . . , i
t
}
<
y J = {j
1
, . . . , j
t
}
<
entonces, la biyecci on es
1
: I 3 i
p
7 j
p
J. Tam
bi en, tenemos una biyecci on natural entre los complementos de I y J. Para esto sean K =
N\I = {k
1
, . . . , k
s
}
<
y L = N\J = {`
1
, . . . , `
s
}
<
y denamos
2
: K 3 k
p
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
Laplace, o sea
J
I
(I) = J y
J
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
I
. Al estudiar la expansi on (normal) de Laplace en forma gr aca
(j, j 1, , i +1, i) si j > i
(j, j +1, , i 1, i) si j < i
vimos que si I = {i} y J = {j} entonces,
J
I
=
j
i
es
el ciclo que se muestra a la derecha y por lo tanto
sgn
j
i
= (1)
i+j
(la regla del tablero de ajedrez).
sgn
J
I
= sgn
j
1
i
1
sgn
J\j
1
I\i
1
.
Prueba. Sea =

J
I
1

J\j
1
I\i
1
. Tenemos que demostrar que sgn = (1)
i
1
+j
1
. Para
(k
p
, k
p+1
, , k
q1
, i
1
) si p < q
(k
p1
, k
p2
, , k
q
, i
1
) si p > q
I si p = q
esto, recordemos que K = N\I = {k
1
, . . . , k
s
}
<
y L = N\J = {`
1
, . . . , `
s
}
<
. Sea p el menor
ndice tal que i
1
< k
p
y sea q el menor ndice tal que j
1
< `
q
(es admisible que p = s+1 y/o
q = s + 1). Usando la denici on de calculamos
que esta permutaci on es igual a la del recuadro a la
izquierda. Luego, es siempre un ciclo de longitud
|p q| +1 y por lo tanto sgn = (1)
p+q
.
Como i
1
y j
1
son los elementos m as peque nos de I y J respectivamente entonces, tenemos
que {k
1
, . . . , k
p1
, i
1
}
<
= {1, . . . , p 1, p} y {`
1
, . . . , `
q1
, j
1
}
<
= {1, . . . , q 1, q} y de
aqu nalmente, p = i
1
y q = j
1
.
Iterando este resultado obtenemos sgn
J
I
= sgn
j
1
i
1
sgn
j
2
i
2
sgn
j
t
i
t
. Observese que
i
r
j
r
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
en la diagonal de
IJ
. Tambi en se puede hacer, calculando la paridad de
P
iI
i +
P
jJ
j.
Ejemplo. Calculemos el determinante de una matriz
NN
del recuadro
4 5 1 1
1 2 3 2
4 5 2 3
1 2 3 4
a la izquierda haciendo la expansi on generalizada de Laplace por el con

junto I del segundo y cuarto renglones. Tenemos que recorrer todos los
subconjuntos J de dos columnas.
Observese, que si la columna 4 no est 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.
113 Secci on 4.5 El rango de una matriz
Solo nos quedan dos sumandos cuando J = {1, 4} y cuan
J = {1, 4} J = {2, 4}
+
+

+ +
+ +
do J = {2, 4}. Para ellos podemos extraer del tablero de aje

drez las submatrices del recuadro a la derecha y multiplican
do los signos en las diagonales obtenemos sgn
{1,4}
I
= 1 y
sgn
{2,4}
I
= 1. Luego, por la expansi on generalizada de Laplace el determinante de nuestra
matriz es igual a
2 2
2 4
4 1
4 2
1 2
1 4
5 1
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 deniremos las bases de una matriz como las submatrices m as grandes
con determinante diferente de cero. Probaremos que las bases de una matriz denen y est an
denidas por las bases de los espacios de columnas y renglones. Esto es el fundamento de
los diversos m etodos de solucion de los sistemas de ecuaciones lineales.
Matrices no singulares
Agrupemos en un solo resultado 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.
Prueba. La implicaci on 12 es el resultado 4.21. La implicaci on 21 es el resultado 4.22.
La equivalencia 14 es el resultado 3.21 (p agina 77). De aqu, 24 y como los determi
nantes no cambian por transposici on obtenemos 23.
Espacios de columnas y renglones
Al subespacio de K
N
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.
Reformulemos el resultado 3.30 (p agina 84) en el lenguaje de matrices.
Las dimensiones del espacio de columnas y del
espacio de renglones de una matriz coinciden.
Prueba. Sea
MN
una matriz. Observemos que la TL de esta matriz denida por f : K
N
3
N
7
MN
N
K
M
tiene como imagen al espacio de columnas de la matriz
MN
ya que
f evaluada en los vectores de la base can onica de K
N
resulta en las columnas de
MN
. Por
lo mismo, la TL transpuesta f
T
tiene como imagen al espacio de renglones de
MN
. Por 3.30
las dimensiones de estos espacios coinciden.
A la dimensi on de los espacios de renglones y columnas se le llama rango de la matriz.
Lema de aumento de matrices no singulares
El siguiente lema es parte importante de las demostraciones de los que siguen. Su de
mostraci on es cl asica e ingeniosa. Este lema es en cierta manera an alogo al lema de aumento
de conjuntos LI que vimos en el Captulo 2.
Lema de Aumento de Submatrices No Singulares
Sea
IJ
una submatriz cuadrada no singular de
MN
. Sea m M\I
tal que el conjunto de renglones indexado por I m es LI.
Entonces, existe n N tal que la matriz
Im Jn
es no singular.
Prueba. Denotemos B
n
=
Im Jn
. Al absurdo, supongamos que n N\J se cumple
B
n
=

IJ

In
mJ

mn
que det B
n
= 0. Si n J entonces, denotemos por B
n
la matriz
Im J
a la que articialmen
te le agregamos otra columna n. En este caso B
n
tiene dos columnas iguales y por lo tanto
tambi en det B
n
= 0. Para cualquier n, podemos pensar la matriz B
n
gr acamente como se
muestra en el recuadro. Sean B
in
los cofactores de las entradas de
la ultima columna en la matriz B
n
. Observemos que en la de
nici on de los B
in
no est an involucradas las entradas de la ultima
columna. Luego, B
in
no depende de n y podemos denotar B
in
=
i
K. De la expansi on
de Laplace por la ultima columna en la matriz B
n
obtenemos:
0 = det B
n
=
X
iM
in
B
in
=
X
iM
in
i
.
Como esto es v alido n N concluimos que
M
MN
= 0
N
. 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 sus renglones son LI.
Bases de una matriz
Sea
MN
una matriz. Entre las submatrices cuadradas no singulares de
MN
tenemos la
relaci on de contenci on
(
I
0
J
0
IJ
) (I
0
I y J
0
J)
Una base de
MN
es una submatriz no singular maximal por contenci on.
115 Secci on 4.5 El rango de una matriz
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
. Es conveniente deno
MN
=

IJ

IY
XJ

XY
tar X = M\ I y Y = N\ J y pensar que

MN
es de la forma en
el recuadro a la derecha. Supongamos que
IJ
es cuadrada y que
es una base de
MN
. Entonces, por la Caracterizaci on de Matrices No Singulares (4.28) los
renglones y las columnas de
IJ
son LI y con m as raz on los renglones de
IN
y las columnas
de
MJ
son LI .
Si estos renglones de
IN
no son una base de los renglones de
MN
entonces, existe otro
rengl on indexado por m X tal que el conjunto de renglones indexado por I mes LI y por
el Lema de Aumento de Submatrices No Singulares (4.30) existe n Y tal que
Im Jn
es
no singular y esto contradice la suposici on de que
IJ
es una base. Luego, los renglones de
IN
son una base de los renglones y por 4.29 las columnas de
MJ
son una base del espacio
de columnas.
Recprocamente, supongamos que los renglones de
IN
y las columnas
MJ
son bases
de los renglones y las columnas de
MN
respectivamente. Por 4.29, la submatriz
IJ
es
cuadrada. Sabemos que los renglones de
IN
son LI. Las columnas de
MJ
es un generador
del espacio de columnas de
MN
y con m as raz on las columnas de
IJ
son un generador del
espacio de columnas de
IN
. Aplicando 4.29 a la matriz
IN
obtenemos que las columnas
de
IJ
son un generador con la misma cantidad de vectores que la dimensi on del espacio y
por lo tanto son LI. Por la Caracterizaci on de Matrices No Singulares (4.28) la matriz
IJ
es
no singular.
Si hubiera una submatriz
Im Jn
no singular entonces por la Caracterizaci on de Matri
ces No Singulares (4.28) sus renglones seran LI y con m as raz on los renglones de
Im N
seran LI. Esto contradice que los renglones de
IN
es una base de los renglones de
MN
.
Luego,
IJ
es una base de la matriz
MN
.
Una consecuencia importante de la Caracterizaci on de las Bases de una Matriz (4.31) es
que todas las bases de una matriz tienen orden igual al rango de la matriz.
Ejercicio 79 Sean E = F G espacios vectoriales y x
i
= (y
i
, z
i
) vectores donde x
i
E,
y
i
F y z
i
G. Pruebe que si los y
i
son LI entonces los x
i
son LI. Pruebe que si los
x
i
son generadores entonces los y
i
son generadores. Esto es lo que se usa en la prueba de
la Caracterizaci on de las Bases de una Matriz (4.31) cada vez que se usa la frase con m as
raz on.
4.6 Sistemas de ecuaciones lineales
Sea A =
NM
una matriz y x
M
= x
M1
una columna. El producto
X
jM
ij
x
j
= b
i
de estas matrices es nuevamente una columna
NM
x
M1
= b
N1
= b
N
. Si
desarrollamos este producto por la denici on de producto de matrices en
tonces obtenemos para cada i Nla igualdad en el recuadro a la derecha.
Como ya es usual podemos interpretar la columna x
M
como un vector x en el espacio
vectorial K
M
y a b
N
como un vector b en el espacio K
N
y en estas notaciones la igualdad se
escribe en una forma m as simple Ax = b. Supongamos que Aes una matriz ja. Si hacemos
variar x en K
N
entonces esta igualdad la podemos pensar como una TL de K
M
en K
N
. Como
es l ogico, si conocemos x entonces como sabemos multiplicar matrices hallamos b = Ax.
M as difcil 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 vivan las
matrices y los vectores, los humanos necesitaban encontrar unos numeritos x
j
tales que para
cualquier i N se cumpla que
P
jM

ij
x
j
= b
i
. Obs ervese que se necesitan encontrar |M|
numeritos. En el caso de que |N| = 1 se deca que tenemos que resolver una ecuaci on lineal.
Para el caso |N| > 1 los numeritos x
j
deberan de cumplir todas y cada una de las ecuacio
nes (para cada i N) y entonces, se deca que se necesitaba resolver un sistema (conjunto,
colecci 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 deca por se
dice en presente. Luego, hay dos formas de ver los sistemas de ecuaciones lineales:
Tenemos que encontrar |M| elementos del campo x
j
tales que
para cualquier i, se cumple la igualdad
P
jM

ij
x
j
= b
i
,
Tenemos que encontrar un vector x K
M
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 x
j
. 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 A
1
a la izquierda obtenemos Ax = b A
1
Ax = A
1
b x = A
1
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 le llama matriz del
sistema y al vector b lo llamaremos vector de coecientes libres. Denotaremos por A(j) la
117 Secci on 4.6 Sistemas de ecuaciones lineales
matriz obtenida de la matriz del sistema substituyendo la j esima columna por el vector de
coecientes libres. Un ejemplo de esta substituci on es el siguiente
A =

1 2 3
4 5 6
, b =

7
8
, A(2) =

1 7 3
4 8 6
.
Regla de Cramer
Si la matriz A es no singular entonces, la j esima
coordenada x
j
del vector x es igual al determi
nante de A(j) dividido entre el determinante de A.
x
j
=
det A(j)
det A
Prueba. Sea
NM
es una matriz no singular. Ya observamos que en este caso necesariamente
x =
1
NM
b. Denotemos por
ij
las entradas de
1
NM
entonces, tenemos x
j
=
jN
b
N
. Por
4.22 tenemos que
jN
=
Nj
/ det
NM
y de aqu x
j
det
NM
= b
N
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.
Gabriel Cramer (Suiza 17041752) public o su famosa regla en el
artculo Introducci on al an alisis de las curvas algebraicas (1750).
Esta surgi o del deseo de Cramer de encontrar la ecuaci on de una cur
va plana que pasa por un conjunto de puntos dado. El escribe su regla
en un ap endice del artculo y no da prueba alguna para ella. Este es
uno de los orgenes hist oricos del concepto de determinante. Es cu
rioso (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 denominador es det A (que tiene tantos sumandos como
las permutaciones de n cosas).
La Regla de Cramer (4.32) tiene fundamentalmente un inter es hist orico por ser uno de
los orgenes del concepto de determinante. Es necesario recalcar que esta regla solo funciona
para el caso de que la matriz es no singular. O sea, cuando en el sistema se tienen tantas
incognitas como ecuaciones y el determinante de la matriz del sistema no es nulo.
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
singular: la soluci on existe, es unica y se halla por la Regla de Cramer. Ahora responderemos
en general la primera pregunta.
Primero, 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 de una matriz siempre se tiene que rank A rank (A|b) .
Que coincidan es equivalente por la Caracterizaci on de las Bases 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 x
j
tales que
iN
x
N
= b
i
o sea a
que Ax = b tenga al menos una 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
|b
M
). Entonces, el conjunto de soluciones de
MN
x
N
= b
M
es exactamente el mismo que el de
IN
x
N
= b
I
.
Prueba. Como
MN
x
N
= b
M
tiene m as ecuaciones que
IN
x
N
= b
I
entonces cada solu
ci on de
MN
x
N
= b
M
es soluci on de
IN
x
N
= b
I
.
Recprocamente, sea x
N
tal que
IN
x
N
= b
I
y m M\I. El rengl on (
mN
|b
m
) es com
mN
=
I
IN
b
m
=
I
b
I
binaci on lineal de los indexados por I. Luego existen escalares
i
tales que
se cumplen las igualdades a la derecha. Multiplicando la primera igualdad
por x
N
y usando la denici on de x
N
obtenemos
mN
x
N
=
I
IN
x
N
=
I
b
I
= b
m
y por lo tanto x
N
satisface todas las ecuaciones del sistema
MN
x
N
.
Otra manera, m as algortmica, de ver este lema es que si tenemos un sistema de ecua
ciones
MN
x
N
= b
M
y un rengl on de este sistema es combinaci on lineal de los dem as
119 Secci on 4.6 Sistemas de ecuaciones lineales
entonces, debemos eliminar la ecuaci on correspondiente a este rengl on. El Lema de Eli
minaci on de Ecuaciones Dependientes (4.34) 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 : K
N
3 x
N
7
MN
x
N
K
M
.
Luego, podemos denir la imagen de la matriz
MN
como Im
MN
= Imf y el nucleo de
la matriz
MN
como ker
MN
= ker f. Pasemos ahora a analizar la imagen. Por denici on
de imagen tenemos Im
MN
= {
M
| x
N

MN
x
N
=
M
}. O sea, Im
MN
es el conjunto
de vectores
M
tales que el sistema de ecuaciones lineales
MN
x
N
=
M
tiene al menos una
soluci on. Tenemos
MN
x
N
=
P
iN

Mi
x
i
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
x
N
=
M
entonces, 3.33 (p agina 86) nos dice que el conjunto
de todas sus soluciones es el subespacio afn
N
+ ker
MN
. Resumamos todo lo dicho en
4.35 para referencias futuras.
El subespacio ker
MN
es el conjunto de soluciones de
MN
x
N
= 0
M
.
El subespacio Im
MN
es el generado por las columnas de
MN
.
Si
N
es una soluci on de
MN
x
N
=
M
entonces, el conjunto de todas
sus soluciones es el subespacio afn
N
+ ker
MN
.
Bases del subespacio afn de soluciones
Ahora daremos la soluci on general de los sistemas de ecuaciones lineales. Sea
MN
x
N
=
b
M
un sistema de ecuaciones. Primero, podemos suponer que la matriz del sistema
MN
tiene el mismo rango que la matriz ampliada [
MN
|b
M
] porque si no entonces, el conjunto
de soluciones es vaco. Segundo, podemos suponer que la matriz ampliada [
MN
|b
M
] tiene
renglones linealmente independientes porque si no, entonces podemos descartar aquellos que
son combinaci on lineal de otros.
Luego existe un conjunto de columnas J M tal que
MJ
es una base de la matriz
MJ
x
J
+
MY
x
Y
= b
M
ampliada [
MN
|b
M
]. Denotando por Y al conjunto de columnas que no est an en la base po
demos representar nuestro sistema de ecuaciones lineales como
se muestra en el recuadro a la izquierda.
Aqu las inc ognitas x
J
y x
Y
son aquellas que se corresponden con las columnas en J y Y
respectivamente. Por ejemplo, en el sistema de ecuaciones
2x
1
+1x
2
+1x
3
+0x
4
= 5
3x
1
+2x
2
+0x
3
+1x
4
= 5
podemos tomar J al conjunto de las dos primeras columnas y Y al conjunto de la tercera y
cuarta columnas. Luego a este sistema lo podemos escribir como
2 1
3 2
x
1
x
2
1 0
0 1
x
3
x
4
=

5
5
.
Ahora, como la matriz
MJ
tiene inversa, lo que hacemos es simplemente despejar x
J
y
obtenemos x
J
=
1
MJ
b
M

1
MJ
MY
x
Y
. En nuestro ejemplo obtenemos
x
1
x
2
=

5
5
2 1
3 2
x
3
x
4
=

2x
3
x
4
+5
3x
3
+2x
4
5
Esto describe en forma par am etrica el conjunto de todas las soluciones, para cualquier
vector x
Y
hay una soluci on

1
MJ
b
M

1
MJ
MY
x
Y
, x
Y
del sistema. Otra manera de descri

bir el conjunto soluci on es ponerlo en la forma descrita en 4.35. Para encontrar una soluci on
ponemos x
Y
= 0 y en nuestro ejemplo el vector soluci on es (5, 5, 0, 0). Para encontrar
el nucleo de la matriz del sistema ponemos b
M
= 0. Para encontrar una base del nucleo
recorremos con x
Y
a la base can onica de K
Y
. En nuestro ejemplo
(x
3
, x
4
) = (1, 0) (x
1
, x
2
) = (7, 8)
(x
3
, x
4
) = (0, 1) (x
1
, x
2
) = (4, 3)
y nalmente obtenemos que el conjunto de soluciones (x
1
, x
2
, x
3
, x
4
) es el subespacio afn
(5, 5, 0, 0) +(1, 0, 7, 8) + (0, 1, 4, 3)
donde y son escalares cualesquiera.
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, etc.
Aqu, estudiaremos brevemente este m etodo.
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
transformaci on elemental de los renglones. Otra manera util de pensar las transformacio
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.
Las transformaciones elementales no cambian los determinantes.
Prueba. Sean
MM
,
MM
y
MM
matrices que se diferencian solo en el rengl on indexado
121 Secci on 4.7 M etodo de eliminaci on de Gauss
por j para el cual se tiene que
jM
=
iM
+
jM
y
jM
=
iM
. Como el determinante es
un funcional lineal de los renglones tenemos det
MM
= det
MM
+ det
MM
y como la
matriz
MM
tiene dos renglones iguales entonces, det
MM
= det
MM
. La prueba termina
al recordar que el determinante no cambia por transposici on de la matriz.
Las bases y el rango de una matriz dependen exclusivamente de los determinantes de sus
submatrices y por lo tanto no son afectados por las transformaciones elementales. Sin em
bargo, las trasformaciones elementales de las columnas cambian los nucleos y el subespacio
afn soluci on de un sistema de ecuaciones lineales. 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 afn soluci on de un sistema de ecuaciones lineales.
Prueba. Sea
MN
x
N
= b
M
un sistema de ecuaciones lineales. Sea
MN
x
N
= c
M
otro
sistema que se diferencia solo en la ecuaci on j para la cual se tiene
jN
=
iN
+
jN
y
c
j
= b
i
+ b
j
. Si
N
es una soluci on del primer sistema entonces,
jN
N
=
iN
N
+
jN
N
= b
i
+ b
j
= c
j
por lo que
N
es una soluci on del segundo sistema. Si
N
es una
soluci on del segundo sistema entonces,
jN
N
=
jN
iN
N
= c
j
b
i
= b
j
por lo
que
N
es una soluci on del primer sistema.
Ejemplo
El m etodo de Gauss se puede precisar en todo detalle para convertirlo en un algoritmo
programable en una computadora. Pero como tratamos de ense nar a humanos y no a compu
tadoras la mejor manera no es dar todos los detalles sino dejar a la creatividad individual y a
la imitaci on de ejemplos el como aplicar las transformaciones elementales.
La matriz ampliada siguiente arriba a la izquierda representa un sistema de ecuaciones
lineales. Despues de las 4 transformaciones elementales de los renglones que se muestran
obtenemos la matriz de abajo a la derecha. La soluci on del sistema de esta ultima es obvia.
1 1 0
2 3 4
3 3 1
3
2
1
!
r
2
:=r
2
2r
1
1 1 0
0 1 4
3 3 1
3
4
1
!
r
3
:=r
3
3r
1
1 1 0
0 1 4
0 0 1
3
4
8
!
r
2
:=r
2
4r
3
1 1 0
0 1 0
0 0 1
3
28
8
!
r
1
:=r
1
r
2
1 0 0
0 1 0
0 0 1
25
28
8
!
Aqu las transformaciones elementales realizadas est an marcadas en las echas. Por ejemplo,
la primera es r
2
:= r
2
2r
1
lo que signica que al segundo rengl on le sumamos el primero
multiplicado por 2. Observese que despu es de dos transformaciones ya vemos que el de
terminante de la matriz del sistema es 1 porque en una matriz triangular el determinante es
el producto de las entradas diagonales.
El caso general
Para el c alculo de los determinantes no hay mucho m as que decir. Podemos utilizar trans
formaciones elementales de columnas y renglones para convertir nuestra matriz cuadrada en
matriz triangular. Si en el proceso nos aparece un rengl on o columna cero entonces el deter
minante es cero.
Para resolver los sistemas de ecuaciones lineales trabajamos con la matriz ampliada y so
lo podemos realizar transformaciones elementales de los renglones. Podemos adem as multi
plicar un rengl on por un escalar porque esto no afecta la ecuaci on correspondiente al rengl on.
Si nos aparece un rengl on cero podemos descartarlo como combinaci on lineal de los otros.
Si nos aparece un rengl on que es cero en la matriz del sistema pero su coeciente libre no es
cero entonces el sistema no tiene soluci on porque el rango de la matriz ampliada es mayor
que el rango de la matriz del sistema. Finalmente, si en alg un momento nos aparece una
conguraci on del tipo

a
0 b

0 0 c
donde a, b, . . . , c son diferentes de cero entonces las primeras columnas forman una base de
la matriz y tenemos m as inc ognitas que ecuaciones. En este caso debemos seguir diagonali
zando la parte correspondiente a las primeras columnas hasta obtener
1 0 0
0 1 0

0 0 1
.
Para este sistema procedemos como en la secci on anterior y pasamos restando las inc ognitas
que sobran como par ametros hacia la parte derecha del sistema de ecuaciones. Tomemos el
mismo ejemplo de la secci on anterior
2 1 1 0
3 2 0 1
5
5
r
2
:=3r
2
2r
1

2 1 1 0
0 1 3 2
5
5
r
1
:=
r
1
r
2
2

1 0 2 1
0 1 3 2
5
5
y por lo tanto la soluci on de este sistema es x

1
= 5 2x
3
+x
4
y x
2
= 5 +3x
3
2x
4
donde
x
3
y x
4
pueden tomar cualquier valor.
Aqu es cuando el lector se preguntar a Para qu e diagonalizar la primera y segunda co
lumna si ya la tercera y cuarta est an en forma diagonal? Pues tiene toda la raz on, simplemente
est a escogiendo otra base de la matriz. La soluci on del sistema se obtiene directamente de
la matriz ampliada original en la forma x
3
= 5 2x
1
x
2
y x
4
= 5 3x
1
2x
2
donde x
1
y x
2
pueden tomar cualquier valor. Que es mejor es cuesti on de gustos u otras necesidades.
Por ejemplo, si se necesita substituir x
1
y x
2
en otras f ormulas entonces, la mejor soluci on
es la primera. Si por el contrario se necesita substituir x
3
y x
4
en otras f ormulas entonces, la
mejor soluci on es la segunda.
123 Secci on 4.7 M etodo de eliminaci on de Gauss
Soluci on de ecuaciones matriciales, matriz inversa
Si tenemos varios sistemas de ecuaciones lineales
MN
x
N1
= b
M1
, . . . ,
MN
x
N`
= b
M`
todos con la misma matriz del sistema
MN
entonces, podemos denotar L = {1, . . . , `}
y escribirlos todos en la forma
MN
x
NL
= b
ML
. Esta ecuaci on matricial tiene la matriz
ampliada [
MN
|b
ML
] 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 reordenan columnas y solo se aplican transformaciones elementales a los
renglones, as que no nos importa cuantas columnas halla despu es de la barra vertical.
En particular, si M = N entonces, la unica soluci on posible (si existe) a la ecuaci on
matricial
MM
x
MM
= I
MM
sera x
MM
=
1
MM
. Esta es la forma en que con el m etodo de
eliminaci on de Gauss se calculan las matrices inversas. Por ejemplo:
1 1 0
2 3 4
3 3 1
1 0 0
0 1 0
0 0 1
!
r
2
:=r
2
2r
1
r
3
:=r
3
3r
1
1 1 0
0 1 4
0 0 1
1 0 0
2 1 0
3 0 1
!
r
2
:=r
2
4r
3
1 1 0
0 1 0
0 0 1
1 0 0
10 1 4
3 0 1
!
r
1
:=r
1
r
2
1 0 0
0 1 0
0 0 1
9 1 4
10 1 4
3 0 1
!
y por lo tanto
1 1 0
2 3 4
3 3 1
!
9 1 4
10 1 4
3 0 1
!
=
1 0 0
0 1 0
0 0 1
!
.
Ejercicio 80 Tome un sistema de ecuaciones lineales y resuelvalo por el m etodo de elimi
naci on de Gauss. Repta cuantas veces le sea necesario.
No est a de m as recalcar aqu que el m etodo de eliminaci on de Gauss funciona en espacios
vectoriales sobre cualquier campo sea este Q, R, C, Z
p
u otro campo cualquiera. Solo hay
que realizar las operaciones de suma, producto y divisi on como est an denidas en el campo
en particular.
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 en N no est a bien denida en Z, Q y R ya
que
2
1
=
1
2
/ Z
,

2
1/2
=
2 / Q
(1)
1/2
= 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
(p/q)
a
= p
a
/q
a
, a
p/q
=
q
a
p
, (lm
i
a
i
)
b
= lm
i
a
b
i
y nalmente si c = lm
i
a
i
entonces b
c
= lm
i
b
a
i
. Con ellas reducimos la prueba a demostrar que
n
m es un re
al para cualesquiera (diferentes de cero) naturales n y m. Esto ultimo es equivalente a ver
que la funci on f (x) = x
n
m alcanza el valor cero. Como f (x) es continua, f (1) 0 y
f (m) 0 esto necesariamente tiene que ocurrir. No es difcil ver, que la funci on y = a
x
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 mnimo 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 7x 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 mni
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 e
1
= 1 e = 1 pero
126 Soluciones de ejercicios selectos
1
2
= 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 mnimo 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
si hay neutro. El inverso de a para la suma es a, para el producto es
1
a
. Aunque el mnimo
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
los subconjuntos de U que denotaremos por 2
U
. En 2
U
est an bien denidas las operaciones
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)
A
B
C
A (B C) =
= (A B) (A C)
Ejercicio 11 (Secci on 1.2 p agina 8) No porque (1, 0) (0, 1) = (0, 0) lo que muestra que
K
2
no es dominio de integridad y por lo tanto no es un campo.
Ejercicio 12 (Secci on 1.2 p agina 9) Supongamos que
n es un racional. Decomponiendo
su numerador y denominador en factores primos obtenemos que
n = p
n
1
1
p
n
2
2
. . . p
n
t
t
para
ciertos naturales primos p
1
p
2
. . . p
t
y ciertos n umeros enteros n
1
, n
2
, . . . , n
t
. Pero entonces,
n = p
2n
1
1
p
2n
2
2
. . . p
2n
t
t
y por lo tanto i {1, ..., t} 2n
i
0. Luego, todos los n
i
son
naturales lo que signica que
n es natural.
Ejercicio 13 (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 14 (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 lmite de racionales por lo que es un real.
Ejercicio 18 (Secci on 1.3 p agina 12) Por 1.1.4 sabemos que f (0) = 0 y f (1) = 1. Si f (a) =
0 y a no fuera el cero de A entonces tendramos 1 = f (1) = f
aa
1
= f (a) f
a
1
=
0f
a
1
= 0 lo que no puede ser, o sea si f (a) = 0 entonces a = 0. Luego, si f (x) = f (y)

entonces, f (x y) = 0 y por lo tanto x = y.
Ejercicio 21 (Secci on 1.4 p agina 16)
La tabla de multiplicar en Z
5
es la derecha. Luego el elemento in
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
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 Z
5
\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.
Ejercicio 22 (Secci on 1.4 p agina 16) Sea Kun campo y G un subgrupo nito de (K\ 0, ).
Si x G entonces al natural n m as peque no tal que x
n
= 1 lo llamaremos orden de x.
En este caso todos los elementos de hxi =

1, x, x
2
. . . x
n1
son diferentes y la funci on

f : (hxi , ) 3 x
i
7i (Z
n
, +) es un isomorsmo de grupos. Luego, lo que hay que probar
es que en G existe un elemento de orden q = |G|.
1. Sea F un subgrupo de G. Para x G el conjunto xF = {xf | f F} se le llama clase
lateral de x. Tenemos que si f F entonces fF = F ya que F es un subgrupo. De
(y xF) (y = xf)
x = yf
1
xF = yf
1
F
(xF = yF)
(y xF zF) (xF = yF = zF)
obtenemos que las clases laterales forman una partici on de G. La funci on F 3 f 7
xf xF es la inversa de xF 3 xf 7f F y por lo tanto cualquier clase lateral tiene la
misma cantidad de elementos que F. Luego |F| es un divisor de |G| y el cociente |G||F|
es el n umero de clases laterales. Este hecho se conoce como Teorema de Lagrange.
En particular, el orden de cada x G es un divisor de q = |G|.
2. Sea x de orden n y denotemos (n) el n umero de elementos de orden n en hxi.
Como x tiene orden n entonces, (n) 1. La funci on (n) no depende de x pues
cualesquiera dos x, y de orden n son tales que los grupos hxi y hyi son isomorfos.
Luego, (n) solo depende del natural n.
Como cualquier z hxi tiene cierto orden que por el Teorema de Lagrange es un
divisor de n y el n umero de elementos en hxi es n entonces,
P
d|n
(d) = n donde
la suma recorre todos los divisores de n. A se la conoce como Funci on de Euler.
3. Denotemos por (n) al n umero de elementos de orden n en nuestro grupo G. Como
cualquier z G tiene cierto orden que por el Teorema de Lagrange es un divisor de
|G| = q entonces,
P
d|q
(d) = q donde la suma recorre los divisores de q.
4. Si en G no hay un elemento de orden n entonces (n) = 0. Si por el contrario x G
tiene orden n entonces,y = x
k
hxi tenemos que y
n
=

x
k
n
= (x
n
)
k
= 1. Luego,
todos los n elementos de hxi son raices del polinomio z
n
1. Como el polinomio
z
n
1 no puede tener m as de n raices en el campo K(v ease el resultado ??) entonces,
todos los elementos de G de orden n est an en hxi y por lo tanto (n) = (n). De
aqu, para cualquier n se tiene que (n) (n) 0.
5. De (2) y (3) tenemos que
0 =
X
d|q
(d)
X
d|q
(d) =
X
d|q
((d) (d))
y como por (4) (d) (d) 0 entonces, para cualquier d divisor de q = |G|
tenemos (d) = (d). En particular, (q) = (q) 1. Esto signica que en Ghay
un elemento de orden q = |G|.
Ejercicio 23 (Secci on 1.4 p agina 16) La prueba de que es un anillo conmutativo es direc
ta de las denici ones de suma y producto. Para ver que es un campo observamos que el
producto (a, b) (x, y) = (ax +7by, ay +xb) tiene neutro (1, 0). Para hallar los inversos
multiplicativos resolvemos el sistema de ecuaciones lineales
ax +7by = 1
ay +xb = 0
que tiene como soluci on unica x = a/ , y = b/ donde = a
2
7b
2
. Nos queda
comprobar que si = 0 entonces a = b = 0. Efectivamente, observando la siguiente tabla
calculada en Z
11
x 1 2 3 4 5 6 7 8 9 10
x
2
1 4 9 5 3 3 5 9 4 1
7x
2
7 6 8 2 10 10 2 8 6 7
vemos que ning un a
2
puede ser igual a un 7b
2
.
Ejercicio 24 (Secci on 1.5 p agina 19) 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 25 (Secci on 1.5 p agina 19) 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
caracterstica del campo es diferente de 2 entonces, 1 + 1 6= 0 por lo que la armaci on del
ejercicio es cierta. Si la caracterstica del campo es 2 entonces, 1 + 1 = 0 y por lo tanto
a = a para cualquier elemento del campo.
Ejercicio 26 (Secci on 1.6 p agina 21) En cualquier campo (xy)
p
= x
p
y
p
. Por el binomio
de Newton (x +y)
p
=
p
X
k=0
p!
k! (p k) !
x
k
y
nk
. El coeciciente binomial p!/k! (p k) !
se divide entre p si k [1, ..., n 1]. Esto quiere decir (ver 1.15) que en un campo de
caracterstica p todos los sumandos del binomio de Newton excepto el primero y el ultimo
son cero. Luego (x +y)
p
= x
p
+ y
p
. Esto muestra que x 7 x
p
es un morsmo. Como
todo morsmo de campos es inyectivo (ver ejercicio 18) y toda funci on inyectiva de un
conjunto nito en si mismo es sobreyectiva obtenemos que este morsmo es automorsmo
para campos nitos.
Ejercicio 27 (Secci on 1.7 p agina 22) (a +b) = a
1 +a
1
b
= a
a
1
b +1
= (b +a) .
Ejercicio 28 (Secci on 1.7 p agina 23) Las seis igualdades necesarias se pueden obtener de
la siguiente manera
(ijk = 1) (ijkk = k) (ij = k) (ijj = kj) (kj = i)
(ijk = 1) (iijk = i) (jk = i) (jkk = ik) (ik = j)
(ijk = 1) (kijkkj = kkj) (ki = j) (kii = ji) (ji = k)
Ejercicio 29 (Secci on 1.7 p agina 24) Por denici on de producto de quaterniones
(a +bi +cj +dk)

2
= 1
a
2
b
2
+c
2
+d
2
= 1
ab = ac = ad = 0
.
Como a es un real b
2
+ c
2
+ d
2
6= 0 por lo que cualquier soluci on de estas ecuaciones
requiere que a = 0.
Ejercicio 30 (Secci on 1.7 p agina 24) En los quaterniones (x i) (x +i) = x
2
ix+xi+1 6=
x
2
+1 lo que quiere decir que no es posible denir correctamente el producto de polinomios.
El tri angulo abc es semejante al tri angulo uvw de hecho son con
a
b c
u
w v
gruentes porque ac = uw (lados opuestos de un paralelogramo tie
nen la misma longitud). Luego bc = wv y por lo tanto la coordenada
en x del vector
au es igual a la de
awm as bc. La prueba para la otra

coordenada es igual.
Ejercicio 32 (Secci on 2.1 p agina 26) T ecnicamente hablando no ya que en el Captulo 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 33 (Secci on 2.1 p agina 26) En la expresi on (a) se utiliza un solo tipo de
operaci on (la de un escalar por un vector). En la expresi on () ase utilizan dos operaciones
diferentes primero la del producto de escalares y despu es la de un escalar por un vector.
Ejercicio 35 (Secci on 2.2 p agina 27) Si 6= 0 entonces tiene inverso y por lo tanto
a = 0 a =
1
a =
1
0 = 0
Ejercicio 36 (Secci on 2.2 p agina 27) El mnimo 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 38 (Secci on 2.3 p agina 35) Supongamos que x hN yi \hNi. Entonces, existe
una combinaci on lineal x =
y
y +
P
iN

i
i. Tenemos que
y
6= 0 (ya que x / hNi).
Luego, despejando y obtenemos que y hN xi.
Ejercicio 39 (Secci on 2.4 p agina 37) Solo en la prueba de que 24 al despejar a.
Ejercicio 40 (Secci on 2.4 p agina 39) 1. El conjunto vaco 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
N L.
Ejercicio 41 (Secci on 2.4 p agina 41) Sea Auna 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 Bde F que contiene
a A. De aqu tenemos dimE = |A| |B| = dimF. Esta prueba es v alida independientemente
de si los cardinales de A y B son nitos o no.
Ejercicio 42 (Secci on 2.4 p agina 41) El conjunto de todos los polinomios
P
a
i
x
i
tales que
a
0
= 0 es un subespacio de K[x] de la misma dimensi on que K[x].
Ejercicio 43 (Secci on 2.4 p agina 42) Es consecuencia directa del ?? alrededor del punto x
0
.
Ejercicio 44 (Secci on 2.4 p agina 42) La diferencia entre el espacio de las (NM)adas
y las NMmatrices es solo en las notaciones. Luego, el espacio de las NMmatrices tiene
dimensi on |NM| = |N| |M|. Para cada pareja i, j con i N y j M hay una matriz e
ij
en la base can onica la cual tiene su entrada ij igual a 1 y todas las dem as igual a cero.
Ejercicio 45 (Secci on 2.5 p agina 43) Sean E
f
F
g
Gtransformaciones 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 quera probar.
Ejercicio 48 (Secci on 2.6 p agina 50) 1. Es f acil probar que la aplicaci on EF 3 (a, b) 7
(b, a) FE 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) 7a E
es un isomorsmo can onico. Por esto podemos considerar que E {0} = E.
Ejercicio 49 (Secci on 2.6 p agina 50) Denotemos por Sa 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
de 0 es unica. Luego E F = {0} y por lo tanto S = E F.
Ejercicio 54 (Secci on 2.7 p agina 54) Si E = E + x y F = F + y son dos subespacios
paralelos o no entonces E+F es igual a (E + F) +(x +y) o sea, es un espacio afn paralelo
a E+F. Si E es paralelo a F entonces, E = F y por lo tanto E+F = E. Si E y F se intersectan
en z entonces z hE zi hE Fi = E + F y por lo tanto E +F = E + F.
Ejercicio 59 (Secci on 3.4 p agina 74) 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
sin cos
Ejercicio 63 (Secci on 3.4 p agina 77) Para cualesquiera n N y k K tenemos

(
nM
ML
)
Lk
=
X
lL
(
nM

Ml
)
lk
=
X
lL
X
mM
nm
ml
lk
=
X
mM
nm
X
lL
ml
lk
=
X
mM
nm
(
mL

Lk
) =
nM
(
ML
Lk
)
Ejercicio 64 (Secci on 3.4 p agina 78) Las matrices de f, g y f g tienen que cumplir:
cos ( +) sin ( +)
sin ( +) cos ( +)
=

cos sin
sin cos
cos sin
sin cos
=
=

cos cos sin sin cos sin sin cos
cos sin + sin cos cos cos sin sin
y por lo tanto
cos ( +) = cos cos sin sin
sin ( +) = cos sin + sin cos
Ejercicio 65 (Secci on 3.5 p agina 82) La prueba de la propiedad 1 es directa, la prueba de la
propiedad 3 es consecuencia de la propiedad 2. Probemos la propiedad 2. Sean
E
f
F
g
G
TLs y h = g f. Sean A y B las matrices de f y g en ciertas bases. Observese que la
base de F debe ser com un para la denici on de las matrices A y B y entonces la matriz
de h es BA. La matriz de h
T
en estas bases es (BA)
T
= A
T
B
T
. Sean X, Y y Z matrices
de cambio de base en E, F y G respectivamente. Entonces, la matriz de h en las nuevas
bases es ZBAX =

ZBY
1
(YAX) y la matriz de h
T
es (YAX)
T
ZBY
1
T
y por lo tanto
independientemente de las bases h
T
= f
T
g
T
.
Ejercicio 66 (Secci on 3.7 p agina 86) Sea f semilineal y y dos automorsmos del campo
tales que para cualquier escalar y cualquier vector a se cumple que f (a) = () f (a) =
() f (a). Podemos escoger atal que f (a) 6= 0 y por lo tanto ((() ()) f (a) = 0)
(() = ()).
Ejercicio 67 (Secci on 3.7 p agina 87) Supongamos que sup A existe. Entonces, b R te
nemos (a A b a) (b sup A) . Usando que f es una isotona vemos que f (b)
f (R) = R tenemos (f (a) f (A) f (b) f (a)) (a A b a) (b sup A)
(f (b) f (sup A)) y esto prueba que f (sup A) = sup f (A).
Ejercicio 68 (Secci on 3.7 p agina 87) (1 2) La conjugaci on compleja es continua. (2 3)
Tenemos (v ease la prueba de 3.34) que f es la identidad en Q. De que los reales son los lmi
tes de los racionales y f es continua obtenemos que f es la identidad en R. (3 1) Si f es
la identidad en R entonces, f (a +bi) = a +bf (i). Como f (i)
2
= f
i
2
= f (1) = 1 y
f (i) 6= i entonces, f (i) = i.
Para ver que hay muchos automorsmos de C que no son la conjugaci on compleja v ease por
ejemplo: Yale, Paul B., Automorphisms of the complex numbers, Mathematics Magazine,
MayJune 1966, 135141.
Ejercicio 69 (Secci on 3.7 p agina 88) La funci on (x
1
, . . . , x
n
) 7 (x
1
, . . . , x
n
) es biyectiva
ya que 7
es biyectiva. Adem as, tenemos

(x
1
+y
1
, . . . , x
n
+y
n
) = (x
1
+y
1
, . . . , x
n
+y
n
) = (x
1
, . . . , x
n
) + (y
1
, . . . , y
n
)
x
1
, . . . , x
n
x
1
, . . . ,

x
n
=

(x
1
, . . . , x
n
)
y esto muestra que la funci on es un automorsmo semilineal.
Si f es una transformaci on semilineal arbitraria cuyo automorsmo del campo es enton
ces, su composici on con el automorsmo semilineal estandar correspondiente a
1
es una
transformaci on lineal.
Ejercicio 71 (Secci on 3.7 p agina 91) Supongamos que 0 = a+c+bc =( ) c+
( +) a. Como {a, c} es LI entonces, = y (1 +) = 0. Como 6= 1 entonces,
0 = = .
Ejercicio 74 (Secci on 4.3 p agina 103) 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 76 (Secci on 4.3 p agina 106) Es saludable poner la matriz de Vandermonde en
forma gr aca como se muestra en el recuadro a la derecha.

1 1 1
x
1
x
2
x
n
x
2
1
x
2
2
x
2
n

x
n1
1
x
n1
2
x
n1
n
Denotemos por v (x
1
, x
2
, . . . , x
n
) al determinante de esta
matriz. Denotemos
f (x
1
, x
2
, . . . , x
n
) =
Y
1i<jn
(x
j
x
i
)
Veamos que v (x
1
, x
2
, . . . , x
n
) = f (x
1
, x
2
, . . . , x
n
).
Por inducci on en n. Para n = 1 tenemos f (x
1
) = v (x
1
) = 1. Supongamos que est a pro
bado hasta n 1. Pongamos y = x
n
. Tenemos que probar que v (x
1
, . . . , x
n1
, y) =
f (x
1
, . . . , x
n1
, y). Para esto veamos ambos lados de la igualdad como polinomios en la
variable y. Ambos polinomios tienen grado n 1.
Haciendo la expansi on de Laplace por la ultima columna vemos que el coeciente principal
de v (x
1
, . . . , x
n1
, y) es igual a v (x
1
, . . . , x
n1
). Por otro lado
f (x
1
, . . . , x
n1
, y) =
Y
1i<jn1
(x
j
x
i
)
Y
1in1
(y x
i
)
que tiene coeciente principal f (x
1
, . . . , x
n1
). Por hip otesis de induccion v (x
1
, . . . , x
n1
) =
f (x
1
, . . . , x
n1
) y por lo tanto nuestros dos polinomios tienen el mismo coeciente principal.
Adem as, las raices de v (x
1
, . . . , x
n1
, y) son x
1
, . . . , x
n1
porque evaluando y en estos valo
res obtenemos una matriz con dos columnas iguales. Es obvio que x
1
, . . . , x
n1
son tambi en
las raices de f (x
1
, . . . , x
n1
, y).
Luego, v (x
1
, . . . , x
n1
, y) y f (x
1
, . . . , x
n1
, y) son dos polinomios del mismo grado, con
los mismos coecientes principales y las mismas raices y por lo tanto son polinomios iguales.
Ejercicio 77 (Secci on 4.4 p agina 111) Las tres. Para la matriz Alos bloques son M
1
= {1} ,
M
2
= {2} y M
3
= {3}. Para la matriz B los bloques son M
1
= {3} , M
2
= {2} y M
3
= {3}.
Para la matriz C los bloques son M
1
= {2} , M
2
= {3} y M
3
= {1} ya que
23
=
21
=
31
= 0. Los determinantes de las tres matrices son iguales a abc.
El aspecto es el del recuadro a la derecha. Aqu hemos denotado

0
0
0 0
0 0
0 0

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 rectas los tres bloques de la matriz. El de
terminante de una matriz de este tipo es igual al producto de los
determinantes de sus tres bloques diagonales.
134
Algebra. Espacio vectorial con un producto

de vectores asociativo, distributivo, con ele
mento neutro y que conmuta con el producto
por escalares. . . . . . . . . . . . . . . . . . . . . . 69, 77, 98
Algebra conmutativa.

Algebra en la cual el
producto de vectores es conmutativo . . . . 69
Anillo. Conjunto con
dos operaciones binarias denotadas por + y
que es grupo abeliano para la suma, que el
producto es asociativo con elemento neutro
y distributivo respecto a la suma . . 7, 12, 69
Anillo conmutativo. Anillo en el cual el
producto es conmutativo . . . . . . . . . . 7, 14, 22
Asociatividad. Propiedad de algunas
operaciones binarias que consiste en que
a (b c) = (a b) c
para cualesquiera elementos a, b y c del
conjunto en el cual est a denida la opera
ci on . . . . . . . . . . . . . . . . . . . . . . . . 3, 13, 19, 68, 76
Asociatividad del producto por escalares.
Axioma de espacio vectorial:
(a) = () a . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Automorsmo. Endomorsmo biyectivo . 13
Automorsmo de Frobenius.
La funci on K 3 x 7 x
p
K donde K es
un campo nito de caracterstica p > 0. . 21
Automorsmo semilineal.
Transformaci on semilineal biyectiva de un
espacio en si mismo. . . . . . . . . . . . . . . . . . . . . . 87
Base. Conjunto de vectores que es generador y
LI. Conjunto generador minimal. Conjunto
LI maximal . . . . . 39, 43, 47, 59, 71, 78, 113
Base can onica.
El conjunto de Nadas {e
i
| i N} donde la
j esima coordenada de e
i
es el delta de Kro
necker
ij
. . . . . . . . . . . . . . . . . . . . . . . . . 41, 75, 80
Base de las columnas. Conjunto
de columnas diferentes que son una base del
espacio de columnas . . . . . . . . . . . . . . . . . . . . 113
Base de los renglones. Conjunto
de renglones diferentes que son una base del
espacio de renglones . . . . . . . . . . . . . . . . . . . . 113
Base de una matriz. Submatriz no singular
maximal por contenci on. . . . . . . . . . . 114, 120
Binomio de Newton.
F ormula para expandir (x +y)
n
. . . . . . . . . 21
Cadena.
Subconjunto de un conjunto ordenado que
est a totalmente ordenado. . . . . . . . . . . . . . *, 59
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 . 102
Campo. Anillo conmutativo en
el cual todo elemento diferente de cero tiene
inverso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8, 15, 16
Campo algebraicamente cerrado.
Campo en el cual todo polinomio de gra
do al menos uno tiene una raz. Campo el
cual los polinomios irreducibles son todos
de grado uno . . . . . . . . . . . . . . . . . . . . . . . . . 10, 45
Campo ordenado. Campo con una relaci on
de orden en el cual todo elemento es com
parable con el cero. Los elementos mayores
que cero se les llama positivos y los menores
que cero negativos. Los axiomas que debe
cumplir la relaci on de orden son:
1. El opuesto de un positivo es negativo,
2. El opuesto de un negativo es positivo,
136 cam coo
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
racterstica cero. Adem as, C no se puede or
denar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . *, 9, 104
Campo primo. Campo cuyo unico subcampo
es el mismo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Caracterstica de un campo.
Es cero si el campo contiene como sub
campo a Q. Es igual al n umero primo p
si el campo contiene como subcampo a
Z
p
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18, 96, 103
Cerradura lineal. El conjun
to de todas las combinaciones lineales de un
conjunto de vectores . . . . . . . . . . . . . 35, 43, 47
Ciclo. Permutaci on
del grupo sim etrico de N que cambia un
conjunto {x
0
, . . . , x
n1
} N seg un la regla
(x
i
) = x
i+1 mod n
y deja todos los dem as
elementos de N jos . . . . . 94, 100, 105, 112
Ciclos disjuntos. Ciclos tales
que los conjuntos de elementos que ellos no
dejan jos no se intersectan . . . . . . . . . . . . . . 94
Clases de equivalencia. Si es una
relaci 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 . . . . . . . . . *, 53, 60
Coalineaci on. Funci on biyectiva de
un espacio vectorial en si mismo que tal que
f y f
1
preservan subespacios anes. . . . . 88
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, 82
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Columna de una matriz. Dada una matriz
NM
y j Ma la Nada
Nj
(j est a jo, los
elementos de N varan) se le llama j esima
columna de la matriz
NM
. . . . . . . . . . 31, 74
Combinaci on lineal. Los vectores de
la forma
P
iN

i
i (donde solo un n umero
nito de los a
i
es diferente de cero) . 34, 47
Complemento algebraico. Cofactor . . . 104
Composici on de funciones.
Operaci on entre dos funciones que consiste
en aplicar primero una funci on y despu es la
otra . . . . . . . . . . . . . . . . . . . . . . . 13, 43, 68, 76, 93
Conjunto acotado inferiormente.
Conjunto que tiene una cota inferior. . . . . . *
Conjunto acotado superiormente.
Conjunto que tiene una cota superior . . . . . *
Conjunto generador. Conjunto
de vectores cuya cerradura lineal es todo el
espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36, 43
Conjunto inductivamente ordenado.
Conjunto ordenado no vaco dentro del cual
cada cadena tiene cota superior . . . . . . . . . . 59
Conjunto LD. Acr onimo de conjunto
linealmente dependiente . . . . . . . . . . . . . . . . . 37
Conjunto LI. Acr onimo de conjunto
linealmente independiente . . . . . . . . . . . . . . . 37
Conjunto linealmente dependiente.
Conjunto de vectores que no es LI . . . . . . . 37
Conjunto linealmente independiente.
Conjunto de vectores A tal que a A se
cumple que hA\ai 6= hAi. . . . . . . . . . . 37, 113
Conjunto ordenado. Conjunto en el cual
est a denida una relaci on de orden . . . *, 59
Conjunto totalmente ordenado.
Conjunto ordenado en el cual dos elementos
cualesquiera son comparables . . . . . . . . . . . . *
Conmutatividad. Propiedad de algunas
operaciones binarias que consiste en que
a b = b a
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 . . . . . . . . . 64
Coordenada. De la nada (a
1
, a
2
, ..., a
n
) es
alguno de los a
i
. De la Nada a
N
es alguno
de los a
i
para i N . . . . . . . . . . . . . . . . . . . . . 28
Coordinatizaci on.
Dada una base N de F, es el isomorsmo
F 3
P
iN

i
i 7
N
K
{N}
. . . . . . . 44, 78
137 cot ext
Cota inferior. Una cota inferior de
un subconjunto A de un conjunto ordenado
B es un elemento b de B tal que cualquier
elemento de A es mayor o igual que B . . . *
Cota superior. Una cota superior de un sub
conjunto Ade un conjunto ordenado B es un
elemento b de B tal que cualquier elemento
de A es menor o igual que B. . . . . . . . . . *, 59
Determinante. El determinante de
NN
es
P
N
sgn
Q
iN

i
i
. . . . . . . 97, 21, 120
Determinante de un OL.
Determinante de su matriz en una base. No
depende de la base escogida . . . . . . . . . . . . 109
Diagrama. Reperesentaci on
gr aca de una familia de conjuntos y de fun
ciones entre ellos mediante la utilizaci on de
echas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Diagrama conmutativo. Diagrama en el cual
cualesquiera dos caminos dirigidos (que si
guen el orden de las echas) de un conjunto
a otro representan dos descomposiciones de
la misma funci on como composici on de las
funciones de las echas de los caminos . 80
Dilataci on. Homotecia cuyo escalar es un real
mayor que 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Dimensi on.
El cardinal de cualquier base 40, 48, 53, 83
Dimensi on de un subespacio afn. Si E es
una traslaci on del subespacio E entonces la
dimensi on de E es la dimensi on de E. . . . 53
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, 20, 68, 76
Distributividad del producto por escalares.
Axioma de espacio vectorial: (a +b) =
a +b y ( +) a =a+a . . . . . . . 27
Dominio de integridad.
Anillo conmutativo en el cual el producto de
elementos diferentes de cero es diferente de
cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15, 19
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, 82
Ecuaci on lineal. Ecuaci on
N
x
N
=
N
donde las Nadas
N
y
N
son conocidos y
el vector x
N
es inc ognito . . . . . . . . . . . . . . . 116
Ecuaci on matricial. Ecuaci on AX = B
donde la matrices A y B son conocidas y la
matriz X es inc ognita. . . . . . . . . . . . . . . . . . . . 123
Elemento maximal.
Elemento tal que cualquier otro no es mayor
que el . . . . . . . . . . . . . . . . . . . . . . . . . *, 38, 59, 114
Elemento minimal. Elemento tal que
cualquier otro no es menor que el. . . . . *, 38
Elementos comparables. Dos elementos a y
b de un conjunto ordenado para los cuales o
a b o b a o los dos . . . . . . . . . . . . . . *, 39
Endomorsmo. Morsmo cuyo dominio y
codominio coinciden . . . . . . . . . . . . . . . . . . . . . 13
Entensi on lineal de una funci on. Extensi on
que es transformaci on lineal. Si la funci on
tiene como dominio una base, entonces la
extensi on lineal existe y es unica . . . . . . . . 70
Entrada de una matriz.
Coordenada de una NMada . . . . . . . . . . . . 31
Epimorsmo. Morsmo sobreyectivo. . . 13
Escalar. Elemento del cam
po (la escala!) sobre el cual est a denido el
espacio vectorial . . . . . . . . . . . . . . . . . . . . . 25, 27
Espacio cociente. Si
E es un subespacio de F entonces, el espa
cio cociente F/E es el conjunto de todos los
subespacios anes paralelos a E dotado con
la suma de subespacios anes y el producto
de subespacios anes por escalares . . 54, 85
Espacio de columnas. El espacio generado
por las columnas de una matriz . . . . . . . . . 113
Espacio de renglones. El espacio generado
por los renglones de una matriz. . . . . . . . . 113
Espacio vectorial. Grupo abeliano
con un producto por escalares distributivo,
asociativo y con neutro. . . 27, 45, 51, 54, 67
Extensi on de una funci on.
138 for iso
Si f es una restricci on de g entonces g es
una extensi on de f. . . . . . . . . . . . . . . . . . . . . . . . 70
F ormula multinomial. F ormu
la para expandir la nsima potencia de una
suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Funci on. Informalmente es una regla
o procedimiento mediante el cual para cada
elemento de un conjunto a podemos obtener
(calcular) otro unico elemento f (a) de otro
conjunto y que llamamos la imagen de a
mediante la funci on f. Formalmente, una
funci on f : A B es un subconjunto del
producto cartesiano f AB que cumple
que para cualquier a A existe una unica
pareja (a, b) f. . . . . . . . . . . . . . . . . . . . . . . . . . . *
Funci on antipodal. La funci on x 7x . 64
Funci on biyectiva. Funci on inyectiva. y
sobreyectiva . . . . . . . . . . . . . . . . . . . . . . *, 93, 102
Funci on identidad. La que a todo elemento
le corresponde el mismo . . . . . . . . . . . . . . . . . 64
Funci on inversa. La inversa de una
funci on f : A B es una funci on g tal que
f g = I
B
y g f = I
A
. Una funci on tiene
inversa si y solo si esta es biyectiva. . . *, 43
Funci on inyectiva. Cada elemento de la
imagen tiene una unica preimagen. . . . *, 83
Funci on nula. La que a todo elemento le
corresponde el cero . . . . . . . . . . . . . . . . . . . . . . 64
Funci on sobreyectiva. Funci on tal que su
imagen coincide con su codominio . . . *, 84
Funcional. Funci on de un espacio vectorial
en su campo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Funcional bilineal.
Funcional lineal en sus dos variables . . . 106
Funcional lineal.
Funcional que es una TL. . . . . . . . . . . . . . . . 106
Funcional lineal en una variable.
Funci 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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Funcional multilineal.
Funcional lineal en todas sus variables . 106
Grupo. Conjunto con una ope
raci on binaria asociativa que tiene elemento
neutro y en el cual todo elemento tiene in
verso. . . . . . . . . . . . . . . 7, 11, 14, 16, 55, 70, 93
Grupo abeliano. Grupo en el cual la
operaci on es conmutativa . . . . . . . . . . . . . . . . . 7
Grupo alternante.
El subgrupo (del grupo sim etrico) de todas
las permutaciones pares . . . . . . . . . . . . . . . . . . 96
Grupo general lineal. El grupo de auto
morsmos de un espacio vectorial. El grupo
de operadores lineales no singulares. . . . . 69
Grupo sim etrico.
El grupo de todas las permutaciones con la
operaci on de composici on . . . . . . . . . . . . . . . 93
Homotecia. Transformaci on
lineal que consiste en la multiplicaci on por
un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Idempotencia. Propiedad de una funci on que
consiste en que f f = f
2
= f . . . . . . . . . . . 35
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 Imf . . . . . . . . *, 82
Imagen de una matriz.
La imagen de su transformaci on lineal.
Su espacio de columnas . . . . . . . . . . . . . . . . . 119
Inmo.
El m aximo de las cotas superiores . . . . . . . . *
Inmersi on. Restricci on de la funci on
identidad a un subconjunto . . . . . . . . . . 65, 83
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
tonces este es unico. En los anillos y campos
es el inverso para el producto . . . . . . . . . . . . . 5
Isomorsmo. Morsmo biyec
tivo. La inversa de cualquier isomorsmo es
tambi en un isomorsmo . . . . . . . . . . . . . 12, 49
Isomorsmo can onico. Isomorsmo cu
ya construcci on no depende de escoger algo
(una base, un complementario, etc.) . 49, 54
139 iso mor
Isomorsmo de espacios vectoriales.
Transformaci on lineal biyectiva . . . . . 43, 72
Isomorsmo lineal.
Isomorsmo de espacios vectoriales. . . . . 43
Matriz. Es una NMada o sea un conjunto
indexado por dos conjuntos . . . . . . . . . . . . . . 31
Matriz ampliada.
Del sistema Ax = b es la matriz (A|b) . 118
Matriz cuadrada. Matriz con la misma
cantidad de columnas y renglones . . 103, 77
Matriz de cambio de base.
Escogidas dos bases V y N de un espacio
vectorial la matriz
NV
cuyas columnas son
los coecientes de las expresiones de la ba
se V como combinaci on lineal de la base N.
O sea, para cualquier v V se cumple que
v =
P
iN

iv
i. Si
V
son las coordenadas
de un vector en la base V entonces
NV
V
son las coordenadas del mismo vector en la
base N. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Matriz de permutaci 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
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 Ncomo combinaci on lineal de la base M.
O sea, para cualquier j N se cumple que
f (j) =
P
iM

ij
i . . . . . . . . . . . . . . . 76, 73, 79
Matriz del sistema. La matriz A del sistema
de ecuaciones lineales Ax = b . . . . . . . . . 117
Matriz diagonal. Matriz
MM
en la cual si
i 6= j entonces,
ij
= 0 . . . . . . . . . . . . . . . . . 111
Matriz diagonal por bloques. Matriz
MM
en la cual hay una partici on del conjunto de
ndices M
1
M
t
= M y que
ij
= 0
si i y j pertenecen a bloques diferentes . 111
Matriz identidad.
La matriz I
NN
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 . . . . . . 77, 98
Matriz inversa. La matriz cuadrada
MN
es la inversa de
NM
si
NM
MN
= I
NN
y
MN
NM
= I
MM
. Si ambos N y M son
nitos entonces, basta comprobar una de las
dos igualdades. Una matriz cuadrada tiene
inversa si y solo si su determinante es dife
rente de cero. . . . . . . . . . . . . . 77, 108, 113, 123
Matriz singular. Matriz cuadrada con
determinante igual a cero . . . . 103, 113, 117
Matriz triangular.
Matriz triangular por bloques en la cual cada
bloque es de cardinalidad 1 . . . . . . . . . . . . . 111
Matriz triangular inferior. Matriz
MM
en la cual M = {1, . . . , m} y tal que en su
representaci on gr aca todas las entradas por
encima de la diagonal son cero . . . . . . . . . 111
Matriz triangular por bloques. Matriz
MM
en la cual hay una partici on del conjunto de
ndices M
1
M
t
= M y que
ij
= 0
si i M
p
, j M
q
y p < q . . . . . . . . . . . . 111
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 . . . . . . . . . . 111
M aximo. El m aximo de
B es una cota superior que pertenece a A. Si
existe entonces, el m aximo es unico . . . . . . *
Mnimo. El mnimo de
B es una cota inferior que pertenece a A. Si
existe entonces, el mnimo es unico . . . . . . *
Monomorsmo. Morsmo inyectivo . . . 13
Monotona. Propiedad de una
funci on de un conjunto ordenado a otro que
consiste en que x y f (x) f (y) . . 35
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, 42
Morsmo de anillos.
140 mor pro
Funci on entre dos anillos que es morsmo
para la suma y para el producto. . . . . . . . . . 12
Morsmo de campos.
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 . . . . . . . . . . . . . . . . . . 42
Morsmo de grupos.
Morsmo cuyo dominio y codominios son
grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . 11, 93, 102
nada. Elemento (a
1
, a
2
, ..., a
n
) del
producto cartesiano A
n
. . . . . . . . . . . . . . . . . . 28
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 . . . . . . . . . . . . . . . . . . 29, 75
Neutro.
De una operaci on binaria es un elemento e
que cumple que ae = ea = a para cual
quier a del conjunto en el cual est a denida
la operaci on. Si una operaci on tiene neutro
entonces este es unico. . . . . . . . . . . . . . . . . . . . . 4
Nucleo de un morsmo. El el caso
de grupos la preimagen del neutro. Para ani
llos y espacios vectoriales la preimagen del
cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Nucleo de una matriz. El nucleo de su
transformaci on lineal. El conjunto soluci on
de un sistema de ecuaciones con vector de
coecientes libres igual a cero . . . . . . . . . . 119
Nucleo de una TL. La preimagen del cero 82
Nucleo trivial. Nucleo igual a {0} . . . . . 83
OL. Acr onimo de operador lineal . . . . . 68
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 . . . . . . . . . . . . . . . . . . . . . . 68
Operador singular. OL no biyectivo . . . 69
Opuesto. El inverso de un elemento de un
anillo o campo respecto a la suma . . . . . . . . 7
Orbita de una permutaci on. Clase

de equivalencia de la relaci on (a b)
(a =
n
(b)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Orden de un ciclo. El n umero de elementos
que un ciclo no deja jos. . . . . . . . . . . . . . . . . 94
Orden de una matriz.
El n umero de renglones y columnas de una
matriz cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . 103
Permutaci on. Biyecci on de un conjunto nito
en si mismo . . . . . . . . . . . . . . . . . . . . . . . . . 93, 102
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)
. . . . . . . . . . . . . 100
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
. . . . . . . . . . . . . 100
Permutaci on impar. Permutaci on
que se descompone en la composici on de un
n umero impar de transposiciones . . . . . . . . 96
Permutaci on par. Permutaci on
que se descompone en la composici on de un
n umero par de transposiciones . . . . . . . . . . . 96
Plano.
Subespacio afn de dimensi on dos . . . 53, 34
Preimagen de un elemento.
Sea b un elemento del codominio de f. La
preimagen de b es el conjunto de todos x en
dominio tales que f (x) = b. . . . . . . . . . . *, 82
Producto de matrices.
Si
MN
y
NL
son dos matrices entonces
ML
=
MN
N,L
es la matriz cuyas en
tradas son los productos escalares can onicos
ij
=
iN
Nj
de los renglones de
MN
por
las columnas de
NL
. . . . . . . . . . . . . . . . 74, 101
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
141 pro sub
ci on tal que (f) (a) = f (a) . . . . . . . . . . . 67
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Producto escalar. Producto bilineal de dos
vectores cuyo resultado es un escalar . . . . 74
Producto escalar can onico.
Producto escalar denido en K
{N}
como:
N
=
P
iN

i
i
. . . . . . . . . . . . . . . . . . . . 74
Proyecci on. Si C = AB entonces,
la funci on f : c = (a, b) 7 a se le llama
proyecci on de Ca Aa lo largo de B. En par
ticular, nosotros la usamos en el caso de que
E = FG (la suma directa es un producto
cartesiano!). En este caso las proyecciones
son TLs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65, 83
Punto. Subespacio afn de dimensi on cero 53
Rango de una matriz. El orden de sus bases.
La dimensi on de su espacio de columnas.
La dimensi on de su espacio de renglo
nes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Recta.
Subespacio afn de dimensi on uno. . . 53, 33
Regla del tablero de ajedrez. Regla mediante
la cual se hallan los signos de los cofactores
de una matriz en forma gr aca. El signo del
cofactor de
ij
es (1)
i+j
. . . . . . . . . . . . . . 105
Relaci on antisim etrica.
Si a b y b a entonces, a = b . . . . . . . *
Relaci on de equivalencia. Relaci on
sim etrica, reexiva y transitiva. . . . . . . . *, 53
Relaci on de orden. Relaci on antisim etrica,
reexiva y transitiva. . . . . . . . . . . . . . *, 59, 114
Relaci on en un conjunto. Subconjunto del
producto cartesiano AA = A
2
. . . . . . . . *
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
NM
e i N a la Mada
iM
(i est a
jo, los elementos de M varan) se le llama
i esimo rengl on de la matriz
NM
. . 31, 74
Restricci on de una funci on.
Una funci on f : A
0
B se le llama restric
ci on de g : A B si A
0
A y para cual
quier a A
0
se cumple f (a) = g(a) . . . 70
Serie. Expresi on formal del
tipo
P
i=0
a
i
x
i
. A los elementos del campo
a
i
se le llaman coecientes de la serie. . . 28
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116, 84
Soporte. De una funci on f es
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 . . . . . . . . . . 30, 34, 44
Subanillo. Subconjunto de un anillo que
es un anillo para las mismas operaciones del
anillo m as grande . . . . . . . . . . . . . . . . . . . . . . . . 17
Subcampo. Subconjunto de
un campo que es un campo para las mismas
operaciones del campo m as grande . . 17, 30
Subespacio. Subconjunto
de un espacio vectorial que es a su vez es
pacio vectorial para las mismas operaciones
que las de todo el espacio . . . . 32, 46, 50, 82
Subespacio afn.
Traslaci on de un subespacio . . . . . 52, 66, 86
Subespacio generado. Cerradura lineal . . 35
Subespacios anes paralelos.
Dos subespacios anes son paralelos si uno
es traslaci on del otro . . . . . . . . . . . . . . . . . . . . . 53
Subespacios complementarios.
142 sub vec
Dos subespacios cuya suma es todo el
espacio y cuya intersecci on es el ori
gen. . . . . . . . . . . . . . . . . . . . . . . . 50, 52, 54, 65, 83
Subgrupo. Subconjunto
de un grupo que es un grupo para la misma
operaci on del grupo m as grande . . . . . . . . . 17
Submatriz. Dada una matriz
NM
a cualquier
matriz
N
0
M
0 tal que N
0
N y M
0
M se
le llama submatriz de
NM
. . . . . . . . . 32, 114
Sucesi on. Elemento (a
0
, a
1
, ..., a
n
, ...) del
conjunto A
de funciones f : N A . . . 28
Suma de conjuntos.
Si A y B son conjuntos y entre sus elemen
tos hay una operaci on de suma entonces:
A+B = {a +b | a A y b B} . . . . . . 47
Suma de funciones.
Si en el codominio mutuo de f y g est a de
nida una suma entonces f + g es la funci on
tal que ( +g) (a) = f (a) +g(a) . . . . . 67
Suma directa de espacios. El produc
to cartesiano de los subespacios con la suma
denida por coordenadas y tambi 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 . . . . . . . . . . . . . . . . . . . . . . . 48
Supremo. El mnimo de las cotas inferiores *
Tensor de exponente n. Un conjunto
indexado por n conjuntos de ndices . . . . 32
TL. Acr onimo de transformaci on lineal . . 63
Transformaci on elemental. Una trans
formaci on elemental de los renglones de una
matriz consiste en sumarle a un regl on otro
multiplicado por un escalar. An alogamente
se denen las transformaciones elementales
de las columnas . . . . . . . . . . . . . . . . . . . . . . . . . 120
Transformaci on lineal. Morsmo de
espacios vectoriales . . . . . . . . . . . . . . 42, 63, 70
Transformaci on lineal de una matriz.
Dada la matriz
MN
es la funci on:
K
N
3
N
MN
N
K
M
. . . . . . . . . . . 75
Transformaci on semilineal. Funci on de un
espacio vectorial a otro que es morsmo pa
ra la suma y que cumple que f (x) =

f (x)
para cierto automorsmo 7

del campo
de escalares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Transposici on. Ciclo de orden dos . . . . 95
Transpuesta. Matriz que se obtiene de otra
intercambiando los subndices de sus entra
das, o sea si A =
NM
y A
T
= B =
MN
entonces
ij
=
ji
. . . . . . . . . . . . . . . . . . . . . . . 99
Traslaci on de un conjunto de vectores.
Si Aes un conjunto de vectores y x otro vec
tor entonces A+x es la traslaci on de A con
el vector x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Vector. Elemento de un espacio vectorial. En
R
n
son los segmentos dirigidos del origen a
un punto del espacio . . . . . . . . . . . . . . . . . 25, 27
Vector columna.
Matriz con una sola columna . . . . . . . . . . . . 75
Vector de coecientes libres. El
vector b del sistema de ecuaciones lineales
Ax = b. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Vector rengl on.
Matriz con un solo rengl on . . . . . . . . . . . . . . 75
Para todo.
Existe.
! Existe y es unico.
P Q 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.
b B b pertenece a B.
B 3 b B contiene a b.
A B A es subconjunto de B.
A B A es sobreconjunto de B.
A 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.
2
A
El conjunto de todos los subcon
juntos del conjunto A. El conjunto
de todas las funciones
f : A {0, 1}.
A
n
El producto cartesiano de A con
sigo mismo n veces. El conjunto
de todos las nadas (a
1
, . . . , a
n
)
donde todos los a
i
est an en A.
A
N
El conjunto de todas las funciones
f : N A. El conjunto de todos
las Nadas a
N
donde i N el
elemento a
i
pertenece a A. Si N =
{1, . . . , n} entonces A
N
= A
n
.
0 El vector cero. El origen de coor
denadas.
0 Cero es elemento neutro para la
suma de un anillo o campo.
1 Uno es el elemento neutro para el
producto de un anillo o campo.
1 Menos uno es el opuesto de 1 en
un anillo o campo.
I
NN
Matriz identidad.
I La funci on identidad. La permuta
ci on identidad
O La funci on nula. La matriz nula
0
El cardinal de N.
K Un campo arbitrario.
K
n
El espacio de las nadas.
K
N
El espacio de las Nadas.
K[x] El algebra de polinomios en la va
riable x con coecientes en K.
K[[x]] El algebra de series en la variable
x con coecientes en K.
K(x) El campo de funciones racionales
en x con coecientes en K.
N El conjunto de los naturales.
Z El anillo de los enteros.
Z
n
El anillo de restos m odulo n.
Para n primo Z
n
es un campo.
Q El campo de los racionales.
R El campo de los reales.
C El campo de los complejos.
S
N
El grupo sim etrico de N.
144 Notaciones
A
N
El grupo alternante de N.
A
N
Las permutaciones impares de N.
f : A B
Una funci on que tiene dominio A
y codominio B.
f : A 3 a 7f (a) B
Usada para denotar funciones con
cretas por ejemplo,
f : R 3 a 7a
2
R
+
es la funci on con dominio R y co
dominio R
+
que a cada real le hace
corresponder su cuadrado.
pmod 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.
lmz
k
El lmite de la sucesi on {z
k
}.
dimE La dimensi on de E.
sgn El signo de la permutaci on .
det A El determinante de la matriz A.
Imf La im agen de la funci on f.
ker f El nucleo del morsmo f.
A+B La suma de dos conjuntos de vec
tores.
A El producto de un escalar por un
conjunto de vectores.
A+x El conjunto de vectores A trasla
dado mediante el vector x. Si A es
un subespacio entonces, es un sub
espacio afn.
EF 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.
MN
Una matriz cuyos renglones est an
indexados por M y cuyas colum
nas est an indexadas por N.
ij
La entrada
ij
de una matriz
MN
.
iN
El i esimo rengl on de la matriz
NM
.
Mj
La j esima columna de la matriz
NM
.
M(N)
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 .
(M)N
Lo mismo que el anterior pero pa
ra los renglones
ij
El cofactor de la entrada
ij
de una
matriz cuadrada.
A
La matriz de cofactores de A.
A
T
La matriz transpuesta de A.
(A|b) La matriz ampliada del sistema
Ax = b.
145 Notaciones
Alfabeto g otico
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
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
Alfabeto griego
A B E Z H I

alfa beta gamma delta epsilon zeta eta zita iota
K M N O P
o
kappa lamda mu nu xi omicron pi ro sigma
T X

tau upsilon chi psi omega
146
Captulo 1
1. Dena los siguientes conceptos:
Operaci 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 Z
n
.
13. (Z
n
, +, ) es un anillo conmutativo.
14. Todo campo es un dominio de integridad.
15. Z
n
es un dominio de integridad si y solo si
n es primo.
16. Todo dominio de integridad nito es un
campo.
17. Denici on de subcampo.
18. Denici on de campo primo
19. Todo campo Kcontiene un unico subcampo
primo que est a contenido en cualquier sub
campo de K.
20. Q es un campo primo.
21. Los campos Z
p
son primos.
22. Teorema de Clasicaci on de Campos Pri
mos.
23. Dena la caracterstica de un campo.
24. En un campo de caracterstica t para cual
quier elemento x se cumple que tx = 0 .
25. Demuestre la f ormula del binomio de New
ton en base a la f ormula multinomial.
Captulo 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 N.
La intersecci on de todos los subespacios
que contienen a N.
El subespacio m as peque no que contiene
a N.
11. Propiedades b asicas de la cerradura lineal:
148 Gua de estudio
incremento,
monotona,
idempotencia.
12. Todo sobreconjunto de un conjunto genera
dor es generador.
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 dimE =
dimF < 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 K
n
.
27. El n umero de elementos en un campo nito
es potencia de un n umero primo.
28. hE Fi = {a +b | a E, b F}
29. La igualdad modular (incluye la demostra
ci on del lema).
30. Si E y F son subespacios tales que E F =
{0} entonces la funci on
E F 3 (a, b) 7a +b E + F
31. Que es un isomorsmo can onico. Demues
tre que E F y F E son can onicamente
isomorfos.
32. Todo subespacio tiene complementario.
33. Si E y F son dos subespacios complemen
tarios entonces cada vector x se expresa de
forma unica como x = a +b donde a E
y b F.
34. Dena los subespacios anes.
35. Que es el paralelismo de subespacios a
nes?
36. Todo subespacio afn es paralelo a un solo
subespacio vectorial.
37. Dos diferentes subespacios anes paralelos
no se intersectan
38. Que es el espacio cociente? Cuales son
sus operaciones?
39. Cualquier subespacio complementario a E
intersecta al subespacio afn (E +x) en un
solo punto.
40. D/Ees can onicamente isomorfo a cualquier
complementario de E.
Captulo 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
algebras. Que es el grupo general lineal?
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 h
N
F
N
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.
149 Gua de estudio
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.
18. Dena las matrices de cambio de base.
19. La Nada de las coordenadas de un vector
en la base nueva se obtiene multiplicando la
matriz de cambio de base por la Vada de las
coordenadas del vector en la base vieja.
20. Sea f : E F una TL. Sean B y C matrices
de cambio de base en E y F respectivamen
te. Si A es la matriz de f en las bases viejas
entonces CAB
1
es la matriz de f en las ba
ses nuevas.
21. Propiedades principales de la transpuesta de
una matriz.
22. Dena la transpuesta de una TL.
23. La transpuesta de una inmersi on es una pro
yecci on.
24. Denici on de nucleo e im agen de una TL.
25. La im agen y el nucleo son subespacios.
26. Una TL es injectiva si y solo si su nucleo es
trivial.
27. Si K es un subespacio complementario a
ker f entonces, la restricci on de f a K es in
yectiva.
28. Pruebe que dimImf = dimImf
T
y que
dimker f = dimker f
T
.
29. Sean E y F dos espacios tales que dimE =
dimF < . Una TL de E a F es inyectiva
si y solo si es sobreyectiva.
30. Los subespacios anes paralelos a ker f son
precisamente los conjuntos de vectores en
que la TL f es constante.
Captulo 4
1. Si |M| = |N| entonces, los grupos sim etri
cos S
M
y S
N
son isomorfos.
2. El n umero de permutaciones de un conjunto
con n elementos es n!.
3. Que son las orbitas de una permutaci on.
4. La restricci on de una permutaci on a una
orbita es un ciclo.
5. Denici on de permutaciones pares e impa
res. Denici on del signo.
6. La composici on de una permutaci on con
una transposici on cambia la paridad de la
permutaci on.
7. Toda permutaci on es composici on de trans
posiciones.
8. Pruebe que sgn ( ) = sgn sgn y que
sgn
1
= sgn .
9. Denici on de determinante de una matriz.
Regla del tri angulo para los determinantes
de orden 3.
10. El determinante de la matriz identidad es 1.
11. Si una matriz tiene una columna o un ren
gl on nulo entonces, su determinante es cero.
12. El determinante no se altera al transponer
una matriz.
13. Si una matriz tiene dos columnas iguales en
tonces, su determinante es cero.
14. Al permutar las columnas o los renglones de
una matriz con la permutaci on el determi
nante se altera por un factor igual a sgn .
15. Si y son dos cambios de ndices de N
en M entonces, se cumple la igualdad:
det
M(N)
= sgn
det
M(N)
.
16. Denici on de matriz no singular.
17. 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.
18. Teorema de expansi on de Laplace.
19. Denici on de funcional multilineal
20. El determinante es un funcional multilineal
de los renglones.
21. det A
1
= (det A)
1
.
22. A
1
= A
T
/ det A.
23. El determinante de un OL no depende de la
base que se use para calcularlo.
24. Enuncie la expansi on generalizada de La
place
150 Gua de estudio
25. El determinante de una matriz triangular por
bloques es igual al producto de los determi
nantes de sus bloques.
26. Enuncie la caracterizaci on de matrices no
singulares.
27. Las dimensiones del espacio de columnas y
del espacio de renglones de una matriz co
inciden.
28. Lema de aumento de submatrices no singu
lares.
29. Caracterizaci on de las bases de una matriz
30. Regla de Cramer.
31. Teorema de existencia de soluciones.
32. Lema de eliminaci on de ecuaciones depen
dientes.
33. Describa el procedimiento general de solu
ci on de los sistemas de ecuaciones lineales.
34. Las transformaciones elementales no cam
bian los determinantes.
35. Las transformaciones elementales de los
renglones de la matriz ampliada no cambian
el subespacio afn soluci on de un sistema de
ecuaciones lineales.
36. Resuelva un sistema de ecuaciones lineales
por el m etodo de Gauss.
37. Encuentre la inversa de una matriz por el
m etodo de eliminaci on de Gauss

Algebra Lineal: Jorge Luis Arocha

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Lineal: Jorge Luis Arocha

Cargado por

Copyright:

Formatos disponibles

Algebra Lineal

Jorge Luis Arocha

Algebra Lineal para estudiantes

(28). El espacio de series K[[x]] (28). El espacio de funciones K

son elementos de un conjunto con una suma

= {1, 2, 3, ...} y en el conjunto

de los n umeros enteros denimos la suma como

es un grupo, si (A, +, ) es un anilloentonces,

tambi en es un anillo conmutativo. Ser a K

n es un natural o no es racional. [126]

ciente por coeciente. Tambi en sabemos multiplicar un

Dos sucesiones se suman por coordenadas como se muestra

multiplicar por un escalar se multiplican todos los coe

es una Nada de soporte nito entonces, nece

tos LI la podemos ver intuitivamente en la gura a la derecha.

se les llama homotecias.

es la dilataci on de raz on . Si 0 < < 1 entonces h

es realmente una contracci on

con < 0 se puede representar como h

y por denici on de producto escalar de vectores tenemos

dos TLs. Sean

81 Secci on 3.5 Cambios de base

correspondiente. Sea A una base de F. Por el Teorema de Existencia

no necesariamente es un automorsmo. A las transformaciones semilineales f : E E

a y la prueba termina al observar que 7

un automorsmo del campo K. Pruebe que la transformaci on K

I y (1, 2). A la primera le corresponde el sumando

tar las columnas de

recuadro a la derecha. La matriz de que permutaci on es

y por las propiedades de la funci on signo se tiene

= sgn ^ sgn ^ . Luego det

longitud impar tiene signo positivo obtenemos sgn = (1)

ca muy sencilla. Si se quiere sacar el complemento algebraico de

po. Ser a el determinante una TL? Se cumplir a que det (A+B) =

Lo contenido en el primer par entesis es det

a la izquierda haciendo la expansi on generalizada de Laplace por el con

do J = {2, 4}. Para ellos podemos extraer del tablero de aje

tar X = M\ I y Y = N\ J y pensar que

del sistema. Otra manera de descri

y por lo tanto la soluci on de este sistema es x

. Por otro lado, la exponencia

2 < 2 y por lo tanto

= 0 lo que no puede ser, o sea si f (a) = 0 entonces a = 0. Luego, si f (x) = f (y)

son diferentes y la funci on

(a +bi +cj +dk)

awm as bc. La prueba para la otra

Ejercicio 63 (Secci on 3.4 p agina 77) Para cualesquiera n N y k K tenemos

es biyectiva. Adem as, tenemos

Algebra. Espacio vectorial con un producto

Orbita de una permutaci on. Clase

También podría gustarte