Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Álgebra Superior-I-Lascurain PDF
Álgebra Superior-I-Lascurain PDF
Superior I
30 de noviembre de 2011
Pr
ologo
II
Por otro lado, el libro Algebra superior, de Cardenas et al. [2] es, de alguna
manera, bastante bueno. Esto se debe, en parte, a que contiene ejemplos muy
didacticos, como son los de la baraja inglesa. Otra cualidad que presenta, es
la de estar ordenado conforme al temario vigente. Sin embargo, desde que
se edito, hace ya mas de cuarenta a
nos, solo se han hecho reimpresiones
(sin revision), y no parece que se vaya a actualizar. Este hecho, junto con la
demanda de mis estudiantes por mis notas manuscritas, motivo la elaboracion
del presente libro, el cual retoma varios de los ejemplos de [2], pero enmarca la
teora en un discurso matematico mas actual. Cabe se
nalar que esta materia
tiene un alto ndice de reprobacion, ya que un sector amplio de los estudiantes
viene de la preparatoria con una formacion deficiente, por lo que un texto
de apoyo como el presente puede coadyuvar a mejorar el aprovechamiento de
los alumnos.
El presente texto, basado principalmente en el de Cardenas et al [2], pretende presentar los temas de manera simple y rigurosa. En la parte inicial se
hace enfasis en algunos aspectos de la logica formal, con el objeto de describir
la simbologa y facilitar el manejo de las pruebas formales en matematicas.
En la parte de combinatoria se hace claramente la diferencia de la parte formal y de la intuitiva. En general, se subraya la relacion con otras ramas como
el calculo y la geometra analtica, por ejemplo, en el captulo del espacio vectorial Rn , se hace una breve descripcion de las ecuaciones de los planos; en el
captulo de determinantes, se proporcionan tambien las ideas geometricas de
este tema. Ademas, en el captulo de ecuaciones, probando algunos teoremas
simples de algebra lineal, se demuestran de manera rigurosa los resultados
necesarios para resolver cualquier sistema de m ecuaciones con n incognitas; la inclusion de estos resultados, faciles de probar, ciertamente aclaran al
estudiante el tema, el cual se entiende mejor a la luz de la teora que mediante una aplicacion mecanica de algoritmos. Finalmente, en el captulo de
los enteros se prueba formalmente que los conjuntos Zm son en efecto anillos.
En este libro aparecen tambien algunos temas mas avanzados que no forman parte del material basico que se pretende cubrir en un curso dise
nado
para el primer semestre de la carrera, la razon de incluirlos es motivar a los
estudiantes. Por ejemplo, la discusion del significado geometrico del determinante ciertamente es un tema mas avanzado, por lo que se sugiere verlo al
final del curso y no incluirlo como tema por examinar.
En resumen, el espritu del libro es proporcionar a los alumnos un texto
breve, simple, formal, que pone enfasis en que las matematicas no son ramas
aisladas, sino que interact
uan unas con otras.
III
Los temas del libro se pueden cubrir en un semestre, una posible distribucion de ellos es la siguiente: 5 semanas para cubrir los primeros dos captulos
(conjuntos, funciones, induccion, relaciones de equivalencia y combinatoria);
otras 5 semanas para estudiar el espacio vectorial Rn , las matrices y las
permutaciones; las siguientes 5 semanas para los temas de los determinantes
(aspectos algebraicos), las ecuaciones y los enteros; y la u
ltima semana para
la interpretacion geometrica del determinante.
Contenido
1. Fundamentos
1.1. Conjuntos . . . . . . . . . . . . . . . . . . . . . .
1.2. Subconjuntos . . . . . . . . . . . . . . . . . . . .
1.3. Operaciones con conjuntos . . . . . . . . . . . . .
1.4. Producto cartesiano . . . . . . . . . . . . . . . . .
1.5. Relaciones . . . . . . . . . . . . . . . . . . . . . .
1.6. Funciones . . . . . . . . . . . . . . . . . . . . . .
1.7. Composicion de funciones . . . . . . . . . . . . .
1.8. Funciones inyectivas, suprayectivas y biyectivas
1.9. Cardinalidad y conjuntos finitos . . . . . . . . . .
1.10. Induccion matematica . . . . . . . . . . . . . . .
1.11. El teorema del binomio . . . . . . . . . . . . . . .
1.12. Relaciones de equivalencia y particiones . . . . . .
1.13. Estructuras numericas y algebraicas . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
2
3
8
9
10
12
15
17
19
21
23
28
2. C
alculo combinatorio
2.1. Ordenaciones con repeticion (version intuitiva) . . . . . . . . .
2.2. Ordenaciones (version intuitiva) . . . . . . . . . . . . . . . . .
2.3. Permutaciones (version intuitiva) . . . . . . . . . . . . . . . .
2.4. Combinaciones . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5. Funciones (2a visita) . . . . . . . . . . . . . . . . . . . . . . .
2.6. Funciones inyectivas, suprayectivas y biyectivas (2a visita)
2.7. Ordenaciones con repeticion (version formal) . . . . . . . . . .
2.8. Ordenaciones (version formal) . . . . . . . . . . . . . . . . . .
2.9. Permutaciones (version formal) . . . . . . . . . . . . . . . . .
2.10. Combinaciones y coeficientes binomiales . . . . . . . . . . . .
31
31
32
33
34
36
39
41
43
45
46
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
VI
Contenido
3. El espacio vectorial Rn
3.1. Vectores y sus operaciones . . . . . . . . . . . . . . . . . .
3.2. Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3. Subespacios vectoriales . . . . . . . . . . . . . . . . . . . .
3.4. Combinaciones lineales, dependencia e independencia lineal
3.5. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
53
53
60
63
69
74
4. Matrices y determinantes
4.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2. El rango de una matriz . . . . . . . . . . . . . . . . . . . . . .
4.3. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4. Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5. Propiedades de los determinantes . . . . . . . . . . . . . . . .
4.6. Desarrollo por menores . . . . . . . . . . . . . . . . . . . . . .
4.7. Calculo de determinantes . . . . . . . . . . . . . . . . . . . . .
4.8. Caracterizacion del rango de una matriz usando determinantes
4.9. El determinante como area o volumen . . . . . . . . . . . . . .
81
81
83
88
93
95
102
107
109
113
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
121
121
123
126
132
136
138
6. Los
6.1.
6.2.
6.3.
6.4.
6.5.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
147
147
148
152
155
158
anillos Z y Zm
Anillos . . . . . . . . . . .
Anillos Zm . . . . . . . .
Propiedades de los enteros
Orden y unidades en Z . .
Principio de induccion . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captulo 1
Fundamentos
1.1.
Conjuntos
1.2. Subconjuntos
1.2.
Subconjuntos
Definici
on 1 Sean A y B conjuntos, se dice que B es un subconjunto de
A, si cada elemento de B lo es tambien de A, se denota B A, en caso
contrario se escribira B 6 A.
Observese que si B A, se tiene x B x A y, viceversa, si
para todo x B se tiene x A, entonces B A. En general, cuando la
proposicion P se cumple si y solo si se cumple la proposicion Q, escribiremos
P Q.
1. Fundamentos
1.3.
x B}.
Definici
on 3 La intersecci
on de dos conjuntos A y B se define como
A B = {x | x A y x B}.
De nuevo se sigue de manera inmediata que
iv) A B A, A B B,
v) A B = B A (conmutatividad),
vi) (A B) C = A (B C) (asociatividad).
Como antes se pueden quitar los parentesis.
AB
AB
x A y x (B C)
x A y (x B o x C)
(x A y x B) o (x A y
x (A B) (A C).
x C)
1. Fundamentos
A (B C) :
Se tiene A B A y A C A, ademas A B B B C y
A C C B C, por lo cual
(A B) A (B C) y
(A C) A (B C).
B
A
A B B c Ac
1. Fundamentos
(A B)c = Ac B c
(A B)c = Ac B c
x
x
x
x
(A
A
Ac
Ac
B)
o x 6 B
o x Bc
Bc.
Otra demostracion de
(A B)c Ac B c :
Se tiene A B A y A B B, por lo que (A B)c Ac y
(A B)c B c , entonces
(A B)c Ac B c .
Definici
on 5 La diferencia entre dos conjuntos A y B es el conjunto:
A B = {x | x A
x 6 B}.
Notese que A B = A B c .
Proposici
on 1.3.3 A (B C) = (A B) (A C).
n.
Demostracio
A (B C) =
=
=
=
A (B C)c
A (B c C c )
(A B c ) (A C c )
(A B) (A C).
EJERCICIOS 1.3
1. Demuestre la Proposicion 1.3.1 viii).
2. Demuestre la Proposicion 1.3.2 xiii).
1.4.
Producto cartesiano
Definici
on 6 Sea A un conjunto, las parejas ordenadas de A son aquellas
de la forma (a, b), tal que a A y b A.
Por ejemplo, el plano cartesiano consiste de las parejas ordenadas de reales:
R R = {(x, y) | x, y R}.
Si A = {1, 2} las parejas ordenadas de A son (1, 1), (1, 2), (2, 1), (2, 2).
Tambien se pueden considerar parejas ordenadas de un par de conjuntos
A y B, de tal manera que el primer termino este en A y el segundo en B.
b B}.
1. Fundamentos
1.5.
Relaciones
Definici
on 8 Sean A y B conjuntos, una relaci
on entre A y B es un
subconjunto del producto cartesiano.
Por ejemplo, si A = {a} y B = {1, 2}, A B tiene 2 relaciones
de un elemento R1 = {(a, 1)} y R2 = {(a, 2)}, tambien tiene una sola
relacion de 2 elementos (la total) R3 = {(a, 1), (a, 2)}, finalmente contiene
la relacion vaca, i.e., , por lo que A B tiene exactamente 4 relaciones.
Por convencion el vaco es subconjunto de todo conjunto A, ya que x ,
se tiene x A.
significa para todo.
Encontramos ahora las relaciones entre A y B, donde A = {a, b} y
=
=
=
=
=
=
=
=
{(a, 1)},
{(a, 2)},
{(b, 1)},
{(b, 2)},
{(a, 1), (a, 2)},
{(a, 1), (b, 1)},
{(a, 1), (b, 2)},
{(a, 2), (b, 1)},
10
1.6. Funciones
Definici
on 9 El dominio de una relaci
on R A B se define como:
DR = {a A | b B, (a, b) R}.
significa existe.
En los ejemplos anteriores se tiene
DR5 = {a},
DR7 = A,
DR3 = {b}.
Definici
on 10 La imagen de una relaci
on R A B se define como:
IR = {b B | a A,
tal que
(a, b) R}.
IR5 = B,
IR2 = {2}.
1.6.
Funciones
b B (a, b) R.
o A B
11
1. Fundamentos
Ejemplos
1. Retomando los ejemplos de la seccion anterior A = {a, b} y B = {1, 2},
se tiene que R8 = { (a, 2) , (b, 1) } es una funcion, sin embargo
R2 = {(a, 2)} y R10 = {(b, 1), (b, 2)} no lo son por que?
2. f : N N dada por la regla de correspondencia f (n) = n2 + 1 es
una funcion.
3. Sean A = {seres humanos}, B = {paises}, f : A B la relacion
que a cada persona le asocia su pais de nacimiento, y g : A B la
relacion que a cada persona le asocia su nacionalidad. Entonces, f es
funcion pero g no lo es por que?
4. Sea A cualquier conjunto, la relacion 1A : A A que tiene la regla
de correspondencia 1A (x) = x, x A llamada funcion identica es
una funcion.
Observese que 2 funciones
f : A B
y g : C D
12
n de funciones
1.7. Composicio
Ejemplos
1. Sean A = {1, 2}, B = {a, b}, f : A B dada por f (1) = a, y
f (2) = a, entonces Im f = {a}.
2. Sea f : N {0} N dada por f (n) = n + 1, entonces Im f = N.
Observese que Im f siempre es un subconjunto del codominio. Trabajando con funciones cuyo codominio es un conjunto finito, y donde no es
necesario especificar el codominio, algunas veces conviene denotarlas de la
siguiente manera
a1 a2 an
f =
,
b1 b2 bn
donde A = {a1 , a2 , ..., an }, bi B
i, f : A B y f (ai ) = bi
i.
1.7.
Composici
on de funciones
13
1. Fundamentos
Ejemplos
1. Sean f : R R dada por f (x) = x2 + 1 y g : R R dada por
g(x) = 4x 1, entonces g f : R R y f g : R R estan
dadas por
g f (x) = g(x2 + 1) = 4(x2 + 1) 1 = 4x2 3,
y
gf =
a1 a2 a3
c1 c1 c2
.
g f (x) = g(x3 ) = 2.
y f IA = f.
Proposici
on 1.7.1 Sean f : A B, g : B C
funciones, entonces
h (g f ) = (h g) f,
h : C D
14
n de funciones
1.7. Composicio
x
,
2
Teorema 1.7.2 Si f tiene inverso izquierdo g1 e inverso derecho g2 , entonces g1 = g2 , i.e., f es invertible.
15
1. Fundamentos
1.8.
Funciones
biyectivas
inyectivas,
suprayectivas y
Definici
on 16 Una funcion f : A B se llama inyectiva si x1 , x2 A,
tales que x1 6= x2 , se tiene f (x1 ) 6= f (x2 ).
Ejemplos
1. f (x) = x + 1,
f : R R.
2. f (n) = 2n,
f : Z Z.
Es claro que estas funciones son inyectivas ya que mandan puntos distintos
en puntos distintos, sin embargo la funcion f : R R dada por f (x) = x2
no es inyectiva, ya que f (1) = f (1) = 1.
En general, si la afirmacion M dice x1 , x2 A, x1 6= x2 y la afirmacion
N dice f (x1 ) 6= f (x2 ), probar que f es inyectiva es mostrar que M N,
para esto (como ya se menciono) basta demostrar que N M, esto
es, f es inyectiva, si dados a1 , a2 A, tales que f (a1 ) = f (a2 ) se debe
tener a1 = a2 .
Por ejemplo, f (x) = 2x + 3 es inyectiva, ya que si 2x + 3 = 2y + 3,
entonces, 2x = 2y y x = y (esta es la forma mas com
un de probar que
una funcion es inyectiva).
16
Definici
on 17 Sea f : A B se dice que f es suprayectiva (o sobre) si
Imf = B, i.e., si y B x A f (x) = y.
Retomando los ejemplos anteriores, f : R R, dada por f (x) = x+1,
f es suprayectiva ya que si y R, escribiendo y = x + 1, se puede tomar
x = y 1 y f (y 1 + 1) = x.
Sin embargo, f : Z Z, f (n) = 2n no es suprayectiva, ya que la
imagen de esta funcion consiste de los n
umeros pares.
Definici
on 18 Una funci
on que es inyectiva y suprayectiva se le llama biyectiva.
La funcion f : R R, f (x) = 3x + 1 es biyectiva: si f (x) = f (y),
entonces 3x + 1 = 3y + 1 3y = 3y y x = y, por lo que es inyectiva.
, se
Tambien dado y R escribiendo y = 3x + 1 y tomando x = y1
3
y1
tiene f ( y1
)
=
3
(
)
+
1
=
y,
i.e.
f
es
suprayectiva.
3
3
Como u
ltimo ejemplo se toma la funcion g : Z Z dada por
hni
g(n) =
,
2
g es suprayectiva ya que dada m Z, tomando x = 2m,
2m
g(2m) =
= m,
2
sin embargo, g no es inyectiva, ya que
2n
2n + 1
g(2n + 1) =
= n =
= g(2n).
2
2
Proposici
on 1.8.1 Una funci
on f : A B es biyectiva si y s
olo si es
invertible.
n. Si f es biyectiva se define g : B A de la manera
Demostracio
obvia: g(y) = x f (x) = y, a y B se le asocia la u
nica x A que
cumple f (x) = y (la existencia de dicha x se sigue de la inyectividad y la
suprayectividad). Tomando entonces g(y) = x se tendra que si y B
g(y) = x, f (x) = y, esto es, f g(y) = f (x) = y y f g = 1B , y si
x A g f (x) = g(y) = x por lo que g f = 1A .
1. Fundamentos
17
1.9.
Definici
on 19 Dados 2 conjuntos A y B se dice que tienen la misma
cardinalidad si existe f : A B biyectiva.
Se usara el smbolo In para denotar el conjunto de los primeros n naturales,
In = {1, 2, 3, ..., n} = {a N | 1 a n}.
Definici
on 20 Un conjunto A es finito si existe una biyecci
on (funci
on
biyectiva)
f : A In ,
para alguna n N. En este caso se dice que el cardinal de A, denotado
por #A, es n.
18
Definici
on 21 Sea A un conjunto que no es finito, entonces se dice que A
es infinito.
Con lo anterior se tienen las siguientes observaciones que relacionan las
funciones y la cardinalidad de conjuntos finitos.
1. Sea f : A B una funcion inyectiva entre 2 conjuntos finitos,
entonces
#A #B.
Para probar esto, notese que si A = {a1 , a2 , ..., an }, entonces el conjunto {f (a1 ), f (a2 ), ..., f (an )} consiste de elementos distintos (ya que
f es inyectiva).
2. Sea f : A B una funcion suprayectiva entre 2 conjuntos finitos,
entonces
#A #B.
Esto se cumple ya que si B = {b1 , b2 , ..., bm }, como f es suprayectiva
existen a1 , a2 , ..., an A tales que f (ai ) = bi , i = 1, 2, ..., m. y
ademas las ai son todas distintas, ya que f es funcion.
3. Sea f : A B una funcion biyectiva entre 2 conjuntos finitos,
entonces
#A = #B.
Por las 2 observaciones anteriores se da la igualdad.
Proposici
on 1.9.1 Sea f : A B una funci
on, donde A y B son
finitos con la misma cardinalidad, entonces,
f es inyectiva f es suprayectiva.
n. Se tiene como hipotesis que: #A = n = #B.
Demostracio
) Dado que f es inyectiva, se tienen n imagenes distintas i.e. todas
lo son.
) Si f no es inyectiva, entonces #Imf < n, pero eso contradice la
hipotesis.
Esta propiedad no es valida para conjuntos infinitos, por ejemplo la funcion f : N N, f (n) = 2n es inyectiva pero no suprayectiva. Tambien, como ya se probo, g : Z Z, g(n) = [ n2 ] es suprayectiva pero no
inyectiva.
19
1. Fundamentos
1.10.
Inducci
on matem
atica
A) 1 cumple la propiedad,
B) si la propiedad es valida para n, entonces tambien lo es para n + 1.
En nuestro ejemplo particular probaremos que se cumplen las 2 condiciones y concluiremos que (1.1) se cumple n N :
A) 1 =
1(2)
2
n(n + 1)
,
2
sumando n + 1 se tiene
n(n + 1)
+ n+1
2
n
= (n + 1)
+1
2
1 + 2 + + n + n + 1 =
(n + 1)(n + 2)
,
2
20
n matema
tica
1.11. Induccio
Otros ejemplos:
1) Se afirma que
2n < n! si n 4,
(1.2)
(1.3)
k Z.
= m3 + 3m2 + 3m + 1 m 1
= m3 m + 3(m2 + m)
= 6k + 6t, t Z,
1 rn+1
.
1r
2. Demuestre que
12 + 22 + 32 + + n2 =
n(n + 1)(2n + 1)
.
6
21
1. Fundamentos
1.11.
Dado n un n
umero natural se define n-factorial, denotado por n!, como
n(n 1)(n 2) 3 2 1.
Por convencion 0! = 1. Observese que se puede definir n! inductivamente,
esto es, n! = n (n 1)!. Por ejemplo, 4! = 4 (3)! = 24.
Teorema 1.11.1 (Pascal) Sean n,m enteros no negativos y
Cnm =
n!
,
m!(n m)!
n m,
entonces se tiene
m
m1
Cn1
+ Cn1
= Cnm .
n. Sumamos
Demostracio
(n 1)!
(n 1)!
+
m!(n 1 m)!
(m 1)!(n 1 (m 1))!
=
(n 1)!
(n 1)!
(n 1)!(n m)
(n 1)!m
+
=
+
m!(n m 1)!
(m 1)!(n m)!
m!(n m)!
m!(n m)!
=
n!
(n 1)![(n m) + m]
=
= Cnm .
m!(n m)!
m!(n m)!
C11 =
1!
1!(11)!
= 1
C10 =
1!
0!(10)!
= 1,
m
B) Si suponemos cierto el teorema para n1 se tiene que tanto Cn1
como
m1
Cn1 son n
umeros naturales, y por lo tanto en virtud del teorema de
Pascal, se sigue que Cnm tambien es un n
umero natural
22
donde el signo
significa sumatoria y cada ndice desde j = 0 hasta n
representa un sumando, i.e., el teorema del binomio dice:
n
X
(a + b) =
Cnj anj bj .
j=0
(a + b)
n1
X
j
Cn1
an1j bj ,
j=0
y entonces
n
n1
(a + b) = (a + b)(a + b)
= a
n1
X
j
Cn1
an1j bj
+b
j=0
n1
X
n1
X
j
Cn1
an1j bj
j=0
j
Cn1
anj bj +
j=0
n1
X
j
Cn1
an1j bj+1 ,
j=0
(a + b) =
n1
X
j=0
j
Cn1
nj
b +
n
X
k=1
k1 nk k
Cn1
a
b .
23
1. Fundamentos
(a + b)
=
=
=
n1
X
i=1
n1
X
i=1
n
X
i
Cn1
ani bi
n1
X
i1 ni i
0
n1 n
Cn1
a b + Cn1
an + Cn1
b
i=1
i
i1
(Cn1
+ Cn1
)ani bi + Cn0 an + Cnn bn
Cni ani bi ,
i=0
1.12.
Definici
on 22 Una relacion R A A se le llama de equivalencia si
satisface:
1) (a, a) R
a A
(reflexividad),
(simetra),
(transitividad).
24
3. Sea A = {1, 2, 3} y
R = {(1, 1), (1, 2), (2, 1)(2, 2)},
entonces R no es de equivalencia. Aunque es simetrica y transitiva, no
es reflexiva pues (3, 3)
/ R.
4.- Sea A = {1, 2, 3} y
R = {(1, 1), (2, 2), (3, 3)(1, 2), (2, 1), (2, 3), (3, 2)},
R tampoco es de equivalencia, ya que no es transitiva pues (1, 3)
/ R.
Dada cualquier relacion de equivalencia R, escribiremos
a b si (a, b) R.
Definici
on 23 Sea A un conjunto, una partici
on P de A consiste de una
familia de subconjuntos de A no vacos {Ai }i I
1) si Ai 6= Aj , entonces Ai Aj = ,
S
2) i I Ai = A.
Ejemplos
1. Si A = {1, 2, 3, 4, 5}, una particion de A es
A1 = {1, 2},
2. Si A = N, una particion de A es
A1 = {pares} y A2 = {nones}.
3. Sea A = {instrumentos de una orquesta sinfonica} y
A1 = {cuerdas},
A2 = {alientos},
A3 = {metales},
A4 = {percusiones},
entonces estos subconjuntos forman una particion de A.
25
1. Fundamentos
26
Definici
on 24 Dada una relaci
on de equivalencia R en A A a los subconjuntos de la particion inducida por R se les llama clases de equivalencia.
Ejemplos
1. Sean A un conjunto arbitrario y R la relacion diagonal, i.e.,
R = {(x, x) | x A},
entonces la particion inducida por R es
[
A =
{x}.
xA
2. Sean A = {1, 2, 3} y R = {(1, 1), (1, 2), (2, 1), (2, 2), (3, 3)}, entonces la particion inducida por R es
A = {1, 2} {3}.
3. Sea m N fijo. Se define una relacion R Z Z de la siguiente
manera: (x, y) R si x y = mt, t Z. Esta relacion es de
equivalencia (ejercicio), y la particion inducida es
Z =
m1
[
[j],
j=0
donde
[j] = {s Z | s j = mt,
t Z},
0 r < m.
27
1. Fundamentos
donde
j = 0, 1, 2.
28
ricas y algebraicas
1.13. Estructuras nume
1.13.
Estructuras num
ericas y algebraicas
Las estructuras algebraicas mas elementales son las numericas, es decir, conjuntos de n
umeros que cumplen ciertos axiomas. Algunas de estas son:
los naturales
N = {1, 2, 3, ...},
el anillo de los n
umeros enteros
Z = {..., 2, 1, 0, 1, 2, ...},
el campo de los n
umeros racionales, denotados por Q,
Q =
na
a, b, Z,
b
o
b 6= 0 ,
el campo de los n
umeros reales
R = {A.b1 b2 b3 ...},
donde A Z y bj {1, 2, ..., 0}, i.e los n
umeros enteros con
expansiones decimales infinitas, y sin colas infinitas de nueves, estos
puntos se pueden pensar como los puntos de la recta,
el campo de los n
umeros complejos
C = {a + ib | a, b R},
donde i = (0, 1) satisface i2 = 1, estos puntos pueden pensarse
como los puntos del plano.
Una operacion binaria en un conjunto A es una funcion
: A A A.
29
1. Fundamentos
S1) a + b = b + a a, b Z (conmutatividad),
S2) (a + b) + c = a + (b + c) a, b, c Z (asociatividad),
S3) 0 Z a + 0 = a a Z
PRODUCTO
P1) a b = b a a, b Z (conmutatividad),
P2) (a b) c = a (b c) a, b, c Z (asociatividad),
P3) 1 Z a 1 = a a Z
DISTRIBUTIVIDAD
D) a (b + c) = a b + a c a, b, c Z.
Estas propiedades implican otra.
DE LA SUMA
LEY DE LA CANCELACION
Si
a + c = b + c,
entonces a = b.
30
ricas y algebraicas
1.13. Estructuras nume
Si a b = a c,
a 6= 0,
entonces b = c.
(transitividad),
a, b, c
Una estructura algebraica que satisface S1), ..., S4), P 1), P 2), P 3) y D)
se le llama anillo conmutativo con unidad, si ademas cumple P 4) se le llama
campo.
Si un anillo cumple tambien las propiedades de orden se le llama anillo
ordenado, por ejemplo Z. Ejemplos de campos ordenados, son Q y R.
La estructura algebraica mas simple se le llama grupo, es un conjunto
G con una operacion binaria, que se le llama usualmente producto, de tal
manera que cada elemento tiene un inverso, existe un neutro, y el producto
es asociativo. Por ejemplo, el conjunto de biyecciones (funciones biyectivas)
de un conjunto cualquiera en s mismo constituye un grupo, donde el producto
es la composicion, lease de derecha a izquierda.
EJERCICIOS 1.13
1. Demuestre la u
ltima afirmacion de esta seccion.
Captulo 2
C
alculo combinatorio
Describiremos primero los conceptos del calculo combinatorio de manera intuitiva y posteriormente los estudiaremos rigurosamente.
2.1.
a
b
c
aa ab ac
b
c
ab bb bc
ac bc cc
32
n intuitiva)
2.2. Ordenaciones (versio
Las se
nales de 2 sonidos seran las ordenaciones con repeticion tomadas
de 2 en 2, estas las podemos derivar de las de un sonido, como se muestra en
la siguiente tabla, el n
umero de ellas es 22 = 4.
OR21 = 2,
OR22 = 22 ,
OR23 = 23 .
2.2.
Ordenaciones (versi
on intuitiva)
33
lculo combinatorio
2. Ca
Observese que el n
umero de ordenaciones es el n
umero de ordenaciones con
repeticion menos el n
umero de ordenaciones con letras repetidas.
En nuestro ejemplo, el n
umero de las ordenaciones es:
42 4 = 4(4 1) = 12.
umero de ordenaciones en un conjunto de n
Se denotara por Onm al n
elementos tomados de m en m. Observese que m n por que? Se sigue
de nuestros ejemplos que
O32 = 6,
Se probara que Onm =
O42 = 12.
n!
.
(nm)!
2.3.
4!
= 24.
(4 3)!
Permutaciones (versi
on intuitiva)
34
2.4. Combinaciones
n!
= n!.
(n n)!
2.4.
Combinaciones
Definici
on 25 Sea A un conjunto de n elementos, a los subconjuntos de A
que tienen m elementos se les llama combinaciones de los n elementos de
A tomados de m en m.
Ejemplos
1. Sea A = {1, 2, 3, }, las combinaciones de A tomadas de 2 en 2 son:
{1, 2}, {1, 3} y {2, 3},
tomadas de 1 en 1 son:
{1}, {2} y {3},
tomadas de 3 en 3 son:
{1, 2, 3}.
35
lculo combinatorio
2. Ca
2. Si se tiene un grupo de 5 m
usicos y se quiere elegir un tro, el n
umero
posible de tros es el n
umero de combinaciones de un conjunto de 5
elementos tomados de 3 en 3; si los m
usicos son Andrea, Itzel, Laura,
Pedro y Juan, los tros posibles son:
{A, I, L}, {A, I, P }, {A, I, J}, {A, L, P }, {A, L, J},
{A, P, J}, {I, L, P }, {I, L, J}, {I, P, J}, {L, P, J},
por lo que se pueden formar 10 tros.
3. Si ahora se quiere elegir un tro entre Andrea, Itzel, Laura y Pedro las
posibilidades son :
{A, I, L}, {A, I, P }, {A, L, P }, y {I, L, P },
estas son cuatro, que es el mismo n
umero de posibilidades para elegir
una persona entre 4, i.e., elegir 3 de 4 es eliminar uno de 4.
Se probara que el n
umero de combinaciones de un conjunto de n elementos tomados de m en m esta dado por los coeficientes binomiales (del
teorema del binomio)
n!
,
(2.1)
m!(n m)!
Suponiendo cierto este hecho, usamos tambien el smbolo Cnm para denotar
el n
umero de estas combinaciones.
Habiendo probado la formula de las ordenaciones se demostrara que
Cnm =
Cnm Pm = Onm ,
lo cual implica la formula (2.1), y justifica el uso del smbolo Cnm como
n
umero de combinaciones, ya que
n!
.
Cnm m! =
(n m)!
La baraja inglesa provee de buenos ejemplos al analsis combinatorio,
se tienen 52 cartas, cada una con un n
umero y un palo, los n
umeros son
A, 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q y K, los palos son: {,
, y }, es decir,
diamantes, corazones, treboles y espadas (o pics), respectivamente.
Dado que una mano de poker consta de 5 cartas, el n
umero total de manos
es
52!
52 51 50 49 48
5
=
C52
=
= 52 51 10 49 2.
5!47!
5432
36
2.5.
Sb 2
Tb 6
JI 5
JD 4
JC 10.
37
lculo combinatorio
2. Ca
x y z
1 1 1
x x z
1 1 1
.
no sera funcion.
38
1 2
v r
1 2
b v
1 2
b r
1 2
r v
1 2
r b
1 2
v v
1 2
b b
1 2
r r
,
a)
b)
c)
39
lculo combinatorio
2. Ca
2.6.
Funciones inyectivas,
biyectivas (2a visita)
suprayectivas y
x y z
7 7 7
x y z
7 7 8
x y z
7 8 7
x y z
7 8 8
x y z
8 7 7
x y z
8 7 8
x y z
8 8 7
x y z
8 8 8
.
40
suprayectivas y
y1
2
i.e. f ( y 2 1 ) = 2( y 2 1 ) + 1 = y.
Notese que si se tienen dos funciones g : A B y f : B C,
tales que f g es inyectiva, entonces g es inyectiva. Esto se sigue ya que si
g(x1 ) = g(x2 ), necesariamente f g(x1 ) = f g(x2 ) y x1 = x2 .
Tambien si f : A B y g : B C son tales que g f es
suprayectiva, entonces g es suprayectiva. Esto se sigue ya que dado z C,
x A g f (x) = z, por lo cual g(y) = z, donde f (x) = y.
Por otra parte si f : A B es suprayectiva y g, h : B C
son tales que g f = h f, entonces g = h. Para probar esto se toma
y B, entonces x A tal que f (x) = y y se tiene gf (x) = hf (x), i.e.,
g(y) = h(y).
EJERCICIOS 2.6
1. Pruebe que si si f : B C es inyectiva y g, h : A B son tales
que f g = f h, entonces g = h.
41
lculo combinatorio
2. Ca
2.7.
Definici
on 27 Sea A un conjunto de n elementos, las ordenaciones con
repetici
on de A tomadas de m en m son las funciones f : Im A,
donde Im = {1, 2, ..., m}.
Recordando el ejemplo de las se
nales de 2 sonidos, usando las sonidos ,
estas se pueden interpretar en terminos de funciones, como sigue
1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
1 2 3
.
Como un segundo ejemplo consideremos la ordenaciones con repeticion del
conjunto A = {x, y, z} tomadas de 2 en 2, estas son:
1 2
1 2
1 2
1 2
1 2
x x
x y
x z
y x
y y
1 2
1 2
1 2
.
z x
z y
z z
1 2
y z
Observese que estas parejas son, en cierta manera, los elementos del producto cartesiano A A. Analogamente, las ordenaciones con repeticion de
3 en 3 del conjunto A son, en cierta manera, los elementos de A A A.
Algunas veces en lugar de escribir
1 2 3 n
a1 a2 a3 an
se escribe simplemente (a1 , a2 , a3 , ..., an ).
Definici
on 28 Sean f : A B, g : C B funciones, tales que
A C, . Supongase tambien que
f (x) = g(x)
x A.
42
n (versio
n formal)
2.7. Ordenaciones con repeticio
denotado por An , es el conjunto cuyos elementos son las n-eadas de elementos de A, es decir, elementos de la forma
(a1 , a2 , ..., an ),
ai A,
43
lculo combinatorio
2. Ca
Definici
on 30 Una correspondencia biunvoca entre 2 conjuntos A y B es
una funcion biyectiva f : A B.
Las observaciones anteriores muestran que si A es un conjunto de n
elementos, la cardinalidad de Am es precisamente el n
umero ORnm . Esto se
sigue ya que hay una correspondencia biunvoca entre las ordenaciones con
repeticion de A tomadas de m en m con los elementos de Am .
Si A = {a1 , ..., an }, esta correspondencia esta dada por
1 2 m
ai1 , ai2 , ..., aim ,
ai1 ai2 aim
aij A
2.8.
j.
Ordenaciones (versi
on formal)
Definici
on 31 Dado A un conjunto de n elementos y m n, las ordenaciones de los elementos de A tomadas de m en m son las funciones
inyectivas del conjunto Im en A.
Observemos que la inyectividad es la condicion que establece que no
haya repeticiones. Como ejemplo, consideremos las ordenaciones del conjunto
1 2
a e
.
44
n formal)
2.8. Ordenaciones (versio
n!
.
(n m)!
n!
.
(n (m 1))!
El ejemplo anterior ilustra el paso inductivo. Dada cualquier funcion inyectiva f de Im1 en A, f se puede extender a n (m 1) funciones
inyectivas de Im en A, ya que al elemento m se le puede asociar cualquier
elemento que no sea la imagen de 1, 2, ..., m 1 (por la inyectividad).
En consecuencia
n!
Onm = (n (m 1)) Onm1 = (n (m 1))
(n (m 1))!
= (n m + 1)
n!
n!
=
(n m + 1)!
(n m)!
La formula en el Teorema 2.7.1 resuelve el siguiente problema Cuantas
placas de automovil hay que consten de 3 letras y 2 cifras?
3
Considerando 27 letras en el alfabeto, placas de 3 letras hay OR27
= 273 ,
2
y de 2 cifras hay OR10
= 102 , por cada ordenacion (con repeticion) en la
2
primera lista, esto es, la de las letras, se puede generar OR10
placas distintas,
lo cual muestra el caracter multiplicativo y es claro que el n
umero total de
placas es
3
2
= 273 102
OR27
OR10
Ejemplos
1. Cuantos n
umeros telefonicos de 6 cifras hay que comiencen con 5, 7, 2, 6
o 8?
5
De 5 cifras hay OR10
= 105 , considerando la 1a cifra se tienen 5 105 .
lculo combinatorio
2. Ca
45
2.9.
Permutaciones (versi
on formal)
Definici
on 32 Las permutaciones de un conjunto A son las funciones biyectivas de A en A.
Se demostro que si A es finito y f : A A es inyectiva, entonces f
es biyectiva.
Sean A = {a1 , a2 , .., an } y f : A A una permutacion, entonces se
puede identificar a f con la ordenacion g : In A dada por
1
2
n
g =
,
f (a1 ) f (a2 ) f (an )
y viceversa dada cualquier funcion inyectiva de In en A se le puede asociar
una u
nica permutacion de A.
46
a b c
a b c
a b c
a c b
a b c
b a c
a b c
b c a
a b c
c a b
a b c
c b a
1 2 3
c a b
1 2 3
c b a
1 2 3
a b c
1 2 3
a c b
1 2 3
b a c
1 2 3
b c a
2.10.
n!
= n!.
(n n)!
n!
,
(nm)!m!
= {a1 , a2 , ..., am },
a1 a2 am
donde aj A j y ai 6= aj si i 6= j, esencialmente la funcion
olvida el orden. Claramente es suprayectiva, ya que dados m elementos
47
lculo combinatorio
2. Ca
Onm
n!
=
.
Pm
(n m)!m!
48
i.e.,
Cnm = Cnnm .
Otra prueba mas simple del teorema anterior, pero menos ilustrativa, es
la siguiente
n!
n!
=
.
(n m)! m!
(n (n m))! (n m)!
Definici
on 34 Sea B un subconjunto de A. Se define la siguiente funci
on
fB : A {0, 1}, llamada caracterstica, como sigue
1 si x B,
fB (x) =
0 si x 6 B.
Observese que la asociacion
B fB
es una biyeccion entre los subconjuntos de A y las funciones caractersticas
definidas en A, i.e. las funciones de A en {0, 1}. Si B1 6= B2 , es claro que
fB1 6= fB2 . Mas a
un, dada una funcion caracterstica g : A {0, 1},
esta viene del subconjunto que la define, i.e., si g 1 (1) = B, se sigue que
g = fB .
Teorema 2.10.3 Sea n un n
umero natural, entonces
Cn0 + Cn1 + + Cnn = 2n .
n. Observese que el miembro izquierdo es el n
Demostracio
umero total de
subconjuntos de un conjunto A de n elementos, por lo que se sigue de la
observacion anterior que es el n
umero de funciones de A en {0, 1}. Se afirma
n
que este n
umero es 2 , esto se puede probar por induccion sobre n. Si A
tiene un elemento hay 2 funciones de A en {0, 1}.
Suponiendo cierta la afirmacion para n1, i.e., si A = {a1 , a2 , ..., an1 }
hay 2n1 funciones de A en {0, 1}. Se sigue entonces que cada una de estas
funciones tiene dos extensiones a funciones de {a1 , a2 , ..., an } en {0, 1}, al
elemento an se le puede asignar el 0, o el 1 .
49
lculo combinatorio
2. Ca
(1 + 1) =
n
X
Cnj .
j=0
1
1
1
4
5
1
1
3
6
10
C10 C11
4
10
1
5
, ,
50
i.e., son 72 , sin embargo las que no son dobles se repiten, por ejemplo,
=
Por lo que el n
umero de fichas es
49 7
+ 7 = 21 + 7 = 28.
2
Ejemplos
1. De un grupo de 20 personas debe elegirse un comite de 5 miembros
en el que debe estar Juan o Pedro, pero no ambos Cuantos comites
pueden ser electos?
4
maneras de elegir los otros 4
Excluyendo a Juan y a Pedro, hay C18
4
miembros, i.e., hay 2 C28 maneras.
2. En la baraja simplificada: 3 n
umeros y 2 palos Cuantas manos de 3
cartas hay que no tengan 2 cartas del mismo n
umero?
El n
umero es: manos posibles manos con un par. Ahora, hay C63
manos posibles. Por otro lado, las manos con un par se obtienen al
elegir un n
umero entre 3, i.e., hay C31 maneras, la 3a, carta se puede
elegir de 4 maneras distintas. Por lo que el n
umero total es
C63 3 4 =
6!
3 4 = 5 4 3 4 = 8.
3!3!
5. Cuantas manos de Poker hay que no tengan dos cartas del mismo
n
umero?
51
lculo combinatorio
2. Ca
4 = 13 12 11 10 43 .
C13
C42 C12
OR43 = 13
2!2! 9!3!
7. Cuantas manos de Poker hay que tengan 2 pares distintos, que no sea
full? (es decir una tercia y un par).
2
maneras de elegir 2 n
umeros distintos de 13, como en el ejemHay C13
2
plo anterior hay C4 maneras de elegir 2 palos para un par y C42 para
el otro. Finalmente hay 44 = 52 - 8 maneras de elegir la 5a carta, por
lo que el n
umero de manos es
2
44(C42 )2 C13
= 44
4!
4!
13!
= 22 36 13 12.
2!2! 2!2! 11!2!
8. Cuantas manos de Poker hay que tengan al menos 3 cartas del mismo
n
umero?
Calculamos independientemente el n
umero de tercias y de poker (4
cartas iguales). Hay 13 maneras de elegir un n
umero, C43 = C41 maneras
2
de elegir 3 palos de 4, y C48 maneras de elegir las 2 cartas restantes
(de 2 n
umeros distintos a la tercia), i.e., el n
umero de tercias es
13 4
48!
= 13 2 48 47.
46!2!
El n
umero de manos poker es 13 48 por lo que el n
umero total es
13 2 48 47 + 13 48 = 13 48 95.
52
n(n 1)
n!
n=
n=n
n=
(n 2)!2!
2
n 3
2 2
=
n(n 3)
.
2
10. Cuantas manos de domino hay que tengan exactamente 4 fichas dobles?
C74 son las posibilidades de elegir 4 n
umeros de 7 (fichas dobles), habiendo elegido las 4 dobles las 3 restantes se pueden elegir entre 21 (las
otras 3 dobles se excluyen).
3
.
la respuesta es C74 C21
11. Cuantas manos de domino hay que tengan por lo menos 3 fichas
dobles?
3
4
, etcetera,
, exactamente 4 hay C74 C21
Exactamente 3 dobles C73 C21
por lo que el total es
4
3
2
1
C73 C21
+ C74 C21
+ C75 C21
+ C76 C21
+ 1.
EJERCICIOS 2.10
1. De cuantas maneras se pueden distribuir 4 libros distintos entre 2 estudiantes?
2. Cuantas manos de Poker hay que tengan full, i.e, tercia y par?
3. Cuantas manos de Poker hay que tengan flor (todos los n
umeros del
mismo palo)?
4. Cuantas manos de Poker hay que tengan flor imperial, i.e., todas las
cartas del mismo palo, y los n
umeros cclicamente consecutivos?
5. Cuantos n
umeros telefonicos con cuatro cifras, no necesariamente distintas, hay, si exactamente dos de ellas son impares?
Captulo 3
El espacio vectorial Rn
3.1.
Definici
on 35 El producto cartesiano R R es el conjunto de parejas ordenadas (a, b), a R, b R, se le designa como R2 y se le identifica con
los puntos del plano.
(3, 2)
SUMA DE VECTORES
(a, b) = ( a, b) R y (a, b) R2 .
53
54
m2
A
m1
m1
m2
3. El espacio vectorial Rn
55
m2
m2
m1
m1
m1
m1
m2
m2
i.e., y2 y1 = 2 (y2 m2 ),
56
A2 = (x2 , y2 )
m = (m1 , m2 )
l1
l
l1
= 2
A1 = (x1 , y1 )
GEOMETRICA
DE VECTORES
INTERPRETACION
DE LA ADICION
3. El espacio vectorial Rn
57
P +Q
P
O
GEOMETRICA
INTERPRETACION
DEL PRODUCTO ESCALAR POR UN VECTOR
58
x1 1 + 2 + x2 1 + 2 = (x1 + x2 ) 1 + 2 .
P3
y2
P2
y1
P1
x1
x2
(3.1)
entonces P2 P1 P3 .
P2
P3
P1
3. El espacio vectorial Rn
59
P2
P2
P20
P3
P20
P3
P1
P1
b) si 0 1,
c) si 0,
Q OP ,
O P Q.
Q = P
P
P
P
P
a)
>1
b)
0<<1
c)
<0
3.2. Rn
60
n. Sean P = (a, b) y |P | = d(O, P ) i.e. |P | =
Demostracio
entonces
p
d(O, P ) = (a)2 + (b)2 = |||P |,
a2 + b 2 ,
y tambien
d(P, Q) =
p
(a a)2 + (b b)2 = |1 ||P |.
Consideramos casos.
Caso 1: 1. Se tiene
d(O, P ) + d(P, Q) = |P | + ( 1)|P | = P = |||P | = d(O, Q),
ya que 1, y por lo tanto P OQ (por la Proposicion 3.1.2).
Caso 2: 0 1. Se tiene
d(O, Q) + d(Q, P ) = |P | + (1 )|P | = |P | = d(O, P )
y Q OP .
Caso 3: 0. Se tiene
d(Q, O) + d(O, P ) = |P | + |P | = (1 )|P | = |1 ||P | = d(P, Q)
O QP .
3.2.
Rn
Definici
on 36 El espacio vectorial Rn es el conjunto de todas las colecciones ordenadas de n n
umeros reales (a1 , a2 , ..., an ), i.e.,
Rn = {(a1 , a2 , ..., an ) | ai R i {1, 2, ..., n}}.
Se tienen 2 operaciones:
SUMA
3. El espacio vectorial Rn
61
PROPIEDADES
1. Conmutatividad
A+B =B+A
A, B Rn .
2. Asociatividad
(A + B) + C = A + (B + C)
A, B, C Rn .
A Rn
3.3. Rn
62
7. Si A, B Rn , y , R, entonces ( + )A = A + A.
n.
Demostracio
( + )A =
=
=
=
( + )[(a1 , ..., an )]
(( + )a1 , ..., ( + )an )
(a1 + a1 , ..., an + an )
A + A.
8. Se tiene que 1 A = A A Rn .
n. 1 (a1 , ..., an ) = (1 a1 , ..., 1 an ) = (a1 , ..., an ) = A.
Demostracio
Definici
on 37 Un conjunto que satisface las propiedades 1 a 8 se le llama
espacio vectorial sobre los reales.
Notese que en Rn , tambien se cumple que A = (1)A, ya que
(1)A = (1)(a1 , ..., an ) = ((1) a1 , ..., (1) an )) = (a1 , ..., an ) = A.
Tambien, como 0[(a1 , ..., an )] = (0 a1 , ..., 0 an ) = 0, en Rn se cumple que
0 A = 0 A Rn .
Finalmente, notese que si A = 0, entonces = 0 o A = 0, donde
R y A Rn .
Esto se sigue, ya que si 6= 0, como A = (a1 , ..., an ) = 0, se sigue
que ai = 0 i, por lo que 1 ai = 1 0 = 0, y ai = 0 i.
De manera analoga se pueden definir espacios vectoriales sobre otros campos, por ejemplo
Cn = C
C}
| {z
nveces
lo es sobre Q.
3. El espacio vectorial Rn
3.3.
63
Subespacios vectoriales
Definici
on 38 Sea W Rn , se dice que W es un subespacio vectorial de
n
R , si se cumplen las siguientes propiedades
a) 0 W,
b) A, B W, se tiene A + B W,
c) A W y R, se tiene A W.
Ejemplos
1. Sea W = {(x, y) R2 | x = 0}, i.e. W es el eje de las ordenadas en
R2 . Entonces W es un subespacio vectorial, ya que
a) 0 W,
b) si A, B W , entonces A = (0, y1 ) y B = (0, y2 ), por lo
que A + B = (0, y1 + y2 ) W,
c) si A W y R, entonces A = (0, y) y A = (0, y) W.
2. Sea W = {(x, y) R2 | (x, y) = (x0 , y0 ), R}, donde (x0 , y0 ) R2
es un vector fijo, entonces W es un subespacio vectorial de R2 :
a) 0 = 0(x0 , y0 )
0 W,
(x0 , y0 )
64
3. El espacio vectorial Rn
65
0 W,
b) si x1 W y x2 W, x1 = 1 A + 1 B y x2 = 2 A + 2 B,
entonces
x1 +x2 = 1 A+1 B +2 A+2 B = (1 +2 )A+(1 +2 )B W,
c) si x W y
t x = t (A + B) = (t )A + (t )B W.
A
B
W
66
AB
B
1
A tB
B
cos
3. El espacio vectorial Rn
67
P
n
P0
0 W,
y = 23 x
2x 3y = 0
68
2. Probamos que
W = {(x, y, z) R3 | 2x + y + z = 0, 3x 5y + z = 0}
es un subespacio vectorial en R3 . Notese que W es la interseccion de
2 planos distintos, por lo que es una recta. Como la interseccion de
subespacios vectoriales es un subespacio vectorial, basta probar que
W1 = {(x, y, z) R3 | 2x + y + z = 0}
y
W2 = {(x, y, z) R3 | 3x 5y + z = 0}
lo son. Probamos que W1 es un subespacio vectorial la prueba para
W2 es analoga.
a) Como 2 0 + 0 + 0 = 0,
0 W1 ,
b) si
2x1 + y1 + z1 = 0,
2x2 + y2 + z2 = 0
entonces
2(x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0,
i.e., la suma de vectores en W1 esta en W1 ,
c) si 2 x + y + z = 0 y R, entonces 2 x + y + z = 0 y
( x, y, z) W1 .
EJERCICIOS 3.3
1. Pruebe que un plano en R3 por el origen , i.e., un conjunto de la
forma W = {(x, y, z) R3 | ax + by + cz = 0, a, b, c R} es un subespacio
vectorial.
2. Pruebe que W = {(x, y, z) R3 | 3x 3y + z = 0} es un subespacio
vectorial de R3 .
3. Pruebe que W = {(x1 , x2 , x3 , x4 ) R4 | x1 + x2 + x3 + x4 = 0} es un
subespacio vectorial.
4. Pruebe que la interseccion de 2 subespacios vectoriales en Rn es un
subespacio vectorial.
3. El espacio vectorial Rn
3.4.
69
Definici
on 40 Sean A1 , A2 , ..., An vectores en Rn , se dice que C Rn
es combinacion lineal de A1 , A2 , ..., An , si existen 1 , 2 , ..., n R
C = 1 A1 + 2 A2 + + n A n .
Ejemplos
1. El vector (4, 5) en R2 es combinacion lineal de A1 = (1, 1) y
A2 = (2, 1), ya que (4, 5) = 2(1, 1) + (3)(2, 1).
2. En R2 , (2, 1) no es combinacion lineal de los vectores (1, 0) y (2, 0),
esto se sigue ya que (1, 0) + (2, 0) = ( 2 , 0).
3. En R3 todo vector es combinacion lineal de los vectores (1, 0, 0), (0, 1, 0)
y (0, 0, 1):
(x, y, z) = x (1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
4. En Rn todo vector es combinacion lineal de los vectores canonicos
e1 , e2 , ..., en , donde ej = (0, 0, ..., 0, 1, 0, ..., 0):
| {z }
j-
esimo lugar
(x1 , x2 , ..., xn ) = x1 e1 + x2 e2 + + xn en .
5. Dados vectores A1 , A2 , ..., Ak , cualquiera de ellos es combinacion lineal
de los otros, por ejemplo
A1 = 1 A1 + 0 A2 + ... + 0 Ak .
6. 0 es combinacion lineal de cualquier conjunto de vectores A1 , A2 , ..., Ak :
0 = 0 A1 + 0 A 2 + + 0 Ak .
7. Si tanto C como D son combinacion lineal de A1 , ..., Ak , entonces
C + D tambien lo es:
C =
k
X
i=1
i Ai , D =
k
X
i=1
i Ai
C +D =
k
X
i=1
(i + i ) Ai .
70
8 = 2 + 3
1 =
8 = 2 + 3
3 = 3 3,
sumando tenemos 5 = 5, = 1 y = 2.
Definici
on 41 Dados vectores A1 , ..., Ak en Rn , al conjunto de combinaciones lineales de A1 , A2 , ..., Ak , es decir,
{1 A1 + 2 A2 + + k Ak | i R, i}.
se le llama el subespacio generado por A1 , A2 , ..., Ak , y se le denota por
< A1 , A2 , ..., Ak > .
Proposici
on 3.4.1 Dados vectores A1 , ..., Ak , entonces
W =< A1 , A2 , ..., Ak >
es un subespacio vectorial.
n. El vector nulo esta en W , ya que 0 = 0 A1 + + 0 An .
Demostracio
Ahora, si 1 A1 + + n An , 1 A1 + + n An W, entonces
(1 + 1 )A1 + + (n + n )An W,
y si R, se tiene
1 A1 + + n An W.
3. El espacio vectorial Rn
71
Dependencia lineal
Definici
on 42 Se dice que C Rn depende linealmente de A1 , A2 , ..., Ak ,
si C es combinacion lineal de A1 , A2 , ..., Ak i.e. si existen 1 , 2 , ..., k
R
C = 1 A1 + 2 A 2 + + k Ak .
Observese que C depende linealmente de A1 , A2 , ... , Ak , si y solo si
C < A1 , ..., Ak > .
Definici
on 43 Se dice que los vectores A1 , A2 , ..., Ak en Rn son linealmente dependientes, si alguno de ellos depende linealmente de los otros.
Por ejemplo, si A = (1, 1, 0), B = (4, 4, 0) y C = (0, 0, 7), entonces
A, B, C son linealmente dependientes, ya que B = 4 A + 0 C.
Observese que cuando se dice que uno de ellos depende linealmente de los
otros, no se tiene que necesariamente cada uno de ellos es combinacion lineal
de los otros, por ejemplo si A, B y C son como arriba, C no es combinacion
lineal de A y B.
Teorema 3.4.2 Sean A1 , A2 , ..., Ak vectores en Rn , entonces estos vectores
son linealmente dependientes si y s
olo si existe una combinaci
on lineal de
un coeficiente distinto de 0, i.e.
ellos igual a 0 con alg
1 A 1 + 2 A2 + + k Ak = 0
y j 6= 0 para alguna j {1, 2, ..., k}.
n.
Demostracio
) Si A1 , A2 , ..., Ak son linealmente dependientes, alguno de ellos, digamos
Aj , depende linealmente de los otros, i.e. existen 1 , 2 , ..., j1 , j+1 , ..., k
R, tales que
j1
k
X
X
Aj =
i Ai +
i Ai ,
i=1
i=j+1
y por lo tanto
1 A1 + + j1 Aj1 + (1)Aj + j+1 Aj+1 + + k Ak = 0.
72
3. El espacio vectorial Rn
73
Ejemplos
1. Probamos que los vectores D1 = (1, 0, 0), D2 = (1, 1, 0) y D3 = (1, 1, 1)
son linealmente independientes en R3 :
si 1 D1 + 2 D2 + 3 D3 = 0, entonces
1 + 2 + 3 = 0,
2 + 3 = 0,
3 = 0,
y por lo tanto 1 , 2 , 3 = 0.
2. En Rn , los vectores D1 = (1 , 0 , . . . , 0), D2 = (1 , 1 , 0 , . . . , 0), . . . ,
Di = (1, . . . , 1 , 1, 0, . . . , 0), . . . , Dn = (1, . . . , 1)
|{z}
i-
esima coordenada
n
X
i Di = 0,
i=1
se tiene
1 + 2 + + n = 0,
..
.
2 + + n = 0,
..
.
n = 0,
y por lo tanto 1 , 2 , . . . , n = 0.
3. Probamos que en R2 los vectores (1, 1) , (2, 3) y (5, 2) son linealmente dependientes:
si 1 (1, 1) + 2 (2, 3) + 3 (5, 2) = 0, entonces
(
1 + 22 53 = 0,
1 + 32 + 23 = 0,
sumando se tiene 52 33 = 0, tomando 2 = 3 se obtiene 3 = 5.
Sustituyendo estos valores, por ejemplo en la primera ecuacion se tiene
1 + 6 25 = 0 y 1 = 19. Se concluye que los vectores son
linealmente dependientes, ya que 19(1, 1) + 3(2, 3) + 5(5, 2) = 0.
74
3.5. Bases
EJERCICIOS 3.4
1. Demuestre que en R2 todo vector es combinacion lineal de (1, 2) y (0, 1).
2. Exprese el vector (3, 4) como combinacion lineal de (1, 2) y (0, 1).
3. Dados u1 = (3, 1, 0), u2 = (0, 1, 0) y u3 = (5, 4, 0), exprese el vector u3
como combinacion lineal de los otros dos.
4. Probar que en R3 los vectores (2, 0, 0), (1, 3, 0) y (1, 2, 4) son linealmente
independientes.
5. Probar que en R3 los vectores (1, 0, 2), (1, 1, 0), (1, 0, 4) y (1, 1, 1) son
linealmente dependientes.
3.5.
Bases
Definici
on 45 Un conjunto {A1 , A2 , ..., Ar } de vectores en Rn se llama
base del subespacio vectorial W Rn , si
a) {A1 , A2 , ..., Ar } son linealmente independientes,
b) < A1 , A2 , ..., Ar > = W, i.e. A1 , A2 , ..., Ar generan W .
Ejemplos
1. Si e1 = (1, 0) y e2 = (0, 1), entonces {e1 , e2 } es una base de R2 ,
esto se sigue ya que e1 y e2 son linealmente independientes y generan
R2 : (x, y) = x e1 + y e2 .
2. Si D1 = (1, 0) y D2 = (1, 1), entonces {D1 , D2 } es una base de
R2 : si 1 (1, 0) + 2 (1, 1) = 0, entonces 1 = 2 = 0 y D1 , D2
son linealmente independientes. Ahora probamos que generan: dado
(x, y) R2 , se debe resolver el sistema (x, y) = 1 (1, 0) + 2 (1, 1),
es decir,
(
x = 1 + 2 ,
y = 2 .
El cual evidentemente tiene solucion.
3. En Rn los vectores canonicos e1 , e2 , ..., en , forman una base, donde
ei = (0, 0, ..., 0, 1, 0, ..., 0),
3. El espacio vectorial Rn
75
i Di = (x1 , ..., xn ),
i=1
esto es,
1 + 2 + + n
2 + + n
..
= x1 ,
= x2 ,
.
= ..
= xn ,
76
3.5. Bases
C
A
3. El espacio vectorial Rn
77
2
B
1 1
= (escalar)A1 ,
3
B
1 1
= (escalar)A1 ,
B2 = B2
B3 = B3
1
B
1 1
y B1 , B2 son lineal-
=
=
+ +
+ +
11 A1
21 A1
1k Ak
2k Ak
+
+
..
.
1 Ak+1
2 Ak+1
B2 = B2
2
k+2
0
B1 , ... , Bk+2 = Bk+2
B1 ,
1
1
1 B2 + + k+1 Bk+2 = 0
78
3.5. Bases
Existencia de bases
Lema 3.5.3 Sea W un subespacio vectorial de Rn generado por los
vectores linealmente independientes B1 , B2 , ..., Bk . Sup
ongase tambien que
n
B R W , entonces B, B1 , B2 , ..., Bk son linealmente independientes.
n. Sea
Demostracio
1 B1 + + k Bk + B = 0
una combinacion lineal. Necesariamente = 0, ya que de otra manera
B W , por lo cual
1 B1 + ... + k Bk = 0.
Se sigue entonces que i = 0 i (ya que B1 , B2 , ..., Bk son linealmente
independientes),
{B, B1 , B2 , ..., Bk } son linealmente independientes.
Teorema 3.5.4 Sea W un subespacio vectorial de Rn y B1 , B2 , ..., Bk
vectores de W linealmente independientes, entonces existen vectores
Bk+1 , Bk+2 , ..., Bk+t
tales que
es una base de W .
3. El espacio vectorial Rn
79
80
3.5. Bases
Captulo 4
Matrices y determinantes
4.1.
Definiciones
.
.
a x + a x + + a x = b ,
m1 1
m2 2
mn n
..
.. .
.
.
(4.1)
b1
b2
.. .
.
bm
81
82
4.1. Definiciones
3x 2y + z = 0
y 3z = 7
2x + 7y
= 4,
se le asocian las matrices
3 2 1
0 1 3
2 7
0
0
7
4
5 0 0
4 0
o 0 6 0
0 1
0 0 0
Sean aij , las entradas de una matriz cuadrada 1 i n, y 1 j n.
Notese que si i > j, aij esta abajo de la diagonal, y si i < j, entonces aij
esta arriba de la diagonal. Para constatar este hecho considerese el renglon
i 2 y la primera columna, esto es abajo de la diagonal, moviendose de
columna en el mismo renglon, el n
umero de columna crece, en la diagonal es
igual a i, etcetera.
Definici
on 47 Una matriz cuadrada se le llama triangular si todas las entradas de arriba (o todas las de abajo) de la diagonal son 0.
Por ejemplo, las siguientes matrices son triangulares
1 0 0
5 2 0 triangular superior,
0 1 3
2 1
0 3
triangular inferior.
83
4. Matrices y determinantes
= (a11 ,
= (a21 ,
a12 , . . . ,
a22 , . . . ,
a1n )
a2n )
..
.
(4.2)
am1 )
am2 )
..
.
(4.3)
4.2.
Definici
on 48 Sea A la matriz definida en (4.1), se define el rango de A
como la dimension del subespacio vectorial en Rn generado por los vectores
rengl
on, i.e los descritos en (4.2).
Se probara, al final del captulo, que esta dimension es la misma que la del
subespacio vectorial en Rm generado por los vectores columna. Observese
que si r es el rango, entonces r m (ya que son m vectores renglon) y
tambien r n ( ya que estos vectores viven en Rn ).
Por ejemplo, el rango de la siguiente matriz es 2
1 0 0
0 1 0 ,
4 4 0
y de esta otra es 3
1 2 3 4
0 2 4 5 .
0 0 2 1
84
Operaciones elementales
A continuacion se definen ciertas operaciones llamadas elementales para renglones (tambien se puede hacer lo mismo para columnas).
1:
OPERACION
intercambio de renglones.
2:
OPERACION
multiplicaci
on de un rengl
on por un escalar distinto
de 0.
3:
OPERACION
sumar un rengl
on a otro.
Definici
on 49 Dos matrices A y B son equivalentes si se puede obte
ner una de otra mediante un n
umero finito de operaciones elementales, se
escribira A B. Observese que es de equivalencia (ejercicio).
Ejemplo de operacion 1:
1 3 0
4 7
,
4 7
1 3 0
de operacion 2:
1 0 4
3 0 12
2 1 3 2 1 3 ,
1 1 2
1 1 2
de operacion 3:
1 3 0
4 7
5 +3 7
4
.
Otros ejemplos:
x1 x2
x1 x2
x1 + y1 x2 + y2
y1 y2 y1 y2
y1
y2
z1 z2
z1
z2
z1
z2
x1 + y1 + z1 x2 + y2 + z2
,
y1
y2
z1
z2
es decir usando operaciones elementales, a un renglon se le puede sumar una
combinacion lineal de otros renglones.
85
4. Matrices y determinantes
1 2 3
1 2
3
1 2
3
2 1 1 0 3 5 0 3 5
3 0 1
3 0
1
0 6 8
Observese que siempre se puede hacer 0 debajo de una entrada distinta
de 0 (si las entradas estan en un campo), por ejemplo si a1 6= 0,
a1 a2 a3
1 a2 /a1 a3 /a1
1
b1 b2 b3 b1
b2
b3 0
c1 c2 c3
c1
c2
c3
0
Teorema 4.2.1 Las operaciones elementales no alteran el rango y por consiguiente 2 matrices equivalentes tienen el mismo rango.
n. Sean R1 , R2 , . . . , Rm los vectores renglon de una matriz
Demostracio
A, entonces el rango de A resulta ser la dimension del subespacio vectorial
W , generado por estos vectores, i.e. W = < R1 , R2 , . . . , Rm >. Hay que
probar que cada una de las 3 operaciones no altera el rango:
La operacion 1 ciertamente no lo cambia (ya que al intercambiar 2 renglones el espacio W no cambia).
Con respecto a la operacion 2, si multiplicamos Ri por , se tiene
< R1 , R2 , . . . , Rm > = < R1 , . . . , Ri , . . . , Rm >, ya que los vectores que generan el primer subespacio estan el el segundo, y viceversa,
Ri =
1
(Ri ).
86
Observese que la prueba del teorema anterior muestra algo mas general:
El subespacio vectorial generado por los vectores rengl
on no se altera bajo las
operaciones elementales, i.e. es invariante. Este teorema permite calcular el
rango de una matriz al transformarla mediante operaciones elementales en
otra, para la cual es facil calcular el rango.
Definici
on 50 Una matriz es escalonada si la primera entrada distinta de
cero de cada renglon esta m
as a la derecha de la primera entrada distinta de
cero del renglon anterior.
Ejemplos de matrices escalonadas:
0 2 5 3
1 3 4
9 4 0
,
, 0 0 1 2 .
0 0 0 1
0 1 0
0 0 0 8
0 1 4 1 1
Por otra parte, la matriz
no es escalonada.
0 3 0 0 0
1 1 1
0 1 1
0 0 0
0 0 0
un ejemplo:
1 1
1 1
,
1 1
0 0
entonces
1 (1, 1, 1, 1, 1) + 2 (0, 1, 1, 1, 1) + 3 (0, 0, 0, 1, 1) = 0,
por lo cual
= 0
1
1 + 2
= 0
1 + 2 + 3 = 0,
y 1 , 2 , 3 = 0.
n del lema. En una matriz de m n sean
Demostracio
1 j1 < j2 < < jk n,
k n,
87
4. Matrices y determinantes
tales que j1 es el n
umero de columna donde aparece el primer n
umero 6= 0
del 1er renglon, j2 el n
umero de columna donde aparece el primer n
umero
6= 0 del 2o renglon, etcetera.
Ahora si
1 R1 + 2 R2 + + m Rm = 0,
donde Ri son los vectores renglon de la matriz. Considerando la ecuacion
escalar determinada por la coordenada j1 , se tiene 1 = 0. Con la definida
por la coordenada j2 , se obtiene 1 a1j2 + 2 a2j2 = 0, por lo que 2 = 0,
etcetera.
Por consiguiente, para calcular el rango de una matriz basta transformarla
mediante operaciones elementales en un escalonada y contar los renglones de
esta distintos de 0.
Ejemplos
1. Sea
1 1 3 5
2 3 4 10
A =
3 3 9 15 ,
3 3 6 4
1 1 3 5
1
0 1 2 0 0
A
0 0
0
0 0
0 0 15 11
0
por lo que A tiene rango 3.
0 1
2
0 1 2
2. Sea A la matriz
0 0
0
0 1
2
0 1 2 3 1 0
0 0 0 1 3 1
A
0 0 0 2 0 1
0 0 0 1 3 1
i.e A tiene rango 3.
3
4
2
2
1
2
0
4
tiene
1 3 5
1 2 0
,
0 15 11
0
0
0
0
1
,
1
1
0
0
0
0
1
0
0
0
2 3 1 0
0 1 3 1
,
0 0 6 3
0 0 0 0
88
4.3. Permutaciones
EJERCICIOS 4.2
1. Calcular el rango de las siguientes matrices
2 0 1 1 3
1 2 3
1 1 2 0
1 2 1 1
2
4 2 1 , 2 3 1 4 ,
1 1 1
2
4
3 0 1
1 5 0 2
3 0 1
1 1
4.3.
Permutaciones
n
=
(1) (2) (n)
o simplemente = ((1), (2), . . . , (n)).
Permutaciones pares e impares
Consideramos primero el siguiente ejemplo: sea
1 2 3 4 5 6 7
=
,
3 7 1 5 6 2 4
diremos que (2) = 7 y (3) = 1, en el 2o renglon forman una inversion,
ya que 2 < 3, pero (2) = 7 > (3) = 1, tambien (5) y (7) lo hacen.
Sin embargo, (3) y (6) no la forman, ya que (3) = 1 < 2 = (6). En
consecuencia, la definicion formal general es la siguiente.
Definici
on 51 Sea Sn , se dice que (i) y (j) forman inversi
on, si
i < j y (i) > (j).
89
4. Matrices y determinantes
Para contar el n
umero de inversiones de una permutacion dada basta
contar cuantos n
umeros mayores a un n
umero dado en el 2o renglon lo
preceden. En el ejemplo anterior a 1 lo preceden 3 y 7, a 5 el 7, a 6 el 7, a
2, lo hacen 3,7,5 y 6, y a 4, 7,5 y 6. Por lo que esta permutacion tiene 11
inversiones.
Definici
on 52 Se dice que una permutaci
on es par si tiene un n
umero par
de inversiones, e impar si este n
umero es impar (la paridad de la permutaci
on
es la propiedad de ser par o impar).
Por ejemplo, la permutacion (1 2 3 4 5) es par, ya que tiene cero inversiones y la permutacion (2 1 3 4 5) es impar, ya que tiene una inversion
((1) > (2)). Nuestro ejemplo original = (3 7 1 5 6 2 4) es impar, ya que
tiene 11 inversiones.
Transposiciones
Definici
on 53 Una transposicion es una permutaci
on que consiste de intercambiar 2 elementos.
Por ejemplo
1 2 3 4 5
1 5 3 4 2
.
n
=
(1) (2) (r) (s) (n)
y es la transposicion que intercambia (r) y (s), se obtiene una nueva
permutacion =
1
2
n
=
,
(1) (2) (s) (r) (n)
probaremos que si es par, entonces es impar, y que si es impar,
es par, i.e., y tienen paridad distinta.
90
4.3. Permutaciones
Por ejemplo, si
1 2 3 4 5 6 7
=
3 7 1 5 6 2 4
y =
1 2 3 4 5 6 7
3 7 5 1 6 2 4
,
j
j+1
n
=
(1) (2) (j) (j + 1) (n)
y
=
1
2
j
j + 1
n
(1) (2) (j + 1) (j) (n)
.
r+s
n
=
, y
(1) (2) (r) (r + s) (n)
1
2
r
r + s
n
=
.
(1) (2) (r + s) (r) (n)
En el 2o renglon de podemos mover (r) a la derecha mediante s transposiciones de elementos consecutivos, hasta que ocupe el lugar (r + s),
obteniendose
91
4. Matrices y determinantes
1
2
r
r + s
n
(1) (2) (r + 1) (r) (n)
,
=
.
x 1
Se mueve el 1 a la izquierda en el 2o renglon con transposiciones de elementos
consecutivos (todos estos n
umeros precedentes forman inversion con el 1),
hasta que ocupe el 1er lugar. Observese que este movimiento no altera las
inversiones que forman otros n
umeros distintos de 1 entre s. Posteriormente,
se repite el proceso con el 2 hasta obtener (1, 2, ...), etcetera. Se sigue que
m 1 = I, donde las j denotan las transposiciones descritas. Notese
que el n
umero de estos movimientos, i.e. m, es exactamente el n
umero de
inversiones de . Finalmente, = 1 m .
n
Inversa de una permutacio
Dada Sn , es una funcion biyectiva de In en In , por lo que existe
1 : In In y 1 Sn . Observese que (i) = k si y solo si 1 (k) = i.
Si
1
2
n
=
,
(1) (2) (n)
la inversa se puede expresar como
(1) (2) (n)
,
1
2
92
4.3. Permutaciones
o como
1
2
n
1
1
1
(1) (2) (n)
Por ejemplo, si
1 2 3 4
=
,
4 1 3 2
=
4 1 3 2
1 2 3 4
.
=
1 2 3 4
2 4 3 1
.
Observese que las transposiciones son involuciones, i.e., ellas son su propio
inverso, ya que si es una transposicion, entonces 2 = = Id.
Podemos enumerar
1 2 3
1 =
1 2 3
1 2 3
3 =
2 1 3
1 2 3
4 =
,
2 3 1
1 2 3
5 =
,
3 1 2
1 2 3
6 =
3 2 1
=
=
2 3 1
1 2 3
3 1 2
1 2 3
=
=
1 2 3
3 1 2
1 2 3
2 3 1
,
,
= 61 ,
por lo que 4 = 51 y 5 = 41 .
Observese que la asociacion 7 1 , es una biyeccion de Sn . Si ,
son distintas, entonces 1 y 1 lo son, y dada una permutacion Sn ,
es la imagen de su inversa bajo esta asociacion.
Proposici
on 4.3.4 Una permutaci
on es par si y s
olo si 1 lo es.
Consideremos primero un ejemplo:
1 2 3 4 5
5 1
1 5
1
=
, =
=
,
5 1
2 4
4 2
i.e (2) = 5 y (4) = 1, forman inversion en si y solo si 1 (1) = 4,
lo hace con 1 (5) = 2, en 1 . La relacion: el n
umero chico en el primer
renglon va al n
umero grande en el segundo renglon se preserva.
93
4. Matrices y determinantes
n de la Proposicio
n. La biyecion 7 1 en Sn preserva
Demostracio
inversiones:
i<j
s<r
i.e. las parejas que forman inversion en se corresponden de manera biunvoca con las que lo hacen en 1 . Por consiguiente, el n
umero de inversiones
1
de es el mismo que el de .
Notese que la inversion tambien se puede definir en terminos del 1er
renglon i < j y (i) > (j).
EJERCICIOS 4.3
1. Encuentra la paridad de las siguientes permutaciones
3 5 6 1 2 4
4.4.
1 7 8 2 4 3 5 6
Determinantes
A = ..
.. . .
.. .
.
. .
.
an1 an2 ann
X
como
det A =
()a1(1) a2(2) an(n) ,
Sn
donde
(
() =
1
si es par,
1 si es impar.
94
4.4. Determinantes
A=
a b
c d
A=
a11 a12
a21 a22
,
entonces det A = a11 a22 a12 a21 , ya que las permutaciones de {1, 2} son
1 2
1 2
que es par, y
que es impar.
1 2
2 1
2. Calculamos el determinante de la matriz
95
4. Matrices y determinantes
Por consiguiente,
det A = a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a23 a31 + a13 a21 a32 a13 a22 a31 .
Volviendo al caso general de matrices de n n, observese que los sumandos estan hechos por factores que son uno por cada renglon (ya que los
primeros subndices son 1, 2, . . . , n), y uno por cada columna. Esto se sigue
ya que los segundos subndices son (1), (2), . . . , (n), y es una permutacion.
Dada una matriz diagonal A, su determinante es a11 a22 . . . ann , i.e., el
producto de los elementos de la diagonal. Esto se sigue, ya que todos los
sumandos donde aparecen factores aj(j) con (j) 6= j son 0, esto es, la
u
nica permutacion que produce sumandos distintos de 0 es la identidad.
Proposici
on 4.4.1 Sea A una matriz tiangular A = (aij ), 1 i, j n,
entonces det A = a11 a22 ann .
n. Probamos la proposicion para triangulares superiores (eleDemostracio
mentos debajo de la diagonal son 0), el otro caso es analogo. Se afirma que
los sumandos donde aparece aj(j) , (j) 6= j son todos 0. Para probar la
afirmacion consideramos dos casos, donde es fija y no es la identidad.
Caso 1: j > (j). En este caso por ser A triangular superior aj(j) = 0,
y se sigue la afirmacion.
Caso 2: j < (j). En este caso, alguna otra i, de los primeros n naturales,
cumple i > (i). De otra manera, (n) n, y (n) = n. Asimismo
(n 1) n 1, por lo cual (n 1) = n 1, procediendo de esta manera,
se tiene (j) = j, lo cual contradice la hipotesis j < (j). Se concluye que
existe dicha i, y entonces ai(i) = 0 (por ser triangular superior).
4.5.
00
|A| = |A | + |A |,
96
00
A = ..
..
.. .
..
.
.
.
.
an1 an2 ann
0
(4.4)
00
00
00
00
00
Sn
00
Sn
Sn
0
00
=|A | + |A |.
Esta propiedad nos permite simplificar determinantes, por ejemplo:
a1 b 1 c 1
a1 + 0 b 1 + 0
a2 b 2 c 2 = a2
b2
a3 b 3 c 3
a3
b3
a1 0 0
= a2 b2 c2 +
a3 b 3 c 3
c1 + 0
c2
c3
0 b1
a2 b 2
a3 b 3
a1
= a2
a3
0
c2 +
c3
b1 0 0 0 c1
b2 c2 + a2 b2 c2
b 3 c 3 a3 b 3 c 3
0 0 c1
a2 b2 c2 .
a3 b 3 c 3
97
4. Matrices y determinantes
Propiedad 2
0
|A| = |A |,
0
Sn
Sn
0
= |A |.
Propiedad 3
0
98
Ejemplo
Sean A =
entonces
a b
c d
y
A =
c d
a b
,
n de la Propiedad 3. Sean
Demostracio
..
.. y A0 = ..
.. . .
.. ,
..
A = ...
.
.
.
.
.
.
.
an1 an2 ann
bn1 bn2 bnn
donde
bij = aij i, j,
brj = asj j.
bsj = arj j,
i 6= r,
i 6= s,
=
i 6= r, s,
n
(1) (s) (r) (n)
.
Sn
Sn
0
= |A |.
99
4. Matrices y determinantes
100
1 2 3
A = 4 5 6 ,
6 9 12
entonces (6, 9, 12) = 2(1, 2, 3) + (4, 5, 6) y |A| = 0, ya que
1
4
|A| =
6214
2
5
9225
3
6
12 2 3 6
101
4. Matrices y determinantes
Definici
on 56 Dada una matriz A = (aij ), 1 i n, 1 j m,
se define otra matriz llamada la transpuesta de A, denotada por t A (o At ),
como sigue
t
A = (bij ),
donde
bij = aji ,
Por ejemplo, si
A=
a 2 0
1
,
a
entonces t A = 2 .
o 1
|A| = |t A|.
Ejemplo
a b
c d
a c
= ad bc = ad cb =
b d
Sn
como b(j)j = bi1 (i) , donde (j) = i; se pueden reordenar los factores de
cada sumando y se tiene
b(1)1 b(2)2 b(n)n = b11 (1) bn1 (n) .
1
} y () = ( 1 ), en virtud
Ademas Sn = {1 , . . . , n! } = {11 , . . . , n!
de la Proposicion 4.3.4, por lo que
X
|A| =
()b1(1) bn(n) = |t A|.
Sn
102
4.6.
A=
a11
a21
..
.
...
a12
a22
..
.
am1 am2
a1n
a2n
..
.
amn
a 0
A = 2 4 7 ,
(4.5)
9 6 8
entonces
A11 =
4 7
6 8
, A23 =
a
9 6
, A32 =
a 0
2 7
,
etcetera.
Definici
on 57 Al determinante |Aij | de una matriz cuadrada A se le llama
el menor del elemento aij .
Por ejemplo, si A es la matriz (4.5), se tiene |A11 | = 10 y |A32 | = 7a.
103
4. Matrices y determinantes
A=
a11 a12
a21 a22
..
..
.
.
an1 an2
a1n
a2n
.. ,
..
. .
ann
1
3
1
0
0
7
4
0
n.
Demostracio
|A| =
1 0 2
= 7 3 7 1 .
1 4 0
2
1
0
0
4
8
2
7
()a1(1) an(n),
Sn
X
Sn1
104
ya que las permutaciones que fijan a n estan en correspondencia biunvoca con las permutaciones de Sn1 (el n
umero de inversiones tambien es el
mismo).
Corolario 4.6.2 Sea A = (aij ) una matriz de n n, tal que ajn = 0 para
los naturales j menores a n, entonces |A| = ann |Ann |.
n. Aplicando el Lema 4.6.1 a At , se tiene |At | = ann |(At )nn |.
Demostracio
Ahora, en virtud de la Propiedad 8 se sigue que |A| = ann |Ann |. En este
u
ltimo paso usamos el hecho de que (Ann )t = (At )nn .
Ejemplo
2 3 1
2 5 0
Si A = 5 7 2 , entonces At = 3 7 2 .
0 2 7
1 2 7
Por lo cual
t
(A33 ) =
2 5
3 7
= (At )33 .
Lema 4.6.3 Si en una matriz cuadrada todos los elementos distintos de aij
en el renglon i son cero, entonces
|A| = (1)i+j aij |Aij |.
n. Intercambiamos renglones y columnas consecutivas hasta
Demostracio
obtener la situacion del Lema 4.6.1. Especficamente sean
a1,1 a1,j1
a1,j
a1,j+1 a1,n
..
...
.
ai,j1
ai,j
ai,j+1
ai,n
A = ai,1
105
4. Matrices y determinantes
a1,1 a1,j1
a1,j+1 a1,n
a1,j
..
..
...
.
.
ai1,j1 ai1,j+1
ai1,n ai1,j
ai1,1
0
ai+1,j1 ai+1,j+1
ai+1,n ai+1,j
A = ai+1,1
.
..
..
..
.
.
an,1 an,j1
an,j+1 an,n
an,j
ai,1
ai,j1
ai,j+1
ai,n
ai,j
1
puesto que (1)k = (1)k = (1)
k , y evidentemente la submatriz Ann
es igual a la submatriz Aij (ambas consisten de eliminar el renglon i y la
columna j en A).
106
= 70 2 4(18) = 0.
matriz desarrollamos con respecto al 3er renglon:
0
1 0 0
1 0 2
0
3+3
3 0 0 + (1)3+4 3 0 1
=
(1)
2
1
2 1 3
2 1 0
3
= 2 0 [1(1) + 2(3)] = 5,
0
0
a
0
0
0
0
a
i i1
i2
in
.
..
..
..
..
.
.
.
R
Rn
Rn
Rn
n
=
n
X
k=1
aplicando el Lema 4.6.3. El mismo argumento se aplica para columnas, usando ahora el Corolario 4.6.4:
a
0
i
j
0
0
.
0
.
|A| = C1 C2
Cn + + C1 C2 . Cn ,
..
.
0
0
anj
donde Ck denota la columna k-esima, etcetera.
107
4. Matrices y determinantes
EJERCICIOS 4.6
1. Calcular el determinante de las
1 1 2 1
2
3 0 1 1
1
,
1 2 3
1
1
1 2 1 2
2
4.7.
siguientes matrices
1 0 1
3 2 1
,
1 0 3
1 2 1
1
0
1
0
1
3 1 2 1
2 0 1 2
3 2 1 1
.
1 2 0 2
3 1 3 0
C
alculo de determinantes
1
0 1
1
2
1
= 6 1 0
3
1 2 3
3
= 6[4 2] = 12.
En el u
ltimo paso, se desarrollo por menores en el primer renglon.
2. Haciendo
1 1
1 2
1 3
1 4
ceros
1 1
3 4
=
6 10
10 20
1
0
0
0
1
1
2
3
1 1
2 3
5 9
9 19
1 2 3
= 2 5 0
3 9 19
1 2 3
= 0 1 3
0 3 10
= 10 9 = 1.
En el u
ltimo paso, se desarrollo por menores en la 1a columna.
108
lculo de determinantes
4.7. Ca
3. Sumando las
1
2
3
4
= 10
4 columnas
2 3 4
3 4 1
=
4 1 2
1 2 3
1 2
3
4
0 1
1 3
0 2 2 2
0 1 1 1
10
10
10
10
2
3
4
1
3
4
1
2
4
1
2
3
= 10
1
1 3
= 20 1 1 1
1 1 1
1
1
1
1
2
3
4
1
3
4
1
2
4
1
2
3
1 1 3
= 20 0 2 2
0 0 4
= 160.
1 a2
= (a2 a1 )(a3 a1 )
1 a3
1 a1 a21 a31
1 a2 a22 a32
2
3
1 a3 a3 a3
2
3
1 a4 a4 a4
1
0
0
= 1 a2 a1 a22 a1 a2
1 a3 a1 a2 a1 a3
3
= (a2 a1 )(a3 a1 )(a3 a2 ).
1 a1 a21
1 a2 a22
1 a3 a23
1 a4 a24
a32 a1 a22
3
2
a3 a1 a3
3
2
a4 a1 a4
0
109
4. Matrices y determinantes
1
0
1 a2 a1
1 a2 a22 a1 a2 a32 a1 a22
=
1 a3 a1
1 a3 a23 a1 a3 a33 a1 a23
2
3
2
1 a4 a1
1 a4 a4 a1 a4 a4 a1 a4
1 a2 a22
2
= (a2 a1 )(a3 a1 )(a4 a1 ) 1 a3 a3
2
1 a4 a
4
Q
donde
significa producto.
=
1 a1
a22 a1 a2
a23 a1 a3
a24 a1 a4
(ak aj ),
j<k
EJERCICIOS 4.7
1. Generalizar el u
ltimo ejemplo probando que
1 a1 a2 an1
1
1
.. ..
.. = Y (a a ).
.. . .
. .
.,
k
j
.
.
j<k
1 an a2n an1
n
2. Calcular los determinantes de las siguientes matrices
1 1 2 3 4
7 1
0 2 4
2 1 0 1 2
1 1 1 1 1
3 1 0 1 4 , 4 3
2 1 0
5 1 0 2 7
5 1 1 0 7
1 2 1 0 1
1 2
3 4 5
4.8.
3
2
a2 a1 a2
2
3
a3 a1 a3
3
2
a4 a1 a4
0
Caracterizaci
on del rango de una matriz
usando determinantes
Probaremos que el rango de una matriz es tambien la dimension del subespacio vectorial generado por los vectores columna.
Teorema 4.8.1 Un conjunto de vectores {A1 , A2 , . . . , Ak } en Rn son li
nealmente dependientes todos los determinantes de las submatrices de
k k obtenidos al fijar k coordenadas de los vectores A1 , A2 , . . . , Ak , son
cero.
110
a
1,i
1,i
1
k
a2,i1
a2,ik
0=
..
..
.
.
1 a1,i1 + 2 a2,i1 + + k ak,i1 1 a1,ik + 2 a2,ik + + k ak,ik
111
4. Matrices y determinantes
a1,i a1,i
1
k
a2,i a2,i
1
k
= k ..
..
.
.
ak,i1 ak,ik
112
113
4. Matrices y determinantes
4.9.
El determinante como
area o volumen
n
n
Definici
on 58 Sea f : R
Rn} R, se dice que f es
| R {z
m veces
multilineal, si es lineal con respecto a cada variable, i.e., se cumplen las siguientes dos condiciones R, k {1, 2, . . . , m} y xk , xk0 Rn :
i)
ii)
f (x1 , . . . , xk , . . . , xn ) = f (x1 , . . . , xk , . . . , xn ).
Observese que la funcion determinante se puede pensar como una funcion
multilineal de n vectores en Rn , ya sea las columnas, o los renglones (por
las propiedades demostradas). Esto se ve claro al escribir, por ejemplo
v1
v2
i) (Rn Rn Rn ) R es multilineal,
ii) Det (v1 , v2 , . . . , vj1 , vj , vj , vj+2 , . . . , vn ) = 0, i.e., si se tienen 2 renglones consecutivos iguales, el determinante es 0,
iii) Det (e1 , e2 , . . . , en ) = 1, i.e., Det (I) = 1.
Teorema 4.9.1 Existe una u
nica funci
on con dominio
n
n
R
Rn}
| R {z
n veces
114
rea o volumen
4.9. El determinante como a
Sn
i=1
n
=
(1) (n)
consiste de m inversiones, entonces se puede mediante m transposiciones
de elementos consecutivos, componer y obtener la identidad.
Por lo cual
!
n
n
X
X
X
a1 (1) an (n) ().
f
a1 i ei , . . . ,
an i ei =
i=1
i=1
Sn
Area
- volumen
Definici
on 59 Sean v, w R2 y P (v, w) el paralelogramo generado por
v y w. Se denota por vol0 (v, w) al
area de P (v, w) si Det (v, w) 0 y
menos el area de P (v, w) si Det (v, w) 0.
115
4. Matrices y determinantes
1. Area
(segmento)= 0,
2. Si Area(A)
= m, Area(T
(A)) = m, donde T es una traslacion,
3. Si A B = o A B es un conjunto de area cero, entonces
Area(A
B) = Area(A)
Area(B),
La prueba formal de estas propiedades se lleva a cabo en el curso de
calculo de varias variables, donde se define al area como una integral doble
Z
AE (R) =
d A.
R
116
rea o volumen
4.9. El determinante como a
Tambien
vol
v
n
,w
1
vol (v, w),
n
y si m, n N
vol
m
n
v, w
v
,
n
m
vol (v, w).
n
1
m v, w
n
= m vol
= m
1
v, w
n
1
vol (v, w).
n
nv
(n 1) v
2v
v
w
P (v, w)
117
4. Matrices y determinantes
r2 v
cv
r1 v
P (v, w)
v
w
P (v, w)
118
rea o volumen
4.9. El determinante como a
A
B
w
119
4. Matrices y determinantes
2w
2w
w
v
y v2 = c2 v + d2 w.
120
rea o volumen
4.9. El determinante como a
Area
L(P ) = |det A| Area
P,
donde A es la matriz que define L.
EJERCICIOS 4.9
1. Terminar la prueba del Lema 4.9.6.
Captulo 5
Preliminares
Estudiaremos un sistema
a11 x1 +
a21 x1 +
..
a x +
m1 1
+ + a1n xn
+ + a2n xn
=
=
..
.
b1
b2
(5.1)
am2 x2 + + amn xn = bm .
a1 1 a1 n
a1 1 a1 n b 1
..
.. y ..
.. ,
.
.
.
.
am 1 am n
am 1 an n b m
a la primera se les llama matriz del sistema y a la segunda se le conoce como
la matriz aumentada.
Observese que si denotamos las columnas de la matriz por C1 , C2 , . . . , Cn
y a B la columna de los terminos libres, el sistema (5.1) se puede reescribir
como
x1 C1 + x2 C2 + + xn Cn = B.
121
(5.2)
122
5.1. Preliminares
Mas a
un, si X = (x1 , x2 , . . . , xn ) es solucion, entonces B < C1 , . . . , Cn >.
Por ejemplo, el sistema
2x + 3y z = 5
x y + z = 2
se puede escribir como x(2, 1) + y(3, 1) + z(1, 1) = (5, 2).
Definici
on 60 Al sistema (5.1) se le llama homogeneo si
B = (b1 , . . . , bm ) = 0.
Algunos sistemas tienen muchas soluciones, otros exactamente una, y
algunos otros ninguna.
Por ejemplo,
(
x + y = 3
x y = 1
tiene una u
nica solucion, ya que las ecuaciones implican 2x = 4, y y = 1.
(2, 1)
Estas
son los puntos de la recta 2x = y.
(1, 2)
123
y x = 1
y x = 2
5.2.
Existencia de soluciones
124
Finalmente, esta condicion equivale a que los rangos de la matriz del sistema,
y de la matriz aumentada sean iguales: si B
/ < C1 , C2 , . . . , Cn >, entonces
el rango de < B, C1 , C2 , . . . , Cn > es mayor al de la matriz del sistema, y
B junto con una base de {C1 , C2 , . . . , Cn } forman un conjunto linealmente
independiente.
Ejemplos
1. Consideremos el siguiente sistema de
x + y
x
+ z
x + y 2z
ecuaciones
w = 0
w = 1
+ w = 3.
1 1 0 1
1 0 1 1
La matriz aumentada es
1 1 2 1
1 1
0 1 0
1
0 1 1
0 1
0
0 2 2 0
3
0
0
1
3
1 0 1 0
1 1 0 1 ,
0 0 0
1
1 1 0 1
1 1 0 1
1 0 1 1 0 1 1 0 ,
1 1 2 1
0 0 0 0
tiene rango 2, por lo que el sistema no tiene soluciones.
2. Analizamos ahora el sistema
x y + 2z = 1
y z = 1
3x + y z = 0
4x + y
= 2.
125
1 1 2 1
1 1 2
1
0 1 1 1
0 1 1 1
3 1 1 0
0 4 7 3
4 1
0 2
0 5 8 2
1 1 2
1
1 1 2
1
0 1 1 1
0 1 1 1 ,
0 0 3 7
0 0 3 7
0 0 3 7
0 0
0
0
es decir, tiene rango 3. Las mismas operaciones establecen que
1 1 2
1 1 2
0 1 1
0 1 1 ,
3 1 1
0 0 3
4 1
0
0 0
0
que tambien tiene rango 3, y por lo tanto el sistema s tiene solucion.
3. Consideramos el sistema X1 C1 + X2 C2 + + Xn Cn = B, donde
los vectores columna Cj son vectores en Rn (y B tambien), supongase
tambien que
det(C1 C2 Cn ) 6= 0.
Entonces el sistema tiene solucion, esto se sigue ya que esta hipotesis
implica que la matriz del sistema tiene rango n (Corolario 4.8.4).
Ademas, el rango de la matriz aumentada (que siempre es mayor o
igual que el de la matriz del sistema) es n, ya que sus vectores
columna viven en Rn . Es decir, ambos rangos son iguales.
4. Otra prueba de que cualquier sistema homogeneo tiene solucion es observando que las columnas de las 2 matrices del sistema generan el
mismo subespacio vectorial (la u
ltima columna es de ceros).
5. Un sistema de m ecuaciones y n incognitas, donde m < n, y tal
que el rango de la matriz sea m, tiene solucion. Esto se sigue de que el
rango de la matriz aumentada es m (los vectores columna viven en
Rm ), y por lo tanto es m.
126
gnitas
5.3. Sistemas de n ecuaciones y n-inco
EJERCICIOS 5.2
1. Determine si los siguientes sistemas tienen solucion.
y
+
2z
=
7
x + y
a)
b) 2x
y + z = 5
2z = 6,
2y +
2x + 3y + z = 7
x y +
c) 2x 4y + 6z = 10
d) 3x 3y +
3x 5y + 3z = 4,
2x 2y +
5.3.
z = 1
3z = 5
5z = 2,
2z = 2
6z = 1
4z = 0.
.
.
a x + a x + + a x = k .
n1 1
22 2
nn n
n
Denotaremos por d al determinante de la
a11 a12
a21 a21
d = det ..
..
.
.
an1 an1
(5.3)
a1n
a2n
.. .
...
.
ann
127
128
gnitas
5.3. Sistemas de n ecuaciones y n-inco
Ejemplos
1. Dado el sistema
(
x + y = a
,
x y = b
se tiene que
1 1
d =
1 1
= 2,
a 1
= a b
d1 =
b 1
1 a
= b a,
y d2 =
1 b
, ab
.
la solucion u
nica es (x, y) = a+b
2
2
2. Para el sistema
(
sen 2 cos
=
cos 2 sen
= sen sen 2 cos cos 2
= sen (2 sen cos ) cos (cos2 sen2 )
= 2 sen2 cos cos (1 2 sen2 )
= cos ,
d2
sen sen 2
=
cos cos 2
129
(5.4)
x=y
130
gnitas
5.3. Sistemas de n ecuaciones y n-inco
ax + by
cx + dy
es la reflexion en la recta que pasa por ei( 4 2 ) , ya que al rotar ei( 4 2 ) por
ei y reflejar en x = y, se tiene ei( 4 2 ) (se sigue del algebra lineal que como
la matriz tiene determinante 1 es una reflexion). Vease la Figura 5.4.
El smbolo eix corresponde a (cos x, sen x). La multiplicacion de matrices
se define como
a b
a + b a + b
=
,
c d
c + d c + d
y
a b
c d
x
y
=
.
Otros ejemplos
1. Se resuelve el sistema
x + y + z = 1
ax + by + cz = k
2
a x + b2 y + c2 z = k 2 ,
donde a, b, c son tres n
umeros distintos. El determinante del sistema
es de tipo Van der Monde y esta dado por
1 1 1
d = a b c = (c b)(b a)(c a).
a2 b 2 c 2
Los determinantes d1 , d2 , d3 son tambien de tipo Van der Monde, y se
sigue de la regla de Cramer que la solucion esta dada por
(c k)(c b)(b k) (c k)(k a)(c a) (k b)(k a)(b a)
,
,
(c b)(b a)(c a) (c b)(b a)(c a) (c b)(b a)(c a)
(c k)(b k) (c k)(k a) (k b)(k a)
=
,
,
.
(b a)(c a) (c b)(b a) (c b)(c a)
2. Exprese K = (5, 1, 11) como combinacion lineal de B1 = (3, 2, 2),
B2 = (2, 3, 1) y B3 = (1, 1, 3). Se debe resolver
x1 B1 + x2 B2 + x3 B3 = K,
131
es decir,
3x1 + 2x2 + x3 = 5
2x1 + 3x2 + x3 = 1
2
1
5
5
4
4
= 24,
= 24,
+5
2 3
2 1
132
EJERCICIOS 5.3
1. Encuentre la solucion a los siguientes sistemas usando la
x + y z = 2
x y +
a)
b) 2x y
3x y + 2z = 4
x + 2y z = 6,
3x + 2y +
regla de Cramer.
z = 1
z = 4
z = 1,
x y + 3z = 4
c) 2x y + z = 6
3x 2y + 2z = 10.
2. Exprese el vector K = (1, 5, 9) como combinacion lineal de los vectores
B1 = (1, 3, 7), B2 = (1, 2, 3) y B3 = (0, 1, 1).
5.4.
Sistemas homog
eneos, funciones lineales
a11 x1 +
a21 x1 +
..
a x +
m1 1
+ + a1n xn
+ + a2n xn
= 0
= 0
..
.
(5.6)
am2 x2 + + amn xn = 0,
0
0,
= 0, i.e., X + Y W.
W , entonces
x1 C1 + + xn Cn = 0
y X W.
133
s1 C1 + + sr Cr + sr+1 Cr+1 + + sn Cn = B
y
s1 C1 + + sr Cr + sr+1 Cr+1 + + sn Cn , = B.
134
(s1 s1 ) C1 + + (sr sr ) Cr = 0,
0
X, Y Rn ,
t R
X Rn .
(5.7)
135
136
neo asociado
5.5. Sistema homoge
5.5.
Sistema homog
eneo asociado
137
Teorema 5.5.1 Las soluciones del sistema (5.2) consisten en todos los vectores de la forma
X0 + S,
donde X0 es una solucion particular de (5.2) y S es cualquier soluci
on de
(5.6) el sistema homogeneo asociado.
n. Sea X0 = (x1 , . . . , xn ) y Y cualquier solucion de (5.2),
Demostracio
Y = (y1 , . . . , yn ), entonces
x1 C1 + + xn Cn = B
y
y1 C1 + + yn Cn = B,
por lo cual
(y1 x1 ) C1 + + (yn xn ) Cn = B B = 0,
y Y X0 = S es solucion de (5.6), i.e., Y = X0 + S.
Finalmente si S es solucion de (5.6), S = (s1 , . . . , sn ), entonces
(x1 + s1 ) C1 + + (xn + sn ) Cn = x1 C1 + + xn Cn + s1 C1 + + sn Cn
= B + 0 = B,
y X0 + S es solucion.
Ejemplo
Consideremos
x + y = 2.
(0, 2)
(1, 1)
(2, 0)
y = x
138
n de sistemas
5.6. Resolucio
5.6.
Resoluci
on de sistemas
2y
=
3
(3x + x) + (5y 2y) = 6 + 3
(
(4)
3x + 5y = 6
x 2y = 3
139
(1)
(2)
(3)
.
.
a x + + a x = b ,
rr r
rn n
donde los primeros r vectores columna de la matriz del sistema son linealmente independientes.
Usando el Teorema 5.4.2 se obtienen todas las soluciones. Primero se
aplica, para encontrar una particular. Posteriormente, se usa para encontrar las soluciones del sistema homogeneo asociado. Y de esta manera se
obtienen todas las soluciones del sistema en virtud del Teorema 5.5.1. Recordamos que el Teorema 5.4.2 establece que dados n r n
umeros arbitrarios
sr+1 , sr+2 , . . . , sn , existen otros r n
umeros u
nicos s1 , s2 , . . . , sn , tales que
s = (s1 , . . . , sr , sr+1 , . . . , sn )
es solucion de (5.8).
140
n de sistemas
5.6. Resolucio
a22 x2 + + a2r xr = b2
..
a x = b,
rr r
sr+1 = 1, sr+2 = 0, , sn = 0
sr+1 = 1, sr+2 = 1, , sn = 0
..
..
..
..
.
.
.
.
s
= 1, s
= 1, , s = 1.
r+1
r+2
141
Ejemplos
1. Resolvemos el sistema
x + y 2z
= 1
2x y z 3t = 4
x + 2y 3z + t = 3
2x + y 3z t = 0.
Se aplican operaciones elementales a
1 1 2 0
1
2 1 1 3 4
1 2 3 1
3
2 1 3 1 0
1 1 2 0
1
0 3 3 3 6
0 1 1 1
2
0 1 1 1 2
1 1 2 0
1
1 1 2 0
1
0 1 1 1 2
0 1 1 1 2 .
0 1 1 1
0 0
2
0
0
0
0 0
0
0
0
0 0
0
0
0
Se concluye que el sistema original tiene las mismas soluciones que el
sistema
(
x + y 2z
= 1
y + z t = 2,
tomando los valores (t, z) = (0, 0), se obtiene la solucion particular
X0 = (1, 2, 0, 0).
Resolvemos ahora el sistema homogeneo asociado. Estas mismas
operaciones elementales por renglones, se aplican para simplificar el
sistema homogeneo asociado, la u
ltima columna, que son ceros, no cambia. Notese que la dimension del subespacio vectorial de las soluciones
es 42 = 2. Se puede encontrar una base de este tomando para (z, t),
los valores (1, 0) y (0, 1).
Si z = 1 y t = 0 se tiene
(
x + y 2 = 0
y + 1 = 0,
142
n de sistemas
5.6. Resolucio
2x
y + z
+ y z
2y + z
+ y + 2z
+ 2t = 0
5t = 6
+ 4t = 1
t = 5.
1 1 1
2
0
1
2 1 1 5 6
0
1 2 1
0
4 1
1 1
2 1 5
0
1 1 1
2
0
1
0 1 1 3 2
0
0 1 0
0
2 1
0 0
1
1
3
0
1 1
2
0
3 3 9 6
1 0
2 1
2
1 3 5
1 1
2
0
1 1 3 2
,
0 1 1 3
0
1
1
3
y el sistema es equivalente a
x y + z + 2t = 0
y z 3t = 2
z + t = 3.
Tomando el valor t = 0, se obtiene de manera inmediata una solucion
particular X0 = (2, 1, 3, 0) (se encuentra z, luego y y finalmente x).
143
x y + z = 2
y z = 3
z = 1,
cuya solucion es X1 = (1, 2, 1, 1). En consecuencia, el conjunto de
soluciones esta dado por
{X0 + t X1 | t R}.
Notese que el conjunto de soluciones se puede expresar en terminos
de las variables originales, como en los dos ejemplo anteriores. Esto
siempre se puede hacer, ya que las variables libres pueden ser usadas
como parametros, ya que los vectores elegidos tienen coordenadas cero
en estas variables, salvo en una de ellas donde toman el valor uno.
3.
y + 2z = 1
y z = 1
3x + y z = 0
4x + y
= 2.
La matriz
1 1
0 1
3 1
4 1
1 1
0 1 1 1
1 0
0 4 7 3
0 2
0 5 8 2
1 1 2
1
0 1 1 1
,
0 0 3 7
0 0 3 7
i.e., las soluciones son las mismas que las del sistema
x y + 2z = 1
y z = 1
3z = 7.
Por consiguiente, la u
nica solucion es
3 14 10
1 10 7
, ,
, ya que x =
+ .
X0 =
3 3 3
3
3
3
144
n de sistemas
5.6. Resolucio
4. Considerese el sistema
+ 2 x4 = 2
x1 + x2
x2 + 2 x3
= 0
x4 = 2.
La matriz aumentada asociada es
1 1 0 2 2
0 1 2 0 0 .
0 0 0 1 2
Aunque esta matriz es escalonada, las primeras 3 columnas no son
linealmente independientes, por lo que se debe renombrar las variables.
Sean y1 = x1 , y2 = x2 , y3 = x4 y y4 = x3 , entonces el sistema se
escribe
= 2
y1 + y2 + 2 y3
y2
+ 2 y4 = 0
y3
= 2,
y la matriz aumentada del nuevo
1 1
0 1
0 0
sistema es
2 0 2
0 2 0 .
1 0 2
145
X1 = (4, 2, 1, 0),
2x + 3y + z t + w = 2
a)
3x
+ z + 2t 5 w = 0
x + y 2z
4 w = 0,
b)
x1
4 x1
x2 + x3 + x4 + x5 + x6 = 7
2 x2 + x3
4 x5
= 8
+ 2 x5 x6 = 2,
x + 3y + z +
c)
3y 2z
w = 2
3w = 0
2 t + 5 w = 2,
t
x 2y + z + t = 5
d)
y + 2z t = 3
5 z 2 t = 1.
Captulo 6
Los anillos Z y Zm
Se establecen las propiedades del anillo de los enteros de manera axiomatica,
se definen los anillos Zm , y se prueba que en efecto son anillos. Posteriormente, se discuten los dominios enteros, el orden y las unidades. El libro
concluye probando la equivalencia del principio de induccion con el del buen
orden.
6.1.
Anillos
Definici
on 62 El conjunto de los enteros, denotados por Z, consiste de los
n
umeros
{. . . , 2, 1, 0, 1, 2, . . .}.
148
6.2. Anillos Zm
S1) a + b = b + a a, b Z (conmutatividad),
S2) (a + b) + c = a + (b + c) a, b, c Z (asociatividad),
S3) 0 Z a + 0 = a a Z
D) a (b + c) = a b + a c a, b, c Z
(distributividad).
Definici
on 64 A un conjunto X con dos operaciones binarias que satisfacen los axiomas S1, S2, S3, S4, P 1, P 2, P 3 y D se le llama anillo conmutativo con elemento unitario (o unidad). Si no satisface P 1 y P 3 se le
llama simplemente anillo.
Con esta terminologa Z es un anillo conmutativo con unidad. No se prueba este hecho, aceptaremos las propiedades S1, S2, S3, S4, P 1, P 2, P 3 y D
como ciertas, y simplemente nos referiremos a estas como los primeros ocho
axiomas de los enteros, llamandolos Axioma 1, Axioma 2,..., y Axioma 8,
respectivamente. Estos axiomas, junto con otros axiomas, se tomaran como
el fundamento para el estudio de los anillos Zm y de otros temas que se es
tudian en el 2o curso Algebra
superior II, como por ejemplo, la divisibilidad
y los n
umeros reales.
6.2.
Anillos Zm
0
0
1
1
1
0
0
1
0
0
0
1
0
1
149
6. Los anillos Z y Zm
i.e., t es un m
ultiplo de 3},
1 = {t | t 1 = 3k,
i.e., t 1 es un m
ultiplo de 3},
2 = {t | t 2 = 3k,
150
6.2. Anillos Zm
Definici
on 65 Al conjunto de clases de equivalencia en Z definidas por la
relacion
a b si a b = km, k Z, m N fijo,
se le denota por Zm .
Resulta que este conjunto es un anillo conmutativo con unidad, lo cual
probamos ahora. Observese primero que
Zm = {0, 1, 2, . . . , m 1}
(ejercicio).
Se definen 2 operaciones en Zm
a + b = a1 + b1 , donde a1 a y b1 b,
a b = a1 b1 , donde a1 a y b1 b.
Hay que probar que estas operaciones estan bien definidas y no dependen
de los representantes a1 y b1 . Si
a1 a2
y b1 b2 ,
se tiene
a1 a2 = m k 1
b1 b2 = m k 2 ,
donde k1 , k2 Z.
Por lo tanto
a1 + b1 (a2 + b2 ) = m(k1 k2 )
a1 + b1 a2 + b2 .
Tambien,
a1 b 1 a2 b 2
= a1 b 1 a2 b 1 + a2 b 1 a2 b 2
= (a1 a2 ) b1 + a2 (b1 b2 )
= m k1 b1 + a2 m k2 = m(entero),
y a1 b1 a2 b2 .
Resulta ahora facil probar para todos los conjuntos Zm que son en efecto
anillos conmutativos con unidad.
Teorema 6.2.1 m N, Zm es un anillo conmutativo con unidad.
151
6. Los anillos Z y Zm
0
0
1
2
3
1
1
2
3
0
2
2
3
0
1
3
3
0
1
2
0
0 0
1 0
2 0
3 0
1
0
1
2
3
2
0
2
0
2
3
0
3
2
1
152
EJERCICIOS 6.2
1. Sea m N fijo. Demuestre que Zm = {0, 1, 2, . . . , m 1}. Sugerencia:
usar el algoritmo de la division.
2. Terminar la prueba de que Zm es una anillo conmutativo con unidad, es
decir, hay que probar las propiedades S4) y P2).
3. Escribir las tablas de Z3 , Z5 y Z6 .
6.3.
se tiene b = c.
a + c = b + c,
se tiene
a = b.
153
6. Los anillos Z y Zm
Proposici
on 6.3.2 a Z (a) = a.
n. Como a + (a) = 0, entonces el inverso aditivo de (a),
Demostracio
es decir, (a) es a, por unicidad.
Una propiedad fundamental es la siguiente.
Proposici
on 6.3.3 (Regla de los signos) a, b Z se tiene
i) (a) b = (a b) = a (b),
ii) (a)(b) = a b.
n. Como
Demostracio
(a) b + a b = ((a) + a) b = 0,
por unicidad
(a) b = (a b).
La otra igualdad en i) se prueba de manera analoga.
Para probar ii), usando i) se tiene
(a)(b) + [(ab)] = (a)(b) + [(a) b] = (a)(b + b) = 0,
por lo que (por unicidad) (a)(b) = a b.
Como caso particular de la Proposicion 6.3.3 se tiene (1) a = a y
(1)(1) = 1.
Definici
on 66 Sean a, b Z, se define la resta o diferencia de a menos
b como
a + (b),
se denota por a b.
Observese que a (b c) = ab ac, ya que
a(b + (c)) = a b + a (c) = a b + ((ac)),
por la regla de los signos.
154
PARA LA MULTIPLICACION:
Sean a, b, c A, a 6= 0, tales que a b = a c, entonces b = c.
155
6. Los anillos Z y Zm
6.4.
Orden y unidades en Z
156
Definici
on 69 Sean a, b Z, se dice que a es mayor que b, si
a b N,
Se escribe a > b.
Observese que
a > 0
a0 N
a N.
Proposici
on 6.4.1 (Transitividad) Sean a, b, c Z tales que a > b y
b > c, entonces a > c.
n. Como a b N, y b c N, se tiene
Demostracio
ab+bc=ac N
(en virtud del Axioma 10), es decir a > c.
Observese que el Axioma 12 se puede reescribir de la siguiente manera:
dado a Z, sucede una y solo una de las siguientes tres afirmaciones:
a > 0,
a < 0,
0 > a
o a = 0.
a > 0,
0a N
a N.
157
6. Los anillos Z y Zm
n. a b N y c N, por lo cual
Demostracio
(a b) c = a c b c N,
es decir, a c > b c.
OTRAS PROPIEDADES DE ORDEN
1. a2 > 0 a Z {0}:
Si a N, se sigue del Axioma 11 que tambien a2 es un natural Si
a N, (a)(a) N y a2 N, por la regla de los signos.
2. Si a 0 y b 0, entonces a + b 0 :
a, b N
3. a < b
ba N
a + b N.
a > b (b < a) :
a (b) N.
UNIDADES EN Z
158
n
6.5. Principio de induccio
6.5.
Principio de inducci
on
(6.1)
Sea M N, aquellos n
umeros que cumplen (6.1), se tiene que
i) 1 M, ya que 1 = 12 ,
ii) si n M, entonces
1 + 3 + 5 + 7 + + (2n 1) + (2n + 1) = n2 + (2n + 1) = (n + 1)2 ,
por lo que n + 1 M .
6. Los anillos Z y Zm
159
El Principio de induccion implica que (6.1) es valido para todos los naturales.
Como un 2o ejemplo, considerese la igualdad
20 + 21 + 22 + + 2n1 = 2n 1.
(6.2)
160
n
6.5. Principio de induccio
El texto concluye estableciendo otra propiedad de los enteros que sorprendentemente es equivalente al principio de induccion.
PRINCIPIO DEL BUEN ORDEN
Bibliografa
n H. y Rinco
n C. Algebra
[1] Bravo A., Rinco
Superior, Facultad de
Ciencias, UNAM, 2008.
161
Indice analtico
n factorial, 21
abcisa, 54
anillo, 30, 148
conmutativo, 148
axioma
de extension, 155
de infinito, 155
especificacion, 155
axiomas
Peano, 147
base, 74
buen orden
principio del, 160
campo, 30
cardinalidad, 17
clase de equivalencia, 26, 149
coeficientes binomiales, 47
combinacion lineal, 69
combinaciones, 34, 46
conjunto
de combinaciones lineales, 70
conjunto (s), 1
complemento de, 5
diferencia de, 7
finito, 17
infinito, 18
interseccion de, 4
union de, 3
vacio, 2
corresponencia biunvoca, 43
Cramer
regla de, 127
DeMorgan
leyes de, 6
dependencia lineal, 71
determinante, 93
propiedades, 95
dominio entero, 154
escalares, 53
espacio vectorial
Rn , 60
sobre los reales, 62
estructuras algebraicas, 28
funcion (es), 10, 36
biyectiva, 16, 39
caracterstica, 48
codominio de, 10
composicion de, 12
dominio de, 10
extension de, 41
imagen de, 11, 40, 135
inverso derecho de, 14
inverso izquierdo de, 14
invertible, 14
inyectiva, 15, 39
kernel, 134
162
163
6. Indice analtico
lineal, 134
multilineal, 113
suprayectiva, 16, 39
grupo, 30
induccion
principio modificado de, 159
principio de, 19, 158
inversion, 88
pareja ordenada, 8
particion, 24
Pascal
formula del triangulo de, 49
ley
teorema de, 21
de cancelacion para el producto, permutacion
30
impar, 89
de cancelacion para la suma, 29
inversa, 91
de la cancelacion, 152
par, 89
de tricotoma, 30
permutaciones, 33, 45, 88
ley distributiva, 4
producto
cartesiano, 8, 42, 53
matrices, 81
de un escalar por un vector, 53
matriz
por escalares, 60
aumentada, 121
punto, 65
cuadrada, 82
del sistema, 121
regla de correspondencia, 11
determinante, 126
relacion, 9
diagonal, 82
de equivalencia, 23, 149
escalonada, 86
dominio de, 10
menores, 102
imagen de, 10
rango de, 83, 112, 123
signos
transpuesta, 101
regla de los, 153
triangular, 82
sistema
n
umeros
homogeneo, 122
complejos, 28
solucion, 123
enteros, 28, 147
sistema homogeneo, 132
naturales, 28
asociado, 136
racionales, 28
subconjunto, 2
reales, 28
subespacio
Newton
generado, 70
164
vectorial, 70
vectorial de Rn , 63
vectorial generado, 76
suma, 60
de vectores, 53
transposicion, 89
unidades, 157
Van der Monde, 130
determinante tipo, 108
vectores, 53
linealmente dependientes, 71
linealmente independiantes, 72
ortogonales, 65