Está en la página 1de 336

CAPITuLO 1. ESPACIOS VECTORlALES ." "....

1

1.1. El espacio vectorial real ([R:n, + , lR) 3

1.2. La estructura algebraica del espacio vectorial 8

1.3. Subespacios vectoriaJes 14

1.4. Trans formaci ones en un sistema de generadores. Espacios

vectoriales finitos. Bases 21

1.5. Dimension de los subespacios de un espacio vectorial finito 31

CAPITULO 2. APLICACIONES LINEALES..... 57

2. I. Aplicaciones lineales 58

2.2. Subespacios distinguidos: micleo e imagen 63

2.3. Aplicaciones lineales y matrices 69

2.4. Los espacios vectoriales (L(V, W) ,+, IH:) y (M,nxn, + IH:) 75

2.5. Composicion de aplicaciones lineales y producto de matrices 81

2.6. Algebras de endomorfismos y matrices cuadradas 87

2.7. Matriz asociada a un cambio de base en V. Matriz asociada a una

aplicacion lineal cuando carnbian las bases 92

2.8.. Operaciones elementales en una matriz. Matriz elemental 98

CAPITULO 3. DETERMINANTE DE UNA MATRIZ CUADRADA 121

3.1. Determinante de una matriz cuadrada 122

v

indice general

3.2. Calculo de determinantes 128

3.3. Propiedades de los determinantes 134

3.4. Calculo de la matriz inversa 143

3.5. Rango de una matriz; rango de un endomorfismo; rango de un sistema

de vectores 152

CAPITULO 4. SISTEMAS DE ECUACIONES 167

4.1. Sistemas de ecuaciones lineales ]68

4.2. Rango y solucion en un sistema de ecuaciones ] 72

4.3. Transformaciones elementales de matrices y equivalencia de

sistemas J 74

4.4. Aplicaciones de las transfonnaciones element ales en 1a resolucion

de los sistemas de ecuaciones lineales 188

CAPITULO 5. PRODUCTO ESCALAR DE VECTORES Y ESPACIO

EUCLIDEO 205

5.1. Producto escalar de vectores y espacio euclideo 206

5.2. Norma de un vector y angulo entre dos vectores 210

5.3. Expresi6n del producto escalar en una base dada 217

5.4. Sistemas ortogonales y ortonormales de vectores 221

CAPITULO 6. MATRICES SEMEJANTES 241

6.1. Matrices semejantes 242

6.2. Valores propios y vectores propios 249

6.3. Diagonalizaci6n de matrices 258

6.4. Diagonalizacion de endomorfismos simetricos 263

6.5. Forma canonica de Jordan 269

CAPITuLO 7. FORMAS BILINEALES 309

7.1. Formas bilineales 310

7.2. Formas cuadraticas 31

VI

El Algebra Lineal es para los estudiantes de ingenieria una herramienta fundamental que permite abordar el estudio de otras ramas de las rnatematicas, ademas de ser irnprescindible para las aplicaciones en diversas materias de las areas tecnologicas.

La rapidez en los cambios, tanto en el ambito cientifico como en el de la tecnologfa, hace imprevisible el tipo de instrumentos matematicos que necesitara el futuro profesional, por 10 que la fonnaci6n permanente se hace inevitable en la vida laboral y, de am, que sean los fundamentos de las rnatematicas una parte muy importante del conocimiento, a efectos de estar preparado para la actualizacion de los conocimientos.

EI programa elegido es el habitual en un curso de un cuatrimestre de duracion, por 10 que se advierte al estudiante que se dan por sabidos los conocimientos e1ementales del algebra lineal: elementos imprescindibles de la teoria de conjuntos, producto cartesiano, correspondencias, aplicaciones, relaciones de equivalencia y de orden, etc., sin que ello signifique que los topicos que se van ha desarrollar no sean autosuficientes y de facil lectura, incJuso para aquellos que puedan haber olvidado algunas nociones elementales. Esperamos que los abundantes ejemplos y los ejercicios que figuran al final de cada capitulo contribuyan para una buena preparacion de la asignatura.

Los temas eJegidos del programa son los imprescindibles para abordar no solo otras rnaterias de matematicas sino, tambien, de aplicacion en otras asignaturas de la carrera. Se comienza con el estudio de los espacios vectoriales y las aplicaciones lineales, para despues definir el concepto de matriz, sus operaciones y estructuras algebraicas a las que obedece. El estudio de los determinantes y de las transformacio-

VII

Pro/ago

nes elementales de matrices permitiran abordar, ~e una forma elegante y sencil1a, el tratamiento de los sistemas de ecuaciones lineales. Se continua con el estudio de los endomorfismos y las condiciones necesarias y suficientes para Ia existencia de matrices diagonales, Mencion especial se haee a la forma canonica de Jordan, de importante utili dad en los sistemas de ecuaciones diferenciales lineales. Finalmente, se introducen los conceptos de espacio eucHdeo y de las formas bilineales y cuadraticas, que tienen sus aplicaciones mas sobresalientes en el estudio de los elementos de geometria y que seran motivo del siguiente curso, que enlaza con este.

VIII

1

iE.SPACIOS VECTOR,IALES

I.NTRODUCCION

1.1. .. Elespacio vectorial real ([Ril, + , [R)

1.2 .. La estrueturaalqebraica delespacio vectorial 1..3. Subespacios vectoriales

1.4. Transfonnaciones en un sistema de generadores. Espacios vectori.a I esfinitos. Bases

1.5 .. Dimension de los subespacios de un espacio vecto.rial finito EJERCICIOS

1

1. Espacios vectoriales

INTRODUCCION

EI concepto de vector como segmento dirigido en el plano 0 en el espacio para representar fuerzas, velocidades 0 aceleraciones, se rernonta a Aristoteles, quien tambien conocia algunas de sus propiedades algebraicas.

El desarrollo de la Geometria Analftica a partir del siglo XVlJ lleva a los fisicos a la interpretacion de los vectores como parejas 0 ternas de mimeros (sus coordenadas) y a investigar como se traducen las operaciones vectoriales en estos terrninos (composicion de vectores, dilataciones, rotaciones, producto escalar, producto vectorial, etc.). El desarrollo y formalizaci6n COl11- pleta de estas ideas no se [leva a cabo, sin embargo, hasta bien entrado e) siglo XLX.

EI estudio de los sistemas de ecuaciones propicio, de modo natural, el paso del plano y el espacio ordinario al espacio de n dimensiones (como conjunto de entes determinados por n coordenadas, 0 bien directarnente como conjunto de n-uplas), que puede adivinarse ya en Gauss y aparece claramente en los matematicos de la siguiente generacion, En to do caso, Cayley y Grassmann manejan Ii bremen te, en 1846, las propiedades algebraicas del espacio n-dimensional: subespacios, generadores, dimensi6n, suma, interseccion, as! como las formulas del cambio de coordenadas.

En el ultimo tercio del siglo XIX aparece la noci6n de estructura y toma carta de naturaleza el metoda axiomatico.

Los vectores son utilizados en la forma actual desde 1888, cuando Peano (1858-1932) defini6 los espacios vectoriales axiomaticamente. Antes hay gran cantidad de precursores; citaremos entre elias a Descartes (1596-1650) que habla de coordenadas, Gauss (1777-1855) Que utiliza la suma de vectores de ~2, Hamilton (1805-1865) que describe--eOtho operar con pares de mimeros reales, y Grassman (1809-1877), quien, sin utilizar la nomenclatura actual, obtiene resultados importantes.

2

1. 1. EI espacio vectorial real ([Rn, +, [R)

1.1. EI espacio vectorial real (lffin, +, ~)

Algunos espacios vectoriales S00, conocidos por todos los estudiantes, asf ocurre cuando hablamos de IR, jR2, 0 [It",>, en general de IR", por ello, cornenzaremos el capitulo haciendo un breve repaso de los elementos de dichos espacios, 0 sea, vectores en la recta, en el plan,b 0 en el espacio.

I / /

1.1.1. Definicion de vector 0 de IRn

Los vectores fila Ii que forman los espacios IRR son n-uplas (til> U2, ••. , Uri) de mimeres reales U;, donde cada fl, (coordenada i del vector) es un escalar,

Las n-uplas se pueden eseribir en columnas, y entonees hablaremos de vee-

tores columna del mismo espacio vectorial R": (j:).

Nuestra familiaridad con los espacios vectoriales u;g, [R2 Y u;g-', se debe a que modelizan fiebnente el espacio en que vivimos, siendo cada uno de ellos apto para describir la posici6n de un punto cuando se ha fijado un sistema de referencia (sistema de eoordenadas can un origen). En estas condiciones, los vee tares se pueden representar geometricamente uniendo mediante una flecha el origen de coordenadas 0 con el punta UI en IR, (0,0) con (Ul, U2) en [Rl, y (0,0,0) con (U.,U2,U3) en [R3, y reciben el nombre de vectores fiios.

En ffsica, es rnuy util el usa de los vectores de [R4 = u;g3 X IR porque al afiadir a los de u;g3 una cuarta coordenada, permiten situar el tiempo (una vez fijado un origen para U4).

Los espacios vectoriales u;g" juegan un papel importante en el mundo empresarial, ya que, sus vectores permiten almacenar datos ordenados, gestionar-

3

1. Espacios vectoriales

los, y extraer resultados, de forma eficiente. Aunque este es el principal uso que hacen las empresas de los sistemas informaticos, tambien es muy frecuente, hacer un modelo abstracto, introducir distintos juegos de datos reales y prever los posibles resultados antes de tomar decisiones.

Ejemplo 1.1.1

El vector de u;g7 (dia, mes, ana, vendedor, producto, porcentaje, destino) puede dar informacion de la fecha en que se realiza una operaci6n de venta, el vendedor que la realiza, que producto vende, que tanto por ciento lleva, y en que ciudad se ha producido.

Hay que observar que, las variables de este vector deben ser escalares para que el vector pertenezca a u;g7, pero un vector puede ser definido de forma que las variables pertenezcan a conjuntos distintos de IR.

Para hacer la gestion de los datos es necesario operar can ellos, y las operaciones mas frecuentes son las que se pueden hacer con los vectores.

OPERACIONES CON VECTOPS: SUMA I

Los conceptos que se pUeden modelizar mediante elementos de IR, 1R2 y u;g3,

como distancias, fuerzas, J~locidades, etc., se pueden sumar, y ademas, podemos representar graficamente dichas SW11a<; (recordemos la regia del paralelogramo).

Ejemplo 1.1.2

La veJocidad real de un barco se puede expresar mediante UD vector. Dicho vector resulta de sumar el vector velocidad que surninistra la maquina y otros vectores vel acid ad ajenos al barco, como pueda ser la velocidad de una corriente detenninada, 0 la del viento.

La surna de vectores sirve para modelizar Ja velocidad real 0 corregida, y llevar el rumba y la velocidad deseados,

IR., [R:2 Y [RJ, son casas particu1ares de [Rn; de forma general, definimos analiticarnente la surna de vectores de [Rn a traves de la suma de sus coordenadas, que son escalares.

4

1.1. EI espacio vectorial real (IRn, +, IR)

1.1.2. Definicion de suma de vectores de Iffin

(Ii.I') ~ TI + v = (tlr, U2, •••• lin) + rv., V2 •... , vp) = (Ur + VI. 112 + V2, •.. , it,,+ Vii)

.,,'"'"~-- '.

Vector Ii + I' suma de 105 vectores u::: (UhU2, .•.• a,,) y \'::: (VI, \'2 ••..• v,,) de IRn es la imagen en la aplicacidm

Cuando sumamos dos vectores cualesquiera ii, v E ~" asignamos al par (u,v), otro vector Ii + 11 del mismo conjunto ~" a1 que llamamos vector SUllla, que se obtiene sumando las coordenadas de Ii y v que ocupan el misrno lugar.

1.1.3. Propiedades de la suma de los vectores de [Rn

La suma de vectores de IR" ticne las propiedades:

1. Asociativa: (u + v) + "IT' = Ii + (I' + w)

2. Conmutativa: Ii + v = v + Ii

3. Existe un vector neutro 0 elRn, que verifica u + 0 = u, siendo 0= (0.0 .... ,0)

4. Cada vector i7 = (1I], ill, .... lIn) E IRIJ tiene un vector simctrico, -u = (-Uj,-U2, .••• -1111) E IR". tal que, u + (-Ii) ::; 0

MULTWLICACION DE VECTORES POR UN ESCALAR

En IR, 1J\l12 Y O::e, tiene senti do hablar de tamafios. La posibilidad de hacer mas grande 0 mas pequefia una magnitud que se puede representar con un vector, se modeliza en algebra multiplicando dicho vector par un escalar,

5

1. Espacios vectoriales

Si Ilamamos .:1: al escalar, AU representa una dilataci6n 0 una contracci6n de u (segtin que 1.:1:1>1 6 IAI<1). Ademas si.:1: < 0, el sentido de AU es el opuesto al de U.

Se utilizan indistintamente las expresiones escalar par vector (AU) 0 vector por escalar (UA) , Y su definicion es la misma,

1. 1.4. Definicion de multiplicacion de vectares de ~n par un escalar

>

Vector AU, producto del escalar A E IR por el vector U = (UI' U11"" 11;,) de IR" es la imagen en 1a aplicacion:

- .......... , ......

Al multiplicar cua'iquier vector Ii e IR" par un escalar .:1: e IR, asignamos al par (Ii, A) otro vector J..Tie !RI", por tanto, no es una operacion intema entre veetores de un conjunto, sino una operaci6n extema que involucra elementos de dos con juntos cliferentes: IR" (vectores) y de IR (escalares),

1. 1.5. Prapiedades de la multiplicacion de vectares

de [Rn par unescalar '

La multiplicacioq de vectores de [R" par un escaiar tiene las propiedades:

L Distributive de escalares respecto a vectores: A.(U + v) = AU + AV

2. Distributiva de vectores respecto a escalares: (A + flJTt = AU + flU

3. Asociativa: (Ap) Ii ~A(UU)

4. Existe el escalar unidad, L que cump1e 1U = U

6

1.1. EI espacio vectorial real (~n, +, ~)

1. 1.6. Teorema

En ([RII, + IR) se- v'erifica:

aJ La operaci6n de sumar veetores de [R" tiene laS'prop'ietlades (1.1.3J

0) La operaoion de multiplicar vectores de ~It por escalares tiene las propiedades [1.1.5J

Demostraci6n:

a) La operaci6n de sumar vectores de [R" tiene las propiedades [1.1.3] porque las tiene la suma de los escalares que forman las n-uplas.

b) Para demostrar que la operaci6n de multiplicar vectores de IR" por escalares cumple las propiedades [1.1.5J, hay que ir comprobando cada una de las igualdades.

Vamos a hacerlo con una de elias; con las demas, se hace de la misma manera. Una forma de demostrar la veracidad de una igualdad es desarrollar los dos miembros de manera que se Uegue en ambos al mismd resultado.

Vamos a utilizar esta tecnica para demostrar la p~iedad distributiva de

vectores respecto a escalares. , _

Queremos demostrar que: (A + Ji)u = AU + Jiu.

Desarrollamos el primer miembro aplicando la definicion [1.1.4]:

(A + Ji)u = (A + Ji)(Uh U2, ... , un) = «A + Ji)Uh (A + P)U2, ... , (A + /1)Un) = = (AUI, jl.UI, AU2 + flU2, ... , AU" + jl.U,,)

Desarrollamos el segundo miembro aplicando la definici6n [1.1.4] a cada uno de los dos sumandos:

AU + jl.U = /t(UI. U2 , ... , u,,) + jl.(UJ, Ul , ,UII) =

= (AU I + AU2 , ... , AU,,) + (j1u}, jl.U2 , , jl.UII)

Si utilizamos la definici6n [1.1.2] para surnar los vectores resultantes, comprobamos que es 10 que queriamos demostrar.

Es muy facil repetir este procedimiento para cada una de las propiedades, cuando 10 hay amos hecho para todas elIas podremos decir que hemos demostrado el teorema [1.1.6].

7

1. Espacios vectoriales

1.2. laestructura algebraica de espacio vectorial

Existen conjuntos en los que se han definido operaciones diferentes que verifican las mismas propiedades: en estos casas decimos que sabre elias y sus operaciones respectivas existe definida una estructura algebraic a cormin.

La importancia que tiene el estudio de las estructuras radica en que es rnucho mas util analizar de una sola vez las propiedades que derivan de una estructura abstracta y aplicarlas a los conjuntos concretos que la tienen, independientemente del tipo de elementos que forman los conjuntos y de la operaci6n que se haya definido en ellos.

1.2.1. Definicion de estroctura algebraica

(A,*," .... ) es una estructura algehraica ~ A es un conjunto en el que hay definidas unr-TiUts-~ciones: *1° ....

Ejemplo 1'.2.1

([KIt, +) es una estructura algebraica.

Los elementos con que se opera son vectores E [Rn , y la operacion "+" es la suma de vectores.

Ejemplo 1..2.2

Si A = {1,2,5 J y la operacion "*" asigna a (a, b) el resto de ab 13, (A,*), es LIlla estructura algebraica,

8

1.2. La estructure algebraica de espacio vectorial

Cuando la operaci6n se realiza en un conjunto finite, se pueden dar los resultados de la operacion entre todos sus elementos, es decir, se puede tabular:

I I

2

5

Hay algunas estructuras que se repiten call frecuencia, incluso formando parte de otras; este es el caso de los grupos.

1.2.2. Definicion de grupo

0.*) tiene cstructura de V-UW ~ La opcracion * en cl conjunto'A (no vacio) tic-

ne las propiedades: ~ .1

1. Asociativa: (n * b) * C = a « (b ... C), Va, b. C EA --......--,

2_ Exi ste un elemento neutro e E A, qu e \- erifica a » e = e * a = a, 'if II EA'

3. Va E A, "3a' E A que veri lica a * a' = a' >I< a = e; a' es el elemento simetrico o inVeThO de a

4. Rs UIJ grupo conmutativo si ademas tierie la propiedad conrnutativa Va, bE A sc verifica a * b = b * a

Ejemplo 1..2.3

(IR", +) tiene estructura algebraica de grupo.

La operacion + en IRn, cumple las propiedades: asociativa, existe un vector neutro y todo vector tiene un sirnetrico, como hemos visto en [1.1.6].

Se suele llamar opuesto de a al elemento sirnetrico para la operacion de sumar, y se representa como -a.

El estudio de Ias propiedades de CIR", +, IR) se ha ida incorporando a las matematicas desde el siglo XIX, y ha sido tan significative, que ha dado nombre ala estructura algebraica que tiene: espacio vectorial,

9

1. Espacios vectoriales

Hay rnuchos conjuntos que tienen las mismas propiedades, es decir, la ntisrna estructura que definimos de forma general.

1.2.3. Definicion de espacio vectorial

(V, *. ·IRJ dene esttueruta de espacio veGtorial soB ell! # (V,' *) es grupo conmutarivo y (V, *, .[R) tiene!as p'ropie'dades:

.. Dlstributiva de las escalares respeeto a lor.: vectores: A. • (it * V) = A • it * k • v

• biSiributiva de los vectores re&peGfu a la soma de escalaress

a + fl) • U =' A • Ii *' J.I • 11

• ASQciativa: respecto al produeec de escalates: (Ap) • u =' k- (;L. it)

• Existe un eszalar unidad, 1 E ~, que verifida 1 - II = U

Los elementos de cualquier conjunto can estructura de espacio vectorial se llaman vee to res y normalmente se representan con una barra sobre una letra la-

tinaio~-'~Ie~s de IR. se Uaman escalates y se suelen representar con una letra ~riega mimiscula.

Ellugar de IR. puede ser oeupado par un cuerpo diferente, el de los complejos, 0 cualquier otro cuerpo IK, entonces (V, *, -IK) es un espacio vectorial sobre K

En este curso, si no decimos 10 can trari 0, nos referiremos siempre a (V, *, .IR.) y omitiremos el sfmbolo "." para la ley de composici6n extema que indicaremos mediante una simple yustaposicion.

Ejemplo 1.2.4

EI conjunto de polinomios de grado menor 0 iguaJ que 2 con coeficientes reales y una variable (P2(X), +, 1R1) es un espacio vectorial sobre R

La operaci6n intema es la suma de polinomios y la operaci6n extema es 1a multiplicaci6n de un polinomio par un escalar. Los polinomios son los vectores y los ruirneros reales los escalares,

10

1.2. La estructura algebraica de espacio vectorial

Ambas operaciones nos resultan familiares, las utilizamos can frecuencia y conocemos sus propiedades.

Ejemplo 1.2.5

EI conjunto de polinomios de grado 2 con coeficientes reales y una variable (P2(X), +, IRl:) no es un espacio vectorial sobre IR.

La suma de dos polinomios de grado 2, puede no ser (Pl polinomio de gra-

do 2.. ~'

Por ejemplo: (X2 + 2x - 1) + ( _Xl + X + 3)=~ *-2"; 3x + 2$ P2(X), ya que, es de grado I.

En el mismo conjunto se pueden def'inir distintas operaciones y segun las propiedades que verifiquen, tendran una estructura diferente.

Ejemplo1.2.6

S. (1fll2 'Ifll) d ",. {CU]' U2) + (v], V2) = (UI + v], U2 + V2) . d

1 ell 111:>, +, II'!. ellflImos , Sleno

AU = (AUb U2)

U = (Ub U2), Ii = (v], V2) E 1R2, A E 1Rl:, entonces (1Rl:2, +, 1Rl:.) no es un espacio vectorial.

Veamos que no tiene la propiedad (A + fl)U = AU +pu:

(A + p)7i = ((..t + f1)UI, U2) = (AUI + uu-, U2) AU + pu = (AUb U2) + (jLUI, U2) = (AUI + f1U], 2U2)

Los resultados obtenidos en ambos miembros SOil diferentes, es decir, (A.. + f1)u '* AU + f1u.

Hay propiedades que se deducen directamente de la definicion de espacio vectorial, y es mas eficiente demostrarlas una sola vez de forma general, que comprobar su veracidad para cada caso concreto. Algunas de las mas utilizadas son las siguientes:

11

1. Espacios vectoriales

1.2.4. Consecuencias

"

Ell cualquicr cspacio vectorial (V, *. Ill) 'e verifica:

1. AO=Q I

2. Ou = 0

3. (-A)U == ~(-U) == t(AU) _

4. ~~ A~ =- 0 ~~! == ~~ 6 U == 0

5. 81,hl =)1Il, U '* 0 ;=:0 }, == f.I

6. SiAU=AV,.:t:t:O => U=V

Demostraciones:

Para obtener AU + ..1.0 hem os aplicado la propiedad distributiva de los vectores respecto ala suma de escalares y para obtener An hemos realizado prirnero la suma de vectores.

{== AU+ Ou _

2. (A + O)u = ~ au == 0

= AU

3. 5 = {= (-A. +A)U = (-A)U + /tu => (-A)U = -(AU) == ,1(-u + U) = /t(-u) + Xu => A(-U):: - (Xu)

4. En AU :: 0, puede ocurrir A. == a 6 A. *- 0; si A. *- 0, :3X1 E IR,

12

1.2. La estructura algebraica de espacio vectorial

5. Si Xu = flU => AU - uii = (A - fl)U = 0, como U;j:. 0, aplicando la propiedad 4 => ,1.- fl = 0 => ,1.= f.1.

6. Si AU = Xv => AU -JLv = JL(u - v) = 0, como JL;j:. 0, aplicando la propiedad 4 => U - v = 0 => Ii = v.

13

1. Espacios vectoriales

1.3. Subespacios vectoriales

Despues de saber que es un espacio vectorial, nos hacemos la pregunta:

L,Hay subconjuntos de un espacio vectorial V que sean a su vez espacios vectoriales? i

La ~espLlesta siempre es sf.

Cualquier espacio vectorial V tiene, al menos, dos subconjuntos que con las mismas operaciones tienen tarnbien estructura de espacio vectorial; son el elemento neutro (0), y el mismo conjunto V se Haman subespacios impropios. Si algun otro subconjunto de V es espacio vectorial, diremos que es un subespacio propio de V.

1.3.1. Definicion de subespacio vectorial

U es un subespacio vectorial del espacio (\I. *. IR) ~ U es subconjunto no vacfo de Vy CU, *, IR) es espacio vectorial

Para ver si un subconjunto U de Ves un subespacio, 0 no, se puede ir cornprobando que verifica todas y cada una de las propiedades que definen un espacio vectorial, 0 bien, buscar una caracterizaci6n, es decir, una 0 varias condiciones equivalentes.

1.3.2. Teorema: cerectetizecio» de subespacio vectorial

U es subespacio vectorial de V {'9

subjunto no vacfo de V.

14

1.3. Subespacios vectoriales

Demostracion:

=> ) Es evidente; por ser (U, *, IR) espacio, se verifica Ii * V E U Y AU E U <=.) Para los elementos de U se cumplen automaticamente las propiedades de la multiplicacion por elementos de IR, ya que los elementos de U 10 son tambien de V

Lo mismo ocurre can las propiedades asociativa y conmurativa de (U, *). El vector neutro 0 pertence a U. En efecto, 'rfU E U, Ou = DE U.

Para cada elernento u de U, hay un simetrico -u que tarnbien pertenece a U: vu E U, (-l)u = -u E U.

Ejemplo 1.3.1

El conjunto de soluciones de la ecuaci6n lxl - X2 + X3 = 0, es un subespacio vectorial de (IR), +, IR).

EI conjunto de soluciones de la ecuaci6n dada es S = {(81, .'12, s¥2s1 - S2 +.1') = = OJ, que es un subconjunto no vacfo de [R.l. Comprobemos que se cumple[I.3.2]:

(81, 82, :'13) E S # 2s, - S2 + 8] = 0; (tJ, t"b /3) E S {:> 2tl - t: + t3 = 0;

(81, 82, 83) + (tl> t2, ()) E S porque 2(sl + td - (S2 + (2)+ (S3 + (13) =

= (2s1 - :'12 + S)) + (2fl - t2 + (3) = 0 '"

A(S], S2, 83) E S porque A(2s I - S2 + .'13) = 0

I

I I

.~

Ejemplo 1.3 .. 2

U = {( U I, U2, U3)! U I = 1 ) no es subespacio de[R3.

Es un subconjunto no vacfo, en el que la suma de dos elementos de U como (1,2,3) Y (1,0,0) es (2, 2,3) que no pertenece aU porque su primera coordenada es e L

15

1. Espacios vectoriales

En este ejemplo es evidente que Uno puede ser espacio vectorial, ya que o = (0, 0, 0) $ U, pero el elemento neutro debe pertenecer a U porque U es un grupo.

La dos condiciones que caracterizan los subespacios se pueden agrupar en una sola.

1.3.3. Teorema: otra cerectenzecion de subespacio vectorial

U (subconjunto no vacio de V) cs subespacio vectorial de V ** VIi, v E U. '1:.1., Jl., E [R ;;. A.U *,uti E U

Arnbas caraeterizaciones son equivalentes:

Demostraci6n:

;;. ) Por cumpJirse [1.3.2.], podemos afirmar que Vu, v E U; VA., f1 E [R 0=}

o=}Au *f1v E U.

<=) Si en [1.3.3.], hacemos Vu, v E U; A = 1, f1 = 1 0=} U * v E U. Si en [1.3.3], hacemos Vu, v E U; VA E R u = 0 = AU E U.

En [1.3.3] hemos utilizado un tipo especial de expresiones: las que son de la forma AU * f1V E U; son muy importantes y reciben el nombre de combinaciones lineales.

1.3.4. Definicion de combinscion lineal

\' es una'eombinaci6n lineal 0 depende lincalmente de los vectores de S C V

v = A lUI * ,hue * ... * Al'llp : S = {u" li2 .... , lip} C espacio vectorial V: AI. A~ ,_ ... Ap E IR

16

1.3. Subespacios vectoriales

El conjunto formado por todas las cornbinaciones lineales de los elementos de S. recibe divers os nombres, como envolvente lineal de S, 0 clausura de S y se representa generalmente como (S).

1.3.5. Definicion de sistema de generadores de un espacio vectorial

S es un sistema de- generadores de U 0 U esta generado por S ** U = (S}

Ejemplo 1.3.3

Cualquier vector de Ia forma v :::: AI (I, 0, 1) + ,12 (2, 0, 1) es combinaci6n lineal de los vectores de S:::: ( 1, 0, 1), (2, 0, I)} C 1R_3. S es el sistema de generadores de (S).

./

EI subespacio de 1R_3 generado por S es (S) :::: (AI + 2,12, 0, AI + A2)IA I, ,1,2 E IR} ..

Graficamente, vernos que, cualquier vector del plano que contiene los veetores dados, es una combinacion lineal de ellos, Dicho plano es el subespacio mas pequeno que los contiene.

EJemplo 1.3.4

Compruebese que S' = {(1, 0, 1), (3, 0, 2)} genera el mismo subespacio de IRJ que el generado par S del ejemplo anterior.

La ecuaci6n del plano generado par S es Xl = O. La ecuacion del plano generado por S' es Xl = O.

17

1. Espacios vectoriales

(S) = (S') se forman con todas las combinaciones lineales de dos vectores del plano X2 = O.

Ambos sistemas de vectores son sistemas eguivalentes porque generan el mismo subespacio.

Consecuencia:

Para generar un subespacio no hay un sistema tinico.

1.-3~6. Definicion de vectores linealmente dependientes

\

s ~ {u] zh •... , up} eVes un sistema l~ea1mente dependit.mle 0 ligado ~ # Al rrtenos uno de los Ii, E S depende linealmente de LOS otros vectores de S

I

1.3.1 Caracterizacion de vectores linealmente dependientes

S === {ill> U2 , ..• , up} eves nn sistema linealmente dependiente ~ Si {)::: AIU1 + + ,hil2 + ". + A.pu.p:; At, A2 , .••• Ap € lR => :3 algtin Ai ¢ 0

Demostracion

=> ) Si S = {Uj, U2 , ... , Up} es un sistema Iinealmente dependiente, Ia definicion [1.3.6J nos asegura que, al menos uno de los Uj E S depende linealmente de los otros vectores de S. Podemos suponer sin perdida de generalidad (bastaria reordenar) que es UI el vector que depende linealmente de los otros, entonces, Ul = ;hU2 + ... +Apup, y par tanto 0 = - lUI + A2u2 + ... + Apup (AI "# 0).

18

1.3. Subespacios vectoriales

~) Si 0 ::0 AIUI + ,.{2U2 + ... + Apup; AI, ..1.2" •. , Ap E IR ~ 3 algun Ai*- 0. Podemos suponer sin perdida de generalidad (bastaria reordenar) que es A! "* 0, como AI E IR, ::3 Xl!' 0 = AI, Xl! UI + ~ Xl! th + ... + Ap Ail up; UI = J.l2 U2 + ... + J.lp up.

1.3.8. Definicion de vectores linea/mente independientes

S == {UI. 'iiz ,.,,> up} c Yesurr sistema Iinealmerrte independiente 0 libre ¢=> # 0 = A1UI + A.:iU2 + .- + A;Ur; ~d, ih,-., A.p E IR ~ 41 ::::"h = ... = A.p = 0

Ejemplo 1 .. 3.5

Compruebese que, de entre los siguientes conjuntos de vectores, son fibres o linealrnente independientes By C:

A = {(l, 2, 0), (0, 0, 0), (4,5, 6»); B::o {(I, 0,0,0), (0,1,0,0), (0,0,1,0), (0,0,0, I)};

C == {O, 4,7), (5 - 3, 4)}

(0) {A+4r=0

== ° ~. 2A. + 51 == ° ~ A. = 0; r = 0;

° . 6r== 0

La igualdad es cierta "dfl E IR ~ A es un sistema linealmente dependiente 0 ligado.

Si '0 perteneee a un sistema de generadores, este es linealmente dependiente.

19

1. Espacios vectoriales

B es la base can6nica 0 eSHindar de \R4.

( 1 ) ( 5 ) ( 0 ) {A. == 5J1 == 0

c)i!, 4 +J1 -3 ::: 0 =} 4A.-3J1=0 =} i!,==O;p==O =} C es un sistema libre,

7 4 0 7A. + 4J1 ==0

1.3.9. Proposicion

Si S = {Ul-'-~~\" uRI es un sistema Iiuealmente independiente C V. Y v ~ (5). y v E V. cn1once!, S U {v} es un sistema lincalmente independicnre C V

1

Demostracion:

=} ) Si 0 = ;hul + Aiu2 + ... + A,}ip + }1V; tiene que ser J1 :::: 0, porque si J1 ;;f:. 0, se podria escribir v como combinacion lineal de los elementos de S, y eso va contra la hipotesis de que v $ (S). Todos los A son 0 porque si no, iriamos contra la hipotesis de que S == {UI, U2, .'" up} es un sistema lineal mente independiente.

Por tanto, 0 == A,UI + A2U2 + ... + ApUp + j1v =} AI ::: A.2 = ... = Ap == J1 == 0, que es la condicion necesaria para poder decir que S U (v) es un sistema libre contenido en V.

20

1.4. Transformaciones en un sistema de generadores

1.4. Transformaciones en un sistema

de generadores. Espacios vectoriales finitos. Bases

En 1.3 hernos visto que los espacios vectoriales se pueden generar mediante las combinaciones lineales de un sistema de generadores cualquiera pero, en general, es mas interesante considerar los sistemas de generadores linealmente independientes.

Las proposiciones siguientes expresan propiedades relacionadas con la dependencia y la independencia lineal de los vectores Ii; que forman el sistema de generadores G = {Ii" 'il2 '''., up} de un espacio vectorial V. /

Adernas de la irnportancia intrinseca que tienen las propiedades que vamos a enunciar, tienen un valor afiadido porque seran utilizadas pn las demostracio-

nes de teorernas posteriores. \

La proposici6n siguiente expresa que 1a cantidad de vecjores de un sistema de generadores ligado se puede reducir sin que varie el espacio vectorial generado.

1.4. 1. Proposicion

..

Si 'ii, E G cs combinaci6n lineal de vectores tie GJ (C = {ur. Ti2 .... , uJ.} generador de \I), entonces, el espacio generado por G - lUI J es V

Demostraci6n:

Supongamos sin perder generalidad que Ii, = J.hU2, + ... + /J.pup- Si v E V, v = = A.IU, + ~U2 + ... + ApUp = A.,(uiU2 + ... + /J.pup) + ltiU2 + ... + ApUp = rifh + ... + rl'up.

Es decir, cualquier vector de V se puede generar prescindiendo de los veetores de G que dependan linealmente de otros vectores de G.

21

1. Espacios vectoriales

Ejemplo 1.4.1

En el sistema G == {(O, 1), (3, 0), (0, 2)}, el vector (0,2) = 2(0, J) + 0 (3, 0). El espacio que genera G es el mismo que genera GI = G - {(O, 2)} == {(O, 1), (3, 0) }, ambos generan 1R2.

Observese que cualquier vector de rr:;I!2 se puede expresar can los vectores de G, pero ne-de forma iinica.

La proposicion siguiente expresa que se puede sustituir un vector del sistema de generadores G, por cualquier combinacion lineal de los vectores de G donde intervenga dicho vector can coeficiente no nulo.

I

1.4.2. Proposicion

Si I' e V' es combinaci6n lineal de vectores liT de G, (G = [u], u} , .•.• lip} generador de \1), entonces, al su tituir un ii, (con coeficiente *- 0 en Ia combinaci6n lineal que expresa v) por ven G, el sistema obtenido G, sigue siendo gederador de V

Demostraci6n:

Sea v = AIUI + A2u2 + ... + Arup, y supongamos que es A..I -:t:- 0, entonces, Ul ==

~-I- ~-I ~ - 1-11 -

= 11-1 V - /1,1 /!.ZU2 - ••. - AI /l,pUp•

Cualquier vector X E V veri:fica x = PIU]' P2U2, + '" + f.lr'Up = J1J(A.."ilv - - XilA,2U2 - ... - A..il,.tpup) + Jl2U2 + ... + JlrUp = rlv + riU2 + ... + riipo

Ejemplo 1.4.2

Sea G == {( 1, 0, 0), (0, 1, O)} generador del plano de 1R3, Z = 0.

v = 2( 1,0,0) + 0(0, 1,0):::: (2, 0,0) puede sustituir a (1, 0, 0) en G = {(1, 0, 0), (0, 1,0)}, obteniendo G1 = {(2, 0, 0), (0, 1,0)}, generador del mismo plano z = 0.

Sin embargo, (2, 0, 0) no puede sustituir a (0, 1, 0) porque el sistema G2 = = {( 1, 0, 0), (2, 0, 0)] no genera el plano z = 0, sino la recta y = 0; Z ::: 0.

22

1.4. Transformaciones en un sistema de generadores

El teorema siguiente expresa que el rnirnero de vectores de un sistema generador libre es menor 0 igual al de cualquier otro sistema generador,

1.4.3. Teorema fundamental de la independencia lineal

Si I = fVI, 1'2, •.. ,~} es sistema Iibre de generndores. de V y G = fUl, 1i20 •.. ;Up J un sistema generador de V. entonces, h ::; p

Demostraci6n:

~ ) Vi son vectores de un sistema libre de V, G es generador de V, por tanto VI ::: AIUj + A2u2 + ... + A~p con algtin Ai::F O. Supongamos AI -:t:- 0, utilizando la proposicion anterior podemos asegurar que GI ::: [v], U2,- .. , up} es generador de V. (Observemos que bemos sustituido un vector del sistema de generadores por un vector del sistema libre).

Por ser GI = (v], U2 , ... , up) generador de Vy V2 vector de un sistema libre de V, V2 = 11 I v" 112U2 + ... + tl~p con algiin Pi -:t:- O. Supongamos 112 ::F 0; utilizando la proposici6n anterior podemos asegurar que G2 = {Vj, V2, U3 , ... , up} es generador de V.

,

Este proceso 10 podemos repetir, como maximo, p veces, obteniendo G; :::

::: {v], V2 •... , vp}; si P < h todavia quedan vectores {Vi+h Vi+2, ... , Vh} de I, que se pueden expresar como combinaciones lineales de G{)::: {VI, V2, ... , vp}, que es an sistema generador, la suposici6n de que p < h nos ha llevado a una contradiccion, porque I = {VI> Vz , ... , Vh} es un sistema libre, como consecuencia, la suposicion era falsa y p ;::: h.

Para hacer esta demostraci6n, hemos utilizado una forma de razonar muy frecuente, que es la reduccion aI absurdo, Consiste en suponer que es cierto 10 contrario a aquello que queremos demostrar (queremos demostrar que p ;::: h y suponemos que p < h), seguir el razonarniento logico, y llegar a una contradiccion con la hipotesis (concluimos que I = {VI, V2 , ... , Vh} no es libre, en contra de la hipotesis de que partimos).

23

1. Espacios vectoriales

Al repetir el proceso de sustitucion de un vector del sistema de generadores, por un vector del sistema Iibre, hemos sustituido parcialmente los vectores de un sistema de generadores por los de un sistema libre cualquiera, sin que varie el espacio geneiado,

"

1.4.4. Definicion

Espacio vectorial Iinito es el que esta generado por un mirnero finito de vectores

En 10 sucesivo, si no decimos 10 contrario, nos referiremos a este tipo de espacios.

Un espacio vectorial tinito puede tener infinitos elementos, pero s610 es necesario que tenga un sistema generador finito.

En el ejemplo 1.3.4 vimos que un espacio vectorial se puede generar a partir de distintos sistemas de generadores. Entre ellos, hay algunos que presentan ventajas indudables, pOT ejemplo, que cualquier vector sea una combinacion lineal unica de los vectores del sistema de generadores, 0 que contengan el menor mimero posible de vectores. Los sistemas de generadores que cumplen esta condicion reciben el Hombre de bases.

1.4.5. Definicion de base

B = {ej' e2, .... en 1 es base de] espacio vectorial \f # B es sistema Iibre que genera V

, ..

Es muy frecuente y uti! utilizar la siguiente definici6n de base:

24

1.4. Transformaciones en un sistema de generadores

1.4.6. Otra definicion de base

B = {e , ez , .... elf} es base del espacio vectorial V ~ cualquier v E V: se puede expresar de manera iinica como combinacion lineal de los elementos de B.

1.4.7. Equivalencia entre las dos definiciones

B es un sistema libre que genera V ~ cualquier v E V, se puede expresar de manera unic~ como combinacion lineal de los elementos de B.

Demostraci6n

=> ) Como v E V, Y B es un sistema generador de V => ii = A.lel + kez + ... + Anen. Si la expresion de v no fuera unica, v = /1lel + /12e2 + ... + /1ne".

Restando miernbro a miembro las dos expresiones, se obtiene:

5 = (A.I - /11)el + (A.2 - f.l2)e2 + ... + (An - f.l,,)e,,; por S~B un sistema Iibre, 0= AI - u, =A2 -/12 = ... = An -/1,,; por tanto, Al = I; A2 =/12; ... ; An =/1". (=) Cualquier V E V, se puede expresar como comb' acion lineal de los ele-

mentos de B. Por tanto, B genera V. ~

5 E V se puede expresar como combinaci6n lineal de 'l~selementos de E, 5 = Aiel + ke2 + ... + A"e,,; dado que de 5 = Del + De2 + ... + Oe" y los vectores se pueden expresar de manera iinica, 0 = AI = 11.2 = ... = 11.", es decir, B es un sistema libre,

Ejemplo 1.4.3

El ejemplo mas sencillo de base en [Rn es la base can6nica: B = {( 1, 0, ... , 0), (0,1, ... ,0), ... ,(0,0, ... ,1»).

25

1. Espacios vectoriales

Cualquier vector x = (Xl, X2, , .. , xll) de jR" es cornbinacion lineal de los elementos de B, (x], Xl, "" X,,) = Xl (1,0, .. ,,0) + X2 (0, 1, .. ,,0) + ... + x, (0, 0, ,." 1), luego B genera [R",

Si XI (1, 0, .. " 0) + X2 (0, 1, .. ,' 0) + .. , + X" (0, 0, ... , 1) = (0, 0, ... , 0) ~ Xl = = X2 = ... = X" = 0, por tanto, B es libre ~ B generador y libre, es base,

Consecuencia:

La segunda definicion de base nos permite decir que, x = (x b X 2, ••• , x,,) se puede expresar de forma unica mediante los coeficientes Xt, Xz, ... , x ; respecto a fa base can/mica; dichos coeficientes reciben el nombre de coordenadas del vector x respecto a fa base dada.

Las relaciones que existen entre las distintas bases de un espacio vectorial dan lugar a diversos teoremas que reciben el nornbre generico de teoremas de la base.

1.4.8. Teorema de existencia de la base

Cualquier espacio vectorial finite V1=-O tiene base

Demostraci6n

Sea G = {u], Ul , .. " up} un sistema finito de generadores de V:;t: O.

Si sus vectores son independientes, G es base y esta demostrado el teoremao

Si sus vectores no son independientes, es porque alguno depende linealmente de ot:ros, es decir, se cumple Ia hip6tesis de 1a proposici6n [1.4.1], y por tanto, es cierta 1a conclusi6n de dicha proposici6n: Se genera el mismo V sustituyendo G por Gl. (GI se ha obtenido quitando en G los vectores que no son independientes), El nuevo sistema de generadores linealmente independientes, GI, es una base,

26

1.4. Transformaciones en un sistema de generadores

1.4.9. Teorema de la dimension

Todas las bases de un espacio vectorial V ticnen el misrno mirnero de elementos

Demostraci6n

Sea B = {e 1, e2 , ... , ell luna base de V y sea B' = (e' j, e' 2 , •.. , e'm) otra base de V.

B es un sistema libre de generadores, B' es un sistema de generadores; por [1.4.3J =:- n::;' m.

Adernas, B' es un sistema libre de generadores, B es un sistema de generadores; por [I.4.3J =:- m S n.

Por tanto, m = n.

Todas las bases de un espacio tienen el mismo ruirnero de elementos, que recibe el nombre de dimensi6n del espacio.

1.4.10. Definicion de dimension de un espacio vectorial

Dimension de un espacio vectorial V", {5}, finito, Dim V, es el mimero de vectores de cualquicra de sus bases

Ejemplo 1.4.4

(

\

La base can6nica de 1R3 es {(I, 0, 0), (0, 1, 0), (0,0, 1»), tiene tres elemen-

tos: los vectores (1, 0, 0), (0,1, 0), (O~(},J), por tanto, cualquier base de 1R3 tiene tres elementos y tres es 1a dimensi6n delespacio vectoriallR.l.

Si el espacio es V = 0, por convenio se toma Dim V = O.

27

1. Espacios vectoriales

1.4.11. Consecuencias

1. Si Dim V = n ~ No puede haber ell V mas de n vectores linealmente independientes.

Demostraci6n:

B = ret. e2 , ... , en} es base, por tanto, es sistema de generadores}

~ p $.n S = {Vh V2 , ... , vp} es un conjunto de vectores linealmente

independientes

Hernos utilizado [1.4.3].

2. Si Dim V = n ~ Ell cualquier sistema de generadores de V no puede haber menos de n vectores.

Demostraci6n:

B = [e" s. """' e.l Sus vectores e; son linealmente independientes }

(es base) ~ n $. p

G = {u" U2, ... ,Up} es sistema de generadores

3. Si Dim V = n =) Cualquier con junto S de n vectores linealmente independientes forma una base.

Demosrraci6n:

Recordemos que en 1a proposici6n [1.4.3J, habiarnos concluido que los vectores de un sistema de generadores pueden ser sustituidos parcialmente por los de un sistema libre cua1quiera. Par tanto, los n vectores linealmente independientes de S pueden sustituir a los n vectores de cuaJquier base (son generadores), y el resultado sigue siendo generador y lineal mente independiente, es decir, es otra base.

28

1.4. Transformaciones en un sistema de generadores

4. Si Dim V = It ::) Cualquier conjunto de Il generadores forma una base.

Demostracion:

Si G = {"u., 112 , .•• , Un} es sistema de generadores de V, y en G hay un sistema G' con p veetores 1. i. (p :::; n), entonces, el espacio que genera G' tambien es V, por tanto, G' es base de V. Como la dimension de V es n, el ruimero de vectores de G' es n ::) p = n.

::) G = G' es base de V.

5. Si Dim V = n ::) Todo eonjunto de veetores S = {V" V2,"" vp} deY can p < n, iinealmente independiente, se puede completar con p - n vectores de V hasta convertirse en base (Teorema de la base incomplete),

Dernostracion:

Par [1.4.8J podemos afirrnar que en Vexiste una base de dimension n. En B hay a1 menos un vector que no pertenece a (S) porque, si no, S generaria una base de V y como consecuencia V, y esto no es posible porque p < n como sabernos par [1.4.11-1]. Fonnemos S' aiiadiendo a S el vector encontrado en B.

Si n = p + 1 ::) S' es la base buscada porque es un sistema de n vectores Iinealmente independientes en un espacio de dimension n.

Si n > p + 1 ::) Partiendo del sistema generador S' que tiene p + 1 vectores, obtenemos S" COD P + 2 veetores repitiendo todos los pasos que hemos dado para S.

Sera necesario repetir este proceso n - p veces.

1.4. 12. Definicion de coordenadas de un vector

.~ -

(Xl •. \':~ ..• x,,) son las coordenadas de r E Vrespecto a la base B = tel> e2, .... en} ~ ~ x =X1£'1 + X#2 + ... + x"en

29

1. Espacios vectoriales

Ejemplo 1.4.5

Cuando decimos que las coordenadas de un vector de ~2 respecto a Ia base can6nica B:;;; {(1, 0), (0, I)} son (2, 3), estamos expresandoque (2, 3) = 2(1, 0) + + 3 (0, 1).

Si hubieramos tornado B' = {(2, 0), (0, I)} como base de 1R2, el mismo vector se expresaria como 1(2, 0) + 3(0, 1), Y diriamos que sus coordenadas respecto a 8' son (1,3).

30

1.5. Dimension de los subespacios de un espacio ...

Los subespacios vectoriales son a su vez espacios vectoriales y, par tanto, tienen dimension. Vamos a estudiar la relacion que existe entre la dimension de distintos subespacios de un espacio vectorial V de dimension n.

1.5. Dimension de los subespacios de un espacio vectorial finito

1.5.1. Proposici6n. La intersecci6n de subespacios es subespacio

" n

Si u, v E n Vi = AV + J1U En Ui; ya que todos los Vi son subespacios de V.

,=1 ,=1

La interseccion de subespacios U, con i =1, , n de V, es un subespacio de V

Demostraci6n:

Adernas, la intersecci6n no es vacfa porque 0 pertenece a todos los U; Hemos demostrado que la interseccion de subespacios cumple la condici6n necesaria y suficiente para ser un subespacio.

1.5.2. Teorema

El conjunto (S) es el menor de todos los subespacios de V que contienen S

Demostracion:

Es claro que es el menor, porque para ser subespacio que contenga S debe contener todas las combinaciones lineales de los elementos de S, es decir, debe

31

1. Espacios vectoriales

contener (S), y (5) es espaeio vectorial porque su definici6n evidencia que se cumple [1.1.3].

1.5.3. Proposicion. La union de subespacios puede no ser subespacio

,

La union de subespacios VJ de V. puede no ser un subespacio de V

Demostracion:

Es suficiente encontrar un ejemplo en el que la union de subespacios no sea un subespacio, eso es 10 que haremos en el ejemplo siguiente.

Ejemplo 1.5.1

Sean los subespacios del espacio 1R2, VI = eje de las y, V2 = eje de las x, si VI U VI fuera espacio, A.(O. 1) + p(1, 0) = (A., p) deberia pertenecer a VJ U V2, porque (0, I), (1, 0) pertenecen a VI U V2 Y A, u, E IR, pero, es evidente que CA., fl.) $ VI U V2, porque si A. -:f:- 0 Y fl. -:f:- 0 (A., f.1) no esta en ningiin eje.

Es importante tener en cuenta que, para cornprobar que una afirmaci6n es cierta, no es suficiente verificarla en un caso particular 0 ejemplo sino que, hay que hacer una demostraci6n, es decir, ver que la afirrnacion es cierta para todos los casos.

Sin embargo, para comprobar que una afinnaci6n no es correcta, es suficiente que no 10 sea, al menos, en un caso, y por tanto, vale con encontrar un ejempJo que no verifique 1a afinnaci6n. Dicho ejemplo se llama contraejempio.

Sabemos que VI U U2 es el conjunto mas pequefio que eontiene VI y V2• pero con frecuencia es interesante utilizar, no el conjunto minimo, sino el

32

1.5. Dimension de los subespacios de un espacio ...

subespacio minimo de V, que contiene V. y V2. Ese subespacio se llama subespacio surna.

1.5.4. Definicion de suma de subespacios

Suma de los subespacios UI Y V2• de l' es el conjunto VI + U2:

U, + U1 = {UI + Th I HI E VI, Ul E U~J

1.5.5. Proposicion. La suma de subespacios es subespacio

La surna de subcspacios de Ves un subespacio de V

Demostracion:

Sean 'ii, v E VI + V2. entonces

{u = u, + U2/UI E VI.; U2 E V2

_ _ _ _ _ => AU +,LtV = ..t(il. + 'ii2) + /leVi + V2) =

v = v. + v21 v. E V •• V2 E V2

(AUI + ,Ltv.) + (Au2 + ,LtV2) E VI + V2.

Ejemplo 1.5.2

Dados los subespacios V. = {Ca, P. O)} C ~3 Y V2 = {(O, A, ~)} C 1R3, (V. es eJ plano z = 0; (plano Xy) y V2 es el plano x = 0; (plano Y2).

33

1. Espar;ios vectoriales

Los vectores que forman VI + U2 son de la forma (a, f3 +..t, /1), es decir, son todos los vectores de 1R3.

La descomposici6n de un vector de 1R3 en suma de uno del plano z = ° y otro del plano x = ° no es tinica.

Ejemplo 1.5.3

(2,5,3) = (2,0,0) + (0,5,3);::: (2, 2, 0) + (0, 3,3) = (2, 1,0) + (0, 4, 3);::: .,.

La dimension de los subespacios esta relacionada can la dimension del subespacio suma mediante la expresi6n conocida como f6rmula de dimensi6n 0 formula de Grassmann,

1.5.6. Teorema (formula de Grassmann)

Demostraci6n:

Si 80 = [el, e2 , ... , ep} es base de (U1 n U2), sabemos que se puede ampliar hasta conseguir una base 81 = (e], e2 " .. , ep, iii " .. , liF) de Vi> y por otra parte, se puede ampliar hasta conseguir otra base B2 = (e1' e2 , .. " ep, 1\ '"'' vs) de U2.

Podemos construir B ;:: {e], e2 '"'' e,,, iii , ... , 'U,., VI,'''' v .. ], y demostraremos

que es base de VI + U».

Para que B sea base hace falta que sea un sistema libre y que genere VI + U2• B genera VI + U2:

vu E VI + V2, U ;:: iiI + liz, UI E Ub U2 E V2

Como B1 es base de V, y B2 es base de U2, UI se puede escribir como combinaci6n lineal de B, = fer, 712, ... , ep, U, , ... , lirl, Y U2 como combinaci6n lineal de los elementos de B2 = {if" e2 t, .. , ep, VI,.", vs}, por tanto, U se puede escribir como combinaci6n lineal de los elementos de B.

34

1.5. Dimension de los subespacios de un espacio ...

B es un sistema libre:

Sea Wo + WI + W2 = 0, una combinacion lineal de los vectores Wo = Aiel + ... + + Apep, WI = alJ21 + ... + a.u; W2 = f3lvl + ... + ss: podernos escribir Wo + WI = = -W2. Como Wo + WI depende linealmente de BI Y W2 depende linealmente de 82 se deduce que, Wo + WI E VI n V2 y, como consecuencia, se puede expresar como combinacion lineal de vectores de Bo: Wo + WI = 81e. + ... +8pep•

Si formamos la cornbinacion Wo + WI + W2 = 81el + ... +8tftp + f3IVI + ... + f3,vs= = 0, hemos tomado un vector de VI n V2, y otro de U2, es decir, un vector generado por B2, que es un sistema libre por ser base ~ 81 = ... = 8p = f31 = ... = /3, = O.

Par ser f31 = ... = /3., = 0 la expresion Wo + WI + W2 = 0, se transforma en Wo + + WI = 0 ** Aiel + ... + A..tftp + a.uj + ... + a;ii, = 5 ~ AI = ... = A..p = al = ... = a, = 0, con 10 que bemos demostrado que B es un sistema libre.

Como antes habfamos demostrado que B es un sistema generador podemos afirmar que B es base de VI + U2•

Para que la descomposicion de un vector sea iinica debemos movemos en una c1ase especial de sumas: las sumas directas; de elias hablaremos a continuaci6n.

1.5.1 Definicion de suma directs de subespacios

Suma de dirccta de los subespacios U1 Y Us; de Ves el conjunto VI' ED V2 = {ll = = UI + 71:-. J UI E V., 712 E Vz}, tal que 1a descomposicion de cada vector u es iinica.

Ejemplo 1.5.4

Dados los subespacios V. = {(a, /3, O)} C 1R3 y V2 = {(O, 0, ,u) 1 C 1R3, VI es el plano z = 0 (plano XY) y U2 es la recta {x = 0 (eje Z). Los vectores que y=O

forman VI + U2 son de la forma (a, /3, /1), es decir, son todos los vectores de [R:3.

35

1. Espacios vectoriales

La descomposicion de un vector de IRlJ en suma de uno del plano XY y otro del eje Z es tinica.

Asf (2, 5, 3) = (2, 5, 0) + (0, 0, 3), siendo (2, 5, 0) E plano z = 0 y (0,0, 3) E

E {X::: 0

y=O

1.5.8. Caracterizaci6n I de la suma directa

VI EB U2 es surna de directa de los subespacios VI Y U2 R U = UI + U2 = 0 ~ 711 ::: = U2 ::: 0, Vue VI @ U2

~

Demostracion

=» U = ill + Ti2 = 0 + 0, como la descomposici6n de ii es unica, iiI = 'il2 = O . .:=) Supongamos que se verifica la segunda condicion,

Si la descomposici6n no fuera unica, U = UI + 'il2 = ii\ + U'2 ::} (u'] - 11,) + (u'z - - U2) ::: 0 ~ U'I - U, = U'2 - U2 = 0 =* u'] = u, ; U'2 = U2, es decir, la descomposicion es iinica, que es una contradiccion can la hipotesis.

Otra forma de ver que una suma es directa es comprobar que la interseccion de los dos subespacios es {O}.

1.5.9. Caracterizaci6n II de la suma directa

VI G:) V1 es surna de direeta de los subespacios VI Y V~ RUE Vi n U2 ~ IT = 0

36

1.5. Dimension de los subespacios de un espacio ...

Demostraci6n:

=> ) U E U, n V2 => U E U, y U E V2; VI, V2 son espacios vectoriales -u E V2, Como (u) + (-u) = 0, aplieando (1.5.81 => U = 0,

¢=) Ahora, la hip6tesis es U E U, n V2 => U = 0,

Sea u = Ul + U2 = 0, un vector de V. + V2, u. E VI> U2 E V2, u. E VI, como UI = -U2 => -U2 E V l s => Uz E V.'

U2 E V2, como U2 = -u] => -Ii. E V., => UI E V2,

Par tanto, los vectores til> U2, son de VI n V2, cuyo tinico vector es 0, Hernos demo strado que la sum a es suma directa.

Dado un subespac io finiro UI, existe un subespaeio Ul,} tal que V' = U; Ef1 U'! V2 es el subespacio !WpfemeHttJrio de VI

1.5.10. Definicion y existencia de subespacio suplementario

Demostraci6n de la existencia de V2:

Si {el> e2 "'" ep] es base de V., y {eJ, e2 ,.'" ep, ep+. "'" en] es base de V, entonces podemos construir V2 = (ep + I "." e,), que cumple la condici6n requerida.

Una buena forma de demostrar que un conjunto existe, es construirlo; eso es 10 que hemos hecho para dernostrar que existe V2•

En el ejemplo 1,5.4, el complementario del plano XY (Subespacio VI) es el eje Z (Subespacio V2).

Es evidente que si V. Y V2 son suplementarios sus dimensiones estan relacionadas por la expresi6n: Dimt/, + Dirnf/, = Dim V.

37

1. Espacios vectoriales

1.5.11. Consecuencias

Si U2 es eI subespacio suplementario de U, en V, se deducen las siguientes consecuencias de forma inmediata al apIicar 1a definici6n de subespacio suplementario dada en [1.5.10]:

1. Relacion entre las dimensiones de subespacios supiementarios:

Dim VI + Dim V2 = Dim V

Dernostracion:

Como Dim (U1 n U2) ;:::: 0, el resultado es consecuencia directa de {1.S.6.}.

2. Caracterizacion de subespacio suplementario de WI subespacio:

Demostracion:

La pri rnera afirmacion es consecuencia de la definicion de suma directa y Ia segunda de la caracterizacion n de suma directa.

3. Si B = rti, e2,"" e,J es base del espacio V => V = (el) (£) (e]) (£) •.• (£) (£) (e,,).

Demostracion:

Es consecuencia inmediata de las definiciones de base y suma directa.

EJERCICIOS

Ejercicio 1.1

Dernuestrese que el conjunto de funciones ~ : !R ~ !R con Las siguientes operaciones:

38

Ejercicios

1. Suma de funciones, definida como if + g)(x) = j{x) + g(x), siendo f g E ~.

2. Multiplicaci6n par escalares, definida como (Aj)(x) = J..f(x), siendo A E E lR, f E~, es un espacio vectorial sobre lR.

Soluci6n:

Tenemos que demostrar que las funciones tienen una serie de propiedades; para ella, sabiendo que dos funciones son iguales si sus irnagenes son iguales para cada elemento del dominio de definicion, trasladamos las comprobaciones al campo de las irnagenes, cuyas propiedades conocemos por ser mimeros reales.

(~, +) es grupo conmutativo. La operaci6n + en el conjunto ;J verifica todas las propiedades necesarias:

• Asociativa: (f + g) + h = f + (g + h),. VJ, g, h E ~.

Primer miembro

Segundo miembro

(if + g) + h)(x) = if + g)(x) T hex) = = fl.x) + g(x) + hex)

(f +(g + h»(x) = fix) + (g + h)(x) = = fix) + g(x) + hex)

• Propiedad conmutativa: vt. g E~' se verificaJ + g = g + J

Primer miembro

Segundo miembro (g + f)(x) = g(x) + j(x)

(f+ g)(x) = f(x) + (g){x)

• Existe un elemento neutro: 0 E ~, que verificaJ + 0 = f, Vf E :J La funci6n 0 es la funci6n nula, es decir, OCx) = 0, Vx E IR

Primer miembro

Segundo miembro

(f+ O){x = fex) + O(x) ::: j{x) + 0 = fex)

fix)

39

1. Espacios vectoriales

• Existe un elemento simetrico para cada elemento del conjunto: 'VI E ~, 3(-j) E ~ definido como (-j)(x) = -fix), que verificaj' + (-j) = 0

Primer m iembro

Segundo micmbro

if + (-1»)(x) =,f{.l) + (-j)(x) = 0

o

(~, + ~) tiene las propiedades:

• Distributiva de escalares respecto a elementos de ~: J..(j + g) = J.j + J..g

Primer miembro

lif+ g){x) =}.(j(x) + g(x») = = t(f{x)) +1(g(x»)

Segundo miembro

(A! + Ag)(X) = (Aj)(X)+ (Ag)(X) = = Aj{.t) + Ag{x)

• Distributiva de elementos de ~ respecto a escaleres: (J.. + p)f = ?f + J1!

I

,

Segundo miembro

Primer miembm

«.4. + J1}f)(x1 = (1 + .u)f(x) = = Aj(x) + J.iflx)

(?:f + pj)(J:) = (Aj)(X) + (j.Lj)(x);:: = A:ftx) + J1j(x)

• Asociativa respecto al producto de escalares: CAp)! = J..{J1j)

Primer miembro

Segundo miembro

().(jJf))(x) = A(U})(X) = A/-lflx)

40

Ejercicios

• Existe un escalar unidad, I, que verifica If = f

( ~f)(x) = Iftx) = Jlx)

)

I

fix)

Pri mer miernbro

w'

Segundo miembro

Podemos decir que las funciones son vectores por ser elementos de un espacio vectorial, y los elementos de [R: son los escalares.

Ejercicio 1.2

(A, *, [R:) es una estructura algebraica, tal que, en el conjunto A = Ix I x son digitos irnpares 1 se han definido las siguientes operaciones:

1. * es una operaci6n, tal que, a * b = c, siendo c Ia cifra de las unidades del producto abo

2. Multiplicaci6n estandar por elementos de IR.

Se pide hacer la tabla de (A, *) y comprobar si (A, *, IR) es, 0 no es, espacio vectorial.

Soluci6n:

• (A, *) no es grupo, porque no tiene alguna de las propiedades necesarias.

* 1 3 5 7 9
1 1 3 5 7 9
3 3 9 5 1 7
5 5 5 5 5 5
7 7 1 5 9 3
9 9 7 5 3 I - Es ley de composici6n intema: a * b E A, \j a, b E A

- Es asociativa por serlo el producto de numeros enteros

- Es conmutativa a * b = b * a, \j a, b EA

- Existe elemento neutro: 1 E A; 1 * a = a, \j a E A

- No todos los elementos de A tienen simetrico

- Poseen simetrico 1,3, 7, 9. No tiene simetrico 5

41

1. Espacios vectoriales

• (A, *, 1Fi\:) no es un espacio vectorial, ya que no es grupo.

• Observaci6n:

A partir de la tabla se pueden comprobar algunas de las propiedades; par ejemplo:

Es ley de composici6n interna: No aparece ningun mimero distinto a los elementos de A.

Es conmutativa: La tabla es sirnetrica.

Existe elemento neutro: 1 E A; La l" fila y la primera columna, correspondientes ala multiplicacion por 1, permanecen invariables.

Poseen simetrico 1,3, 7, 9. No tiene simetrico 5: En cada fila (no haee falta especificar columna porque es simetrica) hay un 1, excepto en las correspondientes a 5.

Ejercicio 1.3

Si en el eonjunto [Il2 se definen Jas operaciones:

(x], X2) + (y .. Y2) :::;; (XI + YJ, X2 + Y2) A(X), X2) = CA2x], Ax2)

no tiene estructura de espacio vectorial. "Por que?

Soluci6n:

([Il2, +): Hernos visto en teoria que e[R2, +) es un grupo conmutativo. (La operaci6n de sumar estandar en [R2 es la que hemos definido.)

([R2, +, IR): Veamos las propiedades que tiene esta operaci6n de multiplicar escalar par vector.

1: No cumple Ia distributiva de los vectores respecto a los escalares: (A + }1)u == AU * }1u:

42

Ejercicios

Ya podemos afirmar que no es un espacio vectorial puesto que no cumple una de las condiciones necesarias,

Aunque no es necesario, vamos aver si cumple con el resto de las propiedades, 0 no.

2: Sf cumple Ia distributiva de los escalares respecto a los vectores:

A(u * v) :::::AU * AV:

A«XI' Xl) + (YI, yz» = A(xi + y" Xz + yz)::::: (Al(XI + YI), A(Xl + Y2»

A(xl' X2) + A(yl' Y2) = (Alx, + A.X2) + (,l,zYI + AY2) = CA2x, + A.2yJ. A.x2 + il.yz)

3: Sf cumple la asociativa: (AjJ)u::::: /t(uu):

4: Tambien verifica la existencia de un escalar unidad, 1, tal que lU = ii:

[R2 con las operaciones estandar tiene estructura de espacio vectorial, pew no la tiene con las operaciones que hemos definido en este ejercicio.

Hemos compwbado, par tanto, que la estructura algebraica de un conjunto depende del conjunto y de la operacion u operaciones que se definan en el.

Ejercicio 1.4

Sea (1R_3, +, [R) eI espacio vectorial real estandar de dimension tres, Se pide decidu cuales de los siguientes subconjuntos son subespacios vectoriales suyos:

1. VI = {(XI, X2, X3) / XI + X2 + X) = 1)

2. Uz = {(x), Xl, X) / XI + X2 + X) = 0)

43

1. Espacios vectoriales

3. VJ = {(Xb X2, x) I Xl + X2::; I}

4. V4 = {(x], X2, X3) I X1X2 = I}

5. V5 = {(XI, Xl, 0) I x~ + x~::; I}

Soluci6n:

La condici6n necesaria y suficiente para que V sea subespacio vectorial es:

vu, liE U, VA,f.l. E [R :::::> ItU+f.lIlE V. Veamos que subespacios la verifican,

1. Si x, y E VI :::::> X + Ity = (XI + AYh Xl + AY2, X3 + AY3);

(XI + ).,Yl) + (X2 + AY2) + (X) + AY3) = (Xl + X2 + X3) + 1t(Y'1 + Yz + Y3) = 1 + U Como 1 +)., no tiene por que ser 1 => VI no es subespacio vectorial.

2. Si x, y E V2 => X + Ity = (Xl + Ay., X2 + AY2, X3 + AY3);

(XI + AYI) + (X2 + A)'2) + (X3 + AYJ) = (XI + X2 + X3) + A(YI + Y2 + Y3) = ° + OA = ° Como x + AY E V2 => V2 es subespacio vectorial.

3. Si x, y E V3 => X + AY = (XI + ItYh Xl + ItY2, X3 + AYJ);

(XI + AYI) + (X2 + AY2) = (XI + X2) + A(YI + Y2), que no tiene por que verificar la condicion que caracteriza a este subconjunto, como ocurre en el ejemplo siguiente:

(-1, 0, 1) + 5(0, 1, 2) = (-1, 5, 11) => V3 no es un subespacio vectorial.

4. Si x, y E U4 => X + AY = (XI + AY" X2 + ItY2, X3 + ItY3);

(XI + A.YI)(X2 + A.Yl) == XIX2 + AxlY2 + A.x2Y1 + A.2YIY2 = 1 + AxIY2 + A.xlJl + Al Como 1 + AxlY2 + Ax2Yl + A 2 no tiene por que ser 1 => V4 no es subespacio

vectorial.

5. Si x, y E V5 => X + A.Y = (XI + lYh XI + AY2, X3 + A.Y3);

(XI + lyd2 + (X2 + AY2i = x7 + lAxlYI + 1t2y~ + x~ + 2AxlJ2 + A.Iy~

Como la expresi6n anterior no tiene par que ser ~ 1, Vx, Y E Us => Us no es subespacio vectorial.

44

Ejercicios

• En los conjuntos U; V4, bastaba can observar que (0,0,0) no pertenece a ninguno de elias para afirmar que no son espacios vectoriales.

• (0, 0, 0) si perteneee a Uj, U5, que tampoco son subespacios.

• La no perteneneia del 0 at subconjunto garantiza que no es subespacio vectorial, pero su pertenencia no garantiza que 10 sea.

Ejercicio 1.5

En un almacen se dispone de tres tipos diferentes de abonos A, B, C, envasados en pastillas de 300 gramos. Cada pastilla contiene f6sforo, potasio, nitrogeno, calcic y hierro. La'> cantidades en gramos de cada componente par pastilla, segtin la ciase, son: 100,90,60 de f6sforo, 50, 50, 50 de potasio, 100, 105, 120 de nitr6geno, 50, 45, 30 de calcio y 0, 10, 40 de hierro.

a) Un agrieultor necesita para un cultivo determ.inado, una mezcla que contenga 500 de f6sforo, 100 de potasio, 500 de nitrogeno, 2.500 de ealeio y ISO de hierro. i.,Se puede conseguir con los productos que hay en el almacen sin romper las pastiHas? [,Y rornpiendolas?

b) La exigencia de otro eultivo es una mezcla suministrada en bloques, tales que, cada uno contenga 290 g de f6sforo, 150 g de potasio, 109 de hierro y no importa la cantidad de nitr6geno y calcio. lEs posible hacer el cornpuesto pedido con los productos A, B, C?

c) Determinese la eantidad de cada eomponente par bloque de eompuesto, el peso de eada bloque y la cantidad de pastillas de A, B, C que intervienen enel.

P K N Ca Fe
I
AbonoA 100 50 100 50 0
AbonoB 90 50 105 45 10
Abono C 60 50 120 30 10 45

1. Espacios vectoriales

Soluci6n:

a) Las cantidades de cad a elemento en los distintos compuestos basicos se pueden representar mediante los vectores a = (100,50, 100,50,0); h = (90,50, 105, 45, 10); c = (60, 50, 120, 30, 10).

La rnezcla pedida debe formarse tomando una cantidad de cada compuesto A, B, C, es decir, para que se pueda formar debe haber una combinacion lineal de los vectores dados.

La habra si existen coeficientes reales a, (3, r que verifiquen la igualdad: (500, 100,500,2.500, 150) = a (100,50, 100,50,0) + (3 (90,50, 105,45, 10) + + r (60, 50, 120, 30, 10).

Para que dos vectores sean iguales, 10 deben ser todos sus cornponenres, por tanto, el sistema siguiente debe tener solucion.

500 = 100a + 90(3 + 60r;

1 00 = 50a + 50(3 + 50r; 500 = 100a + 105(3 + 120r; 2.500 = SOa + 4Sf3 + 30r; 150 = Oa + 10(3 + lOr;

El sistema no tiene soluci6n porque 100a + 90(3 + 60r = 2(50a + 4S{J + + 30r), mientras que 5001:- 2 x 2500 (2.a y 4.a ecuaciones),

No se puede formar el abono pedido, ni partiendo ni sin partir las pastillas, b) Igual que en el apartado a), sera posible hacer la mezcla si existen coeficientes reales a, (3, r que verifiquen la igualdad:

(290, 150, U3. U4, ]0) = a (100,50.100,50,0) + {J (90,50, 105,45, 10) + + r (60, 50, 120, 30, 10).

Es decir, si tiene solucion el sistema siguiente:

290 == 100a + 90(3 + 60 r; 150 :;;:: 50a + 50(3 + SOr; U3 = 100a + 105(3 + 120y;

46

Ejercicios

U4 = 50a + 45{J +30r; 1 0 ::; 00 + 1O{J + lOr;

El sistema forrnado por las ecuaciones l.", 2.a y 5: tiene como soluci6n a = 2, {J= 1, r= O.

Para que tenga solucion el sistema formado POf las cinco ecuaciones, los valores a = 2, {J = 1, r = 0 deben ser soluci6n tambien de las ecuaciones 3." y 4.Q, Y por tanto, U3 = 305, U4 = 145.

Como consecuencia, se puede formar la mezcla porque el vector (290, 150, U3, U4, 10) es combinacion lineal de los vectores (100, 50, 100, 50, 0), (90, 50, 105,45, 10), (60, 50,120,30,10).

c) Los valores U3 = 305, U4 = 145, indican las cantidades de nitr6geno y ca1cio que Ileva cada bloque, el vector que indica la cantidad de cada componente por bloque de compuesto que se va a suministrar al agricultor es: (290, 150, 305, 145, 10), siendo el peso de cada bloque 290 + 150 + 305 + 145 + + 10 = 900 g.

Los coeficientes a ::; 2, {J::; 1, r ::; 0, indican el mimero de pastillas de tipo A, B, C respectivamente que hay que tomar para formal' cada bloque del compuesto pedido.

EI peso del bloque tambien Io podiamos haber calculado sabiendo que cada bloque se forma con dos pastillas del tipo A y una pastilla del tipo B, de 300 g de peso cada una, es decir, 3 x 300 = 900 g.

Ejercicio 1.6

Sea V = if IF.!: ---'>~). Se pide determiner si el conjunto W = (j\x)::; e)'; g(x) = = Xl; hex) = X} es libre, 0 ligado.

Soluci6n:

Sea Ae3x + f3x3 + rx ::; 0, esta igualdad debe ser cierta para todos los valores dex.

Para cada uno de ellos obtendremos una ecuaci6n:

47

1. Espacios vectoriales

Si x= ° ~ A = °

Si x = I ~ f3 + r = °

Si x = 2 ~ 8p + 2r = °

Del sistema de ecuaciones formado par P + r = ° y 8f3 + 2r = 0, se deduce que fJ = r = 0, es decir, es un sistema libre 0 linealmente independiente,

Ejercicio 1.7

Si P2 es el espacio vectorial real de los polinomios de grado menor que 3.

Se pide:

a) Decidir razonadamente si {x2, x2 + X, X + I J es una base de dicho espacio vectorial.

b) Ca1cular las coordenadas de 5x2 + 3x + 1 respecto a la base {~, x2 + x, X + + I}.

c) Encontrar una base del espacio vectorial real de los polinornios de grado menor a igual que 3, que contenga a la base dada.

d) Calcular las coordenadas de 5x2 + 3x + 1 respecto a la base encontrada en el apartado anterior.

Soluci6n:

a) Cualquier base B del conjunto P2 {ax2 + bx + c / a, b, c E IR I debe set un sistema libre de vectores de Pl, tal que, todo polinomio de grado menor 0 igual que tres, se pueda escribir como combinacion lineal de los vectores de B.

Vamos a cornprobar si {Xl, x2 + x, X + I} cumple estas dos condiciones:

al) (x2, x2 + X, X + 1) es un sistema libre:

ax2 + fJ(x2 + x) + 8(x + 1) == ° ~ a = 0, fJ = 0, 0 = 0 ~ {x2, x2 + x, X + I} es un sistema libre.

a2) {x2, x2 + x, X + I} es un sistema generador de P2:

48

Ejercicios

Cualquier elemento de P2 es de la forma a:i + bx + c; para que {Xl, x2 + X, X + + 1 } sea generador la ecuaci6n d + bx + c = ax2 + f3(x2 + x) + S(x + 1) debe tener soluciones reales para a, f3, 0,

En efecto, w? + bx + c = ax2 + f3(x2 + x) + 8(x + 1) = ~(a + f3) + x(f3 + 0) + + 8 => a = a - b + c; => f3 = b - c; 0 = c; a, f3, 8 existen y son reales para cualquier poiinomio de P2, porque existen y son reales, a, b, c.

b) En 5x2 + 3x + 1, los coeficientes son: a = 5; b = 3; c = 1

=> a = 5 - 3 + 1 = 3; f3 = 3 -1 = 2; c = 1 => 5x2 + 3x + I = 3x2 + 2(x2 + x) + + lex + I),

Las coordenadas de 5x2 + 3x + 1 respecto a la base dada son (3, 2, 1),

c) Para que {~, x2 + x, X + 1 J sea base de Ps. nos falta afiadir x3; el conjunto {x3, x2, x2 + x, X + 1 J puede generar P3, y los vectores que 10 forman son un conjunto de vee tares linealmente independientes. Hemos afiadido x3, pero hay

h ibilid d '1 3 2 3 2 2 1

otras mue as POSI I I a es como por eJemp 0, x - x , x - x + x, x + , ... ,

d) EJ polinomio si + 3x + I tambien pertenece a P3, por tanto, se puede expresar como combinaci6n lineal de los elementos de cualquiera de sus bases, En particular, 5x2 + 3x + 1 = ax3 + f3x2 + 8(i + x) + rex + 1) = ax3 + (f3 + + O)x2 + (8 + y)x + y => a = 0, f3 = 3, S = 2, Y = 1.

d 23 Ib 322

Las coor enadas de 5x + x + I res pee to a a ase [x , x , x + x, x + I} son

(0,3,2, I),

Ejercicio 1.8

Sea S = {(2, -1,2, 3), (1,3, 2, I)} C [R4, Se pide:

a) Escribir unas ecuaciones parametricas de (S);

b) Determinar si el vector (11, -2, 12, 16) pertenece a (S), y si es aS1, encontrar la cornbinacion lineal que 10 genera;

c) Determinar el valor de los parametros m y n para que el vector Ii = (1, m, 4, n) pertenezca al subespacio de JR4 generado por los vectores, v=(2,-1,2,3)yw=(1,3,2, I),

49

1. Espacios vectoriales

Solucion:

a) Ecuaciones parametricas:

{Xl = 2.t + /1

4 Xl = -.t + 3p

(S) = {.t(2, -1,2,3) + /1(1,3,2, 1) /)., f.1 E ~ } ~ X3 = 2.t. + 2/1

X4 = 3,1, + f.1

b) Para que (11, -2, 12, 16) pertenezca a (S), deben existir soluciones en el sistema formado por las ecuaciones parametricas:

{1l=ll+P

-2 = -A + 3,u 12 = 2.1, + 2,u 16 = 3), + P

Los valores de)., P obtenidos como soluci6n de las dos primeras ecuaciones son). == 5, u = 1; que convierten en identidades las dos ultimas ecuaciones, por tanto, (11, -2, 12, 16) E (S), y la cornbinacion lineal que 10 genera es: (11, -2, 12,16) = 5(2, -1, 2,3) + 1(1,3,2, I).

c) Del mismo modo que en el apartado anterior, para que (I, m, 4, n) pertenezca a (S), deben existir soluciones en el sistema de ecuaciones formado par las ecuaciones parametricas:

{I =2,1,+,u

m=-,t + 3,u 4 = 2A + 2p n = 3,t +,u

Los valores de A, ,u obtenidos can soluci6n de las ecuaciones primera y tercera son ,t = -1,,u == 3; que at sec sustituidos en las dos ecuaciones restantes, proporcionan los valores de los parametres m = 10, n = O.

50

Ejercicios

Ejercicio 1.9

Sean LI = {(XI, X2, X3, X4) ) E [R4 / XI = X2 ;::: x} = X4}, ~ = [(XI. X2, x" X4) } E E [R4 / Xl = X2, X3 = X4}, LJ = {(XI, X2, X3, X4) } E [R4 / X2 = 2x4, X4 :: 2x3} subespacios vectoriales de [R4. Se pide:

a) Una base y unas ecuaciones parametricas de LI n LI, L2 n L3, LI n L3.

b) Indicar cuales de las siguientes sumas son directas y dar sus ecuaciones, LI + 4 ~ + Ley LI + L3•

Solucion:

Los vectores de LI n L; pertenecen a LI y a 4., por tanto, deben verificar las ecuaciones de ambos.

{Xl =X2

Cualquier vector que cumpla las condiciones X2 = X3, X3 =X4

{XI ==X3

tambien cumple , es decir, LI n Lz =:0 LI n Lz = LI.

X2 =X4

es evidente que,

{Xl =X2

Las ecuaciones cartesianas de LI son: X2 = X.1

XJ ==X4

{XI = a ( XI ) (1 )

. , . X = a X2 1

Unas ecuaciones parametncas son: x~ = a ~ X3 = a 1

X4=a X4 1

Una base de LI n 4. esta formada por el vector (1, 1, 1, I). LI + Lz no es suma directa porque LI n Lz '* 0.

Calculo de LI + Lz:

51

1. Espacios vectoriales

Conocemos una base de LI, siguiendo el mismo proceso encontramos una base de Lz:

Los vectores (1, 0, 1,0) y (0, 1,0, 1) son generadores de Lz y son linealmente independientes, por tanto, son una base de Lz.

Cua1q uier vector v de LI + Lz es suma de un vector VI E LI Y un vector de Vl E E 4; VI esta generado por los vectores de una base de Lh Y V2 por los vecrores de una base de 4.

Los tres vectores generadores no son linealmente independientes, (1, 1, 1, I) = (1, 0,1,0) + (0,1,0,1), par tanto (1,1,1,1) se puede eliminar del sistema de generadores de LI + 4 sin que varie el subespacio generado, que es Lz, como ya sabfamos porque L, C Lz.

{XI =_X3 Y {X2 =_ 21:4 Buscarnos los vectores que verifican las ecuaciones

X2 ~X4 X4 ~ 21:]

la unica soluci6n posible del sistema formado por las cuatro ecuaciones es el vector (0,0,0,0), par tanto, Lz n L, es eJ subespacio irnpropio de jR4 : o.

Lz + L, es suma directa porque L; n ~ = O. Calculo de Lz EB 4,:

Base de t; = (1,0, 1,0), (0,1, 0, I)} Base de L3 = {(I, 0, 0, 0), (0,4,1,2))

Si II E t; + 4, ~ II = V2 + V3 I V2 E 4 Y V3 E L3.

52

Ejercicios

& decir, es de I. forma v ~ (~) + a ( i ) + p ( ~ ) + 8 ( i ) + r ( ! )

Los cuatro vectores que forman el sistema generador son linealmente independientes, por tanto, son base de [l\l!4 => ~ (±) L3 = lit.

Cualquier vector de [l\l!4 se puede obtener como suma de un vector de Lz_ y otro de~.

c) LI n 4, LI + LJ

{XI =X2

LI n ~ esta formado por los vectores que verifican las ecuaciones X2 = X3 Y X3 =X4

{X2:2x4

X4 ~ 2x3

=> LI n 4 {(D, 0, 0, D)} => L, + 4 es suma directa. Calculo de LI (±) ~:

Base de L, = {(I, 1, 1, I)}

Base de L3 = {(I, 0, 0, 0), (0, 4,1, 2)}

Si 11 E LI (±) L3 => V = VI + V31 VI E LI Y V3 E L:..

{XI =a+/3

. , • . X2 = a + 415

Unas ecuaciones parametncas de LI (±) ~ son: s: '

XJ =a +v

X4 = a + 215

que elimi-

nando los parametres dan lugar a las ecuaciones cartesinas X2 + 2x3 - 3X4 = O.

53

1. Espacios vectoriales

Ejercicio 1..10

Sean A = l(l, 2, 1, 1), (-1,0,1,0), (2, 2, 0, l)J Y B = {(Xl> X2, X3, X4) E [R4 / / 2x1 - 2x2 + 2x3 -X4 = OJ.

Se pide:

a) Obtener una base, la dimension y ecuaciones de ambos subespacios de [R4,

b) Determinar si A + B es suma directa, y escribir sus ecuaciones parametricas,

c) Obtener el conjunto complementario de A en [R4,

Soluci6n:

a) El sistema {( 1, 2, 1, 1), (-1, 0, 1, 0), (2, 2, 0,1) I no es libre, ya que:

(I, 2, 1, 1) - (-1,0, 1,0) = (2,2,0, 1); al quitar el vector dependiente queda eI sistema {(l, 2, 1, I), (-I, 0, 1,0)}, que es independiente y forma una base del subespacio A, cuya dimension es dos.

Las ecuaciones parametricas son:

, {XI + x' - 2X4 = 0

sianas .'

. X2-~= a

EI subespacio B de [R4 cuyas ecuaciones cartesian as son: 2xI - 2X2 + 2X3- - X4 = a tiene por ecuaciones parametricas:

J~: : ~ ., (~XX4~) = a ( 821. ) + f3 (_:21 ) + 8 (821 ), los vectores

l~4 == 2a - 2/3 + 20

(1, 0, 0, 2), (0, 1, 0, -2), (0, 0, 1, 2) son un sistema libre, por tanto una base de E, y la dimension de este subespacio es tres.

54

Ejercicios

b) A + B no puede ser directa porq ue A y B son subespacios de [R4, si J a suma fuera directa, Ia dimension de A n B serfa 0, y como A + B tambien es un subespacio de 1R4 el mayor valor que puede tener su dimension es cuatro, y no podrfa cumplirse la igualdad:

Dim (A + B) + Dim (A nB) = Dim A + Dim B.

A + B es subespacio de lIt, Vv E A + B ~

Pero de entre los cinco vectores del sistema de generadores, hay cuatro independientes como puede comprobar el lector par cualquiera de los procedimientos que conoce.

En 1R,4 el iinico subespacio de dimension 4 es el rnismo 1R,4.

{XI=a

4 . • X2 = f3

Par tanto, A + B = IR, , cuyas ecuaciones parametricas son: x) = 8

X4 = r

c) Para encontrar el subespacio suplementario de A, basta can:

Ampliar la base {( 1, 2, 1, 1), (-1, 0, 1, 0) J de A hasta obtener una base de 1R,4, 10 conseguimos con dos vectores independientes de ellos, par ejemplo: {(O, 0, I, 0), (0, 0, 0, I)}; el subespacio generado par {(O, 0, 1, 0), (0, 0, 0, I)} es el suplernentario de A.

(XI) (0) (0) {XI=O

. , . X2 ° ° X2 = 0

Sus ecuaciones parametncas son: X3 == a 1 + f3 a ~ X3: a

X4 ° I X4-/3

55

1. Espacios vectoriales

S . . {Xl =0 US ecuaciones cartesianas son: _ 0 X2 -

Aunque al terminar el capftulo uno ellector dispone de herramientas para ver la dependencia e independencia lineal, despues de estudiar los capitulos dos y tres, le resultara mas facil hacerlo, por 10 que se recontienda una revision cuando haya leido dichos capitulos.

56

2

APLICACIONES LINEALES

2.1. Apli.caciones lineales

2.2. Subespacios distinguidos: nueleo 0 imagen 2.3. Aplicaciones lineales y matrices

2.4. Los espacios vectoriales (L( V, W) ,+, IR} y (Mmxn, + IR)

2.5. Composlcien de aplicaciones lineales y producto de matrices 2.6. Algebras de endomorfismos y matrices cuadradas

2.7. Matriz asociada a un cambio de base en V. Matriz asociada a una aplicacion lineal cuando cambian las bases

2.8. Operaciones elementales en una matriz. Matriz elemental EJERCICIOS

57

2. Ap/icaciones lineales

2.1. Aplicaciones lineales

Al definir una aplicacion entre dos espacios vectoriales, estarnos utilizando rnuchos conceptos sirnultaneamente. Vamos a analizarlos sobre un ejemplo concreto.

Ejempl.o 2.1.1

"Seaf: (M, +, [R) ~ (jR4, +, [R) una aplicaci6n definida como (:~: a~2) ~ ~ (a II + au, al2 - all, a21. 0)".

Tenernos:

• Estructura algebraica inicial: (M, +, [R) es el espacio vectorial de las matrices de la forma (~:: a02), entre las que estan definidas la opera-

ci6n de suma estandar, y Ia operacion de rnultiplicacion estandar por un esc alar.

• Estructura algebraica final: ([R4, +, [R) es el espacio vectorial de los veetores de [R4, entre los que estan definidas la operaci6n de suma estandar y Ia operacion de multiplicaci6n estandar por una escalar.

• Una aplicaci6nf que transforma eada matriz (all al2 ) E Men el vector all 0

(all + a12, a12 -al [, a21> 0) E [R4.

Es evidente que f es aplieaei6n, porque para eada originalla imagen es unica,

• Ademas, es una aplieaci6n especial que conserva la suma:

58

2.1. Aplicaciones lineales

• Tambien conserva el producto por escalares:

Podemos decir que, "mediante la aplicaci6nf, la imagen de la sum a de matrices es la suma de las imagenes de dichas matrices, y la imagen del producto de una matriz por un escaIar, es el escalar por la imagen de la matriz".

Las aplicaciones que, como esta, tienen la propiedad de conservar la estructura de espacio vectorial porque la imagen de la suma es 1a suma de las imagenes, y la imagen del producto de un original por un escalar, es el escalar por la imagen del original, son de un tipo especial y reciben el nombre de aplicaciones lineales 0 transformaciones lineales.

59

2. Aplicaciones lineales

2.1.1. Definicion de aplicacion Iinea.1

I; V ---+ w: es una aplicaeion 1 ineal entre 10:'; espaeios vectoriales V, M<: si se verifies:

Jl4u + IJv) ;;;;;:. AJ(/i) + f.I1(Vj,,: Vu, Ii E V; 'II J...,.u E [R

Las aplicaciones, lineales 0 no, se usan continuamente en Informatica; citaremos algunos ejemplos:

• Cada direccion en la memoria se considera como un vector y se le asigna su posicion mediante una aplicaci6n no lineal.

• En una base de datos se relacionan (se establece una aplicacion) varios elementos de divers os campos (conjuntos sobre los que se define la aplicaci6n).

• En la programaci6n orientada a objetos, los conjuntos y subconjuntos son las clases y las aplicaciones la relaci6n entre clases,

De entre las aplicaciones lineales, algunas nos resultan conocidas, es el caso geometrico de las proyecciones que se ilustra en el ejemplo siguiente.

Ejemplo 2.1.2

Compruebese quefI; ~J ---+[R3 / fl(x!. X2, X3):::: (XI. X2. 0) es una aplicaci6n li-

neal.

Veamos que verifiea la eondici6nfJ(/U + liy) = J...!J(x) + f.lN,J),

En efeeto, al desarrollar ambos miembros obtenemos el mismo resultado, fl(J...(x!>. X2, X3) + fl(Y!> Y2, Yl» =fl(AxI + flY1, Ax2 + flY2, Ax] + flY) == (Ax I + flY!>

Ax2 + f.1Y2, 0).

j;(J...(Xi> X2, X3» + fi(P(y], Y2, YJ» = fj(A,x], A.x2, Ax) + f/'J1YJ, flY2, f.lYJ) = (Axl, A.x2, 0) + (fly 1 , f.l.y2, 0) = (Ax1 + f1Yj, A.x2 + f1Y2, 0),

La imagen de (2, 3, 7) esfj(2, 3, 7) = (2,3,0). Y geometricamente la identificamos con la proyecci6n 0 sombra del vector (2, 3, 7) sobre el plano x) :::: 0,

60

2.1. Aplicaciones lineales

Para!z: 1f..!:3 ~ If..!:J I h(x]' Xl. X3) = (x., 0, X3) se haee exactamente igual, yes un pequefio ejercicio para que el lector compruebe si ha entendido la definicion de aplicaci6n lineal. Esta aplicaci6n es la proyecei6n sobre el plano y = O.

Sabemos que si V = VI (:f) V2• cualquier vector de V se puede escribir de forma unica como v = UI + U2> siendo UI E VI, UzE U2•

Las aplicaciones PI: V -t VI I P I (v) = UI Y P2: V ~ U21 P2(V) = U2. se IJaman proyecciones de V sobre los subespacios V. y V2•

Ejemplo 2.1.3

La aplicacionj : If..!: ~If..!: I fix) = sen X no es una aplicacion lineal. No conserva la surna:

x ~ fix) = sen x y -+ fly) = sen y

x + y -+ sen (x + y) = sen X cos y + sen y cos x +: sen x + sen y

Tarnpoco conserva el producto por escalares:

sen(nx) +: n sen x

La aplicacion i : V -+ V que transforma cada vector Ii E Ven el mismo vector Ii, se llama aplicaci6n identidad, y es evidente que es una aplicacion lineal.

La aplicaci6n 0 : V -+ W que transforma cada vector Ii E V. en eI vector 5 E E W. se llama aplicacion nula y tambien es evidente que es una aplicacion lineal.

2. 1.2. Consecuencias

1. Para cualquier aplicacio« lineal f : V -t W, se verifica que f (0) = 0

Demostraci6n:

Sabemos que 5 = Ov, por serfuna aplicacion linealf(5) = Of{v) = 5

61

2. Aplicaciones lineales

2. Para cualquier aplicacion lineal f : V -'> W, se verifica que f(-v) = =-f(v).

Dernostraci 6n:

j(V) + j(-v) =j(v + (-v» = j(O) = 0 ~ j(-v) = -j(v)

3. Si dos vectores son linealmente dependientes, sus imdgenes mediante una aplicacion. lineal tambien 10 son.

Demostracion:

Sea {u], U2) un sistema ligado ~ Si A.IUI + A.2U2 = 0 hay algun ..1.1 *- 0 f(AI71) + A:1U2) = f(O) = 0

.lUlU) + A2U2) = Atfm.) + A.J(_U2) = a can algun Ai *- 0, par tanto {ftUI),j(U2)} es un sistema ligado.

4. Si dos veetores son. linealmente independientes, sus imdgenes mediante una aplicacion lineal pueden no serlo.

Demostraci6n:

Seaf: 1R2 -'> IR I j(XI, Xl) = XI una aplicacion lineal (es muy facil comprobarlo),

[(2,1), (1, 3») es un sistema libre en 1R2 j(2, 1) = 2;j(1, 3) = 1

[2, I} es un sistema ligado en IR.

S. La composicion de dos aplicaciones lineales es una aplicacion lineal.

Demostraci6n:

Seanfy g tales que V ~ W ~ Y, si ambas son aplicaciones lineales, podemos escribir:

(g 0 j)(Au + jlv) = g(f().u + jl.v» = g().j(u) + jl.j(v» = = A. (g (f(u) ) + jl.(g(f(v» = A.(g o.f)(u) + jl.(g 0 f)(v)

La igualdad anterior muestra que (g 01) es una aplicaci6n lineal.

62

2.2. Subespaeios distinguidos: nucleo e imagen

2.2. Subespacios distinguidos: nucleo e imagen

En cualquier aplicaci6n entre espacios vectoriales hay dos subespacios que tienen un interes especial: mlc1eo e imagen de la aplicacion.

La imagen esta constituida por todos los vectores de W que tiene un original en V.

2.2. 1. Definicion de imagen de una aplicacion lineal

La imagen de Ia aplicacion Iinealj': V -+ W sc define como: 1inCf) == {w E W, tales que 317 E V que verifica W :::::. j{v) }

1-

1m if)

v

2.2.2. Proposicion

La imagen de una aplicacion lineal J: V -+ W es un subespacio de W

63

2. Aplicaciones lineales

Demostracion:

Vamos a comprobar que Irn(f) verifica 1a condicion que caracteriza un subespacio.

Aplicando 1a definicion de imagen, si WI. W2 E Im(/) ~3VI' V2E V, tales que fiJi,) = Wh.!tV2) = W2, por taIlto,fiv, + V2) = fiv,) + (V2) = WI + W2, como VI + + V2 E V por ser V un espacio vectorial ~ W, + W2 E Im(f).

Tambien se verifica 'if.-1. E IR,fi.-1.V) = Aj{V) = ,tw, como .-1.W E Im(f) porque Xii E E V ~ Im(f) es un subespacio de W.

EI otro subespacio importante es el subconjunto de V cuyos elementos se trans form an en el vector neutro de W.

2.2.3. Definicion de nucteo de una aplicacion lineal

Nticleo de Ia aplicacion linealf: V -"-'> Wes el conjunto Nuc(j)·= {v E V. tales quef(ii) = () E W}

w

V

64

2.2. Subespacios distinguidos: nucieo e imagen

2.2.4. Proposicion

EI miclco de una aplicacion linealj": V ---7 IVes un subespacio de V

Demostraci6n:

Vamos a comprobar que Nuc(f) verifiea la condicion que caracteriza un subespacio,

Si V), V2 E Nuc(f) => f(VI + V2) =.fCvl) + fiV2) por ser luna aplicaci6n lineal; comofivl) + fiV2) :::: 0 + 0 :::: 0 E W => VI + V2 E Nue(f).

Tam b ten se verifica: VA E IR, 1fY E N ue(f) => fiXV) = Aflv) = 0 => AV E E Nuc(f), par tanto, Nuc(f) es un subespacio de V.

Ejemplo 2.2.1

"Sea/eM, +, IR) ---7 (~, +, IR) la aplieaci6n lineal definida como (:~: ag) --1 --1 (all + Q12, an -all, a21, 0) en el ejemplo 2.1.1"

La imagen de la aplicacion lineal estara formada par el subconjunto de 1R4, cuyos elementos sean de la forma (x., X2, X3, X4) :::: (all + a12, al2 -all, a21> 0).

El micleo de Ia aplicaci6n lineal estara formado por el subconjunto de M euya imagen sea (0, 0, 0, 0) = 0 E 1R4, es decir, los elementos (~~: aal) EM que cumPlaof( ~~: ~2) = (all + al2, al2 -al)' a2l> 0):::: (0, 0, 0, 0)

65

2. Aplicaciones lineales

all + al2 = 0 }

al2 = all = ° =}all = al2 = 0 =} Nne(/) =.r1 (0,0, O. 0) = (g ~)

a21 - 0 '

2.2.5. Teorema

Si Yes de dimension finita (dim V"" n), 'entonces, se verifioa: dim Nne (fJ + dim 1m if) ;;;: dim V

Demostraei6n:

El micleo es un subespacio vectorial de V (V es un espacio finito), par tanto, tiene una base finita, Llamenos B a esta base, los vectores de B son linealmente independientes, y se pueden completar can otro sistema de vectores Iinealmente independientes hasta obtener una base {'l\, e2, ... , ep, u], ... , uq} de V.

Hemos tornado B como base del micleo, cuya dimension es p. Nos faJ ta ver que (j{u I)' ... , j(uq)} es una base de Ia imagen de f Veamos primero que es generador.

Por la tercera conclusi6n de [2.1.2], sabemos que S1 {h e2, ... , ep, u., ... , uq} es generador de V =} (f(el),f(e2), ... ,j(ep),j(ul), ... ,j«uq)} es generador dejtV).

Como Be Nuc(f), f(el) = ... :::f(ep)::: 0, y (f«UI), ... ,j«uq)} generaj(V), que es Im(f).

Veamos ahora que If(ud, ... ,f(uq)} son linealmente independientes:

Si Arf(uI) + ... + AJ(Uq) = 0, par ser f una aplicaci6n lineal flAI UI + ... + + A,;Uq) = 0, es decir AIUj + ... + AqUq E Nuc(f), y par tanto, se puede expresar como combinaci6n de los vectores de una de sus bases, par ejemplo de B.

AIUI + + AqUq = aiel + + apep = 0, podemos escribir

aiel + + apep + AIUI + + AqUq = 0, de donde se deduce necesariamente

que al = ::: a, = Al = ::: Aq = 0 por ser {el, e2, ... , ep, UI, ... , uq} base de V.

Par tanto, AJ{UI) + + A,f(Uq) ::: 0 =} AI ::: ... ::: Aq = 0 =} (j(UI), ... , flu,)} es

un conjunto libre, y la dimensi6n de la imagen defes q.

Hemos demostrado que p + q = n.

66

2.2. Subespacios distinguidos: nucteo e imagen

• A la dimension de la imagen de f se 1 a llama Ran go de la apli caci6n 1 ineal: rg(j).

Ejemplo 2.2.2

En el ejemplo 2.2.1 se verifiea dim Nue(j) + dim Im(j) = dim V. En efecto:

La dimension de M = {( ~:: a~, D es tres porque (=;: a~,) = a" (6 ~) +

+ au (~ 6) + a" (~ ~) y D ~ ~).( ~ ~ W ~ ~ es un sistema libre, es de

CIT, es una base de M formada par tres elementos.

dim Nue (j) = 0, porque Nue (j) = (g g)

dim 1m (j);::: 3, porque:

{(X!. X2, X3, 0);::: Xl (1,0,0,0) + X2 (0, 1,0,0) + X3 (0, 0, 1,0) como

(1, 0, 0, 0), (0,1, 0, 0), (0, 0,1, a)} es un sistema libre

~ este con-

junto es una base de Im(f) C lIt form ada por tres elementos.

Como parte de la demostraci6n anterior ha quedado demostrada la propiedad expresada en la proposicion siguiente:

67

2. Aplicaciones lineales

2.2.6. Proposici6n

Una aplicacien lineal [: V ---7 W censer va la independencia lineal si el micleo de la aplieacion lineal es r O}

La parte de la demostraci6n anterior que demuestra esta proposici6n es:

"Debemos comprobar que {UI, .... , uq} linealmente independientes ~ ~ f.f(i:ll), ... J(Uq) I son linealmente i~dependientes si el nucleo de fa aplicacion lineal es {O L; A.~I + ... + A.qUq = 0 ~ fi..A.IUI + ... + A.qUq) = A.Jfal) + ... + + . ..lJtuq) = fi..0)=O. Como A.I = ... = A.q = 0 porqueIz., ... uq} son linealmente independientes ~ .f (u I) •... ,.f (uq) son linealmente independientes,"

68

2.3. Aplicaciones lineales y matrices

2.3. Aplicaciones lineales y matrices

Determinar una aplicaci6nf: V ----t Wes dar un procedimiento que permita caIcular las imagenes de los elementos de V.

Hay distintos procedimientos para determinar una aplicaci6n:

• Si el conjunto tiene un rnimero finito de elementos (no es 10 mismo que de dimensi6n finita), se pueden dar las irnagenes de todos y cada uno de ellos,

• Se puede dar una ley de formaci6n que pennita asignar a cada elemento de V un elemento de W, de modo que I verifica las condiciones dadas en [2.1.11 como hemos hecho en 2.2.

• Si la aplicaci6n es lineal no es necesario dar esa ley de formaci6n ni las imagenes de todos los elementos, es suficiente dar las imagenes de los vee tares de una base porque, par ser lineal, can ello quedan determinadas las imagenes de todos los vecrores de V, es decir, queda determinada la aplicacion,

Las irnagenes de los elementos de V son elementos de lV, y vienen dados respecto a una base de W, que hay que fijar previamente.

2.3.1. Teorerna

Si V, W son dos espacios vectoriales sabre IR: B = fer. h .... e,,} es una base de V y S = {Wj. IV2, •. " w,,-I un subccnjunto de w: entonccs, existe una aplicacion lineal unicaf: V --»; fV, tal que,j"(e)I = W-, fi.?!a = w,}, ... ,f(7!,,) ;:;c WI'

Dernostraci6n:

Como hemos hecho en otras ocasiones para demostrar que alga existe, to construimos. Queremos demostrar que existe una aplicaci6n lineal f: V ~ W, varnos a construirla:

69

2. Aplicaciones lineales

Cuando se fija la base B en V, cualquier vector x E V, se puede escribir dando sus coordenadas respecto a la base: x = (Xl> X2, .•.. , x,,), es decir, x == xlel + + X2 e2 + ... + xnen•

Construirnos de la siguiente manera Ia imagen de cada elemento de la aplicacion:

j(x) =:: .f(xlel + Xie2 + ... + x"e,,) =:: xlj(el) + Xzj(e2) + ... + x,J{e,,) =:: == XIWI + XlWZ + ... + x"w" =;> La aplicaci6nj existe.

Como las coordenadas (XI, X2, ... , x,,) de un vector x son tinicas respecto a una base B = la aplicaci6nj es iinica.

Para ver que es lineaJ debemos comprobar que la aplicaci6n construida asi, verifica Jas condiciones dadas en [2.1.1]:

j{AX +.uy} == ..lj(x) + PfiY); 'Vx, y E V; 'VA, f1 E [R

En efecto,

j(AX + j.lY) == ft(AxI + f1.YI)el + ... + (Axn + J.lY,,)e,,) =::

== {(Ax I + J.lYI)WI + ... + (Ax" + f1.y,,)w,J = (AxIWI + ... + Ax"W,,) + (j.tYIWI + + ... + J.ly"w,,) ==

= (AxJ(el) + + A.x,J(e,,)) + (j.tYlf(el) + + py,J(e,,» ==

== ..l(xJ(el) + + x,f(..en)) + p(YJ(el) + + y,/(e,,» ==

== ..lj{xlel + ... + x"e,,) + .uN,e, + ... + y"e,,) == ),fix) + j.lfiY) = La aplicaci6njes Jineal.

Ejemplo 2.3.1

Seaj: jR2 ---7 1R13 11(1,0) =:: (1,2, 1);ftO, 1) == (l, ],0) una aplicacion lineal.

Determinense unas ecuaciones de dicha aplicaci6n.

Solucion:

B== {(l, 0), (0, I)} es una base de 1R12, {(l, 2, l), (1,1, O)} C 1H:3, (no es base) (Xi> X2) = XI(1, 0) + Xl(O, 1); por ser jlineai podemos escribir:

70

2.3. Aplicaciones lineales y matrices

{Yj =Xj +x,

~ Y2 = 2x1 + XI SOD LIDas ecuaciones de la aplicaci6n lineal dada, que

Y3 =X,

permiten calcular Ia imagen (y" Y2, Y3) de cualquier elemento (XI, xL) de n;g2.

l,Se puede determinar alguna aplicaci6n linealj": IRL -7 1R2, taJ que,j(2, 3) = (0, l);j(-2, -3) = (1, O)?

Ejemplo 2.3.2

Soluci6n:

No puede haber una aplicaci6n lineal que cumpla las condiciones dadas, ya que, si fuera lineal, deberia cumplirse: 1(-2, -3) = iI-(2, 3)] = -f{2, 3) = = -(0, 1), mientras que, en el enunciado aparecefl-2, -3) = (1,0).

Una aplicacion lineal se puede determinar dando sus ecuaciones, como hemos hecho en el ejemplo anterior, pero tarnbien se puede hacer dando una matriz que va asociada a cada aplicaci6n lineal cuando hemos fijado una base en el conjunto Vy otra en el conjunto W.

2.3.2. Matriz asociada a una aplicacion lineal

Si V, W son dos espaeios vectoriales sabre R B = {h ez .... , en) es una base de V, S = {Ul9' U2'> ••. , urn} una "base de Wy luna aplicacion lineal de Ven W.

Se llama rnatriz asociada ala aplicacion linealj'respeeto a las bases B yS, al conjunto A de elementos orden ados en una tabla rectangular de m filas y n columrias

71

2. Aplicaciones lineales

(all all

a21 an A=

;;,,: ~:~~ ...

ab) {lfCI) == a, '!!. + a!I~2 + + ilm10"

a;" }(el) = Q".uj + anu/.. + + G>tf1Um

siendo

';0-. • •• ~. • ~.. • .. t ~.. 4.. 4.. . ..

Qmn .f(e,J = ar,:li + ~o + ... + a,"Jim

Observemos que las columnas de la matriz A son las coordenadas de los vectores de.f(B) respecto a 1a base S de W.

El concepto de matriz ha surgido aquf de forma natural asociado a las aplicaciones lineales para euyo estudio son una herramienta indispensable, y veremos su estructura algebraica a partir de lade las aplieaciones lineales, pero las matrices existen independientemente de las aplicaciones y forman una cIase de objetos matematicos estudiados con anterioridad par elleetor en distintos mementos ..

Utilizar los conocimientos anteriores de matrices, nos permire expresar la aplicacion de una forma mas c6moda, es su expresi6n analnica:

Sij{x]' Xl •... , xn) = (Yh Y2, ... , y",), la aplicacion construida en (2.3.21 se puede expresar:

Ejemplo 2.3.3

Escrfbanse las ecuaciones matriciales de la aplicaci6n dada en el ejemplo 2.3.1.

Soluci6n:

en el ejemplo 2.3.1).

72

2.3. Aplicaciones lineales y matrices

2.3.3. Proposlcion

Si Bes una base de V, su imagenj{B) mediante la aplicacion linealj'es un sistema generador def(\f)

Demostraci6n:

Cualquier elemento de j(V) tiene un original en V => se puede escribir como combinaci6n lineal de los elementos def(B).

2.3.4. Definicion

Rango de una matriz e::. ei range de Ja aplicacion lineal asociada denotada rg (A)

2.3.5. Teorema

151 range de una matriz es el ruimern de vcctores columna Iincalmcnte independienres que hay en ella

Demostraci6n:

Sij(B) es la imagen de una base de Ves un sistema generador de.f{V), por tanto, la dimension de j(V) sera el ruirnero de vectores linealrnente independientes que haya en fiB).

Las column as de la matriz A son los vectores de.f(B), por tanto, el mimero de vectores linealmente independientes que hay enj(B) sera el ruimero de veetores columna lineal mente independientes que hay en A.

73

2. Aplicaciones lineales

El ran&o de la aplicaci{)TI lineal se puede definir como La dimension de su imagen 0 el rango de 1a matriz asociada.

Ejemplo 2.3.4

En la aplicaci6n del ejemplo 2.3.1, la dimension del subespacio imagen es 2, porque

( f:) ~ x, (~ ) + x, (1 ). es decir (~ ) y (1) generan 1a imagen; ademas, C&

mo son lineal mente independientes, son base de 1m(/) y su dimension es 2,

74

2.4. Los espacios vectoriales (L(V, W), + ~) y (Mmxn ,+, ~)

2.4. Los espacios vectoriales (L( V, KJ), +, lR) Y (Mmxn ,+, IR.)

Llamaremos L(v' W) el conjunto de todas las aplicaciones lineales posibles entre dos espacios vectoriales sobre 1R : V de dimension It, y W de dimensi6n m.

Estarnos acostumbrados a sumar aplicaciones, multiplicar aplicaciones por escalares y componer dos aplicaciones. En este apartado vamos a ir viendo las propiedades que tienen las operaciones citadas, y como consecuencia, la estructura algebraica que tiene L(v, W) con las distintas operaciones definidas con sus elementos.

2.4.1. Teorema

(L(V, W), +, JR) es un espacio vectorial sobre ~

Demostracion:

Sify g pertenecen a (L(v, W), +), la suma de aplicaciones se define como:

if + g )(\1) = ft.1i) + g(v)

La suma es una aplicaci6n lineal:

if + g)(avl + fJv2) = j{avl + f3V2) + g(avl + f3V2) = f(avl) + j{j3V2) + g(avt) + + g(fJv2) = if + g)(avl) + if + g)(fJV2) = aif + g)(Vl) + [3(f+ g)(V2)

Es evidente que, tiene las propiedades conmutativa, asociativa, existencia de neutro (la funcion nula, tal que O(v) = 0, v» E V), Y elemento opuesto de f : -f, tal que (-f)(u) = -ft.u).

Por tanto, (L(v, 'W), +) es un grupo conmutativo.

El producto de una aplicaci6n lineal por un escalar se define como:

75

2. Aplicaciones lineales

(Af)(v) = A:!tv), siendo f E L( V, W) y,l E IR.

EI producto de escalar por aplicaci6n lineal es aplicaci6n lineal:

(,lj)(avi + fJv2) = ,lj{av, + fJV2) = A..(f(alid + fiJJv2)] = ,l[aj\vl) + ,Bj(V2») = = UA..j{v,) + {3Af(v2) = a(,1f)(v,) + a(,lj)(v2)

Es claro que esta operaci6n tiene las propiedades que sirvieron para definir un espacio vectorial en (1.2.2J:

l . Distributiva de escalares respecto a aplicaciones: ).if + g) = A.f + Ag.

2. Distributiva de aplicaciones respecto a escalares: (A + f.L)f = :tf+ f.LI

3. Asociariva: (AIl)f = A..(J.Lj).

4. Exi ste el esca 1 ar unidad, 1, que cump le If = f

Hemos demostrado que (L(V, W), +, IR) es un espacio vectorial sobre IR. Par ser (L(V, W), +, ~) un espacio vectorial, las aplicaciones lineales del espacio vectorial V (cuyos elementos son los vectores de V) en el espacio vectorial W (cuyos elementos son los vectores de W) son vectores,

Seaf E L (V, W), recordemos que dim(V) = n y dim(W) = m, y que si fijamos una base en V y otra en W, cada apJicaci6n f: V ---7 W lleva asociada una matriz de orden In X n.

Representarernos por Mmxr, el conjunto de todas las matrices de orden m x n. Recordemos que, una aplicaci6n tal que su inversa tarnbien es aplicaci6n, es una biyecci6n 0 correspondencia bivcctiva.

Este es el caso de la correspondencia que existe entre las aplicaciones lineales y las matrices; cada aplicacion lineal de L( V, W) lJeva asociada una matriz tinica de Mrnxn, y cada matriz de MmXli determina una aplicaci6n lineal iinica de L(V, W).

g

L(v, W)

_, g

76

2.4. Los espacios vectoriales (L(V, W), + [h{:) y (Mmxn ,+, ~)

La correspondencia biyectiva existe entre el objeto de estudio L( V, W) y la herramienta utilizada, M"oo" nos induce a analizar la esrructura de ambos conjuntos simultaneamente.

2.4.2. Teorema

liN ... - +. Ill)" un espacio vectorial sabre D;l

Demostraci6n:

Mnull x MmxJ/ ____:__. MmX1l: Operaci6n de sumar matrices de orden m x n.

Si A = (aij) es la matriz asociada a/A: V ~ W Y B = (bij) es la matriz asociada alB : V -7 W, llamaremos matriz suma A + B a la matriz asociada a Ia aplicaci6n/A +.fs: V-7 W

Basta ver Ia definicion de surna de aplicaciones para establecer que A + B = = (aij + b;j).

La expresion anal ftica de f~ +.fn es Y = (A + B)X.

Por la correspondencia biyectiva existente entre L(V, W) y M/JIXl" tal que conserva la operaci6n de sumar, podemos asegurar que (M,1V<n ,+) tiene las mismas propiedades que (L(V, W), +), es decir, es un grupo conmutativo.

MnOOl x IR ---7 Mmxn : Operaci6n de mnltiplicar una matriz A E M"rxn., por un escalar A. E IR.

Si A = (ai) es la matriz asociada alA : V -7 W, la operaci6n de multiplicar la matriz A E M mXl" por el escaJar A. ERda como resul tado la matriz A.A E M,IV<n.' que es la matriz asociada a A./A.

Utilizando la definicion de aplicacion por escalar ~ A.A = (A.aij).

Por la correspondencia biyectiva existente entre L(v, W) y M"""", tal que conserva la operacion de multiplicar por escalares, podemos asegurar que am-

77

2. Aplicaciones lineales

bos conjuntos tienen las mismas propiedades a1 multiplicar sus elementos por un escalar:

I. Distributiva de escalares respecto a matrices: A(A + B) :::: AA + AB

2. Distributiva de matrices respecto a escalares: (A + ji)A = AA + jiA

3. Asociativa: (Aji)A :::: A(pA)

4. Existe el escalar unidad, 1, que cumple lA == A

La aplicacion j': Lev, W) --7 MmxR> que asocia a cada aplicaci6n lineal una matriz, es una aplicaci6n biyectiva que transfonna la suma de aplicaciones en suma de matrices, y al producto de escalar por aplicaci6n en escalar por matriz, es decir, conserva las operaciones del espacio vectorial,

Una aplicacion biyectiva que conserva la estructura de espacio vectorial recibe el nombre de isomorfismo entre los espacios vectoriales,

Hernos demostrado que el con junto (MIlOO1 ,+, IR) es un espacio vectorial isomorfo a (L(V, W), +, IR).

Ejemplo 2.4.1

Dadas las aplicaciones lineales asociadas a las matrices A == (~ _~ -~ -1) y

B (3 -5 6 -1 ) id bl I ., l' . d I u .

= 2 0 -2 -3 ' se pi e esta ecer a expresion ana mea e as ap icacio-

nes Lineales asociadas!A,fs, la aplicacion j, + 2f~, Y la matriz correspondiente a esta aplicaci6n.

Soluci6n:

( 1 2 -3 4) es la matriz de la aplicaei6n I i neal fA : 1R4 --7 1R2, cuya expresi6n es: 0-5 1-1

78

2.4. Los espacios vectoriales (L(\/' W), + 1R) y (Mmxn ,+, 1R)

(3-56-1) I iz d 1 Ii "6 I" all' rro4 rro~ "'

2 0 -2 -3 es a matnz e a ap caci n me JB: lfI'. ~ 11"1>-, cuya expresion es:

fA : [R4 ~ [R2 / (Xl, X2, XJ, X4) ~ (Le, + 2x2 -3X3 + 4X4, OXI - 5X2 + Ix, - lX4)

fB : 1R4 ~ [R2 I (Xl. X2, X3, X4) ~ (3xJ - 5X2 + 6X3 - IX4, 2x. + OX2 - 2x3 - 3X4) fA+2B : 1R4 ~ 1R1 I (x], X2, X3, X4) ~ (7x, - 8Xl + 9X3 + 2x4, 4x. - 5X2 - 3X3 - 7X4)

La expresion analftica de j, + 2j, es ( j~ ) = (I =~ - U) (~i )

(1 2-3 4) (3 -5 6-1) (7 -8 9 2)

0-5 1-1 +2 2 0-2-3 = 4-5-3-7

es Ia matriz de la aplicaci6n

2.4.3. Teorema

Dernostracion:

Para saber la dimensi6n de (Mmxn ,+, IR), es suficiente conocer el ruimero de elementos de una de sus bases.

79

2. Aplicaciones lineales

fEu, i = 1, ... , m,j= 1, ... , n} es una base si cadaEij es lamatriz de orden m x x n que tiene 0 rodos los elementos, excepto el que ocupa la fila i, columnaj, que vale 1.

La base aSI construida es la base canonica y tiene m x n matrices Eij, y par tanto, la dimension de (Mmxn. +, ~) es m X n.

La dimensi6n de (L(V, W), +, JR) es tarnbien m x n par ser isomorfo a (Mmxn, +, JR).

Ejemplo 2.4.2

La base can6nica de M2X3 es:

fi( I 0 0) (0 1 0) (0 0 1) (0 0 0) (0 0 0) (0 0 O)1t tiene 6 rna

~ 0 0 0 ' 0 00 ' 0 0 0 ' 1 00 ' 0 1 0 ' 00 I 1]' -

trices linealmente indepedientes.

80

2.5. Composicion de aplicaciones lineales y producto ...

2.5. Composici6n de aplicaciones lineales y producto de matrices

A veces hay que realizar una serie sucesiva de trans formaciones a un elemento de un conjunto inicial, de manera que el transformado mediante una aplicaci6n es el elemento a transformar mediante la siguiente aplicacion; ese proceso es el de componer aplicaciones.

Si V, W. U son tres espacios vectoriales reales, g y f son las siguientes aplicaciones lineales, se puede construir la aplicacion lineal! 0 g (se lee g compuesta con fl, de modo que, la imagen mediante la aplicacion sucesiva de g y f a cualquier vector de V, de el mismo resultado que la aplicaci6n de fog a dicho vector.

v U

fog

x~ ')f-=ifo. w=.ttg(X»

g f

w

y == g(X)

• Observese que se escriben en orden inverso a como se aplican.

La forma de multiplicar matrices parecerfa artificiosa si no fuera la expresi6n analitica de Ia composicion de aplicaciones; vamos aver por que esta definida de esa exrraiia manera,

2.5. 1. Teorema

La composicion de dos aplicaciones lineales. es una aplicacion lineal

81

2. Aplicaciones lineales

Demost:raci6n:

Si g y! son las aplicaciones del grafico anterior, por ser lineales podemos escribir:

! o g(AIiI + /1112) = JIg (A v 1 + /1112)] = ! (Ag(lIl) + ).1g(\l2)) = Afig(1I I)) + J.l.f(g(1I2)) = = A(j o g)(III) + p(j o g)(V2), quedando demostrado que! o g es lineal.

Si dim(V) = n, dim(W) = p y B es la matriz asociada a la aplicacion lineal respecto a las bases canonicas, g : V --:; W ~ B E Mp>'J!'

Si dim(W) = p, dim(U) = m y A es la matriz asociada a la aplicacion lineal, respecto a las bases can6nicas,f: W --:; U ~ A E Mmxp.

Como dim(V) = n; dim(U) = m la matriz asociada a la aplicaci6n lineal, respecto a las bases can6nicas,f 0 g : V --:; U sera de orden m x n.

En estas condiciones definimos el produclo de matrices como la matriz de la aplicaci6n composicion,

2.5.2. Definicion de producto de matrices

A B es la matriz asociada e]» g : V ---7 U, siendoA 1a matriz asociada « f : W --:; U y B la matriz asociada a g : V --:; W

2.5.3. Calculo del producto de matrices

La aplicacion lineal g : V --:; W, cuya matriz asociada es B = (bij) E Mp"", tiene por ecuaciones:

n

(y" Y2, ... , Yp) = g (x], x], ... , xn); Cada Yh = bh1xI + bh2X2 + ... + blt,,x,, = LbhjXj;

1=1 h = 1, ... ,p.

82

2.5. Composicion de aplicaciones lineales y producto ...

La aplicaci6n lineal f: W ---7 U, cuya matriz asociada es A = (aij) E Mm"", tiene por ecuaciones:

P

(ZI> Z ..... , z",) = fry], Y2, ... , Yp); Cada Zj = ailYI + aiiY2 + '" + ajpYp = LaihYh; i = 1,

/,_1

... ,m.

Las ecuaciones de Ia aplicaci6n lineal fog: V ---7 U, cuya matriz asociada es AB = (cij) E M"Xlt" tendra por ecuaciones:

p p n p

Cada z, = L aihYh = L ail, (2: hil,x) = L (2: ail,bhj)xj para i = 1, ... , m

It_I . h-I i=v j-I h=1

Utilizar sfrnbolos I simplifica la escritura de una suma, aunque puede hacer mas diffcil la interpretaci6n de la expresi6n, por ello, vamos aclarar su significado.

Al escribir la matriz asociada a la aplicacion lineal que tiene estas ecuaciones, se obtiene una matriz tal que, el elernento que ocupa la fila i, columnaj: cij de AB = (cij) E Mmxm se ha obtenido haciendo la siguiente manipulaci6n:

"Primer e1ernento de la fila ide 1a matriz A por primer elemento de 1a columna j de la rnatriz B, mas segundo elemento de 1a fila i de la matriz A por segundo elemento de la columna) de Ia rnatriz B, mas ... , mas elemento p -esirno de la fila ide 1a rnatriz A par elernento p -esimo de 1a columnaj de la rnatriz B".

Todo este proceso se puede escribir con la siguiente expresi6n:

p

C = (Ci) E Mmxm siendo cij = ailblj + anb2j + ... + Qjpbpj = Laikhkj; i = 1, 2 ...

. 1 k=l

m;J= , ... ,n.

Esta es la forma en que eJ estudiante ha visto siernpre el producto de matrices.

Abusando dellenguaje, se dice que se obtiene el elemento Cij multiplicando la fila i de A por la columnaj de B.

83

2. Aplicaciones lineales

Fila i de A

Columnaj de B

• Observese que para poder componer aplicaciones, el espacio final de la primera transformaci6n que se aplica, debe ser el inicial de la segunda transfermacion, que en lenguaje de matrices equivale a decir "s610 se pueden multiplicar dos matrices cuyos ordenes son m x p y p x n".

2.5.4. Teorema

La composicion de dos aplicacioncs lineales verifica:

1. No es conmutativa.j'« g puedc sent: s-I

2. Existe la aplicacion identidad: i -t= f

3. Asociativa: (fu g) " II = I» lfl "j)

4. Distributive respecto ala suma por la izquicrda: h « (f + g) = h of + h "g

5. Distribntiva respecto a la SU1llU por la derecha: if + g) «h = I» II + go h

6. Asociativa con escalares 1l(j!1 g) = (J.,t) <;>g =/0 (A,g)

84

2.5. Composicion de aplicaciones lineales y producto ...

Demostraciones:

El fundamento de estas sencillas demostraciones es comprobar si la imagen de cualquier vector de V mediante las aplicaciones que bay a ambos lados del signo "::::" es Ia misma 0 distinta.

1. Cuando se busca demostrar que la igualdad no es cierta, es suficiente en buscar UD contraejemplo; es 10 que hacemos en este casu:

Definimos las funciones f: 1R_2 ----* 1R_2 como fiA, X2) = (XI + X2, XI - Xz), y g : 1R_2 ----* 1R_2 como g(Xh X2) = (XI, XI)' al cornponer ambas funciones en orden distinto se obtiene:

Por tanto, (g oj) ;F. if 0 g).

2. i es la aplicaci6n identidad definida en 2.1 como i(v) = 11 Vv.

3. [if 0 g) 0 h](x) = if 0 g)(h(x» = f(g (h (x») [to (g 0 h)J(x) = JI(g 0 h)(x)] = g(h(x»)

4. [h 0 if + g)](x) = h(if + g)(x» :::: h«j(x) + g(x» = h(f(x» + h(g(x» (h 0 f + h 0 g)(x) = (h 0 j)(x) + (h 0 g)(x) = h(j(x» + h(g(x»

5. Es identica a la 4.

6. [A(f 0 g)](x) :::: Aif 0 g)(x) = A<fi.g(X» = Aj(g(X» [(Af) 0 g](x):::: (Aj)g(X) = Af(g(X»

85

2. Aplicaciones lineales

2.5.5. Teorema

E1 producto de matrices verifica:

1. No es conmutativo: AB puede ser '# BA

2. Existe la matriz identidad: I E- M,OOl tal que fA :::: A )' I E Mpxp

3. Asoeiativa: (AB)e:::: li(BC)

4. Distributiva rcspecto a Ia suma POf la izquierda: ACB + C) :::: A.B + Ae

5. Distributive respecto a 1a suma por la derecha: (A + B)C:::: AC + Be , 6. Asociariva con escalares MAE) = (M)B = A{AB)

Para las matrices no es necesario hacer las demostraciones de las propiedades correspondientes, ya que, el producto de matrices es la matriz asociada a la composici6n.

86

2.6. Algebras de endomorfismos y matrices cuadradas

2.6. Algebras de endomorfismos y matrices cuadradas

En 2.4 estudiamos el conjunto de todas las aplicaciones lineales posibles entre dos espacios vectoriales sobre IR : V de dimension n y W de dimension m, 10 llarnamos L(V, W), y vimos que tenia estructura de espacio vectorial.

Si nos cefumos a las aplicaciones lineales de Ven sf mismo, estamos ante un caso particular de 10 estudiado en 2.4. Las aplicaciones lineales de un espacio vectorial en sf mismo, se Haman endomorfismos,

Naturalmente, en el caso particular se verifican todas las propiedades que se verificaban en el general pero, a veces, su singularidad puede conferirle alguna propiedad mas.

La primera particularidad que tienen es que la matriz asociada a un endomorfismo es cuadrada.

Si ] : V ~ V, la matriz asociada tendra las n columnas (cada una formada por la imagen de un vector de una base de V), expresadas en la misma u otra base de V, y, por tanto, cada columna tendra n coordenadas, que dan lugar a n mas.

!

L(V, V)

Mrw.

Ejemplo 2.6.1

I • 1Rl2 ~ 1Rl2 If (Xl> X2) = C2xl. 0) es un endomorfismo de 1R2, la matriz asociada a j respecto a la base canonica de 1R2, tendra par columnas las imageries de la base,j(l, 0) = (2, 0) y 1(0,1) = (0, 0); (2,0) Y (0, 0) tienen 2 coordenadas por ser vectores de 1Rl2•

Respecto a la suma de aplicaciones, los endomorfismos no presentan ninguna particularidad, y como consecuencia, (L(V, V), +) es un grupo conmutativo.

87

2. Aplicaciones lineales

Respecto at producto de aplicaciones lineales par escalares, tampoco ocurre nada especial en los endomorfismos, teniendo la misma estructura de espacio vectorial que tenia (L(\I; W), +, IR.).

2.6.1. Teorema

(LCV, Y), +. IRiJ es un subespacio vectorial de iLO; W), +, lR)

Demostraci6n:

Es evidente, ya que, (L(V, V), +, lR) C (L{V, W), +, IK\:) y (Lev, V), +, IK\:) es espacio vectorial.

La particularidad mas significative del conjunto de endornorfismos de Ves que se pueden componer siempre porque el conjunto final de la primera aplicaci6n es el conjunto inicial de Ia segunda.

2.6.2. Teorema

La composicion de dos endornorfimos verifica:

L Asociativa: (Io g) 0 h = I ('0 (g" h)

2. Distributiva respecto a la surna par la izquierda: II 0 if + g) = 11 '.f + II v g

3. Distributiva re .... pecto a la soma par la derecha: if +}{) 0 h =f p f1 + g 0 IT

4. Asociativa can escalares: Jd.fo g) = (Al) 0 g ;::;; f o (J,\;')

5. No conmurativa j » g #:, g of en general

6. Existe un elemento neutro i que es 1£1 aplicacion identidad en V I i -I=L: i =I

88

2.6. Algebras de endomorfismos y matrices cuadradas

Demostraci6n:

Verifica las propiedades 1, 2, 3, 4 porque los endomorfismos de V son un caso particular de L(v, W) como hemos dicho anterionnente.

Para poder afirmar la 5 es suficiente encontrar un contraejemplo como el siguiente:

fA (Xl, X2) = (x, + a2, 3xI + 4X2);fB(X[' X2) == (h XI)

fB(fA(x" X2» = (3x) + 4X2, XI + a2) '* fA(fn(xl> X2» == (X2 + ai, 3X2 + 4x)

Para ver que la 6 es cierta, es suficiente construir la aplicaci6n i de los graficas siguientes:

i(x) = x

V . j V

10

X ~ V 7(J\x)) = fiX)

j(x)

Cuando en un conjunto hay definidas dos operaciones, de modo que, respecto a una de ellas es grupo conmutativo, la segunda es asociativa y es distributiva respecto a la primera, tenemos la estructura algebraica Hamada anilIo.

Podemos recopilar las propiedades que hemos visto en el siguiente teore-

rna:

89

2. Aplicaciones lineales

2.6.3. Teorema

EI conjunto de endomorfismos de Ves un anillo no conmutativo con elemento neutro

En el conjunto LeV, 11) hay definidas dos operaciones: +, 0 (L(V, \I), +) es un grupo conrnutativo

(L(V, vj, 0) verifies 1a propiedad asociativa

o es distributiva respeeto a + por la derecha y por la izquierda () no es conmutariva

:.3 elemento neu tro

EI conj unto de endomorfismos de V tiene estructura de anillo considerando las operaciones +, 0, y estructura de espacio vectorial considerando las operaciones +, y multiplicaci6n por escalares; ademas verifica la condici6n de asociatividad con escalares. Esta estructura tan compleja se llama algebra.

EI hecho de que los endomorfismos de un espacio vectorial se puedan componer en todos los casos, nos permite multiplicar siempre sus matrices asociadas.

Si A es la matriz asociada af~ y B es la matriz asociada afB, siempre es posible hacer AS, que es la matriz asociada alA ".fa.

vI8 VIA V

X ~ I8(x) ~ .fA<fB(X) )

Ejemplo 2.6.2

En el contraejernplo que pusimos anteriormente, para la no conmutatividad, establecimos los siguientes endomorfismos de ~2:

90

2.6. Algebras de endomorfismos y matrices cuadradas

La composicion j, [) JA es:

Las matrices asociadas aj;, y Ie son A = (~ ;) y B = (~ 6) respecto a las bases canonicas. Su producto es siernpre posible, porque siempre es posible cornponer los endornorfismos en este caso la matriz asociada alB aJA es:

(0 1) (1 2) = (3 4)

1034 12'

Hemos estudiado el conjunto de endomorfismos. Cada uno de elias lleva asociada una matriz cuadrada. En eJ conjunto MfIXII• (matrices cuadradas de orden n), estan definidas las operaciones de sumar, multiplicar matrices par escalares y multiplicar matrices par matrices, con las propiedades que se derivan del

1

isomorfisrno L(V, V) Mmu,

Por ello, podemos asegurar que Mnxn tiene estructura de algebra y, como consecuencia, (Mn"", +, -) es un anillo.

91

2. Aplicaciones lineales

2.7. Matriz asoclada a un cambia de base en V.

Matriz. asociada a una aplicaci6n lineal cuando cambian las bases

Recordemos que fijada una base B "" fel, e2, .... , en}, cualquier vector x E V, se puede expresar en funci6n de los vectores de dicha base x = xlej + X2e2 + ... + + xne", y llamamos coordenadas del vector x,respecto a la base dada, a los coeficientes Xh X2, ... , x".

Elegir una base diferente B' "" {e' h e' 2> ,.,' e' n} en V, si gnifica que el vector x E V se puede expresar de Ia forma x = X I e' 1 + x/ze' 2 + .,' + x' "e' n, Y sus coordenadas respecto a la nueva base son: Xl, x'z, ... , x/no

El ruimero de coordenadas respecto a las dos bases es el mismo, porque todas las bases de un espacio vectorial tienen el mismo mimero de elementos: su dimension. Pero las coordenadas podran ser distintas respecto a una base y a Ja otra.

Establezcamos eJ endomorfismo identidad, de modo que, la imagen de cada vector sea el misrno expresado respecto ala otra base; entonces:

(V, B') -----,) (V, B)

Las imageries de los vectores de B' mediante el endomorfismo i vienen dadas par las expresiones siguientes:

{(e' I) ::: e'l ::: qllel + q21eZ + , .. + qllien

i(~~~) <: ~I.Z~~.+ =: .':: =:

iCe',,) "" e'""" qillel + qz"e2 + , .. + qnnen

La matriz Q es la matriz asociada a i, se llama matriz del cambia de base. Las columnas de Q son las coordenadas de los veetores de la base B' respecto a B.

92

2.7. Matriz asociada a un cambio de base en V. Matriz ...

Las ecuaciones de 1a aplicaci6n identidad que permiten pasar de las coordenadas de un vector respecto a la base BI a las coordenadas respecto a la base B se llaman ecuaciones de cambio de base, y son:

Ejemplo 2.7.1

Siendo B' = Pi' I = (1, 0, 0, -1), e'2 = (0, 1,2,0), e'3::: (1, -1, 2, -2), e'4 = (0, 0, 1, -1)) Y B la base can6nica, detenninense la matriz de cambio de base en 1R4, las ecuaciones del cambio de base que permiten pasar de las coordenadas respecto a B' a las coordenadas respecto a B, y la imagen respecto a B del vector (1, -3, 4, -5)«.

Soluci6n:

cv, B,) ---7 (V, B)

vectores de B' respecto a B'

vectores de B' respecto a B

(1,0,0, O)-----} (1, 0, 0, -1)

(0, 1,0,0) (0, 1,2,0)

(0,0,1,0) (1,-1,2,-2)

(0,0,0, 1) (0,0,1, -1)

Matriz Q del cambio de base: Q::: ( g -1

~ _} 8)

2 2 ] o -2 -1

93

2. Aplicaciones lineales

Ecuaciones del cambio de base:

El vector conocido es x = (1, -3, 4, -5)8', para calcular x debemos hacer la sustitucion de (1, -3, 4, -5)8' en la expresi6n anterior:

(XI) (10 10)( I) {Xl =5

X2 = ° 1 - ] ° - 3 ~ X2 = -7

X3 ° 2 2 1 4 X3 = -3

X4 -1 ° -2 -1 -5 X4 =--4

Comprobemos que (1, -3, 4, -5)8' = (5, -7, -3, --4)8:

x = (1, -3, 4, -5)8' = (1, 0, 0, -1) -3(0, 1,2,0) + 4(1, -1,2, -2) - 5(0,0,1, -1) x = (5, -7, -3, --4)8 = 5(1, 0, 0, 0) - 7(0, 1,0,0) - 3(0, 0, 1,0) - 4(0,0,0, 1)

De la misma manera que hemos actuado para expresar en base 8 los vectores que estan en base 8', podemos repetir el proceso y obtener en base 8' los vectores que estan en base 8.

(V, B)--~ (V, B')

Cada vector de B pertenece a V, y su imagen mediante el endomorfismo i establecido, es el mismo vector expresado como combinaci6n lineal de los vectores de la base 8' de V:

tCel) = el = Plle'l + P21e'2 + ... + Pnle'"

:~2).~ e~ .. = ~~2~:1. + .~22~:~ + .'. ~ ~~~e'tI;

(en) en = Plne'l + P2ne'2 + ... + p,,,,e',,

(PII PI2 ... Pin)

P = P2] P22 •.• P2n

pn] P,a ... pml

94

2.7. Matriz asociada a un cambio de base en V. Matriz ...

La matriz P tambien es una matriz de cambio de base. Las ecuaciones de este cambio de base son: :x' = Pi

Es evidente que, S1 tenernos un vector expresado respecto a B', pas amos mediante Q a su expresi6n respecto a B, Y la imagen obtenida la expresamos respecto a B' utilizando P, el resultado es el vector original.

Si utilizamos iQ para representar la identidad cuando es Q la matriz del cambia de base en V, podemos escribir:

iQ ip

(V, B') -..:::....._~ (V, B) --~ (V, B')

X ------7 X = Qx' -----7 X = Pi = P Qx

La expresi6n x = Pi = P 0', demuestra que las matrices de cambio de ba-

. . . . d d 1 PQ l jP = Q-I

se ttenen mversa porque son rnatnces eua ra as, ta es que = ~ l_Q = p-I,

. . -I . . -I

Y par tanto, to = lp e lp = tQ •

En [2.3.2] vimos que "Si V, W son dos espacios vectoriales sabre 1F!1, B es una base de V, 5 una base de W y f: V ---7> Wes una aplicaci6n lineal, la aplieacionj lleva asociada una matriz A".

"Como varia esa matriz si en Vhacemos un cambio de la base B por la base B', y en W cambiamos la base 5 por la base 5'?

Los cambios producidos se ven en el diagrama siguiente:

fA

(V, B) -=---~ (W, S)

:x f(x)

.~ .

IpJ_ iip

(V, B') __:_JA_·· -----7 (W, S')

x' (f{x))'

Para expresar la imagen de los vectores de (V, B') mediante la aplicacion lineal! en (W, S'), tenemos que hacer la composicion de aplicaciones fPl Q J~ 0 iQ.

95