Download 1. Tema 1 - Read the Docs
Document related concepts
no text concepts found
Transcript
Apuntes de Álgebra Publicación 0.0.1 Valentín Barros Puertas 16 de January de 2015 Índice general 1. Tema 1 1.1. Cuerpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 3 2. Tema 2 2.1. Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 20 3. Tema 3 3.1. Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 24 4. Tema 4 4.1. Aplicaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 44 I Apuntes de Álgebra, Publicación 0.0.1 Índice: Índice general 1 CAPÍTULO 1 Tema 1 1.1 Cuerpo Propiedades de las operaciones + y · en R: + • Propiedad asociativa: (𝑎 + 𝑏) + 𝑐 = 𝑎 + (𝑏 + 𝑐) ∀𝑎, 𝑏, 𝑐 ∈ R ∀𝑎 ∈ R • Elemento neutro: 0 + 𝑎 = 𝑎 = 𝑎 + 0 • Elemento simétrico —o inverso— de otro: (−𝑎) + 𝑎 = 0 = 𝑎 + (−𝑎) ∀𝑎 ∈ R • Propiedad conmutativa: 𝑎 + 𝑏 = 𝑏 + 𝑎 ∀𝑎, 𝑏 ∈ R · • Propiedad asociativa: (𝑎 · 𝑏) · 𝑐 = 𝑎 · (𝑏 · 𝑐) ∀𝑎, 𝑏, 𝑐 ∈ R • Elemento neutro: 1 · 𝑎 = 𝑎 = 𝑎 · 1 ∀𝑎 ∈ R • Elemento simétrico —o inverso— de otro: 1/𝑎 · 𝑎 = 1 = 𝑎 · 1/𝑎 ∀𝑎 ∈ R/𝑎 ̸= 0 • Propiedad conmutativa: 𝑎 · 𝑏 = 𝑏 · 𝑎 ∀𝑎, 𝑏 ∈ R Propiedad distributiva de · respecto de +: 𝑎 · (𝑏 + 𝑐) = 𝑎 · 𝑏 + 𝑎 · 𝑐 ∀𝑎, 𝑏, 𝑐 ∈ R Definición Un cuerpo K es un conjunto K con dos operaciones internas que denotamos por + y · tales que verifican las propiedades anteriores. Ejemplos de cuerpos: R, C, Q... Es posible definir un cuerpo con dos elementos, {0, 1}, + 0 1 · 0 1 0 0 1 0 0 0 1 1 0 1 0 1 Este cuerpo se llama Z2 . 2 Apuntes de Álgebra, Publicación 0.0.1 1.2 Matriz Definición Una matriz 𝐴 de orden 𝑚 × 𝑛 con entradas en un cuerpo K es una tabla de doble entrada con 𝑚 · 𝑛 elementos en K distribuidos en 𝑚 filas y 𝑛 columnas. Al elemento de la matriz 𝐴 que está en la fila 𝑖 y en la columna 𝑗 lo denotaremos por 𝐴(𝑖, 𝑗) o por 𝑎𝑖𝑗 . ⎛ ⎞ 𝑎11 𝑎12 · · · 𝑎1𝑛 ⎜ 𝑎21 𝑎22 · · · 𝑎2𝑛 ⎟ ⎜ ⎟ 𝐴=⎜ . .. .. ⎟ .. ⎝ .. . . . ⎠ 𝑎𝑚1 𝑎𝑚2 · · · 𝑎𝑚𝑛 Ejemplo (︂ 𝐵= 1 −1 )︂ 2 3 ∈ ℳ2×3 (R), 𝑏23 = 5 = 𝐵(2, 3) 7 5 1.2.1 Conjuntos de matrices El conjunto de matrices de orden 𝑚 × 𝑛 con entradas en un cuerpo K lo denotaremos por ℳ𝑚×𝑛 (K). 1.2.2 Igualdad de matrices Dos matrices 𝐴 y 𝐵 de orden 𝑚 × 𝑛 con entradas en el mismo cuerpo K son iguales si 𝐴(𝑖, 𝑗) = 𝐵(𝑖, 𝑗) ∀𝑖 = 1, · · · , 𝑚 ∀𝑗 = 1, · · · , 𝑛 1.2.3 Casos particulares Matriz fila (︀ 𝑎11 𝑎12 ··· )︀ 𝑎1𝑛 ∈ ℳ1×𝑛 (K) Matriz columna ⎛ ⎞ 𝑎11 ⎜ 𝑎21 ⎟ ⎜ ⎟ ⎜ .. ⎟ ∈ ℳ𝑚×1 (K) ⎝ . ⎠ 𝑎𝑚1 1.2. Matriz 3 Apuntes de Álgebra, Publicación 0.0.1 Matrices cuadradas de orden 𝑛 Si 𝑚 = 𝑛 ℳ𝑚×𝑛 (K) = ℳ𝑛 (K) Matriz diagonal de orden 𝑛 𝐴 ∈ ℳ𝑛 (K) es diagonal si 𝑎𝑖𝑗 = 0 ⇔ 𝑖 ̸= 𝑗 Ejemplo ⎛ 1 ⎝0 0 0 0 0 ⎞ 0 0⎠ 3 Matriz identidad de orden 𝑛 𝐼𝑛 ∈ ℳ𝑛 (K) diagonal / 𝐼𝑛 (𝑖, 𝑖) = 1 ∀𝑖 = 1, · · · , 𝑛 Delta de Kronecker La matriz identidad también se puede expresar con la función delta de Kronecker, 𝛿𝑖𝑗 , definida como {︂ 1 si 𝑖 = 𝑗 𝛿𝑖𝑗 = 0 si 𝑖 ̸= 𝑗 1.2.4 Operaciones con matrices Suma Sean 𝐴, 𝐵 ∈ ℳ𝑚×𝑛 (K) Se define la suma de 𝐴 y 𝐵 como una matriz de orden 𝑚 × 𝑛 con entradas en K que denotamos 𝐴 + 𝐵 tal que (𝐴 + 𝐵)(𝑖, 𝑗) := 𝑎𝑖𝑗 + 𝑏𝑖𝑗 ∈ K ∀𝑖 = 1, · · · , 𝑚 ∀𝑗 = 1, · · · , 𝑛 Multiplicación por escalares Sean 𝐴 ∈ ℳ𝑚×𝑛 (K) y 𝛼 ∈ K. Se define 𝛼𝐴 como una matriz de orden 𝑚 × 𝑛 con entradas en K tal que 𝛼𝐴(𝑖, 𝑗) := 𝛼 · 𝑎𝑖𝑗 ∈ K 1.2. Matriz ∀𝑖 = 1, · · · , 𝑚 ∀𝑗 = 1, · · · , 𝑛 4 Apuntes de Álgebra, Publicación 0.0.1 Propiedades Con 𝐴, 𝐵, 𝐶 ∈ ℳ𝑚×𝑛 (K) y 𝛼, 𝛽 ∈ K. 1. Propiedad asociativa de + 𝐴 + (𝐵 + 𝐶) = (𝐴 + 𝐵) + 𝐶 Demostración (︀ )︀ (︀ )︀ 𝐴 + (𝐵 + 𝐶) (𝑖, 𝑗) = 𝑎𝑖𝑗 + (𝑏𝑖𝑗 + 𝑐𝑖𝑗 ) =1 (𝑎𝑖𝑗 + 𝑏𝑖𝑗 ) + 𝑐𝑖𝑗 = (𝐴 + 𝐵) + 𝐶 (𝑖, 𝑗) 1 ↦→ Por la propiedad asociativa de la suma en K 2. Elemento neutro para la suma 0(𝑖, 𝑗) := 01 1 ↦→ Neutro de la suma en K 3. Simétrico ∃𝐴 ∈ ℳ𝑚×𝑛 (K) ⇒ ∃ − 𝐴 ∈ ℳ𝑚×𝑛 (K) −𝐴(𝑖, 𝑗) := −𝑎𝑖𝑗 −𝐴 es la simétrica de 𝐴 4. Propiedad conmutativa + 𝐴+𝐵 =𝐵+𝐴 Multiplicación por escalares 𝛼𝐴 = 𝐴𝛼 5. Distributiva de la multiplicación por escalares respecto de la suma de matrices 𝛼(𝐴 + 𝐵) = 𝛼𝐴 + 𝛼𝐵 6. Distributiva (𝛼 + 𝛽)𝐴 = 𝛼𝐴 + 𝛽𝐴 7. Elemento neutro para la multiplicación 1𝐴 = 𝐴 Matriz traspuesta Definición Sea 𝐴 ∈ ℳ𝑚×𝑛 (K). 1.2. Matriz 5 Apuntes de Álgebra, Publicación 0.0.1 Se define la traspuesta de 𝐴 como una matriz de orden 𝑛 × 𝑚 que se denota por 𝐴𝑡 tal que 𝐴𝑡 (𝑖, 𝑗) := 𝐴(𝑗, 𝑖) ∀𝑖 = 1, · · · , 𝑛 ∀𝑗 = 1, · · · , 𝑚 Ejemplo (︂ )︂ 1 2 3 𝐴= 4 5 6 ⎛ ⎞ 1 4 𝐴𝑡 = ⎝2 5⎠ 3 6 Propiedades 𝐴 ∈ ℳ𝑚×𝑛 (K)𝐵 ∈ ℳ𝑛×𝑠 (K) 𝐴𝑡 ∈ ℳ𝑛×𝑚 (K)𝐵 𝑡 ∈ ℳ𝑠×𝑛 (K) Se verifica 1. (𝐴𝑡 )𝑡 = 𝐴 2. (𝐴𝐵)𝑡 = 𝐵 𝑡 𝐴𝑡 Demostración (𝐴𝐵)𝑡 (𝑖, 𝑗) := (𝐴𝐵)(𝑗, 𝑖) = 𝑛 ∑︁ 𝑎𝑗𝑘 𝑏𝑘𝑖 =1 𝑘=1 𝑛 ∑︁ 𝐵 𝑡 (𝑖, 𝑘)𝐴𝑡 (𝑘, 𝑗) = (𝐵 𝑡 𝐴𝑡 )(𝑖, 𝑗) ∀𝑖 𝑘=1 ∀𝑗 1 ↦→ Por la propiedad conmutativa del producto en K Definición Con 𝐴 ∈ ℳ𝑛 (K) no singular Se verifica (𝐴−1 )𝑡 = (𝐴𝑡 )−1 Producto de matrices Siendo 𝐴 ∈ ℳ𝑚×𝑛 (K) y 𝐵 ∈ ℳ𝑛×𝑠 (K) se define 𝐴𝐵 ∈ ℳ𝑚×𝑠 (K) tal que 𝑛 ∑︁ 𝐴𝐵(𝑖, 𝑗) := 𝑎𝑖𝑘 𝑏𝑘𝑗 ∀𝑖 = 1, · · · , 𝑚 𝑘=1 ∀𝑗 = 1, · · · , 𝑠 1.2. Matriz 6 Apuntes de Álgebra, Publicación 0.0.1 Propiedades Sea 𝐴 ∈ ℳ𝑚×𝑛 (K) 1. Asociativa 𝐴𝐵 ⇒ 𝐵 ∈ ℳ𝑛×𝑠 (K) (︁ (𝐴𝐵)𝐶 ⇒ 𝐶 ∈ ℳ𝑠×𝑟 (K) )︁ (𝐴𝐵)𝐶 = 𝐴(𝐵𝐶) ∈ ℳ𝑚×𝑟 (K) 2. Elemento neutro 𝐼𝑚 𝐴 = 𝐴 𝐴𝐼𝑛 = 𝐴 Y, en particular, Si 𝐴 ∈ ℳ𝑛 (K) ∃𝐼𝑛 ∈ ℳ𝑛 (K) tal que 𝐴𝐼𝑛 = 𝐼𝑛 𝐴 = 𝐴 3. Distributiva —por la izquierda y por la derecha Con 𝐵 ′ ∈ ℳ𝑛×𝑠 (K) 𝐴(𝐵 + 𝐵 ′ ) = 𝐴𝐵 + 𝐴𝐵 ′ (𝐵 + 𝐵 ′ )𝐶 = 𝐵𝐶 + 𝐵 ′ 𝐶 Con 𝛼 ∈ K 𝛼(𝐴𝐵) = (𝛼𝐴)𝐵 = 𝐴(𝛼𝐵) Nota: El producto de matrices no verifica la propiedad conmutativa. Observación ⎛ (︀ 𝑎11 ··· 𝑏11 ⎜ )︀ ⎜ 𝑏21 𝑎1𝑛 ⎜ . ⎝ .. ··· ··· .. . ⎞ 𝑏1𝑠 𝑏2𝑠 ⎟ ⎟ .. ⎟ = 𝑎11 𝐹1 (𝐵) + 𝑎12 𝐹2 (𝐵) + · · · + 𝑎1𝑛 𝐹𝑛 (𝐵) . ⎠ 𝑏𝑛1 ··· 𝑏𝑛𝑠 Es decir, las filas de 𝐴𝐵 son combinación lineal de las filas de 𝐵. Ejemplo (︀ 2 (︂ )︀ 1 3 2 3 4 5 6 )︂ (︀ = 2·1+3·2 2·3+3·4 )︀ (︀ 2·5+3·6 =2 1 3 )︀ (︀ 5 +3 2 4 )︀ 6 Consecuencia Con 𝐴 ∈ ℳ𝑚×𝑛 (K) y 𝐵 ∈ ℳ𝑛×𝑠 (K) 𝐹𝑖 (𝐴𝐵) = 𝑎𝑖1 𝐹1 (𝐵) + 𝑎𝑖2 𝐹2 (𝐵) + · · · + 𝑎𝑖𝑛 𝐹𝑛 (𝐵) ∀𝑖 = 1, · · · , 𝑚 1.2. Matriz 7 Apuntes de Álgebra, Publicación 0.0.1 Observación ⎛ 𝑎11 ⎜ 𝑎21 ⎜ ⎜ .. ⎝ . ··· ··· .. . ⎞⎛ ⎞ 𝑎1𝑛 𝑏11 ⎜ 𝑏21 ⎟ 𝑎2𝑛 ⎟ ⎟⎜ ⎟ .. ⎟ ⎜ .. ⎟ = 𝐶1 (𝐴)𝑏11 + 𝐶2 (𝐴)𝑏21 + · · · + 𝐶𝑛 (𝐴)𝑏𝑛1 . ⎠⎝ . ⎠ 𝑎𝑚1 ··· 𝑎𝑚𝑛 𝑏𝑛1 Es decir, las columnas de 𝐴𝐵 son combinación lineal de las columnas de 𝐴. Ejemplo ⎛ 1 ⎝0 3 ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ 2 (︂ )︂ 1·5+2·7 1 2 5 1⎠ = ⎝ 0 · 5 + 1 · 7 ⎠ = ⎝0⎠ 5 + ⎝ 1 ⎠ 7 7 −1 3 · 5 + (−1) · 7 3 −1 1.2.5 Matriz no singular Definición Una matriz 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑛 (K) es no singular —o inversible— si existe una matriz 𝐵 = (𝑏𝑖𝑗 ) ∈ ℳ𝑛 (K) tal que 𝐴𝐵 = 𝐼𝑛 = 𝐵𝐴. No todas las matrices cuadradas tienen inversa. Propiedades Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑛 (K) no singular, 1. Si existe inverso es único. Demostración 𝐴 tiene inverso ⇔ ∃𝐵 ∈ ℳ𝑛 (K) / 𝐴𝐵 = 𝐼𝑛 = 𝐵𝐴 Si existiese 𝐵 ′ ∈ ℳ𝑛 (K) / 𝐴𝐵 ′ = 𝐼𝑛 = 𝐵 ′ 𝐴 }︂ ⇒? 𝐵 = 𝐵 ′ 𝐵 = 𝐵𝐼𝑛 = 𝐵(𝐴𝐵 ′ ) =1 (𝐵𝐴)𝐵 ′ = 𝐼𝑛 𝐵 ′ = 𝐵 ′ 1 ↦→ Propiedad asociativa 2. Con 𝐴, 𝐵 ∈ ℳ𝑛 (K) no singulares, Se verifica que 𝐴𝐵 es no singular y (𝐴𝐵)−1 = 𝐵 −1 𝐴−1 . Demostración }︂ ∃𝐴−1 ∈ ℳ𝑛 (K) 𝐵 −1 𝐴−1 ∈ ℳ𝑛 (K) ∃𝐵 −1 ∈ ℳ𝑛 (K) (𝐵 −1 𝐴−1 )(𝐴𝐵) =1 𝐵 −1 (𝐴−1 𝐴)𝐵 = 𝐵 −1 𝐼𝑛 𝐵 = 𝐵 −1 𝐵 = 𝐼𝑛 1 ↦→ Propiedad asociativa 1.2. Matriz 8 Apuntes de Álgebra, Publicación 0.0.1 1.2.6 Matrices elementales 𝐸 ∈ ℳ𝑛 (K) es una matriz elemental si es de uno de los siguientes tipos: 1. Si la matriz 𝐸 se obtiene de 𝐼𝑛 intercambiando dos filas: 𝐸𝑖↔𝑗 Nota: Estas matrices se llaman matrices de permutación. 2. Si la matriz 𝐸 se obtiene de 𝐼𝑛 multiplicando una fila por un escalar no nulo. Con 𝛼 ∈ K y 𝛼 ̸= 0 𝐸𝛼𝐹𝑖 ⎛ 1 ⎜ ⎜ ⎜ =⎜ ⎜ ⎜ ⎝ ⎞ .. ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎠ . 𝛼 .. . 1 3. Si la matriz 𝐸 se obtiene de 𝐼𝑛 sumándole a una fila un múltiplo de otra fila: 𝐸𝐹𝑖 +𝛼𝐹𝑗 con 𝑖 ̸= 𝑗 Propiedades por filas Con 𝐴 ∈ ℳ𝑚×𝑛 (K) se verifica: 1. 𝐸𝐹𝑖 ↔𝐹𝑗 𝐴 es la matriz que se obtiene de 𝐴 al intercambiar su fila 𝑖-ésima por su fila 𝑗-ésima. 2. 𝐸𝛼𝐹𝑖 𝐴 con 𝛼 ̸= 0 es la matriz que se obtiene de 𝐴 multiplicando su fila 𝑖-ésima por el escalar 𝛼. 3. 𝐸𝐹𝑖 +𝛼𝐹𝑗 𝐴 con 𝑖 ̸= 𝑗 es la matriz que se obtiene de 𝐴 sumando a su fila 𝑖-ésima 𝛼 veces su fila 𝑗-ésima. Propiedades por columnas Con 𝐴 ∈ ℳ𝑚×𝑛 (K) se verifica: ′ 1. 𝐴𝐸𝐹𝑖 ↔𝐹𝑗 = 𝐴𝐸𝐶 es la matriz que se obtiene de 𝐴 al intercambiar su columna 𝑖-ésima por su columna 𝑖 ↔𝐶𝑗 𝑗-ésima. ′ 2. 𝐴𝐸𝛼𝐹𝑖 = 𝐴𝐸𝛼𝐶 con 𝛼 ̸= 0 es la matriz que se obtiene de 𝐴 multiplicando su columna 𝑖-ésima por el escalar 𝑖 𝛼. ′ 3. 𝐴𝐸𝐹𝑖 +𝛼𝐹𝑗 = 𝐴𝐸𝐶 con 𝑖 ̸= 𝑗 es la matriz que se obtiene de 𝐴 sumando a su columna 𝑗-ésima 𝛼 veces su 𝑗 +𝛼𝐶𝑖 columna 𝑖-ésima. Corolario Las matrices elementales son no singulares y su inversa es de nuevo una matriz elemental. Demostración 1.2. Matriz 9 Apuntes de Álgebra, Publicación 0.0.1 𝐸𝐹𝑖 ↔𝐹𝑗 𝐸𝐹𝑖 ↔𝐹𝑗 = 𝐼 ⇒ (𝐸𝐹𝑖 ↔𝐹𝑗 )−1 = 𝐸𝐹𝑖 ↔𝐹𝑗 Con 𝛼 ̸= 0, 𝐸𝛼−1 𝐹𝑖 𝐸𝛼𝐹𝑖 = 𝐼 = 𝐸𝛼𝐹𝑖 𝐸𝛼−1 ⏟ ⏞ ⇓ (𝐸𝛼𝐹𝑖 )−1 = 𝐸𝛼−1 𝐹𝑖 𝐸𝐹𝑖 −𝛼𝐹𝑗 𝐸𝐹𝑖 +𝛼𝐹𝑗 = 𝐼 = 𝐸𝐹𝑖 +𝛼𝐹𝑗 𝐸𝐹𝑖 −𝛼𝐹𝑗 ⏟ ⏞ ⇓ (𝐸𝐹𝑖 +𝛼𝐹𝑗 )−1 = 𝐸𝐹𝑖 −𝛼𝐹𝑗 1.2.7 Escalonamiento de matrices Definición Una matriz 𝐴 ∈ ℳ𝑚×𝑛 (K) es escalonada por filas si 1. Si tiene filas de ceros están al final. 2. Definición El primer elemento no nulo de cada fila no nula se llamará pivote. El pivote de cada fila está situado más a la derecha —i.e. en una columna posterior— que los pivotes de las filas anteriores. Definición Una matriz 𝐴 ∈ ℳ𝑚×𝑛 (K) escalonada es escalonada reducida si todos los pivotes son 1 y además todos los otros elementos de la columna en donde hay pivote son 0. 1.2.8 Matrices equivalentes Definición Dos matrices 𝐴, 𝐵 ∈ ℳ𝑚×𝑛 (K) son equivalentes por filas (𝐴 ∼𝑓 𝐵) si existen 𝐸1 , · · · , 𝐸𝑠 matrices elementales de orden 𝑚 tal que 𝐴 = 𝐸𝑠 · · · 𝐸1 𝐵 Propiedades Reflexiva: 𝐴 ∼𝑓 𝐴 Simétrica: 𝐴 ∼𝑓 𝐵 ⇔ 𝐵 ∼𝑓 𝐴 1.2. Matriz 10 Apuntes de Álgebra, Publicación 0.0.1 Transitiva: 𝐴 ∼𝑓 𝐵 𝐴 ∼𝑓 𝐶 }︂ ⇒ 𝐴 ∼𝑓 𝐶 Teorema 𝐴 ∈ ℳ𝑚×𝑛 (K) 𝐴 es equivalente por filas con alguna matriz escalonada y con una única matriz escalonada reducida. Proposición Sean 𝐴, 𝐵 ∈ ℳ𝑛 (K) equivalentes por filas (𝐴 ∼𝑓 𝐵). Se verifica: 𝐴 es no singular ⇔ 𝐵 es no singular Demostración ”⇒” 𝐴 ∼𝑓 𝐵 ⇔ ∃𝐸1 , · · · , 𝐸𝑠 matrices elementales / (𝐸𝑠 · · · 𝐸1 𝐴)1 = 𝐵 ∧ 𝐵 −1 = (𝐸𝑠 · · · 𝐸1 𝐴)−1 = 𝐴−1 𝐸1−1 · · · 𝐸𝑠−1 ”⇐” Como 𝐴 ∼𝑓 𝐵 ⇔ 𝐵 ∼𝑓 𝐴 se aplica el mismo razonamiento. 1 ↦→ Es no singular por ser producto de no singulares. Observación Sea 𝐴 ∈ ℳ𝑛 (K) 𝐴 tiene una fila nula —i.e. una fila de ceros ⇓ 𝐴 no tiene inversa Proposición Con 𝐴 ∈ ℳ𝑛 (K) escalonada reducida 𝐴 no singular ⇔ 𝐴 = 𝐼𝑛 Demostración }︂ 𝐴 no singular ⇒ 𝐴 no tiene ninguna fila nula 𝐴 escalonada ⏟ ⏞ ⇓ número de pivotes = número de filas = 𝑛 = número de columnas ⇓ ⎛ 1 0 ⎜0 1 ⎜ ⎜ .. 𝐴 reducida, 𝐴 = ⎜ ⎜. 0 ⎜. . ⎝ .. .. 0 0 1.2. Matriz ··· 0 .. . .. . ··· ⎞ ··· 0 · · · 0⎟ ⎟ .. .. ⎟ . .⎟ ⎟ = 𝐼𝑛 .. ⎟ .. . .⎠ 0 1 11 Apuntes de Álgebra, Publicación 0.0.1 Observación Con 𝐴 ∈ ℳ𝑛 (K) se verifica 𝐴 matriz escalonada ∧ 𝐴 no singular. ⇓ No tiene filas de ceros, es decir, en todas las filas hay un pivote. ⇓ Hay 𝑛 pivotes. ⇓ En cada columna hay un pivote. ⇓ 𝐴 es trangular superior. Proposición Con 𝐴 ∈ ℳ𝑛 (K) 𝐴 no singular ⇔ 𝐴 ∼𝑓 𝐼𝑛 Demostración ”⇒” ∃!𝐵 ∈ ℳ𝑛 (K) escalonada reducida / 𝐴 ∼𝑓 𝐵 𝐴 no singular ⇒ 𝐵 no singular }︂ ⇒ 𝐵 = 𝐼𝑛 ”⇐” }︂ 𝐴 ∼𝑓 𝐼 𝑛 ⇒ 𝐴 es no singular 𝐼𝑛 es no singular Escalonamiento de matrices por filas utilizando matrices elementales Operaciones elementales permitidas para escalonar matrices: Matriz elemental 𝐸𝐹𝑖 ↔𝐹𝑗 𝐸𝛼𝐹𝑖 con 𝛼 ∈ K y 𝛼 ̸= 0 𝐸𝐹𝑖 +𝛼𝐹𝑗 con 𝑖 ̸= 𝑗 y 𝛼 ∈ K Operación elemental Intercambiar la fila 𝑖 por la fila 𝑗. Multiplicar la fila 𝑖 por un escalar no nulo. Sumarle a una fila un múltiplo de otra. 1.2.9 Cálculo de la inversa de una matriz Con 𝐴 ∈ ℳ𝑛 (K) no singular ∃𝐸1 , · · · , 𝐸𝑠 / 𝐸𝑠 · · · 𝐸1 𝐴 = 𝐵 escalonada reducida = 𝐼𝑛 Es decir, existen 𝑡1 , · · · , 𝑡𝑠 transformaciones elementales en filas que aplicadas sucesivamente transforman 𝐴 en una matriz escalonada reducida. 1.2. Matriz 12 Apuntes de Álgebra, Publicación 0.0.1 Ejemplo 𝐴= (︂ 1 3 2 4 )︂ (︂ −−−−−→ 𝐹2 −3𝐹1 1 0 (︂ )︂ 2 1 −−−→ −2 −1 0 2 𝐹2 )︂ (︂ 2 1 −−−−−→ 1 𝐹1 −2𝐹2 0 0 1 )︂ = 𝐼2 O, lo que es lo mismo, 𝐸𝐹1 −2𝐹2 𝐸 −1 𝐹2 𝐸𝐹2 −3𝐹1 𝐴 = 𝐼2 2 ⏟ ⏞ ⇓ 𝐸𝐹1 −2𝐹2 𝐸 −1 𝐹2 𝐸𝐹2 −3𝐹1 = 𝐴−1 2 (︂ 𝐼2 −−−−−→ 𝐹2 −3𝐹1 1 −3 (︂ )︂ 1 0 −−1 −−→ 3 1 𝐹 2 2 2 0 −1 2 )︂ −−−−−→ 𝐹1 −2𝐹2 (︂ −2 3 2 1 −1 2 )︂ = 𝐴−1 Por lo que, si 𝐴 ∈ ℳ𝑛 (K) es no singular, para calcular su inversa basta con ampliar 𝐴 con la identidad y transformar la parte de 𝐴 hasta convertirla en la identidad —de este modo la parte que inicialmente era la identidad se habrá transformado en 𝐴−1 , es decir (︀ ⃒ )︀ (𝐴|𝐼𝑛 ) −→ · · · −→ 𝐼𝑛 ⃒𝐴−1 𝑡1 𝑡𝑠 1.2.10 Rango por filas Definición Sea 𝐴 ∈ ℳ𝑚×𝑛 (K) Se define el rango por filas de 𝐴, 𝑟𝑓 (𝐴), como el número de pivotes de cualquier matriz escalonada equivalente por filas con 𝐴. Nota: Toda matriz escalonada equivalente con 𝐴 tiene el mismo número de pivotes. Si 𝐵 es escalonada entonces el número de pivotes de 𝐵 es igual al número de pivotes de la única matriz escalonada reducida equivalente por filas con 𝐵. Con 𝐵 escalonada, 𝑏𝑖𝑗 pivote de 𝐵 ⇔ 𝑏𝑖𝑗 ̸= 0 Para pasar de 𝐵 a la escalonada reducida: 1. 1 𝑏𝑖𝑗 𝐹𝑖 —todos los pivotes pasan a ser 1. 2. 𝐹𝑘 − 𝑏𝑘𝑗 𝐹𝑖 ∀𝑘 < 𝑖 —la cual es una operación que conserva el número de pivotes. Ejemplo ⎛ 2 ⎝0 0 1.2. Matriz ⎛ ⎞ ⎛ ⎞ ⎞ 1 1 23 12 12 1 32 21 12 2⎠ −1−−−−1−−−−1−→ ⎝0 0 1 27 ⎠ −−−−2−→ ⎝0 0 1 0 ⎠ → · · · 2 𝐹1 ; 7 𝐹2 ; 5 𝐹3 5 0 0 0 1 0 0 0 1 𝐹2 − 7 𝐹3 ⎛ ⎞ ⎛ ⎞ 3 1 3 1 2 2 0 1 2 0 0 · · · −−−−1−→ ⎝0 0 1 0⎠ −−−−1−→ ⎝0 0 1 0⎠ escalonada reducida 𝐹1 − 2 𝐹3 0 0 0 1 𝐹1 − 2 𝐹2 0 0 0 1 3 0 0 1 7 0 13 Apuntes de Álgebra, Publicación 0.0.1 Corolario Con 𝐴 ∈ ℳ𝑛 (K) 𝐴 no singular ⇔ 𝐴 ∼𝑓 𝐼𝑛 ⇔ 𝑟𝑓 (𝐴) = 𝑛 1.2.11 Determinantes Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ2 (K) se define el determinante de 𝐴 como ⃒ ⃒ ⃒𝑎 𝑎12 ⃒⃒ = 𝑎11 𝑎22 − 𝑎21 𝑎12 det(𝐴) = ⃒⃒ 11 𝑎21 𝑎22 ⃒ Definición Sea 𝐴 ∈ ℳ𝑛 (K) Si 𝑛 = 1 se define |𝐴| := 𝑎11 Si 𝑛 > 1 |𝐴| := 𝑎11 𝛼11 + · · · + 𝑎𝑛1 𝛼𝑛1 siendo 𝛼𝑖1 := (−1)𝑖+1 |𝐴𝑖1 | adjunto del elemento 𝑎𝑖1 y 𝐴𝑖𝑗 := matriz obtenida de 𝐴 eliminando la fila 𝑖 y la columna 𝑗 Lo que se conoce como el desarrollo de Laplace por la 1ª columna. Desarrollo de Laplace por la fila 𝑖-ésima Se verifica que |𝐴| = 𝑎𝑖1 𝛼𝑖1 + 𝑎𝑖2 𝛼𝑖2 + · · · + 𝑎𝑖𝑛 𝛼𝑖𝑛 ∀𝑖 = 1, · · · , 𝑛 Determinante de una matriz triangular superior Definición Con 𝐴 ∈ ℳ𝑛 (K) triangular superior se verifica |𝐴| = 𝑎11 𝑎22 · · · 𝑎𝑛𝑛 Demostración Por inducción en 𝑛 1.2. Matriz 14 Apuntes de Álgebra, Publicación 0.0.1 Si 𝑛 = 1 |𝐴| = 𝑎11 Si 𝑛 > 1 la fórmula es cierta para 𝑛 − 1. Caso general: ⎛ 𝑎11 ⎜ 0 ⎜ ⎜ .. 𝐴=⎜ ⎜ . ⎜ . ⎝ .. 0 ··· 𝑎22 0 .. . 0 ⎞ ··· ··· ··· ··· ··· ···⎟ ⎟ .. .. ⎟ .. . . . ⎟ ⎟ .. .. ⎟ .. . . . ⎠ 0 0 𝑎𝑛𝑛 Por lo que tenemos que el desarrollo de Laplace por la 1ª columna es |𝐴| = 𝑎11 (−1)1+1 |𝐴11 | = 𝑎11 𝑎22 · · · 𝑎𝑛𝑛 Con 𝐴11 ∈ ℳ𝑛−1 (K) Corolario |𝐼𝑛 | = 1 Propiedades de los determinantes 1. ⎫ 𝐴, 𝐴′ , 𝐴′′ ∈ ℳ𝑛 (K) ⎬ ∃𝑖 / 𝐹𝑖 (𝐴) = 𝐹𝑖 (𝐴′ ) + 𝐹𝑖 (𝐴′′ ) ⇒ |𝐴| = |𝐴′ | + |𝐴′′ | ⎭ ′ ′′ 𝐹𝑗 (𝐴) = 𝐹𝑗 (𝐴 ) = 𝐹𝑗 (𝐴 ) ∀𝑗 ̸= 𝑖 Ejemplo ⎛ 1 𝐴 = ⎝4 7 2 5 8 ⎞ 3 6⎠ 9 ⎛ 1 𝐴′ = ⎝3 7 2 2 8 ⎞ 3 5⎠ 9 ⎛ 1 𝐴′′ = ⎝1 7 2 3 8 ⎞ 3 1⎠ 9 2. 𝐴 ∈ ℳ𝑛 (K) tiene dos filas iguales ⇒ |𝐴| = 0 3. Si se intercambian dos filas de 𝐴 el determinante cambia de signo. 4. Si multiplicamos una fila de 𝐴 por un escalar 𝛽 ∈ K, el determinante de la nueva matriz es 𝛽|𝐴| Luego, 𝐴 tiene una fila de 0 ⇒ |𝐴| = 0 1.2. Matriz 15 Apuntes de Álgebra, Publicación 0.0.1 5. Si a la fila 𝑖-ésima de 𝐴 le sumamos 𝛼 veces la fila 𝑗-ésima —con 𝑖 ̸= 𝑗—, entonces el valor del determinante no varía. Demostración de la propiedad 3 utilizando las propiedades 1 y 2 ⃒ ⃒ ⃒ ⃒ 𝐹1 (𝐴) ⃒ ⃒ ⃒ ⃒ .. ⃒ ⃒ . ⃒ ⃒ 𝑖 → ⃒⃒𝐹𝑖 (𝐴) + 𝐹𝑗 (𝐴)⃒⃒ = 0 (El determinante es 0 por tener la matriz dos filas iguales) 𝑗 → ⃒⃒𝐹𝑗 (𝐴) + 𝐹𝑖 (𝐴)⃒⃒ ⃒ ⃒ .. ⃒ ⃒ . ⃒ ⃒ ⃒ ⃒ 𝐹𝑛 (𝐴) ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ 𝐹1 (𝐴) ⃒ ⃒ 𝐹1 (𝐴) ⃒ ⃒ 𝐹1 (𝐴) ⃒ ⃒ 𝐹1 (𝐴) ⃒ ⃒ ⃒ ⃒ 𝐹1 (𝐴) 𝐹1 (𝐴) ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ ⃒ ⃒ .. .. ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ ⃒ ⃒ . . ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ 𝐹𝑖 (𝐴) ⃒ ⃒ 𝐹𝑖 (𝐴) ⃒ ⃒ 𝐹𝑗 (𝐴) ⃒ ⃒ 𝐹𝑗 (𝐴) ⃒ ⃒ ⃒ ⃒ 𝐹𝑗 (𝐴) 𝐹𝑖 (𝐴) 𝑖→⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ .. ⃒ ⃒ ⃒ ⃒ .. .. + = + = + ⃒=0 ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ . . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ ⃒ ⃒ 𝑗 → ⃒𝐹𝑗 (𝐴) + 𝐹𝑖 (𝐴)⃒ ⃒𝐹𝑗 (𝐴) + 𝐹𝑖 (𝐴)⃒ ⃒ 𝐹𝑗 (𝐴) ⃒ ⃒ 𝐹𝑖 (𝐴) ⃒ ⃒ 𝐹𝑗 (𝐴) ⃒ ⃒ 𝐹𝑖 (𝐴) ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ ⃒ ⃒ .. .. . . . . ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ . . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ . ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ ⃒ 𝐹𝑛 (𝐴)⃒ 𝐹𝑛 (𝐴) 𝐹𝑛 (𝐴) 𝐹𝑛 (𝐴) 𝐹𝑛 (𝐴) 𝐹𝑛 (𝐴) 1.2.12 Determinantes y matrices equivalentes Con 𝐴, 𝐸 ∈ ℳ𝑛 (K) / 𝐸 elemental |𝐸𝐴| = |𝐸||𝐴| Observaciones 1. 𝐴 ∈ ℳ𝑛 (K) no singular ⇔ 𝐴 ∼𝑓 𝐼𝑛 ⇔ 𝐼𝑛 ∼𝑓 𝐴 ⇔ ∃𝐸1 , · · · , 𝐸𝑟 ∈ ℳ𝑛 (K) elementales / 𝐸𝑟 · · · 𝐸1 𝐼𝑛 = 𝐴 ⏟ ⏞ ⇓ |𝐴| = |𝐸𝑟 · · · 𝐸1 | = |𝐸𝑟 ||𝐸𝑟−1 · · · 𝐸1 | = |𝐸𝑟 ||𝐸𝑟−1 | · · · |𝐸1 | = ̸ 0 2. 𝐴 ∈ ℳ𝑛 (K) singular ⇔ 𝐴 ∼𝑓 𝐴′ ⇔ 𝐴′ ∼𝑓 𝐴 ⏞ ⏟ 𝐴′ escalonada reducida ⇕ Número de pivotes de 𝐴′ < 𝑛 ∃𝐸1 , · · · , 𝐸𝑠 ∈ ℳ𝑛 (K) elementales / 𝐴 = 𝐸𝑠 · · · 𝐸1 𝐴′ (𝐴′ tiene alguna fila de ceros) ⇓ |𝐴| = |𝐸𝑠 · · · 𝐸1 𝐴′ | = |𝐸𝑠 ||𝐸𝑠−1 𝐴′ | = |𝐸𝑠 | · · · |𝐸2 ||𝐸1 𝐴′ | = |𝐸𝑠 | · · · |𝐸1 ||𝐴′ | =1 0 1 ↦→ |𝐴′ | = 0 Proposición Con 𝐴 ∈ ℳ𝑛 (K) 𝐴 no singular ⇔ |𝐴| = ̸ 0 1.2. Matriz 16 Apuntes de Álgebra, Publicación 0.0.1 Teorema Con 𝐴, 𝐵 ∈ ℳ𝑛 (K) |𝐴𝐵| = |𝐴||𝐵| Demostración Caso 1: 𝐴 no singular ⇕ ∃𝐸1 , · · · , 𝐸𝑟 elementales / 𝐸𝑟 · · · 𝐸1 = 𝐴 ∧ |𝐴𝐵| = |𝐸𝑟 · · · 𝐸1 𝐵| = |𝐸𝑟 | · · · |𝐸𝑟−1 𝐵| = · · · = |𝐸𝑟 | · · · |𝐸2 ||𝐸1 𝐵| = (|𝐸𝑟 | · · · |𝐸2 ||𝐸1 |)1 |𝐵| = |𝐴||𝐵| Caso 2: 𝐴 singular ⇕ ∃𝐸1 , · · · , 𝐸𝑠 elementales / ∃𝐴′ ∈ ℳ𝑛 (K) matriz con alguna fila de ceros / 𝐴 = 𝐸𝑠 · · · 𝐸1 𝐴′ ∧ 𝐴𝐵 = (𝐸𝑠 · · · 𝐸1 𝐴′ )𝐵 = 𝐸𝑠 · · · 𝐸1 (𝐴′ 𝐵)2 ⏞ ⏟ ⇓ 𝐴𝐵 ∼𝑓 (𝐴′ 𝐵)2 ⇕ 𝐴𝐵 singular ⇓ |𝐴||𝐵| = |𝐴𝐵| = 0 1 ↦→ |𝐸𝑟 | · · · |𝐸2 ||𝐸1 | = |𝐴| 2 ↦→ 𝐴′ 𝐵 es una matriz con una fila de ceros 1.2.13 Determinantes y matrices traspuestas Observación (𝐸𝐹𝑖 ↔𝐹𝑗 )𝑡 = 𝐸𝐶𝑖 ↔𝐶𝑗 = 𝐸𝐹𝑖 ↔𝐹𝑗 Con 𝛼 ̸= 0, (𝐸𝛼𝐹𝑖 )𝑡 = 𝐸𝛼𝐶𝑖 = 𝐸𝛼𝐹𝑖 Con 𝑖 ̸= 𝑗, (𝐸𝐹𝑖 +𝛼𝐹𝑗 )𝑡 = 𝐸𝐶𝑖 +𝛼𝐶𝑗 = 𝐸𝐹𝑗 +𝛼𝐹𝑖 Nota: En este último caso la matriz elemental traspuesta no coincide con la original, aunque siguen teniendo el mismo determinante. Con 𝐴 ∈ ℳ𝑛 (K) |𝐴| = |𝐴𝑡 | Demostración 1.2. Matriz 17 Apuntes de Álgebra, Publicación 0.0.1 𝐴 no singular ⇔ 𝐴𝑡 no singular (𝐴−1 )𝑡 = (𝐴𝑡 )−1 𝐴 singular ⇔ 𝐴𝑡 singular ⎫ 𝐴 singular ⇔ |𝐴| = 0 ⎬ ⇕ ⎭ 𝐴𝑡 singular ⇔ |𝐴𝑡 | = 0 𝐴 no singular ⇕ ⏞ ⏟ ∃𝐸1 , · · · , 𝐸𝑠 matrices elementales / 𝐴 = 𝐸𝑠 · · · 𝐸1 ⇒ |𝐴| = |𝐸𝑠 | · · · |𝐸1 | = |𝐸𝑠𝑡 | · · · |𝐸1𝑡 | = |𝐸1𝑡 · · · 𝐸𝑠𝑡 | = |𝐴𝑡 | |𝐸𝑖 | = |𝐸𝑖𝑡 | ∀𝑖 = 1, · · · , 𝑠 𝐴𝑡 = (𝐸𝑠 · · · 𝐸1 )𝑡 = 𝐸1𝑡 · · · 𝐸𝑠𝑡 Corolario Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑛 (K) |𝐴| = 𝑎11 𝛼11 + 𝑎12 𝛼12 + · · · + 𝑎1𝑛 𝛼1𝑛 (Desarrollo de Laplace por la 1ª fila) Demostración |𝐴| = |𝐴𝑡 | = 𝑎11 (−1)1+1 |(𝐴𝑡 )11 | + · · · + 𝑎1𝑛 (−1)1+𝑛 |(𝐴𝑡 )𝑛1 | = 𝑎11 (−1)1+1 |𝐴11 | + · · · + 𝑎1𝑛 (−1)1+𝑛 |𝐴1𝑛 | (𝐴𝑡 )𝑖1 = (𝐴1𝑖 )𝑡 ⇒ |(𝐴𝑡 )𝑖1 | = |(𝐴1𝑖 )𝑡 | = |𝐴1𝑖 | Proposición |𝐴| = 𝑎𝑖1 𝛼𝑖1 + · · · + 𝑎𝑖𝑛 𝛼𝑖𝑛 ∀𝑖 = 1, · · · , 𝑛 |𝐴| = 𝑎1𝑗 𝛼1𝑗 + · · · + 𝑎𝑛𝑗 𝛼𝑛𝑗 ∀𝑗 = 1, · · · , 𝑛 Por lo que las propiedades de los determinantes enunciadas en Propiedades de los determinantes son aplicables también por columnas. Proposición Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑛 (K) no singular ⎛ 𝐴−1 𝛼11 ⎜ 𝛼12 1 1 ⎜ = |𝐴| (adj(𝐴))𝑡 = |𝐴| ⎜ .. ⎝ . ··· ··· ⎞ 𝛼𝑛1 𝛼𝑛2 ⎟ ⎟ .. ⎟ . ⎠ 𝛼1𝑛 ··· 𝛼𝑛𝑛 adj(𝐴) = (𝛼𝑖𝑗 ) 𝛼𝑖𝑗 = (−1)𝑖+𝑗 |𝐴𝑖𝑗 | 1.2. Matriz 18 Apuntes de Álgebra, Publicación 0.0.1 Demostración Con 𝐵 := 1 |𝐴| adj(𝐴)𝑡 𝐵 = 𝐴−1 ⇔ 𝐴𝐵 = 𝐼𝑛 ⎫ 𝐴𝐵(𝑖, 𝑖) = 𝑎𝑖1 𝐵(1, 𝑖) + 𝑎𝑖2 𝐵(2, 𝑖) + · · · + 𝑎𝑖𝑛 𝐵(𝑛, 𝑖) ⎬ 𝐵(1, 𝑖) = ⏟ 1 𝑡 |𝐴| (adj𝐴) (1, 𝑖) 1 1 𝛼𝑖1 + · · · + 𝑎𝑖𝑛 |𝐴| 𝛼𝑖𝑛 𝐴𝐵(𝑖, 𝑖) = 𝑎𝑖1 |𝐴| 1 1 = |𝐴| adj(𝐴)(𝑖, 1) = |𝐴| 𝛼𝑖1 ⎭ ⏞ ⇓ 1 = |𝐴| (𝑎𝑖1 𝛼𝑖1 + · · · + 𝑎𝑖𝑛 𝛼𝑖𝑛 )1 = 1 |𝐴| |𝐴| =1 ∀ 𝑖 ̸= 𝑗 𝐴𝐵(𝑖, 𝑗) = 02 1 ↦→ Es el desarrollo de Laplace por la fila 𝑖-ésima. 2 ↦→ Pendiente de demostrar. Proposición El desarrollo del determinante usando la regla de Laplace se puede hacer por cualquier fila o columna. Demostración Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑛 (K) ⎛ ⎞ 𝑎2𝑛 𝑎1𝑛 ⎟ ⎟ 𝑎3𝑛 ⎟ ⎟ .. ⎟ . ⎠ 𝑎21 ⎜ 𝑎11 ⎜ ⎜ 𝐴′ := 𝐸𝐹1 ↔𝐹2 𝐴 = ⎜ 𝑎31 ⎜ .. ⎝ . ··· ··· ··· 𝑎2𝑗 𝑎1𝑗 ··· .. . ··· ··· ··· 𝑎𝑛1 ··· ··· · · · 𝑎𝑛𝑛 (︁ )︁ |𝐴| = −|𝐴′ | = − 𝑎21 (−1)1+1 |𝐴21 | + · · · + 𝑎2𝑛 (−1)1+𝑛 |𝐴2𝑛 | = 𝑎21 (−1)2+1 |𝐴21 | + · · · + 𝑎2𝑛 (−1)2+𝑛 |𝐴2𝑛 | 1.2. Matriz 19 CAPÍTULO 2 Tema 2 2.1 Sistemas de ecuaciones lineales Una ecuación lineal sobre el cuerpo K con 𝑛 incognitas —o variables— 𝑥1 , · · · , 𝑥𝑛 es una expresión de la forma 𝑎1 𝑥1 + 𝑎2 𝑥2 + · · · + 𝑎𝑛 𝑥𝑛 = 𝑏 𝑎𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑛 𝑏∈K Los elementos 𝑎𝑖 se llamarán coeficientes, mientras que 𝑏 es el término independiente. Ejemplo 𝑥+𝑦 =0 Un elemento (𝛼1 , · · · , 𝛼𝑛 ) ∈ K𝑛 es una solución de una ecuación lineal si se verifica 𝑎1 𝛼1 + · · · + 𝑎𝑛 𝛼𝑛 = 𝑏 Definición Un sistema de ecuaciones lineales con coeficientes en K y con 𝑛 incógnitas —o variables— 𝑥1 , · · · , 𝑥𝑛 es ⎫ 𝑎11 𝑥1 + · · · + 𝑎1𝑛 𝑥𝑛 = 𝑏1 ⎪ ⎪ ⎪ 𝑎21 𝑥1 + · · · + 𝑎2𝑛 𝑥𝑛 = 𝑏2 ⎬ .. ⎪ . ⎪ ⎪ ⎭ 𝑎𝑚1 𝑥1 + · · · + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚 𝑎𝑖𝑗 ∈ K ∀𝑖 = 1, · · · , 𝑚 ∀𝑗 = 1, · · · , 𝑛 𝑏𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑚 Es decir, 𝑚 ecuaciones con coeficientes en K en las mismas 𝑛 incógnitas. (𝛼1 , · · · , 𝛼𝑛 ) ∈ K𝑛 es solución del sistema si es la solución de cada una de las 𝑚 ecuaciones lineales que lo forman. Si 𝑏𝑗 = 0 ∀𝑗 = 1, · · · , 𝑚 se dice que el sistema es homogéneo. Si el sistema tiene solución se dice que es compatible, y será • Compatible Determinado si la solución es única. 20 Apuntes de Álgebra, Publicación 0.0.1 • Compatible Indeterminado si tiene más de una solución. Si el sistema no tiene solución se dice que es Incompatible. 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑚×𝑛 (K) es la matriz de coeficientes del sistema. ⎛ ⎞ 𝑏1 ⎜ 𝑏2 ⎟ ⎜ ⎟ 𝑏 = ⎜ . ⎟ ∈ ℳ𝑚×1 es la matriz de términos independientes del sistema. ⎝ .. ⎠ 𝑏𝑚 ⎛ ⎞ 𝑥1 ⎜ 𝑥2 ⎟ ⎜ ⎟ 𝐴𝑥 = 𝑏 es la expresión matricial del sistema —con 𝑥 = ⎜ . ⎟ ⎝ .. ⎠ 𝑥𝑛 (𝐴|𝑏) ∈ ℳ𝑚×(𝑛+1) es la matriz ampliada del sistema. Definición Dos sistemas 𝑆 y 𝑆 ′ de ecuaciones lineales en K en las mismas 𝑛 incógnitas —𝑥1 , · · · , 𝑥𝑛 — son equivalentes si tienen el mismo conjunto de soluciones. Nota: Si ambos son incompatibles tienen el mismo conjunto de soluciones. Definición Dado un sistema 𝐴𝑥 = 𝐵, el sistema de ecuaciones cuya matriz ampliada se obtiene de (𝐴|𝐵) después de una sucesión finita de operaciones elementales en filas, es un sistema equivalente a 𝐴𝑥 = 𝐵. Demostración (𝐴|𝐵) −−−−−−−−−−−−−−−−−−−−−−−−→ 𝐸(𝐴|𝐵) = (𝐸𝐴|𝐸𝐵) Op. elemental en filas con la matriz elemental 𝐸 (𝛼1 , · · · , 𝛼𝑛 ) ∈ K𝑛 es solución de 𝐴𝑥 = 𝐵 ⎛ ⇕⎞ 𝛼1 ⎜ .. ⎟ 𝐴⎝ . ⎠ = 𝐵 𝛼𝑛 ⎛ ⇕⎞ 𝛼1 ⎜ .. ⎟ 𝐸𝐴 ⎝ . ⎠ = 𝐸𝐵 𝛼𝑛 ⇕ (𝛼1 , · · · , 𝛼𝑛 ) ∈ K𝑛 es solución de (𝐸𝐴)𝑥 = 𝐸𝐵 Definición El sistema 𝐴𝑥 = 𝐵 es escalonado si la matriz 𝐴 es escalonada. A las incógnitas —o variables— correspondientes a las columnas de los pivotes se les llama incógnitas principales, y a las otras incógnitas libres. 2.1. Sistemas de ecuaciones lineales 21 Apuntes de Álgebra, Publicación 0.0.1 Corolario Todo sistema 𝐴𝑥 = 𝐵 es equivalente a un sistema escalonado. Demostración (𝐴|𝐵) es equivalente a una matriz escalonada (𝐴′ |𝐵 ′ ), entonces los sistemas 𝐴𝑥 = 𝐵 y 𝐴′ 𝑥 = 𝐵 ′ son equivalentes. 2.1.1 Método de Gauss Para resolver el sistema 𝐴𝑥 = 𝐵 1. Escalonamos la matriz (𝐴|𝐵), obteniendo la matriz equivalente (𝐴′ |𝐵 ′ ). 2. Resolvemos 𝐴′ 𝑥 = 𝐵 ′ con el método de substitución hacia atrás. Si no es posible, el sistema no tiene solución. 2.1.2 Discusión de un sistema escalonado 1. Si existe un pivote en la última columna de la matriz ampliada, es decir 𝑟𝑓 (𝐴) = ̸ 𝑟𝑓 (𝐴|𝐵), el sistema es incompatible, ya que existe una ecuación de la forma 0𝑥1 + · · · + 0𝑥𝑛 = 𝑏𝑠 ̸= 0 —siendo 𝑏𝑠 el pivote de la columna 𝐵. 2. Si no hay pivote en la última columna de la matriz ampliada, es decir 𝑟𝑓 (𝐴) = 𝑟𝑓 (𝐴|𝐵), el sistema es compatible: a) 𝑟𝑓 (𝐴) = 𝑟𝑓 (𝐴|𝐵) = número de incógnitas ⇒ Sistema Compatible Determinado b) 𝑟𝑓 (𝐴) = 𝑟𝑓 (𝐴|𝐵) < número de incógnitas ⇓ Existen 𝑛 − 𝑟𝑓 (𝐴) variables libres ⇓ Sistema Compatible Indeterminado Proposición Con 𝐴𝑥 = 𝐵 sistema de 𝑛 ecuaciones lineales con 𝑛 incógnitas El sistema es compatible y determinado ⇔ 𝐴 es no singular Demostración ”⇐” 𝐴𝑥 = 𝐵 𝐴 no singular }︂ ⇒ 𝐴−1 𝐴𝑥 = 𝐴−1 𝐵 = 𝐴−1 𝐴𝑥 = 𝑥 ”⇒” 𝑟𝑓 (𝐴) = 𝑟𝑓 (𝐴|𝐵) = 𝑛 ⇒ 𝐴 ∼𝑓 𝐼𝑛 ⇒ 𝐴 es no singular 2.1. Sistemas de ecuaciones lineales 22 Apuntes de Álgebra, Publicación 0.0.1 2.1.3 Regla de Cramer Con 𝐴𝑥 = 𝐵 Sistema Compatible Determinado 𝑥𝑖 = ⃒ ⃒ 𝑎11 ⃒ ⃒ .. ⃒ . ⃒ ⃒𝑎𝑛1 ··· ··· ··· 𝑖 ↓ 𝑏1 .. . ⃒ 𝑎1𝑛 ⃒⃒ .. ⃒ . ⃒⃒ 𝑎𝑛𝑛 ⃒ ··· ··· 𝑏𝑛 · · · |𝐴| Demostración 𝐴−1 = 1 𝑡 |𝐴| (adj𝐴) ⎛ ⎞ 𝑥1 ⎜ .. ⎟ ⎝ . ⎠ = 𝐴−1 𝐵 𝑥𝑛 𝑥𝑖 = 𝑋(𝑖, 1) = (𝐴−1 𝐵)(𝑖, 1) = 𝑛 ∑︁ 𝐴−1 (𝑖, 𝑘)𝐵(𝑘, 1) 𝑘=1 Observación −−−−−−→ (adj 𝐴)𝑡 (𝑖, 𝑘) = (adj 𝐴)(𝑘, 𝑖) = 𝛼𝑘𝑖 𝑛 𝑥𝑖 = 2.1. Sistemas de ecuaciones lineales 1 ∑︁ 𝛼𝑘𝑖 𝑏𝑘 |𝐴| 𝑘=1 ⏟ ⏞ Desarrollo de Laplace por la columna 𝑖 23 CAPÍTULO 3 Tema 3 3.1 Espacios Vectoriales R3 R𝑛 C3 C𝑛 ℳ𝑚×𝑛 (R) Q3 Q𝑛 ℳ𝑚×𝑛 (K) + operación interna que cumple ⎫ las siguientes propiedades asociativa ⎪ ⎪ ⎬ elemento neutro Grupo Abeliano opuesto ⎪ ⎪ ⎭ conmutativa Definición Con 𝑉 conjunto no vacío y K cuerpo, se dice que 𝑉 es un K-espacio vectorial si verifica 1. (𝑉, +) es un Grupo Abeliano. 2. La multiplicación por escalares, K×𝑉 →𝑉 (𝛼, 𝑣) 𝛼𝑣 verifica las siguientes propiedades: ∀ 𝛼, 𝛽 ∈ K ∀ 𝑣, 𝑤 ∈ 𝑉 a) (𝛼 + 𝛽)𝑣 = 𝛼𝑣 + 𝛽𝑣 b) 𝛼(𝑣 + 𝑤) = 𝛼𝑣 + 𝛼𝑤 c) (𝛼𝛽)𝑣 = 𝛼(𝛽𝑣) d) 1𝑣 = 𝑣 Nota: A los elementos de 𝑉 se les llama vectores y a los elementos del cuerpo K se les llama escalares. Ejemplo {︀ }︀ 𝑈 = (𝑥, 𝑦, 𝑧) ∈ R3 / 𝑧 = 0 ⊂ R3 24 Apuntes de Álgebra, Publicación 0.0.1 Definición Con 𝑉 K-espacio vectorial, un subconjunto no vacío 𝑈 de 𝑉 es un subespacio vectorial de 𝑉 si 1. ∀𝑢, 𝑢′ ∈ 𝑈 𝑢 + 𝑢′ ∈ 𝑈 2. ∀𝑢 ∈ 𝑈 ∀𝛼 ∈ K 𝛼𝑢 ∈ 𝑈 Ejemplo {︀ }︀ 𝑈 ′ = (𝑥, 𝑦) ∈ R2 / 𝑥 = 𝑦 − 1 ⊂ R2 𝑈 ′ no es un subespacio vectorial de R2 ya que (0, 1) ∈ 𝑈 ′ ∧ 0 ∈ R ∧ 0(0, 1) ∈ / 𝑈′ 3.1.1 Propiedades Con 𝑉 K-espacio vectorial, 0 el cero escalar y 0𝑉 el cero vectorial se verifica 1. 𝛼𝑣 = 0𝑉 ⇔ 𝛼 = 0 ∨ 𝑣 = 0𝑉 ∀𝛼 ∈ K, ∀𝑣 ∈ 𝑉 Demostración ”⇐” Con 𝛼 = 0, 0𝑣 = (0 + 0)𝑣 = 0𝑣 + 0𝑣 0 = −(0𝑣) + 0𝑣 + 0𝑣 = 0 + 0𝑣 = 0𝑣 ”⇒” 𝛼𝑣 = 0𝑉 𝛼 ̸= 0 }︂ ⎫ 𝛼𝑣 = 0𝑉 ⎬ ⇒ 𝑣 = 0𝑉 ya que 𝛼 ̸= 0 ⇒ 𝛼−1 (𝛼𝑣) = (𝛼−1 𝛼)𝑣 = 1𝑣 = 0𝑉 ⇔ 𝑣 = 0𝑉 ⎭ −1 ∃𝛼 ∈ K 2. (−𝛼)𝑣 = −(𝛼𝑣) = 𝛼(−𝑣) ∀𝛼 ∈ K, ∀𝑣 ∈ 𝑉 3. 𝛼𝑣 = 𝛽𝑣 ⇒ 𝛼 = 𝛽 ∀𝛼, 𝛽 ∈ K, 𝑣 ̸= 0𝑉 ∈ 𝑉 3.1.2 Combinaciones lineales Definición Con 𝑉 K-espacio vectorial y 𝑆 ̸= ∅ subconjunto de 𝑉 , una combinación lineal de elementos de 𝑆 es un vector de la forma 𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑟 + 𝑣𝑟 en donde 𝛼1 , · · · , 𝛼𝑟 ∈ K y 𝑣1 , · · · , 𝑣𝑟 ∈ 𝑆. Ejemplo 𝑉 = R2 𝑆 = {(1, 1), (1, 0), (0, −1)} (3, 7) = 2(1, 1) + (1, 0) − 5(0, −1) = 7(1, 1) − 4(1, 0) Definición 3.1. Espacios Vectoriales 25 Apuntes de Álgebra, Publicación 0.0.1 {︂ ⟨𝑆⟩ := ⧸︂ 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 𝛼1 , · · · , 𝛼𝑛 ∈ K 𝑣1 , · · · , 𝑣𝑛 ∈ 𝑆 }︂ ⊂𝑉 es el menor subespacio vectorial de 𝑉 que contiene al conjunto 𝑆. Este espacio vectorial se llama subespacio de 𝑉 generado por el conjunto 𝑆. Ejemplo ∅= ̸ 𝑆 = {(1, 1)} ⊂ R2 ⟨(1, 1)⟩ = {𝛼(1, 1)/𝛼 ∈ R} = {(𝛼, 𝛼)/𝛼 ∈ R} Demostración (1) 𝑆 ⊂ ⟨𝑆⟩ 𝑢 ∈ 𝑆 ∧ 𝑢 = 1𝑢 ∈ ⟨𝑆⟩ (2) ⟨𝑆⟩ subespacio de 𝑉 ∅= ̸ ⟨𝑆⟩ ⊂ 𝑉 ya que 𝑆 ̸= ∅ ∧ 𝑆 ⊂ ⟨𝑆⟩ (3) Menor subespacio de 𝑉 que contiene a 𝑆 Si 𝑈 es un subespacio de 𝑉 / 𝑆 ⊂ 𝑈 ⇒? ⟨𝑆⟩ ⊂ 𝑈 𝛼𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑛 ⎫ 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 ⎬ 𝑣𝑖 ∈ 𝑆 ⊂ 𝑈 ⇒ 𝑣𝑖 ∈ 𝑈 ⇒ 𝛼𝑖 𝑣𝑖 ∈ 𝑈 ⇒ 𝛼𝑖 𝑣𝑖 + · · · + 𝛼𝑛 𝑣𝑛 ∈ 𝑈 ⎭ Proposición Con 𝑆 y 𝑆 ′ subconjuntos no vacíos de 𝑉 ⟨𝑆⟩ = ⟨𝑆 ′ ⟩ ⇔ {︂ 𝑆 ⊂ ⟨𝑆 ′ ⟩ 𝑆 ′ ⊂ ⟨𝑆⟩ Ejemplo ⟨𝑆⟩ = ⟨(1, 1), (0, −1)⟩ = ⟨(1, 0), (0, −1), (3, 4)⟩ = ⟨𝑆 ′ ⟩ Demostración ”⇒” 𝑆 ⊂ ⟨𝑆⟩ = ⟨𝑆 ′ ⟩ 𝑆 ′ ⊂ ⟨𝑆 ′ ⟩ = ⟨𝑆⟩ ”⇐” ⎫ ⟨𝑈 ⟩ es el menor subespacio vectorial que contiene a 𝑈 ⎬ 𝑆 ⊂ ⟨𝑆 ′ ⟩ ⇒ ⟨𝑆⟩ ⊂ ⟨𝑆 ′ ⟩ ⇒ ⟨𝑆⟩ = ⟨𝑆 ′ ⟩ ⎭ 𝑆 ′ ⊂ ⟨𝑆⟩ ⇒ ⟨𝑆 ′ ⟩ ⊂ ⟨𝑆⟩ Observación Con ∅ = ̸ 𝑆 =𝑉 y𝑢∈𝑉 ⟨𝑆⟩ = ⟨𝑆 ∪ {𝑢}⟩ ⇔ 𝑢 ∈ ⟨𝑆⟩ 3.1. Espacios Vectoriales 26 Apuntes de Álgebra, Publicación 0.0.1 Demostración {︂ ⟨𝑆⟩ = ⟨𝑆 ∪ {𝑢}⟩ ⇔ 𝑆 ⊂ ⟨𝑆 ∪ {𝑢}⟩ 𝑆 ∪ {𝑢} ⊂ ⟨𝑆⟩ }︂ ⇔ 𝑢 ∈ ⟨𝑆⟩ Propiedades Con 𝑣1 , · · · , 𝑣𝑛 ∈ 𝑉 , 0 ̸= 𝛼 ∈ K y 𝛽 ∈ K. 1. ⟨𝑣1 , · · · , 𝑣𝑖 , 𝑣𝑗 , · · · , 𝑣𝑛 ⟩ = ⟨𝑣1 , · · · , 𝑣𝑗 , 𝑣𝑖 , · · · , 𝑣𝑛 ⟩ Demostración Trivial, ya que en los conjuntos no hay orden. 2. ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ = ⟨𝑣1 , · · · , 𝛼𝑣𝑖 , · · · , 𝑣𝑛 ⟩ 𝛼 ̸= 0 ⏟ ⏞ ⏟ ⏞ 𝑆 𝑆′ Demostración 𝑣𝑖 = 𝛼−1 (𝛼𝑣𝑖 ) = 1𝑣𝑖 ⇒ 𝑆 ⊂ ⟨𝑆 ′ ⟩ 𝛼𝑣𝑖 ⇒ 𝑆 ′ ⊂ ⟨𝑆⟩ 3. ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ = ⟨𝑣1 , · · · , 𝑣𝑖 + 𝛽𝑣𝑗 , · · · , 𝑣𝑛 ⟩ 𝑖 ̸= 𝑗 ⏟ ⏞ ⏞ ⏟ 𝑆′ 𝑆 Demostración 𝑣𝑖 = (𝑣𝑖 + 𝛽𝑣𝑗 ) − 𝛽𝑣𝑗 ∈ ⟨𝑆 ′ ⟩ ⇒ {︂ }︂ 𝑆 ⊂ ⟨𝑆 ′ ⟩ ⇐ 𝑣𝑖 + 𝛽𝑣𝑗 ∈ ⟨𝑆⟩ 𝑆 ′ ⊂ ⟨𝑆⟩ 3.1.3 Intersección de subespacios Con 𝑈, 𝑊 subespacios de 𝑉 𝑈 ∩ 𝑊 = {𝑣 ∈ 𝑉 /𝑣 ∈ 𝑈 ∧ 𝑣 ∈ 𝑊 } es un subespacio de 𝑈 . Demostración 3.1. Espacios Vectoriales 27 Apuntes de Álgebra, Publicación 0.0.1 𝑈 ⊂𝑉 𝑊 ⊂𝑉 0∈𝑈 0∈𝑊 𝑣1 , 𝑣2 ∈ 𝑈 ∩ 𝑊 ⇔1 ⇒𝑈 ∩𝑊 ⊂𝑉 }︂ ⇒ 0 ∈ 𝑈 ∩ 𝑊 ⇒ 𝑈 ∩ 𝑊 ̸= ∅ 𝑣1 , 𝑣2 ∈ 𝑈 𝑣1 , 𝑣2 ∈ 𝑊 𝛼∈K 𝑣 ∈𝑈 ∩𝑊 }︂ }︂ ⇔ }︂ 𝑣∈𝑈 𝑣∈𝑊 ⇒2 }︂ ⇒ 𝑣1 + 𝑣2 ∈ 𝑈 𝑣1 + 𝑣2 ∈ 𝑊 𝛼𝑣 ∈ 𝑈 𝛼𝑣 ∈ 𝑊 }︂ ⇒ 1 𝑣1 + 𝑣2 ∈ 𝑈 ∩ 𝑊 }︂ ⇔ 𝛼𝑣 ∈ 𝑈 ∩ 𝑊 1 ↦→ Definición de intersección. 2 ↦→ 𝑈 y 𝑊 son subespacios vectoriales. 3.1.4 Unión de subespacios Con 𝑈, 𝑊 subespacios de 𝑉 𝑈 ∪ 𝑊 = {𝑣 ∈ 𝑉 /𝑣 ∈ 𝑈 ∨ 𝑣 ∈ 𝑊 } en general no es un subespacio de 𝑉 . Ejemplo 𝑉 = R2 𝑈 = {(𝑥, 0)/𝑥 ∈ R} 𝑊 = {(0, 𝑦)/𝑦 ∈ R} (1, 0) ∈ 𝑈 ⊂ 𝑈 ∪ 𝑊 (0, 1) ∈ 𝑊 ⊂ 𝑈 ∪ 𝑊 }︂ ∧ (1, 0) + (0, 1) = (1, 1) ∈ / 𝑈 ∪𝑊 3.1.5 Suma de subespacios Con 𝑈, 𝑊 subconjuntos de 𝑉 𝑈 + 𝑊 := {𝑢 + 𝑤/𝑢 ∈ 𝑈 ∧ 𝑤 ∈ 𝑊 } ⊂ 𝑉 Se verifica que 𝑈 + 𝑊 es el menor subespacio de 𝑉 que continene a 𝑈 y a 𝑊 . Además, si 𝑆 y 𝑆 ′ son subconjuntos no vacíos de 𝑉 tales que 𝑈 = ⟨𝑆⟩ y 𝑊 = ⟨𝑆 ′ ⟩ entonces 𝑈 + 𝑊 = ⟨𝑆 ∪ 𝑆 ′ ⟩ Nota: Para entender esta proposición es útil entender las propiedades descritas bajo el epígrafe Propiedades. Demostración 3.1. Espacios Vectoriales 28 Apuntes de Álgebra, Publicación 0.0.1 0∈𝑈 0∈𝑊 0 = 0 + 0 ∈ 𝑈 + 𝑊 ⇒ 𝑈 + 𝑊 ̸= ∅ (1) }︂ 𝑢1 ∈ 𝑈 𝑤1 ∈ 𝑊 𝑢2 ∈ 𝑈 𝑤2 ∈ 𝑊 ⏞ ⇓ ⏞ ⏟ (𝑢1 + 𝑤1 ) + (𝑢2 + 𝑤2 ) = 𝑢1 + 𝑢2 + 𝑤1 + 𝑤2 ∈ 𝑈 + 𝑊 ⏟ ⏞ ⏟ ⏞ 𝑢1 + 𝑤1 𝑢2 + 𝑤2 ⏟ ∈𝑈 ∈𝑊 (2) }︂ 𝑢∈𝑈 𝑤∈𝑊 𝛼∈K ⏟ ⏞ ⇓ ⏞ ⏟ 𝛼(𝑢 + 𝑤) = ⏟𝛼𝑢 ⏞ + ⏟𝛼𝑤 ⏞ ∈𝑈 +𝑊 𝑢+𝑤 ∈𝑈 ∈𝑊 𝑈 ⊂𝑈 +𝑊 ∧𝑊 ⊂𝑈 +𝑊 𝑢 ∈ 𝑈 𝑢 = ⏟ 𝑢⏞ + ⏟ 0⏞ ∈ 𝑈 + 𝑊 ∈𝑈 𝑤∈𝑊 ∈𝑊 𝑤 = ⏟ 0⏞ + ⏟ 𝑤⏞ ∈ 𝑈 + 𝑊 ∈𝑈 ∈𝑊 Además de ser subespacio, es el menor subespacio de 𝑉 que contiene a 𝑈 y 𝑊 . Es decir, si 𝑇 fuese subespacio de 𝑉 tal que 𝑈 ⊂ 𝑇 y 𝑊 ⊂ 𝑇 , entonces 𝑈 + 𝑊 ⊂ 𝑇 . Demostración ⃒ }︂ 𝑢 + 𝑤 ∈ 𝑈 + 𝑊 ⃒⃒ 𝑢 ∈ 𝑈 ⊂ 𝑇 ⇒1 𝑢 + 𝑤 ∈ 𝑇 𝑢∈𝑈 ∧𝑤 ∈𝑊 ⃒ 𝑤 ∈𝑊 ⊂𝑇 1 ↦→ 𝑇 es subespacio. 3.1.6 Suma directa Definición Con 𝑈 y 𝑊 subespacios de 𝑉 / 𝑉 = 𝑈 + 𝑊 y 𝑈 ∩ 𝑊 = {0} Todo vector de 𝑉 tiene una única representación de la forma 𝑢 + 𝑤 con 𝑢 ∈ 𝑈 y 𝑤 ∈ 𝑊 . ⨁︀ En este caso se dice que es una suma directa y se representa como 𝑈 𝑊 Demostración 3.1. Espacios Vectoriales 29 Apuntes de Álgebra, Publicación 0.0.1 𝑉 =𝑈 +𝑊 ⧸︂ }︂ ∃𝑢 ∈ 𝑈 𝑣 =𝑢+𝑤 ∃𝑤 ∈ 𝑊 ⧸︂ }︂ Si además ∃𝑢′ ∈ 𝑈 ′ ′ 𝑣 = 𝑢 + 𝑤 ∃𝑤′ ∈ 𝑊 ⏟ ⏞ ⇓ 𝑢 + 𝑤 = 𝑢′ + 𝑤′ ⇔ −𝑢′ + 𝑢 + 𝑤 = 𝑤′ ⇔ −𝑢′ + 𝑢 = 𝑤′ − 𝑤 ∈ 𝑈 ⏟ ∩⏞𝑊 ⏟ ⏞ ⏟ ⏞ 𝑣 ∈𝑉 =𝑈 +𝑊 𝑢1 𝑤2 {0} 1 ↦→ 𝑈 es un subespacio 2 ↦→ 𝑊 es un subespacio 3.1.7 Independencia lineal Definición Un subconjunto no vacío 𝑆 de 𝑉 es linealmente independiente si 𝛼 𝑣 + · · · + 𝛼𝑛 𝑣𝑛 = 0 𝛼𝑖 ∈ K, 𝑣𝑖 ∈ 𝑆 ⏟1 1 ⏞ ⇓ ⏞ ⏟ 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑛 ∀𝑖 = 1, · · · , 𝑛 En caso contrario se dirá que 𝑆 es un subconjunto de 𝑉 linealmente dependiente. Ejemplo 𝑉 = R4 𝑆 = ⟨(1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1)⟩ es linealmente independiente ya que 𝑥(1, 1, 1, 1) + 𝑦(0, 1, 1, 1) + 𝑧(0, 0, 1, 1) = (0, 0, 0, 0) ⇕ (𝑥, 𝑥 + 𝑦, 𝑥 + 𝑦 + 𝑧, 𝑥 + 𝑦 + 𝑧) = (0, 0, 0, 0) ⇕⎫ 𝑥=0 ⎪ ⎪ 𝑥=0 ⎬ 𝑥+𝑦 =0 ⇒ 𝑦=0 𝑥+𝑦+𝑧 =0 ⎪ ⎪ 𝑧=0 ⎭ 𝑥+𝑦+𝑧 =0 Ejemplo 𝑉 = R3 𝑆 = ⟨(1, 1, 1), (0, 0, 1), (1, 1, 2)⟩ es linealmente dependiente ya que (1, 1, 1) + (0, 0, 1) − (1, 1, 2) = (0, 0, 0) Observaciones Con 𝑉 espacio vectorial 3.1. Espacios Vectoriales 30 Apuntes de Álgebra, Publicación 0.0.1 1. 𝑆 = {𝑢} ⊂ 𝑉 𝑆 linealmente independiente ⇔ 𝑢 ̸= 0 Demostración 𝛼𝑢 = 0 ⇔ 𝛼 = 0 ∨ 𝑢 = 0 2. 0 ∈ 𝑆 ⊂ 𝑉 ⇒ 𝑆 es linealmente dependiente. Demostración 1·0=0 0∈𝑆 0 ̸= 1 ∈ K 3. 𝑆 = {𝑢, 𝑣} ⊂ 𝑉 𝑆 es linealmente dependiente ⇕ ∃𝛼 ∈ K / 𝑢 = 𝛼𝑣 ∨ ∃𝛽 ∈ K / 𝑣 = 𝛽𝑢 Desmostración 𝑆 linealmente dependiente ⇓ ∃𝛼, 𝛽 ∈ K / (𝛼 ̸= 0 ∨ 𝛽 ̸= 0) ∧ 𝛼𝑢 + 𝛽𝑣 = 0 ⇓ Si 𝛼 ̸= 0 𝑢 + 𝛼−1 𝛽𝑣 = 0 ⇒ 𝑢 = −𝛼−1 𝛽𝑣 es decir, 𝛼 es múltiplo de 𝛽 4. ∅= ̸ 𝑆1 ⊂ 𝑆2 ⊂ 𝑉 𝑆2 linealmente independiente ⇒ 𝑆1 linealmente independiente 𝑆1 linealmente dependiente ⇒ 𝑆2 linealmente dependiente Demostración 𝛼𝑖 𝑣𝑖 + · · · + 𝛼𝑛 𝑣𝑛 = 0 𝛼𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑛 𝑣𝑖 ∈ 𝑆1 ⊂ 𝑆2 ⏟ ⏞ }︂ 𝑆2 es linealmente independiente ⇓ ←−−−−−−−−−−−−−−−− 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑛 3.1. Espacios Vectoriales 31 Apuntes de Álgebra, Publicación 0.0.1 Proposición Con 𝑉 K-espacio vectorial y ∅ = ̸ 𝑆 ⊂ 𝑉 linealmente independiente 𝑣∈ / ⟨𝑆⟩ ⇔ 𝑆 ∪ {𝑣} linealmente independiente Demostración ”⇒” 𝛼𝑣 + 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 𝛼, 𝛼1 , · · · , 𝛼𝑛 ∈ K 𝑣1 , · · · , 𝑣𝑛 ∈ 𝑆 𝑣 ∈ 𝑆 ∪ {𝑣} Si 𝛼 ̸= 0 𝑣 = −𝛼−1 𝛼1 𝑣1 · · · − 𝛼−1 𝛼𝑛 𝑣𝑛 ∈ ⟨𝑆⟩ [Contradicción] Luego 𝛼 = 0 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 ⇒ 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑛 𝛼1 , · · · , 𝛼𝑛 ∈ K 𝑣1 , · · · , 𝑣𝑛 ∈ 𝑆 ⏞ ⏟ ⇓ 𝑆 ∪ {𝑣} linealmente independiente ”⇐” 𝑣 ∈ ⟨𝑆⟩ ⇒ 𝑆 ∪ {𝑣} linealmente dependiente 𝑣 ∈ ⟨𝑆⟩ ⇒ ∃𝑣𝑖 , · · · , 𝑣𝑛 ∈ 𝑆 𝛼𝑖 , · · · , 𝛼𝑛 ∈ K 𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 ⇓ −𝑣 + 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 ⇓ 𝑆 ∪ {𝑣} linealmente dependiente Ejemplo {(1, 1, 1), (0, 1, 1)} = 𝑆 ⊂ R3 𝑣 = (2, 5, 7) 𝑣∈ / ⟨𝑆⟩ ya que (2, 5, 7) = 𝛼(1, 1, 1) + 𝛽(0, 1, 1) = (𝛼, 𝛼 + 𝛽, 𝛼 + 𝛽) ⇕ ⏟ ⏞ ⎫ 𝛼=2 ⎬ 𝛼+𝛽 =5 Sistema Incompatible ⎭ 𝛼+𝛽 =7 ⏟ ⏞ ⇓ (2, 5, 7) ∈ / ⟨𝑆⟩ 3.1.8 Base de un subespacio vectorial Con 𝑉 ̸= {0} K-espacio vectorial. 3.1. Espacios Vectoriales 32 Apuntes de Álgebra, Publicación 0.0.1 Definición Un subconjunto ordenado 𝐵 de 𝑉 es una base si 1. 𝐵 es un conjunto de generadores de 𝑉 —i.e. ⟨𝐵⟩ = 𝑉 . 2. 𝐵 es linealmente independiente. Ejemplo En R3 𝒞 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊂ R3 es una base que llamamos base canónica. 𝐵 = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} ⊂ R3 es otra base de R3 Ejemplo En R4 𝒞 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} 𝒞 es la base canónica de R4 (𝑎1 , 𝑎2 , 𝑎3 , 𝑎4 ) ∈ R4 (0, 0, 0, 0) = 𝑎1 (1, 0, 0, 0) + 𝑎2 (0, 1, 0, 0) + 𝑎3 (0, 0, 1, 0) + 𝑎4 (0, 0, 0, 1) ⏞ ⏟ ⇓ 𝑎𝑖 = 0 ∀𝑖 = 1, 2, 3, 4 Ejemplo ⎧ ⧸︃ ⎨ 𝑛 R[𝑥] = 𝑎0 + 𝑎1 𝑥 + · · · + 𝑎𝑛 𝑥 ⎩ ⎫ 𝑛∈N ⎬ 𝑎𝑖 ∈ R ⎭ 𝑖 = 0, · · · , 𝑛 {︀ ⧸︀ }︀ 𝐵 = {1 = 𝑥0 , 𝑥, 𝑥2 , · · · , 𝑥𝑛 , · · · } = 𝑥𝑖 𝑖 ≥ 0 Nota: Hay espacios vectoriales que tienen bases infinitas. Proposición Con ∅ = ̸ 𝐵 ⊂ 𝑉 , son equivalentes 1. 𝐵 base de 𝑉 . 2. Cualquier vector de 𝑉 se expresa como combinación lineal de elementos de 𝐵 de modo único. Demostración 3.1. Espacios Vectoriales 33 Apuntes de Álgebra, Publicación 0.0.1 (1) ⇒ (2) 𝐵 base ⇓ ⟨𝐵⟩ = 𝑉 ⇕ Cada vector de 𝑉 es combinación lineal de elementos de 𝐵, es decir ⧸︃ si 𝑣 ∈ 𝑉 𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 𝑣 = 𝛽1 𝑣1 + · · · + 𝛽𝑛 𝑣𝑛 𝑣𝑖 ∈ 𝐵 𝛼𝑖 ∈ K 𝛽𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑛 ⏟ ⏞ ⇓ 0 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 − 𝛽1 𝑣1 − · · · − 𝛽𝑛 𝑣𝑛 = (𝛼1 − 𝛽1 )𝑣1 + · · · + (𝛼𝑛 − 𝛽𝑛 )𝑣𝑛 ⇓ 𝛼𝑖 𝛽𝑖 = 0 ⇔ 𝛼𝑖 = 𝛽𝑖 ∀𝑖 = 1, · · · , 𝑛 (2) ⇒ (1) Cada 𝑣 ∈ 𝑉 es combinación lineal de elementos de 𝐵 ⇕ ⟨𝐵⟩ = 𝑉 (𝐵 genera 𝑉 ) ⎫ Sea 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 = 0𝑣1 + · · · + 0𝑣𝑛 ⎬ De modo único 𝛼𝑖 ∈ K ⇒ 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑛 ⎭ 𝑣𝑖 ∈ 𝐵 Definición Con 𝑉 K-espacio vectorial y 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 , si 𝑣 ∈ 𝑉 y 𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 , al elemento (𝛼1 , · · · , 𝛼𝑛 ) ∈ K𝑛 se le llama coordenadas de 𝑣 en la base 𝐵. Ejemplo 𝑉 = R3 𝒞 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es base de R3 𝐵 = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} es base de R3 𝑣 = (3, 5, 6) = 3(1, 1, 1) + 2(0, 1, 1) + (0, 0, 1) = 3(1, 0, 0) + 5(0, 1, 0) + 6(0, 0, 1) 𝑣 = (3, 2, 1)𝐵 = (3, 5, 6)𝒞 Definición Un espacio vectorial es finitamente generado cuando tiene un conjunto de generadores finito. Proposición 𝑉 es un K-espacio vectorial finitamente generado por 𝑆, es decir ∃𝑆 finito / 𝑉 = ⟨𝑆⟩ Entonces, existe un subconjunto 𝐵 de 𝑆 que es base de 𝑉 . 3.1. Espacios Vectoriales 34 Apuntes de Álgebra, Publicación 0.0.1 Nota: 𝑣 ∈ ⟨𝑆⟩ ⇔ ⟨𝑆⟩ = ⟨𝑆 ∖ {𝑣}⟩ Demostración 𝑉 ̸= {0} ⇒ número de elementos no nulos de 𝑆 es ≥ 1 ⎧ − 𝑆 linealmente independiente ⇒ 𝐵 = 𝑆 ⎪ ⎪ ⎪ ⎪ − 𝑆 linealmente dependiente ⇒ ∃𝑣 ∈ 𝑆 / 𝑣 ∈ ⟨𝑆 ∖ {𝑣}⟩ ⎪ ⎪ ⏞ ⏟ ⎪ ⎪ ⎪ ⎪ ⇓ ⎪ ⎪ ⎨ ⟨𝑆⟩ = ⟨𝑆 ∖ {𝑣}⟩ Con ⟨𝑆⟩ = 𝑉 , ⏞ ⏟ ⎧ ⎪ ⎪ ⎪ ⎪ − ⟨𝑆 ∖ {𝑣}⟩ linealmente independiente ∧ 𝐵 = ⟨𝑆 ∖ {𝑣}⟩ ⎪ ⎪ ⎪ ⎨ ⎪ ⎪ − ⟨𝑆 ∖ {𝑣}⟩ linealmente dependiente y esto continuaría ⎪ ⎪ ⎪ ⎪ recursivamente hasta que ⟨𝑆 ∖ {𝑣}⟩ sea linealmente ⎪ ⎪ ⎪ ⎩ ⎩ independiente. Ejemplo 𝑉 = ⟨(1, 1, 1, 1), (2, 2, 1, 1), (1, 1, 0, 0), (0, 0, 1, 0), (1, 1, 1, 0)⟩ ⏞ ⏞ ⏞ ⏞ ⏞ ⏟ ⏟ ⏟ ⏟ ⏟ 𝑣1 𝑣2 =𝑣1 +𝑣3 𝑣3 𝑣4 𝑣5 ⇓ 𝑉 = ⟨(1, 1, 1, 1), (1, 1, 0, 0), (0, 0, 1, 0), (1, 1, 1, 0)⟩ ⏞ ⏟ 𝑣5 =𝑣3 +𝑣4 ⇓ 𝑉 = ⟨(1, 1, 1, 1), (1, 1, 0, 0), (0, 0, 1, 0)⟩ 𝐵 = {𝑣1 , 𝑣3 , 𝑣4 } ⊂ 𝑆 = {𝑣1 , 𝑣2 , 𝑣3 , 𝑣4 , 𝑣5 } Corolario Todo conjunto de generadores contiene a una base. Proposición Sea 𝑉 un K-espacio vectorial y 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 . Cualquier subconjunto de 𝑉 con más de 𝑛 elementos es linealmente dependiente. Demostración 3.1. Espacios Vectoriales 35 Apuntes de Álgebra, Publicación 0.0.1 𝑆 = {𝑢1 , · · · , 𝑢𝑚 } ⊂ 𝑉 𝑚 > 𝑛 𝑢𝑗 = 𝑎1𝑗 𝑣1 + 𝑎2𝑗 𝑣2 + · · · + 𝑎𝑛𝑗 𝑣𝑛 ∀𝑗 = 1, · · · , 𝑚 Sea 0 = 𝛼1 𝑢1 + · · · + 𝛼𝑚 𝑢𝑚 0 = 𝛼1 (𝑎11 𝑣1 + · · · + 𝑎𝑛1 𝑣𝑛 ) + · · · + 𝛼𝑛 (𝑎1𝑚 𝑣1 + · · · + 𝑎𝑛𝑚 𝑣𝑛 ) 0 = (𝛼1 𝑎11 + · · · + 𝛼𝑚 𝑎1𝑚 )𝑣1 + · · · + (𝛼1 𝑎𝑛1 + · · · + 𝛼𝑚 𝑎𝑛𝑚 )𝑣𝑛 𝐵 es base ⏞ 𝛼1 𝑎11 + · · · + 𝛼𝑚 𝑎1𝑚 = 𝑣 .. . 𝛼1 𝑎𝑛1 + · · · + 𝛼𝑚 𝑎𝑛𝑚 = 0 ⏟ ⇓ ←−−−−− ⏟ ⎫ ⎪ ⎬ Es un sistema homogéneo con 𝑚 ⎪ incógnitas y 𝑛 ecuaciones con 𝑚 > 𝑛 ⎭ ⏞ ⇓ Sistema Compatible Indeterminado ⇓ Existen soluciones no triviales Teorema Si 𝑉 es K-espacio vectorial tal que 𝑉 ̸= {0} entonces 𝑉 tiene una base. Demostración 𝑉 ̸= {0} ⇒ Cualquier conjunto de generadores de 𝑉 tiene al menos un vector no nulo ⎧ − Si 𝑆 es linealmente independiente ⇒ 𝐵 = 𝑆 (𝑆 es base de 𝑉 ) ⎪ ⎪ ⎪ ⎪ − Si 𝑆 es linealmente dependiente ⎪ ⎪ ⏟ ⏞ ⎪ ⎪ ⎪ ⎪ ⇓ ⎪ ⎪ ⎪ ⎨ ∃𝑣1 ∈ 𝑆 que es combinación lineal de los restantes, Con ⟨𝑆⟩ = 𝑉 𝑣1 ∈ ⟨𝑆 ∖ {𝑣1 }⟩ y ⎧ ⎪ ⎪ ⎪ ⎪ − 𝑆 ∖ {𝑣1 } linealmente independiente ⇒ 𝑆 ∖ {𝑣1 } base de 𝑉 ⎪ ⎪ ⎪ ⎨ ⎪ ⎪ − 𝑆 ∖ {𝑣1 } linealmente dependiente ⇒ ∃𝑣2 ∈ 𝑆 ∖ {𝑣1 } que es ⎪ ⎪ 𝑉 = ⟨𝑆⟩ = ⟨𝑆 ∖ {𝑣 }⟩ ⎪ 1 ⎪ combinación lineal de los restantes. ⎪ ⎪ ⎪ ⎪ ⎩ ⎩ Y el proceso recursivo termina como muy tarde al quedar un elemento. Teorema Sea 𝑉 un K-espacio vectorial con una base 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } con 𝑛 vectores. Si 𝐵 ′ es otra base de 𝑉 entonces 𝐵 ′ tiene también 𝑛 vectores. Demostración Cualquier subconjunto de 𝐵 ′ linealmente independiente tiene a lo sumo 𝑛 vectores —𝐵 ′ es un conjunto finito. Sea 𝐵 ′ = {𝑢1 , · · · , 𝑢𝑠 } }︂ 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } es base ⇒𝑠≤𝑛 𝐵 ′ = {𝑢1 , · · · , 𝑢𝑠 } es linealmente independiente }︂ 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } es linealmente independiente ⇒𝑠≥𝑛 𝐵 ′ = {𝑢1 , · · · , 𝑢𝑠 } es base Luego 𝑠 = 𝑛 3.1. Espacios Vectoriales 36 Apuntes de Álgebra, Publicación 0.0.1 3.1.9 Dimensión de un subespacio Definición Con 𝑉 K-espacio vectorial finitamente generado y 𝑉 ̸= {0} Se define dimensión de 𝑉 como el número de elementos de cualquier base de 𝑉 y se denota por dimK 𝑉 = dim 𝑉 . Nota: Por convenio, dim{0} := 0 Ejemplo {(1, 0), (0, 1)} base de R2 dim R2 = 2 dim R𝑛 = 𝑛 Ejemplo {1} base de K dim K = 1 Ejemplo ⎧⎛ 1 ⎪ ⎪ ⎪ ⎨⎜0 ⎜ ℳ𝑚×𝑛 (K) = ⎜ . ⎪ ⎝ .. ⎪ ⎪ ⎩ 0 {︂ 𝐸𝑖𝑗 = (𝑒𝑘𝑠 ) = {︂ ⧸︂ 𝐸𝑖𝑗 0 0 .. . ··· ··· 0 ··· ··· ··· ··· ⎫ ⎞ 0 ⎪ ⎪ ⎪ ⎬ 0⎟ ⎟ .. ⎟ , · · · ⎪ .⎠ ⎪ ⎪ ⎭ 0 si 𝑘 = 𝑖 ∧ 𝑠 = 𝑗 en cualquier otro caso 𝑒𝑘𝑠 = 1 𝑒𝑘𝑠 = 0 𝑖 = 1, · · · , 𝑚 𝑗 = 1, · · · , 𝑛 ⎞ ⎛ 0 0 1 ⎜0 0 0⎟ ⎟ ⎜ .. ⎟ , ⎜ .. .. .⎠ ⎝. . 0 0 0 }︂ ⊂ ℳ𝑚×𝑛 (K) dim ℳ𝑚×𝑛 (K) = 𝑚𝑛 Proposición Con 𝑉 K-espacio vectorial y dim 𝑉 = 𝑛 ̸= 0 se verifica 1. Cualquier subconjunto de 𝑉 linealmente independiente y con 𝑛 vectores es una base de 𝑉 . 2. Cualquier conjunto generador de 𝑉 con 𝑛 vectores es una base. Demostración 1. Sea 𝑆 = {𝑢1 , · · · , 𝑢𝑛 } linealmente independiente ⎧ − ⟨𝑆⟩ = 𝑉 ⇒ 𝑆 es base de 𝑉 ⎪ ⎪ ⎪ ⎪ − ⟨𝑆⟩ ( 𝑉 ⇒ ∃𝑣 ∈ 𝑉 / 𝑣 ∈ / ⟨𝑆⟩ ⎪ ⎨ ⏞ ⏟ ⇓ ⎪ ⎪ ⎪ 𝑆 ∪ {𝑣} = {𝑢 , · · · , 𝑢𝑛 , 𝑣} es linealmente independiente, ⎪ 1 ⎪ ⎩ lo cual es una contradicción, ya que 𝑛 + 1 > 𝑛 3.1. Espacios Vectoriales 37 Apuntes de Álgebra, Publicación 0.0.1 2. 𝑆 = {𝑢1 , · · · , 𝑢𝑛 } / ⟨𝑆⟩ = 𝑉 ⇓ ∃𝐵 ⊆ 𝑆 / 𝐵 es base de 𝑉 ⇓ 𝐵 es una base con a lo sumo 𝑛 elementos y dim 𝑉 = 𝑛 ⇓ 𝐵=𝑆 Ejemplo 𝑈 ⊂ R4 dim 𝑈 = 4 ⇓ ∃𝐵 = {𝑢1 , 𝑢2 , 𝑢3 , 𝑢4 } base de 𝑈 ⇓ 𝐵 ⊂ R4 es linealmente independiente dim R4 =4 ⇓ ←−−−−−− 𝑈 = R4 Proposición Con 𝑉 K-espacio vectorial, dim 𝑉 ̸= 0 y 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 Si 𝑆 = {𝑢1 , · · · , 𝑢𝑠 } es un subconjunto de 𝑉 linealmente independiente, ∃𝑣𝑖1 , · · · , 𝑣𝑖𝑛−𝑠 ∈ 𝐵 tales que 𝑆 ∪ {𝑣𝑖1 , · · · , 𝑣𝑖𝑛−𝑠 } es base de 𝑉 . Demostración 𝑆 = {𝑣1 , · · · , 𝑣𝑠 } ⊂ 𝑉 linealmente independiente dim 𝑉 =𝑛 ⇓ ←−−−−−− ⎧ − 𝑠 = 𝑛 ⇒ 𝑆 es base de 𝑉 ⎪ ⎪ ⎪ ⎪ − Si 𝑠 < 𝑛, ⟨𝑢1 , · · · , 𝑢𝑠 ⟩ ( 𝑉 = ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ ya que si ⎪ ⎪ ⎪ ⎪ ⟨𝑢1 , · · · , 𝑢𝑠 ⟩ = ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ = 𝑉 , 𝑉 tendría una base con 𝑠 elementos y ⎪ ⎪ ⎪ ⎪ 𝑠 < 𝑛, lo cual es una contradicción. ⎪ ⎪ ⎪ ⏞ ⎨ ⏟ ⇓ 𝑠≤𝑛 ⎪ ⎪ ∃𝑣𝑖1 ∈ {𝑣1 , · · · , 𝑣𝑛 } / 𝑣𝑖1 ∈ / ⟨𝑢1 , · · · , 𝑢𝑠 ⟩ ⎪ ⎪ ⎪ ⇓ ⎪ ⎪ ⎪ ⎪ ⎪ {𝑢1 , · · · , 𝑢𝑠 , 𝑣𝑖1 } linealmente independiente ⎪ ⎪ ⎪ ⎪ Repitiendo el proceso recursivamente 𝑛 − 𝑠 ⎪ ⎩ veces se obtiene una base de 𝑉 Proposición Con 𝑉 K-espacio vectorial de dimensión finita y 𝑈 un subespacio de 𝑉 1. dim 𝑈 ≤ dim 𝑉 2. dim 𝑈 = dim 𝑉 ⇔ 𝑈 = 𝑉 3.1. Espacios Vectoriales 38 Apuntes de Álgebra, Publicación 0.0.1 Demostración Con dim 𝑉 = 𝑛 (1) Todo subconjunto de 𝑉 linealmente independiente tiene a lo sumo 𝑛 elementos ⇓ Cualquier subconjunto de 𝑈 linealmente independiente es un subconjunto de 𝑉 linealmente independiente y por tanto tiene a lo sumo 𝑛 elementos ⇓ dim 𝑈 ≤ dim 𝑉 (2) ”⇐” Trivial ”⇒” 𝑈 ⊂𝑉 dim 𝑈 = dim 𝑉 = 𝑛 }︂ Si {𝑢1 , · · · , 𝑢𝑛 } es una base de 𝑈 ⏞ ⏟ ⇓ {𝑢1 , · · · , 𝑢𝑛 } es un subconjunto de 𝑉 linealmente independiente con 𝑛 elementos dim 𝑉 =𝑛 ⇓ ←−−−−−− {𝑢1 , · · · , 𝑢𝑛 } base de 𝑉 y ⟨𝑢1 , · · · , 𝑢𝑛 ⟩ = 𝑈 = 𝑉 Ejemplo 𝑈 ⊂ R3 dim 𝑈 = 3 }︂ ⇒ 𝑈 = R3 Fórmula de Grassman Con 𝑈, 𝑊 subespacios de 𝑉 y dim 𝑉 = 𝑛 dim 𝑈 + dim 𝑊 = dim(𝑈 ∩ 𝑊 ) + dim(𝑈 + 𝑊 ) Demostración 3.1. Espacios Vectoriales 39 Apuntes de Álgebra, Publicación 0.0.1 dim 𝑈 = 𝑠 ≤ 𝑛 y sea 𝐵𝑈 = {𝑢1 , · · · , 𝑢𝑠 } base de 𝑈 dim 𝑊 = 𝑡 ≤ 𝑛 y sea 𝐵𝑊 = {𝑤1 , · · · , 𝑤𝑡 } base de 𝑊 𝑈 ∩ 𝑊 ⊂ 𝑈 ⇒ dim(𝑈 ∩ 𝑊 ) = 𝑟 ≤ 𝑠 (1) 𝑈 ∩ 𝑊 ⊂ 𝑊 ⇒ dim(𝑈 ∩ 𝑊 ) = 𝑟 ≤ 𝑡 (2) 𝐵𝑈 ∩𝑊 = {𝑣1 , · · · , 𝑣𝑟 } base de 𝑈 ∩ 𝑊 (3) (1) ∧ (3) ⇒ ∃𝑢𝑖1 · · · 𝑢𝑖𝑠−𝑟 ∈ 𝐵𝑈 / {𝑣1 , · · · , 𝑣𝑟 , 𝑢𝑖1 , · · · , 𝑢𝑖𝑠−𝑟 } es base de 𝑈 (2) ∧ (3) ⇒ ∃𝑤𝑗1 · · · 𝑤𝑗𝑡−𝑟 ∈ 𝐵𝑊 / {𝑣1 , · · · , 𝑣𝑟 , 𝑤𝑗1 , · · · , 𝑤𝑗𝑡−𝑟 } es base de 𝑊 (4) (5) (4) ∧ (5) ⇒ 𝑈 + 𝑊 = ⟨𝑣1 , · · · , 𝑣𝑟 , 𝑢𝑖1 , · · · , 𝑢𝑖𝑠−𝑟 , 𝑤𝑗1 , · · · , 𝑤𝑗𝑡−𝑟 ⟩ y {𝑣1 , · · · , 𝑣𝑟 , 𝑢𝑖1 , · · · , 𝑢𝑖𝑠−𝑟 , 𝑤𝑗1 , · · · , 𝑤𝑗𝑡−𝑟 } linealmente independiente (Falta probarlo) ⇓ dim(𝑈 + 𝑊 ) = 𝑠 + 𝑡 − 𝑟 = dim 𝑈 + dim 𝑊 − dim(𝑈 ∩ 𝑊 ) Ejemplo Con 𝑈, 𝑊 ⊂ R4 subespacios ⎫ dim 𝑈 = 3 ⎬ dim 𝑊 = 1 ⇒ dim(𝑈 + 𝑊 ) = 4 ⇒ 𝑈 + 𝑊 = R4 ⎭ dim(𝑈 ∩ 𝑊 ) = 0 3.1.10 Matrices, sistemas de ecuaciones lineales y subespacios Definición Con 𝐴 ∈ ℳ𝑚×𝑛 (K) Se define el rango por columnas de 𝐴 𝑟𝑐 (𝐴) := dim⟨𝐶1 (𝐴), · · · , 𝐶𝑛 (𝐴)⟩ = dim 𝒞(𝐴) Definición Con 𝐴, 𝐵 ∈ ℳ𝑚×𝑛 (K) 𝐴 es equivalente por columnas a 𝐵 —𝐴 ∼𝑐 𝐵— si haciendo una sucesión finita de operaciones elementales en columnas se pasa de 𝐴 a 𝐵. Teorema 𝑟𝑐 (𝐴) = 𝑟𝑓 (𝐴) Definición Con 𝐴 ∈ ℳ𝑚×𝑛 (K) rango 𝐴 := dim ℱ(𝐴) = 𝑟𝑓 (𝐴) = 𝑟𝑐 (𝐴) = dim 𝒞(𝐴) = 𝑟(𝐴) 3.1. Espacios Vectoriales 40 Apuntes de Álgebra, Publicación 0.0.1 Proposición Si 𝐴 y 𝐵 son matrices 𝑚 × 𝑛 sobre K equivalentes por filas, las columnas de 𝐴 y las columnas de 𝐵 verifican las mismas relaciones de dependencia. Demostración 𝐴 ∼𝑓 𝐵 ⇒ (𝛼1 , · · · , 𝛼𝑛 ) solución de 𝐴𝑋 = 0 ⇔ ⇕ 𝐶1 (𝐴)𝛼1 + · · · + 𝐶𝑛 (𝐴)𝛼𝑛 = 0 Los sistemas 𝐴𝑋 = 0 y 𝐵𝑋 = 0 son equivalentes (𝛼1 , · · · , 𝛼𝑛 ) solución de 𝐵𝑋 = 0 ⇕ 𝐶1 (𝐵)𝛼1 + · · · + 𝐶𝑛 (𝐵)𝛼𝑛 = 0 Corolario 𝐴 ∼𝑓 𝐵 escalonada reducida ⇓ 𝑟𝑐 (𝐴) = 𝑟𝑐 (𝐵) = 𝑟𝑓 (𝐵) = 𝑟𝑓 (𝐴) = rango(𝐴) = rango(𝐵) Corolario Con 𝐴 ∈ ℳ𝑛 (K) 𝐴 no singular ⇔ ⇕ |𝐴| = ̸ 0 𝑟(𝐴) = 𝑛 ⇔ dim ℱ(𝐴) = 𝑛 ⇕ dim 𝒞(𝐴) = 𝑛 Nota: El rango de 𝐵 ∈ ℳ𝑚×𝑛 (K) es el orden del mayor menor no nulo. Proposición Con 𝐴 ∈ ℳ𝑛 (K) 𝐴 no singular ⇔ 𝑟(𝐴) = 𝑛 Demostración |𝐴| = ̸ 0 ⇔ 𝐴 no singular ⇔ 𝐴 ∼𝑓 𝐼𝑛 ⇔ 𝑟(𝐴) = 𝑛 3.1.11 Ecuaciones implícitas de un subespacio de K𝑛 Observaciones 3.1. Espacios Vectoriales 41 Apuntes de Álgebra, Publicación 0.0.1 Con 𝐴 ∈ ℳ𝑚×𝑛 (K) {𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)} ⊂ K𝑛 ℱ(𝐴) = ⟨𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)⟩ ⊂ subespacio K𝑛 𝑟𝑓 (𝐴) = 𝑠 ⇔ 𝐴 ∼𝑓 𝐵 ∧ 𝐵 escalonada con 𝑠 pivotes ℱ(𝐴) = ⟨𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)⟩ = ⟨𝐹1 (𝐵), · · · , 𝐹𝑠 (𝐵)⟩ = ℱ(𝐵) 𝑟𝑓 (𝐴) = 𝑠, {𝐹1 (𝐵), · · · , 𝐹𝑠 (𝐵)} es base de ℱ(𝐴) 𝑟𝑓 (𝐴) = 𝑠 = dim ℱ(𝐴) En particular, }︂ Si 𝐴 ∈ ℳ𝑚×𝑛 (K) ⇒ dim ℱ(𝐴) = 𝑚 ⇔ {𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)} es linealmente independiente 𝑟𝑓 (𝐴) = 𝑚 Ecuaciones de 𝑈 Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑚×𝑛 (K) Sea 𝑈 = ⟨(𝑎11 , · · · , 𝑎1𝑛 ), (𝑎21 , · · · , 𝑎2𝑛 ), · · · , (𝑎𝑚1 , · · · , 𝑎𝑚𝑛 )⟩ ⊂ K𝑛 ⏟ ⏞ ⏟ ⏞ ⏟ ⏞ subespacio 𝐹1 (𝐴) 𝐹2 (𝐴) 𝐹𝑚 (𝐴) {𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)} es base de 𝑈 ⇓ (𝑥1 , · · · , 𝑥𝑛 ) ∈ 𝑈 ⇔ {(𝑥1 , · · · , 𝑥𝑛 ), 𝐹1 (𝐴), · · · , 𝐹𝑚 (𝐴)} linealmente dependiente ⇕ ⎛ ⎞ 𝑎11 · · · 𝑎1𝑛 ⎜ 𝑎21 · · · 𝑎2𝑛 ⎟ ⎜ ⎟ ⎜ .. ⎟ = 𝑚 .. 𝑟 ⎜ ... . . ⎟ ⎜ ⎟ ⎝𝑎𝑚1 · · · 𝑎𝑚𝑛 ⎠ 𝑥1 · · · 𝑥𝑛 Ejemplo 3.1. Espacios Vectoriales 42 Apuntes de Álgebra, Publicación 0.0.1 𝑈 = ⟨(1, 1, 1, 1), (0, 1, 2, 3), (0, 0, 5, 7)⟩ ⊂ R4 ⎛ 1 ⎜0 (𝑥, 𝑦, 𝑧, 𝑡) ∈ 𝑈 ⇔ 𝑟 ⎜ ⎝0 𝑥 ⎛ 1 ⎜0 ⎜ ⎝0 𝑥 ⎛ 1 ⎜0 · · · −−−−−−−−→ ⎜ 𝐹4 −(𝑦−𝑥)𝐹2 ⎝0 0 1 1 0 0 1 1 0 𝑦 1 2 5 𝑧 1 2 5 𝑧 − 2𝑦 + 𝑥 ⎞ ⎛ 1 1 ⎜0 3⎟ ⎟ −−−−−→ ⎜ 7⎠ 𝐹4 −𝑥𝐹1 ⎝0 𝑡 0 1 1 0 𝑦 1 2 5 𝑧 1 1 0 𝑦−𝑥 ⎞ 1 3⎟ ⎟ = 3 ⇔ (1) 7⎠ 𝑡 1 2 5 𝑧−𝑥 ⎞ ⎛ 1 1 ⎟ ⎜0 3 ⎟ −−−−−−−−−→ ⎜ ⎠ 𝐹 − 𝑧−2𝑦+𝑥 𝐹 ⎝0 7 4 3 5 𝑡 − 3𝑦 + 2𝑥 0 ⎞ 1 3 ⎟ ⎟ → ··· 7 ⎠ 𝑡−𝑥 1 1 0 0 1 2 5 0 ⎞ 1 ⎟ 3 ⎟ ⎠ 7 7 𝑡 − 3𝑦 + 2𝑥 − 5 (𝑧 − 2𝑦 + 𝑥) (1) ⇕ 𝑡 − 3𝑦 + 2𝑥 − 57 (𝑧 − 2𝑦 + 𝑥) = 0 ⇕ 7 𝑡 − 3𝑦 + 2𝑥 − 57 𝑧 + 14 5 𝑦 − 5𝑥 = 0 ⇕ 5𝑡 − 15𝑦 + 10𝑥 − 7𝑧 + 14𝑦 − 7𝑥 = 0 ⇕ 3𝑥 − 𝑦 − 7𝑧 + 5𝑡 = 0 {︀ ⧸︀⇓ }︀ 𝑈 = (𝑥, 𝑦, 𝑧, 𝑡) ∈ R4 3𝑥 − 𝑦 − 7𝑧 + 5𝑡 = 0 3.1. Espacios Vectoriales 43 CAPÍTULO 4 Tema 4 4.1 Aplicaciones lineales Definición Sean 𝑉 y 𝑉 ′ K-espacios vectoriales. Una aplicación 𝑓 : 𝑉 → 𝑉 ′ es lineal si 1. 𝑓 (𝑣1 + 𝑣2 ) = 𝑓 (𝑣1 ) + 𝑓 (𝑣2 ) ∀𝑣1 , 𝑣2 ∈ 𝑉 2. 𝑓 (𝛼𝑣) = 𝛼𝑓 (𝑣) ∀𝛼 ∈ K ∀𝑣 ∈ 𝑉 Ejemplo Los siguientes son ejemplos de aplicaciones lineales: 1. 𝑓 :𝑉 →𝑉′ 𝑣 𝑓 (𝑣) := 0 ∀𝑣 ∈ 𝑉 2. 1𝑉 = id𝑉 : 𝑉 → 𝑉 𝑣 id𝑉 (𝑣) := 𝑣 ∀𝑣 ∈ 𝑉 3. 𝑓 : R2 → R (𝑥, 𝑦) 𝑓 (𝑥, 𝑦) = 𝑥 + 2𝑦 Demostración )︀ (︀ 𝑓 (𝑥, 𝑦) + (𝑥′ , 𝑦 ′ ) = 𝑓(︀(𝑥 + 𝑥′ ,)︀𝑦 + 𝑦 ′ ) = (𝑥 + 𝑥′ ) + 2(𝑦 + 𝑦 ′ ) = 𝑥 + 2𝑦 + 𝑥′ + 2𝑦 ′ = 𝑓 (𝑥, 𝑦) + 𝑓 (𝑥′ , 𝑦 ′ ) 𝑓 𝛼(𝑥, 𝑦) = 𝑓 (𝛼𝑥, 𝛼𝑦) = 𝛼𝑥 + 2𝛼𝑦 = 𝛼(𝑥 + 2𝑦) = 𝛼𝑓 (𝑥, 𝑦) ∀𝛼 ∈ R ∀(𝑥, 𝑦) ∈ R2 4. 𝑓 : R3 → R2 (𝑥, 𝑦, 𝑧) 𝑓 (𝑥, 𝑦, 𝑧) = (𝑥 + 𝑦 + 𝑧, 𝑥 + 2𝑧) 44 Apuntes de Álgebra, Publicación 0.0.1 Los siguientes son ejemplos de aplicaciones no lineales: 1. 𝑓 : R2 → R (𝑥, 𝑦) 𝑓 (𝑥, 𝑦) = 𝑥2 + 𝑦 2. 𝑓 : R2 → R3 (𝑥, 𝑦) 𝑓 (𝑥, 𝑦) := (𝑥 + 𝑦, 𝑥 − 𝑦, 1) 4.1.1 Propiedades Con 𝑓 : 𝑉 → 𝑉 ′ aplicación lineal 1. 𝑓 (0𝑉 ) = 0𝑉 ′ Demostración 𝑓 (0) = 𝑓 (0 + 0) = 𝑓 (0) + 𝑓 (0) ⇒ 𝑓 (0) − 𝑓 (0) = 𝑓 (0) + 𝑓 (0) − 𝑓 (0) = 𝑓 (0) ⇒ 𝑓 (0) = 0 𝑓 lineal ⏞ ⏟ ⏞ ⏟ 0 0 2. 𝑓 (−𝑣) = −𝑓 (𝑣) ∀𝑣 ∈ 𝑉 Demostración 𝑓 (−𝑣) = 𝑓 (𝑣) = 𝑓 (−𝑣 + 𝑣) = 𝑓 (0) = 0 ⇕ 𝑓 (−𝑣) = −𝑓 (𝑣) 3. 𝑓 (𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 ) = 𝛼1 𝑓 (𝑣1 ) + · · · + 𝛼𝑛 𝑓 (𝑣𝑛 ) ∀𝛼1 , · · · , 𝛼𝑛 ∈ K ∀𝑣1 , · · · , 𝑣𝑛 ∈ 𝑉 Demostración 𝑓 (𝛼1 𝑣1 + 𝛼2 𝑣2 ) = 𝑓 (𝛼1 𝑣1 ) + 𝑓 (𝛼2 𝑣2 ) = 𝛼1 𝑓 (𝑣1 ) + 𝛼2 𝑓 (𝑣2 ) 4.1. Aplicaciones lineales 45 Apuntes de Álgebra, Publicación 0.0.1 4. {𝑣1 , · · · , 𝑣𝑛 } ⊂ 𝑉 linealmente dependiente ⇕ {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} ⊂ 𝑉 ′ linealmente dependiente Demostración {𝑣1 , · · · , 𝑣𝑛 } ⊂ 𝑉 linealmente dependiente {︂ ⧸︂ ⇕ }︂ ∃𝛼1 , · · · , 𝛼𝑛 ∈ K 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 (no todos cero) ⇓ 𝛼1 𝑓 (𝑣1 ) + · · · + 𝛼𝑛 𝑓 (𝑣𝑛 ) = 𝑓 (𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 ) = 𝑓 (0) = 0 ⇓ {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} ⊂ 𝑉 ′ linealmente dependiente 4.1.2 Aplicaciones lineales y subespacios Proposición Sea 𝑓 : 𝑉 → 𝑉 ′ aplicación lineal. Se verifica 1. Si 𝑈 es subespacio de 𝑉 entonces 𝑓 (𝑈 ) := {𝑓 (𝑢)/𝑢 ∈ 𝑈 } ⊂ 𝑉 ′ es subespacio de 𝑉 ′ . Además 𝑈 = ⟨𝑢1 , · · · , 𝑢𝑛 ⟩ ⇒ 𝑓 (𝑈 ) = ⟨𝑓 (𝑢1 ), · · · , 𝑓 (𝑢𝑛 )⟩. En particular, el subespacio 𝑓 (𝑉 ) es la imagen de la aplicación 𝑓 y se denotará Im 𝑓 . Im 𝑓 = 𝑓 (𝑉 ) ⊂ 𝑉 ′ es un subespacio Demostración (Conjunto no vacío) 0 ∈ 𝑈 ⇒ 𝑓 (0) ∈ 𝑓 (𝑈 ) ⇒ 𝑓 (𝑈 ) ̸= ∅ (Cerrado para la suma) 𝑓 (𝑢1 ) + 𝑓 (𝑢2 ) = 𝑓 (𝑢1 + 𝑢2 ) ∈ 𝑓 (𝑈 ) 𝑢1 + 𝑢2 ∈ 𝑈 𝑓 lineal (Cerrado para la multiplicación por escalares) 𝛼 ∈ K, 𝑢 ∈ 𝑈, 𝑓 (𝑢) ∈ 𝑓 (𝑈 ), 𝛼𝑓 (𝑢) = 𝑓 (𝛼𝑢) ∈ 𝑓 (𝑈 ) 𝛼𝑢 ∈ 𝑈 𝑓 lineal (Generadores del subespacio) {︂ ⧸︂ }︂ 𝑢 = 𝛼1 𝑢1 + · · · + 𝛼𝑛 𝑢𝑛 𝑓 (𝑈 ) := {𝑓 (𝑢)/𝑢 ∈ 𝑈 = ⟨𝑢1 , · · · , 𝑢𝑛 ⟩} = 𝑓 (𝑢) = ⟨𝑓 (𝑢1 ), · · · , 𝑓 (𝑢𝑛 )⟩ 𝛼𝑖 ∈ K ∀𝑖 = 1, · · · , 𝑛 2. Sea 𝑊 un subespacio de 𝑉 ′ 𝑓 −1 (𝑊 ) := {𝑣 ∈ 𝑉 /𝑓 (𝑣) ∈ 𝑊 } ⊂ 𝑉 es un subespacio de 𝑉 En particular, 𝑓 −1 (0𝑉 ′ ) = {𝑣 ∈ 𝑉 /𝑓 (𝑣) = 0𝑉 ′ } se llama núcleo de 𝑓 ≡ ker 𝑓 . 4.1. Aplicaciones lineales 46 Apuntes de Álgebra, Publicación 0.0.1 Ejemplo R3 → R2 (𝑥, 𝑦, 𝑧) (𝑥, 𝑦) 𝑊 = {(𝑥, 0)/𝑥 ∈ R} ⊂ R2 {︂ ⧸︂ }︂ {︀ ⧸︀ }︀ 𝑦=0 𝑓 −1 (𝑊 ) = (𝑥, 𝑦, 𝑧) ∈ R3 𝑓 (𝑥, 𝑦, 𝑧) = (𝑥, 𝑦) ∈ 𝑊 = (𝑥, 𝑦, 𝑧) 𝑥, 𝑧 ∈ R 4.1.3 Composición de aplicaciones lineales Proposición Si 𝑓 : 𝑉 → 𝑊 y 𝑔 : 𝑊 → 𝐹 son aplicaciones lineales, entonces 𝑔 ∘ 𝑓 : 𝑉 → 𝐹 es también lineal. 𝑉 𝑓 /𝑊 𝑔 /7 𝐹 𝑔∘𝑓 Demostración (𝑔 ∘ 𝑓 )(𝑣) := 𝑔(𝑓 (𝑣)) ∀𝑣 ∈ 𝑉 (Cerrado para la suma) (𝑔 ∘ 𝑓 )(𝑣1 + 𝑣2 ) = 𝑔(𝑓 (𝑣1 + 𝑣2 )) = 𝑔(𝑓 (𝑣1 ) + 𝑓 (𝑣2 )) = 𝑔(𝑓 (𝑣1 )) + 𝑔(𝑓 (𝑣2 )) = (𝑔 ∘ 𝑓 )(𝑣1 ) + (𝑔 ∘ 𝑓 )(𝑣2 ) ∀𝑣1 , 𝑣2 ∈ 𝑉 𝑔 lineal 𝑓 lineal (Cerrado para la multiplicación por escalares) (𝑔 ∘ 𝑓 )(𝛼𝑣) = 𝑔(𝑓 (𝛼𝑣)) = 𝑔(𝛼𝑓 (𝑣)) = 𝛼𝑔(𝑓 (𝑣)) = 𝛼(𝑔 ∘ 𝑓 )(𝑣) ∀𝑣 ∈ 𝑉 𝑓 lineal 𝑔 lineal 4.1.4 Aplicaciones lineales inyectivas, sobreyectivas y biyectivas Con 𝑓 : 𝐴 → 𝐵 1. 𝑓 inyectiva ⇕ 𝑓 (𝑎1 ) = 𝑓 (𝑎2 ) ⇔ 𝑎1 = 𝑎2 ∀𝑎1 , 𝑎2 ∈ 𝐴 2. 𝑓 sobreyectiva ⇕ Im 𝑓 = {𝑓 (𝑎)/𝑎 ∈ 𝐴} = 𝐵 ⇕ ∀𝑏 ∈ 𝐵 ∃𝑎 ∈ 𝐴/𝑓 (𝑎) = 𝑏 4.1. Aplicaciones lineales 47 Apuntes de Álgebra, Publicación 0.0.1 3. 𝑓 biyectiva ⇕ 𝑓 inyectiva ∧ 𝑓 sobreyectiva ⧸︂⇕ 𝑔 ∘ 𝑓 = id𝐴 ∃𝑔 : 𝐵 → 𝐴 𝑓 ∘ 𝑔 = id𝐵 Definición Un isomorfismo lineal 𝑓 : 𝑉 → 𝑊 es una aplicación lineal biyectiva. Proposición Con 𝑓 : 𝑉 → 𝑊 una aplicación biyectiva (isomorfismo) 𝑓 es lineal ⇔ 𝑓 −1 es lineal Demostración 𝑓 :𝑉 →𝑊 𝑓 −1 : 𝑊 → 𝑉 ”⇒” (Cerrado para la suma) 𝑓 −1 1? (𝑤1 + 𝑤2 ) = 𝑓 −1 (𝑤1 ) + 𝑓 −1 (𝑤2 ) 1? 𝑓 (𝑓 −1 (𝑤1 + 𝑤2 )) = 𝑓 (𝑓 −1 (𝑤1 )) + 𝑓 (𝑓 −1 (𝑤2 )) ∀𝑤1 , 𝑤2 ∈ 𝑊 (Demostración de 1) 𝑓 (𝑓 −1 (𝑤1 ) + 𝑓 −1 (𝑤2 )) = 𝑓 (𝑓 −1 (𝑤1 )) + 𝑓 (𝑓 −1 (𝑤2 )) = 𝑤1 + 𝑤2 = 𝑓 (𝑓 −1 (𝑤1 + 𝑤2 )) 𝑓 lineal (Cerrado para la multiplicación por escalares) 2? 𝑓 −1 (𝛼𝑤) = 𝛼𝑓 −1 (𝑤) 2? 𝑓 (𝑓 −1 (𝛼𝑤)) = 𝑓 (𝛼𝑓 −1 (𝑤)) ∀𝑤 ∈ 𝑊 ∀𝛼 ∈ K (Falta la demostración de 2) (Falta la demostración de ” ⇐ ”) 4.1.5 Aplicaciones lineales, generadores y bases Proposición 4.1. Aplicaciones lineales 48 Apuntes de Álgebra, Publicación 0.0.1 Con 𝑉 y 𝑉 ′ K-espacios vectoriales, 𝐵𝑉 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 y 𝑤1 , · · · , 𝑤𝑛 ∈ 𝑉 ′ , existe una única aplicación lineal 𝑓 : 𝑉 → 𝑉 ′ / 𝑓 (𝑣𝑖 ) = 𝑤𝑖 ∀𝑖 = 1, · · · , 𝑛 Demostración 𝑣 ∈ 𝑉 existen (y son únicos) (Existencia) 𝛼1 , · · · , 𝛼𝑛 ∈ K/𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 𝑓 :𝑉 →𝑉′ 𝑛 ∑︁ 𝑓 (𝑣) := 𝛼𝑖 𝑤𝑖 𝑖=1 La aplicación es lineal y además 𝑓 (𝑣𝑖 ) = 𝑤𝑖 (Unicidad) Con 𝑔 : 𝑉 → 𝑉 ′ aplicación lineal /𝑔(𝑣𝑖 ) = 𝑤𝑖 ∀𝑖 = 1, · · · , 𝑛 𝑔(𝑣) = 𝑔(𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 ) = 𝑔(𝛼1 𝑣1 ) + · · · + 𝑔(𝛼𝑛 𝑣𝑛 ) = 𝛼1 𝑔(𝑣1 ) + · · · + 𝛼𝑛 𝑔(𝑣𝑛 ) = 𝛼1 𝑤1 + · · · + 𝛼𝑛 𝑤𝑛 = 𝑓 (𝑣) 𝑔 lineal 𝑔 lineal ∀𝑣 = 𝛼1 𝑣1 , · · · , 𝛼𝑛 𝑣𝑛 ∈ 𝑉 Ejemplo R3 R 2 𝒞 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} 𝑤1 = (1, 1) 𝑤2 = (2, 3) 𝑤3 = (0, 7) 𝑓 : R3 → R2 (1, 0, 0) (1, 1) (0, 1, 0) (2, 3) (0, 0, 1) (0, 7) (𝑥, 𝑦, 𝑧) = 𝑥(1, 0, 0) + 𝑦(0, 1, 0) + 𝑧(0, 0, 1) 𝑓 (𝑥, 𝑦, 𝑧) = 𝑥(1, 1) + 𝑦(2, 3) + 𝑧(0, 7) = (𝑥 + 2𝑦, 𝑥 + 3𝑦 + 7𝑧) Proposición Sea 𝑓 : 𝑉 → 𝑉 ′ aplicación lineal. 1. 𝑓 inyectiva ⇔ ker 𝑓 = {0} ⇔ La imagen por 𝑓 de cualquier subconjunto de vectores de 𝑉 que sea linealmente independiente es un subconjunto de 𝑉 ′ de vectores linealmente independientes. 2. 𝑓 sobreyectiva ⇔ Im 𝑓 = 𝑉 ′ ⇔ La imagen por 𝑓 de cualquier conjunto de generadores de 𝑉 es un conjunto de generadores de 𝑉 ′ . 3. 𝑓 biyectiva ⇔ La imagen por 𝑓 de una base de 𝑉 es una base de 𝑉 ′ . Demostración 4.1. Aplicaciones lineales 49 Apuntes de Álgebra, Publicación 0.0.1 1. ? (I) 𝑓 inyectiva ⇒ ker 𝑓 = {0} ker 𝑓 := 𝑓 −1 ({0}) = {𝑣 ∈ 𝑉 /𝑓 (𝑣) = 0} = {0} ya que 𝑓 (𝑣) = 0 =O 𝑓 (0) =O 𝑣 = 0 𝑓 lineal 𝑓 inyectiva ? (II) ker 𝑓 = {0} ⇒ 𝑓 inyectiva 𝑣, 𝑤 ∈ 𝑉 𝑓 (𝑣) = 𝑓 (𝑤) ⇔ 0 = 𝑓 (𝑣) − 𝑓 (𝑤) =M 𝑓 (𝑣 − 𝑤) ⇔ 𝑣 − 𝑤 ∈ ker 𝑓 =Q {0} ⇔ 𝑣 − 𝑤 = 0 ⇔ 𝑣 = 𝑤 hipótesis 𝑓 lineal ? (III) ker 𝑓 = {0} ⇒ La imagen por 𝑓 de cualquier... ? {𝑣1 , · · · , 𝑣𝑚 } ⊂ 𝑉 linealmente independiente ⇒ {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑚 )} ⊂ 𝑉 ′ linealmente independiente 𝛼1 , · · · , 𝛼𝑚 ∈ K 𝑓 lineal 0 = 𝛼1 𝑓 (𝑣1 ) + · · · + 𝛼𝑚 𝑓 (𝑣𝑚 ) = 𝑓 (𝛼1 𝑣1 + · · · + 𝛼𝑚 𝑣𝑚 ) ⏟ ⏞ 𝛼1 𝑣1 + · · · + 𝛼𝑚 𝑣𝑚 ∈ ker 𝑓 = {0} ⇓ {︂ 𝛼1 𝑣1 + · · · + 𝛼𝑚 𝑣𝑚 = 0 {𝑣1 , · · · , 𝑣𝑚 } es linealmente independiente ⇓ 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑚 ? (IV) La imagen por 𝑓 de cualquier... ⇒ ker 𝑓 = {0} ? 𝑣 ∈ ker 𝑓 ⇒ 𝑣 = 0 ⇔ ker 𝑓 = {0} hipótesis 𝑣= ̸ 0 ⇔ {𝑢} es linealmente independiente ⇒ {𝑓 (𝑣)} es linealmente independiente ⏟ ⏞ ⇓ 𝑓 (𝑣) ̸= 0 4.1. Aplicaciones lineales 50 Apuntes de Álgebra, Publicación 0.0.1 2. ? (I) 𝑓 sobreyectiva ⇔ Im 𝑓 = 𝑉 ′ 𝑓 sobreyectiva ⇕ ∀𝑣 ′ ∈ 𝑉 ′ ∃𝑣 ∈ 𝑉 /𝑣 ′ = 𝑓 (𝑣) ⇕ Im 𝑓 = {𝑓 (𝑣)/𝑣 ∈ 𝑉 } = 𝑉 ′ ? (II) 𝑓 sobreyectiva ⇔ La imagen por 𝑓 de cualquier conjunto de generadores... 𝑉 = ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ ⇒ Im 𝑓 = 𝑓 (𝑉 ) = ⟨𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )⟩ —siempre que 𝑓 sea lineal. ”⇒” 𝑉 = ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ ⇓ ′ 𝑉 =Q Im 𝑓 = ⟨𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )⟩ 𝑓 es inyectiva ”⇐” Con 𝑉 = ⟨𝑣1 , · · · , 𝑣𝑛 ⟩ hipótesis ′ Im 𝑓 = 𝑓 (𝑉 ) = ⟨𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )⟩ = 𝑉 ⇒ 𝑓 sobreyectiva 3. 𝑓 biyectiva ⇔ 𝑓 inyectiva ∧ 𝑓 sobreyectiva ”⇒” 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 ⇓ }︂ (por ser inyectiva) {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} es linealmente independiente (por ser biyectiva) {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} es conjunto de generadores de 𝑉 ′ ⏟ ⏞ ⇓ {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} es base de 𝑉 ′ ”⇐” 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 Con 𝑤𝑖 ≡ 𝑓 (𝑣𝑖 ) {𝑤𝑖 , · · · , 𝑤𝑛 } es base de 𝑉 ′ 𝑓 biyectiva ⇔ 𝑓 tiene inversa / 𝑉′ 𝑉 ∃ 𝑔 : 𝑉 → 𝑉 /𝑔(𝑤𝑖 ) = 𝑣𝑖 ∀𝑖 = 1, · · · , 𝑛 {𝑤1 , · · · , 𝑤𝑛 } es base de 𝑉 ′ 𝑣1 · · · 𝑣𝑛 son elementos de 𝑉 Se verifica 𝑔 ∘ 𝑓 = id𝑉 y 𝑓 ∘ 𝑔 = id𝑉 ′ —es decir, 𝑔 es la inversa de 𝑓 𝑓 ∙ ′ Ejemplo 4.1. Aplicaciones lineales 51 Apuntes de Álgebra, Publicación 0.0.1 𝑓 / R2 R2 𝑓 (1, 0) = (1, 1) 𝑓 (0, 1) = (2, 0) (Comprobar que 𝑓 es biyectiva y calcular su inversa) 𝒞 = {(1, 0), (0, 1)} base canónica de R2 (𝑥, 𝑦) = 𝑥(1, 0) + 𝑦(0, 1) 𝑓 (𝑥, 𝑦) = 𝑥𝑓 (1, 0) + 𝑦𝑓 (0, 1) = 𝑥(1, 1) + 𝑦(2, 0) = (𝑥 + 2𝑦, 𝑥) {(1, 1), (2, 0)} ⊂ {︂ R2 es base de⧸︂ R2 }︂ {︀ ⧸︀ }︀ 𝑥 + 2𝑦 = 0 2 2 ker 𝑓 = (𝑥, 𝑦) ∈ R 𝑓 (𝑥, 𝑦) = (𝑥 + 2𝑦, 𝑥) = (0, 0) = (𝑥, 𝑦) ∈ R = {(0, 0)} ⇒ 𝑓 inyectiva 𝑥=0 2 Im 𝑓 = ⟨𝑓 (1, 0), }︂ 𝑓 (0, 1)⟩ = ⟨(1, 1), (2, 0)⟩ ⊂ R dim Im 𝑓 = 2 ⇒ Im 𝑓 = R2 ⇒ 𝑓 sobreyectiva Im 𝑓 ⊂ R2 (Inversa de 𝑓 ) 𝑔 / R2 R2 𝑔(1, 1) = (1, 0) 𝑔(2, 0) = (0, 1) 𝑔(𝑥, 𝑦) = 𝛼(1, 1) + 𝛽(2, 0) = (𝛼 + 2𝛽, 𝛼) ⇕ (︂ )︂ 1 2 𝑥 }︂ 1 0 𝑦 𝛼 + 2𝛽 𝛼=𝑦 𝛼=𝑦 𝛽 = 𝑥−𝑦 2 -⇓ (𝑥, 𝑦) = 𝑦(1, 1) + 𝑥−𝑦 2 (2, 0) 𝑥−𝑦 𝑔(𝑥, 𝑦) = 𝑦𝑔(1, 1) + 𝑥−𝑦 𝑔(2, 0) = 𝑦(1, 0) + 𝑥−𝑦 2 2 (0, 1) = (𝑦, 2 ) Proposición Con 𝑉, 𝑉 ′ K-espacios vectoriales de dimensión finita 1. 𝑉 y 𝑉 ′ son isomorfos ⇔ dim 𝑉 = dim 𝑉 ′ Demostración 4.1. Aplicaciones lineales 52 Apuntes de Álgebra, Publicación 0.0.1 ”⇒” }︂ 𝑉 ≃ 𝑉 ′ ⇔ ∃𝑓 : 𝑉 → 𝑉 ′ isomorfismo Con 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 ⏟ ⏞ ⇓ {𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑛 )} base de 𝑉 ′ ⇓ dim 𝑉 ′ = 𝑛 = dim 𝑉 ”⇐” }︂ Con 𝐵𝑉 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 y 𝐵𝑉 ′ = {𝑤1 , · · · , 𝑤𝑛 } base de 𝑉 ′ ⏞ ⏟ ⇓ ⧸︂ ∃∙ 𝑓 : 𝑉 → 𝑉 ′ aplicación lineal /𝑓 (𝑣𝑖 ) = 𝑤𝑖 ∀𝑖 = 1, · · · , 𝑛 𝑔 ∘ 𝑓 = id𝑉 ∃∙ 𝑔 : 𝑉 ′ → 𝑉 aplicación lineal /𝑔(𝑤𝑖 ) = 𝑣𝑖 ∀𝑖 = 1, · · · , 𝑛 𝑓 ∘ 𝑔 = id𝑉 ′ ⏟ ⏞ ⇓ 𝑓 es isomorfismo }︂ 2. dim 𝑉 = 𝑛 ⇒ 𝑉 es isomorfo a K𝑛 Teorema de la dimensión Sea 𝑓 : 𝑉 → 𝑉 ′ una aplicación lineal. Se verifica: dim ker 𝑓 + dim Im 𝑓 = dim 𝑉 Demostración 4.1. Aplicaciones lineales 53 Apuntes de Álgebra, Publicación 0.0.1 ker 𝑓 subespacio de 𝑉 ⇒ 𝑟 = dim ker 𝑓 ≤ dim 𝑉 = 𝑛 1 {𝑣1 , · · · , 𝑣𝑟 } base de ker 𝑓 ⇓ {𝑣1 , · · · , 𝑣𝑟 } ⊂ 𝑉 linealmente independiente ⇓ ∃𝑣𝑟+1 , · · · , 𝑣𝑛 ∈ 𝑉 /{𝑣1 , · · · , 𝑣𝑟 , 𝑣𝑟+1 , · · · , 𝑣𝑛 } base de 𝑉 ⇓ ⟨𝑓 (𝑣𝑟+1 ), · · · , 𝑓 (𝑣𝑛 )⟩ = Im 𝑓 = ⟨𝑓 (𝑣1 ), · · · , 𝑓 (𝑣𝑟 ), 𝑓 (𝑣𝑟+1 ), · · · , 𝑓 (𝑣𝑛 )⟩ ⏟ ⏞ ⏟ ⏞ 0 2 0 {𝑓 (𝑣𝑟+1 ), · · · , 𝑓 (𝑣𝑛 )} es linealmente independiente (pendiente de demostrar) 1 2 }︂ {︂ ⇒ {𝑓 (𝑣𝑟+1 ), · · · , 𝑓 (𝑣𝑛 )} base de Im 𝑓 dim Im 𝑓 = 𝑛 − 𝑟 = dim 𝑉 − dim ker 𝑓 ({𝑓 (𝑣𝑟+1 ), · · · , 𝑓 (𝑣𝑛 )} es linealmente independiente) 𝛼𝑟+1 , · · · , 𝛼𝑛 ∈ K 0 = 𝛼𝑟+1 𝑓 (𝑣𝑟+1 ) + · · · + 𝛼𝑛 𝑓 (𝑣𝑛 ) = 𝑓 (𝛼𝑟+1 𝑣𝑟+1 + · · · + 𝛼𝑛 𝑣𝑛 ) ⇓ 𝛼𝑟+1 𝑣𝑟+1 + · · · + 𝛼𝑛 𝑣𝑛 ∈ ker 𝑓 ∃𝛼1 , · · · , 𝛼𝑟 ∈ K/𝛼𝑟+1 𝑣𝑟+1 + · · · + 𝛼𝑛 𝑣𝑛 = 𝛼1 𝑣1 + · · · + 𝛼𝑟 𝑣𝑟 ⇓ −𝛼1 𝑣1 − · · · − 𝛼𝑟 𝑣𝑟 + 𝛼𝑟+1 𝑣𝑟+1 + · · · + 𝛼𝑛 𝑣𝑛 = 0 2⇓ {𝑣1 , · · · , 𝑣𝑛 } es linealmente independiente 𝛼𝑖 = 0 ∀𝑖 = 1, · · · , 𝑛 Ejemplo 𝑓 : R3 → R2 𝑓 (𝑥, 𝑦, 𝑧) (𝑥 − 𝑧, 𝑦 + 𝑧) dim R3 = 3 dim R2 = 2 ⧸︂ }︂ 𝑥−𝑧 =0 (𝑥, 𝑦, 𝑧) ∈ R3 = {(𝑧, −𝑧, 𝑧)/𝑧 ∈ R} = ⟨(1, −1, 1)⟩ 𝑦+𝑧 =0 ⏞ ⇓ dim ker 𝑓 = 1 𝐵ker 𝑓 = {(1, −1, 1)} ⏞ ⏟ {︀ ⧸︀ }︀ ker 𝑓 = (𝑥, 𝑦, 𝑧) ∈ R3 (𝑥 − 𝑧, 𝑦 + 𝑧) = (0, 0) = ⏟ {︂ 𝑣1 𝑣2 = (0, 1, 0) 𝑣3 = (0, 0, 1) {𝑣1 , 𝑣2 , 𝑣3 } es base de R3 Im 𝑓 = ⟨𝑓 (𝑣1 ), 𝑓 (𝑣2 ), 𝑓 (𝑣3 )⟩ =M ⟨(0, 1), (−1, 1)⟩ ⇒ dim Im 𝑓 = 2 𝑓 (𝑣1 ) = 0 Corolario Con 𝑓 : 𝑉 → 𝑉 aplicación lineal y dim 𝑉 = 𝑛 (endomorfismo de 𝑉 ) Son equivalentes: 4.1. Aplicaciones lineales 54 Apuntes de Álgebra, Publicación 0.0.1 𝑓 biyectiva (isomorfismo). 𝑓 inyectiva. 𝑓 sobreyectiva. Demostración Se verifica que dim 𝑉 = dim ker 𝑓 + dim Im 𝑓 𝑓 inyectiva ⇕ ker 𝑓 = {0} ⇕ dim ker 𝑓 = 0 ⇕ dim 𝑉 = dim Im 𝑓 5⇕ Im 𝑓 ⊂ 𝑉 Im 𝑓 = 𝑉 ⇕ 𝑓 sobreyectiva Ejemplo ¿Existe 𝑓 : R3 → R4 aplicación lineal y sobreyectiva? No 3 = dim ker 𝑓 + dim Im 𝑓 ⇒ dim Im 𝑓 ≤ 3 ⇒ Im 𝑓 ( R4 4.1.6 Matriz asociada a una aplicación lineal Con dim 𝑉 = 𝑛, dim 𝑊 = 𝑚, 𝐵𝑉 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 y 𝐵𝑊 = {𝑤1 , · · · , 𝑤𝑛 } base de 𝑊 . Definición Sea 𝑓 : 𝑉 → 𝑊 una aplicación lineal tal que 𝑓 (𝑣𝑗 ) = 𝑚 ∑︁ 𝑎𝑖𝑗 𝑤𝑖 = 𝑎1𝑗 𝑤1 + · · · + 𝑎𝑚𝑗 𝑤𝑚 ∀𝑗 = 1, · · · , 𝑛 𝑖=1 A la matriz (𝑎𝑖𝑗 ) le llamaremos matriz asociada a 𝑓 respecto de las bases 𝐵𝑉 y 𝐵𝑊 y se denota por (𝑓 )𝐵𝑉 ,𝐵𝑊 = (𝑎𝑖𝑗 ) ∈ ℳ𝑚×𝑛 (K) Ejemplo 4.1. Aplicaciones lineales 55 Apuntes de Álgebra, Publicación 0.0.1 id : R3 → R3 (𝑥, 𝑦, 𝑧) id(𝑥, 𝑦, 𝑧) = (𝑥, 𝑦, 𝑧) 𝐵 = {𝑣1 , 𝑣2 , ⎛ 𝑣3 } base de⎞R3 1 0 0 (id)𝐵,𝐵 = ⎝0 1 0⎠ 0 0 1 𝐵 ′ = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} 𝒞 = {(1, 0, 0), (0, 0, 1)} ⎛ 1, 0), (0,⎞ 1 0 0 (id)𝐵 ′ ,𝒞 = ⎝1 1 0⎠ 1 1 1 Ejemplo R2 → R3 𝑓 (𝑥, 𝑦) = (𝑥 + 𝑦, 𝑥 − 𝑦, 2𝑦) (𝑥, 𝑦) 𝐵R2 = {(1, 1), (0, 2)} 𝐵R3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} = 𝒞R3 𝑓 (1, 1) = (2, 0, 2) = 2(1, 0, 0) + 0(0, 1, 0) + 2(0, 0, 1) 𝑓 (0, 2) = (2, −2, 4) = 2(1, 0, 0) − 2(0, 1, 0) + 4(0, 0, 1) ⎛ (𝑓 )𝐵R2 ,𝒞R3 2 = ⎝0 2 ⎞ 2 −2⎠ 4 Nota: (𝑓 )𝐵 := (𝑓 )𝐵,𝐵 Proposición Si 𝑣 ∈ 𝑉 y 𝑣 = 𝑛 ∑︁ ⎛ 𝛼𝑖 𝑣𝑖 y denoto (𝑣)𝐵𝑉 ⎞ 𝑥1 ⎜ ⎟ ≡ ⎝ ... ⎠ entonces se verifica 𝑖=1 𝑥𝑛 (𝑓 (𝑣))𝐵𝑊 = (𝑓 )𝐵𝑉 ,𝐵𝑊 · (𝑣)𝐵𝑉 Demostración 𝑓 (𝑣) = 𝑓 (︃ 𝑛 ∑︁ )︃ 𝛼𝑖 𝑣𝑖 𝑖=1 aplicación lineal =K 𝑛 ∑︁ 𝑖=1 𝑓 (𝛼𝑖 𝑣𝑖 ) =K 𝑛 ∑︁ 𝛼𝑖 𝑓 (𝑣𝑖 ) = 𝑖=1 ··· = (︃ 𝛼𝑖 𝑓 𝑖=1 𝑛 ∑︁ 𝑚 ∑︁ 𝑖=1 𝑘=1 4.1. Aplicaciones lineales 𝑛 ∑︁ 𝛼𝑖 𝑎𝑘𝑖 𝑤𝑘 = 𝑚 ∑︁ )︃ 𝑎𝑘𝑖 𝑤𝑘 = ··· 𝑘=1 (︃ 𝑛 𝑚 ∑︁ ∑︁ 𝑘=1 )︃ 𝛼𝑖 𝑎𝑘𝑖 𝑤𝑘 𝑖=1 56 Apuntes de Álgebra, Publicación 0.0.1 Ejemplo Sea 𝑓 : R3 → R2 la aplicación lineal cuya matriz asociada en 𝐵R3 = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} y 𝐵R2 = 𝒞R2 es (︂ )︂ 1 1 0 −1 2 5 Calcular 𝑓 (1, 2, 3). 𝑣 = (1, 2, 3) = 𝛼(1, 1, 1) + 𝛽(0, 1, 1) + 𝛾(0, 0, 1) ∈ R3 (𝑣)𝐵R3 ⎛ ⎞ 𝛼 = ⎝𝛽 ⎠ 𝛾 (︂ 1 −1 (𝑓 (𝑣))𝒞 = ⎛ ⎞ )︂ 𝛼 1 0 ⎝ ⎠ 𝛽 2 5 𝛾 Observación 1. Con 𝐴 = (𝑎𝑖𝑗 ) ∈ ℳ𝑚×𝑛 (K), 𝑉 K-espacio vectorial, dim 𝑉 = 𝑛, 𝐵𝑉 = {𝑣1 , · · · , 𝑣𝑛 }, 𝑊 K-espacio vectorial, dim 𝑊 = 𝑚 y 𝐵𝑊 = {𝑤1 , · · · , 𝑣𝑛 } existe una única aplicación lineal 𝑓 : 𝑉 → 𝑊 cuya matriz asociada respecto de 𝐵𝑉 y 𝐵𝑊 es la matriz 𝐴 = (𝑓 )𝐵𝑉 ,𝐵𝑊 Demostración 𝑓 :𝑉 →𝑊 𝑚 ∑︁ 𝑓 (𝑣𝑗 ) := 𝑎𝑘𝑗 𝑤𝑘 ∀𝑗 = 1, · · · , 𝑛 𝑘=1 y se verifica (𝑓 )𝐵𝑉 ,𝐵𝑊 = 𝐴 2. 𝑣 id𝑉 : 𝑉 → 𝑉 id𝑉 (𝑣) = 𝑣 ⎛ (id𝑉 )𝐵𝑉 1 = ⎝0 0 0 1 0 ⎞ 0 0⎠ = 𝐼𝑛 1 Si 𝐵𝑉 y 𝐵𝑉′ = {𝑣1′ , · · · , 𝑣𝑛′ } son bases de 𝑉 a la matriz (id𝑉 )𝐵𝑉 ,𝐵𝑉′ se le llama matriz de cambio de base de 𝐵𝑉 a 𝐵𝑉′ Ejemplo R2 id / R2 𝐵 = {(1, 1), (0, −1)} (︂ (id𝑉 )𝐵,𝒞R2 = 1 1 )︂ 0 −1 Proposición Sean 𝑓 : 𝑉 → 𝑊 aplicación lineal, 𝐵𝑉 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 , 𝐵𝑊 = {𝑤1 , · · · , 𝑤𝑚 } base de 𝑊 , 𝑔 : 𝑊 → 𝑉 ′ aplicación lineal y 𝐵𝑉 ′ = {𝑣1′ , · · · , 𝑣𝑠′ } base de 𝑉 ′ 4.1. Aplicaciones lineales 57 Apuntes de Álgebra, Publicación 0.0.1 Si 𝐴 = (𝑓 )𝐵𝑉 ,𝐵𝑊 ∈ ℳ𝑚×𝑛 (K) y 𝐵 = (𝑔)𝐵𝑊 ,𝐵𝑉 ′ ∈ ℳ𝑠×𝑚 (K) entonces (𝑔 ∘ 𝑓 )𝐵𝑉 ,𝐵𝑉 ′ = 𝐵𝐴. En particular, si 𝑓 es un isomorfismo (𝑛 = 𝑚) /𝑊 𝑉 𝐴 = (𝑓 )𝐵𝑉 ,𝐵𝑊 ∈ ℳ𝑛 (K) ⏟ ⏞ ⇓ 𝐴 es no singular 𝑓 Corolario Con 𝑓 : 𝑉 → 𝑊 aplicación lineal, 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 y 𝐵 ′ = {𝑤1 , · · · , 𝑤𝑛 } base de 𝑊 se verifica 𝑓 isomorfismo ⇕ (𝑓 )𝐵,𝐵 ′ = 𝐴 es no singular Demostración ”⇓” 𝑉 𝑓 /𝑊 𝑓 −1 𝐵′ 𝐵 ∃𝑓 −1 : 𝑊 → 𝑉 inversa de 𝑓 ⧸︂ /𝑉 𝐵 𝑓 −1 ∘ 𝑓 = id𝑉 : 𝑉 → 𝑉 𝑓 ∘ 𝑓 −1 = id𝑊 : 𝑊 → 𝑊 𝐼𝑛 = (𝑓 −1 ∘ 𝑓 )𝐵,𝐵 = (𝑓 −1 )𝐵 ′ ,𝐵 · (𝑓 )𝐵,𝐵 ′ ⏟ ⏞ ⇓ 𝐴 es no singular ”⇑” 𝐴 no singular ⇔ ∃𝐴−1 inversa de 𝐴 𝑔:𝑊 →𝑉 𝑔(𝑤𝑗 ) := 𝑛 ∑︁ 𝐴−1 (𝑖, 𝑗)𝑣𝑖 aplicación lineal 𝑖=1 (𝑔)𝐵 ′ ,𝐵 = 𝐴−1 y 𝑔 es inversa de 𝑓 Definición Con 𝑉 espacio vectorial, 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } y 𝐵 ′ = {𝑣1′ , · · · , 𝑣𝑛′ } bases de 𝑉 Se llama matriz de cambio de base de la base 𝐵 a la base 𝐵 ′ a la matriz asociada a id𝑉 respecto de las bases 𝐵 y 𝐵 ′ (id𝑉 )𝐵,𝐵 ′ es una matriz no singular ya que la aplicación identidad es biyectiva. Proposición Toda matriz de orden 𝑛 y no singular 𝐴 es una matriz de cambio de base. 4.1. Aplicaciones lineales 58 Apuntes de Álgebra, Publicación 0.0.1 Demostración Con 𝑉 K-espacio vectorial, dim 𝑉 = 𝑛 y 𝐵 ′ = {𝑤1 , · · · , 𝑤𝑛 } base de 𝑉 definimos 𝑣𝑗 := 𝑛 ∑︁ 𝑎𝑖𝑗 𝑤𝑖 ∀𝑗 = 1, · · · , 𝑛 𝑖=1 El conjunto {𝑣1 , · · · , 𝑣𝑛 } = 𝐵 es base de 𝑉 ya que 𝐴 es no singular (id)𝐵,𝐵 ′ = 𝐴 4.1.7 Isomorfismo de asignación de coordenadas Definición Con dim 𝑉 = 𝑛 y 𝐵 = {𝑣1 , · · · , 𝑣𝑛 } base de 𝑉 Existe un isomorfismo 𝑓𝑖 : 𝑉 → K𝑛 definido por 𝑓 (𝑣𝑖 ) = 𝑒𝑖 asignación de coordenadas. ∀𝑖 = 1, · · · , 𝑛 al que llamamos isomorfismo de 𝑓 es lineal y es isomorfismo ya que la imagen de una base del dominio es una base del rango. 𝑣 ∈ 𝑉 𝑣 = 𝛼1 𝑣1 + · · · + 𝛼𝑛 𝑣𝑛 𝑓 (𝑣) = 𝛼1 𝑓 (𝑣1 ) + · · · + 𝛼𝑛 𝑓 (𝑣𝑛 ) = 𝛼1 (1, 0, · · · , 0) + · · · + 𝛼𝑛 (0, · · · , 0, 1) = (𝛼1 , 𝛼2 , · · · , 𝛼𝑛 ) 4.1. Aplicaciones lineales 59