Académique Documents
Professionnel Documents
Culture Documents
y
Matemtica Discreta
(Actualizado para el curso 2014/2015)
ndice general
1. Matrices y Sistemas de Ecuaciones Lineales
1.1. Matrices . . . . . . . . . . . . . . . . . .
1.2. Equivalencia de matrices . . . . . . . . .
1.3. Sistemas de ecuaciones lineales . . . . .
Ejercicios Propuestos . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
8
15
21
2. Estructuras Algebraicas
2.1. Relaciones . . . . . . . . . . . . . . .
2.2. Funciones . . . . . . . . . . . . . . .
2.3. Estructuras algebraicas . . . . . . . .
2.4. El cuerpo de los nmeros complejos
Ejercicios Propuestos . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
26
33
36
44
56
3. Tcnicas de Recuento
3.1. Principios bsicos . . . . . . . . . .
3.2. Permutaciones y combinaciones . .
3.3. Principio de inclusin y exclusin .
3.4. Particiones y nmeros de Stirling .
3.5. Ecuaciones de Recurrencia . . . . .
Ejercicios Propuestos . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
61
62
64
73
76
78
91
.
.
.
.
.
.
97
97
101
105
109
113
114
.
.
.
.
117
118
126
132
136
4. Espacios vectoriales
4.1. Definicin y propiedades . . .
4.2. Subespacios vectoriales . . . .
4.3. Bases y dimensin . . . . . . .
4.4. Operaciones con subespacios
4.5. Espacios cocientes . . . . . . .
Ejercicios Propuestos . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Aplicaciones lineales
5.1. Definicin y propiedades . . . . . . . . . . . . . .
5.2. Representacin matricial de una aplicacin lineal
5.3. Matrices semejantes y endomorfismos . . . . . .
5.4. Teorema de diagonalizacin . . . . . . . . . . . .
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
NDICE GENERAL
IV
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
149
150
155
158
169
171
174
183
7. Geometra
189
7.1. El Espacio afn . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
7.2. El espacio afn eucldeo . . . . . . . . . . . . . . . . . . . . . . 195
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . 207
ndice alfabtico
209
TEMA 1
MATRICES Y SISTEMAS DE
ECUACIONES LINEALES
ndice
1.1.
Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1.
1.1.2.
Determinantes . . . . . . . . . . . . . . . . . . . .
1.1.3.
Equivalencia de matrices . . . . . . . . . . . . . . . . . .
1.2.1.
Matrices escalonadas . . . . . . . . . . . . . . . .
1.2.2.
1.2.3.
12
1.2.4.
Descomposicin LU . . . . . . . . . . . . . . . .
13
15
1.3.1.
Teorema de Rouch-Frbenius . . . . . . . . . .
16
1.3.2.
Resolucin de sistemas . . . . . . . . . . . . . . .
17
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . .
21
1.2.
1.3.
1.1.
Matrices
a11
..
A= .
a12
..
.
am1 am2
. . . a1n
.. = ( a )
..
.
ij
.
. . . amn
i = 1, 2, . . . , m
j = 1, 2, . . . , n
Por ejemplo, si A =
AT
T
=A
1 4
1 2 3
, entonces A T = 2 5.
4 5 6
3 6
Diagonal principal Dada A = ( aij ) Mmn , llamamos diagonal principal a los elementos de la forma aii . Aqu sealamos la diagonal principal en
1 2 3
la matriz A de orden 2 3 anterior:
4 5 6
Matrices triangulares y diagonales
Decimos que una matriz U = (uij ) es triangular superior cuando los
elementos que estn debajo de la diagonal son todos ceros, es decir,
uij = 0 para todo i > j.
Decimos que una matriz L = (lij ) es triangular inferior cuando los
elementos que estn encima de la diagonal son todos ceros, es decir,
uij = 0 para todo i < j.
Las matrices diagonales
donde todos los elementos
de la diagonal son el
mismo elemento se llaman
matrices escalares.
1.1 Matrices
Matrices antisimtricas.
tr( A) =
i =1
Definicin 1.3. Llamamos matriz identidad de orden n, In , a la nica matriz Claramente, la matriz
identidad es un ejemplo
diagonal n n cuyos elementos en la diagonal principal son todos unos.
de matriz escalar.
I2 =
1.1.1.
1 0
,
0 1
1 0 ... 0
1 0 0
0 1 . . . 0
I3 = 0 1 0 , . . . , In = . . .
.. , . . .
.
.
.
. .
. .
0 0 1
0 0 ... 1
cij =
k =1
( A B)T = BT AT
Demostracin. Sea A B = C = (cij = nk=1 aik bkj ).
Entonces ( A B)T = (c ji ) = nk=1 a jk bki .
T aT =
Por otro lado, B T A T = nk=1 bik
nk=1 bki a jk = ( A B)T .
kj
1.1.2.
Determinantes
. . . anjn
Sn
1 j1
2 j2
siendo =
cada una de las permutaciones y donde sg() de..
n jn
nota el nmero de inversiones de o, lo que es lo mismo, el nmero de
veces
quehay que intercambiar elementos de las imgenes en la identidad
22
.. para conseguir .
nn
11 12 13 11 13 12
22
21
22
23
21
23
S3 =
,
,
,
,
,
33
33
31
32
32
31
1.1 Matrices
Calculamos ahora sg() para cada S3 y obtenemos 0, 1, 1, 1, 2 y 2 respectivamente. El determinante de A es, por tanto,
a11 a12 a13
a21 a22 a23 =
a31 a32 a33
= a11 a22 a33 a12 a21 a33 a13 a22 a31 a11 a23 a32 + a13 a21 a32 + a12 a23 a31
El problema que tiene la definicin anterior es que hace tedioso (en la
prctica no factible) el clculo determinantes de orden superior, ya que
1 1 2 2
Ejemplo 1.11. Consideremos la matriz A = 3 3 6 6 enton5 5 4 4
ces, eliminando la primera 1 y las columnas 2 y 3, el menor obtenido es
3 6
= 12 + 30 = 18
M=
5 4
Adjuntos o cofactores. Dada una matriz cuadrada A Mn llamaremos
adjunto o cofactor del elemento aij al resultado de multiplicar (1)i+ j por el
menor obtenido al eliminar la fila i y la columna j de la matriz A. Se acostumbra a expresar por Aij al adjunto del elemento aij .
El siguiente resultado (que no probaremos) nos da un mtodo para calcular el determinante de cualquier matriz cuadrada, que se denomina mtodo
de desarrollo por adjuntos de una fila (o una columna).
Teorema 1.12. Dada una matriz cuadrada A Mn , para todo k {1, ..., n} se
tiene que
1.1.3.
1.1 Matrices
7
Ejemplo 1.15. Si A =
1 2
3 4
entonces adj A =
4 3
2
1
.
1
2
3
Ejercicio 1.16. Calcula la matriz adjunta de B = 1 2 3 .
4 5
6
La matriz adjunta nos permite el clculo de la matriz inversa. El desarrollo del determinante por adjuntos nos da el siguiente resultado:
Proposicin 1.17. Si A es una matriz cuadrada, entonces
det A
0
...
0
0
det A . . .
0
A adj( A T ) = .
.. = det A In
.
.
.
0
. . . det A
Nota. Dicho de otro modo, al multiplicar una matriz cuadrada por la matriz adjunta de su traspuesta nos da una matriz escalar (vase nota al Ejemplo 1.3 en pgina 3) formada por el det A. Tambin es fcil de comprobar
que la matriz adjunta de la matriz traspuesta es igual que la matriz traspuesta de la adjunta, es decir, adj( A T ) = (adj A)T .
De lo anterior se deduce que si una matriz tiene determinante no nulo,
podemos dividir por l y obtenemos una expresin de la matriz inversa.
Teorema 1.18. Una matriz cuadrada A es invertible si y solo si su determinante
det A = | A| 6= 0. Adems se cumple
A 1 =
adj( A T )
| A|
( A B ) 1 = B 1 A 1
(1.1)
1.2.
Equivalencia de matrices
1.2.1.
Matrices escalonadas
Cambiando filas por columnas y derecha por debajo en esta definicin obtenemos la definicin de escalonada por columnas.
Ejemplo 1.24.
Matriz escalonada por filas
0 1 0 2 3
0 0 0 1 0
0 0 0 0 4
2 0 0
2 0 0
3 1 0
Definicin 1.25. Diremos que una matriz es escalonada reducida por filas si
cumple:
1. Es escalonada por filas.
2. Cada cabecera de fila es el nico elemento no nulo de su columna.
3. Cada cabecera de fila es un 1.
Cambiando filas por columnas en esta definicin obtenemos la definicin de escalonada reducida por columnas.
Ejemplo 1.26. Las matrices del ejemplo 1.24 no son escalonas reducidas.
Las siguientes s lo son.
Matriz
escalonada reducida por filas
0 1 1 0 0
0 0 0 1 0
0 0 0 0 1
Matriz escalonada
reducida por columnas
1 0 0
2 0 0
0 1 0
1.2.2.
10
Tipo II
Tipo III
Matriz elemental
(Ejemplo)
1 0 0
0 0 1
0 1 0
1 0 0
0 1 0
0 0
1 0 0
0 1 0
0 1
0 0 1
1 2
1 2
A = 3 4 , E1 = 0 1 0 y E2 =
0 1
5 6
1 0 0
(E1 y E2 son de tipo I y III, respectivamente)
Calcula los productos E1 A y A E2 . Fjate bien y observa que hacen estos productos (el primero sobre las filas de A y el segundo sobre las columnas de A).
Proposicin 1.30. Las matrices elementales son todas invertibles y su inversa es
otra escalonada del mismo tipo.
Demostracin. Es trivial comprobar que las matrices elementales tienen todas determinantes no nulos. Concretamente, si E1 , E2 () y E3 son matrices
elementales de tipo I, II y III, respectivamente, los determinantes son:
det E1 = 1
det E2 () = 6= 0
det E3 = 1
11
0 1 0
1 0 0
1 0 3
E1 = 1 0 0 E2 = 0 3 0 E3 = 0 1 0
0 0 1
0 0 1
0 0 1
Rango de una matriz
Llamaremos combinacin lineal de filas (o columnas) f 1 , . . . , f k a una expresin de la forma
a1 f 1 + a2 f 2 + + a k f k
donde a1 , a2 , . . . , ak K.
Diremos que un conjunto de filas (o columnas) de una matriz son linealmente independientes si ninguna de ellas se puede expresar como combinacin lineal de las dems. En caso contrario se dice que son linealmente
dependientes.
1 1 2 0
Ejemplo 1.32. Dada la matriz 0 1 1 1 podemos asegurar que sus
1 0 1 1
filas son linealmente independientes mintras que sus columnas no lo son
(son linealmente dependientes) ya que la tercera es suma de las dos primeras (C3 = C1 + C2 ).
Rango por filas y rango por columnas Llamaremos rango por filas (columnas) de una matriz al mximo nmero de filas (columnas) linealmente independientes.
Teorema 1.33. El rango por filas y el rango por columnasde cualquier matriz
coinciden. A dicho valor lo llamos rango de la matriz.
Teorema 1.34. El rango de una matriz coincide con el orden del mayor menor
distinto de cero de la matriz.
Ejercicio 1.35. Calcula el rango de las matrices de los ejemplos 1.11 y 1.32.
12
1.2.3.
Las matrices escalonadas tienen un rango especialmente fcil de calcular, puesto que es el nmero de filas (o de columnas) que no son nulas.
Adems, las transformaciones elementales mantienen el rango, por tanto:
Teorema 1.38. Dos matrices equivalentes tienen el mismo rango.
Ejemplo 1.39. Si aplicamos operaciones elementales por filas a la matriz A
del ejemplo 1.11
1 1
2 2
1 1 2 2
3 3 6 6 ! 0
0 6
6
0
0
0
0
5 5 4 4
que nos dice (sin calcular ningn determinante) que el rango es 2.
Ejercicio 1.40. Calcula el rango de la siguiente matriz
1 1
0 2
3 3
6 6
5 5
4 4
2 2 2
2
Clculo de la matriz inversa
Los teoremas 1.37 y 1.38 nos permite llegar a la conclusin de que una
matriz invertible es equivalente por filas (o por columnas) a la matriz identidad del mismo orden, es decir, si A es una matriz cuadrada de orden n de
rango tambin n, entonces por transformaciones elementales
A
Por filas
!I
o, lo que es lo mismo, podemos encontrar una sucesin de matrices elementales E1 , E2 , . . . Ek tales que
13
Ek Ek1 E2 E1 A= I
Aplicando la propiedad asociativa del producto de matrices
( Ek Ek1 E1 ) A = I A1 = Ek Ek1 E1
Si representamos ( A| B) la matriz ampliada, es decir, la matriz obtenida
aadiendo a las columnas de A las columnas de B, en la prctica se obtiene
la inversa siguiendo el procedimiento que se expresa en este diagrama
(A | I)
Por filas
( E1 A | E1 I )
Por filas
( E2 E1 A | E2 E1 )
Por filas
Por filas
( I | A 1 )
0 1 2
1 vamos a intentar calcular su inversa
Ejemplo 1.41. Si A = 3 2
8 7
6
por este mtodo.
1 0 1 4 5 2
0 1 2 1 0 0
Por filas
0 1
3
2
1 0 1 0
2 4 8 3
8
7
6 0 0 1
0 0
0 5 8 3
y vemos que A no es invertible puesto que su rango es menor que 3.
Ejemplo 1.42. Aqu vemos el resultado de aplicar el mtodo a una matriz
de orden 4. Son clculos laboriosos, pero si tienes suficiente tiempo y paciencia puedes intentar el mtodo de los determinantes y comparar
0 1 2 15 1 0 0 0
3
2
3 12 0 1 0 0
Por filas
8
7
6 7 0 0 1 0
15 12
7
0 0 0 0 1
1
0
0
0
1.2.4.
0
1
0
0
0
0
1
0
0
0
0
1
61
240
1
2
5
16
7
120
29
30
32
1
2
1
30
89
80
3
2
3
16
3
40
7
15
21
1
30
Descomposicin LU
Si tenemos una matriz cuadrada no singular A, a menudo es til expresarla como producto de dos matrices LU, triangular inferior y superior
respectivamente. Para muchas matrices existe dicha descomposicin.
Definicin 1.43. Sea A una matriz cuadrada y no singular, diremos que es
factorizable LU si existen matrices L y U de forma que A = LU siendo L una
matriz triangular inferior y U una matriz triangular superior.
14
2 0 1
A= 4 3 4
8 9 9
2
0
1
2
0
1
2
0
1
2 0 1
e
e
e
4 3 4 1 0 3 2 2 0 3 2 3 0 3
2
0 0 1
0 9 5
8 9 9
8 9 9
2 0
1
2
U= 0 3
0 0 1
y e1 , e2 y e3 son operaciones elementales por filas de tipo III. Las
elementales correspondientes son:
1 0 0
1 0 0
1
0
1
E1 = 2 1 0 ; E2 = 0 1 0 ; E3 = 0
0 0 1
4 0 1
0 3
matrices
0
0
1
por lo tanto:
1 0 0
1 0 0
1 0 0
1 0 0
= 2 1 0 0 1 0 0 1 0 = 2 1 0
0 0 1
4 0 1
0 3 1
4 3 1
As A = LU:
2 0 1
1 0 0
2 0
1
4 3 4 = 2 1 0 0 3
2
8 9 9
4 3 1
0 0 1
1.3.
15
Un sistema de m ecuaciones con n incgnitas x1 , x2 , . . . , xn lineal, siempre se puede expresar de la siguiente manera:
a11 x1 + a12 x2 + + a1n xn = c1
a21 x1 + a22 x2 + + a2n xn = c2
..
.
am1 x1 + am2 x2 + + amn xn = cm
incompatible
determinado
Sistema
compatible
indeterminado
donde:
Incompatible: El conjunto de soluciones es vaco.
Compatible determinado: Tiene una nica solucin.
Compatible indeterminado: Tiene ms de una nica solucin. Si K = R o
K = C necesariamente son infinitas soluciones.
Ejercicio 1.45. Da ejemplos de sistemas (2 ecuaciones con 2 incgnitas) de cada
uno de los tipos anteriores, es decir, incompatible, compatible determinado e indeterminado.
16
Representacin matricial
Es muy conveniente la representacin del sistema en forma matricial.
..
..
.. .. = ..
.
.
.
.
.
. . .
xn
am1 am2 amn
cm
{z
} | {z } | {z }
|
X
Que escribiremos AX = C. Obsrvese que aparecen dos matrices columnas, X o matriz de incgnitas y C o matriz de trminos independientes. A la
matriz de coeficientes A se le llama matriz del sistema.
Definicin 1.46 (Matriz ampliada del sistema). Es la matriz obtenida aadiendo a la matriz A del sistema la columna C de trminos independientes,
es decir
( A|C ) = ..
..
..
..
..
.
.
.
.
.
am1 am2 amn
1.3.1.
cm
Teorema de Rouch-Frbenius
Ejercicio 1.48. Determina los valores del parmetro a para que el sistema siguiente tenga soluciones.
x1 + 3x2 x3 =
4
2x1 + 4x2 + x3 = 2
2x1 + ax2 + 2x3 =
0
2x2 + x3 = 2
[S OLUCIN : a = 14]
1.3.2.
17
( A|C )
Por filas
( E| D )
donde:
( E| D ) es escalonada Mtodo de
Gauss-Jordan
reducida
Ejemplo 1.49. Supongamos que queremos resolver el siguiente sistema de
ecuaciones de tipo 4 3, es decir 4 ecuaciones con 3 incgnitas.
2x1 x2
x1 + x2 4x3
14x2 39x3
x1 2x2 + 3x3
=
=
=
=
1
0
13
4
(1.2)
2 1
0
1
1
0 14 39
1 2
3
1
filas
0
Por
13
4
2 1
0
0
3 8
0
0 5
0
0
0
1
1
25
0
2x1 x2
=1
3x2 8x3 = 1
5x3 = 25
Las operaciones
elementales
necesariamente han de ser
por filas. Las operaciones
por columnas no respetan
las soluciones del sistema.
18
2 1
0
1
1
0 14 39
1 2
3
1
filas
0
Por
13
4
1
0
0
0
0
1
0
0
0
0
1
0
7
13
5
0
( x1 , x2 , x3 ) = (7, 13, 5)
Sistemas Homogneos
Supongamos AX = 0, entonces
Todos los sistemas de ecuaciones lineales homogneos son compatibles. Esto es evidente, puesto que rango( A) = rango( A|0).
El sistema es compatible indeterminado si y slo si rango( A) < n.
Este caso existen soluciones distintas de la solucin trivial x1 = x2 =
= xn = 0.
Ejemplo 1.50. Vamos a resolver el siguiente sistema homogneo aplicando
el mtodo de Gauss.
2x + 3y z = 0
x 4y + z = 0
3x y = 0
que en forma matricial se expresa
2
3 1
x
0
1 4
1 y = 0
3 1
0
z
0
2
3 1 0
1 4
1 0
Por filas
1 4
1 0 ! 0 11 3 0
3 1
0 0
0
0
0 0
19
ms fcil
x 4y + z = 0
11y 3z = 0
z=
x 4y =
11y = 3
z=
3
y=
11
3
1
x = 4( ) =
11
11
( x, y, z) = (, 3, 11)
Sistemas cuadrados no homogneos
Consideremos el caso de sistemas no homogneos en que hay coincidencia entre el nmero de ecuaciones y el nmero de incgnitas. En estos
casos, obviamente, la matriz del sistema es cuadrada. En este caso, del teorema de Rouch-Frbenius podemos enunciar el siguiente
Corolario 1.51. Un sistema cuadrado no homogneo AX = C es compatible determinado si y solo si det A 6= 0.
Mtodo de Cramer Aunque generalmente es mejor el mtodo de Gauss
(o Gauss-Jordan) para resolver este tipo de sistemas est muy extendido el
mtodo de Cramer que se enuncia a continuacin:
Teorema 1.52 (Mtodo de Cramer). Si el sistema de ecuaciones
20
x1 + 3x2 x3 = 1
x1 + x2 + 3x3 = 0
2x1 + x2 + x3 = 2
1 3 1
3 = 22 6= 0.
comprobamos que tiene solucin nica ya que 1 1
2 1
1
Entonces las soluciones son:
1 3 1
0 1
3
2 1
1
9
=
x1 =
22
11
1 1 1
1 0
3
2 2
1
3
=
x2 =
22
22
1 3 1
1 1 0
2 1 2
5
x3 =
=
22
22
Mtodo LU De forma alternativa, basado en el mtodo de Gauss, como
hemos visto en la seccin 1.2.4. As, si un sistema de ecuaciones lineales
AX = B es cuadrado, es decir, tiene el mismo nmero de ecuaciones que
de incgnitas y la matriz del sistema A es e factorizable LU se tiene
(
AX = B L(UX ) = B
LY = B
UX = Y
x1 + 3x2 x3 = 1
x1 + x2 + 3x3 = 0
2x1 + x2 + x3 = 2
por el mtodo LU.
21
1 3 1
As tenemos que A = 1 1 3 y sacando ceros
2 1 1
1 3 1
1 3 1
1
3 1
1 3 1
e1
e3
e2
0 4
0
1 1
0 4
2 =U
2
4
2
3
11
2 1
1
0 5
3
2 1
1
0 0
2
y e1 , e2 y e3 son operaciones elementales por filas de tipo III. Las matrices
elementales correspondientes son:
1 0 0
1 0 0
1 0 0
E1 = 1 1 0 ; E2 = 0 1 0 ; E3 = 0 1 0
0 0 1
2 0 1
0 45 1
por lo tanto:
1
1 0 0
1 0 0
1 1 1
0
0 1 0
1 1 0
L = E1 E2 E3 =
2 0 1
0 0 1
0
1
0 0
1 0
= 1
5
2 4 1
0 0
1 0 =
5
1
4
1
0 0
1
y1
1. LY = B, o bien, 1 1 0 y2 = 0 =
2
y3
2 45 1
y1 = 1
y2 = 1
y3 = 54
1 3 1
1
x1
x1 = 11
3
2. UX = Y, o bien 0 4 2 x2 = 1 =
x2 = 22
5
11
5
x3
0 0 2
x3 = 22
4
Ejercicios Propuestos
Ej. 1.1 Dadas las matrices A =
2 1
0 1
1 3 5
,B =
yC =
,
3 2
4 2
2 1 1
calcula, si es posible:
a) A + B.
c) CB y C T B.
e) ABC.
b) AC.
d) (2A + B) C.
f)
1
2B A
A2 , B2 y C 2 .
CT
g)
22
2 6 3
1 1 1
Ej. 1.2 Dadas las matrices A = 0 9 5 y B = 2 4 2, com6 2 1
3 5 7
prueba si es verdadero o falso:
c) ( A B)( A + B) = A2 B2 .
a) AB = BA.
d) ABA1 = B.
b) ( A + B)2 = A2 + 2AB + B2 .
1
a) A = 2
1
4
5
10
1
3 .
11
3
b) A = 1
5
1
4 .
2
3 5
1
4
c) A = 6 7 2 5.
4 1 1 0
Ej. 1.4 Mediante operaciones elementales, determina el rango de las siguientes matrices segn el valor del parmetro a.
a)
1
4
3
a
b)
2
6
a 1
3 4
2
c) 6
4
a
4 + a
6
a
d) 1
1
1
a
1
1
1
a
3 1 2
5 4
2 1 3
a)
7 6
c) 4 1 1
b) 1 4 0
2 4 6
1 1 0
1 6
2
0 3 1
Ej. 1.6 Calcula el determinante | A| =
1
2 0
5 3 4
1. Desarrollando por la cuarta fila.
0
4
.
2
0
23
c) | ABA T |.
e) |( AB)T |.
b) | B T |.
d) | ABA1 |.
f) | A1 |.
g) |2B|.
h) | A2 |.
Ej. 1.8 Calcula la inversa de las siguientes matrices para aquellos valores del parmetro real a para los que sea posible.
a 2 0
a) 0 1 1
1 0 a
a 1 5
b) 10 4 1
4 2a
9
x+yz = 0
a) x 2y + z = 0 .
2x y = 0
x + y 2z + 3t = 1
x 2y 3z 4t = 0
b)
2x + 3y + 5z + 7t = 1
2x + 2y + 4z + 6t = 2
x + ay + 3z = 2
x+yz = 1
.
2x + 3y + az = 3
Ej. 1.11 (Sept. 2011) Clasifica el siguiente sistema de ecuaciones en funcin del parmetro m y resulvelo para algn valor de m para el que el
sistema sea compatible.
mx + mz
my + z
mx + y + mz
mx + my + mz
=0
=0
=m
=0
24
Ej. 1.12 Tres amigos, Pedro, Luis y Pablo, deciden asociarse para montar
una empresa, necesitando para ello un capital de 15.000e. Como no todos
disponen del mismo dinero deciden invertir de la siguiente manera: Pedro
aporta el triple de lo que ponen Luis y Pablo juntos, y por cada 20e que
aporta Luis, Pablo aporta 30e. Cunto capital aport cada uno de ellos?
Ej. 1.13 Una fbrica de dispositivos elctricos fabrica tres tipos de componentes a partir de cobre y estao:
Dispositivo A: Necesita 8 unidades de cobre y ninguna de estao.
Dispositivo B: Necesita 6 unidades de cobre y 2 de estao.
Dispositivo C: Necesita 7 unidades de cobre y 1 de estao.
En un momento dado se disponen de 100 unidades de cobre y 12 de estao,
1. Cuntas dispositivos de cada tipo se pueden fabricar usando todo
el material disponible?
2. Sabiendo que el precio de produccin del dispositivo A es de 2e,
el de B es de 7e y el de C es de 5e, Hay alguna combinacin que
cueste 60e consumiendo todo el material?
3. Cules son las cantidades mxima y mnima de euros que se pueden invertir para tener produccin de componentes con la condicin
de invertir todo el material de cobre y estao?
Ej. 1.14
2
4
A=
0
2
0 0 1
3 1 2
9 7 2
0 16 10
x1
4
x2
5
X=
x3 C = 3
x4
6
TEMA 2
ESTRUCTURAS
ALGEBRAICAS
ndice
2.1.
Relaciones . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.1.1.
26
2.1.2.
Relaciones internas . . . . . . . . . . . . . . . . .
28
2.1.3.
Relaciones de equivalencia . . . . . . . . . . . .
29
2.1.4.
31
2.1.5.
Relaciones de orden . . . . . . . . . . . . . . . .
32
Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.2.1.
34
2.2.2.
Tipos de funciones . . . . . . . . . . . . . . . . .
35
Estructuras algebraicas . . . . . . . . . . . . . . . . . . .
36
2.3.1.
39
2.3.2.
41
44
2.4.1.
44
2.4.2.
46
2.4.3.
Funcin exponencial . . . . . . . . . . . . . . . .
52
2.4.4.
53
2.4.5.
55
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . .
56
2.2.
2.3.
2.4.
25
26
Estructuras Algebraicas
En este captulo comenzamos trabajando en conjuntos arbitrarios (pueden ser de cualquier cosa) y sus relaciones y operaciones entre ellos. Finalmente terminamos estudiando las estructuras de conjunto numricos:
enteros, reales y complejos.
2.1.
Relaciones
2.1.1.
( a, b) = ( a0 , b0 ) si y slo si a = a0 y b = b0
Definicin 2.2. Se define el producto cartesiano de A por B como
A B = {( a, b) | a A, b B}
Producto cartesiano de ms de dos conjuntos El concepto de par ordenado se puede extender. As se pueden definir las ternas (ordenadas):
( a1 , a2 , a3 ) y, ms generalmente, las n-uplas: ( a1 , a2 , . . . , an ). Tambin se extiende el producto cartesiano de n conjuntos A1 A2 An como el
conjunto de todas las n-uplas.
Ejemplo 2.3. Usaremos con mucha frecuencia el conjunto Rn que est definido como el producto cartesiano R R R, es decir, todas las nuplas de nmeros reales.
Relaciones binarias
Llamamos relacin (o correspondencia) R de A en B a cualquier propiedad que asigna a cada elemento de A un subconjunto de B (posiblemente vaco).
2.1 Relaciones
27
(2.1)
a
b
c
d
y
z
z
y
Diagrama cartesiano:
x
1 0 1
0 0 0
28
Estructuras Algebraicas
Ejercicio 2.4. Usa un diagrama cartesiano para representar la relacin entre nmeros reales cuyo grafo es el siguiente:
GR = {( x, y) | ( x + 1)2 + (y 1)2 = 1} R R
Dominio e Imagen
Desde ahora identificamos completamente una relacin R con su grafo,
es decir cuando una relacin R est definida desde el conjunto A hasta
el conjunto B, representaremos R A B, aunque formalmente lo que
estamos diciendo es que su grafo es el que est contenido.
Dada una relacin R A B, es decir, GR A B, segn lo anterior,
se definen los subconjuntos dominio e imagen o codominio de R como
Dom R = { x A | existe b B con x R b}
Im R = { x B | existe a A con a R x }
Ejercicio 2.5. En la relacin R = {( a, x ), ( a, z), (d, x )} ya vista en (2.1), pgina
27, el conjunto A = { a, b, c, d} y B = { x, y, z} son los conjuntos inicial y final,
respectivamente. Podras escribir el dominio y la imagen de R?
Ejercicio 2.6. Escribe el dominio y la imagen de la relacin que se define en el
ejercicio 2.4.
Relacin identidad
cin definida
I A = {( x, x ) | x A} A A
(2.2)
que llamaremos relacin identidad. Cuando no hay duda se suprime el subndice, por tanto I .
2.1.2.
Relaciones internas
2.1 Relaciones
29
A
A
a
b
c
d
a
b
c
d
A
a
b
d
c
2.1.3.
Relaciones de equivalencia
[
i I
Ai = A
30
Estructuras Algebraicas
[ a] = { x A | a R x }
Segn la anterior definicin podra ocurrir que ciertas clases coincidieran, es decir, algunos elementos a, b A, cumplen a 6= b y, en cambio,
[ a] = [b]. Al ser subconjuntos podemos preguntarnos algo ms se pueden solapar las clases?, es decir, pueden existir a, b A, con [ a] 6= [b] y
[ a] [b] 6= ? La respuesta nos la da el siguiente e importante teorema.
Teorema 2.12. Sea R A A una relacin de equivalencia y a, b A, entonces
se tiene:
1. a [ a]
2. a R b [ a] = [b]
3. [ a] 6= [b] [ a] [b] =
Demostracin.
1. Es evidente por la propiedad reflexiva. Como a R a a [ a].
2. Suponemos (hiptesis) que a R b (o bien b R a), entonces, por la propiedad transitiva:
x [ a] x R a (y a R b, hip.) x R b x [b] que prueba [ a] [b]
x [b] x R b (y b R a, hip.) x R a x [ a] que prueba [b] [ a]
2.1 Relaciones
31
2.1.4.
32
Estructuras Algebraicas
2.1.5.
Relaciones de orden
Una relacin binaria interna se dice que es de orden si es reflexiva, antisimtrica y transitiva.
2.2 Funciones
33
60
30
m R n m divide a n
12
20
15
10
3
2.2.
Funciones
1. Dom f = A
2. Si ( a, b) f y ( a, c) f entonces b = c
a
b
c
d
y
z
34
Estructuras Algebraicas
2.2.1.
Observa que ,para
funciones, g f se
entiende que primero se
aplica f y posteriormente
g.
(2.3)
Propiedades.
1. Cuando una funcin f : A B se compone con la funcin identidad,
se queda invariante, es decir
f IA = f
IB f = f
(2.4)
(h g) f = h ( g f )
(2.5)
2.2 Funciones
35
Funcin inversa
Si f : A B es una funcin, podemos expresarla en forma de relacin
del siguiente modo:
f = {( a, f ( a)) | a A} A B
Invirtiendo el orden de los pares obtenemos otra relacin
f 1 = {( f ( a), a) | a A} B A
y esta nueva relacin f 1 NO es necesariamente una funcin.
Ejercicio 2.25. Escribe distintos contraejemplos donde no se verifique 1. o 2. de la
definicin.
Definicin 2.26. Diremos que la funcin f es invertible si la relacin f 1 es
una funcin.
Teorema 2.27. Sea f : A B una funcin invertible. f 1 es la nica funcin
que cumple
f f 1 = I B
f 1 f = I A
Demostracin. Efectivamente, por definicin de f 1 , la imagen del elemento
f ( a) es el propio a, es decir, f 1 ( f ( a)) = a, por tanto f 1 f = I A .
Para probar la otra igualdad, sea b cualquier elemento de B, y sea a =
f 1 (b) A, es decir (b, a) f 1 , luego ( a, b) f . Dicho de otra forma
f ( a) = b, o bien f ( f 1 (b)) = b. De aqu f f 1 = I B .
Nos queda comprobar que es nica. Sea g : B A una funcin cumpliendo ambas igualdades, es decir
g f = IA
f g = IB
2.2.2.
Tipos de funciones
a
b
c
1
2
3
4
36
Estructuras Algebraicas
A
a
b
c
a
b
c
1
2
3
2.3.
Estructuras algebraicas
Dado un conjunto A, llamamos operacin binaria interna o ley de composicin interna a cualquier funcin de A A en A.
: A A A
( a, b) = c
ab = c
: A B A
: A B B
: A B C
Las leyes de composicin internas pueden tener (o no) unas propiedades y unos elementos notables que exponemos a continuacin.
Propiedades
Asociativa
Sea una operacin interna en A. Decimos que tiene propiedad asociativa
si satisface:
Para todo a, b, c A,
a (b c) = ( a b) c.
37
Conmutativa
Sea una operacin interna en A. Decimos que tiene propiedad conmutativa si satisface:
Para todo a, b A,
a b = b a.
Distributivas
Sean y dos operaciones internas en A.
Decimos que es distributiva por la izda. respecto de si satisface:
a, b, c A,
a ( b c ) = ( a b ) ( a c ).
a, b, c A,
( b c ) a = ( b a ) ( c a ).
Elementos Notables
Elemento Neutro
Un elemento e A es neutro para si satisface que
a A,
a e = e a = a.
Ejemplo 2.33. En el conjunto de las matrices cuadradas n n la matriz
identidad es el elemento neutro para el producto.
38
Estructuras Algebraicas
Simtrico de un elemento
Sea una operacin interna en A y e A el elemento neutro. Decimos
que a0 es el simtrico de a si satisface que
a a0 = a0 a = e.
El simtrico de un
elemento no tiene porqu
ser nico, salvo para
operaciones con la
propiedad asociativa.
Si un elemento tiene simtrico decimos que es simetrizable. Adems, claramente, si a0 es un simtrico de a, entonces a es un simtrico de a0 .
Proposicin 2.34. Sea una operacin interna con propiedad asociativa.
1. Si un elemento es simetrizable, su simtrico es nico.
2. ( a0 )0 = a
3. Si a, b A son elementos simetrizables, a b tambin lo es y su simtrico
es ( a b)0 = b0 a0 .
Demostracin.
1. Supongamos que a10 y a20 son simtricos de a. Entonces:
a10 = e a10 = ( a20 a) a10 = a20 ( a a10 ) = a20 e = a20
Observa que en la tercera igualdad se hace uso de la asociatividad.
2. Siguiendo la definicin de elemento simtrico, a es simtrico de a0 al
igual que ( a0 )0 . Por el punto anterior stos tienen que ser el mismo, es
decir a = ( a0 )0 .
3. Es fcil comprobar que
( a b) (b0 a0 ) = e
y
0
0
(b a ) ( a b) = e
y, como el simtrico es nico, se tiene ( a b)0 = (b0 a0 ).
En la suma al simtrico se
le llama elemento opuesto y
se representa con el signo
menos, as el opuesto de a
es el elemento a. En el
producto, al elemento
simtrico de a se le llama
inverso y se representa
como a1 .
39
Elementos regulares
Sea una operacin interna en A y c A. Decimos que:
c es regular por la izquierda si
a, b A,
c a = c b = a = b.
a, b A,
a c = b c = a = b.
a A ,
a c = c a = c.
0 ... 0
..
.
..
.
!
es un elemento absorbente para el
0 ... 0
2.3.1.
40
Estructuras Algebraicas
( A, )
Asociativa
Elem. neutro
Elem. simt.
Conmutativa
Semigrupo
Monoide
Semigrupo
Conmutativo
Monoide
conmutativo
Grupo
Grupo
Abeliano
41
Ejercicio 2.41. En este ejercicio, por comodidad, suprimimos los corchetes de los
elementos de Zn . Completa las siguientes tablas de los grupos.
Z2
+ 0
0
1
2.3.2.
1
0
+
0
1
2
Z3
0 1
+
0
1
2
3
4
5
Z6
1 2
En el cuadro 2.2 exponemos las estructuras bsicas con dos operacio- Para estas estructuras
nes. La estructura ms simple es el anillo. Vers que todas son propiedades usamos las notaciones
conocidas, excepto el concepto de divisor de cero que explicaremos con ms aditiva y multiplicativa.
detalle ms adelante.
( A, +)
Asociativa
Conmutativa
Elem. neutro 0
Elem. opuesto
( A, )
Asociativa
Distributiva resp. +
Elem. neutro 1
Conmutativa
Elem. inverso para 6= 0
Ausencia divisores de 0
Anillo
Cuerpo
A. Unitario
A. Conmutativo
Anillos
Las propiedades de los anillos vienen expresadas en el cuadro 2.2. As,
( A, +, ) es un anillo si se verifica:
1. ( A, +) es un grupo abeliano.
2. ( A, ) es un semigrupo.
3. El producto es distributivo respecto de la suma.
42
Estructuras Algebraicas
En los anillos se tiene una conocida regla que habis venido usando
desde los estudios primarios.
Teorema 2.42 (Regla de los Signos). Sea A un anillo. Para todo a, b A se
cumple
I.
II .
III .
0a = a0 = 0
a (b) = ( a) b = ( a b)
a b = ( a) (b)
Demostracin.
I.
II .
Sabemos que a 0 = a (0 + 0) = a 0 + a 0,
luego simplificando en el grupo ( A, +) tenemos a 0 = 0.
Comprobamos que
a (b) + ( a b) = a ((b) + b) = a 0 = 0 a (b) = ( a b)
De la misma forma se prueba ( a) b = ( ab).
III .
Es evidente a partir del apartado anterior y del apartado 2 de la propoposicion 2.34 que establece ( a0 )0 = a.
[n] + [m] = [n + m]
[n] [m] = [nm]
y tiene estructura de anillo (Zn , +, ).
Ejercicio 2.44. Construye las tablas de suma y producto de Z6 y comprueba que
es anillo.
Definicin 2.45. Un elemento a A {0} es divisor de cero si:
existe b A {0} tal que ab = 0 o ba = 0
Claramente, si a es divisor de cero tambin b lo es.
El siguiente resultado caracteriza los divisores de cero de un anillo.
43
Ejercicio 2.48. Comprueba que Z3 , Z5 y Z7 no tienen divisores de cero. En cambio los anillos Z4 , Z6 y Z8 si tienen.
Ejemplos 2.49.
1. Los nmeros enteros (Z, +, ) forman un anillo sin divisores de cero.
2. Los polinomios con coeficientes reales forman otro anillo. Tampoco
existen divisores de cero en este anillo
3. Los siguientes conjuntos numricos racionales Q, reales R y complejos C, dotados con la suma y el producto son ejemplos de anillos, pero
con alguna propiedad muy importante que pasan a llamarse cuerpos.
4. Las matrices cuadradas (Mnn , +, ) son el ejemplo ms importante
de estructura de anillo (conmutativo unitario), donde existen divisores de cero.
Ejercicio 2.50. Pon algn ejemplo de matrices cuadradas de orden n = 3 que sean
divisores de cero. Es decir, encuentra dos matrices 3 3 no nulas que multiplicadas
den la matriz cero.
Cuerpos
Los cuerpos son las estructuras algebraicas con dos operaciones que
ms usaremos en este curso. Se puede definir un cuerpo como una estructura (K, +, ) que verifica:
44
Estructuras Algebraicas
2.4.
Los nmeros reales tienen muchas propiedades agradables. Hay operaciones tales como suma, resta, multiplicacin, as como la divisin por
cualquier nmero real, excepto cero. Hay leyes tiles que regirn estas operaciones como las leyes conmutativa y distributiva. Tambin puede tomar
los lmites y hacer Clculo. Pero no se puede tomar la raz cuadrada de 1
o lo que es lo mismo no puede encontrar una raz de la ecuacin
x2 + 1 = 0.
(2.6)
2.4.1.
45
( x, y) + ( a, b) = ( x + a, y + b)
y la multiplicacin
( x, y) ( a, b) = ( xa yb, xb + ya).
Estas operaciones binarias en C son es un extensin de las de R, en el sen- Podemos pensar que los
tido de que los nmeros complejos de la forma ( x, 0) se identifican con los nmeros reales se
incrustan en C como los
nmeros reales y
( x, y)1 =
x 2 + y2
y
, x 2 + y2 .
46
Estructuras Algebraicas
o, ms corto, x + iy. Esta manera de expresar los nmeros complejos recibe el nombre de expresin o forma rectangular o, a veces, expresin o forma
binomial.
El nmero real x se llama la parte real y al nmero real y parte imaginaria del nmero complejo x + iy, a menudo denotado como
Re( x + iy) = x e Im( x + iy) = y.
La manera de expresar un nmero complejo en parte real y parte imaginaria de Tambin es fcil probar que i = (0, 1) es la raiz de de la ecuacin
(2.6), es decir
i2 = (0, 1) (0, 1) = (1, 0) = 1.
Se dice que C es
algebraicamente cerrado.
Teorema 2.54 (Fundamental del lgebra). Todo polinomio no constante de grado n tiene n races (contando multiplicidad) en C.
La demostracin de este teorema requiere una maquinaria importante,
curiosamente ms del clculo que del lgebra, por lo que se pospone dicha
prueba.
2.4.2.
La notacin ( x, y) de los complejos sugiere que se puede pensar en ste como un vector real de dos dimensiones. Al trazar estos vectores en el
plano R2 , llamamos al eje x el eje real y al eje y el eje imaginario. La suma
que se defini para los nmeros complejos coincide con la suma de vectores. Pero este parecido acaba con la multiplicacin: no hay multiplicacin
usual"de dos vectores en R2 que devuelva otro vector, y, por supuesto,
ninguno que est de acuerdo con nuestra definicin de el producto de dos
nmeros complejos.
Cualquier vector en R2 se define por sus dos coordenadas, pero tambin
se determina por su longitud y el ngulo que forma con, por ejemplo, el eje
real positivo, vamos a definir estos conceptos ms a fondo.
Valor absoluto y argumento. El valor absoluto (a veces tambin llamado el
mdulo) de z = x + iy es su longitud visto como vector de R2
q
r = | z | = x 2 + y 2 R+ { 0 }
y un argumento de z = x + iy es un nmero R tal que
x = r cos e y = r sen .
Un nmero complejo tiene un nmero infinito de argumentos, por ejemplo,
el nmero 1= 1 + 0i se encuentra en el eje x, y tambin lo ha hecho el
47
z2
| z1 z2 |
z1
z1 z2
Parte real
48
Estructuras Algebraicas
complejos:
Observa que se usan las
identidades
trigonomtricas del seno y
coseno de la suma.
( x1 + iy1 )( x2 + iy2 ) = (r1 cos 1 + ir1 sen 1 )(r2 cos 2 + ir2 sen 2 ) =
= (r1 r2 cos 1 cos 2 r1 r2 sen 1 sen 2 )+
+ i (r1 r2 cos 1 sen 2 + r1 r2 sen 1 cos 2 ) =
= r1 r2 (cos(1 + 2 ) + i sen(1 + 2 )) .
1
= ei .
ei
3. ei( +2k ) = ei .
4. |ei | = 1
Conocidos x, y
r 2 = x 2 + y2
y
tan = , si x 6= 0
x
= , si x = 0 e y > 0
2
= , si x = 0 e y < 0
2
49
r 2 e 2 = r 1 r 2 e 1 + 2
Im
z2
z1
1 + 2
1
Re
|z1 ||z2 |
z1 z2
Complejo conjugado. El cuadrado del valor absoluto de un complejo tiene la buena propiedad
4. z = z.
2. z1 z2 = z1 z2 .
3. zz12 = zz12 .
5. |z| = |z|.
6. |z|2 = z z.
50
Estructuras Algebraicas
9. ei = ei .
7. Re z = 12 (z + z),
8. Im z =
1
2i ( z
z ).
|z| Re z |z| y
|z| Im z |z|
Im
z
|z|
x = Re z, y = Im z
y
= Arg(z) con tan( ) =
x
p
El mdulo |z| = x2 + y2 .
Re
y
z
1
| z2 |2
z1 z2 .
1+i
de dos formas distini
tas, en forma polar y usando la anterior propiedad. Expresa el resultado en forma
rectangular y en forma polar.
Ejercicio 2.61. Calcula la siguiente divisin compleja
51
Demostracin.
(a) Usamos algunas propiedades vistas en el Ejercicio 2.60.
| z1 z2 | | z1 | | z2 |.
Las restantes desigualdades se obtienen a partir de sta con ms que
considerar | z| = |z|.
(d) Procedemos por induccin.
Para n = 2 no es ms que la desigualdad triangular (a).
Hipteisis de induccin:
r
r
Suponemos zk |zk | para 2 r < n.
k =1 k =1
Para n > 2, tenemos (usando nuevamente (a))
n n 1
n 1
n 1
n
z k = z k + z n z k + | z n | | z k | + | z n | = | z k |.
k =1 k =1
k =1
k =1
k =1
Proposicin 2.63. Sea p( x ) = a0 + a1 x + a2 x2 + + an x n un polinomio con
todos sus coeficientes ai nmeros reales. Si z C es una raz de p( x ), entonces su
conjugado z es tambin raz.
Demostracin. Si z = rei , entonces
p(z) = a0 + a1 rei + a2 r2 ei2 + + an r n ein = 0
(2.7)
(2.8)
Adems
52
Estructuras Algebraicas
2.4.3.
Funcin exponencial
Damos por conocida la funcin exponencial real y, sobre todo, sus propiedades. Nuestro objetivo es extender esta funcin a una nueva definida
en los complejos (con imagen compleja) que extienda a la real ya conocida,
a la que aadimos que sea compatible con la frmula de Euler, ya definida,
eiy = cos y + i sen y.
Definicin 2.64. La funcin exponencial (compleja) se define para cualquier complejo z = x + iy como
exp z = exp( x + iy) = e x eiy = e x (cos y + i sen y).
Efectivamente, esta definicin extiende a la de los reales.
exp( x ) = exp( x + i0) = e x (cos 0 + i sen 0) = e x .
Adems la frmula de Euler es un caso particular de la exponencial compleja
exp(ix ) = eix
Las propiedades ya conocidas de la exponencial real se extienden a la compleja (y algunas otras nuevas)
Proposicin 2.65. Por todo z, z1 , z2 C,
1. exp z1 exp z2 = exp(z1 + z2 ).
2.
1
= exp(z).
exp z
exp z1
= exp(z1 z2 ).
3.
exp z2
4. exp(z + 2i ) = exp z.
5. | exp z| = exp(Re z).
6. exp z 6= 0 para cada z C.
7. exp0 z = exp z.
Demostracin. Ejercicios.
iy
53
r5iy
r4
r6
r5
r4
r3
xr2
r1
exp(z)
r3
x
r6
r2
r1
iy
iy
r5
r4
exp(z)
x
r3
r2
r1
r1 r2 r3 r4 r5
Figura 2.7:
3. Las figuras en 2.7 muestan como la exponencial compleja transforma
rectas del plano complejo horizontales y verticales en otros subconjuntos de puntos de los complejos.
Ejercicio 2.66. Describe las imgenes de los siguientes conjuntos bajo la funcin
exponencial exp z:
a) el segmento definido por z = iy, 0 y 2.
b) el segmento definido por z = 1 + iy, 0 y 2.
c) el rectngulo {z = x + iy C : 0 x 1, 0 y 2 }.
2.4.4.
Las funciones trigonomtricas reales seno, coseno, tangente, cotangente, etc. tienen sus anlogas complejas, aunque no juegan el mismo papel
prominente como en el caso real. De hecho, podemos definirlos como simplemente ser combinaciones especiales de la funcin exponencial.
Definicin 2.67. El seno y coseno (complejo) se definen como
54
Estructuras Algebraicas
1
(exp(iz) exp(iz))
2i
1
cos z = (exp(iz) + exp(iz)).
2
sen z =
exp(2iz) 1
sen z
= i
cos z
exp(2iz) + 1
cot z =
exp(2iz) + 1
cos z
=i
,
sen z
exp(2iz) 1
respectivamente.
Ejercicio 2.68. Prueba las igualdades anteriores referidas a la tangente y cotagente. Para ello usa la igualdad (exp z)(exp(z)) = e0 = 1.
Prueba, igualmente, que las funciones trigonomtricas definidas extienden a
las funciones trigonomtricas reales.
Las principales propiedades de las funciones trigonomtricas reales tambin se cumplen para funciones trigonomtricas complejas, como se ve en
este lema,
Lema 2.69. Pora todo complejo z, z1 , z2 C,
1. sen(z) = sen z
5. tan(z + ) = tan z
2. cos(z) = cos z
6. cot(z + ) = cot z
3. sen(z + 2 ) = sen z
4. cos(z + 2 ) = cos z
Obsrvese que las funciones trigonomtricas seno y coseno son peridicas de periodo 2 al igual que las funciones trigonomtricas reales. Igualmente las funciones complejas tan z y cot z son peridicas de periodo .
55
coth z =
cosh z
exp(2z) + 1
=
senh z
exp(2z) 1
2.4.5.
b) cosh(iz) = cos z.
c) senh(iz) = i sen z.
56
Estructuras Algebraicas
Podemos interpretar esta funcin logaritmo como muchas funciones distintas y a cada una se le llama rama logartmica y cualquiera de estas ramas
verifican la condicin de inversa que pedamos en 2.9. Entre todas estas ramas se suele destacar la llamada el logaritmo principal escrito con la primera
letra mayscula
Log z = ln |z| + i Arg z.
Dicho de otro modo, el logaritmo principal de un complejo es la rama cuya
parte imaginaria est en el intervalo (, ].
Como viene siendo habitual, el logaritmo principal extiende al logaritmo (neperiano) real, puesto que el argumento principal de un real positivo
es cero.
Ejercicio 2.72. Comprueba que el logaritmo principal de un nmero negativo x =
| x | es el siguiente
Log x = ln | x | + i
Ejercicio 2.73. Se siguen verificando las propiedades clsicas del logaritmo neperiano en el logaritmo principal? Por ejemplo, es cierto que Log(z2 ) = 2 Log z?
Estudia si otras propiedades clsicas se siguen verificando.
Exponenciales de base.
Dado un nmero complejo a C definimos la exponencial compleja
de base a como
az = exp(z log a)
e = lm
1
.
k!
k 0
1+
1
n
n
Ejercicios Propuestos
Relaciones y Funciones
Ej. 2.1 Dados los conjuntos X = {2, 3, 4} e Y = {3, 4, 5, 6, 7} definimos
la relacin de X en Y: x R y si y slo si x divide a y. Escribe los elementos
del grafo de la relacin y una representacin grfica de la misma.
57
3. a R3 b 3 divide a a b
R = {(1, 1), (2, 2), (2, 3), (2, 4), (3, 2), (3, 3), (3, 4), (4, 2), (4, 3), (4, 4)}.
Justifica que R es una relacin binaria de equivalencia y halla el conjunto
cociente. Dibuja una representacin grfica de la relacin.
Ej. 2.5 Demuestra que la relacin de divisibilidad en N {0}:
a | b si y slo si b = na para algn n N
es una relacin de orden e indica si es total o parcial. Representa grficamente la relacin restringida al subconjunto {1, 2, 3, 4, 6, 12}.
Ej. 2.6 En Z se define la relacin x R y si y slo si x2 y2 = x y es
R una relacin de equivalencia? En caso afirmativo, calcular los elementos
de la clase [ a].
Ej. 2.7 (Sept. 2012) Dados los conjuntos A = {1, 2, 3, 4, 5} y B = {6, 7, 8, 9},
encuentra, si es posible, elementos a, d A y b, c B tales que la relacin
R f = {(1, 8), (2, 6), (2, b), (4, 7), ( a, c), (d, 8)} A B cumpla que:
1. R f no sea una funcin.
2. R f sea una funcin inyectiva.
3. R f sea una funcin, pero no sea sobreyectiva.
Ej. 2.8 Pon, si es posible, un ejemplo de una funcin de R R (reales
de variable real) en cada uno de los siguientes casos:
58
Estructuras Algebraicas
a) Inyectiva pero no sobreyectiva.
b) Sobreyectiva pero no inyectiva.
c) Ni inyectiva ni sobreyectiva.
d) R4 = {( x, y) R2 | x y2 = 1}.
e) R5 = {( x, y) R2 | y2 + x2 = 4}.
f) R6 = {( x, y) R2 | x2 + y2 4}.
g) R7 = {( x, y) R2 | y + x = 2}.
1
x +1
es
d) t : N Z, definida
n
si n par
2
t(n) =
n +1
2 si n impar
Estructuras algebraicas
Ej. 2.13 En el conjunto de los nmeros naturales se definen las siguientes leyes de composicin. Determina si son leyes de composicin interna y
en el caso que lo sean estudiar si cumplen la propiedad asociativa, conmutativa y poseen elemento neutro.
1. a b = ab
2. a b = a
Ej. 2.14 Sea E = { a, b, c, d} y P ( E) el conjunto de las partes de E. Determina los elementos regulares de P ( E) respecto de la operacin unin .
Igual respecto de la interseccin .
Ej. 2.15 En el conjunto E = {( x, y) R2 : x 6= 0} se define la operacin:
59
Ej. 2.16 Encuentra los inversos de cada uno de los elementos del grupo
multiplicativo Z11 .
Ej. 2.17 Resuelve en el cuerpo Z11 el siguiente sistemas de ecuaciones:
2x 7y = 1
3x + y = 9
a 0 b
R = 0 a c | a, b, c R
0 0 a
es un anillo unitario. Es conmutativo? Es cuerpo?
Nmeros complejos
Ej. 2.19 Prueba que las races n-simas de la unidad (complejas), es decir,
las soluciones de la ecuacin zn = 1, con z C, forman un grupo abeliano
con la operacin producto.
Ej. 2.20 (Feb2013) Consideremos el subconjunto de los nmeros complejos G = {1, 1, i, i } con la operacin de multiplicacin habitual.
1. Pruebe que ( G, ) es un grupo abeliano.
2. Consideremos la funcin f : G G definida f (z) = z2 . Justifice si f
es o no es biyectiva y encuentre, si existe, la funcin inversa f 1 .
Ej. 2.21 Escribe en forma polar:
a) 2i.
b) 1 + i.
c) 3 + 3i.
d) i.
e) (2 i )2 .
f) |3 4i |.
g)
h)
5 i.
1i 4
.
3
Ej. 2.22 Encuentra todas las soluciones (en forma rectangular) de las
ecuaciones:
a) z6 = 1.
b) z4 = 16.
c) z6 = 9.
d) z6 z3 2 = 0.
60
Estructuras Algebraicas
1. {z C : |z 1 + i | = 2}.
4. {z C : Im(z + 2 2i ) = 3}.
2. {z C : |z 1 + i | 2}.
5. {z C : |z i | + |z + i | = 3}.
3. {z C : Re(z + 2 2i ) = 3}.
6. {z C : |z| = |z + 1|}.
a) log i.
c) log(1 + i ).
i.
2
b) exp(z) = i.
c) z1/2 = 1 + i.
TEMA 3
TCNICAS DE RECUENTO
ndice
3.1.
Principios bsicos . . . . . . . . . . . . . . . . . . . . . .
62
3.1.1.
62
3.1.2.
Principio de la suma . . . . . . . . . . . . . . . .
63
3.1.3.
64
Permutaciones y combinaciones . . . . . . . . . . . . . .
64
3.2.1.
Permutaciones ordinarias . . . . . . . . . . . . .
65
3.2.2.
66
3.2.3.
67
3.2.4.
Combinaciones ordinarias . . . . . . . . . . . . .
68
3.2.5.
71
3.2.6.
Nmeros multinomiales . . . . . . . . . . . . . .
72
73
3.3.1.
73
3.3.2.
74
76
3.4.1.
77
3.4.2.
Nmeros de Bell . . . . . . . . . . . . . . . . . .
78
Ecuaciones de Recurrencia . . . . . . . . . . . . . . . . .
78
3.5.1.
Objetivo . . . . . . . . . . . . . . . . . . . . . . .
80
3.5.2.
E.R.L. Homogneas . . . . . . . . . . . . . . . . .
81
3.5.3.
E.R.L. No Homogneas . . . . . . . . . . . . . . .
85
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . .
91
3.2.
3.3.
3.4.
3.5.
61
62
Tcnicas de Recuento
3.1.
Principios bsicos
Ejercicio 3.1. Usa el sentido comn para calcular cuntos mensajes se pueden
establecer con tres banderas iguales y del mismo color.
Presentamos a continuacin unos principios bsicos clsicos.
3.1.1.
63
3.1.2.
Principio de la suma
64
Tcnicas de Recuento
Ejercicio 3.5. Los alumnos del primer curso se encuentran distribuidos en tres
grupos, A, B y C; con 130, 125 y 150 alumnos respectivamente. Calcule cuntos
posibles representantes pueden haber en primero.
3.1.3.
3.2.
Todos ellos son ejemplos
de lo que llamaremos
permutaciones.
Permutaciones y combinaciones
65
S OLUCIN: Al reri
ai vi
partir primero la bou1 u2 u3 u4 u5 u6 u7 u8 u9 u10
la de un color disponemos de 10 cajas
para colocar. Para la segunda bola de color nos quedan 9 cajas (porque una
est ocupada) y para la tercera disponemos de 8 colocaciones. El principio
del producto nos dice que la solucin es
10 9 8
Ejercicio 3.10. Sean A y B conjuntos finitos de cardinales 3 y 10 respectivamente.
Cuntas funciones inyectivas se pueden definir de A en B?
Ejercicio 3.11. Si A es un conjunto con cardinal 10 y queremos construir una
lista de tres elementos distintos de A, de cuntas formas lo podemos hacer?
3.2.1.
Permutaciones ordinarias
En esta seccin trabajamos con sucesiones ordenadas que llamamos listas y que representaremos entre los smbolos h y i. As h a, b, ci 6= hb, a, ci.
Como es usual, admitimos la existencia de la lista vaca hi.
Definicin 3.12. Dado un conjunto A de n elementos y r un nmero natural, llamaremos:
Denotaremos por P(n) al
permutacin de A a toda lista formada por sus n elementos.
r-permutacin (o r-variacin) de A a cualquier lista formada por r elementos diferentes de A.
Se establecen las siguientes convenciones:
P (0) = 1 y
P(n, 0) = 1 para cada natural n.
Ejemplo 3.13. Consideramos el conjunto A = { a, b, c, d, e}.
h a, c, d, b, ei es una permutacin de A.
hd, b, ai es una 3-permutacin (o 3-variacin) de A.
Definicin 3.14 (Nmero factorial). Para cualquier natural n definimos recursivamente el factorial de n como
Si n > 0, n! = n (n 1)!
0! = 1
nmero de permutaciones
de un conjunto con n
elementos y P(n, r ) al
nmero de
r-permutaciones de n
elementos
66
Tcnicas de Recuento
P(n, r ) =
n!
.
(n r )!
n!
.
( n 0) !
n!
n(n 1) (n r + 1)(n r ) 2 1
=
(n r ) . . . 2 1
(n r )!
y, por tanto,
P(n) = P(n, n) = n(n 1) 2 1 = n!
que prueba el teorema.
Ejercicio 3.16. Cuntas funciones biyectivas se pueden definir entre dos conjuntos de cardinal n?
Ejercicio 3.17. Plantea el ejemplo 3.9 haciendo uso de la definicin de r-permutaciones.
3.2.2.
Hemos visto que una r-permutacin tiene todos sus elementos diferentes. Si admitimos que en las listas podemos hacer repeticiones, el concepto
cambia.
Denotamos por PR(n, r ) al
nmero de
r-permutaciones con
repeticin de n elementos.
67
3.2.3.
n!
.
n1 ! n2 ! . . . n t !
Demostracin. Basta agrupar las permutaciones iguales entre las n! del conjunto de n elementos.
68
Tcnicas de Recuento
3.2.4.
El nmero de
r-combinaciones de n
elementos lo denotamos
n
por C (n, r ) =
ledo
r
nmero combinatorio n
sobre r.
Combinaciones ordinarias
Definicin 3.28. Dado un conjunto X de n elementos, llamamos r-combinacin ordinaria (o simplemente r-combinacin) de X a cualquier seleccin
no ordenada de r elementos de X, es decir, cualquier subconjunto de X de
cardinal r.
Ejemplo 3.29. Si consideramos el conjunto A = { a, b, c, d, e}, el conjunto
{ a, b, e} es una 3-combinacin de A. En las combinaciones el orden no influye con lo que, por ejemplo, {e, b, a} = { a, b, e}.
Teorema 3.30. Si n y r nmeros enteros tales que 0 r n entonces
n
n!
C (n, r ) =
.
=
r!(n r )!
r
Demostracin. Si un conjunto A tiene n elementos, entonces el nmero de
r-permutaciones es P(n, r ). Si no tenemos en cuenta el orden, se pueden
agrupar en grupos de P(r ) permutaciones que equivalen a la misma combinacin. Entonces
n!
P(n, r )
n!
(n r )!
C (n, r ) =
=
=
P (r )
r!
r!(n r )!
Ejemplo 3.31. Deseamos repartir tres bolas iguales entre diez urnas numeradas. Si las urnas tienen capacidad para una nica bola, de cuntas
formas podremos hacer el reparto?
S OLUCIN: Si las bolas
fuesen de distinto coh
h h
lor, habra P(10, 3) foru1 u2 u3 u4 u5 u6 u7 u8 u9 u10
mas de repartir. Ahora
bien, puesto que las bolas son idnticas, el orden de colocacin de las bolas, o lo que es equivalente, el orden de eleccin de las urnas, no influye a la hora de contar. Por tanto
la solucin es
C (10, 3) =
69
10!
3!7!
Ejercicio 3.32. Un comit de seis personas A, B, C, D, E y F deben elegir tres representantes (sin ningn rango entre ellos). Calcule el nmero de formas diferentes
de hacer la eleccin si:
1. No hay restricciones.
2. Deben figurar A y B.
3. Deben figurar A o B, pero no ambos.
4. Deben figurar A o B.
Nmeros combinatorios. Propiedades
Los llamados nmeros combinatorios, por su utilidad, merecen un estudio algo ms detallado.
Proposicin 3.33. Los nmeros combinatorios tienen las siguientes propiedades:
1. Para cada entero n 0
n
n
=
=1
0
n
Demostracin. Trivial, teniendo en cuenta que 0! = 1.
70
Tcnicas de Recuento
Demostracin. Partimos de la parte derecha y la vamos a igualar a la
izquierda.
n1
( n 1) !
n1
( n 1) !
+
=
+
=
r1
(r 1)!(n r )! r!(n r 1)!
r
r ( n 1) !
(n r )(n 1)!
+
=
r (r 1)!(n r )! r!(n r )(n r 1)!
n!
r (n 1)! + (n r )(n 1)!
=
=
r!(n r )!
r!(n r )!
n
=
r
1
1
1
1
2
3
1
3
1
4
..
...
...
...
...
..
71
Ejercicio 3.36. Comprueba (a mano) la veracidad del teorema del binomio de Newton para n = 2, 3, 4.
3.2.5.
n+r1
.
r
Ejemplo 3.40. Disponemos de 10 urnas diferentes (con capacidad para tres
o ms bolas), y tres bolas iguales que se desean repartir entre las urnas. De
cuntas formas diferentes se puede realizar este reparto?
jj
u1
u2
u3
u4
u5
u6
u7
u8
u9
u10
S OLUCIN: Al colocar una bola en una urna realmente estamos seleccionando dicha urna (puesto que las bolas son idnticas). Por tanto, el problema equivale a elegir 3 urnas de entre las 10, con posibles repeticiones,
siendo el orden intrascendente, esto es
10 + 3 1
12
CR(10, 3) =
=
3
3
lo denotamos por
CR(n, r ).
72
Tcnicas de Recuento
3.2.6.
Nmeros multinomiales
En la prueba de la frmula del binomio de Newton, Teorema 3.35, hicimos uso del hecho de que
n
POR(i, n i ) =
i
El ejemplo y el ejercicio que siguen nos muestran que, en general, existe una
relacin entre las combinaciones y las permutaciones de objetos repetidos.
Ejemplo 3.41. De cuntas formas podemos repartir tres bolas rojas, dos
azules y una verde en 10 urnas con capacidad para una nica bola.
rj
u1
rj
u2
aj
u3
u4
aj
u5
vj
u6
u7
rj
u8
u9
u10
S OLUCIN: Para resolverlo, descomponemos el reparto en tareas y aplicamos el principio del producto. As, al repartir las bolas rojas tenemos
C (10, 3) formas de hacerlo. Al repartir las azules, tenemos C (7, 3), puesto
que 3 urnas ya estn ocupadas, y, por ltimo, la bola verde se puede hacer
de C (5, 1) formas. Por tanto, la solucin es
10
7
5
3
2
1
Ejercicio 3.42. El problema del ejemplo anterior se ha resuelto por combinaciones.
Otra forma distinta de resolverlo es permutar de todas las formas posibles la cadena
de 10 caracteres
RRRAAVSSSS
donde el carcter S representa las urnas sin ninguna bola. Expresa la solucin y
compralo con la expresada en el ejemplo 3.41 anterior.
En general, si n = n1 + n2 + + nt
POR(n1 , n2 , . . . , nt )
n!
n!
( n n1 ) !
=
n1 !n2 ! . . . nt !
n1 ! ( n n1 ) ! n2 ! . . . n t !
= C (n, n1 ) POR(n2 , . . . , nt )
= C (n, n1 )C (n n1 , n2 ) POR(n3 , . . . , nt )
= .........
n
n n1
n n1 n2
nt
=
...
n1
n2
n3
nt
n
def
=
n1 , n2 , . . . , n t
73
n
n1 , n2 , . . . , n t
= POR(n1 , n2 , . . . , nt ).
3.3.
| A1 A2 ... An | = 1 2 + 3 + (1)n+1 n .
donde i es la suma de los cardinales de todas las intersecciones posibles de i conjuntos (1 i n).
1 = | A1 | + | A2 | + + | A n |,
2 = | A 1 A 2 | + + | A n 1 A n | ,
...
n = | A1 A n |.
Generalmente, este principio se usa en sentido negativo, es decir, si tenemos un conjunto universal U , con |U | = N
| A1 A2 An | = N | A1 A2 ... An |
Ejercicio 3.45. Calcula el nmero de palabras distintas que se pueden formar reordenando la palabra MARINA de forma que las vocales no aparezcan consecutivas.
3.3.1.
74
Tcnicas de Recuento
| A1 A2 A3 A4 A5 | = 1 2 + 3 4 + 5
siendo
1 = | A1 | + | A2 | + | A3 | + | A4 | + | A5 | = 5 4!
5
2 = | A1 A2 | + . . . | A4 A5 | =
3!
2
5
3 = | A1 A2 A3 | + . . . | A3 A4 A5 | =
2!
3
5
4 = | A1 A2 A3 A4 | + . . . | A2 A3 A4 A5 | =
1!
4
5 = | A1 A2 A5 | = 1
luego, la solucin es
5! (5! 10 3! + 10 2! 5 1! + 1) = 60 20 + 5 1 = 44
Ejercicio 3.47. Generaliza el resultado del ejercicio anterior para n cartas y n
sobres.
3.3.2.
r
(1) i (r i)n .
i =0
i
75
Demostracin. Supongamos que A = { a1 , . . . , an } y B = {b1 , . . . , br } y considermos como conjunto universo, U , el conjunto de todas las funciones de A en B.
U = { f : A B | f es una funcin}
|U | = r n
Vamos a calcular el conjunto de funciones f U tales que Im f = B (funciones sobreyectivas). Se tiene que cumplir pues que b1 Im f , b2 Im f , . . . y br Im f . Consideremos,
para cada 1 i r, los subconjuntos
Xi = { f | bi Im f } U
El conjunto de funciones sobreyectivas ser X1 X2 . . . Xr y, para calcular su cardinal
hacemos las siguientes transformaciones:
| X1 X2 . . . X r | = | X1 X2 . . . X r | =
= | X1 X2 . . . Xr | = |U | 1 2 + ... + (1)r+1 r
En el clculo de 1 precisaremos del cardinal de cada Xi . El nmero de funciones de A
en B que dejan a bi sin ser imagen de ningn elemento es el mismo que el de funciones de
A en B {bi }: (r 1)n .
1 =
i =1
i =1
| Xi | = ( r 1 ) n = r ( r 1 ) n
Para calcular 2 debemos sumar los cardinales de todas las posibles intersecciones de dos
conjuntos distintos. Sean Xi y X j dos cualesquiera de estos conjuntos. La interseccin de
ellos la forman las funciones de A en B que dejan fuera del conjunto imagen a los elementos bi y b j . Con un razonamiento similar al anterior podemos afirmar que el nmero de
aplicaciones con estas caractersticas es (r 2)n .
2 =
| Xi X j | = ( r 2 ) n
i6= j
i6= j
Como todos los sumandos son iguales y tenemos tantos como formas de seleccionar dos
conjuntos distintos de entre X1 , ...Xr , 2 queda de la siguiente forma:
r
2 =
(r 2) n
2
Generalizando para un h N con 1 h r tenemos:
r
h =
(r h ) n
h
Y, por tanto, el nmero de funciones sobreyectivas de A en B es:
| X1 X2 .. Xr |
=
=
=
|U | (1 2 + ... + (1)r+1 r )
r
r
r
rn
(r 1) n +
(r 2)n .... + (1)r
(r r ) n
1
2
r
r
i r
(1) i (r i)n
i =0
Ejercicio 3.49. El Ministerio de Defensa est interesado en siete proyectos distintos que pueden ser desarrollados por cuatro compaas diferentes. De cuntas
formas pueden concederse los contratos para que todas las compaas desarrollen,
al menos, un proyecto?
76
Tcnicas de Recuento
3.4.
77
2. S(n, n) = 1
3. S(n, r ) = S(n 1, r 1) + r S(n 1, r )
Utilizando este teorema se construye fcilmente un tringulo similar
al de Pascal (o Tartaglia) que permite calcular los nmeros de Stirling de
segunda especie de forma recursiva.
Ejercicio 3.55. Rellena la siguiente tabla de nmeros de Stirling de segunda especie.
r
S(n, r )
1 2
3
4 5 ...
1
2
n
3
4
5
..
.
3.4.1.
x!
= x ( x 1)( x 2) . . . ( x n + 1)
( x n)!
P( x, n) =
s(n, k)x
es habitual, s(0, 0) = 1.
r
r =0
78
Tcnicas de Recuento
3
4
5
..
.
Observa que, si r > 0, los nmeros s(n, r ) tienen signo, es decir, algunos son positivos y otros negativos. Habitualmente se usan los nmeros de
Stirling de primera especie sin signo,
c(n, r ) = |s(n, r )|
Tanto los nmero s(n, r ) como c(n, r ) tienen interesantes propiedades que,
en este curso, no vamos a estudiar.
3.4.2.
Nmeros de Bell
B(n) =
S(n, r)
r =0
3.5.
Abreviadamente E.R.
Ecuaciones de Recurrencia
79
donde a 1, b 1
La funcin logstica
xn+1 = rxn (1 xn )
se usa frecuentemente para calcular modelos de crecimiento o bien
como punto de partida para otros modelos.
Ejercicio 3.58. Usa un programa de hoja de clculo para encontrar los primeros
20 valores de la sucesin xn de la funcin logstica xn+1 = rxn (1 xn ) siendo:
1. r = 4 y x0 = 0, 99.
2. r = 2 y x0 = 0, 01.
Observa como en cada caso se comporta de modo distinto2 .
Ejemplo 3.59. A veces aparecen sistemas de ecuaciones de recurrencia. Por
ejemplo, en teora de la seal se usa la llamada ecuacin de Hnon que ofrece
un desarrollo altamente irregular:
xn+1 = 1 1,4xn2 + yn
(3.1)
yn+1 = 0,3xn
y que est relacionada con la denominada teora del caos.
Ejercicio 3.60. Igual que en el ejercicio 3.58 anterior, rellena en el cuadro siguiente
un resumen de los resultados obtenidos en una hoja de clculo al calcular los 20
primeros valores de la ecuacin de Hnon cuando ( x0 , y0 ) = (0, 0).
Ejemplo 3.61. Ecuaciones de recurrencia que todos conocis son las progresiones aritmticas y geomtricas.
Progresin Aritmtica an = an1 + d, siendo d un nmero real constante
llamado diferencia de la progresin.
Progresin Geomtrica an = r an1 , siendo r un nmero real constante
llamado razn de la progresin.
Ejercicio 3.62. Pon ejemplos de progresiones aritmticas y de progresiones geomtricas expresadas de la forma { a0 , a1 , a2 , . . . }.
Por ejemplo la sucesin
2 La primera situacin se comporta de modo catico, en cambio la segunda la sucesin
80
Tcnicas de Recuento
3.5.1.
Objetivo
a0 = a, a1 = b, . . .
81
3.5.2.
(3.2)
a0 = 1, a1 = 1
82
Tcnicas de Recuento
Polinomio caracterstico
Dada una ecuacin de recurrencia (3.2) de orden k llamamos polinomio
caracterstico de dicha ecuacin al polinomio de grado k formado por los
coeficientes de la ecuacin, del siguiente modo:
x k + C1 x k1 + C2 x k2 + + Ck
Ejercicio 3.71. Podras escribir el polinomio caracterstico de la ecuacin que
define la sucesin de Fibonacci del ejemplo 3.69?
Ejercicio 3.72. El polinomio caracterstico nunca puede tener 0 por raiz. Por
qu?
Las races de este polinomio nos permitir construir una base para las
soluciones segn el siguiente teorema.
Puede verse una justificacin
(aunque no demostracin
completa) al final de este
tema.
Teorema 3.73. Si x1 y x2 son races (complejas) distintas del polinomio caracterstico, entonces
1. Las sucesiones an = x1n y bn = x2n son soluciones linealmente independientes de la ecuacin homognea (3.2).
2. Si x1 es una raz de multiplicidad t entonces las t sucesiones siguientes
x1n ,
nx1n ,
n2 x1n ,
...
, nt1 x1n
83
1 5
1+ 5
y x2 =
.
que tiene dos races distintas: x1 =
2
2
Por tanto tenemos un subespacio vectorial de soluciones de dimensin 2
definido por la siguiente
Solucin general: an = K1
n
1+ 5
2
+ K2
n
1 5
2
De las infinitas soluciones que describe esta solucin general, slo una
verifica los valores iniciales a0 = a1 = 1. Calculmosla:
0
0
5+1
K1 =
K1 1+2 5 + K2 12 5 = 1
2
5
1
1
51
1+ 5
1 5
K1
+ K2
=1
K2 =
2
2
2 5
Sustituyendo en la solucin general nos da el trmino general de la sucesin de Fibonacci que tiene la siguiente expresin:
an =
(1 +
5 ) n +1 (1
2n +1 5
5 ) n +1
Ejercicio 3.76. Comprueba que el trmino general antes expresado da las mismas
soluciones que las halladas en el ejercicio 3.70.
Resolucin cuando tiene races complejas no reales
Puesto que el polinomio caracterstico de
una ERL homognea es real, si z = a + ib es
una raz compleja del mismo, por proposicin 2.63 su conjugado z = a ib tambin
es una raz. Siguiendo el corolario 3.74 tenemos entonces que
K1 zn + K2 zn = K1 ( a + ib)n + K2 ( a ib)n
Im
z
b
a
Re
z
es la solucin general de la ecuacin de recurrencia.
Figura 3.2:
Para tener una mejor expresin de las soluciones se usa la llamada forma trigonomtrica de los nmeros complejos.
Sabemos que el mdulo de z y z coinciden,
p
| z | = a2 + b2 = | z |
84
Tcnicas de Recuento
b
= Arg z =
a
y en forma polar
z = |z|ei = |z| (cos + i sen ) y z = |z|ei = |z| (cos( ) i sen( ))
junto con la frmula de De Moivre en proposicin 2.58 transforma la solucin
K1 zn + K2 zn =(|z|n (K1 + K2 )) cos(n ) + (|z|n i (K1 K2 )) sen(n )
2
3an + 4an1 = 0
n +1
y bn+1 + 2 3bn + 4bn1 = 0 que nos dar, cada una de ellas, una solucin.
Resolvamos la primera de ellas, que tiene por polinomio caracterstico
p( x ) = x2 2 3x + 4
n
n
+ M2 2n sen
6
6
M1 =
a1 = M1 2 cos + M2 2 sen = 0
4
6
6
a2 = M1 4 cos + M2 4 sen = 1
M2 =
3
3
4
y por tanto la solucin a nuestro problema se puede expresar de la forma
n
n
3 sen
an = 2n2 cos
6
6
Resolviendo la segunda ecuacin de recurrencia (ejercicio 3.78) nos da
como solucin
5n
5n
n 2
bn = 2
cos
+ 3 sen
6
6
y, conjuntamente, ambas son soluciones de la ecuacin de recuerrencia que
nos piden.
85
S OLUCIN:
General
Con v.i.
3.5.3.
n
n
an = k1 cos
+ k2 sen
6
6
n
an = sen
6
E.R.L. No Homogneas
86
Tcnicas de Recuento
Es necesaria la torre de ayuda para poner los discos que hay que apartar provisionalmente para llegar al disco ms grande. Si lo hiciramos por
computadora, una posible orden para resolverlo podra ser:
MOVER-TORRE(4, 0, 2, 1)
que quiere decir mueva una torre de tamao 4 tomando como torre de
origen la nmero 0, como torre de destino la nmero 2 y como ayuda
la nmero 1. En el cuadro 3.1 damos un posible pseudocdigo de este
problema.
Por lo anterior, si an representa el nmero de movimientos necesarios
para mover completamente n discos, para estos 4 discos ser a4 = 2a3 + 1,
pero a3 = 2a2 + 1 y por ltimo a2 = 2a1 + 1. Obviamente a1 = 1 puesto que
con un solo disco necesitamos nicamente un movimiento.
As que reconstruyendo los clculos anteriores (a la inversa) tenemos
a2 = 3, a3 = 7 y a4 = 15.
Si queremos resolver el problema de forma ms general tendramos la
siguiente ecuacin de recurrencia con valor inicial
an = 2an1 + 1;
a1 = 1
(3.3)
donde f (n) 6= 0.
Llamaremos ecuacin homognea asociada a (3.3) a la que resulta de
hacer f (n) = 0, es decir,
an + C1 an1 + C2 an2 + + Ck ank = 0
y al conjunto de soluciones (o solucin general) de la homognea se repre(h)
senta por an
87
(h)
( p)
an = an + an .
( p)
(h)
Demostracin. Basta sustituir an + an en la parte derecha de (3.3) y comprobar que resulta f (n). Completa los detalles como ejercicio.
Ejemplo 3.81. Vamos a resolver la ecuacin de recurrencia de las Torres de
Hanoi
an = 2an1 + 1;
a1 = 1
(3.4)
S OLUCIN: La ecuacin homognea asociada (de primer orden)
an 2an1 = 0
tiene como polinomio caracterstico x 2, con raz x = 2, luego
(h)
an = k2n
Por otro lado, si suponemos que la ecuacin (3.4) admite como solucin
( p)
particular una constante an = A al sustituir debe verificar la ecuacin, es
decir:
( p)
( p)
an = 2an1 + 1 A = 2A + 1 A = 1
de donde la solucin general ser:
(h)
( p)
an = an + an = k2n 1
Nos queda encontrar la solucin que resuelve el valor inicial a1 = 1. Sustituyendo a1 en la solucin general obtenemos
a1 = k21 1 1 = 2k 1 k = 1
luego
a n = 2n 1
88
Tcnicas de Recuento
(p)
( p)
f (n)
an
Constante
K
A
Polinomio
P(n) = K1 + K2 n + . . . Q(n) = A + Bn + . . .
Polinomio Exponencial
P(n)K n
Q(n)K n
Siendo P(n) y Q(n) polinomios del mismo grado (excepto en ocasiones que
hay subir un grado).
Ejercicio 3.82. Encuentra la solucin general de las siguientes relaciones de recurrencia lineales:
1. an 2an1 + an2 = n3 2n
2. an an1 = 2n2 n
n2
3n
Ejercicio 3.83. Sea una escalera con n escalones. Juanito puede subir la escalera
de diferentes modos. Usando un paso para subir un escaln, o dos escalones o tres
escalones. Combinando todos estos pasos para subir la escalera de cuntas formas
puede hacerlo?
3. an 2an1 + an2 =
5a0
5a1
A, a2 = a1 +
A, . . . , a60 = 0
1200
1200
89
nx1n ,
n2 x1n ,
...
, nt1 x1n
(3.5)
90
Tcnicas de Recuento
Para comprobar que son linealmente independientes, consideramos una combinacin lineal igualada a cero, es decir
x1n + x2n = 0
y, como esta igualdad es verdad para todo natural n, lo es para
n = 0 y n = 1, que al sustituir nos da el siguiente sistema:
+ = 0
x1 + x2 = 0
que se simplifica como ( x1 x2 ) = 0. Como, por hiptesis x1 y x2
son diferentes, se deduce que = 0 y, por tanto, = 0. Esto prueba
que son linealmente independientes.
+ C1 (k
1) x1k2
(3.6)
+ + Ck1 = 0
(3.7)
afirmacin de esta llamada es muy conocida, pero si no la sabes piensa que una raz
doble x1 hace que un polinomio se pueda expresar p( x ) = ( x x1 )2 q( x ). Basta derivar para
hacer la comprobacin.
91
Ejercicios Propuestos
Ej. 3.1 Cuntas permutaciones de las letras ABCDEF contienen las letras DEF juntas en cualquier orden?
Ej. 3.2 Un comit de seis personas A, B, C, D, E, F debe escoger un presidente, un secretario y un tesorero. De cuntas formas se puede hacer la
eleccin? De cuntas si el presidente debe ser A B?
De cuntas si E debe ocupar uno de los cargos? De cuntas si A y F deben
ocupar un cargo?
Ej. 3.3 Se ha recibido un paquete de 100 discos compactos con cinco discos defectuosos. De cuntas maneras se puede elegir una muestra de cuatro discos que contenga ms discos defectuosos que no defectuosos?
Ej. 3.4 Un autobs de 32 plazas numeradas (16 a la derecha y 16 a la
izquierda) transporta a 28 alumnos de la E.T.S. Ingeniera Informtica en
su viaje de fin de carrera. De cantas formas pueden sentarse si tres de
ellos slo pueden ir a la derecha y cinco de ellos slo a la izquierda?
Ej. 3.5 Cuntas cadenas de ocho bits hay? Cuntas de ellas comienzan
por 101? Cuntas de ellas comienzan por 101 o tienen el cuarto bit igual a
1?
Ej. 3.6 Cuntos nmeros de telfono (de 9 cifras) tienen al menos un
dgito repetido?
Ej. 3.7 Cuntas soluciones enteras de la ecuacin x1 + x2 + . . . x6 = 20
satisfacen 1 xi 9? (Utiliza incl. y excl.)
Ej. 3.8 (Feb. 2012) Se tienen 6 alumnos de 1er curso, 5 de 2o , 4 de 3o , 3
de 4o , 2 de 5o y 1 de 6o , como candidatos a recibir 5 premios de la Facultad
de Medicina, uno al alumno menos charlatn, otro al ms atento, otro al de
mejor letra, otro al que ms asiste a tutoras y otro al que mejor aparca el
coche. Suponiendo que ningn alumno puede recibir ms de un premio, se
pide:
1. De cuntas formas se pueden distribuir los premios?
92
Tcnicas de Recuento
2. A la persona encargada se le olvid de grabar el nombre del premio
en las copas. De cuntas formas se pueden repartir ahora las copas
si cada alumno puede recibir ms de una?
Ej. 3.9 (Dic. 2012) Se quieren formar cadenas de longitud 10 con los nmeros 0, 1, 2 y 3. Se pide:
1. Cuntas cadenas distintas se pueden formar?
2. Cuntas cadenas tienen peso 3 (es decir, la suma de sus cifras es 3)?
Ej. 3.10 Calcula el nmero de formas en que pueden ordenarse los dgitos 0, 1, 2, . . . 9 de modo que el primer dgito es mayor que 1, el ltimo es
menor que 8 y el tercero es distinto de 5. (Usa inclusin y exclusin)
Ej. 3.11 (Feb. 2013) Consideremos la cuadrcula:
1. De cuntas formas se puede pintar si cada casilla puede ser indistintamente blanca o negra?
2. De cuntas formas se puede pintar si debe haber 2 casillas blancas,
4 negras y 10 rojas?
Ej. 3.12 (Feb. 2013) Cuntos nmeros de 4 cifras y mltiplos de 5, empiezan por 3, por 5 o por 9 y contienen al menos un dgito que sea 7 y al
menos un dgito que sea 5?
Ej. 3.13 Se ha producido un robo y la polica interroga a dos testigos
sobre la matrcula del vehculo utilizado para la huida (cuatro dgitos y dos
letras de un alfabeto de 26). El primer testigo asegura que la segunda letra
de la matrcula era una O o una Q y que el ltimo dgito era un 3 o un 8. El
segundo testigo asegura que la primera letra era una C o una G y el primer
dgito era definitivamente un 7.
1. Cuntas placas diferentes tendr que verificar la polica?
2. Si en investigaciones posteriores la polica obtiene adems que la
matrcula no termina en 53 ni empieza en 78, cuntas comprobaciones se tendrn que hacer en este caso?
Ej. 3.14 Calcula cuntos nmeros enteros hay entre 1000 y 9999 que cumplan las siguientes condiciones (independientes entre ellas):
1. La suma de sus dgitos es exactamente 9.
2. La suma de sus dgitos es exactamente 9 y son todos distintos de 0.
3. Ser impar y tener todos los dgitos diferentes.
4. Alguno de sus dgitos es 9.
93
Ej. 3.15 Supongamos 7 pelotas de distintos colores y 4 recipientes numerados 1,2,3,4. De cuntas maneras se pueden distribuir las pelotas para
que no haya ningn recipiente vaco? Siendo una de las pelotas azul, De
cuntas formas la podemos distribuir si obligamos a la pelota azul a estar
en el recipiente nmero 2, y que no haya ninguno vaco?
Ej. 3.16 Los Reyes Magos traen n juguetes diferentes a n nios. En el
camino deciden dejar a exactamente un nio sin juguete y repartir todos
los juguetes entre los restantes nios. De cuntas formas pueden hacerlo?
Ej. 3.17 Completa la tabla siguiente indicando el nmero de maneras de
distribuir nueve objetos en cinco recipientes:
Objetos (9)
Recipientes (5)
Indistinguibles
Distinguibles
Distinguibles
Distinguibles
Distinguibles
Indistinguibles
Posibilidad
recipientes
vacos
Si
No
No
Nmero
de
distribuciones
Ej. 3.18 (Dic. 2011) Calcula el nmero de formas en que pueden ordenarse los dgitos 0, 1, 2, . . . 9 de modo que el primer dgito es mayor que
1, el ltimo es menor que 8 y el tercero es distinto de 5. (Usa inclusin y
exclusin).
Ej. 3.19 (Sept. 2012) Se tienen 4 bolas de golf y 10 cajas distintas. Determine de cuntas maneras diferentes pueden distribuirse las bolas en las
cajas si:
1. Todas las bolas son distintas y en ninguna caja cabe ms de una bola.
2. Todas las bolas son iguales y en ninguna caja cabe ms de una bola.
3. Todas las bolas son iguales y en cada caja caben cuantas bolas se
quieran poner.
4. Todas las bolas son distintas y en cada caja caben cuantas bolas se
quieran poner.
Ej. 3.20 Para cada uno de los siguientes grafos: De cuantas formas puede asignarse un color a cada vrtice ai de la figura, con n colores, de modo
que dos vrtices con una arista comn deben tener necesariamente colores
distintos?
94
Tcnicas de Recuento
a3
a4
1.
a3
a4
2.
a1
a2
a3
a4
a1
a2
3.
a1
a2
Ej. 3.21 (Sep. 2013) Un estudiante debe responder siete de las diez preguntas de un examen. Halla de cuntas formas puede hacer su eleccin si:
1. no hay restricciones
2. debe contestar las dos primeras preguntas.
3. debe responder al menos cuatro de las seis primeras preguntas.
Ej. 3.22 Resuelve las siguientes ecuaciones de recurrencia
1. an+2 = an con a0 = 1, a1 = 4.
2. an = an1 + (n 1) con a0 =
1.
3. an = 2an1 + 2 con a1 = 1.
4. an = an1 + (1)n+1 con a1 =
1.
5. an+2 = 2an+1 + 3an con
a0 = 1, a1 = 2.
6. an+2 = 4an+1 7an con a0 =
1, a1 = 2.
7. an+2 + 4an+1 + 4an = n2 con
a0 = 0, a1 = 2.
8. an+2 + 3an+1 + 2an = 3n con
a0 = 0, a1 = 1.
95
TEMA 4
ESPACIOS VECTORIALES
ndice
4.1.
Definicin y propiedades . . . . . . . . . . . . . . . .
4.1.1. Dependencia e independencia lineal . . . . .
4.2. Subespacios vectoriales . . . . . . . . . . . . . . . . .
4.2.1. Ecuaciones de un subespacio vectorial de Rn
4.3. Bases y dimensin . . . . . . . . . . . . . . . . . . . .
4.3.1. Cambio de base . . . . . . . . . . . . . . . . .
4.3.2. Bases de subespacios . . . . . . . . . . . . . .
4.4. Operaciones con subespacios . . . . . . . . . . . . . .
4.4.1. Interseccin de subespacios . . . . . . . . . .
4.4.2. Suma de subespacios . . . . . . . . . . . . . .
4.5. Espacios cocientes . . . . . . . . . . . . . . . . . . . .
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . .
4.1.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
97
99
101
103
105
107
108
109
109
111
113
114
Definicin y propiedades
( + )~v = ~v + ~v
97
98
Espacios vectoriales
~ V
2. K, ~v, w
~ ) = ~v + w
~
(~v + w
3. , K, ~v V
(~v) = ()~v
4. ~v V
1 ~v = ~v
Nota. A lo largo de este curso el cuerpo de escalares ser, salvo que se diga
lo contrario, K = R (nmeros reales) o K = C (nmeros complejos).
Ejercicio 4.1. El conjunto de todas las funciones de Z en Z es un espacio vectorial real? Y el conjunto de las funciones de Z en R lo es?
Proposicin 4.2. Las principales propiedades de un espacio vectorial son:
0 ~v = ~0
1. ~v V
~0 = ~0
Demostracin. Como (V, +) es un grupo abeliano, el opuesto de ~v es nico, por tanto nicamente tenemos que probar
~v + ()~v = ~0
~v + (~v) = ~0
Ejemplos 4.3. Los siguientes conjuntos con las operaciones correspondientes son espacios vectoriales reales:
1. Los vectores libres del plano (o del espacio).
2. F = { f : R R | f es funcin}.
3. El cuerpo R es espacio vectorial sobre el propio cuerpo. En este espacio vectorial, los elementos del cuerpo son vectores y escalares.
4. En general, Rn es un espacio vectorial sobre el cuerpo R.
99
4.1.1.
Dado un espacio vectorial V, llamaremos sistema de vectores a un conjunto finitode vectores X = {~v1 , ~v2 , . . . , ~vk } de V.
Definicin 4.4. Decimos que ~v es combinacin lineal del sistema X = {~v1 , ~v2 , . . . , ~vk }
si, y slo si, existen escalares 1 , 2 , . . . , k tales que
k
i~vi
i =1
Definicin 4.5. Un sistema de vectores X = {~v1 , ~v2 , . . . , ~vk } se dice que es:
Linealmente Dependiente (L.D.) si existe una combinacin lineal de los
vectores de X nula, 1~v1 + 2~v2 + + k~vk = ~0 con algn escalar i
no nulo.
En caso contrario se dice que es Linealmente Independiente (L.I.), es
decir,
1~v1 + 2~v2 + + k~vk = ~0 i = 0
i = 1, . . . , n
100
Espacios vectoriales
Propiedades:
Probamos la primera y dejamos la demostracin de las dems como
ejercicio.
1. Un sistema de vectores es linealmente dependiente si y solo si alguno
de sus vectores se puede expresar como combinacin lineal de los
restantes.
Demostracin. Supongamos que el sistema es L.D., es decir
1~v1 + 2~v2 + + k~vk = ~0 y algn i 6= 0
podemos despejar ~vi =
j
~v j , es decir, ~vi es combinacin lineal
i
j 6 =i
de los restantes.
Veamos la implicacin contraria. Sea un vector combinacin lineal de
los restantes, supongamos, sin prdida de generalidad, que es ~vn . Entonces ~vn = in=11 i~vi y, por tanto,
1~v1 + + n1~vn1 + (1)~vn = ~0
de donde el sistema de vectores es L.D.
Kn ,
101
A= .
..
..
..
.
.
v1n v2n . . . vkn
Corolario 4.9. Si K = R o C, el nmero mximo de vectores de Kn linealmente independientes en un sistema X, es el rango de la matriz formada por sus
vectores columna (o fila).
Ejemplo 4.10. El sistema de vectores de R4 expresados en el ejercicio 4.6
es linealmente dependiente. Calculamos el rango de la matriz de vectores (columnas)
0 1 1
1 1 1
=2
rango
2
0
4
1 1 1
0 1
= 1 6= 0 y los nicos menores (orlados) de orden 3
puesto que
1 1
son nulos:
0 1 1 0 1 1
1 1 1 = 1 1 1 = 0
2
0
4 1 1 1
4.2.
Subespacios vectoriales
Definicin 4.11. Diremos que un subconjunto S 6= de un espacio vectorial V es un subespacio vectorial si tiene estructura de espacio vectorial
con las operaciones heredadas de V.
102
Espacios vectoriales
Nota. Los subconjuntos S = V y S = {~0} son siempre subespacios vectoriales de V llamados subespacios triviales.
Para ver si un subconjunto no vaco de un espacio vectorial es un subespacio, no es necesario comprobar que se cumplen todas las hiptesis descritas en la pgina 98, como veremos en el siguiente teorema.
Teorema 4.12 (de caracterizacin). Dado S 6= subconjunto de un espacio
vectorial V. La condicin necesaria y suficiente para que S sea subespacio de V, es
que se verifique:
103
Sistemas generadores
Proposicin 4.15. Si X = {~v1 , ~v2 , . . . , ~vk } es un sistema de vectores, el conjunto de todas las combinaciones lineales de X posibles forman un subespacio
vectorial que se representa por L( X ).
i =1
i =1
~ = i~vi + i~vi =
~v + w
+ i ) ~vi = i~vi
(|i {z
}
i =1
i =1
= i
Ejercicio 4.17. Da varias funciones del subespacio generado por las funciones
f ( x ) = x y g( x ) = x3 en el espacio de las funciones reales sobre el cuerpo R.
4.2.1.
Cuando el espacio vectorial en el que trabajamos es V = Rn existen dos Todo lo que sigue en esta
subseccin se puede
formas clsicas de expresar un subespacio vectorial S de V.
extender a subespacios
vectorials de Cn .
x1
x2
=
=
..
.
Ecuaciones paramtricas
104
Espacios vectoriales
x1 =
x2 =
x3 = 3
x4 = +
Ejercicio 4.19. Encuentra tres o ms vectores del subespacio del ejemplo 4.18
anterior cuya coordenada x4 sea 10.
Ecuaciones cartesianas o implcitas
Si eliminamos todos los parmetros i de las ecuaciones paramtricas
anteriores, nos resultan las relaciones (lineales) existentes entre las n variables xi en las que no intervienen parmetros.
Por otro lado, podemos pensar que cualquier vector ~x del subespacio
es combinacin lineal de los vectores ~v1 , ~v2 , . . . , ~vk , supuesto que son linealmente independientes, y por el corolario 4.9 sabemos que la matriz
..
..
..
..
.
.
.
.
v1n v2n . . . vkn xn
tiene rango k, luego todos los menores de orden k + 1 son cero. Desarrollando estos menores resultan, entonces, m = n k ecuaciones lineales
a11 x1 + a12 x2 + + a1n xn = 0
a21 x1 + a22 x2 + + a2n xn = 0
..
.
am1 x1 + am2 x2 + + amn xn = 0
Ecuaciones cartesianas
1
x3
3
= x4
105
x1 =
3x2 = x3
x2 = x4
y, despejando
= x1
= x4 x2
3x2 x3 = 0
equivalente a
x1 x2 + x4 = 0
(4.1)
0 1
1 0
3 0
1 1
x1
x2
x3
x4
1
0
x2
0 1
x1
0
0
x3 3x2
0
0 x4 x2 + x1
4.3.
Bases y dimensin
106
Espacios vectoriales
107
4.3.1.
Cambio de base
(4.2)
(4.3)
108
Espacios vectoriales
= x20
que nos produce un sistema de ecuaciones lineales cuadrado, cuya expresin matricial es la siguiente
p11
p21
..
.
p12
p22
..
.
pn1
pn2
0
p1n
x1
x1
x2 x 0
p2n
2
.. .. = ..
. . .
. . . pnn
xn
xn0
...
...
abreviadamente escribimos
P X = X0,
siendo X y X 0 las coordenadas del vector ~x expresadas como matrices columna. A la matriz P se le llama matriz del cambio de base de la base B a la base
B0.
Observaciones: La matriz P se construye poniendo en sus columnas las
coordenadas de los vectores ~ei B (base antigua) respecto de la base B0
(base nueva).
Observa tambin que P es invertible, puesto que es la matriz de un sistema lineal de ecuaciones n n que tiene solucin nica y, por el teorema
de Rouch-Frbenius, det( P) 6= 0.
Por tanto, la expresin PX = X 0 es equivalente a P1 X 0 = X que representa el cambio de base en sentido contrario
Ejercicio 4.28. Calcula las matrices de cambio de base entre la base cannica de
R4 y la base siguiente B = {(1, 1, 0, 0), (0, 0, 1, 1), (1, 0, 0, 1), (0, 1, 0, 1)}. Adems, usa la que corresponda para calcular las coordenas del vector (1, 1, 1, 1) en la
base B .
4.3.2.
Bases de subespacios
109
Demostracin. Si B es una base de S, entonces contiene n vectores linealmente independientes de V. Slo queda ver que es un sistema generador
del propio V. Para ello consideremos ~x V cualquier vector no contenido
en B , entonces el sistema B {~x } es necesariamente linealmente dependiente porque son n + 1 vectores en un espacio de dimensin n. Esto obliga
a que ~x sea combinacin lineal de B .
Como consecuencia del resultado anterior probaremos el siguiente que
nos ser de utilidad.
Teorema 4.30 (de la base incompleta). Sea S un subespacio vectorial de V de
dimensin n, con base BS = {~c1 , ~c2 , . . . , ~cm } (m n), entonces podemos aadir
n m vectores a dicha base,
4.4.
4.4.1.
Interseccin de subespacios
110
Espacios vectoriales
~ Si para cada i I
~v + w
~
por tanto, ~v + w
i I
Si .
Nota. Obsrvese que la unin de subespacios no es un subespacio. (Encuentra algn contraejemplo que lo corrobore).
Ejemplo 4.33. Consideremos los subespacios S1 y S2 de R5 siguientes
S1 = L({(1, 2, 1, 0, 1), (0, 1, 1, 0, 1), (1, 0, 3, 0, 3)})
x1 + x4 = 0
S2
x2 + x3 = 0
vamos a calcular la interseccin de ambos.
Calculamos,
en primer
lugar, las ecuaciones cartesianas de S1 . La matriz de
vectores
1 0 1
2 1 0
1 1 3
0 0 0
1 1 3
vectores son linealmente independientes, por tanto nos quedamos con ellos
como base de
S1 . Entonces,
si ~x = ( x1 , x2 , x3 , x4 , x5 ) es un vector de S1 la
nueva matriz
1 0
2 1
1 1
0 0
1 1
x1
x2
x3
x4
x5
1 0
x1
0 1
2x1 + x2
0 0
3x1 x2 + x3
0 0
x4
0 0 3x1 + x2 + x5
que nos da las ecuaciones cartesianas:
3x1 x2 + x3 = 0
x4 = 0
S1
3x1 + x2 + x5 = 0
Unimos por tanto, las ecuaciones de S1 y S2 para tener el siguiente sistema,
cuyas soluciones son el espacio interseccin S1 S2
3x1 x2 + x3 = 0
x4 = 0
3x1 + x2 + x5 = 0
x1 + x4 = 0
x2 + x3 = 0
111
SF
4.4.2.
Suma de subespacios
Ya hemos visto que la unin de subespacios vectoriales no es necesariamente un subespacio vectorial. Para solucionar este problema se extiende
la unin lo necesario (y suficiente) para que s sea un subespacio vectorial.
Lo vemos en la siguiente definicin.
Definicin 4.35. Dados dos subespacios vectoriales S1 y S2 de V se define
la suma de subespacios vectoriales como el conjunto
S1 + S2 = {~v1 + ~v2 | ~v1 S1 y ~v2 S2 }.
La suma S1 + S2 de subespacios vectoriales es un subespacio vectorial
~ son vectores de S1 + S2 ,
Demostracin. Aplicamos el teorema 4.12. Si ~v y w
~ =w
~1 +w
~ 2 siendo ~v1 , w
~ 1 S1 y ~v2 , w
~ 2 S2 , luego
entonces ~v = ~v1 + ~v2 y w
~ = (~v1 + w
~ 1 ) + (~v2 + w
~ 2 ) S1 + S2
~v + w
112
Espacios vectoriales
x1 = 0
x2 =
x3 =
x4 =
por tanto B2 = {(0, 1, 0, 1), (0, 0, 1, 0)} es una base de S2 . Por tanto
S1 + S2 = L({(1, 0, 2, 0), (0, 1, 1, 1), (0, 1, 0, 1), (0, 0, 1, 0)})
1 0 0 0
y como rango 02 11 10 01 = 3 elegimos tres vectores independientes (por
0110
1 0 0
x1
1 0 0 x1
0 1 1 x2 Por filas 0 1 0
2x1 + x3
2 1 0 x3 ! 0 0 1 2x1 + x2 x3
0 0 0
x2 + x4
0 1 1 x4
que nos da la ecuacin
x2 x4 = 0
113
4.5.
Espacios cocientes
~v w
~ w
~ ~v S
Veamos que, efectivamente, es de equivalencia:
Demostracin.
1. Reflexiva: ~v ~v es trivial, puesto que es equivalente a ~0 S.
~ w
~ ~v S ~v w
~ S w
~ ~v.
2. Simtrica: ~v w
~ yw
~ ~x w
~ ~v S y ~x w
~ S ~x ~v
3. Transitiva: ~v w
S ~v ~x.
Podemos dotar al conjunto cociente de suma y producto por un escalar:
~ ] y el producto [~v] = [~v],
Se definen: la suma como [~v] + [~
w] = [~v + w
lo que nos da una estructura de espacio vectorial llamado Espacio Vectorial
cociente V/S.
Demostracin. Esencialmente consiste es comprobar que la suma de clases
y el producto de un escalar por una clase de equivalencia son operaciones,
es decir, no dependen del representante de la clase elegido, es decir, ~v1 ~v2
~1 w
~ 2 , entonces [~v1 ] + [~
yw
w1 ] = [~v2 ] + [~
w2 ] y [~v1 ] = [~v2 ].
114
Espacios vectoriales
Ejercicios Propuestos
Ej. 4.1 Halla cuales de los siguientes conjuntos forman un subespacio
vectorial de R4 :
E1 = {( x1 , x2 , x3 , x4 ) | x1 + x2 = 1} E2 = {( x1 , x2 , x3 , x4 ) | x1 + x2 = x3 + x4 }
E3 = {( x1 , x2 , x3 , x4 ) | x1 x4 = 0} E4 = {( x1 , x2 , x3 , x4 ) | x1 Q}
Ej. 4.2 Considera en R4 el conjunto
X = {(1, 2, 1, 2), (1, 0, 1, 0), (3, 3, 3, 3), (0, 0, 1, 2), (0, 1, 0, 1)}
1. Determina un subconjunto mximo de vectores linealmente independientes.
2. Representa mediante ecuaciones paramtricas y mediante ecuaciones implcitas el subespacio generado por el conjunto X.
3. Determina una base de dicho subespacio.
Ej. 4.3 Sea V el conjunto formado por las sucesiones infinitas de nmeros reales; en V se consideran las operaciones:
{ a n } + { bn } = { a n + bn }
{ an } = {an }
115
~ 0 } es una base de V.
1. Prueba que B 0 = {~u0 , ~v0 , w
2. Establece las ecuaciones del cambio de base de B a B 0 .
~ 0.
3. Halla las coordenadas respecto de B del vector ~z = 2~u0 + 3~v0 + w
Ej. 4.5 En el espacio vectorial real R10 , se consideran los subespacios:
V = {( x1 , x2 , . . . , x10 ) | xn+i = xi ,
i = 1, 2, . . . , 5}
i = 1, 2, . . . , 5}
116
Espacios vectoriales
3. Expresa los subespacios E y V mediante ecuaciones implcitas y determina E V a partir de dichas ecuaciones.
4. Determina una base y la dimensin de E V.
5. Calcula una base de E + V y expresa este subespacio mediante ecuaciones paramtricas y mediante ecuaciones implcitas.
6. Se trata de una suma directa?Por qu?
Ej. 4.12 (Feb. 2012) Consideramos E = L({(2, 0, 1), (1, 1, 2), (1, 1, 1)})
y V = L({(1, 0, 1), (0, 1, 1)}) en el espacio vectorial R3 .
1. Determina una base de E y las coordenadas en dicha base del vector (5, 3, 2).
2. Expresa los subespacios E V y E + V mediante ecuaciones paramtricas y mediante ecuaciones implcitas.
Ej. 4.13 (Feb. 2013) Considere, en R4 , el subespacio U = L({(1, 1, 0, 0),
(0, 0, 1, 1), (0, 0, 5, 0), (3, 3, 2, 1)}) y el subespacio V = {( x1 , x2 , x3 , x4 ) |
x1 x3 = 0}.
1. Determine una base de U y exprese U con ecuaciones implcitas.
2. Estudie si los vectores (2, 1, 2, 1), (2, 2, 1, 1) y (1, 2, 2, 1) pertenecen a
U y, en caso afirmativo, encuentre su representacin respecto de la
base del apartado anterior.
3. Determine U V y U + V. Es suma directa?
Ej. 4.14 En R3 se considera el conjunto U = {( x1 , x2 , x3 ) | x1 x2 =
0 y x1 2x2 + x3 = 0} y la relacin de equivalencia ( x1 , x2 , x3 ) RU (y1 , y2 , y3 )
si ( x1 y1 , x2 y2 , x3 y3 ) U.
1. Demuestra que U es un subespacio.
2. Demuestra que RU es una relacin de equivalencia.
3. Encuentra dos elementos que pertenezcan a la misma clase que el
vector (1, 2, 3).
4. Encuentra una base de R3 /U
Ej. 4.15 Demuestra que si los vectores ~x1 , ~x2 , . . . , ~xn son linealmente independientes, tambin lo son ~u1 , ~u2 , . . . , ~un siendo ~u1 = ~x1 , ~u2 = ~x1 + ~x2 ,
. . . , ~un = ~x1 + ~x2 + + ~xn .
TEMA 5
APLICACIONES LINEALES
ndice
5.1.
5.2.
5.3.
5.4.
5.5.
5.1.2.
5.1.3.
5.1.4.
5.2.2.
5.3.2.
5.3.3.
5.4.2.
5.5.2.
5.5.3.
117
118
Aplicaciones lineales
5.1.
i~vi
i =1
i f (~vi )
i =1
por 2
Ejemplo 5.4. La funcin f ( x1 , x2 , x3 ) = ( x1 x3 , 2x2 + x3 ) est expresada
analticamente y entendemos que est definida en R3 con imgenes en R2 .
Prueba que es una aplicacin lineal.
S OLUCIN : Usamos la definicin 5.3. Si expresamos ~v1 = ( x1 , x2 , x3 ) y ~v2 =
(y1 , y2 , y3 ) tenemos:
f (~v1 + ~v2 ) = f (x1 + y1 , x2 + y2 , x3 + y3 )
119
Ejercicio 5.5. De las siguientes funciones f : V E, determina cuales son aplicaciones lineales:
1. V = E = R3 , f (~v) = ~v + ~v0 , con ~v0 un vector fijo de R3 .
2. V = E = R3 , f (~v) = ~v0 , con ~v0 un vector fijo de R3 .
3. V = E = Mnn , f ( A) = A + At .
4. V = E = P3 [R], f ( p( x )) = xp0 ( x ). (Recordemos que P3 [R] el espacio
vectorial de los polinomios de grado menor o igual que 3, y p0 ( x ) la derivada
de p( x ))
Proposicin 5.6 (Propiedades). Si f : V E una aplicacin lineal, entonces:
1. La imagen del vector cero es el vector cero. Ms brevemente, f (~0) = ~0.
2. Para todo ~v V se satisface f (~v) = f (~v).
3. Si un subespacio U = L({~v1 , . . . , ~vk }) de V est generado por k vectores,
entonces su imagen f (U ) es un subespacio vectorial de E generado por las
imgenes del sistema generador de U, es decir,
f (U ) = L({ f (~v1 ), . . . , f (~vk )})
4. La aplicacin lineal f viene completamente determinada por las imgenes de
una base de V.
Demostracin.
1. f (~0) = f (~0 + ~0) = f (~0) + f (~0), luego f (~0) = f (~0) f (~0) = ~0.
2. f (~v) = f ((1)~v) = (1) f (~v) = f (~v).
3. En primer lugar veamos que f (U ) es un subespacio vectorial. Dados
~ 1 = f (~a1 ), w
~ 2 = f (~a2 ) con ~a1 ,~a2 en U, y dos
dos vectores de f (U ), w
escalares , K entonces
~ 1 + w
~ 2 = f (~a1 + ~a2 ) = f (~v) f (U )
w
| {z }
~vU
por tanto L({ f (~v1 ), . . . , f (~vk )}) f (U ) (puesto que el subespacio generado est en cualquier espacio que contenga al sistema generador).
~ f (U ) w
~ = f (~v) con ~v U y ~v = ik=1 i~vi ,
Por otro lado si w
luego
k
~ =
w
i =1
120
Aplicaciones lineales
f (~v) = f
i~ei
i =i
= i f (~ei )
i =i
f (1, 1, 1, 1) = (1, 1, 0, 1)
se pide:
1. Da una expresin analtica de f .
x x4 = 0
2. Si U es el subespacio de
de ecuaciones cartesianas 1
2x2 + x3 = 0
calcula las ecuaciones de f (U ).
R4
,
5.1.1.
121
Para las aplicaciones lineales se usan los siguientes trminos: monomorfismo (aplicacin lineal inyectiva), epimorfismo (sobreyectiva) e isomorfismo
(biyectiva). Adems, llameros endomorfismo: a cualquier aplicacin lineal
desde un espacio vectorial V al propio V, es decir, f : V V y automorfismo: a una aplicacin lineal que es endomorfismo e isomorfismo.
Nota. Especial inters tiene en lgebra lineal los isomorfismos de espacios
vectoriales. Si existe un isomorfismo entre V y E se dice que son espacios
vectoriales isomorfos y se representa V E. Notemos, adems que la relacin de isomorfismo es de equivalencia en el conjunto de los espacios
vectoriales.
Si f es una aplicacin lineal inyectiva, entonces respeta la independencia lineal como vemos a continuacin.
Proposicin 5.10. Si f es monomorfismo y X es un sistema de vectores de V
linealmente independientes, entonces f ( X ) es un sistema de vectores de E linealmente independientes.
Demostracin. La dejamos como ejercicio para el alumno.
Por tanto, si f : V E es un isomorfismo y B es una base de V, podemos hacer las siguientes observaciones:
1. f (B) es un sistema de vectores linealmente independiente de E, como
acabamos de ver en la anterior proposicin.
2. f (B) es un sistema generador de la imagen f (V ) = E por ser sobreyectiva. Consecuencia del apartado 3 de la proposicin 5.6.
Es decir,
La imagen de una base de V por un isomorfismo V E es una base de E.
Corolario 5.11. Dos espacios vectoriales isomorfos tienen la misma dimensin.
Por ltimo una observacin importante sobre los espacios vectoriales reales
de dimensin finita.
Teorema 5.12. Si V es un espacio vectorial real de dimensin n entonces V es Igualmente, un espacio
vectorial complejo de
isomorfo a Rn .
Demostracin. Si fijamos una base B de V, cada vector ~v V tiene unas nicas coordenadas ~v = (v1 , v2 , . . . , vn )B en B , y es fcil probar que la funcin
f : V Rn definida f (~v) = (v1 , v2 , . . . , vn ) es un isomorfismo.
dimensin n es isomorfo
a Cn .
122
5.1.2.
Aplicaciones lineales
123
5.1.3.
Como cualquier funcin la aplicacin lineal f : V E tiene una imagen. Introducimos tambin el concepto de ncleo ker f .
Im f = f (V ) = {~y E | f (~x ) = ~y para algn ~x V }
ker f = f 1 ({~0}) = {~x V | f (~x ) = ~0}
Proposicin 5.17 (Propiedades). Sea f : V E una aplicacin lineal.
1. Los conjuntos ker f y Im f son subespacios vectoriales de V y E respectivamente.
2. f es sobreyectiva si y solo si Im f = E.
3. f es inyectiva si y slo si ker f = {~0}.
4. ker f = {~0} si y slo si para cualquier sistema de vectores X V linealmente independiente se tiene que f ( X ) es linealmente independiente
Demostracin. Los puntos 1 y 2 son muy fcil de probar y se dejan como
ejercicio.
3. Supongamos que f es inyectiva. Sabemos que ker f no es vaco, puesto
que ~0 ker f . Sea entonces ~v ker f f (~v) = ~0 = f (~0), y la inyectividad nos dice que ~v = ~0, es decir, el nico elemento posible de ker f es
el vector ~0.
Inversamente, supongamos que ker f = {~0} y sean ~v1 , ~v2 V con
f (~v1 ) = f (~v2 ). Tenemos, entonces, f (~v1 ~v2 ) = ~0 ~v1 ~v2
ker f = {~0}. De aqu ~v1 = ~v2 . Es decir, f es inyectiva.
4. Sea X = {~v1 , . . . , ~vk }. Veamos la primera implicacin. Suponemos que
ker f = {~0} y X es linealmente independiente pero, en cambio, f ( X )
124
Aplicaciones lineales
es linealmente dependiente. Podemos entonces encontrar una combinacin lineal de f ( X ) igualada a ~0, es decir,
1 f (~v1 ) + + i f (~vi ) + + k f (~vk ) = ~0
con algn i 6= 0, por tanto
ker={~0}
x1 + 2x2 x3 = 0
x1 x2 + x4 = 0
2x1 + x2 x3 + x4 = 0
que al resolverlo resultan las ecuaciones paramtricas del ncleo
x1 =
x2 = +
.
x3 = 3 + 2
x4 =
Esto nos permite encontrar una base para el ncleo (de dimensin 2)
125
1 2 1 0
1 0 0 0
Por columnas
1 1 0 1 ! 0 1 0 0
2 1 1 1
1 1 0 0
As, BIm = {(1, 0, 1), (0, 1, 1)} , que nos permite calcular las ecuaciones cartesianas y/o paramtricas de dicho subespacio. Por ejemplo la (nica) ecuacin cartesiana es:
1 0 x1
0 1 x2 = 0 x1 + x2 x3 = 0 Im f
1 1 x3
Teorema de descomposicin de una aplicacin lineal
Dada una aplicacin lineal f : V E, existen otras aplicaciones lineales
p, f e i, para las que el siguiente diagrama conmuta1 y adems:
p es el epimorfismo definido p(~v) = [~v], a
cada vector se le lleva a su clase en V/ker f .
f es el isomorfismo definido f ([~v]) = f (~v),
que a cada clase de V/ ker f lo lleva a la
imagen por f de cualquier vector de la clase.
f
V
p
V/ker f
E
f
i
Im f
(5.1)
126
5.1.4.
Aplicaciones lineales
El Teorema de la Dimensin
Definicin 5.19 (Rango de una aplicacin lineal). Dada una aplicacin lineal entre espacios vectoriales de dimensin finita f : V E, llamamos
rango de f a la dimensin de la imagen de f , es decir:
rango f = dim (Im f ).
Nota. El apartado 3 de proposicin 5.6 nos dice que, si B es base de V,
entonces Im f = L( f (B)) y, por tanto, rango f es el nmero de vectores linealmente independientes en f (B).
Las dimensiones del ncleo y de la imagen de una aplicacin lineal estn relacionadas. Los siguientes resultados nos determinan cmo.
Lema 5.20. La imagen de una aplicacin lineal f : V E es isomorfa al espacio
vectorial cociente V/ker f . Esto se representa
Im f V/ ker f
Demostracin. Consecuencia inmediata de la descomposicin de f , puesto
que f : V/ ker f Im f es isomorfismo.
Teorema 5.21 (de la dimensin). Si f : V E es una aplicacin lineal entre
espacios vectoriales de dimensin finita, entonces
dim V = dim(ker f ) + dim(Im f ).
Demostracin. Por el teorema 4.44, dim(V/ ker f ) = dim V dim(ker f ),
por tanto
dim(Im f ) = dim V dim(ker f )
y el lema 5.20 prueba el resultado.
5.2.
5.2.1.
127
..
.
y1
a11 a21 . . . an1
x1
y2 a12 a22 . . . an2 x2
.. = ..
..
.. ..
. .
.
. .
ym
a1m a2m . . . anm
xn
128
Aplicaciones lineales
La expresin matricial se suele representar ms brevemente de la forma
Y = A X.
donde X son las coordenadas de ~v respecto de la base B1 , Y son las coordenadas de f (~v) respecto de la base B2 y A Mmn es la nica matriz de la
aplicacin lineal f respecto de dichas bases, ms brevemente pondremos
A = M ( f ; B1 , B2 )
0 1 0
1 0 0
0 0 1
que es una matriz elemental de tipo I.
Define analticamente ejemplos de transformaciones elementales (de tipo II y
tipo III) y comprueba que sus matrices son elementales del mismo tipo.
Ejemplo 5.24. Si f : R3 R4 es la aplicacin
f ( x1 , x2 , x3 ) = ( x1 + x3 , 2x2 , x1 x2 + 2x3 , x3 )
vamos a calcular la matriz de f : 1) Respecto a las bases cannicas. 2) Respecto a las bases
1
0 1
0 2 0
129
3
3
2
2
5
7
2
2
B = M ( f ; B1 , B2 ) =
2 2 6
11
1
9
2
2
Operaciones y matrices
Las operaciones de las matrices se corresponden con las operaciones de
las aplicaciones lineales.
Teorema 5.25. Sean B1 y B2 , bases de V y E, respectivamente, y f , g : V E.
Si A = M ( f ; B1 , B2 ) y B = M ( g; B1 , B2 ), entonces:
1) A + B = M ( f + g; B1 , B2 )
2) A = M( f ; B1 , B2 ).
Ejercicio 5.26. Comprueba el teorema con un ejemplo. Pongamos, por caso, las
x+z
aplicaciones lineales f , g : R3 R2 definidas f ( x, y, z) = (2x + 3y,
)y
2
g( x, y, z) = (2y z, z x y). Calcula f + g y posteriormente las matrices de
f , g y f + g respecto a las bases cannicas. Comprueba el teorema anterior, es decir,
la matriz de la suma es la suma de las matrices.
En el siguiente teorema comprobamos que el producto de matrices de
las aplicaciones lineales se corresponde con la composicin de funciones.
Teorema 5.27. Sean B1 , B2 y B3 bases de V, E y F, respectivamente, y f : V E
y g : E F. Si A = M ( f , B1 , B2 ) y B = M ( g, B2 , B3 ), entonces
B A = M ( g f , B1 , B3 )
130
Aplicaciones lineales
Demostracin. Sean los vectores: ~v, f (~v) y g( f (~v)), donde cada uno est en
su respectivo espacio vectorial y sean X, Y, Z sus respectivas coordenadas
en las respectivas bases del enunciado. Entonces Y = AX, Z = BY y si
llamamos C = M( g f , B1 , B3 ), entonces Z = CX.
Observamos que Z = B( AX ) = ( BA) X. Como, fijadas las bases, la
matriz C es nica, necesariamente C = B A.
Ejercicio 5.28. Dadas f : R2 R3 definida f ( x1 , x2 ) = (3x1 x2 , x2 , x2 x1 )
y g : R3 R2 definida g( x1 , x2 , x3 ) = ( x3 x1 , x3 x2 ), calcula g f y f g
y comprueba el teorema anterior (con las bases cannicas, por ejemplo).
Por ultimo, nos queda ver como es la matriz de la inversa de un isomorfismo.
Teorema 5.29. Si f : V E es isomorfismo, entonces cualquier matriz A =
M( f ; B1 , B2 ) es invertible, y adems
A 1 = M ( f 1 ; B 2 , B 1 )
Demostracin. Sea B = M ( f 1 ; B2 , B1 ). Sabemos que f 1 f = iV es la
aplicacin identidad en V, que es lineal y adems su matriz asociada a una
base cualquiera es la identidad, es decir In = M(iV ; B1 , B1 ).
Por el teorema 5.27 anterior tenemos B A = In , por tanto A tiene inversa que es justamente B (y al contrario), que prueba el resultado.
5.2.2.
Hemos visto que, para una misma aplicacin lineal f , cambiando las
bases de los espacios donde se define, cambia la matriz de f . La pregunta
natural es como trasladamos el cambio de las bases al clculo de la nueva matriz
de f ?
Recordemos que dos matrices del mismo orden m n son equivalentes
si y solo si existen matrices regulares (invertibles) P y Q tales que
B = Q1 AP
Teorema 5.30. Dos matrices A, B Mmn (K) son matrices asociadas a
la misma aplicacin lineal f : V E si y solo si son equivalentes.
Demostracin. Representaremos por B1 , B 1 bases de V y B2 , B 2 bases de E.
Llamaremos P a la matriz del cambio de base de B 1 a B1 y Q a la matriz del
cambio de base de B 2 a B2 .
131
A y B son equivalentes.
Recprocamente, sean A y B son equivalentes, es decir, B = Q1 AP.
Consideremos espacios vectoriales V y E de dimensiones n y m respectivamente, con bases
B 1 = { P 1 e1 , P 1 e2 , . . . , P 1 e n } y B 2 = { Q 1 1 , Q 1 2 , . . . , Q 1 m }
de V y E, respectivamente.
f
V(B1 )
iV
V(B 1 )
A
f
B
E(B2 )
Q
iE
E(B 2 )
132
Aplicaciones lineales
1 3
0
0
A = 1 0
0 1 1
Resuelve este problema
conforme al mtodo
usado en el ejemplo 5.24,
sin usar las matrices de
cambio de base.
1 1 0
2 1 1
P = 1 0 1 = P1 = 1 1 1
0 2 1
2 2 1
Por tanto siguiendo el teorema anterior tenemos B = P1 AP, luego
B =
P 1 A P =
2 1
1
1 3
0
1 1 0
0
= 1 1
2
2 1
0 1 1
10 5
6
6 4
3
=
11
6 6
2 1 0 1
Ejercicio 5.32. Sea A =
la matriz de
0 3 2 0
B1 = {~v1 , ~v2 , ~v3 , ~v4 } y B2 = {~e1 , ~e2 }. Calcula la matriz de
bases
1 1 0
1
0 1 =
0
2 1
5.3.
5.3.1.
133
Matrices semejantes
1
det P
Por tanto,
5.3.2.
Endomorfismos diagonalizables
134
Aplicaciones lineales
Ejemplos 5.36.
El endomorfismo de R2 definido f ( x1 , x2 ) = (2x1 + x2 , 3x2 ) es diagonalizable, puesto que su matriz A = 20 13 es diagonalizable como
podemos comprobar:
2 0
1 1
2 1
1 1
=
0 3
0 1
0 3
0 1
1 1
1 1
1 0
y el producto
=
.
0 1
0 1
0 1
En cambio el endomorfismo f ( x1 , x2 )= 2( x1+ x2 , x2 ) que, respecto
2 2
a la base cannica, nos da la matriz
no va a ser diagona0 2
lizable, aunque todava no sabemos porqu. Este ser el problema a
estudiar: cundo un endomorfismo es diagonalizable?
5.3.3.
Autovalores y Autovectores
135
Este resultado nos permite identificar los autovalores de un endomorfismo con los autovalores de su matriz sin ambigedad alguna.
Resumiendo, si es una raz del polinomio caracterstico det( A I ),
entonces
es un autovalor de A y
N = ker( A I ) es el subespacio de autovectores asociados a
(junto con el vector ~0, que, como sabemos, no es autovector). Este
subespacio recibe el nombre de subespacio propio asociado al autovalor
. A una base de este subespacio, se le suele llamar, abusando del
lenguaje, conjunto de autovectores (asociados a ).
2 1
Ejercicio 5.39. Calcula los autovalores y autovectores de las matrices: 1)
0 3
2 2
y 2)
.
0 2
Los autovalores tienen las siguientes propiedades:
Proposicin 5.40. Sea A una matriz cuadrada de orden n, entonces:
1. A y A T tienen los mismos autovalores.
Demostracin. Es cierto puesto que
det( A T I ) = det( A T I T ) = det( A I )T = det( A I )
2. Si es autovalor de A, entones k es autovalor de kA.
Demostracin. det(kA kI ) = det(k ( A I )) = kn det( A I ) =
kn 0 = 0
3. Si es autovalor de A, entones k es autovalor de A kI
Demostracin.
det(( A kI ) ( k) I ) = det( A kI I + kI ) = det( A I ) = 0
136
Aplicaciones lineales
es autovalor de A1 .
1
X
es autovalor de A1 .
5.4.
Teorema de diagonalizacin
137
Como hemos visto, si B = {~v1 , ~v2 , . . . , ~vn } es una base formada por
autovectores con sus respectivos autovalores 1 , 2 , . . . , n , entonces:
1 0 . . . 0
0 2 . . . 0
..
.. . .
.
. ..
.
.
0 0 . . . n
v1 v2 v n A v1 v2 v n
=
Ejemplo 5.43. Vamos a diagonalizar el endomorfismo A =
5 4
1 2
.
Ecuacin caracterstica:
5
4
det( A I ) =
1
2
= 2 7 + 6 = 0
2 = 6
4 4
1 1
1
4
1 4
Para 1 = 1
Para 2 = 6
1/5 4/5
1/5
1/5
x1
x2
0
=
N1 = L{(1, 1)}
0
x1
0
=
N6 = L{(4, 1)}
x2
0
Diagonalizacin:
5.4.1.
1 0
0 6
5 4
1 2
1 4
1 1
No siempre un endomorfismo en un espacio de dimensin n tiene exactamente n autovalores distintos. Esto no implica que no sea diagonalizable.
Bajo ciertas condiciones se puede diagonalizar.
138
Aplicaciones lineales
Factorizacin de un polinomio
Si un polinomio p tiene a i K como raz, sabemos que se puede
expresar de la forma p() = ( i )q1 (), donde q1 es otro polinomio.
Puede ocurrir que i siga siendo raz de q1 , entonces se puede repetir el
razonamiento. Existir, entonces, un nmero mximo mi de veces para lo
que esto ocurre, quedando p factorizado de la forma
p ( ) = ( i ) mi q mi ( )
A este nmero mi se le llama multiplicidad de la raz i .
En el cuerpo de los
Decimos, adems, que un polinomio p() se puede factorizar en K si se
nmeros reales no todos puede expresar de la forma
los polinomios son
factorizables. No ocurre
as en en el cuerpo de los
nmeros complejos que es
algebraicamente cerrado
(vase teorema 2.54).
p ( ) = ( 1 ) m1 . . . ( r ) mr
con i K races de p y mi Z+ sus respectivas multiplicidades.
Definicin 5.44. Dado un autovalor i de un endomorfismo, llamaremos:
Multiplicad algegraica de i al nmero mximo de veces mi que es
raz del polinomio caracterstico p() = det( A I ).
Multiplicidad geomtrica de i a la dimensin de su subespacio propio dim Ni = dim ker( A i I ).
El siguiente resultado lo damos sin demostracin.
Proposicin 5.45. La multiplicidad geomtrica de un autovalor siempre es menor
o igual que su multiplicidad algebraica.
5.4.2.
Teorema fundamental
139
Demostracin. Para probar este teorema basta observar que por comparacin de grados de polinomios se tiene m1 + m2 + + mr = n. Entonces para cada i podemos elegir mi vectores independientes por ser dim Ni = mi .
Como los autovectores de autovalores distintos son todos independientes (ver teorema 5.41 anterior), uniendo todos los autovectores conseguimos n vectores independientes, y por tanto, una base de V formada por
autovectores.
Ejemplo 5.47. Pretendemos diagonalizar la siguiente matriz.
2 2 3
1 6
A= 2
1 2 0
Comenzamos calculando el polinomio caracterstico:
det( A I ) = 3 2 + 21 + 45 = ( + 3)2 ( 5)
De donde obtenemos sus autovalores y sus multiplicidades algebraicas: 1 = 3 (m1 = 2) y 2 = 5 (m2 = 1).
Que nos permiten calcular los autovectores, ms concretamente los
subespacios propios:
N3 = L ({(2, 1, 0), (3, 0, 1)}) y N5 = L ({(1, 2, 1)})
Y, por ltimo, por el teorema 5.46, sabemos que se puede diagonalizar
3 0 0
0 3 0 =
0
0 5
1/4
1/2 3/4
2 2 3
2 3 1
1/4 5/8 2
1 6 1 0 2
= 1/8
1/8 1/4 3/8
1 2 0
0 1 1
Ejercicio 5.48. Diagonaliza, si es posible, la siguiente matriz
1 3
3
12 1 6
6 3 2
140
Aplicaciones lineales
5.5.
5.5.1.
1 0 . . . 0
0 2 . . . 0
Si A es diagonalizable con D = P1 AP = .
.. . .
. se tiene
..
. ..
.
0
que
. . . n
m veces
m
A = PDP
= PD m P1
m
}|
{
z
1
1
P )(
P D
= ( PD
P ) (
P DP ) =
m
1
0 ... 0
0 m . . . 0
2
1
= P ..
..
.. P
..
.
.
.
.
0
. . . m
n
141
= an n +
a0 = 1 2 n = det A.
an1 = (1)n1 (1 + 2 + + n ) = (1)n1 tr A.
an = (1)n .
Ejercicio 5.51. Comprueba las anteriores proposiciones 5.49 y 5.50 en las matrices
que hemos diagonalizado hasta ahora.
2 2 3
2 1 6
Ejemplo 5.52. Veamos la inversa de la matriz A =
diagonali1 2 0
A 1
5.5.2.
15
2
15
1
15
2
15
1
15
2
15
5
2
5
2
15
0
1/4
1/2 3/4
1/4 5/8
0 1/8
1
1/8 1/4 3/8
5
Teorema de Cayley-Hamilton
El polinomio caracterstico, entendiendolo sobre el anillo de las matrices cuadradas complejas, tiene una propiedad curiosa, y es que admite como raz a la propia matriz que lo define. Esto es conocido como teorema de
Cayley-Hamilton y omitimos la demostracin.
142
Aplicaciones lineales
Teorema 5.53 (Cayley-Hamilton). Toda matriz cuadrada en C es raz de su polinomio caracterstico. Es decir, si p() = det( A In ) = an n + + a1 + a0
entonces
p( A) = an An + + a1 A + a0 In = 0n
El anterior teorema nos permite:
1. Calcular la potencia ensima de A a partir de las potencias anteriores
de A
1
An = ( an1 An1 + + a1 A + a0 In )
an
2. Si A invertible, det A = a0 6= 0, y
A 1 =
1
( an An1 + + a1 In )
a0
2 2 3
1 6, conocido su polinoEjemplo 5.54. Para la matriz A = 2
1 2 0
mio caracterstico det( A I ) = 3 2 + 21 + 45 tenemos una forma
de calcular la inversa:
2
1 0 0
2
2 3
2
2 3
1
1 6 21 0 1 0 =
2
1 6 + 2
=
45
1 2
0
0 0 1
1 2
0
A 1
4
2
1
15
15
5
2
1
2
15
15
5
1
2
2
15
15
15
5.5.3.
143
1 2
2! A
1 3
3! A
+ + i!1 Ai + . . .
Nota. Cuando existe una potencia que anula la matriz (se dice que A es nilpotente) el
clculo de la exponencial se realiza en un nmero finito de pasos. Pero esto no tiene porqu
ocurrir, por lo que el clculo de la exponencial requerira un proceso de lmite.
1
1
1
e A = Ai =
PDP1 = P Di P1 = P e D P1
i!
i!
i!
i =0
i =0
i =0
y, por tanto, si podemos calcular e D , tenemos e A .
Ahora bien, como ya hemos visto, si D es una matriz diagonal, sus potencias se trasladan a la diagonal, es decir, para cada i tenemos
i i
d1
0 ... 0
d1 0 . . . 0
0 d2 . . . 0 =
0 d2 i . . . 0
0 0 . . . dn
0
0 . . . dn i
e1d 0 . . . 0
luego, e D = 0 e2d . . . 0 .
0 0 . . . end
Ejemplo 5.55. Vamos a calcular exp
2 2 3
2 1 6
1 2 0
.
Como la matriz del exponente es diagonalizable, ya resuelta en el ejemplo 5.47, siguiendo lo anterior, tenemos
2 2 3
1 6 =
exp 2
1 2 0
2 3 1
3 0 0
1/4
1/2 3/4
1/4 5/8 =
= 1 0 2 exp 0 3 0 1/8
0 1 1
0
0 5
1/8 1/4 3/8
e 3 e 8 + 7
8
e 3 e 8 1
4
e 3 e 8 1
8
e 3 e 8 1
4
e 3 e 8 + 1
2
e 3 e 8 1
4
e3 3e8 3
8
e3 3e8 3
4
e3 3e8 + 5
8
144
Aplicaciones lineales
Si AB 6= BA puede ser
e A e B 6= e A+ B .
eA
1
= e A
4. Si AB = BA entonces e A e B = e B e A = e A+ B .
m
5. Si m Z entonces emA = e A .
6. Para cualquier matriz cuadrada A se tiene
e( A
T)
T
= eA
Ejercicios Propuestos
Ej. 5.1 De las siguientes aplicaciones de R3 en R3 cules son aplicaciones lineales? Encuentra el ncleo y la imagen de las que lo sean.
1. Sea R fijo. Consideramos la aplicacin f 1 (~x ) = ~x con ~x R3
2. f 2 (~x ) = ( x1 , 1, x2 ) siendo ~x = ( x1 , x2 , x3 )
3. f 3 ( x1 , x2 , x3 ) = ( x1 + x2 + x3 , x1 + x2 , x3 )
Ej. 5.2 Dada la aplicacin lineal f : R3 R2 definida por f (1, 3, 5) =
(1, 0), f (0, 1, 1) = (1, 0) y f (0, 0, 1) = (0, 0)
1. Halla la matriz en las bases cannicas.
2. Halla las ecuaciones del subespacio transformado del subespacio U
dado por las ecuaciones
x1 + x2 x3 = 0
x2 x3 = 0
Ej. 5.3 Determina la aplicacin lineal f : R3 R2 que satisface que
ker f = {( a, b, c) | a + b = 0} y f (0, 1, 1) = (1, 1). Determina tambin
su imagen.
145
2 u1 = e1 + e2 ,
2 u2 = e2 e1
Ej. 5.11 Sea f : R2 R2 una aplicacin lineal y B1 , B10 , B2 y B20 bases de
R2 . Si
1 0
0
0
M( f , B1 , B2 ) = M( f , B1 , B2 ) =
1 1
y, respecto de la base B1 los vectores de B10 son (1, 2) y (2, 1), determina la
matriz de cambio de base de B2 en B20 .
146
Aplicaciones lineales
4 1 1
A = 2 5 2
1 1 2
1. El polinomio caracterstico de A.
2. Los valores propios de A.
3. Un conjunto mximo de vectores propios linealmente independientes.
4. Es diagonalizable A? En caso afirmativo, halla P para que P1 AP
sea diagonal.
5. Calcula A4 , A1 y e A .
Ej. 5.13 Lo mismo que el ejercicio 5.12 para la siguiente matriz
2
2 6
A = 2 1 3
2 1 1
Ej. 5.14 Discute, segn los parmetros, si la siguiente matriz es diagonalizable y localiza, si lo es, una base de R3 en la que f tenga asociada una
matriz diagonal.
1 2 2 a
,
0 1
a
0 0
1
Ej. 5.15 Igual que el ejercicio 5.14 anterior para la matriz
2 2
6
0 4 4a
0 a
a
1 +1
0
Ej. 5.16 (Feb. 2013) Se considera la siguiente matriz A = 0 1
2 1
1. Para los valores de = 3 y = 0 encuentre una matriz diagonal semejante a la matriz A, indicando la matriz de paso correspondiente.
2. Halle los valores propios de A en funcin de los parmetros y .
147
1 a
a
Ej. 5.17 (Sep. 2013) Sea la matriz A = 1 1 1
1 0
2
1. Calcule el valor del parmetro a R para que la matriz A sea diagonalizable sobre R.
2. Con dicho valor de a, halle su forma diagonal, una matriz de paso y
An para cualquier n N.
Ej. 5.18 Encuentra, si existe, una matriz real de orden 3 que no sea diagonal pero s sea diagonalizable y que sus autovalores cumplan:
1. El nico autovalor sea = 1.
2. Un autovalor doble 1 = 0 y otro autovalor 2 = 1.
Ej. 5.19 Calcula A3 + 4A2 + 4A + I2 , sabiendo que A es una matriz semejante a la matriz diagonal
2 0
D=
0 2
Ej. 5.20 Sea f : R3 R3 el endomorfismo que admite los autovalores
1 = 1, 2 = 2 y 3 = 1 y que tiene por vectores propios a los (1, 1, 1),
(0, 1, 2) y (1, 2, 1) respectivamente. Obtngase la matriz asociada a f respecto de la base cannica de R3 .
Ej. 5.21 Sabiendo que f : R3 R3 es un endomorfismo diagonalizable que tiene como vectores propios (1, 2, 2), (2, 2, 1) y (2, 1, 2) y que
f (5, 2, 5) = (0, 0, 7). Halla los autovalores de f y su ecuacin (expresin
analtica) en la base cannica.
Ej. 5.22 Escribe una matriz cuadrada regular de orden 3 y comprueba
que se cumple el teorema de Cayley-Hamilton. Utiliza dicho resultado para
encontrar la matriz inversa.
Ej. 5.23 Determina (sin calcular a, b, c, p, q y r) los valores propios de la
matriz
a b c
1 2 1
p q r
sabiendo que admite como vectores propios: ~v1 = (1, 1, 0), ~v2 = (0, 1, 1)
y ~v3 = (1, 1, 2). Determina despus los valores de a, b, c, p, q y r.
TEMA 6
FORMAS BILINEALES Y
PRODUCTO ESCALAR
ndice
6.1.
6.2.
6.3.
6.1.2.
6.2.2.
Clasificacin . . . . . . . . . . . . . . . . . . . . . 157
6.3.2.
Ortogonalidad . . . . . . . . . . . . . . . . . . . . 162
6.3.3.
6.3.4.
6.4.
6.5.
6.6.
6.6.2.
6.6.3.
149
150
6.1.
Formas bilineales
Hasta ahora hemos visto aplicaciones lineales entre espacios vectoriales V y E ambos sobre un mismo cuerpo R. Ahora bien, R es tambin un
espacio vectorial (sobre s mismo) de dimensin 1.Las aplicaciones lineales
f : V R reciben el nombre de formas lineales (o 1-formas).
Ejercicio 6.1. De qu orden es la matriz de una forma lineal definida sobre un
espacio vectorial de dimensin n?
Podemos extender este concepto a funciones con ms de una entrada. Si
V y E son espacios vectoriales, y una funcin f : V V E es lineal para
cada una de las entradas, se dice que f es una aplicacin bilineal. Si adems E = R, entonces se dice que es una forma bilineal. Damos la definicin
explcita.
Una forma es bilineal si
tiene dos entradas de
vectores y, fijada una de
ellas, la forma que queda
es lineal, es decir, para
cada vector ~x0 V
obtenemos dos formas
lineales
f~x0 : V
~x
R
f (~x0 , ~x )
f ~x0 : V
~x
R
f (~x, ~x0 )
151
~ , ~v + w
~ ) = f (~v, w
~ ) + f (~
0 = f (~v + w
w, ~v)
luego f es antisimtrica.
Ejercicio 6.6. Usa la proposicin anterior para encontrar lo valores del parmetro a para la siguiente forma bilineal en R2 es antisimtrica.
f (( x1 , x2 ), (y1 , y2 )) = ax1 y1 + 3x1 y2 2x2 y1
6.1.1.
j =1
xi
i =1
f (~ei , ~e j )y j
j =1
= xi f (~ei , ~e j )y j
i,j
f (~e1 , ~e2 ) . . .
f (~e2 , ~e2 ) . . .
..
.
f (~e1 , ~en )
y1
y2
f (~e2 , ~en )
..
..
.
.
f (~en , ~e1 )
f (~en , ~e2 ) . . .
f (~en , ~en )
f (~x, ~y) = x1 x2
yn
152
1. Cannica.
153
y esto ocurre para cualquier X, por tanto la matriz columna AX0 tiene que
ser 0. Luego el sistema homogneo AX = 0 es (compatible) indeterminado,
por tanto, como sabemos, det A = 0.
Inversamente, si det A = 0, el sistema de AX = 0 tiene solucin X0 distinta de 0, por tanto X T ( AX0 ) = 0, que significa f (~x, ~x0 ) = 0 para cualquier
vector ~x, es decir, f es degenerada.
Clasificacin por el signo
Definicin 6.13 (Formas definidas). Una forma bilineal f se dice
Definida positiva si f (~x, ~x ) > 0 para todo ~x 6= ~0.
Definida negativa si f (~x, ~x ) < 0 para todo ~x 6= ~0.
Proposicin 6.14. Las formas bilineales definidas (positiva o negativa) son no
degeneradas.
Demostracin. Si f es degenerada existe ~x0 6= ~0 y f (~x0 , ~x ) = 0 para cada
vector ~x V, entonces f (~x0 , ~x0 ) = 0, que contradice que f sea definida.
Definicin 6.15 (Formas semidefinidas). Una forma bilineal f es
Semidefinida positiva si f (~x, ~x ) 0 para todo ~x y no es definida positiva.
Semidefinida negativa si f (~x, ~x ) 0 para todo ~x y no es definida negativa.
Proposicin 6.16. Las formas bilineales semidefinidas (positiva o negativa) son
degeneradas.
Demostracin. Evidente.
154
(6.1)
z }| {
b=X
b
b) = X
b T BY
b ) T A ( PY
b T ( P T AP) Y
f (~x, ~y) = X T AY = ( P X
de donde B = P T AP.
6.1.2.
155
6.2.
Formas cuadrticas
R, ~x V
2. La funcin f q : V V R definida
f q (~x, ~y) =
1
(q(~x + ~y) q(~x ) q(~y))
2
f q (~x, ~y) =
156
f q (~x, ~y) =
2
2x12 x1 x3 3x2 x3 x22
2y21 y1 y3 3y2 y3 y22
2
2
que, simplificando, queda una expresin analtica de una forma bilineal
f q (( x1 , x2 , x3 ),(y1 , y2 , y3 )) =
1
3
1
3
=2x1 y1 x1 y3 x2 y2 x2 y3 x3 y1 x3 y2
2
2
2
2
claramente simtrica.
Ejemplo 6.26. Las formas cuadrticas en R son todas de la forma q( x ) =
ax2 y en R2 son de la forma q( x, y) = ax2 + bxy + cy2 . En ambos casos se
pueden dibujar. Aqu tenemos algn ejemplo.
10
20
5
0
10
2
0
2
q( x ) =
3x2
0
0
q( x, y) =
0
0
2 2
x2
+ y2
q( x, y) =
2x2
2 2
xy y2
6.2.1.
157
A=
0
21
0 12
1 23
32 0
Ejercicio 6.29. Calcula las formas analtica y matricial de una forma cuadrtica q
en R3 sabiendo que {~e1 , ~e2 , ~e3 } es una base y conociendo algunas imgenes de q:
q(~e1 ) = 2, q(~e2 ) = 0, q(~e3 ) = 1,
q(~e1 +~e2 ) = 5, q(~e1 +~e3 ) = 3, q(~e2 +~e3 ) = 0
6.2.2.
Clasificacin
158
6.3.
Producto escalar
159
x1
y1
x2
y2
X = . eY = .
..
..
xn
yn
entonces el producto escalar usual o estndar est definido como
y1
y2
. . . x n . = x1 y1 + x2 y2 + + x n y n
..
~x ~y = X T Y = x1 x2
yn
2. Sea V = { f : [ a, b] R | f es continua en [ a, b]}. Definimos un producto interno en V de la siguiente forma:
h f , gi =
Z b
a
f ( x ) g( x ) dx
6.3.1.
Norma de un vector
k~x k = +
h~x, ~x i
160
Ejemplos 6.35.
1. En caso del producto escalar usual ~x ~y = x1 y1 + + xn yn en Rn se
tiene la norma usual o estndar
q
k~x k = x12 + x22 + + xn2
2. Cualquier producto interno en Rn define una norma en dicho espacio.
Por ejemplo, en R2 , el producto interno
1 1
y1
(~x | ~y) = x1 x2
1 2
y2
p
da la norma siguiente k~x k = x1 2 2x1 x2 + 2x2 2 que es distinta de
la norma usual.
Ejercicio 6.36. Del producto escalar definido en el ejemplo 6.33-item 2, calcula las
normas de f ( x ) = e x y g( x ) = x x2 definidas en el intervalo [0, 1].
Ejercicio 6.37. Da una expresin para la norma de A = ( aij ) Mmn (R)
segn el producto escalar definido en el ejemplo 6.33-item 3.
Solucin:
k Ak2 = im=1 nj=1 a2ij Teorema 6.38 (Propiedades de las normas). Si V es un espacio vectorial eucl-
deo, entonces
1. k~x k 0 y adems, k~x k = 0 ~x = ~0.
2. k~x k = || k~x k ~x V, R.
3. (Desigualdad de Schwarz) |h~x, ~yi| k~x k k~yk
~x, ~y V
~x, ~y V
~x, ~y V
~z =
~x
~y
k~x k k~yk
h~y,~yi
k~yk2
x,~yi
x,~yi
2 k~h~
= 2 2 k~h~
x kk~yk
x kk~yk
161
~u =
1
~x
k~x k
(vector normalizado).
y2
x2
~0
q
~y
~y ~x
~x
x1
y1
( y1 x1 )2 + ( y2 x2 )2
162
ngulos
Por otro lado, si dos vectores ~x y ~y no son nulos, la desigualdad de
Schwarz se puede traducir como
h~x, ~yi
|h~x, ~yi|
1 1
1
k~x k k~yk
k~x k k~yk
que nos permite identificar este valor con el coseno de un cierto ngulo.
Definicin 6.43. Dados dos vectores ~x 6= ~0 e ~y 6= ~0, definimos el coseno del
ngulo formado entre ellos de la forma:
cos =
h~x, ~yi
k~x k k~yk
(6.2)
6.3.2.
Ortogonalidad
163
~x + ~y
k~yk
~x
90o
k~x + ~yk
~y
k~x k
Definicin 6.49.
1. Llamaremos base ortogonal a una base que adems es un sistema
ortogonal.
2. Llamaremos base ortonormal a una base ortogonal de vectores unitarios.
Ejercicio 6.50. Comprueba que la base cannica en Rn es ortonormal para el producto escalar usual en cambio no es ortonormal para otros productos internos.
Encontrar una base ortonormal para un espacio eucldeo es un problema importante para muchas aplicaciones. En caso de dimensin finita, el
siguiente teorema nos garantiza su existencia, adems de darnos un mtodo para encontrarla. Este mtodo se conoce con el nombre de mtodo de
Gram-Schmidt.
164
~e1 = ~v1
h~e1 , ~v2 i
~e1
h~e1 , ~e1 i
h~e , ~v i
h~e , ~v i
~e3 = ~v3 1 3 ~e1 2 3 ~e2
h~e1 , ~e1 i
h~e2 , ~e2 i
..
.
h~e , ~vn i
h~en1 , ~vn i
h~e , ~vn i
~e1 2
~e2
~en1
~en = ~vn 1
h~e1 , ~e1 i
h~e2 , ~e2 i
h~en1 , ~en1 i
~e2 = ~v2
que es ortonormal.
Ejemplo 6.53. Consideremos el espacio vectorial real V = P3 [] de los polinomios de coeficientes reales (con variable ) de grado menor o igual que
3 con el siguiente producto interno
h p, qi =
Z 1
1
p( x )q( x ) dx
165
Entonces,
p1 = 1 ;
R1
xdx
0
h1, i
p2 =
1 = R11
= = ;
2
h1, 1i
1 1dx
R1 2
R1 3
x dx
1, 2
, 2
1
1 x dx
2
2
p3 =
1
= R1
1 R1 1
= 2 ;
2
3
h1, 1i
h, i
1 1dx
1 x dx
2 13 , 3
1, 3
, 3
1
3
( 2 ) = 3
p4 = 3
1
1
1
2
2
3
5
h1, 1i
h, i
3, 3
Es decir, la base B = {1, , (2 13 ), (3 53 )} es ortogonal. Para dar una
base ortonormal, calculamos la norma de cada uno de los vectores (polinomios)
s
Z 1
k p1 k = k1k =
12 dx = 2 ;
1
2
k p2 k = k k =
dx = ;
1
3
s
r
2
Z 1
2 1
1
2
8
2
k p3 k =
x2
= ;
dx =
3
=
3
45
1
3 5
r
sZ 1
2
3 3
3
8
2 2
3
k p4 k =
=
x x
dx =
=
5
5
175
1
5 7
s
Z 1
x2
)
5 32 1
7 53 3
1
3
Nor
= , ,
B
,
2
2
2 2
2 2
Las bases ortonormales simplifican el clculo del producto interno. Esto
se espresa en la siguiente proposicin.
Proposicin 6.54. Sea B =
{~e1 , ~e2 , . . . , ~en }una
base ortonormal. Dados dos
x1
y1
x2
y2
vectores ~x, ~y de coordenas X = . e Y = . respectivamente, respecto de
..
..
xn
yn
la base B , entonces el producto escalar toma la expresin del producto escalar usual
h~x, ~yi = x1 y1 + x2 y2 + + xn yn = X T Y = ~x ~y
166
6.3.3.
~y
+
~x
O
su determinante es
x1 y1
x2 y2 = x1 y2 x2 y1
167
6.3.4.
http://youtu.be/faevbjfs28I
Producto vectorial
En un espacio vectorial eucldeo tridimensional orientado tenemos un caso especial de operacin de vectores que vamos a
describir.
En primer lugar observamos que el seno
del ngulo (en sentido positivo) de dos vectores independientes, junto con la norma
de cada uno de ellos, nos determina el rea
del paralelogramo, Area(~x, ~y), que definen
(vase figura al margen). As, si es el ngulo entre ellos, tenemos
h = k~yk sen
k~yk
k~x k
Figura 6.2: Area = k~x k h
168
(6.3)
3. Por (6.3) tenemos k~x ~yk2 = D (~x, ~y, ~x ~y) = Volumen(~x, ~y, ~x ~y).
Pero se puede comprobar (vase figura 6.3) que
Volumen(~x, ~y, ~x ~y) = Area2 (~x, ~y)
Como consecuencia directa de este resultado se tiene las siguientes propiedades del producto vectorial:
1. El producto vectorial es una aplicacin bilineal V V V, ya que
~x (~y +~z) = ~x ~y + ~x ~z
~x ~y = (~x ~y)
2. Regla de exclusin: ~x (~y ~z) = h~x, ~zi~y h~x, ~yi~z.
3. Identidad de Jacobi ~x (~y ~z) +~z (~x ~y) + ~y (~z ~x ) = 0.
169
Eje Z
~x ~y
Altura = x1 y2
~y = (y1 , y2 , 0)
y2
rea base = x1 y2
~x = ( x1 , 0, 0)
Eje X
Eje Y
Figura 6.3: El volumen = ( x1 y2 )2 es el cuadrado del rea de la base.
6.4.
y ~x0 hiperplano.
170
r
\
~ei
i =1
y, por 6.57,
es un subespacio vectorial.
Por otro lado, si ~x S S , entonces h~x, ~x i = 0 ~x = ~0. Por tanto,
S S = {~0}
Y, por ltimo, si ~x es un vector de V, definimos el vector
(6.4)
h~x N , ~ei i = h~x, ~ei i h~xS , ~ei i = h~x, ~ei i h~x, ~ei i = 0
para cada i = 1, 2, . . . r, que nos dice que ~v = ~xS + ~x N S + S . Por tanto, V = S + S .
Ejercicio 6.61. Si V = R4 , calcula es complemento ortogonal del subespacio vectorial S generado por los vectores (1, 0, 1, 0) y (1, 1, 0, 1).
Corolario 6.62. Si S es subespacio vectorial de V, entonces
= S.
Demostracin. Si ~x S entonces ~x S , luego S S . Recproca
mente, si ~x S , por el teorema anterior lo expresamos de la forma
~x = ~xS + ~x N S S . Entonces,
0 = h~x, ~x N i = h~xS , ~x N i + h~x N , ~x N i = h~x N , ~x N i
luego ~x N = ~0 y de aqu que ~x = ~xS S.
6.5.
171
Diagonalizacin ortogonal
Definicin 6.63. Decimos que una matriz cuadrada P de orden n es ortogonal si y solo si
P T P = In .
Es decir, P1 = P T .
Endomorfismos ortogonales en R2
Giros (o rotaciones) de vectores. Un endomorfismo f en R2 se dice que es un
giro vectorial si cada vector ~x forma un ngulo constante con f (~x ).
Es muy fcil comprobar que la matriz de
un giro en R2 , respecto a una base ortonormal,
es de la forma
cos sen
sen
cos
~e2
f (~e2 )
cos
sen
f (~e1 )
~0
sen
cos ~e1
Simetras axiales o reflexiones. Llamaremos simetra axial en R2 a una aplicacin lineal que deja invariantes los vectores de una recta (vectorial) y refleja al
otro lado de dicha recta al resto de vectores.
Eje de simetria
f (~e1 )
~e2
~0
~e1
f (~e2 )
172
As, como se puede comprobar en el dibujo, para una base ortonormal, las
coordenadas de las imgenes de los vectores sern (cos , sen ) y (sen , cos ),
siendo /2 el ngulo del eje de simetra con el primer vector de la base.
Por tanto, la matriz de una simetra axial ser de la forma
cos
sen
sen cos
Los giros y las simetras axiales determinan todos los endomorfismos ortogonales en R2 como reflejamos en el siguiente teorema que damos sin demostracin:
Teorema 6.67. Los nicos endomorfismos ortogonales en R2 son los giros y las reflexiones. Adems, si P M22 es una matriz ortogonal entonces:
1. P es un giro si y solo si det P = 1
2. P es una reflexin si y solo si det P = 1.
Endomorfismos ortogonales en R3
Giros axiales de vectores Un endomorfismo f en R3 es un giro axial si existe
una recta r = L(~u1 ) (con k~u1 k = 1) invariante1 para f , y si ~x
/ r, entonces las
proyecciones ortogonales en S = ~u1 de los vectores ~x y f (~x ) forman un ngulo
(constante) en S. A la recta r se le llama eje de giro.
la
matriz
de f toma la expresin
ortononormal de S = ~u1 .
1
0
0 cos
0 sin
0
sin
cos
1 0 0
0 1 0
0 0 1
1
0
0
0 cos sen
0 sen
cos
Estos tres tipos de endomorfismos caracterizan los endomorfismos ortogonales en
R3 , es decir
1~
u
1 es autovector para de f
2 es subespacio propio de
para el autovalor = 1.
f para = 1.
173
Teorema 6.68. Los nicos endomorfismos ortogonales en R3 son los giros axiales, las
simetras especulares o las composiciones de ambas.
Nota. Un caso distinguido es la identidad que es un giro axial de 0 radianes. Otro
caso distinguido es la composicin de una simetra especular con un giro de
radianes que, respecto a la base adecuada, tiene por matriz
1 0
0
0 1 0
0
0 1
que recibe el nombre de simetra central o respecto del un punto.
El grupo ortogonal
En el tema de estructuras algebraicas ya mencionamos el grupo general lineal de
grado n, representado GL(n) definido como el conjunto de las matrices cuadradas
invertibles junto con la operacin producto. Este grupo es isomorfo al grupo de
los automorfimos V V en un espacio de dimensin n.
El conjunto de las matrices ortogonales de orden n forman un subgrupo de
grupo GL(n) que recibe el nombre de grupo ortogonal y se representa O(n). Las
matrices ortogonales con determinante 1 forman a su vez un subgrupo del grupo
O(n) que recibe el nombre de grupo ortogonal especial que se representa SO(n).
6.5.1.
~x, ~y V.
Los endomorfismos autoadjuntos se relacionan con las matrices simtricas mediante el siguiente teorema.
Teorema 6.70. Si A es la matriz asociada a un endomorfismo f respecto de una
base ortonormal, entonces f es autoadjunto si y solo si A es simtrica.
Demostracin. Dados dos vectores ~x, ~y con coordenadas X e Y respecto a la
base ortonormal dada, la proposicin 6.54 nos dice que el producto escalar
se reduce al producto escalar usual, es decir h~x, ~yi = X T Y. Por tanto,
f autoadjunto h~x, f (~y)i = h f (~x ), ~yi X T ( AY ) = ( AX )T Y
X T AY = X T A T Y A = A T .
Recprocamente, A simtrica A = A T , luego
174
Es decir, en el caso que la matriz A que se quiere diagonalizar sea simtrica, la podemos considerar como la matriz asociada a un endomorfismo
autoadjunto f y el siguiente teorema nos prueba que los autovectores asociados a autovalores distintos de una matriz simtrica, no slo sean linealmente independientes, sino que adems son ortogonales.
Teorema 6.71. Los autovectores correspondientes a autovalores distintos de un
endomorfismo autoadjunto son ortogonales.
Demostracin. Sean 1 6= 2 autovalores y ~x, ~y autovectores asociados a
ellos respectivamente. Entonces f (~x ) = 1~x y f (~y) = 2~y. As tenemos:
6.6.
q(~x ) = X T AX = ( PX )T A( PX ) = X ( P T AP) X
de donde vemos que dos matrices (simtricas) de la misma forma cuadrtica son congruentes, es decir, B = P T AP, con P invertible.
Ejercicio 6.73. Prueba que, efectivamente, si una matriz A es simtrica, cualquier
matriz congruente con A tambin es simtrica.
Proposicin 6.74. Dada una forma cuadrtica q : V R, existe una base de V
tal la que la matriz de q es diagonal.
175
Demostracin. Sea A la matriz simtrica de q respecto de una base B . Consideramos el endomorfismo simtrico f : V V cuya matriz respecto a dicha base es A = M( f ; B). Diagonalizando ortogonalmente, existe una base
ortonormal B Nor de autovectores de f de forma que D = M( f ; B Nor ) es
diagonal. Puesto que la matriz de paso P es ortogonal, tenemos D = P T AP.
Por tanto, respecto de la base ortonormal B Nor la matriz de q es D, y
esto prueba la proposicin.
Definicin 6.75. Una forma cuadrtica q se dice que est diagonalizada cuando est expresada matricialmente con una matriz D diagonal, es decir
q(~x ) = X T DX
Esto quiere decir que existe una base de V para la cual ~x se expresa analticamente como
q(~x ) = d1 x12 + d2 x22 + + dn xn2
donde di R y ( x1 , x2 , . . . , xn ) son las coordenadas de ~x en dicha base.
6.6.1.
La prueba de la proposicin 6.74 nos est dando un mtodo de diagonalizacin. Si partimos de una matriz simtrica A de q,
q(~x ) = X T AX
diagonalizando ortogonalmente A podemos encontrar una matriz ortogonal P tal que D = P T AP. Haciendo el cambio de base X = PX X T =
T
X P T , tenemos
T
q(~x ) = X T AX = X ( P T AP) X = X DX
que nos da la diagonalizacin.
Este mtodo, en teora, funciona siempre, pero el problema estriba en
que, para formas cuadrticas de tres o ms variables, la diagonalizacin
ortogonal de su matriz implica encontrar races de polinomios de grado
mayor o igual que tres, y esto no siempre es realizable (sin usar mtodos
numricos).
Damos un mtodo alternativo que no involucra resolucin de ecuaciones polinmicas.
6.6.2.
Mtodo de Lagrange
176
bj x j
q( x1 , x2 , . . . , xn ) = aii
!2
+ q 1 ( x , . . . , x i 1 , x i +1 , . . . , x n )
j =1
xi = xi + x j ,
xk = xk si k 6= i, j
1 2
2 0
x1
= x12 4x1 x2
x2
(6.5)
sea diagonalizable.
S OLUCIN:
Llamando A =
1 2
2 0
, y calculando sus
1 1
1 1
17 1,56 y 2 = +
17 2,56
2 2
2 2
1
2
1
2
2 1 1 2
17 x1 + 2 + 2 17 x2
N1
1
1
= L 1,
17 +
4
4
y N2
177
B=
1
q
,
2
1
4
16 ( 17+1) +1
1
( 17+1)
q
2
1
16 ( 17+1) +1
1
16
1
2
( 171) +1
1
q
4
( 17 1)
2
1
16 ( 17 1) + 1
En este caso se ha podido obtener la solucin al problema explcitamente de una forma algebraica (el polinomio caracterstico es de segundo
grado) y lo hemos hecho, claramente, usando un programa de clculo simblico. En la mayora de ocasiones, incluso esto, es imposible y hay que
recurrir a mtodos numricos para dar una solucin aproximada.
Mtodo de Lagrange Obsrvese que ( x1 2x2 )2 = x12 4x1 x2 + 4x22 , luego para obtener este cuadrado perfecto sumamos y restamos 4x22 en la expresin (6.5), as
q1 ( x1 , x2 ) = x12 4x1 x2 + 4x22 4x22 = ( x1 2x2 )2 4x22
As haciendo
x1 = x1 2x2
x2 = x2
q1 ( x1 , x2 ) = x1 4x2 = x1
1 0
x1
x2
0 4
x2
x2 = x2
x2 = x2
que matricialmente se expresa
X=
1 2
X
0 1
178
Observa que los valores de la diagonal por los dos mtodos coinciden
en los signos (es decir, igual cantidad de positivos que de negativos que de
ceros). Esto es siempre as, son invariantes, que veremos ms adelante.
Ejemplo 6.77. Igual para
q( x1 , x2 , x3 ) = x1 x3 2x2 x3
S OLUCIN :
Mtodo de Lagrange En este caso no existe ningn trmino cuadrado.
Recurrimos a hacer el cambio introduciendo sumas por diferencias: x1 =
x1 + x3 , x3 = x1 x3 , x2 = x2 .
q( x1 , x2 , x3 ) = x1 2 2x1 x2 + 2x2 x3 x3 2
Buscamos, entonces, un cuadrado perfecto para x1 , observamos que
( x1 x2 )2 = x1 2 2x1 x2 + x2 2 , quedando entonces la forma cuadrtica
q( x1 , x2 , x3 ) = ( x1 x2 )2 x2 2 + 2x2 x3 x3 2
Igualmente
q ( x1 , x2 , x3 ) = ( x1 x2 )2 ( x2 x3 )2
haciendo los cambios de variable siguientes:
x1 = x1 x2
x2 = x2 x3
x3 = x3
q aparece diagonalizada
2
q( x1 , x2 , x3 ) = x1 x2 + 0x3
Por ltimo, para calcular la base para la cual la forma cuadrtica q est
diagonalizada, trabajamos con los cambios de base matricialmente, as
x1
1 1 0
x1
x1
1 0 1
x1
x2 = 0 1 1 x2 y x2 = 0 1 0 x2
0 0
1
x3
x3
1 0 1
x3
x3
por tanto,
1
x1
x1
1 0 1
1 1 0
x2 = 0 1 0 0 1 1 x2
x3
1 0 1
0 0
1
x3
179
1 1 2
X = 0 1 1 X
1 1 0
de donde la base es B = {(1, 0, 1), (1, 1, 1), (2, 1, 0)} .
q ( x1 , x2 , x3 ) = x1 x2 x3
0
0
1
2
1
0
x1
2
0 1
x2
x3
1 0
S OLUCIN :
180
1 2
x3 )
3
1 2
x3 )
3
4 2 8
2
x2 + x2 x3 + x32
3
3
3
4
2
( x2 x3 ) + 2x32
3
x1 = x1 + 23 x2 + 13 x3
x2 = x2 x3
x3 = x3
obtenemos la forma cuadrtica diagonalizada
q(~x ) = 3x1 2 43 x2 2 + 2x3 2
Para calcular la base observamos que
1
1 23
1 23
3
X = 0 1 1 X X = 0 1
0 0
0 0 1
1
1 X
1
6.6.3.
181
i = 1, 2, . . . , n.
i = 1, 2, . . . , n.
3. q es semidefinida positiva
d j = 0.
di 0
i = 1, 2, . . . , n con algn
4. q es semidefinida negativa di 0
d j = 0.
i = 1, 2, . . . , n con algn
i = 1, 2, . . . , n.
i = 1, 2, . . . , n.
En cualquier otro caso este criterio no clasifica nada, es decir podra ser
semidefinida o indefinida.
Demostracin. Supongamos que la forma cuadrtica est diagonalizada. Si
q es definida positiva, entonces los elementos de la diagonal principal son
todos positivos, esto es equivalente a que los i son todos positivos. Si q
es definida negativa, entonces los elementos de la diagonal principal son
todos negativos, de aqu que los i alternan su signo en la forma indicada
en el teorema.
182
b
q ( x1 , x2 ) = a x1 + x2
a
2
b2
+ c
a
x22 = 1 x1 2 +
2 2
x2
1
2. Si 1 = a = 0 y c 6= 0, necesariamente 2 = b2 0 y
q ( x1 , x2 ) =
2bx1 x2 + cx22
2 2
x1 + cx2 2
c
b
= c x2 + x1
c
2
b2
+
c
x12 =
3 En
183
Ejercicios Propuestos
Ej. 6.1 Comprueba que la forma bilineal f (( x1 , x2 ), (y1 , y2 )) = x2 (y1
y2 ) 2x1 (y1 y2 ) es degenerada encontrando al menos un vector degenerado para f . Comprueba, adems, que es indefinida.
Ej. 6.2 Sea f : R2 R2 R la forma bilineal definida como:
f (( x1 , x2 ), (y1 , y2 )) = 2x1 y1 3x1 y2 + x2 y2
1. Halla la matriz A de f en la base {u1 = (1, 0), u2 = (1, 1)}.
2. Halla la matriz B de f en la base {v1 = (2, 1), v2 = (1, 1)}.
3. Encuentra la matriz de cambio de base P de la base {v1 , v2 } a la base
{u1 , u2 } y comprueba que B = PT AP.
1 1 3
Ej. 6.3 Si A = 1 1 0 es la matriz de una forma bilineal res3
0 1
pecto a la base cannica, se pide:
1. Calcula su matriz respecto a la base B = {(1, 1, 0), (0, 1, 0), (1, 1, 1)} .
2. Determina si es o no es degenerada.
3. Da las expresiones analticas de la forma cuadrtica asociada a f respecto de la base cannica y respecto de la base B anterior.
Ej. 6.4 Dada la siguiente matriz simtrica A =
expresiones analticas de:
3 1
, encuentra las
1 1
184
Ej. 6.5 Sea V el espacio vectorial real de los polinomios de grado menor
o igual que 2. Para f , g V, se define el siguiente producto escalar: h f , gi =
Z 1
0
~u y ~v para que
Ej. 6.6 Qu ngulo deben formar los vectores unitarios
185
2. Determina una base ortonormal del espacio ortogonal S del subespacio anterior.
Ej. 6.10 (Feb. 2013) En R3 , determine una base ortonormal considerando
el producto escalar
h( x1 , x2 , x3 ), (y1 , y2 , y3 )i = 2x1 y1 + x2 y1 + x1 y2 + x2 y2 + x3 y3
Ej. 6.11 (Sep.2013) Determina la matriz de una aplicacin lineal f : R4
R3 , sabiendo que (1, 0, 0, 1) y (1, 3, 2, 0) constituyen un sistema generador
de ker f y que los vectores (1, 1, 1) y (0, 2, 1) generan a Im f .
Ej. 6.12 De un endomorfismo F de R4 se conoce :
a) = F = ker F.
b) F (1, 2, 2, 1) = (0, 1, 0, 1) y F (3, 3, 1, 2) = (1, 0, 1, 0)
Se pide:
1. Calcula la matriz de F.
2. Ecuaciones paramtricas e implcitas de = F (o del ncleo) y una base
ortonormal de la misma.
Ej. 6.13 Consideramos el producto escalar definido por la matriz:
1 1
0
1 2 1 .
0 1 5
Se pide:
1. Comprueba que, efectivamente, es la matriz de un producto escalar.
2. A partir de la base cannica de R3 , obtn una base ortonormal respecto de dicho producto escalar y halla la matriz del cambio de base.
3
Ej. 6.14 (Sep. 2013) Sea
f una forma
bilineal de R cuya matriz, respecto
4 2 0
de la base cannica, es 2 2 1
0
1
1. Calcula los valores de para que f sea un producto escalar.
2. Determina para que adems, los vectores ~u = (1, 1, 1) y ~v = (0, 3, 1)
sean ortogonales.
3. Para el valor de calculado anteriormente, determina el subespacio
ortogonal al subespacio L definido por x1 x2 x3 = 0.
186
Ej. 6.15 Consideramos el espacio eucldeo tridimensional y el subespacio vectorial S generado por la base B = {(1, 0, 2), (0, 1, 1)}. Se pide:
1. Matriz A del producto escalar restringido a S.
2. Sustituye el segundo vector de la base B por otro vector ~x de forma
que {(1, 0, 2), ~x } sea una base ortogonal de S.
3. Encuentra la matriz B asociada a este producto escalar en esta nueva
base y la matriz P que hace B = P T AP.
Ej. 6.16 Calcula una base, as como las ecuaciones, del subespacio ortogonal en R4 del subespacio
(
x y + 2t = 0
S
z+t = 0
Ej. 6.17 Diagonalizar la matriz A y encontrar la matriz de paso ortogonal.
3 1 0
A = 1 3 0
0
0 2
Ej. 6.18 Clasifica las siguientes formas cuadrticas:
1. 3x2 6xy + 11y2
2. 3x2 + 2xy + 3y2 + 2xz + 2yz + 3z2
3. xy + yz + zx
Ej. 6.19 (Feb. 2013) Clasifique la siguiente forma cuadrtica q( x, y, z) =
3x2 + 2xz.
Ej. 6.20 Clasifica la siguiente forma cuadrtica para los distintos valores
de a.
q( x, y, z) = x2 + y2 + ( 1)z2 + 2xy con R fijo.
Ej. 6.21 Diagonaliza las formas cuadrticas del ejercicio 6.18 anterior.
Ej. 6.22 Dada la forma cuadrtica cuya matriz asociada es
a
0
a
0 a+c 0
a
0
a
1. Exprsala como suma de cuadrados usando dos mtodos diferentes.
187
TEMA 7
GEOMETRA
ndice
7.1.
7.2.
7.1.2.
7.1.3.
Perpendicularidad . . . . . . . . . . . . . . . . . 196
7.2.2.
7.2.3.
7.2.4.
7.1.
El Espacio afn
Los espacios vectoriales nos dan una imagen geomtrica muy limitada,
puesto que sus elementos son vectores. Generalmente los conceptos geomtricos comienzan con la definicin de puntos. El espacio geomtrico ms
prximo al espacio vectorial es el espacio afn.
Definicin 7.1. Llamaremos espacio afn a una cuaterna (A, V, K, ), donde: A es un conjunto cuyos elementos llamamos puntos,V es un espacio
vectorial sobre el cuerpo K y : A A V es una funcin que a cada dos
190
Geometra
Q
PQ + QR = PR
R
P
P + ~x
2. Si P A y ~x V exise un nico punto Q
P
~x
tal que PQ = ~x.
O
Este punto lo representamos Q = P + ~x.
Llamaremos dimensin del espacio afn a la dimensin del espacio vectorial V asociado a A.
Ejemplo 7.2. Todo espacio vectorial V puede ser considerado un espacio
afn (asociado a s mismo) sin ms que identificar los puntos con los vecto
res P = ~x, Q = ~y y definiendo PQ = ~y ~x.
Propiedades. De forma inmediata, a partir de la definicin, tenemos las
siguientes propiedades:
PQ = RS PR = QS
Ejercicio 7.3. Prueba las anteriores propiedades.
7.1.1.
Al punto O se le llama
origen del sistema u origen
de coordenadas.
Sistemas de Referencia
191
Cambio de coordenadas
Dado un punto de coordenadas X ( x1 , x2 , . . . , xn )R respecto al sistema
R = {O; ~v1 , ~v2 , . . . .~vn }, queremos calcular sus nuevas coordenadas
X ( x10 , x20 , . . . , xn0 )S
respecto al sistema S = { P; ~e1 , ~e2 , . . . , ~en }.
Para ello, calculamos las coordenadas de P( p1 , p2 , . . . , pn )R en R y la
matriz A del cambio de base de {~e1 , ~e2 , . . . .~en } a {~v1 , ~v2 , . . . , ~vn }. Entonces
x1
p1
x1 p1
x2 p2 x2 p2
PX = OX OP = . . =
.
..
.. ..
xn
xn pn
pn
0
x1 p1
x1
x2 p2
x0
= A ..
..
.
.
xn pn
xn0
~v1 = (1, 1)
~v2 = (1, 1)
y
y0
~v2
~v1
x0
x
O
P
espacio afn, R = {O; A1 , A2 , . . . , An }, de forma que los vectores {OA1 , OA2 , . . . , OAn }
forman una base de V. Es evidente que esta manera de dar un sistema de referencia es equivalente a la anterior.
7.1.2.
Subespacios afines
192
Geometra
OX = OP + 1~v1 + 2~v2 + + k~vk
(Ecuacin vectorial de L)
pn
vn1
vn2
vnk
Ecuaciones
paramtricas de L
193
Ecuaciones cartesianas de L
3x2 + x4 = 1
y pasa por el punto P(1, 1, 0, 0)
S OLUCIN: La direccin del hiperplano H viene determinada por dos vectores (independientes) del plano y un tercer vector desde algn punto
del plano al punto P.
Resolviendo el sistema de ecuaciones que define , tenemos
x1
x2
x3
x4
= 2++
=
=
= 1 3
de donde obtenemos (fcilmente) dos vectores independientes de la direccin de : {(1, 1, 0, 3), (1, 0, 1, 0)} y un punto Q(2, 0, 0, 1) .
7.1.3.
OX = OP + ~v
de direccin es S = L(~v).
194
Geometra
y la ecuacin paramtrica
( x, y) = ( p1 + v1 , p2 + v2 )
de donde se obtienen, a su vez, las llamada ecuacin general
ax + by = c
y la ecuacin continua
x p1
y p2
=
v1
v2
Tambin se puede expresar la ecuacin de una recta a partir de dos puntos P( p1 , p2 ) y Q(q1 , q2 ) distintos que estn contenidos en la propia recta
y p2
x p1
=
q1 p1
q2 p2
Si el vector de direccin es (0, 1) la recta es vertical o con pendiente infinita
y tiene por ecuacin x = c. En caso contrario, el vector de direccin es
~v = (v1 , v2 ), con v1 6= 0, y se dice que la recta tiene pendiente
m=
v2
v1
195
7.2.
Para calcular distancias y ngulos dentro de un espacio afn necesitamos incluir el principal elemento del espacio eucldeo: el producto escalar.
Definicin 7.8. Llamaremos espacio afn eucldeo E a un espacio afn en el
que el espacio vectorial asociado V es eucldeo.
En un espacio E podemos definir la distancia entre puntos P, Q E
como
d( P, Q) = k PQk
El teorema 6.38, pgina 160, nos permite probar las propiedades de la
distancia
196
Geometra
P, Q E.
P, Q E.
3. d( P, Q) + d( Q, R) d( P, R),
P, Q, R E.
Demostracin. Ejercicio.
Al igual que en los espacios vectoriales eucldeos tenamos las bases ortonormales, en un espacio afn distinguiremos unos sistemas de referencia
Definicin 7.10. Diremos que {O; ~e1 , ~e2 , . . . , ~en } en un espacio E es un sistema de referencia rectangular si {~e1 , ~e2 , . . . , ~en } es una base ortonormal del
espacio vectorial asociado V.
Ejemplo 7.11. El sistema de referencia del ejercicio 7.5 es rectangular.
Si las coordenadas de los puntos P( p1 , p2 , . . . , pn ) y Q(q1 , q2 , . . . , qn ) estn dadas respecto a un sistema de referencia rectangular, la distancia toma
la conocida expresin
d( P, Q) =
7.2.1.
( q1 p1 )2 + ( q2 p2 )2 + + ( q n p n )2
Perpendicularidad
197
Definicin 7.13. El vector ~n del teorema 7.12 se dice que es un vector normal al hiperplano.
Ejemplo 7.14. En el espacio afn eucldeo R2 las rectas son los hiperplanos.
Dada, entonces, una recta de ecuacin general
r ax + by = c
el vector ~n = ( a, b) es un vector normal, luego las rectas perpendiculares
tiene por ecuacin
x p1
y p2
=
a
b
3
Ejercicio 7.15. En R , encuentra las ecuaciones de una recta que pasa por el punto
P( p1 , p2 , p3 ) perpendicular al plano
ax + by + cz = d
7.2.2.
|h~n1 , ~n2 i|
k~n1 k k~n2 k
Ejercicio 7.17. Da una expresin analtica del ngulo de dos rectas en el plano y
dos planos en el espacio.
Otra situacin en que interesa calcular el ngulo es en el espacio E = R3 .
ngulo entre una recta y un plano en el espacio
Definicin 7.18. El ngulo que forman una recta y un plano de R3 es el que
forman el vector de direccin de la recta y su proyeccin ortogonal sobre el
plano.
Sea r una recta con vector de direccin ~v y sea un plano de vector
normal ~n, entonces
Proposicin 7.19. El ngulo formado por la recta r y el plano es tal que cumple
sen(r, ) =
|h~v, ~ni|
k~vk k~nk
198
Geometra
d( L1 , L2 ) = nf {d( X, Y ) | X L1 , Y L2 }
Evidentemente, si las variedades L1 y L2 tienen interseccin no vaca, su
distancia es cero.
Vamos a ver algunos casos particulares para encontrar esta distancia.
Distancia de un punto a una variedad lineal
Sea P un punto y L = Q + S una vaDe forma natural riedad lineal, entonces la distancia de P
P
PS = Q + ProyS ( QP). a L ser la distancia de P al punto (ortogonalmente) proyectado sobre la variedad L, que llamaremos PS .
PS
Q
Seguiremos la metodologa descrita
en la subseccin ?? para calcular la disL = Q+S
tancia buscada. Suponemos que el espacio E est dotado de un sistema de refencia rectangular.
Si {~a1 ,~a2 , . . . ,~ar } es una base de S, representamos por A la matriz n r
formada por las coordenadas de los vectores expresados en columna. La
proyeccin ortogonal (vase teorema ??) es A( A T A)1 A T , luego
d( P, L) = d( P, PS ) = d P, Q + A( A T A)1 A T QP
(7.1)
2x y + z = 6
x+z = 1
x = 1
y = 4
r
z=
nos dan un vector de direccin, ~v = (1, 1, 1) y un puntoo Q(1, 4, 0). Por
tanto, la proyeccin ortogonal del espacio en el subespacio de direccin
199
1
1
1
1 1 1 =
Pr = A( A A )1 A T = 1 1 1 1 1
1
1
1
1 1
1
1 1
= 1
3
1 1 1
d(O, r ) =
22 + (3)2 + (1)2 =
14
PS
~ k cos = d( P, PS ), luego
siendo el ngulo entre ambos vectores, pero k QP
d( P, L) = d( P, PS ) =
h QP, ~ni
( p q ) a + + ( pn qn ) an
= 1 q1 1
=
k~nk
2
2
2
a +a ++a
1
( a1 p1 + + an pn ) + ( a1 q1 an qn )
q
a21 + a22 + + a2n
simplificando la anterior expresin e incorporando un valor absoluto porque el vector ~n podra tener orientacin contraria, tenemos
200
Geometra
d( P, L) =
| a1 p1 + a2 p2 + + a n p n + c |
q
a21 + a22 + + a2n
(7.2)
d( P, r ) = q
~
QP
v
v21 + v22 + v23
PS
~v
Por tanto, este rea es k QP ~vk = k~vk d( P, r ), de donde se obtiene la frmula que queremos probar.
Ejemplo 7.22. En el ejemplo 7.20 seguimos un mtodo general para encontrar la distancia al origen de la recta
2x y + z = 6
r
x+z = 1
Para aplicar la frmula de la proposicin anterior calculamos las ecuaciones
continuas de r
x1
y+4
z
=
=
1
1
1
201
de aqu
d(O, r ) =
=
3
= 14
3
d ( L1 , L2 ) =
7.2.3.
Coordenadas polares
202
Geometra
es la coordenada radial y
la coordenada angular.
Conversin de coordenadas
Los siguientes resultados dan la conversin de coordenadas polares a
rectangulares y viceversa. Las demostraciones son fciles y se dejan como
ejercicio.
Proposicin 7.25. Un punto P del plano con coordenadas polares (, ) tiene por
coordenadas rectangulares (o cartesianas) ( x, y) siendo
x = cos
y = sen
Proposicin 7.26. Un punto P de coordenadas ( x, y) distinto del origen, en un
sistema de referencia rectangular tiene por coordenadas polares (, ) siendo
2 = x 2 + y2
arctan x
si x 6= 0 (conforme a su cuadrante)
si x = 0 e y > 0
si x = 0 e y < 0
= 3, =
= 2, =
(2, 2)
203
P
y = sen
x = cos
2 = x 2 + y2
y
tan =
x
= sen(2 )
= a, con [0, )
Ejercicio 7.30. Usa una calculadora o programa de clculo para dibujar la curva
que que tiene por ecuacin en polares
=
1
, con [0,2 )
1 + 0,5 cos
7.2.4.
La extensin de las coordenadas polares al espacio afn eucldeo tridimensional se hace a travs de las coordenadas cilndricas y las coordenadas
esfricas.
Supongamos un sistema de referencia rectangular orientado positivamente de origen O, cuyos vectores definen las direcciones: eje X, eje Y y
eje Z.
204
Geometra
Coordenadas cilndricas
Definicin 7.31. Un punto P del espacio eucldeo E = R3 se representa en
coordenadas cilndricas por (, , z), donde:
[0, ) es la coordenada radial, definida como la distancia del
punto P al eje Z, o bien la norma del vertor que resulta de proyectar
Eje Z
P
z
y
x O
Eje Y
Eje X
205
x 2 + y2
arctan
x
=
2
2
z=z
=
Coordenadas esfricas
Definicin 7.35. Un punto P del espacio eucldeo E = R3 se representa en
coordenadas esfricas por (, , ), donde:
[0, ) es la coordenada radial, definida como la distancia del
origen al punto P.
[0, ] es la inclinacin o latitud, definida como el ngulo del
206
Geometra
Eje Z
y
se
n
Eje Y
Eje X
si x = 0 e y > 0
=
si x = 0 e y < 0
2
En coordenadas esfricas el origen de coordenadas es = 0.
Ejemplo 7.38. Si r > 0 la ecuacin esfrica = r representa la esfera de
radio r.
Ejercicio 7.39. En la siguiente tabla, convierte los puntos del espacio de una representacin a las otras.
Puntos del espacio
(2, 2, 2)
r =
Cilndricas
=
z=
=
Esfricas
=
=
Rectang.
r = 1
= /2
z = 1
=
=
r =
=
z=
= 3
= /4
= /2
207
Ejercicios Propuestos
(
Ej. 7.1 Considera el punto P(0, 0, 1) y la recta r
x+y = 2
z=1
x=y
y
x+z = 1
el punto A r. Dado cualquier punto P de la recta consideramos el
punto Q del plano ms cercano a P. Expresa el rea del tringulo APQ
en funcin del valor de x.
P
Q
A
Ej. 7.5 (Sep. 2013) Sea r la recta de R3 que pasa por el punto (1, 0, 0) y
tiene como vector director ( a, 2a, 1) y sea s la recta dada por
2x + y = 2
ax + z = 0
1. Calcula los valores de a para los que r y s son paralelas.
208
Geometra
2. Calcula, para a = 1, la distancia entre r y s.
b) r = 2 cos .
c) r2 + z2 = 25.
Ej. 7.14 Encuentra el centro y el radio de la esfera que tiene por ecuacin
en coordenadas esfricas = sen sen .
NDICE ALFABTICO
209
210
ordinaria, 68
Complejos, vase Nmeros complejos
Complemento ortogonal, 170
Composicin
de funciones, 34
de aplicaciones lineales, 129
Ley de, vase Operacin
Congruencia, 154
Conjugado, 49
Conjunto
cociente, 31, 113
Conmutativa, 37
Coordenadas, 107, 190
cilndricas, 204
esfricas, 205
polares, 202
Correspondencia, 26
Coseno, 53, 162
hiperblico, 55
Cotangente, 54
hiperblica, 55
Cramer, 19
Criterio de Sylvester, 181, 182
Cuerpo, 43
de los complejos, 44
NDICE ALFABTICO
Principio de, vase Principio del palomar
Distancia, 159
entre puntos, 195
entre vectores, 161
Distributivas, 37
Divisor de cero, 42
Dominio, 28, 34
NDICE ALFABTICO
dual, 122
eucldeo, 158
Espacio cociente, 113
Eucldeo, 158
Euler, 48, 56
Exclusin
Regla de, 168
Exponencial, 52
de una matriz, 142
Expresin binomial, vase Forma rectangular de un complejo
Expresin matricial
de una aplicacin lineal, 128
de una forma cuadrtica, 157
f q , vase Forma polar
Fibonacci, 82
Forma
bilineal, 150
(anti)simtrica, 150, 152
definida, 153
degenerada, 152
indefinida, 153
semidefinida, 153
cuadrtica, 155
definida, 158, 181
indefinida, 158, 181
semidefinida, 158, 181
lineal, 150
multilineal, 154
alternada, 155
polar, 155
polar de un complejo, 48
rectangular de un complejo, 46
Frmula
de Euler, 48
de Grassmann, 113
Funcin, 3336
biyectiva, 36
composicin, 34
exponencial, 52
de base, 56
inversa, 35, 55
invertible, 36
inyectiva, 35, 52
sobreyectiva, 35
trigonomtrica, 53
hiperblica, 55
GL(n), vase Grupo general lineal
211
Gauss, 12, 17
Gauss-Jordan, 12, 18
Generador, vase Sistema generador de
vectores
Giro
vectorial, 171
Grado de libertad, 16
Grafo
de una relacin, 27
Gram-Schmidt, 163
Grassmann, vase Frmula de Grassmann
Grupo, 40
general lineal, 40, 173
ortogonal, 173
especial, 173
simtrico, 40
Hanoi
Torres de, 85, 87
Hiperplano, 169, 191, 193
Homomorfismo, vase Aplicacin lineal
i, vase Unidad imaginaria
Im f , vase Imagen
In , vase Matriz identidad
Identidad, 3, 28
de Jacobi, 168
Imagen, 28, 33, 121, 123
Independencia
lineal, 99
Inercia, vase Ley de inercia de Sylvester
Interseccin
de subespacios, 109
Invariante, 178, 180
Inversa, 35
Invertible, 6, 35
Inyectiva, vase Funcin inyectiva
Isomorfismo, 121
Isomorfo, 121
Jacobi, vase Identidad de Jacobi
ker f , vase Ncleo
Lagrange
Mtodo de, 175
Ley de inercia de Sylvester, 180
Logaritmo
complejo, 55
neperiano, 55
212
principal, 56
LU, 13, 20
M ( f ; B1 , B2 ), vase Matriz de una aplicacin lineal
Matrices
congruentes, 154, 174
equivalentes, 130, 132
semejantes, 133
Matriz, 14
adjunta, 6
ampliada, 13, 16
antisimtrica, 3
columna, 1
cuadrada, 1
de paso, 133, 137
de una aplicacin lineal, 128
de una forma bilineal, 151
de una forma cuadrtica, 157
definida, 154
diagonal, 2, 133
diagonalizable, 133
elemental, 9
escalar, 2
escalonada, 8
reducida, 9
exponencial, 142
fila, 1
identidad, 3
inversa, 6, 140
clculo, 7, 12, 140
invertible, 6
ortogonal, 171
regular, vase invertible
simtrica, 3
singular, 6
traspuesta, 2
triangular
inferior, 2
superior, 2
Menor, 6
Mdulo, 46, 159
Monomorfismo, 121
Multilineal, 154
Multiplicidad
algebraica, 138
geomtrica, 138
Newton, vase Binomio de Newton
Norma
NDICE ALFABTICO
usual o estndar, 160
Norma de un vector, 159
Normalizar, 161
Notacin aditiva y multiplicativa, 41
Ncleo, 123
Nmero
combinatorio, 68
Propiedades, 69
de Bell, 78
de funciones, 67
biyectivas, 66
inyectivas, 65
sobreyectivas, 74
de Stirling
de 1a especie, 77
de 2a especie, 76
e de Euler, 56
multinomial, 73
Nmeros complejos, 45
Operacin, 36
externa, 36
Orden total y parcial, 33
Orientacin
de un espacio vectorial, 166
Origen, 33, 190
Ortogonalidad, 162
P(n, r ), vase r-permutacin
P(n), vase Permutacin
PR(n, r ), vase Permutacin con repeticin
POR(n1 , n2 , . . . , nt ), vase Permutacin con
objetos repetidos
Par ordenado, 26
Parte real e imaginaria, 46
Particin, 29
Pendiente, 194
Permutacin
con objetos repetidos, 67
con repeticin, 66
ordinaria, 65
Perpendicular, 162, 196
Pitgoras, vase Teorema de Pitgoras
Polinomio
caracterstico, 82, 134
Potencia, 140
Principio
de inclusin-exclusin, 73
de la suma, 63
NDICE ALFABTICO
del palomar, 63
del producto, 64
Producto
cartesiano, 26
escalar, 158
estndar, vase usual
usual, 159, 171
interno, vase escalar
vectorial, 167
Progresin, 79
r-combinacin, 68
r-permutacin, 65
Rango
de una aplicacin lineal, 126
de una forma cuadrtica, 180
de una matriz, 11
Referencia, vase Sistema de referencia
Reflexiva, vase Relacin reflexiva
Relacin, 2633
representacin, 27
antirreflexiva, 29
antisimtrica, 29
circular, 29
de Chasles, 190
de equivalencia, 29
de orden, 32
grafo, vase Grafo de una relacin
identidad, 28
interna, 28
reflexiva, 29
simtrica, 29
transitiva, 29
Representacin matricial
de un sistema de ecuaciones lineales, 16
de una forma bilineal, 151
de una forma cuadrtica, 157
S( A), Sn , vase Grupo simtrico
s(n, r ), vase Nmero de Stirling de 1a
especie
S(n, r ), vase Nmeros de Stirling de 2a
especie
Schwarz, vase Desigualdad de Schwarz
Semejanza, 133
Semigrupo, 40
Seno, 53
hiperblico, 55
Signatura, 180
213
Simtrica, vase Relacin simtrica
Simetra
central, 173
especular, 172
Sistema
(in)compatible, 15
de ecuaciones, 1521, 192
cuadrado, 19
homogneo, 15, 18
de referencia, 190
polar, 201
rectangular, 196
de vectores, 99
de vectores (in)dependientes, 99
generador de vectores, 103
ortogonal de vectores, 163
Sobreyectiva, vase Funcin sobreyectiva
Solucin
General, 80
particular, 87
Stirling, vase Nmero de Stirling
Subespacio
afn, 191
ortogonal, 169
propio, 135
suplementario, 113
vectorial, 101
generado, 103
trivial, 102
Suma
de subespacios
vectoriales, 111
directa, 112
Suplementario, vase Subespacio suplementario
Sylvester, 180182
tr( A), vase Traza
Tangente, 54
hiperblica, 55
Teorema
de caracterizacin, 102
de Cayley-Hamilton, 142
de la base, 106
de la base incompleta, 109
de la descomposicin, 125
de la dimensin, 126
de Pitgoras generalizado, 162
de Rouch-Frbenius, 16
214
Transformacin
elemental, 9, 128
lineal, vase Aplicacin lineal
Transitiva, vase Relacin transitiva
Traza, 3, 133, 141, 159
Tringulo de Tartaglia (o Pascal), 70
Triangular, 2, 160
Unidad imaginaria, 45
Valor absoluto, 46
Valor propio, vase Autovalor
Variedad lineal, vase Subespacio afn
Vector, 97, 189
degenerado, 152
normal, 197
normalizado, 161
ortogonal, 162
propio, vase Autovector
unitario, 161
Vectores
Sistema de, 99
Sistema generador de, 103
NDICE ALFABTICO