Escolar Documentos
Profissional Documentos
Cultura Documentos
y
Matemtica Discreta
(Actualizado para el curso 2013/2014)
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
13
19
2. Estructuras Algebraicas
2.1. Conjuntos . . . . . . . . . . . . . . .
2.2. Relaciones internas . . . . . . . . . .
2.3. Funciones . . . . . . . . . . . . . . .
2.4. Estructuras algebraicas . . . . . . . .
2.5. El cuerpo de los nmeros complejos
Ejercicios Propuestos . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
24
31
35
38
46
58
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 . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
66
68
77
80
82
95
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 . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
101
101
105
109
113
117
118
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Aplicaciones lineales
121
5.1. Definicin y propiedades . . . . . . . . . . . . . . . . . . . . . 122
5.2. Representacin matricial de una aplicacin lineal . . . . . . . 130
5.3. Matrices semejantes y endomorfismos . . . . . . . . . . . . . 136
III
NDICE GENERAL
IV
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
153
154
159
162
174
179
183
192
7. Geometra
197
7.1. El Espacio afn . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
7.2. El espacio afn eucldeo . . . . . . . . . . . . . . . . . . . . . . 203
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . 215
TEMA 1
MATRICES Y SISTEMAS DE
ECUACIONES LINEALES
ndice
1.1.
Matrices . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1. Operaciones con matrices . . . . . . . . .
1.1.2. Determinantes . . . . . . . . . . . . . . . .
1.1.3. El Anillo de matrices cuadradas . . . . . .
1.2. Equivalencia de matrices . . . . . . . . . . . . . .
1.2.1. Matrices escalonadas . . . . . . . . . . . .
1.2.2. Transformaciones y matrices elementales
1.2.3. Clculo del rango y de la inversa . . . . .
1.3. Sistemas de ecuaciones lineales . . . . . . . . . . .
1.3.1. Teorema de Rouch-Frbenius . . . . . .
1.3.2. Resolucin de sistemas . . . . . . . . . . .
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . .
1.1.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
3
4
6
8
8
9
12
13
15
15
19
Matrices
i = 1, 2, . . . , m
j = 1, 2, . . . , n
matriz columna, si m = 1
tenemos una matriz fila. Si
m = n tenemos una matriz
cuadrada.
Por ejemplo, si A =
AT
=A
0
1
1 4
1 2 3
, entonces A T = @2 5A.
4 5 6
3 6
Diagonal principal Dada A = ( aij ) 2 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.
A.
1.1 Matrices
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.
0
1
1 0 ... 0
0
1
1 0 0
B0 1 . . . 0C
1 0
B
C
I2 =
, I3 = @0 1 0A , . . . , In = B . . .
.C , . . .
0 1
@ .. .. . . .. A
0 0 1
0 0 ... 1
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
Dada una matriz cuadrada A = ( aij ) 2 Mn definimos el determinante
de A como
det A = | A| =
a 2 Sn
8
9
1 ! j1 >
>
>
>
>
< 2 ! j2 >
=
siendo a =
cada una de las permutaciones y donde sg(a) de.
..
>
>
>
>
>
>
:
;
n! jn
nota el nmero de inversiones de a o, lo que es lo mismo, el nmero de
veces
que9hay que intercambiar elementos de las imgenes en la identidad
8
1
!
1 >
>
>
>
>
< 2!2 >
=
para conseguir a.
.
.. >
>
>
>
>
>
:
;
n!n
0
1
a11 a12 a13
Ejemplo 1.9. Para calcular el determinante de A = @ a21 a22 a23 A calcua31 a32 a33
lamos, en primer lugar, el conjunto S3 de todas las permutaciones de tres
elementos:
88
9 8
9 8
9 8
9 8
9 8
99
< < 1!1 = < 1!2 = < 1!3 = < 1!1 = < 1!3 = < 1!2 = =
2!2
2!1
2!2
2!3
2!1
2!3
S3 =
,
,
,
,
,
::
; :
; :
; :
; :
; :
;;
3!3
3!3
3!1
3!2
3!2
3!1
1.1 Matrices
Calculamos ahora sg(a) para cada a 2 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
3
3
0
0
0
0
1
1
4
3
= =
1
0
1
0
0
0
3
3
0
0
0
0
1
0
3
2
=
1
1
3
5
6
=
4
12 + 30 = 18
1.1 Matrices
Ejemplo 1.15. Si A =
1 2
3 4
entonces adj A =
0
4
2
1
1
4
3
1
2
2
5
1
3
3 A.
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
0
1
det A
0
...
0
B 0
det A . . .
0 C
B
C
A adj( A T ) = B .
.. C = det A In
@ ..
. A
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
adj( A T )
| A|
Ejercicio 1.20. Calcula la inversa de las matriz A del ejemplo 1.15 y de la matriz
B del ejercicio 1.16.
Nota. Como se ver en el tema ms adelante (proposicin 2.51 en pgina 40) en
todo anillo el elemento simtrico (inverso) es nico, por tanto la inversa de una
matriz es nica. Adems se verifica
( A B)
=B
(1.1)
A)B=Q
A In
En cambio dos matrices equivalentes no tienen por que ser equivalentes por filas ni por columnas.
2. En el conjunto de las matrices de orden m n las tres relaciones anteriores son de equivalencia.
Ejercicio 1.22. Comprueba las propiedades reflexiva, simtrica y transitiva de una
de estas tres relaciones (las otras se prueban de forma similar).
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
1 0 2 3
@0 0 0 1 0A
0 0 0 0 4
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
0 1
1 0 0
@0 0 0 1 0A
0 0 0 0 1
Matriz escalonada
reducida por columnas
0
1
1 0 0
@2 0 0A
0 1 0
10
Tipo II
Tipo III
Matriz elemental
(Ejemplo)
0
1
1 0 0
@0 0 1A
0 1 0
0
1
1 0 0
@0 1 0 A
0 0 a
0
1
1 0 0
@0 1 0A
0 a 1
1 2
0 0 1
1
@
A
@
A
A = 3 4 , E1 = 0 1 0 y E2 =
0
5 6
1 0 0
2
1
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 (a) y E3 son matrices
elementales de tipo I, II y III, respectivamente, los determinantes son:
det E1 =
det E2 (a) = a 6= 0
det E3 = 1
11
1
0
1
0
0 1 0
1 0 0
1 0
E1 = @1 0 0A E2 = @0 3 0A E3 = @0 1
0 0 1
0 0 1
0 0
1
3
0 A
1
1
1 1 2 0
Ejemplo 1.32. Dada la matriz @0 1 1 1A 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
0
0
1
1 2
2
1
1
2
2
@3
3 6
6 A!@ 0
0
6
6 A
5
5 4
4
0
0
0
0
que nos dice (sin calcular ningn determinante) que el rango es 2.
Ejercicio 1.40. Calcula el rango de la siguiente matriz
0
1
1
1
0
2
B 3
3
6
6 C
B
C
@ 5
5
4
4 A
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
!I
Por filas
o, lo que es lo mismo, podemos encontrar una sucesin de matrices elementales E1 , E2 , . . . Ek tales que
Ek Ek
13
E2 E1 A= I
( Ek Ek
E1 ) A = I ) A
= Ek Ek
E1
Por filas
( E1 A | E1 I )
Por filas
0
1
Ejemplo 1.41. Si A = @3 2
8 7
por este mtodo.
0
0
1
2 1 0 0
@ 3
2
1 0 1 0
8
7
6 0 0 1
( E2 E1 A | E2 E1 )
Por filas
Por filas
(I|A
1
2
1 A vamos a intentar calcular su inversa
6
1
A
Por filas
1 0
@ 0 1
0 0
1
5 2
8 3 A
8 3
1 4
2 4
0 5
1
B 0
B
@ 0
0
1.3.
0
1
0
0
0
0
1
0
0
0
0
1
61
240
1
2
5
16
7
120
29
30
3
2
1
2
1
30
89
80
3
2
3
16
3
40
7
15
1
2
C
C
0 A
1
30
Un sistema de m ecuaciones con n incgnitas x1 , x2 , . . . , xn lineal, siempre se puede expresar de la siguiente manera:
9
a11 x1 + a12 x2 + + a1n xn = c1 >
>
>
=
a21 x1 + a22 x2 + + a2n xn = c2 >
..
.
>
>
>
>
;
am1 x1 + am2 x2 + + amn xn = cm
14
donde:
8
>
incompatible
>
>
>
<
8
< determinado
Sistema
>
>
compatible
>
>
: indeterminado
:
cm
| {z }
C
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.
15
Definicin 1.44 (Matriz ampliada del sistema). Es la matriz obtenida aadiendo a la matriz A del sistema la columna C de trminos independientes,
es decir
0
1
a11 a12 a1n c1
B a21 a22 a2n c2 C
B
C
( A|C ) = B ..
..
..
.. C
..
@ .
.
.
.
. A
am1 am2 amn cm
Al valor n rango( A) se le llama grado de libertad del sistema indeterminado y determina el nmero de parmetros que definen las soluciones.
Ejercicio 1.46. Determina los valores del parmetro a para que el sistema siguiente tenga soluciones.
9
x1 + 3x2 x3 =
4 >
>
=
2x1 + 4x2 + x3 =
2
2x1 + ax2 + 2x3 =
0 >
>
;
2x2 + x3 =
2
[S OLUCIN : a = 14]
donde:
( A|C )
Por filas
( E| D )
Las operaciones
elementales
necesariamente han de ser
por filas. Las operaciones
por columnas no respetan
las soluciones del sistema.
16
( E| D ) es escalonada
! Mtodo de Gauss
( E| D ) es escalonada
reducida
Mtodo de
Gauss-Jordan
9
= 1
>
>
=
= 0
=
13 >
>
;
=
4
(1.2)
2
B 1
B
@ 0
1
1
1
14
2
1
0
1
filas B
0 C
C Por
!B
@
13 A
4
0
4
39
3
2
0
0
0
1
3
0
0
0
8
5
0
1
1
1 C
C
25 A
0
2
B 1
B
@ 0
1
1
1
14
2
0
4
39
3
1
0
1
filas B
0 C
C Por
B
!
A
@
13
4
1
0
0
0
0
1
0
0
0
0
1
0
( x1 , x2 , x3 ) = (7, 13, 5)
1
7
13 C
C
5 A
0
17
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 1.48. Vamos a resolver el siguiente sistema homogneo aplicando
el mtodo de Gauss.
9
2x + 3y z = 0 =
x 4y + z = 0
;
3x y = 0
que en forma matricial se expresa
0
2
@ 1
3
3
4
1
10 1 0 1
1
x
0
1 A@ y A = @ 0 A
0
z
0
2
@ 1
3
3
4
1
1
0
1 0
1
Por filas
1 0 A!@ 0
0 0
0
4
11
0
1
1 0
3 0 A
0 0
4y + z = 0
11y 3z = 0
z=l
4y = l
11y = 3l
z=l
3
y=
l
11
3
x = 4( l )
11
l=
1
l
11
18
9
>
>
>
>
=
>
>
>
>
;
() AX = C
xi =
an1
c1 a1n
c2 a2n
..
..
.
.
cn ann
| A|
1 3
1 1
2 1
1
3
1
= 22 6= 0.
19
x1 =
x2 =
x3 =
1 3
0 1
2 1
22
1 1
1 0
2 2
22
1 3
1 1
2 1
22
1
3
1
9
11
=
1
3
1
1
0
2
3
22
5
22
Ejercicios Propuestos
Ej. 1.1 Dadas las matrices A =
calcula, si es posible:
2
3
1
0
,B =
2
4
a) A + B.
c) CB y C T B.
e) ABC.
b) AC.
d) (2A + B) C.
f)
1
1
yC =
2
2
g)
1
0
2 6 3
1
Ej. 1.2 Dadas las matrices A = @ 0 9 5A y B = @2
6 2 1
3
prueba si es verdadero o falso:
a) AB = BA.
b) ( A +
B )2
c) ( A
A2
+ 2AB +
B2 .
d) ABA
1
2B
2
A , B2 y
CT
A .
C2 .
1
1 1
4 2A, com5 7
B)( A + B) = A2
1
3 5
,
1 1
B2 .
= B.
1
a) A = @2
1
4
5
10
1
1
3 A.
11
3
b) A = @1
5
1
1
4 A.
2
3
c) A = @ 6
4
5
7
1
1
2
1
1
4
5A.
0
20
Ej. 1.4 Mediante operaciones elementales, determina el rango de las siguientes matrices segn el valor del parmetro a.
a)
1 3
4 a
b)
c)
2 a 1
6 3 4
1
2
a
@6 4 + a A
4
6
1
a 1 1
d) @1 a 1A
1 1 a
5 4
7 6
1
2 1 3
b) @ 1 4 0A
1 1 0
1
0
Ej. 1.6 Calcula el determinante | A| =
2
5
3
c) @4
2
6
3
0
3
2
1
1
4
1
1 2
1 1A
4 6
0
4
.
2
0
b)
| B T |.
c) | ABA T |.
d) | ABA
1 |.
e) |( AB) T |.
f) | A
g) |2B|.
1 |.
h) | A2 |.
Ej. 1.8 Calcula la inversa de las siguientes matrices para aquellos valores del parmetro real a para los que sea posible.
0
1
a 2 0
a) @0 1 1A
1 0 a
a
b) @10
4
1
4
2a
1
5
1A
9
21
b)
x + y 2z + 3t = 1
x 2y 3z 4t = 0
2x + 3y + 5z + 7t = 1
2x + 2y + 4z + 6t = 2
9
>
>
=
>
>
;
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.
9
mx + mz = 0 >
>
=
my + z = 0
mx + y + mz = m >
>
;
mx + my + mz = 0
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:
Disponsitivo A: Necesita 8 unidades de cobre y ninguna de estao.
Disponsitivo B: Necesita 6 unidades de cobre y 2 de estao.
Disponsitivo 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?
TEMA 2
ESTRUCTURAS
ALGEBRAICAS
ndice
2.1.
2.2.
2.3.
Conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
2.1.1.
25
2.1.2.
25
2.1.3.
28
Relaciones internas . . . . . . . . . . . . . . . . . . . . . .
31
2.2.1.
Relaciones de equivalencia . . . . . . . . . . . .
32
2.2.2.
34
2.2.3.
Relaciones de orden . . . . . . . . . . . . . . . .
35
Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . .
35
2.3.1.
36
2.3.2.
Tipos de funciones . . . . . . . . . . . . . . . . .
38
Estructuras algebraicas . . . . . . . . . . . . . . . . . . .
38
2.4.1.
42
2.4.2.
43
46
2.5.1.
47
2.5.2.
48
2.5.3.
Funcin exponencial . . . . . . . . . . . . . . . .
54
2.5.4.
55
2.5.5.
57
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . .
58
2.4.
2.5.
23
24
Estructuras Algebraicas
2.1. Conjuntos
Definicin 2.1 (Intuitiva). Un conjunto es una reunin en un todo de determinados objetos bien definidos y diferentes entre s.
Llamamos elementos a los objetos que lo forman.
Para que un conjunto est bien definido deben darse los siguientes requisitos:
No debe existir ambigedad en la definicin de de los elementos.
Todos los elementos deben ser diferentes.
El propio conjunto no puede ser un elemento de s mismo.
El orden de definicin de sus elementos es intrascendente.
Si a es un elemento del conjunto A, decimos que a pertenece a A y lo
denotamos por a 2 A. En caso contrario lo denotamos por a 2
/ A.
Los conjuntos generalmente se definen:
Por extensin, enumerando uno a uno todos sus elementos, { a, b, c, d}
Por comprensin, sus elementos quedan descritos de una forma implcita, { x 2 N | x es primo }
Ejemplo 2.2. Los principales conjuntos numricos ya son conocidos de estudios anteriores. As, representamos por N al conjunto de todos los nmeros naturales, Z a los nmeros enteros, y Q y R los nmeros racionales
y reales, respectivamente.
Conjunto vaco Lo definimos como el conjunto carente de elementos, es
decir, = {}.
Es decir, todo elemento de
A es elemento tambin de
B (no necesariamente al
revs).
2.1 Conjuntos
25
Nota. La proposicin anterior nos dice que todo conjunto tiene al menos
estos dos subconjuntos que se denominan subconjuntos triviales. Al resto de
los subconjuntos de A los llamamos subconjuntos propios.
Definicin 2.5 (Igualdad). Decimos que A = B si tienen exactamente los
mismos elementos, es decir, si:
x 2 A () x 2 B
Demostracin. Cada uno de los n elementos de A tiene 2 posibilidades, puede estar o no estar en un subconjunto de A. Por tanto el numero de subconjuntos posibles de A ser 2n .
26
Estructuras Algebraicas
Propiedades
Vienen expresadas en el cuadro 2.1. La prueba de algunas de estas propiedades son obvias. Otras se pueden probar usando el principio de doble
inclusin (proposicin 2.6).
Cuadro 2.1: Propiedades de las operaciones de conjuntos
Obsrvese en las
propiedades del
cuadro 2.1, el llamado
principio de dualidad. Si en
una expresin cambiamos
intersecciones por uniones
(y viceversa) y conjuntos
vacos por universales (y
viceversa), la nueva
expresin es igualmente
vlida o igualmente falsa.
Ejemplo 2.11. Vamos a probar, por doble inclusin, la ley del doble complemento: A = A.
entonces x 2
Demostracin. (1) Si x 2 A,
/ A luego x 2 A y (2) si x 2 A,
entonces x 2
/ A, luego x 2 A .
Ejercicio 2.12. Aplicando el principio de dualidad, si probamos una ley por doble
inclusin, automticamente tenemos una prueba de la dual. Aprovecha este principio para probar todas las propiedades.
2.1 Conjuntos
27
Cardinal de la unin
Veremos en el tema 3 (Tcnicas de Recuento) que el cardinal de la unin
de conjuntos est relacionado con un principio bsico de recuento llamado
principio de inclusin-exclusin. De momento, para dos y tres conjuntos, el
cardinal de la unin se puede enunciar del siguiente modo:
A
| A [ B| = | A| + | B|
A\B
| A \ B|
A[B
Cuando calculamos el nmero de elementos de la unin A [ B sumamos
los elementos que estn en A y B, pero debemos restar los de la interseccin
porque se han sumado dos veces.
De igual forma, para tres conjuntos tenemos
| A [ B [ C | = | A| + | B| + |C |
| A \ B|
| A \ C|
| B \ C| + | A \ B \ C|
A\B\C
B = {x 2 U | x 2 A y x 2
/ B} = A \ B
B) [ ( B
A ).
28
Estructuras Algebraicas
Ai = { x 2 U | existe i 2 I con x 2 Ai }
Ai = { x 2 U | x 2 Ai para todo i 2 I }
i2 I
i2 I
i 2N
i =0
i 2Z
i=
100
[
i =3
i 2{3,...,100}
(i, i + 1) = (0, )
i =0
(i, i + 1).
i =0
2.1.3.
2.1 Conjuntos
29
Igualdad de pares
( a, b) = ( a0 , b0 ) si y slo si a = a0 y b = b0
Definicin 2.19. Se define el producto cartesiano de A por B como
A B = {( a, b) | a 2 A, b 2 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 2.20. Usaremos con mucha frecuencia el conjunto R n 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).
Si a est relacionado con b entonces a R b, en caso contrario a R
6 b.
Si R es una relacin de A en B, llamamos grafo de R al subconjunto
de A B siguiente
GR = {( a, b) | a R b}
Inversamente, si G A B, entonces define una nica relacin RG
de A en B del siguiente modo
a RG b () ( a, b) 2 G
Es decir, que todo subconjunto del producto cartesiano define una
(nica) relacin cuyo grafo coincide con dicho subconjunto.
Representacin de Relaciones
La relacin de A = { a, b, c, d} en B = { x, y, z} definida por el grafo:
GR = {( a, x ), ( a, z), (d, x )}
se puede representar de muchas formas, entre otras, las siguientes:
(2.1)
30
Estructuras Algebraicas
A
Diagrama de flechas:
a
b
c
d
y
z
z
y
Diagrama cartesiano:
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 2 A | existe b 2 B con x R b}
Img R = { x 2 B | existe a 2 A con a R x }
31
Ejercicio 2.22. En la relacin R = {( a, x ), ( a, z), (d, x )} ya vista en (2.1), pgina 29, 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 2.23. Escribe el dominio y la imagen de la relacin que se define en el
ejercicio 2.21.
Relacin identidad Para cualquier conjunto A siempre existe una relacin definida
I A = {( x, x ) | x 2 A} A A
(2.2)
que llamaremos relacin identidad. Cuando no hay duda se suprime el subndice, por tanto I .
2.2.
Relaciones internas
a
b
c
d
a
b
c
d
a
b
d
c
Propiedades
Algunas propiedades de las relaciones binarias en A son las siguientes:
Reflexiva: Para todo a 2 A se tiene a R a
Antirreflexiva: Para todo a 2 A se tiene a R
6 a
Simtrica: Para todo a, b 2 A, si a R b entonces b R a
Antisimtrica: Para todo a, b 2 A, si a R b y b R a entonces a = b
Transitiva: Para todo a, b, c 2 A, si a R b y b R c entonces a R c
Circular: para todo a, b, c 2 A tales que a R b y b R c, se cumple que c R a.
Ejercicio 2.24. Observa que la relacin identidad I definida en (2.2) es una relacin interna. Indica cales de las anteriores propiedades verifica.
32
Estructuras Algebraicas
2.2.1.
Relaciones de equivalencia
Ai = A
i2 I
[ a] = { x 2 A | a R x }
33
Segn la anterior definicin podra ocurrir que ciertas clases coincidieran, es decir, algunos elementos a, b 2 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 2 A, con [ a] 6= [b] y
[ a] \ [b] 6= ? La respuesta nos la da el siguiente e importante teorema.
Teorema 2.29. Sea R A A una relacin de equivalencia y a, b 2 A, entonces
se tiene:
1. a 2 [ 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 2 [ a].
2. Suponemos (hiptesis) que a R b (o bien b R a), entonces, por la propiedad transitiva:
x 2 [ a] ) x R a (y a R b, hip.) ) x R b ) x 2 [b] que prueba [ a] [b]
x 2 [b] ) x R b (y b R a, hip.) ) x R a ) x 2 [ a] que prueba [b] [ a]
luego (por la doble inclusin) [ a] = [b].
Inversamente, ahora la hiptesis es [ a] = [b], entonces, como sabemos
(apartado 1) que a 2 [ a] ) a 2 [b], luego a R b.
3. Hiptesis [ a] 6= [b]. Si x 2 [ a] \ [b] ) x 2 [ a] y x 2 [b] ) a R
x y x R b ) a R b, luego por 2. [ a] = [b], que contradice la hiptesis. De
aqu no puede haber ningn elemento en la interseccin [ a] \ [b], es decir
[ a] \ [b] = .
Hiptesis [ a] \ [b] = . Sabemos que [ a] 6= y [b] 6= , entonces trivialmente [ a] 6= [b], puesto que si fuesen iguales no tendran interseccin
vaca.
Nota. El recproco del corolario anterior tambin es cierto. Es decir, cualquier particin de un conjunto A define una relacin de equivalencia. Dos
elementos estn relacionados si y solo s pertenecen a la misma parte (es
evidente que esta relacin es reflexiva, simtrica y transitiva). Claramente
las clases coinciden con las partes.
34
Estructuras Algebraicas
2.2.2.
a = kn
2], [ n
1]}
= [ 12] = [ 6] = [0]
= [ 11] = [ 5] = [1]
= [ 10] = [ 4] = [2]
..
.
= [ 7] = [ 1] = [ 5 ]
2.3 Funciones
35
m R n () m divide a n
es una relacin de orden.
Las relaciones de orden en conjuntos fintos se pueden representar por los
llamados diagramas de Hasse. El ejemplo anterior se puede representar con
el diagrama de Hasse de la figura al
margen.
12
20
15
10
3
2.3.
Funciones
36
Estructuras Algebraicas
1. Dom f = A
2. Si ( a, b) 2 f y ( a, c) 2 f entonces b = c
a
b
c
d
y
z
(Y ) = { x 2 A | f ( x ) 2 Y }
Ejemplo 2.41. La relacin identidad I A : A ! A descrita en (2.2), es efectivamente una funcin que depende nicamente del conjunto A en la que se
define. Estas funciones reciben el nombre de funcin identidad en A.
2.3.1.
Observa que ,para
funciones, g f se
entiende que primero se
aplica f y posteriormente
g.
f : A ! C siendo ( g
f )( x ) = g( f ( x ))
(2.3)
2.3 Funciones
37
Propiedades.
1. Cuando una funcin f : A ! B se compone con la funcin identidad,
se queda invariante, es decir
f
IA = f
IB
(2.4)
f = f
(h g)
f = h (g
(2.5)
f)
= {( f ( a), a) | a 2 A} B A
1
es
es la nica funcin
f = IA
= IA
y
1
g = IB
38
2.3.2.
Estructuras Algebraicas
Tipos de funciones
a
b
c
1
2
3
4
a
b
c
a
b
c
1
2
3
: 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.
39
Propiedades
Asociativa
Sea una operacin interna en A. Decimos que tiene propiedad asociativa
si satisface:
Para todo a, b, c 2 A,
a (b c) = ( a b) c.
Conmutativa
Sea una operacin interna en A. Decimos que tiene propiedad conmutativa si satisface:
Para todo a, b 2 A,
a b = b a.
Distributivas
Sean y D dos operaciones internas en A.
8 a, b, c 2 A,
a D ( b c ) = ( a D b ) ( a D c ).
8 a, b, c 2 A,
( b c ) D a = ( b D a ) ( c D a ).
Elementos Notables
Elemento Neutro
Un elemento e 2 A es neutro para si satisface que
8 a 2 A,
a e = e a = a.
40
Estructuras Algebraicas
) e1 = e2
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 2.51. 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 2 A son elementos simetrizables, a b tambin lo es y su simtrico
es ( a b)0 = b0 a0 .
Demostracin.
( a b) (b0 a0 ) = e
y
0
0
(b a ) ( a b) = e
41
8 a, b 2 A,
c a = c b =) a = b.
8 a, b 2 A,
a c = b c =) a = b.
8a 2 A ,
Ejemplo 2.53. La matriz 0 =
a c = c a = c.
0 ... 0
..
.
..
.
0 ... 0
Ejercicio 2.54. Puede existir ms de un elemento absorbente para la misma operacin en un conjunto? Justifica la respuesta.
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 a 1 .
42
Estructuras Algebraicas
( A, )
Asociativa
Elem. neutro
Elem. simt.
Conmutativa
Semigrupo
Monoide
Semigrupo
Conmutativo
Monoide
conmutativo
Grupo
Grupo
Abeliano
2.4.1.
43
[ a + b] = [ a + b ]. Prueba
Ejercicio 2.58. En este ejercicio, por comodidad, suprimimos los corchetes de los este resultado como
ejercicio.
elementos de Z n . Completa las siguientes tablas de los grupos.
+
0
1
Z2
0
1
0
+
0
1
2
Z3
0 1
+
0
1
2
3
4
5
Z6
2
44
Estructuras Algebraicas
( 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
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) =
De la misma forma se prueba ( a) b =
III .
( a b)
( ab).
Es evidente a partir del apartado anterior y del apartado 2 de la propoposicion 2.51 que establece ( a0 )0 = a.
( a)( b) =
(( a)b) =
( ( ab)) = ab
[n] + [m] = [n + m]
[n] [m] = [nm]
y tiene estructura de anillo (Z n , +, ).
45
Ejercicio 2.65. Comprueba que Z3 , Z5 y Z7 no tienen divisores de cero. En cambio los anillos Z4 , Z6 y Z8 si tienen.
Ejemplos 2.66.
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 2.67. 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.
46
Estructuras Algebraicas
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:
(2.6)
47
( 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)
y
x
,
x 2 + y2 x 2 + y2
48
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 2.71 (Fundamental del lgebra). Todo polinomio no constante de grado n tiene n races (contando multiplicidad) en C.
2.5.2.
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 + y2 2 R + [ {0}
y un argumento de z = x + iy es un nmero q 2 R tal que
x = r cos q e y = r sen q.
49
z2 | = | z2
z1 |
( x1 + iy1 )( x2 + iy2 ) = (r1 cos q1 + ir1 sen q1 )(r2 cos q2 + ir2 sen q2 ) =
= (r1 r2 cos q1 cos q2 r1 r2 sen q1 sen q2 )+
+ i (r1 r2 cos q1 sen q2 + r1 r2 sen q1 cos q2 ) =
= r1 r2 (cos(q1 + q2 ) + i sen(q1 + q2 )) .
Por lo tanto el valor absoluto del producto es r1 r2 y su argumento es
q1 + q2 (uno de ellos). Geomtricamente, estamos multiplicando las longitudes de los dos vectores que representan los dos nmeros complejos, y
sumando sus ngulos medidos con respecto al eje x positivo.
50
Estructuras Algebraicas
Parte imaginaria
z2
| z1
z2 |
z1
z1
z2
Parte real
1
=e
eiq
iq .
Conocidos x, y
r 2 = x 2 + y2
y
tan q = , si x 6= 0
x
p
q = , si x = 0 e y > 0
2p
q=
, si x = 0 e y < 0
2
51
3 cos q sen2 q.
sen3 q.
Propiedades geomtricas
El cuadrado del valor absoluto de un complejo tiene la buena propiedad
| x + iy|2 = x2 + y2 = ( x + iy)( x
iy).
Esta es una de las muchas razones para dar el proceso de pasar del complejo z = x + iy a x iy el nombre especial de conjugar z.
Se denota el complejo conjugado como
x + iy = x
iy.
Geomtricamente, la conjugacin z significa que se refleja el vector correspondiente a z con respecto a la eje real. El siguiente ejercicio recoge
algunas propiedades bsicas del conjugado.
Ejercicio 2.76. Para cualesquiera z, z1 , z2 2 C,
1. z1 z2 = z1 z2 .
5. |z| = |z|.
2. z1 z2 = z1 z2 .
6. |z|2 = z z.
3.
z1
z2
z
= 1.
z2
4. z = z.
7. Re z = 12 (z + z),
8. Im z =
1
2i ( z
9. eiq = e
iq .
z ).
|z| Re z |z| y
|z| Im z |z|
De la propiedad 6 del ejercicio 2.76 obtenemos una forma fcil para calcular la divisin de complejos.
52
Estructuras Algebraicas
Im
z
|z|
q x
q
x = Re z, y = Im z
y
q = Arg(z) con tan(q ) =
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 2.77. Calcula la siguiente divisin compleja
| z1 |
zk
k =1
| z2 |.
n
| z k |.
k =1
Demostracin.
(a) Usamos algunas propiedades vistas en el Ejercicio 2.76.
53
z2 + z2 | | z1
| z1
z2 |
| z1 |
| z2 |.
k =1
zk
k =1
k =1
zk =
n 1
k =1
zk + zn
n 1
k =1
zk + |zn |
n 1
k =1
|zk | + |zn | =
| z k |.
k =1
(2.7)
Adems
p(z) = a0 + a1 re
iq
+ a2 r 2 e
i2q
+ + an r n e
inq
= b 2 C.
(2.8)
54
Estructuras Algebraicas
2.5.3.
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 2.80. 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 2.81. Por todo z, z1 , z2 2 C,
1. exp z1 exp z2 = exp(z1 + z2 ).
2.
1
= exp( z).
exp z
exp z1
3.
= exp(z1
exp z2
z2 ).
Demostracin. Ejercicios.
55
exp(z)
r3
x
r6
r2
r1
r3
r2
r1
r4
x
r1 r2 r3 r4 r5
3. Las figuras 2.8 y 2.9 muestan como la exponencial compleja transforma rectas del plano complejo horizontales y verticales en otros subconjuntos de puntos de los complejos.
Ejercicio 2.82. Describe las imgenes de los siguientes conjuntos bajo la funcin
exponencial exp z:
a) el segmento definido por z = iy, 0 y 2p.
b) el segmento definido por z = 1 + iy, 0 y 2p.
c) el rectngulo {z = x + iy 2 C : 0 x 1, 0 y 2p }.
56
Estructuras Algebraicas
sen z =
sen z
=
cos z
exp(2iz) 1
exp(2iz) + 1
cos z
exp(2iz) + 1
=i
,
sen z
exp(2iz) 1
respectivamente.
Ejercicio 2.84. 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 2.85. Pora todo complejo z, z1 , z2 2 C,
1. sin( z) =
sen z
5. tan(z + p ) = tan z
2. cos( z) = cos z
6. cot(z + p ) = cot z
3. sen(z + 2p ) = sen z
4. cos(z + 2p ) = cos z
8. cos(z + p/2) =
sen z
sen z1 sen z2
12. cos2 z
14. cos0 z =
sen2 z = cos(2z)
sen z
57
Obsrvese que las funciones trigonomtricas seno y coseno son peridicas de periodo 2p al igual que las funciones trigonomtricas reales. Igualmente las funciones complejas tan z y cot z son peridicas de periodo p.
En cambio la propiedad de ser acotada que tiene las funciones reales
seno y coseno (| sen x | 1 y | cos x | 1) no es verdad para las funciones
complejas sen z y cos z (por ejemplo, | sen(iy)| ! cuando y ! ).
Definicin 2.86. Definimos las funciones trigonomtricas hiperblicas (seno,
coseno, tangente y cotagente hiperblicas), como
1
(exp z exp( z))
2
1
cosh z = (exp z + exp( z))
2
sinh z
exp(2z) 1
tanh z =
=
cosh z
exp(2z) + 1
senh z =
coth z =
cosh z
exp(2z) + 1
=
senh z
exp(2z) 1
senh2 z = 1.
b) cosh(iz) = cos z.
c) senh(iz) = i sen z.
58
Estructuras Algebraicas
log z = ln |z| + i arg z.
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 ( p, p ].
Como viene siendo habitual, el logaritmo principal extiende al logaritmo (neperiano) real, puesto que el argumento principal de un real positivo
es cero.
Ejercicio 2.88. Comprueba que el logaritmo principal de un nmero negativo x =
| x | es el siguiente
Log x = ln | x | + ip
Ejercicio 2.89. 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 2 C definimos la exponencial compleja
de base a como
az = exp(z log a)
e = lm
n!
k 0
1
.
k!
1+
1
n
Ejercicios Propuestos
Conjuntos, Relaciones, Funciones
Ej. 2.1 Sea U = {1, 2, 3, ..., 10} el conjunto universal en el que se definen los siguientes conjuntos: A = {1, 4, 7, 10}, B = {1, 2, 3, 4, 5} y C =
{2, 4, 6, 8}. Escribe los siguientes conjuntos:
A)
b) A \ ( B [ C )
59
c) ( A \ B) [ C
i 2N
Ai y
Ai .
d) ( A A) \
( B B)
x2R|0x<
1
i+1
i 2N
b) 2 A
c) a A
d) a 2 P ( A)
e) { a} P ( A)
f) { a} 2 P ( A)
g) P ( A)
h) 2 P ( A)
Ej. 2.5 De los 100 alumnos de una clase 60 han aprobado fsica, 48 matemticas y 30 las dos. Halla el nmero de alumnos que no han aprobado
ninguna de las dos.
Ej. 2.6 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.
Ej. 2.7 Verificar si las siguientes relaciones definidas sobre el conjunto
de los nmeros enteros cumplen las propiedades reflexiva, simtrica, antisimtrica o transitiva.
1. a R1 b , a = b2
2. a R2 b , a > b
3. a R3 b , 3 divide a a
60
Estructuras Algebraicas
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. 2.10 Demuestra que la relacin de divisibilidad en N
{0}:
61
Ej. 2.14 Representa grficamente, en un sistema cartesiano, las siguientes relaciones. Calcula su dominio e imagen. Indica cules son funciones en
su dominio.
a) R1 = {(1, 3), (2, 2), (1, 5), (3, 5)}
E F, siendo E = {1, 2, 3} y
F = {2, 3, 4, 5}.
d) R4 = {( x, y) 2 R2 | x
c) R3 = {( x, y) 2 R2 | y2
g) R7 = {( x, y) 2 R2 | y + x = 2}.
b) R2 = {( x, y) 2 R2 | y = cos x } .
x = 1}.
y2 = 1}.
e) R5 = {( x, y) 2 R2 | y2 + x2 = 4}.
f) R6 = {( x, y) 2 R2 | x2 + y2 4}.
1
x +1
es
d) t : N !Z, definida
n
si n par
2
t(n) =
n +1
si n impar
2
Estructuras algebraicas
Ej. 2.18 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. 2.19 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. 2.20 En el conjunto E = {( x, y) 2 R2 : x 6= 0} se define la operacin:
62
Estructuras Algebraicas
Nmeros complejos
Ej. 2.24 Prueba que las races n-simas de la unidad (complejas), es decir,
las soluciones de la ecuacin zn = 1, con z 2 C, forman un grupo abeliano
con la operacin producto.
Ej. 2.25 Escribe en forma polar:
a) 2i.
b) 1 + i.
p
c) 3 + 3i.
d) i.
e) (2 i )2 .
f) |3 4i |.
g)
h)
1
p
i.
i 4
Ej. 2.26 Encuentra todas las soluciones (en forma rectangular) de las
ecuaciones:
a) z6 = 1.
b) z4 =
16.
c) z6 =
9.
d) z6
z3
2 = 0.
1 + i | = 2}.
1 + i | 2}.
3. {z 2 C : Re(z + 2
2i ) = 3}.
4. {z 2 C : Img(z + 2
5. {z 2 C : |z
i | + | z + i | = 3}.
6. {z 2 C : |z| = |z + 1|}.
2i ) = 3}.
63
i sen x senh y.
a) log i.
c) log(1 + i ).
p
i.
2
b) exp(z) = pi.
c) z1/2 = 1 + i.
TEMA 3
TCNICAS DE RECUENTO
ndice
3.1.
3.2.
Principios bsicos . . . . . . . . . . . . . . . . . . . . . .
66
3.1.1.
66
3.1.2.
Principio de la suma . . . . . . . . . . . . . . . .
67
3.1.3.
68
Permutaciones y combinaciones . . . . . . . . . . . . . .
68
3.2.1.
Permutaciones ordinarias . . . . . . . . . . . . .
69
3.2.2.
70
3.2.3.
71
3.2.4.
Combinaciones ordinarias . . . . . . . . . . . . .
72
3.2.5.
75
3.2.6.
Nmeros multinomiales . . . . . . . . . . . . . .
76
77
3.3.1.
77
3.3.2.
78
80
3.4.1.
81
3.4.2.
Nmeros de Bell . . . . . . . . . . . . . . . . . .
82
Ecuaciones de Recurrencia . . . . . . . . . . . . . . . . .
82
3.5.1.
Objetivo . . . . . . . . . . . . . . . . . . . . . . .
84
3.5.2.
E.R.L. Homogneas . . . . . . . . . . . . . . . . .
85
3.5.3.
E.R.L. No Homogneas . . . . . . . . . . . . . . .
89
Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . .
95
3.3.
3.4.
3.5.
65
66
Tcnicas de Recuento
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.
67
68
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.
69
S OLUCIN: Al reri
ai vi
partir primero la bou
u
u5 u6 u7 u8 u9 u10
u2 u3
la de un color dis1
4
ponemos 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?
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
0! = 1
1) !
nmero de permutaciones
de un conjunto con n
elementos y P(n, r ) al
nmero de
r-permutaciones de n
elementos
70
Tcnicas de Recuento
1) 2 1.
P(n, r ) =
n!
(n
r )!
n(n
1) ( n
1) ( n
(n
n!
(n
0) !
r + 1) =
r + 1)(n r ) 2 1
n!
=
r) . . . 2 1
(n r )!
y, por tanto,
P(n) = P(n, n) = n(n
que prueba el teorema.
1) 2 1 = n!
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.
71
n!
.
n1 ! n2 ! . . . n t !
Demostracin. Basta agrupar las permutaciones iguales entre las n! del conjunto de n elementos.
72
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
C (n, r ) =
n
n!
=
.
r
r!(n r )!
P(n, r )
n!
(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) foru
u
u
u
u6 u7 u8 u9 u10
u
3
5
2
1
4
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
73
C (10, 3) =
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
n
n
=
=1
0
n
n
n
=
r
n r
1
n 1
+
1
r
74
Tcnicas de Recuento
Demostracin. Partimos de la parte derecha y la vamos a igualar a la
izquierda.
n 1
n 1
( n 1) !
( n 1) !
+
=
+
=
r 1
r
(r 1)!(n r )! r!(n r 1)!
=
=
=
r ( n 1) !
(n r )(n 1)!
+
=
1)!(n r )! r!(n r )(n r 1)!
r (n
n
r
1)! + (n r )(n
r!(n r )!
1) !
n!
=
r!(n r )!
1
1
.
1
..
r (r
2
3
4
...
1
3
6
...
1
4
...
1
...
..
( a + b)n =
n 0 n
n 1 n
a b +
a b
0
1
++
n
n n 0
n i n i
a b =
ab .
n
i
i =0
75
Ejercicio 3.36. Comprueba (a mano) la veracidad del teorema del binomio de Newton para n = 2, 3, 4.
Las r-combinaciones con repeticin las las representamos encerrando CR(n, r).
sus elementos entre los smbolos d y e.
Ejemplo 3.38. Consideramos el conjunto A = { a, b, c, d, e}. Entonces la lista
sin orden d a, a, a, b, b, d, de es una 7-combinacin con repeticin de A.
Teorema 3.39. Sean n un entero positivo y r un nmero natural, entonces
CR(n, r ) =
n+r
r
( n + r 1) !
n+r 1
CR(n, r ) = POR(r, n 1) =
=
r!(n 1)!
r
u1
jj
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
76
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
77
n
n1 , n2 , . . . , n t
= POR(n1 , n2 , . . . , nt ).
3.3.
| A1 [ A2 [ ... [ An | = a1
a2 + a3
+ ( 1 ) n +1 a n .
donde ai es la suma de los cardinales de todas las intersecciones posibles de i conjuntos (1 i n).
a1 = | A1 | + | A2 | + + | A n |,
a2 = | A1 \ A2 | + + | A n 1 \ A n |,
...
a 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 \ \ A n | = 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.
78
Tcnicas de Recuento
| A1 [ A2 [ A3 [ A4 [ A5 |
| A1 [ A2 [ A3 [ A4 [ A5 | = a1
a2 + a3
a4 + a5
siendo
a1 = | A1 | + | A2 | + | A3 | + | A4 | + | A5 | = 5 4!
5
a2 = | A1 \ A2 | + . . . | A4 \ A5 | =
3!
2
5
a3 = | A1 \ A2 \ A3 | + . . . | A3 \ A4 \ A5 | =
2!
3
a4 = | A1 \ A2 \ A3 \ A4 | + . . . | A2 \ A3 \ A4 \ A5 | =
a5 = | A1 \ A2 \ \ A5 | = 1
5
1!
4
luego, la solucin es
5!
(5!
10 3! + 10 2!
5 1! + 1) = 60
20 + 5
1 = 44
3.3.2.
i )n .
79
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 | = r n
U = { f : A ! B | f es una funcin}
Vamos a calcular el conjunto de funciones f 2 U tales que Img f = B (funciones sobreyectivas). Se tiene que cumplir pues que b1 2 Img f , b2 2 Img f , . . . y br 2 Img f . Consideremos,
para cada 1 i r, los subconjuntos
Xi = { f | bi 2 Img f } U
| X1 \ X2 \ . . . X r | = | X1 \ X2 \ . . . X r | =
= | X1 [ X2 [ . . . Xr | = |U |
a1
a2 + ... + ( 1)r+1 ar
i =1
i =1
| Xi | = ( r
1) n = r (r
1) n
Para calcular a2 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 .
a2 =
| Xi \ X j | = ( r
i6= j
2) n
i6= j
Como todos los sumandos son iguales y tenemos tantos como formas de seleccionar dos
conjuntos distintos de entre X1 , ...Xr , a2 queda de la siguiente forma:
r
a2 =
(r 2) n
2
Generalizando para un h 2 N con 1 h r tenemos:
r
ah =
(r h ) n
h
| X1 \ X2 \ .. \ Xr |
=
=
=
.... + ( 1)r
r
(r
r
r )n
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?
80
Tcnicas de Recuento
1 r
i r
(
1
)
(r
r! i
i
=0
i )n
Ejercicio 3.51. Sea n 2 N con 1 n. Determina S(n, 0), S(n, 1), S(n, n) y
S(n, r ) si r > n.
Ejercicio 3.52. Sea A un conjunto con n > 1 elementos, sea a 2 A y sea 1 <
r n. Justifica que S(n 1, r 1) es el nmero de particiones de A en r partes
que satisfacen que una de las partes es { a}.
Ejercicio 3.53. Sea A un conjunto con n > 1 elementos, sea a 2 A y sea 1 <
r n. Justifica que r S(n 1, r ) es el nmero de particiones de A en r partes
que satisfacen que { a} no es una de las partes, es decir, que la parte que contiene al
elemento a tiene ms elementos.
Como consecuencia directa de los resultados que acabas de probar, se
tiene el siguiente teorema.
Teorema 3.54. Sea S(n, r ) el nmero de particiones de un conjunto A de cardinal
n en r partes (1 < r n). Entonces:
1. S(n, 1) = 1
81
2. S(n, n) = 1
1, r
3. S(n, r ) = S(n
1) + r S ( n
1, r )
3
4
5
..
.
x!
(x
n)!
1)( x
= x(x
2) . . . ( x
n + 1)
s(n, k)x
P( x, n) =
r =0
1) =
x + x2
P( x, 3) = x ( x
1)( x
2) = 2x
3x2 + x3
por tanto,
s(1, 0) = 0, s(1, 1) = 1
s(2, 0) = 0, s(2, 1) =
1, s(2, 2) = 1
3, s(3, 3) = 1
82
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
S(n, r)
r =0
1 , an 2 , . . . )
83
donde a
1, b
La funcin logstica
xn+1 = rxn (1
xn )
(3.1)
84
Tcnicas de Recuento
3.5.1.
Objetivo
an = f ( an
a0 = a, a1 = b, . . .
Solucin General: an = 3n + k
si bien, entre ellas, la nica que verifica tambin el valor inicial dado es
an = 3n + 1
Ejercicio 3.64. Busca en tus viejos libros de texto, utiliza internet o bien cualquier otro mtodo para dar las frmulas de las soluciones generales de las progresiones aritmticas an = an 1 + d y de las geomtricas an = r an 1 .
+ C2 an
+ + Ck an
= f (n)
donde:
f (n) es una funcin que no depende de las ai .
Los coeficientes Ci son nmeros reales constantes (no dependen de n).
Llamamos orden k de la ecuacin a la mayor diferencia entre los lugares de la sucesin que intervienen en la ecuacin.
85
+ C2 an
+ + Ck an
=0
(3.2)
Ejemplo 3.69. La siguiente ecuacin (con valores iniciales) tiene por solucin la llamada sucesin de Fibonacci
an = an
+ an 2 ;
a0 = 1, a1 = 1
86
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 k
+ C2 x k
+ + Ck
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 ,
...
, nt
1 n
x1
87
1
p
p
1+ 5
1
5
que tiene dos races distintas: x1 =
y x2 =
.
2
2
Por tanto tenemos un subespacio vectorial de soluciones de dimensin 2
definido por la siguiente
p n
p n
Solucin general: an = K1 1+2 5 + K2 1 2 5
x
De las infinitas soluciones que describe esta solucin general, slo una
verifica los valores iniciales a0 = a1 = 1. Calculmosla:
p
9
p 0
p 0
5+1
>
p
K1 =
K1 1+2 5 + K2 1 2 5 = 1 =
2 5
p
()
p 1
p 1
>
5 1
K1 1+2 5 + K2 1 2 5 = 1 ;
p
K2 =
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
p
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 2.79 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
b
= q ) Arg z =
a
88
Tcnicas de Recuento
Im
Llamamos arg(z) al ngulo q cuya tangente es
z
b
q a
q
Re
b
z
tan(q ) =
b
a
Llamamos mdulo de z a
p
| z | = a2 + b2
K2 )) sen(nq )
1)
= 12a2n con
np
np
+ M2 2n sen
6
6
1 9
>
=
4
p
3>
;
4
89
np p
np
an = 2n 2 cos
3 sen
6
6
Resolviendo la segunda ecuacin de recurrencia (Ejercicio 3.78) nos da
como solucin
5np p
5np
bn = 2n 2 cos
+ 3 sen
6
6
y, conjuntamente, ambas son soluciones de la ecuacin de recuerrencia que
nos piden.
p
Ejercicio 3.78. Resuelve la ecuacin de recurrencia bn+1 + 2 3bn + 4bn 1 = 0
con los valores iniciales b1 = 0 y b2 = 1 resultante del problema del ejemplo
anterior.
Ejemplos 3.79.
1. Resuelve an+2 + an
= 2an .
np
np
an = k1 cos
+ k2 sen
6
6
np
an = sen
6
Cuando hayan
conseguido trasladar
todos los discos a otra
aguja su trabajo estar
terminado, y la torre y el
templo se derrumbarn, y
con un gran trueno, el
3 En realidad no existe ninguna leyenda. Este problema fue inventado por el matemtico
mundo se desvanecer.
francs douard Lucas a finales del XIX.
90
Tcnicas de Recuento
Torre 0
Torre 1
Torre 2
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 = 2an
+ 1;
a1 = 1
+ C2 an
+ + Ck an
= f (n)
donde f (n) 6= 0.
Cuadro 3.1: Torres de Hanoi. Pseudocdigo.
define MOVER-TORRE(n,origen,destino,ayuda)
si (n >0)
MOVER-TORRE(n 1,origen,ayuda,destino)
MOVER-UN-DISCO origen destino
MOVER-TORRE(n 1,ayuda,destino,origen)
(3.3)
91
+ C2 an
+ + Ck an
=0
(h)
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.
an
=0
(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 = 2an 1 + 1 () A = 2A + 1 () A = 1
de donde la solucin general ser:
(h)
( p)
an = an + an = k2n
Nos queda encontrar la solucin que resuelve el valor inicial a1 = 1. Sustituyendo a1 en la solucin general obtenemos
a1 = k21
1 () 1 = 2k
luego
a n = 2n
1 () k = 1
92
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 3.83. Encuentra la solucin general de las siguientes relaciones de recurrencia lineales:
1. an
2an
2. an
an
1
1
+ an
= 2n2
= n 3 2n
n
n2
3n
Ejercicio 3.84. 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
2an
+ an
5a0
1200
A, a2 = a1 +
5a1
1200
A, . . . , a60 = 0
93
nx1n ,
n2 x1n ,
, nt
...
1 n
x1
+ C2 x1n
+ + Ck x1n
=
=
x1n k
x1n k
( x1k
=
+ C1 x1k
0 = 0
+ + Ck ) =
(3.5)
94
Tcnicas de Recuento
Para comprobar que son linealmente independientes, consideramos una combinacin lineal igualada a cero, es decir
ax1n + bx2n = 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:
a+b = 0
ax1 + bx2 = 0
que se simplifica como a( x1 x2 ) = 0. Como, por hiptesis x1 y x2
son diferentes, se deduce que a = 0 y, por tanto, b = 0. Esto prueba
que son linealmente independientes.
kx1k 1
+ C2 x1k
+ C1 (k
+ + Ck
1) x1k 2
1 x1
+ Ck = 0
+ + Ck
(3.6)
=0
+ C1 (k
+ C2 kx1k
1) x1k 1
+ C2 (k
+ + Ck
2) x1k 2
1 kx1
+ Ck k = 0
+ + Ck
1 x1
=0
+ 2C2 x1k
+ + (k
1)Ck
1 x1
+ kCk = 0
(3.7)
1) x1n
+ C2 (n
n k
(C1 x1k 1
+ 2C2 x1k 2
2) x1n
1
+ + Ck (n
+ C2 x1k
+ + (k
k) xn
+ + Ck ) + . . .
1)Ck
1 x1
+ kCk ) = 0
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.
95
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?
96
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 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. 3.12 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.
Ej. 3.13 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. 3.14 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. 3.15 Completa la tabla siguiente indicando el nmero de maneras de
97
Objetos (9)
Recipientes (5)
Indistinguibles
Distinguibles
Distinguibles
Distinguibles
Distinguibles
Indistinguibles
Posibilidad
recipientes
vacos
Si
No
No
Nmero
de
distribuciones
Ej. 3.16 (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. 3.17 (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. 3.18 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?
a3
a4
1.
a3
a4
2.
a1
a2
a3
a4
a1
a2
3.
a1
a2
98
Tcnicas de Recuento
1. an+2 = an con a0 = 1, a1 = 4.
2. an = an 1 + (n 1) con a0 =
1.
3. an = 2an 1 + 2 con a1 = 1.
4. an = an 1 + ( 1)n+1 con a1 =
1.
5. an+2 =
2an+1 + 3an con
a0 = 1, a1 = 2.
6. an+2 = 4an+1
1, a1 = 2.
7an con a0 =
6an+2 + 11an+1
2. an+1 + 4an
6an = 0, con a0 = 2, a1 = 0, a2 =
= 2( an + 4an 2 ) con a2 = 2, a3 = 0, a4 = 0
2.
99
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 R n
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.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
101
103
105
107
109
111
112
113
113
115
117
118
Definicin y propiedades
(l + )~v = l~v + ~v
101
102
Espacios vectoriales
~ 2V
2. 8l 2 K, 8~v, w
3. 8l, 2 K, 8~v 2 V
4. 8~v 2 V
~ ) = l~v + lw
~
l(~v + w
l(~v) = (l)~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:
1. 8~v 2 V
0 ~v = ~0
2. 8l 2 K
l ~0 = ~0
3. l~v = ~0 ) l = 0 o ~v = ~0
4. 8l 2 K, 8~v 2 V
( l)~v = l( ~v) =
(l~v)
Demostracin. Como (V, +) es un grupo abeliano, el opuesto de l~v es nico, por tanto nicamente tenemos que probar
l~v + ( l)~v = ~0
l~v + l( ~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, R n es un espacio vectorial sobre el cuerpo R.
103
li~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, l1~v1 + l2~v2 + + lk~vk = ~0 con algn escalar li
no nulo.
En caso contrario se dice que es Linealmente Independiente (L.I.), es
decir,
l1~v1 + l2~v2 + + lk~vk = ~0 ) li = 0
8i = 1, . . . , n
104
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
l1~v1 + l2~v2 + + lk~vk = ~0 y algn li 6= 0
podemos despejar ~vi =
de los restantes.
j 6 =i
lj
~v j , es decir, ~vi es combinacin lineal
li
+ ( 1)~vn = ~0
105
Entonces, el sistema X de vectores ser linealmente independiente si y solo si el sistema de ecuaciones es compatible determinado (tiene solucin
nica, li = 0). Podemos enunciar, entonces, el siguiente resultado:
Teorema 4.8. Un sistema de k vectores de R n (C n ), X = {~v1 , ~v2 , . . . , ~vk } es
linealmente independiente si y solo si k n y la matriz real (compleja) formada
por los vectores de X puestos en filas o columnas tiene rango k.
As, si vij es la coordenada j del vector ~vi , la matriz de los vectores,
puestos en columnas, es la siguiente:
0
1
v11 v21 . . . vk1
B v12 v22 . . . vk2 C
B
C
A=B .
..
.. C
@ ..
.
. A
v1n v2n . . . vkn
Corolario 4.9. Si K = R o C, el nmero mximo de vectores de K n 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
0
1
1
B 1 1
1C
C=2
rango B
@ 2
0
4 A
1 1
1
puesto que
son nulos:
4.2.
0
1
1
=
1
0
1
2
1
1
0
1
1 =
4
0
1
1
1
1
1
1
1 =0
1
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.
106
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 102, 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:
Ejemplo 4.13.
1. En el espacio vectorial de las funciones de R en R, el conjunto de las
funciones continuas es un subespacio vectorial.
2. Si consideramos el espacio de las matrices M2 (R ) de orden 2 2, el
siguiente subconjunto
0 a
S=
|a2R
a 0
es un subespacio vectorial de M2 (R ).
Ejercicio 4.14. De los siguentes subconjuntos de R3 cules son subespacios vectoriales y cules no (y por qu).
1. S = {(1, a, 0) | a 2 R }.
2. S = {(0, a2 , 0) | a 2 R }.
3. S = {(0, a,
a ) | a 2 R }.
107
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
~ = l li~vi + i~vi =
l~v + w
que es una nueva combinacin lineal.
+ i ) ~vi = gi~vi
(|lli {z
}
i =1
= gi
i =1
que, por coordenadas, podemos escribirla como n ecuaciones que dependen de k parmetros.
x1
x2
=
=
..
.
9
v11 l1 + v21 l2 + + vk1 lk >
>
>
v12 l1 + v22 l2 + + vk2 lk =
>
>
>
;
Ecuaciones paramtricas
108
Espacios vectoriales
9
>
>
>
=
>
>
>
;
Ecuaciones cartesianas
l=
1
x3
3
l = x4
109
y, despejando
x1
= x4
x2
x2
equivalente a
3x2 x3 = 0
x1 x2 + x4 = 0
(4.1)
0
B1
B
@3
1
1
0
0
1
1
x1
x2 C
C
x3 A
x4
1
B 0
B
@ 0
0
1
0
x2
1
x1 C
C
0
x3 3x2 A
0 x4 x2 + x1
4.3.
Bases y dimensin
110
Espacios vectoriales
111
( a1
a10 )~e1 + ( a2
a20 )~e2 + + ( an
a0n )~en = ~0
(4.2)
(4.3)
112
Espacios vectoriales
= x20
que nos produce un sistema de ecuaciones lineales cuadrado, cuya expresin matricial es la siguiente
0
p11
B p21
B
B ..
@ .
pn1
p12
p22
..
.
pn2
1 0 1 0 01
p1n
x1
x1
B x2 C B x 0 C
p2n C
C B C B 2C
.. C B .. C = B .. C
. A @.A @.A
. . . 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 2 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 P 1 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
113
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 2 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 .
m}
Ejercicio 4.31. Para comprender mejor el teorema anterior, elige una base cualquiera del subespacio vectorial S de R4 del ejemplo 4.18. Ampla dicha base a una
de todo el espacio R4 .
4.4.
114
Espacios vectoriales
~ 2
por tanto, l~v + w
~ 2 Si para cada i 2 I
l~v + w
i2 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,
x1 + x4 = 0
S2
x2 + x3 = 0
3, 0, 3)})
1
2
1
0
1
0
1
1
0
1
1
0
3A
0
3
vectores son linealmente independientes, por tanto nos quedamos con ellos
como base de0
S1 . Entonces,
1 si ~x = ( x1 , x2 , x3 , x4 , x5 ) es un vector de S1 la
nueva matriz @
1
2
1
0
1
0
1
1
0
1
x1
x2
x3
x4
x5
115
S2F
~ son vectores de S1 + S2 ,
Demostracin. Aplicamos el teorema 4.12. Si ~v y w
~ =w
~1 +w
~ 2 siendo ~v1 , w
~ 1 2 S1 y ~v2 , w
~ 2 2 S2 , luego
entonces ~v = ~v1 + ~v2 y w
~ = (l~v1 + w
~ 1 ) + (l~v2 + w
~ 2 ) 2 S1 + S2
l~v + w
116
Espacios vectoriales
x1 x2 + x4 = 0
S1 = L({(1, 0, 2, 0), (0, 1, 1, 1)}) y S2
x2 x4 = 0
S OLUCIN : Nos dan una base de S1 y obtenemos una base de S2 resolviendo el sistema de ecuaciones que lo define,
9
x1 = 0 >
>
=
x2 = l
x3 = >
>
;
x4 = l
por tanto B2 = {(0, 1, 0, 1), (0, 0, 1, 0)} es una base de S2 . Por tanto
x2
x4 = 0
117
Teorema 4.43 (Frmula de Grassmann). Si S1 y S2 son subespacios de un espacio vectorial V de dimensin finita, entonces
1. dim(S1 + S2 ) = dim(S1 ) + dim(S2 )
2. dim(S1
4.5.
dim(S1 \ S2 )
S2 ) = dim(S1 ) + dim(S2 )
Espacios cocientes
~v w
~ () w
~
~v 2 S
~ () w
~
2. Simtrica: ~v w
~v 2 S () ~v
~ yw
~ ~x () w
~
3. Transitiva: ~v w
S () ~v ~x.
~ 2 S () w
~ ~v.
w
~v 2 S y ~x
~ 2 S () ~x
w
~v 2
118
Espacios vectoriales
dim(S).
Demostracin. Dada una base {~v1 , ~v2 , . . . , ~vk } de S, por el teorema 4.30 (de la base
incompleta), podemos ampliarla a una base {~v1 , ~v2 , . . . , ~vk , ~e1 , ~e2 , . . . , ~en k } de V.
Comprobamos, entonces, que el sistema de vectores
k ]}
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 2 Q }
3,
3,
{ a n } + { bn } = { a n + bn }
l{ an } = {lan }
119
i = 1, 2, . . . , n}
= yi , i = 1, 2, . . . , n}
120
Espacios vectoriales
2. Expresa los subespacios E \ V y E + V mediante ecuaciones paramtricas y mediante ecuaciones implcitas.
5, 0), (3, 3, 2,
1)})
y
V = {( x1 , x2 , x3 , x4 ) | x1
x3 = 0}.
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.
121
122
Aplicaciones lineales
li~vi
i =1
li f (~vi )
i =1
por 2
123
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 2 V se satisface f ( ~v) =
f (~v).
f (~0) = ~0.
f (~v).
~ 1 + w
~ 2 = f (l~a1 + ~a2 ) = f (~v) 2 f (U )
lw
| {z }
~v2U
por tanto L({ f (~v1 ), . . . , f (~vk )}) f (U ) (puesto que el subespacio generado est en cualquier espacio que contenga al sistema generador).
~ 2 f (U ) ) w
~ = f (~v) con ~v 2 U y ~v = ik=1 ai~vi ,
Por otro lado si w
luego
~ =
w
i =1
124
Aplicaciones lineales
ai~ei
i =i
= ai f (~ei )
i =i
f (1, 1, 1, 1) = (1, 1, 0, 1)
se pide:
1. Da una expresin analtica de f .
2. Si U es el subespacio de R4 de ecuaciones cartesianas
calcula las ecuaciones de f (U ).
x1 x4 = 0
2x2 + x3 = 0
125
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 R n .
dimensin n es isomorfo
n
Demostracin. Si fijamos una base B de V, cada vector ~v 2 V tiene unas ni- a C .
cas coordenadas ~v = (v1 , v2 , . . . , vn )B en B , y es fcil probar que la funcin
f : V ! R n definida f (~v) = (v1 , v2 , . . . , vn ) es un isomorfismo.
126
5.1.2.
Aplicaciones lineales
127
Demostracin. Ejercicio.
Demostracin. Ejercicio.
1 ({~0})
128
Aplicaciones lineales
es linealmente dependiente. Podemos entonces encontrar una combinacin lineal de f ( X ) igualada a ~0, es decir,
l1 f (~v1 ) + + li f (~vi ) + + lk f (~vk ) = ~0
con algn li 6= 0, por tanto
ker={~0}
Inversamente, suponemos que X independiente implica f ( X ) independiente y sea ~v 2 ker f . Si ~v 6= ~0 entonces X = {~v} es un sistema independiente, luego f ( X ) = { f (~v)} tambin es independiente, lo que
implica que f (~v) 6= ~0, que contradice que ~v sea un vector del ncleo.
Por tanto, necesariamente ker f = {~0}.
x3 , x1
x2 + x4 , 2x1 + x2
x3 + x4 )
Esto nos permite encontrar una base para el ncleo (de dimensin 2)
1
@1
2
2
1
1
129
1
0
1
1 0
1 0 0 0
Por columnas
0 1A ! @0 1 0 0A
1 1
1 1 0 0
As, BImg = {(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
1 1 x3
x3 = 0 Img f
f
V
p
V/ker f
E
f
i
Img f
(5.1)
1 Conmuta
130
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 (Img f ).
Nota. El apartado 3 de Proposicin 5.6 nos dice que, si B es base de V,
entonces Img 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
Img f V/ ker f
Demostracin. Consecuencia inmediata de la descomposicin de f , puesto
que f : V/ ker f ! Img f es isomorfismo.
dim(ker f ),
131
..
.
9
a11 x1 + a21 x2 + + an1 xn = y1 >
>
>
a12 x1 + a22 x2 + + an2 xn = y2 =
..
>
.
>
>
;
a1m x1 + a2m x2 + + anm xn = ym
1 0
1 0 1
y1
a11 a21 . . . an1
x1
B y2 C B a12 a22 . . . an2 C B x2 C
B C B
C B C
B .. C = B ..
..
.. C B .. C
@ . A @ .
.
. A @.A
ym
a1m a2m . . . anm
xn
132
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 2 Mmn es la nica matriz de la
aplicacin lineal f respecto de dichas bases, ms brevemente pondremos
A = M ( f ; B1 , B2 )
Nota. Observa que el nmero de filas de su matriz A es la dimensin de E
y el nmero de columnas la dimensin de V.
Ejercicio 5.23. Comprueba que la transformacin elemental de tipo I definida en
el Ejemplo 5.2 como f ( x1 , x2 , x3 ) = ( x2 , x1 , x3 ) tiene por matriz
0
1
0 1 0
@1 0 0A
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
2,
1, 0)
= (1, 0, 2, 1)
1
0 1
2 0 C
C.
1 2 A
0 1
133
3 5
11
f (0, 1, 1) = (1, 2, 1, 1) =
,
, 2,
2 2
2 B2
3 7
1
f ( 1, 1, 0) = ( 1, 2, 2, 0) =
, , 2,
2 2
2 B2
f (0, 0,
2) = ( 2, 0,
4,
2) = (5, 9,
2
5
2
2
3
2
7
2
2
11
2
1
2
6, 9)B2
C
C
C
9 C
C
C
6 C
C
A
9
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) lA = M(l 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 )
134
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.
= M( f
1; B
2 , B1 )
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=Q
AP
135
A y B son equivalentes.
B1 = { P
e1 , P
e2 , . . . , P
en } y B2 = { Q
#1, Q
#2, . . . , Q
#m}
de V y E, respectivamente.
V(B1 )
iV
V(B 1 )
f
A
f
B
E(B2 )
Q
iE
E(B 2 )
1 AP
= B.
136
Aplicaciones lineales
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
B 1 = {~v2 , ~v2
~v4 , 2~v1
1 AP,
1
1
0
luego
1
1 0
0 1 A=
2 1
AP
137
AP
A P) =
1
det P
Por tanto,
tr B = tr( P
) = tr A
1 AP.
138
Aplicaciones lineales
Ejemplos 5.36.
El endomorfismo de R2 definido f ( x1 , x2 ) = (2x1 , x1 + 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 )= (2x1 ,2x1 + 2x2 ) que, respecto
2 2
a la base cannica, nos da la matriz
no va a ser diagonali0 2
zable, aunque todava no sabemos porqu. Este ser el problema a
estudiar: cundo un endomorfismo es diagonalizable?
5.3.3.
Autovalores y Autovectores
lI ) X = 0
lI ) = 0
que nos da una ecuacin polinmica en l que recibe el nombre de ecuacin caracterstica de A, cuyas soluciones li (autovalores) aseguran que el
sistema ( A li I ) X = 0 tiene soluciones no triviales (autovectores). Al polinomo (de variable l) det( A lI ) se le llama, igualmente, polinomio caracterstico2 .
Proposicin 5.38. Matrices semejantes, por tanto matrices que representan al
mismo endomorfismo, tienen el mismo polinomio caracterstico, por tanto los misTambin tienen los mismos mos autovalores .
139
lI = P
AP
Luego
det( B
lI ) = det( P
(A
lP = P
(A
lI ) P
lI ) P) = det( A
lI )
Este resultado nos permite identificar los autovalores de un endomorfismo con los autovalores de su matriz sin ambigedad alguna.
Resumiendo, si a es una raz del polinomio caracterstico det( A lI ),
entonces
a es un autovalor de A y
Na = ker( A aI ) es el subespacio de autovectores asociados a a
(junto con el vector ~0, que, como sabemos, no es autovector). Este
subespacio recibe el nombre de subespacio propio asociado al autovalor
a. A una base de este subespacio, se le suele llamar, abusando del
lenguaje, conjunto de autovectores (asociados a 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
lI ) = det( A T
lI T ) = det( A
lI ) T = det( A
lI )
klI ) = det(k ( A
3. Si l es autovalor de A, entones l
Demostracin. det(( A
lI ) = 0
kI )
(l
lI )) = kn det( A
k es autovalor de A
k ) I ) = det( A
kI
lI ) =
kI
lI + kI ) = det( A
140
Aplicaciones lineales
1
l
es autovalor de A
1.
1
l
es autovalor de A
X=
1
X
l
1.
141
Como hemos visto, si B = {~v1 , ~v2 , . . . , ~vn } es una base formada por
autovectores con sus respectivos autovalores l1 , l2 , . . . , ln , entonces:
0
B
B
B
@
l1 0 . . . 0
0 l2 . . . 0
..
.. . .
.
. ..
.
.
0 0 . . . ln
0
1
C
C @
v1 v2 v n A
C=
A
A @ v1 v2 v n A
5 4
1 2
Ecuacin caracterstica:
det( A
lI ) =
l
1
= l2
7l + 6 = 0
l2 = 6
Para l1 = 1
Para l2 = 6
4 4
1 1
1
1
4
4
x1
x2
0
=
) N1 = L{(1, 1)}
0
x1
0
=
) N6 = L{(4, 1)}
x2
0
Diagonalizacin:
1 0
0 6
1/5
1/5
4/5
1/5
5 4
1 2
1 4
1 1
142
Aplicaciones lineales
Factorizacin de un polinomio
Si un polinomio p tiene a li 2 K como raz, sabemos que se puede
expresar de la forma p(l) = (l li )q1 (l), donde q1 es otro polinomio.
Puede ocurrir que li 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(l) = (l
En el cuerpo de los
nmeros reales no todos
los polinomios son
factorizables. No ocurre
as en en el cuerpo de los
nmeros complejos que es
algebraicamente cerrado
(vase Teorema 2.71).
l i ) mi q mi ( l )
l 1 ) m1 . . . ( l
l r ) mr
5.4.2.
Teorema fundamental
lI ) = ( 1)n (l
l 1 ) m1 . . . ( l
l r ) mr
143
Demostracin. Para probar este teorema basta observar que por comparacin de grados de polinomios se tiene m1 + m2 + + mr = n. Entonces para cada li podemos elegir mi vectores independientes por ser dim Nli = 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.
2
A=@ 2
1
2
1
2
1
3
6A
0
lI ) =
l3
l2 + 21l + 45 =
( l + 3)2 ( l
5)
De donde obtenemos sus autovalores y sus multiplicidades algebraicas: l1 = 3 (m1 = 2) y l2 = 5 (m2 = 1).
Que nos permiten calcular los autovectores, ms concretamente los
subespacios propios:
N
3 0
@ 0
3
0
0
0
1/4
= @ 1/8
1/8
1
0
0 A=
5
10
1/2 3/4
2
1/4 5/8 A @ 2
1/4 3/8
1
2
1
2
10
3
2 3
6 A@ 1 0
0
0 1
1
@ 12
6
3
1
3
1
3
6A
2
1
1
2 A
1
144
Aplicaciones lineales
Am = PDP
= PD m P
m veces
z
}|
{
= ( PD P 1 )(
P D P 1 ) (
P DP 1 ) =
0 m
1
l1
0 ... 0
B 0 lm . . . 0 C
2
B
C 1
= P B ..
..
.. C P
..
@ .
.
.
. A
. . . lm
n
() A
= PD
La traza de una matriz tambin viene reflejada en el polinomio caracterstico. La Proposicin 5.34, pgina 137, en su punto 3 nos justifica la siguiente.
145
lI )
= an ln +
a0 = l1 l2 ln = det A.
an
= ( 1) n
1 (l
+ l2 + + l n ) = ( 1) n
1 tr
A.
a n = ( 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
= PD
Por tanto
A
2 3
=@ 1 0
0 1
0
B
B
B
=B
B
@
4
15
2
15
1
15
10 1
1
3
2A @ 0
1
0
2
15
1
15
2
15
1
5
2
5
2
15
1
3
0
1
10
0
0A @
1
5
1/4
1/8
1/8
1
1/2 3/4
1/4 5/8 A
1/4 3/8
C
C
C
C
C
A
146
Aplicaciones lineales
Teorema 5.53 (Cayley-Hamilton). Toda matriz cuadrada en C es raz de su polinomio caracterstico. Es decir, si p(l) = det( A lIn ) = an ln + + a1 l + 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 =
( an 1 An 1 + + a1 A + a0 In )
an
2. Si A invertible, det A = a0 6= 0, y
A
1
( an An
a0
+ + a1 In )
1
2 2
3
1
6A, conocido su polinoEjemplo 5.54. Para la matriz A = @ 2
1
2 0
mio caracterstico det( A lI ) = l3 l2 + 21l + 45 tenemos una forma
de calcular la inversa:
A3
luego
20
1 6@
4
45
0
B
B
B
= B
B
@
5.5.3.
4
15
2
15
1
15
A2 + 21A + 45I = 0) A( A2 + A
2
2
1
2
1
2
2
15
1
15
2
15
12 0
3
6 A +@
0
1
5
2
5
2
15
2
2
1
2
1
2
21I ) = 45I
1
3
6 A
0
13
1 0 0
7
21 @0 1 0A5 =
0 0 1
0
C
C
C
C
C
A
147
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 i
1
1 i
A
1
e = A =
PDP
= P D P 1 = P eD P 1
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
1
0
1i 0 i
d1
0 ... 0
d1 0 . . . 0
C
@ 0 d2 . . . 0 A = B
@ 0 d2 i . . . 0 A
0 0 . . . dn
0
0 . . . dn i
0
1
e1d 0 . . . 0
luego, e D = @ 0 e2d . . . 0 A.
0 0 . . . end
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
0
1
2 2
3
1
6A =
exp@ 2
1
2 0
0
1
0
10
1
2 3
1
3 0 0
1/4
1/2 3/4
2 A exp @ 0
3 0A @ 1/8
1/4 5/8 A =
=@ 1 0
0 1 1
0
0 5
1/8
1/4 3/8
0
B
B
B
=B
B
B
@
e8 + 7
8
e8 1
4
e8 1
8
e8 1
4
e8 + 1
2
e8 1
4
3e8 3
8
3e8 3
4
3e8 + 5
8
1
C
C
C
C
C
C
A
148
Aplicaciones lineales
Si AB 6= BA puede ser
e A e B 6= e A+ B .
eA
=e
4. Si AB = BA entonces e A e B = e B e A = e A+ B .
5. Si m 2 Z entonces emA = 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 l 2 R fijo. Consideramos la aplicacin f 1 (~x ) = l~x con ~x 2 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.
149
2) x1 + 2x2
2
3
A=
3 2
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 .
Ej. 5.11 Calcula, para la siguiente matriz
0
1
4 1
1
2 A
A=@ 2 5
1 1 2
150
Aplicaciones lineales
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 P
sea diagonal.
5. Calcula A4 , A
1 AP
y eA.
2
A=@ 2
2
1
6
3 A
1
2
1
1
Ej. 5.13 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.
0
1
@ 0
0
1
2 a
A,
a
1
2
1
0
1
2
6
4 4 a A
a
a
2
@ 0
0
Ej. 5.15 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 l =
1.
2
0
0
2
151
1)
TEMA 6
FORMAS BILINEALES Y
PRODUCTO ESCALAR
ndice
6.1.
153
154
!
!
R
f (~x0 , ~x )
f ~x0 : V
~x
!
!
R
f (~x, ~x0 )
x2 y3
es una forma bilineal, puesto que, si fijamos el vector ~x0 = ( a, b, c), las
funciones
f~x0 (y1 , y2 , y3 ) = ay2
by3
f ~x0 ( x1 , x2 , x3 ) = bx1
cx2
155
~ , ~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
i =1
j =1
i =1
j =1
xi f (~ei ,~e j )y j
= xi f (~ei , ~e j )y j
i,j
f (~x, ~y) = x1 x2 . . . xn
f (~e1 , ~e1 )
B f (~e2 , ~e1 )
B
B
..
@
.
f (~en , ~e1 )
f (~e1 , ~e2 ) . . .
f (~e2 , ~e2 ) . . .
..
.
f (~en , ~e2 ) . . .
10 1
f (~e1 , ~en )
y1
B y2 C
f (~e2 , ~en ) C
CB C
C B .. C
..
A@ . A
.
f (~en , ~en )
yn
3x1 y2 + x2 y2
156
1. Cannica.
2. B = {(1,
1), (3,
2)}
AT .
157
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.
158
(6.1)
z }| {
b) = X
b=X
b
b ) T A ( PY
b T ( P T AP) Y
b T BY
f (~x, ~y) = X AY = ( P X
T
de donde B = P T AP.
6.1.2.
159
Teorema 6.23. Dada una base ordenada {~e1 , ~e2 , . . . .~en } de un espacio vectorial V,
existe una nica forma multilineal alternada D de orden n que verifica
D (~e1 , ~e2 , . . . , ~en ) = 1
A dicha n-forma se le llama determinante.
As, si ~x1 , ~x2 , . . . , ~xn son vectores de V, expresadas sus coordenadas respecto a la base B del teorema anterior en la siguiente matriz cuadrada
M = x1 x2 . . . xn formada por las coordenadas de los vectores puestos en columna, se tiene
D (~x1 , . . . , ~xn ) = det x1 x2 . . . xn
De la definicin y del teorema anterior se derivan todas las propiedades
que conoces de los determinantes.
6.2.
Formas cuadrticas
8l 2 R, ~x 2 V
2. La funcin f q : V V ! R definida
f q (~x, ~y) =
1
(q(~x + ~y)
2
q(~x )
q(~y))
f q (~x, ~y) =
q(~x )
q(~y)) =
1
(q(~y + ~x )
2
q(~y)
q(~x )) =
160
R3
! R definida
q( x1 , x2 , x3 ) = 2x12
x22
3x2 x3
x1 x3
f (~y, ~y)) =
(lx2 )2 =
3lx2 lx3
lx1 lx3
2 ( x1 + y1 )2
2x12
3 ( x2 + y2 ) ( x3 + y3 )
( x1 + y1 ) ( x3 + y3 )
3x2 x3
x1 x3
2
2y21
x22
y1 y3
( x2 + y2 )2
y22
3y2 y3
2
2
que, simplificando, queda una expresin analtica de una forma bilineal
f q (( x1 , x2 , x3 ),(y1 , y2 , y3 )) =
1
=2x1 y1
x1 y3
2
claramente simtrica.
3
x2 y3
2
x2 y2
1
x3 y1
2
3
x3 y2
2
20
10
5
10
2
0
2
0
3
q( x ) =
3x2
0
1
q( x, y) =
x2
y2
2
2
q( x, y) =
0
1
2x2
xy
y2
161
2
A=@ 0
1
2
0
1
3
2
11
2
3A
2
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,
6.2.2. Clasificacin
Las formas cuadrticas se clasifican segn su forma polar. As, decimos
que q es definida, semidefinida o indefinida si lo es f q segn las definiciones 6.13 y 6.15. As queda reflejado en el cuadro 6.1:
Ejemplo 6.30. La forma cuadrtica del ejemplo 6.25 anterior, q( x1 , x2 , x3 ) =
2x12 x1 x3 3x2 x3 x22 es indefinida, puesto que q(1, 0, 0) = 2 > 0 y
q(0, 1, 0) = 1 < 0.
La forma cuadrtica q( x1 , x2 , x3 ) = 2x12 + x32 es semidefinida positiva,
pues, claramente q 0 y el cero se alcanza: q(0, 1, 0) = 0.
No siempre es fcil clasificar una forma cuadrtica. En la section 6.6 de
este tema pretendemos dar herramientas para hacerlo, pero antes necesitamos el concepto de producto escalar.
162
163
1
0 1
x1
y1
B x2 C
B y2 C
B C
B C
X =B . C eY =B . C
@ .. A
@ .. A
xn
yn
1
y1
B y2 C
B C
B .. C = x1 y1 + x2 y2 + + xn yn
@.A
~x ~y = X T Y = x1 x2 . . . xn
yn
h f , gi =
Z b
a
f ( x ) g( x ) dx
k~x k = +
h~x, ~x i
164
Ejemplos 6.35.
1. En caso del producto escalar usual ~x ~y = x1 y1 + + xn yn en R n se
tiene la norma usual o estndar
q
k~x k = x12 + x22 + + xn2
2. Cualquier producto interno en R n 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 ) 2 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
8 ~x, ~y 2 V
~yk
|k~x k
k~yk|
8~x, ~y 2 V
8~x, ~y 2 V
~z =
que sabemos que h~z, ~zi
D
~y
0 k~~xxk k~yk , k~~xxk
luego h~x, ~yi k~x kk~yk.
~x
k~x k
~y
k~yk
0 tenemos:
E
~y
x,~x i
= h~
+
k~yk
k~x k2
~y
h~y,~yi
k~yk2
h~x,~yi
2 k~xkk~yk = 2
h~x,~yi
2 k~xkk~yk
165
~u =
1
~x (vector normalizado).
k~x k
~x k
Nota. Obsrvese que hubiese dado igual definir d(~x, ~y) = k~x ~yk. Se hace
as por conveniencia de notacin con respecto al espacio afn eucldeo (seccin 7.2).
En dicha seccin 7.2 veremos como, de un
modo general, se puede trasladar el concepto
de distancia entre vectores a distancia entre puntos de un espacio sin ms que considerar los
vectores que definen dichos puntos.
y2
x2
(y1 , y2 )k =
~0
q
( y1
~y
~x
~y
~x
x1
y1
x1 )2 + ( y2
x2 )2
166
ngulos
Por otro lado, si dos vectores ~x y ~y no son nulos, la desigualdad de
Schwarz se puede traducir como
|h~x, ~yi|
1 ()
k~x k k~yk
h~x, ~yi
1
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 a formado entre ellos de la forma:
cos a =
h~x, ~yi
k~x k k~yk
(6.2)
6.3.2. Ortogonalidad
El smbolo ? se lee es
ortogonal a y establece
una relacin simtrica
en V.
Los conceptos de producto interno y ortogonalidad nos permite demostrar de una manera fcil el teorema ms famoso de las matemticas.
Teorema 6.46 (de Pitgoras generalizado). Los vectores ~x e ~y son ortogonales
si y solo si
k~x + ~yk2 = k~x k2 + k~yk2
Demostracin. La dejamos como ejercicio. Sigue los mismos pasos que para
probar la desigualdad triangular en el teorema 6.38.
167
k~yk
~x
90o
~x + ~y
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 R n 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.
168
~e1 = ~v1
~e2 = ~v2
~e3 = ~v3
..
.
~en = ~vn
h~e1 , ~v2 i
~e1
h~e1 , ~e1 i
h~e1 , ~v3 i
~e1
h~e1 , ~e1 i
h~e2 , ~v3 i
~e2
h~e2 , ~e2 i
h~e1 , ~vn i
~e1
h~e1 , ~e1 i
h~e2 , ~vn i
~e2
h~e2 , ~e2 i
h~en 1 , ~vn i
~en
h~en 1 , ~en 1 i
que es ortonormal.
Ejemplo 6.53. Consideremos el espacio vectorial real V = P3 [l] de los polinomios de coeficientes reales (con variable l) de grado menor o igual que
3 con el siguiente producto interno
h p, qi =
Z 1
p( x )q( x ) dx
169
Entonces,
p1 = 1 ;
p2 = l
p3 = l2
p4 = l3
R1
xdx
0
h1, li
1 = l R 11
=l
=l;
2
h1, 1i
1dx
1
R1 2
R1 3
x dx
x dx
1, l2
l, l2
1
1
2
1
l=l
1 R 11
l = l2
;
R1
3
h1, 1i
hl, li
1dx
x2 dx
1
1
2 1 3
l
1, l3
l, l3
1
3
3, l
( l2
1
l
) = l3
l
3
5
h1, 1i
hl, li
l2 13 , l2 13
Es decir, la base B = {1, l, (l2 13 ), (l3 35 l)} es ortogonal. Para dar una
base ortonormal, calculamos la norma de cada uno de los vectores (polinomios)
s
Z 1
p
k p1 k = k1k =
12 dx = 2 ;
s
p
2
k p2 k = k l k =
dx = p ;
1
3
s
r
p
2
Z 1
1
1
8
2 2
2
k p3 k = l
=
x2
dx =
= p ;
3
3
45
1
3 5
s
r
p
Z 1
3
3 2
8
2 2
3
3
k p4 k = l
l =
x
x
dx =
= p
5
5
175
1
5 7
Z 1
x2
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
170
h~ei , ~e j i =
1 si i = j
0 si i 6= j
~y
x1 y1
= x1 y2
x2 y2
rea
x2 y1
~x
171
http://youtu.be/faevbjfs28I
2. Si ~x, ~y son independientes, {~x, ~y, ~x ~y} es una base orientada positivamente.
3. k~x ~yk = k~x k k~yk sen a.
Del punto 3 se deduce que si los vectores {~x, ~y} son linealmente dependientes, entonces ~x ~y = ~0. Adems son inmediatas las siguientes propiedades del producto vectorial
Proposicin 6.56.
1. El producto vectorial es antisimtrico: ~x ~y =
2. Si ~x 6= ~0 y ~y 6= 0, entonces
~y ~x.
172
~x ~y =
x2 y2
,
x3 y3
x1 y1 x1 y1
,
x3 y3 x2 y2
Demostracin. Tenemos que probar que se verican los puntos de la definicin 6.55.
1. Como las coordenadas estn expresadas en una base ortonormal, se
tiene que
h~x, ~x ~yi = x1
x2 y2
x3 y3
x2
x1 x2 y2
x1 y1
x y
+ x3 1 1 = x2 x2 y2 = 0
x3 y3
x2 y2
x3 x3 y3
x2 y2
x3 y3
x1 y1
x3 y3
x1 y1
x2 y2
>0
(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 6.2) 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 l~y = l(~x ~y)
2. Regla de exclusin: ~x (~y ~z) = h~x, ~zi~y
h~x, ~yi~z.
173
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 6.2: El volumen = ( x1 y2 )2 es el cuadrado del rea de la base.
(6.4)
Evidentemente, las aplicaciones ortogonales mantienen la norma, la distancia y ngulo entre vectores.
En realidad, la condicin 6.4 sobre cualquier funcin f entre espacios
vectoriales eucldeos implica automticamente la linealidad de f .
Demostracin. Basta probar: 1. k f (~x +~y) f (~x ) f (~y)k2 = 0, y 2. k f (l~x )
l f (~x )k2 = 0 y, ambas pruebas las dejamos como ejercicio.
Especial inters tienen las aplicaciones ortogonales entre espacios vectoriales de la misma dimensin, as
Teorema 6.59. Una aplicacin lineal f : E ! V entre espacios vectoriales eucldeos de la misma dimensin es ortogonal si y solo si es lineal y transforma bases
ortonormales en bases ortonormales.
Demostracin. Trivial
174
Ejercicio 6.60. Sea V un espacio vectorial eucldeo de dimensin 2 con base ortonormal {~e1 , ~e2 } y f un endomorfismo en V que verifica
f (~e1 ) = ~e1 + a~e2 y f (~e2 ) = b~e1 +~e2
determina para que valores de a y b es f una aplicacin ortogonal.
Proposicin 6.61. Si V es un espacio eucldeo de dimensin n, entonces el conjunto de todos los vectores ortogonales a un vector ~x0 forman un subespacio vectorial
de V, que representaremos por ~x0? .
Adems, si ~x0 es un vector no nulo, entonces dim ~x0? = n 1.
Demostracin. La funcin f : V ! R definida f (~x ) = h~x, ~x0 i es lineal y ~x0?
es su ncleo, por tanto es subespacio vectorial. Por otro lado, por Teorema 5.21, si ~x0 6= ~0,
n = dim Img f + dim ker f = 1 + dim x0?
175
S? .
V=S
r
\
i =1
~ei?
(6.5)
h~x, ~ei i = 0
Ejercicio 6.65. 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 6.66. Si S es subespacio vectorial de V, entonces
S?
= S.
S?
. Recproca-
176
6.4.1.
Proyecciones ortogonales
f = f
En los trminos anteriores, si S es la imagen y N el ncleo de una proyeccin, se dice f proyecta V en el subespacio S a lo largo del subespacio N.
Ojo! una proyeccin
ortogonal no es una
aplicacin ortogonal.
~x
~0
f (~x )
h f (~x ), ~y
177
~x k2 = k~v
~xS + ~xS
d2 (~x, ~xS )
~x k2 = k~v
~xS k2 + k~xS
~x 2
~x k2
178
1.
S?
~x
~x N
~a2
~xS
~a1
S
xS ) = 0 ) A T x = A T xS
A T x = A T Aa ) ( A T A)
AT x = a
179
AT
siendo A la matriz cuyas columnas son las coordenadas de una base de S respecto Si elegimos como base de S
una base ortonormal,
de una base ortonormal del espacio.
entonces la matriz
T
Ejemplo 6.75. La proyeccin de R3 en el plano S = L({1, 1, 0), ( 1, 2, 1)} P = AA .
est definida por la matriz
1
P = @1
0
0
B
B
B
=B
B
B
@
6.5.
12
0
1
1
1 1 0 @
2 A4
1
1 2 1
1
0
1
10 1
3
11 11
11 C
C
1 10
3 C
C
11 11
11 C
C
3
3
2 A
11 11
11
13
1
2 A5
1
1 1 0
1 2 1
Diagonalizacin ortogonal
P es ortogonal sii
P 1 = PT .
180
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 a con f (~x ).
~e2
cos q
sen q
sen q
cos q
f (~e1 )
f (~e2 )
q
cos q
sen q
q
cos q ~e1
cacin 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
q
q
2
~e1
~0
q
f (~e2 )
As, como se puede comprobar en el dibujo, para una base ortonormal, las
coordenadas de las imgenes de los vectores sern (cos q, sen q ) y (sen q, cos q ),
siendo q/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 q
sen q
sen q
cos q
Los giros y las simetras axiales determinan todos los endomorfismos ortogonales en R2 como reflejamos en el siguiente teorema que damos sin demostracin:
Teorema 6.80. Los nicos endomorfismos ortogonales en R2 son los giros y las reflexiones. Adems, si P 2 M22 es una matriz ortogonal entonces:
1. P es un giro si y solo si det P = 1
1.
181
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 2
/ r, entonces las
proyecciones ortogonales en S = ~u1? de los vectores ~x y f (~x ) forman un ngulo
1
@0
0
1
0
sin q A
cos q
0
cos q
sin q
1
@ 0
0
1
0 0
1 0A
0 1
1
@ 0
0
0
1
0
1
0
0 A
1
1 es autovector para de f
2 p es subespacio propio de
para el autovalor l = 1.
f para l = 1.
182
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).
6.5.2.
8~x, ~y 2 V.
Los endomorfismos autoadjuntos se relacionan con las matrices simtricas mediante el siguiente teorema.
Teorema 6.83. 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
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 6.84. Los autovectores correspondientes a autovalores distintos de un
endomorfismo autoadjunto son ortogonales.
183
1 1
autovectores de la matriz simtrica A =
.
1 1
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 6.86. Prueba que, efectivamente, si una matriz A es simtrica, cualquier
matriz congruente con A tambin es simtrica.
Proposicin 6.87. Dada una forma cuadrtica q : V ! R, existe una base de V
tal la que la matriz de q es diagonal.
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.
184
Definicin 6.88. 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 2 R y ( x1 , x2 , . . . , xn ) son las coordenadas de ~x en dicha base.
6.6.1.
La prueba de la proposicin 6.87 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
bj x j
j =1
+ q 1 ( x , . . . , x i 1 , x i +1 , . . . , x n )
185
2. Si todos los coeficientes aii son ceros, elegimos aij 6= 0 (debe existir,
claro, en caso contrario q = 0). Hacemos entonces los cambios de
variable
xi = xi + x j ,
x j = xi
xj,
xk = xk si k 6= i, j
1
2
x1
q1 ( x1 , x2 ) = x1 x2
= x12 4x1 x2
(6.6)
2 0
x2
sea diagonalizable.
S OLUCIN:
Mtodo de los autovectores Llamando A = 12 02 , y calculando sus
autovalores
1 1p
1 1p
l1 =
17 1,56 y l2 = +
17 2,56
2 2
2 2
obtenemos la forma cuadrtica diagonalizada que toma la expresin
p
p
q1 ( x1 , x2 ) = 12 12 17 x1 2 + 12 + 12 17 x2 2
Los sistemas de ecuaciones ( A
1p
Nl1 = L 1,
17 +
4
1
1p
1
y Nl2 = L 1,
17 +
4
4
4
B=
1
q
,
p
2
1
4
16 ( 17+1) +1
1
p
( 17+1)
q
p
2
1
16 ( 17+1) +1
q
1
16
1
,
p
2
( 17 1) +1
,
1
q
4
p
( 17
p
1
16 ( 17
1)
2
1) + 1
19
=
A
;
186
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 (6.6), as
q1 ( x1 , x2 ) = x12
4x1 x2 + 4x22
As haciendo
x1 = x1
x2 = x2
4x22 = ( x1
2x2 )2
4x22
2x2
4x2 2 = x1 x2
1
0
0
4
x1
x2
1 2
X
0 1
2x2 x3
187
x3 2
2x1 x2 + 2x2 x3
q ( x1 , x2 , x3 ) = ( x1
x2 2 + 2x2 x3
x3 2
Igualmente
x2 )2
q ( x1 , x2 , x3 ) = ( x1
( x2
x3 )2
x2
x3
q aparece diagonalizada
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
0 1 0
x1
1
@ x2 A = @0
0
x3
por tanto,
1
1
0
10 1
0
x1
1A @ x2 A
1
x3
0 1 0
x1
1 0
@ x2 A = @0 1
x3
1 0
10
1
1
0 A @0
1
0
0 1 0
x1
1 0
@ x2 A = @0 1
x3
1 0
1
1
0
1
0
1A
1
1
1 1 2
X = @0 1 1A X
1 1 0
de donde la base es B = {(1, 0, 1), (1, 1, 1), (2, 1, 0)} .
10 1
1
x1
0 A @ x2 A
1
x3
0 1
x1
@ x2 A
x3
188
q ( x1 , x2 , x3 ) = x1 x2 x3
0
@0
1
2
0
0
1
10 1
x1
1A @ x2 A
x3
0
1
2
1,118033988749895, l3 = 1,118033988749895
1,118 x2 2 + 1,118 x3 2
pero nos interesa la base ortonormal. Sin ms que normalizar dicha base
obtenemos la base (aproximada) que buscamos:
0,7071),
(0,3162, 0,6324, 0,7071)}
1 2
x3 )
3
1 2
x3 )
3
x1 = x1 + 23 x2 + 13 x3
x2 = x2 x3
x3 = x3
obtenemos la forma cuadrtica diagonalizada
4 2
x +
3 2
4
( x2
3
8
2
x2 x3 + x32
3
3
x3 )2 + 2x32
4 2
3 x2
189
+ 2x3 2
1 23
@
X= 0 1
0 0
1
3
1
1A X () X = @0
0
1
2
3
1
0
B = {(1, 0, 0), (
2
3 , 1, 0), (
1
1
1 AX
1
1, 1, 1)}
8i = 1, 2, . . . , n.
8i = 1, 2, . . . , n.
3. q es semidefinida positiva ()
d j = 0.
di
8i = 1, 2, . . . , n con algn
190
4. q es semidefinida negativa () di 0
d j = 0.
8i = 1, 2, . . . , n con algn
8i = 1, 2, . . . , n.
8i = 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 Di son todos positivos. Si q
es definida negativa, entonces los elementos de la diagonal principal son
todos negativos, de aqu que los Di alternan su signo en la forma indicada
en el teorema.
a b
b c
x1
= ax12 + 2bx1 x2 + cx22
x2
a b
= ac b2 y, aplicando el mtodo de Lagranb c
ge se da una de las tres siguientes situaciones:
tenemos D1 = a y D2 =
1. Si D1 = a 6= 0, entonces D2 = a c
b
q ( x1 , x2 ) = a x1 + x2
a
b2
a
+ c
191
b2
a
2. Si D1 = a = 0 y c 6= 0, necesariamente D2 =
x22 = D1 x1 2 +
D2 2
x2
D1
b2 0 y
2 2
b
b
D2 2
q( x1 , x2 ) = 2bx1 x2 + cx22 = c x2 + x1 +
x12 =
x1 + cx2 2
c
c
c
x2 2 = (2)D2 x1 2 + (2D2 ) x2 2
50
1
1
5
tiene por matriz
, por tanto,
0
1
1
0
4
2
0
2
D1 = 1 y D2 = 0. El teorema 6.97 anterior
4
5
nos dice que esta forma cuadrtica es semidefinida, pero no nos dice si es (semidefinida) positiva o negativa. Buscando un vector ~v para el que q(~v) no sea cero,
nos dar el signo. En este ejemplo, q(1, 0) = 1 > 0, luego q es semidefinida
positiva. En la siguiente grfica podemos ver que, efectivamente, lo es.
192
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)}.
1
1
1 3
Ej. 6.3 Si A = @ 1 1 0 A 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
1
, encuentra las
1
1. El endomorfismo asociado a A.
2. La forma bilineal asociada a A.
3. La forma cuadrtica asociada a A.
Ej. 6.5 Sea V el espacio vectorial real de los polinomios de grado menor
o igual que 2. Para f , g 2 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
p
la norma del vector suma tome el valor k~u + ~vk = 3.
Ej. 6.7 Sea V el espacio vectorial sobre R de los polinomios de grado
2. Sean a, b, c tres nmeros reales distintos. Se considera la aplicacin
193
f : V V ! R, definida de la forma:
f ( p( x ), q( x )) = p( a)q( a) + p(b)q(b) + p(c)q(c)
1. Probar que es una forma bilineal simtrica.
2. Hallar la matriz asociada a dicha forma bilineal en la base B =
{1, x, x2 }.
3. Para a = 1, b = 1 y c = 0, f define un producto escalar. Encontrar
una base ortonormal, para dicho producto escalar, del subespacio de
los polinomios sin trmino independiente.
Ej. 6.8 Sabemos que dos vectores ~u, ~v 2 R3 verifican k~vk = 2k~uk y que
k~u ~vk = 2. Expresa el ngulo entre ~u y ~v en funcin del mdulo de ~u.
1. Encuentra para que valor de k~uk se tiene que el ngulo entre ambos
p
vectores sea radianes.
4
2. Encuentra, si existen, vectores ~u y ~v en las anteriores condiciones con
la condicin de que k~vk2 = 2.
Ej. 6.9 En el espacio vectorial eucldeo R4 con el producto usual se pide:
1. Obtener mediante el mtodo de Gram-Schmidt una base de vectores
ortonormales para el subespacio:
S = L{(1, 2,
2, 1)}
2. Determina una base ortonormal del espacio ortogonal S? del subespacio anterior.
Ej. 6.10 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. 6.11 Consideramos el producto escalar definido por la matriz:
0
1
1 1
0
@ 1 2
1 A.
0
1 5
Se pide:
194
Ej. 6.12 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. 6.13 Calcula una base, as como las ecuaciones, del subespacio ortogonal en R4 del subespacio
(
x y + 2t = 0
S
z+t = 0
Ej. 6.14 Diagonalizar la matriz A y encontrar la matriz de paso ortogonal.
0
1
3
1 0
A=@ 1 3 0 A
0
0 2
Ej. 6.15 Clasifica las siguientes formas cuadrticas:
1. 3x2 6xy + 11y2
2. 3x2 + 2xy + 3y2 + 2xz + 2yz + 3z2
3. xy + yz + zx
Ej. 6.16 Clasifica la siguiente forma cuadrtica para los distintos valores
de a.
q( x, y, z) = ax2 + ay2 + (a 1)z2 + 2xy con a 2 R fijo.
Ej. 6.17 Diagonaliza las formas cuadrticas del ejercicio 6.15 anterior.
Ej. 6.18 Dada la forma cuadrtica cuya matriz asociada es
0
1
a
0
a
@ 0 a+c 0 A
a
0
a
195
TEMA 7
GEOMETRA
ndice
7.1.
7.2.
7.1.2.
7.1.3.
Perpendicularidad . . . . . . . . . . . . . . . . . 204
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, j), donde: A es un conjunto cuyos elementos llamamos puntos,V es un espacio
vectorial sobre el cuerpo K y j : A A ! V es una funcin que a cada dos
!
puntos P, Q 2 A le asigna un vector j( P, Q) = PQ 2 V y que verifica los
siguientes axiomas:
197
198
Geometra
Q
!
!
!
PQ + QR = PR
R
P
P + ~x
2. Si P 2 A y ~x 2 V exise un nico punto Q
!
tal que PQ = ~x.
Este punto lo representamos Q = P + ~x.
~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:
!
1. Para cada P 2 A se tiene PP = ~0.
!
2. Para cada par de puntos P, Q 2 A se tiene PQ =
!
QP.
!
!
!
!
PQ = RS () PR = QS
!
P = ( p1 , p2 , . . . , pn )R () OP = p1~v1 + p2~v2 + + pn~vn
199
1
0 01
x1 p1
x1
B x2 p2 C
B x0 C
B
C
B 2C
B
C = A B .. C
...
@
A
@.A
xn pn
xn0
Ejercicio 7.5. En el espacio afn A = R2
calcula las coordenadas del punto A( x, y)
en el sistema de referencia R = { P, ~v1 , ~v2 }
siendo
P = (2,
1)
~v1 = (1, 1)
~v2 = ( 1, 1)
y
y0
~v2
~v1
x0
x
O
P
200
Geometra
7.1.2.
Subespacios afines
!
!
OX = OP + l1~v1 + l2~v2 + + lk~vk
(Ecuacin vectorial de L)
201
9
>
>
>
=
>
>
>
;
Ecuaciones
paramtricas de L
9
>
>
>
=
>
>
>
;
Ecuaciones cartesianas de L
Ejemplo 7.7. Determina las tres ecuaciones (vectorial, paramtrica y cartesiana) del hiperplano de R4 que contiene al plano de ecuaciones cartesianas
x1 x2 x3 = 2
P
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 P y un tercer vector desde algn punto
del plano al punto P.
Resolviendo el sistema de ecuaciones que define P, tenemos
x1
x2
x3
x4
= 2+l+
=l
=
= 1 3l
de donde obtenemos (fcilmente) dos vectores independientes de la direccin de P : {(1, 1, 0, 3), (1, 0, 1, 0)} y un punto Q(2, 0, 0, 1) 2 P.
202
Geometra
Rectas en el plano
Una recta en el plano es un hiperplano. sta viene determinada a partir
El vector de direccin de un punto P ( p1 , p2 ) y un vector de direccin ~
v = (v1 , v2 ) 6= ~0, por la
determina el subespacio llamada ecuacin vectorial
de direccin es S = L(~v).
!
!
OX = OP + l~v
y la ecuacin paramtrica
( x, y) = ( p1 + lv1 , p2 + lv2 )
de donde se obtienen, a su vez, las llamada ecuacin general
ax + by = c
y la ecuacin continua
p1
v1
p2
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
x
q1
p1
y
=
p1
q2
p2
p2
v2
v1
203
u1
v1
p1 y
p2 z p3
u2
u3
=0
v2
v3
que nos permite dar una ecuacin a partir de tres puntos P, Q, R no alineados
x p1 y p2 z p3
q1 p1 q2 p2 q3 p3 = 0
r1 p1 r2 p2 r3 p3
Las rectas del espacio: en ecuaciones cartesianas son de la forma
a1 x + b1 y + c1 z = d1
a2 x + b2 y + c2 z = d2
A partir de dos puntos P, Q distintos podemos obtener las ecuaciones continuas de la recta que los contiene,
x
q1
7.2.
p1
y
=
p1
q2
p2
z
=
p2
q3
p3
p3
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 2 E
como
!
d( P, Q) = k PQk
204
Geometra
8 P, Q 2 E.
8 P, Q 2 E.
3. d( P, Q) + d( Q, R) d( P, R),
8 P, Q, R 2 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
205
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
|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 p un plano de vector
normal ~n, entonces
Proposicin 7.19. El ngulo formado por la recta r y el plano p es tal que cumple
sen(r, p ) =
|h~v, ~ni|
k~vk k~nk
206
Geometra
d( L1 , L2 ) = nf {d( X, Y ) | X 2 L1 , Y 2 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
De forma natural
!
PS = Q + ProyS ( QP).
d( P, L) = d( P, PS ) = d P, Q + A( A T A)
!
A T QP
(7.1)
2x y + z = 6
x+z = 1
207
10
0 11
1
1
1 @ 1 AA
Pr = A( A A ) 1 A T = @ 1 A @ 1 1
1
1
0
1
1
1
1
1@
1
1
1A
=
3
1
1 1
1 1
1 =
0 1
1
!
OS = Q + ProyS ( QO) = (1, 4, 0) + Pr @ 4 A = (2, 3, 1)
0
Por tanto,
d(O, r ) =
22 + ( 3 ) 2 + ( 1 ) 2 =
14
a
a
Q
PS
L
!
!
h QP, ~ni = k QPk k~nk cos a
~ k cos a = d( P, PS ), luego
siendo a el ngulo entre ambos vectores, pero k QP
d( P, L) = d( P, PS ) =
!
h QP, ~ni
(p
= 1
k~nk
=
q ) a + + ( pn qn ) an
q1 1
=
a21 + a22 + + a2n
( a1 p1 + + a n p n ) + ( a1 q1
q
a21 + a22 + + a2n
an qn )
simplificando la anterior expresin e incorporando un valor absoluto porque el vector ~n podra tener orientacin contraria, tenemos
208
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
!
Demostracin. La norma del vector producto vectorial, k QP ^ ~vk es el rea
!
del paralelogramo que define, del cual, k PPS k = d( P, r ) es su altura.
P
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
x 1
y+4
z
=
=
1
1
1
209
de aqu
d(O, r ) =
k(1, 4, 0) ^ ( 1, 1, 1)k
p
=
3
210
Geometra
!
q el ngulo que forman ~v y OP (expresado en radianes).
A (r, q ) se le llama las coordenadas polares de del punto P.
Estas coordenadas no son nicas, por ejemplo el origen de coordenadas
es (0, q ) siendo q cualquier valor real. En general, un punto viene represenA veces es conveniente tado por una infinidad de ngulos q 2kp, de los que, de forma cannica,
considerar q 2 [0, 2p ). elegimos q 2 ( p, p ].
r es la coordenada radial y
q 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 (r, q ) tiene por
coordenadas rectangulares (o cartesianas) ( x, y) siendo
x = r cos q
y = r sen q
Proposicin 7.26. Un punto P de coordenadas ( x, y) distinto del origen, en un
sistema de referencia rectangular tiene por coordenadas polares (r, q ) siendo
r2 = x 2 + y2
8
y
>
arctan
>
>
>
x
>
< p
q=
>
2
>
>
>
>
: p
2
si x 6= 0 (conforme a su cuadrante)
si x = 0 e y > 0
si x = 0 e y < 0
r = 2, q = p
r = 3, q =
( 2, 2)
p
3
211
P
y = r sen q
q
x = r cos q
r2 = x 2 + y2
y
tan q =
x
r = sen(2q )
Ejercicio 7.30. Usa una calculadora o programa de clculo para dibujar la curva
que que tiene por ecuacin en polares
r=
1
, con q 2 [0,2p )
1 + 0,5 cos q
212
Geometra
Coordenadas cilndricas
Definicin 7.31. Un punto P del espacio eucldeo E = R3 se representa en
coordenadas cilndricas por (r, j, z), donde:
r 2 [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
!
ortogonalmente el vector OP sobre el plano XY.
j 2 ( p, p ] es la coordenada acimutal, definida como el ngulo
!
que forma el eje X con la proyeccin ortogonal del vector OP sobre el
plano XY.
z 2 ( , ) es la coordenada vertical o altura, definida como la
distancia (con signo) desde el punto P al plano XY.
Eje Z
P
z
x O
j
y
r
Eje Y
Eje X
213
x 2 + y2
8
y
>
>arctan
>
>
< p x
j=
>
2
>
>
>
: p
2
z=z
r=
214
Geometra
Eje Z
P
q
O
r
y
r se
nq
Eje Y
Eje X
( 2, 2, 2)
8
>
<r =
Cilndricas
j=
>
:
z=
8
>r =
<
Esfricas
q=
>
:
j=
Rectang.
8
>
<r = 1
j = p/2
>
:
z= 1
8
>
<r =
q=
>
:
j=
8
>
<r =
j=
>
:
z=
8
>
<r = 3
q = p/4
>
:
j = p/2
215
Ejercicios Propuestos
Ej. 7.1 Considera el punto P(0, 0, 1) y la recta r
x+y = 2
z=1
2l) x + (1
l)y
(2 +
1. Comprueba que existe una recta comn a todos los planos dados y
determina su ecuacin.
2. Halla la ecuacin de un plano que pase por el origen y sea perpendicular a todos los planos del haz.
3. Determina cul de los planos del haz contiene a la recta s x + 1 =
z+2
.
y 1=
2
(
x=y
y
x+z = 1
el punto A 2 p \ r. Dado cualquier punto P de la recta consideramos el
punto Q del plano p ms cercano a P. Expresa el rea del tringulo APQ
en funcin del valor de x.
P
Ej. 7.4 Sean el plano p x + y = 2 y la recta r
p
Q
y + 2z = 5,
Ej. 7.6 Determina las coordenadas polares de cada uno de los vrtices
de un pentgono regular de lado unidad centrado en el origen y uno de los
vrtices se apoya en el eje polar.
216
Geometra
b) r = 2 cos q.
c) r2 + z2 = 25.
Ej. 7.13 Encuentra el centro y el radio de la esfera que tiene por ecuacin
en coordenadas esfricas r = sen q sen j.
NDICE ALFABTICO
Base, 109
cannica, 110
incompleta, 113
ortogonal, 167, 168
ortonormal, 167, 168
Bell, 82
Binomio de Newton, 74
Biyectiva, vase Funcin biyectiva, 38
C (n, r ), vase Combinacin ordinaria
CR(n, r ), vase Combinacin con repeticin
Cambio de base, 111
Matriz de, 112
Cardinal, 25, 110
Cartesiano, vase Producto cartesiano
Cayley-Hamilton, vase Teorema de CayleyHamilton
seeRelacin de Chasles, 198
Circular, vase Relacin circular
Codominio, vase Imagen
Cofactor, vase Adjunto
Combinacin
con repeticin, 75
217
218
lineal, 103
ordinaria, 72
Complejos, vase Nmeros complejos
Complementario, 25
Complemento ortogonal, 174
Composicin
de funciones, 36
de aplicaciones lineales, 133
Ley de, vase Operacin
Congruencia, 158
Conjugado, 51
Conjunto, 24
cociente, 34, 117
de las partes, 25
Igualdad, 25
Operaciones de, 25
universal, 25
vaco, 24
Conmutativa, 39
Coordenadas, 111, 198
cilndricas, 212
esfricas, 213
polares, 210
Correspondencia, 29
Coseno, 56, 166
hiperblico, 57
Cotangente, 56
hiperblica, 57
Cramer, 18
Criterio de Sylvester, 190, 191
Cuerpo, 46
de los complejos, 46
NDICE ALFABTICO
de endomorfismos, 136
de formas cuadrticas, 184189
Diferencia de conjuntos, 27
Diferencia simtrica, 27
Dimensin, 110, 198, 200
Teorema, vase Teorema de la dimensin
Dirichlet, 67
Principio de, vase Principio del palomar
Distancia, 163
entre puntos, 203
entre vectores, 165
Distributivas, 39
Divisor de cero, 45
Doble inclusin, vase Principio de doble inclusin
Dominio, 30, 36
NDICE ALFABTICO
clase de, 32
de sistemas, 14
Relacin de, 32
Escalar, 101
Espacio
afn, 197203
eucldeo, 203215
mtrico, 165
vectorial, 101
cociente, 117
de aplicaciones lineales, 126
dual, 126
eucldeo, 162
Espacio cociente, 117
Eucldeo, 162
Euler, 50, 58
Exclusin
Regla de, 172
Exponencial, 54
de una matriz, 146
Expresin binomial, vase Forma rectangular de un complejo
Expresin matricial
de una aplicacin lineal, 132
de una forma cuadrtica, 161
f q , vase Forma polar
Fibonacci, 86
Forma
bilineal, 154
(anti)simtrica, 154, 156
definida, 157
degenerada, 156
indefinida, 157
semidefinida, 157
cuadrtica, 159
definida, 162, 189
indefinida, 162, 190
semidefinida, 162, 189
lineal, 154
multilineal, 158
alternada, 159
polar, 159
polar de un complejo, 50
rectangular de un complejo, 48
Frmula
de Euler, 50
de Grassmann, 117
Funcin, 3538
biyectiva, 38
219
composicin, 36
exponencial, 54
de base, 58
inversa, 37, 57
invertible, 38
inyectiva, 38, 54
sobreyectiva, 38
trigonomtrica, 55
hiperblica, 57
GL(n), vase Grupo general lineal
Gauss, 12, 16
Gauss-Jordan, 12, 16
Generador, vase Sistema generador de
vectores
Giro
vectorial, 180
Grado de libertad, 15
Grafo
de una relacin, 29
Gram-Schmidt, 167
Grassmann, vase Frmula de Grassmann
Grupo, 42
general lineal, 43, 182
ortogonal, 182
especial, 182
simtrico, 42
Hanoi
Torres de, 89, 91
Hiperplano, 174, 200, 201
Homomorfismo, vase Aplicacin lineal
i, vase Unidad imaginaria
Img f , vase Imagen
In , vase Matriz identidad
Identidad, 3, 31
de Jacobi, 172
Imagen, 30, 36, 125, 127
Inclusion-exclusion, vase Principio de inclusinexclusin
Independencia
lineal, 103
Inercia, vase Ley de inercia de Sylvester
Interseccin, 25
de subespacios, 113
generalizada, 28
Invariante, 186, 189
Inversa, 37
Invertible, 6, 37
220
Inyectiva, vase Funcin inyectiva
Isomorfismo, 125
Isomorfo, 125
Jacobi, vase Identidad de Jacobi
ker f , vase Ncleo
Lagrange
Mtodo de, 184
Ley de inercia de Sylvester, 189
Logaritmo
complejo, 57
neperiano, 57
principal, 58
M ( f ; B1 , B2 ), vase Matriz de una aplicacin lineal
Matrices
congruentes, 158, 183
equivalentes, 134, 136
semejantes, 137
Matriz, 13
adjunta, 6
ampliada, 13, 15
antisimtrica, 2
columna, 1
cuadrada, 1
de paso, 137, 141
de una aplicacin lineal, 132
de una forma bilineal, 155
de una forma cuadrtica, 161
definida, 158
diagonal, 2, 137
diagonalizable, 137
elemental, 9
escalar, 2
escalonada, 8
reducida, 9
exponencial, 146
fila, 1
identidad, 3
inversa, 6, 144
clculo, 7, 12, 144
invertible, 6
ortogonal, 179
regular, vase invertible
simtrica, 2
singular, 6
traspuesta, 2
NDICE ALFABTICO
triangular
inferior, 2
superior, 2
Menor, 6
Mdulo, 48, 163
Monomorfismo, 125
Multilineal, 158
Multiplicidad
algebraica, 142
geomtrica, 142
Newton, vase Binomio de Newton
Norma
usual o estndar, 164
Norma de un vector, 163
Normalizar, 165
Notacin aditiva y multiplicativa, 43
Ncleo, 127
Nmero
combinatorio, 72
Propiedades, 73
de Bell, 82
de funciones, 71
biyectivas, 70
inyectivas, 69
sobreyectivas, 78
de Stirling
de 1a especie, 81
de 2a especie, 80
e de Euler, 58
multinomial, 77
Nmeros complejos, 47
Operacin, 38
externa, 38
Orden total y parcial, 35
Orientacin
de un espacio vectorial, 170
Origen, 36, 198
Ortogonalidad, 166
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, 28
Parte real e imaginaria, 48
Partes de un conjunto, 25
NDICE ALFABTICO
Particin, 32
Pendiente, 202
Permutacin
con objetos repetidos, 71
con repeticin, 70
ordinaria, 69
Perpendicular, 166, 204
Pitgoras, vase Teorema de Pitgoras
Polinomio
caracterstico, 86, 138
Potencia, 144
Principio
de doble inclusin, 25
de inclusin-exclusin, 27, 77
de la suma, 67
del palomar, 67
del producto, 68
Producto
cartesiano, 29
escalar, 162
estndar, vase usual
usual, 163, 179
interno, vase escalar
vectorial, 171
Progresin, 83
Proyeccin, 176
ortogonal, 176
r-combinacin, 72
r-permutacin, 69
Rango
de una aplicacin lineal, 130
de una forma cuadrtica, 189
de una matriz, 11
Referencia, vase Sistema de referencia
Reflexiva, vase Relacin reflexiva
Relacin, 2935
representacin, 29
antirreflexiva, 31
antisimtrica, 31
circular, 31
de Chasles, 198
de equivalencia, 32
de orden, 35
grafo, vase Grafo de una relacin
identidad, 31
interna, 31
reflexiva, 31
simtrica, 31
transitiva, 31
221
Representacin matricial
de un sistema de ecuaciones lineales, 14
de una forma bilineal, 155
de una forma cuadrtica, 161
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, 137
Semigrupo, 42
Seno, 56
hiperblico, 57
Signatura, 189
Simtrica, vase Relacin simtrica
Simetra
central, 181
especular, 181
Sistema
(in)compatible, 14
de ecuaciones, 1319, 200
cuadrado, 18
homogneo, 14, 17
de referencia, 198
polar, 209
rectangular, 204
de vectores, 103
de vectores (in)dependientes, 103
generador de vectores, 107
ortogonal de vectores, 167
Sobreyectiva, vase Funcin sobreyectiva
Solucin
General, 84
particular, 91
Stirling, vase Nmero de Stirling
Subconjunto, 24
trivial/propio, 25
Subespacio
afn, 200
ortogonal, 174
propio, 139
suplementario, 117
vectorial, 105
generado, 107
trivial, 106
Suma
222
de subespacios
vectoriales, 115
directa, 116
Suplementario, vase Subespacio suplementario
Sylvester, 189191
tr( A), vase Traza
Tangente, 56
hiperblica, 57
Teorema
de aproximacin ptima, 177
de caracterizacin, 106
de Cayley-Hamilton, 146
de la base, 110
de la base incompleta, 113
de la descomposicin, 129
de la dimensin, 130
de Pitgoras generalizado, 166
de Rouch-Frbenius, 15
Transformacin
elemental, 9, 132
lineal, vase Aplicacin lineal
Transitiva, vase Relacin transitiva
Traza, 3, 137, 145, 163
Tringulo de Tartaglia (o Pascal), 74
Triangular, 2, 164
Unin, 25
generalizada, 28
Unidad imaginaria, 48
Universo, vase Conjunto universal
Valor absoluto, 48
Valor propio, vase Autovalor
Variedad lineal, vase Subespacio afn
Vector, 101, 197
degenerado, 156
normal, 205
normalizado, 165
ortogonal, 166
propio, vase Autovector
unitario, 165
Vectores
Sistema de, 103
Sistema generador de, 107
NDICE ALFABTICO