Beruflich Dokumente
Kultur Dokumente
Espacios vectoriales
Preliminares
Usaremos las siguientes notaciones para algunos de los conjuntos numericos ya conocidos:
N para el conjunto de los n
umeros naturales, N = {1, 2, 3, . . .}1 .
5
6 N, 2 6 N.
4
Z para el de los n
umeros enteros, Z = {0, 1, 1, 2, 2, . . .}.
1/3 6 Z.
a
Q para el de los n
umeros racionales, Q = {
| a, b Z, b 6= 0}; teniendo en cuenta que si
b
a
c
a c
,
Q, entonces se tiene que = si, y solo si, ad = bc.
b d
b
d
4
13 253
0, 8 Q ya que 0, 8 = , 1, 3253 Q ya que 1, 3253 =
; 1, 66 . . . 6 . . . Q ya que
5
10 000
15
147
1, 66 . . . 6 . . . = ; 1, 633 . . . 3 . . . Q pues 1, 633 . . . 3 . . . =
. Por contra, 2 6 Q2 , el n
umero e
9
90
y el n
umero tampoco son racionales3 .
R para el de los n
umeros reales.
En cuadros como este iremos comentando el uso del programa de calculo simbolico Maxima
(con la interfaz wxMaxima, en espa
nol) en algunos aspectos relacionados con la asignatura
que pueden resultar u
tiles, al menos para comprobar determinados calculos efectuados. El uso
basico del programa ser
a abordado en Introducci
on al software cientfico y a la programaci
on.
1
Maxima es un programa que opera con aritmetica racional. Si estamos trabajando con fracciones, por defecto, nos dar
a como resultado tambien una fraccion. Si lo que se quiere es un
valor n
umerico de dicha fracci
on se puede conseguir a
nadiendo , numer o utilizando el men
u
Num
erico Conmutar salida num
erica (float en otra versiones). Si alguno de los n
umeros
de una determinada expresi
on est
a en representacion decimal el resultado se obtendra automaticamente en este formato. Los valores se obtendran, por defecto, con 16 cifras decimales.
Esta precisi
on se puede cambiar en el men
u Num
erico Establecer precisi
on, en la que
se indicara el n
umero de cifras, y en Num
erico A real grande (bigfloat), que convierte
todos los n
umeros y funciones numericas a n
umeros decimales de punto flotante con el n
umero
de dgitos significativos establecidos en la precision. En este caso los n
umeros terminaran con
bN, donde N es la correspondiente potencia de 10 por la que hay que multiplicar el n
umero.
Maxima trabaja con n
umeros enteros de cualquier tama
no. Si el resultado es demasiado largo se
eliminan, aparentemente, parte de los dgitos. Utilice la opcion Maxima Cambiar pantalla
2D eligiendo algoritmo ascii para salidas numericas y compruebe que ocurre ahora.
Algunas de las constantes matem
aticas de uso frecuente tienen un smbolo especial en Maxima:
el n
umero , el n
umero e (base de los logaritmos naturales), la unidad imaginaria i (raz
cuadrada de -1) y la raz
on a
urea se representan por %e, %pi, %i, %phi respectivamente.
1.1.
Cuerpos
Sabemos que en cada uno de los conjuntos anteriores existen dos operaciones, una suma y un producto,
que satisfacen algunas propiedades comunes en todos ellos (asociatividad y conmutatividad por ejemplo)
y otras particulares (existencia de determinados elementos como opuestos e inversos). La existencia de
una o mas operaciones en un determinado conjunto satisfaciendo ciertas propiedades hace que podamos
hablar de la existencia en dicho conjunto de una determinada estructura algebraica. Empecemos
viendo algunas de estas estructuras.
Definici
on 1.1 Un cuerpo es un conjunto K con dos operaciones, denominadas suma y producto y
que se denotan por + y respectivamente, que satisfacen las siguientes propiedades:
C1) Para cualesquiera elementos a, b, c de K, se tiene que a + (b + c) = (a + b) + c (propiedad asociativa
de la suma).
C2) Para cualesquiera elementos a, b de K, se tiene que a + b = b + a (propiedad conmutativa de la
suma).
C3) Existe un elemento en K, que representaremos por 0, tal que, para cualquier a de K, se tiene que
0 + a = a (= a + 0) (existe elemento neutro para la suma). A este elemento, que es u
nico5 , se le
denomina cero o elemento nulo de K .
C4) Para cada elemento a K existe un elemento a0 K tal que a + a0 = 0(= a0 + a), (es decir, todo
elemento de K tiene un inverso para la operaci
on suma). A este elemento, que est
a unvocamente
determinado6 por a, se le denomina opuesto de a y se denotar
a por a.
C5) Para cualesquiera elementos a, b, c de K, se tiene que a (b c) = (a b) c (propiedad asociativa del
producto).
) Si 0 y 00 son elementos tales que, para cualquier a de K, se tiene que 0 + a = a y tambien 00 + a = a, entonces se
tendra que 0 + 00 = 00 y tambien que 0 + 00 = 00 + 0 = 0; por lo que 0 = 00 .
6
) Si dado un elemento a K existen elementos a0 , a00 K tales que a + a0 = 0(= a0 + a) y a + a00 = 0(= a00 + a),
entonces se tendra que
a0 = 0 + a0 = (a00 + a) + a0 = a00 + (a + a0 ) = a00 + 0 = a00 .
5
Las condiciones C1 C4 se resumen diciendo que K con la operacion suma, (K, +), es un grupo
abeliano y las condiciones C5 C8 se resumen diciendo que (K \ {0}, ) es tambien un grupo abeliano.
Es usual, siempre que no induzca a confusion, denotar el producto a b simplemente como ab.
Algunos autores utilizan el termino cuerpo conmutativo para referirse al concepto de cuerpo que
hemos definido nosotros y reservan el termino de cuerpo para los conjuntos con una estructura similar
aunque el producto no sea conmutativo.
A un conjunto con dos operaciones que verifican las propiedades C1 a C5 y C9 se le denomina anillo;
si, ademas, verifica C7 se dice que es un anillo con uno o tambien un anillo unitario y si, adem
as, el
producto es conmutativo (condici
on C6) se dice que es un anillo conmutativo.
Ejemplos 1.2
1. Los conjuntos Q, de los n
umeros racionales, y R, de los n
umeros reales, con las operaciones suma
y producto usuales son ejemplos de cuerpos (conmutativos).
El conjunto Z de los n
umeros enteros, con estas mismas operaciones, es un anillo unitario conmutativo; pero no es un cuerpo9 .
0
0
1
0
1
1
1
0
0
0
0
1
0
1
) Demostrar, de forma an
aloga a como se ha hecho para el cero, la unicidad del elemento unidad.
) Demostrar, de forma an
aloga a como se ha hecho para el opuesto, que el inverso de un elemento a 6= 0 es u
nico.
9
) Los u
nicos elementos de Z que tienen inverso en Z son 1 y 1.
8
+
0
1
0
0
1
1
1
0
0
1
0
1
1
0
0
0
0
0
0
1
0
1
Cuestiones 1.3
En el u
ltimo de los ejemplos anteriores, cu
al es el opuesto de cada elemento y el inverso de cada
elemento no nulo?
Es posible determinar, mirando u
nicamente las tablas, si las operaciones son conmutativas?
1. Si a, b, c, d Q, entonces a + b 2 = c + d 2 a = c y b = d.
3. Si a + b 2 6= 0, entonces a2 2b2 6= 0 y
a
b
(a + b 2)
2 =1
a2 2b2 a2 2b2
Proposici
on 1.5 En un cuerpo K se verifican las siguientes propiedades:
1. Dados a, b y c en K, si a + b = a + c entonces b = c.
2. Para cada a en K se tiene que 0a = a0 = 0.
3. Para cualesquiera a, b en K se tiene que (a)b = a(b) = (ab). En particular, para cada a en K,
(1)a = a(1) = a y, para cualesquiera a, b en K, (a)(b) = ab.
4. Si a y b son elementos de K y ab = 0, entonces a = 0 o b = 0.
5. Dados a, b y c en K, si ab = ac entonces a = 0 o b = c.
Demostraci
on. Ejercicio.
10
) Este ejemplo de un cuerpo con cuatro elementos es un caso concreto de la siguiente propiedad que se demostrar
a
en cursos m
as avanzados: si p es un n
umero primo y n es un n
umero natural existe un cuerpo que tiene exactamente pn
elementos y que se suele denotar por Fpn .
1.1.1.
El cuerpo de los n
umeros complejos
Tambien es posible demostrar la distributividad de este producto con respecto a la suma. Es decir,
R R con esta operaciones es un cuerpo (conmutativo). A este cuerpo se le denomina cuerpo de los
n
umeros complejos y se le denotar
a por C.
En C se tiene que
(a, 0) + (b, 0) = (a + b, 0) y tambien (a, 0) (b, 0) = (ab, 0);
por lo que, si identificamos cada complejo de la forma (a, 0) con el n
umero real a, resulta que el conjunto
de los elementos de C de la forma (a, 0) es una copia del cuerpo R de los n
umeros reales.
Por otro lado, si consideramos i = (0, 1) C, se tiene que
i2 = i i = (1, 0),
elemento que hemos identificado con 1.
A este elemento i se le denomina unidad imaginaria.
Se verifica que
(b, 0)i = (b, 0)(0, 1) = (0, b)
y, como hemos identificado (b, 0) con el n
umero real b, resulta que
(a, b) = (a, 0) + (0, b) = (a, 0) + (b, 0)(0, 1) = a + bi
expresion que denominaremos forma binomial del complejo (a, b), y que es la forma habitual de representar n
umeros complejos. A la componente a se le denomina componente real y a la componente b se
le denomina componente imaginaria.
Con esta notaci
on se tiene que
(a + bi) + (c + di) = (a + c) + (b + d)i y (a + bi)(c + di) = (ac bd) + (ad + bc)i.
Si z = a + bi es un n
umero complejo, al complejo z = a bi se le denomina conjugado de z.
Se verifica que
z = z z es un n
umero real.
Cada n
umero complejo z = a + bi se puede representar por el punto P del plano real de coordenadas
(a, b). De esta forma, la distancia de este punto P al origen de coordenadas O vendra dada por
p
r = a2 + b2 = zz,
n
umero real no negativo que denominaremos m
odulo de dicho complejo y que se representa por |z|.
Si z es un complejo no nulo y denotamos por el angulo que forma el eje de abscisas OX con la recta
OP , angulo que denominaremos argumento del complejo, resulta que el complejo esta unvocamente
determinado por estos dos valores (m
odulo y argumento) y, mas concretamente, se tiene que
a + bi = r(cos() + i sen()),
expresion que denominaremos forma polar o m
odulo argumental del complejo.
La multiplicaci
on de n
umeros complejos en su forma modulo argumental viene dada por la expresi
on:
[r(cos() + i sen())] [r0 (cos(0 ) + i sen(0 ))] = rr0 (cos( + 0 ) + i sen( + 0 )).
Es decir, el m
odulo y el argumento de un producto de n
umeros complejos son, respectivamente, el
producto de sus m
odulos y la suma de sus argumentos.
Ejercicios 1.8
1. Determinar la potencia n-esima de un complejo dado en su forma m
odulo argumental. Probar que
todo n
umero complejo tiene alguna raz cuadrada (exactamente dos si el complejo es no nulo).
2. Probar que si en el conjunto H de los elementos de la forma a + bi + cj + dk, con a, b, c, d n
umeros
reales, definimos las operaciones
(a + bi + cj + dk) + (a0 + b0 i + c0 j + d0 k) = (a + a0 ) + (b + b0 )i + (c + c0 )j + (d + d0 )k
(a + bi + cj + dk) (a0 + b0 i + c0 j + d0 k) = (aa0 bb0 cc0 dd0 ) + (ab0 + ba0 + cd0 c0 d)i+
+(ac0 + a0 c + db0 d0 b)j + (ad0 + a0 d + bc0 c0 b)k
entonces tenemos que i2 = j 2 = k 2 = 1, i j = k, j i = k, j k = i, k j = 1, k i = j,
i k = j y
(a + bi + cj + dk) (a bi cj dk) = a2 + b2 + c2 + d2
y deducir que H un cuerpo no conmutativo (un anillo de divisi
on), denominado cuerpo de los
cuaterniones.
Teorema 1.9 (Teorema Fundamental del Algebra)
11
Todo polinomio
a0 + a1 X + a2 X 2 + + an X n
de grado n 1 con coeficientes complejos (ai C, an 6= 0) tiene una raz compleja.
11
) Hist
oricamente, el a
lgebra se ocupaba de resolver ecuaciones polin
omicas, de modo que un resultado que garantizase
la existencia de soluciones mereca un apelativo tan se
nalado. Se conocen muchas demostraciones de este teorema, algunas
comprensibles con unos pocos conocimientos sobre R2 , pero ninguna de ellas es puramente algebraica, dependen de un modo
esencial de las propiedades topol
ogicas de R y C.
1.1.2.
Caracterstica de un cuerpo
Si K es un cuerpo, a un elemento de K y n es un n
umero natural se define
na = a
{z + a},
| +a+
n veces
en particular,
n1 = 1| + 1 +
{z + 1} .
n veces
Se cumple las propiedades siguientes que, de alguna manera, justifican la notacion empleada:
na = (n1)a.
n1 + m1 = (n + m)1.
(n1)(m1) = (nm)1.
Definici
on 1.10 Se dice que un cuerpo K tiene caracterstica cero si n1 6= 0 para cada n > 0. Por el
contrario, si existe un entero positivo m tal que m1 = 0, se dice que K tiene caracterstica n si n es el
menor entero positivo tal que n1 = 0.
Si K tiene caracterstica n, como para cada elemento a de K se tiene que na = (n1)a, resulta que
na = 0.
Observaci
on 1.11 Si n = pq con p, q < n, es decir, si n es un n
umero compuesto, por la proposici
on
1.5 resulta que
0 = n1 = (p1)(q1) p1 = 0
o q1 = 0,
por lo que la caracterstica de un cuerpo es cero o un n
umero primo.
Los cuerpos Q, R, C y Q( 2) tienen caracterstica cero. Tanto el cuerpo Z2 como F4 (ver ejemplos
1.2) son cuerpos de caracterstica dos12 .
1.2.
Espacios vectoriales
Ejemplos 1.14
1. Todo cuerpo K es un espacio vectorial sobre s mismo como consecuencia de las propiedades C1)
C7) y C9) de la suma y producto en el definidos. En particular, Q, R y C son espacios vectoriales
sobre s mismos.
2. R es un espacio vectorial sobre Q y C es un espacio vectorial sobre R y tambien sobre Q.
3. Consideremos en el plano real R2 = {(x, y) | x, y R} las operaciones dadas por:
(x, y) + (x0 , y 0 ) = (x + x0 , y + y 0 )
(x, y) = (x, y).
Con estas operaciones R2 es un espacio vectorial sobre R.
10
5. De forma m
as general, si V1 , V2 , . . . , Vn son espacios vectoriales sobre un mismo cuerpo K, el
conjunto
V1 V2 Vn = { (v1 , v2 , , vn ) | v1 V1 , v2 V2 , . . . , vn Vn },
con las operaciones similares a las anteriores, definidas componente a componente, es un K-espacio
vectorial que se denomina espacio vectorial producto de los Vi .
6. Sea K un cuerpo y sean m, n n
umeros naturales, una matriz A de tama
no m n sobre K es una
disposici
on rectangular en m filas y n columnas de m n elementos del cuerpo K. Si m = n se dice
que A es una matriz cuadrada. Si m = 1 se dice que A es una matriz fila y si n = 1 se dice que
A es una matriz columna.
Al conjunto de la matrices m n sobre un cuerpo K se le denota por Mm,n (K) y el conjunto de
las matrices cuadradas n n sobre K se denota por Mn (K).
Las matrices se representan entre parentesis, de la forma
A= .
..
.. con aij en K para 1 i m, 1 j n
.
.
.
.
am1 am2
y abreviadamente por A = (aij )
amn
1im
1jn
el tama
no de la matriz.
Veamos algunos ejemplos de matrices:
1/2 0
a) A =
es una matriz cuadrada 2 2 sobre el cuerpo Q de los n
umeros racionales
3 2/3
o sobre el cuerpo R de los n
umeros reales.
1 1 0
b) A =
es una matriz 2 3 sobre el cuerpo Q de los n
umeros racionales o sobre
3
0 2
el cuerpo R de los n
umeros reales.
11
Dadas A = (aij ) y B = (bij ) dos matrices de Mm,n (K), se define la suma de A y B, que se
representa por A + B, como la matriz A + B = (cij ) de Mm,n (K) donde
cij = aij + bij para cada i = 1, . . . , m, y para cada j = i, . . . , n.
Por ejemplo,
1 1 0
3 2 3
+
1 1
2
0 1 3
=
0 2 2
3 3 0
Dada una matriz A = (aij ) en Mm,n (K) y un elemento de K, se define el producto de por
A, que se denota por A, como la matriz A = (cij ) en Mm,n (K) tal que cij = aij para cada
1 i m y 1 j n.
As,
3
1 1 0
3 2 3
=
3 3 0
9 6 9
b) Existe una matriz, aquella cuyos elementos son todos nulos, denominada matriz nula y que
denotaremos por 0, que satisface
A + 0 = 0 + A = A,
12
(a0 + a1 X + a2 X 2 + + an X n ) + (b0 + b1 X + b2 X 2 + + bn X n ) =
13
Proposici
on 1.15 En un K-espacio vectorial V se verifican las siguientes propiedades:
1. Dados u, v y w en V , si u + v = u + w entonces v = w.
2. Para cada u en V , se tiene que 0u = 0V .
3. Para cada en K se tiene que 0V = 0V .
4. Si es elemento de K y u es un vector de V , entonces u = 0V = 0 o u = 0V . En particular,
si es un elemento de K y u y v son vectores de V tales que u = v, entonces = 0 o u = v y,
tambien, si y son elementos de K y u es un vector de V tales que u = u, entonces = o
u = 0V .
5. Si es un elemento de K y u es un vector de V , entonces ()u = (u) = (u). En particular,
(1)u = u.
Demostraci
on. Consultar bibliografa.
1.3.
Subespacios vectoriales
Definici
on 1.16 Sea V un espacio vectorial sobre K. Un subconjunto no vaco U de V se dice que es
un subespacio vectorial de V si se verifican las siguientes condiciones:
1. Si u, v son dos vectores de U , entonces u + v tambien est
a en U .
2. Si u es un vector de U y est
a en K, entonces u est
a en U .
14
Ejemplos 1.17
1. Si V es un K-espacio vectorial, los subconjuntos {0} y V son subespacios vectoriales de V .
2. {(x1 , . . . , xn ) K n | x1 + + xn = 0 } es un subespacio vectorial de K n .
3. El conjunto Pn de polinomios con coeficientes reales que tienen grado menor o igual que n es un
subespacio vectorial de R[X].
4. El conjunto Ua,b = {f C([a, b], R) : f (a) = f (b)} es un subespacio vectorial de C([a, b], R).
Combinando las dos propiedades que dan lugar a la definicion del concepto de subespacio vectorial
se tiene el siguiente resultado:
Proposici
on 1.18 Un subconjunto no vaco U de un espacio vectorial V es un subespacio vectorial de
V si y s
olo si para cualesquiera vectores u, v en U y escalares , en K se cumple que el vector u + v
est
a en U .
Demostraci
on. Ejercicio.
Cuesti
on 1.20 Dado un cuerpo K, que condici
on tiene que cumplir un elemento de K para que el
conjunto
{(x1 , . . . , xn ) K n | x1 + + xn = }
sea un subespacio vectorial de K n ?
Cuesti
on 1.21 Que condici
on han de cumplir r [a, b] y s R para que el conjunto
Ur,s = {f C([a, b], R) : f (r) = s}
sea un subespacio vectorial de C([a, b], R)?
15
1.4.
Definici
on 1.22 Sea V un K-espacio vectorial, un vector u de V se dice que es combinaci
on lineal
de los vectores v1 , v2 , . . . , vn de V si existen escalares 1 , 2 , . . . , n en K tales que
u = 1 v1 + 2 v2 + + n vn .
M
as generalmente, si S es un subconjunto de un espacio vectorial V , un vector u V se dice que es
una combinaci
on lineal de vectores de S si existen un n
umero natural n, vectores v1 , v2 , . . . , vn de S y
escalares 1 , 2 , . . . , n de K tales que
u = 1 v1 + 2 v2 + + n vn .
A los escalares 1 , 2 , . . . , n de una combinacion lineal 1 v1 + 2 v2 + + n vn se les suele llamar
coeficientes de la combinaci
on.
La proposici
on 1.18 viene a decir que un subconjunto no vaco U de un espacio vectorial V es un
subespacio vectorial de V precisamente cuando la combinacion lineal de cualesquiera dos vectores de U
tambien esta en U . Por recurrencia sobre el n
umero de sumandos, esta propiedad puede extenderse a
cualquier otra combinaci
on lineal de vectores de U .
Proposici
on 1.23 Si S es un subconjunto no vaco de un espacio vectorial V , entonces el conjunto
< S > formado por todas las combinaciones lineales de vectores de S es un subespacio vectorial de V ;
adem
as, < S > es el menor subespacio vectorial de V que contiene a S.
Demostraci
on. En efecto, < S > es no vaco ya que S < S >, pues si u es un vector de S entonces
u = 1u y, por tanto, est
a en < S >.
Si u y v son vectores de < S >, existir
an vectores ui1 , . . . , uik , vj1 , . . . , vjl en S y escalares i1 , . . . , ik ,
j1 , . . . , jl en K tales que
u = i1 ui1 + + ik uik y v = j1 vj1 + + jl vjl
por lo que el vector suma
u + v = i1 ui1 + + ik uik + j1 vj1 + + jl vjl
es tambien una combinaci
on lineal de vectores de S y, por tanto, esta en < S >.
Si, ademas, K, se tiene que
u = i1 ui1 + + ik uik
tambien esta en < S >.
Por u
ltimo, si U es un subespacio vectorial de V que contiene a S, como cualquier combinacion lineal
de vectores de U est
a tambien en U , es evidente que < S > tambien esta contenido en U .
Definici
on 1.24 Si S es un subconjunto de un espacio vectorial V se dice que S es un sistema de
generadores de V si todo vector de V es una combinaci
on lineal de vectores de S; es decir, si < S >= V .
Un K-espacio vectorial V se dice que es de dimensi
on finita o finitamente generado si tiene un
conjunto de generadores finito; es decir, si existen vectores v1 , v2 , . . . , vn de V tales que todo vector de V
es combinaci
on lineal de v1 , v2 , . . . , vn .
De la misma forma que para espacios vectoriales, diremos que S es un sistema de generadores de un
subespacio vectorial U de V si U =< S >; en este caso, tambien se dir
a que U es el subespacio generado
por S. Diremos tambien que un subespacio vectorial U de un espacio vectorial V es de dimensi
on finita
o finitamente generado si tiene un conjunto finito de generadores.
16
Ejemplos 1.25
1. {(1, 0), (0, 1)} es un sistema de generadores de R2 . {(1, 1), (1, 1), (2, 0)} es tambien un sistema de
generadores de R2 .
2. K n =< (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), , (0, 0, 0, . . . , 1) > por lo que es de dimensi
on finita.
3. Pn =< 1, X, X 2 , . . . , X n > (ver ejemplos 1.17) y, por tanto, es de dimensi
on finita.
1.5.
Definici
on 1.28 Un conjunto de vectores S de un espacio vectorial V se dice que es linealmente
independiente si toda combinaci
on lineal de vectores de S que es nula tiene necesariamente todos los
coeficientes nulos. En caso contrario diremos que S es linealmente dependiente.
Ejemplos 1.29
1. El conjunto formado por un u
nico vector {v} es linealmente independiente si y s
olo si v 6= 0.
2. Cualquier conjunto de vectores que contenga al vector nulo es linealmente dependiente.
3. {(1, 1), (1, 1), (2, 0)} es un conjunto linealmente dependiente de vectores del espacio vectorial R2
ya que (1, 1) + (1, 1) + (1)(2, 0) = (0, 0).
17
4. En CR (considerado como espacio vectorial real) se tiene que {1, i} es un conjunto linealmente independiente; sin embargo, este conjunto es linealmente dependiente si consideramos C como espacio
vectorial sobre s mismo ya que 1 + (i)i = 0.
5. En K n , {(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, . . . , 0, 1)} es un conjunto linealmente independiente.
6. {1, X, . . . , X n , . . .} es un conjunto linealmente independiente en R[X].
Ejercicio 1.30 Probar que un subconjunto de un conjunto linealmente independiente de vectores es linealmente independiente.
Proposici
on 1.31 Un conjunto de vectores {v1 , v2 , . . . , vm }, formado por al menos dos vectores, es linealmente dependiente si y s
olo si alguno de ellos es combinaci
on lineal de los restantes; es decir, si existe
i con 1 i m tal que vi est
a en el subespacio < {vj }j6=i >.
Demostraci
on. Consultar bibliografa.
Cuestiones 1.32 Para cada uno de los siguientes enunciados referidos a un conjunto S de vectores de
un espacio vectorial V , decide razonadamente si es verdadero o falso:
1. Si S genera V y le quitamos un vector, el conjunto resultante ya no genera V .
2. Si S es un conjunto linealmente dependiente de vectores cualquier vector de S es combinaci
on lineal
de los restantes.
3. Si S genera un subespacio U distinto del propio V , entonces cualquier conjunto de vectores que
contenga a S tambien genera U .
4. Si S es linealmente independiente y le a
nadimos un vector, deja de ser linealmente independiente.
Cuesti
on 1.33 Completa, de forma justificada, con si, s
olo si
o si y s
olo si la siguiente afirmaci
on:
Un conjunto de vectores de C2 es linealmente independiente como C-espacio vectorial . . . . . . es
linealmente independiente como R-espacio vectorial.
1.6.
Bases. Dimensi
on
Definici
on 1.34 Se denomina base de un espacio vectorial a un sistema de generadores que, adem
as,
es linealmente independiente.
Ejemplos 1.35
1. Si K es un cuerpo {1} es una base de K sobre s mismo.
18
2. {1, i} es una base de C considerado como espacio vectorial real; pero no lo es considerado C como
espacio vectorial complejo.
3. {(1, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, . . . , 0, 1)} es una base de K n .
4. {1, X, . . . , X n } es una base del espacio vectorial Pn de polinomios con coeficientes reales de grado
menor o igual que n.
5. {1, X, . . . , X n , . . .} es una base de R[X].
6. Si, para cada 1 i m y 1 j n,
lugar ij y cero en el resto,
Aij = ...
..
.
0
..
.
1
..
.
0
..
.
0 ...
0
..
.
0
obtener
de
la
forma
Cuesti
on 1.36 Si K es un cuerpo y K, es {} una base de K sobre s mismo?
Proposici
on 1.37 Sea V un espacio vectorial y B un subconjunto de V . B es una base de V si y s
olo si
todo vector v V se expresa de modo u
nico como combinaci
on lineal de elementos de B.
Demostraci
on. Consultar bibliografa.
De la misma forma que se define el concepto de base de un espacio vectorial se define el de base de
un subespacio vectorial; a saber, un conjunto de vectores linealmente independientes que genera dicho
subespacio. En particular, si S es un conjunto linealmente independiente, se tiene que S es una base de
< S >.
Proposici
on 1.38 Si S es un conjunto linealmente independiente de vectores y u 6< S >, entonces
S {u} es un conjunto linealmente independiente.
Demostraci
on. Veamos que si v1 , v2 , . . . , vm son vectores de S linealmente independientes y u es un
vector tal que u 6< S >, entonces {v1 , v2 , . . . , vm , u} es un conjunto linealmente independiente.
Para ello supongamos que 1 , 2 , . . . , m , son escalares tales que
1 v1 + 2 v2 + + m vm + u = 0
19
Teorema 1.39 Todo espacio vectorial V 6= {0} (finitamente generado13 ) tiene una base.
Demostraci
on. Supongamos que V =< u1 , . . . , um > y consideremos
A = {L {u1 , . . . , um } : L linealmente independiente }
A es un conjunto no vaco ya que, como V 6= {0}, alguno de los vectores ui0 , con 1 i m, ser
a
un vector no nulo, y, por tanto, el conjunto formado por este u
nico vector, {ui0 }, esta en A pues es
un conjunto linealmente independiente. Ademas, por definicion, cada elemento de A esta formado como
mucho por m vectores.
Veamos ahora que si B = {v1 , . . . , vn } es un elemento de A con n
umero maximo de vectores, entonces
B es una base de V .
Para ello, como B es un conjunto linealmente independiente, bastara probar que es un sistema de
generadores de V ; es decir, que < B >= V .
Por un lado, si ui es un vector del conjunto de generadores de V y ui B, entonces ui < B >; por
otro lado, si ui 6 B, entonces B {ui } {u1 , . . . , um } y tiene un elemento mas que B, que es un elemento
de A con n
umero m
aximo de vectores; por lo que B {ui } no esta en A y sera necesariamente un conjunto
linealmente dependiente; pero entonces, por la proposicion 1.38, tambien se tiene que ui < B >.
Se ha probado que {u1 , . . . , um } < B >, por lo que
V =< u1 , . . . , um >< B > V
y, por tanto, < B >= V .
Analizando la demostraci
on anterior, lo que realmente se ha probado es que cualquier conjunto finito
de generadores de V contiene una base14 .
13
) Modificando la demostraci
on tambien se puede obtener que todos los espacios vectoriales tienen base, aunque no tengan
dimensi
on finita; basta tomar u V , u 6= 0 y considerar
A = { L V | u L y L es linealmente independiente }.
Se utiliza el Lema de Zorn, que se introducir
a en otra asignatura m
as adelante, para probar que A tiene elementos maximales
y estos elementos maximales son bases.
14
) Consultar la bibliografa recomendada para conocer alguna otra demostraci
on del teorema anterior.
20
Corolario 1.41 Todo conjunto de vectores linealmente independiente de un espacio vectorial (finitamente generado) puede completarse a una base.
Demostraci
on. Ejercicio.
Teorema 1.42 Todas las bases de un espacio vectorial (finitamente generado) no nulo tienen el mismo
n
umero de elementos.
Demostraci
on. Consultar bibliografa.
Definici
on 1.43 Si V es un K-espacio vectorial de dimensi
on finita no nulo se llama dimensi
on de
V , que representaremos por dimK (V ), al n
umero de elementos de cualquiera base de V . Si V = 0,
diremos que dimK (V ) = 0. Si V no es de dimensi
on finita diremos que es de dimensi
on infinita y lo
representaremos por dimK (V ) =
Ejemplos 1.44
1. dimK (K) = 1.
2. dimR (R2 ) = 2.
3. dimR (C) = 2.
4. dimK (K n ) = n.
5. dim(Mm,n (K)) = mn.
6. dim(R[X]) = .
Definici
on 1.47 Si {u1 , u2 , . . . , um } es un conjunto de vectores de un espacio vectorial V , llamaremos
rango de este conjunto de vectores a la dimensi
on del subespacio generado por ellos. Es decir,
rang({u1 , u2 , . . . , um }) = dim(< {u1 , u2 , . . . , um } >)
Observaci
on 1.48 Si v1 , v2 , . . . , vm son vectores de un K-espacio vectorial V , es evidente que
rang({v1 , . . . , vi , . . . , vj , . . . , vm }) = rang({v1 , . . . , vj , . . . , vi , . . . , vm }),
y, como consecuencia del ejercicio 1.27, se tiene que si K, entonces:
Si 6= 0, rang({v1 , . . . , vi , . . . , vm }) = (rang({v1 , . . . , vi , . . . , vm }).
rang({v1 , . . . , vi , . . . , vj , . . . , vm }) = rang({v1 , . . . , vi + vj , . . . , vj , . . . , vm }).
15
22
Usando repetidamente estas propiedades podremos determinar una base del subespacio generado por
una familia finita de vectores y, por tanto, el rango de dicha familia de vectores. El metodo consiste
en partir de los generadores e ir haciendo operaciones de los tipos indicados y eliminando los posibles
vectores nulos que aparezcan hasta encontrar un sistema de generadores linealmente independiente. En la
subseccion siguiente veremos como realizando este tipo de operaciones en las filas de una matriz podemos
encontrar bases de subespacios de K n generados por un determinado n
umero de vectores.
1.6.1.
Definici
on 1.49 Dada una matriz A Mm,n (K), se denomina operaci
on elemental por filas en la
matriz A a cada una de las siguientes operaciones:
I) Intercambiar dos filas.
II) Multiplicar una fila por un elemento no nulo de K.
III) A
nadir a una fila otra multiplicada por un elemento de K.
De forma an
aloga se pueden definir las operaciones elementales por columnas.
Si A Mm,n (K) y B la matriz resultante de hacer en A una serie de operaciones elementales por
filas e interpretamos las filas de A y de B como vectores de K n , por el ejercicio 1.27 sabemos que el
subespacio de K n generado por las filas de A es el mismo que el subespacio generado por las filas de B.
Definici
on 1.50 Se dice que una matriz A = (aij ) Mm,n (K) est
a en forma escalonada por filas si
cumple las siguientes condiciones:
1. Existe 1 r m tal que aij = 0 para todo i > r y para todo 1 j n.
2. Para cada 1 i r existe 1 ki n tal que aiki = 1 y aij = 0 para todo j < ki . Al elemento aiki
se le llama pivote.
3. k1 < k2 < < kr .
0 1 ?
0 0 1
..
..
..
.
.
.
0 0 0
0 0 0
..
..
..
.
.
.
0
0 0
k1
k2
23
?
?
?
?
..
.
1
0
..
.
?
0
..
.
?
0
..
.
kr
Si, ademas, para 1 i r se cumple que alki = 0 para todo l < i (es decir, si en la columna que
contenga un pivote todos los dem
as elementos de dicha columna son nulos) entonces se dice que A est
a
en forma escalonada reducida por filas. Por ejemplo:
0 1 0 0 ? ?
0 0 1 0 ? ?
..
..
..
..
.
.
.
.
0 0 0 1 ? ?
0 0 0 0 0 0
..
..
..
..
..
..
.
.
.
.
.
.
0
0 0
k1
k2
kr
) Es decir, si es un matriz escalonada, o escalonada reducida, por filas la matriz cuyas filas son las columnas de la matriz
dada (matriz a la que, como veremos m
as adelante, nos referiremos como su matriz traspuesta).
24
seccion siguiente introduciremos las coordenadas de un vector con respecto a una base y, entonces, se
podra aplicar tambien este mismo metodo a una familia finita de vectores de un espacio vectorial de
dimension finita considerando sus coordenadas con respecto a una determinada base de dicho espacio.
En el proceso anterior, los vectores fila de cada nueva matriz son combinaciones lineales de los anteriores, y por tanto en cada paso son combinaciones de los vectores fila iniciales. Los coeficientes de estas
u
ltimas combinaciones lineales se pueden conocer actuando como muestra el siguiente ejemplo (trata de
justificar por que funciona, aunque esto se vera mejor cuando mas adelante se trate el concepto de matriz
elemental):
u = (1, 4, 3)
v = (3, 2, 2)
w = (10, 2, 3)
1
4 3 1 0 0
1 0 0
1
0 0
1
4 3
1
4 3
3 2
2 0 1 0 0 14 11 3 1 0 0 14 11 3
1 0
13 10 6 0 0 1
0 42 33 13 0 1
0
0
0 4 3 1
La segunda fila nos dice que el vector (0, 14, 11) es igual a 3u + v, y la tercera fila nos dice que
4u 3v + w es el vector nulo, o lo que es lo mismo que w = 4u + 3v.
En Maxima el comando echelon(Matriz ) calcula una matriz escalonada por filas correspondiente a la matriz dada; aunque, en general, no llega hasta una matriz escalonada reducida (o
sea, no da lo que llamaremos la forma de Hermite por filas).
El comando triangularize(Matriz ) es como el anterior, pero sin forzar que los pivotes valgan 1. Por ejemplo:
A:matrix([1,2,3,4,1],[3,2,1,4,3],[1,1,1,2,1],[4,3,2,1,1]);
echelon(A);
triangularize(A);
Maxima tambien permite hacer algunas operaciones elementales en las filas o columnas de una
matriz. Los comandos para hacerlo son los siguientes:
rowswap(Matriz,i,j ); intercambia las filas Fi y Fj .
columnswap(Matriz,i,j ); intercambia las columnas Ci y Cj .
rowop(Matriz,i,j,r ); cambia la fila Fi por la fila Fi rFj .
columnop(Matriz,i,j,r ); cambia la columna Ci por la columna Ci rCj .
Como se hara para multiplicar una fila o una columna por un escalar?
1.7.
Si B = {u1 , . . . , un } es una base de un espacio vectorial V sobre un cuerpo K, sabemos que todo vector
v V es combinaci
on lineal de los vectores de la base B y, ademas, los coeficientes de dicha combinaci
on
lineal estan determinados unvocamente. Es decir, Dado v V , existiran escalares x1 , x2 , . . . , xn u
nicos
tales que
v = x1 u1 + x2 u2 + + xn un .
Esto justifica la siguiente definici
on:
25
Definici
on 1.53 Si V es un K-espacio vectorial de dimensi
on finita, se llaman coordenadas de un
vector v V con respecto a la base B = {u1 , . . . , un } a la u
nica n-upla (x1 , x2 , . . . , xn ) K n tal que
v = x1 u1 + x2 u2 + + xn un .
Lo representaremos por [v]B = (x1 , x2 , . . . , xn ).
Es inmediato probar que dos vectores de V son iguales si y solo si tienen las mismas coordenadas con
respecto a una base B.
Ademas, si [v]B = (x1 , x2 , . . . , xn ), [v 0 ]B = (x01 , x02 , . . . , x0n ) y r K, se tiene que
[v + v 0 ]B = (x1 + x01 , x2 + x02 , . . . , xn + x0n ) y [rv]B = (rx1 , rx2 , . . . , rxn ).
Por tanto, fijada una base B de un espacio vectorial V de dimension n, la aplicacion de V en K n que
a cada vector v V le asocia sus coordenadas [v]B es una aplicacion biyectiva que, ademas, cumple
[v + v 0 ]B = [v]B + [v 0 ]B y [rv]B = r[v]B .
Es decir, operar con vectores en V es equivalente a operar en K n con las n-uplas de sus coordenadas
con respecto a la base B.
1.7.1.
Cambio de coordenadas
Si B = {u1 , u2 , . . . , un } y B 0 = {u01 , u02 , . . . , u0n } son dos bases de un K-espacio vectorial V podemos
preguntarnos sobre la relaci
on que existir
a entre las coordenadas de un vector con respecto a ambas bases.
Para estudiar dicha relaci
on supongamos que, para cada 1 j n se tiene que
[u0j ]B = (p1j , p2j , . . . , pnj );
es decir, que
u0j
n
X
pij ui .
i=1
x01 u01
x02 u02
+ +
x0n u0n
n
X
x0j u0j
j=1
n X
n
X
j=1 i=1
x0j (pij ui ) =
n X
n
X
j=1 i=1
n
X
x0j (
j=1
n
X
pij ui ) =
i=1
n X
n
X
(
x0j pij )ui
i=1 j=1
por lo que si denotamos por [v]B = (x1 , x2 , . . . , xn ), las coordenadas de v con respecto a la base B, se
tiene que, para cada 1 i n,
n
n
X
X
0
xi =
xj pij =
pij x0j .
j=1
j=1
26
Es decir,
x1
x2
=
=
..
.
xn =
pn2 x02
+ +
pnn x0n
Ecuaciones que nos proporcionan la relacion entre las coordenadas de un vector con respecto a la base
B 0 y las coordenadas de este mismo vector con respecto a la base B y que llamaremos ecuaciones del
cambio de base de B 0 a B.
Ejercicio 1.55 Probar que B = {(1, 0, 2), (0, 1, 1), (1, 0, 1)} es una base de R3 y obtener las ecuaciones
del cambio de base de B a la base C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
1.8.
Producto de matrices
La relacion que existe entre las coordenadas de un vector con respecto a dos bases distintas se puede
escribir de una manera mucho m
as c
omoda utilizando un concepto que ya se ha utilizado en Bachillerato,
el producto de matrices, cuyas propiedades pasamos a recordar.
Definici
on 1.56 Sean A = (aij ) Mm,n (K) y B = (bij ) Mn,p (K), se define el producto de A y B, y
se denota por AB, como la matriz AB = (cij ) Mm,p (K) tal que
cij = ai1 b1j + ai2 b2j + + ain bnp =
n
X
aik bkj .
k=1
Ejemplo 1.57
3 3 0
9 6 9
1 0
0 0
1 0 =
3 9
0 1
A
un en el caso de que los productos AB y BA se pudieran efectuar y fuesen matrices de igual tama
no,
ambos productos no tienen por que coincidir como demuestra el siguiente ejemplo:
1 1
1 0
2 0
=
0 0
1 0
0 0
mientras que
1 0
1 0
1 1
0 0
=
1 1
1 1
Proposici
on 1.58 El producto de matrices verifica las siguientes propiedades:
1. Si A Mm,n (K), B Mn,p (K) y C Mp,t (K), entonces
(AB)C = A(BC) (propiedad asociativa del producto de matrices)
2. Si A Mm,n (K) y B, C Mn,p (K), entonces:
A(B + C) = AB + AC (propiedad distributiva del producto de matrices respecto de la suma)
3. Para cada n
umero natural n, la matriz
In =
1 0
0 1
.. ..
. .
0 0
0
0
..
.
Mn (K),
que denominaremos matriz identidad17 , satisface In A = A para cada matriz A Mn,m (K) y
BIn = B para cada matriz B Mm,n (K). En particular, si A Mn (K) se tiene que In A = AIn =
A.
4. si r K, A Mm,n (K) y B Mn,p (K), entonces
r(AB) = (rA)B = A(rB)
Demostraci
on. Veamos la demostraci
on de la propiedad asociativa, si denotamos por Xij el elemento
i, j de una matriz X se tiene:
((AB)C)ij =
p
X
(AB)ik Ckj
k=1 l=1
k=1
p
n X
X
l=1 k=1
p X
p X
n
n
X
X
Ail Blk )Ckj =
Ail Blk Ckj =
(
=
n
X
l=1
k=1 l=1
p
n
X
X
Ail (
Blk Ckj ) =
Ail (BC)lj = (A(BC))ij
k=1
l=1
Definici
on 1.59 Una matriz cuadrada A Mn (K) diremos que es una matriz inversible si existe una
matriz B Mn (K) tal que
AB = BA = In .
Dicha matriz, si existe, es u
nica18 , la denominaremos matriz inversa de A y la representaremos
1
por A .
17
) Es habitual representar la matriz identidad abreviadamente de la forma In = (ij ), donde los elementos ij viene dados
por ii = 1 y ij = 0 si i 6= j.
18
) Probarlo.
28
Proposici
on 1.60 Si A y B Mn (K) son dos matrices inversibles, entonces AB es tambien una matriz
inversible y, adem
as,
(AB)1 = B 1 A1
Demostraci
on. Ejercicio.
Las ecuaciones de cambio de base se pueden expresar mediante el producto de matrices de la siguiente
forma:
0
x1
p11 p12 p1n
x1
x2 p21 p22 p2n x0
2
.. = ..
.. ..
. .
. .
xn
pn1 pn2
x0n
pnn
A^^3;
El comando ident(Tama
no) proporciona la matriz identidad del tama
no indicado; por ejemplo,
ident(4);
El comando invert(Matriz ), disponible en el men
u Algebra Invertir matriz, calcula la
inversa de una matriz; por ejemplo,
A:matrix([-1,2,1],[0,1,-1],[1,1,1]);
29
invert(A);
1.9.
El siguiente resultado tiene una demostracion inmediata que se deja como ejercicio.
Proposici
on 1.63 Si U1 y U2 son subespacios vectoriales de un espacio vectorial V , entonces U1 U2
es un subespacio vectorial de V .
Demostraci
on. Ejercicio.
Mas generalmente, si {Ui }iI es un conjunto no vaco de subespacios vectoriales de un espacio vectorial
V , entonces su intersecci
on iI Ui es un tambien un subespacio vectorial de V .
Si S es un subconjunto de un espacio vectorial V y consideramos A el conjunto formado por los
subespacios vectoriales de V que contienen a S, como V es un subespacio de s mismo que contiene a S,
V AyA=
6 ; por tanto, la intersecci
on de todos estos subespacios, U A U , es un subespacio vectorial
de V que esta contenido en todos los subespacios vectoriales de V que contienen a S, por lo que es el
menor subespacio de V que contiene a S; es decir, es precisamente < S >, el conjunto formado por todas
las combinaciones lineales de elementos de S.
En general, la uni
on de subespacios vectoriales no es un subespacio vectorial; de hecho,
U1 = R {0} = {(x, 0) | x R} y U2 = {0} R = {(0, y) | y R}
son dos subespacios vectoriales de R2 tales que U1 U2 no es un subespacio vectorial puesto que
(1, 0), (0, 1) U1 U2 pero
(1, 1) = (1, 0) + (0, 1) 6 U1 U2
30
De forma mas general, si {Ui }iI es un conjunto (no necesariamente finito) de subespacios vectoriales
P
de un espacio vectorial V , tambien se llama suma de estos subespacios, y se denotara por I Ui , al
subespacio engendrado por la uni
on de dichos subespacios que sera el menor subespacio que los contiene
y se verifica que
X
Ui =< I Ui >= { vi1 + + vik | k N, vij Uij con ij I }
I
Teorema 1.68 (F
ormula de Grassmann) Si U1 y U2 son dos subespacios de un espacio vectorial V
de dimensi
on finita, entonces
dim(U1 ) + dim(U2 ) = dim(U1 U2 ) + dim(U1 + U2 )
Demostraci
on. Veamos que si {u1 , u2 , . . . , ut } es una base de U1 U2 y se completa a una base
{u1 , u2 , . . . , ut , ut+1 , . . . , ur } de U1 por un lado y a una base {u1 , u2 , . . . , ut , vt+1 , . . . , vs } de U2 por otro,
entonces
{u1 , u2 , . . . , ut , ut+1 , . . . , ur , vt+1 , . . . , vs }
es una base de U1 + U2 , ya que de esta forma se tendra que
dim(U1 + U2 ) = t + (r t) + (s t) = r + s t = dim(U1 ) + dim(U2 ) dim(U1 U2 )
que es lo que se quiere demostrar.
Todo vector de U1 + U2 es suma de un vector de U1 y otro de U2 y como U1 esta generado por
{u1 , u2 , . . . , ut , ut+1 , . . . , ur } y U2 est
a generado por {u1 , u2 , . . . , ut , vt+1 , . . . , vs }, se tiene que
U1 + U2 =< u1 , u2 , . . . , ut , ut+1 , . . . , ur , vt+1 , . . . , vs >
31
s
X
t
X
i vi ) =
i=t+1
i=1
t
X
s
X
i ui
por lo que
0=
i ui +
i=1
i vi
i=t+1
t+1
pero como {u1 , u2 , . . . , ut , ut+1 , . . . , ur } es una base de U1 , se tiene tambien que i = 0 para i = 1, . . . , r.
Por tanto, {u1 , u2 , . . . , ut , ut+1 , . . . , ur , vt+1 , . . . , vs } es una familia linealmente independiente.
Definici
on 1.70 Si U1 y U2 son dos subespacios de un espacio vectorial V se dice que la suma U1 + U2
de U1 y U2 es una suma directa, o que U1 y U2 est
an en suma directa, si U1 U2 = {0}; se denotar
a
por U1 U2
Proposici
on 1.71 La suma de dos subespacios vectoriales U1 y U2 de un espacio vectorial V es una
suma directa si y s
olo si todo vector de U1 + U2 se expresa de modo u
nico como suma de un vector de U1
y otro de U2 .
Demostraci
on. Si u1 + u2 = u01 + u02 con u1 , u01 U1 y u2 , u02 U2 , entonces u1 u01 = u02 u2 U1 U2 ,
por lo que u1 u01 = u02 u2 = 0 y, por tanto, u1 = u01 y u2 = u02 .
Recprocamente, si todo vector de U1 + U2 se expresa de modo u
nico como suma de un vector de U1
y otro vector de U2 y u U1 U2 , entonces como u = u + 0 = 0 + u con u, 0 U1 , U2 se tiene que u = 0
y U1 U2 = {0}
Proposici
on 1.73 Dado un subespacio vectorial U de un espacio vectorial de dimensi
on finita V , existe
otro subespacio vectorial U 0 de V tal que V = U U 0 .
Demostraci
on. Si {u1 , . . . , ur } es una base de U y se extiende a una base {u1 , . . . , ur , ur+1 , . . . , un } de
V , entonces U 0 =< ur+1 , . . . , un > satisface que U U 0 = V .
Definici
on 1.74 Si U es un subespacio vectorial de un espacio vectorial V , a un subespacio U 0 tal que
V = U U 0 se le denomina un complementario de U en V .
El complementario de un subespacio no tiene por que ser u
nico, como demuestra el ejemplo siguiente.
Ejemplo 1.75 Consideremos en el espacio vectorial R3 el subespacio U =< (1, 0, 0), (1, 0, 1) >. Como
{(1, 0, 0), (1, 0, 1), (0, 1, 0)} es una base de R3 , se tiene que U 0 =< (0, 1, 0) > es un complementario de U
en R3 ; pero como {(1, 0, 0), (1, 0, 1), (1, 1, 1)} es tambien una base de R3 , se tiene que
U 00 =< (1, 1, 1) >6= U 0
es tambien un complementario de U en R3 .
A partir de caracterizaci
on de la suma directa de dos subespacios obtenida en la proposicion 1.71 se
puede definir la suma directa de de un n
umero finito de ellos.
Definici
on 1.76 Una suma U1 + U2 + + Uk de subespacios de un espacio vectorial se dice que es una
suma directa si todo vector de U1 + U2 + + Uk se expresa de modo u
nico como suma de vectores de
U1 , U2 , . . . y Uk . En este caso se denotar
a por U1 U2 Uk .
La siguiente caracterizaci
on de esta suma directa corresponde, en el caso de dos subespacios, a la
definicion inicial de suma directa.
Proposici
on 1.77 Una suma U1 + U2 + + Uk de subespacios
P de un espacio vectorial es una suma
directa si y s
olo si para cada i = 1, 2, . . . , k se tiene que Ui ( 1jk,j6=i Uj ) = {0}.
33
Demostraci
on. Ejercicio.
1.10.
Ejercicios
1. Sea W el conjunto formado por los vectores de R3 de la forma (5b + 2c, b c, b) con b, c n
umeros
reales. Demuestra que W es un subespacio vectorial de R3 y encuentra un conjunto de generadores
de este subespacio.
2. Consideramos el R-espacio vectorial RN de las sucesiones de n
umeros reales (aplicaciones de N en R)
con las operaciones termino a termino. Para un n
umero real fijo r R, demuestra que el conjunto
de todas las progresiones geometricas de razon r es un subespacio de RN . Puedes encontrar un
conjunto generador?
Es un subespacio el conjunto de todas las progresiones geometricas (de cualquier razon)?
3. Sabemos que C2 es un C-espacio vectorial. Tambien es un R-espacio vectorial, con la misma suma
pero considerando el producto s
olo por escalares reales.
Para el conjunto W = {(z, z 0 ) C2 : z = z y z 0 = z 0 }, se pide:
a) Es W un subespacio vectorial del R-espacio vectorial C2 ? En caso afirmativo, encuentra un
sistema generador.
b) Es W un subespacio vectorial del C-espacio vectorial C2 ? En caso afirmativo, encuentra un
sistema generador.
Responde las mismas cuestiones relativas al conjunto U = {(z, z 0 ) C2 : z + 3iz 0 = 0}.
4. Determina si los siguientes subconjuntos del espacio vectorial F(R, R) de las funciones de R en R,
con las operaciones punto a punto, son espacios vectoriales sobre R:
34
(rA)t = rAt
(A + B)t = At + B t
(AC)t = C t At
(2, 1, 0, 1, 2)
(1, 3, 1, 0, 1)
(0, 2, 1, 0, 1)
(3, 1, 0, 2, 4)
v2 = (2, 13, 0, 1)
35
v3 = (3, 17, 4, 2)
v4 = (3, 15, 7, 2)
12. Comprueba que los siguientes vectores son linealmente dependientes, y que v3 no se puede expresar
como combinaci
on lineal de los otros tres:
v1 = (2, 3, 1, 5)
v3 = (3, 5, 1, 9)
v2 = (6, 1, 1, 3)
v4 = (0, 2, 1, 3)
13. Determina los valores que deben tener los parametros a y b para que los siguientes vectores sean
linealmente independientes:
u = (0, 1, a, 1)
v = (2, 1, 5, b)
w = (1, 2, 1, 0)
1 1
2 2
. Expresa la matriz A2
como combinaci
on lineal de A e I2 .
a b
15. En el espacio vectorial real M2 (R) consideramos la matriz generica A =
. Expresa A2
c d
como combinaci
on lineal de A e I2 , y observa la relacion de los coeficientes que obtienes con la
traza (a + d) y el determinante (ad bc) de A.
16. Dada A Mn (R), demuestra que el conjunto de todas las matrices P Mn (R) que conmutan con
A (o sea, que verifican AP = P A) es un subespacio vectorial de Mn (R).
1 2
0 1
.
yA=
Da una base de ese subespacio en los casos particulares A =
3 4
0 0
17. Sea V un C-espacio vectorial con una base B = {v1 , v2 , . . . , vn }. Demuestra que, cuando interpretamos V como R-espacio vectorial, el conjunto B 0 = {v1 , v2 , . . . , vn , iv1 , iv2 , . . . , ivn } es una base, y
por lo tanto dimR (V ) = 2 dimC (V ).
18. Sea K = Z2 el cuerpo con dos elementos (ver caso 3 de los ejemplos 1.2). Se pide:
a) Cuantos elementos tiene un K-espacio vectorial de dimension finita n?
b) Haz la lista de todos los subespacios de K 2 (sin repetir).
c) Haz la lista de todos los subespacios de K 3 (sin repetir).
(Sugerencia: Para hacer las listas, distingue seg
un la dimension de los subespacios y, para cada
dimension, considera todas las posibles bases.)
19. Determina el valor de a para que tenga rango 2 el conjunto formado por los tres vectores
u = (1, 2, a)
v = (2, a, 1)
w = (1, 1, a + 2)
20. Sea V un R-espacio vectorial real con una base B = {v1 , v2 , v3 , v4 }. Determina, seg
un los valores
del parametro a, la dimensi
on y una base del subespacio
U = < v1 + v4 , v1 + v2 v4 , av1 + 2v2 av4 >
21. Dados los siguientes subespacios de R4 :
U = < (2, 0, 5, 2) , (3, 1, 9, 3) >
u2 = (2, 1, 0, 1, 2)
w1 = (0, 2, 1, 0, 1)
u3 = (3, 1, 0, 2, 4)
w2 = (1, 3, 1, 0, 1)
v = (2, 8, 9).
De hecho, los vectores as obtenidos siempre son LI, pero lo iremos comprobando caso a caso.
37
v = (2, 3, 4).
2x + r = 2y
(x, y, z, r, s)|
3x + s = 2y
.
29. En P3 , se pide:
a) De los polinomios X + 1 y 5X 2 + 1, decide cuales estan en U =< X 2 + 1 , X 2 1 >.
b) Decide si 5X 2 + 3X + 1, 2X 2 1 y X 2 + 3X + 3 son linealmente independientes.
c) Calcula bases de U + W y de U W , donde W esta generado por los polinomios de los
polinomios del apartado b).
30. Consideremos en R4 los siguientes subespacios:
U =< (1, 1, 1, 0) >.
V = { (x, y, z, t) | y = z = t }
W =< (0, 1, 0, 1), (1, 1, 1, 1) >.
Probar que R4 = U + V + W . Es una suma directa? Hallar una base de R4 , B = {u1 , u2 , u3 , u4 }
tal que u1 U , V + W =< u2 , u3 , u4 > y V W =< u3 >.
31. Determina si se verifica o no K 4 = U W para
U = {(a, b, a b, a 2b) : a, b K}
W = {(x, x y, x + y, y) : x, y K}
32. Determinar una base de un subespacio complementario del subespacio de R4 generado por los
vectores (1, 1, 0, 1) y (1, 0, 0, 2).
33. Determina la dimensi
on y una base del subespacio vectorial de R4 dado por
U = {(a, a, b, c) R4 : a + 2b c = 0 }
Encuentra un complementario de U que contenga al vector (1, 1, 1, 1).
34. Determina dos subespacios complementarios distintos del subespacio vectorial de R4 generado por
los vectores (1, 1, 0, 1), (2, 1, 1, 0) y (0, 1, 1, 2).
35. En el R-espacio vectorial RN de las sucesiones de n
umeros reales, encuentra dos subespacios U y
W de dimensi
on infinita tales que RN = U W .
36. En el R-espacio vectorial Mn (R) consideramos los subespacios
V1 = {A Mn (R) : At = A}
V2 = {A Mn (R) : At = A}
38
V2 = {f V : f (x) = f (x) x R}
Ub = {f V : f (b) = 0}.
39