Professional Documents
Culture Documents
1.
Cuerpos: Definicion
adicion
+ : K K K,
Multiplicacion
y una operacion
: K K K.
Se dice que (K, +, ) es un cuerpo si para todo x, y , z
1)
x + (y + z) = (x + y) + z
2)
x+y =y+x
3)
0K:x+0= x
4)
x K : x + (x) = 0
K:
(+ es asociativa)
(+ es conmutativa)
(hay un neutro 0 para +)
2.
Cuerpos (continuacion)
5)
x (y z) = (x y) z
6)
1K:x1=1x=x
7)
Si
( es asociativo)
(1 es elemento unidad de K)
x 6= 0, x1 K : x x1 = x1 x = 1
x tiene un inverso
multiplicativo
8)
x (y + z) = x y + x z y
(x + y) z = x z + y z
(distributividades de c/r a +)
la multiplicacion
es conmutativa se dice que (K, +, ) es un cuerpo
Si ademas
conmutativo.
y la multiplicacion
habituales, los conjuntos
Con la adicion
Q, R y C son
cuerpos conmutativos.
3.
Espacios Vectoriales: Definicion
definidas las operaciones:
Sean K un cuerpo y V un conjunto sobre el cual estan
+ : V V V , (x, y) x + y
(binaria interna)
Adicion
: K V V , (, x) x
x, y , z V y todo a, K:
1)
x + (y + z) = (x + y) + z
2)
x+y =y+x
3)
V :x+ =x
4)
x V : x + (x) =
5)
( x) = ( ) x
6)
(x + y) = x + y
(distributividad de c/r a + de V )
7)
( + ) x = x + x
(distributividad de c/r a + de K)
8)
Para la unidad 1 de K
(+ es asociativa)
(+ es conmutativa)
( es el vector nulo de V )
(x es opuesto de x)
( es asociativo)
: 1x=x
4.
V ).
= R.
= C.
Convenio.
se indique que V es un espacio vectorial, sin mencionar
En adelante, cuando solo
el cuerpo de escalares, se entendera que K es cualquier cuerpo.
5.
Definicion.
Para x,
x y := x + (y),
x = y x y = .
Ley de Cancelacion.
Sean
y = z.
Teorema.
En todo espacio vectorial V , sobre un cuerpo K, se verifican:
3) cualquiera sea
K:
= ;
4) cualquiera sea
xV :
0 x = ;
5) cualquiera sean
K y xV :
6) para
K y xV :
() x = ( x);
x=
6.
( = 0
x = ).
Soluciones de un Sistema Homogeneo.
Sean K un cuerpo,
1) El conjunto
V := { x = (x1 , ..., xn )t Kn :
de Adicion:
2) La operacion
Ax = }.
+ : V V V , tal que
7.
Espacios Vectoriales K y
8.
IN . Se definen:
1) El conjunto:
Pn (K) := { p P(K) :
(conocida) de Adicion
de polinomios
2) La operacion
+ : V V V
x K, K, p V,
: KV V
9.
n IN y K un cuerpo. Se definen:
1) El conjunto:
Mmn (K),
(conocida) Adicion
de Matrices:
2) La operacion
A = (aij ), B = (bij ) V :
+ : V V V
(A + B) := (aij + bij ),
K , A = (aij ) V :
: KV V
( A) := ( aij ).
V := M2 (R).
10 .
Subespacios Vectoriales
V . Se dice que S es un subespacio
vectorial de V , si S es un espacio vectorial sobre K con las mismas operaciones
binarias definidas en V .
de subespacios
Caracterizacion
Sea V un K-espacio vectorial y S
si :
y solo
i)
S 6= , ( S )
ii)
x, y S :
iii)
K, x S :
x+y S
xS
11 .
Ejemplos.
reales. Entonces
{A M22 (R) :
A = At }
4.
{A M22 (R) :
5.
{A M22 (C) :
6. Sea n
12 .
y suma de Subespacios.
Interseccion
Sean V un espacio vectorial y
conjuntos:
U W := { v V :
U + W := { v V :
vU vW }
v = u + w, u U w W }
U W = {}, se escribe U W .
Ejemplo . Para los siguientes subespacios de V
= R3 :
13 .
Observaciones.
W dos subespacios de V . En general, U W
no es un subespacio vectorial de V .
Sea V un espacio vectorial y U,
U := { (x, y) R2 :
y = 2x },
W := { (x, y) R2 :
x = 2y },
y sean u
W dos subespacios de V .
U W es subespacio vectorial de V U W W U.
14 .
Ejemplos
Ejemplo.
1) . Si U y W son como en el ejemplo anterior, entonces
U + W = R2 .
2) . Sean
= { p P3 (R) :
p(0) = 0, p (0) = 0 }
= { p P3 (R) :
p(x) = p(x), x R } .
Entonces U
W = {bx2 : b R}.
15 .
Ejemplos (continuacion)
de
3). Descomposicion
Mn (R).
Sean
t
t
U = A Mn (R) : A = A
y W = A Mn (R) : A = A
.
Entonces:
U W = {}
U + W = Mn (R),
Es decir
U W = Mn (R).
de
4). Descomposicion
U.
Sean
= { A = (aij ) Mn (R) :
aij = 0 si i 6= j }
= { A = (aij ) Mn (R) :
Entonces U
= D + E = D E.
16 .
lineal.
Combinacion
= {x1 , x2 , . . . , xn } V . Un vector
lineal (c.l.) de los vectores de A si existen escalares
x V es combinacion
1 , . . . , n K tales que:
Sean V un espacio vectorial sobre K y A
x = 1 x1 + 2 x2 + + n xn =
n
X
i xi
i=1
= 1 x1 + 2 x2 + + n xn = 0 x1 + 0 x2 + + 0 xn = 0.
17 .
Ejemplos
1). Sea V
si ~
= R2 y sean ~v , d~ V . Entonces ~v es c.l de d~ si y solo
v
pertenece a la recta:
L := { ~x V :
~ t R}
~x = t d,
2). Sea V
:= { ~x V :
Nota. Si ~
v1
~x = t ~v1 + s ~v2 , t, s R }
una recta.
18 .
Ejemplos (continuacion)
3). Sea V
Entonces :
5
1
1
~u = ( , 2, ) = u~1 2 u~2 + 0 u~3 + 0 u~4
2
2
2
y, de otra manera
u = 0 u~1 +
4). Sean V
1
7
u~2 + 0 u~3 + u~4 .
3
6
Entonces:
2
x 2x + 3 = 1 p1 (x) + 0 p2 (x) + p3 (x).
5
2
19 .
Ejemplos (continuacion)
= M(R) y los vectores
1 0
0 4
0 14
, A2 =
, A3 =
A1 =
21 0
0 2
8
0
5). Sean V
Entonces la matriz
A=
2
20
10
4
20 .
Subespacio generado.
= {v1 , v2 , . . . , vr } V . El conjunto
de todas las combinaciones lineales de estos r vectores de A:
)
(
r
X
i vi , i K, para cadai = 1, . . . , r
S= vV : v=
Sean V un espacio vectorial sobre K y A
i=1
= {(2, 3, 4)}.
= {}.
21 .
Ejemplos
= R3 y los vectores v~1 = [0, 1, 2], v~2 = [1, 3, 1] y
v~3 = [2, 11
2 , 3]. Entonces, S = h {v~1 , v~2 , v~3 } i es un plano que pasa por
1. Sean V
el origen.
2. Sea V
1 0
0 1
0
E1 =
, E2 =
E3 =
0 0
1 0
0
Entonces,
3. Sea V
0
1
S = h{E1 , E2 , E3 }i = {A V : A = At }.
Entonces:
22 .
Independencia lineal.
Sean V un espacio vectorial sobre K y A
K,tales que
1 v1 + + r vr = .
Lo que equivalente a decir que la unica
solucin de
1 v1 + + r vr = es 1 = 2 = . . . = r = 0.
Ejemplo.
A = {(1, 2), (0, 3)} es l.i. y B = {(1, 2), (0, 3), (4, 6)} es l.d. en
R2 .
23 .
Observaciones.
1. Si A es un conjunto l.i. en V , entonces todo subconjunto de A es l.i.
2. Si A es l.d. en V , entonces todo conjunto que contenga a A es l.d.
3. Si
4.
A, entonces A es l.d. en V .
{} es l.d.
5. Si A
24 .
Ejemplos.
1) Sean V
Se tiene que:
2) Sean V
A1
A2
A3
= { 3x2 2x, x2 + 1, 3x + 2, x2 1 }
A2
= { 3x2 2x, x2 + 1, 3x + 2 }
A3
= { 1, x, x2 }
25 .
Dependencia Lineal.
Lema.
Sea V un espacio vectorial. Si {v1 , v2 , ...., vm } es linealmente dependiente en
b)
Por el lema, si A es l.d. entonces existe al menos un vector de A que es c.l. de los
otros.
26 .
Teorema.
Sean V un espacio vectorial y A un subconjunto finito de V . Las siguientes
proposiciones son equivalentes:
a)
A es l.i.
b) Toda c.l. de los vectores de A, cuyo resultado sea el vector nulo, es la trivial,
es decir con todos los escalares iguales a cero.
c) Ningun
vector de A es c.l. de los demas.
d) Cada vector de <
como c.l. de A.
a)
A es l.d.
Existe una c.l. de los vectores de A con escalares no todos nulos, cuyo
b)
resultado es el vector nulo.
c ) Algun
vector de A es c.l. de los restantes.
d) Todos los vectores de <
= R2 ,
finita.
luego V tiene dimension
Teorema. En un espacio finito dimensional, la cardinalidad de todo conjunto
linealmente independiente (l.i.) es menor o igual a la cardinalidad de cualquier
conjunto de generadores.
28 .
dar
Ejemplo. Mostrar bases canonicas
de Rn , Pn (R) y Mmn (R). Ademas,
otras bases para R3 , P3 (R) y M22 (R).
Teorema. Sea V un espacio vectorial sobre K. Un conjunto ordenado
si, cada vector v
{v1 , v2 , ..., vn } de vectores de V es una base para V si, y solo
de V puede ser escrito de manera unica
K,
y tales que:
v = 1 v1 + 2 v2 + + n vn .
29 .
Espacios Vectoriales
1 , ..., n K que permiten escribir de manera unica
a cada
v V como c.l. de los vectores de B , esto es, v = 1 v1 + + n vn ,
se llaman coordenadas del vector v respecto de la base B. El vector de Kn :
..
[v]B := .
n
Los escalares
B.
va la base B :
Se tiene la identificacion,
vV
[v]B = [1 , . . . , n ]t Kn .
30 .
Ejemplo.
Para R2 , B
= {(1, 2), (3, 4)} es una base de R2 y Bc = {(1, 0), (0, 1)} la
base canonica.
Entonces, el vector u = (x, y) se puede escribir de manera unica
como c.l. de los vectores de estas bases y sus coordenadas en estas bases son.
[(x, y)]Bc :=
x
y
En particular,
[(7, 8)]Bc
:=
,
7
8
[(x, y)]B :=
2x + 32 y
x 12 y
[(7, 8)]B :=
2
3
31 .
Espacios Vectoriales
Teorema. Todo conjunto de generadores de un espacio vectorial puede reducirse a
una base del espacio.
Corolario. Todo espacio finito dimensional posee base.
Teorema de Steinitz. Todo conjunto l.i. en un espacio vectorial V , finito
dimensional, puede extenderse a una base de V.
de un espacio vectorial
Dimension
de un espacio vectorial V a la cardinalidad de una base de
Se llama dimension
V. Este numero
= n, dim(Pn (R)) = n + 1 y
32 .
Espacios Vectoriales
n, todo subconjunto l.i. de
Teorema. En un espacio vectorial V de dimension
cardinalidad n es una base de V .
n. Entonces:
Observaciones. Sea V un espacio vectorial de dimension
1. todo subconjunto de cardinalidad mayor que n es l.d.
2. Si W es subespacio de V , entonces dim
3. Si W es subespacio de V y dim
W n.
W = n, entonces V = W .
elementos.
4. Todo conjunto que genera V tiene n o mas
33 .
Teorema de Grassmann
finita y sean U , W subespacios de V .
Sea V un espacio vectorial de dimension
Entonces:
Si U
34 .
Ejemplo.
Consideremos los planos
+ 2 ) = 2 + 2 1 = 3. En consecuencia, 1 + 2 = R3 .
35 .
Espacios Vectoriales
finita y sean U1 , U2 , . . . Un
Teorema . Sea V un espacio vectorial de dimension
subespacios de V, tales que:
V = U1 + + Un
dim (V ) = dim (U1 ) + + dim (Un )
Entonces
V = U1 U2 Un .
V = U W.
36 .
Ejemplo.
= L1 = {(2t, 3t, 4t) : t R} de V = R3 . Por
el teorema existe el subespacio W , en este caso
Consideremos el subespacio U
W = {(x, y, z) : 2x + 3y + 4z = 0} = ,
tal que U
W = L1 = R3 .
37 .