Archivo de la etiqueta: simetría

Álgebra Superior I: Tipos de relaciones en conjuntos

Por Guillermo Oswaldo Cota Martínez

Deja un comentario

Introducción

Hemos hablado ya de relaciones entre conjuntos, sobre imagen, dominio y composición. Ahora vamos a ver algunas relaciones especiales entre conjuntos, que son la inyectividad, la suprayectividad y relaciones de un conjunto en sí mismo.

Inyectividad de una relación

Las ideas de los dos tipos de relación que vamos a exponer son inyectividad y suprayactividad. La inyectividad es una idea que nos va a hablar de cómo podemos relacionar un elemento de la imagen de una relación con un elemento del dominio. En pocas palabras lo que nos dirá la inyectividad es: Una relación inyectiva es aquella en la que los distintos elementos del dominio van a elementos de la imagen distintos. Veamos esto con calma con un ejemplo.

Supongamos que a nosotros nos interesa recuperar los elementos del dominio con los de la imagen, es decir, quisiéramos ver para cada pareja $y$ de la imagen, de qué $x$ proviene. En el caso de que haya dos relaciones distintas $(x,y),(z,y)$ nos causaría conflicto, pues podríamos decir que $y$ «viene» de dos distintos elementos del dominio.

Una relación inyectiva es aquella en donde para cada elemento de la imagen, existe un único elemento del dominio que se relaciona con esta. Es decir, una relación inyectiva $R$ será aquella en donde para cada $y \in Im(R)$, solo existe un elemento $x \in Dom(R)$ tal que $(x,y) \in R$. Otra forma de verlo es con la siguiente definición:

Definición. Sean $X,Y$ dos conjuntos y $R$ una relación de $X$ en $Y$. Diremos que $R$ es inyectiva si $$\forall y \in Im(R) (\exists ! x \in X:(x,y) \in R)$$

Observa ahora que esto significa que si $R$ es una relación inyectiva y dos parejas $(x,y),(z,y)$ pertenecen a la relación $R$, entonces no les queda de otra que ser la misma pareja, esto implica que $x=z$.

Proposición. Sea $R$ una relación entre dos conjuntos $X$ y $Y$. Entonces son equivalentes:

  1. $R$ es una relación inyectiva.
  2. Si $(x,y) \in R$ y $(w,y) \in R$ entonces $x=w$.

Demostración.

$1) \Rightarrow 2)$. Consideremos $(x,y) \in R$ y $(w,y) \in R$. Lo que queremos demostrar es que $x=w$, para ello notemos que $R$ es inyectiva, lo que quiere decir que existe una única pareja $(x,y) \in R$. Esto quiere decir que $(x,y)=(w,y)$ y esto solo sucede si $y=y$ y $x=w$. Siendo la segunda igualdad la buscada.

$2) \Rightarrow 1)$. Ahora supongamos que si $(x’,y’) \in R$ y $(w’,y’) \in R$ entonces $x’=w’$. Y supongamos que $y$ es un elemento de la imagen de $R$. Demostremos ahora que existe un único elemento $x$ tal que $(x,y) \in R$. Para ello mostraremos que existe al menos un elemento $x$ tal que $(x,y)$ y cualquier otro elemento $w$ no cumple tal propiedad. Para demostrar lo primero, notemos que $y$ es un elemento del contradominio, lo que quiere decir que existe al menos un elemento $x \in X$ tal que $(x,y) \in R$. Y finalmente para demostrar que $x$ es único, supongamos existe un elemento $w \in X$ distinto a $x$ tal que $(w,y) \in R$. Pero por hipótesis, si pasa esto entonces $x=w$, lo cual es una contradicción pues hemos dicho que $x$ es distinto a $w$. De esta manera, $x$ sí es único.

$\square$

También es análogo pensar que si una relación $R$ es inyectiva, entonces para cada elemento de la imagen $y$, sucede que $Im^{-1}[\{y\}]$ tiene un único elemento, pues la definición nos dice que solo existe un elemento $x$ del dominio que se relaciona con $y$.

Ahora observa por ejemplo a los conjuntos de animales $X$ y el tipo de animales $Y$. Podríamos decir que en tipos de animales, tenemos aquellos que viven en la tierra (terrestres) y los que viven en el agua (acuáticos). Entonces una parte de la relación $R$ que relaciona el animal con el hábitat que tiene, se vería de la siguiente manera:

Ahora, si nos preguntamos, cuáles son los animales terrestres, deberíamos observar que al menos los animales terrestres son los perros, gatos, camellos, etc. Una relación que no es inyectiva, no nos regresa un único elemento, sino que un subconjunto del dominio de más de un elemento. Así que esta relación no es inyectiva.

Por otro lado, una relación que sí es inyectiva entre los conjuntos $X=\{a,b,c,d,e,f\}$ y $\mathbb{Z}$ es la relación $R$:

$$R=\{(a,y): y \in Z\} $$

Es inyectiva pues los elementos de esta relación se ven como: $R=\{\dots,(a,-1),(a,0),(a,1),(a,2),\dots\}$ Y si agarramos cualquier número en la imagen de la relación, solo vendrá de un elemento, el elemento $a$.

Otros ejemplos de relaciones inyectivas son:

$R = \{(x,y) \in \mathbb{Z}^2:x=y\}$
$R = \{(x,y) \in \mathbb{Z}^2:x=2y\}$
$R = \{(x,y) \in \mathbb{Z}^2:(0,y) \text{ si }y\text{ es par,}(1,y)\text{ en otro caso}\}$

Relaciones suprayectivas

Otro concepto que será interesante es el de la suprayactividad. Este en términos simples nos dice que una relación $R$ es suprayectiva entre dos conjuntos $X,Y$ si cada elemento de $Y$ se relaciona con algún elemento de $X$. Es así como la siguiente definición nos lo menciona:

Definción. Sean $X,Y$ dos conjuntos y $R$ una relación de $X$ en $Y$. Diremos que $R$ es suprayectiva si $Im[Y]=Y$.

Una forma alterna de verlo es como en la siguiente proposición nos lo demuestra, siendo que siempre podremos encontrar una pareja para cada elemento $y$ de $Y$:

Proposición. Una relación $R$ es suprayectiva si y solo si $\forall y\in Y(\exists x \in X:(x,y) \in Y)$

Demostración Sean $X,Y$ dos conjuntos y $R$ una relación de $X$ en $Y$

$\Rightarrow$] Por hipótesis, $R$ es suprayectiva. Para demostrar que $\forall y\in Y(\exists x \in X:(x,y) \in Y)$ consideraremos un elemento $y \in Y$ arbitrario y demostraremos que existe algún elemento $x \in X$ tal que $(x,y)$ sea un elemento de la relación.
Como hipótesis, sabemos que la imagen de $R$ es igual a $Y$, esto quiere decir que:$$Y=Im(R)=\{y \in Y: \exists x \in X \text{ tal que }(x,y)\in R\}.$$ De esta manera, $$y \in \{y \in Y: \exists x \in X \text{ tal que }(x,y)\in R\}.$$ De manera que $\exists x \in X \text{ tal que }(x,y)\in R$. Por lo tanto, $\forall y\in Y(\exists x \in X:(x,y) \in Y)$

$\Leftarrow$]. Ahora supongamos por hipótesis que para cada elemento $y \in Y$, existe un elemento $x \in X$ tal que $(x,y) \in R$. Ahora, demostremos que $R$ es suprayectiva, es decir $Im(R)=Y$. Para esto, tendremos que demostrar que $Y$ está contenido en $Im(R)$ y viceversa. Pero nota que $Im(R)$ siempre es un subconjunto de $Y$ (pues por definición, sus elementos son elementos de $Y$). Así que bastará demostrar que $Y \subset Im[R]$. Para ello, considera un elemento $y \in Y$. Por hipótesis, para aquel elemento, existirá $x \in X$ tal que $(x,y) \in R$. Pero esto significa que $y \in Im[Y]$. Así, $Y \subset Im[R]$.

$\square$

Un ejemplo de una función suprayectiva sobre los conjuntos $X = \{1,2,3\}, Y=\{0\}$ es la relación $R=\{(1,0),(3,0)\}$. Esto puesto que hay solo un elemento en el conjunto $Y$ y hay al menos una relación para cada elemento del conjunto $Y$. Esto quiere decir que «cubrimos» a todo el contradominio. Otros ejemplos de funciones suprayectivas son:
$R = \{(x,y) \in \mathbb{Z}^2:x=y\}$
$R = \{(x,y) \in \mathbb{Z} \times \{0,1,2,3,4\} : x =1 \land y \in \{0,1,2,3,4\}\}$
Si $R$ es una relación entre dos conjuntos, $X,Y$, la relación $R=X \times Y$ es suprayectiva.

Relaciones de un conjunto en sí mismo

Hemos estado hablando ya de un conjunto muy particular, $\mathbb{Z}^2$ que lo definimos como $\mathbb{Z} \times \mathbb{Z}$, es decir de relaciones en el conjunto de los números enteros en sí mismo. Este tipo de relaciones, como ya lo hemos mencionado, se les acostumbra a poner un subíndice $^2$ para indicar que estamos hablando del producto cartesiano de un conjunto sobre él mismo. Por ejemplo si $X$ es un conjunto, entonces $X^2=X \times X$. Vamos a concentrarnos ahora en algunas relaciones especiales de un conjunto en sí mismo.

La primera relación que veremos será la reflexividad, y esto se da cuando un elemento está relacionado consigo mismo. Por ejemplo, en $\mathbb{Z}^2$, la relación cuyos elementos son de la forma $(x,x)$ siempre será reflexiva, pues cada elemento $x$ está relacionado consigo mismo.

La segunda relación se llama la simetría, que nos indica que para cada pareja $(x,y)$ de la relación, sucederá que igual $(y,x)$ estará en la relación. Si te das cuenta, algo que nos dice esta relación es que el orden «no importa», pues da igual cuál elemento escribamos del lado izquierdo y del lado derecho, pues su homónimo simétrico estará igual en la relación.

La tercera es un concepto similar al segundo pero en su antónimo. Diremos que una relación es antisimétrica si para cada pareja que tengamos en la relación $(x,y) \in R$, no sucederá que $(y,x) \in R$ a menos que $x=y$. Piensa por ejemplo para esto, en la relación «ser menor o igual a un número» $\leq$. Sucede que $1 \leq 2$ pero no que $2 \leq 1$.

Finalmente, la cuarta propiedad es llamada la transitividad. Esto lo que nos indica es que la composición de la relación también es parte de la relación. En otras palabras, si $(x,y),(y,z) \in R$ entonces $(x,z) \in R$. Para pensar en un ejemplo, piensa en la igualdad entre números, si $1+1=2$ y $2=4-2$, entonces $1+1=4-2$.

Anotaremos este tipo de relaciones como una definición

Definición. Sea $R$ una relación de un conjunto $X$ en sí mismo. Diremos que:

  • $R$ es reflexiva si $\forall x \in X,(x,x) \in R$
  • $R$ es simétrica si $\forall x \in X \forall y \in X\big( (x,y) \in R \Rightarrow (y,x) \in R \big)$
  • $R$ es antisimétrica si $\forall x \in X \forall y \in X\big( ((x,y) \in R \land (y,x) \in R) \Rightarrow (x=y) \big)$
  • $R$ es transitiva si $\forall x \in X \forall y \in X \forall z \in Z \big( ((x,y) \in R \land (y,z) \in R ) \Rightarrow (x,z) \in R \big)$

Más adelante…

En la siguiente entrada entraremos a los ordenes parciales, los cuales son relaciones de un conjunto sobre sí mismo que cumplen algunas de las clases especiales de relaciones que hemos revisado en esta entrada. De hecho quizá ya tengas una idea intuitiva de qué es un orden, concepto que ampliaremos más en lo que sigue.

Tarea moral

A continuación hay algunos ejercicios para que practiques los conceptos vistos en esta entrada. Te será de mucha utilidad intentarlos para entender más la teoría vista.

  1. Sean $X,Y$ dos conjuntos y $R$ una relación de $X$ en $Y$.Demuestra que son equivalentes:
    1. $R$ es inyectiva
    2. $\forall y \forall x \big(((x,y)\in R \land (z,y) \in R) \Rightarrow x=z\big)$
    3. $\forall y \in Im(R) \big( Im^{-1}[\{y\}] \text{ tiene un solo elemento}\big)$
  2. Demuestra que las siguientes relaciones son inyectivas:
    • $R = \{(x,y) \in \mathbb{Z}^2:x=y\}$
    • $R = \{(x,y) \in \mathbb{Z}^2:x=2y\}$
    • $R = \{(x,y) \in \mathbb{Z}^2:(0,y) \text{ si }y\text{ es par,}(1,y)\text{ en otro caso}\}$
  3. Sea la relación $R$ sobre el conjunto $X$ de los seres humanos dada por: $$R=\{(x,y) \in X^2:x \text{ tiene el mismo cumpleaños que }y\}.$$ Demuestra que $R$ es una relación reflexiva, simétrica y transitiva.

Entradas relacionadas

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE109323 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM – Etapa 3»

Álgebra Lineal I: Aplicaciones del teorema espectral, bases ortogonales y más propiedades de transformaciones lineales

Por Blanca Radillo

3 respuestas

Introducción

Hoy es la última clase del curso. Ha sido un semestre difícil para todas y todos. El quedarnos en casa, obligados a buscar alternativas digitales que sean de fácil acceso para la mayoría de las personas, aprender a realizar toda nuestra rutina diaria en un mismo espacio; sin dudarlo, un semestre lleno de retos que de una u otra manera, haciendo prueba y error, hemos aprendido a sobrellevar.

El día de hoy terminaremos con el tema de teoría espectral. Veremos algunos problemas donde usaremos las técnicas de búsqueda de eigenvalores y eigenvectores, así como aplicaciones de uno de los teoremas más importante: el Teorema Espectral.

Matrices simétricas, matrices diagonalizables

En entradas anteriores hemos discutido sobre qué condiciones me garantizan que una matriz $A$ es diagonalizable. No volveremos a repetir cuál es la definición de matriz diagonalizable ya que en múltiples ocasiones lo hicimos.

Sabemos que una matriz simétrica en $M_n(\mathbb{R})$ siempre es diagonalizable, gracias al teorema espectral, pero el siguiente problema nos ilustra que si cambiamos de campo $F$, no tenemos la garantía de que las matrices simétricas en $M_n(F)$ también lo sean.

Problema 1. Demuestra que la matriz simétrica con coeficientes complejos

$A=\begin{pmatrix} 1 & i \\ i & -1 \end{pmatrix}$

no es diagonalizable.

Solución. Por la primera proposición de la clase «Eigenvalores y eigenvectores de transformaciones y matrices», si $A$ fuese diagonalizable, es decir, que existe una matriz invertible $P$ y una diagonal $D$ tal que $A=P^{-1}DP$, entonces $A$ y $D$ tienen los mismos eigenvalores. Entonces, encontremos los eigenvalores de $A$: buscamos $\lambda \in \mathbb{C}$ tal que $\text{det}(\lambda I-A)=0$,

\begin{align*}
\text{det}(\lambda I-A)&=\begin{vmatrix} \lambda -1 & i \\ i & \lambda +1 \end{vmatrix} \\
&=(\lambda-1)(\lambda+1)-i^2=\lambda^2 -1+1 \\
&=\lambda^2=0.
\end{align*}

Por lo tanto, el eigenvalor con multiplicidad 2 de $A$ (y también el eigenvalor de $D$) es $\lambda =0$. Si $D$ es de la forma

$D=\begin{pmatrix} a & 0 \\ 0 & b \end{pmatrix}$,

es fácil ver (y calcular) que sus eigenvalores son $a$ y $b$, pero por lo anterior, podemos concluir que $a=b=0$, y por lo tanto $D$ es la matriz cero. Si fuese así, $A=P^{-1}DP=0$, contradiciendo la definición de $A$.

$\square$

Problema 2. Sea $A$ una matriz simétrica con entradas reales y supongamos que $A^k=I$ para algún entero positivo $k$. Prueba que $A^2=I$.

Solución. Dado que $A$ es simétrica y con entradas reales, todos sus eigenvalores son reales. Más aún son $k$-raíces de la unidad, entonces deben ser $\pm 1$. Esto implica que todos los eigenvalores de $A^2$ son iguales a 1. Dado que $A^2$ también es simétrica, es diagonalizable y, dado que sus eigenvalores son iguales a 1, por lo tanto $A^2=I$.

$\square$

Más propiedades de transformaciones lineales y bases ortogonales

En otras clases como Cálculo, Análisis, hablamos de funciones continuas, discontinuas, acotadas, divergentes; mientras que en este curso nos hemos enfocado únicamente en la propiedad de linealidad de las transformaciones. Si bien no es interés de este curso, podemos adelantar que, bajo ciertas condiciones del espacio $V$, podemos tener una equivalencia entre continuidad y acotamiento de una transformación.

Decimos que la norma de una transformación está definida como

$\norm{T}=\sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}}$.

Por ende, decimos que una transformación es acotada si su norma es acotada, $\norm{T}<\infty$.

Problema 1. Sea $V$ un espacio euclideano y sea $T$ una transformación lineal simétrica en $V$. Sean $\lambda_1,\ldots,\lambda_n$ los eigenvalores de $T$. Prueba que

$\sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}} =\max_{1\leq i\leq n} |\lambda_i|.$

Solución. Renumerando a los eigenvalores, podemos decir que $\max_i |\lambda_i|=|\lambda_n|$. Sea $e_1,\ldots,e_n$ una base ortonormal de $V$ tal que $T(e_i)=\lambda_i e_i$ para todo $i$. Si $x\in V\setminus {0}$, podemos escribirlo como $x=x_1e_1+\ldots+x_n e_n$ para algunos reales $x_i$. Entonces, por linealidad de $T$,

$T(x)=\sum_{i=1}^n \lambda_i x_ie_i.$

Dado que $|\lambda_i|\leq |\lambda_n|$ para toda $i$, tenemos que

$\frac{\norm{T(x)}}{\norm{x}}=\sqrt{\frac{\sum_{i=1}^n \lambda_i^2 x_i^2}{\sum_{i=1}^n x_i^2}}\leq |\lambda_n|,$

por lo tanto

\begin{align*}
\max_{1\leq i\leq n} |\lambda_i|&=|\lambda_n|=\frac{\norm{T(e_n)}}{\norm{e_n}}\\
&\leq \sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}}\\
&\leq |\lambda_n|= \max_{1\leq i\leq n} |\lambda_i|.
\end{align*}

Obteniendo lo que queremos.

$\square$

Para finalizar, no olvidemos que una matriz es diagonalizable si y sólo si el espacio tiene una base de eigenvectores, y que está íntimamente relacionado con el teorema espectral.

Problema 2. Encuentra una base ortogonal consistente con los eigenvectores de la matriz

$A=\frac{1}{7}\begin{pmatrix} -2 & 6 & -3 \\ 6 & 3 & 2 \\ -3 & 2 & 6 \end{pmatrix}.$

Solución. Para encontrar los eigenvectores, primero encontrar los eigenvalores y, después, para cada eigenvalor, encontrar el/los eigenvectores correspondientes.

Calculemos:

\begin{align*}
0&=\text{det}(\lambda I-A)=\begin{vmatrix} \lambda+2/7 & -6/7 & 3/7 \\ -6/7 & \lambda-3/7 & -2/7 \\ 3/7 & -2/7 & \lambda-6/7 \end{vmatrix} \\
&= \lambda^3-\lambda^2-\lambda+1 \\
&= (\lambda -1)(\lambda^2 -1),
\end{align*}

entonces los eigenvalores de $A$ son $1,-1$, ($\lambda=1$ tiene multiplicidad 2).

Ahora, hay que encontrar los vectores $v=(x,y,z)$ tal que $Av=\lambda v$, para todo eigenvalor $\lambda$.

Si $\lambda=-1$,

$(\lambda I-A)v=\frac{1}{7}\begin{pmatrix} -5 & -6 & 3 \\ -6 & -10 & -2 \\ 3 & -2 & -13 \end{pmatrix}v=0, $

reduciendo, obtenemos que $v=(3\alpha, -2\alpha, \alpha)$ para todo $\alpha\in \mathbb{R}$.

Si $\lambda=1$, resolviendo de la misma manera $(\lambda I-A)v=(I-A)v=0$, tenemos que $v=(\beta,\gamma,-3\beta+2\gamma)$ para todo $\beta,\gamma$. Entonces el conjunto de eigenvectores es

$B=\{ v_1=(3,-2,1), \quad v_2=(1,0,-3), \quad v_3=(0,1,2) \}.$

Es fácil ver que el conjunto $B$ es linealmente independiente, más aún $\text{dim}(\mathbb{R}^3)=3=|B|$, por lo tanto, $B$ es la base consistente con los eigenvectores de $A$.

$\triangle$

Agradecemos su esfuerzo por llegar hasta el final a pesar de todas las adversidades. Esperamos pronto volver a ser sus profesores/ayudantes. Mucha suerte en la última parcial, es el último esfuerzo. Pero también les deseamos mucho éxito en su proyecto de vida. ¡Gracias!

Entradas relacionadas

Agradecimientos

Trabajo realizado con el apoyo del Programa UNAM-DGAPA-PAPIME PE104721 «Hacia una modalidad a distancia de la Licenciatura en Matemáticas de la FC-UNAM»

Seminario de Resolución de Problemas: Sistemas de ecuaciones lineales

Por Leonardo Ignacio Martínez Sandoval

2 respuestas

Introducción

Finalmente, en esta serie de entradas, veremos temas selectos de álgebra lineal y su aplicación a la resolución de problemas. Primero, hablaremos de sistemas de ecuaciones lineales. Luego, hablaremos de evaluación de determinantes. Después, veremos teoría de formas cuadráticas y matrices positivas. Finalmente, estudiaremos dos teoremas muy versátiles: el teorema de factorización $PJQ$ y el teorema de Cayley-Hamilton.

Como lo hemos hecho hasta ahora, frecuentemente no daremos las demostraciones para los resultados principales. Además, asumiremos conocimientos básicos de álgebra lineal. También, asumiremos que todos los espacios vectoriales y matrices con los que trabajaremos son sobre los reales o complejos, pero varios resultados se valen más en general.

Para cubrir los temas de álgebra lineal de manera sistemática, te recomendamos seguir un libro como el Essential Linear Algebra de Titu Andreescu, o el Linear Algebra de Friedberg, Insel y Spence. Mucho del material también lo puedes consultar en las notas de curso que tenemos disponibles en el blog.

Sistemas de ecuaciones lineales

Una ecuación lineal en $n$ incógnitas en $\mathbb{R}$ consiste en fijar reales $a_1,\ldots,a_n, b$ y determinar los valores de las variables $x_1,\ldots,x_n$ tales que $$a_1x_1+a_2x_2+\ldots+a_nx_n=b.$$

Si $a_1,\ldots,a_n$ no son todos cero, los puntos $(x_1,\ldots,x_n)$ en $\mathbb{R}^n$ que son solución a la ecuación definen un hiperplano en $\mathbb{R}^n$.

Un sistema de ecuaciones lineales con $m$ ecuaciones y $n$ variables consiste en fijar, para $i$ en $\{1,\ldots,m\}$ y $j$ en $\{1,\ldots,n\}$ a reales $a_{ij}$ y $b_i$, y determinar los valores de las variables $x_1,\ldots,x_n$ que simultáneamente satisfacen todas las $m$ ecuaciones
$$\begin{cases}
a_{11}x_1+ a_{12}x_2+\ldots + a_{1n}x_n = b_1\\
a_{21}x_1+a_{22}x_2+\ldots+a_{2n}x_n = b_2\\
\quad \quad \vdots\\
a_{m1}x_1+a_{m2}x_2+\ldots+a_{mn}x_n = b_m.
\end{cases}$$

Este sistema de ecuaciones se puede reescribir en términos matriciales de manera muy sencilla. Si $A$ es la matriz de $m\times n$ de entradas $[a_{ij}]$, $X$ es el vector de variables $(x_1,\ldots,x_n)$ y $b$ es el vector de reales $b_1,\ldots,b_m$, entonces el sistema de ecuaciones anterior se reescribe simplemente como $$AX=b.$$

Sistemas de ecuaciones lineales con mucha simetría

En algunos sistemas de ecuaciones hay mucha simetría, y no es necesario introducir técnicas avanzadas de álgebra lineal para resolverlos. Veamos el siguiente ejemplo.

Problema. Resuelve el sistema de ecuaciones

$$\begin{cases}
7a+2b+2c+2d+2e= -2020\\
2a+7b+2c+2d+2e=-1010\\
2a+2b+7c+2d+2e=0\\
2a+2b+2c+7d+2e=1010\\
2a+2b+2c+2d+7e=2020.
\end{cases}$$

Sugerencia pre-solución. Trabaja hacia atrás, suponiendo que el sistema tiene una solución. A partir de ahí, puedes usar las cinco ecuaciones y combinarlas con sumas o restas para obtener información.

Solución. Al sumar las cinco ecuaciones, obtenemos que $$15(a+b+c+d+e)=0,$$ de donde $2(a+b+c+d+e)=0$. Restando esta igualdad a cada una de las ecuaciones del sistema original, obtenemos que
$$\begin{cases}
5a= -2020\\
5b=-1010\\
5c=0\\
5d=1010\\
5e=2020.
\end{cases}$$

De aquí, si el sistema tiene alguna solución, debe suceder que
\begin{align*}
a&=\frac{-2020}{5}=-404\\
b&=\frac{-2020}{5}=-202\\
c&=\frac{-2020}{5}= 0\\
d&=\frac{-2020}{5}=202\\
e&=\frac{-2020}{5}=404.
\end{align*}

Como estamos trabajando hacia atrás, esta es sólo una condición necesaria para la solución. Sin embargo, una verificación sencilla muestra que también es una condición suficiente.

$\square$

Sistemas de ecuaciones de n x n y regla de Cramer

Si tenemos un sistema de $n$ variables y $n$ incógnitas, entonces es de la forma $$AX=b$$ con una matriz $A$ cuadrada de $n\times n$. Dos resultados importantes para sistemas de este tipo son el teorema de existencia y unicidad, y las fórmulas de Cramer.

Teorema (existencia y unicidad de soluciones). Si $A$ es una matriz cuadrada invertible de $n\times n$ y $b$ es un vector de $n$ entradas, entonces el sistema lineal de ecuaciones $$AX=b$$ tiene una solución única y está dada por $X=A^{-1}b$.

El teorema anterior requiere saber determinar si una matriz es invertible o no. Hay varias formas de hacer esto:

  • Una matriz cuadrada es invertible si y sólo si su determinante no es cero. Más adelante hablaremos de varias técnicas para evaluar determinantes.
  • Una matriz cuadrada es invertible si y sólo si al aplicar reducción gaussiana, se llega a la identidad.
  • También ,para mostrar que una matriz es invertible, se puede mostrar que cumple alguna de las equivalencias de invertibilidad.

Problema. Demuestra que el sistema lineal de ecuaciones

$$\begin{cases}
147a+85b+210c+483d+133e= 7\\
91a+245b+226c+273d+154e=77\\
-119a+903b+217c+220d+168e=777\\
189a+154b-210c-203d-108e=7777\\
229a+224b+266c-133d+98e=77777.
\end{cases}$$

tiene una solución única.

Sugerencia pre-solución. Reduce el problema a mostrar que cierta matriz es invertible. Para ello, usa alguno de los métodos mencionados. Luego, para simplificar mucho el problema, necesitarás un argumento de aritmética modular. Para elegir en qué módulo trabajar, busca un patrón en las entradas de la matriz.

Solución. Primero, notemos que el problema es equivalente a demostrar que la matriz

$$A=\begin{pmatrix}
147 & 85 & 210 & 483 & 133\\
91 & 245 & 226 & 273 & 154\\
-119 & 903 & 217 & 220 & 168\\
189 & 154 & -210 & -203 & -108 \\
229 & 224 & 266 & -133 & 98
\end{pmatrix}$$

es invertible. Mostraremos que su determinante no es $0$. Pero no calcularemos todo el determinante, pues esto es complicado.

Notemos que como $A$ es una matriz de entradas enteras, entonces su determinante (que es suma de productos de entradas), también es entero. Además, como trabajar en aritmética modular respeta sumas y productos, para encontrar el residuo de $\det(A)$ al dividirse entre $7$ se puede primero reducir las entradas de $A$ módulo $7$, y luego hacer la cuenta de determinante.

Al reducir las entradas módulo $7$, tenemos la matriz

$$B=\begin{pmatrix}
0 & 1 & 0 & 0 & 0 \\
0&0 & 2 & 0 & 0\\
0 & 0 & 0 & 3 & 0\\
0&0 & 0 & 0 & 4 \\
5& 0 & 0 & 0 & 0
\end{pmatrix}.$$

El determinante de la matriz $B$ es $-(1\cdot 2 \cdot 3 \cdot 4 \cdot 5)=-120$. Así,
\begin{align*}
\det(A) & \equiv \det(B)\\
&=-120\\
&\equiv 6 \pmod 7.
\end{align*}

Concluimos que $\det(A)$ es un entero que no es divisible entre $7$, por lo cual no puede ser cero. Así, $A$ es invertible.

$\square$

Por supuesto, en cualquier otro módulo podemos hacer la equivalencia y simplificar las cuentas. Pero $7$ es particularmente útil para el problema anterior pues se simplifican casi todas las entradas, y además funciona para dar un residuo no cero.

Ahora veremos otra herramienta importante para resolver problemas de ecuaciones lineales: las fórmulas de Cramer.

Teorema (fórmulas de Cramer). Sea $A$ una matriz invertible de $n\times n$ con entradas reales y $b=(b_1,\ldots,b_n)$ un vector de reales. Entonces el sistema lineal de ecuaciones $AX=b$ tiene una única solución $X=(x_1,\ldots,x_n)$ dada por $$x_i=\frac{\det A_i}{\det A},$$ en donde $A_i$ es la matriz obtenida al reemplazar la $i$-ésima columna de $A$ por el vector columna $b$.

En realidad este método no es tan útil en términos prácticos, pues requiere que se evalúen muchos determinantes, y esto no suele ser sencillo. Sin embargo, las fórmulas de Cramer tienen varias consecuencias teóricas importantes.

Problema. Muestra que una matriz invertible $A$ de $n\times n$ con entradas enteras cumple que su inversa también tiene entradas enteras si y sólo si el determinante de la matriz es $1$ ó $-1$.

Sugerencia pre-solución. Para uno de los lados necesitarás las fórmulas de Cramer, y para el otro necesitarás que el determinante es multiplicativo.

Solución. El determinante de una matriz con entradas enteras es un número entero. Si la inversa de $A$ tiene entradas enteras, entonces su determinante es un entero. Usando que el determinante es multiplicativo, tendríamos que $$\det(A)\cdot \det(A^{-1}) = \det (I) = 1.$$ La única forma en la que dos enteros tengan producto $1$ es si ambos son $1$ o si ambos son $-1$. Esto muestra una de las implicaciones.

Ahora, supongamos que $A$ tiene determinante $\pm 1$. Si tenemos una matriz $B$ de columnas $C_1,\ldots,C_n$, entonces para $j$ en $\{1,\ldots,n\}$ la $j$-ésima columna de $AB$ es $AC_j$. De este modo, si $D_1,\ldots, D_n$ son las columnas de $A^{-1}$, se debe cumplir para cada $j$ en $\{1,\ldots,n\}$ que $$AD_j= e_j,$$ en donde $e_j$ es el $j$-ésimo elemento de la base canónica. Para cada $j$ fija, esto es un sistema de ecuaciones.

Por las fórmulas de Cramer, la $i$-ésima entrada de $C_j$, que es la entrada $x_{ij}$ de la matriz $A^{-1}$, está dada por $$x_{ij}=\frac{\det(A_{ij})}{\det(A)}=\pm \det(A_{ij}),$$ donde $A_{ij}$ es la matriz obtenida de colocar al vector $e_j$ en la $i$-ésima columna de $A$.

La matriz $A_{ij}$ tiene entradas enteras, así que $x_{ij}=\pm \det(A_{ij})$ es un número entero. Así, $A^{-1}$ es una matriz de entradas enteras.

$\square$

Sistemas de ecuaciones de m x n y teorema de Rouché-Capelli

Hasta aquí, sólo hemos hablando de sistemas de ecuaciones que tienen matrices cuadradas asociadas. También, sólo hemos hablado de los casos en los que no hay solución, o bien en los que cuando la hay es única. Los sistemas de ecuaciones lineales en general tienen comportamientos más interesantes. El siguiente resultado caracteriza de manera elegante todo lo que puede pasar.

Teorema (Rouché-Capelli). Sea $A$ una matriz de $m\times n$ con entradas reales, $(b_1,\ldots,b_m)$ un vector de reales y $(x_1,\ldots,x_n)$ un vector de incógnitas. Supongamos que $A$ tiene rango $r$. Entonces:

  • El sistema $AX=b$ tiene al menos una solución $X_0$ si y sólo si el rango de la matriz de $m\times (n+1)$ obtenida de colocar el vector $b$ como columna al final de la matriz $A$ también tiene rango $r$.
  • El conjunto solución del sistema $AX=(0,0,\ldots,0)$ es un subespacio vectorial $\mathcal{S}$ de $\mathbb{R}^n$ de dimensión $n-r$.
  • Toda solución al sistema $AX=b$ se obtiene de sumar $X_0$ y un elemento de $\mathcal{S}$.

Problema. Encuentra todos los polinomios $p(x)$ con coeficientes reales y de grado a lo más $3$ tales que $p(2)=3$ y $p(3)=2$.

Sugerencia pre-solución. Usa notación efectiva, eligiendo variables para cada uno de los coeficientes de $p(x)$. Luego, enuncia cada hipótesis como una ecuación.

Solución. Tomemos $p(x)=ax^3+bx^2+cx+d$. La hipótesis implica que

$$\begin{cases}
8a+4b+2c+d=p(2)= 3\\
27a+9b+3c+d=p(3)=2.
\end{cases}$$

El rango de la matriz $$\begin{pmatrix} 8 & 4 & 2 & 1\\ 27 & 9 & 3 & 1\end{pmatrix}$$ es a lo más $2$, pues tiene $2$ renglones. Pero es al menos $2$, pues los dos vectores columna $(2,3)$ y $(1,1)$ son linealmente independientes. Exactamente el mismo argumento muestra que la matriz aumentada $$\begin{pmatrix} 8 & 4 & 2 & 1 & 3\\ 27 & 9 & 3 & 1 & 2\end{pmatrix}$$ es de rango $2$. Por el primer punto del teorema de Rouché-Capelli, este sistema tiene solución.

Para encontrar esta solución de manera práctica, fijamos reales $a$ y $b$ y notamos que ahora

$$\begin{cases}
2c+d= 3-8a-4b\\
3c+d=2-27a-9b
\end{cases}$$

es un sistema en $2$ variables, y como $$\det\begin{pmatrix} 2 & 1\\ 3 & 1\end{pmatrix}=-1,$$ tiene una única solución para $c$ y $d$. Al hacer las cuentas, o usar fórmulas de Cramer, obtenemos que
\begin{align*}
c&=-1-19a-5b\\
d&=5+30a+6b.
\end{align*}

Así, concluimos que los polinomios $p(x)$ solución consisten de elegir cualesquiera reales $a$ y $b$ y tomar $$p(x)=ax^3+bx^2-(1+19a+5b)x+(5+20a+6b).$$

$\square$

Por supuesto, para usar este teorema es necesario conocer el rango de la matriz $A$. En el problema tuvimos la suerte de que eso es sencillo. Hablaremos más adelante de varias técnicas para encontrar el rango de matrices.

Más problemas

Puedes encontrar más problemas de sistemas de ecuaciones lineales en el Capítulo 3 y en la Sección 7.6 del libro Essential Linear Algebra de Titu Andreescu.

Usa la paridad

Por Leonardo Ignacio Martínez Sandoval

Deja un comentario

HeuristicasLos números enteros pueden ser pares o impares, dependiendo de si son divisibles entre dos o no. Más aún, se van alternando uno y uno. Además, es muy sencillo saber cómo es la paridad de la suma de dos números o bien de su producto si sabes la paridad de esos números. Estas ideas pueden parecer muy básicas, pero ayudan en una gran cantidad de problemas y son una introducción a los invariantes.

Cuando en un problema observamos nada más la paridad, estamos cubriendo una gran cantidad de casos nada más analizando pocos. En estos videos vemos cómo se aplica la idea de paridad en varios problemas de tableros, juegos, álgebra y teoría de números.

Ir a los videos…

Aprovechar la simetría

Por Leonardo Ignacio Martínez Sandoval

Deja un comentario

HeuristicasLa simetría, además de ser una propiedad que hace que las cosas se vean bonitas, también es una buena técnica de resolución de problemas. Hay varias formas en las que se puede aprovechar la simetría en un problema. Una es para reducir esfuerzo: ¿para qué repetir un argumento si es el mismo? ¿para qué desarrollar todos los términos si la ecuación es simétrica?

En  otras ocasiones la simetría nos permite sospechar que los casos especiales tienen que ser simétricos. A veces no hay razón para que sea de otra forma. Finalmente, la simetría también está presente en una gran variedad de la información del problema, y hay que inventarla o descubrirla para simplificar cuentas, notación y conjeturas.

Ir a los videos…