Espacios y Transformaciones PDF

CAPTULO 1
ESPACIOS VECTORIALES
En muchas ramas de la matematica aparecen conjuntos cuyos elementos pueden
ser sumados y multiplicados por n umeros, o sea; en donde podemos realizar combi-
naciones lineales. Un ejemplo ya visto es el de las listas de n umeros reales. Estas
operaciones particularmente simples se generalizan a los elementos (vectores) de una
estructura algebraica que por su sencillez y amplitud se utiliza con diversos tipos de
objetos y en diversos tipos de aplicaciones.
En este Captulo desarrollamos este concepto central del curso, el de espacio vec-
torial. Este concepto condensa en una estructura algebraica las nociones que hemos
venido considerando. Todas las ideas basicas de esta seccion ya fueron tratadas al
desarrollar la teora de los sistemas lineales. Nociones como: combinaciones lineales,
generadores, bases, subespacios ya fueron vistas. Estas dependan de cierta estruc-
tura llamada de espacio que K
n
posee. En este captulo llevamos estas nociones a
un contexto m as amplio, espacio vectorial, que es una estructura general en donde
podemos tomar combinaciones lineales.
La idea de combinacion lineal es lo que permite considerar generadores, conjun-
tos linealmente independientes, bases; tenga presente los resultados de los captulos
anteriores. Muchas veces el lector notara que las demostraciones o argumentaciones
que haremos son analogas a las realizadas para K
n
. Es importante que el lector este
atento a este tipo de idea.
Un concepto fundamental , el de independencia lineal, denido de forma par-
ticularmente simple, pero cuya comprensi on en toda su riqueza -nuestra experiencia
lo indica- merece una atencion especial por parte de quien lo analiza por primera vez.
Realizar muchos ejercicios con este nuevo concepto abstracto, comprender bien como
1
2 1. ESPACIOS VECTORIALES
se le utiliza en diversas demostraciones, es una recomendaci on que hacemos amistosa-
mente al lector. La independencia lineal es lo que nos permite tener unicidad a la
hora de las combinaciones lineales: evita que tengamos muchas maneras de expresar
un vector como combinacion lineal de otros evitando as redundancias.
Al desarrollar el concepto de espacio vectorial trataremos de hacer hincapie en
las nociones geometricas simples que son comunes a otras ramas de la matematica
y motivar en todo lo posible en base al concepto de vectores de K
n
enfatizando una
signicacion geometrica.
El lector podra y deber a recurrir frecuentemente a motivaciones basadas en los vec-
tores de R
3
o en las matrices, pero el objeto en estudio es un concepto abstracto,
mucho m as general, cuya comprensi on y manejo uido es una de las nalidades de
este curso.
1.1. ESPACIOS VECTORIALES
Vamos a resumir los elementos que consideramos centrales para la estructura de
espacio vectorial. En muchos libros la denicion siguiente es tambien presentada como
los axiomas de espacio vectorial.
DEFINICI
ON 1. Un espacio vectorial sobre un cuerpo K o, un K-espacio

vectorial consta de cuatro elementos ordenados {V, K, +, }
1: Un conjunto V no vacio cuyos elementos se llamar an vectores.
2: El cuerpo K, cuyos elementos se llamar an escalares.
3: Una operacion llamada suma de vectores, y denotada con el smbolo +,
+ : V V V,
quiere decir que u+v esta denida para todo par (u, v) V V y da como
resultado un elemento V . El dominio es el producto cartesiano V V y
cuyo codominio es V .
4: Una operacion llamada producto de un escalar por un vector, y deno-
tada con el smbolo ,
: KV V ,
cuyo dominio es KV y cuyo codominio es V ;
que verican las siguientes propiedades:
Para la suma:
1.1. ESPACIOS VECTORIALES 3
S1) Asociativa: Dados u, v, w V se cumple (u +v) +w = u + (v +w).
S2) Conmutativa: Para cualquier u, v V tenemos u +v = v +u.
S3) Neutro: Existe un elemento 0 V , llamado vector nulotal que , u V
se tiene 0 +u = u + 0 = u.
S4) Opuesto: Para cada vector u V , existe un vector llamado opuesto de
u, denotado como u, tal que u + (u) = (u) +u = 0.
Para el producto:
P1)Asociativa respecto del pruducto por escalares: Para todo ,
K y todo u V se cumple ( u) = (.) u
P2) Multiplicaci on por la unidad del cuerpo: Sea 1 el neutro del pro-
ducto en K entonces 1 u = u, u V .
P3) Distributiva respecto de suma de vectores: Para todo Ky u, v
V se cumple (u +v) = u + v.
P4) Distributiva respecto de suma de escalares: Para todo , K y
u V se cumple ( +) u = u + u.
OBSERVACI
ON 2. El lector comparar a estas propiedades de la denicion de

espacio vectorial con las propiedades de las n-uplas de n umeros reales o de las matrices
con sus operaciones de suma y producto por un escalar.
OBSERVACI
ON 3. En P4) la suma de escalares (suma dentro de K) se es-

cribio con el smbolo + pero no hay que confundirla con la suma dentro de V , que
se representa tambien con el smbolo +. Si miramos R
2
como el espacio vectorial
{R
2
, R, +, } donde las operaciones son las que fueron introducidas para listas de 2
n umeros tenemos como ejemplo de esta situaci on
2 + 2.5 = 4.5 suma en el cuerpo,
(2, 1) + (1, 0) = (3, 1) suma de vectores.
De la misma manera, si miramos P1) aparecen en la igualdad a la izquierda el producto
escalar y a la derecha el producto en K y el producto escalar.
Existen propiedades que son obvias en algunos de los ejemplos: K
n
, matrices; pero
que, en un espacio vectorial general debemos mostrar que las mismas se cumplen. Para
ello debemos poder deducirlas a partir de las operaciones y sus propiedades postuladas
en la denicion de la estructura. Veamos algunos ejemplos de esta situaci on.
PROPOSICI
ON 4. En todo espacio vectorial {V, K, +, } se cumple:

1: el neutro es unico.
2: Para cada vector u V su opuesto u es unico.
Demostraci on. 1) Sean 0
1
y 0
2
dos neutros; debido a su funci on como neutros
0
1
= 0
1
+ 0
2
= 0
2
,
luego son iguales.
2) Sean (u)
1
y (u)
2
dos opuestos de u:
(u)
1
= 0 + (u)
1
= [(u)
2
+u] + (u)
1
= (u)
2
+ [u + (u)
1
] = (u)
2
+ 0
= (u)
2
,
luego coinciden.
1.1.1. EJEMPLOS DE ESPACIOS VECTORIALES.
EJEMPLO 5. En general si V es el conjunto de las n- uplas ordenadas de
n umeros reales, V = R R . . . R = R
n
, K = R y las operaciones como fueron
denidas para listas de n n umeros. Es facil ver que {R
n
, R, +, } es un espacio vec-
torial sobre R, con 0 = (0, 0, , 0) y (a
1
, a
2
, , a
n
) = (a
1
, a
2
, , a
n
). Las
operaciones de este ejemplo se llaman usuales de R
n
.
OBSERVACI
ON 6. A veces, por abuso de lenguaje los espacios vectoriales se

indican por el conjunto de vectores V , sobreentendiendo el cuerpo K y las operaciones
+ y .
En el ejemplo anterior solo se dice el espacio vectorial R
n
.
EJEMPLO 7. Notaci on: El smbolo
def
= quiere decir que el miembro de la
izquierda esta siendo denido mediante la expresi on de la derecha.
Sea V el conjunto de las sucesiones de n umeros reales, K = R, y las operaciones
+ y denidas como sigue:
Dadas {a
n
} y {b
n
} V , y dado R:
la suma de dos sucesiones es denida como la sucesion que se obtiene sumando los
terminos n-esimos de las sucesiones dadas,
{a
n
} +{b
n
}
def
= (a
1
+b
1
, a
2
+b
2
, ..., a
n
+b
n
, ...) = {a
n
+b
n
} ,
el producto denido por:
{a
n
} = (a
1
, a
2
, . . . , a
n
)
def
= (.a
1
, .a
2
, . . . , .a
n
) = {.a
n
} .
Es facil comprobar que es un espacio vectorial real . El vector nulo es la sucesion
que tiene todos sus terminos iguales a cero. Se verica adem as {a
n
} = {a
n
}
1.1. ESPACIOS VECTORIALES 5
EJEMPLO 8. El conjunto de las n-uplas ordenadas de n umeros complejos V =
C
n
con las operaciones denidas como en el ejemplo 1.5 tomando K = C forma un
C-espacio vectorial {C
n
, C, +, }.
EJEMPLO 9. Si K = R, y las operaciones en C
n
se denen en forma analoga al
ejemplo anterior (y en forma analoga al ejemplo 1.5), resulta {C
n
, R, +, } un espacio
vectorial real (distinto del ejemplo 1.8 , puesto que dieren en el cuerpo K).
EJEMPLO 10. Consideramos R[x] el conjunto de todos los polinomios en una
variable con coecientes reales, K = R, la suma usual de polinomios y el producto
usual de un n umero por un polinomio. {R[x], R, +, } es un Respacio vectorial.
EJEMPLO 11. El conjunto de todas las funciones f : [a, b] R, forma un
R-espacio vectorial, con las operaciones usuales de suma de funciones y producto de
un n umero real por una funci on. Es decir:
suma: f +g
def
= h donde h(x)
def
= f(x) +g(x) x [a, b].
producto por escalar: f
def
= k donde k (x)
def
= f (x) x [a, b] .
EJEMPLO 12. Las sucesiones de n umeros complejos con la suma de sucesiones
y el producto de una sucesion por un n umero complejo denidos en forma similar al
ejemplo 1.7 constituyen un C-espacio vectorial.
EJERCICIO 1. En todos los ejemplos anteriores, vericar que efectivamente
son espacios vectoriales. O sea, vericar que se cumplen las propiedades incluidas en
la denicion 1.1, para la suma y el producto por escalares.
EJEMPLO 13. Sea V el conjunto de sucesiones de n umeros complejos. Si
+ : V V V y : R V V , denidas de manera analoga al ejemplo 1.7.
Entonces {V, R, +, } es un R-espacio vectorial distinto al del ejemplo 1.7 y la del
ejemplo 1.12.
EJEMPLO 14. Si en un K-espacio consideramos el conjunto {0}, este es un
K-espacio vectorial, donde 0+0=0 y 0 = 0 , K.
EJEMPLO 15. El conjunto de los polinomios de grado menor o igual a n,
en una variable x, este conjunto se indica con R
n
[x], K = R, y la suma y producto
por un real denido como 1.10, forman un espacio vectorial real.
EJEMPLO 16. El conjunto de los polinomios en una variable x, de grado
igual a n, con coecientes reales, K = R y la suma y el producto denidos como en
el ejemplo 1.10, no forman un espacio vectorial
EJEMPLO 17. Con las operaciones usuales {R, C, +, } no es un espacio vecto-
rial.
EJERCICIO 2. Estudiar por que no son espacios vectoriales los ultimos dos
ejemplos.
OBSERVACI
ON 18. Se denota u v a la suma u + (v) con u, v V .

Ahora que tenemos m as ejemplos de espacios vectoriales, vemos que en todos se
cumple que cuando el producto escalar de un escalar por un vector da el vector nulo,
o el escalar es el cero o, el vector es el nulo. Veamos que esto se cumple en general en
cualquier espacio vectorial; es decir, lo podemos deducir de la propiedades incluidas
en la denicion de la estructura de espacio vectorial.
PROPOSICI
ON 19. Para todo u V se cumple 0 u = 0.

Demostraci on. Utilizamos las propiedades del neutro de V , del opuesto, del
producto escalar por la unidad de K y las asociatividades
0 u = 0 u + 0
= 0 u + (u u) = (0 u + 1 u) u
= (0 + 1) u u
= 1 u u = u u = 0.
PROPOSICI
ON 20. Para todo K se cumple 0 = 0.

Demostraci on. Sea u V un vector cualquiera de entonces
0 = u u
= (0 +u) u = ( 0 + u) u
= 0 + ( u u)
= 0 + 0 = 0.
Los dos resultados anteriores se pueden condensar en uno m as general.

PROPOSICI
ON 21. Sean K, u V . Entonces se cumple

u = 0 si y s olo si = 0 y/o u = 0.
1.2. SUBESPACIOS 7
Demostraci on. (): Supongamos que = 0, como u = 0 utilizando P1 de
la denicion de esapcio vectorial tenemos
1
( u) =
1
0 de donde
_
_
u = 0,
o sea 1 u = 0 utilizando P2 de la denicion de espacio vectorial se deduce u = 0.
(): son las Proposiciones 1.20 y 1.19.
PROPOSICI
ON 22. Para todo v V se cumple (1) v = v.

Demostraci on. Basta ver que (1) v es el opuesto de v, es decir
v + (1) v = 1 v + (1) v
= [1 + (1)] v
= 0 v = 0.
1.2. SUBESPACIOS
Al estudiar los sistemas lineales fueron introducidos varios subconjuntos de K
n
y K
m
asociados a las matrices. Estudiamos el espacio de columnas y de las de una
matriz, el n ucleo; en n subconjuntos que tenian la propiedad que al sumar dos ele-
mentos del mismo o multiplicar uno por un escalar resulta otro elemento del mismo
subconjunto. Como ya vimos en el caso de sistemas muchas veces lo que nos interesa
no es todo el espacio sino que, ciertos subconjuntos nos dan mayor informaci on.
Vamos a mirar, en un espacio vectorial subconjuntos con estas propiedades para
las operaciones de un espacio vectorial cualquiera.
DEFINICI
ON 23. Sea {V, K, +, } un espacio vectorial y W un subconjunto

no vacio de V . Decimos que W es un subespacio de V , si se cumple:
a) Para todo w
1
y w
2
W se cumple w
1
+w
2
W.
b) Para todo w W y K tenemos w W.
Cuando un subconjunto W no vacio cumple a) o sea, que sumamos dos elementos
cualquiera de W y nos da un elemento de W decimos que W es cerradofrente a
la suma; de manera equivalente, en el caso b) decimos que es cerrado frente a la
multiplicacion escalar . Eso nos permite resumir la denicion diciendo que:
un subespacio de un espacio vectorial es un conjunto no vaco,
cerradofrente a la suma y al producto de escalares por vectores.
OBSERVACI
ON 24. Si W es un subespacio, entonces 0 W. Esto es porque,

como W es no vacio existe w W; entonces 0 w pertenece a W y por la Proposici on
1.19 es el vector nulo.
1.2.1. EJEMPLOS DE SUBESPACIOS VECTORIALES.
EJEMPLO 25. En las sucesiones de n umeros reales (ejemplo 1.7) sea W el
conjunto formado por las sucesiones que a partir de alg un termino, tienen todos los
terminos restantes iguales a cero.
EJEMPLO 26. Sea R[x] el espacio vectorial de los polinomios denido en el
ejemplo 1.10. Consideramos R
n
[x] el subconjunto de los polinomios de grado menor
o igual que n. Se cumple R
n
[x] es un subespacio de R[x].
EJEMPLO 27. Sean V el espacio vectorial del ejemplo 1.11, y C[a, b] el sub-
conjunto de las funciones f : [a, b] R que son continuas. Entonces C[a, b] es un
subespacio de V .
Recordar que la suma de funciones continuas es una funci on continua, y tambien es
continua el producto de una funci on por un escalar.
EJEMPLO 28. En el espacio de las n-uplas de complejos (ejemplo 1.8) sea W
el subconjunto de las n-uplas cuyos terminos suman cero
W =
_
(a
1
, . . . , a
n
) C
n
_
n
i=1
a
i
= 0
_
.
EJEMPLO 29. En el ejemplo 1.13 de las sucesiones de n umeros complejos sobre
el cuerpo C, con las operaciones usuales, sea W el subconjunto de las sucesiones que
tienen igual a cero los terminos que estan en lugar par: W = {{a
n
} : a
n
C, a
2k
= 0}.
Entonces W es un subespacio.
EJERCICIO 3. Verique en cado uno de los ejemplos anteriores que los mismos
son subespacios vectoriales.
EJEMPLO 30. En el espacio del ejemplo 1.8 {C
n
, C, +, } sea W el subconjunto
de las n-uplas cuyo primer termino es 5 + 2i,
W = {(a
1
, . . . , a
n
) C
n
/ a
1
= 5 + 2i} .
Este subconjunto W no es un subespacio, porque al sumar dos elementos de W, el
resultado no pertenece a W.
1.2. SUBESPACIOS 9
EJEMPLO 31. Sea {C
n
, R, +, } el espacio vectorial del ejemplo 1.8. Sea U
el subconjunto formado por las n- uplas de n umeros complejos cuyos terminos tienen
parte real igual a cero. Es un subespacio. En este ejemplo es importante que el
cuerpo K sea R y no C. Observar que el mismo subconjunto U, considerado como
subconjunto del espacio vectorial {C
n
, C, +, } no es un subespacio.
EJERCICIO 4. Fundamente las armaciones hechas en el ejemplo anterior.
Veamos que un subespacio vectorial es un espacio metido dentro de otro, no es
ninguna estructura nueva.
TEOREMA 32. Si W es un subespacio de {V, K, +, } entonces {W, K, +, }
con las operaciones + y heredadasde V , es un espacio vectorial sobre el mismo
cuerpo K.
Demostraci on. Hay que probar que si {V, K, +, } es espacio vectorial y W
V es subespacio de V entonces {W, K, +, } tambien es un espacio vectorial. Las
operaciones + y en W se entienden que son las de V restringidas a W.
En primer lugar el conjunto W no es vaco, porque W es un subespacio. La
operacion + en W, es la operacion + de V , pero restringida a W(eso quiere decir
aplicada solo a parejas de vectores en W). Esta bien denida (da un vector de W),
por a) de la denicion 1.1. cumple las propiedades conmutativa y asociativa porque
estas se cumplen para todos los vectores de V . Luego en particular se cumplen para los
vectores de W. Veamos ahora que existe un vector neutro para la suma en W. Por la
observacion 1.24., el neutro de V esta en W y satisface 0+w
= w
+0 = w
W;
por tanto es el neutro de W y 0 es el vector que estamos buscando.
Ahora veamos la existencia del opuesto (w)
w
en W de un vector w W.
Sabemos que existe w V , opuesto de W V, que cumple: w + (w) = 0.
Mostraremos que este opuesto de W en V, es tambien opuesto de W en W; por la
proposici on 1.22: w = (1) w.
Ademas (1) w W porque w W y W es un subespacio. Entonces w
cumple: w W y w+(w) = 0
W
= 0, o sea w verica las condiciones requeridas
para ser opuesto de w en W, como queramos probar.
En cuanto a las propiedades de la funci on en W requeridas en la denicion 1.1
se cumplen todas en W puesto que por denicion se cumplen en V que incluye a
W. Queda probado entonces que si W es un subespacio de un espacio vectorial V ,
entonces tambien W es un espacio vectorial.
NOTA 33. Este teorema permite ver en forma facil si un cierto conjunto W
sobre un cuerpo K, con ciertas operaciones + y es un espacio vectorial. En efecto,
en lugar de vericar todas las condiciones de la denicion 1.1, alcanza ver si W es
un subespacio de alg un V , que ya sepamos que posee estructura de espacio vectorial.
Basta probar que W es cerrado con respecto a la suma y cerrado con respecto al
producto de un escalar por un vector.
Ademas nos permite aplicar y tener disponible en subespacios todo lo que mostramos
para espacio vectoriales.
En todo espacio vectorial existen dos subespacios que son los llamados subespa-
cios triviales; ellos son
W = {0} (conjunto formado por un unico elemento, el vector nulo),
W = V .
En ambos casos ver que W es subespacio de V .
Cuando tenemos conjuntos, las operaciones de union e intersecci on nos permiten
construir nuevos conjuntos. En el caso de la intersecci on construimos un conjunto
m as chico contenido en los conjuntos que intersecamos y en la union uno mayor que
los contiene.
Intentemos hacer una construcci on semejante con subespacios. Para construir uno
menor contenido en todos basta el siguiente resultado:
TEOREMA 34. Sean W
1
, W
2
, . . . , W
n
, subespacios de un mismo espacio V .
Entonces W =
n
i=1
W
i
es tambien un subespacio de V .
Demostraci on. En primer lugar W = ; en efecto: el vector 0 pertenece a todos
los subespacios W
i
, y por lo tanto pertenece tambien a su intersecci on W.
Ademas W V puesto que W W
i
V i = 1, 2, ..., n.
Falta probar que W es cerrado frente a la suma de vectores y al producto de un
escalar por un vector. Sean w y w
W. Entonces w y w
pertenecen a todos los

subespacios W
i
i = 1, 2, ..., n (porque W es la intersecci on de ellos). Como los W
i
son subespacios w +w
W
i
i = 1, 2, ..., n, entonces w +w
W.
Ahora sean K y w W. Se tiene w W
i
i = 1, 2, ..., n. Como los W
i
son
subespacios, w W
i
i = 1, 2, ..., n, entonces w pertenece a la intersecci on de
todos los W
i
, o sea a W.
Veamos que para la construcci on de un subespacio mayor no podemos proceder
de manera tan directa.
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL 11
EJERCICIO 5. Dados U y W subespacios de V mostrar que U W es un
subespacio si y solo si uno de los subespacios esta contenido dentro del otro. Para tener
una idea geometrica de cual es el problema para que la union no sea un subespacio
piense en R
2
considerando
U = {(x, y) : x = y}, W = {(x, y) : x = y}.
Por lo tanto debemos buscar otra manera para construir un subespacio mayor
que contenga a los subespacios dados.
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL
En esta Seccion daremos las deniciones de combinacion lineal, dependencia e
independencia lineal de vectores en espacios vectoriales cualesquiera. El lector notar a
que son analogas a las que fueron introducidas a la hora de estudiar la compatibilidad
de los sistemas lineales.
DEFINICI
ON 35. Sean V un espacio vectorial {V, K, +, }, v

1
, v
2
, ..., v
n
vec-
tores de V . Decimos que
v es combinaci on lineal de v
1
, v
2
, ..., v
n
cuando
existen escalares
1
,
2
, . . . ,
n
K
tales que : v =
1
v
1
+
2
v
2
+. . . +
n
v
n
.
Observe que tomamos una cantidad nita de vectores
en la denici on de combinaci on lineal.
Los escalares
1
, . . . ,
n
son llamados coecientes de la combinaci on.
Sea A un subconjunto no vaco de V , se indica con [A] al conjunto de todas las
combinaciones lineales de elementos de A, es decir:
[A] =
_
v V tales que : v =
1
v
1
+. . . +
p
v
p
con
i
K, v
i
Ai
_
.
Veamos que esta construcci on nos permite construir un subespacio que contiene al
conjunto A.
TEOREMA 36. Sean V un espacio vectorial y A = , A V . Entonces [A]
es un subespacio de V .
Demostraci on. El conjunto [A] es distinto de vaco porque dado alg un vector
v de A, se tiene 0 = 0v es combinacion lineal de v por lo tanto 0 [A].
Sean ahora v, w [A], esto quiere decir que existen vectores
v
1
, v
2
, ..., v
n
; w
1
, w
2
, ..., w
m
A
(no necesariamente distintos) y existen escalares
1
,
2
, ...,
n
;
1
,
2
, ...,
m
K
tales que
v =
1
v
1
+
2
v
2
+... +
n
v
n
,
w =
1
w
1
+
2
w
2
+... +
m
w
m
.
Entonces
v +w =
1
v
1
+
2
v
2
+... +
n
v
n
+
1
w
1
+
2
w
2
+... +
m
w
m
,
o sea, v +w es combinacion lineal de elementos de A. Con lo que hemos probado que
[A] es cerrado respecto a la suma.
Sean ahora K y v [A]entonces existen escalares
1
,
2
, ...,
n
y vectores
v
1
, v
2
, ..., v
n
A, tales que: v =
1
v
1
+
2
v
2
+... +
n
v
n
.
Entonces:
v = (
1
v
1
+
2
v
2
+... +
n
v
n
)
= (
1
) v
1
+... + (
n
) v
n
y obtenemos que v tambien es combinacion lineal de vectores de A. O sea, [A] es
cerrado respecto al producto de un escalar por un vector. Luego, [A] es un subespacio.
DEFINICI
ON 37 (Subespacio generado). El subespacio [A] es llamado sub-

espacio generado por A.
EJERCICIO 6. Considere en el espacio vectorial R
n
[x] de los polinomios de
grado menor o igual a n el subconjunto A de los polinomios de grado n. Cual es el
subespacio generado por A?
EJERCICIO 7. Muestre que [A] es el menor subespacio que contiene a A. Esto
signica que [A] es la intersecci on de todos los subespacios que contienen al conjunto
A.
DEFINICI
ON 38 (Conjunto generador). Sea V un espacio vectorial, A un

subconjunto de V . Decimos que A es un generador de V , si el conjunto de com-
binaciones lineales de elementos de A es igual a V o sea, [A] = V (ver denicion
1.35).
PROPOSICI
ON 39. Sea V un espacio vectorial y A un subconjunto nito de

V , o sea A = {v
1
, v
2
, . . . , v
n
} V . Si v
k
es combinaci on lineal de los dem as vectores
de A, entonces [A] =
_
v
1
, v
2
, . . . , v
k1
, v
k+1
, . . . , v
n
. Dicho brevemente,
si un vector de A es combinaci on lineal de los dem as lo
podemos sacar y seguimos generando el mismo subespacio.
Demostraci on. Toda combinacion lineal de los vectores de
_
v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
_
es tambien una c.l. de vectores que incluyen v
k
. Basta agregar el vector v
k
multipli-
cado por el escalar 0, es decir
_
v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
_
[A].
Ahora hay que probar la otra inclusion : que toda c.l. de vectores de A es tambien
c.l. de los vectores sin v
k
. Sabemos que
v
k
=
1
v
1
+
2
v
2
+. . . +
k1
v
k1
+
k+1
v
k+1
+. . . +
n
v
n
.(1)
Si elegimos u que sea c.l. de A, tenemos
u =
1
v
1
+
2
v
2
+...
k1
v
k1
+
k
v
k
+
k+1
v
k+1
+... +
n
v
n
.
Sustituyendo v
k
por la expresi on (1), resulta:
u = (
1
+
k
1
) v
1
+. . . +
_
k1
+
k
k1
_
v
k1
+
_
k+1
+
k
k+1
_
v
k+1
+... + (
n
+
k
n
) v
n
.
O sea, u es c.l. de
_
v
1
, v
2
, ...v
k1
, v
k+1
, ..., v
n
_
como queramos probar.
EJERCICIO 8. Pensemos en los coecientes de las combinaciones lineal, los
j
,
j = 1, . . . , n y los coecientes sin tener en cuenta v
k
,
i
=
i
+
i
k
, i = k .
Muestre que se cumple:
_
_
_
_
_
_
1 0 ... 0
1
0 ... 0
0 1 ... 0
2
0 ... 0
.
.
. ...
.
.
.
1
k1
0 ... 0
0 ... ... 0
k+1
1 ... 0
.
.
. ... ...
.
.
.
.
.
.
.
.
.
0
0 ... ... 0
n
0 1
_
_
_
_
_
_
_
_
_
_
_
_
.
.
.
.
.
.
n
_
_
_
_
_
_
=
_
_
_
_
_
_
1
.
.
.
k1
k+1
.
.
.
n
_
_
_
_
_
_
Recurriendo a sus conocimientos de sistemas lineales concluya que todo vector se
escribe en m as de una forma como combinacion lineal de los vectores v
1
, . . . , v
n
. O
sea, si tomamos los coecientes de la combinacion lineal como la soluci on de un sistema
lineal este sistema es compatible indeterminado.
Teniendo en cuenta el resultado anterior, queremos resaltar los conjuntos que
generan sin redundancia, o sea de los conjuntos que nos permite generar pero sin que
nos sobrenvectores. Como fue visto en la parte de sistemas lineales debemos tener
en cuenta ciertos conjuntos especiales de vectores para no tener esta redundancia.
DEFINICI
ON 40. Conjuntos linealmente independientes y linealmente depen-

dientes. Sea V un espacio vectorial, A = {v
1
, v
2
, . . . , v
n
} V un conjunto ordenado
de vectores. Decimos que el conjunto es linealmente independiente (l.i.) si y solo
si:
1
v
1
+
2
v
2
+. . . +
n
v
n
= 0 implica
1
=
2
= . . . =
n
= 0.
La unica combinaci on lineal de vectores linealmente independientes que
da el vector nulo es la que tiene todos los coecientes iguales a cero.
La idea de trabajar con conjuntos ordenados y no solo con conjuntos esta motivada
en que nos permite considerar como conjunto ordenado uno del tipo A = {v, v} que
como conjunto a secas tendra un solo vector, muestre que un conjunto como ese no
es linealmente independiente.
Decimos que el conjunto A es linealmente dependiente (l.d.) cuando no es
l.i..
Si A es l.d. existe alg un
i
0
= 0, veamos que se puede despejar v
i
o
como c.l. de
los otros vectores. Como de
i
v
i
= 0, reordeando y multiplicando por el inverso
de
i
0
; llegamos a
v
i
0
=
j=i
0
_
i
0
1
_
v
j
.
OBSERVACI
ON 41. Es decir,
un conjunto es l.i. cuando ning un vector es combinacion lineal de los otros.
Analogamente
un conjunto es l.d. si y solo si un vector es combinacion lineal de los demas.
EJEMPLO 42. Sea V un espacio vectorial, v = 0 un vector de V. Entonces
{v} es l.i..
EJEMPLO 43. Sea V un espacio vectorial, {0} es l.d.
EJEMPLO 44. Sean v
1
, v
2
, ...., v
n
V (V espacio vectorial ), entonces
{0, v
1
, v
2
, ...., v
n
} es l.d.
NOTA 45. Las deniciones l.i. e l.d. se dieron para conjuntos nitos, pero son
aplicables tambien a conjuntos con una cantidad innita de vectores en un espacio
vectorial. Si A es innito, AV donde V es un espacio vectorial, decimos que A es
l.i. cuando cualquier subconjunto nito de A es l.i. Decimos que A es l.d. cuando no
es l.i. (es decir, cuando alg un subconjunto nito de A es l.d.).
Por ejemplo el conjunto {1, x, . . . , x
n
, . . .} R[x] es linealmente independiente.
TEOREMA 46. Un conjunto A = {v
1
, . . . , v
n
} es linealmente independiente
si y solo si todo vector del subespacio generado por A se obtiene de una unica manera
como c.l. de los vectores de A.
Esto signica que dado un vector v los coecientes de la combinaci on lineal que da el
vector v son unicos.
Demostraci on. () Cualquier vector de [A] se puede escribir como c.l. de
vectores de A. Veremos ahora que esa combinacion lineal es unica.
En efecto, supongamos que un vector v [A] pueda escribirse como combinacion
lineal de A, de dos formas distintas:
v =
1
v
1
+. . . +
n
v
n
v =
1
v
1
+. . . +
n
v
n
.
Restando ambas igualdades:
0 = (
1

1
) v
1
+. . . + (
n

n
) v
n
tenemos entonces una combinacion lineal de A, igualada a 0. Por hipotesis A es l.i..
Por denicion de l.i. los coecientes de la combinacion lineal anterior deben ser ceros.
O sea:
1
=
1
,
2
=
2
, ... ,
n
=
n
.
Por lo tanto las dos formas de escribir v como combinacion lineal de A, son la misma.
()
Como
0 = 0v
1
+ 0v
2
+... + 0v
n
si
0 =
1
v
1
+
2
v
2
+... +
n
v
n
la unicidad de las combinaciones lineales implica que
i
= 0, i = 1, . . . , n lo que
implica que A es l.i..
Tenga presente este resultado. Al tener unicidad de los coecientes de la combi-
nacion lineal que da un vector, para conocer este vector nos alcanza con que nos den
los n coecientes. Tenemos una correspondencia uno a uno
[A] v =
1
v
1
+. . . +
n
v
n

_
1
.
.
.
n
_
K
n
.
1.4. BASES Y DIMENSI
ON DE UN ESPACIO VECTORIAL
DEFINICI
ON 47. Base de un espacio vectorial: Sea V un espacio vectorial y

A = {v
1
, v
2
, . . . , v
n
} V un subconjunto ordenado o sea, nos importa el orden
en el que aparecen los vectores . Decimos que A es base de V si y solo si
a: A es un conjunto l.i.
b: A genera a V , es decir [A] = V .
EJERCICIO 9. Mostrar que: dado un espacio vectorial V , A es base de V si
y solo si , todo vector del espacio se escribe de forma unica como c.l. de los vectores
de la base, (es decir, los coecientes de la combinacion lineal que da un vector son
unicos).
PROPOSICI
ON 48. Sean V un espacio vectorial,

A = {v
1
, . . . , v
n
} un conjunto que genera a V ,
B = {w
1
, . . . , w
m
} un conjunto l.i. de V , entonces
m n.
ON DE UN ESPACIO VECTORIAL 17
Demostraci on. Como A es un conjunto generador de V existen escalares a
ij
tales que
w
i
= a
1i
v
1
+. . . a
ni
v
n
, i = 1, . . . m.
Por lo tanto resulta cuando tomamos una combinacion lineal de los ws con cecientes
s
1
w
1
+. . .
m
w
m
=
1
(a
11
v
1
+. . . a
n1
v
n
)
+
2
(a
12
v
1
+. . . a
n2
v
n
)
+. . .
+
m
(a
1m
v
1
+. . . a
nm
v
n
)
= (a
11
1
+. . . +a
1m
m
) v
1
+. . .
+(a
n1
1
+. . . +a
nm
m
) v
n
.
EJERCICIO 10. nalizar la demostracion utilizando que un sistema homogeneo
con m as incognitas que ecuaciones es compatible indeterminado. Aplicarlo al sistema
_
_
_
_
a
11
. . . a
1m
.
.
.
.
.
.
a
n1
. . . a
nm
_
_
_
_
_
_
_
_
1
.
.
.
m
_
_
_
_
= 0
para deducir que podemos encontrar coecientes s no todos nulos que nos den como
resultado de combinar linealmente los ws el vector nulo(obtener de all que debemos
tener m n).
COROLARIO 49. Sea V un espacio vectorial. Si una base tiene n elementos,

entonces todas las dem as bases tienen n elementos.
Demostraci on. Sean A y B bases de V , A con n elementos y B con p elementos.
Como A es l.i. y B es generador, aplicando la proposici on 1.48 tenemos n p. Como
B es l.i. y A es generador, por lo mismo, tenemos p n. O sea n = p.
DEFINICI
ON 50 (Dimensi on de un espacio vectorial). Sea V un espacio vec-

torial. Si existe una base de V que tenga n elementos, se dice que n es la dimensi on
de V. Observe, en virtud del corolario anterior, que n no depende de la base elegida.
Notaremos
dim(V ) = n.
Si V = {0} (ejemplo 1.14), se conviene en decir que V tiene dimension 0 debido
a que no tenemos una base del mismo. Si V = {0} y no existe una base de V con
una cantidad nita de elementos, entonces decimos que la dimension de V es innita.
Observe que R[x] esta en estas condiciones.
EJERCICIO 11. Que otro espacio podra tener dimension innita?
TEOREMA 51. Sean V un espacio vectorial de dimensi on n 1, A y B
subconjuntos de V (nitos).
Se cumplen las siguientes propiedades:
1: Si B genera a V , existe B contenido en B, tal que B es base de V .
2: Si A es l.i., existe A que contiene a A, tal que A es base de V .
Dicho de otra forma,
todo conjunto generador, contiene a alguna base
y todo l.i. se puede agrandar hasta formar una base.
Demostraci on. 1) Sea B = {v
1
, v
2
, . . . , v
k
}. Si B es l.i entonces es base (por
hipotesis B genera V ). Si B es l.d. entonces, o bien esta formado por un unico
vector, que tiene que ser el vector nulo (porque B es l.d.), o esta formado por m as de
un vector. En el caso en que B = {0}, como por hipotesis B genera a V , sera el caso
en que V = {0}. Este caso esta excludo, por hipotesis n 1. De esta forma, resta
solo estudiar el caso en que B es l.d. y esta formado por m as de un vector. Por la
Proposici on 1.39, hay un vector de B, que es combinacion lineal de los demas vectores
de B. Quitando ese vector v
r
de B, se obtiene un conjunto B
1
. Por la proposici on
1.39
[B] = [B
1
]
y entonces B
1
genera a V .
Si B
1
es L.I: ya esta probado. Si es l.d. aplicando el mismo razonamiento a B
1
en lugar de B, se obtiene un nuevo conjunto B
2
B
1
B tal que genera a V . Si se
repite el razonamiento, se obtendra nalmente un conjunto B contenido en B, que es
l.i. y que se obtuvo de B retirando sucesivamente aquellos vectores que se expresaban
como combinacion lineal de los restantes. Por la proposici on 1.39, este conjunto B
tambien genera V . Por denicion es base de V , probando 1).
2) Supongamos A =
_
w
1
, ..., w
p
_
es un conjunto l.i. Si A genera a V entonces es
base y tomamos B = A. Si A no genera V , entonces existe alg un vector de V que no
es combinacion lineal de A. Llamemos w
p+1
a este vector. Mostremos que:
_
w
1
, w
2
, . . . , w
p
, w
p+1
_
es l.i.
ON DE UN ESPACIO VECTORIAL 19
En efecto:
1
w
1
+
2
w
2
+. . . +
p
w
p
+
p+1
w
p+1
= 0
p+1
= 0,
sino se podra despejar w
p+1
en funci on de los demas, y eso no es posible porque w
p+1
no es c.l. de los vectores w
1
, w
2
, . . . , w
p
. Entonces:
1
w
1
+
2
w
2
+ ... +
p
w
p
= 0.
Luego, todos los coecientes
i
son ceros, porque A es L.I. y entonces el conjunto
A
1
=
_
w
1
, w
2
, ..., w
p
, w
p+1
_
es l.i.
Repitiendo la construcci on anterior a A
1
en lugar de A, vamos agregando vectores
hasta obtener un conjunto l.i. y que genere a V .
Siempre se llega, en una cantidad nita de pasos, a un conjunto que genere a V ,
porque por el resultado 1.48 los conjuntos l.i. no pueden tener mas de n elementos,
donde n es la dimension del espacio.
COROLARIO 52. Sea V un espacio vectorial de dimensi on n . Se cumplen
las siguientes armaciones:
1: Todo conjunto linealmente independiente A de n vectores, es base.
2: Todo conjunto de n vectores A que genera a V es base.
Demostraci on.
EJERCICIO 12. Demuestre el corolario.
EJERCICIO 13. Muestre que:

Sea A = {v
1
, v
2
, ..., v
n
} V . Entonces A es base si y solo si A es l.i. y todo conjunto
con m as de n vectores es l.d.
Para el recproco, tenga presente que dentro de sus hipotesis no se incluye nada sobre
la dimension de V .
Miremos ahora que relacion existe entre bases de un espacio y de un subespacio.
Si dijimos que un subespacio es un espacio metido dentro de otro cabe esperar que el
subespacio tenga menos dimension.
PROPOSICI
ON 53. Sean V un espacio vectorial de dimensi on nita n y W

un subespacio de V . Entonces W tiene tambien dimensi on nita, que es menor o
igual que n.
Demostraci on. Si W = {0}, entonces dimW = 0 y ya esta probado, pues
0 n.
Si W = {0}, alcanza probar que existe una base de W con una cantidad nita de
elementos p. Demostrado eso, por la proposici on 1.48 resulta p n, pues una base de
W, es un conjunto l.i., con p elementos, y una base de V es un conjunto que genera
a todo el espacio, con n elementos.
Como W = {0} entonces existe alg un vector w
1
W, w
1
= 0. Si {w
1
} genera a
W, es base del mismo, y ya esta probado.
Si {w
1
} no genera W, existe un vector w
2
W que no es combinacion lineal de w
1
.
Armamos que {w
1
, w
2
} es l.i. . En efecto, si
1
w
1
+
2
w
2
= 0, debemos tener
2
= 0. De lo contrario, podriamos despejar w
2
en funci on de w
1
, lo cual no es posible
porque w
2
no es combinacion lineal de w
1
. Entonces
2
= 0, y por lo tanto
1
w
1
= 0.
Como w
1
= 0 se deduce
1
= 0 de all
{w
1
, w
2
} es l.i.
Si genera a W, ya tenemos una base. Caso contrario, existe un tercer vector w
3
W
que no es combinacion lineal de los dos primeros. Igual que antes podemos probar
que el conjunto {w
1
, w
2
, w
3
} es l.i.. El razonamiento se puede repetir una cantidad
menor que n + 1 pasos hasta construir una base de W. De lo contrario tendramos
un conjunto l.i. con n + 1 vectores, contradiciendo el teorema 1.49 que dice que los
conjuntos l.i. no pueden tener m as de n elementos, donde n es la dimension del
espacio.
EJERCICIO 14. Sea W un subespacio de V , con dim(V ) = n 1. Muestre
que si dim(W) = dim(V ), entonces W = V .
Que sucede con un resultado como este en R[x] ?
EJEMPLO 54. Se llama base can onica de {K
n
, K, +, } a la base
{(1, 0, 0, ..., 0) , (0, 1, 0, ..., 0) , (0, 0, 1, ..., 0) , ..., (0, 0, 0, ..., 1)} .
Por tanto, K
n
tiene dimension n(como corresponde).
EJEMPLO 55. Consideramos el espacio vectorial real
S = {A M
nn
(R)/ A = A
T
}
1.5. COORDENADAS 21
de las matrices simetricas.
Las matrices B
hk
donde 1 h k n cuyos elementos a
hk
ij
cumplen
a
hk
ij
=
_
1 si i, j {h, k},
0 si i o j {h, k},
forman una base de S y por lo tanto la dimension de S es
n(n+1)
2
.
EJERCICIO 15. Demuestre cada una de las armaciones del ejercicio anterior.
EJERCICIO 16. Sea {C
n
, R, +, } . Verique que:
{(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)}
no es base. Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es
c.l. del conjunto anterior.
Muestre que:
{(1, 0, ..., 0) , (i, 0, ..., 0) , (0, 1, ..., 0) , (0, i, ..., 0) , (0, 0, ..., 1) , (0, 0, ..., i)}
es base de {C
n
, R, +, } . Entonces dim(C
n
) = 2n sobre el cuerpo R.
1.5. Coordenadas en una base
EJEMPLO 56. Dado v = (a, b, c, d) R
4
tenemos
v = a (1, 0, 0, 0) +b (0, 1, 0, 0) +c (0, 0, 1, 0) +d (0, 0, 0, 1) .
Llamamos vector de componentes de v en la base canonica de R
4
al vector formado
por los coecientes de la combinacion lineal de los vectores de la base que resulta el
vector v. En este caso si v = (a, b, c, d) el vector de componentes en la base canonica
es (a, b, c, d) . Para cualquier v R
n
, el vector de componentes de ven la base
can onica de R
n
, coincide con v.
Pero, si en R
n
se elige otra base distinta de la canonica, el vector de compo-
nentesde un vector v R
n
en tal base es distinto del vector v. Por ejemplo, sea la
base B = {(1, 1, 1) , (1, 1, 0) , (1, 0, 0)} de R
3
. Tomemos v R
3
, o sea v = (a, b, c). Se
tiene v = (a, b, c)=c (1, 1, 1) + (b c) (1, 1, 0) + (a b) (1, 0, 0). El vector v = (a, b, c)
tiene componentes (c, b c, a b) en la base B.
Hay que aclarar en cada caso, cuando se da una n-upla de R
n
, si se trata de los
vectores en si, o si se trata de las componentes en alguna base distinta de la canonica.
Solo puede omitirse esta aclaraci on cuando la base es la canonica.
En el ejemplo anterior en R
n
vimos que si jamos una base, podemos identicar
un vector cualquiera por los coecientes de la combinacion lineal de los vectores de la
base que da dicho vector. En el caso de R
n
en un primer momento puede no parecer
tener demasiado interes el sustituir un vector por su vector de componentes porque
ambos tienen la misma apariencia.
OBSERVACI
ON 57. Por que podra interesarnos este proceso?

Por ejemplo una se nal de sonido puede ser vista como un vector. Si tenemos una
se nal de sonido que fue grabada una decadas atras, antes del CD, generalmente esa
se nal contiene ruido. Tal grabacion contiene superpuestos(sumados) el sonido
que nos interesa y el ruido que no nos interesa. Como dicha se nal puede ser represen-
tada como un vector tenemos la posibilidad de mirar sus coordenadas en otra base.
El truco es hallar una base donde el sonido deseado y el ruido esten bien separados.
Esto signica que sepamos bien que coordenadas correponden al sonido que queremos
y cuales al ruido, el truco luego es ponerle el valor cero a lo que corresponda al ruido
y nos habremos, basicamente, desprendido del ruido.
Veamos que sucede en un espacio vectorial de dimension nita con esto de mirar
los coecientes de las combinaciones lineales.
Sea V un espacio vectorial de dimension n sobre el cuerpo K. Fijamos una base
B = {v
1
, . . . , v
n
} de V , entonces v V , existen y son unicos
1
, . . . ,
n
K tales
que
v =
1
v
1
+. . . +
n
v
n
.
Como estamos trabajando en una base, la unicidad de los coecientes de la combi-
nacion lineal que da el vector v nos permite hacer la siguiente denicion.
DEFINICI
ON 58. Denimos coord

B
: V K
n
como
coord
B
(v) =
_
1
.
.
.
n
_
es decir: a cada vector v V le asociamos los correspondientes coecientes de la
combinacion lineal de los vectores de la base B que da el vector.
Dichos coecientes son llamados coordenadas del vector v en la base B. Observe que
el orden en que aparecen los coecientes al tomar las coordenadas esta determinado
1.5. COORDENADAS 23
por el orden de los vectores de la base. Esta fue una de las razones que nos llevo a
incluir en la denicion de base el requerimiento del orden de los vectores.
EJEMPLO 59. Consideremos en R
n
[x] la base canonica, C constituida por
los vectores
x
n
, x
n1
, . . . , x, 1.
Si consideramos el polinomio p(x) = x
n
+x + 1 entonces sus coordenadas en la base
C corresponden al vector
coord
C
(x
n
+x + 1) =
_
_
_
1
0
.
.
.
0
1
1
_
_
_ R
n+1
.
En este ejemplo queda claro que el vector y sus coordenadas son objetos distintos.
El jar una base para tomar las coordenadas de los vectores nos permite trans-
formar un vector en una lista de n umeros. Veamos que esta transformacion no solo
nos transforma los vectores sino que en lugar de trabajar en el espacio vectorial con
los vectores podemos trabajar en K
n
con las coordenadas en el siguiente sentido.
PROPOSICI
ON 60. La transformaci on coord

B
cumple:
1) coord
B
(v
1
+v
2
) = coord
B
(v
1
) +coord
B
(v
2
),
2) coord
B
( v) = coord
B
(v),
De lo anterior podemos deducir que coord
B
(0) = 0.
Estas propiedades las resumimos diciendo que el pasaje a coordenadas es lineal, ter-
minologa que quedar a m as clara en el siguiente captulo.
Demostraci on. 1) Sean v, w V , luego existen y son unicos
1
, . . . ,
n
K y
1
, . . . ,
n
K tales que
v =
1
v
1
+. . . +
n
v
n
coord
B
(v) =
_
_
_
_
1
.
.
.
n
_
_
_
_
w =
1
v
1
+. . . +
n
v
n
coord
B
(w) =
_
_
_
_
1
.
.
.
n
_
_
_
_
Entonces v +w = (
1
+
1
) v
1
+. . . . + (
n
+
n
) v
n
lo que implica que
coord
B
(v +w) =
_
_
_
_
1
+
1
.
.
.
n
+
n
_
_
_
_
.
Por lo tanto
coord
B
(v) +coord
B
(w) =
_
_
_
_
1
.
.
.
n
_
_
_
_
+
_
_
_
_
1
.
.
.
n
_
_
_
_
=
_
_
_
_
1
+
1
.
.
.
n
+
n
_
_
_
_
= coord
B
(v +w) .
2) Por otro lado si K, se tiene que v = (
1
v
1
+. . . +
n
v
n
) =
=
1
v
1
+. . . +
n
v
n
coord
B
(v) =
_
_
_
_
1
.
.
.
n
_
_
_
_
As coord
B
(v) =
_
_
_
_
1
.
.
.
n
_
_
_
_
=
_
_
_
_
1
.
.
.
n
_
_
_
_
= coord
B
(v) .
Para nalizar, como coord
B
(v) =
_
_
_
_
0
.
.
.
0
_
_
_
_
v = 0v
1
+. . . + 0v
n
v = 0.
NOTA 61. Gracamente, representemos la correspondencia dada por F = coord

B
con una echa:
u F (u) , v F (v)
u +v F (u) +F (v) , v F (v)
Esto quiere decir que da lo mismo hacer las operaciones en V y luego pasar a K
n
,
que pasar primero a K
n
y hacer all las operaciones. Por tanto, da lo mismo trabajar
en V , que en K
n
. Eso muestra la importancia de los espacio vectoriales K
n
. Desde
el punto de vista del algebra lineal si V es de dimension n, es como K
n
. Esto es
importante a la hora de las aplicaciones es m as sencillo hacer que una computadora
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 25
entienda n umeros que vectores de alg un espacio que nos interese.
Tenga bien presente que las coordenadas dependen de la base elegida
y en que forma es que las mismas representan al vector.
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA
Como hemos visto muchas veces tenemos m as informaci on o m as estructura en
determinados subespacios. Vamos a ver la nocion de suma directa que nos permite
descomponer, o cuya utilizacion principal sera descomponer un espacio vectorial en
subespacios donde dispongamos de un mayor conocimiento o de m as estructura de
cierto problema.
Consideremos por ejemplo, V el R-espacio vectorial de las funciones de R en si mismo.
Recuerde que una funci on es llamada:
par si f(x) = f(x),
impar si f(x) = f(x).
Denimos U y W los conjuntos de funciones pares e impares respectivamente.
EJERCICIO 17. Muestre que U y W son subespacios de V y que U W = {0}.
Dada una funci on cualquiera se cumple:
f(x) =
f(x) +f(x)
2
+
f(x) +f(x)
2
.
Vea que de la parte derecha de la igualdad el primer termino es una funci on par y el
otro es impar.
O sea, expresamos una funci on cualquiera como suma de otras dos que tienen una
propiedad extra: par o impar.
EJERCICIO 18. Muestre que dada una funci on cualquiera la suma anterior
es la unica forma de representar una funci on como suma de una funci on par y una
impar.
Lo que aparece en la observacion 1.57 esta en esta misma direccion:
se nal=sonido+ruido.
All tenemos la superposici on de elementos con propiedades distintas.
Lo que queriamos mostrar era como un vector cualquiera puede obtenerse de una
unica manera como suma de otras cosas que tienen m as propiedades.
DEFINICI
ON 62. Suma de subespacios: Sea V un espacio vectorial. se llama

suma de los subespacios V
1
, V
2
, ..., V
n
de V, (y se denota como V
1
+V
2
+... +V
n
) al
subconjunto de vectores W denido por:
W = {v V : , v
1
V
1
, v
2
V
2
, ..., v
n
V
n
, v = v
1
+v
2
+... +v
n
}
TEOREMA 63. La suma de subespacios de V es un subespacio de V .
Demostraci on. Es facil ver que 0 W. Como 0 V
i
para todo i = 1, . . . n
entonces 0 = 0 + + 0. Tambien es sencillo vericar que si el vector u se puede
descomponer como suma de un vectores de V
1
, V
2
, , V
n
entonces u tambien se
descompone de esa forma. De all queda claro que W es cerrado respecto al producto
por escalares.
Para vericar que W es cerrado respecto a la suma sean u y u
tales que
existen v
1
, v
1
V
1
; v
2
, v
2
V
2
; . . . ; v
n
, v
n
V
n
con
u = v
1
+v
2
+. . . +v
n
,
u
= v
1
+v
2
+. . . +v
n
.
Entonces
u +u
= (v
1
+v
1
) + (v
2
+v
2
) +. . . + (v
n
+v
n
) ,
donde v
1
+v
1
V
1
; v
2
+v
2
V
2
; . . . ; v
n
+v
n
V
n
, porque los V
i
son subespacios.
Recordemos que la union de subespacios solo resulta un subespacio si uno esta
contenido dentro del otro, por lo tanto la union no nos serva para construir un
subespacio mayor que contuviera a dos subespacios dados. La suma de subespacios
s cumple este prop osito: es un subespacio que contiene a los subespacios dados.
EJERCICIO 19. Muestre que la suma de los subespacios U y W es el espacio
generado por la union U W.
El ejercicio anterior muestra que no solo los contiene sino que, adem as es el menor
subespacio que contiene a U y W.
DEFINICI
ON 64. Suma directa: Dados los subespacios V

1
, V
2
, ..., V
n
, el sube-
spacio suma de ellos se llama suma directa cuando todo vector de el puede expresarse
de forma unica como suma de vectores de los subespacios V
1
, V
2
, ..., V
n
. Cuando la
suma es directa se representa V
1
V
2
... V
n
.
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 27
EJEMPLO 65. Sean en R
3
los subespacios V
1
= {(a
1
, a
2
, a
3
) : a
3
= 0} y V
2
=
{(a
1
, a
2
, a
3
) : a
1
= 0} . Todo vector de R
3
se puede escribir como suma de un vector
de V
1
y uno de V
2
, pero no de forma unica:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)
Entonces la suma de V
1
y V
2
es todo R
3
. Pero esta suma no es directa.
TEOREMA 66. Sean V
1
y V
2
dos subespacios de V tales que V = V
1
+ V
2
.
Entonces, V
1
V
2
= {0} si y s olo si V = V
1
V
2
.
Demostraci on. () Supongamos v = v
1
+ v
2
y v = v
1
+ v
2
con v
1
, v
1
V
1
,
v
2
, v
2
V
2
. Luego, v
1
v
1
= v
2
v
2
V
1
V
2
, como por hipotesis la intersecci on
contiene solo el vector nulo
v
1
v
1
= v
2
v
2
= 0,
lo que prueba que la suma es directa.
() Sea v V
1
V
2
luego v V
1
V
2
. Por lo tanto 0 = v + (v) = 0 + 0 y
por la unicidad contenida en la denicion de suma directa, 0 = v = v. Entonces
V
1
V
2
= {0}.
EJERCICIO 20. Pensar que sucede con el teorema anterior si tenemos m as de
dos subespacios. Demuestre o de un contraejemplo a tal situaci on.
TEOREMA 67. Sean V = V
1
V
2
. . . V
n
y B
1
, B
2
, . . . , B
n
bases de
V
1
, V
2
, . . . , V
n
, respectivamente. Se cumple que
B = B
1
B
2
. . . B
n
es una base de V .
Demostraci on. Probaremos que B genera a V , y que B es l.i.
Todo vector de v V es suma de vectores de V
1
, V
2
, ..., V
n
, como estos son com-
binaciones lineales de los vectores de sus respectivas bases se cumple que v es c.l. de
los vectores de la union de esas bases, que es B.
Eso nos permite concluir que todo vector de V es combinacion lineal de B, o sea B
genera a V .
Veremos que B es l.i., sean
B
1
=
_
v
11
, v
12
, . . . , v
1p
1
_
B
2
= {v
21
, v
22
, . . . , v
1p
2
}
.
.
.
B
n
=
_
v
n1
, v
n2
, ..., v
np
n
_
.
Tomemos una combinacion lineal de los vectores de B igualada a 0:
a
11
v
11
+a
12
v
12
+. . . +a
1p
1
v
1p
1
+a
21
v
21
+a
22
v
22
+. . . +a
2p
2
v
2p
2
+. . .
+a
n1
v
n1
+a
n2
v
n2
+. . . +a
np
n
v
np
n
= 0;
como 0 V y V = V
1
V
2
... V
n
, existe una unica manera de expresar el vector
nulo como suma de vectores de V
1
, V
2
, ..., V
n
. Esa unica manera tiene que ser entonces
0 = 0 + 0 + 0 +... + 0.
La combinacion lineal de m as arriba implica entonces que:
a
11
v
11
+a
12
v
12
+. . . +a
1p
1
v
1p
1
= 0
a
21
v
21
+a
22
v
22
+. . . +a
2p
2
v
2p
2
= 0

a
n1
v
n1
+a
n2
v
n2
+. . . +a
np
n
v
np
n
= 0.
Como B
1
es una base de V
1
se tiene que B
1
es l.i., y de la primera igualdad se deduce
a
11
= a
12
= ... = a
1n
= 0. Analogamente para los demas coecientes a
ij
= 0.
Entonces tenemos probado que B es l.i.
COROLARIO 68. Si V es suma directa de V
1
, V
2
, ..., V
n
entonces
dimV = dimV
1
+ dimV
2
+. . . + dimV
n
.
Demostraci on. Es inmediata a partir de la denicion de dimension y del teo-
rema anterior.
CAPTULO 2
TRANSFORMACIONES LINEALES.
Las transformaciones lineales son ciertas funciones entre espacios vectoriales. El-
las preservan (mantienen) las estructuras lineales que caracterizan a esos espacios: los
transformados de combinaciones lineales de vectores son las correspondientes combi-
naciones de los transformados de cada uno de los vectores. Llevan una combinacion
lineal de vectores en la combinacion de los transformados.
Las funciones que mantienen las estructuras caractersticas de los espacios entre
los que act uan son de especial importancia porque permiten moverse entre ellos
comparando las estructuras que los denen; en particular, permiten analizar cu an
diferentes o semejantes son desde el punto de vista de esas propiedades (lineales, en
el presente caso). En este sentido las transformaciones lineales son tan importantes
en el estudio de los espacios vectoriales, como las isometras o movimientos lo son en
la geometra metrica.
2.1. Transformaciones lineales
DEFINICI
ON 1. Sean V y W dos espacios vectoriales sobre el mismo cuerpo

K y T : V W una funci on. Decimos que T es una transformaci on lineal si
satisface
i: Para todo u, v V se cumple
T( u +v ) = T(u) + T(v).

en V en W
ii: Para todo K y v V se cumple
T( v ) = T (v).

en V en W
29
30 2. TRANSFORMACIONES LINEALES.
2.1.1. Ejemplos.
EJEMPLO 2. Sea V un espacio vectorial y jamos un escalar K. La funci on
T : V V tal que T (v) = v es una transformacion lineal.
Efectivamente:
i: T (v
1
+ v
2
) = (v
1
+v
2
) = v
1
+ v
2
= T (v
1
) +T (v
2
) ,
ii: T( v) = ( v) = ( v) = T (v) ,
EJEMPLO 3. Sea {V, K, +, } un espacio vectorial de dimension n y B una base
del mismo. El pasaje a coordenadas coord
B
: V K
n
es una transformacion lineal.
Ver la proposici on 1.60
EJEMPLO 4. Consideramos los espacios vectoriales D = {f : R R/ f es derivable }
F = {f : R R}.
La transformacion T : D F denida por T (f) = f
es una transformacion
lineal,
i: T (f
1
+f
2
) = (f
1
+f
2
)
= f
1
+f
2
= T (f
1
) +T (f
2
) ,
ii: T (f) = (f)
= f
= T (f) .
EJEMPLO 5. Dado el espacio vectorial C
0
= {f : R R/ f es continua}
consideramos T : C
0
F denida por T(f)(x) =
_
x
0
f(s)ds.
EJERCICIO 21. Recurra a sus conocimientos de c alculo para mostrar que T
es una transformacion lineal.
EJEMPLO 6. Sea V un espacio vectorial y v
0
= 0 un vector jo de V. La
funci on T : V V tal que: T (v) = v + v
0
no es una transformacion lineal, pues
T (v
1
+v
2
) = v
1
+ v
2
+ v
0
= v
1
+v
0
+v
2
+v
0
= T (v
1
) +T (v
2
) .
Las propiedades i) y ii) de la denicion anterior se pueden resumir de la siguiente
forma:
PROPOSICI
ON 7. T : V W es una transformaci on lineal si y s olo si

T (a
1
v
1
+ a
2
v
2
) = a
1
T (v
1
) + a
2
T ( v
2
) a
1
, a
2
K v
1
, v
2
V.
Demostraci on. Sean a
1
y a
2
escalares y v
1
y v
2
vectores.
() T (a
1
v
1
+ a
2
v
2
) = T (a
1
v
1
) + T (a
2
v
2
) = a
1
T (v
1
) + a
2
T ( v
2
) .
() Elegimos a
1
= a
2
= 1 se obtiene T ( v
1
+ v
2
) = T (v
1
) +T ( v
2
), y tomando
a
2
= 0 se obtiene T (a
1
v
1
) = a
1
T (v
1
) .
2.1. TRANSFORMACIONES LINEALES 31
Esto fue lo que armamos en la introducci on cuando dijimos que una transfor-
macion lineal lleva una combinacion lineal en la combinacion de los transformados.
LEMA 8. Sea T : V W una transformaci on lineal. Entonces,
T (0) = 0.
Demostraci on. T (0) = T (0. v) = 0 . T (v) = 0.
Dos funciones con los mismos dominios y codominios son iguales cuando los trans-
formados de todos los elementos del dominio coinciden para ambas funciones. El
siguiente resultado nos permitir a concluir que para que dos transformaciones lineales
sean iguales basta con que coincidan en una base. Tenga presente que un espacio
vectorial puede tener innitos elementos pero pueden ser construidos a partir de una
base con una cantidad nita de vectores.
PROPOSICI
ON 9. Sean V y W espacios vectoriales sobre un mismo cuerpo

con dim(V ) = n, T : V W y S : V W transformaciones lineales. Consideremos
una base B = {v
1
, . . . , v
n
} de V. Entonces:
T (v) = S (v) v V si y solo si T (v
i
) = S (v
i
) i = 1, 2, . . . , n.
Demostraci on. () Si T y S coinciden en todo el espacio V, en particular
coinciden en los vectores de la base B.
() Dado v V , como B es base de V, existen
1
, . . . ,
n
K tales que v =
1
v
1
+. . . +
n
v
n
. Luego, como T y S son lineales se cumple
T (v) = T (
1
v
1
+ +
n
v
n
)
=
1
T (v
1
) + +
n
T (v
n
)
=
1
S (v
1
) + +
n
S (v
n
)
= S (
1
v
1
+ +
n
v
n
) = S (v) .
Por lo tanto para que dos tranformaciones lineales coincidan

basta que coincidan los transformados de los vectores de una base.
El resultado anterior nos da una forma facil de construir transformaciones lineales,
solo tenemos que preocuparnos con los transformados de los vectores de una base del
espacio de salida.
TEOREMA 10. Sean V y W espacios vectoriales sobre un mismo cuerpo con
dim(V ) = n donde {v
1
, . . . , v
n
} es una base de V y w
1
, . . . , w
n
W cualesquiera.
Entonces,
existe una unica transformaci on lineal
T : V W
tal que T (v
i
) = w
i
i = 1, . . . , n.
Demostraci on. Existencia: Dado v V existen y son unicos a
1
, . . . , a
n
tales
que v =
n
i=1
a
i
v
i
. Denimos entonces T : V W mediante
T (v) =
n
i=1
a
i
w
i
.
Hay que vericar que T es lineal. Sean v y v vectores y , escalares. Tenemos
v =
n
i =1
a
i
v
i
y v =
n
i =1
a
i
v
i
. Entonces
T (v + v) = T
_
n
i =1
(a
i
+ a
i
) v
i
_
=
n
i =1
(a
i
+ a
i
) w
i
=
n
i =1
a
i
v
i
+
n
i =1
a
i
v
i
= T (v) +T ( v) .
Luego T es lineal por la proposici on 2.7.
Unicidad: Supongamos que existan T : V W y S : V W lineales tales
que T (v
i
) = w
i
y S (v
i
) = w
i
. Entonces T y S coinciden en una base de V; por
la proposici on 2.10, resulta que T=S.
OBSERVACI
ON 11. Hemos probado que una transformaci on lineal queda

determinada por sus valores sobre una base. Es suciente conocer los trans-
formados de una base para que la transformacion lineal quede denida en todo el
espacio.
Este resultado sirve de base para el proceso llamado extender o denir por lineali-
dad una transformacion: se denen los transformados de los vectores de la base y
dado un vector v, sus coordenadas nos dan los coecientes de la combinacion lineal
de los transformados de la base que dene T(v).
2.1.2. Ejemplos.
EJEMPLO 12. Sea T : R
2
R
3
lineal tal que
T (1, 2) = (3, 1, 5) ,
T (0, 1) = (2, 1, 1) .
2.2. MATRIZ ASOCIADA 33
Como {(1, 2) , (0, 1)} es una base de R
2
, T esta bien determinada.
Hallemos T (x, y) con (x, y) R
2
. Como
(x, y) = x (1, 2) + (2x +y) (0, 1)
se cumple:
T (x, y) = T (x (1, 2) + (2x +y) (0, 1))
= xT (1, 2) + (2x +y) T (0, 1)
= x(3, 1, 5) + (2x +y) (2, 1, 1) = (x + 2y, 3x +y, 7x y) .
2
R
2
lineal tal que T (1, 0) = T (0, 1) = (2, 3).
Como {(1, 0) , (0, 1)} es la base canonica de R
2
, T esta determinada.
Luego
T (x, y) = T (x(1, 0) +y (0, 1))
= xT (1, 0) +yT (0, 1)
= x(2, 3) +y (2, 3) = (x +y) (2, 3) .
2.2. Matriz asociada
Veamos que la toda la informaci on sobre una transformacion lineal puede ser
codicada en una matriz. Vamos a ver que jando bases en los espacios de salida y
de llegada de la transformacion podemos; via el pasaje a coordenadas en las bases
elegidas, resumir la transformacion lineal a una matriz.
Dados V un espacio vectorial y una base del mismo B consideramos una trans-
formacion
B
: K
n
V.
Si B = {v
1
, . . . , v
n
} denimos
B
_
_
_
_
1
.
.
.
n
_
_
_
_
=
1
v
1
+. . .
n
v
n
.
EJERCICIO 22. Mostrar que las composiciones coord
B

B
y
B
coord
B
resultan ser las transformaciones identidad en sus correspondientes espacios.
El ejercicio anterior nos permite concluir que el inverso de
B
,
1
B
: V K
n
es:
1
B
(v) = coord
B
(v).
Sean V y W espacios vectoriales de dimension nita sobre un mismo cuerpo ,
B y D bases, respectivamente de V y W con n y m vectores cada una. Dada una
transformacion lineal T : V W podemos considerar las siguientes composiciones:
V
T
W
B

1
D
K
n
K
m
Vemos que resulta la transformacion lineal
1
D
T
B
: K
n
K
m
.
El siguiente teorema que caracteriza las transformaciones lineales entre espacios
K
n
nos permitir a introducir la nocion de matriz asociada que es la matriz que contiene
la informaci on sobre la transformacion lineal . En resumen vamos a mirar que pasa
con la transformacion
coord
B
(v) coord
D
(Tv)
K
n
K
m
.
TEOREMA 14. Una funci on T : K
n
K
m
es una transformaci on lineal si y
s olo si existe una matriz A M
mn
tal que
T
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
= A
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
.
La matriz A que cumple esa funci on es unica.
Demostraci on:
Es claro que una funci on T(X) = AX es lineal. La otra parte del resultado es lo que
nos interesa.
Dada T : K
n
K
m
una transformacion lineal queremos ver que existe una unica
matriz m n A tal que TX = AX. O sea, debemos mostrar la existencia y su
unicidad. Veamos la unicidad primero que ya nos dar a la pista de como construir la
matriz A.
Consideramos los vectores de la base canonica de K
n
e
1
=
_
_
_
_
_
_
1
0
.
.
.
0
_
_
_
_
_
_
, . . . , e
n
=
_
_
_
_
_
_
0
0
.
.
.
1
_
_
_
_
_
_
.
Sean A y B M
mn
tales que TX = AX = BX. Sabemos que Ae
1
y Be
1
son
las primeras columnas de las respectivas matrices. Como ambas coinciden con Te
1
vemos que A y B tienen la misma primer columna. Del mismo razonamiento para los
demas vectores de la base canonica de K
n
se desprende que todas las columnas de A
y B coinciden, por lo que A = B.
Para ver la existencia utilizamos lo que vimos en la parte anterior para las columnas.
Dada T : K
n
K
m
podemos considerar la matriz A que tiene como columna i el
vector Te
i
,
A = (Te
1
| . . . |Te
n
) M
mn
.
Consideremos la tranformaci on lineal T
dada por la matriz A. Por la construcci on de

la matriz tenemos que Te
i
= T
e
i
como coinciden en una base tenemos que T = T
Si miramos
V
T
W
B

1
D
K
n
K
m
por lo anterior coord
D
T
B
(x) = Ax.
Esa matriz A es llamada la matriz asociada a T en las bases B y D y es denotada
D
(T)
B
.
Si vamos a las deniciones de los isomorsmos
D
y
B
vemos que lo que tenemos es:
coord
D
(Tv) =
D
(T)
B
coord
B
(v).
Efectivamente, consideremos V , W espacios vectoriales de dimension nita sobre
un mismo cuerpo K, T : V W una transformacion lineal, B = {v
1
, v
2
, . . . , v
n
} una
base de V y D = {w
1
, w
2
, . . . , w
m
} una base de W.
Miremos el proceso que llevamos a cabo en la demostracion del resultado anterior.
La primer columna de la matriz
D
(T)
B
corresponde al vector coord
D
T
B
(e
1
).
Tenemos que
B
(e
1
) = v
1
y por lo tanto la primer columna son las coordenadas en la
base D de Tv
1
.
Los vectores T (v
1
) , T (v
2
) , . . . , T (v
n
) son vectores de W y por lo tanto cada uno
de ellos es combinacion lineal de los vectores de la base D:
T (v
1
) = a
11
w
1
+a
21
w
2
+. . . +a
m1
w
m
T (v
2
) = a
12
w
1
+a
22
w
2
+. . . +a
m2
w
m
.
.
.
.
.
.
T (v
n
) = a
1n
w
1
+a
2n
w
2
+. . . +a
mn
w
m
.
En otras palabras
coord
B
(T (v
1
)) =
_
_
a
11
a
21
.
.
.
a
m1
_
_
, coord
B
(T (v
2
)) =
_
_
a
12
a
22
.
.
.
a
m2
_
_
,
. . . , coord
B
(T (v
n
)) =
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
.
DEFINICI
ON 15. Se llama representaci on matricial de T en las bases A y

B o matriz asociada a T en las bases B y D, a la matriz que representaremos por
D
(T)
B
y cuya j-esima columna son las coordenadas del vector T (v
j
) en la base D.
Esto es
columna columna columna
1 2 n

D
(T)
B
=
_
coord
D
(T(v
1
)) coord
D
(T(v
2
)) . . . . . . coord
D
(T(v
n
))
_
=
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
.
NOTA 16. La matriz asociada se obtiene colgando las coordenadas en la base
elegida de W de los transformados de los vectores de la base de V .
Agregemos todava lo siguiente: como v = x
1
v
1
+x
2
v
2
+. . . +x
n
v
n
aplicando T
y usando la linealidad
T (v) = x
1
T (v
1
) +x
2
T (v
2
) +. . . +x
n
T (v
n
)
Sustituimos, y obtenemos
T (v) = x
1
(a
11
w
1
+a
21
w
2
+. . . . +a
m1
w
m
)
+x
2
(a
12
w
1
+a
22
w
2
+. . . . +a
m2
w
m
)
.
.
.
+x
n
(a
1n
w
1
+a
2n
w
2
+. . . . +a
mn
w
m
)
= (x
1
a
11
+x
2
a
12
+. . . . +x
n
a
1n
) w
1
+(x
1
a
21
+x
2
a
22
+. . . . +x
n
a
2n
) w
2
.
.
.
+(x
1
a
m1
+x
2
a
m2
+. . . . +x
n
a
mn
) w
m
.
Luego
coord
D
(T (v)) =
_
_
_
_
_
_
x
1
a
11
+x
2
a
12
+. . . +x
n
a
1n
x
1
a
21
+x
2
a
22
+. . . +x
n
a
2n
.
.
.
x
1
a
m1
+x
2
a
m2
+. . . +x
n
a
mn
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
D
(T)
B
coord
B
(v) .
EJEMPLO 17. Consideremos la transformacion lineal T : R
2
R
3
tal que
T (x, y) = (4x 2y, 2x +y, x +y) x R
2
, y las bases canonicas A = {(1, 0) , (0, 1)}
de R
2
y B = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} de R
3
.
Para hallar la matriz asociada a T en dichas bases
1) Hallamos las imagenes de los vectores de la base A
T (1, 0) = (4, 2, 1) ,
T (0, 1) = (2, 1, 1) .
2) Calculamos las coordenadas de estos en la base B
T (1, 0) = (4, 2, 1) = 4 (1, 0, 0) + 2 (0, 1, 0) + 1 (0, 0, 1) ,
coord
B
(T (1, 0)) =
_
_
_
4
2
1
_
_
_.
T (0, 1) = (2, 1, 1) = 2 (1, 0, 0) + 1 (0, 1, 0) + 1 (0, 0, 1) ,
coord
B
(T (0, 1)) =
_
_
_
2
1
1
_
_
_.
Luego
B
(T)
A
=
_
_
_
4 2
2 1
1 1
_
_
_.
EJEMPLO 18. Consideremos la transformacion lineal T : P
2
R
2
tal que al
polinomio p (t) = at
2
+bt +c le hace corresponder T (p) = (2a +b, a +b + 4c). Sean
p
2
(t) = t
2
, p
1
(t) = t, p
0
(t) = 1; las bases A = {p
2
, p
1
, p
0
} de P
2
y B = {(1, 1) , (1, 0)}
de R
2
.
Para hallar la matriz asociada a T en dichas bases:
1) Hallamos las imagenes de los vectores de la base A
T (p
2
) = (2, 1) , T (p
1
) = (1, 1) , T (p
0
) = (0, 4) .
2) Calculamos las coordenadas de estos en la base B
T (p
2
) = (2, 1) = 1 (1, 1) + 1 (1, 0) coord
B
(T (p
2
)) =
_
1
1
_
,
T (p
1
) = (1, 1) = 1 (1, 1) + 0 (1, 0) coord
B
(T (p
1
)) =
_
1
0
_
,
T (p
0
) = (0, 4) = 4 (1, 1) 4 (1, 0) coord
B
(T (p
0
)) =
_
4
4
_
.
Luego
B
(T)
A
=
_
1 1 4
1 0 4
_
.
EJEMPLO 19. Consideremos la transformacion lineal T : P
2
P
2
tal que
T (p) = p
y la base canonica de P
2
, C = {p
0
, p
1
, p
2
} donde p
i
(t) = t
i
, i = 0, 1, 2.
1) Hallemos las imagenes de los vectores de la base C:
T (p
0
) = 0, T (p
1
) = p
0
, T (p
2
) = 2p
1
.
2)Calculemos las coordenadas de estos en la base C
T (p
0
) = 0 = 0p
0
+ 0p
1
+ 0p
2
coord
C
(T (p
0
)) =
_
_
_
0
0
0
_
_
_,
T (p
1
) = p
0
= 1p
0
+ 0p
1
+ 0p
2
coord
C
(T (p
1
)) =
_
_
_
1
0
0
_
_
_,
T (p
2
) = 2p
1
= 0p
0
+ 2p
1
+ 0p
2
coord
C
(T (p
2
)) =
_
_
_
0
2
0
_
_
_.
Luego
C
(T)
C
=
_
_
_
0 1 0
0 0 2
0 0 0
_
_
_.
OBSERVACI
ON 20. Si dim(V ) = n y dim(W) = m la matriz asociada tiene

dimension mn.
La matriz asociada a una transformacion
B
(T)
A
queda completamente determi-
nada conocidas la transformacion lineal T y las bases A y B del dominio y codominio
respectivamente.
Recprocamente, dada una matriz M de tama no m n y dos bases A y B de
los espacios V y W respectivamente, queda completamente determinada una trans-
formacion lineal T tal que
B
(T)
A
=M. Al conocer la matriz M, sus columnas son las
coordenadas en la base B de las imagenes de dos vectores de la base A. Esto nos
permite conocer las imagenes de los vectores de la base A, y por el Teorema 2.10, esto
es suciente para determinar T.
EJEMPLO 21. Hallar la transformacion lineal T : R
3
R
2
sabiendo que
B
(T)
A
=
_
2 3 1
1 0 2
_
donde A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} es base de R
3
y
B = {(2, 1) , (0, 2)} es base de R
2
De acuerdo a la denicion de matriz asociada
coord
B
(T (1, 0, 1)) =
_
2
1
_
, coord
B
(T (2, 0, 0)) =
_
3
0
_
,
coord
B
(T (0, 1, 0)) =
_
1
2
_
.
Luego
T (1, 0, 1) = 2 (2, 1) + 1 (0, 2) = (4, 0) ,
T (2, 0, 0) = 3 (2, 1) + 0 (0, 2) = (6, 3) ,
T (0, 1, 0) = 1 (2, 1) + 2 (0, 2) = (2, 5) .
Como A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} es una base de R
3
se cumple que (x, y, z)
R
3
esta dado por la combinacion lineal
(x, y, z) = z (1, 0, 1) +
_
x z
2
_
(2, 0, 0) +y (0, 1, 0) .
Luego la linealidad de T implica
T (x, y, z) = z T (1, 0, 1) +
_
xz
2
_
T (2, 0, 0) +y T (0, 1, 0)
= z (4, 0) +
xz
2
(6, 3) +y (2, 5)
=
_
3x 2z 2y,
3
2
x + 5y +
3
2
z
_
;
as T : R
3
R
2
es tal que
T (x, y, z) =
_
3x 2z 2y,
3
2
x + 5y +
3
2
z
_
.
3
R
3
tal que
B
(T)
A
=
_
_
_
1 1 0
2 0 0
3 4 1
_
_
_ con A =
B = {(1, 0, 0) , (1, 1, 0) , (1, 1, 1)} . Hallar T (2, 0, 1).
Como (2, 0, 1) = 2 (1, 0, 0) + (1) (1, 1, 0) + 1 (1, 1, 1)
resulta que coord
A
(2, 0, 1) =
_
2
1
1
_
Luego de acuerdo a la funci on de la matriz asociada se cumple que
coord
B
(T (2, 0, 1)) =
B
(T)
A
coord
A
(2, 0, 1)
=
_
_
_
1 1 0
2 0 0
3 4 1
_
_
_
_
_
_
2
1
1
_
_
_ =
_
_
_
3
4
3
_
_
_.
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES. 41
As
T (2, 0, 1) = 3 (1, 0, 0) + 4 (1, 1, 0) + 3 (1, 1, 1)
= (10, 7, 3) .
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES.
DEFINICI
ON 23 (Suma de Transformaciones Lineales). Sean V, W espacios

vectoriales sobre un mismo cuerpo K y S : V W y T : V W dos transformaciones
lineales. Se dene la suma de S y T como la transformacion S + T : V W tal
que
(S +T) (v) = S (v) +T (v) v V.
EJEMPLO 24. Sean S : R
3
R
2
tal que S (x, y, z) = (x +y +z, x z) y
T : R
3
R
2
denida por T (x, y, z) = (x y, y +z). Entonces la suma de S y T es
la transformacion S +T : R
3
R
2
dada por
(S +T) (x, y, z) = S (x, y, z) +T (x, y, z)
= (x +y +z, x z) + (x y, y +z)
= (2x +z, x +y) .
PROPOSICI
ON 25. Si S y T son transformaciones lineales, entonces S + T

es una transformaci on lineal.
Demostraci on. Sean v
1
y v
2
vectores, y escalares. Probemos
(S +T) (v
1
+v
2
) = (S +T) (v
1
) + (S +T) (v
2
) .
En efecto
(S +T) (v
1
+v
2
) = S (v
1
+v
2
) +T (v
1
+v
2
)
= S (v
1
) +S (v
2
) +T (v
1
) +T (v
2
)
= [S (v
1
) +T (v
1
)] + [S (v
2
) +T (v
2
)]
= [(S +T) (v
1
)] + [(S +T) (v
2
)] .
DEFINICI
ON 26. Producto por un escalar Se dene el producto del escalar

K por la transformaci on T, como la transformacion (.T) : V W tal que
(.T) (v) = .T (v) v V.
2
R
3
tal que T (x, y) = (x 2y, x +y, x)
Entonces el producto del escalar = 5 por la transformacion T es la transforma-
cion 5.T : R
2
R
3
tal que
(5.T) (x, y) = 5.T (x, y) = 5. (x 2y, x +y, x)
= (5 10y, 5x + 5y, 5x) .
PROPOSICI
ON 28. Si T es una transformaci on lineal y un escalar entonces

T es una transformaci on lineal.
Demostraci on. Probemos que
(T) (
1
v
1
+
2
v
2
) =
1
(T) (v
1
) +
2
(T) (v
2
) v
1
, v
2
V
1
,
2
K
En efecto
(T) (
1
v
1
+
2
v
2
) = T (
1
v
1
+
2
v
2
)
= [
1
T (v
1
) +
2
T (v
2
)]
=
1
T (v
1
) +
2
T (v
2
)
=
1
T (v
1
) +
2
T (v
2
)
=
1
(T) (v
1
) +
2
(T) (v
2
) .
EJERCICIO 23. Sean V y W espacios vectoriales sobre un mismo cuerpo,

notaremos con L(V, W) al conjunto de todas las transformaciones lineales de V hacia
W. Mostrar que las operaciones de suma y multiplicacion escalar consideradas hacen
de L(V, W) un K espacio vectorial.
PROPOSICI
ON 29. Dadas dos transformaciones lineales de espacios vecto-

riales sobre un cuerpo K, T : V W y S : V W y K un escalar, sean
B = {v
1
, . . . , v
n
} base de V y E = {w
1
, . . . , w
m
} base de W. Entonces:
E
(T +S)
B
=
E
(T)
B
+
E
(S)
B
,
E
(T)
B
=
E
(T)
B
.
Demostraci on. Sean A = (a
ij
) =
E
(T)
B
y B = (b
ij
) =
E
(S)
B
. Entonces:
T (v
j
) =
m
i=1
a
ij
w
i
y S (v
j
) =
m
i=1
b
ij
w
i
.
De donde
(T +S) (v
j
) = T (v
j
) +S (v
j
) =
m
i=1
a
ij
w
i
+
m
i=1
b
ij
w
i
=
m
i=1
(a
ij
+b
ij
)w
i
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES. 43
y por lo tanto
E
(T +S)
B
= (a
ij
+b
ij
) = A+B.
Ademas (T) v
j
= T (v
j
) =
m
i=1
a
ij
w
i
=
m
i=1
a
ij
w
i
entonces
E
(T)
B
= (a
ij
) = A.
DEFINICI
ON 30. Composici on de Transformaciones Lineales. Sean U, V y

W espacios vectoriales sobre un mismo cuerpo K, S : U V y T : V W dos
transformaciones lineales. Se dene la composici on S y T como la transformacion
T S : U W tal que (T S) (u) = T (S (u)) .
EJEMPLO 31. Sean S : R
3
R
2
tal que S (x, y, z) = (2x, y +z) y T : R
2
R
2
tal que T (x, y) = (y, x).
Luego T S : R
3
R
2
es tal que (T S) (x, y, z) = (y +z, 2x).
PROPOSICI
ON 32. Si S y T son lineales, entonces T S es lineal

Demostraci on. Probemos que
1
,
2
K u
1
, u
2
V.
(T S) (
1
u
1
+
2
u
2
) =
1
(T S) (u
1
) +
2
(T S) (u
2
)
En efecto
(T S) (
1
u
1
+
2
u
2
) = T (S (
1
u
1
+
2
u
2
))
=
1
T ( S (u
1
)) +
2
T ( S (u
2
))
=
1
(T S) (u
1
) +
2
(T S) (u
2
) .
PROPOSICI
ON 33. Sean U, V y W K-espacios vectoriales con dim(U) = s,

dim(V ) = n y dim(W) = t, y las transformaciones lineales S : U V , T : V W.
Dadas A = {u
1
, . . . , u
s
} , B = {v
1
, . . . , v
n
} y C = {w
1
, . . . , w
t
} bases de U, V y
W respectivamente, se cumple que la matriz asociada a la composici on T S es el
producto de las matrices asociadas. Es decir
C
(T S)
A
=
C
(T)
B
B
(S)
A
.
Demostraci on. Sea
C
(T)
B
= (a
ij
),
B
(S)
A
= (b
jk
) y
C
(T)
B
B
(S)
A
= (c
i j
)
con 1 i t, 1 j n, 1 k s. Por denicion de producto de matrices
c
ik
=
n
j=1
a
ij
b
jk
. Calculemos
C
(T S)
A
.
Sea u
k
A,
(T S) (u
k
) = T (S (u
k
)) = T
_
n
j=1
b
jk
v
j
_
=
n
j=1
b
jk
T (v
j
) =
n
j=1
b
jk
t
i=1
a
ij
w
i
=
t
i=1
_
n
j=1
a
ij
b
jk
_
w
i
=
t
i=1
c
ik
w
i
.
Resulta, por denicion de matriz asociada
C
(T S)
A
= (c
ij
).
OBSERVACI
ON 34. Sea T : V W una transformacion lineal con inversa

lineal(en breve 2.52 veremos que esta hipotesis no es necesaria), B y D bases de V y
W respectivamente, y sea T
1
: W V la inversa de T.
Como T T
1
= id
W
entonces
D
(T)
B
.
B
_
T
1
_
D
=
D
(id
W
)
D
= Id
y de T
1
T = id
V
B
_
T
1
_
D
.
D
(T)
B
=
B
(id
V
)
B
= Id
y por lo tanto la matriz asociada a la transformacion inversa T
1
es la inversa de la
matriz asociada a la transformacion T. Es decir:
D
(T)
B
= A
B
_
T
1
_
D
= A
1
.
2.4. CAMBIO DE BASE.
Sea V un espacio vectorial de dimension nita sobre un cuerpo K, dim(V ) = n.
Consideremos una base A del espacio V . Hemos visto que todo vector v V , se
puede representar por la n- upla (vector columna) coord
A
(v) K
n
.
En esta seccion responderemos la siguiente pregunta natural
como cambia la representacion si seleccionamos otra base?
Es decir si consideramos otra base A
del espacio V ,
como se relaciona coord
A
(v) con coord
A
(v)?
2.4. CAMBIO DE BASE. 45
Vamos a ver con un ejemplo porque esto puede ayudarnos a simplicar un problema.
Queremos acercarnos al siguiente problema: dados los puntos de R
2
,
(x
1
, y
1
), (x
2
, y
2
), . . . , (x
n
, y
n
)
queremos encontrar una funci on decentef tal que f(x
i
) = y
i
.
El problema expresado en esa generalidad presenta muchas libertades y muchas
ambiguedades. Acotemos las mismas de alguna manera.
EJEMPLO 35. Dados los puntos
(0, 1), (1, 2), (2, 2), (3, 1)
queremos encontrar un polinomio de grado 3 que cumpla lo planteado en el problema
anterior.
Eso nos conduce a las ecuaciones
_
_
a
3
(3)
3
+a
2
(3)
2
+a
1
3 +a
0
= 1;
a
3
(2)
3
+a
2
(2)
2
+a
1
2 +a
0
= 2;
a
3
(1)
3
+a
2
(1)
2
+a
1
1 +a
0
= 2;
a
0
= 1
que corresponde al sistema lineal con matriz ampliada
_
_
_
_
_
(3)
3
(3)
2
3 1 1
(2)
3
(2)
2
2 1 2
(1)
3
(1)
2
1 1 2
0 0 0 1 1
_
_
_
_
_
cuyas incognitas son los coecientes del polinomio. Observe que el grado del polinomio
lo elegimos para tener la misma cantidad de incognitas que de ecuaciones. Resolviendo
el sistema obtenemos:
_
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0
1
2
0 0 1 0
3
2
0 0 0 1 1
_
_
_
_
_
_
_
_
_
lo que implica que el polinomio es
1
2
x
2
+
3
2
x + 1.
Observar que si elegimos m as puntos o los puntos que tomamos son m as com-
plicados el sistema resultante se complica. Busquemos si podemos resolver el mismo
problema pero donde los n umeros que busquemos sean m as sencillos de hallar.
Si podemos conseguir polinomios de tercer grado p
i
que cumplan
p
i
(x
i
) = 1 y si j = i p
i
(x
j
) = 0
entonces basta con tomar el polinomio
n
i=1
y
i
p
i
(x)
que cumple con lo que estamos buscando.
Para el ejemplo dado, tales polinomios son:
p
0
(x) =
(x1)(x2)(x3)
6
,
p
1
(x) =
x(x2)(x3)
2
,
p
2
(x) =
x(x1)(x3)
2
,
p
3
(x) =
x(x1)(x2)
6
Por lo tanto el polinomio que estamos buscando es
1p
0
(x) + 2p
1
(x) + 2p
2
(x) + 1p
3
(x).
EJERCICIO 24. Por que el polinomio 1p
0
(x)+2p
1
(x)+2p
2
(x)+1p
3
(x) es igual
al que construimos resolviendo el sistema lineal? No solo hacer la cuenta, mostrar en
general que los procesos ilustrados conducen a los mismos polinomios. Sugerencia:
Un polinomio de grado n con m as de n raices solo puede ser el que tiene todos los
coecientes iguales a cero.
EJERCICIO 25. Mostrar que dado cualquier polinomio de grado menor o igual
a tres a
3
x
3
+a
2
x
2
+a
1
x +a
0
existen coecientes
0
,
1
,
2
,
3
tales que:
a
3
x
3
+a
2
x
2
+a
1
x +a
0
=
0
p
0
(x) +
1
p
1
(x) +
2
p
2
(x) +
3
p
3
(x).
Si miramos con cuidado la igualdad entre ambos polinomios que resuelven el
problema vemos que:
_
_
a
3
=
y
0
6
+
y
1
2
+
y
2
2
+
y
3
6
,
a
2
=
y
0
6
[1 2 3] +
y
1
2
[2 3]
+
y
2
2
[1 3] +
y
3
6
[1 2],
a
1
=
y
0
6
[(1)(2) +(2)(3) +(1)(3)] +
y
1
2
[(2)(3)]
+
y
2
2
[(1)(3)] +
y
3
6
[(1)(2)],
a
0
=
y
0
6
[(1)(2)(3)] +
y
1
2
[0] +
y
2
2
[0] +
y
3
6
[0],
2.4. CAMBIO DE BASE. 47
que lo podemos escribir matricialmente como:
_
_
_
_
_
a
3
a
2
a
1
a
0
_
_
_
_
_
=
_
_
_
_
_
1
6
1
2
1
2
1
6
1
6
[1 2 3]
1
2
[2 3]
1
2
[1 3]
1
6
[1 2]
1
6
[(1)(2) +(2)(3) +(1)(3)]
1
2
[(2)(3)]
1
2
[(1)(3)]
1
6
[(1)(2)]
1
6
[(1)(2)(3)]
1
2
[0]
1
2
[0]
1
6
[0]
_
_
_
_
_
_
_
_
_
_
y
0
y
1
y
2
y
3
_
_
_
_
_
.
Pongamos las cuentas que realizamos en el contexto del algebra lineal. Que fue lo
que hicimos?
Elegimos un espacio vectorial de dimension nita para obtener una soluci on.
Tomamos una base de dicho espacio y calculamos las coordenadas del vector
que nos interesaba.
Vimos que elijiendo otra base del espacio simplicabamos el c alculo de las
coordenadas del vector buscado.
Hallamos como se relacionan unas coordenadas con otras, lo que nos dio una
matriz que, cambiando los valores de y en los puntos elegidos nos permite de
una manera sencilla calcular los coecientes del polinomio que nos interesa
hallar.
Un comentario sobre el ejemplo. El procedimiento utilizado es llamado de interpo-
lacion: dado ciertos valores elejimos una funci on que tome exactamente esos valores.
En este caso es llamado de interpolacion polinomica porque tomamos polinomios para
buscar las funciones que nos interesan. La elecci on de cuales funciones tomamos para
interpolar depende del contexto en el que estemos trabajando.
Veamos ahora, en general, la relacion que existe entre lasa coordenadas de un
vector en dos bases diferentes. O sea, dados dos bases B y D vamos a mirar la
transformacion
coord
B
(v) coord
D
(v).
DEFINICI
ON 36. Sean B = {v
1
, v
2
, . . . , v
n
} y D = {v
1
, v
2
, . . . , v
n
} bases del
espacio V e I : V V la transformacion identidad (esto es I (v) = v v V ).
Llamaremos matriz de cambio de la base (vieja) B a la base (nueva) D a la
matriz:
D
(I)
B
.
La relacion entre las coordenadas esta dada por la siguiente
PROPOSICI
ON 37. Se cumple que coord

D
(v) =
D
(I)
B
coord
B
(v).
Demostraci on. Sabemos que la funci on de la matriz asociada es
coord
D
(I (v)) =
D
(I)
B
coord
B
(v)
Pero siendo I (v) = v, se obtiene la hipotesis.
PROPOSICI
ON 38. Sean V un espacio vectorial sobre un cuerpo K, B y D

bases del mismo e I : V V la transformaci on lineal identidad. Entonces:
1)
B
(I)
B
=
_
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
(matriz identidad).
2)
D
(I)
B
es invertible y [
D
(I)
B
]
1
=
B
(I)
D
.
Demostraci on. Demostraci on: (Ejercicio)
PROPOSICI

K, A, A bases de V , B, B bases de W, T : V W una transformaci on lineal.
Entonces
B
(T)
A
=
B
(I
W
)
B
B
(T)
A
A
(I
V
)
A
donde I
V
: V V y I
W
: W W son las transformaciones lineales identidad en V
y W respectivamente.
Demostraci on. Como I
W
T I
V
T se tiene, aplicando la proposici on 2.33.
reiteradamente
B
(I
W
T I
V
)
A
=
B
(T)
A

B
(I
W
)
B
B
(T I
V
)
A
=
B
(T)
A
B
(I
W
)
B
B
(T)
A
A
(I
V
)
A
=
B
(T)
A
2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL.

DEFINICI
ON 40. Sean V y W espacios vectoriales sobre el mismo cuerpo K

y T : V W una transformacion lineal.
i: Llamaremos n ucleo de T al conjunto de V cuya imagen por T es el vector
nulo, es decir
ker (T) = {v V : T (v) = 0 W}
tambien se usa la notacion N (T).
2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL. 49
ii: Llamaremos imagen de T al conjunto:
Im(T) = {w W : v V con w = T (v)}
tambien se utiliza la notacion T (V ).
EJEMPLO 41. Se considera la transformacion lineal T : R
3
R
2
tal que
T (x, y, z) = (x +y +z, 2x + 2y + 2z).
1) Hallemos el n ucleo de T.
(x, y, z) ker (T) T (x, y, z) = (0, 0) (x +y +z, 2x + 2y + 2z) = (0, 0)
_
x +y +z = 0
2x + 2y + 2z = 0
x +y +z = 0
As el ker (T) =
_
(x, y, z) R
3
: x +y +z = 0
_
.
2) Hallemos la imagen de T.
(a, b) Im(T) existe (x
0
, y
0
, z
0
) R
3
_
T (x
0
, y
0
, z
0
) = (a, b)
existe (x
0
, y
0
, z
0
) R
3
tal que (x
0
+y
0
+z
0
, 2x
0
+ 2y
0
+ 2z
0
) = (a, b)
existe (x
0
, y
0
, z
0
) R
3
tal que
_
x
0
+y
0
+z
0
= a
2x
0
+ 2y
0
+ 2z
0
= b
el sistema
_
x +y +z = a
2x + 2y + 2z = b
es compatible
el sistema
_
x +y +z = a
0 = b 2a
es compatible
b = 2a
Luego: Im(T) =
_
(a, b) R
2
: b = 2a
_
.
EJEMPLO 42. Se considera la transformacion lineal T : R
3
R
2
tal que
T (x, y, z) = (x +y, y +z).
1) Hallemos el n ucleo de T.
(x, y, z) ker (T) T (x, y, z) = 0 (x +y, y +z) = 0
_
x +y = 0
y +z = 0
As el ker (T) =
_
(x, y, z) R
3
: x = y , z = y con y R
_
.
2) Hallemos la imagen de T.
(a, b) Im(T) existe (x
0
, y
0
, z
0
) R
3
_
T (x
0
, y
0
, z
0
) = (a, b)
existe (x
0
, y
0
, z
0
) R
3
tal que
_
x
0
+y
0
= a
y
0
+z
0
= b
el sistema
_
x +y = a
y +z = b
es compatible.
Como el sistema es compatible para cualquier par (a, b) resulta que Im(T) = R
2
.
EJEMPLO 43. Se considera la transformacion lineal T : P
2
R
2
tal que
T (p) = (p (0) , p (1)).
1) Hallamos el n ucleo ker (T).
Sea p : p (t) = xt
2
+yt +z un polinomio de P
2
p ker (T) T (p) = (0, 0) (p (0) , p (1)) = (0, 0)
_
p (0) = 0
p (1) = 0
_
z = 0
x +y +z = 0
_
x cualquiera
y = x
z = 0
Luego ker (T) =
_
p P
2
_
p : p (t) = xt
2
xt con x R
_
2) Hallemos la imagen de T, Im(T).
(a, b) Im(T) existe p
0
P
2
tal que T (p
0
) = (a, b)
existe p
0
P
2
tal que (p
0
(0) , p
0
(1)) = (a, b)
existe p
0
: p
0
(t) = x
0
t
2
+y
0
t +z
0
P
2
tal que (x
0
, x
0
+y
0
+z
0
) = (a, b)
existen x
0
, y
0
, z
0
R tales que
_
x
0
= a
x
0
+y
0
+z
0
= b
el sistema
_
x = a
x +y +z = b
es compatible.
Como el sistema anterior es compatible para cualquier a y b resulta que Im(T) = R
2
EJEMPLO 44. Se considera la transformacion lineal
T : M
22
(R) M
22
(R) tal que T (M) =
_
1 1
2 2
_
M.
1) Hallemos el ker (T) Sea M =
_
a b
c d
_
un matriz en M
22
(R)
M ker (T) T (M) = 0
_
1 1
2 2
_
M = 0
M
22
(R)
_
1 1
2 2
_ _
a b
c d
_
=
_
0 0
0 0
_
_
a c b d
2a + 2c 2b + 2d
_
=
_
0 0
0 0
_
_
a c = 0
b d = 0
2a + 2c = 0
2b + 2d = 0
_
a = c
b = d
c cualquiera
d cualquiera
As ker (T) =
_
M M
22
(R) : M =
_
c d
c d
_
con c, d R
_
.
2) Hallar la Im(T)
_
a b
c d
_
Im(T) existe
_
x
0
y
0
z
0
t
0
_
M
22
(R) tal que
T
_
x
0
y
0
z
0
t
0
_
=
_
a b
c d
_
existe
_
x
0
y
0
z
0
t
0
_
M
22
(R) tal que
_
1 1
2 2
__
x
0
y
0
z
0
t
0
_
=
_
a b
c d
_
existe
_
x
0
y
0
z
0
t
0
_
M
22
(R) tal que
_
x
0
z
0
y
0
t
0
2x
0
+ 2z
0
2y
0
+ 2t
0
_
=
_
a b
c d
_
existen x
0
, y
0
, z
0
, t
0
R tales que
_
_
x
0
z
0
= a
y
0
t
0
= b
2x
0
+ 2z
0
= c
2y
0
+ 2t
0
= d
el sistema
_
_
x z = a
y t = b
2x + 2z = c
2y + 2t = d
tiene soluci on.
el sistema
_
_
x z = a
y t = b
0 = 2a +c
0 = 2b +d
tiene soluci on
2a +c = 0 y 2b +d = 0.
As, Im(T) =
__
a b
2a 2b
_
M
22
(R) : a, b R
_
.
PROPOSICI
ON 45. El conjunto ker (T) es un subespacio vectorial de V.

Demostraci on. Veamos que ker (T) = y que es cerrado respecto de las op-
eraciones del espacio vectorial.
1) T (0) = 0 0 ker (T) .
2) Si , Ky v
1
, v
2
ker (T) entonces:
T (v
1
+ v
2
) = T (v
1
) + T (v
2
)
= . 0 + . 0 = 0
Lo que implica que v
1
+ v
2
ker (T) . Por lo tanto ker (T) es un subespacio de
V .
PROPOSICI
ON 46. El conjunto Im (T) es un subespacio vectorial de W.

Demostraci on. Analogamente,
1) T (0) = 0 0 Im (T)
2) Si , Ky w
1
, w
2
Im (T) entonces existen v
1
, v
2
tales que T ( v
1
) =
w
1
y T ( v
2
) = w
2
. Entonces, si llamamos v = v
1
+ v
2
, se tiene T (v) =
w
1
+ w
2
y por lo tanto w
1
+ w
2
Im (T) . Luego Im (T) es un subespacio
de W.
EJEMPLO 47. Hallemos una base del n ucleo y una base de la imagen de la
transformacion lineal T : R
4
R
3
denida por
T (x, y, z, t) = (x y +z +t, x + 2z t, x +y + 3z 3t)
1) (x, y, z, t) ker (T) T (x, y, z, t) = (0, 0, 0)
(x y +z +t, x + 2z t, x +y + 3z 3t) = (0, 0, 0)
_
x y +z +t = 0
x + 2z t = 0
x +y + 3z 3t = 0
_
x y +z +t = 0
y +z 2t = 0
2y + 2z 4t = 0
_
x y +z +t = 0
y +z 2t = 0
_
x = 2z +t
y = z + 2t
Luego los vectores del n ucleo de T son de la forma
(2z +t, z + 2t, z, t) con z, t R. Como
(2z +t, z + 2t, z, t) = z (2, 1, 1, 0) +t (1, 2, 0, 1) con z, t R,
todo vector del n ucleo de T es combinacion lineal de los vectores (2, 1, 1, 0) y
(1, 2, 0, 1). Por ser {(2, 1, 1, 0), (1, 2, 0, 1)} un conjunto L.I., es una base de ker(T).
2) Un vector w Im(T) v R
4
tal que w = T (v), es decir
(x, y, z, t) R
4
tal que w = T (x, y, z, t) ,
w = (x y +z +t, x + 2z t, x +y + 3z 3t)
x, y, z, t R tal que v = (x, x, x) + (y, 0, y) +z (1, 2, 3) +t (1, 1, 3) .
Esto implica que todo vector de la imagen de T es combinacion lineal de
{(1, 1, 1) , (1, 0, 1) , (1, 2, 3) , (1, 1, 3)}
(observar que dichos vectores estan en la imagen pues son imagen de los vectores de
la base canonica en orden correspondiente ).
Pero el conjunto anterior es L.D. pues tiene 4 vectores y dim
_
R
3
_
=3. Observemos
que
(1, 2, 3) = 2 (1, 1, 1) + (1, 0, 1)
(1, 1, 3) = 1 (1, 1, 1) + (2) (1, 0, 1)
eso nos permite reducir el conjunto generador L.D. hasta obtener {(1, 1, 1) , (1, 0, 1)}
que s es L.I. y genera Im. Luego {(1, 1, 1) , (1, 0, 1)} es base de Im(T).
PROPOSICI
ON 48. Sea V, W espacios vectoriales de dimensi on nita sobre

un mismo cuerpo y T : V W lineal.
i: Si {v
1
, . . . , v
n
} es un generador de V, entonces {T (v
1
) , . . . , T (v
n
)} es un
generador de Im(T).
ii: Si {T (v
1
) , . . . , T (v
n
)} es un conjunto L.I. en Im(T) entonces {v
1
, . . . , v
n
}
es conjunto L.I. en V .
Este resultado puede resumirse como:
la imagen de un conjunto generador de V es un generador de Im(T)
la pre-imagen de un conjunto L.I. en la Im(T) es un conjunto L.I. en V .
Demostraci on. i) Dado w Im(T) existe v V tal que w = T (v). Como
v V y {v
1
, . . . , v
n
} es un generador de V , existen
1
, . . . ,
n
escalares tales que
v =
1
v
1
+ +
n
v
n
. Luego
w = T (v) = T (
1
v
1
+ +
n
v
n
)
=
1
T (v
1
) + +
n
T (v
n
) .
As todo vector w Im(T) es combinacion lineal de {T (v
1
) , . . . , T (v
n
)} Im(T) es
decir que {T (v
1
) , . . . , T (v
n
)} es un generador de Im(T).
ii) Sean
1
, . . . ,
n
K tales que
1
v
1
+ +
n
v
n
= 0.
Aplicando T y usando la linealidad
1
T (v
1
)+ +
n
T (v
n
) = 0. Como {T (v
1
) , . . . , T (v
n
)}
es un conjunto L.I. resulta que
1
= . . . =
n
= 0. Esto prueba que {v
1
, . . . , v
n
} es
L.I.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y
SOBREYECTIVAS.
Sean V y W espacios vectoriales sobre un mismo cuerpo K y T : V W una
transformacion lineal. Recordemos que T es inyectiva cuando
T (v
1
) = T (v
2
) v
1
= v
2
;
o equivalentemente
v
1
= v
2
T (v
1
) = T (v
2
).
PROPOSICI
ON 49. Son equivalentes las siguientes armaciones:

i: T es inyectiva.
ii: Para todo conjunto A linealmente independiente de V se cumple que T (A)
es linealmente independiente en W.
iii: ker (T) = {0}.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 55
Demostraci on. i) ii) Sabemos que T es inyectiva. Sea A = {v
1
, . . . , v
n
} un
conjunto L.I. de V. Probemos que T (A) = {T (v
1
) , . . . , T (v
n
)} es L.I. en W.
Sean
1
, . . . .,
n
K tales que
1
T (v
1
) +. . . +
n
T (v
n
) = 0
w
. Debemos probar
que
1
= . . . . =
n
= 0. Siendo T lineal obtenemos T (
1
v
1
+. . . +
n
v
n
) = 0
w
.
As T (
1
v
1
+. . . +
n
v
n
) = T (0
v
) y como T es inyectiva se obtiene que
1
v
1
+. . . +
n
v
n
= 0
v
como A = {v
1
, . . . , v
n
} es L.I., se cumple que
1
= . . . . =
n
= 0.
ii) iii) Supongamos, por absurdo, que ker (T) = {0
v
}.Entonces existe v
ker (T) con v = 0
v
. Luego A = {v} es L.I. en V y por hipotesis T (A) = T (v) es L.I.
en W entonces T (v) = 0
w
es L.I. Absurdo.
iii) i) Si T (v
1
) = T (v
2
) T (v
1
) T (v
2
) = 0
w
luego T (v
1
v
2
) = 0
w

v
1
v
2
ker (T) por iii) v
1
v
2
= 0
v
es decir v
1
= v
2
.
Recordemos ahora que T es sobreyectiva cuando
para todo w W existe v V con T (v) = w ,
o equivalentemente
Im(T) = W .
PROPOSICI

i: T es sobreyectiva.
ii: Para todo A generador de V se cumple que T (A) es un generador de W.
iii: Existe un generador A
0
de V tal que T (A
0
) es generador de W.
Demostraci on. i) ii) Sea A un generador de V. Por la proposici on 2.48. se
cumple que T (A) es un generador de la Im(T). Como Im(T) = W, por ser T
sobreyectiva se cumple: T (A) es un generador de W.
ii) iii) Inmediato. iii) i) Sabemos que existe A
0
= {v
1
, . . . , v
n
} generador
de V tal que T (A
0
) = {T (v
1
) , . . . , T (v
n
)} es generador de W. Sea w W, como
T (A
0
) es generador de W, existen
1
, . . . .,
n
K tales que
w =
1
T (v
1
) +. . . +
n
T (v
n
) .
Siendo T lineal se cumple que
w = T (
1
v
1
+. . . . +
n
v
n
) .
Hemos probado que dado w W existe v
0
=
1
v
1
+. . . . +
n
v
n
V tal que
w = T (v
0
) luego T es sobreyectiva.
Recordemos por ultimo que T es biyectiva cuando es inyectiva y sobreyectiva.
PROPOSICI

i: T es biyectiva.
ii: Para toda base B del espacio V se cumple que T(B)es una base de W.
iii: Existe una base B
0
del espacio V tal que T (B
0
) es una base de W.
Demostraci on.
i) ii)T es lineal y biyectiva
_
T es lineal e inyectiva (1)
T es lineal y sobreyectiva (2)
Por otro lado, B es una base de V
_
B es L.I. (1
)
B es generador de V (2
)
De (1) y (1) aplicando la prop. 2.49 se obtiene que T (B) es L.I.
De (2) y (2) aplicando la prop. 2.50 se obtiene que T (B) es generador de W.
Como T (B) es l.i. y genera W es una base de W.
ii) iii) Inmediato.
iii) i) Sabemos que existe B
0
es base de V tal que T (B
0
) es base de W, por
la proposici on 2.50 T es sobreyectiva. Probemos que T es inyectiva, es equivalente a
probar que ker (T) = {0}. Si v ker (T) V , como B
0
= {v
1
, . . . , v
n
} es base de V,
existen
1
, . . . .,
n
K tales que v =
1
v
1
+. . . . +
n
v
n
.
Luego usando la linealidad de T se obtiene que T (v) =
1
T (v
1
) +. . . +
n
T (v
n
).
Pero como v ker (T), se tiene que T (v) = 0
1
T (v
1
) +. . . +
n
T (v
n
) = 0
Pero T (B
0
) = {T (v
1
) , . . . , T (v
n
)} es L.I. (por ser base) entonces
1
= . . . . =
n
= 0
y por tanto v = 0 como queramos.
Recordemos que T es biyectiva si y solo si T es invertible, es decir, que existe la

funci on inversa T
1
.
PROPOSICI
ON 52. Sean V, W espacios vectoriales sobre un mismo cuerpo y

T : V W una transformaci on lineal y biyectiva.
Entonces la funci on inversa T
1
: W V es una transformaci on lineal.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 57
Demostraci on. Sean w
1
y w
2
W y y K. Observando que TT
1
(w) = w
y que T es lineal,
w
1
+w
2
= TT
1
(w
1
) +TT
1
(w
2
)
= T
_
T
1
(w
1
) +T
1
(w
2
)
_
Aplicando T
1
a ambos miembros
T
1
(w
1
+w
2
) = T
1
(w
1
) +T
1
(w
2
) .
PROPOSICI

con dim(V ) = n y T : V W una transformaci on lineal.
Si {e
1
, . . . , e
d
} es una base de ker (T) y {e
1
, . . . , e
d
, e
d+1
, . . . , e
n
} es una base de
V entonces {T (e
d+1
) , . . . , T (e
n
)} es una base de Im(T).
Demostraci on. Probaremos que {T (e
d+1
) , . . . , T (e
n
)} es base de Im(T).
1) Es L.I. pues si
d+1
T (e
d+1
) + +
n
T (e
n
) = 0 se cumple
T (
d+1
e
d+1
+ +
n
e
n
) = 0
d+1
e
d+1
+ +
n
e
n
ker (T) .
Por lo tanto
d+1
e
d+1
+ +
n
e
n
es C.L de los vectores de la base de ker (T); existen
1
, . . . ,
d
tales que:
d+1
e
d+1
+ +
n
e
n
=
1
e
1
+ +
d
e
d
o sea:
1
e
1

d
e
d
+
d+1
e
d+1
+ +
n
e
n
= 0.
Como {e
1
, . . . , e
n
} es L.I. por ser una base de V; todos los coecientes
i
deben ser
ceros. Por lo tanto, hemos probado que {T (e
d+1
) , . . . , T (e
n
)} es L.I.
2) {T (e
d+1
) , . . . , T (e
n
)} generan la Im(T). Si w Im(T) entonces existe v V
tal que T (v) = w donde v =
1
e
1
+ +
n
e
n
, porque {e
1
, . . . , e
n
} es base de V,
T (v) = w = T (
1
e
1
+ +
n
e
n
)
=
1
T (e
1
) + +
d
T (e
d
) +
d+1
T (e
d+1
) + +
n
T (e
n
)
=
vectores del ker
0 +. . . . . . . . . . . . + 0 +
d+1
T (e
d+1
) + +
n
T (e
n
) .
Luego todo vector w Im(T) es C.L. de {T (e
d+1
) , . . . , T (e
n
)}, es decir, genera el
subespacio Im(T).
TEOREMA 54. (De las dimensiones) Sean V y W espacios vectoriales sobre
un mismo cuerpo K, con dim(V ) = n y T : V W una transformaci on lineal.
Entonces
dim(V ) = dim(ker (T)) + dim(Im(T)) .
Demostraci on. Como ker(T) es subespacio de V, si d = dim(ker (T)), tenemos
0 d n.
Tenemos tres casos posibles.
1er. Caso: d=n. Como dim(ker (T)) = dimV obtenemos ker (T) = V . En-
tonces T (v) = 0 v V , es decir Im(T) = 0 y dim(Im(T)) = 0, cumpliendose
la tesis en este caso.
2do. Caso: 0 < d < n. El resultado es una consecuencia directa de la proposi-
cion 2.53.
3er. Caso: d = dim(ker (T)) = 0. Luego ker (T) = {0}.
Si {v
1
, . . . , v
n
} es una base de V , por tanto es un generador de V , la
proposici on 2.48 garantiza que {T (v
1
) , . . . , T (v
n
)} es un generador del sube-
spacio Im(T).
Veamos que tambien es L.I. En efecto
1
T (v
1
) +. . . +
n
T (v
n
) = 0 T (
1
v
1
+. . . +
n
v
n
) = 0
de donde obtenemos que
1
v
1
+ . . . +
n
v
n
ker T. Como ker T = {0}
tenemos
1
v
1
+. . .+
n
v
n
= 0. Utilizando el hecho que los vectores v
1
, . . . , v
n
forman una base obtenemos que
1
= . . . . =
n
= 0.
Por lo tanto {T (v
1
) , . . . , T (v
n
)} es una base de Im(T), as dim(Im(T)) = n
y se cumple que
dim V = dim ker (T) + dim Im(T) .
2.7. ISOMORFISMOS ENTRE ESPACIOS VECTORIALES

DEFINICI
ON 55. Sean V, W espacios vectoriales sobre un mismo cuerpo K.

a) Una transformacion lineal T : V W biyectiva es llamada un isomorsmo.
b) Diremos que V y W son isomorfos cuando existe un isomorsmo que lleva V en
W.
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA. 59
OBSERVACI
ON 56. De acuerdo a la proposici on 2.52. si T : V W es un

isomorsmo entonces T
1
: W V tambien lo es.
PROPOSICI
ON 57. Sean V y W dos espacios vectoriales de dimensi on nita

sobre un mismo cuerpo K. Entonces las siguientes armaciones son equivalentes:
a: dim (V ) = dim (W),
b: V es isomorfo a W.
Demostraci on. a) b) Sean dim (V ) = dim (W) = n, A = {v
1
, . . . , v
n
}
base de V y B = {w
1
, . . . . , w
n
} base de W. Luego denimos T : V W lineal
tal que T (v
i
) = w
i
(T esta bien denidapor el teorema 2.10). Como existe una
base A de V tal que T (A) = B es base de W, por la proposici on 2.51. T es biyectiva.
b) a) Como V es isomorfo a W, existe un isomorsmo: T : V W . Por
el teorema de las dimensiones se tiene que dim(V ) = dim(ker (T)) + dim(Im(T)).
Por ser T inyectiva dim(ker (T)) = 0, como T es sobreyectiva Im(T) = W. Luego
dim(V ) = dim(W).
COROLARIO 58. Si V es un espacio vectorial, con dim(V ) = n, sobre el
cuerpo K, entonces V es isomorfo a K
n
.
Demostraci on. En efecto el espacio vectorial K
n
sobre el cuerpo K tiene di-
mension n. As dim(V ) = dim(K
n
) = n lo que implica que V y K
n
son isomorfos.
EJERCICIO 26. Mostrar que el espacio de transformaciones lineales L(V, W)
entre dos espacios de dimension nita es isomorfo al de matrices de tama no dimW
dimV .
Construya un isomorsmo explcito entre ambos.
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA.
En esta Seccion se estudiaran las relaciones entre el n ucleo y la imagen de una
transformacion lineal y el n ucleo y la imagen de la matriz asociada a dicha transfor-
macion lineal.
PROPOSICI
ON 59. Sean V, W espacios vectoriales sobre un mismo cuerpo

A = {v
1
, v
2
, . . . ., v
n
} una base de V , B = {w
1
, w
2
, . . . ., w
n
} una base de W y T : V
W lineal. Entonces:
1) Si v ker (T) entonces coord
A
(v) ker (
B
(T)
A
)
2) Si x ker (
B
(T)
A
) entonces coord
1
A
(x) ker (T)
Demostraci on. 1) Si v ker (T) entonces T (v) = 0, esto implica que coord
B
(T (v)) =
coord
B
(0) . Como coord
B
: W R
m
es una transformacion lineal se cumple: coord
B
(0) =
0, as coord
B
(T (v)) = 0. Por la funci on de la matriz asociada, tenemos
B
(T)
A
coord
A
(v) =
0, esto es coord
A
(v) ker (
B
(T)
A
).
2) Si x = (x
1
, . . . ., x
n
) ker (
B
(T)
A
)
B
(T)
A
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
= 0.
_
por def de ma-
triz asociada
_
([coord
B
(T (v
1
))] . . . [coord
B
(T (v
1
))]) .
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
= 0
coord
B
(T (v
1
)) .x
1
+. . . +coord
B
(T (v
n
)) .x
n
= 0
(por ser coord
B
lineal )
coord
B
(x
1
T (v
1
) +. . . . . . +x
n
T (v
n
)) = 0
(por ser coord
B
inyectiva)
x
1
T (v
1
) +. . . . . . +x
n
T (v
n
) = 0
(linealidad de T)
T (x
1
v
1
+. . . +x
n
v
n
) = o
V
x
1
v
1
+. . . +x
n
v
n
. .
coord
1
A
(x)
ker (T) .
OBSERVACI
ON 60. Recordemos que coord

A
: V K
n
es un isomorsmo
entre V y K. La proposici on anterior nos asegura que al aplicarle la transforma-
cion lineal coord
A
a un vector del ker (T), se obtiene un vector del ker (
B
(T)
A
) y
recprocamente.
Luego coord
A
es un isomorsmo entre ker (T) y ker (
B
(T)
A
).
Esto nos permite enunciar la siguiente
PROPOSICI
ON 61. Sean V , W espacios vectoriales sobre un mismo cuerpo,

A = {v
1
, v
2
, . . . ., v
n
} una base de V , B = {w
1
, w
2
, . . . ., w
n
} una base de W, T : V
W lineal. Entonces:
1) Los subespacios ker (T) y ker (
B
(T)
A
) son isomorfos.
2) Vale dim(ker(T)) = n rango(
B
(T)
A
).
3) Si {e
1
, e
2
, . . . , e
k
} es una base de ker (T) entonces
{coord
A
(e
1
) , coord
A
(e
2
) , . . . , coord
A
(e
k
)}
es base de ker (
B
(T)
A
).
4) Si {x
1
, x
2
, . . . , x
k
} es base de ker (
B
(T)
A
) entonces
_
coord
1
A
(x
1
) , coord
1
A
(x
2
) , . . . , coord
1
A
(x
k
)
_
es base de ker (T).
Demostraci on. (Ejercicio) Sugerencias:
1) Vimos en la observacion anterior que coord
A
es un isomorsmo entre ker (T)
y ker (
B
((T))
A
).
2) Basta recordar que dos espacios isomorfos tienen la misma dimension y que si
M es una matriz, dim(Im(M)) = rango (M).
3) Los isomorsmos llevan bases en bases.
4) La inversa de un isomorsmo es un isomorsmo.
Recomendamos prestar particular atencion a los ejemplos que siguen.

EJEMPLO 62. Se considera una transformacion lineal T : M
22
(R) R
3
tal
que
B
(T)
A
=
_
_
_
1 1 1 1
1 0 2 1
1 1 3 3
_
_
_ donde
A =
_
(
1 1
1 1
) ,
_
0 0
1 0
_
,
_
1 1
0 0
_
, (
1 0
0 0
)
_
y B = {(1, 1, 1) , (0, 1, 1) , (0, 0, 1)} .
Queremos hallar una base del n ucleo de T.
Primero calculamos una base del n ucleo de la matriz
B
(T)
A
. Sea (x, y, z, t)
ker (
B
(T)
A
) . Entonces
B
(T)
A
_
x
y
z
t
_
=
_
0
0
0
_
_
_
_
1 1 1 1
1 0 2 1
1 1 3 3
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
0
0
0
_
_
_
_
_
_
1 1 1 1
0 1 1 2
0 2 2 4
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
0
0
0
_
_
_
_
_
_
1 1 1 1
0 1 1 2
0 0 0 0
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
=
_
_
_
0
0
0
_
_
_
_
x y +z +t = 0
y +z +t = 0
_
x = 2z 2t
y = z t
As los vectores del n ucleo de la matriz
B
(T)
A
son de la forma
(2z 2t, z +t, z, t) = z (2, 1, 1, 0) +t (2, 1, 0, 1) .
Entonces {(2, 1, 1, 0) , (2, 1, 0, 1)} es una base del ker (
B
(T)
A
).
Luego, de acuerdo con la Proposici on 2.61.
_
coord
1
A
(2, 1, 1, 0) , coord
1
A
(2, 1, 0, 1)
_
=
_
2 (
1 1
1 1
) + 1
_
0 0
1 0
_
+ 1
_
1 1
0 0
_
+ 0 (
1 0
0 0
) ,
2 (
1 1
1 1
) + 1
_
0 0
1 0
_
+ 0
_
1 1
0 0
_
+ 1 (
1 0
0 0
)
_
=
__
1 3
3 2
_
,
_
1 2
3 2
__
es una base del n ucleo de T.
EJEMPLO 63. Se considera una transformacion lineal T : R
2
R
2
tal que
B
(T)
A
=
_
1 2
2 4
_
donde A = B = {(1, 0) , (1, 1)}. Queremos hallar una base del
n ucleo de T.
Primero calculemos una base del n ucleo de la matriz
B
(T)
A
, un vector (x, y)
ker (
B
(T)
A
) cuando
B
(T)
A
(
x
y
) = (
0
0
)
_
1 2
2 4
_ _
x
y
_
=
_
0
0
_
x + 2y = 0 x = 2y.
As los vectores del n ucleo de la matriz
B
(T)
A
son de la forma: (2y, y) = y (2, 1).
Entonces {(2, 1)} es una base de ker (
B
(T)
A
). Luego, de acuerdo a la Proposici on
2.61.,
_
coord
1
A
(2, 1)
_
= {2 (1, 0) + 1 (1, 1)} = {(1, 1)} es una base del ker (T).
EJEMPLO 64. Se considera una transformacion lineal T : P
2
R
3
tal que
B
(T)
A
=
_
_
_
1 2 1
0 1 1
1 1 2
_
_
_ siendo A = {p
0
, p
1
, p
2
} con p
i
: p
i
(t) = t
i
(i = 0, 1, 2) y
B = {(2, 0, 1) , (0, 1, 4) , (0, 0, 3)}. Queremos hallar una base del n ucleo de T.
Primero calculamos una base del n ucleo de la matriz
B
(T)
A
(x, y, z) ker (
B
(T)
A
)
B
(T)
A
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
_
_
_
1 2 1
0 1 1
1 1 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
_
_
_
1 2 1
0 1 1
0 3 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
_
_
_
1 2 1
0 1 1
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
_
x + 2y z = 0
y z = 0
_
x = z
y = z
Los vectores del n ucleo de
B
(T)
A
son de la forma: (z, z, z) = z (1, 1, 1) . Entonces
{(1, 1, 1)} es una base del ker (
B
(T)
A
). Luego, de acuerdo a la proposici on 2.61.,
una base del n ucleo de ker(T) es
_
coord
1
A
(1, 1, 1)
_
= {1p
0
+ 1p
1
+ 1p
2
} =
_
1 +t +t
2
_
.
PROPOSICI
ON 65. Sean V , W espacios vectoriales sobre un mismo cuerpo

K, A = {v
1
, v
2
, . . . ., v
n
} una base de V . B = {w
1
, w
2
, . . . ., w
m
} una base de W,
T : V W lineal. Entonces
1) Si w Im(T) coord
B
(w) Im(
B
(T)
A
).
2) Si y Im(
B
(T)
A
) coord
1
B
(y) Im(T).
Demostraci on. 1) Si w Im(T), existe v V tal que T (v) = w entonces
coord
B
(T (v)) = coord
B
(w). Por la denicion de matriz asociada
coord
B
(T (v)) =
B
(T)
A
coord
A
(v) = coord
B
(w) .
Hemos probado que existe coord
A
(v) R
n
tal que
B
(T)
A
coord
A
(v) = coord
B
(w) coord
B
(w) Im(
B
(T)
A
) .
2) Si y = (y
1
, . . . ., y
m
) Im(
B
(T)
A
) existe x = (x
1
, . . . ., x
n
) R
n
tal que
B
(T)
A
_
x
1
.
.
.
x
n
_
=
_
y
1
.
.
.
y
m
_
.
Por la denicion de la matriz asociada
x
1
coord
B
(T (v
1
)) +. . . +x
n
coord
B
(T (v
n
)) = y,
como la transformacion coordenadas es lineal
coord
B
(x
1
T (v
1
) +. . . +x
n
T (v
n
)) = y
x
1
T (v
1
) +. . . +x
n
T (v
n
) = coord
1
B
(y)
T(x
1
v
1
+. . . +x
n
v
n
. .
= v
0
) = coord
1
B
(y) .
As existe v
0
V tal que T (v
0
) = coord
1
B
(y) coord
1
B
(y) Im(T).
OBSERVACI
ON 66. Al igual que la observacion 2.60. concluimos que

coord
B
es un isomorsmo entre Im(T) e Im(
B
(T)
A
).
PROPOSICI
ON 67. Sean V, W espacios vectoriales sobre un mismo cuerpo

A = {v
1
, v
2
, . . . ., v
n
} una base de V, B = {w
1
, w
2
, . . . ., w
n
} una base de W, T : V
W lineal. Entonces:
1)Los subespacios Im(T) e Im(
B
(T)
A
) son isomorfos.
2) Se cumple dim(Im(T)) = rango (A).
3) Si {h
1
, . . . , h
k
} es una base de Im(T) entonces
{coord
B
(h
1
) , coord
B
(h
2
) , . . . . . . , coord
B
(h
k
)}
es base de Im(
B
(T)
A
).
4) Si {y
1
, . . . ., y
k
} es una base de Im(
B
(T)
A
) entonces
_
coord
1
B
(y
1
) , coord
1
B
(y
2
) , . . . , coord
1
B
(y
k
)
_
es base de Im(T).
Demostraci on. (Ejercicio)
EJEMPLO 68. Consideremos la transformacion lineal del ejemplo 2.62. Halle-
mos una base de Im(T).
Primero hallemos una base de la imagen de la matriz
B
(T)
A
. Sabemos de la
proposici on 2.??. que las columnas de
B
(T)
A
{(1, 1, 1) , (1, 0, 1) , (1, 2, 3) , (1, 1, 3)}
son un generador de Im(
B
(T)
A
). Claramente es L.D. reducimos dicho generador
hasta obtener el generador L.I.:
{(1, 1, 1) , (1, 0, 1)} .
As {(1, 1, 1) , (1, 0, 1)} es una base de Im(
B
(T)
A
). Luego de acuerdo a la proposici on
2.67.
_
coord
1
B
(1, 1, 1) , coord
1
B
(1, 0, 1)
_
= {1 (1, 1, 1) + 1 (0, 1, 1) + 1 (0, 0, 1) ,
1 (1, 1, 1) + 0 (0, 1, 1) + 1 (0, 0, 1)}
= {(1, 2, 3) , (1, 1, 0)}
es base de Im(T).
EJEMPLO 69. Consideremos la transformacion lineal del ejemplo 2.63.
Hallemos una base de la Im(T); primero hallemos una base de la imagen de la
matriz
B
(T)
A
. Por la proposici on 2.??. las columnas de
B
(T)
A
,
{(1, 2) , (2, 4)}
son un generador de Im(
B
(T)
A
). Claramente es L.D. lo reducimos y hallamos {(1, 2)}
base de la Im(
B
(T)
A
). Por la proposici on 2.67.
_
coord
1
B
(1, 2)
_
= {1 (1, 0) + 2 (1, 1) }
= {(3, 2)}
es una base de Im(T).
EJEMPLO 70. Consideremos la transformacion lineal del ejemplo 2.64.
Hallemos una base de la Im(T); de acuerdo a la proposici on 2.??.
{(1, 0, 1) , (2, 1, 1) , (1, 1, 2)}
es un generador de Im(
B
(T)
A
). Como es L.D., lo reducimos hasta obtener {(1, 0, 1) , (2, 1, 1)}
que es una base de Im(
B
(T)
A
). Luego por la proposici on 2.67.
_
coord
1
B
(1, 0, 1) , coord
1
B
(2, 1, 1,)
_
= {1 (2, 0, 1) + 1 (0, 1, 4) + (1) (0, 0, 3) ,
2 (2, 0, 1) + 1 (0, 1, 4) + 1 (0, 0, 3)}
= {(2, 0, 4) , (5, 1, 5)}
es base de Im(T).

Espacios y Transformaciones PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Espacios y Transformaciones PDF

Uploaded by

Copyright:

Available Formats

CAPTULO 1

ON 1. Un espacio vectorial sobre un cuerpo K o, un K-espacio

ON 2. El lector comparar a estas propiedades de la denicion de

ON 3. En P4) la suma de escalares (suma dentro de K) se es-

ON 4. En todo espacio vectorial {V, K, +, } se cumple:

ON 6. A veces, por abuso de lenguaje los espacios vectoriales se

ON 18. Se denota u v a la suma u + (v) con u, v V .

ON 19. Para todo u V se cumple 0 u = 0.

ON 20. Para todo K se cumple 0 = 0.

Los dos resultados anteriores se pueden condensar en uno m as general.

ON 21. Sean K, u V . Entonces se cumple

ON 22. Para todo v V se cumple (1) v = v.

ON 23. Sea {V, K, +, } un espacio vectorial y W un subconjunto

ON 24. Si W es un subespacio, entonces 0 W. Esto es porque,

pertenecen a todos los

ON 35. Sean V un espacio vectorial {V, K, +, }, v

ON 37 (Subespacio generado). El subespacio [A] es llamado sub-

ON 38 (Conjunto generador). Sea V un espacio vectorial, A un

ON 39. Sea V un espacio vectorial y A un subconjunto nito de

ON 40. Conjuntos linealmente independientes y linealmente depen-

ON 47. Base de un espacio vectorial: Sea V un espacio vectorial y

ON 48. Sean V un espacio vectorial,

COROLARIO 49. Sea V un espacio vectorial. Si una base tiene n elementos,

ON 50 (Dimensi on de un espacio vectorial). Sea V un espacio vec-

EJERCICIO 13. Muestre que:

ON 53. Sean V un espacio vectorial de dimensi on nita n y W

ON 57. Por que podra interesarnos este proceso?

ON 58. Denimos coord

ON 60. La transformaci on coord

NOTA 61. Gracamente, representemos la correspondencia dada por F = coord

ON 62. Suma de subespacios: Sea V un espacio vectorial. se llama

ON 64. Suma directa: Dados los subespacios V

ON 1. Sean V y W dos espacios vectoriales sobre el mismo cuerpo

ON 7. T : V W es una transformaci on lineal si y s olo si

ON 9. Sean V y W espacios vectoriales sobre un mismo cuerpo

Por lo tanto para que dos tranformaciones lineales coincidan

ON 11. Hemos probado que una transformaci on lineal queda

dada por la matriz A. Por la construcci on de

ON 15. Se llama representaci on matricial de T en las bases A y

ON 20. Si dim(V ) = n y dim(W) = m la matriz asociada tiene

ON 23 (Suma de Transformaciones Lineales). Sean V, W espacios

ON 25. Si S y T son transformaciones lineales, entonces S + T

ON 26. Producto por un escalar Se dene el producto del escalar

ON 28. Si T es una transformaci on lineal y un escalar entonces

EJERCICIO 23. Sean V y W espacios vectoriales sobre un mismo cuerpo,

ON 29. Dadas dos transformaciones lineales de espacios vecto-

ON 30. Composici on de Transformaciones Lineales. Sean U, V y

ON 32. Si S y T son lineales, entonces T S es lineal

ON 33. Sean U, V y W K-espacios vectoriales con dim(U) = s,

ON 34. Sea T : V W una transformacion lineal con inversa

ON 37. Se cumple que coord

ON 38. Sean V un espacio vectorial sobre un cuerpo K, B y D

ON 39. Sean V y W espacios vectoriales sobre un mismo cuerpo

2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL.

ON 40. Sean V y W espacios vectoriales sobre el mismo cuerpo K

ON 45. El conjunto ker (T) es un subespacio vectorial de V.

ON 46. El conjunto Im (T) es un subespacio vectorial de W.

ON 48. Sea V, W espacios vectoriales de dimensi on nita sobre

ON 49. Son equivalentes las siguientes armaciones:

ON 50. Son equivalentes las siguientes armaciones:

ON 51. Son equivalentes las siguientes armaciones:

Recordemos que T es biyectiva si y solo si T es invertible, es decir, que existe la

ON 52. Sean V, W espacios vectoriales sobre un mismo cuerpo y