Captulo 4

Espacios Vectoriales y Transformaciones

Lineales
4.1. Espacios Vectoriales
El objeto principal de estudio del algebra lineal es el Espacio Vectorial. Este nombre
surge debido a que un espacio vectorial es un conjunto de vectores abstractos o vectores
generalizados. Se generalizara el concepto de vector enunciando un conjunto de axiomas
que, si un conjunto de objetos hacen que estos axiomas se cumplan, llamaremos a los
elementos de este conjunto vectores.
Los axiomas se eligir an generalizando las propiedades mas importantes de los vec-
tores en R
n
, en consecuencia los vectores en R
n
har an que se cumplan de manera
autom atica esos axiomas. As, el nuevo concepto de vector abarcara a los vectores an-
teriores y tambien a muchos vectores nuevos. Estos vectores nuevos incluir an, entre
otras cosas, varios tipos de matrices y funciones.
La ventaja de estas generalizaciones se encuentra en el ahorro de trabajo, porque
las propiedades de los vectores abstractos se aplican a todos los casos particulares.
4.1.1. Deniciones y conceptos basicos
Un espacio vectorial es un conjunto de objetos, sobre el que est an denidas dos
operaciones b asicas.

Estas operaciones son llamadas suma y la multiplicaci on por un
escalar. Llamamos vectores a los elementos de este conjunto.
Denici on 4.1 Sea V un conjunto no vaco sobre el que estan denidas dos opera-
ciones (la suma vectorial y la multiplicaci on escalar). Si los siguientes axiomas
se cumplen para todo u, v y w en V y todo escalar
1
c y d, entonces V se denomina
espacio vectorial y sus elementos vectores:
1
En este curso usaremos unicamente n umeros reales como escalares, es decir, estudiaremos Espacios
vectoriales reales.
86
4.1. ESPACIOS VECTORIALES 87
Axiomas de cerradura
u +v esta en V Cerradura bajo la suma
cu esta en V . Cerradura bajo la multiplicacion escalar
Axiomas de adicion
u +v = v +u Propiedad conmutativa
u + (v +w) = (u +v) +w Propiedad asociativa
Existe un elemento en V , llamada el vector cero, denotado 0, tal que u+0 = u.
Id entico aditivo
Para todo u en V , existe un elemento en V llamado el negativo de u, denotado
u, tal que u + (u) = 0 Inverso aditivo
Axiomas de multiplicaci on escalar
c (u +v) = cu + cv Propiedad distributiva
(c + d) u = cu + du Propiedad distributiva
c (du) = (cd) u Propiedad asociativa
1 (u) = u Identico escalar
Debe de tener en mente que la denici on de espacio vectorial no especica la natu-
raleza de los vectores ni las operaciones. Cualquier tipo de objeto puede ser un vector,
y es posible que las operaciones de adici on y multiplicaci on escalar no guarden relaci on
o semejanza con las operaciones vectoriales est andar sobre R
n
. El unico requisito es que
cumplan los 10 axiomas en la denici on 4.1.
Ejemplo 4.1 Consideremos el conjunto con un solo elemento V = {1}. Observe que
no se cumple el axioma de cerradura bajo la suma. Por ejemplo: 1 + 1 = 2 / V . Es
posible vericar que no cumple otros axiomas, sin embargo, solo con demostrar que falla
al menos uno de los 10 axiomas queda probado que V no es un espacio vectorial.
Ejemplo 4.2 El conjunto de puntos en R
2
que estan en una recta que pasa por el
origen constituye un espacio vectorial.
Solucion. Considere el conjunto denido de la siguiente manera
V =

x, y

| y = mx, donde m es un n umero jo y x R

Es decir, V consiste en todos los puntos que estan sobre la recta y = mx que pasa por
el origen y tiene pendiente m. Para demostrar que V es un espacio vectorial, se puede
vericar que se cumple cada uno de los axiomas.
4.1. ESPACIOS VECTORIALES 88
Suponga que x =

x
1
, y
1

y y =

x
2
, y
2

est an en V . Entonces y
1
= mx
1
y
y
2
= mx
2
, entonces
x +y =

x
1
, y
1

x
2
, y
2

x
1
, mx
1

x
2
, mx
2

x
1
+ x
2
, mx
1
+ mx
2

x
1
+ x
2
, m(x
1
+ x
2
)

V
Por lo tanto se cumple el axioma de cerradura bajo la suma.
Suponga que c R y x =

x
1
, y
1

entonces
cx = c

x
1
, y
1

= c

x
1
, mx
1

cx
1
, cmx
1

cx
1
, m(cx
1
)

V
Por lo tanto se cumple el axioma de cerradura bajo la multiplicaci on escalar.
Suponga que x =

x
1
, y
1

y y =

x
2
, y
2

est an en V . entonces
x +y =

x
1
, mx
1

x
2
, mx
2

x
1
+ x
2
, mx
1
+ mx
2

x
2
+ x
1
, mx
2
+ mx
1

x
2
, mx
2

x
1
, mx
1

= y +x
Por lo tanto se cumple la propiedad conmutativa.
Suponga que x =

x
1
, y
1

, y =

x
2
, y
2

y z =

x
3
, y
3

est an en V . entonces
x + (y +z) =

x
1
, mx
1

x
2
, mx
2

x
3
, mx
3

x
1
, mx
1

x
2
+ x
3
, mx
2
+ mx
3

x
1
+ x
2
+ x
3
, mx
1
+ mx
2
+ mx
3

x
1
+ x
2
, mx
1
+ mx
2

x
3
, mx
3

x
1
, mx
1

x
2
, mx
2

x
3
, mx
3

= (x +y) +z
Por lo tanto se cumple la propiedad asociativa.
4.1. ESPACIOS VECTORIALES 89
Considere al vector 0 =

0, m(0)

V . Entonces tomando a x =

x
1
, mx
1

V se tiene
x +0 =

x
1
, mx
1

0, m(0)

x
1
+ 0, mx
1
+ m(0)

x
1
, mx
1

= x
Por lo tanto se cumple con el axioma de identico aditivo.
Suponga que x =

x, mx

V . Entonces
x =

x, y

x, mx

x, m(x)

de manera que x tambien pertenece a V y

x + (x) =

x, mx

x, m(x)

x x, m(x x)

0, 0

= 0
Por lo tanto se cumple el axioma de inverso aditivo
Suponga que x =

x
1
, y
1

y y =

x
2
, y
2

est an en V y c un escalar. Entonces:

c (x +y) = c

x
1
, mx
1

x
2
, mx
2

= c

x
1
+ x
2
, mx
1
+ mx
2

c (x
1
+ x
2
) , c (mx
1
+ mx
2
)

cx
1
, cmx
1

x
2
, mx
2

= cx + cy
Por lo tanto se cumple la propiedad distributiva de la multiplicaci on escalar.
Suponga que x =

x
1
, y
1

y c, d escalares. Entonces:
(c + d) x =

(c + d) x
1
, (c + d) mx
1

cx
1
+ dx
1
, cmx
1
+ dmx
1

cx
1
, cmx
1

dx
1
, dmx
1

= c

x
1
, mx
1

+ d

x
1
, mx
1

= cx + dx
4.1. ESPACIOS VECTORIALES 90
Suponga que x =

x
1
, y
1

y c, d escalares. Entonces:
c (dx) = c

dx
1
, dmx
1

= cd

x
1
, mx
1

= (cd) x
Suponga que x =

x
1
, y
1

y 1 es un escalar. Entonces:
1x =

1x
1
, 1mx
1

x
1
, mx
1

= x
Despues de vericar que se cumplen los 10 axiomas, concluimos que V es un espacio
vectorial.
Ejemplo 4.3 El conjunto de puntos en R
2
que estan sobre una recta que no pasa por
el origen no constituye un espacio vectorial. Sea
V = {(x, y) : y = 2x + 1, x R}
Solucion. V no es un espacio vectorial porque no se cumple la cerradura bajo la suma.
Suponga que x =(x
1
, y
1
) y y =(x
2
, y
2
) estan en V . Entonces
x +y =(x
1
, y
1
) + (x
2
, y
2
) = (x
1
+ x
2
, y
1
+ y
2
)
Si el vector del lado derecho estuviera en V , se tendria
y
1
+ y
2
= 2 (x
1
+ x
2
) + 1 = 2x
1
+ 2x
2
+ 1
Pero y
1
= 2x
1
+ 1 y y
2
= 2x
2
+ 1 de manera que
y
1
+ y
2
= (2x
1
+ 1) + (2x
2
+ 1) = 2x
1
+ 2x
2
+ 2
Por lo tanto se concluye que
(x
1
+ x
2
, y
1
+ y
2
) / V
En los ejemplos anteriores hemos visto que R
n
y algunos de sus subconjuntos son
espacios vectoriales. Sin embargo no son los unicos conjuntos que pueden constituir
un espacio vectorial. A continuaci on veremos que tambien conjuntos de matrices o de
polinomios pueden ser espacios vectoriales.
4.1. ESPACIOS VECTORIALES 91
Ejemplo 4.4 Considere el conjunto polinomios con coecientes reales de grado menor
o igual a n. Llamemos a este conjunto P
n
. Si p P
n
entonces
p (x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
donde cada a
i
es real.
Solucion. Ya se ha probado que R
n+1
es un espacio vectorial, por lo que si se establece
una forma de representar a los elementos de P
n
como elementos de R
n+1
, entonces P
n
tambien es un espacio vectorial.
Para hacer la representaci on entre R
n+1
y P
n
, tomemos a p P
n
, entonces p (x) =
a
n
x
n
+a
n1
x
n1
+ +a
1
x+a
0
P
n
, y construyamos un vector con los coecientes de
p, quedando v =

a
n
, a
n1
, , a
1
, a
0

. Observe que el vector obtenido tiene n+1

componentes y por tanto pertenece a R
n+1
. Se hace el mismo procedimiento para cada
polinomio de P
n
y de esta forma se muestra que podemos representar cada polinomio
de P
n
como vector de R
n+1
.
De esta manera, concluimos que el conjunto de polinomios de grado menor o igual
a n es un espacio vectorial.
Ejemplo 4.5 Vericar que el conjunto M
mn
, de matrices de m n es un espacio
vectorial.
Solucion. De acuerdo a la denicion 4.1, el conjunto M
mn
es un espacio vectorial si
cumple los diez axiomas. A continuaci on vericaremos que se cumplen cada uno de los
axiomas.
Axiomas de cerradura.
Cerradura bajo la suma Suponga que A, B M
mn
entonces A + B
M
mn
. De la denicion 1.4 vemos que A + B es una matriz de m n y de
aqui pertenece a M
mn
. Entonces se cumple el axioma de cerradura bajo la
suma.
Cerradura bajo la multiplicaci on escalar De forma an aloga al axioma
anterior se comprueba que si A M
mn
y c un escalar entonces por la
denici on ?? cA es una matriz de m n y por tanton pertenece a M
mn
.
Con lo cu al se cumple el axioma de cerradura bajo la multiplicacion escalar.
Axiomas de adici on
Propiedad conmutativa Considere las siguientes matrices A y B de mn
entonces por la propiedad 1 de la proposicion 1.1 se cumple
A + B = B + A
4.1. ESPACIOS VECTORIALES 92
Propiedad asociativa De la misma forma si A, B, C M
mn
entonces por
la propiedad 2 de la proposici on 1.1 se cumple que
A + (B +C) = (A + B) + C
Identico aditivo El identico aditivo en el conjunto M
mn
es la matriz nula de
mn, 0
mn
ya que por la propiedad 3 de la proposici on 1.1 se cumple
A + 0
mn
= 0
mn
+ A = A
Inverso aditivo El inverso aditivo de A M
mn
es la matriz de mn que se
obtiene al multiplicar A por el escalar (1) llamada A. Esta matriz A M
mn
debido al axioma de cerradura bajo la multiplicacion escalar y cumple lo siguiente
A + (A) = 0
mn
Axiomas de multiplicacion escalar
Propiedad distributiva Considere las siguientes matrices A y B de mn
y el escalar c, entonces por la propiedad 1 de la proposici on 1.2 se cumple
c (A + B) = cA + cB
Propiedad distributiva De la misma forma si c, d son escalares y A
M
mn
entonces por la propiedad 2 de la proposicion 1.2 se cumple que
(c + d) A = cA +dA
Propiedad asociativa Considere los escalares c y d y la matriz A M
mn
,
entonces por la propiedad 3 de la proposicion 1.2 se cumple
c (dA) = (cd) A
Identico escalar Veamos que si A M
mn
se cumple el axioma
1 (A) = [1a
ij
] = [a
ij
] = A
Ejemplo 4.6 Considere el conjunto S
3
de matrices invertibles de 3 3. Redeniendo
la operacion suma como
A B = AB
y con la multiplicacion escalar estandar. Vericar si S
3
es un espacio vectorial.
4.1. ESPACIOS VECTORIALES 93
Solucion. Como los elementos de S
3
son matrices invertibles, entonces usemos la fun-
ci on determinante para determinar si una matriz de 33 pertenece a S
3
. Para vericar
los axiomas utilicemos las matrices invertibles de 3 3 A,B y C y los escalares c y d.
Vericando los axiomas
Axiomas de cerradura.
Cerradura bajo la suma Utilizando la operaci on suma denida para este
conjunto tenemos que probar que
A B = AB S
3
si det (AB) = 0 entonces AB es invertible. Como A y B son invertibles,
entonces det (A) = 0 y det (B) = 0 y por el teorema ??
det (AB) = det (A) det (B) = 0
por lo tanto AB S
3
y se cumple el axioma.
Cerradura bajo la multiplicaci on escalar Para que se cumpla este axio-
ma se tiene que cumplir que el producto cA es una matriz invertible para
cualquier valor de c, observe que cuando c = 0 el resultado de cA = 0
33
la
cual no es una matriz invertible. Por lo tanto no se cumple este axioma
En este momento observamos que S
3
no es un espacio vectorial, sin embargo
contiuaremos con las pruebas de los siguientes axiomas.
Axiomas de adici on
Propiedad conmutativa En este axioma se tiene que mostrar que
AB = BA
se usa la observaci on 1.3 que indica que el producto de matrices no es con-
mutativo, por lo que este axioma no se cumple.
Propiedad asociativa De acuerdo a la suma de este conjunto para vericar
este axioma tenemos que ver que
A(BC) = (AB) C
se cumple debido a la propiedad 1 de la proposici on ??.
Identico aditivo La matriz invertible que cumple con este axioma es I
3
ya que
AI
3
= A
Inverso aditivo Para este conjunto, observe que para una matriz A S
3
, el
inverso aditivo es A
1
debido a
AA
1
= I
3
4.1. ESPACIOS VECTORIALES 94
Axiomas de multiplicacion escalar
Propiedad distributiva Para vericar este axioma se tiene que cumplir
que
c (AB) = cAcB
y de acuerdo a la propiedad 4 del teorema ?? vemos que
c (AB) = (cA) B = A(cB)
por lo que este axioma no se cumple.
Propiedad distributiva Para vericar este axioma se debe cumplir lo si-
guiente
(c + d) A = (cA) (dA)
lo cual es claro que no se cumple.
Propiedad asociativa De acuerdo con la propiedad 3 de la proposici on 1.2
se cumple
c (dA) = (cd) A
Identico escalar Veamos que se cumple el axioma
1 (A) = [1a
ij
( = [a
ij
] = A
Ejercicio 4.1 Determinar si los siguientes conjuntos son o no espacios vectoriales:
El conjunto
V = {(x, y) | y 0}
bajo las operaciones usuales.
El conjunto de matrices diagonales de n n bajo las siguientes operaciones
A B = AB
A = A
El conjunto de vectores en R
3
de la forma

x, x, x

bajo las operaciones usuales.

El conjunto de matrices de la forma

1
1

bajo las operaciones usuales.

El conjunto de polinomios de grado n con termino constante cero. Utilizando
las operaciones usuales.
4.1. ESPACIOS VECTORIALES 95
4.1.2. Subespacios
Denicion 4.2 Sea V un espacio vectorial y U un subconjunto no vaco de V . Si U
es un espacio vectorial bajo las operaciones de suma y multiplicacion escalar de V ,
entonces U es un subespacio de V .
Teorema 4.1 U es un subespacio si cumple los axiomas de cerradura bajo la suma y
multiplicacion escalar.
Ejemplo 4.7 Considere el subconjunto W de R
3
formado por los vectores de la forma

a, a, b

. Determine si W es un subespacio de R
3
.
Solucion. Vericando la cerradura bajo la suma tenemos que

a, a, b

c, c, d

a + c, a + c, b + d

es un vector con las dos primeras componentes identicas, por lo que podemos concluir
que se cumple el axioma de cerradura bajo la suma. Ahora veriquemos la cerradura
bajo la multiplicaci on escalar.
k

a, a, b

ka, ka, kb

como en la suma, las primeras dos componentes son identicas por lo que se cumple
el axioma. Debido a que se cumplen los dos axiomas de cerradura, entonces W es un
subespacio de R
3
.
Ejemplo 4.8 Considere el subconjunto W de R
3
formado por los vectores de la forma

a, a
2
, b

. Determine si W es un subespacio de R
3
.
Solucion. Vericando la cerradura bajo la suma tenemos que

a, a
2
, b

c, c
2
, d

a + c, a
2
+ c
2
, b + d

En este conjunto la forma que tiene los vectores es que la segunda componente es el
cuadrado de la primera y de esta forma se puede observar que en el resultado de la
suma la segunda componente a
2
+ c
2
= (a + c)
2
. Por lo tanto W no es no cumple el
axioma de cerradura bajo la suma y no es un subespacio de R
3
.
Ejemplo 4.9 Pruebe que el conjunto U de matrices diagonales de 22 es un subespacio
de M
22
.
Solucion. Se tiene que mostrar que U cumple los axiomas de cerradura bajo la suma
y bajo la multiplicaci on escalar. Considere los siguientes dos elementos de U.
u =

a 0
0 b

y v =

p 0
0 q

4.1. ESPACIOS VECTORIALES 96

Entonces
u +v =

a 0
0 b

p 0
0 q

a + p 0
0 b + q

Observe que u + v es una matriz diagonal de 2 2, por lo u + v U y se cumple la

cerradura bajo la suma.
Sea c un escalar. Entonces
cu = c

a 0
0 b

ca 0
0 cb

cu es una matriz diagonal de 2 2 y entonces se cumple la cerradura bajo la multipli-

caci on escalar.
Concluimos que U es un subespacio de M
22
.
Teorema 4.2 Sea U un subespacio de un espacio vectorial V . U contiene al vector cero
de V
Ejemplo 4.10 Sea W =

w R
3
| w =

a, a, a + 2

. Determine si W es un subes-
pacio de R
3
.
Solucion. De acuerdo al teorema 4.2 si W no contiene al vector cero de R
3
entonces
no es un subespacio de R
3
. Ahora para para determinar si el vector cero pertenece a W
es necesario que se cumpla

a, a, a + 2

0, 0, 0

entonces
a = 0
a = 0
a + 2 = 0
Sin embargo el sistema anterior no tiene solucion con lo que se concluye que no existe
alg un valor de a con el que se pueda obtener el vector cero.
Por lo tanto W no es un subespacio de R
3
Ejemplo 4.11 Considere el espacio vectorial V = P
4
determine si H = {p P
4
| p (0) = 1}
es un subespacio de P
4
Solucion. Para que un polinomio pertenezca a H, tiene que cumplir que al evaluarlo
en 0 el resultado es 1, esto es que el termino constante del polinomio es 1. Vericando
la cerradura bajo la suma tenemos que si p (x) y q (x) est an en P
4
, entonces
p (x) + q (x) =

a
4
x
4
+ a
3
x
3
+ a
2
x
2
+ a
1
x + 1

b
4
x
4
+ b
3
x
3
+ b
2
x
2
+ b
1
x + 1

= (a
4
+ b
4
) x
4
+ (a
3
+ b
3
) x
3
+ (a
2
+ b
2
) x
2
+ (a
1
+ b
1
) x + 2
4.1. ESPACIOS VECTORIALES 97
donde podemos observar que el polinomio p (x) +q (x) tiene como termino constante 2
y por tanto no pertenece a H, con lo que conluimos que H no es un subespacio de V .
Ejercicio 4.2 Determine si el conjunto dado H del espacio vectorial V es un subespacio
de V
V = R
2
; H = {(x, y) | y 0}
V = M
mn
; H = {T
nn
M
mn
| T
nn
es triangular superior}
V = P
n
; H = {p P
n
| p (0) = 0 y p

(0) = 0}
V = M
mn
; H = {A M
mn
| a
ij
= 0}
4.1.3. Combinaci on Lineal
En esta seccion estudiaremos las combinaciones lineales de vectores y los espacios
vectoriales generados por un conjunto de vectores. Estos conceptos tambien nos servir an
para entender el concepto de Base de un espacio vectorial.
Denici on 4.3 Sea V un espacio vectorial y tome el vector v V y tome tambien los
vectores u
1
, u
2
, . . . , u
n
V . Se dice que v es una combinacion lineal de los vectores
u
i
si u puede expresarse como:
v = c
1
u
1
+ c
2
u
2
+ + c
k
u
k
donde c
1
, c
2
, , c
k
son escalares.
Ejemplo 4.12 Considere los vectores v
1
=

1, 3, 1

, v
2
=

0, 1, 2

, y v
3
=

1, 0, 5

. v
1
es una combinacion lineal de v
2
y v
3
porque
v
1
= 3v
2
+v
3
= 3

0, 1, 2

1, 0, 5

1, 3, 1

Ejemplo 4.13 Considere los siguientes vectores que pertenecen a M

22
v
1
=

0 8
2 1

, v
2
=

0 2
1 0

, v
3
=

1 3
1 2

, v
4
=

2 0
1 3

v
1
es una combinacion lineal de v
2
, v
3
y v
4
porque
v
1
= v
2
+ 2v
3
v
4
=

0 2
1 0

+ 2

1 3
1 2

2 0
1 3

0 8
2 1

4.1. ESPACIOS VECTORIALES 98

En los ejemplos anteriores se proporcionan los escalares para que se observe como se
forma la combinanci on lineal. A continuaci on se mostrar a como obtener los escalares,
en caso de que existan, para expresar a un vector como combinaci on lineal de otros.
Ejemplo 4.14 Determine si el vector

8, 0, 5

es una combinacion lineal de los

vectores

1, 2, 3

0, 1, 4

2, 1, 1

R
3
.
Solucion. Para mostrar que

8, 0, 5

es una combinaci on lineal

1, 2, 3

0, 1, 4

2, 1, 1

, entonces deben de existir escalares c

1
, c
2
y c
3
tales que se cumpla

8, 0, 5

= c
1

1, 2, 3

+ c
2

0, 1, 4

+ c
3

2, 1, 1

c
1
, 2c
1
, 3c
1

0, c
2
, 4c
2

2c
3
, c
3
, c
3

c
1
+ 2c
3
, 2c
1
+ c
2
c3, 3c
1
+ 4c
2
+ c
3

por lo que para encontrar los valores de c

1
, c
2
y c
3
resolvemos el siguiente sistema de
ecuaciones.
c
1
+ 2c
3
= 8
2c
1
+ c
2
c
3
= 0
3c
1
+ 4c
2
+ c
3
= 5
cuya soluci on es c
1
= 2, c
2
= 1 y c
3
= 3. Por lo que nos queda que el vector

8, 0, 5

si es una combinaci on lineal de

1, 2, 3

0, 1, 4

2, 1, 1

8, 0, 5

= 2

1, 2, 3

0, 1, 4

+ 3

2, 1, 1

En caso de que el sistema no hubiera tenido soluci on, no hubiera sido posible expresar
al vector como una combinaci on lineal de los otros vectores.
Ejemplo 4.15 Determine si la matriz

1 7
8 1

es una combinacion lineal de

1 0
2 1

2 3
0 2

0 1
2 0

M
22
.
Solucion. Si es posible encontrar escalares c
1
, c
2
y c
3
tales que se cumpla la siguiente
identidad

1 7
8 1

= c
1

1 0
2 1

+ c
2

2 3
0 2

+ c
3

0 1
2 0

entonces se dice que la matriz es combinaci on lineal de las otras matrices. Entonces

1 7
8 1

c
1
+ 2c
2
3c
2
+ c
3
2c
1
+ 2c
3
c
1
+ 2c
2

4.1. ESPACIOS VECTORIALES 99

y para hallar los valores de c
1
, c
2
y c
3
se tiene que resolver el sistema
c
1
+ 2c
2
= 1
3c
2
+ c
3
= 7
2c
1
+ 2c
3
= 8
c
1
+ 2c
2
= 1
Resolviendo el sistema tenemos que c
1
= 3, c
2
= 2 y c
3
= 1 por lo que se cumple que
la matriz

1 7
8 1

es una combinacion lineal de las otras matrices quedando

1 7
8 1

= 3

1 0
2 1

2 3
0 2

0 1
2 0

Ejemplo 4.16 Determine si el polinomio p (x) = 2x

2
+ 6x + 7 es una combinacion
lineal de q (x) = x
2
1 y r (x) = 2x + 3.
Solucion. Para determinar si p (x) es combinacion lineal de q (x) y r (x) se tiene que
cumplir la siguiente identidad
p (x) = c
1
q (x) + c
2
r (x)
2x
2
+ 6x + 7 = c
1

x
2
1

+ c
2
(2x + 3)
2x
2
+ 6x + 7 = c
1
x
2
+ 2c
2
x c
1
+ 3c
2
Los polinomios son iguales s olo cuando los coecientes correspondientes son iguales.
Comparando los coecientes de x
2
, x y el termino constante queda el siguiente sistema
de ecuaciones
c
1
= 2
2c
2
= 6
c
1
+ 3c
2
= 7
Resolviendo el sistema obtenemos que la soluci on es c
1
= 2, c
2
= 3, por lo que p (x) es
combinaci on lineal de q (x) y r (x) quedando
p (x) = 2q (x) + 3r (x)
Ejercicio 4.3 Determina si el primer vector es combinacion lineal de los otros vectores.

8,
1
4
,
27
4

2, 1, 3

5, 0, 4

4.1. ESPACIOS VECTORIALES 100

3, 15, 18

2, 0, 7

2, 4, 5

2, 12, 13

0, 10, 8

1, 2, 3

1, 3, 1

1, 8, 5

Ejercicio 4.4 Determina si la matriz

5 7
5 10

es combinacion lineal de las matrices

1 2
3 4

0 3
1 2

1 2
0 0

Ejercicio 4.5 Determina si el polinomio p (x) = x

2
+4x+5 es una combinacion lineal
de los polinomios q (x) = x
2
+ x 1 y r (x) = x
2
+ 2x + 1
4.1.4. Espacio generado
En la secci on anterior se mostro que un vector de un espacio vectorial puede re-
presentarse como la combinacion lineal de otros vectores en el mismo espacio vectorial.
A continuaci on se mostrar a que todos los vectores de un espacio vectorial se pueden
representar como una combinacion lineal de un conjunto de vectores.
Denici on 4.4 Sean v
1
, . . . , v
m
vectores en un espacio vectorial V . Estos vectores ge-
neran a V si cada vector en V puede ser expresado como una combinacion lineal de
ellos. A este conjunto se le llama conjunto generador de V .
Ejemplo 4.17 El conjunto

1, 0, 0

0, 1, 0

0, 0, 1

genera a R
3
ya que
cualquier vector u =

u
1
, u
2
, u
3

en R
3
puede escribirse como
u = u
1

1, 0, 0

+ u
2

0, 1, 0

+ u
3

0, 0, 1

Ejemplo 4.18 El conjunto {1, x, x

2
} genera a P
2
ya que cualquier polinomio p (x) =
a + bx + cx
2
en P
2
puede escribirse como
p (x) = a (1) + b (x) + c

x
2

Los conjuntos generadores proporcionados en los ejemplos anteriores se les denomi-

nan conjuntos generadores estandar de R
3
y P
2
, respectivamente. A continuacion
se mostraran algunos ejemplos de conjuntos generadores no estandar.
Ejemplo 4.19 Determine si el conjunto S =

1, 2, 3

0, 1, 2

2, 0, 1

genera a R
3
Solucion. S genera a R
3
si cualquier vector x =

x
1
, x
2
, x
3

en R
3
puede represen-
tarse como combinacion lineal de los vectores de S, es decir, si existen escalares c
1
, c
2
y
c
3
tales que

x
1
, x
2
, x
3

= c
1

1, 2, 3

+ c
2

0, 1, 2

+ c
3

2, 0, 1

4.1. ESPACIOS VECTORIALES 101

simplicando la ecuacion anterior tenemos el siguiente sistema de ecuaciones
c
1
2c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
los escalares existen si el sistema anterior tiene al menos una solucion. Calculando el
determinante de la matriz de coecientes se observa que este es diferente de cero y
por lo tanto el sistema tiene solucion unica. Se concluye que como cualquier vector en
R
3
puede expresarse como combinaci on lineal de los vectores de S, entonces S es un
conjunto generador de R
3
.
Ejemplo 4.20 Determine si el conjunto S =

1, 2, 3

0, 1, 2

1, 0, 1

genera a R
3
Solucion. S genera a R
3
si cualquier vector x =

x
1
, x
2
, x
3

en R
3
puede represen-
tarse como combinacion lineal de los vectores de S, es decir, si existen escalares c
1
, c
2
y
c
3
tales que

x
1
, x
2
, x
3

= c
1

1, 2, 3

+ c
2

0, 1, 2

+ c
3

1, 0, 1

simplicando la ecuacion anterior tenemos el siguiente sistema de ecuaciones

c
1
c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
la forma escalonada reducida de la matriz aumentada del sistema anterior es
_
_
1 0 1 0
0 1 2 0
0 0 0 1
_
_
por lo que el sistema anterior no tiene soluci on y por lo tanto no es posible representar
a todos los vectores en R
3
como combinacion lineal de los vectores de S. Por lo anterior
se concluye que S no genera a R
3
.
En el ejemplo anterior S no genera a R
3
, sin embargo genera un subespacio de R
3
,
que es el plano en donde est an los tres vectores de S. A este espacio vectorial se le llama
espacio generado por el conjunto S
Denici on 4.5 Sean v
1
, . . . , v
m
vectores en un espacio vectorial V . El espacio gene-
rado por {v
1
, . . . , v
m
} es el conjunto de combinaciones lineales de v
1
, . . . , v
m
. Es decir,
gen {v
1
, . . . , v
m
} = {v | v = a
1
v
1
+ + a
m
v
m
}
donde a
1
, . . . , a
m
son escalares arbitrarios.
4.1. ESPACIOS VECTORIALES 102
Teorema 4.3 Si v
1
, v
2
, . . . , v
k
son vectores en un espacio vectorial V , entonces gen {v
1
, v
2
, . . . , v
k
}
es un subespacio de V .
Ejemplo 4.21 Sean v
1
=

2, 1, 4

y v
2
=

4, 1, 6

. Entonces
H = gen {v
1
, v
2
}
=

v | v = a
1

2, 1, 4

+ a
2

4, 1, 6

Cual es la apariencia de H?
Solucion. Para determinar la apariencia de H, tomemos un vector cualquiera

x, y, z

H, entonces el vector se puede representar como combinaci on lineal de v

1
y v
2
, que-
dando

x, y, z

= a
1

2, 1, 4

+ a
2

4, 1, 6

entonces
x = 2a
1
+ 4a
2
y = a
1
+ a
2
z = 4a
1
+ 6a
2
resolviendo el sistema de ecuaciones, vemos que
_
_
1 0
1
6
x
2
3
y
0 1
1
6
x +
1
3
y
0 0
5
3
x
2
3
y +z
_
_
entonces para que el vector

x, y, z

pertenezca a H, el sistema tiene que tener al

menos una solucion. Observando la matriz anterior vemos que el sistema s olo tiene
soluci on cuando
5
3
x
2
3
y +z = 0, multiplicando por 3
5x + 2y 3z = 0
que es la ecuaci on de un plano que pasa por el origen. Por lo que la apariencia de H es
la de un plano que pasa por el origen. En general el espacio generado por dos vectores
diferentes de cero en R
3
que no son paralelos es un plano que pasa por el origen.
Ejemplo 4.22 Determine si el vector v =

3, 1, 11

pertenece a
H = gen

1, 5, 3

2, 3, 4

Solucion. El vector v H si es una combinaci on lineal de

1, 5, 3

2, 3, 4

,
esto es

3, 1, 11

= c
1

1, 5, 3

+ c
2

2, 3, 4

4.1. ESPACIOS VECTORIALES 103

simplicando la igualdad anterior obtenemos el sistema
c
1
+ 2c
2
= 3
5c
1
3c
2
= 1
3c
1
+ 4c
2
= 11
resolviendo el sistema vemos que la solucion es c
1
= 1, c
2
= 2. De esta forma v =
1

1, 5, 3

+ 2

2, 3, 4

es combinaci on lineal de los vectores que generan a H

y por lo tanto pertenece a gen

1, 5, 3

2, 3, 4

.
Ejemplo 4.23 Sean p (x) = 2x
2
5 y q (x) = x + 1. Muestre que el polinomio r (x) =
4x
2
+ 3x 7 pertenece a gen {p, q}
Solucion. El polinomio r (x) est a en gen {p, q} si es una combinaci on lineal de p (x) y
q (x) , esto es
4x
2
+ 3x 7 = c
1

2x
2
5

+ c
2
(x + 1)
= 2c
1
x
2
+ c
2
x 5c
1
+ c
2
igualando los coecientes de los polinomios obtenemos
2c
1
= 4
c
2
= 3
5c
1
+ c
2
= 7
resolviendo el sistema vemos que la soluci on es c
1
= 2, c
2
= 3. De esta forma podemos
escribir
4x
2
+ 3x 7 = 2

2x
2
5

+ 3 (x + 1)
por lo que r (x) es combinacion lineal de p (x) y q (x) por lo tanto pertenece a gen {p, q}.
Teorema 4.4 Sean v
1
, v
2
, . . . , v
n
, v
n+1
, n+1 vectores que estan en un espacio vectorial
V . Si v
1
, v
2
, . . . , v
n
genera a V , entonces v
1
, v
2
, . . . , v
n
, v
n+1
tambien genera a V . Es
decir, si se agregan uno o mas vectores a un conjunto generador se obtiene otro conjunto
generador.
Ejercicio 4.6 Determinar si el conjunto dado de vectores genera al espacio vectorial
dado
En R
2
:

0, 1

3, 4

1, 2

En R
3
:

1, 1, 1

0, 1, 1

0, 0, 1

En P
2
: 1 x, 3 x
2
En M
22
:

1 0
1 0

1 2
0 0

4 1
3 0

2 5
6 0

4.1. ESPACIOS VECTORIALES 104

4.1.5. Independencia Lineal
Denicion 4.6 Sean v
1
, v
2
, . . . , v
n
vectores en un espacio vectorial V . Entonces se
dicen que son linealmente dependientes si existen n escalares c
1
, c
2
, . . . , c
n
no
todos ceros tales que
c
1
v
1
+ c
2
v
2
+ . . . + c
n
v
n
= 0
Si los vectores no son linealmente dependientes, se dice que son linelamente inde-
pendientes.
NOTA: Se dice que los vectores v
1
, v
2
, . . . , v
n
son linealmente independientes (o de-
pendientes), o que el conjunto de vectores {v
1
, v
2
, . . . , v
n
} es linealmente independiente
(o dependiente). Esto es, las frases son indistintas.
Teorema 4.5 Dos vectores en un espacio vectorial son linealmente dependientes si y
solo si uno es m ultiplo escalar del otro. En otras palabras si son paralelos.
Ejemplo 4.24 Los vectores son v
1
=
_
_
_
_
2
1
0
3
_
_
_
_
y v
2
=
_
_
_
_
6
3
0
9
_
_
_
_
son linealmente depen-
dientes porque v
2
= 3v
1
.
Los vectores v
1
=
_
_
1
2
4
_
_
y v
2
=
_
_
2
5
3
_
_
son linealmente independientes.
Si fueran dependientes existe c = 0 tal que
_
_
1
2
4
_
_
= c
_
_
2
5
3
_
_
de donde se tiene el
sistema
1 = 2c
2 = 5c
4 = 3c
El cual claramente no tiene solucion.
Ejemplo 4.25 Determine si los vectores
_
_
1
2
3
_
_
,
_
_
2
2
0
_
_
y
_
_
0
1
7
_
_
son linealmente de-
pendientes o independientes.
Solucion. Supongamos que
c
1
_
_
1
2
3
_
_
+ c
2
_
_
2
2
0
_
_
+ c
3
_
_
0
1
7
_
_
=
_
_
0
0
0
_
_
4.1. ESPACIOS VECTORIALES 105
De donde obtenemos el sistema
c
1
+ 2c
2
= 0
2c
1
2c
2
+ c
3
= 0
3c
1
+ 7c
3
= 0
o bien en forma matricial
_
_
1 2 0 0
2 2 1 0
3 0 7 0
_
_
cuya forma escalonada reducida es
_
_
1 0 0 0
0 1 0 0
0 0 1 0
_
_
por tanto la solucion unica es c
1
= c
2
= c
3
= 0 y los vectores son linealmente indepen-
dientes.
Ejemplo 4.26 Determine si los vectores
_
_
1
3
0
_
_
,
_
_
3
0
4
_
_
y
_
_
11
6
12
_
_
son linealmente de-
pendientes o independientes
Solucion. Supong amos que
c
1
_
_
1
3
0
_
_
+ c
2
_
_
3
0
4
_
_
+ c
3
_
_
11
6
12
_
_
=
_
_
0
0
0
_
_
entonces tenemos el sistema
c
1
+ 3c
2
+ 11c
3
= 0
3c
1
6c
3
= 0
4c
2
+ 12c
3
= 0
que se puede reducir a
c
1
+ 2c
3
= 0
c
2
+ 3c
3
= 0
de donde se tiene c
1
= 2c
3
y c
2
= 3c
3
si hacemos c
3
= 1 tenemos
c
1
= 2
c
2
= 3
c
3
= 1
por lo tanto este conjunto de vectores es linealmente dependiente.
NOTA: Tres vectores en R
3
son linelamente dependientes si y solo si son coplanares.
4.1. ESPACIOS VECTORIALES 106
Teorema 4.6 Un conjunto de n vectores en R
m
siempre es linealmente dependiente si
n > m.
En otras palabras un conjunto de vectores en R
m
es linealmente dependiente si se tienen
m as vectores (n) en el conjunto, que componentes (m) en el vector.
Corolario 4.7 Un conjunto de vectores linealmente independientes en R
n
contiene a
los mas n vectores.
Teorema 4.8 Sean v
1
, v
2
, . . . , v
n
, n vectores en R
n
y sea A una matriz de nn cuyas
columnas son v
1
, v
2
, . . . , v
n
. Entonces v
1
, v
2
, . . . , v
n
son linealmente independientes si y
solo si la unica solucion al sistema homogeneo Ax = 0 es la solucion trivial x = 0.
Teorema 4.9 Sea A una matriz de nn. Entonces det (A) = 0 si y solo si las columnas
de A son linealmente independientes.
Teorema 4.10 Sea A una matriz de n n. Entonces las ocho armaciones siguientes
son equivalentes (es decir, si una es cierta todas son ciertas)
1. A es invertible
2. La unica solucion al sistema homogeneo Ax = 0 es la solucion trivial x = 0.
3. El sistema Ax = b tiene solucion unica para todo n vector b.
4. A es equivalente por renglones a la matriz identidad de n n, I
n
5. A se puede escribir como el producto de matrices elementales
6. La forma escalonada por renglones de A tiene n pivotes
7. det (A) = 0
8. Las columnas de A son linealmente independientes.
Teorema 4.11 Cualquier conjunto de n vectores linealmente independiente en R
n
ge-
nera a R
n
.
Ejemplo 4.27 Determine si los vectores

2, 1, 4

1, 0, 2

, y

3, 1, 5

son
linealmente dependientes o independientes
Solucion. Colocamos los vectores en forma de columnas para construir la matriz
_
_
2 1 3
1 0 1
4 2 5
_
_
que tiene como determinante det (A) = 1, por tanto, los vectores son linealmente
independientes.
4.1. ESPACIOS VECTORIALES 107
Ejemplo 4.28 En M
23
, sean A
1
=

1 0 2
3 1 1

, A
2
=

1 1 4
2 3 0

y A
3
=

1 0 1
1 2 1

determine si A
1
, A
2
y A
3
son linealmente dependientes o independientes.
Solucion. Supongamos que c
1
A
1
+ c
2
A
2
+ c
3
A
3
= 0. Entonces
c
1

1 0 2
3 1 1

+ c
2

1 1 4
2 3 0

+ c
3

1 0 1
1 2 1

0 0 0
0 0 0

lo que equivale a

c
1
c
2
c
3
c
2
2c
1
+ 4c
2
+ c
3
3c
1
+ 2c
2
+ c
3
c
1
+ 3c
2
+ 2c
3
c
1
+ c
3

0 0 0
0 0 0

de aqui es claro que c

2
= 0, sustituyendo se tiene el sistema
c
1
c
3
= 0
2c
1
+ c
3
= 0
3c
1
+ c
3
= 0
c
1
+ 2c
3
= 0
c
1
+ c
3
= 0
lo cual se puede escribir como
_

_
1 1 0
2 1 0
3 1 0
1 2 0
1 1 0
_

_
cuya forma escalonada reducida es
_

_
1 0 0
0 1 0
0 0 0
0 0 0
0 0 0
_

_
por lo tanto, la unica soluci on es c
1
= c
2
= c
3
= 0 y de esta manera los vectores son
linealmente independientes.
Ejemplo 4.29 Determine si los polinomios en P
3
, 1, x, x
2
y x
3
son linealmente de-
pendientes o independientes
Solucion. Suponga que c
1
+ c
2
x + c
3
x
2
+ c
4
x
3
= 0. Esto debe cumplirse para toda
x, en particular para valores especcos de x, si tomamos x = 0 se sigue que c
1
= 0.
4.1. ESPACIOS VECTORIALES 108
Entonces, haciendo x = 1, x = 1 y x = 2 se obtiene respectivamente
c
2
+ c
3
+ c
4
= 0
c
2
+ c
3
c
4
= 0
2c
2
+ 4c
3
+ 8c
4
= 0
el determinante de este sistema es

1 1 1
1 1 1
2 4 8

= 12
por lo tanto, estos vectores son linealmente independientes.
Ejemplo 4.30 Determine si los polinomios en P
2
, x 2x
2
, x
2
4x y 7x + 8x
2
son
linealmente dependientes o independientes.
Solucion. Escribiendo los polinomios como combinacion lineal e igualandolos al poli-
nomio cero, tenemos
c
1

x 2x
2

+ c
2

x
2
4x

+ c
3

7x + 8x
2

= 0x
2
+ 0x + 0
reduciendo la ecuacin anterior entonces
(2c
1
+ c
2
+ 8c
3
) x
2
+ (c
1
4c
2
7c
3
) = 0x
2
+ 0x + 0
y de aqui se obtiene el sistema homogeneo de ecuaciones
2c
1
+ c
2
+ 8c
3
= 0
c
1
4c
2
7c
3
= 0
el cual, al tener mas variables que ecuaciones tiene innitas soluciones y por tanto, se
concluye que los polinomios son linealmente dependientes.
Ejercicio 4.7 Determine si el conjunto S de vectores dado es linealmente dependiente
o independiente
S =

1
2

1
3

S =

3
2

1
10

4
5

S =
_
_
_
_
_
1
1
2
_
_
,
_
_
4
0
0
_
_
,
_
_
2
3
5
_
_
,
_
_
7
1
2
_
_
_
_
_
En P
2
: S = {1 x, x}
En M
22
: S =

1 0
1 2

2 3
7 4

8 5
7 6

4 1
2 3

2 3
1 4

4.1. ESPACIOS VECTORIALES 109

4.1.6. Base
Denicion 4.7 Un conjunto nito de vectores {v
1
, v
2
, . . . , v
n
} es una base para un
espacio vectorial V si
1. {v
1
, v
2
, . . . , v
n
} es linealmente independiente.
2. {v
1
, v
2
, . . . , v
n
} genera a V
Nota. Todo conjunto de n vectores linealmente independiente en R
n
es una base en
R
n
. Esta armacion es consecuencia del teorema que indica que todo conjunto de n
vectores linealmente independiente en R
n
genera a R
n
.
En R
n
se dene
e
1
=
_
_
_
_
_
_
_
1
0
0
.
.
.
0
_
_
_
_
_
_
_
, e
2
=
_
_
_
_
_
_
_
0
1
0
.
.
.
0
_
_
_
_
_
_
_
, e
3
=
_
_
_
_
_
_
_
0
0
1
.
.
.
0
_
_
_
_
_
_
_
, . . . , e
n
=
_
_
_
_
_
_
_
0
0
0
.
.
.
1
_
_
_
_
_
_
_
Puesto que los vectores en e
i
son las columnas de una matriz identidad (que tiene
determinante 1), {e
1
, e
2
, . . . , e
n
} es un conjunto linealmente independiente y, por tanto,
constituye una base en R
n
. Esta base especial se denomina base canonica en R
n
. Ahora
se encontraran bases para algunos otros espacios.
Ejemplo 4.31 (Base canonica para P
n
) Los polinomios {1, x, x
2
, x
3
, . . . , x
n
} cons-
tituyen una base para P
n
.
Ejemplo 4.32 (Base canonica para M
22
) Anteriormente se vio que los vectores

1 0
0 0

0 1
0 0

0 0
1 0

0 0
0 1

generan a M
22
. Para probar que dichos vectores forman una base para M
22
, solo falta
probar que son linealmente independientes, es decir
c
1

1 0
0 0

+ c
2

0 1
0 0

+ c
3

0 0
1 0

+ c
4

0 0
0 1

0 0
0 0

de donde observamos que c

1
= c
2
= c
3
= c
4
= 0. As, estos cuatro vectores son
linealmente independientes y por lo tanto constituyen una base para M
22
.
Ejemplo 4.33 (Una base para un subespacio de R
3
) Encuentre una base para el
conjunto de vectores que se encuentran en el plano
=

x, y, z

| 2x y + 3z = 0

4.1. ESPACIOS VECTORIALES 110

Solucion. Para encontrar una base, primero se observa que si x y z se escogen arbi-
trariamente y si

x, y, z

, entonces y = 2x + 3z. As, los vectores en tienen la

forma
_
_
x
2x + 3z
z
_
_
=
_
_
x
2x
0
_
_
+
_
_
0
3z
z
_
_
= x
_
_
1
2
0
_
_
+ z
_
_
0
3
1
_
_
Lo cual muestra que

1, 2, 0

0, 3, 1

generan a . Como estos vectores son

linealmente independientes ya que uno no es m ultiplo del otro, forman una base para
.
Teorema 4.12 Si {v
1
, v
2
, . . . , v
n
} es una base para V y si v V , entonces existe un
conjunto unico de escalares c
1
, c
2
, . . . , c
n
tales que v =c
1
v
1
+ c
2
v
2
+ + c
n
v
n
Teorema 4.13 Si {u
1
, u
2
, . . . , u
m
} y {v
1
, v
2
, . . . , v
n
} son bases en un espacio vectorial
V , entonces m = n; es decir, cualesquiera dos bases en un espacio vectorial V tienen
el mismo n umero de vectores.
Ejemplo 4.34 Encuentre una base para el espacio de solucion del sistema homogeneo
dado
x y = 0
2x + 2y = 0
Solucion. El espacio de soluci on de un sistema homogeneo es el conjunto de todas
las soluciones del sistema homogeneo. Entonces para determinar una base para dicho
espacio, procedamos a resolver el sistema.

1 1
2 2

1 1
0 0

entonces la soluci on del sistema es x = y con y arbitraria. Entonces podemos repre-

sentar todas las soluciones del sistema homogeneo como el vector

x
x

.
Para encontrar una base en el espacio de soluci on, es necesario encontrar un conjunto
de vectores que genere a todas las soluciones del sistema, esto es a todos lo vectores de
la forma

x
x

. Veamos que

x
x

= x

1
1

por lo que cualquier soluci on se puede escribir como combinaci on lineal de

1
1

, y
por tanto genera al espacio de soluci on y es linealmente independiente. En conclusi on
el conjunto

1
1

es una base para el espacio de solucion del sistema homogeneo.

4.1. ESPACIOS VECTORIALES 111
Ejercicio 4.8 Determine si el conjunto dado S es una base para el espacio vectorial a
que se reere.
En P
2
: S = {1 x
2
, x}
En P
3
: S = {1 + x, 2 + x
2
, 3 + x
3
, 1}
En M
22
: S =

3 1
0 0

3 2
0 0

5 1
0 6

0 1
0 7

En M
22
: S =

a 0
0 0

0 b
0 0

0 0
c 0

0 0
0 d

H = {(x, y) R
2
| x + y = 0} : S =

1 1

3 3

Ejercicio 4.9 Encuentre una base en R

3
para el conjunto de vectores que constituyen
el plano 3x 2y + z = 0
Ejercicio 4.10 Encuentre una base para el espacio de solucion del sistema homogeneo
dado
2x + 3y 4z = 0
x y + z = 0
2x + 8y 10z = 0
4.1.7. Dimension
Denici on 4.8 (Dimension) Si el espacio vectorial V tiene una base con un n umero
nito de elementos, entonces la dimensi on de V es el n umero de vectores en todas las
bases y V se denomina espacio vectorial de dimensi on nita. De otra manera,
V se denomina espacio vectorial de dimensi on innita. Si V = {0}, entonces se
dice que tiene dimensi on cero.
Teorema 4.14 Suponga que dimV = n. Si u
1
, u
2
, . . . , u
m
es un conjunto de m vectores
linealmente independientes en V , entonces m n.
Teorema 4.15 Sea H un subespacio de un espacio vectorial de dimension nita V .
Entonces H tiene dimension nita y
dimH dimV
Ejercicio 4.11 Encuentre una base para D
3
, el espacio vectorial de matrices diagonales
de 3 3. Cual es la dimension de D
3
?
Ejercicio 4.12 Cual es la dimension de D
n
, el espacio vectorial de matrices diago-
nales de n n?
4.1. ESPACIOS VECTORIALES 112
4.1.8. Rango,nulidad, espacio de los renglones y espacio de las
columnas de una matriz
Denicion 4.9 Espacio Nulo. Sea A una matriz de mn y sea
N
A
= {x R
n
| Ax = 0}
al conjunto N
A
se le denomina espacio nulo de la matriz A
Denicion 4.10 Nulidad de una matriz. La nulidad de una matriz A, denotada
por (A), es igual a la dimension del espacio nulo. Esto es:
(A) = dimN
A
si N
A
contiene solo al vector cero, entonces (A) = 0.
NOTA: El espacio nulo de una matriz tambien se conoce como kernel.
Sea A =

1 2 1
2 1 3

. Entonces, una base para el espacio de solucion o espacio

nulo de A es el vector
_
_
1
1
1
_
_
y por lo tanto
N
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_
y (A) = dimN
A
= 1.
Sea A =
_
_
2 1 3
4 2 6
6 3 9
_
_
. Entonces, una base para el espacio de soluci on o espacio
nulo de A es el conjunto
_
_
_
_
_
1
2
0
_
_
,
_
_
0
3
1
_
_
_
_
_
y por lo tanto
N
A
= gen
_
_
_
_
_
1
2
0
_
_
,
_
_
0
3
1
_
_
_
_
_
y (A) = dimN
A
= 2
Teorema 4.16 Sea A una matriz de nn. Entonces A es invertible si y solo si (A) =
0.
Denici on 4.11 (Imagen de una matriz) Sea A una matriz de mn. Entonces la
imagen de A, denotada por Im(A), esta dada por
Im(A) = {y R
m
| Ax = y para alguna x R
m
} (4.1)
4.1. ESPACIOS VECTORIALES 113
Teorema 4.17 Sea A una matriz de m n. Entonces la imagen de A Im(A) es un
subespacio de R
m
Denicion 4.12 (Rango de una matriz) Sea A una matriz de mn. Entonces el
rango A, denotado por (A), esta dado por
(A) = dimIm(A)
Denici on 4.13 Si A es una matriz de mn, sean {r
1
, r
2
, . . . , r
m
} los renglones de
A y {c
1
, c
2
, . . . , c
n
} las columnas de A. Entonces se dene
R
A
= espacio de los renglones de A = gen {r
1
, r
2
, . . . , r
m
} (4.2)
y
C
A
= espacio de las columnas de A = gen {c
1
, c
2
, . . . , c
n
} (4.3)
Teorema 4.18 Para cualquier matriz A, C
A
= Im(A) . Es decir, la imagen de una
matriz es igual al espacio de sus columnas.
Ejemplo 4.35 Calculo de N
A
, (A), Im(A) , (A) , R
A
y C
A
para una matriz de
2 3
Solucion. Sea A =

1 2 1
2 1 3

una matriz de 2 3.
El espacio nulo de A = N
A
= {x R
3
| Ax = 0}. Como se vio en el ejemplo 1,
N
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_
La nulidad de A = (A) = dimN
A
= 1
Se sabe que Im(A) = C
A
. Las primeras dos columnas de A son vectores li-
nealmente independientes en R
2
y, por lo tanto, forman una base para R
2
. La
Im(A) = C
A
= R
2
.
(A) = dimIm(A) = dimR
2
= 2
El espacio de los renglones de A = R
A
= gen

1, 2, 1

2, 1, 3

. Como
estos dos vectores son linealmente independientes, se ve que R
A
es un subespacio
de dimension dos de R
3
. Observe que R
A
es un plano que pasa por el origen.
Teorema 4.19 Si A es una matriz de mn, entonces
dimR
A
= dimC
A
= dimIm(A) = (A)
4.1. ESPACIOS VECTORIALES 114
Ejemplo 4.36 (Calculo de Im(A) y (A) para una matriz de 3 3) Encuentre una
base para Im(A) y determine el rango de A =
_
_
2 1 3
4 2 6
6 3 9
_
_
.
Solucion. Como r
2
= 2r
1
y r
3
= 3r
1
, se ve que (A) = dimR
A
= 1. As, toda
columna en C
A
es una base para C
A
= Im(A). Por ejemplo,
_
_
2
4
6
_
_
es una base para
Im(A).
Teorema 4.20 El rango de una matriz es igual al n umero de pivotes en su forma
escalonada por renglones.
Ejemplo 4.37 Sea A =
_

_
1 2 4 3
2 5 6 8
0 1 14 14
3 6 12 9
_

_
. Calcula lo siguiente: N
A
, (A), Im(A),
(A), R
A
y C
A
para una matriz de 4 4
Solucion. Reduciendo la matriz a su forma escalonada por renglones queda como sigue:
_

_
1 0 32 31
0 1 14 14
0 0 0 0
0 0 0 0
_

_
de la matriz anterior obtenemos las siguientes ecuaciones:
x
1
32x
3
+ 31x
4
= 0
x
2
+ 14x
3
14x
4
= 0
o bien
x
1
= 32x
3
31x
4
x
2
= 14x
3
+ 14x
4
de manera que si x N
A
, entonces
x =
_
_
_
_
32x
3
31x
4
14x
3
+ 14x
4
x
3
x
4
_
_
_
_
= x
3
_
_
_
_
32
14
1
0
_
_
_
_
+ x
4
_
_
_
_
31
14
0
1
_
_
_
_
4.1. ESPACIOS VECTORIALES 115
por lo que los vectores de la combinaci on lineal forman una base para N
A
y entonces
N
A
= gen
_

_
_
_
_
_
32
14
1
0
_
_
_
_
,
_
_
_
_
31
14
0
1
_
_
_
_
_

_
a continuaci on podemos ver que
(A) = dimN
A
= 2
debido a que una base para N
A
tiene dos elementos. Para calcular el rango, podemos
observar como quedo la matriz en su forma escalonada por renglones y de ah, contar
el n umero de pivotes. De lo anterior
(A) = 2
Una vez que tenemos el rango, es mas f acil obtener Im(A), debido a que se sabe que
dimIm(A) = (A) = 2, lo que nos indica que una base para Im(A) tiene 2 elementos.
Por lo que para obtener una base en Im(A) s olo tenemos que tomar 2 columnas de A
que sean linealmente independientes, ya que C
A
= Im(A). Esto es
C
A
= Im(A) = gen
_

_
_
_
_
_
1
2
0
3
_
_
_
_
,
_
_
_
_
2
5
1
6
_
_
_
_
_

_
Para calcular R
A
, utilizamos el mismo razonamiento que usamos para calcular C
A
, y el
hecho de que dimR
A
= dimC
A
= 2. Por lo tanto
R
A
= gen
_

_
_
_
_
_
1
2
4
3
_
_
_
_
,
_
_
_
_
2
5
6
8
_
_
_
_
_

_
Ejercicio 4.13 Encuentra el rango y la nulidad de cada una de las siguientes matrices.
A =
_
_
1 1 3
5 4 4
7 6 2
_
_
A =
_

_
1 4 5 6 9
3 2 1 4 1
1 0 1 2 1
2 3 5 7 8
_

_
4.1. ESPACIOS VECTORIALES 116
Ejercicio 4.14 Bajo que condiciones de b
1
, b
2
, b
3
, b
4
y b
5
el siguiente sistema de ecua-
ciones es consistente.
x
1
3x
2
= b
1
x
1
2x
2
= b
2
x
1
+ x
2
= b
3
x
1
4x
2
= b
4
x
1
+ 5x
2
= b
5
Ejercicio 4.15 De los vectores dados a, u, v, w cuales estan en el espacio de las co-
lumnas de la matriz A.
a =

2
4

, u =
_
_
1
2
0
_
_
, v =
_
_
4
8
1
_
_
, w =
_
_
3
1
0
_
_
A =
_
_
2 1 4 6 1
0 4 5 0 2
0 8 10 0 4
_
_
Ejercicio 4.16 Encuentra todos los posibles valores del rango de A, para todos los
valores de a
A =
_
_
1 2 a
2 4a 2
a 2 1
_
_
Ejercicio 4.17 Encuentre una base para el espacio generado el conjunto de vectores
S =
_
_
_
_
_
1
4
2
_
_
,
_
_
2
1
2
_
_
,
_
_
1
3
4
_
_
_
_
_
Ejercicio 4.18 Encuentre N
A
, (A) , (A) , ImA, C
A
, R
A
para la siguientes matrices
A =
_

_
1 1 0 0
0 0 2 3
4 0 2 1
3 1 0 4
_

_
A =
_

_
1 1 2 3
2 2 4 6
2 2 4 6
3 3 6 9
_

_
Ejercicio 4.19 Contesta correctamente y justica tu respuesta
El rango de la matriz
_
_
1 2 3 4
0 2 1 5
0 0 3 7
_
_
es
(a). 1 (b). 2 (c). 3 (d). 4
4.2. TRANSFORMACIONES LINEALES 117
La nulidad de la matriz del inciso anterior es
(a). 1 (b). 2 (c). 3 (d). 4
Si un matriz de 5 7 tiene nulidad 2, entonces su rango es
(a). 5 (b). 3 (c). 2 (d). 7
(e). No se puede determinar sin mas informacion
El rango de la matriz
_
_
1 2
2 4
3 6
_
_
es
(a). 1 (b). 2 (c). 3
La nulidad de la matriz en la pregunta 4 es
(a). 0 (b). 1 (c). 2 (d). 3
Si A es una matriz de 4 4 y det A = 0, entonces el valor maximo posible para
(A) es
(a). 1 (b). 2 (c). 3 (d). 4
4.2. Transformaciones Lineales
4.2.1. Denicion
Denicion 4.14 (Transformacion Lineal) Sean V y W espacios vectoriales reales.
Una transformacion lineal T de V en W es una funcion que asigna a cada vector en
v V un vector unico Tv W y que satisface, para cada u y v en V y cada escalar ,
T (u +v) = Tu+Tv
T (v) = Tv
Dos observaciones sobre la notaci on:
1. Se escribe T : V W para indicar que T toma el espacio vectorial real V y lo
lleva al espacio vectorial real W.
2. Se escriben indistintamente Tv y T (v). Denotan lo mismo y las dos se leen T
de v.
4.2. TRANSFORMACIONES LINEALES 118
Ejemplo 4.38 (Una transformacion lineal de R
2
en R
3
) Sea T : R
2
R
3
de-
nida por
T

x
y

=
_
_
x + y
x y
3y
_
_
Solucion. Para vericar que sea una transformaci on lineal debe de cumplir las dos
propiedades de la denici on. Examinemos la primera propiedad:
T

x
1
y
1

x
2
y
2

= T

x
1
+ x
2
y
1
+ y
2

evaluando en la funci on denida para el ejemplo nos queda:

T

x
1
+ x
2
y
1
+ y
2

=
_
_
x
1
+ x
2
+ y
1
+ y
2
x
1
+ x
2
y
1
y
2
3y
1
+ 3y
2
_
_
=
_
_
x
1
+ y
1
x
1
y
1
3y
1
_
_
+
_
_
x
2
+ y
2
x
2
y
2
3y
2
_
_
pero como:
T

x
1
y
1

=
_
_
x
1
+ y
1
x
1
y
1
3y
1
_
_
y T

x
2
y
2

=
_
_
x
2
+ y
2
x
2
y
2
3y
2
_
_
entonces
T

x
1
+ x
2
y
1
+ y
2

= T

x
1
y
1

+ T

x
2
y
2

De manera similar
T

x
y

= T

x
y

=
_
_
x + y
x y
3y
_
_
=
_
_
x + y
x y
3y
_
_
= T

x
y

as, T es una transformaci on lineal.

4.2. TRANSFORMACIONES LINEALES 119
Ejemplo 4.39 (La trasnformacion cero) Sean V y W espacios vectoriales y dena
T : V W por Tv = 0 para todo v V . Entonces
T (v
1
+v
2
) = 0 = 0 +0 = Tv
1
+ Tv
2
T (v) = 0 = 0 =Tv
en este caso, T se denomina la transformacion cero.
Ejemplo 4.40 (La transformacion identidad) Sea V un espacio vectorial y dena
T : V V por Tv = v para todo v V .
Solucion. Tomemos x, y V , entonces
T (x + y) = x + y = Tx + Ty
de la misma forma se verica la otra propiedad de linealidad
T (x) = x = Tx
por lo que Tv = v, la transformaci on identidad, es una transformaci on lineal.
Ejemplo 4.41 (Transformacion de reexion) Sea T : R
2
R
2
denida por
T

x
y

x
y

.
Solucion. Sean

x
1
y
1

x
2
y
2

vectores en R
2
entonces
T

x
1
y
1

x
2
y
2

= T

x
1
+ x
2
y
1
+ y
2

x
1
x
2
y
1
+ y
2

x
1
y
1

x
2
y
2

= T

x
1
y
1

+ T

x
2
y
2

de manera similar probamos para la otra propiedad

T

x
y

= T

x
y

x
y

x
y

= T

x
y

por lo anterior se concluye que la funci on T es una transformacion lineal.

Ejemplo 4.42 Sea A una matriz de mn y dena T : R
n
R
m
por Tx =Ax. Es
T una transformacion lineal?
Solucion. Vericando las propiedades de linealidad tenemos
T (x +y) = A(x +y) = Ax +Ay = Tx + Ty
y por otro lado
T (x) = A(x) = (Ax) = Tx
de lo anterior se observa que T es una transformaci on lineal. Entonces toda matriz A
de mn se puede utilizar para denir una transformaci on lineal de R
n
en R
m
.
4.2. TRANSFORMACIONES LINEALES 120
4.2.2. Propiedades
En esta secci on se desarrollan algunas propiedades b asicas de las transformaciones
lineales.
Teorema 4.21 Sea T : V W una transformacion lineal. entonces para todos los
vectores u, v, v
1
, v
2
, . . . , v
n
en V y todos los escalares
1
,
2
, . . . ,
n
:
1. T (0) = 0
2. T (u v) = T (u) T (v)
3. T (
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
Tv
1
+
2
Tv
2
+ +
n
Tv
n
Teorema 4.22 Sea V un espacio vectorial de dimension nita con base B = {v
1
, v
2
, . . . , v
n
}.
Sean w
1
, w
2
, . . . , w
n
vectores en W. Suponga que T
1
y T
2
son dos transformaciones li-
neales de V en W tales que T
1
v
i
= T
2
v
i
= w
i
para i = 1, 2, . . . , n. Entonces para
cualquier vector v V , T
1
v = T
2
v; es decir T
1
= T
2
.
El teorema anterior indica que dos transformaciones lineales T
1
y T
2
, ambas de
V W, son iguales si al evaluar los elementos de una base de V en las transformaciones
T
1
y T
2
, para cada elemento evaluado el resultado de las dos transformaciones es el
mismo.
Ejemplo 4.43 Sea T una transformacion lineal de R
3
en R
2
y suponga que
T
_
_
1
0
0
_
_
=

2
3

, T
_
_
0
1
0
_
_
=

1
4

y T
_
_
0
0
1
_
_
=

5
3

Calcule T
_
_
3
4
5
_
_
.
Solucion. Se tiene
_
_
3
4
5
_
_
= 3
_
_
1
0
0
_
_
4
_
_
0
1
0
_
_
+ 5
_
_
0
0
1
_
_
4.2. TRANSFORMACIONES LINEALES 121
entonces
T
_
_
3
4
5
_
_
= T
_
_
3
_
_
1
0
0
_
_
4
_
_
0
1
0
_
_
+ 5
_
_
0
0
1
_
_
_
_
= 3T
_
_
1
0
0
_
_
4T
_
_
0
1
0
_
_
+ 5T
_
_
0
0
1
_
_
= 3

2
3

1
4

+ 5

5
3

6
9

4
16

25
15

35
22

Teorema 4.23 Sea V un espacio vectorial de dimension nita con base B = {v

1
, v
2
, . . . , v
n
}.
Sea W un espacio vectorial que contiene los vectores w
1
, w
2
, . . . , w
n
. Entonces existe
una transformacion lineal unica T : V W tal que Tv
i
= w
i
para i = 1, 2, . . . , n.
Ejemplo 4.44 (Denicion de una transformaci on lineal de R
2
en un subespacio de R
3
)
Encuentre una transformacion lineal de R
2
en el plano
W =
_
_
_
_
_
x
y
z
_
_
| 2x y + 3z
_
_
_
Solucion. Se sabe W es un subespacio de R
3
de dimension 2 con vectores b asicos
w
1
=
_
_
1
2
0
_
_
y w
2
=
_
_
0
3
1
_
_
. Utilizando la base est andar en R
2
, v
1
=

1
0

y v
2
=

0
1

se
dene la transformacion lineal por
T

1
0

=
_
_
1
2
0
_
_
y T

0
1

=
_
_
0
3
1
_
_
Entonces, como se ve en 4.21
T

5
7

= T

1
0

0
1

= 5T

1
0

7T

0
1

= 5
_
_
1
2
0
_
_
7
_
_
0
3
1
_
_
=
_
_
5
11
7
_
_
de manera m as general
4.2. TRANSFORMACIONES LINEALES 122
T

x
y

=
_
_
x
2x + 3y
y
_
_
4.2.3. Imagen y N ucleo
Denicion 4.15 (N ucleo e Imagen de una transformacion lineal) Sean V y W
dos espacios vectoriales y sea T : V W una transformacion lineal. Entonces
1. El n ucleo de T, denotado por nu T, esta dado por
nu T = {v V : Tv = 0}
2. La imagen de T, denotado por ImT, esta dado por
ImT = {w W : w =Tv para alguna v V }
Teorema 4.24 Si T : V W es una transformacion lineal, entonces
1. nu T es un subespacio de V
2. ImT es un subespacio de W
Ejemplo 4.45 (N ucleo e imagen de la transformacion cero.) Sea Tv = 0 para
todo v V . Entonces nu T = V e ImT = {0}
4.2.4. Representaci on Matricial
Teorema 4.25 Sea T : R
n
R
m
una transformacion lineal. Entonces existe una
matriz unica de mn, A
T
tal que
Tx = A
T
x para toda x R
n
Denici on 4.16 (Matriz de transformacion) La matriz A
T
en el teorema 4.25 se
llama matriz de transformacion correspondiente a T o representacion matricial de T.
Teorema 4.26 Sea A
T
la matriz de transformacion correspondiente a la transforma-
cion lineal T. Entonces
ImT = ImA
T
= C
A
T
(T) = (A
T
)
nu T = N
A
T
4.2. TRANSFORMACIONES LINEALES 123
(T) = (A
T
)
Ejemplo 4.46 Encuentre la matriz de transformacion A
T
correspondiente a la proyec-
cion de un vector en R
3
sobre el plano xy. Denida como T
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
Solucion. Aqu T
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
. En particular,
T
_
_
1
0
0
_
_
=
_
_
1
0
0
_
_
, T
_
_
0
1
0
_
_
=
_
_
0
1
0
_
_
y T
_
_
0
0
1
_
_
=
_
_
0
0
0
_
_
As,
A
T
=
_
_
1 0 0
0 1 0
0 0 0
_
_
Observe que
T
_
_
x
y
z
_
_
= A
T
_
_
x
y
z
_
_
=
_
_
1 0 0
0 1 0
0 0 0
_
_
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
Ejemplo 4.47 Dena T : R
3
R
4
por
T
_
_
x
y
z
_
_
=
_
_
_
_
x y
y +z
2x y z
x + y + 2z
_
_
_
_
Encuentre A
T
, nu T, ImT, (T) y (T).
4.2. TRANSFORMACIONES LINEALES 124
Solucion. Evaluando los elementos de la base canonica de R
3
en la transformaci on,
tenemos que
T
_
_
1
0
0
_
_
=
_
_
_
_
1 0
0 + 0
2 (1) 0 0
(1) + 0 + 2 (0)
_
_
_
_
=
_
_
_
_
1
0
2
1
_
_
_
_
T
_
_
0
1
0
_
_
=
_
_
_
_
0 1
1 + 0
2 (0) 1 0
(0) + 1 + 2 (0)
_
_
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
T
_
_
0
0
1
_
_
=
_
_
_
_
0 0
0 + 1
2 (0) 0 1
(0) + 0 + 2 (1)
_
_
_
_
=
_
_
_
_
0
1
1
2
_
_
_
_
por lo que la matriz de transformacion A
T
queda como sigue:
A
T
=
_

_
1 1 0
0 1 1
2 1 1
1 1 2
_

_
Ahora se calculan el n ucleo y la imagen de A
T
. La forma escalonada por renglones de
A
T
es
_

_
1 1 0
0 1 1
2 1 1
1 1 2
_

_
1 1 0
0 1 1
0 0 1
0 0 0
_

_
Esta forma tiene tres pivotes, de manera que
(A
T
) = 3 y (A
T
) = 3 3 = 0
El c alculo de la nulidad se debe a que se cumple (A
T
) + (A
T
) = n, donde n es el
n umero de columnas de A
T
. Esto signica que
nu T = {0} , ImT = gen
_

_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_

_
, (T) = 0 y (T) = 3
Ejemplo 4.48 Dena T : R
3
R
3
por
T
_
_
x
y
z
_
_
=
_
_
2x y + 3z
4x 2y + 6z
6x + 3y 9z
_
_
4.2. TRANSFORMACIONES LINEALES 125
Encuentre A
T
, nu T, ImT, (T) y (T).
Solucion. Como T
_
_
1
0
0
_
_
=
_
_
2
4
6
_
_
, T
_
_
0
1
0
_
_
=
_
_
1
2
3
_
_
y T
_
_
0
0
1
_
_
=
_
_
3
6
9
_
_
se tiene
A
T
=
_
_
2 1 3
4 2 6
6 3 9
_
_
Para encontrar N
A
= nu T, se reduce por renglones para resolver el sistema Ax = 0
_
_
2 1 3
4 2 6
6 3 9

0
0
0
_
_

_
_
1
1
2
3
2
0 0 0
0 0 0

0
0
0
_
_
por lo que un vector
_
_
x
y
z
_
_
N
A
si x
1
2
y +
3
2
z = 0, es decir, x =
1
2
y +
3
2
z. Entonces
una base B para N
A
es:
B =
_
_
_
_
_
1
2
1
0
_
_
,
_
_
3
2
0
1
_
_
_
_
_
y por lo tanto
nu T = N
A
= gen
_
_
_
_
_
1
2
1
0
_
_
,
_
_
3
2
0
1
_
_
_
_
_
Entonces (T) = dimnu T = 2. Como solo existe un pivote para A
T
se tiene que
(T) = (A
T
) = 1. y por lo tanto ImT = gen
_
_
_
_
_
2
4
6
_
_
_
_
_
.
Ejercicio 4.20 Determina si la transformacion de T : V W dada es lineal
T : R
2
R
2
; T

x
y

x
0

T : R
3
R
2
; T
_
_
x
y
z
_
_
=

1
z

T : R
2
R; T

x
y

= xy
T : M
nn
M
nn
; T (A) = AB, donde B es una matriz ja de n n
4.2. TRANSFORMACIONES LINEALES 126
T : P
2
P
1
; T (a
0
+ a
1
x + a
2
x
2
) = a
0
+ a
1
x
T : R P
n
; T (a) = a
0
+ ax +ax
2
+ + ax
n
Ejercicio 4.21 Para cada transformacion lineal T determine la representacion matri-
cial A
T
de la transformacion lineal T, nu T, ImT, (T) , (T)
T : R
4
R
2
; T
_
_
_
_
x
y
z
w
_
_
_
_
=

x + z
y +w

T : R P
3
; T (a) = a
0
+ ax +ax
2
+ ax
3
T : R
3
R
2
; T
_
_
x
y
z
_
_
=
_
_
x y + 2z
3x + y + 4z
5x y + 8z
_
_
T : M
22
M
22
; T

a b
c d

a + b +c + d a + b + c
a + b a