Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
PROPOSICI
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
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
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.
10 1. ESPACIOS VECTORIALES
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
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
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
. 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 .
14 1. ESPACIOS VECTORIALES
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
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
.
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL 15
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
16 1. ESPACIOS VECTORIALES
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 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).
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.
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.
22 1. ESPACIOS VECTORIALES
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
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
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
_
_
_
_
24 1. ESPACIOS VECTORIALES
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.
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
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 .
28 1. ESPACIOS VECTORIALES
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
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
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) .
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
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).
34 2. TRANSFORMACIONES LINEALES.
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
_
_
_
_
_
_
.
2.2. MATRIZ ASOCIADA 35
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
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
.
36 2. TRANSFORMACIONES LINEALES.
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
y la base canonica de P
2
, C = {p
0
, p
1
, p
2
} donde p
i
(t) = t
i
, i = 0, 1, 2.
2.2. MATRIZ ASOCIADA 39
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
DEFINICI
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
PROPOSICI
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
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.
46 2. TRANSFORMACIONES LINEALES.
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
=
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
_
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
_
.
50 2. TRANSFORMACIONES LINEALES.
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.
2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL. 51
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
52 2. TRANSFORMACIONES LINEALES.
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
_
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
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
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
)
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.
PROPOSICI
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).
58 2. TRANSFORMACIONES LINEALES.
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) .
_
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
_
_
_
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
_
_
_
62 2. TRANSFORMACIONES LINEALES.
_
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.
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA. 63
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