12

Algebra

Espacios Vectoriales y Transformaciones Lineales

3.1

Definici
on de espacio vectorial. Definici
on de subespacio vectorial. Ejemplos

Un espacio vectorial real (V, +, ) es un conjunto no vaco V dotado de una operacion interna
+:V V V
y de una operaci
on externa
:RV V
tal que se verifican las siguientes propiedades:
Para todo u, v, w V
u + (v + w) = u + v + w = (u + v) + w.
Existe 0 V tal que
u + 0 = 0 + u = u.
Para todo u V existe un u
nico v V tal que
u + v = v + u = 0.
Se denota v = u.
Para todo u, v V
u + v = v + u.
Para todo u, v V y para todo R
(u + v) = u + v.
Para todo u V y para todo , R
( + ) u = u + u.
Para todo u V y para todo , R
( ) u = ( u).
Para todo u V
1 u = u.
Ejemplo 3.1 Entre los ejemplos m
as caractersticos de espacios vectoriales reales podemos dar los siguientes:
1. Rn con la suma definida como la suma de componentes y el producto por un escalar como el producto
por componentes.
2. El conjunto de matrices reales Mm,n (R) con la suma definida como la suma habitual de matrices
(Tema 1) y el producto por escalar el producto de cada uno de sus elementos por el escalar.
3. El conjunto de polinomios reales de grado menor o igual que n, Pn [x] = {a0 +a1 x+a2 x2 + +an xn :
ai R, 0 i n} con la suma habitual de polinomios y el producto por un escalar usual.

Algebra

13

Definici
on 3.1 Diremos que un vector v V es combinaci
on lineal de un sistema finito de vectores
{v1 , v2 , . . . , vn } cuando existan escalares 1 , 2 , . . . , n R de manera que
v = 1 v1 + 2 v2 + + n vn .
El vector 0 es combinaci
on lineal de cualquier conjunto de vectores. Se dira que v es una combinacion
lineal de una parte arbitraria C V , cuando sea combinacion lineal de un sistema finito formado por
vectores pertenecientes a C. Denotaremos por < C > el conjunto de todas las combinaciones lineales
formadas con elementos de C.
Nota: Un sistema lineal Ax = b es compatible si, y solo si, b es combinacion lineal de las columnas
de la matriz A, puesto que el producto Ax es una combinacion lineal de las columnas de A tomando como
escalares los coeficientes de x.
Definici
on 3.2 Se dir
a que una parte W V es un subespacio vectorial de V , cuando W sea no vaca
y cerrada para las operaciones, es decir,
1. Si v, w W entonces v + w W .
2. Si v W y R entonces v W .
Esto es lo mismo que decir que W con las operaciones inducidas es a su vez un espacio vectorial. Ademas
es facil verificar que las dos propiedades anteriores son equivalentes a la siguiente
1. Si v, w W y , R entonces v + w W .
Teorema 3.1 Sea (V, +, ) un espacio vectorial y sea C V . Se tienen
1. < C > es un subespacio vectorial de V .
2. Si W V es un subespacio vectorial de V y C W , entonces < C > W .
Es decir, < C > es el subespacio vectorial m
as peque
no que contiene a C.
Ejemplo 3.2 Como ejemplos de subespacios vectoriales podemos mencionar los siguientes:
1. {[x, 0]T , x R} como subespacio de R2 .
2. El conjunto de las matrices reales simetricas como subespacio de Mn,n (R).
3. Pn1 [x] como subespacio de Pn [x].
4. Dada una matriz A Mm,n (R), el espacio nulo de A ( Ker(A) = {x Rn /Ax = 0} ) es un
subespacio vectorial de Rn .
5. El espacio fila y el espacio columna de una matriz A Mm,n (R). Dichos subespacios se definen como
los subespacios vectoriales de Rn (respectivamentes de Rm ) generados por las filas (respectivamente
por las columnas) de la matriz A.

14

3.2

Algebra

Dependencia e independencia lineal. Bases

Seccion 2.3 de [1].

Definici
on 3.3 Sea V un espacio vectorial. Se dice que los vectores {v1 , v2 , . . . , vn } V son linealmente dependientes cuando existen escalares 1 , 2 , . . . , n R, no todos nulos, verificando
(8)

n
X

k vk = 1 v1 + 2 v2 + + n vn = 0.

k=1

Los vectores {v1 , v2 , . . . , vn } V se dicen linealmente independientes, cuando no son linealmente

dependientes, es decir, si cuando una combinaci
on lineal (8) dada por ciertos escalares k R, 1 k n,
produce el vector 0, necesariamente k = 0, 1 k n.
Supongamos que v1 , v2 , . . . , vn V son linealmente dependientes y sean 1 , 2 , . . . , n R escalares, no
todos nulos, verificando (8). Tomemos alg
un ndice l, 1 l n, con l 6= 0. Despejando se encuentra
n
X

vl =

k=1,k6=l

k
)vk ,
l

luego alg
un vector del sistema es combinacion lineal de los restantes.
Recprocamente, si un vector v V es combinacion lineal de los vectores vj V , 1 j n, entonces
los vectores v, v1 , . . ., vn son linealmente dependientes: En efecto, existen escalares 1 , 2 , . . . , n R
con
n
X
v=
k vk ,
k=1

luego
(1)v +

n
X

k vk = 0,

k=1

y se trata de una combinaci

on no trivial, cuyo primer coeficiente es 1 6= 0.
Supongamos ahora que los vectores v1 , v2 , . . . , vn V son linealmente independientes. Dado un
vector v V que sea combinaci
on lineal de ellos, resulta que los coeficientes que dan la combinacion lineal
estan determinados de manera u
nica. En efecto, si dos combinaciones lineales producen v,
v=

n
X

k vk =

k=1

n
X

k vk ,

k=1

por diferencia encontramos

0=

n
X

(k k )vk ,

k=1

y, en virtud de la independencia de v1 , v2 , . . . , vn , tiene que ser k = k , 1 k n.

Ejemplo 3.3 Las filas no nulas de una matriz escalonada superior son linealmente independientes. Las
columnas con pivot de una matriz escalonada superior son linealmente independientes.
Definici
on 3.4 Un espacio vectorial se dice que es de tipo finito si puede ser generado por un n
umero
finito de vectores.
Definici
on 3.5 Sea (V, +, ) un espacio vectorial. Una base de V es un conjunto de vectores linealmente
independientes que generan V .

Algebra

15

Teorema 3.2 Sea (V, +, ) un espacio vectorial de tipo finito y sean {v1 , v2 , . . . , vn } y {w1 , w2 , . . . , wm }
bases de V . Entonces n = m. Este n
umero se llama dimensi
on del espacio vectorial V .
Notas:
1. Cualquier conjunto de vectores linealmente independiente se puede extender a una base a
nadiendo
mas vectores linealmente independientes si es necesario.
2. Cualquier conjunto que genere V puede reducirse a una base, eliminando si es necesario vectores que
dependan linealmente del resto del conjunto.
3. La dimensi
on de un espacio vectorial de tipo finito es el n
umero maximo de vectores que pueden ser
linealmente independientes y el n
umero mnimo de vectores que pueden ser sistema de generadores.
Teorema 3.3 Sean V y W dos subespacios vectoriales de dimensi
on finita tales que dim(V ) = dim(W ) y
V W . Entonces V = W .
3.2.1

Coordenadas y cambio de base

Sea (V, +, ) un espacio vectorial real de tipo finito y sea B = {v1 , v2 , . . . , vn } una base de V . Cada vector
v V se puede escribir de forma u
nica como una combinacion lineal de elementos de B. Es decir existen
1 , 2 , . . . , n R tales que
v = 1 v1 + 2 v2 + + n vn .
El vector M (v, B) = [1 , 2 , . . . , n ]T Rn se llama el vector de coordenadas de v en la base B.
Fijada una base B la aplicaci
on
v V M (v, B) Rn
es biyectiva y preserva las relaciones lineales.
Consideremos ahora otra base de V , B 0 = {w1 , w2 , . . . , wn }. Sea
M (v, B 0 ) = [1 , 2 , . . . , n ]T .
Entonces
v = 1 w1 + 2 w2 + + n wn
con lo que
M (v, B) = 1 M (w1 , B) + 2 M (w2 , B) + + n M (wn , B)
= M (B 0 , B)M (v, B 0 ),
donde
M (B 0 , B) = [M (w1 , B) M (w2 , B) . . . M (wn , B)],
es la matriz cuya columna i-esima es el vector de coordenadas de wi en B. Intercambiando los papeles de
B y B 0 se tiene
M (v, B 0 ) = M (B, B 0 )M (v, B),
con lo que uniendo las identidades anteriores
M (v, B 0 ) = M (B, B 0 )M (B 0 , B)M (v, B 0 ).
Como v es un vector cualquiera del espacio vectorial, M (v, B 0 ) es un vector cualquiera de Rn con lo que
M (B 0 , B)M (B, B 0 ) = I.

16

3.3

Algebra

Subespacios fundamentales de una matriz

Seccion 2.4 de [1].

Sea A Mmn .
3.3.1

El espacio fila

El espacio fila de A es el subespacio de Rn generado por las filas de A. Se denota por Im(AT ). La forma
mas sencilla de hallar una base de dicho subespacio es llevar A a forma escalonada superior U mediante
operaciones elementales por filas. Se verifica que
Im(AT ) = Im(U T ).
La dimensi
on del espacio fila de A es el n
umero de filas no identicamente nulas de su forma escalonada
superior. A esta dimensi
on se le conoce como rango por filas de la matriz A y se denota por rgf (A).
Como base de Im(AT ) se pueden tomar tanto las filas no nulas de U como las correspondientes filas en la
matriz original A.
3.3.2

El espacio nulo

El espacio nulo de A se define como el subespacio de Rn formado por los vectores {x Rn /Ax = 0} y
se denota por Ker(A). Si U es una matriz escalonada superior que se obtiene de A mediante operaciones
elementales por filas, se verifica que Ax = 0 si, y solo si U x = 0, es decir,
Ker(A) = Ker(U ).
Una base de Ker(A) se halla resolviendo el sistema homogeneo con matriz escalonada superior U dando
valor 1 a una de las variables libres, 0 a las restantes variables libres y despejando las variables basicas
en funcion de las variables libres. La dimension de este espacio es el n
umero de variables libres, es decir,
n rgf (A).
3.3.3

El espacio columna

El espacio columna de A es el subespacio de Rm generado por las columnas de A. Se denota por Im(A) y
esta formado por los vectores b Rm para los cuales el sistema lineal Ax = b es compatible. Una primera
forma de hallar una base de dicho subespacio es llevar AT a forma escalonada superior y hallar una base
del espacio fila de AT , aunque ello conllevara el tener que efectuar nuevos calculos. Aunque, en general,
Im(A) 6= Im(U ),
si ciertas columnas de U forman una base del espacio columna de U , las correspondientes columnas de A
forman una base del espacio columna de A, pues la independencia de las columnas de A se deriva de la
existencia de soluciones del sistema Ax = 0 que sabemos es equivalente a U x = 0. Por lo tanto, como
base del espacio columna de A se pueden tomar las columnas correspondientes a columnas con pivot en la
matriz escalonada superior U . Como el n
umero de pivots coincide con el n
umero de filas no nulas en U ,
se concluye que el espacio fila y el espacio columna de una matriz tienen la misma dimension. Llamando
rango por columnas de A a la dimension de su espacio columna, y denotandolo por rgc (A), acabamos
de probar que
rgf (A) = rgc (A).

Algebra

3.3.4

17

El espacio nulo izquierdo

El espacio nulo izquierdo de A se define como el espacio nulo de AT . Por lo tanto, para hallar una
base de este subespacio bastara aplicar lo que se ha indicado en la Subseccion 3.3.2 a la matriz AT .
Sin embargo, teniendo en cuenta que dicho subespacio esta formado por los vectores y Rm tales que
yT A = 0, conocida una factorizaci
on P A = LU , y multiplicando por la izquierda por L1 , se observa que
las u
ltimas m rgf (A) filas de la matriz L1 P estan en el n
ucleo izquierdo de A. Ademas, son linealmente
independientes porque L y, por lo tanto, L1 , es triangular inferior y al multiplicar por P por la derecha
solo se reordenan las columnas. Como la dimension de Ker(AT ) es m rgf (A), las u
ltimas m rgf (A)
filas de la matriz L1 P son una base del n
ucleo izquierdo de A.
Ejemplo 3.4 Hallar bases de los cuatro subespacios fundamentales de la matriz

1 2 0 1 2
2 4 0 2 3
A=
.
3 7 2 1 3
1 0 4 9
7

3.4

Intersecci
on y suma de subespacios

Seccion 2.6
Sean V
que V W
arbitrarios,
vectoriales.

de [1].
y W dos subespacios vectoriales de un espacio vectorial dado. Se comprueba sin dificultad
tambien es un subespacio vectorial. Notese que, al contrario de lo que ocurre con conjuntos
en los que la intersecci
on puede ser vaca, 0 siempre esta en la interseccion de dos subespacios

Proposici
on 3.1 Sean V y W dos subespacios vectoriales de un espacio vectorial de tipo finito y supongamos que existen matrices A y B tales que V = Ker(A) y W = Ker(B). Entonces, V W = Ker(C),
siendo
 
A
C=
.
B
Demostraci
on.
Cx = 0 Ax = 0 y Bx = 0 x V y x W x V W. 2
Acabamos de ver que la intersecci
on de dos subespacios vectoriales es un subespacio vectorial pero,
en general, la uni
on de dos subespacios vectoriales no es un subespacio vectorial. Dados dos subespacios
vectoriales V y W de un mismo espacio vectorial, se define su suma como
V + W =< V W >,
el subespacio generado por V W . Es, por tanto, el mnimo subespacio vectorial que contiene a V W .
Si existen matrices A y B tales que V = Im(A) y W = Im(B), entonces V + W = Im(A, B). La
dimension de V + W ser
a el rango por columnas de la matriz (A, B) que siempre es menor o igual que la
suma rgc (A) + rgc (B) = dim(V ) + dim(W ). Se puede concluir que dim(V + W ) dim(V ) + dim(W ).
Supongamos ahora que V y W son subespacios de Rn y que conocemos una base de cada subespacio,
es decir, que BV = {v1 , . . . , vk } es base de V y BW = {w1 , . . . , wl } es base de W . Queremos ahora hallar
una base de V W .
Sea Q la matriz de Mn,k+l cuyas columnas son los vectores {v1 , . . ., vk , w1 , . . ., wl }. Si x V W ,
entonces
x = 1 v1 + + k vk = 1 w1 + + l wl .

18

Algebra

Pasando todo al primer miembro se observa que el vector de Rk+l [1 , . . ., k , 1 , . . ., l ]T esta en

Ker(Q).
Se puede establecer entonces una aplicacion
T :V W

Ker(Q)


M (x, BV )
x
.
M (x, BW )

No es difcil comprobar que la aplicacion T es biyectiva y preserva las relaciones lineales. Por lo tanto,
podemos hallar una base de V W sin mas que hallar una base de Ker(Q) y formar sus antitransformados
por la aplicaci
on T .
Para finalizar, es conveniente tener presente el siguiente resultado
Teorema 3.4 Sean V y W dos subespacios vectoriales de dimensi
on finita. Se verifica
dim(V + W ) = dim(V ) + dim(W ) dim(V W ).
En el caso de que V y W sean subespacios de un cierto Rn , acabamos de probar que
dim(V + W ) = rgc (Q),
dim(V W ) = dim(Ker(Q)) = n
umero de columnas de Q rgc (Q)
= (k + l) rgc (Q).
Ahora bien, k = dim(V ) y l = dim(W ), de donde se concluye la formula de las dimensiones.
Nota: Si V W = 0, el espacio V + W se denomina suma directa de V y W y se denota por V W .
En este caso, cada vector de V W se puede expresar de forma u
nica como suma de un vector de V y
otro de W .
Ejemplo 3.5 Se consideran los subespacios de R4 ,
V = h[1, 2, 1, 0]T , [1, 1, 1, 1]T i,

W = h[2, 1, 0, 1]T , [1, 1, 3, 7]T i.

Hallar una base de V + W y otra de V W .

3.5

Definici
on de aplicaci
on lineal

Definici
on 3.6 Sean (V, +, ) y (W, +, ) dos espacios vectoriales reales. Se dice que una aplicaci
on T :
V W es lineal si se verifican las dos condiciones siguientes:
1. T (v + w) = T (v) + T (w) para todo v, w V .
2. T ( v) = T (v) para todo v V y R.
De la segunda propiedad se obtiene que T (0) = 0. Tambien se verifica que
T (1 v1 + 2 v2 + + n vn ) = 1 T (v1 ) + 2 T (v2 ) + + n T (vn ),
para todo i R, vi V , 1 i n. Se denota por L(V, W ) el conjunto de todas las aplicaciones lineales
entre V y W . Se deja como ejercicio verificar que este es un espacio vectorial con las operaciones usuales
entre funciones.
Ejemplo 3.6
1. Sea A Mm,n (R). La aplicaci
on T : Rn Rm que enva a un vector x Rn en T (x) = Ax es
una aplicaci
on lineal.
2. La aplicaci
on de T : Pn [x] Pn1 [x] que enva a un polinomio en su derivada es una aplicaci
on
lineal.

Algebra

3.6

19

N
ucleo e imagen de una aplicaci
on lineal

Sean (V, +, ) y (W, +, ) dos espacios vectoriales reales y sea T L(V, W ). Se definen el n
ucleo Ker(T ) y
la imagen Im(T ) de T como
Ker(T )
Im(T )

:= {v V : T (v) = 0},
:= {w W : existe v V tal que T (v) = w}.

Ker(T ) es un subespacio vectorial de V e Im(T ) es un subespacio vectorial de W . Comprobarlo se deja

como ejercicio.
Teorema 3.5 Sean (V, +, ) y (W, +, ) dos espacios vectoriales reales y sea T L(V, W ).
1. T es inyectiva Ker(T ) = {0}.
2. Si T es inyectiva todo sistema de vectores linealmente independientes en V se transforma mediante
T en otro sistema de vectores linealmente independientes en W .
3. T es suprayectiva Im(T ) = W .
4. Si T es suprayectiva todo sistema generador de vectores de V se transforma mediante T en un sistema
de generadores en W .
Teorema 3.6 Sean (V, +, ) y (W, +, ) dos espacios vectoriales sobre R de dimensi
on finita. Sea T
L(V, W ). Se verifica que
dim(V ) = dim(Ker(T )) + dim(Im(T )).

3.7

Matriz asociada a una aplicaci

on lineal

Sean (V, +, ) y (W, +, ) dos espacios vectoriales reales y sea T L(V, W ). Seleccionemos bases BV =
{v1 , v2 , . . . , vn } y BW = {w1 , w2 , . . . , wm } de V y W respectivamente. Se define la matriz de la aplicacion
lineal en dichas bases como
M (T, BV , BW ) = [M (T (v1 ), BW ) M (T (v2 ), BW ) M (T (vn ), BW )].
Sea v V entonces existen i R, 1 i n, tales que
v=

n
X

i vi ,

i=1

donde M (v, BV ) = [1 , 2 , . . . , n ]T . Como la aplicacion T es lineal se verifica que

T (v) =

n
X

i T (vi ),

i=1

luego
M (T (v), BW ) =

n
X

i M (T (vi ), BW )

i=1

= [M (T (v1 ), BW ) M (T (v2 ), BW ) M (T (vn ), BW )]M (v, BV )

= M (T, BV , BW )M (v, BV ).

20

Algebra

Recprocamente supongamos que una matriz A Mmn (R) cumple

M (T (v), BW ) = AM (v, BV ),

para todo v V.

Tomemos en particular v = vi , para 1 i n. Claramente M (vi , BV ) = ei (vector canonico de Rn ).

Por lo tanto Aei es la i-esima columna de M (T, BV , BW ). As A = M (T, BV , BW ), pues ambas matrices
coinciden columna a columna. Entonces hallar bases de Ker(T ) y de Im(T ) se reduce a buscar bases de
Ker(A) y de Im(A) que ser
an las coordenadas de los vectores buscados.
Teorema 3.7 Sean (V, +, ) y (W, +, ) dos espacios vectoriales reales de dimensi
on finita. Seleccionemos
bases BV = {v1 , v2 , . . . , vn } y BW = {w1 , w2 , . . . , wm } de V y W respectivamente. La transformaci
on
definida por
T L(V, W ) M (T, BV , BW ) Mmn (R)
es lineal, inyectiva y suprayectiva (isomorfismo). En consecuencia dim(L(V, W )) = m n.
Veamos ahora c
omo afectan los cambios de base a la matriz de la aplicacion lineal. Sean (V, +, ) y
(W, +, ) dos espacios vectoriales reales de dimension finita. Seleccionemos bases BV y BV0 de V y BW ,
0
BW
de W . Sea T L(V, W ). Entonces
0
0
M (T, BV0 , BW
) = M (BW , BW
)M (T, BV , BW )M (BV0 , BV ).
0
Para demostrarlo sea A = M (BW , BW
)M (T, BV , BW )M (BV0 , BV ). Vamos a ver que si v V
0
M (T (v), BW
) = AM (v, BV0 ),
0
).
de donde se deduce, por lo visto anteriormente que A = M (T, BV0 , BW
Desde luego se verifica que

M (T (v), BW ) = M (T, BV , BW )M (v, BV ).

Combinando esto con las f
ormulas de cambio de base de secciones anteriores, se concluye que
0
M (T (v), BW
)

=
=
=
=

0
M (BW , BW
)M (T (v), BW )
0
M (BW , BW )M (T, BV , BW )M (v, BV )
0
M (BW , BW
)M (T, BV , BW )M (BV0 , BV )M (v, BV0 )
AM (v, BV0 ),

como se quera ver.

Ahora sean (U, +, ), (V, +, ) y (W, +, ) tres espacios vectoriales reales de dimension finita. Sean
T1 L(U, V ) y T2 L(V, W ) entonces
M (T2 T1 , BU , BW ) = M (T2 , BV , BW )M (T1 , BU , BV )
donde BU , BV y BW son bases de U , V y W respectivamente.
Ejemplo 3.7 Sea S : R3 R2 una aplicaci
on lineal cuya matriz en las bases B = {[1, 0, 0]T , [1, 0, 1]T ,
T
3
0
T
T
[1, 1, 0] } de R y B = {[1, 1] , [0, 1] } de R2 es


1 0 1
A=
,
2 1 1
y sea T : R2 R3 la aplicaci
on lineal definida por las relaciones T ([1, 0]T ) = [1, 0, 1]T y T ([0, 1]T ) =
T
[1, 1, 1] . Hallar la matriz de T S en la base can
onica de R3 .

References
[1] G. Strang, Algebra Lineal y sus Aplicaciones, Addison-Wesley Iberoamericana 1986.