Está en la página 1de 13

Núcleo e Imagen de una Transformación Lineal

Departamento de Matemáticas, CCIR/ITESM

15 de mayo de 2009

Índice
22.1. Núcleo de una transformación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
22.2. El núcleo de una matriz y la tecnologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
22.3. Inyectividad de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
22.4. El Rango de una transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
22.5. Suprayectividad de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
22.6. Núcleo e Imagen son subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
22.7. Nulidad y Rango de una Transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

22.1. Núcleo de una transformación lineal


Definición 22.1

Sea T : V → W una transformación lineal. El núcleo T es el subconjunto formado por todos los
vectores en V que se mapean a cero en W .

Ker(T ) = {v ∈ V | T (v) = 0 ∈ W }

Ejemplo 22.1
Indique cuáles opciones contienen un vector en el núcleo de la transformación de R3 en R3 definida como
   
x −2 x + 3 z
T  y  =  −23 x − 15 y − 18 z 
z −5 x − 3 y − 3 z

dentro de las opciones:


1. v1 = (0, 0, 0)′
2. v2 = (12, −28, 8)′
3. v3 = (1, −2, 1)′
4. v4 = (3, −7, 2)′
5. v5 = (2, −4, −4)′
6. v6 = (9, −18, −15)′
Solución
Antes de pasar a la verificación, es conveniente observar que es posible encontrar una matriz A tal que
T (x) = A · x. Es decir, aplicar T a un vector x es equivalente a multiplicar por una cierta matriz A al vector x.
Empecemos con la dimensión de A: como A se multiplica por la izquierda de x y x ∈ R3 entonces el número
de columnas de A es 3. Por otro lado, como el resultado A · x es un vector de R3 , entonces el número de
renglones de A es 3. Si requerimos que
    
−2 x + 3 z x
 −23 x − 15 y − 18 z  =   y 
−5 x − 3 y − 3 z z

No es difı́cil ver     
−2 x + 3 z −2 0 3 x
 −23 x − 15 y − 18 z  =  −23 −15 −18   y 
−5 x − 3 y − 3 z −5 −3 −3 z
es decir que  
−2 0 3
A =  −23 −15 −18 
−5 −3 −3
El vector v1 está en el núcleo de T debido a que
     
−2 0 3 0 0
T (v1 ) = Av1 =  −23 −15 −18  ·  0  =  0  = 0
−5 −3 −3 0 0

El vector v2 está en el núcleo de T debido a que


     
−2 0 3 12 0
T (v2 ) = Av2 = −23 −15 −18 ·
   −28  =  0 =0
−5 −3 −3 8 0

El vector v3 no está en el núcleo de T debido a que


     
−2 0 3 1 1
T (v3 ) = Av3 =  −23 −15 −18  ·  −2  =  −11  =
6 0
−5 −3 −3 1 −2

El vector v4 está en el núcleo de T debido a que


     
−2 0 3 3 0
T (v4 ) = Av4 = −23 −15 −18 ·
   −7  =  0 =0
−5 −3 −3 2 0

El vector v5 no está en el núcleo de T debido a que


     
−2 0 3 2 −16
T (v5 ) = Av5 =  −23 −15 −18  ·  −4  =  86  6= 0
−5 −3 −3 −4 14

El vector v6 no está en el núcleo de T debido a que


     
−2 0 3 9 −63
T (v6 ) = Av6 =  −23 −15 −18  ·  −18  =  −333  = 6 0
−5 −3 −3 −15 −54

2
Ejemplo 22.2
Determine el núcleo de la transformación de R3 en R3 definida como
   
x −2 x + 3 z
T  y  =  −23 x − 15 y − 18 z 
z −5 x − 3 y − 3 z

Solución
Un vector v = (a, b, c)′ pertenece al núcleo de T si T (v) = 0, es decir si:
 
−2 a + 3 c
T ((a, b, c)′ ) =  −23 a − 15 b − 18 c  = 0( en R3 )
−5 a − 3 b − 3 c

Por lo tanto, para pertenecer al núcleo debe cumplirse

−2 a + 3 c = 0
−23 a − 15 b − 18 c = 0
−5 a − 3 b − 3 c = 0

Reduciendo tenemos:
a − 3/2 c = 0
b + 7/2 c = 0
Es decir      
a 3/2 c 3/2
 b  =  −7/2 c  = c  −7/2 
c c 1
Observe que el núcleo de T en este caso es un espacio generado:
 
 3/2 
Ker(T ) = Gen  −7/2 
1
 

Además, la dimensión de Ker(T ) es 1, lo cual coincide con el número de columnas sin pivote en la reducida de
A (La matriz que define a la transformación T ). Geométricamente en R3 este generado corresponde a la lı́nea
que pasa por el origen y con vector de dirección (3/2, −7/2, 1)′ que es:
x y z
= = 
3/2 −7/2 1

Ejemplo 22.3
Determine el núcleo de la transformación de R3 en R2 definida como
 
x  
x+y+z
T y =
 
2x + 2y + 2z
z

Solución
Un vector v = (a, b, c)′ pertenece al núcleo de T si T (v) = 0, es decir si:
 
    a
a+b+c 1 1 1
T (v) = = ·  b  = 0 ( en R2 )
2a + 2b + 2c 2 2 2
c

3
Por lo tanto, para pertenecer al núcleo debe cumplirse
a+b+c = 0
2a + 2b + 2c = 0
Reduciendo tenemos:
a+b+c = 0
Es decir        
a −b − c −1 −1
 b = b =b  1 +c  0 
c c 0 1
Es decir, que el núcleo de T en este caso es un espacio generado:
   
 −1 −1 
Ker(T ) = Gen  1  ,  0 
0 1
 

Además, la dimensión de Ker(T ) es 2, lo cual corresponde al número de columnas sin pivote de la reducida
de la matriz que define a T . Geométricamente, en R3 este generado corresponde a un plano que pasa por el
origen y con vector normal n = u1 × u2 = (1, 1, 1)′ que es:

1x + 1y + 1z = x + y + z = 0

Ejemplo 22.4
Determine el núcleo de T : R3 →R2 . 
x  
x−z
T = y =
y+z
z
Solución
Sabemos que Ker(T ) es el conjunto de todos los vectores v =< x, y, z >′ de R3 tal que T (v) = 0 (en R2 ):
 
    x  
x−z 1 0 −1 0
T (v) = = ·  y  =
y+z 0 1 1 0
z
Para resolver el sistema    
1 0 −1 0 1 0 −1 0

0 1 1 0 0 1 1 0
Cuya solución general es    
x 1
 y  = z  −1 
z 1
De ahı́ que,     
 z   1 
Ker(T ) =  −z  , z ∈ R = Gen  −1 
z 1
   

Vemos que la dimensión de Ker(T ) es 1, lo cual corresponde al número de columnas sin pivote en la matriz
que define a T . Geométricamente, en R3 esto corresonde a la recta
x y z
= = 
1 −1 1

4
Ejemplo 22.5
Determine el núcleo de T : R3 →R3 .    
x x−z
T = y = y+z 
z x−y
Solución
Sabemos que Ker(T ) es el conjunto de todos los vectores v =< x, y, z >′ de R3 tal que T (v) = 0 (en R3 ):
       
x−z 1 0 −1 x 0
T (v) =  y + z  =  0 1 1 · y = 0 
x−y 1 −1 0 z 0

Para resolver el sistema    


1 0 −1 0 1 0 0 0
 0 1 1 0 → 0 1 0 0 
1 −1 0 0 0 0 1 0
El sistema tiene solución única y es 0. Por tanto,

Ker(T ) = {0}

Ejemplo 22.6
Indique la opción que describe adecuadamente al conjunto

B = < 0, 0, 3, 2 >′ , < 0, 1, 0, 0 >′

respecto al núcleo de la transformación de R4 en R4 definida como


      
x 3w − 2z 0 0 −2 3 x
 y   3w − 2z   0 0 −2 3   y 
T  z  =  12 w − 8 z  =  0
     
0 −8 12   z 
w 15 w − 10 z 0 0 −10 15 w

A Es base para el núcleo.

B Está en el núcleo; pero no es LI ni no lo genera.

C Genera al núcleo pero no es LI.

D Está en el núcleo; es LI pero no lo genera.

E No es comparable con el núcleo.

Solución
Determinemos el núcleo de T :
   
0 0 −2 3 0 0 0 1 −3/2 0
 0 0 −2 3 0  rref 
 0 0 0 0 0 
 −−−→  
 0 0 −8 12 0  0 0 0 0 0 
0 0 −10 15 0 0 0 0 0 0

5
Por lo tanto, los vectores del núcleo tienen la forma
       
x 1 0 0
 y   0   1   0 
 z =x  0 +y
     +w  
 0   3/2 
w 0 0 1

Es decir,     

 1 0 0 
0 , 1
  0 
  
Ker(T ) = Gen   


 0   0   3/2 

0 0 1
 

Comparemos ahora Gen{B} con Ker(T ):


a) ¿Gen{B} ⊆ Ker(T )?
   
1 0 0 0 0 1 0 0 0 0
 0 1 0 0 1  rref  0
  1 0 0 1 

 0 −−−→  
0 3/2 3 0  0 0 1 2 0 
0 0 1 2 0 0 0 0 0 0
Concluimos que sı́:Gen{B} ⊆ Ker(T ).
b)¿Ker(T ) ⊆ Gen{B}?
   
0 0 1 0 0 1 0 0 0 1/2
 0 1 0 1 0  rref  0
  1 0 1 0 

 3 0 0 −−−→  
0 3/2  0 0 1 0 0 
2 0 0 0 1 0 0 0 0 0
Concluimos que no:Ker(T ) 6⊆ Gen{B}. De estos cálculos (los que llevan B primero) también se deduce que: c)
B es linealmente independiente. Por lo tanto, la opción correcta es D:

está contenido en el núcleo (a)

no genera al núcleo (b); y

B es li (c) 

22.2. El núcleo de una matriz y la tecnologı́a


Prácticamente la totalidad de los sistemas computacionales que manejan matrices vienen acompañados de
funciones para manejar el kernel de una matriz. En el caso de Maple la instrucción nullspace(A) entrega una
base para el núcleo de la transformación lineal T (X) = A X. Desafortunadamente, para la TI Voyage 200 no
aparece un comando similar.

22.3. Inyectividad de transformaciones lineales


Una pregunta importante sobre funciones es si una función dada es inyectiva, o también dicho 1 a 1.
Recuerde que una función es inyectiva si no hay dos elementos diferentes del dominio que tienen la misma
evaluación. Es decir, es f es inyectiva si y sólo si f (x1 ) = f (x2 ) implica que x1 = x2 . Este concepto en las
funciones lineales en espacios vectoriales tiene un comportamiento simple: f (x1 − x2 ) = 0 implica x1 − x2 = 0.
Es decir:
Teorema

6
Sea T : V → W una transformación lineal. T es inyectiva si y sólo si Ker(T ) = {0}.
Note que en los ejemplos anteriores, sólo la última función fue inyectiva.
Notas
En resumen:
Para ver si un vector está en el núcleo de una transformación lineal se debe aplicar la transformación. El
vector x está en el núcleo de T si y sólo si T (x) = 0.
Para determinar el núcleo de una transformación, debe encontrar la matriz que define a la transformación
lineal y resolver [A|0]. Hay dos alternativas: el sistema tiene sólución única o el sistema tienen infinitas
soluciones. En el caso de infinitas soluciones, la fórmula general muestra al núcleo como un espacio
generado donde el número columnas sin pivote es la dimensión del núcleo como subespacio. En caso de
tener solución única, el núcleo de T es el conjunto formado por el vector cero.
Para determinar si una transformación lineal es inyectiva, todas las columnas de la reducida de la matriz
que define a la transformación lineal deben de tener pivote.

22.4. El Rango de una transformación


Definición 22.2
Sea T : V → W una transformación lineal. El rango o imagen de T es el conjunto de todas las imágenes de T
en W.
R(T ) = {w ∈ W |w = T (v) para algún v ∈ V }
Es decir, el rango es el subconjunto de W formado por aquellos vectores que provienen de algún vector de V .

Ejemplo 22.7
Indique cuáles opciones contienen un vector en la imagen de la transformación de R3 en R3 definida como
   
x 2x + 5y + z
T  y  =  8 x + 12 y + 6 z 
z −4 x − 2 y − 4 z
dentro de las opciones:
1. v1 = (0, 0, 0)′
2. v2 = (2, 8, −4)′
3. v3 = (−23, −52, 6)′
4. v4 = (5, 12, −2)′
5. v5 = (−3, 1, −1)′
Solución
El vector v1 = (0, 0, 0)′ de R3 está en la imagen de T si existe un vector (a, b, c)′ en R3 tal que T ((a, b, c)′ ) = v1 .
Es decir, si es consistente el sistema
2a + 5b + c = 0
8 a + 12 b + 6 c = 0
−4 a − 2 b − 4 c = 0
Pero este sistema por ser homogéno es consistente. Por tanto el vector v1 sı́ está en la imagen de T .
El vector v2 = (2, 8, −4)′ de R3 está en la imagen de T si existe un vector (a, b, c)′ en R3 tal que T ((a, b, c)′ ) =
v2 . Es decir, si es consistente el sistema:
2a + 5b + c = 2
8 a + 12 b + 6 c = 8
−4 a − 2 b − 4 c = −4

7
Al reducir la matriz aumentada se obtiene:
 
1 0 9/8 1
 0 1 −1/4 0 
0 0 0 0
por ser consistente el sistema, el vector v2 sı́ está en la imagen de T .
El vector v3 = (−23, −52, 6)′ de R3 está en la imagen de T si existe un vector (a, b, c)′ en R3 tal que
T ((a, b, c)′ ) = v3 . Es decir, si es consistente el sistema:
2a + 5b + c = −23
8 a + 12 b + 6 c = −52
−4 a − 2 b − 4 c = 6
Al reducir la matriz aumentada se obtiene:
 
1 0 9/8 1
 0 1 −1/4 −5 
0 0 0 0
por ser consistente el sistema, el vector v3 sı́ está en la imagen de T .
El vector v4 = (5, 12, −2)′ de R3 está en la imagen de T si existe un vector (a, b, c)′ en R3 tal que T ((a, b, c)′ ) =
v4 es decir si es consistente el sistema:
2a + 5b + c = 5
8 a + 12 b + 6 c = 12
−4 a − 2 b − 4 c = −2
Al reducir la matriz aumentada se obtiene:
 
1 0 9/8 0
 0 1 −1/4 1 
0 0 0 0
por ser consistente el sistema, el vector v4 sı́ está en la imagen de T .
El vector v5 = (−3, 1, −1)′ de R3 de está en la imagen de T si existe un vector (a, b, c)′ en R3 tal que
T ((a, b, c)′ ) = v5 es decir si es consistente el sistema:
2a + 5b + c = −3
8 a + 12 b + 6 c = 1
−4 a − 2 b − 4 c = −1
Al reducir la matriz aumentada se obtiene:
 
1 0 9/8 0
 0 1 −1/4 0 
0 0 0 1
por ser inconsistente el sistema, el vector v5 no está en la imagen de T 

Ejemplo 22.8
Determine la imagen de la transformación lineal de R3 en R3 definida como
   
x 2x + 5y + z
T  y  =  8 x + 12 y + 6 z 
z −4 x − 2 y − 4 z

8
Solución
El vector v1 = (a, b, c)′ de R3 de está en la imagen de T si existe un vector (x, y, z)′ en R3 tal que T ((x, y, z)′ ) =
v1′ es decir si es consistente el sistema

2x + 5y + z = a
8 x + 12 y + 6 z = b
−4 x − 2 y − 4 z = c

Al formar la matriz aumentada y escalonar se obtiene:


 
2 5 1 a
 0 −8 2 −4 a + b 
0 0 0 −2 a + b + c

Por tanto, (a, b, c)′ está en la imagen de T ssi el sistema anterior es consistente ssi −2 a + b + c = 0. Esto
ocurrirá si y sólo si a = 1/2 b + 1/2 c. Es decir, (a, b, c)′ está en la imagen de T si y sólo si
       
a 1/2 b + 1/2 c 1/2 1/2
 b = b =b  1 +c  0 
c c 0 1

Por tanto,    
 1/2 1/2 
R(T ) = Gen  1  ,  0 
0 1
 

Geométricamente, R(T ) es el plano 2 a − b − c = 0 (o 2 x − y − z = 0) en R3 


Ejemplo 22.9
Determine la imagen de la transformación lineal de R3 en R4 definida como
 
  x + y + 2z
x  x−y 
T y =  −2 x + y − z 

z
x−y

Solución
El vector v = (a, b, c, d)′ de R4 está en la imagen de T si existe un vector (x, y, z)′ en R3 tal que T ((x, y, z)′ ) =
v′ . Es decir, si es consistente el sistema
 
x + y + 2z = a 1 1 2 a
x−y = b  1 −1 0 b 
ó  
−2 x + y − z = c  −2 1 −1 c 
x−y = c 1 −1 0 d

En este ejemplo ilustraremos el uso de una técnica más eficiente que la usada en el problema anterior. La idea
es que manejaremos sólo los coeficientes de a, b, c y d. De esta manera una expresión en estas variables la
podemos representar por medio de un vector renglón con cuatro componentes. Ası́

2a + 3b − c + 8d se representa por (2, 3, −1, 8)


a se representa por (1, 0, 0, 0)
3a − 3b − 3d se representa por (3, −3, 0, −3)
c se representa por (0, 0, 1, 0)

9
Con esta idea, el sistema cuya matriz nos interesa revisar nos queda:
   
1 1 2 1 0 0 0 1 0 1 0 0 −1 −1
 1 −1 0 0 1 0 0    0 1 1 0 0 −1 −2 

 −2 → 
1 −1 0 0 1 0   0 0 0 1 0 2 3 
1 −1 0 0 0 0 1 0 0 0 0 1 0 −1

Por tanto, la matriz aumentada representa un sistema consistente si y sólo si

a = −2 c − 3 d
b = d

Resumiendo, (a, b, c, d)′ está en la imagen de T si y sólo si


     
a −2 −3
 b 
 =c  0 +d
   1 
 
 c   1   0 
d 0 1

para c y d escalares. Por tanto    



 −2 −3 

0   1
   
R(T ) = Gen  1 , 0
 


 
0 1
 

Nota
Observe que tanto Ker(T ) como R(T ) de una transformación lineal T son conjuntos no vacı́os

T (0V ) = 0W

implica que

0V ∈ Ker(T ) y

0W ∈ R(T ).

22.5. Suprayectividad de transformaciones lineales


Una pregunta importante sobre funciones es si una función dada es suprayectiva, o también dicho sobre.
Recuerde que una función es suprayectiva si para todo elemento en el codominio hay un elemento en el dominio
que bajo la función se transforma en él. Es decir, es f es suprayectiva si y sólo si f (x) = a es consistente para
todo a en el codominio de f . en espacios vectoriales tiene un comportamiento simple:
Teorema

Sea T : V → W una transformación lineal y

B = {v1 , v2 , . . . , vm }

un conjunto generador para V . T es suprayectiva si y sólo si Gen(T (v1 ), T (v2 ), . . . , T (vm )) = W .

No que lo anterior implica que:

Si T es suprayectiva, entonces dim(V ) ≥ dim(W ).

10
En particular, si por ejemplo T : R3 → R4 es lineal, entonces T no puede ser sobre!
Notas
En resumen:

Para ver si un vector está en la imagen de una transformación lineal se debe ver si un sistema es
consistente.

Para determinar el rango de una transformación, debe encontrar la matriz que define a la transformación
lineal y reducir [A|I]. Si todo renglón tiene pivote la función es suprayectiva. Es decir, todo vector del
codominio es imagen de un vector en el dominio. Si hay renglones sin pivote en la parte izquierda se
debe forzar la consistencia igualando a cero los elementos en la parte derecha de la reducida. El rango
entonces queda como un espacio generado, el cual es precisamente el espacio generado por las columnas.
Su dimensión será el número de pivotes en la reducida de la matriz A.

Para determinar si una transformación lineal es suprayectiva, todos los renglones en la reducida de A
deben de tener pivotes.

22.6. Núcleo e Imagen son subespacios


La propiedad fundamental del núcleo y del contradominio es que ambos son espacios vectoriales:
Teorema

Sea T : V → W una transformación lineal. Entonces

Ker(T ) es un subespacio de V .
R(T ) es un subespacio de W .

Demostración
El núcleo de T es subespacio
Sean v1 y v2 elementos del núcleo de T y c un escalar cualquiera. Ası́ T (v1 ) = 0 = T (v2 ), y por tanto:

T (c1 v1 + c2 v2 ) = c1 T (v1 ) + c2 T (v2 ) = c1 0 + c2 0 = 0

probando que c1 v1 + c2 v2 está también en el núcleo de T . Lo cual a su vez prueba que el núcleo de T es un
subespacio de V .
La imagen de T es subespacio
Sean w1 y w2 elementos de la imagen de T y c un escalar cualquiera. Ası́ T (v1 ) = w1 y T (v2 ) = w2 para
algunos v1 y v2 en V , y por tanto:

T (c1 v1 + c2 v2 ) = c1 T (v1 ) + c2 T (v2 ) = c1 w1 + c2 w2

probando que c1 w1 + c2 w2 es imagen de c1 v1 + c2 v2 y por consiguiente c1 w1 + c2 w2 está también en la


imagen de T . Lo cual a su vez prueba que la imagen de T es un subespacio de W 

22.7. Nulidad y Rango de una Transformación


Debido al resultado anterior el núcleo y la imagen de una transformación lineal son espacios vectoriales.
Como espacios vectoriales, ellos tienen una dimensión asociada. Estas dimensiones tienen nombre especı́ficos:

Definición 22.3
Sea T : V → W una transformación lineal.

La nulidad de T es la dimensión de Ker(T ).

11
El rango de T es la dimensión de R(T ).

El siguiente resultado permite calcular fácilmente la nulidad y el rango de una transformación matricial.
Teorema

Sea T : V → W una transformación lineal. Suponga que T corresponde a la transformación


matricial asociada a A. Entonces:

Ker(T ) = V(A) = Espacio nulo de A


R(T ) = C(A) = Espacio generado por las columnas de A
Nulidad(T ) = Nulidad(A) = Número de columnas sin pivote en A reducida.
Rango(T ) = Rango(A) = Número de columnas con pivote en A reducida.

Note que el resultado anterior indica que para cualquier transformación lineal T : V → W ,

dim(V ) = dim(Ker(T )) + dim(R(T ))


(1)
dim(R(T )) ≤ dim(W )

Ası́ por ejemplo:


T : R4 → R3 lineal no puede ser inyectiva pues

4 = dim(Ker(T )) + dim(R(T )) ≤ dim(Ker(T )) + 3

por tanto, dim(Ker(T )) ≥ 1 probando que Ker(T )) 6= {0}.


T : R4 → R8 lineal no puede ser sobre pues

4 = dim(Ker(T )) + dim(R(T ))

por tanto, dim(R(T )) ≤ 4 probando que R(T ) 6= R8

Ejemplo 22.10
Calcule las bases para el núcleo y la imagen y determine la nulidad y el rango de

T : R4 → R3 , T ((x, y, z, w)′ ) = (x + 3z, y − 2z, w)′

Solución
De acuerdo con el teorema previo, basta expresar a T como transformación matricial y obtener las bases para
las columnas y el espacio nulo de su matriz estándar A. A se expresa con
 
1 0 3 0
A =  0 1 −2 0 
0 0 0 1

Como ya está en forma escalonada reducida por operaciones de renglón, los vectores {(1, 0, 0)′ , (0, 1, 0)′ , (0, 0, 1)′ }
forman una base para Col(A) = R(T ) = R3 . Por otra parte, {(−3, 2, 1, 0)′ } es una base para V (A) = Ker(T ).
De modo que el rango de T es 3 y la nulidad es 1.

Ker(T ) = {0} ⇔ Ax = 0 sólo tiene la solución trivial

y
R(T ) = Rm ⇔ las columnas de A generan a Rm 

12
Ejemplo 22.11
Resuelva la siguiente ecuación diferencial:

(−2 x − 1) y ′ (x) + 2 y(x) = 4 x2 + 4 x

pensando el lado izquierdo de la ecuación como una transformación lineal de P2 en P3 .


Solución
Definamos T de P2 en P3 por

T (p(x) = a x2 + b x + c) = (−2 x − 1)p′ (x) + 2 p(x)


= −2 a x2 − 2 a x − b + 2 c

Viendo los polinomios como vectores tenemos tenemos que la transformación anterior queda:
   
  −b + 2 c 2 −1 0  
c  −2 a   0 c
0 −2   

T  b  =  =  · b
−2 a   0 0 −2 
a a
0 0 0 0

El problema de resolver la ED se transforma encontrar un p(x) que cumpla: T (p(x)) = 4 x2 + 4 x. Es decir, en


encontrar (c, b, a)′ tal que    
2 −1 0   0
 0 c
 0 −2 
· b = 
 4 
 0 0 −2   4 
a
0 0 0 0
Formando la aumentada y reduciendo tenemos:
   
2 −1 0 0 1 −1/2 0 0
 0 0 −2 4 → 0 0 1 −2 
 
 
 0 0 −2 4   0 0 0 0 
0 0 0 0 0 0 0 0

Como el sistema es consistente, la primera conclusión es que sı́ existe solución en P2 . También vemos que hay
infinitas soluciones las cuales podemos calcular:
    
 c = 1/2b  c 1/2b
c − 1/2b = 0
→ b = b → b = b 
a = −2
a = −2 a −2

Y separando vectores      
c 0 1/2
 b  =  0  + b 1 
a −2 0
La solución general de la ED en P2 queda:

y(x) = −2 x2 + b (1/2 + x), b escalar libre 

13