Algebra

lineal

26 de marzo de 2015

Captulo 1

Transformaciones lineales
1.1.

Introducci
on

Fijamos k =

R
C

Donde V, W son espacios vectoriales sobre k.

Una Transformacion lineal es una aplicacion T : V W que satisface:
a. T (v + w) = T (v) + T (w) 3 (v, w V )
b. T (v) = T (v) 3 (v V, R)
Observacion. T respeta las operaciones de espacio vectorial.
Observacion. Se puede notar lo siguiente acerca de las transformaciones lineales:
1. La transformacion cero:
T 0:V W
7 0w
2. La transformacion identidad es lineal
I Id id : V V, v v
Propiedades. Sea T : V W lineal.
1. T (0v ) = 0W
2. T es lineal si y solo si T (v + w) = T (v) + T (w), k, u, w V ).
Ejemplo 1.1.1. C (R) = {f : R R : f es infinitamente diferenciable }.
3

CAPITULO 1. TRANSFORMACIONES LINEALES

Definimos:
T : C (R) = {f : R R| f es infinitamente diferenciable }
f 7 f 0
T es lineal:
T (f + g) = f 0 + g
= T (f ) + C(g)
Ejemplo 1.1.2. C(R) = {f : RR : f es continua } es R-espacio vectorial.
Definimos :
I : (R) C(R)
Z
f 7 f
I(f (x)) =

f (x)dx .

I es lineal:
Z
I(f + g) =

f + g
Z
= f + g
Z
Z
= f+ g
Z

= I(f ) + I(g)
Ejemplo 1.1.3. T : P2 (R) R3
a0 + a1 x + a2 x2 7 (a0 , a1 , a2 ).
T es lineal.
Ejemplo 1.1.4. Sea T : R2 R2 dada por T (x, y) := (x, y), donde , R.
Para esto existen ciertos subcasos:
1. = = 1 = T = idR2
2. = 0, = 1 = T (x, y) = (x, 0).

INSERTAR GRAFICO
1 AQUI


1.1. INTRODUCCION

T se llama una proyeccion en la primera componente. Se denota por:

P P1
P2 (x, y) := (0, y)

INSERTAR GRAFICO
2 AQUI
3. T (x, y) = (x, y)

INSERTAR GRAFICO
3 AQUI
Observacion. Los ejes son invariantes bajo T .
el eje x es invariante punto por punto.

(Rx ) = Rx
(Ry ) = Ry

INSERTAR GRAFICO
4 AQUI
T es una reflexion con respecto del eje x.
Observacion. Se puede dar una expresion para una reflexion con respecto de cualquier
subespacio de R2 ?
Rotacion?

INSERTAR GRAFICO
5 AQUI
4. T (x, y) = (y, x).

INSERTAR GRAFICOS
6, 7 Y 8 AQUI
Sea F = { Familia de subespcaios unidimensionales en R2 . }.
Entonces, F es invariante como familia bajo T .
La familia G de circunferencias concentricas es invariante bajo F elemento por elemento.

INSERTAR GRAFICO
9 AQUI
1.1.1.

El espacio de transformaciones

L(V, W ) := {T : V W : T lineal}.
Suma: L(V, W ) L(V, W ) L(V, W ), (T, S) 7 T + S[(T + S)(v) = T (v) + S(v)].
Multiplicacion: k L(V, W ) L(V, W ), (, T ) 7 T [(T )(v) := T (v)].
L(V, W ) es k-espacio vectorial.

CAPITULO 1. TRANSFORMACIONES LINEALES

Cero: 0 : V W , T := (1)T .
W = V, L(V, W ) = End(V )
Producto: S T = S T .
Distributivo, asociativo, id : V V , NO es conmutativo.
A (End(V ), +, 0, k, , id) se le llama un algebra.
La funcion cumple lo siguiente:
Propiedades.

1. T (0) = 0.

2. T lineal T (v + v 0 ) = T (v) + T (v 0 )(v, v 0 V, a k).

3. T (v v 0 ) = T (v) T (v 0 )

4. Si v1 , , vn V y 1 , , n k, entonces
T (v1 + + n vn ) = 1 T (v1 ) + + n T (vn )
El kernel o nucleo de T se define de la siguiente manera
(ker T N (T ))
ker T V subespacio:
Si v, v 0 ker T , entonces
T (v + v 0 ) = T (v) + T (v 0 ) = 0
i.e., v + v 0 ker T .
Si v ker T y a k, entonces
T (v) = T (v) = 0
Por lo tanto, v ker T .
Definici
on 1.1.5. La imagen o rango de T: La imagen o rango de T :
Im(T ) R(T ) := {w W : w = T (v), p.a.v V }


1.1. INTRODUCCION

Im(T ) W es un subespacio:
w, w0 Im(T )
= w = T (v), p.a.v V
w0 = T (v 0 ), p.a.v 0 V
= w + w0 = T (v + T (v 0 ) = T (v + vv 0 ), v + v 0 V
w + w0 Im(T )
Ejemplo 1.1.6 (Transformaciones Cero e Identidad). .
Transformacion Cero: 0 : V V, v 7 0.
ker(0) = V, Im(0) = 0.
Transformacion Identidad: id I : V V, v 7 v.
ker(id) = 0, Im(id) = V .
Ejemplo 1.1.7 (Proyecciones). .
1. Sea Px : R2 R, (x, y 7 x y ademas Py : R2 R, (x, y) 7 y

Px ((x1 , y1 ) + (x2 , y2 ))
= Px (x1 + x2 , y1 + y2 )
= x1 + x2
= Px (x1 , y1 ) + Px (x2 , y2 )
ker(Px ) = {(0, y) R2 : y R}.
Im(Px ) = R .
2. Px : R3 R3 , (x, y, z) 7 x.
Py , Pz definidos de manera similar.
P(x,y) : R3 R3 , (x, y, z) 7 (x, y).
ker(Px ) = {(x, y, z) R3 : x = 0}.
Im(Px ) = {(x, y, z) R3 : y = z = 0}.
ker(P(x,y) = eje z ).
Im(P(x,y) ) = (x, y).
Ejemplo 1.1.8 (Inclusiones). .

CAPITULO 1. TRANSFORMACIONES LINEALES

1. ix : R , R2 , x 7 (x, 0) y ix : R , R2 , y 7 (0, y).

ker(ix ) = 0, Im(ix ) = R
ker() = 0, textIm() = L0 .
2. ix : R , R3 , x 7 (x, 0, 0)
i(x,y) : R2 , R3 (x, y) 7 (x, y, 0).
Ejemplo 1.1.9 (Operadores diferencial e integral). .
1. Operador diferencial: D : C (R) C (R), f 7 Df := f 0 .
ker(D) = {f C (R) : Df = 0} = R.
Im(D) = {g C (R) : Df = g} = {g C (R) : f 0 = g}.
2. Operador integral : a R fijo.
Ia : C(R) C(R), f 7 Ia f .
Z

(Ia f )(x) :=

f (t)dt
a

3. Sea b R tal que a < b.

Iab : C(R) R, f 7 Ia f :=

Rb
a

f (x)dx.

ker(Iab )

Z
= {f C(R) :

f (x)dx = 0}
a

.
Ejemplo 1.1.10 (Reflexiones). .
Rx : R2 R2 , (x, y) 7 (x, y)
.
Ry : R2 R2 , (x, y) 7 (x, y)
.
R(x,y) : R3 R3 , (x, y, z) 7 (x, y, z)
.
Ejemplo 1.1.11 (Rotaciones). . Sea 0 < 2 fijo.
Sea R : R2 R2 la rotacion por un angulo .


1.1. INTRODUCCION

Sea el angulo que determina (x, y) con respecto del eje x. Escribimos:
x = r cos
y = r sin
lo que implica que
R (x, y) = (r cos( + ), r sin( + ))
= (r cos cos r sin sin , r sin cos + r cos sin )
= (cos x sin y, sin x + cos y)
Ejemplo 1.1.12 (Trnasformaciones de C). . Transformacion C-lineal: (TL (iz) = iTL (z)).
Transformacion C-antilineal: TA (z) = bz(TA (iz) = b(iz) = b(iz) = iTa (z)).
Transformacion R-lineal: T (z) = az + bz.
Definici
on 1.1.13 (El espacio de transformaciones). Sea L(u, w) = {T : v W : T lineal }.

Suma : L(v, w) L(u, w) L(u, w)

(T, S) 7 T + S[(T + S)(v) = T (v) + S(v)]

Multiplicacion : k L(v, w) L(u, w) L(u, w)

(, T ) 7 T [(T )(v) = T (v)]
Se puede ver que L(v, w) es un k espacio vectorial ya que:
Cero: 0 : v w.
T := (1)T .
w = v, L(u, w) = End = Espacios de endomorfismos de v .
Producto: S T := S T .
Distributivo, Asociativo, id : v v.
NO es conmutativo.
A (End(v), +, 0, k, , id) se le llama un
algebra.

10

CAPITULO 1. TRANSFORMACIONES LINEALES

Captulo 2

La categora de espacios vectoriales

En la categora de espacios vectoriales vect, los objetos son espacios vectoriales V, W,
y morfismos entre objetos que se llaman transformaciones lineales.
Dados dos objetos V y W en Vect, un morfismo es una transformacion T : V W que
es lineal.
Se cumple lo siguiente:
1. Para cada objeto V Wect , existe un morfismo identidad: id : V V, v 7 v
2. Para cada par de morfismo
T :V W
S:W Z
existe un morfismo llamado composicion
V T W S Z
S T : V Z.
3. Propiedad asociativa:
V T W S X R Y
R (S T ) = (R S) T
En particular,
End(V ) = {T : V V : T lineal }
es el algebra de endomorfismos de V .
11

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

12

Si W = k, entonces L(V, k) = {T : V k : T lineal } se llama el espacio dual de V y se

denota por V .
Como L(V, W ) es un espacio vectorial, se sigue que
V = L(V, k)
es un espacio vectorial.
Entonces,
V = L(V , k) = L(L(V, k), k)
se le llama el doble dual de V y es espacio vectorial.
Teorema 2.0.1 ( de la dimension ). . Sea V un espacio vectorial de dimension finita y
T : V W una transformacion lineal. Entonces,
dim(V ) = dim(ker T ) + dim Im(T )
Demostracion. Sea {v1 , , vn } de imension finita y T : V W una base
{v1 , , vr7 , vr+1 , , vn }
una base de V .
Entonces,
Im(T ) = T (V )
= T (G(V1 , , vn ))
= T (G(V1 , , vbbbn bbbb)
= G(T v1 , T vn )
Esto, {T vk+1 , T vk } geenran a Im(T ).
Si ak+1 T vk+1 + + an T vn = 0, entonces (T (ak+1 vk+1 + + an vn ) = 0.
T (ak+1 vk+1 + + an vn ) = 0
i.e.,
ak+1 vk+1 + an vn = a1 v1 + ak vk
y
(1)v1 + + (1)ak vk + ak+1 vk+1 + an vn = 0
, lo que implica que a1 = a2 = = an = 0.

 LINEAL
2.1. EXTENSION

13

Por lo tanto,
{T vk+1 , tvn }
es linealmente independiente y en consecuencia es una base de Im(T ). Por lo tanto,
dim V = dim ker T + dim Im(T )
.

2.1.

Extensi
on lineal

Sea V un espacio vectorial real y {v1 , , vn } coleccion de vectores en V .

Sea e1 , , en base canonica de Rn .
Queremos definir una transformacion lineal T : Rn V .


Si x = xxn1 = x1 e1 + + xn en , entonces
T (x) := x1 v1 + + xn vn
Entonces, T (ej ) = vj (j = 1, , n).
T es la extension lineal de T (ej ) = vj (j = 1, , n).
T (ej ) = vj (j = 1, n).
T es u
nica: Si S : Rn V lineal es tal que S(ej ) = vj (j = 1 , n) entonces
!
n
X
S(x) = S
xj e j
j=1

n
X

xj S(ej ) =

j=1

n
X

xj vj = T (x).

j=1

Ejemplo 2.1.1.
 
 
1
0
T : R R , e1 7
, e2
7
1
1
2

x = xe1 + ye2

 
1
0
T (x) = x
+y
1
1


Sean V, W vecto .
Decimos ue T : V W es un isomorfismo si existe
S:W V

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

14

tal que
S T = idv
T S = idw
En este caso se dice que V y W son isomorfos y se escribe V
= W.
Ejemplo 2.1.2.
T : Pn (R) Rn + 1
(R) Rn + 1
a0 + a1 x + + an xn 7T (a0 , a1 , , an )
(a0 , a1 , , an ) 7T a0 + a1 x + + an xn
Proposici
on 2.1.1. T : V W lineal es uno a uno si y solo si ker T = {0}.
Demostracion. ( = ) Sea v ker T .
Entonces, T (v) = 0 = T (0).
Como T es inyectiva, se sigue que v = 0 y por lo tanto, ker T = {0}.
() Supongamos que
T (v) = T (w)
.
Luego,
T (v) T (w) = 0
implica que
T (v w) = 0
.
Luego, v w ker T = {0} y por lo tanto v = w.
Proposici
on 2.1.2. Sean {v1 , , vn } vectores en V y T : Rn V la extension lineal de
T (ej ) = vj (j = 1, , n).
1. {v1 , vn } es linealmente independiente si y solo si ker T = {0}.
2. G({v1 , vn }) = V Im(T ) = V .
Categoras de espacios vectoriales:

 LINEAL
2.1. EXTENSION

15

Objetos: Espacios vectoriales V, W .

Morfismos: Transformaciones lineales T, S

L(V, W ) = {Transformaciones lineales} Vect

End(V ) = {Endomorfismos de V Vect }
V := L(V, k) el espacio dual de V
V := (V , k) es espacio doble dual
Proposici
on 2.1.3. Sea T : Rn V la extension lineal de T (ej ) = vj (1 j n).
Entonces,
1. {v1 , , vn } es linealmente nidependiente si y solo si ker(T ) = {0}
2. G({v1 , vn }) = Im (T ).
Demostracion. ( = ) {v1 , , vn } linealmente independiente.
Sea x ker(T ).
Entonces,
T (x) = 0
y
T (x) =

n
X

xj vj

j=1

.
Esto es,
x1 v1 + + xn vn = 0
Por hipotesis conclumos que
x1 = x2 = = xn = 0
. Por lo tanto,
x=0
y
ker(T ) = {0}
.
( ) Supongamos que
x1 v1 + + xn vn = 0

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

16

.
Esto es,
T

n
X

!
xj ej

=0

j=1

y
T (x) = 0
.
Esto implica que
x ker(T ) = {0}
. Luego, x = 0.
Esto es, x1 = x2 = = xn = 0. Por lo tanto, {v1 vn } es linealmente independiente.
Demostracion. Sean V con base {v1 , , vn } y W un conjunto de vectores {w1 , , wn },
entonces se puede definir la extension T : V W de T (vj ) = wj (1 j n).
Proposici
on 2.1.4. T : V W es uno a uno si y solo si ker(T ) = {0}.
Definici
on 2.1.3. V y W son isomorfos si existe T : V W lineal con inversa S : W V
tal que S T = idv T S = idw .
Teorema 2.1.1. Sea T : V W lineal. Entonces, T es isomorfismo si y solo si ker(T ) =
{0}yIm = W .
Demostracion. Supongamos que T es isomorfismo y por lo tanto v = 0. Entonces, existe su
inversa S.
Sea v ker(T ). Entonces, T (v) = 0. Luego,
S(T (v)) = S(0)
y por lo tanto v = 0 .
Para cada w W existe un u
nico v V tal que
T (v) = W.
Reciprocamente, supongamos que ker(T ) = {0} y Im(T ) = W .
Para cada w W existe un u
nico v V tal que T (v) = w.
Definimos:
S :W V
w 7 v

2.2. EL ESPACIO DE MATRICES

17

S es lineal: w1 , w1 W = existen v1 , v2 V tal que T (v1 ) = w1 y T (v2 = w2 .

Entonces, S(w1 + w2 ) = S(w1 ) + S(w2 ).
Similarmente, S(w) = S(w).
Ademas, S T = idv y T S = idw .
Teorema 2.1.2. Sean V y W espacos vectoriales de dimension finita. Entonces,
dim(V ) = dim(W )
si y solo si V
= W.
Demostracion. Supongamos que dim V = dim W .
Sean {v1 , , vn } base de V y {w1 , , wn } base de W .
Definimos
T :V W
n
n
X
X
aj vj 7
aj w j
j=1

j=1

Aplicando los resultados anteriores concluimos que T es un isomorfismo.

Reciprocamente, uspongamos que T : V W es un isomorfismo.
Sea {v1 , vn } una base de V .
Entonces,
=(T ) = T (V )
= T (G{v1 , vn })
= G({T (v1 ), , T (vn )})
=W
Ademas, {T (v1 ), , T (vn )} es linealmente independiente. Por lo tanto, {T (v1 ), , T (vn )}
es una base de W y dim V = dim W .

2.2.

El espacio de matrices

Una matriz de m n con coeficientes en R

a11 a12
.
..

am1 am2

es un arreglo

a1n
..
...
.

amn

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

18

donde a11 , , amn R.

m dice el n
umero de renglones y n el n
umero de columnas.
aij es el coeficiente que aparece en el renglon i y la columna j.
Ejemplo 2.2.1. Si es tiene la matriz
2 1 0 3
1 0 1 2

entonces a22 = 0 y a21 = 2.

Definici
on 2.2.2. Una matriz cuadrada es una matriz de de n n.
Ejemplo 2.2.3. Las matrices 0 tiene la forma

0 0
. .

.. . . ...

0 0
Ejemplo 2.2.4. Las matrices cuadradas tiene la forma

0 0
. .

.. . . ...

0 0
Definici
on 2.2.5. Operaciones:
1. Suma: A = (aij ), B = (bij ) cuadradas.
Entonces, (A + B)ij aij + bij .
2. Multiplicacion por escalar: (A)ij = aij .
Observacion. El espacio de matrices Mnn (R) es un R-espacio vectorial.
Definici
on 2.2.6. La transpuesta de una matriz A de n n es la matriz que resulta de
cambiar renglones por columnas de A. La denotamos por At e
Ejemplo 2.2.7. Si
A=

2 1
1 0

AT =

2 1
1 0

entonces

 LINEAL
2.3. LA MATRIZ ASOCIADA A UNA TRANSFORMACION

19

Una matriz A es simetrica si At = A.

Observacion.

a11
.
..

an1

Mnn (R) R2

a1n
..
..
.
.
7 (a11 , , a1n , a21 , , a2n , , a2n , a2n , , an1 , , ann )
ann

V, W espacios vectoriales de dimension finita.

n y m, respectivamente, sobre k = R o k = C .
T : V W transformaciones lineales.
ker(T ) V subespacio vectorial.
Im(T ) W subespacio vectorial.

2.3.

La matriz asociada a una transformaci

on lineal

Sean V y W espacios vectoriales de dimension finita con bases Bv = {V1 , , vn } y

Bw = {w1 , , wn } y T L(V, W ).
Entonces, existen escalares a1j , a2j , , amj k :
T (Vj ) =

m
X

aij wi 3 (1 j n)

i=1

Organizamos a los vectores T (vj ) 3 (1 j n) en un arreglo rectangular:

w1
..
.
Wm

T (v1 ) T (v2 )
a11
a12
..
..
.
.
am1
am2

T (vn )
a2n
..
.
amn

Se define la matriz de m n :

a11
.
.
AT :=
.
am1
AT Mnn (k).
[T ]BBwv .
Ejemplo 2.3.1. Sea T (x, y) = (x, y).

a1n
..
.

amn

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

20

Sea {e1 = (1, 0), e2 = (0, 1)} base canonica en R2 y R2 . Entonces,

T (1, 0) = (1, 0)
T (0, 1) = (0, 1)
= At =

1 0
0 1

Sea {W1 = (1, 1), W2 = (1, 1)} base de R2 .

1
1
T (e1 ) = (1, 0) = (1, 1) + (1, 1)
2
2
1
1
T (e2 ) = (0, 1) = (1, 1) + (1, 1)
2
!2
!
1/2 1/2
1 1 1
= AT =
=
2 1 1
1/2 1/2
Sean T, S L(V, W ), k.
Entonces,
S + T L(V, W )
y
AS+T = AS + AT
.
Si AS = (aij ) y AT = (bij ), entonces
AS+T = (aij + bij )
.
Ademas,
AT = AT
AT = (bij )
Como Mmn (k) es un k-espacio vectorial, se sigue que la asignacion
L(V, W ) MM n (k)
T 7 AT
es una transformacion lineal.
Sean T L(V, W ) y S L(W, Z).

 LINEAL
2.3. LA MATRIZ ASOCIADA A UNA TRANSFORMACION

21

Entonces,
S T L(V, Z)
Sean {v1 , , vn }, {w1 , , wn }, {z1 , , zn } bases de V, W y Z, respectivamente. Luego,
!
m
X
S(T (vj )) = S
akj wk
k=1

m
X

akj S(Wk )

k=1

m
X

bik

l
X

akj Zi

i=1

k=1
l
X

m
X

i=1

k=1

!
bik akj

zi

Sea
Cij =

m
X

bik akj

k=1

Entonces,
AST = (Cij )
Si B Mmn (k) y A Mnl (k), entonces.
B A Mml (k)
(bij )mn (aij )nl = (cij )ml .

Multiplicamos al nengl
no i-esimo de B por la columna j-esima de A.

b11
.
..

b11
.
..

bm1

b1n

..
.

b1n

..

.
bmn

a11
..
.

a1j
..
.

an1

anj

a1l
..
.
= (bi1 a1j + + bin anj )
anl

(2.1)

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

22

Ejemplo 2.3.2. Sean A =

1 2
1 0

!
yB=
!

AB =

1 2
1 0

BA =

2 1
1 3

2 1
1 3

2 1
1 3

1 2
1 0

!
. Entonces,
!

4 5
2 1

3 4
2 2

= AB 6= BA
1 1 0
Ejemplo 2.3.3. A = (120) , B = 0 2 1
2 1 0
Entonces, AB = (132) mientras que BA no esta definido.
Sea T L(V, W ).
Entonces, T es inversible si existen S L(W, V ) , S 0 L(W, V ).
S T = idv , T S 0 = idw .
DE V A W Y TRANSFORMACION

V A W A V CON TRANSFORMACION
DE S POR T
DE W A V CON MULTIPLICACION
y S = S 0.
Sean T L(V, V ), S L(V, V ) tales que S es la inversa de T .
Entonces,
AS AT = id = At AS
!
a b
Proposici
on 2.3.1. Sea A =
M22 (k).
c d
Entonces, A es inverntible ( no es singular ) si y solo si ab cd 6= 0.
Demostracion. La ecuacion se hara en dos partes:
( = ) Supongamos que A no es singular.
Entonces, existe A1 M22 (k) :
A1 A = I = AA1
.
Sea B =

d b
c a

!
.

(2.2)

 LINEAL
2.3. LA MATRIZ ASOCIADA A UNA TRANSFORMACION

Entonces,
BA = (ad bc)id = 0
Luego,
B = B id = B(AA1 ) = BA A1 = 0
Esto es, a = b = c = d = 0 , i.e. A = 0.
Luego, I = AA1 = 0 A1 = 0, lo cual claramente no es cierto.
( = ).

Si A =

a d
c d

!
y ad bc 6= 0 entonces

A1

1
=
ad bc

d b
c a

!
.

Definici
on 2.3.4. El determinante de A M22 (k)
Propiedades. Sean A, B M22 (k). Entonces,
det(A + B) =.
det(A) =.
det(AB) =.
det(A1 ) =. ( A invertible )
Definimos
det : M22 (R) R
7 det(A) = ad bc
Si R, entonces {A M22 (R) : det(A) = }
Teorema 2.3.1. Si dimk (V ) = n, entonces
V kn
.

23

CAPITULO 2. LA CATEGORIA DE ESPACIOS VECTORIALES

24

L(V, W ) espacio vectorial de dimension mn tal que

L(V, W ) Mmn (k)
L 7AT
AT (aij ), i = 1, , m, j = 1, , n.
BV = {v1 , , vn } base de V .
BW = {w1 , , wm } base de W .
T (vj ) = a1j w1 + a2j + + amj wm para (j = 1, , n).

a11 a12 a1n

a21 a12 a1n

.
a
a

a
AT =
31
12
1n

..
..
.
..
..
.

.
.
am1 am2 amn
T + s 7 AT +S = AT + AS
T 7 AT = AT
0 7 A0 = 0
id 7 Aid = id
Extension lineal de TA (vj ) TA 7 A
Teorema 2.3.2. L(V, W ) Mmn (k)
Corolario 2.3.2.1.
dim L(V, W ) = (dim V )(dim W )
= mn
Corolario 2.3.2.2. T es un isomorfismo (invertible) si y solo si AT es invertible ( nosingular ).
Matrices:

Identidad: id =

1
0
0
0

0
1
0
0

0
0
0
1

 LINEAL
2.3. LA MATRIZ ASOCIADA A UNA TRANSFORMACION

Cero: id =
0

a11 a12

0 a22
Triangular superior id =
..
..
.
.
0
0

a11 0

a21 a22
Triangular inferior: id =
..
..
.
.

0
0
0
0

0
0
0
0

25

..
.

a1n
a2n
..
.

ann

..
.

0
0
..
.

an1 an2

ann

Nilpotente: Existe k > 0 : Ak = 0

Simetrica: A = At .
Antisimetrica A = At .
Definici
on 2.3.5 ( Programa de Erlangen ). Una geometra es el estudio de las propiedades
de un espacio que permanecen invariantes bajo grupos de transformaciones
Definici
on 2.3.6. Sea V espacio vectorial de dimension finita.
End(V ) es un espacio vectorial en V .

End(V ) V V
(T, v) 7 T (v)
aoeun
GL(V ) := {T End(V ) : T es invertible .
GL es el grupo general lineal

GL(V ) V V
(T, v) 7 T (v)