Tema 2

Espacios vectoriales y aplicaciones

lineales

Varios son los objetivos de este tema. A diferencia de la leccion anterior, que trataba de resolver
problemas concretos encontrando algoritmos apropiados para ello, aqu buscamos reglas para manejar
vectores. Cuando se habla de vectores, uno piensa en principio en los vectores del plano (que ya hemos
tratado someramente al explicar los n
umeros complejos) o los vectores en el espacio tridimensional. Estos
son, sin embargo, ejemplos de una estructura, la de espacio vectorial, que tiene sentido sin la referencia
geometrica. De esta forma, la palabra vector ha de entenderse en un sentido mas general, como elemento
de un conjunto que tiene unas reglas operacionales determinadas. As, los polinomios son vectores, las
matrices son vectores, etc. Tenemos entonces que explicar lo que se entiende por espacio vectorial, las
operaciones entre sus elementos, los vectores, y las relaciones entre espacios vectoriales a traves de las
aplicaciones lineales.

2.1.

Ejemplo. Vectores en el plano

Para introducir la idea de lo que es un espacio vectorial, vamos a recordar alguno de los mas conocidos y
utilizados. Vamos a considerar el conjunto de vectores ~v en el plano con base en el origen, que naturalmente
se puede identificar con el conjunto de puntos (x, y), con x, y R, es decir, R2 . Recordemos que para
generar nuevos elementos en R2 podemos sumar vectores

x1
x2
x1 + x2
~v1 =
, ~v2 =
~v1 + ~v2 =
,
y1
y2
y1 + y2
o multiplicar un n
umero real por un vector:


x
x
R, ~v =
~v =
.
y
y
El hecho de que estas dos operaciones entre vectores en el plano verifiquen una serie de reglas (vease la
definicion general) significa que el conjunto de vectores en el plano con base en el origen o R2 adquiere lo
que se llama estructura de espacio vectorial. De manera que, en general, para obtener un espacio vectorial,
necesitamos un conjunto de elementos y dos operaciones sobre ese conjunto que permitan generar nuevos
elementos y que sigan unas reglas apropiadas.

20

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

2.2.

Espacios vectoriales

Unicamente
consideraremos espacios vectoriales sobre el cuerpo K = R o C. Un espacio vectorial (e.
v.) sobre el cuerpo K de escalares es un conjunto no vaco V formado por elementos ~x V , dotado de
una operacion interna + : V V V y de una operacion externa : K V V de manera que se
verifican las propiedades siguientes:
(1) Para cualesquiera ~x, ~y , ~z V
~x + (~y + ~z) = (~x + ~y ) + ~z.
(2) Para cualesquiera ~x, ~y V
~x + ~y = ~y + ~x.
(3) Existe un elemento neutro ~0 V tal que para cada ~x V se tiene que ~x + ~0 = ~0 + ~x = ~x.
(4) Para cada ~x V existe un elemento opuesto ~x V tal que ~x + (~x) = (~x) + ~x = ~0.
(5) Para cada ~x V y , K,
( ~x) = () ~x.
(6) Para cada ~x V y , K,
( + ) ~x = ( ~x + ~x).
(7) Para cada ~x, ~y V y K,
(~x + ~y ) = ( ~x + ~y ).
(8) Para cada ~x V ,
1~x = ~x.
Proposici
on 2.1
De las propiedades anteriores se deduce que si ~x V y K son tales que ~x = 0, entonces
necesariamente = 0 o ~x = ~0.
Los elementos de un espacio vectorial se llaman vectores.
Ejemplos
1. V = Rn con las operaciones
(x1 , . . . , xn ) + (y1 , . . . , yn )
(x1 , . . . , xn )

=
=

(x1 + y1 , . . . , xn + yn )
(x1 , . . . , xn ), R,

es un espacio vectorial para n = 1, 2, 3, . . ..

2. V = C n con las operaciones de antes puede ser un espacio vectorial sobre R o sobre C.
3. V = Mm,n (K), con las operaciones definidas en el tema 1, es un espacio vectorial sobre K.
4. V = P [X], espacio de todos los polinomios en una variable y coeficientes complejos, es, con las
operaciones habituales de suma de polinomios y producto de un polinomio por un escalar, un espacio
vectorial sobre K.
5. V = Pn [X], espacio de los polinomios en una variable, coeficientes complejos y grado a lo sumo n es,
con las operaciones habituales de suma de polinomios y producto de un polinomio por un escalar, un
espacio vectorial sobre K.

2.2. ESPACIOS VECTORIALES

2.2.1.

21

Combinaciones lineales. Subespacios vectoriales

As pues, un hecho importante de los espacios vectoriales es que se pueden sumar vectores y multiplicar
vectores por escalares, es decir, formar combinaciones lineales de vectores, obteniendo as nuevos elementos
del espacio vectorial. Dado un e.v. V sobre K, se dice que un vector ~v V es combinacion lineal del
sistema finito {~v1 , ~v2 , . . . , ~vm } si existen escalares 1 , 2 , . . . , m de manera que
~v = 1~v1 + 2~v2 + + m~vm =

m
X

k~vk .

k=1

Notemos que el vector ~0 es combinacion lineal de cualquier sistema de vectores.

Dentro de un espacio vectorial puede haber conjuntos que son en s mismos espacios vectoriales. Por
ejemplo, cualquier plano que pase por el origen en R3 . Son los llamados subespacios vectoriales, es decir,
subconjuntos que son cerrados bajo las operaciones del espacio vectorial.
Definici
on. Sea V un e.v. sobre K. Se dice que un subconjunto no vaco W V es un subespacio
vectorial si cumple:
(i) ~x + ~y W si ~x, ~y W .
(ii) ~x W si K, ~x W .
Esto equivale a la siguiente condicion: W es subespacio vectorial si y solo si toda combinacion lineal
de elementos de W es a su vez un elemento de W . En particular, el vector ~0 esta en todo subespacio.
Ejemplos
(1) Para una matriz A Mm,n (K) el conjunto de soluciones del sistema lineal homogeneo A~x = ~0 es un
subespacio vectorial de Kn .
(2) El conjunto de vectores de R3 ,
W = {(0, 0, 1)T , (0, 1, 0)T },
no es un subespacio vectorial, pues el vector (0, 0, 1)T + (0, 1, 0)T = (0, 1, 1)T no pertenece a W .
Todo conjunto de vectores G, aunque no sea un subespacio vectorial, lleva asociado uno. Es el llamado
espacio generado por G y es el conjunto de todas las combinaciones lineales formadas con elementos de
G. Es el mnimo subespacio vectorial que contiene a G y se denota por hGi o span(G).
Ejemplos
(1) Para una matriz A Mm,n (K) se puede definir: 1. El espacio columna de A, que es el subespacio de
Km generado por las columnas de A. 2. El espacio fila de A, que es el subespacio de Kn generado por las
filas de A.
(2) El conjunto de vectores de R3 ,
G = {(0, 0, 1)T , (0, 1, 0)T },
genera el subespacio vectorial
hGi = {(x, y, z)T R3 /x = 0}.

22

2.2.2.

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Dependencia e independencia lineal. Bases y dimensi

on

Una descripcion mas explcita de un e.v. puede darse a partir de relaciones entre sus elementos los
vectores.
Sea V un e.v. Se dice que los vectores ~x1 , . . . , ~xn V son linealmente dependientes si existen escalares
1 , . . . , n K no todos nulos verificando
1 ~x1 + + n ~xn = ~0.
Esto significa que alg
un vector del sistema es combinacion lineal de los restantes. Recprocamente, si un
vector ~x V es combinacion lineal de los vectores ~x1 , . . . , ~xn entonces existen escalares 1 , . . . , n con
~x = 1 ~x1 + + n ~xn ,
es decir,
(1)~x + 1 ~x1 + + n ~xn = ~0,
y los vectores ~x, ~x1 , . . . , ~xn son linealmente dependientes.
Se dice que los vectores ~x1 , . . . , ~xn V son linealmente independientes cuando no son linealmente
dependientes, es decir, si ninguno de los vectores es combinacion lineal de los restantes. Esto significa que
si planteamos una combinacion lineal nula
1 ~x1 + + n ~xn = ~0,
entonces necesariamente 1 = = n = 0. Luego veremos un metodo practico para determinar la
independencia lineal de un conjunto de vectores dado.
Si consideramos los vectores como flechas desde el origen, no es difcil visualizar la dependencia lineal
en el espacio tridimensional. Dos vectores son dependientes si estan en la misma recta, y tres vectores
son dependientes si estan en el mismo plano.
Se dice que un conjunto finito de vectores {~x1 , . . . , ~xn } es libre cuando los vectores ~x1 , . . . , ~xn son
linealmente independientes. Caso de no ser libre, el conjunto se denomina ligado.
Pasamos ahora a explicar lo que es una base en un espacio vectorial. Para manejar en la practica
muchos espacios vectoriales, se suele buscar un conjunto finito y destacado de vectores, de manera que
cualquier otro vector del espacio vectorial pueda escribirse como combinacion lineal de los vectores de
este conjunto. Esto no siempre puede hacerse, pues hay espacio vectoriales que no pueden describirse
completamente por un conjunto finito de vectores. Sin embargo, hay otros que s admiten tal propiedad;
son los llamados espacios vectoriales de generacion finita. Por ejemplo, todo vector de R3 (x, y, z)T es
una combinacion lineal
x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T
de los vectores (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T ; de este modo, el espacio vectorial R3 es de generacion finita,
pues todo vector de R3 puede escribirse como combinacion lineal de un conjunto finito de vectores.
Vamos a restringirnos a partir de ahora a espacios vectoriales de generacion finita. Se dice que un
conjunto G = {~x1 , . . . , ~xn } de vectores de un espacio vectorial V es un sistema generador de V si todo
vector de V puede escribirse como combinacion lineal de los vectores de G.
Para poder describir completamente todos los vectores de un espacio vectorial, necesitaremos entonces
que este admita un sistema de generadores. Sin embargo, no es suficiente con esto. Para ver el porque,
consideremos el siguiente ejemplo de vectores en el plano:
~v1 = (1, 0)T ,

~v2 = (0, 1)T ,

~v3 = (1, 1)T .

Cualquier vector ~v = (x, y)T de R2 se puede escribir como combinacion lineal de estos tres vectores; por
ejemplo,
~v = x~v1 + y~v2 + 0~v3 .

2.2. ESPACIOS VECTORIALES

23

De esta manera, el conjunto G = {~v1 , ~v2 , ~v3 } es un conjunto de generadores de R2 . Sin embargo, hay un
problema. Por ejemplo, el vector ~v = (1, 1)T se puede escribir como
~v = 2~v1 + 0~v2 ~v3 ,
o tambien como
~v = ~v1 + ~v2 + 2~v3 .
El hecho de que un mismo vector se pueda escribir como combinacion lineal de los tres vectores de mas
de una forma da lugar a confusion. As, necesitamos que los vectores del sistema generador que tomemos
verifiquen que cualquier vector se pueda escribir como combinacion lineal de ellos solo de una forma.
Siguiendo con el mismo ejemplo, observemos que si ahora tomamos el conjunto G0 = {~v1 , ~v2 }, este
sigue siendo un sistema de generadores de vectores del plano, pues si ~v = (x, y)T es cualquiera, se puede
escribir
~v = x~v1 + y~v2 .
La diferencia entre G y G0 es que el primero es un sistema libre y el segundo es ligado. El hecho de
conseguir que los vectores que formen G0 sean linealmente independientes implica que cualquier vector
se puede escribir como combinacion lineal de tales vectores solo de una forma. En efecto, si tenemos un
vector cualquiera ~v escrito, con respecto a G0 , de dos formas
~v = x~v1 + y~v2 = x0~v1 + y 0~v2 ,
entonces se tiene
(x x0 )~v1 + (y y 0 )~v2 = ~0,
y como ~v1 y ~v2 son independientes, necesariamente x x0 = y y 0 = 0, es decir, x = x0 , y = y 0 ; luego ~v
se escribe solo de una forma con respecto a los vectores de G0 .
Generalizando lo razonado para el ejemplo a un espacio vectorial cualquiera, observamos que para
evitar que un vector pueda expresarse de mas de una forma como combinacion lineal de los vectores de
un sistema generador, hay que exigir a estos que sean linealmente independientes. Esto da lugar a la
definicion de base. Se dice que un conjunto de vectores B = {~x1 , . . . , ~xn } V es una base de V cuando
B es un sistema generador y libre. A
nadir la propiedad de independencia lineal a la de generador implica
que cada vector ~v V puede expresarse de una y solo una manera como combinacion de los vectores de
una base.
A todo esto hay que a
nadir dos cosas: la primera es que podemos tener mas de una base en un espacio
vectorial de generacion finita. As, en el ejemplo anterior, G0 forma una base, pero tambien G00 = {~v1 , ~v3 }
forma una base, o tambien G000 = {~v2 , ~v3 }. Lo segundo a mencionar es el llamado teorema de la base:
Teorema 2. Todas las bases de un espacio vectorial de generacion finita V son finitas y poseen el mismo
n
umero de elementos. Este n
umero se denomina dimension del e. v. V y se escribe dimK V .
Ejemplos.
(1) Bases can
onicas (vease el ejercicio 1). Ya hemos visto que los vectores (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T
constituyen un sistema generador de R3 . Ademas, son linealmente independientes, pues cualquier combinacion lineal nula de ellos
1 (1, 0, 0)T + 2 (0, 1, 0)T + 3 (0, 0, 1)T = (0, 0, 0)T ,
genera un sistema lineal de tres ecuaciones trivial con 1 = 2 = 3 = 0. De este modo, forman una base
de R3 llamada base canonica. Por tanto dimR R3 = 3.

24

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

(2) En general, la base canonica de Rn como espacio vectorial sobre R es el conjunto de n vectores,
~e1
~e2
..
.

= (1, 0, 0, . . . , 0)T
= (0, 1, 0, . . . , 0)T
..
.

~en

= (0, 0, 0, . . . , 1)T ,

de modo que dimR Rn = n, n = 1, 2, . . ..

(3) En el espacio de los polinomios de grado menor o igual que un entero no negativo n y coeficientes
reales, denotado por Pn [X], la base canonica viene dada por los monomios
1, x, x2 , . . . , xn ,
de manera que dimR Pn [X] = n + 1, n = 0, 1, . . ..
(4) A partir de la interpretacin geomtrica de la dependencia e independencia lineal, es claro que en en
R2 y en R3 todas las bases tienen 2 y 3 vectores respectivamente.
Las siguientes propiedades establecen las formas para obtener bases de sistemas generadores y de
sistemas libres.
Teorema 2. Sea V un espacio vectorial de dimension n. Se satisfacen las siguientes propiedades:
1. Un sistema generador G V es una base si y solo si no se puede reducir a un nuevo sistema
generador.
2. Siempre se puede obtener una base B de un sistema generador, descartando vectores si es necesario.
3. Si G es un sistema generador, entonces tiene como mnimo n elementos. Ademas, G es una base si
y solo si contiene exactamente n elementos.
4. Un sistema libre L V es una base si y solo si no se puede ampliar a otro sistema libre.
5. Cualquier sistema libre se puede extender a una base, a
nadiendo mas vectores si es necesario.
6. Si L es un sistema libre, entonces tiene a lo sumo n elementos. Ademas, L es una base si y solo si
tiene exactamente n elementos.
7. Todo subespacio W de V tiene dimension menor o igual que n. Si la dimension de W es n, entonces
W =V.
Es facil comprobar las propiedades 3 y 6 en Rn . (Tengase en cuenta lo que ya se conoce sobre la
resolucion de un sistema con la eliminacion gaussiana).
Por tanto, una base es un conjunto independiente maximo. No puede ser mas grande porque entonces
perdera la independencia (propiedad 4 del Teorema 2). No puede ser menor porque entonces no generara
todo el espacio (propiedad 1 del Teorema 2).
En terminos generales, para determinar si un conjunto de vectores forma una base, hemos de comprobar que es un sistema generador y que es un sistema libre. Sin embargo, los distintos resultados del
Teorema 2 tienen su aplicacion a la hora de determinar bases de un espacio vectorial. En este sentido,
las propiedades 3 y 6 son bastante u
tiles cuando se conoce la dimension del espacio en el que esta uno
trabajando. As, la propiedad 3 dice, por ejemplo, que si tenemos tres vectores en R3 que forman un
sistema generador, entonces directamente forman una base, pues su n
umero es exactamente la dimension
de R3 . Nos ahorramos entonces comprobar que son linealmente independientes. Igualmente, si uno conoce
dos vectores en R2 que son linealmente independientes, la propiedad 6 nos dice que entonces forman una
base. No es necesario por tanto estudiar si generan todo R2 .

2.2. ESPACIOS VECTORIALES

2.2.3.

25

Coordenadas de un vector respecto a una base. Cambio de base

Hemos visto que lo que hace el concepto de base algo u

til es que recurriendo a una de ellas, cualquier
vector queda identificado mediante los coeficientes de la u
nica combinacion lineal que lo expresa en funcion
de los vectores de aquella. A estos coeficientes se les llama coordenadas. En un e. v. de dimension finita,
si se dispone de una base, conocer un vector viene a ser lo mismo que conocer sus coordenadas en la base.
Sea V un e. v. sobre K con dim(V ) = n y sea B = {~b1 , ~b2 , . . . , ~bn } una base de V . Cada vector ~x V
se puede escribir de forma u
nica como combinacion lineal de los elementos de B:
~x = x1~b1 + x2~b2 + + xn~bn .
Se dice que x1 , x2 , . . . , xn son las coordenadas del vector ~x respecto de la base B. Cuando se sobreentiende
cual es la base B, se suele escribir ~x = (x1 , x2 , . . . , xn )T o bien, en otro caso, M (~x, B) = (x1 , x2 , . . . , xn )T .
Por ejemplo, el vector ~v = (1, 2, 3)T tiene coordenadas en la base canonica
~v = ~e1 + 2~e2 + 3~e3 .
Si se dispone de dos bases B y B 0 en un mismo e. v. V , cada vector ~x V tendra dos sistemas
de coordenadas, uno respecto de cada base. Si se conoce una base respecto de la otra, va a ser posible
relacionar unas coordenadas con otras; las relaciones que ligan a los dos sistemas de coordenadas se llaman
ecuaciones del cambio de base.
Pongamos primero un ejemplo. Como hemos visto, dada la base canonica B = {~e1 , ~e2 , ~e3 } de R3 , el
vector ~v = ~e1 + 2~e2 + 3~e3 tiene por coordenadas ~v = (1, 2, 3)T en la base B. Consideramos ahora otra base
de R3 , por ejemplo B 0 = {~v1 , ~v2 , ~v3 }, donde ~v1 = (1, 1, 0)T , ~v2 = (0, 1, 1)T , ~v3 = (1, 1, 1)T . Nuestro
problema es expresar el vector ~v con respecto a la nueva base B 0 , es decir, calcular sus coordenadas en
esta base. Imaginemos que tales coordenadas son
~v = x01~v1 + x02~v2 + x03~v3 .
Observemos que los vectores de B 0 se expresan con respecto a la base canonica B del siguiente modo:
~v1
~v2
~v3

= (1, 1, 0)T = ~e1 + ~e2 ,

= (0, 1, 1)T = ~e2 ~e3 ,
= (1, 1, 1)T = ~e1 + ~e2 ~e3 .

Sustituyendo, se tiene:
~v

= x01~v1 + x02~v2 + x03~v3 = x01 (~e1 + ~e2 ) + x02 (~e2 ~e3 ) + x03 (~e1 + ~e2 ~e3 )
= (x01 x03 )~e1 + (x01 + x02 + x03 )~e2 + (x02 x03 )~e3 .

pero, por otro lado,

~v = (1, 2, 3)T = ~e1 + 2~e2 + 3~e3 .
Tenemos entonces dos expresiones de un mismo vector en la base B; deben por tanto coincidir. Entonces,

x01

x01 x03
+ x02 + x03

= 1
= 2

x02 x03

= 3.

Es decir, que las nuevas coordenadas satisfacen el sistema

0
1 0 1
x1
1
1 1
1 x02 = 2 ,
0 1 1
x03
3

26

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

que, resolviendo, proporciona los valores x01 = 5, x02 = 7, x03 = 4 y M (~v , B) = (5, 7, 4)T . Hay que fijarse
en la matriz del sistema: su primera columna esta formada por las coordenadas del vector ~v1 en la base
B, la segunda columna esta formada por las coordenadas del vector ~v2 en la base B y la tercera tiene
por elementos las coordenadas del vector ~v3 en la base B.
Este procedimiento se puede generalizar. Sea V un e. v. sobre K de dimension n. Sea B = {~b1 , ~b2 , . . . , ~bn }
una base de V , en las que las coordenadas de un vector ~x V se denotan por M (~x, B) = (x1 , x2 , . . . , xn )T .
Sea B 0 = {~b01 , ~b02 , . . . , ~b0n } otra base de V , en la que las coordenadas de ~x V se denotan por M (~x, B 0 ) =
(x01 , x02 , . . . , x0n )T . Supongamos que se conocen los vectores de B 0 en funcion de los de B, es decir,
~b0
1
~b0
2

..
.
~b0
n

= q11~b1 + q21~b2 + + qn1~bn

= q12~b1 + q22~b2 + + qn2~bn
.
= ..
= q1n~b1 + q2n~b2 + + qnn~bn .

Entonces, las coordenadas M (~x, B) = (x1 , x2 , . . . , xn )T vendran, en funcion de las coordenadas M (~x, B 0 ) =
(x01 , x02 , . . . , x0n )T , dadas por las formulas
x1
x2
..
.
xn

=
=
=
=

q11 x01 + q12 x02 + + q1n x0n

q21 x01 + q22 x02 + + q2n x0n
..
.
qn1 x01 + qn2 x02 + + qnn x0n ,

que matricialmente se escribe

M (~x, B) = QM (~x, B 0 ),

q11
q21
0
Q = M (B , B) =

qn1

q12
q22

qn2

q1n
q2n
.

qnn

La matriz Q se llama matriz de cambio de base de B 0 a B y es una matriz invertible. Como ha mostrado
la construccion del sistema, hay que observar que las columnas de Q = M (B 0 , B) son las coordenadas
de los vectores de la base B 0 con respecto a la base B. Precisamente, su matriz inversa es la matriz del
cambio de coordenadas inverso, de B a B 0 , es decir
M (~x, B 0 ) = Q1 M (~x, B) = M (B, B 0 )M (~x, B).
Este es, con frecuencia, el problema a resolver.
Ejemplo. Supongamos que B = {~b1 , ~b2 , ~b3 }, con ~b1 = (1, 1, 0)T , ~b2 = (0, 1, 0)T , ~b3 = (1, 0, 1)T .
Supongamos tambien que B 0 = {b~0 1 , b~0 2 , b~0 3 }, con
b~0 1
b~0 2
b~0 3

= ~b1 ~b2 ,
= ~b1 + ~b3 ,
= ~b2 ~b3 .

Si ~x = ~b1 ~b2 + 2~b3 , las coordenadas de ~x en B 0 (~x = b~0 1 + b~0 2 + b~0 3 ) satisfaran

1
1 1 0

1 = 1 0 1 ,
2
0 1 1

que resolviendo da lugar a los valores = 0, = 1, = 1.

2.3. SUBESPACIOS FUNDAMENTALES DE UNA MATRIZ

2.3.

Subespacios fundamentales de una matriz

2.3.1.

Definici
on y propiedades

27

Pasamos ahora a describir un procedimiento para resolver en la practica varios problemas que se han
ido planteando en secciones anteriores. Concretamente:
1. Como describir los subespacios de un espacio vectorial de dimension finita.
2. Como determinar una base de un subespacio.
3. Como obtener una base de un sistema generador dado.
4. Como formar una base a partir de un sistema libre dado.
Con respecto al problema 1, generalmente los subespacios (que no sean el formado exclusivamente
por el vector nulo) se describen de dos maneras. La primera consiste en dar un sistema de generadores
del subespacio (en particular, una base) que pueden disponerse como el espacio fila o el espacio columna
de una matriz. En la segunda, podemos dar una lista de restricciones acerca del subespacio; en lugar de
decir cuales son los vectores en el subespacio, se dicen las propiedades que deben satisfacer. Generalmente
estas restricciones vienen dadas mas o menos explcitamente por un conjunto de ecuaciones lineales, de
modo que el subespacio queda descrito como el conjunto de soluciones de un sistema lineal homogeneo
A~x = ~0 y cada ecuacion del sistema representa una restriccion. En el primer tipo puede haber filas o
columnas redundantes y en el segundo puede haber restricciones redundantes. En ninguno de los dos casos
es posible dar una base (resolver el problema 2) por mera inspeccion, es necesario alg
un procedimiento
sistematico.
El metodo que aqu explicaremos esta basado en el proceso de eliminacion gaussiana de una matriz
A dado en el tema 1 y la matriz U escalonada superior que quedaba asociada a esta al final del proceso.
Con este procedimiento vamos tambien a poder resolver los problemas 3 y 4 y el problema a
nadido de
como pasar de una representacion de un subespacio a la otra.
Definici
on. Supongamos que reducimos una matriz A Mm,n (K) mediante operaciones elementales a
una matriz U de forma escalonada. Llamemos r al n
umero de pivotes de U , de tal modo que las u
ltimas
m r filas de U son identicamente nulas. A este n
umero r se le llama rango de la matriz A.
Hay una relacion entre el rango r y la independencia lineal: precisamente, r es el n
umero de filas
linealmente independientes de la forma escalonada U .
Los subespacios fundamentales de una matriz A Mm,n (K) son los siguientes:
1. Espacio fila f il(A): es el espacio generado por las filas de A.
2. Espacio nulo Ker(A) = {~x/A~x = ~0}.
3. Espacio columna col(A): es el espacio generado por las columnas de A.
4. Espacio nulo por la izquierda Ker(AT ) = {~x/AT ~x = ~0}.
La relacion entre los subespacios fundamentales de una matriz y los subespacios vectoriales es la siguiente:
si el subespacio viene dado por un sistema de generadores, sera el espacio fila (o el espacio columna) de la
matriz cuyas filas (o columnas) sean los vectores del sistema generador. Si el subespacio viene dado por
un conjunto de restricciones, se escribira como el espacio nulo o el espacio nulo por la izquierda de una
matriz, la del sistema homogeneo dado por las restricciones. Queda claro entonces que para determinar
una base de un subespacio tenemos que analizar la manera de determinar una base de los subespacios
fundamentales de una matriz. En ello tendra que ver su forma escalonada obtenida por eliminacion
gaussiana.

28

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

1. Espacio fila de A. La eliminacion act

ua en A para producir una matriz escalonada U ; el espacio
fila de U se obtiene directamente: su dimension es el rango r y sus filas distintas de cero constituyen
una base (pruebese). Ahora bien, cada operacion elemental no altera el espacio fila, pues cada fila de
la matriz U es una combinacion de las filas originales de A (razonar que para dos vectores cualesquiera
< ~v1 , ~v2 >=< ~v1 , ~v2 ~v1 >, para todo escalar ). Como al mismo tiempo cada paso puede anularse
mediante una operacion elemental, entonces
f il(A) = f il(U ),
por tanto, f il(A) tiene la misma dimension r y la misma base. Hay que notar que no comenzamos
con las m filas de A, que generan el espacio fila y descartamos m r para obtener una base. Podramos
hacerlo, pero puede ser difcil decidir cuales filas descartar; es mas sencillo tomar simplemente las filas de
U distintas de cero.
Ejemplo. Determina una base del subespacio de R4 generado por los vectores ~v1 = (1, 1, 0, 1)T , ~v2 =
(1, 2, 2, 1)T , ~v3 = (3, 4, 2, 3)T .
Disponemos los vectores generadores como las filas de una matriz

1 1 0 1
A = 1 2 2 1 .
3 4 2 3
El subespacio es entonces el espacio fila de A.

1 1 0 1
1
A = 1 2 2 1 0
3 4 2 3
0

Reducimos por eliminacion gaussiana,

1 0 1
1 1 0 1
1 2 0 0 1 2 0 = U.
1 2 0
0 0 0 0

Puesto que U tiene dos pivotes, r = 2, de modo que la dimension del subespacio es dos. Como una base
de f il(U ) lo forman las dos primeras filas, lo mismo ocurre con f il(A), de manera que una base del
subespacio es w
~ 1 = (1, 1, 0, 1)T , w
~ 2 = (0, 1, 2, 0)T .
2. Espacio nulo de A. Es el formado por los vectores ~x tales que A~x = ~0. En la eliminacion gaussiana
se reduce el sistema A~x = ~0 al sistema U~x = ~0 precisamente sin alterar ninguna de las soluciones. Por
tanto, el espacio nulo de A es el mismo que el de U ,
Ker(A) = Ker(U ).
De las m aparentes restricciones impuestas por las m ecuaciones A~x = ~0 solo r son independientes,
especificadas precisamente por las r filas de U distintas de cero. As, el espacio nulo de A tiene dimension
n r, que es el n
umero de variables libres del sistema reducido U~x = ~0, correspondientes a las columnas
de U sin pivotes. Para obtener una base, podemos dar el valor 1 a cada variable libre, cero a las restantes
y resolver U~x = ~0 para las r variables basicas por sustitucion regresiva. Los n r vectores as producidos
forman una base de Ker(A).
Ejemplo. Determina una base del subespacio W de R4 , formado por los vectores ~x = (x1 , x2 , x3 , x4 )T
tales que
x1 + x2 x3 + 2x4
2x1 2x2 + x3

= 0
= 0

5x1 5x2 + 3x3 2x4

= 0

Se tiene que W = {~x R4 /A~x = ~0} donde

1
A= 2
5

1
2
5

1
1
3

2
0 .
2

2.3. SUBESPACIOS FUNDAMENTALES DE UNA MATRIZ

29

La eliminacion gaussiana lleva a que W = Ker(U ) donde

1 1
U = 0 0
0 0

1 2
1 4 .
0 0

Como en este caso n = 4 y r = 2, la dimension de W es n r = 2. Las variables basicas son x1 y x3 y

las libres x2 y x4 . El sistema U~x = ~0 queda
x1 + x3
x3

= x2 + 2x4
= 4x4

Dando los valores x2 = 1, x4 = 0, tenemos el vector ~v1 = (1, 1, 0, 0)T . Con los valores x2 = 0, x4 = 1 se
obtiene ~v2 = (2, 0, 4, 1)T . Los vectores ~v1 , ~v2 forman una base de W .
3. Espacio columna de A. Podramos tener en cuenta que las columnas de A son las filas de AT y
actuar sobre AT . Es mejor, sin embargo, estudiar el espacio columna en terminos de los n
umeros originales
m, n y r.
Es importante destacar que A no tiene el mismo espacio columna que U . La eliminacion gaussiana altera las columnas. Sin embargo, cada vez que ciertas columnas de U formen una base del espacio
columna de U , las correspondientes columnas de A forman una base del espacio columna de A.
La razon es la siguiente: sabemos que A~x = ~0 si y solo si U~x = ~0. Los dos sistemas son equivalentes y
tienen las mismas soluciones. En terminos de multiplicacion de matrices, A~x = ~0 expresa una dependencia
lineal entre las columnas de A, con coeficientes dados por las coordenadas de ~x. Por tanto, cada una de
estas dependencias corresponde a una dependencia lineal U~x = ~0 entre las columnas de U y con los mismos
coeficientes. Si el conjunto de columnas de A es independiente, lo mismo es valido para las columnas de
U y viceversa.
Ahora, para encontrar una base de col(A), partimos de encontrar una base de col(U ). Pero una base
de col(U ) la forman las r columnas de U que contienen los pivotes. As, tenemos:
La dimension de col(A) es igual al rango r, que es la dimension de f il(A): en cualquier matriz,
el n
umero de filas independientes es igual al n
umero de columnas independientes. Una base de col(A)
esta formada por aquellas r columnas de A correspondientes, en U , a las columnas que contienen los
pivotes.
Ejemplo. Para la matriz

1
A = 0
1

2
1
2

0
1
0

1
0 ,
1

1 2
U = 0 1
0 0

0
1
0

1
0 .
0

la eliminacion gaussiana lleva a que

Para U , las columnas con pivote son la primera y la segunda, luego una base de col(A) esta formada por
las dos primeras columnas de A: (1, 0, 1)T , (2, 1, 2)T .
4. Espacio nulo por la izquierda de A. Es el espacio nulo de AT . Como para cualquier matriz, se
tiene que
dimension del espacio columna+dimension del espacio nulo =n
umero de columnas,

30

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

esta regla puede aplicarse a AT , que tiene m columnas. Como rango fila=rango columna = r, entonces
dimKer(AT ) = m r. Se puede determinar una base de Ker(AT ) de la misma manera que se ha hecho
con el espacio nulo de A.
Ejercicio. Determina una base de los cuatro subespacios elementales de la matriz

2
6
A=
8
4

4
2
2
1

0
1
1
3

2
0
.
2
5

Explicado el procedimiento para obtener una base de un subespacio, resolvemos los problemas pendientes.
Para obtener una base de un sistema generador (problema 3), basta con hallar una base del espacio
fila de la matriz cuyas filas son los vectores generadores.
Ejemplo. Obtenemos una base del subespacio generado por el sistema de generadores de R3 : ~v1 =
(1, 2, 1)T , ~v2 = (3, 2, 1)T , ~v3 = (4, 0, 0)T , ~v4 = (1, 2, 1)T .
Disponemos los vectores como las filas de una matriz y reducimos a forma escalonada

1
3

4
1

2 1
1
0
2 1

0
0 0
2 1
0

2
4
8
4

1
1
0
2

0
4
2
0

2
4
0
0

1
2

0
0

La dimension del espacio fila es dos, luego de los cuatro vectores solo dos son independientes. Una base
del subespacio lo forman los vectores (1, 2, 1)T , (0, 4, 2)T .
Para obtener una base de un espacio vectorial a partir de un sistema libre (problema 4) basta con
ampliar el espacio fila correspondiente con vectores que van siendo independientes, hasta completar la
dimension.
Ejemplo. Completamos a una base de R4 a partir de los vectores ~v1 = (1, 1, 0, 1)T , ~v2 = (1, 2, 2, 1)T , ~v3 =
(3, 0, 2, 3)T .
Disponemos los vectores como las filas de una matriz y reducimos a forma escalonada.

1
1
3

1
2
0

0
2
2

1
1
1 0
3
0

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

1
1
0

0
2
8

1
0 .
0

Si a
nadimos una cuarta fila con un pivote, por ejemplo, (0, 0, 0, 1)T , tenemos que la dimension del espacio
fila de la matriz que forman los tres primeros vectores y este cuarto es cuatro, luego un vector que
completa a una base es, por ejemplo, (0, 0, 0, 1)T .
Para calcular las ecuaciones de un subespacio a partir de un sistema generador, se dispone el sistema
generador como las filas de una matriz, y a esta se a
nade una fila con un vector generico. Se reduce
la matriz as formada por eliminacion gaussiana, obligando a que se anule la u
ltima fila de la forma
escalonada final.
Ejemplo. Obtenemos las ecuaciones del subespacio generado por los vectores ~v1 = (1, 0, 3)T , ~v2 =
(2, 3, 1)T .

2.4. OPERACIONES CON SUBESPACIOS

31

Disponemos los vectores como las filas de una matriz, a

nadiendo una tercera fila con un vector generico
(x, y, z)T del subespacio y reducimos a forma escalonada:

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

5 0 3
5
x y z
0 y z 3x
0 0 z 3x (5/3)y
Como el vector (x, y, z)T esta en el subespacio, la dimension del espacio fila de la matriz ha de ser dos,
luego la u
ltima fila de la forma escalonada tiene que ser nula. Por tanto, el subespacio es
W = {(x, y, z)T /z 3x (5/3)y = 0}.

Al reves, para dar un sistema generador a partir de las ecuaciones de un subespacio, basta con calcular
una base del espacio nulo de la matriz del sistema de ecuaciones.

2.4.

Operaciones con subespacios

Una vez que sabemos determinar una base de un subespacio vectorial, nos queda operar con ellos.
Basicamente, se pueden realizar dos operaciones con subespacios: intersecciones y sumas.

2.4.1.

Intersecci
on de subespacios

Sea V un e. v. y W1 , W2 subespacios vectoriales de V . La interseccion W = W1 W2 es el conjunto de

vectores de V que estan a la vez en W1 y W2 . No es difcil ver que W es un subespacio vectorial. Notese
que la interseccion cualquiera es no vaca, pues al menos el vector nulo esta en W .
Para describir la interseccion de subespacios, la manera mas natural es poner cada subespacio en
forma de un sistema de ecuaciones homogeneo. La interseccion sera aquel subespacio que verifique todas
las restricciones a la vez.
Ejemplo. Para los subespacios
W1
W2

=
=

{(x, y, z)T /x + y + z = 0}
{(x, y, z)T /x z = 0}

el subespacio W1 W2 es
W1 W2

2.4.2.

{(x, y, z)T /x + y + z = 0, x z = 0}

Suma de subespacios

Sea V un e. v. y W1 , W2 subespacios vectoriales de V . Observemos que, en general, la union de

subespacios W1 W2 (el conjunto de vectores que estan en algunos de los dos subespacios) no es un
subespacio vectorial. Por ejemplo, si W1 es el subespacio de R2 generado por el vector w
~ 1 = (1, 0)T y W2
T
es el subespacio generado por w
~ 2 = (0, 1) , naturalmente los vectores w
~1 y w
~ 2 estan en W1 W2 , pero la
suma w
~1 + w
~ 2 = (1, 1)T no esta en W1 W2 .
Se puede definir, sin embargo, la suma de subespacios W = W1 + W2 como el subespacio generador
por la union W = hW1 W2 i.
Contrariamente a la interseccion, una manera sencilla de describir el subespacio suma consiste en
determinar un sistema generador o una base de cada subespacio y quedarse con los independientes,
obteniendose de esta manera una base del subespacio suma.

32

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Ejemplo. Obtenemos una base del subespacio suma W1 + W2 donde

W1
W2

{(x, y, z)T /x + y = 0, z = 0}
{(x, y, z)T /z = 0}.

=
=

Una base de W1 es w
~ 1 = (1, 1, 0)T y de W2 , w
~ 2 = (1, 0, 0)T , w
~ 3 = (0, 1, 0)T . Entonces, w
~ 1, w
~2 y w
~3
forman un sistema generador de W1 + W2 . Ahora, el vector w
~ 1 depende de los otros dos, luego una base
del subespacio suma esta formado por w
~ 2 = (1, 0, 0)T , w
~ 3 = (0, 1, 0)T . Es decir, W1 + W2 = W2 .
La forma de determinar una base del subespacio suma muestra que todo vector w
~ de W = W1 + W2
puede escribirse como suma w
~ =w
~1 + w
~ 2 donde w
~ 1 W1 y w
~ 2 W2 .
Cuando los subespacios solo tiene en com
un el vector nulo, W1 W2 = {~0}, el subespacio suma se
denomina suma directa de W1 y W2 y se denota por W = W1 W2 . En este caso, los vectores componentes
w
~ 1, w
~ 2 de la descomposicion w
~ =w
~1 + w
~ 2 de cualquier vector w
~ de la suma que mencionabamos antes
son u
nicos: los vectores de W solo pueden descomponerse de una forma. Ademas, en este caso, dada B1
una base de W1 y B2 una base de W2 , B1 B2 es una base de W1 W2 .
Respecto a las dimensiones de los subespacios suma e interseccion, se tiene el siguiente resultado:
F
ormula de las dimensiones. Si W1 y W2 son dos subespacios vectoriales de dimension finita
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) dim(W1 W2 ).
En particular, si W1 W2 = {~0},
dim(W1 W2 ) = dim(W1 ) + dim(W2 ).

2.5.

Aplicaciones lineales

Se pueden establecer relaciones entre espacios vectoriales, a traves de las llamadas aplicaciones lineales.
Antes de dar la definicion formal, vamos a mostrar algunos ejemplos para intentar explicar que significa
que una aplicacion entre espacios vectoriales sea lineal.
En el plano R2 pueden darse varias transformaciones, con interpretacion geometrica, entre vectores.
Por ejemplo, se puede aumentar o reducir de tama
no un vector (homotecias).

~v = (x, y)

T~v =

T~v = (2x, 2y)

( 12 x, 12 y)

Desde el punto de vista algebraico, esto significa multiplicar cada componente del vector por una
constante R. Si 0 < < 1, el vector se reduce de tama
no, si > 1, aumenta. En el caso de que < 0,
el vector cambia ademas de sentido. Todo ello genera una transformacion entre vectores (homotecia de
centro el origen y razon ),
T :

2
2
R
R

x
x
7 T (x, y) =
.
y
y

2.5. APLICACIONES LINEALES

33

Este
es un primer ejemplo de una transformacion lineal entre espacios vectoriales. Se dice que es lineal
por lo siguiente: si uno toma una combinacion de dos vectores cualesquiera y le aplica la homotecia, el
vector resultante es el mismo que si aplicamos primero la homotecia a los vectores originales y luego
hacemos la combinacion lineal a los vectores transformados. Fijemonos por u
ltimo en que la aplicacion
se puede escribir como el producto de una matriz por el vector generico, en la forma



x
x
0
x
7 T (x, y) =
=
.
y
y
0
y
El siguiente ejemplo tiene tambien su interpretacion geometrica. Se trata de girar los vectores del
plano un angulo determinado .

T (~v )

~v = (x, y)

Para dar una expresion a esta tranformacion entre vectores podemos hacer uso de los n
umeros complejos que tratamos en el tema preliminar. Recordemos que un vector en el plano con base en el origen y coordenadas ~v = (x, y)T representa tambien el complejo
p z = x + iy o, en forma trigonometrica
z = r cos + ir sin , donde x = r cos , y = r sin , r = |z| = x2 + y 2 y es el argumento principal de z.
Observemos entonces que un giro de angulo proporciona un nuevo vector, es decir, un nuevo complejo,
cuyo modulo es similar al del vector de inicio, mientras que uno de sus argumentos se obtiene sumando
al argumento . De este modo, el nuevo complejo puede escribirse
T (z) = r cos ( + ) + ir sin ( + ),
es decir, el vector transformado tiene por coordenadas
T (~v ) = (r cos ( + ), r sin ( + ))T .
En terminos de las componentes originales x e y, hay que tener en cuenta que x = r cos , y = r sin y
las relaciones
cos( + )

cos() cos() sin() sin(),

sin( + )

cos() sin() + sin() cos().

Podemos entonces escribir que

T (~v ) =

cos
T (x, y) = (x cos() y sin(), x sin() + y cos()) =
sin
T

sin
cos

x
,
y

transformacion que se expresa como producto de una matriz por el vector de salida. La aplicacion
T :

2
2
R
R

x
cos
7 T (x, y) =
y
sin

sin
cos

x
y

es lineal. Esto puede razonarse como antes. Si combinamos dos vectores y el vector resultante gira un
angulo , el resultado es el mismo que si primero giramos los vectores originales un angulo y luego
hacemos la combinacion lineal a los vectores resultantes del giro.

34

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Naturalmente, no todas las aplicaciones son lineales. Por ejemplo, otra de las transformaciones que
pueden hacerse en R2 es a
nadir una cantidad fija a cada componente , 6= 0 de los vectores. Por
ejemplo, podemos generar la aplicacion
T :

R2 R2

x
x+1
7 T (x, y) =
.
y
y+1

Esta transformacion no es lineal. Si, por ejemplo, sumamos dos vectores y a la suma se a
nade el vector
(, )T = (1, 1)T , el resultado no es el mismo que si primero a
nadimos (, )T = (1, 1)T a los vectores
originales y luego sumamos. Hay que observar tambien que esta transformacion no puede escribirse como
producto matriz por vector.
Estos ejemplos pretenden mostrar que para que una aplicacion entre espacios vectoriales sea lineal, su
actuacion sobre los vectores debe conmutar con las operaciones de los subespacios: combinar los vectores
y transformar debe dar el mismo resultado que transformar primero los vectores y luego combinarlos.

2.5.1.

Definici
on y propiedades

Para un uso en posteriores lecciones, introducimos aqu el concepto de aplicacion lineal, que permite
establecer relaciones entre los espacios vectoriales. Dados dos espacios vectoriales U y V sobre un mismo
cuerpo K, se dice que una transformacion T : U V es lineal cuando
(i) T (~x + ~y ) = T (~x) + T (~y ),
(ii) T (~x) = T (~x),

~x, ~y U .

~x U, K.

Esto es
T (1 ~x1 + + m ~xm )

= 1 T (~x1 ) + + m T (~xm ),
1 , . . . , m K, ~x1 , . . . , ~xm U.

Ejemplos. Con la definicion, se puede comprobar que las aplicaciones siguientes

(1) T : R3 R3 , T ((x, y, z)T ) = (x + y, y + z)T .
(2) T : P3 [X] P2 [X], T (p(x)) = p0 (x),
son lineales.
Con las aplicaciones lineales se pueden realizar tres operaciones:
Suma: si T, S : U V son aplicaciones lineales, entonces la aplicacion T + S : U V , (T + S)(~x) =
T (~x) + S(~x) es una aplicacion lineal.
Producto: si T : U V es una aplicacion lineal y K, entonces la aplicacion (T ) : U V ,
(T )(~x) = T (~x) es lineal.
Composicion: si U, V, W son espacios vectoriales, T : U V , S : V W son aplicaciones lineales,
entonces la aplicacion S T : U W , (S T )(~x) = S(T (~x)) es una aplicacion lineal.
Asociada a una aplicacion lineal, T : U V hay dos subespacios destacables:
N
ucleo: Ker(T ) = {~x U/T (~x = 0} U ,
Imagen: Im(T ) = {~y V /

existe ~x U

con

T (~x) = ~y } V .

2.5. APLICACIONES LINEALES

2.5.2.

35

Matriz de una aplicaci

on lineal. Cambio de base

En espacios de dimension finita, para manejarse con aplicaciones lineales, es mejor utilizar coordenadas. Ello va a permitir relacionar las aplicaciones lineales con las matrices, lo que hace mas sencillo el
uso de las primeras.
Sean U y V espacios vectoriales de dimension finita sobre un mismo cuerpo K. Sean BU = {~u1 , . . . , ~un },
BV = {~v1 , . . . , ~vm } bases en U y V respectivamente. Sea T : U V una aplicacion lineal. Se define la
matriz de la aplicacion lineal T en dichas bases como la matriz M (T, BU , BV ) Mm,n (K) cuyas columnas
son las coordenadas de las imagenes por T de los vectores de la base de partida BU , expresadas en la
base de llegada BV , esto es
M (T, BU , BV ) = [M (T (~u1 ), BV ) M (T (~un ), BV )].
Ejemplos.
[1] Para la aplicacion lineal T : R4 R3 , T (x1 , x2 , x3 , x4 ) = (x1 + x2 + x3 , x2 + x4 , x1 + x2 + x3 + x4 ),
se tiene que, en las bases canonicas

1 1 1 0
c
c
0 1 0 1 .
M (T, BR
4 , B R3 ) =
1 1 1 1
La razon es la siguiente: la primera columna de la matriz corresponde al vector imagen por T del primer
vector de la base canonica en R4 , escrito con respecto a la base canonica en R3 , esto es
T ((1, 0, 0, 0)T ) = (1, 0, 1)T ,
(imagen del vector de coordenadas x1 = 1, x2 = 0, x3 = 0, x4 = 0). As, las otras columnas se obtienen
como
T ((0, 1, 0, 0)T ) = (1, 1, 1)T ,
T ((0, 0, 1, 0)T ) = (1, 0, 1)T ,
T ((0, 0, 0, 1)T ) = (0, 1, 1)T .
[2] Para la aplicacion lineal T : P4 [X] P3 [X], T (p(x)) = p0 (x) se tiene que en las bases canonicas
BPc 4 [X] = {1, x, x2 , x3 , x4 },
la matriz de T es

BPc 3 [X] = {1, x, x2 , x3 },

0
0
c
c
M (T, BP4 [X] , BP3 [X] ) =
0
0

1
0
0
0

0
2
0
0

0
0
3
0

0
0
.
0
4

Veamos como se van generando las columnas. La primera es la imagen por T del primer vector, el
polinomio p(x) = 1. Como p0 (x) = 0, entonces T (p(x)) es el polinomio nulo, luego sus coordenadas
son todas nulas en cualquier base. La segunda columna de la matriz es la imagen por T del polinomio
p(x) = x. esto es
T (p(x)) = p0 (x) = 1 = 1 + 0x + 0x2 + 0x3 ,
de coordenadas (1, 0, 0, 0) en la base canonica de P3 [X]. Estas coordenadas forman la segunda columna
de la matriz. As sucesivamente,
T (x2 ) = 2x = 0 1 + 2x + 0x2 + 0x3 (0, 2, 0, 0),
T (x3 ) = 3x2 = 1 = 0 1 + 0x + 3x2 + 0x3 (0, 0, 3, 0),
T (x4 ) = 4x3 = 0 1 + 0x + 0x2 + 4x3 (0, 0, 0, 4),

36

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

vamos generando las columnas de la matriz.

Hay que destacar tres cosas importantes:

(i) La matriz de una aplicacion M (T, BU , BV ) tiene tantas filas como la dimension del espacio de
llegada V y tantas columnas como la dimension del espacio de partida U (veanse los ejemplos
anteriores).

(ii) La expresion de la matriz depende de las bases elegidas: si cambian las bases, cambia la matriz.
Insistiremos mas adelante sobre ello.

(iii) En la practica, fijadas bases en U y V , podemos expresar la aplicacion lineal como un producto
matriz por vector: si ~x = x1 ~u1 + + xn ~un , siendo (x1 , . . . , xn )T las coordenadas del vector ~x en
la base BU , entonces, como T es lineal

x1
x2

T (~x) = x1 T (~u1 ) + + xn T (~un ) = M (T, BU , BV ) . .
..
xn
Esto facilita el manejo de las aplicaciones lineales. As, en el ejemplo [1] anterior

1 1
T (x1 , x2 , x3 , x4 ) = 0 1
1 1

1
0
1

x1
0
x2
1
x3 ,
1
x4

y en el ejemplo [2], si p(x) = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 ,

0
0
T (p(x)) =
0
0

1
0
0
0

0
2
0
0

0
0
3
0

a
0 0
a1
0
a2 ,

0
a3
4
a4

que es el polinomio a1 + 2a2 x + 3a3 x2 + 4a4 x3 .

Cambio de base en las aplicaciones lineales

Ya hemos comentado que al cambiar las bases en los espacios vectoriales cambia la matriz de la aplicacion lineal. Veamos como afectan los cambios de base. Consideremos una aplicacion lineal T : U V
de la que conocemos su matriz asociada M (T, BU , BV ) cuando fijamos las bases BU , BV . Imaginemos
que cambiamos las bases a BU0 , BV0 y queremos determinar la matriz asociada a T en estas bases,
M (T, BU0 , BV0 ). Planteamos el siguiente esquema

2.5. APLICACIONES LINEALES

37

UBU

M (T, BU , BV )

- VB T (~x)
V

M (BU0 , BU )

M (BV0 , BV )

M (T, BU0 , BV0 )

UBU0
~x

VBV0

Las flechas a la izquierda y a la derecha son las que llevan, respectivamente, un vector escrito en la base
BU0 en el mismo vector expresado ahora en la base BU y cualquier vector escrito en la base BV0 en el
mismo vector expresado ahora en la base BV . Ambas transformaciones vienen entonces dadas por las
correspondientes matrices de cambio de base M (BU0 , BU ), M (BV0 , BV ) de las que hablamos al principio
de la leccion (coordenadas de un vector respecto a una base y cambio de base). As, por ejemplo, la flecha
de la izquierda lleva un vector ~u U en
M (BU0 , BU )~u,
y la flecha de la derecha lleva un vector ~v V en
M (BV0 , BV )~v .
Por otro lado, las flechas de arriba y de abajo corresponden a la aplicacion lineal T pero en bases distintas.
Supongamos que conocemos la matriz asociada a T arriba, es decir M (T, BU , BV ), pero no la de abajo
M (T, BU0 , BV0 ), que es la que queremos calcular.
Fijemonos ahora en que tiene que ser igual llevar un vector ~x U desde la esquina inferior izquierda
a su imagen T (~x) en la esquina superior derecha por los dos caminos siguientes: flecha izquierda + flecha
arriba o bien flecha abajo + flecha derecha. En terminos matriciales, el primer camino es
M (T, BU , BV )M (BU0 , BU )~x,
y el segundo es
M (BV0 , BV )M (T, BU0 , BV0 )~x,
por tanto
M (T, BU , BV )M (BU0 , BU )~x = M (BV0 , BV )M (T, BU0 , BV0 )~x.
Ahora bien, el vector ~x en este razonamiento es arbitrario, de modo que la igualdad vectorial es en realidad
una igualdad matricial
M (T, BU , BV )M (BU0 , BU ) = M (BV0 , BV )M (T, BU0 , BV0 ).

38

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

De aqu despejamos la matriz que nos interesa,

M (T, BU0 , BV0 ) =
=

M (BV0 , BV )1 M (T, BU , BV )M (BU0 , BU )

M (BV , BV0 )M (T, BU , BV )M (BU0 , BU ).

Ejemplo. Para la aplicacion lineal T : U V , siendo U = R3 , V = R2 y las bases

BU = {(1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T },
BU0 = {(1, 0, 0)T , (1, 0, 1)T , (1, 1, 0)T },

BV = {(1, 0)T , (0, 1)T }

BV0 = {(1, 1)T , (0, 1)T },

se sabe que la matriz de T en las bases BU , BV es

1
M (T, BU , BV ) =
2

0 1
.
1 1

Entonces

M (T, BU0 , BV0 ) =

1
1
2

1 0
1 1

1 1
0 1
0 0
1 1
0 1

1
1 =?
0

Fijemonos entonces que una aplicacion lineal suele venir dada o bien en forma explcita, es decir,
dando su imagen para un vector generico, o bien, si hemos fijado bases, a traves de un producto matriz
por vector.
Por u
ltimo, la siguiente formula de dimensiones relaciona en su demostracion el n
ucleo y la imagen
de una aplicacion lineal con subespacios fundamentales de una cualquiera de sus matrices asociadas.
Teorema 3. Sean U y V espacios vectoriales de dimension finita sobre un mismo cuerpo K y T : U V
una aplicacion lineal. Entonces
dim(U ) = dimKer(T ) + dimIm(T ).
En efecto, si n = dim(U ), m = dim(V ) y fijamos bases cualesquiera en ambos espacios, sea A
Mm,n (K) la matriz de T en tales bases. Por un lado,
dimKer(T ) = dimKer(A) = n r,
siendo r el rango de la matriz A. Por otro lado,
dimIm(T ) = dimcol(A) = r,
de donde se obtiene la formula.
EJERCICIOS DEL TEMA 2

Ejercicio 1. Para los siguientes espacios vectoriales E sobre R, comprueba que el conjunto de vectores
dado es una base de dicho espacio (llamada base can
onica):
(1) E = Rn , B = {~e1 , , ~en }, ~ej vector de tama
no n con todas sus componentes nulas excepto la j-esima
que vale 1.
(2) E = Pn [X] (conjunto de polinomios de grado menor o igual que n y coeficientes reales), B =
{1, x, , xn }.

2.5. APLICACIONES LINEALES

39

(3) E = Mmxn (R) (conjunto de matrices de m filas y n columnas con elementos reales), B = {A1,1 , , Am,n }
con Ar,s = Ir,s (matriz de m filas y n columnas con todos sus elementos nulos excepto el 1 de la posicion
(r, s)).
(4) E = C n , B = {~e1 , , ~en , ~v1 , , ~vn } con ~vj el vector de n componentes, todas ellas nulas salvo la
j-esima que vale i y ~ej el del apartado (1).
Calcula la dimension de cada uno de ellos. Que bases canonicas se obtienen al considerar los anteriores
espacios vectoriales sobre C?.
Ejercicio 2. De los siguientes subconjuntos de R3 , identifica los que son subespacios vectoriales de R3 ,
razonando tu respuesta:
(a) {(x, y, z)T /y = 0}
(b) {(x, y, z)T /x = 0, y + z = 1}
(c) {(x, y, z)T /x = y, z = 2x}
Ejercicio 3. Cuales de los siguientes subconjuntos de R4 son subespacios? Cuando lo sean halla su
dimension y una base.
a) El conjunto de los vectores (x1 , x2 , x3 , x4 )T con x1 x3 x4 = 0.
b) El conjunto de los vectores (x1 , x2 , x3 , x4 )T que satisfacen x1 2x2 + 4x3 x4 = 0.
c) El conjunto de los vectores (x1 , x2 , x3 , x4 )T con x1 = 0 y x4 = 2.
Ejercicio 4. Si B = {~b1 , ~b2 , ~b3 }, con ~b1 = (1, 1, 0)T , ~b2 = (0, 1, 0)T , ~b3 = (1, 0, 1)T y B 0 = {b~0 1 , b~0 2 , b~0 3 },
con b~0 1 = (1, 2, 0)T , b~0 2 = (2, 1, 1)T , b~0 3 = (1, 1, 1)T , calcula M (~x, B 0 ) sabiendo que M (~x, B) =
(1, 1, 2)T .
Ejercicio 5. Determina una base y la dimension de V + W y V W donde V y W estan generados
respectivamente por los vectores x1 , . . . , xk e y1 , . . . , ym siguientes:
a) x1 = [1, 2, 1, 0]T , x2 = [1, 1, 1, 1]T , y1 = [2, 1, 0, 1]T , y2 = [1, 1, 3, 7]T .
b) x1 = [1, 2, 1, 2]T , x2 = [3, 1, 1, 1]T , x3 = [1, 0, 1, 1]T , y1 = [2, 5, 6, 5]T , y2 = [1, 2, 7, 3]T .
Ejercicio 6. En R4 se consideran los subespacios:
(i) F generado por a1 , a2 , a3 con
a1 = [1, 1, 1, 3]T , a2 = [3, 2, 3, 4]T , a3 = [1, 6, 1, 8]T .
(ii) G = {[x, y, z, t]T /y t = 0, 2y + 3t = 0}.
(iii) H generado por b1 , b2 , b3 con
b1 = [0, 1, 0, 0]T , b2 = [1, 0, 1, 2]T ,b3 = [2, 0, 0, 2]T .
Calcula ecuaciones, dimension y una base de los subespacios F , G, H, F + G, F + H, F H, F G.
Ejercicio 7. Determina si los siguientes conjuntos de vectores son libres o ligados en funcion del valor
del parametro a:
a) [1, 2, 4]T , [1, 2, a]T , [a, 8, 16]T , [1, 1, 5]T
b) [1, 1, 0, 1]T , [1, 2, 2, 1]T , [3, a, 2, 3]T
c) [1, 2, 1, 0]T , [1, 1, 1, 1]T , [a, 0, 1, 2]T , [0, 1, 1, 1]T .
Ejercicio 8. En el espacio de los polinomios de grado menor o igual que 2 se considera el subespacio
S generado por los polinomios 1 + 2x, 2 + x2 , 3 + 2x + x2 y 4 + 4x + x2 . Halla una base de S y da las
coordenadas del polinomio 3x2 4x + 4 en dicha base.

40

TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Ejercicio 9. Halla una base de los subespacios generados por los conjuntos de vectores siguientes, y
ampla dichas bases hasta obtener una base del espacio R4 :
a) [2, 1, 3, 0]T , [1, 0, 0, 2]T , [3, 1, 1, 1]T y [4, 1, 1, 2]T .
b) [2, 0, 1, 3]T , [1, 1, 0, 1]T , [0, 2, 1, 5]T y [3, 1, 2, 7]T .
Halla las coordenadas en las bases de R4 obtenidas en los apartados a) y b) del vector [1, 0, 2, 1]T .
Ejercicio 10. Sea P4 [X] el espacio vectorial de los polinomios de grado menor o igual que 4 con coeficientes reales.
(1) Demuestra que B = {1, x, x(x 1), x3 , x4 } es una base de P4 [X].
Sea W el subconjunto de P4 [X] definido por
W = {p(x) P4 [X]/p(1) = p(1) = 0}.
(2) Demuestra que W es un subespacio vectorial.
(3) Encuentra la dimension y una base de W .
(4) Completa dicha base a una de P4 [X], B.
(5) Halla la matriz de cambio de base M (B, B).
(6) Encuentra un subespacio V de P4 [X] tal que P4 [X] = W V .
Ejercicio 11. Se considera el polinomio P (x) = x4 + 2x3 x2 + x 1.
a) Demuestra que los polinomios P (x), P 0 (x), P 00 (x), P 000 (x) y P 0000 (x) forman una base del espacio
vectorial de los polinomios de grado menor o igual que 4.
b) Halla las coordenadas del polinomio 5x4 3x2 + 2x 4 en dicha base.
Ejercicio 12. Dado el subespacio S de R3 generado por los vectores (1, 0, 3)T , (2, 3, 1)T , determina
si el vector (0, 4, 6)T pertenece o no a este subespacio.
Ejercicio 13. Halla la
matrices siguientes:

1
2 0
1 1
A= 0
2 1 3

dimension y una base de los cuatro subespacios fundamentales asociados a las

1
1
2
0 , B = 1 2
2
1
2

0
1
3

2
1
7

1
i
0 , C = 1
2
0

i 0
1 0 .
0 1

Ejercicio 14. a) Construye una matriz cuyo espacio nulo este generado por (1, 0, 1)T .
b) Existe una matriz cuyo espacio fila contenga al vector (1, 1, 1)T y cuyo espacio nulo contenga al
vector (1, 0, 0)T .
Ejercicio 15. Determina el rango de los siguientes conjuntos de polinomios de grado menor o igual que
3:
p1 (x) = 1 + x + x2 + 2x3 , p2 (x) = 2 + 3x + 2x2 x3 ,
p3 (x) = 1 2x + 2x3 , p4 (x) = 4x + 6x2 + 6x3 .
Ejercicio 16. Sea T la aplicacion de R4 en R3 definida por
T ([x1 , x2 , x3 , x4 ]T ) = [x1 2x2 + x3 x4 , 2x1 x2 + x4 , 3x2 2x3 + 3x4 ]T
a) Comprueba que T es una transformacion lineal.
b) Halla la dimension y una base de Im(T ).
c) Halla la dimension y una base de Ker(T ).

2.5. APLICACIONES LINEALES

41

Ejercicio 17 Sea T la aplicacion de R3 en R2 definida por

T ((x, y, z)T ) = (2x + y, y z)T .
a) Comprueba que T es una transformacion lineal.
b) Halla la dimension y una base de Ker(T ) e Im(T ).
c) Dadas las bases {(1, 1, 1)T , (0, 1, 2)T , (0, 2, 1)T } de R3 y {(2, 1)T , (1, 0)T } de R2 , halla las correspondientes matrices de cambio de base y la matriz de la aplicacion en estas nuevas bases.
Ejercicio 18. Sea T la transformacion lineal de R3 definida por
T ([x1 , x2 , x3 ]T ) = [x1 x2 + x3 , 2x1 3x2 x3 , x1 + 4x2 + 5x3 ]T .
a) Halla la matriz de T en la base canonica de R3 .
b) Sean ~v1 = [1, 1, 0]T , ~v2 = [1, 3, 2]T y ~v3 = [3, 1, 2]T . Halla la matriz de T en la nueva base B 0 =
{~v1 , ~v2 , ~v3 }.
c) Demuestra que T es invertible y da una expresion para T 1 como la que definio a T .
Ejercicio 19. Determina una aplicacion lineal T : R4 R3 tal que Ker(T ) este generado por los
vectores (1, 0, 0, 1)T y (1, 3, 2, 0)T y tal que Im(T ) este generada por los vectores (1, 1, 1)T y (0, 2, 1)T .
Ejercicio 20. Se considera la aplicacion lineal de P4 [X] en R2 dada por:
T : P4 [X] R2
T (p) = (p(1), p(1))T .
a) Halla la matriz que representa a dicha aplicacion lineal en las bases canonicas de ambos espacios.
b) Halla una base de Ker(T ).
c) Se consideran las bases B = {1, x 1, x2 1, x(x2 1), x4 } de P4 [X] y B 0 = {(1, 1)T , (2, 1)T } de R2 .
Halla M (T, B, B 0 ).