Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Varios son los objetivos de este tema. A diferencia de la lección anterior, que trataba de resolver
problemas concretos encontrando algoritmos apropiados para ello, aquı́ 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 números 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
geométrica. De esta forma, la palabra vector ha de entenderse en un sentido más general, como elemento
de un conjunto que tiene unas reglas operacionales determinadas. Ası́, 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 través de las
aplicaciones lineales.
El hecho de que estas dos operaciones entre vectores en el plano verifiquen una serie de reglas (véase la
definición 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
(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 α, β ∈ K,
α · (β · ~x) = (αβ) · ~x.
Ejemplos
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 21
(i) ~x + ~y ∈ W si ~x, ~y ∈ W .
(ii) λ~x ∈ W si λ ∈ K, ~x ∈ W .
Esto equivale a la siguiente condición: W es subespacio vectorial si y sólo si toda combinación lineal
de elementos de W es a su vez un elemento de W . En particular, el vector ~0 está en todo subespacio.
Ejemplos
(1) Para una matriz A ∈ Mm,n (K) el conjunto de soluciones del sistema lineal homogéneo A~x = ~0 es un
subespacio vectorial de Kn .
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 mı́nimo 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.
Si consideramos los vectores como flechas desde el origen, no es difı́cil visualizar la dependencia lineal
en el espacio tridimensional. Dos vectores son dependientes si están en la misma recta, y tres vectores
son dependientes si están 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 práctica
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 combinación 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 sı́ admiten tal propiedad;
son los llamados espacios vectoriales de generación finita. Por ejemplo, todo vector de R3 (x, y, z)T es
una combinación 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 generación finita,
pues todo vector de R3 puede escribirse como combinación lineal de un conjunto finito de vectores.
Vamos a restringirnos a partir de ahora a espacios vectoriales de generación 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 combinación lineal de los vectores de G.
Para poder describir completamente todos los vectores de un espacio vectorial, necesitaremos entonces
que éste admita un sistema de generadores. Sin embargo, no es suficiente con esto. Para ver el porqué,
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 combinación 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
o también como
El hecho de que un mismo vector se pueda escribir como combinación lineal de los tres vectores de más
de una forma da lugar a confusión. Ası́, necesitamos que los vectores del sistema generador que tomemos
verifiquen que cualquier vector se pueda escribir como combinación lineal de ellos sólo de una forma.
Siguiendo con el mismo ejemplo, observemos que si ahora tomamos el conjunto G0 = {~v1 , ~v2 }, éste
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 .
entonces se tiene
Teorema 2. Todas las bases de un espacio vectorial de generación finita V son finitas y poseen el mismo
número de elementos. Este número se denomina dimensión del e. v. V y se escribe dimK V .
Ejemplos.
(1) Bases canónicas (véase 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 . Además, son linealmente independientes, pues cualquier com-
binación lineal nula de ellos
genera un sistema lineal de tres ecuaciones trivial con λ1 = λ2 = λ3 = 0. De este modo, forman una base
de R3 llamada base canónica. Por tanto dimR R3 = 3.
24 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES
(2) En general, la base canónica de Rn como espacio vectorial sobre R es el conjunto de n vectores,
~e1 = (1, 0, 0, . . . , 0)T
~e2 = (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 canónica viene dada por los monomios
1, x, x2 , . . . , xn ,
de manera que dimR Pn [X] = n + 1, n = 0, 1, . . ..
Las siguientes propiedades establecen las formas para obtener bases de sistemas generadores y de
sistemas libres.
Por tanto, una base es un conjunto independiente máximo. No puede ser más grande porque entonces
perderı́a la independencia (propiedad 4 del Teorema 2). No puede ser menor porque entonces no generarı́a
todo el espacio (propiedad 1 del Teorema 2).
En términos generales, para determinar si un conjunto de vectores forma una base, hemos de com-
probar que es un sistema generador y que es un sistema libre. Sin embargo, los distintos resultados del
Teorema 2 tienen su aplicación a la hora de determinar bases de un espacio vectorial. En este sentido,
las propiedades 3 y 6 son bastante útiles cuando se conoce la dimensión del espacio en el que está uno
trabajando. Ası́, 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 número es exactamente la dimensión
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 25
Se dice que x1 , x2 , . . . , xn son las coordenadas del vector ~x respecto de la base B. Cuando se sobreentiende
cuál 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 canónica
Observemos que los vectores de B 0 se expresan con respecto a la base canónica B del siguiente modo:
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 .
Tenemos entonces dos expresiones de un mismo vector en la base B; deben por tanto coincidir. Entonces,
x01 − x03 = 1
x01 + x02 + x03 = 2
−x02 − x03 = 3.
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 está formada por las coordenadas del vector ~v1 en la base
B, la segunda columna está 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 dimensión 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 función de los de B, es decir,
Entonces, las coordenadas M (~x, B) = (x1 , x2 , . . . , xn )T vendrán, en función de las coordenadas M (~x, B 0 ) =
(x01 , x02 , . . . , x0n )T , dadas por las fórmulas
La matriz Q se llama matriz de cambio de base de B 0 a B y es una matriz invertible. Como ha mostrado
la construcción 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
Ejemplo. Supongamos que B = {~b1 , ~b2 , ~b3 }, con ~b1 = (1, −1, 0)T , ~b2 = (0, 1, 0)T , ~b3 = (1, 0, −1)T .
Supongamos también que B 0 = {b~0 1 , b~0 2 , b~0 3 }, con
Si ~x = ~b1 − ~b2 + 2~b3 , las coordenadas de ~x en B 0 (~x = αb~0 1 + β b~0 2 + γ b~0 3 ) satisfarán
1 1 1 0 α
−1 = −1 0 1 β ,
2 0 1 −1 γ
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 cuáles son los vectores en el subespacio, se dicen las propiedades que deben satisfacer. Generalmente
estas restricciones vienen dadas más o menos explı́citamente por un conjunto de ecuaciones lineales, de
modo que el subespacio queda descrito como el conjunto de soluciones de un sistema lineal homogéneo
A~x = ~0 y cada ecuación del sistema representa una restricción. 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 inspección, es necesario algún procedimiento
sistemático.
El método que aquı́ explicaremos está basado en el proceso de eliminación gaussiana de una matriz
A dado en el tema 1 y la matriz U escalonada superior que quedaba asociada a ésta al final del proceso.
Con este procedimiento vamos también a poder resolver los problemas 3 y 4 y el problema añadido de
cómo pasar de una representación de un subespacio a la otra.
Definición. Supongamos que reducimos una matriz A ∈ Mm,n (K) mediante operaciones elementales a
una matriz U de forma escalonada. Llamemos r al número de pivotes de U , de tal modo que las últimas
m − r filas de U son idénticamente nulas. A este número r se le llama rango de la matriz A.
Hay una relación entre el rango r y la independencia lineal: precisamente, r es el número de filas
linealmente independientes de la forma escalonada U .
Los subespacios fundamentales de una matriz A ∈ Mm,n (K) son los siguientes:
La relación entre los subespacios fundamentales de una matriz y los subespacios vectoriales es la siguiente:
si el subespacio viene dado por un sistema de generadores, será 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 escribirá como el espacio nulo o el espacio nulo por la izquierda de una
matriz, la del sistema homogéneo 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 tendrá que ver su forma escalonada obtenida por eliminación
gaussiana.
28 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES
1. Espacio fila de A. La eliminación actúa en A para producir una matriz escalonada U ; el espacio
fila de U se obtiene directamente: su dimensión es el rango r y sus filas distintas de cero constituyen
una base (pruébese). Ahora bien, cada operación elemental no altera el espacio fila, pues cada fila de
la matriz U es una combinación de las filas originales de A (razonar que para dos vectores cualesquiera
< ~v1 , ~v2 >=< ~v1 , ~v2 − α~v1 >, para todo escalar α). Como al mismo tiempo cada paso puede anularse
mediante una operación elemental, entonces
f il(A) = f il(U ),
por tanto, f il(A) tiene la misma dimensión 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. Podrı́amos
hacerlo, pero puede ser difı́cil decidir cuáles filas descartar; es más 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. Reducimos por eliminación gaussiana,
1 1 0 1 1 1 0 1 1 1 0 1
A = 1 2 2 1 → 0 1 2 0 → 0 1 2 0 = U.
3 4 2 3 0 1 2 0 0 0 0 0
Puesto que U tiene dos pivotes, r = 2, de modo que la dimensión 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 eliminación 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 sólo r son independientes,
especificadas precisamente por las r filas de U distintas de cero. Ası́, el espacio nulo de A tiene dimensión
n − r, que es el número 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 básicas por sustitución regresiva. Los n − r vectores ası́ 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 = 0
2x1 − 2x2 + x3 = 0
5x1 − 5x2 + 3x3 − 2x4 = 0
x1 + x3 = x2 + 2x4
x3 = 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. Podrı́amos 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 términos de los números originales
m, n y r.
Es importante destacar que A no tiene el mismo espacio columna que U . La eliminación gaus-
siana 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 razón es la siguiente: sabemos que A~x = ~0 si y sólo si U~x = ~0. Los dos sistemas son equivalentes y
tienen las mismas soluciones. En términos de multiplicación 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 válido 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. Ası́, tenemos:
La dimensión de col(A) es igual al rango r, que es la dimensión de f il(A): en cualquier matriz,
el número de filas independientes es igual al número de columnas independientes. Una base de col(A)
está formada por aquellas r columnas de A correspondientes, en U , a las columnas que contienen los
pivotes.
Para U , las columnas con pivote son la primera y la segunda, luego una base de col(A) está 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
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.
Explicado el procedimiento para obtener una base de un subespacio, resolvemos los problemas pendi-
entes.
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 2 1 1 2 1 1 2 1
3 2 1 0 −4 −2 0 −4 −2
→ →
4 0 0 0 −8 −4 0 0 0
−1 2 1 0 4 2 0 0 0
La dimensión del espacio fila es dos, luego de los cuatro vectores sólo 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
dimensión.
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 0 1 1 1 0 1 1 1 0 1
1 2 2 1 → 0 1 2 0 → 0 1 2 0 .
3 0 2 3 0 −3 2 0 0 0 8 0
Si añadimos una cuarta fila con un pivote, por ejemplo, (0, 0, 0, 1)T , tenemos que la dimensión 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 ésta se añade una fila con un vector genérico. Se reduce
la matriz ası́ formada por eliminación gaussiana, obligando a que se anule la última 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, añadiendo una tercera fila con un vector genérico
(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 está en el subespacio, la dimensión del espacio fila de la matriz ha de ser dos,
luego la última fila de la forma escalonada tiene que ser nula. Por tanto, el subespacio es
Al revés, 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.
W1 = {(x, y, z)T /x + y + z = 0}
W2 = {(x, y, z)T /x − z = 0}
el subespacio W1 ∩ W2 es
W1 ∩ W2 = {(x, y, z)T /x + y + z = 0, x − z = 0}
W1 = {(x, y, z)T /x + y = 0, z = 0}
W2 = {(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 está 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 sólo tiene en común 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 descomposición w~ =w ~1 + w
~ 2 de cualquier vector w~ de la suma que mencionábamos antes
son únicos: los vectores de W sólo pueden descomponerse de una forma. Además, 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 intersección, se tiene el siguiente resultado:
¡
µ
¡
¡
~v = (x, y) T~v = ( 12 x, 12 y) ¡T~v = (2x, 2y)
¡
¡
µ
¡ ¡
¡ ¡
¡ µ
¡
¡ ¡
¡ ¡ ¡
Desde el punto de vista algebraico, esto significa multiplicar cada componente del vector por una
constante λ ∈ R. Si 0 < λ < 1, el vector se reduce de tamaño, si λ > 1, aumenta. En el caso de que λ < 0,
el vector cambia además de sentido. Todo ello genera una transformación entre vectores (homotecia de
centro el origen y razón λ),
2 2
T : R
µ ¶→ R µ ¶
x λx
7−→ T (x, y) = .
y λy
2.5. APLICACIONES LINEALES 33
Éste es un primer ejemplo de una transformación lineal entre espacios vectoriales. Se dice que es lineal
por lo siguiente: si uno toma una combinación 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 combinación lineal a los vectores transformados. Fijémonos por último en que la aplicación
se puede escribir como el producto de una matriz por el vector genérico, en la forma
µ ¶ µ ¶ µ ¶µ ¶
x λx λ 0 x
7−→ T (x, y) = = .
y λy 0 λ y
El siguiente ejemplo tiene también su interpretación geométrica. Se trata de girar los vectores del
plano un ángulo determinado α.
¢̧
¢ T (~v )
¢
¢ ~v = (x, y)
¢ ©
*
¢ α © ©©
¢ ©©
¢ © θ
¢ ©
©
Para dar una expresión a esta tranformación entre vectores podemos hacer uso de los números com-
plejos que tratamos en el tema preliminar. Recordemos que un vector en el plano con base en el ori-
gen y coordenadas ~v = (x, y)T representa también el complejo p z = x + iy o, en forma trigonométrica
z = r cos θ + ir sin θ, donde x = r cos θ, y = r sin θ, r = |z| = x2 + y 2 y θ es el argumento principal de z.
Observemos entonces que un giro de ángulo α proporciona un nuevo vector, es decir, un nuevo complejo,
cuyo módulo es similar al del vector de inicio, mientras que uno de sus argumentos se obtiene sumando
α al argumento θ. De este modo, el nuevo complejo puede escribirse
T (z) = r cos (θ + α) + ir sin (θ + α),
es decir, el vector transformado tiene por coordenadas
T (~v ) = (r cos (θ + α), r sin (θ + α))T .
En términos de las componentes originales x e y, hay que tener en cuenta que x = r cos θ, y = r sin θ y
las relaciones
cos(θ + α) = cos(θ) cos(α) − sin(θ) sin(α),
sin(θ + α) = cos(θ) sin(α) + sin(θ) cos(α).
Podemos entonces escribir que
µ ¶µ ¶
cos α
T − sin α x
T (~v ) = T (x, y) = (x cos(α) − y sin(α), x sin(α) + y cos(α)) = ,
sin α cos α y
transformación que se expresa como producto de una matriz por el vector de salida. La aplicación
2 2
T : R
µ ¶→ R µ ¶µ ¶
x cos α − sin α x
7−→ T (x, y) =
y sin α cos α y
es lineal. Esto puede razonarse como antes. Si combinamos dos vectores y el vector resultante gira un
ángulo α, el resultado es el mismo que si primero giramos los vectores originales un ángulo α y luego
hacemos la combinación 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 añadir una cantidad fija a cada componente α, β 6= 0 de los vectores. Por
ejemplo, podemos generar la aplicación
T : R2 ¶→ R2
µ µ ¶
x x+1
7−→ T (x, y) = .
y y+1
Esta transformación no es lineal. Si, por ejemplo, sumamos dos vectores y a la suma se añade el vector
(α, β)T = (1, 1)T , el resultado no es el mismo que si primero añadimos (α, β)T = (1, 1)T a los vectores
originales y luego sumamos. Hay que observar también que esta transformación no puede escribirse como
producto matriz por vector.
Estos ejemplos pretenden mostrar que para que una aplicación entre espacios vectoriales sea lineal, su
actuación 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.
Esto es
Ejemplos.
[2] Para la aplicación lineal T : P4 [X] → P3 [X], T (p(x)) = p0 (x) se tiene que en las bases canónicas
BPc 4 [X] = {1, x, x2 , x3 , x4 }, BPc 3 [X] = {1, x, x2 , x3 },
la matriz de T es
0 1 0 0 0
0 0 2 0 0
M (T, BP4 [X] , BP3 [X] ) =
c c
0
.
0 0 3 0
0 0 0 0 4
Veamos cómo 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 canónica de P3 [X]. Estas coordenadas forman la segunda columna
de la matriz. Ası́ 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
(i) La matriz de una aplicación M (T, BU , BV ) tiene tantas filas como la dimensión del espacio de
llegada V y tantas columnas como la dimensión del espacio de partida U (véanse los ejemplos
anteriores).
(ii) La expresión de la matriz depende de las bases elegidas: si cambian las bases, cambia la matriz.
Insistiremos más adelante sobre ello.
(iii) En la práctica, fijadas bases en U y V , podemos expresar la aplicación 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. Ası́, en el ejemplo [1] anterior
x1
1 1 1 0
x2
T (x1 , x2 , x3 , x4 ) = 0 1 0 1
x3 ,
1 1 1 1
x4
a
0 1 0 0 0 0
0 0 2 0 0 a1
T (p(x)) = a2 ,
0 0 0 3 0
a3
0 0 0 0 4
a4
Ya hemos comentado que al cambiar las bases en los espacios vectoriales cambia la matriz de la apli-
cación lineal. Veamos cómo afectan los cambios de base. Consideremos una aplicación 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
M (T, BU , BV ) - VB T (~x)
UBU V
6 6
M (BU0 , BU ) M (BV0 , BV )
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 lección (coordenadas de un vector respecto a una base y cambio de base). Ası́, 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 aplicación 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.
Fijémonos 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 términos matriciales, el primer camino es
y el segundo es
por tanto
Ahora bien, el vector ~x en este razonamiento es arbitrario, de modo que la igualdad vectorial es en realidad
una igualdad matricial
BU = {(1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T }, BV = {(1, 0)T , (0, 1)T }
BU0 = {(1, 0, 0)T , (1, 0, 1)T , (1, 1, 0)T }, BV0 = {(1, −1)T , (0, 1)T },
Entonces
µ ¶−1 µ ¶ 1 1 1
1 0 −1 0 1
M (T, BU0 , BV0 ) = 0 0 1 =?
−1 1 2 −1 1
0 1 0
Fijémonos entonces que una aplicación lineal suele venir dada o bien en forma explı́cita, es decir,
dando su imagen para un vector genérico, o bien, si hemos fijado bases, a través de un producto matriz
por vector.
Por último, la siguiente fórmula de dimensiones relaciona en su demostración el núcleo y la imagen
de una aplicación lineal con subespacios fundamentales de una cualquiera de sus matrices asociadas.
dimKer(T ) = dimKer(A) = n − r,
dimIm(T ) = dimcol(A) = r,
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 canónica):
(1) E = Rn , B = {~e1 , · · · , ~en }, ~ej vector de tamaño n con todas sus componentes nulas excepto la j-ésima
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 posición
(r, s)).
(4) E = C n , B = {~e1 , · · · , ~en , ~v1 , · · · , ~vn } con ~vj el vector de n componentes, todas ellas nulas salvo la
j-ésima que vale i y ~ej el del apartado (1).
Calcula la dimensión de cada uno de ellos. ¿ Qué bases canónicas 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. ¿Cuáles de los siguientes subconjuntos de R4 son subespacios? Cuando lo sean halla su
dimensión 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 7. Determina si los siguientes conjuntos de vectores son libres o ligados en función del valor
del parámetro 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
amplı́a 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 coefi-
cientes 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 dimensión 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 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 dimensión y una base de los cuatro subespacios fundamentales asociados a las
matrices siguientes:
1 2 0 1 1 2 0 2 1 i −i 0
A= 0 1 1 0 , B = −1 −2 1 1 0 , C = 1 1 0 .
−2 −1 3 −2 1 2 −3 −7 −2 0 0 1
Ejercicio 14. a) Construye una matriz cuyo espacio nulo esté 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 19. Determina una aplicación lineal T : R4 → R3 tal que Ker(T ) esté generado por los
vectores (−1, 0, 0, 1)T y (1, 3, 2, 0)T y tal que Im(T ) esté generada por los vectores (1, 1, 1)T y (0, −2, 1)T .