Resumen:

Álgebra Lineal
Semestre 2018A

Yandira Cuvero
Departamento de Formación Básica
Escuela Politécnica Nacional
yandira.cuvero@epn.edu.ec
2
Capítulo 1

Aplicaciones Lineales

1.1. Definición
Definición 1.1. Sean (V, K, +, ·) y (W, K, +, ·) espacios vectoriales. La función
f: V −→ W
v 7−→ f (v)
se dice una aplicación lineal (transformación lineal) si se satisfacen las siguien-
tes condiciones:
f (u + v) = f (u) + f (v)
f (αv) = αf (v)
para todo α ∈ K y para todo u, v ∈ V .
Observaciones:
La aplicación lineal preserva la estructura algebraica (operaciones + y ·).
L(V, W ) nota al conjunto de todas las aplicaciones lineales de V en W .
En algunos textos se suele omitir los paréntesis que indican que elemento
se está evaluando, es decir, se escribe f u en lugar de f (u).

1.2. Propiedades: imagen y núcleo

Teorema 1.1. ∀f ∈ L(V, W ) se tiene que f (0v ) = 0w .
∀f ∈ L(V, W ) y ∀u ∈ V se tiene que f (−u) = −f (u).
∀f ∈ L(V, W ), ∀v1 , v2 , . . . , vn ∈ V y ∀α1 , α2 , . . . , αn ∈ K se tiene que
 
Xn
f αj vj  = f (α1 v1 + αn vn + · · · + αn vn ) (1.1)
j=1

= α1 f (v1 ) + α2 f (v2 ) + · · · + αn f (vn ) (1.2)

Xn
= αj f (vj ) (1.3)
j=1

3
4 CAPÍTULO 1. APLICACIONES LINEALES

Teorema 1.2. Sea (V, K, +, ·) un espacio de dimensión finita con base en B =

{v1 , v2 , . . . , vn }. Sean w1 , w2 , . . . , wn ∈ W .
Suponga que f, g ∈ L(V, W ) tales que f (vj ) = g(vj ) = wj con j ∈ {1, 2, . . . , n}.
Entonces,
∀v ∈ V f (v) = g(v) entonces f = g.
Teorema 1.3. Sea (V, K, +, ·) un espacio de dimensión finita con base en B =
{v1 , v2 , . . . , vn }. Sean W = {w1 , w2 , . . . , wn }.
Entonces existe una única transformación lineal f ∈ L(V, W ) tal que f (vj ) =
wj para j ∈ {1, 2, . . . , n}.
Definición 1.2. Sean (V, K, +, ·) y (W, K, +, ·) espacios vectoriales y sea f ∈
L(V, W ). Entonces definimos:
El núcleo de f , notado nu(f ) como:

nu(f ) = {v ∈ V : f (v) = 0}

La imagen de f , notada como im(f ) como:

im(f ) = {w ∈ W : w = f (v) para algún v ∈ V }

Teorema 1.4. Si f ∈ L(V, W ) entonces:

nu(f ) es un espacio vectorial.
im(f ) es un espacio vectorial.
Definición 1.3. Si f ∈ L(V, W ) entonces:

ν(f ) = dim nu(f ) ρ(f ) = dim im(f )

es decir, la nulidad es la dimensión del núcleo de f y el rango es la dimensión

de la imagen de f .

1.3. Representación matricial

Teorema 1.5. Sea f ∈ L(Rn , Rm ) existe Af ∈ Mm×n tal que

f (x) = (Af )(x) ∀x ∈ Rn

A esta matriz toma el nombre de matriz de transformación correspondiente

a f o representación matricial de f .
Teorema 1.6. Sea Af la matriz de transformación correspondiente a la trans-
formación lineal f , entonces:
1. im(f ) = im(A) = CAf
2. ρ(f ) = ρ(Af )
3. nu(f ) = NAf
4. ν(f ) = ν(Af )
1.3. REPRESENTACIÓN MATRICIAL 5

Teorema 1.7. Sean (V, K, +, ·) y (W, K, +, ·) espacios vectoriales de dimensión

finita n y m respectivamente y f ∈ L(V, W ).
Sea Bv = {v1 , v2 , . . . , vn } una base de V y sea Bw = {w1 , w2 , . . . , wn } una
base de W .
Entonces existe una matriz única Af ∈ Mm×n tal que

[f (u)]Bw = Af [u]Bv

Teorema 1.8. Sean (V, K, +, ·) y (W, K, +, ·) espacios vectoriales de dimensión

finita n y m respectivamente y f ∈ L(V, W ).
Sea Bv = {v1 , v2 , . . . , vn } una base de V y sea Bw = {w1 , w2 , . . . , wn } una
base de W .
Entonces existe una matriz única Af ∈ Mm×n tal que

[f (u)]Bw = Af [u]Bv

Teorema 1.9. Sea V y W espacios vectoriales de dimensión finita con dim(V ) =

n. Sea f : V → W una transformación lineal y sea Af una representación
matricial de f respecto a las bases Bv de V y Bw de W . Entonces:

ρ(f ) = ρ(Af )

ν(A) = ν(Af )

ν(A) + ρ(f ) = n

Teorema 1.10. Sea f : Rn → Rm una trasformación lineal. Suponga que C es

la matriz de transformación de f respecto a las bases estándar Sn y Sm en Rn
y Rm , respectivamente. Sea An la matriz de transición de Bn a la base Sn ∈ Rn
y sea Am la matriz de transición de Bm a la base Sm ∈ Rm . Si Af denota la
matriz de transformación de f respecto a las bases Bn , entonces

Af = A−1
m CAn

Teorema 1.11. Toda matriz elemental E de 2 × 2 es uno de los siguientes:

1. La representación matricial de una expresión a lo largo del eje x o y.

2. La representación matricial de una compresión a lo largo del eje x o y.

3. La representación matricial de una reflexión a lo largo del eje y = x.

4. La representación matricial de un corte a lo largo del eje x o y.

5. La representación matricial de una reflexión del eje x o y.

6. El producto de la representación matricial de una reflexión respecto al eje

x o y y la representación matricial de una expansión o compresión.

Teorema 1.12. Sea f : R2 → R2 una transformación lineal tal que su represen-

tación matricial es invertible. Entonces T se puede obtener como una sucesión
de expansiones, compresiones, cortes y reflexiones.
6 CAPÍTULO 1. APLICACIONES LINEALES

1.4. Isomorfismos
Definición 1.4. Sea f ∈ L(V, W ) entonces f es inyectiva si

f (v) = f (u) implica que u=v

es decir, si para todo v ∈ img(f ) existe un único u ∈ V .

Teorema 1.13. Sea f ∈ L(V, W ), entonces f es inyectiva si y solo si nu(f ) =

{0v }.

Definición 1.5. Sea f ∈ L(V, W ), f es sobreyectiva si ∀w ∈ W ∃v ∈ V tal

que f (v) = w, es decir, si img(f ) = W .

Teorema 1.14. Sea f ∈ L(V, W ) una transformación lineal y suponga que

dim(V ) = dim(W ) = n.

1. Si f es inyectiva entonces f es sobreyectiva.

2. Si f es sobreyectiva entonces f es inyectiva.

Teorema 1.15. Sea f ∈ L(V, W ), suponga que dim(V ) = n y dim(W ) = m.

Entonces

1. Si n > m, f no es inyectiva.

2. Si m > n, f no es sobreyectiva.

Definición 1.6. Sea f ∈ L(V, W ) entonces f es un isomorfismo si f es biyec-

tiva, es decir, si es inyectiva y sobreyectiva a la vez.

Definición 1.7. Espacios isomorfos

Teorema 1.16. Sea f : V → W un isomorfismo.

1. Si {v1 , v2 , . . . , vn } genera a V , entonces {f (v1 ), f (v2 ), . . . , f (vn )} genera

a W.

2. Si {v1 , v2 , . . . , vn } es linealmente independiente, entonces {f (v1 ), f (v2 ), . . . , f (vn )}

es linealmente independiente.

3. Si {v1 , v2 , . . . , vn } es base de V , entonces {f (v1 ), f (v2 ), . . . , f (vn )} es base

de W .

4. Si V es de dimensión finita, entonces W es de dimensión finita y dim(V ) =

dim(W ).

Teorema 1.17. Sean (V, K1 , +, ·) y (W, K2 , +·) dos espacios vectoriales de di-
mensión finita donde dim(V ) = dim(W ) y K1 = K2 , entonces V ∼ = W.
1.5. ISOMETRÍAS 7

1.5. Isometrías
Definición 1.8. Sean (V, K, +, ·) y (W, K, +·) dos espacios vectoriales con pro-
ducto interno y f ∈ L(V, W ) una isometría , entonces:

hf (u), f (v)i = hu, vi ∀u, v ∈ V

es decir, la isometría preserva los productos internos.

Teorema 1.18. Sea f : Rn → Rn una isometría.
1. Si {u1 , u2 , . . . , un } es un conjunto ortogonal entonces {f (u1 ), . . . , f (un )}
es un conjunto ortogonal.
2. f es un isomorfismo.
Definición 1.9. Se dice que dos espacios vectoriales V y W con el mismo con-
junto de escales son isometricamente isomorfos si existe f ∈ L(V, W ) que
sea una isometría y un isomorfismo.
Teorema 1.19. Dos espacios vectoriales reales de dimensión finita n con pro-
ducto interno son isometricamente isomorfos.
Índice alfabético

Espacios
isomorfos, 6
Isométricamente Isomorfos, 7

Imagen, 4
Inyectiva, 6
Isometría, 7
Isomorfismo, 6

Núcleo, 4
Nulidad, 4

Rango, 4

Sobreyectiva, 6