Algrebra Lineal-Karla Lopez

KARLA CECICLIA LOPEZ SANCHEZ IGE 932
4. ESPACIOS VECTORIALES.
4.1. Definición de espacio vectorial.
Un espacio vectorial real V es un conjunto de objetos, denominados vectores,

junto con dos operaciones binarias llamadas suma y multiplicación por un
escalar y que satisfacen los diez axiomas enumerados a continuación.
Notación. Si “x” y “y” están en V y si a es un número real, entonces la suma se

escribe como
“x + y” y el producto escalar de a y x como ax.
Antes de presentar la lista de las propiedades que satisfacen los vectores en un

espacio vectorial deben mencionarse dos asuntos de importancia. En primer lugar,
mientras que puede ser útil pensar en R2 o R3 al manejar un espacio vectorial, con
frecuencia ocurre que el espacio vectorial parece ser muy diferente a estos
cómodos espacios (en breve tocaremos este tema). En segunda instancia, la
definición 1 ofrece una definición de un espacio vectorial real. La palabra “real”
significa que los escalares que se usan son números reales. Sería igualmente
sencillo definir un espacio vectorial complejo utilizando números complejos en
lugar de reales. Este libro está dedicado principalmente a espacios vectoriales
reales, pero las generalizaciones a otros conjuntos de escalares presentan muy
poca dificultad.
Axiomas de un espacio vectorial.
1- Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.
2- Para todo X, Y y Z en V, (x+y)+z = x(y+z).
3- Existe un vector |0 pertenece V tal que para todo X pertenece a V,

X+0=0+X=X.
4- Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.
5- Si X y Y están en V, entonces x+y=y+x.
6- Si x pertenece a V y a es un escalar, entonces ax pertenece a V.
7- Si X y Y están en V y a es un ecalar, entonces a(x+y)= ax + ay
8- Si X pertenece a V y a y b son escalares, entonces (a+b) x = ax+ by.
9- Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.
10- Para cada vector X pertenece a V, 1x = x.

4.2. Definición de subespacio vectorial y sus propiedades.
Sea H un subconjunto no vacío de un espacio vectorial V y suponga que H es en

sí un espacio vectorial bajo las operaciones de suma y multiplicación por un
escalar definidas en V. Entonces se dice que H es un sub espacio de V.
Existen múltiples ejemplos de subespacio, sin embargo, en primer lugar, se

demostrará un resultado que hace relativamente sencillo determinar si un
subconjunto de V es en realidad sub espacio de V
Teorema de subespacio
Un subconjunto no vacio de H de un espacio vectorial V es un sub espacio de V si

se cumplen las dos reglas de cerradura:
Reglas de cerradura para ver si un subconjunto no vació es un sub espacio
i) Si x € H y y € H, entonces x + y € H.
ii) Si x € H, entonces αx € H para todo escalar α.
Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura se

deberán cumplir. De lo contrario, para demostrar que es un espacio vectorial, se
deberá demostrar que los axiomas i) a x) de la definición cumplen bajo las
operaciones de suma de vectores y multiplicación por un escalar definidas en V.
Las dos operaciones de cerradura [axiomas i) y iv)] se cumplen por hipótesis,
como los vectores en H son también vectores en V, las identidades asociativa,
conmutativa, distributiva y multiplicativa [axiomas ii), v), vii), viii), ix) y x)] se
cumplen.
Este teorema demuestra que para probar si H es o no es un sub espacio de V, es

suficiente verificar que:
x + y y αX están en H cuando x y y están en H y α es un escalar.
PROPIEDADES DE SUB ESPACIO VECTORIAL
1). El vector cero de V está

en H.2
2). H es cerrado bajo la suma de vectores. Esto es, para cada u y v en
H, la suma u + v está en H.
3). H es cerrado bajo la multiplicación por escalares. Esto es, para cada
u en H y cada escalar c, el vector cu está en H

4.3. Combinación lineal. Independencia lineal.
COMBINACIÓN LINEAL
Sean v1, v2,…, vn, vectores en un espacio vectorial V. entonces cualquier vector de la
forma: a1v1+a2v2+…+anvn, donde a1, a2,…, an son escalares se denomina una
combinación lineal de v1, v2,…, vn.
Una combinación lineal en M23
Conjunto generador.
Se dice que los vectores v1, v2, …, vn de un espacio vectorial V generan a V si todo
vector en V se puede escribir como una combinación lineal de los mismos. Es decir, para
todo vÎV, existen escalares a1, a2, …, an tales que v=a1v1+a2v2+…+anvn
Cuatro vectores que generan a M22
Espacio generado por un conjunto de vectores.
Sean v, v2, …, vk, k vectores de un espacio vectorial V. el espacio generado por {v1, v2,
…, vk} es el conjunto de combinaciones lineales v1, v2, …, vk. Es decir
donde a1, a2, …, ak, son

escalares arbitrarios.
Teorema: si v1, v2, …, vk son vectores en un espacio vectorial V, entonces gen {v1, v2,
…, vk} es un subespacio de V.
Ejemplo: el espacio generado por dos vectores en R3
Sea v1= (2,-1,4) y v2= (4, 1,6). Entonces H=gen {v1, v2}={v:v=a1(2,-1,4)+a2(4,1, 6)}.
¿Cuál es la apariencia de H? si v=(x, y, z) ÎH, entonces tiene x=2a1+4a 2, y=-a1+a2 y
z=4a 1+6ª 2. Si se piensa que (x, y, z) esta fijo, entonces estas ecuaciones se pueden ver
como un sistema de tres ecuaciones con tres incógnitas a1, a2. Este sistema se resuelve
en la forma usual:
INDEPENDENCIA LINEAL
En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o
independencia lineal de los vectores. En esta sección se define el significado de
independencia lineal y se muestra su relación con la teoría de sistemas homogéneos de
ecuaciones y determinantes.
Existe una relación espacial entre los vectores , se puede

apreciar que v2=2v1; o si se escribe esta ecuación de otra manera. 2v1-v2=0.
En otras palabras, el vector cero se puede escribir como una combinación no trivial de v1
y v2 (es decir, donde los coeficientes en la combinación lineal no son ambos cero). ¿Qué
tienen de especial los vectores ? La

respuesta a esta pregunta es más difícil a simple vista. Sin embargo, es sencillo verificar
que v3=3v1+2v2; rescribiendo esto se obtiene .
Se ha escrito el vector cero como una combinación lineal de v1, v2, y v3. Parece que los
dos vectores de la ecuación y los tres vectores de la otra ecuación tienen una relación
más cercana que un par arbitrario de 2-vectores a una terna arbitraria de 3-vectores. En
cada caso, se dice que los vectores son linealmente dependientes. En términos
generales, se tiene la importante definición a continuación presentada.
Definición: sean v1, v2,…, vn vectores en un espacio vectorial V. entonces se dice que
lois vectores son linealmente dependientes si existen n escalares c1, c2,…, cn no todos
ceros tales que .
Si los vectores no son linealmente dependientes, se dice que son linealmente

independientes.
Para decirlo de otra forma, v1, v2,.., vn son linealmente independientes si la ecuación
c1v1+c2v2+…+cnvn=0 se cumple únicamente para c1=c2=…=cn=0. Son linealmente
dependientes si el vector cero en V se puede expresar como una combinación lineal de
v1, v2,…, vn con coeficientes no todos iguales a cero.
Nota. Se dice que los vectores v1, v2,…, vn son linealmente independientes (o
dependientes), o que el conjunto de vectores {v1, v2,…, vn} es linealmente independiente
(o pendiente). Esto es, se usan las dos frases indistintamente.
Teorema: dependencia e independencia lineal
Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de

ellos es un múltiplo escalar del otro.
Demostración: primero suponga que v2=cv1 para algún escalar c≠0. Entonces cv1-v2=0 y
v1 y v2 son linealmente dependientes. Por otro parte, suponga que v1 y v2 son
linealmente dependientes. Entonces existen constantes c1 y c2 al menos uno distinto a
cero, tales que c1v1+c2v2=0. Si c1≠0, entonces dividiendo entre c1 se obtiene v1+ (c2/c1)
v2=0, o sea,
Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo tanto,

v2=0=0v1.
4.4. Base y dimensión de un espacio vectorial, cambio de base.

Ha visto en R2 conviene escribir vectores como una combinación lineal de los
vectores . En R3 se escribieron los vectores en términos
de . Ahora se generalizara esta idea.
BASE Un conjunto finito de vectores es una base para un
espacio vectorial V si
Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn.
En Rn se define
Puesto que los vectores e, son las columnas d una matriz identidad (que tiene
determinante 1), es un conjunto linealmente independiente y,

por lo tanto, constituye una base en Rn. Esta base especial se denomina base
canónica en Rn. Ahora se encontraran bases para otros espacios.
EJEMPLO: base canónica para M22
Se vio que generan

a
, entonces es evidentemente que . Así, estas cuatro

matrices son linealmente independientes y forman una base para M22, lo que se
denomina base canónica para M22.
TEOREMA: si es una base para V y si vÎV, entonces existe un

conjunto único de escalares tales que
Existe cuando menos un conjunto de dichos escalares porque

genera a V. suponga entonces que v se puede escribir e dos maneras como una
combinación lineal de los vectores de la base.
Es decir, suponga que
Sea dos bases para V. debe

demostrarse que m=n. esto se prueba mostrando que si m>n, entonces S es un
conjunto literalmente independiente, lo que contradice la hipótesis de que S es una
base. Esto demostrara que m≤n. la misma prueba demostrara que ≤m y esto
prueba el teorema. Así, basta demostrar que si m>n, entonces S es
independiente. Como S constituye una base, todo u se puede expresar como una
combinación lineal de las v. se tiene (1)
TEOREMA: suponga que dimV=n. si
Entonces, restando se obtiene la ecuación

pero como los v son linealmente
independientes, esta ecuación se cumple si y solo si
Así, y el teorema queda demostrado.
TEOREMA: si son bases en un espacio

vectorial V, entonces m=n; es decir, cualesquiera dos bases en un espacio
vectorial V tienen el mismo número de vectores.
Para demostrar que S es dependiente, deben encontrarse escalares
No todos cero, tales que (2)
Sustituyendo (1) en (2) se obtiene (3)
La ecuación (3) se puede reescribir como

Pero como son linealmente independientes, se debe tener (5)
El sistema (5) es un sistema homogéneo de n ecuaciones con las m incógnitas

y como m>n, el teorema dice que el sistema tiene un número
infinito de soluciones. De esta forma, existen escalares no todos
cero, tales que (2) se satisface y, por lo tanto, S es un conjunto linealmente
dependiente. Esta contradicción prueba que m≤n si se cambian los papeles de S1
y S2, se demuestra que n≤m y la prueba queda completa.
Por este teorema se puede definir uno de los conceptos centrales en el álgebra
lineal.
DIMENSIÓN
Si el espacio vectorial V tiene una base con un número finito de elementos,
entonces la dimensión de V es el número de vectores en todas las bases y V se
denomina espacio vectorial de dimensión finita. De otra manera, V se denomina
espacio vectorial de dimensión infinita. Si V= {0}, entonces se dice que V tiene
dimensión cero.
Notación. La dimensión V se denota por dimV.
EJEMPLO: la dimensión de Mmn

En Mmn sea A la matriz de mxn con un uno en la posición ij y cero en otra parte.
Es sencillo demostrar que las matrices a para i=1,2,…, m y j=1,2,…, n forman una
base para Mmn. Así, dimMmn=mn.
TEOREMA: suponga que dimV=n. si es un conjunto de m

vectores linealmente independientes en V, entonces m≤n.
Sea entonces, igual que la prueba del teorema, se pueden

encontrar constantes no todas cero, tales que la ecuación (2) se
satisface. Esto contradice la independencia lineal de los vectores u. así, m≤n.
TEOREMA: sea H un subespacio de un espacio vectorial de dimensión finita V.
entonces H tiene dimensión finita y (6)
Sea dimV=n. cualquier conjunto de vectores linealmente independientes en H es

también linealmente independiente en V. por el teorema anterior, cualquier
conjunto linealmente independiente en H puede contener a lis más n vectores. Si
H={0}, entonces dimH=0. Si dimH≠{0}, sea v≠0 un vector en H y H=gen{v}. Si H=H,
dimH=1 y la prueba queda completa. De lo contrario, elija a vÎH tal que vÏH y sea
H=gen{v1,v2}, y así sucesivamente. Continuamos hasta encontrar vectores
linealmente independientes tales que H=gen{ }.

El proceso tiene que terminar porque se pueden encontrar a lo más n vectores
linealmente independientes en H. entonces H-k≤n.
EJEMPLO: una base para el espacio de solución de un sistema homogéneo

Encuentre una base (y la dimensión) para el espacio de solución S del sistema
homogéneo
SOLUCIÓN: aquí . Como A es una matriz de 2x3, S es un

subespacio de R3. Reduciendo por renglones, se encuentra, sucesivamente,
Entonces y=z y x=-z de manera que todas las soluciones son de la forma
.Así, es una base para S y dimS=1. Obsérvese que S es el conjunto de

vectores que se encuentran en la recta x=-t, y=t, z=t.
TEOREMA: cualquier conjunto de n vectores linealmente independientes en un
espacio vectorial V de dimensión n constituyen una base apara V.
Sean , n vector. Si generan el espacio V, entonces constituyen
una base. De lo contrario, existe un vector uÎV tal que uÏgen .
Esto significa que los n+1 vectores , u donde linealmente

independientes. Para ver esto observe que si
(8)
Entonces porque de lo contrario podríamos escribir u como una
combinación lineal de dividiendo la ecuación (8) entre y
poniendo todos los términos, excepto u, en el lado derecho. Pero si
entonces (8) es

Lo que significa que ya que los v son linealmente
independientes. Ahora sea W=gen{ ,u}. como todos los vectores
entre las llaves están en V, W es un subespacio de V. como ,u

son linealmente independientes, forman una base para W, y dimW=n+1. Pero por
el teorema, dimW≤n. esta contradicción muestra que no existe el vector uÎV tal que
uÏgen{ }. Así, genera a V y, por lo tanto, constituye

una base para V.
CAMBIO DE BASE
En R2 se expresaron vectores en términos de la base canónica
. En Rn se definió la base canónica . En Pn
se definió la base estándar como . Estas bases se usan

ampliamente por la sencillez que ofrecen a la hora de trabajar con ellas. Pero en
ocasiones ocurre que es más conveniente alguna otra base. Existe un número
infinito de bases para elegir, ya que en un espacio vectorial de dimensión n,
cualquier n vector, linealmente independiente, forman una base. En esta sección
se vera como cambiar de una base a otra mediante el cálculo de cierta matriz.
Iniciaremos por un ejemplo sencillo. Sean u . Entonces,
es la base canónica en R2. Sean Como

v1 y v2 son linealmente independientes (porque v1 no es un múltiplo de v2),
es una segunda base en R2. Sea un vector en R2.
Esta notación significa que
Es decir, x está expresando en términos de los vectores de la base B. para hacer
hincapié en este hecho, se escribe Como B es otra base en R2,

existen escalares c1 y c2 tales que (1) Una vez que se
encuentran estos escalares. Se puede escribir para indicar que x

esta ahora expresado en términos de los vectores en B. para encontrar los
números c1 y c2, se escribe la base anterior en términos de la nueva base. Es
sencillo verificar que (2)
y es decir,
Entonces,
Así, de (1),
o
Por ejemplo, si
entonces
4.5. Espacio vectorial con producto interno y sus propiedades.

Un espacio vectorial complejo V se denomina espacio con producto interno si para
cada par ordenado de vectores u y v en V, existe un numero complejo único (u, v),
denominado producto interno de u y v, tal que si u, v y w están en V y αϵC,
entonces
La barra es las condiciones v) y vii) denota el conjugado complejo.

Nota. Si (u, v) es real, entonces (u,v)=(u,v) y se puede eliminar la barra en v).
EJEMPLO: producto interno de dos vectores en C3

En C3 sean x= (1+i, -3, 4-3i) y y= (2-i, -i, 2+i). Entonces
Sea V un espacio con producto interno y suponga que u y v están en V. entonces
Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar confusión con
el valor absoluto. Por ejemplo ǁsen tǁ denota la norma de sen t como un “vector”
en C[0, 2π] mientras que |sen t| denota el valor absoluto de la función sen t.
Nota 2. La ecuación anterior tiene sentido ya que (u, u)≥0.
EJEMPLO: dos vectores ortogonales en C2

En C2 los vectores (3,-i) y (2,6i) son ortogonales porque
Conjunto ortonormal
El conjunto de vectores es un conjunto ortonormal en V si
y
Si solo el primero se cumple, se dice que el conjunto es ortonormal.
TEOREMA: cualquier conjunto finito de vectores ortonormales diferentes de cero

en un espacio con producto interno es linealmente independiente.
TEOREMA: cualquier conjunto finito linealmente independiente en un espacio con

producto interno se puede convertir en un conjunto ortonormal mediante el
proceso de Gram-Schmidt. En particular, cualquier espacio con producto interno
tiene una base ortonormal.
Proyección ortogonal
Sea H un subespacio del espacio con producto interno V con base ortonormal
Si vϵV, entonces la proyección ortonormal de v sobre H denotada por proyHv está
dada por (6)
Las demostraciones de los siguientes teoremas son idénticas a sus contrapartes

en Rn.
TEOREMA: sea H un subespacio de dimensión finita con producto interno V.
suponga que H tiene dos bases ortonormales

Sea vϵV. entonces
Complemento ortogonal
Sea H un subespacio del espacio con producto interno V. entonces el
complemento ortogonal de H, denotado por H, está dado por (7)
TEOREMA: si H es un subespacio del espacio con producto interno V, entonces

TEOREMA DE PROYECCIÓN: sea H un subespacio de dimensión finita del

espacio con producto interno V y suponga que vϵV. entonces existe un par único
de vectores h y p tales que hϵH, pϵH, y (8) v=h+p donde h=proyHv.
Si V tiene dimensión finita, entonces p=proyHv.
TEOREMA: sea A una matriz de nxn; entonces A tiene vectores propios

linealmente independientes si y solo si multiplicidad geométrica de cada valor
propio es igual a su multiplicidades algebraica. En particular, A tiene n vectores
propios linealmente independientes si todos los valores propios son distintos (ya
que entonces la multiplicidad algebraica de cada valor propio es 1).
4.6. Base ortonormal, proceso de ortonormalización de Gram-Schmidt.

En álgebra lineal, el proceso de ortonormalización de Gram–Schmidt es
un algoritmo para construir, a partir de un conjunto de vectores linealmente
independientes de un espacio prehilbertiano (usualmente, el espacio
elucídelo Rn), otro conjunto ortonormal de vectores que genere el mismo
subespacio vectorial.
El proceso se basa en un resultado de la geometría elucídela, el cual establece
que la diferencia entre un vector y su proyección sobre otro, es perpendicular al
primero. Dicho resultado constituye una herramienta para construir, a partir de un
conjunto de dos vectores no paralelos, otro conjunto, conformado por dos vectores
perpendiculares.
Este algoritmo recibe su nombre de los matemáticos Jørgen Pedersen
Gram y Erhard Schmidt.
Interpretación Geométrica
En el espacio elucídelo (R3, ·) con
el producto escalar usual definido,
se propone un método para
encontrar un sistema de vectores,
perpendiculares entre sí, a partir de
tres vectores
no coplanarios cualesquiera.
Sean v1, v2, v3 dichos vectores.
El método consiste de dos
proyecciones. La base ortogonal
de R3 compuesta por u1, u2, u3, se calcula de la siguiente manera.
Se escoge arbitrariamente uno de los vectores dados, por ejemplo u1 = v1.
u2 se calcula como la diferencia entre v2 y el vector que resulta de proyectar
a v2 sobre u1. Dicha diferencia es perpendicular a u1. Es equivalente afirmar
que u2 es la diferencia entre v2 y el vector que resulta de proyectar a v2 sobre la
recta que genera u1. u3 es la diferencia entre v3 y el vector que resulta de
proyectar a v3 sobre el plano generado por u1 y u2. La diferencia de vectores
tiene como resultado otro vector que es perpendicular al plano.
Esta sencilla interpretación del algoritmo para un caso que puede verse es
susceptible de generalización a espacios vectoriales de dimensión arbitraria, con
productos internos definidos, no necesariamente canónicos. Dicha generalización
no es otra que el proceso de Gram-Schmidt.
Descripción del Algoritmo de Ortonormalizacion de Gram-Schmidt
El método de Gram-Schmidt se usa para hallar bases ortogonales de cualquier
base no elucídela.
En primer lugar tenemos que:
Es un vector ortogonal a . Entonces, dados los vectores , se define:

Generalizando en k:
A partir de las propiedades del producto escalar, es sencillo probar que el conjunto
de vectores es ortogonal.

Proposición 1
Si
Es un conjunto de vectores linealmente independientes, los
vectores u1, u1,... uk definidos por
Son todos no nulos. Dicho de otra manera, para cada k,
Proposición 2
El conjunto
Está constituido por vectores mutuamente ortogonales.
5. TRANSFORMACIONES LINEALES.
5.1. Introducción a las transformaciones lineales.
Definición: Las transformaciones lineales son las funciones y tratan sobre K-
espacios vectoriales que son compatibles con la estructura (es
decir, con la operación y la acción) de estos espacios.
Aquí se presentan las funciones entre espacios vectoriales que preservan las
cualidades de los
espacios vectoriales. Es decir, de funciones que preservan la suma y la
multiplicación por escalares.
Nosotros usaremos el concepto de la función para darle un tratamiento a los

sistemas de ecuaciones lineales. La restricción que haremos será sobre el tipo de

funciones: solo estaremos interesados en funciones que preserven las
operaciones en el espacio vectorial. Este tipo de funciones serán llamadas
funciones lineales. Primeramente las definiremos, veremos algunas propiedades
generales y después veremos como se aplican estos resultados a sistemas de
ecuaciones.
Sean V y W dos espacios vectoriales posiblemente iguales.

Una transformación lineal o mapeo lineal de V a W es una función
T: V → W tal que para todos los vectores u y v de V y cualquier escalar c:
a) T (u + v) = T (u) + T (v)
b) T (c u) = c T (u)
Demuestre que la transformación T: R2 →R2 definida por

Es lineal.

Entonces:

Por otro lado, para todo escalar c,

Como se cumplen las dos condiciones:

T es lineal.
Una transformación lineal preserva combinaciones lineales. Veremos que, debido

a esto, una transformación lineal queda unívoca-mente determinada por los
valores que toma en los elementos de una base cualquiera de su dominio.
Teniendo en cuenta que las transformaciones lineales son funciones entre

conjuntos, tiene sentido estudiar la validez de las propiedades usuales de
funciones: inyectividad, suryectividad y biyectividad.
Las transformaciones lineales que verifican alguna de estas propiedades reciben

nombres particulares:
Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f: V → W una
transformación lineal. Se dice que:
1. f es un monomorfismo si f es inyectiva.
2. f es un epimorfismo si f es suryectiva.
3. f es un isomorfismo si f es biyectiva.
En algunos casos, consideraremos transformaciones lineales de un K-espacio

vectorial en s ́ı mismo:
Sea V un K-espacio vectorial. Una transformación lineal f: V → V se llama un
endomorfismo de V . Si f es un endomorfismo que es además un isomorfismo,
entonces se dice que es un automorfismo.
5.2. Núcleo e imagen de una transformación lineal.
Teorema 1
Sea T: V S W una transformación lineal. Entonces para todos los vectores u, v, v1,
v2,. . ., vn en V y todos los escalares a1, a2,. . ., an:
i. T (0) = 0
ii. T (u - v) = Tu - Tv
iii. T (a1v1 + a2v2 + . . . + anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn
Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que el 0 de
la
Derecha es el vector cero en W.

Teorema 2
Sea V un espacio vectorial de dimensión finita con base B = {v1, v2,. . ., vn}.

Sean w1,
w2,. . ., wn vectores en W. Suponga que T1 y T2 son dos transformaciones

lineales de V
En W tales que T1vi = T2vi = wi para i = 1, 2, . . . , n. Entonces para cualquier

vector v ∈
V, T1v = T2v; es decir T1 = T2.
Ejemplo
Definición 1 Núcleo e imagen de una transformación lineal
Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal.

Entonces
i . El núcleo de T, denotado por un, está dado por
ii. La imagen de T, denotado por Im T, está dado por

Observación 1. Observe que un T es no vacio porque, de acuerdo al teorema 1, T

(0) = 0 de manera que 0 ϵ un T para cualquier transformación lineal T. Se tiene
interés en encontrar otros vectores en V que “se transformen en 0”. De nuevo,
observe que cuando escribimos T (0) = 0, el 0 de la izquierda está en V y el de la
derecha en W.
Observación 2. La imagen de T es simplemente el conjunto de “imágenes” de los

vectores en V bajo la transformación T. De hecho, si w = Tv, se dice que w es la
imagen de v bajo T.
Antes de dar ejemplos de núcleos e imágenes, se demostrará un teorema de gran

utilidad.
Teorema 4
Si T: V W es una transformación lineal, entonces
i.Un T es un subespacio de V.
ii.Im T es un subespacio de W.
Demostración
i.Sean u y v en un T; Entonces T (u + v) = Tu + Tv =0 + 0 =0 y T ( ) = = 0 = 0 de
forma que u + v y ∝u están en un T.
ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V.

Esto significa que T (u + v)= Tu + Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w +
x y ∝w están en Im T.
Ejemplo 3. Núcleo e imagen de la transformación cero
Sea Tv = 0 para todo vϵ V (T es la transformación cero). Entonnes un T = v e Im T

= {0}.

Ejemplo 4 Núcleo e imagen de la transformación identidad
Sea Tv = v para vϵ V (T es la transformación identidad). Entonnes un T= {0} e Im T

= V.
Las transformaciones cero e identidad proporcionan dos extremos. En la primera

todo se encuentra en el núcleo. En la segunda sólo el vector cero se
encuentra en el núcleo. Los casos intermedios son más interesantes.
Ejemplo 5 Núcleo e imagen de un operador de proyección
Sea T:R3 R3 definida por
T es el operador de proyección de R3 en el plano xy.
Entonces x = y = 0. Así, nu T = {(x, y, z): x = y = 0, zϵR}, es decir, el eje z, e Im T

= {(x, y, z): z = 0}, es decir el plano xy. Observe que dim un T = 1 y dim Im T = 2.
Definición 2 Nulidad y rango de una transformación lineal
Si T es una transformación lineal de v en w, entonces se define.
Toda matriz A de m*n da lugar a una transformación lineal T: R´´ R´´´ definida por

Tx = Ax. Es evidente que un T = NA, Im T = Im A = CA, v (T) = v(A) y p (T) = p(A).
Entonces se ve que las definiciones de núcleo, imagen, nulidad y rango de una
transformación lineal son extensiones del espacio nulo, la imagen, la nulidad y el
rango de una matriz.
5.3. La matriz de una transformación lineal.

Si A es una matriz de m*n y T: Rn-Rm está definida por Tx = Ax, entonces, T es
una transformación lineal. Ahora se verá que para toda transformación lineal de
Rn en Rm existe una matriz A de m*n tal que Tx = Ax para todo x ϵ Rn. Este
hecho es de gran utilidad. Si Tx = Ax. Entonces un T = NA e Im T = RA. Más aun,
v (T) = dim un T = v(A) y p (T) = dim Im T = p(A). Así se puede determinar el
núcleo, la imagen, la nulidad y el rango de una transformación lineal de Rn-
Rm determinando el espacio nulo y la imagen de la matriz correspondiente.
Adicionalmente, una vez que se sabe que Tx = Ax. Se puede evaluar Tx para
cualquier x en Rn mediante una simple multiplicación de matrices.
Pero esto no es todo. Como se verá, cualquier transformación lineal entre
espacios vectoriales de dimensión finita se puede representar mediante una
matriz.
Teorema 1
Sea T: Rn -Rm una transformación lineal. Existe entonces una matriz única de
m*n, AT tal que
Demostración
Sea w1 = Te1, w2 = Te2,…., wn = Ten. Sea AT la matriz cuyas columnas son w1,
w2,…., wn y hagamos que AT denote también a la transformación de Rn-Rm, que
multiplica un vector en Rn por AT. Si
Entonces
De esta forma, ATei = wi para i = 1,2,….n., T y la transformación AT son las

mismas porque coinciden en los vectores básicos.
Ahora se puede demostrar que AT es única. Suponga que Tx = ATx y que Tx =
BTx para todo x ϵ Rn. Entonces ATx = BTx, o estableciendo CT= AT – BT, se tiene
que CTx = 0 para todo x ϵ Rn. En particular, CTei es la columna i de CT. Así, cada
una de las n columnas de CT es el m-vector cero, la matriz cero de m*n. Esto
muestra que AT = BT y el teorema queda demostrado.
Definición 1 Matriz de transformación

La matriz AT en el teorema 1 se denomina matriz de transformación
correspondiente a T o representación matricial de T.
NOTA. La matriz de transformación AT está definida usando las bases estándar

tanto en Rn como en R3. Si se utilizan otras bases, se obtendrá una matriz de
transformación diferente.
TEOREMA 2 sea AT la matriz de transformación correspondiente a la

transformación lineal T. entonces.
i. Im T = Im A = CAT
ii. P (T) = p(AT)
iii. Un T = NAT
iv. v (T) = v (AT
Ejemplo 1 Representación matricial de una transformación de proyección
Encuentre la matriz de transformación AT correspondiente a la proyección de un
vector en R3 sobre el plano xy.
Solución
Teorema 4
Sean V y W espacios vectoriales de dimensión finita con dim V = n. sea T:V-W una
transformación lineal y sea AT una representación matricial de T respecto a las
bases B1 en V y B2 en W. entonces
i. p (T) =p (AT) ii. V(A) = v (AT) iii. V(a) + p (T) = n
Teorema 5 Sea T: Rn-Rm una transformación lineal. Suponga que C es la matriz

de transformación de T respecto a las bases estándar Sn y Sm en Rn y Rm,
respectivamente. Sea A1 la matriz de transición de B2 a base Sm en Rm. Si
AT denota la matriz de transformación de T respecto a las bases B1 y B2,
entonces.
Geometría de las transformaciones lineales de R2 en R2.

Sea T: R2-R2 una transformación lineal con representación matricial AT Ahora de

demostrará que si AT es invertible, entonces T se puede escribir como una
sucesión de una o más transformaciones especiales, denominadas expansiones,
compresiones, reflexiones y cortes.
Expansiones a lo largo de los ejes x o y

Una expansión a lo largo del eje x es una transformación lineal que multiplica a la
coordenada x de un vector en R2 por una constante C >1. Esto es
De manera similar, una expansión a lo largo del eje y es una transformación lineal
que multiplica la coordenada y de todo vector en R2 por una constante C>1. Como
antes,
Entonces la representación matricial de T es de manera que

a) se comienza con este rectángulo.

b) Expansión en la dirección de x c = 2.
c) Expansión en la dirección de y con c = 4.
Compresión a lo largo de los ejes x o y.

Una compresión a lo largo de los ejes x o y es una transformación lineal que
multiplica ala coordenada x o y de un vector en R2 por una constante positiva
0<c<1, mientras que para la expansión c<1.
a) se comienza con este rectángulo.

b) Compresión a lo largo del eje x con c =1/3.
c) Compresión a lo largo del eje x con c=1/2.
5.4. Aplicación de las transformaciones lineales: reflexión, dilatación,

contracción y rotación.
Reflexión sobre el eje x
En este caso, queremos averiguar como está definida la transformación T de R2
en R2 que cada vector lo refleja sobre el eje x,
para obtener un vector
En una gráfica, vemos la situación como sigue:
En este caso, la situación es más sencilla ya que claramente tenemos dos

triángulos rectángulos que son congruentes, de donde T queda definida como
sigue:
Esta transformación se llama la reflexión sobre el eje x, y es lineal, ya que:

Ejemplo dilatación o expansión
Una dilatación es una transformación que incrementa distancias.
Sea V= (2 4) encontrara la expansión vertical cuando K=2

Expansión horizontal (k71) o contracción (0<k<1)
Expansión vertical (k71) o contracción (0<k<1)
Ejemplo contracción
Una contracción es una transformación que decrece distancias. Bajo una

contracción, cualquier par de puntos es enviado a otro par a distancia
estrictamente menor que la original.
Sea V= (2 4) encontrara la contracción horizontal cuando K=1/2

Haciendo la gráfica el punto disminuye en el eje horizontal.
Rotación por un ángulo
Sea un ángulo medido en radianes. Queremos

averiguar cuál es la transformación T de R2 en R2 que gira cada
vector un ángulo , para obtener un vector
En una gráfica, vemos la situación como sigue:
Si usamos las funciones trigonométricas, tenemos que:

Distribuyendo y usando el hecho de que
y tenemos que:
Por lo tanto, ya descubrimos cómo debe estar definida la
transformación tal
que
Esta transformación se llama la rotación por un ángulo y es lineal, ya que:

Algrebra Lineal-Karla Lopez

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algrebra Lineal-Karla Lopez

Cargado por

Copyright:

Formatos disponibles

KARLA CECICLIA LOPEZ SANCHEZ IGE 932

Un espacio vectorial real V es un conjunto de objetos, denominados vectores,

Notación. Si “x” y “y” están en V y si a es un número real, entonces la suma se

“x + y” y el producto escalar de a y x como ax.

Antes de presentar la lista de las propiedades que satisfacen los vectores en un

Axiomas de un espacio vectorial.

1- Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.

2- Para todo X, Y y Z en V, (x+y)+z = x(y+z).

3- Existe un vector |0 pertenece V tal que para todo X pertenece a V,

4- Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.

5- Si X y Y están en V, entonces x+y=y+x.

6- Si x pertenece a V y a es un escalar, entonces ax pertenece a V.

7- Si X y Y están en V y a es un ecalar, entonces a(x+y)= ax + ay

8- Si X pertenece a V y a y b son escalares, entonces (a+b) x = ax+ by.

9- Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.

10- Para cada vector X pertenece a V, 1x = x.

4.2. Definición de subespacio vectorial y sus propiedades.

Sea H un subconjunto no vacío de un espacio vectorial V y suponga que H es en

Existen múltiples ejemplos de subespacio, sin embargo, en primer lugar, se

Un subconjunto no vacio de H de un espacio vectorial V es un sub espacio de V si

Reglas de cerradura para ver si un subconjunto no vació es un sub espacio

i) Si x € H y y € H, entonces x + y € H.

ii) Si x € H, entonces αx € H para todo escalar α.

Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura se

Este teorema demuestra que para probar si H es o no es un sub espacio de V, es

x + y y αX están en H cuando x y y están en H y α es un escalar.

PROPIEDADES DE SUB ESPACIO VECTORIAL

1). El vector cero de V está

u en H y cada escalar c, el vector cu está en H

Una combinación lineal en M23

Cuatro vectores que generan a M22

Espacio generado por un conjunto de vectores.

donde a1, a2, …, ak, son

Ejemplo: el espacio generado por dos vectores en R3

Existe una relación espacial entre los vectores , se puede

tienen de especial los vectores ? La

que v3=3v1+2v2; rescribiendo esto se obtiene .

ceros tales que .

Si los vectores no son linealmente dependientes, se dice que son linealmente

Teorema: dependencia e independencia lineal

Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de

Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo tanto,

4.4. Base y dimensión de un espacio vectorial, cambio de base.

vectores . En R3 se escribieron los vectores en términos

de . Ahora se generalizara esta idea.

BASE Un conjunto finito de vectores es una base para un

espacio vectorial V si

Todo conjunto de n vectores linealmente independiente en Rn es una base en Rn.

determinante 1), es un conjunto linealmente independiente y,

EJEMPLO: base canónica para M22

Se vio que generan

, entonces es evidentemente que . Así, estas cuatro

TEOREMA: si es una base para V y si vÎV, entonces existe un

Existe cuando menos un conjunto de dichos escalares porque

Es decir, suponga que

Sea dos bases para V. debe

TEOREMA: suponga que dimV=n. si

Entonces, restando se obtiene la ecuación

Así, y el teorema queda demostrado.

TEOREMA: si son bases en un espacio

Para demostrar que S es dependiente, deben encontrarse escalares

No todos cero, tales que (2)

Sustituyendo (1) en (2) se obtiene (3)